CN116993764B - 一种胃部ct智能分割提取方法 - Google Patents
一种胃部ct智能分割提取方法 Download PDFInfo
- Publication number
- CN116993764B CN116993764B CN202311243610.XA CN202311243610A CN116993764B CN 116993764 B CN116993764 B CN 116993764B CN 202311243610 A CN202311243610 A CN 202311243610A CN 116993764 B CN116993764 B CN 116993764B
- Authority
- CN
- China
- Prior art keywords
- image
- abdomen
- gray
- gray level
- adjusted
- 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
- 210000002784 stomach Anatomy 0.000 title claims abstract description 54
- 230000011218 segmentation Effects 0.000 title claims abstract description 26
- 238000000605 extraction Methods 0.000 title claims abstract description 19
- 210000001015 abdomen Anatomy 0.000 claims abstract description 149
- 238000000034 method Methods 0.000 claims description 58
- 230000008569 process Effects 0.000 claims description 19
- 230000003187 abdominal effect Effects 0.000 claims description 18
- 238000003708 edge detection Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 abstract description 3
- 210000004051 gastric juice Anatomy 0.000 description 14
- 230000008859 change Effects 0.000 description 7
- 230000002496 gastric effect Effects 0.000 description 6
- 238000003709 image segmentation Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000012895 Gastric disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/30092—Stomach; Gastric
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种胃部CT智能分割提取方法,包括:获取腹部CT灰度图像;根据腹部CT灰度图像的非零像素灰度均值获取腹部CT低灰度图像;对腹部CT低灰度图像进行分块处理,得到所有待调整图像块和非调整图像块;根据待调整图像块的像素灰度高差参数获取高对比度系数和低对比度系数,结合腹部CT低灰度图像的像素灰度高差参数获取调整对比度区间;根据调整对比度区间对所有待调整图像块进行改进,获得改进后的图像块,根据改进后的图像块和非调整图像块得到完整的胃部CT图像。本发明更加有效的分割出完整的胃部CT图像。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种胃部CT智能分割提取方法。
背景技术
胃部CT是一种常用的医学影像技术,可用于诊断和评估胃部疾病。胃部CT图像的准确分割和提取对于医生的诊断和治疗决策至关重要。随着深度学习和计算机视觉的发展,智能图像分割在医学领域取得了显著的进展。利用智能图像分割,可以从胃部CT图像中自动学习特征,并实现准确的分割和提取。
传统的胃部CT图像分割方法通常基于手工设计的特征和阈值来进行分割,但这种方法存在人为主观性、操作复杂、结果依赖于经验等问题。通过传统的阈值分割方法对腹部CT图像进行切割,会因为胃部区域有胃液的影响而导致胃部区域出现分割不完整情况。
发明内容
为了解决上述问题,本发明提供一种胃部CT智能分割提取方法,所述方法包括:
获取腹部CT灰度图像;
获取腹部CT灰度图像的非零像素灰度均值;根据腹部CT灰度图像的非零像素灰度均值获取腹部CT低灰度图像;
获取腹部CT低灰度图像的所有待调整图像块和非调整图像块;获取腹部CT低灰度图像的像素灰度高差参数;获取每个待调整图像块的像素灰度高差参数;根据待调整图像块的像素灰度高差参数获取高对比度系数和低对比度系数;根据高对比度系数、低对比度系数和腹部CT低灰度图像的像素灰度高差参数,获取调整对比度区间;
根据调整对比度区间对所有待调整图像块进行改进,得到所有改进后的图像块;根据所有改进后的图像块和非调整图像块获取完整的胃部区域图像。
优选的,所述获取腹部CT灰度图像的非零像素灰度均值,包括的具体方法为:
将灰度值非零的像素点记为腹部CT灰度图像的非零像素点,则腹部CT灰度图像的非零像素灰度均值的计算表达式为:
式中,表示腹部CT灰度图像的非零像素灰度均值;/>表示腹部CT图中第/>个非零像素点的灰度值;/>表示腹部CT灰度图像的非零像素点总数量。
优选的,所述根据腹部CT灰度图像的非零像素灰度均值获取腹部CT低灰度图像,包括的具体方法为:
对于腹部CT灰度图像中任意一个像素点,若所述像素点的灰度值大于等于腹部CT灰度图像的非零像素灰度均值,则将所述像素点记为第一像素点;同理,获得腹部CT灰度图像中所有第一像素点;在腹部CT灰度图像中,将腹部CT灰度图像中的所有第一像素点的灰度值置为0,得到腹部CT低灰度图像。
优选的,所述获取腹部CT低灰度图像的所有待调整图像块和非调整图像块,包括的具体方法为:
使用大小的滑窗在腹部CT低灰度图像上进行步长为/>的滑窗操作,得到若干个窗口,/>为预设参数,将每个窗口作为一个图像块,进而得到腹部CT低灰度图像的若干个图像块;对于任意一个图像块,若所述图像块内有百分之六十的像素点是灰度值为0的像素点时,则将所述图像块记为非调整图像块;反之则将所述图像块记为待调整图像块,进而获得腹部CT低灰度图像的所有待调整图像块和非调整图像块。
优选的,所述获取腹部CT低灰度图像的像素灰度高差参数的具体公式为:
式中,表示腹部CT低灰度图像的像素灰度高差参数;/>表示腹部CT低灰度图像中第/>个像素点的灰度值;/>表示腹部CT低灰度图像中所有像素点的最大灰度值;/>表示腹部CT低灰度图像中所有像素点总数量。
优选的,所述获取每个待调整图像块的像素灰度高差参数的具体公式为:
式中,表示腹部CT低灰度图像第/>个待调整图像块的像素灰度高差参数;/>表示腹部CT低灰度图像第/>个待调整图像块中坐标位置为/>的像素点灰度值;/>表示低灰度图像第/>个待调整图像块中所有像素点的最大灰度值;/>为预设参数。
优选的,所述根据待调整图像块的像素灰度高差参数获取高对比度系数和低对比度系数的具体公式为:
式中,表示高对比度系数;/>表示低对比度系数;/>表示所有待调整图像块的像素灰度高差参数中的最大值;/>表示所有待调整图像块的像素灰度高差参数中的最小值;/>表示所有待调整图像块的像素灰度高差参数的均值。
优选的,所述根据高对比度系数、低对比度系数和腹部CT低灰度图像的像素灰度高差参数,获取调整对比度区间,包括的具体方法为:
将腹部CT低灰度图像的像素灰度高差参数和低对比度系数/>的乘积/>作为调整对比度区间的左边界,将待调整图像块的对比度大于腹部CT低灰度图像的像素灰度高差参数/>和高对比度系数/>的乘积/>作为调整对比度区间的右边界,进而获得调整对比度区间/>。
优选的,所述根据调整对比度区间对所有待调整图像块进行改进,得到所有改进后的图像块,包括的具体方法为:
对腹部CT低灰度图像的第个待调整图像块进行改进的具体过程为:
式中,表示腹部CT低灰度图像第/>个待调整图像块中坐标位置为/>像素点的改进后灰度值;/>表示腹部CT低灰度图像第/>个待调整图像块中所有像素点的灰度值均值;/>表示腹部CT低灰度图像第/>个待调整图像块中坐标位置为/>像素点的灰度值;表示腹部CT低灰度图像第/>个待调整图像块的像素灰度高差参数;/>表示腹部CT低灰度图像中所有像素点的灰度值均值;/>表示高对比度系数;/>表示低对比度系数;
同理,对腹部CT低灰度图像的所有待调整图像块进行改进,得到所有改进后的图像块。
优选的,所述根据所有改进后的图像块和非调整图像块获取完整的胃部区域图像,包括的具体方法为:
对所有改进后的图像块和所有非调整图像块通过线性差值处理得到调整后的腹部CT图像,对调整后的腹部CT图像进行Canny边缘检测,得到边缘检测后的腹部CT图像,对边缘检测后的腹部CT图像进行连通域检测,得到完整的胃部区域图像。
本发明的技术方案的有益效果是:针对腹部CT图像中因为胃部区域有胃液的影响而导致胃部区域出现分割不完整的问题;本发明通过获取腹部CT低灰度图像;对腹部CT低灰度图像进行分块处理,得到所有待调整图像块和非调整图像块;根据待调整图像块的像素灰度高差参数获取高对比度系数和低对比度系数,结合腹部CT低灰度图像的像素灰度高差参数获取调整对比度区间;根据调整对比度区间对所有待调整图像块进行改进,获得改进后的图像块,根据改进后的图像块和非调整图像块得到完整的胃部CT图像,克服传统方法的局限性,并提高分割结果的准确性和稳定性,进而更加有效的分割出完整的胃部CT图像。
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为本发明一种胃部CT智能分割提取方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种胃部CT智能分割提取方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种胃部CT智能分割提取方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种胃部CT智能分割提取方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取腹部CT灰度图像。
需要说明的是,传统的胃部CT图像分割方法通常基于手工设计的特征和阈值来进行分割,但这种方法存在人为主观性、操作复杂、结果依赖于经验等问题。在通过传统的阈值分割方法对腹部CT图像进行切割时,会因为胃部区域有胃液的影响而导致胃部区域出现分割不完整情况;基于此问题,本发明提出了一种胃部CT智能分割提取方法,旨在克服传统方法的局限性,并更加有效的分割出完整的胃部CT图像。
具体的,为了实现本实施例提出的一种胃部CT智能分割提取方法,首先需要采集腹部CT灰度图像,具体过程为:
通过CT机器获取腹部CT图像,对腹部CT图像进行中值滤波去噪和灰度化操作得到腹部CT灰度图像。其中,中值滤波和灰度化操作为现有技术,此处不做过多赘述;本实施例以获取的腹部CT灰度图像大小为800×800进行叙述。
至此,通过上述方法得到腹部CT灰度图像。
步骤S002:根据腹部CT灰度图像的非零像素灰度均值获取腹部CT低灰度图像。
需要说明的是,根据CT拍摄原理,组织密度越大,原子序数越高,X射线吸收越强,则出现在CT图像中的区域灰度值就越高,在CT图像中的表现形式为白色或浅灰色。相反,组织密度越低,原子序数越低,X射线吸收就越弱,则出现在CT图像中的区域灰度值就越低,在CT图像中的表现形式为黑色或深灰色。由于胃部区域在CT图像的表现形式为黑色,而其他器官在CT图像的表现形式为白色或者浅灰色,所以可以根据初步的灰度值判断,排除一些除胃部区域的器官以及骨头区域,也即当任意一个像素点的灰度值高于腹部CT灰度图像的平均灰度值,那么就说明该像素点极大可能是组成除胃部区域的器官以及骨头区域的像素点。
具体的,将灰度值非零的像素点记为腹部CT灰度图像的非零像素点,则腹部CT灰度图像的非零像素灰度均值的计算表达式为:
式中,表示腹部CT灰度图像的非零像素灰度均值;/>表示腹部CT图中第/>个非零像素点的灰度值;/>表示腹部CT灰度图像的非零像素点总数量。
对于腹部CT灰度图像中任意一个像素点,若所述像素点的灰度值大于等于腹部CT灰度图像的非零像素灰度均值,则将所述像素点记为第一像素点;同理,获得腹部CT灰度图像中所有第一像素点;在腹部CT灰度图像中,将腹部CT灰度图像中的所有第一像素点的灰度值置为0,得到腹部CT低灰度图像。
至此,通过上述方法得到腹部CT低灰度图像。
步骤S003:对腹部CT低灰度图像进行分块处理,得到所有待调整图像块和非调整图像块;根据待调整图像块的像素灰度高差参数获取高对比度系数和低对比度系数,结合腹部CT低灰度图像的像素灰度高差参数获取调整对比度区间。
1.获取腹部CT低灰度图像的所有待调整图像块和非调整图像块。
需要说明的是,腹部CT低灰度图像通常非常大,包含大量的像素点。通过将图像分成多个图像块,可以将复杂的图像处理任务分解为更小的单元,从而提高处理的效率和速度;胃部区域分割不完整的主要原因是因为胃液在胃部底端进行堆积,使得CT拍摄之后的图片在胃部底端区域灰度值与胃壁灰度值接近导致对比度不足,难以检测出胃壁边缘。通过对图像进行分块处理,可以更好地检测和分析局部细节。
预设一个参数,其中本实施例以/>例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,使用预设大小的滑窗在腹部CT低灰度图像上进行步长为/>的滑窗操作,得到若干个窗口,将每个窗口作为一个图像块,进而得到腹部CT低灰度图像的若干个图像块;对于任意一个图像块,若所述图像块内有百分之六十的像素点是灰度值为0的像素点时,则将所述图像块记为非调整图像块;反之则将所述图像块记为待调整图像块,进而获得腹部CT低灰度图像的所有待调整图像块和非调整图像块。
需要说明的是,为了使得滑窗能把腹部CT低灰度图像均匀分成若干个窗口,滑窗的大小设置为腹部CT低灰度图像大小的公因数;由于胃液与胃壁接触区域存在一定的对比度,但是还达不到检测出边缘的程度;而当图像块内有百分之六十的像素点是灰度值为0的像素点时,则说明该图像块可能是对比度过高,已经可以通过常规的边缘检测,得出其边缘,因此不需要对该图像块进行灰度值的削弱处理;而该图像块也有可能为对比度过低,则说明在该图像块不存在细节,因此也不需要对该图像块进行灰度值的改变,所以当图像块内有百分之六十的像素点是灰度值为0的像素点时,则不需要对该图像块进行后续调整。
至此,获得腹部CT低灰度图像的所有待调整图像块和非调整图像块。
2.获取腹部CT低灰度图像的像素灰度高差参数和每个待调整图像块的像素灰度高差参数。
需要说明的是,由于胃液与胃壁接触区域所在的待调整图像块存在一定的对比度,但是对比度不高,所以想要针对性的对待调整图像块进行灰度值的改进,就需要在找到对比度不高的待调整图像块,为了能够更好的找出这些待调整图像块,可以利用所有像素点灰度值于最高灰度值之间的差距来得到高差参数,因为胃液与胃壁之间的差距过小,不容易进行识别,但是经过于最高灰度值像素点之间进行对比之后可以放大这种差距从而更好地进行识别,因此以腹部CT低灰度图像的像素灰度高差参数为基准,结合待调整图像块的像素灰度高差参数,获取符合一定条件的待调整图像块。
具体的,腹部CT低灰度图像的像素灰度高差参数的计算表达式为:
式中,表示腹部CT低灰度图像的像素灰度高差参数;/>表示腹部CT低灰度图像中第/>个像素点的灰度值;/>表示腹部CT低灰度图像中所有像素点的最大灰度值;/>表示腹部CT低灰度图像中所有像素点总数量。
腹部CT低灰度图像的第个待调整图像块的像素灰度高差参数的计算表达式为:
式中,表示腹部CT低灰度图像第/>个待调整图像块的像素灰度高差参数;/>表示腹部CT低灰度图像第/>个待调整图像块中坐标位置为/>的像素点灰度值;/>表示低灰度图像第/>个待调整图像块中所有像素点的最大灰度值;/>为预设参数,表示待调整图像块的边长。
至此,获得腹部CT低灰度图像的像素灰度高差参数和每个待调整图像块的像素灰度高差参数。
3.获取高对比度系数和低对比度系数。
需要说明的是,因为在腹部CT低灰度图像中除了器官边缘地区,其余区域的灰度值比较稳定,并相对于灰度变化比较明显的区域,胃壁与胃液的接触区域灰度变化为不明显,因此需要获取有一定灰度变化但是灰度变化并不明显的待调整图像块,其可以得通过每个待调整图像块中各个像素点与周围最大灰度值像素点之间的对比度来进行筛选,因为在全局来看,胃液区域灰度值与最大灰度值之间存在一定的差异,但是对于每个待调整图像块而言,若该待调整图像块处于胃液区域,则该待调整图像块的像素灰度高差参数就会很小。
因此通过求取每个待调整图像块的像素灰度高差参数来得到腹部CT低灰度图像中各个待调整图像块的对比度,其中,利用最大待调整图像块的像素灰度高差参数与最小待调整图像块的像素灰度高差参数的差值表示出腹部CT低灰度图像对比度之间最大的差异,通过最大的对比度来减去平均对比度的值与对比度之间最大的差异的比值,表示具有较大对比度的待调整图像块在腹部CT低灰度图像占比,同理获取较小对比度的待调整图像块在腹部CT低灰度图像中的区域占比,通过这两种占比可以获取有一定灰度变化但是灰度变化并不明显的范围,也即为高对比度系数和低对比度系数,由于每个待调整图像块中变化剧烈的边缘像素点并不是很多,因此待调整图像块的像素灰度高差参数的均值一定是更偏向于待调整图像块的像素灰度高差参数的最小值。
具体的,高对比度系数和低对比度系数的计算表达式为:
式中,表示高对比度系数;/>表示低对比度系数;/>表示所有待调整图像块的像素灰度高差参数中的最大值;/>表示所有待调整图像块的像素灰度高差参数中的最小值;/>表示所有待调整图像块的像素灰度高差参数的均值。
至此,获得高对比度系数和低对比度系数。
4.获取调整对比度区间。
需要说明的是,由于处于胃液与胃壁的区域的待调整图像块中的对比度过小,而导致无法对其直接进行检测,并且处于胃液与胃壁的区域的待调整图像块的最高灰度值的对比度是小于腹部CT低灰度图像的最高灰度值对比度的。进而当任意一个待调整图像块的对比度小于腹部CT低灰度图像的像素灰度高差参数和低对比度系数的乘积,则说明该待调整图像块的细节很少,没必要对该待调整图像块像素值的灰度值进行改进,而该待调整图像块的对比度大于腹部CT低灰度图像的像素灰度高差参数和高对比度系数的乘积,则说明待调整图像块的对比度已经足够,不需要进行改进,而对于其他情况的待调整图像块,则需要进行改进。
具体的,将腹部CT低灰度图像的像素灰度高差参数和低对比度系数/>的乘积作为调整对比度区间的左边界,将待调整图像块的对比度大于腹部CT低灰度图像的像素灰度高差参数/>和高对比度系数/>的乘积/>作为调整对比度区间的右边界,进而获得调整对比度区间/>。
至此,通过上述方法得到调整对比度区间。
步骤S004:根据调整对比度区间对所有待调整图像块进行改进,获得改进后的图像块,根据改进后的图像块和非调整图像块得到完整的胃部CT图像。
需要说明的是,在获取到调整对比度区间之后,需要对符合条件的待调整图像块的像素点进行灰度值的改变,因为考虑到胃壁上的像素点也可能会在上述的范围内,因此需要通过结合胃壁区域图像的先验知识来进行判断。通过腹部CT低灰度图像可以得知,胃壁区域的灰度值较胃液更高,因此当待调整图像块的像素点的灰度值均值大于腹部CT低灰度图像的平均灰度值则可以判定为是胃壁区域像素点,如果低于平均灰度值则可判断为胃液区域像素点。
具体的,对腹部CT低灰度图像的第个待调整图像块进行改进的具体过程为:
式中,表示腹部CT低灰度图像第/>个待调整图像块中坐标位置为/>像素点的改进后灰度值;/>表示腹部CT低灰度图像第/>个待调整图像块中所有像素点的灰度值均值;/>表示腹部CT低灰度图像第/>个待调整图像块中坐标位置为/>像素点的灰度值;表示腹部CT低灰度图像第/>个待调整图像块的像素灰度高差参数;/>表示腹部CT低灰度图像中所有像素点的灰度值均值;/>表示高对比度系数;/>表示低对比度系数。
同理,对腹部CT低灰度图像的所有待调整图像块进行改进,得到所有改进后的图像块。
至此,获得所有改进后的图像块。
需要说明的是,在对腹部CT低灰度图像进行分块处理后,由于每个图像块的处理是独立的,会在图像块的边界处产生不连续性。这会导致图像的锐利边缘变得模糊或产生不连续的伪影。为了减轻这些不连续性,使用差值运算来进行图像块之间的补偿,以平滑图像块之间的过渡。
具体的,对所有改进后的图像块和所有非调整图像块通过线性差值处理得到调整后的腹部CT图像,对调整后的腹部CT图像进行Canny边缘检测,得到边缘检测后的腹部CT图像,对边缘检测后的腹部CT图像进行连通域检测,得到完整的胃部区域图像;其中,线性差值处理、Canny边缘检测以及连通域检测为现有技术,此处不做过多赘述。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (7)
1.一种胃部CT智能分割提取方法,其特征在于,该方法包括以下步骤:
获取腹部CT灰度图像;
获取腹部CT灰度图像的非零像素灰度均值;根据腹部CT灰度图像的非零像素灰度均值获取腹部CT低灰度图像;
获取腹部CT低灰度图像的所有待调整图像块和非调整图像块;获取腹部CT低灰度图像的像素灰度高差参数;获取每个待调整图像块的像素灰度高差参数;根据待调整图像块的像素灰度高差参数获取高对比度系数和低对比度系数;根据高对比度系数、低对比度系数和腹部CT低灰度图像的像素灰度高差参数,获取调整对比度区间;
根据调整对比度区间对所有待调整图像块进行改进,得到所有改进后的图像块;根据所有改进后的图像块和非调整图像块获取完整的胃部区域图像;
所述根据调整对比度区间对所有待调整图像块进行改进,得到所有改进后的图像块,包括的具体方法为:
对腹部CT低灰度图像的第个待调整图像块进行改进的具体过程为:
式中,表示腹部CT低灰度图像第/>个待调整图像块中坐标位置为/>像素点的改进后灰度值;/>表示腹部CT低灰度图像第/>个待调整图像块中所有像素点的灰度值均值;表示腹部CT低灰度图像第/>个待调整图像块中坐标位置为/>像素点的灰度值;/>表示腹部CT低灰度图像第/>个待调整图像块的像素灰度高差参数;/>表示腹部CT低灰度图像中所有像素点的灰度值均值;/>表示高对比度系数;/>表示低对比度系数;/>是表示腹部CT低灰度图像的像素灰度高差参数;
同理,对腹部CT低灰度图像的所有待调整图像块进行改进,得到所有改进后的图像块;
所述获取腹部CT低灰度图像的像素灰度高差参数的具体公式为:
式中,表示腹部CT低灰度图像的像素灰度高差参数;/>表示腹部CT低灰度图像中第/>个像素点的灰度值;/>表示腹部CT低灰度图像中所有像素点的最大灰度值;/>表示腹部CT低灰度图像中所有像素点总数量;
所述获取每个待调整图像块的像素灰度高差参数的具体公式为:
式中,表示腹部CT低灰度图像第/>个待调整图像块的像素灰度高差参数;/>表示腹部CT低灰度图像第/>个待调整图像块中坐标位置为/>的像素点灰度值;/>表示低灰度图像第/>个待调整图像块中所有像素点的最大灰度值;/>为预设参数。
2.根据权利要求1所述一种胃部CT智能分割提取方法,其特征在于,所述获取腹部CT灰度图像的非零像素灰度均值,包括的具体方法为:
将灰度值非零的像素点记为腹部CT灰度图像的非零像素点,则腹部CT灰度图像的非零像素灰度均值的计算表达式为:
式中,表示腹部CT灰度图像的非零像素灰度均值;/>表示腹部CT图中第/>个非零像素点的灰度值;/>表示腹部CT灰度图像的非零像素点总数量。
3.根据权利要求1所述一种胃部CT智能分割提取方法,其特征在于,所述根据腹部CT灰度图像的非零像素灰度均值获取腹部CT低灰度图像,包括的具体方法为:
对于腹部CT灰度图像中任意一个像素点,若所述像素点的灰度值大于等于腹部CT灰度图像的非零像素灰度均值,则将所述像素点记为第一像素点;同理,获得腹部CT灰度图像中所有第一像素点;在腹部CT灰度图像中,将腹部CT灰度图像中的所有第一像素点的灰度值置为0,得到腹部CT低灰度图像。
4.根据权利要求1所述一种胃部CT智能分割提取方法,其特征在于,所述获取腹部CT低灰度图像的所有待调整图像块和非调整图像块,包括的具体方法为:
使用大小的滑窗在腹部CT低灰度图像上进行步长为/>的滑窗操作,得到若干个窗口,/>为预设参数,将每个窗口作为一个图像块,进而得到腹部CT低灰度图像的若干个图像块;对于任意一个图像块,若所述图像块内有百分之六十的像素点是灰度值为0的像素点时,则将所述图像块记为非调整图像块;反之则将所述图像块记为待调整图像块,进而获得腹部CT低灰度图像的所有待调整图像块和非调整图像块。
5.根据权利要求1所述一种胃部CT智能分割提取方法,其特征在于,所述根据待调整图像块的像素灰度高差参数获取高对比度系数和低对比度系数的具体公式为:
式中,表示高对比度系数;/>表示低对比度系数;/>表示所有待调整图像块的像素灰度高差参数中的最大值;/>表示所有待调整图像块的像素灰度高差参数中的最小值;表示所有待调整图像块的像素灰度高差参数的均值。
6.根据权利要求1所述一种胃部CT智能分割提取方法,其特征在于,所述根据高对比度系数、低对比度系数和腹部CT低灰度图像的像素灰度高差参数,获取调整对比度区间,包括的具体方法为:
将腹部CT低灰度图像的像素灰度高差参数和低对比度系数/>的乘积/>作为调整对比度区间的左边界,将待调整图像块的对比度大于腹部CT低灰度图像的像素灰度高差参数/>和高对比度系数/>的乘积/>作为调整对比度区间的右边界,进而获得调整对比度区间/>。
7.根据权利要求1所述一种胃部CT智能分割提取方法,其特征在于,所述根据所有改进后的图像块和非调整图像块获取完整的胃部区域图像,包括的具体方法为:
对所有改进后的图像块和所有非调整图像块通过线性差值处理得到调整后的腹部CT图像,对调整后的腹部CT图像进行Canny边缘检测,得到边缘检测后的腹部CT图像,对边缘检测后的腹部CT图像进行连通域检测,得到完整的胃部区域图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311243610.XA CN116993764B (zh) | 2023-09-26 | 2023-09-26 | 一种胃部ct智能分割提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311243610.XA CN116993764B (zh) | 2023-09-26 | 2023-09-26 | 一种胃部ct智能分割提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116993764A CN116993764A (zh) | 2023-11-03 |
CN116993764B true CN116993764B (zh) | 2023-12-08 |
Family
ID=88534083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311243610.XA Active CN116993764B (zh) | 2023-09-26 | 2023-09-26 | 一种胃部ct智能分割提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993764B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557587B (zh) * | 2024-01-12 | 2024-03-19 | 南京晨新医疗科技有限公司 | 一种内窥镜冷光源亮度自动调节系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596887A (zh) * | 2018-04-17 | 2018-09-28 | 湖南科技大学 | 一种腹部ct序列图像肝脏肿瘤自动分割方法 |
CN108986114A (zh) * | 2018-07-11 | 2018-12-11 | 中南大学 | 一种基于水平集和形状描述符的腹部ct序列图像肝脏自动分割方法 |
CN109934235A (zh) * | 2019-03-20 | 2019-06-25 | 中南大学 | 一种无监督的腹部ct序列图像多器官同时自动分割方法 |
WO2021250710A1 (en) * | 2020-06-09 | 2021-12-16 | E-Lisa S.R.L. | Method for calculating a severity index in traumatic fractures and corresponding system implementing the method |
CN116721099A (zh) * | 2023-08-09 | 2023-09-08 | 山东奥洛瑞医疗科技有限公司 | 一种基于聚类的肝脏ct影像的图像分割方法 |
-
2023
- 2023-09-26 CN CN202311243610.XA patent/CN116993764B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596887A (zh) * | 2018-04-17 | 2018-09-28 | 湖南科技大学 | 一种腹部ct序列图像肝脏肿瘤自动分割方法 |
CN108986114A (zh) * | 2018-07-11 | 2018-12-11 | 中南大学 | 一种基于水平集和形状描述符的腹部ct序列图像肝脏自动分割方法 |
CN109934235A (zh) * | 2019-03-20 | 2019-06-25 | 中南大学 | 一种无监督的腹部ct序列图像多器官同时自动分割方法 |
WO2021250710A1 (en) * | 2020-06-09 | 2021-12-16 | E-Lisa S.R.L. | Method for calculating a severity index in traumatic fractures and corresponding system implementing the method |
CN116721099A (zh) * | 2023-08-09 | 2023-09-08 | 山东奥洛瑞医疗科技有限公司 | 一种基于聚类的肝脏ct影像的图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116993764A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101576997B (zh) | 基于二次三维区域生长的腹部器官分割方法 | |
CN116152505B (zh) | 基于x光数据的骨骼目标识别分割方法 | |
CN114677391B (zh) | 一种脊椎图像分割方法 | |
CN115345893B (zh) | 基于图像处理的卵巢组织癌变区域分割方法 | |
CN116993764B (zh) | 一种胃部ct智能分割提取方法 | |
JP6853419B2 (ja) | 情報処理装置、情報処理方法、コンピュータプログラム | |
CN106096491B (zh) | 一种眼底彩色照相图像中微动脉瘤自动化识别方法 | |
CN110880177A (zh) | 一种图像识别方法及装置 | |
CN112446880B (zh) | 图像处理方法、电子设备及可读存储介质 | |
CN110910317B (zh) | 一种舌象图像增强方法 | |
CN116703784B (zh) | 一种心脏超声图像视觉增强方法 | |
CN117422628A (zh) | 一种心脏血管超声检查数据优化增强方法 | |
CN111105427B (zh) | 一种基于连通区域分析的肺部图像分割方法及系统 | |
CN112381084B (zh) | 断层图像的轮廓自动识别方法 | |
CN117252825A (zh) | 基于口腔全景片图像的龋齿识别方法和装置 | |
CN106937864B (zh) | 皮肤组织估计方法及应用其的系统 | |
Klinder et al. | Lobar fissure detection using line enhancing filters | |
JP7019104B2 (ja) | 閾値の学習方法 | |
CN113940702A (zh) | 一种甲状腺结节回声分析装置 | |
KR101334029B1 (ko) | 두경부 근육 추출 방법 및 roi분석 방법 | |
CN117237342B (zh) | 一种呼吸康复ct影像智能分析方法 | |
CN117557587B (zh) | 一种内窥镜冷光源亮度自动调节系统 | |
Hou et al. | Research on tumor image segmentation in medical imaging based on extremum adaptive median filtering | |
JP4252744B2 (ja) | 異常陰影検出装置 | |
CN117237245B (zh) | 一种基于人工智能与物联网的工业物料质量监测方法 |
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 |