CN115115841B - 一种阴影斑点图像处理分析方法及系统 - Google Patents
一种阴影斑点图像处理分析方法及系统 Download PDFInfo
- Publication number
- CN115115841B CN115115841B CN202211045789.3A CN202211045789A CN115115841B CN 115115841 B CN115115841 B CN 115115841B CN 202211045789 A CN202211045789 A CN 202211045789A CN 115115841 B CN115115841 B CN 115115841B
- Authority
- CN
- China
- Prior art keywords
- image
- result
- identification
- abnormal
- processing
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. 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
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/14—Error detection or correction of the data by redundancy in operation
- G06F11/1402—Saving, restoring, recovering or retrying
- G06F11/1446—Point-in-time backing up or restoration of persistent data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Abstract
本发明提供了一种阴影斑点图像处理分析方法及系统,涉及图像数据处理技术领域,通过对目标处理图像进行灰度处理以及极值优化生成预处理图像,对预处理图像分别进行特征遍历生成异常标识和二值化处理生成轮廓异常标识,得到初始异常标识结果和异常轮廓标识结果,根据初始异常标识结果和异常轮廓标识结果进行局部特征增强处理,获得局部增强处理结果,通过局部增强处理结果进行特征识别遍历标识,生成异常标识结果。解决现有技术中存在进行医学图像识别时误诊和漏诊风险,影响病情诊断准确度和治疗方案生成效率的技术问题。达到为医生进行医疗决策提供参考信息,缩短医疗数据分析时间,辅助提高诊断效率的技术效果。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种阴影斑点图像处理分析方法及系统。
背景技术
在现代医学中,常通过对患者进行放射影像数据采集,并基于采集获得的放射影像数据进行患者实际病况的诊断判断,以实现对患者病情的准确分析和针对性治疗方案的生成。
放射影像数据采集在肺部疾病诊断过程中起到了尤为重要的作用,在放射科医学仪器对患者肺部进行X光图像采集后,通常采用放射科医生进行人工审阅X光图像,进行患者肺部是否存在病灶以及具体病况分析确定。
基于人工进行X光片审阅对于放射科医生的工作经验依赖性较强,且由于现状存在放射科医学影像数量与放射科医生比例失衡的矛盾,放射科医生每日工作量和工作压力较大,伴随着疲劳工作导致漏诊和误诊风险增大。
现有技术中存在放射科医生工作量和工作压力较大,在进行医学图像识别时存在误诊和漏诊风险,导致患者病况发现不及时,影响病情诊断准确度和治疗方案生成效率的技术问题。
发明内容
本申请提供了一种阴影斑点图像处理分析方法及系统,用于针对解决现有技术中存在放射科医生工作量和工作压力较大,在进行医学图像识别时存在误诊和漏诊风险,导致患者病况发现不及时,影响病情诊断准确度和治疗方案生成效率的技术问题。
鉴于上述问题,本申请提供了一种阴影斑点图像处理分析方法及系统。
本申请的第一个方面,提供了一种阴影斑点图像处理分析方法,所述方法包括:采集目标处理图像,对所述目标处理图像进行灰度处理,并将灰度处理图像进行像素分布解析;根据像素分布解析结果确定极值优化区间,基于所述极值优化区间进行所述灰度处理图像的极值优化,根据极值优化结果得到预处理图像;将所述预处理图像进行备份,得到备份图像,当备份完成后,对所述预处理图像进行特征遍历,基于特征遍历结果进行异常标识,得到初始异常标识结果;对所述备份图像进行二值化处理,基于二值化处理后的图像进行轮廓识别,根据轮廓识别结果进行异常轮廓匹配,得到异常轮廓标识结果;根据所述初始异常标识结果和所述异常轮廓标识结果进行局部特征增强处理,获得局部增强处理结果;通过所述局部增强处理结果进行特征识别遍历标识,生成异常标识结果。
本申请的第二个方面,提供了一种阴影斑点图像处理分析系统,所述系统包括:图像采集处理模块,用于采集目标处理图像,对所述目标处理图像进行灰度处理,并将灰度处理图像进行像素分布解析;图像极值优化模块,用于根据像素分布解析结果确定极值优化区间,基于所述极值优化区间进行所述灰度处理图像的极值优化,根据极值优化结果得到预处理图像;特征遍历执行模块,用于将所述预处理图像进行备份,得到备份图像,当备份完成后,对所述预处理图像进行特征遍历,基于特征遍历结果进行异常标识,得到初始异常标识结果;轮廓识别执行模块,用于对所述备份图像进行二值化处理,基于二值化处理后的图像进行轮廓识别,根据轮廓识别结果进行异常轮廓匹配,得到异常轮廓标识结果;局部增强处理模块,用于根据所述初始异常标识结果和所述异常轮廓标识结果进行局部特征增强处理,获得局部增强处理结果;异常标识生成模块,用于通过所述局部增强处理结果进行特征识别遍历标识,生成异常标识结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的方法通过采集目标处理图像,对所述目标处理图像进行灰度处理,并将灰度处理图像进行像素分布解析,根据像素分布解析结果确定极值优化区间,基于所述极值优化区间进行所述灰度处理图像的极值优化,根据极值优化结果得到预处理图像,为后续从灰度图像以及黑白图像两个方向进行异常识别提供数据处理应用图像,将所述预处理图像进行备份,得到备份图像,当备份完成后,对所述预处理图像进行特征遍历,基于特征遍历结果进行异常标识,得到初始异常标识结果;对所述备份图像进行二值化处理,基于二值化处理后的图像进行轮廓识别,根据轮廓识别结果进行异常轮廓匹配,得到异常轮廓标识结果;根据所述初始异常标识结果和所述异常轮廓标识结果进行局部特征增强处理,获得局部增强处理结果;通过所述局部增强处理结果进行特征识别遍历标识,生成异常标识结果。达到了基于图像处理分析结果辅助医生对医疗数据进行决策,缩短医疗数据分析时间,辅助提高诊断效率,降低由工作量引起的误诊漏诊医疗事故风险的技术效果。
附图说明
图1为本申请提供的一种阴影斑点图像处理分析方法流程示意图;
图2为本申请提供的一种阴影斑点图像处理分析方法中获取局部增强处理结果的流程示意图;
图3为本申请提供的一种阴影斑点图像处理分析方法中进行预处理图像特征匹配的流程示意图;
图4为本申请提供的一种阴影斑点图像处理分析系统的结构示意图。
附图标记说明:图像采集处理模块11,图像极值优化模块12,特征遍历执行模块13,轮廓识别执行模块14,局部增强处理模块15,异常标识生成模块16。
具体实施方式
本申请提供了一种阴影斑点图像处理分析方法及系统,用于针对解决现有技术中存在放射科医生工作量和工作压力较大,在进行医学图像识别时存在误诊和漏诊风险,导致患者病况发现不及时,影响病情诊断准确度和治疗方案生成效率的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
对患者医疗图像进行灰度处理,并基于灰度处理图像分别进行异常标识以及轮廓异常标识,综合异常标识结果和异常轮廓标识结果进行医疗图像的局部特征增强处理并通过局部增强处理结果进行特征识别遍历标识,生成异常标识结果。实现向医生提供医疗图像处理分析结果,辅助医生对医疗数据进行决策,缩短医疗数据分析时间,辅助提高诊断效率,降低由工作量引起的误诊漏诊医疗事故风险。
实施例一
如图1所示,本申请提供了一种阴影斑点图像处理分析方法,所述方法包括:
S100:采集目标处理图像,对所述目标处理图像进行灰度处理,并将灰度处理图像进行像素分布解析;
具体而言,在本实施例中,所述目标处理图像为经由放射科医学机器对患者进行肺部X光影像数据采集获得的X光图像。
应理解的,所述目标处理图像为具有色彩特征的图像,所述目标处理图像每一像素点的颜色都由红色(R)、绿色(G)、蓝色(B)组成,基于红色通道(R)、绿色通道(G)、蓝色通道(B)对应数值不同而反映出不同的像素点颜色,相较于进行三个通道数据处理,进行单通道数据处理的处理复杂度较低。
所述灰度处理即为将三通道统一为单通道,降低进行所述目标处理图像数据处理复杂度的方法,通过将彩色图像每个像素点的RGB值(红色R、绿色G、蓝色B)统一成同一个值,将三通道变为单通道。
在本实施例中,通过采集所述目标处理图像,对所述目标处理图像进行灰度处理,使所述目标处理图像的颜色由三维变成一维,且每一像素点的明暗程度取值范围为(0-225),将经由灰度处理获得的所述灰度处理图像进行像素分布解析,获得所述目标处理图像的灰度处理图像中每一像素点的灰度值数据。
S200:根据像素分布解析结果确定极值优化区间,基于所述极值优化区间进行所述灰度处理图像的极值优化,根据极值优化结果得到预处理图像;
具体而言,基于所述像素分布解析结果可获知所述灰度处理图像每一像素点的明暗程度数据,系统自动将灰度值最大的像素点与灰度值最小的像素点作为灰度极值,生成所述极值优化区间,所述灰度处理图像中每一像素点明暗程度数据都落入所述极值优化区间内,本实施例通过在所述极值优化区间内重新定义灰度值最小的像素点以及灰度值最大的像素点,进行所述灰度处理图像的极值优化,根据极值优化结果得到清晰度和明暗对比度提升的所述预处理图像,所述预处理图像能够清晰反映患者肺部的异常状况,便于后续基于阴影斑点图像处理系统进行特征遍历较为准确的对肺部异常做标识。
S300:将所述预处理图像进行备份,得到备份图像,当备份完成后,对所述预处理图像进行特征遍历,基于特征遍历结果进行异常标识,得到初始异常标识结果;
具体而言,在本实施例中,对所述预处理图像分别进行异常状况遍历标识以及异常轮廓匹配标识,为避免进行异常状况遍历标识的数据处理过程与异常轮廓匹配标识的数据处理过程相互干扰,导致数据处理结果偏离实际,因而对所述预处理图像进行备份,获得备份图像,基于预处理图像与备份图像分别执行异常状况遍历标识与异常轮廓匹配标识,所述备份图像与所述预处理图像具有一致性。
所述特征遍历结果为当前X射线图像存在哪些疑似肺部疾病的图像特征,在获得特征遍历结果的基础上,对获得的每一特征遍历结果进行对应疑似肺部疾病的异常标识,生成所述初始异常标识结果。
当备份完成后,对所述预处理图像进行特征遍历,为提高特征遍历所获初始异常标识结果的准确度,可通过构建并训练特征遍历模型实现。
优选的,基于全卷积神经网络构建特征遍历模型,构建编码器和解码器。基于大数据采集获取隐匿患者隐私信息的多张X射线图像,存在例如沁润性肺炎、肺结核、巩固性肺炎、肺气肿、纤维化等肺部疾病,基于人工对每一X射线图像进行对应疾病标签标识,对正常无疾病的X射线图像进行空白标签标识,并将标签标识完成的多张X射线图像通过步骤S100-S200进行灰度处理以及极值优化,获得与所述预处理图像具有相同属性的灰度处理极值优化图像作为特征遍历模型的模型训练数据集。
将多张X射线图像的灰度处理极值优化图像划分为训练特征遍历模型的训练数据、验证数据、测试数据,将训练数据输入特征遍历模型进行疑似肺部疾病特征识别以及标识,将带有标签且与训练数据具有对应关系的验证数据对模型输出结果进行验证,基于测试数据测试特征遍历模型是否满足预设初始异常标识结果准确度。
采用训练数据对编码器和解码器进行监督训练,在训练完成后,采用验证数据和测试数据对编码器和解码器进行验证和测试,若准确率符合预设初始异常标识结果准确度要求,则获得训练完成的特征遍历模型。
将所述预处理图像输入训练好的特征遍历模型进行预处理图像疑似肺部疾病特征图像的比对判断,输出特征遍历结果,基于特征遍历结果进行疑似肺部疾病的异常标识,得到所述初始异常标识结果。
S400:对所述备份图像进行二值化处理,基于二值化处理后的图像进行轮廓识别,根据轮廓识别结果进行异常轮廓匹配,得到异常轮廓标识结果;
具体而言,在本实施例中,在对所述目标处理图像进行灰度处理,使目标处理图像每一像素点的颜色组成由三通道变为单通道,颜色取值范围从256×3降低为256,生成预处理图像的基础上,进一步对预处理图像进行二值化处理,使每一像素点为256级颜色取值范围的预处理图像变为2级颜色取值的黑白图像。
在本实施例中,在颜色取值范围内进行颜色定义分界值,高于颜色定义分界值的像素点为白,低于颜色定义分界值的像素点为黑,使与预处理图像具有一致性的备份图像从灰度图像转化为黑白图像。在本实施例中,颜色定义分界值可根据实际应用进行设定,基于颜色定义分界值生成的黑白图像应具备清晰可识别的形状轮廓边界。
在本实施例中可采用与步骤S200相同的图像识别逻辑进行图像轮廓识别,获得疑似肺部疾病的异常轮廓标识结果。所述初始异常标识结果与异常轮廓标识结果从两个不同的角度对患者是否存在疑似肺部疾病进行图像特征识别分析。
应理解的,由于二值化后的黑白图像的信息量少于灰度处理图像,因而在基于全卷积神经网络进行轮廓识别模型的训练时,可适当调低对于模型输出准确度的要求。
S500:根据所述初始异常标识结果和所述异常轮廓标识结果进行局部特征增强处理,获得局部增强处理结果;
进一步的,如图2所示,本申请提供的方法步骤还包括:
S510:根据所述初始异常标识结果和所述异常轮廓标识结果确定局部增强区域;
S520:基于所述局部增强区域的关联像素值生成增强影响系数;
S530:基于所述增强影响系数进行所述局部特征增强处理,获得所述局部增强处理结果。
具体而言,在本实施例步骤S200和步骤S300分别对同一目标处理图像在灰度图像以及黑白图像两个维度进行疑似肺部疾病识别标识,获得所述初始异常标识结果和所述异常轮廓标识结果后,根据所述初始异常标识结果和所述异常轮廓标识结果确定所述目标处理图像上需要进行局部增强区域,以方便辅助放射科医生进行疑似肺部疾病区域诊断。
获得与所述局部增强区域临界的多组相邻像素点,每组相邻像素点包括处于所述局部增强区域边界位置以内的像素点和位于所述局部增强区域以外的像素点,基于多组相邻像素点进行比值计算获得多组关联像素值,基于所述局部增强区域的关联像素值进行排序,获得最大关联像素值作为所述增强影响系数,基于所述增强影响系数进行所述局部特征增强处理使得所述局部增强区域的图像辨识度高于非增强区域图像辨识度,获得所述局部增强处理结果。
本实施例通过将初始异常标识结果和所述异常轮廓标识结果进行数据联合处理,进行目标处理图像上存在疑似肺部疾病的局部增强区域的确定,并对局部增强区域进行图像辨识度提升处理,达到了提高疑似肺部疾病图像区域在整体X射线图像中的可识别性,便于辅助放射科医生进行病灶分析诊断的技术效果。
S600:通过所述局部增强处理结果进行特征识别遍历标识,生成异常标识结果。
具体而言,在本实施例中,基于所述局部增强处理结果进行特征识别遍历标识,使所述目标处理图像中进行局部增强处理区域标记有异常标识,获得所述异常标识结果,可实现辅助放射科医生进行患者肺部病灶判断诊疗,提高放射科医生工作效率,减轻其工作压力。
本实施例提供的方法通过采集目标处理图像,对所述目标处理图像进行灰度处理,并将灰度处理图像进行像素分布解析,根据像素分布解析结果确定极值优化区间,基于所述极值优化区间进行所述灰度处理图像的极值优化,根据极值优化结果得到预处理图像,为后续从灰度图像以及黑白图像两个方向进行异常识别提供数据处理应用图像,将所述预处理图像进行备份,得到备份图像,当备份完成后,对所述预处理图像进行特征遍历,基于特征遍历结果进行异常标识,得到初始异常标识结果;对所述备份图像进行二值化处理,基于二值化处理后的图像进行轮廓识别,根据轮廓识别结果进行异常轮廓匹配,得到异常轮廓标识结果;根据所述初始异常标识结果和所述异常轮廓标识结果进行局部特征增强处理,获得局部增强处理结果;通过所述局部增强处理结果进行特征识别遍历标识,生成异常标识结果。达到了基于图像处理分析结果辅助医生对医疗数据进行决策,缩短医疗数据分析时间,辅助提高诊断效率,降低由工作量引起的误诊漏诊医疗事故风险的技术效果。
进一步的,所述对所述预处理图像进行特征遍历之前,本申请提供的方法步骤S300还包括:
S311:采集获得所述预处理图像的像素值数据;
S312:构建像素相似评价阈值,根据所述像素值数据和所述像素相似评价阈值选定极小值像素点集合;
S313:通过所述极小值像素点集合和所述像素相似评价阈值进行像素聚合分析,根据像素聚合分析结果得到图像区域分割结果;
S314:将所述图像区域分割结果进行特征遍历。
进一步的,本申请提供的方法步骤还包括:
S321:构建区域相邻极小值约束差;
S322:判断所述图像区域分割结果中是否存在极小值点不满足所述区域相邻极小值约束差的区域;
S323:当所述图像区域分割结果中存在极小值点不满足所述区域相邻极小值约束差的第一区域和第二区域时,获得所述第一区域和第二区域的边界点像素值集合;
S324:当所述边界点像素值集合中与所述第一区域和所述第二区域中的真极小值点的差值满足预设阈值时,则将所述第一区域和所述第二区域合并。
具体而言,应理解的,如若粗暴认为只要相邻两个像素点的像素值存在差异性,两个相邻像素点即为属于不同图像区域的像素点从而根据相邻像素点像素值进行图像区域分割,则可能导致对图像进行过度分割,甚至在像素级别进行分割。
在本实施例中,基于分水岭分割算法原理对预处理图像在进行特征遍历前进行图像区域分割。所述极小值像素点为分水岭分割算法的集水盆地,所述极小值像素点集合内存在具有梯度性的多个极小值像素点,每一极小值像素点对应的集水盆地内放入同样高的水,当这些集水盆地的水一样高时,筑起边界线,作为分水岭线避免集水盆地互相融合。
所述像素相似评价阈值为人工设定的相邻两个像素点像素值差异允许区间,当相邻两个像素点的像素值差值绝对值在所述像素相似评价阈值范围内时,将相邻的两个像素点划归于同一个图像区域。
在本实施例中,构建像素相似评价阈值,采集获得所述预处理图像中每一像素点的像素值数据,基于所述像素相似评价阈值实现对所述预处理图像进行初步图像区域分割,进行初步图像区域分割获得的初步图像区域分割结果具有零散性,因而本实施例通过聚合以提高单次进行特征遍历时的数据处理效率。
根据所述像素值数据和所述像素相似评价阈值选定所述极小值像素点集合。应理解的,由于采用分水岭分割算法进行图像区域分割,容易引起图像过分割,因而本实施例通过所述极小值像素点集合和所述像素相似评价阈值进行像素聚合分析,将部分相邻图像分割结果进行合并,根据像素聚合分析结果生成所述图像区域分割结果。
构建区域相邻极小值约束差,在初步划分的图像区域分割结果中,判断所述图像区域分割结果中是否存在极小值点不满足所述区域相邻极小值约束差的区域;当所述图像区域分割结果中存在极小值点不满足所述区域相邻极小值约束差的第一区域和第二区域时,获得所述第一区域和第二区域的边界点像素值集合;所述第一区域、第二区域为初步划分的图像区域分割结果中存在相邻关系的两个分割区域,当所述边界点像素值集合中与所述第一区域和所述第二区域中的真极小值点的差值满足预设阈值时,则将所述第一区域和所述第二区域合并,将所述图像区域分割结果进行特征遍历。
本实施例通过在对预设处理图像进行特征遍历,进行疑似肺部疾病异常标识前,基于分水岭分割算法结合分割图像聚合,实现了降低进行特征遍历时的系统算力资源消耗,同时提高特征遍历效率的技术效果。
进一步的,如图3所示,本申请提供的方法步骤还包括:
S331:基于大数据构建遍历特征集合;
S332:对所述预处理图像进行图像特性分析,基于特性分析结果生成注意力调节参数;
S333:依据所述注意力调节参数进行所述遍历特征集合优化,根据遍历特征集合优化结果进行所述预处理图像的图像特征匹配。
具体而言,所述注意力调节参数为对单张X射线图像存在肺部疾病区域进行构图中心调节的调节参数。基于所述注意力调节参数进行X射线图像调节,可使图像重心向存在肺部疾病图像区域发生倾斜。
本实施例基于大数据获得隐匿患者隐私信息的多张X射线图像,多张X射线图像中存在例如沁润性肺炎、肺结核、巩固性肺炎、肺气肿、纤维化等肺部疾病,在进行特征遍历时,系统在反映肺部疾病的部分图像区域需要着重进行特征遍历,因而在本实施例中,对所述预处理图像进行图像特性分析确定进行注意力调节的图像定位,基于特性分析结果生成注意力调节参数,依据所述注意力调节参数进行所述遍历特征集合优化,根据遍历特征集合优化结果进行所述预处理图像的图像特征匹配。
本实施例通过调节X射线图像的图像视觉重点,达到了便于进行特征遍历处理时进行疑似肺部疾病区域疾病类型比对,提高特征遍历效率以及特征遍历比对结果准确度的技术效果。
进一步的,本申请提供的方法步骤还包括:
S710:对所述异常标识结果进行标识异常等级评价,生成异常等级标识评价结果;
S720:构建异常等级与标识颜色的映射关系集合;
S730:通过所述异常等级标识评价结果进行所述映射关系集合的等级颜色匹配;
S740:基于等级颜色匹配结果进行所述异常标识结果的颜色区隔标识。
进一步的,本申请提供的方法步骤还包括:
S741:判断所述颜色区隔标识中是否存在满足预设颜色等级阈值的标识区域;
S742:当存在满足预设颜色等级阈值的标识区域时,生成预警提醒信息,并对所述标识区域闪烁提醒。
具体而言,为进一步提高所获异常标识结果对于放射科医生进行患者肺部疾病诊断的辅助价值,在本实施例中,基于放射科医生诊断经验生成标识异常等级划分标准,基于标识异常等级划分标准对所述异常标识结果进行标识异常等级评价,生成异常等级标识评价结果。
在对异常标识结果进行等级划分设定的基础上,对每一异常等级进行颜色标识设定,以便于辅助放射科医生进行患者肺部疾病异常等级的诊断。设置与异常等级数量具有一致性的标识颜色分类,构建异常等级与标识颜色的映射关系集合,通过所述异常等级标识评价结果进行所述映射关系集合的等级颜色匹配,基于等级颜色匹配结果进行所述异常标识结果的颜色区隔标识。
判断所述颜色区隔标识中是否存在满足预设颜色等级阈值的标识区域,当存在满足预设颜色等级阈值的标识区域时,生成预警提醒信息,并对所述标识区域闪烁提醒。
本实施例通过对异常标识结果进行等级设定,并对每一异常等级进行颜色标识设定,在颜色标识满足预设颜色等级阈值的标识区域时,生成预警提醒信息并进行颜色闪烁提醒,实现了进一步提高所获异常标识结果对于放射科医生进行患者肺部疾病诊断的辅助价值的技术效果。
实施例二
基于与前述实施例中一种阴影斑点图像处理分析方法相同的发明构思,如图4所示,本申请提供了一种阴影斑点图像处理分析系统,其中,所述系统包括:
图像采集处理模块11,用于采集目标处理图像,对所述目标处理图像进行灰度处理,并将灰度处理图像进行像素分布解析;
图像极值优化模块12,用于根据像素分布解析结果确定极值优化区间,基于所述极值优化区间进行所述灰度处理图像的极值优化,根据极值优化结果得到预处理图像;
特征遍历执行模块13,用于将所述预处理图像进行备份,得到备份图像,当备份完成后,对所述预处理图像进行特征遍历,基于特征遍历结果进行异常标识,得到初始异常标识结果;
轮廓识别执行模块14,用于对所述备份图像进行二值化处理,基于二值化处理后的图像进行轮廓识别,根据轮廓识别结果进行异常轮廓匹配,得到异常轮廓标识结果;
局部增强处理模块15,用于根据所述初始异常标识结果和所述异常轮廓标识结果进行局部特征增强处理,获得局部增强处理结果;
异常标识生成模块16,用于通过所述局部增强处理结果进行特征识别遍历标识,生成异常标识结果。
进一步的,所述特征遍历执行模块13还包括:
像素数据采集单元,用于采集获得所述预处理图像的像素值数据;
评价阈值构建单元,用于构建像素相似评价阈值,根据所述像素值数据和所述像素相似评价阈值选定极小值像素点集合;
像素聚合分析单元,用于通过所述极小值像素点集合和所述像素相似评价阈值进行像素聚合分析,根据像素聚合分析结果得到图像区域分割结果;
特征遍历执行单元,用于将所述图像区域分割结果进行特征遍历。
进一步的,所述特征遍历执行模块13还包括:
约束阈值构建单元,用于构建区域相邻极小值约束差;
分割结果比对单元,用于判断所述图像区域分割结果中是否存在极小值点不满足所述区域相邻极小值约束差的区域;
比对结果执行单元,用于当所述图像区域分割结果中存在极小值点不满足所述区域相邻极小值约束差的第一区域和第二区域时,获得所述第一区域和第二区域的边界点像素值集合;
比对结果合并单元,用于当所述边界点像素值集合中与所述第一区域和所述第二区域中的真极小值点的差值满足预设阈值时,则将所述第一区域和所述第二区域合并。
进一步的,所述局部增强处理模块15还包括:
增强区域确定单元,用于根据所述初始异常标识结果和所述异常轮廓标识结果确定局部增强区域;
影响系数生成单元,用于基于所述局部增强区域的关联像素值生成增强影响系数;
增强处理执行单元,用于基于所述增强影响系数进行所述局部特征增强处理,获得所述局部增强处理结果。
进一步的,所述异常标识生成模块16还包括:
特征集合构建单元,用于基于大数据构建遍历特征集合;
调节参数生成单元,用于对所述预处理图像进行图像特性分析,基于特性分析结果生成注意力调节参数;
特征集合优化单元,用于依据所述注意力调节参数进行所述遍历特征集合优化,根据遍历特征集合优化结果进行所述预处理图像的图像特征匹配。
进一步的,本申请提供的系统还包括:
评价标识生成单元,用于对所述异常标识结果进行标识异常等级评价,生成异常等级标识评价结果;
映射集合构建单元,用于构建异常等级与标识颜色的映射关系集合;
颜色匹配执行单元,用于通过所述异常等级标识评价结果进行所述映射关系集合的等级颜色匹配;
颜色区隔标识单元,用于基于等级颜色匹配结果进行所述异常标识结果的颜色区隔标识。
进一步的,所述颜色区隔标识单元还包括:
标识信息判断单元,用于判断所述颜色区隔标识中是否存在满足预设颜色等级阈值的标识区域;
判断结果预警单元,用于当存在满足预设颜色等级阈值的标识区域时,生成预警提醒信息,并对所述标识区域闪烁提醒。
综上所述的任意一项方法或者步骤可作为计算机指令或程序存储在各种不限类型的计算机存储器中,通过各种不限类型的计算机处理器识别计算机指令或程序,进而实现上述任一项方法或者步骤。
基于本发明的上述具体实施例,本技术领域的技术人员在不脱离本发明原理的前提下,对本发明所作的任何改进和修饰,皆应落入本发明的专利保护范围。
Claims (8)
1.一种阴影斑点图像处理分析方法,其特征在于,所述方法包括:
采集目标处理图像,对所述目标处理图像进行灰度处理,并将灰度处理图像进行像素分布解析;
根据像素分布解析结果确定极值优化区间,基于所述极值优化区间进行所述灰度处理图像的极值优化,根据极值优化结果得到预处理图像;
将所述预处理图像进行备份,得到备份图像,当备份完成后,对所述预处理图像进行特征遍历,基于特征遍历结果进行异常标识,得到初始异常标识结果;
对所述备份图像进行二值化处理,基于二值化处理后的图像进行轮廓识别,根据轮廓识别结果进行异常轮廓匹配,得到异常轮廓标识结果;
根据所述初始异常标识结果和所述异常轮廓标识结果进行局部特征增强处理,获得局部增强处理结果;
通过所述局部增强处理结果进行特征识别遍历标识,生成异常标识结果。
2.如权利要求1所述的方法,其特征在于,所述对所述预处理图像进行特征遍历之前,还包括:
采集获得所述预处理图像的像素值数据;
根据所述像素值数据选定极小值像素点集合,构建像素相似评价阈值;
通过所述极小值像素点集合和所述像素相似评价阈值进行像素聚合分析,根据像素聚合分析结果得到图像区域分割结果;
将所述图像区域分割结果进行特征遍历。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
构建区域相邻极小值约束差;
判断所述图像区域分割结果中是否存在极小值点不满足所述区域相邻极小值约束差的区域;
当所述图像区域分割结果中存在极小值点不满足所述区域相邻极小值约束差的第一区域和第二区域时,获得所述第一区域和第二区域的边界点像素值集合;
当所述边界点像素值集合中与所述第一区域和所述第二区域中的真极小值点的差值满足预设阈值时,则将所述第一区域和所述第二区域合并。
4.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述初始异常标识结果和所述异常轮廓标识结果确定局部增强区域;
基于所述局部增强区域的关联像素值生成增强影响系数;
基于所述增强影响系数进行所述局部特征增强处理,获得所述局部增强处理结果。
5.如权利要求1所述的方法,其特征在于,所述方法还包括:
基于大数据构建遍历特征集合;
对所述预处理图像进行图像特性分析,基于特性分析结果生成注意力调节参数;
依据所述注意力调节参数进行所述遍历特征集合优化,根据遍历特征集合优化结果进行所述预处理图像的图像特征匹配。
6.如权利要求1所述的方法,其特征在于,所述方法还包括:
对所述异常标识结果进行标识异常等级评价,生成异常等级标识评价结果;
构建异常等级与标识颜色的映射关系集合;
通过所述异常等级标识评价结果进行所述映射关系集合的等级颜色匹配;
基于等级颜色匹配结果进行所述异常标识结果的颜色区隔标识。
7.如权利要求6所述的方法,其特征在于,所述方法还包括:
判断所述颜色区隔标识中是否存在满足预设颜色等级阈值的标识区域;
当存在满足预设颜色等级阈值的标识区域时,生成预警提醒信息,并对所述标识区域闪烁提醒。
8.一种阴影斑点图像处理分析系统,其特征在于,所述系统包括:
图像采集处理模块,用于采集目标处理图像,对所述目标处理图像进行灰度处理,并将灰度处理图像进行像素分布解析;
图像极值优化模块,用于根据像素分布解析结果确定极值优化区间,基于所述极值优化区间进行所述灰度处理图像的极值优化,根据极值优化结果得到预处理图像;
特征遍历执行模块,用于将所述预处理图像进行备份,得到备份图像,当备份完成后,对所述预处理图像进行特征遍历,基于特征遍历结果进行异常标识,得到初始异常标识结果;
轮廓识别执行模块,用于对所述备份图像进行二值化处理,基于二值化处理后的图像进行轮廓识别,根据轮廓识别结果进行异常轮廓匹配,得到异常轮廓标识结果;
局部增强处理模块,用于根据所述初始异常标识结果和所述异常轮廓标识结果进行局部特征增强处理,获得局部增强处理结果;
异常标识生成模块,用于通过所述局部增强处理结果进行特征识别遍历标识,生成异常标识结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211045789.3A CN115115841B (zh) | 2022-08-30 | 2022-08-30 | 一种阴影斑点图像处理分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211045789.3A CN115115841B (zh) | 2022-08-30 | 2022-08-30 | 一种阴影斑点图像处理分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115115841A CN115115841A (zh) | 2022-09-27 |
CN115115841B true CN115115841B (zh) | 2022-11-11 |
Family
ID=83335747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211045789.3A Active CN115115841B (zh) | 2022-08-30 | 2022-08-30 | 一种阴影斑点图像处理分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115841B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115493843B (zh) * | 2022-11-18 | 2023-03-10 | 聊城市义和轴承配件有限公司 | 一种基于轴承保持器的质量监测方法及设备 |
CN115861451B (zh) * | 2022-12-27 | 2023-06-30 | 东莞市楷德精密机械有限公司 | 一种基于机器视觉的多功能图像处理方法及系统 |
CN116364229B (zh) * | 2023-04-20 | 2023-11-10 | 北京透彻未来科技有限公司 | 宫颈癌前病变锥切标本的智能可视化病理报告系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8218862B2 (en) * | 2008-02-01 | 2012-07-10 | Canfield Scientific, Incorporated | Automatic mask design and registration and feature detection for computer-aided skin analysis |
CN101727666B (zh) * | 2008-11-03 | 2013-07-10 | 深圳迈瑞生物医疗电子股份有限公司 | 图像分割方法及装置、图像倒置判断方法 |
-
2022
- 2022-08-30 CN CN202211045789.3A patent/CN115115841B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115115841A (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115115841B (zh) | 一种阴影斑点图像处理分析方法及系统 | |
CN112288706B (zh) | 一种自动化的染色体核型分析以及异常检测方法 | |
US8199985B2 (en) | Automatic interpretation of 3-D medicine images of the brain and methods for producing intermediate results | |
CN110490892A (zh) | 一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法 | |
CN111028206A (zh) | 一种基于深度学习前列腺癌自动检测和分类系统 | |
CN111982916A (zh) | 一种基于机器视觉的焊缝表面缺陷检测方法及系统 | |
CN111340130A (zh) | 一种基于深度学习和影像组学的泌尿结石检测分类方法 | |
CN112365973B (zh) | 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统 | |
US11373309B2 (en) | Image analysis in pathology | |
CN112215799A (zh) | 一种磨玻璃肺结节自动分类方法及系统 | |
CN110796661B (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及系统 | |
CN112927187A (zh) | —种自动识别定位局灶性皮质发育不良癫痫病灶的方法 | |
CN111784704A (zh) | Mri髋关节炎症分割与分类自动定量分级序贯方法 | |
KR20180045473A (ko) | 이미지 분석을 이용한 흑색종 검사 시스템, 방법 및 컴퓨터 프로그램 | |
CN116740426A (zh) | 一种功能磁共振影像的分类预测系统 | |
CN104933723A (zh) | 基于稀疏表示的舌图像分割方法 | |
CN117274278B (zh) | 基于模拟感受野的视网膜图像病灶部位分割方法及系统 | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
CN112116559A (zh) | 一种基于深度学习的数字病理图像智能分析方法 | |
CN116524315A (zh) | 一种基于Mask R-CNN的肺癌病理组织切片识别及分割方法 | |
CN114862799A (zh) | 一种用于flair-mri序列的全自动脑体积分割算法 | |
Zrimec et al. | A system for computer aided detection of diseases patterns in high resolution CT images of the lungs | |
CN113989588A (zh) | 一种基于自学习的五边形绘图测试智能评价系统及方法 | |
CN116311386B (zh) | 基于图像分割的舌型识别方法 | |
KR102605501B1 (ko) | 인공신경망 기반의 척추 전방위증 진단 장치 및 그 정보 제공 방법 |
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 |