CN115311309A - 一种用于核磁共振图像的病灶识别提取方法与系统 - Google Patents
一种用于核磁共振图像的病灶识别提取方法与系统 Download PDFInfo
- Publication number
- CN115311309A CN115311309A CN202211076750.8A CN202211076750A CN115311309A CN 115311309 A CN115311309 A CN 115311309A CN 202211076750 A CN202211076750 A CN 202211076750A CN 115311309 A CN115311309 A CN 115311309A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- nuclear magnetic
- resonance image
- image
- gray
- 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
- 238000005481 NMR spectroscopy Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 70
- 230000011218 segmentation Effects 0.000 claims abstract description 49
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims description 18
- 230000003902 lesion Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20076—Probabilistic 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种用于核磁共振图像的病灶识别提取方法与系统,包括:使用滤波窗口检测核磁共振图像上的噪声点得到噪声均值;当滤波窗口内噪声均值大于预设阈值时,对相应滤波窗口内的核磁共振图像进行去噪;滑动滤波窗口,直到遍历完成整个核磁共振图像;利用最优的分割阈值对去噪后的核磁共振图像进行分割得到分割后的核磁共振图像。本发明首先利用滤波窗口对核磁共振图像进行滤波,然后基于均值核磁共振图像和去噪后的核磁共振图像之间的相关度得到最优的分割阈值,并基于分割阈值对图像进行分割可以将核磁共振图像的背景区域剥离出来,使得目标区域的轮廓和纹理更加清晰。
Description
技术领域
本发明涉及图像分割技术领域,具体而言,涉及一种用于核磁共振图像的病灶识别提取方法与系统。
背景技术
在现代临床医疗诊断过程中,医生的主要诊断方式是根据医学图像采集设备获得的图像来分析病人的病情状况,这就要求医生可以精确分析各类医学图像数据,而在分析数据之前就需要把图像中的组织器官区域分割出来,在此过程中应用的就是医学图像处理技术中最为关键一步:图像分割。图像分割的目标就是根据医学图像中的特征信息来分割图像的目标区域和背景区域,图像中主要的特征信息有灰度、纹理、形状和空间信息等,图像特征信息的分割结果给医生的临床诊断提供了客观可靠的信息参考,因此提高医学图像分割的精确度和效率在很大程度上直接推动着医疗水平的快速发展。
现有的对核磁共振图像分割的方法主要是基于图像的灰度区间对图像进行划分的,如文献“核磁共振图像的分割技术研究”提到了一种连接门限阈值方法,其基本原理是选择恰当的门限作为灰度值范围,接着遍历图像的所有像素,将灰度值在灰度范围内的归类为目标区域,将灰度值在灰度范围之外的归类为背景区域。由此可知,现有的图像分割方法一般都是通过设置单一的灰度阈值将图像分为两部分,但是由于灰度阈值的确定全凭工作人员主观意识,并且由于核磁共振图像中目标区域与背景区域的对比反差不高、灰度差异不明显,因此,直接依靠单一的灰度阈值对核磁共振图像进行分割的方法,不能很好的将目标区域与背景区域进行区分。
发明内容
本发明的目的在于提供一种用于核磁共振图像的病灶识别提取方法与系统,旨在解决现有的核磁共振图像分割方法,不能很好的将目标区域与背景区域进行区分的问题。
一种用于核磁共振图像的病灶识别提取方法,包括:
步骤1:获取核磁共振图像;
步骤2:使用滤波窗口检测核磁共振图像上的噪声点得到噪声均值;
步骤3:当所述滤波窗口内噪声均值大于预设阈值时,对相应滤波窗口内的核磁共振图像进行去噪;
步骤4:滑动所述滤波窗口,返回步骤2,直到遍历完成整个核磁共振图像得到去噪后的核磁共振图像;
步骤5:以去噪后的核磁共振图像上的任意一点为中心取一个邻域窗口,计算邻域窗口中所有像素点的灰度平均值;
步骤6:将相应像素点的灰度平均值作为中心像素点的输出,得到均值核磁共振图像;
步骤7:根据所述均值核磁共振图像和所述去噪后的核磁共振图像之间的相关度得到最优的分割阈值;
