CN116109663A - 基于多阈值分割的胃部ct影像分割方法 - Google Patents
基于多阈值分割的胃部ct影像分割方法 Download PDFInfo
- Publication number
- CN116109663A CN116109663A CN202310347609.5A CN202310347609A CN116109663A CN 116109663 A CN116109663 A CN 116109663A CN 202310347609 A CN202310347609 A CN 202310347609A CN 116109663 A CN116109663 A CN 116109663A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- value
- pixel
- pixel point
- analyzed
- 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
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于多阈值分割的胃部CT影像分割方法,该方法包括:对胃部CT图像的灰度图像进行分割得到胃部非淋巴组织区域,采集区域周围的特征像素点,以特征像素点或者待分析像素点为中心构建设定尺寸的窗口,根据窗口内像素点与其邻域像素点的灰度值获得像素点的特征值参数;根据特征值参数以及像素点的灰度值,得到特征像素点或者待分析像素点的淋巴特征值;根据特征像素点和待分析像素点的淋巴特征值得到特征像素点与待分析像素点之间的关联程度;根据关联程度确定待分析像素点的淋巴置信度;将淋巴置信度作为修正系数对待分析像素点进行分割得到胃部区域。本发明能够获得较为准确的胃部分割结果。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于多阈值分割的胃部CT影像分割方法。
背景技术
伴随着人体医学成像技术的迅猛发展,医学图像在临床医学诊断中发挥着越来越重要的作用。医学图像的出现使得医生利用医学图像进行病情判断成为病情分析过程中关键的一环,而医生的经验对病情分析结果影响较大。现如今,通过图像处理等手段对医学图像进行处理,以辅助医生进行医学诊断。
对医学图像进行图像处理的基础就是对需要进行诊断的部分进行区域的划分,而医学图像分割一直是医学图像处理领域的关键与难题,其分割质量决定了后续图像处理工作的准确性。在实际中,对胃部CT图像进行图像分割的过程中,由于胃壁周围存在一部分淋巴组织,边缘形状不规则,且淋巴组织附近有血管和其他脏器等噪声的干扰。利用现有的Niblack算法对胃部CT进行分割时,由于该算法采用固定的常数作为修正系数,图像分割结果受固定的参数影响较大,使得利用该方法对胃部CT图像进行胃部分割的结果并不准确。
发明内容
为了解决对胃部CT图像进行胃部分割的结果并不准确的技术问题,本发明的目的在于提供一种基于多阈值分割的胃部CT影像分割方法,所采用的技术方案具体如下:
获取胃部CT图像的灰度图像,对灰度图像进行分割得到胃部非淋巴组织区域;根据胃部非淋巴组织区域的边缘像素点采集区域周围的特征像素点;将除胃部非淋巴组织区域和特征像素点之外的其他像素点记为待分析像素点;
以特征像素点或者待分析像素点为中心构建设定尺寸的窗口,根据窗口内像素点与其邻域像素点的灰度值获得像素点的特征值参数;根据窗口内像素点的特征值参数之间的差异以及像素点的灰度值,得到特征像素点或者待分析像素点的淋巴特征值;
根据特征像素点的淋巴特征值和待分析像素点的淋巴特征值得到特征像素点与待分析像素点之间的关联程度;根据关联程度确定待分析像素点的淋巴置信度;将淋巴置信度作为修正系数对待分析像素点进行分割得到胃部区域。
优选地,所述淋巴特征值的获取方法具体为:
对于任意一个特征像素点或者待分析像素点对应的窗口,将窗口内每行像素点的特征值参数构成行特征值序列,将窗口内每列像素点的特征值参数构成列特征值序列;
分别计算任意两个行特征值序列之间的差异距离,将所有任意两个行特征值序列之间的差异距离的均值记为第一特征均值;分别计算任意两个列特征值序列之间的差异距离,将所有任意两个列特征值序列之间的差异距离的均值记为第二特征均值;计算第一特征均值与第二特征均值之间的和值;
将窗口内所有像素点的灰度值的均值记为灰度均值,计算窗口内每个像素点的灰度值与灰度均值之间的差值的绝对值,对所述差值的绝对值进行累加,以所述和值与累加获得的累加值之间的比值作为特征像素点或者待分析像素点的淋巴特征值。
优选地,所述像素点的特征值参数的获取方法具体为:
