CN115797356B - 一种核磁共振肿瘤区域提取方法 - Google Patents
一种核磁共振肿瘤区域提取方法 Download PDFInfo
- Publication number
- CN115797356B CN115797356B CN202310086675.1A CN202310086675A CN115797356B CN 115797356 B CN115797356 B CN 115797356B CN 202310086675 A CN202310086675 A CN 202310086675A CN 115797356 B CN115797356 B CN 115797356B
- Authority
- CN
- China
- Prior art keywords
- connected domain
- edge
- degree
- suspected
- 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
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 19
- 238000005481 NMR spectroscopy Methods 0.000 title claims abstract description 13
- 238000000605 extraction Methods 0.000 title abstract description 10
- 230000003902 lesion Effects 0.000 claims abstract description 43
- 230000011218 segmentation Effects 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims description 46
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 26
- 210000001519 tissue Anatomy 0.000 description 23
- 230000000877 morphologic effect Effects 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000035772 mutation Effects 0.000 description 5
- 230000036285 pathological change Effects 0.000 description 4
- 231100000915 pathological change Toxicity 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 206010006187 Breast cancer Diseases 0.000 description 2
- 208000026310 Breast neoplasm Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 210000005075 mammary gland Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种核磁共振肿瘤区域提取方法,包括:根据各个连通域边缘的边缘弧度延展性和边缘平滑程度计算各个连通域的可能程度,获得疑似目标连通域,根据各个疑似目标连通域的最大距离和最小距离计算各个疑似目标连通域的规则程度,获得高匹配度区域;根据高匹配度区域对初始阈值进行调整获得最优阈值,根据最优阈值对待检测MRI影像进行阈值分割,获得病变目标区域。本发明利用图像处理技术,排除其他生理组织的干扰,利用高匹配度区域对阈值进行调整的最优阈值,基于最优阈值对待检测MRI影像进行阈值分割获得病变目标区域,更加准确地识别并提取病变目标区域。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种核磁共振肿瘤区域提取方法。
背景技术
当前在全世界范围内无数女性一直以来都饱受着乳腺癌的折磨,因其发病率高、致死率高且病因多而杂,使得乳腺癌已然成为女性中最为常见的恶性肿瘤,对女性健康造成极大的威胁,因此及时的发现和治疗尤为关键和重要。
目前临床中常见的早期筛查检测的主要方法之一是MRI(乳腺磁共振成像检查),该方法相对具有更多的技术原理,且呈现出的乳腺中各组织之间的对比分辨率更高,能够辅助医生更清晰的观察出病变形态以及内部结构,做出较为准确的分析和判断,而对于核磁共振检测所得图像如何进行肿瘤区域的识别和分割提取至关重要。
