CN116385315A - 用于肿瘤治疗仪模拟消融的图像增强方法及系统 - Google Patents
用于肿瘤治疗仪模拟消融的图像增强方法及系统 Download PDFInfo
- Publication number
- CN116385315A CN116385315A CN202310627096.3A CN202310627096A CN116385315A CN 116385315 A CN116385315 A CN 116385315A CN 202310627096 A CN202310627096 A CN 202310627096A CN 116385315 A CN116385315 A CN 116385315A
- Authority
- CN
- China
- Prior art keywords
- target
- cluster
- tumor
- determining
- inclination angle
- 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
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 230
- 238000002679 ablation Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000001225 therapeutic effect Effects 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 90
- 238000012216 screening Methods 0.000 claims abstract description 40
- 230000009466 transformation Effects 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000000875 corresponding effect Effects 0.000 claims description 324
- 230000002596 correlated effect Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 26
- 210000003625 skull Anatomy 0.000 description 11
- 230000002708 enhancing effect Effects 0.000 description 7
- 238000007917 intracranial administration Methods 0.000 description 7
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- 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
-
- 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
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及图像增强处理技术领域,具体涉及用于肿瘤治疗仪模拟消融的图像增强方法及系统,该方法包括:获取待肿瘤消融部位对应的目标检测图像,并从目标检测图像中筛选出肿瘤候选区域;对肿瘤候选区域进行预设数量次聚类;对目标聚类簇组集合中的每个目标聚类簇进行肿瘤可能性分析处理;从目标聚类簇组集合中筛选出目标肿瘤簇;从预设倾角集合中筛选出参考倾角集合,并确定参考倾角集合中的每个参考倾角对应的增强显著程度;从参考倾角集合中筛选出目标倾角,并确定目标斜率;对目标检测图像进行灰度线性变换。本发明通过对目标检测图像进行数据处理,实现了对目标检测图像的增强,提高了图像增强效果,应用于图像增强。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及用于肿瘤治疗仪模拟消融的图像增强方法及系统。
背景技术
为了提高肿瘤治疗仪的模拟消融的效果,往往需要对采集的肿瘤部位图像进行图像增强。目前,对图像进行增强时,通常采用的方式为:通过人工的方式,设置灰度线性变换的斜率,并采用灰度线性变换,对图像进行增强。
然而,当采用上述方式,对肿瘤部位图像进行增强时,经常会存在如下技术问题:
当通过人工的方式,设置灰度线性变换的斜率时,往往是凭借设置者的个人经验设置灰度线性变换的斜率,因此灰度线性变换斜率的设置受人为主观影响较大,往往导致设置的斜率并不准确,从而导致图像增强效果低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决图像增强效果低下的技术问题,本发明提出了用于肿瘤治疗仪模拟消融的图像增强方法及系统。
第一方面,本发明提供了用于肿瘤治疗仪模拟消融的图像增强方法,该方法包括:
获取待肿瘤消融部位对应的目标检测图像,并从所述目标检测图像中筛选出肿瘤候选区域;
对所述肿瘤候选区域进行预设数量次聚类,得到目标聚类簇组集合;
对所述目标聚类簇组集合中的每个目标聚类簇组中的每个目标聚类簇进行肿瘤可能性分析处理,得到所述目标聚类簇对应的目标程度指标;
根据目标聚类簇对应的目标程度指标,从所述目标聚类簇组集合中筛选出目标肿瘤簇;
从预设倾角集合中筛选出参考倾角集合,并根据所述目标肿瘤簇,确定所述参考倾角集合中的每个参考倾角对应的增强显著程度;
根据参考倾角对应的增强显著程度,从所述参考倾角集合中筛选出目标倾角,并根据所述目标倾角,确定目标斜率;
根据所述目标斜率,对所述目标检测图像进行灰度线性变换,得到目标增强图像。
可选地,所述对所述目标聚类簇组集合中的每个目标聚类簇组中的每个目标聚类簇进行肿瘤可能性分析处理,得到所述目标聚类簇对应的目标程度指标,包括:
将所述目标聚类簇中所有像素点对应的灰度值的均值,确定为所述目标聚类簇对应的初始灰度指标;
将所述目标聚类簇组集合中除了所述目标聚类簇所属目标聚类簇组之外的目标聚类簇组,确定为参考聚类簇组,得到所述目标聚类簇对应的参考聚类簇组集合;
从所述目标聚类簇对应的参考聚类簇组集合中的每个参考聚类簇组中筛选出与所述目标聚类簇存在重叠的参考聚类簇,作为候选聚类簇,确定所述参考聚类簇组对应的候选聚类簇组,得到所述目标聚类簇对应的候选聚类簇组集合;
将所述目标聚类簇对应的候选聚类簇组集合中候选聚类簇的数量,确定为所述目标聚类簇对应的目标颜色指标;
从所述目标聚类簇对应的候选聚类簇组集合中的每个候选聚类簇组中筛选出重叠占比最大的候选聚类簇,作为所述候选聚类簇组对应的待测聚类簇,得到所述目标聚类簇对应的待测聚类簇集合,其中,候选聚类簇对应的重叠占比是该候选聚类簇与所述目标聚类簇之间的重叠区域在所述目标聚类簇中的面积占比;
将所述目标聚类簇对应的面积与所述目标聚类簇对应的待测聚类簇集合中的各个待测聚类簇对应的面积的差值绝对值的累加和,确定为所述目标聚类簇对应的面积差异指标;
根据所述目标聚类簇对应的初始灰度指标、目标颜色指标和面积差异指标,确定所述目标聚类簇对应的目标程度指标,其中,初始灰度指标与目标程度指标呈正相关,目标颜色指标和面积差异指标均与目标程度指标呈负相关。
可选地,所述根据目标聚类簇对应的目标程度指标,从所述目标聚类簇组集合中筛选出目标肿瘤簇,包括:
将所述目标聚类簇组集合中目标程度指标最大的目标聚类簇,确定为目标肿瘤簇。
可选地,所述从预设倾角集合中筛选出参考倾角集合,包括:
将预设倾角集合中的每个预设倾角的正切值,确定为所述预设倾角对应的参考斜率;
将所述目标检测图像中最大的灰度值与每个预设倾角对应的参考斜率的乘积,确定为所述预设倾角对应的目标灰度值;
从预设倾角集合中筛选出目标灰度值小于或等于预设灰度值的预设倾角,作为参考倾角,得到参考倾角集合。
可选地,所述根据所述目标肿瘤簇,确定所述参考倾角集合中的每个参考倾角对应的增强显著程度,包括:
根据所述参考倾角,对所述目标检测图像进行灰度线性变换,得到所述参考倾角对应的参考增强图像;
将所述目标肿瘤簇对应在所述参考倾角对应的参考增强图像中的区域,确定为所述参考倾角对应的目标肿瘤区域;
将所述目标肿瘤簇对应的候选聚类簇组集合中的每个候选聚类簇对应在所述参考倾角对应的参考增强图像中的区域,确定为参考区域,得到所述参考倾角对应的参考区域组集合;
根据所述参考倾角对应的参考区域组集合,确定所述参考倾角对应的目标肿瘤区域对应的目标程度指标,作为所述参考倾角对应的第一程度指标;
根据所述参考倾角对应的目标肿瘤区域,确定所述参考倾角对应的目标均匀程度;
根据所述参考倾角对应的目标肿瘤区域和所述目标肿瘤簇所属目标聚类簇组,确定所述参考倾角对应的灰度对比指标;
根据所述参考倾角对应的第一程度指标、目标均匀程度和灰度对比指标,确定所述参考倾角对应的增强显著程度,其中,第一程度指标、目标均匀程度和灰度对比指标均与增强显著程度呈正相关。
可选地,所述根据所述参考倾角对应的目标肿瘤区域,确定所述参考倾角对应的目标均匀程度,包括:
将所述参考倾角对应的目标肿瘤区域对应的灰度值中最大与最小灰度值的差值,确定为所述参考倾角对应的第一灰度差异;
根据所述参考倾角对应的第一灰度差异,确定所述参考倾角对应的目标均匀程度,其中,第一灰度差异与目标均匀程度呈负相关。
可选地,所述根据所述参考倾角对应的目标肿瘤区域和所述目标肿瘤簇所属目标聚类簇组,确定所述参考倾角对应的灰度对比指标,包括:
将所述参考倾角对应的目标肿瘤区域中所有像素点对应的灰度值的均值,确定为所述参考倾角对应的第一灰度指标;
将所述目标肿瘤簇所属目标聚类簇组中除了所述目标肿瘤簇之外的目标聚类簇,确定为第一簇,得到所述目标肿瘤簇对应的第一簇组;
将所述目标肿瘤簇对应的第一簇组中的每个第一簇对应在所述参考倾角对应的参考增强图像中的区域,确定为第一区域,得到所述参考倾角对应的第一区域组;
将所述参考倾角对应的第一区域组中所有像素点对应的灰度值的均值,确定为所述参考倾角对应的第二灰度指标;
将所述参考倾角对应的第一灰度指标与第二灰度指标的差值的绝对值,确定为所述参考倾角对应的灰度对比指标。
可选地,所述根据参考倾角对应的增强显著程度,从所述参考倾角集合中筛选出目标倾角,包括:
从所述参考倾角集合中筛选出增强显著程度最大的参考倾角,作为目标倾角。
可选地,所述根据所述目标斜率,对所述目标检测图像进行灰度线性变换,得到目标增强图像,包括:
将预设灰度值与所述目标倾角对应的目标灰度值的差值,确定为目标截距;
根据所述目标斜率和所述目标截距,对所述目标检测图像进行灰度线性变换,得到目标增强图像。
第二方面,本发明提供了用于肿瘤治疗仪模拟消融的图像增强系统,包括处理器和存储器,上述处理器用于处理存储在上述存储器中的指令以实现上述的用于肿瘤治疗仪模拟消融的图像增强方法。
本发明具有如下有益效果:
本发明的用于肿瘤治疗仪模拟消融的图像增强方法,通过对目标检测图像进行数据处理,实现了对目标检测图像的增强,解决了图像增强效果低下的技术问题,提高了图像增强效果。首先,由于目标检测图像上往往包含了待肿瘤消融部位的信息,因此获取待肿瘤消融部位对应的目标检测图像,可以便于后续基于目标检测图像包含的信息,对目标检测图像进行精确增强。其次,对目标检测图像进行增强,主要是为了使目标检测图像中的肿瘤区域更加明显,因此从目标检测图像中筛选出肿瘤候选区域,可以进一步细化肿瘤区域的位置,可以便于后续从肿瘤候选区域中识别出肿瘤区域,从而可以便于后续对目标检测图像进行精确增强。接着,由于肿瘤区域的分布往往比较均匀,所以对肿瘤候选区域进行多次聚类,得到的肿瘤区域所在的聚类簇的变化往往不大,因此对肿瘤候选区域进行预设数量次聚类,可以便于后续确定肿瘤区域。继续,对每个目标聚类簇进行肿瘤可能性分析处理,可以量化目标聚类簇对应的区域是肿瘤区域的可能性,可以使后续对肿瘤区域的判断更加客观。再者,由于目标聚类簇对应的目标程度指标可以表征目标聚类簇对应的区域是肿瘤区域的可能性,因此基于目标聚类簇对应的目标程度指标,可以提高目标肿瘤簇确定的准确度。之后,基于目标肿瘤簇,量化了每个参考倾角对应的增强显著程度,可以便于后续筛选出需要的参考倾角。而后,综合考虑了参考倾角集合中的各个参考倾角对应的增强显著程度,可以提高目标倾角确定的准确度,从而提高了目标斜率确定的准确度,进而提高了对目标检测图像进行增强的效果。最后,基于目标斜率,对目标检测图像进行灰度线性变换,可以实现对目标检测图像的增强,并且量化了与图像增强有关的多个指标,使目标斜率的确定更加客观,在一定程度上减少了人为因素的干扰,从而提高了对目标检测图像进行增强的效果。其次,现有还存在的一种图像增强方式为:利用灰度直方图均衡化,对图像进行增强。然而相较于本发明,当采用灰度直方图均衡化,对目标检测图像进行增强时,由于灰度直方图均衡化往往是按照图像的灰度值分布进行统计学上的图像增强,因此,进行灰度直方图均衡化后的目标检测图像的灰度级往往会减少,往往导致待肿瘤消融部位的一些细节损失,从而导致图像增强效果低下。
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和优点,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的介绍,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它附图。
图1为本发明的用于肿瘤治疗仪模拟消融的图像增强方法的流程图;
图2为本发明的颅脑外部颅骨、颅脑内部区域和黑色背景之间的位置关系示意图。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本发明提供了用于肿瘤治疗仪模拟消融的图像增强方法,该方法包括以下步骤:
获取待肿瘤消融部位对应的目标检测图像,并从目标检测图像中筛选出肿瘤候选区域;
对肿瘤候选区域进行预设数量次聚类,得到目标聚类簇组集合;
对目标聚类簇组集合中的每个目标聚类簇组中的每个目标聚类簇进行肿瘤可能性分析处理,得到目标聚类簇对应的目标程度指标;
根据目标聚类簇对应的目标程度指标,从目标聚类簇组集合中筛选出目标肿瘤簇;
从预设倾角集合中筛选出参考倾角集合,并根据目标肿瘤簇,确定参考倾角集合中的每个参考倾角对应的增强显著程度;
根据参考倾角对应的增强显著程度,从参考倾角集合中筛选出目标倾角,并根据目标倾角,确定目标斜率;
根据目标斜率,对目标检测图像进行灰度线性变换,得到目标增强图像。
下面对上述各个步骤进行详细展开:
参考图1,示出了本发明的用于肿瘤治疗仪模拟消融的图像增强方法的一些实施例的流程。该用于肿瘤治疗仪模拟消融的图像增强方法,包括以下步骤:
步骤S1,获取待肿瘤消融部位对应的目标检测图像,并从目标检测图像中筛选出肿瘤候选区域。
在一些实施例中,可以获取待肿瘤消融部位对应的目标检测图像,并从上述目标检测图像中筛选出肿瘤候选区域。
其中,待肿瘤消融部位可以是待进行肿瘤消融的部位。待肿瘤消融部位可以包括待消融肿瘤。待消融肿瘤可以是需要被消融的肿瘤。待消融肿瘤的颜色可以是灰白色。目标检测图像可以是待肿瘤消融部位的灰度图像。肿瘤候选区域可以是待肿瘤消融部位中包含待消融肿瘤的区域。例如,待肿瘤消融部位可以是颅脑。肿瘤候选区域可以是颅脑中包含待消融肿瘤的颅脑内部区域。其中,颅脑可以包括:颅脑内部区域和颅脑外部颅骨。
需要说明的是,由于目标检测图像上往往包含了待肿瘤消融部位的信息,因此获取待肿瘤消融部位对应的目标检测图像,可以便于后续基于目标检测图像包含的信息,对目标检测图像进行精确增强。其次,对目标检测图像进行增强,主要是为了使目标检测图像中的肿瘤区域更加明显,因此从目标检测图像中筛选出肿瘤候选区域,可以进一步细化肿瘤区域的位置,可以便于后续从肿瘤候选区域中识别出肿瘤区域,从而可以便于后续对目标检测图像进行精确增强。
作为示例,本步骤可以包括以下步骤:
第一步,通过CT(Computed Tomography,电子计算机断层扫描)设备,获取待肿瘤消融部位的CT图像,作为初始图像。
第二步,对初始图像进行灰度化,得到目标检测图像。
第三步,对目标检测图像进行聚类,得到初始聚类簇集合。
其中,初始聚类簇集合中的初始聚类簇可以是对目标检测图像进行聚类,得到的聚类簇。
第四步,从初始聚类簇集合中筛选出肿瘤候选聚类簇,并将肿瘤候选聚类簇所在的区域,确定为肿瘤候选区域。
其中,肿瘤候选聚类簇中的像素点可以是肿瘤候选区域中的像素点。
例如,若待肿瘤消融部位为颅脑,肿瘤候选区域为颅脑内部区域,则从目标检测图像中识别出颅脑内部区域可以包括以下子步骤:
第一子步骤,采用Kmeans聚类,对目标检测图像进行聚类,得到初始聚类簇集合。
比如,可以基于灰度值,采用Kmeans聚类,对目标检测图像进行聚类,得到初始聚类簇集合。
需要说明的是,由于颅脑包括颅脑内部区域和颅脑外部颅骨。所以颅脑对应的目标检测图像可以包括:颅脑内部区域、颅脑外部颅骨和黑色背景区域。因此采用Kmeans聚类,对目标检测图像进行聚类时,可以设置类别值K=3,此时初始聚类簇集合中初始聚类簇的数量可以为3。
第二子步骤,将初始聚类簇集合中的每个初始聚类簇中所有像素点对应的灰度值的均值,确定为该初始聚类簇对应的灰度代表值。
第三子步骤,从初始聚类簇集合中筛选出灰度代表值最大的初始聚类簇,作为颅骨聚类簇。
其中,颅骨聚类簇可以是颅脑外部颅骨所在的聚类簇。
第四子步骤,将颅骨聚类簇内部的初始聚类簇,确定为颅脑内部聚类簇,并将颅脑内部聚类簇所在的区域,确定为颅脑内部区域。
需要说明的是,颅骨聚类簇所在的区域可以是颅脑外部颅骨,颅脑外部颅骨类似于颅脑边缘,在颅脑外部颅骨的内部往往是颅脑内部区域,在颅脑外部颅骨的外部往往是黑色背景。因此颅骨聚类簇内部的初始聚类簇所在的区域往往是颅脑内部区域。颅脑外部颅骨、颅脑内部区域和黑色背景之间的位置关系可以如图2所示,图2中竖线填充的区域可以表征黑色背景,白色环形区域可以表征颅脑外部颅骨,斜线填充的圆形区域可以表征颅脑内部区域,由图2可知,颅脑内部区域在颅脑外部颅骨的内部,黑色背景在颅脑外部颅骨的外部。
可选地,可以采用神经网络识别的方式,从目标检测图像中识别出肿瘤候选区域。
步骤S2,对肿瘤候选区域进行预设数量次聚类,得到目标聚类簇组集合。
在一些实施例中,可以对上述肿瘤候选区域进行预设数量次聚类,得到目标聚类簇组集合。
其中,预设数量可以是预先设置的数量。例如,预设数量可以是8。目标聚类簇组集合中的目标聚类簇组可以与聚类次数一一对应。每次对肿瘤候选区域聚类结束得到的多个聚类簇,可以组成目标聚类簇组。即,一个目标聚类簇组可以包括:对肿瘤候选区域进行一次聚类后得到的多个聚类簇。目标聚类簇组集合中目标聚类簇组的数量可以等于预设数量。
需要说明的是,由于肿瘤区域的分布往往比较均匀,所以对肿瘤候选区域进行多次聚类,得到的肿瘤区域所在的聚类簇的变化往往不大,因此对肿瘤候选区域进行预设数量次聚类,可以便于后续确定肿瘤区域。
作为示例,可以预先设置预设数量个不同的类别值K,采用Kmeans聚类,分别对肿瘤候选区域进行聚类,将每次聚类结束得到的多个聚类簇,组成目标聚类簇组,得到预设数量个目标聚类簇组。其中,若预设数量为8,则8个不同的类别值K可以包括:K=4至K=11。
步骤S3,对目标聚类簇组集合中的每个目标聚类簇组中的每个目标聚类簇进行肿瘤可能性分析处理,得到目标聚类簇对应的目标程度指标。
在一些实施例中,可以对上述目标聚类簇组集合中的每个目标聚类簇组中的每个目标聚类簇进行肿瘤可能性分析处理,得到上述目标聚类簇对应的目标程度指标。
需要说明的是,对每个目标聚类簇进行肿瘤可能性分析处理,可以量化目标聚类簇对应的区域是肿瘤区域的可能性,可以使后续对肿瘤区域的判断更加客观。
作为示例,本步骤可以包括以下步骤:
第一步,将上述目标聚类簇中所有像素点对应的灰度值的均值,确定为上述目标聚类簇对应的初始灰度指标。
第二步,将上述目标聚类簇组集合中除了上述目标聚类簇所属目标聚类簇组之外的目标聚类簇组,确定为参考聚类簇组,得到上述目标聚类簇对应的参考聚类簇组集合。
其中,目标聚类簇对应的参考聚类簇组集合可以包括:目标聚类簇组集合中除了该目标聚类簇所属目标聚类簇组之外的目标聚类簇组。比如,目标聚类簇组集合中第1个目标聚类簇组中的各个目标聚类簇对应的参考聚类簇组集合可以包括:目标聚类簇组集合中除了第1个目标聚类簇组之外的目标聚类簇组。
例如,可以将目标聚类簇组集合中除了第1个目标聚类簇所属目标聚类簇组之外的目标聚类簇组,确定为参考聚类簇组,得到第1个目标聚类簇对应的参考聚类簇组集合。
第三步,从上述目标聚类簇对应的参考聚类簇组集合中的每个参考聚类簇组中筛选出与上述目标聚类簇存在重叠的参考聚类簇,作为候选聚类簇,确定上述参考聚类簇组对应的候选聚类簇组,得到上述目标聚类簇对应的候选聚类簇组集合。
其中,与目标聚类簇存在重叠的参考聚类簇可以认为是与该目标聚类簇位于相同位置的聚类簇。
例如,若目标聚类簇对应的参考聚类簇组集合包括:第一参考聚类簇组和第二参考聚类簇组。则可以从第一参考聚类簇组中筛选出与该目标聚类簇存在重叠的参考聚类簇,作为候选聚类簇,将从第一参考聚类簇组中筛选出的候选聚类簇,组成一个候选聚类簇组,作为第一候选聚类簇组。可以从第二参考聚类簇组中筛选出与该目标聚类簇存在重叠的参考聚类簇,作为候选聚类簇,将从第二参考聚类簇组中筛选出的候选聚类簇,组成一个候选聚类簇组,作为第二候选聚类簇组。该目标聚类簇对应的候选聚类簇组集合可以包括:第一候选聚类簇组和第二候选聚类簇组。
第四步,将上述目标聚类簇对应的候选聚类簇组集合中候选聚类簇的数量,确定为上述目标聚类簇对应的目标颜色指标。
第五步,从上述目标聚类簇对应的候选聚类簇组集合中的每个候选聚类簇组中筛选出重叠占比最大的候选聚类簇,作为上述候选聚类簇组对应的待测聚类簇,得到上述目标聚类簇对应的待测聚类簇集合。
其中,候选聚类簇对应的重叠占比可以是该候选聚类簇与上述目标聚类簇之间的重叠区域在上述目标聚类簇中的面积占比。候选聚类簇与目标聚类簇之间的重叠区域可以是候选聚类簇与目标聚类簇的交集。目标聚类簇对应的待测聚类簇集合可以包括:该目标聚类簇对应的候选聚类簇组集合中的各个候选聚类簇组对应的待测聚类簇。
例如,可以从目标聚类簇对应的候选聚类簇组集合中的每个候选聚类簇组中筛选出重叠占比最大的候选聚类簇,作为该候选聚类簇组对应的待测聚类簇,得到该目标聚类簇对应的待测聚类簇集合。其中,候选聚类簇对应的重叠占比可以是该候选聚类簇与该目标聚类簇之间的重叠区域在上述目标聚类簇中的面积占比。
第六步,将上述目标聚类簇对应的面积与上述目标聚类簇对应的待测聚类簇集合中的各个待测聚类簇对应的面积的差值绝对值的累加和,确定为上述目标聚类簇对应的面积差异指标。
第七步,根据上述目标聚类簇对应的初始灰度指标、目标颜色指标和面积差异指标,确定上述目标聚类簇对应的目标程度指标。
其中,初始灰度指标可以与目标程度指标呈正相关。目标颜色指标和面积差异指标均可以与目标程度指标呈负相关。
例如,确定目标聚类簇对应的目标程度指标对应的公式可以为:
其中,是目标聚类簇组集合中的第i个目标聚类簇组中的第j个目标聚类簇对应
的目标程度指标。是第i个目标聚类簇组中的第j个目标聚类簇对应的初始灰度指标,也
就是第i个目标聚类簇组中的第j个目标聚类簇中所有像素点对应的灰度值的均值。是
第i个目标聚类簇组中的第j个目标聚类簇对应的目标颜色指标。是第i个目标聚类簇组
中的第j个目标聚类簇对应的待测聚类簇集合中待测聚类簇的数量。是第i个目标聚类簇
组中的第j个目标聚类簇对应的面积。比如,目标聚类簇对应的面积可以用该目标聚类簇中
像素点的数量表征。是第i个目标聚类簇组中的第j个目标聚类簇对应的待测聚类簇集
合中,第d个待测聚类簇对应的面积。是的绝对值。是第i
个目标聚类簇组中的第j个目标聚类簇对应的面积差异指标。和均与
呈负相关。与呈正相关。是自然常数的次方。i是目标聚类簇组集合中目标聚类簇组的序号。j是第i个目标
聚类簇组中目标聚类簇的序号。d是第j个目标聚类簇对应的待测聚类簇集合中待测聚类簇
的序号。
需要说明的是,由于肿瘤区域的颜色相较于正常区域往往偏白色,因此当越大
时,往往说明第j个目标聚类簇中像素点的灰度值越大,往往说明第j个目标聚类簇越可能
偏向于白色,往往说明第j个目标聚类簇越可能是肿瘤区域所在的聚类簇。由于肿瘤区域的
分布往往比较均匀,所以对肿瘤候选区域进行多次聚类,得到的肿瘤区域所在的聚类簇的
变化相较于正常区域所在的聚类簇的变化往往较小。其中,区域所在的聚类簇的变化可以
包括:该区域中的聚类簇变多和单个聚类簇的面积发生变化。因此当越大时,往往说明
与第j个目标聚类簇对应的候选聚类簇组集合中候选聚类簇的数量越大,往往说明在变换
类别值时第j个目标聚类簇所在区域中聚类簇的数量增加的可能性越大,往往说明在变换
类别值时第j个目标聚类簇所在区域被分类为多个聚类簇的可能性越大,往往说明第j个目
标聚类簇越可能不是肿瘤区域所在的聚类簇。越大时,往往说明第j个目标聚类
簇与第d个待测聚类簇之间的面积差异越大。若第j个目标聚类簇所在区域是肿瘤区域,则往往越接近于0。所以越小,往往说明第j个目标聚类簇越可
能是肿瘤区域所在的聚类簇。因此,越大,往往说明第j个目标聚类簇越可能是肿瘤区域
所在的聚类簇。
步骤S4,根据目标聚类簇对应的目标程度指标,从目标聚类簇组集合中筛选出目标肿瘤簇。
在一些实施例中,可以根据目标聚类簇对应的目标程度指标,从上述目标聚类簇组集合中筛选出目标肿瘤簇。
作为示例,可以将上述目标聚类簇组集合中目标程度指标最大的目标聚类簇,确定为目标肿瘤簇。
需要说明的是,由于目标聚类簇对应的目标程度指标可以表征目标聚类簇对应的区域是肿瘤区域的可能性,因此基于目标聚类簇对应的目标程度指标,可以提高目标肿瘤簇确定的准确度。其次,由于目标聚类簇对应的目标程度指标越大,该目标聚类簇越可能是肿瘤区域所在的聚类簇,所以目标程度指标最大的目标聚类簇可以表征肿瘤区域,因此,目标肿瘤簇可以是待消融肿瘤所在的聚类簇。
步骤S5,从预设倾角集合中筛选出参考倾角集合,并根据目标肿瘤簇,确定参考倾角集合中的每个参考倾角对应的增强显著程度。
在一些实施例中,可以从预设倾角集合中筛选出参考倾角集合,并根据上述目标肿瘤簇,确定上述参考倾角集合中的每个参考倾角对应的增强显著程度。
其中,预设倾角可以是预先设置的倾角。预设倾角集合中的预设倾角可以属于预设倾角范围。预设倾角范围可以是预先设置的倾角范围。比如,预设倾角范围可以是(0°,90°)。预设倾角对应的参考斜率可以是该预设倾角的斜率。
例如,若预设倾角范围为(0°,90°),则预设倾角集合可以为{1°,2°,3°,…,88°,89°}。
需要说明的是,基于目标肿瘤簇,量化了每个参考倾角对应的增强显著程度,可以便于后续筛选出需要的参考倾角。其次,参考倾角集合包括的参考倾角越全面,后续筛选出的目标倾角越可能是最优的倾角,从而对目标检测图像进行增强的效果越好。
作为示例,本步骤可以包括以下步骤:
第一步,将预设倾角集合中的每个预设倾角的正切值,确定为上述预设倾角对应的参考斜率。
需要说明的是,若参考斜率大于1,则进行灰度线性变换后图像整体对比度往往得到拉伸。若参考斜率小于1,则进行灰度线性变换后图像整体对比度往往被压缩。若参考斜率为1,并且截距为0时,则进行灰度线性变换后图像整体往往不变。因此通过调整斜率和截距,可以实现对图像的增强。
第二步,将上述目标检测图像中最大的灰度值与每个预设倾角对应的参考斜率的乘积,确定为上述预设倾角对应的目标灰度值。
需要说明的是,预设倾角对应的目标灰度值可以表征以该预设倾角对应的参考斜率为斜率、以0为截距时,对目标检测图像进行灰度线性变换后,得到的图像中的最大灰度值。
第三步,从预设倾角集合中筛选出目标灰度值小于或等于预设灰度值的预设倾角,作为参考倾角,得到参考倾角集合。
其中,预设灰度值可以是预先设置的增强后图像的最大灰度阈值。例如,预设灰度值可以是255。
需要说明的是,灰度图中的灰度值往往不能无限制的大,因此从预设倾角集合中筛选出目标灰度值小于或等于预设灰度值的预设倾角,可以避免后续计算出计算机无法实现的灰度值。
第四步,根据上述参考倾角,对上述目标检测图像进行灰度线性变换,得到上述参考倾角对应的参考增强图像。
例如,根据参考倾角,对目标检测图像进行灰度线性变换,得到该参考倾角对应的参考增强图像可以包括以下子步骤:
第一子步骤,将预设灰度值与参考倾角对应的目标灰度值的差值,确定为该参考倾角对应的参考截距。
第二子步骤,根据参考倾角对应的参考斜率和参考截距,对目标检测图像进行灰度线性变换,得到该参考倾角对应的参考增强图像。
比如,确定参考倾角对应的参考增强图像对应的公式可以为:
其中,是目标检测图像中第b个像素点对应的灰度值。是参考倾角集合中第t
个参考倾角对应的参考斜率。是目标检测图像中第b个像素点对应在第t个参考倾角对
应的参考增强图像中的像素点对应的灰度值,也就是第t个参考倾角对应的参考增强图像
中,与目标检测图像中第b个像素点位置相同的像素点对应的灰度值。w是预设灰度值,如w
可以是255。是第t个参考倾角对应的目标灰度值。是第t个参考倾角对应的参考
截距。t是参考倾角集合中参考倾角的序号。b是目标检测图像中像素点的序号。
第五步,将上述目标肿瘤簇对应在上述参考倾角对应的参考增强图像中的区域,确定为上述参考倾角对应的目标肿瘤区域。
第六步,将上述目标肿瘤簇对应的候选聚类簇组集合中的每个候选聚类簇对应在上述参考倾角对应的参考增强图像中的区域,确定为参考区域,得到上述参考倾角对应的参考区域组集合。
第七步,根据上述参考倾角对应的参考区域组集合,确定上述参考倾角对应的目标肿瘤区域对应的目标程度指标,作为上述参考倾角对应的第一程度指标。
例如,可以参考上述确定目标聚类簇对应的目标程度指标的方式,确定参考倾角对应的第一程度指标,具体可以为:将参考倾角对应的目标肿瘤区域和参考区域组集合,分别作为目标聚类簇和目标聚类簇对应的候选聚类簇组集合,执行步骤S3包括的作为示例包括的第一步、第四步至第七步,得到的目标程度指标,即为该参考倾角对应的第一程度指标。
第八步,根据上述参考倾角对应的目标肿瘤区域,确定上述参考倾角对应的目标均匀程度。
例如,根据上述参考倾角对应的目标肿瘤区域,确定上述参考倾角对应的目标均匀程度可以包括以下子步骤:
第一子步骤,将上述参考倾角对应的目标肿瘤区域对应的灰度值中最大与最小灰度值的差值,确定为上述参考倾角对应的第一灰度差异。
第二子步骤,根据上述参考倾角对应的第一灰度差异,确定上述参考倾角对应的目标均匀程度。
其中,第一灰度差异可以与目标均匀程度呈负相关。
第九步,根据上述参考倾角对应的目标肿瘤区域和上述目标肿瘤簇所属目标聚类簇组,确定上述参考倾角对应的灰度对比指标。
例如,根据上述参考倾角对应的目标肿瘤区域和上述目标肿瘤簇所属目标聚类簇组,确定上述参考倾角对应的灰度对比指标可以包括以下子步骤:
第一子步骤,将上述参考倾角对应的目标肿瘤区域中所有像素点对应的灰度值的均值,确定为上述参考倾角对应的第一灰度指标。
第二子步骤,将上述目标肿瘤簇所属目标聚类簇组中除了上述目标肿瘤簇之外的目标聚类簇,确定为第一簇,得到上述目标肿瘤簇对应的第一簇组。
第三子步骤,将上述目标肿瘤簇对应的第一簇组中的每个第一簇对应在上述参考倾角对应的参考增强图像中的区域,确定为第一区域,得到上述参考倾角对应的第一区域组。
其中,参考倾角对应的第一区域组可以包括:目标肿瘤簇对应的第一簇组中的各个第一簇对应在该参考倾角对应的参考增强图像中的区域。
第四子步骤,将上述参考倾角对应的第一区域组中所有像素点对应的灰度值的均值,确定为上述参考倾角对应的第二灰度指标。
第五子步骤,将上述参考倾角对应的第一灰度指标与第二灰度指标的差值的绝对值,确定为上述参考倾角对应的灰度对比指标。
第十步,根据上述参考倾角对应的第一程度指标、目标均匀程度和灰度对比指标,确定上述参考倾角对应的增强显著程度。
其中,第一程度指标、目标均匀程度和灰度对比指标均可以与增强显著程度呈正相关。
例如,确定参考倾角对应的增强显著程度对应的公式可以为:
其中,是参考倾角集合中的第t个参考倾角对应的增强显著程度。是第t个参
考倾角对应的第一程度指标,也就是第t个参考倾角对应的目标肿瘤区域对应的目标程度
指标。是第t个参考倾角对应的目标肿瘤区域对应的灰度值中最大的灰度值。是第t个
参考倾角对应的目标肿瘤区域对应的灰度值中最小的灰度值。是第t个参考倾角
对应的第一灰度差异。是第t个参考倾角对应的目标均匀程度。与呈负相关。是第t个参考倾角对应的第一灰度指标,也就是第t个参考倾角对
应的目标肿瘤区域中所有像素点对应的灰度值的均值。是第t个参考倾角对应的第二灰
度指标,也就是第t个参考倾角对应的第一区域组中所有像素点对应的灰度值的均值。是的绝对值。是第t个参考倾角对应的灰度对比指标。、和均与呈正相关。t是参考倾角集合中参考倾角的序号。
需要说明的是,当越大时,往往说明在第t个参考倾角对应的参考增强图像中目
标肿瘤区域的肿瘤特征越明显,往往说明第t个参考倾角对应的参考增强图像的增强效果
越好。当越大时,往往说明目标肿瘤区域中最大和最小的灰度值之间的差异越
小,往往说明目标肿瘤区域中像素点对应的灰度值越接近,往往说明在第t个参考倾角对应
的参考增强图像中越能体现目标肿瘤区域均匀的特性,往往说明第t个参考倾角对应的参
考增强图像的增强效果越好。当越大时,往往说明目标肿瘤区域与非肿瘤区域
(正常区域)之间的对比越明显,往往说明第t个参考倾角对应的参考增强图像的增强效果
越好。因此越大,往往说明第t个参考倾角对应的参考增强图像的增强效果越好。
步骤S6,根据参考倾角对应的增强显著程度,从参考倾角集合中筛选出目标倾角,并根据目标倾角,确定目标斜率。
在一些实施例中,可以根据参考倾角对应的增强显著程度,从上述参考倾角集合中筛选出目标倾角,并根据上述目标倾角,确定目标斜率。
需要说明的是,综合考虑了参考倾角集合中的各个参考倾角对应的增强显著程度,可以提高目标倾角确定的准确度,从而提高了目标斜率确定的准确度,进而提高了对目标检测图像进行增强的效果。
作为示例,本步骤可以包括以下步骤:
第一步,从上述参考倾角集合中筛选出增强显著程度最大的参考倾角,作为目标倾角。
第二步,根据目标倾角,确定目标斜率。
例如,可以将目标倾角的正切值,确定为目标斜率。
需要说明的是,参考倾角对应的增强显著程度越大,往往说明该参考倾角对应的参考增强图像的增强效果越好,因此增强显著程度最大的参考倾角(目标倾角)对应的参考增强图像的增强效果相较于其他参考倾角往往是最好的。因此基于目标斜率,对目标检测图像进行灰度线性变换,得到的图像的增强效果往往比较好。
步骤S7,根据目标斜率,对目标检测图像进行灰度线性变换,得到目标增强图像。
在一些实施例中,可以根据上述目标斜率,对上述目标检测图像进行灰度线性变换,得到目标增强图像。
其中,目标增强图像可以是对目标检测图像进行增强后的图像。
需要说明的是,基于目标斜率,对目标检测图像进行灰度线性变换,可以实现对目标检测图像的增强,并且量化了与图像增强有关的多个指标,使目标斜率的确定更加客观,在一定程度上减少了人为因素的干扰,从而提高了对目标检测图像进行增强的效果。
作为示例,本步骤可以包括以下步骤:
第一步,将预设灰度值与上述目标倾角对应的目标灰度值的差值,确定为目标截距。
第二步,根据上述目标斜率和上述目标截距,对上述目标检测图像进行灰度线性变换,得到目标增强图像。
例如,可以参考上述确定参考倾角对应的参考增强图像的方式,确定目标增强图像,具体可以为:将目标斜率和目标截距,分别作为参考倾角对应的参考斜率和参考截距,执行步骤S5包括的作为示例包括的第四步,得到的参考增强图像,即为目标增强图像。
又如,可以将目标倾角对应的参考增强图像,确定为目标增强图像。
基于与上述方法实施例相同的发明构思,本发明提供了用于肿瘤治疗仪模拟消融的图像增强系统,该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,上述计算机程序被处理器执行时实现用于肿瘤治疗仪模拟消融的图像增强方法的步骤。
综上,首先对目标检测图像进行增强,主要是为了使目标检测图像中的肿瘤区域更加明显,因此从获取的目标检测图像中筛选出肿瘤候选区域,可以进一步细化肿瘤区域的位置,可以便于后续从肿瘤候选区域中识别出肿瘤区域,从而可以便于后续对目标检测图像进行精确增强。接着,由于肿瘤区域的分布往往比较均匀,所以对肿瘤候选区域进行多次聚类,得到的肿瘤区域所在的聚类簇的变化往往不大,因此对肿瘤候选区域进行预设数量次聚类,可以便于后续确定肿瘤区域。然后,对每个目标聚类簇进行肿瘤可能性分析处理,可以量化目标聚类簇对应的区域是肿瘤区域的可能性,可以使后续对肿瘤区域的判断更加客观。继续,由于目标聚类簇对应的目标程度指标可以表征目标聚类簇对应的区域是肿瘤区域的可能性,因此基于目标聚类簇对应的目标程度指标,可以提高目标肿瘤簇确定的准确度。其次,由于目标聚类簇对应的目标程度指标越大,该目标聚类簇越可能是肿瘤区域所在的聚类簇,所以目标程度指标最大的目标聚类簇可以表征肿瘤区域,因此,目标肿瘤簇可以是待消融肿瘤所在的聚类簇。再者,基于目标肿瘤簇,量化了每个参考倾角对应的增强显著程度,可以便于后续筛选出需要的参考倾角。其次,参考倾角集合包括的参考倾角越全面,后续筛选出的目标倾角越可能是最优的倾角,从而对目标检测图像进行增强的效果越好。之后,参考倾角对应的增强显著程度越大,往往说明该参考倾角对应的参考增强图像的增强效果越好,因此增强显著程度最大的参考倾角(目标倾角)对应的参考增强图像的增强效果相较于其他参考倾角往往是最好的。因此基于目标斜率,对目标检测图像进行灰度线性变换,得到的图像的增强效果往往比较好。最后,基于目标斜率,对目标检测图像进行灰度线性变换,可以实现对目标检测图像的增强,并且量化了与图像增强有关的多个指标,使目标斜率的确定更加客观,在一定程度上减少了人为因素的干扰,从而提高了对目标检测图像进行增强的效果。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于肿瘤治疗仪模拟消融的图像增强方法,其特征在于,包括以下步骤:
获取待肿瘤消融部位对应的目标检测图像,并从所述目标检测图像中筛选出肿瘤候选区域;
对所述肿瘤候选区域进行预设数量次聚类,得到目标聚类簇组集合;
对所述目标聚类簇组集合中的每个目标聚类簇组中的每个目标聚类簇进行肿瘤可能性分析处理,得到所述目标聚类簇对应的目标程度指标;
根据目标聚类簇对应的目标程度指标,从所述目标聚类簇组集合中筛选出目标肿瘤簇;
从预设倾角集合中筛选出参考倾角集合,并根据所述目标肿瘤簇,确定所述参考倾角集合中的每个参考倾角对应的增强显著程度;
根据参考倾角对应的增强显著程度,从所述参考倾角集合中筛选出目标倾角,并根据所述目标倾角,确定目标斜率;
根据所述目标斜率,对所述目标检测图像进行灰度线性变换,得到目标增强图像。
2.根据权利要求1所述的一种用于肿瘤治疗仪模拟消融的图像增强方法,其特征在于,所述对所述目标聚类簇组集合中的每个目标聚类簇组中的每个目标聚类簇进行肿瘤可能性分析处理,得到所述目标聚类簇对应的目标程度指标,包括:
将所述目标聚类簇中所有像素点对应的灰度值的均值,确定为所述目标聚类簇对应的初始灰度指标;
将所述目标聚类簇组集合中除了所述目标聚类簇所属目标聚类簇组之外的目标聚类簇组,确定为参考聚类簇组,得到所述目标聚类簇对应的参考聚类簇组集合;
从所述目标聚类簇对应的参考聚类簇组集合中的每个参考聚类簇组中筛选出与所述目标聚类簇存在重叠的参考聚类簇,作为候选聚类簇,确定所述参考聚类簇组对应的候选聚类簇组,得到所述目标聚类簇对应的候选聚类簇组集合;
将所述目标聚类簇对应的候选聚类簇组集合中候选聚类簇的数量,确定为所述目标聚类簇对应的目标颜色指标;
从所述目标聚类簇对应的候选聚类簇组集合中的每个候选聚类簇组中筛选出重叠占比最大的候选聚类簇,作为所述候选聚类簇组对应的待测聚类簇,得到所述目标聚类簇对应的待测聚类簇集合,其中,候选聚类簇对应的重叠占比是该候选聚类簇与所述目标聚类簇之间的重叠区域在所述目标聚类簇中的面积占比;
将所述目标聚类簇对应的面积与所述目标聚类簇对应的待测聚类簇集合中的各个待测聚类簇对应的面积的差值绝对值的累加和,确定为所述目标聚类簇对应的面积差异指标;
根据所述目标聚类簇对应的初始灰度指标、目标颜色指标和面积差异指标,确定所述目标聚类簇对应的目标程度指标,其中,初始灰度指标与目标程度指标呈正相关,目标颜色指标和面积差异指标均与目标程度指标呈负相关。
3.根据权利要求1所述的一种用于肿瘤治疗仪模拟消融的图像增强方法,其特征在于,所述根据目标聚类簇对应的目标程度指标,从所述目标聚类簇组集合中筛选出目标肿瘤簇,包括:
将所述目标聚类簇组集合中目标程度指标最大的目标聚类簇,确定为目标肿瘤簇。
4.根据权利要求1所述的一种用于肿瘤治疗仪模拟消融的图像增强方法,其特征在于,所述从预设倾角集合中筛选出参考倾角集合,包括:
将预设倾角集合中的每个预设倾角的正切值,确定为所述预设倾角对应的参考斜率;
将所述目标检测图像中最大的灰度值与每个预设倾角对应的参考斜率的乘积,确定为所述预设倾角对应的目标灰度值;
从预设倾角集合中筛选出目标灰度值小于或等于预设灰度值的预设倾角,作为参考倾角,得到参考倾角集合。
5.根据权利要求2所述的一种用于肿瘤治疗仪模拟消融的图像增强方法,其特征在于,所述根据所述目标肿瘤簇,确定所述参考倾角集合中的每个参考倾角对应的增强显著程度,包括:
根据所述参考倾角,对所述目标检测图像进行灰度线性变换,得到所述参考倾角对应的参考增强图像;
将所述目标肿瘤簇对应在所述参考倾角对应的参考增强图像中的区域,确定为所述参考倾角对应的目标肿瘤区域;
将所述目标肿瘤簇对应的候选聚类簇组集合中的每个候选聚类簇对应在所述参考倾角对应的参考增强图像中的区域,确定为参考区域,得到所述参考倾角对应的参考区域组集合;
根据所述参考倾角对应的参考区域组集合,确定所述参考倾角对应的目标肿瘤区域对应的目标程度指标,作为所述参考倾角对应的第一程度指标;
根据所述参考倾角对应的目标肿瘤区域,确定所述参考倾角对应的目标均匀程度;
根据所述参考倾角对应的目标肿瘤区域和所述目标肿瘤簇所属目标聚类簇组,确定所述参考倾角对应的灰度对比指标;
根据所述参考倾角对应的第一程度指标、目标均匀程度和灰度对比指标,确定所述参考倾角对应的增强显著程度,其中,第一程度指标、目标均匀程度和灰度对比指标均与增强显著程度呈正相关。
6.根据权利要求5所述的一种用于肿瘤治疗仪模拟消融的图像增强方法,其特征在于,所述根据所述参考倾角对应的目标肿瘤区域,确定所述参考倾角对应的目标均匀程度,包括:
将所述参考倾角对应的目标肿瘤区域对应的灰度值中最大与最小灰度值的差值,确定为所述参考倾角对应的第一灰度差异;
根据所述参考倾角对应的第一灰度差异,确定所述参考倾角对应的目标均匀程度,其中,第一灰度差异与目标均匀程度呈负相关。
7.根据权利要求5所述的一种用于肿瘤治疗仪模拟消融的图像增强方法,其特征在于,所述根据所述参考倾角对应的目标肿瘤区域和所述目标肿瘤簇所属目标聚类簇组,确定所述参考倾角对应的灰度对比指标,包括:
将所述参考倾角对应的目标肿瘤区域中所有像素点对应的灰度值的均值,确定为所述参考倾角对应的第一灰度指标;
将所述目标肿瘤簇所属目标聚类簇组中除了所述目标肿瘤簇之外的目标聚类簇,确定为第一簇,得到所述目标肿瘤簇对应的第一簇组;
将所述目标肿瘤簇对应的第一簇组中的每个第一簇对应在所述参考倾角对应的参考增强图像中的区域,确定为第一区域,得到所述参考倾角对应的第一区域组;
将所述参考倾角对应的第一区域组中所有像素点对应的灰度值的均值,确定为所述参考倾角对应的第二灰度指标;
将所述参考倾角对应的第一灰度指标与第二灰度指标的差值的绝对值,确定为所述参考倾角对应的灰度对比指标。
8.根据权利要求1所述的一种用于肿瘤治疗仪模拟消融的图像增强方法,其特征在于,所述根据参考倾角对应的增强显著程度,从所述参考倾角集合中筛选出目标倾角,包括:
从所述参考倾角集合中筛选出增强显著程度最大的参考倾角,作为目标倾角。
9.根据权利要求4所述的一种用于肿瘤治疗仪模拟消融的图像增强方法,其特征在于,所述根据所述目标斜率,对所述目标检测图像进行灰度线性变换,得到目标增强图像,包括:
将预设灰度值与所述目标倾角对应的目标灰度值的差值,确定为目标截距;
根据所述目标斜率和所述目标截距,对所述目标检测图像进行灰度线性变换,得到目标增强图像。
10.一种用于肿瘤治疗仪模拟消融的图像增强系统,其特征在于,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令以实现权利要求1-9中任一项所述的一种用于肿瘤治疗仪模拟消融的图像增强方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310627096.3A CN116385315B (zh) | 2023-05-31 | 2023-05-31 | 用于肿瘤治疗仪模拟消融的图像增强方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310627096.3A CN116385315B (zh) | 2023-05-31 | 2023-05-31 | 用于肿瘤治疗仪模拟消融的图像增强方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116385315A true CN116385315A (zh) | 2023-07-04 |
CN116385315B CN116385315B (zh) | 2023-09-08 |
Family
ID=86979042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310627096.3A Active CN116385315B (zh) | 2023-05-31 | 2023-05-31 | 用于肿瘤治疗仪模拟消融的图像增强方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385315B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689574A (zh) * | 2024-02-04 | 2024-03-12 | 大连锦辉盛世科技有限公司 | 一种用于肿瘤射频消融诊疗定位的医疗影像处理方法 |
CN117788300A (zh) * | 2024-02-23 | 2024-03-29 | 中国医学科学院北京协和医院 | 一种输尿管镜碎石用影像增强的优化方法 |
CN117788873A (zh) * | 2024-02-26 | 2024-03-29 | 山东和润恒建筑工程有限公司 | 一种工程建筑bim数据安全管理方法 |
CN117893533A (zh) * | 2024-03-14 | 2024-04-16 | 自贡市第一人民医院 | 基于图像特征的心胸比智能检测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070064983A1 (en) * | 2005-09-16 | 2007-03-22 | Wen-Chen Huang | Method for automatically detecting nasal tumor |
CN104318233A (zh) * | 2014-10-19 | 2015-01-28 | 温州大学 | 车牌图像水平倾斜校正方法 |
WO2021031459A1 (zh) * | 2019-08-16 | 2021-02-25 | 域鑫科技(惠州)有限公司 | 适用于内窥镜的图像增强方法、装置和存储介质 |
CN114820663A (zh) * | 2022-06-28 | 2022-07-29 | 日照天一生物医疗科技有限公司 | 用于确定射频消融治疗的辅助定位方法 |
CN115294322A (zh) * | 2022-05-20 | 2022-11-04 | 浙江大学 | 水下船底可疑目标检测方法、装置、电子设备及可读介质 |
CN115496692A (zh) * | 2022-11-17 | 2022-12-20 | 卡松科技股份有限公司 | 一种润滑油磨粒图像增强方法 |
CN115601365A (zh) * | 2022-12-15 | 2023-01-13 | 无锡康贝电子设备有限公司(Cn) | 用于数控机床的轴承检测方法 |
CN115689948A (zh) * | 2023-01-05 | 2023-02-03 | 济宁智诚物业管理有限公司 | 用于检测建筑供水管道裂痕的图像增强方法 |
CN115797225A (zh) * | 2023-01-06 | 2023-03-14 | 山东环宇地理信息工程有限公司 | 一种水下地形测量用无人船采集图像增强方法 |
CN115797352A (zh) * | 2023-02-08 | 2023-03-14 | 长春中医药大学 | 一种用于中医保健体质检测的舌象图像处理系统 |
-
2023
- 2023-05-31 CN CN202310627096.3A patent/CN116385315B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070064983A1 (en) * | 2005-09-16 | 2007-03-22 | Wen-Chen Huang | Method for automatically detecting nasal tumor |
CN104318233A (zh) * | 2014-10-19 | 2015-01-28 | 温州大学 | 车牌图像水平倾斜校正方法 |
WO2021031459A1 (zh) * | 2019-08-16 | 2021-02-25 | 域鑫科技(惠州)有限公司 | 适用于内窥镜的图像增强方法、装置和存储介质 |
CN115294322A (zh) * | 2022-05-20 | 2022-11-04 | 浙江大学 | 水下船底可疑目标检测方法、装置、电子设备及可读介质 |
CN114820663A (zh) * | 2022-06-28 | 2022-07-29 | 日照天一生物医疗科技有限公司 | 用于确定射频消融治疗的辅助定位方法 |
CN115496692A (zh) * | 2022-11-17 | 2022-12-20 | 卡松科技股份有限公司 | 一种润滑油磨粒图像增强方法 |
CN115601365A (zh) * | 2022-12-15 | 2023-01-13 | 无锡康贝电子设备有限公司(Cn) | 用于数控机床的轴承检测方法 |
CN115689948A (zh) * | 2023-01-05 | 2023-02-03 | 济宁智诚物业管理有限公司 | 用于检测建筑供水管道裂痕的图像增强方法 |
CN115797225A (zh) * | 2023-01-06 | 2023-03-14 | 山东环宇地理信息工程有限公司 | 一种水下地形测量用无人船采集图像增强方法 |
CN115797352A (zh) * | 2023-02-08 | 2023-03-14 | 长春中医药大学 | 一种用于中医保健体质检测的舌象图像处理系统 |
Non-Patent Citations (3)
Title |
---|
GREGORY Z. FERL 等: "Automated segmentation of lungs and lung tumors in mouse micro-CT scans", 《ISCIENCE》, vol. 25, no. 12, pages 1 - 15 * |
卢泉: "基于机器视觉的特殊管道静态参数高精度测量技术研究", 《中国博士学位论文全文数据库 信息科技辑》, vol. 2012, no. 5, pages 138 - 44 * |
李晓冰 等: "一种基于C-均值聚类的测量图像增强算法", 《航空兵器》, no. 2, pages 32 - 34 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689574A (zh) * | 2024-02-04 | 2024-03-12 | 大连锦辉盛世科技有限公司 | 一种用于肿瘤射频消融诊疗定位的医疗影像处理方法 |
CN117689574B (zh) * | 2024-02-04 | 2024-04-26 | 大连锦辉盛世科技有限公司 | 一种用于肿瘤射频消融诊疗定位的医疗影像处理方法 |
CN117788300A (zh) * | 2024-02-23 | 2024-03-29 | 中国医学科学院北京协和医院 | 一种输尿管镜碎石用影像增强的优化方法 |
CN117788300B (zh) * | 2024-02-23 | 2024-05-10 | 中国医学科学院北京协和医院 | 一种输尿管镜碎石用影像增强的优化方法 |
CN117788873A (zh) * | 2024-02-26 | 2024-03-29 | 山东和润恒建筑工程有限公司 | 一种工程建筑bim数据安全管理方法 |
CN117788873B (zh) * | 2024-02-26 | 2024-05-03 | 山东和润恒建筑工程有限公司 | 一种工程建筑bim数据安全管理方法 |
CN117893533A (zh) * | 2024-03-14 | 2024-04-16 | 自贡市第一人民医院 | 基于图像特征的心胸比智能检测方法及系统 |
CN117893533B (zh) * | 2024-03-14 | 2024-05-28 | 自贡市第一人民医院 | 基于图像特征的心胸比智能检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116385315B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116385315B (zh) | 用于肿瘤治疗仪模拟消融的图像增强方法及系统 | |
CN110599451B (zh) | 医学图像病灶检测定位方法、装置、设备及存储介质 | |
CN105809175B (zh) | 一种基于支持向量机算法的脑水肿分割方法及系统 | |
US20080260254A1 (en) | Automatic 3-D Object Detection | |
CN108846829B (zh) | 病变部位识别装置、计算机装置及可读存储介质 | |
CN102214294B (zh) | 图像处理设备、图像处理方法以及程序 | |
CN111524137A (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN112070781A (zh) | 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备 | |
CN113269257A (zh) | 一种图像分类方法、装置、终端设备及存储介质 | |
CN110751187B (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN110930414A (zh) | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 | |
Hu et al. | Automatic segmentation of dermoscopy images using saliency combined with adaptive thresholding based on wavelet transform | |
CN112750137B (zh) | 基于深度学习的肝脏肿瘤分割方法及系统 | |
CN111784665B (zh) | 基于傅里叶变换的oct图像质量评估方法、系统及装置 | |
Junayed et al. | ScarNet: development and validation of a novel deep CNN model for acne scar classification with a new dataset | |
CN111652300A (zh) | 脊柱曲度分类方法、计算机设备和存储介质 | |
CN111666890A (zh) | 脊柱变形人群识别方法、装置、计算机设备及存储介质 | |
CN113269706B (zh) | 激光雷达图像质量评价方法、装置、设备及存储介质 | |
CN117893533B (zh) | 基于图像特征的心胸比智能检测方法及系统 | |
CN115760858A (zh) | 基于深度学习的肾脏病理切片细胞识别方法及系统 | |
CN111275699A (zh) | 医学图像的处理方法、装置、设备及存储介质 | |
CN117314793B (zh) | 基于bim模型的建筑施工数据采集方法 | |
CN116485819B (zh) | 一种耳鼻喉检查图像分割方法及系统 | |
CN111598144B (zh) | 图像识别模型的训练方法和装置 |
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 |