对于窗口内任意一个像素点,对该像素点的邻域像素点按照设定顺序进行标号,将像素点的灰度值与邻域像素点的灰度值之间的最大差异对应的邻域像素点的标号,记为窗口内像素点的特征值参数。
优选地,所述根据胃部非淋巴组织区域的边缘像素点采集区域周围的特征像素点具体为:
获取胃部非淋巴组织区域的质心,分别在质心到胃部非淋巴组织区域的每个边缘像素点的连线的延长线上靠近边缘像素点的一侧获取设定数量的像素点,记为特征像素点。
优选地,所述根据特征像素点的淋巴特征值和待分析像素点的淋巴特征值得到特征像素点与待分析像素点之间的关联程度具体为:
对于任意一个特征像素点和任意一个待分析像素点,将两者的淋巴特征值的较小值与两者的淋巴特征值的较大值之间的比值作为所述关联程度。
优选地,所述根据关联程度确定待分析像素点的淋巴置信度具体为:
对于任意一个待分析像素点,将待分析像素点与所有特征像素点对应的关联程度的中位数的归一化值记为待分析像素点的淋巴置信度。
优选地,所述差异距离为DTW距离。
本发明实施例至少具有如下有益效果:
本发明首先对胃部CT图像的灰度图像进行分割得到胃部非淋巴组织区域,通过初步分割将胃部较为清晰的非淋巴组织分布分割出来,进而根据该区域的边缘像素点采集区域周围的特征像素点,即通过考虑淋巴组织与该区域之间的位置分布特征,进而获取表征为淋巴组织部分的特征像素点;然后分别对特征像素点和其他部分的待分析像素点进行分析,构建窗口,计算窗口内像素点的特征值参数,反映了窗口内像素点的灰度变化情况,根据窗口内像素点的特征值参数之间的差异以及像素点的灰度值,得到淋巴特征值,考虑了淋巴组织分布均匀和较为清晰的特性,利用淋巴特征值表征待分析像素点或者特征像素点属于胃部淋巴组织部分的可能性;进一步的,根据特征像素点的淋巴特征值和待分析像素点的淋巴特征值得到特征像素点与待分析像素点之间的关联程度,反映了待分析像素点与特征像素点之间的相似度,根据关联程度确定待分析像素点的淋巴置信度,将淋巴置信度作为自适应阈值分割时对应的修正系数,对待分析像素点进行分割得到较为准确的胃部区域,分割效果更加精确。
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和优点,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的介绍,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它附图。
图1是本发明的一种基于多阈值分割的胃部CT影像分割方法的方法流程图。
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基于多阈值分割的胃部CT影像分割方法,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基于多阈值分割的胃部CT影像分割方法的具体方案。
实施例:
请参阅图1,其示出了本发明一个实施例提供的一种基于多阈值分割的胃部CT影像分割方法的方法流程图,该方法包括以下步骤:
步骤一,获取胃部CT图像的灰度图像,对灰度图像进行分割得到胃部非淋巴组织区域;根据胃部非淋巴组织区域的边缘像素点采集区域周围的特征像素点;将除胃部非淋巴组织区域和特征像素点之外的其他像素点记为待分析像素点。
首先,采集胃部CT图像,对胃部CT图像进行灰度化处理,并对灰度化处理后的图像进行直方图均衡,增强图像中的对比度和细节,进而对图像进行去噪处理,得到灰度图像,减少噪声对图像的干扰。其中,对图像进行灰度化以及去噪处理的方法是多种多样的,在本实施例中,采用均值化的方法对图像进行灰度化处理,采用中值滤波的方法对图像进行去噪处理,均为公知技术,在此不再过多介绍。
胃部CT图像是在人的胃部附近按照自上而下的顺序在不同定位进行扫描得到的,每个定位对应人的胃部的不同位置,在对胃部进行分割的过程中,导致分割结果不精确的主要原因是胃部外圈接近胃壁的位置处为淋巴组织,还会存在血管和其他脏器的干扰,并且胃部在不同定位进行扫描获取的胃部CT图像中的位置并不是一定的。
但是,在胃部的内部非淋巴组织部分较为均匀密集,较为容易识别,故可先对胃部属于非淋巴组织部分进行分割,确定胃部内非淋巴组织部分,进而从该部分所在区域向外扩充胃部胃壁对应的区域。通过对比分析属于胃壁淋巴组织部分的像素点的灰度特征,以及灰度图像中所有像素点的灰度特征,对没有进行划分的胃壁淋巴组织部分的像素点进行划分。
基于此,对灰度图像进行分割得到胃部非淋巴组织区域,在本实施例中,采用CNN网络对灰度图像进行语义分割,划分出胃部内部的非淋巴组织部分。其中,CNN网络进行语义分割的相关内容包括:从医院的数据库中获取大量胃部CT图像的灰度图像,并将获得的灰度图像按照6∶4的比例划分为数据集和训练集,两者互不重叠。网络的损失函数为交叉熵损失函数。
