CN116912246A - 一种基于大数据的肿瘤ct数据处理方法 - Google Patents
一种基于大数据的肿瘤ct数据处理方法 Download PDFInfo
- Publication number
- CN116912246A CN116912246A CN202311174658.XA CN202311174658A CN116912246A CN 116912246 A CN116912246 A CN 116912246A CN 202311174658 A CN202311174658 A CN 202311174658A CN 116912246 A CN116912246 A CN 116912246A
- Authority
- CN
- China
- Prior art keywords
- gray value
- tumor
- gray
- image
- importance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 166
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000007906 compression Methods 0.000 claims abstract description 16
- 230000006835 compression Effects 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 40
- 238000010606 normalization Methods 0.000 claims description 29
- 230000001174 ascending effect Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 8
- 210000000056 organ Anatomy 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 6
- 238000013144 data compression Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241000135164 Timea Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000003325 tomography 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
- G06T9/00—Image coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于大数据的肿瘤CT数据处理方法，涉及图像处理领域。包括：获取肿瘤CT影像；利用每个像素点的位置及其灰度值，得到每个像素点的综合重要度；确定每个灰度值所属的子高斯模型；利用每个灰度值的重要度及其所属的子高斯模型中的参数，和每个灰度值对应的所有像素点的综合重要度，计算每个灰度值的影响程度；对灰度值进行置换后对像素点的灰度值进行替换，对肿瘤CT影像进行压缩；进行解压并还原肿瘤CT影像，完成对肿瘤CT数据的处理。本发明对肿瘤CT影像进行视觉无损修正，使修正后的肿瘤CT影像部分区域的灰度值连续重复率更大，同时不破坏肿瘤及器官区域的纹理细节，使游程编码达到更高的压缩效率。
Description
技术领域
本发明涉及数据处理领域，具体涉及一种基于大数据的肿瘤CT数据处理方法。
背景技术
肿瘤CT大数据平台包含海量的肿瘤CT数据，为提高存储效率节省存储空间，需要对肿瘤CT数据进行压缩存储。
现有技术对于肿瘤CT影像的压缩多采用游程编码的方式，并且通过对各通道采用单独编码，以及对于频率低的特征采用长编码，频率高的特征采用短编码的方式进行游程编码，然而肿瘤CT数据实际为肿瘤CT影像，肿瘤CT影像中部分区域如背景部分较为平坦，但受噪声影响，灰度值存在较小的变化。部分区域如肿瘤区域纹理细节较为丰富，灰度值变化较为频繁，这就会出现对于影像中连续重复出现的数据压缩率高，而影像中较小的灰度值变化的游程编码压缩率很低，会造成大量数据的冗杂。
发明内容
针对上述技术问题，本发明提供了一种基于大数据的肿瘤CT数据处理方法，具体包括：
获取肿瘤CT影像；
利用肿瘤CT影像中每个像素点到中心像素点的距离得到肿瘤CT影像中每个像素点的位置重要度；
对每个像素点进行滑窗处理，根据窗口内的所有灰度值及各灰度值的频率，计算每个像素点的纹理重要度；
根据每个像素点的位置重要度和纹理重要度，得到每个像素点的综合重要度；
获取肿瘤CT影像的灰度直方图，并进行直方图平滑处理，得到平滑后的灰度直方图，对平滑后的灰度直方图进行混合高斯拟合，得到多个子高斯模型；
根据肿瘤CT影像所有的灰度值在每个子高斯模型下的概率密度，确定每个灰度值所属的子高斯模型；
利用每个灰度值的重要度以及每个灰度值所属的子高斯模型中的参数，计算每个灰度值的第一重要程度，利用每个灰度值对应的所有像素点的综合重要度，计算每个灰度值的第二重要程度；
将每个灰度值的第一重要程度和第二重要程度之积作为每个灰度值的影响程度；
设置影响程度阈值，获取小于影响程度阈值的灰度值进行升序排序得到置换序列，根据肿瘤CT影像中所有灰度值的影响程度对置换序列中的灰度值依次进行置换；
根据置换结果对肿瘤CT影像中像素点的灰度值进行替换，根据替换后的肿瘤CT影像中的灰度值及其频数，对肿瘤CT影像数据进行压缩得到压缩编码；
根据压缩编码对压缩数据进行解压，并还原为肿瘤CT影像，完成对肿瘤CT数据的处理。
每个像素点的位置重要度的计算方法为：
获取肿瘤CT影像的中心像素点，计算肿瘤CT影像中每个像素点与中心像素点的位置距离，将以中心像素点为圆心，第一阈值为半径的圆形区域以外的区域作为不确定区域；
将位置距离小于等于第一阈值的像素点的位置重要度赋值为1；
对于位置距离大于第一阈值的每个像素点，获取不确定区域中所有像素点到重要区域的距离的方差作为重要度指标，对位置距离大于第一阈值的像素点的位置距离与第一阈值的差值的平方，与二倍重要度指标的商进行负归一化，将负归一化的结果作为位置距离大于第一阈值的每个像素点的位置重要度。
每个像素点的纹理重要度的计算方法为：
设置滑窗大小，以每个像素点为中心像素点进行滑窗处理，获取中心像素点与划窗内其他像素点的灰度值的差值绝对值的均值，对该均值进行归一化处理，并将归一化处理的结果与该中心像素点的灰度值在滑窗内的频率之积作为该中心像素点的纹理重要度；
得到每个像素点的纹理重要度。
确定每个灰度值所属的子高斯模型的方法如下：
获取每个灰度值分别在每个子高斯模型下的概率密度，将概率密度最大的子高斯模型作为该灰度值所属的子高斯模型；
若该灰度值在两个或多个子高斯模型下的概率密度相同且最大，将该灰度值分别与这多个子高斯模型的均值之差的绝对值作为差值特征，获取差值特征最小的子高斯模型作为该灰度值所属的子高斯模型；
确定每个灰度值所属的子高斯模型。
计算每个灰度值的第一重要程度的方法为：
获取每个灰度值以及该灰度值对应的子高斯模型的均值；
若该灰度值与所属子高斯模型的均值相等，则该灰度值的第一重要程度为1；
若该灰度值与所属子高斯模型的均值不相等，对肿瘤CT影像中所有像素点的数量进行归一化处理得到重要程度指标，将该灰度值所属的子高斯模型的均值与所有子高斯模型中的最小均值作为该灰度值的权重，对该灰度值对应的像素点数量和该灰度值的权重之积与肿瘤CT影像中所有像素点的数量的归一化结果的商进行归一化处理，将该归一化结果作为该灰度值的第一重要程度；
计算得到每个灰度值的第一重要程度。
计算每个灰度值的第二重要程度的方法如下：
获取每个灰度值对应的所有像素点的灰度值，将该灰度值对应的所有像素点的灰度值均值作为该灰度值的第二重要程度；
计算得到每个像素点的第二重要程度。
对肿瘤CT影像中像素点的灰度值进行替换的过程为：
设置影响程度阈值，获取影响程度大于零，且小于影响程度阈值的灰度值，将获取的灰度值根据影响程度进行升序排序得到置换序列；
置换方法：将置换序列中的第一个灰度值作为第一灰度值，获取肿瘤CT影像中所有灰度值中，影响程度比第一灰度值的影响程度大，且灰度值与第一灰度值差值最小的灰度值作为第二灰度值，将第二灰度值置换为第一灰度值，并对当前第一灰度值进行删除处理；
对置换后的置换序列根据置换方法进行迭代，直至置换序列中所有的灰度值都完成置换时，停止迭代；
对第一灰度值对应的所有像素点的灰度值替换为第二灰度值，对肿瘤CT影像中所有像素点的灰度值根据置换后的灰度值进行替换。
对压缩数据进行解压，并还原为肿瘤CT影像的过程如下：
获取对肿瘤CT影像进行压缩的游程编码，对游程编码进行解码得到一维序列，将该一维序列利用Hilbert扫描方式的顺序还原至与肿瘤CT影像尺寸相同的空矩阵中，得到还原后的肿瘤CT影像。
所述滑窗大小设置为5×5。
所述第一阈值设置为，其中/>、/>为肿瘤CT影像的尺寸。相比于现有技术，本发明实施例的有益效果在于：
1.本发明通过对肿瘤CT影像中每个像素点的位置信息和纹理信息分析每个像素点的综合重要度，并通过对肿瘤CT影像的灰度直方图进行处理，得到每个灰度图对应的影响程度，通过对每个灰度值对应的像素点的综合重要度进行综合分析确定每个灰度值的影响程度，进而对灰度值进行置换，能够保证肿瘤CT影像中的重要信息不被置换，提高数据压缩的信息完整度。
2.本发明对肿瘤CT影像进行视觉无损修正，通过对肿瘤CT影像中的不同灰度值对应的不同特征的影响程度以及每个像素点的综合重要度进行分析，将对肿瘤CT影像进行辅助诊疗时不重要的灰度值进行替换，保留重要信息进行数据压缩，既能减少压缩的数据，保证编码的码长数据较少，也能保留肿瘤CT影像再进行辅助诊疗时的重要信息尽可能的不丢失。
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，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一种基于大数据的肿瘤CT数据处理方法提供的方法流程图。
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用以解释本发明，并不用于限定本发明。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。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本发明实施例提供了一种基于大数据的肿瘤CT数据处理方法，如图1所示，具体内容包括：
本实施例通过对肿瘤CT影像中的灰度值进行分析，将影响程度相对较低的部分灰度值进行置换，将其修正为比较相近的灰度值，减少数据压缩时的灰度值数量，提升灰度值的游程编码的效果。
S101、获取肿瘤CT影像：
现有的压缩方法中的游程编码对于影像中连续重复出现的数据压缩率高，但是肿瘤CT影像中较小的灰度值变化都会影响游程编码的压缩效率，为达到更高的压缩率，本实施例对肿瘤CT影像进行视觉无损修正，使得修正后的肿瘤CT影像中的部分区域的灰度值连续重复率更大，同时不破坏肿瘤及器官区域的纹理细节，让游程编码能够达到更高的压缩效率。
因此本实施例需要先获取肿瘤CT影像，以肿瘤CT影像为基础进行数据的分析与处理，达到对肿瘤CT影像进行视觉无损修正的目的。
获取CT断层扫描得到的肿瘤CT影像，由于CT影像本身就为灰度图，因此不要对获取的CT图像进行灰度化处理，将肿瘤CT影像上传至肿瘤CT大数据平台，利用肿瘤CT大数据平台对肿瘤CT影像进行压缩存储等数据管理，将肿瘤CT影像大小记为。
S102、计算肿瘤CT影像中每个像素点的综合重要度：
在肿瘤CT影像中，靠近影像边缘的部分为背景区域，靠近影像中间的部分为人体扫描的部位，因此越靠近肿瘤CT影像的中心区域的像素点越重要，越靠近肿瘤CT影像的边缘区域的像素点越不重要，肿瘤CT影像中每个灰度值对应多个像素点，为获取每个灰度值的影响程度，首先需要获取肿瘤CT影像中每个像素点的综合重要度。
1.计算每个像素点的位置重要度：
获取肿瘤CT影像的中心像素点，计算肿瘤CT影像中每个像素点与中心像素点的位置距离，将以中心像素点为圆心，第一阈值为半径的圆形区域以外的区域作为不确定区域；
将位置距离小于等于第一阈值的像素点的位置重要度赋值为1；
对于位置距离大于第一阈值的每个像素点，获取不确定区域中所有像素点到重要区域的距离的方差作为重要度指标，对位置距离大于第一阈值的像素点的位置距离与第一阈值的差值的平方，与二倍重要度指标的商进行负归一化，将负归一化的结果作为位置距离大于第一阈值的每个像素点的位置重要度，计算公式如下：
式中：表示肿瘤CT影像中第/>个像素点的位置重要度，/>表示肿瘤CT影像中第/>个像素点与中心像素点的位置距离，/>为第一阈值，以肿瘤CT影像中心像素点为中心，以/>为半径的范围内的区域均为人体扫描的部分，为位置重要区域，/>表示所有不确定区域像素点到重要区域的距离的方差，/>为负相关归一化函数，即/>为以自然常数为底以负的幂为指数的指数函数，将位置距离大于第一阈值的第/>个像素点以/>衡量位于不确定区域的第/>个像素点到重要区域的距离；
在不确定区域内的像素点，距离重要区域越近，越可能为人体扫描的部分，距离重要区域越远，越可能为背景。当时，第/>个像素点位于不确定区域，以/>衡量第/>个像素点到重要区域的距离；/>为所有不确定区域像素点到重要区域的距离的方差；为不确定区域像素点的位置重要度；/>为负相关归一化函数；当第/>个像素点位于不确定区域且距离位置重要区域越近时，第/>个像素点的位置重要度越大，当第/>个像素点位于不确定区域且距离位置重要区域越远时，第/>个像素点的位置重要度越小。
由人工设置，本实施例设置为/>，其中/>、/>为肿瘤CT影像的尺寸，为肿瘤CT影像的对角线长度。
2.计算每个像素点的纹理重要度：
设置滑窗大小，本实施例设置窗口大小为5×5，实施者可根据实际情况进行设置，以每个像素点为中心像素点进行滑窗处理，获取中心像素点与划窗内其他像素点的灰度值的差值绝对值的均值，对该均值进行归一化处理，并将归一化处理的结果与该中心像素点的灰度值在滑窗内的频率之积作为该中心像素点的纹理重要度，得到每个像素点的纹理重要度；
每个像素点的纹理重要度的计算公式如下：
式中：表示肿瘤CT影像中第/>个像素点的纹理重要度，/>表示第/>个像素点的灰度值在滑窗窗口内的频率/>，/>表示肿瘤CT影像中第/>个像素点的灰度值，/>表示窗口内除中心像素点的第/>个像素点的灰度值，/>表示窗口内除中心像素点的像素点的数量，/>表示窗口内除中心像素点的像素点的序号，/>为双曲正切函数，用作归一化，为第/>个像素点的灰度值与窗口内出现的所有灰度值的平均差异；
当第个像素点的灰度值在窗口内的频率越大，第/>个像素点对于该窗口越重要，越能代表该窗口对应的器官或肿瘤的特征。当第/>个像素点的灰度值在窗口内的频率越大，且第/>个像素点的灰度值与窗口内出现的所有灰度值的平均差异越大，第/>个像素点越可能为纹理像素点，第/>个像素点的纹理重要度越大；当第/>个像素点的灰度值在窗口内的频率越小，且第/>个像素点的灰度值与窗口内出现的所有灰度值的平均差异越小时，第/>个像素点对窗口越不重要，第/>个像素点的灰度值可被窗口内其他灰度值代替而不会造成肿瘤CT影像产生明显的变化，此时第/>个像素点的纹理重要度越小。
3.计算每个像素点的综合重要度：
结合像素点的位置重要度和纹理重要度，获取像素点的综合重要度。第个像素点的综合重要度/>为：
式中：表示肿瘤CT影像中第/>个像素点的综合重要度，/>表示肿瘤CT影像中第/>个像素点的位置重要度，/>表示肿瘤CT影像中第/>个像素点的纹理重要度；
当第个像素点的位置重要度和纹理重要度都较大时，第/>个像素点可能位于肿瘤或器官纹理变化的区域，第/>个像素点的综合重要度较大。当第/>个像素点的位置重要度和纹理重要度中有一个较小时，第/>个像素点可能位于存在噪声的背景区域也可能位于人体扫描部分较为平坦的区域，第/>个像素点的综合重要度较小。当第/>个像素点的位置重要度和纹理重要度都比较小时，第/>个像素点可能位于背景区域，第/>个像素点的综合重要度非常小。
至此，得到了肿瘤CT影像中每个像素点的综合重要度。
S103、计算肿瘤CT影像中每个灰度值的影响程度：
由于本实施例是对肿瘤CT影像中的灰度值进行置换，使得在对肿瘤CT影像进行压缩时，能够减小编码数据，因此需要计算肿瘤CT影像中出现的每个灰度值对肿瘤CT影像的影响程度，对于影响程度高的灰度值，进行保留，对于影响程度相对较低的灰度值进行置换。
获取肿瘤CT影像灰度直方图，在噪声的干扰下，肿瘤CT影像中一个特征在灰度直方图中呈现高斯分布的形式。对肿瘤CT影像灰度直方图进行平滑处理，获取平滑后的灰度直方图中峰值点的个数，记为。利用EM算法对肿瘤CT影像的灰度直方图进行混合高斯拟合，得到/>个子高斯模型，每个子高斯模型中的子高斯模型参数包括均值和方差，即（/>），表示子高斯模型的均值，/>表示子高斯模型的方差，/>表示子高斯模型的概率密度。
1.计算肿瘤CT影像中每个灰度值的第一重要程度：
根据每个灰度值在每个子高斯模型下的概率密度确定每个灰度值所属的子高斯模型：获取每个灰度值分别在每个子高斯模型下的概率密度，将概率密度最大的子高斯模型作为该灰度值所属的子高斯模型；
若该灰度值在两个或多个子高斯模型下的概率密度相同且最大，将该灰度值分别与这多个子高斯模型的均值之差的绝对值作为差值特征，获取差值特征最小的子高斯模型作为该灰度值所属的子高斯模型，确定每个灰度值所属的子高斯模型。
若灰度直方图中某个子高斯模型的标准差参数越小，则该子高斯模型形状越陡峭，表示该子高斯模型对应的灰度值越集中，该子高斯模型越可能对应肿瘤CT影像中一个特征，子高斯模型的均值参数即可代表该肿瘤CT影像中的特征。因此灰度直方图中陡峭的子高斯模型的均值参数对应的灰度值较为重要，该子高斯模型的其他灰度值的数量越少，对应的灰度值的重要程度越小。
综上所述，每个灰度值的重要度与其所属的子高斯模型的特征相关。计算每个灰度值的第一重要度，方法如下：
获取每个灰度值以及该灰度值对应的子高斯模型的均值；
若该灰度值与所属子高斯模型的均值相等，则该灰度值的第一重要程度为1；
若该灰度值与所属子高斯模型的均值不相等，对肿瘤CT影像中所有像素点的数量进行归一化处理得到重要程度指标，将该灰度值所属的子高斯模型的均值与所有子高斯模型中的最小均值作为该灰度值的权重，对该灰度值对应的像素点数量和该灰度值的权重之积与肿瘤CT影像中所有像素点的数量的归一化结果的商进行归一化处理，将该归一化结果作为该灰度值的第一重要程度，计算得到每个灰度值的第一重要程度，计算公式为：
式中：表示肿瘤CT影像中第/>个灰度值的第一重要程度，/>表示肿瘤CT影像中的第/>个灰度值，/>表示肿瘤CT影像中第/>个灰度值所属的子高斯模型的均值，/>表示肿瘤CT影像中第/>个灰度值所属的子高斯模型的概率密度，/>表示肿瘤CT影像中第/>个灰度值对应的像素点数量，/>表示肿瘤CT影像中第/>个灰度值对应的像素点数量，/>表示肿瘤CT影像中所有灰度值所属的子高斯模型的概率密度最小值，/>为双曲正切函数，为归一化函数；
当第个灰度值与其所属的子高斯模型的均值参数相等时，第/>个灰度值实际为对应子高斯模型的均值，其第一重要程度最大，当第/>个灰度值与其所属的子高斯模型的均值参数不相等时，需要根据第/>个灰度值所属的子高斯模型的特征以及第/>个灰度值对应的像素点个数来确定第/>个灰度值的第一重要程度；
为所有灰度值对应的像素点个数均值，作为归一化参数；/>用来衡量第/>个灰度值所属的子高斯模型的标准差（标准差即子高斯模型的概率密度，下文中含义相同）参数大小程度，当标准差参数越小时，/>越接近/>，第/>个灰度值所属的子高斯模型中对应的灰度值的第一重要程度由每个灰度值对应的像素点个数来决定，像素点个数越多，越重要。当标准差参数较大时，/>较大，第/>个灰度值所属的子高斯模型中对应的所有灰度值的第一重要度都较大，因此利用/>对第/>个灰度值对应的像素点个数多少进行扩大，使得第/>个灰度值第一重要程度受第/>个灰度值对应的像素点个数影响较小，从使得第/>个灰度值的第一重要程度较大。
2.计算肿瘤CT影像中每个灰度值的第二重要程度：
每个灰度值在肿瘤CT影像中对应多个像素点，这些相同灰度值对应的多个像素点可能位于肿瘤CT影像不同区域，表示肿瘤CT影像不同的特征，这些相同灰度值对应的多个像素点具有不同的重要度，每个灰度值的影响程度与其对应的所有像素点的综合重要度都相关，因此根据每个灰度值对应的所有像素点的综合重要度计算每个灰度值的第二重要程度。
获取每个灰度值对应的所有像素点的灰度值，将该灰度值对应的所有像素点的灰度值均值作为该灰度值的第二重要程度，得到所有灰度值的第二重要程度，计算公式如下：
式中：表示肿瘤CT影像中第/>个灰度值的第二重要程度，/>表示肿瘤CT影像中第/>个灰度值对应的第/>个像素点的综合重要度，/>表示肿瘤CT影像中每个灰度值对应的像素点的序号，/>表示肿瘤CT影像中第/>个灰度值对应的像素点的数量。
3.计算肿瘤CT影像中每个灰度值的影响程度：
根据第一重要程度和第二重要程度获取灰度值的重要度，如第个灰度值的影响程度/>的计算公式如下：
其中为第/>个灰度值的第一重要程度；/>为第/>个灰度值的第二重要程度；只有当第/>个灰度值的第一重要程度和第二重要程度都较大时，第/>个灰度值的重要度/>较大；当第个灰度值的第一重要程度和第二重要程度有一个较大时，第/>个灰度值的重要度/>较小；当第/>个灰度值的第一重要程度和第二重要程度都较小时，第/>个灰度值的重要度/>非常小，此时第/>个灰度值对于肿瘤CT影像不重要，改变第/>个灰度值，将其置为相近的灰度值，不影响肿瘤CT影像的特征。
S104、对肿瘤CT影像进行无损修正：
根据灰度值的影响程度的算法，在肿瘤CT影像中未出现的灰度值即对应的像素点个数为0的灰度值的影响程度为0，对于这些影响程度为0的灰度值不关注，当影响程度较大时，认为灰度值对肿瘤CT影像影响较大。
在S103中获取了肿瘤CT影像灰度直方图中每个灰度值的影响程度，对于影响程度小的灰度值，其对肿瘤CT影像的特征影响非常小，因此可将其修改为相近的灰度值，如此可达到减少肿瘤CT影像中出现的灰度值个数，增加灰度值的游程长度的效果。
设置影响程度阈值，本实施例设置为0.03，实施者可根据实际情况自行设定，获取影响程度大于零，且小于影响程度阈值的灰度值，将获取的灰度值根据影响程度进行升序排序得到置换序列；
置换方法：将置换序列中的第一个灰度值作为第一灰度值，获取肿瘤CT影像中所有灰度值中，影响程度比第一灰度值的影响程度大，且灰度值与第一灰度值差值最小的灰度值作为第二灰度值，将第二灰度值置换为第一灰度值，并对当前第一灰度值进行删除处理；
需要说明的是，在选择第二灰度值时，是针对肿瘤CT影像中所有灰度值进行选择的，并不是局限于置换序列中的灰度值，因为以置换序列为基础进行灰度值置换，置换后的灰度值还是置换序列中的，且这些灰度值的影响程度低，置换后对于数据压缩的计算量和编码码长影响也不大，因此是基于肿瘤CT影像中所有的灰度值进行置换的。
对置换后的置换序列根据置换方法进行迭代，直至置换序列中所有的灰度值都完成置换时，停止迭代；
对第一灰度值对应的所有像素点的灰度值替换为第二灰度值，对肿瘤CT影像中所有像素点的灰度值根据置换后的灰度值进行替换。
举例说明：
获取肿瘤CT影像灰度直方图中每个灰度值的影响程度，并根据影响程度阈值进行筛选并排序得到置换序列：；
此时为第一灰度值，获取肿瘤CT影像中所有灰度值中，影响程度比第一灰度值的影响程度大，且灰度值与第一灰度值差值最小的灰度值作为第二灰度值，将第一灰度值/>对应在肿瘤CT影像中的所有像素点的灰度值替换为第二灰度值；
将置换后的第一灰度值删除，得到新的置换序列；
此时作为第一灰度值，获取肿瘤CT影像中所有灰度值中，影响程度比第一灰度值/>的影响程度大，且灰度值与第一灰度值差值最小的灰度值作为第二灰度值，将第一灰度值/>对应在肿瘤CT影像中的所有像素点的灰度值替换为第二灰度值；
将置换后的第一灰度值删除，得到新的置换序列；
对置换序列中所有的灰度值进行置换，直到置换序列中所有的灰度值都被置换后，停止迭代。
至此，实现了将肿瘤CT影像中不影响肿瘤CT影像特征的灰度值的改变，使得肿瘤CT影像中的灰度值个数减少，灰度值连续重复出现的次数增加。
S105、对肿瘤CT影像数据进行解压缩：
1.对肿瘤CT影像进行压缩：
由于肿瘤CT影像局部特征相似，灰度值连续重复出现的次数更多，因此使用Hilbert扫描方式对肿瘤CT影像进行扫描将肿瘤CT影像中像素点展开成一维的序列，对该一维的序列进行游程编码实现肿瘤CT影像的压缩，得到压缩数据。
需要说明的是，通过本实施例获取灰度值的影响程度，根据影响程度进行的肿瘤CT影像视觉无损修正，修正后的肿瘤CT影像中出现的灰度值个数较小，部分灰度值的频率增加，使得对修正后的肿瘤CT影像利用霍夫曼编码、LZW编码等多种压缩方法都能达到较修正前更高的压缩率。
2.对肿瘤CT影像数据进行解压：
对肿瘤CT影像压缩数据按照游程解码（由于S105中的步骤1记载了“对修正后的肿瘤CT影像利用霍夫曼编码、LZW编码等多种压缩方法都能达到较修正前更高的压缩率”，因此在该进行该步骤时，选择与S105的步骤1中相应的编码方式进行解码）的方式解码成一维的序列。对一维的序列按照Hilbert扫描方式的顺序放入到大小的空矩阵中，得到肿瘤CT影像数据。
根据S105中的步骤1与步骤2完成基于大数据对肿瘤CT影像的数据进行处理的目的。
Claims (10)
1.一种基于大数据的肿瘤CT数据处理方法，其特征在于，包括：
获取肿瘤CT影像；
利用肿瘤CT影像中每个像素点到中心像素点的距离得到肿瘤CT影像中每个像素点的位置重要度；
对每个像素点进行滑窗处理，根据窗口内的所有灰度值及各灰度值的频率，计算每个像素点的纹理重要度；
根据每个像素点的位置重要度和纹理重要度，得到每个像素点的综合重要度；
获取肿瘤CT影像的灰度直方图，并进行直方图平滑处理，得到平滑后的灰度直方图，对平滑后的灰度直方图进行混合高斯拟合，得到多个子高斯模型；
根据肿瘤CT影像所有的灰度值在每个子高斯模型下的概率密度，确定每个灰度值所属的子高斯模型；
利用每个灰度值的重要度以及每个灰度值所属的子高斯模型中的参数，计算每个灰度值的第一重要程度，利用每个灰度值对应的所有像素点的综合重要度，计算每个灰度值的第二重要程度；
将每个灰度值的第一重要程度和第二重要程度之积作为每个灰度值的影响程度；
设置影响程度阈值，获取小于影响程度阈值的灰度值进行升序排序得到置换序列，根据肿瘤CT影像中所有灰度值的影响程度对置换序列中的灰度值依次进行置换；
根据置换结果对肿瘤CT影像中像素点的灰度值进行替换，根据替换后的肿瘤CT影像中的灰度值及其频数，对肿瘤CT影像数据进行压缩得到压缩编码；
根据压缩编码对压缩数据进行解压，并还原为肿瘤CT影像，完成对肿瘤CT数据的处理。
2.根据权利要求1所述的一种基于大数据的肿瘤CT数据处理方法，其特征在于，所述每个像素点的位置重要度的计算方法为：
获取肿瘤CT影像的中心像素点，计算肿瘤CT影像中每个像素点与中心像素点的位置距离，将以中心像素点为圆心，第一阈值为半径的圆形区域以外的区域作为不确定区域；
将位置距离小于等于第一阈值的像素点的位置重要度赋值为1；
对于位置距离大于第一阈值的每个像素点，获取不确定区域中所有像素点到重要区域的距离的方差作为重要度指标，对位置距离大于第一阈值的像素点的位置距离与第一阈值的差值的平方，与二倍重要度指标的商进行负归一化，将负归一化的结果作为位置距离大于第一阈值的每个像素点的位置重要度。
3.根据权利要求1所述的一种基于大数据的肿瘤CT数据处理方法，其特征在于，所述每个像素点的纹理重要度的计算方法为：
设置滑窗大小，以每个像素点为中心像素点进行滑窗处理，获取中心像素点与划窗内其他像素点的灰度值的差值绝对值的均值，对该均值进行归一化处理，并将归一化处理的结果与该中心像素点的灰度值在滑窗内的频率之积作为该中心像素点的纹理重要度；
得到每个像素点的纹理重要度。
4.根据权利要求1所述的一种基于大数据的肿瘤CT数据处理方法，其特征在于，所述确定每个灰度值所属的子高斯模型的方法如下：
获取每个灰度值分别在每个子高斯模型下的概率密度，将概率密度最大的子高斯模型作为该灰度值所属的子高斯模型；
若该灰度值在两个或多个子高斯模型下的概率密度相同且最大，将该灰度值分别与这多个子高斯模型的均值之差的绝对值作为差值特征，获取差值特征最小的子高斯模型作为该灰度值所属的子高斯模型；
确定每个灰度值所属的子高斯模型。
5.根据权利要求1所述的一种基于大数据的肿瘤CT数据处理方法，其特征在于，所述计算每个灰度值的第一重要程度的方法为：
获取每个灰度值以及该灰度值对应的子高斯模型的均值；
若该灰度值与所属子高斯模型的均值相等，则该灰度值的第一重要程度为1；
若该灰度值与所属子高斯模型的均值不相等，对肿瘤CT影像中所有像素点的数量进行归一化处理得到重要程度指标，将该灰度值所属的子高斯模型的均值与所有子高斯模型中的最小均值作为该灰度值的权重，对该灰度值对应的像素点数量和该灰度值的权重之积与肿瘤CT影像中所有像素点的数量的归一化结果的商进行归一化处理，将该归一化结果作为该灰度值的第一重要程度；
计算得到每个灰度值的第一重要程度。
6.根据权利要求1所述的一种基于大数据的肿瘤CT数据处理方法，其特征在于，所述计算每个灰度值的第二重要程度的方法如下：
获取每个灰度值对应的所有像素点的灰度值，将该灰度值对应的所有像素点的灰度值均值作为该灰度值的第二重要程度；
计算得到每个像素点的第二重要程度。
7.根据权利要求1所述的一种基于大数据的肿瘤CT数据处理方法，其特征在于，所述对肿瘤CT影像中像素点的灰度值进行替换的过程为：
设置影响程度阈值，获取影响程度大于零，且小于影响程度阈值的灰度值，将获取的灰度值根据影响程度进行升序排序得到置换序列；
置换方法：将置换序列中的第一个灰度值作为第一灰度值，获取肿瘤CT影像中所有灰度值中，影响程度比第一灰度值的影响程度大，且灰度值与第一灰度值差值最小的灰度值作为第二灰度值，将第二灰度值置换为第一灰度值，并对当前第一灰度值进行删除处理；
对置换后的置换序列根据置换方法进行迭代，直至置换序列中所有的灰度值都完成置换时，停止迭代；
对第一灰度值对应的所有像素点的灰度值替换为第二灰度值，对肿瘤CT影像中所有像素点的灰度值根据置换后的灰度值进行替换。
8.根据权利要求1所述的一种基于大数据的肿瘤CT数据处理方法，其特征在于，所述对压缩数据进行解压，并还原为肿瘤CT影像的过程如下：
获取对肿瘤CT影像进行压缩的游程编码，对游程编码进行解码得到一维序列，将该一维序列利用Hilbert扫描方式的顺序还原至与肿瘤CT影像尺寸相同的空矩阵中，得到还原后的肿瘤CT影像。
9.根据权利要求1所述的一种基于大数据的肿瘤CT数据处理方法，其特征在于，所述滑窗大小设置为5×5。
10.根据权利要求2所述的一种基于大数据的肿瘤CT数据处理方法，其特征在于，所述第一阈值设置为，其中/>、/>为肿瘤CT影像的尺寸。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311174658.XA CN116912246B (zh) | 2023-09-13 | 2023-09-13 | 一种基于大数据的肿瘤ct数据处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311174658.XA CN116912246B (zh) | 2023-09-13 | 2023-09-13 | 一种基于大数据的肿瘤ct数据处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116912246A true CN116912246A (zh) | 2023-10-20 |
| CN116912246B CN116912246B (zh) | 2023-12-29 |
Family
ID=88357011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311174658.XA Active CN116912246B (zh) | 2023-09-13 | 2023-09-13 | 一种基于大数据的肿瘤ct数据处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116912246B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408929A (zh) * | 2023-12-12 | 2024-01-16 | 日照天一生物医疗科技有限公司 | 基于图像特征的肿瘤ct图像区域动态增强方法 |
| CN117542488A (zh) * | 2024-01-10 | 2024-02-09 | 济南宝林信息技术有限公司 | 一种用于脑肿瘤ct数据的智能处理方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101843954A (zh) * | 2009-03-27 | 2010-09-29 | 三菱电机株式会社 | 患者定位系统 |
| US20120275718A1 (en) * | 2011-04-27 | 2012-11-01 | Tetsuya Takamori | Image compression apparatus, image expansion apparatus, and methods and programs thereof |
| CN103067702A (zh) * | 2012-12-06 | 2013-04-24 | 新疆公众信息产业股份有限公司 | 一种用于具有静止画面视频的视频浓缩方法 |
| CN107590818A (zh) * | 2017-09-06 | 2018-01-16 | 华中科技大学 | 一种交互式视频分割方法 |
| CN114972203A (zh) * | 2022-04-29 | 2022-08-30 | 南通市立新机械制造有限公司 | 基于分水岭分割的机械零件轧制异常检测方法 |
| US20220353522A1 (en) * | 2021-04-30 | 2022-11-03 | Tencent America LLC | Content-adaptive online training with scaling factors and/or offsets in neural image compression |
| CN115297288A (zh) * | 2022-09-30 | 2022-11-04 | 汉达科技发展集团有限公司 | 用于驾驶模拟器的监控数据存储方法 |
| CN115294165A (zh) * | 2022-10-10 | 2022-11-04 | 江苏欧罗曼家纺有限公司 | 一种基于机器视觉的纺织品烧毛工艺智能作业方法 |
| CN115527103A (zh) * | 2022-09-02 | 2022-12-27 | 中国人民解放军海军士官学校 | 无人艇感知实验平台系统 |
| CN115631339A (zh) * | 2022-09-02 | 2023-01-20 | 杭州未名信科科技有限公司 | 视觉特征提取方法、装置及电子设备 |
| CN116385438A (zh) * | 2023-06-05 | 2023-07-04 | 济南科汛智能科技有限公司 | 一种核磁共振肿瘤区域提取方法 |
| CN116630358A (zh) * | 2023-07-25 | 2023-08-22 | 潍坊医学院附属医院 | 一种脑部肿瘤ct影像的阈值分割方法 |
-
2023
- 2023-09-13 CN CN202311174658.XA patent/CN116912246B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101843954A (zh) * | 2009-03-27 | 2010-09-29 | 三菱电机株式会社 | 患者定位系统 |
| US20120275718A1 (en) * | 2011-04-27 | 2012-11-01 | Tetsuya Takamori | Image compression apparatus, image expansion apparatus, and methods and programs thereof |
| CN103067702A (zh) * | 2012-12-06 | 2013-04-24 | 新疆公众信息产业股份有限公司 | 一种用于具有静止画面视频的视频浓缩方法 |
| CN107590818A (zh) * | 2017-09-06 | 2018-01-16 | 华中科技大学 | 一种交互式视频分割方法 |
| US20220353522A1 (en) * | 2021-04-30 | 2022-11-03 | Tencent America LLC | Content-adaptive online training with scaling factors and/or offsets in neural image compression |
| CN114972203A (zh) * | 2022-04-29 | 2022-08-30 | 南通市立新机械制造有限公司 | 基于分水岭分割的机械零件轧制异常检测方法 |
| CN115527103A (zh) * | 2022-09-02 | 2022-12-27 | 中国人民解放军海军士官学校 | 无人艇感知实验平台系统 |
| CN115631339A (zh) * | 2022-09-02 | 2023-01-20 | 杭州未名信科科技有限公司 | 视觉特征提取方法、装置及电子设备 |
| CN115297288A (zh) * | 2022-09-30 | 2022-11-04 | 汉达科技发展集团有限公司 | 用于驾驶模拟器的监控数据存储方法 |
| CN115294165A (zh) * | 2022-10-10 | 2022-11-04 | 江苏欧罗曼家纺有限公司 | 一种基于机器视觉的纺织品烧毛工艺智能作业方法 |
| CN116385438A (zh) * | 2023-06-05 | 2023-07-04 | 济南科汛智能科技有限公司 | 一种核磁共振肿瘤区域提取方法 |
| CN116630358A (zh) * | 2023-07-25 | 2023-08-22 | 潍坊医学院附属医院 | 一种脑部肿瘤ct影像的阈值分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| SHENGKAI WANG等: "Discretized Gaussian Mixture Hyperprior for Learned Image Compression with Mask Module", 2022 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO (ICME), pages 1 - 6 * |
| 王景: "音频水印的非线性检测器研究", 中国优秀硕士学位论文全文数据库 信息科技辑, vol. 2012, no. 06, pages 138 - 62 * |
| 陈义光: "基于先验信息的压缩感知图像重建方法研究", 中国优秀硕士学位论文全文数据库 信息科技辑, vol. 2013, no. 12, pages 138 - 1275 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408929A (zh) * | 2023-12-12 | 2024-01-16 | 日照天一生物医疗科技有限公司 | 基于图像特征的肿瘤ct图像区域动态增强方法 |
| CN117408929B (zh) * | 2023-12-12 | 2024-02-09 | 日照天一生物医疗科技有限公司 | 基于图像特征的肿瘤ct图像区域动态增强方法 |
| CN117542488A (zh) * | 2024-01-10 | 2024-02-09 | 济南宝林信息技术有限公司 | 一种用于脑肿瘤ct数据的智能处理方法 |
| CN117542488B (zh) * | 2024-01-10 | 2024-04-12 | 济南宝林信息技术有限公司 | 一种用于脑肿瘤ct数据的智能处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116912246B (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116912246B (zh) | 一种基于大数据的肿瘤ct数据处理方法 | |
| US10547852B2 (en) | Shape-adaptive model-based codec for lossy and lossless compression of images | |
| Huang et al. | Octree-Based Progressive Geometry Coding of Point Clouds. | |
| CN107146222B (zh) | 基于人体解剖结构相似性的医学图像压缩方法 | |
| CN111369574B (zh) | 一种胸腔器官的分割方法及装置 | |
| CN113989407B (zh) | Ct影像中肢体部位识别模型训练方法及系统 | |
| CN114240954B (zh) | 网络模型的训练方法及装置、图像分割方法及装置 | |
| CN114531599B (zh) | 一种用于医疗图像存储的图像压缩方法 | |
| US9979969B2 (en) | Method and system for image compression using image block characteristics | |
| CN117542488B (zh) | 一种用于脑肿瘤ct数据的智能处理方法 | |
| CN117640932B (zh) | 用于远程医疗的神经内科图像压缩传输方法 | |
| CN116777845B (zh) | 基于人工智能的建筑工地安全风险智能评估方法及系统 | |
| CN101477686B (zh) | 基于克隆选择的无监督图像分割方法 | |
| CN117011703A (zh) | 一种输电线路巡检图像去重方法 | |
| CN114820829A (zh) | 一种用于放射影像的智能压缩方法 | |
| CN112258534A (zh) | 一种超声图像中小脑蚓部的定位及分割方法 | |
| CN117579832B (zh) | 一种基于自适应采样和量化的点云属性压缩方法 | |
| CN117668269B (zh) | 基于流形学习的车辆审核信息优化存储方法 | |
| CN117998024B (zh) | 一种心脏辅助检测用超声影像传输方法 | |
| CN116563400B (zh) | 一种小程序图像信息压缩处理方法 | |
| CN115147378B (zh) | 一种ct图像分析提取方法 | |
| KR0161382B1 (ko) | 관심영역이 존재하는 의료영상의 고압축방법 | |
| KR100300955B1 (ko) | 관심영역이존재하는의료영상의압축및복원방법 | |
| CN116363161A (zh) | 一种水泥水化图像多类别分割方法和装置 | |
| CN116228713A (zh) | 一种基于卡通纹理分解的超分辨率重建图像质量评价方法 |
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 |