CN116402816B - 一种体检ct影像数据的管理方法及系统 - Google Patents
一种体检ct影像数据的管理方法及系统 Download PDFInfo
- Publication number
- CN116402816B CN116402816B CN202310671487.5A CN202310671487A CN116402816B CN 116402816 B CN116402816 B CN 116402816B CN 202310671487 A CN202310671487 A CN 202310671487A CN 116402816 B CN116402816 B CN 116402816B
- Authority
- CN
- China
- Prior art keywords
- image
- window
- connected domain
- lung
- pixel points
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013523 data management Methods 0.000 title claims abstract description 9
- 210000004072 lung Anatomy 0.000 claims abstract description 83
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 7
- 230000003902 lesion Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000009499 grossing Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 4
- 210000000988 bone and bone Anatomy 0.000 description 3
- 210000003437 trachea Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种体检CT影像数据的管理方法及系统。方法包括:获取待分析对象的肺部CT影像各像素点为中心点,根据各像素点对应的各初始窗口内像素点的梯度角度,确定最优窗口大小;根据各像素点对应的最优窗口内像素点的灰度分布情况,确定突变像素点,进而获得各连通域;根据各连通域中各像素点对应的最优窗口内像素点的灰度分布情况,得到对应的隶属度,确定各连通域对应的高斯权重,进而对肺部CT影像中的各连通域进行高斯滤波,获得滤波处理后的肺部CT影像。本发明对待分析对象的肺部CT影像的滤波效果更好,能够有效地防止待分析对象的肺部CT影像中的重要特征丢失。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种体检CT影像数据的管理方法及系统。
背景技术
体检CT影像的种类较多,包括头颈部CT影像、胸部CT影像、肺部CT影像、盆腔及骨骼CT影像等。对于肺部CT影像,主要包含气管部分和背景部分,由于背景部分具有信息量低且灰度值趋于一致的特性,因此可对其进行平滑操作,使用高斯滤波算法能够去除背景部分中的随机噪声,从而使得背景部分利于高压缩效率的编码压缩,提高数据管理效率。病变区域等重要部分也存在一定的噪声,且噪声的分布满足一定的随机性,使用高斯滤波可以对噪声进行平滑,使得背景部分具有较小或相同的灰度范围,方便影像数据的分析,但会导致灰度值较低的重要部分如病变区域特征丢失严重,降低后续分析结果的准确度。
发明内容
为了解决现有方法在对肺部CT影像进行平滑操作时存在的重要区域特征丢失严重的问题,本发明的目的在于提供一种体检CT影像数据的管理方法及系统,所采用的技术方案具体如下:
第一方面,本发明提供了一种体检CT影像数据的管理方法,该方法包括以下步骤:
获取待分析对象的肺部CT影像;
分别以所述肺部CT影像中各像素点为中心点,构建各像素点对应的不同大小的初始窗口;根据各像素点对应的各初始窗口内像素点的梯度角度,确定最优窗口大小;
根据所述肺部CT影像中各像素点对应的最优窗口内像素点的灰度分布情况,确定突变像素点;基于所述突变像素点获得各连通域;根据各连通域中各像素点对应的最优窗口内像素点的灰度分布情况,得到各连通域对应的隶属度;
基于所述隶属度确定各连通域对应的高斯权重,基于所述高斯权重对所述肺部CT影像中的各连通域进行高斯滤波,获得滤波处理后的肺部CT影像。
第二方面,本发明提供了一种体检CT影像数据的管理系统,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现上述所述的一种体检CT影像数据的管理方法。