由于在胃部内非淋巴组织外围一圈的部分为胃壁,故可基于位置关系在胃部非淋巴组织区域的周围采集一些属于胃壁的淋巴组织部分的像素点,进而对淋巴组织部分的像素点的灰度特征进行分析。即根据胃部非淋巴组织区域的边缘像素点采集区域周围的特征像素点,具体地,获取胃部非淋巴组织区域的质心,分别在质心到胃部非淋巴组织区域的每个边缘像素点的连线的延长线上靠近边缘像素点的一侧获取设定数量的像素点,记为特征像素点。
对于胃部非淋巴组织区域的每个边缘像素点,均与质心存在连线获得的线段,进而在从质心到边缘像素点的方向的延长线上,能够获取属于胃壁的淋巴组织部分的像素点,由于胃壁可能较薄,故在本实施例中,将设定数量的取值设置为5,实施者可根据具体实施长场景进行设置。即在每个边缘像素点对应的连线的延长线上获取5个像素点,记为特征像素点。利用特征像素点表征胃壁属于淋巴组织部分的像素点。
至此,通过初步分割获取了胃部CT图像中的胃部内部非淋巴组织区域和部分属于胃壁淋巴组织的像素点。即可以将胃部非淋巴组织区域内包含的像素点看作是第一类像素点,将特征像素点看作是第二类像素点,第二类像素点表示属于胃壁淋巴组织的像素点,进而将既不属于胃部非淋巴组织区域内的像素点,也不属于特征像素点的所有像素点看作是第三类像素点,将其记为待分析像素点,由于胃壁淋巴组织的边缘较为复杂,无法直接确定其完整的区域,故需进一步根据像素点的灰度分布特征进行分析,对待分析像素点进行精确的分割。
步骤二,以特征像素点或者待分析像素点为中心构建设定尺寸的窗口,根据窗口内像素点与其邻域像素点的灰度值获得像素点的特征值参数;根据窗口内像素点的特征值参数之间的差异以及像素点的灰度值,得到特征像素点或者待分析像素点的淋巴特征值。
需要说明的是,胃壁淋巴组织相对于血管和其他脏器等干扰组织部分存在分布较为均匀,且较为清晰的特征,通过对未进行判断的待分析像素点的特征进行分析评价,将待分析像素点的特征分析评价结果,与已经确定的部分属于胃壁淋巴组织部分的像素点的特征分析评价结果进行对比分析,进而可以根据一致性结果确定每个待分析像素点是否属于胃部区域。
在CT影像中,各个组织部分呈现出的亮度反映了该组织的密度,即当某一个组织的密度越大时,表现在CT影像中该组织所在区域部分的亮度就越大。当CT影像不清晰时,一般是由于在获取CT影像时向某个方向震动产生了模糊,因此,在CT影像中出现模糊的区域内每个像素点的灰度值变化会出现与震动方向或者模糊方向较为一致的规律性。在胃部CT图像的灰度图像中,由于淋巴组织较为清晰且较为均匀,所以淋巴组织对应的区域在保持灰度较为均匀的同时,其内部像素点的灰度变化方向没有出现较为明显的变化一致性。
基于此,对每个特征像素点和待分析像素点分别进行特征分析,获取每个特征像素点和待分析像素点对应的特征评价结果。在本实施例中,以对一个待分析像素点进行特征分析为例进行说明。
以待分析像素点为中心构建设定尺寸的窗口,在本实施例中,设定尺寸为,其中n的取值为7,实施者可根据具体实施场景进行设置。由于胃部的胃壁可能较薄,故需在待分析像素点或者特征像素点周围较小范围内进行特征分析,排除血管和其他脏器等噪声干扰。
由于淋巴组织在图像中分布较为均匀,所以属于淋巴组织部分的像素点的灰度值较为接近,基于此对窗口内每一个像素点的邻域范围内的灰度值变化进行分析。即根据窗口内像素点与其邻域像素点的灰度值获得窗口内像素点的特征值参数,具体地,对于窗口内任意一个像素点,对该像素点的邻域像素点按照设定顺序进行标号,将像素点的灰度值与邻域像素点的灰度值之间的最大差异对应的邻域像素点的标号,记为窗口内像素点的特征值参数。
在一个以待分析像素点为中心的窗口内,对于任意一个像素点,获取该像素点8邻域内的邻域像素点,其中,像素点的邻域范围实施者可根据具体实施场景进行选择,但是,需要说明的是,对以待分析像素点为中心的窗口内每个像素点的灰度特征分布情况进行分析,像素点的邻域范围需尽量小于或等于窗口的尺寸。进而按照设定顺序对像素点的8邻域内的邻域像素点进行标号,在本实施例中,从任意一个邻域像素点开始,按照顺时针方向对邻域像素点进行标号,即标号分别为1-8。窗口内每个像素点均具有相同的起始邻域位置,例如,将窗口内任意一个像素点正上方的邻域像素点作为起始点,标号为1,按照顺时针方向对其他邻域像素点进行标号,进而窗口内所有像素点正上方的邻域像素点的标号均为1,实施者可根据具体实施场景进行设置。
进一步的,获取像素点与其邻域内的像素点之间的灰度差异,即分别计算像素点的灰度值与其8邻域内的每个邻域像素点的灰度值之间的差值的绝对值,利用灰度值之间的差值的绝对值反映像素点与其邻域像素点之间的灰度差异,表示为,其中,表示窗口内第a个像素点与第i个邻域像素点之间的灰度差异,表示窗口内第a个像素点的灰度值,表示第a个像素点的第i个邻域像素点的灰度值。
