CN114332255B - 一种医学图像处理方法及装置 - Google Patents
一种医学图像处理方法及装置 Download PDFInfo
- Publication number
- CN114332255B CN114332255B CN202210254859.XA CN202210254859A CN114332255B CN 114332255 B CN114332255 B CN 114332255B CN 202210254859 A CN202210254859 A CN 202210254859A CN 114332255 B CN114332255 B CN 114332255B
- Authority
- CN
- China
- Prior art keywords
- medical image
- image data
- pixel
- pixel value
- value distribution
- 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
Images
Landscapes
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种医学图像处理方法及装置,该方法包括获取第一医学图像数据并对其进行直方图均衡以获得第二医学图像数据;根据第二医学图像数据的像素值分布统计结果绘制第二医学图像数据的像素值分布曲线图;找出并记录像素值分布曲线图中的所有波峰或波谷的像素值;根据所有波峰或波谷的像素值来确定第一医学图像数据中各组织器官的窗位和窗宽;分别将第二医学图像数据中三个选取的组织器官对应的窗位窗宽范围内的像素值映射到预设像素范围,以获取三个灰度像素矩阵;将三个矩阵作为三个通道合成RGB图像。利用本发明可以对X光医学图像数据的组织器官进行增强,提升神经网路模型的对医学图像的分类效果、疾病检测能力和图像分割能力。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种医学图像处理方法及装置。
背景技术
DICOM文件是指按照DICOM (Digital Imaging Communications in Medicine)标准而存储的医学文件。DICOM文件不仅包括医学图像,还包括许多和医学图像有关的信息,如病人姓名等临床信息、图像大小等属性信息。
窗宽是X光射线图像显示时的像素值区间大小,窗位是窗的中心像素值,窗宽窗位共同构成了一个窗口,像素值高于此窗口的像素值都以白色表示,低于此窗口的像素值都以黑色表示。增大窗宽,则显示的组织结构数目增多,各个结构之间的灰度差别减少。减小窗宽,则显示的组织结构减少,各个结构之间的对比度增加。窗宽决定了显示范围的大小,窗位决定了显示所围绕的中心位置。随着窗位的改动,所显示的像素值范围也会随之改变。
DICOM图像一般都是12到16位的图像,像素值的区间范围一般都比较大,当将一整张图像转化为通常现实的RGB图像时,会丢失很多的细节,那么从整张DICOM图像中选取某个窗宽窗位对应的组织,并将其单独显示,就显得非常的重要。这对于将图像转换为RGB图像进行处理也非常重要,可以自动对图像中指定的像素值区域进行增强。
目前,已有的对医学影像各个组织器官增强的技术的实现是通过对CT图像中的不同组织提取固定的窗宽窗位。因为各种组织结构或病变具有不同的Hu值,因此欲显示某一组织结构细节时,应选择适合观察该组织或病变的窗宽和窗位,以获得最佳显示效果,而这些组织结构往往有固定的窗宽窗位。因为CT图具有Hu值的概念,CT图像实现调整窗宽窗位获取组织细节时,可以依据DICOM文件中的像素值矩阵和相应的标记,计算得到Hu矩阵,然后提取出相应部位的窗口Hu矩阵,最会将Hu矩阵转化为像素矩阵并映射到0到255进行显示。然而,X光医学成像并没有Hu值这个概念,且X光医学图像在拍摄时就会因为机器的不同,而呈现各种各样的分布。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种能够对X光医学图像数据的组织器官进行增强,提升神经网路模型的对医学图像的分类效果、疾病检测能力和图像分割能力的医学图像处理方法及装置。
为实现上述目的及其他相关目的,本发明提供一种医学图像处理方法,所述医学图像处理方法包括:
获取第一医学图像数据,所述第一医学图像数据为X光医学图像数据;
对所述第一医学图像数据进行直方图均衡处理,以获得第二医学图像数据;
对所述第二医学图像数据的像素值分布进行统计,并根据统计结果绘制所述第二医学图像数据的像素值分布曲线图;
找出所述像素值分布曲线图中的所有波峰或波谷,并记录所有波峰或波谷的像素值,其中,所述医学图像数据中的一个组织器官与所述像素值分布曲线图中的一个波峰或波谷相对应;
根据所有波峰或波谷的像素值来确定所述第一医学图像数据中各组织器官的窗位和窗宽;
分别选取三个组织器官,并将所述第二医学图像数据中的三个选取的所述组织器官对应的窗位窗宽范围内的像素值映射到预设像素范围,以获取三个灰度像素矩阵;
将三个所述灰度像素矩阵作为三个通道合成RGB图像。
在本发明的一可选实施例中,所述分别选取三个组织器官,并将所述第二医学图像数据中的三个选取的所述组织器官对应的窗位窗宽范围内的像素值映射到预设像素范围,以获取三个灰度像素矩阵中,三个选取的所述组织器官中至少两个为不同的组织器官。
在本发明的一可选实施例中,所述分别选取三个组织器官,并将所述第二医学图像数据中的三个选取的所述组织器官对应的窗位窗宽范围内的像素值映射到预设像素范围,以获取三个灰度像素矩阵中,三个选取的所述组织器官为同一组织器官。
在本发明的一可选实施例中,所述对所述第二医学图像数据的像素值分布进行统计,并根据统计结果绘制所述第二医学图像数据的像素值分布曲线图中,所述像素值分布曲线图为像素值-个数分布曲线图或像素值-频率分布曲线图。
在本发明的一可选实施例中,所述对所述第二医学图像数据的像素值分布进行统计,并根据统计结果绘制所述第二医学图像数据的像素值分布曲线图包括:
对所述第二医学图像数据进行像素值分布进行统计,并根据统计结果绘制像素值分布散点图或像素值分布折线图;
对所述像素值分布散点图或所述像素值分布折线图进行拟合处理,以得到所述第二医学图像数据的像素值分布曲线图。
在本发明的一可选实施例中,对所述第一医学图像数据进行直方图均衡处理,以获得第二医学图像数据包括:采用限制对比度自适应直方图均衡算法对所述第一医学图像数据进行直方图均衡处理,以获得所述第二医学图像数据。
在本发明的一可选实施例中,所述根据所有波峰或波谷的像素值来确定所述第一医学图像数据中各所述组织器官的窗位和窗宽包括:
根据所有波峰或波谷的像素值来确定所述第一医学图像数据中各所述组织器官的窗位,每个所述组织器官的窗位对应一波峰或波谷的像素值;
根据每个所述组织器官的窗位所对应的波峰或波谷与相邻两个波峰或波谷的像素值差值来确定每个所述组织器官的窗宽。
在本发明的一可选实施例中,所述根据每个所述组织器官的窗位所对应的波峰或波谷与相邻两个波峰或波谷的像素值差值来确定每个所述组织器官的窗宽中,将每个所述组织器官的窗位所对应的波峰或波谷与相邻两个波峰或波谷的像素值差值中的一个作为对应所述组织器官的窗宽。
为实现上述目的及其他相关目的,本发明提供一种医学图像处理装置,包括:
数据获取模块,用于获取第一医学图像数据,所述第一医学图像数据为X光医学图像数据;
均衡处理模块,用于对所述第一医学图像数据进行直方图均衡处理,以获得第二医学图像数据;
曲线绘制模块,用于对所述第二医学图像数据的像素值分布进行统计,并根据统计结果绘制所述第二医学图像数据的像素值分布曲线图;
波峰波谷寻找模块,用于找出所述像素值分布曲线图中的所有波峰或波谷,并记录所有波峰或波谷的像素值,其中,所述医学图像数据中的一个组织器官与所述像素值分布曲线图中的一个波峰或波谷相对应;
窗位窗宽确定模块,用于根据所有波峰或波谷的像素值来确定所述第一医学图像数据中各组织器官的窗位和窗宽;
像素映射模块,用于分别选取三个组织器官,并将所述第二医学图像数据中的三个选取的所述组织器官对应的窗位窗宽范围内的像素值映射到预设像素范围,以获取三个灰度像素矩阵;
图像合成模块,用于将三个所述灰度像素矩阵作为三个通道合成RGB图像。
本发明的医学图像处理方法及装置,通过获取第一医学图像数据,所述第一医学图像数据为X光医学图像数据;对所述第一医学图像数据进行直方图均衡处理,以获得第二医学图像数据;对所述第二医学图像数据的像素值分布进行统计,并根据统计结果绘制所述第二医学图像数据的像素值分布曲线图;找出所述像素值分布曲线图中的所有波峰或波谷,并记录所有波峰或波谷的像素值;根据所有波峰或波谷的像素值来确定所述第一医学图像数据中各组织器官的窗位和窗宽;分别选取三个组织器官,并将所述第二医学图像数据中的三个选取的所述组织器官对应的窗位窗宽范围内的像素值映射到预设像素范围,以获取三个灰度像素矩阵;将三个所述灰度像素矩阵作为三个通道合成RGB图像,从而可以对第一医学图像数据的组织器官进行增强,提升神经网路模型的对医学图像的分类效果、疾病检测能力和图像分割能力。
附图说明
图1显示为本发明的医学图像处理方法的流程示意图。
图2显示为本发明的医学图像处理装置的功能模块图。
图3显示为胸片DICOM图像的原图。
图4显示为对胸片DICOM图像的原图进行直方图均衡处理后的图像。
图5显示为直方图均衡处理后的图像的像素值分布曲线图,其中,横坐标为像素值,纵坐标为像素个数,灰色的点为原始数据点,黑色实线为拟合后的像素值分布曲线,星星符号表示波峰。
图6a-6c分别显示为将直方图均衡处理后的图像中的肺部、肝部及骨骼对应的窗位窗宽范围内的像素值映射到0到255形成的三个灰度像素矩阵所对应的图片。
图7为将直方图均衡处理后的图像中的肺部、肝部及骨骼对应的窗位窗宽范围内的像素值映射到0到255后作为三个通道合成的RGB图片。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1-7。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图1所示,图1示出了本发明的医学图像处理方法的较佳实施例的流程图。本发明的实施例提供的医学图像处理方法,可应用于医学图像预处理领域。通过对X光图像做窗宽窗位的选取和处理,对医学图像进行增强从而丰富图像信息,从而有助于后续对医学图像处理和理解等方面的研究。包括如下步骤:
S10:获取第一医学图像数据。
具体地,获取第一医学图像数据中,所述第一医学图像数据为X光医学图像数据,譬如胸片X光DICOM图像、颅部X光DICOM图像、腰椎X光DICOM图像、颈椎X光DICOM图像等等X光医学图像DICOM文件中的一种,获取到所述第一医学图像数据后可从中提取出像素矩阵和标签tag。
S20:对所述第一医学图像数据进行直方图均衡处理,以获得第二医学图像数据。通过对所述第一医学图像数据进行直方图均衡处理,将原图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布,可以让灰度数据的分布不至于密集,得到一副增强后的图像。
直方图均衡化是一种简单有效的图像增强技术,通过改变图像的直方图来改变图像中各像素的灰度,主要用于增强动态范围偏小的图像的对比度。原始图像由于其灰度分布可能集中在较窄的区间,造成图像不够清晰。例如,过曝光图像的灰度级集中在高亮度范围内,而曝光不足将使图像灰度级集中在低亮度范围内。采用直方图均衡化,可以把原始图像的直方图变换为均匀分布(均衡)的形式,这样就增加了像素之间灰度值差别的动态范围,从而达到增强图像整体对比度的效果。
具体地,可采用限制对比度自适应直方图均衡算法(Contrast Limited AdaptiveHistogram Equalization,CLAHE)对所述第一医学图像数据进行直方图均衡处理,以获得所述第二医学图像数据。
S30:对所述第二医学图像数据的像素值分布进行统计,并根据统计结果绘制所述第二医学图像数据的像素值分布曲线图,所述像素值分布曲线图可为像素值-个数分布曲线图或像素值-频率分布曲线图。
步骤S30进一步包括:
对所述第二医学图像数据进行像素值分布进行统计,并根据统计结果绘制像素值分布散点图或像素值分布折线图;
对所述像素值分布散点图或所述像素值分布折线图进行拟合处理,以得到所述第二医学图像数据的像素值分布曲线图。
具体地,例如可采用滑动平均滤波法、Savitzky-Golay滤波拟合法或插值法对所述像素值分布散点图或所述像素值分布折线图进行拟合处理,以得到所述第二医学图像数据的像素值分布曲线图,通过拟合处理,可以对像素值分布曲线进行平滑,去除一些对波峰或波谷有干扰的点,从而便于步骤S50中找所述像素值分布曲线图中的波峰或波谷时,忽略相对较为平缓的波峰或波谷。
其中,Savitzky-Golay平滑滤波拟合法,是一种基于多项式,通过移动窗口利用最小二乘法进行最佳拟合的方法。滑动平均滤波法(又称递推平均滤波法),是把连续取N个采样值看成一个队列,队列的长度固定为N ,每次采样到一个新数据放入队尾,并扔掉原来队首的一次数据 (先进先出原则)把队列中的N个数据进行算术平均运算,就可获得新的滤波结果。
S40:找出所述像素值分布曲线图中的所有波峰或波谷,并记录所有波峰或波谷的像素值,其中,所述医学图像数据中的一个组织器官与所述像素值分布曲线图中的一个波峰或波谷对应。具体地,可利用软件中的寻峰函数,例如Python中的signal.find_peaks()函数或者Matlab中的findpeaks()函数来找出所述像素值分布曲线图中的所有波峰或所有波谷(只能选择其一),并记录所有波峰或波谷的像素值,每个波峰或波谷的像素值对应背景或一个组织器官的窗位。
S50:根据所有波峰或波谷的像素值来确定所述第一医学图像数据中各组织器官的窗位和窗宽。
步骤S50进一步包括:
根据所有波峰或波谷的像素值来确定所述第一医学图像数据中各所述组织器官的窗位,每个所述组织器官的窗位对应一波峰或波谷的像素值;
根据每个所述组织器官的窗位所对应的波峰或波谷与相邻两个波峰或波谷的像素值差值来确定每个所述组织器官的窗宽。
所述根据每个所述组织器官的窗位所对应的波峰或波谷与相邻两个波峰或波谷的像素值差值来确定每个所述组织器官的窗宽中,将每个所述组织器官的窗位所对应的波峰或波谷与相邻两个波峰或波谷的像素值差值中的一个作为对应所述组织器官的窗宽,也就是说,可以将每个所述组织器官的窗位所对应的波峰或波谷与相邻两个波峰或波谷的像素值差值中的较小的一个或者较大的一个作为对应所述组织器官的窗宽。
可以理解的是,在一实施例中,所述根据每个所述组织器官的窗位所对应的波峰或波谷与相邻两个波峰或波谷的像素值差值来确定每个所述组织器官的窗宽中,也可将每个所述组织器官的窗位所对应的波峰或波谷与相邻两个波峰或波谷的像素值差值中的一个乘以比例系数作为对应所述组织器官的窗宽,该比例系统介于0.5-1之间,例如0.5、0.6、0.7、0.8、0.9、0.1。也就是说,可以将每个所述组织器官的窗位所对应的波峰或波谷与相邻两个波峰或波谷的像素值差值中的较小的一个或者较大的一个乘以比例系数作为对应所述组织器官的窗宽。
可以理解的是,在另一实施例中,所述根据每个所述组织器官的窗位所对应的波峰或波谷与相邻两个波峰或波谷的像素值差值来确定每个所述组织器官的窗宽中,也可将每个所述组织器官的窗位所对应的波峰或波谷与相邻两个波峰或波谷的像素值差值之和的一半作为对应所述组织器官的窗宽。
可以理解的是,在又一实施例中,所述根据每个所述组织器官的窗位所对应的波峰或波谷与相邻两个波峰或波谷的像素值差值来确定每个所述组织器官的窗宽中,也可将与每个所述组织器官的窗位所对应的波峰或波谷与相邻两个波峰或波谷的像素值差值中的一个最接近的2n作为对应所述组织器官的窗宽。
S60:选取三个组织器官,并将所述第二医学图像数据中的三个选取的所述组织器官对应的窗位窗宽范围内的像素值线性映射(当然也可以采用非线性映射)到预设像素范围,以获取三个灰度像素矩阵。
其中,在步骤S60中,三个选取的所述组织器官为同一组织器官或者三个需要增强的所述组织器官中至少两个为不同的组织器官。所述预设像素范围与步骤S70中合成的RGB图像的位数相关,当RGB图像为8位时,所述预设像素范围为0至255,当RGB图像为10位时,所述预设像素范围为0至1023。
步骤S70:将三个所述灰度像素矩阵作为三个通道合成RGB图像。合成的RGB图形可以作为图像分类、疾病检测和图像分割等神经网路模型的输入。
需要说明的是,在本申请中,可以根据先验知识确定每个波峰或波谷所对应的组织器官的具体名称,从而可以根据需要增强的组织器官来进行组织器官的选取,使合成的RGB图像对选取的需要增强的组织器官进行增强处理。
上述的医学图像处理方法,通过获取第一医学图像数据;对所述第一医学图像数据进行直方图均衡处理,以获得第二医学图像数据;对所述第二医学图像数据的像素值分布进行统计,并根据统计结果绘制所述第二医学图像数据的像素值分布曲线图;找出所述像素值分布曲线图中的所有波峰或波谷,并记录所有波峰或波谷的像素值;根据所有波峰或波谷的像素值来确定所述第一医学图像数据中各组织器官的窗位和窗宽;分别将所述第二医学图像数据中三个需要增强的所述组织器官对应的窗位窗宽范围内的像素值映射到预设像素范围,以获取三个灰度像素矩阵;将三个所述灰度像素矩阵作为三个通道合成RGB图像,从而可以对第一医学图像数据中的组织器官进行增强,提升神经网路模型的对医学图像的分类效果、疾病检测能力和图像分割能力。
如图2所示,图2示出了本发明的医学图像处理装置的较佳实施例的功能模块图。所述医学图像处理装置包括数据获取模块111、均衡处理模块112、曲线绘制模块113、波峰波谷寻找模块114、窗位窗宽确定模块115、像素映射模块116及图像合成模块117。
所述数据获取模块111用于获取第一医学图像数据;所述均衡处理模块112用于对所述第一医学图像数据进行直方图均衡处理,以获得第二医学图像数据;所述曲线绘制模块113用于对所述第二医学图像数据的像素值分布进行统计,并根据统计结果绘制所述第二医学图像数据的像素值分布曲线图;所述波峰波谷寻找模块114用于找出所述像素值分布曲线图中的所有波峰或波谷,并记录所有波峰或波谷的像素值;所述窗位窗宽确定模块115用于根据所有波峰或波谷的像素值来确定所述第一医学图像数据中各组织器官的窗位和窗宽;所述像素映射模块116用于分别选取三个组织器官,并将所述第二医学图像数据中的三个选取的所述组织器官对应的窗位窗宽范围内的像素值映射到预设像素范围,以获取三个灰度像素矩阵;所述图像合成模块117用于将三个所述灰度像素矩阵作为三个通道合成RGB图像。
需要说明的是,本发明的医学图像处理装置11是与上述医学图像处理方法相对应的虚拟装置,医学图像处理装置11中的功能模块分别对应医学图像处理方法中的相应步骤。本发明的医学图像处理装置11可与医学图像处理方法相互相配合实施。本发明的医学图像处理方法中提到的相关技术细节在医学图像处理装置11中依然有效,为了减少重复,这里不再赘述。相应地,本发明的医学图像处理装置11中提到的相关技术细节也可应用在上述医学图像处理方法中。
需要说明的是,上述的各功能模块实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的部分或全部步骤,或以上的各功能模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
下面将结合一具体实例中对胸片DICOM图像的肺部、肝部和骨骼等组织器官进行增强处理流程来对医学图像处理方法进行详细说明。具体步骤如下:
步骤1:获取医学图像DICOM文件(作为第一医学图像数据),提取其中的tag和像素矩阵,该医学图像DICOM文件为胸片DICOM图像,原图如图3所示。
步骤2:例如可采用Python中cv2.createCLAHE()函数来对原图先做直方图增强,将原图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布,可以让灰度,让灰度数据的分布不至于密集,并将像素矩阵压缩到原图的像素范围。直方图均衡后的图像如图4所示。
步骤3:统计直方图均衡后的图像的像素值及其对应的像素点个数,并绘制成折线图,利用Python中np.convolve()函数对折线图进行拟合和平滑,去除一些对波峰(波谷)有干扰的点,得到像素值分布曲线图,如图5所示,从而便于步骤后续寻找所述像素值分布曲线图中的波峰或波谷时,忽略相对较为平缓的波峰或波谷,其中,图5中灰色的点为原始数据点,黑色实线为拟合后的像素值分布曲线。
步骤4:可利用Python中的signal.find_peaks()函数来找出所述像素值分布曲线图中的所有波峰(将像素值分布曲线关于横轴做对称变换时,此处就是找所有波谷),并记录所有波峰的像素值记录曲线上波峰对应的像素值,这些波峰像素值将分别作为背景及各个组织器官的窗位。如图5所示,通过Python中的signal.find_peaks()函数可以在像素值分布曲线图中找出四个波峰(图5中星星符号表示),波峰所对应的像素值分别是90,5300,11650,13550,其中,可以根据先验知识确定第一个代表背景,第2至第四个依次为肺部、肝脏和骨骼(脊椎)所对应的窗位。
步骤5:在波峰的周围选取一个适当的窗宽,作为对应窗位的组织器官的窗宽。具体可将每个所述组织器官的窗位所对应的波峰与相邻两个波峰的像素值差值的较小的一个(当然也可以是较大的一个)来确定每个所述组织器官的窗宽。以肺部区域为例,肺部区域的窗位为5300,肺部区域的窗位所对应的波峰的像素值为与相邻两个波峰的像素值之差分别是5210和6350,因此可以以5210作为肺部区域的窗宽;同样的方法可获得肝部区域的窗位窗宽分别是11650和1900,骨骼区域的窗位窗宽分别是13550和1900。
步骤6:分别将直方图均衡后的图像中肺部区域、肝部区域及骨骼(脊椎)区域的窗位窗宽的范围内的像素值线性映射到预设0到255,以获取三个灰度像素矩阵。图6a-6c分别为将三个灰度像素矩阵以灰度图像的方式显示后的图像,从图中可以看出,图6a-6c分别对肺部区域、肝部区域及骨骼(脊椎)区域进行了增强。
步骤7:将三个灰度像素矩阵分别作为各个通道,合成RGB图像,得到增强后的8位RGB彩色图像,如图7所示。当然,三个灰度像素矩阵中的两个可以相同或者三个可以相同,也即三个灰度像素矩阵中的两个或者三个为直方图均衡后的图像中同一组织器官的窗位窗宽的范围内的像素值线性映射到预设0到255的值。
为了验证合成RGB图像对二分类模型的影响,对于同一医学影像数据集,先直接将原有图像全部像素范围值映射到0到255,三个通道采用同一个像素矩阵合成RGB图像(定义为全局RGB图像),构成全局图像集,这是传统对医学图像做二分类时所采用的输入。然后对大量数据进行上述实施例描述的图像处理方法获得的RGB图(定义为改进RGB图像),形成对器官增强后的增强数据集。使用同样的二分类模型,对两个图像集做二分类,查看训练出来的二分类模型的分类效果。表1示出了二分类模型分别对全局图像集和增强数据集的分类效果对比。
表1. 二分类模型分别对全局图像集和增强数据集的分类效果对比
从表1可以看出,对于同一医学影像数据集,采用本实施例的图像处理方法获得的RGB图,其对肺部纹理的二分类效果有较明显的提升。
当然,合成的RGB图像也可作为疾病检测和图像分割等神经网路模型的输入,用来进行疾病检测和图像分割。
综上所述,本发明的医学图像处理方法及装置,通过获取第一医学图像数据;对所述第一医学图像数据进行直方图均衡处理,以获得第二医学图像数据;对所述第二医学图像数据的像素值分布进行统计,并根据统计结果绘制所述第二医学图像数据的像素值分布曲线图;找出所述像素值分布曲线图中的所有波峰或波谷,并记录所有波峰或波谷的像素值;根据所有波峰或波谷的像素值来确定所述第一医学图像数据中各组织器官的窗位和窗宽;分别将所述第二医学图像数据中三个需要增强的所述组织器官对应的窗位窗宽范围内的像素值映射到预设像素范围,以获取三个灰度像素矩阵;将三个所述灰度像素矩阵作为三个通道合成RGB图像,从而可以对第一医学图像数据的组织器官进行增强,提升神经网路模型的对医学图像的分类效果、疾病检测能力和图像分割能力。
在本文的描述中,提供了许多特定细节,诸如部件和/或方法的实例,以提供对本发明实施例的完全理解。然而,本领域技术人员将认识到可以在没有一项或多项具体细节的情况下或通过其他设备、系统、组件、方法、部件、材料、零件等等来实践本发明的实施例。在其他情况下,未具体示出或详细描述公知的结构、材料或操作,以避免使本发明实施例的方面变模糊。
还应当理解还可以以更分离或更整合的方式实施附图所示元件中的一个或多个,或者甚至因为在某些情况下不能操作而被移除或因为可以根据特定应用是有用的而被提供。
另外,除非另外明确指明,附图中的任何标志箭头应当仅被视为示例性的,而并非限制。此外,除非另外指明,本文所用的术语“或”一般意在表示“和/或”。在术语因提供分离或组合能力是不清楚的而被预见的情况下,部件或步骤的组合也将视为已被指明。
本发明所示实施例的上述描述(包括在说明书摘要中所述的内容)并非意在详尽列举或将本发明限制到本文所公开的精确形式。尽管在本文仅为说明的目的而描述了本发明的具体实施例和本发明的实例,但是正如本领域技术人员将认识和理解的,各种等效修改是可以在本发明的精神和范围内的。如所指出的,可以按照本发明所述实施例的上述描述来对本发明进行这些修改,并且这些修改将在本发明的精神和范围内。
本文已经在总体上将系统和方法描述为有助于理解本发明的细节。此外,已经给出了各种具体细节以提供本发明实施例的总体理解。然而,相关领域的技术人员将会认识到,本发明的实施例可以在没有一个或多个具体细节的情况下进行实践,或者利用其它装置、系统、配件、方法、组件、材料、部分等进行实践。在其它情况下,并未特别示出或详细描述公知结构、材料和/或操作以避免对本发明实施例的各方面造成混淆。
因而,尽管本发明在本文已参照其具体实施例进行描述,但是修改自由、各种改变和替换亦在上述公开内,并且应当理解,在某些情况下,在未背离所提出发明的范围和精神的前提下,在没有对应使用其他特征的情况下将采用本发明的一些特征。因此,可以进行许多修改,以使特定环境或材料适应本发明的实质范围和精神。本发明并非意在限制到在下面权利要求书中使用的特定术语和/或作为设想用以执行本发明的最佳方式公开的具体实施例,但是本发明将包括落入所附权利要求书范围内的任何和所有实施例及等同物。因而,本发明的范围将只由所附的权利要求书进行确定。
Claims (9)
1.一种医学图像处理方法,其特征在于,包括:
获取第一医学图像数据,所述第一医学图像数据为X光医学图像数据;
对所述第一医学图像数据进行直方图均衡处理,以获得第二医学图像数据;
对所述第二医学图像数据的像素值分布进行统计,并根据统计结果绘制所述第二医学图像数据的像素值分布曲线图;
找出所述像素值分布曲线图中的所有波峰或波谷,并记录所有波峰或波谷的像素值,其中,所述医学图像数据中的一个组织器官与所述像素值分布曲线图中的一个波峰或波谷相对应;
根据所有波峰或波谷的像素值来确定所述第一医学图像数据中各组织器官的窗位和窗宽;
分别选取三个组织器官,并将所述第二医学图像数据中的三个选取的所述组织器官对应的窗位窗宽范围内的像素值映射到预设像素范围,以获取三个灰度像素矩阵;
将三个所述灰度像素矩阵作为三个通道合成RGB图像。
2.根据权利要求1所述的医学图像处理方法,其特征在于,所述分别选取三个组织器官,并将所述第二医学图像数据中的三个选取的所述组织器官对应的窗位窗宽范围内的像素值映射到预设像素范围,以获取三个灰度像素矩阵中,三个选取的所述组织器官中至少两个为不同的组织器官。
3.根据权利要求1所述的医学图像处理方法,其特征在于,所述分别选取三个组织器官,并将所述第二医学图像数据中的三个选取的所述组织器官对应的窗位窗宽范围内的像素值映射到预设像素范围,以获取三个灰度像素矩阵中,三个选取的所述组织器官为同一组织器官。
4.根据权利要求1所述的医学图像处理方法,其特征在于,所述对所述第二医学图像数据的像素值分布进行统计,并根据统计结果绘制所述第二医学图像数据的像素值分布曲线图中,所述像素值分布曲线图为像素值-个数分布曲线图或像素值-频率分布曲线图。
5.根据权利要求1所述的医学图像处理方法,其特征在于,所述对所述第二医学图像数据的像素值分布进行统计,并根据统计结果绘制所述第二医学图像数据的像素值分布曲线图包括:
对所述第二医学图像数据进行像素值分布进行统计,并根据统计结果绘制像素值分布散点图或像素值分布折线图;
对所述像素值分布散点图或所述像素值分布折线图进行拟合处理,以得到所述第二医学图像数据的像素值分布曲线图。
6.根据权利要求1所述的医学图像处理方法,其特征在于,对所述第一医学图像数据进行直方图均衡处理,以获得第二医学图像数据包括:采用限制对比度自适应直方图均衡算法对所述第一医学图像数据进行直方图均衡处理,以获得所述第二医学图像数据。
7.根据权利要求1所述的医学图像处理方法,其特征在于,所述根据所有波峰或波谷的像素值来确定所述第一医学图像数据中各所述组织器官的窗位和窗宽包括:
根据所有波峰或波谷的像素值来确定所述第一医学图像数据中各所述组织器官的窗位,每个组织器官的窗位对应一波峰或波谷的像素值;
根据每个所述组织器官的窗位所对应的波峰或波谷与相邻两个波峰或波谷的像素值差值来确定每个所述组织器官的窗宽。
8.根据权利要求7所述的医学图像处理方法,其特征在于,所述根据每个所述组织器官的窗位所对应的波峰或波谷与相邻两个波峰或波谷的像素值差值来确定每个所述组织器官的窗宽中,将每个所述组织器官的窗位所对应的波峰或波谷与相邻两个波峰或波谷的像素值差值中的一个作为对应所述组织器官的窗宽。
9.一种医学图像处理装置,其特征在于,所述医学图像处理装置包括:
数据获取模块,用于获取第一医学图像数据,所述第一医学图像数据为X光医学图像数据;
均衡处理模块,用于对所述第一医学图像数据进行直方图均衡处理,以获得第二医学图像数据;
曲线绘制模块,用于对所述第二医学图像数据的像素值分布进行统计,并根据统计结果绘制所述第二医学图像数据的像素值分布曲线图;
波峰波谷寻找模块,用于找出所述像素值分布曲线图中的所有波峰或波谷,并记录所有波峰或波谷的像素值,其中,所述医学图像数据中的一个组织器官与所述像素值分布曲线图中的一个波峰或波谷相对应;
窗位窗宽确定模块,用于根据所有波峰或波谷的像素值来确定所述第一医学图像数据中各组织器官的窗位和窗宽;
像素映射模块,用于分别选取三个组织器官,并将所述第二医学图像数据中的三个选取的所述组织器官对应的窗位窗宽范围内的像素值映射到预设像素范围,以获取三个灰度像素矩阵;
图像合成模块,用于将三个所述灰度像素矩阵作为三个通道合成RGB图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210254859.XA CN114332255B (zh) | 2022-03-16 | 2022-03-16 | 一种医学图像处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210254859.XA CN114332255B (zh) | 2022-03-16 | 2022-03-16 | 一种医学图像处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114332255A CN114332255A (zh) | 2022-04-12 |
CN114332255B true CN114332255B (zh) | 2022-05-20 |
Family
ID=81033324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210254859.XA Active CN114332255B (zh) | 2022-03-16 | 2022-03-16 | 一种医学图像处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332255B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115457039B (zh) * | 2022-11-14 | 2023-04-07 | 北京精诊医疗科技有限公司 | 一种用于hcc多期相数据的窗宽窗位自适应调节方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488765A (zh) * | 2015-11-23 | 2016-04-13 | 沈阳东软医疗系统有限公司 | 一种图像动态范围调整方法及装置 |
CN107766829A (zh) * | 2017-10-27 | 2018-03-06 | 浙江大华技术股份有限公司 | 一种物品检测的方法和设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682424A (zh) * | 2016-12-28 | 2017-05-17 | 上海联影医疗科技有限公司 | 医学图像的调节方法及其系统 |
-
2022
- 2022-03-16 CN CN202210254859.XA patent/CN114332255B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488765A (zh) * | 2015-11-23 | 2016-04-13 | 沈阳东软医疗系统有限公司 | 一种图像动态范围调整方法及装置 |
CN107766829A (zh) * | 2017-10-27 | 2018-03-06 | 浙江大华技术股份有限公司 | 一种物品检测的方法和设备 |
Non-Patent Citations (2)
Title |
---|
《A hybrid image enhancement based brain MRI images classification technique》;Zahid Ullah等;《Medical Hypotheses》;20201031;全文 * |
《X光安检图像多尺度违禁品检测》;张友康 等;《信号处理》;20200731;第36卷(第7期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114332255A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978037B (zh) | 图像处理方法、模型训练方法、装置、和存储介质 | |
US10997701B1 (en) | System and method for digital image intensity correction | |
Analoui | Radiographic image enhancement. Part I: spatial domain techniques | |
Paranjape et al. | Adaptive-neighborhood histogram equalization for image enhancement | |
US20150287188A1 (en) | Organ-specific image display | |
US20100266189A1 (en) | Multi-scale image normalization and enhancement | |
Deligiannidis et al. | Emerging trends in image processing, computer vision and pattern recognition | |
JPH10508727A (ja) | 空間ヒストグラム解析によるコントラスト強調 | |
CN114529475B (zh) | 基于二维伽马校正和色调映射的图像增强方法及系统 | |
WO2004075535A1 (en) | Method of and device for modulating a dynamic range of still and video images | |
CN110610498A (zh) | 乳腺钼靶图像处理方法、系统、存储介质及设备 | |
CN104574284A (zh) | 一种数字x射线图像对比度增强处理方法 | |
Bhairannawar | Efficient medical image enhancement technique using transform HSV space and adaptive histogram equalization | |
CN114693682B (zh) | 一种基于图像处理的脊椎特征识别方法 | |
CN114332255B (zh) | 一种医学图像处理方法及装置 | |
US20090238421A1 (en) | Image normalization for computer-aided detection, review and diagnosis | |
CN114972067A (zh) | 一种x光小牙片图像增强方法 | |
CN112562829B (zh) | 一种自适应生成dicom影像默认窗宽窗位的方法 | |
Rao et al. | An effective ct medical image enhancement system based on dt-cwt and adaptable morphology | |
Kalhor et al. | Assessment of histogram-based medical image contrast enhancement techniques; an implementation | |
CN111507912A (zh) | 乳腺图像增强方法、装置及计算机可读存储介质 | |
Mekle et al. | Evaluation of a multiscale enhancement protocol for digital mammography | |
Kumar et al. | Automatic tissue attenuation-based contrast enhancement of low-dynamic X-Ray images | |
Li et al. | Medical image enhancement in F-shift transformation domain | |
Radhika et al. | Medical image enhancement: a review |
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 |