CN117036310A - 一种dicom影像外围轮廓的识别提取方法 - Google Patents
一种dicom影像外围轮廓的识别提取方法 Download PDFInfo
- Publication number
- CN117036310A CN117036310A CN202311038585.1A CN202311038585A CN117036310A CN 117036310 A CN117036310 A CN 117036310A CN 202311038585 A CN202311038585 A CN 202311038585A CN 117036310 A CN117036310 A CN 117036310A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- dicom image
- dicom
- generate
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 56
- 230000002093 peripheral effect Effects 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 142
- 238000000034 method Methods 0.000 claims abstract description 65
- 238000003708 edge detection Methods 0.000 claims abstract description 34
- 230000009467 reduction Effects 0.000 claims abstract description 33
- 238000003702 image correction Methods 0.000 claims abstract description 32
- 238000010606 normalization Methods 0.000 claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims description 113
- 238000005516 engineering process Methods 0.000 claims description 57
- 238000004364 calculation method Methods 0.000 claims description 52
- 238000004422 calculation algorithm Methods 0.000 claims description 44
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000003707 image sharpening Methods 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 230000001629 suppression Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 14
- 230000005764 inhibitory process Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 9
- 238000007499 fusion processing Methods 0.000 claims description 8
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 23
- 230000008859 change Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 14
- 230000009286 beneficial effect Effects 0.000 description 13
- 238000012937 correction Methods 0.000 description 8
- 238000011282 treatment Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 239000012634 fragment Substances 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及医疗临床技术领域,尤其涉及一种DICOM影像外围轮廓的识别提取方法。所述方法包括以下步骤:用医学影像设备对采集影像目标区域进行目标区域数据采集,生成DICOM影像数据;对DICOM影像数据进行降噪及动态图像校正调整,生成校正DICOM影像;对校正DICOM影像进行影像调整及归一化处理,生成归一化DICOM影像数据;利用卷积神经网络模型对归一化DICOM影像数据进行特征提取处理,生成DICOM影像特征数据;对DICOM影像特征数据进行边缘轮廓提取及边缘检测优化,以生成优化DICOM影像轮廓数据。本发明通过对DICOM影像的外围轮廓实现更精准地识别提取。
Description
技术领域
本发明涉及医疗临床技术领域,尤其涉及一种DICOM影像外围轮廓的识别提取方法。
背景技术
对于DICOM影像外围轮廓的识别提取对于医学图像处理和分析至关重要,它可以帮助自动化、高效地提取和定位医学图像中的感兴趣结构或病变区域,从而辅助医生进行准确的诊断和治疗规划,实现对病人的个性化医疗,促进早期疾病发现和更好的治疗结果。然而,传统的DICOM影像外围轮廓的识别提取方法对于DICOM的影像处理不够好,使得图像清晰度较差,导致外围轮廓提取时导致结果不精准,并且对于DICOM影像的外围轮廓的提取伪劣可能需要主观性进行判断,降低了医护人员工作效率。
发明内容
基于此,本发明提供一种DICOM影像外围轮廓的识别提取方法及系统,以解决至少一个上述技术问题。
为实现上述目的,一种DICOM影像外围轮廓的识别提取方法,包括以下步骤:
步骤S1:获取采集影像目标区域;利用医学影像设备对采集影像目标区域进行目标区域数据采集,生成DICOM影像数据;对DICOM影像数据进行降噪处理,生成降噪DICOM影像数据;
步骤S2:对降噪DICOM影像数据进行动态图像校正调整,生成校正DICOM影像;
步骤S3:对校正DICOM影像进行影像调整及归一化处理,生成归一化DICOM影像数据;
步骤S4:利用卷积神经网络模型对归一化DICOM影像数据进行特征提取处理,生成DICOM影像特征数据;
步骤S5:对DICOM影像特征数据进行边缘轮廓提取处理,生成DICOM影像轮廓数据;利用边缘检测算法对DICOM影像轮廓数据进行边缘检测优化,以生成优化DICOM影像轮廓数据。
本发明从医学影像设备中获取采集影像目标区域,使得关注目标区域的数据,从而减少了后续处理步骤中的噪声和不相关信息,提高了处理效率和准确性。DICOM影像数据往往会受到多种因素的影响,如运动伪影、亮度不均、伽马校正等,采用动态图像校正调整技术,能够有效去除这些影响,使得图像更加准确和清晰,这有助于后续步骤中的特征提取和轮廓识别,提高了识别精度和可靠性。对校正后的DICOM影像进行调整和归一化处理,可以使得影像数据具有一致的尺度和范围,有利于后续的特征提取和边缘检测算法的应用,因为不同尺度和范围的数据可能导致模型训练过程中的不稳定性和性能下降。将卷积神经网络模型应用于归一化DICOM影像数据,可以有效地提取影像中的特征信息,这些特征信息对于轮廓识别非常重要,卷积神经网络在识别局部和全局特征方面表现优异,能够学习到影像中的复杂模式,从而提高轮廓识别的准确性和鲁棒性。对DICOM影像特征数据进行边缘轮廓提取处理,生成DICOM影像轮廓数据,边缘信息代表着影像中目标物体的轮廓,有助于进一步对目标进行分割和分析。对初步提取的DICOM影像轮廓数据进行边缘检测优化,可以去除不必要的噪声和细小的边缘碎片,从而得到更加准确和清晰的DICOM影像轮廓数据,这样的优化有助于后续的医学图像分析,提高了DICOM影像的外围轮廓识别提取的准确性和可信度。因此,本发明的DICOM影像外围轮廓的识别提取方法通过对图像进行去噪等处理,并将DICOM的动态图像经过优化,使得图像清晰度好,从而外围轮廓提取时结果精准,对于DICOM影像的外围轮廓的提取的伪劣通过计算进行判断,提高了医护人员的工作效率。
优选地,步骤S1包括以下步骤:
步骤S11:获取采集影像目标区域;
步骤S12:利用医学影像设备对采集影像目标区域进行目标区域数据采集,生成DICOM影像数据;
步骤S13:对DICOM影像数据进行噪声区域分析,以获取DICOM影像数据的噪声区域;
步骤S14:利用高斯滤波对DICOM影像数据的噪声区域进行降噪处理,以生成降噪DICOM影像数据。
本发明通过获取采集影像目标区域,可以减少后续处理的计算复杂度,提高处理效率,并且避免不必要的数据干扰,使得后续的噪声分析和降噪处理更加针对性和精确。医学影像设备会对所选择的采集影像目标区域进行数据采集,并生成DICOM格式的影像数据,包含了丰富的影像信息和元数据,如患者信息、扫描参数等,这样的数据采集确保了影像数据的一致性和规范性,为后续的处理提供了基础。对DICOM影像数据进行噪声区域分析,即识别和标记影像中存在噪声的区域。噪声区域的准确定位对后续的降噪处理非常重要,避免降噪算法对实际目标区域造成影响,从而保持影像细节和结构的准确性。利用之前标记的噪声区域,针对这些区域应用高斯滤波算法,去除影像数据中的噪声成分。降噪后的DICOM影像数据在保持目标区域信息的同时,减少了噪声的干扰,提高了后续处理的准确性和稳定性。
优选地,步骤S13包括以下步骤:
步骤S131:利用傅里叶变换技术对DICOM影像数据进行频谱图转换,生成DICOM影像数据的频率数据;
步骤S132:利用频率数据噪声异常计算公式对频率数据进行频率数据的异常噪声计算,生成异常噪声强度数据;
步骤S133:根据异常噪声强度数据对频率数据进行异常噪声频率区域提取,生成异常噪声频率区域;
步骤S134:利用逆傅里叶变换技术对异常影像频率数据进行时域数据转换,生成影像异常区域数据;
步骤S135:通过影像异常区域数据将DICOM影像数据进行噪声数据标记,以获取DICOM影像数据的噪声区域。
本发明傅里叶变换是一种将时域信号转换为频域信号的数学方法,将DICOM影像数据进行傅里叶变换,将其转换为频率数据。频率数据展示了影像中各个频率成分的存在情况,有助于后续分析异常噪声的特征和成因。通过特定的频率数据噪声异常计算公式,对前一步中得到的频率数据进行计算,从而得到频率数据的异常噪声强度,异常噪声强度数据表示了影像中的异常噪声水平,可以帮助确定噪声较为集中或显著的频率区域。通过使用异常噪声强度数据,可以从频率数据中提取出异常噪声频率区域,这些区域对应着频率成分中的异常噪声,这一步的目的是定位噪声频率区域,以便在后续的处理中针对性地进行降噪处理,避免对其他频率成分造成干扰。利用逆傅里叶变换技术对异常噪声频率区域进行逆向转换,将其从频域数据转换回时域数据,生成影像异常区域数据,这些异常区域数据对应着影像中被识别为异常噪声的部分,有助于在影像上直观地查看噪声区域。将DICOM影像数据进行标记,以确定噪声存在的区域,得到的噪声区域信息可以直接应用于后续的降噪处理,提高了噪声识别的准确性和效率。
优选地,步骤S132中的频率数据噪声异常计算公式如下所示:
式中,S表示为异常噪声强度数据,T表示为频率数据涉及的时间长度,t表示为信号的时间点,a表示为白噪声信号强度,b表示为频率数据的初始相位,x表示为频率的振幅强度,c表示为频率数据的信号带宽,d表示为频率数据的角频率,θ表示为异常噪声强度数据的异常调整值。
本发明利用一种频率数据噪声异常计算公式,该公式充分考虑了频率数据涉及的时间长度T、信号的时间点t、白噪声信号强度a、频率数据的初始相位b、频率的振幅强度x、频率数据的信号带宽c、频率数据的角频率d以及函数之间的相互作用关系,以形成函数关系式:
即,通过该计算公式可以量化频率数据中哪些频率段为异常频率段,根据异常频率段可以确定该部分为影像的噪点部分。频率数据涉及的时间长度,即信号的时间范围,频率数据涉及的时间长度决定了噪声计算的时间范围,较长的时间长度有助于更全面地分析影像数据的噪声特征;信号的时间点,在计算过程中可能取多个时间点,用于计算不同时间段内的异常噪声强度;白噪声是一种具有均匀功率谱密度的随机信号,其强度用参数a来调节,白噪声信号的加入考虑了DICOM影像数据中可能存在的随机性和随机噪声;频率数据的初始相位,即信号的起始相位角度,相位信息是频率数据的一个重要特征,它能够影响噪声的时域分布,从而影响异常噪声的计算结果;频率的振幅强度用于调节频率数据的振幅大小,频率数据的振幅强度反映了影像中不同频率分量的强度,可能与影像中的目标区域和结构相关;频率数据的信号带宽用于调节频率数据的宽度。信号带宽决定了频率分量的范围和分布情况,影响了异常噪声的频谱特征;频率数据的角频率,即频率在时域上的变化速率,角频率决定了频率数据的周期性和频率分量之间的关系。通过对频率数据中的频率进行量化计算,得到异常频率部分,以此提供了一种客观的方法来衡量影像数据的噪声水平。利用异常噪声强度数据的异常调整值θ对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成异常噪声强度数据S,提高了对频率数据进行频率数据的异常噪声计算的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行调整,应用于不同的频率数据中,提高了算法的灵活性与适用性。
优选地,步骤S2包括以下步骤:
步骤S21:对降噪DICOM影像进行动态DICOM影像提取处理,生成动态影像数据;
步骤S22:对动态影像数据进行动态影像校正处理,生成动态影像校正数据;
步骤S23:根据动态影像校正数据对降噪DICOM影像数据进行DICOM影像校正调整,生成校正DICOM影像。
本发明从经过降噪处理的DICOM影像数据中提取出动态影像数据,DICOM影像中存在因为影像抖动造成的模糊影像,通过提取动态影像数据,可以更好地反映影像中目标区域的动态变化,提高对动态结构或病变的检测和分析能力。动态影像数据在采集过程中可能受到运动或其他因素的影响,导致图像出现偏移、伪影或畸变等问题,对动态影像数据进行动态影像校正处理,可以纠正这些运动和畸变,使得影像数据更加准确和可靠。利用动态影像校正数据对降噪后的DICOM影像数据进行校正调整,以保证影像的准确对齐和形状恢复,通过校正调整后,生成校正DICOM影像,其准确性和清晰度得到提高。
优选地,步骤S22包括以下步骤:
步骤S221:利用图像配准技术对动态影像数据进行动态影像对齐,生成对齐动态影像序列;
步骤S222:利用图像金字塔技术将对齐动态影像序列进行影像融合处理,生成动态影像校正数据。
本发明图像配准是一种将多幅图像进行空间上的对齐的技术,它可以消除由于不同时间点或序列的动态影像采集导致的运动或形变带来的影像不一致性,采用图像配准技术,将动态影像数据进行对齐,使得图像在空间上具有一致的位置和尺度,这样的对齐操作可以消除运动伪影和空间失真,提高后续处理的准确性和可靠性。图像金字塔是一种多尺度图像处理技术,它通过构建多个不同分辨率的图像副本来有效地处理图像,利用图像金字塔技术对已经对齐的动态影像序列进行影像融合处理,影像融合是将多个图像信息合并为一个新的图像,以获得更丰富、更准确的信息,通过融合处理进一步提高动态影像的清晰度、对比度和细节展示,增强影像特征,为后续的校正和处理提供更好的基础。
优选地,步骤S3包括以下步骤:
步骤S31:对校正DICOM影像数据进行影像强度标准化调整,生成标准DICOM影像数据;
步骤S32:利用DICOM影像锐化算法对标准DICOM影像数据进行影像锐化处理,生成锐化DICOM影像数据;
步骤S33:对锐化DICOM影像数据进行影像数据归一化处理,生成归一化DICOM影像数据。
本发明对经过校正处理的DICOM影像数据进行影像强度标准化调整,影像强度标准化是一种常用的预处理方法,它将图像的像素值映射到一个标准范围内,使得不同图像之间的像素值具有一致的尺度,这样的标准化操作可以消除图像之间的亮度差异,使得后续处理更具稳定性和可比性。采用DICOM影像锐化算法对标准DICOM影像数据进行处理,影像锐化是一种增强图像细节和边缘的技术,通过突出像素值的变化来增强图像的清晰度和对比度,这样的锐化处理有助于突出影像中的结构和特征,提高后续处理的准确性和敏感性。对经过锐化处理的DICOM影像数据进行影像数据归一化处理,数据归一化是将图像的像素值调整到一个固定的范围,通常是0到1之间,这样的归一化操作可以使得影像数据具有一致的尺度和范围,有利于后续的特征提取和轮廓识别等处理,归一化也有助于避免数据在计算过程中出现数值过大或过小的问题,提高算法的稳定性和收敛速度。
优选地,步骤S32中的DICOM影像锐化算法如下所示:
式中,Iout(x,y)表示为锐化DICOM影像的像素值,x表示为DICOM影像的横坐标,y表示为DICOM影像的纵坐标,Iin(x,y)表示为标准DICOM影像的像素值,K表示为标准DICOM影像的纹理信息,β表示为标准DICOM影像的对比度调整值,γ表示为标准DICOM影像的灰度值分布数据,表示为锐化强度权重信息,τ表示为锐化DICOM影像的像素值的异常调整值。
本发明利用一种DICOM影像锐化算法,该算法充分考虑了DICOM影像的横坐标x、DICOM影像的纵坐标y、标准DICOM影像的像素值Iin(x,y)、标准DICOM影像的纹理信息K、标准DICOM影像的对比度调整值β、标准DICOM影像的灰度值分布数据γ、锐化强度权重信息以及函数之间的相互作用关系,以形成函数关系式:
即,该计算公式通过计算增强DICOM影像中的边缘和细节,使得影像更加清晰和具有良好的视觉效果。DICOM影像的横坐标和纵坐标用于表示影像中的像素位置,这些坐标用于计算锐化DICOM影像的每个像素值;标准DICOM影像的像素值是原始DICOM影像中的像素值,是待锐化的影像数据;标准DICOM影像的纹理信息,纹理信息描述了影像中的细节和结构特征,该参数用于调节锐化的强度,使得锐化仅在纹理丰富的区域进行,避免过度增强平滑区域;标准DICOM影像的对比度调整值,对比度是影像中灰度值间的差异程度,用于调整锐化后影像的对比度,使得影像更具视觉吸引力和辨识度;标准DICOM影像的灰度值分布数据用于描述影像中灰度值的分布情况,有助于优化锐化效果,使得锐化后的影像在灰度层次上更加丰富;锐化强度权重信息用于调节锐化的强度,控制锐化的程度。通过对标准DICOM影像进行锐化处理,该方法能够增强影像中的边缘和纹理特征,使得结构和细节更加清晰可见,增强影像的边缘和细节,使得影像更加清晰和具有良好的视觉效果,锐化后的DICOM影像具有更高的对比度和更丰富的灰度层次,有助于医学影像专业人员更准确地分析影像数据。利用锐化DICOM影像的像素值的异常调整值τ对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地锐化DICOM影像的像素值Iout(x,y),提高了对标准DICOM影像数据进行影像锐化处理的准确性和可靠性。同时该公式中的权重信息以及调整值可以根据实际情况进行调整,应用于不同的标准DICOM影像数据中,提高了算法的灵活性与适用性。
优选地,步骤S4包括以下步骤:
步骤S41:利用卷积神经网络模型对归一化DICOM影像数据进行影像卷积操作,生成卷积影像数据;
步骤S42:利用卷积神经网络模型的ReLU激活函数对卷积影像数据进行激活函数处理,生成激活影像数据;
步骤S43:利用卷积神经网络模型的深度卷积核对激活影像数据进行深度卷积处理,生成深度卷积影像数据;
步骤S44:利用卷积神经网络模型的点卷积核对深度卷积影像数据进行点卷积处理,生成深度可分离卷积影像数据;
步骤S45:利用加权平均法对深度可分离卷积影像数据进行灰度影像转换,生成灰度卷积影像数据;
步骤S46:利用主成分分析法对灰度卷积影像数据进行DICOM影像特征提取,生成DICOM影像特征数据。
本发明采用卷积神经网络模型,对归一化的DICOM影像数据进行卷积操作,卷积操作是卷积神经网络模型中最核心的操作,通过滑动卷积核在图像上提取局部特征,生成卷积影像数据,这样的操作能够捕捉影像中的低级特征,如边缘、纹理等。对卷积影像数据应用ReLU(Rectified Linear Unit)激活函数,ReLU激活函数可以增加网络的非线性表达能力,将负值变为零,保留正值,这样的操作使得神经网络能够更好地学习非线性特征,提高特征提取的效率和表现力。利用卷积神经网络模型的深度卷积核对激活影像数据进行深度卷积操作,深度卷积核是指在某一层网络中,卷积核的通道数大于1,从而能够提取更多的特征,这样的深度卷积操作有助于提取更丰富和抽象的特征信息,进一步提高特征的表达能力和区分度。利用卷积神经网络模型的点卷积核对深度卷积影像数据进行点卷积操作,深度可分离卷积是一种高效的卷积操作,它将卷积操作拆分为深度卷积和点卷积两个步骤,从而减少计算量和参数数量,提高运算速度,这样的操作有助于在保持特征表达能力的同时,降低计算成本和内存消耗。采用加权平均法对深度可分离卷积影像数据进行灰度影像转换,加权平均法是一种将多个通道的特征图进行加权平均的方法,得到单通道的灰度特征图,这样的转换有助于减少数据维度,提取出对于轮廓和边缘特征较为敏感的灰度特征,为后续的特征提取和轮廓识别提供更加鲁棒的数据基础。主成分分析是一种常用的降维技术,它可以将高维数据转换为低维空间,并保留最重要的特征信息,利用主成分分析对灰度卷积影像数据进行降维处理,提取DICOM影像的主要特征,这样的特征提取有助于从复杂的影像数据中提取出最具代表性和区分性的特征,为后续的轮廓提取和分析提供更有意义的数据基础。
优选地,步骤S5包括以下步骤:
步骤S51:对DICOM影像特征数据进行方向上的影像像素的梯度计算处理,生成DICOM影像梯度数据;
步骤S52:利用非极大值抑制技术对DICOM影像梯度数据进行非边缘区域抑制处理,生成DICOM影像抑制数据;
步骤S53:利用双阈值检测技术进行DICOM影像抑制数据进行影像数据的边缘区域与非边缘区域划分,以提取DICOM影像轮廓数据;
步骤S54:利用边缘检测算法对DICOM影像轮廓数据进行边缘检测优化,以生成优化DICOM影像轮廓数据。
本发明对DICOM影像特征数据进行梯度计算,梯度是指像素值在图像中的变化率,它能够反映像素值在不同方向上的变化情况,从而帮助定位图像中的边缘和轮廓,通过计算梯度,可以得到DICOM影像中各个像素点在方向上的变化幅度和方向信息。采用非极大值抑制技术对DICOM影像梯度数据进行处理,非极大值抑制是一种常用的边缘细化算法,它能够筛选出边缘像素,去除非边缘区域,从而使得边缘线条更加细化和明显。采用双阈值检测技术对经过抑制处理的DICOM影像数据进行处理,双阈值检测是一种根据像素值大小划分边缘和非边缘区域的方法,通过设置两个阈值,将像素值分为高阈值边缘、低阈值边缘和非边缘区域,从而提取DICOM影像中的轮廓数据。利用边缘检测算法对经过划分的DICOM影像轮廓数据进行优化处理,边缘检测算法能够进一步增强和细化影像中的边缘信息,使得轮廓更加清晰和准确,通过边缘检测优化,最终生成优化后的DICOM影像轮廓数据,该数据包含了影像中目标区域的轮廓信息。
本申请有益效果在于,本发明利用傅里叶变换技术和高斯滤波等方法,对DICOM影像数据进行噪声分析和去除,有效地提高了DICOM影像数据的质量和可信度,去除了影响识别的干扰因素,为后续处理提供了干净、优化的影像数据。采用图像配准技术和图像金字塔处理,对动态DICOM影像数据进行校正和对齐,能够消除影像中由于运动或姿态变化导致的畸变,使得影像在时序上更加连续和一致,有助于准确地定位目标区域和轮廓。通过卷积神经网络模型,从归一化DICOM影像数据中提取丰富的抽象特征,这样的特征提取过程能够有效地捕捉影像中的结构和纹理信息,增强了特征的区分性和表达能力,有利于后续轮廓提取的精确性和稳定性。通过梯度计算、非极大值抑制、双阈值检测和边缘检测等多重处理,成功地从DICOM影像数据中提取出外围轮廓信息,能够有效地将轮廓和边缘特征从影像中准确地抽取出来,并进行优化处理,使得轮廓信息更加清晰、准确和连续,有助于后续医学影像分析和诊断的可靠性和准确性。通过对影像数据的细致处理和特征提取,有效地提高了医学影像的质量和信息丰富程度,使得对影像可以更精确的提取出外围轮廓区域。
附图说明
图1为本发明供一种DICOM影像外围轮廓的识别提取方法的步骤流程示意图;
图2为图1中步骤S1的详细实施步骤流程示意图;
图3为图2中步骤S13的详细实施步骤流程示意图;
图4为图1中步骤S4的详细实施步骤流程示意图;
图5为图1中步骤S5的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图5,本发明提供一种DICOM影像外围轮廓的识别提取方法,包括以下步骤:
步骤S1:获取采集影像目标区域;利用医学影像设备对采集影像目标区域进行目标区域数据采集,生成DICOM影像数据;对DICOM影像数据进行降噪处理,生成降噪DICOM影像数据;
步骤S2:对降噪DICOM影像数据进行动态图像校正调整,生成校正DICOM影像;
步骤S3:对校正DICOM影像进行影像调整及归一化处理,生成归一化DICOM影像数据;
步骤S4:利用卷积神经网络模型对归一化DICOM影像数据进行特征提取处理,生成DICOM影像特征数据;
步骤S5:对DICOM影像特征数据进行边缘轮廓提取处理,生成DICOM影像轮廓数据;利用边缘检测算法对DICOM影像轮廓数据进行边缘检测优化,以生成优化DICOM影像轮廓数据。
本发明从医学影像设备中获取采集影像目标区域,使得关注目标区域的数据,从而减少了后续处理步骤中的噪声和不相关信息,提高了处理效率和准确性。DICOM影像数据往往会受到多种因素的影响,如运动伪影、亮度不均、伽马校正等,采用动态图像校正调整技术,能够有效去除这些影响,使得图像更加准确和清晰,这有助于后续步骤中的特征提取和轮廓识别,提高了识别精度和可靠性。对校正后的DICOM影像进行调整和归一化处理,可以使得影像数据具有一致的尺度和范围,有利于后续的特征提取和边缘检测算法的应用,因为不同尺度和范围的数据可能导致模型训练过程中的不稳定性和性能下降。将卷积神经网络模型应用于归一化DICOM影像数据,可以有效地提取影像中的特征信息,这些特征信息对于轮廓识别非常重要,卷积神经网络在识别局部和全局特征方面表现优异,能够学习到影像中的复杂模式,从而提高轮廓识别的准确性和鲁棒性。对DICOM影像特征数据进行边缘轮廓提取处理,生成DICOM影像轮廓数据,边缘信息代表着影像中目标物体的轮廓,有助于进一步对目标进行分割和分析。对初步提取的DICOM影像轮廓数据进行边缘检测优化,可以去除不必要的噪声和细小的边缘碎片,从而得到更加准确和清晰的DICOM影像轮廓数据,这样的优化有助于后续的医学图像分析,提高了DICOM影像的外围轮廓识别提取的准确性和可信度。因此,本发明的DICOM影像外围轮廓的识别提取方法通过对图像进行去噪等处理,并将DICOM的动态图像经过优化,使得图像清晰度好,从而外围轮廓提取时结果精准,对于DICOM影像的外围轮廓的提取的伪劣通过计算进行判断,提高了医护人员的工作效率。
本发明实施例中,参考图1所述,为本发明一种DICOM影像外围轮廓的识别提取方法的步骤流程示意图,在本实施例中,所述DICOM影像外围轮廓的识别提取方法包括以下步骤:
步骤S1:获取采集影像目标区域;利用医学影像设备对采集影像目标区域进行目标区域数据采集,生成DICOM影像数据;对DICOM影像数据进行降噪处理,生成降噪DICOM影像数据;
本发明实施例中,获取采集影像目标区域为患者胸部区域,使用一台医学影像设备,如MRI扫描仪,对患者的胸部进行影像采集,将设备定位在患者的胸部,并选择胸部作为采集影像的目标区域。通过扫描仪对头部进行数据采集,生成DICOM影像数据。在采集过程中,由于电磁干扰或其他因素,DICOM影像数据可能包含一些噪声,需要对DICOM影像数据进行降噪处理,可以将转化为频谱图,然后对频谱图中的异常频率标记为噪声区域,再利用高斯滤波对噪声区域进行降噪处理,去除其中的噪声,得到降噪DICOM影像数据。
步骤S2:对降噪DICOM影像数据进行动态图像校正调整,生成校正DICOM影像;
本发明实施例中,由于设备运动或患者呼吸等原因,图像可能存在一些畸变,为了校正这些畸变,我们可以采用图像配准技术,对降噪DICOM影像数据进行动态图像校正调整,通过对影像进行平移、旋转或缩放等变换,使得图像中的结构更加准确地对齐,生成校正DICOM影像。
步骤S3:对校正DICOM影像进行影像调整及归一化处理,生成归一化DICOM影像数据;
本发明实施例中,校正DICOM影像可能存在一定的亮度和对比度问题,为了使得影像的强度范围在合理区间内,我们进行影像调整及归一化处理,对校正DICOM影像进行调整,增强影像的对比度,对影像数据进行归一化处理,将像素值缩放到0到1的范围内,得到归一化DICOM影像数据。
步骤S4:利用卷积神经网络模型对归一化DICOM影像数据进行特征提取处理,生成DICOM影像特征数据;
本发明实施例中,利用预先训练好的卷积神经网络模型进行特征提取处理,卷积神经网络可以有效地捕捉图像中的特征信息,例如边缘、纹理和形状等,将归一化DICOM影像数据输入卷积神经网络中,经过卷积操作和激活函数处理,得到DICOM影像特征数据。
步骤S5:对DICOM影像特征数据进行边缘轮廓提取处理,生成DICOM影像轮廓数据;利用边缘检测算法对DICOM影像轮廓数据进行边缘检测优化,以生成优化DICOM影像轮廓数据。
本发明实施例中,对于DICOM影像特征数据,我们进行边缘轮廓提取处理,对DICOM影像特征数据的边缘轮廓进行计算区分,以得到DICOM影像的外围轮廓,对其进行提取后,生成DICOM影像轮廓数据。然而,提取的外围轮廓可能存在生一些细碎的边缘碎片,利用边缘检测算法对DICOM影像轮廓数据进行边缘检测优化,以生成优化DICOM影像轮廓数据。
优选地,步骤S1包括以下步骤:
步骤S11:获取采集影像目标区域;
步骤S12:利用医学影像设备对采集影像目标区域进行目标区域数据采集,生成DICOM影像数据;
步骤S13:对DICOM影像数据进行噪声区域分析,以获取DICOM影像数据的噪声区域;
步骤S14:利用高斯滤波对DICOM影像数据的噪声区域进行降噪处理,以生成降噪DICOM影像数据。
本发明通过获取采集影像目标区域,可以减少后续处理的计算复杂度,提高处理效率,并且避免不必要的数据干扰,使得后续的噪声分析和降噪处理更加针对性和精确。医学影像设备会对所选择的采集影像目标区域进行数据采集,并生成DICOM格式的影像数据,包含了丰富的影像信息和元数据,如患者信息、扫描参数等,这样的数据采集确保了影像数据的一致性和规范性,为后续的处理提供了基础。对DICOM影像数据进行噪声区域分析,即识别和标记影像中存在噪声的区域。噪声区域的准确定位对后续的降噪处理非常重要,避免降噪算法对实际目标区域造成影响,从而保持影像细节和结构的准确性。利用之前标记的噪声区域,针对这些区域应用高斯滤波算法,去除影像数据中的噪声成分。降噪后的DICOM影像数据在保持目标区域信息的同时,减少了噪声的干扰,提高了后续处理的准确性和稳定性。
作为本发明的一个实例,参考图2所示,为图1中步骤S1的详细实施步骤流程示意图,在本实例中所述步骤S1包括:
步骤S11:获取采集影像目标区域;
本发明实施例中,获取采集影像的目标区域,确定采集影像目标区域即为患者的胸部,我们通过将患者定位在X射线设备上,并调整设备的位置和角度,确保X射线束能够准确照射到胸部。
步骤S12:利用医学影像设备对采集影像目标区域进行目标区域数据采集,生成DICOM影像数据;
本发明实施例中,使用X射线设备对患者的胸部进行数据采集。X射线设备会向患者的胸部发射X射线束,X射线束经过患者的体部后,被感光设备接收并转化为数字信号,形成DICOM影像数据,这些数据包含了患者胸部的X射线影像信息,用于后续的处理和分析。
步骤S13:对DICOM影像数据进行噪声区域分析,以获取DICOM影像数据的噪声区域;
本发明实施例中,对采集到的DICOM影像数据进行噪声区域分析,噪声是由于外界干扰、设备本身特性或其他因素引起的随机性信号波动,通过分析DICOM影像数据识别其中的噪声区域,这些区域可能在后续处理中引起影像的不稳定或低质量。
步骤S14:利用高斯滤波对DICOM影像数据的噪声区域进行降噪处理,以生成降噪DICOM影像数据。
本发明实施例中,采用高斯滤波技术对DICOM影像数据中的噪声区域进行降噪处理,高斯滤波是一种线性平滑滤波器,通过在影像中应用高斯核函数来模糊噪声,并保留影像的结构特征,在降噪过程中,高斯滤波器会对噪声区域进行平滑处理,从而减少噪声的影响,得到降噪DICOM影像数据。
优选地,步骤S13包括以下步骤:
步骤S131:利用傅里叶变换技术对DICOM影像数据进行频谱图转换,生成DICOM影像数据的频率数据;
步骤S132:利用频率数据噪声异常计算公式对频率数据进行频率数据的异常噪声计算,生成异常噪声强度数据;
步骤S133:根据异常噪声强度数据对频率数据进行异常噪声频率区域提取,生成异常噪声频率区域;
步骤S134:利用逆傅里叶变换技术对异常影像频率数据进行时域数据转换,生成影像异常区域数据;
步骤S135:通过影像异常区域数据将DICOM影像数据进行噪声数据标记,以获取DICOM影像数据的噪声区域。
本发明傅里叶变换是一种将时域信号转换为频域信号的数学方法,将DICOM影像数据进行傅里叶变换,将其转换为频率数据。频率数据展示了影像中各个频率成分的存在情况,有助于后续分析异常噪声的特征和成因。通过特定的频率数据噪声异常计算公式,对前一步中得到的频率数据进行计算,从而得到频率数据的异常噪声强度,异常噪声强度数据表示了影像中的异常噪声水平,可以帮助确定噪声较为集中或显著的频率区域。通过使用异常噪声强度数据,可以从频率数据中提取出异常噪声频率区域,这些区域对应着频率成分中的异常噪声,这一步的目的是定位噪声频率区域,以便在后续的处理中针对性地进行降噪处理,避免对其他频率成分造成干扰。利用逆傅里叶变换技术对异常噪声频率区域进行逆向转换,将其从频域数据转换回时域数据,生成影像异常区域数据,这些异常区域数据对应着影像中被识别为异常噪声的部分,有助于在影像上直观地查看噪声区域。将DICOM影像数据进行标记,以确定噪声存在的区域,得到的噪声区域信息可以直接应用于后续的降噪处理,提高了噪声识别的准确性和效率。
作为本发明的一个实例,参考图3所示,为图2中步骤S13的详细实施步骤流程示意图,在本实例中所述步骤S13包括:
步骤S131:利用傅里叶变换技术对DICOM影像数据进行频谱图转换,生成DICOM影像数据的频率数据;
本发明实施例中,通过傅里叶变换技术对DICOM影像数据进行频谱图转换,从而获得DICOM影像数据的频率信息,将DICOM影像数据视为一个二维空间中的信号,利用傅里叶变换将其转换到频域,得到频谱图,频谱图显示了不同频率的成分在影像中的贡献程度。
步骤S132:利用频率数据噪声异常计算公式对频率数据进行频率数据的异常噪声计算,生成异常噪声强度数据;
本发明实施例中,利用频率数据噪声异常计算公式对频率数据进行异常噪声计算,以获得异常噪声强度数据,这个计算公式是由多个参数组成的复杂表达式,其中包含了信号的时间点、频率的振幅强度、信号带宽等信息,通过对频率数据进行计算,我们可以得到每个频率成分对应的异常噪声强度,这些强度值反映了在频域中的异常噪声分布情况。
步骤S133:根据异常噪声强度数据对频率数据进行异常噪声频率区域提取,生成异常噪声频率区域;
本发明实施例中,根据异常噪声强度数据对频率数据进行异常噪声频率区域提取,得到异常噪声频率区域。在频域中,异常噪声频率区域对应着影像中受到噪声影响较大的频率成分。通过预设的频率异常噪声阈值对异常噪声强度数据进行阈值判定,当异常噪声强度数据大于频率异常噪声阈值时,对异常噪声强度数据对应的频率数据标记为异常噪声频率区域;当异常噪声强度数据不大于频率异常噪声阈值时,对异常噪声强度数据对应的频率数据不进行相应处理,以此获得异常噪声频率区域,通过提取这些异常噪声频率区域,我们可以准确定位影像中存在噪声的部分。
步骤S134:利用逆傅里叶变换技术对异常影像频率数据进行时域数据转换,生成影像异常区域数据;
本发明实施例中,利用逆傅里叶变换技术对异常影像频率数据进行时域数据转换,得到影像异常区域数据,逆傅里叶变换将频谱图从频域转换回时域,从而恢复出异常影像区域在空间上的分布,这些异常区域可能对应着影像中的噪声、伪影或其他异常现象。
步骤S135:通过影像异常区域数据将DICOM影像数据进行噪声数据标记,以获取DICOM影像数据的噪声区域。
本发明实施例中,通过影像异常区域数据将DICOM影像数据进行噪声数据标记,以获取DICOM影像数据的噪声区域,将DICOM影像数据对应的异常区域的像素值标记为噪声,并将其与原始DICOM影像数据进行对比,得到噪声区域的位置和大小。
优选地,步骤S132中的频率数据噪声异常计算公式如下所示:
式中,S表示为异常噪声强度数据,T表示为频率数据涉及的时间长度,t表示为信号的时间点,a表示为白噪声信号强度,b表示为频率数据的初始相位,x表示为频率的振幅强度,c表示为频率数据的信号带宽,d表示为频率数据的角频率,θ表示为异常噪声强度数据的异常调整值。
本发明利用一种频率数据噪声异常计算公式,该公式充分考虑了频率数据涉及的时间长度T、信号的时间点t、白噪声信号强度a、频率数据的初始相位b、频率的振幅强度x、频率数据的信号带宽c、频率数据的角频率d以及函数之间的相互作用关系,以形成函数关系式:
即,通过该计算公式可以量化频率数据中哪些频率段为异常频率段,根据异常频率段可以确定该部分为影像的噪点部分。频率数据涉及的时间长度,即信号的时间范围,频率数据涉及的时间长度决定了噪声计算的时间范围,较长的时间长度有助于更全面地分析影像数据的噪声特征;信号的时间点,在计算过程中可能取多个时间点,用于计算不同时间段内的异常噪声强度;白噪声是一种具有均匀功率谱密度的随机信号,其强度用参数a来调节,白噪声信号的加入考虑了DICOM影像数据中可能存在的随机性和随机噪声;频率数据的初始相位,即信号的起始相位角度,相位信息是频率数据的一个重要特征,它能够影响噪声的时域分布,从而影响异常噪声的计算结果;频率的振幅强度用于调节频率数据的振幅大小,频率数据的振幅强度反映了影像中不同频率分量的强度,可能与影像中的目标区域和结构相关;频率数据的信号带宽用于调节频率数据的宽度。信号带宽决定了频率分量的范围和分布情况,影响了异常噪声的频谱特征;频率数据的角频率,即频率在时域上的变化速率,角频率决定了频率数据的周期性和频率分量之间的关系。通过对频率数据中的频率进行量化计算,得到异常频率部分,以此提供了一种客观的方法来衡量影像数据的噪声水平。利用异常噪声强度数据的异常调整值θ对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成异常噪声强度数据S,提高了对频率数据进行频率数据的异常噪声计算的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行调整,应用于不同的频率数据中,提高了算法的灵活性与适用性。
优选地,步骤S2包括以下步骤:
步骤S21:对降噪DICOM影像进行动态DICOM影像提取处理,生成动态影像数据;
步骤S22:对动态影像数据进行动态影像校正处理,生成动态影像校正数据;
步骤S23:根据动态影像校正数据对降噪DICOM影像数据进行DICOM影像校正调整,生成校正DICOM影像。
本发明从经过降噪处理的DICOM影像数据中提取出动态影像数据,DICOM影像中存在因为影像抖动造成的模糊影像,通过提取动态影像数据,可以更好地反映影像中目标区域的动态变化,提高对动态结构或病变的检测和分析能力。动态影像数据在采集过程中可能受到运动或其他因素的影响,导致图像出现偏移、伪影或畸变等问题,对动态影像数据进行动态影像校正处理,可以纠正这些运动和畸变,使得影像数据更加准确和可靠。利用动态影像校正数据对降噪后的DICOM影像数据进行校正调整,以保证影像的准确对齐和形状恢复,通过校正调整后,生成校正DICOM影像,其准确性和清晰度得到提高。
本发明实施例中,从降噪DICOM影像中提取动态影像数据,动态影像是指随着时间变化而产生的影像序列,比如随着患者呼吸、心跳等生理活动的变化而产生的影像序列,通过提取动态影像数据捕捉到患者体部的运动和变化,这对于后续的校正和处理非常重要。对动态影像数据进行动态影像校正处理,用于对动态影像序列中的每一帧进行调整和校正,以纠正由于患者运动和呼吸等因素引起的影像模糊和失真,通过动态影像校正,使影像序列中的每一帧更加清晰和准确,从而提高影像的质量和诊断准确性。根据动态影像校正数据对降噪DICOM影像数据进行DICOM影像校正调整,从而得到校正DICOM影像,对影像进行微调和校正,以优化影像的对比度、亮度和分辨率等参数,使影像更加适合后续的特征提取和边缘轮廓识别,通过校正DICOM影像,我们可以进一步提高影像的质量,使得后续的处理步骤更加精确和可靠。
优选地,步骤S22包括以下步骤:
步骤S221:利用图像配准技术对动态影像数据进行动态影像对齐,生成对齐动态影像序列;
步骤S222:利用图像金字塔技术将对齐动态影像序列进行影像融合处理,生成动态影像校正数据。
本发明图像配准是一种将多幅图像进行空间上的对齐的技术,它可以消除由于不同时间点或序列的动态影像采集导致的运动或形变带来的影像不一致性,采用图像配准技术,将动态影像数据进行对齐,使得图像在空间上具有一致的位置和尺度,这样的对齐操作可以消除运动伪影和空间失真,提高后续处理的准确性和可靠性。图像金字塔是一种多尺度图像处理技术,它通过构建多个不同分辨率的图像副本来有效地处理图像,利用图像金字塔技术对已经对齐的动态影像序列进行影像融合处理,影像融合是将多个图像信息合并为一个新的图像,以获得更丰富、更准确的信息,通过融合处理进一步提高动态影像的清晰度、对比度和细节展示,增强影像特征,为后续的校正和处理提供更好的基础。
本发明实施例中,使用图像配准技术对动态影像数据进行对齐,图像配准是一种图像处理技术,用于将多个影像序列中的各个帧或图像进行空间上的对齐,使得它们在相同的坐标系下具有一致的空间位置,通过图像配准,纠正由于影像相应部位的运动或拍摄角度等因素引起的影像位置偏移,从而消除影像序列中的运动伪影和位置错位,得到一组对齐的动态影像序列。使用图像金字塔技术对对齐的动态影像序列进行影像融合处理,图像金字塔是一种多尺度图像表示方法,它将原始图像分解为多个不同分辨率的图像,从粗糙到细致,通过图像金字塔在不同尺度上对影像进行处理和融合,从而提取出影像的细节和结构信息,在动态影像校正中,图像金字塔技术可以帮助我们在保持影像细节的同时消除影像中的噪声和伪影,从而得到更清晰和准确的动态影像校正数据。
优选地,步骤S3包括以下步骤:
步骤S31:对校正DICOM影像数据进行影像强度标准化调整,生成标准DICOM影像数据;
步骤S32:利用DICOM影像锐化算法对标准DICOM影像数据进行影像锐化处理,生成锐化DICOM影像数据;
步骤S33:对锐化DICOM影像数据进行影像数据归一化处理,生成归一化DICOM影像数据。
本发明对经过校正处理的DICOM影像数据进行影像强度标准化调整,影像强度标准化是一种常用的预处理方法,它将图像的像素值映射到一个标准范围内,使得不同图像之间的像素值具有一致的尺度,这样的标准化操作可以消除图像之间的亮度差异,使得后续处理更具稳定性和可比性。采用DICOM影像锐化算法对标准DICOM影像数据进行处理,影像锐化是一种增强图像细节和边缘的技术,通过突出像素值的变化来增强图像的清晰度和对比度,这样的锐化处理有助于突出影像中的结构和特征,提高后续处理的准确性和敏感性。对经过锐化处理的DICOM影像数据进行影像数据归一化处理,数据归一化是将图像的像素值调整到一个固定的范围,通常是0到1之间,这样的归一化操作可以使得影像数据具有一致的尺度和范围,有利于后续的特征提取和轮廓识别等处理,归一化也有助于避免数据在计算过程中出现数值过大或过小的问题,提高算法的稳定性和收敛速度。
本发明实施例中,对校正DICOM影像进行影像强度标准化调整,通过将所有校正DICOM影像进行相同亮度、对比度之间的调整,使得校正DICOM影像更为清晰的展示出来,便于后续的分析,以生成标准DICOM影像数据。使用DICOM影像锐化算法对标准DICOM影像数据进行影像锐化处理,增强影像中的细节和边缘,从而使影像更加清晰和锐利,影像锐化算法通常是通过增强高频成分来实现的,高频成分包含影像中的细节和边缘信息,通过影像锐化,我们可以使影像中的细节更加明显,边缘更加清晰,从而提高影像的质量和特征,锐化DICOM影像数据可以帮助我们更好地捕捉影像中的边缘信息,从而更准确地识别和提取影像的外围轮廓。对锐化DICOM影像数据进行影像数据归一化处理,影像数据归一化是一种图像处理技术,用于将影像的像素值映射到特定的范围,通常是[0,1]或[0,255],通过影像数据归一化,将影像的像素值标准化到相同的范围,从而消除不同影像之间的像素值差异,使得它们具有相似的像素值范围,影像数据归一化可以帮助我们消除影像之间的缩放和平移差异,使得后续的特征提取和边缘轮廓识别更加一致和可靠,归一化后的影像数据也有助于提高后续卷积神经网络模型的训练效果和识别准确性。
优选地,步骤S32中的DICOM影像锐化算法如下所示:
/>
式中,Iout(x,y)表示为锐化DICOM影像的像素值,x表示为DICOM影像的横坐标,y表示为DICOM影像的纵坐标,Iin(x,y)表示为标准DICOM影像的像素值,K表示为标准DICOM影像的纹理信息,β表示为标准DICOM影像的对比度调整值,γ表示为标准DICOM影像的灰度值分布数据,表示为锐化强度权重信息,τ表示为锐化DICOM影像的像素值的异常调整值。
本发明利用一种DICOM影像锐化算法,该算法充分考虑了DICOM影像的横坐标x、DICOM影像的纵坐标y、标准DICOM影像的像素值Iin(x,y)、标准DICOM影像的纹理信息K、标准DICOM影像的对比度调整值β、标准DICOM影像的灰度值分布数据γ、锐化强度权重信息以及函数之间的相互作用关系,以形成函数关系式:
即,该计算公式通过计算增强DICOM影像中的边缘和细节,使得影像更加清晰和具有良好的视觉效果。DICOM影像的横坐标和纵坐标用于表示影像中的像素位置,这些坐标用于计算锐化DICOM影像的每个像素值;标准DICOM影像的像素值是原始DICOM影像中的像素值,是待锐化的影像数据;标准DICOM影像的纹理信息,纹理信息描述了影像中的细节和结构特征,该参数用于调节锐化的强度,使得锐化仅在纹理丰富的区域进行,避免过度增强平滑区域;标准DICOM影像的对比度调整值,对比度是影像中灰度值间的差异程度,用于调整锐化后影像的对比度,使得影像更具视觉吸引力和辨识度;标准DICOM影像的灰度值分布数据用于描述影像中灰度值的分布情况,有助于优化锐化效果,使得锐化后的影像在灰度层次上更加丰富;锐化强度权重信息用于调节锐化的强度,控制锐化的程度。通过对标准DICOM影像进行锐化处理,该方法能够增强影像中的边缘和纹理特征,使得结构和细节更加清晰可见,增强影像的边缘和细节,使得影像更加清晰和具有良好的视觉效果,锐化后的DICOM影像具有更高的对比度和更丰富的灰度层次,有助于医学影像专业人员更准确地分析影像数据。利用锐化DICOM影像的像素值的异常调整值τ对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地锐化DICOM影像的像素值Iout(x,y),提高了对标准DICOM影像数据进行影像锐化处理的准确性和可靠性。同时该公式中的权重信息以及调整值可以根据实际情况进行调整,应用于不同的标准DICOM影像数据中,提高了算法的灵活性与适用性。
优选地,步骤S4包括以下步骤:
步骤S41:利用卷积神经网络模型对归一化DICOM影像数据进行影像卷积操作,生成卷积影像数据;
步骤S42:利用卷积神经网络模型的ReLU激活函数对卷积影像数据进行激活函数处理,生成激活影像数据;
步骤S43:利用卷积神经网络模型的深度卷积核对激活影像数据进行深度卷积处理,生成深度卷积影像数据;
步骤S44:利用卷积神经网络模型的点卷积核对深度卷积影像数据进行点卷积处理,生成深度可分离卷积影像数据;
步骤S45:利用加权平均法对深度可分离卷积影像数据进行灰度影像转换,生成灰度卷积影像数据;
步骤S46:利用主成分分析法对灰度卷积影像数据进行DICOM影像特征提取,生成DICOM影像特征数据。
本发明采用卷积神经网络模型,对归一化的DICOM影像数据进行卷积操作,卷积操作是卷积神经网络模型中最核心的操作,通过滑动卷积核在图像上提取局部特征,生成卷积影像数据,这样的操作能够捕捉影像中的低级特征,如边缘、纹理等。对卷积影像数据应用ReLU(Rectified Linear Unit)激活函数,ReLU激活函数可以增加网络的非线性表达能力,将负值变为零,保留正值,这样的操作使得神经网络能够更好地学习非线性特征,提高特征提取的效率和表现力。利用卷积神经网络模型的深度卷积核对激活影像数据进行深度卷积操作,深度卷积核是指在某一层网络中,卷积核的通道数大于1,从而能够提取更多的特征,这样的深度卷积操作有助于提取更丰富和抽象的特征信息,进一步提高特征的表达能力和区分度。利用卷积神经网络模型的点卷积核对深度卷积影像数据进行点卷积操作,深度可分离卷积是一种高效的卷积操作,它将卷积操作拆分为深度卷积和点卷积两个步骤,从而减少计算量和参数数量,提高运算速度,这样的操作有助于在保持特征表达能力的同时,降低计算成本和内存消耗。采用加权平均法对深度可分离卷积影像数据进行灰度影像转换,加权平均法是一种将多个通道的特征图进行加权平均的方法,得到单通道的灰度特征图,这样的转换有助于减少数据维度,提取出对于轮廓和边缘特征较为敏感的灰度特征,为后续的特征提取和轮廓识别提供更加鲁棒的数据基础。主成分分析是一种常用的降维技术,它可以将高维数据转换为低维空间,并保留最重要的特征信息,利用主成分分析对灰度卷积影像数据进行降维处理,提取DICOM影像的主要特征,这样的特征提取有助于从复杂的影像数据中提取出最具代表性和区分性的特征,为后续的轮廓提取和分析提供更有意义的数据基础。
作为本发明的一个实例,参考图4所示,为图1中步骤S4的详细实施步骤流程示意图,在本实例中所述步骤S4包括:
步骤S41:利用卷积神经网络模型对归一化DICOM影像数据进行影像卷积操作,生成卷积影像数据;
本发明实施例中,利用预训练的卷积神经网络模型,如VGG16或ResNet,对归一化DICOM影像数据进行影像卷积操作,卷积操作是卷积神经网络的核心操作,它通过在影像上滑动卷积核(一种小的过滤器)来提取影像的局部特征,卷积神经网络通过多层的卷积操作可以逐渐提取出影像的高级特征,如边缘、纹理和形状等,得到卷积影像数据,其中包含了影像的丰富特征信息。
步骤S42:利用卷积神经网络模型的ReLU激活函数对卷积影像数据进行激活函数处理,生成激活影像数据;
本发明实施例中,对卷积影像数据应用ReLU(Rectified Linear Unit)激活函数,以实现非线性映射,ReLU激活函数是深度学习中常用的激活函数,它将所有负值设为零,保留正值不变,这种非线性映射使得卷积影像数据更具有表达能力,有助于提取出影像中的非线性特征和复杂结构。
步骤S43:利用卷积神经网络模型的深度卷积核对激活影像数据进行深度卷积处理,生成深度卷积影像数据;
本发明实施例中,利用卷积神经网络模型的深度卷积核对激活影像数据进行深度卷积处理,深度卷积核是指在卷积神经网络中使用多个卷积核同时对影像进行卷积操作,以获取更多的特征信息,通过深度卷积处理,我们可以进一步增强卷积影像数据的特征表达能力,提取更加抽象和高级的特征。
步骤S44:利用卷积神经网络模型的点卷积核对深度卷积影像数据进行点卷积处理,生成深度可分离卷积影像数据;
本发明实施例中,利用卷积神经网络模型的点卷积核对深度卷积影像数据进行点卷积处理,点卷积是一种轻量级的卷积操作,它通过在影像中的每个像素点独立地进行卷积运算,从而减少计算量和参数量,通过深度可分离卷积处理,可以在保持特征表达能力的同时,提高计算效率和减少内存消耗。
步骤S45:利用加权平均法对深度可分离卷积影像数据进行灰度影像转换,生成灰度卷积影像数据;
本发明实施例中,利用加权平均法对深度可分离卷积影像数据进行灰度影像转换,加权平均法是一种简单有效的特征融合方法,它通过对多个特征图像进行加权平均,得到一个融合后的特征图像。在本方法中,我们将深度可分离卷积影像数据融合成一个灰度图像,使得特征更加紧凑和一致,有助于后续的特征提取和边缘轮廓识别。
步骤S46:利用主成分分析法对灰度卷积影像数据进行DICOM影像特征提取,生成DICOM影像特征数据。
本发明实施例中,利用主成分分析方法对灰度卷积影像数据进行DICOM影像特征提取,主成分分析方是一种常用的特征降维方法,它可以将高维特征数据转换为低维的主成分,从而保留了最重要的特征信息,通过主成分分析方处理,我们可以将灰度卷积影像数据转换成更加紧凑和有意义的DICOM影像特征数据,用于后续的轮廓识别和特征分析。
优选地,步骤S5包括以下步骤:
步骤S51:对DICOM影像特征数据进行方向上的影像像素的梯度计算处理,生成DICOM影像梯度数据;
步骤S52:利用非极大值抑制技术对DICOM影像梯度数据进行非边缘区域抑制处理,生成DICOM影像抑制数据;
步骤S53:利用双阈值检测技术进行DICOM影像抑制数据进行影像数据的边缘区域与非边缘区域划分,以提取DICOM影像轮廓数据;
步骤S54:利用边缘检测算法对DICOM影像轮廓数据进行边缘检测优化,以生成优化DICOM影像轮廓数据。
本发明对DICOM影像特征数据进行梯度计算,梯度是指像素值在图像中的变化率,它能够反映像素值在不同方向上的变化情况,从而帮助定位图像中的边缘和轮廓,通过计算梯度,可以得到DICOM影像中各个像素点在方向上的变化幅度和方向信息。采用非极大值抑制技术对DICOM影像梯度数据进行处理,非极大值抑制是一种常用的边缘细化算法,它能够筛选出边缘像素,去除非边缘区域,从而使得边缘线条更加细化和明显。采用双阈值检测技术对经过抑制处理的DICOM影像数据进行处理,双阈值检测是一种根据像素值大小划分边缘和非边缘区域的方法,通过设置两个阈值,将像素值分为高阈值边缘、低阈值边缘和非边缘区域,从而提取DICOM影像中的轮廓数据。利用边缘检测算法对经过划分的DICOM影像轮廓数据进行优化处理,边缘检测算法能够进一步增强和细化影像中的边缘信息,使得轮廓更加清晰和准确,通过边缘检测优化,最终生成优化后的DICOM影像轮廓数据,该数据包含了影像中目标区域的轮廓信息。
作为本发明的一个实例,参考图5所示,为图1中步骤S5的详细实施步骤流程示意图,在本实例中所述步骤S5包括:
步骤S51:对DICOM影像特征数据进行方向上的影像像素的梯度计算处理,生成DICOM影像梯度数据;
本发明实施例中,对DICOM影像特征数据进行方向上的梯度计算处理,梯度计算是一种常用的边缘检测方法,它通过计算像素点在图像方向上的灰度变化率来检测图像中的边缘,我们可以采用Sobel算子或Prewitt算子等常用的梯度算子对DICOM影像特征数据进行梯度计算,以此得到DICOM影像梯度数据,其中包含了影像中各个像素点在方向上的梯度信息。
步骤S52:利用非极大值抑制技术对DICOM影像梯度数据进行非边缘区域抑制处理,生成DICOM影像抑制数据;
本发明实施例中,采用非极大值抑制技术对DICOM影像梯度数据进行处理,非极大值抑制是一种常用的边缘保留方法,它可以抑制非边缘区域的梯度响应,只保留局部极大值,从而使得边缘更加细化和准确,通过非极大值抑制处理,得到DICOM影像抑制数据,其中包含了抑制后的边缘响应。
步骤S53:利用双阈值检测技术进行DICOM影像抑制数据进行影像数据的边缘区域与非边缘区域划分,以提取DICOM影像轮廓数据;
本发明实施例中,采用双阈值检测技术对DICOM影像抑制数据进行处理,双阈值检测是一种常用的边缘分割方法,它将抑制后的边缘响应分为强边缘和弱边缘两个阈值级别,强边缘对应边缘信号强度高的像素点,而弱边缘对应边缘信号强度较低的像素点,通过设定合适的阈值将DICOM影像抑制数据划分为边缘区域和非边缘区域,进一步提取DICOM影像轮廓数据。
步骤S54:利用边缘检测算法对DICOM影像轮廓数据进行边缘检测优化,以生成优化DICOM影像轮廓数据。
本发明实施例中,采用边缘检测算法对DICOM影像轮廓数据进行进一步的优化,边缘检测算法可以识别和连接离散的边缘点,从而得到更加连续和完整的轮廓信息,可以采用Canny算法、Sobel算法等常用的边缘检测算法对DICOM影像轮廓数据进行优化处理,得到优化后的DICOM影像轮廓数据,其中包含了更加准确和清晰的边缘信息。
本申请有益效果在于,本发明利用傅里叶变换技术和高斯滤波等方法,对DICOM影像数据进行噪声分析和去除,有效地提高了DICOM影像数据的质量和可信度,去除了影响识别的干扰因素,为后续处理提供了干净、优化的影像数据。采用图像配准技术和图像金字塔处理,对动态DICOM影像数据进行校正和对齐,能够消除影像中由于运动或姿态变化导致的畸变,使得影像在时序上更加连续和一致,有助于准确地定位目标区域和轮廓。通过卷积神经网络模型,从归一化DICOM影像数据中提取丰富的抽象特征,这样的特征提取过程能够有效地捕捉影像中的结构和纹理信息,增强了特征的区分性和表达能力,有利于后续轮廓提取的精确性和稳定性。通过梯度计算、非极大值抑制、双阈值检测和边缘检测等多重处理,成功地从DICOM影像数据中提取出外围轮廓信息,能够有效地将轮廓和边缘特征从影像中准确地抽取出来,并进行优化处理,使得轮廓信息更加清晰、准确和连续,有助于后续医学影像分析和诊断的可靠性和准确性。通过对影像数据的细致处理和特征提取,有效地提高了医学影像的质量和信息丰富程度,使得对影像可以更精确的提取出外围轮廓区域。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种DICOM影像外围轮廓的识别提取方法,其特征在于,包括以下步骤:
步骤S1:获取采集影像目标区域;利用医学影像设备对采集影像目标区域进行目标区域数据采集,生成DICOM影像数据;对DICOM影像数据进行降噪处理,生成降噪DICOM影像数据;
步骤S2:对降噪DICOM影像数据进行动态图像校正调整,生成校正DICOM影像;
步骤S3:对校正DICOM影像进行影像调整及归一化处理,生成归一化DICOM影像数据;
步骤S4:利用卷积神经网络模型对归一化DICOM影像数据进行特征提取处理,生成DICOM影像特征数据;
步骤S5:对DICOM影像特征数据进行边缘轮廓提取处理,生成DICOM影像轮廓数据;利用边缘检测算法对DICOM影像轮廓数据进行边缘检测优化,以生成优化DICOM影像轮廓数据。
2.根据权利要求1所述的DICOM影像外围轮廓的识别提取方法,其特征在于,步骤S1包括以下步骤:
步骤S11:获取采集影像目标区域;
步骤S12:利用医学影像设备对采集影像目标区域进行目标区域数据采集,生成DICOM影像数据;
步骤S13:对DICOM影像数据进行噪声区域分析,以获取DICOM影像数据的噪声区域;
步骤S14:利用高斯滤波对DICOM影像数据的噪声区域进行降噪处理,以生成降噪DICOM影像数据。
3.根据权利要求2所述的DICOM影像外围轮廓的识别提取方法,其特征在于,步骤S13包括以下步骤:
步骤S131:利用傅里叶变换技术对DICOM影像数据进行频谱图转换,生成DICOM影像数据的频率数据;
步骤S132:利用频率数据噪声异常计算公式对频率数据进行频率数据的异常噪声计算,生成异常噪声强度数据;
步骤S133:根据异常噪声强度数据对频率数据进行异常噪声频率区域提取,生成异常噪声频率区域;
步骤S134:利用逆傅里叶变换技术对异常影像频率数据进行时域数据转换,生成影像异常区域数据;
步骤S135:通过影像异常区域数据将DICOM影像数据进行噪声数据标记,以获取DICOM影像数据的噪声区域。
4.根据权利要求3所述的DICOM影像外围轮廓的识别提取方法,其特征在于,步骤S132中的频率数据噪声异常计算公式如下所示:
式中,S表示为异常噪声强度数据,T表示为频率数据涉及的时间长度,t表示为信号的时间点,a表示为白噪声信号强度,b表示为频率数据的初始相位,x表示为频率的振幅强度,c表示为频率数据的信号带宽,d表示为频率数据的角频率,θ表示为异常噪声强度数据的异常调整值。
5.根据权利要求3所述的DICOM影像外围轮廓的识别提取方法,其特征在于,步骤S2包括以下步骤:
步骤S21:对降噪DICOM影像进行动态DICOM影像提取处理,生成动态影像数据;
步骤S22:对动态影像数据进行动态影像校正处理,生成动态影像校正数据;
步骤S23:根据动态影像校正数据对降噪DICOM影像数据进行DICOM影像校正调整,生成校正DICOM影像。
6.根据权利要求5所述的DICOM影像外围轮廓的识别提取方法,其特征在于,步骤S22包括以下步骤:
步骤S221:利用图像配准技术对动态影像数据进行动态影像对齐,生成对齐动态影像序列;
步骤S222:利用图像金字塔技术将对齐动态影像序列进行影像融合处理,生成动态影像校正数据。
7.根据权利要求6所述的DICOM影像外围轮廓的识别提取方法,其特征在于,步骤S3包括以下步骤:
步骤S31:对校正DICOM影像数据进行影像强度标准化调整,生成标准DICOM影像数据;
步骤S32:利用DICOM影像锐化算法对标准DICOM影像数据进行影像锐化处理,生成锐化DICOM影像数据;
步骤S33:对锐化DICOM影像数据进行影像数据归一化处理,生成归一化DICOM影像数据。
8.根据权利要求7所述的DICOM影像外围轮廓的识别提取方法,其特征在于,步骤S32中的DICOM影像锐化算法如下所示:
式中,Iout(x,y)表示为锐化DICOM影像的像素值,x表示为DICOM影像的横坐标,y表示为DICOM影像的纵坐标,Iin(x,y)表示为标准DICOM影像的像素值,K表示为标准DICOM影像的纹理信息,β表示为标准DICOM影像的对比度调整值,γ表示为标准DICOM影像的灰度值分布数据,表示为锐化强度权重信息,τ表示为锐化DICOM影像的像素值的异常调整值。
9.根据权利要求8所述的DICOM影像外围轮廓的识别提取方法,其特征在于,步骤S4包括以下步骤:
步骤S41:利用卷积神经网络模型对归一化DICOM影像数据进行影像卷积操作,生成卷积影像数据;
步骤S42:利用卷积神经网络模型的ReLU激活函数对卷积影像数据进行激活函数处理,生成激活影像数据;
步骤S43:利用卷积神经网络模型的深度卷积核对激活影像数据进行深度卷积处理,生成深度卷积影像数据;
步骤S44:利用卷积神经网络模型的点卷积核对深度卷积影像数据进行点卷积处理,生成深度可分离卷积影像数据;
步骤S45:利用加权平均法对深度可分离卷积影像数据进行灰度影像转换,生成灰度卷积影像数据;
步骤S46:利用主成分分析法对灰度卷积影像数据进行DICOM影像特征提取,生成DICOM影像特征数据。
10.根据权利要求8所述的DICOM影像外围轮廓的识别提取方法,其特征在于,步骤S5包括以下步骤:
步骤S51:对DICOM影像特征数据进行方向上的影像像素的梯度计算处理,生成DICOM影像梯度数据;
步骤S52:利用非极大值抑制技术对DICOM影像梯度数据进行非边缘区域抑制处理,生成DICOM影像抑制数据;
步骤S53:利用双阈值检测技术进行DICOM影像抑制数据进行影像数据的边缘区域与非边缘区域划分,以提取DICOM影像轮廓数据;
步骤S54:利用边缘检测算法对DICOM影像轮廓数据进行边缘检测优化,以生成优化DICOM影像轮廓数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311038585.1A CN117036310A (zh) | 2023-08-17 | 2023-08-17 | 一种dicom影像外围轮廓的识别提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311038585.1A CN117036310A (zh) | 2023-08-17 | 2023-08-17 | 一种dicom影像外围轮廓的识别提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117036310A true CN117036310A (zh) | 2023-11-10 |
Family
ID=88640929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311038585.1A Pending CN117036310A (zh) | 2023-08-17 | 2023-08-17 | 一种dicom影像外围轮廓的识别提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036310A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853334A (zh) * | 2024-03-07 | 2024-04-09 | 中国人民解放军海军青岛特勤疗养中心 | 基于dicom影像的医疗影像重构方法及系统 |
CN117911792A (zh) * | 2024-03-15 | 2024-04-19 | 垣矽技术(青岛)有限公司 | 一种电压基准源芯片生产用引脚检测系统 |
-
2023
- 2023-08-17 CN CN202311038585.1A patent/CN117036310A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853334A (zh) * | 2024-03-07 | 2024-04-09 | 中国人民解放军海军青岛特勤疗养中心 | 基于dicom影像的医疗影像重构方法及系统 |
CN117853334B (zh) * | 2024-03-07 | 2024-05-14 | 中国人民解放军海军青岛特勤疗养中心 | 基于dicom影像的医疗影像重构方法及系统 |
CN117911792A (zh) * | 2024-03-15 | 2024-04-19 | 垣矽技术(青岛)有限公司 | 一种电压基准源芯片生产用引脚检测系统 |
CN117911792B (zh) * | 2024-03-15 | 2024-06-04 | 垣矽技术(青岛)有限公司 | 一种电压基准源芯片生产用引脚检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5753791B2 (ja) | ノイズ除去された所定の解像度の医療画像を提供する方法、所定の解像度のノイズ除去された所定の解像度の医療画像を提供するシステム | |
CN117036310A (zh) | 一种dicom影像外围轮廓的识别提取方法 | |
US9002134B2 (en) | Multi-scale image normalization and enhancement | |
Li et al. | Robust retinal image enhancement via dual-tree complex wavelet transform and morphology-based method | |
US20100266188A1 (en) | Chest x-ray registration, subtraction and display | |
Yang | Multimodal medical image fusion through a new DWT based technique | |
Bhairannawar | Efficient medical image enhancement technique using transform HSV space and adaptive histogram equalization | |
Jeevakala | Sharpening enhancement technique for MR images to enhance the segmentation | |
CN114926374B (zh) | 一种基于ai的图像处理方法、装置、设备及可读存储介质 | |
CN116630762B (zh) | 一种基于深度学习的多模态医学图像融合方法 | |
CN111260641A (zh) | 一种基于人工智能的掌上超声成像系统及其方法 | |
CN113450340A (zh) | 一种皮肤纹理检测系统 | |
Pearl Mary et al. | Unified adaptive framework for contrast enhancement of blood vessels | |
Prakoso et al. | Enhancement methods of brain MRI images: A Review | |
CN115187507A (zh) | 一种基于热成像技术的心率和呼吸率检测系统及方法 | |
Bhairnallykar et al. | Pre-processing of multimodal MR images using NLM and histogram equalization | |
Costaridou et al. | Locally adaptive wavelet contrast enhancement | |
Naidu et al. | Enhancement of X-ray images using various Image Processing Approaches | |
Garg et al. | Comparative analysis of various filters for denoising of the spinal cord MRIs | |
CN114693543A (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
Nagpal et al. | Performance analysis of diabetic retinopathy using diverse image enhancement techniques | |
Daniel et al. | Retinal image enhancement using wavelet domain edge filtering and scaling | |
Umamaheswari et al. | VISUAL QUALITY AND ILLUMINATION ENHANCEMENT USING GAMMA CORRECTED GAUSSIAN FILTERING FRAMEWORK FOR COVID-19 IMAGES. | |
Patibandla et al. | CT Image Precise Denoising Model with Edge Based Segmentation with Labeled Pixel Extraction Using CNN Based Feature Extraction for Oral Cancer Detection | |
Ali et al. | Analysis of pre‐processing techniques for ophthalmic images |
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 |