CN116563296B - 一种用于腹部ct图像的识别方法 - Google Patents

一种用于腹部ct图像的识别方法 Download PDF

Info

Publication number
CN116563296B
CN116563296B CN202310848342.8A CN202310848342A CN116563296B CN 116563296 B CN116563296 B CN 116563296B CN 202310848342 A CN202310848342 A CN 202310848342A CN 116563296 B CN116563296 B CN 116563296B
Authority
CN
China
Prior art keywords
cluster
image
satisfaction
abdomen
pixel points
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
Application number
CN202310848342.8A
Other languages
English (en)
Other versions
CN116563296A (zh
Inventor
张向怀
方芳
赵开会
吴思
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.)
Jilin Yuyu Network Technology Co ltd
Original Assignee
Jilin Yuyu Network Technology Co ltd
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 Jilin Yuyu Network Technology Co ltd filed Critical Jilin Yuyu Network Technology Co ltd
Priority to CN202310848342.8A priority Critical patent/CN116563296B/zh
Publication of CN116563296A publication Critical patent/CN116563296A/zh
Application granted granted Critical
Publication of CN116563296B publication Critical patent/CN116563296B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20081—Training; Learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像数据处理领域，具体涉及一种用于腹部CT图像的识别方法。获取腹部CT灰度图像并对像素点进行聚类，得到多个簇类；对每个簇类进行边缘检测，获取每个簇类中边缘像素点的个数；获取每个簇类的分散程度；获取每个簇类的满意度，将满意度小于阈值的簇类作为第一簇类；获取第一簇类的质心调整距离对质心进行更新，并以更新后的聚类中心点重新聚类，依次迭代，直至簇类的满意度满足预设条件，获取此时的多个簇类；根据多个簇类对腹部CT灰度图像进行分割，根据分割后图像中的像素点进行器官识别。本发明通过调整聚类中心点，并获取每个簇类的满意度作为调整的判断依据，能够有效解决聚类过程中出现局部最优的问题。

Description

一种用于腹部CT图像的识别方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种用于腹部CT图像的识别方法。
背景技术
随着医疗中对于医学影像的使用日渐增多，对于CT（计算机断层显像）图像的分割在医学影像处理领域因其可以辅助治疗，辅助判断而越来越重要，在图像分割的各种手段中，神经网络因为需要大量数据进行训练模型而使用成本过高，因此需要通过一些无监督学习的方法进行图像分割的方式，而图像分割和对象提取是聚类分析的主要应用方面，其主要目的是按事物间的相似性对给定事物进行区分和分类，使每一类中的元素尽可能具有相同的特性，不同聚类之间的特性差别尽可能的大，其中K-means聚类算法作为聚类算法的中最简单、快速的一种，受到了广泛的使用。
在实际应用中发现K-means聚类算法在大数据量时的扩展性和效率都较理想，但是在使用K-means聚类方法对CT图像进行处理时，因为K-means算法的原因，聚类中心的初始化时，有可能会陷入局部最优或者产生空类的情况，导致图像中部分簇类中的样本点少，且在图像中的位置十分分散，其中多是边缘点等情况，会严重影响图像的分割，导致后续通过神经网络进行图像识别时识别效率较差或识别精度存在误差，在医学领域中会造成严重的后果。
发明内容
为了解决现有技术中利用K-means聚类算法CT图像进行识别时会出现局部最优，导致后续图像识别效率较差，识别精度存在误差的问题，本发明提供一种用于腹部CT图像的识别方法，包括：获取腹部CT灰度图像并对像素点进行聚类，得到多个簇类；对每个簇类进行边缘检测，获取每个簇类中边缘像素点的个数；获取每个簇类的分散程度；获取每个簇类的满意度，将满意度小于阈值的簇类作为第一簇类；获取第一簇类的质心调整距离；对第一簇类的质心进行更新，并以更新后的聚类中心点重新聚类，依次迭代，直至簇类的满意度满足预设条件，获取此时的多个簇类；根据多个簇类对腹部CT灰度图像进行分割，根据分割后图像中的像素点进行器官识别。本发明通过调整聚类中心点，并获取每个簇类的满意度作为调整的判断依据，能够有效解决聚类过程中出现局部最优的问题。
本发明采用如下技术方案，一种用于腹部CT图像的识别方法，包括：
获取腹部CT灰度图像，并对腹部CT灰度图像进行边缘检测，得到腹部CT灰度图像中的边缘像素点；
对腹部CT灰度图像中的像素点进行聚类，得到多个簇类，获取每个簇类中边缘像素点的个数；
根据每个簇类中两两像素点之间的距离获取每个簇类的分散程度；
根据每个簇类中像素点的个数、边缘像素点的个数以及每个簇类的分散程度获取每个簇类的满意度，并将满意度小于阈值的簇类作为第一簇类；
根据每个第一簇类的质心与其相邻满意度大于阈值的簇类的质心之间的距离，以及每个第一簇类的满意度获取每个第一簇类的质心调整距离；
根据每个第一簇类的质心调整距离对每个第一簇类的质心的位置进行调整，并以调整后的质心重新进行聚类，依次迭代，直至重新聚类后每个簇类的满意度未发生改变，得到腹部CT灰度图像中的多个最终簇类；
根据最终簇类对腹部CT灰度图像进行分割，得到多个分割区域，利用神经网络对每个分割区域进行器官识别。
进一步的，一种用于腹部CT图像的识别方法，获取每个簇类的满意度的方法为：
将每个簇类中像素点的个数、边缘像素点的个数以及每个簇类的分散程度分别进行归一化处理；
获取归一化后每个簇类中边缘点个数与每个簇类的分散程度的乘积；
根据归一化后每个簇类中像素点个数与该乘积的比值得到每个簇类的满意度。
进一步的，一种用于腹部CT图像的识别方法，获取每个第一簇类的质心调整距离的方法为：
获取每个第一簇类相邻的满意度大于阈值的簇类，并获取每个第一簇类的质心与其相邻的满意度大于阈值的簇类质心的最大距离；
根据每个第一簇类的满意度以及每个第一簇类的质心与其相邻的满意度大于阈值的簇类质心的最大距离获取每个第一簇类的质心调整距离。
进一步的，一种用于腹部CT图像的识别方法，以调整后的质心重新进行聚类，依次迭代，还包括：
设定平均阈值和最低阈值，获取每次迭代后所有簇类的满意度；
当迭代后所有簇类的满意度均值小于平均阈值时，停止迭代；
当迭代后存在簇类的满意度小于最低阈值时，停止迭代。
进一步的，一种用于腹部CT图像的识别方法，获取腹部CT灰度图像之后，还包括：
利用高斯滤波对腹部CT灰度图像进行降噪处理。
进一步的，一种用于腹部CT图像的识别方法，对腹部CT灰度图像中的像素点进行聚类的方法为：
随机选择K个初始聚类中心，利用K-means聚类算法对腹部CT灰度图像中的像素点进行聚类，得到K个初始簇类。
本发明的有益效果是：本发明结合聚类后每个簇类中的像素点数量、边缘像素点数量以及簇类中像素点的分散程度来获取每个簇类的满意度，能够准确体现出每个簇类的聚类情况，从而根据每个簇类的满意度的大小对每个簇类进行验证，筛选出不符合条件的簇类调整质心位置，并重新进行聚类验证其收敛情况，相较于传统聚类，通过满意程度验证其在全局考量中是否为最优情况，计算简单且效果明确，能够有效地避免聚类结果出现局部最优的情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种用于腹部CT图像的识别方法结构示意图。
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。
如图1所示，给出了本发明实施例的一种用于腹部CT图像的识别方法结构示意图，包括：
101.获取腹部CT灰度图像并进行聚类，得到多个簇类。
获取腹部CT灰度图像之后，还包括：
对腹部CT灰度图像进行高斯滤波处理。
本发明通过计算机断层扫描技术获取腹部的体素图像，并截取需要进行图像分割的截面图像，然后将获取的截面图像转化为灰度图，本发明采用高斯滤波对图像进行轻微的降噪，从而使得图像更加平滑，降低边缘点灰度变化不均匀对聚类结果的影响。
将获取的原始灰度图像在灰度数轴上进行K-means聚类，选择初始化的k个样本作为初始聚类中心，针对数据集中的每个样本/>计算它到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中，从而得到多个簇类。
102.获取每个簇类中的边缘像素点，获取每个簇类的分散程度。
获取每个簇类的分散程度的方法为：
获取每个簇类中任意两两像素点的距离；
根据每个簇类中每个像素点到其它像素点的距离均值获取每个簇类的分散程度。
首先获取簇类中每个像素点在原始图像空间中到簇类中其它像素点的平均距离：
其中，为第i个簇类集合，p在上式中通过/>表示为/>簇类中不同于j的像素点，/>分别表示p点在原图像中的/>坐标，/>表示第i个簇类集合/>中的第j个像素点，/>分别表示点/>在图像中的/>坐标，/>为簇类/>中像素点数量，/>表示第j个像素点与簇类中其他像素点的平均距离。
在一个簇类中每一个像素点都对应着一个平均距离，那么簇类的分散程度就可以通过所有像素点的平均距离来进行判断，表达式为：
其中，为/>中第/>个像素点在图像中的与其它像素点的平均距离，/>为/>中像素点数量，/>为第i个簇类/>的分散程度，将每个簇类中分散程度的程度映射为归一化的指标：
其中，表示簇类/>分散程度的归一化指标，e表示以e为底的指数函数。
在聚类过程中，通常不希望同一簇类中的像素点在原图像中的位置过于分散，尤其是当某一簇类的像素点数量比较小的同时分布还很分散，说明该簇类中的点极有可能是一些噪声点或是边缘点，由此对于一个簇类中所有像素点的分散程度可以通过簇类中每个像素点在原始图像空间中到簇类中其它像素点的平均距离来进行判断。
103.获取每个簇类的满意度，获取满意度小于阈值的簇类作为第一簇类。
获取每个簇类的满意度的方法为：
将每个簇类中像素点的个数、边缘像素点的个数以及每个簇类的分散程度分别进行归一化处理；
获取归一化后每个簇类中边缘点个数与每个簇类的分散程度的乘积；
根据归一化后每个簇类中像素点个数与该乘积的比值得到每个簇类的满意度。
在腹部图像的聚类中，预期中每一类像素点更多的表示每一个器官而不是图像中的边缘点，因此需要每一个簇类中像素点的数量尽可能高而边缘点的数量尽可能地降低，同时如果簇类中的像素点更加聚集那么所得簇类就是更符合期望的，由此本发明统计每个簇类中像素点的数量，记为：。
将每个簇类中像素点的数量映射为归一化的指标：
其中，为第i个簇类所对应的像素点数量的归一化指标，e为以e为底的指数函数，/>为第i个簇类中的像素点数量，k表示簇类的数量。
对于图像中的边缘点可以通过边缘检测来进行判断，本发明使用Canny算子进行检测，返回的则是一个二值矩阵，归一化后可以得到一个二值矩阵，判断簇类中每一个点所对应的二值矩阵的位置是否为1，如果是1则将其认为是边缘点，统计簇类中所有边缘点的数量，记，然后将每个簇类中边缘点的数量映射为归一化的指标：
其中，为第i个簇类中边缘点的数量，i的取值范围中k表示聚类簇类数量，/>为第i个簇类/>所对应的边缘点数量的归一化指标。
边缘点数量这一指标是根据对于医学图像分割预期而开始考虑的，对于医学图像分割，更在意于将每一个器官或者是切面图像中的血管进行区分，相比于整体的分割，对将大多原图像中的边缘点单独聚为一类的期望很低，因此本发明通过获取簇类中边缘点数量进行簇类满意度这一指标的计算。
计算满意度的表达式为：
其中，为第i个簇类/>所对应的像素点数量的归一化指标，/>为第i个簇类/>所对应的边缘点数量的归一化指标，/>为第i个簇类/>分散程度的归一化指标，i的取值范围中k表示设定的聚类簇类数量，/>为聚类过程中第i个簇类/>的满意度，将每个簇类的满意度映射为归一化的指标：
其中，为聚类过程中第/>个簇类/>的满意度的归一化指标，本发明将归一化指标作为簇类的满意度，至此，得到了每个簇类的满意度。
本发明将满意度低于阈值的簇类作为第一簇类，第一簇类为聚类后由于随机选择聚类中心，利用K-means聚类方法进行聚类后该簇类中的像素点分布较为离散，且数量较少，因此认为在聚类过程中可能出现了局部最优的情况，此时本发明根据第一簇类的满意度对其质心位置进行调整，并重新聚类，从而克服局部最优情况的同时争取聚类达到全局最优，本发明中阈值根据实际情况可自行设定，该阈值不唯一。
104.获取第一簇类的质心调整距离。
获取第一簇类的质心调整距离的方法为：
获取每个第一簇类相邻的满意度大于阈值的簇类，并获取每个第一簇类的质心与其相邻的满意度大于阈值的簇类质心的最大距离；
根据每个第一簇类的满意度以及每个第一簇类的质心与其相邻的满意度大于阈值的簇类质心的最大距离获取每个第一簇类的质心调整距离。
对于灰度轴上的灰度图像聚类，簇类中心点都是在数轴上移动，本发明在调整簇类中心点位置时，需要使其摆脱局域最优的影响，从而可以继续迭代寻找最优点，因此本发明通过最远相邻簇的距离与满意度进行度量。
通过计算第一簇类与其最远相邻簇间的距离进行质心调整距离的计算，首先寻找簇类的最近相邻簇，记为簇类/>的类中心点（质心），对于质心/>判断/>中距离更远的一个质心点，即：/>，其中/>分别为/>的左右两侧相邻类中心点，需要说明的是，在获取第一簇类的质心调整距离时，其最近相邻簇类需要选择满意度大于阈值的簇类。
本发明以第一簇类的最远相邻簇类的质心点作为该第一簇类质心/>的调整方向，获取/>与/>之间的距离为/>，则质心调整距离为/>。
105.对第一簇类的质心进行更新，并以更新后的聚类中心点重新聚类，依次迭代，直至簇类的满意度未发生改变。
簇类满意度满足的预设条件还包括：
设定平均阈值和最低阈值，获取每次迭代后所有簇类的满意度；
当迭代后所有簇类的满意度均值小于平均阈值时，停止迭代；当迭代后存在簇类的满意度小于最低阈值时，停止迭代，其中，平均阈值和最低阈值均可以根据实际情况进行设定，本发明不做限制。
由于每次重新聚类后，所有簇类的满意度都可能会发生变化，当第一簇类的满意度进行调整时，可能会导致原本的非第一簇类的满意度降低，为了防止非第一簇类因为第一簇类的满意度调整而转化为第一簇类的情况出现，本发明在考虑第一簇类的满意度时，同时设定两个阈值，即平均阈值和最低阈值。
平均阈值是用来限定每次迭代后所有簇类的满意度均值，即当重新聚类完成后，原本第一簇类的满意度仍然在发生变化，此时需要考虑整体簇类的满意度情况，即若整体簇类的满意度均值降低至平均阈值时，虽然此时第一簇类的满意度仍小于阈值，但是整体图像的聚类效果已经无法调整，此种情况可能是由于K值选择不理想导致的，因此需要重新选择K值进行聚类。
需要说明的是，本发明中对第一簇类迭代聚类时，第一簇类的满意度变化是不断提高直至不发生变化，若迭代后第一簇类的满意度反而降低，此时设定最低阈值，即迭代后存在任意簇类的满意度降低至最低阈值，则获取初始聚类后得到的多个簇类作为对图像进行分割的簇类。
106.根据多个簇类对腹部CT灰度图像进行分割，并进行器官识别。
本发明对CT图像中各个器官进行识别时，需要根据不同的识别目的进行聚类K值的选取，即通过不同的K值选取，并获取满意的聚类结果的簇类，从而对分割后的图像中各个区域进行对应器官识别。
本发明通过语义分割神经网络识别所获取腹部CT图像中的分割簇类表示的器官，所采用目标识别神经网络的具体内容为：
使用语义分割Unet网络，输入簇类图像后，输出对应的语义分割结果。先通过卷积、池化来提取图像特征，而后采用反卷积、反池化操作来重构图像，获得对应输入图像的标签分类结果。
搜集大量相应CT图像分割后的各个器官图像作为数据集，来训练神经网络。
由人为标注图像中的类别信息，获得每个图像对应的图像标签信息，其中标注背景像素类别为0，肝脏为1，胆囊为2，胰腺为3。
由于是分类任务，所以网络采用交叉熵损失函数来监督训练。
神经网络训练完成后，可把分割后簇类的图像送入网络中，由网络推理得到对应的类别标签，确定簇类所示器官，识别出CT图像中的各个器官后，需可视化显示到相应的显示器上，以便用户更加直观的查看CT图像中各部分信息。
本发明结合聚类后每个簇类中的像素点数量、边缘像素点数量以及簇类中像素点的分散程度来获取每个簇类的满意度，能够准确体现出每个簇类的聚类情况，从而根据每个簇类的满意度的大小对每个簇类进行验证，筛选出不符合条件的簇类调整质心位置，并重新进行聚类验证其收敛情况，相较于传统聚类，通过满意程度验证其在全局考量中是否为最优情况，计算简单且效果明确，能够有效地避免聚类结果出现局部最优的情况。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种用于腹部CT图像的识别方法，其特征在于，包括：
获取腹部CT灰度图像，并对腹部CT灰度图像进行边缘检测，得到腹部CT灰度图像中的边缘像素点；
对腹部CT灰度图像中的像素点进行聚类，得到多个簇类，获取每个簇类中边缘像素点的个数；
根据每个簇类中两两像素点之间的距离获取每个簇类的分散程度；
根据每个簇类中像素点的个数、边缘像素点的个数以及每个簇类的分散程度获取每个簇类的满意度，并将满意度小于阈值的簇类作为第一簇类；
根据每个第一簇类的质心与其相邻满意度大于阈值的簇类的质心之间的距离，以及每个第一簇类的满意度获取每个第一簇类的质心调整距离；
根据每个第一簇类的质心调整距离对每个第一簇类的质心的位置进行调整，并以调整后的质心重新进行聚类，依次迭代，直至重新聚类后每个簇类的满意度未发生改变，得到腹部CT灰度图像中的多个最终簇类；
根据最终簇类对腹部CT灰度图像进行分割，得到多个分割区域，利用神经网络对每个分割区域进行器官识别；
获取每个簇类的满意度的方法为：
将每个簇类中像素点的个数、边缘像素点的个数以及每个簇类的分散程度分别进行归一化处理；
获取归一化后每个簇类中边缘点个数与每个簇类的分散程度的乘积；
根据归一化后每个簇类中像素点个数与该乘积的比值得到每个簇类的满意度；
计算满意度的表达式为：
其中，为第i个簇类/>所对应的像素点数量的归一化指标，/>为第i个簇类/>所对应的边缘点数量的归一化指标，/>为第i个簇类/>分散程度的归一化指标，i的取值范围中k表示设定的聚类簇类数量，/>为聚类过程中第i个簇类/>的满意度。
2.根据权利要求1所述的一种用于腹部CT图像的识别方法，其特征在于，获取每个簇类的分散程度的方法为：
根据每个簇类中每个像素点到其它像素点的距离均值之和，与每个簇类中像素点的数量的比值获取每个簇类的分散程度。
3.根据权利要求1所述的一种用于腹部CT图像的识别方法，其特征在于，获取每个第一簇类的质心调整距离的方法为：
获取每个第一簇类相邻的满意度大于阈值的簇类，并获取每个第一簇类的质心与其相邻的满意度大于阈值的簇类质心的最大距离；
根据每个第一簇类的满意度以及每个第一簇类的质心与其相邻的满意度大于阈值的簇类质心的最大距离获取每个第一簇类的质心调整距离。
4.根据权利要求1所述的一种用于腹部CT图像的识别方法，其特征在于，以调整后的质心重新进行聚类，依次迭代，还包括：
设定平均阈值和最低阈值，获取每次迭代后所有簇类的满意度；
当迭代后所有簇类的满意度均值小于平均阈值时，停止迭代；
当迭代后存在簇类的满意度小于最低阈值时，停止迭代。
5.根据权利要求1所述的一种用于腹部CT图像的识别方法，其特征在于，获取腹部CT灰度图像之后，还包括：
利用高斯滤波对腹部CT灰度图像进行降噪处理。
6.根据权利要求1所述的一种用于腹部CT图像的识别方法，其特征在于，对腹部CT灰度图像中的像素点进行聚类的方法为：
随机选择K个初始聚类中心，利用K-means聚类算法对腹部CT灰度图像中的像素点进行聚类，得到K个初始簇类。
CN202310848342.8A 2023-07-12 2023-07-12 一种用于腹部ct图像的识别方法 Active CN116563296B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310848342.8A CN116563296B (zh) 2023-07-12 2023-07-12 一种用于腹部ct图像的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310848342.8A CN116563296B (zh) 2023-07-12 2023-07-12 一种用于腹部ct图像的识别方法

Publications (2)

Publication Number Publication Date
CN116563296A CN116563296A (zh) 2023-08-08
CN116563296B true CN116563296B (zh) 2023-09-05

Family

ID=87493272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310848342.8A Active CN116563296B (zh) 2023-07-12 2023-07-12 一种用于腹部ct图像的识别方法

Country Status (1)

Country Link
CN (1) CN116563296B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116721099B (zh) * 2023-08-09 2023-11-21 山东奥洛瑞医疗科技有限公司 一种基于聚类的肝脏ct影像的图像分割方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311278A (zh) * 2022-10-11 2022-11-08 南通欧惠纺织科技有限公司 一种对于纱线检测的纱线分割方法
CN115330800A (zh) * 2022-10-14 2022-11-11 深圳市亿康医疗技术有限公司 基于图像处理的放疗靶区自动分割方法
CN115423813A (zh) * 2022-11-05 2022-12-02 江苏惠汕新能源集团有限公司 焊管表面焊接缺陷检测方法
CN115953774A (zh) * 2023-03-08 2023-04-11 济宁安泰矿山设备制造有限公司 基于机器视觉的报警器显示数码识别方法
CN116277973A (zh) * 2023-03-02 2023-06-23 河南大学 一种3d打印检测***
CN116309575A (zh) * 2023-05-19 2023-06-23 济宁众达利电气设备有限公司 基于图像处理的电插头生产质量检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311278A (zh) * 2022-10-11 2022-11-08 南通欧惠纺织科技有限公司 一种对于纱线检测的纱线分割方法
CN115330800A (zh) * 2022-10-14 2022-11-11 深圳市亿康医疗技术有限公司 基于图像处理的放疗靶区自动分割方法
CN115423813A (zh) * 2022-11-05 2022-12-02 江苏惠汕新能源集团有限公司 焊管表面焊接缺陷检测方法
CN116277973A (zh) * 2023-03-02 2023-06-23 河南大学 一种3d打印检测***
CN115953774A (zh) * 2023-03-08 2023-04-11 济宁安泰矿山设备制造有限公司 基于机器视觉的报警器显示数码识别方法
CN116309575A (zh) * 2023-05-19 2023-06-23 济宁众达利电气设备有限公司 基于图像处理的电插头生产质量检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于尺度聚类仿射过滤的图像拼接算法;王存睿;张庆灵;段晓东;刘向东;;东北大学学报(自然科学版)(07);全文 *

Also Published As

Publication number Publication date
CN116563296A (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
Sari et al. Unsupervised feature extraction via deep learning for histopathological classification of colon tissue images
CN106803247B (zh) 一种基于多级筛选卷积神经网络的微血管瘤图像识别方法
JP6935377B2 (ja) 時空間画像の変化を自動推論するためのシステムおよび方法
Zhou et al. Automatic detection of exudates in digital color fundus images using superpixel multi-feature classification
CN107316294B (zh) 一种基于改进的深度玻尔兹曼机肺结节特征提取方法
Xie et al. Automatic segmentation of dermoscopy images using self-generating neural networks seeded by genetic algorithm
Papadopoulos et al. Characterization of clustered microcalcifications in digitized mammograms using neural networks and support vector machines
CN106599913B (zh) 一种基于聚类的多标签不平衡生物医学数据分类方法
He et al. A method of green litchi recognition in natural environment based on improved LDA classifier
CN108830853A (zh) 一种基于人工智能的黑色素瘤辅助诊断方法
EP2756456A1 (en) Method and system for the automatic analysis of an image of a biological sample
CN113408605A (zh) 基于小样本学习的高光谱图像半监督分类方法
CN115330800A (zh) 基于图像处理的放疗靶区自动分割方法
CN109978880A (zh) 采用高维特征选择对肺部肿瘤ct图像进行判别的方法
Song et al. Using HOG-LBP features and MMP learning to recognize imaging signs of lung lesions
CN116563296B (zh) 一种用于腹部ct图像的识别方法
CN104217213B (zh) 一种基于对称性理论的医学图像多阶段分类方法
Wang et al. Pixel classification based color image segmentation using quaternion exponent moments
CN110276764A (zh) 基于K值估计的K-Means水下图像背景分割改进算法
CN110610472A (zh) 实现肺结节图像分类检测的计算机装置及方法
Zhao et al. Separate degree based Otsu and signed similarity driven level set for segmenting and counting anthrax spores
Yang et al. Color texture segmentation based on image pixel classification
CN112183237A (zh) 基于颜色空间自适应阈值分割的白细胞自动分类方法
Chopra et al. Recent studies on segmentation techniques for food recognition: A survey
Setiawan et al. Maize leaf disease image classification using bag of features

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