CN118154602A - 基于结直肠息肉ct影像数据集的图像分析方法及系统 - Google Patents
基于结直肠息肉ct影像数据集的图像分析方法及系统 Download PDFInfo
- Publication number
- CN118154602A CN118154602A CN202410576463.6A CN202410576463A CN118154602A CN 118154602 A CN118154602 A CN 118154602A CN 202410576463 A CN202410576463 A CN 202410576463A CN 118154602 A CN118154602 A CN 118154602A
- Authority
- CN
- China
- Prior art keywords
- polyp
- image
- length
- colorectal
- wall
- 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
- 208000022131 polyp of large intestine Diseases 0.000 title claims abstract description 79
- 238000003703 image analysis method Methods 0.000 title claims abstract description 17
- 208000037062 Polyps Diseases 0.000 claims abstract description 359
- 238000000034 method Methods 0.000 claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000010191 image analysis Methods 0.000 claims abstract description 17
- 230000000968 intestinal effect Effects 0.000 claims description 42
- 210000000936 intestine Anatomy 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 208000014081 polyp of colon Diseases 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 208000003200 Adenoma Diseases 0.000 description 1
- 206010020880 Hypertrophy Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000004347 intestinal mucosa Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000008961 swelling 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T2207/10072—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
- G06T2207/30028—Colon; Small intestine
- G06T2207/30032—Colon polyp
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了基于结直肠息肉CT影像数据集的图像分析方法及系统，涉及医疗辅助技术领域，包括：通过影像剥离方法获取含有息肉的结直肠CT影像中的息肉内壁长度；对息肉内壁长度进行优化，得到标准息肉长度；使用标准息肉长度对结直肠息肉CT影像进行息肉识别；基于最大息肉长度获取结直肠息肉CT影像的分析结果；本发明用于解决现有技术中缺少通过图像处理将结直肠息肉与正常结直肠区分开来，进而对结直肠息肉进行准确标记的方法，导致在获取对结直肠息肉进行判断的判断标准时需要大量的时间对模型以及算法进行优化的问题。
Description
技术领域
本发明涉及医疗辅助技术领域，具体为基于结直肠息肉CT影像数据集的图像分析方法及系统。
背景技术
结直肠息肉是隆起于结直肠表面的肿物，可以是腺瘤，也可以是肠黏膜的增生肥厚，在未确定病理性质前统称息肉。息肉有单发或者多发，也有遗传性或者非遗传性，通过CT检查一般能够看出结肠息肉的大小、位置等，但通常不能判断结肠息肉的具体性质。
现有的基于结直肠息肉CT影像数据集的图像分析方法，通常是通过建立模型以及目标检测算法确定息肉在图像中的位置，比如在申请公开号为CN114092414A的中国专利中，公开了一种基于结直肠息肉CT影像数据的图像分析方法，该方案就是通过提出一种基于空间连续性的息肉检测算法用于辅助影像科医生提高检测准确率并准确定位息肉在图像中的位置，其他的基于结直肠息肉CT影像数据集的图像分析方法通常是基于深度学习提高对息肉检测的准确率，而现有的对基于结直肠息肉CT影像数据集的图像分析方法的改进中，缺少直接对结直肠息肉的CT影像进行分析，通过图像处理将结直肠息肉与正常结直肠区分开来，进而对结直肠息肉进行准确标记的方法，在基于建立模型、目标检测算法以及深度学习对结直肠息肉进行检测时，获取对结直肠息肉进行判断的判断标准时需要大量的时间对模型以及算法进行优化，并在实际投入运行并面临不同使用场景时仍需要不断改进，降低了实际的图像分析效率，鉴于此，有必要对现有的基于结直肠息肉CT影像数据集的图像分析方法进行改进。
发明内容
本发明旨在至少在一定程度上解决现有技术中的技术问题之一，通过提出结直肠息肉CT影像数据集的图像分析方法及系统，用于解决现有技术中对基于结直肠息肉CT影像数据集的图像分析方法的改进中，缺少直接对结直肠息肉的CT影像进行分析，通过图像处理将结直肠息肉与正常结直肠区分开来，进而对结直肠息肉进行准确标记的方法，在基于建立模型、目标检测算法以及深度学习对结直肠息肉进行检测时，获取对结直肠息肉进行判断的判断标准时需要大量的时间对模型以及算法进行优化，并在实际投入运行并面临不同使用场景时仍需要不断改进，导致降低实际的图像分析效率的问题。
为实现上述目的，第一方面，本发明提供基于结直肠息肉CT影像数据集的图像分析方法，包括：
对含有息肉的结直肠CT影像进行分析，通过影像剥离方法获取含有息肉的结直肠CT影像中的息肉内壁长度；
获取多个结直肠息肉CT影像，对息肉内壁长度进行优化，得到标准息肉长度；
使用标准息肉长度对需要进行分析的结直肠息肉CT影像进行息肉识别，基于识别结果获取结直肠息肉CT影像中息肉的最大息肉长度；
基于最大息肉长度获取结直肠息肉CT影像的分析结果。
进一步地，对含有息肉的结直肠CT影像进行分析，通过影像剥离方法获取含有息肉的结直肠CT影像中的息肉内壁长度包括：
获取多个正常的结直肠CT影像以及一个含有息肉的结直肠CT影像；
将多个正常的结直肠CT影像依次记为标准肠影像1至标准肠影像N；将含有息肉的结直肠CT影像记为参考息肉影像；
使用影像剥离方法对标准肠影像以及参考息肉影像进行分析，获取参考息肉影像的息肉内壁长度。
进一步地，影像剥离方法包括：
对于标准肠影像1至标准肠影像N中的任意一个标准肠影像N1，对标准肠影像N1进行灰度化处理，将灰度化处理后的标准肠影像N1记为灰度肠影像N1；
将灰度肠影像N1中灰度值小于标黑灰度值的像素点记为黑色像素点，获取所有黑色像素点的灰度值，获取所有黑色像素点的灰度值的众数，并记为黑色参考值；获取灰度肠影像N1中所有像素点的灰度值的众数，记为肉色灰度值，将灰度值为肉色灰度值的像素点记为肉色像素点；
对于灰度肠影像N1中的任意一个像素点A，获取像素点A八邻域内的像素点，并依次记为像素点A~1至像素点A~8，将像素点A~1至像素点A~8中灰度值等于黑色参考值的像素点记为外界像素点；当像素点A~1至像素点A~8中的任意一个像素点被记为外界像素点且像素点A为肉色像素点时，将像素点A记为临界像素点；
对于灰度肠影像N1中的任意一个临界像素点A，当临界像素点的八邻域内的任意一个像素点B为临界像素点时，将临界像素点A与像素点B连接，并将连线记为临界线；
对于灰度肠影像N1中的任意一个临界线，将临界线所在的多段线记为边界多段线，并将所有边界多段线依次记为边界多段线1至边界多段线G。
进一步地，影像剥离方法还包括：
对于边界多段线1至边界多段线G中的任意一个边界多段线G1，将边界多段线G1中的所有顶点依次记为顶点G1~1至顶点G1~K；将边界多段线G1拟合为圆弧曲线，并记为边界曲线G1；
对于边界曲线G1中的任意一个顶点G1~ K1，在顶点G1~K1处做边界曲线G1的切线，记为切线G1~K1，在顶点G1~K1处做切线G1~K1的垂线，记为切垂线G1~K1；将切垂线G1~K1中与肉色像素点重合的多个独立区域依次记为肉色线段K1~1至肉色线段K1~L，其中，肉色线段可以与多个连续的肉色像素点重合；
将肉色线段K1~1至肉色线段K1~L中含有顶点G1~ K1的肉色线段记为内壁线段，获取内壁线段的长度，记为内壁参考长度；获取边界曲线G1中所有顶点对应的内壁参考长度的平均值，记为曲线内壁长度；
获取所有标准肠影像的所有边界曲线的曲线内壁长度的平均值，记为标准内壁长度。
进一步地，影像剥离方法还包括：
获取参考息肉影像中息肉所在的区域，记为息肉区域，获取参考息肉影像对应的肉色像素点以及黑色像素点，并基于息肉参考影像的肉色像素点以及黑色像素点获取息肉区域中的边界曲线的曲线内壁长度，当曲线内壁长度大于标准内壁长度时，将曲线内壁长度记为息肉内壁长度。
进一步地，获取多个结直肠息肉CT影像，对息肉内壁长度进行优化，得到标准息肉长度包括：
获取多个结直肠息肉CT影像，并依次记为优化息肉影像1至优化息肉影像P；
使用优化息肉影像1至优化息肉影像P依次对息肉内壁长度进行优化，将进行优化后的息肉内壁长度记为标准息肉长度。
进一步地，使用优化息肉影像1至优化息肉影像P依次对息肉内壁长度进行优化，将进行优化后的息肉内壁长度记为标准息肉长度包括：
基于影像剥离方法中获取息肉内壁长度的方法获取优化息肉影像1中的息肉内壁长度，记为优化息肉长度；
将优化息肉长度和息肉内壁长度的平均值记为待定息肉长度1；
将息肉内壁长度的数值更替为待定息肉长度1的数值，并继续获取优化息肉影像2的优化息肉长度以及待定息肉长度2，以此类推得到待定息肉长度P，将待定息肉长度P记为标准息肉长度。
进一步地，使用标准息肉长度对需要进行分析的结直肠息肉CT影像进行息肉识别，基于识别结果获取结直肠息肉CT影像中息肉的最大息肉长度包括：
获取需要进行分析的结直肠息肉CT影像，记为分析息肉影像；
使用影像剥离方法获取分析息肉影像中所有边界曲线的所有内壁参考长度；
当任意一个内壁参考长度大于等于标准息肉长度时，将内壁参考长度记为分析息肉长度，将内壁参考长度所在的边界曲线记为待定息肉曲线；
获取分析息肉影像中所有分析息肉长度的最大值，记为最大息肉长度。
进一步地，基于最大息肉长度获取结直肠息肉CT影像的分析结果包括：
将最大息肉长度所在的待定息肉曲线记为严重息肉曲线，将除严重息肉曲线以外的待定息肉曲线记为标准息肉曲线；
获取严重息肉曲线以及标准息肉曲线的位置并在分析息肉影像中进行标记并标记严重息肉曲线以及标准息肉曲线中的最大息肉长度以及分析息肉长度。
第二方面，本发明还提供基于结直肠息肉CT影像数据集的图像分析系统，包括影像剥离模块、标准长度获取模块、最大提取模块以及影像分析模块；
影像剥离模块用于对含有息肉的结直肠CT影像进行分析，通过影像剥离方法获取含有息肉的结直肠CT影像中的息肉内壁长度；
标准长度获取模块用于获取多个结直肠息肉CT影像，对息肉内壁长度进行优化，得到标准息肉长度；
最大提取模块用于使用标准息肉长度对需要进行分析的结直肠息肉CT影像进行息肉识别，基于识别结果获取结直肠息肉CT影像中息肉的最大息肉长度；
影像分析模块用于基于最大息肉长度获取结直肠息肉CT影像的分析结果。
本发明的有益效果：本发明首先对含有息肉的结直肠CT影像进行分析，通过影像剥离方法获取含有息肉的结直肠CT影像中的息肉内壁长度，然后获取多个结直肠息肉CT影像，对息肉内壁长度进行优化，得到标准息肉长度，这样的好处在于，通过使用影像剥离方法获取结直肠CT影像中的息肉内壁长度，并通过优化得到标准息肉长度，能够快速获取用于判断结直肠息肉的判断标准，即标准息肉长度，并在实际使用时能够使用标准息肉长度对不同环境下获取的结直肠CT影像中的息肉进行判断，从而提高对实际的图像的分析效率；
本发明还通过使用标准息肉长度对需要进行分析的结直肠息肉CT影像进行息肉识别，基于识别结果获取结直肠息肉CT影像中息肉的最大息肉长度，最后基于最大息肉长度获取结直肠息肉CT影像的分析结果，这样的好处在于，通过对结直肠息肉CT影像进行息肉识别并获取最大息肉长度，能够在得出分析结果时基于最大息肉长度对患者体内的结直肠息肉进行判断，当最大息肉长度较大时，有助于帮助医生提高对患者的结直肠息肉的重视程度，从而进行及时诊断以及治疗。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
图1为本发明的系统的原理框图；
图2为本发明的方法的步骤流程图；
图3为本发明的临界像素点的获取示意图；
图4为本发明的内壁线段的获取示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1，请参阅图1所示，第一方面，本申请提供基于结直肠息肉CT影像数据集的图像分析系统，包括影像剥离模块、标准长度获取模块、最大提取模块以及影像分析模块；
影像剥离模块用于对含有息肉的结直肠CT影像进行分析，通过影像剥离方法获取含有息肉的结直肠CT影像中的息肉内壁长度；
影像剥离模块配置有息肉长度获取策略，息肉长度获取策略包括：
获取多个正常的结直肠CT影像以及一个含有息肉的结直肠CT影像；
在具体实施过程中，通过获取多个正常的结直肠CT影像是为了获取正常情况下在CT影像中结直肠对应的标准内壁长度，从而得到对正常结直肠的厚度的判断标准，通过获取一个含有息肉的结直肠CT影像是为了获取一般情况下息肉在结直肠的厚度，即标准息肉长度；
将多个正常的结直肠CT影像依次记为标准肠影像1至标准肠影像N；将含有息肉的结直肠CT影像记为参考息肉影像；
使用影像剥离方法对标准肠影像以及参考息肉影像进行分析，获取参考息肉影像的息肉内壁长度。
影像剥离方法包括：对于标准肠影像1至标准肠影像N中的任意一个标准肠影像N1，对标准肠影像N1进行灰度化处理，将灰度化处理后的标准肠影像N1记为灰度肠影像N1；
将灰度肠影像N1中灰度值小于标黑灰度值的像素点记为黑色像素点，获取所有黑色像素点的灰度值，获取所有黑色像素点的灰度值的众数，并记为黑色参考值；获取灰度肠影像N1中所有像素点的灰度值的众数，记为肉色灰度值，将灰度值为肉色灰度值的像素点记为肉色像素点；
在具体实施过程中，在本实施例中将标黑灰度值设置为20，通过设置标黑灰度值并获取黑色像素点是为了获取CT影像中黑色区域的灰度值，在实际情况中，当确定CT影像中黑色区域的灰度值时，可将此步骤省略并将CT影像中黑色区域的灰度值记为黑色参考值；
对于灰度肠影像N1中的任意一个像素点A，获取像素点A八邻域内的像素点，并依次记为像素点A~1至像素点A~8，将像素点A~1至像素点A~8中灰度值等于黑色参考值的像素点记为外界像素点；当像素点A~1至像素点A~8中的任意一个像素点被记为外界像素点且像素点A为肉色像素点时，将像素点A记为临界像素点；
请参阅图3所示，其中，DD5为灰度肠影像中的任意一个像素点，DD1、DD2、DD3、DD4、DD6、DD7、DD8以及DD9为DD5的八邻域内的像素点，其中，DD1的灰度值等于黑色参考值且DD5为肉色像素点，则将DD5记为临界像素点；
在具体实施过程中，比如在实际分析时，黑色参考值为15，像素点A~1至像素点A~8的灰度值分别为15、15、60、65、55、15、55以及15，则将像素点A~1、像素点A~2、像素点A~6以及像素点A~8记为外界像素点；
对于灰度肠影像N1中的任意一个临界像素点A，当临界像素点的八邻域内的任意一个像素点B为临界像素点时，将临界像素点A与像素点B连接，并将连线记为临界线；
对于灰度肠影像N1中的任意一个临界线，将临界线所在的多段线记为边界多段线，并将所有边界多段线依次记为边界多段线1至边界多段线G。
影像剥离方法还包括：对于边界多段线1至边界多段线G中的任意一个边界多段线G1，将边界多段线G1中的所有顶点依次记为顶点G1~1至顶点G1~K；将边界多段线G1拟合为圆弧曲线，并记为边界曲线G1；
在具体实施过程中，将边界多段线拟合为圆弧曲线的过程可通过CAD进行处理，获取边界曲线是为了在后续分析过程中获取边界曲线上顶点的切线，从而得到内壁参考长度；
对于边界曲线G1中的任意一个顶点G1~ K1，在顶点G1~K1处做边界曲线G1的切线，记为切线G1~K1，在顶点G1~K1处做切线G1~K1的垂线，记为切垂线G1~K1；将切垂线G1~K1中与肉色像素点重合的多个独立区域依次记为肉色线段K1~1至肉色线段K1~L，其中，肉色线段可以与多个连续的肉色像素点重合。
请参阅图4所示，其中，SS0对应的曲线为边界曲线，SS1对应的三角形为边界曲线SS0上的一个顶点，SS2对应的直线为在顶点SS1处做的切线，SS3对应的直线为切线SS1在顶点SS1处做的垂线，AA1至AA4对应的椭圆范围内均为肉色像素点，则通过分析可得，AA3与切垂线SS3重合的线段为内壁线段；
将肉色线段K1~1至肉色线段K1~L中含有顶点G1~ K1的肉色线段记为内壁线段，获取内壁线段的长度，记为内壁参考长度；获取边界曲线G1中所有顶点对应的内壁参考长度的平均值，记为曲线内壁长度；
获取所有标准肠影像的所有边界曲线的曲线内壁长度的平均值，记为标准内壁长度；
在具体实施过程中，比如所有标准肠影像的所有边界曲线的曲线内壁长度分别为3.9mm、4mm、3.8mm、3.85mm、4mm、3.8mm、3.87mm、3.91mm、3.77mm以及3.88mm，则通过计算可得，标准内壁长度为3.878mm；
影像剥离方法还包括：获取参考息肉影像中息肉所在的区域，记为息肉区域，获取参考息肉影像对应的肉色像素点以及黑色像素点，并基于息肉参考影像的肉色像素点以及黑色像素点获取息肉区域中的边界曲线的曲线内壁长度，当曲线内壁长度大于标准内壁长度时，将曲线内壁长度记为息肉内壁长度。
标准长度获取模块用于获取多个结直肠息肉CT影像，对息肉内壁长度进行优化，得到标准息肉长度；标准长度获取模块配置有标准息肉获取策略，标准息肉获取策略包括：获取多个结直肠息肉CT影像，并依次记为优化息肉影像1至优化息肉影像P；
使用优化息肉影像1至优化息肉影像P依次对息肉内壁长度进行优化，将进行优化后的息肉内壁长度记为标准息肉长度；
在具体实施过程中，通过使用优化息肉影像对息肉内壁长度进行优化，能够使得到的标准息肉长度更能体现实际结直肠中息肉的长度；
基于影像剥离方法中获取息肉内壁长度的方法获取优化息肉影像1中的息肉内壁长度，记为优化息肉长度；
将优化息肉长度和息肉内壁长度的平均值记为待定息肉长度1；
将息肉内壁长度的数值更替为待定息肉长度1的数值，并继续获取优化息肉影像2的优化息肉长度以及待定息肉长度2，以此类推得到待定息肉长度P，将待定息肉长度P记为标准息肉长度；
在具体实施过程中，比如息肉内壁长度为5mm，优化息肉影像1中的息肉内壁长度为5.2mm，则通过计算可得待定息肉长度1为5.1mm，将息肉内壁长度的数值更替为5.1mm。
最大提取模块用于使用标准息肉长度对需要进行分析的结直肠息肉CT影像进行息肉识别，基于识别结果获取结直肠息肉CT影像中息肉的最大息肉长度；
最大提取模块配置有最大息肉提取策略，最大息肉提取策略包括：获取需要进行分析的结直肠息肉CT影像，记为分析息肉影像；使用影像剥离方法获取分析息肉影像中所有边界曲线的所有内壁参考长度；
当任意一个内壁参考长度大于等于标准息肉长度时，将内壁参考长度记为分析息肉长度，将内壁参考长度所在的边界曲线记为待定息肉曲线；
在具体实施过程中，比如标准息肉长度为5.1mm，在分析息肉影像中的一个边界曲线F中的内壁参考长度F1的长度为5.15mm，则将内壁参考长度F1记为分析息肉长度，将边界曲线F记为待定息肉曲线；
获取分析息肉影像中所有分析息肉长度的最大值，记为最大息肉长度。
影像分析模块用于基于最大息肉长度获取结直肠息肉CT影像的分析结果；
影像分析模块配置有息肉影像分析策略，息肉影像分析策略包括：将最大息肉长度所在的待定息肉曲线记为严重息肉曲线，将除严重息肉曲线以外的待定息肉曲线记为标准息肉曲线；
获取严重息肉曲线以及标准息肉曲线的位置并在分析息肉影像中进行标记并标记严重息肉曲线以及标准息肉曲线中的最大息肉长度以及分析息肉长度；
在具体实施过程中，通过将严重息肉曲线以及标准息肉曲线在影像中进行标记，能够更加直观地为医生提供图像分析结果。
实施例2，请参阅图2所示，第二方面，本发明提供基于结直肠息肉CT影像数据集的图像分析方法，包括：
步骤S1，对含有息肉的结直肠CT影像进行分析，通过影像剥离方法获取含有息肉的结直肠CT影像中的息肉内壁长度；
步骤S1包括如下子步骤：步骤S101，获取多个正常的结直肠CT影像以及一个含有息肉的结直肠CT影像；
将多个正常的结直肠CT影像依次记为标准肠影像1至标准肠影像N；将含有息肉的结直肠CT影像记为参考息肉影像；
步骤S102，使用影像剥离方法对标准肠影像以及参考息肉影像进行分析，获取参考息肉影像的息肉内壁长度；
影像剥离方法包括：步骤S1021，对于标准肠影像1至标准肠影像N中的任意一个标准肠影像N1，对标准肠影像N1进行灰度化处理，将灰度化处理后的标准肠影像N1记为灰度肠影像N1；
步骤S1022，将灰度肠影像N1中灰度值小于标黑灰度值的像素点记为黑色像素点，获取所有黑色像素点的灰度值，获取所有黑色像素点的灰度值的众数，并记为黑色参考值；获取灰度肠影像N1中所有像素点的灰度值的众数，记为肉色灰度值，将灰度值为肉色灰度值的像素点记为肉色像素点；
步骤S1023，对于灰度肠影像N1中的任意一个像素点A，获取像素点A八邻域内的像素点，并依次记为像素点A~1至像素点A~8，将像素点A~1至像素点A~8中灰度值等于黑色参考值的像素点记为外界像素点；当像素点A~1至像素点A~8中的任意一个像素点被记为外界像素点且像素点A为肉色像素点时，将像素点A记为临界像素点；
对于灰度肠影像N1中的任意一个临界像素点A，当临界像素点的八邻域内的任意一个像素点B为临界像素点时，将临界像素点A与像素点B连接，并将连线记为临界线；
步骤S1024，对于灰度肠影像N1中的任意一个临界线，将临界线所在的多段线记为边界多段线，并将所有边界多段线依次记为边界多段线1至边界多段线G；
步骤S1025，对于边界多段线1至边界多段线G中的任意一个边界多段线G1，将边界多段线G1中的所有顶点依次记为顶点G1~1至顶点G1~K；将边界多段线G1拟合为圆弧曲线，并记为边界曲线G1；
对于边界曲线G1中的任意一个顶点G1~ K1，在顶点G1~K1处做边界曲线G1的切线，记为切线G1~K1，在顶点G1~K1处做切线G1~K1的垂线，记为切垂线G1~K1；将切垂线G1~K1中与肉色像素点重合的多个独立区域依次记为肉色线段K1~1至肉色线段K1~L，其中，肉色线段可以与多个连续的肉色像素点重合；
步骤S1026，将肉色线段K1~1至肉色线段K1~L中含有顶点G1~ K1的肉色线段记为内壁线段，获取内壁线段的长度，记为内壁参考长度；获取边界曲线G1中所有顶点对应的内壁参考长度的平均值，记为曲线内壁长度；
获取所有标准肠影像的所有边界曲线的曲线内壁长度的平均值，记为标准内壁长度；
步骤S1027，获取参考息肉影像中息肉所在的区域，记为息肉区域，获取参考息肉影像对应的肉色像素点以及黑色像素点，并基于息肉参考影像的肉色像素点以及黑色像素点获取息肉区域中的边界曲线的曲线内壁长度，当曲线内壁长度大于标准内壁长度时，将曲线内壁长度记为息肉内壁长度。
步骤S2，获取多个结直肠息肉CT影像，对息肉内壁长度进行优化，得到标准息肉长度；
步骤S2包括：步骤S201，获取多个结直肠息肉CT影像，并依次记为优化息肉影像1至优化息肉影像P；
步骤S202，使用优化息肉影像1至优化息肉影像P依次对息肉内壁长度进行优化，将进行优化后的息肉内壁长度记为标准息肉长度；
步骤S202包括：基于影像剥离方法中获取息肉内壁长度的方法获取优化息肉影像1中的息肉内壁长度，记为优化息肉长度；
将优化息肉长度和息肉内壁长度的平均值记为待定息肉长度1；
将息肉内壁长度的数值更替为待定息肉长度1的数值，并继续获取优化息肉影像2的优化息肉长度以及待定息肉长度2，以此类推得到待定息肉长度P，将待定息肉长度P记为标准息肉长度。
步骤S3，使用标准息肉长度对需要进行分析的结直肠息肉CT影像进行息肉识别，基于识别结果获取结直肠息肉CT影像中息肉的最大息肉长度；
步骤S3包括：步骤S301，获取需要进行分析的结直肠息肉CT影像，记为分析息肉影像；
步骤S302，使用影像剥离方法获取分析息肉影像中所有边界曲线的所有内壁参考长度；
步骤S303，当任意一个内壁参考长度大于等于标准息肉长度时，将内壁参考长度记为分析息肉长度，将内壁参考长度所在的边界曲线记为待定息肉曲线；
步骤S304，获取分析息肉影像中所有分析息肉长度的最大值，记为最大息肉长度。
步骤S4，基于最大息肉长度获取结直肠息肉CT影像的分析结果。
步骤S4包括：步骤S401，将最大息肉长度所在的待定息肉曲线记为严重息肉曲线，将除严重息肉曲线以外的待定息肉曲线记为标准息肉曲线；
步骤S402，获取严重息肉曲线以及标准息肉曲线的位置并在分析息肉影像中进行标记并标记严重息肉曲线以及标准息肉曲线中的最大息肉长度以及分析息肉长度。
工作原理：本发明首先对含有息肉的结直肠CT影像进行分析，通过影像剥离方法获取含有息肉的结直肠CT影像中的息肉内壁长度，然后获取多个结直肠息肉CT影像，对息肉内壁长度进行优化，得到标准息肉长度，本发明还通过使用标准息肉长度对需要进行分析的结直肠息肉CT影像进行息肉识别，基于识别结果获取结直肠息肉CT影像中息肉的最大息肉长度，最后基于最大息肉长度获取结直肠息肉CT影像的分析结果。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random AccessMemory，简称SRAM），电可擦除可编程只读存储器（Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM），可擦除可编程只读存储器（Erasable ProgrammableRead Only Memory，简称EPROM），可编程只读存储器（Programmable Read-Only Memory，简称PROM），只读存储器（Read-OnlyMemory，简称ROM），磁存储器，快闪存储器，磁盘或光盘。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
Claims (10)
1.基于结直肠息肉CT影像数据集的图像分析方法，其特征在于，包括：
对含有息肉的结直肠CT影像进行分析，通过影像剥离方法获取含有息肉的结直肠CT影像中的息肉内壁长度；
获取多个结直肠息肉CT影像，对息肉内壁长度进行优化，得到标准息肉长度；
使用标准息肉长度对需要进行分析的结直肠息肉CT影像进行息肉识别，基于识别结果获取结直肠息肉CT影像中息肉的最大息肉长度；
基于最大息肉长度获取结直肠息肉CT影像的分析结果。
2.根据权利要求1所述的基于结直肠息肉CT影像数据集的图像分析方法，其特征在于，对含有息肉的结直肠CT影像进行分析，通过影像剥离方法获取含有息肉的结直肠CT影像中的息肉内壁长度包括：
获取多个正常的结直肠CT影像以及一个含有息肉的结直肠CT影像；
将多个正常的结直肠CT影像依次记为标准肠影像1至标准肠影像N；将含有息肉的结直肠CT影像记为参考息肉影像；
使用影像剥离方法对标准肠影像以及参考息肉影像进行分析，获取参考息肉影像的息肉内壁长度。
3.根据权利要求2所述的基于结直肠息肉CT影像数据集的图像分析方法，其特征在于，影像剥离方法包括：
对于标准肠影像1至标准肠影像N中的任意一个标准肠影像N1，对标准肠影像N1进行灰度化处理，将灰度化处理后的标准肠影像N1记为灰度肠影像N1；
将灰度肠影像N1中灰度值小于标黑灰度值的像素点记为黑色像素点，获取所有黑色像素点的灰度值，获取所有黑色像素点的灰度值的众数，并记为黑色参考值；获取灰度肠影像N1中所有像素点的灰度值的众数，记为肉色灰度值，将灰度值为肉色灰度值的像素点记为肉色像素点；
对于灰度肠影像N1中的任意一个像素点A，获取像素点A八邻域内的像素点，并依次记为像素点A~1至像素点A~8，将像素点A~1至像素点A~8中灰度值等于黑色参考值的像素点记为外界像素点；当像素点A~1至像素点A~8中的任意一个像素点被记为外界像素点且像素点A为肉色像素点时，将像素点A记为临界像素点；
对于灰度肠影像N1中的任意一个临界像素点A，当临界像素点的八邻域内的任意一个像素点B为临界像素点时，将临界像素点A与像素点B连接，并将连线记为临界线；
对于灰度肠影像N1中的任意一个临界线，将临界线所在的多段线记为边界多段线，并将所有边界多段线依次记为边界多段线1至边界多段线G。
4.根据权利要求3所述的基于结直肠息肉CT影像数据集的图像分析方法，其特征在于，影像剥离方法还包括：
对于边界多段线1至边界多段线G中的任意一个边界多段线G1，将边界多段线G1中的所有顶点依次记为顶点G1~1至顶点G1~K；将边界多段线G1拟合为圆弧曲线，并记为边界曲线G1；
对于边界曲线G1中的任意一个顶点G1~ K1，在顶点G1~K1处做边界曲线G1的切线，记为切线G1~K1，在顶点G1~K1处做切线G1~K1的垂线，记为切垂线G1~K1；将切垂线G1~K1中与肉色像素点重合的多个独立区域依次记为肉色线段K1~1至肉色线段K1~L，其中，肉色线段可以与多个连续的肉色像素点重合；
将肉色线段K1~1至肉色线段K1~L中含有顶点G1~ K1的肉色线段记为内壁线段，获取内壁线段的长度，记为内壁参考长度；获取边界曲线G1中所有顶点对应的内壁参考长度的平均值，记为曲线内壁长度；
获取所有标准肠影像的所有边界曲线的曲线内壁长度的平均值，记为标准内壁长度。
5.根据权利要求4所述的基于结直肠息肉CT影像数据集的图像分析方法，其特征在于，影像剥离方法还包括：
获取参考息肉影像中息肉所在的区域，记为息肉区域，获取参考息肉影像对应的肉色像素点以及黑色像素点，并基于息肉参考影像的肉色像素点以及黑色像素点获取息肉区域中的边界曲线的曲线内壁长度，当曲线内壁长度大于标准内壁长度时，将曲线内壁长度记为息肉内壁长度。
6.根据权利要求5所述的基于结直肠息肉CT影像数据集的图像分析方法，其特征在于，获取多个结直肠息肉CT影像，对息肉内壁长度进行优化，得到标准息肉长度包括：
获取多个结直肠息肉CT影像，并依次记为优化息肉影像1至优化息肉影像P；
使用优化息肉影像1至优化息肉影像P依次对息肉内壁长度进行优化，将进行优化后的息肉内壁长度记为标准息肉长度。
7.根据权利要求6所述的基于结直肠息肉CT影像数据集的图像分析方法，其特征在于，使用优化息肉影像1至优化息肉影像P依次对息肉内壁长度进行优化，将进行优化后的息肉内壁长度记为标准息肉长度包括：
基于影像剥离方法中获取息肉内壁长度的方法获取优化息肉影像1中的息肉内壁长度，记为优化息肉长度；
将优化息肉长度和息肉内壁长度的平均值记为待定息肉长度1；
将息肉内壁长度的数值更替为待定息肉长度1的数值，并继续获取优化息肉影像2的优化息肉长度以及待定息肉长度2，以此类推得到待定息肉长度P，将待定息肉长度P记为标准息肉长度。
8.根据权利要求7所述的基于结直肠息肉CT影像数据集的图像分析方法，其特征在于，使用标准息肉长度对需要进行分析的结直肠息肉CT影像进行息肉识别，基于识别结果获取结直肠息肉CT影像中息肉的最大息肉长度包括：
获取需要进行分析的结直肠息肉CT影像，记为分析息肉影像；
使用影像剥离方法获取分析息肉影像中所有边界曲线的所有内壁参考长度；
当任意一个内壁参考长度大于等于标准息肉长度时，将内壁参考长度记为分析息肉长度，将内壁参考长度所在的边界曲线记为待定息肉曲线；
获取分析息肉影像中所有分析息肉长度的最大值，记为最大息肉长度。
9.根据权利要求8所述的基于结直肠息肉CT影像数据集的图像分析方法，其特征在于，基于最大息肉长度获取结直肠息肉CT影像的分析结果包括：
将最大息肉长度所在的待定息肉曲线记为严重息肉曲线，将除严重息肉曲线以外的待定息肉曲线记为标准息肉曲线；
获取严重息肉曲线以及标准息肉曲线的位置并在分析息肉影像中进行标记并标记严重息肉曲线以及标准息肉曲线中的最大息肉长度以及分析息肉长度。
10.基于结直肠息肉CT影像数据集的图像分析系统，适用于权利要求1-9任一项所述的基于结直肠息肉CT影像数据集的图像分析方法，其特征在于，包括影像剥离模块、标准长度获取模块、最大提取模块以及影像分析模块；
影像剥离模块用于对含有息肉的结直肠CT影像进行分析，通过影像剥离方法获取含有息肉的结直肠CT影像中的息肉内壁长度；
标准长度获取模块用于获取多个结直肠息肉CT影像，对息肉内壁长度进行优化，得到标准息肉长度；
最大提取模块用于使用标准息肉长度对需要进行分析的结直肠息肉CT影像进行息肉识别，基于识别结果获取结直肠息肉CT影像中息肉的最大息肉长度；
影像分析模块用于基于最大息肉长度获取结直肠息肉CT影像的分析结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410576463.6A CN118154602B (zh) | 2024-05-10 | 2024-05-10 | 基于结直肠息肉ct影像数据集的图像分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410576463.6A CN118154602B (zh) | 2024-05-10 | 2024-05-10 | 基于结直肠息肉ct影像数据集的图像分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118154602A true CN118154602A (zh) | 2024-06-07 |
| CN118154602B CN118154602B (zh) | 2024-09-03 |
Family
ID=91285540
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410576463.6A Active CN118154602B (zh) | 2024-05-10 | 2024-05-10 | 基于结直肠息肉ct影像数据集的图像分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118154602B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10176573B2 (en) * | 2014-10-13 | 2019-01-08 | Agency For Science, Technology And Research | Automatic region-of-interest segmentation and registration of dynamic contrast-enhanced images of colorectal tumors |
| CN110033454A (zh) * | 2019-04-19 | 2019-07-19 | 河北大学 | Ct图像中大面积粘连肺边界组织的肺肿瘤的分割方法 |
| CN116109663A (zh) * | 2023-04-04 | 2023-05-12 | 山东大学第二医院 | 基于多阈值分割的胃部ct影像分割方法 |
| CN117557560A (zh) * | 2024-01-11 | 2024-02-13 | 天津医科大学总医院 | 基于pet和ct图像融合的肺结节病灶识别方法及系统 |
| CN117934485A (zh) * | 2024-03-25 | 2024-04-26 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 基于ct图像的肺部气管路径特征提取方法、系统及介质 |
-
2024
- 2024-05-10 CN CN202410576463.6A patent/CN118154602B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10176573B2 (en) * | 2014-10-13 | 2019-01-08 | Agency For Science, Technology And Research | Automatic region-of-interest segmentation and registration of dynamic contrast-enhanced images of colorectal tumors |
| CN110033454A (zh) * | 2019-04-19 | 2019-07-19 | 河北大学 | Ct图像中大面积粘连肺边界组织的肺肿瘤的分割方法 |
| CN116109663A (zh) * | 2023-04-04 | 2023-05-12 | 山东大学第二医院 | 基于多阈值分割的胃部ct影像分割方法 |
| CN117557560A (zh) * | 2024-01-11 | 2024-02-13 | 天津医科大学总医院 | 基于pet和ct图像融合的肺结节病灶识别方法及系统 |
| CN117934485A (zh) * | 2024-03-25 | 2024-04-26 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 基于ct图像的肺部气管路径特征提取方法、系统及介质 |
Non-Patent Citations (2)
| Title |
|---|
| ALAIN SÁNCHEZ-GONZÁLEZ ET AL.: "Automatized colon polyp segmentation via contour region analysis", 《COMPUTERS IN BIOLOGY AND MEDICINE》, 4 July 2018 (2018-07-04), pages 152, XP085439091, DOI: 10.1016/j.compbiomed.2018.07.002 * |
| 龙建武等: "前背景信息一致的边界框弱监督 息肉分割网络", 《重庆理工大学学报》, vol. 37, no. 12, 31 December 2023 (2023-12-31), pages 210 - 221 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118154602B (zh) | 2024-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107918931B (zh) | 图像处理方法及系统及计算机可读存储介质 | |
| CN110969200B (zh) | 基于一致性负样本的图像目标检测模型训练方法及装置 | |
| CN113724243B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| EP3843034A1 (en) | Method and device for detecting bright spots on image, and computer program product | |
| CN117557560B (zh) | 基于pet和ct图像融合的肺结节病灶识别方法及系统 | |
| CN112381800A (zh) | 一种导线直径异常识别方法、装置、电子设备和计算机可读存储介质 | |
| CN118154602B (zh) | 基于结直肠息肉ct影像数据集的图像分析方法及系统 | |
| CN106530273B (zh) | 高精度fpc直线线路检测与缺陷定位方法 | |
| CN112819834B (zh) | 基于人工智能的胃部病理图像的分类方法和装置 | |
| CN111696622B (zh) | 一种校正和评估变异检测软件检测结果的方法 | |
| WO2022074746A1 (ja) | 劣化検出装置、劣化検出方法、及びプログラム | |
| CN113011498A (zh) | 基于彩色图像的特征点提取与匹配方法、系统及介质 | |
| CN117291901A (zh) | 一种异常加工数据的识别方法、装置、设备和介质 | |
| CN111861984A (zh) | 一种确定肺部区域的方法及装置、计算机设备及存储介质 | |
| Figueiredo et al. | Fast colonic polyp detection using a hamilton–jacobi approach to non-dominated sorting | |
| Gandomkar et al. | Determining image processing features describing the appearance of challenging mitotic figures and miscounted nonmitotic objects | |
| CN114898379A (zh) | 一种弯曲文本识别的方法、装置、设备及存储介质 | |
| JP7254283B2 (ja) | 閾値決定方法、画像処理方法、標本画像の評価方法、コンピュータプログラムおよび記録媒体 | |
| WO2008016912A2 (en) | Systems and methods of analyzing two dimensional gels | |
| CN117974657B (zh) | 一种基于计算机视觉的电缆表面缺陷检测方法 | |
| US20240161870A1 (en) | Alignment of target and reference sequences of polymer units | |
| CN116824183B (zh) | 基于多重特征描述符的图像特征匹配方法和装置 | |
| CN118429371B (zh) | 一种基于自适应阈值的肠息肉轮廓分割方法、系统及设备 | |
| CN117373050B (zh) | 一种高精度识别图纸管线的方法 | |
| CN113450351B (zh) | 分割模型训练方法、图像分割方法、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |