CN115272647A - 一种肺部图像的识别处理方法及系统 - Google Patents
一种肺部图像的识别处理方法及系统 Download PDFInfo
- Publication number
- CN115272647A CN115272647A CN202211169125.8A CN202211169125A CN115272647A CN 115272647 A CN115272647 A CN 115272647A CN 202211169125 A CN202211169125 A CN 202211169125A CN 115272647 A CN115272647 A CN 115272647A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- interest
- target
- target area
- 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
- 210000004072 lung Anatomy 0.000 title claims abstract description 39
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000003709 image segmentation Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 abstract description 23
- 238000003759 clinical diagnosis Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 description 7
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种肺部图像的识别处理方法及系统,应用于数字图像处理技术领域,该方法包括:通过对肺部图像进行图像采集,得到目标区域图像。对目标区域图像进行预处理,得到标准图像集合。对标准图像集合进行图像分割,得到感兴趣区域集合、非感兴趣区域集合。随后,对感兴趣区域集合进行特征提取,得到感兴趣区域集合中的目标纹理特征集合。根据目标纹理特征集合,对感兴趣区域集合进行图像分类,得到目标区域的感兴趣区域图像分类结果。基于感兴趣区域图像分类结果,对既有目标图像进行识别处理。解决了现有技术中医护人员在通过肺部医学图像进行临床诊断时,由于医护人员的医疗水平不同,导致患者的病情存在误诊或漏诊的技术问题。
Description
技术领域
本发明涉及数字图像处理技术领域,具体涉及一种肺部图像的识别处理方法及系统。
背景技术
随着医学成像技术的发展,医学图像在临床医学诊断中的作用越来越明显,在进行临床诊断时,医护人员需要根据获取的医学图像对病人的做出正确的诊断。然而,在现有技术中医护人员进行诊断时通过诊断经验观察医学图像,获取最终的诊断结果,但是在进行诊断时由于医护人员的医疗水平不同,往往会导致误诊或漏诊的情况发生,对于肺部医学图像的诊断上述情况出现的次数则更多。
因此,在现有技术中医护人员在通过肺部医学图像进行临床诊断时,由于医护人员的医疗水平不同,导致患者的病情存在误诊或漏诊的技术问题。
发明内容
本申请提供一种肺部图像的识别处理方法及系统,用于针对解决现有技术中医护人员在通过肺部医学图像进行临床诊断时,由于医护人员的医疗水平不同,导致患者的病情存在误诊或漏诊的技术问题。
鉴于上述问题,本申请提供了一种肺部图像的识别处理方法及系统。
本申请的第一个方面,提供了一种肺部图像的识别处理方法,所述方法应用于图像处理系统,所述方法包括:对目标区域进行图像采集,得到目标区域图像集合;通过对所述目标区域图像集合进行滤波、增强的预处理,得到所述目标区域的标准图像集合;对所述标准图像集合进行感兴趣区域、非感兴趣区域之间的图像分割,得到感兴趣区域集合、非感兴趣区域集合;对所述感兴趣区域集合进行特征提取,得到所述感兴趣区域集合中的目标纹理特征集合;利用所述目标纹理特征集合,对所述感兴趣区域集合进行图像分类,得到所述目标区域的感兴趣区域图像分类结果;基于所述感兴趣区域图像分类结果,对既有目标图像进行识别处理。
本申请的第二个方面,提供了一种肺部图像的识别处理系统,所述系统包括:图像采集模块,用于对目标区域进行图像采集,得到目标区域图像集合;标准图像集合获取模块,用于通过对所述目标区域图像集合进行滤波、增强的预处理,得到所述目标区域的标准图像集合;图像分割模块,用于对所述标准图像集合进行感兴趣区域、非感兴趣区域之间的图像分割,得到感兴趣区域集合、非感兴趣区域集合;纹理特征集合获取模块,用于对所述感兴趣区域集合进行特征提取,得到所述感兴趣区域集合中的目标纹理特征集合;区域分类模块,用于利用所述目标纹理特征集合,对所述感兴趣区域集合进行图像分类,得到所述目标区域的感兴趣区域图像分类结果;图像识别模块,用于基于所述感兴趣区域图像分类结果,对既有目标图像进行识别处理。
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对肺部图像进行图像采集,得到目标区域图像。对目标区域图像进行图像滤波、增强预处理,得到标准图像集合。随后,对标准图像集合进行图像分割,得到感兴趣区域集合、非感兴趣区域集合。随后,对感兴趣区域集合进行特征提取,得到感兴趣区域集合中的目标纹理特征集合。根据目标纹理特征集合,对感兴趣区域集合进行图像分类,得到目标区域的感兴趣区域图像分类结果。基于感兴趣区域图像分类结果,对既有目标图像进行识别处理。通过对肺部图像进行识别分类,从而辅助医护人员快速做出诊断,进一步提高后续医护人员肺部诊疗效果准确性。解决了现有技术中医护人员在通过肺部医学图像进行临床诊断时,由于医护人员的医疗水平不同,导致患者的病情存在误诊或漏诊的技术问题。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请提供的一种肺部图像的识别处理方法流程示意图;
图2为本申请提供的一种肺部图像的识别处理方法中获取感兴趣区域图像分类结果的流程示意图;
图3为本申请提供的一种肺部图像的识别处理方法中进行图像分割的流程示意图;
图4为本申请提供了一种肺部图像的识别处理系统结构示意图。
附图标记说明:图像采集模块11,标准图像集合获取模块12,图像分割模块13,纹理特征集合获取模块14,区域分类模块15,图像识别模块16。
具体实施方式
本申请提供一种肺部图像的识别处理方法及系统,用于针对解决现有技术中医护人员在通过肺部医学图像进行临床诊断时,由于医护人员的医疗水平不同,导致患者的病情存在误诊或漏诊的技术问题。
下面将参考附图对本申请中的技术方案进行清楚、完整地描述。所描述的实施内容例仅为本申请所能实现的部分内容,而不是本申请的全部内容。
实施例一
如图1所示,本申请提供了一种肺部图像的识别处理方法,所述方法包括:
步骤100:对目标区域进行图像采集,得到目标区域图像集合;
步骤200:通过对所述目标区域图像集合进行滤波、增强的预处理,得到所述目标区域的标准图像集合;
具体的,对目标区域进行图像采集,其中目标区域为通过CT影像设备获取的肺部图像,为了完全获取目标区域的特征,因此需要获取多张图像,得到目标区域图像集合。随后,对目标区域图像集合进行图像滤波、图像增强的预处理,在进行预处理时可以针对图像的实际情况选择合适的滤波和增强方式,通过对目标区域图像集合预处理进一步提高图像的视觉质量,获取目标区域的标准图像集合。
如图2所示,本申请实施例提供的方法步骤200还包括:
步骤210:采集获得多台设备的所述目标图像集合;
步骤220:通过对所述目标图像集合进行数据读取,得到所述目标区域图像集合;
步骤220:通过对所述目标区域图像集合进行图像过滤、图像增强的预处理,得到预处理后图像集合;
步骤240:对所述预处理后图像集合进行全局特征的分割处理,用以得到左半区域图像集合、右半区域图像集合;
步骤250:对所述左半区域图像集合、所述右半区域图像集合,进行所述感兴趣区域的特征提取,且对特征提取结果进行分类,得到所述感兴趣区域图像分类结果。
具体的,采集获取多台设备的所述目标图像集合,即获取多台CT影像设备采集的肺部图像。随后,对目标图像集合进行数据读取,得到所述目标区域图像集合。随后,通过对目标区域图像集合进行图像过滤、图像增强的预处理,得到预处理后图像集合。对预处理后图像集合进行全局特征的分割处理,去除其中不包含肺部图像的区域,并获取得到左半区域图像集合、右半区域图像集合。进一步的,对所述左半区域图像集合、所述右半区域图像集合进行感兴趣特征提取,提取其中临床诊断所需要的区域获取特征提取结果,并对特征提取结果进行分类,如根据具体的位置、部位等进行分类,获取区域图像分类结果。
本申请实施例提供的方法步骤220还包括:
步骤221:获得所述目标区域图像集合的图像信息矩阵;
步骤222:对所述图像信息矩阵进行数据类型的转换,得到转换后图像信息矩阵,且所述转换后图像信息矩阵满足双精度类型;
步骤222:对所述转换后图像信息矩阵进行傅里叶变换,得到变换后矩阵;
步骤224:利用图像滤波,对所述变换后矩阵进行函数运算,得到滤波后结果;
步骤225:通过对所述滤波后结果进行逆数据类型的转换,且对转换后的图像灰度值进行图像增强处理,得到所述预处理后图像集合。
具体的,获取目标区域图像集合的图像信息矩阵,其中图像信息矩阵为目标区域图像集合按照一定文件格式存储的图像。随后对图像信息矩阵进行数据类型的转换,将图像转化成计算机能够处理的数字图像,且所述转换后图像信息矩阵满足双精度类型,进一步保证了数据进行后续处理的计算精度。随后,对所述转换后图像信息矩阵进行傅里叶变换,得到变换后矩阵。进一步,图像进行滤波处理,对所述变换后矩阵进行滤波函数运算,得到滤波后结果。在实际的滤波过程中可以根据图像的特性选择合适的滤波方式。最后,通过对所述滤波后结果进行逆数据类型的转换,且对转换后的图像灰度值进行图像增强处理,得到所述预处理后图像集合。其中,图像灰度值进行图像增强处理优选的为直方图均衡化处理。通过对图像增强,进一步减弱图像中的噪声,并使得感兴趣区域得到增强。
本申请实施例提供的方法步骤224还包括:
步骤224-1:采集获得所述目标区域图像集合中的当前待处理像素,且定义为f(x,y),将所述f(x,y)设为中心点,构建N*N模板,其中,N为奇数;
步骤224-2:通过对所述N*N模板进行像素值筛选,获得K个像素值,其中,所述K个像素值和所述f(x,y)满足预设像素阈值,且所述K个像素值不包含所述f(x,y);
步骤224-2:计算得到所述K个像素值的中值,且利用所述中值对所述f(x,y)进行替换处理,以此类推,对所述目标区域图像集合中的其它待处理像素进行同样处理,实现对所述目标区域图像集合的滤波处理。
具体的,采集目标区域图像集合中的当前待处理像素,将该像素点定义为f(x,y),并将该像素点设置为中心点,构建N*N的模板,其中N为奇数。随后,对N*N模板进行像素值筛选,获得K个像素值,且K个像素值和所述f(x,y)满足预设像素阈值,对不满足预设像素阈值的像素进行去除,获取K个像素值中的像素中值,随后利用所述中值对所述f(x,y)进行替换处理,以此类推,对所述目标区域图像集合中的其它像素点进行同样处理,完成对目标区域图像集合的滤波处理。
步骤300:对所述标准图像集合进行感兴趣区域、非感兴趣区域之间的图像分割,得到感兴趣区域集合、非感兴趣区域集合;
具体的,对获取的标准图像集合进行感兴趣区域、非感兴趣区域之间的图像分割。其中标准图像集合中感兴趣区域为临床诊断时,做出诊断判断需要重点关注的区域如分割肺部实质等。获取感兴趣区域集合、非感兴趣区域集合。
如图3所示,本申请实施例提供的方法步骤300还包括:
步骤310:求解所述标准图像集合的最大灰度值、最小灰度值;
步骤320:对所述最大灰度值、所述最小灰度值进行中值运算,将运算结果标记为初始估计阈值;
步骤330:基于所述标准图像集合,统计大于所述初始估计阈值的上灰度值分布集合、统计小于所述初始估计阈值的下灰度值分布集合;
步骤340:判断所述上灰度值分布集合和所述下灰度值分布集合的数量是否满足预设数量要求;
步骤350:若不满足,对所述标准图像集合的灰度值进行迭代计算,得到目标阈值,其中,经过所述目标阈值的灰度值分布数量满足所述预设数量要求;
步骤360:利用所述目标阈值,对所述标准图像集合进行灰度值分割,将满足所述目标阈值的灰度值分布标记为所述感兴趣区域集合、将不满足所述目标阈值的灰度值分布标记为所述非感兴趣区域集合。
具体的,求解标准图像结合中的最大灰度值和最小灰度值,对所述最大灰度值、所述最小灰度值进行中值运算,将运算获取的中值结果标记为初始估计阈值。随后,基于所述标准图像集合,统计大于所述初始估计阈值的上灰度值分布集合、统计小于所述初始估计阈值的下灰度值分布集合。进一步,判断上灰度值分布集合和所述下灰度值分布集合的数量是否满足预设数量要求,即获取上灰度值分布集合和下灰度值分布集合中的像素数量是否满足预设像素数量要求。当不满足预设要求时,则对标准图像集合的灰度值进行迭代计算,获取迭代计算结果即目标阈值,使得目标阈值处的灰度值分布数量满足预设数量要求。随后,利用目标阈值,对所述标准图像集合进行灰度值分割,将满足所述目标阈值的灰度值分布标记为所述感兴趣区域集合、将不满足所述目标阈值的灰度值分布标记为所述非感兴趣区域集合。
本申请实施例提供的方法步骤360还包括:
步骤361:采集得到所述感兴趣区域集合中各区域原始特征值分布;
步骤362:通过对所述各区域原始特征值分布进行最大特征值筛选,得到保留特征值分布;
步骤363:通过对所述保留特征值分布进行标准化处理,且对标准化保留特征值进行隶属度函数计算,得到各特征隶属度;
步骤364:利用所述各特征隶属度,对所述感兴趣区域集合进行特征提取。
具体的,采集得到所述感兴趣区域集合中各区域原始特征值分布,即获取感兴趣区域的原始特征值的分布情况。其中感兴趣区域的原始特征值包括均值,其中均值反映的是一幅图像的平均灰度值。方差,方差反映的是一幅图像的灰度在数值上的离散分布情况。倾斜度,倾斜度反映的是图像直方图分布的不对称程度,歪斜度越大表示直方图分布越不对称,反之越对称等可以体现图像特征的数据。随后,对各区域原始特征值分布进行最大特征值筛选,即通过分析比较每个感兴趣区域特征的有效度,筛选出原始特征值分布中有效度最大的特征值,得到保留特征值分布。随后,对所述保留特征值分布进行标准化处理,且对标准化保留特征值进行隶属度函数计算,得到各特征隶属度。由于,提取的特征值的取值范围不同,为了防止小的值被大的值所吞掉,影响分类效果,通过对所有提取的特征值进行标准化处理,再进行隶属度函数计算,得到各特征隶属度。最后,利用所述各特征隶属度,对所述感兴趣区域集合进行特征提取。通过对图像的特征数据进行获取,获取图像特征数据中数据有效度较高的数据,并进行隶属度计算,进而完成根据图像特征数据进行感兴趣区域集合进行特征提取。
步骤400:对所述感兴趣区域集合进行特征提取,得到所述感兴趣区域集合中的目标纹理特征集合;
步骤500:利用所述目标纹理特征集合,对所述感兴趣区域集合进行图像分类,得到所述目标区域的感兴趣区域图像分类结果;
步骤600:基于所述感兴趣区域图像分类结果,对既有目标图像进行识别处理。
具体的,对所述感兴趣区域集合进行特征提取,得到所述感兴趣区域集合中的目标纹理特征集合,其中,目标纹理特征集合为图像的纹理特征,其中纹理特征提取为现有技术在实施例中不做具体描述。随后,利用目标纹理特征集合,对感兴趣区域集合进行图像分类,得到目标区域的感兴趣区域图像分类结果,其中分类结果中包含具体的图像归属分类结果,如部位归属病情归属。最后,根据感兴趣区域图像分类结果,对既有目标图像进行识别处理,识别既有图像中的感兴趣区域所包含的具体的图像特征类别,完成对肺部图像的特征分类,辅助医护人员快速做出诊断,进一步提高后续医护人员肺部诊疗效果准确性。
本申请实施例提供的方法步骤600还包括:
步骤610:构建BP神经网络,其中,所述BP神经网络包含多个隐含层;
步骤620:将所述目标纹理特征集合对应的特征向量,输入至所述BP神经网络进行训练,得到训练曲线;
步骤630:利用所述训练曲线,对所述感兴趣区域集合进行图像分类,得到所述感兴趣区域图像分类结果。
具体的,构建BP神经网络,其中,所述BP神经网络包含多个隐含层。随后,将目标纹理特征集合对应的特征向量,输入至所述BP神经网络进行训练,得到训练曲线。利用获取的训练曲线,对所述感兴趣区域集合进行图像分类,得到所述感兴趣区域图像分类结果。完成对感兴趣区域的分类,便于医护人员快速做出诊断,进一步提高后续医护人员肺部诊疗效果准确性。
综上所述,本申请实施例提供的方法通过对肺部图像进行图像采集,得到目标区域图像。对目标区域图像进行图像滤波、增强预处理,得到标准图像集合。随后,对标准图像集合进行图像分割,得到感兴趣区域集合、非感兴趣区域集合。随后,对感兴趣区域集合进行特征提取,得到感兴趣区域集合中的目标纹理特征集合。根据目标纹理特征集合,对感兴趣区域集合进行图像分类,得到目标区域的感兴趣区域图像分类结果。基于感兴趣区域图像分类结果,对既有目标图像进行识别处理。通过对肺部图像进行识别分类,从而辅助医护人员快速做出诊断,进一步提高后续医护人员肺部诊疗效果准确性。解决了现有技术中医护人员在通过肺部医学图像进行临床诊断时,由于医护人员的医疗水平不同,导致患者的病情存在误诊或漏诊的技术问题。
实施例二
基于与前述实施例中一种肺部图像的识别处理方法相同的发明构思,如图4所示,本申请提供了一种肺部图像的识别处理系统,所述系统包括:
图像采集模块11,用于对目标区域进行图像采集,得到目标区域图像集合;
标准图像集合获取模块12,用于通过对所述目标区域图像集合进行滤波、增强的预处理,得到所述目标区域的标准图像集合;
图像分割模块13,用于对所述标准图像集合进行感兴趣区域、非感兴趣区域之间的图像分割,得到感兴趣区域集合、非感兴趣区域集合;
纹理特征集合获取模块14,用于对所述感兴趣区域集合进行特征提取,得到所述感兴趣区域集合中的目标纹理特征集合;
区域分类模块15,用于利用所述目标纹理特征集合,对所述感兴趣区域集合进行图像分类,得到所述目标区域的感兴趣区域图像分类结果;
图像识别模块16,用于基于所述感兴趣区域图像分类结果,对既有目标图像进行识别处理。
进一步地,所述标准图像集合获取模块12还用于:
采集获得多台设备的所述目标图像集合;
通过对所述目标图像集合进行数据读取,得到所述目标区域图像集合;
通过对所述目标区域图像集合进行图像过滤、图像增强的预处理,得到预处理后图像集合;
对所述预处理后图像集合进行全局特征的分割处理,用以得到左半区域图像集合、右半区域图像集合;
对所述左半区域图像集合、所述右半区域图像集合,进行所述感兴趣区域的特征提取,且对特征提取结果进行分类,得到所述感兴趣区域图像分类结果。
进一步地,所述标准图像集合获取模块12还用于:
获得所述目标区域图像集合的图像信息矩阵;
对所述图像信息矩阵进行数据类型的转换,得到转换后图像信息矩阵,且所述转换后图像信息矩阵满足双精度类型;
对所述转换后图像信息矩阵进行傅里叶变换,得到变换后矩阵;
利用图像滤波,对所述变换后矩阵进行函数运算,得到滤波后结果;
通过对所述滤波后结果进行逆数据类型的转换,且对转换后的图像灰度值进行图像增强处理,得到所述预处理后图像集合。
进一步地,所述标准图像集合获取模块12还用于:
采集获得所述目标区域图像集合中的当前待处理像素,且定义为f(x,y),将所述f(x,y)设为中心点,构建N*N模板,其中,N为奇数;
通过对所述N*N模板进行像素值筛选,获得K个像素值,其中,所述K个像素值和所述f(x,y)满足预设像素阈值,且所述K个像素值不包含所述f(x,y);
计算得到所述K个像素值的中值,且利用所述中值对所述f(x,y)进行替换处理,以此类推,对所述目标区域图像集合中的其它待处理像素进行同样处理,实现对所述目标区域图像集合的滤波处理。
进一步地,所述图像分割模块13还用于:
求解所述标准图像集合的最大灰度值、最小灰度值;
对所述最大灰度值、所述最小灰度值进行中值运算,将运算结果标记为初始估计阈值;
基于所述标准图像集合,统计大于所述初始估计阈值的上灰度值分布集合、统计小于所述初始估计阈值的下灰度值分布集合;
判断所述上灰度值分布集合和所述下灰度值分布集合的数量是否满足预设数量要求;
若不满足,对所述标准图像集合的灰度值进行迭代计算,得到目标阈值,其中,经过所述目标阈值的灰度值分布数量满足所述预设数量要求;
利用所述目标阈值,对所述标准图像集合进行灰度值分割,将满足所述目标阈值的灰度值分布标记为所述感兴趣区域集合、将不满足所述目标阈值的灰度值分布标记为所述非感兴趣区域集合。
进一步地,所述图像分割模块13还用于:
采集得到所述感兴趣区域集合中各区域原始特征值分布;
通过对所述各区域原始特征值分布进行最大特征值筛选,得到保留特征值分布;
通过对所述保留特征值分布进行标准化处理,且对标准化保留特征值进行隶属度函数计算,得到各特征隶属度;
利用所述各特征隶属度,对所述感兴趣区域集合进行特征提取。
进一步地,所述图像识别模块16还用于:
构建BP神经网络,其中,所述BP神经网络包含多个隐含层;
将所述目标纹理特征集合对应的特征向量,输入至所述BP神经网络进行训练,得到训练曲线;
利用所述训练曲线,对所述感兴趣区域集合进行图像分类,得到所述感兴趣区域图像分类结果。
