CN116167949B - 一种基于医疗影像大数据的临床辅助决策系统 - Google Patents

一种基于医疗影像大数据的临床辅助决策系统 Download PDF

Info

Publication number
CN116167949B
CN116167949B CN202310449667.9A CN202310449667A CN116167949B CN 116167949 B CN116167949 B CN 116167949B CN 202310449667 A CN202310449667 A CN 202310449667A CN 116167949 B CN116167949 B CN 116167949B
Authority
CN
China
Prior art keywords
image
contrast
enhancement
segmentation
attention
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
Application number
CN202310449667.9A
Other languages
English (en)
Other versions
CN116167949A (zh
Inventor
王陟
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.)
Tianjin Zhongzhi Yunhai Software Technology Co ltd
Original Assignee
Tianjin Zhongzhi Yunhai Software 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 Tianjin Zhongzhi Yunhai Software Technology Co ltd filed Critical Tianjin Zhongzhi Yunhai Software Technology Co ltd
Priority to CN202310449667.9A priority Critical patent/CN116167949B/zh
Publication of CN116167949A publication Critical patent/CN116167949A/zh
Application granted granted Critical
Publication of CN116167949B publication Critical patent/CN116167949B/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
    • G06T5/90—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
    • G06T7/0002—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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/20004—Adaptive image processing
    • 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
    • G06T2207/30061—Lung
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种基于医疗影像大数据的临床辅助决策系统，包括：图像采集模块、图像预处理模块、图像处理模块、图像检测模块，其中：获取肺部CT灰度图；利用CLAHE算法获取不同对比度下的增强图像；对不同对比度下的增强图像进行分割处理；获取每一对比度下分割增强图像的关注程度；根据不同对比度下分割增强图像的关注程度的变换情况构建增强评价指标，从而获取最优对比度，利用最优对比度对肺部CT灰度图增强处理，获取最优增强图像；根据最优肺部CT增强图像进行临床辅助决策。本发明旨在解决对不同的肺部CT图像进行增强处理时，所对应的最适对比度不同，需要获取自适应对比度的问题。

Description

一种基于医疗影像大数据的临床辅助决策系统
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种基于医疗影像大数据的临床辅助决策系统。
背景技术
临床辅助决策系统利用计算机技术对医疗影像进行分析，提高医生对疾病诊断的准确度，提升诊断效率；其中，肺部CT是一种常见的医疗影像，其具体是利用X光获取人体肺部一定厚度的影响，进而利用肺部CT影像辅助医生进行肺部疾病的检查；但由于采集设备及技术问题的限制，采集得到的肺部CT影像质量较差，存在气管边缘模糊、气管微小分支与背景颜色相近等问题；直接对肺部CT影像进行医疗诊断会出现误差，需要先对采集得到的肺部CT影像进行增强处理。
由于设备原因，对肺部CT影像采集传输时，肺部CT影像会含有大量噪声，而CLAHE限制对比度的自适应直方图均衡化算法通过对每个小区域使用对比度限幅，避免了对肺部CT影像进行增强时对噪声放大，进而影响后续分割处理的缺陷；因此使用CLAHE限制对比度的自适应直方图均衡化算法对肺部CT影像进行增强处理；由于当对比度较小时，肺部CT影像的增强效果不明显，对比度较大时，会产生较多噪声；对于不同的肺部CT影像对应的最适对比度不同，需要结合肺部CT影像中噪声及气管的面积特征获取自适应增强对比度。
发明内容
本发明提供一种基于医疗影像大数据的临床辅助决策系统，以解决现有的不同肺部CT影像对应的最适对比度不同的问题。
本发明的一种基于医疗影像大数据的临床辅助决策系统采用如下技术方案：
本发明一个实施例提供了一种基于医疗影像大数据的临床辅助决策系统，该系统包括以下步骤：
图像采集模块：采集肺部CT图像，获取肺部CT灰度图；
图像预处理模块：将肺部CT灰度图利用CLAHE算法获取不同对比度下的增强图像，将不同对比度下的增强图像利用大津阈值分割算法获取每一对比度下的分割增强图像；
图像处理模块：获取每一对比度下的分割增强图像的总连通域面积，根据预设第一阈值获取每一对比度下的分割增强图像的异常连通域，获取每一对比度下的分割增强图像的标记图像，获取每一对比度下的标记图像中每一异常连通域中每一像素点的监测窗口、关注个数及关注距离，根据每一对比度下的标记图像中每一异常连通域中所有像素点的监测窗口、关注个数及关注距离获取每一对比度下的标记图像中的每一异常连通域的噪声可能性，根据噪声可能性获取每一对比度下的标记图像中的可能噪声连通域，根据总连通域面积与所有可能噪声连通域面积的差值获取每一对比度下分割增强图像的关注程度，根据不同对比度下分割增强图像的关注程度的变换情况构建增强评价指标，根据增强评价指标获取最优对比度，利用最优对比度使用CLAHE算法对肺部CT图像进行增强处理，获取最优增强图像；
图像检测模块：根据最优肺部CT增强图像进行临床辅助决策。
可选的，所述获取每一对比度下的分割增强图像的标记图像包括：
将每一对比度下的分割增强图像中连通域内的像素点标记为0，其余像素点标记为1，将标记后的图像记为每一对比度下的标记图像。
可选的，所述获取每一对比度下的标记图像中每一异常连通域中每一像素点的监测窗口、关注个数及关注距离包括：
记任意一对比度下的标记图像为关注图像，记关注图像上任意一异常连通域中的 任意一像素点为关注点，以关注点为中心，构建大小为
Figure SMS_1
的窗口，记为关注点的检 测窗口，获取检测窗口内像素值为0的像素点个数，记为关注点的关注个数；获取关注点与 关注图像上其他像素值为0的像素点的欧式距离，将欧式距离的最小值记为关注点的关注 距离。
可选的，所述根据每一对比度下的标记图像中每一异常连通域中所有像素点的监测窗口、关注个数及关注距离获取每一对比度下的标记图像中的每一异常连通域的噪声可能性的计算方法为：
Figure SMS_2
其中，
Figure SMS_13
表示第
Figure SMS_4
对比度下的分割增强图像中的第
Figure SMS_9
个异常连通域的噪声可能性，
Figure SMS_12
表示检测窗口大小，
Figure SMS_16
表示第
Figure SMS_17
对比度下的分割增强图像中的第
Figure SMS_18
个异常连通域 中第
Figure SMS_10
个像素点的关注个数，
Figure SMS_14
表示第
Figure SMS_3
对比度下的分割增强图像中的第
Figure SMS_8
个异常连通域中 第
Figure SMS_5
个像素点的关注距离，
Figure SMS_7
表示第
Figure SMS_11
对比度下的分割增强图像中的第
Figure SMS_15
个异常连通域中像 素点个数，
Figure SMS_6
表示以自然常数e为底的指数函数。
可选的，所述根据总连通域面积与所有可能噪声连通域面积的差值获取每一对比度下分割增强图像的关注程度的计算方法为：
Figure SMS_19
其中，
Figure SMS_21
表示第
Figure SMS_25
对比度下的分割增强图像的关注程度，
Figure SMS_27
表示第
Figure SMS_22
对比度下的分割 增强图像的总连通域面积，
Figure SMS_24
表示第
Figure SMS_26
对比度下的分割增强图像中的第
Figure SMS_28
个可能噪声连通 域的面积，
Figure SMS_20
表示第
Figure SMS_23
对比度下的分割增强图像中可能噪声连通域的个数。
可选的，所述根据不同对比度下分割增强图像的关注程度的变换情况构建增强评价指标的计算方法为：
Figure SMS_29
其中，
Figure SMS_30
表示第
Figure SMS_31
对比度下的分割增强图像的增强评价指标，
Figure SMS_32
表示第
Figure SMS_33
对比度下的 分割增强图像的关注程度，
Figure SMS_34
表示第
Figure SMS_35
对比度下的分割增强图像的关注程度。
本发明的技术方案的有益效果是：相对于原始的CLAHE算法对图像处理时对比度需提前设定，且对于不同的肺部CT图像所对应的最适对比度不同，对肺部CT图像进行增强时会对噪声一并增强的缺陷，本系统能够有效利用噪声及肺部气管的形态特点，构建增强评价指标，进而根据增强评价指标获取最优对比度，对不同的肺部CT图像获取自适应对比度，进而获取最优增强图像。
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为本发明一个实施例所提供的一种基于医疗影像大数据的临床辅助决策系统的系统结构框图；
图2为本发明一个实施例所提供的肺部CT灰度图；
图3为本发明一个实施例的最优肺部CT增强图像。
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基于医疗影像大数据的临床辅助决策系统，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医疗影像大数据的临床辅助决策系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于医疗影像大数据的临床辅助决策系统的系统结构框图，该系统包括：
图像采集模块S001、采集肺部CT图像，获取肺部CT灰度图。
由于本系统的目的是利用肺部CT图像对肺部疾病进行临床辅助决策，因此首先需要获取肺部CT图像；使用CT设备采集人体肺部CT图像，对采集得到的肺部CT图像进行灰度化处理，获取肺部CT灰度图。
请参阅图2，其出示了本发明一个实施例所提供的肺部CT灰度图。
图像预处理模块S002、对肺部CT灰度图在不同对比度进行增强处理，获取不同对比度下的增强图像，利用大津阈值分割算法分别对不同对比度下的增强图像进行分割处理，获取不同对比度下分割增强图像。
需要说明的是，由于采集设备技术限制等因素，采集得到的肺部CT图像质量较差，存在区域边界不清晰、支气管分布模糊的现象，需要对图像先进行增强处理；CLAHE算法是一种常见的增强算法，相对于其他的增强算法，CLAHE算法对噪声被过度放大问题进行限制；因此，使用CLAHE算法对肺部CT灰度图进行增强处理。
进一步的，由于图像的增强效果随着对比度的增大而逐渐增强，但是当对比度设 定过大的时候，CLAHE算法的抑噪作用会逐渐减弱，所以本方法需要选择合适的对比度范 围；由于原始的对比度范围为
Figure SMS_36
，本实施例为了使得增强效果可以产生明显的对比，设定 对比度从0.001开始增加，同时根据先验条件，当对比度大于0.03时，图像明显有过度增强 的趋势；因此本方法设定对比度范围为
Figure SMS_37
。
具体的，在对比度范围内，使用CLAHE算法对肺部CT灰度图进行增强处理得到不同对比度下的增强图像；利用大津阈值分割法分别对不同对比度下的增强图像进行分割处理，获取不同对比度下的分割增强图像；需要说明的是，CLAHE算法与大津阈值分割算法均为现有技术，本实施例不再过多赘述。
至此，获取得到不同对比度下的分割增强图像。
图像处理模块S003、利用噪声的面积特征及分布特征获取每一对比度下的分割增强图像的关注程度，根据相邻对比度下的分割增强图像的关注程度变换情况构建增强评价指标，进而获取最优对比度，利用最优对比度使用CLAHE算法对肺部CT图像进行增强处理，获取最优增强图像。
需要说明的是，由于在肺部CT图像采集传输中会产生大量噪声，而当对肺部CT灰度图进行增强处理时，会对噪声也进行增强；随着对比度的不断增大，气管中的细小分叉区域逐渐清晰，同时，图中噪声点也在不断增强；当对比度增强至最优时，气管区域被完整增强，当再逐渐增加对比度时，仅噪声点被增强；可根据噪声点的分布特征及面积特征获取可能噪声区域，进而根据除可能噪声区域外的有效区域的面积变化情况获取关注程度，根据关注程度的变化情况获取最优对比度。
具体的，对每一对比度下分割增强图像进行连通域处理，获取图中连通域个数及每一连通域面积，对每一连通域面积进行累加求和，记为总连通域面积。
进一步需要说明的是，由于噪声在肺部CT图像中常表现为一些的孤立像素点或小的孤立连通域，同时其具有一定的离群性，因此根据噪声的面积及分布特征获取每一连通域的噪声可能性。
设定阈值
Figure SMS_38
，获取每一对比度下的分割增强图像中小于阈值的连通域，记为异常 连通域；本实施例设定
Figure SMS_39
，具体实施过程实施者可根据实际情况设定阈值
Figure SMS_40
的大小。
将每一对比度下的分割增强图像中连通域内的像素点标记为0，其余像素点标记为1，将标记后的图像记为每一对比度下的标记图像；需要说明的是，标记图像中每一像素点的像素值为标记值，即为0或1。
至此，获取得到标记图像，每一对比度下的分割增强图像对应一个标记图像。
记任意一对比度下的标记图像为关注图像，记关注图像上任意一异常连通域中的 任意一像素点为关注点，以关注点为中心，构建大小为
Figure SMS_41
的窗口，记为关注点的检 测窗口，获取检测窗口内像素值为0的像素点个数，记为关注点的关注个数；获取关注点与 关注图像上其他像素值为0的像素点的欧式距离，将欧式距离的最小值记为关注点的关注 距离；需要说明的是，欧式距离为现有技术，本实施例不再过多赘述。
具体的，以第
Figure SMS_42
对比度下的分割增强图像中的第
Figure SMS_43
个异常连通域为例，获取该异常连 通域的噪声可能性
Figure SMS_44
的计算方法为：
Figure SMS_45
其中，
Figure SMS_47
表示检测窗口大小，本实施例对于每一对比度下的分割增强图像 中的每一连通域中的像素点采用相同的检测窗口大小，
Figure SMS_53
表示第
Figure SMS_56
对比度下的分割增强图 像中的第
Figure SMS_48
个异常连通域中第
Figure SMS_50
个像素点的关注个数，
Figure SMS_54
表示第
Figure SMS_57
对比度下的分割增强图像 中的第
Figure SMS_46
个异常连通域中第
Figure SMS_51
个像素点的关注距离，
Figure SMS_55
表示第
Figure SMS_58
对比度下的分割增强图像中 的第
Figure SMS_49
个异常连通域中像素点个数，
Figure SMS_52
表示以自然常数e为底的指数函数。
设定阈值为
Figure SMS_59
，获取每一对比度下的分割增强图像中面积大于阈值的异常连通 域，记为可能噪声连通域，获取每一对比度下的分割增强图像中可能噪声连通域的个数及 每一可能噪声连通域的面积；需要说明的是，本实施例设定阈值
Figure SMS_60
，具体实施过程实 施者可根据实际情况设定阈值
Figure SMS_61
的大小。
需要说明的是，肺部CT图像中除噪声外的像素点为肺部CT图像中的原始像素点，包含肺部CT中的气管区域，需根据这些点进行临床辅助决策；根据总连通域面积与可能噪声连通域面积的差值获取每一对比度下分割增强图像的关注程度。
具体的，以第
Figure SMS_62
对比度下的分割增强图像为例，获取该图像的关注程度
Figure SMS_63
的计算方 法为：
Figure SMS_64
其中，
Figure SMS_65
表示第
Figure SMS_66
对比度下的分割增强图像的总连通域面积，
Figure SMS_67
表示第
Figure SMS_68
对比度下 的分割增强图像中的第
Figure SMS_69
个可能噪声连通域的面积，
Figure SMS_70
表示第
Figure SMS_71
对比度下的分割增强图像中 可能噪声连通域的个数。
Figure SMS_72
表示第
Figure SMS_73
对比度下的分割增强图像中所有连通域的面积减去所有可能噪声连通 域的面积即为图中气管区域连通域的面积；第
Figure SMS_74
对比度下的分割增强图像中的气管区域分 割越完整，第
Figure SMS_75
对比度下分割增强图像的关注程度越大。
至此，获取得到每一对比度下分割增强图像的关注程度。
进一步需要说明的是，对肺部CT灰度图进行图像增强时，不可避免对噪声也进行增强，随着对比度的不断增大，图中的噪声点也在不断增加；而对于肺部CT灰度图中对肺部疾病进行临床辅助决策的区域，即肺部CT灰度图中的气管区域，随着对比度的不断增大，气管中的细小分叉区域逐渐清晰，该对比度下对应分割增强图像中气管区域不断完整；当达到最优增强效果时，肺部CT灰度图中所有气管细小分叉区域均被增强，体现在该对比度下分割增强图像中，气管所对应的连通域个数达到最大，同时面积不再增加；进而当进一步增大对比度时，所对应分割增强图像中，新增加的连通域均为噪声点所对应的连通域，所对应的分割增强图像的关注程度不再增加；通过关注程度的变换情况获取每一对比度下分割增强图像的增强评价指标。
具体的，以第
Figure SMS_76
对比度下的分割增强图像为例，获取该对比度的增强评价指标
Figure SMS_77
的 计算方法为：
Figure SMS_78
其中，
Figure SMS_79
表示第
Figure SMS_80
对比度下的分割增强图像的关注程度，
Figure SMS_81
表示第
Figure SMS_82
对比度下 的分割增强图像的关注程度。
若第
Figure SMS_84
对比度达到最优，此时第
Figure SMS_86
对比度对应的关注程度相较第
Figure SMS_89
对比度对应的 关注程度不再改变，进而
Figure SMS_85
同时
Figure SMS_88
；而当第
Figure SMS_90
对比度下的增强图像未增强完全，对 应的增强分割图像中气管区域不完整，此时第
Figure SMS_91
对比度对应的关注程度相较第
Figure SMS_83
对比度 对应的关注程度仍在增加，进而
Figure SMS_87
。
具体的，获取每一对比度下的分割增强图像的增强评价指标，组成增强评价指标序列，记增强评价指标序列中第一个值为0的增强评价指标所对应的对比度为最优对比度。
进一步的，将CLAHE算法中的对比度设定为最优对比度，其余步骤不做改变，使用CLAHE算法对肺部CT灰度图进行图像增强，获取最优肺部CT增强图像；需要说明的是，CLAHE算法为现有技术，本实施例不再赘述。
请参阅图3，其出示了本发明一个实施例对应的最优肺部CT增强图像。
至此，获取得到最优肺部CT增强图像。
图像检测模块S004、根据最优肺部CT增强图像进行临床辅助决策。
需要说明的是，获取得到的最优肺部CT增强图像中，对肺部CT图像中微小的气管分支、气管边缘等信息进行增强处理，同时对噪声进行了一定程度的限制，从而获取得到的最优肺部CT增强图像更利于医生的临床判断，提高了诊断的准确度。
根据输出得到的最优肺部CT增强图像辅助医生进行肺部疾病的诊疗判断。
至此，根据最优肺部CT增强图像完成临床辅助决策。
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 (2)

1.一种基于医疗影像大数据的临床辅助决策系统，其特征在于，该系统包括以下模块：
图像采集模块：采集肺部CT图像，获取肺部CT灰度图；
图像预处理模块：将肺部CT灰度图利用CLAHE算法获取不同对比度下的增强图像，将不同对比度下的增强图像利用大津阈值分割算法获取每一对比度下的分割增强图像；
图像处理模块：获取每一对比度下的分割增强图像的总连通域面积，根据预设第一阈值获取每一对比度下的分割增强图像的异常连通域，获取每一对比度下的分割增强图像的标记图像，获取每一对比度下的标记图像中每一异常连通域中每一像素点的监测窗口、关注个数及关注距离，根据每一对比度下的标记图像中每一异常连通域中所有像素点的监测窗口、关注个数及关注距离获取每一对比度下的标记图像中的每一异常连通域的噪声可能性，根据噪声可能性获取每一对比度下的标记图像中的可能噪声连通域，根据总连通域面积与所有可能噪声连通域面积的差值获取每一对比度下分割增强图像的关注程度，根据不同对比度下分割增强图像的关注程度的变换情况构建增强评价指标，根据增强评价指标获取最优对比度，利用最优对比度使用CLAHE算法对肺部CT图像进行增强处理，获取最优增强图像；
所述获取每一对比度下的标记图像中每一异常连通域中每一像素点的监测窗口、关注个数及关注距离包括：
记任意一对比度下的标记图像为关注图像，记关注图像上任意一异常连通域中的任意一像素点为关注点，以关注点为中心，构建大小为
Figure QLYQS_1
的窗口，记为关注点的检测窗口，获取检测窗口内像素值为0的像素点个数，记为关注点的关注个数；获取关注点与关注图像上其他像素值为0的像素点的欧式距离，将欧式距离的最小值记为关注点的关注距离；
所述根据每一对比度下的标记图像中每一异常连通域中所有像素点的监测窗口、关注个数及关注距离获取每一对比度下的标记图像中的每一异常连通域的噪声可能性的计算方法为：
Figure QLYQS_2
其中，
Figure QLYQS_13
表示第/>
Figure QLYQS_5
对比度下的分割增强图像中的第/>
Figure QLYQS_8
个异常连通域的噪声可能性，
Figure QLYQS_6
表示检测窗口大小，/>
Figure QLYQS_10
表示第/>
Figure QLYQS_14
对比度下的分割增强图像中的第/>
Figure QLYQS_17
个异常连通域中第/>
Figure QLYQS_11
个像素点的关注个数，/>
Figure QLYQS_15
表示第/>
Figure QLYQS_3
对比度下的分割增强图像中的第/>
Figure QLYQS_7
个异常连通域中第/>
Figure QLYQS_9
个像素点的关注距离，/>
Figure QLYQS_12
表示第/>
Figure QLYQS_16
对比度下的分割增强图像中的第/>
Figure QLYQS_18
个异常连通域中像素点个数，/>
Figure QLYQS_4
表示以自然常数e为底的指数函数；
所述根据总连通域面积与所有可能噪声连通域面积的差值获取每一对比度下分割增强图像的关注程度的计算方法为：
Figure QLYQS_19
其中，
Figure QLYQS_22
表示第/>
Figure QLYQS_25
对比度下的分割增强图像的关注程度，/>
Figure QLYQS_27
表示第/>
Figure QLYQS_21
对比度下的分割增强图像的总连通域面积，/>
Figure QLYQS_24
表示第/>
Figure QLYQS_26
对比度下的分割增强图像中的第/>
Figure QLYQS_28
个可能噪声连通域的面积，/>
Figure QLYQS_20
表示第/>
Figure QLYQS_23
对比度下的分割增强图像中可能噪声连通域的个数；
所述根据不同对比度下分割增强图像的关注程度的变换情况构建增强评价指标的计算方法为：
Figure QLYQS_29
其中，
Figure QLYQS_30
表示第/>
Figure QLYQS_31
对比度下的分割增强图像的增强评价指标，/>
Figure QLYQS_32
表示第/>
Figure QLYQS_33
对比度下的分割增强图像的关注程度，/>
Figure QLYQS_34
表示第/>
Figure QLYQS_35
对比度下的分割增强图像的关注程度；
所述根据增强评价指标获取最优对比度的具体方法为：
获取每一对比度下的分割增强图像的增强评价指标，组成增强评价指标序列，记增强评价指标序列中第一个值为0的增强评价指标所对应的对比度为最优对比度；
图像检测模块：根据最优肺部CT增强图像进行临床辅助决策。
2.根据权利要求1所述一种基于医疗影像大数据的临床辅助决策系统，其特征在于，所述获取每一对比度下的分割增强图像的标记图像包括：
将每一对比度下的分割增强图像中连通域内的像素点标记为0，其余像素点标记为1，将标记后的图像记为每一对比度下的标记图像。
CN202310449667.9A 2023-04-25 2023-04-25 一种基于医疗影像大数据的临床辅助决策系统 Active CN116167949B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310449667.9A CN116167949B (zh) 2023-04-25 2023-04-25 一种基于医疗影像大数据的临床辅助决策系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310449667.9A CN116167949B (zh) 2023-04-25 2023-04-25 一种基于医疗影像大数据的临床辅助决策系统

Publications (2)

Publication Number Publication Date
CN116167949A CN116167949A (zh) 2023-05-26
CN116167949B true CN116167949B (zh) 2023-06-30

Family

ID=86418584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310449667.9A Active CN116167949B (zh) 2023-04-25 2023-04-25 一种基于医疗影像大数据的临床辅助决策系统

Country Status (1)

Country Link
CN (1) CN116167949B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7020314B1 (en) * 2001-11-13 2006-03-28 Koninklijke Philips Electronics N.V. Black blood angiography method and apparatus
CN106546226A (zh) * 2016-11-14 2017-03-29 辽宁工程技术大学 一种桥梁位移测量系统和伸缩缝宽度测量方法
CN110428421A (zh) * 2019-04-02 2019-11-08 上海鹰瞳医疗科技有限公司 黄斑图像区域分割方法和设备
CN115115554A (zh) * 2022-08-30 2022-09-27 腾讯科技（深圳）有限公司 基于增强图像的图像处理方法、装置和计算机设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8155442B2 (en) * 2008-02-04 2012-04-10 The Neat Company, Inc. Method and apparatus for modifying the histogram of an image
US8233722B2 (en) * 2008-06-27 2012-07-31 Palo Alto Research Center Incorporated Method and system for finding a document image in a document collection using localized two-dimensional visual fingerprints
US9082165B2 (en) * 2010-05-31 2015-07-14 Dvp Technologies Ltd. Inspection of region of interest
US10127448B2 (en) * 2014-08-27 2018-11-13 Bae Systems Information And Electronic Systems Integration Inc. Method and system for dismount detection in low-resolution UAV imagery
CN111814520A (zh) * 2019-04-12 2020-10-23 虹软科技股份有限公司 肤质检测方法、肤质等级分类方法及肤质检测装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7020314B1 (en) * 2001-11-13 2006-03-28 Koninklijke Philips Electronics N.V. Black blood angiography method and apparatus
CN106546226A (zh) * 2016-11-14 2017-03-29 辽宁工程技术大学 一种桥梁位移测量系统和伸缩缝宽度测量方法
CN110428421A (zh) * 2019-04-02 2019-11-08 上海鹰瞳医疗科技有限公司 黄斑图像区域分割方法和设备
CN115115554A (zh) * 2022-08-30 2022-09-27 腾讯科技（深圳）有限公司 基于增强图像的图像处理方法、装置和计算机设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Learning noise-decoupled affine models for extreme low-light image enhancement;Maomei Liu et al.;《Neurocomputing》;全文 *
眼底图像视网膜血管分割方法研究;第五朋朋;《中国优秀硕士学位论文全文数据库信息科技辑》;全文 *

Also Published As

Publication number Publication date
CN116167949A (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN115359052B (zh) 基于聚类算法的医疗影像增强方法
CN109636805B (zh) 一种基于分类先验的宫颈图像病变区域分割装置及方法
CN116152505B (zh) 基于x光数据的骨骼目标识别分割方法
CN107766874B (zh) 一种超声容积生物学参数的测量方法及测量系统
CN116109663B (zh) 基于多阈值分割的胃部ct影像分割方法
CN114638828B (zh) 一种基于计算机视觉的放射影像智能分割方法
CN117474823B (zh) 一种儿科感染性炎症检测辅助用ct数据处理系统
CN110910404B (zh) 一种抗噪声数据的乳腺超声结节分割方法
CN114155202A (zh) 基于特征融合和迁移学习的甲状腺结节超声图像分类方法
CN113066093A (zh) 一种基于子宫内膜超声图像的自动分割分型及厚度测量方法
CN117422628B (zh) 一种心脏血管超声检查数据优化增强方法
CN113689424B (zh) 可自动识别图像特征的超声检查系统及识别方法
CN114693672A (zh) 一种基于图像处理的乳腺钼靶图像皮肤腺及乳头去除方法
CN116993764B (zh) 一种胃部ct智能分割提取方法
CN116167949B (zh) 一种基于医疗影像大数据的临床辅助决策系统
CN116452523A (zh) 一种超声图像质量量化评价方法
CN111127344A (zh) 一种基于bp神经网络的自适应双边滤波的超声图像降噪的方法
CN115222651A (zh) 一种基于改进Mask R-CNN的肺结节检测系统
CN113361633A (zh) 一种医疗图像大数据3d残差网络分类方法
CN117974692B (zh) 一种基于区域生长的眼科医学影像处理方法
CN117541800B (zh) 基于喉镜影像的喉部异常部位分割方法
CN113822904B (zh) 一种图像标注装置、方法及可读存储介质
CN110264418A (zh) 图像对比度增强方法、系统及装置
CN113658193B (zh) 基于信息融合的肝脏ct影像肿瘤分割方法
CN117593591B (zh) 一种基于医学图像分割的舌象分类方法

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