CN113129314B - 一种针对肺部阴影智能图像处理方法 - Google Patents
一种针对肺部阴影智能图像处理方法 Download PDFInfo
- Publication number
- CN113129314B CN113129314B CN202110359759.9A CN202110359759A CN113129314B CN 113129314 B CN113129314 B CN 113129314B CN 202110359759 A CN202110359759 A CN 202110359759A CN 113129314 B CN113129314 B CN 113129314B
- Authority
- CN
- China
- Prior art keywords
- lung
- image processing
- node
- processing method
- edge
- 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.)
- Active
Links
- 210000004072 lung Anatomy 0.000 title claims abstract description 59
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 230000002685 pulmonary effect Effects 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 206010056342 Pulmonary mass Diseases 0.000 claims abstract description 12
- 238000007635 classification algorithm Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000000513 principal component analysis Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 8
- 108050006002 RNA polymerase sigma factor FliA Proteins 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 239000000853 adhesive Substances 0.000 claims description 6
- 230000001070 adhesive effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 6
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 12
- 201000005202 lung cancer Diseases 0.000 description 12
- 208000020816 lung neoplasm Diseases 0.000 description 12
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000005452 bending Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000001574 biopsy Methods 0.000 description 2
- 238000013276 bronchoscopy Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002161 passivation Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 208000024891 symptom Diseases 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30064—Lung nodule
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)
- Image Analysis (AREA)
Abstract
本发明提供一种针对肺部阴影智能图像处理方法，包括S1：提取肺部原始图像，对其进行预处理之后分割得到肺部结节；S2：对肺部结节进行特征提取，以获取特征参量；S3：采用主成分分析策略对肺部结节进行特征选择；S4：采用分类算法对肺部结节进行识别得到阳性数据集和阴性数据集。本发明通过边缘填补算法对于在图像显示中肺部结节与肺部之外区域相粘连的区域结构进行捕捉补充，提高了对肺部图像处理时的数据的可靠性。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种针对肺部阴影智能图像处理方法。
背景技术
目前，肺癌占癌症疾病的致死比率很高，根据2015年统计的数据显示，中国新确诊的肺癌病例总数约为78.7万，约有630500例肺癌患者死亡，相当于每天平均死亡1700多人，肺癌患者总数居全球首位且肺癌发病率日趋增高，严重危害了国人的健康。近年来，以高分辨率计算机断层扫描、PET-CT、支气管镜检查、经皮肿瘤穿刺术等技术发展，提高了肺癌的精准筛查和分期的准确性。PET-CT不仅对于评估整体，特别是对于可能的远端转移，而且对于发现一些难以用CT诊断的病变都是很高的价值。病理活检是确诊癌症的“金标准”，支气管镜检查对于在中心型肺癌中进行活检或刷式细胞学检查标本具有很高的价值，通过病理学可以确认95％以上的病变，早期筛查出肺癌非常重要。
肺部结节作为肺癌病灶的基本表征，是肺癌筛查的重要依据，随着CT图像扫描技术的不断提高，亟待解决图像识别处理技术与之相匹配的问题，在提取肺部特征完整性方面是尤为关键，这是因为高密度的肺部边缘粘连影响了肺部图像的边缘提取，肺部边缘组织相似度高，传统的边缘提取算法会漏掉部分特征，由此带来本该保留的具有特征参量的肺部边缘被排除掉，从而造成图像处理过程数据丢失问题。
发明内容
有鉴于此，本发明要解决的问题是提供一种针对肺部阴影智能图像处理方法。
为解决上述技术问题，本发明采用的技术方案是：一种针对肺部阴影智能图像处理方法，包括
S1：提取肺部原始图像，对其进行预处理之后分割得到肺部结节；
S2：对肺部结节进行特征提取，以获取特征参量；
S3：采用主成分分析策略对肺部结节进行特征选择；
S4：采用分类算法对肺部结节进行识别得到阳性数据集和阴性数据集。
在本发明中，优选地，对肺部图像进行预处理具体包括如下步骤：
S11：对肺部原始图像进行去噪处理；
S12：选取合适的阈值将灰度图像转换为二值图像；
S13：检测并获得肺部边缘。
在本发明中，优选地，对步骤S13中的肺部边缘判断其是否闭合，是则执行步骤S2，否则采用边缘填补算法先对肺部边缘进行修补再执行步骤S2。
在本发明中，优选地，所述边缘填补算法具体步骤如下：
T1：对步骤S13中肺部边缘进行离散化采样得到若干节点，将采样结果顺序存储于二维数组a中；
T2：对每个节点进行受力分析，计算得到每个节点均对应一合力∑F；
T3：判断当前节点的合力∑F是否指向边缘内部，若是则将对应的节点存入数组b中，继续下一节点；否则判断当前节点是否符合节点验证条件，若是执行步骤T4，否则将当前节点删除；
T4：将当前对应节点存入数组b中，判断数组b的最后十个元素的差的绝对值是否小于五，若是结束指令；否则重复步骤T3。
在本发明中，优选地，所述节点验证条件具体为合力∑F小于边缘的粘着力Fa的情况。
在本发明中，优选地，对肺部结节进行特征提取具体包括如下步骤：
S21：顺序存放肺部结节的边界点；
S22：找出边界上的关键点；
S23：分别求出相邻三点所构成的三角形属性；
S24：提取关键点的数目、最小凸角和最小凹角。
在本发明中，优选地，特征参量包括形态特征、灰度特征和纹理特征。
在本发明中，优选地，所述主成分分析策略具体包括如下步骤：
对于N个样本分别选取两个观测变量X1、X2进行线性组合，经过坐标变换求解出旋转变换矩阵U；
根据特征向量求得主成分Zi；
利用样本数据对相关矩阵与总体协方差进行估计，将计算主成分问题转化为求解样本协方差矩阵的特征向量及特征值。
在本发明中，优选地，所述分类算法采用BP神经网络算法、fisher分类算法或SVM算法中任一种。
在本发明中，优选地，去噪处理采用的是形态学滤波器、高斯滤波器或中值滤波器的任一种。
本发明具有的优点和积极效果是：执行选定肺部边缘过程中容易遗漏肺部结节，从而检测到的肺部边缘不是闭合的，通过边缘填补算法对于在图像显示中肺部结节与肺部之外区域相粘连的区域结构进行捕捉补充，取若干节点，通过删除属于凸点的节点确定最终的肺部边缘，能够将由于可能与肺部以外的区域相连的部分结节增补到图像处理的原始数据，提高了对肺部图像处理时的数据的可靠性，从而解决了肺部边缘粘连造成的肺部图像的边缘提取不准确的问题。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明提供的一种针对肺部阴影智能图像处理方法的流程图；
图2是本发明提供的一种针对肺部阴影智能图像处理方法的预处理步骤示意图；
图3是本发明提供的一种针对肺部阴影智能图像处理方法的预处理步骤示意图；
图4是本发明提供的一种针对肺部阴影智能图像处理方法的对肺部结节进行特征提取的流程图；
图5是本发明提供的一种针对肺部阴影智能图像处理方法的主成分分析策略的示意图。
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。
需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1至图5所示，本发明提供一种针对肺部阴影智能图像处理方法，包括
S1：提取肺部原始图像，对其进行预处理之后分割得到肺部结节；
S2：对肺部结节进行特征提取，以获取特征参量；
S3：采用主成分分析策略对肺部结节进行特征选择；
S4：采用分类算法对肺部结节进行识别得到阳性数据集和阴性数据集，分类算法采用合适的分类器根据特征检测肺部结节并实现对其分类。
在本实施例中，进一步地，对肺部图像进行预处理具体包括如下步骤：
S11：对肺部原始图像进行去噪处理；
S12：选取合适的阈值将灰度图像转换为二值图像；
S13：检测并获得肺部边缘。
在本实施例中，进一步地，对步骤S13中的肺部边缘判断其是否闭合，是则执行步骤S2，否则采用边缘填补算法先对肺部边缘进行修补再执行步骤S2。
由于肺部以内的肺部结节可能与肺部以外的区域相连，由此可见初步检测得到的肺部边缘不是闭合的，往往还会丢失部分肺部结节，因而需要采用边缘填补算法对开放的肺部结节进行补充。
在本实施例中，进一步地，边缘填补算法具体步骤如下：
T1：对步骤S13中肺部边缘进行离散化采样得到若干节点，将采样结果顺序存储于二维数组a中；
T2：对每个节点进行受力分析，计算得到每个节点均对应一合力∑F，将当前节点记为i，则其上一节点和下一节点分别表示为i-1和i+1，i-1与i+1之间的相互作用力分别表示为
和
那么
则合力
T3：判断当前节点的合力∑F是否指向边缘内部，若是则将对应的节点存入数组b中，继续下一节点；否则判断当前节点是否符合节点验证条件，若是执行步骤T4，否则将当前节点删除；
T4：将当前对应节点存入数组b中，判断数组b的最后十个元素的差的绝对值是否小于五，若是结束指令；否则重复步骤T3。
在本实施例中，进一步地，节点验证条件具体为合力F小于边缘的粘着力Fa的情况。当∑F<Fa时，表示当前节点为凹点，意味着节点处于弯曲较大的边界上，即粘着力Fa吸引当前节点阻止其移动；当∑F≥Fa时，意味着节点处于弯曲半径较小的边界上，即粘着力不能吸引当前节点，当前节点受到合力作用向外部移动，弯曲半径随之变大直至节点停止移动。可以看出，通过比较合力与粘着力的大小能够判断出哪些当前节点为凹点，进而实现肺部边缘的确定。
在本实施例中，进一步地，对肺部结节进行特征提取具体包括如下步骤：
S21：顺序存放肺部结节的边界点；
S22：找出边界上的关键点；
S23：分别求出相邻三点所构成的三角形属性；
S24：提取关键点的数目、最小凸角和最小凹角。
由于肺部结节边界关键点的数量可以评估其曲率大小，若边界关键点个数越多则曲率越大。肺部结节边界上所有凹点中的最小角度称为最小凹角，其出现表示可能存在分叶。最小凸角是肺部结节轮廓上所有凸点中的最小角度，表示可能存在毛刺。弧长和弦长的比值表示为：Ri＝C×B×d÷a此处C选取取大小相同但符号相反的两个整数表示肺部结节边界关键点是属于凸弧段还是属于凹弧段。B选取一正整数值来反映该图像边界的清晰度。边界的清楚程度因子的主要作用是修正由于原图边界模糊而对分割后得到的轮廓的影响。边界上的每个点都可以算出各自的Ri。
在本实施例中，进一步地，特征参量包括形态特征、灰度特征和纹理特征。本发明利用肺部结节在形状上存在的直径、圆度、面积、球度、致密性和离心率几何特点，具体而言，通过上述几何特点得到肺部结节影像中分叶以及毛刺的情况，进而获得潜在的肺癌征兆。分叶情况指的是肺部结节表面存在凹凸不平的多个弧形，使得肺部结节的边缘曲率变大，毛刺情况指的是存在从肺部结节的边缘向周围伸展的直且有力的、无分支呈放射状的又细又短的线条影像。由于肺部CT扫描图像是灰度图像，因而肺部结构能够通过区域之间灰度值进行区分，得到肺部结节内部像素点的灰度值标准差。纹理特征在一定范围内用于度量图像的空间信息，提取纹理特征的过程一般采用数理统计，本发明利用灰度共生矩阵分析图像的纹理特征，能够充分反映纹理中的灰度分布，具体而言，包括图像灰度关于变化幅度、方向以及相邻间隔在内的组合信息。当纹理特征表现为较粗时所对应的能量值更大，反之纹理特征较细时反映的能量值更小。
在本实施例中，进一步地，主成分分析策略具体包括如下步骤：
W1：对于N个样本分别选取两个观测变量X1、X2进行线性组合，经过坐标变换求解出旋转变换矩阵U；
W2：根据特征向量求得主成分Zi；
W3：利用样本数据对相关矩阵与总体协方差进行估计，将计算主成分问题转化为求解样本协方差矩阵的特征向量及特征值。主成分分析策略是将多个具有一定相关性的特征经过计算分析重新生成一组不相关特征，且新的组合特征能够尽可能覆盖原有信息量。一般来说往往是从原P个特征中选出第一个综合指标F1，计算其方差，覆盖的信息越多方差越大。若F1是全部线性组合里面方差(Var(F1))最大的那一组，那么就称其是第一主成分。当F1不足以反映原有特征组合包含的数据信息时，就需要选取第二主成分F2。因为F1和F2不相关，所以有Cov[F1,F2]＝0。在步骤W1对两个观测变量X1、X2进行线性组合时，选取p个随机变量X1，X2，…，Xp，定义线性组合为F1，F2，…，Fk(k≤p)，Fi的表达式为：
将求取p随机变量的问题转化成求取线性组合的问题，线性组合Fi需符合以下三个条件：
COV(Fi,Fj)＝0，i≠j，i,j＝1,2,…，k这是为了令各主成分不含冗余信息；
Var(F1)≥Var(F2)≥…≥Var(Fk)主成分的方差递减，即覆盖的信息量减少。
具体而言，在本实施例中，在N个样本中，取两个观测变量X1、X2将N个样本映射到两观测变量所在坐标系中，样本沿X1、X2的离散度分别表示为Var(X1)和Var(X2)，为了确保信息量不失真，将两观测变量进行线性组合经由坐标变换
之后，由
和UT＝U-1,UTU＝I得出旋转变换矩阵U即可。
样本均值，根据样本均值进行标准化变换之后得到协方差矩阵；
相关矩阵表示为R，得到
其中rij＝xi×xj,i,j＝1,2,…,p。相关矩阵R标准化变换得到协方差矩阵，利用样本数据对相关矩阵与总体协方差进行估计，将计算主成分问题转化为求解样本协方差矩阵的特征向量及特征值。
在本实施例中，进一步地，分类算法采用BP神经网络算法、fisher分类算法或SVM算法中任一种。其中，SVM算法可具体定义凸包：
其中ai表示协相关函数，通过设置合适的参数μ解决线性不可分的问题。
在本实施例中，进一步地，去噪处理采用的是形态学滤波器、高斯滤波器或中值滤波器中的任一种。高斯滤波器通过卷积遍历图像的所有像素点，模板中心像素点的值时模板邻域中像素点的加权平均灰度值，其主要是为了滤除高斯噪声，图像中每个像素点的值都经过该像素点本身以及其邻域中的像素点的值加权平均后获得的。中值滤波器的原理是用像素点邻域中各点值的平均值来替换数字图像或序列中的像素值，这样周围像素点的值就比较接近于真实值，从而可以去掉孤立的噪声点。采用形态学滤波器，其特点为通过开运算滤除图中与结构元素形态不同的部分同时保持相似区域，通过闭运算填充图中与结构元素形态不同的部分，不仅能高效滤波，而且也避免了图像钝化情况的发生。
以上对本发明的实施例进行了详细说明，但内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明范围所作的均等变化与改进等，均应仍归属于本专利涵盖范围之内。
Claims (7)
1.一种针对肺部阴影智能图像处理方法，其特征在于，包括
S1：提取肺部原始图像，对其进行预处理之后分割得到肺部结节；
S2：对肺部结节进行特征提取，以获取特征参量；
S3：采用主成分分析策略对肺部结节进行特征选择；
S4：采用分类算法对肺部结节进行识别得到阳性数据集和阴性数据集；
对肺部图像进行预处理具体包括如下步骤：
S11：对肺部原始图像进行去噪处理；
S12：选取合适的阈值将灰度图像转换为二值图像；
S13：检测并获得肺部边缘；
对步骤S13中的肺部边缘判断其是否闭合，是则执行步骤S2，否则采用边缘填补算法先对肺部边缘进行修补再执行步骤S2；
所述边缘填补算法具体步骤如下：
T1：对步骤S13中肺部边缘进行离散化采样得到若干节点，将采样结果顺序存储于二维数组a中；
T2：对每个节点进行受力分析，计算得到每个节点均对应一合力∑F；
T3：逐个判断当前节点的合力∑F是否指向边缘内部，若是则将对应的节点存入数组b中，继续下一节点；否则判断当前节点是否符合节点验证条件，若是执行步骤T4，否则将当前节点删除；
T4：将当前对应节点存入数组b中，判断数组b最后十个元素的差的绝对值是否小于五，若是结束指令；否则重复步骤T3。
2.根据权利要求1所述的一种针对肺部阴影智能图像处理方法，其特征在于，所述节点验证条件具体为合力∑F小于边缘的粘着力Fa的情况。
3.根据权利要求1所述的一种针对肺部阴影智能图像处理方法，其特征在于，对肺部结节进行特征提取具体包括如下步骤：
S21：顺序存放肺部结节的边界点；
S22：找出边界上的关键点；
S23：分别求出相邻三点所构成的三角形属性；
S24：提取关键点的数目、最小凸角和最小凹角。
4.根据权利要求1所述的一种针对肺部阴影智能图像处理方法，其特征在于，所述特征参量包括形态特征、灰度特征和纹理特征。
5.根据权利要求1所述的一种针对肺部阴影智能图像处理方法，其特征在于，所述主成分分析策略具体包括如下步骤：
W1：对于N个样本分别选取两个观测变量X1、X2进行线性组合，经过坐标变换求解出旋转变换矩阵U；
W2：根据特征向量求得主成分Zi；
W3：利用样本数据对相关矩阵与总体协方差进行估计，将计算主成分问题转化为求解样本协方差矩阵的特征向量及特征值。
6.根据权利要求1所述的一种针对肺部阴影智能图像处理方法，其特征在于，所述分类算法采用BP神经网络算法、fisher分类算法或SVM算法中任一种。
7.根据权利要求1所述的一种针对肺部阴影智能图像处理方法，其特征在于，去噪处理采用的是形态学滤波器、高斯滤波器或中值滤波器的任一种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110359759.9A CN113129314B (zh) | 2021-04-01 | 2021-04-01 | 一种针对肺部阴影智能图像处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110359759.9A CN113129314B (zh) | 2021-04-01 | 2021-04-01 | 一种针对肺部阴影智能图像处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113129314A CN113129314A (zh) | 2021-07-16 |
| CN113129314B true CN113129314B (zh) | 2022-08-02 |
Family
ID=76775489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110359759.9A Active CN113129314B (zh) | 2021-04-01 | 2021-04-01 | 一种针对肺部阴影智能图像处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113129314B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334883A (zh) * | 2018-01-29 | 2018-07-27 | 南京信息工程大学 | 一种基于主成分分析提取独立sift关键点的优化算法 |
| CN109035227A (zh) * | 2018-07-13 | 2018-12-18 | 哈尔滨理工大学 | 对ct图像进行肺部肿瘤检测与诊断的*** |
| CN109300113A (zh) * | 2018-08-28 | 2019-02-01 | 东北大学 | 一种基于改进凸包方法的肺结节辅助检测***及方法 |
| CN109389590A (zh) * | 2017-09-28 | 2019-02-26 | 上海联影医疗科技有限公司 | 结肠图像数据处理***及方法 |
| CN110133741A (zh) * | 2019-05-08 | 2019-08-16 | 常州大学 | 一种多视角匹配和跟踪的自动安检方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976367B (zh) * | 2016-04-29 | 2019-06-28 | 上海联影医疗科技有限公司 | 图像分割方法、肺结节检测方法及其计算机辅助检测*** |
| CN108335277A (zh) * | 2018-03-05 | 2018-07-27 | 北京中科嘉宁科技有限公司 | 一种基于双Graham扫描法的图像凹陷修补方法 |
-
2021
- 2021-04-01 CN CN202110359759.9A patent/CN113129314B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389590A (zh) * | 2017-09-28 | 2019-02-26 | 上海联影医疗科技有限公司 | 结肠图像数据处理***及方法 |
| CN108334883A (zh) * | 2018-01-29 | 2018-07-27 | 南京信息工程大学 | 一种基于主成分分析提取独立sift关键点的优化算法 |
| CN109035227A (zh) * | 2018-07-13 | 2018-12-18 | 哈尔滨理工大学 | 对ct图像进行肺部肿瘤检测与诊断的*** |
| CN109300113A (zh) * | 2018-08-28 | 2019-02-01 | 东北大学 | 一种基于改进凸包方法的肺结节辅助检测***及方法 |
| CN110133741A (zh) * | 2019-05-08 | 2019-08-16 | 常州大学 | 一种多视角匹配和跟踪的自动安检方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于改进凸包算法的肺实质分割研究;李金等;《中国生物医学工程学报》;20130831;第484-490页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113129314A (zh) | 2021-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1593094B1 (en) | Image analysis for the purpose of assessing cancer | |
| CN110443128B (zh) | 一种基于surf特征点精确匹配的指静脉识别方法 | |
| CN101794372B (zh) | 基于频域分析的步态特征表示及识别方法 | |
| CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
| CN110706225B (zh) | 基于人工智能的肿瘤识别*** | |
| CN111598875A (zh) | 甲状腺结节自动检测模型构建方法、***及装置 | |
| CN112862808A (zh) | 一种基于深度学习的乳腺癌超声图像的可解释性识别方法 | |
| Naresh et al. | Early detection of lung cancer using neural network techniques | |
| CN110598030A (zh) | 一种基于局部cnn框架的甲骨拓片分类方法 | |
| Taher et al. | Bayesian classification and artificial neural network methods for lung cancer early diagnosis | |
| CN113706434B (zh) | 基于深度学习对胸部增强ct图像的后处理方法 | |
| CN114140445B (zh) | 基于重点关注区域提取的乳腺癌病理图像识别方法 | |
| CN113223170B (zh) | 一种基于致密砂岩ct图像三维重构的孔隙识别方法 | |
| WO2013019856A1 (en) | Automated malignancy detection in breast histopathological images | |
| US8983154B2 (en) | Method for identifying colon polyps in a computed tomography colonography dataset | |
| CN114155202A (zh) | 基于特征融合和迁移学习的甲状腺结节超声图像分类方法 | |
| Zambal et al. | Shape and appearance models for automatic coronary artery tracking | |
| CN111340770A (zh) | 结合全局加权lbp和纹理分析的癌症预后模型构建方法 | |
| CN116630971B (zh) | 基于CRF_ResUnet++网络的小麦赤霉病孢子分割方法 | |
| CN104933723B (zh) | 基于稀疏表示的舌图像分割方法 | |
| Chen et al. | Segmentation of overlapping cervical cells with mask region convolutional neural network | |
| CN109934102B (zh) | 一种基于图像超分辨率的指静脉识别方法 | |
| CN111860500B (zh) | 一种鞋印磨损区域检测与描边方法 | |
| CN113129314B (zh) | 一种针对肺部阴影智能图像处理方法 | |
| CN116664932A (zh) | 一种基于主动学习的结直肠癌病理组织图像分类方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230626 Address after: Room 219, Building 8, No. 41 Jinlang Road, Langxia Town, Jinshan District, Shanghai, 200000 Patentee after: Shanghai Hanhu Intelligent Technology Co.,Ltd. Address before: No.85 Wujin Road, Hongkou District, Shanghai Patentee before: SHANGHAI FIRST PEOPLE'S Hospital |
|
| TR01 | Transfer of patent right |