CN116523924B - 一种医学实验用数据处理方法及系统 - Google Patents
一种医学实验用数据处理方法及系统 Download PDFInfo
- Publication number
- CN116523924B CN116523924B CN202310814808.2A CN202310814808A CN116523924B CN 116523924 B CN116523924 B CN 116523924B CN 202310814808 A CN202310814808 A CN 202310814808A CN 116523924 B CN116523924 B CN 116523924B
- Authority
- CN
- China
- Prior art keywords
- area
- rat
- image
- screening
- evaluation
- 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
- 238000002474 experimental method Methods 0.000 title claims abstract description 28
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 241000700159 Rattus Species 0.000 claims abstract description 189
- 210000004185 liver Anatomy 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 37
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 18
- 238000007499 fusion processing Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 104
- 238000012216 screening Methods 0.000 claims description 97
- 239000013598 vector Substances 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 36
- 230000011218 segmentation Effects 0.000 claims description 24
- 230000000747 cardiac effect Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 210000001015 abdomen Anatomy 0.000 abstract description 16
- 230000000241 respiratory effect Effects 0.000 description 19
- 230000003187 abdominal effect Effects 0.000 description 18
- 230000008859 change Effects 0.000 description 17
- 238000000338 in vitro Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000009499 grossing Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 210000000038 chest Anatomy 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010009 beating Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010171 animal model Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000037308 hair color Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种医学实验用数据处理方法，涉及医学实验技术领域，所述方法包括：获取大鼠的图像并对所述图像进行分割，以得到至少一个分割区域；分析连续帧下的目标扫描区域，得到每帧对应的大鼠的呼吸信息，并根据大鼠的呼吸信息确定每帧对应的心脏形变系数；基于目标扫描区域获取大鼠连续帧的肝脏影像，并根据至少一帧对应的心脏形变系数将肝脏影像进行融合处理，以得到目标影像。本发明通过对大鼠的图像进行处理，可以准确在图像上对不同体态的大鼠进行区域划分，以定位到用于反映肝脏影像的腹部区域，实现减少对大鼠的肝脏影像中无关肝脏的信息获取，提高对大鼠的肝脏影像的处理效率。
Description
技术领域
本发明涉及医学实验技术领域，尤其涉及一种医学实验用数据处理方法及系统。
背景技术
在医学实验中，对动物模型例如大鼠，进行相关研究时，需要获取和处理大鼠生理部位的影像数据。
而对大鼠进行肝脏移植实验中，通常需要在实验前获取对应大鼠的肝脏影像数据，进而通过分析大鼠的肝脏影像数据决定下一步实验操作的方向。
在对大鼠的肝脏进行扫描成像过程中，大鼠心脏的跳动会使心脏形变量变化，进而会导致在扫描过程中大鼠的肝脏会发生微小的运动，从而在大鼠的肝脏影像中产生伪影。
对于大鼠的肝脏影像数据中的缺陷，传统的数据处理方法通常依赖于人工进行操作，耗时较长，且容易受到操作者技能水平的影响，导致实验结果的准确性和可靠性降低；此外，由于大鼠生理部位的复杂性，对大鼠的肝脏进行扫描成像时，大鼠的肝脏影像中常包含有大量无用信息，大大增加了对大鼠的肝脏影像数据的处理效率和难度。
因此，如何降低大鼠的肝脏影像数据中无用信息及伪影信息的干扰，提高对大鼠的肝脏影像数据的处理效率，是在医学实验用数据处理中亟待解决优化的问题。
发明内容
为了降低大鼠的肝脏影像数据中无用信息及伪影信息的干扰，本发明提供了一种医学实验用数据处理方法及系统。
为了解决上述技术问题，本发明提供的技术方案具体如下：
第一方面，一种医学实验用数据处理方法，所述方法包括以下步骤：
获取大鼠的图像并对所述图像进行分割，以得到至少一个分割区域；
获取至少一个分割区域分别对应的第一筛选因子，根据至少一个第一筛选因子计算腹面区域；
对所述腹面区域进行处理，以得到生理部区域；
提取所述生理部区域中的几何特征，并根据所述几何特征得到至少一个躯干区域；
获取至少一个躯干区域分别对应的第二筛选因子，根据至少一个第二筛选因子计算目标扫描区域；
分析连续帧下的目标扫描区域，得到每帧对应的大鼠的呼吸信息，并根据大鼠的呼吸信息确定每帧对应的心脏形变系数；
基于目标扫描区域获取大鼠连续帧的肝脏影像，并根据至少一帧对应的心脏形变系数将肝脏影像进行融合处理，以得到目标影像。
在上述任一方案中优选的是，获取至少一个分割区域分别对应的第一筛选因子，根据至少一个第一筛选因子计算腹面区域，包括：
预设置第一评价值，获取至少一个分割区域对应的第一筛选因子，并根据至少一个第一筛选因子与第一评价值的差距确定第一评价系数，根据第一评价系数分别评价分割区域对应的第一筛选因子与第一评价值的差距，以得到至少一个腹面区域。
在上述任一方案中优选的是，根据第一评价系数分别评价分割区域对应的第一筛选因子与第一评价值的差距，以得到至少一个腹面区域，包括：
若分割区域对应的第一筛选因子与第一评价值的差距小于第一评价系数，则对分割区域进行保留；
若分割区域对应的第一筛选因子与第一评价值的差距不小于第一评价系数，则对分割区域进行剔除。
在上述任一方案中优选的是，对所述腹面区域进行处理，以得到生理部区域，包括：
根据相邻腹面区域间的第一筛选因子差值作为第二评价值，并根据至少一个第二评价值确定第二评价系数，根据第二评价系数判断相邻的腹面区域是否合并，得到至少一个生理部区域。
在上述任一方案中优选的是，提取所述生理部区域中的几何特征，并根据所述几何特征得到至少一个躯干区域，包括：
计算至少一个生理部区域的面积和周长，得到对应的生理部区域几何特征向量，并汇集至少一个几何特征向量得到几何特征向量集合；
在几何特征向量集合中选取n个样本作为起始聚类中心，遍历几何特征向量集合中的元素，并依次计算元素与n个起始聚类中心之间的距离，将元素对应距离最小的起始聚类中心所标识的簇作为元素的归属；
分别计算每个簇内特征向量的平均值，并提取平均值最大对应的簇内的几何特征向量对应的生理部区域，得到至少一个躯干区域。
在上述任一方案中优选的是，获取至少一个躯干区域分别对应的第二筛选因子，根据至少一个第二筛选因子计算目标扫描区域，包括：
获取至少一个躯干区域内分布的像素点的亮度值，并将亮度值作为各像素点的第二筛选因子；
获取连续帧下第二筛选因子的变化幅度，并根据变化幅度确定第三评价系数；
根据第三评价系数对各像素点连续帧下分别对应的第二筛选因子的变化幅度进行评价得到评价结果，并根据评价结果对各像素进行筛选，得到目标像素点；
识别目标像素点的边缘像素点，对边缘像素点进行连通并获取边缘像素点连通区域的外接矩，根据外界矩确定目标扫描区域。
在上述任一方案中优选的是，获取连续帧下第二筛选因子的变化幅度，并根据变化幅度确定第三评价系数，包括：
获取至少一个躯干区域的连续帧图像，并将连续帧图像转换为灰度图像；
根据灰度图像计算相邻帧间各像素点对应的亮度值差值，并将各像素点对应的亮度值差值合并为亮度值差值数组；
根据亮度值差值数组的平均值和标准差拟合亮度值差值数组，并选取拟合分布的90％分位数作为第三评价系数。
在上述任一方案中优选的是，根据第三评价系数对各像素点连续帧下分别对应的第二筛选因子的变化幅度进行评价得到评价结果，并根据评价结果对各像素进行筛选，得到目标像素点，包括：
若相邻帧间像素点对应的亮度值差值大于第三评价系数，则判定像素点为目标像素点，反之，则判定像素点不为目标像素点。
在上述任一方案中优选的是，识别目标像素点的边缘像素点，对边缘像素点进行连通并获取边缘像素点连通区域的外接矩，根据外界矩确定目标扫描区域，包括：
计算至少一个目标像素点的梯度值，并设置边缘判定阈值，若目标像素点的梯度值大于判定阈值，则判定目标像素点为边缘像素点；
将至少一个边缘像素点进行连通，并计算连通的边缘像素点面积在躯干区域面积的覆盖占比；
获取连通的边缘像素点中的最小横、纵坐标以及最大横、纵坐标，并将最小横、纵坐标以及最大横、纵坐标分别作为外接矩的各角点坐标，得到外接矩；
根据覆盖占比对外界矩的边界进行等比例扩延，得到目标扫描区域。
第二方面，一种医学实验用数据处理系统，包括：
分割模块，用于获取大鼠的图像并对所述图像进行分割，以得到至少一个分割区域；
第一筛选模块，用于获取至少一个分割区域分别对应的第一筛选因子，根据至少一个第一筛选因子计算腹面区域；
处理模块，用于对所述腹面区域进行处理，以得到生理部区域；
提取模块，用于提取所述生理部区域中的几何特征，并根据所述几何特征得到至少一个躯干区域；
第二筛选模块，用于获取至少一个躯干区域分别对应的第二筛选因子，根据至少一个第二筛选因子计算目标扫描区域；
分析模块，用于分析连续帧下的目标扫描区域，得到每帧对应的大鼠的呼吸信息，并根据大鼠的呼吸信息确定每帧对应的心脏形变系数；
融合模块，用于基于目标扫描区域获取大鼠的肝脏影像，并根据至少一帧对应的心脏形变系数将肝脏影像进行融合处理，以得到目标影像。
与现有技术相比，本发明的有益效果：
本发明的上述方案，通过对大鼠的图像进行处理，可以准确在图像上对不同体态的大鼠进行区域划分，以定位到用于反映肝脏影像的腹部区域，实现减少对大鼠的肝脏影像中无关肝脏的信息获取，提高对大鼠的肝脏影像的处理效率；
通过对大鼠的图像进行处理，可以将大鼠的肝脏影像和大鼠的心脏形变在时间时序下进行结合关联，以通过对不同时间时序下的心脏形变分析，得到伪影相对较小的大鼠的肝脏影像，并且能够将伪影相对较小的大鼠的肝脏影像再次处理，获得更清晰、准确的肝脏影像，有助于更全面地帮助实验人员了解大鼠生理状况，解决了在实验数据处理中人工操作效率较低、准确性较差的问题。
附图说明
附图用于对本发明的进一步理解，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1是本发明的实施例提供的医学实验用数据处理方法的流程示意图。
图2是本发明的实施例提供的医学实验用数据处理系统的模块示意图。
附图标记：10、分割模块；20、第一筛选模块；30、处理模块；40、提取模块；50、第二筛选模块；60、分析模块；70、融合模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了更好地理解上述技术方案，下面将结合说明书附图及具体实施方式对本发明技术方案进行详细说明。
如图1所示，本发明提供了一种医学实验用数据处理方法，所述方法包括以下步骤：
步骤1，获取大鼠的图像并对所述图像进行分割，以得到至少一个分割区域；具体可以包括：
采集大鼠的体外图像并对体外图像进行分割，以得到体外图像对应的若干个分割区域；
步骤2，获取至少一个分割区域分别对应的第一筛选因子，根据至少一个第一筛选因子计算腹面区域；具体可以包括：
预设置第一评价值，获取至少一个分割区域对应的第一筛选因子，并根据至少一个第一筛选因子与第一评价值的差距确定第一评价系数，根据第一评价系数分别评价分割区域对应的第一筛选因子与第一评价值的差距，得到至少一个腹面区域；
步骤3，对所述腹面区域进行处理，以得到生理部区域；具体可以包括：
根据相邻腹面区域间的第一筛选因子差值作为第二评价值，并根据至少一个第二评价值确定第二评价系数，根据第二评价系数判断相邻的腹面区域是否合并，得到至少一个生理部区域；
步骤4，提取所述生理部区域中的几何特征，并根据所述几何特征得到至少一个躯干区域；
步骤5，获取至少一个躯干区域分别对应的第二筛选因子，根据至少一个第二筛选因子计算目标扫描区域；
步骤6，分析连续帧下的目标扫描区域，得到每帧对应的大鼠的呼吸信息，并根据大鼠的呼吸信息确定每帧对应的心脏形变系数；
步骤7，基于目标扫描区域获取大鼠连续帧的肝脏影像，并根据至少一帧对应的心脏形变系数将肝脏影像进行融合处理，以得到目标影像。
应当指出的是，上述步骤仅是优选的实施顺序，在具体实施过程中，在不影响整体实施效果的前提下，部分步骤可以调换，为更加清晰的对本申请的技术方案进行阐述，下述内容以一个优选的方式对本方案进行解释。
在本发明实施例中，在采集大鼠的体外图像之前，需要实验人员对大鼠进行适当麻醉并对大鼠的四肢等部位进行固定，以防止对大鼠采集体外图像和肝脏影像时，大鼠的状态不稳定。
在本发明另一可选的实施例中，上述步骤1还包括：
步骤11，获取大鼠的体外图像中各像素点坐标，并对各像素点坐标进行平滑处理，得到平滑处理后的体外图像；
步骤12，获取平滑处理后的体外图像各像素点坐标的亮度值，并设置判断阈值，根据判断阈值对体外图像各像素点坐标的亮度值进行调整，以得到增强对比度后的体外图像。
可选的，上述步骤11根据公式：
，对各像素点坐标进行平滑处理；
其中，为滤波后的图像在坐标（x,y）处的像素值，为高斯函数的标准差，k为滤波器的大小，i和j为循环变量，用于遍历滤波器的所有元素，为输入图像在坐标处的像素值，即滤波器中的一个元素。
在该实施例中，通过对获取大鼠的体外图像中各像素点坐标计算其周围k2个像素与高斯函数的乘积之和，再除以乘积项的和，得到平滑后的像素值，可以抑制在对大鼠的体外图像分析中的噪声干扰，使得图像更加清晰。
可选的，上述步骤12中，所述根据判断阈值对体外图像各像素点坐标的亮度值进行调整，包括：
若各像素点坐标的亮度值不小于判断阈值，则对像素点的亮度值进行直方图均衡化得到均衡化后的结果，并将均衡化后的结果根据直方图均衡化函数进行调整，得到像素点最终输出亮度；
若各像素点坐标的亮度值小于判断阈值，则将像素点的亮度作为像素点最终输出亮度。
在该实施例中，使用累积分布函数作为直方图均衡化函数，通过对每个分割区域进行独立的直方图均衡化处理并在这些分割区域之间进行差值，可以增强大鼠的体外图像的对比度，更加突出图像数据中的细节。
在本发明另一可选的实施例中，上述步骤2可以包括：
步骤21，根据预先获取的大鼠的毛发信息，将大鼠的毛发信息对应在RGB颜色空间的直方图统计值作为第一评价值；
步骤22，获取分割区域的颜色信息，并将分割区域的颜色信息在RGB颜色空间的直方图统计值作为每个分割区域对应的第一筛选因子；
步骤23，计算第一筛选因子与第一评价值之间的距离，并将每个分割区域的第一筛选因子与第一评价值之间的距离存储于矩阵中，得到距离矩阵；
步骤24，获取距离矩阵的平均值和标准值，并根据距离矩阵的平均值和标准值确定第一评价系数；
步骤25，根据第一评价系数分别对每个分割区域对应的第一筛选因子与第一评价值之间的距离进行评价得到评价结果，并根据评价结果对每个分割区域进行保留判断，得到至少一个大鼠腹面区域。
该实施例中，利用大鼠的毛发颜色与背景颜色的较大差异性，通过在RGB颜色空间的直方图统计值中得到第一筛选因子，可以量化每个分割区域的特征，并且通过引入非固定值的第一评价系数对第一筛选因子与第一评价值间的距离进行评价，可以筛选出真正包含大鼠腹面的目标区域，提高筛选检测的准确性和稳定性，可以自适应于不同体态的大鼠中，减小了不同大鼠因颜色差异性较大而导致的检测误差，能够在不同情况下保持较好的筛选效果。
需要说明的是，在上述步骤21中，对于大鼠的毛发信息，是由实验人员根据实际参与实验的大鼠毛发进行预先获取的，而不是一个恒定的值，以适用于对各种大鼠的实验数据处理；而RGB颜色空间是一种将颜色表示为红、绿、蓝三个通道的线性组合的方法，在RGB颜色空间中，每个像素点的颜色可以表示为一个三元组(R,G,B)，其中R、G、B分别表示红、绿、蓝三个通道的颜色分量，取值范围为0到255。
可选的，上述步骤22可以包括：
步骤221，统计每个分割区域中每个像素的RGB值，并将每个像素的RGB值映射到256*256*256的立方体空间内，得到每个分割区域在RGB颜色空间中的颜色直方图；
步骤222，根据颜色直方图，结合公式：
，计算分割区域在颜色通道上的均值和标准差，其中，为像素p在颜色通道c上的值，为分割区域中的像素点数；
步骤223，将分割区域在颜色通道上的均值和标准差合并为直方图统计值向量，得到第一筛选因子。
可选的，上述步骤23可以包括：
根据公式：，计算每个分割区域的第一筛选因子与第一评价值之间的距离；
其中，为分割区域的直方图统计值向量即第一筛选因子，V为预设置的直方图统计值向量即第一评价值，为直方图统计值向量的元素数量，为第个分割区域的直方图统计值向量的第个元素，为分割区域的索引，为直方图统计值向量的元素索引。
该实施例中，直方图统计值向量的元素即为颜色通道上的均值和标准差，通过上述步骤23中的公式可以计算出每个分割区域的第一筛选因子与第一评价值之间的距离，进而将每个计算结果存储在矩阵中，形成距离矩阵。
可选的，上述步骤24可以包括：
根据公式：，确定第一评价系数；
其中，为距离矩阵的平均值，为距离矩阵的标准值。
该实施例中，通过将每个分割区域的第一筛选因子与第一评价值之间的距离合并为距离矩阵，并根据距离矩阵对第一评价系数进行确定，能够考虑到体外图像的整体统计特征，相比于单纯的使用固定值作为第一评价值，可以提高对包含大鼠腹面区域的检测的准确性和稳定性。
可选的，上述步骤25可以包括：
若分割区域对应的第一筛选因子与第一评价值的卡方距离小于第一评价系数，则对分割区域进行保留，得到至少一个大鼠腹面区域。
在本发明另一可选的实施例中，上述步骤3可以包括：
步骤31，计算相邻的大鼠腹面区域在RGB颜色空间的直方图统计值差值并合并为差值向量，将相邻的大鼠腹面区域的差值向量作为第二评价值；
步骤32，汇集第二评价值生成第二评价值数组，计算第二评价值数组的平均值和标准差，并根据第二评价值数组的平均值和标准差确定第二评价系数；
步骤33，根据第二评价系数对相邻的大鼠腹面区域对应的第二评价值进行评价得到评价结果，并根据评价结果对相邻的大鼠腹面区域进行合并判断，得到至少一个大鼠生理部区域。
该实施例中，由于大鼠腹面区域包含有头颈部、躯干部、骨盆部和肢体部等多个生理区域，进而通过计算相邻大鼠腹面区域间的第一筛选因子差值，有效的评估了大鼠腹面区域中各生理区域间的相似性，有助于更准确地对大鼠的腹部区域进行图像分割，使用直方图统计值差值来度量相邻大鼠腹面区域间的差异，考虑了颜色信息在图像中的分布特性，提高了图像数据处理的准确性和鲁棒性，结合平均值和标准差确定第二评价系数，使得本发明能够自动适应不同的场景，进而通过第二评价系数对相邻大鼠腹面区域进行合并判断，实现了对图像细节的保留和降低过分割的现象，从而优化了对大鼠腹面区域进行图像分割的结果，从而可以将大鼠生理部位对应于多个大鼠生理部区域，方便后续对大鼠的腹部区域进行确定。
可选的，上述步骤32可以包括：
根据公式：，计算第二评价系数；
其中，为第二评价值数组的平均值，为第二评价值数组的标准差。
该实施例中，通过结合第二评价值数组的平均值和标准差确定第二评价系数，可以自动适应不同图像场景，相较于固定的预设值而言，可以更准确地评估区域间的相似性，并保留图像中的重要信息，从而可以减少不必要的区域合并操作，从而可以节省计算资源和提高处理速度。
可选的，上述步骤33可以包括：
若相邻的大鼠腹面区域之间的第二评价值小于第二评价系数，则将相邻的大鼠腹面区域合并，反之，则不将相邻的大鼠腹面区域合并，得到至少一个大鼠生理部区域。
在本发明另一可选的实施例中，上述步骤4可以包括：
步骤41，计算至少一个大鼠生理部区域的面积和周长，得到对应的大鼠生理部区域几何特征向量，并汇集至少一个几何特征向量得到几何特征向量集合；
步骤42，在几何特征向量集合中随机选取n个样本作为起始聚类中心，遍历几何特征向量集合中的元素，并计算元素与聚类中心之间的距离，将距离最小的聚类中心所标识的簇作为元素的归属；
步骤43，设置更新阈值，计算每个簇内几何特征向量的平均值，以各簇内特征向量的平均值替换起始聚类中心，重复计算各元素与起始聚类中心之间的距离，以确定各元素的归属，直至聚类中心与前次迭代的聚类中心之间距离小于更新阈值；
步骤44，分别计算每个簇内特征向量的平均值，并提取平均值最大对应的簇内的几何特征向量对应的大鼠生理部区域，得到至少一个大鼠躯干区域。
该实施例中，结合大鼠的生理分析，可以得知大鼠的躯干区域相较于其他生理部区域的图像面积和周长较大一些，为从多个大鼠生理部区域中筛选得到大鼠的躯干区域，从而根据大鼠生理部区域的面积和周长进行筛选，可以进一步缩小目标检索范围，有助于提高识别的精度，通过汇集面积和周长生成几何特征向量集合，将复杂的几何形状信息转换为可度量、可比较的数值表示，便于后续的聚类分析操作，通过聚类算法对几何特征向量集合进行处理，将具有相似几何特征的目标区域归为同一簇，有利于从大量大鼠生理部区域中找到更可能包含大鼠腹部信息的区域，即大鼠躯干区域，通过在聚类中心与前次迭代的聚类中心之间距离小于更新阈值时认为算法收敛这一操作，有助于保证聚类结果的稳定性，进而根据每个簇内特征向量的平均值，提取平均值最大的簇内特征向量对应的大鼠生理部区域，得到至少一个大鼠躯干区域。
在本发明另一可选的实施例中，上述步骤5可以包括：
步骤51，获取大鼠躯干区域内分布的像素点亮度值，并将亮度值作为各像素点的第二筛选因子；
步骤52，获取连续帧下第二筛选因子的变化幅度，并根据变化幅度确定第三评价系数；
步骤53，根据第三评价系数对各像素点连续帧下分别对应的第二筛选因子的变化幅度进行评价得到评价结果，并根据评价结果对各像素进行筛选，得到目标像素点；
步骤54，识别目标像素点的边缘像素点，对边缘像素点进行连通并获取连通区域最小外接矩，根据最小外界矩确定大鼠腹部扫描区域。
该实施例中，由于大鼠躯干区域内不仅包含了对应大鼠肝脏的腹部区域，还包含了大鼠的胸腔区域，为了提高对大鼠腹部区域的精确定位，根据大鼠在呼吸状态下腹部与其他部分的明显差异状态，即在大鼠在呼吸过程中，腹部在呼吸时会产生小幅度的运动，而胸腔则相较稳定这一差异状态，提取大鼠躯干区域的各像素点亮度信息作为第二筛选因子，优选的是第二筛选因子为像素点的亮度值，进而依据像素点的亮度值在连续帧下的变化幅度，可以得到对这个像素点的评价系数，以得到该像素点在连续时间下是否为大鼠呼吸的反应点，从而可以判断出该像素点是否为大鼠的腹部区域，实现对大鼠腹部扫描区域的确定。
可选的，上述步骤52可以包括：
步骤521，获取大鼠躯干区域的连续帧图像，并将连续帧图像转换为灰度图像；
步骤522，根据灰度图像计算相邻帧间各像素点的亮度值差值，并将各像素点的亮度值差值合并为亮度值差值数组；
步骤523，计算亮度值差值数组的平均值和标准差，根据亮度值差值数组的平均值和标准差拟合亮度值差值数组，并选取拟合分布的90％分位数作为第三评价系数。
该实施例中，通过公式：，计算第三评价系数，其中，为概率密度函数的逆函数，和分别为亮度值差值数组的平均值和标准差；通过选取拟合分布的90％分位数作为第三评价系数，可以有效地减小小鼠亮度值差值数组中由噪声导致的较小差异，从而仅关注具有显著亮度变化的区域，从而得到仅包含大鼠的腹部区域的像素点，即目标像素点。
可选的，上述步骤53可以包括：
若相邻帧间像素点的亮度值差值大于第三评价系数，则判定像素点为目标像素点，反之，则判定像素点不为目标像素点。
可选的，上述步骤54可以包括：
步骤541，计算每个目标像素点的梯度值，并设置边缘判定阈值，若目标像素点的梯度值大于判定阈值，则判定目标像素点为边缘像素点；
步骤542，将至少一个边缘像素点进行连通，并计算连通的边缘像素点面积在大鼠躯干区域面积的覆盖占比；
步骤543，获取边缘像素点中的最小横、纵坐标及最大横、纵坐标，并将缘像素点中的最小横、纵坐标及最大横、纵坐标分别作为最小外接矩的角点坐标，得到最小外接矩；
步骤544，根据计算的覆盖占比对最小外界矩的边界进行扩延，得到大鼠腹部扫描区域。
该实施例中，通过依据连通像素对应的面积在大鼠躯干区域内的覆盖占比，对最小外界矩的边界进行扩延时，其最小外界矩的中心点不变，仅对最小外界矩四条边进行延展，以实现在扫描大鼠的腹部区域时，施加一个自适应的边界，防止因为计算精度的问题，导致扫描区域对应的大鼠内部影像数据无法完整涵盖大鼠的肝脏信息，能够在最大程度上确定对于每只大鼠的大鼠腹部扫描区域。
可选的，上述步骤544可以包括：
根据公式：，计算大鼠腹部扫描区域的边长，其中，为扩延后的最小外界矩的第a边长度，为覆盖占比，为最小外界矩的第a边长度。
该实施例中，通过先计算连通像素对应的面积在大鼠躯干区域内的覆盖占比，再根据连通像素对应的面积在大鼠躯干区域内的覆盖占比对最小外界矩的各边进行扩延，可以在实际操作中，可以实现根据不同体态大鼠的特征，自适应的对不同体态大鼠进行自适应的大鼠腹部扫描区域确定，进而通过确定的大鼠腹部扫描区域，可以方便在对大鼠进行肝脏影像获取时，防止对无用区域进行获取，避免数据浪费和增加数据的处理效率。
在本发明另一可选的实施例中，上述步骤6可以包括：
步骤61，获取连续帧下大鼠腹部扫描区域对应的光流图像数据，并根据光流图像数据计算当前帧下大鼠腹部扫描区域对应的变化幅度；
步骤62，将每帧下大鼠腹部扫描区域对应的变化幅度进行合并生成变化幅度序列，对变化幅度序列进行平滑处理，并根据平滑处理后的变化幅度序列标记当前帧所属的呼吸阶段，其中，呼吸阶段包括吸气阶段和呼气阶段；
步骤63，再次根据平滑处理后的变化幅度序列，确定当前帧在所属呼吸阶段的进程，并根据当前帧在所属呼吸阶段的进程确定大鼠在当前帧的心脏形变系数。
该实施例中，通过获取连续帧下大鼠腹部扫描区域对应的光流图像数据，并根据光流图像数据计算当前帧下大鼠腹部扫描区域对应的变化幅度，可以识别出大鼠在心脏活动过程中的腹部表面的细微变化，从而根据腹部表面的细微变化可以分析出大鼠在每个时刻下所处的呼吸阶段，由于在对大鼠进行肝脏扫描时，大鼠心脏的跳动也就是心脏形变量会导致肝脏在扫描过程中会发生微小的运动，进而会影响大鼠的肝脏影像中伪影的大小，由此，在该实施例中，通过呼吸阶段可以得到并标定大鼠在不同时刻下的心脏形变的系数用以代表大鼠的心脏形变程度，而根据对大鼠的吸气阶段和呼气阶段的分析，可以得知，在呼气阶段结束和吸气阶段开始之间的转换点，大鼠的心脏处于收缩的状态，对应的心脏形变系数达到最小值，即此时的大鼠肝脏影像中的伪影相较于其他呼吸时刻下的伪影最小。
可选的，上述步骤61可以包括：
计算当前帧大鼠腹部扫描区域内的像素点与前一帧大鼠腹部扫描区域内之间像素点的运动，并根据当前帧与前一帧之间像素点的所述运动对当前帧下大鼠腹部扫描区域对应的变化幅度进行计算。
可选的，根据当前帧与前一帧之间像素点的所述运动对当前帧下大鼠腹部扫描区域对应的变化幅度进行计算，包括：
根据公式：，计算当前帧下大鼠腹部扫描区域对应的变化幅度，其中，为像素点坐标的当前帧大鼠腹部扫描区域图像，为像素点坐标的大鼠腹部扫描区域当前帧与前一帧的光流图像对应的灰度图像。
可选的，上述步骤62可以包括：
将每帧下的大鼠腹部扫描区域所对应的变化幅度合并为变化幅度序列；
根据公式：，对变化幅度序列S进行平滑处理，其中，为平滑处理后的变化幅度序列中的第个元素，为平滑窗口大小，为变化幅度序列中第个元素，求和符号中的从到 ，为以当前帧为中心，左右各取w帧的窗口内的变化幅度进行平均处理；
设置幅度变化阈值，并根据幅度变化阈值将平滑后的变化幅度序列划分为多个子序列，标记子序列的所属呼吸阶段。
可选的，设置幅度变化阈值，并根据幅度变化阈值将平滑后的变化幅度序列划分为多个子序列，标记子序列的所属呼吸阶段，可以包括：
若大于幅度变化阈值，则判断平滑处理后的变化幅度序列中的第个元素属于吸气阶段，若不大于幅度变化阈值，则判断平滑处理后的变化幅度序列中的第个元素属于呼气阶段。
可选的，上述步骤63可以包括：
若当前帧为吸气阶段，则获取当前帧所在吸气阶段的每一帧对应的变化幅度，并计算每一帧中对应的变化幅度与所在吸气阶段内变化幅度的平均值之间的差值；将差值最大的帧，作为吸气阶段的峰值帧；
若当前帧为呼气阶段，则获取当前帧所在呼气阶段的每一帧对应的变化幅度，并计算每一帧中对应的变化幅度与所在呼气阶段内变化幅度的平均值之间的差值；将差值最小的帧，作为呼气阶段的峰值帧；
将从呼气阶段的峰值帧到吸气阶段的峰值帧所占时间作为吸气阶段的持续时间，将从吸气阶段的峰值帧到呼气阶段的峰值帧所占时间作为呼气阶段的持续时间；
预设置心脏形变系数的取值范围为，获得每一呼吸阶段持续时间所用帧数，根据呼吸阶段持续时间的所用帧数确定当前帧对应所在呼吸阶段的位置，将当前帧对应所在呼吸阶段的位置映射到，得到当前帧的心脏形变系数。
该实施例中，在大鼠吸气过程中，由于胸廓向上扩张、胸膜压力降低，心脏容积增加，使得心脏扩张，而在呼气过程中，由于胸廓向下收缩、胸膜压力升高，心脏容积减少，使得心脏收缩；因此，呼气阶段的峰值帧对应于心脏形变系数为，吸气阶段的峰值帧对应于心脏形变系数为，且大于；进而可以根据当前帧对应所在呼吸阶段的位置得到当前帧的心脏形变系数。
在本发明另一可选的实施例中，上述步骤7可以包括：
步骤71，根据大鼠腹部扫描区域的尺寸对大鼠进行肝脏扫描，得到大鼠肝脏影像；
步骤72，设置选定阈值，根据选定阈值对大鼠肝脏影像进行筛选，得到大鼠肝脏影像集；
步骤73，根据大鼠肝脏影像集中各元素所对应的心脏形变系数，将大鼠肝脏影像集中各元素进行配准；
步骤74，将配准后的大鼠肝脏影像集的元素进行融合，得到伪影最小的大鼠肝脏影像。
该实施例中，通过根据大鼠腹部扫描区域的尺寸对大鼠进行肝脏扫描，可以一定程度上减少对大鼠肝脏影像的处理，且不影响对大鼠肝脏影像的获取，通过设置阈值对大鼠肝脏影像进行筛选，可以剔除伪影较大或质量较差的影像数据集，保留伪影较小的大鼠肝脏影像集，进而根据伪影较小的大鼠肝脏影像集中各元素所对应的心脏形变系数，将各元素进行配准，可以进一步消除由心脏形变引起的肝脏影像之间的差异，进而将配准后的大鼠肝脏影像集的元素进行融合，可以进一步降低伪影在大鼠肝脏影像中的影响，并提高影像质量，得到伪影最小的大鼠肝脏影像。
可选的，上述步骤72可以包括：
获取大鼠心脏形变系数不大于选定阈值时，呼吸阶段所对应的时间节点集合；
将时间节点集合元素所对应的大鼠肝脏影像进行汇集，生成大鼠肝脏影像。
该实施例中，选定阈值的设定主要依据于呼吸阶段进行设定，进而可以得到一组大鼠的心脏处于收缩状态，伪影较小的肝脏影像，以便于后续的处理。
可选的，上述步骤73可以包括：
初始化网络参数P和学习率，并根据公式：
，计算目标函数E和目标函数E对网络参数P的梯度；
其中，为大鼠肝脏影像中第 i个影像对应的心脏形变系数，FR为计算影像灰度值的函数，为通过变形网络对大鼠肝脏影像中第i个影像进行变形后得到的图像，为正则化参数，为预设的参考影像，为大鼠肝脏影像中第i个影像，为变形网络在位置x处对第i幅图像进行的变形，为变形网络在位置x处对参考影像进行的变形，0是为未经变形的状态；
通过公式：，更新网络参数P，重复更新直至最小化E，并得到网络参数P；
根据网络参数P，并通过公式：
；将大鼠肝脏影像的影像对齐在参考影像上；
其中，，每个是变形网格参数，表示如何将影像变形到参考影像上，每个像素点都有一个对应的位移向量，表示该像素点x相较于预设的空间位置的偏移量，n是候选影像的数量，d是空间维度，m是图像大小。
该实施例中，通过反复更新网络参数P，使目标函数E最小化，可以找到一个合适的参数P，使得配准后的肝脏影像与参考影像之间的差异最小，有助于提高肝脏影像集中各元素之间的一致性，从而减少后续分析过程中的误差，通过采用梯度下降法更新网络参数P时，可以根据影像数据的特点和差异自适应地调整参数，使得配准过程更加精确和稳定，可以充分考虑大鼠肝脏影像的个体差异，从而提高配准结果的准确性，通过引入变形网络，可以对大鼠肝脏影像进行非刚性变换，从而更好地适应肝脏结构和形态的差异，不仅能够保留原始影像的信息，还可以根据心脏形变系数将各个影像数据对齐在参考影像上，进一步提高配准的精度，实现了大鼠肝脏影像的高精度配准，有助于消除由于心脏形变引起的影像差异，提高肝脏影像分析的准确性。
可选的，上述步骤74可以包括：
通过公式：，将配准后的大鼠肝脏影像集的元素进行融合，其中，为将第Ci幅影像ICi进行变形，通过变形参数 pci,j得到的新影像，为融合后的影像中的一个像素点，为融合前的影像数量，为第Ci幅影像所占的权重，由第Ci幅影像心脏形变系数决定。
该实施例中，通过根据每幅影像的心脏形变系数分配不同的权重，有助于平衡不同影像之间的贡献，从而实现更为精确的融合结果，可以使得融合后的影像能够更好地反映各个影像之间的差异和特点，这样可以在降低伪影的同时，保留原始影像的详细信息，从而可以有效地降低伪影和噪声，提高影像质量。
如图2所示，本发明还提供了一种医学实验用数据处理系统，包括：
分割模块10，用于获取大鼠的图像并对所述图像进行分割，以得到至少一个分割区域；
第一筛选模块20，用于获取至少一个分割区域分别对应的第一筛选因子，根据至少一个第一筛选因子计算腹面区域；
处理模块30，用于对所述腹面区域进行处理，以得到生理部区域；
提取模块40，用于提取所述生理部区域中的几何特征，并根据所述几何特征得到至少一个躯干区域；
第二筛选模块50，用于获取至少一个躯干区域分别对应的第二筛选因子，根据至少一个第二筛选因子计算目标扫描区域；
分析模块60，用于分析连续帧下的目标扫描区域，得到每帧对应的大鼠的呼吸信息，并根据大鼠的呼吸信息确定每帧对应的心脏形变系数；
融合模块70，用于基于目标扫描区域获取大鼠的肝脏影像，并根据至少一帧对应的心脏形变系数将肝脏影像进行融合处理，以得到目标影像。
以上仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种医学实验用数据处理方法，其特征在于：包括以下步骤：
获取大鼠的图像并对所述图像进行分割，以得到至少一个分割区域；
获取至少一个分割区域分别对应的第一筛选因子，根据至少一个第一筛选因子计算腹面区域；
对所述腹面区域进行处理，以得到生理部区域；
提取所述生理部区域中的几何特征，并根据所述几何特征得到至少一个躯干区域；
获取至少一个躯干区域分别对应的第二筛选因子，根据至少一个第二筛选因子计算目标扫描区域；
分析连续帧下的目标扫描区域，得到每帧对应的大鼠的呼吸信息，并根据大鼠的呼吸信息确定每帧对应的心脏形变系数；
基于目标扫描区域获取大鼠连续帧的肝脏影像，并根据至少一帧对应的心脏形变系数将肝脏影像进行融合处理，以得到目标影像。
2.根据权利要求1所述的一种医学实验用数据处理方法，其特征在于：获取至少一个分割区域分别对应的第一筛选因子，根据至少一个第一筛选因子计算腹面区域，包括：
预设置第一评价值，获取至少一个分割区域对应的第一筛选因子，并根据至少一个第一筛选因子与第一评价值的差距确定第一评价系数，根据第一评价系数分别评价分割区域对应的第一筛选因子与第一评价值的差距，以得到至少一个腹面区域。
3.根据权利要求2所述的一种医学实验用数据处理方法，其特征在于：根据第一评价系数分别评价分割区域对应的第一筛选因子与第一评价值的差距，以得到至少一个腹面区域，包括：
若分割区域对应的第一筛选因子与第一评价值的差距小于第一评价系数，则对分割区域进行保留；
若分割区域对应的第一筛选因子与第一评价值的差距不小于第一评价系数，则对分割区域进行剔除。
4.根据权利要求3所述的一种医学实验用数据处理方法，其特征在于：对所述腹面区域进行处理，以得到生理部区域，包括：
根据相邻腹面区域间的第一筛选因子差值作为第二评价值，并根据至少一个第二评价值确定第二评价系数，根据第二评价系数判断相邻的腹面区域是否合并，得到至少一个生理部区域。
5.根据权利要求4所述的一种医学实验用数据处理方法，其特征在于：提取所述生理部区域中的几何特征，并根据所述几何特征得到至少一个躯干区域，包括：
计算至少一个生理部区域的面积和周长，得到对应的生理部区域几何特征向量，并汇集至少一个几何特征向量得到几何特征向量集合；
在几何特征向量集合中选取n个样本作为起始聚类中心，遍历几何特征向量集合中的元素，并依次计算元素与n个起始聚类中心之间的距离，将元素对应距离最小的起始聚类中心所标识的簇作为元素的归属；
分别计算每个簇内特征向量的平均值，并提取平均值最大对应的簇内的几何特征向量对应的生理部区域，得到至少一个躯干区域。
6.根据权利要求5所述的一种医学实验用数据处理方法，其特征在于：获取至少一个躯干区域分别对应的第二筛选因子，根据至少一个第二筛选因子计算目标扫描区域，包括：
获取至少一个躯干区域内分布的像素点的亮度值，并将亮度值作为各像素点的第二筛选因子；
获取连续帧下第二筛选因子的变化幅度，并根据变化幅度确定第三评价系数；
根据第三评价系数对各像素点连续帧下分别对应的第二筛选因子的变化幅度进行评价得到评价结果，并根据评价结果对各像素进行筛选，得到目标像素点；
识别目标像素点的边缘像素点，对边缘像素点进行连通并获取边缘像素点连通区域的外接矩，根据外界矩确定目标扫描区域。
7.根据权利要求6所述的一种医学实验用数据处理方法，其特征在于：获取连续帧下第二筛选因子的变化幅度，并根据变化幅度确定第三评价系数，包括：
获取至少一个躯干区域的连续帧图像，并将连续帧图像转换为灰度图像；
根据灰度图像计算相邻帧间各像素点对应的亮度值差值，并将各像素点对应的亮度值差值合并为亮度值差值数组；
根据亮度值差值数组的平均值和标准差拟合亮度值差值数组，并选取拟合分布的90％分位数作为第三评价系数。
8.根据权利要求7所述的一种医学实验用数据处理方法，其特征在于：根据第三评价系数对各像素点连续帧下分别对应的第二筛选因子的变化幅度进行评价得到评价结果，并根据评价结果对各像素进行筛选，得到目标像素点，包括：
若相邻帧间像素点对应的亮度值差值大于第三评价系数，则判定像素点为目标像素点，反之，则判定像素点不为目标像素点。
9.根据权利要求8所述的一种医学实验用数据处理方法，其特征在于：识别目标像素点的边缘像素点，对边缘像素点进行连通并获取边缘像素点连通区域的外接矩，根据外界矩确定目标扫描区域，包括：
计算至少一个目标像素点的梯度值，并设置边缘判定阈值，若目标像素点的梯度值大于判定阈值，则判定目标像素点为边缘像素点；
将至少一个边缘像素点进行连通，并计算连通的边缘像素点面积在躯干区域面积的覆盖占比；
获取连通的边缘像素点中的最小横、纵坐标以及最大横、纵坐标，并将最小横、纵坐标以及最大横、纵坐标分别作为外接矩的各角点坐标，得到外接矩；
根据覆盖占比对外界矩的边界进行等比例扩延，得到目标扫描区域。
10.一种医学实验用数据处理系统，其特征在于：包括：
分割模块（10），用于获取大鼠的图像并对所述图像进行分割，以得到至少一个分割区域；
第一筛选模块（20），用于获取至少一个分割区域分别对应的第一筛选因子，根据至少一个第一筛选因子计算腹面区域；
处理模块（30），用于对所述腹面区域进行处理，以得到生理部区域；
提取模块（40），用于提取所述生理部区域中的几何特征，并根据所述几何特征得到至少一个躯干区域；
第二筛选模块（50），用于获取至少一个躯干区域分别对应的第二筛选因子，根据至少一个第二筛选因子计算目标扫描区域；
分析模块（60），用于分析连续帧下的目标扫描区域，得到每帧对应的大鼠的呼吸信息，并根据大鼠的呼吸信息确定每帧对应的心脏形变系数；
融合模块（70），用于基于目标扫描区域获取大鼠的肝脏影像，并根据至少一帧对应的心脏形变系数将肝脏影像进行融合处理，以得到目标影像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310814808.2A CN116523924B (zh) | 2023-07-05 | 2023-07-05 | 一种医学实验用数据处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310814808.2A CN116523924B (zh) | 2023-07-05 | 2023-07-05 | 一种医学实验用数据处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116523924A CN116523924A (zh) | 2023-08-01 |
| CN116523924B true CN116523924B (zh) | 2023-08-29 |
Family
ID=87403320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310814808.2A Active CN116523924B (zh) | 2023-07-05 | 2023-07-05 | 一种医学实验用数据处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116523924B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118674641A (zh) * | 2024-08-22 | 2024-09-20 | 自贡市第一人民医院 | 一种心衰患者的心脏磁共振影像增强优化方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101166474A (zh) * | 2005-03-04 | 2008-04-23 | 视声公司 | 同步呼吸信号与超声波数据的获取的方法 |
| CN111462020A (zh) * | 2020-04-24 | 2020-07-28 | 上海联影医疗科技有限公司 | 心脏图像的运动伪影校正方法、系统、存储介质和设备 |
| CN113592804A (zh) * | 2021-07-27 | 2021-11-02 | 东软医疗系统股份有限公司 | 图像处理方法、装置及设备 |
| CN114236443A (zh) * | 2021-12-03 | 2022-03-25 | 中国科学院精密测量科学与技术创新研究院 | 用于肺部动态通气功能快速定量评估的气体mri方法 |
| CN114998179A (zh) * | 2021-02-26 | 2022-09-02 | 西门子(深圳)磁共振有限公司 | 腹部扫描方法、系统及存储介质 |
| WO2022257759A1 (zh) * | 2021-06-08 | 2022-12-15 | 百果园技术(新加坡)有限公司 | 一种图像带状伪影去除方法、装置、设备和介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102871686B (zh) * | 2012-03-05 | 2015-08-19 | 杭州弘恩医疗科技有限公司 | 基于3d医学影像测定生理参数的装置和方法 |
| US9224210B2 (en) * | 2013-02-06 | 2015-12-29 | University Of Virginia Patent Foundation | Systems and methods for accelerated dynamic magnetic resonance imaging |
-
2023
- 2023-07-05 CN CN202310814808.2A patent/CN116523924B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101166474A (zh) * | 2005-03-04 | 2008-04-23 | 视声公司 | 同步呼吸信号与超声波数据的获取的方法 |
| CN111462020A (zh) * | 2020-04-24 | 2020-07-28 | 上海联影医疗科技有限公司 | 心脏图像的运动伪影校正方法、系统、存储介质和设备 |
| CN114998179A (zh) * | 2021-02-26 | 2022-09-02 | 西门子(深圳)磁共振有限公司 | 腹部扫描方法、系统及存储介质 |
| WO2022257759A1 (zh) * | 2021-06-08 | 2022-12-15 | 百果园技术(新加坡)有限公司 | 一种图像带状伪影去除方法、装置、设备和介质 |
| CN113592804A (zh) * | 2021-07-27 | 2021-11-02 | 东软医疗系统股份有限公司 | 图像处理方法、装置及设备 |
| CN114236443A (zh) * | 2021-12-03 | 2022-03-25 | 中国科学院精密测量科学与技术创新研究院 | 用于肺部动态通气功能快速定量评估的气体mri方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于配准分割的Graph Cuts自动分割算法在肝脏图像中的研究;王建军;谢勤岚;;计算机与数字工程(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116523924A (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108615239B (zh) | 基于阈值技术和灰度投影的舌图像分割方法 | |
| CN107146228B (zh) | 一种基于先验知识的大脑磁共振图像超体素生成方法 | |
| CN116523924B (zh) | 一种医学实验用数据处理方法及系统 | |
| CN107909622A (zh) | 模型生成方法、医学成像的扫描规划方法及医学成像系统 | |
| US20130223711A1 (en) | Maching Learning Techniques for Pectoral Muscle Equalization and Segmentation in Digital Mammograms | |
| CN107680110B (zh) | 基于统计形状模型的内耳三维水平集分割方法 | |
| CN111681230A (zh) | 脑白质高信号评分系统及其评分方法 | |
| CN110853064B (zh) | 一种基于最小模糊散度的图像协同分割方法 | |
| CN113066064B (zh) | 基于人工智能的锥束ct图像生物结构识别及三维重建系统 | |
| CN108830856B (zh) | 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 | |
| CN116824168B (zh) | 基于图像处理的耳部ct特征提取方法 | |
| CN111325754A (zh) | 一种基于ct序列图像的腰椎骨自动定位方法 | |
| CN117671463B (zh) | 一种多模态医学数据质量校准方法 | |
| CN112712540B (zh) | 一种基于ct影像的肺部支气管提取方法 | |
| CN113420636A (zh) | 一种基于深度学习与阈值分割的线虫识别方法 | |
| CN108629780B (zh) | 基于颜色分解和阈值技术的舌图像分割方法 | |
| CN117522862A (zh) | 一种基于ct影像肺炎识别的图像处理方法及处理系统 | |
| CN112348826A (zh) | 一种基于测地线距离和V-net的交互式肝脏分割方法 | |
| CN115861230A (zh) | 由胸腔ct图像分割确定肺区域的方法及系统 | |
| CN114092470B (zh) | 一种基于深度学习的肺裂自动检测方法及装置 | |
| CN113658193B (zh) | 基于信息融合的肝脏ct影像肿瘤分割方法 | |
| CN109785340A (zh) | 基于多图谱的心脏磁共振图像右心室分割计算设备及方法 | |
| CN112330603B (zh) | 基于软组织表面形变估计组织内部目标运动的系统与方法 | |
| CN113298754A (zh) | 一种前列腺组织轮廓线控制点的检测方法 | |
| CN114129188B (zh) | 一种超声造影灌注流向估计方法与成像系统 |
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 |