CN116188786B - 一种肝胆管及胆道结石的图像分割系统 - Google Patents

一种肝胆管及胆道结石的图像分割系统 Download PDF

Info

Publication number
CN116188786B
CN116188786B CN202310488108.9A CN202310488108A CN116188786B CN 116188786 B CN116188786 B CN 116188786B CN 202310488108 A CN202310488108 A CN 202310488108A CN 116188786 B CN116188786 B CN 116188786B
Authority
CN
China
Prior art keywords
image
hepatobiliary
feature
region
representing
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
CN202310488108.9A
Other languages
English (en)
Other versions
CN116188786A (zh
Inventor
李健
王森森
程立超
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.)
Affiliated Hospital of Weifang Medical University
Original Assignee
Affiliated Hospital of Weifang Medical University
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 Affiliated Hospital of Weifang Medical University filed Critical Affiliated Hospital of Weifang Medical University
Priority to CN202310488108.9A priority Critical patent/CN116188786B/zh
Publication of CN116188786A publication Critical patent/CN116188786A/zh
Application granted granted Critical
Publication of CN116188786B publication Critical patent/CN116188786B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06V10/30—Noise filtering
    • 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
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/20081—Training; Learning
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及图像分割技术领域，具体为一种肝胆管及胆道结石的图像分割系统,包括图像获取模块、预处理模块、特征提取模块、分类模块和结果输出模块，本发明采用支持向量机（SVM）算法进行分类，具有较好的鲁棒性和泛化性能，能够有效地处理复杂的图像分割任务;通过特征提取和SVM分类技术，能够提高图像分割的准确性和效率，可以有效地去除CT图像中的噪声、伪影和断层影像，同时增强肝胆管及胆道结石的对比度，通过基于灰度共生矩阵的纹理特征提取方法，可以有效地提取肝胆管和胆道结石的纹理特征，最终实现对CT图像的自动分割。

Description

一种肝胆管及胆道结石的图像分割系统
技术领域
本发明涉及图像分割技术领域，具体是一种肝胆管及胆道结石的图像分割系统。
背景技术
肝胆管及胆道结石是常见的疾病，目前常采用医学影像学来诊断和治疗。其中，图像分割技术是医学影像学中的一个关键技术，可以有效地分离出感兴趣的区域。但是，目前的图像分割技术存在着分割精度不高、计算速度慢等问题。
发明内容
为解决上述技术问题，本发明提供了一种肝胆管及胆道结石的图像分割系统，包括图像获取模块、预处理模块、特征提取模块、分类模块和结果输出模块；图像获取模块用于获取肝胆管及胆道结石的CT图像；预处理模块对获取的CT图像进行预处理，包括图像去噪、图像增强操作；特征提取模块对预处理后的图像进行特征提取，包括形态学特征、灰度共生矩阵特征、小波变换特征；分类模块通过基于支持向量机算法对特征向量进行分类，得到肝胆管、胆道结石和胆汁区域；结果输出模块将分割结果输出到显示器上。
进一步的，预处理模块包括以下步骤：
步骤S1，CT图像灰度归一化：将CT图像的灰度值归一化到[0，1]范围内，便于后续操作的处理；
；
其中，I表示原始CT图像，和/>分别表示图像的最小和最大灰度值，/>表示归一化后的CT图像；
步骤S2，去除CT图像中的伪影：CT图像中的伪影对后续的分割操作会产生干扰，因此需要采用滤波算法去除；
基于小波变换的去噪方法：
；
其中，f为原始CT图像，为去噪后的CT图像，h为小波滤波器，m和n为滤波器大小；
步骤S3，增强肝胆管及胆道结石的对比度：肝胆管及胆道结石的对比度较低，需要采用图像增强技术来提高其对比度；
基于CLAHE的图像增强方法：
；
其中，f(x,y)为原始CT图像，m(x,y)和s(x,y)分别为局部区域的均值和标准差，为设定的最大像素值，/>为均值；
步骤S4，检测和修复断层影像：CT图像中的断层影像会对后续操作的准确性产生影响，因此需要进行检测和修复；
基于POCS的断层影像修复方法：
；
其中，为第k次迭代后的修复结果，g为原始CT图像，/>表示CT图像的采样区域，表示断层影像的位置； />和/>分别表示在/>和/>上的投影算子，/>为步长参数。
进一步的，特征提取模块包括以下步骤：
步骤（1），基于形态学操作，提取肝胆管的轮廓；
步骤（2），基于灰度共生矩阵，提取肝胆管和胆道结石的纹理特征；
步骤（3），基于小波变换，提取肝胆管和胆道结石的形态特征。
进一步的，分类模块采用支持向量机算法对提取的特征向量进行分类，从而实现肝胆管、胆道结石和胆汁区域的准确分割，包括以下步骤：
步骤一：数据准备，准备一组带有标签的训练数据集，其中包含肝胆管、胆道结石和胆汁三类区域的图像样本，将每张图像进行预处理和特征提取，并将得到的特征向量与对应的标签一起作为训练数据；
步骤二：特征向量归一化，对特征向量进行归一化处理，将不同特征维度上的取值范围限制在[0，1]之间，避免某些特征维度对分类结果产生影响；
步骤三： 模型训练，训练三个二分类器，用于将肝胆管、胆道结石以及胆汁分别和其他区域分开，采用交叉验证的方法调整支持向量机算法的参数，确保分类器的准确率和泛化能力；
步骤四：特征向量分类，将待分割的CT图像转化为特征向量，并使用训练好的支持向量机算法分类器进行分类，以下公式进行分类：
；
其中，y表示分类结果，表示特征向量的第i个元素，/>表示SVM算法中的权重，b表示支持向量机算法中的偏置量；
步骤五：区域合并，对分割结果进行区域合并，得到一个连通的分割图像。
进一步的，特征提取模块的步骤（1）中的基于形态学操作，提取肝胆管的轮廓的具体步骤包括：
步骤S1，使用形态学开运算将预处理后的CT图像中的背景噪声去除，得到一个平滑的图像；
步骤S2，使用全局阈值分割算法将平滑后的图像二值化，得到前景和背景区域的二值化图像；
步骤S3，使用形态学闭运算将前景区域进行填充，得到一个闭合的前景区域；
步骤S4，对闭合的前景区域进行膨胀操作，确保所有的肝胆管及胆道结石都包含在内，膨胀操作：
；
其中，A是原始二值化图像，是结构元素，/>表示膨胀操作，B是膨胀后的二值化图像；
步骤S5，对膨胀后的前景区域进行边缘检测，得到肝胆管区域的边缘轮廓；
Canny边缘检测：
，/>；
其中，和/>分别是原始图像的水平和垂直梯度，G是梯度的幅值，/>是梯度的方向；
步骤S6，对肝胆管的边缘轮廓进行分割和拟合，得到肝胆管的轮廓，分割和拟合采用的是最小二乘法：
；
其中，y是肝胆管边缘的坐标，x是像素位置，a和b是拟合直线的参数。
进一步的，特征提取模块的步骤（2）中的基于灰度共生矩阵，提取肝胆管和胆道结石的纹理特征包括以下步骤：
步骤S1，定义灰度共生矩阵：灰度共生矩阵是一个的矩阵，其中/>表示图像灰度级数目，矩阵的元素/>表示像素对 (i,j) 在一定方向上的共生频率；
步骤S2，选择方向和距离：选择一定的方向和距离，计算每个像素对在该方向和距离下的共生频率；
步骤S3，计算纹理特征：根据灰度共生矩阵，计算出能量、熵、对比度、同质性纹理特征，其计算公式为：
能量：
；
熵：
；
对比度：
；
同质性：
。
进一步的，特征提取模块的步骤（3）中的基于小波变换，提取肝胆管和胆道结石的形态特征的具体步骤包括：
步骤S1，对预处理后的CT图像进行小波变换，将图像转换为小波域；
步骤S2，在小波域中选取（合适的）小波基和尺度，提取肝胆管和胆道结石的特征；
步骤S3，对小波系数进行阈值处理，去除噪声和冗余信息；
阈值处理：
；
其中，x表示小波系数，x'表示经过阈值处理后的小波系数，T为阈值，sign(x)表示x的符号函数。
进一步的，分类模块的步骤一中的数据准备，指为训练模型和测试模型提供数据集，具体步骤包括：
步骤S1，收集具有肝胆管及胆道结石的CT图像数据集，并由医学专家进行标注，以获得准确的肝胆管及胆道结石区域；
步骤S2，对于每张CT图像，进行预处理操作，包括图像去噪、图像增强操作，以提高图像的质量和清晰度；
步骤S3，利用图像分割算法，对每张CT图像进行分割，得到肝胆管及胆道结石区域；
步骤S4，利用特征提取算法，从每个区域中提取出相应的特征向量；
步骤S5，将提取出的特征向量和相应的标签组成数据集，其中标签为肝胆管、胆道结石及胆汁区域；
步骤S6，将数据集分为训练集和测试集，通常采用交叉验证的方法进行；
步骤S7，将准备好的数据集提供给分类模型进行训练和测试。
进一步的，分类模块的步骤二中，特征向量归一化是指对提取出的特征向量进行缩放，以确保各特征维度对分类结果的影响权重相等，避免因不同特征维度的取值范围不同而导致的分类器偏差，具体步骤包括：
步骤S1，对于每个特征维度，计算其均值和标准差，以获得该维度的分布情况；
步骤S2，将每个特征维度的值减去该维度的均值，再除以该维度的标准差，以将特征值映射到以0为均值、1为标准差的标准正态分布；
步骤S3，对于每个特征向量，将其所有特征维度的值都进行归一化处理，得到一个新的特征向量，即归一化后的特征向量；
采用标准化进行特征向量归一化，具体公式：
；
其中，x表示原始特征向量中的一个特征维度，和/>分别表示该特征维度的均值和标准差，x'表示归一化后的特征值。
进一步的，分类模块的步骤五中的区域合并是指将多个被错误地分割为多个小区域的目标区域合并成一个整体区域，具体步骤包括：
步骤S1，计算每个区域的紧凑性得分，紧凑性得分定义为区域面积的平方除以区域周长，即：
；
其中，表示紧凑性得分，Area表示区域面积，Perimeter表示区域周长；
步骤S2，对所有紧凑性得分进行排序，选择得分最高的k个区域作为种子区域；
步骤S3，对于每个种子区域，搜索相邻区域，将相邻区域与种子区域进行合并，并计算合并后区域的紧凑性得分，若合并后得分高于原有得分，则接受合并结果，否则拒绝合并结果；
步骤S4，对所有合并后得分高于原有得分的区域，重复步骤S3直到无法再合并为止。
相比较现有技术，本发明采用支持向量机（SVM）算法进行分类，具有较好的鲁棒性和泛化性能，能够有效地处理复杂的图像分割任务；通过特征提取和SVM分类技术，能够提高图像分割的准确性和效率，可以有效地去除CT图像中的噪声、伪影和断层影像，同时增强肝胆管及胆道结石的对比度，为后续的分割操作提供更好的基础；通过基于灰度共生矩阵的纹理特征提取方法，可以有效地提取肝胆管和胆道结石的纹理特征，为后续的分类模块提供准确的特征向量；通过预处理、特征提取和分类等步骤，能够准确地分割出肝胆管、胆道结石和胆汁等区域；最终，得到的分类器能够将肝胆管、胆道结石和胆汁等区域进行准确的分类，从而实现对CT图像的自动分割。本发明可应用于医疗图像分析、疾病诊断等领域，对于提高医疗诊疗水平具有重要意义。
附图说明
图1为本发明一种用于肝胆管及胆道结石的图像分割系统的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种肝胆管及胆道结石的图像分割系统，包括图像获取模块、预处理模块、特征提取模块、分类模块和结果输出模块；图像获取模块用于获取肝胆管及胆道结石的CT图像；预处理模块对获取的CT图像进行预处理，包括图像去噪、图像增强操作；特征提取模块对预处理后的图像进行特征提取，包括形态学特征、灰度共生矩阵特征、小波变换特征；分类模块通过基于支持向量机算法对特征向量进行分类，得到肝胆管、胆道结石和胆汁区域；结果输出模块将分割结果输出到显示器上。
预处理模块包括以下步骤：
步骤S1，CT图像灰度归一化：将CT图像的灰度值归一化到[0，1]范围内，便于后续操作的处理；
；
其中，I表示原始CT图像，和/>分别表示图像的最小和最大灰度值，/>表示归一化后的CT图像；
步骤S2，去除CT图像中的伪影：CT图像中可能存在的伪影对后续的分割操作会产生干扰，因此需要采用滤波算法去除；本实施例采用了基于小波变换的去噪方法，即将图像分解为多个频率子带，对高频子带进行滤波，再将处理后的图像重构得到去噪后的图像；
基于小波变换的去噪方法：
；
其中，f为原始CT图像，为去噪后的CT图像，h为小波滤波器，m和n为滤波器大小；
步骤S3，增强肝胆管及胆道结石的对比度：肝胆管及胆道结石的对比度较低，需要采用图像增强技术来提高其对比度；本实施例采用了基于CLAHE（Contrast LimitedAdaptive Histogram Equalization）的方法进行增强，即对图像局部区域进行直方图均衡化，增强图像的对比度，同时避免了全局直方图均衡化带来的噪声和过度增强的问题；
基于CLAHE的图像增强方法：
；
其中，f(x,y)为原始CT图像，m(x,y)和s(x,y)分别为局部区域的均值和标准差，为设定的最大像素值，/>为均值；对于每个像素点(x,y)，都采用相同大小的窗口进行直方图均衡化，即将窗口内像素值拉伸到[0，/>]的范围内，然后将拉伸后的像素值赋给中心像素(x，y)，从而实现局部区域的对比度增强；
步骤S4，检测和修复断层影像：CT图像中可能存在的断层影像会对后续操作的准确性产生影响，因此需要进行检测和修复；本实施例采用了基于投影剪影（Projectiononto Convex Sets，POCS）的方法进行修复，即将断层影像视为缺失数据，采用POCS算法进行插值；
基于POCS的断层影像修复方法：
；
其中，为第k次迭代后的修复结果，g为原始CT图像，/>表示CT图像的采样区域，表示断层影像的位置； />和/>分别表示在/>和/>上的投影算子，/>为步长参数。
通过以上预处理步骤，可以有效地去除CT图像中的噪声、伪影和断层影像，同时增强肝胆管及胆道结石的对比度，为后续的分割操作提供更好的基础。
本实施例的特征提取模块包括以下步骤：
步骤（1），基于形态学操作，提取肝胆管的轮廓；
步骤（2），基于灰度共生矩阵，提取肝胆管和胆道结石的纹理特征；
步骤（3），基于小波变换，提取肝胆管和胆道结石的形态特征。
本实施例特征提取模块的步骤（1）中，基于形态学操作提取肝胆管的轮廓的具体步骤包括：
步骤S1，使用形态学开运算将预处理后的CT图像中的背景噪声去除，得到一个平滑的图像；
步骤S2，使用全局阈值分割算法将平滑后的图像二值化，得到前景和背景区域的二值化图像；
步骤S3，使用形态学闭运算将前景区域进行填充，得到一个闭合的前景区域；
步骤S4，对闭合的前景区域进行膨胀操作，确保所有的肝胆管及胆道结石都包含在内，膨胀操作：
；
其中，A是原始二值化图像，是结构元素，/>表示膨胀操作，B是膨胀后的二值化图像；
步骤S5，对膨胀后的前景区域进行边缘检测，得到肝胆管区域的边缘轮廓；
Canny边缘检测：
，/>；
其中，和/>分别是原始图像的水平和垂直梯度，G是梯度的幅值，/>是梯度的方向；
步骤S6，对肝胆管的边缘轮廓进行分割和拟合，得到肝胆管的轮廓，分割和拟合采用的是最小二乘法：
；
其中，y是肝胆管边缘的坐标，x是像素位置，a和b是拟合直线的参数。
本实施例特征提取模块的步骤（2）中，基于灰度共生矩阵提取肝胆管和胆道结石的纹理特征包括以下步骤：
步骤S1，定义灰度共生矩阵：灰度共生矩阵是一个的矩阵，其中/>表示图像灰度级数目，矩阵的元素/>表示像素对 (i,j) 在一定方向上的共生频率；
步骤S2，选择方向和距离：选择一定的方向和距离，计算每个像素对在该方向和距离下的共生频率；
步骤S3，计算纹理特征：根据灰度共生矩阵，计算出能量、熵、对比度、同质性纹理特征，其计算公式为：
能量：
；
熵：
；
对比度：
；
同质性：
。
本实施例特征提取模块的步骤（3）中，基于小波变换提取肝胆管和胆道结石的形态特征的具体步骤包括：
步骤S1，对预处理后的CT图像进行小波变换，将图像转换为小波域；
步骤S2，在小波域中选取合适的小波基和尺度，提取肝胆管和胆道结石的特征；
步骤S3，对小波系数进行阈值处理，去除噪声和冗余信息；
阈值处理：
；
其中，x表示小波系数，x'表示经过阈值处理后的小波系数，T为阈值，sign(x)表示x的符号函数。
通过上述的特征提取步骤，可以从预处理后的CT图像中提取出一组代表性的形态和纹理特征，用于后续的图像分割和识别任务。
在本实施例中，分类模块采用支持向量机算法对提取的特征向量进行分类，从而实现肝胆管、胆道结石和胆汁区域的准确分割，包括以下步骤：
步骤一：数据准备，准备一组带有标签的训练数据集，其中包含肝胆管、胆道结石和胆汁三类区域的图像样本，将每张图像进行预处理和特征提取，并将得到的特征向量与对应的标签一起作为训练数据；
步骤二：特征向量归一化，对特征向量进行归一化处理，将不同特征维度上的取值范围限制在[0，1]之间，避免某些特征维度对分类结果产生影响；
步骤三： 模型训练，训练三个二分类器，用于将肝胆管、胆道结石以及胆汁分别和其他区域分开，采用交叉验证的方法调整支持向量机算法的参数，确保分类器的准确率和泛化能力；
步骤四：特征向量分类，将待分割的CT图像转化为特征向量，并使用训练好的支持向量机算法分类器进行分类，以下公式进行分类：
；
其中，y表示分类结果，表示特征向量的第i个元素，/>表示SVM算法中的权重，b表示支持向量机算法中的偏置量；
步骤五：区域合并，对分割结果进行区域合并，得到一个连通的分割图像。
进一步的，在步骤一的数据准备中，需要准备一组带有标签的训练数据集，其中包含肝胆管、胆道结石和胆汁等三类区域的图像样本；将每张图像进行预处理和特征提取，并将得到的特征向量与对应的标签一起作为训练数据，具体步骤包括：
步骤S1，收集具有肝胆管及胆道结石的CT图像数据集，并由医学专家进行标注，以获得准确的肝胆管及胆道结石区域；
步骤S2，对于每张CT图像，进行预处理操作，包括图像去噪、图像增强操作，以提高图像的质量和清晰度；
步骤S3，利用图像分割算法，对每张CT图像进行分割，得到肝胆管及胆道结石区域；
步骤S4，利用特征提取算法，从每个区域中提取出相应的特征向量；
步骤S5，将提取出的特征向量和相应的标签组成数据集，其中标签为肝胆管、胆道结石及胆汁区域；
步骤S6，将数据集分为训练集和测试集，通常采用交叉验证的方法进行；
步骤S7，将准备好的数据集提供给分类模型进行训练和测试。
进一步的，在步骤二的特征向量归一化中，特征向量归一化是指对提取出的特征向量进行缩放，以确保各特征维度对分类结果的影响权重相等，避免因不同特征维度的取值范围不同而导致的分类器偏差；具体实施步骤如下：
步骤S1，对于每个特征维度，计算其均值和标准差，以获得该维度的分布情况；
步骤S2，将每个特征维度的值减去该维度的均值，再除以该维度的标准差，以将特征值映射到以0为均值、1为标准差的标准正态分布；
步骤S3，对于每个特征向量，将其所有特征维度的值都进行归一化处理，得到一个新的特征向量，即归一化后的特征向量；
采用标准化进行特征向量归一化，具体公式：
；
其中，x表示原始特征向量中的一个特征维度，和/>分别表示该特征维度的均值和标准差，x'表示归一化后的特征值。
进一步的，在步骤三的模型训练中，采用一对多（One-vs-All）的策略，使用SVM算法对三类区域进行分类。具体地，首先训练一个二分类器，将肝胆管和其他区域分开；然后训练一个二分类器，将胆道结石和其他区域分开；最后训练一个二分类器，将胆汁和其他区域分开。训练过程中，采用交叉验证的方法调整SVM的参数，确保分类器的准确率和泛化能力。
进一步的，在步骤四的特征向量分类中，训练好分类器后，可以将待分割的CT图像转化为特征向量，并使用训练好的SVM分类器进行分类。具体地，对于每个像素，提取其周围一定范围内的特征向量，并将其送入对应的分类器中进行分类。最终，得到一个二值化的图像，其中肝胆管、胆道结石和胆汁等区域被分别标记为不同的像素值。
进一步的，在步骤五的区域合并中，由于肝胆管、胆道结石和胆汁等区域可能存在一些不连续的断裂，需要对分割结果进行区域合并，得到一个连通的分割图像；具体实现过程可以使用基于连通区域的图像分割方法，步骤包括：
步骤S1，计算每个区域的紧凑性得分，紧凑性得分定义为区域面积的平方除以区域周长，即：
；其中，/>表示紧凑性得分，A表示区域面积，P表示区域周长；
步骤S2，对所有紧凑性得分进行排序，选择得分最高的k个区域作为种子区域；
步骤S3，对于每个种子区域，搜索相邻区域，将相邻区域与种子区域进行合并，并计算合并后区域的紧凑性得分，若合并后得分高于原有得分，则接受合并结果，否则拒绝合并结果；
步骤S4，对所有合并后得分高于原有得分的区域，重复步骤S3直到无法再合并为止。
本专利提供了一种基于SVM算法的肝胆管及胆道结石的图像分割系统，通过预处理、特征提取和分类等步骤，能够准确地分割出肝胆管、胆道结石和胆汁等区域。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (5)

1.一种肝胆管及胆道结石的图像分割系统，包括图像获取模块、预处理模块、特征提取模块、分类模块和结果输出模块；其特征在于，图像获取模块用于获取肝胆管及胆道结石的CT图像；预处理模块对获取的CT图像进行预处理，包括图像去噪、图像增强操作；特征提取模块对预处理后的图像进行特征提取，包括形态学特征、灰度共生矩阵特征、小波变换特征；分类模块通过基于支持向量机算法对特征向量进行分类，得到肝胆管、胆道结石和胆汁区域；结果输出模块将分割结果输出到显示器上；分类模块采用支持向量机算法对提取的特征向量进行分类，包括以下步骤：
步骤一：数据准备，准备一组带有标签的训练数据集，其中包含肝胆管、胆道结石和胆汁三类区域的图像样本，将每张图像进行预处理和特征提取，并将得到的特征向量与对应的标签一起作为训练数据；
步骤二：特征向量归一化，对特征向量进行归一化处理，将不同特征维度上的取值范围限制在[0，1]之间；
步骤三：模型训练，训练三个二分类器，用于将肝胆管、胆道结石以及胆汁分别和其他区域分开；
步骤四：特征向量分类，将待分割的CT图像转化为特征向量，并使用训练好的支持向量机算法分类器进行分类，以下公式进行分类：
；
其中，y表示分类结果，表示特征向量的第i个元素，/>表示SVM算法中的权重，b表示支持向量机算法中的偏置量；
步骤五：区域合并，对分割结果进行区域合并；
特征提取模块包括以下步骤：
步骤（1），基于形态学操作，提取肝胆管的轮廓；
步骤（2），基于灰度共生矩阵，提取肝胆管和胆道结石的纹理特征；
步骤（3），基于小波变换，提取肝胆管和胆道结石的形态特征；
所述步骤（1）中的基于形态学操作，提取肝胆管的轮廓的具体步骤包括：
步骤S1，使用形态学开运算将预处理后的CT图像中的背景噪声去除，得到一个平滑的图像；
步骤S2，使用全局阈值分割算法将平滑后的图像二值化，得到前景和背景区域的二值化图像；
步骤S3，使用形态学闭运算将前景区域进行填充，得到一个闭合的前景区域；
步骤S4，对闭合的前景区域进行膨胀操作，确保所有的肝胆管及胆道结石都包含在内，膨胀操作：
；
其中，A是原始二值化图像，是结构元素，/>表示膨胀操作，B是膨胀后的二值化图像；
步骤S5，对膨胀后的前景区域进行边缘检测，得到肝胆管区域的边缘轮廓；
Canny边缘检测：
，/>；
其中，和/>分别是原始图像的水平和垂直梯度，G是梯度的幅值，/>是梯度的方向；
步骤S6，对肝胆管的边缘轮廓进行分割和拟合，得到肝胆管的轮廓，
分割和拟合采用的是最小二乘法：
；
其中，y是肝胆管边缘的坐标，x是像素位置，a和b是拟合直线的参数；
所述步骤（2）中的基于灰度共生矩阵，提取肝胆管和胆道结石的纹理特征包括以下步骤：
步骤S1，定义灰度共生矩阵：灰度共生矩阵是一个的矩阵，其中/>表示图像灰度级数目，矩阵的元素/>表示像素对(i，j)在一定方向上的共生频率；
步骤S2，选择方向和距离：选择一定的方向和距离，计算每个像素对在该方向和距离下的共生频率；
步骤S3，计算纹理特征：根据灰度共生矩阵，计算出能量、熵、对比度、同质性纹理特征，其计算公式为：
能量：
；
熵：
；
对比度：
；
同质性：
；
所述步骤（3）中的基于小波变换，提取肝胆管和胆道结石的形态特征的具体步骤包括：
步骤S1，对预处理后的CT图像进行小波变换，将图像转换为小波域；
步骤S2，在小波域中选取小波基和尺度，提取肝胆管和胆道结石的特征；
步骤S3，对小波系数进行阈值处理，去除噪声和冗余信息；
阈值处理：
；
其中，x表示小波系数，x'表示经过阈值处理后的小波系数，T为阈值，sign(x)表示x的符号函数。
2.根据权利要求1所述的一种肝胆管及胆道结石的图像分割系统，其特征在于：预处理模块包括以下步骤：
步骤S1，CT图像灰度归一化：将CT图像的灰度值归一化到[0，1]范围内；
；
其中，I表示原始CT图像，和/>分别表示图像的最小和最大灰度值，/>表示归一化后的CT图像；
步骤S2，去除CT图像中的伪影：
基于小波变换的去噪方法：
；
其中，f为原始CT图像，为去噪后的CT图像，h为小波滤波器，m和n为滤波器大小；
步骤S3，增强肝胆管及胆道结石的对比度：
基于CLAHE的图像增强方法：
；
其中，f(x，y)为原始CT图像，m(x，y)和s(x，y)分别为局部区域的均值和标准差，为设定的最大像素值，/>为均值；
步骤S4，检测和修复断层影像：基于POCS的断层影像修复方法：
；
其中，为第k次迭代后的修复结果，g为原始CT图像，/>表示CT图像的采样区域，/>表示断层影像的位置；/>和/>分别表示在/>和/>上的投影算子，/>为步长参数。
3.根据权利要求1所述的一种肝胆管及胆道结石的图像分割系统，其特征在于：所述步骤一中的数据准备，具体步骤包括：
步骤S1，收集具有肝胆管及胆道结石的CT图像数据集；
步骤S2，对于每张CT图像，进行预处理操作，包括图像去噪、图像增强操作；
步骤S3，利用图像分割算法，对每张CT图像进行分割，得到肝胆管及胆道结石区域；
步骤S4，利用特征提取算法，从每个区域中提取出相应的特征向量；
步骤S5，将提取出的特征向量和相应的标签组成数据集，其中标签为肝胆管、胆道结石及胆汁区域；
步骤S6，将数据集分为训练集和测试集；
步骤S7，将准备好的数据集提供给分类模型进行训练和测试。
4.根据权利要求1所述的一种肝胆管及胆道结石的图像分割系统，其特征在于：所述步骤二中的特征向量归一化具体步骤包括：
步骤S1，对于每个特征维度，计算其均值和标准差，以获得该维度的分布情况；
步骤S2，将每个特征维度的值减去该维度的均值，再除以该维度的标准差，以将特征值映射到以0为均值、1为标准差的标准正态分布；
步骤S3，对于每个特征向量，将其所有特征维度的值都进行归一化处理，得到一个新的特征向量；
采用标准化进行特征向量归一化，具体公式：
；
其中，x表示原始特征向量中的一个特征维度，和/>分别表示该特征维度的均值和标准差，x'表示归一化后的特征值。
5.根据权利要求1所述的一种肝胆管及胆道结石的图像分割系统，其特征在于：所述步骤五中的区域合并具体步骤包括：
步骤S1，计算每个区域的紧凑性得分，紧凑性得分定义为区域面积的平方除以区域周长，即：
；
其中，表示紧凑性得分，A表示区域面积，P表示区域周长；
步骤S2，对所有紧凑性得分进行排序，选择得分最高的k个区域作为种子区域；
步骤S3，对于每个种子区域，搜索相邻区域，将相邻区域与种子区域进行合并，并计算合并后区域的紧凑性得分，若合并后得分高于原有得分，则接受合并结果，否则拒绝合并结果；
步骤S4，对所有合并后得分高于原有得分的区域，重复步骤S3直到无法再合并为止。
CN202310488108.9A 2023-05-04 2023-05-04 一种肝胆管及胆道结石的图像分割系统 Active CN116188786B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310488108.9A CN116188786B (zh) 2023-05-04 2023-05-04 一种肝胆管及胆道结石的图像分割系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310488108.9A CN116188786B (zh) 2023-05-04 2023-05-04 一种肝胆管及胆道结石的图像分割系统

Publications (2)

Publication Number Publication Date
CN116188786A CN116188786A (zh) 2023-05-30
CN116188786B true CN116188786B (zh) 2023-08-01

Family

ID=86436925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310488108.9A Active CN116188786B (zh) 2023-05-04 2023-05-04 一种肝胆管及胆道结石的图像分割系统

Country Status (1)

Country Link
CN (1) CN116188786B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110399891A (zh) * 2018-04-24 2019-11-01 中国科学院沈阳自动化研究所 一种基于大数据的医学图像的高效分类管理方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8532360B2 (en) * 2010-04-20 2013-09-10 Atheropoint Llc Imaging based symptomatic classification using a combination of trace transform, fuzzy technique and multitude of features
TWI455062B (zh) * 2011-04-26 2014-10-01 Univ Nat Cheng Kung 三維視訊內容產生方法
CN103426156A (zh) * 2012-05-15 2013-12-04 中国科学院声学研究所 一种基于svm分类器的sas图像分割方法及系统
US10055551B2 (en) * 2013-10-10 2018-08-21 Board Of Regents Of The University Of Texas System Systems and methods for quantitative analysis of histopathology images using multiclassifier ensemble schemes
CN104794708B (zh) * 2015-04-10 2018-07-06 浙江工业大学 一种基于多特征学习的动脉粥样硬化斑块成分分割方法
WO2017092615A1 (zh) * 2015-11-30 2017-06-08 上海联影医疗科技有限公司 一种计算机辅助诊断系统及方法
CN105760874B (zh) * 2016-03-08 2019-06-25 中国科学院苏州生物医学工程技术研究所 面向尘肺的ct图像处理系统及其ct图像处理方法
CN105894517B (zh) * 2016-04-22 2019-05-07 北京理工大学 基于特征学习的ct图像肝脏分割方法及系统
CN108805858A (zh) * 2018-04-10 2018-11-13 燕山大学 基于数据挖掘的肝病ct图像计算机辅助诊断系统及方法
CN109753997B (zh) * 2018-12-19 2022-11-22 湖南科技大学 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法
CN109635828A (zh) * 2018-12-25 2019-04-16 国家测绘地理信息局第六地形测量队 一种生态保护红线区典型地理国情要素提取系统及方法
CN110378875A (zh) * 2019-06-18 2019-10-25 中国科学院苏州生物医学工程技术研究所 基于机器学习算法的体内尿路结石成分鉴别方法
CN111695644B (zh) * 2020-08-10 2023-04-18 华侨大学 基于光密度变换的肿瘤超声图像分类方法、装置及介质
CN112233777A (zh) * 2020-11-19 2021-01-15 中国石油大学(华东) 基于深度学习的胆结石自动识别及分割系统、计算机设备、存储介质
CN112734748B (zh) * 2021-01-21 2022-05-17 广东工业大学 一种肝胆管及胆道结石的图像分割系统
CN113223003A (zh) * 2021-05-07 2021-08-06 西安智诊智能科技有限公司 一种基于深度学习的胆管图像分割方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110399891A (zh) * 2018-04-24 2019-11-01 中国科学院沈阳自动化研究所 一种基于大数据的医学图像的高效分类管理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于多特征提取和SVM分类器的纹理图像分类;唐银凤;黄志明;黄荣娟;姜佳欣;卢昕;;计算机应用与软件(第06期);全文 *

Also Published As

Publication number Publication date
CN116188786A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN108053417B (zh) 一种基于混合粗分割特征的3D U-Net网络的肺分割装置
CN111260640B (zh) 基于cyclegan的树状生成器网络齿轮点蚀图像测量方法及装置
CN109635846B (zh) 一种多类医学图像判断方法和系统
CN107644420B (zh) 基于中心线提取的血管图像分割方法、核磁共振成像系统
Thalji et al. Iris Recognition using robust algorithm for eyelid, eyelash and shadow avoiding
CN111882561A (zh) 一种癌细胞识别诊断系统
CN116758336A (zh) 一种基于人工智能的医学图像智能分析系统
CN109191436A (zh) 基于视觉显著性谱残差方法的低剂量ct肺结节检测算法
CN116630762A (zh) 一种基于深度学习的多模态医学图像融合方法
CN108230341B (zh) 一种基于分层抠图算法的眼底图像血管分割方法
CN101404062A (zh) 一种基于决策树的数字乳腺图像自动筛查方法
CN116188786B (zh) 一种肝胆管及胆道结石的图像分割系统
Cogan et al. Deep understanding of breast density classification
Parraga et al. A review of image-based deep learning algorithms for cervical cancer screening
Shanthi et al. Survey on Detection of Melanoma Skin Cancer Using Image Processing and Machine Learning
Karule et al. Blood vessels segmentation using thresholding approach for fundus image analysis
Subashini et al. Pectoral muscle removal and detection of masses in digital mammogram using CCL
Gayathri et al. Efficientnet for brain tumor detection from MRI
Liu et al. Microscopic image analysis and recognition on pathological cells
CN110047065A (zh) 肾脏医学图像轮廓线提取系统及方法
Rafiee et al. A novel prostate segmentation algorithm in TRUS images
CN112184663B (zh) 一种铁路动车抗蛇行减震器安装座异物检测方法
Patibandla et al. CT Image Precise Denoising Model with Edge Based Segmentation with Labeled Pixel Extraction Using CNN Based Feature Extraction for Oral Cancer Detection
Shivamurthy et al. A foreground marker based centroid initialized Geodesic active contours for histopathological image segmentation
CN115880287B (zh) 一种脑白质高信号病灶区域分割及评级装置

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