CN116523938A - 骨骼分割后的数据处理方法、装置、设备及可读存储介质 - Google Patents
骨骼分割后的数据处理方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN116523938A CN116523938A CN202310551704.7A CN202310551704A CN116523938A CN 116523938 A CN116523938 A CN 116523938A CN 202310551704 A CN202310551704 A CN 202310551704A CN 116523938 A CN116523938 A CN 116523938A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- result image
- connected domain
- zero
- clustering
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 54
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 title claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 239000012535 impurity Substances 0.000 claims abstract description 23
- 238000003672 processing method Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000000689 upper leg Anatomy 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000004417 patella Anatomy 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000002082 fibula Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000002303 tibia Anatomy 0.000 description 1
- 238000012546 transfer Methods 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
- 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
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供了一种骨骼分割后的数据处理方法、装置、设备及计算机可读存储介质。该骨骼分割后的数据处理方法,包括:对输入的骨骼CT图像进行分割,得到分割结果图像;遍历分割结果图像,对分割结果图像中的每个连通域进行标记;计算标记后的每个连通域的面积;将每个连通域的面积与预设的阈值进行大小比较,并将面积小于阈值的连通域去除,得到杂质过滤后的分割结果图像。根据本申请实施例,能够对骨骼分割后的数据进行杂质过滤处理,进而提高数据的准确性。
Description
技术领域
本申请属于深度学习智能识别技术领域,尤其涉及一种骨骼分割后的数据处理方法、装置、设备及计算机可读存储介质。
背景技术
目前,对骨骼进行分割后,数据中存在较多的误识别区域杂质,导致数据不准确。
因此,如何对骨骼分割后的数据进行杂质过滤处理,进而提高数据的准确性是本领域技术人员亟需解决的技术问题。
发明内容
本申请实施例提供一种骨骼分割后的数据处理方法、装置、设备及计算机可读存储介质,能够对骨骼分割后的数据进行杂质过滤处理,进而提高数据的准确性。
第一方面,本申请实施例提供一种骨骼分割后的数据处理方法,包括:
对输入的骨骼CT图像进行分割,得到分割结果图像;
遍历分割结果图像,对分割结果图像中的每个连通域进行标记;
计算标记后的每个连通域的面积;
将每个连通域的面积与预设的阈值进行大小比较,并将面积小于阈值的连通域去除,得到杂质过滤后的分割结果图像。
可选的,在得到杂质过滤后的分割结果图像之后,方法还包括:
计算标记后的每个连通域的质心;
对质心点进行聚类,确定聚类中心点;
计算聚类中心点坐标的平均值;
标记后的每个连通域,若小于平均值则为左侧区域,若大于平均值则为右侧区域。
可选的,对质心点进行聚类,包括:
计算空间中数据点与聚类中心点间的欧氏距离;
基于欧氏距离,计算误差平方和,以表征聚类结果的好坏程度。
可选的,确定聚类中心点,包括:
随机选择k个样本作为初始聚类中心的均值向量;
将每个样本数据集划分离它距离最近的聚类中心;
根据每个样本所属的聚类中心,更新聚类中心的均值向量;
重复执行上两步,当达到设置的迭代次数或聚类中心的均值向量不再改变时,完成聚类,输出聚类中心点的结果。
可选的,遍历分割结果图像,对分割结果图像中的每个连通域进行标记,包括:
从上到下、从左到右遍历分割结果图像,为每一个非零像素赋予一个数字标签。
可选的,从上到下、从左到右遍历分割结果图像,为每一个非零像素赋予一个数字标签,包括:
当前像素点的上方邻域和左侧邻域的像素点均为零,则赋予当前像素点一个新的数字标签,同时将该标签值记录下来;
当前像素点的上方邻域像素点为零,左侧邻域像素点不为零,则当前像素点的数字标签与左侧像素点的数字标签一致;
当前像素点的上方邻域像素点不为零,左侧邻域像素点为零,则当前像素点的数字标签与上方邻域像素点的数字标签一致;
当前像素点的上方邻域和左侧邻域的像素点均不为零,则当前像素点的数字标签为左侧邻域和上方邻域像素的数字标签的最小值。
可选的,在为每一个非零像素赋予一个数字标签之后,方法还包括:
当同一个连通域中的所有像素点存在数字标签不一致时,对存储数字标签的数组进行一个并查集处理,以使得同一个连通域中的所有像素点的数字标签一致。
第二方面,本申请实施例提供一种骨骼分割后的数据处理装置,包括:
分割模块,用于对输入的骨骼CT图像进行分割,得到分割结果图像;
标记模块,用于遍历分割结果图像,对分割结果图像中的每个连通域进行标记;
计算模块,用于计算标记后的每个连通域的面积;
过滤模块,用于将每个连通域的面积与预设的阈值进行大小比较,并将面积小于阈值的连通域去除,得到杂质过滤后的分割结果图像。
第三方面,本申请实施例提供了一种电子设备,其特征在于,所述电子设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如第一方面所述的骨骼分割后的数据处理方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如第一方面所述的骨骼分割后的数据处理方法。
本申请实施例的骨骼分割后的数据处理方法、装置、设备及计算机可读存储介质,能够对骨骼分割后的数据进行杂质过滤处理,进而提高数据的准确性。
该骨骼分割后的数据处理方法,包括:对输入的骨骼CT图像进行分割,得到分割结果图像;遍历分割结果图像,对分割结果图像中的每个连通域进行标记;计算标记后的每个连通域的面积;将每个连通域的面积与预设的阈值进行大小比较,并将面积小于阈值的连通域去除,得到杂质过滤后的分割结果图像。
可见,该方法将每个连通域的面积与预设的阈值进行大小比较,并将面积小于阈值的连通域去除,得到杂质过滤后的分割结果图像,能够对骨骼分割后的数据进行杂质过滤处理,进而提高数据的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本申请的一些实施方式,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是本申请一个实施例提供的骨骼分割后的数据处理方法的流程示意图;
图2是本申请一个实施例提供的图像杂质过滤示意图;
图3是本申请一个实施例提供的聚类分析示意图;
图4是本申请一个实施例提供的骨骼分割后的数据处理方法的流程示意图;
图5是本申请一个实施例提供的骨骼分割后的数据处理装置的结构示意图;
图6是本申请一个实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
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……”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。
目前,对骨骼进行分割后,数据中存在较多的误识别区域杂质,导致数据不准确。
为了解决现有技术问题,本申请实施例提供了一种骨骼分割后的数据处理方法、装置、设备及计算机可读存储介质。下面首先对本申请实施例所提供的骨骼分割后的数据处理方法进行介绍。
图1示出了本申请一个实施例提供的骨骼分割后的数据处理方法的流程示意图。如图1所示,该骨骼分割后的数据处理方法,包括:
S101、对输入的骨骼CT图像进行分割,得到分割结果图像;
S102、遍历分割结果图像,对分割结果图像中的每个连通域进行标记;
S103、计算标记后的每个连通域的面积;
S104、将每个连通域的面积与预设的阈值进行大小比较,并将面积小于阈值的连通域去除,得到杂质过滤后的分割结果图像。
在一个实施例中,遍历分割结果图像,对分割结果图像中的每个连通域进行标记,包括:
从上到下、从左到右遍历分割结果图像,为每一个非零像素赋予一个数字标签。
在一个实施例中,从上到下、从左到右遍历分割结果图像,为每一个非零像素赋予一个数字标签,包括:
当前像素点的上方邻域和左侧邻域的像素点均为零,则赋予当前像素点一个新的数字标签,同时将该标签值记录下来;
当前像素点的上方邻域像素点为零,左侧邻域像素点不为零,则当前像素点的数字标签与左侧像素点的数字标签一致;
当前像素点的上方邻域像素点不为零,左侧邻域像素点为零,则当前像素点的数字标签与上方邻域像素点的数字标签一致;
当前像素点的上方邻域和左侧邻域的像素点均不为零,则当前像素点的数字标签为左侧邻域和上方邻域像素的数字标签的最小值。
在一个实施例中,在为每一个非零像素赋予一个数字标签之后,方法还包括:
当同一个连通域中的所有像素点存在数字标签不一致时,对存储数字标签的数组进行一个并查集处理,以使得同一个连通域中的所有像素点的数字标签一致。
具体的,图像中的连通区域是指像素值相同且位置相邻的像素组成的区域,连通区域标记算法是将图像中的所有连通区域用不同的符号标记的过程。步骤如下:
1、第一次遍历图像
从上到下,从左到右遍历图像,为每一个非零像素赋予一个数字标签(0像素的数字标签默认为数字0)。从遍历顺序来看访问的当前像素点的正上方像素点和正左方的像素点均已被赋予了数字标签;当前像素点为非零像素时,有以下四种情况。
1)当前像素点的上方邻域和左侧邻域的像素点均为零,则赋予当前像素点一个新的数字标签,同时将该标签值记录下来;
2)当前像素点的上方邻域像素点为零,左侧邻域像素点不为零,则当前像素点的数字标签与左侧像素点的数字标签一致;
3)当前像素点的上方邻域像素点不为零,左侧邻域像素点为零,则当前像素点的数字标签与上方邻域像素点的数字标签一致;
4)当前像素点的上方邻域和左侧邻域的像素点均不为零,则当前像素点的数字标签为左侧邻域和上方邻域像素的数字标签的最小值
2、第二次遍历图像
第一次遍历完成后同一个连通域可能被赋予了一个或多个标签,第二次遍历的目的就是将属于同一连通域的不同数字标签合并,最后实现同一个连通域中的所有像素点的标签一致。因此在第二次遍历开始之前,需要对存储数字标签的数组进行一个并查集处理,使得同一连通域中的不同标签都指向同一标签。
3、对图像进行标记完之后,计算每一个区域的面积,这样会得到多个连通区域。设置阈值:
4、去除标记的区域面积小于阈值Thr的区域,剩余即为去除杂质区域。
图2是本申请一个实施例提供的图像杂质过滤示意图,如图2所示,图像中有四部分区域,其中两个较大的区域是股骨区域,而另外两个较小的区域是误识别为股骨的区域,通过上述方式去除较小面积的区域保留较大面积的区域。
在一个实施例中,在得到杂质过滤后的分割结果图像之后,方法还包括:
计算标记后的每个连通域的质心;
对质心点进行聚类,确定聚类中心点;
计算聚类中心点坐标的平均值;
标记后的每个连通域,若小于平均值则为左侧区域,若大于平均值则为右侧区域。
具体的,基于聚类方法来区分左右侧关节位置,方法如下:
(1)通过连通域方式,标记图像中连通区域;
(2)计算每一个连通区域的质心;
(3)通过聚类方法对质心点进行聚类;
(4)计算聚类后中心点坐标的平均值avg;
(5)标记的连通区域小于avg的即为左侧区域,连通区域大于avg的即为右侧区域。
图3是本申请一个实施例提供的聚类分析示意图,分割后的髌骨区域,右侧髌骨区域有两块区域,通过连通域的方式标记连通区域,并计算每一个连通域的质心,此时得到三个质心,如图3中灰色点;通过聚类分析,右侧的两个点因为距离相近则聚为一类,聚类中心即为图中“+”,计算两个聚类中心点坐标的平均值avg,标记的连通区域小于avg的即为左侧区域,连通区域大于avg的即为右侧区域。
在一个实施例中,对质心点进行聚类,包括:
计算空间中数据点与聚类中心点间的欧氏距离;
基于欧氏距离,计算误差平方和,以表征聚类结果的好坏程度。
具体的,聚类方法如下:
空间中数据点位置与聚类中心位置间的欧氏距离计算公式为:
其中,X为数据点位置;Ci为第i个聚类中心;m为数据对象的维度;Xj,Cij为X和Ci的第j个属性值。
整个数据集的误差平方和SSE计算公式为:
其中,SSE的大小表示聚类结果的好坏;k为聚类的个数。
在一个实施例中,确定聚类中心点,包括:
随机选择k个样本作为初始聚类中心的均值向量;
将每个样本数据集划分离它距离最近的聚类中心;
根据每个样本所属的聚类中心,更新聚类中心的均值向量;
重复执行上两步,当达到设置的迭代次数或聚类中心的均值向量不再改变时,完成聚类,输出聚类中心点的结果。
图4是本申请一个实施例提供的骨骼分割后的数据处理方法的流程示意图,如图4所示,在输入CT数据后,利用Nnunet网络进行骨骼分割,骨骼分割结果包括股骨、胫骨、髌骨和腓骨四个部位的分割结果。对分割结果进行杂质过滤后,通过聚类算法区分左右侧关节的位置。
图5是本申请一个实施例提供的骨骼分割后的数据处理装置的结构示意图,该骨骼分割后的数据处理装置,包括:
分割模块501,用于对输入的骨骼CT图像进行分割,得到分割结果图像;
标记模块502,用于遍历分割结果图像,对分割结果图像中的每个连通域进行标记;
计算模块503,用于计算标记后的每个连通域的面积;
过滤模块504,用于将每个连通域的面积与预设的阈值进行大小比较,并将面积小于阈值的连通域去除,得到杂质过滤后的分割结果图像。
图6示出了本申请实施例提供的电子设备的结构示意图。
电子设备可以包括处理器601以及存储有计算机程序指令的存储器602。
具体地,上述处理器601可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器602可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器602可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器602可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器602可在电子设备的内部或外部。在特定实施例中,存储器602可以是非易失性固态存储器。
在一个实施例中,存储器602可以是只读存储器(Read Only Memory,ROM)。在一个实施例中,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器601通过读取并执行存储器602中存储的计算机程序指令,以实现上述实施例中的任意一种骨骼分割后的数据处理方法。
在一个示例中,电子设备还可包括通信接口603和总线610。其中,如图6所示,处理器601、存储器602、通信接口603通过总线610连接并完成相互间的通信。
通信接口603,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线610包括硬件、软件或两者,将电子设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、***组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线610可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,结合上述实施例中的骨骼分割后的数据处理方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种骨骼分割后的数据处理方法。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能模块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或***。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本申请的实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的***、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种骨骼分割后的数据处理方法,其特征在于,包括:
对输入的骨骼CT图像进行分割,得到分割结果图像;
遍历分割结果图像,对分割结果图像中的每个连通域进行标记;
计算标记后的每个连通域的面积;
将每个连通域的面积与预设的阈值进行大小比较,并将面积小于阈值的连通域去除,得到杂质过滤后的分割结果图像。
2.根据权利要求1所述的骨骼分割后的数据处理方法,其特征在于,在得到杂质过滤后的分割结果图像之后,方法还包括:
计算标记后的每个连通域的质心;
对质心点进行聚类,确定聚类中心点;
计算聚类中心点坐标的平均值;
标记后的每个连通域,若小于平均值则为左侧区域,若大于平均值则为右侧区域。
3.根据权利要求2所述的骨骼分割后的数据处理方法,其特征在于,对质心点进行聚类,包括:
计算空间中数据点与聚类中心点间的欧氏距离;
基于欧氏距离,计算误差平方和,以表征聚类结果的好坏程度。
4.根据权利要求3所述的骨骼分割后的数据处理方法,其特征在于,确定聚类中心点,包括:
随机选择k个样本作为初始聚类中心的均值向量;
将每个样本数据集划分离它距离最近的聚类中心;
根据每个样本所属的聚类中心,更新聚类中心的均值向量;
重复执行上两步,当达到设置的迭代次数或聚类中心的均值向量不再改变时,完成聚类,输出聚类中心点的结果。
5.根据权利要求1所述的骨骼分割后的数据处理方法,其特征在于,遍历分割结果图像,对分割结果图像中的每个连通域进行标记,包括:
从上到下、从左到右遍历分割结果图像,为每一个非零像素赋予一个数字标签。
6.根据权利要求5所述的骨骼分割后的数据处理方法,其特征在于,从上到下、从左到右遍历分割结果图像,为每一个非零像素赋予一个数字标签,包括:
当前像素点的上方邻域和左侧邻域的像素点均为零,则赋予当前像素点一个新的数字标签,同时将该标签值记录下来;
当前像素点的上方邻域像素点为零,左侧邻域像素点不为零,则当前像素点的数字标签与左侧像素点的数字标签一致;
当前像素点的上方邻域像素点不为零,左侧邻域像素点为零,则当前像素点的数字标签与上方邻域像素点的数字标签一致;
当前像素点的上方邻域和左侧邻域的像素点均不为零,则当前像素点的数字标签为左侧邻域和上方邻域像素的数字标签的最小值。
7.根据权利要求5所述的骨骼分割后的数据处理方法,其特征在于,在为每一个非零像素赋予一个数字标签之后,方法还包括:
当同一个连通域中的所有像素点存在数字标签不一致时,对存储数字标签的数组进行一个并查集处理,以使得同一个连通域中的所有像素点的数字标签一致。
8.一种骨骼分割后的数据处理装置,其特征在于,包括:
分割模块,用于对输入的骨骼CT图像进行分割,得到分割结果图像;
标记模块,用于遍历分割结果图像,对分割结果图像中的每个连通域进行标记;
计算模块,用于计算标记后的每个连通域的面积;
过滤模块,用于将每个连通域的面积与预设的阈值进行大小比较,并将面积小于阈值的连通域去除,得到杂质过滤后的分割结果图像。
9.一种电子设备,其特征在于,所述电子设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-7任意一项所述的骨骼分割后的数据处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的骨骼分割后的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310551704.7A CN116523938A (zh) | 2023-05-16 | 2023-05-16 | 骨骼分割后的数据处理方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310551704.7A CN116523938A (zh) | 2023-05-16 | 2023-05-16 | 骨骼分割后的数据处理方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116523938A true CN116523938A (zh) | 2023-08-01 |
Family
ID=87394030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310551704.7A Pending CN116523938A (zh) | 2023-05-16 | 2023-05-16 | 骨骼分割后的数据处理方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523938A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798682A (zh) * | 2017-08-31 | 2018-03-13 | 深圳联影医疗科技有限公司 | 图像分割***、方法、装置和计算机可读存储介质 |
CN110555860A (zh) * | 2018-06-04 | 2019-12-10 | 青岛海信医疗设备股份有限公司 | 医学图像中肋骨区域标注的方法、电子设备和存储介质 |
CN110648337A (zh) * | 2019-09-23 | 2020-01-03 | 武汉联影医疗科技有限公司 | 髋关节分割方法、装置、电子设备和存储介质 |
CN112349391A (zh) * | 2020-11-10 | 2021-02-09 | 山东大学齐鲁医院(青岛) | 一种优化肋骨自动标号方法 |
CN112633059A (zh) * | 2020-11-12 | 2021-04-09 | 泰州职业技术学院 | 一种基于LabVIEW和MATLAB的跌倒远程监控*** |
CN112734743A (zh) * | 2021-01-20 | 2021-04-30 | 武汉中旗生物医疗电子有限公司 | 一种胎儿头围自动测量方法及装置 |
CN112801022A (zh) * | 2021-02-09 | 2021-05-14 | 青岛慧拓智能机器有限公司 | 一种无人驾驶矿卡作业区道路边界快速检测更新的方法 |
CN112818905A (zh) * | 2020-12-10 | 2021-05-18 | 北京航空航天大学 | 一种基于注意力和时空信息的有限像素车辆目标检测方法 |
CN113516784A (zh) * | 2021-07-27 | 2021-10-19 | 四川九洲电器集团有限责任公司 | 一种牙齿分割建模方法和装置 |
CN115937065A (zh) * | 2022-04-20 | 2023-04-07 | 深圳大学 | 显示模组的异物检测方法、装置、设备及存储介质 |
-
2023
- 2023-05-16 CN CN202310551704.7A patent/CN116523938A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798682A (zh) * | 2017-08-31 | 2018-03-13 | 深圳联影医疗科技有限公司 | 图像分割***、方法、装置和计算机可读存储介质 |
CN110555860A (zh) * | 2018-06-04 | 2019-12-10 | 青岛海信医疗设备股份有限公司 | 医学图像中肋骨区域标注的方法、电子设备和存储介质 |
CN110648337A (zh) * | 2019-09-23 | 2020-01-03 | 武汉联影医疗科技有限公司 | 髋关节分割方法、装置、电子设备和存储介质 |
CN112349391A (zh) * | 2020-11-10 | 2021-02-09 | 山东大学齐鲁医院(青岛) | 一种优化肋骨自动标号方法 |
CN112633059A (zh) * | 2020-11-12 | 2021-04-09 | 泰州职业技术学院 | 一种基于LabVIEW和MATLAB的跌倒远程监控*** |
CN112818905A (zh) * | 2020-12-10 | 2021-05-18 | 北京航空航天大学 | 一种基于注意力和时空信息的有限像素车辆目标检测方法 |
CN112734743A (zh) * | 2021-01-20 | 2021-04-30 | 武汉中旗生物医疗电子有限公司 | 一种胎儿头围自动测量方法及装置 |
CN112801022A (zh) * | 2021-02-09 | 2021-05-14 | 青岛慧拓智能机器有限公司 | 一种无人驾驶矿卡作业区道路边界快速检测更新的方法 |
CN113516784A (zh) * | 2021-07-27 | 2021-10-19 | 四川九洲电器集团有限责任公司 | 一种牙齿分割建模方法和装置 |
CN115937065A (zh) * | 2022-04-20 | 2023-04-07 | 深圳大学 | 显示模组的异物检测方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
查宇飞等: "《视频目标跟踪方法》", 31 July 2015, 国防工业出版社, pages: 44 - 45 * |
石军;赵敏帆;薛旭东;郝晓宇;金旭;安虹;张红雁;: "2D级联CNN模型的放疗危及器官自动分割", 中国图象图形学报, vol. 25, no. 10, 31 October 2020 (2020-10-31), pages 0 * |
罗志磊;冯波;叶鹏;: "基于并查集的图像连通域标记算法", 黑龙江科技信息, no. 11, 30 April 2017 (2017-04-30), pages 2 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402264B (zh) | 图像区域分割方法、装置及其模型训练方法及计算机设备 | |
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
US9971929B2 (en) | Fingerprint classification system and method using regular expression machines | |
CN113591967B (zh) | 一种图像处理方法、装置、设备及计算机存储介质 | |
CN107123188B (zh) | 基于模板匹配算法和边缘特征的伤票识别与定位方法 | |
JP2014056572A (ja) | 勾配方位のヒストグラムによるテンプレート・マッチング | |
CN109190742B (zh) | 一种基于灰度特征的编码特征点的解码方法 | |
CN110502962B (zh) | 视频流中目标的检测方法、装置、设备和介质 | |
CN108537832B (zh) | 基于局部不变灰度特征的图像配准方法、图像处理*** | |
CN111507337A (zh) | 基于混合神经网络的车牌识别方法 | |
CN113223614A (zh) | 一种染色体核型分析方法、***、终端设备和存储介质 | |
CN112132103A (zh) | 一种视频人脸检测识别方法和*** | |
CN116543221A (zh) | 关节病变智能检测方法、装置、设备及可读存储介质 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
Chen et al. | Image segmentation based on mathematical morphological operator | |
CN116704490B (zh) | 车牌识别方法、装置和计算机设备 | |
CN111898408B (zh) | 一种快速人脸识别方法及装置 | |
CN117130615A (zh) | 页面数据生成方法、装置、设备及存储介质 | |
CN109993176A (zh) | 图像局部特征描述方法、装置、设备及介质 | |
CN116523938A (zh) | 骨骼分割后的数据处理方法、装置、设备及可读存储介质 | |
Surmacz et al. | An improved algorithm for feature extraction from a fingerprint fuzzy image | |
CN115345806A (zh) | 对象检测方法、装置、电子设备及可读存储介质 | |
CN113780492A (zh) | 一种二维码二值化方法、装置、设备及可读存储介质 | |
CN112102353B (zh) | 运动目标的分类方法、装置、设备及存储介质 | |
CN114120309A (zh) | 一种仪表读数识别方法、装置及计算机设备 |
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 |