CN112132189A - 一种面向cbct图像的密度峰值超像素预处理方法 - Google Patents

一种面向cbct图像的密度峰值超像素预处理方法 Download PDF

Info

Publication number
CN112132189A
CN112132189A CN202010896063.5A CN202010896063A CN112132189A CN 112132189 A CN112132189 A CN 112132189A CN 202010896063 A CN202010896063 A CN 202010896063A CN 112132189 A CN112132189 A CN 112132189A
Authority
CN
China
Prior art keywords
pixel
distance
cbct
pixels
image
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
Application number
CN202010896063.5A
Other languages
English (en)
Other versions
CN112132189B (zh
Inventor
徐新黎
邢少恒
龙海霞
吴福理
管秋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010896063.5A priority Critical patent/CN112132189B/zh
Publication of CN112132189A publication Critical patent/CN112132189A/zh
Application granted granted Critical
Publication of CN112132189B publication Critical patent/CN112132189B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (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)
  • Image Analysis (AREA)

Abstract

一种面向CBCT图像的密度峰值超像素预处理方法，将CBCT图像的Hu值转化为像素亮度值，通过计算每个像素的局部密度和距离，得出每个像素的决策值，根据决策值确定出目标数目的聚类中心，然后计算每个像素和聚类中心的加权距离并为像素赋上标签生成超像素，再对不合理的超像素区域进行合并，得到CBCT区域级图像。本发明利用局部密度峰值聚类的超像素分割，提高了CBCT图像预处理的便捷性和有效性，降低了预处理的图像损失率。

Description

一种面向CBCT图像的密度峰值超像素预处理方法
技术领域
本专利涉及医学图像处理与机器学习领域，特别是指一种面向CBCT图像的密度峰值超像素预处理方法。
背景技术
随着计算机科学和医学图像的发展，利用计算机图像处理技术对CBCT二维切片图像进行分析和处理，实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示，可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析，从而提高医疗诊断的准确性和可靠性。
对图像的处理大多以像素为单位，用二维矩阵来表示一张图像，并未考虑像素之间的空间组织关系，这使得算法处理效率过低。2003年Ren等人提出了超像素，所谓超像素，是指具有相似纹理、颜色、亮度等特征的相邻像素构成的图像块。它利用像素之间特征的相似程度将像素分组，可以获取图像的冗余信息，在很大程度上降低了后续图像处理任务的复杂度，是图像处理和计算机视觉中的重要预处理环节。
目前常用的超像素算法主要有SLIC算法和LCS算法。SLIC算法是一种比较快速的超像素分割算法，但边缘召回率不高且需要预先设定超像素的数目。LSC算法通过核函数将像素信息映射到特征空间，提高了超像素分割精度，但是仍需手动设定超像素的数目和空间相似度与颜色相似度的平衡参数。
发明内容
为了解决现有的一些超像素分割方法边缘召回率低、分割精度不足、鲁棒性差、处理速度缓慢等问题，受密度峰值聚类算法的启发，本发明提出了一种基于密度峰值超像素分割的图像损失小且处理更加便捷的CBCT图像预处理方法，可以快速、高效地生成高质量的CBCT预处理图像。
本发明解决其技术问题所采用的技术方案是：
一种面向CBCT图像的密度峰值超像素预处理方法，包括如下步骤：
步骤一：输入CBCT图像的超像素目标数目k和需凸显特定组织的Hu值范围，从原始的CBCT数据中的Hu值逐一转化为亮度值li,得到亮度图L＝{li|1≤i≤n},
li＝Hui+1024,
其中n为亮度图L的像素总数，CBCT亮度图的单个像素的向量表示为pi＝(xi,yi,li)，(xi,yi)为像素在亮度图中的坐标值；
步骤二：选取像素pi的K个最近邻居像素构成的集合P，
Figure BDA0002658494950000021
根据每个邻居像素pj∈P和pi之间的欧式距离
Figure BDA0002658494950000022
计算像素pi的局部密度ρi
Figure BDA0002658494950000023
步骤三：计算每个像素的距离
Figure BDA0002658494950000024
即像素pi的距离为pi到最近的大密度像素点的距离；
步骤四：计算每个像素的决策值γi＝ρi×δi；
步骤五：根据决策值，取与前k个决策值对应的像素点为聚类中心集{c1,c2,...,ck}，并将cj对应的像素点标签labelcj标记为j；
步骤六：遍历像素点，对于未标签的像素点pi，计算pi与聚类中心cj的距离
d1(i,cj)＝β×dc+(1-β)×ds，0＜β＜1，
其中
Figure BDA0002658494950000025
为pi与cj的亮度分量距离，
Figure BDA0002658494950000026
为pi与cj的空间坐标分量距离，并将像素点pi的标签置为使距离d1(i,cj)最小所对应的聚类中心的标签,生成超像素分割像素集
Figure BDA0002658494950000027
得到CBCT区域级图像；
步骤七：合并超像素，对于超像素Si，如果‖Si‖小于
Figure BDA0002658494950000028
即超像素Si包含的像素数小于预期超像素的平均大小，则计算超像素Si和相邻超像素Sj的距离
Figure BDA0002658494950000029
其中
Figure BDA00026584949500000210
和
Figure BDA00026584949500000211
为对应超像素所有像素的平均亮度和平均坐标，把Si合并到使距离d2(Si,Sj)最小对应的超像素Sj中去，即把Si中所有像素的标签置为Sj中的像素标签，完善能有效表示图像特征的CBCT区域级图像。
本发明的技术构思为：将CBCT对应的CT值信息用像素亮度信息表示，通过计算每个像素的局部密度和距离，得出每个像素的决策值，根据决策值自动确定出聚类中心，然后计算像素和聚类中心的距离并为像素赋上标签生成超像素，并对超像素进行优化合并，得到CBCT区域级图像。
本发明的有益效果为：利用局部密度峰值聚类，提出了一种鲁棒性强、边缘召回率高、可达分割精度高且自动化的超像素分割方法，提高了CBCT图像预处理的便捷性和有效性，降低了预处理的图像损失率。
附图说明
图1为超像素分割后口腔CBCT图像示意图。
图2为本发明的流程图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1和图2，一种面向CBCT图像的密度峰值超像素预处理方法，包括如下步骤：
步骤一：输入CBCT图像的超像素目标数目k和需凸显特定组织的Hu值范围，从原始的CBCT数据中的Hu值逐一转化为亮度值li,得到亮度图L＝{li|1≤i≤n},
li＝Hui+1024,
其中n为亮度图L的像素总数，CBCT亮度图的单个像素的向量表示为pi＝(xi,yi,li)，(xi,yi)为像素在亮度图中的坐标值；
步骤二：选取像素pi的K个最近邻居像素构成的集合P，
Figure BDA0002658494950000031
根据每个邻居像素pj∈P和pi之间的欧式距离
Figure BDA0002658494950000032
计算像素pi的局部密度ρi
Figure BDA0002658494950000033
步骤三：计算每个像素的距离
Figure BDA0002658494950000034
即像素pi的距离为pi到最近的大密度像素点的距离；
步骤四：计算每个像素的决策值γi＝ρi×δi；
步骤五：根据决策值，取与前k个决策值对应的像素点为聚类中心集{c1,c2,...,ck}，并将cj对应的像素点标签labelcj标记为j；
步骤六：遍历像素点，对于未标签的像素点pi，计算pi与聚类中心cj的距离
d1(i,cj)＝β×dc+(1-β)×ds，0＜β＜1，
其中
Figure BDA0002658494950000041
为pi与cj的亮度分量距离，
Figure BDA0002658494950000042
为pi与cj的空间坐标分量距离，并将像素点pi的标签置为使距离d1(i,cj)最小所对应的聚类中心的标签,生成超像素分割像素集
Figure BDA0002658494950000043
得到CBCT区域级图像；
步骤七：合并超像素，对于超像素Si，如果‖Si‖小于
Figure BDA0002658494950000044
即超像素Si包含的像素数小于预期超像素的平均大小，则计算超像素Si和相邻超像素Sj的距离
Figure BDA0002658494950000045
其中
Figure BDA0002658494950000046
和
Figure BDA0002658494950000047
为对应超像素所有像素的平均亮度和平均坐标，把Si合并到使距离d2(Si,Sj)最小对应的超像素Sj中去，即把Si中所有像素的标签置为Sj中的像素标签，完善能有效表示图像特征的CBCT区域级图像。
如上所述，本专利实施的具体实现步骤使本发明更加清晰。在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。

Claims (1)

1.一种面向CBCT图像的密度峰值超像素预处理方法，其特征在于：所述方法包括如下步骤：
步骤一：输入CBCT图像的超像素目标数目k和需凸显特定组织的Hu值范围，从原始的CBCT数据中的Hu值逐一转化为亮度值li,得到亮度图L＝{li|1≤i≤n},
li＝Hui+1024,
其中n为亮度图L的像素总数，CBCT亮度图的单个像素的向量表示为pi＝(xi,yi,li)，(xi,yi)为像素在亮度图中的坐标值；
步骤二：选取像素pi的K个最近邻居像素构成的集合P，
Figure FDA0002658494940000011
根据每个邻居像素pj∈P和pi之间的欧式距离
Figure FDA0002658494940000012
计算像素pi的局部密度ρi
Figure FDA0002658494940000013
步骤三：计算每个像素的距离
Figure FDA0002658494940000014
即像素pi的距离为pi到最近的大密度像素点的距离；
步骤四：计算每个像素的决策值γi＝ρi×δi；
步骤五：根据决策值，取与前k个决策值对应的像素点为聚类中心集{c1,c2,...,ck}，并将cj对应的像素点标签
Figure FDA0002658494940000015
标记为j；
步骤六：遍历像素点，对于未标签的像素点pi，计算pi与聚类中心cj的距离
d1(i,cj)＝β×dc+(1-β)×ds，0＜β＜1，
其中
Figure FDA0002658494940000016
为pi与cj的亮度分量距离，
Figure FDA0002658494940000017
为pi与cj的空间坐标分量距离，并将像素点pi的标签置为使距离d1(i,cj)最小所对应的聚类中心的标签,生成超像素分割像素集
Figure FDA0002658494940000018
得到CBCT区域级图像；
步骤七：合并超像素，对于超像素Si，如果‖Si‖小于
Figure FDA0002658494940000021
即超像素Si包含的像素数小于预期超像素的平均大小，则计算超像素Si和相邻超像素Sj的距离
Figure FDA0002658494940000022
其中
Figure FDA0002658494940000023
和
Figure FDA0002658494940000024
为对应超像素所有像素的平均亮度和平均坐标，把Si合并到使距离d2(Si,Sj)最小对应的超像素Sj中去，即把Si中所有像素的标签置为Sj中的像素标签，完善能有效表示图像特征的CBCT区域级图像。
CN202010896063.5A 2020-08-31 2020-08-31 一种面向cbct图像的密度峰值超像素预处理方法 Active CN112132189B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010896063.5A CN112132189B (zh) 2020-08-31 2020-08-31 一种面向cbct图像的密度峰值超像素预处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010896063.5A CN112132189B (zh) 2020-08-31 2020-08-31 一种面向cbct图像的密度峰值超像素预处理方法

Publications (2)

Publication Number Publication Date
CN112132189A true CN112132189A (zh) 2020-12-25
CN112132189B CN112132189B (zh) 2024-03-22

Family

ID=73847728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010896063.5A Active CN112132189B (zh) 2020-08-31 2020-08-31 一种面向cbct图像的密度峰值超像素预处理方法

Country Status (1)

Country Link
CN (1) CN112132189B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113470054A (zh) * 2021-06-17 2021-10-01 浙江工业大学 一种基于边缘概率的口腔cbct超像素生成方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106952271A (zh) * 2017-03-08 2017-07-14 西北工业大学 一种基于超像素分割和em/mpm处理的图像分割方法
US20180012365A1 (en) * 2015-03-20 2018-01-11 Ventana Medical Systems, Inc. System and method for image segmentation

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180012365A1 (en) * 2015-03-20 2018-01-11 Ventana Medical Systems, Inc. System and method for image segmentation
CN106952271A (zh) * 2017-03-08 2017-07-14 西北工业大学 一种基于超像素分割和em/mpm处理的图像分割方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113470054A (zh) * 2021-06-17 2021-10-01 浙江工业大学 一种基于边缘概率的口腔cbct超像素生成方法
CN113470054B (zh) * 2021-06-17 2024-04-16 浙江工业大学 一种基于边缘概率的口腔cbct超像素生成方法

Also Published As

Publication number Publication date
CN112132189B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
CN110310281B (zh) 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法
CN110934606B (zh) 脑卒中早期平扫ct图像评估***及评估方法、可读存储介质
CN110176012B (zh) 图像中的目标分割方法、池化方法、装置及存储介质
CN110930416B (zh) 一种基于u型网络的mri图像***分割方法
CN110321920A (zh) 图像分类方法、装置、计算机可读存储介质和计算机设备
CN110689564B (zh) 一种基于超像素聚类的牙弓线绘制方法
CN108537784A (zh) 一种基于深度学习的ct图肺结节检测方法
CN109191510B (zh) 一种病理切片的3d重建方法及其装置
CN112086197A (zh) 基于超声医学的乳腺结节检测方法及***
CN112381811B (zh) 一种实现医学影像数据标注的方法、装置及设备
CN112991365B (zh) 一种冠状动脉分割方法、***及存储介质
CN112651929B (zh) 基于三维全卷积神经网络及区域生长的医学影像器官分割方法及***
CN114757960A (zh) 一种基于cbct图像的牙齿分割与重建方法及存储介质
CN112132189B (zh) 一种面向cbct图像的密度峰值超像素预处理方法
CN113643297A (zh) 一种基于神经网络的计算机辅助牙龄分析方法
CN116758087B (zh) 一种腰椎ct骨窗侧隐窝间隙检测方法及装置
CN116883341A (zh) 一种基于深度学习的肝脏肿瘤ct图像自动分割方法
CN115761226A (zh) 一种口腔影像分割识别方法、装置、电子设备和存储介质
CN112967295B (zh) 一种基于残差网络和注意力机制的图像处理方法及***
CN115294151A (zh) 基于多任务卷积模型的肺部ct感兴趣区域自动检测方法
CN111080572B (zh) 白质高信号定位方法、装置、设备和存储介质
CN113255794A (zh) 一种基于GoogLeNet网络的医学图像分类方法
CN112767548B (zh) 一种三维阈值立体图形展开方法
CN110706209A (zh) 一种网格网络的大脑磁共振图像肿瘤定位方法
CN111932486A (zh) 一种基于3d卷积神经网络的脑胶质瘤分割方法

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