CN117745704A - 一种用于骨质疏松识别的脊椎区域分割系统 - Google Patents
一种用于骨质疏松识别的脊椎区域分割系统 Download PDFInfo
- Publication number
- CN117745704A CN117745704A CN202311862178.2A CN202311862178A CN117745704A CN 117745704 A CN117745704 A CN 117745704A CN 202311862178 A CN202311862178 A CN 202311862178A CN 117745704 A CN117745704 A CN 117745704A
- Authority
- CN
- China
- Prior art keywords
- window
- sliding window
- sliding
- central
- neighborhood
- 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.)
- Pending
Links
- 208000001132 Osteoporosis Diseases 0.000 title claims abstract description 28
- 230000011218 segmentation Effects 0.000 title claims abstract description 25
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims description 18
- 238000007469 bone scintigraphy Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 3
- 230000037182 bone density Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001739 density measurement Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- 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)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种用于骨质疏松识别的脊椎区域分割系统,该系统通过获取骨骼扫描图像和滑动窗口的分布参数,并对比局部与整体的分布参数获得第一滑窗,根据分布参数的差异获得第一滑窗的窗口权重,结合滑动窗口的位置关系获得中心窗口和邻域窗口,进一步获得中心窗口的置信度,利用中心窗口的窗口权重以及对应邻域窗口的权重因子对中心窗口的权重因子进行调节,获得中心窗口的加权置信度,根据加权置信度的大小获得脊椎区域。本发明通过对骨骼扫描图像中不同位置的窗口进行灰度特征提取并进行分析,准确提取出了骨骼扫描图像中的各个脊椎区域。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种用于骨质疏松识别的脊椎区域分割系统。
背景技术
目前,骨质疏松通常依赖于医生利用专业的骨密度测量来确定,然而,这种方法存在一些局限性:首先,确定结果需要由专业医生进行解读,可能存在主观性和误判的风险;其次,这些方法通常需要使用昂贵的仪器设备,限制了其在健康保健领域的应用。
在利用图像处理技术对CT图像的脊椎区域进行检测识别过程中,现有算法通常直接利用阈值分割的方法进行检测,但是通过简单的阈值分割获取脊椎区域时,由于通过CT机所采集的骨骼扫描图像中存在多种灰度值所形成的区域,利用所确定的阈值对图像进行分割时容易受到非骨骼区域的干扰,导致在阈值分割后的图像中难以对不同部分的骨骼区域进行进一步地具体分析,使得脊椎区域分割准确性低下,不利于后续基于脊椎区域进行骨质疏松识别,进而影响诊断结果。
发明内容
本发明提供一种用于骨质疏松识别的脊椎区域分割系统,以解决现有的问题。
本发明的一种用于骨质疏松识别的脊椎区域分割系统采用如下技术方案:
本发明提供了一种用于骨质疏松识别的脊椎区域分割系统,该系统包括以下模块:
图像采集模块:用于获取骨骼扫描图像;
滑动窗口模块:用于通过骨骼扫描图像中所有像素点的灰度值获得骨骼扫描图像的分布参数;构建预设大小的滑动窗口并按照预设步长对骨骼扫描图像进行遍历,获取遍历过程中滑动窗口的分布参数,根据滑动窗口的分布参数的大小获得第一滑窗和第二滑窗,所述滑动窗口的分布参数与骨骼扫描图像的分布参数的获取方法相同;根据第一滑窗和骨骼扫描图像的分布参数之间的差异获得第一滑窗的窗口权重;
脊椎确定模块:用于选取任意一个遍历位置下的滑动窗口记为中心窗口,根据滑动窗口与中心窗口之间的位置关系获得中心窗口的邻域窗口;判断滑动窗口是否为第一滑窗或第二滑窗,根据判断结果赋予滑动窗口预设的权重因子,根据中心窗口与邻域窗口的权重因子获得中心窗口的置信度;利用中心窗口的窗口权重以及对应邻域窗口的权重因子对中心窗口的权重因子进行调节,获得中心窗口的加权置信度;根据加权置信度的大小获得脊椎区域。
进一步的,所述通过骨骼扫描图像中所有像素点的灰度值获得骨骼扫描图像的分布参数包括:
获取骨骼扫描图像中所有像素点灰度值的均值和方差分别记为骨骼扫描图像的第一参数和第二参数,将第二参数和第一参数的比值记为骨骼扫描图像的分布参数。
进一步的,所述构建预设大小的滑动窗口并按照预设步长对骨骼扫描图像进行遍历,获取遍历过程中滑动窗口的分布参数,根据滑动窗口的分布参数的大小获得第一滑窗和第二滑窗包括:
首先,构建大小为A×A的滑动窗口,滑动窗口以a为步长对骨骼扫描图像进行遍历,获取滑动窗口的第二参数和分布参数,其中A和a均为预设的超参数;
然后,若滑动窗口的分布参数小于骨骼扫描图像的分布参数,则将滑动窗口记为第一滑窗;若滑动窗口的分布参数大于等于骨骼扫描图像的分布参数,则将滑动窗口记为第二滑窗。
进一步的,所述根据第一滑窗和骨骼扫描图像的分布参数之间的差异获得第一滑窗的窗口权重包括:
任意第一滑窗的窗口权重的具体计算方法为:
其中,W表示第一滑窗的窗口权重;C′表示第一滑窗的分布参数;C表示骨骼扫描图像的分布参数;δ′表示第一滑窗的第二参数;exp()表示以自然常数为底数的指数函数。
进一步的,所述选取任意一个遍历位置下的滑动窗口记为中心窗口,根据滑动窗口与中心窗口之间的位置关系获得中心窗口的邻域窗口包括:
对于在滑动遍历过程中所有位置下的滑动窗口,选取任意一个滑动窗口记为中心窗口,获取位于中心窗口的8邻域所对应位置的滑动窗口,记为中心窗口的邻域窗口。
进一步的,所述判断滑动窗口是否为第一滑窗或第二滑窗,根据判断结果赋予滑动窗口预设的权重因子包括:
当中心窗口为第一滑窗时,将权重因子T1赋予中心窗口,反之,当中心窗口不为第一滑窗,即中心窗口为第二滑窗时,将权重因子T0赋予中心窗口;当任意邻域窗口为第一滑窗时,将权重因子T2赋予对应的邻域窗口,而当邻域窗口为第二窗口时,将权重因子T0赋予邻域窗口,其中T0、T1和T2均为预设的超参数。
进一步的,所述根据中心窗口与邻域窗口的权重因子获得中心窗口的置信度包括:
首先,将任意中心窗口与对应8邻域下的邻域窗口所形成的集合记为窗口集合,将窗口集合中的中心窗口的序号记为0,对于8邻域下的邻域窗口,按照从左到右、从上到下的顺序,将邻域窗口的序号以此设定为1至8;
然后,窗口集合内中心窗口的置信度的具体计算方法为:
其中,P表示中心窗口的置信度;Ti表示窗口集合中第i个滑动窗口的权重因子;T1和T2均为预设的超参数。
进一步的,所述利用中心窗口的窗口权重以及对应邻域窗口的权重因子对中心窗口的权重因子进行调节,获得中心窗口的加权置信度,包括的具体步骤如下:
中心窗口的加权置信度的具体计算方法为:
其中,S表示中心窗口的加权置信度;Pi表示窗口集合中第i个滑动窗口的置信度;G表示预设的超参数;P表示中心窗口的置信度;W′为中心窗口的窗口权重。
进一步的,所述根据加权置信度的大小获得脊椎区域包括:
获得骨骼扫描图像中所有第一滑窗的加权置信度,将加权置信度大于超参数G的第一滑窗记为脊椎区域。
本发明的技术方案的有益效果是:由于骨质疏松区域有多个小的连通域形成,因此通过利用滑动窗口对骨骼扫描图像进行遍历,提高了系统对骨骼扫描图像的局部区域中灰度值分布特征的敏感度,通过在遍历过程中对不同位置下的滑动窗口进行特征提取和加权分析获得骨骼扫描图像中的各个脊椎区域,避免了图像中非骨骼区域对脊椎区域分割结果的影响,增强了脊椎区域分割结果的准确性和可靠程度,进一步提高了对骨质疏松区域的检测准确性。
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为本发明一种用于骨质疏松识别的脊椎区域分割系统的模块流程图。
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用于骨质疏松识别的脊椎区域分割系统,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用于骨质疏松识别的脊椎区域分割系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于骨质疏松识别的脊椎区域分割系统的模块流程图,该系统包括以下模块:
图像采集模块:用于获取骨骼扫描图像。
利用CT机采集患者的骨骼扫描图像。
至此,获得骨骼扫描图像。
滑动窗口模块:用于通过滑动窗口对骨骼扫描图像进行遍历,根据滑动窗口内所有像素点的灰度值获得滑动窗口的窗口权重。
需要说明的是,根据整体图像灰度值分布可以区分出黑色背景和骨骼的灰度值界限,利用滑动窗口对图像进行遍历并对滑动窗口内的灰度值进行统计,统计出置信度之后根据邻域窗口置信度情况对中心窗口进行加权,若大于某个阈值则可以评定为脊椎部分。
需要说明的是,从图像明显看出脊椎部分的平均灰度值较低且灰度值变化不大,分布比较集中,相应的方差就比较小,脊椎区域的变异系数可以反应脊椎区域灰度值的变化是否稳定,观察脊椎区域图像可以发现,脊椎区域的灰度值相对于其他骨骼部分来说更加的稳定,因此脊椎区域灰度值的变异系数低于全局灰度值的变异系数,对滑窗内区域变异系数与全局变异系数进行比较,低于全局变异系数区域说明是该区域的骨骼灰度值变化更小,而脊椎部分的骨骼就符合此类特征,就有可能是目标区域。
步骤(1),获取骨骼扫描图像中所有像素点灰度值的均值和方差分别记为骨骼扫描图像的第一参数和第二参数,将第二参数和第一参数的比值记为骨骼扫描图像的分布参数。
步骤(2),首先,构建大小为A×A的滑动窗口,滑动窗口以a为步长对骨骼扫描图像进行遍历,根据滑动窗口所有像素点的灰度值获取滑动窗口的分布参数,其中A和a均为预设的超参数。
需要说明的是,根据经验预设滑动窗口的大小A×A为3×3,步长a为1,可根据实际情况进行调整,本实施例不进行具体限定。
需要说明的是,在计算滑动窗口的分布参数的过程中,得到的滑动窗口内灰度值的均值反映了滑动窗口内骨骼部分像素点的整体灰度,得到的滑动窗口内灰度值的方差反映了区域内骨骼部分灰度值的离散情况,以通过由方差和均值得到的滑动窗口的分布参数与骨骼扫描图像的分布参数进行进一步对比分析。
然后,将滑动窗口的分布参数与骨骼扫描图像的分布参数进行大小对比,若滑动窗口的分布参数小于骨骼扫描图像的分布参数,则将滑动窗口记为第一滑窗;若滑动窗口的分布参数大于等于骨骼扫描图像的分布参数,则将滑动窗口记为第二滑窗。
最后,根据第一滑窗与骨骼扫描图像的分布参数之间的差异以及第一滑窗对应的第二参数,获得任意第一滑窗的窗口权重,具体计算方法为:
其中,W表示第一滑窗的窗口权重;C′表示第一滑窗的分布参数;C表示骨骼扫描图像的分布参数;δ′表示第一滑窗的第二参数;exp()表示以自然常数为底数的指数函数。
需要说明的是,第一滑窗的第二参数,即为第一滑窗内所有像素点的灰度值的方差,反映了滑动窗口内像素点的灰度值的离散程度;另外,由于脊椎骨部分的灰度值离散程度较高,且整体的灰度值较大,而不是脊椎骨部分的区域在灰度值分布上更加均匀且整体的灰度值较小。因此当滑动窗口所对应区域的分布参数与骨骼扫描图像的分布参数相近时,滑动窗口越有可能包含脊椎骨的骨骼区域。
至此,获得第一滑窗的窗口权重。
脊椎确定模块:用于结合滑动窗口之间的位置关系,获得滑动窗口的置信度;并通过中心窗口的窗口权重和中心窗口对应邻域窗口的权重因子,对中心窗口的权重因子进行调节,获得中心窗口的加权置信度。
步骤一,首先,对于在滑动遍历过程中所有位置下的滑动窗口,选取任意一个滑动窗口记为中心窗口,获取位于中心窗口的8邻域所对应位置的滑动窗口,记为中心窗口的邻域窗口。
需要说明的是,获取中心窗口的邻域窗口时,会出现超边界的问题,本实施例中通过复制与中心窗口相同的滑动窗口作为在超边界时中心窗口所对应的邻域窗口。
然后,当中心窗口为第一滑窗时,将权重因子T1赋予中心窗口,反之,当中心窗口不为第一滑窗,即中心窗口为第二滑窗时,将权重因子T0赋予中心窗口;当任意邻域窗口为第一滑窗时,将权重因子T2赋予对应的邻域窗口,而当邻域窗口为第二窗口时,将权重因子T0赋予邻域窗口,其中T0、T1和T2均为预设的超参数。
需要说明的是,中心窗口为第一滑窗时,说明中心窗口所对应区域的骨骼部分很可能是脊椎部分,属于需要进行分析的目标区域,因此需要将中心窗口的权重因子赋予高的数值,而中心窗口不为第一滑窗时,将中心窗口的权重因子数值设定为0;另外,由于邻域窗口在空间位置上与对应的中心窗口距离近,因此邻域窗口为第一滑窗时,将邻域窗口的权重因子赋予较高的数值,而邻域窗口不为第一滑窗时,将邻域窗口的权重因子数值设定为0。
需要说明的是,权重因子的大小顺序应该为T1>T2>T0,根据经验预设权重因子T1=2,权重因子T2=1,权重因子T0=0,可根据实际情况进行调整,本实施例不进行具体限定。
最后,将任意中心窗口与对应8邻域下的邻域窗口所形成的集合记为窗口集合,将窗口集合中的中心窗口的序号记为0,对于8邻域下的邻域窗口,按照从左到右、从上到下的顺序,将邻域窗口的序号以此设定为1至8;根据任意窗口集合中滑动窗口的权重因子,获得窗口集合内中心窗口的置信度,具体计算方法为:
其中,P表示中心窗口的置信度;Ti表示窗口集合中第i个滑动窗口的权重因子;T1和T2均为预设的超参数。
需要说明的是,置信度反映了中心窗口是脊椎骨区域的概率,由于脊椎骨区域分布通常比较紧凑,如果中心窗口的邻域窗口也是脊椎骨的部分,说明中心窗口就有更大的可能包含脊椎区域;另外,中心窗口对于判断结果的影响更大一些,所以中心窗口相较于对应的邻域窗口的权重就更大一些,通过中心窗口和邻域窗口进行一个概率计算,得到中心窗口包含脊柱骨区域时所对应的置信度。
通过置信度的获取方法获得骨骼扫描图像中所有滑动窗口的置信度。
步骤二,需要说明的是,为了避免部分滑动窗口所对应区域存在特殊状况,例如:虽然滑动窗口对应区域为脊椎区域但区域内灰度值变化较大,或虽然滑动窗口对应区域不是脊椎区域但区域内的灰度值变化较小,导致对检测结果产生误判,因此需要根据每个中心窗口的置信度结合邻域窗口的置信度对中心窗口的置信度进行加权。
首先,当中心窗口为第一滑窗时,结合中心窗口的窗口权重和中心窗口对应邻域窗口的权重因子,对中心窗口的权重因子进行调节,获得中心窗口的加权置信度,具体计算方法为:
其中,S表示中心窗口的加权置信度;Pi表示窗口集合中第i个滑动窗口的置信度;G表示预设的超参数;P表示中心窗口的置信度;W′为中心窗口的窗口权重。
需要说明的是,由于邻域窗口与中心窗口之间距离近,因此邻域窗口的置信度会对中心窗口的置信度产生影响,另外,由于人体的骨骼分布通常较为集中,因此本实施例通过邻域窗口的置信度对中心窗口的置信度进行加权,以防止出现特殊情况而产生的误差,提高置信度的鲁棒性;若邻域窗口置信度大于超参数G,则说明邻域窗口所对应区域很大可能为脊椎骨区域,中心窗口所对应区域也可能为脊椎骨区域,即对中心窗口的置信度进行一定程度的增强;而若邻域窗口的置信度小于等于超参数G,则说明邻域窗口所对应区域为脊椎骨区域的可能性小,因此会一定程度上削弱中心窗口的置信度。
需要说明的是,根据经验预设超参数G为0.8,可根据实际情况进行调整,本实施例不进行具体限定。
然后,获得骨骼扫描图像中所有第一滑窗的加权置信度,将加权置信度大于超参数G的第一滑窗记为脊椎区域。
至此,获得骨骼扫描图像中可以用于骨质疏松识别的各个脊椎区域。
本实施例得到骨骼扫描图像中各个脊椎区域之后,可以进行后续的骨质疏松识别过程,作为一个具体实施方式,根据脊椎区域中像素点的灰度值获得骨质疏松区域。
需要说明的是,脊椎区域内可能含有背景区域,因此需要根据脊椎区域内像素点灰度值的大小确定脊椎部分。
首先,如果脊椎区域内像素点的灰度值大于预设的灰度阈值,则说明像素点属于骨骼部分,反之为背景部分,将骨骼扫描图像中灰度值大于灰度阈值的像素点的灰度值保持不变,而将低于灰度阈值的像素点的灰度值设定为0,则由灰度值不为0的像素点形成骨骼区域。
然后,对骨骼区域进行连通域检测,获得由多个连通域形成的骨质疏松区域,并利用不同的颜色对多个连通域进行可视化标记。
需要说明的是,正常的骨骼由于密度均匀,因此在CT图像中灰度值变化平缓,可以形成一个完整的连通域,而当骨骼出现骨质疏松的问题时,由于骨骼的密度发生变化,不再均匀,因此在CT图像中的灰度值变化也不再平缓,因此获得的连通域变多。
需要说明的是,本实施例中所用的exp(-x)模型仅用于表示负相关关系和约束模型输出的结果处于(0,1)区间内,具体实施时,可替换成具有同样目的的其他模型,本实施例只是以exp(-x)模型为例进行叙述,不对其做具体限定,其中x是指该模型的输入。
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 (8)
1.一种用于骨质疏松识别的脊椎区域分割系统,其特征在于,该系统包括以下模块:
图像采集模块:用于获取骨骼扫描图像;
滑动窗口模块:用于通过骨骼扫描图像中所有像素点的灰度值获得骨骼扫描图像的分布参数;构建预设大小的滑动窗口并按照预设步长对骨骼扫描图像进行遍历,获取遍历过程中滑动窗口的分布参数,根据滑动窗口的分布参数的大小获得第一滑窗和第二滑窗,所述滑动窗口的分布参数与骨骼扫描图像的分布参数的获取方法相同;根据第一滑窗和骨骼扫描图像的分布参数之间的差异获得第一滑窗的窗口权重;
脊椎确定模块:用于选取任意一个遍历位置下的滑动窗口记为中心窗口,根据滑动窗口与中心窗口之间的位置关系获得中心窗口的邻域窗口;判断滑动窗口是否为第一滑窗或第二滑窗,根据判断结果赋予滑动窗口预设的权重因子,根据中心窗口与邻域窗口的权重因子获得中心窗口的置信度;利用中心窗口的窗口权重以及对应邻域窗口的权重因子对中心窗口的权重因子进行调节,获得中心窗口的加权置信度;根据加权置信度的大小获得脊椎区域;
所述利用中心窗口的窗口权重以及对应邻域窗口的权重因子对中心窗口的权重因子进行调节,获得中心窗口的加权置信度包括:
中心窗口的加权置信度的具体计算方法为:
其中,S表示中心窗口的加权置信度;Pi表示窗口集合中第i个滑动窗口的置信度;G表示预设的超参数;P表示中心窗口的置信度;W′为中心窗口的窗口权重。
2.根据权利要求1所述一种用于骨质疏松识别的脊椎区域分割系统,其特征在于,所述通过骨骼扫描图像中所有像素点的灰度值获得骨骼扫描图像的分布参数包括:
获取骨骼扫描图像中所有像素点灰度值的均值和方差分别记为骨骼扫描图像的第一参数和第二参数,将第二参数和第一参数的比值记为骨骼扫描图像的分布参数。
3.根据权利要求2所述一种用于骨质疏松识别的脊椎区域分割系统,其特征在于,所述构建预设大小的滑动窗口并按照预设步长对骨骼扫描图像进行遍历,获取遍历过程中滑动窗口的分布参数,根据滑动窗口的分布参数的大小获得第一滑窗和第二滑窗包括:
首先,构建大小为A×A的滑动窗口,滑动窗口以a为步长对骨骼扫描图像进行遍历,获取滑动窗口的第二参数和分布参数,其中A和a均为预设的超参数;
然后,若滑动窗口的分布参数小于骨骼扫描图像的分布参数,则将滑动窗口记为第一滑窗;若滑动窗口的分布参数大于等于骨骼扫描图像的分布参数,则将滑动窗口记为第二滑窗。
4.根据权利要求3所述一种用于骨质疏松识别的脊椎区域分割系统,其特征在于,所述根据第一滑窗和骨骼扫描图像的分布参数之间的差异获得第一滑窗的窗口权重包括:
任意第一滑窗的窗口权重的具体计算方法为:
其中,W表示第一滑窗的窗口权重;C′表示第一滑窗的分布参数;C表示骨骼扫描图像的分布参数;δ′表示第一滑窗的第二参数;exp()表示以自然常数为底数的指数函数。
5.根据权利要求1所述一种用于骨质疏松识别的脊椎区域分割系统,其特征在于,所述选取任意一个遍历位置下的滑动窗口记为中心窗口,根据滑动窗口与中心窗口之间的位置关系获得中心窗口的邻域窗口包括:
对于在滑动遍历过程中所有位置下的滑动窗口,选取任意一个滑动窗口记为中心窗口,获取位于中心窗口的8邻域所对应位置的滑动窗口,记为中心窗口的邻域窗口。
6.根据权利要求1所述一种用于骨质疏松识别的脊椎区域分割系统,其特征在于,所述判断滑动窗口是否为第一滑窗或第二滑窗,根据判断结果赋予滑动窗口预设的权重因子包括:
当中心窗口为第一滑窗时,将权重因子T1赋予中心窗口,反之,当中心窗口不为第一滑窗,即中心窗口为第二滑窗时,将权重因子T0赋予中心窗口;当任意邻域窗口为第一滑窗时,将权重因子T2赋予对应的邻域窗口,而当邻域窗口为第二窗口时,将权重因子T0赋予邻域窗口,其中T0、T1和T2均为预设的超参数。
7.根据权利要求1所述一种用于骨质疏松识别的脊椎区域分割系统,其特征在于,所述根据中心窗口与邻域窗口的权重因子获得中心窗口的置信度包括:
首先,将任意中心窗口与对应8邻域下的邻域窗口所形成的集合记为窗口集合,将窗口集合中的中心窗口的序号记为0,对于8邻域下的邻域窗口,按照从左到右、从上到下的顺序,将邻域窗口的序号以此设定为1至8;
然后,窗口集合内中心窗口的置信度的具体计算方法为:
其中,P表示中心窗口的置信度;Ti表示窗口集合中第i个滑动窗口的权重因子;T1和T2均为预设的超参数。
8.根据权利要求1所述一种用于骨质疏松识别的脊椎区域分割系统,其特征在于,所述根据加权置信度的大小获得脊椎区域包括:
获得骨骼扫描图像中所有第一滑窗的加权置信度,将加权置信度大于超参数G的第一滑窗记为脊椎区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311862178.2A CN117745704A (zh) | 2023-09-27 | 2023-09-27 | 一种用于骨质疏松识别的脊椎区域分割系统 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311862178.2A CN117745704A (zh) | 2023-09-27 | 2023-09-27 | 一种用于骨质疏松识别的脊椎区域分割系统 |
CN202311256103.XA CN116993736B (zh) | 2023-09-27 | 2023-09-27 | 一种骨质疏松区域智能识别系统 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311256103.XA Division CN116993736B (zh) | 2023-09-27 | 2023-09-27 | 一种骨质疏松区域智能识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117745704A true CN117745704A (zh) | 2024-03-22 |
Family
ID=88525210
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311862178.2A Pending CN117745704A (zh) | 2023-09-27 | 2023-09-27 | 一种用于骨质疏松识别的脊椎区域分割系统 |
CN202311256103.XA Active CN116993736B (zh) | 2023-09-27 | 2023-09-27 | 一种骨质疏松区域智能识别系统 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311256103.XA Active CN116993736B (zh) | 2023-09-27 | 2023-09-27 | 一种骨质疏松区域智能识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN117745704A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649405B (zh) * | 2024-01-29 | 2024-04-02 | 深圳泰康医疗设备有限公司 | 一种切片中药的烘焙质量评价方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023543842A (ja) * | 2020-09-30 | 2023-10-18 | ボストン サイエンティフィック サイムド,インコーポレイテッド | 局所サイクル長及び局所デューティサイクルを決定するための電気生理学システム及び方法 |
US20220095986A1 (en) * | 2020-09-30 | 2022-03-31 | Boston Scientific Scimed Inc. | Interactive 2d scatter plot of egm characteristic metrics |
CN114066886B (zh) * | 2022-01-11 | 2022-05-06 | 北京威高智慧科技有限公司 | 骨骼分割边界确定方法、装置、电子设备及存储介质 |
CN114677391B (zh) * | 2022-05-26 | 2022-08-26 | 青岛大学附属医院 | 一种脊椎图像分割方法 |
CN116152505B (zh) * | 2023-04-20 | 2023-06-20 | 深圳市亿康医疗技术有限公司 | 基于x光数据的骨骼目标识别分割方法 |
-
2023
- 2023-09-27 CN CN202311862178.2A patent/CN117745704A/zh active Pending
- 2023-09-27 CN CN202311256103.XA patent/CN116993736B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116993736B (zh) | 2023-12-05 |
CN116993736A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
US5633511A (en) | Automatic tone scale adjustment using image activity measures | |
CN111047572A (zh) | 一种基于Mask RCNN的医学图像中脊柱自动定位方法 | |
JP2008520344A (ja) | 放射線写真画像の向きを検知及び補正する方法 | |
CN103249358A (zh) | 医用图像处理装置 | |
JP2005296605A (ja) | 放射線写真画像を診断関連領域と診断非関連領域とにセグメント化する方法 | |
CN109919254B (zh) | 乳腺密度分类方法、系统、可读存储介质和计算机设备 | |
Alharbi et al. | Deep learning based algorithm for automatic scoliosis angle measurement | |
CN116993736B (zh) | 一种骨质疏松区域智能识别系统 | |
CN110610472A (zh) | 实现肺结节图像分类检测的计算机装置及方法 | |
EP1225542B1 (en) | Tomographic segmentation | |
CN108764355A (zh) | 基于纹理特征分类的图像处理装置及方法 | |
CN116542966A (zh) | 用于儿童内分泌异常检测的骨龄智能分析方法 | |
US8077956B2 (en) | Orientation detection for chest radiographic images | |
CN110660044B (zh) | 骨组织结构形态异常的快速检测方法及电子装置 | |
Zhang et al. | Automatic background recognition and removal (ABRR) in computed radiography images | |
CN117764864A (zh) | 基于图像去噪的核磁共振肿瘤视觉检测方法 | |
CN111445456B (zh) | 分类模型、网络模型的训练方法及装置、识别方法及装置 | |
Zhang et al. | Atlas-driven lung lobe segmentation in volumetric X-ray CT images | |
CN110895818A (zh) | 一种基于深度学习的膝关节轮廓特征提取方法和装置 | |
CN116433743A (zh) | 一种校准图像的方法及装置 | |
CN115439686B (zh) | 一种基于扫描影像的关注对象检测方法及系统 | |
CN117275130B (zh) | 基于人脸识别的智慧门禁验证系统 | |
CN113627231B (zh) | 一种基于机器视觉的视网膜oct图像中液体区域自动分割方法 | |
CN117408988B (zh) | 基于人工智能的病灶图像分析方法及装置 |
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 |