CN116128774A - 一种胃部螺旋ct数据增强处理方法 - Google Patents
一种胃部螺旋ct数据增强处理方法 Download PDFInfo
- Publication number
- CN116128774A CN116128774A CN202310401099.5A CN202310401099A CN116128774A CN 116128774 A CN116128774 A CN 116128774A CN 202310401099 A CN202310401099 A CN 202310401099A CN 116128774 A CN116128774 A CN 116128774A
- Authority
- CN
- China
- Prior art keywords
- image
- spiral
- gastric
- preset size
- stomach
- 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
- 210000002784 stomach Anatomy 0.000 title claims abstract description 95
- 238000003672 processing method Methods 0.000 title abstract description 7
- 230000002496 gastric effect Effects 0.000 claims abstract description 114
- 230000000694 effects Effects 0.000 claims abstract description 68
- 230000002708 enhancing effect Effects 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 28
- 238000003776 cleavage reaction Methods 0.000 claims description 14
- 230000007017 scission Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 description 8
- 230000003014 reinforcing effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 206010000269 abscess Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 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
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- 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
- G06T2207/30092—Stomach; Gastric
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种胃部螺旋CT数据增强处理方法,所述方法包括:获取胃部螺旋CT图像,设置多个预设尺寸,获取多个预设尺寸的增强后胃部螺旋CT图像,设置多组高低阈值,计算每组高低阈值下的每个预设尺寸的割裂程度,计算每组高低阈值下的每个预设尺寸的对比度增强程度,根据所述割裂程度和对比度增强程度得到每个预设尺寸下的优选对比度增强程度,根据所述优选对比度增强程度和割裂程度得到每个预设尺寸的增强后胃部螺旋CT图像的增强效果;根据所述增强效果得到优选分块尺寸,根据优选分块尺寸得到最佳增强后胃部螺旋CT图像,从而实现通过设置合适的分块尺寸来提高胃部螺旋CT图像的增强效果。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种胃部螺旋CT数据增强处理方法。
背景技术
计算机断层扫描(Computed Tomography,CT)作为一种医学成像技术,它广泛应用于医学诊断,是最常用的医学图像之一,对医生分析生物器官的病理变化具有重要的应用价值。然而,其固有的低对比度往往使放射科医师对肺、肝脏等生物实质的 CT 图像的判断不准确。由于 CT 图像的纹理复杂,灰度差异低,对于一些早期的局部病理改变,如癌变、脓肿等,灰度水平的变化太小,难以注意,即使一些有经验的医生也未必会做出正确的诊断。通过提高相关医疗设备的硬件性能、增加扫描电磁波的强度或者增加检查时长等方式增强CT 图像清晰度不仅会增加高额的设备投入成本,还将会给病人带来各种不便。考虑到以上几点,通过图像增强技术来改变医学CT图像质量,改善图像的视觉效果对提高医生或计算机的诊断准确率有积极意义。
经典的 CLAHE 算法对于待处理的图像划分子块并无固定的标准。然而,在实际应用中,待处理的图像的尺寸、对比度和清晰度并不统一,所以对于不同的图像,需要根据图像的实际情况和增强需求进行子块划分。在实际的图像增强应用中,常需要批量对不同的图像同时处理,这些图像的原始分辨率、对比度和图像质量存在差异,为了达到更好的图像增强效果,必须根据实际问题中不同图像的情况决定其子块的划分原则。
发明内容
为了解决上述技术问题,本发明提供一种胃部螺旋CT数据增强处理方法,所述方法包括:
获取胃部螺旋CT图像;
设置第一预设尺寸,根据第一预设尺寸和胃部螺旋CT图像进行均衡化处理得到第一预设尺寸的增强后胃部螺旋CT图像;
计算第一预设尺寸的增强后胃部螺旋CT图像的增强效果;
其中,所述增强效果的获取为:设置多组高低阈值,获取每组高低阈值下的第一预设尺寸的增强后胃部螺旋CT图像、胃部螺旋CT图像中多条边缘线和各边缘像素的斜率变化;基于所述的多条边缘线和斜率变化得到割裂程度;进而获取所有组高低阈值对应的割裂程度中的最大值和最小值的差值,作为第一预设尺寸的噪声干扰程度;
根据所有高低阈值下的增强后胃部螺旋CT图像、胃部螺旋CT图像中的边缘像素得到对比度增强程度;
根据所述噪声干扰程度和对比度增强程度得到优选对比度增强程度,根据所述优选对比度增强程度和所有组高低阈值对应的割裂程度得到增强效果;
将所述增强效果与预设增强效果阈值比较,当所述增强效果大于预设增效果阈值时,将第一预设尺寸作为优选分块尺寸;当所述增强效果小于等于预设增强效果阈值时,改变第一预设尺寸的大小,直至得到优选分块尺寸;
获取优选分块尺寸对应的增强后胃部螺旋CT图像作为最佳增强后胃部螺旋CT图像。
优选的,所述第一预设尺寸的增强后胃部螺旋CT图像的获取方法骤为:
将胃部CT图像均匀分割成长宽均为第一预设尺寸的图像块,得到多个图像块;基于CLAHE算法,对每个图像块进行直方图均衡化处理得到每个增强后图像块,通过线性差值的方式将所有增强后图像块组合在一起得到增强后胃部CT图像,记为第一预设尺寸的增强后胃部螺旋CT图像。
优选的,获取每组高低阈值下的第一预设尺寸的增强后胃部螺旋CT图像、胃部螺旋CT图像中多条边缘线和各边缘像素的斜率变化,包括的具体步骤为:
根据每组高低阈值和边缘检测算法获取每组高低阈值下的胃部螺旋CT图像、第一预设尺寸的增强后胃部螺旋CT图像的边缘;
获取每组高低阈值下的胃部螺旋CT图像中的多条边缘线,包括:获取每组高低阈值下的胃部螺旋CT图像中各边缘像素的梯度方向角度,利用DBSCAN聚类方法,基于各边缘像素的梯度方向角度,对每组高低阈值下的胃部螺旋CT图像中的边缘像素进行聚类处理得到胃部螺旋CT图像的多条边缘线;
获取每组高低阈值下的第一预设尺寸的增强后胃部螺旋CT图像的多条边缘线;
获取每组高低阈值下的胃部螺旋CT图像中各边缘像素的斜率变化:获取每组高低阈值下的胃部螺旋CT图像中各边缘像素的斜率值,获取各边缘像素与同边缘线上邻接像素,记为各边缘像素的第一邻接像素和第二邻接像素,将各边缘像素与第一邻接像素的斜率值的差值的绝对值记为各边缘像素与第一邻接像素的斜率变化,获取各边缘像素与第二邻接像素的斜率变换,将各边缘像素与第一邻接像素、第二邻接像素的斜率变化均值作为每组高低阈值下的胃部螺旋CT图像中各边缘像素的斜率变化;
获取每组高低阈值下的第一预设尺寸的增强后胃部螺旋CT图像中各边缘像素的斜率变化。
优选的,基于所述的多条边缘线和斜率变化得到割裂程度为:
其中,m表示每个高低阈值下的第一预设尺寸的增强后胃部CT图像中包含的边缘线数量,n表示每个高低阈值下的胃部CT图像中包含的边缘线数量,表示每个高低阈值下的第一预设尺寸的增强后胃部螺旋CT图像中第i个边缘线的长度,表示每个高低阈值下的第一预设尺寸的增强后胃部螺旋CT图像中第i个边缘线的第u个边缘像素点的斜率变化,表示每个高低阈值下的胃部螺旋CT图像中第i个边缘线的长度,表示每个高低阈值下的胃部螺旋CT图像中第j个边缘线的第v个像素点的斜率变化,表示每个高低阈值下的第一预设尺寸的割裂程度。
优选的,所述对比度增强程度计算公式为:
其中,表示第z组高低阈值的第一预设尺寸的增强后胃部螺旋CT图像中边缘像素的个数,表示第z组高低阈值的胃部螺旋CT图像中边缘像素的个数,表示设置的高低阈值的组数,表示第一预设尺寸的对比度增强程度。
优选的,所述优选对比度增强程度的具体步骤为:
根据1减去第一预设尺寸的噪声干扰程度后与第一预设尺寸的对比度增强程度相乘得到第一预设尺寸的优选对比度增强程度。
优选的,所述根据所述优选对比度增强程度和所有组高低阈值对应的割裂程度得到增强效果的具体步骤为:
将多组高低阈值下的第一预设尺寸的多个割裂程度的均值作为第一预设尺寸的综合割裂程度;
将第一预设尺寸的优选对比度增强程度和综合割裂程度的商作为第一预设尺寸的增强后胃部螺旋CT图像的增强效果。
优选的,当所述增强效果小于等于预设增强效果阈值时,改变第一预设尺寸的大小,直至得到优选分块尺寸的具体步骤为:
增加第一预设尺寸的大小得到扩增尺寸,得到扩增尺寸的增强后胃部螺旋CT图像,进而得到扩增尺寸的增强后胃部螺旋CT图像的增强效果;直至扩增尺寸的增强后胃部螺旋CT图像的增强效果大于预设增强效果阈值时,得到优选分块尺寸。
本发明实施例至少具有如下有益效果:由于传统的CLAHE算法对胃部螺旋CT图像进行较好的增强处理关键是设置图像块的划分尺寸,因而本实施例利用不同的预设尺寸来对胃部螺旋CT图像进行分块处理得到每个预设尺寸的分块结果,基于每个预设尺寸的分块结果进行增强处理得到每个预设尺寸的增强后胃部螺旋CT图像。由于当分块尺寸设置不合适时,传统CLAHE算法得到增强后螺旋CT图像存在对比度提升不明显且图像块中存在割裂,因而通过分析每个预设尺寸的增强后胃部螺旋CT图像的割裂程度和对比度增强程度来评估预设尺寸的增强后胃部螺旋CT图像的增强效果,根据增强效果来获取优选分块尺寸,将优选分块尺寸对应的增强后胃部螺旋CT图像作为最佳增强后胃部螺旋CT图像,从而提高胃部螺旋CT图像的增强质量。
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为本发明提供的一种胃部螺旋CT数据增强处理方法的流程图。
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胃部螺旋CT数据增强处理方法,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胃部螺旋CT数据增强处理方法的具体方案。
请参阅图1,其示出了本发明的一个实施例提供的一种胃部螺旋CT数据增强处理方法的步骤流程图,该方法包括以下步骤:
步骤S001,获取胃部螺旋CT图像。
采集胃部螺旋CT图像:使用现有医用拍摄胃部CT图像设备获取胃部螺旋CT图像。
图像预处理:利用高斯滤波算法对胃部螺旋CT图像进行处理得到去噪后的胃部螺旋CT图像,从而去除胃部螺旋CT图像的噪声干扰,防止影响后续的分析处理。
为了便于描述,后续将去噪后的胃部螺旋CT图像称为胃部螺旋CT图像。
步骤S002,根据胃部螺旋CT图像得到第一预设尺寸的增强后胃部螺旋CT图像,获取第一预设尺寸的综合割裂程度,获取第一预设尺寸的优选对比度增强程度,根据优选对比度增强程度和综合割裂程度得到第一预设尺寸的增强后胃部螺旋CT图像的增强效果。
关于CLAHE算法,影响图像增强效果的关键是图像块的划分,当划分的图像块尺寸不合适时,会导致图像块之间存在割裂严重和增强效果不足等现象,因而需选取一个合适的分块尺寸才能保障螺旋CT图像的增强效果,下面基于获取优选分块尺寸来进行研究。
1、获取第一预设分块尺寸的增强后胃部螺旋CT图像:
设置第一预设尺寸为g,本实施例中g取5,其他实施例中实施者可根据实际设置。将胃部CT图像均匀分割成长宽均为第一预设尺寸的图像块,得到多个图像块,需要说明的是进行图像块划分时,先尽可能多的划分出满足第一预设尺寸的图像块,当剩余的不满足第一预设尺寸的图像区域作为一个图像块,基于CLAHE算法,对每个图像块进行直方图均衡化处理得到每个增强后图像块,通过线性差值的方式将所有增强后图像块组合在一起得到增强后胃部CT图像,将第一预设尺寸对应的增强后胃部螺旋CT图像称为第一预设尺寸的增强后胃部螺旋CT图像。
2、获取第一预设尺寸的割裂程度:
使用CLAHE算法对图像进行增强的过程中,先将图像划分成多个图像块,然后对每个图像块进行直方图均衡化得到增强后图像块,随后将每个增强后图像块使用线性差值的方法进行重新组合,但是由于每个图像块的增强程度不一,就会导致各增强后图像块之间存在割裂,故为了判定第一预设尺寸的增强后胃部螺旋CT图像的增强效果,需先判断第一预设尺寸的增强后胃部螺旋CT图像的割裂程度,具体如下:
(1)获取胃部螺旋CT图像的边缘和第一预设尺寸的增强后胃部螺旋CT图像的边缘:
利用canny算法分别对胃部螺旋CT图像和第一预设尺寸的增强后胃部螺旋CT图像进行处理得到胃部螺旋CT图像的边缘和第一预设尺寸的增强后胃部螺旋CT图像的边缘,需要说明的是此处canny算法中设置的高低阈值为(100,80)。
(2)获取第一预设尺寸的割裂程度:
获取胃部螺旋CT图像和第一预设尺寸的增强后胃部螺旋CT图像中各边缘像素的梯度方向角度;利用DBSCAN聚类方法,基于各边缘像素的梯度角度,对胃部螺旋CT图像中的所有边缘像素进行聚类处理得到多个边缘线,同理得到第一预设尺寸的增强后胃部螺旋CT图像的多个边缘线。
对于胃部螺旋CT图像的边缘,获取各边缘像素的斜率值,获取各边缘像素与同边缘线上邻接的两个边缘像素,记为各边缘像素的第一邻接像素和第二邻接像素,将各边缘像素与第一邻接像素的斜率差值绝对值记为各边缘像素与第一邻接像素的斜率变化,同理得到各边缘像素与第二邻接像素的斜率变换,将各边缘像素与第一邻接像素、第二邻接像素的斜率变化均值作为各边缘像素的斜率变化。同理得到第一预设尺寸的增强后胃部螺旋CT图像中各边缘像素的斜率变化。
根据胃部螺旋CT图像、第一预设尺寸的增强后胃部螺旋CT图像中各边缘像素的斜率变化得到第一预设尺寸的割裂程度:
其中,m表示第一预设尺寸的增强后胃部CT图像中包含的边缘线数量,n表示胃部CT图像中包含的边缘线数量,表示第一预设尺寸的增强后胃部螺旋CT图像中第i个边缘线的长度,表示第一预设尺寸的增强后胃部螺旋CT图像中第i个边缘线的第u个边缘像素点的斜率变化,该值越大说明该边缘像素处的平滑性越差,因而该边缘像素处的割裂越严重,反映了第一预设尺寸的增强后胃部螺旋CT图像中第i个边缘线的整体斜率变化,该值越大说明该边缘线的平滑性越差,因而该边缘线割裂程度越大,反映了第一预设尺寸的增强后胃部螺旋CT图像中所有边缘线的斜率变化,该值越大说明该图像的所有边缘线的平滑性越差,因而该图像中的边缘线的割裂程度越大,表示胃部螺旋CT图像中第i个边缘线的长度,表示胃部螺旋CT图像中第j个边缘线的第v个像素点的斜率变化,则表示胃部螺旋CT图像中第j个边缘线的斜率变化,该值越大说明该边缘线越不平滑,该边缘线的割裂性越大,表示胃部螺旋CT图像中所有边缘线的平均斜率变化,该值越大说明该图像的所有边缘线的平滑性越差,该图像的割裂程度越大。就表示基于第一预设尺寸的增强后胃部CT图像与胃部螺旋CT图像的斜率变化差异,该值越大说明第一预设尺寸的增强后胃部螺旋CT图像相较于胃部螺旋CT图像的平滑性变差,即基于第一预设尺寸得到增强图像相较于原图像的割裂程度变大,表示第一预设尺寸的增强后胃部螺旋CT图像的割裂程度,简记为第一预设尺寸的割裂程度。
3、获取第一预设尺寸的对比度增强程度:
为了综合评定基于第一预设尺寸得到的增强图像的增强效果,防止由于canny算法中自设定参数设置不准确导致得到的边缘不准确,因而需设置多个自设定参数来提取图像中的边缘,综合分析所有自设定参数得到边缘情况来评定增强后胃部螺旋CT图像的对比度增强程度。
本实施例中设置Z组高低阈值(100,20)、(100,40)、(80,60)、(100,80)、(200,100),其他实施中可根据实际设置,其中第一组高低阈值(100,20)中100表示高阈值,20表示低阈值,第二组高低阈值(100,40)中100表示高阈值,40表示低阈值,第三组高低阈值(80,60)中80表示高阈值,60表示低阈值,第四组高低阈值(100,80)中100表示高阈值,80表示低阈值,第五组高低阈值(200,100)中200表示高阈值,100表示低阈值。
利用每组高低阈值设置canny算法中高低阈值,利用每组高低阈值对应的canny算法对第一预设尺寸的增强后胃部螺旋CT图像和胃部螺旋CT图像进行处理得到每组高低阈值对应的第一预设尺寸的增强后胃部螺旋CT图像的边缘和胃部螺旋CT图像的边缘。
根据每组高低阈值对应的第一预设尺寸的增强后胃部螺旋CT图像的边缘和胃部螺旋CT图像的边缘得到第一预设尺寸的对比度增强程度:
其中,表示第z组高低阈值对应的第一预设尺寸的增强后胃部螺旋CT图像中边缘像素的个数,该值越大说明基于第一预设尺寸得到增强后图像中包含的边缘纹理越多,因而基于第一预设尺寸进行增强得到增强图像的对比度越大,表示第z组高低阈值对应的胃部螺旋CT图像中边缘像素的个数,该值越大说明胃部螺旋CT图像中边缘纹理越多,反映了增强前后图像的边缘纹理变化情况,该值越大说明基于第一预设尺寸得到的增强后图像相较于原图像的边缘纹理增强较多,因而基于第一预设尺寸得到的增强后图像的对比度提升较大,增强效果越好,表示设置的高低阈值的组数,表示第一预设尺寸的增强后胃部螺旋CT图像的对比度增强程度,简记为第一预设尺寸的对比度增强程度。
进一步地,考虑到使用CLAHE算法对图像进行增强时,不仅增强了边缘纹理,还增强图像的噪声,而这些噪声在某些高低阈值下会被当成边缘而被检测出来,导致上述步骤S002中的第3个子步骤获得的对比度增强程度并不一定表示纹理增强前后的对比情况,也有可能包含了噪声的对比度增强情况,因此为了进一步排除增强过程中噪声对上述对比度增强程度计算过程的影响,本实施例进行如下操作:
首先需要说明的是:上述子步骤2中,在给定高低阈值(100,80)的基础上,通过第一预设尺寸的增强后胃部螺旋CT图像的边缘和胃部螺旋CT图像的边缘得到了第一预设尺寸的增强后胃部螺旋CT图像的割裂程度。当使用其他的高低阈值时,可以获得其他的多个不同的割裂程度。
那么同理,对于上述的Z组高低阈值,根据每组高低阈值对应的第一预设尺寸的增强后胃部螺旋CT图像的边缘和胃部螺旋CT图像的边缘获得每组高低阈值对应的第一预设尺寸的割裂程度。因此,第一预设尺寸的割裂程度共获得Z个,对这Z个割裂程度进行线性归一化处理后再获得这Z个割裂程度中的最大值与最小值的差值,记为第一预设尺寸的噪声干扰程度。
噪声干扰程度越大,说明在不同的边缘检测阈值下,同一预设尺寸的割裂程度具有较大的差异,由于割裂程度表征的是边缘平滑性的变化情况,因此噪声干扰程度越大,说明同一预设尺寸下不同高低阈值导致边缘平滑变化情况出现较大的差异,说明第一预设尺寸下对图像增强后,出现更多或更明显的噪声,导致某些高低阈值下噪声也被识别成边缘,进而导致不同高低阈值下去增强前后的图像上边缘平滑性变化较大。噪声干扰程度越小时,则说明同一预设尺寸下不同高低阈值导致边缘平滑变化情况差别不大,即对图像增强后,图像没有或很少存在噪声被识别成边缘的情况,不会令同一预设尺寸下不同高低阈值导致边缘平滑变化有太大差别。
需要说明的是,理想情况下,增强后只会让纹理边缘变明显,这种情况下,无论使用任何高低阈值获得的平滑性变化情况,即割裂程度是不会发生变化的。
至此,通过噪声干扰程度来表示利用第一预设尺寸进行增强后噪声干扰的强弱。本实施例根据噪声干扰程度重新计算上述的对比度增强程度,具体方法为:将第一预设尺寸的噪声干扰程度记为a,将第一预设尺寸的对比度增强程度乘以(1-a),获得的结果记为第一预设尺寸的优选对比度增强程度,即第一预设尺寸的噪声干扰程度越大,获得的优选对比度增强程度越小,这样有效防止由于噪声干扰导致第一预设尺寸的对比度增强程度计算不准确的问题。
5、获取第一预设尺寸的增强后胃部螺旋CT图像的增强效果:
获取多组高低阈值对应的第一预设尺寸的多个隔裂程度的均值作为第一预设尺寸的综合割裂程度,将第一预设尺寸的优选对比度增强程度和综合割裂程度的商作为第一预设尺寸的增强后胃部螺旋CT图像的增强效果,该值越大说明基于第一预设尺寸得到的增强后图像的增强效果较好,因而第一预设尺寸为优选分块尺寸的可能性较大。
利用softmax归一化方法对第一预设尺寸的增强后胃部螺旋CT图像的增强效果进行归一化处理得到归一化后的第一预设尺寸的增强后胃部螺旋CT图像的增强效果,为了便于描述,后续将归一化后的第一预设尺寸的增强后胃部螺旋CT图像的增强效果称为第一预设尺寸的增强后胃部螺旋CT图像的增强效果。
至此,得到第一预设尺寸的增强后胃部螺旋CT图像的增强效果,在分析第一预设尺寸的增强后胃部螺旋CT图像的增强效果时,首先获取第一预设尺寸的增强后胃部螺旋CT图像,然后通过分析多个高低阈值下第一预设尺寸的增强后胃部螺旋CT图像的多个边缘图像中的边缘连续性情况得到多个高低阈值下的第一预设尺寸的多个割裂程度,随后考虑增强算法必须解决的提高图像对比度,通过分析多个高低阈值下的第一预设尺寸的增强后胃部螺旋CT图像的多个边缘图像中边缘像素情况得到第一预设尺寸的对比度增强程度,考虑到图像增强会增强噪声信息导致计算的第一预设尺寸的对比度增强程度不准确,利用多个高低阈值的第一预设尺寸的多个割裂程度的差异得到第一预设尺寸的噪声干扰程度,利用第一预设尺寸的噪声干扰程度对对比度增强程度进行修正得到第一预设尺寸的优选对比度增强程度,根据多个割裂程度得到综合割裂程度,结合综合割裂程度和优选对比度增强程度得到第一预设尺寸的增强效果。
步骤S003,设置多个预设尺寸,确定各预设尺寸的增强后胃部螺旋CT图像增强效果,根据图像增强效果得到优选分块尺寸。
为了获取较好的分块尺寸,需分析各种预设尺寸下的增强后胃部螺旋CT图像增强效果,根据增强效果来获取优选分块尺寸,具体如下:
判断第一预设尺寸的增强后胃部螺旋CT图像的增强效果是否大于预设增强效果阈值,当第一预设尺寸的增强后胃部螺旋CT图像的增强效果大于时,将第一预设尺寸作为优选分块尺寸,终止循环,本实施例中取0.8,其他实施例中,实施者可根据实际设置。
当第一预设尺寸的增强后胃部螺旋CT图像的增强效果小于或等于时,将第一预设尺寸g加2得到第二预设尺寸,将胃部CT图像均匀分割成长宽均为第二预设尺寸的图像块,得到分块结果,基于CLAHE算法,根据第二预设尺寸的分块结果得到第二预设尺寸的增强后胃部螺旋CT图像,需要说明的是进行图像块划分时,先尽可能多的划分出满足第二预设尺寸的图像块,当剩余的不满足第二预设尺寸的图像区域作为一个图像块;利用S002中第一预设尺寸的增强后胃部螺旋CT图像的增强效果的计算方法得到第二预设尺寸的增强后胃部螺旋CT图像的增强效果。
判断第二预设尺寸的增强后胃部螺旋CT图像的增强效果是否大于预设增强效果阈值,当第二预设尺寸的增强后胃部螺旋CT图像的增强效果大于时,将第二预设尺寸作为优选分块尺寸,终止循环;否则,将第二预设尺寸加2得到第三预设尺寸,依次类推,直至得到优选分块尺寸。
至此,得到优选分块尺寸,在获取优选分块尺寸时,分析了每个分块尺寸下得到的增强后图像的增强效果,将增强效果满足要求的分块尺寸作为优选分块尺寸。
步骤S004,获取优选分块尺寸的增强后胃部螺旋CT图像作为最佳增强后胃部螺旋CT图像。
获取优选分块尺寸的增强后胃部螺旋CT图像作为最佳增强后胃部螺旋CT图像。将最佳增强后胃部螺旋CT图像显示在医生电脑显示器上,医生通过对最佳增强后胃部螺旋CT图像进行分析来判断病人的具体病灶。
综上所述,本发明实施例提供了一种胃部螺旋CT数据增强处理方法,由于传统的CLAHE算法对胃部螺旋CT图像进行较好的增强处理关键是设置图像块的划分尺寸,因而本实施例利用不同的预设尺寸来对胃部螺旋CT图像进行分块处理得到每个预设尺寸的分块结果,基于每个预设尺寸的分块结果进行增强处理得到每个预设尺寸的增强后胃部螺旋CT图像。由于当分块尺寸设置不合适时,传统CLAHE算法得到增强后螺旋CT图像存在对比度提升不明显且图像块中存在割裂,因而通过分析每个预设尺寸的增强后胃部螺旋CT图像的割裂程度和对比度增强程度来评估预设尺寸的增强后胃部螺旋CT图像的增强效果,根据增强效果来获取优选分块尺寸,将优选分块尺寸对应的增强后胃部螺旋CT图像作为最佳增强后胃部螺旋CT图像,从而提高胃部螺旋CT图像的增强质量。
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。且上述对本说明书特定实施例进行了描述。另外,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。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,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)
1.一种胃部螺旋CT数据增强处理方法,其特征在于,所述方法包括:
获取胃部螺旋CT图像;
设置第一预设尺寸,根据第一预设尺寸和胃部螺旋CT图像进行均衡化处理得到第一预设尺寸的增强后胃部螺旋CT图像;
计算第一预设尺寸的增强后胃部螺旋CT图像的增强效果;
其中,所述增强效果的获取为:设置多组高低阈值,获取每组高低阈值下的第一预设尺寸的增强后胃部螺旋CT图像、胃部螺旋CT图像中多条边缘线和各边缘像素的斜率变化;基于所述的多条边缘线和斜率变化得到割裂程度;进而获取所有组高低阈值对应的割裂程度中的最大值和最小值的差值,作为第一预设尺寸的噪声干扰程度;
根据所有高低阈值下的增强后胃部螺旋CT图像、胃部螺旋CT图像中的边缘像素得到对比度增强程度;
根据所述噪声干扰程度和对比度增强程度得到优选对比度增强程度,根据所述优选对比度增强程度和所有组高低阈值对应的割裂程度得到增强效果;
将所述增强效果与预设增强效果阈值比较,当所述增强效果大于预设增效果阈值时,将第一预设尺寸作为优选分块尺寸;当所述增强效果小于等于预设增强效果阈值时,改变第一预设尺寸的大小,直至得到优选分块尺寸;
获取优选分块尺寸对应的增强后胃部螺旋CT图像作为最佳增强后胃部螺旋CT图像。
2.如权利要求1所述的一种胃部螺旋CT数据增强处理方法,其特征在于,所述第一预设尺寸的增强后胃部螺旋CT图像的获取方法骤为:
将胃部CT图像均匀分割成长宽均为第一预设尺寸的图像块,得到多个图像块;基于CLAHE算法,对每个图像块进行直方图均衡化处理得到每个增强后图像块,通过线性差值的方式将所有增强后图像块组合在一起得到增强后胃部CT图像,记为第一预设尺寸的增强后胃部螺旋CT图像。
3.如权利要求1所述的一种胃部螺旋CT数据增强处理方法,其特征在于,获取每组高低阈值下的第一预设尺寸的增强后胃部螺旋CT图像、胃部螺旋CT图像中多条边缘线和各边缘像素的斜率变化,包括的具体步骤为:
根据每组高低阈值和边缘检测算法获取每组高低阈值下的胃部螺旋CT图像、第一预设尺寸的增强后胃部螺旋CT图像的边缘;
获取每组高低阈值下的胃部螺旋CT图像中的多条边缘线,包括:获取每组高低阈值下的胃部螺旋CT图像中各边缘像素的梯度方向角度,利用DBSCAN聚类方法,基于各边缘像素的梯度方向角度,对每组高低阈值下的胃部螺旋CT图像中的边缘像素进行聚类处理得到胃部螺旋CT图像的多条边缘线;
获取每组高低阈值下的第一预设尺寸的增强后胃部螺旋CT图像的多条边缘线;
获取每组高低阈值下的胃部螺旋CT图像中各边缘像素的斜率变化:获取每组高低阈值下的胃部螺旋CT图像中各边缘像素的斜率值,获取各边缘像素与同边缘线上邻接像素,记为各边缘像素的第一邻接像素和第二邻接像素,将各边缘像素与第一邻接像素的斜率值的差值的绝对值记为各边缘像素与第一邻接像素的斜率变化,获取各边缘像素与第二邻接像素的斜率变换,将各边缘像素与第一邻接像素、第二邻接像素的斜率变化均值作为每组高低阈值下的胃部螺旋CT图像中各边缘像素的斜率变化;
获取每组高低阈值下的第一预设尺寸的增强后胃部螺旋CT图像中各边缘像素的斜率变化。
4.如权利要求1所述的一种胃部螺旋CT数据增强处理方法,其特征在于,基于所述的多条边缘线和斜率变化得到割裂程度为:
割裂程度计算公式为:
其中,m表示每个高低阈值下的第一预设尺寸的增强后胃部CT图像中包含的边缘线数量,n表示每个高低阈值下的胃部CT图像中包含的边缘线数量,表示每个高低阈值下的第一预设尺寸的增强后胃部螺旋CT图像中第i个边缘线的长度,表示每个高低阈值下的第一预设尺寸的增强后胃部螺旋CT图像中第i个边缘线的第u个边缘像素点的斜率变化,表示每个高低阈值下的胃部螺旋CT图像中第i个边缘线的长度,表示每个高低阈值下的胃部螺旋CT图像中第j个边缘线的第v个像素点的斜率变化,表示每个高低阈值下的第一预设尺寸的割裂程度。
5.如权利要求1所述的一种胃部螺旋CT数据增强处理方法,其特征在于,所述对比度增强程度计算公式为:
其中,表示第z组高低阈值的第一预设尺寸的增强后胃部螺旋CT图像中边缘像素的个数,表示第z组高低阈值的胃部螺旋CT图像中边缘像素的个数,表示设置的高低阈值的组数,表示第一预设尺寸的对比度增强程度。
6.如权利要求1所述的一种胃部螺旋CT数据增强处理方法,其特征在于,所述优选对比度增强程度的具体步骤为:
根据1减去第一预设尺寸的噪声干扰程度后与第一预设尺寸的对比度增强程度相乘得到第一预设尺寸的优选对比度增强程度。
7.如权利要求1所述的一种胃部螺旋CT数据增强处理方法,其特征在于,所述根据所述优选对比度增强程度和所有组高低阈值对应的割裂程度得到增强效果的具体步骤为:
将多组高低阈值下的第一预设尺寸的多个割裂程度的均值作为第一预设尺寸的综合割裂程度;
将第一预设尺寸的优选对比度增强程度和综合割裂程度的商作为第一预设尺寸的增强后胃部螺旋CT图像的增强效果。
8.如权利要求1所述的一种胃部螺旋CT数据增强处理方法,其特征在于,当所述增强效果小于等于预设增强效果阈值时,改变第一预设尺寸的大小,直至得到优选分块尺寸的具体步骤为:
增加第一预设尺寸的大小得到扩增尺寸,得到扩增尺寸的增强后胃部螺旋CT图像,进而得到扩增尺寸的增强后胃部螺旋CT图像的增强效果;直至扩增尺寸的增强后胃部螺旋CT图像的增强效果大于预设增强效果阈值时,得到优选分块尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310401099.5A CN116128774B (zh) | 2023-04-15 | 2023-04-15 | 一种胃部螺旋ct数据增强处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310401099.5A CN116128774B (zh) | 2023-04-15 | 2023-04-15 | 一种胃部螺旋ct数据增强处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116128774A true CN116128774A (zh) | 2023-05-16 |
CN116128774B CN116128774B (zh) | 2023-07-04 |
Family
ID=86295913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310401099.5A Active CN116128774B (zh) | 2023-04-15 | 2023-04-15 | 一种胃部螺旋ct数据增强处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128774B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630312A (zh) * | 2023-07-21 | 2023-08-22 | 山东鑫科来信息技术有限公司 | 一种恒力浮动打磨头打磨质量视觉检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110211743A1 (en) * | 2006-03-13 | 2011-09-01 | Avila Ricardo S | Change Assessment Method |
CN111739023A (zh) * | 2020-08-25 | 2020-10-02 | 湖南数定智能科技有限公司 | 漏斗胸Haller指数测量方法、电子设备及存储介质 |
CN113205509A (zh) * | 2021-05-24 | 2021-08-03 | 山东省人工智能研究院 | 一种基于位置卷积注意力网络的血管斑块ct影像分割方法 |
CN113469905A (zh) * | 2021-06-22 | 2021-10-01 | 吉林师范大学 | 一种基于复合正则化的低剂量ct投影域去噪方法 |
CN113936023A (zh) * | 2021-10-21 | 2022-01-14 | 四川阿泰因机器人智能装备有限公司 | 一种强光条件下的粮仓走道板边沿直线检测方法 |
CN114677391A (zh) * | 2022-05-26 | 2022-06-28 | 青岛大学附属医院 | 一种脊椎图像分割方法 |
-
2023
- 2023-04-15 CN CN202310401099.5A patent/CN116128774B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110211743A1 (en) * | 2006-03-13 | 2011-09-01 | Avila Ricardo S | Change Assessment Method |
CN111739023A (zh) * | 2020-08-25 | 2020-10-02 | 湖南数定智能科技有限公司 | 漏斗胸Haller指数测量方法、电子设备及存储介质 |
CN113205509A (zh) * | 2021-05-24 | 2021-08-03 | 山东省人工智能研究院 | 一种基于位置卷积注意力网络的血管斑块ct影像分割方法 |
CN113469905A (zh) * | 2021-06-22 | 2021-10-01 | 吉林师范大学 | 一种基于复合正则化的低剂量ct投影域去噪方法 |
CN113936023A (zh) * | 2021-10-21 | 2022-01-14 | 四川阿泰因机器人智能装备有限公司 | 一种强光条件下的粮仓走道板边沿直线检测方法 |
CN114677391A (zh) * | 2022-05-26 | 2022-06-28 | 青岛大学附属医院 | 一种脊椎图像分割方法 |
Non-Patent Citations (2)
Title |
---|
PULKIT K ET AL: "《Spine and Individual Vertebrae Segmentation in Computed Tomography Images Using Geometric Flows and Shape Priors》", 《FRONTIERS》 * |
赵兴: "《基于CT影像的肺气管三维重构方法研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630312A (zh) * | 2023-07-21 | 2023-08-22 | 山东鑫科来信息技术有限公司 | 一种恒力浮动打磨头打磨质量视觉检测方法 |
CN116630312B (zh) * | 2023-07-21 | 2023-09-26 | 山东鑫科来信息技术有限公司 | 一种恒力浮动打磨头打磨质量视觉检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116128774B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101231678B (zh) | 医用图像处理装置及医用图像处理方法 | |
Kanwal et al. | Region based adaptive contrast enhancement of medical X-ray images | |
EP2647335A1 (en) | Medical image processing device | |
CN116128774B (zh) | 一种胃部螺旋ct数据增强处理方法 | |
CN110610498A (zh) | 乳腺钼靶图像处理方法、系统、存储介质及设备 | |
CN117422628B (zh) | 一种心脏血管超声检查数据优化增强方法 | |
CN111340825A (zh) | 一种纵膈淋巴结分割模型的生成方法及系统 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN115760858A (zh) | 基于深度学习的肾脏病理切片细胞识别方法及系统 | |
CN113298826B (zh) | 一种基于LA-Net网络的图像分割方法 | |
CN112529918B (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 | |
CN112200815B (zh) | 基于语义分割网络PSPNet的甲状腺结节超声图像的分割方法 | |
CN116309551B (zh) | 确定病灶取样区的方法、装置、电子设备及可读介质 | |
CN111325758A (zh) | 肺部图像分割方法及装置、图像分割模型的训练方法 | |
CN112150406A (zh) | 一种基于ct影像的气胸致肺萎陷程度精确计算方法 | |
Kayode et al. | An explorative survey of image enhancement techniques used in mammography | |
Bao et al. | A parameterized logarithmic image processing method based on Laplacian of Gaussian filtering for lung nodules enhancement in chest radiographs | |
Kandeel et al. | A study of a modified histogram based fast enhancement algorithm (MHBFE) | |
CN114862762A (zh) | 人体扫描图像的质量评估方法及其装置 | |
Huang et al. | Neural network analysis applied to tumor segmentation on 3D breast ultrasound images | |
Lee et al. | Chest Radiographs Enhancement with Contrast Limited Adaptive Histogram | |
Sulaiman et al. | A Convolutional Neural Network Model for Image Enhancement of Extremely Dense Breast Tissue in Digital Breast Tomosynthesis Images | |
WO2024147255A1 (ja) | 画像探索方法及び画像探索プログラム | |
Santony et al. | Edge detection of cavity for identification tuberculosis patient in thorax X-ray image | |
CN117152100A (zh) | 脊柱ct影像分割方法 |
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 |