CN114677391A - 一种脊椎图像分割方法 - Google Patents

一种脊椎图像分割方法 Download PDF

Info

Publication number
CN114677391A
CN114677391A CN202210578277.7A CN202210578277A CN114677391A CN 114677391 A CN114677391 A CN 114677391A CN 202210578277 A CN202210578277 A CN 202210578277A CN 114677391 A CN114677391 A CN 114677391A
Authority
CN
China
Prior art keywords
image
pixel point
spine
gray
pixel
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
CN202210578277.7A
Other languages
English (en)
Other versions
CN114677391B (zh
Inventor
马学晓
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.)
Affiliated Hospital of University of Qingdao
Original Assignee
Affiliated Hospital of University of Qingdao
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 Affiliated Hospital of University of Qingdao filed Critical Affiliated Hospital of University of Qingdao
Priority to CN202210578277.7A priority Critical patent/CN114677391B/zh
Publication of CN114677391A publication Critical patent/CN114677391A/zh
Application granted granted Critical
Publication of CN114677391B publication Critical patent/CN114677391B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • G06T7/10—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
    • G06T2207/20004—Adaptive 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
    • G06T2207/20—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • G06T2207/30008—Bone
    • G06T2207/30012—Spine; Backbone

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及图像处理领域，具体涉及一种脊椎图像分割方法，包括：获取脊椎CT图；对图像进行滑窗，利用各窗口内中心点的邻域像素灰度值得到各像素点的细节度；利用各像素点的坐标和灰度值得到灰度曲线，对灰度曲线进行多项式曲线拟合获取各像素点的曲线斜率；利用各像素点的曲线斜率及灰度值得到各像素点的感兴趣度；利用细节度和感兴趣度确定各像素点建立二维直方图的窗口大小；根据各像素点的灰度值及该像素点建立二维直方图的窗口内邻域像素点的灰度值均值构建图像的二维直方图；对二维直方图进行均衡化得到增强后的图像；对增强后的图像进行阈值分割得到脊椎骨区域。上述方法用于脊椎图像的分割，可提高分割效果。

