CN115222755B - 一种基于医疗成像设备的医疗图像目标分割方法及装置 - Google Patents
一种基于医疗成像设备的医疗图像目标分割方法及装置 Download PDFInfo
- Publication number
- CN115222755B CN115222755B CN202211119423.6A CN202211119423A CN115222755B CN 115222755 B CN115222755 B CN 115222755B CN 202211119423 A CN202211119423 A CN 202211119423A CN 115222755 B CN115222755 B CN 115222755B
- Authority
- CN
- China
- Prior art keywords
- processed
- image data
- image
- medical image
- segmentation
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 80
- 238000002059 diagnostic imaging Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000004927 fusion Effects 0.000 claims abstract description 38
- 238000003709 image segmentation Methods 0.000 claims abstract description 38
- 238000002372 labelling Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000007499 fusion processing Methods 0.000 claims abstract description 6
- 238000003708 edge detection Methods 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000003384 imaging method Methods 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 14
- 229910052704 radon Inorganic materials 0.000 claims description 8
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000003287 optical effect Effects 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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
- 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
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于医疗成像设备的医疗图像目标分割方法及装置，其中，所述方法包括：基于医疗成像设备生成待处理医疗图像数据；对待处理医疗图像数据进行伪影识别处理，对待处理医疗图像数据进行标注处理；基于标注结果对待处理医疗图像数据中的伪影进行校正处理；对校正后的待处理医疗图像数据中的边界进行确认，进行第一次目标图像分割处理；利用图像轮廓提取算法对校正后的待处理医疗图像数据中的边缘轮廓进行提取处理，进行第二次目标图像分割处理；将第一分割目标图像与第二分割目标图像按比例进行融合处理，形成融合分割目标图像。在本发明实施例中，可以减少图像中的伪影对医疗图像分割的影响，提高对医疗图像中的目标分割准确度。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于医疗成像设备的医疗图像目标分割方法及装置。
背景技术
在现有技术中，由于医疗成像设备的物理原因或者软件对图像处理的不足，在生成医疗图像时，都不可避免的产生一些图像伪影，并且这些图像伪影将可能降低医疗图像的图像质量，同时导致医疗图像在对其图像内的目标进行分割处理时，可能严重影响对目标分割时的精确度；因此急需解决如何去除医疗图像中的伪影问题及如何提高医疗图像中对目标图像分割的精确度的技术问题。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于医疗成像设备的医疗图像目标分割方法及装置，可以减少图像中的伪影对医疗图像分割的影响，提高对医疗图像中的目标分割准确度。
为了解决上述技术问题，本发明实施例提供了一种基于医疗成像设备的医疗图像目标分割方法，所述方法包括：
基于医疗成像设备生成待处理医疗图像数据；
基于所述医疗成像设备的成像参数数据对所述待处理医疗图像数据进行伪影识别处理，并利用伪影识别结果对所述待处理医疗图像数据进行标注处理；
基于标注结果对所述待处理医疗图像数据中的伪影进行校正处理，获得校正后的待处理医疗图像数据；
对校正后的待处理医疗图像数据中的边界进行确认，并基于确认边界进行第一次目标图像分割处理，形成第一分割目标图像；
利用图像轮廓提取算法对校正后的待处理医疗图像数据中的各个局部边缘轮廓进行提取处理，并基于提取局部边缘轮廓信息进行第二次目标图像分割处理，形成第二分割目标图像；
将第一分割目标图像与所述第二分割目标图像按比例进行融合处理，形成融合分割目标图像。
可选的，所述基于所述医疗成像设备的成像参数数据对所述待处理医疗图像数据进行伪影识别处理，包括：
获取所述医疗成像设备的成像参数数据，基于所述成像参数数据确定所述医疗成像设备中的伪影的传播规律信息和扰动规律信息；
基于所述待处理医疗图像数据中的伪影的传播规律信息和扰动规律信息对所述待处理医疗图像数据进行伪影识别处理。
可选的，所述基于所述待处理医疗图像数据中的伪影的传播规律信息和扰动规律信息对所述待处理医疗图像数据进行伪影识别处理，包括：
对所述待处理医疗图像数据进行反投影重建处理，获得反投影重建图像数据；
对所述反投影重建图像数据进行归一化处理，获得归一化反投影重建图像数据；
将所述归一化反投影重建图像数据输入伪影识别模型中进行伪影识别处理；
所述伪影识别模型为利用所述医疗成像设备中的伪影的传播规律信息和扰动规律信息构建的神经网络模型。
可选的，所述利用伪影识别结果对所述待处理医疗图像数据进行标注处理，包括：
利用所述伪影识别结果中的伪影类型对所述待处理医疗图像数据进行标注处理。
可选的，所述基于标注结果对所述待处理医疗图像数据中的伪影进行校正处理，包括：
将具有标注伪影类型的所述待处理医疗图像数据进行拉东变换处理，获得所述待处理医疗图像中的伪影类型的投影域数据；
基于所述投影域数据对所述待处理医疗图像数据中的伪影进行校正处理。
可选的，所述基于所述投影域数据对所述待处理医疗图像数据中的伪影进行校正处理，包括：
对所述投影域数据进行归一化处理，获得归一化投影域数据；
将所述归一化投影域数据对应的待处理医疗图像数据关联的输入预设对抗网络模型中进行校准处理；
所述预设对抗网络模型为预先利用专家标注数据进行训练收敛的模型。
可选的，所述对校正后的待处理医疗图像数据中的边界进行确认，并基于确认边界进行第一次目标图像分割处理，包括：
将所述校正后的待处理图像数据进行低通滤波处理，获得滤波后的待处理图像数据；
对滤波后的待处理图像数据依次进行高通滤波和差分运算处理，获得确定图像目标边界的待处理图像数据；
基于确定图像目标边界的待处理图像数据按照图像目标边界进行第一次目标图像分割处理。
可选的，所述利用图像轮廓提取算法对校正后的待处理医疗图像数据中的各个局部边缘轮廓进行提取处理，并基于提取局部边缘轮廓信息进行第二次目标图像分割处理，包括：
依次利用Sobel边缘检测算法、拉普拉斯边缘检测算法、Canny边缘检测算法对校正后的待处理医疗图像数据中的各个局部边缘轮廓进行提取处理，依次获得三个提取局部轮廓信息；
将三个提取局部轮廓信息按照比例进行融合，获得融合提取局部轮廓信息；
基于所述融合提取局部轮廓信息进行第二次目标图像分割处理。
可选的，所述将第一分割目标图像与所述第二分割目标图像按比例进行融合处理，包括：
将所述第一分割目标图像和所述第二分割目标图像进行图像矩阵构建处理，获得第一图像轮廓矩阵和第二图像轮廓矩阵；
将第一图像轮廓矩阵和第二图像轮廓矩阵按照预设比例进行加权处理，获得融合图像矩阵；
基于所述融合图像矩阵转换获得融合分割目标图像。
另外，本发明实施例还提供了一种基于医疗成像设备的医疗图像目标分割装置，所述装置包括：
生成模块：用于基于医疗成像设备生成待处理医疗图像数据；
标注模块：用于基于所述医疗成像设备的成像参数数据对所述待处理医疗图像数据进行伪影识别处理，并利用伪影识别结果对所述待处理医疗图像数据进行标注处理；
校正模块：用于基于标注结果对所述待处理医疗图像数据中的伪影进行校正处理，获得校正后的待处理医疗图像数据；
第一分割模块：用于对校正后的待处理医疗图像数据中的边界进行确认，并基于确认边界进行第一次目标图像分割处理，形成第一分割目标图像；
第二分割模块：用于利用图像轮廓提取算法对校正后的待处理医疗图像数据中的各个局部边缘轮廓进行提取处理，并基于提取局部边缘轮廓信息进行第二次目标图像分割处理，形成第二分割目标图像；
融合模块：用于将第一分割目标图像与所述第二分割目标图像按比例进行融合处理，形成融合分割目标图像。
在本发明实施例中，首先对待处理医疗图像数据进行伪影的校正处理，去除待处理医疗图像中的伪影数据，再利用目标分割方式进行待处理医疗图像中的各个目标进行分割处理，提取用户想要的分割目标图像，这样进行待处理医疗图像数据的目标分割处理方式，可以减少图像中的伪影对医疗图像分割的影响，提高对医疗图像中的目标分割准确度。
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，显而易见的，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的附图。
图1是本发明实施例中的基于医疗成像设备的医疗图像目标分割方法的流程示意图；
图2是本发明实施例中的基于医疗成像设备的医疗图像目标分割装置的结构组成示意图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
请参阅图1，图1是本发明实施例中的基于医疗成像设备的医疗图像目标分割方法的流程示意图。
如图1所示，一种基于医疗成像设备的医疗图像目标分割方法，所述方法包括：
S11：基于医疗成像设备生成待处理医疗图像数据；
在本发明具体实施过程中，这些医疗成像设备一般可以包括CT设备或者医学超声成像设备等，在医疗成像设备在启动工作时，生成待处理医疗图像数据。
S12：基于所述医疗成像设备的成像参数数据对所述待处理医疗图像数据进行伪影识别处理，并利用伪影识别结果对所述待处理医疗图像数据进行标注处理；
在本发明具体实施过程中，所述基于所述医疗成像设备的成像参数数据对所述待处理医疗图像数据进行伪影识别处理，包括：获取所述医疗成像设备的成像参数数据，基于所述成像参数数据确定所述医疗成像设备中的伪影的传播规律信息和扰动规律信息；基于所述待处理医疗图像数据中的伪影的传播规律信息和扰动规律信息对所述待处理医疗图像数据进行伪影识别处理。
进一步的，所述基于所述待处理医疗图像数据中的伪影的传播规律信息和扰动规律信息对所述待处理医疗图像数据进行伪影识别处理，包括：对所述待处理医疗图像数据进行反投影重建处理，获得反投影重建图像数据；对所述反投影重建图像数据进行归一化处理，获得归一化反投影重建图像数据；将所述归一化反投影重建图像数据输入伪影识别模型中进行伪影识别处理；所述伪影识别模型为利用所述医疗成像设备中的伪影的传播规律信息和扰动规律信息构建的神经网络模型。
进一步的，所述利用伪影识别结果对所述待处理医疗图像数据进行标注处理，包括：利用所述伪影识别结果中的伪影类型对所述待处理医疗图像数据进行标注处理。
具体的，通过该医疗成像设备的技术参数的方式以及在工作时设置的成像参数等来获得医疗成像设备的成像参数数据，并且通过成像参数数据建立统计模型，通过统计的方式来确定医疗成像设备中的伪影的传播规律信息和扰动规律信息；然后通过待处理医疗图像数据中的伪影的传播规律信息和扰动规律信息对来对待处理医疗图像数据进行伪影识别处理。
进行伪影识别处理时，需要对待处理图像数据进行反投影重建处理，然后得到反投影重建图像数据；并且对得到的反投影重建图像数据进行归一化处理，获得归一化反投影重建图像数据，并将归一化反投影重建图像数据输入伪影识别模型中进行伪影识别处理；该伪影识别模型为利用医疗成像设备中的伪影的传播规律信息和扰动规律信息构建的神经网络模型。
在进行标注处理时，利用伪影识别结果中的伪影类型对待处理医疗图像数据进行标注处理。
S13：基于标注结果对所述待处理医疗图像数据中的伪影进行校正处理，获得校正后的待处理医疗图像数据；
在本发明具体实施过程中，所述基于标注结果对所述待处理医疗图像数据中的伪影进行校正处理，包括：将具有标注伪影类型的所述待处理医疗图像数据进行拉东变换处理，获得所述待处理医疗图像中的伪影类型的投影域数据；基于所述投影域数据对所述待处理医疗图像数据中的伪影进行校正处理。
进一步的，所述基于所述投影域数据对所述待处理医疗图像数据中的伪影进行校正处理，包括：对所述投影域数据进行归一化处理，获得归一化投影域数据；将所述归一化投影域数据对应的待处理医疗图像数据关联的输入预设对抗网络模型中进行校准处理；所述预设对抗网络模型为预先利用专家标注数据进行训练收敛的模型。
具体的，首先将具有标注伪影类型的待处理医疗图像数据进行拉东变换处理，并通过拉东变换处理得到待处理医疗图像中的伪影类型的投影域数据；然后根据投影域数据对待处理医疗图像数据中的伪影进行校正处理。
对投影域数据进行归一化处理，然后得到归一化投影域数据；然后将归一化投影域数据对应的待处理医疗图像数据关联的输入预设对抗网络模型中进行校准处理；该预设对抗网络模型为预先利用专家标注数据进行训练收敛的模型。
S14：对校正后的待处理医疗图像数据中的边界进行确认，并基于确认边界进行第一次目标图像分割处理，形成第一分割目标图像；
在本发明具体实施过程中，所述对校正后的待处理医疗图像数据中的边界进行确认，并基于确认边界进行第一次目标图像分割处理，包括：将所述校正后的待处理图像数据进行低通滤波处理，获得滤波后的待处理图像数据；对滤波后的待处理图像数据依次进行高通滤波和差分运算处理，获得确定图像目标边界的待处理图像数据；基于确定图像目标边界的待处理图像数据按照图像目标边界进行第一次目标图像分割处理。
具体的，首先将校正后的待处理图像数据进行低通滤波处理，然后获得滤波后的待处理图像数据；然后对滤波后的待处理图像数据依次进行高通滤波和差分运算处理，获得确定图像目标边界的待处理图像数据；最后根据确定图像目标边界的待处理图像数据按照图像目标边界进行第一次目标图像分割处理。
S15：利用图像轮廓提取算法对校正后的待处理医疗图像数据中的各个局部边缘轮廓进行提取处理，并基于提取局部边缘轮廓信息进行第二次目标图像分割处理，形成第二分割目标图像；
在本发明具体实施过程中，所述利用图像轮廓提取算法对校正后的待处理医疗图像数据中的各个局部边缘轮廓进行提取处理，并基于提取局部边缘轮廓信息进行第二次目标图像分割处理，包括：依次利用Sobel边缘检测算法、拉普拉斯边缘检测算法、Canny边缘检测算法对校正后的待处理医疗图像数据中的各个局部边缘轮廓进行提取处理，依次获得三个提取局部轮廓信息；将三个提取局部轮廓信息按照比例进行融合，获得融合提取局部轮廓信息；基于所述融合提取局部轮廓信息进行第二次目标图像分割处理。
具体的，通过多种边缘检测算法依次进行目标边缘检测，并听取各个局部边缘轮廓信息，在本申请中依次通过Sobel边缘检测算法、拉普拉斯边缘检测算法、Canny边缘检测算法，这最终获得三个提取局部轮廓信息并将三个提取局部轮廓信息按照比例进行融合，获得融合提取局部轮廓信息；最后根据融合提取局部轮廓信息进行第二次目标图像分割处理；Sobel边缘检测算法和Canny边缘检测算法在边缘检测上具有较高的检测识别度，但是拉普拉斯边缘检测算法为辅助性的边缘检测算法，因此在加权融合时，Sobel边缘检测算法和Canny边缘检测算法得到的轮廓信息加权融合权重占比均为0.4，剩下的拉普拉斯边缘检测算法获得的轮廓信息加权融合权重占比为0.2。
S16：将第一分割目标图像与所述第二分割目标图像按比例进行融合处理，形成融合分割目标图像。
在本发明具体实施过程中，所述将第一分割目标图像与所述第二分割目标图像按比例进行融合处理，包括：将所述第一分割目标图像和所述第二分割目标图像进行图像矩阵构建处理，获得第一图像轮廓矩阵和第二图像轮廓矩阵；将第一图像轮廓矩阵和第二图像轮廓矩阵按照预设比例进行加权处理，获得融合图像矩阵；基于所述融合图像矩阵转换获得融合分割目标图像。
具体的，将第一分割目标图像和第二分割目标图像进行图像矩阵构建处理，即可得到第一图像轮廓矩阵和第二图像轮廓矩阵；然后将第一图像轮廓矩阵和第二图像轮廓矩阵按照预设的0.5权重值进行加权处理，即可得到融合图像矩阵；然后在根据融合图像矩阵转换获得融合分割目标图像。
在本发明实施例中，首先对待处理医疗图像数据进行伪影的校正处理，去除待处理医疗图像中的伪影数据，再利用目标分割方式进行待处理医疗图像中的各个目标进行分割处理，提取用户想要的分割目标图像，这样进行待处理医疗图像数据的目标分割处理方式，可以减少图像中的伪影对医疗图像分割的影响，提高对医疗图像中的目标分割准确度。
实施例二
请参阅图2，图2是本发明实施例中的基于医疗成像设备的医疗图像目标分割装置的结构组成示意图。
如图2所示，一种基于医疗成像设备的医疗图像目标分割装置，所述装置包括：
生成模块21：用于基于医疗成像设备生成待处理医疗图像数据；
在本发明具体实施过程中，这些医疗成像设备一般可以包括CT设备或者医学超声成像设备等，在医疗成像设备在启动工作时，生成待处理医疗图像数据。
标注模块22：用于基于所述医疗成像设备的成像参数数据对所述待处理医疗图像数据进行伪影识别处理，并利用伪影识别结果对所述待处理医疗图像数据进行标注处理；
在本发明具体实施过程中，所述基于所述医疗成像设备的成像参数数据对所述待处理医疗图像数据进行伪影识别处理，包括：获取所述医疗成像设备的成像参数数据，基于所述成像参数数据确定所述医疗成像设备中的伪影的传播规律信息和扰动规律信息；基于所述待处理医疗图像数据中的伪影的传播规律信息和扰动规律信息对所述待处理医疗图像数据进行伪影识别处理。
进一步的，所述基于所述待处理医疗图像数据中的伪影的传播规律信息和扰动规律信息对所述待处理医疗图像数据进行伪影识别处理，包括：对所述待处理医疗图像数据进行反投影重建处理，获得反投影重建图像数据；对所述反投影重建图像数据进行归一化处理，获得归一化反投影重建图像数据；将所述归一化反投影重建图像数据输入伪影识别模型中进行伪影识别处理；所述伪影识别模型为利用所述医疗成像设备中的伪影的传播规律信息和扰动规律信息构建的神经网络模型。
进一步的，所述利用伪影识别结果对所述待处理医疗图像数据进行标注处理，包括：利用所述伪影识别结果中的伪影类型对所述待处理医疗图像数据进行标注处理。
具体的，通过该医疗成像设备的技术参数的方式以及在工作时设置的成像参数等来获得医疗成像设备的成像参数数据，并且通过成像参数数据建立统计模型，通过统计的方式来确定医疗成像设备中的伪影的传播规律信息和扰动规律信息；然后通过待处理医疗图像数据中的伪影的传播规律信息和扰动规律信息对来对待处理医疗图像数据进行伪影识别处理。
进行伪影识别处理时，需要对待处理图像数据进行反投影重建处理，然后得到反投影重建图像数据；并且对得到的反投影重建图像数据进行归一化处理，获得归一化反投影重建图像数据，并将归一化反投影重建图像数据输入伪影识别模型中进行伪影识别处理；该伪影识别模型为利用医疗成像设备中的伪影的传播规律信息和扰动规律信息构建的神经网络模型。
在进行标注处理时，利用伪影识别结果中的伪影类型对待处理医疗图像数据进行标注处理。
校正模块23：用于基于标注结果对所述待处理医疗图像数据中的伪影进行校正处理，获得校正后的待处理医疗图像数据；
在本发明具体实施过程中，所述基于标注结果对所述待处理医疗图像数据中的伪影进行校正处理，包括：将具有标注伪影类型的所述待处理医疗图像数据进行拉东变换处理，获得所述待处理医疗图像中的伪影类型的投影域数据；基于所述投影域数据对所述待处理医疗图像数据中的伪影进行校正处理。
进一步的，所述基于所述投影域数据对所述待处理医疗图像数据中的伪影进行校正处理，包括：对所述投影域数据进行归一化处理，获得归一化投影域数据；将所述归一化投影域数据对应的待处理医疗图像数据关联的输入预设对抗网络模型中进行校准处理；所述预设对抗网络模型为预先利用专家标注数据进行训练收敛的模型。
具体的，首先将具有标注伪影类型的待处理医疗图像数据进行拉东变换处理，并通过拉东变换处理得到待处理医疗图像中的伪影类型的投影域数据；然后根据投影域数据对待处理医疗图像数据中的伪影进行校正处理。
对投影域数据进行归一化处理，然后得到归一化投影域数据；然后将归一化投影域数据对应的待处理医疗图像数据关联的输入预设对抗网络模型中进行校准处理；该预设对抗网络模型为预先利用专家标注数据进行训练收敛的模型。
第一分割模块24：用于对校正后的待处理医疗图像数据中的边界进行确认，并基于确认边界进行第一次目标图像分割处理，形成第一分割目标图像；
在本发明具体实施过程中，所述对校正后的待处理医疗图像数据中的边界进行确认，并基于确认边界进行第一次目标图像分割处理，包括：将所述校正后的待处理图像数据进行低通滤波处理，获得滤波后的待处理图像数据；对滤波后的待处理图像数据依次进行高通滤波和差分运算处理，获得确定图像目标边界的待处理图像数据；基于确定图像目标边界的待处理图像数据按照图像目标边界进行第一次目标图像分割处理。
具体的，首先将校正后的待处理图像数据进行低通滤波处理，然后获得滤波后的待处理图像数据；然后对滤波后的待处理图像数据依次进行高通滤波和差分运算处理，获得确定图像目标边界的待处理图像数据；最后根据确定图像目标边界的待处理图像数据按照图像目标边界进行第一次目标图像分割处理。
第二分割模块25：用于利用图像轮廓提取算法对校正后的待处理医疗图像数据中的各个局部边缘轮廓进行提取处理，并基于提取局部边缘轮廓信息进行第二次目标图像分割处理，形成第二分割目标图像；
在本发明具体实施过程中，所述利用图像轮廓提取算法对校正后的待处理医疗图像数据中的各个局部边缘轮廓进行提取处理，并基于提取局部边缘轮廓信息进行第二次目标图像分割处理，包括：依次利用Sobel边缘检测算法、拉普拉斯边缘检测算法、Canny边缘检测算法对校正后的待处理医疗图像数据中的各个局部边缘轮廓进行提取处理，依次获得三个提取局部轮廓信息；将三个提取局部轮廓信息按照比例进行融合，获得融合提取局部轮廓信息；基于所述融合提取局部轮廓信息进行第二次目标图像分割处理。
具体的，通过多种边缘检测算法依次进行目标边缘检测，并听取各个局部边缘轮廓信息，在本申请中依次通过Sobel边缘检测算法、拉普拉斯边缘检测算法、Canny边缘检测算法，这最终获得三个提取局部轮廓信息并将三个提取局部轮廓信息按照比例进行融合，获得融合提取局部轮廓信息；最后根据融合提取局部轮廓信息进行第二次目标图像分割处理；Sobel边缘检测算法和Canny边缘检测算法在边缘检测上具有较高的检测识别度，但是拉普拉斯边缘检测算法为辅助性的边缘检测算法，因此在加权融合时，Sobel边缘检测算法和Canny边缘检测算法得到的轮廓信息加权融合权重占比均为0.4，剩下的拉普拉斯边缘检测算法获得的轮廓信息加权融合权重占比为0.2。
融合模块26：用于将第一分割目标图像与所述第二分割目标图像按比例进行融合处理，形成融合分割目标图像。
在本发明具体实施过程中，所述将第一分割目标图像与所述第二分割目标图像按比例进行融合处理，包括：将所述第一分割目标图像和所述第二分割目标图像进行图像矩阵构建处理，获得第一图像轮廓矩阵和第二图像轮廓矩阵；将第一图像轮廓矩阵和第二图像轮廓矩阵按照预设比例进行加权处理，获得融合图像矩阵；基于所述融合图像矩阵转换获得融合分割目标图像。
具体的，将第一分割目标图像和第二分割目标图像进行图像矩阵构建处理，即可得到第一图像轮廓矩阵和第二图像轮廓矩阵；然后将第一图像轮廓矩阵和第二图像轮廓矩阵按照预设的0.5权重值进行加权处理，即可得到融合图像矩阵；然后在根据融合图像矩阵转换获得融合分割目标图像。
在本发明实施例中，首先对待处理医疗图像数据进行伪影的校正处理，去除待处理医疗图像中的伪影数据，再利用目标分割方式进行待处理医疗图像中的各个目标进行分割处理，提取用户想要的分割目标图像，这样进行待处理医疗图像数据的目标分割处理方式，可以减少图像中的伪影对医疗图像分割的影响，提高对医疗图像中的目标分割准确度。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于医疗成像设备的医疗图像目标分割方法及装置进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于医疗成像设备的医疗图像目标分割方法，其特征在于，所述方法包括：
基于医疗成像设备生成待处理医疗图像数据；
基于所述医疗成像设备的成像参数数据对所述待处理医疗图像数据进行伪影识别处理，并利用伪影识别结果对所述待处理医疗图像数据进行标注处理；
基于标注结果对所述待处理医疗图像数据中的伪影进行校正处理，获得校正后的待处理医疗图像数据；
对校正后的待处理医疗图像数据中的边界进行确认，并基于确认边界进行第一次目标图像分割处理，形成第一分割目标图像；
利用图像轮廓提取算法对校正后的待处理医疗图像数据中的各个局部边缘轮廓进行提取处理，并基于提取局部边缘轮廓信息进行第二次目标图像分割处理，形成第二分割目标图像；
将第一分割目标图像与所述第二分割目标图像按比例进行融合处理，形成融合分割目标图像；
所述对校正后的待处理医疗图像数据中的边界进行确认，并基于确认边界进行第一次目标图像分割处理，包括：
将所述校正后的待处理图像数据进行低通滤波处理，获得滤波后的待处理图像数据；
对滤波后的待处理图像数据依次进行高通滤波和差分运算处理，获得确定图像目标边界的待处理图像数据；
基于确定图像目标边界的待处理图像数据按照图像目标边界进行第一次目标图像分割处理；
所述利用图像轮廓提取算法对校正后的待处理医疗图像数据中的各个局部边缘轮廓进行提取处理，并基于提取局部边缘轮廓信息进行第二次目标图像分割处理，包括：
依次利用Sobel边缘检测算法、拉普拉斯边缘检测算法、Canny边缘检测算法对校正后的待处理医疗图像数据中的各个局部边缘轮廓进行提取处理，依次获得三个提取局部轮廓信息；
将三个提取局部轮廓信息按照比例进行融合，获得融合提取局部轮廓信息；
基于所述融合提取局部轮廓信息进行第二次目标图像分割处理。
2.根据权利要求1所述的医疗图像目标分割方法，其特征在于，所述基于所述医疗成像设备的成像参数数据对所述待处理医疗图像数据进行伪影识别处理，包括：
获取所述医疗成像设备的成像参数数据，基于所述成像参数数据确定所述医疗成像设备中的伪影的传播规律信息和扰动规律信息；
基于所述待处理医疗图像数据中的伪影的传播规律信息和扰动规律信息对所述待处理医疗图像数据进行伪影识别处理。
3.根据权利要求2所述的医疗图像目标分割方法，其特征在于，所述基于所述待处理医疗图像数据中的伪影的传播规律信息和扰动规律信息对所述待处理医疗图像数据进行伪影识别处理，包括：
对所述待处理医疗图像数据进行反投影重建处理，获得反投影重建图像数据；
对所述反投影重建图像数据进行归一化处理，获得归一化反投影重建图像数据；
将所述归一化反投影重建图像数据输入伪影识别模型中进行伪影识别处理；
所述伪影识别模型为利用所述医疗成像设备中的伪影的传播规律信息和扰动规律信息构建的神经网络模型。
4.根据权利要求1所述的医疗图像目标分割方法，其特征在于，所述利用伪影识别结果对所述待处理医疗图像数据进行标注处理，包括：
利用所述伪影识别结果中的伪影类型对所述待处理医疗图像数据进行标注处理。
5.根据权利要求1所述的医疗图像目标分割方法，其特征在于，所述基于标注结果对所述待处理医疗图像数据中的伪影进行校正处理，包括：
将具有标注伪影类型的所述待处理医疗图像数据进行拉东变换处理，获得所述待处理医疗图像中的伪影类型的投影域数据；
基于所述投影域数据对所述待处理医疗图像数据中的伪影进行校正处理。
6.根据权利要求5所述的医疗图像目标分割方法，其特征在于，所述基于所述投影域数据对所述待处理医疗图像数据中的伪影进行校正处理，包括：
对所述投影域数据进行归一化处理，获得归一化投影域数据；
将所述归一化投影域数据对应的待处理医疗图像数据关联的输入预设对抗网络模型中进行校准处理；
所述预设对抗网络模型为预先利用专家标注数据进行训练收敛的模型。
7.根据权利要求1所述的医疗图像目标分割方法，其特征在于，所述将第一分割目标图像与所述第二分割目标图像按比例进行融合处理，包括：
将所述第一分割目标图像和所述第二分割目标图像进行图像矩阵构建处理，获得第一图像轮廓矩阵和第二图像轮廓矩阵；
将第一图像轮廓矩阵和第二图像轮廓矩阵按照预设比例进行加权处理，获得融合图像矩阵；
基于所述融合图像矩阵转换获得融合分割目标图像。
8.一种基于医疗成像设备的医疗图像目标分割装置，其特征在于，所述装置包括：
生成模块：用于基于医疗成像设备生成待处理医疗图像数据；
标注模块：用于基于所述医疗成像设备的成像参数数据对所述待处理医疗图像数据进行伪影识别处理，并利用伪影识别结果对所述待处理医疗图像数据进行标注处理；
校正模块：用于基于标注结果对所述待处理医疗图像数据中的伪影进行校正处理，获得校正后的待处理医疗图像数据；
第一分割模块：用于对校正后的待处理医疗图像数据中的边界进行确认，并基于确认边界进行第一次目标图像分割处理，形成第一分割目标图像；
第二分割模块：用于利用图像轮廓提取算法对校正后的待处理医疗图像数据中的各个局部边缘轮廓进行提取处理，并基于提取局部边缘轮廓信息进行第二次目标图像分割处理，形成第二分割目标图像；
融合模块：用于将第一分割目标图像与所述第二分割目标图像按比例进行融合处理，形成融合分割目标图像；
所述第一分割模块：还用于将所述校正后的待处理图像数据进行低通滤波处理，获得滤波后的待处理图像数据；对滤波后的待处理图像数据依次进行高通滤波和差分运算处理，获得确定图像目标边界的待处理图像数据；基于确定图像目标边界的待处理图像数据按照图像目标边界进行第一次目标图像分割处理；
所述第二分割模块：还用于依次利用Sobel边缘检测算法、拉普拉斯边缘检测算法、Canny边缘检测算法对校正后的待处理医疗图像数据中的各个局部边缘轮廓进行提取处理，依次获得三个提取局部轮廓信息；将三个提取局部轮廓信息按照比例进行融合，获得融合提取局部轮廓信息；基于所述融合提取局部轮廓信息进行第二次目标图像分割处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211119423.6A CN115222755B (zh) | 2022-09-15 | 2022-09-15 | 一种基于医疗成像设备的医疗图像目标分割方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211119423.6A CN115222755B (zh) | 2022-09-15 | 2022-09-15 | 一种基于医疗成像设备的医疗图像目标分割方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115222755A CN115222755A (zh) | 2022-10-21 |
| CN115222755B true CN115222755B (zh) | 2023-01-06 |
Family
ID=83617295
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211119423.6A Active CN115222755B (zh) | 2022-09-15 | 2022-09-15 | 一种基于医疗成像设备的医疗图像目标分割方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115222755B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117409016A (zh) * | 2023-12-15 | 2024-01-16 | 华中科技大学同济医学院附属同济医院 | 一种磁共振图像自动分割方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003101780A (ja) * | 2001-09-19 | 2003-04-04 | Ricoh Co Ltd | 画像処理装置 |
| CN111402264A (zh) * | 2020-03-11 | 2020-07-10 | 南京三百云信息科技有限公司 | 图像区域分割方法、装置及其模型训练方法及计算机设备 |
| CN112037146A (zh) * | 2020-09-02 | 2020-12-04 | 广州海兆印丰信息科技有限公司 | 医学图像伪影自动校正方法、装置和计算机设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9972069B2 (en) * | 2014-10-06 | 2018-05-15 | Technion Research & Development Foundation Limited | System and method for measurement of myocardial mechanical function |
-
2022
- 2022-09-15 CN CN202211119423.6A patent/CN115222755B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003101780A (ja) * | 2001-09-19 | 2003-04-04 | Ricoh Co Ltd | 画像処理装置 |
| CN111402264A (zh) * | 2020-03-11 | 2020-07-10 | 南京三百云信息科技有限公司 | 图像区域分割方法、装置及其模型训练方法及计算机设备 |
| CN112037146A (zh) * | 2020-09-02 | 2020-12-04 | 广州海兆印丰信息科技有限公司 | 医学图像伪影自动校正方法、装置和计算机设备 |
Non-Patent Citations (3)
| Title |
|---|
| An improved feature based image fusion technique for enhancement of liber lesions;Sreeja P等;《Biocybernetics and Biomedical Engineering》;20181231;第38卷(第3期);611-623 * |
| 基于Surfacelet变换的三维CT图像边缘检测;孙运慧等;《扬州大学学报(自然科学版)》;20180828(第03期);全文 * |
| 基于选择性注意机制的无边界主动轮廓图像分割算法;李蕙等;《中国石油大学学报(自然科学版)》;20131220(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115222755A (zh) | 2022-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109816742B (zh) | 基于全连接卷积神经网络的锥束ct几何伪影去除方法 | |
| US10062170B2 (en) | Apparatus and method for extracting object | |
| CN107871319B (zh) | 限束器区域的检测方法、装置、x射线系统和存储介质 | |
| CN110443254B (zh) | 图像中金属区域的检测方法、装置、设备和存储介质 | |
| CN111507965A (zh) | 新型冠状病毒肺炎病灶检测方法、系统、装置和存储介质 | |
| CN111931772B (zh) | 医学图像处理方法、装置、设备及存储介质 | |
| CN109711268B (zh) | 一种人脸图像筛选方法及设备 | |
| CN107197269B (zh) | 一种视频拼接的方法与装置 | |
| JP2005296605A (ja) | 放射線写真画像を診断関連領域と診断非関連領域とにセグメント化する方法 | |
| CN115222755B (zh) | 一种基于医疗成像设备的医疗图像目标分割方法及装置 | |
| CN106651981B (zh) | 一种环形伪影修正的方法及装置 | |
| WO2018103015A1 (zh) | 一种环形伪影修正的方法及装置 | |
| CN113706463A (zh) | 基于深度学习的关节影像关键点自动检测方法、装置、设备及存储介质 | |
| CN111192241A (zh) | 一种人脸图像的质量评估方法、装置及计算机存储介质 | |
| CN114862861A (zh) | 基于少样本学习的肺叶分割方法和装置 | |
| CN114594114A (zh) | 一种锂电芯全自动在线无损检测方法 | |
| CN116883372A (zh) | 一种基于血管区域图像自适应识别肿瘤的方法及系统 | |
| CN117095417A (zh) | 一种屏摄表单图像文本识别方法、装置、设备及存储介质 | |
| US20220175331A1 (en) | Image processing apparatus, radiation imaging system, image processing method, and non-transitory computer-readable storage medium | |
| CN115100050A (zh) | Ct图像环状伪影的去除方法、装置、设备及存储介质 | |
| JP3945622B2 (ja) | 画像評価方法および装置並びにプログラム | |
| CN108629788B (zh) | 一种图像边缘检测方法、装置、设备及可读存储介质 | |
| CN117689893B (zh) | 激光扫描超广角眼底图像语义分割方法、系统及终端 | |
| CN117408905B (zh) | 基于多模态特征提取的医学图像融合方法 | |
| US20230326084A1 (en) | Method for reconstructing an image by comparing images, image reconstruction device employing method, and non-transitory storage medium |
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 |