CN115345893B - 基于图像处理的卵巢组织癌变区域分割方法 - Google Patents

基于图像处理的卵巢组织癌变区域分割方法 Download PDF

Info

Publication number
CN115345893B
CN115345893B CN202211120230.2A CN202211120230A CN115345893B CN 115345893 B CN115345893 B CN 115345893B CN 202211120230 A CN202211120230 A CN 202211120230A CN 115345893 B CN115345893 B CN 115345893B
Authority
CN
China
Prior art keywords
sliding window
edge
image
gray
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.)
Active
Application number
CN202211120230.2A
Other languages
English (en)
Other versions
CN115345893A (zh
Inventor
潘颖
王雪
李析蒨
黄笑尘
刘安琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China-Japan Union Hospital of Jilin University
Original Assignee
China-Japan Union Hospital of Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China-Japan Union Hospital of Jilin University filed Critical China-Japan Union Hospital of Jilin University
Priority to CN202211120230.2A priority Critical patent/CN115345893B/zh
Publication of CN115345893A publication Critical patent/CN115345893A/zh
Application granted granted Critical
Publication of CN115345893B publication Critical patent/CN115345893B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于图像处理的卵巢组织癌变区域分割方法，属于图像处理技术领域；包括以下步骤：获取腹腔区域CT图像；根据每个滑窗中的灰度级数获取每个滑窗中的灰度信息量；获取每个滑窗中的边缘程度值；根据每个连通域中像素点的灰度分布获取每个连通域的分布函数；通过统计每个边缘滑窗内符合该分布函数的边缘像素点；根据该轮廓边缘与符合该分布函数的边缘像素点获取新的连通域；根据多个新的连通域将CT图像中非边缘区域分割为若干个区域。本发明根据不同软组织边缘的灰度信息量与差异程度的特点将CT图像中非边缘区域中不同组织器官进行分割，进而将卵巢组织与其他组织器官进行分离。

Description

基于图像处理的卵巢组织癌变区域分割方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于图像处理的卵巢组织癌变区域分割方法。
背景技术
卵巢癌是一种常见的女性生殖系统恶性肿瘤，是指生长在卵巢上的恶性肿瘤，其死亡率高居妇科癌症之首，是严重威胁妇女健康的重大疾患。其中卵巢位于腹部区域，可通过腹部CT检查获得卵巢与周围组织的图像，同时至今临床上也没有一种有效的手段帮助人们检测到早期卵巢癌的存在，所以大部分妇女在检查到卵巢癌时已经处于晚期状态。而对于卵巢癌变信息的判断完全依靠医生的经验判断，因此对卵巢组织癌变区域进行分割，使得医生更好的判断其卵巢癌变情况辅助医生提高诊断效率。近十几年来，国内外在医学图像分割方面已经提出了很多算法，包括阈值分割、区域生长、基于模型的方法(包括活动轮廓模型，水平集，马尔科夫随机场等)、基于图论的方法(包括图割，归一化割等)、基于机器学习的方法、基于聚类的方法(包括K均值，模糊C均值等)。这些方法存在一些主要缺点：(1)多数方法需要手工交互；(2)多数方法对噪声敏感，且由于CT图像对比度低，卵巢区域与其他组织相连导致准确分割较为困难；(3)多数方法算法复杂度高，处理时间长，难以满足临床要求。
现有技术中采用canny边缘检测对CT图像进行卵巢组织癌变区域的分割时，获取图像中各个组织器官的较为明显轮廓边缘,但在CT图像中一些软组织灰度值比较相近，通过边缘检测不能很好的区分这类组织器官，则在非边缘区域可能也会存在不同软组织的边缘的信息，由此，本发明为了能够对非边缘区域中不同软组织的边缘的提取而提供一种基于图像处理的卵巢组织癌变区域分割方法。
发明内容
本发明提供一种基于图像处理的卵巢组织癌变区域分割方法，该方法结合canny边缘检测，根据不同软组织边缘的灰度信息量与差异程度的特点将CT图像中非边缘区域中不同组织器官进行分割，进而将卵巢组织与其他组织器官进行分离，再对卵巢组织内部的癌变区域进行标记从而确定其癌变区域的位置，医生可通过标记的区域快速判断癌变情况。
本发明的目的是提供一种基于图像处理的卵巢组织癌变区域分割方法，包括以下步骤：
获取腹腔区域CT图像；
将腹腔区域CT图像通过canny边缘检测获取图像中所有轮廓边缘；
通过3×3滑窗对CT图像中的非边缘区域从左至右或从上至下依次进行遍历，获取每个滑窗中的灰度级数；根据每个滑窗中的灰度级数获取每个滑窗中的灰度信息量；
根据每个滑窗中所有像素点的灰度值获取每个滑窗内的平均灰度值；
根据每个滑窗内的平均灰度值及对应滑窗中的灰度级数获取每个滑窗中的边缘程度值；
根据每个滑窗中的边缘程度值大于该滑窗中的灰度信息量获取非边缘区域中多个含有边缘像素点的滑窗，记为边缘滑窗；
将非边缘区域中一连续排布的边缘滑窗一侧与其对应的轮廓边缘围成连通域，根据该连通域中像素点的灰度分布获取每个连通域的分布函数；通过统计每个边缘滑窗内符合该分布函数的边缘像素点；根据该轮廓边缘与符合该分布函数的边缘像素点获取新的连通域；依次类比获取每个连续排布的边缘滑窗内的边缘像素点与其对应轮廓边缘围成多个新的连通域；
根据多个新的连通域将CT图像中非边缘区域分割为若干个区域。
在一实施例中，每个所述连通域的分布函数均为：
Figure 847666DEST_PATH_IMAGE001
式中，
Figure 372189DEST_PATH_IMAGE002
为连通域中平均灰度值；
Figure 304283DEST_PATH_IMAGE003
为连通域中灰度值标准差；
Figure 306874DEST_PATH_IMAGE004
为连通域中像素点的灰度值；
Figure 95838DEST_PATH_IMAGE005
为连通域的分布函数。
在一实施例中，所述灰度值标准差计算公式如下：
Figure 666628DEST_PATH_IMAGE006
式中，
Figure 908254DEST_PATH_IMAGE003
为连通域中灰度值标准差；
Figure 980115DEST_PATH_IMAGE007
为滑窗中像素点
Figure 13799DEST_PATH_IMAGE008
的灰度值；
Figure 614545DEST_PATH_IMAGE002
为连通域中平均灰度值；
Figure 609045DEST_PATH_IMAGE009
表示连通域所在的区域；
Figure 94384DEST_PATH_IMAGE010
为
Figure 857941DEST_PATH_IMAGE011
中像素点的个数。
在一实施例中，所述通过统计每个边缘滑窗内符合对应分布函数的像素点过程中，是将每个边缘滑窗内的像素点的灰度值符合公式:
Figure 629588DEST_PATH_IMAGE012
，将作为符合对应分布函数的像素点；其中，
Figure 111385DEST_PATH_IMAGE013
表示边缘滑窗内的像素点的灰度值；
Figure 151147DEST_PATH_IMAGE014
表示与边缘滑窗邻近的第
Figure 769211DEST_PATH_IMAGE015
个连通域中平均灰度值；
Figure 977338DEST_PATH_IMAGE016
表示与边缘滑窗邻近的第
Figure 556218DEST_PATH_IMAGE015
个连通域中灰度值标准差。
在一实施例中，每个滑窗中的灰度信息量计算公式如下：
Figure 242414DEST_PATH_IMAGE017
式中，
Figure 980563DEST_PATH_IMAGE018
表示滑窗中第
Figure 484226DEST_PATH_IMAGE019
个灰度级的概率；
Figure 675036DEST_PATH_IMAGE020
表示滑窗中的灰度信息量。
在一实施例中，每个滑窗中的边缘程度值计算公式如下：
Figure 164923DEST_PATH_IMAGE021
式中，
Figure 757578DEST_PATH_IMAGE022
表示滑窗中的边缘程度值；
Figure 182874DEST_PATH_IMAGE023
表示滑窗中第
Figure 860980DEST_PATH_IMAGE024
个灰度级的灰度值；
Figure 154558DEST_PATH_IMAGE025
表示滑窗中第
Figure 224889DEST_PATH_IMAGE024
个灰度级的概率；
Figure 945721DEST_PATH_IMAGE024
表述滑窗中灰度级的序数；
Figure 376702DEST_PATH_IMAGE026
表示滑窗内的平均灰度值。
在一实施例中，还包括：将获取的若干个区域通过训练好的卷积神经网络识别分割后的CT图像中卵巢组织所在位置。
在一实施例中，获取腹腔区域CT图像的过程中，是先获取初始CT图像后，再经中值滤波处理而得的。
本发明的有益效果是：
本发明提供的一种基于图像处理的卵巢组织癌变区域分割方法，该方法结合canny边缘检测，根据不同软组织边缘的灰度信息量与差异程度的特点将CT图像中非边缘区域中不同组织器官进行分割，进而将卵巢组织与其他组织器官进行分离，再对卵巢组织内部的癌变区域进行标记从而确定其癌变区域的位置，医生可通过标记的区域快速判断癌变情况。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种基于图像处理的卵巢组织癌变区域分割方法的实施例总体步骤的流程示意图。
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。
本发明主要是在卵巢组织癌变情况检查中，通过CT探测仪对患者卵巢组织所在的腹部区域进行CT检查获取含有卵巢组织的CT图像，通过对CT图像进行图像分割，将卵巢组织与其他组织器官进行分离，再对卵巢组织内部的癌变区域进行标记从而确定其癌变区域的位置，医生可通过标记的区域快速判断癌变情况。
本发明提供的一种基于图像处理的卵巢组织癌变区域分割方法，参见图1所示，包括以下步骤：
S1、获取腹腔区域CT图像；其中，获取腹腔区域CT图像的过程中，是先获取初始CT图像后，再经中值滤波处理而得的；
在本实施例中，需要实现对卵巢组织癌变区域的分割，所以需要获取卵巢组织的图像，通过对病人腹部进行CT检查，获取卵巢组织与周围组织的图像，再通过对该CT图像进行分割，因此需要获取卵巢组织所在区域的CT图像。具体是通过CT探测仪对腹部卵巢所在区域进行CT检查，CT探测仪由一个X射线管和一个探测仪组成，两者位置彼此相对，围绕患者旋转，提供完整的360°轴向扫描。X射线管发射的X射线会穿透人体。将患者腹部区域置于扫描区域，通过探测仪阵列围绕患者腹部快速转动，从多个角度捕捉投影图像。从而获得卵巢组织所在的腹腔区域的初始CT图像。
将初始CT图像进行中值滤波处理，主要是由于卵巢组织所处的腹腔区域存在多种组织器官，其中大部分组织器官为软组织器官，CT图像对软组织的分辨率较差，易受到噪声的干扰，因此在对初始CT图像进行分割前需要对图像进行滤波降噪处理，其中，中值滤波与其他滤波相比对椒盐噪声具有很好的过滤效果且能够很好的保持图像中的细节以及边缘信息，其中值滤波如下所示：
Figure 83758DEST_PATH_IMAGE027
其中，
Figure 385426DEST_PATH_IMAGE028
为初始CT图像；
Figure 542738DEST_PATH_IMAGE029
为处理后的腹腔区域CT图像；
Figure 320070DEST_PATH_IMAGE030
为二维模板，通常为3×3，5×5区域，也可以是不同的形状，如线状，圆形，十字形，圆环形等；
Figure 689872DEST_PATH_IMAGE031
分别表示二维模板内的长和宽。
通过中值滤波处理后便可对腹腔区域CT图像进行后续的处理。
S2、将腹腔区域CT图像通过canny边缘检测获取图像中所有轮廓边缘；
在本实施例中，患者的CT图像中包含卵巢组织以及其相邻组织器官的影像信息。如果直接对CT图像进行卵巢组织癌变区域的分割，在卵巢组织之外的组织器官的影像信息往往会造成图像的误分割。为了排除非卵巢组织区域对癌变区域分割的影响，首先需要将卵巢组织区域分割出来。对进行中值滤波后的图像进行canny边缘检测，获取图像中各个组织器官的较为明显轮廓边缘,但在CT图像中一些软组织灰度值比较相近，通过边缘检测不能很好的区分这类组织器官，因此，后续要根据不同软组织的边缘的信息量与差异程度的特点将不同的组织器官进行分割。
S3、通过3×3滑窗对CT图像中的非边缘区域从左至右或从上至下依次进行遍历，获取每个滑窗中所有像素点的灰度值；
根据每个滑窗中所有像素点的灰度值获取每个滑窗中的灰度级数；根据每个滑窗中的灰度级数获取每个滑窗中的灰度信息量；
在本实施例中，通过3×3滑窗对CT图像中的非边缘区域从左至右或从上至下依次进行滑动扫描，判断该滑窗内是否可能存在边缘像素点，首先计算滑窗所包含的信息量，统计出滑窗中的灰度级数，计算每一个灰度级的概率，然后获得该滑窗的信息量；具体每个滑窗中的灰度信息量计算公式如下：
Figure 111626DEST_PATH_IMAGE032
式中，
Figure 315205DEST_PATH_IMAGE033
表示滑窗中第
Figure 189620DEST_PATH_IMAGE034
个灰度级的概率；
Figure 628692DEST_PATH_IMAGE035
表示滑窗中的灰度信息量；每个滑窗在扫描过程中，依次计算滑窗口所框区域内的灰度信息量；需要说明的是，
Figure 904952DEST_PATH_IMAGE033
的计算是在滑窗内第
Figure 764586DEST_PATH_IMAGE034
个灰度级的像素点个数除以该滑窗内像素点总个数。
需要说明的是，
Figure 126297DEST_PATH_IMAGE035
越接近于0说明越属于同一组织器官,同一种组织器官自身的灰度值也具有一定的范围变化，若是滑窗位于同一种组织器官中灰度变化较为频繁的区域此时的信息量较大可能会被误判为边缘区域，所以还需要通过该区域的差异程度来最终确定是否为边缘区域。
当
Figure 837901DEST_PATH_IMAGE036
时，滑窗所扫描的区域内只含有一个灰度级数，因此，可以确定此时所选区域为同一组织或器官，对于
Figure 375193DEST_PATH_IMAGE037
时，需要进一步判断该区域是否含有不同组织器官。
S4、根据每个滑窗中所有像素点的灰度值获取每个滑窗内的平均灰度值；具体计算滑窗内的平均灰度值：
Figure 779630DEST_PATH_IMAGE038
式中，
Figure 628637DEST_PATH_IMAGE039
为滑窗内的平均灰度值；
Figure 143932DEST_PATH_IMAGE040
为滑窗所在区域；
Figure 519418DEST_PATH_IMAGE041
为滑窗中像素点
Figure 360335DEST_PATH_IMAGE042
的灰度值；
Figure 696639DEST_PATH_IMAGE043
为
Figure 890991DEST_PATH_IMAGE040
中像素点的个数，从而依次获取每个滑窗内的平均灰度值。
根据每个滑窗内的平均灰度值及对应滑窗中的灰度级数获取每个滑窗中的边缘程度值；
在本实施例中，通过滑窗内的每个像素点的差异程度计算该区域的边缘程度，具体的，每个滑窗中的边缘程度值计算公式如下：
Figure 996350DEST_PATH_IMAGE044
式中，
Figure 742589DEST_PATH_IMAGE045
表示滑窗中的边缘程度值；
Figure 300610DEST_PATH_IMAGE046
表示滑窗中第
Figure 312035DEST_PATH_IMAGE047
个灰度级的灰度值；
Figure 271900DEST_PATH_IMAGE048
表示滑窗中第
Figure 189041DEST_PATH_IMAGE047
个灰度级的概率；
Figure 375303DEST_PATH_IMAGE047
表述滑窗中灰度级的序数；
Figure 36091DEST_PATH_IMAGE039
表示滑窗内的平均灰度值；每个滑窗在扫描过程中，依次计算滑窗口所框区域内的边缘程度值。
Figure 850463DEST_PATH_IMAGE045
值越大说明该处区域越为多种组织器官的边缘处，对于卵巢区域的CT图像来说，同一组织器官自身具有一定范围内的灰度变化，但其自身的变化相较于不同组织器官的边缘部分的灰度变化情况而言自身的变化范围更小，也就是的值较小，因此，在小范围内变化时边缘程度值
Figure 594297DEST_PATH_IMAGE049
。
若此时的边缘程度值满足以下式子：
Figure 126910DEST_PATH_IMAGE050
此时说明该滑窗区域的边缘程度值由于灰度值的较大变化使得
Figure 325810DEST_PATH_IMAGE051
的值变大，当该值大于自身区域的灰度信息量时便认为此处具有不同组织器官的边缘，则进行后续的操作。
S5、根据每个滑窗中的灰度信息量和边缘程度值获取非边缘区域中多个含有边缘像素点的滑窗，记为边缘滑窗；具体的，非边缘区域中多个含有边缘像素点的滑窗获取的过程中，是将每个滑窗中的边缘程度值大于对应滑窗中的灰度信息量而获取的。也就是上述的当
Figure 260268DEST_PATH_IMAGE050
时，便认为此处具有不同组织器官的边缘，则对于CT图像中具有边缘的区域确定其轮廓，便可将一张CT图像的不同组织器官进行分割开来。因此，要对所有
Figure 660156DEST_PATH_IMAGE050
的滑窗内的像素点进行区域归类即可完成对CT图像的分割。具体见后续的步骤。
S6、将非边缘区域中一连续排布的边缘滑窗一侧与其对应的轮廓边缘围成连通域，根据该连通域中像素点的灰度分布获取每个连通域的分布函数；通过统计每个边缘滑窗内符合该分布函数的边缘像素点；根据该轮廓边缘与符合该分布函数的边缘像素点获取新的连通域；
也就是通过计算每一个由canny边缘检测和
Figure 680065DEST_PATH_IMAGE050
的滑窗围成的连通域的灰度分布情况，获得此时连通域区域的分布函数。具体每个连通域的分布函数均为：
Figure 948235DEST_PATH_IMAGE052
式中，
Figure 363298DEST_PATH_IMAGE053
为连通域中平均灰度值；
Figure 793143DEST_PATH_IMAGE054
为连通域中灰度值标准差；
Figure 565927DEST_PATH_IMAGE055
为连通域中像素点的灰度值；
Figure 247575DEST_PATH_IMAGE056
为连通域的分布函数。灰度值标准差计算公式如下：
Figure 891046DEST_PATH_IMAGE057
式中，
Figure 757371DEST_PATH_IMAGE054
为连通域中灰度值标准差；
Figure 486292DEST_PATH_IMAGE058
为滑窗中像素点
Figure 486478DEST_PATH_IMAGE059
的灰度值；
Figure 250035DEST_PATH_IMAGE053
为连通域中平均灰度值；
Figure 21682DEST_PATH_IMAGE060
表示连通域所在的区域；
Figure 378845DEST_PATH_IMAGE061
为
Figure 526929DEST_PATH_IMAGE060
中像素点的个数。
此时存在不同组织器官的滑窗内的像素点若与自身相邻的连通域满足：
Figure 144993DEST_PATH_IMAGE062
式子时，则将滑窗内的像素点归类于该连通区域，其中，
Figure 87541DEST_PATH_IMAGE063
表示边缘滑窗内的像素点的灰度值；
Figure 679803DEST_PATH_IMAGE014
表示与边缘滑窗邻近的第
Figure 631578DEST_PATH_IMAGE064
个连通域中平均灰度值；
Figure 104148DEST_PATH_IMAGE065
表示与边缘滑窗邻近的第
Figure 358543DEST_PATH_IMAGE064
个连通域中灰度值标准差。
S7、依次类比获取每个连续排布的边缘滑窗内的边缘像素点与其对应轮廓边缘围成多个新的连通域；根据多个新的连通域将CT图像中非边缘区域分割为若干个区域。
具体是将每个边缘滑窗内符合对应分布函数的像素点划分于该分布函数对应的连通域中，且将每个边缘滑窗类的像素点作为边缘像素点，通过边缘像素点与其对应轮廓边缘围成新的连通域；根据新的连通域将非边缘区域中的不同组织器官区域进行分割。
在本实施例中，通过统计每个边缘滑窗内符合对应分布函数的像素点过程中，是将每个边缘滑窗内的像素点的灰度值符合公式:
Figure 549353DEST_PATH_IMAGE066
，将作为符合对应分布函数的像素点。
通过上述方法将含有边缘滑窗的像素点与其邻近的连通域进行匹配，从而将不同组织器官进行区分，此时再结合之前canny边缘检测的边缘将含有卵巢的图像的不同组织器官分割为各自独立的区域。
S8、将获取的若干个区域通过训练好的卷积神经网络识别分割后的CT图像中卵巢组织所在位置。
在本实施例中，通过上述方法将CT图像分割为了若干个区域，此时需要识别分割后的图像中的卵巢组织区域的所在位置。通过训练好的卷积神经网络识别分割后的CT图像中的卵巢组织所在位置，卷积神经网络为现有较为成熟的识别图像的技术，网络的具体内容为：
1）网络的输入为含有卵巢组织的CT图像，网络的输出为图像中的卵巢区域；
2）网络的结构为Encoder-FC的结构；
3）网络的loss函数为均方差损失函数。
从而获得卵巢组织所在的区域，卵巢组织癌变区的肿瘤一般位于卵巢内部，在后期可能会向其他组织区域蔓延，因此若有全部或者部分区域位于卵巢组织内部的其他区域则是癌变区域。从而获得了分割后的图像的卵巢组织癌变区域所在的位置。
因此，通过对卵巢组织的癌变区域进行标记，能直观的看到癌变区域中肿瘤形状的大小，通过被标记的癌变区域为医生提供参考可以进行快速的诊断判断病情。
综上，本发明提供的一种基于图像处理的卵巢组织癌变区域分割方法，该方法结合canny边缘检测，根据不同软组织边缘的灰度信息量与差异程度的特点将CT图像中非边缘区域中不同组织器官进行分割，进而将卵巢组织与其他组织器官进行分离，再对卵巢组织内部的癌变区域进行标记从而确定其癌变区域的位置，医生可通过标记的区域快速判断癌变情况。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于图像处理的卵巢组织癌变区域分割方法，其特征在于，包括以下步骤：
获取腹腔区域CT图像；
将腹腔区域CT图像通过canny边缘检测获取图像中所有轮廓边缘；
通过3×3滑窗对CT图像中的非边缘区域从左至右或从上至下依次进行遍历，获取每个滑窗中的灰度级数；根据每个滑窗中的灰度级数获取每个滑窗中的灰度信息量；
根据每个滑窗中所有像素点的灰度值获取每个滑窗内的平均灰度值；
根据每个滑窗内的平均灰度值及对应滑窗中的灰度级数获取每个滑窗中的边缘程度值；
根据每个滑窗中的边缘程度值大于该滑窗中的灰度信息量获取非边缘区域中多个含有边缘像素点的滑窗，记为边缘滑窗；
将非边缘区域中一连续排布的边缘滑窗一侧与其对应的轮廓边缘围成连通域，根据该连通域中像素点的灰度分布获取每个连通域的分布函数；通过统计每个边缘滑窗内符合该分布函数的边缘像素点；根据该轮廓边缘与符合该分布函数的边缘像素点获取新的连通域；依次类比获取每个连续排布的边缘滑窗内的边缘像素点与其对应轮廓边缘围成多个新的连通域；
根据多个新的连通域将CT图像中非边缘区域分割为若干个区域。
2.根据权利要求1所述基于图像处理的卵巢组织癌变区域分割方法，其特征在于，每个所述连通域的分布函数均为：
Figure 385492DEST_PATH_IMAGE001
式中，
Figure 38191DEST_PATH_IMAGE002
为连通域中平均灰度值；
Figure 562320DEST_PATH_IMAGE003
为连通域中灰度值标准差；
Figure 718494DEST_PATH_IMAGE004
为连通域中像素点的灰度值；
Figure 781128DEST_PATH_IMAGE005
为连通域的分布函数。
3.根据权利要求2所述基于图像处理的卵巢组织癌变区域分割方法，其特征在于，所述灰度值标准差计算公式如下：
Figure 796489DEST_PATH_IMAGE006
式中，
Figure 235560DEST_PATH_IMAGE003
为连通域中灰度值标准差；
Figure 511821DEST_PATH_IMAGE007
为滑窗中像素点
Figure 745356DEST_PATH_IMAGE008
的灰度值；
Figure 497280DEST_PATH_IMAGE002
为连通域中平均灰度值；
Figure 474464DEST_PATH_IMAGE009
表示连通域所在的区域；
Figure 605231DEST_PATH_IMAGE010
为
Figure 885033DEST_PATH_IMAGE009
中像素点的个数。
4.根据权利要求3所述基于图像处理的卵巢组织癌变区域分割方法，其特征在于，所述通过统计每个边缘滑窗内符合对应分布函数的像素点过程中，是将每个边缘滑窗内的像素点的灰度值符合公式:
Figure 734041DEST_PATH_IMAGE011
，将作为符合对应分布函数的像素点；其中，
Figure 249336DEST_PATH_IMAGE012
表示边缘滑窗内的像素点的灰度值；
Figure 391866DEST_PATH_IMAGE013
表示与边缘滑窗邻近的第
Figure 967204DEST_PATH_IMAGE014
个连通域中平均灰度值；
Figure 303508DEST_PATH_IMAGE015
表示与边缘滑窗邻近的第
Figure 622494DEST_PATH_IMAGE014
个连通域中灰度值标准差。
5.根据权利要求1所述基于图像处理的卵巢组织癌变区域分割方法，其特征在于，每个滑窗中的灰度信息量计算公式如下：
Figure 603219DEST_PATH_IMAGE016
式中，
Figure 615037DEST_PATH_IMAGE017
表示滑窗中第
Figure 173058DEST_PATH_IMAGE018
个灰度级的概率；
Figure 420368DEST_PATH_IMAGE019
表示滑窗中的灰度信息量。
6.根据权利要求5所述基于图像处理的卵巢组织癌变区域分割方法，其特征在于，每个滑窗中的边缘程度值计算公式如下：
Figure 645813DEST_PATH_IMAGE020
式中，
Figure 562954DEST_PATH_IMAGE021
表示滑窗中的边缘程度值；
Figure 749215DEST_PATH_IMAGE022
表示滑窗中第
Figure 410004DEST_PATH_IMAGE018
个灰度级的灰度值；
Figure 224376DEST_PATH_IMAGE017
表示滑窗中第
Figure 466745DEST_PATH_IMAGE018
个灰度级的概率；
Figure 999358DEST_PATH_IMAGE018
表述滑窗中灰度级的序数；
Figure 463837DEST_PATH_IMAGE023
表示滑窗内的平均灰度值。
7.根据权利要求1所述基于图像处理的卵巢组织癌变区域分割方法，其特征在于，还包括：将获取的若干个区域通过训练好的卷积神经网络识别分割后的CT图像中卵巢组织所在位置。
8.根据权利要求1所述基于图像处理的卵巢组织癌变区域分割方法，其特征在于，获取腹腔区域CT图像的过程中，是先获取初始CT图像后，再经中值滤波处理而得的。
CN202211120230.2A 2022-09-15 2022-09-15 基于图像处理的卵巢组织癌变区域分割方法 Active CN115345893B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211120230.2A CN115345893B (zh) 2022-09-15 2022-09-15 基于图像处理的卵巢组织癌变区域分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211120230.2A CN115345893B (zh) 2022-09-15 2022-09-15 基于图像处理的卵巢组织癌变区域分割方法

Publications (2)

Publication Number Publication Date
CN115345893A CN115345893A (zh) 2022-11-15
CN115345893B true CN115345893B (zh) 2023-02-21

Family

ID=83955429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211120230.2A Active CN115345893B (zh) 2022-09-15 2022-09-15 基于图像处理的卵巢组织癌变区域分割方法

Country Status (1)

Country Link
CN (1) CN115345893B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115578732B (zh) * 2022-11-21 2023-03-28 山东爱福地生物股份有限公司 一种肥料生产线的标签识别方法
CN115598025B (zh) * 2022-12-13 2023-03-10 四川亿欣新材料有限公司 图像处理方法及使用该方法的碳酸钙粉质检系统
CN116883270B (zh) * 2023-07-04 2024-03-22 广州医科大学附属第四医院(广州市增城区人民医院) 一种碎石手术软镜清晰化成像系统
CN117201800B (zh) * 2023-09-12 2024-03-19 浙江建达科技股份有限公司 基于空间冗余的医疗检查大数据压缩存储系统
CN116912255B (zh) * 2023-09-14 2023-12-19 济南宝林信息技术有限公司 一种用于卵巢组织分析的卵泡区域分割方法
CN117274293B (zh) * 2023-11-17 2024-03-15 广东省农业科学院动物科学研究所 基于图像特征的细菌菌落精确划分方法
CN117575977B (zh) * 2024-01-17 2024-04-02 锦恒科技(大连)有限公司 一种用于卵巢组织分析的卵泡区域增强方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105261017A (zh) * 2015-10-14 2016-01-20 长春工业大学 基于路面约束的图像分割法提取行人感兴趣区域的方法
CN109509199A (zh) * 2018-10-10 2019-03-22 华南理工大学 一种基于三维重建的医学影像组织智能分割方法
CN114862880A (zh) * 2022-07-06 2022-08-05 山东泰恒石材有限公司 一种基于异性石料的切割优化方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7519209B2 (en) * 2004-06-23 2009-04-14 Vanderbilt University System and methods of organ segmentation and applications of same
WO2008110013A1 (en) * 2007-03-15 2008-09-18 Centre Hospitalier De L'universite De Montreal Image segmentation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105261017A (zh) * 2015-10-14 2016-01-20 长春工业大学 基于路面约束的图像分割法提取行人感兴趣区域的方法
CN109509199A (zh) * 2018-10-10 2019-03-22 华南理工大学 一种基于三维重建的医学影像组织智能分割方法
CN114862880A (zh) * 2022-07-06 2022-08-05 山东泰恒石材有限公司 一种基于异性石料的切割优化方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CR数字胸片图像的几种肋骨分割方法;许朝晖等;《中国图象图形学报》(第10期);第1239-1244页 *
结合边缘检测和区域方法的医学图像分割算法;史延新;《西安工程大学学报》(第03期);第320-323、329页 *

Also Published As

Publication number Publication date
CN115345893A (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
CN115345893B (zh) 基于图像处理的卵巢组织癌变区域分割方法
Chawla et al. A method for automatic detection and classification of stroke from brain CT images
CN109493325B (zh) 基于ct影像的肿瘤异质性分析系统
EP0757544B1 (en) Computerized detection of masses and parenchymal distortions
CA2438479C (en) Computer assisted analysis of tomographic mammography data
US5452367A (en) Automated method and system for the segmentation of medical images
CN107563998B (zh) 医学图像中心脏图像处理方法
JP4708362B2 (ja) コンピュータで実施される方法
JP5081390B2 (ja) 腫瘍量を監視する方法及びシステム
US8340388B2 (en) Systems, computer-readable media, methods, and medical imaging apparatus for the automated detection of suspicious regions of interest in noise normalized X-ray medical imagery
Azhari et al. Brain tumor detection and localization in magnetic resonance imaging
JP2004174232A (ja) 画像セットのコンピュータ支援診断
Azhari et al. Tumor detection in medical imaging: a survey
US20100189326A1 (en) Computer-aided detection of folds in medical imagery of the colon
US20210217166A1 (en) Automated screening of medical data
KR102328228B1 (ko) 의료 영상 기반 종양 검출 및 진단 방법
CN111311626A (zh) 基于ct图像的颅骨骨折自动检测方法及电子介质
US20050002548A1 (en) Automatic detection of growing nodules
Jeeva A Computer Aided Diagnosis for detection and classification of lung nodules
Oda et al. Detection algorithm of lung cancer candidate nodules on multislice CT images
Wulandari et al. Automatic lung cancer detection using color histogram calculation
Li et al. A hybrid approach to detection of brain hemorrhage candidates from clinical head ct scans
Gori et al. Multi-scale analysis of lung computed tomography images
Maduskar et al. Automatic identification of intracranial hemorrhage in non-contrast CT with large slice thickness for trauma cases
CN117237342B (zh) 一种呼吸康复ct影像智能分析方法

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
GR01 Patent grant
GR01 Patent grant