CN116228767A - 基于计算机视觉的x光肺部肿块图像处理方法 - Google Patents

基于计算机视觉的x光肺部肿块图像处理方法 Download PDF

Info

Publication number
CN116228767A
CN116228767A CN202310511076.XA CN202310511076A CN116228767A CN 116228767 A CN116228767 A CN 116228767A CN 202310511076 A CN202310511076 A CN 202310511076A CN 116228767 A CN116228767 A CN 116228767A
Authority
CN
China
Prior art keywords
pixel point
gray level
lung tumor
abnormal
acquiring
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
CN202310511076.XA
Other languages
English (en)
Other versions
CN116228767B (zh
Inventor
张文杰
张晓清
毛瑞奇
刘延龙
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.)
Beijing Yiyoulian Technology Co ltd
Original Assignee
Beijing Yiyoulian 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 Beijing Yiyoulian Technology Co ltd filed Critical Beijing Yiyoulian Technology Co ltd
Priority to CN202310511076.XA priority Critical patent/CN116228767B/zh
Publication of CN116228767A publication Critical patent/CN116228767A/zh
Application granted granted Critical
Publication of CN116228767B publication Critical patent/CN116228767B/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
    • 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
    • G06T7/12—Edge-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
    • 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
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于计算机视觉的X光肺部肿块图像处理方法，涉及图像处理技术领域，包括获取X光肺部肿块图像；获取X光肺部肿块图像的骨架掩模；根据骨架掩模去除X光肺部肿块图像中的骨架部分获得目标图像；获取目标图像中的胸腔区域，获取胸腔区域中的异常像素点；获取由异常像素点组成的多个初始连通域；获取每个初始连通域对应的实际连通域；对每个实际连通域进行超像素分割获得多个不同的灰度级区域；根据每个灰度级区域的灰度级获取不同灰度级区域之间的灰度级变化方向；本发明解决了相关技术中，在对X光肺部肿块图像分析时无法准确获取肺部病变区域，以及无法判断病变区域扩散方向的技术问题。

Description

基于计算机视觉的X光肺部肿块图像处理方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于计算机视觉的X光肺部肿块图像处理方法。
背景技术
目前医疗设备行业发展迅速，对医生来说，每天需要处理的医学图像较多。由于医疗资源的匮乏，通过放射科医生对大量医学图像进行阅片诊断时，医生的工作量大，而且效率低下。因此，在计算机视觉领域，通过应用计算机辅助诊断提高诊断效率具有重要意义，也是当前众多学者研究的热点之一。
X光主要是由放射性元素发射出的X光线，X光线能够有效的透过软组织，X光线透过人体之后会产生的一些影像，这些影像会像洗照片一样洗在一些胶片上做成图像资料，根据图像资料能够有效的反映人体身体的健康程度。在我国，X光仍是医院大量使用的用来判断和确定人体病灶和身体异常的重要手段，通过X光可以看到患者体内异常区域内的阴影。
相比于人体其他正常细胞区域，肺部肿块病变区域由于在不断摄取糖物，不断产生分泌物等原因，往往比正常区域密度更大，而且分布更加集中。现有X光图像中，只存在灰度值不相同的黑白像素，但是，人眼对黑白像素值并不敏感，由于肺部异常肿块稀疏区域的灰度和密度都不确定，对于稀疏区域存在的病理信息，很难用人眼判断出来，并且对于肺部稀疏区域难以分辨其走势和密度，这就造成医生分析X光肺部肿块图像时无法准确获得肺部病变区域，以及无法判断肺部病变区域的扩散方向。
发明内容
为了解决现有技术中根据X光肺部肿块图像无法准确获得肺部病变区域的技术问题，本发明提供了一种基于计算机视觉的X光肺部肿块图像处理方法，该方法通过获取X光肺部肿块图像中的目标图像，并获取胸腔区域的异常像素点，根据所述异常像素点获取X光肺部肿块图像中的实际连通域，最后获得了实际连通域中不同灰度级区域之间的灰度级变化方向；有鉴于此，本发明通过以下技术方案予以实现。
一种基于计算机视觉的X光肺部肿块图像处理方法，包括以下步骤：
获取X光肺部肿块图像的目标图像，所述目标图像不包括骨架区域；
对所述目标图像进行阈值分割获取所述目标图像中的胸腔区域，根据所述胸腔区域中像素点灰度值分布获取灰度阈值；根据所述灰度阈值获取所述胸腔区域中的异常像素点和正常像素点；
获取由异常像素点组成的多个初始连通域；根据所述初始连通域中每个边缘像素点邻域内正常像素点的数量和异常像素点的数量获取每个边缘像素点的异常程度；
根据每个初始连通域的边缘像素点的异常程度判断该边缘像素点是否为该初始连通域的实际像素点；当该边缘像素点不是该初始连通域的实际像素点时，获取该边缘像素点的邻域像素点的异常程度，根据该边缘像素点的邻域像素点的异常程度依次迭代获取该边缘像素点对应的实际像素点；根据每个初始连通域的实际像素点获取每个初始连通域对应的实际连通域；
对每个所述实际连通域进行超像素分割获得多个不同的灰度级区域；根据每个灰度级区域的灰度级获取不同灰度级区域之间的灰度级变化方向，将不同灰度级区域之间的灰度级变化方向进行标记，得到处理后的X光肺部肿块图像。
进一步地，所述根据每个灰度级区域的灰度级获取不同灰度级区域之间的灰度级变化方向的过程中，还包括根据不同灰度级区域之间的灰度级变化方向确定方向箭头，并根据所述灰度级变化的程度对所述方向箭头进行着色。
进一步地，对所述方向箭头进行着色的过程中，所述方向箭头的颜色为红色，且在所述方向箭头上灰度级变化慢的区域的红色要浅与灰度级变化快的区域。
进一步地，对所述方向箭头进行着色的过程为：
在所述方向箭头的HSV色彩空间中，固定S和V的数值，H值从0°至30°之间，统计所有超像素分割的灰度级数量N，根据灰度级数量N将30°均等分，获得每个灰度级对应的角度分量，所述箭头颜色从对应高分量指向低分量，即所述箭头的颜色高分量部分深于低分量部分。
进一步地，所述获取X光肺部肿块图像的目标图像的过程中，还包括：
获取多张X光肺部肿块图像；
对每张所述X光肺部肿块图像中的骨架部分进行标记，并将骨架标记后的X光肺部肿块图像输入到神经网络中，获得所述X光肺部肿块图像的骨架掩模；
根据所述骨架掩模对光肺部肿块图像中的骨架区域进行掩模处理，获得X光肺部肿块图像的目标图像。
进一步地，所述神经网络的网络结构为Encoder-Decoder结构；所述神经网络的loss函数为交叉熵损失函数。
进一步地，获取由异常像素点组成的多个初始连通域的过程为：
获取所述异常像素点中灰度值最大的像素点作为第一种子像素点；
判断所述种子像素点的八邻域内的是否有异常像素点，如有则将异常像素点与所述种子像素点连通，并获取所述异常像素点的八邻域内是否有异常像素点，如有则继续将异常像素点连通，直至每个异常像素点的八邻域内不存在异常像素点时结束操作，并获得由所述第一种子像素点得到的第一初始连通域；
继续从除第一连通域内像素点外的其余异常像素点中获取灰度值最大的第二种子像素点，并获取所述第二种子像素点对应的第二连通域；依次获取所述异常像素点组成的多个初始连通域。
进一步地，根据所述初始连通域中每个边缘像素点邻域内正常像素点的数量和异常像素点的数量获取每个边缘像素点的异常程度的过程中，还包括设定异常程度阈值，当所述边缘像素点的异常程度不小于所述异常程度阈值时，所述边缘像素点为实际连通域的边缘像素点。
进一步地，所述异常程度阈值为0.3。
与现有技术相比，本发明的有益效果是：
本发明提供了一种基于计算机视觉的X光肺部肿块图像处理方法，该方法包括：获取X光肺部肿块图像的目标图像；目标图像为去除骨架区域之后的X光肺部肿块图像；对去除骨架后的X光肺部肿块图像进行分析会使得肿块区域更为明显；通过骨架掩模去除X光肺部肿块图像中的骨架部分获得目标图像，可去除人体骨架对肺部图像分析的影响；对所述目标图像进行阈值分割获取所述目标图像中的胸腔区域，根据所述胸腔区域中像素点灰度值分布获取灰度阈值；根据所述灰度阈值获取所述胸腔区域中的异常像素点和正常像素点；由此可根据胸腔区域中像素点灰度值将胸腔区域中的像素点分为正常像素点和异常像素点，异常像素点为肿块区域像素点；获取由异常像素点组成的多个初始连通域；根据所述初始连通域中每个边缘像素点邻域内正常像素点的数量和异常像素点的数量获取每个边缘像素点的异常程度；根据每个初始连通域的边缘像素点的异常程度判断该边缘像素点是否为该初始连通域的实际像素点；当该边缘像素点不是该初始连通域的实际像素点时，获取该边缘像素点的邻域像素点的异常程度，根据该边缘像素点的邻域像素点的异常程度依次迭代获取该边缘像素点对应的实际像素点；根据每个初始连通域的实际像素点获取每个初始连通域对应的实际连通域；由此，通过将初始连通域进行调整获得实际连通域，获取实际连通域的过程也就是根据多个初始肿块区域获取实际肿块区域的过程，最后得到了X光肺部肿块图像中的多个实际肿块区域；对每个实际连通域进行超像素分割获得多个不同的灰度级区域；根据每个灰度级区域的灰度级获取不同灰度级区域之间的灰度级变化方向；由此，根据不同灰度级区域之间的灰度级变化方向可判断所述X光肺部肿块图像中肿块组织区域和肿块组织的扩散方向；本发明解决了相关技术中，在对X光肺部肿块图像分析时无法准确获取肺部病变区域，以及无法判断病变区域扩散方向的技术问题。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的实施例提供的图像处理方法的流程示意图。
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。
本实施例提供了一种基于计算机视觉的X光肺部肿块图像处理方法，如图1所示，该方法包括：
S101，获取X光肺部肿块图像；获取所述X光肺部肿块图像的骨架掩模；根据所述骨架掩模去除所述X光肺部肿块图像中的骨架部分获得目标图像；
本实施例中，获取X光肺部肿块图像的骨架掩模的过程为，获取多张X光肺部肿块图像；对每张X光肺部肿块图像中的骨架部分进行标记，并将骨架标记后的X光肺部肿块图像输入到神经网络中，获得X光肺部肿块图像的骨架掩模；本实施例中的神经网络的网络结构为Encoder-Decoder结构，使用的数据集为医院数据库里采集的X光片图像数据集；以7∶2∶1的比例分别将数据集划分为训练集、验证集和测试集，三者之间采用的图像数据互不重叠；按二分类将图像中胸腔内部区域的像素点值手动标注为0，骨架部分的像素点值标注为1；神经网络的loss函数为交叉熵损失函数；
S102，获取所述胸腔区域中的异常像素点和正常像素点；
对所述目标图像进行阈值分割获取所述目标图像中的胸腔区域，根据所述胸腔区域中像素点灰度值分布获取灰度阈值；根据所述灰度阈值；
需要说明的是，本实施例中对目标图像进行阈值分割获取目标图像中的胸腔区域，根据胸腔区域中像素点灰度值分布获取灰度阈值；根据灰度阈值获取胸腔区域中的异常像素点；对目标图像进行阈值分割获取目标图像中的胸腔区域的过程为，使用神经网络对胸腔区域进行划分提取，对已获的图像使用神经网络进行语义分割，获得胸腔区域，获得胸腔区域的具体过程如下：采用DNN语义分割的方式来识别分割出图像中的目标区域，DNN语义分割使用的数据集为步骤一中已经完成骨架掩模提取之后的目标图像；需要分割的像素共分为两类，即训练集对应标签标注过程为单通道的语义标签，对应位置像素属于背景类的标注为0，属于胸腔区域的标注为1；网络的任务是分类，所以使用的loss函数为交叉熵损失函数；至此，通过DNN神经网络实现了对目标图像的分割，获得了目标图像中的胸腔区域；
根据胸腔区域中像素点灰度值分布获取灰度阈值，根据灰度阈值获取胸腔区域中 的异常像素点的过程为，获取胸腔区域的灰度直方图，将灰度直方图拟合为一条曲线；获取 曲线的峰值点；获取每个峰值点对应的每个灰度级；对每个灰度级加和，并取平均值获得灰 度阈值
Figure SMS_1
；根据灰度阈值
Figure SMS_2
获取胸腔中的异常像素点；当胸腔区域中的像素点的灰度值小于 灰度阈值
Figure SMS_3
时，该像素点为正常像素点，当胸腔区域中的像素点的灰度值大于灰度阈值
Figure SMS_4
时， 该像素点为异常像素点；由此获得胸腔区域中的异常像素点和正常像素点；
S103，获取每个初始连通域对应的实际连通域；
获取由异常像素点组成的多个初始连通域；根据所述初始连通域中每个边缘像素点邻域内正常像素点的数量和异常像素点的数量获取每个边缘像素点的异常程度；根据每个初始连通域的边缘像素点的异常程度判断该边缘像素点是否为该初始连通域的实际像素点；当该边缘像素点不是该初始连通域的实际像素点时，获取该边缘像素点的邻域像素点的异常程度，根据该边缘像素点的邻域像素点的异常程度依次迭代获取该边缘像素点对应的实际像素点；根据每个初始连通域的实际像素点获取每个初始连通域对应的实际连通域；
需要说明的是，本实施例中获取由异常像素点组成的多个初始连通域；获取由异常像素点组成的多个初始连通域的过程为，获取异常像素点中灰度值最大的像素点作为第一种子像素点；判断种子像素点的八邻域内的是否有异常像素点，如有则将异常像素点与种子像素点连通，并获取异常像素点的八邻域内是否有异常像素点，如有则继续将像素点连通，直至每个异常像素点的八邻域内不存在异常像素点时结束操作，并获得由第一种子像素点得到的第一初始连通域；继续从除第一连通域内像素点外的其余异常像素点中获取灰度值最大的第二种子像素点，并获取第二种子像素点对应的第二连通域；依次获取异常像素点组成的多个初始连通域；
以初始连通域的每个边缘像素点为中心像素点，根据灰度阈值获取中心像素点所在邻域内的异常像素点和正常像素点，并根据异常像素点和正常像素点的个数获取邻域内中心像素点的异常程度；获取邻域内中心像素点的异常程度的过程为，以初始连通域的任一边缘像素点为中心像素点，获取中心像素点的八邻域像素点；
获取八邻域像素点中，除中心像素点外正常像素点A连续出现的个数和异常像素点B连续出现的个数；根据八邻域像素点中正常像素点A连续出现的个数和异常像素点B连续出现的个数获取中心像素点的异常程度，当八邻域像素点中正常像素点A小于异常像素点B连续的个数时，中心像素点的异常程度通过下式确定：
Figure SMS_5
式中，
Figure SMS_7
为中心像素点的异常程度；
Figure SMS_11
为八邻域像素点中正常像素点A在第
Figure SMS_14
次连 续时的个数的平方，
Figure SMS_8
表示正常像素点A在第
Figure SMS_10
次的连续，
Figure SMS_13
表示正常像素点在八邻域中的连 续次数；
Figure SMS_16
为八邻域像素点中异常像素点B在第
Figure SMS_6
次连续时的个数的平方，
Figure SMS_9
表示异常像素 点B在第
Figure SMS_12
次的连续，
Figure SMS_15
表示异常像素点在八邻域中的连续次数；
当八邻域像素点中正常像素点A大于异常像素点B连续的个数时，中心像素点的异常程度通过下式确定：
Figure SMS_17
式中，
Figure SMS_19
为中心像素点的异常程度；
Figure SMS_23
为八邻域像素点中正常像素点A在第
Figure SMS_27
次连 续时的个数的平方，
Figure SMS_20
表示正常像素点A在第
Figure SMS_21
次的连续，
Figure SMS_24
表示正常像素点在八邻域中的连 续次数；
Figure SMS_26
为八邻域像素点中异常像素点B在第
Figure SMS_18
次连续时的个数的平方，
Figure SMS_22
表示异常像素 点B在第
Figure SMS_25
次的连续，
Figure SMS_28
表示异常像素点在八邻域中的连续次数；
当八邻域像素点中正常像素点A等于异常像素点B连续的个数时，中心像素点的异常程度为0；需要说明的是，本实施例的中心像素点八邻域中存在三种连续的像素点的，分别为正常像素点、异常像素点和中心像素点，并假设中心像素点为初始连通域对应实际连通域的边缘像素点，并根据八邻域像素点中正常像素点和异常像素点的连续性对中心像素点进行修正，因而需要确定中心像素点的异常程度；
设定异常程度阈值，根据异常程度阈值和中心像素点的异常程度确定中心像素点是否为初始连通域对应实际连通域的边缘像素点；当中心像素点的异常程度大于或等于异常程度阈值时，中心像素点为初始连通域对应实际连通域的边缘像素点；当中心像素点的异常程度小于异常程度阈值时，中心像素点不是初始连通域对应实际连通域的边缘像素点；当中心像素点不是初始连通域对应实际连通域的边缘像素点时，获取中心像素点的八邻域像素点的异常程度，并根据八邻域像素点的异常程度确定初始连通域对应实际连通域的边缘像素点；
需要说明的是，本实施例中根据具体实施条件设定异常程度阈值为0.3，当中心像素点的异常程度大于或等于0.3时，中心像素点为初始连通域对应实际连通域的边缘像素点；当中心像素点的异常程度小于0.3时，中心像素点不是初始连通域对应实际连通域的边缘像素点；当根据八邻域像素点的异常程度仍无法确定初始连通域对应实际连通域的边缘像素点时，继续获取每个八邻域像素点的邻域像素点的异常程度，直至获得初始连通域对应的实际连通域的边缘像素点；依次获取每个初始连通域对应的实际连通域的边缘像素点；获得每个初始连通域对应的实际连通域；
S104，对每个所述实际连通域进行超像素分割获得多个不同的灰度级区域；根据每个灰度级区域的灰度级获取不同灰度级区域之间的灰度级变化方向，将不同灰度级区域之间的灰度级变化方向进行标记；
需要说明的是，本实施例中对每个实际连通域进行超像素分割获得多个不同的灰度级区域；根据每个灰度级区域的灰度级获取不同灰度级区域之间的灰度级变化方向；根据不同灰度级区域之间的灰度级变化方向确定方向箭头，并灰度级变化的程度对方向箭头进行着色；方向箭头的颜色为红色，且在方向箭头中灰度级变化慢的区域的红色要浅与灰度级变化快的区域；对方向箭头进行着色的过程为，在HSV色彩空间中，固定S和V的数值，H值从0°至30°之间，统计所有超像素分割的灰度级数量N，根据灰度级数量N将30°均等分，获得每个灰度级对应的角度分量，箭头颜色从对应高分量指向低分量，即箭头的颜色高分量部分深于低分量部分；由此获得着色后的X光肺部肿块图像；医生可根据着色后的X光肺部肿块图像判断肺部发肿区域，以及发肿区域的扩散方向。
综上，本实施例提供了一种基于计算机视觉的X光肺部肿块图像处理方法，该方法包括：获取X光肺部肿块图像的目标图像；目标图像为去除骨架区域之后的X光肺部肿块图像；对去除骨架后的X光肺部肿块图像进行分析会使得肿块区域更为明显；通过骨架掩模去除X光肺部肿块图像中的骨架部分获得目标图像，可去除人体骨架对肺部图像分析的影响；对所述目标图像进行阈值分割获取所述目标图像中的胸腔区域，根据所述胸腔区域中像素点灰度值分布获取灰度阈值；根据所述灰度阈值获取所述胸腔区域中的异常像素点和正常像素点；由此可根据胸腔区域中像素点灰度值将胸腔区域中的像素点分为正常像素点和异常像素点，异常像素点为肿块区域像素点；获取由异常像素点组成的多个初始连通域；根据所述初始连通域中每个边缘像素点邻域内正常像素点的数量和异常像素点的数量获取每个边缘像素点的异常程度；根据每个初始连通域的边缘像素点的异常程度判断该边缘像素点是否为该初始连通域的实际像素点；当该边缘像素点不是该初始连通域的实际像素点时，获取该边缘像素点的邻域像素点的异常程度，根据该边缘像素点的邻域像素点的异常程度依次迭代获取该边缘像素点对应的实际像素点；根据每个初始连通域的实际像素点获取每个初始连通域对应的实际连通域；由此，通过将初始连通域进行调整获得实际连通域，获取实际连通域的过程也就是根据多个初始肿块区域获取实际肿块区域的过程，最后得到了X光肺部肿块图像中的多个实际肿块区域；对每个实际连通域进行超像素分割获得多个不同的灰度级区域；根据每个灰度级区域的灰度级获取不同灰度级区域之间的灰度级变化方向；由此，根据不同灰度级区域之间的灰度级变化方向可判断所述X光肺部肿块图像中肿块组织区域和肿块组织的扩散方向；本实施例解决了相关技术中，在对X光肺部肿块图像分析时无法准确获取肺部病变区域，以及无法判断病变区域扩散方向的技术问题。
以上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 (9)

1.一种基于计算机视觉的X光肺部肿块图像处理方法，其特征在于，包括以下步骤：
获取X光肺部肿块图像的目标图像，所述目标图像不包括骨架区域；
对所述目标图像进行阈值分割获取所述目标图像中的胸腔区域，根据所述胸腔区域中像素点灰度值分布获取灰度阈值；根据所述灰度阈值获取所述胸腔区域中的异常像素点和正常像素点；
获取由异常像素点组成的多个初始连通域；根据所述初始连通域中每个边缘像素点邻域内正常像素点的数量和异常像素点的数量获取每个边缘像素点的异常程度；
根据每个初始连通域的边缘像素点的异常程度判断该边缘像素点是否为该初始连通域的实际像素点；当该边缘像素点不是该初始连通域的实际像素点时，获取该边缘像素点的邻域像素点的异常程度，根据该边缘像素点的邻域像素点的异常程度依次迭代获取该边缘像素点对应的实际像素点；根据每个初始连通域的实际像素点获取每个初始连通域对应的实际连通域；
对每个所述实际连通域进行超像素分割获得多个不同的灰度级区域；根据每个灰度级区域的灰度级获取不同灰度级区域之间的灰度级变化方向，将不同灰度级区域之间的灰度级变化方向进行标记，得到处理后的X光肺部肿块图像。
2.根据权利要求1所述的基于计算机视觉的X光肺部肿块图像处理方法，其特征在于，所述根据每个灰度级区域的灰度级获取不同灰度级区域之间的灰度级变化方向的过程中，还包括根据不同灰度级区域之间的灰度级变化方向确定方向箭头，并根据所述灰度级变化的程度对所述方向箭头进行着色。
3.根据权利要求2所述的基于计算机视觉的X光肺部肿块图像处理方法，其特征在于，对所述方向箭头进行着色的过程中，所述方向箭头的颜色为红色，且在所述方向箭头上灰度级变化慢的区域的红色要浅与灰度级变化快的区域。
4.根据权利要求3所述的基于计算机视觉的X光肺部肿块图像处理方法，其特征在于，对所述方向箭头进行着色的过程为：
在所述方向箭头的HSV色彩空间中，固定S和V的数值，H值从0°至30°之间，统计所有超像素分割的灰度级数量N，根据灰度级数量N将30°均等分，获得每个灰度级对应的角度分量，所述箭头颜色从对应高分量指向低分量，即所述箭头的颜色高分量部分深于低分量部分。
5.根据权利要求1所述的基于计算机视觉的X光肺部肿块图像处理方法，其特征在于，所述获取X光肺部肿块图像的目标图像的过程中，还包括：
获取多张X光肺部肿块图像；
对每张所述X光肺部肿块图像中的骨架部分进行标记，并将骨架标记后的X光肺部肿块图像输入到神经网络中，获得所述X光肺部肿块图像的骨架掩模；
根据所述骨架掩模对光肺部肿块图像中的骨架区域进行掩模处理，获得X光肺部肿块图像的目标图像。
6.根据权利要求5所述的基于计算机视觉的X光肺部肿块图像处理方法，其特征在于，所述神经网络的网络结构为Encoder-Decoder结构；所述神经网络的loss函数为交叉熵损失函数。
7.根据权利要求1所述的基于计算机视觉的X光肺部肿块图像处理方法，其特征在于，获取由异常像素点组成的多个初始连通域的过程为：
获取所述异常像素点中灰度值最大的像素点作为第一种子像素点；
判断所述种子像素点的八邻域内的是否有异常像素点，如有则将异常像素点与所述种子像素点连通，并获取所述异常像素点的八邻域内是否有异常像素点，如有则继续将异常像素点连通，直至每个异常像素点的八邻域内不存在异常像素点时结束操作，并获得由所述第一种子像素点得到的第一初始连通域；
继续从除第一连通域内像素点外的其余异常像素点中获取灰度值最大的第二种子像素点，并获取所述第二种子像素点对应的第二连通域；依次获取所述异常像素点组成的多个初始连通域。
8.根据权利要求1所述的基于计算机视觉的X光肺部肿块图像处理方法，其特征在于，根据所述初始连通域中每个边缘像素点邻域内正常像素点的数量和异常像素点的数量获取每个边缘像素点的异常程度的过程中，还包括设定异常程度阈值，当所述边缘像素点的异常程度不小于所述异常程度阈值时，所述边缘像素点为实际连通域的边缘像素点。
9.根据权利要求8所述的基于计算机视觉的X光肺部肿块图像处理方法，其特征在于，所述异常程度阈值为0.3。
CN202310511076.XA 2023-05-09 2023-05-09 基于计算机视觉的x光肺部肿块图像处理方法 Active CN116228767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310511076.XA CN116228767B (zh) 2023-05-09 2023-05-09 基于计算机视觉的x光肺部肿块图像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310511076.XA CN116228767B (zh) 2023-05-09 2023-05-09 基于计算机视觉的x光肺部肿块图像处理方法

Publications (2)

Publication Number Publication Date
CN116228767A true CN116228767A (zh) 2023-06-06
CN116228767B CN116228767B (zh) 2023-06-27

Family

ID=86587663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310511076.XA Active CN116228767B (zh) 2023-05-09 2023-05-09 基于计算机视觉的x光肺部肿块图像处理方法

Country Status (1)

Country Link
CN (1) CN116228767B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110274338A1 (en) * 2010-05-03 2011-11-10 Sti Medical Systems, Llc Image analysis for cervical neoplasia detection and diagnosis
CN107230204A (zh) * 2017-05-24 2017-10-03 东北大学 一种从胸部ct图像中提取肺叶的方法及装置
CN109166124A (zh) * 2018-11-20 2019-01-08 中南大学 一种基于连通区域的视网膜血管形态量化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110274338A1 (en) * 2010-05-03 2011-11-10 Sti Medical Systems, Llc Image analysis for cervical neoplasia detection and diagnosis
CN107230204A (zh) * 2017-05-24 2017-10-03 东北大学 一种从胸部ct图像中提取肺叶的方法及装置
CN109166124A (zh) * 2018-11-20 2019-01-08 中南大学 一种基于连通区域的视网膜血管形态量化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈雯 等: "F-FDG PET/CT显像对前列腺癌生化复发转移灶评估价值的初步研究", 《医学研究杂志》, vol. 51, no. 5, pages 89 - 93 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN116228767B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
Oulefki et al. Automatic COVID-19 lung infected region segmentation and measurement using CT-scans images
US5452367A (en) Automated method and system for the segmentation of medical images
Loizidou et al. An automated breast micro-calcification detection and classification technique using temporal subtraction of mammograms
Liu et al. A CADe system for nodule detection in thoracic CT images based on artificial neural network
Hu et al. Segmentation of brain from computed tomography head images
Ribeiro et al. Handling inter-annotator agreement for automated skin lesion segmentation
CN116228767B (zh) 基于计算机视觉的x光肺部肿块图像处理方法
Panda et al. Automated retinal nerve fiber layer defect detection using fundus imaging in glaucoma
WO2022247573A1 (zh) 模型训练方法、图像处理方法、装置、设备及存储介质
CN111784652B (zh) 基于强化学习多尺度神经网络的mri分割方法
Liu et al. Tracking-based deep learning method for temporomandibular joint segmentation
Jalab et al. Fractional Renyi entropy image enhancement for deep segmentation of kidney MRI
Duarte et al. Segmenting mammographic microcalcifications using a semi-automatic procedure based on Otsu's method and morphological filters
US20230115927A1 (en) Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection
Azli et al. Ultrasound image segmentation using a combination of edge enhancement and kirsch’s template method for detecting follicles in ovaries
CN113920100A (zh) 基于知识蒸馏的弱监督骨扫描图像热点分割方法及系统
WO2022033598A1 (zh) 乳房x射线图像获取方法、装置、计算机设备和存储介质
WO2021139447A1 (zh) 一种宫颈异常细胞检测装置及方法
WO2022153100A1 (en) A method for detecting breast cancer using artificial neural network
Ashame et al. Abnormality Detection in Eye Fundus Retina
Lynn et al. Segmentation of skin lesion towards melanoma skin cancer classification
Christoyianni et al. Automatic detection of abnormal tissue in bilateral mammograms using neural networks
Mesanovic et al. Application of lung segmentation algorithm to disease quantification from CT images
Rodriguez Ruiz Artificial intelligence and tomosynthesis for breast cancer detection
Ko et al. A computer-aided diagnosis system of breast intraductal lesion using histopathological images

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