Description

一种脊椎图像分割方法
技术领域
本发明涉及图像处理领域，具体涉及一种脊椎图像分割方法。
背景技术
脊椎是人体的支柱，具有支持躯干、保护内脏和进行运动等功能。然而在我国，近几年来脊椎病患者越来越多，并且呈现年轻化的趋势。而且脊椎骨还是癌症骨转移的主要区域，癌症骨转移易发生在脊椎骨和盆骨等部位，当发生癌症骨转移时会导致骨痛、骨损伤，从而影响到人们的身体健康。因此，通过医疗影像技术对脊椎骨病情的诊断非常重要。
目前医生主要通过CT图对脊椎骨病情进行判断。CT成像技术是基于X光的计算机断层扫描成像技术，通过不同的灰度值显示人体器官和组织的密度差异，从而有效区分人体骨组织与其他组织，进而得到多层的高分辨率的骨组织图像。因此，为了能够准确判断病情，对脊椎骨CT图进行分割是很有必要的。
目前主要采用阈值分割的方式对脊椎骨CT图进行分割。但是由于设备的原因以及辐射剂量限值，该分割技术得不到理想的脊椎骨分割结果，因此，需要一种脊椎图像分割方法以提高脊椎骨图像的分割效果。
发明内容
本发明针对现有技术对脊椎骨CT图像分割不理想的问题，提出一种脊椎图像分割方法，该方法基于脊椎图像的灰度特征得到图像中每个像素点的细节度和感兴趣度，利用细节度和感兴趣度得到每个像素点的自适应窗口，引入自适应窗口建立二维灰度直方图，对二维灰度直方图进行均衡化处理得到增强后的图像，对增强后的图像进行阈值分割，可有效提高脊椎图像的分割效果。
本发明提供一种脊椎图像分割方法，包括：获取脊椎CT图；对图像进行滑窗，利用各窗口内中心点的邻域像素灰度值得到各像素点的细节度；利用各像素点的坐标和灰度值得到灰度曲线，对灰度曲线进行多项式曲线拟合获取各像素点的曲线斜率；利用各像素点的曲线斜率及灰度值得到各像素点的感兴趣度；利用细节度和感兴趣度确定各像素点建立二维灰度直方图的窗口大小；根据各像素点的灰度值及该像素点建立二维灰度直方图的窗口内邻域像素点的灰度值均值构建图像的二维灰度直方图；对二维灰度直方图进行均衡化得到增强后的图像；对增强后的图像进行阈值分割得到脊椎骨区域，相比于现有技术，本发明基于脊椎图像的灰度特征得到图像中每个像素点的细节度和感兴趣度，利用细节度和感兴趣度得到每个像素点的自适应窗口，引入自适应窗口建立二维灰度直方图，对二维灰度直方图进行均衡化处理得到增强后的图像，对增强后的图像进行阈值分割，可有效提高脊椎图像的分割效果。
为达到上述目的，本发明采用如下技术方案，一种脊椎图像分割方法，包括：
获取脊椎CT图像。
对脊椎CT图像进行滑窗检测，利用每个滑窗窗口内中心像素点的邻域像素点的灰度值计算得到脊椎CT图像中各像素点的细节度。
利用脊椎CT图像中每个像素点的坐标和灰度值得到灰度曲线，对灰度曲线进行多项式曲线拟合获取脊椎CT图像中各像素点的曲线斜率。
利用脊椎CT图像中各像素点的曲线斜率及灰度值计算得到脊椎CT图像中各像素点的感兴趣度。
利用脊椎CT图像中各像素点的细节度和感兴趣度确定出脊椎CT图像中各像素点建立二维灰度直方图的窗口大小。
利用脊椎CT图像中各像素点的灰度值及该像素点建立二维灰度直方图的窗口内的邻域像素点的灰度值均值构建脊椎CT图像的二维灰度直方图。
对脊椎CT图像的二维灰度直方图进行均衡化处理得到增强后的脊椎CT图像。
对增强后的脊椎CT图像进行阈值分割得到脊椎骨区域。
进一步的，所述一种脊椎图像分割方法，所述脊椎CT图像中各像素点的细节度是按照如下方式得到：
设置滑窗大小，以每个滑窗内的中心像素点作为目标像素点。
对脊椎CT图像进行滑窗检测，计算每个滑窗窗口内目标像素点的所有邻域像素点的灰度值均值。
利用每个滑窗窗口内目标像素点的所有邻域像素点的灰度值均值及各邻域像素点的灰度值计算得到脊椎CT图像中各像素点的细节度。
进一步的，所述一种脊椎图像分割方法，所述脊椎CT图像中各像素点的细节度的表达式如下：
Figure DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE004
为脊椎CT图像中各像素点的细节度，
Figure DEST_PATH_IMAGE006
为目标像素点的第n个邻域像素点的灰度值，
Figure DEST_PATH_IMAGE008
为目标像素点的所有邻域像素点的灰度值均值，D为目标像素点的邻域像素点的数量。
进一步的，所述一种脊椎图像分割方法，所述脊椎CT图像中各像素点的感兴趣度是按照如下方式得到：
将脊椎CT图像中每一列像素点的纵坐标作为x轴，每一列像素点的灰度值作为y轴得到脊椎CT图像的每一列灰度曲线。
对每一列灰度曲线进行多项式曲线拟合，得到各列灰度曲线的多项式表达式。
利用各列灰度曲线的多项式表达式计算得到每一列像素点的曲线斜率。
利用每一列像素点的灰度值及该点的曲线斜率计算得到脊椎CT图像中各像素点的感兴趣度。
进一步的，所述一种脊椎图像分割方法，所述脊椎CT图像中各像素点的感兴趣度的表达式如下：
Figure DEST_PATH_IMAGE010
式中，
Figure DEST_PATH_IMAGE012
为脊椎CT图像中各像素点的感兴趣度，
Figure DEST_PATH_IMAGE014
为脊椎CT图像中像素点I的曲线斜率，
Figure DEST_PATH_IMAGE016
为像素点I的灰度值，
Figure DEST_PATH_IMAGE018
分别为脊椎CT图像中像素点的最大灰度值和最小灰度值。
进一步的，所述一种脊椎图像分割方法，所述脊椎CT图像中各像素点建立二维灰度直方图的窗口大小的表达式如下：
Figure DEST_PATH_IMAGE020
式中，
Figure DEST_PATH_IMAGE022
为脊椎CT图像中各像素点建立二维灰度直方图的窗口大小，
Figure 426998DEST_PATH_IMAGE004
和
Figure 16243DEST_PATH_IMAGE012
分别为脊椎CT图像中各像素点的细节度和感兴趣度，
Figure DEST_PATH_IMAGE024
为超参数。
进一步的，所述一种脊椎图像分割方法，所述对增强后的脊椎CT图像进行阈值分割的过程具体如下：
对增强后的图像进行
Figure DEST_PATH_IMAGE026
阈值选择，将大于等于该阈值的像素点的像素值设置为1，小于该阈值的像素点的像素值设置为0，得到脊椎骨区域。
本发明的有益效果在于：
本发明基于脊椎图像的灰度特征得到图像中每个像素点的细节度和感兴趣度，利用细节度和感兴趣度得到每个像素点的自适应窗口，引入自适应窗口建立二维灰度直方图，对二维灰度直方图进行均衡化处理得到增强后的图像，对增强后的图像进行阈值分割，可有效提高脊椎图像的分割效果。
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，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种脊椎图像分割方法流程示意图；
图2为本发明实施例2提供的一种脊椎图像分割方法流程示意图；
图3为本发明实施例2提供的一种二维灰度直方图示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本发明实施例提供一种脊椎图像分割方法，如图1所示，包括：
S101、获取脊椎CT图像。
其中，采集脊椎的CT图像并进行语义分割。
S102、对脊椎CT图像进行滑窗检测，利用每个滑窗窗口内中心像素点的邻域像素点的灰度值计算得到脊椎CT图像中各像素点的细节度。
其中，细节度越大时，表明目标像素点与周围邻域像素点的灰度值差异较大，细节更加明显，建立二维灰度直方图时，需要较小的窗口。
S103、利用脊椎CT图像中每个像素点的坐标和灰度值得到灰度曲线，对灰度曲线进行多项式曲线拟合获取脊椎CT图像中各像素点的曲线斜率。
其中，斜率越大，该像素点与上一点的像素值差异越大，我们对其感兴趣的程度就越大。
S104、利用脊椎CT图像中各像素点的曲线斜率及灰度值计算得到脊椎CT图像中各像素点的感兴趣度。
其中，对于不感兴趣的区域以及细节已经够丰富的区域，需要较小的窗口。
S105、利用脊椎CT图像中各像素点的细节度和感兴趣度确定出脊椎CT图像中各像素点建立二维灰度直方图的窗口大小。
其中，需要增强的感兴趣区域以及细节不明显的区域，需要较大的窗口建立直方图。
S106、利用脊椎CT图像中各像素点的灰度值及该像素点建立二维灰度直方图的窗口内的邻域像素点的灰度值均值构建脊椎CT图像的二维灰度直方图。
其中，
Figure DEST_PATH_IMAGE028
轴为灰度值，
Figure DEST_PATH_IMAGE030
轴为邻域灰度值均值，
Figure DEST_PATH_IMAGE032
轴为对应灰度值和灰度值均值的像素频数。
S107、对脊椎CT图像的二维灰度直方图进行均衡化处理得到增强后的脊椎CT图像。
其中，均衡化为了加强图像特征。
S108、对增强后的脊椎CT图像进行阈值分割得到脊椎骨区域。
其中，对增强后的图像进行
Figure 74941DEST_PATH_IMAGE026
阈值选择，并根据该阈值进行阈值分割得到二值图。
本实施例的有益效果在于：
本实施例基于脊椎图像的灰度特征得到图像中每个像素点的细节度和感兴趣度，利用细节度和感兴趣度得到每个像素点的自适应窗口，引入自适应窗口建立二维灰度直方图，对二维灰度直方图进行均衡化处理得到增强后的图像，对增强后的图像进行阈值分割，可有效提高脊椎图像的分割效果。
实施例2
在医生对CT医疗影像判读过程中，由于图像中脊椎骨区域边缘模糊，会造成医生对患者病情的错误判读。因此本实施例根据CT图像的特征，对各个像素点进行自适应窗口化，依据此建立自适应窗口二维灰度直方图并进行均衡化增强，得到增强后的CT图像，进行阈值分割，得到CT图像的脊椎骨区域。
由于人体组织、设备造成的伪影以及放射能量的影响，使得CT图像中脊椎的对比度低，灰度不均匀，若在这基础上进行图像分割，会使得图像分割效果不好，因此需要对图像进行增强后再分割。
一维灰度直方图仅考虑像素点灰度信息分布，未考虑像素点的邻域信息，因此使用二维灰度直方图进行均衡化处理。在此基础上，对该方法进行改进，引入自适应窗口建立二维灰度直方图，减少原算法造成的过度增强或增强较弱等问题。
本发明实施例提供一种脊椎图像分割方法，如图2所示，包括：
S201、获取脊椎区域的CT图像。
本实施例需要采集脊椎的CT图像进行后续处理。由于采集的CT图像中存在信号参数等数字的背景噪声，因此需要经语义分割去除图像中的不属于人体组织的数字背景类部分。
本实施例采用DNN语义分割的方法提取CT图像的人体组织图像。DNN语义分割的网络内容如下：
a)采集医院脊椎骨CT图像作为DNN网络输入图像集。
b)对CT图像进行人工标注，需要将CT图像分割成两类像素，其中一类属于数字背景类，进行人工标注为0；另一类属于人体组织类，进行人工标注为1；
c)该DNN语义分割网络的目标任务是进行分类，因此采用交叉熵函数作为loss函数。
一维灰度直方图是体现空间域上图像的灰度分布，然而其并没有考虑图像的邻域信息。因此引入二维灰度直方图，增加像素点的邻域灰度信息，在对图像进行二维灰度直方图均衡化时，充分考虑各像素点的邻域信息。通过先验知识得到，在构建二维灰度直方图进行均衡化增强时，二维灰度直方图的邻域窗口大小
Figure 142254DEST_PATH_IMAGE022
对图像的增强效果影响很大，若使用固定的窗口大小，会造成图像局部出现增强程度过大或过小等现象，使得图像的增强效果不好，并且邻域窗口的大小也会影响算法时间。因此需要找到一种方法，实现邻域窗口