上述实施例二用于执行如实施例一中的方法,其执行原理以及执行基础均可以通过实施例一中记载的内容获取,在此不做过多赘述。尽管结合具体特征及其实施例对本申请进行了描述,但本申请不受这里描述的示例实施例的限制。基于本申请的实施例,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围,这样获取的内容也属于本申请保护的范围。
Claims (8)
1.一种肺部图像的识别处理方法,其特征在于,所述方法应用于图像处理系统,所述方法包括:
对目标区域进行图像采集,得到目标区域图像集合;
通过对所述目标区域图像集合进行滤波、增强的预处理,得到所述目标区域的标准图像集合;
对所述标准图像集合进行感兴趣区域、非感兴趣区域之间的图像分割,得到感兴趣区域集合、非感兴趣区域集合;
对所述感兴趣区域集合进行特征提取,得到所述感兴趣区域集合中的目标纹理特征集合;
利用所述目标纹理特征集合,对所述感兴趣区域集合进行图像分类,得到所述目标区域的感兴趣区域图像分类结果;
基于所述感兴趣区域图像分类结果,对既有目标图像进行识别处理。
2.如权利要求1所述的方法,其特征在于,所述方法包括:
采集获得多台设备的所述目标图像集合;
通过对所述目标图像集合进行数据读取,得到所述目标区域图像集合;
通过对所述目标区域图像集合进行图像过滤、图像增强的预处理,得到预处理后图像集合;
对所述预处理后图像集合进行全局特征的分割处理,用以得到左半区域图像集合、右半区域图像集合;
对所述左半区域图像集合、所述右半区域图像集合,进行所述感兴趣区域的特征提取,且对特征提取结果进行分类,得到所述感兴趣区域图像分类结果。
3.如权利要求2所述的方法,其特征在于,所述方法包括:
获得所述目标区域图像集合的图像信息矩阵;
对所述图像信息矩阵进行数据类型的转换,得到转换后图像信息矩阵,且所述转换后图像信息矩阵满足双精度类型;
对所述转换后图像信息矩阵进行傅里叶变换,得到变换后矩阵;
利用图像滤波,对所述变换后矩阵进行函数运算,得到滤波后结果;
通过对所述滤波后结果进行逆数据类型的转换,且对转换后的图像灰度值进行图像增强处理,得到所述预处理后图像集合。
4.如权利要求3所述的方法,其特征在于,所述得到滤波后结果,包括:
采集获得所述目标区域图像集合中的当前待处理像素,且定义为f(x,y),将所述f(x,y)设为中心点,构建N*N模板,其中,N为奇数;
通过对所述N*N模板进行像素值筛选,获得K个像素值,其中,所述K个像素值和所述f(x,y)满足预设像素阈值,且所述K个像素值不包含所述f(x,y);
计算得到所述K个像素值的中值,且利用所述中值对所述f(x,y)进行替换处理,以此类推,对所述目标区域图像集合中的其它待处理像素进行同样处理,实现对所述目标区域图像集合的滤波处理。
5.如权利要求1所述的方法,其特征在于,所述图像分割,包括:
求解所述标准图像集合的最大灰度值、最小灰度值;
对所述最大灰度值、所述最小灰度值进行中值运算,将运算结果标记为初始估计阈值;
基于所述标准图像集合,统计大于所述初始估计阈值的上灰度值分布集合、统计小于所述初始估计阈值的下灰度值分布集合;
判断所述上灰度值分布集合和所述下灰度值分布集合的数量是否满足预设数量要求;
若不满足,对所述标准图像集合的灰度值进行迭代计算,得到目标阈值,其中,经过所述目标阈值的灰度值分布数量满足所述预设数量要求;
利用所述目标阈值,对所述标准图像集合进行灰度值分割,将满足所述目标阈值的灰度值分布标记为所述感兴趣区域集合、将不满足所述目标阈值的灰度值分布标记为所述非感兴趣区域集合。
6.如权利要求1所述的方法,其特征在于,对所述感兴趣区域集合进行特征提取,包括:
采集得到所述感兴趣区域集合中各区域原始特征值分布;
通过对所述各区域原始特征值分布进行最大特征值筛选,得到保留特征值分布;
通过对所述保留特征值分布进行标准化处理,且对标准化保留特征值进行隶属度函数计算,得到各特征隶属度;
利用所述各特征隶属度,对所述感兴趣区域集合进行特征提取。
7.如权利要求1所述的方法,其特征在于,对所述感兴趣区域集合进行图像分类,包括:
构建BP神经网络,其中,所述BP神经网络包含多个隐含层;
将所述目标纹理特征集合对应的特征向量,输入至所述BP神经网络进行训练,得到训练曲线;
利用所述训练曲线,对所述感兴趣区域集合进行图像分类,得到所述感兴趣区域图像分类结果。
8.一种肺部图像的识别处理系统,其特征在于,所述系统包括:
图像采集模块,用于对目标区域进行图像采集,得到目标区域图像集合;
标准图像集合获取模块,用于通过对所述目标区域图像集合进行滤波、增强的预处理,得到所述目标区域的标准图像集合;
图像分割模块,用于对所述标准图像集合进行感兴趣区域、非感兴趣区域之间的图像分割,得到感兴趣区域集合、非感兴趣区域集合;
纹理特征集合获取模块,用于对所述感兴趣区域集合进行特征提取,得到所述感兴趣区域集合中的目标纹理特征集合;
区域分类模块,用于利用所述目标纹理特征集合,对所述感兴趣区域集合进行图像分类,得到所述目标区域的感兴趣区域图像分类结果;
图像识别模块,用于基于所述感兴趣区域图像分类结果,对既有目标图像进行识别处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211169125.8A CN115272647A (zh) | 2022-09-26 | 2022-09-26 | 一种肺部图像的识别处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211169125.8A CN115272647A (zh) | 2022-09-26 | 2022-09-26 | 一种肺部图像的识别处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115272647A true CN115272647A (zh) | 2022-11-01 |
Family
ID=83756241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211169125.8A Pending CN115272647A (zh) | 2022-09-26 | 2022-09-26 | 一种肺部图像的识别处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115272647A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309741A (zh) * | 2023-05-22 | 2023-06-23 | 中南大学 | Tvds图像配准方法、分割方法、设备及介质 |
CN116597988A (zh) * | 2023-07-18 | 2023-08-15 | 济南蓝博电子技术有限公司 | 一种基于医疗信息的智慧医院运营方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测系统 |
EP3893198A1 (en) * | 2020-04-08 | 2021-10-13 | Siemens Healthcare GmbH | Method and system for computer aided detection of abnormalities in image data |
-
2022
- 2022-09-26 CN CN202211169125.8A patent/CN115272647A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测系统 |
EP3893198A1 (en) * | 2020-04-08 | 2021-10-13 | Siemens Healthcare GmbH | Method and system for computer aided detection of abnormalities in image data |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309741A (zh) * | 2023-05-22 | 2023-06-23 | 中南大学 | Tvds图像配准方法、分割方法、设备及介质 |
CN116309741B (zh) * | 2023-05-22 | 2023-08-11 | 中南大学 | Tvds图像配准方法、分割方法、设备及介质 |
CN116597988A (zh) * | 2023-07-18 | 2023-08-15 | 济南蓝博电子技术有限公司 | 一种基于医疗信息的智慧医院运营方法及系统 |
CN116597988B (zh) * | 2023-07-18 | 2023-09-19 | 济南蓝博电子技术有限公司 | 一种基于医疗信息的智慧医院运营方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
Zhang et al. | Automated semantic segmentation of red blood cells for sickle cell disease | |
CN115272647A (zh) | 一种肺部图像的识别处理方法及系统 | |
WO2010035163A1 (en) | Method for increasing the robustness of computer-aided diagnosis to image processing uncertainties | |
CN111598875A (zh) | 甲状腺结节自动检测模型构建方法、系统及装置 | |
CN110766670A (zh) | 一种基于深度卷积神经网络的乳腺钼靶图像肿瘤定位算法 | |
CN111199197A (zh) | 一种人脸识别的图像提取方法及处理设备 | |
CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
Khordehchi et al. | Automatic lung nodule detection based on statistical region merging and support vector machines | |
CN116758336A (zh) | 一种基于人工智能的医学图像智能分析系统 | |
Nurmaini et al. | An improved semantic segmentation with region proposal network for cardiac defect interpretation | |
Manikandan et al. | Segmentation and Detection of Pneumothorax using Deep Learning | |
CN113177554B (zh) | 甲状腺结节识别与分割方法、系统、存储介质及设备 | |
CN113139931B (zh) | 甲状腺切片图像分类模型训练方法、装置 | |
CN101847260B (zh) | 图像处理设备和图像处理方法 | |
Paulraj et al. | Computer-aided diagnosis of lung cancer in computed tomography scans: a review | |
CN112381818A (zh) | 面向亚类疾病的医学图像识别增强方法 | |
CN116030063A (zh) | Mri图像的分类诊断系统、方法、电子设备及介质 | |
CN113870194B (zh) | 深层特征和浅层lbp特征融合的乳腺肿瘤超声图像处理装置 | |
CN109872307A (zh) | 一种检测生物组织图像中肿块的方法、相应设备及介质 | |
CN112241954B (zh) | 基于肿块差异化分类的全视野自适应分割网络配置方法 | |
CN111667469B (zh) | 肺部疾病分类方法、装置及设备 | |
CN115393314A (zh) | 一种基于深度学习的口腔医疗图像识别方法及系统 | |
Dey et al. | Chest X-ray analysis to detect mass tissue in lung | |
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 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221101 |
|
RJ01 | Rejection of invention patent application after publication |