步骤8:利用所述最优的分割阈值对所述去噪后的核磁共振图像进行分割得到分割后的核磁共振图像。
优选的,所述步骤2:使用滤波窗口检测核磁共振图像上的噪声点得到噪声均值,包括:
步骤2.1:根据滤波窗口内各个图像点的均值和中值构建噪声点检测模型;
步骤2.2:利用所述噪声点检测模型对滤波窗口内各个图像点进行检测得到每个图像点的相似噪声值;
步骤2.3:将大于相似噪声值的相应图像点作为噪点;
步骤2.4:根据噪点个数和滤波窗口内各个图像点的个数得到噪声均值。
优选的,所述噪声点检测模型为:
其中,f(x)表示像素点x的相似噪声值,u(x)表示像素点x的灰度值,umean(x)表示以像素点x为中心的滤波窗口内所有像素点的灰度均值,表示像素点x的梯度均值,为以像素点x为中心的滤波窗口内所有像素点的灰度中值,表示像素点x在水平方向的梯度值,表示像素点x在垂直方向的梯度值。
优选的,所述步骤3:当所述滤波窗口内噪声均值大于预设阈值时,对相应滤波窗口内的核磁共振图像进行去噪,包括:
步骤3.1:根据滤波窗口内所有像素点的灰度中值计算伪像素方差;其中,所述伪像素方差计算公式为:
其中,表示像素点(a,b)在滤波窗口的大小为(2n+1)×(2n+1)的区域内的伪像素方差,mean(a,b)表示像素点(a,b)在滤波窗口的灰度中值,x(k,l)表示在(k,l)位置像素点的灰度值;
步骤3.2:利用所述伪像素方差构建窗口去噪模型。
优选的,所述步骤3.2:利用所述伪像素方差构建窗口去噪模型,包括:
采用公式:
构建窗口去噪模型;其中,f(a,b)表示像素点(a,b)在去噪后的灰度值,D为可调系数,x(a,b)表示像素点(a,b)在滤波窗口内的灰度值。
优选的,所述步骤7:根据所述均值核磁共振图像和所述去噪后的核磁共振图像之间的相关度得到最优的分割阈值,包括:
步骤7.1:提取所述去噪后的核磁共振图像和所述均值核磁共振图像上在同一位置的灰度值,组成灰度数组;
步骤7.2:利用所述灰度数组构建分割函数;
步骤7.3:获取预设的分割数组,不断调节预设的分割数组,直到分割函数的值最大;
步骤7.4:将分割函数的值最大所对应的分割数组作为最优的分割阈值。
优选的,所述步骤7.2:利用所述灰度数组构建分割函数,包括:
步骤7.2.1:根据灰度数组出现的次数得到数组概率;
步骤7.2.2:根据所述数组概率得到所述去噪后的核磁共振图像和所述均值核磁共振图像的灰度分布概率;其中,所述灰度分布概率为:
其中,μTm表示去噪后的核磁共振图像的灰度分布概率,μTn表示均值核磁共振图像的灰度分布概率,pmn表示数组概率,M表示去噪后的核磁共振图像的长度,N表示去噪后的核磁共振图像的宽度,Fmn表示灰度数组(m,n)出现的次数,且m,n=0,1,2,…L;
步骤7.2.3:根据所述灰度分布概率构建分割函数。
优选的,所述分割函数为:
本发明还提供了一种用于核磁共振图像的病灶识别提取系统,包括:
图像获取模块,用于获取核磁共振图像;
检测模块,用于使用滤波窗口检测核磁共振图像上的噪声点得到噪声均值;
窗口滤波模块,用于当所述滤波窗口内噪声均值大于预设阈值时,对相应滤波窗口内的核磁共振图像进行去噪;
滑动去噪模块,用于滑动所述滤波窗口,返回检测模块,直到遍历完成整个核磁共振图像得到去噪后的核磁共振图像;
邻域窗口构建模块,用于以去噪后的核磁共振图像上的任意一点为中心取一个邻域窗口,计算邻域窗口中所有像素点的灰度平均值;
均值核磁共振图像构建模块,用于将相应像素点的灰度平均值作为中心像素点的输出,得到均值核磁共振图像;
分割阈值计算模块,用于根据所述均值核磁共振图像和所述去噪后的核磁共振图像之间的相关度得到最优的分割阈值;
分割模块,用于利用所述最优的分割阈值对所述去噪后的核磁共振图像进行分割得到分割后的核磁共振图像。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的一种用于核磁共振图像的病灶识别提取方法中的步骤。
本发明提供的一种用于核磁共振图像的病灶识别提取方法与系统的有益效果在于:与现有技术相比,本发明首先利用滤波窗口对核磁共振图像进行滤波,然后基于均值核磁共振图像和去噪后的核磁共振图像之间的相关度得到最优的分割阈值,并基于分割阈值对图像进行分割可以将核磁共振图像的背景区域剥离出来,使得目标区域的轮廓和纹理更加清晰。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
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的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例所提供的一种用于核磁共振图像的病灶识别提取方法流程图;
图2示出了本发明实施例所提供一种用于核磁共振图像的病灶识别提取系统原理图。
具体实施方式
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的目的在于提供一种用于核磁共振图像的病灶识别提取方法与系统,旨在解决现有的磁共振图像分割方法,不能很好的将目标区域与背景区域进行区分的问题。
请参阅图1,一种用于核磁共振图像的病灶识别提取方法,包括:
步骤1:获取核磁共振图像;
步骤2:使用滤波窗口检测核磁共振图像上的噪声点得到噪声均值;
进一步的,所述步骤2包括:
步骤2.1:根据滤波窗口内各个图像点的均值和中值构建噪声点检测模型;其中,所述噪声点检测模型为:
其中,f(x)表示像素点x的相似噪声值,u(x)表示像素点x的灰度值,umean(x)表示以像素点x为中心的滤波窗口内所有像素点的灰度均值,表示像素点x的梯度均值,为以像素点x为中心的滤波窗口内所有像素点的灰度中值,表示像素点x在水平方向的梯度值,表示像素点x在垂直方向的梯度值。
本发明通过基于滤波窗口内各个图像点的均值、中值及其梯度均值构建噪声点检测模型,可以从多个方面检测噪点与原始像素点之间的区别,进而使噪点的检测更加精准。
步骤2.2:利用所述噪声点检测模型对滤波窗口内各个图像点进行检测得到每个图像点的相似噪声值;
步骤2.3:将大于相似噪声值的相应图像点作为噪点;
步骤2.4:根据噪点个数和滤波窗口内各个图像点的个数得到噪声均值。
步骤3:当所述滤波窗口内噪声均值大于预设阈值时,对相应滤波窗口内的核磁共振图像进行去噪;
原始的滤波算法例如均值滤波算法是对核磁共振图像上每个邻域中的像素点都进行均值处理(不管是否含有噪点),因此处理过后的图像就会变得模糊,而本发明通过利用噪声点检测模型可以找出核磁共振图像上的噪点,然后对相应的噪点进行滤波处理可以在平滑掉图像中的噪声点的同时,保持核磁共振图像的原始像素信息。在实际应用中,本发明可根据实际的情景设定相应的检测区间值。
进一步的,所述步骤3包括:
步骤3.1:根据滤波窗口内所有像素点的灰度中值计算伪像素方差;其中,所述伪像素方差计算公式为:
其中,表示像素点(a,b)在滤波窗口的大小为(2n+1)×(2n+1)的区域内的伪像素方差,mean(a,b)表示像素点(a,b)在滤波窗口的灰度中值,x(k,l)表示在(k,l)位置像素点的灰度值;
步骤3.2:利用所述伪像素方差构建窗口去噪模型。
在本发明实施例中,可采用公式:
构建窗口去噪模型;其中,f(a,b)表示像素点(a,b)在去噪后的灰度值,D为可调系数,x(a,b)表示像素点(a,b)在滤波窗口内的灰度值。
步骤4:滑动所述滤波窗口,返回步骤2,直到遍历完成整个核磁共振图像得到去噪后的核磁共振图像;
本发明基于窗口去噪模型,对相应滤波窗口内的核磁共振图像进行去噪可以缓解现有的去噪方法(例如中值滤波去噪、均值滤波去噪和小波去噪等)使核磁共振图像中某些特征梯度消失的问题,可以最大程度保留图像的原始像素信息,提高图像的判读效果。
步骤5:以去噪后的核磁共振图像上的任意一点为中心取一个邻域窗口,计算邻域窗口中所有像素点的灰度平均值;
步骤6:将相应像素点的灰度平均值作为中心像素点的输出,得到均值核磁共振图像;
步骤7:根据所述均值核磁共振图像和所述去噪后的核磁共振图像之间的相关度得到最优的分割阈值;
进一步的,所述步骤7包括:
步骤7.1:提取所述去噪后的核磁共振图像和所述均值核磁共振图像上在同一位置的灰度值,组成灰度数组;
在实际应用中,设去噪后的核磁共振图像和均值核磁共振图像在位置(i,j)处的像素灰度值分别为m和n,因此去噪后的核磁共振图像和均值核磁共振图像在同一位置处的灰度值就构成了一个灰度数组(m,n)。
步骤7.2:利用所述灰度数组构建分割函数;
进一步的,所述步骤7.2包括:
步骤7.2.1:根据灰度数组出现的次数得到数组概率;
步骤7.2.2:根据所述数组概率得到所述去噪后的核磁共振图像和所述均值核磁共振图像的灰度分布概率;其中,所述灰度分布概率为:
其中,μTm表示去噪后的核磁共振图像的灰度分布概率,μTn表示均值核磁共振图像的灰度分布概率,pmn表示数组概率,M表示去噪后的核磁共振图像的长度,N表示去噪后的核磁共振图像的宽度,Fmn表示灰度数组(m,n)出现的次数,且m,n=0,1,2,…L;
步骤7.2.3:根据所述灰度分布概率构建分割函数。在本发明中,分割函数为:
步骤7.3:获取预设的分割数组,不断调节预设的分割数组,直到分割函数的值最大;
步骤7.4:将分割函数的值最大所对应的分割数组作为最优的分割阈值。
本发明基于直方图的原理对图像进行分割,可以根据图像灰度值分布的概率从整体上得到最优的分割阈值,利用该分割阈值对图像进行分割可以将核磁共振图像的背景区域和目标区域分割开来,便于医师对核磁共振图像的病灶区域进行识别和提取。
步骤8:利用所述最优的分割阈值对所述去噪后的核磁共振图像进行分割得到分割后的核磁共振图像。
本发明首先利用滤波窗口对核磁共振图像进行滤波,然后基于均值核磁共振图像和去噪后的核磁共振图像之间的相关度得到最优的分割阈值,并基于分割阈值对图像进行分割可以将核磁共振图像的背景区域剥离出来,使得目标区域的轮廓和纹理更加清晰。
本发明还提供了一种用于核磁共振图像的病灶识别提取系统,包括:
图像获取模块,用于获取核磁共振图像;
检测模块,用于使用滤波窗口检测核磁共振图像上的噪声点得到噪声均值;
窗口滤波模块,用于当所述滤波窗口内噪声均值大于预设阈值时,对相应滤波窗口内的核磁共振图像进行去噪;
滑动去噪模块,用于滑动所述滤波窗口,返回检测模块,直到遍历完成整个核磁共振图像得到去噪后的核磁共振图像;
邻域窗口构建模块,用于以去噪后的核磁共振图像上的任意一点为中心取一个邻域窗口,计算邻域窗口中所有像素点的灰度平均值;
均值核磁共振图像构建模块,用于将相应像素点的灰度平均值作为中心像素点的输出,得到均值核磁共振图像;
分割阈值计算模块,用于根据所述均值核磁共振图像和所述去噪后的核磁共振图像之间的相关度得到最优的分割阈值;
分割模块,用于利用所述最优的分割阈值对所述去噪后的核磁共振图像进行分割得到分割后的核磁共振图像。
与现有技术相比,本发明提供的一种用于核磁共振图像的病灶识别提取系统的有益效果与上述技术方案所述一种用于核磁共振图像的病灶识别提取方法的有益效果相同,在此不做赘述。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的一种用于核磁共振图像的病灶识别提取方法中的步骤,与现有技术相比,本发明提供的一种计算机可读存储介质的有益效果与上述技术方案所述一种用于核磁共振图像的病灶识别提取方法的有益效果相同,在此不做赘述。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换的技术方案,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种用于核磁共振图像的病灶识别提取方法,其特征在于,包括:
步骤1:获取核磁共振图像;
步骤2:使用滤波窗口检测核磁共振图像上的噪声点得到噪声均值;
步骤3:当所述滤波窗口内噪声均值大于预设阈值时,对相应滤波窗口内的核磁共振图像进行去噪;
步骤4:滑动所述滤波窗口,返回步骤2,直到遍历完成整个核磁共振图像得到去噪后的核磁共振图像;
步骤5:以去噪后的核磁共振图像上的任意一点为中心取一个邻域窗口,计算邻域窗口中所有像素点的灰度平均值;
步骤6:将相应像素点的灰度平均值作为中心像素点的输出,得到均值核磁共振图像;
步骤7:根据所述均值核磁共振图像和所述去噪后的核磁共振图像之间的相关度得到最优的分割阈值;
步骤8:利用所述最优的分割阈值对所述去噪后的核磁共振图像进行分割得到分割后的核磁共振图像。
2.根据权利要求1所述的一种用于核磁共振图像的病灶识别提取方法,其特征在于,所述步骤2:使用滤波窗口检测核磁共振图像上的噪声点得到噪声均值,包括:
步骤2.1:根据滤波窗口内各个图像点的均值和中值构建噪声点检测模型;
步骤2.2:利用所述噪声点检测模型对滤波窗口内各个图像点进行检测得到每个图像点的相似噪声值;
步骤2.3:将大于相似噪声值的相应图像点作为噪点;
步骤2.4:根据噪点个数和滤波窗口内各个图像点的个数得到噪声均值。
6.根据权利要求5所述的一种用于核磁共振图像的病灶识别提取方法,其特征在于,所述步骤7:根据所述均值核磁共振图像和所述去噪后的核磁共振图像之间的相关度得到最优的分割阈值,包括:
步骤7.1:提取所述去噪后的核磁共振图像和所述均值核磁共振图像上在同一位置的灰度值,组成灰度数组;
步骤7.2:利用所述灰度数组构建分割函数;
步骤7.3:获取预设的分割数组,不断调节预设的分割数组,直到分割函数的值最大;
步骤7.4:将分割函数的值最大所对应的分割数组作为最优的分割阈值。
7.根据权利要求6所述的一种用于核磁共振图像的病灶识别提取方法,其特征在于,所述步骤7.2:利用所述灰度数组构建分割函数,包括:
步骤7.2.1:根据灰度数组出现的次数得到数组概率;
步骤7.2.2:根据所述数组概率得到所述去噪后的核磁共振图像和所述均值核磁共振图像的灰度分布概率;其中,所述灰度分布概率为:
其中,μTm表示去噪后的核磁共振图像的灰度分布概率,μTn表示均值核磁共振图像的灰度分布概率,pmn表示数组概率,M表示去噪后的核磁共振图像的长度,N表示去噪后的核磁共振图像的宽度,Fmn表示灰度数组(m,n)出现的次数,且m,n=0,1,2,…L;
步骤7.2.3:根据所述灰度分布概率构建分割函数。
9.一种用于核磁共振图像的病灶识别提取系统,其特征在于,包括:
图像获取模块,用于获取核磁共振图像;
检测模块,用于使用滤波窗口检测核磁共振图像上的噪声点得到噪声均值;
窗口滤波模块,用于当所述滤波窗口内噪声均值大于预设阈值时,对相应滤波窗口内的核磁共振图像进行去噪;
滑动去噪模块,用于滑动所述滤波窗口,返回检测模块,直到遍历完成整个核磁共振图像得到去噪后的核磁共振图像;
邻域窗口构建模块,用于以去噪后的核磁共振图像上的任意一点为中心取一个邻域窗口,计算邻域窗口中所有像素点的灰度平均值;
均值核磁共振图像构建模块,用于将相应像素点的灰度平均值作为中心像素点的输出,得到均值核磁共振图像;
分割阈值计算模块,用于根据所述均值核磁共振图像和所述去噪后的核磁共振图像之间的相关度得到最优的分割阈值;
分割模块,用于利用所述最优的分割阈值对所述去噪后的核磁共振图像进行分割得到分割后的核磁共振图像。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的一种用于核磁共振图像的病灶识别提取方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211076750.8A CN115311309A (zh) | 2022-09-05 | 2022-09-05 | 一种用于核磁共振图像的病灶识别提取方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211076750.8A CN115311309A (zh) | 2022-09-05 | 2022-09-05 | 一种用于核磁共振图像的病灶识别提取方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115311309A true CN115311309A (zh) | 2022-11-08 |
Family
ID=83866595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211076750.8A Pending CN115311309A (zh) | 2022-09-05 | 2022-09-05 | 一种用于核磁共振图像的病灶识别提取方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115311309A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661135A (zh) * | 2022-12-09 | 2023-01-31 | 山东第一医科大学附属省立医院(山东省立医院) | 一种心脑血管造影的病灶区域分割方法 |
CN116188488A (zh) * | 2023-01-10 | 2023-05-30 | 广东省第二人民医院 | 基于灰度梯度的b超图像病灶区域分割方法及装置 |
CN116245879A (zh) * | 2023-05-08 | 2023-06-09 | 长沙韶光芯材科技有限公司 | 一种玻璃基板平整度评估方法和系统 |
CN117037929A (zh) * | 2023-10-10 | 2023-11-10 | 天科院环境科技发展(天津)有限公司 | 一种基于卷积神经网络的mbbr池污水处理方法 |
CN117132638A (zh) * | 2023-08-24 | 2023-11-28 | 北京海韵晨耕文化传播有限公司 | 一种基于图像扫描的容积数据采集方法 |
CN117314766A (zh) * | 2023-08-31 | 2023-12-29 | 湖南景为电子科技有限公司 | 一种手机钢化玻璃膜表面图像增强方法和系统 |
-
2022
- 2022-09-05 CN CN202211076750.8A patent/CN115311309A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661135A (zh) * | 2022-12-09 | 2023-01-31 | 山东第一医科大学附属省立医院(山东省立医院) | 一种心脑血管造影的病灶区域分割方法 |
CN116188488A (zh) * | 2023-01-10 | 2023-05-30 | 广东省第二人民医院 | 基于灰度梯度的b超图像病灶区域分割方法及装置 |
CN116188488B (zh) * | 2023-01-10 | 2024-01-16 | 广东省第二人民医院(广东省卫生应急医院) | 基于灰度梯度的b超图像病灶区域分割方法及装置 |
CN116245879A (zh) * | 2023-05-08 | 2023-06-09 | 长沙韶光芯材科技有限公司 | 一种玻璃基板平整度评估方法和系统 |
CN116245879B (zh) * | 2023-05-08 | 2023-08-01 | 长沙韶光芯材科技有限公司 | 一种玻璃基板平整度评估方法和系统 |
CN117132638A (zh) * | 2023-08-24 | 2023-11-28 | 北京海韵晨耕文化传播有限公司 | 一种基于图像扫描的容积数据采集方法 |
CN117314766A (zh) * | 2023-08-31 | 2023-12-29 | 湖南景为电子科技有限公司 | 一种手机钢化玻璃膜表面图像增强方法和系统 |
CN117314766B (zh) * | 2023-08-31 | 2024-04-19 | 湖南景为电子科技有限公司 | 一种手机钢化玻璃膜表面图像增强方法和系统 |
CN117037929A (zh) * | 2023-10-10 | 2023-11-10 | 天科院环境科技发展(天津)有限公司 | 一种基于卷积神经网络的mbbr池污水处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115311309A (zh) | 一种用于核磁共振图像的病灶识别提取方法与系统 | |
EP2599036B1 (en) | Method and system for anomaly detection in data sets | |
US10303986B2 (en) | Automated measurement of brain injury indices using brain CT images, injury data, and machine learning | |
Zotin et al. | Edge detection in MRI brain tumor images based on fuzzy C-means clustering | |
US7474775B2 (en) | Automatic detection of red lesions in digital color fundus photographs | |
EP1997068B1 (en) | Method and system for discriminating image representations of classes of objects | |
CN103249358B (zh) | 医用图像处理装置 | |
US7711167B2 (en) | Fissure detection methods for lung lobe segmentation | |
US6731782B2 (en) | Method and system for automatic identification and quantification of abnormal anatomical structures in medical images | |
JP2004032684A (ja) | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 | |
EP3724848B1 (en) | Image processing method for glaucoma detection and computer program products thereof | |
CN116109663B (zh) | 基于多阈值分割的胃部ct影像分割方法 | |
JPH11312234A (ja) | 多次元画像のセグメンテ―ション処理を含む画像処理方法及び医用映像装置 | |
Ertas et al. | A computerized volumetric segmentation method applicable to multi-centre MRI data to support computer-aided breast tissue analysis, density assessment and lesion localization | |
WO2009135305A1 (en) | Texture quantification of medical images | |
CN115330818A (zh) | 一种图片分割方法及其计算机可读存储介质 | |
KR101162599B1 (ko) | 흉부 방사선 이미지 분석을 통한 심비대 자동탐지 방법 및 그 기록매체 | |
CN111461961A (zh) | 一种oct血管图像错位矫正方法 | |
CN114792296A (zh) | 一种核磁共振图像与超声图像融合方法与系统 | |
CN114419084A (zh) | 基于医学影像的出血区域检测方法及装置、存储介质 | |
Martins et al. | Evaluation of retinal vessel segmentation methods for microaneurysms detection | |
CN113222009A (zh) | 一种基于甲状腺超声视频估算结节纵横比的方法 | |
CN117764864B (zh) | 基于图像去噪的核磁共振肿瘤视觉检测方法 | |
CN114549353B (zh) | 一种用于核磁共振图像的去噪方法与系统 | |
CN114627097A (zh) | 一种脑部核磁共振图像特征提取方法与系统 |
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 |