CN109509186A - 基于大脑ct图像的缺血性脑卒中病灶检测方法及装置 - Google Patents
基于大脑ct图像的缺血性脑卒中病灶检测方法及装置 Download PDFInfo
- Publication number
- CN109509186A CN109509186A CN201811331278.1A CN201811331278A CN109509186A CN 109509186 A CN109509186 A CN 109509186A CN 201811331278 A CN201811331278 A CN 201811331278A CN 109509186 A CN109509186 A CN 109509186A
- Authority
- CN
- China
- Prior art keywords
- brain
- image
- pixel
- region
- gray scale
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 442
- 230000003902 lesion Effects 0.000 title claims abstract description 91
- 206010008092 Cerebral artery thrombosis Diseases 0.000 title claims abstract description 72
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 67
- 210000003625 skull Anatomy 0.000 claims description 84
- 238000012545 processing Methods 0.000 claims description 42
- 239000000126 substance Substances 0.000 claims description 31
- 238000004891 communication Methods 0.000 claims description 19
- 230000002708 enhancing effect Effects 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 13
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 9
- 238000002591 computed tomography Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 10
- 238000002595 magnetic resonance imaging Methods 0.000 description 10
- 230000003211 malignant effect Effects 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003628 erosive effect Effects 0.000 description 5
- 208000006011 Stroke Diseases 0.000 description 4
- 238000003702 image correction Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 208000016988 Hemorrhagic Stroke Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 208000020658 intracerebral hemorrhage Diseases 0.000 description 2
- 230000000302 ischemic effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 101100117236 Drosophila melanogaster speck gene Proteins 0.000 description 1
- 241000212346 Spermolepis Species 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002558 medical inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000004044 response 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (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
本发明实施了一种基于大脑CT图像的缺血性脑卒中病灶检测方法及装置。该方法中,对大脑CT图像进行预处理和基于区域生长法的区域生长处理,增大了病灶区域与正常大脑的图像特征的差异。然后,基于大脑的对称性,将左脑区和右脑区中的大脑图像划分为多个像素方格,并逐个对比左脑和右脑中,位置具有对称性的两个像素方格的预定图像特征的特征差异,从而可以根据该特征差异确定哪一个像素方格中包含缺血性脑卒中的病灶。通过上述步骤,实现了通过大脑CT图像有效检测缺血性脑卒中病灶的目的。
Description
技术领域
本发明涉及大脑CT图像检测技术领域,特别是涉及一种基于大脑CT图像的缺血性脑卒中病灶检测方法及装置。
背景技术
缺血性脑卒中是由于血管阻塞导致血液不能流入大脑而引起的脑组织损伤。临床多采用MRI(Magnetic Resonance Imaging,磁共振成像)进行缺血性脑卒中病灶检测以确诊脑卒中疾病。然而,脑卒中治疗的黄金时间窗为发病后4.5小时,MRI出片较慢,且设备成本高,一般医院不容易配备。因此,MRI的这些缺点,容易导致治疗时机的延误。CT(ComputedTomography,电子计算机断层扫描)作为临床中常见的医学检查手段,具有出片快,设备成本低等优点。且CT设备普及率高,一般医院都可以配备。然而,现有技术还没有实现将CT作为缺血性脑卒中的检查手段,这是因为,缺血性脑卒中的病灶在大脑CT图像中特征不明显。
发明内容
本发明实施例的目的在于提供一种基于大脑CT图像的缺血性脑卒中病灶检测方法及装置,以实现通过大脑CT图像来有效检测缺血性脑卒中病灶的目的。具体技术方案如下:
一种基于大脑CT图像的缺血性脑卒中病灶检测方法,包括:
获取大脑电子计算机断层扫描大脑CT图像;
对所述大脑CT图像进行预处理,得到预处理后的大脑CT图像,所述预处理包括:对比度增强处理,以及对预设的非关注物质的去除处理;
对所述预处理后的大脑CT图像进行基于区域生长法的区域生长处理,得到目标CT图像;
采用预定划分方式,分别将所述目标CT图像中,左脑区和右脑区对应图像区域划分为多个像素方格,每个像素方格的尺寸相同;
针对每一像素方格对,确定该像素方格对中的两个像素方格的预定图像特征的特征差异,并判断该特征差异是否符合预定的病灶存在条件,得到判断结果;其中,任一像素方格对包括位置具有对称性的两个像素方格,所述两个像素方格中,一个位于所述左脑区的图像区域,另一个位于所述右脑区的图像区域;
针对判断结果为是的每一像素方格对,按照与所述预定图像特征对应的病灶区域确定方式,从该像素方格对中,确定缺血性脑卒中病灶的图像区域所在的像素方格。
可选地,在对所述大脑CT图像进行对预设的非关注物质的去除处理之前,所述方法还包括:
从所述大脑CT图像中确定目标区域,所述目标区域为最大的像素8连通区域,和/或像素4连通区域;
确定所述目标区域的外切椭圆的中轴线;
扭转所述目标区域中的图像,使所述外切椭圆的中轴线与直角坐标系的y轴重合。
可选地,对所述大脑CT图像进行对比度增强处理,包括:
使用预设的对比度增强公式以及所述大脑CT图像的像素点的原始灰度,计算所述像素点的新灰度;
将所述大脑CT图像中所述像素点的原始灰度调整为所述新灰度;
其中,所述预设的对比度增强公式为:
其中,r为一像素点的原始灰度,m为预设的参考灰度,E为预设的对比度增强因子;T(r)为该像素点的新灰度。
可选地,对所述大脑CT图像进行对预设的非关注物质的去除处理,包括:
从所述大脑CT图像中,依次去除大脑外头骨、大脑皮肤以及大脑内头骨;
所述去除大脑外头骨包括:
基于预定的关于大脑外头骨所对应像素点的确定方式,从所述大脑CT图像中,确定大脑外头骨所对应的像素点,将大脑外头骨所对应的像素点的灰度设置为0;
所述去除大脑皮肤包括:
基于预定的关于大脑皮肤所对应像素点的确定方式,从所述大脑CT图像中,确定大脑皮肤所对应的像素点,将大脑皮肤所对应的像素点的灰度设置为0;
所述去除大脑内头骨包括:
基于预定的关于大脑内头骨所对应像素点的确定方式,从所述大脑CT图像中,确定大脑内头骨所对应的像素点,将大脑内头骨所对应的像素点的灰度设置为0。
可选地,所述对所述预处理后的大脑CT图像进行基于区域生长法的区域生长处理,包括:
统计所述预处理后的大脑CT图像中多个像素点的灰度分布数据,并根据所述灰度分布数据,生成灰度直方图;
确定所述灰度直方图中的各个波峰的灰度;
将所述预处理后的大脑CT图像中,灰度等于所述波峰的灰度的像素点作为区域生长算法的种子点;
从所确定出的种子点中,去除灰度低于预设的脑脊液灰度的种子点;
使用剩余的种子点,对所述预处理后的大脑CT图像进行区域生长。
可选地,所述统计所述预处理后的大脑CT图像中多个像素点的灰度分布数据,包括:
统计所述预处理后的大脑CT图像中,全部像素点的灰度分布数据;或者,
检测所述预处理后的大脑CT图像中的纹理线,并统计与所述纹理线相邻的所有像素点的灰度分布数据。
可选地,所述根据所述灰度分布数据,生成灰度直方图,包括:
对所述灰度分布数据进行均值滤波;
根据经过均值滤波之后的灰度分布数据,生成灰度直方图。
可选地,所述预定图像特征包括:平均灰度;
所述针对每一像素方格对,确定该像素方格对中的两个像素方格的预定图像特征的特征差异差值,并判断所确定的该特征差值是否符合与所述预定图像特征对应的病灶存在条件,得到判断结果,包括:
针对每一像素方格对,确定该像素方格对中的两个像素方格的平均灰度的灰度差值,并判断所确定的灰度差值是否超过预设的灰度差阈值,得到判断结果;
所述针对判断结果为是的每一像素方格对,按照与所述预定图像特征对应的病灶区域确定方式,从该像素方格对中,确定缺血性脑卒中病灶的图像区域所在的像素方格,包括:
针对判断结果为是的每一像素方格对,将该像素方格对中,具有较低灰度的像素方格确定为缺血性脑卒中病灶的图像区域所在的像素方格。
一种基于大脑CT图像的缺血性脑卒中病灶检测装置,包括:
大脑CT图像获取模块,用于获取大脑电子计算机断层扫描大脑CT图像;
图像预处理模块,用于对所述大脑CT图像进行预处理,得到预处理后的大脑CT图像,所述预处理包括:对比度增强处理,以及对预设的非关注物质的去除处理;
区域生长模块,用于对所述预处理后的大脑CT图像进行基于区域生长法的区域生长处理,得到目标CT图像;
图像划分模块,用于采用预定划分方式,分别将所述目标CT图像中,左脑区和右脑区对应图像区域划分为多个像素方格,每个像素方格的尺寸相同;
特征对比模块,用于针对每一像素方格对,确定该像素方格对中的两个像素方格的预定图像特征的特征差异,并判断该特征差异是否符合预定的病灶存在条件,得到判断结果;其中,任一像素方格对包括位置具有对称性的两个像素方格,所述两个像素方格中,一个位于所述左脑区的图像区域,另一个位于所述右脑区的图像区域;
目标确定模块,用于针对判断结果为是的每一像素方格对,按照与所述预定图像特征对应的病灶区域确定方式,从该像素方格对中,确定缺血性脑卒中病灶的图像区域所在的像素方格。
可选地,所述装置还包括:图像校正模块,所述图像校正模块,用于:
在对大脑CT图像进行对预设的非关注物质的去除处理之前,从所述大脑CT图像中确定目标区域,所述目标区域为最大的像素8连通区域,和/或像素4连通区域;
确定所述目标区域的外切椭圆的中轴线;
扭转所述目标区域中的图像,使所述外切椭圆的中轴线与直角坐标系的y轴重合。
可选地,所述图像预处理模块,对所述大脑CT图像进行对比度增强处理,包括:
使用预设的对比度增强公式以及所述大脑CT图像的像素点的原始灰度,计算所述像素点的新灰度;
将所述大脑CT图像中所述像素点的原始灰度调整为所述新灰度;
其中,所述预设的对比度增强公式为:
其中,r为一像素点的原始灰度,m为预设的参考灰度,E为预设的对比度增强因子;T(r)为该像素点的新灰度。
可选地,所述图像预处理模块,对所述大脑CT图像进行对预设的非关注物质的去除处理,包括:从所述大脑CT图像中,依次去除大脑外头骨、大脑皮肤以及大脑内头骨;
所述去除大脑外头骨包括:
基于预定的关于大脑外头骨所对应像素点的确定方式,从所述大脑CT图像中,确定大脑外头骨所对应的像素点,将大脑外头骨所对应的像素点的灰度设置为0;
所述去除大脑皮肤包括:
基于预定的关于大脑皮肤所对应像素点的确定方式,从所述大脑CT图像中,确定大脑皮肤所对应的像素点,将大脑皮肤所对应的像素点的灰度设置为0;
所述去除大脑内头骨包括:
基于预定的关于大脑内头骨所对应像素点的确定方式,从所述大脑CT图像中,确定大脑内头骨所对应的像素点,将大脑内头骨所对应的像素点的灰度设置为0。
可选地,所述区域生长模块,包括:
统计子模块,用于统计所述预处理后的大脑CT图像中多个像素点的灰度分布数据;
确定子模块,用于根据所述灰度分布数据,生成灰度直方图,并确定所述灰度直方图中的各个波峰的灰度;
处理子模块,用于将所述预处理后的大脑CT图像中,灰度等于所述波峰的灰度的像素点作为区域生长算法的种子点,并从所确定出的种子点中,去除灰度低于预设的脑脊液灰度的种子点;
生长子模块,用于使用剩余的种子点,对所述预处理后的大脑CT图像进行区域生长,得到目标CT图像。
可选地,所述统计子模块具体用于:
统计所述预处理后的大脑CT图像中,全部像素点的灰度分布数据;或者,
检测所述预处理后的大脑CT图像中的纹理线,并统计与所述纹理线相邻的所有像素点的灰度分布数据。
可选地,所述确定子模块根据所述灰度分布数据,生成灰度直方图,包括:
对所述灰度分布数据进行均值滤波;
根据经过均值滤波之后的灰度分布数据,生成灰度直方图。
可选地,所述预定图像特征,包括:平均灰度;
所述特征对比模块,具体用于:针对每一像素方格对,确定该像素方格对中的两个像素方格的平均灰度的灰度差值,并判断所确定的灰度差值是否超过预设的灰度差阈值,得到判断结果;
所述目标确定模块,具体用于:针对判断结果为是的每一像素方格对,将该像素方格对中,具有较低灰度的像素方格确定为缺血性脑卒中病灶的图像区域所在的像素方格。
一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一基于大脑CT图像的缺血性脑卒中病灶检测方法所述的方法步骤。
本发明实施例提供的基于大脑CT图像的缺血性脑卒中病灶检测方法,对大脑CT图像进行预处理和基于区域生长法的区域生长处理,增大了病灶区域与正常大脑的图像特征的差异。然后,基于大脑的对称性,将左脑区和右脑区中的大脑图像划分为多个像素方格,并逐个对比左脑和右脑中,位置具有对称性的两个像素方格的预定图像特征的特征差异,从而可以根据该特征差异确定缺血性脑卒中病灶的图像区域所在的像素方格。通过上述步骤,实现了通过大脑CT图像有效检测缺血性脑卒中病灶的目的。当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
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为本发明实施例提供的一种基于大脑CT图像的缺血性脑卒中病灶检测方法的流程图;
图2为将目标CT图像中,左脑区和右脑区对应图像区域划分为多个像素方格的示意图;
图3为本发明实施例提供的一种基于大脑CT图像的缺血性脑卒中病灶检测方法中,对大脑CT图像进行对比度增强处理前后的对比效果图,其中,图3(a)为对比度增强前的大脑CT图像,图3(b)为对比度增强后的大脑CT图像;
图4为本发明实施例提供的一种基于大脑CT图像的缺血性脑卒中病灶检测方法中,对大脑CT图像进行对预设的非关注物质的去除处理前后的对比效果图,其中,图4(a)为去除非关注物质前的大脑CT图像,图4(b)为去除非关注物质后的大脑CT图像;
图5为本发明实施例示例性给出的一幅灰度直方图的示意图;
图6为从大脑CT图像中检测出的缺血性脑卒中病灶的位置,与同一大脑的MRI图像中的缺血性脑卒中病灶的位置的对比图,其中,图6(a)为检测出缺血性脑卒中病灶的大脑CT图像,图6(b)为同一大脑的MRI图像;
图7为发明实施例提供的一种基于大脑CT图像的缺血性脑卒中病灶检测装置的结构示意图;
图8为发明实施例提供的电子设备的结构示意图。
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。
为了实现通过大脑CT图像来有效检测缺血性脑卒中病灶,本发明实施例提供了一种基于大脑CT图像的缺血性脑卒中病灶检测方法及装置。
首先,对本发明实施例提供了一种基于大脑CT图像的缺血性脑卒中病灶检测方法进行详细说明。
如图1所示,本发明实施例提供的一种基于大脑CT图像的缺血性脑卒中病灶检测方法,包括以下步骤:
S101:获取大脑电子计算机断层扫描大脑CT图像。
在本步骤中,获取的大脑CT图像是对一大脑使用CT设备所拍摄获得的大脑CT图像。并且,这里的大脑CT图像,并不是病患检查报告中的大脑CT图像的打印结果,而是未被打印前,可用于进行图像分析和处理的图像数据。
此外,所获取的大脑CT图像中,不仅包括病患大脑的图像区域,还可能包括病患个人信息、CT设备信息、图像标尺信息等额外信息。这些额外信息对于病灶区域检测来说,属于无用信息。因此,可以利用这些信息位置固定的特点,在这些信息所处的位置上使用蒙板将这些信息做遮盖处理,以免后续对整个大脑CT图像进行进一步处理时,这些无用信息对有用的图像信息造成干扰。当然,在这些无用信息对后续的各个操作步骤不造成干扰的前提下,去除无用信息的操作,也可以延迟执行,甚至于不执行。
S102:对大脑CT图像进行预处理,得到预处理后的大脑CT图像。
在本步骤中,对大脑CT图像的预处理包括:对比度增强处理,以及对预设的非关注物质的去除处理。
需要说明的是,肉眼之所以不能识别大脑CT图像中的缺血性脑卒中病灶,是因为人的肉眼仅能辨别4个灰度差,而大脑CT图像中,病灶区域与背景区域的灰度差值在4以内。这里,通过对比度增强处理可以增强大脑CT图像中的良性区域与病灶区域的对比度。
此外,对预设的非关注物质的去除处理,可以免去非关注物质对其所在区域中的图像的灰度均值或方差等特征造成干扰,还可以使后续对大脑CT图像进行的其他图像处理动作,仅作用于需要关注的大脑物质上。.
示例性的,本实施例中的非关注物质可以包括:大脑外头骨、大脑皮肤以及大脑内头骨中的一种或多种,当然并不局限于此。
为了方案清楚及布局清晰,后续对所述对比度增强处理和所述对预设的非关注物质的去除处理的具体实现方式进行举例介绍。
S103:对预处理后的大脑CT图像进行基于区域生长法的区域生长处理,得到目标CT图像。
需要说明的是,区域生长是一种图像分割算法,其基本思想是将具有相似性质的像素集合起来构成区域。具体的:首先对每个需要分割的区域找出一个种子像素作为生长的起点,然后将种子像素周围领域中与种子有相同或相似性质的像素合并到种子像素所在的区域中。
可以理解的是,即便是人眼不可分辨的,但大脑CT图像中,病灶区域与良性区域的像素点的灰度必然存在差异,且病灶区域与良性区域相邻的边界线,灰度与单纯的病灶区域或良性区域也存在着差异。但是,由于拍摄等原因,图像中存在一些像素点,灰度介于灰度差异明显的两方之间,对病灶区域与良性区域的甄别造成影响。因此,对预处理后的大脑CT图像进行区域生长处理,可以将这些像素点归到生长后的区域中,相应的这些像素点的灰度也变得与生长区域中的原像素点一样,不会再对对病灶区域与良性区域的甄别造成影响了。
为了方案清楚及布局清晰,后续对对预处理后的大脑CT图像进行基于区域生长法的区域生长处理,得到目标CT图像的具体实现方式进行举例介绍。
S104:采用预定划分方式,分别将目标CT图像中,左脑区和右脑区对应图像区域划分为多个像素方格。其中,每个像素方格的尺寸相同。
可以理解的是,目标CT图像中的左脑区和右脑区是以大脑中轴线来划分的,此外,左脑区和右脑区对应图像区域的划分方式可以是相同的,这样,便于后续对左脑区和右脑区中呈对称位置的两个像素方格进行比较。
在实际应用中,可以对目标CT图像中的大脑所在区域做外切矩形框,然后以大脑中轴线为对称轴,在对称轴两侧,将左脑区和右脑区对应图像区域分别划分为多个像素方格,多个像素方格呈矩形排列,且相邻的像素方格之间无缝对接。以64×64像素的像素方格为例,如图2所示,图2为将目标CT图像中,左脑区和右脑区对应图像区域划分为多个像素方格的示意图,从图2中可以看到,在大脑中轴线两侧,左脑区和右脑区对应图像区域分别被划分为15个64×64像素的像素方格,这些像素方格呈矩形排列,且相邻的像素方格之间无缝对接。
这里,将左脑区和右脑区对应图像区域进行划分的像素方格的数量,可以结合实际应用设定,如只需从目标CT图像中,确认病灶的大致所在区域,可以将划分数量设置的少一些。如需从目标CT图像中,精确的判断病灶所在的具体区域,则可以将划分数量设置的多一些。
S105:针对每一像素方格对,确定该像素方格对中的两个像素方格的预定图像特征的特征差异,并判断该特征差异是否符合预定的病灶存在条件,得到判断结果。
其中,任一像素方格对包括位置具有对称性的两个像素方格,且两个像素方格中,一个位于所述左脑区的图像区域,另一个位于所述右脑区的图像区域。示例性的,如图2所示,像素方格a与像素方格a’即是一个像素方格对。
此外,预定的图像特征可以包括图像的灰度特征、颜色特征、纹理特征、形状特征和空间关系特征等。此外,预定的图像特征还可以是从这些特征中所提取出来的具体特征。使用灰度特征来举例说明,预定的图像特征可以是灰度值、灰度最小值、灰度最大值、灰度均值、灰度分级个数,以及灰度直方图等等。
在实际应用中,划分像素方格的划分线可能是浮于目标CT图像之上的,而划分线下方的目标CT图像还是一个完整图像,这给定位每一个像素方格,并分析其图像特征带来了不便,因此,在分析每个像素方格的图像特征时,可以针对每个像素方格设置与该像素方格所对应的蒙板,该蒙板将遮盖住该像素方格以外的全部其他像素方格,便于对每个像素方格逐个分析图像特征。
S106:针对判断结果为是的每一像素方格对,按照与所述预定图像特征对应的病灶区域确定方式,从该像素方格对中,确定缺血性脑卒中病灶的图像区域所在的像素方格。
可以理解的是,大脑的左脑区和右脑区在正常情况下是对称的,相应的,左脑区和右脑区在大脑CT图像中看起来也是对称的,图像特征虽有微小差异,但差异并不会很大。当一边的大脑产生病变,相应的产生病灶后,病灶与对称区域的正常大脑在大脑CT图像中的图像特征的差异会很明显。因此,可以基于预定病灶存在条件,从各个对称像素方格对中,确认缺血性脑卒中病灶的图像区域所在的像素方格对,并从该像素方格对中,确定缺血性脑卒中病灶的图像区域所在的像素方格。
本发明实施例提供的基于大脑CT图像的缺血性脑卒中病灶检测方法,对大脑CT图像进行预处理和基于区域生长法的区域生长处理,增大了病灶区域与正常大脑的灰度的差异。然后,基于大脑的对称性,将左脑区和右脑区中的大脑图像划分为多个像素方格,并逐个对比左脑和右脑中,位置具有对称性的两个像素方格的预定图像特征的特征差异,从而可以根据该特征差异确定缺血性脑卒中病灶的图像区域所在的像素方格。通过上述步骤,实现了通过大脑CT图像有效检测缺血性脑卒中病灶。
可选地,为了提高检测的准确性,在对大脑CT图像进行对预设的非关注物质的去除处理之前,本发明实施例所提供的方法还可以包括:
从大脑CT图像中确定目标区域,其中,目标区域为最大的像素8连通区域,和/或像素4连通区域;
确定目标区域的外切椭圆的中轴线;扭转目标区域中的图像,使外切椭圆的中轴线与直角坐标系的y轴重合。
在实际应用中,拍摄大脑CT图像时,病患的头部可能会倾斜,从而拍摄获得的大脑CT图像中,病患的大脑在大脑CT图像中看起来也是倾斜的。这样,给后续划分像素方格带来不便,进而影响检测的准确性。针对这种情况,可以对大脑CT图像中倾斜的大脑进行角度校正,使大脑中轴线与直角坐标系的y轴重合。其中,该直角坐标系为该大脑CT图像对应的二维坐标系。
具体的,可以识别大脑CT图像中最大的像素8连通区域作为目标区域,然后对该目标区域作外切椭圆,此时,外切椭圆的长轴即是大脑中轴线,接着,计算外切椭圆的长轴与直角坐标系y轴的夹角,并将大脑所在区域向y轴方向旋转相应的角度,就可以使大脑中轴线与直角坐标系的y轴重合。当然,这一角度校正的步骤,可以在获取拍摄的大脑CT图像时就进行,也可以在划分像素方格之前的任一操作步骤之间进行。
这里,最大的像素8连通区域是指该区域是由多个像素8连通组成的。其中,一个像素8连通由一个像素点和其上、下、左、右、左上、右上、左下、右下相邻的8个像素点共同组成。需要说明的是,每个像素8连通中的9个像素点,灰度均不为0。
在其他实施例中,也可以在将目标CT图像中,左脑区和右脑区对应图像区域划分为多个像素方格之前,再执行角度校正的操作。由于此时大脑所在区域中,大脑内头骨已经被删除,对应的像素点灰度已经为0,识别最大的像素8连通区域的方法不再适用,因此,可以借由人工选定目标区域,进而调整目标CT图像中倾斜的大脑的角度。
可选地,对大脑CT图像进行对比度增强处理,可以包括:
使用预设的对比度增强公式以及大脑CT图像的像素点的原始灰度,计算像素点的新灰度;
将大脑CT图像中像素点的原始灰度调整为新灰度。
这里,预设的对比度增强公式可以使用下述公式:
该公式中,r为一像素点的原始灰度,m为预设的参考灰度,E为预设的对比度增强因子;T(r)为该像素点的新灰度。
示例性的,在一种实施方式中,m可以取128,E可以取4,当然并不局限于此。
当m取128,E取4时,将大脑CT图像进行对比度增强处理前后的对比效果图可以参见图3,其中,图3(a)为对比度增强前的大脑CT图像,图3(b)为对比度增强后的大脑CT图像;从图3中可以看到,图3(a)与图3(b)相比,图3(b)的对比度明显增强。
可选地,对大脑CT图像进行对预设的非关注物质的去除处理,可以包括:从所述大脑CT图像中,依次去除大脑外头骨、大脑皮肤以及大脑内头骨。
其中,去除大脑外头骨可以包括:基于预定的关于大脑外头骨所对应像素点的确定方式,从大脑CT图像中,确定大脑外头骨所对应的像素点,将大脑外头骨所对应的像素点的灰度设置为0。
在一种实施方式中,可以将大脑CT图像中,灰度大于预设的第一参考灰度的像素点确定为大脑外头骨所对应的像素点,相应的,将这些像素点的灰度设置为0,就可以达到去除大脑外头骨的效果。
示例性的,第一参考灰度可以为200,当然并不局限于此。任何根据一阈值或一阈值范围来确定大脑外头骨所对应的像素点的方式,均属于本发明的保护范围。
其中,去除大脑皮肤可以包括:基于预定的关于大脑皮肤所对应像素点的确定方式,从大脑CT图像中,确定大脑皮肤所对应的像素点,将大脑皮肤所对应的像素点的灰度设置为0。
在一种实施方式中,可以考虑大脑皮肤很薄这一特点,针对大脑CT图像中的每个像素点,判断该像素点的上、下、左和右四个方向上是否均存在预设数量个像素点,如果四个方向都存在预设数量个像素点,则统计每一方向上的预设数量个像素点中,灰度为0的像素点的数量,如果任一方向上统计的数量大于预设的数量阈值,则将该位于中心点的像素点确定为大脑皮肤所对应的像素点。示例性的,判断该像素点的上、下、左和右四个方向上是否均存在预设数量个像素点,可以包括:以该像素点为一个十字的中心,在十字的四个延伸方向上判断是否均存在预设数量个像素点。
可以理解的是,在大脑CT图像中,除了位于中间的大脑区域外,靠近图像边缘的像素点,也是具有灰度的,这些靠近图像边缘的像素点,在其上、下、左和右四个方向上,必然有一个或两个方向,不存在像素点或者不存在预设数量个像素点。因此,判断像素点的上、下、左和右四个方向上是否均存在预设数量个像素点,可以保证满足条件的像素点,至少是位于中间的大脑区域上的。
另外,大脑皮肤位于大脑外头骨的外侧,大脑皮肤的外侧就超出大脑所在的区域了,大脑外侧区域的像素点的灰度通常为0。因此,统计像素点上、下、左和右四个方向的每个方向上,预设数量个像素点中灰度为0的像素点的数量,可以保证满足条件的像素点,就是大脑皮肤所对应的像素点。
示例性的,在一个具体的实施方式中,可以针对大脑CT图像中的每个像素点,判断该像素点的上、下、左和右四个方向上是否均存在20个像素点。如果任何一个方向有大于等于10个像素点的灰度为0,则确定位于十字中心点的这个像素点为大脑皮肤所对应的像素点,然后,将其灰度设置为0,就可以达到去除大脑皮肤的效果。当然,预设的像素点的数量和数量阈值并不仅局限于此。
上述去除大脑外头骨和去除大脑皮肤的实施例,执行的顺序可以不分先后。此外,在其他实施例中,也可以在确定并去除了大脑外头骨之后,再去除大脑皮肤。这样,可以在确定并删除了大脑外头骨所对应的像素点之后,根据确定的大脑外头骨的像素点的坐标,直接将大脑外头骨形成的不规则环形之外的全部像素点的灰度设置为0,这其中,就包括了大脑皮肤所对应的像素点。
所述去除非关注物质中,去除大脑内头骨,可以包括:基于预定的关于大脑内头骨所对应像素点的确定方式,从大脑CT图像中,确定大脑内头骨所对应的像素点,将大脑内头骨所对应的像素点的灰度设置为0。
在一种实施方式中,可以针对所述大脑CT图像中的每个像素点,判断该像素点的灰度是否大于预设的第二参考灰度。这是因为大脑内头骨在大脑CT图像中显示为高亮斑点,这些高亮斑点具有特定的灰度,因此,可以用设置一个阈值的方式来判断大脑CT图像中的像素点是否为大脑内头骨。
如果该像素点的灰度大于预设的第二参考灰度,则确定该像素点为大脑内头骨所对应的像素点;
如果该像素点的灰度不大于预设的第二参考灰度,则将该像素点的灰度减去一基准灰度,得到差值,判断差值是否大于预设的差值阈值,如果大于,确定该像素点为大脑内头骨所对应的像素点。其中,任一像素点对应的基准灰度可以为:与该像素点相邻的8个像素点的灰度的平均值,或者,与该像素点相邻的8个像素点的灰度的最大值。
确定了大脑内头骨所对应的像素点之后,将大脑内头骨所对应的像素点的灰度设置为0,就可以达到从大脑CT图像中去除大脑内头骨的效果。
此外,在从大脑CT图像中去除大脑内头骨时,也可以采用图像腐蚀的方法对大脑CT图像进行图像腐蚀。具体的,对于大脑CT图像中的任意一个像素点,选取包含其在内的长2像素宽2像素的图像窗,然后将图像窗中的4个像素点中,灰度最小的那个像素点的灰度赋值给该像素点。在其他实施例中,还可以在去除大脑内头骨之前,先对大脑CT图像进行各向异性滤波,去除噪声点之后,再使用图像腐蚀去除大脑内头骨所形成的高亮斑点。
对大脑CT图像进行对预设的非关注物质的去除处理后的效果可以参见图4,图4为本发明实施例提供的一种基于大脑CT图像的缺血性脑卒中病灶检测方法中,对大脑CT图像进行对预设的非关注物质的去除处理前后的对比效果图,其中,图4(a)为去除非关注物质前的大脑CT图像,图4(b)为去除非关注物质后的大脑CT图像。
可选地,对预处理后的大脑CT图像进行基于区域生长法的区域生长处理,可以包括:
统计预处理后的大脑CT图像中多个像素点的灰度分布数据,并根据灰度分布数据,生成灰度直方图;
确定灰度直方图中的各个波峰的灰度;
将预处理后的大脑CT图像中,灰度等于波峰的灰度的像素点作为区域生长算法的种子点;
从所确定出的种子点中,去除灰度低于预设的脑脊液灰度的种子点;
使用剩余的种子点,对预处理后的大脑CT图像进行区域生长。
其中,灰度分布数据可以是大脑CT图像中,多个灰度值所对应的像素点的个数,例如:灰度为a1的像素点数量为N1个,灰度为a2的像素点数量为N2个,等等。根据该灰度分布数据生成的灰度直方图可以如图5所示,图5中,横轴代表灰度,纵轴代表像素点个数。
对预处理后的大脑CT图像使用区域生长算法进行区域生长之后,在灰度直方图中,原位于各个波峰附近的灰度所对应的像素点的灰度,等于波峰的灰度。从而执行区域生长后得到目标CT图像中,灰度的分级个数大大减少,仅等于原灰度直方图中,各个波峰的个数。
示例性的,在一种实施方式中,去除脑脊液所对应的种子点时,可以预设脑脊液灰度为50,相应的,灰度低于50的种子点将不作为区域生长算法的种子点被使用。当然,预设脑脊液灰度并不仅限于50。任何可将脑脊液对应的种子点与其他种子点区分开来的预设的脑脊液灰度,都属于本发明的保护范围。
可选地,统计预处理后的大脑CT图像中多个像素点的灰度分布数据,可以统计预处理后的大脑CT图像中,全部像素点的灰度分布数据;或者检测预处理后的大脑CT图像中的纹理线,并统计与纹理线相邻的所有像素点的灰度分布数据。
可以理解的是,病灶区域与良性区域所对应的大脑物质不同,相应的在大脑CT图像中,二者的交界线也会形成一定的纹理。因此,只统计与纹理线相邻的所有像素点的灰度分布数据,就可以把病灶区域与良性区域交界部分的像素点统计进来,并不会造成漏统计。这样统计的像素点的个数少,可以提高执行效率。当然,对于计算性能较强的设备而言,也可以直接统计预处理后的大脑CT图像中,全部像素点的灰度分布数据。
在实际应用中,可以使用坎尼Canny边缘检测算法,识别出预处理后的大脑CT图像中的纹理。
可选地,根据灰度分布数据,生成灰度直方图,可以包括:
对所述灰度分布数据进行均值滤波;
根据经过均值滤波之后的灰度分布数据,生成灰度直方图。
可以理解的是,大脑CT图像中存在一些噪声点,这像噪声点的灰度与正常图像的灰度不仅不同,而且差异很大。如果不去除这些噪声点,生成的灰度直方图中会存在一些无用数据,或者对后续的其他操作造成干扰。因此,有必要采用均值滤波,去除这些噪声点。噪声点被去除后,该噪声点中的像素点的灰度值等于其周围8个像素点的灰度值的平均值。当然,如果噪声点所带来的影响可以忽略不计,也可以不必对灰度分布数据进行均值滤波。
在实际应用中,灰度分布数据的体现形式可以是灰度直方图,因此,对灰度分布数据进行均值滤波,可以是直接对灰度直方图进行均值滤波。
可选地,预定的图像特征,可以包括:平均灰度。
相应的,针对每一像素方格对,确定该像素方格对中的两个像素方格的预定图像特征的特征差异差值,并判断所确定的该特征差值是否符合与所述预定图像特征对应的病灶存在条件,得到判断结果,可以包括:针对每一像素方格对,确定该像素方格对中的两个像素方格的平均灰度的灰度差值,并判断所确定的灰度差值是否超过预设的灰度差阈值,得到判断结果;
示例性的,任一像素方格的平均灰度,按照下述方式计算:
统计像素方格中,灰度不为0的各个像素点的目标数量,以及计算灰度不为0的各个像素点的灰度累加值;
将灰度累加值除以目标数量,得到该像素方格的平均灰度。
相应的,针对判断结果为是的每一像素方格对,按照与所述预定图像特征对应的病灶区域确定方式,从该像素方格对中,确定缺血性脑卒中病灶的图像区域所在的像素方格,可以包括:
针对判断结果为是的每一像素方格对,将该像素方格对中,具有较低灰度的像素方格确定为缺血性脑卒中病灶的图像区域所在的像素方格。
示例性的,在一种实施方式中,预设的灰度差阈值可以是8。那么,当各个像素方格对中,有一像素方格对中的两个像素方格的灰度之差超过8时,则可以确定这一对像素方格之中,包含缺血性脑卒中的病灶。
如图6所示,图6为从大脑CT图像中检测出的缺血性脑卒中病灶的位置,与同一大脑的MRI图像中的缺血性脑卒中病灶的位置对比图,其中,图6(a)为检测出缺血性脑卒中病灶的大脑CT图像,图6(a)中,每个像素方格上所标注的数字,代表用该像素方格的平均灰度减去对称的像素方格的平均灰度的差。由于像素方格对中具有较低灰度的像素方格内的图像区域中才包含缺血性脑卒中的病灶,因此,当预设的灰度差阈值为8时,图6(a)中,标注数字为-21和-8的像素方格对中,包含缺血性脑卒中的病灶。对比的,图6(b)为同一大脑的MRI图像,其中,圆圈标注的区域即是缺血性脑卒中病灶。可以看到,采用本发明实施例提供的基于大脑CT图像的缺血性脑卒中病灶检测方法,从大脑CT图像中检测出的缺血性脑卒中病灶的位置,与MRI图像中的病灶位置是相同的。
当然,在实际应用中,灰度差阈值并不局限于8,任何从各个像素方格对中确定处病灶所在区域的任一灰度差阈值,都属于本发明的保护范围。
需要说明的是,图2、图3、图4和图6所给出图像为底色为黑色的图像,当然,在具体应用中,大脑CT图像的底色并不局限于黑色。
综上所述的实施例可知,本发明实施例提供的基于大脑CT图像的缺血性脑卒中病灶检测方法,对大脑CT图像进行对比度增强处理、非关注物质的去除处理,以及基于区域生长法的区域生长处理,增大了病灶区域与正常大脑的图像特征差异,如平均灰度的差异。然后,基于大脑的对称性,将左脑区和右脑区中的大脑图像划分为多个像素方格,并逐个对比左脑和右脑中,位置具有对称性的两个像素方格的预定图像特征的特征差异,从而可以根据该特征差异确定缺血性脑卒中病灶的图像区域所在的像素方格。通过上述步骤,实现了通过大脑CT图像有效检测缺血性脑卒中病灶。
此外,本发明实施例提供的基于大脑CT图像的缺血性脑卒中病灶检测方法中,在统计大脑CT图像中多个像素点的灰度分布数据时,可以只统计与大脑CT图像中的纹理线相邻的像素点,从而相应的提升了数据统计的执行效率。
本发明实施例还提供了一种基于大脑CT图像的缺血性脑卒中病灶检测装置,如图7所示,本发明实施例提供的基于大脑CT图像的缺血性脑卒中病灶检测装置70,包括:大脑CT图像获取模块701、图像预处理模块702、区域生长模块703、图像划分模块704、特征对比模块705和目标确定模块706。其中,
大脑CT图像获取模块701,用于获取大脑电子计算机断层扫描大脑CT图像。
在实际应用中,大脑CT图像获取模块701所获取的大脑CT图像中,不仅包括病患大脑的图像区域,还可能包括病患个人信息、CT设备信息、图像标尺信息等额外信息,这些额外信息对于病灶区域检测来说,属于无用信息。因此,可以利用这些信息位置固定的特点,在这些信息所处的位置上使用蒙板将这些信息做遮盖处理,以免后续对整个大脑CT图像进行进一步处理时,这些无用信息对有用的图像信息造成干扰。当然,也可以在这些无用信息对其他各模块的正常工作造成干扰时,由被干扰的模块来执行。
图像预处理模块702,用于对大脑CT图像进行预处理,得到预处理后的大脑CT图像,预处理包括:对比度增强处理,以及对预设的非关注物质的去除处理。示例性的,非关注物质可以包括:大脑外头骨、大脑皮肤以及大脑内头骨中的一种或多种,当然并不局限于此。
区域生长模块703,用于对预处理后的大脑CT图像进行基于区域生长法的区域生长处理,得到目标CT图像。
图像划分模块704,用于采用预定划分方式,分别将目标CT图像中,左脑区和右脑区对应图像区域划分为多个像素方格,每个像素方格的尺寸相同。这里,图像划分模块704将左脑区和右脑区对应图像区域进行划分的像素方格的数量,可以结合实际应用设定,如只需从目标CT图像中,确认病灶的大致所在区域,可以将划分数量设置的少一些。如需从目标CT图像中,精确的判断病灶所在的具体区域,则可以将划分数量设置的多一些。
特征对比模块705,用于针对每一像素方格对,确定该像素方格对中的两个像素方格的预定图像特征的特征差异,并判断该特征差异是否符合预定的病灶存在条件,得到判断结果;其中,任一像素方格对包括位置具有对称性的两个像素方格,所述两个像素方格中,一个位于所述左脑区的图像区域,另一个位于所述右脑区的图像区域。
目标确定模块706,用于针对判断结果为是的每一像素方格对,按照与所述预定图像特征对应的病灶区域确定方式,从该像素方格对中,确定缺血性脑卒中病灶的图像区域所在的像素方格。
可选地,为了提高检测的准确性,装置70还可以包括:图像校正模块,图像校正模块,用于:
在对大脑CT图像进行对预设的非关注物质的去除处理之前,从大脑CT图像中确定目标区域,目标区域为最大的像素8连通区域,和/或像素4连通区域;
确定目标区域的外切椭圆的中轴线;
扭转目标区域中的图像,使外切椭圆的中轴线与直角坐标系的y轴重合。
在其他实施例中,图像校正模块也可以在图像划分模块704将目标CT图像中,左脑区和右脑区对应图像区域划分为多个像素方格之前,再执行角度校正的操作。
可选地,图像预处理模块702,对大脑CT图像进行对比度增强处理,可以包括:
使用预设的对比度增强公式以及大脑CT图像的像素点的原始灰度,计算像素点的新灰度;
将大脑CT图像中像素点的原始灰度调整为新灰度;
其中,预设的对比度增强公式为:
其中,r为一像素点的原始灰度,m为预设的参考灰度,E为预设的对比度增强因子;T(r)为该像素点的新灰度。
可选地,图像预处理模块702,对大脑CT图像进行对预设的非关注物质的去除处理,可以包括:从大脑CT图像中,依次去除大脑外头骨、大脑皮肤以及大脑内头骨;
去除大脑外头骨可以包括:
基于预定的关于大脑外头骨所对应像素点的确定方式,从大脑CT图像中,确定大脑外头骨所对应的像素点,将大脑外头骨所对应的像素点的灰度设置为0。
在一种实施方式中,可以将大脑CT图像中,灰度大于预设的第一参考灰度的像素点确定为大脑外头骨所对应的像素点,相应的,将这些像素点的灰度设置为0,就可以达到去除大脑外头骨的效果。
去除大脑皮肤可以包括:
基于预定的关于大脑皮肤所对应像素点的确定方式,从大脑CT图像中,确定大脑皮肤所对应的像素点,将大脑皮肤所对应的像素点的灰度设置为0。
在一种实施方式中,可以考虑大脑皮肤很薄这一特点,针对大脑CT图像中的每个像素点,判断该像素点的上、下、左和右四个方向上是否均存在预设数量个像素点,如果四个方向都存在预设数量个像素点,则统计每一方向上的预设数量个像素点中,灰度为0的像素点的数量,如果任一方向上统计的数量大于预设的数量阈值,则将该位于中心点的像素点确定为大脑皮肤所对应的像素点。
去除大脑内头骨可以包括:
基于预定的关于大脑内头骨所对应像素点的确定方式,从大脑CT图像中,确定大脑内头骨所对应的像素点,将大脑内头骨所对应的像素点的灰度设置为0。
在一种实施方式中,可以针对大脑CT图像中的每个像素点,判断该像素点的灰度是否大于预设的第二参考灰度,这是因为大脑内头骨在大脑CT图像中显示为高亮斑点,这些高亮斑点具有特定的灰度,因此,可以用设置一个阈值的方式来判断大脑CT图像中的像素点是否为大脑内头骨;
如果大于,则确定该像素点为大脑内头骨所对应的像素点;
如果不大于,则将该像素点的灰度减去一基准灰度,得到差值,判断差值是否大于预设的差值阈值,如果大于,确定该像素点为大脑内头骨所对应的像素点。其中,任一像素点对应的基准灰度可以为:与该像素点相邻的8个像素点的灰度的平均值,或者,与该像素点相邻的8个像素点的灰度的最大值。
确定了大脑内头骨所对应的像素点之后,将大脑内头骨所对应的像素点的灰度设置为0,就可以达到从大脑CT图像中去除大脑内头骨的效果。
此外,图像预处理模块702在从大脑CT图像中去除大脑内头骨时,也可以采用图像腐蚀的方法对大脑CT图像进行图像腐蚀。具体的,对于大脑CT图像中的任意一个像素点,选取包含其在内的长2像素宽2像素的图像窗,然后将图像窗中的4个像素点中,灰度最小的那个像素点的灰度赋值给该像素点。在其他实施例中,还可以在去除大脑内头骨之前,先对大脑CT图像进行各向异性滤波,去除噪声点之后,再使用图像腐蚀去除大脑内头骨所形成的高亮斑点。
可选地,区域生长模块703,可以包括:统计子模块、确定子模块、处理子模块,以及生长子模块,其中
统计子模块,用于统计预处理后的大脑CT图像中多个像素点的灰度分布数据;
确定子模块,用于根据灰度分布数据,生成灰度直方图,并确定灰度直方图中的各个波峰的灰度;
处理子模块,用于将预处理后的大脑CT图像中,灰度等于波峰的灰度的像素点作为区域生长算法的种子点,并从所确定出的种子点中,去除灰度低于预设的脑脊液灰度的种子点;
生长子模块,用于使用剩余的种子点,对预处理后的大脑CT图像进行区域生长。
可选地,区域生长模块703,统计预处理后的大脑CT图像中多个像素点的灰度分布数据,可以包括:
统计预处理后的大脑CT图像中,全部像素点的灰度分布数据;或者,
检测预处理后的大脑CT图像中的纹理线,并统计与纹理线相邻的所有像素点的灰度分布数据。
在实际应用中,可以使用坎尼Canny边缘检测算法,识别出预处理后的大脑CT图像中的纹理。
可选地,区域生长模块703,根据灰度分布数据,生成灰度直方图,可以包括:
对灰度分布数据进行均值滤波;
根据经过均值滤波之后的灰度分布数据,生成灰度直方图。
在实际应用中,灰度分布数据的体现形式可以是灰度直方图,因此,对灰度分布数据进行均值滤波,可以是直接对灰度直方图进行均值滤波。
可选的,预定的图像特征,可以包括:平均灰度。
相应的,特征对比模块705,可以具体用于:针对每一像素方格对,确定该像素方格对中的两个像素方格的平均灰度的灰度差值,并判断所确定的灰度差值是否超过预设的灰度差阈值,得到判断结果。
示例性的,特征对比模块705计算任一像素方格的平均灰度时,可以按照下述方式计算:
统计像素方格中,灰度不为0的各个像素点的目标数量,以及计算灰度不为0的各个像素点的灰度累加值;
将灰度累加值除以目标数量,得到该像素方格的平均灰度。
相应的,目标确定模块,可以具体用于:针对判断结果为是的每一像素方格对,将该像素方格对中,具有较低灰度的像素方格确定为缺血性脑卒中病灶的图像区域所在的像素方格。
示例性的,在一种实施方式中,预设的灰度差阈值可以是8。那么,当各个像素方格对中,有一像素方格对中的两个像素方格的灰度之差超过8时,则可以确定这一对像素方格之中,包含缺血性脑卒中的病灶。
综上的实施例可知,本发明实施例提供的基于大脑CT图像的缺血性脑卒中病灶检测装置,对大脑CT图像进行对比度增强处理、非关注物质的去除处理,以及基于区域生长法的区域生长处理,增大了病灶区域与正常大脑的图像特征差异。然后,基于大脑的对称性,将左脑区和右脑区中的大脑图像划分为多个像素方格,并逐个对比左脑和右脑中,位置具有对称性的两个像素方格的预定图像特征的特征差异,如平均灰度的差异。从而可以根据该特征差异,确定缺血性脑卒中病灶的图像区域所在的像素方格,实现了通过大脑CT图像有效检测缺血性脑卒中病灶。
此外,本发明实施例提供的基于大脑CT图像的缺血性脑卒中病灶检测装置,在统计大脑CT图像中多个像素点的灰度分布数据时,可以只统计与大脑CT图像中的纹理线相邻的像素点,从而相应的提升了数据统计的执行效率。
本发明实施例还提供了一种电子设备,如图8所示,包括处理器801、通信接口802、存储器803和通信总线804,其中,处理器801,通信接口802,存储器803通过通信总线804完成相互间的通信;
存储器803,用于存放计算机程序;
处理器801,用于执行存储器803上所存放的程序时,实现本申请实施例所提供的一种基于大脑CT图像的缺血性脑卒中病灶检测方法。其中,关于一种基于大脑CT图像的缺血性脑卒中病灶检测方法的相关步骤内容可以参见上述方法实施例的内容,在此不做赘述。
本发明实施例提供的电子设备,对大脑CT图像进行对比度增强处理、非关注物质的去除处理,以及基于区域生长法的区域生长处理,增大了病灶区域与正常大脑的图像特征差异。然后,基于大脑的对称性,将左脑区和右脑区中的大脑图像划分为多个像素方格,并逐个对比左脑和右脑中,位置具有对称性的两个像素方格的预定图像特征的特征差异,从而可以根据该特征差异,确定缺血性脑卒中病灶的图像区域所在的像素方格,实现了通过大脑CT图像有效检测缺血性脑卒中病灶。
此外,本发明实施例提供的电子设备,在统计大脑CT图像中多个像素点的灰度分布数据时,可以只统计与大脑CT图像中的纹理线相邻的像素点,从而相应的提升了数据统计的执行效率。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一基于大脑CT图像的缺血性脑卒中病灶检测方法。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置和电子设备实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。
Claims (10)
1.一种基于大脑CT图像的缺血性脑卒中病灶检测方法,其特征在于,包括:
获取大脑电子计算机断层扫描大脑CT图像;
对所述大脑CT图像进行预处理,得到预处理后的大脑CT图像,所述预处理包括:对比度增强处理,以及对预设的非关注物质的去除处理;
对所述预处理后的大脑CT图像进行基于区域生长法的区域生长处理,得到目标CT图像;
采用预定划分方式,分别将所述目标CT图像中,左脑区和右脑区对应图像区域划分为多个像素方格,每个像素方格的尺寸相同;
针对每一像素方格对,确定该像素方格对中的两个像素方格的预定图像特征的特征差异,并判断该特征差异是否符合预定的病灶存在条件,得到判断结果;其中,任一像素方格对包括位置具有对称性的两个像素方格,所述两个像素方格中,一个位于所述左脑区的图像区域,另一个位于所述右脑区的图像区域;
针对判断结果为是的每一像素方格对,按照与所述预定图像特征对应的病灶区域确定方式,从该像素方格对中,确定缺血性脑卒中病灶的图像区域所在的像素方格。
2.根据权利要求1所述的方法,其特征在于,
在对所述大脑CT图像进行对预设的非关注物质的去除处理之前,所述方法还包括:
从所述大脑CT图像中确定目标区域,所述目标区域为最大的像素8连通区域,和/或像素4连通区域;
确定所述目标区域的外切椭圆的中轴线;
扭转所述目标区域中的图像,使所述外切椭圆的中轴线与直角坐标系的y轴重合。
3.根据权利要求1或2所述的方法,其特征在于,对所述大脑CT图像进行对比度增强处理,包括:
使用预设的对比度增强公式以及所述大脑CT图像的像素点的原始灰度,计算所述像素点的新灰度;
将所述大脑CT图像中所述像素点的原始灰度调整为所述新灰度;
其中,所述预设的对比度增强公式为:
其中,r为一像素点的原始灰度,m为预设的参考灰度,E为预设的对比度增强因子;T(r)为该像素点的新灰度。
4.根据权利要求1或2所述的方法,其特征在于,对所述大脑CT图像进行对预设的非关注物质的去除处理,包括:从所述大脑CT图像中,依次去除大脑外头骨、大脑皮肤以及大脑内头骨;
所述去除大脑外头骨包括:
基于预定的关于大脑外头骨所对应像素点的确定方式,从所述大脑CT图像中,确定大脑外头骨所对应的像素点,将大脑外头骨所对应的像素点的灰度设置为0;
所述去除大脑皮肤包括:
基于预定的关于大脑皮肤所对应像素点的确定方式,从所述大脑CT图像中,确定大脑皮肤所对应的像素点,将大脑皮肤所对应的像素点的灰度设置为0;
所述去除大脑内头骨包括:
基于预定的关于大脑内头骨所对应像素点的确定方式,从所述大脑CT图像中,确定大脑内头骨所对应的像素点,将大脑内头骨所对应的像素点的灰度设置为0。
5.根据权利要求1或2所述的方法,其特征在于,
所述对所述预处理后的大脑CT图像进行基于区域生长法的区域生长处理,包括:
统计所述预处理后的大脑CT图像中多个像素点的灰度分布数据,并根据所述灰度分布数据,生成灰度直方图;
确定所述灰度直方图中的各个波峰的灰度;
将所述预处理后的大脑CT图像中,灰度等于所述波峰的灰度的像素点作为区域生长算法的种子点;
从所确定出的种子点中,去除灰度低于预设的脑脊液灰度的种子点;
使用剩余的种子点,对所述预处理后的大脑CT图像进行区域生长。
6.根据权利要求5所述的方法,其特征在于,
所述统计所述预处理后的大脑CT图像中多个像素点的灰度分布数据,包括:
统计所述预处理后的大脑CT图像中,全部像素点的灰度分布数据;或者,
检测所述预处理后的大脑CT图像中的纹理线,并统计与所述纹理线相邻的所有像素点的灰度分布数据。
7.根据权利要求5所述的方法,其特征在于,所述根据所述灰度分布数据,生成灰度直方图,包括:
对所述灰度分布数据进行均值滤波;
根据经过均值滤波之后的灰度分布数据,生成灰度直方图。
8.根据权利要求1或2所述的方法,其特征在于,所述预定图像特征包括:平均灰度;
所述针对每一像素方格对,确定该像素方格对中的两个像素方格的预定图像特征的特征差异差值,并判断所确定的该特征差值是否符合与所述预定图像特征对应的病灶存在条件,得到判断结果,包括:
针对每一像素方格对,确定该像素方格对中的两个像素方格的平均灰度的灰度差值,并判断所确定的灰度差值是否超过预设的灰度差阈值,得到判断结果;
所述针对判断结果为是的每一像素方格对,按照与所述预定图像特征对应的病灶区域确定方式,从该像素方格对中,确定缺血性脑卒中病灶的图像区域所在的像素方格,包括:
针对判断结果为是的每一像素方格对,将该像素方格对中,具有较低灰度的像素方格确定为缺血性脑卒中病灶的图像区域所在的像素方格。
9.一种基于大脑CT图像的缺血性脑卒中病灶检测装置,其特征在于,包括:
大脑CT图像获取模块,用于获取大脑电子计算机断层扫描大脑CT图像;
图像预处理模块,用于对所述大脑CT图像进行预处理,得到预处理后的大脑CT图像,所述预处理包括:对比度增强处理,以及对预设的非关注物质的去除处理;
区域生长模块,用于对所述预处理后的大脑CT图像进行基于区域生长法的区域生长处理,得到目标CT图像;
图像划分模块,用于采用预定划分方式,分别将所述目标CT图像中,左脑区和右脑区对应图像区域划分为多个像素方格,每个像素方格的尺寸相同;
特征对比模块,用于针对每一像素方格对,确定该像素方格对中的两个像素方格的预定图像特征的特征差异,并判断该特征差异是否符合预定的病灶存在条件,得到判断结果;其中,任一像素方格对包括位置具有对称性的两个像素方格,所述两个像素方格中,一个位于所述左脑区的图像区域,另一个位于所述右脑区的图像区域;
目标确定模块,用于针对判断结果为是的每一像素方格对,按照与所述预定图像特征对应的病灶区域确定方式,从该像素方格对中,确定缺血性脑卒中病灶的图像区域所在的像素方格。
10.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-8任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811331278.1A CN109509186B (zh) | 2018-11-09 | 2018-11-09 | 基于大脑ct图像的缺血性脑卒中病灶检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811331278.1A CN109509186B (zh) | 2018-11-09 | 2018-11-09 | 基于大脑ct图像的缺血性脑卒中病灶检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109509186A true CN109509186A (zh) | 2019-03-22 |
CN109509186B CN109509186B (zh) | 2020-09-18 |
Family
ID=65748005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811331278.1A Active CN109509186B (zh) | 2018-11-09 | 2018-11-09 | 基于大脑ct图像的缺血性脑卒中病灶检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109509186B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127414A (zh) * | 2019-12-19 | 2020-05-08 | 吉林大学第一医院 | 基于opencv的灌注图像判定***及方法、智能终端 |
CN111326263A (zh) * | 2020-02-03 | 2020-06-23 | 深圳安泰创新科技股份有限公司 | 标注轨迹显示方法、装置、设备及计算机可读存储介质 |
CN111968130A (zh) * | 2020-07-23 | 2020-11-20 | 沈阳东软智能医疗科技研究院有限公司 | 脑部造影图像处理方法、装置、介质及电子设备 |
CN112102233A (zh) * | 2020-08-05 | 2020-12-18 | 深圳市第二人民医院(深圳市转化医学研究院) | 基于磁共振图像脑卒中病因甄别方法、装置、设备及介质 |
WO2021078040A1 (zh) * | 2019-10-21 | 2021-04-29 | 推想医疗科技股份有限公司 | 一种病灶的定位方法及装置 |
CN113269711A (zh) * | 2021-04-06 | 2021-08-17 | 东北大学 | 脑图像的处理方法及装置、电子设备和存储介质 |
CN114418984A (zh) * | 2022-01-14 | 2022-04-29 | 汕头市超声仪器研究所股份有限公司 | 一种基于超声的人体组织对称性检测分析方法 |
CN116452464A (zh) * | 2023-06-09 | 2023-07-18 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于深度学习的胸部图像增强处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020196965A1 (en) * | 2001-06-22 | 2002-12-26 | Wallace Edward S. | Image transformation and analysis system and method |
CN105997128A (zh) * | 2016-08-03 | 2016-10-12 | 上海联影医疗科技有限公司 | 利用灌注成像识别病灶的方法及*** |
-
2018
- 2018-11-09 CN CN201811331278.1A patent/CN109509186B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020196965A1 (en) * | 2001-06-22 | 2002-12-26 | Wallace Edward S. | Image transformation and analysis system and method |
CN105997128A (zh) * | 2016-08-03 | 2016-10-12 | 上海联影医疗科技有限公司 | 利用灌注成像识别病灶的方法及*** |
Non-Patent Citations (2)
Title |
---|
MAYANK CHAWLA ETC.: ""A method for automatic detection and classification of stroke from brain CT images"", 《IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》 * |
N. MOHD SAAD ETC.: ""Fully Automated Region Growing Segmentation of Brain Lesion in Diffusion-weighted MRI"", 《IAENG INTERNATIONAL JOURNAL OF COMPUTER SCIENCE》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021078040A1 (zh) * | 2019-10-21 | 2021-04-29 | 推想医疗科技股份有限公司 | 一种病灶的定位方法及装置 |
CN111127414B (zh) * | 2019-12-19 | 2022-02-22 | 吉林大学第一医院 | 基于opencv的灌注图像判定***及方法、智能终端 |
CN111127414A (zh) * | 2019-12-19 | 2020-05-08 | 吉林大学第一医院 | 基于opencv的灌注图像判定***及方法、智能终端 |
CN111326263A (zh) * | 2020-02-03 | 2020-06-23 | 深圳安泰创新科技股份有限公司 | 标注轨迹显示方法、装置、设备及计算机可读存储介质 |
CN111326263B (zh) * | 2020-02-03 | 2023-09-29 | 深圳安泰创新科技股份有限公司 | 标注轨迹显示方法、装置、设备及计算机可读存储介质 |
CN111968130B (zh) * | 2020-07-23 | 2023-08-04 | 沈阳东软智能医疗科技研究院有限公司 | 脑部造影图像处理方法、装置、介质及电子设备 |
CN111968130A (zh) * | 2020-07-23 | 2020-11-20 | 沈阳东软智能医疗科技研究院有限公司 | 脑部造影图像处理方法、装置、介质及电子设备 |
CN112102233A (zh) * | 2020-08-05 | 2020-12-18 | 深圳市第二人民医院(深圳市转化医学研究院) | 基于磁共振图像脑卒中病因甄别方法、装置、设备及介质 |
CN112102233B (zh) * | 2020-08-05 | 2023-12-26 | 深圳市第二人民医院(深圳市转化医学研究院) | 基于磁共振图像脑卒中病因甄别方法、装置、设备及介质 |
CN113269711A (zh) * | 2021-04-06 | 2021-08-17 | 东北大学 | 脑图像的处理方法及装置、电子设备和存储介质 |
CN113269711B (zh) * | 2021-04-06 | 2024-01-09 | 东北大学 | 脑图像的处理方法及装置、电子设备和存储介质 |
CN114418984A (zh) * | 2022-01-14 | 2022-04-29 | 汕头市超声仪器研究所股份有限公司 | 一种基于超声的人体组织对称性检测分析方法 |
CN116452464A (zh) * | 2023-06-09 | 2023-07-18 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于深度学习的胸部图像增强处理方法 |
CN116452464B (zh) * | 2023-06-09 | 2023-08-22 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于深度学习的胸部图像增强处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109509186B (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109509186A (zh) | 基于大脑ct图像的缺血性脑卒中病灶检测方法及装置 | |
CA2188394C (en) | Automated method and system for computerized detection of masses and parenchymal distortions in medical images | |
EP1035508B1 (en) | Automated method and system for the segmentation of medical images | |
EP1725975B1 (en) | Method, apparatus and program for detecting an object | |
US7123761B2 (en) | Feature extracting method, subject recognizing method and image processing apparatus | |
CN113052844B (zh) | 肠道内窥镜观察视频中图像的处理方法、装置及存储介质 | |
US5615243A (en) | Identification of suspicious mass regions in mammograms | |
US7840055B2 (en) | Computer aided tube and tip detection | |
CN110610498A (zh) | 乳腺钼靶图像处理方法、***、存储介质及设备 | |
CN107437068A (zh) | 基于Gabor方向直方图和猪体毛发模式的猪个体识别方法 | |
CN107564021A (zh) | 高衰减组织的检测方法、装置及数字***x线摄影*** | |
CN111932502A (zh) | 一种角膜图像点云选取方法、***、智能终端及存储介质 | |
Hafez et al. | Using adaptive edge technique for detecting microaneurysms in fluorescein angiograms of the ocular fundus | |
CN113962938A (zh) | 图像分割方法、装置、计算机设备和可读存储介质 | |
Yadav et al. | Comparative analysis of different enhancement method on digital mammograms | |
CN117911716B (zh) | 基于机器视觉的关节炎ct影像特征提取方法 | |
CN115290038B (zh) | 面向线状障碍物的双目测距方法 | |
CN114298934B (zh) | 一种基于像素调节的面颊夹显影弱化方法、装置 | |
Gadermayr et al. | Problems in distortion corrected texture classification and the impact of scale and interpolation | |
Almola | Find edge map for medical images based on texture characteristics | |
TWI629046B (zh) | 漸進式醫學灰階影像主體分割方法 | |
JPH10108859A (ja) | 異常陰影候補の検出方法および装置 | |
Choudhari et al. | Denoising Medical Images Using Filters | |
Tremblay et al. | Integrating region and edge information for the automatic segmentation of interventional magnetic resonance images of the shoulder complex | |
Xie | On medical image filtering based on rough set theory |
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 |