CN117437492A - 一种肺部x光影像中白肺特征识别及分割方法 - Google Patents

一种肺部x光影像中白肺特征识别及分割方法 Download PDF

Info

Publication number
CN117437492A
CN117437492A CN202311734491.8A CN202311734491A CN117437492A CN 117437492 A CN117437492 A CN 117437492A CN 202311734491 A CN202311734491 A CN 202311734491A CN 117437492 A CN117437492 A CN 117437492A
Authority
CN
China
Prior art keywords
lung
target
ray image
focus area
patient
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Withdrawn
Application number
CN202311734491.8A
Other languages
English (en)
Inventor
张雨晨
唐静
黄支隆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Yizhi Technology Co ltd
Original Assignee
Dalian Yizhi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian Yizhi Technology Co ltd filed Critical Dalian Yizhi Technology Co ltd
Priority to CN202311734491.8A priority Critical patent/CN117437492A/zh
Publication of CN117437492A publication Critical patent/CN117437492A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06V10/40—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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20081—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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种肺部X光影像中白肺特征识别及分割方法，包括：获取患者肺部X光图像；获取患者肺部X光图像的目标病灶区域和每个聚类簇中每个像素点的类别编号；根据患者肺部X光图像的目标病灶区域的粘连程度，获取目标病灶区域中每个目标像素点的融合必要性；根据肺部病灶区域图像获取肺部病灶区域的病变程度。本发明使得通过聚类分割得到的图像进行病灶区域识别的准确性更高。

Description

一种肺部X光影像中白肺特征识别及分割方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种肺部X光影像中白肺特征识别及分割方法。
背景技术
白肺，一般用于描述重症肺炎患者在X光下的表现，指患者的肺部显影呈大片白色区域。“白肺”常预示着肺炎病情较重，因此专业人员能够通过患者肺部X光图像中是否出现白肺特征进行患者异常肺部病变情况的评价。
白肺说明患者肺部产生病灶，在X光图像中病灶部位呈现为一片灰度值与背景健康组织不同的区域，但病灶边缘区域病变情况较为轻微，因此容易产生一部分平滑变化的区域，而现有技术通过均值聚类算法将病灶区域进行分割，在簇类进行筛选时，由于病灶区域边缘存在的平滑变化区域容易将属于肺部病灶区域的像素点被聚类至其他肺部组织聚类簇中，使得聚类结果中代表的肺部病灶区域的聚类簇分割不准确，影响病灶区域的检验结果，进而需要进行优化处理。
发明内容
为了解决上述问题，本发明提供一种肺部X光影像中白肺特征识别及分割方法，所述方法包括：
获取患者肺部X光图像；
对患者肺部X光图像中所有像素点进行聚类，获得患者肺部X光图像的初始病灶区域；将初始病灶区域的凸包检测结果作为目标病灶区域；
根据目标病灶区域中像素点分布，获取目标病灶区域的每个目标像素点；根据目标病灶区域内目标像素点和其他像素点灰度差异，获取目标病灶区域的粘连程度；根据目标病灶区域的粘连程度以及目标病灶区域中像素点的分布，获取目标病灶区域中每个目标像素点的融合必要性；
根据目标病灶区域中每个目标像素点的融合必要性，对初始病灶区域进行更新，获取肺部病灶区域图像；根据肺部病灶区域图像，获取肺部病灶区域的病变程度。
优选的，所述对患者肺部X光图像中所有像素点进行聚类，获得患者肺部X光图像的初始病灶区域，包括的具体方法为：
预设一个参数和一个灰度区间/>，利用 />的均值聚类算法对患者肺部X光图像中所有像素点进行聚类，获得/>个聚类簇；对于任意一个聚类簇，若所述聚类簇的灰度值均值属于灰度区间/>，则将所述聚类簇作为患者肺部X光图像的初始病灶区域，并将/>作为初始病灶区域中每个像素点的类别编号；将闭区间/>内的整数分别作为除初始病灶区域对应的聚类簇以外的每个聚类簇中所有像素点的类别编号。
优选的，所述根据目标病灶区域中像素点分布，获取目标病灶区域的每个目标像素点，包括的具体方法为：
将患者肺部X光图像的目标病灶区域中除初始病灶区域以外的所有像素点记为目标病灶区域的目标像素点。
优选的，所述根据目标病灶区域内目标像素点和其他像素点灰度差异，获取目标病灶区域的粘连程度，包括的具体方法为：
获取患者肺部X光图像的目标病灶区域中其他聚簇类像素点的聚集程度；则患者肺部X光图像的目标病灶区域的粘连程度的计算方法为：
式中，表示患者肺部X光图像的目标病灶区域的粘连程度；/>表示患者肺部X光图像的目标病灶区域中其他聚簇类像素点的聚集程度；/>表示患者肺部X光图像的目标病灶区域的所有像素点总数量；/>表示患者肺部X光图像的初始病灶区域的所有像素点总数量。
优选的，所述获取患者肺部X光图像的目标病灶区域中其他聚簇类像素点的聚集程度的具体公式为：
式中，表示患者肺部X光图像的目标病灶区域中第/>个目标像素点的灰度值；/>表示患者肺部X光图像的初始病灶区域的所有像素点的灰度值的均值；/>表示患者肺部X光图像的初始病灶区域的所有像素点的灰度值的标准差。
优选的，所述根据目标病灶区域的粘连程度以及目标病灶区域中像素点的分布，获取目标病灶区域中每个目标像素点的融合必要性，包括的具体方法为：
获取患者肺部X光图像的目标病灶区域中第个目标像素点的邻域范围；获取患者肺部X光图像的目标病灶区域中第/>个目标像素点的类别占比程度；获取患者肺部X光图像的目标病灶区域中第/>个目标像素点与其邻域范围内其他像素点的灰度差异；则患者肺部X光图像的目标病灶区域中第/>个目标像素点的融合必要性的计算方法为：
式中，表示患者肺部X光图像的目标病灶区域中第/>个目标像素点的融合必要性；表示患者肺部X光图像的目标病灶区域中第/>个目标像素点与其邻域范围内其他像素点的灰度差异；/>表示患者肺部X光图像的目标病灶区域中第/>个目标像素点的类别占比程度；/>表示患者肺部X光图像的目标病灶区域的粘连程度；/>表示线性归一化函数。
优选的，所述获取患者肺部X光图像的目标病灶区域中第个目标像素点的邻域范围，包括的具体方法为：
预设一个参数，对于患者肺部X光图像的目标病灶区域中第/>个目标像素点，以第/>个目标像素点作为窗口中心，获取窗口大小为/>的窗口，并将所述窗口记为第/>个目标像素点的邻域范围。
优选的，所述获取患者肺部X光图像的目标病灶区域中第个目标像素点的类别占比程度，包括的具体方法为：
将第个目标像素点的类别编号记为第一类别编号，将第/>个目标像素点的邻域范围中类别编号为第一类别编号的所有像素点数量与所述邻域范围的所有像素点数量的比值，作为第/>个目标像素点的类别占比程度。
优选的，所述获取患者肺部X光图像的目标病灶区域中第个目标像素点与其邻域范围内其他像素点的灰度差异的具体公式为：
式中，表示患者肺部X光图像的目标病灶区域中第/>个目标像素点的灰度值；/>表示患者肺部X光图像的目标病灶区域中第/>个目标像素点的邻域范围内第/>个像素点的灰度值；/>为预设参数。
优选的，所述根据目标病灶区域中每个目标像素点的融合必要性，对初始病灶区域进行更新，获取肺部病灶区域图像，包括的具体方法为：
预设一个阈值，对于患者肺部X光图像的目标病灶区域中第/>个目标像素点，若第/>个目标像素点的融合必要性大于阈值/>，则将第/>个目标像素点划入患者肺部X光图像的初始病灶区域，进而获得更新后的初始病灶区域，并记为肺部病灶区域图像。
本发明的技术方案的有益效果是：本发明通过将初始病灶区域的凸包检测结果作为目标病灶区域，得到病灶区域边缘存在的平滑变化区域，根据目标病灶区域的粘连程度以及目标病灶区域中像素点的分布，获取目标病灶区域中每个目标像素点的融合必要性，根据目标病灶区域中每个目标像素点的融合必要性，对初始病灶区域进行更新，将其他肺部组织聚类簇中属于肺部病灶区域的像素点规划至肺部病灶区域，以此获得肺部病灶区域图像，进而使得聚类结果中代表的肺部病灶区域的聚类簇分割更准确，通过聚类分割得到的图像进行病灶区域识别的准确性更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种肺部X光影像中白肺特征识别及分割方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种肺部X光影像中白肺特征识别及分割方法，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肺部X光影像中白肺特征识别及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肺部X光影像中白肺特征识别及分割方法的步骤流程图，该方法包括以下步骤：
步骤S001：获取患者肺部X光图像。
需要说明的是，通过先验的X光成像原理可知：X光图像本身即为灰度图像，且与被拍摄人所穿衣物材质及拍摄角度有关，受主观影响较大，因此将成像效果不佳的图像进行去除，保证后续根据图像进行聚类结果判断的准确度。
具体的，为了实现本实施例提出的一种肺部X光影像中白肺特征识别及分割方法，首先需要采集患者肺部X光图像，具体过程为：
通过X光检查设备获取多张肺部X光图像，将所有成像效果不佳的图像进行去除，只保留成像效果最好的图像，并将其作为患者肺部X光图像。
至此，通过上述方法得到患者肺部X光图像。
步骤S002：获取患者肺部X光图像的目标病灶区域和每个聚类簇中每个像素点的类别编号。
需要说明的是，根据人体先验知识获得肺部图像中包含有骨骼，肌肉，血管，肺部组织，肺部气管，病灶区域与其他组织等；由于X光对于不同组织的穿透衰减成像灰度不同，因此将不同的灰度范围作为不同的类别编号（K值）进行聚类，但是病灶区域的灰度值变化较大，在应包含的K值内还存在其他K值的像素点，导致聚类结果的聚类簇存在误分配位置，对通过K值进行区域的提取存在信息丢失的问题，导致一些像素点包含的信息被丢失，最终导致通过病灶区域病变的进行判断存在误差；而误分配位置在某一簇类包含的区域像素点中，存在部分其余簇类的像素点。
1.获取患者肺部X光图像的每个聚类簇和每个聚类簇中每个像素点的类别编号。
预设一个参数和一个灰度区间/>，其中本实施例以/>为例进行叙述，本实施例不进行具体限定，其中/>根据具体实施情况而定。
具体的，利用 的均值聚类算法对患者肺部X光图像中所有像素点进行聚类，获得/>个聚类簇；对于任意一个聚类簇，若所述聚类簇的灰度值均值属于灰度区间/>，则将所述聚类簇作为患者肺部X光图像的初始病灶区域，并将/>作为初始病灶区域中每个像素点的类别编号；将闭区间/>内的整数分别作为除初始病灶区域对应的聚类簇以外的每个聚类簇中所有像素点的类别编号。
其中，个聚类簇包括骨骼聚类簇、肌肉聚类簇、血管聚类簇、肺部组织聚类簇、肺部气管聚类簇、病灶区域聚类簇和其他组织聚类簇；聚类簇的灰度值均值是指聚类簇中所有像素点灰度值的均值；一个聚类簇中所有像素点的类别编号相同，一个聚类簇对应一个类别编号。
其中，均值聚类算法为现有技术，本实施例此处不作过多赘述。
至此，获得患者肺部X光图像的每个聚类簇和每个聚类簇中每个像素点的类别编号。
2.获取患者肺部X光图像的目标病灶区域。
需要说明的是，由于病灶区域产生的灰度较为随机，因此预设的K值代表的灰度级不能够完全覆盖病灶区域的像素点，而盲目变更灰度级的范围，会造成更多的像素点被误分类。而人工变更k值代表的灰度范围对于不同的病变组织的检验效率不佳，因此，在聚类获得结果后，根据病灶区域的像素点特征自适应的进行像素点的融合。
进一步需要说明的是，通过凸包算法获得病灶区域的扩大区域，将病灶区域附近的部分边缘位置纳入判断范围，避免病灶区域的边缘及内部存在的其他被误分类的k类别像素点无法被判断。
具体的，利用凸包算法对患者肺部X光图像的初始病灶区域进行凸包检测，将凸包检测后的结果作为患者肺部X光图像的目标病灶区域。
其中，凸包算法为现有技术，本实施例此处不作过多赘述。
至此，通过上述方法得到患者肺部X光图像的目标病灶区域。
步骤S003：根据患者肺部X光图像的目标病灶区域的粘连程度，获取目标病灶区域中每个目标像素点的融合必要性。
1.获取患者肺部X光图像的目标病灶区域的粘连程度。
需要说明的是，由于目标病灶区域中不仅包含了初始病灶区域的像素点，还包含有与初始病灶区域邻接的一部分其他聚簇类的像素点，因此通过计算目标病灶区域内像素点之间的聚集相似性情况进行区域内初始病灶区域边缘是否存在像素点粘连情况的评价，便于筛选出存在聚类异常的病灶区域。
具体的，将患者肺部X光图像的目标病灶区域中除初始病灶区域以外的所有像素点记为目标病灶区域的目标像素点，则患者肺部X光图像的目标病灶区域的粘连程度的计算方法为：
式中，表示患者肺部X光图像的目标病灶区域的粘连程度；/>表示患者肺部X光图像的目标病灶区域中其他聚簇类像素点的聚集程度；/>表示患者肺部X光图像的目标病灶区域的所有像素点总数量；/>表示患者肺部X光图像的初始病灶区域的所有像素点总数量；/>表示患者肺部X光图像的目标病灶区域中第/>个目标像素点的灰度值；/>表示患者肺部X光图像的初始病灶区域的所有像素点的灰度值的均值；/>表示患者肺部X光图像的初始病灶区域的所有像素点的灰度值的标准差。
需要说明的是，表示其他聚簇类的像素点数量占有的比值，该式越大说明目标病灶区域中含有的其他聚簇类的像素点数量越多，即目标病灶区域的特征越不明显，判断为聚簇类周边可能产生了区域粘连的情况；/>表示目标病灶区域中其他聚簇类像素点的聚集程度，当该式越大时，说明目标病灶区域中其他聚簇类的像素点相对初始病灶区域的灰度均值更为相似，更容易形成区域平滑变化的粘连边缘，代表更必要进行目标病灶区域中像素点进行判断分割。
进一步需要说明的是，由于组织病变依赖于正常组织产生，因此只通过完全病变的先验知识聚类得到的簇类结果作为初始病灶区域，忽略了病变是一种缓慢且连续的变化过程，因此聚簇结果的簇类边缘并不一定为实际的病灶边缘，通过计算目标病灶区域内数据点之间的聚集相似性情况进行区域内目标病灶区域的边缘是否存在像素点粘连情况的评价，能够筛选出存在错误分割的区域进行进一步判断分析，在减少异常目标识别范围增加识别准确性的基础上，避免了正常区域混入异常区域的计算过程导致病灶识别被引入错误。
至此，获得患者肺部X光图像的目标病灶区域的粘连程度。
2.获取患者肺部X光图像的目标病灶区域中每个目标像素点的融合必要性。
需要说明的是，因目标病灶区域所属k值的范围并不能够完整的病灶区域进行分化，通过计算目标病灶区域中每个目标像素点的融合必要性，将目标像素点与周围像素点的类别编号和灰度差异进行评价，便于目标病灶区域内部被分为其他类别的像素点进行融合，令最终根据目标病灶区域进行区域分割的病灶区域更加准确。
预设一个参数，其中本实施例以/>为例进行叙述，本实施例不进行具体限定，其中/>根据具体实施情况而定。
具体的，对于患者肺部X光图像的目标病灶区域中第个目标像素点，以第/>个目标像素点作为窗口中心，获取窗口大小为/>的窗口，并将所述窗口记为第/>个目标像素点的邻域范围；
将第个目标像素点的类别编号记为第一类别编号，将第/>个目标像素点的邻域范围中类别编号为第一类别编号的所有像素点数量与所述邻域范围的所有像素点数量的比值，作为第/>个目标像素点的类别占比程度；则患者肺部X光图像的目标病灶区域中第/>个目标像素点的融合必要性的计算方法为：
式中，表示患者肺部X光图像的目标病灶区域中第/>个目标像素点的融合必要性；表示患者肺部X光图像的目标病灶区域中第/>个目标像素点与其邻域范围内其他像素点的灰度差异；/>表示患者肺部X光图像的目标病灶区域中第/>个目标像素点的类别占比程度；/>表示患者肺部X光图像的目标病灶区域的粘连程度；/>表示患者肺部X光图像的目标病灶区域中第/>个目标像素点的灰度值；/>表示患者肺部X光图像的目标病灶区域中第/>个目标像素点的邻域范围内第/>个像素点的灰度值；/>为预设参数；/>表示线性归一化函数。
需要说明的是，第个目标像素点周围存在其他聚类簇的像素点数量越多，目标病灶区域的粘连程度越大，说明第/>个目标像素点越需要进行像素点点融合；/>表示第/>个目标像素点与其邻域范围内其他像素点的灰度差异，差异越小说明第/>个目标像素点与邻域之间的像素点的灰度越接近，说明第/>个目标像素点越需要进行像素点点融合。
至此，通过上述方法得到患者肺部X光图像的目标病灶区域中每个目标像素点的融合必要性。
步骤S004：根据肺部病灶区域图像获取肺部病灶区域的病变程度。
预设一个阈值，其中本实施例以/>为例进行叙述，本实施例不进行具体限定，其中/>根据具体实施情况而定。
具体的，对于患者肺部X光图像的目标病灶区域中第个目标像素点，若第/>个目标像素点的融合必要性大于阈值/>，则将第/>个目标像素点划入患者肺部X光图像的初始病灶区域，进而获得更新后的初始病灶区域，并记为肺部病灶区域图像。
进一步的，通过U-net神经网络对肺部病灶区域图像进行肺部病变程度识别的具体方法为：通过搜集大量不同病变程度的肺部病灶区域图像，将病变程度严重、病变程度轻度和未病变作为人工标签，利用人工标签对不同病变程度的肺部病灶区域图像进行人工标注，将带有人工标签的肺部病灶区域图像作为一个样本，则由大量样本构成训练U-net神经网络的数据集；本实施例神经网络采用Encoder-Decoder结构，并采用交叉熵损失函数来监督训练，在神经网络训练完成后，把肺部病灶区域图像送入神经网络中，由网络推理得到对应的肺部病灶区域的病变程度。
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)

1.一种肺部X光影像中白肺特征识别及分割方法，其特征在于，该方法包括以下步骤：
获取患者肺部X光图像；
对患者肺部X光图像中所有像素点进行聚类，获得患者肺部X光图像的初始病灶区域；将初始病灶区域的凸包检测结果作为目标病灶区域；
根据目标病灶区域中像素点分布，获取目标病灶区域的每个目标像素点；根据目标病灶区域内目标像素点和其他像素点灰度差异，获取目标病灶区域的粘连程度；根据目标病灶区域的粘连程度以及目标病灶区域中像素点的分布，获取目标病灶区域中每个目标像素点的融合必要性；
根据目标病灶区域中每个目标像素点的融合必要性，对初始病灶区域进行更新，获取肺部病灶区域图像；根据肺部病灶区域图像，获取肺部病灶区域的病变程度。
2.根据权利要求1所述一种肺部X光影像中白肺特征识别及分割方法，其特征在于，所述对患者肺部X光图像中所有像素点进行聚类，获得患者肺部X光图像的初始病灶区域，包括的具体方法为：
预设一个参数和一个灰度区间/>，利用 />的均值聚类算法对患者肺部X光图像中所有像素点进行聚类，获得/>个聚类簇；对于任意一个聚类簇，若所述聚类簇的灰度值均值属于灰度区间/>，则将所述聚类簇作为患者肺部X光图像的初始病灶区域，并将/>作为初始病灶区域中每个像素点的类别编号；将闭区间/>内的整数分别作为除初始病灶区域对应的聚类簇以外的每个聚类簇中所有像素点的类别编号。
3.根据权利要求1所述一种肺部X光影像中白肺特征识别及分割方法，其特征在于，所述根据目标病灶区域中像素点分布，获取目标病灶区域的每个目标像素点，包括的具体方法为：
将患者肺部X光图像的目标病灶区域中除初始病灶区域以外的所有像素点记为目标病灶区域的目标像素点。
4.根据权利要求1所述一种肺部X光影像中白肺特征识别及分割方法，其特征在于，所述根据目标病灶区域内目标像素点和其他像素点灰度差异，获取目标病灶区域的粘连程度，包括的具体方法为：
获取患者肺部X光图像的目标病灶区域中其他聚簇类像素点的聚集程度；则患者肺部X光图像的目标病灶区域的粘连程度的计算方法为：
式中，表示患者肺部X光图像的目标病灶区域的粘连程度；/>表示患者肺部X光图像的目标病灶区域中其他聚簇类像素点的聚集程度；/>表示患者肺部X光图像的目标病灶区域的所有像素点总数量；/>表示患者肺部X光图像的初始病灶区域的所有像素点总数量。
5.根据权利要求4所述一种肺部X光影像中白肺特征识别及分割方法，其特征在于，所述获取患者肺部X光图像的目标病灶区域中其他聚簇类像素点的聚集程度的具体公式为：
式中，表示患者肺部X光图像的目标病灶区域中第/>个目标像素点的灰度值；/>表示患者肺部X光图像的初始病灶区域的所有像素点的灰度值的均值；/>表示患者肺部X光图像的初始病灶区域的所有像素点的灰度值的标准差。
6.根据权利要求1所述一种肺部X光影像中白肺特征识别及分割方法，其特征在于，所述根据目标病灶区域的粘连程度以及目标病灶区域中像素点的分布，获取目标病灶区域中每个目标像素点的融合必要性，包括的具体方法为：
获取患者肺部X光图像的目标病灶区域中第个目标像素点的邻域范围；获取患者肺部X光图像的目标病灶区域中第/>个目标像素点的类别占比程度；获取患者肺部X光图像的目标病灶区域中第/>个目标像素点与其邻域范围内其他像素点的灰度差异；则患者肺部X光图像的目标病灶区域中第/>个目标像素点的融合必要性的计算方法为：
式中，表示患者肺部X光图像的目标病灶区域中第/>个目标像素点的融合必要性；/>表示患者肺部X光图像的目标病灶区域中第/>个目标像素点与其邻域范围内其他像素点的灰度差异；/>表示患者肺部X光图像的目标病灶区域中第/>个目标像素点的类别占比程度；/>表示患者肺部X光图像的目标病灶区域的粘连程度；/>表示线性归一化函数。
7.根据权利要求6所述一种肺部X光影像中白肺特征识别及分割方法，其特征在于，所述获取患者肺部X光图像的目标病灶区域中第个目标像素点的邻域范围，包括的具体方法为：
预设一个参数，对于患者肺部X光图像的目标病灶区域中第/>个目标像素点，以第/>个目标像素点作为窗口中心，获取窗口大小为/>的窗口，并将所述窗口记为第/>个目标像素点的邻域范围。
8.根据权利要求6所述一种肺部X光影像中白肺特征识别及分割方法，其特征在于，所述获取患者肺部X光图像的目标病灶区域中第个目标像素点的类别占比程度，包括的具体方法为：
将第个目标像素点的类别编号记为第一类别编号，将第/>个目标像素点的邻域范围中类别编号为第一类别编号的所有像素点数量与所述邻域范围的所有像素点数量的比值，作为第/>个目标像素点的类别占比程度。
9.根据权利要求6所述一种肺部X光影像中白肺特征识别及分割方法，其特征在于，所述获取患者肺部X光图像的目标病灶区域中第个目标像素点与其邻域范围内其他像素点的灰度差异的具体公式为：
式中，表示患者肺部X光图像的目标病灶区域中第/>个目标像素点的灰度值；/>表示患者肺部X光图像的目标病灶区域中第/>个目标像素点的邻域范围内第/>个像素点的灰度值；/>为预设参数。
10.根据权利要求1所述一种肺部X光影像中白肺特征识别及分割方法，其特征在于，所述根据目标病灶区域中每个目标像素点的融合必要性，对初始病灶区域进行更新，获取肺部病灶区域图像，包括的具体方法为：
预设一个阈值，对于患者肺部X光图像的目标病灶区域中第/>个目标像素点，若第/>个目标像素点的融合必要性大于阈值/>，则将第/>个目标像素点划入患者肺部X光图像的初始病灶区域，进而获得更新后的初始病灶区域，并记为肺部病灶区域图像。
CN202311734491.8A 2023-12-18 2023-12-18 一种肺部x光影像中白肺特征识别及分割方法 Withdrawn CN117437492A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311734491.8A CN117437492A (zh) 2023-12-18 2023-12-18 一种肺部x光影像中白肺特征识别及分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311734491.8A CN117437492A (zh) 2023-12-18 2023-12-18 一种肺部x光影像中白肺特征识别及分割方法

Publications (1)

Publication Number Publication Date
CN117437492A true CN117437492A (zh) 2024-01-23

Family

ID=89551832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311734491.8A Withdrawn CN117437492A (zh) 2023-12-18 2023-12-18 一种肺部x光影像中白肺特征识别及分割方法

Country Status (1)

Country Link
CN (1) CN117437492A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635613A (zh) * 2024-01-25 2024-03-01 武汉大学人民医院（湖北省人民医院） 一种眼底病灶监测装置及方法
CN118096794A (zh) * 2024-04-17 2024-05-28 天津市肿瘤医院（天津医科大学肿瘤医院） 一种基于胸外科ct影像的智能分割方法
CN118334017A (zh) * 2024-06-12 2024-07-12 中国人民解放军总医院第八医学中心 一种面向呼吸道传染病的风险辅助评估方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635613A (zh) * 2024-01-25 2024-03-01 武汉大学人民医院（湖北省人民医院） 一种眼底病灶监测装置及方法
CN117635613B (zh) * 2024-01-25 2024-04-16 武汉大学人民医院（湖北省人民医院） 一种眼底病灶监测装置及方法
CN118096794A (zh) * 2024-04-17 2024-05-28 天津市肿瘤医院（天津医科大学肿瘤医院） 一种基于胸外科ct影像的智能分割方法
CN118096794B (zh) * 2024-04-17 2024-07-05 天津市肿瘤医院（天津医科大学肿瘤医院） 一种基于胸外科ct影像的智能分割方法
CN118334017A (zh) * 2024-06-12 2024-07-12 中国人民解放军总医院第八医学中心 一种面向呼吸道传染病的风险辅助评估方法

Similar Documents

Publication Publication Date Title
CN115359052B (zh) 基于聚类算法的医疗影像增强方法
CN117437492A (zh) 一种肺部x光影像中白肺特征识别及分割方法
CN116152505B (zh) 基于x光数据的骨骼目标识别分割方法
CN117409004B (zh) 一种基于医疗影像分析的肺部康复智能辅助系统
CN109035283B (zh) 一种基于随机选取分区的肺气肿精准检测与量化分析方法
CN115345893B (zh) 基于图像处理的卵巢组织癌变区域分割方法
CN101103924A (zh) 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统
JPH09185714A (ja) コンピュータ支援診断方法
CN115330800A (zh) 基于图像处理的放疗靶区自动分割方法
CN103249358A (zh) 医用图像处理装置
CN109300122B (zh) 图像处理与阈值确定方法、装置及设备
Hsieh et al. Combining VGG16, Mask R-CNN and Inception V3 to identify the benign and malignant of breast microcalcification clusters
CN116993736B (zh) 一种骨质疏松区域智能识别系统
CN117437247B (zh) 一种基于自然腔道影像的病变区域提取分割方法
CN116485819B (zh) 一种耳鼻喉检查图像分割方法及系统
CN116228767B (zh) 基于计算机视觉的x光肺部肿块图像处理方法
CN115444355B (zh) 一种内窥镜病变尺寸信息确定方法、电子设备及存储介质
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
CN117237342B (zh) 一种呼吸康复ct影像智能分析方法
CN118411528B (zh) 一种胃部ct影像特征识别及分割系统
CN117974692B (zh) 一种基于区域生长的眼科医学影像处理方法
CN117237389B (zh) 一种中耳胆脂瘤ct影像分割方法
CN118096794B (zh) 一种基于胸外科ct影像的智能分割方法
CN118196123B (zh) 一种肺部纤维吸入致病的肺部x光图像处理方法
Rudrapatna et al. Knowledge-driven automated detection of pleural plaques and thickening in high resolution CT of the lung

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: 20240123