CN114119491B - 一种基于医学图像分析的数据处理系统 - Google Patents
一种基于医学图像分析的数据处理系统 Download PDFInfo
- Publication number
- CN114119491B CN114119491B CN202111274573.XA CN202111274573A CN114119491B CN 114119491 B CN114119491 B CN 114119491B CN 202111274573 A CN202111274573 A CN 202111274573A CN 114119491 B CN114119491 B CN 114119491B
- Authority
- CN
- China
- Prior art keywords
- rectangular area
- medical image
- area
- circumferential
- difference
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010191 image analysis Methods 0.000 title claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 115
- 201000010099 disease Diseases 0.000 claims description 127
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 127
- 230000002093 peripheral effect Effects 0.000 claims 3
- 238000002591 computed tomography Methods 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Pulmonology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于医学图像分析的数据处理系统,尤其涉及图像处理技术领域,包括,采集模块,用以采集CT机扫描后的人体医学图像,其与分析模块连接;所述分析模块,用以对采集到的医学图像进行分析并得到分析结果,其与调整模块连接;所述分析模块包括比对单元,所述比对单元与判定单元连接,所述判定单元用以对医学图像进行人体部位判定,所述判定单元与划分单元连接,所述划分单元用以对医学图像进行区域划分,所述划分单元与分析单元连接;所述调整模块,用以根据所述分析结果对扫描得到的医学图像进行调整,其与输出模块连接;所述输出模块,用以对调整后的医学图像进行输出。本发明有效提高了处理后医学图像的清晰度。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于医学图像分析的数据处理系统。
背景技术
CT图像是以不同的灰度来表示,反映器官和组织对X线的吸收程度。因此,与X线图像所示的黑白影像一样,黑影表示低吸收区,即低密度区,如含气体多的肺部;白影表示高吸收区,即高密度区,如骨骼。但是CT与X线图像相比,CT的密度分辨力高,即有高的密度分辨力。因此,人体软组织的密度差别虽小,吸收系数虽多接近于水,也能形成对比而成像。这是CT的突出优点。所以,CT可以更好地显示由软组织构成的器官,并在良好的解剖图像背景上显示出病变的影像。
现有技术中,在对人体扫描后生成CT图像时,由于无法对图像进行精确处理提高图像的清晰度,从而使得到的CT图像关键位置模糊不清,影响对病患的判断。
发明内容
为此,本发明提供一种基于医学图像分析的数据处理系统,用以克服现有技术中由于无法对扫描后的医学图像进行精确分析导致打印后的图像清晰度低的问题。
为实现上述目的,本发明提供一种基于医学图像分析的数据处理系统,包括,
采集模块,用以采集CT机扫描后的人体医学图像,其与分析模块连接;
所述分析模块,用以对采集到的医学图像进行分析并得到分析结果,其与调整模块连接;所述分析模块包括比对单元,所述比对单元用以进行轮廓比对,所述比对单元与判定单元连接,所述判定单元用以对医学图像进行人体部位判定,所述判定单元与划分单元连接,所述划分单元用以对医学图像进行区域划分,所述划分单元与分析单元连接,所述分析单元用以对划分后的区域进行分析;
所述调整模块,用以根据所述分析结果对扫描得到的医学图像进行调整,其与输出模块连接;
所述输出模块,用以对调整后的医学图像进行输出;
所述分析模块在对采集到的医学图像进行分析时,比对单元获取医学图像的轮廓曲线,判定单元根据轮廓曲线的平均曲率V对医学图像进行首次身体部位判定,判定完成后,划分单元将轮廓曲线的外切矩形作为划分区域,并将该划分区域等分为3×3个矩形区域,划分完成后,分析单元首先根据首次身体部位判定结果获取对应的预设标准图像,并将所述划分区域的中间矩形区域与预设标准图像的对应区域进行图形比对,并根据中间矩形区域中差异图形占比A进行首次患病风险判定,当中间矩形区域存在患病风险时,所述调整模块根据差异图形的图形框线的平均灰度值D对中间矩形区域的图像进行调整;