Figure 487785DEST_PATH_IMAGE022
的自适应，从而进行自适应二维灰度直方图均衡化增强图像。以下为本实施例的实现过程：
S202、获取每个像素点的自适应窗口大小。
本实施例中图像的增强效果是根据建立的二维灰度直方图决定的。若使用固定的窗口，在部分图像区域会出现过量过暗的情况，会使得图像的增强效果不好。
因此，对于图像中不同的区域，要选用不同大小的窗口。对于需要增强的感兴趣区域以及细节不明显的区域，需要较大的窗口建立二维灰度直方图，使得邻域信息更多的体现于二维灰度直方图上；对于不感兴趣的区域以及细节已经够丰富的区域，需要较小的窗口。根据图像的自身特点以及图像感兴趣区域的位置，选取合适的自适应的窗口建立的二维灰度直方图有利于接下来的均衡化处理，增强图像的效果最优。
1）细节度计算。
本实施例中引入细节度用于计算CT脊椎图像中各个像素点的细节大小。当图像中目标像素点的细节度越大时，表明目标像素点与周围邻域像素点的灰度值差异较大，细节更加明显，建立二维灰度直方图时，需要较小的窗口；当图像中目标像素点的细节度越小时，表明目标像素点与周围邻域像素点的灰度值差异较小，细节较不明显，建立二维灰度直方图时，需要较大的窗口。
因此，通过建立3×3滑动窗口，以窗口内的中心像素点为目标像素点，对图像的每个像素点进行滑窗操作，统计计算目标像素点的窗口邻域内灰度信息，比较各个像素点的邻域像素点的灰度值差异，计算目标像素点的细节度。提取目标像素点q的邻域范围内各像素点的灰度值
Figure 388876DEST_PATH_IMAGE006
，
Figure DEST_PATH_IMAGE034
，并计算8个像素点的灰度值均值
Figure 124751DEST_PATH_IMAGE008
，用于计算细节度
Figure 998684DEST_PATH_IMAGE004
，其计算表达式为：
Figure DEST_PATH_IMAGE002A
式中，
Figure 277350DEST_PATH_IMAGE006
为目标像素点q的邻域像素点灰度值大小；
Figure 208397DEST_PATH_IMAGE008
为邻域内灰度值均值。D为目标像素点的邻域像素点数量。若目标像素点为图像角点，则仅考虑窗口中仅存的图像像素点。
对图像中所有像素点均进行
Figure DEST_PATH_IMAGE036
滑窗操作，统计计算目标像素点的细节度
Figure 165989DEST_PATH_IMAGE004
。根据上述步骤，可以得到所有像素点的细节度
Figure 434159DEST_PATH_IMAGE004
大小，用于接下来的分析。
2）感兴趣度计算。
CT，又名计算机断层扫描，是多个传感器围绕人体的某一部位做连续的断面扫描，因此通常来说，得到的是连续的不同层面的CT图像，而不是单张的图像，并且这些CT图像中人体所处图像的位置均是一致的，即得到的CT图像中人体组织的位置大致是相同的。对每张CT图像中的人体组织进行分析，可以看出，图像中骨骼组织所在区域的灰度值较大，呈亮白色；肌肉组织所在区域的灰度值小，呈暗灰色；其余组织所在区域的灰度值最小，呈暗黑色。结合CT图像和对应的所有灰度曲线图进行分析，骨骼组织所在的区域的灰度值相较于CT图像中的其他人体组织较大，因此，提取的图像列灰度曲线表示的为人体内部组织结构，且内部组织的灰度值差距较大。所述图像列灰度曲线指的是以CT图像中每一列像素点的
Figure 629648DEST_PATH_IMAGE030
坐标为横坐标，以每一列像素点的灰度值为纵坐标建立的灰度曲线。因此，本实施例根据不同CT图像的多层次性和人体组织位置一致性的特性，据此，通过计算各个像素点的灰度差异以及原本的灰度值计算各点感兴趣度
Figure 731596DEST_PATH_IMAGE012
。
像素点的感兴趣度
Figure 645326DEST_PATH_IMAGE012
的计算过程为：
1.对图像进行逐列提取，并对每一列的图像建立列灰度曲线图，即以像素点
Figure DEST_PATH_IMAGE038
的
Figure 651940DEST_PATH_IMAGE030
坐标为横坐标，以像素点
Figure 233094DEST_PATH_IMAGE038
的灰度值为纵坐标。至此，得到一张CT图像的多个列灰度曲线图。
2.对得到的每一列灰度曲线进行多项式曲线拟合，得到该列灰度曲线的多项式表达式
Figure DEST_PATH_IMAGE040
，并根据此表达式计算列灰度曲线上各点的斜率
Figure 912469DEST_PATH_IMAGE014
，该值可以表示该像素点与上一像素点的灰度值差异大小。斜率越大，该像素点与上一点的像素值差异越大，我们对其感兴趣的程度就越大。其对应的表达式为：
Figure DEST_PATH_IMAGE042
Figure DEST_PATH_IMAGE044
式中，
Figure 985598DEST_PATH_IMAGE030
表示像素点
Figure 736516DEST_PATH_IMAGE038
的纵坐标；
Figure DEST_PATH_IMAGE046
，
Figure DEST_PATH_IMAGE048
，
Figure DEST_PATH_IMAGE050
均为多项式曲线拟合得到的系数；
Figure 374691DEST_PATH_IMAGE014
为像素点I的曲线斜率。多项式曲线拟合为公知技术，本实施例中不再赘述。
3.基于上面的分析可以得知，图像中骨骼组织所在区域的灰度值较大，呈亮白色。因此可以得知，像素点的感兴趣度
Figure 818442DEST_PATH_IMAGE012
还与灰度值有关。因此计算像素点的感兴趣度
Figure 441185DEST_PATH_IMAGE012
的公式为：
Figure DEST_PATH_IMAGE010A
式中，
Figure 464635DEST_PATH_IMAGE014
为像素点
Figure DEST_PATH_IMAGE052
的列灰度曲线斜率，
Figure 754802DEST_PATH_IMAGE016
为该点的灰度值，
Figure 366525DEST_PATH_IMAGE018
分别为图像像素点的最大灰度值和最小灰度值。
3）窗口大小确定。
通过上述步骤得到的图像中各个像素点的细节度
Figure 335618DEST_PATH_IMAGE004
和感兴趣度
Figure 428339DEST_PATH_IMAGE012
，计算各个像素点对应的窗口大小。通过分析得知，对于需要增强的感兴趣区域以及细节不明显的区域，需要较大的窗口建立二维灰度直方图，使得邻域信息更多的体现于二维灰度直方图上；对于不感兴趣的区域以及细节已经够丰富的区域，需要较小的窗口。并且为保证目标像素点在窗口的中心以及减少计算量，定义二维灰度直方图的窗口大小为
Figure DEST_PATH_IMAGE054
，
Figure 104171DEST_PATH_IMAGE022
为奇数且
Figure DEST_PATH_IMAGE056
。因此，得到的
Figure 420883DEST_PATH_IMAGE022
表达式为：
Figure DEST_PATH_IMAGE020A
式中，
Figure 955900DEST_PATH_IMAGE004
和
Figure 852312DEST_PATH_IMAGE012
分别为像素点的细节度和感兴趣度，
Figure 585913DEST_PATH_IMAGE024
为超参数，用于约束
Figure 667001DEST_PATH_IMAGE022
的奇数值和取值范围。
至此，我们得到了各个像素点相对应的窗口大小。
S203、建立二维灰度直方图。
利用上述步骤得到的各个像素点对应的窗口大小建立图像的二维灰度直方图。本实施例中二维灰度直方图可以看成基于像素灰度值和像素邻域灰度平均均值两部分的结合：
Figure DEST_PATH_IMAGE058
为像素点
Figure DEST_PATH_IMAGE060
的灰度值，
Figure DEST_PATH_IMAGE062
为像素点
Figure 895507DEST_PATH_IMAGE060
的
Figure 330031DEST_PATH_IMAGE054
邻域内的灰度值均值。定义二维灰度直方图
Figure DEST_PATH_IMAGE064
表示为像素灰度值为
Figure DEST_PATH_IMAGE066
，且同时邻域灰度值均值
Figure DEST_PATH_IMAGE068
的像素点个数。该二维灰度直方图的示意图如图3所示。该示意图中，
Figure 59083DEST_PATH_IMAGE028
轴为灰度值，
Figure 45494DEST_PATH_IMAGE030
轴为邻域灰度值均值，
Figure 351842DEST_PATH_IMAGE032
轴为对应灰度值和灰度值均值的像素频数。
S204、获取增强后的图像。
对于大小为
Figure DEST_PATH_IMAGE070
的图像，像素点的灰度值和邻域灰度值均值构成二元组
Figure DEST_PATH_IMAGE072
表示图像。计算二元组
Figure 790389DEST_PATH_IMAGE072
的像素频数
Figure DEST_PATH_IMAGE074
的概率密度，并计算累计概率密度函数
Figure DEST_PATH_IMAGE076
。然后规定图像的每个灰度级出现的概率设置为相等，并计算累计概率密度函数
Figure DEST_PATH_IMAGE078
。利用
Figure 639527DEST_PATH_IMAGE076
和
Figure 531260DEST_PATH_IMAGE078
建立映射关系，得到增强后的CT图像。所述累计概率密度函数的计算过程如下：
Figure DEST_PATH_IMAGE080
Figure DEST_PATH_IMAGE082
式中，
Figure DEST_PATH_IMAGE084
为图像的灰度级，
Figure DEST_PATH_IMAGE086
为
Figure DEST_PATH_IMAGE088
阶灰度级的累计概率密度函数。
Figure DEST_PATH_IMAGE090
为二元组
Figure 79038DEST_PATH_IMAGE072
的像素频数
Figure 79531DEST_PATH_IMAGE074
的概率密度。
S205、对图像进行分割。
对增强后的图像进行
Figure 766865DEST_PATH_IMAGE026
阈值选择，并根据该阈值进行阈值分割得到二值图，将大于等于该阈值的像素点的像素值设置为1，小于该阈值的像素点的像素值设置为0，得到脊椎骨区域。
本实施例的有益效果在于：
本实施例基于脊椎图像的灰度特征得到图像中每个像素点的细节度和感兴趣度，利用细节度和感兴趣度得到每个像素点的自适应窗口，引入自适应窗口建立二维灰度直方图，对二维灰度直方图进行均衡化处理得到增强后的图像，对增强后的图像进行阈值分割，可有效提高脊椎图像的分割效果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，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 (7)

1.一种脊椎图像分割方法，其特征在于，包括：
获取脊椎CT图像；
对脊椎CT图像进行滑窗检测，利用每个滑窗窗口内中心像素点的邻域像素点的灰度值计算得到脊椎CT图像中各像素点的细节度；
利用脊椎CT图像中每个像素点的坐标和灰度值得到灰度曲线，对灰度曲线进行多项式曲线拟合获取脊椎CT图像中各像素点的曲线斜率；
利用脊椎CT图像中各像素点的曲线斜率及灰度值计算得到脊椎CT图像中各像素点的感兴趣度；
利用脊椎CT图像中各像素点的细节度和感兴趣度确定出脊椎CT图像中各像素点建立二维灰度直方图的窗口大小；
利用脊椎CT图像中各像素点的灰度值及该像素点建立二维灰度直方图的窗口内的邻域像素点的灰度值均值构建脊椎CT图像的二维灰度直方图；
对脊椎CT图像的二维灰度直方图进行均衡化处理得到增强后的脊椎CT图像；
对增强后的脊椎CT图像进行阈值分割得到脊椎骨区域。
2.根据权利要求1所述的一种脊椎图像分割方法，其特征在于，所述脊椎CT图像中各像素点的细节度是按照如下方式得到：
设置滑窗大小，以每个滑窗内的中心像素点作为目标像素点；
对脊椎CT图像进行滑窗检测，计算每个滑窗窗口内目标像素点的所有邻域像素点的灰度值均值；
利用每个滑窗窗口内目标像素点的所有邻域像素点的灰度值均值及各邻域像素点的灰度值计算得到脊椎CT图像中各像素点的细节度。
3.根据权利要求1或2所述的一种脊椎图像分割方法，其特征在于，所述脊椎CT图像中各像素点的细节度的表达式如下：
Figure 188156DEST_PATH_IMAGE001
式中，
Figure 734675DEST_PATH_IMAGE002
为脊椎CT图像中各像素点的细节度，
Figure 173747DEST_PATH_IMAGE003
为目标像素点的第n个邻域像素点的灰度值，
Figure 390620DEST_PATH_IMAGE004
为目标像素点的所有邻域像素点的灰度值均值，D为目标像素点的邻域像素点的数量。
4.根据权利要求1所述的一种脊椎图像分割方法，其特征在于，所述脊椎CT图像中各像素点的感兴趣度是按照如下方式得到：
将脊椎CT图像中每一列像素点的纵坐标作为x轴，每一列像素点的灰度值作为y轴得到脊椎CT图像的每一列灰度曲线；
对每一列灰度曲线进行多项式曲线拟合，得到各列灰度曲线的多项式表达式；
利用各列灰度曲线的多项式表达式计算得到每一列像素点的曲线斜率；
利用每一列像素点的灰度值及该点的曲线斜率计算得到脊椎CT图像中各像素点的感兴趣度。
5.根据权利要求1或4所述的一种脊椎图像分割方法，其特征在于，所述脊椎CT图像中各像素点的感兴趣度的表达式如下：
Figure 765101DEST_PATH_IMAGE005
式中，
Figure 392392DEST_PATH_IMAGE006
为脊椎CT图像中各像素点的感兴趣度，
Figure 244941DEST_PATH_IMAGE007
为脊椎CT图像中像素点I的曲线斜率，
Figure 313391DEST_PATH_IMAGE008
为像素点I的灰度值，
Figure 983407DEST_PATH_IMAGE009
分别为脊椎CT图像中像素点的最大灰度值和最小灰度值。
6.根据权利要求1所述的一种脊椎图像分割方法，其特征在于，所述脊椎CT图像中各像素点建立二维灰度直方图的窗口大小的表达式如下：
Figure 973360DEST_PATH_IMAGE010
式中，
Figure 488655DEST_PATH_IMAGE011
为脊椎CT图像中各像素点建立二维灰度直方图的窗口大小，
Figure 159414DEST_PATH_IMAGE002
和
Figure 672435DEST_PATH_IMAGE006
分别为脊椎CT图像中各像素点的细节度和感兴趣度，
Figure 149684DEST_PATH_IMAGE012
为超参数。
7.根据权利要求1所述的一种脊椎图像分割方法，其特征在于，所述对增强后的脊椎CT图像进行阈值分割的过程具体如下：
对增强后的图像进行
Figure 468670DEST_PATH_IMAGE013
阈值选择，将大于等于该阈值的像素点的像素值设置为1，小于该阈值的像素点的像素值设置为0，得到脊椎骨区域。
CN202210578277.7A 2022-05-26 2022-05-26 一种脊椎图像分割方法 Active CN114677391B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210578277.7A CN114677391B (zh) 2022-05-26 2022-05-26 一种脊椎图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210578277.7A CN114677391B (zh) 2022-05-26 2022-05-26 一种脊椎图像分割方法

Publications (2)

Publication Number Publication Date
CN114677391A true CN114677391A (zh) 2022-06-28
CN114677391B CN114677391B (zh) 2022-08-26

Family

ID=82079470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210578277.7A Active CN114677391B (zh) 2022-05-26 2022-05-26 一种脊椎图像分割方法

Country Status (1)

Country Link
CN (1) CN114677391B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100212A (zh) * 2022-08-29 2022-09-23 卡松科技股份有限公司 一种润滑油污染程度检测方法
CN115225897A (zh) * 2022-07-14 2022-10-21 河南职业技术学院 一种基于霍夫曼编码的视频多级加密传输方法
CN115760826A (zh) * 2022-11-29 2023-03-07 江苏满锐精密工具有限公司 一种基于图像处理的轴承磨损状况诊断方法
CN116128774A (zh) * 2023-04-15 2023-05-16 山东大学第二医院 一种胃部螺旋ct数据增强处理方法
CN116385438A (zh) * 2023-06-05 2023-07-04 济南科汛智能科技有限公司 一种核磁共振肿瘤区域提取方法
CN116485819A (zh) * 2023-06-21 2023-07-25 青岛大学附属医院 一种耳鼻喉检查图像分割方法及系统
CN116993736A (zh) * 2023-09-27 2023-11-03 深圳泰康医疗设备有限公司 一种骨质疏松区域智能识别系统
CN117237342A (zh) * 2023-11-13 2023-12-15 中国人民解放军总医院第八医学中心 一种呼吸康复ct影像智能分析方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5900732A (en) * 1996-11-04 1999-05-04 Mayo Foundation For Medical Education And Research Automatic windowing method for MR images
CN101105862A (zh) * 2007-08-02 2008-01-16 宁波大学 一种医学图像窗口参数的自适应调整方法
CN102496152A (zh) * 2011-12-01 2012-06-13 四川虹微技术有限公司 一种基于直方图的自适应图像对比度增强方法
CN102831604A (zh) * 2012-07-30 2012-12-19 常州大学 一种灰度图像的二维Renyi熵阈值分割方法
CN104574326A (zh) * 2013-10-15 2015-04-29 无锡华润矽科微电子有限公司 对图像进行直方图均衡处理的方法和装置
CN108182686A (zh) * 2017-12-28 2018-06-19 山东师范大学 基于曲线群匹配的oct眼底图像半自动分割方法和装置
CN109064426A (zh) * 2018-07-26 2018-12-21 电子科技大学 一种用于抑制低照度图像中眩光并增强图像的方法及装置
CN110147795A (zh) * 2019-05-24 2019-08-20 电子科技大学 一种自适应非局部模糊c均值聚类sar图像分割算法
CN110264475A (zh) * 2019-06-19 2019-09-20 合肥工业大学 基于ct图像的脊椎三维建模方法及装置
CN112802025A (zh) * 2021-02-10 2021-05-14 深圳华中科技大学研究院 一种ct图像下肝脏肿瘤的分割方法与装置
CN113348486A (zh) * 2019-01-25 2021-09-03 谷歌有限责任公司 具有选择性运动描述的图像显示
CN114240989A (zh) * 2021-11-30 2022-03-25 中国工商银行股份有限公司 图像分割方法、装置、电子设备及计算机存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5900732A (en) * 1996-11-04 1999-05-04 Mayo Foundation For Medical Education And Research Automatic windowing method for MR images
CN101105862A (zh) * 2007-08-02 2008-01-16 宁波大学 一种医学图像窗口参数的自适应调整方法
CN102496152A (zh) * 2011-12-01 2012-06-13 四川虹微技术有限公司 一种基于直方图的自适应图像对比度增强方法
CN102831604A (zh) * 2012-07-30 2012-12-19 常州大学 一种灰度图像的二维Renyi熵阈值分割方法
CN104574326A (zh) * 2013-10-15 2015-04-29 无锡华润矽科微电子有限公司 对图像进行直方图均衡处理的方法和装置
CN108182686A (zh) * 2017-12-28 2018-06-19 山东师范大学 基于曲线群匹配的oct眼底图像半自动分割方法和装置
CN109064426A (zh) * 2018-07-26 2018-12-21 电子科技大学 一种用于抑制低照度图像中眩光并增强图像的方法及装置
CN113348486A (zh) * 2019-01-25 2021-09-03 谷歌有限责任公司 具有选择性运动描述的图像显示
CN110147795A (zh) * 2019-05-24 2019-08-20 电子科技大学 一种自适应非局部模糊c均值聚类sar图像分割算法
CN110264475A (zh) * 2019-06-19 2019-09-20 合肥工业大学 基于ct图像的脊椎三维建模方法及装置
CN112802025A (zh) * 2021-02-10 2021-05-14 深圳华中科技大学研究院 一种ct图像下肝脏肿瘤的分割方法与装置
CN114240989A (zh) * 2021-11-30 2022-03-25 中国工商银行股份有限公司 图像分割方法、装置、电子设备及计算机存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SOUMI RAY ET AL: "Intensity population based unsupervised hemorrhage segmentation from brain CT images", 《EXPERT SYSTEMS WITH APPLICATIONS》 *
ZHOUREN WAN ET AL: "Extraction and segmentation method of laser stripe in linear structured light scanner", 《OPTICAL ENGINEERING》 *
侯晓晓: "基于改进水平集的眼底图像血管分割算法的研究", 《中国优秀硕士学位论文全文数据库》 *
段汶君等: "基于曲线群匹配的OCT眼底图像分割算法", 《信息技术与信息化》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115225897B (zh) * 2022-07-14 2024-09-24 河南职业技术学院 一种基于霍夫曼编码的视频多级加密传输方法
CN115225897A (zh) * 2022-07-14 2022-10-21 河南职业技术学院 一种基于霍夫曼编码的视频多级加密传输方法
CN115100212B (zh) * 2022-08-29 2022-11-18 卡松科技股份有限公司 一种润滑油污染程度检测方法
CN115100212A (zh) * 2022-08-29 2022-09-23 卡松科技股份有限公司 一种润滑油污染程度检测方法
CN115760826A (zh) * 2022-11-29 2023-03-07 江苏满锐精密工具有限公司 一种基于图像处理的轴承磨损状况诊断方法
CN115760826B (zh) * 2022-11-29 2023-08-11 江苏满锐精密工具有限公司 一种基于图像处理的轴承磨损状况诊断方法
CN116128774A (zh) * 2023-04-15 2023-05-16 山东大学第二医院 一种胃部螺旋ct数据增强处理方法
CN116385438A (zh) * 2023-06-05 2023-07-04 济南科汛智能科技有限公司 一种核磁共振肿瘤区域提取方法
CN116385438B (zh) * 2023-06-05 2023-08-11 济南科汛智能科技有限公司 一种核磁共振肿瘤区域提取方法
CN116485819A (zh) * 2023-06-21 2023-07-25 青岛大学附属医院 一种耳鼻喉检查图像分割方法及系统
CN116485819B (zh) * 2023-06-21 2023-09-01 青岛大学附属医院 一种耳鼻喉检查图像分割方法及系统
CN116993736A (zh) * 2023-09-27 2023-11-03 深圳泰康医疗设备有限公司 一种骨质疏松区域智能识别系统
CN116993736B (zh) * 2023-09-27 2023-12-05 深圳泰康医疗设备有限公司 一种骨质疏松区域智能识别系统
CN117237342A (zh) * 2023-11-13 2023-12-15 中国人民解放军总医院第八医学中心 一种呼吸康复ct影像智能分析方法
CN117237342B (zh) * 2023-11-13 2024-02-02 中国人民解放军总医院第八医学中心 一种呼吸康复ct影像智能分析方法

Also Published As

Publication number Publication date
CN114677391B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN114677391B (zh) 一种脊椎图像分割方法
Zhang et al. Fast segmentation of bone in CT images using 3D adaptive thresholding
CN117474823B (zh) 一种儿科感染性炎症检测辅助用ct数据处理系统
Acharya et al. Particle swarm optimized texture based histogram equalization (PSOTHE) for MRI brain image enhancement
Ikhsan et al. An analysis of x-ray image enhancement methods for vertebral bone segmentation
CN115359052B (zh) 基于聚类算法的医疗影像增强方法
CN110458859B (zh) 一种基于多序列mri的多发性骨髓瘤病灶的分割系统
CN106530236B (zh) 一种医学图像处理方法及系统
Na'am et al. Filter technique of medical image on multiple morphological gradient (MMG) method
CN116993764B (zh) 一种胃部ct智能分割提取方法
CN112967254A (zh) 基于胸部ct影像肺部疾病识别和检测方法
Kalhor et al. Assessment of histogram-based medical image contrast enhancement techniques; an implementation
Isinkaye et al. Segmentation of medical X-ray bone image using different image processing techniques
Mohammed et al. Osteoporosis detection using convolutional neural network based on dual-energy X-ray absorptiometry images
Soni et al. Automatic Pulmonary Cancer Detection using Prewitt & Morphological Dilation
Noviana et al. Axial segmentation of lungs CT scan images using canny method and morphological operation
Sharma et al. Comparative analysis of image enhancement techniques for chest x-ray images
CN115222651A (zh) 一种基于改进Mask R-CNN的肺结节检测系统
Li et al. A hybrid approach to detection of brain hemorrhage candidates from clinical head ct scans
Lee et al. Chest Radiographs Enhancement with Contrast Limited Adaptive Histogram
CN117237342B (zh) 一种呼吸康复ct影像智能分析方法
Idowu et al. Improved Enhancement Technique for Medical Image Processing
Chondro et al. An effective occipitomental view enhancement based on adaptive morphological texture analysis
Prakash Medical image processing methodology for liver tumour diagnosis
Joy et al. Restoration of dental radiographs corrupted by quantum noise via a noise-adaptive sub-global weighted sum of radiometrically similar pixels

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