CN116912213B - 一种医学Dicom图像边缘轮廓多边检测算法和检测系统 - Google Patents
一种医学Dicom图像边缘轮廓多边检测算法和检测系统 Download PDFInfo
- Publication number
- CN116912213B CN116912213B CN202310889766.9A CN202310889766A CN116912213B CN 116912213 B CN116912213 B CN 116912213B CN 202310889766 A CN202310889766 A CN 202310889766A CN 116912213 B CN116912213 B CN 116912213B
- Authority
- CN
- China
- Prior art keywords
- image
- dicom
- unit
- contour
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 103
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 31
- 238000010586 diagram Methods 0.000 claims abstract description 102
- 238000003708 edge detection Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000008685 targeting Effects 0.000 claims description 55
- 230000015654 memory Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 230000008521 reorganization Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 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
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 230000007420 reactivation Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000002604 ultrasonography Methods 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
-
- 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
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种医学Dicom图像边缘轮廓多边检测算法和检测系统，能够基于多边检测的方式，对靶向区域进行分割识别，获取靶向区域的靶向轮廓图像，通过多边检测方式，对分割单元图进行轮廓图像提取，能够分担单一边缘检测的压力，提高边缘检测的检测算力，缩短因单一检测所花费的检测时间。本方案能够通过单元式检测，最终集合多边检测所得到的轮廓图像，生成靶向轮廓图像，单元式检测不存在持续扫描识别的过程，因此其程序更加稳定，不会拖延时间。
Description
技术领域
本公开涉及医学图像处理技术领域，尤其涉及一种医学Dicom图像边缘轮廓多边检测算法和检测系统以及电子设备。
背景技术
DICOM标准中涵盖了医学数字图像的采集、归档、通信、显示及查询等几乎所有信息交换的协议；以开放互联的架构和面向对象的方法定义了一套包含各种类型的医学诊断图像及其相关的分析、报告等信息的对象集。
因此DICOM被广泛应用于放射医疗，比如心血管成像以及放射诊疗诊断设备(X射线，CT，核磁共振，超声)等，所生成的医学Dicom图像，经过医用软件进行处理之后，能够快速在医学Dicom图像上生成众多的医学检测信息，能够辅助医护人员对患者病情的把控。
其中，在医学Dicom图像中，目标组织即靶向区域、组织或者器官的轮廓识别，比如肿瘤组织的轮廓识别等等，是较为重要的一个医疗关键信息，需要在医学Dicom图像中将靶向目标轮廓识别出来，通过对轮廓图像的识别和分离，将靶向目标轮廓所在的轮廓图像从原始的医学Dicom图像中提取出来，便于进一步的医学研究和医疗检查、分析。
边缘检测算法，是使用较多的轮廓图像识别方法，能够快速对靶向组织的轮廓进行提取。现有采用边缘检测算法的方式，主要是通过检测亮度值的不连续性，将物体从图像中分离出来或将表示同一物体表面的区域检测出来。其方式在检测时是对整个图像进行扫描检测的，通过所提取的边缘特征来识别轮廓图像，扫描完毕整个图像，得到边缘特征并进一步生成轮廓图像，其采用单一边缘检测，检测存在压力，降低边缘检测的检测效率(尤其是对大面积的图像进行靶向检测时，需要更多时间进行识别)，因此其检测时间花费较长，期间若是出现扫描中断或者中止，将导致检测系统程序的重新激活和扫描序列的重新认定，延长图像提取时间。
发明内容
为了解决上述问题，本申请提出一种医学Dicom图像边缘轮廓多边检测算法和检测系统以及电子设备。
本申请一方面，提出一种医学Dicom图像边缘轮廓多边检测算法，包括如下步骤：
获取医学Dicom图像，并对所述医学Dicom图像进行图像切割，得到若干Dicom单元图；
对各个所述Dicom单元图进行编号，并将编号的所有所述Dicom单元图发送至图像筛选器；
所述图像筛选器对各个所述Dicom单元图进行筛选，得到满足预设的灰度阈值的靶向单元图，并将所述靶向单元图发送至图像检测模块；
所述图像检测模块基于边缘检测算法对所有的所述靶向单元图进行轮廓识别，得到所有的所述靶向单元图中的轮廓图像并输出。
作为本申请的一可选实施方案，可选地，对各个所述Dicom单元图进行编号，并将编号的所有所述Dicom单元图发送至图像筛选器，包括：
确定所述医学Dicom图像中的靶向区域；
按照预设的编号方向，依次对所述靶向区域中的各个所述Dicom单元图进行有序编号；
将所有编号的所述Dicom单元图，按照编号顺序依次发送至所述图像筛选器，并同时通知所述图像筛选器进行筛选。
作为本申请的一可选实施方案，可选地，所述图像筛选器对各个所述Dicom单元图进行筛选，得到满足预设的灰度阈值的靶向单元图，并将所述靶向单元图发送至图像检测模块，包括：
所述图像筛选器接收各个所述Dicom单元图，并对所述Dicom单元图进行灰度值扫描，获取所述Dicom单元图的灰度值扫描数据；
判断所述Dicom单元图的灰度值扫描数据中，是否存在满足如下灰度值条件的像素点：
Avg(t)≥k avg；
其中，Avg(t)代表所述Dicom单元图中任一像素点的灰度值，avg为根据当前靶向区域计算设定的灰度阈值，k为取值范围为0.8～1.2的漂移系数；
若存在，则得到满足所述灰度值条件的所述靶向单元图，并将所述靶向单元图随机发送至分布式部署的若干图像检测模块；
若不存在，则将不满足所述灰度值条件的所述靶向单元图格式化为空白图像，并将所述空白图像与当前所述靶向单元图的编号进行绑定，绑定后发送至后台数据库并同时登记其编号。
作为本申请的一可选实施方案，可选地，所述图像检测模块基于边缘检测算法对所述靶向单元图进行轮廓识别，得到所述靶向单元图中的轮廓图像并输出，包括：
所述图像检测模块接收满足所述灰度值条件的所述靶向单元图；
基于边缘检测算法对所述靶向单元图进行轮廓识别和提取，并得到所述靶向单元图中的轮廓图像，并同时将所述轮廓图像与当前所述靶向单元图的编号进行绑定；
将所述靶向单元图中的所述轮廓图像输出并保存至后台数据库，并同时登记其编号。
作为本申请的一可选实施方案，可选地，在得到所述靶向单元图中的轮廓图像之后，还包括：
按照编号的顺序，依次调取所述后台数据库中各个编号所对应的图像，包括：
满足所述灰度值条件的所述靶向单元图中的所述轮廓图像；
以及，
不满足所述灰度值条件的所述靶向单元图的所述空白图像；
按照编号的顺序，重组所述轮廓图像和所述空白图像，得到所述医学Dicom图像中的靶向区域的靶向轮廓图像。
作为本申请的一可选实施方案，可选地，在得到所述靶向单元图中的轮廓图像之后，还包括：
将所述靶向轮廓图像发送并保存至后台数据库；
由所述后台服务器将所述靶向轮廓图像绑定至当前患者的就诊ID之下；
同步下发就诊通知至对应的医生终端，提醒当前的主治医生登录后台服务器并查看当前患者的所述靶向轮廓图像。
本申请另一方面，提出一种实现所述医学Dicom图像边缘轮廓多边检测算法的检测系统，包括：
图像切割模块，用于获取医学Dicom图像，并对所述医学Dicom图像进行图像切割，得到若干Dicom单元图；
图像标记模块，用于对各个所述Dicom单元图进行编号，并将编号的所有所述Dicom单元图发送至图像筛选器；
图像筛选器，用于对各个所述Dicom单元图进行筛选，得到满足预设的灰度阈值的靶向单元图，并将所述靶向单元图发送至图像检测模块；
图像检测模块，用于基于边缘检测算法对所有的所述靶向单元图进行轮廓识别，得到所有的所述靶向单元图中的轮廓图像并输出；
图像重组模块，用于按照编号的顺序，依次调取所述后台数据库中各个编号所对应的图像，包括：满足所述灰度值条件的所述靶向单元图中的所述轮廓图像以及不满足所述灰度值条件的所述靶向单元图的所述空白图像；按照编号的顺序，重组所述轮廓图像和所述空白图像，得到所述医学Dicom图像中的靶向区域的靶向轮廓图像。
本申请另一方面，还提出一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现所述的医学Dicom图像边缘轮廓多边检测算法。
本发明的技术效果：
本申请通过获取医学Dicom图像，并对所述医学Dicom图像进行图像切割，得到若干Dicom单元图；对各个所述Dicom单元图进行编号，并将编号的所有所述Dicom单元图发送至图像筛选器；所述图像筛选器对各个所述Dicom单元图进行筛选，得到满足预设的灰度阈值的靶向单元图，并将所述靶向单元图发送至图像检测模块；所述图像检测模块基于边缘检测算法对所有的所述靶向单元图进行轮廓识别，得到所有的所述靶向单元图中的轮廓图像并输出。能够基于多边检测的方式，对靶向区域进行分割识别，获取靶向区域的靶向轮廓图像，通过多边检测方式，对分割单元图进行轮廓图像提取，能够分担单一边缘检测的压力，提高边缘检测的检测算力，缩短因单一检测所花费的检测时间。本方案能够通过单元式检测，最终集合多边检测所得到的轮廓图像，生成靶向轮廓图像，单元式检测不存在持续扫描识别的过程，因此其程序更加稳定，不会拖延时间。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出为本发明医学Dicom图像边缘轮廓多边检测算法的实施流程示意图；
图2示出为实施本发明的应用系统示意图；
图3示出为本发明进行网络切割的示意图；
图4示出为本发明对Dicom单元图-B中的轮廓图像进行检测识别的示意图；
图5示出为本发明对Dicom单元图-A和Dicom单元图-B中的轮廓图像进行重组的示意图；
图6示出为本发明电子设备的应用示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
实施例1
如图1所示，本申请一方面，提出一种医学Dicom图像边缘轮廓多边检测算法，包括如下步骤：
S1、获取医学Dicom图像，并对所述医学Dicom图像进行图像切割，得到若干Dicom单元图；
S2、对各个所述Dicom单元图进行编号，并将编号的所有所述Dicom单元图发送至图像筛选器；
S3、所述图像筛选器对各个所述Dicom单元图进行筛选，得到满足预设的灰度阈值的靶向单元图，并将所述靶向单元图发送至图像检测模块；
S4、所述图像检测模块基于边缘检测算法对所有的所述靶向单元图进行轮廓识别，得到所有的所述靶向单元图中的轮廓图像并输出。
本实施例的边缘检测算法，优选Sobel边缘检测算子，具体边缘检测算法的检测过程，本实施例不做赘述。
医学Dicom图像的获取方式，本方案不做限定，由具体的医学检查项目进行获取。
如图2所示，后台服务器上部署有图像切割模块、图像标记模块、图像筛选器、若干分布式布置的图像检测模块和图像重组模块。具体应用如下：
对患者病变的目标组织进行医学扫描之后，将获取到的医学Dicom图像上传至后台服务器，并由后台服务器将当前患者的医学Dicom图像绑定至当前患者的就诊ID之下，然后将该图像发送至图像切割模块。
在图像切割模块中，将基于预先所设定的切割网络来对该Dicom图像进行网络切割，如图3所示，得到若干个单元格的Dicom单元图。然后再输入至图像标记模块，由图像标记模块来为各个Dicom单元图进行编号。编号之后再发送至图像筛选器进行筛选：将不满足预设的灰度阈值的Dicom单元图排除掉，格式化为空白图像保存在后台数据库中；将满足灰度阈值的Dicom单元图作为靶向单元图发送至分布式部署的图像检测模块中进行多边检测。
由分布式部署部署的图像检测模块来对各个满足阈值条件的靶向单元图进行多边检测，分担单一检测所带来的检测压力。
图片检测模块，检测之后可以得到各个单元图中的轮廓图像，如图4所示编号为B的Dicom单元图，对其中的深度图像的轮廓进行识别并标记之后，可以得到该Dicom单元图-B种的轮廓图像(可以参见附图5中B图像中的轮廓图像)，并将轮廓图像发送并保存在后台数据库中。
在后续进行当前患者的病灶组织的轮廓图像识别时，可以由图像重组模块来将前期满足灰度阈值条件的轮廓图像与不满足灰度阈值条件的空白图像，按照编号顺序进行单元图重组，得到一张仅仅显示图像轮廓的靶向轮廓图像。
如图5所示，重组时，Dicom单元图-A和Dicom单元图-B按照编号顺序进行重组，将Dicom单元图-A和Dicom单元图-B中的轮廓图像重组在一起，即可得到连续的轮廓。按照上述机制，将所有编号的Dicom单元图中的轮廓图像重组在一张图像上，即可得到当前医学Dicom图像中靶向区域的靶向轮廓图像，基于该靶向轮廓图像的轮廓，将当前靶向轮廓图像提取出来，作为当前病人的病灶组织图像即可，用于后续的进一步疾病分析和筛查。
将该轮廓图绑定在当前患者的就诊ID之下，并保存在后台数据库中。主治医师可以在登录后台服务器之后，查看当前患者就诊ID之下的靶向轮廓图像，以此来对患者的靶向组织进行进一步的病变分析。
下面将对其中步骤进行补充和细化描述。
作为本申请的一可选实施方案，可选地，对各个所述Dicom单元图进行编号，并将编号的所有所述Dicom单元图发送至图像筛选器，包括：
确定所述医学Dicom图像中的靶向区域；
按照预设的编号方向，依次对所述靶向区域中的各个所述Dicom单元图进行有序编号；
将所有编号的所述Dicom单元图，按照编号顺序依次发送至所述图像筛选器，并同时通知所述图像筛选器进行筛选。
靶向区域可以由后台管理员在图像扫描系统中进行编辑，在扫描获得医学Dicom图像后，自动对其中所设定的靶向区域进行标记。
可以由医学图像处理系统在前期对医学Dicom图像进行预处理，将靶向区域所在的图像进行标记并分离出来，用于后续的图像切割。
编号方向可以由后台管理员自行设定，可以从前到后或者是从外到内按照螺旋式的方式依次对网格切割的各个单元格依次进行编号，并提取出各个编号的单元图，并按照编号顺序将各个单元图依次发送至图像筛选器。
作为本申请的一可选实施方案，可选地，所述图像筛选器对各个所述Dicom单元图进行筛选，得到满足预设的灰度阈值的靶向单元图，并将所述靶向单元图发送至图像检测模块，包括：
所述图像筛选器接收各个所述Dicom单元图，并对所述Dicom单元图进行灰度值扫描，获取所述Dicom单元图的灰度值扫描数据；
判断所述Dicom单元图的灰度值扫描数据中，是否存在满足如下灰度值条件的像素点：
Avg(t)≥k avg；
其中，Avg(t)代表所述Dicom单元图中任一像素点的灰度值，avg为根据当前靶向区域计算设定的灰度阈值，k为取值范围为0.8～1.2的漂移系数；
若存在，则得到满足所述灰度值条件的所述靶向单元图，并将所述靶向单元图随机发送至分布式部署的若干图像检测模块；
若不存在，则将不满足所述灰度值条件的所述靶向单元图格式化为空白图像，并将所述空白图像与当前所述靶向单元图的编号进行绑定，绑定后发送至后台数据库并同时登记其编号。
为了确保各个单元图中存在有效的靶向区域，因此首先要对整个靶向区域进行灰度值扫描并计算，可以根据所计算的结果，比如根据所计算的灰度值均值结果来设定一个灰度阈值。可以基于该灰度阈值来判定各个单元图中是否存在与该灰度阈值大约相等的像素点：若是存在该像素点，则表明该单元图中存在靶向区域的图像。
图像筛选器对所述Dicom单元图进行灰度值扫描之时，可以利用预先训练好的灰度值识别模型，利用神经网络的特征提取架构，来对批量的像素单元进行识别，以此获取所述Dicom单元图中海量像素点的灰度值扫描数据。
灰度值识别模型，可以采用比如卷积神经网络的学习框架等，再设定好漂移系数k和阈值后，能够利用模型将满足条件的点识别出来并通过模型标记。模型的训练识别，可以参见现有深度学习的技术方案。
通过灰度值计算方式来对各个单元图进行灰度值扫描并计算各个单元图上的灰度均值的方法，可以由后台管理员或者是程序进行处理。
灰度阈值，可以参考所计算出的各个单元图的灰度值均值。
为了对各个单元图中的像素点的灰度值进行计算，本方案还设定有一个漂移系数，只要各个像素点的灰度值与灰度阈值接近，则表明该单元图中存在包含靶向区域的像素点，可以将该满足灰度值条件的单元图发送至图像检测模块进行下一步的边缘检测。
若是当前单元图中不存在满足灰度值条件的像素点，则表明当前的单元图中不存在包含靶向区域的像素点，因此可以将该单元图进行格式化处理为空白图像，用于后续的图像补充(靶向轮廓图像中带编号的空白单元图)。
空白图像同样标记编号，后续将统一按照序号，将空白图像和满足灰度值条件的靶向单元图进行有序排列，避免缺失空白图像导致靶向单元图之间的连接不连续，避免造成靶向区域上出现图像空白。
后续进行图像重组时，需要将满足灰度值条件的轮廓图像以及不满足灰度值条件的空白图像，将按照编号顺序由图像重组模块从后台数据库中进行调取，并按照所有图像的编号顺序来进行图像重组，得到一张与原图像相对应的靶向轮廓图像(可以参考附图5中的A、B单元图重组)，该轮廓图像将由各个轮廓图像和空白图像组成得到。
因此，将会按照编号的顺序，依次调取所述后台数据库中各个编号所对应的图像，包括：
满足所述灰度值条件的所述靶向单元图中的所述轮廓图像；
以及，
不满足所述灰度值条件的所述靶向单元图的所述空白图像；
按照编号的顺序，重组所述轮廓图像和所述空白图像，得到所述医学Dicom图像中的靶向区域的靶向轮廓图像。
具体见后续描述。
作为本申请的一可选实施方案，可选地，所述图像检测模块基于边缘检测算法对所述靶向单元图进行轮廓识别，得到所述靶向单元图中的轮廓图像并输出，包括：
所述图像检测模块接收满足所述灰度值条件的所述靶向单元图；
基于边缘检测算法对所述靶向单元图进行轮廓识别和提取，并得到所述靶向单元图中的轮廓图像，并同时将所述轮廓图像与当前所述靶向单元图的编号进行绑定；
将所述靶向单元图中的所述轮廓图像输出并保存至后台数据库，并同时登记其编号。
图像筛选器会将空白图像发送至后台数据库，将通过条件筛选的靶向单元图发送至分布式部署的若干图像检测模块，将各个靶向单元图发送至各分布式部署的各个检图像检测模块的方式为随机发放。
图像筛选器可以通过随机通道将各个满足灰度值条件的靶向单元图随机发送至某一个图像检测模块，并基于该模块所部署的边缘检测算法来对当前靶向单元图中的轮廓进行识别和提取，获取该靶向单元图中的轮廓图像。
采用分布式部署的图像检测模块，以及随机发送并检测的方式，可以通过该轮廓多边检测方式，来分担单一图像检测模块所造成的检测压力。通过多边检测，提高轮廓识别和提取的效率。
在得到各个轮廓图像之后，将其输出并保存在后台数据库中，同时登记各个轮廓图像的编号(轮廓图像所属靶向单元图的编号)。
作为本申请的一可选实施方案，可选地，在得到所述靶向单元图中的轮廓图像之后，还包括：
按照编号的顺序，依次调取所述后台数据库中各个编号所对应的图像，包括：
满足所述灰度值条件的所述靶向单元图中的所述轮廓图像；
以及，
不满足所述灰度值条件的所述靶向单元图的所述空白图像；
按照编号的顺序，重组所述轮廓图像和所述空白图像，得到所述医学Dicom图像中的靶向区域的靶向轮廓图像。
满足灰度值条件的轮廓图像以及不满足灰度值条件的空白图像，将按照编号顺序由图像重组模块从后台数据库中进行调取，并按照所有图像的编号顺序来进行图像重组，得到一张与原图像相对应的靶向轮廓图像(可以参考附图5中的A、B单元图重组)，该轮廓图像将由各个轮廓图像和空白图像组成得到。该靶向区域的靶向轮廓图像。
本实施例，默认靶向区域经过网格切割之后，存在有空白单元图，即不包含靶向区域的单元图。因此，该靶向轮廓图像中，默认存在具备空白图像的单元图。
若切割后的所有单元图中都包含有该靶向区域，即不存在空白图像，则可以将所有的靶向单元图皆按照上述轮廓图像的处理方式进行处理。后续按照编号顺序将所有的轮廓图像进行有序重组，即可得到该靶向区域的轮廓图像。
作为本申请的一可选实施方案，可选地，在得到所述靶向单元图中的轮廓图像之后，还包括：
将所述靶向轮廓图像发送并保存至后台数据库；
由所述后台服务器将所述靶向轮廓图像绑定至当前患者的就诊ID之下；
同步下发就诊通知至对应的医生终端，提醒当前的主治医生登录后台服务器并查看当前患者的所述靶向轮廓图像。
当得到当前患者的靶向轮廓图像之后，可以由后台服务器将其输出并绑定在当前患者的就诊ID之下，同时保存在后台数据库中。此时后台服务器可以通知对应的主治医生，向该主治医生所使用的终端上发送一个就诊通知，提醒该主治医生登录后台服务器来查看当前患者的靶向轮廓图像，进行后续的靶向区域图像分析和胡须进一步的处理操作。
因此，本申请基于多边检测的方式，对靶向区域进行分割识别，获取靶向区域的靶向轮廓图像，通过多边检测方式，对分割单元图进行轮廓图像提取，能够分担单一边缘检测的压力，提高边缘检测的检测算力，缩短因单一检测所花费的检测时间。本方案能够通过单元式检测，最终集合多边检测所得到的轮廓图像，生成靶向轮廓图像，单元式检测不存在持续扫描识别的过程，因此其程序更加稳定，不会拖延时间。
显然，本领域的技术人员应该明白，实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各控制的实施例的流程。本领域技术人员可以理解，实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各控制的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
实施例2
基于实施例1的实施原理，本申请另一方面，提出一种实现所述医学Dicom图像边缘轮廓多边检测算法的检测系统，包括：
图像切割模块，用于获取医学Dicom图像，并对所述医学Dicom图像进行图像切割，得到若干Dicom单元图；
图像标记模块，用于对各个所述Dicom单元图进行编号，并将编号的所有所述Dicom单元图发送至图像筛选器；
图像筛选器，用于对各个所述Dicom单元图进行筛选，得到满足预设的灰度阈值的靶向单元图，并将所述靶向单元图发送至图像检测模块；
图像检测模块，用于基于边缘检测算法对所有的所述靶向单元图进行轮廓识别，得到所有的所述靶向单元图中的轮廓图像并输出；
图像重组模块，用于按照编号的顺序，依次调取所述后台数据库中各个编号所对应的图像，包括：满足所述灰度值条件的所述靶向单元图中的所述轮廓图像以及不满足所述灰度值条件的所述靶向单元图的所述空白图像；按照编号的顺序，重组所述轮廓图像和所述空白图像，得到所述医学Dicom图像中的靶向区域的靶向轮廓图像。
上述各个模块的功能和交互，具体参见实施例1的描述。
上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
实施例3
如图6所示，更进一步地，本申请另一方面，还提出一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现所述的一种医学Dicom图像边缘轮廓多边检测算法。
本公开实施例来电子设备包括处理器以及用于存储处理器可执行指令的存储器。其中，处理器被配置为执行可执行指令时实现前面任一所述的一种医学Dicom图像边缘轮廓多边检测算法。
此处，应当指出的是，处理器的个数可以为一个或多个。同时，在本公开实施例的电子设备中，还可以包括输入装置和输出装置。其中，处理器、存储器、输入装置和输出装置之间可以通过总线连接，也可以通过其他方式连接，此处不进行具体限定。
存储器作为一计算机可读存储介质，可用于存储软件程序、计算机可执行程序和各种模块，如：本公开实施例的一种医学Dicom图像边缘轮廓多边检测算法所对应的程序或模块。处理器通过运行存储在存储器中的软件程序或模块，从而执行电子设备的各种功能应用及数据处理。
输入装置可用于接收输入的数字或信号。其中，信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置可以包括显示屏等显示设备。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中现有技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (5)
1.一种医学Dicom图像边缘轮廓多边检测方法，其特征在于，包括如下步骤：
获取医学Dicom图像，并对所述医学Dicom图像进行图像切割，得到若干Dicom单元图；
对各个所述Dicom单元图进行编号，并将编号的所有所述Dicom单元图发送至图像筛选器；
所述图像筛选器对各个所述Dicom单元图进行筛选，得到满足预设的灰度阈值的靶向单元图，并将所述靶向单元图发送至图像检测模块；包括：
所述图像筛选器接收各个所述Dicom单元图，并对所述Dicom单元图进行灰度值扫描，获取所述Dicom单元图的灰度值扫描数据；
判断所述Dicom单元图的灰度值扫描数据中，是否存在满足如下灰度值条件的像素点：
Avg(t)≥k avg；
其中，Avg(t)代表所述Dicom单元图中任一像素点的灰度值，avg为根据当前靶向区域计算设定的灰度阈值，k为取值范围为0.8～1.2的漂移系数；
若存在，则得到满足所述灰度值条件的所述靶向单元图，并将所述靶向单元图随机发送至分布式部署的若干图像检测模块；
若不存在，则将不满足所述灰度值条件的所述靶向单元图格式化为空白图像，并将所述空白图像与当前所述靶向单元图的编号进行绑定，绑定后发送至后台数据库并同时登记其编号；
所述图像检测模块基于边缘检测算法对所述靶向单元图进行轮廓识别，得到所述靶向单元图中的轮廓图像并输出；包括：
所述图像检测模块接收满足所述灰度值条件的所述靶向单元图；
基于边缘检测算法对所述靶向单元图进行轮廓识别和提取，并得到所述靶向单元图中的轮廓图像，并同时将所述轮廓图像与当前所述靶向单元图的编号进行绑定；
将所述靶向单元图中的所述轮廓图像输出并保存至后台数据库，并同时登记其编号；
在得到所述靶向单元图中的轮廓图像之后，还包括：
按照编号的顺序，依次调取所述后台数据库中各个编号所对应的图像，所述图像包括：
满足所述灰度值条件的所述靶向单元图中的所述轮廓图像；
以及，
不满足所述灰度值条件的所述靶向单元图的所述空白图像；
按照编号的顺序，重组所述轮廓图像和所述空白图像，得到所述医学Dicom图像中的靶向区域的靶向轮廓图像。
2.根据权利要求1所述的医学Dicom图像边缘轮廓多边检测方法，其特征在于，对各个所述Dicom单元图进行编号，并将编号的所有所述Dicom单元图发送至图像筛选器，包括：
确定所述医学Dicom图像中的靶向区域；
按照预设的编号方向，依次对所述靶向区域中的各个所述Dicom单元图进行有序编号；
将所有编号的所述Dicom单元图，按照编号顺序依次发送至所述图像筛选器，并同时通知所述图像筛选器进行筛选。
3.根据权利要求1所述的医学Dicom图像边缘轮廓多边检测方法，其特征在于，在得到所述靶向单元图中的轮廓图像之后，还包括：
将所述靶向轮廓图像发送并保存至后台数据库；
由后台服务器将所述靶向轮廓图像绑定至当前患者的就诊ID之下；
同步下发就诊通知至对应的医生终端，提醒当前的主治医生登录后台服务器并查看当前患者的所述靶向轮廓图像。
4.一种实现权利要求1-3中任一项所述医学Dicom图像边缘轮廓多边检测方法的检测系统，其特征在于，包括：
图像切割模块，用于获取医学Dicom图像，并对所述医学Dicom图像进行图像切割，得到若干Dicom单元图；
图像标记模块，用于对各个所述Dicom单元图进行编号，并将编号的所有所述Dicom单元图发送至图像筛选器；
图像筛选器，用于对各个所述Dicom单元图进行筛选，得到满足预设的灰度阈值的靶向单元图，并将所述靶向单元图发送至图像检测模块；
图像检测模块，用于基于边缘检测算法对所有的所述靶向单元图进行轮廓识别，得到所有的所述靶向单元图中的轮廓图像并输出；
图像重组模块，用于按照编号的顺序，依次调取所述后台数据库中各个编号所对应的图像，包括：满足所述灰度值条件的所述靶向单元图中的所述轮廓图像以及不满足所述灰度值条件的所述靶向单元图的所述空白图像；按照编号的顺序，重组所述轮廓图像和所述空白图像，得到所述医学Dicom图像中的靶向区域的靶向轮廓图像。
5.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现权利要求1-3中任一项所述的医学Dicom图像边缘轮廓多边检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310889766.9A CN116912213B (zh) | 2023-07-20 | 2023-07-20 | 一种医学Dicom图像边缘轮廓多边检测算法和检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310889766.9A CN116912213B (zh) | 2023-07-20 | 2023-07-20 | 一种医学Dicom图像边缘轮廓多边检测算法和检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116912213A CN116912213A (zh) | 2023-10-20 |
| CN116912213B true CN116912213B (zh) | 2024-04-19 |
Family
ID=88359830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310889766.9A Active CN116912213B (zh) | 2023-07-20 | 2023-07-20 | 一种医学Dicom图像边缘轮廓多边检测算法和检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116912213B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106373168A (zh) * | 2016-11-24 | 2017-02-01 | 北京三体高创科技有限公司 | 一种基于医疗图像的分割与三维重建方法、3d打印系统 |
| CN110430809A (zh) * | 2017-01-16 | 2019-11-08 | P·K·朗 | 用于外科、医疗和牙科手术的光学引导 |
| WO2021215357A1 (ja) * | 2020-04-21 | 2021-10-28 | 富士フイルム株式会社 | 画像処理装置、画像表示システム、画像処理方法及びプログラム |
| CN114445431A (zh) * | 2022-04-11 | 2022-05-06 | 浙江卡易智慧医疗科技有限公司 | 一种医学三维影像任意切割的方法与装置 |
| CN114463248A (zh) * | 2020-10-30 | 2022-05-10 | 国际商业机器公司 | 用于医学图像的基于种子的分割的种子重新标记 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9582934B2 (en) * | 2010-09-20 | 2017-02-28 | Siemens Healthcare Gmbh | Method and system for efficient extraction of a silhouette of a 3D mesh |
| JP7463510B2 (ja) * | 2019-11-26 | 2024-04-08 | ホウメディカ・オステオニクス・コーポレイション | 骨断片化のケースにおける整形外科手術のための術前計画及び術中ガイダンス |
-
2023
- 2023-07-20 CN CN202310889766.9A patent/CN116912213B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106373168A (zh) * | 2016-11-24 | 2017-02-01 | 北京三体高创科技有限公司 | 一种基于医疗图像的分割与三维重建方法、3d打印系统 |
| CN110430809A (zh) * | 2017-01-16 | 2019-11-08 | P·K·朗 | 用于外科、医疗和牙科手术的光学引导 |
| WO2021215357A1 (ja) * | 2020-04-21 | 2021-10-28 | 富士フイルム株式会社 | 画像処理装置、画像表示システム、画像処理方法及びプログラム |
| CN114463248A (zh) * | 2020-10-30 | 2022-05-10 | 国际商业机器公司 | 用于医学图像的基于种子的分割的种子重新标记 |
| CN114445431A (zh) * | 2022-04-11 | 2022-05-06 | 浙江卡易智慧医疗科技有限公司 | 一种医学三维影像任意切割的方法与装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116912213A (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019208703A1 (ja) | 情報処理装置、制御方法、及びプログラム | |
| JP6727176B2 (ja) | 学習支援装置、学習支援装置の作動方法、学習支援プログラム、学習支援システム、および端末装置 | |
| US11797846B2 (en) | Learning assistance device, method of operating learning assistance device, learning assistance program, learning assistance system, and terminal device | |
| US20070031020A1 (en) | Method and apparatus for intracerebral hemorrhage lesion segmentation | |
| CN111696083B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN108038875B (zh) | 一种肺部超声图像识别方法和装置 | |
| GB2420641A (en) | Digital Medical Image Analysis | |
| EP3973539A1 (en) | System and method for interpretation of multiple medical images using deep learning | |
| JPH1094538A (ja) | 異常陰影候補の検出方法および装置 | |
| CN101861601A (zh) | 疾病的计算机辅助检测(cad) | |
| CN111445463A (zh) | 相似肺部疾病病例的检索方法、装置和计算机设备 | |
| CN117095815A (zh) | 基于磁共振图像和病理全景扫描切片预测带有同源重组缺陷的前列腺癌患者的系统 | |
| CN111738975B (zh) | 图像辨识方法及图像辨识装置 | |
| CN113205111B (zh) | 适用于肝脏肿瘤的识别方法、装置及电子设备 | |
| US11783476B2 (en) | System and method for analyzing three-dimensional image data | |
| US11475568B2 (en) | Method for controlling display of abnormality in chest x-ray image, storage medium, abnormality display control apparatus, and server apparatus | |
| CN116912213B (zh) | 一种医学Dicom图像边缘轮廓多边检测算法和检测系统 | |
| US10957444B2 (en) | Apparatus for tomography repeat rate/reject rate capture | |
| JP2005102784A (ja) | 画像診断支援装置及び画像診断支援方法 | |
| CN110674872B (zh) | 一种高维磁共振影像的分类方法及装置 | |
| WO2024147255A1 (ja) | 画像探索方法及び画像探索プログラム | |
| CN114972296B (zh) | 一种基于肺图的高分辨ct图像分析方法、设备及系统 | |
| CN116863068B (zh) | 实现骨骼肌肉系统影像的智能化分割与重建方法及系统 | |
| CN115148365B (zh) | 用于预测中枢神经系统生殖细胞肿瘤预后的方法及系统 | |
| CN112836744A (zh) | 一种基于ct切片的多模型假阳衰减的疾病分类方法及装置 |
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 |