在对中间矩形区域的图像调整完成后,所述分析单元对周向矩形区域进行患病风险判定,所述分析单元将周向矩形区域与预设标准图像的对应区域进行图形比对,并根据周向矩形区域中差异图形占比F 对周向矩形区域进行患病风险判定,当周向矩形区域存在患病风险时,所述调整模块根据周向矩形区域中差异图形框线的平均灰度值对差异图形框线的颜色深度进行调整。
进一步地,所述比对单元在对医学图像进行首次身体部位判定时,所述比对单元将轮廓曲线的平均曲率V与各预设平均曲率进行比对,判定单元根据比对结果对医学图像进行首次身体部位判定,其中,
当V<V1时,所述判定单元判定医学图像代表人体的第一预设部位;
当V1≤V<V2时,所述判定单元判定医学图像代表人体的第二预设部位;
当V2≤V时,所述判定单元判定医学图像代表人体的第三预设部位;
其中,V1为第一预设平均曲率,V2为第二预设平均曲率,V1< V2。
进一步地,所述判定单元在对医学图像反映的身体部位判定完成后,在对中间矩形区域进行首次患病风险判定时,
若中间矩形区域与预设标准图像的对应区域无差异,所述分析单元判定中间矩形区域正常,无患病风险;
若中间矩形区域与预设标准图像的对应区域存在差异,所述分析单元获取差异图形面积S,并根据差异图形面积S做下一步判定。
进一步地,所述分析单元在获取差异图形面积S后,计算得到差异图形占比A,设定A=S/S0,S0为矩形区域的面积,所述分析单元将计算得到的差异图形占比A与各预设差异图形占比进行比对,并根据比对结果进行患病风险判定,其中,
当A<A1时,所述分析单元判定所述中间矩形区域的差异区域小,无患病风险;
当A1≤A<A2时,所述分析单元判定中间矩形区域存在患病风险;
当A2≤A时,所述分析单元判定部位识别错误,并重新对医学图像进行身体部位判定;
其中,A1为第一预设差异图形占比,A2为第二预设差异图形占比,A1<A2。
进一步地,当中间矩形区域存在患病风险时,所述分析单元获取差异图形的图形框线的平均灰度值D,并将平均灰度值D与所述轮廓曲线的平均灰度值D0进行比对,调整模块根据比对结果对中间矩形区域的图像进行调整,其中
当D≤D0时,所述调整模块判定差异图形的图形框线清晰,不进行调整;
当D>D0时,所述调整模块对差异图形的图形框线进行颜色加深处理,直至D=D0。
进一步地,当部位识别错误时,所述比对单元重新获取所述轮廓曲线的平均曲率,所述判定单元再次根据平均曲率进行身体部位判定,所述分析单元根据判定结果对中间矩形区域再次进行患病风险判定,其中,
若判定结果与首次身体部位判定结果相同,所述分析单元判定中间矩形区域存在患病风险;
若判定结果与首次身体部位判定结果不相同,所述分析模块重新选取预设标准图像进行图形比对,并重复首次患病风险判定。
进一步地,所述分析单元在对所述中间矩形区域患病风险判定完成后,所述分析单元对其他各周向矩形区域逐一进行患病风险判定,在对各周向矩形区域进行患病风险判定时,所述分析单元以中间矩形区域正上方的矩形区域为首,顺时针对各周向矩形区域进行患病风险判定,在对周向矩形区域进行患病风险判定时,所述分析单元将周向矩形区域与预设标准图像的对应区域进行图形比对,并获取周向矩形区域中差异图形面积Sa,计算周向矩形区域中差异图形占比F,设定 F=Sa/Sb,Sb为周向矩形区域中图像区域面积,所述分析单元将周向矩形区域中差异图形占比F与各预设周向差异图形占比进行比对,并根据比对结果对周向矩形区域进行患病风险判定,其中,
当F<F1时,所述分析单元判定该周向矩形区域的差异区域小,无患病风险;
当F1≤F<F2时,所述分析单元根据中间矩形区域的患病风险状态对该周向矩形区域做下一步判定;
当F2<F时,所述分析单元根据该周向矩形区域中差异图形的位置对该周向矩形区域做下一步判定;
其中,F1为第一预设周向差异图形占比,F2为第二预设周向差异图形占比,F1<F2。
进一步地,所述分析单元在根据中间矩形区域的患病风险状态对周向矩形区域进行患病风险判定时,
若中间矩形区域无患病风险,所述分析单元判定周向矩形区域无患病风险;
若中间矩形区域存在患病风险,当中间矩形区域中的差异图形与周向矩形区域中的差异图形连接时,所述分析单元判定周向矩形区域存在患病风险,当中间矩形区域中的差异图形与周向矩形区域中的差异图形相互独立时,所述分析单元判定周向矩形区域无患病风险。
进一步地,所述分析单元在根据周向矩形区域中差异图形的位置对周向矩形区域进行判定时,
若周向矩形区域中差异图形与图像区域相离,所述分析单元判定周向矩形区域无患病风险;
若周向矩形区域中差异图形与图像区域相交或差异图形位于图像区域内,所述分析单元判定周向矩形区域存在患病风险。
进一步地,当周向矩形区域存在患病风险时,所述调整模块根据周向矩形区域中差异图形框线的平均灰度值对差异图形框线的颜色深度进行调整,调整至周向矩形区域中差异图形框线的平均灰度值小于等于所述轮廓曲线的平均灰度值D0。
与现有技术相比,本发明的有益效果在于,通过获取轮廓曲线的平均曲率对医学图像中身体部位进行判定,通过判定可确定医学图像所反映的身体部位,通过确定身体部位,可便于对医学图像进行详细分析比对,从而提高对医学图像处理的精确度,使处理后的医学图像更加清晰,易于反映病患位置;通过划分单元对医学图像进行划分,再根据划分后形成的各矩形区域逐个与预设标准图像进行图形比对,可有效提高比对的精确度,从而提高对医学图像处理的精确度,以使处理后的医学图像满足需求,所述划分单元在进行划分时,根据所述轮廓曲线的外切矩形进行划分,通过设置外切矩形可有效保证区域划分的完整性,使划分后的矩形区域完全包含轮廓曲线内部图像,以保证图形比对的精确度和完整性,从而进一步提高对医学图像处理的精确度;所述分析单元计算出中间矩形区域中差异图形占比A,并将其与预设值进行比对,以进行患病风险判定,差异图形占比可有效反映出中间矩形区域与预设标准图像之间的图形差异大小,从而可有效提高对中间矩形区域患病风险判定的精确度,从而提高对医学图像的处理精确度,以提高处理后医学图像的清晰度,在进行差异图形占比比较时,若小于预设值,则证明该差异图形过小不会影响对医学图像的判断,此时判定其无患病风险,当差异图形占比A在预设范围内时,证明该差异图形区域则是病患区域,当差异图形占比A大于预设值时,则很可能是身体部位识别错误,从而与错误的预设标准图像比对造成的,因此此时需重新进行身体部位判定,以保证患病风险判定结果的准确度,从而提高对医学图像的处理效率,以提高处理后医学图像的清晰度。
尤其,所述调整模块根据判定结果对医学图像进行调整,通过调整以使调整后的医学图像更加清晰,以精确反映出病患状态,所述分析单元根据差异图形的图形框线的平均灰度值D进行判断,以完成调整,灰度值越小其颜色越黑,图像越清晰,当图形框线的平均灰度值 D在预设值以内时,无需调整图像清晰度已满足需求,当图形框线的平均灰度值D大于预设值时,此时其框线不明显,易造成模糊现象,调整模块通过对框线色深进行调整,使调整后清晰度满足需求,从而提高对医学图像的处理效率。
尤其,通过对中间矩形区域再次进行患病风险判定,可有效保证患病风险结果的准确度,从而提高对医学图像处理的精确度,若两次判定结果相同,则证明中间矩形区域存在患病风险,若两次判定结果不同,则根据第二次身体部位判定结果确定预设标准图像,并重复图形比对过程,以保证对中间矩形区域患病风险判定的精确度,从而提高对医学图像处理的精确度,以使处理后的医学图像清晰度满足需求。
尤其,在对各周向矩形区域逐一进行患病风险判定时,所述分析单元首先确定对各周向矩形区域的判定顺序,以保证区域判定的完整性,在顺序确定后,所述分析单元根据周向矩形区域中差异图形占比 F对周向矩形区域进行患病风险判定,差异图形占比F可有效反映出周向矩形区域的与预设标准图像的差异区域,当差异图形占比F小于预设值时,说明差异图形面积过小不会影响对患病的判断,当差异图形占比F在预设区间时,则需根据中间矩形区域患病风险状态进行判定,以保证判定结果的精确度,当差异图形占比F大于预设值时,则很可能是差异图形位于图像区域外侧,则不存在患病风险,反之则存在患病风险,通过对周向矩形区域的患病风险状态进行精确判定,可有效保证对医学图像调整的准确度,从而提高对医学图像的调整效率,以使调整后的清晰度满足需求。
尤其,在对周向矩形区域的患病风险状态判定完成后,所述调整模块根据周向矩形区域中差异图形框线的平均灰度值大小进行调整,若灰度值大小满足要求则无需进行调整,若不满足要求则调整至预设状态,以使调整后各区域的差异图形清晰度满足要求,从而使对医学图像中患病区域、患病状态的判断更加精确。
附图说明
图1为本实施例基于医学图像分析的数据处理系统的结构示意图;
图2为本实施例中采集模块的结构示意图;
图3为本实施例中分析模块的结构示意图;
图4为本实施例中输出模块的结构示意图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示,其为本实施例基于医学图像分析的数据处理系统的结构示意图,所述系统包括,
采集模块,用以采集CT机扫描后的人体医学图像,其与分析模块连接;
所述分析模块,用以对采集到的医学图像进行分析并得到分析结果,其与调整模块连接;
所述调整模块,用以根据所述分析结果对扫描得到的医学图像进行调整,其与输出模块连接;
所述输出模块,用以对调整后的医学图像进行输出。
请参阅图2所示,所述采集模块包括采集单元,所述采集单元用以采集医学图像,其与传输单元连接,所述传输单元用以传输采集到的医学图像。
请参阅图3所示,所述分析模块包括比对单元,所述比对单元用以进行轮廓比对,所述比对单元与判定单元连接,所述判定单元用以对医学图像进行人体部位判定,所述判定单元与划分单元连接,所述划分单元用以对医学图像进行区域划分,所述划分单元与分析单元连接,所述分析单元用以对划分后的区域进行分析。
请参阅图4所示,所述输出模块包括获取单元,所述获取单元用以获取调整后的医学图像,所述获取单元与输出单元连接,所述输出单元用以将调整后的医学图像进行输出。
具体而言,所述分析模块在对采集到的医学图像进行分析时,比对单元首先获取医学图像的轮廓曲线,并获取轮廓曲线的平均曲率V,所述比对单元将轮廓曲线的平均曲率V与各预设平均曲率进行比对,判定单元根据比对结果对医学图像进行首次身体部位判定,其中,
当V<V1时,所述判定单元判定医学图像代表人体的第一预设部位;
当V1≤V<V2时,所述判定单元判定医学图像代表人体的第二预设部位;
当V2≤V时,所述判定单元判定医学图像代表人体的第三预设部位;
其中,V1为第一预设平均曲率,V2为第二预设平均曲率,V1<V2。
具体而言,本实施例中所述比对单元在获取所述轮廓曲线的平均曲率时,由于轮廓曲线形成的图形是封闭图形,所述比对单元将轮廓曲线划分为两条水平方向的曲线和两条竖直方向的曲线,并分别获取四条曲线的曲率,并取平均值作为平均曲率V,在获取平均曲率V后,所述比对单元将其与预设值进行比对,并根据比对结果进行身体部位判定,通过进行平均曲率的比对可精确判定出医学图像代表的身体部位,可以理解的是,本实施例在设置预设值时仅设置两个预设值,因此仅能判定出三个身体部位,本领域技术人员还可根据实际需求增加或减少预设值数量,以使判定的身体部位数量满足需求,以精确判断出医学图像代表的身体部位。
具体而言,本实施例中在获取医学图像后,通过获取轮廓曲线的平均曲率对医学图像中身体部位进行判定,通过判定可确定医学图像所反映的身体部位,通过确定身体部位,可便于对医学图像进行详细分析比对,从而提高对医学图像处理的精确度,使处理后的医学图像更加清晰,易于反映病患位置。
具体而言,所述判定单元在对医学图像反映的身体部位判定完成后,划分单元将轮廓曲线的外切矩形作为划分区域,并将该划分区域等分为3×3个矩形区域,划分完成后,分析单元首先获取与所述医学图像中身体部位对应的预设标准图像,并将所述划分区域的中间矩形区域与预设标准图像的对应区域进行图形比对,其中,
若中间矩形区域与预设标准图像的对应区域无差异,所述分析单元判定中间矩形区域正常,无患病风险;
若中间矩形区域与预设标准图像的对应区域存在差异,所述分析单元获取差异图形面积S,并根据差异图形面积S做下一步判定。
具体而言,本实施例中在对医学图像反映的身体部位判定完成后,通过划分单元对医学图像进行划分,再根据划分后形成的各矩形区域逐个与预设标准图像进行图形比对,可有效提高比对的精确度,从而提高对医学图像处理的精确度,以使处理后的医学图像满足需求,所述划分单元在进行划分时,根据所述轮廓曲线的外切矩形进行划分,通过设置外切矩形可有效保证区域划分的完整性,使划分后的矩形区域完全包含轮廓曲线内部图像,以保证图形比对的精确度和完整性,从而进一步提高对医学图像处理的精确度,可以理解的是,本实施例中还设有若干预设标准图像,预设标准图像为健康状态下各身体部位的医学图像,通过设置预设标准图像与划分后各区域进行图形比对,可有效反映出差异图形,从而便于确定病患区域和提高医学图像的清晰度。
具体而言,所述分析单元在获取差异图形面积S后,计算得到差异图形占比A,设定A=S/S0,S0为矩形区域的面积,所述分析单元将计算得到的差异图形占比A与各预设差异图形占比进行比对,并根据比对结果进行患病风险判定,其中,
当A<A1时,所述分析单元判定所述中间矩形区域的差异区域小,无患病风险;
当A1≤A<A2时,所述分析单元判定中间矩形区域存在患病风险;
当A2≤A时,所述分析单元判定部位识别错误,并重新对医学图像进行身体部位判定;
其中,A1为第一预设差异图形占比,A2为第二预设差异图形占比,A1<A2。
具体而言,本实施例中所述分析单元在对中间矩形区域进行患病风险判定时,所述分析单元计算出中间矩形区域中差异图形占比A,并将其与预设值进行比对,以进行患病风险判定,差异图形占比可有效反映出中间矩形区域与预设标准图像之间的图形差异大小,从而可有效提高对中间矩形区域患病风险判定的精确度,从而提高对医学图像的处理精确度,以提高处理后医学图像的清晰度,在进行差异图形占比比较时,若小于预设值,则证明该差异图形过小不会影响对医学图像的判断,此时判定其无患病风险,当差异图形占比A在预设范围内时,证明该差异图形区域则是病患区域,当差异图形占比A大于预设值时,则很可能是身体部位识别错误,从而与错误的预设标准图像比对造成的,因此此时需重新进行身体部位判定,以保证患病风险判定结果的准确度,从而提高对医学图像的处理效率,以提高处理后医学图像的清晰度。
具体而言,当中间矩形区域存在患病风险时,所述分析单元获取差异图形的图形框线的平均灰度值D,并将平均灰度值D与所述轮廓曲线的平均灰度值D0进行比对,调整模块根据比对结果对中间矩形区域的图像进行调整,其中
当D≤D0时,所述调整模块判定差异图形的图形框线清晰,不进行调整;
当D>D0时,所述调整模块对差异图形的图形框线进行颜色加深处理,直至D=D0。
具体而言,本实施例中在对中间矩形区域患病风险判定完成后,所述调整模块根据判定结果对医学图像进行调整,通过调整以使调整后的医学图像更加清晰,以精确反映出病患状态,所述分析单元根据差异图形的图形框线的平均灰度值D进行判断,以完成调整,灰度值越小其颜色越黑,图像越清晰,当图形框线的平均灰度值D在预设值以内时,无需调整图像清晰度已满足需求,当图形框线的平均灰度值 D大于预设值时,此时其框线不明显,易造成模糊现象,调整模块通过对框线色深进行调整,使调整后清晰度满足需求,从而提高对医学图像的处理效率。
具体而言,当部位识别错误时,所述比对单元重新获取所述轮廓曲线的平均曲率,所述判定单元再次根据平均曲率进行身体部位判定,所述分析单元根据判定结果对中间矩形区域再次进行患病风险判定,其中,
若判定结果与首次身体部位判定结果相同,所述分析单元判定中间矩形区域存在患病风险;
若判定结果与首次身体部位判定结果不相同,所述分析模块重新选取预设标准图像进行图形比对,并重复首次患病风险判定。
具体而言,本实施例中通过对中间矩形区域再次进行患病风险判定,可有效保证患病风险结果的准确度,从而提高对医学图像处理的精确度,若两次判定结果相同,则证明中间矩形区域存在患病风险,若两次判定结果不同,则根据第二次身体部位判定结果确定预设标准图像,并重复图形比对过程,以保证对中间矩形区域患病风险判定的精确度,从而提高对医学图像处理的精确度,以使处理后的医学图像清晰度满足需求。
具体而言,所述分析单元在对所述中间矩形区域患病风险判定完成后,所述分析单元对其他各周向矩形区域逐一进行患病风险判定,在对各周向矩形区域进行患病风险判定时,所述分析单元以中间矩形区域正上方的矩形区域为首,顺时针对各周向矩形区域进行患病风险判定,在对周向矩形区域进行患病风险判定时,所述分析单元将周向矩形区域与预设标准图像的对应区域进行图形比对,并获取周向矩形区域中差异图形面积Sa,计算周向矩形区域中差异图形占比F,设定 F=Sa/Sb,Sb为周向矩形区域中图像区域面积,所述分析单元将周向矩形区域中差异图形占比F与各预设周向差异图形占比进行比对,并根据比对结果对周向矩形区域进行患病风险判定,其中,
当F<F1时,所述分析单元判定该周向矩形区域的差异区域小,无患病风险;
当F1≤F<F2时,所述分析单元根据中间矩形区域的患病风险状态对该周向矩形区域做下一步判定;
当F2<F时,所述分析单元根据该周向矩形区域中差异图形的位置对该周向矩形区域做下一步判定;
其中,F1为第一预设周向差异图形占比,F2为第二预设周向差异图形占比,F1<F2。
具体而言,本实施例中在对各周向矩形区域逐一进行患病风险判定时,所述分析单元首先确定对各周向矩形区域的判定顺序,以保证区域判定的完整性,在顺序确定后,所述分析单元根据周向矩形区域中差异图形占比F对周向矩形区域进行患病风险判定,差异图形占比 F可有效反映出周向矩形区域的与预设标准图像的差异区域,当差异图形占比F小于预设值时,说明差异图形面积过小不会影响对患病的判断,当差异图形占比F在预设区间时,则需根据中间矩形区域患病风险状态进行判定,以保证判定结果的精确度,当差异图形占比F大于预设值时,则很可能是差异图形位于图像区域外侧,则不存在患病风险,反之则存在患病风险,通过对周向矩形区域的患病风险状态进行精确判定,可有效保证对医学图像调整的准确度,从而提高对医学图像的调整效率,以使调整后的清晰度满足需求。
具体而言,所述分析单元在根据中间矩形区域的患病风险状态对周向矩形区域进行患病风险判定时,
若中间矩形区域无患病风险,所述分析单元判定周向矩形区域无患病风险;
若中间矩形区域存在患病风险,当中间矩形区域中的差异图形与周向矩形区域中的差异图形连接时,所述分析单元判定周向矩形区域存在患病风险,当中间矩形区域中的差异图形与周向矩形区域中的差异图形相互独立时,所述分析单元判定周向矩形区域无患病风险。
具体而言,所述分析单元在根据周向矩形区域中差异图形的位置对周向矩形区域进行判定时,
若周向矩形区域中差异图形与图像区域相离,所述分析单元判定周向矩形区域无患病风险;
若周向矩形区域中差异图形与图像区域相交或差异图形位于图像区域内,所述分析单元判定周向矩形区域存在患病风险。
具体而言,当周向矩形区域存在患病风险时,所述调整模块根据周向矩形区域中差异图形框线的平均灰度值对差异图形框线的颜色深度进行调整,调整至周向矩形区域中差异图形框线的平均灰度值小于等于所述轮廓曲线的平均灰度值D0。
具体而言,本实施例中在对周向矩形区域的患病风险状态判定完成后,所述调整模块根据周向矩形区域中差异图形框线的平均灰度值大小进行调整,若灰度值大小满足要求则无需进行调整,若不满足要求则调整至预设状态,以使调整后各区域的差异图形清晰度满足要求,从而使对医学图像中患病区域、患病状态的判断更加精确。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于医学图像分析的数据处理系统,其特征在于,包括,
采集模块,用以采集CT机扫描后的人体医学图像,其与分析模块连接;
所述分析模块,用以对采集到的医学图像进行分析并得到分析结果,其与调整模块连接;所述分析模块包括比对单元,所述比对单元用以进行轮廓比对,所述比对单元与判定单元连接,所述判定单元用以对医学图像进行人体部位判定,所述判定单元与划分单元连接,所述划分单元用以对医学图像进行区域划分,所述划分单元与分析单元连接,所述分析单元用以对划分后的区域进行分析;
所述调整模块,用以根据所述分析结果对扫描得到的医学图像进行调整,其与输出模块连接;
所述输出模块,用以对调整后的医学图像进行输出;
所述分析模块在对采集到的医学图像进行分析时,比对单元获取医学图像的轮廓曲线,判定单元根据轮廓曲线的平均曲率V对医学图像进行首次身体部位判定,判定完成后,划分单元将轮廓曲线的外切矩形作为划分区域,并将该划分区域等分为3×3个矩形区域,划分完成后,分析单元首先根据首次身体部位判定结果获取对应的预设标准图像,并将所述划分区域的中间矩形区域与预设标准图像的对应区域进行图形比对,并根据中间矩形区域中差异图形占比A进行首次患病风险判定,当中间矩形区域存在患病风险时,所述调整模块根据差异图形的图形框线的平均灰度值D对中间矩形区域的图像进行调整;
在对中间矩形区域的图像调整完成后,所述分析单元对周向矩形区域进行患病风险判定,所述分析单元将周向矩形区域与预设标准图像的对应区域进行图形比对,并根据周向矩形区域中差异图形占比F对周向矩形区域进行患病风险判定,当周向矩形区域存在患病风险时,所述调整模块根据周向矩形区域中差异图形框线的平均灰度值对差异图形框线的颜色深度进行调整。
2.根据权利要求1所述的基于医学图像分析的数据处理系统,其特征在于,所述判定单元在对医学图像进行首次身体部位判定时,所述比对单元将轮廓曲线的平均曲率V与各预设平均曲率进行比对,判定单元根据比对结果对医学图像进行首次身体部位判定,其中,
当V<V1时,所述判定单元判定医学图像代表人体的第一预设部位;
当V1≤V<V2时,所述判定单元判定医学图像代表人体的第二预设部位;
当V2≤V时,所述判定单元判定医学图像代表人体的第三预设部位;
其中,V1为第一预设平均曲率,V2为第二预设平均曲率,V1<V2。
3.根据权利要求2所述的基于医学图像分析的数据处理系统,其特征在于,所述判定单元在对医学图像反映的身体部位判定完成后,在对中间矩形区域进行首次患病风险判定时,
若中间矩形区域与预设标准图像的对应区域无差异,所述分析单元判定中间矩形区域正常,无患病风险;
若中间矩形区域与预设标准图像的对应区域存在差异,所述分析单元获取差异图形面积S,并根据差异图形面积S做下一步判定。
4.根据权利要求3所述的基于医学图像分析的数据处理系统,其特征在于,所述分析单元在获取差异图形面积S后,计算得到差异图形占比A,设定A=S/S0,S0为矩形区域的面积,所述分析单元将计算得到的差异图形占比A与各预设差异图形占比进行比对,并根据比对结果进行患病风险判定,其中,
当A<A1时,所述分析单元判定所述中间矩形区域的差异区域小,无患病风险;
当A1≤A<A2时,所述分析单元判定中间矩形区域存在患病风险;
当A2≤A时,所述分析单元判定部位识别错误,并重新对医学图像进行身体部位判定;
其中,A1为第一预设差异图形占比,A2为第二预设差异图形占比,A1<A2。
5.根据权利要求4所述的基于医学图像分析的数据处理系统,其特征在于,当中间矩形区域存在患病风险时,所述分析单元获取差异图形的图形框线的平均灰度值D,并将平均灰度值D与所述轮廓曲线的平均灰度值D0进行比对,调整模块根据比对结果对中间矩形区域的图像进行调整,其中
当D≤D0时,所述调整模块判定差异图形的图形框线清晰,不进行调整;
当D>D0时,所述调整模块对差异图形的图形框线进行颜色加深处理,直至D=D0。
6.根据权利要求4所述的基于医学图像分析的数据处理系统,其特征在于,当部位识别错误时,所述比对单元重新获取所述轮廓曲线的平均曲率,所述判定单元再次根据平均曲率进行身体部位判定,所述分析单元根据判定结果对中间矩形区域再次进行患病风险判定,其中,
若判定结果与首次身体部位判定结果相同,所述分析单元判定中间矩形区域存在患病风险;
若判定结果与首次身体部位判定结果不相同,所述分析模块重新选取预设标准图像进行图形比对,并重复首次患病风险判定。
7.根据权利要求6所述的基于医学图像分析的数据处理系统,其特征在于,所述分析单元在对所述中间矩形区域患病风险判定完成后,所述分析单元对其他各周向矩形区域逐一进行患病风险判定,在对各周向矩形区域进行患病风险判定时,所述分析单元以中间矩形区域正上方的矩形区域为首,顺时针对各周向矩形区域进行患病风险判定,在对周向矩形区域进行患病风险判定时,所述分析单元将周向矩形区域与预设标准图像的对应区域进行图形比对,并获取周向矩形区域中差异图形面积Sa,计算周向矩形区域中差异图形占比F,设定F=Sa/Sb,Sb为周向矩形区域中图像区域面积,所述分析单元将周向矩形区域中差异图形占比F与各预设周向差异图形占比进行比对,并根据比对结果对周向矩形区域进行患病风险判定,其中,
当F<F1时,所述分析单元判定该周向矩形区域的差异区域小,无患病风险;
当F1≤F<F2时,所述分析单元根据中间矩形区域的患病风险状态对该周向矩形区域做下一步判定;
当F2≤F时,所述分析单元根据该周向矩形区域中差异图形的位置对该周向矩形区域做下一步判定;
其中,F1为第一预设周向差异图形占比,F2为第二预设周向差异图形占比,F1<F2。
8.根据权利要求7所述的基于医学图像分析的数据处理系统,其特征在于,所述分析单元在根据中间矩形区域的患病风险状态对周向矩形区域进行患病风险判定时,
若中间矩形区域无患病风险,所述分析单元判定周向矩形区域无患病风险;
若中间矩形区域存在患病风险,当中间矩形区域中的差异图形与周向矩形区域中的差异图形连接时,所述分析单元判定周向矩形区域存在患病风险,当中间矩形区域中的差异图形与周向矩形区域中的差异图形相互独立时,所述分析单元判定周向矩形区域无患病风险。
9.根据权利要求7所述的基于医学图像分析的数据处理系统,其特征在于,所述分析单元在根据周向矩形区域中差异图形的位置对周向矩形区域进行判定时,
若周向矩形区域中差异图形与图像区域相离,所述分析单元判定周向矩形区域无患病风险;
若周向矩形区域中差异图形与图像区域相交或差异图形位于图像区域内,所述分析单元判定周向矩形区域存在患病风险。
10.根据权利要求9所述的基于医学图像分析的数据处理系统,其特征在于,当周向矩形区域存在患病风险时,所述调整模块根据周向矩形区域中差异图形框线的平均灰度值对差异图形框线的颜色深度进行调整,调整至周向矩形区域中差异图形框线的平均灰度值小于等于所述轮廓曲线的平均灰度值D0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274573.XA CN114119491B (zh) | 2021-10-29 | 2021-10-29 | 一种基于医学图像分析的数据处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274573.XA CN114119491B (zh) | 2021-10-29 | 2021-10-29 | 一种基于医学图像分析的数据处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114119491A CN114119491A (zh) | 2022-03-01 |
CN114119491B true CN114119491B (zh) | 2022-09-13 |
Family
ID=80379585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111274573.XA Active CN114119491B (zh) | 2021-10-29 | 2021-10-29 | 一种基于医学图像分析的数据处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114119491B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023246937A1 (en) * | 2022-06-24 | 2023-12-28 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106791400A (zh) * | 2016-12-23 | 2017-05-31 | 维沃移动通信有限公司 | 一种图像显示方法及移动终端 |
CN107808156A (zh) * | 2017-07-31 | 2018-03-16 | 上海联影医疗科技有限公司 | 感兴趣区域提取方法 |
CN112233072A (zh) * | 2020-09-30 | 2021-01-15 | 张成林 | 一种病灶检测方法及装置 |
CN113269177A (zh) * | 2021-07-21 | 2021-08-17 | 广州乐盈信息科技股份有限公司 | 一种基于监控设备的目标捕捉系统 |
CN113423580A (zh) * | 2018-11-09 | 2021-09-21 | 凸版印刷株式会社 | 云纹显影化图案的生成方法、云纹显影化图案的生成装置以及云纹显影化图案的生成系统 |
CN113869190A (zh) * | 2021-09-26 | 2021-12-31 | 深圳市伯阳投资管理有限公司 | 一种基于图像分析的数据处理方法及系统 |
CN114612828A (zh) * | 2022-03-10 | 2022-06-10 | 中化学建设投资集团有限公司 | 一种基于图像分析的工地火点监测预警方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050207630A1 (en) * | 2002-02-15 | 2005-09-22 | The Regents Of The University Of Michigan Technology Management Office | Lung nodule detection and classification |
CN111000571A (zh) * | 2019-12-26 | 2020-04-14 | 上海市精神卫生中心(上海市心理咨询培训中心) | 创伤后心理疾病的风险预测方法,相关设备及存储装置 |
-
2021
- 2021-10-29 CN CN202111274573.XA patent/CN114119491B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106791400A (zh) * | 2016-12-23 | 2017-05-31 | 维沃移动通信有限公司 | 一种图像显示方法及移动终端 |
CN107808156A (zh) * | 2017-07-31 | 2018-03-16 | 上海联影医疗科技有限公司 | 感兴趣区域提取方法 |
CN113423580A (zh) * | 2018-11-09 | 2021-09-21 | 凸版印刷株式会社 | 云纹显影化图案的生成方法、云纹显影化图案的生成装置以及云纹显影化图案的生成系统 |
CN112233072A (zh) * | 2020-09-30 | 2021-01-15 | 张成林 | 一种病灶检测方法及装置 |
CN113269177A (zh) * | 2021-07-21 | 2021-08-17 | 广州乐盈信息科技股份有限公司 | 一种基于监控设备的目标捕捉系统 |
CN113869190A (zh) * | 2021-09-26 | 2021-12-31 | 深圳市伯阳投资管理有限公司 | 一种基于图像分析的数据处理方法及系统 |
CN114612828A (zh) * | 2022-03-10 | 2022-06-10 | 中化学建设投资集团有限公司 | 一种基于图像分析的工地火点监测预警方法 |
Non-Patent Citations (4)
Title |
---|
Generation of Pseudo-CT using High-Degree Polynomial Regression on Dual-Contrast Pelvic MRI Data;Samuel C. Leu等;《Scientific Reports》;20200515;1-11 * |
Improving concave point detection to better segment overlapped objects in images;Miquel Miró-Nicolau等;《arXiv:2008.00997v1》;20200803;1-10 * |
基于t混合模型的脑部核磁共振图像分割方法研究;李璐;《中国优秀硕士学位论文全文数据库_医药卫生科技辑》;20180215;E060-96 * |
特征提取在图像搜索和近似重复图像去冗中的应用;郑德杰;《中国优秀硕士学位论文全文数据库_信息科技辑》;20170415;I138-363 * |
Also Published As
Publication number | Publication date |
---|---|
CN114119491A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7920735B2 (en) | Method and device for automatically differentiating bones or other calcium-containing materials and contrast agent in soft tissue | |
US7961967B2 (en) | Adaptive density mapping in computed tomographic images | |
US6055326A (en) | Method for orienting electronic medical images | |
US7460700B2 (en) | Image processing method and computer-readable recording medium containing image processing program | |
US20080075344A1 (en) | Method and apparatus for calculating index concerning local blood flow circulations | |
CN115345893B (zh) | 基于图像处理的卵巢组织癌变区域分割方法 | |
CN103026379B (zh) | 推算图像噪音水平的方法 | |
JP2012512672A (ja) | 医用画像内病変自動検出方法およびシステム | |
US8385614B2 (en) | Slice image display apparatus, method and recording-medium having stored therein program | |
CN110570508B (zh) | 骨质疏松状况三维可视化渲染方法 | |
US11455720B2 (en) | Apparatus for ultrasound diagnosis of liver steatosis using feature points of ultrasound image and remote medical-diagnosis method using the same | |
US20240041432A1 (en) | Method and system for generating a three-dimensional ultrasound image of a tissue volume from two-dimensional ultrasound images | |
JP4938427B2 (ja) | 脳出血部位体積計算装置 | |
US20080123929A1 (en) | Apparatus, method and program for image type judgment | |
CN114119491B (zh) | 一种基于医学图像分析的数据处理系统 | |
KR102351283B1 (ko) | 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치 | |
CN111951215A (zh) | 一种图像检测方法、装置及计算机可读存储介质 | |
CN112349391A (zh) | 一种优化肋骨自动标号方法 | |
CN116681701B (zh) | 一种儿童肺部超声图像处理方法 | |
CN116993764A (zh) | 一种胃部ct智能分割提取方法 | |
Ge et al. | Automatic measurement of spinous process angles on ultrasound spine images | |
CN115444355A (zh) | 一种内窥镜病变尺寸信息确定方法、电子设备及存储介质 | |
KR102300234B1 (ko) | 진단보조정보를 제공하는 방법 및 이를 수행하는 장치 | |
US7221782B1 (en) | Method and apparatus for determining a dynamic range of a digital medical image | |
US20050281373A1 (en) | Method for the automatic scaling verification of an image, in particular a patient image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |