CN117437247B - 一种基于自然腔道影像的病变区域提取分割方法 - Google Patents
一种基于自然腔道影像的病变区域提取分割方法 Download PDFInfo
- Publication number
- CN117437247B CN117437247B CN202311733623.5A CN202311733623A CN117437247B CN 117437247 B CN117437247 B CN 117437247B CN 202311733623 A CN202311733623 A CN 202311733623A CN 117437247 B CN117437247 B CN 117437247B
- Authority
- CN
- China
- Prior art keywords
- lesion
- natural cavity
- cavity image
- initial
- gray
- 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
- 230000003902 lesion Effects 0.000 title claims abstract description 247
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000011218 segmentation Effects 0.000 title claims abstract description 23
- 238000000605 extraction Methods 0.000 title claims abstract description 10
- 230000036285 pathological change Effects 0.000 claims abstract description 25
- 231100000915 pathological change Toxicity 0.000 claims abstract description 25
- 230000008859 change Effects 0.000 claims abstract description 23
- 238000007790 scraping Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 11
- 230000002776 aggregation Effects 0.000 claims description 10
- 238000004220 aggregation Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 238000002955 isolation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 210000001215 vagina Anatomy 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001635 urinary tract Anatomy 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
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种基于自然腔道影像的病变区域提取分割方法，包括：采集自然腔道影像；获取自然腔道影像的灰度直方图，进而得到自然腔道影像的灰度直方图中的极大值点；获取自然腔道影像中病变区域的特征灰度值；根据自然腔道影像中病变区域的特征灰度值获取病变像素点；对病变像素点进行聚类获取各个聚类簇；根据各个聚类簇中的病变像素点获取初始病变区域；获取每个初始病变区域的灰度变化权重，进而得到初始阈值；根据初始阈值对自然腔道影像进行分割，获取自然腔道影像中的病变区域；本发明能够分割出完整的病变区域。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于自然腔道影像的病变区域提取分割方法。
背景技术
自然腔道影像通常指的是通过内窥镜等技术获取的身体腔道内的图像，例如消化道、呼吸道和泌尿道等，自然腔道影像在临床上用于疾病的诊断和治疗，因此对于自然腔道影像中的病变区域的精确提取和分割对于准确的病情判断和手术指导具有重要意义。
使用现有的迭代阈值分割算法对自然腔道影像中的病变区域进行分割时，首先需要获取自然腔道影像中的最大灰度值以及最小灰度值，并将最大灰度值与最小灰度值的均值作为初始阈值对自然腔道影像的病变区域进行分割，但是由于自然腔道影像中病变区域与正常区域的灰度值差异较小，因此直接将自然腔道影像中的最大灰度值与最小灰度值的均值作为出初始阈值进行分割的效果不好，可能会将正常区域的像素点分割到病变区域中，导致病变区域的范围扩大，分割出的病变区域不准确。
发明内容
为了解决上述问题，本发明提供一种基于自然腔道影像的病变区域提取分割方法。
本发明的一种基于自然腔道影像的病变区域提取分割方法采用如下技术方案：
本发明一个实施例提供了一种基于自然腔道影像的病变区域提取分割方法，该方法包括以下步骤：
采集自然腔道影像；
获取自然腔道影像的灰度直方图；根据自然腔道影像的灰度直方图，获取自然腔道影像的灰度直方图中的极大值点；根据自然腔道影像的灰度直方图中的极大值点以及自然腔道影像中的最大灰度值以及最小灰度值，获取自然腔道影像中病变区域的特征灰度值；根据自然腔道影像中病变区域的特征灰度值获取病变像素点；对病变像素点进行聚类获取各个聚类簇；根据各个聚类簇中的病变像素点获取初始病变区域；根据每个初始病变区域中的病变像素点的数量、每个初始病变区域中的灰度分布复杂性以及每个初始病变区域中的病变像素点的聚集性，获取每个初始病变区域的灰度变化权重；
根据每个初始病变区域的灰度变化权重、每个初始病变区域中的最大灰度值与自然腔道影像中的最小灰度值的差异以及自然腔道影像中病变区域的特征灰度值，获取初始阈值；
根据初始阈值对自然腔道影像进行分割，获取自然腔道影像中的病变区域。
优选的，所述根据自然腔道影像的灰度直方图，获取自然腔道影像的灰度直方图中的极大值点，包括的具体步骤如下：
使用峰值检测算法，获取自然腔道影像的灰度直方图中的极大值点。
优选的，所述获取自然腔道影像中病变区域的特征灰度值，包括的具体步骤如下：
式中，代表自然腔道影像中病变区域的特征灰度值；/>代表自然腔道影像中的最大灰度值；/>代表自然腔道影像中的最小灰度值；/>代表自然腔道影像中像素点数量最多的灰度值；/>代表自然腔道影像的灰度直方图中的极大值点数量；/>代表自然腔道影像的灰度直方图中的第/>个极大值点对应的灰度值。
优选的，所述根据自然腔道影像中病变区域的特征灰度值获取病变像素点，包括的具体步骤如下：
将自然腔道影像中灰度值等于病变区域的特征灰度值的像素点，记为病变像素点。
优选的，所述对病变像素点进行聚类获取各个聚类簇，包括的具体步骤如下：
预设聚类半径，最小聚类数目/>，使用DBSCAN密度聚类算法对病变像素点进行聚类，病变像素点之间的距离度量采用欧式距离，得到各个聚类簇。
优选的，所述根据各个聚类簇中的病变像素点获取初始病变区域，包括的具体步骤如下：
对每个聚类簇中的病变像素点进行凸包检测，将得到的每个凸包区域记为每个初始病变区域。
优选的，所述根据每个初始病变区域中的病变像素点的数量、每个初始病变区域中的灰度分布复杂性以及每个初始病变区域中的病变像素点的聚集性，获取每个初始病变区域的灰度变化权重，包括的具体步骤如下：
式中，代表第/>个初始病变区域的灰度变化权重；/>代表第/>个初始病变区域的病变像素点的数量；/>代表第/>个初始病变区域的像素点中的最大灰度值；/>代表第个初始病变区域的像素点中的最小灰度值；/>代表自然腔道影像中病变区域的特征灰度值；/>代表以自然常数为底数的指数函数；/>代表归一化函数；/>代表第/>个初始病变区域中病变像素点的数量；/>代表第/>个初始病变区域中第/>个病变像素点到第/>个初始病变区域的质心之间的距离；/>表示向上取整；/>代表第/>个初始病变区域的灰度分布复杂性；/>代表第/>个初始病变区域中的病变像素点的聚集性。
优选的，所述获取初始阈值，包括的具体步骤如下：
式中，代表初始阈值；/>代表第/>个初始病变区域的灰度变化权重；/>代表共有/>个初始病变区域；/>代表第/>个初始病变区域的像素点中的最大灰度值；/>代表自然腔道影像中的最小灰度值；/>代表自然腔道影像中病变区域的特征灰度值。
优选的，所述根据初始阈值对自然腔道影像进行分割，获取自然腔道影像中的病变区域，包括的具体步骤如下：
根据初始阈值，通过迭代阈值分割算法，对自然腔道影像中的病变区域进行分割，得到病变区域。
优选的，所述采集自然腔道影像，包括的具体步骤如下：
用户打开刮头的摄像头隔离套筒中的针孔摄像头，连接手机或电脑，将套筒插入阴道，推出刮头，将宫颈壁刮头插入宫颈口，待针孔摄像头刚进入宫颈口后，再向前推两个刻度，使宫颈壁刮头充分与宫颈壁接触，使用可视宫颈采样刷中刮头的摄像头隔离套筒中的针孔摄像头拍摄腔道图像，对采集的腔道图像进行灰度化处理，获取灰度图像；使用高斯滤波算法对灰度图像进行去噪处理，得到去噪后的灰度图像，记为自然腔道影像。
本发明的技术方案的有益效果是：本发明通过采集自然腔道影像，获取自然腔道影像的灰度直方图，获取自然腔道影像的灰度直方图中的极大值点，根据自然腔道影像的灰度直方图中的极大值点以及自然腔道影像中的最大灰度值以及最小灰度值，获取自然腔道影像中病变区域的特征灰度值；根据自然腔道影像中病变区域的特征灰度值获取病变像素点；对病变像素点进行聚类获取各个聚类簇；根据各个聚类簇中的病变像素点获取初始病变区域；根据每个初始病变区域中的病变像素点的数量、每个初始病变区域中的灰度分布复杂性以及每个初始病变区域中的病变像素点的聚集性，获取每个初始病变区域的灰度变化权重，进而得到初始阈值，根据初始阈值对自然腔道影像的病变区域进行分割，使得分割出的病变区域更加准确，不会出现错分的现象。
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为本发明的一种基于自然腔道影像的病变区域提取分割方法的步骤流程图；
图2为可视宫颈采样刷示意图；
图3为可视宫颈采样刷的主体；
图4为可视宫颈采样刷的套筒；
图5为可视宫颈采样刷的档位护管；
图6为可视宫颈采样刷的帽子；
图7为可视宫颈采样刷的刮头。
图中标号为：1、主体；2、套筒；3、档位护管；4、帽子；5、刮头。
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基于自然腔道影像的病变区域提取分割方法，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基于自然腔道影像的病变区域提取分割方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于自然腔道影像的病变区域提取分割方法的步骤流程图，该方法包括以下步骤：
S001．获取自然腔道影像。
需要说明的是，本发明的目的是为了对自然腔道图像中的病变区域进行分割，因此需要首先获取自然腔道影像，由于在采集腔道图像时，腔道内的光照不均匀，因此采集的腔道图像会受噪声的干扰，需要进行去噪处理。
在本发明实施例中，用户打开刮头的摄像头隔离套筒中的针孔摄像头，连接手机或电脑，将套筒插入阴道，推出刮头，将宫颈壁刮头插入宫颈口，待针孔摄像头刚进入宫颈口后，再向前推两个刻度，使宫颈壁刮头充分与宫颈壁接触，使用可视宫颈采样刷中刮头的摄像头隔离套筒中的针孔摄像头拍摄腔道图像，对采集的腔道图像进行灰度化处理，获取灰度图像；使用高斯滤波算法对灰度图像进行去噪处理，得到去噪后的灰度图像，记为自然腔道影像。需要说明的是，高斯滤波为现有技术，在本发明实施例中，不再对其进行过多赘述。
本实施例所使用的可视宫颈采样刷（参见图2）所示，其中，可视宫颈采样刷由5个零件组成，分别为循环使用部分：可视手柄-主体1（参见图3），一次性使用部分：档位护管3（参见图5），套筒2（参见图4），刮头5（参加图7），帽子4（参见图6）。
至此，获取了自然腔道影像。
S002．获取自然腔道影像中病变区域的特征灰度值；根据自然腔道影像中病变区域的特征灰度值，获取病变像素点；对病变像素点进行聚类，得到各个聚类簇；根据各个聚类簇获取各个初始病变区域；获取每个初始病变区域的灰度变化权重。
需要说明的是，现有的迭代阈值分割算法对自然腔道影像中的病变区域进行分割时，首先是获取自然腔道影像中的最大灰度值与最小灰度值，然后将最大灰度值与最小灰度值的均值作为初始阈值分割，对自然腔道影像进行分割，将自然腔道影像分割为正常区域及病变区域，进而根据分割后的自然腔道影像的灰度变化对初始阈值进行迭代，确定新的分割阈值对自然腔道影像进行迭代分割，但是由于自然腔道影像中病变区域与正常区域之间的灰度差异较小并且病变区域的灰度值相较于正常区域的灰度值较小，因此直接将自然腔道影像中的最大灰度值与最小灰度值的均值作为初始阈值进行自然腔道影像的分割时，可能会将正常区域的部分像素点分割为病变区域，扩大了病变区域的范围，从而导致病变区域的分割不准确，因此本发明实施例中的目的为确定合适的初始阈值。
需要进一步说明的是，已知直接根据自然腔道影像中的最大灰度值与最小灰度值的均值进行分割时，会将正常区域的像素点分割到病变区域中，而正常区域的灰度值相较于病变区域略大，因此为了能够获取部分病变区域的像素点便于后续分析，需要将自然腔道影像中的最大灰度值与最小灰度值的均值进行降低，获取自然腔道影像中病变区域的特征灰度值。
在本发明实施例中，获取自然腔道影像的灰度直方图，使用峰值检测算法，获取自然腔道影像的灰度直方图中的极大值点；获取自然腔道影像中病变区域的特征灰度值：
式中，代表自然腔道影像中病变区域的特征灰度值；/>代表自然腔道影像中的最大灰度值；/>代表自然腔道影像中的最小灰度值；/>代表自然腔道影像中的最大灰度值与最小灰度值的均值，/>代表自然腔道影像中像素点数量最多的灰度值；/>代表自然腔道影像的灰度直方图中的极大值点数量；/>代表自然腔道影像的灰度直方图中的第/>个极大值点对应的灰度值；特别说明的是，若像素点数量最多的灰度值存在多个，则将多个灰度值的均值作为/>进行计算。
需要说明的是，上述获取的自然腔道影像中病变区域的特征灰度值更可能为病变区域的部分像素点对应的灰度值，因此在本发明中首先根据自然腔道影像中病变区域的特征灰度值获取病变像素点，接着对获取的病变像素点进行聚类，将病变像素点聚类为各个聚类簇，最后根据各个聚类中的缺陷像素点得到各个初始病变区域。
在本发明实施例中，获取自然腔道影像中灰度值等于病变区域的特征灰度值的像素点，记为病变像素点，预设聚类半径，最小聚类数目/>，使用DBSCAN密度聚类算法对病变像素点进行聚类，病变像素点之间的距离度量采用欧式距离，得到各个聚类簇，在本发明实施例中，预设聚类半径/>，最小聚类数目/>，在其他实施例中，实施人员可根据具体实施情况设置/>及/>的值；对每个聚类簇中的病变像素点进行凸包检测，将得到的每个凸包区域记为每个初始病变区域。
需要说明的是，根据上述获取的初始病变区域来获取每个初始病变区域的灰度变化权重，便于后续根据每个初始病变区域的灰度变化权重，获取初始阈值，当初始病变区域中的病变像素点越多，说明越应该关注该初始病变区域，又由于对每个聚类簇中的病变像素点进行凸包检测，得到的初始病变区域中的灰度分布复杂性是不一样的，对于灰度分布复杂性较大的初始病变区域来说，该初始病变区域中的像素点的灰度分布较多，因此在获取初始阈值时更应该关注该初始病变区域，该初始病变区域的灰度变化权重较大，当初始病变区域中的病变像素点的聚集性较大时，说明越应该关注该初始病变区域，因此在本发明实施例中，根据每个初始病变区域中病变像素点的数量、每个初始病变区域中的灰度分布复杂性以及每个初始病变区域中的病变像素点的聚集性，获取每个初始病变区域的灰度变化权重。
在本发明实施例中，获取每个初始病变区域的灰度变化权重：
式中，代表第/>个初始病变区域的灰度变化权重；/>代表第/>个初始病变区域的病变像素点的数量，当第/>个初始病变区域的病变像素点的数量越多时，第/>个初始病变区域的灰度变化权重越大；/>代表第/>个初始病变区域的像素点中的最大灰度值；/>代表第/>个初始病变区域的像素点中的最小灰度值；/>代表自然腔道影像中病变区域的特征灰度值；/>代表以自然常数为底数的指数函数；/>代表归一化函数，采用线性归一化，归一化对象为所有初始病变区域的/>；/>代表第/>个初始病变区域中病变像素点的数量；/>代表第/>个初始病变区域中第/>个病变像素点到第/>个初始病变区域的质心之间的距离；/>代表第/>个初始病变区域中灰度极值与自然腔道影像中病变区域的特征灰度值的比值，表示第/>个初始病变区域的灰度分布复杂性，当第/>个初始病变区域的灰度分布复杂性越大时，第/>个初始病变区域的灰度变化权重越大；/>表示第/>个初始病变区域中所有病变像素点到第/>个初始病变区域的质心之间的平均距离，代表第/>个初始病变区域中的病变像素点的聚集性，其值越小时，说明第/>个初始病变区域中病变像素点的聚集性较大，则第/>个初始病变区域的灰度变化权重越大。
至此，获取自然腔道影像中病变区域的特征灰度值，进而得到病变像素点；对病变像素点进行聚类，得到各个聚类簇；根据各个聚类簇获取各个初始病变区域；获取每个初始病变区域的灰度变化权重。
S003．根据每个初始病变区域的灰度变化权重以及自然腔道影像中病变区域的特征灰度值，获取初始阈值。
需要说明的是，已知步骤S002中获取的自然腔道影像中病变区域的特征灰度值为病变区域的部分像素点所对应的灰度值，因此通过对获取的自然腔道影像中病变区域的特征灰度值进行调整来获取初始阈值，当任一初始病变区域中的最大灰度值与自然腔道影像中的最小灰度值之间的差异越大时，说明该初始病变区域中的灰度值分布较为复杂时，说明需要将自然腔道影像中病变区域的特征灰度值进行调大来获取初始阈值，并且该初始病变区域的灰度值变化权重越大时，越应该关注该初始病变区域的灰度值分布特征，因此在本发明实施例中，根据每个初始病变区域的灰度值分布特征以及每个初始病变区域的灰度值变化权重，对自然腔道影像中病变区域的特征灰度值进行调整，获取初始阈值。
在本发明实施例中，获取初始阈值：
式中，代表初始阈值；/>代表第/>个初始病变区域的灰度变化权重；/>代表共有/>个初始病变区域；/>代表第/>个初始病变区域的像素点中的最大灰度值；/>代表自然腔道影像中的最小灰度值；/>代表自然腔道影像中病变区域的特征灰度值；/>代表第/>个初始病变区域的像素点中的最大灰度值与自然腔道影像中的最小灰度值的差值，当差值越大并且第/>个初始病变区域的灰度变化权重越大时，需要将自然腔道影像中病变区域的特征灰度值进行调大来获取初始阈值，以此获取的初始阈值会越接近病变区域的灰度变化范围，这样才能将自然腔道影像中的病变区域完全分割出来。
至此，根据每个初始病变区域的灰度变化权重以及每个初始病变区域的灰度值分布特征，对自然腔道影像中初始病变区域的特征灰度值进行调整，获取初始阈值。
S004．根据初始阈值对自然腔道影像中的病变区域进行分割。
在本发明实施例中，根据初始阈值，使用现有的迭代阈值分割算法，对自然腔道影像中的病变区域进行分割，得到病变区域；需要说明的是，迭代阈值分割算法为现有技术，在本发明实施例中，不再对其进行过多赘述。
至此，根据初始阈值分割对自然腔道影像中的病变区域进行分割，得到了病变区域。
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 (7)
1.一种基于自然腔道影像的病变区域提取分割方法，其特征在于，该方法包括以下步骤：
采集自然腔道影像；
获取自然腔道影像的灰度直方图；根据自然腔道影像的灰度直方图，获取自然腔道影像的灰度直方图中的极大值点；根据自然腔道影像的灰度直方图中的极大值点以及自然腔道影像中的最大灰度值以及最小灰度值，获取自然腔道影像中病变区域的特征灰度值；根据自然腔道影像中病变区域的特征灰度值获取病变像素点；对病变像素点进行聚类获取各个聚类簇；根据各个聚类簇中的病变像素点获取初始病变区域；根据每个初始病变区域中的病变像素点的数量、每个初始病变区域中的灰度分布复杂性以及每个初始病变区域中的病变像素点的聚集性，获取每个初始病变区域的灰度变化权重；
根据每个初始病变区域的灰度变化权重、每个初始病变区域中的最大灰度值与自然腔道影像中的最小灰度值的差异以及自然腔道影像中病变区域的特征灰度值，获取初始阈值；
根据初始阈值对自然腔道影像进行分割，获取自然腔道影像中的病变区域；
所述获取自然腔道影像中病变区域的特征灰度值，包括的具体步骤如下：
式中，代表自然腔道影像中病变区域的特征灰度值；/>代表自然腔道影像中的最大灰度值；/>代表自然腔道影像中的最小灰度值；/>代表自然腔道影像中像素点数量最多的灰度值；/>代表自然腔道影像的灰度直方图中的极大值点数量；/>代表自然腔道影像的灰度直方图中的第/>个极大值点对应的灰度值；
所述根据每个初始病变区域中的病变像素点的数量、每个初始病变区域中的灰度分布复杂性以及每个初始病变区域中的病变像素点的聚集性，获取每个初始病变区域的灰度变化权重，包括的具体步骤如下：
式中，代表第/>个初始病变区域的灰度变化权重；/>代表第/>个初始病变区域的病变像素点的数量；/>代表第/>个初始病变区域的像素点中的最大灰度值；/>代表第/>个初始病变区域的像素点中的最小灰度值；/>代表自然腔道影像中病变区域的特征灰度值；/>代表以自然常数为底数的指数函数；/>代表归一化函数；/>代表第/>个初始病变区域中病变像素点的数量；/>代表第/>个初始病变区域中第/>个病变像素点到第/>个初始病变区域的质心之间的距离；/>表示向上取整；/>代表第/>个初始病变区域的灰度分布复杂性；/>代表第/>个初始病变区域中的病变像素点的聚集性；
所述获取初始阈值，包括的具体步骤如下：
式中，代表初始阈值；/>代表第/>个初始病变区域的灰度变化权重；/>代表共有/>个初始病变区域；/>代表第/>个初始病变区域的像素点中的最大灰度值；/>代表自然腔道影像中的最小灰度值；/>代表自然腔道影像中病变区域的特征灰度值。
2.根据权利要求1所述的一种基于自然腔道影像的病变区域提取分割方法，其特征在于，所述根据自然腔道影像的灰度直方图，获取自然腔道影像的灰度直方图中的极大值点，包括的具体步骤如下：
使用峰值检测算法，获取自然腔道影像的灰度直方图中的极大值点。
3.根据权利要求1所述的一种基于自然腔道影像的病变区域提取分割方法，其特征在于，所述根据自然腔道影像中病变区域的特征灰度值获取病变像素点，包括的具体步骤如下：
将自然腔道影像中灰度值等于病变区域的特征灰度值的像素点，记为病变像素点。
4.根据权利要求1所述的一种基于自然腔道影像的病变区域提取分割方法，其特征在于，所述对病变像素点进行聚类获取各个聚类簇，包括的具体步骤如下：
预设聚类半径，最小聚类数目/>，使用DBSCAN密度聚类算法对病变像素点进行聚类，病变像素点之间的距离度量采用欧式距离，得到各个聚类簇。
5.根据权利要求1所述的一种基于自然腔道影像的病变区域提取分割方法，其特征在于，所述根据各个聚类簇中的病变像素点获取初始病变区域，包括的具体步骤如下：
对每个聚类簇中的病变像素点进行凸包检测，将得到的每个凸包区域记为每个初始病变区域。
6.根据权利要求1所述的一种基于自然腔道影像的病变区域提取分割方法，其特征在于，所述根据初始阈值对自然腔道影像进行分割，获取自然腔道影像中的病变区域，包括的具体步骤如下：
根据初始阈值，通过迭代阈值分割算法，对自然腔道影像中的病变区域进行分割，得到病变区域。
7.根据权利要求1所述的一种基于自然腔道影像的病变区域提取分割方法，其特征在于，所述采集自然腔道影像，包括的具体步骤如下：
用户打开刮头的摄像头隔离套筒中的针孔摄像头，连接手机或电脑，将套筒插入阴道，推出刮头，将宫颈壁刮头插入宫颈口，待针孔摄像头刚进入宫颈口后，再向前推两个刻度，使宫颈壁刮头充分与宫颈壁接触，使用可视宫颈采样刷中刮头的摄像头隔离套筒中的针孔摄像头拍摄腔道图像，对采集的腔道图像进行灰度化处理，获取灰度图像；使用高斯滤波算法对灰度图像进行去噪处理，得到去噪后的灰度图像，记为自然腔道影像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311733623.5A CN117437247B (zh) | 2023-12-18 | 2023-12-18 | 一种基于自然腔道影像的病变区域提取分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311733623.5A CN117437247B (zh) | 2023-12-18 | 2023-12-18 | 一种基于自然腔道影像的病变区域提取分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117437247A CN117437247A (zh) | 2024-01-23 |
| CN117437247B true CN117437247B (zh) | 2024-03-05 |
Family
ID=89546423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311733623.5A Active CN117437247B (zh) | 2023-12-18 | 2023-12-18 | 一种基于自然腔道影像的病变区域提取分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117437247B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117640932B (zh) * | 2024-01-25 | 2024-04-26 | 陕西通达伟业医疗供应链管理有限公司 | 用于远程医疗的神经内科图像压缩传输方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2520211A1 (en) * | 2010-02-10 | 2012-11-07 | Olympus Corporation | Fluorescence endoscope device |
| CN107578420A (zh) * | 2017-08-21 | 2018-01-12 | 大连理工大学 | 一种自适应光条图像阈值分割方法 |
| CN114343741A (zh) * | 2022-02-16 | 2022-04-15 | 津泰(天津)医疗器械有限公司 | 可调节长度的自采宫颈细胞取样器及取样、存样方法 |
| CN115100221A (zh) * | 2022-08-22 | 2022-09-23 | 启东市云鹏玻璃机械有限公司 | 一种玻璃缺陷分割方法 |
| CN115131566A (zh) * | 2022-07-25 | 2022-09-30 | 北京帝测科技股份有限公司 | 基于超像素和改进模糊c均值聚类的自动图像分割方法 |
| US11580647B1 (en) * | 2021-12-24 | 2023-02-14 | Guangzhou University | Global and local binary pattern image crack segmentation method based on robot vision |
| CN116645382A (zh) * | 2023-07-26 | 2023-08-25 | 天津恒宇医疗科技有限公司 | 自适应的血管分割方法及系统 |
| CN117132602A (zh) * | 2023-10-27 | 2023-11-28 | 湖南三昌泵业有限公司 | 一种离心泵叶轮缺陷视觉检测方法 |
| CN117237396A (zh) * | 2023-11-16 | 2023-12-15 | 山东华盛中天工程机械有限责任公司 | 基于图像特征的钢轨螺栓锈蚀区域分割方法 |
-
2023
- 2023-12-18 CN CN202311733623.5A patent/CN117437247B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2520211A1 (en) * | 2010-02-10 | 2012-11-07 | Olympus Corporation | Fluorescence endoscope device |
| CN107578420A (zh) * | 2017-08-21 | 2018-01-12 | 大连理工大学 | 一种自适应光条图像阈值分割方法 |
| US11580647B1 (en) * | 2021-12-24 | 2023-02-14 | Guangzhou University | Global and local binary pattern image crack segmentation method based on robot vision |
| CN114343741A (zh) * | 2022-02-16 | 2022-04-15 | 津泰(天津)医疗器械有限公司 | 可调节长度的自采宫颈细胞取样器及取样、存样方法 |
| CN115131566A (zh) * | 2022-07-25 | 2022-09-30 | 北京帝测科技股份有限公司 | 基于超像素和改进模糊c均值聚类的自动图像分割方法 |
| CN115100221A (zh) * | 2022-08-22 | 2022-09-23 | 启东市云鹏玻璃机械有限公司 | 一种玻璃缺陷分割方法 |
| CN116645382A (zh) * | 2023-07-26 | 2023-08-25 | 天津恒宇医疗科技有限公司 | 自适应的血管分割方法及系统 |
| CN117132602A (zh) * | 2023-10-27 | 2023-11-28 | 湖南三昌泵业有限公司 | 一种离心泵叶轮缺陷视觉检测方法 |
| CN117237396A (zh) * | 2023-11-16 | 2023-12-15 | 山东华盛中天工程机械有限责任公司 | 基于图像特征的钢轨螺栓锈蚀区域分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| Jose Luis Garcia-Arroyo et al..Segmentation of skin lesions in dermoscopy images using fuzzy classification of pixels and histogram thresholding.《Computer Methods and Programs in Biomedicine》.2019,全文. * |
| 周阳 等.基于极坐标变换和深度学习的腔镜图像气泡分割方法研究.《医疗卫生装备》.2023,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117437247A (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109472781B (zh) | 一种基于串行结构分割的糖尿病视网膜病变检测系统 | |
| CN110276356B (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
| CN117437247B (zh) | 一种基于自然腔道影像的病变区域提取分割方法 | |
| CN115359052B (zh) | 基于聚类算法的医疗影像增强方法 | |
| CA2474417A1 (en) | Image processing using measures of similarity | |
| CN108664976B (zh) | 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法 | |
| SG194407A1 (en) | A method and system for determining a stage of fibrosis in a liver | |
| TWI594207B (zh) | 細胞核影像輪廓擷取裝置及其方法 | |
| WO2019062842A1 (zh) | 超声波图像处理方法及装置、超声诊断装置及存储介质 | |
| CN117557460B (zh) | 一种血管造影图像增强方法 | |
| CN110738637A (zh) | 一种乳腺癌病理切片的自动分类方法及系统 | |
| CN117237591A (zh) | 一种心脏超声影像伪影智能去除方法 | |
| CN117437492A (zh) | 一种肺部x光影像中白肺特征识别及分割方法 | |
| CN116912255A (zh) | 一种用于卵巢组织分析的卵泡区域分割方法 | |
| CN115393239A (zh) | 一种多模态眼底图像配准和融合方法及系统 | |
| CN115205315A (zh) | 一种眼科体征保持的眼底图像增强方法 | |
| CN112037234B (zh) | 用骨骼信息对ct图像中肝脏与肌肉进行分离的方法 | |
| CN113269799A (zh) | 一种基于深度学习的宫颈细胞分割方法 | |
| CN116993764A (zh) | 一种胃部ct智能分割提取方法 | |
| CN111292285B (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
| US20230190089A1 (en) | Method for early diagnosis of keratoconus based on multi-modal data | |
| CN108154512A (zh) | 一种基于多重去趋势分析的视网膜图像血管分割系统 | |
| CN117974692B (zh) | 一种基于区域生长的眼科医学影像处理方法 | |
| CN108921860B (zh) | 一种前列腺磁共振图像全自动分割方法 | |
| CN115294122B (zh) | 基于ct图像的肺部肿瘤特征提取方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |