CN117893530A - 一种基于人工智能的喉部影像分析系统 - Google Patents
一种基于人工智能的喉部影像分析系统 Download PDFInfo
- Publication number
- CN117893530A CN117893530A CN202410289061.8A CN202410289061A CN117893530A CN 117893530 A CN117893530 A CN 117893530A CN 202410289061 A CN202410289061 A CN 202410289061A CN 117893530 A CN117893530 A CN 117893530A
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- laryngeal
- throat
- 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.)
- Granted
Links
- 238000010191 image analysis Methods 0.000 title claims abstract description 22
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 230000009466 transformation Effects 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000003709 image segmentation Methods 0.000 claims abstract description 5
- 210000000845 cartilage Anatomy 0.000 claims description 19
- 230000001720 vestibular Effects 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 14
- 206010004142 Bartholinitis Diseases 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 2
- 210000000056 organ Anatomy 0.000 abstract 1
- 238000012886 linear function Methods 0.000 description 7
- 210000002263 laryngeal cartilage Anatomy 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 206010023825 Laryngeal cancer Diseases 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 206010023841 laryngeal neoplasm Diseases 0.000 description 3
- 210000000867 larynx Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 210000001260 vocal cord Anatomy 0.000 description 2
- 208000037062 Polyps Diseases 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于人工智能的喉部影像分析系统,包括:通过CT机采集病人颈部CT图像得到喉部区域图像;构建灰度变换模型;确定喉部区域图像中每个像素点的摆渡权数;利用距离权重和摆渡权数对喉部区域图像进行灰度变换得到增强后的喉部图像;对增强后的喉部图像进行处理并发送医生进行查看和分析。本发明针对喉部区域的结构对喉部图像精准提取,根据喉部器官特征对图像进行增强,使得图像分割过程中边缘细节更加清晰。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于人工智能的喉部影像分析系统。
背景技术
喉癌在头颈部的疾病中较为常见,如能得到较早的发现和治疗,其存活率将大大提高。是计算机断层扫描,围绕人体做多个断面扫描,是医学中的重要的检查方式,取到图像时,往往存在边界不清晰,喉部区域的喉前庭位置与间隙区分不明显,而边界细节对病情判断起着决定性作用。目前的/>增强方法主要是通过边缘检测算子来检测边缘增强图像,但是现有的边缘检测算子在当图像灰度值变化梯度小的区域时,会有假边界和不连续的边界。若通过线性滤波对图像进行处理,部分边缘的检测又会发生偏移。
发明内容
本发明提供一种基于人工智能的喉部影像分析系统,以解决现有的问题。
本发明的一种基于人工智能的喉部影像分析系统采用如下技术方案:
本发明一个实施例提供了一种基于人工智能的喉部影像分析系统,该系统包括:
图像采集模块,用于通过机采集病人颈部/>图像,对颈部/>图像进行处理得到颈部灰度图像,建立正三角形边框并对颈部灰度图像进行分割得到喉部区域图像;
分区增强模块,用于预设初始的摆渡权数,根据喉部区域图像中每个像素点的距离权重和喉部区域图像中每个像素点初始的摆渡权数建立初始的灰度变换模型,根据初始的灰度变换模型下的判断灰度差获取喉部区域图像中每个像素点更新后的摆渡权数以及更新后的灰度变化模型,利用更新后的灰度变换模型对喉部区域图像进行灰度变换得到增强后的喉部图像;
图像分割模块,用于对增强后的喉部图像进行阈值分割,得到分割图像,并将分割图像叠加在颈部图像的相应位置上得到结果图像,在结果图像上标注信息并将带有标注信息的结果图像传输给医生进行查看和分析。
优选的,所述建立正三角形边框并对颈部灰度图像进行分割得到喉部区域图像,包括的具体步骤如下:
对颈部灰度图像进行阈值分割,得到喉部区域二值化图像,在喉部区域二值化图像中选取面积最大的连通域,作为喉前庭的连通域并标注在颈部灰度图像上;在颈部灰度图像上对喉前庭的连通域利用连通域质心提取方法,得到喉前庭质心,以喉前庭质心为中心构建一个正三角形边框;获取正三角形边框的前庭评判数;根据前庭评判数获取喉部区域图像。
优选的,所述正三角形边框的前庭评判数的具体获取方法如下:
将正三角形边框中所有像素点的灰度值的算数均值,记为正三角形边框的前庭评判数。
优选的,所述根据前庭评判数获取喉部区域图像的具体获取方法如下:
以一定步长逐步增加正三角形边框的边长得到一系列新的正三角形边框,直至正三角形边框超出颈部灰度图像的范围时停止,获取一系列新的正三角形边框的前庭评判数,将前庭评判数最大时对应的正三角形边框内部包围的区域记为喉部区域,将颈部灰度图像沿着喉部区域的最小外接正方形进行裁剪得到喉部区域图像。
优选的,所述根据喉部区域图像中每个像素点的距离权重和喉部区域图像中每个像素点初始的摆渡权数建立初始的灰度变换模型的具体公式如下:
其中,表示喉部区域图像中第/>个像素点灰度变换后的灰度值,/>表示喉部区域图像中第/>个像素点灰度变换前的灰度值,/>表示喉部区域图像中第/>个像素点的距离权重,/>表示喉部区域图像中第/>个像素点的摆渡权数,/>表示以自然常数为底数的指数函数,/>表示对括号内的数值进行归一化。
优选的,所述距离权重的具体获取方法如下:
统计喉部区域图像中每个像素点的灰度值,计算喉部区域图像中每个像素点与喉前庭质心的欧式距离,计算喉部区域图像中每个像素点的距离权重,具体的计算公式如下:
其中,表示喉部区域图像中第/>个像素点的距离权重,/>表示喉部区域图像中第/>个像素点的灰度值,/>表示喉部区域图像中第/>个像素点与喉前庭质心的欧式距离。
优选的,所述根据初始的灰度变换模型下的判断灰度差获取喉部区域图像中每个像素点更新后的摆渡权数,包括的具体步骤如下:
对喉部区域图像上像素点的灰度值进行聚类,得到三个类,计算每个类中所有像素点的平均灰度值,将三个类中平均灰度值最小的类记为喉前庭区域,将平均灰度值最大的类记为软骨区域,将除了喉前庭区域和软骨区域之外的类记为间隙区域;获取间隙区域的增强中心灰度值;
以预设的初始摆渡权数作为喉部区域图像中每个像素点的摆渡权数,根据摆渡权数获取每个像素点的判断灰度差;
若判断灰度差大于摆渡阈值,则将摆渡权数增加一个逼近步长得到中间摆渡权数,再次计算新的判断灰度差并比较新的判断灰度差与摆渡阈值的大小,以此类推,直至判断灰度差小于摆渡阈值时,将此时的中间摆渡权数作为喉部区域图像中每个像素点更新后的摆渡权数。
优选的,所述获取间隙区域的增强中心灰度值的具体获取方法如下:
获取间隙区域的所有像素点的所有灰度值,将重复的灰度值只保留一个后按照从小到大的顺序进行排列,获取排序中的中位数,将中位数记为间隙区域的增强中心灰度值。
优选的,所述根据摆渡权数获取每个像素点的判断灰度差的具体获取方法如下:
根据摆渡权数得到喉部区域图像中每个像素点的灰度变换函数,计算函数一阶导数为零的点的横坐标,作为每个像素点对应的分界点灰度值;将增强中心灰度值和分界点灰度值的差值的绝对值,记为每个像素点的判断灰度差。
优选的,所述颈部灰度图像的具体获取方法如下:
对采集得到的颈部图像进行阈值分割,得到二值化图像,对阈值分割后的二值化图像进行闭运算处理,得到完整的二值化图像,将完整的二值化图像与颈部/>图像相乘,得到颈部区域/>图像,利用灰度变换将颈部/>图像映射到灰度图像,得到颈部灰度图像。
本发明的技术方案的有益效果是:针对现有的边缘检测算子在当图像灰度值变化梯度小的区域,会有假边界和不连续的边界的技术问题,本发明通过利用不同区域边缘的灰度值分布特性对图像利用灰度变换进行图像增强,在不同的区域实现了不同的增强效果,去除了假边界和不连续的边界对图像分割的影响,使得喉部影像的边缘细节更加清晰,便于医生进行分析。
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为本发明一种基于人工智能的喉部影像分析系统的结构组成图。
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基于人工智能的喉部影像分析系统,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基于人工智能的喉部影像分析系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于人工智能的喉部影像分析系统的结构组成图,该系统包括:
图像采集模块,用于通过机采集病人颈部/>图像,对颈部/>图像进行处理得到颈部灰度图像,建立正三角形边框并对颈部灰度图像进行分割得到喉部区域图像。
具体的,让病人合理着装后保持静止平躺于机上,根据病人体型设置检查时间和检查角度,对颈部/>图像进行采集。利用/>算法对采集得到的颈部/>图像进行阈值分割,得到二值化图像,二值化图像中白色为主体区域,黑色为背景区域,此时主体连通域存在部分空洞,于是再对阈值分割后的二值化图像进行闭运算处理,得到完整的二值化图像,使得颈部区域被完全选中,将完整的二值化图像与颈部/>图像相乘,得到颈部区域图像,利用灰度变换将颈部/>图像映射到灰度图像,得到颈部灰度图像。
需要说明的是,图像背景与主体的灰度值存在较大差异,喉部软骨在颈部灰度图像中呈近似于正三角的形状,且软骨区域在灰度图像中灰度值较高,偏向于白色。喉前庭位置又位于喉部软骨的中心,因此需要对喉前庭区域进行提取。因为喉部软骨在颈部灰度图像中近似呈三角形状且包围喉部区域,本实施例以喉前庭区域的质心构建正三角形对喉前庭区域进行逼近,即正三角的边长由最小单位逐像素增加。喉部软骨在颈部灰度图像中灰度值较高,软骨附近其余区域相较之下,灰度值较低。当正三角的边框附于软骨上时,正三角边框上的像素点灰度值的算术均值达到最大时。计算正三角边框上的像素点的灰度值之和,当灰度值达到最大值时,正三角边框区域即为喉部软骨区域,软骨包围喉部,其内部区域即为喉部区域。
具体的,对颈部灰度图像再次使用算法进行阈值分割,得到喉部区域二值化图像,其中包含喉前庭区域连通域及部分其他区域连通域,其中喉前庭区域连通域的面积最大,在喉部区域二值化图像中选取面积最大的连通域,即为喉前庭的连通域并标注在颈部灰度图像上;在颈部灰度图像上对喉前庭的连通域利用连通域质心提取方法,得到喉前庭质心,以喉前庭质心为中心构建一个边长为/>个像素点、宽度为/>个像素点的正三角形边框,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/>和/>可根据具体实施情况而定,统计正三角形边框中所有像素点的灰度值并计算它们的算数均值,将算数均值记为该正三角形边框的前庭评判数,以/>个像素点为步长逐步增加/>得到一系列新的正三角形边框并统计一系列新的正三角形边框的前庭评判数直至正三角形边框超出颈部灰度图像的范围,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/>和/>可根据具体实施情况而定,将前庭评判数最大时对应的正三角形边框内部包围的区域记为喉部区域,将颈部灰度图像沿着喉部区域的最小外接正方形进行裁剪得到尺寸尽可能小且包含完整的喉部区域的图像,将该图像记为喉部区域图像。
至此,得到了喉部区域图像。
分区增强模块,用于构建灰度变换模型,根据不同灰度变换模型下的不同判断灰度差确定喉部区域图像中每个像素点的摆渡权数,利用喉部区域图像中每个像素点的距离权重和喉部区域图像中每个像素点的摆渡权数,对喉部区域图像进行灰度变换得到增强后的喉部图像。
需要说明的是, 图像中反映为喉前庭、间隙、软骨之间的边缘位置关系反应了声带小结节和气道的关系、息肉基底的宽窄、声带的厚度等信息,但喉前庭、间隙、软骨在成像中边缘较为模糊,且灰度值差异不明显。所以将需增强的区域大致分为喉前庭、间隙、软骨三部分,并对图像进行增强使其最终的灰度值分布为从亮到暗再到亮以便于进行阈值分割。其中,喉前庭区域的灰度值较小,此区域在图像中较暗,要实现与间隙区域之间的边缘更加清晰,需大幅增加其灰度值,使其变亮,与间隙区域作为区分。间隙区域在图像中显示为灰色,需要提高其与喉前庭区域和软骨有的对比度,软骨区域在图像中显示为白色,所以保持其原本灰度值即可与间隙进行区分。因此需要构建相应的灰度变换公式对喉部区域图像进行局部增强,构建的灰度变换公式应该能满足使软骨区域的像素点的灰度值保持不变、间隙区域的像素点的灰度值减小、喉前庭区域的像素点的灰度值增加至近似于软骨区域的像素点的灰度值,但是这是普通的灰度线性变换做不到的,因此需要结合喉部区域图像中的三个区域的信息进行非线性函数拟合,一般的非线性函数拟合有很多模型,本实施例给出一种具有一定有益效果的灰度变换模型,并对模型参数按照喉部区域图像的信息进行优化。
具体的,统计喉部区域图像中每个像素点的灰度值以及其与喉前庭质心的欧式距离,计算喉部区域图像中每个像素点的距离权重,具体的计算公式如下:
其中,表示喉部区域图像中第/>个像素点的距离权重,/>表示喉部区域图像中第/>个像素点的灰度值,/>表示喉部区域图像中第/>个像素点与喉前庭质心的欧式距离。/>越大,表示喉部区域图像中第/>个像素点越远离喉前庭区域,所需灰度值变化量越小,/>越大,表示喉部区域图像中第/>个像素点与喉前庭质心灰度值的差异越明显,属于喉前庭区域的概率越小,属于软骨区域的概率越大,距离权重描述了灰度值变换与区域位置层次的关系,越大表示喉部区域图像中第/>个像素点越远离喉前庭区域且越靠近于软骨区域,在后续灰度变换的过程中所需灰度变化量越小,此像素点变换后所对应的灰度值越接近于其原始灰度值。
进一步,构建灰度变换模型,具体的变换函数如下:
其中,表示喉部区域图像中第/>个像素点灰度变换后的灰度值,/>表示喉部区域图像中第/>个像素点灰度变换前的灰度值,/>表示喉部区域图像中第/>个像素点的距离权重,/>表示喉部区域图像中第/>个像素点的摆渡权数,用于调整灰度变换模型(具体的获取会在本实施例后续说明中给出),/>表示以自然常数为底数的指数函数,/>表示对括号内的数值进行归一化。需要说明的是,本实施例中所用的/>模型仅用于约束模型输出的结果处于/>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/>模型为例进行叙述,不对做具体限定,本实施例中的变换函数分为线性部分和非线性部分,即变换函数使用线性函数与指数函数相加来构建,用255乘非线性部分调整两部分的数量级以及非线性部分的变化程度,其中指数函数的指数部分为负数,当灰度变换前的灰度值较小时,指数函数部分的数值很大导致其与线性函数部分叠加时该区域的值非常大,符合喉部区域图像中喉前庭区域的增强需求,而随着灰度变换前的灰度值增加时,指数函数部分的数值急剧减小导致其与线性函数部分叠加时该区域的值相较于之前的数值在减小,直至减小到线性函数对整体的值起主导作用,这部分区域符合喉部区域图像中间隙区域的增强需求,而随着灰度变换前的灰度值增加且线性函数对整体的值起主导作用时,函数的数值随着灰度值的增加而缓慢增加,这部分区域符合喉部区域图像中软骨区域的增强需求,其中摆渡权数可以对线性函数对整体的值起主导作用的灰度值进行调整,故在后续中需要对其进行讨论。
需要进一步说明的是,在构建灰度变换模型后,由于变换函数是非线性的,且在喉前庭、间隙、软骨三个区域所需的灰度变换程度是不同的,因此结合三个区域的灰度特征,分析得出当变换函数的拐点对应的灰度值与间隙区域的中间灰度值接近时,经过该灰度变换模型能保证整个喉部区域图像的对比度得到较好程度的改良,能够实现预先设计的灰度变换后的喉部区域图像的最终灰度值分布为从亮到暗再到亮,因此,需要利用摆渡权数对变换函数进行调整,是的变换函数的拐点对应的灰度值与间隙区域的中间灰度值尽可能小,来达到想要实现的技术效果即灰度变换后的喉部区域图像的最终灰度值分布满足从亮到暗再到亮。
具体的,根据喉部区域图像上所有像素点的灰度值大小对所有像素点采用的k-means聚类,聚类结果为三个类,计算每个类中所有像素点的平均灰度值,其中平均灰度值最小的类为喉前庭区域、平均灰度值最大的类为软骨区域、除了喉前庭区域和软骨区域之外的类为间隙区域,得到三个区域。
预设一个初始摆渡权数、逼近步长/>和摆渡阈值/>,其中本实施例以、/>和/>为例进行叙述,本实施例不进行具体限定,其中初始摆渡权数/>、逼近步长/>和摆渡阈值/>,可根据具体实施情况而定。
进一步,获取间隙区域的所有像素点的所有灰度值,将所有灰度值重复的灰度值只保留一个后按照从小到大的顺序进行排列,得到排序中的中位数,将中位数记为间隙区域的增强中心灰度值;以初始摆渡权数为喉部区域图像中第/>个像素点的摆渡权数,得到喉部区域图像中第/>个像素点的灰度变换函数,计算函数一阶导数为0的点的横坐标,得到对应的灰度值,记为第/>个像素点的分界点灰度值;计算增强中心灰度值和分界点灰度值的差值的绝对值,记为第/>个像素点的判断灰度差,比较判断灰度差和摆渡阈值的大小,若判断灰度差大于摆渡阈值,则将摆渡权数增加一个逼近步长得到中间摆渡权数,再次计算新的判断灰度差并比较其与摆渡阈值的大小,以此类推,直至判断灰度差小于摆渡阈值时,将此时的中间摆渡权数作为喉部区域图像中第/>个像素点的摆渡权数;进一步获得喉部区域图像中所有像素点的摆渡权数。
进一步,以灰度变换模型对喉部区域图像中所有像素点进行灰度变换,得到增强后的喉部图像。
至此,得到了增强后的喉部图像。
图像分割模块,用于对增强后的喉部图像进行阈值分割,得到分割图像,并将分割图像叠加在颈部图像的相应位置上得到结果图像,在结果图像上标注信息并将带有标注信息的结果图像传输给医生。
需要说明的是,得到增强后的图像后,由于喉部区域图像的尺寸与颈部图像的尺寸不一样,故增强后的喉部图像尺寸与颈部/>图像也不一样,因此需要找到对应的位置,将图像叠加后得到结果,将结果发送给医生进行查看和分析。
具体的,利用算法对增强后的喉部图像进行阈值分割,得到分割图像,并将分割图像叠加在颈部/>图像的相应位置上得到结果图像,在结果图像上标注信息并将带有标注信息的结果图像传输给医生。
至此,本实施例辅助医生完成了基于人工智能的喉部影像分析。
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,凡在本发明的精神和原则之内,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)
1.一种基于人工智能的喉部影像分析系统,其特征在于,该系统包括:
图像采集模块,用于通过机采集病人颈部/>图像,对颈部/>图像进行处理得到颈部灰度图像,建立正三角形边框并对颈部灰度图像进行分割得到喉部区域图像;
分区增强模块,用于预设初始的摆渡权数,根据喉部区域图像中每个像素点的距离权重和喉部区域图像中每个像素点初始的摆渡权数建立初始的灰度变换模型,根据初始的灰度变换模型下的判断灰度差获取喉部区域图像中每个像素点更新后的摆渡权数以及更新后的灰度变化模型,利用更新后的灰度变换模型对喉部区域图像进行灰度变换得到增强后的喉部图像;
图像分割模块,用于对增强后的喉部图像进行阈值分割,得到分割图像,并将分割图像叠加在颈部图像的相应位置上得到结果图像,在结果图像上标注信息并将带有标注信息的结果图像传输给医生进行查看和分析。
2.根据权利要求1所述一种基于人工智能的喉部影像分析系统,其特征在于,所述建立正三角形边框并对颈部灰度图像进行分割得到喉部区域图像,包括的具体步骤如下:
对颈部灰度图像进行阈值分割,得到喉部区域二值化图像,在喉部区域二值化图像中选取面积最大的连通域,作为喉前庭的连通域并标注在颈部灰度图像上;在颈部灰度图像上对喉前庭的连通域利用连通域质心提取方法,得到喉前庭质心,以喉前庭质心为中心构建一个正三角形边框;获取正三角形边框的前庭评判数;根据前庭评判数获取喉部区域图像。
3.根据权利要求2所述一种基于人工智能的喉部影像分析系统,其特征在于,所述正三角形边框的前庭评判数的具体获取方法如下:
将正三角形边框中所有像素点的灰度值的算数均值,记为正三角形边框的前庭评判数。
4.根据权利要求2所述一种基于人工智能的喉部影像分析系统,其特征在于,所述根据前庭评判数获取喉部区域图像的具体获取方法如下:
以一定步长逐步增加正三角形边框的边长得到一系列新的正三角形边框,直至正三角形边框超出颈部灰度图像的范围时停止,获取一系列新的正三角形边框的前庭评判数,将前庭评判数最大时对应的正三角形边框内部包围的区域记为喉部区域,将颈部灰度图像沿着喉部区域的最小外接正方形进行裁剪得到喉部区域图像。
5.根据权利要求1所述一种基于人工智能的喉部影像分析系统,其特征在于,所述根据喉部区域图像中每个像素点的距离权重和喉部区域图像中每个像素点初始的摆渡权数建立初始的灰度变换模型的具体公式如下:
其中,表示喉部区域图像中第/>个像素点灰度变换后的灰度值,/>表示喉部区域图像中第/>个像素点灰度变换前的灰度值,/>表示喉部区域图像中第/>个像素点的距离权重,/>表示喉部区域图像中第/>个像素点的摆渡权数,/>表示以自然常数为底数的指数函数,表示对括号内的数值进行归一化。
6.根据权利要求5所述一种基于人工智能的喉部影像分析系统,其特征在于,所述距离权重的具体获取方法如下:
统计喉部区域图像中每个像素点的灰度值,计算喉部区域图像中每个像素点与喉前庭质心的欧式距离,计算喉部区域图像中每个像素点的距离权重,具体的计算公式如下:
其中,表示喉部区域图像中第/>个像素点的距离权重,/>表示喉部区域图像中第/>个像素点的灰度值,/>表示喉部区域图像中第/>个像素点与喉前庭质心的欧式距离。
7.根据权利要求1所述一种基于人工智能的喉部影像分析系统,其特征在于,所述根据初始的灰度变换模型下的判断灰度差获取喉部区域图像中每个像素点更新后的摆渡权数,包括的具体步骤如下:
对喉部区域图像上像素点的灰度值进行聚类,得到三个类,计算每个类中所有像素点的平均灰度值,将三个类中平均灰度值最小的类记为喉前庭区域,将平均灰度值最大的类记为软骨区域,将除了喉前庭区域和软骨区域之外的类记为间隙区域;获取间隙区域的增强中心灰度值;
以预设的初始摆渡权数作为喉部区域图像中每个像素点的摆渡权数,根据摆渡权数获取每个像素点的判断灰度差;
若判断灰度差大于摆渡阈值,则将摆渡权数增加一个逼近步长得到中间摆渡权数,再次计算新的判断灰度差并比较新的判断灰度差与摆渡阈值的大小,以此类推,直至判断灰度差小于摆渡阈值时,将此时的中间摆渡权数作为喉部区域图像中每个像素点更新后的摆渡权数。
8.根据权利要求7所述一种基于人工智能的喉部影像分析系统,其特征在于,所述获取间隙区域的增强中心灰度值的具体获取方法如下:
获取间隙区域的所有像素点的所有灰度值,将重复的灰度值只保留一个后按照从小到大的顺序进行排列,获取排序中的中位数,将中位数记为间隙区域的增强中心灰度值。
9.根据权利要求7所述一种基于人工智能的喉部影像分析系统,其特征在于,所述根据摆渡权数获取每个像素点的判断灰度差的具体获取方法如下:
根据摆渡权数得到喉部区域图像中每个像素点的灰度变换函数,计算函数一阶导数为零的点的横坐标,作为每个像素点对应的分界点灰度值;将增强中心灰度值和分界点灰度值的差值的绝对值,记为每个像素点的判断灰度差。
10.根据权利要求1所述一种基于人工智能的喉部影像分析系统,其特征在于,所述颈部灰度图像的具体获取方法如下:
对采集得到的颈部图像进行阈值分割,得到二值化图像,对阈值分割后的二值化图像进行闭运算处理,得到完整的二值化图像,将完整的二值化图像与颈部/>图像相乘,得到颈部区域/>图像,利用灰度变换将颈部/>图像映射到灰度图像,得到颈部灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410289061.8A CN117893530B (zh) | 2024-03-14 | 一种基于人工智能的喉部影像分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410289061.8A CN117893530B (zh) | 2024-03-14 | 一种基于人工智能的喉部影像分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117893530A true CN117893530A (zh) | 2024-04-16 |
CN117893530B CN117893530B (zh) | 2024-06-04 |
Family
ID=
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030086608A1 (en) * | 2001-07-17 | 2003-05-08 | Amnis Corporation | Computational methods for the segmentation of images of objects from background in a flow imaging instrument |
CN101706843A (zh) * | 2009-11-16 | 2010-05-12 | 杭州电子科技大学 | 一种乳腺cr图像交互式读片方法 |
CN102800088A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 超声颈动脉斑块自动分割方法 |
CN103996168A (zh) * | 2014-01-21 | 2014-08-20 | 公安部第一研究所 | 一种基于区域自适应处理的x射线安全检查图像增强方法 |
WO2021136368A1 (zh) * | 2020-01-02 | 2021-07-08 | 广州柏视医疗科技有限公司 | 钼靶图像中胸大肌区域自动检测方法及装置 |
CN116309649A (zh) * | 2023-05-17 | 2023-06-23 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 一种基于ct影像的喉部病变异常区域分割系统 |
CN116596810A (zh) * | 2023-07-17 | 2023-08-15 | 青岛市中医医院(青岛市海慈医院、青岛市康复医学研究所) | 一种脊柱内镜影像自动增强方法 |
CN116758641A (zh) * | 2023-07-04 | 2023-09-15 | 内蒙古民族大学 | 基于人工智能的体育训练不良姿态实时检测系统 |
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030086608A1 (en) * | 2001-07-17 | 2003-05-08 | Amnis Corporation | Computational methods for the segmentation of images of objects from background in a flow imaging instrument |
CN101706843A (zh) * | 2009-11-16 | 2010-05-12 | 杭州电子科技大学 | 一种乳腺cr图像交互式读片方法 |
CN102800088A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 超声颈动脉斑块自动分割方法 |
CN103996168A (zh) * | 2014-01-21 | 2014-08-20 | 公安部第一研究所 | 一种基于区域自适应处理的x射线安全检查图像增强方法 |
WO2021136368A1 (zh) * | 2020-01-02 | 2021-07-08 | 广州柏视医疗科技有限公司 | 钼靶图像中胸大肌区域自动检测方法及装置 |
CN116309649A (zh) * | 2023-05-17 | 2023-06-23 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 一种基于ct影像的喉部病变异常区域分割系统 |
CN116758641A (zh) * | 2023-07-04 | 2023-09-15 | 内蒙古民族大学 | 基于人工智能的体育训练不良姿态实时检测系统 |
CN116596810A (zh) * | 2023-07-17 | 2023-08-15 | 青岛市中医医院(青岛市海慈医院、青岛市康复医学研究所) | 一种脊柱内镜影像自动增强方法 |
Non-Patent Citations (3)
Title |
---|
XIAODONG LONG ET AL.: "Image segmentation based on the minimum spanning tree with a novel weight", 《OPTIK》, 1 August 2020 (2020-08-01), pages 1 - 12 * |
冯前进等: "利用SIFT特征和群体统计信息进行CT前列腺图像分割", 《中国图象图形学报》, vol. 15, no. 6, 30 June 2010 (2010-06-30), pages 873 - 878 * |
谷昱良等: "基于小波变换的权重自适应图像分割模型", 《图学学报》, vol. 41, no. 5, 31 October 2020 (2020-10-31), pages 733 - 739 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635846B (zh) | 一种多类医学图像判断方法和系统 | |
Suganthi et al. | An improved medical decision support system to identify the breast cancer using mammogram | |
CN108985345B (zh) | 一种基于肺部医学图像融合分类的检测装置 | |
CN108765392B (zh) | 一种基于滑动窗口的消化道内镜病变检测和识别方法 | |
CN115359052B (zh) | 基于聚类算法的医疗影像增强方法 | |
CN116152505B (zh) | 基于x光数据的骨骼目标识别分割方法 | |
CN112132854B (zh) | 图像分割的方法及装置,以及电子设备 | |
Liu et al. | Automatic lung segmentation based on image decomposition and wavelet transform | |
Rajinikanth et al. | Thermogram assisted detection and analysis of ductal carcinoma in situ (DCIS) | |
CN114601483A (zh) | 一种基于图像处理的骨龄分析方法及系统 | |
CN116993764B (zh) | 一种胃部ct智能分割提取方法 | |
CN117893530B (zh) | 一种基于人工智能的喉部影像分析系统 | |
CN113139929A (zh) | 包含信息筛选与融合修复的胃肠道内窥镜图像预处理方法 | |
Aldoury et al. | A new X-ray images enhancement method using a class of fractional differential equation | |
CN110009645B (zh) | 一种肝癌病灶影像的双层轮廓分割方法 | |
CN117893530A (zh) | 一种基于人工智能的喉部影像分析系统 | |
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 | |
CN111062909A (zh) | 乳腺肿块良恶性判断方法及设备 | |
Wang et al. | A r-cnn based approach for microaneurysm detection in retinal fundus images | |
Xu et al. | Metal artifact reduction for oral and maxillofacial computed tomography images by a generative adversarial network | |
Rehman et al. | Dermoscopy cancer detection and classification using geometric feature based on resource constraints device (Jetson Nano) | |
CN115222651A (zh) | 一种基于改进Mask R-CNN的肺结节检测系统 | |
Li et al. | Automatic detection of leukocytes for cytometry with color decomposition | |
Susan et al. | Comparison of various deep learning inpainting methods in smart colposcopy images | |
Mouzai et al. | Xray-Net: Self-supervised pixel stretching approach to improve low-contrast medical imaging |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240513 Address after: 110000 No. 155 North Nanjing street, Heping District, Liaoning, Shenyang Applicant after: THE FIRST HOSPITAL OF CHINA MEDICIAL University Country or region after: China Address before: Floor 2, Gate 7, No. 66 Nanjing South Street, Heping District, Shenyang City, Liaoning Province, 110000 Applicant before: Shenyang Hongqi Health Management Co.,Ltd. Country or region before: China |
|
GR01 | Patent grant |