CN116188488B - 基于灰度梯度的b超图像病灶区域分割方法及装置 - Google Patents
基于灰度梯度的b超图像病灶区域分割方法及装置 Download PDFInfo
- Publication number
- CN116188488B CN116188488B CN202310033477.9A CN202310033477A CN116188488B CN 116188488 B CN116188488 B CN 116188488B CN 202310033477 A CN202310033477 A CN 202310033477A CN 116188488 B CN116188488 B CN 116188488B
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- region
- initial
- denoising
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000011218 segmentation Effects 0.000 title claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000005520 cutting process Methods 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 238000002604 ultrasonography Methods 0.000 claims description 18
- 230000003902 lesion Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 24
- 230000008859 change Effects 0.000 description 15
- 210000002569 neuron Anatomy 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种基于灰度梯度的B超图像病灶区域分割方法,包括:利用预设的权值系数算法对获取的B超图像进行去噪处理,得到去噪图像;对去噪图像进行对比度增强,得到增强图像;根据增强图像的灰度值生成所述增强图像的灰度梯度;利用所述灰度梯度对所述增强图像进行初始切割,得到所述增强图像的初始区域;生成所述初始区域的区域系数,根据所述区域系数构建BP神经网络,利用所述BP神经网络对所述初始区域进行病灶识别,得到所述初始区域的病灶区域。本发明还提出一种基于灰度梯度的B超图像病灶区域分割装置。本发明可以提高B超图像病灶区域分割的准确性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于灰度梯度的B超图像病灶区域分割方法及装置。
背景技术
B型超声对液体与实质性组织表现出显著的图像差别,在发现肿物、畸形、结石等引致局部结构明显形态改变的疾病方面有着明显优势,无创方便廉价实时等优点使得它在体检和医疗诊治中的应用十分广泛。由于成像原理和过程中的多种因素影响,B超图像常表现出对比度较低、噪声干扰严重、边界模糊等缺点,自动分割在B超中的应用具有较大局限性。
目前,临床上确定B超图像中的病灶区域主要靠医生凭肉眼观察B型超声图像的特征,假阳性率较高,导致活检阳性检出率低。一方面由于人工观察的主观因素较多,对医生经验的依赖性较大,多位医生之间难以形成统一的、正确的诊断结果;另一方面,人工诊断工作量大,容易造成医生的疲劳,且凭经验,感性的认识常会造成误诊或漏诊率的上升,导致了不必要活检数的增加,给病人的身体和心理都造成了伤害,因此如何B超图像病灶区域分割准确性,成为了亟待解决的问题。
发明内容
本发明提供一种基于灰度梯度的B超图像病灶区域分割方法及装置,其主要目的在于B超图像病灶区域分割时准确性较低的问题。
为实现上述目的,本发明提供的一种基于灰度梯度的B超图像病灶区域分割方法,包括:
获取B超图像,利用预设的权值系数算法对所述B超图像进行去噪处理,得到所述B超图像的去噪图像;
对所述去噪图像进行对比度增强,得到所述去噪图像的增强图像;
获取所述增强图像的灰度值,根据所述灰度值生成所述增强图像的灰度梯度;
利用所述灰度梯度对所述增强图像进行初始切割,得到所述增强图像的初始区域;
生成所述初始区域的区域系数,根据所述区域系数构建BP神经网络,利用所述BP神经网络对所述初始区域进行病灶识别,得到所述初始区域的病灶区域。
可选地,所述利用预设的权值系数算法对所述B超图像进行去噪处理,得到所述B超图像的去噪图像,包括:
确定所述B超图像的局部窗口,根据所述局部窗口计算所述B超图像的局部方差;
根据所述局部方差和预设的权值系数算法生成所述局部窗口中像素点的权值系数;
利用所述权值系数和所述像素点的像素灰度生成所述B超图像的权值序列,利用所述权值序列生成所述B超图像的中值;
根据所述中值对所述B超图像进行去噪处理,得到所述B超图像的去噪图像。
可选地,所述利用所述权值序列生成所述B超图像的中值,包括:
利用如下中值确定算法生成所述B超图像中的中值所对应的序号;
其中,∑w(m,n)是局部窗口内所有像素的权值之和,w′(l)是调整后得到的权值序列,M是中值所对应的序号,l是扫描的序号,m是局部窗口内像素的横向标识,n是局部窗口内像素的纵向标识;
利用所述中值所对应的序号和所述权值序列确定所述B超图像的中值。
可选地,所述对所述去噪图像进行对比度增强,得到所述去噪图像的增强图像,包括:
生成所述去噪图像的灰度分布概率,根据所述灰度分布概率将所述去噪图像进行灰度聚类,得到所述去噪图像的分类区域;
逐个对所述分类区域进行直方图均衡化,得到所述分类区域的增强区域,汇集所述增强区域为所述去噪图像的增强图像。
可选地,所述生成所述去噪图像的灰度分布概率,包括:
利用如下概率公式生成所述去噪图像的灰度分布概率:
其中,px是所述去噪图像中第i个灰度级的灰度分布概率,x是所述像素点标识,L表示所述去噪图像的灰度变化范围上限,S是灰度变化范围内值的灰度级集合,其中,S={0,1,2,…,L},nx是灰度级为x的像素数,nx为所述去噪图像的全部像素数。
可选地,所述根据所述灰度分布概率将所述去噪图像进行灰度聚类,得到所述去噪图像的分类区域,包括:
按照预设的灰度阈值对所述灰度变化范围内值的灰度级集合进行划分,得到所述灰度级集合的灰度级子集;
根据所述灰度级子集逐个确定所述去噪图像的灰度区域,计算所述灰度区域的类间方差;
利用所述类间方差、所述灰度级子集和预设的判决准则将所述去噪图像进行灰度划分,得到所述去噪图像的分类区域。
可选地,所述根据所述灰度值生成所述增强图像的灰度梯度,包括:
根据所述灰度值生成所述增强图像的图像函数,根据所述图像函数计算所述增强图像的梯度值和梯度方向;
根据所述梯度值和所述梯度方向确定所述所述增强图像的灰度梯度。
可选地,所述生成所述初始区域的区域系数,包括:
对所述初始区域进行特征提取,得到所述初始区域的初始特征;
对所述初始特征进行特征选择,得到所述初始特征的目标特征;
利用预设的系数算法和所述目标特征计算所述初始区域的区域系数。
可选地,所述根据所述区域系数构建BP神经网络,包括:
获取BP网络结构,对所述BP网络结构进行函数配置,得到初始BP网络;
对所述初始BP网络进行参数配置,得到所述初始BP网络的中间BP网络;
根据所述区域系数获取所述中间BP网络的训练集,利用所述训练集对所述中间BP网络进行训练,得到所述中间BP网络的训练结果;
根据所述训练结果生成所述中间BP网络的优化函数,利用所述优化函数对所述中间BP网络进行优化,得到所述中间BP网络的BP神经网络。
为了解决上述问题,本发明还提供一种基于灰度梯度的B超图像病灶区域分割装置,所述装置包括:
图像去噪模块,用于获取B超图像,利用预设的权值系数算法对所述B超图像进行去噪处理,得到所述B超图像的去噪图像;
图像增强模块,用于对所述去噪图像进行对比度增强,得到所述去噪图像的增强图像;
灰度梯度模块,用于获取所述增强图像的灰度值,根据所述灰度值生成所述增强图像的灰度梯度;
初始切割模块,用于利用所述灰度梯度对所述增强图像进行初始切割,得到所述增强图像的初始区域;
病灶识别模块,用于生成所述初始区域的区域系数,根据所述区域系数构建BP神经网络,利用所述BP神经网络对所述初始区域进行病灶识别,得到所述初始区域的病灶区域。
本发明实施例通过预设的权值系数算法对获取的B超图像进行去噪处理,不仅能滤除了噪声,而且保留了图像中的细节特征,提高了图像质量,对生成的去噪图像进行对比度增强,得到所述去噪图像的增强图像,增强图像中用户感兴趣的信息,同时抑止另外一些信息,有利于提高图像的使用价值,根据增强图像的灰度值生成所述增强图像的灰度梯度,利用所述灰度梯度对所述增强图像进行初始切割,可以更好地确定所述增强图像的边界线,提高确定区域的准确性,最后,利用生成的所述初始区域的区域系数构建BP神经网络,提高了病灶区域的识别率,因此本发明提出基于灰度梯度的B超图像病灶区域分割方法及装置,可以解决B超图像病灶区域分割准确性较低的问题。
附图说明
图1为本发明一实施例提供的基于灰度梯度的B超图像病灶区域分割方法的流程示意图;
图2为本发明一实施例提供的生成分类区域的流程示意图;
图3为本发明一实施例提供的构建BP神经网络的流程示意图;
图4为本发明一实施例提供的基于灰度梯度的B超图像病灶区域分割装置的功能模块图;
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。
本申请实施例提供一种基于灰度梯度的B超图像病灶区域分割方法。所述基于灰度梯度的B超图像病灶区域分割方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于灰度梯度的B超图像病灶区域分割方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于灰度梯度的B超图像病灶区域分割方法的流程示意图。在本实施例中,所述基于灰度梯度的B超图像病灶区域分割方法包括:
S1、获取B超图像,利用预设的权值系数算法对所述B超图像进行去噪处理,得到所述B超图像的去噪图像。
在本发明实施例中,所述B超图像是通过将回声信号以光点的形式显示出来,其中,B超又称二维超声,超声波发射到人体内,人体组织对超声波产生反射,反射回来的信号强弱以光点的形式显示出来,所述回声信号的回声强则光点亮,回声弱则光点暗。
详细地,超声图像由于成像机制的限制,图像生成和传输的过程中,常常受到各种噪声源的干扰和影响使得图像的质量变差。图像质量较差一直是超声图像主要的缺点,特别是由于所成像器官或组织结构上的不均匀性,一些微小的结构不能为超声所分辨,加上声波信号的干涉现象,在超声图像中形成了特有的散斑,散斑噪声降低了图像质量,给医学诊断与自动识别带来了困难,也使得对图像细微特征的分辨、边缘检测、图像分割等后续处理与分析更加困难,反映在图像上,噪声使原本均匀和连续变化的灰度突然变大或减小,形成一些虚假的物体边缘或轮廓。
进一步地,所述B超图像的去噪处理方法包括但不限于:均值滤波、中值滤波及加权中值滤波等,本发明实施例选取加权中值滤波对所述B超图像进行去噪处理,是因为所述加权中值滤波不仅能滤除了噪声,而且保留了图像中的细节特征,比较适合用于所述B超图像去噪。
在本发明实施例中,所述利用预设的权值系数算法对所述B超图像进行去噪处理,得到所述B超图像的去噪图像,包括:
确定所述B超图像的局部窗口,根据所述局部窗口计算所述B超图像的局部方差;
根据所述局部方差和预设的权值系数算法生成所述局部窗口中像素点的权值系数;
利用所述权值系数和所述像素点的像素灰度生成所述B超图像的权值序列,利用所述权值序列生成所述B超图像的中值;
根据所述中值对所述B超图像进行去噪处理,得到所述B超图像的去噪图像。
在本发明实施例中,所述局部窗口是指所述B超图像进行去噪处理时的维度窗口,所述局部方差是指所述B超图像根据所述局部窗口计算出来的方差,可以利用方差公式得到,一般说来,在那些比较均匀的区域,若出现突变则主要是噪声引起的,在这些区域内,所述局部方差很小,接近于零,区域内各像素点的权值大致相等,等同于一般的中值滤波,从而可将突变点去除,在那些包含细节信息或边界的区域,局部方差很大,因此区域内像素点权值随着与中心点距离增大迅速减小,使窗口中心附近的灰度值得以保留,达到保留细节的目的。
详细地,在局部窗口内从上到下,从左至右扫描顺序产生一维权值序列和一维灰度值序列,将所述一维灰度值序列中的灰度值按照从小到大的排序,所述一维权值序列中的权值也进行相应调整,根据排序后的灰度值和调整后的权值得到所述B超图像的权值序列。
详细地,所述预设的权值系数算法为:
其中,W(i,j)是局部窗口中点(i,j)的像素的权值系数,W(N+1,N+1)是局部窗口中像素点集的中值,(i,j)是所述B超图像的局部窗口中点的标识,N是局部窗口的维度,d是点(i,j)到局部窗口中心的距离,D(i,j)是以点(i,j)为中心点的局部窗口的局部方差,C是压缩范围,i是局部窗口的点的横向标识,j是局部窗口的点的纵向标识。
进一步地,所述局部窗口的维度可以选择5*5,所述压缩范围的取值可以是10,权值系数W(i,j)可以取为150,从而生成所述B超图像的中值。
详细地,所述利用所述权值序列生成所述B超图像的中值,包括:
利用如下中值确定算法生成所述B超图像中的中值所对应的序号;
其中,∑w(m,n)是局部窗口内所有像素的权值之和,w′(l)是调整后得到的权值序列,M是中值所对应的序号,l是扫描的序号,m是局部窗口内像素的横向标识,n是局部窗口内像素的纵向标识;
利用所述中值所对应的序号和所述权值序列确定所述B超图像的中值。
S2、对所述去噪图像进行对比度增强,得到所述去噪图像的增强图像。
在本发明实施例中,所述对所述去噪图像进行对比度增强是指增强图像中用户感兴趣的信息,同时抑止另外一些信息,有利于提高图像的使用价值,其主要目的有两个:一是采用一系列技术提高图像的清晰度,使图像有更好的图像质量,改善图像的视觉效果,提高图像成分的清晰度;二是使图像变得更有利于计算机分析和识别处理。
在本发明实施例中,所述对所述去噪图像进行对比度增强,得到所述去噪图像的增强图像,包括:
生成所述去噪图像的灰度分布概率,根据所述灰度分布概率将所述去噪图像进行灰度聚类,得到所述去噪图像的分类区域;
逐个对所述分类区域进行直方图均衡化,得到所述分类区域的增强区域,汇集所述增强区域为所述去噪图像的增强图像。
详细地,直方图表示所述去噪图像中各灰度级像素量的分布状况,反映了所述去噪图像中的灰度和出现这种灰度的概率,横坐标刻度代表图像灰度,纵坐标刻度代表具有相应灰度的像素数量或说代表该图像中出现这种灰度的像素数与图像总像素数之比。
进一步地,分类区域的直方图均衡化是图像增强空域法中的最常用、最重要的算法之一。它以累计分布函数变换为基础的直方图修正法,运用灰度点运算来实现直方图的变换,可以产生一幅灰度级分布具有均匀概率密度的图像,扩展了像素的取值动态范围,从而达到图像增强的目的。
详细地,所述生成所述去噪图像的灰度分布概率,包括:
利用如下概率公式生成所述去噪图像的灰度分布概率:
其中,px是所述去噪图像中第i个灰度级的灰度分布概率,x是所述像素点标识,L表示所述去噪图像的灰度变化范围上限,S是灰度变化范围内值的灰度级集合,其中,S={0,1,2,…,L},nx是灰度级为x的像素数,nx为所述去噪图像的全部像素数。
详细地,利用最大类间方差算法对所述去噪图像像素进行聚类,得到所述去噪图像的分类区域,然后在分别对所述分类区域进行直方图均衡化,可以防止单高峰直方图图像的过度增强,同时,所述直方图均衡化可以有效的扩大灰度动态范围,增强所述去噪图像的对比度。
详细地,参图2所示,所述根据所述灰度分布概率将所述去噪图像进行灰度聚类,得到所述去噪图像的分类区域,包括:
S21、按照预设的灰度阈值对所述灰度变化范围内值的灰度级集合进行划分,得到所述灰度级集合的灰度级子集;
S22、根据所述灰度级子集逐个确定所述去噪图像的灰度区域,计算所述灰度区域的类间方差;
S23、利用所述类间方差、所述灰度级子集和预设的判决准则将所述去噪图像进行灰度划分,得到所述去噪图像的分类区域。
详细地,所述预设的灰度阈值可以是人为设定的,也可以是根据实际情况确定的,用来对所述灰度级集合进行划分。
详细地,所述预设的判决准则是将所述灰度区域的类间方差做商后得到的结果,根据结果确定所述灰度区域的图像差别,利用所述图像差别进行所述去噪图像的灰度划分。
S3、获取所述增强图像的灰度值,根据所述灰度值生成所述增强图像的灰度梯度。
在本发明实施例中,所述增强图像的灰度值可以理解为所述增强图像中像素点的亮度,也就是色彩的深浅程度,所谓颜色或灰度级指黑白显示器中显示像素点的亮暗差别,在彩色显示器中表现为颜色的不同,灰度值越大,图像层次越清楚逼真,灰度值取决于每个像素对应的刷新存储单元的位数和显示器本身的性能,灰度就是没有色彩,RGB色彩分量全部相等。
在本发明实施例中,所述根据所述灰度值生成所述增强图像的灰度梯度,包括:
根据所述灰度值生成所述增强图像的图像函数,根据所述图像函数计算所述增强图像的梯度值和梯度方向;
根据所述梯度值和所述梯度方向确定所述所述增强图像的灰度梯度。
详细地,假设将所述增强图像看成二维离散函数,灰度梯度其实就是这个二维离散函数的求导,用差分代替微分,求取图像的灰度梯度。
进一步地,如果一副图像的相邻灰度值有变化,那么梯度就存在,如果图像相邻的像素没有变化,那么梯度就是0,把梯度值和相应的像素相加,那么灰度值没有变化的,像素就没有变化,灰度值变了,像素值也就变了。
详细地,梯度方向是函数变化最快的方向,所以当所述图像函数中存在边缘时,一定有较大的梯度值,相反,当所述图像函数中有比较平滑的部分时,灰度值变化较小,则相应的梯度也较小。
S4、利用所述灰度梯度对所述增强图像进行初始切割,得到所述增强图像的初始区域。
在本发明实施例中,所述利用所述灰度梯度对所述增强图像进行初始切割是因为根据所述灰度梯度可以更好地确定所述增强图像的边界线,根据所述边界线对所述增强图像进行初始切割。
进一步地,物体的边缘是图像局部特性的不连续性的形式出现,例如灰度值的突变,颜色突变,纹理结构的突变,是图像识别中提取图像特征的一个重要属性,通过检测相邻象素特征值的突变性来获得不同区域之间的边缘解决图像分割的问题,其中,边缘点的判定是基于所检测点的本身和它的一些邻点。
S5、生成所述初始区域的区域系数,根据所述区域系数构建BP神经网络,利用所述BP神经网络对所述初始区域进行病灶识别,得到所述初始区域的病灶区域。
在本发明实施例中,所述生成所述初始区域的区域系数,包括:
对所述初始区域进行特征提取,得到所述初始区域的初始特征;
对所述初始特征进行特征选择,得到所述初始特征的目标特征;
利用预设的系数算法和所述目标特征计算所述初始区域的区域系数。
在本发明实施例中,所述初始特征基本可分为形态特征和纹理特征两大类,其中,假设所述B超图像是指乳腺肿瘤的B超图像,那么,所述形态特征包括但不限于:肿瘤的形状、边界规则度、是否有针状体等,所述纹理特征包括但不限于:肿瘤内部的回声分布、与邻近组织的关系等。
详细地,所述特征选择是因为不是所有的特征都能用于后续的识别,需要从所述初始特征中选取出最适合B超图像分类的特征组合,所述特征选择的目的是为了找出能够很好地描述超声图像特征,排除那些对图像识别贡献很小或没有贡献的特征。
进一步地,所述预设的系数算法包括分形维数算法、似圆度算法、粗糙度算法以及纵横比算法。
在本发明实施例中,参图3所示,所述根据所述区域系数构建BP神经网络,包括:
S31、获取BP网络结构,对所述BP网络结构进行函数配置,得到初始BP网络;
S32、对所述初始BP网络进行参数配置,得到所述初始BP网络的中间BP网络;
S33、根据所述区域系数获取所述中间BP网络的训练集,利用所述训练集对所述中间BP网络进行训练,得到所述中间BP网络的训练结果;
S34、根据所述训练结果生成所述中间BP网络的优化函数,利用所述优化函数对所述中间BP网络进行优化,得到所述中间BP网络的BP神经网络。
详细地,所述BP神经网络是指采用BP算法的多层神经网络模型称为BP网络,所述BP神经网络是一个有监督的人工神经网络,BP网络的学习过程由两部分组成:正向传播和反向传播。当正向传播时,输入信息从输入层经隐含层单元处理后传向输出层,每一层神经元的状态只影响下一层的神经元状态。如果在输出层得不到希望的输出,则转入反向传播,将误差信号沿原来的神经元连接通路返回。返回过程中,逐一修改各层神经元连接的权值。这种过程不断迭代,最后使得信号误差达到允许的范围之内。
进一步地,所述对所述BP网络结构进行函数配置中的函数一般是S型函数,所述S型函数是用作所述BP神经网络中的传递函数;所述对所述初始BP网络进行参数配置中的参数包括:输入层的神经元个数、隐含层的神经元个数、输出层的神经元个数、学习效率、目标误差、最大迭代次数以及输出标签键值对等。
详细地,所述优化函数是根据训练结果和预设标签之间的误差生成的,用来对所述中间BP网络进行误差校正,提高神经网络的识别准确率。
详细地,所述利用所述BP神经网络对所述初始区域进行病灶识别是指将待识别的B超图像输入值所述BP神经网络,得到待识别的B超图像的病灶区域。
本发明实施例通过预设的权值系数算法对获取的B超图像进行去噪处理,不仅能滤除了噪声,而且保留了图像中的细节特征,提高了图像质量,对生成的去噪图像进行对比度增强,得到所述去噪图像的增强图像,增强图像中用户感兴趣的信息,同时抑止另外一些信息,有利于提高图像的使用价值,根据增强图像的灰度值生成所述增强图像的灰度梯度,利用所述灰度梯度对所述增强图像进行初始切割,可以更好地确定所述增强图像的边界线,提高确定区域的准确性,最后,利用生成的所述初始区域的区域系数构建BP神经网络,提高了病灶区域的识别率,因此本发明提出基于灰度梯度的B超图像病灶区域分割方法,可以解决B超图像病灶区域分割准确性较低的问题。
如图4所示,是本发明一实施例提供的基于灰度梯度的B超图像病灶区域分割装置的功能模块图。
本发明所述基于灰度梯度的B超图像病灶区域分割装置100可以安装于电子设备中。根据实现的功能,所述基于灰度梯度的B超图像病灶区域分割装置100可以包括图像去噪模块101、图像增强模块102、灰度梯度模块103、初始切割模块104及病灶识别模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述图像去噪模块101,用于获取B超图像,利用预设的权值系数算法对所述B超图像进行去噪处理,得到所述B超图像的去噪图像;
所述图像增强模块102,用于对所述去噪图像进行对比度增强,得到所述去噪图像的增强图像;
所述灰度梯度模块103,用于获取所述增强图像的灰度值,根据所述灰度值生成所述增强图像的灰度梯度;
所述初始切割模块104,用于利用所述灰度梯度对所述增强图像进行初始切割,得到所述增强图像的初始区域;
所述病灶识别模块105,用于生成所述初始区域的区域系数,根据所述区域系数构建BP神经网络,利用所述BP神经网络对所述初始区域进行病灶识别,得到所述初始区域的病灶区域。
在本发明所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种基于灰度梯度的B超图像病灶区域分割方法,其特征在于,所述方法包括:
获取B超图像,利用预设的权值系数算法对所述B超图像进行去噪处理,得到所述B超图像的去噪图像,其中,所述预设的权值系数算法为:
;
其中,是局部窗口中点/>的像素的权值系数,/>是局部窗口中像素点集的中值,/>是所述B超图像的局部窗口中点的标识,/>是局部窗口的维度,/>是点/>到局部窗口中心的距离,/>是以点/>为中心点的局部窗口的方差,/>是压缩范围,/>是局部窗口的点的横向标识,/>是局部窗口的点的纵向标识;
对所述去噪图像进行对比度增强,得到所述去噪图像的增强图像;
获取所述增强图像的灰度值,根据所述灰度值生成所述增强图像的灰度梯度;
利用所述灰度梯度对所述增强图像进行初始切割,得到所述增强图像的初始区域;
生成所述初始区域的区域系数,根据所述区域系数构建BP神经网络,利用所述BP神经网络对所述初始区域进行病灶识别,得到所述初始区域的病灶区域;
所述生成所述初始区域的区域系数包括:
对所述初始区域进行特征提取得到所述初始区域的初始特征;
对所述初始特征进行特征选择得到所述初始特征的目标特征;
利用预设的系数算法和所述目标特征计算所述初始区域的区域系数;
所述预设的系数算法包括分形维数算法、似圆度算法、粗糙度算法以及纵横比算法;
所述根据所述区域系数构建BP神经网络包括:
获取BP网络结构,对所述BP网络结构进行函数配置得到初始BP网络;
对所述初始BP网络进行参数配置得到所述初始BP网络的中间BP网络;
根据所述区域系数获取所述中间BP网络的训练集,利用所述训练集对所述中间BP网络进行训练得到所述中间BP网络的训练结果;
根据所述训练结果生成所述中间BP网络的优化函数,利用所述优化函数对所述中间BP网络进行优化得到所述中间BP网络的BP神经网络。
2.如权利要求1所述的基于灰度梯度的B超图像病灶区域分割方法,其特征在于,所述利用预设的权值系数算法对所述B超图像进行去噪处理,得到所述B超图像的去噪图像,包括:
确定所述B超图像的局部窗口,根据所述局部窗口计算所述B超图像的局部方差;
根据所述局部方差和预设的权值系数算法生成所述局部窗口中像素点的权值系数;
利用所述权值系数和所述像素点的像素灰度生成所述B超图像的权值序列,利用所述权值序列生成所述B超图像的中值;
根据所述中值对所述B超图像进行去噪处理,得到所述B超图像的去噪图像。
3.如权利要求2所述的基于灰度梯度的B超图像病灶区域分割方法,其特征在于,所述利用所述权值序列生成所述B超图像的中值,包括:
利用如下中值确定算法生成所述B超图像中的中值所对应的序号;
;
其中,是局部窗口内所有像素的权值之和,/>是调整后得到的权值序列,/>是中值所对应的序号,/>是扫描的序号,/>是局部窗口内像素的横向标识,/>是局部窗口内像素的纵向标识;
利用所述中值所对应的序号和所述权值序列确定所述B超图像的中值。
4.如权利要求1所述的基于灰度梯度的B超图像病灶区域分割方法,其特征在于,所述对所述去噪图像进行对比度增强,得到所述去噪图像的增强图像,包括:
生成所述去噪图像的灰度分布概率,根据所述灰度分布概率将所述去噪图像进行灰度聚类,得到所述去噪图像的分类区域;
逐个对所述分类区域进行直方图均衡化,得到所述分类区域的增强区域,汇集所述增强区域为所述去噪图像的增强图像。
5.如权利要求4所述的基于灰度梯度的B超图像病灶区域分割方法,其特征在于,所述生成所述去噪图像的灰度分布概率,包括:
利用如下概率公式生成所述去噪图像的灰度分布概率:
;
其中,是所述去噪图像中第/>个灰度级的灰度分布概率,/>是所述像素点标识,/>表示所述去噪图像的灰度变化范围上限,/>是灰度变化范围内值的灰度级集合,其中,,/>是灰度级为/>的像素数,/>为所述去噪图像的全部像素数。
6.如权利要求4所述的基于灰度梯度的B超图像病灶区域分割方法,其特征在于,所述根据所述灰度分布概率将所述去噪图像进行灰度聚类,得到所述去噪图像的分类区域,包括:
按照预设的灰度阈值对所述灰度变化范围内值的灰度级集合进行划分,得到所述灰度级集合的灰度级子集;
根据所述灰度级子集逐个确定所述去噪图像的灰度区域,计算所述灰度区域的类间方差;
利用所述类间方差、所述灰度级子集和预设的判决准则将所述去噪图像进行灰度划分,得到所述去噪图像的分类区域。
7.如权利要求1所述的基于灰度梯度的B超图像病灶区域分割方法,其特征在于,所述根据所述灰度值生成所述增强图像的灰度梯度,包括:
根据所述灰度值生成所述增强图像的图像函数,根据所述图像函数计算所述增强图像的梯度值和梯度方向;
根据所述梯度值和所述梯度方向确定所述所述增强图像的灰度梯度。
8.一种基于灰度梯度的B超图像病灶区域分割装置,其特征在于,所述装置包括:
图像去噪模块,用于获取B超图像,利用预设的权值系数算法对所述B超图像进行去噪处理,得到所述B超图像的去噪图像;
图像增强模块,用于对所述去噪图像进行对比度增强,得到所述去噪图像的增强图像;
灰度梯度模块,用于获取所述增强图像的灰度值,根据所述灰度值生成所述增强图像的灰度梯度;
初始切割模块,用于利用所述灰度梯度对所述增强图像进行初始切割,得到所述增强图像的初始区域;
病灶识别模块,用于生成所述初始区域的区域系数,根据所述区域系数构建BP神经网络,利用所述BP神经网络对所述初始区域进行病灶识别,得到所述初始区域的病灶区域;
所述生成所述初始区域的区域系数包括:
对所述初始区域进行特征提取得到所述初始区域的初始特征;
对所述初始特征进行特征选择得到所述初始特征的目标特征;
利用预设的系数算法和所述目标特征计算所述初始区域的区域系数;
所述预设的系数算法包括分形维数算法、似圆度算法、粗糙度算法以及纵横比算法;
所述根据所述区域系数构建BP神经网络包括:获取BP网络结构,对所述BP网络结构进行函数配置得到初始BP网络;
对所述初始BP网络进行参数配置得到所述初始BP网络的中间BP网络;
根据所述区域系数获取所述中间BP网络的训练集,利用所述训练集对所述中间BP网络进行训练得到所述中间BP网络的训练结果;
根据所述训练结果生成所述中间BP网络的优化函数,利用所述优化函数对所述中间BP网络进行优化得到所述中间BP网络的BP神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310033477.9A CN116188488B (zh) | 2023-01-10 | 2023-01-10 | 基于灰度梯度的b超图像病灶区域分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310033477.9A CN116188488B (zh) | 2023-01-10 | 2023-01-10 | 基于灰度梯度的b超图像病灶区域分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116188488A CN116188488A (zh) | 2023-05-30 |
CN116188488B true CN116188488B (zh) | 2024-01-16 |
Family
ID=86433775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310033477.9A Active CN116188488B (zh) | 2023-01-10 | 2023-01-10 | 基于灰度梯度的b超图像病灶区域分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188488B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117079221B (zh) * | 2023-10-13 | 2024-01-30 | 南方电网调峰调频发电有限公司工程建设管理分公司 | 抽蓄电站地下工程的施工安全监测方法及装置 |
CN117274241B (zh) * | 2023-11-17 | 2024-02-09 | 四川赢信汇通实业有限公司 | 一种基于快速图像分析的制动鼓表面损坏检测方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875409A (zh) * | 2017-03-24 | 2017-06-20 | 云南大学 | 一种轻量型切口疝补片三维超声图像特征提取方法 |
CN108052977A (zh) * | 2017-12-15 | 2018-05-18 | 福建师范大学 | 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法 |
CN108564561A (zh) * | 2017-12-29 | 2018-09-21 | 广州柏视医疗科技有限公司 | 一种钼靶图像中胸大肌区域自动检测方法 |
CN110706225A (zh) * | 2019-10-14 | 2020-01-17 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 基于人工智能的肿瘤识别*** |
CN111666903A (zh) * | 2020-06-10 | 2020-09-15 | 中国电子科技集团公司第二十八研究所 | 一种卫星云图中雷暴云团的识别方法 |
CN112435235A (zh) * | 2020-11-23 | 2021-03-02 | 西安理工大学 | 一种基于图像分析的籽棉含杂率检测方法 |
CN112541481A (zh) * | 2020-12-25 | 2021-03-23 | 南京航空航天大学 | 一种基于深度学习的对海探测雷达目标检测方法 |
CN114241364A (zh) * | 2021-11-30 | 2022-03-25 | 南京理工大学 | 一种架空输电线路异物目标快速标定方法 |
CN115311309A (zh) * | 2022-09-05 | 2022-11-08 | 中科微影(浙江)医疗科技有限公司 | 一种用于核磁共振图像的病灶识别提取方法与*** |
-
2023
- 2023-01-10 CN CN202310033477.9A patent/CN116188488B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875409A (zh) * | 2017-03-24 | 2017-06-20 | 云南大学 | 一种轻量型切口疝补片三维超声图像特征提取方法 |
CN108052977A (zh) * | 2017-12-15 | 2018-05-18 | 福建师范大学 | 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法 |
CN108564561A (zh) * | 2017-12-29 | 2018-09-21 | 广州柏视医疗科技有限公司 | 一种钼靶图像中胸大肌区域自动检测方法 |
CN110706225A (zh) * | 2019-10-14 | 2020-01-17 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 基于人工智能的肿瘤识别*** |
CN111666903A (zh) * | 2020-06-10 | 2020-09-15 | 中国电子科技集团公司第二十八研究所 | 一种卫星云图中雷暴云团的识别方法 |
CN112435235A (zh) * | 2020-11-23 | 2021-03-02 | 西安理工大学 | 一种基于图像分析的籽棉含杂率检测方法 |
CN112541481A (zh) * | 2020-12-25 | 2021-03-23 | 南京航空航天大学 | 一种基于深度学习的对海探测雷达目标检测方法 |
CN114241364A (zh) * | 2021-11-30 | 2022-03-25 | 南京理工大学 | 一种架空输电线路异物目标快速标定方法 |
CN115311309A (zh) * | 2022-09-05 | 2022-11-08 | 中科微影(浙江)医疗科技有限公司 | 一种用于核磁共振图像的病灶识别提取方法与*** |
Also Published As
Publication number | Publication date |
---|---|
CN116188488A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116188488B (zh) | 基于灰度梯度的b超图像病灶区域分割方法及装置 | |
CN109461495B (zh) | 一种医学图像的识别方法、模型训练的方法及服务器 | |
CN111539930B (zh) | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 | |
EP1690230B1 (en) | Automatic multi-dimensional intravascular ultrasound image segmentation method | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
CN110992377B (zh) | 图像分割方法、装置、计算机可读存储介质和设备 | |
Zhou et al. | An iterative speckle filtering algorithm for ultrasound images based on bayesian nonlocal means filter model | |
CN108875741B (zh) | 一种基于多尺度模糊的声学图像纹理特征提取方法 | |
Mei et al. | Improved non-local self-similarity measures for effective speckle noise reduction in ultrasound images | |
Bodzioch et al. | New approach to gallbladder ultrasonic images analysis and lesions recognition | |
JP2002269539A (ja) | 画像処理装置、画像処理装置方法、及び画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体、並びにこれを用いた診断支援システム | |
US20100135574A1 (en) | Image processing using neural network | |
CN107169978B (zh) | 超声图像边缘检测方法及*** | |
CN113313728A (zh) | 一种颅内动脉分割方法及*** | |
CN117115133A (zh) | 一种基于人工智能的医学图像质量快速提升*** | |
CN117115184A (zh) | 一种医疗图像分割模型的训练方法、分割方法及相关产品 | |
JP2022537481A (ja) | 臓器の塊を嚢胞として分類するためのコンピュータを利用する方法 | |
CN108447066B (zh) | 胆道图像分割方法、终端、存储介质 | |
Radhika et al. | Medical image enhancement: a review | |
CN109377461A (zh) | 一种基于nsct的乳腺x射线图像自适应增强方法 | |
Paul et al. | Preprocessing techniques with medical ultrasound common carotid artery images | |
Tamilmani et al. | Early detection of brain cancer using association allotment hierarchical clustering | |
Hu et al. | Ultrasound speckle reduction based on histogram curve matching and region growing | |
Singh et al. | Quality analysis of synthetic ultrasound images using co-occurrence texture statistics | |
Thakur et al. | Speckle reduction in ultrasound medical images using adaptive filter based on second order statistics |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 510000 courtyard, No.466, Xingang Middle Road, Haizhu District, Guangzhou City, Guangdong Province Applicant after: GUANGDONG SECOND PROVINCIAL GENERAL HOSPITAL (GUANGDONG PROVINCIAL EMERGENCY Hospital) Address before: 510000 courtyard, No.466, Xingang Middle Road, Haizhu District, Guangzhou City, Guangdong Province Applicant before: GUANGDONG NO.2 PROVINCIAL PEOPLE'S Hospital |
|
GR01 | Patent grant | ||
GR01 | Patent grant |