CN117952994B - 一种心血管ct影像智能分割方法 - Google Patents
一种心血管ct影像智能分割方法 Download PDFInfo
- Publication number
- CN117952994B CN117952994B CN202410353480.3A CN202410353480A CN117952994B CN 117952994 B CN117952994 B CN 117952994B CN 202410353480 A CN202410353480 A CN 202410353480A CN 117952994 B CN117952994 B CN 117952994B
- Authority
- CN
- China
- Prior art keywords
- block
- gray
- cardiovascular
- area
- region
- 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
Links
- 230000002526 effect on cardiovascular system Effects 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000011218 segmentation Effects 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 43
- 238000009499 grossing Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 230000005484 gravity Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 abstract description 4
- 210000004204 blood vessel Anatomy 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种心血管CT影像智能分割方法，包括：根据每个区域块的拟合曲线上每个像素点的曲率值的信息熵、每个区域块的低灰度像素点的灰度值和每个像素点的灰度分布，得到每个区域块的心血管概率参数；根据每个区域块的心血管概率参数、每个区域块的每个灰度级对应的像素点个数与每个区域块中所有像素点的个数比值、每个区域块内每个低灰度像素点对应的子区域中包含低灰度像素点的个数、每个区域块内所有的低灰度像素点的分布，得到滤波后的心血管图像；对滤波后的心血管图像进行分割。本发明优化了滤波窗口大小的精度，提高了心血管CT影像分割的准确性。
Description
技术领域
本发明图像处理技术领域，具体涉及一种心血管CT影像智能分割方法。
背景技术
心血管CT影像分割是一种对心血管CT图像进行自动分割和识别的技术，旨在将CT图像中的不同组织结构进行区分。通过心血管CT影像分割，医生可以更准确、快速地识别和分析患者病情，以此来辅助医生进行治疗。
在现有的技术中，可以通过神经网络对心血管CT影像进行分割，但是在分割之前需要获取心血管CT影像，由于在获取心血管CT影像时存在噪声的干扰，导致通过神经网络对心血管CT影像进行分割前需要对心血管CT影像进行滤波去噪，在常规的滤波去噪技术中，可以通过非局部均值滤波进行去噪，但是当滤波窗口越小时，达不到平滑的效果，当滤波窗口越大时，会使得图像中的更多细节进行丢失；因此滤波窗口的过大或者过小都会降低心血管CT影像分割的准确性。
发明内容
本发明提供一种心血管CT影像智能分割方法，以解决现有的问题。
本发明的一种心血管CT影像智能分割方法采用如下技术方案：
本发明一个实施例提供了一种心血管CT影像智能分割方法，该方法包括以下步骤：
采集心血管图像；
对心血管图像进行分割获得若干个区域块，根据每个区域块内像素点的灰度值的大小对每个区域内所有的像素点进行排序，得到灰度像素点序列，根据灰度像素点序列中相邻像素点的灰度差异，得到每个区域块内的低灰度像素点，对每个区域块内的所有边缘像素点进行曲线拟合，得到每个区域块的拟合曲线，根据每个区域块的拟合曲线上每个像素点的曲率值的信息熵、每个区域块的低灰度像素点的灰度值和每个像素点的邻域范围内的像素点为低灰度像素点的概率，得到每个区域块的心血管概率参数；
对每个区域块进行分割，得到每个区域块的若干个子区域，根据所有区域块中的最小区域块面积获得初始滤波窗口大小，根据每个区域块的心血管概率参数、每个区域块的每个灰度级对应的像素点个数与每个区域块中所有像素点的个数比值、每个区域块内每个低灰度像素点对应的子区域中包含低灰度像素点的个数、每个区域块内所有的低灰度像素点的分布，对初始滤波窗口大小进行修正，得到修正后的滤波窗口大小，根据修正后的滤波窗口大小对心血管图像进行滤波平滑处理，得到滤波后的心血管图像；
对滤波后的心血管图像进行分割得到心血管组织。
进一步地，所述对心血管图像进行分割获得若干个区域块，包括的具体步骤如下：
通过语义分割算法从心血管图像中分割出前景区域和背景区域，再对前景区域通过大津阈值算法进行分割，得到若干个连通域，对所有的连通域通过形态学的闭运算来进行处理，将闭运算后得到的任意一个连通域记为一个区域块。
进一步地，所述根据每个区域块内像素点的灰度值的大小对每个区域内所有的像素点进行排序，得到灰度像素点序列，根据灰度像素点序列中相邻像素点的灰度差异，得到每个区域块内的低灰度像素点，包括的具体步骤如下：
将每个区域块中的所有像素点根据灰度值按照从小到大的顺序进行排序，得到灰度像素点序列；将灰度像素点序列中相邻两个像素点的灰度值差异最大的两个像素点，记为灰度像素点序列中的分割像素点，通过分割像素点将灰度像素点序列划分为两部分序列，将划分后的两部分序列中所有像素点的灰度值的均值最小的序列记为低灰度值序列；
其中，低灰度值序列中的像素点为低灰度像素点。
进一步地，所述对每个区域块内的所有边缘像素点进行曲线拟合，得到每个区域块的拟合曲线，包括的具体步骤如下：
对每个区域块的所有边缘像素点根据最小二乘法得到每个区域块的拟合曲线。
进一步地，所述根据每个区域块的拟合曲线上每个像素点的曲率值的信息熵、每个区域块的低灰度像素点的灰度值和每个像素点的邻域范围内的像素点为低灰度像素点的概率，得到每个区域块的心血管概率参数，包括的具体步骤如下：
将每个区域块的拟合曲线上每种曲率值个数在所有曲率值个数中的占比，记为每个区域块的拟合曲线上每种曲率值的第一占比，将/>作为每个区域块的拟合曲线上每种曲率值的第二占比，将每个区域块的拟合曲线上每种曲率值的第一占比和第二占比的乘积结果，记为每个区域块的拟合曲线上每种曲率值的第三占比，将每个区域块的拟合曲线上所有种曲率值的第三占比的累加和的负数记为每个区域块的拟合曲线上所有像素点的曲率值的信息熵记为/>，将/>记为每个区域块的第一数值，将每个区域块内的每个低灰度像素点到区域块重心点的距离，记为每个区域块内的每个低灰度像素点的第一距离，将每个区域块内的每个低灰度像素点的八邻域中的像素点为低灰度像素点的概率，记为每个区域块内的每个低灰度像素点的第一概率，其中，八邻域中的像素点为低灰度像素点的概率为属于低灰度像素点的个数与八邻域中所有像素点个数的比值；
将每个区域块内的每个低灰度像素点的第一距离和第一概率的乘积结果，记为每个区域块内的每个低灰度像素点的第二数值，将每个区域块内的所有低灰度像素点的第二数值的均值，记为每个区域块的第三数值，再对所有区域块的第三数值进行线性归一化，得到归一化后每个区域块的第四数值，将每个区域块的第一数值和归一化后每个区域块的第四数值的乘积结果，作为每个区域块的心血管概率参数；
其中，表示以自然常数为底的指数函数，/>表示以2为底的对数函数。
进一步地，所述对每个区域块进行分割，得到每个区域块的若干个子区域，包括的具体步骤如下：
通过大津阈值算法对每个区域块进行分割，得到每个区域块的若干个子区域。
进一步地，所述根据所有区域块中的最小区域块面积获得初始滤波窗口大小，根据每个区域块的心血管概率参数、每个区域块的每个灰度级对应的像素点个数与每个区域块中所有像素点的个数比值、每个区域块内每个低灰度像素点对应的子区域中包含低灰度像素点的个数、每个区域块内所有的低灰度像素点的分布，对初始滤波窗口大小进行修正，得到修正后的滤波窗口大小，根据修正后的滤波窗口大小对心血管图像进行滤波平滑处理，得到滤波后的心血管图像，包括的具体步骤如下：
初始滤波窗口大小为所有区域块中的最小区域块面积向上取整的整数；
根据每个区域块的心血管概率参数、每个区域块的每个灰度级对应的像素点个数与每个区域块中所有像素点的个数比值、每个区域块内每个低灰度像素点对应的子区域中包含低灰度像素点的个数、每个区域块内所有的低灰度像素点的分布，得到每个区域块的噪声强度参数，根据每个区域块的心血管概率参数、每个区域块的噪声强度参数对初始滤波窗口大小进行修正，得到修正后的滤波窗口大小；
根据修正后的滤波窗口大小通过非局部均值滤波算法对心血管图像进行滤波平滑处理，得到滤波后的心血管图像。
进一步地，所述根据每个区域块的心血管概率参数、每个区域块的每个灰度级对应的像素点个数与每个区域块中所有像素点的个数比值、每个区域块内每个低灰度像素点对应的子区域中包含低灰度像素点的个数、每个区域块内所有的低灰度像素点的分布，得到每个区域块的噪声强度参数，包括的具体步骤如下：
将每个区域块的每个灰度级对应的像素点个数与每个区域块中所有像素点的个数比值，记为每个区域块的每个灰度级的第一比值，将每个区域块的所有灰度级的第一比值的均值，记为每个区域块的第一均值，将每个区域块的每个灰度级的第一比值减去每个区域块的第一均值的结果，记为每个区域块的每个灰度级的第一差值，将每个区域块的所有灰度级的第一比值的标准差记为每个区域块的第一标准差，将每个区域块的每个灰度级的第一差值与每个区域块的第一标准差的比值，记为每个区域块的每个灰度级的第二比值，将每个区域块的所有灰度级的第二比值的四次方的均值，记为每个区域块的第三比值，将/>记为每个区域块的第一特征，将每个区域块的第一特征和每个区域块的心血管概率参数的乘积结果，记为每个区域块的第二特征；
将每个区域块内每个低灰度像素点对应的子区域中包含低灰度像素点的个数，记为每个区域块内每个低灰度像素点的第一个数，对每个区域块内的所有低灰度像素点的第一个数进行线性归一化，将归一化后每个区域块内每个低灰度像素点的第一个数记为每个区域块内每个低灰度像素点的第二个数，将/>记为每个区域块内每个低灰度像素点的第三个数，将每个区域块内每个低灰度像素点与所有低灰度像素点之间的距离的均值，记为每个区域块内每个低灰度像素点的第三特征，将每个区域块内每个低灰度像素点的第三个数与每个区域块内每个低灰度像素点的第三特征之间的乘积结果，记为每个区域块内每个低灰度像素点的第四特征，将每个区域块内所有低灰度像素点的第四特征的均值，记为每个区域块的第五特征/>，将1减去每个区域块的心血管概率参数后的结果值，记为每个区域块的第一参数，将/>记为每个区域块的第六特征，将每个区域块的第一参数和每个区域块的第六特征之间的乘积结果记为每个区域块的第一乘积，将每个区域块的第二特征和每个区域块的第一乘积的求和结果，作为每个区域块的噪声强度参数；
其中，表示双曲线正切函数。
进一步地，所述根据每个区域块的心血管概率参数、每个区域块的噪声强度参数对初始滤波窗口大小进行修正，得到修正后的滤波窗口大小，包括的具体步骤如下：
将每个区域块的心血管概率参数和每个区域块的噪声强度参数之间的乘积结果，记为每个区域块的第二乘积，将所有区域块的第二乘积的均值，记为第一系数，将初始滤波窗口大小和第一系数的乘积再向上取整后的结果，作为修正后的滤波窗口大小。
进一步地，所述对滤波后的心血管图像进行分割得到心血管组织，包括的具体步骤如下：
获取大量的滤波后的心血管图像，将E%的滤波后的心血管图像用于训练U-Net神经网络，将1-E%的滤波后的心血管图像用于验证；在本实施例中的神经网络的损失函数为交叉熵损失函数；通过训练后的U-Net神经网络对滤波后的心血管图像进行分割，得到分割后的结果；
其中，E为预设参数。
本发明的技术方案的有益效果是：本发明根据每个区域块的拟合曲线上每个像素点的曲率值的信息熵、每个区域块的低灰度像素点的灰度值和每个像素点的邻域范围内的像素点为低灰度像素点的概率，得到每个区域块的心血管概率参数，提高了区域块形状和灰度分析的准确性；根据每个区域块的心血管概率参数、每个区域块的每个灰度级对应的像素点个数与每个区域块中所有像素点的个数比值、每个区域块内每个低灰度像素点对应的子区域中包含低灰度像素点的个数、每个区域块内所有的低灰度像素点的分布，对初始滤波窗口大小进行修正，得到修正后的滤波窗口大小，根据修正后的滤波窗口大小对心血管图像进行滤波平滑处理，得到滤波后的心血管图像，对滤波后的心血管图像进行分割，优化了滤波窗口大小的精度，提高了心血管CT影像分割的准确性。
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为本发明一种心血管CT影像智能分割方法的步骤流程图；
图2为心血管CT影响智能分割的流程图。
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心血管CT影像智能分割方法，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一种心血管CT影像智能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一种心血管CT影像智能分割方法的步骤流程图，该方法包括以下步骤：
步骤S001：采集心血管图像。
需要说明的是，由于本实施例是要对心血管CT影像进行智能分割，因此首先需要采集心血管CT的图像，根据心血管CT图像中的心血管的形状特征和灰度差异信息对心血管CT图像进行分割。
具体地，采集心血管CT图像，对心血管CT图像进行灰度化预处理，得到预处理后的心血管图像；其中，对图像的灰度化预处理操作为公知技术，此处不再进行具体赘述。
至此，得到心血管图像。
步骤S002：对心血管图像进行分割获得若干个区域块，根据每个区域块内像素点的灰度值的大小对每个区域内所有的像素点进行排序，得到灰度像素点序列，根据灰度像素点序列中相邻像素点的灰度差异，得到每个区域块内的低灰度像素点，对每个区域块内的所有边缘像素点进行曲线拟合，得到每个区域块的拟合曲线，根据每个区域块的拟合曲线上每个像素点的曲率值的信息熵、每个区域块的低灰度像素点的灰度值和每个像素点的邻域范围内的像素点为低灰度像素点的概率，得到每个区域块的心血管概率参数。
需要说明的是，由于采集的心血管图像中包含心血管的前景区域和不包含任何的背景区域；因此首先应该将心血管图像中的前景区域和背景区域进行分割，因此分割后的前景区域来进行分析心血管的特征，以此来进行对心血管的进一步分割。
进一步需要说明的是，由于要将心血管图像中的心血管分割出来，还需要通过前景区域将心血管和其它进行分割。
具体地，通过语义分割算法从心血管图像中分割出前景区域和背景区域，再对前景区域通过大津阈值算法进行分割，得到若干个连通域。其中，语义分割算法和大津阈值算法都为公知技术，此处不再进行具体赘述。
至此，得到若干个连通域。
需要说明的是，在对前景区域进行分割时，由于心血管壁的灰度值偏低，即心血管壁和心血管的灰度差异较大；导致分割后的心血管的连通域的分割不完整，可能将心血管中的一部分区域没有划分在一起，因此还需要进一步的处理，使得心血管中的物质尽可能的在一个连通域中。
具体地，将所有的连通域通过形态学的闭运算来进行处理，将闭运算后得到的任意一个连通域记为一个区域块；其中，形态学的闭运算为公知技术，此处不再进行具体赘述。
至此，得到若干个区域块。
需要说明的是，由于区域块是经过连通域的形态学处理过，使得经过处理过后的区域块的边缘处的像素点是心血管壁，而心血管壁在图像中对应的像素点的灰度值比较低，且心血管壁对应的像素点的邻域范围的像素点的灰度值差异较小；又因为得到的心血管图像中心血管可能是心血管的切面，因此心血管的形状为圆形或者接近圆形的区域块为心血管的区域块的可能性越大，当区域块为圆形或者接近圆形时，且当区域块的边缘处的像素点灰度值偏低，则表示该区域为心血管区域的可能性越大，因此可以根据每个区域块中边缘处的像素点的灰度值和低灰度值到区域块重心之间的距离来分析区域块属于心血管区域块的程度。
具体地，将每个区域块中的所有像素点根据灰度值按照从小到大的顺序进行排序，得到灰度像素点序列；将灰度像素点序列中相邻两个像素点的灰度值差异最大的两个像素点，记为灰度像素点序列中的分割像素点，通过分割像素点将灰度像素点序列划分为两部分序列，将划分后的两部分序列中所有像素点的灰度值的均值最小的序列记为低灰度值序列，将划分后的两部分序列中灰度值的均值最大的序列记为高灰度值序列。其中，低灰度值序列中的像素点为低灰度像素点，高灰度值序列中的像素点为高灰度像素点。
对每个区域块的所有边缘像素点根据最小二乘法通过十次多项式拟合得到每个区域块的拟合曲线。其中，最小二乘法为公知技术，此处不再进行具体赘述。再获取每个区域块的拟合曲线上每个像素点的曲率值；其中，获取曲线上每个点的曲率值的过程为公知技术，此处不再进行具体赘述。
其中，高次多项式曲线接近于圆形；在拟合接近圆形曲线时，可以参考拟合高次多项式曲线的过程。
根据每个区域块的拟合曲线上每个像素点的曲率值的信息熵、每个区域块的低灰度值序列中每个像素点的灰度值和每个像素点的邻域范围内的像素点为低灰度像素点的概率，得到每个区域块的心血管概率参数，作为一种实施例，具体计算方法为：
式中，表示每个区域块的拟合曲线上所有像素点的曲率值的信息熵，/>表示每个区域块内的第/>个低灰度像素点到区域块重心点的距离，/>表示每个区域块内的第/>个低灰度像素点的八邻域中的像素点为低灰度像素点的概率，其中，八邻域中的像素点为低灰度像素点的概率为属于低灰度像素点的个数与八邻域中所有像素点个数的比值；/>表示每个区域块内的所有低灰度像素点的个数，/>表示以自然常数为底的指数函数，/>表示线性归一化函数，/>表示每个区域块的心血管概率参数，/>表示每个区域块的拟合曲线上第/>种曲率值的个数在所有曲率值的个数中的占比，/>表示每个区域块的拟合曲线上所有曲率值的种类个数，/>表示以2为底的对数函数。其中，曲线上每个点的曲率值的获取过程为公知技术此处不再进行具体赘述；相同的曲率值为同一类曲率值。
其中，当每个区域块的拟合曲线上每个像素点的曲率值的信息熵越大，即拟合曲线上所有像素点的曲率值的不确定性越大，则对应的曲率值越混乱，表示该区域块的形状越不接近于圆形；当每个区域块的拟合曲线上每个像素点的曲率值的信息熵越小，即拟合曲线上所有像素点的曲率值的不确定性越小，则对应的曲率值越集中，表示该区域块的形状越接近于圆形。当每个区域块内的低灰度像素点到区域块重心点的距离越远，则该区域块的边缘处的像素点为血管壁像素点的可能性越大，即该区域为心血管区域块的可能性越大；当每个区域块内的低灰度像素点到区域块重心点的距离越近，则该区域块的边缘处的像素点为血管壁像素点的可能性越小，即该区域为心血管区域块的可能性越小。当每个区域块内的低灰度像素点的八邻域中的像素点为低灰度像素点的概率越大，则在该低灰度像素点的邻域范围内像素点的灰度差异较小，表明该低灰度像素点属于心血管区域块的可能性越大；当每个区域块内的低灰度像素点的八邻域中的像素点为低灰度像素点的概率越小，则在该低灰度像素点的邻域范围内像素点的灰度差异较大，表明该低灰度像素点属于心血管区域块的可能性越小。
至此，得到每个区域块的心血管概率参数。
步骤S003：对每个区域块进行分割，得到每个区域块的若干个子区域，根据所有区域块中的最小区域块面积获得初始滤波窗口大小，根据每个区域块的心血管概率参数、每个区域块的每个灰度级对应的像素点个数与每个区域块中所有像素点的个数比值、每个区域块内每个低灰度像素点对应的子区域中包含低灰度像素点的个数、每个区域块内所有的低灰度像素点的分布，对初始滤波窗口大小进行修正，得到修正后的滤波窗口大小，根据修正后的滤波窗口大小对心血管图像进行滤波平滑处理，得到滤波后的心血管图像。
需要说明的是，当区域块中灰度差异越小，即该区域块属于心血管区域块的可能性越大，则区域块内像素点的灰度分布越集中，在受到噪声干扰时，像素点的灰度值会受到影响：则区域块内像素点的灰度分布的集中程度会降低。另外，对于区域块的心血管概率参数较低的连通域，根据区域块内像素点的灰度分布的集中程度无法准确的反映处噪声的影响程度，又由于正常的心血管区域块的低灰度像素点的分布比较集中，因此可以根据区域块的低灰度像素点的分布情况对每个区域块的心血管概率参数进行调整。
具体地，通过大津阈值算法对每个区域块进行分割，得到每个区域块的若干个子区域；其中，大津阈值算法为公知技术，此处不再进行具体赘述。
获取每个区域块的灰度直方图，其中，灰度直方图中的灰度级和灰度值相同。根据每个区域块的每个灰度级对应的像素点个数与每个区域块中所有像素点的个数比值、每个区域块内每个低灰度像素点对应的子区域中包含低灰度像素点的个数、每个区域块内所有的低灰度像素点的分布，得到每个区域块的噪声强度参数，作为一种实施例，具体计算方法为：
式中，表示每个区域块的心血管概率参数，/>表示每个区域块的第/>个灰度级对应的像素点个数与每个区域块中所有像素点的个数比值，/>表示每个区域块的所有灰度级对应的像素点个数与每个区域块中所有像素点的个数比值的均值，/>表示每个区域块的所有灰度级对应的像素点个数与每个区域块中所有像素点的个数比值的标准差，/>表示每个区域块内包含的灰度级的个数，/>表示每个区域块内第/>个低灰度像素点对应的子区域中包含低灰度像素点的个数，/>表示每个区域块内第/>个低灰度像素点与第/>个低灰度像素点之间的距离，/>表示每个区域块内所有低灰度像素点的个数，/>表示双曲线正切函数，/>表示线性归一化函数，/>表示每个区域块的灰度分布影响因子，/>表示每个区域块的位置分布影响因子，/>表示每个区域块的噪声强度参数。
其中，表示每个区域块内所有像素点的灰度分布集中程度，即每个区域块的像素点的灰度峰度，当个区域块的像素点的灰度峰度越大，表示每个区域块的像素点的灰度分布比较集中，即该区域块存在噪声的可能性越小；当个区域块的像素点的灰度峰度越小，表示每个区域块的像素点的灰度分布比较分散，即该区域块存在噪声的可能性越大。/>表示每个区域块内的所有低灰度像素点的位置分布情况，当该值越大，表示每个区域块内的所有低灰度像素点的分布越集中，则受到噪声影响的程度就越低，因此应该尽可能的降低每个区域块的心血管概率参数的权重，意思是要降低非局部均值滤波窗口的大小；当该值越小，表示每个区域块内的所有低灰度像素点的分布越分散，则受到噪声影响的程度就越高，因此应该尽可能的提高每个区域块的心血管概率参数的权重，意思是要增加非局部均值滤波窗口的大小。当每个区域块内每个低灰度像素点对应的子区域中包含低灰度像素点的个数越多，则区域块越正常，则要降低非局部均值滤波窗口的大小；当每个区域块内每个低灰度像素点对应的子区域中包含低灰度像素点的个数越少，则区域块越不属于心血管区域块，则要增大非局部均值滤波窗口的大小。
至此，得到每个区域块的噪声强度参数。
需要说明的是，在对心血管图像进行平滑的过程中，当滤波窗口越小时，达不到平滑的效果，当滤波窗口越大时，会使得图像中的更多细节进行丢失；因此根据所有区域块受噪声的影响程度进行分析，以此来获取滤波窗口最终的滤波窗口的大小。
具体地，根据每个区域块的心血管概率参数、每个区域块的噪声强度参数和所有区域块中的最小面积对初始滤波窗口大小进行修正，得到修正后的滤波窗口大小，作为一种实施例，具体计算方法为：
式中，表示第/>个区域块的心血管概率参数，/>表示第/>个区域块的噪声强度参数，/>表示所有区域块的个数，/>表示初始滤波窗口大小，/>表示修正后的滤波窗口大小，表示对/>的向上取整。其中，初始滤波窗口大小为所有区域块中的最小区域块面积向上取整的整数。
其中，当区域块的心血管概率参数和噪声强度参数越大，则对初始滤波窗口大小调整的程度越大。
根据修正后的滤波窗口大小通过非局部均值滤波算法对心血管图像进行滤波平滑处理，得到滤波后的心血管图像。
其中，非局部均值滤波算法为公知技术，此处不再进行具体赘述。
步骤S004：对滤波后的心血管图像进行分割得到心血管组织。
预设一个参数E，其中本实施例以E=70为例进行叙述，本实施例不进行具体限定，其中E可根据具体实施情况而定。
获取大量的滤波后的心血管图像，将E%的滤波后的心血管图像用于训练U-Net神经网络（U型网络），将1-E%的滤波后的心血管图像用于验证；在本实施例中的神经网络的损失函数为交叉熵损失函数；通过训练后的U-Net神经网络对滤波后的心血管图像进行分割，得到分割后的结果；其中，心血管CT影响智能分割的流程图如图2所示。其中，U-Net神经网络为公知技术，此处不再进行具体赘述。
至此，本实施例完成。
需要说明的是，本实施例中所用的模型仅用于表示负相关关系和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，不对其做具体限定，其中/>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 (6)
1.一种心血管CT影像智能分割方法，其特征在于，该方法包括以下步骤：
采集心血管图像；
对心血管图像进行分割获得若干个区域块，根据每个区域块内像素点的灰度值的大小对每个区域内所有的像素点进行排序，得到灰度像素点序列，根据灰度像素点序列中相邻像素点的灰度差异，得到每个区域块内的低灰度像素点，对每个区域块内的所有边缘像素点进行曲线拟合，得到每个区域块的拟合曲线，根据每个区域块的拟合曲线上每个像素点的曲率值的信息熵、每个区域块的低灰度像素点的灰度值和每个像素点的邻域范围内的像素点为低灰度像素点的概率，得到每个区域块的心血管概率参数；
对每个区域块进行分割，得到每个区域块的若干个子区域，根据所有区域块中的最小区域块面积获得初始滤波窗口大小，根据每个区域块的心血管概率参数、每个区域块的每个灰度级对应的像素点个数与每个区域块中所有像素点的个数比值、每个区域块内每个低灰度像素点对应的子区域中包含低灰度像素点的个数、每个区域块内所有的低灰度像素点的分布，对初始滤波窗口大小进行修正，得到修正后的滤波窗口大小，根据修正后的滤波窗口大小对心血管图像进行滤波平滑处理，得到滤波后的心血管图像；
对滤波后的心血管图像进行分割得到心血管组织；
所述根据所有区域块中的最小区域块面积获得初始滤波窗口大小，根据每个区域块的心血管概率参数、每个区域块的每个灰度级对应的像素点个数与每个区域块中所有像素点的个数比值、每个区域块内每个低灰度像素点对应的子区域中包含低灰度像素点的个数、每个区域块内所有的低灰度像素点的分布，对初始滤波窗口大小进行修正，得到修正后的滤波窗口大小，根据修正后的滤波窗口大小对心血管图像进行滤波平滑处理，得到滤波后的心血管图像，包括的具体步骤如下：
初始滤波窗口大小为所有区域块中的最小区域块面积向上取整的整数；
根据每个区域块的心血管概率参数、每个区域块的每个灰度级对应的像素点个数与每个区域块中所有像素点的个数比值、每个区域块内每个低灰度像素点对应的子区域中包含低灰度像素点的个数、每个区域块内所有的低灰度像素点的分布，得到每个区域块的噪声强度参数，根据每个区域块的心血管概率参数、每个区域块的噪声强度参数对初始滤波窗口大小进行修正，得到修正后的滤波窗口大小；
根据修正后的滤波窗口大小通过非局部均值滤波算法对心血管图像进行滤波平滑处理，得到滤波后的心血管图像；
所述根据每个区域块的心血管概率参数、每个区域块的每个灰度级对应的像素点个数与每个区域块中所有像素点的个数比值、每个区域块内每个低灰度像素点对应的子区域中包含低灰度像素点的个数、每个区域块内所有的低灰度像素点的分布，得到每个区域块的噪声强度参数，包括的具体步骤如下：
将每个区域块的每个灰度级对应的像素点个数与每个区域块中所有像素点的个数比值，记为每个区域块的每个灰度级的第一比值，将每个区域块的所有灰度级的第一比值的均值，记为每个区域块的第一均值，将每个区域块的每个灰度级的第一比值减去每个区域块的第一均值的结果，记为每个区域块的每个灰度级的第一差值，将每个区域块的所有灰度级的第一比值的标准差记为每个区域块的第一标准差，将每个区域块的每个灰度级的第一差值与每个区域块的第一标准差的比值，记为每个区域块的每个灰度级的第二比值，将每个区域块的所有灰度级的第二比值的四次方的均值，记为每个区域块的第三比值，将记为每个区域块的第一特征，将每个区域块的第一特征和每个区域块的心血管概率参数的乘积结果，记为每个区域块的第二特征；
将每个区域块内每个低灰度像素点对应的子区域中包含低灰度像素点的个数，记为每个区域块内每个低灰度像素点的第一个数，对每个区域块内的所有低灰度像素点的第一个数进行线性归一化，将归一化后每个区域块内每个低灰度像素点的第一个数记为每个区域块内每个低灰度像素点的第二个数，将/>记为每个区域块内每个低灰度像素点的第三个数，将每个区域块内每个低灰度像素点与所有低灰度像素点之间的距离的均值，记为每个区域块内每个低灰度像素点的第三特征，将每个区域块内每个低灰度像素点的第三个数与每个区域块内每个低灰度像素点的第三特征之间的乘积结果，记为每个区域块内每个低灰度像素点的第四特征，将每个区域块内所有低灰度像素点的第四特征的均值，记为每个区域块的第五特征/>，将1减去每个区域块的心血管概率参数后的结果值，记为每个区域块的第一参数，将/>记为每个区域块的第六特征，将每个区域块的第一参数和每个区域块的第六特征之间的乘积结果记为每个区域块的第一乘积，将每个区域块的第二特征和每个区域块的第一乘积的求和结果，作为每个区域块的噪声强度参数；
其中，表示双曲线正切函数；
所述根据每个区域块的心血管概率参数、每个区域块的噪声强度参数对初始滤波窗口大小进行修正，得到修正后的滤波窗口大小，包括的具体步骤如下：
将每个区域块的心血管概率参数和每个区域块的噪声强度参数之间的乘积结果，记为每个区域块的第二乘积，将所有区域块的第二乘积的均值，记为第一系数，将初始滤波窗口大小和第一系数的乘积再向上取整后的结果，作为修正后的滤波窗口大小；
所述根据每个区域块的拟合曲线上每个像素点的曲率值的信息熵、每个区域块的低灰度像素点的灰度值和每个像素点的邻域范围内的像素点为低灰度像素点的概率，得到每个区域块的心血管概率参数，包括的具体步骤如下：
将每个区域块的拟合曲线上每种曲率值个数在所有曲率值个数中的占比，记为每个区域块的拟合曲线上每种曲率值的第一占比，将/>作为每个区域块的拟合曲线上每种曲率值的第二占比，将每个区域块的拟合曲线上每种曲率值的第一占比和第二占比的乘积结果，记为每个区域块的拟合曲线上每种曲率值的第三占比，将每个区域块的拟合曲线上所有种曲率值的第三占比的累加和的负数记为每个区域块的拟合曲线上所有像素点的曲率值的信息熵记为/>，将/>记为每个区域块的第一数值，将每个区域块内的每个低灰度像素点到区域块重心点的距离，记为每个区域块内的每个低灰度像素点的第一距离，将每个区域块内的每个低灰度像素点的八邻域中的像素点为低灰度像素点的概率，记为每个区域块内的每个低灰度像素点的第一概率，其中，八邻域中的像素点为低灰度像素点的概率为属于低灰度像素点的个数与八邻域中所有像素点个数的比值；
将每个区域块内的每个低灰度像素点的第一距离和第一概率的乘积结果，记为每个区域块内的每个低灰度像素点的第二数值，将每个区域块内的所有低灰度像素点的第二数值的均值，记为每个区域块的第三数值，再对所有区域块的第三数值进行线性归一化，得到归一化后每个区域块的第四数值，将每个区域块的第一数值和归一化后每个区域块的第四数值的乘积结果，作为每个区域块的心血管概率参数；
其中，表示以自然常数为底的指数函数，/>表示以2为底的对数函数。
2.根据权利要求1所述一种心血管CT影像智能分割方法，其特征在于，所述对心血管图像进行分割获得若干个区域块，包括的具体步骤如下：
通过语义分割算法从心血管图像中分割出前景区域和背景区域，再对前景区域通过大津阈值算法进行分割，得到若干个连通域，对所有的连通域通过形态学的闭运算来进行处理，将闭运算后得到的任意一个连通域记为一个区域块。
3.根据权利要求1所述一种心血管CT影像智能分割方法，其特征在于，所述根据每个区域块内像素点的灰度值的大小对每个区域内所有的像素点进行排序，得到灰度像素点序列，根据灰度像素点序列中相邻像素点的灰度差异，得到每个区域块内的低灰度像素点，包括的具体步骤如下：
将每个区域块中的所有像素点根据灰度值按照从小到大的顺序进行排序，得到灰度像素点序列；将灰度像素点序列中相邻两个像素点的灰度值差异最大的两个像素点，记为灰度像素点序列中的分割像素点，通过分割像素点将灰度像素点序列划分为两部分序列，将划分后的两部分序列中所有像素点的灰度值的均值最小的序列记为低灰度值序列；
其中，低灰度值序列中的像素点为低灰度像素点。
4.根据权利要求1所述一种心血管CT影像智能分割方法，其特征在于，所述对每个区域块内的所有边缘像素点进行曲线拟合，得到每个区域块的拟合曲线，包括的具体步骤如下：
对每个区域块的所有边缘像素点根据最小二乘法得到每个区域块的拟合曲线。
5.根据权利要求1所述一种心血管CT影像智能分割方法，其特征在于，所述对每个区域块进行分割，得到每个区域块的若干个子区域，包括的具体步骤如下：
通过大津阈值算法对每个区域块进行分割，得到每个区域块的若干个子区域。
6.根据权利要求1所述一种心血管CT影像智能分割方法，其特征在于，所述对滤波后的心血管图像进行分割得到心血管组织，包括的具体步骤如下：
获取大量的滤波后的心血管图像，将E%的滤波后的心血管图像用于训练U-Net神经网络，将1-E%的滤波后的心血管图像用于验证；神经网络的损失函数为交叉熵损失函数；通过训练后的U-Net神经网络对滤波后的心血管图像进行分割，得到分割后的结果；
其中，E为预设参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410353480.3A CN117952994B (zh) | 2024-03-27 | 2024-03-27 | 一种心血管ct影像智能分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410353480.3A CN117952994B (zh) | 2024-03-27 | 2024-03-27 | 一种心血管ct影像智能分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117952994A CN117952994A (zh) | 2024-04-30 |
| CN117952994B true CN117952994B (zh) | 2024-06-21 |
Family
ID=90798535
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410353480.3A Active CN117952994B (zh) | 2024-03-27 | 2024-03-27 | 一种心血管ct影像智能分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117952994B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117237243A (zh) * | 2023-11-16 | 2023-12-15 | 大连壹致科技有限公司 | 一种心血管造影图像局部自适应增强方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6261301B2 (ja) * | 2013-11-28 | 2018-01-17 | キヤノン株式会社 | 医用画像表示装置およびその制御方法 |
| CN104899862A (zh) * | 2015-04-01 | 2015-09-09 | 武汉工程大学 | 基于全局与局部阈值的视网膜血管分割算法 |
| CN109829942B (zh) * | 2019-02-21 | 2023-04-28 | 韶关学院 | 一种眼底图像视网膜血管管径自动量化方法 |
| CN117576123A (zh) * | 2024-01-12 | 2024-02-20 | 大连壹致科技有限公司 | 一种心血管ct图像数据分割检测方法 |
-
2024
- 2024-03-27 CN CN202410353480.3A patent/CN117952994B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117237243A (zh) * | 2023-11-16 | 2023-12-15 | 大连壹致科技有限公司 | 一种心血管造影图像局部自适应增强方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于AI医学影像仪器的肝脏肿瘤CT图像分割方法;李晓东;;自动化与仪器仪表;20200425(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117952994A (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109461495B (zh) | 一种医学图像的识别方法、模型训练的方法及服务器 | |
| CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
| CN116152505B (zh) | 基于x光数据的骨骼目标识别分割方法 | |
| CN109102506B (zh) | 一种基于三级级联网络进行腹部ct肝脏病变图像的自动分割方法 | |
| CN115661467B (zh) | 脑血管图像分割方法、装置、电子设备及存储介质 | |
| CN107845098A (zh) | 基于随机森林和模糊聚类的肝癌图像全自动分割方法 | |
| CN115359052B (zh) | 基于聚类算法的医疗影像增强方法 | |
| CN110706225B (zh) | 基于人工智能的肿瘤识别系统 | |
| CN112184748A (zh) | 可变形的上下文编码网络模型及对肝脏及肝脏肿瘤的分割方法 | |
| CN110956632B (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
| CN110880177A (zh) | 一种图像识别方法及装置 | |
| CN116993628B (zh) | 一种用于肿瘤射频消融引导的ct图像增强系统 | |
| CN115908371A (zh) | 基于优化分割的植物叶片病虫害程度检测方法 | |
| CN108305247B (zh) | 一种基于ct图像灰度值检测组织硬度的方法 | |
| CN115456967A (zh) | 一种动静脉内瘘血栓检测方法及装置 | |
| CN116993764B (zh) | 一种胃部ct智能分割提取方法 | |
| CN112381084B (zh) | 断层图像的轮廓自动识别方法 | |
| CN112529918B (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 | |
| CN117952994B (zh) | 一种心血管ct影像智能分割方法 | |
| Chithra et al. | Otsu's Adaptive Thresholding Based Segmentation for Detection of Lung Nodules in CT Image | |
| CN112258532A (zh) | 一种超声图像中胼胝体的定位及分割方法 | |
| Soni et al. | Automatic Pulmonary Cancer Detection using Prewitt & Morphological Dilation | |
| Kaur et al. | An efficient scheme for brain tumor detection of MRI brain images using Euclidean distance with FVT | |
| CN115578400A (zh) | 图像处理方法、图像分割网络的训练方法及装置 | |
| CN117974692B (zh) | 一种基于区域生长的眼科医学影像处理方法 |
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 |