CN117788578A - 基于多维度实现ct图像的位置定位方法及系统 - Google Patents
基于多维度实现ct图像的位置定位方法及系统 Download PDFInfo
- Publication number
- CN117788578A CN117788578A CN202311797846.8A CN202311797846A CN117788578A CN 117788578 A CN117788578 A CN 117788578A CN 202311797846 A CN202311797846 A CN 202311797846A CN 117788578 A CN117788578 A CN 117788578A
- Authority
- CN
- China
- Prior art keywords
- image
- calibration
- initial
- image based
- filtered
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001914 filtration Methods 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 30
- 238000011088 calibration curve Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 10
- 230000004807 localization Effects 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000003745 diagnosis Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000011282 treatment Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 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
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000013558 reference substance Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Abstract
本发明涉及图像位置定位领域，提出了基于多维度实现CT图像的位置定位方法及系统，所述方法包括：获取初始CT图像，并进行图像校准和频域滤波，得到CT滤波图像。然后确定图像维度，并识别特征向量，计算空间分布值，根据空间分布值确定定位点，并识别ROI区域，计算像素密度值，基于像素密度值进行病灶检测，得到病灶信息，并将二维数据还原成三维结构，将关键点标定在三维结构上，得到坐标信息，并与初始CT图像进行信息关联，生成位置定位报告。本发明可以提高CT图像位置定位的准确性。
Description
技术领域
本发明涉及图像位置定位领域，尤其涉及基于多维度实现CT图像的位置定位方法及系统。
背景技术
CT图像是一种通过多个不同角度的X射线扫描来获取体内断面图像的医学影像技术，其通常使用X射线源和探测器围绕患者旋转，通过对X射线在人体内组织的吸收程度进行测量，然后利用计算机重建出体内不同切面的二维图像，可以展示出人体内部的器官、骨骼、血管等结构，帮助医生诊断疾病、指导手术或治疗。
目前，实现CT图像的位置定位主要通过图像配准技术来实现，图像配准是将不同CT图像之间的空间位置进行匹配和对齐的过程，这种技术利用计算机算法来寻找图像之间的共同特征点，并通过对这些特征点进行对比和匹配，来确定它们之间的相对位置关系，但是，图像配准容易受到噪声、伪影等因素的影响，导致图像质量较差，从而影响配准的准确性，因此，需要一种基于多维度实现CT图像的位置定位方法及系统，以提高CT图像位置定位的准确性。
发明内容
本发明提供基于多维度实现CT图像的位置定位方法及系统，其主要目的在于提高CT图像位置定位的准确性。
为实现上述目的，本发明提供的基于多维度实现CT图像的位置定位方法，包括：
获取初始CT图像，对所述初始CT图像进行图像校准，得到CT校准图像，对所述CT校准图像进行频域滤波，得到CT滤波图像；
确定所述CT滤波图像对应的图像维度，识别所述图像维度对应的特征向量，基于所述特征向量，计算所述CT滤波图像中的空间分布值；