目前医疗手段通常使用阈值分割技术对MRI影像进行处理,分析分割后的图像判断是否存在病变的区域;但在一张MRI影像图像中,肿瘤病变区域往往只占总面积的很小部分,其他生理组织对于确定病变目标区域会造成一定的干扰,使得分割效果达不到预期,导致未能完整分割或过分割的情况。
发明内容
本发明提供一种核磁共振肿瘤区域提取方法,以解决现有的问题。
本发明的一种核磁共振肿瘤区域提取方法采用如下技术方案:
本发明一个实施例提供了一种核磁共振肿瘤区域提取方法,该方法包括以下步骤:
利用OTSU阈值分割方法对待检测MRI影像进行分割获得初始阈值和初始二值图像,对初始二值图像进行预处理获得分割图像,对分割图像进行连通域分析获得所有连通域以及各个连通域的边缘信息,所述边缘信息是指连通域的边缘所包含的所有边缘像素点;
根据各个连通域的边缘信息计算各个连通域的边缘弧度延展性,根据8方向链码获得各个连通域的链码序列,根据各个连通域的链码序列计算各个连通域的边缘平滑程度;
根据各个连通域边缘的边缘弧度延展性和边缘平滑程度计算各个连通域的可能程度,将可能程度大于第一预设阈值的所有连通域记为疑似目标连通域;
获得各个疑似目标连通域的最大距离和最小距离,根据各个疑似目标连通域的最大距离和最小距离计算各个疑似目标连通域的规则程度,将规则程度大于第二预设阈值的所有疑似目标连通域记为高匹配度区域;
根据高匹配度区域对初始阈值进行调整获得最优阈值,根据最优阈值对待检测MRI影像进行阈值分割,将获得的二值图像中的第一预设颜色的区域作为病变目标区域。
进一步地,所述根据各个连通域的边缘信息计算各个连通域的边缘弧度延展性,包括的具体步骤如下:
第t个连通域的边缘弧度延展性的具体的计算公式为:
式中,表示第t个连通域的边缘弧度延展性,/>表示第t个连通域的边缘所包含的边缘像素点的个数,/>表示第t个连通域的边缘上的第j+1个边缘像素点的斜率,/>表示第t个连通域的边缘上的第j个边缘像素点的斜率,/>表示取绝对值。
进一步地,所述根据各个连通域的链码序列计算各个连通域的边缘平滑程度,包括的具体步骤如下:
第t个连通域的边缘平滑程度的具体计算公式为:
式中,表示第t个连通域的边缘平滑程度,/>表示第t个连通域的边缘所包含的边缘像素点的个数,/>表示第t个连通域的链码序列中的第i个数值,/>表示第t个连通域的链码序列中的第i-1个数值,/>表示取最小值,/>表示取绝对值。
进一步地,所述根据各个连通域边缘的边缘弧度延展性和边缘平滑程度计算各个连通域的可能程度,包括的具体步骤如下:
第t个连通域的可能程度的具体计算公式为:
进一步地,所述获得各个疑似目标连通域的最大距离和最小距离,包括的具体步骤如下:
对于第m个疑似目标连通域,计算第m个疑似目标连通域的质心,获得第m个疑似目标连通域的质心在直角坐标系中的坐标,获得第m个疑似目标连通域的所有边缘像素点在直角坐标系中的坐标,计算第m个疑似目标连通域的所有边缘像素点与第m个疑似目标连通域的质心的欧式距离,将欧式距离的最大值记为第m个疑似目标连通域的最大距离,将欧式距离的最小值记为第m个疑似目标连通域的最小距离。
进一步地,所述根据各个疑似目标连通域的最大距离和最小距离计算各个疑似目标连通域的规则程度,包括的具体步骤如下:
第m个疑似目标连通域的规则程度的具体计算公式为:
进一步地,所述根据高匹配度区域对初始阈值进行调整获得最优阈值,包括的具体步骤如下:
将分割图像中的高匹配度区域在待检测MRI影像对应的区域记为目标区域,将待检测MRI影像中除灰度区域外的其他区域记为非目标区域;
对初始阈值进行调整获得最优阈值,最优阈值需要满足以下条件:利用最优阈值对待检测MRI影像进行阈值分割后获得的二值图像中,目标区域在二值图像中对应的区域中第一预设颜色的像素点多,且非目标区域在二值图像中对应的区域中第二预设颜色的像素点多,其中,第一预设颜色与第二预设颜色不相同。
本发明的技术方案的有益效果是:本发明利用图像处理相关技术,根据病变目标区域的分布形态特征和其他生理组织对应的连通域的分布形态特征的区别,对分割图像中的连通域进行边缘弧度延展性的评估,利用病变目标连通域的边缘相较于其他组织的连通域的边缘较为平滑的特征,对分割图像中的连通域进行边缘平滑程度的评估;结合连通域的边缘弧度延展性和边缘平滑程度,获得各个连通域是是病变目标连通域的可能程度,进而确定高匹配度区域,排除其他生理组织的干扰,利用高匹配度区域对阈值进行调整,获得使得高匹配度区域对应的目标区域被完整分割出来的最优阈值,基于最优阈值对待检测MRI影像进行阈值分割获得病变目标区域,更加准确地识别并提取病变目标区域。
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为本发明的一种核磁共振肿瘤区域提取方法的步骤流程图;
图2为本发明提供的待检测MRI影像;
图3为本发明提供的基于OTSU阈值分割获得的初始二值图像;
图4为本发明提供的一种8连通对应的方向编码;
