CN116152505A - 基于x光数据的骨骼目标识别分割方法 - Google Patents

基于x光数据的骨骼目标识别分割方法 Download PDF

Info

Publication number
CN116152505A
CN116152505A CN202310424195.1A CN202310424195A CN116152505A CN 116152505 A CN116152505 A CN 116152505A CN 202310424195 A CN202310424195 A CN 202310424195A CN 116152505 A CN116152505 A CN 116152505A
Authority
CN
China
Prior art keywords
gray
value
pixel
rib
segmentation threshold
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
CN202310424195.1A
Other languages
English (en)
Other versions
CN116152505B (zh
Inventor
尹坤鹏
吕荣
贺志勇
张文成
王亚宾
蔡陆兵
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.)
Zhoukou Port Hospital Zhoukou Burn Hospital
Shenzhen Yikang Medical Technology Co ltd
Original Assignee
Zhoukou Port Hospital Zhoukou Burn Hospital
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 Zhoukou Port Hospital Zhoukou Burn Hospital, Shenzhen Yikang Medical Technology Co ltd filed Critical Zhoukou Port Hospital Zhoukou Burn Hospital
Priority to CN202310424195.1A priority Critical patent/CN116152505B/zh
Publication of CN116152505A publication Critical patent/CN116152505A/zh
Application granted granted Critical
Publication of CN116152505B publication Critical patent/CN116152505B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及用于图像数据处理技术领域，具体涉及基于X光数据的骨骼目标识别分割方法，包括：利用OTSU算法对图像进行初步分割获取图暗区域，根据暗区域的灰度直方图的双波峰特征获得灰度遍历区间，根据肋骨边缘的光滑程度和肋骨的等宽度特征，结合灰度遍历区间内各灰度值对应像素点为肋骨边缘的概率，进而以其为权重对OTSU算法函数加权，实现对X光胸片图像暗区域的阈值分割。本发明获得的灰度遍历区间减少了OTSU算法所需要遍历灰度值的数量，提高了OTSU算法的运算速度；同时，以肋骨边缘的概率作为权重对OTSU算法加权，提高了OTSU算法进行阈值分割的准确性。

Description

基于X光数据的骨骼目标识别分割方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及基于X光数据的骨骼目标识别分割方法。
背景技术
X光被广泛应用于医学影像检查中，许多疾病可以通过人体组织图像的可视化被精准识别，其最常用于检查的是X线的胸部正位片，而肋骨骨折及损伤是生活中常见的胸部损伤疾病，因此X光胸片中的肋骨精准分割，可为肋骨损伤治疗和修复的医学研究提供可靠的数据，提高医生的诊断准确性。
常用的OTSU算法是利用图像中需要提取的目标物与背景在灰度上的差异，选择合适的阈值进行分割。但由于X光胸片图像分辨率低，且肋骨的灰度值一般较低，肋骨与肋骨间隙的灰度差异较小，即肋骨边缘模糊，会导致图像阈值分割肋骨区域时产生较大的误差。
本发明通过分析X光胸片中肋骨区域的特征，选取OTSU算法的限制灰度值遍历区间，进而计算区间内各灰度值对应像素点为肋骨边缘的机率，以此为权重，进而利用加权后的OTSU算法精准分割肋骨区域。
发明内容
本发明提供基于X光数据的骨骼目标识别分割方法，以解决现有的问题。
本发明的基于X光数据的骨骼目标识别分割方法采用如下技术方案：
本发明提供了基于X光数据的骨骼目标识别分割方法，该方法包括以下步骤：
获取X光胸片图像以及X光胸片图像的分割阈值，将X光胸片图像阈值分割后，灰度值小于分割阈值的像素点所组成区域记为第一暗区域，并对第一暗区域进行二值化以及形态学处理，获得第二暗区域；将第二暗区域在X光胸片图像中位置上对应的区域记为对应区域，根据对应区域的灰度均值和灰度直方图中的最值点获得灰度遍历区间；
在灰度遍历区间选取任意灰度值作为初始分割阈值将对应区域进行分割，并对分割后的图像进行形态学处理，获取图像中灰度值不为0的像素点数量，记为毛刺像素点数量，根据毛刺像素点数量与对应区域像素点数量的比例关系获得肋骨边缘的光滑程度；
对第一暗区域进行形态学处理获得第三暗区域，将第三暗区域中每一列灰度连续不变的区域记为连续段，根据连续段的第一个像素点和最后一个像素点在预设邻域范围内灰度值的差异获得首尾邻域差异；
根据所有首尾邻域差异的均值和所有连续段的像素点数量的方差获校正系数，将校正系数对光滑程度的乘积校正结果记为肋骨边缘的概率；
逐个遍历获取灰度遍历区间中的灰度值输入OTSU算法函数，将肋骨边缘的概率作为权重对OTSU算法函数进行调节，获得若干个加权后类间方差，将加权后类间方差的最大值作为对应区域的最佳分割阈值，记为第二最佳分割阈值，将灰度值大于等于第二最佳分割阈值的像素点记为肋骨像素点，灰度值小于第二最佳分割阈值的像素点记为非肋骨像素点，实现对肋骨区域的精准分割。
进一步的，所述第二暗区域，获取方法如下：
利用OTSU算法获取X光胸片图像的第一最佳分割阈值进行阈值分割，将灰度值小于等于第一最佳分割阈值的像素点所组成的区域记为第一暗区域，并将第一暗区域中像素值设置为0，将灰度值大于第一最佳分割阈值的像素点所组成区域记为背景区域，将背景区域的像素值设置为1，获得第一二值图像；
利用预设的形态学的第一结构元素大小和预设的第一结构元素形状，对第一二值图像进行形态学腐蚀运算，获得腐蚀后的第一二值图像，记为第二二值图像；
将第二二值图像中像素值为0的区域记为第二暗区域。
进一步的，所述灰度遍历区间，获取方法如下：
获取对应区域中所有像素点的灰度值的均值，将均值作为对应区域的分割阈值；
获取对应区域的灰度直方图，利用对应区域的分割阈值将对应区域的灰度直方图分割为左右两部分，并对左右两部分利用最小二乘法进行开口向下的抛物线拟合；
或取两抛物线顶点对应的两个灰度值，这两个灰度值所包含的区间记为灰度遍历区间。
进一步的，所述肋骨边缘的光滑程度，获取方法如下：
在灰度遍历区间中选取任意一个灰度值记为初始分割阈值，利用初始分割阈值将对应区域内灰度值大于等于初始分割阈值的像素值设置为1，灰度值小于初始分割阈值的像素值设为0，表示疑似肋间隙区域，获得对应区域二值图像；
利用预设的形态学的第二结构元素大小和第二结构元素形状，利用形态学顶帽变换对第一暗区域进行处理，获取顶帽变换后第一暗区域中像素值为1的像素点数量，记为毛刺像素点数量，获取对应区域的所有像素点的数量；
肋骨边缘的光滑程度：
Figure SMS_1
其中，
Figure SMS_2
表示分割阈值为初始分割阈值C时肋骨边缘的光滑程度，
Figure SMS_3
表示当分割阈 值为初始分割阈值C时毛刺像素点数量，F表示X光胸片图像的对应区域内所有像素点数量。
进一步的，所述首尾邻域差异，获取方法如下：
在对第一暗区域进行形态学顶帽变换的同时，获取形态学顶帽变换过程中的开运算结果，记为第三暗区域，将第三暗区域内为像素点1的区域记为肋骨区域，将第三暗区域内像素值为0的像素点记为非肋骨边缘像素点；
获取第三暗区域中，每一列中相邻的像素值连续为0或连续为1的直线区域，记为连续段；
在所有连续段中选取任意一个连续段记为目标连续段，获取目标连续段上第一个像素点和最后一个像素点在第三暗区域内的八邻域像素点，进而对该连续段上第一个像素点对应的八邻域像素点中非肋骨边缘像素点进行反相处理，即将像素值为0的像素点的像素值设置为1，将像素值为1的像素点的像素值设置为0，将该连续段上第一个像素点反相处理后的八邻域像素点记为新八邻域像素点；
则首尾邻域差异H：
Figure SMS_4
其中，
Figure SMS_5
表示目标连续段上第一个像素点的第i个新八邻域像素点的像素值，
Figure SMS_6
表 示目标连续段上最后一个像素点的第i个八邻域像素点的像素值。
进一步的，所述肋骨边缘的概率，获取方法如下：
将每一个连续段中像素点的数量记为连续段长度，由所有连续段构成连续段集合，并获取连续段长度集合中关于长度的方差，记为连续段长度方差；
初始分割阈值C对应的肋骨边缘的概率
Figure SMS_7
为：
Figure SMS_8
其中，
Figure SMS_9
表示初始分割阈值C下对应的肋骨边缘的概率，
Figure SMS_10
表示分割阈值为初始分 割阈值C时肋骨边缘的光滑程度，
Figure SMS_11
表示连续段长度方差，
Figure SMS_12
表示第j个连续段的首尾邻域 差异，m表示连续段的首尾邻域差异的数量，e为自然常数。
进一步的，所述第二最佳分割阈值，获取方法如下：
逐个遍历灰度遍历区间
Figure SMS_13
内所有灰度值，根据初始分割阈值C对应的肋骨边 缘的概率的获取方法，则获得对应像素点为肋骨边缘的概率集合
Figure SMS_14
，其中q 表示灰度值区间
Figure SMS_15
内的灰度值种类数量，再对集合
Figure SMS_16
进行max-min线 性归一化处理，获得集合
Figure SMS_17
；
根据灰度遍历区间
Figure SMS_18
内各灰度值对应像素点为肋骨边缘的概率，对OTSU算 法函数进行加权：
Figure SMS_19
其中，
Figure SMS_22
表示灰度阈值为
Figure SMS_24
时的加权后类间方差，
Figure SMS_26
表示灰度遍历区间
Figure SMS_20
内的第y个灰度值，
Figure SMS_23
表示OTSU算法函数；
Figure SMS_25
表示集合
Figure SMS_27
中的第y个数据， q表示灰度值区间
Figure SMS_21
内的灰度值种类数量；
然后，获取计算q个加权后类间方差
Figure SMS_28
值中的最大值为T，记为第二最佳分割阈 值。
本发明的技术方案的有益效果是：
1.由于OTSU算法是一种穷举搜索算法，会对图像内所有灰度值进行一次遍历计算，通过初步分割X光胸片图像中的暗区域，根据暗区域的灰度直方图的双波峰特征，选取OTSU算法的限制灰度值遍历区间，提高算法的运算速度。
2.由于X光胸片图像内肋骨边缘模糊、肋骨与肋骨间隙的灰度差异较小，直接利用OTSU算法进行阈值分割时会产生较大的误差。因此根据肋骨的边缘特征和宽度特征，计算选取的OTSU算法限制灰度值遍历区间内各灰度值对应像素点为肋骨边缘的机率，进而以其为权重，对OTSU算法加权，提高阈值分割的准确性。
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为本发明基于X光数据的骨骼目标识别分割方法的步骤流程图；
图2为形态学顶帽变换前后对应图像。
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基于X光数据的骨骼目标识别分割方法，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基于X光数据的骨骼目标识别分割方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于X光数据的骨骼目标识别分割方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集X光胸片图像，对图像进行初步分割获得第一暗区域以及第二暗区域。
常用的OTSU算法是利用图像中需要提取的目标物与背景在灰度上的差异，选择合适的阈值进行分割。但由于X光胸片图像分辨率低，且肋骨的灰度值一般较低，肋骨与肋骨间隙的灰度差异较小，即肋骨边缘模糊，会导致图像阈值分割肋骨区域时产生较大的误差，本实施例通过分析X光胸片中肋骨区域的特征，选取OTSU算法的限制灰度值遍历区间，进而计算区间内各灰度值对应像素点为肋骨边缘的概率，以此为权重，进而利用加权后的OTSU算法精准分割肋骨区域。
首先采集X光胸片图像，利用常规OTSU算法求取第一最佳分割阈值A，令图像内灰度值小于等于A的像素点为暗区域，记为第一暗区域，像素点标记为0；令图像内灰度值大于A的像素点为背景区域，像素点标记为1，通过最佳分割阈值A获得X光胸片图像的二值图像，记为第一二值图像；
然后利用
Figure SMS_29
大小的结构元素对第一二值图像进行形态学腐蚀运算，增大二 值图像内的第一暗区域，获得腐蚀后二值图像，记为第二二值图像，将第二二值图像中像素 值为0的区域记为第二暗区域，使得第二暗区域相较于第一暗区域内存在更加完整的肋骨 区域，其中具体结构元素形状可根据实际情况自行设定选取。
步骤S002，根据X光胸片图像中含有肋骨的第二暗区域所在X光胸片图像中对应的灰度直方图，获得灰度遍历区间。
根据第二暗区域内像素所在的坐标位置，将第二暗区域在X光胸片图像中位置上所对应的区域记为对应区域。
本实施例根据第二暗区域在X光胸片中对应区域的灰度直方图的双波峰特征，选取OTSU算法的限制灰度值遍历区间，再根据肋骨边缘的光滑程度和肋骨的等宽度特征，计算选取的灰度值区间内各灰度值对应像素点为肋骨边缘的概率，进而以其为权重。最后利用加权后的OTSU算法完成X光胸片图像暗区域的阈值分割，获取精准的肋骨区域；
已知正常人肋骨宽度与两根肋骨之间的间隙宽度大致相等，由此可知第二暗区域内部属于肋骨部分的像素点和非肋骨部分的像素点的数量相似，而且肋骨部分的像素点和非肋骨部分的像素点的灰度值在X光胸片图像中存在一定的差异，故第二暗区域在X光胸片图像中所对应区域的灰度分布直方图应为双波峰状，根据OTSU算法的原理可知最佳分割阈值应处于灰度直方图两波峰之间的波谷区域。由此可进行OTSU算法中遍历灰度值范围的选取，提高算法的运算速度。
由于OTSU算法是一种穷举搜索算法，会对图像内所有灰度值进行一次遍历计算，通过初步分割X光胸片图像中的暗区域，根据暗区域的灰度直方图特征，选取OTSU算法的限制灰度值遍历区间，提高算法的运算速度。
首先，获取对应区域的灰度直方图，将对应区域中像素点的灰度均值作为第一阈 值，将对应区域的灰度直方图分割为左右两部分，再利用最小二乘法分别对灰度直方图的 左右两部分进行开口向下的抛物线拟合，取两抛物线顶点（即暗区域的灰度直方图的波峰） 对应的灰度值
Figure SMS_30
和
Figure SMS_31
，将灰度值
Figure SMS_32
和
Figure SMS_33
所包含区间记为灰度遍历区间
Figure SMS_34
，即灰度遍历 区间
Figure SMS_35
为原始X光胸片图像中的第二暗区域所需的OTSU算法获取最佳分割阈值而进 行搜索遍历灰度时的遍历区间。
步骤S003，逐个遍历灰度遍历区间中所有灰度值，获取各灰度值对应像素点为肋骨边缘的概率。
由于X光胸片图像分辨率低，且肋骨的灰度值一般较低，肋骨与肋骨间隙的灰度差异较小，肋骨区域像素灰度值略大于肋骨间隙区域像素灰度值，即肋骨边缘模糊，直接利用OTSU算法求取的分割阈值会存在误差，导致X光胸片图像中对应区域内的肋骨与肺部阴影的分割混乱。因此本实施例根据肋骨边缘的特征，计算步骤S002中选取的灰度值对应像素点为肋骨边缘的概率，以其为权重，对OTSU算法加权，提高阈值分割的准确性。
首先，在灰度遍历区间
Figure SMS_36
内选取任意灰度值C，记为初始分割阈值C，在对应 区域内标记灰度值大于等于初始分割阈值C的像素点为1，表示疑似肋骨区域，其它像素点 为0，表示疑似肋间隙区域，获得对应区域二值图像。
已知人体的肋骨边缘为光滑的曲线，因此本实施例利用直径为3的圆形结构元素，对第一暗区域进行形态学顶帽变换，结构元素选取实施者可根据实际需求自行设定。统计顶帽变换后第一暗区域内像素值为1的像素点数量D，表示像素点为1的肋骨区域边缘上的毛刺像素点数量。
当以灰度遍历区间
Figure SMS_37
内任意灰度值C为初始分割阈值时，若分割出的肋骨边 缘为光滑的曲线，则形态学顶帽变换对边缘像素点无影响，但当边缘为不规则的曲线时，即 边缘曲线上存在较多毛刺时，形态学顶帽变换会突显出暗处的亮点，即肋骨边缘上的毛刺， 如图2所示为形态学顶帽变换前后的对应图像。
因此当分割阈值为初始分割阈值C时，肋骨边缘的光滑程度为：
Figure SMS_38
其中，
Figure SMS_39
表示分割阈值为初始分割阈值C时肋骨边缘的光滑程度，
Figure SMS_40
表示当分割阈 值为初始分割阈值C时毛刺像素点数量，F表示X光胸片图像的对应区域内所有像素点数量， 即
Figure SMS_41
为归一化处理。
人体的肋骨边缘为光滑的曲线，当边缘上毛刺像素点数量越少时，肋骨边缘越光 滑，因此用
Figure SMS_42
表示分割阈值为初始分割阈值C时，肋骨边缘的光滑程度，即
Figure SMS_43
越大，初始 分割阈值C对应像素点为肋骨边缘的概率越小。
由于X光胸片图像受噪声干扰严重，且第一暗区域内的噪声点一般为高亮点，第一暗区域内噪声灰度值应大于肋骨和肋间隙的像素灰度值，即肋骨边缘上的亮点毛刺可能为噪声点，导致获取的肋骨边缘的光滑程度存在误差，因此需要根据人体肋骨的上下边缘近似两条平行的抛物线，且肋骨宽度与两根肋骨之间的宽度大致相等的特征，进一步分析选取的灰度值对应像素点为肋骨边缘的概率。
故对于X光胸片图像阈值分割后的第一暗区域，利用直径为3的圆形结构元素进行形态学开运算，平滑肋骨边缘，去除噪声影响，获得第三暗区域，然后在第三暗区域内的每一列中统计相邻像素点连续为1和像素点连续为0的数量，将相邻像素点连续为1或连续为0的直线区域记为连续段，像素点连续为1或连续为0的数量记为连续段长度，以表示肋骨和肋骨间隙的宽度；
需要说明的是，第三暗区域内为像素点1的是肋骨区域，即肋骨区域边界应为肋骨边缘像素点，而第三暗区域二值图像内其它像素点为非肋骨边缘像素点。
目标连续段的邻域差异的获得方法为：
步骤（1），将第三暗区域中所有像素点连续为1和像素点连续为0连续段构成一个连续段长度集合G，然后选取任意一个像素点连续为1的连续段为目标连续段，获取目标连续段上第一个像素点和最后一个像素点在第三暗区域内的八邻域像素点，进而对该连续段上第一个像素点对应的八邻域像素点中非肋骨边缘像素点进行反相处理，即令0为1、1为0，将该连续段上第一个像素点反相处理后的八邻域像素点记为新八邻域像素点。
步骤（2），获取目标连续段上第一个像素点和最后一个像素点的邻域差异H为：
Figure SMS_44
其中，
Figure SMS_45
表示目标连续段上第一个像素点的第i个新八邻域像素点的像素值，
Figure SMS_46
表 示目标连续段上最后一个像素点的第i个八邻域像素点的像素值，即
Figure SMS_47
表示目标连续 段上第一个像素点新八邻域上和最后一个像素点八邻域上同位置的像素差值。
另外，将第一个像素点和最后一个像素点的邻域差异H记为首尾邻域差异H；
已知人体肋骨的上下边缘近似两条平行的抛物线，故一根肋骨区域在图像一列上 的两边缘像素点的八邻域像素点分布根据平行特征可知，上边缘像素点八邻域内边缘线上 为0的像素点与下边缘像素点八邻域内边缘线上为1的像素点数量和分布相同，且上边缘像 素点八邻域内边缘线下为1的像素点与下边缘像素点八邻域内边缘线下为0的像素点数量 和分布相同。故对上下边缘像素点中的一个八邻域内像素点进行沿边缘线反转后，对应的 两八邻域内的像素点分布会完全相同，即
Figure SMS_48
会为0，因此当H接近于0时，该连续段上第 一个像素点和最后一个像素点的邻域差异越小，越符合肋骨边缘。
传统的判断肋骨上下边缘近似两条平行抛物线的方式为，对边缘点进行抛物线拟合，但会存在一定拟合误差，且当拟合误差值相同时，两条拟合抛物线中造成拟合误差的像素点位置可能不同，导致最终的平行判断误差较大。因此本实施例通过逐对像素点进行肋骨上下边缘平行分析，可以更为准确的获取平行特征。
步骤（3），根据目标连续段的首尾邻域差异的获得方法，获得所有连续段的首尾邻 域差异H，需要说明的是，若在暗区域二值图像内连续段上第一个像素点或最后一个像素点 对应的八邻域像素点不满足八个像素点，则该连续段不符合条件，不用分析；至此，获得所 有连续段的首尾邻域差异，将所有连续段的首尾邻域差异的总数记为m个，将其中第j个连 续段的首尾邻域差异记为
Figure SMS_49
。
另外获取连续段长度集合G中关于长度的方差，记为连续段长度方差
Figure SMS_50
；
由此获取初始分割阈值C对应的肋骨边缘的概率
Figure SMS_51
为：
Figure SMS_52
其中，
Figure SMS_53
表示初始分割阈值C下对应的肋骨边缘的概率，
Figure SMS_54
表示分割阈值为初始分 割阈值C时肋骨边缘的光滑程度，
Figure SMS_55
表示连续段长度方差，
Figure SMS_56
表示第j个连续段的首尾邻域 差异，m表示连续段的首尾邻域差异的数量，e为自然常数。
已知人体肋骨宽度与两根肋骨之间的宽度大致相等，即表示肋骨和肋骨间隙宽度 的连续段长度集合G中的数据值应相似，故
Figure SMS_57
较小，其表示肋骨和肋骨间隙的宽度特征。而 肋骨的上下边缘近似两条平行的抛物线，故同一个肋骨的上下边缘对应像素点的邻域差异 H较小，因此用邻域差异H的归一化均值
Figure SMS_58
为
Figure SMS_59
的调整值，两者的乘积表示肋骨的宽 度特征值，其值越小，越符合肋骨的宽度特征。因此用反比归一化的
Figure SMS_60
为E的校 正系数，两者的乘积表示初始分割阈值C对应像素点为肋骨边缘的概率。
根据上述中获取的初始分割阈值C对应的肋骨边缘的概率
Figure SMS_61
，逐个遍历灰度遍历 区间
Figure SMS_62
内所有灰度值，则获得对应像素点为肋骨边缘的概率集合
Figure SMS_63
， 其中q表示灰度值区间
Figure SMS_64
内的灰度值种类数量，再对集合
Figure SMS_65
进行max- min线性归一化处理，获得集合
Figure SMS_66
，表示各灰度值的权重。
X光胸片图像内肋骨边缘模糊、肋骨与肋骨间隙的灰度差异较小，直接利用OTSU算 法进行阈值分割时会产生较大的误差。因此本实施例根据肋骨的边缘特征和宽度特征，计 算灰度遍历区间
Figure SMS_67
内各灰度值对应像素点为肋骨边缘的概率，进而以其为权重，对 OTSU算法加权，提高阈值分割的准确性。
步骤S004，利用肋骨边缘的概率对OTSU算法加权获取第二最佳分割阈值，对X光胸片图像进行分割处理，实现精准分割肋骨区域。
图像内肋骨边缘模糊、肋骨与肋骨间隙的灰度差异较小，在图像暗区域灰度直方 图上OTSU算法无法准确分割，因此需要根据灰度遍历区间
Figure SMS_68
内各灰度值对应像素点 为肋骨边缘的概率，故对OTSU算法进行加权，以获取准确的分割阈值。
首先，根据灰度遍历区间
Figure SMS_69
内各灰度值对应像素点为肋骨边缘的概率，即区 间内各灰度值的权重
Figure SMS_70
。
则对原始X光胸片图像暗区域分割时的OTSU算法的加权后类间方差获取方法为：
Figure SMS_71
其中，
Figure SMS_74
表示灰度阈值为
Figure SMS_75
时的加权后类间方差，
Figure SMS_79
表示灰度遍历区间
Figure SMS_73
内的第y个灰度值，
Figure SMS_76
表示OTSU算法函数，此为公知技术，在此不做解释；
Figure SMS_78
表示灰度值
Figure SMS_80
对应的权值，即集合
Figure SMS_72
中的第y个数据，q表示灰度值区间
Figure SMS_77
内的灰度 值种类数量。
至此，获得q个加权后类间方差；
然后，获取计算q个加权后类间方差
Figure SMS_81
值中的最大值为T，记为原始X光胸片图 像暗区域的第二最佳分割阈值，则将对应区域内灰度值大于等于第二最佳分割阈值T的像 素点记为肋骨像素点，灰度值小于第二最佳分割阈值的像素点记为非肋骨像素点。
由此实现对X光胸片图像内肋骨区域的精准分割；
需要说明的是，本实施例中所用的
Figure SMS_82
模型仅用于表示负相关关系和约束模型输 出的结果处于
Figure SMS_83
区间内，具体的实施可替换成具有同样目的的其他模型，本实施例只是 以
Figure SMS_84
模型为例进行叙述，不做具体限定，其中x是指该模型的输入。
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 (7)

1.基于X光数据的骨骼目标识别分割方法，其特征在于，该方法包括以下步骤：
获取X光胸片图像以及X光胸片图像的分割阈值，将X光胸片图像阈值分割后，灰度值小于分割阈值的像素点所组成区域记为第一暗区域，并对第一暗区域进行二值化以及形态学处理，获得第二暗区域；将第二暗区域在X光胸片图像中位置上对应的区域记为对应区域，根据对应区域的灰度均值和灰度直方图中的最值点获得灰度遍历区间；
在灰度遍历区间选取任意灰度值作为初始分割阈值将对应区域进行分割，并对分割后的图像进行形态学处理，获取图像中灰度值不为0的像素点数量，记为毛刺像素点数量，根据毛刺像素点数量与对应区域像素点数量的比例关系获得肋骨边缘的光滑程度；
对第一暗区域进行形态学处理获得第三暗区域，将第三暗区域中每一列灰度连续不变的区域记为连续段，根据连续段的第一个像素点和最后一个像素点在预设邻域范围内灰度值的差异获得首尾邻域差异；
根据所有首尾邻域差异的均值和所有连续段的像素点数量的方差获取校正系数，将校正系数对光滑程度的乘积校正结果记为肋骨边缘的概率；
逐个遍历获取灰度遍历区间中的灰度值输入OTSU算法函数，将肋骨边缘的概率作为权重对OTSU算法函数进行调节，获得若干个加权后类间方差，将加权后类间方差的最大值作为对应区域的最佳分割阈值，记为第二最佳分割阈值，将灰度值大于等于第二最佳分割阈值的像素点记为肋骨像素点，灰度值小于第二最佳分割阈值的像素点记为非肋骨像素点，实现对肋骨区域的精准分割。
2.根据权利要求1所述基于X光数据的骨骼目标识别分割方法，其特征在于，所述第二暗区域，获取方法如下：
利用OTSU算法获取X光胸片图像的第一最佳分割阈值进行阈值分割，将灰度值小于等于第一最佳分割阈值的像素点所组成的区域记为第一暗区域，并将第一暗区域中像素值设置为0，将灰度值大于第一最佳分割阈值的像素点所组成区域记为背景区域，将背景区域的像素值设置为1，获得第一二值图像；
利用预设的形态学的第一结构元素大小和预设的第一结构元素形状，对第一二值图像进行形态学腐蚀运算，获得腐蚀后的第一二值图像，记为第二二值图像；
将第二二值图像中像素值为0的区域记为第二暗区域。
3.根据权利要求1所述基于X光数据的骨骼目标识别分割方法，其特征在于，所述灰度遍历区间，获取方法如下：
获取对应区域中所有像素点的灰度值的均值，将均值作为对应区域的分割阈值；
获取对应区域的灰度直方图，利用对应区域的分割阈值将对应区域的灰度直方图分割为左右两部分，并对左右两部分利用最小二乘法进行开口向下的抛物线拟合；
获取两抛物线顶点对应的两个灰度值，这两个灰度值所包含的区间记为灰度遍历区间。
4.根据权利要求1所述基于X光数据的骨骼目标识别分割方法，其特征在于，所述肋骨边缘的光滑程度，获取方法如下：
在灰度遍历区间中选取任意一个灰度值记为初始分割阈值，利用初始分割阈值将对应区域内灰度值大于等于初始分割阈值的像素值设置为1，灰度值小于初始分割阈值的像素值设为0，表示疑似肋间隙区域，获得对应区域二值图像；
利用预设的形态学的第二结构元素大小和第二结构元素形状，利用形态学顶帽变换对第一暗区域进行处理，获取顶帽变换后第一暗区域中像素值为1的像素点数量，记为毛刺像素点数量，获取对应区域的所有像素点的数量；
肋骨边缘的光滑程度：
Figure QLYQS_1
其中，
Figure QLYQS_2
表示分割阈值为初始分割阈值C时肋骨边缘的光滑程度，/>
Figure QLYQS_3
表示当分割阈值为初始分割阈值C时毛刺像素点数量，F表示X光胸片图像的对应区域内所有像素点数量。
5.根据权利要求1所述基于X光数据的骨骼目标识别分割方法，其特征在于，所述首尾邻域差异，获取方法如下：
在对第一暗区域进行形态学顶帽变换的同时，获取形态学顶帽变换过程中的开运算结果，记为第三暗区域，将第三暗区域内为像素点1的区域记为肋骨区域，将第三暗区域内像素值为0的像素点记为非肋骨边缘像素点；
获取第三暗区域中，每一列中相邻的像素值连续为0或连续为1的直线区域，记为连续段；
在所有连续段中选取任意一个连续段记为目标连续段，获取目标连续段上第一个像素点和最后一个像素点在第三暗区域内的八邻域像素点，进而对该连续段上第一个像素点对应的八邻域像素点中非肋骨边缘像素点进行反相处理，即将像素值为0的像素点的像素值设置为1，将像素值为1的像素点的像素值设置为0，将该连续段上第一个像素点反相处理后的八邻域像素点记为新八邻域像素点；
则首尾邻域差异H：
Figure QLYQS_4
其中，
Figure QLYQS_5
表示目标连续段上第一个像素点的第i个新八邻域像素点的像素值，/>
Figure QLYQS_6
表示目标连续段上最后一个像素点的第i个八邻域像素点的像素值。
6.根据权利要求1所述基于X光数据的骨骼目标识别分割方法，其特征在于，所述肋骨边缘的概率，获取方法如下：
将每一个连续段中像素点的数量记为连续段长度，由所有连续段构成连续段集合，并获取连续段长度集合中关于长度的方差，记为连续段长度方差；
初始分割阈值C对应的肋骨边缘的概率
Figure QLYQS_7
为：
Figure QLYQS_8
其中，
Figure QLYQS_9
表示初始分割阈值C下对应的肋骨边缘的概率，/>
Figure QLYQS_10
表示分割阈值为初始分割阈值C时肋骨边缘的光滑程度，/>
Figure QLYQS_11
表示连续段长度方差，/>
Figure QLYQS_12
表示第j个连续段的首尾邻域差异，m表示连续段的首尾邻域差异的数量，e为自然常数。
7.根据权利要求1所述基于X光数据的骨骼目标识别分割方法，其特征在于，所述第二最佳分割阈值，获取方法如下：
逐个遍历灰度遍历区间
Figure QLYQS_13
内所有灰度值，根据初始分割阈值C对应的肋骨边缘的概率的获取方法，则获得对应像素点为肋骨边缘的概率集合/>
Figure QLYQS_14
，其中q表示灰度值区间/>
Figure QLYQS_15
内的灰度值种类数量，再对集合/>
Figure QLYQS_16
进行max-min线性归一化处理，获得集合/>
Figure QLYQS_17
；
根据灰度遍历区间
Figure QLYQS_18
内各灰度值对应像素点为肋骨边缘的概率，对OTSU算法函数进行加权：
Figure QLYQS_19
其中，
Figure QLYQS_22
表示灰度阈值为/>
Figure QLYQS_24
时的加权后类间方差，/>
Figure QLYQS_26
表示灰度遍历区间/>
Figure QLYQS_20
内的第y个灰度值，/>
Figure QLYQS_23
表示OTSU算法函数；/>
Figure QLYQS_25
表示集合/>
Figure QLYQS_27
中的第y个数据，q表示灰度值区间/>
Figure QLYQS_21
内的灰度值种类数量；
然后，获取计算q个加权后类间方差
Figure QLYQS_28
值中的最大值为T，记为第二最佳分割阈值。/>
CN202310424195.1A 2023-04-20 2023-04-20 基于x光数据的骨骼目标识别分割方法 Active CN116152505B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310424195.1A CN116152505B (zh) 2023-04-20 2023-04-20 基于x光数据的骨骼目标识别分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310424195.1A CN116152505B (zh) 2023-04-20 2023-04-20 基于x光数据的骨骼目标识别分割方法

Publications (2)

Publication Number Publication Date
CN116152505A true CN116152505A (zh) 2023-05-23
CN116152505B CN116152505B (zh) 2023-06-20

Family

ID=86373981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310424195.1A Active CN116152505B (zh) 2023-04-20 2023-04-20 基于x光数据的骨骼目标识别分割方法

Country Status (1)

Country Link
CN (1) CN116152505B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402824A (zh) * 2023-06-09 2023-07-07 山东第一医科大学第二附属医院 基于儿童骨龄x光片的内分泌异常检测方法
CN116542966A (zh) * 2023-06-28 2023-08-04 贵州医科大学附属医院 用于儿童内分泌异常检测的骨龄智能分析方法
CN116993736A (zh) * 2023-09-27 2023-11-03 深圳泰康医疗设备有限公司 一种骨质疏松区域智能识别系统
CN117115468A (zh) * 2023-10-19 2023-11-24 齐鲁工业大学(山东省科学院) 基于人工智能的图像识别方法及系统
CN117201800A (zh) * 2023-09-12 2023-12-08 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

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678752A (zh) * 2015-12-30 2016-06-15 合肥天一生物技术研究所 一种基于固定参数分割微柱小管的血型识别方法
CN106023200A (zh) * 2016-05-19 2016-10-12 四川大学 一种基于泊松模型的x光胸片图像肋骨抑制方法
CN108460774A (zh) * 2018-03-29 2018-08-28 河北北方学院 一种肺部医学图像自动分割方法
US20220084305A1 (en) * 2019-05-24 2022-03-17 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image processing
CN114758121A (zh) * 2022-03-04 2022-07-15 杭州隐捷适生物科技有限公司 一种基于深度学习的cbct牙槽骨分割系统及方法
CN114830174A (zh) * 2019-11-11 2022-07-29 塞弗拉有限公司 用于识别肺部特征的图像分析系统
CN114863165A (zh) * 2022-04-12 2022-08-05 南通大学 一种基于影像组学与深度学习特征融合的椎体骨密度分类方法
CN115351598A (zh) * 2022-10-17 2022-11-18 南通钜德智能科技有限公司 一种数控机床轴承检测方法
CN115661467A (zh) * 2022-12-28 2023-01-31 中国科学院自动化研究所 脑血管图像分割方法、装置、电子设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678752A (zh) * 2015-12-30 2016-06-15 合肥天一生物技术研究所 一种基于固定参数分割微柱小管的血型识别方法
CN106023200A (zh) * 2016-05-19 2016-10-12 四川大学 一种基于泊松模型的x光胸片图像肋骨抑制方法
CN108460774A (zh) * 2018-03-29 2018-08-28 河北北方学院 一种肺部医学图像自动分割方法
US20220084305A1 (en) * 2019-05-24 2022-03-17 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image processing
CN114830174A (zh) * 2019-11-11 2022-07-29 塞弗拉有限公司 用于识别肺部特征的图像分析系统
CN114758121A (zh) * 2022-03-04 2022-07-15 杭州隐捷适生物科技有限公司 一种基于深度学习的cbct牙槽骨分割系统及方法
CN114863165A (zh) * 2022-04-12 2022-08-05 南通大学 一种基于影像组学与深度学习特征融合的椎体骨密度分类方法
CN115351598A (zh) * 2022-10-17 2022-11-18 南通钜德智能科技有限公司 一种数控机床轴承检测方法
CN115661467A (zh) * 2022-12-28 2023-01-31 中国科学院自动化研究所 脑血管图像分割方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MUTHUKUMARAN MALARVELA ET.AL: "An improved version of Otsu’s method for segmentation of weld defects on X-radiography images", 《OPTIK 142 (2017)》, pages 109 - 118 *
徐贵力 等: "呼气相胸片的识别研究", 生物医学工程学杂志, no. 01, pages 64 - 68 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402824A (zh) * 2023-06-09 2023-07-07 山东第一医科大学第二附属医院 基于儿童骨龄x光片的内分泌异常检测方法
CN116402824B (zh) * 2023-06-09 2023-10-03 山东第一医科大学第二附属医院 基于儿童骨龄x光片的内分泌异常检测方法
CN116542966A (zh) * 2023-06-28 2023-08-04 贵州医科大学附属医院 用于儿童内分泌异常检测的骨龄智能分析方法
CN116542966B (zh) * 2023-06-28 2023-09-08 贵州医科大学附属医院 用于儿童内分泌异常检测的骨龄智能分析方法
CN117201800A (zh) * 2023-09-12 2023-12-08 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
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
CN116993736A (zh) * 2023-09-27 2023-11-03 深圳泰康医疗设备有限公司 一种骨质疏松区域智能识别系统
CN116993736B (zh) * 2023-09-27 2023-12-05 深圳泰康医疗设备有限公司 一种骨质疏松区域智能识别系统
CN117115468A (zh) * 2023-10-19 2023-11-24 齐鲁工业大学(山东省科学院) 基于人工智能的图像识别方法及系统
CN117115468B (zh) * 2023-10-19 2024-01-26 齐鲁工业大学(山东省科学院) 基于人工智能的图像识别方法及系统

Also Published As

Publication number Publication date
CN116152505B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN116152505B (zh) 基于x光数据的骨骼目标识别分割方法
US10096108B2 (en) Medical image segmentation method and apparatus
CN109840913B (zh) 一种乳腺x线图像中肿块分割的方法和系统
CN115359052B (zh) 基于聚类算法的医疗影像增强方法
JP2009502232A (ja) 胸部ｘ線写真における肺結節の検知
CN116109663B (zh) 基于多阈值分割的胃部ct影像分割方法
CN101103924A (zh) 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统
CN116503392B (zh) 一种用于卵巢组织分析的卵泡区域分割方法
CN116542966B (zh) 用于儿童内分泌异常检测的骨龄智能分析方法
CN110880177A (zh) 一种图像识别方法及装置
CN108305247B (zh) 一种基于ct图像灰度值检测组织硬度的方法
CN111105427B (zh) 一种基于连通区域分析的肺部图像分割方法及系统
CN111145185B (zh) 一种基于聚类关键帧提取ct图像的肺实质分割方法
CN116993764B (zh) 一种胃部ct智能分割提取方法
CN117437492A (zh) 一种肺部x光影像中白肺特征识别及分割方法
Chithra et al. Otsu's Adaptive Thresholding Based Segmentation for Detection of Lung Nodules in CT Image
Mortaheb et al. Metal artifact reduction and segmentation of dental computerized tomography images using least square support vector machine and mean shift algorithm
CN115578400A (zh) 图像处理方法、图像分割网络的训练方法及装置
CN114187320A (zh) 脊柱ct图像的分割方法、椎体成像的识别方法及装置
CN117237342B (zh) 一种呼吸康复ct影像智能分析方法
CN117974692B (zh) 一种基于区域生长的眼科医学影像处理方法
CN116363155B (zh) 一种胸大肌区域智能分割方法、装置和存储介质
CN116167949B (zh) 一种基于医疗影像大数据的临床辅助决策系统
CN116344001B (zh) 一种基于人工智能的医疗信息可视化管理系统及方法
CN117422720B (zh) 一种中医治疗舌诊图像智能分割方法

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