获取灰度差异最大值对应的邻域像素点,将该邻域像素点的标号记为窗口内像素点的特征值参数。例如,若像素点与其邻域像素点之间的灰度差异的最大差异为,则将窗口内第a个像素点的第i个邻域像素点的标号,记为窗口内第a个像素点的特征值参数。
窗口内像素点的特征值参数反映了像素点与邻域像素点之间的灰度差异情况,进而通过分析窗口内所有像素点的灰度差异情况,可以获得窗口内所有像素点的灰度变化的整体分布,进而窗口内像素点的整体分布情况反映了待分析像素点包含的淋巴组织部分的特征情况。
基于此,根据窗口内像素点的特征值参数之间的差异以及像素点的灰度值,得到特征像素点或者待分析像素点的淋巴特征值,具体地,对于任意一个特征像素点或者待分析像素点对应的窗口,将窗口内每行像素点的特征值参数构成行特征值序列,将窗口内每列像素点的特征值参数构成列特征值序列。行特征值序列反映了每行像素点的灰度变化情况,列特征值序列反映了每列像素点的灰度变化情况。
分别计算任意两个行特征值序列之间的差异距离,将所有任意两个行特征值序列之间的差异距离的均值记为第一特征均值;分别计算任意两个列特征值序列之间的差异距离,将所有任意两个列特征值序列之间的差异距离的均值记为第二特征均值。其中,所述差异距离为DTW距离,将任意两个行特征值序列之间的DTW距离作为对应两个行特征值序列之间的差异距离,将任意两个列特征值序列之间的DTW距离作为对应两个列特征值序列的差异距离。
第一特征均值反映了窗口内像素点的灰度变化情况在纵向上的差异情况,第二特征均值反映了窗口内像素点的灰度变化情况在横向上的差异情况。当像素点所在位置属于淋巴组织部分时,淋巴组织部分呈现在胃部CT图像的灰度图像中较为清晰,不会呈现出较为模糊时的方向一致性,因此,窗口内各个像素点的灰度变化情况应当不存在较为明显的一致性,故窗口内像素点的特征值参数在纵向上的差异情况和在横向上的差异情况均较大,即第一特征均值和第二特征均值应当较大。
同时,当像素点所在位置属于淋巴组织部分时,淋巴组织部分呈现在胃部CT图像的灰度图像中具有较为均匀的特征,故属于淋巴组织部分的像素点的灰度值之间的差异较小。
基于此,计算第一特征均值与第二特征均值之间的和值;将窗口内所有像素点的灰度值的均值记为灰度均值,计算窗口内每个像素点的灰度值与灰度均值之间的差值的绝对值,对所述差值的绝对值进行累加,以所述和值与累加获得的累加值之间的比值作为特征像素点或者待分析像素点的淋巴特征值。
所述待分析像素点的淋巴特征值用公式表示为:
其中,表示待分析像素点x的淋巴特征值,表示以待分析像素点x为中心的窗口对应的第一特征均值,表示以待分析像素点x为中心的窗口对应的第二特征均值,表示以待分析像素点x为中心的窗口内第a个像素点的灰度值,表示以待分析像素点x为中心的窗口内所有像素点的灰度值均值,即为灰度均值,表示以待分析像素点x为中心的窗口内包含的像素点总数量。
和反映了在待分析像素点x对应的窗口内像素点的灰度变化情况在纵向和横向上的差异情况,若两者的取值均较大,说明待分析像素点x对应的窗口内像素点所在位置处较为清晰,不存在震动导致的模糊情况,对应的淋巴特征值越大,说明待分析像素点x越可能属于淋巴组织部分的像素点。
表示窗口内像素点的灰度值与窗口内整体的灰度均值之间的差异,该差异越小,说明待分析像素点x对应的窗口内像素点之间的灰度差异越小,进而说明待分析像素点x对应的窗口内像素点所在位置处组织分布较为均匀,对应的淋巴特征值越大,说明待分析像素点x越可能属于淋巴组织部分的像素点。
按照同样的计算方法可以获得每个待分析像素点和每个特征像素点的淋巴特征值,淋巴特征值表征了待分析像素点或者特征像素点属于淋巴组织部分的像素点的可能性大小。淋巴特征值的取值越大,对应的待分析像素点或者特征像素点属于淋巴组织部分的可能性越大。淋巴特征值的取值越小,对应的待分析像素点或者特征像素点属于淋巴组织部分的可能性越小。
同时,淋巴特征值反映了待分析像素点或者特征像素点周围淋巴组织分布的清晰程度和均匀性,所处位置为淋巴组织部分的待分析像素点或者特征像素点,在具有较为均匀的组织的同时保持一定的清晰度。因此,结合两方面的特征,避免对待分析像素点进行分割时产生误判的情况。
需要说明的是,由于淋巴组织部分边缘较为复杂,存在血管和其他脏器的干扰,对淋巴组织部分进行边缘分析时获取像素点的梯度方向表征像素点的灰度变化情况较不准确。同时,胃壁的淋巴组织部分在正常情况下分布较薄。因此,本发明实施例中,分析每个待分析像素点或者特征像素点对应的窗口内像素点邻域灰度差异,利用窗口内像素点的特征值参数,表征窗口内像素点的灰度变化情况,能够较为准确的反映淋巴组织部分像素点的分布特征。
步骤三,根据特征像素点的淋巴特征值和待分析像素点的淋巴特征值得到特征像素点与待分析像素点之间的关联程度;根据关联程度确定待分析像素点的淋巴置信度;将淋巴置信度作为修正系数对待分析像素点进行分割得到胃部区域。
由于淋巴组织不是由完全均质的结构组成,所以在淋巴组织部分不同位置处的像素点对应的淋巴特征值仍存在不同,但是同为淋巴组织部分的各不同位置处的像素点的淋巴特征值差异较小。特征像素点表征为淋巴组织部分的像素点,故特征像素点的淋巴特征值的取值较大,进而若待分析像素点的淋巴特征值与属于淋巴组织部分的像素点的淋巴特征值之间较为接近,则待分析像素点就越可能属于淋巴组织部分。
基于此,根据特征像素点的淋巴特征值和待分析像素点的淋巴特征值得到特征像素点与待分析像素点之间的关联程度。具体地,对于任意一个特征像素点和任意一个待分析像素点,将两者的淋巴特征值的较小值与两者的淋巴特征值的较大值之间的比值作为所述关联程度。关联程度的取值越大,说明待分析像素点的淋巴特征值与特征像素点的淋巴特征值之间的相似度越大,进而说明待分析像素点越可能属于淋巴组织部分。
将待分析像素点与每个特征像素点对应的淋巴特征值分别进行比较,根据比较结果获取待分析像素点的置信程度,即根据关联程度确定待分析像素点的淋巴置信度。具体地,对于任意一个待分析像素点,分别计算待分析像素点与每个特征像素点对应的关联程度,将所有关联程度的中位数的归一化值记为待分析像素点的淋巴置信度。中位数是以关联程度在所有标志值中所处的位置确定的全体单位标志值的代表值,不受分布数列的极大值或极小值影响,体现了待分析像素点与特征像素点对应的淋巴特征值的总体相似度。
待分析像素点的淋巴置信度表征了待分析像素点是淋巴组织对应区域内的像素点的可能性,当待分析像素点与各个特征像素点越相似时,待分析像素点与各个特征像素点对应的淋巴特征值之间的相似度越大,待分析像素点对应的淋巴指定度越大。
最后,利用现有的Niblack算法对胃部CT进行分割时,修正系数的取值较小时,判断像素点是否为胃部对应位置的阈值就越偏低,像素点被划分为不属于胃部对应区域内像素点的概率就会变大。但是由于该算法采用固定的常数作为修正系数,图像分割结果受固定的参数影响较大,使得利用该方法对胃部CT图像进行胃部分割的结果并不准确。
因此,本发明实施例,将淋巴置信度作为Niblack算法进行自适应阈值分割时对应的修正系数。待分析像素点的淋巴置信度越大,该待分析像素点对应的修正系数取值越大,判断该待分析像素点是否为胃部对应位置的阈值就偏高,进而将该待分析系像素点划分为属于胃部对应区域内像素点的概率变大。待分析像素点的淋巴置信度越小,该待分析像素点对应的修正系数取值越小,判断该待分析像素点是否为胃部对应位置的阈值就偏低,进而将该待分析像素点划分为不属于胃部对应区域内像素点的概率变大。
将淋巴置信度作为Niblack算法进行自适应阈值分割时对应的修正系数,以修正系数确定分割阈值,对待分析像素点进行分割得到胃部区域,使更可能为淋巴的像素点在自适应分割时分割为淋巴的可能性更大,进而完成对胃部CT图像的分割,使得胃部分割结果更加准确。
其中,需要说明的是,利用Niblack算法的修正系数确定分割阈值,进而对图像进行分割为公知技术,在此不再过多介绍。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (7)
1.一种基于多阈值分割的胃部CT影像分割方法,其特征在于,该方法包括以下步骤:
获取胃部CT图像的灰度图像,对灰度图像进行分割得到胃部非淋巴组织区域;根据胃部非淋巴组织区域的边缘像素点采集区域周围的特征像素点;将除胃部非淋巴组织区域和特征像素点之外的其他像素点记为待分析像素点;
以特征像素点或者待分析像素点为中心构建设定尺寸的窗口,根据窗口内像素点与其邻域像素点的灰度值获得像素点的特征值参数;根据窗口内像素点的特征值参数之间的差异以及像素点的灰度值,得到特征像素点或者待分析像素点的淋巴特征值;
根据特征像素点的淋巴特征值和待分析像素点的淋巴特征值得到特征像素点与待分析像素点之间的关联程度;根据关联程度确定待分析像素点的淋巴置信度;将淋巴置信度作为修正系数对待分析像素点进行分割得到胃部区域。
2.根据权利要求1所述的一种基于多阈值分割的胃部CT影像分割方法,其特征在于,所述淋巴特征值的获取方法具体为:
对于任意一个特征像素点或者待分析像素点对应的窗口,将窗口内每行像素点的特征值参数构成行特征值序列,将窗口内每列像素点的特征值参数构成列特征值序列;
分别计算任意两个行特征值序列之间的差异距离,将所有任意两个行特征值序列之间的差异距离的均值记为第一特征均值;分别计算任意两个列特征值序列之间的差异距离,将所有任意两个列特征值序列之间的差异距离的均值记为第二特征均值;计算第一特征均值与第二特征均值之间的和值;
