CN115409745A - 一种应用于放疗准备的ct图像的增强方法 - Google Patents

一种应用于放疗准备的ct图像的增强方法 Download PDF

Info

Publication number
CN115409745A
CN115409745A CN202211341591.XA CN202211341591A CN115409745A CN 115409745 A CN115409745 A CN 115409745A CN 202211341591 A CN202211341591 A CN 202211341591A CN 115409745 A CN115409745 A CN 115409745A
Authority
CN
China
Prior art keywords
gradient
peak
pixel point
value
image
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.)
Granted
Application number
CN202211341591.XA
Other languages
English (en)
Other versions
CN115409745B (zh
Inventor
郭雷鸣
葛红
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.)
Henan Cancer Hospital
Original Assignee
Shenzhen Yikang Medical Technology Co ltd
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 Shenzhen Yikang Medical Technology Co ltd filed Critical Shenzhen Yikang Medical Technology Co ltd
Priority to CN202211341591.XA priority Critical patent/CN115409745B/zh
Publication of CN115409745A publication Critical patent/CN115409745A/zh
Application granted granted Critical
Publication of CN115409745B publication Critical patent/CN115409745B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及图像处理领域，具体涉及一种应用于放疗准备的CT图像的增强方法，获取患者的CT图像的梯度直方图，根据直方图中波峰对应像素点的梯度幅值构建混合高斯模型；将每个波峰的梯度均值作为中心梯度值，获取中心梯度值对应的像素点并进行密度聚类，以密度最大的密度聚类块的中心像素点为中心，进行梯度聚类，将得到的梯度聚类像素点作为每个波峰的目标像素点，根据目标像素点梯度值和梯度值频率得到每个波峰对应像素点梯度的离散程度，根据离散程度对高斯模型进行修正得到高斯曲线，根据高斯曲线的偏度系数得到分割阈值对相邻波峰进行分割，对分割后的每个波峰区域的像素点梯度拉伸，完成CT图像增强，提高了阈值分割精度，增强效果好。

Description

一种应用于放疗准备的CT图像的增强方法
技术领域
本申请涉及图像处理领域，具体涉及一种应用于放疗准备的CT图像的增强方法。
背景技术
基于CT的辅助医疗技术在病情诊断中是非常普遍与重要的医疗手段。根据CT图像判断患者的病变区域，然后对其进行精准的治疗。但是因为在拍摄图像时，会存在干扰，比如：部分溶剂效应，空间分辨力，密度分辨力，相机条件设定和胶片处理等，使得拍摄出来的CT图像不清晰，因此需要对其进行增强。
在现有技术中，对CT图像的增强方法是先对图像进行阈值分割，然后分割出的像素点进行亮度与对比度的调整，实现图像的增强。
但是现有技术中对图像进行阈值分割的方法是设定一个统一的阈值对图像进行分割，然后在进行图像增强，这种方式会损失掉图像的细节，导致边缘不清晰的区域变得更加的模糊，造成对图像的增强较为粗糙，不利于观察。
发明内容
针对现有技术中，对CT图像的增强是设定一个统一的阈值对图像进行分割，然后在进行图像增强，这种方式会损失掉图像的细节，导致边缘不清晰的区域变得更加的模糊，造成对图像的增强较为粗糙，不利于观察的问题，本发明提供一种应用于放疗准备的CT图像的增强方法：
获取患者的CT图像的梯度直方图；
利用梯度直方图中每个波峰对应像素点的梯度幅值构建混合高斯模型；
获取梯度直方图中每个波峰的梯度均值，将梯度均值作为每个波峰的中心梯度值，获取每个波峰的中心梯度值在CT图像中对应的像素点；
对每个波峰的中心梯度值在CT图像中对应的像素点进行密度聚类，得到多个密度聚类块；
以密度最大的密度聚类块的中心像素点为聚类中心，进行梯度聚类，得到该中心像素点对应的聚类像素点，并将其作为每个波峰对应的目标像素点；
根据每个波峰对应的目标像素点的梯度值的方差和梯度值的频率，得到每个波峰对应像素点梯度的离散程度；
根据每个波峰对应的像素点的梯度的离散程度，对混合高斯模型进行修正，利用修正后的混合高斯模型对每个波峰进行拟合，得到每个波峰的高斯曲线，根据高斯曲线的偏度系数得到梯度直方图的梯度分割阈值；
利用梯度分割阈值对相邻波峰进行阈值分割，得到多个波峰区域，并对每个波峰区域对应的像素点进行梯度拉伸，完成CT图像增强。
所述密度的获取方法为：
获取每个密度聚类块中每个像素点与其他像素点之间的距离的均值，将该均值作为密度。
所述根据每个波峰对应的目标像素点的梯度值的方差和梯度值的频率，得到每个波峰对应像素点梯度的离散程度的方法为：
将每个波峰对应的目标像素点的梯度值的方差和每个目标像素点的梯度值的频率的乘积，作为每个波峰对应像素点梯度的离散程度。
所述利用梯度直方图中每个波峰对应像素点的梯度幅值构建混合高斯模型为：
获取每个波峰对应像素点的梯度幅值；
根据梯度幅值构建混合高斯模型：
Figure 906582DEST_PATH_IMAGE001
式中，
Figure 479515DEST_PATH_IMAGE002
为第i个梯度幅值
Figure 915044DEST_PATH_IMAGE003
的混合高斯模型，即概率密度函数，
Figure 716778DEST_PATH_IMAGE004
为梯度直方图中第G个波峰，
Figure 452522DEST_PATH_IMAGE005
为第G个波峰
Figure 211004DEST_PATH_IMAGE004
对应像素点的梯度幅值的数学期望，
Figure 884562DEST_PATH_IMAGE006
是第G个波峰区域
Figure 739254DEST_PATH_IMAGE004
中每个梯度幅值
Figure 595084DEST_PATH_IMAGE003
的标准差，
Figure 260552DEST_PATH_IMAGE007
是第G个波峰区域中的像素数量占图像总像素数量的占比，
Figure 936252DEST_PATH_IMAGE008
为以e为底的指数函数，
Figure 345368DEST_PATH_IMAGE009
为圆周率。
所述根据每个波峰对应的像素点的梯度的离散程度，对混合高斯模型进行修正的方法为：
Figure 261896DEST_PATH_IMAGE010
式中，
Figure 347533DEST_PATH_IMAGE011
为第G个波峰的中心梯度值在CT图像中对应的像素点进行密度聚类后得到的聚类块的密度，
Figure 244950DEST_PATH_IMAGE012
为第G个波峰对应像素点的梯度值的离散程度，
Figure 192178DEST_PATH_IMAGE006
是
Figure 757020DEST_PATH_IMAGE004
对应像素点梯度值的标准差，
Figure 750908DEST_PATH_IMAGE007
为
Figure 151934DEST_PATH_IMAGE004
中的像素数在图像总像素数中的占比。
所述根据高斯曲线的偏度系数得到梯度直方图的梯度分割阈值的方法为：
获取每个波峰和后一相邻波峰之间的最小梯度值；
将该最小梯度值和1减去高斯曲线的偏度系数的差值相乘，将该乘积作为每个波峰和后一相邻波峰之间的梯度分割阈值。
所述高斯曲线的偏度系数的计算方法为：
Figure 152120DEST_PATH_IMAGE013
式中，
Figure 571469DEST_PATH_IMAGE014
为高斯曲线的偏度系数，
Figure 15220DEST_PATH_IMAGE015
表示第G个波峰
Figure 887230DEST_PATH_IMAGE004
的梯度均值，
Figure 707418DEST_PATH_IMAGE006
是
Figure 984203DEST_PATH_IMAGE004
对应像素点梯度值的标准差，
Figure 582543DEST_PATH_IMAGE005
为第G个波峰
Figure 692582DEST_PATH_IMAGE004
中梯度幅值的数学期望。
所述对每个波峰区域对应的像素点进行梯度拉伸，完成CT图像增强的具体方法为：
获取每个区域对应的每个像素点的梯度值；
以e为底，以每个区域对应波峰像素点的离散程度为指数，得到指数幂，并将指数幂和每个像素点的梯度值的乘积，作为每个像素点的最终梯度值；
利用直方图均衡化将每个像素点的梯度值拉伸为最终梯度值，对CT图像进行增强。
本发明的有益效果是：
（1）获取患者的CT图像的梯度直方图；利用梯度直方图中每个波峰对应像素点的梯度幅值构建混合高斯模型；该方法采用混合高斯模型可以稳定的对图像进行局部阈值分割；
（2）获取梯度直方图中每个波峰的中心梯度值，根据中心梯度值对应的像素点进行密度聚类，并计算得到每个波峰对应的像素点的梯度的离散程度，对每个波峰的高斯曲线进行修正，得到每个波峰修正后的高斯曲线，根据修正后的高斯曲线的偏度系数得到梯度直方图的梯度分割阈值；利用梯度分割阈值将梯度直方图分割为多个区域，对每个区域进行梯度拉伸，对CT图像进行增强；该方法根据梯度直方图中波峰的梯度离散性对高斯曲线进行修正，使得高斯曲线更加贴合波峰，拟合得到的高斯曲线更准确的反映梯度直方图中梯度的变化，根据修正后的高斯曲线进行阈值分割，并对每个区域进行基于离散度的拉伸增强，对边缘区域赋予较大的拉伸权重，保留了清晰的边缘。
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是本发明的一种应用于放疗准备的CT图像的增强方法的流程图；
图2是本发明的一种应用于放疗准备的CT图像的增强方法中的CT图像示意图；
图3是本发明的一种应用于放疗准备的CT图像的增强方法中的高斯拟合曲线示意图。
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。
本发明的一种应用于放疗准备的CT图像的增强方法的实施例，如图1所示，包括：
步骤一：获取患者的CT图像的梯度直方图；利用梯度直方图中每个波峰对应像素点的梯度幅值构建混合高斯模型；
该步骤的目的是获取患者的CT图像，进行预处理后，获取CT图像对应的梯度直方图，并利用高斯混合模型对梯度直方图中的波峰进行拟合，得到多个高斯拟合曲线；
其中，获取患者的CT图像的梯度直方图的方法为：
（1）获取的CT图像为医院放射科拍摄的合格的CT照片，如图2所示，然后对获得的CT图像进行DNN语义分割，获得只含有目标区域的图像；
DNN网络的相关内容如下：使用的数据集为数据集库中的同样方式拍摄的相同部位的CT图像数据集；需要分割的像素共分为两类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素属于背景类的标注为0，属于人体组织区域的标注为1；网络的任务是分类，所有使用的loss函数为交叉熵损失函数；通过语义分割得到的0-1掩膜图像与原图像相乘，得到的图像中只含有人体组织区域，去除了背景的干扰。
（2）获取CT图像对应的梯度直方图：
本发明使用sobel算子计算待增强CT图像像素点的梯度幅值
Figure 503412DEST_PATH_IMAGE016
和梯度方向
Figure 897353DEST_PATH_IMAGE017
，统计整幅图像的梯度幅值，获得对应的梯度直方图，横坐标为梯度值，纵坐标为像素点数量（频数）。
其中，利用梯度直方图中每个波峰对应像素点的梯度幅值构建混合高斯模型的方法为：
获取每个波峰对应像素点的水平方向梯度为
Figure 657806DEST_PATH_IMAGE018
，竖直方向梯度为
Figure 255140DEST_PATH_IMAGE019
，梯度幅值为
Figure 666399DEST_PATH_IMAGE003
；
将梯度幅值
Figure 400000DEST_PATH_IMAGE003
的分布看作混合高斯分布，构建混合高斯模型，其表达式为：
Figure 605722DEST_PATH_IMAGE020
式中，
Figure 674041DEST_PATH_IMAGE002
为
Figure 374144DEST_PATH_IMAGE003
的混合高斯模型，即概率密度函数，
Figure 214448DEST_PATH_IMAGE004
表示第G个波峰区域，
Figure 325493DEST_PATH_IMAGE005
是
Figure 881108DEST_PATH_IMAGE004
中
Figure 119322DEST_PATH_IMAGE003
的数学期望，
Figure 76783DEST_PATH_IMAGE006
是
Figure 96079DEST_PATH_IMAGE004
中
Figure 155302DEST_PATH_IMAGE003
的标准差，
Figure 446475DEST_PATH_IMAGE007
是
Figure 992863DEST_PATH_IMAGE004
中的像素数占图像总像素数的占比，
Figure 462021DEST_PATH_IMAGE003
为第i个梯度幅值，也就是每个梯度幅值（所有梯度幅值），exp是以e为底的指数函数，
Figure 726649DEST_PATH_IMAGE009
为圆周率；
进一步的，可根据高斯模型得到每个波峰的高斯拟合曲线，如图3所示；
本步骤使用混合高斯模型的意义是：图像的梯度分布符合高斯分布，因此首先获得梯度图像的混合高斯模型，然后对形状各异的梯度直方图分割出大小不同的梯度区间，然后再使分割出来的梯度区间在原有的基础上进行均匀化，进行实现图像的不同程度的增强；
因为在图像画面中，每个像素其变化特性是不一样的，普通的目标分割，整个画面采用同一阈值，无论这个阈值是固定的，还是自适应的，都存在本质性的缺陷，属于有缺陷的分割，这种算法带有不稳定性，无论怎么调整分割参数，也解决不了根本性的问题；由于画面中每个部分的分割阈值是不一样的，一定得建立统计学的方法，进行局部分割，而混合高斯模型正是采用局部分割的一种算法，这是混合高斯模型具有的优势。
步骤二：获取梯度直方图中每个波峰的梯度均值，将梯度均值作为每个波峰的中心梯度值，获取每个波峰的中心梯度值在CT图像中对应的像素点；对每个波峰的中心梯度值在CT图像中对应的像素点进行密度聚类，得到多个密度聚类块；以密度最大的密度聚类块的中心像素点为聚类中心，进行梯度聚类，得到该中心像素点对应的聚类像素点，并将其作为每个波峰对应的目标像素点；
该步骤的目的是，获取梯度直方图中每个梯度波峰对应的CT图像中的像素点，作为目标像素点进行后续分析。
其中，获取每个波峰对应的目标像素点的方法为：
（1）获取每个波峰的梯度中心点位置：
根据梯度直方图的分布确定混合高斯模型中的多个中心位置，本发明中所选取中心位置为直方图中的每个波峰的梯度均值对应的梯度值处，即计算每个波峰的梯度均值
Figure 558864DEST_PATH_IMAGE021
，则认为该梯度均值处的梯度值就为该波峰的中心点位置；
需要说明的是，若要对混合高斯模型进行矫正，获得梯度直方图的最优分割阈值，因为在梯度直方图的统计当中，梯度的大小是反映原图像的像素点灰度的变化；梯度越小，像素点的灰度变化越小，也就是该像素点可能处于平坦区域或灰度变化较小的边缘，而灰度变化较小的边缘从视觉上反映的是边缘模糊不清晰；反之，梯度越大，像素点的灰度变化越大，也就得该像素点可能处于区域的边缘或内部灰度变化较大的区域；
因此根据上述分析的结果，其梯度的变化存在多种情况，因此在构建混合高斯模型时，梯度值存在多个中心位置，该中心位置的周围都会聚集大量的点，每一个位置便会产生一个高斯分布；而图像中每个像素点的值短时间内都是围绕与某一中心值一定距离内分布，如果像素点的值偏离中心值较远，那么这个像素点属于前景，如果像素点的值偏离中心值很近，那么可以说这个点属于背景，因此首先需要确定梯度直方图的中心点位置；
（2）聚类获取目标像素点：
根据得到的每个波峰的中心点的位置处的梯度值
Figure 241649DEST_PATH_IMAGE021
，在原CT图像中找到梯度大小为
Figure 865397DEST_PATH_IMAGE021
的像素点，对满足梯度为
Figure 882901DEST_PATH_IMAGE021
的像素点进行密度聚类，获得各个密度聚类块；
计算每个密度聚类块的密度，计算公式如下：
Figure 266608DEST_PATH_IMAGE022
式中，
Figure 787589DEST_PATH_IMAGE023
表示第
Figure 596887DEST_PATH_IMAGE024
个密度聚类块的密度，
Figure 836107DEST_PATH_IMAGE025
表示两两像素点之间组合的所有可能，2表示两个区域之间重复计算，所以需要除2，
Figure 492347DEST_PATH_IMAGE026
表示第
Figure 133413DEST_PATH_IMAGE024
个像素点与其他像素点之间的距离；
该公式的意义为：通过计算两两像素点之间的距离，然后对所有距离求均值，表示区域的密度；将密度最大的聚类块作为最终的块，然后密度最大的聚类块中寻找中心像素点，作为最终的聚类中心，根据确定的聚类中心对原图像的像素点进行密度聚类，因为直方图中会有多个中心点，因此在原图像中也会存在多个聚类中心，聚类中心的个数与中心点的个数一致；
进一步的，因为满足梯度为
Figure 98964DEST_PATH_IMAGE021
的像素点有多个，因此选取密度最大的密度聚类块的中心像素点为聚类中心，对CT图像中的像素点基于梯度进行聚类，得到该聚类中心对应的梯度聚类像素点，将该聚类中心对应的梯度聚类像素点作为该波峰对应的目标像素点进行后续分析；
因为梯度直方图中每个波峰都会有一个中心点，每个中心点梯度值都会对应多个像素点，像素点都会基于密度分类，得到多个密度聚类块，然后选取密度最大的密度聚类块的中心像素点，为中心进行梯度聚类，得到该中心像素点对应的梯度聚类像素点，将该中心像素点对应的梯度聚类像素点，作为该波峰对应的目标像素点，即可以根据每个波峰中心点，得到每个波峰对应的目标像素点。
步骤三：根据每个波峰对应的目标像素点的梯度值的方差和梯度值的频率，得到每个波峰对应像素点梯度的离散程度；根据每个波峰对应的像素点的梯度的离散程度，对混合高斯模型进行修正，利用修正后的混合高斯模型对每个波峰进行拟合，得到每个波峰的高斯曲线；
该步骤的目的是，分析每个波峰对应的目标像素点的梯度的离散程度，并根据离散对高斯模型进行修正。
其中，根据每个波峰对应的目标像素点的梯度值的方差和梯度值的频率，得到每个波峰对应像素点梯度的离散程度的方法为：
将每个波峰对应的目标像素点的梯度值的方差和每个目标像素点的梯度值的频率的乘积，作为每个波峰对应像素点梯度的离散程度，公式为：
Figure 828410DEST_PATH_IMAGE027
式中，
Figure 272030DEST_PATH_IMAGE012
表示每个波峰对应的目标像素点梯度的离散程度，
Figure 518334DEST_PATH_IMAGE003
表示第
Figure 920366DEST_PATH_IMAGE024
点的梯度值，
Figure 134178DEST_PATH_IMAGE015
表示该聚类块的梯度均值，
Figure 397800DEST_PATH_IMAGE028
表示在该聚类中心下梯度的离散程度乘以相应的频率，此公式的目的是在计算离散时不但考虑梯度大小的离散性，对梯度图数据进行聚类时，要考虑对应波峰的梯度范围，因此将同一梯度下的像素点频数共同计算，这样即使梯度大小的离散性较大，但是靠近梯度均值的像素点的数量较多时，也认为其离散性较小；
公式意义为：根据梯度的分布与具有相同梯度的像素点的数量计算梯度的离散性，具有相同梯度的像素点的数量越多，梯度的分布越集中，则其梯度的离散性越小，因为密度大的梯度像素点是边缘的概率大；
有益效果：梯度的离散性表示的是在同一聚类中心下像素点的梯度的变化程度，即在梯度直方图中表现为某一小波峰的聚合程度。
其中，根据每个波峰对应的像素点的梯度的离散程度，对混合高斯模型进行修正，利用修正后的混合高斯模型对每个波峰进行拟合，得到每个波峰的高斯曲线的方法为：
（1）对每个梯度幅值分布构建的混合高斯模型进行修正：
Figure 750809DEST_PATH_IMAGE010
式中，
Figure 58162DEST_PATH_IMAGE011
为第G个波峰的中心梯度值在CT图像中对应的像素点进行密度聚类后得到的聚类块的密度，
Figure 775583DEST_PATH_IMAGE012
第G个波峰对应像素点的梯度值的离散程度，
Figure 92163DEST_PATH_IMAGE006
是区域
Figure 296749DEST_PATH_IMAGE004
的标准差，
Figure 322473DEST_PATH_IMAGE007
为
Figure 248229DEST_PATH_IMAGE004
中的像素数占图像总像素数的占比；
该公式意义为：根据梯度直方图中小波峰的梯度离散性对高斯模型，实际也是对高斯曲线进行修正，使得高斯曲线更加贴合主峰，拟合得到的高斯曲线才能反映梯度直方图中梯度的变化。而根据离散程度修正的原因是因为不同波峰的离散程度是不一样的，离散程度越大，在进行高斯曲线拟合的时候，高斯函数的偏度系数越大，则所得到高斯函数越不准确。
（2）利用修正后的混合高斯模型，对每个波峰进行拟合，得到高斯曲线，修正后的混合高斯模型可以对图像的边缘信息进行更好的拟合。
步骤四：根据高斯曲线的偏度系数得到梯度直方图的梯度分割阈值；利用梯度分割阈值对相邻波峰进行阈值分割，得到多个波峰区域，并对每个波峰区域对应的像素点进行梯度拉伸，完成CT图像增强。
该步骤是利用修正后的高斯曲线的偏度系数对梯度直方图进行准确的阈值分割，并进行图像增强。
其中，根据高斯曲线的偏度系数得到梯度直方图的梯度分割阈值的方法为：
（1）获取每个波峰和后一相邻波峰之间的最小梯度值
Figure 650391DEST_PATH_IMAGE029
；
（2）将该最小梯度值和1减去高斯曲线的偏度系数的差值相乘，将该乘积作为每个波峰和后一相邻波峰之间的梯度分割阈值，公式如下：
Figure 240641DEST_PATH_IMAGE030
式中，
Figure 437267DEST_PATH_IMAGE031
表示波峰的分割阈值，
Figure 378547DEST_PATH_IMAGE029
表示两个波峰之间的梯度最小值，
Figure 53242DEST_PATH_IMAGE032
表示根据偏度系数进行矫正的分割阈值；
其中，高斯曲线的偏度系数，偏度系数为描述分布偏离对称分布的特征数，当分布是轴对称时，偏度系数为0，当偏度系数大于0时，分布的峰值向右偏，该分布即为右偏。当偏度系数小于0时，分布的峰值向左偏，该分布即为左偏，其计算公式如下：
Figure 763578DEST_PATH_IMAGE033
式中，
Figure 131106DEST_PATH_IMAGE034
表示第G个波峰的高斯曲线的偏度系数，
Figure 19734DEST_PATH_IMAGE015
表示该波峰的梯度均值。
其中，利用梯度分割阈值将梯度直方图分割为多个区域，对每个区域进行梯度拉伸，对CT图像进行增强的具体方法为：
（1）根据获得的分割阈值对梯度直方图进行分割，获得不同的分割区域，即分割为多个波峰区域；
（2）获取每个波峰区域对应的每个像素点的梯度值；
以e为底，以每个波峰区域对应波峰像素点的离散程度为指数，得到指数幂，并将指数幂和每个像素点的梯度值的乘积，作为每个像素点的最终梯度值，公式如下：
Figure 747388DEST_PATH_IMAGE035
公式中，
Figure 62963DEST_PATH_IMAGE003
为该波峰对应的第i个梯度值，
Figure 585080DEST_PATH_IMAGE012
为该波峰的离散程度，
Figure 986105DEST_PATH_IMAGE002
为第i个梯度值对应的最终梯度值；
该公式的意义：在进行CT图像增强的过程中，增强的重要区域为边缘区域，而边缘区域的梯度较大，因此对其拉伸程度大；
有益效果：因为离散程度越大，表示梯度的变化程度越大，所以需要拉伸的程度越大。离散程度越小，表示梯度的变化程度越小，所以需要拉伸的程度越小。
（3）利用直方图均衡化将每个像素点的梯度值拉伸为最终梯度值，对CT图像进行增强；
需要说明的是，梯度直方图均衡化可以有效的解决图像对比度低和细节模糊的问题，但由于未考虑到均衡时梯度级范围过大或概率分布不均等因素，导致均衡后图像出现过增强效应，因此合理的多区间均衡化可有效遏制过增强效应。
在对梯度直方图进行均衡化实现图像的增强的过程中，获得梯度的分割阈值是非常关键的，梯度直方图的分割阈值表示的是将原图像按照不同的梯度大小进行分割，因为梯度大的像素点其与周围像素点的灰度值的差别更大，梯度小的像素点其与周围像素点的灰度值的差别较小，所以在进行增强的过程中，将梯度较小的区域进行较大的增强，梯度较大的区域实现较小的增强，并且还需要根据图像灰度的变化对整个目标区域进行增强；
本发明通过梯度直方图拉伸的方法实现图像的对比度以及细节的增强，采用混合高斯模型对不同波峰的直方图进行拟合，得到高斯曲线，然后对高斯曲线进行修正，得到修正高斯曲线的偏度系数，然后计算梯度直方图的分割阈值，对其进行不同程度的增强。
以上所述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)

1.一种应用于放疗准备的CT图像的增强方法，其特征在于，该方法包括：
获取患者的CT图像的梯度直方图；
利用梯度直方图中每个波峰对应像素点的梯度幅值构建混合高斯模型；
获取梯度直方图中每个波峰的梯度均值，将梯度均值作为每个波峰的中心梯度值，获取每个波峰的中心梯度值在CT图像中对应的像素点；
对每个波峰的中心梯度值在CT图像中对应的像素点进行密度聚类，得到多个密度聚类块；
以密度最大的密度聚类块的中心像素点为聚类中心，进行梯度聚类，得到该中心像素点对应的聚类像素点，并将其作为每个波峰对应的目标像素点；
根据每个波峰对应的目标像素点的梯度值的方差和梯度值的频率，得到每个波峰对应像素点梯度的离散程度；
根据每个波峰对应的像素点的梯度的离散程度，对混合高斯模型进行修正，利用修正后的混合高斯模型对每个波峰进行拟合，得到每个波峰的高斯曲线，根据高斯曲线的偏度系数得到梯度直方图的梯度分割阈值；
利用梯度分割阈值对相邻波峰进行阈值分割，得到多个波峰区域，并对每个波峰区域对应的像素点进行梯度拉伸，完成CT图像增强。
2.根据权利要求1所述的一种应用于放疗准备的CT图像的增强方法，其特征在于，所述密度的获取方法为：
获取每个密度聚类块中每个像素点与其他像素点之间的距离的均值，将该均值作为密度。
3.根据权利要求1所述的一种应用于放疗准备的CT图像的增强方法，其特征在于，所述根据每个波峰对应的目标像素点的梯度值的方差和梯度值的频率，得到每个波峰对应像素点梯度的离散程度的方法为：
将每个波峰对应的目标像素点的梯度值的方差和每个目标像素点的梯度值的频率的乘积，作为每个波峰对应像素点梯度的离散程度。
4.根据权利要求1所述的一种应用于放疗准备的CT图像的增强方法，其特征在于，所述利用梯度直方图中每个波峰对应像素点的梯度幅值构建混合高斯模型为：
获取每个波峰对应像素点的梯度幅值；
根据梯度幅值构建混合高斯模型：
Figure 465145DEST_PATH_IMAGE001
式中，
Figure 306587DEST_PATH_IMAGE002
为第i个梯度幅值
Figure 820745DEST_PATH_IMAGE003
的混合高斯模型，即概率密度函数，
Figure 402905DEST_PATH_IMAGE004
为梯度直方图中第G个波峰，
Figure 154960DEST_PATH_IMAGE005
为第G个波峰
Figure 164373DEST_PATH_IMAGE004
对应像素点的梯度幅值的数学期望，
Figure 369090DEST_PATH_IMAGE006
是第G个波峰区域
Figure 754941DEST_PATH_IMAGE004
中每个梯度幅值
Figure 361502DEST_PATH_IMAGE003
的标准差，
Figure 544747DEST_PATH_IMAGE007
是第G个波峰区域中的像素数量占图像总像素数量的占比，
Figure 971180DEST_PATH_IMAGE008
为以e为底的指数函数，
Figure 895142DEST_PATH_IMAGE009
为圆周率。
5.根据权利要求1所述的一种应用于放疗准备的CT图像的增强方法，其特征在于，所述根据每个波峰对应的像素点的梯度的离散程度，对混合高斯模型进行修正的方法为：
Figure 356211DEST_PATH_IMAGE010
式中，
Figure 645110DEST_PATH_IMAGE011
为第G个波峰的中心梯度值在CT图像中对应的像素点进行密度聚类后得到的聚类块的密度，
Figure 73686DEST_PATH_IMAGE012
为第G个波峰对应像素点的梯度值的离散程度，
Figure 286492DEST_PATH_IMAGE006
是
Figure 865983DEST_PATH_IMAGE004
对应像素点梯度值的标准差，
Figure 138833DEST_PATH_IMAGE007
为
Figure 54705DEST_PATH_IMAGE004
中的像素数在图像总像素数中的占比。
6.根据权利要求1所述的一种应用于放疗准备的CT图像的增强方法，其特征在于，所述根据高斯曲线的偏度系数得到梯度直方图的梯度分割阈值的方法为：
获取每个波峰和后一相邻波峰之间的最小梯度值；
将该最小梯度值和1减去高斯曲线的偏度系数的差值相乘，将该乘积作为每个波峰和后一相邻波峰之间的梯度分割阈值。
7.根据权利要求6所述的一种应用于放疗准备的CT图像的增强方法，其特征在于，所述高斯曲线的偏度系数的计算方法为：
Figure 71203DEST_PATH_IMAGE013
式中，
Figure 552868DEST_PATH_IMAGE014
为高斯曲线的偏度系数，
Figure 465461DEST_PATH_IMAGE015
表示第G个波峰
Figure 603050DEST_PATH_IMAGE004
的梯度均值，
Figure 423238DEST_PATH_IMAGE006
是
Figure 965603DEST_PATH_IMAGE004
对应像素点梯度值的标准差，
Figure 845834DEST_PATH_IMAGE005
为第G个波峰
Figure 470719DEST_PATH_IMAGE004
中梯度幅值的数学期望。
8.根据权利要求1所述的一种应用于放疗准备的CT图像的增强方法，其特征在于，所述对每个波峰区域对应的像素点进行梯度拉伸，完成CT图像增强的具体方法为：
获取每个区域对应的每个像素点的梯度值；
以e为底，以每个区域对应波峰像素点的离散程度为指数，得到指数幂，并将指数幂和每个像素点的梯度值的乘积，作为每个像素点的最终梯度值；
利用直方图均衡化将每个像素点的梯度值拉伸为最终梯度值，对CT图像进行增强。
CN202211341591.XA 2022-10-31 2022-10-31 一种应用于放疗准备的ct图像的增强方法 Active CN115409745B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211341591.XA CN115409745B (zh) 2022-10-31 2022-10-31 一种应用于放疗准备的ct图像的增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211341591.XA CN115409745B (zh) 2022-10-31 2022-10-31 一种应用于放疗准备的ct图像的增强方法

Publications (2)

Publication Number Publication Date
CN115409745A true CN115409745A (zh) 2022-11-29
CN115409745B CN115409745B (zh) 2023-01-31

Family

ID=84167194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211341591.XA Active CN115409745B (zh) 2022-10-31 2022-10-31 一种应用于放疗准备的ct图像的增强方法

Country Status (1)

Country Link
CN (1) CN115409745B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116137022A (zh) * 2023-04-20 2023-05-19 山东省三河口矿业有限责任公司 一种用于地下采矿远程监控的数据增强方法
CN116226822A (zh) * 2023-05-05 2023-06-06 深圳市魔样科技有限公司 一种智能戒指身份数据采集方法及系统
CN116823677A (zh) * 2023-08-28 2023-09-29 创新奇智(南京)科技有限公司 一种图像增强的方法、装置、存储介质及电子设备
CN117593192A (zh) * 2024-01-18 2024-02-23 大连云间来客科技有限公司 一种妇科宫颈图像增强分析方法
CN117705815A (zh) * 2024-02-06 2024-03-15 天津滨海环球印务有限公司 一种基于机器视觉的印刷缺陷检测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1943513A (zh) * 2006-11-08 2007-04-11 沈阳东软医疗系统有限公司 一种针对ct图像的处理装置、方法及系统
US20100129003A1 (en) * 2008-11-21 2010-05-27 Pace Teresa L Method and system for enhancing images using multi-resolution histogram shaping
CN103854262A (zh) * 2014-03-20 2014-06-11 西安电子科技大学 基于结构聚类与稀疏字典学习的医学图像降噪方法
US20160180504A1 (en) * 2014-12-19 2016-06-23 Intel Corporation Image de-noising using an equalized gradient space
CN106570892A (zh) * 2015-08-18 2017-04-19 航天图景（北京）科技有限公司 一种基于边缘增强模板匹配的运动目标主动跟踪方法
CN111311525A (zh) * 2019-11-20 2020-06-19 重庆邮电大学 一种基于直方图概率修正的图像梯度场双区间均衡化算法
WO2020224508A1 (zh) * 2019-05-05 2020-11-12 湖南省华芯医疗器械有限公司 一种对实时影像中图像的物体轮廓进行加强的方法
CN114004850A (zh) * 2021-11-29 2022-02-01 浙江宇视科技有限公司 一种天空分割方法、图像去雾方法、电子设备和存储介质
CN114648530A (zh) * 2022-05-20 2022-06-21 潍坊医学院 一种ct图像处理方法
CN114972067A (zh) * 2022-04-14 2022-08-30 重庆师范大学 一种x光小牙片图像增强方法
CN115205297A (zh) * 2022-09-19 2022-10-18 汶上县金振机械制造有限公司 一种气动风动绞车的异常状态检测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1943513A (zh) * 2006-11-08 2007-04-11 沈阳东软医疗系统有限公司 一种针对ct图像的处理装置、方法及系统
US20100129003A1 (en) * 2008-11-21 2010-05-27 Pace Teresa L Method and system for enhancing images using multi-resolution histogram shaping
CN103854262A (zh) * 2014-03-20 2014-06-11 西安电子科技大学 基于结构聚类与稀疏字典学习的医学图像降噪方法
US20160180504A1 (en) * 2014-12-19 2016-06-23 Intel Corporation Image de-noising using an equalized gradient space
CN106570892A (zh) * 2015-08-18 2017-04-19 航天图景（北京）科技有限公司 一种基于边缘增强模板匹配的运动目标主动跟踪方法
WO2020224508A1 (zh) * 2019-05-05 2020-11-12 湖南省华芯医疗器械有限公司 一种对实时影像中图像的物体轮廓进行加强的方法
CN111311525A (zh) * 2019-11-20 2020-06-19 重庆邮电大学 一种基于直方图概率修正的图像梯度场双区间均衡化算法
CN114004850A (zh) * 2021-11-29 2022-02-01 浙江宇视科技有限公司 一种天空分割方法、图像去雾方法、电子设备和存储介质
CN114972067A (zh) * 2022-04-14 2022-08-30 重庆师范大学 一种x光小牙片图像增强方法
CN114648530A (zh) * 2022-05-20 2022-06-21 潍坊医学院 一种ct图像处理方法
CN115205297A (zh) * 2022-09-19 2022-10-18 汶上县金振机械制造有限公司 一种气动风动绞车的异常状态检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
双月等: "基于梯度场变换的MRI图像增强方法", 《影像科学与光化学》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116137022A (zh) * 2023-04-20 2023-05-19 山东省三河口矿业有限责任公司 一种用于地下采矿远程监控的数据增强方法
CN116137022B (zh) * 2023-04-20 2023-08-22 山东省三河口矿业有限责任公司 一种用于地下采矿远程监控的数据增强方法
CN116226822A (zh) * 2023-05-05 2023-06-06 深圳市魔样科技有限公司 一种智能戒指身份数据采集方法及系统
CN116226822B (zh) * 2023-05-05 2023-07-14 深圳市魔样科技有限公司 一种智能戒指身份数据采集方法及系统
CN116823677A (zh) * 2023-08-28 2023-09-29 创新奇智(南京)科技有限公司 一种图像增强的方法、装置、存储介质及电子设备
CN116823677B (zh) * 2023-08-28 2023-11-10 创新奇智(南京)科技有限公司 一种图像增强的方法、装置、存储介质及电子设备
CN117593192A (zh) * 2024-01-18 2024-02-23 大连云间来客科技有限公司 一种妇科宫颈图像增强分析方法
CN117593192B (zh) * 2024-01-18 2024-03-26 大连云间来客科技有限公司 一种妇科宫颈图像增强分析方法
CN117705815A (zh) * 2024-02-06 2024-03-15 天津滨海环球印务有限公司 一种基于机器视觉的印刷缺陷检测方法
CN117705815B (zh) * 2024-02-06 2024-05-28 天津滨海环球印务有限公司 一种基于机器视觉的印刷缺陷检测方法

Also Published As

Publication number Publication date
CN115409745B (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
CN115409745B (zh) 一种应用于放疗准备的ct图像的增强方法
US10679352B2 (en) Method for automatic segmentation of brain tumors merging full convolution neural networks with conditional random fields
CN108364294B (zh) 基于超像素的腹部ct图像多器官分割方法
CN108053417B (zh) 一种基于混合粗分割特征的3D U-Net网络的肺分割装置
CN107507173A (zh) 一种全切片图像的无参考清晰度评估方法及系统
CN108615239B (zh) 基于阈值技术和灰度投影的舌图像分割方法
Liu et al. Automatic lung segmentation based on image decomposition and wavelet transform
CN109685045A (zh) 一种运动目标视频跟踪方法及系统
CN113570628B (zh) 一种基于活动轮廓模型的白细胞分割方法
CN114693682B (zh) 一种基于图像处理的脊椎特征识别方法
Yan et al. Improved mask R-CNN for lung nodule segmentation
Tyagi et al. Performance comparison and analysis of medical image segmentation techniques
CN111862071B (zh) 一种基于ct图像测量腰1椎体ct值的方法
CN116485819B (zh) 一种耳鼻喉检查图像分割方法及系统
CN110969639B (zh) 一种基于lfmvo优化算法的图像分割方法
Li et al. Fast and robust active contours model for image segmentation
CN113780421B (zh) 基于人工智能的脑部pet影像识别方法
CN115661187A (zh) 用于中药制剂分析的图像增强方法
US20220094905A1 (en) Methods and apparatuses for acquiring display image sequence, rotary stereoscopic display devices and storage media
CN103886580A (zh) 肿瘤图像处理方法
CN110599518B (zh) 一种基于视觉显著度的超像素分割与条件数分块的目标跟踪方法
CN114764810A (zh) 一种医学图像分割方法
CN112651930A (zh) 一种基于图像细节保真度的医学图像质量评估方法及系统
CN113177948B (zh) 一种基于语义分割的医学图像自动窗口调节方法及应用
Qiao et al. Superpixel Combining Region Merging for Pancreas Segmentation

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
TR01 Transfer of patent right

Effective date of registration: 20240407

Address after: No.127 Dongming Road, Jinshui District, Zhengzhou City, Henan Province

Patentee after: HENAN CANCER Hospital

Country or region after: China

Address before: 518000 Room 101, building 2, zone a, Yuhe Road, Gonghe community, Shajing street, Bao'an District, Shenzhen City, Guangdong Province

Patentee before: Shenzhen Yikang Medical Technology Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right