CN117522862A - 一种基于ct影像肺炎识别的图像处理方法及处理系统 - Google Patents
一种基于ct影像肺炎识别的图像处理方法及处理系统 Download PDFInfo
- Publication number
- CN117522862A CN117522862A CN202311811393.XA CN202311811393A CN117522862A CN 117522862 A CN117522862 A CN 117522862A CN 202311811393 A CN202311811393 A CN 202311811393A CN 117522862 A CN117522862 A CN 117522862A
- Authority
- CN
- China
- Prior art keywords
- image
- lung
- gray
- pixel
- gray level
- 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- Withdrawn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
- 206010035664 Pneumonia Diseases 0.000 title claims abstract description 35
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 239000011521 glass Substances 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 12
- 230000007797 corrosion Effects 0.000 claims abstract description 10
- 238000005260 corrosion Methods 0.000 claims abstract description 10
- 210000004072 lung Anatomy 0.000 claims description 114
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 239000011800 void material Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 239000005337 ground glass Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 206010037423 Pulmonary oedema Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007119 pathological manifestation Effects 0.000 description 1
- 208000005333 pulmonary edema Diseases 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000003325 tomography 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于CT影像肺炎识别的图像处理方法及处理系统，涉及图像处理技术领域，该方案的技术要点为：通过对肺部CT影像二值化处理转换为二值图像，进行膨胀操作，填补空洞，进行腐蚀操作，保留原来的大小；对肺部CT影像灰度化处理转换为灰度图像，计算灰度图像的灰度变化平均值；逐像素移动滑动窗口，计算滑动窗口内的灰度变化平均值，结合灰度图像的灰度变化平均值，计算获取滑动窗口内的灰度偏差值，当灰度偏差值大于或等于模糊阈值时，选取中心点像素，对中心点像素所在的局部区域包含的像素点进行扩充，对不同区域进行合并，准确地反映图像的模糊程度，以及评估磨玻璃影的范围和分布情况。
Description
技术领域
本发明涉及图像处理技术领域，具体为一种基于CT影像肺炎识别的图像处理方法及处理系统。
背景技术
肺炎是一种常见的呼吸系统疾病，其诊断通常依赖于医学影像技术，如CT扫描，CT影像技术，又称为电子计算机X射线断层扫描技术，是一种先进的医学影像技术，其成像原理是利用X线束对人体特定部位一定厚度的层面进行扫描，探测器接收透过该层面的X线，经过计算机处理后得到医学影像。
在申请公布号为CN111724356B的中国发明申请中，公开了一种用于CT影像肺炎识别的图像处理方法和系统，该图像处理方法在卷积分类模型中引入基于肺炎掩模的注意力机制，对卷积特征在空间层面进行加权，对于肺炎区域的特征乘一个更大的系数，非肺炎区域特征乘以一个小的系数，使肺炎区域特征更加突出。
在申请公布号为CN112017184B的中国发明申请中，公开了一种基于肺部非均匀池化的肺炎CT图像处理方法，包括以下步骤：S1、基于FPN的全自动肺分割算法；S2、双肺中心线的识别；S3、肺部池化操作；S4、基于肺部池化的卷积神经网络。
结合现有技术，以上申请还存在以下不足：
1、当前的图像处理技术并未充分考虑到图像自身的特性，由于不同设备拍摄图像的清晰度存在差异，同一种标准进行判断会导致结果不够准确，存在误判、漏判的情况；
2、现有的技术对于肺炎的区分已经有一定的准确性，但在对于病症的准确定位和范围划分还存在一定的不足，例如，肺炎的一种常见征象磨玻璃影，它的位置和范围往往不能被准确地检测和定位。
发明内容
针对现有技术的不足，本发明提供了一种基于CT影像肺炎识别的图像处理方法及处理系统，通过对肺部CT影像进行二值化处理转换为二值图像，对二值化图像进行膨胀操作，以填补肺部区域中的空洞，继续进行腐蚀操作，以保留肺部区域原来的大小；对肺部CT影像进行灰度化处理，转换为肺部灰度图像，计算肺部灰度图像所有像素点的灰度平均值，进一步计算出肺部灰度图像的灰度变化平均值；将肺部灰度图像分割成个不重叠的小块，设置大小为/>的滑动窗口，逐像素移动滑动窗口，计算滑动窗口内的灰度变化平均值，结合肺部灰度图像的灰度变化平均值，计算获取滑动窗口内的灰度偏差值，当滑动窗口内的灰度偏差值大于或等于模糊阈值时，选取中心点像素，对中心点像素所在的局部区域包含的像素点进行扩充，直至该局部区域的灰度偏差值小于模糊阈值，对包含相同像素点的不同区域进行合并，判定为磨玻璃影区域，解决了背景技术中提到的不足。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于CT影像肺炎识别的图像处理方法，包括以下步骤：
获取正常肺部CT影像和肺炎CT影像，并建立样本数据集；
对肺部CT影像进行二值化处理，将肺部CT影像转换为二值化图像，对二值化图像进行膨胀操作，以填补肺部区域中的空洞，继续进行腐蚀操作，以保留肺部区域原来的大小；
对肺部CT影像进行灰度化处理，转换为肺部灰度图像，计算肺部灰度图像所有像素点的灰度平均值，进一步计算出肺部灰度图像的灰度变化平均值，对肺部灰度图像的灰度变化进行评估；
将肺部灰度图像分割成个不重叠的小块，设置大小为/>的滑动窗口，逐像素移动滑动窗口，计算滑动窗口内的灰度变化平均值，结合肺部灰度图像的灰度变化平均值，计算获取滑动窗口内的灰度偏差值，对滑动窗口内中心像素的模糊程度进行评估；
当滑动窗口内的灰度偏差值大于或等于模糊阈值时，选取中心点像素，对中心点像素所在的局部区域包含的像素点进行扩充，直至该局部区域的灰度偏差值小于模糊阈值，对包含相同像素点的不同区域进行合并，判定为磨玻璃影区域，并将结果输出。
进一步的，从医疗数据库或公开数据集中获取正常肺部CT影像和肺炎CT影像，所述影像来自于不同的时间点和不同的病人。
进一步的，使用一个的方形或圆形结构元素，将结构元素在二值化图像上滑动，并将每个像素与结构元素中的像素进行逻辑“与”运算，从而将邻近的肺部区域连接起来，填补空洞。
进一步的，获取肺部CT影像，并进行灰度化处理，将其转换为肺部灰度图像；
获取肺部灰度图像所有像素点的灰度值，并计算所有像素点的灰度平均值，计算公式如下：
；
其中，表示所有像素点的灰度平均值，/>表示像素点的灰度值，x表示像素点的横轴坐标，y表示像素点的纵轴坐标，X为横轴像素的总数，Y为纵轴像素的总数。
进一步的，通过所有像素点的灰度平均值，计算获取肺部灰度图像的灰度变化平均值，对肺部灰度图像的灰度变化进行评估，灰度变化平均值对应的计算公式如下：
；
其中，S表示灰度变化平均值。
进一步的，将肺部灰度图像分割成不重叠的小块，其中/>为肺部灰度图像中块的总数；
设置大小为的滑动窗口，在肺部灰度图像区域内，逐像素移动滑动窗口，计算滑动窗口内的灰度变化平均值。
进一步的，结合肺部灰度图像的灰度变化平均值，计算获取滑动窗口内的灰度偏差值，对滑动窗口内中心像素的模糊程度进行评估，计算公式如下：
；
其中，表示每次滑动时滑动窗口内的灰度偏差值，i表示第i次滑动，S表示肺部灰度图像的灰度变化平均值，/>表示每次滑动时滑动窗口内灰度变化平均值。
进一步的，预先设置模糊阈值，当滑动窗口内的灰度偏差值大于或等于模糊阈值时，选取中心点像素；
对中心点像素取尺寸为H*H的局部区域，并计算该局部区域的灰度偏差值；
对中心点像素所在的局部区域包含的像素点进行扩充，直至该局部区域的灰度偏差值小于模糊阈值；
对包含相同像素点的不同区域进行合并，并判定为磨玻璃影区域，将结果输出。
一种基于CT影像肺炎识别的图像处理系统，包括数据获取模块、图像分割模块、灰度分析模块、模糊评估模块以及磨玻璃影检测模块；其中，数据获取模块，从医疗数据库或公开数据集中获取肺部肺炎CT影像，并建立样本数据集；
图像分割模块，对肺部CT影像进行二值化处理，将肺部CT影像转换为二值化图像，对二值化图像进行膨胀操作，以填补肺部区域中的空洞，继续进行腐蚀操作，以保留肺部区域原来的大小；
灰度分析模块，对肺部CT影像进行灰度化处理，转换为肺部灰度图像，计算肺部灰度图像所有像素点的灰度平均值，进一步计算出肺部灰度图像的灰度变化平均值，对肺部灰度图像的灰度变化进行评估；
模糊评估模块，将肺部灰度图像分割成个不重叠的小块，设置大小为/>的滑动窗口，逐像素移动滑动窗口，计算滑动窗口内的灰度变化平均值，结合肺部灰度图像的灰度变化平均值，计算获取滑动窗口内的灰度偏差值，对滑动窗口内中心像素的模糊程度进行评估；
磨玻璃影检测模块，当滑动窗口内的灰度偏差值大于或等于模糊阈值时，选取中心点像素，对中心点像素所在的局部区域包含的像素点进行扩充，直至该局部区域的灰度偏差值小于模糊阈值，对包含相同像素点的不同区域进行合并，判定为磨玻璃影区域，并将结果输出。
本发明提供了一种基于CT影像肺炎识别的图像处理方法及处理系统，具备以下有益效果：
（1）通过二值化处理，从而使得图像的轮廓更加清晰，通过膨胀操作，可以填补肺部区域中的空洞，使得肺部区域更加完整，从而在后续的处理中减少误判和漏判的可能性，通过腐蚀操作，可以保留肺部区域原来的大小，减少其他区域的干扰。
（2）通过灰度化处理，将肺部CT影像转换为灰度图像，减少了图像的颜色信息干扰，突出了图像的清晰度和细节，通过灰度变化平均值，可以评估图像的纹理和细节表现，从而反映图像的清晰度和质量。
（3）通过计算灰度偏差值来评估中心像素的模糊程度，可以定量地评估图像的清晰度和模糊程度，由于不同设备其清晰度不同，因此基于图像自身的特征进行评估，可以更准确地反映图像的模糊程度和失真情况，从而为后续的处理和分析提供更为准确的定量评估结果。
（4）通过设置模糊阈值并选取中心点像素的局部区域，可以准确地检测到图像中模糊区域的位置和范围，通过对中心点像素所在的局部区域进行扩充，可以精细化分析图像中每个像素点的灰度变化情况，模糊区域可能分布在肺部的不同位置，需要准确地标注出磨玻璃影的位置和范围，通过对模糊区域的灰度值进行定量分析，可以更准确地评估磨玻璃影的范围和分布情况。
附图说明
图1为本发明基于CT影像肺炎识别的图像处理方法步骤示意图；
图2为本发明基于CT影像肺炎识别的图像处理方法流程示意图；
图3为本发明基于CT影像肺炎识别的图像处理系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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。
请参阅图1至图2，本发明提供一种基于CT影像肺炎识别的图像处理方法，包括以下步骤：
步骤一：获取正常肺部CT影像和肺炎CT影像，并建立样本数据集；
所述步骤一包括以下内容：
步骤101：从医疗数据库或公开数据集中获取正常肺部CT影像和肺炎CT影像，这些影像来自于不同的时间点、不同的病人等，以保证样本的多样性；
步骤102：对收集到的肺部肺炎CT影像进行预处理，包括图像格式转换、图像增强、去噪等操作，以提高图像的质量和清晰度；
步骤103：将预处理后的肺部肺炎CT影像建立样本数据集。
需要说明的是，预处理是为了提高图像的质量和清晰度，包括图像格式转换、图像增强、去噪等操作，这些操作可以去除图像中的噪声、改善图像的对比度和清晰度，以便更好地提取特征和进行分类。
使用时，结合步骤101至步骤103的内容：
通过从医疗数据库或公开数据集中获取正常肺部CT影像和肺炎CT影像，这些影像来自于不同的时间点、不同的病人等，可以保证样本的多样性，从而使得模型能够更好地泛化不同情况下的肺炎识别任务。
步骤二：对肺部CT影像进行二值化处理，将肺部CT影像转换为二值化图像，对二值化图像进行膨胀操作，以填补肺部区域中的空洞，继续进行腐蚀操作，以保留肺部区域原来的大小；
所述步骤二包括以下内容：
步骤201：对肺部CT影像进行二值化处理，将图像转换为只有两个像素值（通常是0和255）的二值图像；
具体的，通过设置一个适当的阈值来实现，例如，如果像素值低于阈值，则将其设置为0，否则设置为255；
步骤202：对二值化图像进行膨胀操作，以填补肺部区域中的空洞；
具体的，通过使用一个结构元素来实现，例如一个的方形或圆形结构元素，将结构元素在二值化图像上滑动，并将每个像素与结构元素中的像素进行逻辑“与”运算，从而将邻近的肺部区域连接起来，填补空洞；
步骤203：对二值化图像进行腐蚀操作，以保留肺部区域原来的大小；
具体的，通过使用一个结构元素来实现，将结构元素在二值化图像上滑动，并将每个像素与结构元素中的像素进行逻辑“与”运算，从而将肺部区域的边界平滑化，减少噪声和细节。
需要说明的是，在进行二值化处理时，需要选择一个合适的阈值，以便将像素值转换为0和255两个值，阈值的选择需要根据实际情况进行调整和优化，以确保二值化图像能够准确地反映肺部区域的实际轮廓和结构；
在进行膨胀操作时，需要选择合适的结构元素大小和形状，并根据实际情况进行调整和优化，结构元素的大小和形状会影响膨胀操作的效果，从而影响肺部区域中空洞的填补效果；
在进行腐蚀操作时，同样需要选择合适的结构元素大小和形状，并根据实际情况进行调整和优化，结构元素的大小和形状会影响腐蚀操作的效果，从而影响肺部区域边界的平滑程度和保留大小的效果。
使用时，结合步骤201至步骤203的内容：
通过二值化处理，从而使得图像的轮廓更加清晰，通过膨胀操作，可以填补肺部区域中的空洞，使得肺部区域更加完整，从而在后续的处理中减少误判和漏判的可能性，通过腐蚀操作，可以保留肺部区域原来的大小，减少其他区域的干扰。
步骤三：对肺部CT影像进行灰度化处理，转换为肺部灰度图像，计算肺部灰度图像所有像素点的灰度平均值，进一步计算出肺部灰度图像的灰度变化平均值，对肺部灰度图像的灰度变化进行评估；
所述步骤三包括以下内容：
步骤301：获取肺部CT影像，并进行灰度化处理，将其转换为肺部灰度图像；
需要说明的是，灰度化是一种将彩色图像转换为黑白图像的过程，其中每个像素的值代表了像素的亮度级别，通过灰度化处理，可以减少图像的颜色信息，突出图像的清晰度和细节。
步骤302：获取肺部灰度图像所有像素点的灰度值，并计算所有像素点的灰度平均值，计算公式如下：
；
其中，表示所有像素点的灰度平均值，/>表示像素点的灰度值，x表示像素点的横轴坐标，y表示像素点的纵轴坐标，X为横轴像素的总数，Y为纵轴像素的总数；
步骤303：通过所有像素点的灰度平均值，计算获取肺部灰度图像的灰度变化平均值，对肺部灰度图像的灰度变化进行评估，灰度变化平均值对应的计算公式如下：
；
其中，S表示灰度变化平均值。
需要说明的是，灰度变化平均程度可以反映图像的纹理和细节信息，如果灰度变化平均程度高，说明图像的纹理和细节表现较好，反之则较差，因此，将灰度变化平均程度作为清晰度指标可以评估图像的清晰度和质量。
使用时，结合步骤301至步骤303的内容：
通过灰度化处理，将肺部CT影像转换为灰度图像，减少了图像的颜色信息干扰，突出了图像的清晰度和细节，通过灰度变化平均值，可以评估图像的纹理和细节表现，从而反映图像的清晰度和质量。
步骤四：将肺部灰度图像分割成个不重叠的小块，设置大小为/>的滑动窗口，逐像素移动滑动窗口，计算滑动窗口内的灰度变化平均值，结合肺部灰度图像的灰度变化平均值，计算获取滑动窗口内的灰度偏差值，对滑动窗口内中心像素的模糊程度进行评估；
所述步骤四包括以下步骤：
步骤401：将肺部灰度图像分割成个不重叠的小块，其中/>为肺部灰度图像中块的总数；
步骤402：设置大小为的滑动窗口，在肺部灰度图像区域内，逐像素移动滑动窗口，计算滑动窗口内的灰度变化平均值；
步骤403：结合肺部灰度图像的灰度变化平均值，计算获取滑动窗口内的灰度偏差值，对滑动窗口内中心像素的模糊程度进行评估，计算公式如下：
；
其中，表示每次滑动时滑动窗口内的灰度偏差值，i表示第i次滑动，S表示肺部灰度图像的灰度变化平均值，/>表示每次滑动时滑动窗口内灰度变化平均值。
需要说明的是，通过逐像素移动滑动窗口，可以遍历肺部灰度图像的每个像素点，并计算该像素点周围一定范围内的灰度变化情况，滑动窗口的大小和形状可以根据具体情况进行设置，通常情况下需要选择适当的窗口大小和形状来平衡计算精度和计算效率。
使用时，结合步骤401至步骤403的内容：
通过计算灰度偏差值来评估中心像素的模糊程度，可以定量地评估图像的清晰度和模糊程度，由于不同设备其清晰度不同，因此基于图像自身的特征进行评估，可以更准确地反映图像的模糊程度和失真情况，从而为后续的处理和分析提供更为准确的定量评估结果。
步骤五：当滑动窗口内的灰度偏差值大于或等于模糊阈值时，选取中心点像素，对中心点像素所在的局部区域包含的像素点进行扩充，直至该局部区域的灰度偏差值小于模糊阈值，对包含相同像素点的不同区域进行合并，判定为磨玻璃影区域，并将结果输出。
所述步骤五包括以下步骤：
步骤501：预先设置模糊阈值，当滑动窗口内的灰度偏差值大于或等于模糊阈值时，选取中心点像素；
步骤502：对中心点像素取尺寸为H*H的局部区域，并计算该局部区域的灰度偏差值；
步骤503：对中心点像素所在的局部区域包含的像素点进行扩充，直至该局部区域的灰度偏差值小于模糊阈值；
步骤504：对包含相同像素点的不同区域进行合并，并判定为磨玻璃影区域，将结果输出。
需要说明的是，磨玻璃影是肺部CT影像中一种常见的病理表现，通常指肺泡腔内弥漫性分布的、密度轻度增高的模糊影，这种模糊影可能与肺水肿、肺炎、肺泡出血等相关疾病有关，因此，将模糊区域作为磨玻璃影输出，可以为临床医生提供有关肺部疾病的重要信息，有助于疾病的诊断和治疗。
使用时，结合步骤501至步骤504的内容：
通过设置模糊阈值并选取中心点像素的局部区域，可以准确地检测到图像中模糊区域的位置和范围，通过对中心点像素所在的局部区域进行扩充，可以精细化分析图像中每个像素点的灰度变化情况，模糊区域可能分布在肺部的不同位置，需要准确地标注出磨玻璃影的位置和范围，通过对模糊区域的灰度值进行定量分析，可以更准确地评估磨玻璃影的范围和分布情况。
请参阅图3，本发明还提供了一种基于CT影像肺炎识别的图像处理系统，包括数据获取模块、图像分割模块、灰度分析模块、模糊评估模块以及磨玻璃影检测模块；其中，数据获取模块，从医疗数据库或公开数据集中获取肺部肺炎CT影像，并建立样本数据集；
图像分割模块，对肺部CT影像进行二值化处理，将肺部CT影像转换为二值化图像，对二值化图像进行膨胀操作，以填补肺部区域中的空洞，继续进行腐蚀操作，以保留肺部区域原来的大小；
灰度分析模块，对肺部CT影像进行灰度化处理，转换为肺部灰度图像，计算肺部灰度图像所有像素点的灰度平均值，进一步计算出肺部灰度图像的灰度变化平均值，对肺部灰度图像的灰度变化进行评估；
模糊评估模块，将肺部灰度图像分割成个不重叠的小块，设置大小为/>的滑动窗口，逐像素移动滑动窗口，计算滑动窗口内的灰度变化平均值，结合肺部灰度图像的灰度变化平均值，计算获取滑动窗口内的灰度偏差值，对滑动窗口内中心像素的模糊程度进行评估；
磨玻璃影检测模块，当滑动窗口内的灰度偏差值大于或等于模糊阈值时，选取中心点像素，对中心点像素所在的局部区域包含的像素点进行扩充，直至该局部区域的灰度偏差值小于模糊阈值，对包含相同像素点的不同区域进行合并，判定为磨玻璃影区域，并将结果输出。
在申请中，所述涉及到的若干个公式均是去量纲后取其数值计算，而所述公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (9)
1.一种基于CT影像肺炎识别的图像处理方法，其特征在于，包括以下步骤：
获取正常肺部CT影像和肺炎CT影像，并建立样本数据集；
对肺部CT影像进行二值化处理，转换为二值化图像，对二值化图像进行膨胀操作，以填补肺部区域中的空洞，继续进行腐蚀操作，以保留肺部区域原来的大小；
对肺部CT影像进行灰度化处理，转换为肺部灰度图像，计算肺部灰度图像所有像素点的灰度平均值，进一步计算出肺部灰度图像的灰度变化平均值，对肺部灰度图像的灰度变化进行评估；
将肺部灰度图像分割成个不重叠的小块，设置大小为/>的滑动窗口，逐像素移动滑动窗口，计算滑动窗口内的灰度变化平均值，结合肺部灰度图像的灰度变化平均值，计算获取滑动窗口内的灰度偏差值，对滑动窗口内中心像素的模糊程度进行评估；
当滑动窗口内的灰度偏差值大于或等于模糊阈值时，选取中心点像素，对中心点像素所在的局部区域包含的像素点进行扩充，直至该局部区域的灰度偏差值小于模糊阈值，对包含相同像素点的不同区域进行合并，判定为磨玻璃影区域，并将结果输出。
2.根据权利要求1所述的一种基于CT影像肺炎识别的图像处理方法，其特征在于，从医疗数据库或公开数据集中获取正常肺部CT影像和肺炎CT影像，所述影像来自于不同的时间点和不同的病人。
3.根据权利要求2所述的一种基于CT影像肺炎识别的图像处理方法，其特征在于，使用一个的方形或圆形结构元素，将结构元素在二值化图像上滑动，并将每个像素与结构元素中的像素进行逻辑“与”运算，从而将邻近的肺部区域连接起来，填补空洞。
4.根据权利要求3所述的一种基于CT影像肺炎识别的图像处理方法，其特征在于，获取肺部CT影像，并进行灰度化处理，将其转换为肺部灰度图像；
获取肺部灰度图像所有像素点的灰度值，并计算所有像素点的灰度平均值，计算公式如下：
；
其中，表示所有像素点的灰度平均值，/>表示像素点的灰度值，x表示像素点的横轴坐标，y表示像素点的纵轴坐标，X为横轴像素的总数，Y为纵轴像素的总数。
5.根据权利要求4所述的一种基于CT影像肺炎识别的图像处理方法，其特征在于，通过所有像素点的灰度平均值，计算获取肺部灰度图像的灰度变化平均值，对肺部灰度图像的灰度变化进行评估，灰度变化平均值对应的计算公式如下：
；
其中，S表示灰度变化平均值。
6.根据权利要求1所述的一种基于CT影像肺炎识别的图像处理方法，其特征在于，将肺部灰度图像分割成个不重叠的小块，其中/>为肺部灰度图像中块的总数；
设置大小为的滑动窗口，在肺部灰度图像区域内，逐像素移动滑动窗口，计算滑动窗口内的灰度变化平均值。
7.根据权利要求6所述的一种基于CT影像肺炎识别的图像处理方法，其特征在于，结合肺部灰度图像的灰度变化平均值，计算获取滑动窗口内的灰度偏差值，对滑动窗口内中心像素的模糊程度进行评估，计算公式如下：
；
其中，表示每次滑动时滑动窗口内的灰度偏差值，i表示第i次滑动，S表示肺部灰度图像的灰度变化平均值，/>表示每次滑动时滑动窗口内灰度变化平均值。
8.根据权利要求7所述的一种基于CT影像肺炎识别的图像处理方法，其特征在于，当滑动窗口内的灰度偏差值大于或等于模糊阈值时，选取中心点像素；对中心点像素取尺寸为H*H的局部区域，并计算该局部区域的灰度偏差值；
对中心点像素所在的局部区域包含的像素点进行扩充，直至该局部区域的灰度偏差值小于模糊阈值；对包含相同像素点的不同区域进行合并，并判定为磨玻璃影区域，将结果输出。
9.一种基于CT影像肺炎识别的图像处理系统，用于实现权利要求1至8中任一项所述方法，其特征在于，包括数据获取模块、图像分割模块、灰度分析模块、模糊评估模块以及磨玻璃影检测模块；其中，数据获取模块，从医疗数据库或公开数据集中获取肺部肺炎CT影像，并建立样本数据集；
图像分割模块，对肺部CT影像进行二值化处理，将肺部CT影像转换为二值化图像，对二值化图像进行膨胀操作，以填补肺部区域中的空洞，继续进行腐蚀操作，以保留肺部区域原来的大小；
灰度分析模块，对肺部CT影像进行灰度化处理，转换为肺部灰度图像，计算肺部灰度图像所有像素点的灰度平均值，进一步计算出肺部灰度图像的灰度变化平均值，对肺部灰度图像的灰度变化进行评估；
模糊评估模块，将肺部灰度图像分割成个M*N不重叠的小块，设置大小为m*n的滑动窗口，逐像素移动滑动窗口，计算滑动窗口内的灰度变化平均值，结合肺部灰度图像的灰度变化平均值，计算获取滑动窗口内的灰度偏差值，对滑动窗口内中心像素的模糊程度进行评估；
磨玻璃影检测模块，当滑动窗口内的灰度偏差值大于或等于模糊阈值时，选取中心点像素，对中心点像素所在的局部区域包含的像素点进行扩充，直至该局部区域的灰度偏差值小于模糊阈值，对包含相同像素点的不同区域进行合并，判定为磨玻璃影区域，并将结果输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311811393.XA CN117522862A (zh) | 2023-12-27 | 2023-12-27 | 一种基于ct影像肺炎识别的图像处理方法及处理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311811393.XA CN117522862A (zh) | 2023-12-27 | 2023-12-27 | 一种基于ct影像肺炎识别的图像处理方法及处理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117522862A true CN117522862A (zh) | 2024-02-06 |
Family
ID=89748117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311811393.XA Withdrawn CN117522862A (zh) | 2023-12-27 | 2023-12-27 | 一种基于ct影像肺炎识别的图像处理方法及处理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117522862A (zh) |
-
2023
- 2023-12-27 CN CN202311811393.XA patent/CN117522862A/zh not_active Withdrawn
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111784671B (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
| CN109886179B (zh) | 基于Mask-RCNN的子宫颈细胞涂片的图像分割方法和系统 | |
| CN108052977B (zh) | 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法 | |
| CN110930416B (zh) | 一种基于u型网络的mri图像前列腺分割方法 | |
| JP6999812B2 (ja) | 骨年齢評価と身長予測モデルの確立方法、そのシステム及びその予測方法 | |
| CN111882560B (zh) | 一种基于加权全卷积神经网络的肺实质ct图像分割方法 | |
| CN112733950A (zh) | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 | |
| CN111047572A (zh) | 一种基于Mask RCNN的医学图像中脊柱自动定位方法 | |
| CN108734108B (zh) | 一种基于ssd网络的裂纹舌识别方法 | |
| US11475562B2 (en) | Fissurenet: a deep learning approach for pulmonary fissure detection in CT images | |
| JP6945253B2 (ja) | 分類装置、分類方法、プログラム、ならびに、情報記録媒体 | |
| CN112132166A (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
| CN115909006B (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
| CN114359288B (zh) | 基于人工智能的医学影像脑动脉瘤检测和定位方法 | |
| CN111275686A (zh) | 用于人工神经网络训练的医学图像数据的生成方法及装置 | |
| CN111383759A (zh) | 一种肺炎自动诊断系统 | |
| CN111062953A (zh) | 一种超声图像中甲状旁腺增生的识别方法 | |
| CN112102282A (zh) | 一种基于Mask RCNN的医学图像中不同节数腰椎的自动识别方法 | |
| CN115546232A (zh) | 一种肝脏超声图像工作区域提取方法、系统及电子设备 | |
| CN114972272A (zh) | 一种基于Grad-CAM的新冠肺炎病灶分割方法 | |
| CN111325754A (zh) | 一种基于ct序列图像的腰椎骨自动定位方法 | |
| CN114638800A (zh) | 一种基于改进Faster-RCNN的头影标记点定位方法 | |
| CN116993736B (zh) | 一种骨质疏松区域智能识别系统 | |
| CN112927215A (zh) | 一种消化道活检病理切片自动分析方法 | |
| CN117522862A (zh) | 一种基于ct影像肺炎识别的图像处理方法及处理系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240206 |