CN117557568B - 基于红外图像的热化疗过程中病灶区域分割方法 - Google Patents

基于红外图像的热化疗过程中病灶区域分割方法 Download PDF

Info

Publication number
CN117557568B
CN117557568B CN202410044622.8A CN202410044622A CN117557568B CN 117557568 B CN117557568 B CN 117557568B CN 202410044622 A CN202410044622 A CN 202410044622A CN 117557568 B CN117557568 B CN 117557568B
Authority
CN
China
Prior art keywords
pixel point
focus
pixel
suspected
area
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
Application number
CN202410044622.8A
Other languages
English (en)
Other versions
CN117557568A (zh
Inventor
王泽义
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.)
Jilin Provincial Orestep Medical Equipment Co ltd
Original Assignee
Jilin Provincial Orestep Medical Equipment 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 Jilin Provincial Orestep Medical Equipment Co ltd filed Critical Jilin Provincial Orestep Medical Equipment Co ltd
Priority to CN202410044622.8A priority Critical patent/CN117557568B/zh
Publication of CN117557568A publication Critical patent/CN117557568A/zh
Application granted granted Critical
Publication of CN117557568B publication Critical patent/CN117557568B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T2207/10048—Infrared 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
    • G06T2207/30096—Tumor; Lesion
    • 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)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及基于红外图像的热化疗过程中病灶区域分割方法，包括：采集红外灰度图；对红外灰度图进行预处理，得到目标灰度图；根据目标灰度图，计算像素点的病灶程度；获取像素点的局部区域；根据像素点的局部区域以及像素点的病灶程度，获取像素点为病灶像素点的可能性；修正像素点为病灶像素点的可能性，获取修正后像素点为病灶像素点的可能性；根据修正后像素点为病灶像素点的可能性，获取病灶区域。本发明通过计算每个像素点为病灶像素点的可能性，避免了以传统的迭代阈值分割算法在迭代的过程中所选取的前景像素点与背景像素点不具备代表性的缺陷，达到将病灶区域准确的分割出来的目的。

Description

基于红外图像的热化疗过程中病灶区域分割方法
技术领域
本发明涉及图像处理技术领域，具体涉及基于红外图像的热化疗过程中病灶区域分割方法。
背景技术
热化疗是指将化疗和热疗结合应用治疗肿瘤的一种新疗法，利用正常组织和肿瘤细胞对温度耐受能力的差异，达到既能使肿瘤细胞凋亡、又不损伤正常组织的治疗目的，为了能够使医生能够更好地观察和分析病变的特征，需要将红外灰度图中的区域分割出来，但由于通常情况下红外灰度图中的病灶区域远小于正常区域，因此以传统的迭代阈值分割算法在迭代的过程中所选取的前景像素点与背景像素点不具备代表性，导致传统的迭代阈值分割算法无法准确的分割出病灶区域。
发明内容
本发明提供基于红外图像的热化疗过程中病灶区域分割方法，以解决现有的问题：传统的迭代阈值分割算法无法准确的分割出病灶区域。
本发明的基于红外图像的热化疗过程中病灶区域分割方法采用如下技术方案：
包括以下步骤：
采集红外灰度图；
对红外灰度图进行预处理，得到目标灰度图；根据目标灰度图中的所有像素点的灰度值，将目标灰度图中的像素点分为正常像素点与疑似病灶像素点两类，根据疑似病灶像素点构成疑似病灶区域，根据疑似病灶区域中像素点的灰度值获取疑似病灶区域中的特征像素点；根据疑似病灶区域中的特征像素点、疑似病灶像素点以及疑似病灶区域，计算正常像素点与疑似病灶像素点的病灶程度；
获取像素点的局部区域；根据像素点的局部区域获取像素点的对称区域，根据像素点的局部区域与像素点的对称区域之间的差异，结合像素点的病灶程度，获取像素点为病灶像素点的可能性；
根据疑似病灶区域中像素点的位置、灰度值以及梯度值，修正像素点为病灶像素点的可能性，获取修正后像素点为病灶像素点的可能性；
根据修正后像素点为病灶像素点的可能性，获取病灶区域。
优选的，所述采集红外灰度图，包括的具体方法为：
通过医用红外热像仪采集患者的红外图像，并对患者的红外图像进行灰度化处理，得到患者的红外图像的灰度图，记为红外灰度图。
优选的，所述对红外灰度图进行预处理，得到目标灰度图，包括的具体方法为：
对红外灰度图进行语义分割，得到含有人体区域的红外灰度图，记为目标灰度图。
优选的，所述根据目标灰度图中的所有像素点的灰度值，将目标灰度图中的像素点分为正常像素点与疑似病灶像素点两类，根据疑似病灶像素点构成疑似病灶区域，根据疑似病灶区域中像素点的灰度值获取疑似病灶区域中的特征像素点，包括的具体方法为：
以目标灰度图中所有像素点的灰度均值作为基准灰度，将目标灰度图中大于基准灰度的像素点记为疑似病灶像素点，将目标灰度图中小于等于基准灰度的像素点记为正常像素点，将八邻域相邻的疑似病灶像素点归为同一个疑似病灶区域，得到若干疑似病灶区域，并将每个疑似病灶区域中灰度值最大的像素点，记为每个疑似病灶区域中的特征像素点。
优选的，所述根据疑似病灶区域中的特征像素点、疑似病灶像素点以及疑似病灶区域，计算正常像素点与疑似病灶像素点的病灶程度，包括的具体方法为：
对于目标灰度图中的正常像素点，将正常像素点的病灶程度置为0；
对于第个疑似病灶区域中的第/>个像素点，首先将第/>个疑似病灶区域中的灰度值最小的像素点的灰度值记为/>，并计算第/>个疑似病灶区域中的每个像素点与第/>个疑似病灶区域中的特征像素点之间的欧氏距离，将第/>个疑似病灶区域中距离第/>个疑似病灶区域中的特征像素点最远的像素点，记为第/>个疑似病灶区域的最边缘点，并将第/>个疑似病灶区域中的特征像素点与最边缘点之间的欧氏距离记为/>；
获取第个疑似病灶区域中的第/>个像素点与特征像素点之间的欧氏距离，记为，再获取第/>个疑似病灶区域中的第/>个像素点以及特征像素点的灰度值，分别记为/>、；根据/>、/>、/>、/>以及/>，计算第/>个疑似病灶区域中的第/>个像素点的病灶程度，其具体的计算公式为：
式中，表示第/>个疑似病灶区域中的第/>个像素点的病灶程度；/>表示线性归一化函数。
优选的，所述获取像素点的局部区域，包括的具体方法为：
对于第个像素点，首先将第/>个像素点的灰度值记为/>，对第/>个像素点使用区域生长法，得到第/>个像素点的生长区域；再将第/>个像素点的生长区域中灰度值小于等于/>的像素点去除，得到若干个像素点区域，将存在第/>个像素点的区域，记为第/>个像素点的局部区域。
优选的，所述根据像素点的局部区域以及像素点的病灶程度，获取像素点为病灶像素点的可能性，包括的具体方法为：
对于第个像素点的局部区域中的第/>个像素点，记录第/>个像素点的水平高度记为/>，并获取第/>个像素点在水平向右方向上与目标灰度图边缘之间的距离记为/>；将目标灰度图中水平高度为/>，且在水平方向上与目标灰度图左侧边缘距离为/>的像素点作为第/>个像素点的对称点；
获取第个像素点的局部区域中每个像素点的对称点，得到第/>个像素点的局部区域的对称区域，记为第/>个疑似病灶的对称区域；根据第/>个疑似病灶的对称区域中每个像素点的灰度值、第/>个像素点的局部区域中每个像素点的灰度值以及每个像素点为病灶像素点的病灶程度，获取第/>个像素点为病灶像素点的可能性，其具体的计算公式为：
式中，表示第/>个像素点为病灶像素点的可能性；/>表示第/>个像素点的局部区域中像素点的数量；/>表示第/>个像素点的局部区域中第/>个像素点的病灶程度；/>表示第/>个像素点的局部区域中第/>个像素点的灰度值；/>表示第/>个疑似病灶的对称区域中第/>个像素点的病灶程度；/>表示第/>个疑似病灶的对称区域中第/>个像素点的灰度值；/>表示第/>个像素点的局部区域中所有像素点的灰度均值；/>表示第/>个疑似病灶的对称区域中所有像素点的灰度均值；/>表示绝对值运算。
优选的，所述修正像素点为病灶像素点的可能性，获取修正后像素点为病灶像素点的可能性，包括的具体方法为：
对于修正第个疑似病灶区域中的第/>个像素点为病灶像素点的可能性；首先第/>个疑似病灶区域中第/>个像素点的局部区域中每个像素点与特征像素点之间的欧氏距离，并计算欧氏距离均值记为/>；
然后，连接第个疑似病灶区域中的第/>个像素点与第/>个疑似病灶区域中的特征像素点，得到第/>个疑似病灶区域中的第/>个像素点与第/>个疑似病灶区域中的特征像素点的路径，记为第/>个疑似病灶区域中的第/>个像素点的目标路径，获取目标路径上每个系那个俗点的灰度值；并利用Sobel算子，获取目标路径上每个像素点的梯度值；
接着，获取第个疑似病灶区域中每个像素点的灰度值，和第/>个疑似病灶区域中每个像素点与特征像素点之间的欧氏距离；利用最小二乘法，对第/>个疑似病灶区域中每个像素点的灰度值，和第/>个疑似病灶区域中每个像素点与特征像素点之间的欧氏距离进行拟合，得到第/>个疑似病灶区域中像素点与特征像素点之间的距离，和第/>个疑似病灶区域中像素点灰度值的关系函数，记为/>；根据/>以及第/>个疑似病灶区域中第/>个像素点的灰度值，获取第/>个疑似病灶区域中第/>个像素点的局部区域中每个像素点与特征像素点之间的预测距离；
最后，根据第个疑似病灶区域中第/>个像素点的局部区域中每个像素点与特征像素点之间的距离以及预测距离、第/>个疑似病灶区域中的第/>个像素点与特征像素点之间的欧氏距离、第/>个疑似病灶区域中第/>个像素点的局部区域中所有像素点与特征像素点之间的欧氏距离均值/>、第/>个疑似病灶区域中第/>个像素点的局部区域中每个像素点为病灶像素点的可能性、目标路径上每个像素点的灰度值以及目标路径上每个像素点的梯度值，修正第/>个疑似病灶区域中的第/>个像素点为病灶像素点的可能性。
优选的，所述修正第个疑似病灶区域中的第/>个像素点为病灶像素点的可能性，包括的具体计算公式为：
式中，表示修正后第/>个疑似病灶区域中的第/>个像素点为病灶像素点的可能性；/>表示第/>个疑似病灶区域中的第/>个像素点与特征像素点之间的欧氏距离；/>表示第/>个疑似病灶区域中的第/>个像素点的局部区域内像素点的数量；/>表示第/>个疑似病灶区域中的第/>个像素点的局部区域内第/>个像素点为病灶像素点的可能性；/>表示第/>个疑似病灶区域中的第/>个像素点的局部区域内第/>个像素点与特征像素点之间的欧氏距离；/>表示第/>个疑似病灶区域中的第/>个像素点的局部区域内第/>个像素点与特征像素点之间的预测距离；/>表示第/>个疑似病灶区域中的第/>个像素点的目标路径中第/>个像素点的灰度值；/>表示第/>个疑似病灶区域中的第/>个像素点的目标路径中第/>个像素点的梯度值；/>表示第/>个疑似病灶区域中的第/>个像素点的目标路径中第/>个像素点的梯度值；/>表示绝对值运算；/>表示线性归一化函数。
优选的，所述根据修正后像素点为病灶像素点的可能性，获取病灶区域，包括的具体方法为：
首先预设一个可能性阈值，对于第/>个像素点，若修正后第/>个像素点为病灶像素点的可能性大于等于/>，则将第/>个像素点记为第一类像素点，若修正后第/>个像素点为病灶像素点的可能性小于/>，则将第/>个像素点记为第二类像素点，根据修正后每个像素点为病灶像素点的可能性，对每个像素点进行分类，得到两个像素点类簇，利用迭代阈值分割算法，不断更新可能性阈值，得到最终的像素点类簇；将灰度均值最大的像素点类簇作为病灶区域，得到病灶区域。
本发明的技术方案的有益效果是：本申请首先通过对每个目标灰度图进行区域划分，以区域中像素点的特征，计算像素点的病灶程度，再结合局部区域所表现出的特征，得到像素点为病灶像素点的可能性；接着修正像素点为病灶像素点的可能性，使修正后像素点为病灶像素点的可能性能够更加准确的表示像素点为病灶像素点的可能性；最后依照像素点为病灶像素点的可能性得到病灶区域，避免了以传统的迭代阈值分割算法在迭代的过程中所选取的前景像素点与背景像素点不具备代表性的缺陷，达到将病灶区域准确的分割出来的目的。
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为本发明基于红外图像的热化疗过程中病灶区域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基于红外图像的热化疗过程中病灶区域分割方法，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基于红外图像的热化疗过程中病灶区域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基于红外图像的热化疗过程中病灶区域分割方法的步骤流程图，该方法包括以下步骤：
步骤S001：采集红外灰度图。
需要说明的是，热化疗是指将化疗和热疗结合应用治疗肿瘤的一种新疗法。其原理是利用射频热疗系统，使肿瘤组织温度上升到有效治疗温度，并维持一定时间，利用正常组织和肿瘤细胞对温度耐受能力的差异，达到既能使肿瘤细胞凋亡、又不损伤正常组织的治疗目的；又因为红外热成像仪通能够提供清晰、详细的热图像，能够更好的显示乳腺癌在热化疗时的变化过程，因此首先需要采集红外图像。
具体的，通过医用红外热像仪采集患者的红外图像，并对患者的红外图像进行灰度化处理，得到患者的红外图像的灰度图，记为红外灰度图。
至此，得到红外灰度图。
步骤S002：对红外灰度图进行预处理，得到目标灰度图；根据目标灰度图中的所有像素点的灰度值，将目标灰度图中的像素点分为正常像素点与疑似病灶像素点两类，根据疑似病灶像素点构成疑似病灶区域，根据疑似病灶区域中像素点的灰度值获取疑似病灶区域中的特征像素点；根据疑似病灶区域中的特征像素点、疑似病灶像素点以及疑似病灶区域，计算正常像素点与疑似病灶像素点的病灶程度。
需要说明的是，为了能够使医生能够更好地观察和分析病变的特征，需要将红外灰度图中的区域分割出来，而传统的分割为迭代阈值分割算法，通过迭代阈值分割算法，将病灶区域分割出来的，但由于通常情况下红外灰度图中的病灶区域远小于正常区域，因此以传统的迭代阈值分割算法在迭代的过程中所选取的前景像素点与背景像素点不具备代表性，导致传统的迭代阈值分割算法无法准确的分割出病灶区域；因此本实施例提出了一种基于红外图像的热化疗过程中病灶区域分割方法，通过分析红外灰度图像每个像素点为病灶区域的可能性，以此为据对将病灶分割出来，使医生能够更好地观察和分析病灶区域。
需要进一步说明的是，由于在红外灰度图中存在大面积的背景区域，为了避免背景区域中的像素点对分析结果的影响，因此首先需要将红外灰度图中的背景区域去除。
具体的，利用语义分割，将红外灰度图中的背景区域分割出来，得到仅含有人体区域的红外灰度图，记为目标灰度图，由于语义分割的具体过程作为一种公知的现有技术，故在本实施例中不再进行赘述。
需要说明的是，在病灶区域的温度总是高于正常区域的温度，因此在目标灰度图中，病灶区域内像素点的灰度值大于正常区域内像素点的灰度值，且病灶区域是呈连续分布的，可以以此为依据，获取目标灰度图中，各个像素点为病灶区域中的像素点的可能性。
具体的，以目标灰度图中所有像素点的灰度均值作为基准灰度，将目标灰度图中大于基准灰度的像素点记为疑似病灶像素点，将目标灰度图中小于等于基准灰度的像素点记为正常像素点，将八邻域相邻的疑似病灶像素点归为同一个疑似病灶区域，得到若干疑似病灶区域，并将每个疑似病灶区域中灰度值最大的像素点，记为每个疑似病灶区域中的特征像素点。
需要说明的是，在目标灰度图中所有疑似病灶像素点均有可能为病灶区域中的像素点；而目标灰度图中所有正常像素点均不可能为病灶区域中的像素点；而在疑似病灶区域中的像素点的灰度值越大，则像素点就越可能是病灶像素点，且病灶区域是呈连续分布的，因此同个疑似病灶区域中像素点与特征像素点之间的距离越大，则像素点就越可能是病灶像素点；故可根据同个疑似病灶区域中像素点与特征像素点之间的距离以及像素点的灰度值，计算每个像素点的病灶程度。
具体的，对于目标灰度图中的正常像素点，将正常像素点的病灶程度置为0；
对于第个疑似病灶区域中的第/>个像素点，首先将第/>个疑似病灶区域中的灰度值最小的像素点的灰度值记为/>，并计算第/>个疑似病灶区域中的每个像素点与第/>个疑似病灶区域中的特征像素点之间的欧氏距离，将第/>个疑似病灶区域中距离第/>个疑似病灶区域中的特征像素点最远的像素点，记为第/>个疑似病灶区域的最边缘点，并将第/>个疑似病灶区域中的特征像素点与最边缘点之间的欧氏距离记为/>；
获取第个疑似病灶区域中的第/>个像素点与特征像素点之间的欧氏距离，记为，再获取第/>个疑似病灶区域中的第/>个像素点以及特征像素点的灰度值，分别记为/>、；根据/>、/>、/>、/>以及/>，计算第/>个疑似病灶区域中的第/>个像素点的病灶程度，其具体的计算公式为：
式中，表示第/>个疑似病灶区域中的第/>个像素点的病灶程度；/>表示第/>个疑似病灶区域中的特征像素点的灰度值；/>表示第/>个疑似病灶区域中的第/>个像素点的灰度值；/>表示第/>个疑似病灶区域中的灰度值最小的像素点的灰度值；/>表示第/>个疑似病灶区域中的特征像素点与最边缘点之间的欧氏距离；/>表示第/>个疑似病灶区域中的第/>个像素点与特征像素点之间的欧氏距离；/>表示线性归一化函数。
需要进一步说明的是，第个疑似病灶区域中的第/>个像素点不是第/>个疑似病灶区域中的特征像素点；而第/>个疑似病灶区域中的特征像素点的病灶程度直接设置为1。
需要说明的是，的值越大，则说明第/>个疑似病灶区域中的第/>个像素点的灰度值越接近特征像素点的灰度值；/>的值越大，则说明第/>个疑似病灶区域中的第/>个像素点与特征像素点之间的距离越近，因此/>的值越大，则第/>个疑似病灶区域中的第/>个像素点越可能为病灶像素点。
至此，得到像素点的病灶程度。
步骤S003：获取像素点的局部区域；根据像素点的局部区域获取像素点的对称区域，根据像素点的局部区域与像素点的对称区域之间的差异，结合像素点的病灶程度，获取像素点为病灶像素点的可能性。
需要说明的是，在人体中不同组织之间存在一定的温度差异，因此仅通过步骤S002得到的像素点的病灶程度，并不能得到每个像素点为病灶像素点的可能性；而人体内的组织又具有一定的左右对称性，即正常情况下目标灰度图中左侧的像素点与右侧的像素点相似，但在目标灰度图中，病灶区域与其对称的区域之间不相似；故可以根据像素点的病灶程度结合人体的对称性，得到每个像素点为病灶像素点的可能性。
具体的，对于第个像素点，首先将第/>个像素点的灰度值记为/>，对第/>个像素点使用区域生长法，得到第/>个像素点的生长区域，由于区域生长法作为一种公知的现有技术，故在本实施例中不再进行赘述；再将第/>个像素点的生长区域中灰度值小于等于/>的像素点去除，得到若干个像素点区域，将存在第/>个像素点的区域，记为第/>个像素点的局部区域；
接着，对于第个像素点的局部区域中的第/>个像素点，记录第/>个像素点的水平高度记为/>，并获取第/>个像素点在水平向右方向上与目标灰度图边缘之间的距离记为；将目标灰度图中水平高度为/>，且在水平方向上与目标灰度图左侧边缘距离为/>的像素点作为第/>个像素点的对称点；
获取第个像素点的局部区域中每个像素点的对称点，得到第/>个像素点的局部区域的对称区域，记为第/>个疑似病灶的对称区域；根据第/>个疑似病灶的对称区域中每个像素点的灰度值、第/>个像素点的局部区域中每个像素点的灰度值以及每个像素点为病灶像素点的病灶程度，获取第/>个像素点为病灶像素点的可能性，其具体的计算公式为：
式中，表示第/>个像素点为病灶像素点的可能性；/>表示第/>个像素点的局部区域中像素点的数量；/>表示第/>个像素点的局部区域中第/>个像素点的病灶程度；/>表示第/>个像素点的局部区域中第/>个像素点的灰度值；/>表示第/>个疑似病灶的对称区域中第/>个像素点的病灶程度；/>表示第/>个疑似病灶的对称区域中第/>个像素点的灰度值；/>表示第/>个像素点的局部区域中所有像素点的灰度均值；/>表示第/>个疑似病灶的对称区域中所有像素点的灰度均值；/>表示绝对值运算。
需要说明的是，由于正常情况下目标灰度图中左侧的像素点与右侧的像素点相似，但在目标灰度图中，病灶区域与其对称的区域之间不相似，因此的值越大，则说明第/>个像素点和第/>个像素点的对称像素点之间越不相似，因此/>的值越大第/>个像素点为病灶像素点的可能性越高。
至此，得到每个像素点为病灶像素点的可能性。
步骤S004：根据疑似病灶区域中像素点的位置、灰度值以及梯度值，修正像素点为病灶像素点的可能性，获取修正后像素点为病灶像素点的可能性。
需要说明的是，在热化疗的过程中由于病灶组织会吸收热量，使得病灶组织的温度高于正常组织的温度，但热量会随着人体组织进行传导，使得病灶组织周围的组织温度升高，使正常组织具备一定的病灶组织特征，从而可能会将部分正常组织识别成病灶组织，即通过步骤S003得到的像素点为病灶像素点的可能性不够准确，需要进行修正。由于在热化疗的过程中，病灶组织内温度下降的速度慢，正常组织内温度下降的速度快，故可以以此为依据修正像素点为病灶像素点的可能性。
具体的，对于修正第个疑似病灶区域中的第/>个像素点为病灶像素点的可能性；首先第/>个疑似病灶区域中第/>个像素点的局部区域中每个像素点与特征像素点之间的欧氏距离，并计算欧氏距离均值记为/>；
然后，连接第个疑似病灶区域中的第/>个像素点与第/>个疑似病灶区域中的特征像素点，得到第/>个疑似病灶区域中的第/>个像素点与第/>个疑似病灶区域中的特征像素点的路径，记为第/>个疑似病灶区域中的第/>个像素点的目标路径，获取目标路径上每个系那个俗点的灰度值；并利用Sobel算子，获取目标路径上每个像素点的梯度值；
接着，获取第个疑似病灶区域中每个像素点的灰度值，和第/>个疑似病灶区域中每个像素点与特征像素点之间的欧氏距离；利用最小二乘法，对第/>个疑似病灶区域中每个像素点的灰度值，和第/>个疑似病灶区域中每个像素点与特征像素点之间的欧氏距离进行拟合，得到第/>个疑似病灶区域中像素点与特征像素点之间的距离，和第/>个疑似病灶区域中像素点灰度值的关系函数，记为/>；由于最小二乘法作为一种公知的现有技术，故在本实施例中不再进行赘述；根据/>以及第/>个疑似病灶区域中第/>个像素点的灰度值，获取第/>个疑似病灶区域中第/>个像素点的局部区域中每个像素点与特征像素点之间的预测距离；
最后，根据第个疑似病灶区域中第/>个像素点的局部区域中每个像素点与特征像素点之间的距离以及预测距离、第/>个疑似病灶区域中的第/>个像素点与特征像素点之间的欧氏距离、第/>个疑似病灶区域中第/>个像素点的局部区域中所有像素点与特征像素点之间的欧氏距离均值、第/>个疑似病灶区域中第/>个像素点的局部区域中每个像素点为病灶像素点的可能性、目标路径上每个像素点的灰度值以及目标路径上每个像素点的梯度值，修正第/>个疑似病灶区域中的第/>个像素点为病灶像素点的可能性，其具体的计算过程为：
/>
式中，表示修正后第/>个疑似病灶区域中的第/>个像素点为病灶像素点的可能性；/>表示第/>个疑似病灶区域中的第/>个像素点与特征像素点之间的欧氏距离；/>表示第/>个疑似病灶区域中的第/>个像素点的局部区域内像素点的数量；/>表示第/>个疑似病灶区域中的第/>个像素点的局部区域内第/>个像素点为病灶像素点的可能性；/>表示第/>个疑似病灶区域中的第/>个像素点的局部区域内第/>个像素点与特征像素点之间的欧氏距离；/>表示第/>个疑似病灶区域中的第/>个像素点的局部区域内第/>个像素点与特征像素点之间的预测距离；/>表示第/>个疑似病灶区域中的第/>个像素点的目标路径中第/>个像素点的灰度值；/>表示第/>个疑似病灶区域中的第/>个像素点的目标路径中第/>个像素点的梯度值；/>表示第/>个疑似病灶区域中的第/>个像素点的目标路径中第/>个像素点的梯度值；/>表示绝对值运算；/>表示线性归一化函数。
需要说明的是，由于病灶区域的像素点的灰度值高，而像素点的局部区域是通过将像素点的生长区域中，小于等于像素点灰度值的像素点去除得到的，因此像素点的局部范围的走势可以在一定程度反映出像素点为病灶像素点的可能性，即当的值大于1，则说明/>个疑似病灶区域中的第/>个像素点的局部区域与特征像素点呈现接近的趋势，而/>的值越大，则说明疑似病灶区域中的第/>个像素点越可能是病灶像素点；
表示的是第/>个疑似病灶区域中的第/>个像素点的局部区域内第/>个像素点与特征像素点之间的预测距离，即第/>个疑似病灶区域中的第/>个像素点的局部区域内第/>个像素点与特征像素点之间的理论距离，因此/>的值越小，则说明疑似病灶区域中的第/>个像素点越可能是病灶像素点；
在病灶区域内，相邻像素点的梯度值变化小且灰度值大，同时病灶区域是连续的，因此的值越大，则说明疑似病灶区域中的第/>个像素点越可能是病灶像素点。
至此，修正每个像素点为病灶像素点的可能性，得到修正后每个像素点为病灶像素点的可能性。
步骤S005：根据修正后像素点为病灶像素点的可能性，获取病灶区域。
需要说明的是，本实施例作为一种基于红外图像的热化疗过程中病灶区域分割方法，其目的是将病灶区域准确的分割出来，在通过步骤S004得到修正后每个像素点为病灶像素点的可能性后，即可根据修正后每个像素点为病灶像素点的可能性，将病灶区域准确的分割出来。
具体的，首先预设一个可能性阈值，/>的具体取值可结合实际情况自行设置，本实施例不做硬性要求，在本实施例中以/>进行叙述，对于第/>个像素点，若修正后第/>个像素点为病灶像素点的可能性大于等于/>，则将第/>个像素点记为第一类像素点，若修正后第/>个像素点为病灶像素点的可能性小于/>，则将第/>个像素点记为第二类像素点，根据修正后每个像素点为病灶像素点的可能性，对每个像素点进行分类，得到两个像素点类簇，利用迭代阈值分割算法，不断迭代可能性阈值，得到最终的像素点类簇，由于迭代阈值分割算法作为一种现有的公知技术，故在本实施例中不再进行赘述；将灰度均值最大的像素点类簇作为病灶区域，得到病灶区域。
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 (7)

1.基于红外图像的热化疗过程中病灶区域分割方法，其特征在于，该方法包括以下步骤：
采集红外灰度图；
对红外灰度图进行预处理，得到目标灰度图；根据目标灰度图中的所有像素点的灰度值，将目标灰度图中的像素点分为正常像素点与疑似病灶像素点两类，根据疑似病灶像素点构成疑似病灶区域，根据疑似病灶区域中像素点的灰度值获取疑似病灶区域中的特征像素点；根据疑似病灶区域中的特征像素点、疑似病灶像素点以及疑似病灶区域，计算正常像素点与疑似病灶像素点的病灶程度；
所述根据疑似病灶区域中的特征像素点、疑似病灶像素点以及疑似病灶区域，计算正常像素点与疑似病灶像素点的病灶程度，包括的具体方法为：
对于目标灰度图中的正常像素点，将正常像素点的病灶程度置为0；
对于第个疑似病灶区域中的第/>个像素点，首先将第/>个疑似病灶区域中的灰度值最小的像素点的灰度值记为/>，并计算第/>个疑似病灶区域中的每个像素点与第/>个疑似病灶区域中的特征像素点之间的欧氏距离，将第/>个疑似病灶区域中距离第/>个疑似病灶区域中的特征像素点最远的像素点，记为第/>个疑似病灶区域的最边缘点，并将第/>个疑似病灶区域中的特征像素点与最边缘点之间的欧氏距离记为/>；
获取第个疑似病灶区域中的第/>个像素点与特征像素点之间的欧氏距离，记为/>，再获取第/>个疑似病灶区域中的第/>个像素点以及特征像素点的灰度值，分别记为/>、/>；根据/>、/>、/>、/>以及/>，计算第/>个疑似病灶区域中的第/>个像素点的病灶程度，其具体的计算公式为：
式中，表示第/>个疑似病灶区域中的第/>个像素点的病灶程度；/>表示线性归一化函数；
获取像素点的局部区域；
所述获取像素点的局部区域，包括的具体方法为：
对于第个像素点，首先将第/>个像素点的灰度值记为/>，对第/>个像素点使用区域生长法，得到第/>个像素点的生长区域；再将第/>个像素点的生长区域中灰度值小于等于/>的像素点去除，得到若干个像素点区域，将存在第/>个像素点的区域，记为第/>个像素点的局部区域；
根据像素点的局部区域获取像素点的对称区域，根据像素点的局部区域与像素点的对称区域之间的差异，结合像素点的病灶程度，获取像素点为病灶像素点的可能性；
根据疑似病灶区域中像素点的位置、灰度值以及梯度值，修正像素点为病灶像素点的可能性，获取修正后像素点为病灶像素点的可能性；
所述修正像素点为病灶像素点的可能性，获取修正后像素点为病灶像素点的可能性，包括的具体方法为：
对于修正第个疑似病灶区域中的第/>个像素点为病灶像素点的可能性；首先第/>个疑似病灶区域中第/>个像素点的局部区域中每个像素点与特征像素点之间的欧氏距离，并计算欧氏距离均值记为/>；
然后，连接第个疑似病灶区域中的第/>个像素点与第/>个疑似病灶区域中的特征像素点，得到第/>个疑似病灶区域中的第/>个像素点与第/>个疑似病灶区域中的特征像素点的路径，记为第/>个疑似病灶区域中的第/>个像素点的目标路径，获取目标路径上每个像素点的灰度值；并利用Sobel算子，获取目标路径上每个像素点的梯度值；
接着，获取第个疑似病灶区域中每个像素点的灰度值，和第/>个疑似病灶区域中每个像素点与特征像素点之间的欧氏距离；利用最小二乘法，对第/>个疑似病灶区域中每个像素点的灰度值，和第/>个疑似病灶区域中每个像素点与特征像素点之间的欧氏距离进行拟合，得到第/>个疑似病灶区域中像素点与特征像素点之间的距离，和第/>个疑似病灶区域中像素点灰度值的关系函数，记为/>；根据/>以及第/>个疑似病灶区域中第/>个像素点的灰度值，获取第/>个疑似病灶区域中第/>个像素点的局部区域中每个像素点与特征像素点之间的预测距离；
最后，根据第个疑似病灶区域中第/>个像素点的局部区域中每个像素点与特征像素点之间的距离以及预测距离、第/>个疑似病灶区域中的第/>个像素点与特征像素点之间的欧氏距离、第/>个疑似病灶区域中第/>个像素点的局部区域中所有像素点与特征像素点之间的欧氏距离均值/>、第/>个疑似病灶区域中第/>个像素点的局部区域中每个像素点为病灶像素点的可能性、目标路径上每个像素点的灰度值以及目标路径上每个像素点的梯度值，修正第/>个疑似病灶区域中的第/>个像素点为病灶像素点的可能性；
根据修正后像素点为病灶像素点的可能性，获取病灶区域。
2.根据权利要求1所述基于红外图像的热化疗过程中病灶区域分割方法，其特征在于，所述采集红外灰度图，包括的具体方法为：
通过医用红外热像仪采集患者的红外图像，并对患者的红外图像进行灰度化处理，得到患者的红外图像的灰度图，记为红外灰度图。
3.根据权利要求1所述基于红外图像的热化疗过程中病灶区域分割方法，其特征在于，所述对红外灰度图进行预处理，得到目标灰度图，包括的具体方法为：
对红外灰度图进行语义分割，得到含有人体区域的红外灰度图，记为目标灰度图。
4.根据权利要求1所述基于红外图像的热化疗过程中病灶区域分割方法，其特征在于，所述根据目标灰度图中的所有像素点的灰度值，将目标灰度图中的像素点分为正常像素点与疑似病灶像素点两类，根据疑似病灶像素点构成疑似病灶区域，根据疑似病灶区域中像素点的灰度值获取疑似病灶区域中的特征像素点，包括的具体方法为：
以目标灰度图中所有像素点的灰度均值作为基准灰度，将目标灰度图中大于基准灰度的像素点记为疑似病灶像素点，将目标灰度图中小于等于基准灰度的像素点记为正常像素点，将八邻域相邻的疑似病灶像素点归为同一个疑似病灶区域，得到若干疑似病灶区域，并将每个疑似病灶区域中灰度值最大的像素点，记为每个疑似病灶区域中的特征像素点。
5.根据权利要求1所述基于红外图像的热化疗过程中病灶区域分割方法，其特征在于，所述根据像素点的局部区域以及像素点的病灶程度，获取像素点为病灶像素点的可能性，包括的具体方法为：
对于第个像素点的局部区域中的第/>个像素点，记录第/>个像素点的水平高度记为/>，并获取第/>个像素点在水平向右方向上与目标灰度图边缘之间的距离记为/>；将目标灰度图中水平高度为/>，且在水平方向上与目标灰度图左侧边缘距离为/>的像素点作为第个像素点的对称点；
获取第个像素点的局部区域中每个像素点的对称点，得到第/>个像素点的局部区域的对称区域，记为第/>个疑似病灶的对称区域；根据第/>个疑似病灶的对称区域中每个像素点的灰度值、第/>个像素点的局部区域中每个像素点的灰度值以及每个像素点为病灶像素点的病灶程度，获取第/>个像素点为病灶像素点的可能性，其具体的计算公式为：
式中，表示第/>个像素点为病灶像素点的可能性；/>表示第/>个像素点的局部区域中像素点的数量；/>表示第/>个像素点的局部区域中第/>个像素点的病灶程度；/>表示第/>个像素点的局部区域中第/>个像素点的灰度值；/>表示第/>个疑似病灶的对称区域中第/>个像素点的病灶程度；/>表示第/>个疑似病灶的对称区域中第/>个像素点的灰度值；/>表示第/>个像素点的局部区域中所有像素点的灰度均值；/>表示第/>个疑似病灶的对称区域中所有像素点的灰度均值；/>表示绝对值运算。
6.根据权利要求1所述基于红外图像的热化疗过程中病灶区域分割方法，其特征在于，所述修正第个疑似病灶区域中的第/>个像素点为病灶像素点的可能性，包括的具体计算公式为：
式中，表示修正后第/>个疑似病灶区域中的第/>个像素点为病灶像素点的可能性；/>表示第/>个疑似病灶区域中的第/>个像素点与特征像素点之间的欧氏距离；/>表示第/>个疑似病灶区域中的第/>个像素点的局部区域内像素点的数量；/>表示第/>个疑似病灶区域中的第/>个像素点的局部区域内第/>个像素点为病灶像素点的可能性；/>表示第/>个疑似病灶区域中的第/>个像素点的局部区域内第/>个像素点与特征像素点之间的欧氏距离；表示第/>个疑似病灶区域中的第/>个像素点的局部区域内第/>个像素点与特征像素点之间的预测距离；/>表示第/>个疑似病灶区域中的第/>个像素点的目标路径中第/>个像素点的灰度值；/>表示第/>个疑似病灶区域中的第/>个像素点的目标路径中第/>个像素点的梯度值；/>表示第/>个疑似病灶区域中的第/>个像素点的目标路径中第/>个像素点的梯度值；/>表示绝对值运算；/>表示线性归一化函数。
7.根据权利要求1所述基于红外图像的热化疗过程中病灶区域分割方法，其特征在于，所述根据修正后像素点为病灶像素点的可能性，获取病灶区域，包括的具体方法为：
首先预设一个可能性阈值，对于第/>个像素点，若修正后第/>个像素点为病灶像素点的可能性大于等于/>，则将第/>个像素点记为第一类像素点，若修正后第/>个像素点为病灶像素点的可能性小于/>，则将第/>个像素点记为第二类像素点，根据修正后每个像素点为病灶像素点的可能性，对每个像素点进行分类，得到两个像素点类簇，利用迭代阈值分割算法，不断更新可能性阈值，得到最终的像素点类簇；将灰度均值最大的像素点类簇作为病灶区域，得到病灶区域。
CN202410044622.8A 2024-01-12 2024-01-12 基于红外图像的热化疗过程中病灶区域分割方法 Active CN117557568B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410044622.8A CN117557568B (zh) 2024-01-12 2024-01-12 基于红外图像的热化疗过程中病灶区域分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410044622.8A CN117557568B (zh) 2024-01-12 2024-01-12 基于红外图像的热化疗过程中病灶区域分割方法

Publications (2)

Publication Number Publication Date
CN117557568A CN117557568A (zh) 2024-02-13
CN117557568B true CN117557568B (zh) 2024-05-03

Family

ID=89823640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410044622.8A Active CN117557568B (zh) 2024-01-12 2024-01-12 基于红外图像的热化疗过程中病灶区域分割方法

Country Status (1)

Country Link
CN (1) CN117557568B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101727666A (zh) * 2008-11-03 2010-06-09 深圳迈瑞生物医疗电子股份有限公司 图像分割方法及装置、图像倒置判断及胸片前后区分方法
CN107862267A (zh) * 2017-10-31 2018-03-30 天津科技大学 基于完全对称局部韦伯描述子的人脸识别特征提取算法
CN113939728A (zh) * 2018-12-18 2022-01-14 帕斯维尔公司 用于病理样本自动化成像和分析的基于计算显微镜的系统和方法
CN116485814A (zh) * 2023-04-25 2023-07-25 江苏省人民医院（南京医科大学第一附属医院） 一种基于ct影像的颅内血肿区域分割方法
CN117274599A (zh) * 2023-09-28 2023-12-22 西安交通大学 一种基于组合双任务自编码器的脑磁共振分割方法及系统
CN117291937A (zh) * 2023-11-27 2023-12-26 山东嘉达装配式建筑科技有限责任公司 基于图像特征分析的自动抹灰效果视觉检测系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008130905A2 (en) * 2007-04-17 2008-10-30 Mikos, Ltd. System and method for using three dimensional infrared imaging to provide detailed anatomical structure maps
US10573040B2 (en) * 2016-11-08 2020-02-25 Adobe Inc. Image modification using detected symmetry

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101727666A (zh) * 2008-11-03 2010-06-09 深圳迈瑞生物医疗电子股份有限公司 图像分割方法及装置、图像倒置判断及胸片前后区分方法
CN107862267A (zh) * 2017-10-31 2018-03-30 天津科技大学 基于完全对称局部韦伯描述子的人脸识别特征提取算法
CN113939728A (zh) * 2018-12-18 2022-01-14 帕斯维尔公司 用于病理样本自动化成像和分析的基于计算显微镜的系统和方法
CN116485814A (zh) * 2023-04-25 2023-07-25 江苏省人民医院（南京医科大学第一附属医院） 一种基于ct影像的颅内血肿区域分割方法
CN117274599A (zh) * 2023-09-28 2023-12-22 西安交通大学 一种基于组合双任务自编码器的脑磁共振分割方法及系统
CN117291937A (zh) * 2023-11-27 2023-12-26 山东嘉达装配式建筑科技有限责任公司 基于图像特征分析的自动抹灰效果视觉检测系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"基于深度学习的肝脏肿瘤图像自动分割研究";赵健;《中国优秀硕士学位论文全文数据库信息科技辑》;20230601;全文 *
"基于稀疏表示和低秩恢复的肝脏CT图像分割算法研究";史长发;《中国博士学位论文全文数据库信息科技辑》;20180115;全文 *
对比双侧视图信息的致密型乳腺X线图像肿块检测;曹霖;陈后金;李居朋;李艳凤;程琳;;计算机辅助设计与图形学学报;20181015(第10期);全文 *
明暗突变图像多区域光晕自适应消除仿真研究;侯培文;;计算机仿真;20180815(第08期);全文 *

Also Published As

Publication number Publication date
CN117557568A (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
CN109035255B (zh) 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法
CN105243669B (zh) 眼底图像自动识别分区方法
CN101576997B (zh) 基于二次三维区域生长的腹部器官分割方法
CN108765363A (zh) 一种基于人工智能的冠脉cta自动后处理系统
CN112508888B (zh) 面向医学影像的脑动脉快速自动分割方法及系统
CN109064470B (zh) 一种基于自适应模糊聚类的图像分割方法及装置
CN110751636B (zh) 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法
Mohanapriya et al. Adaptive Image Enhancement Using Hybrid Particle Swarm Optimization and Watershed Segmentation.
CN109753997B (zh) 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法
Fan et al. Lung nodule detection based on 3D convolutional neural networks
CN116645384B (zh) 基于人工智能的干细胞区域快速分割方法
CN117557460B (zh) 一种血管造影图像增强方法
CN116993628B (zh) 一种用于肿瘤射频消融引导的ct图像增强系统
WO2006057724A2 (en) A registration system and method for tracking lung nodules in medical images
CN114820663B (zh) 用于确定射频消融治疗的辅助定位方法
CN111815610A (zh) 一种病变图像的病灶检测方法及装置
Shelke et al. Automated segmentation and detection of brain tumor from MRI
CN117557568B (zh) 基于红外图像的热化疗过程中病灶区域分割方法
CN112712540B (zh) 一种基于ct影像的肺部支气管提取方法
CN112288752B (zh) 一种基于胸部平扫ct的冠脉钙化灶全自动分割方法
CN108460748B (zh) 乳腺肿瘤分析用特征训练参数获取方法、系统及诊断系统
CN115619693A (zh) 一种基于嵌套多尺度变换的时空融合模型
CN112634280B (zh) 基于能量泛函的mri图像脑肿瘤分割方法
CN113496497A (zh) 一种鲁棒的全自动肝脏分割方法
Rastghalam et al. Breast cancer detection using spectral probable feature on thermography 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