CN116309647B - 颅脑病灶图像分割模型构建方法、图像分割方法及设备 - Google Patents

颅脑病灶图像分割模型构建方法、图像分割方法及设备 Download PDF

Info

Publication number
CN116309647B
CN116309647B CN202310465687.5A CN202310465687A CN116309647B CN 116309647 B CN116309647 B CN 116309647B CN 202310465687 A CN202310465687 A CN 202310465687A CN 116309647 B CN116309647 B CN 116309647B
Authority
CN
China
Prior art keywords
craniocerebral
image
gradient
lesion
value
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
CN202310465687.5A
Other languages
English (en)
Other versions
CN116309647A (zh
Inventor
叶辰飞
郭绪涛
王勃然
马婷
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.)
Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology
Original Assignee
Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology
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 Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology filed Critical Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology
Priority to CN202310465687.5A priority Critical patent/CN116309647B/zh
Publication of CN116309647A publication Critical patent/CN116309647A/zh
Application granted granted Critical
Publication of CN116309647B publication Critical patent/CN116309647B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T7/0002—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
    • 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
    • G06T2207/30016—Brain
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明涉及图像处理技术领域，具体而言，提供了一种颅脑病灶图像分割模型构建方法、图像分割方法及设备，颅脑病灶图像分割模型构建方法包括：获取多张颅脑病灶图像，对每张所述颅脑病灶图像进行预处理；将处理后的所述颅脑病灶图像灰度化，将灰度化后的颅脑病灶图像构建梯度直方图并提取所述颅脑病灶图像的病灶特征向量；将每张所述颅脑病灶图像根据对应的病灶特征向量进行病灶特征标注并构建颅脑图像数据集；通过所述颅脑图像数据集对初始模型进行训练，得到颅脑病灶图像分割模型。本发明的技术方案针对颅脑病灶的复杂特点进行模型构建并训练，提高颅脑病灶图像分割模型对颅脑病灶图像的分割精度。

Description

颅脑病灶图像分割模型构建方法、图像分割方法及设备
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种颅脑病灶图像分割模型构建方法、图像分割方法及设备。
背景技术
随着医学成像设备的快速发展和普及，成像技术在临床中得到了广泛应用, 成为了不可或缺的辅助手段，在病灶定位过程中起着至关重要的作用，是临床分析和医疗干预的重要证据来源之一。例如，在颅脑肿瘤切除等外科手术过程中通常依赖颅脑影像进行术前规划，即医生通过使用生成机断层扫描(Computed Tomography, CT)、超声(Ultrasound)、磁共振成像(Magnetic Resonance Imaging, MRI)、X光(X-ray) 等术前扫描得到的颅脑影像进行病灶定位，最大限度地减少外科手术对人脑正常组织的伤害，同时尽可能完整地去除或破坏病灶。
由于神经网络技术在图像处理任务中的优异性能，目前，基于神经网络的医学图像分割方法已成为辅助医生进行颅脑病灶定位不可或缺的手段，在实际应用中显著地提高了医生的工作效率。但是，相对于人体其他部位，颅脑结构过于复杂，现有的图像分割模型在训练过程中缺少丰富的带有颅脑病灶特征信息的训练集进行模型训练，使得对颅脑病灶图像的分割结果存在边界模糊，效果不佳，对噪声敏感等问题。另外，传统方法的分割方式过于依赖手工提取及设计特征，在面向颅脑影像病灶分割任务时，分割精度较低且设计过程繁琐。
发明内容
本发明解决的问题是如何提高图像分割模型对颅脑病灶图像的分割精度。
为解决上述问题，本发明提供颅脑病灶图像分割模型构建方法、图像分割方法及设备。
第一方面，本发明提供了一种颅脑病灶图像分割模型构建方法，包括：
获取多张颅脑病灶图像，对每张所述颅脑病灶图像进行去噪和边界填充处理；
将处理后的所述颅脑病灶图像灰度化，并划分为多个小区域，根据所述小区域中各个像素点的灰度值生成每个所述小区域的平均灰度值；
将所述小区域中每个所述像素点的所述灰度值分别与对应的所述平均灰度值进行比较，根据比较结果对每个所述像素点标记数值，并将所述小区域分割成多个像素块，根据每个所述像素点标记的数值生成每个所述像素块的像素块值；
根据所述像素块值构建对应的所述小区域的梯度直方图，将每个所述小区域的所述梯度直方图拼接并进行特征向量提取，得到对应的所述颅脑病灶图像的病灶特征向量；
将每张所述颅脑病灶图像根据对应的所述病灶特征向量进行病灶特征标注，将多张带有所述病灶特征标注的所述颅脑病灶图像构建颅脑图像数据集；
通过所述颅脑图像数据集对初始模型进行训练，得到颅脑病灶图像分割模型，其中，所述初始模型由多个弱分类模型组成，采用交叉熵损失函数生成训练结果损失值。
可选地，所述对每张所述颅脑病灶图像进行去噪和边界填充处理包括：
通过中值滤波器对每张所述颅脑病灶图像进行去噪；
基于复制填充算法，对去噪后的所述颅脑病灶图像的边界进行填充。
可选地，所述将所述小区域中每个所述像素点的所述灰度值分别与对应的所述平均灰度值进行比较，根据比较结果对每个所述像素点标记数值包括：
将每个所述小区域的所述像素点的所述灰度值与对应所述小区域的所述平均灰度值进行比较；
当所述像素点的所述灰度值大于所述平均灰度值时，将所述像素点标记为1；
当所述像素点的灰度值小于或等于所述平均灰度值时，将所述像素点标记为0。
可选地，所述根据每个所述像素点标记的数值生成每个所述像素块的像素块值：
根据每个所述像素块中所述像素点的标记值构建二进制码；
将所述二进制码转换为十进制数，并将所述十进制数设定为对应的所述像素块的所述像素块值。
可选地，所述根据所述像素块值构建对应的所述小区域的梯度直方图包括：
通过梯度算子对所述小区域中所述像素块进行卷积运算，得到x方向梯度分量和y方向梯度分量；
根据所述x方向梯度分量和所述y方向梯度分量生成梯度方向；
根据所述小区域中所有所述像素块值生成每个所述像素块值出现频率；
将所述梯度方向设为横轴，将所述像素块值出现频率设为纵轴，构建所述梯度直方图。
可选地，所述梯度算子包括第一梯度算子和第二梯度算子；所述通过梯度算子对所述小区域中所述像素块进行卷积运算，得到x方向梯度分量和y方向梯度分量包括：
通过所述第一梯度算子对所述小区域中所述像素块值进行卷积运算，得到x方向梯度分量；
通过所述第二梯度算子对所述小区域中所述像素块值进行卷积运算，得到y方向梯度分量;
其中，所述第一梯度算子的矩阵为：
；
所述第二梯度算子的矩阵为：
。
可选地，所述根据所述x方向梯度分量和所述y方向梯度分量生成梯度方向包括：
根据下式生成所述梯度方向：
；
其中，θ为所述梯度方向，gx为所述x方向梯度分量，gy为所述y方向梯度分量。
可选地，所述交叉熵损失函数公式为：
；
其中，C为所述损失值，n为所述颅脑病灶图像总数，x为所述颅脑病灶图像样本，y为所述颅脑病灶图像实际特征标签，a为所述初始模型预测结果。
第二方面，本发明提供了一种颅脑病灶图像分割方法，包括：
获取待处理的颅脑病灶图像；
将所述待处理的颅脑病灶图像输入如第一方面任一项所述的颅脑病灶图像分割模型构建方法所构建的所述颅脑病灶图像分割模型中，确定所述待处理的颅脑病灶图像中病灶区域的分割结果。
第三方面，本发明提供了一种电子设备，包括存储有生成机程序的生成机可读存储介质和处理器，当所述生成机程序被所述处理器读取并运行时，实现第一方面任一项所述的颅脑病灶图像分割模型构建方法，或第二方面所述的颅脑病灶图像分割方法。
本发明的颅脑病灶图像分割模型构建方法，图像分割方法及设备的有益效果是：通过对颅脑病灶图像进行去噪和边界填充的预处理，减少了在模型训练过程中由于颅脑病灶图像中不必要的信号干扰和图像缺失对模型训练结果的影像，提高颅脑病灶图像分割模型的分割精度，通过将颅脑病灶图像灰度化，使图像的内存占用更小，提高了图像处理速度，可以处理大量的颅脑病灶图像，使初始模型可以拥有充足的颅脑病灶图像进行训练，提高颅脑病灶图像分割模型构训练效果。根据颅脑病灶图像中像素的灰度值生成每个划分的小区域的平均灰度值，将平均灰度值与其所在小区域中的各个像素点的灰度进行比较，根据比较结果对各个像素点进行标记数值，通过将每个小区域分割成多个像素块，针对颅脑图像中存在错综复杂的神经网络和血管网络，通过对每个小区域进一步划分像素块可以更准确的提取跟颅脑病灶图像的细小局部纹理细节特征信息。根据标记的数值生成小区域中每个像素块的像素块值，并通过像素块值构建所述小区域的梯度直方图，将各个小区域的梯度直方图连接起来，得到该颅脑病灶图像的整体梯度直方图，再对整体的梯度直方图进行特征向量提取，从而得到该颅脑病灶图像的病灶特征向量。将每张颅脑病灶图像根据对应的病灶特征向量进行特征标注，再将带有特征标注的多张颅脑病灶图像构建颅脑图像数据集。通过颅脑图像数据集对初始模型进行训练，得到适合进行颅脑病灶分割的颅脑病灶分割模型。本发明通过对颅脑病灶图像的多次划分，针对颅脑图像的复杂结构可以更好地提取图像的局部特征，从而使训练好的颅脑病灶分割模型对颅脑病灶图像有更高的分割精度。
附图说明
图1为本发明实施例的一种颅脑病灶图像分割模型构建方法的流程示意图；
图2为本发明实施例的像素块中像素点标记值示意图；
图3为第一梯度算子卷积运算示意图；
图4为第二梯度算子卷积运算示意图；
图5为本发明实施例的一种颅脑病灶图像分割方法的流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
如图1所示，为了解决上述技术问题，本发明实施例提供的一种颅脑病灶图像分割模型构建方法，包括：
步骤S110，获取多张颅脑病灶图像，对每张所述颅脑病灶图像进行去噪和边界填充处理；
具体地，获取多张颅脑病灶图像，例如脑血管疾病、脑部创伤、脑部肿瘤等疾病的颅脑病灶图像，由于不同疾病的颅脑病灶图像在采集和传送过程中会产生干扰信号，需要对每张颅脑病灶图像进行去噪处理，同时不同类型的颅脑病灶图像的规格并不统一，因此还需要对每张颅脑病灶图像进行统一的边界填充处理。
步骤S120，将处理后的所述颅脑病灶图像灰度化，并划分为多个小区域，根据所述小区域中各个像素点的灰度值生成每个所述小区域的平均灰度值；
具体地，采用伽玛（Gamma）校正法对颅脑病灶图像进行灰度化化。Gamma矫正为现有技术，在此不再赘述。并根据每个像素点的颜色深度确定像素点的灰度值。
示例性地，将灰度化的颅脑病灶图像划分为16×16 的小区域（cell），并根据每个cell中的256个像素点的灰度值取平均数，生成该cell的平均灰度值。
步骤S130，将所述小区域中每个所述像素点的所述灰度值分别与对应的所述平均灰度值进行比较，根据比较结果对每个所述像素点标记数值，并将所述小区域分割成多个像素块，根据每个所述像素点标记的数值生成每个所述像素块的像素块值；
示例性地，将16×16的cell再次平均分割为16个4×4的像素块（block），并根据block中16个像素点的灰度值与该cell的平均灰度值的比较结果对每个像素点进行赋值标记，根据block中16个像素点的标记值生成该像素块的像素块值。
步骤S140，根据所述像素块值构建对应的所述小区域的梯度直方图，将每个所述小区域的所述梯度直方图拼接并进行特征向量提取，得到对应的所述颅脑病灶图像的病灶特征向量；
具体地，根据每个小区域中的像素块的像素块值构建各自的梯度直方图，将颅脑病灶图像中所有小区域的直方图拼接成一个完整的直方图，通过对完整直方图特征向量的提取得到该颅脑病灶图像的病灶特征向量。
步骤S150，将每张所述颅脑病灶图像根据对应的所述病灶特征向量进行病灶特征标注，将多张带有所述病灶特征标注的所述颅脑病灶图像构建颅脑图像数据集；
具体地，将获取到的多张不同疾病的颅脑病灶图像根据各自对应的特征向量进行特征标注，并建立一个带有特征标注的颅脑病灶图像数据集对初始模型进行训练，代替了传统的人工标注，既可以快速处理大量图像数据，也可以避免由于个人经验差距造成的标注不统一，节省了人力资源。
步骤S160，通过所述颅脑图像数据集对初始模型进行训练，得到颅脑病灶图像分割模型，其中，所述初始模型由多个弱分类模型组成，采用交叉熵损失函数生成训练结果损失值。
具体地，基于提升算法（Boosting），通过Boosting框架对颅脑病灶数据集进行处理，得到颅脑病灶图像不同的数据子集，通过数据子集不断地对弱分类模型进行训练，从而得到多个基分类模型，然后通过Boosting框架算法将多个训练好的基分类模型进行加权融合,最后得到颅脑病灶图像分割模型。
本实施例中，通过对颅脑病灶图像进行去噪和边界填充的预处理，减少了在模型训练过程中由于颅脑病灶图像中不必要的信号干扰和图像缺失对模型训练结果的影像，提高颅脑病灶图像分割模型的分割精度，通过将颅脑病灶图像灰度化，使图像的内存占用更小，提高了图像处理速度，可以处理大量的颅脑病灶图像，使初始模型可以拥有充足的颅脑病灶图像进行训练，提高颅脑病灶图像分割模型构训练效果。根据颅脑病灶图像中像素的灰度值生成每个划分的小区域的平均灰度值，将平均灰度值与其所在小区域中的各个像素点的灰度进行比较，根据比较结果对各个像素点进行标记数值，通过将每个小区域分割成多个像素块，针对颅脑图像中存在错综复杂的神经网络和血管网络，通过对每个小区域进一步划分像素块可以更准确的提取跟颅脑病灶图像的细小局部纹理细节特征信息。根据标记的数值生成小区域中每个像素块的像素块值，并通过像素块值构建所述小区域的梯度直方图，将各个小区域的梯度直方图连接起来，得到该颅脑病灶图像的整体梯度直方图，再对整体的梯度直方图进行特征向量提取，从而得到该颅脑病灶图像的病灶特征向量。将每张颅脑病灶图像根据对应的病灶特征向量进行特征标注，再将带有特征标注的多张颅脑病灶图像构建颅脑图像数据集。通过颅脑图像数据集对初始模型进行训练，得到适合进行颅脑病灶分割的颅脑病灶分割模型。本发明通过对颅脑病灶图像的多次划分，针对颅脑图像的复杂结构可以更好地提取图像的局部特征，从而使训练好的颅脑病灶分割模型对颅脑病灶图像有更高的分割精度。
可选地，所述对每张所述颅脑病灶图像进行去噪和边界填充包括：
通过中值滤波器对每张所述颅脑病灶图像进行去噪；
基于复制填充算法，对去噪后的所述颅脑病灶图像的边界进行填充。
具体地，采用中值滤波器将颅脑病灶图像中的像素点的值用该像素点周围个像素点的中值替代，让周围的像素值接近真实，从而去除图像中的噪声点，再通过基于复制填充算法去噪处理后的颅脑病灶图像中图像缺失的部分进行补全，通过对该图像边缘的像素进行复制，并将复制的像素填充到缺失的部分，通过复制边缘像素可以降低图像数据填充对整体图像中特征的影响，保证图像的完整性。
在本实施例中，通过对颅脑病灶图像进行预处理，消除图像中的干扰信息，补全图像中缺失的信息，从而改进特征提取、图像分割、匹配和识别的可靠性。
可选地，所述将所述小区域中每个所述像素点的所述灰度值分别与对应的所述平均灰度值进行比较，根据比较结果对每个所述像素点标记数值包括：
将每个所述小区域的所述像素点的所述灰度值与对应所述小区域的所述平均灰度值进行比较；
当所述像素点的所述灰度值大于所述平均灰度值时，将所述像素点标记为1；
当所述像素点的灰度值小于或等于所述平均灰度值时，将所述像素点标记为0。
示例性地，当前小区域的平均灰度值为100，将小区域中灰度值大于100的标记1，将灰度值小于或等于100的标记为0，对颅脑病灶图像中的所有小区域中的像素点进行0或者1的数值标记。
本实施例中，对于颅脑图像中的复杂的细小血管网络组织，临近像素点间的灰度值往往差别不大，根据灰度值进行特征信息的提取达不到很好的效果，但是通过对像素点的灰度值与平均灰度值比较并重新对像素点添加0或1的标注，可以更加直观的表现该像素点的灰度值与所在小区域的整体灰度的关系，有效地表征图像的局部特征，可以有利于对颅脑图像中的局部特征信息进行提取。
可选地，根据每个所述像素点标记的数值生成每个所述像素块的像素块值：
根据每个所述像素块中所述像素点的标记值构建二进制码；
将所述二进制码转换为十进制数，并将所述十进制数设定为对应的所述像素块的所述像素块值。
具体地，如图2所示，根据4×4的像素块中像素点的标记值构建的二进制码为0100010001100011，再将二进制码转换成十进制数为17507，则17507为该像素块的像素块值。
本实施例中，通过对像素块进行二进制编码并转换为十进制数字，将像素块进行数字化表示，更能直观的体现出像素块中的每个像素点之间的相互差异和像素点与对应小区域整体像素的相互关系。
可选地，所述根据所述像素块值构建对应的所述小区域的梯度直方图包括：
通过梯度算子对所述小区域中所述像素块进行卷积运算，得到x方向梯度分量和y方向梯度分量；
根据所述x方向梯度分量和所述y方向梯度分量生成梯度方向；
根据所述小区域中所有所述像素块值生成每个所述像素块值出现频率；
将所述梯度方向设为横轴，将所述像素块值出现频率设为纵轴，构建所述梯度直方图。
具体地，设定不同的梯度算子（kernel），像素块边界用0填充以像素块中的每个像素点作为中心像素点，生成它及其邻域像素点的灰度值与卷积核相应位置的元素的乘积，然后对结果进行求和，得到的值就作为该中心像素点的新值，这样就完成了一次卷积运算。然后将kernel向下或向左平移一位继续生成每个像素块的新值，直到遍历完整个像素块得到像素块的梯度分量，根据不同的梯度算子分别生成像素块的x方向梯度分量和y方向梯度分量，根据像素块x方向梯度分量和y方向梯度分量生成该像素块的梯度方向。
进一步地，将小区域中的各个像素块值进行统计，并统计出每个像素块的像素块值在该小区域中出现的概率，以梯度方向为x轴，以像素块值出现的频率为y轴，构建该小区域的梯度直方图。
在本实施例中，通过对颅脑病灶图像进行分割处理并进行卷积运算，可以得图像局部像素点之间的关系可以很好得到的表征，并将生成得到像素块的梯度方向和像素块值出现的概率建立小区域的梯度直方图，将颅脑病灶图像的局部特征信息以直方图的形式表现出来，更有利于提高后续颅脑病灶图像整体的特征提取的精度。
可选地，所述梯度算子包括第一梯度算子和第二梯度算子，所述通过梯度算子对所述小区域中所述像素块进行卷积运算；得到x方向梯度分量和y方向梯度分量包括：
通过所述第一梯度算子对所述小区域中所述像素块值进行卷积运算，得到x方向梯度分量；
通过所述第二梯度算子对所述小区域中所述像素块值进行卷积运算，得到y方向梯度分量;
其中，所述第一梯度算子的矩阵为：
；
所述第二梯度算子的矩阵为：
。
示例性地，如图3所示，大小为4×4的像素块，边界用0填充，像素块中的数值为像素点的灰度值，其中灰度值为134的像素点的新值生成式为：0×0+0×0+0×0+（-1）×0+134×0+50×1+0×0+0×0+0×0=30，如上所述方法采用第一梯度算子对该像素块各个像素点进行卷积运算，最后得到图中像素块的新值，并根据得到的像素快的新值生成x方向梯度分量。
示例性地，如图4所示，其中灰度值为134的像素点的新值生成式为：0×0+0×（-1）+0×0+0×0+134×0+0×0+0×0+0×0+22×1=22，如上所述方法采用第二梯度算子对像素块进行卷积运算，最后得到图中像素块的新值，并根据得到的像素快的新值生成得到y方向梯度分量。
可选地，所述根据所述x方向梯度分量和所述y方向梯度分量生成梯度方向包括：
根据下式生成所述梯度方向：
；
其中，θ为所述梯度方向，gx为所述x方向梯度分量，gy为所述y方向梯度分量。
具体地，将根据x方向梯度分量作为x轴坐标分量，将y方向梯度分量作为y周坐标分量，通过三角函数生成梯度方向，对梯度方向将会取绝对值，因此梯度方向的范围是0-180度，相较于0-360度使建立的梯度直方图有更好的效果，更好的体现图像的局部特征。
可选地，所述交叉熵损失函数公式为：
；
其中，C为所述损失值，n为所述颅脑病灶图像总数，x为所述颅脑病灶图像样本，y为所述颅脑病灶图像实际特征标签，a为所述初始模型预测结果。
具体地，通过交叉熵损失函数生成初始模型的损失值，损失值越小模型对颅脑病灶图像的分割精度越高，当损失值小于设定值时，得到具有高分类精度的颅脑病灶图像分割模型。
如图5所示，本发明又一实施例提供的一种病灶分割方法，包括：
步骤S210，获取待处理的颅脑病灶图像；
具体地，通过脑CT检查、磁共振检查等检查获取的病人的颅脑病灶图像。
可以理解的是，本发明中涉及到的任何关于数据获取或采集的部分，均为在用户授权的情况下获取或采集的。
步骤S220，将所述待处理的颅脑病灶图像输入如上所述的颅脑病灶图像分割模型构建方法所构建的所述颅脑病灶图像分割模型中，确定所述待处理的颅脑病灶图像中病灶区域的分割结果。
本实施例中，将待处理的颅脑病灶图像输入到上述颅脑病灶图像分割模型构建方法所构建的所述颅脑病灶图像分割模型中，该颅脑病灶分割模型由多个训练好的基分类模型加权融合得到，通过具有颅脑病灶特征标注的颅脑病灶数据集进行针对性的训练，使该模型相较于现有的图像分割模型，在处理复杂结构的颅脑病灶图像时拥有更高的颅脑病灶分割精度。
本发明再一实施例提供的一种电子设备，包括存储有生成机程序的生成机可读存储介质和处理器，当所述生成机程序被所述处理器读取并运行时，实现如上述的颅脑病灶图像分割模型构建方法，或如上述的颅脑病灶图像分割方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过生成机程序来指令相关的硬件来完成，所述的程序可存储于一生成机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。在本申请中，所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
虽然本发明披露如上，但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims (10)

1.一种颅脑病灶图像分割模型构建方法，其特征在于，包括：
获取多张颅脑病灶图像，对每张所述颅脑病灶图像进行去噪和边界填充处理；
将处理后的所述颅脑病灶图像灰度化，并划分为多个小区域，根据所述小区域中各个像素点的灰度值生成每个所述小区域的平均灰度值；
将所述小区域中每个所述像素点的所述灰度值分别与对应的所述平均灰度值进行比较，根据比较结果对每个所述像素点标记数值，并将所述小区域分割成多个像素块，根据每个所述像素点标记的数值生成每个所述像素块的像素块值；
根据所述像素块值构建对应的所述小区域的梯度直方图，将每个所述小区域的所述梯度直方图拼接并进行特征向量提取，得到对应的所述颅脑病灶图像的病灶特征向量；
将每张所述颅脑病灶图像根据对应的所述病灶特征向量进行病灶特征标注，将多张带有所述病灶特征标注的所述颅脑病灶图像构建颅脑图像数据集；
通过所述颅脑图像数据集对初始模型进行训练，得到颅脑病灶图像分割模型，其中，所述初始模型由多个弱分类模型组成，采用交叉熵损失函数生成训练结果损失值。
2.根据权利要求1所述的颅脑病灶图像分割模型构建方法，其特征在于，所述对每张所述颅脑病灶图像进行去噪和边界填充处理包括：
通过中值滤波器对每张所述颅脑病灶图像进行去噪；
基于复制填充算法，对去噪后的所述颅脑病灶图像的边界进行填充。
3.根据权利要求1所述的颅脑病灶图像分割模型构建方法，其特征在于，所述将所述小区域中每个所述像素点的所述灰度值分别与对应的所述平均灰度值进行比较，根据比较结果对每个所述像素点标记数值包括：
将每个所述小区域的所述像素点的所述灰度值与对应所述小区域的所述平均灰度值进行比较；
当所述像素点的所述灰度值大于所述平均灰度值时，将所述像素点标记为1；
当所述像素点的灰度值小于或等于所述平均灰度值时，将所述像素点标记为0。
4.根据权利要求3所述的颅脑病灶图像分割模型构建方法，其特征在于，所述根据每个所述像素点标记的数值生成每个所述像素块的像素块值：
根据每个所述像素块中所述像素点的标记值构建二进制码；
将所述二进制码转换为十进制数，并将所述十进制数设定为对应的所述像素块的所述像素块值。
5.根据权利要求1所述的颅脑病灶图像分割模型构建方法，其特征在于，所述根据所述像素块值构建对应的所述小区域的梯度直方图包括：
通过梯度算子对所述小区域中所述像素块进行卷积运算，得到x方向梯度分量和y方向梯度分量；
根据所述x方向梯度分量和所述y方向梯度分量生成梯度方向；
根据所述小区域中所有所述像素块值生成每个所述像素块值出现频率；
将所述梯度方向设为横轴，将所述像素块值出现频率设为纵轴，构建所述梯度直方图。
6.根据权利要求5所述的颅脑病灶图像分割模型构建方法，其特征在于，所述梯度算子包括第一梯度算子和第二梯度算子；所述通过梯度算子对所述小区域中所述像素块进行卷积运算，得到x方向梯度分量和y方向梯度分量包括：
通过所述第一梯度算子对所述小区域中所述像素块值进行卷积运算，得到x方向梯度分量；
通过所述第二梯度算子对所述小区域中所述像素块值进行卷积运算，得到y方向梯度分量;
其中，所述第一梯度算子的矩阵为：
；
所述第二梯度算子的矩阵为：
。
7.根据权利要求5所述的颅脑病灶图像分割模型构建方法，其特征在于，所述根据所述x方向梯度分量和所述y方向梯度分量生成梯度方向包括：
根据下式生成所述梯度方向：
；
其中，θ为所述梯度方向，gx为所述x方向梯度分量，gy为所述y方向梯度分量。
8.根据权利要求1所述的颅脑病灶图像分割模型构建方法，其特征在于，所述交叉熵损失函数公式为：
；
其中，C为所述损失值，n为所述颅脑病灶图像总数，x为所述颅脑病灶图像样本，y为所述颅脑病灶图像实际特征标签，a为所述初始模型预测结果。
9.一种颅脑病灶图像分割方法，其特征在于，包括：
获取待处理的颅脑病灶图像；
将所述待处理的颅脑病灶图像输入如权利要求1至8任一项所述的颅脑病灶图像分割模型构建方法所构建的所述颅脑病灶图像分割模型中，确定所述待处理的颅脑病灶图像中病灶区域的分割结果。
10.一种电子设备，其特征在于，包括存储有生成机程序的生成机可读存储介质和处理器，当所述生成机程序被所述处理器读取并运行时，实现如权利要求1至8任一项所述的颅脑病灶图像分割模型构建方法，或如权利要求9所述的颅脑病灶图像分割方法。
CN202310465687.5A 2023-04-27 2023-04-27 颅脑病灶图像分割模型构建方法、图像分割方法及设备 Active CN116309647B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310465687.5A CN116309647B (zh) 2023-04-27 2023-04-27 颅脑病灶图像分割模型构建方法、图像分割方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310465687.5A CN116309647B (zh) 2023-04-27 2023-04-27 颅脑病灶图像分割模型构建方法、图像分割方法及设备

Publications (2)

Publication Number Publication Date
CN116309647A CN116309647A (zh) 2023-06-23
CN116309647B true CN116309647B (zh) 2023-07-25

Family

ID=86803372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310465687.5A Active CN116309647B (zh) 2023-04-27 2023-04-27 颅脑病灶图像分割模型构建方法、图像分割方法及设备

Country Status (1)

Country Link
CN (1) CN116309647B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117297554B (zh) * 2023-11-16 2024-07-12 哈尔滨海鸿基业科技发展有限公司 一种淋巴成像装置控制系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678309A (zh) * 2016-02-03 2016-06-15 山东工商学院 一种基于多示例包特征学习的图像多标签标注算法
CN110047068A (zh) * 2019-04-19 2019-07-23 山东大学 基于金字塔场景分析网络的mri脑肿瘤分割方法及系统
CN113576508A (zh) * 2021-07-21 2021-11-02 华中科技大学 一种基于神经网络的脑出血辅助诊断系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11430140B2 (en) * 2018-09-18 2022-08-30 Caide Systems, Inc. Medical image generation, localizaton, registration system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678309A (zh) * 2016-02-03 2016-06-15 山东工商学院 一种基于多示例包特征学习的图像多标签标注算法
CN110047068A (zh) * 2019-04-19 2019-07-23 山东大学 基于金字塔场景分析网络的mri脑肿瘤分割方法及系统
CN113576508A (zh) * 2021-07-21 2021-11-02 华中科技大学 一种基于神经网络的脑出血辅助诊断系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"MRF-Net: A multi-branch residual fusion network for fast and accurate whole-brain MRI segmentation";Chong Wei et al;《Frontiers inNeuroscience》;第1-13页 *
"基于HOG特征和滑动窗口的乳腺病理图像细胞检测";项磊;徐军;;山东大学学报(工学版);45(第01期);第37-44, 63页 *

Also Published As

Publication number Publication date
CN116309647A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
Haque et al. Deep learning approaches to biomedical image segmentation
Yousef et al. A holistic overview of deep learning approach in medical imaging
CN112508965B (zh) 医学影像中正常器官的轮廓线自动勾画系统
EP0757544B1 (en) Computerized detection of masses and parenchymal distortions
CN107545584A (zh) 医学图像中定位感兴趣区域的方法、装置及其系统
WO2021183765A1 (en) Automated detection of tumors based on image processing
CN110706241B (zh) 一种三维病灶区域提取方法和装置
Wu et al. Coarse-to-fine lung nodule segmentation in CT images with image enhancement and dual-branch network
CN111340825A (zh) 一种纵膈淋巴结分割模型的生成方法及系统
CN116797612B (zh) 基于弱监督深度活动轮廓模型的超声图像分割方法及装置
CN116309647B (zh) 颅脑病灶图像分割模型构建方法、图像分割方法及设备
CN113538209A (zh) 一种多模态医学影像配准方法、配准系统、计算设备和存储介质
CN118262875A (zh) 一种医学影像诊断对比阅片方法
Armya et al. Medical images segmentation based on unsupervised algorithms: a review
Noviana et al. Axial segmentation of lungs CT scan images using canny method and morphological operation
Ding et al. Research on Spinal Canal GenerationMethod based on Vertebral Foramina Inpainting of Spinal CT Images by using BEGAN.
Gu et al. 3D automatic fiducial marker localization approach for frameless stereotactic neuro-surgery navigation
CN113989277B (zh) 用于医用放射诊疗检查的成像方法及装置
Pandey et al. A Framework for Mathematical Methods in Medical Image Processing
CN116309593B (zh) 基于数学模型的肝脏穿刺活检b超图像处理方法及系统
Tina et al. Analysis of algorithms in medical image processing
Koompairojn et al. Semi-automatic segmentation and volume determination of brain mass-like lesion
Zakaria et al. Graphcut as a Segmentation Method of Covid-19 X-Ray Image for Diagnose Purpose
Lai et al. A review of medical ocular image segmentation
Zhang et al. Automatic segmentation for meniscus magnetic resonance images of knee joint based on Mask region-based convolution neural network

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