CN114648530A - 一种ct图像处理方法 - Google Patents

一种ct图像处理方法 Download PDF

Info

Publication number
CN114648530A
CN114648530A CN202210546298.0A CN202210546298A CN114648530A CN 114648530 A CN114648530 A CN 114648530A CN 202210546298 A CN202210546298 A CN 202210546298A CN 114648530 A CN114648530 A CN 114648530A
Authority
CN
China
Prior art keywords
image
sub
target block
block
gray
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.)
Granted
Application number
CN202210546298.0A
Other languages
English (en)
Other versions
CN114648530B (zh
Inventor
李晓双
王晓莉
徐肖芹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Weifang Medical University
Original Assignee
Weifang Medical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Weifang Medical University filed Critical Weifang Medical University
Priority to CN202210546298.0A priority Critical patent/CN114648530B/zh
Publication of CN114648530A publication Critical patent/CN114648530A/zh
Application granted granted Critical
Publication of CN114648530B publication Critical patent/CN114648530B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种CT图像处理方法。该方法包括：获取待检测患者的脑部的灰度图像；基于灰度图像中像素点的混乱程度将该灰度图像划分为多个子块；基于每个子块中的梯度信息得到像素点的标记分割阈值，通过标记分割阈值将对应子块中的像素点分为处理点和保留点，基于每个子块内的处理点获取子块的丰富度；根据每个子块的丰富度将子块分为合适子块、合并子块以及拆分子块，对所有合并子块以及拆分子块进行拆分合并操作更新为合适子块；基于所有的合适子块进行均衡化增强得到增强图像；基于增强图像分割脑部的尾状核区域，提高了图像的质量，增加了对图像分析的准确性。

Description

一种CT图像处理方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种CT图像处理方法。
背景技术
帕金森病（Parkinson Disease，PD）又称震颤性麻痹，是一种常见的中老年神经系统变性疾病，主要表现为运动迟缓、肌僵直、静止性震颤和姿势步态异常等。病理变化主要在黑质、纹状体、苍白球、尾状核以及大脑皮质等处，一般的CT影像表现除具有普遍性脑萎缩外，有时可见基底节钙化。
目前对于帕金森病PD的诊断主要是依赖于PD患者的临床症状，由医生根据经验进行判断，但是该方法的诊断使得医生的工作量较大，诊断结果也容易受主观因素影响；随着信息技术的发展，医学影像的诊断由传统的解剖结构诊断上升到功能与分子影像诊断水平，在疾病诊治等方面取得重大进展，但CT影像通常存在伪影，并且CT影像中的各部分的灰度值相近，脑组织之间的对比度低，在对尾状核进行分割时难以获取准确的尾状核图像，导致后续计算得到的尾状核面积存在偏差。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种CT图像处理方法，该方法包括以下步骤：
获取待检测患者的脑部CT图像，根据所述脑部CT图像获取脑部区域的脑部目标图像，对所述脑部目标图像进行灰度化得到灰度图像；
以所述灰度图像中任意像素点构建窗口，计算所述窗口内的混乱程度赋予所述像素点；根据所述灰度图像中所有像素点的混乱程度得到混乱图像，计算所述混乱图像的偏度，基于所述偏度将所述灰度图像划分为多个子块；
以所述灰度图像中任意子块为目标块，获取所述目标块中每个像素点的梯度幅值以及所述目标块的梯度幅值均值；基于所述目标块中所有像素点的梯度幅值与所述目标块的梯度幅值均值得到标记分割阈值；所述目标块中灰度值大于所述标记分割阈值的像素点为保留点，所述目标块中灰度值小于所述标记分割阈值的像素点为处理点；
获取每个子块中的处理点，基于每个子块中的处理点获取所述子块的丰富度；根据每个所述子块的丰富度对子块进行分类得到合适子块、合并子块以及拆分子块，对所有所述合并子块以及所述拆分子块进行拆分合并操作更新为合适子块；将所有所述合适子块中的处理点进行增强从而得到增强后的增强图像；
基于所述增强图像对所述待检测患者的脑部的尾状核区域进行分割，得到所述尾状核区域。
优选的，所述计算所述窗口内的混乱程度赋予所述像素点的步骤，包括：
获取所述窗口内所有像素点的灰度均值，基于所述窗口内每个所述像素点的灰度值与所述灰度均值之间的差异得到所述混乱程度，所述混乱程度赋值于所述窗口的中心点。
优选的，所述计算所述混乱图像的偏度的步骤，包括：
构建所述混乱图像的混乱直方图，基于所述混乱直方图得到每个所述混乱程度出现的概率，基于所述概率获取计算所述混乱图像的偏度为：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE003
表示混乱图像的偏度；
Figure 100002_DEST_PATH_IMAGE004
表示混乱图像中所有像素点的数量；
Figure 100002_DEST_PATH_IMAGE005
表示混乱直方图中第
Figure 100002_DEST_PATH_IMAGE006
个混乱程度对应的频率。
优选的，所述基于所述偏度将所述灰度图像划分为多个子块的步骤，包括：
基于大数据获取常用分块尺寸为初始尺寸，当所述混乱图像的偏度小于0时，将所述初始尺寸调大；当所述混乱图像的偏度大于0时，将所述初始尺寸调小；基于最终确定的尺寸将所述灰度图像均分为多个子块。
优选的，所述基于所述目标块中所有像素点的梯度幅值与所述目标块的梯度幅值均值得到标记分割阈值的步骤，包括：
基于所述目标块中所有像素点的梯度幅值与所述目标块的梯度幅值均值得到所述目标块的阈值关联系数为：
Figure 100002_DEST_PATH_IMAGE008
其中，
Figure 100002_DEST_PATH_IMAGE009
表示阈值关联系数；
Figure 100002_DEST_PATH_IMAGE010
表示第
Figure 795220DEST_PATH_IMAGE006
个像素点的梯度幅值；
Figure 100002_DEST_PATH_IMAGE011
表示该目标块对应的梯度幅值均值；
Figure 100002_DEST_PATH_IMAGE012
表示该目标块的尺寸；
Figure 100002_DEST_PATH_IMAGE013
表示超参数；
Figure 100002_DEST_PATH_IMAGE014
表示自然常数；
基于所述目标块的阈值关联系数得到所述目标块的标记分割阈值。
优选的，所述基于所述目标块的阈值关联系数得到所述目标块的标记分割阈值的步骤，包括：
所述标记分割阈值的计算方法为：
Figure 100002_DEST_PATH_IMAGE016
其中，
Figure 100002_DEST_PATH_IMAGE017
表示标记分割阈值；
Figure 34702DEST_PATH_IMAGE011
表示该目标块对应的梯度幅值均值；
Figure 302872DEST_PATH_IMAGE009
表示阈值关联系数；
Figure 100002_DEST_PATH_IMAGE018
表示该目标块中像素点的梯度幅值的最大值。
优选的，所述基于所述目标块中所有像素点的梯度幅值与所述目标块的梯度幅值均值得到标记分割阈值的步骤，还包括：
基于所述目标块与其邻域子块得到所述目标块的标记分割阈值的修正必要性，当所述修正必要性大于预设阈值时，对所述目标块的标记分割阈值进行修正；
所述修正必要性的计算方法为：
Figure 100002_DEST_PATH_IMAGE020
其中，
Figure 100002_DEST_PATH_IMAGE021
表示目标块标记分割阈值的修正必要性；
Figure 100002_DEST_PATH_IMAGE022
表示目标块对应的第
Figure 100002_DEST_PATH_IMAGE023
个邻域子块的标记分割阈值；
Figure 100002_DEST_PATH_IMAGE024
表示目标块对应的第
Figure 100002_DEST_PATH_IMAGE025
个邻域子块的标记分割阈值；
Figure 100002_DEST_PATH_IMAGE026
表示超参数；
Figure 246164DEST_PATH_IMAGE014
表示自然常数。
优选的，所述对所述目标块的标记分割阈值进行修正的步骤，包括：
获取所述目标块的对比子块，根据所述对比子块对所述目标块的标记分割阈值进行修正的计算为：
Figure 100002_DEST_PATH_IMAGE028
其中，
Figure 100002_DEST_PATH_IMAGE029
表示目标块修正后的标记分割阈值；
Figure 100002_DEST_PATH_IMAGE030
表示对比子块的梯度幅值均值；
Figure 100002_DEST_PATH_IMAGE031
表示对比子块中所有像素点的梯度幅值的最大值；
Figure 957899DEST_PATH_IMAGE010
表示第
Figure 730683DEST_PATH_IMAGE006
个像素点对应的梯度幅值；
Figure 432839DEST_PATH_IMAGE012
表示该目标块的尺寸；
Figure 607469DEST_PATH_IMAGE013
表示超参数。
优选的，所述基于每个子块中的处理点获取所述子块的丰富度的步骤，包括：
根据每个所述子块中的处理点获取所述子块对应的丰富度为：
Figure 100002_DEST_PATH_IMAGE033
其中，
Figure 100002_DEST_PATH_IMAGE034
表示子块对应的丰富度；
Figure 100002_DEST_PATH_IMAGE035
表示该子块内第
Figure 100002_DEST_PATH_IMAGE036
个灰度级出现的频数；
Figure 100002_DEST_PATH_IMAGE037
表示该子块内第
Figure 100002_DEST_PATH_IMAGE038
个灰度级出现的频数；
Figure 100002_DEST_PATH_IMAGE039
表示该子块中所有灰度级的数量；
Figure 100002_DEST_PATH_IMAGE040
表示该子块内第
Figure 99892DEST_PATH_IMAGE036
个灰度级出现的概率。
本发明具有如下有益效果：通过对待检测患者的灰度信息进行分块均衡化，并基于每个子块的梯度信息对所有像素点进行分类，避免均衡化过程中的吞噬效果；进一步根据分类后像素点构成的子块的丰富度对子块的大小进行调整，使得直方图均衡化后的效果更加显著，基于增强后的增强图像对待检测患者的脑部尾状核分析诊断，提高了对图像分析的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种CT图像处理的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种CT图像处理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本申请适用于对脑部CT图像的增强，通过对图像的灰度信息、梯度信息以及丰富度进行自适应的增强，从而得到效果更好的增强图像，基于增强图像进行后续的尾状核分析，提高了诊断的准确性。
下面结合附图具体的说明本发明所提供的一种CT图像处理方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种CT图像处理的方法流程图，该方法包括以下步骤：
步骤S100，获取待检测患者的脑部CT图像，根据脑部CT图像获取脑部区域的脑部目标图像，对脑部目标图像进行灰度化得到灰度图像。
具体的，在医院检查中获取待检测患者的脑部CT图像，由于在进行PD诊断时需要对脑部CT图像中的尾状核进行分割检测，但一般的脑部CT图像中往往存在待检测患者的脑部之外的背景区域，为了避免背景区域对后续分析的干扰，因此需要对背景区域进行去除。
本发明实施例中采用DNN网络检测脑部CT图像中的脑部图像，DNN网络的结构为编码器-解码器，训练集为各种各样的脑部CT图像，具体训练过程如下：
（1）DNN网络的输入为脑部CT图像；
（2）由专业人士对脑部CT图像进行标注，将属于待检测患者脑部区域对应的像素点标注为1，其他背景区域的像素点标注为0；
（3）损失函数采用交叉熵损失函数；
（4）DNN网络的输出为待检测患者的脑部图像。
进一步的，对该待检测患者的脑部图像进行灰度化处理得到对应的灰度图像，图像的灰度化为常用的算法，不再赘述。
步骤S200，以灰度图像中任意像素点构建窗口，计算窗口内的混乱程度赋予像素点；根据灰度图像中所有像素点的混乱程度得到混乱图像，计算混乱图像的偏度，基于偏度将灰度图像划分为多个子块。
由于脑组织对应图像的对比度较低，在对脑组织中尾状核进行分割时可能会导致分割的不准确，从而影响诊断，因此需要对脑部的灰度图像进行增强；传统对图像增强的方法如全局直方图均衡化不能很好的提升局部对比度，而利用局部直方图均衡化对图像进行增强时，虽然可以较好的提升图像局部对比度，但在很大程度上会造成块效应，从而影像图像的质量，对后续尾状核的分割仍然存在较大的影响。
为了尽量避免块效应带来的影响并且保留局部区域的细节信息，首先对待检测患者脑部的灰度图像进行分块处理，对每一个子块进行直方图均衡化；由大量历史均衡化的数据得到常用的分块尺寸作为灰度图像分块的初始尺寸，但是由于每个子块内像素点的灰度信息不同，可能会出现块效应更加严重的情况，因此需要根据像素点的灰度信息确定每个子块的大小。
具体的，选取该灰度图像中任意一个像素点构建窗口，该窗口由该像素点及其邻域像素点构成，窗口的边长为
Figure DEST_PATH_IMAGE041
，边长
Figure 766497DEST_PATH_IMAGE041
为奇数并且边长
Figure 376470DEST_PATH_IMAGE041
最小为3，具体窗口大小可由实施者自行设定；获取窗口内所有像素点的灰度均值，基于窗口内每个像素点的灰度值与灰度均值之间的差异得到混乱程度，混乱程度赋值于窗口的中心点。
基于该窗口内所有像素点的灰度值计算该窗口内灰度信息的混乱程度为：
Figure DEST_PATH_IMAGE043
其中，
Figure DEST_PATH_IMAGE044
表示该窗口内灰度信息的混乱程度；
Figure 12463DEST_PATH_IMAGE041
表示窗口的边长；
Figure DEST_PATH_IMAGE045
表示该窗口内第
Figure 456214DEST_PATH_IMAGE006
个像素点的灰度值；
Figure DEST_PATH_IMAGE046
表示该窗口内所有像素点的灰度均值。
以此类推，以该灰度图像中每个像素点为中心构建窗口得到窗口内的混乱程度，将每个窗口的混乱程度赋值给窗口中心的像素点，即每个像素点的像素值更新为以该像素点为中心的窗口的混乱程度，以此根据灰度图像中所有像素点对应的混乱程度得到混乱图像。
进一步的，构建该混乱图像的混乱直方图，该混乱直方图的构建方法与灰度直方图的构建方法一致，根据该混乱直方图计算该混乱图像的偏度为：
Figure DEST_PATH_IMAGE047
其中，
Figure 16639DEST_PATH_IMAGE003
表示混乱图像的偏度；
Figure 430303DEST_PATH_IMAGE004
表示混乱图像中所有像素点的数量；
Figure 189312DEST_PATH_IMAGE005
表示混乱直方图中第
Figure 663018DEST_PATH_IMAGE006
个混乱程度对应的频率。
当混乱图像的偏度为0时，表明该混乱图像对应的混乱直方图的分布较为均匀，即表明灰度图像中像素点的灰度分布是比较均匀的，则对灰度图像进行分块时即可按照初始尺寸将整张灰度图像进行均分。
当混乱图像的偏度小于0时，表明该混乱直方图为左偏，灰度图像中存在大量相似的灰度级，即灰度图像中的信息量比较单一，此时对灰度图像进行分块时，每个子块的尺寸应该相应调大，即此时子块的尺寸应该为：
Figure DEST_PATH_IMAGE048
；其中，
Figure DEST_PATH_IMAGE049
表示调整后的子块的尺寸；
Figure 179581DEST_PATH_IMAGE003
表示混乱图像的偏度，此时的
Figure 131357DEST_PATH_IMAGE003
为负数；
Figure DEST_PATH_IMAGE050
表示子块的初始尺寸；
Figure DEST_PATH_IMAGE051
表示取整。
当混乱图像的偏度大于0时，表明该混乱直方图为右偏，灰度图像中的信息量比较丰富，因此对该灰度图像进行子块划分时，应当将每个子块的尺寸相应调小，即此时子块的尺寸应该为：
Figure 945205DEST_PATH_IMAGE048
；其中，
Figure 589813DEST_PATH_IMAGE049
表示调整后的子块的尺寸；
Figure 264113DEST_PATH_IMAGE003
表示混乱图像的偏度，此时的
Figure 19579DEST_PATH_IMAGE003
为正数；
Figure 487601DEST_PATH_IMAGE050
表示子块的初始尺寸；
Figure 444055DEST_PATH_IMAGE051
表示取整。
由此能够基于灰度图像对应的混乱图像的偏度确定子块的尺寸，基于上述计算得到的子块的尺寸将灰度图像进行均分，从而得到多个相同大小的子块。
步骤S300，以灰度图像中任意子块为目标块，获取目标块中每个像素点的梯度幅值以及目标块的梯度幅值均值；基于目标块中所有像素点的梯度幅值与目标块的梯度幅值均值得到标记分割阈值；目标块中灰度值大于标记分割阈值的像素点为保留点，目标块中灰度值小于标记分割阈值的像素点为处理点。
由步骤S200中将待检测患者的脑部区域的灰度图像划分为多个子块，任意选取一个子块作为目标块进行分析。获取该目标块中每个像素点的梯度幅值，本发明实施例中利用Sobel算子计算该目标块中每个像素点在
Figure DEST_PATH_IMAGE052
方向的梯度值
Figure DEST_PATH_IMAGE053
和
Figure DEST_PATH_IMAGE054
方向的梯度值
Figure DEST_PATH_IMAGE055
，从而计算每个像素点对应的梯度幅值为：
Figure DEST_PATH_IMAGE057
其中，
Figure DEST_PATH_IMAGE058
表示该像素点的梯度幅值；
Figure 466369DEST_PATH_IMAGE053
表示该像素点在
Figure 900892DEST_PATH_IMAGE052
方向的梯度值；
Figure 613634DEST_PATH_IMAGE055
表示该像素点在
Figure 209831DEST_PATH_IMAGE054
方向的梯度值。
根据该目标块中所有像素点对应的梯度幅值得到该目标块对应的梯度幅值的均值记为
Figure 640812DEST_PATH_IMAGE011
。
当像素点的梯度幅值大于一定阈值时，其可能为高频信息对应的像素点，需要将此类像素点进行标记保留，因此需要恰当的阈值将该目标块中所有的像素点标记为两类，标记分割阈值的具体获取方法为：
首先，获取该目标块的阈值关联系数：
Figure DEST_PATH_IMAGE059
其中，
Figure 141676DEST_PATH_IMAGE009
表示阈值关联系数；
Figure 849869DEST_PATH_IMAGE010
表示第
Figure 741602DEST_PATH_IMAGE006
个像素点的梯度幅值；
Figure 535246DEST_PATH_IMAGE011
表示该目标块对应的梯度幅值均值；
Figure 436206DEST_PATH_IMAGE012
表示该目标块的尺寸；
Figure 733326DEST_PATH_IMAGE013
表示超参数，由实施者自行设定；
Figure 61539DEST_PATH_IMAGE014
表示自然常数。
作为优选，本发明实施例中设置超参数
Figure DEST_PATH_IMAGE060
。
当计算得到阈值关联系数的取值越大，表明该目标块中像素点的梯度级分布越混乱，可能存在较大的梯度幅值，此时应该自适应的将标记分割阈值调大；当计算得到的阈值关联系数的取值越小，表明该目标块中像素点的梯度级分布越相似，即子块中的细节与其他部分的差异较小，此时应该自适应的将标记分割阈值调小；因此基于阈值关联系数得到该目标块的标记分割阈值为：
Figure 608058DEST_PATH_IMAGE016
其中，
Figure 188075DEST_PATH_IMAGE017
表示标记分割阈值；
Figure 729915DEST_PATH_IMAGE011
表示该目标块对应的梯度幅值均值；
Figure 104396DEST_PATH_IMAGE009
表示阈值关联系数；
Figure 731686DEST_PATH_IMAGE018
表示该目标块中像素点的梯度幅值的最大值。
然而此时对标记分割阈值的确定仅仅考虑到了目标块中自身像素点的梯度信息，在实际分块过程中可能存在某一区域被划分为多个子块的情况，因此多个子块组成的区域之间的关联性大于单个子块内的关联性。因此本发明实施例中根据该目标块的 八邻域的邻域子块的信息判断该目标块的标记分割阈值是否需要修正，具体为：
Figure 849815DEST_PATH_IMAGE020
其中，
Figure 246161DEST_PATH_IMAGE021
表示目标块标记分割阈值的修正必要性；
Figure 54192DEST_PATH_IMAGE022
表示目标块对应的第
Figure 44145DEST_PATH_IMAGE023
个邻域子块的标记分割阈值；
Figure 825019DEST_PATH_IMAGE024
示目标块对应的第
Figure 216818DEST_PATH_IMAGE025
个邻域子块的标记分割阈值；
Figure 792155DEST_PATH_IMAGE026
表示超参数，由实施者自行设定；
Figure 534983DEST_PATH_IMAGE014
表示自然常数。
当该目标块的标记分割阈值的修正必要性大于预设阈值时，说明需要对该目标块的标记分割阈值进行修正调整；反之，当该目标块的标记分割阈值的修正必要性小于预设阈值时，则不需要对目标块的标记分割阈值修正。
作为优选，本发明实施例中设置超参数
Figure DEST_PATH_IMAGE061
；预设阈值设置为
Figure DEST_PATH_IMAGE062
，即当该目标块的标记分割阈值的修正必要性大于0.7时，该目标块的标记分割阈值需要被修正。
其中，对目标块的标记分割阈值进行修正的方法为：计算该目标块所有邻域子块的标记分割阈值与该目标块的标记分割阈值之间的差异，将差异最大的邻域子块记为对比子块，基于对比子块中像素点的梯度信息对该目标块的标记分割阈值进行修正：
Figure 57232DEST_PATH_IMAGE028
其中，
Figure 303536DEST_PATH_IMAGE029
表示目标块修正后的标记分割阈值；
Figure 315355DEST_PATH_IMAGE030
表示对比子块的梯度幅值均值；
Figure 14320DEST_PATH_IMAGE031
表示对比子块中所有像素点的梯度幅值的最大值；
Figure 402576DEST_PATH_IMAGE010
表示第
Figure 503388DEST_PATH_IMAGE006
个像素点对应的梯度幅值；
Figure 686107DEST_PATH_IMAGE012
表示该目标块的尺寸，也即对比子块的尺寸；
Figure 400598DEST_PATH_IMAGE013
表示超参数，由实施者自行设定；
Figure 326966DEST_PATH_IMAGE014
表示自然常数。
作为优选，本发明实施例中设置超参数
Figure 282283DEST_PATH_IMAGE060
。
以此类推，获取灰度图像中每个子块对应的最终的标记分割阈值，对于每一个子块而言，图像的边缘和细节信息对应的梯度幅值较大，但是此类像素点的数量较少，在进行直方图均衡化时往往会产生吞噬效果从而导致细节信息丢失，因此将子块内像素值大于对应标记分割阈值的像素点记为保留点；将子块内像素值小于对应标记分割阈值的像素点记为处理点，在后续直方图均衡化时只对处理点进行均衡化。
步骤S400，获取每个子块中的处理点，基于每个子块中的处理点获取子块的丰富度；根据每个子块的丰富度对子块进行分类得到合适子块、合并子块以及拆分子块，对所有合并子块以及拆分子块进行拆分合并操作更新为合适子块；将所有合适子块中的处理点进行增强从而得到增强后的增强图像。
具体的，由步骤S300中的方法对每个子块中每个像素点进行标记分为保留点和处理点，当子块内包含灰度级单一时，对该子块进行均衡化极易发生块效应；因此需要对子块进行调整分割或者合并，使得尽量避免子块内灰度级单一的情况。
首先，根据每个子块中的处理点获取该子块对应的丰富度为：
Figure DEST_PATH_IMAGE063
其中，
Figure 573587DEST_PATH_IMAGE034
表示子块对应的丰富度；
Figure 247145DEST_PATH_IMAGE035
表示该子块内第
Figure 242783DEST_PATH_IMAGE036
个灰度级出现的频数；
Figure 787028DEST_PATH_IMAGE037
表示该子块内第
Figure 577129DEST_PATH_IMAGE038
个灰度级出现的频数；
Figure 737984DEST_PATH_IMAGE039
表示该子块中所有灰度级的数量；
Figure 6154DEST_PATH_IMAGE040
表示该子块内第
Figure 936064DEST_PATH_IMAGE036
个灰度级出现的概率。
由此得到每个子块对应的丰富度，当子块的丰富度越大时，说明子块内的灰度信息不单一，该子块为均衡化的合适子块。
进一步的，本发明实施例中设置丰富度范围对子块进行处理，当子块的丰富度
Figure DEST_PATH_IMAGE064
时，表明子块的丰富度较大，将该子块记为合适子块保持原状；当子块的丰富度
Figure DEST_PATH_IMAGE065
时，将该子块记为合并子块；当子块的丰富度
Figure DEST_PATH_IMAGE066
时，将该子块记为拆分子块。
对合并子块以及拆分子块处理的方法为：获取所有子块中的合并子块，以所有合并子块中丰富度最大的合并子块为中心块进行辐射，判断该合并子块的8邻域子块中是否存在拆分子块，当该8邻域子块中存在拆分子块时，对该拆分子块进行拆分，将该拆分子块中距离中心块最近的像素点进行分割，将分割出的像素点合并到该中心块中，重新计算该中心块与拆分子块的丰富度，判断该中心块对应的丰富度是否上升，当中心块的丰富度上升时说明拆分合并的操作为有效拆分合并，然后继续该拆分合并操作，直至合并块的丰富度大于0.7时即可停止拆分合并操作。
当中心块合并像素点之后的丰富度下降时，说明拆分合并的操作为无效拆分合并，此时需要更换像素点进行合并，然后再次计算丰富度直至存在有效拆分合并，并且拆分合并操作后使得最终中心块的丰富度大于0.7时停止。
然后，对所有合并子块中丰富度第二大的合并子块进行上述拆分合并操作，不断迭代拆分合并直至将该合并子块变为合适子块；以此类推，对所有的合并子块进行拆分合并操作变为合适子块。
最终，对余下所有未被合并的拆分子块进行处理，计算将其合并至相邻合适子块后合适子块的丰富度，丰富度最大时对应的合适子块为该拆分子块最终合并的合适子块，以此将灰度图像中所有的子块变为合适子块。
进一步的，对每个合适子块中的处理点进行直方图均衡化操作进行增强，将增强后的处理点与所有合适子块中的保留点构成最终的脑部区域的增强图像。
步骤S500，基于增强图像对待检测患者的脑部的尾状核区域进行分割，得到尾状核区域。
具体的，由步骤S400中对待检测患者的脑部区域的图像进行增强得到最终的增强图像，基于最终的增强图像对待检测患者的情况进行分析；由于尾状核与其他脑组织混杂在一起，因此需要进行脑分割，然后进行尾状核分割，最后对尾状核的体积进行计算；对大脑提取分割可采用基于4D可变形表面的大脑提取算法进行分割，该算法为公知技术，不再赘述。
进一步的，对脑组织分割，空间皮质厚度约束和时间皮质厚度一致性约束整合到水平集框架中的组织分割算法，从提取的脑组织中分割出灰质、白质以及脑脊液。然后对脑区域标记，基于纵向感兴趣区域标记框架，实现对主体图像的脑部ROI一致地标记，不同的脑区域用不同的数值标记。MNI脑图谱用于将图像标记为每个半球的45个ROI区域，其中包含尾状核区域。
最终经过脑提取、脑组织分割、脑区域标记等步骤，从待检测患者脑部的增强图像中分理出完整的尾状核。
综上所述，本发明实施例为一种CT图像处理方法，通过获取待检测患者的脑部区域的灰度图像，基于灰度图像中像素点之间的混乱信息将灰度图像划分为多个子块，对每个子块中像素点的梯度信息进行获取将所有像素点划分为保留点和处理点，并基于所有的处理点获取每个子块的丰富度从而对子块大小再次调整，对调整完的所有子块中的处理点进行直方图均衡化，再结合未作处理的保留点得到增强后的增强图像，从而基于增强图像得到待检测患者的脑部尾状核区域；根据增强后效果更好的图像得到尾状核区域进行分析，提高了对图像分析的准确性。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种CT图像处理方法，其特征在于，该方法包括以下步骤：
获取待检测患者的脑部CT图像，根据所述脑部CT图像获取脑部区域的脑部目标图像，对所述脑部目标图像进行灰度化得到灰度图像；
以所述灰度图像中任意像素点构建窗口，计算所述窗口内的混乱程度赋予所述像素点；根据所述灰度图像中所有像素点的混乱程度得到混乱图像，计算所述混乱图像的偏度，基于所述偏度将所述灰度图像划分为多个子块；
以所述灰度图像中任意子块为目标块，获取所述目标块中每个像素点的梯度幅值以及所述目标块的梯度幅值均值；基于所述目标块中所有像素点的梯度幅值与所述目标块的梯度幅值均值得到标记分割阈值；所述目标块中灰度值大于所述标记分割阈值的像素点为保留点，所述目标块中灰度值小于所述标记分割阈值的像素点为处理点；
获取每个子块中的处理点，基于每个子块中的处理点获取所述子块的丰富度；根据每个所述子块的丰富度对子块进行分类得到合适子块、合并子块以及拆分子块，对所有所述合并子块以及所述拆分子块进行拆分合并操作更新为合适子块；将所有所述合适子块中的处理点进行增强从而得到增强后的增强图像；
基于所述增强图像对所述待检测患者的脑部的尾状核区域进行分割，得到所述尾状核区域。
2.根据权利要求1所述的一种CT图像处理方法，其特征在于，所述计算所述窗口内的混乱程度赋予所述像素点的步骤，包括：
获取所述窗口内所有像素点的灰度均值，基于所述窗口内每个所述像素点的灰度值与所述灰度均值之间的差异得到所述混乱程度，所述混乱程度赋值于所述窗口的中心点。
3.根据权利要求1所述的一种CT图像处理方法，其特征在于，所述计算所述混乱图像的偏度的步骤，包括：
构建所述混乱图像的混乱直方图，基于所述混乱直方图得到每个所述混乱程度出现的概率，基于所述概率获取计算所述混乱图像的偏度为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示混乱图像的偏度；
Figure DEST_PATH_IMAGE004
表示混乱图像中所有像素点的数量；
Figure DEST_PATH_IMAGE005
表示混乱直方图中第
Figure DEST_PATH_IMAGE006
个混乱程度对应的频率。
4.根据权利要求1所述的一种CT图像处理方法，其特征在于，所述基于所述偏度将所述灰度图像划分为多个子块的步骤，包括：
基于大数据获取常用分块尺寸为初始尺寸，当所述混乱图像的偏度小于0时，将所述初始尺寸调大；当所述混乱图像的偏度大于0时，将所述初始尺寸调小；基于最终确定的尺寸将所述灰度图像均分为多个子块。
5.根据权利要求1所述的一种CT图像处理方法，其特征在于，所述基于所述目标块中所有像素点的梯度幅值与所述目标块的梯度幅值均值得到标记分割阈值的步骤，包括：
基于所述目标块中所有像素点的梯度幅值与所述目标块的梯度幅值均值得到所述目标块的阈值关联系数为：
Figure DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
表示阈值关联系数；
Figure DEST_PATH_IMAGE010
表示第
Figure 522900DEST_PATH_IMAGE006
个像素点的梯度幅值；
Figure DEST_PATH_IMAGE011
表示该目标块对应的梯度幅值均值；
Figure DEST_PATH_IMAGE012
表示该目标块的尺寸；
Figure DEST_PATH_IMAGE013
表示超参数；
Figure DEST_PATH_IMAGE014
表示自然常数；
基于所述目标块的阈值关联系数得到所述目标块的标记分割阈值。
6.根据权利要求5所述的一种CT图像处理方法，其特征在于，所述基于所述目标块的阈值关联系数得到所述目标块的标记分割阈值的步骤，包括：
所述标记分割阈值的计算方法为：
Figure DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE017
表示标记分割阈值；
Figure 925193DEST_PATH_IMAGE011
表示该目标块对应的梯度幅值均值；
Figure 46209DEST_PATH_IMAGE009
表示阈值关联系数；
Figure DEST_PATH_IMAGE018
表示该目标块中像素点的梯度幅值的最大值。
7.根据权利要求1所述的一种CT图像处理方法，其特征在于，所述基于所述目标块中所有像素点的梯度幅值与所述目标块的梯度幅值均值得到标记分割阈值的步骤，还包括：
基于所述目标块与其邻域子块得到所述目标块的标记分割阈值的修正必要性，当所述修正必要性大于预设阈值时，对所述目标块的标记分割阈值进行修正；
所述修正必要性的计算方法为：
Figure DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE021
表示目标块标记分割阈值的修正必要性；
Figure DEST_PATH_IMAGE022
表示目标块对应的第
Figure DEST_PATH_IMAGE023
个邻域子块的标记分割阈值；
Figure DEST_PATH_IMAGE024
表示目标块对应的第
Figure DEST_PATH_IMAGE025
个邻域子块的标记分割阈值；
Figure DEST_PATH_IMAGE026
表示超参数；
Figure 192150DEST_PATH_IMAGE014
表示自然常数。
8.根据权利要求7所述的一种CT图像处理方法，其特征在于，所述对所述目标块的标记分割阈值进行修正的步骤，包括：
获取所述目标块的对比子块，根据所述对比子块对所述目标块的标记分割阈值进行修正的计算为：
Figure DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE029
表示目标块修正后的标记分割阈值；
Figure DEST_PATH_IMAGE030
表示对比子块的梯度幅值均值；
Figure DEST_PATH_IMAGE031
表示对比子块中所有像素点的梯度幅值的最大值；
Figure 616310DEST_PATH_IMAGE010
表示第
Figure 907614DEST_PATH_IMAGE006
个像素点对应的梯度幅值；
Figure 33701DEST_PATH_IMAGE012
表示该目标块的尺寸；
Figure 701443DEST_PATH_IMAGE013
表示超参数。
9.根据权利要求1所述的一种CT图像处理方法，其特征在于，所述基于每个子块中的处理点获取所述子块的丰富度的步骤，包括：
根据每个所述子块中的处理点获取所述子块对应的丰富度为：
Figure DEST_PATH_IMAGE033
其中，
Figure DEST_PATH_IMAGE034
表示子块对应的丰富度；
Figure DEST_PATH_IMAGE035
表示该子块内第
Figure DEST_PATH_IMAGE036
个灰度级出现的频数；
Figure DEST_PATH_IMAGE037
表示该子块内第
Figure DEST_PATH_IMAGE038
个灰度级出现的频数；
Figure DEST_PATH_IMAGE039
表示该子块中所有灰度级的数量；
Figure DEST_PATH_IMAGE040
表示该子块内第
Figure 852545DEST_PATH_IMAGE036
个灰度级出现的概率。
CN202210546298.0A 2022-05-20 2022-05-20 一种ct图像处理方法 Active CN114648530B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210546298.0A CN114648530B (zh) 2022-05-20 2022-05-20 一种ct图像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210546298.0A CN114648530B (zh) 2022-05-20 2022-05-20 一种ct图像处理方法

Publications (2)

Publication Number Publication Date
CN114648530A true CN114648530A (zh) 2022-06-21
CN114648530B CN114648530B (zh) 2022-08-16

Family

ID=81996589

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210546298.0A Active CN114648530B (zh) 2022-05-20 2022-05-20 一种ct图像处理方法

Country Status (1)

Country Link
CN (1) CN114648530B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049674A (zh) * 2022-08-17 2022-09-13 南通万格环境科技有限公司 基于大数据的工业污水处理方法及系统
CN115131372A (zh) * 2022-07-14 2022-09-30 南京联动视界电子科技有限公司 一种基于数字化分析服装穿搭的方法
CN115242475A (zh) * 2022-07-14 2022-10-25 南京化科天创科技有限公司 一种大数据安全传输方法及系统
CN115311282A (zh) * 2022-10-12 2022-11-08 南通迪博西电子有限公司 基于图像增强的晶圆缺陷检测方法
CN115409745A (zh) * 2022-10-31 2022-11-29 深圳市亿康医疗技术有限公司 一种应用于放疗准备的ct图像的增强方法
CN115984284A (zh) * 2023-03-21 2023-04-18 黄海造船有限公司 一种用于船舶维护的x射线船体焊缝图像检测方法
CN116205906A (zh) * 2023-04-25 2023-06-02 青岛豪迈电缆集团有限公司 一种电缆内部生产异常无损检测方法
CN116309187A (zh) * 2023-05-15 2023-06-23 济南科汛智能科技有限公司 一种儿童肺炎医疗影像智能增强方法
CN116563172A (zh) * 2023-07-11 2023-08-08 天津智教云科技有限公司 一种vr全球化在线教育互动优化增强方法及装置
CN116342588B (zh) * 2023-05-22 2023-08-11 徕兄健康科技(威海)有限责任公司 一种脑血管图像增强方法
CN116630813A (zh) * 2023-07-24 2023-08-22 青岛奥维特智能科技有限公司 一种公路路面施工质量智能检测系统
CN116778431A (zh) * 2023-08-25 2023-09-19 青岛娄山河水务有限公司 基于计算机视觉的污泥处理自动监测方法
CN116883537A (zh) * 2023-09-06 2023-10-13 微山县人民医院 基于图像增强的普通外科手术影像采集方法
CN116993726A (zh) * 2023-09-26 2023-11-03 山东克莱蒙特新材料科技有限公司 一种矿物铸件检测方法及系统
CN117314801A (zh) * 2023-09-27 2023-12-29 南京邮电大学 基于人工智能的模糊图像优化增强方法
CN117522719A (zh) * 2024-01-05 2024-02-06 自贡市第一人民医院 基于机器学习的支气管镜图像辅助优化系统
CN117640932A (zh) * 2024-01-25 2024-03-01 陕西通达伟业医疗供应链管理有限公司 用于远程医疗的神经内科图像压缩传输方法
CN117314801B (zh) * 2023-09-27 2024-05-31 南京邮电大学 基于人工智能的模糊图像优化增强方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170228868A1 (en) * 2016-02-08 2017-08-10 Sony Corporation Method and system for segmentation of vascular structure in a volumetric image dataset
CN112233133A (zh) * 2020-10-29 2021-01-15 上海电力大学 基于otsu和区域生长法的电厂高温管道缺陷检测与分割方法
CN114049283A (zh) * 2021-11-16 2022-02-15 上海无线电设备研究所 一种自适应的灰度梯度直方图均衡遥感图像增强方法
CN114445387A (zh) * 2022-01-29 2022-05-06 泗阳富艺木业股份有限公司 一种基于机器视觉的纤维板质量分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170228868A1 (en) * 2016-02-08 2017-08-10 Sony Corporation Method and system for segmentation of vascular structure in a volumetric image dataset
CN112233133A (zh) * 2020-10-29 2021-01-15 上海电力大学 基于otsu和区域生长法的电厂高温管道缺陷检测与分割方法
CN114049283A (zh) * 2021-11-16 2022-02-15 上海无线电设备研究所 一种自适应的灰度梯度直方图均衡遥感图像增强方法
CN114445387A (zh) * 2022-01-29 2022-05-06 泗阳富艺木业股份有限公司 一种基于机器视觉的纤维板质量分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHENWEI LI ET AL.: "Blood Vessel Segmentation of Retinal Image Based on Dense-U-Net Network", 《MICROMACHINES》 *
王倩: "脑部MRI图像中深层核团的分割方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115131372A (zh) * 2022-07-14 2022-09-30 南京联动视界电子科技有限公司 一种基于数字化分析服装穿搭的方法
CN115242475A (zh) * 2022-07-14 2022-10-25 南京化科天创科技有限公司 一种大数据安全传输方法及系统
CN115131372B (zh) * 2022-07-14 2023-09-29 凝一(深圳)网络有限公司 一种基于数字化分析服装穿搭的方法
CN115049674A (zh) * 2022-08-17 2022-09-13 南通万格环境科技有限公司 基于大数据的工业污水处理方法及系统
CN115311282A (zh) * 2022-10-12 2022-11-08 南通迪博西电子有限公司 基于图像增强的晶圆缺陷检测方法
CN115409745A (zh) * 2022-10-31 2022-11-29 深圳市亿康医疗技术有限公司 一种应用于放疗准备的ct图像的增强方法
CN115984284A (zh) * 2023-03-21 2023-04-18 黄海造船有限公司 一种用于船舶维护的x射线船体焊缝图像检测方法
CN115984284B (zh) * 2023-03-21 2023-05-19 黄海造船有限公司 一种用于船舶维护的x射线船体焊缝图像检测方法
CN116205906A (zh) * 2023-04-25 2023-06-02 青岛豪迈电缆集团有限公司 一种电缆内部生产异常无损检测方法
CN116309187A (zh) * 2023-05-15 2023-06-23 济南科汛智能科技有限公司 一种儿童肺炎医疗影像智能增强方法
CN116342588B (zh) * 2023-05-22 2023-08-11 徕兄健康科技(威海)有限责任公司 一种脑血管图像增强方法
CN116563172B (zh) * 2023-07-11 2023-09-08 天津智教云科技有限公司 一种vr全球化在线教育互动优化增强方法及装置
CN116563172A (zh) * 2023-07-11 2023-08-08 天津智教云科技有限公司 一种vr全球化在线教育互动优化增强方法及装置
CN116630813A (zh) * 2023-07-24 2023-08-22 青岛奥维特智能科技有限公司 一种公路路面施工质量智能检测系统
CN116630813B (zh) * 2023-07-24 2023-09-26 青岛奥维特智能科技有限公司 一种公路路面施工质量智能检测系统
CN116778431B (zh) * 2023-08-25 2023-11-10 青岛娄山河水务有限公司 基于计算机视觉的污泥处理自动监测方法
CN116778431A (zh) * 2023-08-25 2023-09-19 青岛娄山河水务有限公司 基于计算机视觉的污泥处理自动监测方法
CN116883537A (zh) * 2023-09-06 2023-10-13 微山县人民医院 基于图像增强的普通外科手术影像采集方法
CN116883537B (zh) * 2023-09-06 2023-12-01 微山县人民医院 基于图像增强的普通外科手术影像采集方法
CN116993726A (zh) * 2023-09-26 2023-11-03 山东克莱蒙特新材料科技有限公司 一种矿物铸件检测方法及系统
CN116993726B (zh) * 2023-09-26 2023-12-19 山东克莱蒙特新材料科技有限公司 一种矿物铸件检测方法及系统
CN117314801A (zh) * 2023-09-27 2023-12-29 南京邮电大学 基于人工智能的模糊图像优化增强方法
CN117314801B (zh) * 2023-09-27 2024-05-31 南京邮电大学 基于人工智能的模糊图像优化增强方法
CN117522719A (zh) * 2024-01-05 2024-02-06 自贡市第一人民医院 基于机器学习的支气管镜图像辅助优化系统
CN117522719B (zh) * 2024-01-05 2024-03-22 自贡市第一人民医院 基于机器学习的支气管镜图像辅助优化系统
CN117640932A (zh) * 2024-01-25 2024-03-01 陕西通达伟业医疗供应链管理有限公司 用于远程医疗的神经内科图像压缩传输方法
CN117640932B (zh) * 2024-01-25 2024-04-26 陕西通达伟业医疗供应链管理有限公司 用于远程医疗的神经内科图像压缩传输方法

Also Published As

Publication number Publication date
CN114648530B (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN114648530B (zh) 一种ct图像处理方法
Park et al. Skull stripping based on region growing for magnetic resonance brain images
US8280482B2 (en) Method and apparatus for evaluating regional changes in three-dimensional tomographic images
Ikhsan et al. An analysis of x-ray image enhancement methods for vertebral bone segmentation
CN116269467B (zh) 一种创伤患者清创术前信息采集系统
CN114677391B (zh) 一种脊椎图像分割方法
US20100049035A1 (en) Brain image segmentation from ct data
JP2011514822A (ja) Ｃｔスキャンデータをセグメント化する方法とシステム
CN103942780B (zh) 基于改进模糊连接度算法的丘脑及其子结构分割方法
Liao et al. Automatic recognition of midline shift on brain CT images
CN110288698B (zh) 基于mri的半月板三维重建系统
CN115359052A (zh) 基于聚类算法的医疗影像增强方法
CN117409004B (zh) 一种基于医疗影像分析的肺部康复智能辅助系统
CN114693682B (zh) 一种基于图像处理的脊椎特征识别方法
Shelke et al. Automated segmentation and detection of brain tumor from MRI
CN110689550B (zh) 一种腰椎矢状面ct图像高效自动化筛选系统及方法
Tamilselvi et al. Segmentation of calculi from ultrasound kidney images by region indicator with contour segmentation method
Kesuma et al. Improved Chest X-Ray Image Quality Using Median and Gaussian Filter Methods
US20150206300A1 (en) Method and apparatus for extraction and quantification of hematoma from a brain scan such as computed tomography data
Saad et al. Brain lesion segmentation from diffusion-weighted MRI based on adaptive thresholding and gray level co-occurence matrix
CN112052854A (zh) 一种实现自适应对比度增强的医疗图像可逆信息隐藏方法
Soroushmehr et al. CT image segmentation in traumatic brain injury
Li et al. A hybrid approach to detection of brain hemorrhage candidates from clinical head ct scans
JP7019104B2 (ja) 閾値の学習方法
Tolouee et al. Texture analysis in lung HRCT images

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