CN117078671A - 一种甲状腺超声影像智能分析系统 - Google Patents
一种甲状腺超声影像智能分析系统 Download PDFInfo
- Publication number
- CN117078671A CN117078671A CN202311324505.9A CN202311324505A CN117078671A CN 117078671 A CN117078671 A CN 117078671A CN 202311324505 A CN202311324505 A CN 202311324505A CN 117078671 A CN117078671 A CN 117078671A
- Authority
- CN
- China
- Prior art keywords
- gray
- thyroid
- image
- initial
- points
- 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
- 210000001685 thyroid gland Anatomy 0.000 title claims abstract description 130
- 238000004458 analytical method Methods 0.000 title claims description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 49
- 230000005856 abnormality Effects 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims description 41
- 239000000523 sample Substances 0.000 claims description 22
- 238000002604 ultrasonography Methods 0.000 claims description 21
- 239000013074 reference sample Substances 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 abstract description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000009453 Thyroid Nodule Diseases 0.000 description 1
- 208000024799 Thyroid disease Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10132—Ultrasound 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种甲状腺超声影像智能分析系统,包括:甲状腺灰度影像采集模块、影像分裂阈值获取模块、子节点获取模块以及异常智能识别模块,采集若干病患的甲状腺灰度影像;获取极值点的初始判定阈值;根据初始判定阈值得到初始灰度阈值;根据初始灰度阈值得到第一灰度阈值;根据第一灰度阈值得到影像分裂阈值;根据影像分裂阈值得到灰度频率序列;获取灰度频率序列中每个灰度值的局部灰度差异;根据局部灰度差异得到子节点;根据子节点得到异常程度,根据异常程度进行分析得到增强甲状腺灰度影像。本发明降低了分裂阈值选取的随机性,提高了检测异常区域的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种甲状腺超声影像智能分析系统。
背景技术
甲状腺超声影像分析是医学成像领域的重要应用之一,主要用于评估和诊断甲状腺疾病,随着人工智能和计算机视觉等技术的进步,目前可以对甲状腺结节进行较为精准地分割,帮助医生进一步研究甲状腺病变区域的病理信息,从而快速制定出有效的治疗方案;但由于采集的甲状腺超声影像会一定程度地受到外界干扰的影响,导致采集到的影像会存在一定的异常区域,所以需要去除影像中的异常区域。
传统方法通过孤立森林算法可以去除甲状腺超声影像的异常区域,但由于孤立森林算法的分裂阈值是随机选取的,并不能根据甲状腺超声影像的图像特征获取合适的分裂阈值,具有较大的不确定性,从而导致检测出的异常区域存在一定的误差。
发明内容
本发明提供一种甲状腺超声影像智能分析系统,以解决现有的问题:孤立森林算法的分裂阈值是随机选取的,并不能根据甲状腺超声影像的图像特征获取合适的分裂阈值,具有较大的不确定性,从而导致检测出的异常区域存在一定的误差。
本发明的一种甲状腺超声影像智能分析系统采用如下技术方案:
包括以下模块:
甲状腺灰度影像采集模块,用于采集若干病患的甲状腺灰度影像;
影像分裂阈值获取模块,用于获取每张甲状腺灰度影像中每列像素点的灰度直方图,获取灰度直方图的若干极值点,获取每个极值点的初始判定阈值;根据初始判定阈值得到每列像素点的初始灰度阈值;根据初始灰度阈值得到每列像素点的第一灰度阈值;根据第一灰度阈值得到每张甲状腺灰度影像的影像分裂阈值;
子节点获取模块,用于根据影像分裂阈值得到灰度频率序列,所述灰度频率序列中包含多个灰度值;获取灰度频率序列中每个灰度值的局部灰度差异;根据局部灰度差异得到若干子节点;
异常智能识别模块,用于根据子节点得到每张甲状腺灰度影像中每个像素点的异常程度,根据异常程度进行分析得到若干增强甲状腺灰度影像。
优选的,所述获取每个极值点的初始判定阈值,包括的具体方法为:
将预设的极值点数量记为T1,将任意一张甲状腺灰度影像中任意一列像素点记为目标像素点列,将目标像素点列的灰度直方图中任意一个极值点记为目标极值点,在目标像素点列的灰度直方图的横轴上,将目标极值点之前的T1个极值点记为目标极值点的局部左区域,将目标极值点之后的T1个极值点记为目标极值点的局部右区域,将局部左区域与局部右区域共同记为目标极值点的局部区域;
对于目标极值点的局部区域中任意相邻的两个极值点,将两个极值点的纵坐标的差值的绝对值记为初始灰度差异值,获取目标极值点的局部区域中所有初始灰度差异值,将目标极值点的局部区域中所有初始灰度差异值的均值记为目标极值点的初始判定阈值。
优选的,所述根据初始判定阈值得到每列像素点的初始灰度阈值,包括的具体方法为:
将任意一张甲状腺灰度影像中任意一列像素点记为第一目标像素点列,在第一目标像素点列的灰度直方图内所有极值点上,将初始判定阈值最大的两个极值点记为两个初始参考极值点;在两个初始参考极值点中,将距离坐标原点最大的初始参考极值点的灰度值记为第一目标像素点列的初始灰度阈值。
优选的,所述根据初始灰度阈值得到每列像素点的第一灰度阈值,包括的具体方法为:
将任意一张甲状腺灰度影像中任意一列像素点记为第二目标像素点列,将第二目标像素点列在甲状腺灰度影像的行数作为横轴,第二目标像素点列的灰度值作为纵轴,根据横轴与纵轴构建二维坐标系,并记为第二目标像素点列的列灰度坐标系;获取列灰度坐标系中所有极值点,并记为第一极值点,将灰度值大于第二目标像素点列的初始灰度阈值的第一极值点记为参考极值点,获取列灰度坐标系中所有参考极值点;
对于列灰度坐标系中任意相邻的两个参考极值点,将两个参考极值点的纵坐标的差值的绝对值记为第一灰度差异值;获取列灰度坐标系中所有第一灰度差异值,在最大的第一灰度差异值对应的两个参考极值点中,将极小值点的灰度值记为第二目标像素点列的第一灰度阈值,获取每列像素点的第一灰度阈值。
优选的,所述根据第一灰度阈值得到每张甲状腺灰度影像的影像分裂阈值,包括的具体方法为:
;对于任意一张甲状腺灰度影像,式中,/>表示甲状腺灰度影像的影像分裂阈值;/>表示甲状腺灰度影像中像素点的列数;/>表示甲状腺灰度影像中第/>列像素点的第一灰度阈值。
优选的,所述根据影像分裂阈值得到灰度频率序列,包括的具体方法为:
将预设的样本集数量记为K1,对于任意一张甲状腺灰度影像,将甲状腺灰度影像中所有像素点作为若干数据点,利用孤立森林算法将所有像素点随机分为K1个样本集;对于任意一个样本集,将甲状腺灰度影像的影像分裂阈值作为孤立树中初始根节点的分裂阈值,利用孤立森林算法以及分裂阈值对样本集构建孤立树;
获取孤立树中深度为2子节点,获取子节点的灰度直方图,在子节点的灰度直方图中,根据每个灰度值的频率值从大到小的顺序对每个灰度值进行排序,将排序后的序列记为灰度频率序列。
优选的,所述获取灰度频率序列中每个灰度值的局部灰度差异,包括的具体方法为:
;对于灰度频率序列中第/>个灰度值,式中,/>表示第/>个灰度值的局部灰度差异;/>表示第/>个灰度值;/>表示第/>个灰度值;/>表示第/>个灰度值;/>表示预设的超参数;/>表示取绝对值。
优选的,所述根据局部灰度差异得到若干子节点,包括的具体方法为:
将预设的孤立树深度记为K2,获取灰度频率序列中所有灰度值的局部灰度差异,将局部灰度差异最大的灰度值记为子节点的叶子分裂阈值,根据子节点的叶子分裂阈值进行分裂得到若干新的子节点,获取新的子节点的叶子分裂阈值,根据新的子节点的叶子分裂阈值继续进行分裂,直至该孤立树的深度为K2时停止分裂,获取样本集的孤立树内所有子节点;获取每个样本集的孤立树内若干子节点。
优选的,所述根据子节点得到每张甲状腺灰度影像中每个像素点的异常程度,包括的具体方法为:
对于任意一张甲状腺灰度影像中任意一个像素点,将包含像素点的样本集记为像素点的参考样本集,在参考样本集的孤立树内所有子节点中,将包含像素点的子节点记为像素点的参考子节点;
;式中,/>表示像素点的初始异常程度;/>表示像素点的参考样本集的数量;/>表示在像素点的第/>个参考样本集的孤立树中,像素点的参考子节点的数量;/>表示在像素点的第/>个参考样本集的孤立树中,所有子节点的数量;
获取所有像素点的初始异常程度,将所有初始异常程度进行线性归一化,将每个归一化后的初始异常程度记为第二初始异常程度;
对于任意一个像素点,将1与像素点的第二初始异常程度的差值的绝对值,记为像素点的异常程度。
优选的,所述根据异常程度进行分析得到若干增强甲状腺灰度影像,包括的具体方法为:
将预设的异常程度阈值记为K3,对于任意一张甲状腺灰度影像中任意一个像素点,若像素点的异常程度大于K3,将像素点记为异常噪声点;获取甲状腺灰度影像中所有异常噪声点;对甲状腺灰度影像中所有异常噪声点进行均值滤波得到去噪后的甲状腺灰度影像,记为增强甲状腺灰度影像。
本发明的技术方案的有益效果是:根据甲状腺灰度影像中每列像素点得到影像分裂阈值,根据影像分裂阈值得到灰度频率序列的若干局部灰度差异,根据局部灰度差异得到若干子节点,根据子节点得到异常程度,根据异常程度进行智能分析;相较于现有技术本发明根据甲状腺超声影像的图像特征获取了更为合适的分裂阈值;本发明的影像分裂阈值反映了甲状腺灰度影像中甲状腺区域与噪声区域的像素点灰度数值大小,局部灰度差异反映了极值点的灰度值与周围灰度值的差异,异常程度反映了像素点属于异常的噪声点的可能性,降低了分裂阈值选取的随机性,使获取的分裂阈值更符合甲状腺超声影像的图像特征,提高了检测异常区域的准确性。
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为本发明的一种甲状腺超声影像智能分析系统的结构框图;
图2为本发明的结果对比示意图。
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,以下结合附图及较佳实施例,对依据本发明提出的一种甲状腺超声影像智能分析系统,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甲状腺超声影像智能分析系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种甲状腺超声影像智能分析系统的结构框图,该系统包括以下模块:
甲状腺灰度影像采集模块101,采集若干病患的甲状腺灰度影像。
需要说明的是,传统方法通过孤立森林算法可以去除甲状腺超声影像的异常区域,但由于孤立森林算法的分裂阈值是随机选取的,并不能根据甲状腺超声影像的图像特征获取合适的分裂阈值,具有较大的不确定性,从而导致检测出的异常区域存在一定的误差。为此,本实施例提出了一种甲状腺超声影像智能分析系统。
为了实现本实施例提出的一种甲状腺超声影像智能分析系统,首先需要采集甲状腺灰度影像,具体过程为:使用超声影像仪器获取若干病患的甲状腺超声图像,将每张甲状腺超声图像进行灰度化处理得到若干灰度图像,记为甲状腺灰度影像。
至此,通过上述方法得到若干病患的甲状腺灰度影像。
影像分裂阈值获取模块102,获取每个极值点的初始判定阈值;根据初始判定阈值得到每列像素点的初始灰度阈值;根据初始灰度阈值得到每列像素点的第一灰度阈值;根据第一灰度阈值得到每张甲状腺灰度影像的影像分裂阈值。
需要说明的是,在甲状腺灰度影像的灰度直方图中存在多个灰度峰值,但这些灰度峰值中会存在两个与周围灰度峰值差异较为明显的灰度峰值;对于甲状腺灰度影像而言,其中存在的噪声点的灰度值往往比背景区域以及甲状腺区域中的像素点的灰度值高,由于甲状腺灰度影像中背景区域的灰度值最小,所以在这两个灰度峰值中,横坐标靠近灰度值0的灰度峰值内往往包含了大部分的背景区域的像素点,另一个灰度峰值内通常包含了大部分甲状腺区域以及噪声区域的像素点。
进一步需要说明的是,传统孤立森林构建子树的过程是从初始根节点的分裂阈值向左右两侧进行分裂形成初始根节点的左子树与右子树,然后使初始根节点的左子树与右子树根据分裂阈值继续向下分裂,初始根节点的左子树的所有数据值是大于根节点的分裂阈值的,初始根节点的右子树的所有数据值是小于根节点的分裂阈值的,且后续分裂过程中左右两侧都往下进行分裂。由于噪声区域的灰度值普遍较高,所以可以仅分析初始根节点的左子树的分裂过程,以便后续分析处理。
具体的,以任意一张甲状腺灰度影像中任意一列像素点为例,获取该列像素点的灰度直方图;预设一个极值点数量T1,其中本实施例以T1=2为例进行叙述,本实施例不进行具体限定,其中T1可根据具体实施情况而定;获取该列像素点的灰度直方图中所有极值点,以该列像素点的灰度直方图中任意一个极值点为例,在该列像素点的灰度直方图的横轴上,将该极值点之前的T1个极值点作为该极值点的局部左区域,将该极值点之后的T1个极值点作为该极值点的局部右区域,将局部左区域与局部右区域共同记为该极值点的局部区域。另外需要说明的是,若在获取该极值点的局部区域的过程中,该极值点之前或者之后的极值点数量不满足预设的极值点数量T1,那么以该极值点之前或者之后实际存在的极值点数量为准。
进一步的,以该极值点的局部区域中任意相邻的两个极值点为例,将这两个极值点的纵坐标的差值的绝对值记为初始灰度差异值,获取该极值点的局部区域中所有初始灰度差异值,将该极值点的局部区域中所有初始灰度差异值的均值记为该极值点的初始判定阈值;获取该列像素点的灰度直方图中所有极值点的初始判定阈值,将初始判定阈值最大的两个极值点记为两个初始参考极值点;在这两个初始参考极值点中,将距离坐标原点最大的初始参考极值点的灰度值记为该列像素点的初始灰度阈值。其中灰度直方图的获取是公知技术,本实施例不进行叙述,灰度直方图中每个极值点对应一个灰度值。
进一步的,将该列像素点在该甲状腺灰度影像的行数作为横轴,该列像素点的灰度值作为纵轴,根据横轴与纵轴构建二维坐标系,并记为该列像素点的列灰度坐标系;获取该列灰度坐标系中所有极值点,将灰度值大于初始灰度阈值的极值点记为参考极值点,获取该列灰度坐标系中所有参考极值点;以该列灰度坐标系中任意相邻的两个参考极值点为例,将这两个参考极值点的纵坐标的差值的绝对值记为第一灰度差异值;获取该列灰度坐标系中所有第一灰度差异值,在最大的第一灰度差异值对应的两个参考极值点中,将极小值点的灰度值记为该列像素点的第一灰度阈值,获取所有列像素点的第一灰度阈值。其中构建二维坐标系是公知技术,本实施例不进行叙述,每列像素点的列灰度坐标系中包含多个数据点,每个数据点对应一个像素点。
进一步的,根据所有列像素点的第一灰度阈值得到该甲状腺灰度影像的影像分裂阈值;其中该甲状腺灰度影像的影像分裂阈值的计算方法为:
;式中,/>表示该甲状腺灰度影像的影像分裂阈值;/>表示该甲状腺灰度影像中像素点的列数;/>表示该甲状腺灰度影像中第/>列像素点的第一灰度阈值。其中若该甲状腺灰度影像的影像分裂阈值越大,说明该甲状腺灰度影像中甲状腺区域与噪声区域的像素点灰度普遍越大,反映该甲状腺灰度影像在使用孤立森林算法时,初始根节点的分裂阈值越大。获取所有甲状腺灰度影像的影像分裂阈值。
至此,通过上述方法得到所有甲状腺灰度影像的影像分裂阈值。
子节点获取模块103,根据影像分裂阈值得到灰度频率序列;获取灰度频率序列中每个灰度值的局部灰度差异;根据局部灰度差异得到若干子节点。
需要说明的是,在初始根节点的左子树的分裂过程中,按照传统方法获取的分裂阈值进行分裂的话,会使包含异常噪声点的子节点的数量较多,使异常噪声点的路径较长;为了提高处理效率,那么需要尽早将异常噪声点分裂出来,使异常噪声点的路径变短,因此需要进行自适应分裂。在甲状腺灰度影像中,异常的噪声点数量会明显小于甲状腺区域的像素点数量,所以可以根据每个子节点中像素点之间的特征得到自适应分裂阈值来进行自适应分裂。
具体的,预设一个样本集数量K1以及一个孤立树深度K2,其中本实施例以K1=30、K2=10为例进行叙述,本实施例不进行具体限定,其中K1、K2可根据具体实施情况而定;以任意一张甲状腺灰度影像为例,将该甲状腺灰度影像中所有像素点视为若干数据点,利用孤立森林算法将所有像素点随机分为K1个样本集;以任意一个样本集为例,将该甲状腺灰度影像的影像分裂阈值作为孤立树中初始根节点的分裂阈值,利用孤立森林算法以及分裂阈值对该样本集构建孤立树;获取该孤立树中深度为2子节点,获取该子节点的灰度直方图,在该子节点的灰度直方图中,根据每个灰度值的频率值从大到小的顺序对每个灰度值进行排序,将排序后的序列记为该子节点的灰度频率序列。其中样本集的获取、孤立树的构建是孤立森林算法的公知内容,孤立森林算法是公知技术,本实施例不进行叙述;灰度直方图中每个灰度值对应一个频率值,灰度频率序列中包含多个灰度值。
进一步的,以该子节点的灰度频率序列中第个灰度值为例,根据该子节点的灰度频率序列得到第/>个灰度值的局部灰度差异;其中第/>个灰度值的局部灰度差异的计算方法为:
;式中,/>表示第/>个灰度值的局部灰度差异;/>表示第个灰度值;/>表示第/>个灰度值;/>表示第/>个灰度值;/>表示超参数,本实施例预设/>,用于防止分母为0;/>表示取绝对值。其中若第/>个灰度值的局部灰度差异越大,说明第/>个灰度值与周围灰度值差异越大,反映第/>个灰度值越有可能是噪声点的灰度值。
进一步的,获取该子节点的灰度频率序列中所有灰度值的局部灰度差异,将局部灰度差异最大的灰度值记为该子节点的叶子分裂阈值,根据该子节点的叶子分裂阈值进行分裂得到若干新的子节点,获取新的子节点的叶子分裂阈值,根据新的子节点的叶子分裂阈值继续进行分裂,直至该孤立树的深度为K2时停止分裂,获取该样本集的孤立树内所有子节点;获取每个样本集的孤立树内所有子节点。需要说明的是,该子节点根据该子节点的叶子分裂阈值进行分裂的过程来自于孤立森林算法。
至此,通过上述方法得到每个样本集的孤立树内所有子节点。
异常智能识别模块104,根据子节点得到每张甲状腺灰度影像中每个像素点的异常程度,根据异常程度进行分析得到若干增强甲状腺灰度影像。
具体的,以该甲状腺灰度影像中任意一个像素点为例,将包含该像素点的样本集记为该像素点的参考样本集,在参考样本集的孤立树内所有子节点中,将包含该像素点的子节点记为该像素点的参考子节点;根据参考子节点得到该像素点的异常程度;其中该像素点的异常程度的计算方法为:
;式中,/>表示该像素点的初始异常程度;/>表示该像素点的参考样本集的数量;/>表示在该像素点的第/>个参考样本集的孤立树中,该像素点的参考子节点的数量;/>表示在该像素点的第/>个参考样本集的孤立树中,所有子节点的数量。其中若该像素点的初始异常程度越小,说明该像素点的灰度值越有可能存在异常,反映该像素点越有可能属于异常的噪声点。获取所有像素点的初始异常程度,将所有初始异常程度进行线性归一化,将每个归一化后的初始异常程度记为第二初始异常程度。以任意一个像素点为例,将1与该像素点的第二初始异常程度的差值的绝对值,记为该像素点的异常程度。
进一步的,预设一个异常程度阈值K3,其中本实施例以K3=0.7为例进行叙述,本实施例不进行具体限定,其中K3可根据具体实施情况而定;若该像素点的异常程度大于异常程度阈值K3,将该像素点记为异常噪声点。获取该甲状腺灰度影像中所有异常噪声点。
进一步的,对该甲状腺灰度影像中所有异常噪声点进行均值滤波得到去噪后的甲状腺灰度影像,记为增强甲状腺灰度影像,获取所有增强甲状腺灰度影像,请参阅图2,其示出了结果对比示意图,图2中a表示一张未经处理的甲状腺灰度影像,b表示一张甲状腺灰度影像经直方图均衡化后的效果图,c表示一张甲状腺灰度影像经本实施例处理后的效果图。其中均值滤波是公知技术,本实施例不进行叙述。
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,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种甲状腺超声影像智能分析系统,其特征在于,该系统包括以下模块:
甲状腺灰度影像采集模块,用于采集若干病患的甲状腺灰度影像;
影像分裂阈值获取模块,用于获取每张甲状腺灰度影像中每列像素点的灰度直方图,获取灰度直方图的若干极值点,获取每个极值点的初始判定阈值;根据初始判定阈值得到每列像素点的初始灰度阈值;根据初始灰度阈值得到每列像素点的第一灰度阈值;根据第一灰度阈值得到每张甲状腺灰度影像的影像分裂阈值;
子节点获取模块,用于根据影像分裂阈值得到灰度频率序列,所述灰度频率序列中包含多个灰度值;获取灰度频率序列中每个灰度值的局部灰度差异;根据局部灰度差异得到若干子节点;
异常智能识别模块,用于根据子节点得到每张甲状腺灰度影像中每个像素点的异常程度,根据异常程度进行分析得到若干增强甲状腺灰度影像。
2.根据权利要求1所述一种甲状腺超声影像智能分析系统,其特征在于,所述获取每个极值点的初始判定阈值,包括的具体方法为:
将预设的极值点数量记为T1,将任意一张甲状腺灰度影像中任意一列像素点记为目标像素点列,将目标像素点列的灰度直方图中任意一个极值点记为目标极值点,在目标像素点列的灰度直方图的横轴上,将目标极值点之前的T1个极值点记为目标极值点的局部左区域,将目标极值点之后的T1个极值点记为目标极值点的局部右区域,将局部左区域与局部右区域共同记为目标极值点的局部区域;
对于目标极值点的局部区域中任意相邻的两个极值点,将两个极值点的纵坐标的差值的绝对值记为初始灰度差异值,获取目标极值点的局部区域中所有初始灰度差异值,将目标极值点的局部区域中所有初始灰度差异值的均值记为目标极值点的初始判定阈值。
3.根据权利要求1所述一种甲状腺超声影像智能分析系统,其特征在于,所述根据初始判定阈值得到每列像素点的初始灰度阈值,包括的具体方法为:
将任意一张甲状腺灰度影像中任意一列像素点记为第一目标像素点列,在第一目标像素点列的灰度直方图内所有极值点上,将初始判定阈值最大的两个极值点记为两个初始参考极值点;在两个初始参考极值点中,将距离坐标原点最大的初始参考极值点的灰度值记为第一目标像素点列的初始灰度阈值。
4.根据权利要求1所述一种甲状腺超声影像智能分析系统,其特征在于,所述根据初始灰度阈值得到每列像素点的第一灰度阈值,包括的具体方法为:
将任意一张甲状腺灰度影像中任意一列像素点记为第二目标像素点列,将第二目标像素点列在甲状腺灰度影像的行数作为横轴,第二目标像素点列的灰度值作为纵轴,根据横轴与纵轴构建二维坐标系,并记为第二目标像素点列的列灰度坐标系;获取列灰度坐标系中所有极值点,并记为第一极值点,将灰度值大于第二目标像素点列的初始灰度阈值的第一极值点记为参考极值点,获取列灰度坐标系中所有参考极值点;
对于列灰度坐标系中任意相邻的两个参考极值点,将两个参考极值点的纵坐标的差值的绝对值记为第一灰度差异值;获取列灰度坐标系中所有第一灰度差异值,在最大的第一灰度差异值对应的两个参考极值点中,将极小值点的灰度值记为第二目标像素点列的第一灰度阈值,获取每列像素点的第一灰度阈值。
5.根据权利要求1所述一种甲状腺超声影像智能分析系统,其特征在于,所述根据第一灰度阈值得到每张甲状腺灰度影像的影像分裂阈值,包括的具体方法为:
;对于任意一张甲状腺灰度影像,式中,/>表示甲状腺灰度影像的影像分裂阈值;/>表示甲状腺灰度影像中像素点的列数;/>表示甲状腺灰度影像中第/>列像素点的第一灰度阈值。
6.根据权利要求1所述一种甲状腺超声影像智能分析系统,其特征在于,所述根据影像分裂阈值得到灰度频率序列,包括的具体方法为:
将预设的样本集数量记为K1,对于任意一张甲状腺灰度影像,将甲状腺灰度影像中所有像素点作为若干数据点,利用孤立森林算法将所有像素点随机分为K1个样本集;对于任意一个样本集,将甲状腺灰度影像的影像分裂阈值作为孤立树中初始根节点的分裂阈值,利用孤立森林算法以及分裂阈值对样本集构建孤立树;
获取孤立树中深度为2子节点,获取子节点的灰度直方图,在子节点的灰度直方图中,根据每个灰度值的频率值从大到小的顺序对每个灰度值进行排序,将排序后的序列记为灰度频率序列。
7.根据权利要求1所述一种甲状腺超声影像智能分析系统,其特征在于,所述获取灰度频率序列中每个灰度值的局部灰度差异,包括的具体方法为:
;对于灰度频率序列中第/>个灰度值,式中,/>表示第/>个灰度值的局部灰度差异;/>表示第/>个灰度值;/>表示第/>个灰度值;/>表示第/>个灰度值;/>表示预设的超参数;/>表示取绝对值。
8.根据权利要求6所述一种甲状腺超声影像智能分析系统,其特征在于,所述根据局部灰度差异得到若干子节点,包括的具体方法为:
将预设的孤立树深度记为K2,获取灰度频率序列中所有灰度值的局部灰度差异,将局部灰度差异最大的灰度值记为子节点的叶子分裂阈值,根据子节点的叶子分裂阈值进行分裂得到若干新的子节点,获取新的子节点的叶子分裂阈值,根据新的子节点的叶子分裂阈值继续进行分裂,直至该孤立树的深度为K2时停止分裂,获取样本集的孤立树内所有子节点;获取每个样本集的孤立树内若干子节点。
9.根据权利要求8所述一种甲状腺超声影像智能分析系统,其特征在于,所述根据子节点得到每张甲状腺灰度影像中每个像素点的异常程度,包括的具体方法为:
对于任意一张甲状腺灰度影像中任意一个像素点,将包含像素点的样本集记为像素点的参考样本集,在参考样本集的孤立树内所有子节点中,将包含像素点的子节点记为像素点的参考子节点;
;式中,/>表示像素点的初始异常程度;/>表示像素点的参考样本集的数量;/>表示在像素点的第/>个参考样本集的孤立树中,像素点的参考子节点的数量;/>表示在像素点的第/>个参考样本集的孤立树中,所有子节点的数量;
获取所有像素点的初始异常程度,将所有初始异常程度进行线性归一化,将每个归一化后的初始异常程度记为第二初始异常程度;
对于任意一个像素点,将1与像素点的第二初始异常程度的差值的绝对值,记为像素点的异常程度。
10.根据权利要求1所述一种甲状腺超声影像智能分析系统,其特征在于,所述根据异常程度进行分析得到若干增强甲状腺灰度影像,包括的具体方法为:
将预设的异常程度阈值记为K3,对于任意一张甲状腺灰度影像中任意一个像素点,若像素点的异常程度大于K3,将像素点记为异常噪声点;获取甲状腺灰度影像中所有异常噪声点;对甲状腺灰度影像中所有异常噪声点进行均值滤波得到去噪后的甲状腺灰度影像,记为增强甲状腺灰度影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311324505.9A CN117078671B (zh) | 2023-10-13 | 2023-10-13 | 一种甲状腺超声影像智能分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311324505.9A CN117078671B (zh) | 2023-10-13 | 2023-10-13 | 一种甲状腺超声影像智能分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117078671A true CN117078671A (zh) | 2023-11-17 |
CN117078671B CN117078671B (zh) | 2023-12-12 |
Family
ID=88702778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311324505.9A Active CN117078671B (zh) | 2023-10-13 | 2023-10-13 | 一种甲状腺超声影像智能分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078671B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274820A (zh) * | 2023-11-20 | 2023-12-22 | 深圳市天成测绘技术有限公司 | 一种测绘地理信息地图数据采集方法及系统 |
CN117291843A (zh) * | 2023-11-24 | 2023-12-26 | 山东金太阳农业发展有限公司 | 一种图像数据库高效管理方法 |
CN117557486A (zh) * | 2024-01-11 | 2024-02-13 | 深圳爱递医药科技有限公司 | 基于超声影像的神经麻醉穿刺辅助定位方法 |
CN117934350A (zh) * | 2024-01-22 | 2024-04-26 | 北京富邦智达自动化科技有限公司 | 一种用于化工厂智能巡检机器人的图像处理方法 |
CN118071754A (zh) * | 2024-04-24 | 2024-05-24 | 胜利油田中心医院 | 一种甲状腺超声影像数据处理方法 |
CN118115415A (zh) * | 2024-04-29 | 2024-05-31 | 陕西省核工业二一五医院 | 基于人工智能的超声图像优化处理方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120321174A1 (en) * | 2011-06-15 | 2012-12-20 | Siemens Aktiengesellschaft | Image Processing Using Random Forest Classifiers |
CN104000619A (zh) * | 2014-06-16 | 2014-08-27 | 彭文献 | 一种甲状腺ct图像计算机辅助诊断系统及方法 |
CN106327480A (zh) * | 2016-09-23 | 2017-01-11 | 浙江医学高等专科学校 | 一种甲状腺ct图像异常密度的检测方法 |
US20180286025A1 (en) * | 2015-10-07 | 2018-10-04 | Nanjing Jusha Display Technology Co., Ltd. | Display gray scale curve correction system and method for molybdenum target mammography |
WO2019016064A1 (en) * | 2017-07-18 | 2019-01-24 | Koninklijke Philips N.V. | TREATMENT OF A FETAL ULTRASONIC IMAGE |
CN113506163A (zh) * | 2021-09-07 | 2021-10-15 | 百融云创科技股份有限公司 | 一种基于纵向联邦的孤立森林训练和预测方法及系统 |
-
2023
- 2023-10-13 CN CN202311324505.9A patent/CN117078671B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120321174A1 (en) * | 2011-06-15 | 2012-12-20 | Siemens Aktiengesellschaft | Image Processing Using Random Forest Classifiers |
CN104000619A (zh) * | 2014-06-16 | 2014-08-27 | 彭文献 | 一种甲状腺ct图像计算机辅助诊断系统及方法 |
US20180286025A1 (en) * | 2015-10-07 | 2018-10-04 | Nanjing Jusha Display Technology Co., Ltd. | Display gray scale curve correction system and method for molybdenum target mammography |
CN106327480A (zh) * | 2016-09-23 | 2017-01-11 | 浙江医学高等专科学校 | 一种甲状腺ct图像异常密度的检测方法 |
WO2019016064A1 (en) * | 2017-07-18 | 2019-01-24 | Koninklijke Philips N.V. | TREATMENT OF A FETAL ULTRASONIC IMAGE |
CN113506163A (zh) * | 2021-09-07 | 2021-10-15 | 百融云创科技股份有限公司 | 一种基于纵向联邦的孤立森林训练和预测方法及系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274820A (zh) * | 2023-11-20 | 2023-12-22 | 深圳市天成测绘技术有限公司 | 一种测绘地理信息地图数据采集方法及系统 |
CN117274820B (zh) * | 2023-11-20 | 2024-03-08 | 深圳市天成测绘技术有限公司 | 一种测绘地理信息地图数据采集方法及系统 |
CN117291843A (zh) * | 2023-11-24 | 2023-12-26 | 山东金太阳农业发展有限公司 | 一种图像数据库高效管理方法 |
CN117291843B (zh) * | 2023-11-24 | 2024-03-15 | 山东金太阳农业发展有限公司 | 一种图像数据库高效管理方法 |
CN117557486A (zh) * | 2024-01-11 | 2024-02-13 | 深圳爱递医药科技有限公司 | 基于超声影像的神经麻醉穿刺辅助定位方法 |
CN117557486B (zh) * | 2024-01-11 | 2024-04-19 | 深圳爱递医药科技有限公司 | 基于超声影像的神经麻醉穿刺辅助定位方法 |
CN117934350A (zh) * | 2024-01-22 | 2024-04-26 | 北京富邦智达自动化科技有限公司 | 一种用于化工厂智能巡检机器人的图像处理方法 |
CN118071754A (zh) * | 2024-04-24 | 2024-05-24 | 胜利油田中心医院 | 一种甲状腺超声影像数据处理方法 |
CN118115415A (zh) * | 2024-04-29 | 2024-05-31 | 陕西省核工业二一五医院 | 基于人工智能的超声图像优化处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117078671B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117078671B (zh) | 一种甲状腺超声影像智能分析系统 | |
CN105809175B (zh) | 一种基于支持向量机算法的脑水肿分割方法及系统 | |
CN109903282B (zh) | 一种细胞计数方法、系统、装置和存储介质 | |
CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
CN113159223A (zh) | 一种基于自监督学习的颈动脉超声图像识别方法 | |
CN111105427B (zh) | 一种基于连通区域分析的肺部图像分割方法及系统 | |
CN114170212A (zh) | 一种基于ct影像中肺小结节假阳检测方法及系统 | |
CN111340780A (zh) | 一种基于三维超声图像的病灶检测方法 | |
CN114170473A (zh) | 基于病理图像的dMMR亚型分类方法及系统 | |
Wulaning Ayu et al. | Pixel Classification Based on Local Gray Level Rectangle Window Sampling for Amniotic Fluid Segmentation. | |
CN111815591B (zh) | 基于ct图像的肺结节检测方法 | |
CN114049345A (zh) | 一种基于数据集的肝脏ct图像分类方法 | |
CN115239695A (zh) | 一种基于时序图像的肺结节识别系统及方法 | |
Abraham | Plasmodium detection using simple CNN and clustered GLCM features | |
Antonie | Automated Segmentation and Classification of Brain Magnetic Resonance Imaging | |
Imtiaz et al. | Segmentation of skin lesion using harris corner detection and region growing | |
Fouad et al. | Automaticand accurate segmentation of gridded cDNA microarray images using different methods | |
Arora et al. | Computer vision based identification of abnormal tissues in biomedical images | |
CN111275719A (zh) | 钙化假阳识别及其模型训练的方法、装置、终端及介质 | |
CN113627231B (zh) | 一种基于机器视觉的视网膜oct图像中液体区域自动分割方法 | |
CN116523904B (zh) | 一种基于人工智能的金属冲压件表面划痕检测方法 | |
CN110824690B (zh) | 一种基于大数据的司法痕检用全息显微设备 | |
CN117808813B (zh) | 呼吸系统肺结节肿瘤细胞影像检测方法及系统、存储介质 | |
CN115331219B (zh) | 一种用于生物剂量估算的双着丝粒体自动识别方法及系统 | |
Saxena et al. | Utilizing deep learning techniques to diagnose nodules in lung computed tomography (ct) scan 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |