CN111223090A - 人体肺部ct图像中肿瘤图像的识别*** - Google Patents
人体肺部ct图像中肿瘤图像的识别*** Download PDFInfo
- Publication number
- CN111223090A CN111223090A CN202010050227.2A CN202010050227A CN111223090A CN 111223090 A CN111223090 A CN 111223090A CN 202010050227 A CN202010050227 A CN 202010050227A CN 111223090 A CN111223090 A CN 111223090A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- processor
- further configured
- lung
- 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.)
- Pending
Links
- 210000004072 lung Anatomy 0.000 title claims abstract description 81
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 57
- 210000000115 thoracic cavity Anatomy 0.000 claims description 68
- 210000000038 chest Anatomy 0.000 claims description 34
- 238000001914 filtration Methods 0.000 claims description 25
- 238000009792 diffusion process Methods 0.000 claims description 11
- 230000003628 erosive effect Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 10
- 208000020816 lung neoplasm Diseases 0.000 abstract description 6
- 208000037841 lung tumor Diseases 0.000 abstract description 5
- 230000014759 maintenance of location Effects 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 32
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000013170 computed tomography imaging Methods 0.000 description 5
- 210000004204 blood vessel Anatomy 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000007670 refining Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 241000519995 Stachys sylvatica Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 210000003123 bronchiole Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 210000004177 elastic tissue Anatomy 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 230000003601 intercostal effect Effects 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 230000001926 lymphatic effect Effects 0.000 description 1
- 210000001365 lymphatic vessel Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000001370 mediastinum Anatomy 0.000 description 1
- 238000010339 medical test Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000004879 pulmonary tissue Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T2207/30061—Lung
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (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
本发明公开了一种人体肺部CT图像中肿瘤图像的识别***,本发明由输入接口接收人体肺部CT图像;再由处理器提取所述人体肺部CT图像中的胸腔区域,根据预设阈值对所述胸腔区域进行二值化处理,获得第一二值图像,以及根据预设二值化算法对所述胸腔区域进行二值化处理,获得第二二值图像;再对所述第一二值图像和所述第二二值图像进行差影处理,获得差影图像,之后将所述差影图像拟合至所述人体肺部CT图像中,根据所述差影图像对应的特征区域提取所述人体肺部CT图像中的对应区域,获得特征图像;最后由显示器接收并作为肿瘤图像进行显示。本***能够精确提取肺部肿瘤图像,对肿瘤区域的特征有很好的保留效果,排除了其他组织的干扰。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种人体肺部CT图像中肿瘤图像的识别***。
背景技术
计算机技术在人们进入信息时代后就成为了人们生活中不可或缺的一部分,它渗透到每个邻域,其中也包括医疗检测。传统的医疗检测正向着数字化的趋势演进,而其中以图像为主的检测方式可以结合对图像本身意义的研究方法来达到取代或辅助人工判断的过程。
CT成像的原理是沿人体竖向的X射线对某一特定部位作大量横断面的扫描,人体的横断面受到X射线曝光,器官和组织在被选横断面薄层面上没有重叠。发射接收换能器组可以通过变换角度取得不同视角的投影数据,取得的数据足够多后,就可以组合并反馈出来。这时计算机通过代数重建法或反投影技术来重建扫描的影像,成像的密度分辨率要远远高于普通X射线摄影。CT图像反映的是人体的横断面,相当于患者采取仰卧位,放射科医生从其脚底沿纵轴向头顶看去,每一帧图像中包含横断面上所有的器官组织。
人体的肺由是由呼吸伸展、收缩的海绵状弹性组织构成。肺上端钝圆称为肺尖,向上经胸廓突入头颈根部,底部位于膈上方,朝着肋和肋间隙的面称作肋面,朝向纵隔的面称作内侧面,该面中央的支气管、***、血管和神经出入处称作肺门,这些出入肺门的结构,被***包裹在一起为肺根。左肺由斜裂分为上、下二个肺叶,右肺除斜裂外,还有一水平裂将其分为上、中、下三个肺叶。肺是以支气管多级分支形成的支气管树为基础而形成的。
人体的肺是由肺实质和肺间质这两部分组成的,肺实质即肺内部细支气管及其结构树丛;肺间质包括肺内的血管、***和神经。肺部CT图像上的各部分所表示的人体组织通过三种窗体来展现:肺窗、骨窗和软组织窗。从软组织窗来解析肺部图像,可以发现肺部CT图像中高亮度部分的胸廓中分布着非常多的血管和肌肉。
现今CT成像是用来检测肺部肿瘤,肺癌的一种常用手段,对CT图像的优化有利于检测效率与准确性的提升。CT成像技术上改进涉及***方案、硬件设计、电子器件选型、模拟和数字信号处理、生产制造等方方面面,投入大、周期长、只有***生产厂家才有可能做到。作为应用方,只有利用数字图像的处理方法对CT图像进行处理,来获取更好的展示效果。因此,如何对CT图像进行后期处理,在尽可能保留原图像真实的信息的同时,把图像展示效果最大化,是亟待解决的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种人体肺部CT图像中肿瘤图像的识别***,旨在实现对人体肺部CT图像进行处理,精确提取肺部肿瘤图像,为医师提供参考。
为实现上述目的,本发明提出了一种人体肺部CT图像中肿瘤图像识别***,所述识别***包括:输入接口、处理器和显示器;
所述输入接口,用于接收人体肺部CT图像;
所述处理器,用于提取所述人体肺部CT图像中的胸腔区域;
所述处理器,还用于根据预设阈值对所述胸腔区域进行二值化处理,获得第一二值图像;
所述处理器,还用于根据预设二值化算法对所述胸腔区域进行二值化处理,获得第二二值图像;
所述处理器,还用于对所述第一二值图像和所述第二二值图像进行差影处理,获得差影图像;
所述处理器,还用于将所述差影图像拟合至所述人体肺部CT图像中,并根据所述差影图像对应的特征区域提取所述人体肺部CT图像中的对应区域,获得特征图像;
所述显示器,用于接收所述特征图像,并将特征图像作为肿瘤图像进行显示。
优选地,所述处理器,还用于根据所述人体肺部CT图像中的胸腔轮廓构建胸腔曲线;
所述处理器,还用于提取所述胸腔曲线的内部区域作为胸腔区域。
优选地,所述处理器,还用于根据所述胸腔曲线去除所述胸腔曲线的内部区域图像,获得第一图像;
所述处理器,还用于对所述第一图像进行二值化,获得第三二值图像;
所述处理器,还用于对所述第三二值图像进行取反,获得第四二值图像;
所述处理器,还用于提取所述第四二值图像的最大连通区域,将所述最大连通区域拟合至所述人体肺部CT图像中,并提取所述人体肺部CT图像中的对应区域,以获得胸腔区域。
优选地,所述处理器,还用于对所述第三二值图像进行图像填充和中值滤波,获得待取反图像;
所述处理器,还用于对所述待取反图像进行取反,获得第四二值图像。
优选地,所述处理器,还用于对所述胸腔区域进行中值滤波,并对中值滤波后的胸腔区域采用拉普拉斯边缘检测进行锐化,获得第一胸腔区域;
所述处理器,还用于根据预设阈值对所述第一胸腔区域进行二值化处理,获得第一二值图像;
所述处理器,还用于根据预设二值化算法对所述第一胸腔区域进行二值化处理,获得第二二值图像。
优选地,所述处理器,还用于对所述第一胸腔区域进行形态学闭运算,并采用指数变换对形态学闭运算后的第一胸腔区域进行调节,获得第二胸腔区域。
所述处理器,还用于根据预设阈值对所述第二胸腔区域进行二值化处理,获得第一二值图像;
所述处理器,还用于根据预设二值化算法对所述第二胸腔区域进行二值化处理,获得第二二值图像。
优选地,所述处理器,还用于对所述胸腔区域采用各向异性扩散滤波进行平滑处理,得到第三胸腔区域;
所述处理器,还用于根据预设阈值对所述第三胸腔区域进行二值化处理,获得第一二值图像。
优选地,所述预设二值化算法为最大类间方差算法。
优选地,所述处理器,还用于对所述差影图像进行中值滤波、细化及腐蚀处理,得到待拟合图像;
所述处理器,还用于将所述待拟合图像拟合至所述人体肺部CT图像中,并根据所述待拟合图像对应的特征区域提取所述人体肺部CT图像中的对应区域,获得特征图像。
优选地,所述处理器,还用于提取所述差影图像中的最大连通区域作为差影图像对应的特征区域;
所述处理器,还用于根据所述差影图像对应的特征区域提取所述人体肺部CT图像中的对应区域,获得特征图像。
本发明由输入接口接收人体肺部CT图像;再由处理器提取所述人体肺部CT图像中的胸腔区域,并根据预设阈值对所述胸腔区域进行二值化处理,获得第一二值图像,以及根据预设二值化算法对所述胸腔区域进行二值化处理,获得第二二值图像;再对所述第一二值图像和所述第二二值图像进行差影处理,获得差影图像,之后将所述差影图像拟合至所述人体肺部CT图像中,并根据所述差影图像对应的特征区域提取所述人体肺部CT图像中的对应区域,获得特征图像;最后由显示器接收所述特征图像,并将特征图像作为肿瘤图像进行显示。本***能够精确提取肺部肿瘤图像,对肿瘤区域的边界区域、面积大小和灰度值都有很好的保留效果,且排除了***皮肤脂肪及血管的干扰。
附图说明
图1是本发明人体肺部CT图像中肿瘤图像的识别***的结构框图;
图2为本发明实施例一的人体肺部CT图像原图;
图3为本发明实施例一的提取的胸腔区域示意图;
图4为本发明实施例一的第一二值图像示意图;
图5为本发明实施例一的第二二值图像示意图;
图6为本发明实施例一的差影图像示意图;
图7为本发明实施例一的待拟合图像示意图;
图8为本发明实施例一的特征图像示意图;
图9为本发明实施例二的第三二值图像;
图10为本发明实施例二的第四二值图像。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,本发明提出了一种实施例,图1为本发明人体肺部CT图像中肿瘤图像的识别***的结构框图。
在本实施例中,所述人体肺部CT图像中肿瘤图像的识别***包括:输入接口10、处理器20和显示器30;
所述输入接口10,用于接收人体肺部CT图像。
在具体实现中,所述输入接口10可与现有CT成像装置连接,通过通信端口从现有CT成像装置中获取人体肺部CT图像。所述输入接口10还可用于连接可存储设备(如U盘、光盘等),从可存储介质获取存储的人体肺部CT图像数据。
所述处理器20,用于提取所述人体肺部CT图像中的胸腔区域。
可以理解的是,CT图像中包含的图像区域较多,肿瘤一般位于胸腔区域内,为提高后续处理的效率,需要对原始图像进行简化,排除胸腔***的干扰。
在本实施例中,胸腔区域的提取首先需要确定胸腔区域的范围,因此,所述处理器20,还用于根据所述人体肺部CT图像中的胸腔轮廓构建胸腔曲线,提取所述胸腔曲线的内部区域作为胸腔区域。
在具体实现中,利用rectangle函数创建二维矩形对象,在原图上描绘一个和胸腔大小类似的椭圆。函数rectangle(...,'Curvature',[x,y])指定矩阵边的曲率,可以使它从矩形到椭圆不同变化,水平曲率x为矩形宽度的分数,是沿着矩形的顶部和底部的边进行弯曲。竖直曲率y为矩形高度的分数,是沿着矩形的左面和右面的边进行弯曲。x和y取值范围是从0(无曲率)到1(最大曲率)。其中值[0,0]是描绘一个成直角的矩形,值[x,y]描绘一个椭圆,由此可以获得胸腔轮廓的胸腔曲线,然后提取所述胸腔曲线内部区域作为胸腔区域。参照图2和图3,图2为人体肺部CT图像原图,图3为提取后的胸腔区域,在本实施中,为使提取后的胸腔区域具有较高对比度,还对获取的胸腔区域进行了灰度调整。
所述处理器20,还用于根据预设阈值对所述胸腔区域进行二值化处理,获得第一二值图像。
所述处理器20,还用于根据预设二值化算法对所述胸腔区域进行二值化处理,获得第二二值图像。
所述处理器20,还用于对所述第一二值图像和所述第二二值图像进行差影处理,获得差影图像。
需要说明的是,图像之间作差,是一种凸显图像中某些特征的比较好的操作方法。根据肿瘤图像的灰度值及存在病灶等特点,采用差影法提取肿瘤是比较好的选择,因此需要先获取用于作差处理的两张图像。
需要说明的是,所述第一二值图像保留了肿瘤区域,为通过设置合适的阈值将肿瘤区域保留下来,需尽量减少与肿瘤区域灰度值相近的区域,减少干扰。因此,所述处理器20,还用于对所述胸腔区域采用各向异性扩散滤波进行平滑处理,得到第三胸腔区域;并根据预设阈值对所述第三胸腔区域进行二值化处理,获得第一二值图像。
在具体实现中,所述各向异性扩散滤波基于PM模型实现,其原理是将图像看作热量场,每个像素看作热流,根据当前像素和周围像素的关系,来确定是否要向周围扩散。比如,某个邻域像素和当前像素差别较大,则代表这个邻域像素很可能是个边界,那么当前像素就不向这个方向扩散了,这个边界也就得到保留了。
各向异性扩散的模型为:
扩散方程为:
其中,t为时间,I为输入图像,为图像I的梯度,K为梯度阀值。当远大于梯度阀值K时,则趋于0,扩散过程被抑制;而远小于梯度阀值K时,那么趋于1,则扩散过程被加强。各向异性扩散滤波算法在现有技术中已普遍使用,在此不再赘述。
可以理解的是,各向异性扩散滤波主要是用来平滑图像的,各向异性扩散在平滑图像时是保留图像边缘的。滤除了一部分跟肿瘤区域灰度值相近的区域后,根据预设的阈值对图像进行二值化,保留肿瘤区域,得到所述第一二值图像,处理后获得的第一二值图像参考图4。
在本实施例中,为获取第二二值图像,处理器20还用于根据最大类间方差算法,对所述胸腔区域进行二值化处理,获得第二二值图像。在具体实现中,对于图像I(x,y),前景(即目标)和背景的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为ω0,其平均灰度μ0;背景像素点数占整幅图像的比例为ω1,其平均灰度为μ1。图像的总平均灰度记为μ,类间方差记为g。
假设图像的背景较暗,并且图像的大小为M×N,图像中像素的灰度值小于阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有:
ω0=N0/M×N;
ω1=N1/M×N;
N0+N1=M×N;
ω0+ω1=1;
μ=ω0*μ0+ω1*μ1;
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2;
根据上述公式得到类间方差:
g=ω0ω1(μ0-μ1)^2;
采用遍历的方法得到使类间方差g最大的阈值T,在根据阈值T对胸腔区域进行处理,变成二值化图像,提高图片的对比性。处理后的获得的第二二值图像参考图5,所述第二二值图像未保留肿瘤区域。
需要说明的是,所述第一二值图像与所述第二二值图像是基于同一胸腔区域图像处理得到。
需要说明的是,得到所述第一二值图像与所述第二二值图像后,即可进行差影处理,得到图像之间的差值信息。差影法是对两张图像作相减处理,在本实施例中,因为是同一场景,所以图像的像素大致是相同的,相减后,相同背景像素为黑点,不同之处为白点,处理后获得的差影图像参考图6。
所述处理器20,还用于将所述差影图像拟合至所述人体肺部CT图像中,并根据所述差影图像对应的特征区域提取所述人体肺部CT图像中的对应区域,获得特征图像。
可以理解的是,所述差影图像中包含了肿瘤区域图像,根据所述差影图像从人体肺部CT图像中提取的对应区域也包含了肿瘤图像。差影图像除特征区域之外全部为黑点,因此拟合后,人体肺部CT图像中对应的特征区域外的区域也会被置黑,保留下来的区域即为对应的特征区域。
需要说明的是,由于差影图像存在大量斑点及噪声的问题,在本实施例中为进一步提高准确性,在差影图像进行拟合之前,所述处理器20,还用于对所述差影图像进行中值滤波、细化及腐蚀处理,得到待拟合图像,在将所述待拟合图像拟合至所述人体肺部CT图像中。
在具体实现中,对得到的差影图像进行优化,消除噪声,提高后续判断的准确性。在本实施例中,先对得到差影图像进行中值滤波,此种滤波不对边界值做出改变,本实施例也不需要对肿瘤区域进行处理,只需要过滤部分噪声,故此方式是很合适的选择。
可以理解的是,中值滤波法是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声。
在本实施例中,对中值滤波后的差影图像还进行细化处理。二值图像的细化实质是将一个图像中的黑色部分沿着它的中心轴线将其细化为一个像素宽的线条的处理过程,细化的结果能基本保留图形中黑色部分的重心骨架。本实施中采用的细化算法基于逐层剥取理念,采取顺序、逆序扫描两次,以确定每个点的层数,通过层数可判断该点属于边界点还是重心骨架,从而优化算法的效率,很大程度减少程序运算时间。其过程如下:
假设在二值图像中黑色值为1,白色为0。
(1)从上到下,从左到右依次扫描每一个像素点,若当前点(x,y)为黑点时,需判断其右上、上、左上和左四点的情况,即(x-1,y+1)、(x-1,y)、(x-1,y-1)和(x,y-1)。这四点包围了当前点,则这点层数为这四点中层数最小的一点的层数值加1;如果当前点(x,y)为白,则将层数值置为0。
(2)从下到上,从右到左,与第一步做相似的处理,判断每个点的层数,若当前点是黑点,就判断其左下、下、右下和右四点的情况,即(x+1,y-1)、(x+1,y)、(x+1,y+1)和(x,y+1)。这四点包围了当前点,同样取这四点中层数的最小的一点层数值加1作为该点层数值;如果当前点(x,y)为白,则将层数值置为为0。
如果已经求得每一个点上包围层数值和下包围层数值,每个点的实际层数其实就是两种层数值中最小值。
M[x][y]=Min(F[x][y],G[x][y])
(3)从上到下,从左到右依次扫描每一个点,则要判断这个点8个方向范围内所有点的层数。如果当前点的层数值是周围相邻点中最大的,则这个点保留;如果当前点的层数值并非最大,则删除。
如果M[x][y]==Max(M[x+i][y+i]│(-1<=i,j<=1))就保留,否则就删除。
在本实施例中,细化处理后的图像还需要进行腐蚀处理。腐蚀在数学形态学运算中的作用是消除物体的边界点。在数字图像处理中,对于确定的结构元素,通过腐蚀运算可以消除小于结构元素的点。同时,若一个目标区域中含有细小的连接部分,那么通过腐蚀处理可以对区域进行分割。
X用S腐蚀的结果是所有使S平移x后仍在X中的x的集合。换句话说,用S来腐蚀X得到的集合是S完全包括在X中时S的原点位置的集合,用公式表示为:
其中,X、S均表示像素点集合。腐蚀算法在现有技术中已普遍使用,在此不再赘述,处理后得到的待拟合图像参考如图7。
可以理解的是,处理后的待拟合图像中白色区域即为识别出的肿瘤,图像中可能还包括一些白色小斑点,不能人为去除,这些白色小斑点有一定的可能是小面积的肿瘤。在本实施中,主要目的是识别最大的肿瘤图像,为医师提供参考。因此,所述处理器20,还用于提取所述差影图像中的最大连通区域作为差影图像对应的特征区域;并根据所述差影图像对应的特征区域提取所述人体肺部CT图像中的对应区域,获得特征图像。在本实施例中,被提取最大连通区域的差影图像可以为上述处理过程得到的待拟合图像。
在具体实现中,首先对连通区域进行标记,连通区域的判定有4连通和8连通;其中4连通是指,如果像素的位置在其他像素相邻的上、下、左或右,则认为他们是连接着的,连通的,在左上角、左下角、右上角或右下角连接,则不认为他们连通;8连通指一个像素,如果和其他像素在上、下、左、右、左上角、左下角、右上角或右下角连接着,则认为他们是联通的。本实施例中,默认采用8连通。
对连通区域区域进行标记后,分别计算每个连通区域内的像素总数,像素总数最大的即为最大连通区域。随后,将取得的最大连通区域拟合至原人体肺部CT图像,根据对应的特征区域提取所述人体肺部CT图像中的对应区域,获得特征图像,获得的特征图像参考图8。
所述显示器30,用于接收所述特征图像,并将特征图像作为肿瘤图像进行显示。
可以理解的是,所述显示器30可为LED显示屏等,在显示时,为提高对比效果,还可同时对原人体肺部CT图像和肿瘤图像进行显示。
本发明由输入接口接收人体肺部CT图像;再由处理器提取所述人体肺部CT图像中的胸腔区域,并根据预设阈值对所述胸腔区域进行二值化处理,获得第一二值图像,以及根据预设二值化算法对所述胸腔区域进行二值化处理,获得第二二值图像;再对所述第一二值图像和所述第二二值图像进行差影处理,获得差影图像,之后将所述差影图像拟合至所述人体肺部CT图像中,并根据所述差影图像对应的特征区域提取所述人体肺部CT图像中的对应区域,获得特征图像;最后由显示器接收所述特征图像,并将特征图像作为肿瘤图像进行显示。本***能够精确提取肺部肿瘤图像,对肿瘤区域的边界区域、面积大小和灰度值都有很好的保留效果,且排除了***皮肤脂肪及血管的干扰。
基于图1,本发明还提出了第二种实施例。
本实施例与实施例一的不同之处在于,所述处理器20,还用于根据所述胸腔曲线去除所述胸腔曲线的内部区域图像,获得第一图像。
所述处理器20,还用于对所述第一图像进行二值化,获得第三二值图像。
所述处理器20,还用于对所述第三二值图像进行取反,获得第四二值图像。
所述处理器20,还用于提取所述第四二值图像的最大连通区域,将所述最大连通区域拟合至所述人体肺部CT图像中,并提取所述人体肺部CT图像中的对应区域,以获得胸腔区域。
需要说明的是,直接提取胸腔曲线内部区域作为胸腔区域操作难度大,计算压力大,为此,本实施例运用二值化来降低难度。在本实施例中,采取与实施例一中通过拟合提取肿瘤图像相同的方式提胸腔区域,为此,首先根据所述胸腔曲线去除胸腔曲线内部区域图像,获得第一图像;并对所述第一图像进行二值化,获得第三二值图像。图像的二值化有利于图像的进一步简化处理,而且数据量会减小,能呈现出目标物体的轮廓,获得的第三二值图像参考图9。
此时,胸腔区域为黑色,不能直接进行拟合,因此需要对所述第三二值图像进行取反操作。图像取反对二值图像实际上是图像里特征物体灰度值0到255和255到0的变换过程,即黑变白,白变黑的效果,主要是为突出目标物的特征而做的一种操作。取反后获得的第四二值图像参考图10。
之后,按照与实施例一中相同的方法提取所述第四二值图像中的最大连通区域,并将所述最大连通区域拟合至所述人体肺部CT图像中,提取所述人体肺部CT图像中的对应区域,以获得胸腔区域。获得的胸腔区域仍可参考图3。
本实施例与实施例一的不同之处还在于,为进一步最终结果的准确性,本实施例在各处理环节对图像进行了优化处理。
在本实施例中,所述处理器20,还用于对所述第三二值图像进行图像填充和中值滤波,获得待取反图像;所述处理器20,还用于对所述待取反图像进行取反,获得第四二值图像。
需要说明的是,处理后的二值图像会存在一些黑白的孔洞,例如在图像黑色区域内存在白色的小点,为去除噪声需要对这些孔洞按照其存在背景进行填充,并对填充后的图像进行中值滤波。所述中值滤波的具体实现可参考实施例一。
在本实施例中,所述处理器20,还用于对所述胸腔区域进行中值滤波,并对中值滤波后的胸腔区域采用拉普拉斯边缘检测进行锐化,获得第一胸腔区域。
可以理解的是,胸腔区域的提取过程会使图像受到噪声的污染,因此本实施例采用中值滤波消除噪声的干扰,具体实现方式可参照上文中的中值滤波操作。
需要说明的是,一般来说,在噪声图像中的肿瘤图像能量主要集中在其低频部分,噪声所在的频段主要在高频段,同时图像边缘信息也主要集中在其高频部分。这将导致原始图像在平滑处理之后,图像边缘和图像轮廓模糊的情况出现。为了减少这类不利效果的影响,就需要利用图像锐化技术,使图像的边缘变得清晰。在本实施例中,采用的是各向同性的边缘检测拉普拉斯算子进行锐化,拉普拉斯边缘检测算法在现有技术中已普遍使用,在此不再赘述。
在本实施例中,所述处理器20,还用于对所述第一胸腔区域进行形态学闭运算,并采用指数变换对形态学闭运算后的第一胸腔区域进行调节,获得第二胸腔区域。所述处理器,还用于根据预设阈值对所述第二胸腔区域进行二值化处理,获得第一二值图像;所述处理器,还用于根据预设二值化算法对所述第二胸腔区域进行二值化处理,获得第二二值图像。
需要说明的是,在CT图像滤波去噪后,可以达到较好的效果,但是要想完全去除往往是不可能的,所以需要采用其它方式,来进一步处理噪声干扰。
形态学是提取图像特征的有力工具,针对二值图像和灰度图像的腐蚀、膨胀和重构的基本操作可以组合使用,以执行非常宽泛的任务。闭运算在数学上是先膨胀再腐蚀的结果。闭运算的物理结果也是会平滑对象的轮廓,但是与开运算不同的是,闭运算一般会将狭窄的缺口连接起来形成细长的弯口,并填充比结构元素小的洞。腐蚀的实现方式已在实施例一中说明,此次不在作说明。
膨胀可以看做是腐蚀的对偶运算,其定义是:把结构元素B平移a后得到Ba,若Ba击中X,记下这个a点。所有满足上述条件的a点组成的集合称做X被B膨胀的结果,公式为:
闭运算是先膨胀后腐蚀称为闭运算,公式为:
需要说明的是,形态学处理完成后对图像灰度值有较大影响,为不影响后续操作正常执行,需要调节图像灰度值,达到我们想要的效果,指数变换是一种增强高灰度,减弱低灰度的方法,在数字化图像往往可以起到很好的调节作用。指数变换也称伽玛变换,它根据γ的不同的取值有选择地增强低灰度区域的对比度和高灰度区域的对比度。
Gamma变换表达式:y=(x+esp)^γ
其中x,y∈[0,1],X为补偿系数,γ为伽马系数。
γ是图像灰度变换中的一个参数,其取值决定了输入图像和输出图像之间的灰度映射关系,也决定了是增强低灰度(阴影区域)还是增强高灰度(髙亮区域〉,其中:γ>1时,图像的高灰度区域对比度得到增强;γ<1时,图像的低灰度区域对比度得到增强;γ=1时,灰度变换是线性的,所以不改变原图像。在进行指数变换时,通常需要将0到255的灰度动态范围首先变换到0到1的动态范围,然后执行伽玛变换后再恢复原动态范围。由于gamma变换并不是线性变换,不仅可以改变图像灰度的对比度,还能够增强细节,将图像的显示效果大大提升。
可以理解的是,经过上述处理后的胸腔区域消除了噪声,在保留肿瘤区域特征的同时,去除了其他干扰,便于目标的识别。
需要说明的是,在本文中,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***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***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,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为标识。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种人体肺部CT图像中肿瘤图像的识别***,其特征在于,所述识别***包括:输入接口、处理器和显示器;
所述输入接口,用于接收人体肺部CT图像;
所述处理器,用于提取所述人体肺部CT图像中的胸腔区域;
所述处理器,还用于根据预设阈值对所述胸腔区域进行二值化处理,获得第一二值图像;
所述处理器,还用于根据预设二值化算法对所述胸腔区域进行二值化处理,获得第二二值图像;
所述处理器,还用于对所述第一二值图像和所述第二二值图像进行差影处理,获得差影图像;
所述处理器,还用于将所述差影图像拟合至所述人体肺部CT图像中,并根据所述差影图像对应的特征区域提取所述人体肺部CT图像中的对应区域,获得特征图像;
所述显示器,用于接收所述特征图像,并将特征图像作为肿瘤图像进行显示。
2.如权利要求1所述的人体肺部CT图像中肿瘤图像的识别***,其特征在于,所述处理器,还用于根据所述人体肺部CT图像中的胸腔轮廓构建胸腔曲线;
所述处理器,还用于提取所述胸腔曲线的内部区域作为胸腔区域。
3.如权利要求2所述的人体肺部CT图像中肿瘤图像的识别***,其特征在于,所述处理器,还用于根据所述胸腔曲线去除所述胸腔曲线的内部区域图像,获得第一图像;
所述处理器,还用于对所述第一图像进行二值化,获得第三二值图像;
所述处理器,还用于对所述第三二值图像进行取反,获得第四二值图像;
所述处理器,还用于提取所述第四二值图像的最大连通区域,将所述最大连通区域拟合至所述人体肺部CT图像中,并提取所述人体肺部CT图像中的对应区域,以获得胸腔区域。
4.如权利要求3所述的人体肺部CT图像中肿瘤图像的识别***,其特征在于,所述处理器,还用于对所述第三二值图像进行图像填充和中值滤波,获得待取反图像;
所述处理器,还用于对所述待取反图像进行取反,获得第四二值图像。
5.如权利要求1所述的人体肺部CT图像中肿瘤图像的识别***,其特征在于,所述处理器,还用于对所述胸腔区域进行中值滤波,并对中值滤波后的胸腔区域采用拉普拉斯边缘检测进行锐化,获得第一胸腔区域;
所述处理器,还用于根据预设阈值对所述第一胸腔区域进行二值化处理,获得第一二值图像;
所述处理器,还用于根据预设二值化算法对所述第一胸腔区域进行二值化处理,获得第二二值图像。
6.如权利要求5所述的人体肺部CT图像中肿瘤图像的识别***,其特征在于,所述处理器,还用于对所述第一胸腔区域进行形态学闭运算,并采用指数变换对形态学闭运算后的第一胸腔区域进行调节,获得第二胸腔区域;
所述处理器,还用于根据预设阈值对所述第二胸腔区域进行二值化处理,获得第一二值图像;
所述处理器,还用于根据预设二值化算法对所述第二胸腔区域进行二值化处理,获得第二二值图像。
7.如权利要求1所述的人体肺部CT图像中肿瘤图像的识别***,其特征在于,所述处理器,还用于对所述胸腔区域采用各向异性扩散滤波进行平滑处理,得到第三胸腔区域;
所述处理器,还用于根据预设阈值对所述第三胸腔区域进行二值化处理,获得第一二值图像。
8.如权利要求1所述的人体肺部CT图像中肿瘤图像的识别***,其特征在于,所述预设二值化算法为最大类间方差算法。
9.如权利要求1所述的人体肺部CT图像中肿瘤图像的识别***,其特征在于,所述处理器,还用于对所述差影图像进行中值滤波、细化及腐蚀处理,得到待拟合图像;
所述处理器,还用于将所述待拟合图像拟合至所述人体肺部CT图像中,并根据所述待拟合图像对应的特征区域提取所述人体肺部CT图像中的对应区域,获得特征图像。
10.如权利要求1所述的人体肺部CT图像中肿瘤图像的识别***,其特征在于,所述处理器,还用于提取所述差影图像中的最大连通区域作为差影图像对应的特征区域;
所述处理器,还用于根据所述差影图像对应的特征区域提取所述人体肺部CT图像中的对应区域,获得特征图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010050227.2A CN111223090A (zh) | 2020-01-16 | 2020-01-16 | 人体肺部ct图像中肿瘤图像的识别*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010050227.2A CN111223090A (zh) | 2020-01-16 | 2020-01-16 | 人体肺部ct图像中肿瘤图像的识别*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111223090A true CN111223090A (zh) | 2020-06-02 |
Family
ID=70832401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010050227.2A Pending CN111223090A (zh) | 2020-01-16 | 2020-01-16 | 人体肺部ct图像中肿瘤图像的识别*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111223090A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113421218A (zh) * | 2021-04-16 | 2021-09-21 | 深圳大学 | 一种血管网络分支点的提取方法 |
CN116758087A (zh) * | 2023-08-22 | 2023-09-15 | 邦世科技(南京)有限公司 | 一种腰椎ct骨窗侧隐窝间隙检测方法及装置 |
CN117297554A (zh) * | 2023-11-16 | 2023-12-29 | 哈尔滨海鸿基业科技发展有限公司 | 一种淋巴成像装置控制***及方法 |
-
2020
- 2020-01-16 CN CN202010050227.2A patent/CN111223090A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113421218A (zh) * | 2021-04-16 | 2021-09-21 | 深圳大学 | 一种血管网络分支点的提取方法 |
CN113421218B (zh) * | 2021-04-16 | 2024-02-23 | 深圳大学 | 一种血管网络分支点的提取方法 |
CN116758087A (zh) * | 2023-08-22 | 2023-09-15 | 邦世科技(南京)有限公司 | 一种腰椎ct骨窗侧隐窝间隙检测方法及装置 |
CN116758087B (zh) * | 2023-08-22 | 2023-10-31 | 邦世科技(南京)有限公司 | 一种腰椎ct骨窗侧隐窝间隙检测方法及装置 |
CN117297554A (zh) * | 2023-11-16 | 2023-12-29 | 哈尔滨海鸿基业科技发展有限公司 | 一种淋巴成像装置控制***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021129323A1 (zh) | 超声图像病灶描述方法、装置、计算机设备和存储介质 | |
CN107527341B (zh) | 血管造影图像的处理方法和*** | |
Esmaeili et al. | Automatic detection of exudates and optic disk in retinal images using curvelet transform | |
CN111667467B (zh) | 基于聚类算法的下肢血管钙化指数多参数累积计算方法 | |
Pulagam et al. | Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases | |
US9990743B2 (en) | Suppression of vascular structures in images | |
CN111223090A (zh) | 人体肺部ct图像中肿瘤图像的识别*** | |
CN102737382B (zh) | 一种***超声图像自动精确分割方法 | |
JP2011514822A (ja) | Ctスキャンデータをセグメント化する方法とシステム | |
WO2022105647A1 (zh) | 一种颅内血管造影增强三维模型的建立方法 | |
Chen et al. | Pathological lung segmentation in chest CT images based on improved random walker | |
CN117422628B (zh) | 一种心脏血管超声检查数据优化增强方法 | |
CN116993628B (zh) | 一种用于肿瘤射频消融引导的ct图像增强*** | |
US20160035102A1 (en) | Method and system for computing digital tomosynthesis images | |
Abdel-Nasser et al. | Temporal mammogram image registration using optimized curvilinear coordinates | |
Liu et al. | Automatic lung segmentation based on image decomposition and wavelet transform | |
Du et al. | An adaptive two-scale biomedical image fusion method with statistical comparisons | |
CN104751457B (zh) | 一种新的基于变分能量的肝脏分割方法 | |
CN113160248B (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
CN112116623B (zh) | 图像分割方法及装置 | |
CN112862850A (zh) | 数字剪影血管造影影像处理方法及装置 | |
CN113139929A (zh) | 包含信息筛选与融合修复的胃肠道内窥镜图像预处理方法 | |
Mustafa et al. | Mammography image segmentation: Chan-Vese active contour and localised active contour approach | |
CN111062909A (zh) | 乳腺肿块良恶性判断方法及设备 | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200602 |