TWI514328B - 影像處理方法及影像處理系統 - Google Patents
影像處理方法及影像處理系統 Download PDFInfo
- Publication number
- TWI514328B TWI514328B TW102133053A TW102133053A TWI514328B TW I514328 B TWI514328 B TW I514328B TW 102133053 A TW102133053 A TW 102133053A TW 102133053 A TW102133053 A TW 102133053A TW I514328 B TWI514328 B TW I514328B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- pixels
- pixel
- region
- endpoint
- Prior art date
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Description
本發明係關於一種影像分析的方法，特別係關於一種醫療影像的分析方法。
肺癌在美國和台灣為主要的癌症死因之一，且肺癌經常是藉由肺結節的鑑定而發現。在臨床試驗中，放射科醫師時常藉由觀察連續時間點之電腦斷層影像，並量測腫瘤的體積大小，而得知其隨時間的變化。電腦斷層影像可為腫瘤良惡性的分類、癌症的預後以及癌症治療療效的評估提供有價值之資訊。然而，由於肺結節之體積、灰階值與形狀之範圍差異較為廣泛，尤其當其附著於其他組織或是被相似亮度的組織所圍繞(例如：血管)時，更使得肺結節的分割成為一困難的課題。肺結節之影像常藉由分割演算法進行分析，目前肺結節的分割演算法大致上可分為兩類：基於灰階值(intensity-analysis-based)(Wang et al.,2007；Diciott et al.,2008；Mullally et al.,2004)與基於形狀(shape-analysis-based)(Kostis et al.,2003；Kuhnigk et al.,2006；Way et al.,2006)。儘管上述研究提出了許多方法，由於肺結節型態的多樣性，並具有微弱邊界、低對比和附著於周圍組織之數量眾多且複雜的目標物群，精確的肺結節分割演算法仍為一個尚待解決的難題。
近期，基於圖論的演算法吸引許多研究學者們的關注，且其收斂效果具有全域最佳解之性質(Boykov et al.,2006；Schaap et al；Li et al.,2006)。儘管這類演算法已被廣泛的應用至醫學影像分析上，還是無法同時分析擁有微弱邊界、低對比和附著於周圍組織之數量眾多且複雜的目標物群(Song et al.,2010)。為了解決物體彼此之間具有互動特性之多物件分割問題，根據圖形劃分(graph cut)技術，Boykov等人(Delong et al.,2009)納入不同區域間之幾何互動關係，發展一多區域架構演算法。此方法具有彈性之拓樸結構與等位函數法(level set method)之優點。Li等人(Li et al.,2006)提出圖形搜尋(graph search)演算法，用於擷取多層如地貌般之物體表面，此方法並成功應用於不同影像分析上(Yin et al.,2013；Song et al.,2010；Han et al.,；2009；Han et al.,2011)。針對每一個目標物表面，建構其相對應之幾何結構圖，且透過指定表面幾何結構圖之間的權重關係，可用於限制表面彼此之間的相對應位置。相較於傳統的圖形劃分演算法(Delong et al.,2009)，此方法(Li et al.,2006)不需要額外的人為介入，且可容易地納入形態先驗知識(shape prior information)(Song et al.,2010)。但是，此方法主要的缺點為無法處理拓樸形狀過於複雜之區域。
本發明之目的為提供一種影像處理方法，其包含以下步驟：(a)取得具有複數個像素之一第一影像；(b)以複數個不同定義之像素相近標準歸類該複數個像素，而得到依該不同定義之像素相近標準之複數種第二影像；以及(c)自該複數種第二影像選取最佳之一種第二影像。
本發明之另一目的為提供一種影像處理方法，其包含以下步
驟：(a)取得具有複數個像素之一第一影像；(b)以複數個不同定義之像素相近標準歸類該複數個像素，而得到依該不同定義之像素相近標準之複數種第二影像；(c)自該複數種第二影像選取最佳之一種第二影像；以及(d)對該最佳第二影像的複數個像素相近區域的一邊界進行一最佳劃分，以得到一結果影像。
本發明之又一目的為提供一種影像處理系統，其包含：一攝影單元，用以取得具有複數個像素之一第一影像；以及一運算單元，用以以複數個不同定義之像素相近標準歸類該複數個像素，而得到依該不同定義之像素相近標準之複數種第二影像，自該複數種第二影像選取最佳之一種第二影像，對該最佳第二影像的複數個像素相近區域的一邊界進行一最佳劃分，以得到一結果影像。
本發明之再一目的為提供一種判定一特定之點對座落何區之方法，包括：確定該特定之點對疑似所分別或共同歸屬之一第一區及一第二區；於該第一區選定一第一點；於該第二區選定一第二點；自該第一點途經該點對，以各種途徑循一成本函數前往該第二點，而取得任兩點間之複數個成本為零之路徑；以及以一線連結各該成本為零之路徑，並以各該點對之一是否與該第一點或該第二點同側，而決定該各一點對應歸屬於該第一或第二區。
(a)‧‧‧取得具有複數個像素之一第一影像
(b)‧‧‧以複數個不同定義之像素相近標準歸類該複數個像素，而得到依該不同定義之像素相近標準之複數種第二影像
(c)‧‧‧自該複數種第二影像選取最佳之一種第二影像
(d)‧‧‧對該最佳第二影像的複數個像素相近區域的一邊界進行一最佳劃分，以得到一結果影像
a1、a2‧‧‧像素端點
第一圖係本發明之實施例之影像處理方法的架構流程圖。
第二圖係本發明之實施例之不同級別的階層分割結果。
第三圖係本發明之實施例之最佳劃分之邊界劃分流程。
第四圖係本發明之實施例與其他演算法結果之比較，第四(a)圖係專家手繪結果(紅色：實質區域；黃色：毛玻璃區域)；第四(b)圖係隨機走路再啟動法(Random walks with restart)；第四(c)圖係非參數高階學習技術法(nonparametric higher-order learning technique)；第四(d)圖係本發明之影像處理方法。
以下敘述本發明之一較佳實施例之影像處理方法，本發明之特點及功效在參考下列實施例後將可清楚的呈現。
本實施例可應用於區分肺部腫瘤電腦斷層掃描影像之實質與毛玻璃區域。請參閱第一圖，在本實施例中，首先，在步驟(a)中，以攝影單元(例如攝影機、照相機等裝置)來取得具有複數個像素之一第一影像，該第一影像為例如一肺部腫瘤電腦斷層掃描影像。
然後，以運算單元，例如電腦、運算器等運算裝置進行以下各種形式的運算。令I為所觀察的影像，含有|I|個像素，每個像素都由R、G、B三原色所組成，影像為24-bit，每個顏色各為8-bit，I*代表觀察影像I的真實影像，每一個像素皆可由I的R、G、B所建構而成，I*中符合最佳結果之統計區域須滿足同質性，即位於任意一個統計區域內的任何像素需要擁有相同的期望值，然而鄰近統計區域的期望值至少要有一個以上的色彩頻道彼此相異。
接著，在步驟(b)中，令SI
為該第一影像中所有像素與其四連通(4-cornexity)鄰近像素成對組合的集合，該SI
中的元素：像素成對組合為
(p,p')，其中p和p'為該第一影像中的像素，R(p)代表像素p所屬的區域，R(p')代表像素p'所屬的區域，藉由方程式：f(p,p')=｜p-p’｜得到該像素成對組合之一遞增順序，以該遞增順序排序該SI
的該像素成對組合，即越前面的排序相似度越高，從一相似度最高的區域開始進行一區域合併測試，該區域合併測試具有一區域合併測試定義：
其中，R和R'代表即將要被測試的兩個區域，R a
表示區域R的色彩頻道a中，所觀察到值之平均，而R| R |為區域的集合，並擁有R個像素，I為SI中之總像素個數，Q為一參數，其可為1、2、4、8、16、32、64、128......，Q值越高則分割區塊越精細，因此產生更多的區域。當R(p)≠R(p')時，測試該像素成對組合，當區域合併測試結果為“真”(true)時，則合併區域R(p)和R(p')，當進行該區域合併測試時，係透過調整不同的Q值而得到依該不同定義之像素相近標準之複數個該第二影像，即一階層分割樹，其亦可描述為不同級別(scale)的階層分割結果，本實施例之不同級別的階層分割結果見第二圖。從第二圖可知，隨著Q值增加，黃色的分割區塊越多越精細。
本實施例係藉由統計區域合併演算法(statistical region merging algorithm)得到該不同級別的階層分割結果。
接下來，在步驟(c)中，將依該不同定義之像素相近標準之複數個該第二影像並列，並依據使用者之需要，選出最佳之一種第二影像，經由經驗的累積，可減少該不同定義之像素相近標準之複數個該第二影像
的數量，並迅速的做出選擇。本實施例之最佳第二影像係為Q值等於128之第二影像。
在步驟(d)中，藉由該區域合併測試，本實施例之最佳第二影像被分割為複數個像素相近之區域，為了得到最佳第二影像中不同區域間以及物件和背景間更適當的邊界，本實施例對該最佳第二影像的複數個像素相近區域的邊界以及物件和背景間的邊界進行一最佳劃分。
請參閱第三圖，該最佳劃分之方法如下：
在該最佳第二影像中選定複數個物件及背景端點對，該物件及背景端點對由一物件端點(Source,S)及一背景端點(Sink,T)所組成，該物件端點及該背景端點可分別位於一物件區域及一背景區域中，亦可分別位於兩個不同之像素相近之區域中。在一物件及背景端點對間選定一或複數個像素端點對，尋找從該物件端點經該像素端點對之一其中一像素端點至該背景端點間之一途徑，該途徑之隣近端點間具有一邊，計算該邊及該途徑之一成本函數，定義該成本函數E(x)=ΣCiXi+ΣCijXi(1-Xj)，其中Ci為該其中一像素端點的權重值，Cij為該邊的不連續性權重值，該些權重值定義如下。
其中，
如第三(a)圖所示，選定一物件端點及一背景端點，在該物件及背景端點對間選定一像素端點對a1及a2，並計算出物件端點及像素端點a1間、物件端點及像素端點a2間、像素端點a1及像素端點a2間、像素端點a1及背景端點間以及像素端點a2及背景端點間該邊的成本函數。
重複尋找該途徑及計算該成本函數直到沒有新的途徑，如第三(b)圖所示，從物件端點經像素端點a1到背景端點具有一途徑，該途徑的成本函數為，而，由於會彼此抵銷而為零，故該途徑的成本函數為，且該途徑的流量為2，其中物件端點到像素端點a1的該邊成本函數等於零。同理可知，第三(c)圖中從物件端點經像素端點a2到背景端點之途徑的成本函數為5a2+0，且該途徑的流量為4，其中像素端點a2到背景端點的該邊成本函數等於零；第三(d)圖中從物件端點經像素端點a2及像素端點a1到背景端點之途徑的成本函數為，且該途徑的流量為2，其中像素端點a2到像素端點a1的該邊成本函數等於零。此時已沒有新的途徑。
接著，去除該成本函數等於零的該邊即得到該最佳劃分，如第三(e)圖所示，本實施例中成本函數等於零的該邊包括物件端點到像素端
點a1的該邊、像素端點a2到背景端點的該邊及像素端點a2到像素端點a1的該邊，劃分後像素端點a2與物件端點在同一側，像素端點a1與背景端點在同一側。
重複上述步驟，直到該最佳第二影像的不同像素相近區域間的邊界以及物件及背景間的邊界被劃分完畢。
本實施例中進行該最佳劃分係藉由圖形劃分(graph cut)的應用：最大流量最小分割演算法(max-flow min-cut theorem)。
本發明之一另一較佳實施例之影像處理方法中，像素為一灰階值或一像素強度值。
當像素為灰階值或像素強度值時，該區域合併測試具有另一區域合併測試定義：
其中，R和R'代表即將要被測試的兩個區域，表示區域R中，所觀察到灰階值或像素強度值之平均，而R| R |
為區域的集合，並擁有R個像素，I為SI
中之總像素個數，Q為一參數，其可為1、2、4、8、16、32、64、128......，Q值越高則分割區塊越精細，因此產生更多的區域。
以往在進行影像分析之分割演算法時，使用者必須指定一些點於物件輪廓邊界上，再透過根據影像梯度所制定的能量方程式，計算點和點之間符合最佳化的最佳路徑。由於必須很準確的點在目標物的邊界
上，對於使用者來說，此硬性限制的選擇變得困難許多，而且也不容易推廣到三維影像分割。本發明之影像處理方法中，物件及背景端點對可以位在任何地方，且可以很容易從二維影像推廣到三維影像分割。另外，不管種子點分佈位置如何，本發明之影像處理方法具有相當穩定且一致性的分割結果。
本發明之影像處理方法，由於物件及背景端點對與像素端點對的位置及數量係由使用者決定，因此本發明之影像處理方法和使用者間具有一互動性。
本發明之影像處理方法，由於其係在由依該不同定義之像素相近標準之複數種第二影像選取之最佳之一種第二影像選擇物件及背景端點對與像素端點對的位置及數量，該最佳之一種第二影像已依該不同定義之像素相近標準分為不同區域，因此較易選擇該端點對的位置，且可減少所選端點對的數量，因此可節省處理時間，並能得到更佳之效果。
本發明之影像處理方法另具有以下優點：(1)可同時評估肺部腫瘤電腦斷層掃描影像之毛玻璃區域所占比例及其分佈，(2)對使用者之輸入(input)較不敏感，但仍可得到高品質的分割結果，(3)在區域主要結構之電腦搜尋空間顯著減少，因此處理上更有效率。
實驗例1：本發明之實施例之影像處理方法之效能評估與分析
在實驗例1中，將本發明之影像處理方法與醫生手繪的腫瘤輪廓作比較，一共測試77張肺部電腦斷層掃描影像，分別包含47張毛玻璃區域(GGO)腫瘤與30張實質性(Solid)腫瘤電腦斷層掃描影像，將本發明之影
像處理方法所自動描繪出的腫瘤輪廓與醫生手繪的腫瘤輪廓作比較，主要採用Chalana等人(Chalana V et al.,1996,1997)所提出的兩種類型統計方法。第一種方法為改良式的威廉指標(Williams Index)，用來計算本演算法所產生之輪廓與醫生手繪輪廓一致性的平均的比例。第二種方法則計算本演算法所產生的輪廓落在手繪輪廓範圍內的比例。第三種與第四種方法分別為重疊區域比例(Overlapping ratio,OR)和非重疊區域比例(Difference ratio,DR)，本發明之影像處理方法之效能評估與分析方法詳述如下。
(1)威廉指標：
假設有(n+1)位手繪人員(代號從0到n)，每位人員皆需要描繪N張影像。於此代號0為本演算法所產生的輪廓，而1~n則代表專業人員手繪的輪廓。首先，定義不同手繪人員j
與j'
之間一致性的比例為P j
,j'
。因此，本發明之影像處理方法所產生之輪廓與手繪輪廓一致性的平均定義為：
而手繪之間一致性平均則定義為：
透過上面兩式，即求得威廉指標：
如果威廉指標其信賴區間的上界大於1，代表電腦所產生的腫瘤輪廓與醫師手繪腫瘤輪廓具有高度相似性。為了將此指標推廣到一般情況，將不同手繪人員j
與j'
之間一致性的比例定義為：
且D j
,j'
代表不同手繪人員j
與j'
之間不一致性：
其中，x ij
為代號j的手繪人員所描繪第i張影像的輪廓。而e
(A
,B
)表示曲線A
與B
之間的距離。假設兩條曲線皆由一群點集合所構成，即而。於是兩條曲線的平均絕對距離為：
利用上述新定義的P j
,j
'
，威廉指標將改良成：
且其95%信賴區間為：±z 0.95 se
其中，
且
而為移除影像i所重新計算的改良式威廉指標。
(2)百分比統計：
假設第k張影像經由4位手繪人員所描繪之輪廓曲線分別為O k
1
、O k
2
、O k
3
和O k
4
，而電腦所產生的輪廓曲線則為C k
。首先，計算e
(C k
,O ki
)與e
(O ki
,O kj
)，其中1 k N
且1 i
,j 4。對於每一張影像與每一個手繪人員皆計算
表示於影像k，手繪人員i所描繪的輪廓與其他手繪人員所描繪輪廓之最大距離。
因此本發明之影像處理方法所產生的輪廓落在手繪輪廓範圍內的比例之計算方式為：
如果k i
的值小於0，表示電腦所產生的輪廓與手繪人員i所描繪輪廓的距離小於手繪人員i所描繪輪廓的距離與其他手繪人員所描繪的輪廓之最大距離。
由表1-1顯示本發明之影像處理方法所描繪出的腫瘤邊緣超過80%落在醫生手繪的腫瘤邊緣內，且威廉指標的值為1.007，可知本發明之影像處理方法所產生的腫瘤輪廓與醫生手繪腫瘤輪廓具有高度相似性。另外，本發明之影像處理方法所產生的腫瘤輪廓與醫生手繪的腫瘤輪廓之重疊面積比例大於0.84，且其面積差異的比例為小於0.24。由此可知本發明之影像處理方法適用於各種不同類型的肺部電腦斷層掃描影像腫瘤之擷取，且與醫生手繪的腫瘤輪廓具有一樣的參考價值。
實驗例2：本發明之實施例與其他演算法結果之比較
如第四圖所示，實驗例2比較隨機走路再啟動法(Random walks with restart,RWR)(Kim et al.,2008)、非參數高階學習技術法(nonparametric higher-order learning technique,NHO)(Kim et al.,2010)與本發明之影像處理方法之分割結果。
第四(a)圖為專家手繪實質與毛玻璃區域之結果，可知此二區域的邊界界定並不顯著。
隨機走路再啟動法為建構於貝式(Bayesian)架構下生成之影像分割演算法模型(generative image segmentation model)。如第四(b)圖所示，隨機走路再啟動法遇到前景與背景區域對比度較低時，還是需要置入較為密集之種子點群，否則無法得到清楚的劃分。一般來說，使用者需要集中注意力來描繪整個物件輪廓，而且當遇到非常紊亂的背景區域時，其最佳解通常具有許多組，因此必須更詳細的描繪物件輪廓，如果使用者操作不慎，則必須重新選取像素，而導致使用者的不便。
如第四(c)圖所示，非參數高階學習技術法對於內部灰階分佈不一致的病灶，過少的種子點資訊仍舊無法讓非參數高階學習技術法達到精確的分割結果。
如第四(d)圖所示，本發明之影像處理方法結合不同級別的階層分割結果與圖形劃分之優點，劃分出更趨近於人類視覺效果之肺腫瘤輪廓輪廓邊緣，亦即，本發明之影像處理方法可擷取完整的肺部腫瘤區域，
並進一步區分實質與毛玻璃之區域。
實施例：
1.一種影像處理方法，其包含以下步驟：(a)取得具有複數個像素之一第一影像；(b)以複數個不同定義之像素相近標準歸類該複數個像素，而得到依該不同定義之像素相近標準之複數種第二影像；(c)自該複數種第二影像選取最佳之一種第二影像；以及(d)對該最佳第二影像的複數個像素相近區域的一邊界進行一最佳劃分，以得到一結果影像。
2.根據實施例1所述之方法，其中SI為該第一影像中所有四連通鄰近像素成對組合的集合，該SI中所有像素成對組合為(p,p')，其中p和p'為該第一影像中的像素，R(p)代表像素p所屬的區域，R(p')代表像素p'所屬的區域，且該(b)步驟更包括下列之步驟：(b1)以一遞增順序排序該SI
的該像素成對組合，從一相似度較高的區域開始進行一區域合併測試，當R(p)≠R(p')時，測試該像素成對組合，當一測試結果為“真”(true)時，則合併區域R(p)和R(p')，其中當進行該區域合併測試時，係透過調整不同的參數值，而得到依該不同定義之像素相近標準之複數個該第二影像。
3.根據實施例1所述之方法，其中該(d)步驟更包括下列之步驟：(d1)在該第二影像中選定複數個物件及背景端點對，該物件及背景端點對由一物件端點及一背景端點所組成，在一物件及背景端點對間選定一像素
端點對，尋找從該物件端點經該像素端點對其中之一至該背景端點間之一途徑，該途徑之隣近端點間具有一邊，計算該邊及該途徑之一成本函數，重複尋找該途徑及計算該成本函數直到沒有新的途徑，去除該成本函數等於零的該邊即得到該最佳劃分；(d2)重複(d1)步驟，直到該第二影像的物件及背景之邊界被劃分完畢。
4.根據實施例1所述之方法，其中該方法係運用於一內臟，該內臟係選自由一心臟、一肺部、一胃部、一大腸、一小腸、一脾臟、一肝臟及一腎臟所組成之群組；該第一影像係選自由一電腦斷層掃描影像、一核磁共振攝影影像、一正子放射斷層掃描、一單光子放射斷層掃描及其組合所組成的群組；該第一影像係一二維空間影像或一三維空間影像。
5.根據實施例4所述之方法，其中該電腦斷層掃描影像為一肺部腫瘤電腦斷層掃描影像，應用於區分該肺部腫瘤電腦斷層掃描影像之一實質區域與一毛玻璃區域。
6.一種影像處理系統，其包含：一攝影單元，用以取得具有複數個像素之一第一影像；以及一運算單元，用以以複數個不同定義之像素相近標準歸類該複數個像素，而得到依該不同定義之像素相近標準之複數種第二影像，自該複數種第二影像選取最佳之一種第二影像，對該最佳第二影像的複數個像素相近區域的一邊界進行一最佳劃分，以得到一結果影像。
7.一種影像處理方法，其包含以下步驟：(a)取得具有複數個像素之一第一影像；(b)以複數個不同定義之像素相近標準歸類該複數個像素，而得到依該
不同定義之像素相近標準之複數種第二影像；以及(c)自該複數種第二影像選取最佳之一種第二影像。
8.根據實施例7所述之方法，其中SI
為該第一影像中所有四連通鄰近像素成對組合的集合，該SI
中所有像素成對組合為(p,p')，其中p和p'為該第一影像中的像素，R(p)代表像素p所屬的區域，R(p')代表像素p'所屬的區域，且該(b)步驟更包括下列之步驟：(b1)以一遞增順序排序該SI
的該像素成對組合，從一相似度較高的區域開始進行一區域合併測試，當R(p)≠R(p')時，測試該像素成對組合，當一測試結果為“真”(true)時，則合併區域R(p)和R(p')，其中當進行該區域合併測試時，係透過調整不同的參數值，而得到依該不同定義之像素相近標準之複數個該第二影像。
9.根據實施例7所述之方法，其中該方法係運用於一內臟，該內臟係選自由一心臟、一肺部、一胃部、一大腸、一小腸、一脾臟、一肝臟及一腎臟所組成之群組；該第一影像係選自由一電腦斷層掃描影像、一核磁共振攝影影像、一正子放射斷層掃描、一單光子放射斷層掃描及其組合所組成的群組；該第一影像係一二維空間影像或一三維空間影像。
10.一種判定一特定之點對座落何區之方法，包括：確定該特定之點對疑似所分別或共同歸屬之一第一區及一第二區；於該第一區選定一第一點；於該第二區選定一第二點；自該第一點途經該點對，以各種途徑循一成本函數前往該第二點，而取得任兩點間之複數個成本為零之路徑；以及
以一線連結各該成本為零之路徑，並以各該點對之一是否與該第一點或該第二點同側，而決定該各一點對應歸屬於該第一或第二區。
是以，縱使本案已由上述之實施例所詳細敘述而可由熟悉本技藝之人士任施匠思而為諸般修飾，然皆不脫如附申請專利範圍所欲保護者。
(a)‧‧‧取得具有複數個像素之一第一影像
(b)‧‧‧以複數個不同定義之像素相近標準歸類該複數個像素，而得到依該不同定義之像素相近標準之複數種第二影像
(c)‧‧‧自該複數種第二影像選取最佳之一種第二影像
(d)‧‧‧對該最佳第二影像的複數個像素相近區域的一邊界進行一最佳劃分，以得到一結果影像
Claims (9)
- 一種影像處理方法，其包含以下步驟：(a)取得具有複數個像素之一第一影像；(b)以複數個不同定義之像素相近標準歸類該複數個像素，而得到依該不同定義之像素相近標準之複數種第二影像；(c)自該複數種第二影像選取最佳之一種第二影像；以及(d)對該最佳第二影像的複數個像素相近區域的一邊界進行一劃分，以得到一結果影像，包括下列之步驟：(d1)在該最佳第二影像中選定複數個物件及背景端點對，各該物件及背景端點對由一物件端點及一背景端點所組成，在各該物件及背景端點對之間選定一像素端點對，該像素端點對包括二像素端點，尋找從該物件端點經該二像素端點其中之一至該背景端點之間之一途徑，該途徑之鄰近端點間具有一邊，計算該邊及該途徑之一成本函數，重複尋找該途徑及計算該成本函數直到沒有新的途徑，去除該成本函數等於零的該邊即得到該劃分；以及(d2)重複(d1)步驟，直到該最佳第二影像的物件及背景之邊界被劃分完畢。
- 如申請專利範圍第1項所述之方法，其中SI為該第一影像中所有像素與其四連通鄰近像素成對組合的集合，該SI中的元素：像素成對組合為(p,p')，其中p和p'為該第一影像中的像素，R(p)代表像素p所屬的區域，R(p')代表像素p'所屬的區域，且該(b)步驟更包括下列之步驟： (b1)以一遞增順序排序該SI 的該像素成對組合，從一相似度最高的區域開始進行一區域合併測試，當R(p)≠R(p')時，測試該像素成對組合，當一測試結果為“真”(true)時，則合併區域R(p)和R(p')，其中當進行該區域合併測試時，係透過調整不同的參數Q值，而得到依該不同定義之像素相近標準之複數個該第二影像。
- 如申請專利範圍第1項所述之方法，其中該方法係運用於一內臟，該內臟係選自由一心臟、一肺部、一胃部、一大腸、一小腸、一脾臟、一肝臟及一腎臟所組成之群組；該第一影像係選自由一電腦斷層掃描影像、一核磁共振攝影影像、一正子放射斷層掃描、一單光子放射斷層掃描及其組合所組成的群組；該第一影像係一二維空間影像或一三維空間影像。
- 如申請專利範圍第3項所述之方法，其中該電腦斷層掃描影像為一肺部腫瘤電腦斷層掃描影像，應用於區分該肺部腫瘤電腦斷層掃描影像之一實質區域與一毛玻璃區域。
- 一種影像處理系統，其包含：一攝影單元，被配置用以取得具有複數個像素之一第一影像；以及一運算單元，被配置用以以複數個不同定義之像素相近標準歸類該複數個像素，而得到依該不同定義之像素相近標準之複數種第二影像，自該複數種第二影像選取最佳之一種第二影像，對該最佳第二影像的複數個像素相近區域的一邊界進行一劃分，以得到一結果影像，其中該運算單元更被配置用以：(1)在該最佳第二影像中選定複數個物件及背景端點對，各該物件及背景端點對由一物件端點及一背景端點所組成，在各該物件及背景端點對 間選定一像素端點對，該像素端點對包括二像素端點，尋找從該物件端點經該二像素端點其中之一至該背景端點之間之一途徑，該途徑之鄰近端點間具有一邊，計算該邊及該途徑之一成本函數，重複尋找該途徑及計算該成本函數直到沒有新的途徑，去除該成本函數等於零的該邊即得到該劃分；以及(2)重複(1)步驟，直到該最佳第二影像的物件及背景之邊界被劃分完畢。
- 一種影像處理方法，其包含以下步驟：(a)取得具有複數個像素之一第一影像；(b)以複數個不同定義之像素相近標準歸類該複數個像素，而得到依該不同定義之像素相近標準之複數種第二影像；以及(c)自該複數種第二影像選取最佳之一種第二影像。
- 如申請專利範圍第6項所述之方法，其中SI 為該第一影像中所有像素與其四連通鄰近像素成對組合的集合，該SI中的元素：像素成對組合為(p,p')，其中p和p'為該第一影像中的像素，R(p)代表像素p所屬的區域，R(p')代表像素p'所屬的區域，且該(b)步驟更包括下列之步驟：(b1)以一遞增順序排序該SI的該像素成對組合，從一相似度最高的區域開始進行一區域合併測試，當R(p)≠R(p')時，測試該像素成對組合，當一測試結果為“真”(true)時，則合併區域R(p)和R(p')，其中當進行該區域合併測試時，係透過調整不同的參數Q值，而得到依該不同定義之像素相近標準之複數個該第二影像。
- 如申請專利範圍第6項所述之方法，其中該方法係運用於一內臟，該內 臟係選自由一心臟、一肺部、一胃部、一大腸、一小腸、一脾臟、一肝臟及一腎臟所組成之群組；該第一影像係選自由一電腦斷層掃描影像、一核磁共振攝影影像、一正子放射斷層掃描、一單光子放射斷層掃描及其組合所組成的群組；該第一影像係一二維空間影像或一三維空間影像。
- 一種判定一影像中一特定之點對座落何區之方法，包括：將該影像區分出該特定之點對所分別歸屬或共同歸屬之一第一區及一第二區；於該第一區選定一第一點；於該第二區選定一第二點；自該第一點途經該點對，以各種途徑循一成本函數前往該第二點，而取得任兩點間之複數個成本為零之路徑；以及以一線連結各該成本為零之路徑，並以各該點對之一是否與該第一點或該第二點同側，而決定該各一點對應歸屬於該第一或第二區。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW102133053A TWI514328B (zh) | 2013-09-12 | 2013-09-12 | 影像處理方法及影像處理系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW102133053A TWI514328B (zh) | 2013-09-12 | 2013-09-12 | 影像處理方法及影像處理系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201510941A TW201510941A (zh) | 2015-03-16 |
| TWI514328B true TWI514328B (zh) | 2015-12-21 |
Family
ID=53186780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW102133053A TWI514328B (zh) | 2013-09-12 | 2013-09-12 | 影像處理方法及影像處理系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI514328B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11806184B2 (en) | 2020-04-13 | 2023-11-07 | Delta Electronics, Inc. | Method for gating in tomographic imaging system |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200731954A (en) * | 2006-02-23 | 2007-09-01 | Chung-Ming Chen | Shape-detecting method and system thereof for a image of a tumor |
| CN101859441A (zh) * | 2010-05-25 | 2010-10-13 | 中国人民解放军第四军医大学 | 基于影像的无创监测肿瘤浸润周围组织程度的计算机辅助分析方法 |
| US20110116606A1 (en) * | 2004-04-26 | 2011-05-19 | Yankelevitz David F | Medical imaging system for accurate measurement evaluation of changes |
| TW201126361A (en) * | 2010-01-25 | 2011-08-01 | Amcad Biomed Corp | Method for retrieving a tumor contour of an image processing system |
-
2013
- 2013-09-12 TW TW102133053A patent/TWI514328B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110116606A1 (en) * | 2004-04-26 | 2011-05-19 | Yankelevitz David F | Medical imaging system for accurate measurement evaluation of changes |
| TW200731954A (en) * | 2006-02-23 | 2007-09-01 | Chung-Ming Chen | Shape-detecting method and system thereof for a image of a tumor |
| TW201126361A (en) * | 2010-01-25 | 2011-08-01 | Amcad Biomed Corp | Method for retrieving a tumor contour of an image processing system |
| CN101859441A (zh) * | 2010-05-25 | 2010-10-13 | 中国人民解放军第四军医大学 | 基于影像的无创监测肿瘤浸润周围组织程度的计算机辅助分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王舒韻,"結合電腦斷層掃描之兩階段Tl-201單光子斷層掃描之肺部腫瘤電腦輔助診斷"，國立中正大學資訊工程所碩士論文，2005 http://handle.ncl.edu.tw/11296/ndltd/18585175302181031207 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11806184B2 (en) | 2020-04-13 | 2023-11-07 | Delta Electronics, Inc. | Method for gating in tomographic imaging system |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201510941A (zh) | 2015-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zheng et al. | Automatic pulmonary nodule detection in CT scans using convolutional neural networks based on maximum intensity projection | |
| Singadkar et al. | Deep deconvolutional residual network based automatic lung nodule segmentation | |
| Banerjee et al. | Automated 3D segmentation of brain tumor using visual saliency | |
| US10813614B2 (en) | Systems and methods for automated analysis of heterotopic ossification in 3D images | |
| Song et al. | Hybrid segmentation of mass in mammograms using template matching and dynamic programming | |
| CN105389821B (zh) | 一种基于云模型和图割相结合的医学图像分割方法 | |
| CN116188423B (zh) | 基于病理切片高光谱图像的超像素稀疏解混检测方法 | |
| Suji et al. | Optical flow methods for lung nodule segmentation on LIDC-IDRI images | |
| Dafni Rose et al. | Lung cancer diagnosis based on image fusion and prediction using CT and PET image | |
| Hoogi et al. | A fully-automated pipeline for detection and segmentation of liver lesions and pathological lymph nodes | |
| Kaushik et al. | Medical image segmentation using genetic algorithm | |
| Wu et al. | Rcnn-slicenet: A slice and cluster approach for nuclei centroid detection in three-dimensional fluorescence microscopy images | |
| Eskandarian et al. | Computer-aided detection of Pulmonary Nodules based on SVM in thoracic CT images | |
| Fang et al. | Supervoxel-based brain tumor segmentation with multimodal MRI images | |
| Li et al. | Rib suppression in chest radiographs for lung nodule enhancement | |
| Dong et al. | An improved supervoxel 3D region growing method based on PET/CT multimodal data for segmentation and reconstruction of GGNs | |
| Zhou et al. | HAUNet-3D: a novel hierarchical attention 3D UNet for lung nodule segmentation | |
| TWI514328B (zh) | 影像處理方法及影像處理系統 | |
| Basavanhally et al. | A boosted classifier for integrating multiple fields of view: Breast cancer grading in histopathology | |
| Sheoran et al. | DKMA-ULD: domain knowledge augmented multi-head attention based robust universal lesion detection | |
| Dai et al. | Segmentation of kidneys from computed tomography using 3D fast growcut algorithm | |
| Ma et al. | Automatic nasopharyngeal carcinoma segmentation in MR images with convolutional neural networks | |
| Cabrera et al. | Segmentation of axillary and supraclavicular tumoral lymph nodes in PET/CT: A hybrid CNN/component-tree approach | |
| Preetha et al. | Firefly based region growing and region merging for image segmentation | |
| Rodrigues et al. | An image processing application for liver tumour segmentation |