图5为本发明提供基于最优阈值分割获得的二值图像。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种核磁共振肿瘤区域提取方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种核磁共振肿瘤区域提取方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种核磁共振肿瘤区域提取方法的步骤流程图,该方法包括以下步骤:
S001.利用OTSU阈值分割方法对待检测MRI影像进行分割获得初始阈值和二值图像,对初始二值图像进行预处理获得分割图像以及所有连通域。
1、利用OTSU阈值分割方法对待检测MRI影像进行分割获得初始阈值和初始二值图像。
利用OTSU阈值分割方法对待检测MRI影像进行阈值分割,获得初始阈值和初始二值图像,其中,本实施例需要提取的病变目标区域为初始二值图像中的第一预设颜色的区域;如图2所示为待检测MRI影像,如图3所示基于OTSU阈值分割获得的初始二值图像。
其中,第一预设颜色,为预设的初始二值图像中的颜色,可选地,第一预设颜色可以例如为白色,对此不做限制。
通过观察待检测MRI影像的某些区域在二值图像的对应区域的表现,可以发现,在待检测MRI影像中除上侧方肿瘤小块对应的区域的灰度值高以外,其内部的血管、腺体组织或乳导管等生理组织对应的区域同样表现出较高的灰度值,因此在待检测MRI影像的阈值分割结果(即初始二值图像)中,病变目标区域和一些生理组织很容易被OTSU阈值分割方法归为一类,对病变目标区域的识别提取造成了一定的干扰和影响,因此,仅通过OTSU阈值分割方法对待检测MRI影像进行分割,分割结果不能达到预期。
2、对初始二值图像进行预处理获得分割图像以及所有连通域。
需要说明的是,由于其他生理组织对病变目标区域的提取产生干扰,会使得分割处理后的初始二值图像中存在除病变目标连通域外的其他连通域,因此,需要获得初始二值图像中所有连通域。
使用形态学开运算对初始二值图像进行预处理,获得分割图像,开运算为先腐蚀后膨胀;通过对初始二值图像进行开运算,能够平滑各个连通域的形状边界,同时去除掉初始二值图像中的孤立像素点和连通域的毛刺,而初始二值图像中连通域的位置和形状不会发生改变,由此在不改变连通域形态特征的基础上,减少多余像素点和其他因素的干扰。
对分割图像进行连通域分析获得所有连通域以及各个连通域的边缘信息,连通域的边缘信息为连通域的边缘所包含的所有边缘像素点。
S002.根据各个连通域边缘的边缘弧度延展性和边缘平滑程度计算各个连通域的可能程度,得到疑似目标连通域,计算各个疑似目标连通域的规则程度,获得高匹配度区域。
需要说明的是,病变目标区域的分布形态特征和其他生理组织对应的连通域的分布形态特征具有一定的区别,具体为:病变目标连通域多呈圆形或椭圆形,其他生理组织对应的连通域多呈细长状或不规则形状,病变目标连通域的边缘相较于其他生理组织对应的连通域的边缘较为清晰平滑,因此可以通过对连通域的边缘及其分布形态进行分析,获得高匹配度区域;具体操作步骤如下:
1、计算各个连通域的边缘弧度延展性。
需要说明的是,根据经验可知,病变目标连通域多呈圆形或椭圆形,其他生理组织对应的连通域多呈细长状或不规则形状,因此利用该分布形态特征,对于各个连通域进行边缘弧度延展性的评估。
根据各个连通域的边缘信息计算各连通域的边缘弧度延展性,具体的计算公式为:
式中,表示第t个连通域的边缘弧度延展性,/>表示第t个连通域的边缘所包含的边缘像素点的个数,/>表示第t个连通域的边缘上的第j+1个边缘像素点的斜率,/>表示第t个连通域的边缘上的第j个边缘像素点的斜率,/>表示取绝对值。
2、计算各个连通域的边缘平滑程度。
需要说明的是,根据经验可知,病变目标连通域的边缘相较于其他组织的连通域的边缘较为平滑,因此利用该特征,对于各个连通域进行边缘平滑程度的评估。
本实施例通过8方向链码对连通域进行边缘平滑程度的评估,用连通域的边缘像素点的方向编码来描述连通域的边缘曲线走向,将相对方向量化成具体数值,进而根据数值来评估连通域边的边缘平滑程度以及异常突变程度;具体为:8方向链码是基于8连通对像素点进行编码,8连通中的8个像素点对应的方向编码为[0,7]的整数,如图4所示;将连通域的一个边缘像素点作为起始点,从起始点开始,以8连通的方式从编码为1的方向开始搜索下一个边缘像素点,记录下找到边缘像素点的方向对应的方向编码,从找到的边缘像素开始,重复以上步骤,直至返回到起始点,将获得的所有方向编码按照顺序组成的序列记为连通域的链码序列。
如果连通域的边缘较为平滑即无异常突变,则得到的链码序列中后一个方向编码和前一个方向编码的差值的绝对值不大于1,以此作为连通域边的边缘平滑程度的评估标准。
根据各个连通域的链码序列计算各连通域的边缘平滑程度,具体的计算公式为:
式中,表示第t个连通域的边缘平滑程度,/>表示第t个连通域的边缘所包含的边缘像素点的个数,/>表示第t个连通域的链码序列中的第i个数值,/>表示第t个连通域的链码序列中的第i-1个数值(即第i个数值的前一个数值),/>表示取最小值,/>表示取绝对值。
表示第t个连通域的边缘上第i-1个边缘像素点的异常突变程度,由连通域边的边缘平滑程度的评估标准可以得出,/>越小,则第t个连通域的边缘越平滑,此时/>值越接近于/>,则第t个连通域的边缘平滑程度越接近于1。
如果第t个连通域的边缘上的边缘像素点的异常突变程度均为1,此时第t个连通域的边缘平滑程度为0,按照连通域边的边缘平滑程度的评估标准,此时第t个连通域的边缘也符合无异常突变的情况,因此设定平滑阈值为0。
3、根据各个连通域边缘的边缘弧度延展性和边缘平滑程度计算各个连通域的可能程度,得到疑似目标连通域。
由于肿瘤区域大多呈现圆形或椭圆形状且边缘相对更加清晰平滑,因此病变目标连通域的边缘的弧度延展性较高且平滑程度较高,反之,弧度延展性较高且平滑程度较高的连通域越有可能是病变目标连通域;根据各个连通域边缘的边缘弧度延展性和边缘平滑程度计算各个连通域的可能程度,具体的计算公式为:
通过双曲线正切函数对第t个连通域的边缘弧度延展性/>进行归一化,使得连通域的可能程度与连通域的边缘弧度延展性成正比,因此,连通域的边缘弧度延展性越大,则该连通域是病变目标连通域的可能性越大。连通域的边缘平滑程度/>大于平滑阈值时,连通域的边缘的平滑程度较好。
计算各个连通域的可能程度,将可能程度大于第一预设阈值的所有连通域记为疑似目标连通域。
在本实施例中,第一预设阈值为0.8,第一预设阈值为经验阈值,在其他实施例中,实施人员可根据具体实施环境自行调整第一预设阈值。
本发明根据病变目标区域的分布形态特征和其他生理组织对应的连通域的分布形态特征的区别,对分割图像中的连通域进行边缘弧度延展性的评估,利用病变目标连通域的边缘相较于其他组织的连通域的边缘较为平滑的特征,对分割图像中的连通域进行边缘平滑程度的评估;结合连通域的边缘弧度延展性和边缘平滑程度,获得各个连通域是是病变目标连通域的可能程度,排除其他生理组织对于确定病变目标区域的干扰,进而更加准确地识别并提取病变目标区域。
4、计算各个疑似目标连通域的规则程度,获得高匹配度区域。
需要说明的是,根据经验可知,病变目标区域大多呈现近圆状,该特征使病变目标区域具有区别于其他组织的连通区域的形态特征,因此,计算各个疑似目标连通域的规则程度,通过各个疑似目标连通域的规则程度获得高匹配度区域。
以分割图像的左上角为原点,以原点从上向下的方向为x轴方向,以原点从左向右的方向为y轴方向,建立直角坐标系。
对于第m个疑似目标连通域,计算第m个疑似目标连通域的质心,获得第m个疑似目标连通域的质心在直角坐标系中的坐标,获得第m个疑似目标连通域的所有边缘像素点在直角坐标系中的坐标,计算第m个疑似目标连通域的所有边缘像素点与第m个疑似目标连通域的质心的欧式距离,将欧式距离的最大值记为第m个疑似目标连通域的最大距离,将欧式距离的最小值记为第m个疑似目标连通域的最小距离。
根据各个疑似目标连通域的最大距离和最小距离,计算各个疑似目标连通域的规则程度,具体的计算公式为:
计算各个疑似目标连通域的规则程度,将规则程度大于第二预设阈值的所有疑似目标连通域记为高匹配度区域。
在本实施例中,第二预设阈值为0.7,第二预设阈值为经验阈值,在其他实施例中,实施人员可根据具体实施环境自行调整第二预设阈值。
本发明根据病变目标区域大多呈现近圆状的分布形态特征,计算各个疑似目标连通域的规则程度,进一步从获得的疑似目标连通域中筛选出高匹配度区域,排除其他生理组织对于确定病变目标区域的干扰,进而更加准确地识别并提取病变目标区域。
S003.根据高匹配度区域对初始阈值进行调整获得最优阈值,进而获得病变目标区域。
1、将分割图像中的高匹配度区域在待检测MRI影像对应的区域记为目标区域,将待检测MRI影像中除灰度区域外的其他区域记为非目标区域。
2、对初始阈值进行调整获得最优阈值,最优阈值需要满足以下条件:利用最优阈值对待检测MRI影像进行阈值分割后获得的二值图像中,目标区域在二值图像中对应的区域中第一预设颜色的像素点多,且非目标区域在二值图像中对应的区域中第一预设颜色的像素点多,其中,第一预设颜色与第二预设颜色不相同。
其中,第二预设颜色,为二值图像中除第一预设颜色外的另一种颜色,可选地,第二预设颜色可以例如为黑色,对此不做限制。
3、根据最优阈值对待检测MRI影像进行阈值分割,将获得的二值图像中的第一预设颜色的区域作为病变目标区域,如图5所示基于最优阈值分割获得的二值图像。
本发明利用高匹配度区域对阈值进行调整,获得使得高匹配度区域对应的目标区域被完整分割出来的最优阈值,基于最优阈值对待检测MRI影像进行阈值分割获得病变目标区域,排除其他生理组织对于确定病变目标区域的干扰,进而更加准确地识别并提取病变目标区域。
本发明利用图像处理相关技术,根据病变目标区域的分布形态特征和其他生理组织对应的连通域的分布形态特征的区别,对分割图像中的连通域进行边缘弧度延展性的评估,利用病变目标连通域的边缘相较于其他组织的连通域的边缘较为平滑的特征,对分割图像中的连通域进行边缘平滑程度的评估;结合连通域的边缘弧度延展性和边缘平滑程度,获得各个连通域是是病变目标连通域的可能程度,进而确定高匹配度区域,排除其他生理组织的干扰,利用高匹配度区域对阈值进行调整,获得使得高匹配度区域对应的目标区域被完整分割出来的最优阈值,基于最优阈值对待检测MRI影像进行阈值分割获得病变目标区域,更加准确地识别并提取病变目标区域。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (4)
1.一种核磁共振肿瘤区域提取方法,其特征在于,该方法包括以下步骤:
利用OTSU阈值分割方法对待检测MRI影像进行分割获得初始阈值和初始二值图像,对初始二值图像进行预处理获得分割图像,对分割图像进行连通域分析获得所有连通域以及各个连通域的边缘信息,所述边缘信息是指连通域的边缘所包含的所有边缘像素点;
根据各个连通域的边缘信息计算各个连通域的边缘弧度延展性,根据8方向链码获得各个连通域的链码序列,根据各个连通域的链码序列计算各个连通域的边缘平滑程度;
根据各个连通域边缘的边缘弧度延展性和边缘平滑程度计算各个连通域的可能程度,将可能程度大于第一预设阈值的所有连通域记为疑似目标连通域;
获得各个疑似目标连通域的最大距离和最小距离,根据各个疑似目标连通域的最大距离和最小距离计算各个疑似目标连通域的规则程度,将规则程度大于第二预设阈值的所有疑似目标连通域记为高匹配度区域;
根据高匹配度区域对初始阈值进行调整获得最优阈值,根据最优阈值对待检测MRI影像进行阈值分割,将获得的二值图像中的第一预设颜色的区域作为病变目标区域;
所述根据各个连通域的边缘信息计算各个连通域的边缘弧度延展性,包括的具体步骤如下:
第t个连通域的边缘弧度延展性的具体的计算公式为:
式中,表示第t个连通域的边缘弧度延展性,/>表示第t个连通域的边缘所包含的边缘像素点的个数,/>表示第t个连通域的边缘上的第j+1个边缘像素点的斜率,/>表示第t个连通域的边缘上的第j个边缘像素点的斜率,/>表示取绝对值;
所述根据各个连通域的链码序列计算各个连通域的边缘平滑程度,包括的具体步骤如下:
第t个连通域的边缘平滑程度的具体计算公式为:
式中,表示第t个连通域的边缘平滑程度,/>表示第t个连通域的边缘所包含的边缘像素点的个数,/>表示第t个连通域的链码序列中的第i个数值,/>表示第t个连通域的链码序列中的第i-1个数值,/>表示取最小值,/>表示取绝对值;
所述根据各个连通域边缘的边缘弧度延展性和边缘平滑程度计算各个连通域的可能程度,包括的具体步骤如下:
第t个连通域的可能程度的具体计算公式为:
2.根据权利要求1所述的一种核磁共振肿瘤区域提取方法,其特征在于,所述获得各个疑似目标连通域的最大距离和最小距离,包括的具体步骤如下:
对于第m个疑似目标连通域,计算第m个疑似目标连通域的质心,获得第m个疑似目标连通域的质心在直角坐标系中的坐标,获得第m个疑似目标连通域的所有边缘像素点在直角坐标系中的坐标,计算第m个疑似目标连通域的所有边缘像素点与第m个疑似目标连通域的质心的欧式距离,将欧式距离的最大值记为第m个疑似目标连通域的最大距离,将欧式距离的最小值记为第m个疑似目标连通域的最小距离。
4.根据权利要求1所述的一种核磁共振肿瘤区域提取方法,其特征在于,所述根据高匹配度区域对初始阈值进行调整获得最优阈值,包括的具体步骤如下:
将分割图像中的高匹配度区域在待检测MRI影像对应的区域记为目标区域,将待检测MRI影像中除灰度区域外的其他区域记为非目标区域;
对初始阈值进行调整获得最优阈值,最优阈值需要满足以下条件:利用最优阈值对待检测MRI影像进行阈值分割后获得的二值图像中,目标区域在二值图像中对应的区域中第一预设颜色的像素点多,且非目标区域在二值图像中对应的区域中第二预设颜色的像素点多,其中,第一预设颜色与第二预设颜色不相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310086675.1A CN115797356B (zh) | 2023-02-09 | 2023-02-09 | 一种核磁共振肿瘤区域提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310086675.1A CN115797356B (zh) | 2023-02-09 | 2023-02-09 | 一种核磁共振肿瘤区域提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115797356A CN115797356A (zh) | 2023-03-14 |
CN115797356B true CN115797356B (zh) | 2023-05-23 |
Family
ID=85430652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310086675.1A Active CN115797356B (zh) | 2023-02-09 | 2023-02-09 | 一种核磁共振肿瘤区域提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797356B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630358B (zh) * | 2023-07-25 | 2023-09-26 | 潍坊医学院附属医院 | 一种脑部肿瘤ct影像的阈值分割方法 |
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 |
CN117079167B (zh) * | 2023-10-18 | 2024-01-09 | 山东龙翼航空科技有限公司 | 一种基于图像处理的高层消防无人机监测方法 |
CN117764864B (zh) * | 2024-02-22 | 2024-04-26 | 济南科汛智能科技有限公司 | 基于图像去噪的核磁共振肿瘤视觉检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294139A (zh) * | 2022-10-08 | 2022-11-04 | 中国电建集团江西省电力设计院有限公司 | 基于图像的边坡裂缝监测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109419497B (zh) * | 2017-08-31 | 2021-12-17 | 中国科学院微电子研究所 | 基于热成像的关脉识别方法 |
CN113112443B (zh) * | 2019-12-25 | 2024-03-22 | 飞依诺科技股份有限公司 | 超声图像病灶的分割方法、装置和计算机设备 |
CN112802600B (zh) * | 2021-02-07 | 2023-01-13 | 山东第一医科大学附属省立医院(山东省立医院) | 软组织肿瘤信息化病理辅助诊断全程监管系统及方法 |
CN115100171A (zh) * | 2022-07-11 | 2022-09-23 | 常宝云 | 一种基于机器视觉的钢模焊接缺陷检测方法及系统 |
CN115055964B (zh) * | 2022-08-18 | 2022-11-08 | 山东鑫亚工业股份有限公司 | 一种基于喷油泵的智能装配方法及系统 |
CN116463422A (zh) * | 2022-12-14 | 2023-07-21 | 中国医学科学院肿瘤医院 | 人乳头瘤病毒分型及宫颈癌相关基因甲基化一体化检测模型及其构建方法 |
-
2023
- 2023-02-09 CN CN202310086675.1A patent/CN115797356B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294139A (zh) * | 2022-10-08 | 2022-11-04 | 中国电建集团江西省电力设计院有限公司 | 基于图像的边坡裂缝监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115797356A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115797356B (zh) | 一种核磁共振肿瘤区域提取方法 | |
EP0757544B1 (en) | Computerized detection of masses and parenchymal distortions | |
EP0731952B1 (en) | Automated method and system for improved computerized detection and classification of masses in mammograms | |
EP1593094B1 (en) | Image analysis for the purpose of assessing cancer | |
CN115330800B (zh) | 基于图像处理的放疗靶区自动分割方法 | |
George et al. | Automated cell nuclei segmentation for breast fine needle aspiration cytology | |
US8175351B2 (en) | Computer-aided detection and classification of suspicious masses in breast imagery | |
Skrøvseth et al. | A computer aided diagnostic system for malignant melanomas | |
Unni et al. | Tumour detection in double threshold segmented mammograms using optimized GLCM features fed SVM | |
Harshavardhan et al. | An improved brain tumor segmentation method from MRI brain images | |
Patel et al. | Detection of masses in mammographic breast cancer images using modified histogram based adaptive thresholding (MHAT) method | |
Aghdam et al. | A probabilistic approach for breast boundary extraction in mammograms | |
Abdel-Nasser et al. | Matching tumour candidate points in multiple mammographic views for breast cancer detection | |
CN109872307B (zh) | 一种检测生物组织图像中肿块的方法、相应设备及介质 | |
Terada et al. | Detecting mass and its region in mammograms using mean shift segmentation and Iris Filter | |
Liu et al. | Breast mass detection with kernelized supervised hashing | |
Samulski et al. | Matching mammographic regions in mediolateral oblique and cranio caudal views: a probabilistic approach | |
Ko et al. | A computer-aided grading system of breast carcinoma: scoring of tubule formation | |
CN109948706B (zh) | 结合深度学习与特征多尺度融合的微钙化簇检测方法 | |
Khan et al. | Proficient lungs nodule detection and classification using machine learning techniques | |
JP2004248817A (ja) | 異常陰影検出方法および装置並びにプログラム | |
Cinar et al. | A new region-of-interest (ROI) detection method using the chan-vese algorithm for lung nodule classification | |
JP2001008923A (ja) | 異常陰影の検出方法および検出装置 | |
Nandanwar et al. | Analysis of pixel intensity variation by performing morphological operations for image segmentation on cervical cancer pap smear image | |
CN113808100B (zh) | 一种乳腺结节粗钙化识别装置 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20230314 Assignee: HEZE TAIKANG INDUSTRY AND TRADE Co.,Ltd. Assignor: Shandong Provincial Hospital Affiliated to Shandong First Medical University Contract record no.: X2023980051895 Denomination of invention: A method for extracting tumor regions using nuclear magnetic resonance imaging Granted publication date: 20230523 License type: Common License Record date: 20231220 |
|
EE01 | Entry into force of recordation of patent licensing contract |