基于所述空间分布值，确定所述CT滤波图像中的定位点，基于所述定位点，识别所述CT滤波图像对应的ROI区域，计算所述ROI区域中对应的像素密度值；
基于所述像素密度值，对所述CT滤波图像进行病灶检测，得到病灶信息，识别所述病灶信息中的关键点，并将所述CT滤波图像中的二维数据还原成三维结构；
将所述关键点标定在所述三维结构，得到所述关键点对应的坐标信息，将所述坐标信息与所述初始CT图像进行信息关联，得到信息关联表，基于所述信息关联表，生成所述初始CT图像对应的位置定位报告。
可选地，所述对所述初始CT图像进行图像校准，得到CT校准图像，包括：
确定所述初始CT图像对应的校准区域；
提取所述校准区域中的像素值，查询所述像素值对应的衰减系数；
基于所述像素值和所述衰减系数，计算所述初始图像对应的校准曲线；
基于所述校准曲线，对所述初始CT图像进行图像校准，得到CT校准图像。
可选地，所述基于所述像素值和所述衰减系数，计算所述初始图像对应的校准曲线，包括：
利用下述公式计算所述初始图像对应的校准曲线：
其中，JZ表示所述初始图像对应的校准曲线，XS表示初始图像中特定像素点的原始灰度值，SJ表示所述特定像素点所处的材料的衰减系数，N表示初始图像中所有像素点的数量。
可选地，所述对所述CT校准图像进行频域滤波，得到CT滤波图像，包括：
将所述CT校准图像转换为灰度图像；
将所述灰度图像中的空间域变换为频域，得到频域图像；
对所述频域图像进行中心化，并确定所述频域图像对应的滤波器类型；
基于所述滤波器类型，对所述频域图像进行卷积滤波，得到所述CT校准图像对应的CT滤波图像。
可选地，所述基于所述特征向量，计算所述CT滤波图像中的空间分布值，包括：
利用下述公式计算所述CT滤波图像中的空间分布值：
其中，F(x,y)表示所述CT滤波图像的空间分布值，其中x和y表示像素的坐标；v表示所述特征向量，且v＝[v1,v2,...,vn]；(x-vi)和(y-vi)分别表示x和y坐标与特征向量vi的差值；(vi-x)和(vi-y)分别表示特征向量vi与x和y坐标的差值。
可选地，所述基于所述空间分布值，确定所述CT滤波图像中的定位点，包括：
将所述空间分布值转化为二值图像，确定所述二值图像对应的图像阈值；
基于所述图像阈值，对所述二值图像进行筛选过滤，得到所述二值图像对应的位置点；
将所述位置点标记在所述CT滤波图像中对应位置，得到CT滤波图像对应的定位点。
可选地，所述基于所述定位点，识别所述CT滤波图像对应的ROI区域，计算所述ROI区域中对应的像素密度值，包括：
将所述定位点作为中心点；
基于所述中心点，确定所述CT滤波图像对应的矩形框；
将所述矩形框判定为ROI区域；
利用预设的像素计算公式计算所述ROI区域中对应的像素密度值。
可选地，所述基于所述像素密度值，对所述CT滤波图像进行病灶检测，得到病灶信息，包括：
对所述CT滤波图像进行图像加载，并设定所述CT滤波图像对应的灰度阈值；
基于所述灰度阈值，确定所述CT滤波图像中高阈值区域；
对所述高阈值区域进行特征提取，得到阈值特征；
基于所述阈值特征，生成所述CT滤波图像对应的病灶信息。
可选地，所述将所述关键点标定在所述三维结构，得到所述关键点对应的坐标信息，包括：
将所述关键点标定在所述三维结构，得到内外参矩阵；
对所述内外参矩阵进行特征提取，得到矩阵特征；
将所述矩阵特征和所述三维结构进行三角测量，得到三维坐标；
将所述三维坐标进行坐标转换，得到所述关键点对应的坐标信息。
为了解决上述问题，本发明还提供基于多维度实现CT图像的位置定位系统，所述系统包括：
图像滤波模块，用于获取初始CT图像，对所述初始CT图像进行图像校准，得到CT校准图像，对所述CT校准图像进行频域滤波，得到CT滤波图像；
分布值计算模块，用于确定所述CT滤波图像对应的图像维度，识别所述图像维度对应的特征向量，基于所述特征向量，计算所述CT滤波图像中的空间分布值；
密度值计算模块，用于基于所述空间分布值，确定所述CT滤波图像中的定位点，基于所述定位点，识别所述CT滤波图像对应的ROI区域，计算所述ROI区域中对应的像素密度值；
结构还原模块，用于基于所述像素密度值，对所述CT滤波图像进行病灶检测，得到病灶信息，识别所述病灶信息中的关键点，并将所述CT滤波图像中的二维数据还原成三维结构；
报告生成模块，用于将所述关键点标定在所述三维结构，得到所述关键点对应的坐标信息，将所述坐标信息与所述初始CT图像进行信息关联，得到信息关联表，基于所述信息关联表，生成所述初始CT图像对应的位置定位报告。
本发明通过获取初始CT图像，对所述初始CT图像进行图像校准，得到CT校准图像，可以提高图像质量、诊断准确性和图像一致性，优化图像配准，并改善治疗规划，进而提升医疗影像的应用价值，本发明通过确定所述CT滤波图像对应的图像维度，识别所述图像维度对应的特征向量，有助于对图像进行更准确、全面的分析和处理，提高图像的理解和利用效果，从而提供更准确的诊断和治疗建议，本发明基于所述空间分布值，确定所述CT滤波图像中的定位点，可以灵活地应用于不同的图像处理任务，并且可以根据具体需求进行定位点的确定，利用空间分布值可以大大提高计算效率，从而节省时间和计算资源，本发明基于所述像素密度值，对所述CT滤波图像进行病灶检测，得到病灶信息，能够提供快速、自动化、精确和可定制的结果，有助于提高病灶检测的效率和准确性，从而适应不同的病灶检测需求，本发明通过将所述关键点标定在所述三维结构，得到所述关键点对应的坐标信息，可以更加准确地确定关键点所在的位置，并且相比于在二维图像中定位，三维结构提供了更多的空间信息，可以消除平面投影引起的误差。因此本发明提出的基于多维度实现CT图像的位置定位方法及系统，以提高CT图像位置定位的准确性。
附图说明
图1为本发明一实施例提供的基于多维度实现CT图像的位置定位方法的流程示意图；
图2为本发明一实施例提供的一种基于多维度实现CT图像的位置定位系统的模块示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供基于多维度实现CT图像的位置定位方法。所述基于多维度实现CT图像的位置定位方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于多维度实现CT图像的位置定位方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于多维度实现CT图像的位置定位方法的流程示意图。在本实施例中，所述基于多维度实现CT图像的位置定位方法包括：
S1、获取初始CT图像，对所述初始CT图像进行图像校准，得到CT校准图像，对所述CT校准图像进行频域滤波，得到CT滤波图像。
本发明通过获取初始CT图像，对所述初始CT图像进行图像校准，得到CT校准图像，可以提高图像质量、诊断准确性和图像一致性，优化图像配准，并改善治疗规划，进而提升医疗影像的应用价值。
其中，所述初始CT图像是指在进行CT扫描时，患者接受扫描前所拍摄的原始图像；所述CT校准图像是指在进行CT扫描期间使用特定标准物体来校准扫描仪的图像。
作为本发明的一个实施例，所述对所述初始CT图像进行图像校准，得到CT校准图像，包括：确定所述初始CT图像对应的校准区域；提取所述校准区域中的像素值；查询所述像素值对应的衰减系数；基于所述像素值和所述衰减系数，计算所述初始图像对应的校准曲线；
基于所述校准曲线，对所述初始CT图像进行图像校准，得到CT校准图像。
其中，所述校准区域是指在CT图像中选择的一个特定区域，该区域包含了已知参考物质的样本；所述像素值是指CT图像中每个像素的灰度值或密度值；所述衰减系数是指是用来衡量材料对X射线的吸收能力的一个参数；所述校准曲线是指可以描述像素值与衰减系数之间的关系。
进一步地，所述校准区域可以通过影像处理工具实现获得，如：DicomViewer、ImageJ、MIPAV等；所述像素值可以通过统计模型实现获得，如：支持向量机、卷积神经网络等模型；所述衰减系数可以通过Mass Attenuation Coefficient模型实现获得；所述校准曲线可以通过下述公式计算实现获得。
可选地，作为本发明的一个实施例，所述基于所述像素值和所述衰减系数，计算所述初始图像对应的校准曲线，包括：
利用下述公式计算所述初始图像对应的校准曲线：
其中，JZ表示所述初始图像对应的校准曲线，XS表示初始图像中特定像素点的原始灰度值，SJ表示所述特定像素点所处的材料的衰减系数，N表示初始图像中所有像素点的数量。
本发明通过对所述CT校准图像进行频域滤波，得到CT滤波图像，可以改善图像质量，增强细节和边缘信息，去除噪声和伪影，从而提高图像的准确性和可视化效果。
其中，所述CT滤波图像是指对所述校准CT图像进行频域滤波处理后得到的处理图像。
作为本发明的一个实施例，所述对所述CT校准图像进行频域滤波，得到CT滤波图像，包括：将所述CT校准图像转换为灰度图像；将所述灰度图像中的空间域变换为频域，得到频域图像；对所述频域图像进行中心化，并确定所述频域图像对应的滤波器类型；基于所述滤波器类型，对所述频域图像进行卷积滤波，得到所述CT校准图像对应的CT滤波图像。
其中，所述灰度图像是指将所述CT校准图像转化为仅包含亮度信息的图像；所述频域图像是指将所述灰度图像转变为频域表示形式的图像；所述滤波器类型是指根据图像处理的需求选择的用于滤波操作的滤波器种类。
进一步地，所述灰度图像可以通过深度学习模型实现获得，如：VGGNet、ResNet等；所述频域图像可以通过傅里叶变换算法实现获得；所述滤波器类型可以通过频域设计方法实现获得，如：(窗函数法、频率采样法等方法。
S2、确定所述CT滤波图像对应的图像维度，识别所述图像维度对应的特征向量，基于所述特征向量，计算所述CT滤波图像中的空间分布值。
本发明通过确定所述CT滤波图像对应的图像维度，识别所述图像维度对应的特征向量，有助于对图像进行更准确、全面的分析和处理，提高图像的理解和利用效果，从而提供更准确的诊断和治疗建议。
其中，所述图像维度是指所述CT滤波图像的宽度、高度和色彩通道数等维度；所述特征向量是指用于表征图像或数据的向量，其中每个元素表示一种特定的性质或特征。
可选地，所述图像维度可以通过卷积神经网络实现获得，如：VGG、ResNet、Inception等；所述特征向量可以通过特征选择算法实现获得，如：信息增益、卡方检验、互信息等算法。
本发明基于所述特征向量，计算所述CT滤波图像中的空间分布值，可以提供对图像的详细分析和描述，帮助检测异常区域，量化图像特征，提高图像处理效率。
其中，所述空间分布值是指描述图像中各个像素点或区域在空间上分布情况的数值。
作为本发明的一个实施例，所述基于所述特征向量，计算所述CT滤波图像中的空间分布值，包括：
利用下述公式计算所述CT滤波图像中的空间分布值：
其中，F(x,y)表示所述CT滤波图像的空间分布值，其中x和y表示像素的坐标；v表示所述特征向量，且v＝[v1,v2,...,vn]；(x-vi)和(y-vi)分别表示x和y坐标与特征向量vi的差值；(vi-x)和(vi-y)分别表示特征向量vi与x和y坐标的差值。
S3、基于所述空间分布值，确定所述CT滤波图像中的定位点，基于所述定位点，识别所述CT滤波图像对应的ROI区域，计算所述ROI区域中对应的像素密度值。
本发明基于所述空间分布值，确定所述CT滤波图像中的定位点，可以灵活地应用于不同的图像处理任务，并且可以根据具体需求进行定位点的确定，利用空间分布值可以大大提高计算效率，从而节省时间和计算资源。
其中，所述定位点是指图像中的感兴趣区域，或具有特定意义或者特征的点。
作为本发明的一个实施例，所述基于所述空间分布值，确定所述CT滤波图像中的定位点，包括：将所述空间分布值转化为二值图像；确定所述二值图像对应的图像阈值；基于所述图像阈值，对所述二值图像进行筛选过滤，得到所述二值图像对应的位置点；将所述位置点标记在所述CT滤波图像中对应位置，得到CT滤波图像对应的定位点。
其中，所述二值图像是指将计算得到的空间分布值转化为只包含两个取值(通常为0和1)的图像，其中0表示非定位点，1表示定位点；所述图像阈值是指确定将二值图像中的像素点分为定位点和非定位点的阈值；所述位置点是指经过筛选过滤后的二值图像中的像素点。
进一步地，所述二值图像可以通过阈值分割算法实现获得，如：Otsu算法、自适应阈值等算法；所述图像阈值可以通过阈值选择方法实现获得，如：Otsu's Method、双峰法等方法；所述位置点可以通过特征点检测算法实现获得，如：Harris角点检测、SIFT、SURF等算法。
本发明基于所述定位点，识别所述CT滤波图像对应的ROI区域，计算所述ROI区域中对应的像素密度值，可以提高分析效率、定量化测量结果，并减少主观误差，从而提高结果的精度和一致性。
其中，所述ROI区域是指在CT滤波图像中，被识别和选取出来的感兴趣区域。
作为本发明的一个实施例，所述基于所述定位点，识别所述CT滤波图像对应的ROI区域，计算所述ROI区域中对应的像素密度值，包括：将所述定位点作为中心点；基于所述中心点，确定所述CT滤波图像对应的矩形框；将所述矩形框判定为ROI区域；利用预设的像素计算公式计算所述ROI区域中对应的像素密度值。
其中，所述中心点是指定位点作为ROI区域的中心坐标；所述矩形框是指以中心点为中心，根据预设的ROI区域大小向外扩展得到的一个矩形区域；所述预设的像素计算公式是指用于计算ROI区域中像素密度值的数学公式或算法。
进一步地，所述中心点可以通过模板匹配算法实现获得，如：SSD、NCC等算法；所述矩形框可以通过分割模型实现获得，如：Mask R-CNN、U-Net等模型。
S4、基于所述像素密度值，对所述CT滤波图像进行病灶检测，得到病灶信息，识别所述病灶信息中的关键点，并将所述CT滤波图像中的二维数据还原成三维结构。
本发明基于所述像素密度值，对所述CT滤波图像进行病灶检测，得到病灶信息，能够提供快速、自动化、精确和可定制的结果，有助于提高病灶检测的效率和准确性，从而适应不同的病灶检测需求。
其中，所述病灶信息是指在CT图像中检测到的关于病变区域的详细信息。
作为本发明的一个实施例，所述基于所述像素密度值，对所述CT滤波图像进行病灶检测，得到病灶信息，包括：对所述CT滤波图像进行图像加载，并设定所述CT滤波图像对应的灰度阈值；基于所述灰度阈值，确定所述CT滤波图像中高阈值区域；对所述高阈值区域进行特征提取，得到阈值特征；基于所述阈值特征，生成所述CT滤波图像对应的病灶信息。
其中，所述灰度阈值是指用于将图像分割为病变和正常组织的阈值；所述高阈值区域是指所述CT滤波图像中灰度值高于设定阈值的像素点所构成的区域；所述阈值特征是指根据高阈值区域的像素分布和特性，提取出用于描述病变的具体特征的一些数值。
进一步地，所述灰度阈值可以通过统计分析模型实现获得，如：SVM、RandomForest等模型；所述高阈值区域可以通过边缘检测算法实现获得，如：Canny算法、Sobel算法；所述阈值特征可以通过特征提取工具实现获得，如：GLCM、GLDM、GSLDM等。
本发明通过识别所述病灶信息中的关键点，并将所述CT滤波图像中的二维数据还原成三维结构，可以通过对比正常组织与病变部位的三维结构，更好地评估治疗方案的效果和风险，并做出更明智的决策。
其中，所述关键点是指所述病灶信息中具有重要意义的特征点，可以是病变的边界、中心位置、特定区域等；所述三维结构是指将CT滤波图像中的二维数据还原后所得到的立体形态。
可选的，所述关键点可以通过特征描述和匹配算法实现获得，如：(SIFT、SURF、ORB等算法；所述三维结构可以通过Marching Cubes算法实现获得，如：VTK、ITK等。
S5、将所述关键点标定在所述三维结构，得到所述关键点对应的坐标信息，将所述坐标信息与所述初始CT图像进行信息关联，得到信息关联表，基于所述信息关联表，生成所述初始CT图像对应的位置定位报告。
本发明通过将所述关键点标定在所述三维结构，得到所述关键点对应的坐标信息，可以更加准确地确定关键点所在的位置，并且相比于在二维图像中定位，三维结构提供了更多的空间信息，可以消除平面投影引起的误差。
其中，所述坐标信息是指所述关键点在三维空间中的位置坐标。
作为本发明的一个实施例，所述将所述关键点标定在所述三维结构，得到所述关键点对应的坐标信息，包括：将所述关键点标定在所述三维结构，得到内外参矩阵；对所述内外参矩阵进行特征提取，得到矩阵特征；将所述矩阵特征和所述三维结构进行三角测量，得到三维坐标；将所述三维坐标进行坐标转换，得到所述关键点对应的坐标信息。
其中，所述内外参矩阵是指标定过程中得到的内参矩阵和外参矩阵；所述矩阵特征是指从内外参矩阵中提取出的一些具有代表性的特征；所述三维坐标是指内外参矩阵以及图像上的关键点信息进行计算得到坐标信息。
进一步地，所述内外参矩阵可以通过OpenCV库实现获得；所述矩阵特征可以通过SIFT算法实现获得；所述三维坐标可以通过三角测量方法实现获得，如：DLT、LM等方法。
本发明通过将所述坐标信息与所述初始CT图像进行信息关联，得到信息关联表，可以获得目标区域的立体呈现，有助于更好地理解解剖结构或异常区域的空间布局和形态特征，提高诊断的准确性。
其中，所述信息关联表是指通过将坐标信息与初始CT图像进行关联，得到的一种数据结构或表格，可选地，所述信息关联表可以通过图像配准算法实现获得，如：SIFT、SURF、MI、NCC等算法。
本发明基于所述信息关联表，生成所述初始CT图像对应的位置定位报告，可以提高工作效率、减少人为错误、提供可视化参考，并便于沟通和分享，有助于提高医疗领域的工作效率和诊断准确性，为患者的健康提供更好的服务。
其中，所述位置定位报告是指详细描述特定区域或结构在图像中位置和特征的报告，可选地，所述位置定位报告可以通过基于SIFT特征的RANSAC算法实现获得。
本发明通过获取初始CT图像，对所述初始CT图像进行图像校准，得到CT校准图像，可以提高图像质量、诊断准确性和图像一致性，优化图像配准，并改善治疗规划，进而提升医疗影像的应用价值，本发明通过确定所述CT滤波图像对应的图像维度，识别所述图像维度对应的特征向量，有助于对图像进行更准确、全面的分析和处理，提高图像的理解和利用效果，从而提供更准确的诊断和治疗建议，本发明基于所述空间分布值，确定所述CT滤波图像中的定位点，可以灵活地应用于不同的图像处理任务，并且可以根据具体需求进行定位点的确定，利用空间分布值可以大大提高计算效率，从而节省时间和计算资源，本发明基于所述像素密度值，对所述CT滤波图像进行病灶检测，得到病灶信息，能够提供快速、自动化、精确和可定制的结果，有助于提高病灶检测的效率和准确性，从而适应不同的病灶检测需求，本发明通过将所述关键点标定在所述三维结构，得到所述关键点对应的坐标信息，可以更加准确地确定关键点所在的位置，并且相比于在二维图像中定位，三维结构提供了更多的空间信息，可以消除平面投影引起的误差。因此本发明提出的基于多维度实现CT图像的位置定位方法及系统，以提高CT图像位置定位的准确性。
如图2所示，是本发明一实施例提供的基于多维度实现CT图像的位置定位方法及系统的功能模块图。
本发明所述基于多维度实现CT图像的位置定位系统200可以安装于电子设备中。根据实现的功能，所述基于多维度实现CT图像的位置定位系统200可以包括图像滤波模块201、分布值计算模块202、密度值计算模块203、结构还原模块204以及报告生成模块205。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图像滤波模块201，用于获取初始CT图像，对所述初始CT图像进行图像校准，得到CT校准图像，对所述CT校准图像进行频域滤波，得到CT滤波图像；
所述分布值计算模块202，用于确定所述CT滤波图像对应的图像维度，识别所述图像维度对应的特征向量，基于所述特征向量，计算所述CT滤波图像中的空间分布值；
所述密度值计算模块203，用于基于所述空间分布值，确定所述CT滤波图像中的定位点，基于所述定位点，识别所述CT滤波图像对应的ROI区域，计算所述ROI区域中对应的像素密度值；
所述结构还原模块204，用于基于所述像素密度值，对所述CT滤波图像进行病灶检测，得到病灶信息，识别所述病灶信息中的关键点，并将所述CT滤波图像中的二维数据还原成三维结构；
所述报告生成模块205，用于将所述关键点标定在所述三维结构，得到所述关键点对应的坐标信息，将所述坐标信息与所述初始CT图像进行信息关联，得到信息关联表，基于所述信息关联表，生成所述初始CT图像对应的位置定位报告。
详细地，本发明实施例中所述基于多维度实现CT图像的位置定位系统200中所述的各模块在使用时采用与附图中所述的基于多维度实现CT图像的位置定位方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.基于多维度实现CT图像的位置定位方法，其特征在于，所述方法包括：
获取初始CT图像，对所述初始CT图像进行图像校准，得到CT校准图像，对所述CT校准图像进行频域滤波，得到CT滤波图像；
确定所述CT滤波图像对应的图像维度，识别所述图像维度对应的特征向量，基于所述特征向量，计算所述CT滤波图像中的空间分布值；
基于所述空间分布值，确定所述CT滤波图像中的定位点，基于所述定位点，识别所述CT滤波图像对应的ROI区域，计算所述ROI区域中对应的像素密度值；
基于所述像素密度值，对所述CT滤波图像进行病灶检测，得到病灶信息，识别所述病灶信息中的关键点，并将所述CT滤波图像中的二维数据还原成三维结构；
将所述关键点标定在所述三维结构，得到所述关键点对应的坐标信息，将所述坐标信息与所述初始CT图像进行信息关联，得到信息关联表，基于所述信息关联表，生成所述初始CT图像对应的位置定位报告。
2.如权利要求1所述的基于多维度实现CT图像的位置定位方法，其特征在于，所述对所述初始CT图像进行图像校准，得到CT校准图像，包括：
确定所述初始CT图像对应的校准区域；
提取所述校准区域中的像素值，查询所述像素值对应的衰减系数；
基于所述像素值和所述衰减系数，计算所述初始图像对应的校准曲线；
基于所述校准曲线，对所述初始CT图像进行图像校准，得到CT校准图像。
3.如权利要求2所述的基于多维度实现CT图像的位置定位方法，其特征在于，所述基于所述像素值和所述衰减系数，计算所述初始图像对应的校准曲线，包括：
利用下述公式计算所述初始图像对应的校准曲线：
其中，JZ表示所述初始图像对应的校准曲线，XS表示初始图像中特定像素点的原始灰度值，SJ表示所述特定像素点所处的材料的衰减系数，N表示初始图像中所有像素点的数量。
4.如权利要求1所述的基于多维度实现CT图像的位置定位方法，其特征在于，所述对所述CT校准图像进行频域滤波，得到CT滤波图像，包括：
将所述CT校准图像转换为灰度图像；
将所述灰度图像中的空间域变换为频域，得到频域图像；
对所述频域图像进行中心化，并确定所述频域图像对应的滤波器类型；
基于所述滤波器类型，对所述频域图像进行卷积滤波，得到所述CT校准图像对应的CT滤波图像。
5.如权利要求1所述的基于多维度实现CT图像的位置定位方法，其特征在于，所述基于所述特征向量，计算所述CT滤波图像中的空间分布值，包括：
利用下述公式计算所述CT滤波图像中的空间分布值：
其中，F(x,y)表示所述CT滤波图像的空间分布值，其中x和y表示像素的坐标；v表示所述特征向量，且v＝[v1,v2,...,vn]；(x-vi)和(y-vi)分别表示x和y坐标与特征向量vi的差值；(vi-x)和(vi-y)分别表示特征向量vi与x和y坐标的差值。
6.如权利要求1所述的基于多维度实现CT图像的位置定位方法，其特征在于，所述基于所述空间分布值，确定所述CT滤波图像中的定位点，包括：
将所述空间分布值转化为二值图像，确定所述二值图像对应的图像阈值；
基于所述图像阈值，对所述二值图像进行筛选过滤，得到所述二值图像对应的位置点；
将所述位置点标记在所述CT滤波图像中对应位置，得到CT滤波图像对应的定位点。
7.如权利要求1所述的基于多维度实现CT图像的位置定位方法，其特征在于，所述基于所述定位点，识别所述CT滤波图像对应的ROI区域，计算所述ROI区域中对应的像素密度值，包括：
将所述定位点作为中心点；
基于所述中心点，确定所述CT滤波图像对应的矩形框；
将所述矩形框判定为ROI区域；
利用预设的像素计算公式计算所述ROI区域中对应的像素密度值。
8.如权利要求1所述的基于多维度实现CT图像的位置定位方法，其特征在于，所述基于所述像素密度值，对所述CT滤波图像进行病灶检测，得到病灶信息，包括：
对所述CT滤波图像进行图像加载，并设定所述CT滤波图像对应的灰度阈值；
基于所述灰度阈值，确定所述CT滤波图像中高阈值区域；
对所述高阈值区域进行特征提取，得到阈值特征；
基于所述阈值特征，生成所述CT滤波图像对应的病灶信息。
9.如权利要求1所述的基于多维度实现CT图像的位置定位方法，其特征在于，所述将所述关键点标定在所述三维结构，得到所述关键点对应的坐标信息，包括：
将所述关键点标定在所述三维结构，得到内外参矩阵；
对所述内外参矩阵进行特征提取，得到矩阵特征；
将所述矩阵特征和所述三维结构进行三角测量，得到三维坐标；
将所述三维坐标进行坐标转换，得到所述关键点对应的坐标信息。
10.基于多维度实现CT图像的位置定位系统，其特征在于，用于执行如权利要求1-9中任意一项所述的基于多维度实现CT图像的位置定位方法，所述系统包括：
图像滤波模块，用于获取初始CT图像，对所述初始CT图像进行图像校准，得到CT校准图像，对所述CT校准图像进行频域滤波，得到CT滤波图像；
分布值计算模块，用于确定所述CT滤波图像对应的图像维度，识别所述图像维度对应的特征向量，基于所述特征向量，计算所述CT滤波图像中的空间分布值；
密度值计算模块，用于基于所述空间分布值，确定所述CT滤波图像中的定位点，基于所述定位点，识别所述CT滤波图像对应的ROI区域，计算所述ROI区域中对应的像素密度值；
结构还原模块，用于基于所述像素密度值，对所述CT滤波图像进行病灶检测，得到病灶信息，识别所述病灶信息中的关键点，并将所述CT滤波图像中的二维数据还原成三维结构；
报告生成模块，用于将所述关键点标定在所述三维结构，得到所述关键点对应的坐标信息，将所述坐标信息与所述初始CT图像进行信息关联，得到信息关联表，基于所述信息关联表，生成所述初始CT图像对应的位置定位报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311797846.8A CN117788578A (zh) | 2023-12-25 | 2023-12-25 | 基于多维度实现ct图像的位置定位方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311797846.8A CN117788578A (zh) | 2023-12-25 | 2023-12-25 | 基于多维度实现ct图像的位置定位方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117788578A true CN117788578A (zh) | 2024-03-29 |
Family
ID=90381072
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311797846.8A Pending CN117788578A (zh) | 2023-12-25 | 2023-12-25 | 基于多维度实现ct图像的位置定位方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117788578A (zh) |
-
2023
- 2023-12-25 CN CN202311797846.8A patent/CN117788578A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200214619A1 (en) | Automated co-registration of prostate mri data | |
| CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
| Kaur et al. | A comprehensive review of denoising techniques for abdominal CT images | |
| US20100322493A1 (en) | Systems, methods, apparatuses, and computer program products for computer aided lung nodule detection in chest tomosynthesis images | |
| CN110176010B (zh) | 一种图像检测方法、装置、设备及存储介质 | |
| US10303965B2 (en) | Defective pixel identification using machine learning | |
| CN113034389B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN110782489B (zh) | 影像数据的匹配方法、装置、设备及计算机可读存储介质 | |
| CN110458859B (zh) | 一种基于多序列mri的多发性骨髓瘤病灶的分割系统 | |
| Tun et al. | Feature extraction and classification of lung cancer nodule using image processing techniques | |
| US8189896B2 (en) | Alignment apparatus for aligning radiation images by evaluating an amount of positional shift, and recording medium storing a program for aligning radiation images | |
| CN113989407B (zh) | Ct影像中肢体部位识别模型训练方法及系统 | |
| CN111951215A (zh) | 一种图像检测方法、装置及计算机可读存储介质 | |
| WO2019152412A1 (en) | System and method for detecting anatomical regions | |
| CN116630762A (zh) | 一种基于深度学习的多模态医学图像融合方法 | |
| CN107564021A (zh) | 高衰减组织的检测方法、装置及数字乳房x线摄影系统 | |
| CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
| CN112200780B (zh) | 骨组织定位方法、装置、计算机设备和存储介质 | |
| CN112215878B (zh) | 一种基于surf特征点的x光图像配准方法 | |
| CN116109610A (zh) | 一种超声检查报告图像中乳腺肿瘤分割方法和系统 | |
| D’Acunto et al. | 3D image reconstruction using Radon transform | |
| KR101484051B1 (ko) | 능동적 윤곽선 방법을 이용한 cad 시스템을 위한 전처리 장치 및 방법 | |
| CN117788578A (zh) | 基于多维度实现ct图像的位置定位方法及系统 | |
| CN113554647B (zh) | 医学图像的配准方法和装置 | |
| CN116168097A (zh) | 构建cbct勾画模型和勾画cbct图像的方法、装置、设备及介质 |
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 |