将窗口内所有像素点的灰度值的均值记为灰度均值,计算窗口内每个像素点的灰度值与灰度均值之间的差值的绝对值,对所述差值的绝对值进行累加,以所述和值与累加获得的累加值之间的比值作为特征像素点或者待分析像素点的淋巴特征值。
3.根据权利要求1所述的一种基于多阈值分割的胃部CT影像分割方法,其特征在于,所述像素点的特征值参数的获取方法具体为:
对于窗口内任意一个像素点,对该像素点的邻域像素点按照设定顺序进行标号,将像素点的灰度值与邻域像素点的灰度值之间的最大差异对应的邻域像素点的标号,记为窗口内像素点的特征值参数。
4.根据权利要求1所述的一种基于多阈值分割的胃部CT影像分割方法,其特征在于,所述根据胃部非淋巴组织区域的边缘像素点采集区域周围的特征像素点具体为:
获取胃部非淋巴组织区域的质心,分别在质心到胃部非淋巴组织区域的每个边缘像素点的连线的延长线上靠近边缘像素点的一侧获取设定数量的像素点,记为特征像素点。
5.根据权利要求1所述的一种基于多阈值分割的胃部CT影像分割方法,其特征在于,所述根据特征像素点的淋巴特征值和待分析像素点的淋巴特征值得到特征像素点与待分析像素点之间的关联程度具体为:
对于任意一个特征像素点和任意一个待分析像素点,将两者的淋巴特征值的较小值与两者的淋巴特征值的较大值之间的比值作为所述关联程度。
6.根据权利要求1所述的一种基于多阈值分割的胃部CT影像分割方法,其特征在于,所述根据关联程度确定待分析像素点的淋巴置信度具体为:
对于任意一个待分析像素点,将待分析像素点与所有特征像素点对应的关联程度的中位数的归一化值记为待分析像素点的淋巴置信度。
7.根据权利要求2所述的一种基于多阈值分割的胃部CT影像分割方法,其特征在于,所述差异距离为DTW距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310347609.5A CN116109663B (zh) | 2023-04-04 | 2023-04-04 | 基于多阈值分割的胃部ct影像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310347609.5A CN116109663B (zh) | 2023-04-04 | 2023-04-04 | 基于多阈值分割的胃部ct影像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116109663A true CN116109663A (zh) | 2023-05-12 |
CN116109663B CN116109663B (zh) | 2023-06-23 |
Family
ID=86254654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310347609.5A Active CN116109663B (zh) | 2023-04-04 | 2023-04-04 | 基于多阈值分割的胃部ct影像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109663B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309599A (zh) * | 2023-05-24 | 2023-06-23 | 青岛国源中创电气自动化工程有限公司 | 基于污水前置处理的水质视觉监测方法 |
CN116402816A (zh) * | 2023-06-08 | 2023-07-07 | 中国人民解放军海军青岛特勤疗养中心 | 一种体检ct影像数据的管理方法及系统 |
CN116542883A (zh) * | 2023-07-07 | 2023-08-04 | 四川大学华西医院 | 一种磁控胶囊胃镜影像病灶粘膜增强系统 |
CN116824168A (zh) * | 2023-08-29 | 2023-09-29 | 青岛市中医医院(青岛市海慈医院、青岛市康复医学研究所) | 基于图像处理的耳部ct特征提取方法 |
CN117252893A (zh) * | 2023-11-17 | 2023-12-19 | 科普云医疗软件(深圳)有限公司 | 一种乳腺癌病理图像的分割处理方法 |
CN117474822A (zh) * | 2023-12-27 | 2024-01-30 | 江南大学附属医院 | 一种心血管外科影像智能增强方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1085456A2 (en) * | 1999-09-15 | 2001-03-21 | Siemens Corporate Research, Inc. | Character segmentation method for vehicle license plate recognition |
CN1897034A (zh) * | 2006-06-07 | 2007-01-17 | 华中科技大学 | 一种在数字减影血管造影图像中分割血管数据的方法 |
US20140313349A1 (en) * | 2013-04-22 | 2014-10-23 | Fujitsu Limited | Image processing device and image processing method |
CN111161300A (zh) * | 2019-12-05 | 2020-05-15 | 西安工程大学 | 一种基于改进大津法的Nilback的图像分割方法 |
CN114743000A (zh) * | 2022-03-28 | 2022-07-12 | 嘉兴职业技术学院 | 基于Unet的多任务气胸医学图像语义分割模型系统及其方法 |
-
2023
- 2023-04-04 CN CN202310347609.5A patent/CN116109663B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1085456A2 (en) * | 1999-09-15 | 2001-03-21 | Siemens Corporate Research, Inc. | Character segmentation method for vehicle license plate recognition |
CN1897034A (zh) * | 2006-06-07 | 2007-01-17 | 华中科技大学 | 一种在数字减影血管造影图像中分割血管数据的方法 |
US20140313349A1 (en) * | 2013-04-22 | 2014-10-23 | Fujitsu Limited | Image processing device and image processing method |
CN111161300A (zh) * | 2019-12-05 | 2020-05-15 | 西安工程大学 | 一种基于改进大津法的Nilback的图像分割方法 |
CN114743000A (zh) * | 2022-03-28 | 2022-07-12 | 嘉兴职业技术学院 | 基于Unet的多任务气胸医学图像语义分割模型系统及其方法 |
Non-Patent Citations (3)
Title |
---|
GEETHU VIJAYAN ET AL: "A novel shadow removal algorithm using Niblack segmentation in satellite images", 《2016 INTERNATIONAL CONFERENCE ON COMMUNICATION SYSTEMS AND NETWORKS (COMNET)》, pages 184 - 189 * |
何晓栋: "手指静脉图像的分割与细化算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2019, no. 09, pages 138 - 102 * |
王丽丽 等: "基于Niblack自适应修正系数的温室成熟番茄目标提取方法", 《农业工程学报》, vol. 33, no. 1, pages 322 - 327 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309599A (zh) * | 2023-05-24 | 2023-06-23 | 青岛国源中创电气自动化工程有限公司 | 基于污水前置处理的水质视觉监测方法 |
CN116309599B (zh) * | 2023-05-24 | 2023-08-15 | 青岛国源中创电气自动化工程有限公司 | 基于污水前置处理的水质视觉监测方法 |
CN116402816A (zh) * | 2023-06-08 | 2023-07-07 | 中国人民解放军海军青岛特勤疗养中心 | 一种体检ct影像数据的管理方法及系统 |
CN116402816B (zh) * | 2023-06-08 | 2023-08-15 | 中国人民解放军海军青岛特勤疗养中心 | 一种体检ct影像数据的管理方法及系统 |
