TWI722297B - 醫學影像之體內邊緣偵測處理系統及其方法 - Google Patents
醫學影像之體內邊緣偵測處理系統及其方法 Download PDFInfo
- Publication number
- TWI722297B TWI722297B TW107122393A TW107122393A TWI722297B TW I722297 B TWI722297 B TW I722297B TW 107122393 A TW107122393 A TW 107122393A TW 107122393 A TW107122393 A TW 107122393A TW I722297 B TWI722297 B TW I722297B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- vivo
- edge detection
- medical
- edge
- Prior art date
Links
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一種醫學影像之體內邊緣偵測處理方法包含：提供至少一醫學體內影像，且該醫學體內影像包含數個像素；利用一邊緣偵測器進行偵測該醫學體內影像，並利用該邊緣偵測器進行計算每個該像素及其鄰接周邊像素，以獲得數個灰階反應值；將該數個灰階反應值轉換為一灰階強度影像；及將該灰階強度影像轉換為一體內二值影像，並利用該體內二值影像顯示一體內邊緣輪廓。
Description
本發明係關於一種醫學影像〔medical image〕之體內〔internal〕邊緣偵測〔edge detection〕處理系統及其方法；特別是關於一種醫學影像之體內組織〔tissue〕邊緣偵測處理系統及其方法。
習用醫學影像之骨骼偵測處理之相關技術，例如：美國專利公開第20070043290號之〝Method and apparatus for the detection of a bone fracture〞發明專利申請案，其揭示一種骨骼破裂之偵測方法及其裝置。該裝置利用骨骼上反射波進行偵測一骨骼之破裂。
承上，前述第20070043290號之該反射波之參數與一閥值進行比對，當該反射波之參數符合該閥值時，產生一第一指示，而當該反射波之參數不符合該閥值時，產生一第二指示。由於可利用該裝置進行判斷骨骼破裂偵測，因此使用者在判斷骨骼破裂上並不需要具有解讀X光影像或超音波影像之能力。
另一習用醫學骨骼影像之偵測處理之相關技術，例如：美國專利公開第20070081713號之〝Automatic bone detection in MRI images〞發明專利申請案，其揭示一種核磁共振影像之自動骨骼偵測方法。該核磁共振影像之自動骨骼偵測方法包含步驟：進行偵測及分割骨骼邊界作業，且採用自一核磁共振影像取得黑暗骨骼邊界強度資訊。
承上，前述第20070081713號之該核磁共振影像之自動骨骼偵測方法另包含步驟：接著，在進行偵測及分割骨骼邊界作業後，於一切割影像區域中進行偵測骨骼疾病作業。
另一習用醫學影像之骨骼偵測處理之相關技術，例如：美國專利公開第20160302748號之〝Method and apparatus for detection of bone structure〞發明專利申請案，其揭示一種骨骼構造之偵測方法及其裝置。該骨骼構造之偵測方法包含：自一電子電腦斷層掃瞄影像分析及分配骨架之骨骼；利用笛卡兒座標排列該骨骼之一慣性主軸；將該骨骼至少一皮質骨區域貫穿於至少一主平面，而該主平面垂直於該慣性主軸，且於每個該主平面上形成該皮質骨區域之一外輪廓線及一內輪廓線；利用一骨骼構造參數演算法在該外輪廓線之內部區域進行計算，以獲得該外輪廓線之構造參數之分佈狀態。
承上，前述第20160302748號之該骨骼構造之偵測方法另包含：在每個該主平面上沿著該外輪廓線進行計算，以獲得該外輪廓線之構造參數之分佈狀態；以沿著每個該主平面之外輪廓線進行組合該每個骨骼之構造參數之分佈狀態方式獲得該骨架之構造參數之分佈狀態，並以組合該每個骨骼之構造參數之分佈狀態方式獲得該骨架之構造參數之分佈狀態。
另一習用醫學影像之骨骼偵測處理之相關技術，例如：美國專利第6,370,223號之〝Automatic detection of bone fragments in poultry using multi-energy x-rays〞發明專利，其揭示一種家禽類骨折自動偵測方法。該家禽類骨折自動偵測方法採用多重能量X光。
承上，前述第6,370,223號之該家禽類骨折自動偵測方法採用至少二線性陣列X光偵測器，而該二線性 陣列X光偵測器設置於一輸送帶之下方，且該輸送帶設置於一家禽處理設備內。當數個多重能量X光照射於一家禽時，該二線性陣列X光偵測器可偵測X光。
另一習用醫學影像之骨骼偵測處理之相關技術，例如：美國專利第8,064,660號之〝Method and System for Detection of Bone Fractures〞發明專利，其揭示一種骨骼破裂偵測系統及其方法。該骨骼破裂偵測系統及其方法採用一數位化X光影像〔digitized x-ray image〕。
承上，前述第8,064,660號之該骨骼破裂偵測方法包含：自該數位化X光影像擷取一骨骼之一外輪廓；基於該骨骼之擷取外輪廓進行確認一感興趣區附近之一邊界框；及利用一抽樣方法將該邊界框分割形成標準化採樣網格之數個抽樣點之一預定數量，如此在不同影像中數個採樣點對應於該感興趣區之一致位置。
然而，前述美國專利公開第20070043290號申請案、第20070081713號申請案、第20160302748號申請案、美國專利第6,370,223號及第8,064,660號之醫學影像之骨骼偵測處理技術仍存在進一步改良之需求。前述美國專利申請案及美國專利僅為本發明技術背景之參考及說明目前技術發展狀態而已，其並非用以限制本發明之範圍。
有鑑於此，本發明為了滿足上述需求，其提供一種醫學影像之體內邊緣偵測處理系統及其方法，其提供至少一醫學體內影像，並將該醫學體內影像利用一邊緣偵測器進行偵測，且該邊緣偵測器具有一二次形式的矩陣或一二次型常對角矩陣，以便獲得一體內邊緣輪廓，以便大幅提升體內邊緣偵測之準確性。
本發明之主要目的係提供一種醫學影像之體內邊緣偵測處理系統及其方法，其提供至少一醫學體內影 像，並將該醫學體內影像利用一邊緣偵測器進行偵測，且該邊緣偵測器具有一二次形式的矩陣或一二次型常對角矩陣，以便獲得一體內邊緣輪廓，以達成提供準確偵測體內邊緣之目的。
為了達成上述目的，本發明較佳實施例之醫學影像之體內邊緣偵測處理方法包含：提供至少一醫學體內影像，且該醫學體內影像包含數個像素；利用一邊緣偵測器進行偵測該醫學體內影像，並利用該邊緣偵測器進行計算每個該像素及其鄰接周邊像素，以獲得數個灰階反應值；將該數個灰階反應值轉換為一灰階強度影像；及將該灰階強度影像轉換為一體內二值影像，並利用該體內二值影像顯示一體內邊緣輪廓。
本發明較佳實施例以計算每個該像素及其鄰接周邊像素之一局部強度均值及一局部訊號能量變異方式獲得每個該灰階反應值。
本發明較佳實施例之該邊緣偵測器具有一二次形式的矩陣。
本發明較佳實施例之該邊緣偵測器具有一二次型常對角架構矩陣。
本發明較佳實施例利用一基因演算法估算一上邊界值，以評估該邊緣偵測器之合適度。
本發明較佳實施例之該體內二值影像為一體內二值邏輯地圖。
為了達成上述目的，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統包含：一影像輸入單元，其提供至少一醫學體內影 像，且該醫學體內影像包含數個像素；一演算單元，其連接至該影像輸入單元，且該演算單元用以計算該醫學體內影像之像素；一邊緣偵測器，其設置於該演算單元，以便利用該邊緣偵測器進行偵測該醫學體內影像，並利用該邊緣偵測器進行計算每個該像素及其鄰接周邊像素，以獲得數個灰階反應值；及一影像輸出單元，其連接至該演算單元，且該影像輸出單元輸出一體內邊緣輪廓影像；其中將該數個灰階反應值轉換為一灰階強度影像，再將該灰階強度影像轉換為一體內二值影像，並利用該體內二值影像顯示一體內邊緣輪廓。
本發明較佳實施例以計算每個該像素及其鄰接周邊像素之一局部強度均值及一局部訊號能量變異方式獲得每個該灰階反應值。
本發明較佳實施例之該邊緣偵測器具有一二次形式的矩陣。
本發明較佳實施例之該邊緣偵測器具有一二次型常對角架構矩陣。
本發明較佳實施例利用一基因演算法估算一上邊界值，以評估該邊緣偵測器之合適度。
本發明較佳實施例之該體內二值影像為一體內二值邏輯地圖。
10‧‧‧影像輸入單元
20‧‧‧演算單元
21‧‧‧邊緣偵測器
22‧‧‧基因演算模組
30‧‧‧影像輸出單元
第1圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統之方塊圖。
第2圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理方法之流程圖。
第2A圖：本發明另一較佳實施例之醫學影像之體內邊緣偵測處理方法之流程圖。
第3圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用邊緣偵測器以基因演算法估算基因世代數與合適度之關係曲線之示意圖。
第4A圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用人體膝蓋之X光影像示意圖。
第4B圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用WL算子獲得反應值分佈之直方圖。
第5A圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用Laplacian算子以基因演算法估算基因世代數與合適度之關係曲線之示意圖。
第5B圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用Sobel算子以基因演算法估算基因世代數與合適度之關係曲線之示意圖。
第6A圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用WL算子所產生人體膝蓋內骨骼邊緣輪廓之影像示意圖。
第6B圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用Sobel算子所產生人體膝蓋內骨骼邊緣輪廓之影像示意圖。
第6C圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用Canny算子所產生人體膝蓋內骨骼邊緣輪廓之影像示意圖。
第6D圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用LoG方法所產生人體膝蓋內骨骼邊緣輪廓之影像示意圖。
第7A圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用人體腳掌之X光影像示意圖。
第7B圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用WL算子所產生人體腳掌內骨骼邊緣輪廓之影像示意圖。
第7C圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用Sobel算子所產生人體腳掌內骨骼邊緣輪廓之影像示意圖。
第7D圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用Canny算子所產生人體腳掌內骨骼邊緣輪廓之影像示意圖。
第8A圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用人體腦部電腦斷層掃描之影像示意圖。
第8B圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用WL算子所產生人體腦部斷層掃描內組織邊緣輪廓之影像示意圖。
第9A圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用人體腦部核磁共振造影之影像示意圖。
第9B圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用WL算子所產生人體腦部內核磁共振造影組織邊緣輪廓之影像示意圖。
第10A圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用人體手掌之X光灰階影像示意圖。
第10B圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用WL算子所產生人體手掌內骨骼邊緣輪廓之灰階影像示意圖。
第10C圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用WL算子所產生人體手掌內骨骼邊緣輪廓之WL邏輯地圖之影像示意圖。
第10D圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統所產生人體手掌內骨骼邊緣輪廓之Sobel 邏輯地圖之影像示意圖。
第10E圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統所產生人體手掌內骨骼邊緣輪廓之Canny邏輯地圖之影像示意圖。
第10F圖：本發明較佳實施例之醫學影像之體內邊緣偵測處理系統所產生人體手掌內骨骼邊緣輪廓之LoG邏輯地圖之影像示意圖。
為了充分瞭解本發明，於下文將例舉較佳實施例並配合所附圖式作詳細說明，且其並非用以限定本發明。
本發明較佳實施例之醫學影像之體內邊緣偵測處理系統及其方法適用於各種人體內部偵測裝置及其相關應用設備，例如：各類型居家照護〔home care〕系統、醫療器材自動控制系統〔例如：醫療檢查系統〕、遠距醫療照護系統或醫療教學系統，但其並非用以限定本發明之範圍。
第1圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統之方塊圖。請參照第1圖所示，舉例而言，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統包含一影像輸入單元〔image input unit〕10、一演算單元〔calculation unit〕20、一邊緣偵測器〔edge detector〕21及一影像輸出單元〔image output unit〕30。
請再參照第1圖所示，舉例而言，該影像輸入單元10選擇適當連接於一影像攝取裝置〔image-capturing device〕，例如：X光影像攝取裝置、X射線電腦斷層掃描〔computed tomography，CT〕影像攝取裝置、核磁共振造影〔nuclear magnetic resonance imaging，NMRI〕影像攝取裝置或其任意組合裝置。
請再參照第1圖所示，舉例而言，該演算單元 20連接至該影像輸入單元10，且該演算單元20用以計算該醫學體內影像之像素。另外，該演算單元20可選擇配於各種具計算功能之設備〔例如：各種電腦設備〔computer equipment〕，如桌上型電腦〔desktop computer〕、平板電腦〔tablet computer〕、筆記型電腦〔notebook〕、商業電腦〔commercial computer〕、工業電腦〔industrial computer〕或工作站電腦〔workstation computer〕等。
請再參照第1圖所示，舉例而言，該演算單元20亦可選擇配於各種手持裝置〔handheld device〕，例如：智慧型手機〔smart phone〕或個人數位助理〔personal digital assistance，PDA〕。本發明較佳實施例之醫學影像之體內邊緣偵測處理方法屬可利用電腦執行之程序步驟〔computer-executable process step〕。
請再參照第1圖所示，舉例而言，該邊緣偵測器21可選擇設置於該演算單元20，且該邊緣偵測器21具有一二次形式的矩陣〔quadratic form of Toeplitz matrix〕或一二次型常對角架構矩陣〔symmetricity matrix〕。另外，該邊緣偵測器21可選自一數學算子，例如：WL算子〔Wang & Lin operator〕或高通濾波器〔high-pass filter〕。
請再參照第1圖所示，舉例而言，該影像輸出單元30連接至該演算單元20。另外，該影像輸出單元30選擇另適當連接於一資料儲存裝置〔例如：電腦設備〕或一顯示器〔例如：LCD顯示器〕，以便儲存或顯示至少一個或一系列已處理影像。
第2圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理方法之流程圖，其對應於第1圖之醫學影像之體內邊緣偵測處理系統。請參照第1及2圖所示，舉例而言，本發明較佳實施例之醫學影像之體內邊緣偵測處理方法包含步驟S1：首先，利用該影像輸入單元10提供 至少一醫學體內影像〔例如：X光影像、CT影像或MRI影像〕，且該醫學體內影像包含數個像素〔pixel〕。
請再參照第1及2圖所示，舉例而言，本發明較佳實施例之醫學影像之體內邊緣偵測處理方法包含步驟S2：接著，利用該邊緣偵測器21進行偵測該醫學體內影像，並利用該邊緣偵測器21進行計算每個該像素及其鄰接周邊〔neighborhood〕像素，以便獲得數個灰階反應值〔gray-scale response value〕。
舉例而言，本發明較佳實施例選擇輸入一預定影像，而該預定影像之尺寸規格為W*H或其它尺寸規格，並在該影像之每個像素I(x,y)及其鄰接周邊像素之數量選擇為3*3像素或其它數量。
請再參照第1及2圖所示，舉例而言，本發明較佳實施例選擇以計算每個該像素及其鄰接周邊像素之一局部強度均值μ l 〔local intensity mean〕及一局部訊號能量變異ε〔local signal energy variation〕方式獲得每個該灰階反應值。本發明較佳實施例採用計算局部強度均值μ l 及局部訊號能量變異ε方程式如下：
其中N=9為規一化常數〔normalizing constant〕。
請再參照第1及2圖所示，舉例而言，本發明另一較佳實施例之醫學影像之體內邊緣偵測處理系統包含一基因演算模組〔Genetic Algorithm(GA)unit〕22，而該基因演算模組22提供一基因演算法，且該基因演算模組22選擇結合於該演算單元20。
第3圖揭示本發明較佳實施例之醫學影像之體 內邊緣偵測處理系統採用邊緣偵測器以基因演算法估算基因世代數與合適度〔fitness〕之關係曲線之示意圖。請參照第3圖所示，舉例而言，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統以基因演算法估算所獲得的合適度功能〔上邊界值，upper bound value〕為由利用WL算子所獲得的該灰階反應值之曲線。
請再參照第1及2圖所示，舉例而言，本發明較佳實施例之醫學影像之體內邊緣偵測處理方法包含步驟S3：接著，選擇以適當技術手段將該數個灰階反應值對應轉換為一灰階強度影像〔gray-scale intensity image〕，以便進行後續閥值擷取作業〔thresholding procedure〕。
第4A圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用人體膝蓋之〔原始〕X光影像示意圖。請參照第4A圖所示，舉例而言，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用人體膝蓋之側向X光影像，並選擇後續以WL算子〔第6A圖〕、Sobel算子〔第6B圖〕、Canny算子〔第6C圖〕及LoG方法〔第6D圖〕估算該人體膝蓋之側向〔lateral〕X光影像。
第4B圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用WL算子獲得反應值分佈之直方圖，其對應於第4A圖之X光影像。請參照第4A及4B圖所示，舉例而言，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用WL算子估算第4A圖之側向X光影像所獲得之反應值分佈顯示僅有最大〔maximum〕反應值發生極少量溢失〔overflow〕，其約為0.029%，因此其不會發生影像資訊扭曲〔distortion〕。
第5A圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用Laplacian算子以基因演算法估算基因世代數與合適度之關係曲線之示意圖。請參照第 4A、4B及5A圖所示，舉例而言，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統另選擇採用Laplacian算子以基因演算法估算第4A圖之側向X光影像所獲得之合適度功能，且Laplacian算子為WL算子之子集〔subset〕。
第5B圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用Sobel算子以基因演算法估算基因世代數與合適度之關係曲線之示意圖。請參照第4A、4B及5B圖所示，舉例而言，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統另選擇採用Sobel算子以基因演算法估算第4A圖之側向X光影像所獲得之合適度功能，且Sobel算子為WL算子之子集。
請再參照第1及2圖所示，舉例而言，本發明較佳實施例之醫學影像之體內邊緣偵測處理方法包含步驟S4：接著，選擇以適當技術手段將該灰階強度影像轉換為一體內二值影像，並利用該體內二值影像顯示一體內邊緣輪廓或一體內二值邏輯地圖。
請再參照第1及2圖所示，本發明較佳實施例之閥值擷取作業採用計算局部訊號能量變異ε(x,y)之總均值〔global mean〕方程式如下：
本發明較佳實施例採用閥值化〔thresholded〕影像計算方程式如下：
其中μ g 為總均值。
第2A圖揭示本發明另一較佳實施例之醫學影像之體內邊緣偵測處理方法之流程圖，其對應於第1及2圖之醫學影像之體內邊緣偵測處理系統及其方法。請參照 第1及2A圖所示，舉例而言，本發明另一較佳實施例之醫學影像之體內邊緣偵測處理方法包含步驟S1A：首先，利用該影像輸入單元10提供至少一醫學骨骼影像〔例如：X光影像、CT影像或MRI影像〕，且該醫學骨骼影像包含數個像素。
請再參照第1及2A圖所示，舉例而言，本發明另一較佳實施例之醫學影像之體內邊緣偵測處理方法包含步驟S2A：接著，利用該邊緣偵測器21進行偵測該醫學骨骼影像，並利用該邊緣偵測器進行計算每個該像素及其鄰接周邊像素，以獲得數個灰階反應值。本發明較佳實施例選擇以計算每個該像素及其鄰接周邊像素之一局部強度均值及一局部訊號能量變異方式獲得每個該灰階反應值。
請再參照第1及2A圖所示，舉例而言，本發明另一較佳實施例之醫學影像之體內邊緣偵測處理方法包含步驟S3A：接著，選擇以適當技術手段將該數個灰階反應值對應轉換為一灰階強度影像，以便進行後續閥值擷取作業。
請再參照第1及2A圖所示，舉例而言，本發明另一較佳實施例之醫學影像之體內邊緣偵測處理方法包含步驟S4A：接著，選擇以適當技術手段將該灰階強度影像轉換為一骨骼二值影像，並利用該骨骼二值影像顯示一骨骼邊緣輪廓或一骨骼二值邏輯地圖。
第6A圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用WL算子所產生人體膝蓋內骨骼邊緣輪廓之影像示意圖，其對應於第4A圖之X光影像。請參照第4A及6A圖所示，舉例而言，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用第4A圖之人體膝蓋之側向X光影像，並選擇以WL算子估算所產生該人體膝蓋之骨骼邊緣輪廓影像，且其能偵測重要物體之輪 廓，且該邊緣具有纖細〔thin〕、連續〔continuous〕及良好局部化〔well-localized〕特性。
本發明較佳實施例選擇採用WL算子之特性具有二次形式特性，並將方程式(2)改為二次形式如下：
N=9為規一化常數。
將方程式(5)之前兩項合併獲得矩陣算子 D 之轉置〔transpose〕 D t 如下：
顯然，以上方程式(7)顯示WL算子為一自適性濾波器〔adaptive filter〕。
以WL算子之方向對稱〔directional symmetricity〕形式將方程式(2)表示如下：
第6B圖揭示本發明較佳實施例之醫學影像之 體內邊緣偵測處理系統採用Sobel算子所產生人體膝蓋內骨骼邊緣輪廓之影像示意圖，其對應於第4A圖之X光影像。請參照第4A及6B圖所示，相對於WL算子，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用第4A圖之人體膝蓋之側向X光影像，並選擇以Sobel算子估算所產生另一人體膝蓋之骨骼邊緣輪廓影像，其影像破碎〔fragmented〕，且其已經損失多數的垂直要素〔vertical component〕。
第6C圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用Canny算子所產生人體膝蓋內骨骼邊緣輪廓之影像示意圖，其對應於第4A圖之X光影像。請參照第4A及6C圖所示，相對於WL算子，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用第4A圖之人體膝蓋之側向X光影像，並選擇以Canny算子估算所產生另一人體膝蓋之骨骼邊緣輪廓影像，其能顯示骨骼及肌肉組織，其影像之邊緣輪廓破碎低於Sobel算子所產生影像。
第6D圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用LoG方法所產生人體膝蓋內骨骼邊緣輪廓之影像示意圖，其對應於第4A圖之X光影像。請參照第4A及6D圖所示，相對於WL算子，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用第4A圖之人體膝蓋之側向X光影像，並選擇以LoG方法估算所產生另一人體膝蓋之骨骼邊緣輪廓影像，其能顯示骨骼及肌肉組織，其影像相似於Canny算子所產生影像。
請再參照第6A至6D圖所示，本發明較佳實施例採用WL算子所產生人體膝蓋內骨骼邊緣輪廓影像〔第6A圖〕相對於其它三個人體膝蓋內骨骼邊緣輪廓影像〔第6B至6D圖〕具有能抑制雜訊〔noise suppression〕 的優點。
第7A圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用人體腳掌之〔原始〕X光影像示意圖。請參照第7A圖所示，舉例而言，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用人體腳掌之前位〔anterior〕及後位〔posterior〕攝取之X光影像，並選擇後續以WL算子〔第7B圖〕、Sobel算子〔第7C圖〕及Canny算子〔第7D圖〕估算該人體腳掌之X光影像。
第7B圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用WL算子所產生人體腳掌內骨骼邊緣輪廓之影像示意圖，其對應於第7A圖之X光影像。請參照第7A及7B圖所示，舉例而言，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用第7A圖之人體腳掌之X光影像，並選擇以WL算子估算所產生該人體腳掌之骨骼邊緣輪廓影像，且該骨骼邊緣輪廓影像之骨骼輪廓具有顯示正確及未遺露任何小骨骼的優點。
第7C圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用Sobel算子所產生人體腳掌內骨骼邊緣輪廓之影像示意圖，其對應於第7A圖之X光影像。請參照第7A及7C圖所示，舉例而言，相對於WL算子，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用第7A圖之人體腳掌之X光影像，並選擇以Sobel算子估算所產生另一人體腳掌之骨骼邊緣輪廓影像。
第7D圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用Canny算子所產生人體腳掌內骨骼邊緣輪廓之影像示意圖，其對應於第7A圖之X光影像。請參照第7A及7D圖所示，舉例而言，相對於WL算子，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用第7A圖之人體腳掌之X光影像，並選擇以Canny 算子估算所產生另一人體腳掌之骨骼邊緣輪廓影像。
第8A圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用人體腦部電腦斷層掃描之斷層掃描影像示意圖。請參照第8A圖所示，舉例而言，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用人體腦部之電腦斷層掃描影像，並後續選擇以WL算子〔第8B圖〕估算該人體腦部之電腦斷層掃描影像。
第8B圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用WL算子所產生人體腦部斷層掃描內組織邊緣輪廓之斷層掃描影像示意圖，其對應於第8A圖之電腦斷層掃描影像。請參照第8A及8B圖所示，舉例而言，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用第8A圖之人體腦部之斷層掃描影像，並選擇以WL算子估算所產生該人體腦部之體內邊緣輪廓影像，且該體內邊緣輪廓影像之組織輪廓能清楚顯示正確定位溝〔sulcus〕及室〔vericle〕邊界的優點。
第9A圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用人體腦部核磁共振造影之縱向剖視〔sagittal view〕影像示意圖。請參照第9A圖所示，舉例而言，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用人體腦部之核磁共振影像，並後續選擇以WL算子〔第9B圖〕估算該人體腦部之核磁共振影像。
第9B圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用WL算子所產生人體腦部內核磁共振造影組織邊緣輪廓之縱向剖視影像示意圖，其對應於第9A圖之核磁共振影像。請參照第9A及9B圖所示，舉例而言，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用第9A圖之人體腦部之核磁共振影像，並選擇以WL算子估算所產生該人體腦部之體內邊緣輪廓影 像，且該體內邊緣輪廓影像之組織輪廓能清楚顯示正確定位中樞神經系統〔central nervous system〕之邊界與視神經床〔thalamus〕、腦橋〔pons〕及小腦〔cerebellum〕的優點。
第10A圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用人體手掌之〔原始〕X光灰階影像示意圖。請參照第10A圖所示，舉例而言，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用人體手掌之X光灰階影像，而該X光灰階影像具有由光害或光污染〔light contamination〕引起的背景雜訊〔background noise〕，並選擇後續以WL算子〔第10B及10C圖〕、Sobel算子〔第10D圖〕、Canny算子〔第10E圖〕及LoG方法〔第10F圖〕估算該人體手掌之X光影像。
本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用Pratt定量評價法〔Figure of Merit，FOM〕如下：
其中I I 及I A 為理想與實際邊緣地圖像素點〔ideal and actual edge map point〕，d為自實際邊緣點至理想邊緣點之距離，a為定量常數。
第10B圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用WL算子所產生人體手掌內骨骼邊緣輪廓之灰階影像示意圖，其對應於第10A圖之X光灰階影像。
第10C圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用WL算子所產生人體手掌內骨骼邊緣輪廓之WL邏輯地圖之影像示意圖，其對應於第10A及10B圖之X光灰階影像。請參照第10C圖所示，本 發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用WL算子所產生人體手掌內骨骼邊緣輪廓之WL邏輯地圖影像具有較佳的Pratt定量評價指標〔FOM〕。
第10D圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統所產生人體手掌內骨骼邊緣輪廓之Sobel邏輯地圖之影像示意圖，其對應於第10A圖之X光灰階影像。請參照第10D圖所示，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用Sobel算子所產生人體手掌內骨骼邊緣輪廓之Sobel邏輯地圖影像具有相對較低的Pratt定量評價指標〔FOM〕。
第10E圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統所產生人體手掌內骨骼邊緣輪廓之Canny邏輯地圖之影像示意圖，其對應於第10A圖之X光灰階影像。請參照第10E圖所示，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用Canny算子所產生人體手掌內骨骼邊緣輪廓之Canny邏輯地圖影像亦具有相對較低的Pratt定量評價指標〔FOM〕。
第10F圖揭示本發明較佳實施例之醫學影像之體內邊緣偵測處理系統所產生人體手掌內骨骼邊緣輪廓之LoG邏輯地圖之影像示意圖，其對應於第10A圖之X光灰階影像。請參照第10F圖所示，本發明較佳實施例之醫學影像之體內邊緣偵測處理系統採用LoG方法所產生人體手掌內骨骼邊緣輪廓之LoG邏輯地圖影像具有相對較差的Pratt定量評價指標〔FOM〕。
請再參照第10C至10F圖所示，本發明較佳實施例採用WL算子所產生的WL邏輯地圖影像〔第10C圖〕之Pratt定量評價指標〔FOM〕相對明顯高於Sobel邏輯地圖影像〔第10D圖〕、Canny邏輯地圖影像〔第10E圖〕及LoG邏輯地圖影像〔第10F圖〕。
前述較佳實施例僅舉例說明本發明及其技術特徵，該實施例之技術仍可適當進行各種實質等效修飾及/或替換方式予以實施；因此，本發明之權利範圍須視後附申請專利範圍所界定之範圍為準。
10‧‧‧影像輸入單元
20‧‧‧演算單元
21‧‧‧邊緣偵測器
22‧‧‧基因演算模組
30‧‧‧影像輸出單元
Claims (10)
- 一種醫學影像之體內邊緣偵測處理方法，其包含：提供至少一醫學體內影像，而該至少一醫學體內影像攝取自至少一人體內部，且該醫學體內影像包含數個像素；利用一邊緣偵測器進行偵測該醫學體內影像，並利用該邊緣偵測器進行計算每個該像素及其鄰接周邊像素，以獲得數個灰階反應值；將該數個灰階反應值轉換為一灰階強度影像；及將該灰階強度影像轉換為一體內二值影像，並利用該體內二值影像顯示一體內邊緣輪廓影像。
- 依申請專利範圍第1項所述之醫學影像之體內邊緣偵測處理方法，其中以計算每個該像素及其鄰接周邊像素之一局部強度均值及一局部訊號能量變異方式獲得每個該灰階反應值。
- 依申請專利範圍第1項所述之醫學影像之體內邊緣偵測處理方法，其中該邊緣偵測器具有一二次形式的矩陣或一二次型常對角架構矩陣。
- 依申請專利範圍第1項所述之醫學影像之體內邊緣偵測處理方法，其中利用一基因演算法估算一上邊界值，以評估該邊緣偵測器之合適度。
- 依申請專利範圍第1項所述之醫學影像之體內邊緣偵測處理方法，其中該體內二值影像為一體內二值邏輯地圖。
- 一種醫學影像之體內邊緣偵測處理系統，其包含：一影像輸入單元，其提供至少一醫學體內影像，而該至少一醫學體內影像攝取自至少一人體內部，且該醫學體內影像包含數個像素；一演算單元，其連接至該影像輸入單元，且該演算單元用以計算該醫學體內影像之像素；一邊緣偵測器，其設置於該演算單元，以便利用該邊緣偵測器進行偵測該醫學體內影像，並利用該邊緣偵測器進 行計算每個該像素及其鄰接周邊像素，以獲得數個灰階反應值；及一影像輸出單元，其連接至該演算單元，且該影像輸出單元輸出一體內邊緣輪廓影像；其中於該演算單元將該數個灰階反應值轉換為一灰階強度影像，再將該灰階強度影像轉換為一體內二值影像，並利用該體內二值影像顯示該體內邊緣輪廓影像。
- 依申請專利範圍第6項所述之醫學影像之體內邊緣偵測處理系統，其中以計算每個該像素及其鄰接周邊像素之一局部強度均值及一局部訊號能量變異方式獲得每個該灰階反應值。
- 依申請專利範圍第6項所述之醫學影像之體內邊緣偵測處理系統，其中該邊緣偵測器具有一二次形式的矩陣或一二次型常對角架構矩陣。
- 依申請專利範圍第6項所述之醫學影像之體內邊緣偵測處理系統，其中利用一基因演算法估算一上邊界值，以評估該邊緣偵測器之合適度，並由一基因演算模組提供該基因演算法。
- 依申請專利範圍第6項所述之醫學影像之體內邊緣偵測處理系統，其中該體內二值影像為一體內二值邏輯地圖。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW107122393A TWI722297B (zh) | 2018-06-28 | 2018-06-28 | 醫學影像之體內邊緣偵測處理系統及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW107122393A TWI722297B (zh) | 2018-06-28 | 2018-06-28 | 醫學影像之體內邊緣偵測處理系統及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202001797A TW202001797A (zh) | 2020-01-01 |
| TWI722297B true TWI722297B (zh) | 2021-03-21 |
Family
ID=69941601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW107122393A TWI722297B (zh) | 2018-06-28 | 2018-06-28 | 醫學影像之體內邊緣偵測處理系統及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI722297B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI797672B (zh) * | 2021-07-13 | 2023-04-01 | 國立成功大學 | 影像分割方法與使用此方法的電子裝置、記錄媒體以及電腦程式產品 |
| CN113888577B (zh) * | 2021-12-01 | 2022-03-15 | 暨南大学 | 一种基于鲸鱼优化算法的图像边缘检测方法、装置及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200529794A (en) * | 2004-03-03 | 2005-09-16 | Chi-Wen Hsieh | Method of automatically evaluating age of bone and skeleton via hand X-ray photograph |
| TWI525555B (zh) * | 2014-04-24 | 2016-03-11 | 友達光電股份有限公司 | 影像處理裝置及處理方法 |
| TWI613903B (zh) * | 2016-07-11 | 2018-02-01 | 龍華科技大學 | 結合小波轉換及邊緣偵測建立單張影像深度圖的裝置及其方法 |
| TW201818349A (zh) * | 2016-11-09 | 2018-05-16 | 安克生醫股份有限公司 | 細胞學影像處理裝置及細胞學影像特徵量化方法 |
-
2018
- 2018-06-28 TW TW107122393A patent/TWI722297B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200529794A (en) * | 2004-03-03 | 2005-09-16 | Chi-Wen Hsieh | Method of automatically evaluating age of bone and skeleton via hand X-ray photograph |
| TWI525555B (zh) * | 2014-04-24 | 2016-03-11 | 友達光電股份有限公司 | 影像處理裝置及處理方法 |
| TWI613903B (zh) * | 2016-07-11 | 2018-02-01 | 龍華科技大學 | 結合小波轉換及邊緣偵測建立單張影像深度圖的裝置及其方法 |
| TW201818349A (zh) * | 2016-11-09 | 2018-05-16 | 安克生醫股份有限公司 | 細胞學影像處理裝置及細胞學影像特徵量化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202001797A (zh) | 2020-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
| US9480439B2 (en) | Segmentation and fracture detection in CT images | |
| US8374414B2 (en) | Method and system for detecting ischemic stroke | |
| US9277902B2 (en) | Method and system for lesion detection in ultrasound images | |
| US8340388B2 (en) | Systems, computer-readable media, methods, and medical imaging apparatus for the automated detection of suspicious regions of interest in noise normalized X-ray medical imagery | |
| JP2013542046A (ja) | 超音波画像処理のシステムおよび方法 | |
| EP3424017B1 (en) | Automatic detection of an artifact in patient image data | |
| US20220148164A1 (en) | System and method for automatic detection of vertebral fractures on imaging scans using deep networks | |
| CN112884759B (zh) | 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置 | |
| Kumar et al. | IOT enabled Intelligent featured imaging Bone Fractured Detection System | |
| TWI722297B (zh) | 醫學影像之體內邊緣偵測處理系統及其方法 | |
| Wismüller et al. | Introducing anisotropic minkowski functionals and quantitative anisotropy measures for local structure analysis in biomedical imaging | |
| Marar et al. | Mandible bone osteoporosis detection using cone-beam computed tomography | |
| Xiao et al. | A cascade and heterogeneous neural network for CT pulmonary nodule detection and its evaluation on both phantom and patient data | |
| Lu et al. | Texture analysis based on Gabor filters improves the estimate of bone fracture risk from DXA images | |
| WO2008024359A2 (en) | Method for detection and visional enhancement of blood vessels and pulmonary emboli | |
| EP2074591B1 (en) | Methods, system and computer program product for detecting a protrusion | |
| US8116545B2 (en) | Method and system for analysis of bone density | |
| Benrabha et al. | Automatic ROI detection and classification of the achilles tendon ultrasound images | |
| JP2005080758A (ja) | 画像処理装置 | |
| CN211324950U (zh) | 用于处理乳腺数据的数据中心、终端设备和系统 | |
| CN113100823A (zh) | 一种无创脑血流检测系统 | |
| Salehi et al. | Investigation and simulation of different medical image processing algorithms to improve image quality using simulink matlab | |
| Salman et al. | Breast Cancer Classification as Malignant or Benign based on Texture Features using Multilayer Perceptron | |
| EP4186427A1 (en) | Ultrasound image analysis apparatus, ultrasound diagnostic apparatus, and control method for ultrasound image analysis apparatus |