CN117237591A - 一种心脏超声影像伪影智能去除方法 - Google Patents
一种心脏超声影像伪影智能去除方法 Download PDFInfo
- Publication number
- CN117237591A CN117237591A CN202311523815.3A CN202311523815A CN117237591A CN 117237591 A CN117237591 A CN 117237591A CN 202311523815 A CN202311523815 A CN 202311523815A CN 117237591 A CN117237591 A CN 117237591A
- Authority
- CN
- China
- Prior art keywords
- edge
- gray value
- region
- heart
- boundary
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000000877 morphologic effect Effects 0.000 claims description 39
- 230000000747 cardiac effect Effects 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000003708 edge detection Methods 0.000 claims description 10
- 238000002604 ultrasonography Methods 0.000 claims description 10
- 238000012285 ultrasound imaging Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 164
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种心脏超声影像伪影智能去除方法,该方法根据心脏超声影像检测出心脏区域图像的边缘像素点后,根据边缘像素点的位置分布特征得到预识别心脏区域,根据边缘像素点的边缘灰度值分布特征得到边缘灰度值连通域,通过预识别心脏区域和边缘灰度值连通域进行对比,得到对应的边缘灰度值的近似特征值,进一步结合边缘灰度值对应边缘像素点的数量,得到每种边缘灰度值对应的边缘像素点置信度,根据边缘像素点置信度得到伪影区域识别结果并进行心脏超声影像伪影的智能去除。本发明对心脏区域的识别结果准确度更高,去除伪影的效果更好。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种心脏超声影像伪影智能去除方法。
背景技术
心脏超声影像是一种基于超声波成像的技术,心脏超声影像会不可避免的出现伪影,从而影响对心脏状态真实情况的判断,所以需要对心脏超声影像进行伪影去除,使得心脏超声影像的数据更加准确,由于心脏超声影像对应的数据较为严谨,仅根据人工经验判断心脏超声影像的伪影区域不现实且不够准确,因此现有技术通常采用智能检测的方法检测伪影区域并去除。
现有技术在对心脏超声影像进行伪影去除时,通常采用神经网络分割的方法在排除伪影的同时进行心脏区域识别,但是当伪影区域与心脏区域重合或产生交叠时,会降低神经网络识别结果的准确性。且神经网络准确的前提是需要大量的历史数据训练对应的模型,当历史数据不足或数据特征不完全时,神经网络的识别结果准确性较低。所以现有技术采用神经网络分割的方法去除伪影并进行心脏区域识别时,对应的识别结果不够准确,去除伪影的效果较差。
发明内容
为了解决现有技术去除伪影并进行心脏区域识别时对应的识别结果不够准确的技术问题,本发明的目的在于提供一种心脏超声影像伪影智能去除方法,所采用的技术方案具体如下:
本发明提出了一种心脏超声影像伪影智能去除方法,所述方法包括:
获取心脏区域图像;
在所述心脏区域图像中通过边缘检测筛选出边缘像素点,根据边缘像素点的位置分布特征得到预识别心脏区域;将边缘像素点对应的灰度值作为边缘灰度值,将每种边缘灰度值作为阈值进行二值化分割,得到每种边缘灰度值对应的边缘灰度值连通域;根据每种边缘灰度值连通域与所述预识别心脏区域之间的形态位置差异,得到每种边缘灰度值连通域对应的形态位置差异特征;
根据预识别心脏区域和每种边缘灰度值连通域之间,对应边界上像素点到对应质心的距离分布特征的相似性,得到预识别心脏区域和每种边缘灰度值连通域之间的距离分布特征相似度;根据每种边缘灰度值连通域对应的形态位置差异特征和距离分布特征相似度,得到每种边缘灰度值对应的近似特征值;根据每种边缘灰度值对应的边缘像素点的数量和所述近似特征值,得到每种边缘灰度值对应的边缘像素点置信度;
根据所述边缘像素点置信度得到伪影区域识别结果,根据所述伪影区域识别结果进行心脏超声影像伪影的智能去除。
进一步地,所述预识别心脏区域的获取方法包括:
统计心脏区域图像中所有边缘像素点,将边缘像素点所围成的最大的区域作为预识别心脏区域。
进一步地,所述边缘灰度值连通域的获取方法包括:
任选一种边缘灰度值作为目标边缘灰度值,在所述心脏区域图像中以所述目标边缘灰度值为阈值进行二值化分割,利用空洞填充算法将二值化分割结果中存在空洞的连通域进行填充,将填充后的区域对应的最大连通域作为边缘灰度值连通域。
进一步地,所述形态位置差异特征的获取方法包括:
获取预识别心脏区域和每种边缘灰度值连通域的质心,根据预识别心脏区域对应质心与每种边缘灰度值连通域对应质心之间的距离,得到每种边缘灰度值连通域对应的质心距离,将所述质心距离作为对应的形态位置差异特征。
进一步地,所述距离分布特征相似度的获取方法包括:
将预识别心脏区域边界上的像素点到对应质心的距离作为心脏边界距离,将所有心脏边界距离按预设排列规则进行排列,得到预识别心脏区域对应的心脏边界距离序列;
将边缘灰度值连通域边界上每个像素点到对应质心的距离作为连通域边界距离,将连通域边界距离按预设排列规则进行排列,得到每种边缘灰度值连通域对应的连通域边界距离序列;
根据所述心脏边界距离序列与所述连通域边界距离序列之间的序列相似度,得到预识别心脏区域和每种边缘灰度值连通域之间的距离分布特征相似度。
进一步地,所述近似特征值的获取方法包括:
根据所述形态位置差异特征和所述距离分布特征相似度得到对应的近似特征值,所述近似特征值与所述形态位置差异特征呈负相关,所述近似特征值与所述距离分布特征相似度呈正相关。
进一步地,所述边缘像素点置信度的获取方法包括:
计算每种边缘灰度值对应的边缘像素点的数量与边缘像素点总数的比值,得到每种边缘灰度值对应的数量占比,将所述数量占比与所述近似特征值的乘积,作为对应的边缘像素点置信度。
进一步地,所述伪影区域识别结果的获取方法包括:
将预识别心脏区域边界上的像素点作为边界像素点,将所述边界像素点对应的边缘像素点置信度作为边界像素点置信度,将所有边界像素点置信度按预设排列规则进行排列,得到预识别心脏区域对应的边界像素点置信度序列;根据所述心脏边界距离序列和所述边界像素点置信度序列,计算两两相邻边界像素点的心脏边界距离之间的第一欧氏距离和边界像素点置信度之间的第二欧氏距离,将第一欧氏距离和第二欧氏距离的和值开方,得到两两相邻边界像素点之间的差异特征值,将所有差异特征值按预设排列规则进行排列得到差异序列;
对所述差异序列通过峰值点检测算法检测出至少两个峰值,将最大的两个峰值作为参考峰值,对参考峰值通过异常值检测方法进行异常检测,当两个参考峰值均为异常值时,将所述差异序列中两个参考峰值对应的差异特征值之间的所有差异特征值作为异常差异特征值,将所有异常差异特征值对应的边界像素点组成的区域作为伪影区域;当两个参考峰值不都为异常值时,认为所述心脏区域图像中不存在伪影区域。
进一步地,所述预设排列规则包括:
任选一个预识别心脏区域或边缘灰度值连通域作为目标区域,将所述目标区域映射到预设二维坐标系中,在目标区域边界上的像素点中,选择与目标区域质心横坐标相同且纵坐标最大的像素点作为起始点,在顺时针方向上以起始点的前一个像素点作为终点,以顺时针方向作为顺序进行排列得到预设排列规则。
本发明具有如下有益效果:
考虑到正常情况下对应的心脏超声图像中心脏区域的灰度值变化较为稳定,心脏区域的灰度值即使存在一定的梯度变化但是边缘像素点之间的灰度值也是近似的,不同灰度值对应的灰度值连通域的形态位置差异不大。而伪影区域的灰度值变化更多使得心脏区域出现伪影时,对应的不同灰度值的灰度值连通域的形态位置会发生变化。因此本发明实施例在预识别心脏区域的基础上,根据边缘像素点的灰度值对应像素点的分布特征得到边缘灰度值连通域,通过边缘灰度值连通域与预识别心脏区域之间对应的形态位置差异特征,表征不同灰度值对应的像素点对应边界变化情况,进一步结合距离分布特征相似度表征预识别心脏区域与各个边缘灰度值连通域的近似程度,进一步通过表征近似程度的近似特征值的大小判断对应的边缘灰度值作为真实心脏边界区域的可能性,使得后续对伪影区域的判断更加准确;又因为伪影区域灰度值变化不稳定且对应像素点的数量占比较少,所以本发明实施例在近似特征值的基础上结合每种边缘灰度值对应边缘像素点的数量,进一步表征每种边缘灰度值对应的边缘像素点置信度,使得后续根据边缘像素点置信度得到的伪影区域识别结果更加准确,进一步使得心脏区域的识别结果准确度更高。综上所述,本发明通过构建边缘像素点置信度识别伪影区域并进行智能去除的方法,使得心脏区域的识别结果准确度更高,去除伪影的效果更好。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种心脏超声影像伪影智能去除方法流程图。
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心脏超声影像伪影智能去除方法,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心脏超声影像伪影智能去除方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种心脏超声影像伪影智能去除方法流程图,该方法包括:
步骤S1:获取心脏区域图像。
本发明旨在提供一种心脏超声影像伪影智能去除方法,根据心脏超声影像对应的心脏区域图像中像素点灰度值的分布特征进行分析,得到心脏边缘像素点对应的每种灰度值的边缘像素点置信度,根据边缘像素点置信度进行伪影区域识别,并进一步进行对心脏超声影响伪影区域的去除。所以首先需要获取本发明实施例对应的图像数据处理对象,即获取心脏区域图像。
本发明实施例获取心脏区域图像的具体过程为:将心脏超声影像对应的心脏超声图像输入到训练好的神经网络模型中,输出对应的心脏区域图像。由于采用神经网络分割出的心脏区域可能会受到伪影影响,所以对应的心脏区域图像所反映的心脏区域并不准确,需要进一步进行分析处理。在本发明实施例中,神经网络模型选用U-net神经网络。需要说明的是,U-net神经网络为本领域技术人员所熟知的现有技术,其具体训练过程不做进一步赘述;且实施者也可通过其他神经网络模型获取心脏区域图像,在此不做进一步赘述。
需要说明的是,本发明实施例也适用于与心脏对应超声影像特征相似度的其他脏器超声影响,实施者可根据具体实施情况自行调整实施对象,且本发明实施例中后续涉及到的心脏区域图像均为灰度化后的心脏区域图像,在此不做进一步赘述。
步骤S2:在心脏区域图像中通过边缘检测筛选出边缘像素点,根据边缘像素点的位置分布特征得到预识别心脏区域;将边缘像素点对应的灰度值作为边缘灰度值,将每种边缘灰度值作为阈值进行二值化分割,得到每种边缘灰度值对应的边缘灰度值连通域;根据每种边缘灰度值连通域与预识别心脏区域之间的形态位置差异,得到每种边缘灰度值连通域对应的形态位置差异特征。
考虑到正常情况下心脏区域图像中真实心脏区域的灰度值相对稳定且变化不大,对应的边界虽然会出现一定的灰度变化,但是对应的灰度变化较为均匀,且边界上像素点之间的灰度值差异不大。而当出现伪影时,对应的伪影区域的灰度变化较为杂乱且像素点之间的灰度值存在较大差异,又考虑到边缘检测算法的原理是根据灰度值变化情况来进行像素点的筛选。所以本发明实施例在心脏区域图像中通过边缘检测筛选出边缘像素点。通过边缘像素点反映存在灰度变化的区域,即心脏区域的边界和伪影区域。在本发明实施例中,边缘检测采用canny边缘检测算法。需要说明的是,实施者可根据具体实施环境自行选择边缘检测算法,且包括canny边缘检测算法在内的所有边缘检测算法均为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
此外,虽然伪影区域可能与心脏边界区域产生重叠,但是由于伪影区域在一次超声成像中基本不可能出现占据大部分心脏区域边界的情况,所以整体而言根据边缘像素点的分布得到心脏区域与真实心脏区域的差别不大。本发明实施例根据边缘像素点的位置分布特征得到预识别心脏区域。
优选地,预识别心脏区域的获取方法包括:
统计心脏区域图像中所有边缘像素点,将边缘像素点所围成的最大的区域作为预识别心脏区域。考虑伪影区域对应的边缘像素点相比于心脏区域边界对应的数量较少,真实心脏区域边界对应的边缘像素点较多且所围成的区域通常为一个完整的心脏区域,即真实心脏边界区域对应的边缘像素点所围成的区域最大,因此将边缘像素点所围成的最大的区域作为预识别心脏区域。
由于心脏是人体其中一个完整的组织,对应真实心脏区域边界上的边缘像素点的灰度值差异不大,对应的若以真实心脏区域边界上像素点的灰度值作为阈值进行区域分割,所围成的区域在形态和位置上应当与预识别心脏区域差别不大。而伪影区域对应像素点的灰度值变化较大,其中可能存在各种大小不同的灰度值,即所有边缘像素点的灰度值除了包含真实心脏边界上像素点的灰度值外也包含伪影区域对应的灰度值,若以真实心脏边界上像素点的灰度值外的其他灰度值作为阈值进行区域分割,所围成的区域在形态和位置上应当与预识别心脏区域的差别较大,通过该特点初步进行伪影区域的筛选。本发明实施例将边缘像素点对应的灰度值作为边缘灰度值,将每种边缘灰度值作为阈值进行二值化分割,得到每种边缘灰度值对应的边缘灰度值连通域。在本发明实施例中,首先统计所有边缘像素点对应的边缘灰度值,对所有边缘灰度值通过去重算法得到各种边缘灰度值。
优选地,边缘灰度值连通域的获取方法包括:
任选一种边缘灰度值作为目标边缘灰度值,在心脏区域图像中以目标边缘灰度值为阈值进行二值化分割,利用空洞填充算法将二值化分割结果中存在空洞的连通域进行填充,将填充后的区域对应的最大连通域作为边缘灰度值连通域。进一步根据目标边缘灰度值对应边缘灰度值连通域的获取方法,获取每种边缘灰度值对应的边缘灰度值连通域。
考虑到在正常心脏超声影像中,心脏区域的灰度值通常大于其他区域,所以在本发明实施例中,将灰度值大于目标边缘灰度值的像素点的灰度级设置为1,小于目标边缘灰度值的像素点的像素点的灰度级设置为0,在灰度级为1的区域中通过空洞填充算法,将对应灰度级为0的空洞区域进行填充后,获取灰度级为1对应的连通域,即边缘灰度值连通域。又考虑到当目标边缘灰度值为真实心脏区域对应的边界像素点灰度值时,在心脏区域外可能出现其他的连通域,但是由于心脏区域的特征明显且面积最大,所以将填充后的区域对应的最大连通域作为边缘灰度值连通域。需要说明的是,空洞填充算法和连通域分析为本领域技术人员所熟知的现有技术;此外,实施者除了通过空洞填充算法来进一步获取边缘灰度值连通域外,也可在二值化分割后,将灰度级为1对应的连通域围成的区域中的最大区域作为边缘灰度值连通域,其原理与空洞填充算法类似,在此不做进一步赘述。
至此,得到预识别心脏区域和每种边缘灰度值对应的边缘灰度值连通域,预识别心脏区域在总体特征上与真实心脏区域的特征相似,因此可以视为标准的心脏区域;由于真实心脏区域对应边界上的像素点之间灰度值的差异不大,所以当边缘灰度值为真实心脏区域边界上像素点的灰度值时,其对应边缘灰度值连通域与预识别心脏区域在形态和位置上较为相似,而伪影区域对应的灰度值的变化较大,所以对于伪影区域中不属于真实心脏边界上的像素点对应的灰度值,其对应边缘灰度值连通域与预识别心脏区域在形态和位置上相似性较差。本发明实施例根据每种边缘灰度值连通域与预识别心脏区域之间的形态位置差异,得到每种边缘灰度值连通域对应的形态位置差异特征。
优选地,形态位置差异特征的获取方法包括:
获取预识别心脏区域和每种边缘灰度值连通域的质心,根据预识别心脏区域对应质心与每种边缘灰度值连通域对应质心之间的距离,得到每种边缘灰度值连通域对应的质心距离,将质心距离作为对应的形态位置差异特征。若以预识别心脏区域作为边缘灰度值连通域的标准,由于边缘灰度值连通域对应的边缘灰度值不可能完全与预识别心脏区域的边界重合,所以两个区域对应的边界细节上会存在一定的差异,而边缘灰度值连通域质心的位置与连通域边界上所有像素点的位置均有关,所以通过预识别心脏区域与各个边缘灰度值连通域之间的质心距离,表征对应边缘灰度值连通域对应的差异特征,即形态位置差异特征。当质心距离越大时,对应的形态位置差异特征越大,说明对应的边缘灰度值连通域的边缘灰度值属于真实心脏区域的可能性越小或受到伪影区域的影响越大。
步骤S3:根据预识别心脏区域和边缘灰度值连通域之间边界上像素点的位置分布特征相似性,得到预识别心脏区域和每种边缘灰度值连通域之间的距离分布特征相似度;根据每种边缘灰度值连通域对应的形态位置差异特征和距离分布特征相似度,得到每种边缘灰度值对应的近似特征值;根据每种边缘灰度值对应的边缘像素点的数量和近似特征值,得到每种边缘灰度值对应的边缘像素点置信度。
至此,获得每种边缘灰度值连通域对应的形态位置差异特征,但是形态位置差异特征仅根据质心坐标的相对位置得到。而当正常的边缘灰度值受到伪影区域影响,对应的边界像素点的位置也会发生明显变化,但是质心的位置虽然与区域边界上像素点的位置有关,但是由于质心的特征,也可能存在对应边缘灰度值连通域与预识别心脏区域的边界形态差异较大时,但对应的质心距离仍然较小的情况,所以在形态位置差异特征的基础上进行进一步地分析。
考虑到当预识别心脏区域与每种边缘灰度值连通域在形态上存在差异时,对应每个像素点到质心的距离分布特征差异明显,但是当边缘灰度值为真实心脏区域边界上像素点的灰度值时,对应的边缘灰度值连通域与预识别心脏区域对应的形态差异不大,所以本发明实施例根据预识别心脏区域和边缘灰度值连通域之间边界上像素点的位置分布特征相似性,得到预识别心脏区域和每种边缘灰度值连通域之间的距离分布特征相似度。通过距离分布特征相似度表征预识别心脏区域与每种边缘灰度值连通域在细节纹理上的相似度。
优选地,距离分布特征相似度的获取方法包括:
将预识别心脏区域边界上的像素点到对应质心的距离作为心脏边界距离,将所有心脏边界距离按预设排列规则进行排列,得到预识别心脏区域对应的心脏边界距离序列;将边缘灰度值连通域边界上每个像素点到对应质心的距离作为连通域边界距离,将连通域边界距离按预设排列规则进行排列,得到每种边缘灰度值连通域对应的连通域边界距离序列。通过构建心脏边界距离序列和连通域边界距离序列,将对应区域边界上的像素点相对质心的距离进行整合,方便后续的分析。按照预设排列规则进行排列的目的是,减少心脏边界距离序列和连通域边界距离序列在进行后续相似性的计算时,减少序列排列规则不同的影响。
优选地,预设排列规则包括:
任选一个预识别心脏区域或边缘灰度值连通域作为目标区域,将目标区域映射到预设二维坐标系中,在目标区域边界上的像素点中,选择与目标区域质心横坐标相同且纵坐标最大的像素点作为起始点,在顺时针方向上以起始点的前一个像素点作为终点,以顺时针方向作为顺序进行排列得到预设排列规则。本发明实施例设置预设排列规则的目的是统一不同区域的排列顺序。需要说明的是,实施者也可采用除本发明实施例对应的预设排列规则外的其他排列规则对连通域边界距离或心脏边界距离进行排列,例如以目标区域质心横坐标相同且纵坐标最小的像素点为起始点,在逆时针方向上以起始点的前一个像素点为终点,以逆时针方向作为顺序进行排列得到预设排列规则,但是需要保证不同区域对应的排列规则相同,在此不做进一步赘述。
通过DTW算法计算心脏边界距离序列与连通域边界距离序列之间的序列相似度,并将所述序列相似度作为预识别心脏区域和每种边缘灰度值连通域之间的距离分布特征相似度。即通过距离分布特征相似度表征预识别心脏区域与边缘灰度值连通域在纹理细节上的相似性。序列相似度越大,对应的距离分布特征相似度越大,则预识别心脏区域与边缘灰度值连通域之间在纹理细节上越相似,即对应的边缘灰度值越可能属于正常心脏区域或受到伪影区域的影响越小。需要说明的是,实施者也可通过其他序列相似度计算方法计算序列相似度,且DTW算法为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
至此得到表征预识别心脏区域和边缘灰度值连通域之间,表征形态位置差异的形态位置差异特征和表征纹理细节相似度的距离分布特征相似度。进一步通过形态位置差异特征和距离分布特征相似度表征预识别心脏区域和边缘灰度值连通域的相似度。本发明实施例根据每种边缘灰度值连通域对应的形态位置差异特征和距离分布特征相似度,得到每种边缘灰度值对应的近似特征值。即通过近似特征值表征预识别心脏区域和边缘灰度值连通域的相似度。
优选地,近似特征值的获取方法包括:
根据形态位置差异特征和距离分布特征相似度得到对应的近似特征值,近似特征值与形态位置差异特征呈负相关,近似特征值与距离分布特征相似度呈正相关。由于形态位置差异特征越大,距离分布特征相似度越小,对应的预识别心脏区域和边缘灰度值连通域之间越不相似,所以近似特征值与形态位置差异特征呈反比,与距离分布特征相似度呈正比。本发明实施例将形态位置差异特征与距离分布特征相似度的差值的负相关映射值,作为近似特征值。
在本发明实施例中,第种边缘灰度值对应的近似特征值的获取方法在公式上表现为:
其中,为第/>种边缘灰度值对应的近似特征值,/>为第/>种边缘灰度值对应的边缘灰度值连通域与预识别心脏区域之间的形态位置差异特征,/>为第/>种边缘灰度值对应的边缘灰度值连通域与预识别心脏区域之间的距离分布特征相似度,/>为以自然常数e为底的指数函数。
此外,实施者也可通过其他形式的公式得到近似特征值,例如:
其中,为归一化函数,其他参数与本发明实施例中近似特征值的获取方法对应的公式相同。在本发明实施例中,归一化函数采用线性归一化。需要说明的是,实施者可根据具体实施环境自行选择归一化方法,且包括线性归一化在内的所有归一化方法为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
进一步地根据第种边缘灰度值对应的近似特征值的获取方法,得到每种边缘灰度值对应的近似特征值,在此不做进一步赘述。
由于真实心脏区域是心脏区域图像的主要组成部分,对应的伪影区域在图像中的占比较小,即所有边缘像素点中属于真实心脏区域对应的边缘像素点占大多数,所以边缘灰度值对应的边缘像素点的数量越多,对应的边缘灰度值越可能属于真实心脏区域对应边缘像素点的灰度值,即对应的边缘灰度值属于真实心脏区域的可能性越高,受到伪影区域的影响越小。本发明实施例根据每种边缘灰度值对应的边缘像素点的数量和近似特征值,得到每种边缘灰度值对应的边缘像素点置信度。通过边缘像素点置信度表征对应边缘灰度值属于真实心脏区域的可能性,且边缘像素点置信度越大,对应的边缘灰度值越可能属于真实心脏区域。
优选地,边缘像素点置信度的获取方法包括:
计算每种边缘灰度值对应的边缘像素点的数量与边缘像素点总数的比值,得到每种边缘灰度值对应的数量占比,将数量占比与近似特征值的乘积,作为对应的边缘像素点置信度。通过数量占比将边缘像素点的数量进行归一化,使得数量占比和进行特征值的量纲统一,并且方便后续的计算。由于边缘像素点置信度表征边缘灰度值属于真实心脏区域的可能性,且对应的边缘灰度值属于真实心脏区域的可能性越大,对应的伪影区域边界对该边缘灰度值的影响越小。而数量占比越大,近似特征值越大时,对应的边缘灰度值属于真实心脏区域的可能性越高,受到伪影区域的影响越小。所以通过数量占比和近似特征值的乘积得到对应的边缘像素点置信度。需要说明是,实施者也可采用除乘积外的其他方法根据数量占比和近似特征值得到边缘像素点置信度,例如进行加权求和,但是需要保证边缘像素点置信度与近似特征值呈正相关,与数量占比也呈正相关,在此不做进一步赘述。
在本发明实施例中,第种边缘灰度值对应的边缘像素点置信度的获取方法在公式上表现为:
其中,为第/>种边缘灰度值对应的边缘像素点置信度,/>为第/>种边缘灰度值对应的近似特征值,/>为第/>种边缘灰度值对应的边缘像素点数量,/>为边缘像素点总数,/>为第/>种边缘灰度值对应的数量占比。
进一步根据第种边缘灰度值对应的边缘像素点置信度的获取方法,得到每种边缘灰度值对应的边缘像素点置信度,在此不做进一步赘述。
步骤S4:根据边缘像素点置信度和预识别心脏区域边界上像素点的位置分布特征得到伪影区域识别结果,根据伪影区域识别结果进行心脏超声影像伪影的智能去除。
至此得到每种边缘灰度值对应的边缘像素点置信度,由于边缘像素点置信度表征对应的边缘灰度值为真实心脏区域的灰度值的可能性,即同时也表征了对应的边缘灰度值受到伪影区域的影响,所以可根据边缘像素点置信度和预识别心脏区域边界上像素点的位置分布特征得到伪影区域识别结果。
优选地,伪影区域识别结果的获取方法包括:
由于心脏是人体的一个组织,在没有受到伪影区域影响下,即对应预识别心脏区域边界上的像素点之间应当为近似的灰度值,对应的边缘像素点置信度应当相似且连续。由于伪影的灰度变化较大,且与真实心脏区域之间具有一定的灰度差异,所以伪影区域对应的边缘像素点置信度相对较低,因此当伪影区域出现在预识别心脏区域边界上时,伪影区域对应的边缘像素点置信度会出现突变。
本发明实施例将预识别心脏区域边界上的像素点作为边界像素点,将边界像素点对应的边缘像素点置信度作为边界像素点置信度,将所有边界像素点置信度按预设排列规则进行排列,得到预识别心脏区域对应的边界像素点置信度序列;根据心脏边界距离序列和边界像素点置信度序列,计算两两相邻边界像素点的心脏边界距离之间的第一欧氏距离和边界像素点置信度之间的第二欧氏距离,将第一欧氏距离和第二欧氏距离的和值开方,得到两两相邻边界像素点之间的差异特征值,将所有差异特征值按预设排列规则进行排列得到差异序列。需要说明的是,此处的预设排列规则与本发明实施例中其他预设排列规则相同,在此不做进一步赘述。
当预识别心脏区域边界没有受到伪影区域影响时,对应两两相邻的边界像素点之间的对应的心脏边界距离和边界像素点置信度均相似,对应的第一欧氏距离和第二欧氏距离均较小,对应的差异特征值之间的差异较小,即差异序列连续且不存在异常值。但是当预识别心脏区域边界受到伪影区域影响时,伪影区域对应的像素点与相邻像素点之间的心脏边界距离和边界像素点置信度可能存在较大的差异,对应的第一欧氏距离和第二欧氏距离较大,对应的差异特征值较大,即差异序列不连续且存在异常值。又因为伪影区域是连续的部分区域,所以对应的差异序列中会连续的出现受到伪影区域影响的差异特征值。而伪影区域中对应的灰度值变化虽然较大且置信度较低,但是若将伪影区域和正常心脏区域进行对比时,伪影区域中的灰度变化和置信度,应当总是小于伪影区域和心脏之间的灰度变化和置信度。因此在受到伪影区域影响的差异序列中,应当存在两个极端的差异特征值,对应伪影区域与正常心脏区域交界处对应的差异特征值,且两个极端的差异特征值之间的差异特征值的大小分布较为混乱。
本发明实施例对差异序列通过峰值点检测算法检测出至少两个峰值,将最大的两个峰值作为参考峰值,对参考峰值通过异常值检测方法进行异常检测,当两个参考峰值均为异常值时,将差异序列中两个参考峰值对应的差异特征值之间的所有差异特征值作为异常差异特征值,将所有异常差异特征值对应的边界像素点组成的区域作为伪影区域;当两个参考峰值不都为异常值时,认为心脏区域图像中不存在伪影区域。在本发明实施例中,采用箱线图进行异常检测。需要说明的是,实施者可通过其他异常检测方法检测参考峰值是否为异常值;且峰值点检测算法和采用箱线图进行异常检测为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
至此得到伪影区域识别结果,当心脏区域图像中不存在伪影区域时,不对心脏区域进行处理;当心脏区域图像中存在伪影区域时,根据伪影区域识别结果进行心脏超声影像伪影的智能去除。在本发明实施例中,根据伪影区域识别结果进行心脏超声影像伪影的智能去除具体为:在得到预识别心脏区域对应边界上的伪影区域时,将边界上属于伪影区域的像素点筛除后,对预识别心脏区域边界上剩余的像素点利用凸包检测算法,将筛除后的伪影区域的进行重新连接,得到心脏区域的准确识别结果,完成对心脏超声影像伪影的智能去除。
综上所述,本发明在根据心脏超声影像检测出心脏区域图像的边缘像素点后,根据边缘像素点的位置分布特征得到预识别心脏区域,根据边缘像素点的边缘灰度值分布特征得到边缘灰度值连通域,通过预识别心脏区域和边缘灰度值连通域进行对比,得到对应的边缘灰度值的近似特征值,进一步结合边缘灰度值对应边缘像素点的数量,得到每种边缘灰度值对应的边缘像素点置信度,根据边缘像素点置信度得到伪影区域识别结果并进行心脏超声影像伪影的智能去除。本发明对心脏区域的识别结果准确度更高,去除伪影的效果更好。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (9)
1.一种心脏超声影像伪影智能去除方法,其特征在于,所述方法包括:
获取心脏区域图像;
在所述心脏区域图像中通过边缘检测筛选出边缘像素点,根据边缘像素点的位置分布特征得到预识别心脏区域;将边缘像素点对应的灰度值作为边缘灰度值,将每种边缘灰度值作为阈值进行二值化分割,得到每种边缘灰度值对应的边缘灰度值连通域;根据每种边缘灰度值连通域与所述预识别心脏区域之间的形态位置差异,得到每种边缘灰度值连通域对应的形态位置差异特征;
根据预识别心脏区域和边缘灰度值连通域之间边界上像素点的位置分布特征相似性,得到预识别心脏区域和每种边缘灰度值连通域之间的距离分布特征相似度;根据每种边缘灰度值连通域对应的形态位置差异特征和距离分布特征相似度,得到每种边缘灰度值对应的近似特征值;根据每种边缘灰度值对应的边缘像素点的数量和所述近似特征值,得到每种边缘灰度值对应的边缘像素点置信度;
根据所述边缘像素点置信度和预识别心脏区域边界上像素点的位置分布特征得到伪影区域识别结果,根据所述伪影区域识别结果进行心脏超声影像伪影的智能去除。
2.根据权利要求1所述的一种心脏超声影像伪影智能去除方法,其特征在于,所述预识别心脏区域的获取方法包括:
统计心脏区域图像中所有边缘像素点,将边缘像素点所围成的最大的区域作为预识别心脏区域。
3.根据权利要求1所述的一种心脏超声影像伪影智能去除方法,其特征在于,所述边缘灰度值连通域的获取方法包括:
任选一种边缘灰度值作为目标边缘灰度值,在所述心脏区域图像中以所述目标边缘灰度值为阈值进行二值化分割,利用空洞填充算法将二值化分割结果中存在空洞的连通域进行填充,将填充后的区域对应的最大连通域作为边缘灰度值连通域。
4.根据权利要求1所述的一种心脏超声影像伪影智能去除方法,其特征在于,所述形态位置差异特征的获取方法包括:
获取预识别心脏区域和每种边缘灰度值连通域的质心,根据预识别心脏区域对应质心与每种边缘灰度值连通域对应质心之间的距离,得到每种边缘灰度值连通域对应的质心距离,将所述质心距离作为对应的形态位置差异特征。
5.根据权利要求1所述的一种心脏超声影像伪影智能去除方法,其特征在于,所述距离分布特征相似度的获取方法包括:
将预识别心脏区域边界上的像素点到对应质心的距离作为心脏边界距离,将所有心脏边界距离按预设排列规则进行排列,得到预识别心脏区域对应的心脏边界距离序列;
将边缘灰度值连通域边界上每个像素点到对应质心的距离作为连通域边界距离,将连通域边界距离按预设排列规则进行排列,得到每种边缘灰度值连通域对应的连通域边界距离序列;
通过DTW算法计算心脏边界距离序列与连通域边界距离序列之间的序列相似度,并将所述序列相似度作为预识别心脏区域和每种边缘灰度值连通域之间的距离分布特征相似度。
6.根据权利要求1所述的一种心脏超声影像伪影智能去除方法,其特征在于,所述近似特征值的获取方法包括:
根据所述形态位置差异特征和所述距离分布特征相似度得到对应的近似特征值,所述近似特征值与所述形态位置差异特征呈负相关,所述近似特征值与所述距离分布特征相似度呈正相关。
7.根据权利要求1所述的一种心脏超声影像伪影智能去除方法,其特征在于,所述边缘像素点置信度的获取方法包括:
计算每种边缘灰度值对应的边缘像素点的数量与边缘像素点总数的比值,得到每种边缘灰度值对应的数量占比,将所述数量占比与所述近似特征值的乘积,作为对应的边缘像素点置信度。
8.根据权利要求5所述的一种心脏超声影像伪影智能去除方法,其特征在于,所述伪影区域识别结果的获取方法包括:
将预识别心脏区域边界上的像素点作为边界像素点,将所述边界像素点对应的边缘像素点置信度作为边界像素点置信度,将所有边界像素点置信度按预设排列规则进行排列,得到预识别心脏区域对应的边界像素点置信度序列;根据所述心脏边界距离序列和所述边界像素点置信度序列,计算两两相邻边界像素点的心脏边界距离之间的第一欧氏距离和边界像素点置信度之间的第二欧氏距离,将第一欧氏距离和第二欧氏距离的和值开方,得到两两相邻边界像素点之间的差异特征值,将所有差异特征值按预设排列规则进行排列得到差异序列;
对所述差异序列通过峰值点检测算法检测出至少两个峰值,将最大的两个峰值作为参考峰值,对参考峰值通过异常值检测方法进行异常检测,当两个参考峰值均为异常值时,将所述差异序列中两个参考峰值对应的差异特征值之间的所有差异特征值作为异常差异特征值,将所有异常差异特征值对应的边界像素点组成的区域作为伪影区域;当两个参考峰值不都为异常值时,认为所述心脏区域图像中不存在伪影区域。
9.根据权利要求5或8所述的一种心脏超声影像伪影智能去除方法,其特征在于,所述预设排列规则包括:
任选一个预识别心脏区域或边缘灰度值连通域作为目标区域,将所述目标区域映射到预设二维坐标系中,在目标区域边界上的像素点中,选择与目标区域质心横坐标相同且纵坐标最大的像素点作为起始点,在顺时针方向上以起始点的前一个像素点作为终点,以顺时针方向作为顺序进行排列得到预设排列规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523815.3A CN117237591A (zh) | 2023-11-16 | 2023-11-16 | 一种心脏超声影像伪影智能去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523815.3A CN117237591A (zh) | 2023-11-16 | 2023-11-16 | 一种心脏超声影像伪影智能去除方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117237591A true CN117237591A (zh) | 2023-12-15 |
Family
ID=89086633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311523815.3A Withdrawn CN117237591A (zh) | 2023-11-16 | 2023-11-16 | 一种心脏超声影像伪影智能去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237591A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422628A (zh) * | 2023-12-18 | 2024-01-19 | 三亚中心医院(海南省第三人民医院、三亚中心医院医疗集团总院) | 一种心脏血管超声检查数据优化增强方法 |
CN117576417A (zh) * | 2024-01-17 | 2024-02-20 | 大连壹致科技有限公司 | 一种心脏超声影像特征智能提取方法 |
CN117689552A (zh) * | 2024-02-02 | 2024-03-12 | 科普云医疗软件(深圳)有限公司 | 一种心内科介入治疗用冠状动脉造影增强方法 |
-
2023
- 2023-11-16 CN CN202311523815.3A patent/CN117237591A/zh not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422628A (zh) * | 2023-12-18 | 2024-01-19 | 三亚中心医院(海南省第三人民医院、三亚中心医院医疗集团总院) | 一种心脏血管超声检查数据优化增强方法 |
CN117422628B (zh) * | 2023-12-18 | 2024-03-05 | 三亚中心医院(海南省第三人民医院、三亚中心医院医疗集团总院) | 一种心脏血管超声检查数据优化增强方法 |
CN117576417A (zh) * | 2024-01-17 | 2024-02-20 | 大连壹致科技有限公司 | 一种心脏超声影像特征智能提取方法 |
CN117576417B (zh) * | 2024-01-17 | 2024-03-26 | 大连壹致科技有限公司 | 一种心脏超声影像特征智能提取方法 |
CN117689552A (zh) * | 2024-02-02 | 2024-03-12 | 科普云医疗软件(深圳)有限公司 | 一种心内科介入治疗用冠状动脉造影增强方法 |
CN117689552B (zh) * | 2024-02-02 | 2024-04-05 | 科普云医疗软件(深圳)有限公司 | 一种心内科介入治疗用冠状动脉造影增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021129323A1 (zh) | 超声图像病灶描述方法、装置、计算机设备和存储介质 | |
CN117237591A (zh) | 一种心脏超声影像伪影智能去除方法 | |
CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
US9256941B2 (en) | Microcalcification detection and classification in radiographic images | |
EP2888718B1 (en) | Methods and systems for automatic location of optic structures in an image of an eye, and for automatic retina cup-to-disc ratio computation | |
WO2005083635A1 (en) | Method and system for detection of bone fractures | |
CN104732509B (zh) | 自适应图像分割方法、装置和设备 | |
JP2012512672A (ja) | 医用画像内病変自動検出方法およびシステム | |
WO2006024974A1 (en) | Feature weighted medical object contouring using distance coordinates | |
CN106102585A (zh) | 三维成像数据的显示处理方法和三维超声成像方法及系统 | |
CN116503392B (zh) | 一种用于卵巢组织分析的卵泡区域分割方法 | |
CN117409004B (zh) | 一种基于医疗影像分析的肺部康复智能辅助系统 | |
CN113012173A (zh) | 基于心脏mri的心脏分割模型和病理分类模型训练、心脏分割、病理分类方法及装置 | |
US20230005140A1 (en) | Automated detection of tumors based on image processing | |
Gao et al. | Automatic optic disc segmentation based on modified local image fitting model with shape prior information | |
CN116579954B (zh) | 一种超高清内窥镜图像智能增强方法 | |
CN114693682B (zh) | 一种基于图像处理的脊椎特征识别方法 | |
Güler et al. | Interpretation of MR images using self-organizing maps and knowledge-based expert systems | |
Somwanshi et al. | Medical images texture analysis: A review | |
Goceri | Automatic kidney segmentation using Gaussian mixture model on MRI sequences | |
CN114494157A (zh) | 胎儿心脏四腔心超声切面图像质量自动评测方法 | |
Stough et al. | Regional appearance in deformable model segmentation | |
Arora et al. | Noise adaptive FCM algorithm for segmentation of MRI brain images using local and non-local spatial information | |
Nsaef et al. | Enhancement segmentation technique for iris recognition system based on Daugman's Integro-differential operator | |
CN115205241A (zh) | 一种用于视细胞密度的计量方法及系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231215 |