优选的,所述根据所述肺部CT影像中各像素点对应的最优窗口内像素点的灰度分布情况,确定突变像素点,包括:
计算各像素点对应的最优窗口内所有像素点的平均灰度值,作为各像素点对应的灰度均值;基于所有像素点对应的灰度均值拟合灰度均值曲线,基于所述灰度均值曲线获得各像素点对应的斜率;
将斜率的绝对值大于预设斜率阈值的像素点确定为突变像素点。
优选的,所述根据各像素点对应的各初始窗口内像素点的梯度角度,确定最优窗口大小,包括:
不同大小的初始窗口包括第一预设大小的初始窗口、第二预设大小的初始窗口、第三预设大小的窗口;所述第一预设大小小于所述第二预设大小,所述第二预设大小小于所述预设第三大小;
将第一预设大小的初始窗口记为第一窗口,将第二预设大小的初始窗口记为第二窗口,将第三预设大小的窗口记为第三窗口;
将待分析对象的肺部CT影像中所有像素点对应的第一窗口内像素点的梯度角度的种类数之和记为第一数量,将待分析对象的肺部CT影像中所有像素点对应的第二窗口内像素点的梯度角度的种类数之和记为第二数量,将待分析对象的肺部CT影像中所有像素点对应的第三窗口内像素点的梯度角度的种类数之和记为第三数量;
将第二数量与第一数量的差值记为第一差异,将第三数量与第二数量的差异记为第二差异;若第一差异大于或等于第二差异,则将第二窗口大小作为最优窗口大小;若第一差异小于第二差异,则将第三窗口大小作为最优窗口大小。
优选的,所述根据各连通域中各像素点对应的最优窗口内像素点的灰度分布情况,得到各连通域对应的隶属度,包括:
对于任一连通域:
计算连通域中各像素点对应的最优窗口内所有像素点灰度值的标准差,作为连通域中各像素点对应的标准差;基于连通域中所有像素点对应的标准差拟合标准差曲线,统计所述标准差曲线上峰值点的数量;
计算连通域中各像素点与其左侧相邻像素点之间的灰度差值,作为连通域中各像素点对应的第一差值;基于连通域中所有像素点对应的第一差值拟合第一差值曲线;统计所述第一差值曲线上峰值点的数量;
根据统计所述标准差曲线上峰值点的数量和所述第一差值曲线上峰值点的数量,得到连通域对应的隶属度。
优选的,采用如下公式计算连通域对应的隶属度:
其中,P为连通域对应的隶属度,u为标准差曲线上峰值点的数量,v为第一差值曲线上峰值点的数量。
优选的,所述基于所述突变像素点获得各连通域,包括:
将突变像素点构成的每个子区域作为一个连通域。
优选的,所述基于所述隶属度确定各连通域对应的高斯权重,包括:
若所述隶属度大于或等于预设第一阈值,则令对应连通域对应的高斯权重为预设数值;
若所述隶属度小于预设第一阈值,则令对应连通域对应的高斯权重为原始高斯权重。
本发明至少具有如下有益效果:
本发明考虑到传统的高斯滤波算法在对待分析对象的肺部CT影像进行滤波处理时,会导致灰度值较低的重要部分如病变区域特征丢失严重,不利于CT影像数据的管理和分析,降低后续分析结果的准确度,本发明首先利用不同大小的窗口对待分析对象的肺部CT影像中每个像素点对应的每个初始窗口内像素点的梯度角度进行了分析,确定了最优窗口大小,保证最优窗口比一般的噪声连通域大,在对待分析对象的肺部CT影像进行高斯滤波处理时,窗口的大小会对滤波结果产生一定的影响,选取过大会造成计算量的激增,选取过小会造成细节特征的丢失,本发明通过选取最优窗口能够有效地提高待分析对象的肺部CT影像的滤波效果,本发明又结合待分析对象的肺部CT影像中每个连通域中每个像素点对应的最优窗口内像素点的灰度分布情况,确定了每个连通域对应的隶属度,隶属度越大的连通域越不需要进行平滑处理,保留其细节特征,隶属度越小的连通域越需要进行平滑处理,本发明结合隶属度确定了高斯权重,也即对高斯滤波进行了优化,使得待分析对象的肺部CT影像的滤波效果更好,能够有效地防止待分析对象的肺部CT影像中的重要特征丢失,提高后续分析结果的准确度。
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为本发明一个实施例所提供的一种体检CT影像数据的管理方法的流程图。
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一种体检CT影像数据的管理方法及系统进行详细说明如下。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种体检CT影像数据的管理方法及系统的具体方案。
一种体检CT影像数据的管理方法实施例:
本实施例所针对的具体场景为:在对待分析对象进行肺部体检时,往往需要采集待分析对象的肺部CT影像,待分析对象的肺部CT影像在采集过程中会受到设备、环境等因素的干扰,导致采集到的待分析对象的肺部CT影像中存在大量噪声,影响后续分析结果的准确度,因此一般会采用高斯滤波算法对采集到的待分析对象的肺部CT影像进行滤波处理,排除噪声的干扰,但是该方法会导致肺部CT影像中灰度值较低的重要部分如病变区域特征丢失严重,影响后续的分析结果,本实施例根据待分析对象的肺部CT影像中不同连通域中像素点及其周围像素点的灰度分布情况,计算每个连通域对应的隶属度,确定每个连通域对应的高斯权重,进而对待分析对象的肺部CT影像进行高斯滤波,排除噪声的干扰的同时能够保留待分析对象的肺部CT影像中的重要特征,提高后续分析结果的准确度,便于影像数据的管理。
本实施例提出了一种体检CT影像数据的管理方法,如图1所示,本实施例的一种体检CT影像数据的管理方法包括以下步骤:
步骤S1,获取待分析对象的肺部CT影像。
本实施例首先采集待分析对象肺部的CT影像,考虑到待分析对象肺部的CT影像中存在骨骼部分,这部分不具有重要特征,因此本实施例使用语义分割去除待分析对象肺部的CT影像中的骨骼部分,留下包含气管的肺部区域的CT影像,并对包含气管的肺部区域的CT影像进行灰度化处理,方便后续对病变区域和背景区域特征的量化,从而区分并去除背景部分的随机噪声,将灰度化处理后获得的影像记为待分析对象的肺部CT影像。图像的灰度化处理为现有技术,此处不再过多赘述。
至此,获得了待分析对象的肺部CT影像。
步骤S2,分别以所述肺部CT影像中各像素点为中心点,构建各像素点对应的不同大小的初始窗口;根据各像素点对应的各初始窗口内像素点的梯度角度,确定最优窗口大小。
待分析对象的肺部CT影像中包含肺部部分和背景部分,对于背景部分,为了区别病变区域和随机噪声,可以通过量化孤立连通域的特征确定高斯卷积核的最优窗口大小,确定最优窗口大小后,每个像素点对应一个卷积核,一般高斯滤波的权重是通过高斯函数进行分配的,本实施例通过量化卷积核内像素点的底层规律,如灰度值大小等,结合病变区域的一般特征,对权重进行进一步的改进,得到高斯权重;对于满足病变区域特征的卷积核,改变其权重,使得权重输出和原病变区域基本一致;对于不满足病变区域特征的卷积核,保留其权重,认为其为背景部分的随机噪声,使得其输出权重符合一般高斯分布,达到去除噪声的目的。
本实施例将对待分析对象的肺部CT影像进行卷积处理,卷积的目的是去除背景部分的随机噪声,保留目标部分的细节特征。卷积核大小的选取影响着后续的计算量、卷积结果对局部特征的保留程度等,因此需要根据影像中像素点的特征选取最优大小的卷积核。首先利用索贝尔算子(即sobel算子)获取待分析对象的肺部CT影像中每个像素点的梯度角度,本实施例中设置三种不同大小的初始窗口,不同大小的初始窗口包括第一预设大小的初始窗口、第二预设大小的初始窗口、第三预设大小的窗口;所述第一预设大小小于所述第二预设大小,所述第二预设大小小于所述预设第三大小,第一预设大小为,第二预设大小为/>,第三预设大小为/>,在具体应用中,实施者可根据具体情况设置初始窗口的大小。对于待分析对象的肺部CT影像中的任一像素点:以该像素点为中心点,构建不同大小的初始窗口,并作为该像素点对应的初始窗口。采用上述方法,能够获得每个像素点对应的每个初始窗口,需要说明的是,由于本实施例中共设置了三种不同大小的初始窗口,因此待分析对象的肺部CT影像中每个像素点均对应三个初始窗口。将第一预设大小的初始窗口记为第一窗口,将第二预设大小的初始窗口记为第二窗口,将第三预设大小的窗口记为第三窗口,也即将待分析对象的肺部CT影像中每个像素点对应的/>大小的初始窗口记为各像素点对应的第一窗口,将待分析对象的肺部CT影像中每个像素点对应的/>大小的初始窗口记为各像素点对应的第二窗口,将待分析对象的肺部CT影像中每个像素点对应的大小的初始窗口记为各像素点对应的第三窗口,接下来本实施例将从这三种大小的窗口中选取最优窗口大小,进而进行滤波处理。
在确定最优窗口大小时,为了保证后续的滤波效果,需要保证最优窗口比一般的噪声连通域大,若待分析对象的肺部CT影像中的某一点为孤立噪声点,其对应的窗口内像素点的梯度角度的种类一定较多,因此本实施例将结合待分析对象的肺部CT影像中每个像素点对应的每个初始窗口内像素点的梯度角度的种类数,确定最优窗口大小。具体的,首先统计待分析对象的肺部CT影像中每个像素点对应的第一窗口内像素点的梯度角度的种类数,将待分析对象的肺部CT影像中所有像素点对应的第一窗口内像素点的梯度角度的种类数之和记为第一数量;统计待分析对象的肺部CT影像中每个像素点对应的第二窗口内像素点的梯度角度的种类数,将待分析对象的肺部CT影像中所有像素点对应的第二窗口内像素点的梯度角度的种类数之和记为第二数量;统计待分析对象的肺部CT影像中每个像素点对应的第三窗口内像素点的梯度角度的种类数,将待分析对象的肺部CT影像中所有像素点对应的第三窗口内像素点的梯度角度的种类数之和记为第三数量;将第二数量与第一数量的差值记为第一差异,将第三数量与第二数量的差异记为第二差异;若第一差异大于或等于第二差异,则将第二窗口大小作为最优窗口大小;若第一差异小于第二差异,则将第三窗口大小作为最优窗口大小。本实施例选取的最优窗口大小满足比一般噪声连通域大,能够有效地提高后续待分析对象的肺部CT影像的滤波效果。
至此,获得了最优窗口大小。
步骤S3,根据所述肺部CT影像中各像素点对应的最优窗口内像素点的灰度分布情况,确定突变像素点;基于所述突变像素点获得各连通域;根据各连通域中各像素点对应的最优窗口内像素点的灰度分布情况,得到各连通域对应的隶属度。
在确定最优窗口大小后,需要对待分析对象的肺部CT影像进行卷积处理,本实施例将根据卷积核内像素点分布规律是否满足所需保留目标区域的基本特征进行高斯权重的确定,所述目标区域为病变区域、肺部区域等。对于卷积核内像素点规律满足目标区域表现特征的,改变高斯权重,使得卷积输出能够保留目标区域基本特征;对于卷积核内像素点规律不满足目标区域表现特征的,保留高斯权重输出,使得卷积输出能够去除背景部分的随机噪声。因此本实施例将对背景部分随机噪声起到去除效果,并对目标区域特征进行保留。
考虑到当待分析对象的肺部CT影像中的像素点发生突变时,其灰度值与其周围像素点的灰度值会存在较大的差异,因此本实施例将结合待分析对象的肺部CT影像中每个像素点对应的最优窗口内像素点的灰度分布情况,筛选出突变像素点。具体的,计算待分析对象的肺部CT影像中每个像素点对应的最优窗口内所有像素点的平均灰度值,作为各像素点对应的灰度均值,也即待分析对象的肺部CT影像中每个像素点均对应一个灰度均值;基于待分析对象的肺部CT影像中所有像素点对应的灰度均值拟合灰度均值曲线,基于所述灰度均值曲线获得各像素点对应的斜率;将斜率的绝对值大于预设斜率阈值的像素点确定为突变像素点。本实施例中预设斜率阈值为50,在具体应用中,实施者可根据具体情况进行设置。将突变像素点构成的每个子区域作为一个连通域,也即获得了待分析对象的肺部CT影像中的多个连通域。
本实施例获得了待分析对象的肺部CT影像中的多个连通域,接下来将分别对每个连通域进行分析,本实施例以一个连通域为例进行说明,对于其他连通域均可采用本实施例提供的方法进行处理。具体的,对于任一连通域:计算连通域中各像素点对应的最优窗口内所有像素点灰度值的标准差,作为连通域中各像素点对应的标准差;基于连通域中所有像素点对应的标准差拟合标准差曲线,统计所述标准差曲线上峰值点的数量;计算连通域中各像素点与其左侧相邻像素点之间的灰度差值,作为连通域中各像素点对应的第一差值;基于连通域中所有像素点对应的第一差值拟合第一差值曲线;统计所述第一差值曲线上峰值点的数量;根据统计所述标准差曲线上峰值点的数量和所述第一差值曲线上峰值点的数量,采用如下公式计算连通域对应的隶属度:
其中,P为连通域对应的隶属度,u为标准差曲线上峰值点的数量,v为第一差值曲线上峰值点的数量。
本实施例计算连通域中各像素点对应的第一差值的目的是区分非孤立噪声点与目标区域,非孤立噪声点连通域一般较长,与四角度孤立噪声点存在形态上的区别,但属于噪声。噪点的分布规律满足标准差曲线上峰值点的数量为1时,第一差值曲线上峰值点的数量为2或大于2。
采用上述方法,能够获得待分析对象的肺部CT影像中每个连通域对应的隶属度,隶属度越大的连通域包含的重要信息越多,越不需要进行平滑处理,需要保留其细节特征;隶属度越小的连通域包含的重要信息越少,越需要进行平滑处理。
步骤S4,基于所述隶属度确定各连通域对应的高斯权重,基于所述高斯权重对所述肺部CT影像中的各连通域进行高斯滤波,获得滤波处理后的肺部CT影像。
本实施例在步骤S3中获得了待分析对象的肺部CT影像中每个连通域对应的隶属度,隶属度越大的连通域越不需要进行平滑处理,保留其细节特征;隶属度越小的连通域越需要进行平滑处理,平滑后像素点的灰度值较接近。因此,分别判断每个连通域对应的隶属度是否大于或等于预设第一阈值,若隶属度大于或等于预设第一阈值,则令对应连通域对应的高斯权重为预设数值;若隶属度小于预设第一阈值,则令对应连通域对应的高斯权重为原始高斯权重。原始高斯权重通过高斯滤波算法直接获取,此处不再过多赘述。本实施例中的预设数值为1,因此在对隶属度大于或等于预设第一阈值的连通域进行高斯滤波时,中心像素点对应的高斯权重为1,其余像素点对应的高斯权重为0,本实施例中的预设第一阈值为0.95,在具体应用中,实施者可根据具体情况进行设置。
本实施例获得了待分析对象的肺部CT影像中每个连通域对应的高斯权重,不同连通域对应不同的高斯权重,对于隶属度低的区域,其在图像中属于背景噪点部分,所以需要进行高斯平滑;对于隶属度极高的区域,其在图像中属于目标区域,需要对其保留细节信息。将待分析对象的肺部CT影像中每个连通域对应的高斯权重添加到高斯滤波算法中,也即对高斯权重进行了优化,进而对待分析对象的肺部CT影像中的所有连通域进行平滑操作,获得滤波处理后的肺部CT影像。本实施例通过获取改进后的高斯权重,对高斯滤波本身进行了优化,待分析对象的肺部CT影像的滤波效果更好,能够有效地防止待分析对象的肺部CT影像中的重要特征丢失。
本实施例通过对待分析对象的肺部CT影像进行分析,确定卷积核的大小,卷积核的大小对后续的处理有一定的影响,选取过大会造成计算量的激增,选取过小会造成细节特征的丢失等。通过对待分析对象的肺部CT影像中每个连通域内像素点的基本分布规律进行量化,得到高斯权重,对于目标区域,经过高斯滤波后,保留了其细节特征,消除了细节丢失的不良影响,便于后续对CT影像数据进行分析和管理。
本实施例考虑到传统的高斯滤波算法在对待分析对象的肺部CT影像进行滤波处理时,会导致灰度值较低的重要部分如病变区域特征丢失严重,不利于CT影像数据的管理和分析,降低后续分析结果的准确度,本实施例首先利用不同大小的窗口对待分析对象的肺部CT影像中每个像素点对应的每个初始窗口内像素点的梯度角度进行了分析,确定了最优窗口大小,保证最优窗口比一般的噪声连通域大,在对待分析对象的肺部CT影像进行高斯滤波处理时,窗口的大小会对滤波结果产生一定的影响,选取过大会造成计算量的激增,选取过小会造成细节特征的丢失,本实施例通过选取最优窗口能够有效地提高待分析对象的肺部CT影像的滤波效果,本实施例又结合待分析对象的肺部CT影像中每个连通域中每个像素点对应的最优窗口内像素点的灰度分布情况,确定了每个连通域对应的隶属度,隶属度越大的连通域越不需要进行平滑处理,保留其细节特征,隶属度越小的连通域越需要进行平滑处理,本实施例结合隶属度确定了高斯权重,也即对高斯滤波进行了优化,使得待分析对象的肺部CT影像的滤波效果更好,能够有效地防止待分析对象的肺部CT影像中的重要特征丢失,提高后续分析结果的准确度。
一种体检CT影像数据的管理系统实施例:
本实施例一种体检CT影像数据的管理系统包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现上述所述的一种体检CT影像数据的管理方法。
由于一种体检CT影像数据的管理方法已经在一种体检CT影像数据的管理方法实施例中进行了说明,所以本实施例不再对一种体检CT影像数据的管理方法进行赘述。
Claims (5)
1.一种体检CT影像数据的管理方法,其特征在于,该方法包括以下步骤:
获取待分析对象的肺部CT影像;
分别以所述肺部CT影像中各像素点为中心点,构建各像素点对应的不同大小的初始窗口;根据各像素点对应的各初始窗口内像素点的梯度角度,确定最优窗口大小;
根据所述肺部CT影像中各像素点对应的最优窗口内像素点的灰度分布情况,确定突变像素点;基于所述突变像素点获得各连通域;根据各连通域中各像素点对应的最优窗口内像素点的灰度分布情况,得到各连通域对应的隶属度;
基于所述隶属度确定各连通域对应的高斯权重,基于所述高斯权重对所述肺部CT影像中的各连通域进行高斯滤波,获得滤波处理后的肺部CT影像;
所述根据各像素点对应的各初始窗口内像素点的梯度角度,确定最优窗口大小,包括:
不同大小的初始窗口包括第一预设大小的初始窗口、第二预设大小的初始窗口、第三预设大小的窗口;所述第一预设大小小于所述第二预设大小,所述第二预设大小小于所述第三预设大小;
将第一预设大小的初始窗口记为第一窗口,将第二预设大小的初始窗口记为第二窗口,将第三预设大小的窗口记为第三窗口;
将待分析对象的肺部CT影像中所有像素点对应的第一窗口内像素点的梯度角度的种类数之和记为第一数量,将待分析对象的肺部CT影像中所有像素点对应的第二窗口内像素点的梯度角度的种类数之和记为第二数量,将待分析对象的肺部CT影像中所有像素点对应的第三窗口内像素点的梯度角度的种类数之和记为第三数量;
将第二数量与第一数量的差值记为第一差异,将第三数量与第二数量的差异记为第二差异;若第一差异大于或等于第二差异,则将第二窗口大小作为最优窗口大小;若第一差异小于第二差异,则将第三窗口大小作为最优窗口大小;
所述根据各连通域中各像素点对应的最优窗口内像素点的灰度分布情况,得到各连通域对应的隶属度,包括:
对于任一连通域:
计算连通域中各像素点对应的最优窗口内所有像素点灰度值的标准差,作为连通域中各像素点对应的标准差;基于连通域中所有像素点对应的标准差拟合标准差曲线,统计所述标准差曲线上峰值点的数量;
计算连通域中各像素点与其左侧相邻像素点之间的灰度差值,作为连通域中各像素点对应的第一差值;基于连通域中所有像素点对应的第一差值拟合第一差值曲线;统计所述第一差值曲线上峰值点的数量;
根据统计所述标准差曲线上峰值点的数量和所述第一差值曲线上峰值点的数量,得到连通域对应的隶属度;
所述基于所述隶属度确定各连通域对应的高斯权重,包括:
若所述隶属度大于或等于预设第一阈值,则令对应连通域对应的高斯权重为预设数值;
若所述隶属度小于预设第一阈值,则令对应连通域对应的高斯权重为原始高斯权重。
2.根据权利要求1所述的一种体检CT影像数据的管理方法,其特征在于,所述根据所述肺部CT影像中各像素点对应的最优窗口内像素点的灰度分布情况,确定突变像素点,包括:
计算各像素点对应的最优窗口内所有像素点的平均灰度值,作为各像素点对应的灰度均值;基于所有像素点对应的灰度均值拟合灰度均值曲线,基于所述灰度均值曲线获得各像素点对应的斜率;
将斜率的绝对值大于预设斜率阈值的像素点确定为突变像素点。
3.根据权利要求1所述的一种体检CT影像数据的管理方法,其特征在于,采用如下公式计算连通域对应的隶属度:
其中,P为连通域对应的隶属度,u为标准差曲线上峰值点的数量,v为第一差值曲线上峰值点的数量。
4.根据权利要求1所述的一种体检CT影像数据的管理方法,其特征在于,所述基于所述突变像素点获得各连通域,包括:
将突变像素点构成的每个子区域作为一个连通域。
5.一种体检CT影像数据的管理系统,包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现如权利要求1-4任一项所述的一种体检CT影像数据的管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310671487.5A CN116402816B (zh) | 2023-06-08 | 2023-06-08 | 一种体检ct影像数据的管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310671487.5A CN116402816B (zh) | 2023-06-08 | 2023-06-08 | 一种体检ct影像数据的管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116402816A CN116402816A (zh) | 2023-07-07 |
CN116402816B true CN116402816B (zh) | 2023-08-15 |
Family
ID=87014593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310671487.5A Active CN116402816B (zh) | 2023-06-08 | 2023-06-08 | 一种体检ct影像数据的管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116402816B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117278692B (zh) * | 2023-11-16 | 2024-02-13 | 邦盛医疗装备(天津)股份有限公司 | 一种医疗检测车病患监测数据脱敏保护方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930599A (zh) * | 2010-08-24 | 2010-12-29 | 黄伟萍 | 一种医学图像增强方法及系统 |
CN103236046A (zh) * | 2013-04-28 | 2013-08-07 | 南京理工大学 | 基于图像形态模糊隶属度的分数阶自适应相干斑滤波方法 |
CN103854262A (zh) * | 2014-03-20 | 2014-06-11 | 西安电子科技大学 | 基于结构聚类与稀疏字典学习的医学图像降噪方法 |
CN107038688A (zh) * | 2017-03-01 | 2017-08-11 | 武汉科技大学 | 基于Hessian矩阵的图像噪点检测及去噪方法 |
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 |
CN109509199A (zh) * | 2018-10-10 | 2019-03-22 | 华南理工大学 | 一种基于三维重建的医学影像组织智能分割方法 |
CN109671056A (zh) * | 2018-12-03 | 2019-04-23 | 西安交通大学 | 一种基于x射线图像的复合轨枕孔隙缺陷检测方法 |
CN111062394A (zh) * | 2019-11-18 | 2020-04-24 | 济南大学 | 基于多通道加权引导滤波的模糊聚类彩色图像分割方法 |
WO2020199468A1 (zh) * | 2019-04-04 | 2020-10-08 | 平安科技(深圳)有限公司 | 图像分类方法、装置及计算机可读存储介质 |
CN113313641A (zh) * | 2021-04-28 | 2021-08-27 | 北京理工大学 | 一种自适应中值滤波的ct图像去噪方法 |
CN114638828A (zh) * | 2022-05-18 | 2022-06-17 | 数聚(山东)医疗科技有限公司 | 一种基于计算机视觉的放射影像智能分割方法 |
CN115359052A (zh) * | 2022-10-19 | 2022-11-18 | 南通鼎顺生物科技有限公司 | 基于聚类算法的医疗影像增强方法 |
CN115661147A (zh) * | 2022-12-26 | 2023-01-31 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 基于机器视觉的计量检测数据识别方法 |
CN115661135A (zh) * | 2022-12-09 | 2023-01-31 | 山东第一医科大学附属省立医院(山东省立医院) | 一种心脑血管造影的病灶区域分割方法 |
CN116109663A (zh) * | 2023-04-04 | 2023-05-12 | 山东大学第二医院 | 基于多阈值分割的胃部ct影像分割方法 |
CN116205823A (zh) * | 2023-05-05 | 2023-06-02 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 一种基于空域滤波的超声影像去噪方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8139891B2 (en) * | 2006-11-03 | 2012-03-20 | Siemens Aktiengesellschaft | System and method for structure enhancement and noise reduction in medical images |
CN103942755B (zh) * | 2013-01-23 | 2017-11-17 | 深圳市腾讯计算机系统有限公司 | 图像亮度调节方法和装置 |
US9576346B2 (en) * | 2015-03-24 | 2017-02-21 | Intel Corporation | Non-local means image denoising with an adaptive directional spatial filter |
-
2023
- 2023-06-08 CN CN202310671487.5A patent/CN116402816B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930599A (zh) * | 2010-08-24 | 2010-12-29 | 黄伟萍 | 一种医学图像增强方法及系统 |
CN103236046A (zh) * | 2013-04-28 | 2013-08-07 | 南京理工大学 | 基于图像形态模糊隶属度的分数阶自适应相干斑滤波方法 |
CN103854262A (zh) * | 2014-03-20 | 2014-06-11 | 西安电子科技大学 | 基于结构聚类与稀疏字典学习的医学图像降噪方法 |
CN107038688A (zh) * | 2017-03-01 | 2017-08-11 | 武汉科技大学 | 基于Hessian矩阵的图像噪点检测及去噪方法 |
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 |
CN109509199A (zh) * | 2018-10-10 | 2019-03-22 | 华南理工大学 | 一种基于三维重建的医学影像组织智能分割方法 |
CN109671056A (zh) * | 2018-12-03 | 2019-04-23 | 西安交通大学 | 一种基于x射线图像的复合轨枕孔隙缺陷检测方法 |
WO2020199468A1 (zh) * | 2019-04-04 | 2020-10-08 | 平安科技(深圳)有限公司 | 图像分类方法、装置及计算机可读存储介质 |
CN111062394A (zh) * | 2019-11-18 | 2020-04-24 | 济南大学 | 基于多通道加权引导滤波的模糊聚类彩色图像分割方法 |
CN113313641A (zh) * | 2021-04-28 | 2021-08-27 | 北京理工大学 | 一种自适应中值滤波的ct图像去噪方法 |
CN114638828A (zh) * | 2022-05-18 | 2022-06-17 | 数聚(山东)医疗科技有限公司 | 一种基于计算机视觉的放射影像智能分割方法 |
CN115359052A (zh) * | 2022-10-19 | 2022-11-18 | 南通鼎顺生物科技有限公司 | 基于聚类算法的医疗影像增强方法 |
CN115661135A (zh) * | 2022-12-09 | 2023-01-31 | 山东第一医科大学附属省立医院(山东省立医院) | 一种心脑血管造影的病灶区域分割方法 |
CN115661147A (zh) * | 2022-12-26 | 2023-01-31 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 基于机器视觉的计量检测数据识别方法 |
CN116109663A (zh) * | 2023-04-04 | 2023-05-12 | 山东大学第二医院 | 基于多阈值分割的胃部ct影像分割方法 |
CN116205823A (zh) * | 2023-05-05 | 2023-06-02 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 一种基于空域滤波的超声影像去噪方法 |
Non-Patent Citations (1)
Title |
---|
快速自适应非局部空间加权与隶属度连接的模糊C-均值噪声图像分割算法;王小鹏等;《电子与信息学报》;第43卷(第1期);171-178 * |
Also Published As
Publication number | Publication date |
---|---|
CN116402816A (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
CN110176012B (zh) | 图像中的目标分割方法、池化方法、装置及存储介质 | |
Ji et al. | Adaptive image contrast enhancement based on human visual properties | |
CN110009653A (zh) | 基于灰度阈值分割法增加边缘识别点准确图像识别的方法 | |
JP2004503029A (ja) | 歪みのない画像のコントラストの増加 | |
CN116402816B (zh) | 一种体检ct影像数据的管理方法及系统 | |
JP2008067387A (ja) | デジタル画像のテキストを識別する方法およびシステム | |
EP2036039A2 (en) | A method, a system and a computer program for determining a threshold in an image comprising image values | |
CN109214996B (zh) | 一种图像处理方法及装置 | |
CN115984148B (zh) | 一种高通量基因测序数据的去噪增强方法 | |
CN110796615A (zh) | 一种图像去噪方法、装置以及存储介质 | |
CN111882565B (zh) | 一种图像二值化方法、装置、设备及存储介质 | |
Ebrahimnejad et al. | Adaptive Removal of high-density salt-and-pepper noise (ARSPN) for robust ROI detection used in watermarking of MRI images of the brain | |
CN110084818B (zh) | 动态下采样图像分割方法 | |
CN115272362A (zh) | 一种数字病理全场图像有效区域分割方法、装置 | |
CN112562829B (zh) | 一种自适应生成dicom影像默认窗宽窗位的方法 | |
CN111199197A (zh) | 一种人脸识别的图像提取方法及处理设备 | |
CN112052854B (zh) | 一种实现自适应对比度增强的医疗图像可逆信息隐藏方法 | |
CN115797234B (zh) | 一种增强低对比度二维码图像识别效果的方法 | |
EP1520255A2 (en) | Methods of anisotropic diffusion and foveal segmentation of digital images | |
CN116503426A (zh) | 基于图像处理的超声图像分割方法 | |
CN115008255B (zh) | 一种用于机床的刀具磨损识别方法及装置 | |
CN112258534B (zh) | 一种超声图像中小脑蚓部的定位及分割方法 | |
CN114693543B (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
CN111951254B (zh) | 基于边缘引导加权平均的源相机识别方法及系统 |
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 |