CN116452464A - 一种基于深度学习的胸部图像增强处理方法 - Google Patents
一种基于深度学习的胸部图像增强处理方法 Download PDFInfo
- Publication number
- CN116452464A CN116452464A CN202310679066.7A CN202310679066A CN116452464A CN 116452464 A CN116452464 A CN 116452464A CN 202310679066 A CN202310679066 A CN 202310679066A CN 116452464 A CN116452464 A CN 116452464A
- Authority
- CN
- China
- Prior art keywords
- contour
- points
- edge
- value
- local
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims abstract description 100
- 238000012216 screening Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 230000005856 abnormality Effects 0.000 claims abstract description 5
- 210000004072 lung Anatomy 0.000 claims description 55
- 238000012795 verification Methods 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 23
- 241001270131 Agaricus moelleri Species 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
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
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T7/13—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
- 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
- G06T2207/20172—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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于深度学习的胸部图像增强处理方法，涉及图像增强标记技术领域，包括：获取胸部CT影像；对胸部CT影像进行分析，得到胸部CT影像中的局部异常点位；对局部异常点位进行区域扩张，对区域扩张后的局部异常点进行增强标记；本发明通过轮廓提取筛选出胸部图像中的异常点位，然后对异常点位进行增强标记，能够辅助医生进行图像异常筛选，以解决现有的技术中对于胸部图像的异常点位的增强标记存在不足，人工筛选时容易漏选的问题。
Description
技术领域
本发明涉及图像增强标记技术领域，具体为一种基于深度学习的胸部图像增强处理方法。
背景技术
CT照片是断层图像，可显示人体某个断层的组织密度分布图，其图像清晰、密度分辨率高，CT是用X线束对人体检查部位一定厚度的层面进行扫描，由探测器接收透过该层面上各个不同方向的人体组织的X线，经模/数转换输入计算机，通过计算机处理后得到扫描断层的组织衰减系数的数字矩阵，再将矩阵内的数值通过数/模转换，用黑白不同的灰度等级在荧光屏上显示出来，即构成CT图像，具体应用时，胸部的CT图像通常指肺部的CT图像；
现有的技术中，在对胸部的CT图像进行分析过程中，缺少对于细节的增强处理，通常都是医生根据经验对CT图像进行判断，现有的针对胸部CT图像的增强技术中，通常都是针对需要增强的区域进行统一增强，例如在公开号为“CN115797259A”的申请文件中，公开了“一种低剂量肺部CT图像多尺度细节增强方法和系统”，该方法就是对需要增强的细节进行高频补偿得到每个缩小图像中各个细节对应的高频细节图像，这种增强方式有时会使原有的区域丧失了原有特征，同样即使对某一区域进行增强处理后，在整体的CT图像中还是需要医生进行逐一筛选，缺少一种能够对胸部CT图像中的异常区域进行增强标记的方法来解决上述问题。
发明内容
本发明旨在至少在一定程度上解决现有技术中的技术问题之一，通过轮廓提取筛选出胸部图像中的异常点位，然后对异常点位进行增强标记，能够辅助医生进行图像异常筛选，以解决现有的技术中对于胸部图像的异常点位的增强标记存在不足，人工筛选时容易漏选的问题。
为实现上述目的，第一方面，本发明提供一种基于深度学习的胸部图像增强处理方法，包括：
获取胸部CT影像；
对胸部CT影像进行分析，得到胸部CT影像中的局部异常点位；
对局部异常点位进行区域扩张，对区域扩张后的局部异常点进行增强标记。
进一步地，对胸部CT影像进行分析，得到胸部CT影像中的局部异常点位还包括：对肺叶内部的局部异常点位进行标记，以及对肺叶边缘的局部异常点位进行标记。
进一步地，对肺叶内部的局部异常点位进行标记包括：对肺叶内部进行差异轮廓提取，差异轮廓提取过程包括：随机选取一个像素点，获取像素点的8邻域像素点；
求取8邻域像素点的灰度值的最大值和最小值的差值，设定为抓取邻域灰度差值，求取8邻域像素点的灰度值的平均差，设定为邻域灰度波动值；
将抓取邻域灰度值乘以邻域灰度波动值得到轮廓差异值，当轮廓差异值大于等于第一差异阈值时，将随机选取的像素点设定为轮廓像素点；
通过连接相邻的轮廓像素点得到若干内部待定点位。
进一步地，对肺叶内部的局部异常点位进行标记还包括：将内部待定点位中与轮廓像素点相邻的像素点设定为内部轮廓点；将轮廓像素点远离内部待定点位一侧的相邻的像素点设定为外部轮廓点；
求取若干内部轮廓点的灰度值的平均差，设定为内部轮廓波动值，求取若干外部轮廓点的灰度值的平均差，设定为外部轮廓波动值；求取若干内部轮廓点的灰度值的平均值，设定为内部轮廓平均值，求取若干外部轮廓点的灰度值的平均值，设定为外部轮廓平均值；
将内部轮廓波动值、外部轮廓波动值、内部轮廓平均值以及外部轮廓平均值通过轮廓清晰参考计算公式计算得到内部点位轮廓清晰值；当内部点位轮廓清晰值大于等于第一轮廓清晰阈值时，将内部待定点位设定为肺叶内部的局部异常点位；将肺叶内部的局部异常点位设定为内部异常点位。
进一步地，对肺叶边缘的局部异常点位进行标记包括：对肺叶边缘进行边缘轮廓提取，边缘轮廓提取过程包括：获取胸部CT影像的轮廓，设定为影像轮廓，从影像轮廓开始向内部进行像素点筛选，依次对每两个像素点的灰度值的差值进行求取，设定为筛选差值；
当筛选差值大于等于第一筛选阈值时，将靠近影像轮廓一侧的像素点设置为参照像素点，将远离影像轮廓一侧的像素点设定为待定像素点，选取待定像素点远离参照像素点一侧的像素点作为验证像素点；
求取验证像素点与待定像素点的灰度值的差值，设定为验证差值，当验证差值小于等于第一验证阈值时，将待定像素点设定为边缘轮廓点；
依次连接相邻的边缘轮廓点得到边缘轮廓，对边缘轮廓上的连续第一数量的边缘轮廓点标记为边缘待定点位。
进一步地，对肺叶边缘的局部异常点位进行标记还包括：将边缘待定点位相邻的参照像素点设定为第一组相邻像素点，将第一组相邻像素点远离边缘待定点位一侧的像素点设定为第二组相邻像素点；
求取若干边缘待定点位的灰度值的平均值，设定为边缘待定灰度，求取若干第一组相邻像素点的灰度值的平均值，设定为第一组待定灰度，求取第二组相邻像素点的灰度值的平均值，设定为第二组待定灰度；
将第一组待定灰度减去第二组待定灰度得到第一渐变差值，将边缘待定灰度减去第一组待定灰度得到第二渐变差值，将第一渐变差值与第二渐变差值的绝对值设定为渐变绝对值；
当渐变绝对值小于等于第一渐变阈值时，将边缘待定点位设定为肺叶边缘的局部异常点位，将肺叶边缘的局部异常点位设定为边缘异常点位。
进一步地，对局部异常点位进行区域扩张，对区域扩张后的局部异常点进行增强标记包括：将外部轮廓点设定为第一组内部局部增强像素点，将外部轮廓点远离轮廓像素点一侧的相邻的像素点设定为第二组内部局部增强像素点；
将第一组内部局部增强像素点和第二组内部局部增强像素点所在的区域设定为内部局部增强区域；
对内部局部增强区域内的像素点的灰度值进行灰度调整，将内部局部增强区域内的若干像素点的灰度值的平均值设定为内部局部增强灰度，将若干轮廓像素点的灰度值的平均值设定为内部轮廓灰度；
使调整后的内部局部增强灰度与内部轮廓灰度的差值的绝对值等于第一灰度差值。
进一步地，对局部异常点位进行区域扩张，对区域扩张后的局部异常点进行增强标记还包括：将边缘异常点位对应的若干验证像素点设定为第一组边缘局部增强像素点，将若干验证像素点远离边缘异常点位一侧的相邻的像素点设定为第二组边缘局部增强像素点；
将第一组边缘局部增强像素点和第二组边缘局部增强像素点所在的区域设定为边缘局部增强区域；
对边缘局部增强区域内的像素点的灰度值进行灰度调整，将边缘局部增强区域内的若干像素点的灰度值的平均值设定为边缘局部增强灰度，将若干边缘异常点位的灰度值的平均值设定为边缘轮廓灰度；
使调整后的边缘局部增强灰度与边缘轮廓灰度的差值的绝对值等于第一灰度差值。
第二方面，本申请提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上任意一项所述方法中的步骤。
第三方面，本申请提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，运行如上任意一项所述方法中的步骤。
本发明的有益效果：本发明通过对获取到的胸部CT影像进行分析，得到胸部CT影像中的局部异常点位，然后对局部异常点位进行区域扩张，该设计能够避免在增强标记时覆盖了原有的局部异常点位，保证局部异常点位的原始真实性，避免其他增强因素影响对局部异常点位的判断；
本发明通过对区域扩张后的局部异常点进行增强标记，能够将局部异常点位进行圈出，从而能够提高对局部异常点位的标记效果，避免医生筛选检查时出现漏查的问题。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
图1为本发明的方法的步骤流程图；
图2为本发明的系统的原理框图；
图3为本发明的内部异常点位的选取示意图；
图4为本发明的轮廓像素点的8邻域的像素点的示意图。
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。
实施例一请参阅图1所示，本发明提供一种基于深度学习的胸部图像增强处理方法，包括如下步骤：
步骤S10，获取胸部CT影像；
步骤S20，对胸部CT影像进行分析，得到胸部CT影像中的局部异常点位；步骤S20还包括：步骤S201，对肺叶内部的局部异常点位进行标记；请参阅图3和图4所示；步骤S201还包括如下子步骤：步骤S20111，对肺叶内部进行差异轮廓提取，差异轮廓提取过程包括：随机选取一个像素点，获取像素点的8邻域像素点；
步骤S20112，求取8邻域像素点的灰度值的最大值和最小值的差值，设定为抓取邻域灰度差值，求取8邻域像素点的灰度值的平均差，设定为邻域灰度波动值；
步骤S20113，将抓取邻域灰度值乘以邻域灰度波动值得到轮廓差异值，当轮廓差异值大于等于第一差异阈值时，将随机选取的像素点设定为轮廓像素点；具体实施时，第一差异阈值通过深度学习得到，通过反复设定不同大小的第一差异阈值，在不同的第一差异阈值的状态下，查看轮廓像素点的选取的正确率，将选取正确率高对应的数值作为第一差异阈值，具体地，第一差异阈值设定为50，在应用过程中，轮廓像素点的选取的正确率可以通过预先用于进行深度学习的数据库中存储的数据进行判定，在存储好的数据中设定好轮廓像素点，然后根据在不同的第一差异阈值的状态下，比对选取的轮廓相似点的正确率。
步骤S20114，通过连接相邻的轮廓像素点得到若干内部待定点位。
步骤S201还包括：步骤S20121，将内部待定点位中与轮廓像素点相邻的像素点设定为内部轮廓点；将轮廓像素点远离内部待定点位一侧的相邻的像素点设定为外部轮廓点；
步骤S20122，求取若干内部轮廓点的灰度值的平均差，设定为内部轮廓波动值，求取若干外部轮廓点的灰度值的平均差，设定为外部轮廓波动值；求取若干内部轮廓点的灰度值的平均值，设定为内部轮廓平均值，求取若干外部轮廓点的灰度值的平均值，设定为外部轮廓平均值；
步骤S20123，将内部轮廓波动值、外部轮廓波动值、内部轮廓平均值以及外部轮廓平均值通过轮廓清晰参考计算公式计算得到内部点位轮廓清晰值；轮廓清晰参考计算公式配置为：；其中，Plq为内部点位轮廓清晰值，Pwl为外部轮廓平均值，Pnl为内部轮廓平均值，Bwl为外部轮廓波动值，Bnl为内部轮廓波动值；参照轮廓清晰参考计算公式可以发现，如果外部轮廓波动值和内部轮廓波动值越小，且为外部轮廓平均值与内部轮廓平均值的差值的绝对值越大，则内部点位轮廓清晰值越大，内部点位轮廓清晰值越大表明内部异常点位与周围区域的轮廓界限越清晰，如果在肺部区域的内部存在轮廓清晰的内部异常点位，则需要着重进行标记；当内部点位轮廓清晰值大于等于第一轮廓清晰阈值时，第一轮廓清晰阈值设置为50，例如当外部轮廓平均值与内部轮廓平均值的差值的绝对值为100，外部轮廓波动值为1，内部轮廓波动值为1时，此时内部点位轮廓清晰值等于第一轮廓清晰阈值，将内部待定点位设定为肺叶内部的局部异常点位；进一步将肺叶内部的局部异常点位设定为内部异常点位，参阅图3，图3中的白色网格的部分即为内部异常点位。
步骤S202，对肺叶边缘的局部异常点位进行标记；步骤S202还包括：步骤S20211，对肺叶边缘进行边缘轮廓提取，边缘轮廓提取过程包括：获取胸部CT影像的轮廓，设定为影像轮廓，从影像轮廓开始向内部进行像素点筛选，依次对每两个像素点的灰度值的差值进行求取，设定为筛选差值；
步骤S20212，当筛选差值大于等于第一筛选阈值时，具体实施时，第一筛选阈值设定为50；将靠近影像轮廓一侧的像素点设置为参照像素点，将远离影像轮廓一侧的像素点设定为待定像素点，选取待定像素点远离参照像素点一侧的像素点作为验证像素点；
步骤S20213，求取验证像素点与待定像素点的灰度值的差值，设定为验证差值，当验证差值小于等于第一验证阈值时，将待定像素点设定为边缘轮廓点；如果验证像素点与待定像素点的灰度值的差值较小，表明参照像素点内的灰度值变化较小，第一验证阈值设置为10；
步骤S20214，依次连接相邻的边缘轮廓点得到边缘轮廓，对边缘轮廓上的连续第一数量的边缘轮廓点标记为边缘待定点位。
步骤S202还包括：步骤S20221，将边缘待定点位相邻的参照像素点设定为第一组相邻像素点，将第一组相邻像素点远离边缘待定点位一侧的像素点设定为第二组相邻像素点；
步骤S20222，求取若干边缘待定点位的灰度值的平均值，设定为边缘待定灰度，求取若干第一组相邻像素点的灰度值的平均值，设定为第一组待定灰度，求取第二组相邻像素点的灰度值的平均值，设定为第二组待定灰度；
步骤S20223，将第一组待定灰度减去第二组待定灰度得到第一渐变差值，将边缘待定灰度减去第一组待定灰度得到第二渐变差值，将第一渐变差值与第二渐变差值的绝对值设定为渐变绝对值；
步骤S20224，当渐变绝对值小于等于第一渐变阈值时，将边缘待定点位设定为肺叶边缘的局部异常点位，将肺叶边缘的局部异常点位设定为边缘异常点位，第一渐变阈值设定为10，如果渐变绝对值小于等于第一渐变阈值时表明边缘待定点所在区域的边缘不够清晰，通常情况下肺部区域的边缘轮廓应十分清晰，如果存在边缘不够清晰的情况，考虑到肺部边缘可能会存在增生以及积液等异常问题。
步骤S30，对局部异常点位进行区域扩张，对区域扩张后的局部异常点进行增强标记；步骤S3还包括如下子步骤：步骤S311，将外部轮廓点设定为第一组内部局部增强像素点，将外部轮廓点远离轮廓像素点一侧的相邻的像素点设定为第二组内部局部增强像素点；
步骤S312，将第一组内部局部增强像素点和第二组内部局部增强像素点所在的区域设定为内部局部增强区域；
步骤S313，对内部局部增强区域内的像素点的灰度值进行灰度调整，将内部局部增强区域内的若干像素点的灰度值的平均值设定为内部局部增强灰度，将若干轮廓像素点的灰度值的平均值设定为内部轮廓灰度；
步骤S314，使调整后的内部局部增强灰度与内部轮廓灰度的差值的绝对值等于第一灰度差值，第一灰度差值设定为125，在对内部局部增强区域内的像素点的灰度值进行灰度调整时，保证调整后的内部局部增强灰度与内部轮廓灰度的差值的绝对值等于125，能够使内部局部增强区域明显区别于内部异常点位，实现对内部异常点位进行增强标记的效果。
步骤S3还包括如下子步骤：步骤S321，将边缘异常点位对应的若干验证像素点设定为第一组边缘局部增强像素点，将若干验证像素点远离边缘异常点位一侧的相邻的像素点设定为第二组边缘局部增强像素点；
步骤S322，将第一组边缘局部增强像素点和第二组边缘局部增强像素点所在的区域设定为边缘局部增强区域；
步骤S323，对边缘局部增强区域内的像素点的灰度值进行灰度调整，将边缘局部增强区域内的若干像素点的灰度值的平均值设定为边缘局部增强灰度，将若干边缘异常点位的灰度值的平均值设定为边缘轮廓灰度；
步骤S324，使调整后的边缘局部增强灰度与边缘轮廓灰度的差值的绝对值等于第一灰度差值，在对边缘局部增强区域内的像素点的灰度值进行灰度调整时，保证调整后的边缘局部增强灰度与边缘轮廓灰度的差值的绝对值等于125，能够使边缘局部增强区域明显区别于边缘异常点位，实现对边缘异常点位进行增强标记的效果。
实施例二请参阅图2所示，本发明还提供一种基于深度学习的胸部图像增强处理系统，包括：胸部图像获取模块、局部标记模块以及局部增强模块，胸部图像获取模块用于获取胸部CT影像；
局部标记模块用于对胸部CT影像进行分析，得到胸部CT影像中的局部异常点位；局部标记模块包括肺叶内部标记单元以及肺叶边缘标记单元，肺叶内部标记单元用于对肺叶内部的局部异常点位进行标记，肺叶内部标记单元配置有肺叶内部标记策略，肺叶内部标记策略包括：对肺叶内部进行差异轮廓提取，差异轮廓提取过程包括：随机选取一个像素点，获取像素点的8邻域像素点；
求取8邻域像素点的灰度值的最大值和最小值的差值，设定为抓取邻域灰度差值，求取8邻域像素点的灰度值的平均差，设定为邻域灰度波动值；
将抓取邻域灰度值乘以邻域灰度波动值得到轮廓差异值，当轮廓差异值大于等于第一差异阈值时，将随机选取的像素点设定为轮廓像素点；
通过连接相邻的轮廓像素点得到若干内部待定点位。
肺叶内部标记单元还配置有内部筛选策略，内部筛选策略包括：将内部待定点位中与轮廓像素点相邻的像素点设定为内部轮廓点；将轮廓像素点远离内部待定点位一侧的相邻的像素点设定为外部轮廓点；
求取若干内部轮廓点的灰度值的平均差，设定为内部轮廓波动值，求取若干外部轮廓点的灰度值的平均差，设定为外部轮廓波动值；求取若干内部轮廓点的灰度值的平均值，设定为内部轮廓平均值，求取若干外部轮廓点的灰度值的平均值，设定为外部轮廓平均值；
将内部轮廓波动值、外部轮廓波动值、内部轮廓平均值以及外部轮廓平均值通过轮廓清晰参考计算公式计算得到内部点位轮廓清晰值；当内部点位轮廓清晰值大于等于第一轮廓清晰阈值时，将内部待定点位设定为肺叶内部的局部异常点位；将肺叶内部的局部异常点位设定为内部异常点位。
肺叶边缘标记单元用于对肺叶边缘的局部异常点位进行标记；肺叶边缘标记单元配置有肺叶边缘标记策略，肺叶边缘标记策略包括：对肺叶边缘进行边缘轮廓提取，边缘轮廓提取过程包括：获取胸部CT影像的轮廓，设定为影像轮廓，从影像轮廓开始向内部进行像素点筛选，依次对每两个像素点的灰度值的差值进行求取，设定为筛选差值；
当筛选差值大于等于第一筛选阈值时，将靠近影像轮廓一侧的像素点设置为参照像素点，将远离影像轮廓一侧的像素点设定为待定像素点，选取待定像素点远离参照像素点一侧的像素点作为验证像素点；
求取验证像素点与待定像素点的灰度值的差值，设定为验证差值，当验证差值小于等于第一验证阈值时，将待定像素点设定为边缘轮廓点；
依次连接相邻的边缘轮廓点得到边缘轮廓，对边缘轮廓上的连续第一数量的边缘轮廓点标记为边缘待定点位；肺叶边缘标记单元还配置有边缘筛选策略，边缘筛选策略包括：将边缘待定点位相邻的参照像素点设定为第一组相邻像素点，将第一组相邻像素点远离边缘待定点位一侧的像素点设定为第二组相邻像素点；
求取若干边缘待定点位的灰度值的平均值，设定为边缘待定灰度，求取若干第一组相邻像素点的灰度值的平均值，设定为第一组待定灰度，求取第二组相邻像素点的灰度值的平均值，设定为第二组待定灰度；
将第一组待定灰度减去第二组待定灰度得到第一渐变差值，将边缘待定灰度减去第一组待定灰度得到第二渐变差值，将第一渐变差值与第二渐变差值的绝对值设定为渐变绝对值；
当渐变绝对值小于等于第一渐变阈值时，将边缘待定点位设定为肺叶边缘的局部异常点位，将肺叶边缘的局部异常点位设定为边缘异常点位。
局部增强模块用于对局部异常点位进行区域扩张，对区域扩张后的局部异常点进行增强标记；
局部增强模块配置有内部局部增强策略，内部局部增强策略包括：将外部轮廓点设定为第一组内部局部增强像素点，将外部轮廓点远离轮廓像素点一侧的相邻的像素点设定为第二组内部局部增强像素点；
将第一组内部局部增强像素点和第二组内部局部增强像素点所在的区域设定为内部局部增强区域；
对内部局部增强区域内的像素点的灰度值进行灰度调整，将内部局部增强区域内的若干像素点的灰度值的平均值设定为内部局部增强灰度，将若干轮廓像素点的灰度值的平均值设定为内部轮廓灰度；
使调整后的内部局部增强灰度与内部轮廓灰度的差值的绝对值等于第一灰度差值。
局部增强模块还配置有边缘局部增强策略，边缘局部增强策略包括：将边缘异常点位对应的若干验证像素点设定为第一组边缘局部增强像素点，将若干验证像素点远离边缘异常点位一侧的相邻的像素点设定为第二组边缘局部增强像素点；
将第一组边缘局部增强像素点和第二组边缘局部增强像素点所在的区域设定为边缘局部增强区域；
对边缘局部增强区域内的像素点的灰度值进行灰度调整，将边缘局部增强区域内的若干像素点的灰度值的平均值设定为边缘局部增强灰度，将若干边缘异常点位的灰度值的平均值设定为边缘轮廓灰度；
使调整后的边缘局部增强灰度与边缘轮廓灰度的差值的绝对值等于第一灰度差值。
实施例三第三方面，本申请提供一种电子设备，包括处理器以及存储器，存储器存储有计算机可读取指令，当计算机可读取指令由处理器执行时，运行如上任意一项方法中的步骤。通过上述技术方案，处理器和存储器通过通信总线和/或其他形式的连接机构（未标出）互连并相互通讯，存储器存储有处理器可执行的计算机程序，当电子设备运行时，处理器执行该计算机程序，以执行时执行上述实施例的任一可选的实现方式中的方法，以实现以下功能：获取胸部CT影像，对胸部CT影像进行分析，得到胸部CT影像中的局部异常点位，对局部异常点位进行区域扩张，对区域扩张后的局部异常点进行增强标记。
实施例四第四方面，本申请提供一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时，运行如上任意一项方法中的步骤。通过上述技术方案，计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法，以实现以下功能：获取胸部CT影像，对胸部CT影像进行分析，得到胸部CT影像中的局部异常点位，对局部异常点位进行区域扩张，对区域扩张后的局部异常点进行增强标记。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random AccessMemory，简称SRAM），电可擦除可编程只读存储器（Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM），可擦除可编程只读存储器（Erasable ProgrammableRead Only Memory，简称EPROM），可编程只读存储器（Programmable Red-Only Memory，简称PROM），只读存储器（Read-OnlyMemory，简称ROM），磁存储器，快闪存储器，磁盘或光盘。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
Claims (10)
1.一种基于深度学习的胸部图像增强处理方法，其特征在于，包括：
获取胸部CT影像；
对胸部CT影像进行分析，得到胸部CT影像中的局部异常点位；
对局部异常点位进行区域扩张，对区域扩张后的局部异常点进行增强标记。
2.根据权利要求1所述的一种基于深度学习的胸部图像增强处理方法，其特征在于，对胸部CT影像进行分析，得到胸部CT影像中的局部异常点位还包括：对肺叶内部的局部异常点位进行标记，以及对肺叶边缘的局部异常点位进行标记。
3.根据权利要求2所述的一种基于深度学习的胸部图像增强处理方法，其特征在于，对肺叶内部的局部异常点位进行标记包括：对肺叶内部进行差异轮廓提取，差异轮廓提取过程包括：随机选取一个像素点，获取像素点的8邻域像素点；
求取8邻域像素点的灰度值的最大值和最小值的差值，设定为抓取邻域灰度差值，求取8邻域像素点的灰度值的平均差，设定为邻域灰度波动值；
将抓取邻域灰度值乘以邻域灰度波动值得到轮廓差异值，当轮廓差异值大于等于第一差异阈值时，将随机选取的像素点设定为轮廓像素点；
通过连接相邻的轮廓像素点得到若干内部待定点位。
4.根据权利要求3所述的一种基于深度学习的胸部图像增强处理方法，其特征在于，对肺叶内部的局部异常点位进行标记还包括：将内部待定点位中与轮廓像素点相邻的像素点设定为内部轮廓点；将轮廓像素点远离内部待定点位一侧的相邻的像素点设定为外部轮廓点；
求取若干内部轮廓点的灰度值的平均差，设定为内部轮廓波动值，求取若干外部轮廓点的灰度值的平均差，设定为外部轮廓波动值；求取若干内部轮廓点的灰度值的平均值，设定为内部轮廓平均值，求取若干外部轮廓点的灰度值的平均值，设定为外部轮廓平均值；
将内部轮廓波动值、外部轮廓波动值、内部轮廓平均值以及外部轮廓平均值通过轮廓清晰参考计算公式计算得到内部点位轮廓清晰值；当内部点位轮廓清晰值大于等于第一轮廓清晰阈值时，将内部待定点位设定为肺叶内部的局部异常点位；将肺叶内部的局部异常点位设定为内部异常点位。
5.根据权利要求2所述的一种基于深度学习的胸部图像增强处理方法，其特征在于，对肺叶边缘的局部异常点位进行标记包括：对肺叶边缘进行边缘轮廓提取，边缘轮廓提取过程包括：获取胸部CT影像的轮廓，设定为影像轮廓，从影像轮廓开始向内部进行像素点筛选，依次对每两个像素点的灰度值的差值进行求取，设定为筛选差值；
当筛选差值大于等于第一筛选阈值时，将靠近影像轮廓一侧的像素点设置为参照像素点，将远离影像轮廓一侧的像素点设定为待定像素点，选取待定像素点远离参照像素点一侧的像素点作为验证像素点；
求取验证像素点与待定像素点的灰度值的差值，设定为验证差值，当验证差值小于等于第一验证阈值时，将待定像素点设定为边缘轮廓点；
依次连接相邻的边缘轮廓点得到边缘轮廓，对边缘轮廓上的连续第一数量的边缘轮廓点标记为边缘待定点位。
6.根据权利要求5所述的一种基于深度学习的胸部图像增强处理方法，其特征在于，对肺叶边缘的局部异常点位进行标记还包括：将边缘待定点位相邻的参照像素点设定为第一组相邻像素点，将第一组相邻像素点远离边缘待定点位一侧的像素点设定为第二组相邻像素点；
求取若干边缘待定点位的灰度值的平均值，设定为边缘待定灰度，求取若干第一组相邻像素点的灰度值的平均值，设定为第一组待定灰度，求取第二组相邻像素点的灰度值的平均值，设定为第二组待定灰度；
将第一组待定灰度减去第二组待定灰度得到第一渐变差值，将边缘待定灰度减去第一组待定灰度得到第二渐变差值，将第一渐变差值与第二渐变差值的绝对值设定为渐变绝对值；
当渐变绝对值小于等于第一渐变阈值时，将边缘待定点位设定为肺叶边缘的局部异常点位，将肺叶边缘的局部异常点位设定为边缘异常点位。
7.根据权利要求4所述的一种基于深度学习的胸部图像增强处理方法，其特征在于，对局部异常点位进行区域扩张，对区域扩张后的局部异常点进行增强标记包括：将外部轮廓点设定为第一组内部局部增强像素点，将外部轮廓点远离轮廓像素点一侧的相邻的像素点设定为第二组内部局部增强像素点；
将第一组内部局部增强像素点和第二组内部局部增强像素点所在的区域设定为内部局部增强区域；
对内部局部增强区域内的像素点的灰度值进行灰度调整，将内部局部增强区域内的若干像素点的灰度值的平均值设定为内部局部增强灰度，将若干轮廓像素点的灰度值的平均值设定为内部轮廓灰度；
使调整后的内部局部增强灰度与内部轮廓灰度的差值的绝对值等于第一灰度差值。
8.根据权利要求6所述的一种基于深度学习的胸部图像增强处理方法，其特征在于，对局部异常点位进行区域扩张，对区域扩张后的局部异常点进行增强标记还包括：将边缘异常点位对应的若干验证像素点设定为第一组边缘局部增强像素点，将若干验证像素点远离边缘异常点位一侧的相邻的像素点设定为第二组边缘局部增强像素点；
将第一组边缘局部增强像素点和第二组边缘局部增强像素点所在的区域设定为边缘局部增强区域；
对边缘局部增强区域内的像素点的灰度值进行灰度调整，将边缘局部增强区域内的若干像素点的灰度值的平均值设定为边缘局部增强灰度，将若干边缘异常点位的灰度值的平均值设定为边缘轮廓灰度；
使调整后的边缘局部增强灰度与边缘轮廓灰度的差值的绝对值等于第一灰度差值。
9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-8任一项所述方法中的步骤。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，运行如权利要求1-8任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310679066.7A CN116452464B (zh) | 2023-06-09 | 2023-06-09 | 一种基于深度学习的胸部图像增强处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310679066.7A CN116452464B (zh) | 2023-06-09 | 2023-06-09 | 一种基于深度学习的胸部图像增强处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116452464A true CN116452464A (zh) | 2023-07-18 |
| CN116452464B CN116452464B (zh) | 2023-08-22 |
Family
ID=87130501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310679066.7A Active CN116452464B (zh) | 2023-06-09 | 2023-06-09 | 一种基于深度学习的胸部图像增强处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116452464B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152178A (zh) * | 2023-09-20 | 2023-12-01 | 常州市三润医疗器械科技有限公司 | 一种甲状腺切割装置及切割方法 |
| CN117541580A (zh) * | 2024-01-08 | 2024-02-09 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 一种基于深度神经网络的甲状腺癌图像比对模型建立方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130013966A (ko) * | 2011-07-29 | 2013-02-06 | 주식회사 모든넷 | 이미지 정합 기반 흉부영상 진단 시스템 및 방법 |
| US20160239956A1 (en) * | 2013-03-15 | 2016-08-18 | Bio-Tree Systems, Inc. | Methods and system for linking geometry obtained from images |
| CN106600587A (zh) * | 2016-12-09 | 2017-04-26 | 上海理工大学 | 肺部ct图像辅助检测处理装置 |
| CN108171709A (zh) * | 2018-01-30 | 2018-06-15 | 北京青燕祥云科技有限公司 | 肝占位性病灶区域的检测方法、装置和实现装置 |
| CN109509186A (zh) * | 2018-11-09 | 2019-03-22 | 北京邮电大学 | 基于大脑ct图像的缺血性脑卒中病灶检测方法及装置 |
| CN110930337A (zh) * | 2019-11-29 | 2020-03-27 | 北京理工大学 | 一种基于深度学习的医学影像增强方法 |
| WO2021108043A1 (en) * | 2019-11-27 | 2021-06-03 | University Of Cincinnati | Assessing treatment response with estimated number of tumor cells |
| CN112967254A (zh) * | 2021-03-08 | 2021-06-15 | 中国计量大学 | 基于胸部ct影像肺部疾病识别和检测方法 |
| CN115661069A (zh) * | 2022-10-22 | 2023-01-31 | 北京航空航天大学 | 一种高光谱异常检测方法及计算机装置 |
| CN115861135A (zh) * | 2023-03-01 | 2023-03-28 | 铜牛能源科技(山东)有限公司 | 一种应用于箱体全景探测的图像增强及识别方法 |
-
2023
- 2023-06-09 CN CN202310679066.7A patent/CN116452464B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130013966A (ko) * | 2011-07-29 | 2013-02-06 | 주식회사 모든넷 | 이미지 정합 기반 흉부영상 진단 시스템 및 방법 |
| US20160239956A1 (en) * | 2013-03-15 | 2016-08-18 | Bio-Tree Systems, Inc. | Methods and system for linking geometry obtained from images |
| CN106600587A (zh) * | 2016-12-09 | 2017-04-26 | 上海理工大学 | 肺部ct图像辅助检测处理装置 |
| CN108171709A (zh) * | 2018-01-30 | 2018-06-15 | 北京青燕祥云科技有限公司 | 肝占位性病灶区域的检测方法、装置和实现装置 |
| CN109509186A (zh) * | 2018-11-09 | 2019-03-22 | 北京邮电大学 | 基于大脑ct图像的缺血性脑卒中病灶检测方法及装置 |
| WO2021108043A1 (en) * | 2019-11-27 | 2021-06-03 | University Of Cincinnati | Assessing treatment response with estimated number of tumor cells |
| CN110930337A (zh) * | 2019-11-29 | 2020-03-27 | 北京理工大学 | 一种基于深度学习的医学影像增强方法 |
| CN112967254A (zh) * | 2021-03-08 | 2021-06-15 | 中国计量大学 | 基于胸部ct影像肺部疾病识别和检测方法 |
| CN115661069A (zh) * | 2022-10-22 | 2023-01-31 | 北京航空航天大学 | 一种高光谱异常检测方法及计算机装置 |
| CN115861135A (zh) * | 2023-03-01 | 2023-03-28 | 铜牛能源科技(山东)有限公司 | 一种应用于箱体全景探测的图像增强及识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐波和李坤: ""基于矩形扩张的ROI区域标记算法", 《万方数据》, pages 573 - 576 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152178A (zh) * | 2023-09-20 | 2023-12-01 | 常州市三润医疗器械科技有限公司 | 一种甲状腺切割装置及切割方法 |
| CN117152178B (zh) * | 2023-09-20 | 2024-04-02 | 常州市三润医疗器械科技有限公司 | 一种甲状腺切割装置及切割方法 |
| CN117541580A (zh) * | 2024-01-08 | 2024-02-09 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 一种基于深度神经网络的甲状腺癌图像比对模型建立方法 |
| CN117541580B (zh) * | 2024-01-08 | 2024-03-19 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 一种基于深度神经网络的甲状腺癌图像比对模型建立方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116452464B (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116452464B (zh) | 一种基于深度学习的胸部图像增强处理方法 | |
| US9437017B2 (en) | Method and apparatus for metal artifact elimination in a medical image | |
| US5982953A (en) | Image displaying apparatus of a processed image from temporally sequential images | |
| US8233692B2 (en) | Method of suppressing obscuring features in an image | |
| US8861886B2 (en) | Enhanced visualization for medical images | |
| US11669964B2 (en) | Systems and methods to facilitate review of liver tumor cases | |
| EP2715663B1 (en) | Apparatus for generating assignments between image regions of an image and element classes | |
| CN110610498A (zh) | 乳腺钼靶图像处理方法、系统、存储介质及设备 | |
| US20060110022A1 (en) | Automatic image contrast in computer aided diagnosis | |
| CN106911904B (zh) | 图像处理方法、图像处理系统及成像系统 | |
| KR20220099126A (ko) | 골절 위험 예측 방법 및 장치 | |
| CN110555860B (zh) | 医学图像中肋骨区域标注的方法、电子设备和存储介质 | |
| JP3590216B2 (ja) | 異常陰影候補の検出方法および装置 | |
| CN116071355A (zh) | 一种用于外周血管影像的辅助分割系统及方法 | |
| JP2000316837A (ja) | 画像診断支援装置 | |
| JP2004174241A (ja) | 画像形成方法 | |
| JP2007521905A (ja) | 断面画像の処理装置及び方法 | |
| JP2006527051A (ja) | 肺のｃｔデータの解析方法及び装置 | |
| CN113160248B (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
| US20050213841A1 (en) | Image processing | |
| CN111325758A (zh) | 肺部图像分割方法及装置、图像分割模型的训练方法 | |
| WO2010020921A2 (en) | Blanking of image regions | |
| JP2005102784A (ja) | 画像診断支援装置及び画像診断支援方法 | |
| US8064668B2 (en) | Method of modifying a segmented volume | |
| CN110084866B (zh) | 一种计算机断层成像方法和装置 |
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 |