CN116542883A (zh) * | 2023-07-07 | 2023-08-04 | 四川大学华西医院 | 一种磁控胶囊胃镜影像病灶粘膜增强系统 |
CN116542883B (zh) * | 2023-07-07 | 2023-09-05 | 四川大学华西医院 | 一种磁控胶囊胃镜影像病灶粘膜增强系统 |
CN116824168A (zh) * | 2023-08-29 | 2023-09-29 | 青岛市中医医院(青岛市海慈医院、青岛市康复医学研究所) | 基于图像处理的耳部ct特征提取方法 |
CN116824168B (zh) * | 2023-08-29 | 2023-11-21 | 青岛市中医医院(青岛市海慈医院、青岛市康复医学研究所) | 基于图像处理的耳部ct特征提取方法 |
CN117252893A (zh) * | 2023-11-17 | 2023-12-19 | 科普云医疗软件(深圳)有限公司 | 一种乳腺癌病理图像的分割处理方法 |
CN117252893B (zh) * | 2023-11-17 | 2024-02-23 | 科普云医疗软件(深圳)有限公司 | 一种乳腺癌病理图像的分割处理方法 |
CN117474822A (zh) * | 2023-12-27 | 2024-01-30 | 江南大学附属医院 | 一种心血管外科影像智能增强方法 |
CN117474822B (zh) * | 2023-12-27 | 2024-03-08 | 江南大学附属医院 | 一种心血管外科影像智能增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116109663B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116109663B (zh) | 基于多阈值分割的胃部ct影像分割方法 | |
CN110448335B (zh) | 一种基于超声图像的胎儿头围全自动测量方法和装置 | |
CN109816655B (zh) | 基于ct图像的肺结节图像特征检测方法 | |
CN115359052B (zh) | 基于聚类算法的医疗影像增强方法 | |
CN109886982B (zh) | 一种血管图像分割方法、装置及计算机存储设备 | |
WO2011066689A1 (en) | Method and device for detecting bright brain regions from computed tomography images | |
CN115311309A (zh) | 一种用于核磁共振图像的病灶识别提取方法与系统 | |
CN111145185B (zh) | 一种基于聚类关键帧提取ct图像的肺实质分割方法 | |
CN116152505A (zh) | 基于x光数据的骨骼目标识别分割方法 | |
CN116071355A (zh) | 一种用于外周血管影像的辅助分割系统及方法 | |
CN117474823B (zh) | 一种儿科感染性炎症检测辅助用ct数据处理系统 | |
CN111932495B (zh) | 一种医学图像检测方法、装置及存储介质 | |
CN109948622B (zh) | 一种头颈体动脉瘤检测方法、装置及计算机可读存储介质 | |
CN116485814A (zh) | 一种基于ct影像的颅内血肿区域分割方法 | |
CN112396565A (zh) | 静脉穿刺机器人的图像及视频血管增强与分割方法和系统 | |
CN114972272A (zh) | 一种基于Grad-CAM的新冠肺炎病灶分割方法 | |
CN112712540B (zh) | 一种基于ct影像的肺部支气管提取方法 | |
CN111091578B (zh) | 一种针对血管医学影像的分割方法 | |
CN113012127A (zh) | 基于胸部医学影像的心胸比测量方法 | |
CN113112473B (zh) | 一种人体扩张型心肌病的自动诊断系统 | |
CN112037217B (zh) | 一种基于荧光成像的术中血流成像方法 | |
CN115222651A (zh) | 一种基于改进Mask R-CNN的肺结节检测系统 | |
CN114155205A (zh) | 一种乳腺结节边界清晰度判定装置 | |
CN113940702A (zh) | 一种甲状腺结节回声分析装置 | |
CN117745751B (zh) | 一种基于特征提取的肺结核ct图像分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |