CN114764810A - 一种医学图像分割方法 - Google Patents
一种医学图像分割方法 Download PDFInfo
- Publication number
- CN114764810A CN114764810A CN202110052042.XA CN202110052042A CN114764810A CN 114764810 A CN114764810 A CN 114764810A CN 202110052042 A CN202110052042 A CN 202110052042A CN 114764810 A CN114764810 A CN 114764810A
- Authority
- CN
- China
- Prior art keywords
- image
- medical image
- segmentation
- medical
- region
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003709 image segmentation Methods 0.000 title claims abstract description 48
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000003708 edge detection Methods 0.000 claims abstract description 17
- 238000012805 post-processing Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000000877 morphologic effect Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 7
- 238000003672 processing method Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 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
- G06T7/10—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
- G06T7/13—Edge detection
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种医学图像分割方法，属于医学影像技术领域，包括以下步骤：S1、获取待分割的医学图像；S2、确定医学图像的目标分割区域；S3、对目标分割区域进行区域分割和边缘检测的医学扫描，得到医学图像样本；S4、对样本中进行预处理，得到一维的灰度直方图的图像；S5、对灰度直方图的图像进行医学图像二值化处理；S6、对图像进行边缘检测处理；S7、对图像基于数学形态学的后处理；S8、完成医学图像的分割。通过对医学图像的预处理和后处理采用不同的模态以及方法进行处理，使得图像分割效果明显，分割结果准确，并在对医学图像进行分割时，采用阈值法和区域生长处理方法根据医学图像样本的具体情况合理选择，保证了图像的分割效果。
Description
技术领域
本发明属于医学影像技术领域，具体为一种医学图像分割方法。
背景技术
医学图像分割是医学图像处理和分析的关键步骤，也是其它高级医学图像分析和解释系统的核心组成部分。医学图像的分割为目标分离、特征提取和参数的定量测量提供了基础和前提条件，使得更高层的医学图像理解和诊断成为可能。医学图像分割在医学研究、临床诊断、病理分析、手术计划、影像信息处理、计算机辅助手术等医学研究与实践领域中有着广泛的应用和研究价值。所谓医学图像分割，就是根据医学图像的某种相似性特征(如亮度、颜色、纹理、面积、形状、位置、局部统计特征或频谱特征等)将医学图像划分为若干个互不相交的“连通”的区域的过程，相关特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同，也就是说在区域边界上的像素存在某种不连续性。
现有技术中，在对医学图像进行分割的技术，大多基于单一模态，导致图像分割效果不佳，分割结果不准确。
为此，我们提出了一种医学图像分割方法来解决上述问题。
发明内容
针对现有技术的不足，本发明提供了一种医学图像分割方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种医学图像分割方法，包括以下步骤：
S1、获取待分割的医学图像；
S2、确定医学图像的目标分割区域；
S3、对目标分割区域进行区域分割和边缘检测的医学扫描，得到医学图像样本；
S4、对样本中进行预处理，得到一维的灰度直方图的图像；
S5、对灰度直方图的图像进行医学图像二值化处理；
S6、对图像进行边缘检测处理；
S7、对图像基于数学形态学的后处理；
S8、完成医学图像的分割。
进一步优化本技术方案，所述S4中，预处理的内容包括基于一维灰度直方图统计特征将样本中的感兴趣目标与图像背景进行分离的图像分割。
进一步优化本技术方案，所述S4中，目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上有差异，反映在图像直方图上，不同目标和背景则对应不同的峰，选取的阈值应位于两个峰之间的谷，从而将各个峰分开成单阈值和多阈值。
进一步优化本技术方案，所述S5中，医学图像二值化处理采用阈值法，通过图像的直方图来定义阈值，并检测目标像素是否在此区域内。
进一步优化本技术方案，所述S5中，对灰度直方图的图像进行区域生长处理，对图像中的特征度量和区域增长规则进行设计，用于提高算法的高效性和准确性。
进一步优化本技术方案，所述区域生长处理的内容包括：在图像中选择一个种子点，依次利用算法模型将种子像素周围的相似像素合并到种子像素所在的区域中，逐渐生长为满足约束条件的目标区域。
进一步优化本技术方案，所述S6中，边缘检测处理包括并行微分算子算法、基于曲面拟合的方法、串行边界查找以及基于形变模型的方法。
进一步优化本技术方案，所述S7中，在对图像进行后处理时，采用形态学分水岭算法对图像进行形态学算子来对图像进行后处理。
一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像处理程序，所述图像处理程序被所述处理器执行时实现如上述的任一项所述的医学图像分割方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有图像处理程序，所述图像处理程序被处理器运行时执行上述的任一项所述的医学图像分割方法的步骤。
与现有技术相比，本发明提供了一种医学图像分割方法，具备以下有益效果：
该医学图像分割方法，通过对医学图像的预处理和后处理采用不同的模态以及方法进行处理，使得图像分割效果明显，分割结果准确，并在对医学图像进行分割时，采用阈值法和区域生长处理方法根据医学图像样本的具体情况合理选择，保证了该医学图像分割方法的图像分割效果。
附图说明
图1为本发明提出的一种医学图像分割方法的流程示意图。
具体实施方式
下面将结合本发明的实施例，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。
实施例一：
请参阅图1，一种医学图像分割方法，包括以下步骤：
S1、获取待分割的医学图像；
S2、确定医学图像的目标分割区域；
S3、对目标分割区域进行区域分割和边缘检测的医学扫描，得到医学图像样本；
S4、对样本中进行预处理，得到一维的灰度直方图的图像；
S5、对灰度直方图的图像进行医学图像二值化处理；
S6、对图像进行边缘检测处理；
S7、对图像基于数学形态学的后处理；
S8、完成医学图像的分割。
具体的，所述S4中，预处理的内容包括基于一维灰度直方图统计特征将样本中的感兴趣目标与图像背景进行分离的图像分割。
具体的，所述S4中，目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上有差异，反映在图像直方图上，不同目标和背景则对应不同的峰，选取的阈值应位于两个峰之间的谷，从而将各个峰分开成单阈值和多阈值。
具体的，所述S5中，医学图像二值化处理采用阈值法，通过图像的直方图来定义阈值，并检测目标像素是否在此区域内。
具体的，所述S6中，边缘检测处理包括并行微分算子算法、基于曲面拟合的方法、串行边界查找以及基于形变模型的方法。
具体的，所述S7中，在对图像进行后处理时，采用形态学分水岭算法对图像进行形态学算子来对图像进行后处理。
一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像处理程序，所述图像处理程序被所述处理器执行时实现如上述的任一项所述的医学图像分割方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有图像处理程序，所述图像处理程序被处理器运行时执行上述的任一项所述的医学图像分割方法的步骤。
实施例二：
一种医学图像分割方法，包括以下步骤：
S1、获取待分割的医学图像；
S2、确定医学图像的目标分割区域；
S3、对目标分割区域进行区域分割和边缘检测的医学扫描，得到医学图像样本；
S4、对样本中进行预处理，得到一维的灰度直方图的图像；
S5、对灰度直方图的图像进行区域生长处理；
S6、对图像进行边缘检测处理；
S7、对图像基于数学形态学的后处理；
S8、完成医学图像的分割。
具体的，所述S4中，预处理的内容包括基于一维灰度直方图统计特征将样本中的感兴趣目标与图像背景进行分离的图像分割。
具体的，所述S4中，目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上有差异，反映在图像直方图上，不同目标和背景则对应不同的峰，选取的阈值应位于两个峰之间的谷，从而将各个峰分开成单阈值和多阈值。
具体的，所述S5中，对灰度直方图的图像进行区域生长处理，对图像中的特征度量和区域增长规则进行设计，用于提高算法的高效性和准确性。
具体的，所述区域生长处理的内容包括：在图像中选择一个种子点，依次利用算法模型将种子像素周围的相似像素合并到种子像素所在的区域中，逐渐生长为满足约束条件的目标区域。
具体的，所述S6中，边缘检测处理包括并行微分算子算法、基于曲面拟合的方法、串行边界查找以及基于形变模型的方法。
具体的，所述S7中，在对图像进行后处理时，采用形态学分水岭算法对图像进行形态学算子来对图像进行后处理。
一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像处理程序，所述图像处理程序被所述处理器执行时实现如上述的任一项所述的医学图像分割方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有图像处理程序，所述图像处理程序被处理器运行时执行上述的任一项所述的医学图像分割方法的步骤。
实施例三：
一种医学图像分割方法，包括以下步骤：
S1、获取待分割的医学图像；
S2、确定医学图像的目标分割区域；
S3、对目标分割区域进行区域分割和边缘检测的医学扫描，得到医学图像样本；
S4、对样本中进行预处理，得到一维的灰度直方图的图像；
S5、对灰度直方图的图像进行医学图像二值化处理；
S6、对图像进行边缘检测处理；
S7、对图像基于数学形态学的后处理；
S8、完成医学图像的分割。
具体的，所述S4中，预处理的内容包括基于一维灰度直方图统计特征将样本中的感兴趣目标与图像背景进行分离的图像分割。
具体的，所述S4中，目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上有差异，反映在图像直方图上，不同目标和背景则对应不同的峰，选取的阈值应位于两个峰之间的谷，从而将各个峰分开成单阈值和多阈值。
具体的，所述S5中，医学图像二值化处理采用阈值法，通过图像的直方图来定义阈值，并检测目标像素是否在此区域内。
具体的，所述S6中，边缘检测处理包括并行微分算子算法、基于曲面拟合的方法、串行边界查找以及基于形变模型的方法。
其中，并行微分算子算法需要通过求一阶导数极值点或二阶导数过零点来检测边缘。
其中，基于曲面拟合的方法将灰度看成高度，用一个曲面来拟合一个小窗口内的数据，根据该曲面来决定边缘点。
其中，串行边界查找需要查找高梯度值的像素，并连接起来形成曲线表示对象的边缘。
其中，基于形变模型的方法利用区域和边界的信息，利用模型有效地对目标进行分割。
具体的，所述S7中，在对图像进行后处理时，采用形态学分水岭算法对图像进行形态学算子来对图像进行后处理。
一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像处理程序，所述图像处理程序被所述处理器执行时实现如上述的任一项所述的医学图像分割方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有图像处理程序，所述图像处理程序被处理器运行时执行上述的任一项所述的医学图像分割方法的步骤。
本发明的有益效果是：该医学图像分割方法，通过对医学图像的预处理和后处理采用不同的模态以及方法进行处理，使得图像分割效果明显，分割结果准确，并在对医学图像进行分割时，采用阈值法和区域生长处理方法根据医学图像样本的具体情况合理选择，保证了该医学图像分割方法的图像分割效果。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种医学图像分割方法，其特征在于，包括以下步骤：
S1、获取待分割的医学图像；
S2、确定医学图像的目标分割区域；
S3、对目标分割区域进行区域分割和边缘检测的医学扫描，得到医学图像样本；
S4、对样本中进行预处理，得到一维的灰度直方图的图像；
S5、对灰度直方图的图像进行医学图像二值化处理；
S6、对图像进行边缘检测处理；
S7、对图像基于数学形态学的后处理；
S8、完成医学图像的分割。
2.根据权利要求1所述的一种医学图像分割方法，其特征在于，所述S4中，预处理的内容包括基于一维灰度直方图统计特征将样本中的感兴趣目标与图像背景进行分离的图像分割。
3.根据权利要求1所述的一种医学图像分割方法，其特征在于，所述S4中，目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上有差异，反映在图像直方图上，不同目标和背景则对应不同的峰，选取的阈值应位于两个峰之间的谷，从而将各个峰分开成单阈值和多阈值。
4.根据权利要求1所述的一种医学图像分割方法，其特征在于，所述S5中，医学图像二值化处理采用阈值法，通过图像的直方图来定义阈值，并检测目标像素是否在此区域内。
5.根据权利要求1所述的一种医学图像分割方法，其特征在于，所述S5中，对灰度直方图的图像进行区域生长处理，对图像中的特征度量和区域增长规则进行设计，用于提高算法的高效性和准确性。
6.根据权利要求5所述的一种医学图像分割方法，其特征在于，所述区域生长处理的内容包括：在图像中选择一个种子点，依次利用算法模型将种子像素周围的相似像素合并到种子像素所在的区域中，逐渐生长为满足约束条件的目标区域。
7.根据权利要求1所述的一种医学图像分割方法，其特征在于，所述S6中，边缘检测处理包括并行微分算子算法、基于曲面拟合的方法、串行边界查找以及基于形变模型的方法。
8.根据权利要求1所述的一种医学图像分割方法，其特征在于，所述S7中，在对图像进行后处理时，采用形态学分水岭算法对图像进行形态学算子来对图像进行后处理。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像处理程序，所述图像处理程序被所述处理器执行时实现如权利要求1至8中任一项所述的医学图像分割方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有图像处理程序，所述图像处理程序被处理器运行时执行上述权利要求1至8任一项所述的医学图像分割方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110052042.XA CN114764810A (zh) | 2021-01-15 | 2021-01-15 | 一种医学图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110052042.XA CN114764810A (zh) | 2021-01-15 | 2021-01-15 | 一种医学图像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114764810A true CN114764810A (zh) | 2022-07-19 |
Family
ID=82363302
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110052042.XA Pending CN114764810A (zh) | 2021-01-15 | 2021-01-15 | 一种医学图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114764810A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117808813A (zh) * | 2024-03-01 | 2024-04-02 | 乐恩(北京)医药技术有限公司 | 呼吸系统肺结节肿瘤细胞影像检测方法及系统、存储介质 |
-
2021
- 2021-01-15 CN CN202110052042.XA patent/CN114764810A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117808813A (zh) * | 2024-03-01 | 2024-04-02 | 乐恩(北京)医药技术有限公司 | 呼吸系统肺结节肿瘤细胞影像检测方法及系统、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Segmentation of breast ultrasound image with semantic classification of superpixels | |
| Setiawan | Image segmentation metrics in skin lesion: accuracy, sensitivity, specificity, dice coefficient, Jaccard index, and Matthews correlation coefficient | |
| Shojaii et al. | Automatic lung segmentation in CT images using watershed transform | |
| Ojala et al. | Accurate segmentation of the breast region from digitized mammograms | |
| Maitra et al. | Technique for preprocessing of digital mammogram | |
| JP5926937B2 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
| Cheng et al. | Automatic segmentation technique for acetabulum and femoral head in CT images | |
| SG194407A1 (en) | A method and system for determining a stage of fibrosis in a liver | |
| Liu et al. | Automatic lung segmentation based on image decomposition and wavelet transform | |
| Wu et al. | Image segmentation | |
| Chen et al. | A combined method for automatic identification of the breast boundary in mammograms | |
| Filali et al. | Multi-scale contrast based skin lesion segmentation in digital images | |
| Liu et al. | Extracting lungs from CT images via deep convolutional neural network based segmentation and two-pass contour refinement | |
| Zhuang et al. | Local fuzzy fractal dimension and its application in medical image processing | |
| CN104933723A (zh) | 基于稀疏表示的舌图像分割方法 | |
| Sreelatha et al. | A survey work on early detection methods of melanoma skin cancer | |
| Purnama et al. | Follicle detection on the usg images to support determination of polycystic ovary syndrome | |
| CN114764810A (zh) | 一种医学图像分割方法 | |
| Moradi et al. | Multi-class segmentation of skin lesions via joint dictionary learning | |
| Ferreira et al. | A wide spread of algorithms for automatic segmentation of dermoscopic images | |
| KR101474162B1 (ko) | 흉부 컴퓨터 단층 영상의 간유리음영 결절 자동 분할 시스템 및 그 분할 방법 | |
| Huidrom et al. | Automated lung segmentation on computed tomography image for the diagnosis of lung cancer | |
| CN111008949B (zh) | 牙齿图像的软硬组织检测方法 | |
| Sengupta et al. | Edge detection in dermascopic images by linear structuring element | |
| Macenko et al. | Lesion detection using morphological watershed segmentation and modelbased inverse filtering |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220719 |