CN117911413B - 用于儿童肺部超声检测图像的处理方法 - Google Patents
用于儿童肺部超声检测图像的处理方法 Download PDFInfo
- Publication number
- CN117911413B CN117911413B CN202410315803.XA CN202410315803A CN117911413B CN 117911413 B CN117911413 B CN 117911413B CN 202410315803 A CN202410315803 A CN 202410315803A CN 117911413 B CN117911413 B CN 117911413B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- pixel
- group
- curve
- boundary
- 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 95
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000003672 processing method Methods 0.000 title abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000000877 morphologic effect Effects 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 42
- 210000004224 pleura Anatomy 0.000 claims description 35
- 238000002604 ultrasonography Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 239000006185 dispersion Substances 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 7
- 230000010339 dilation Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 206010003598 Atelectasis Diseases 0.000 description 1
- 208000032571 Infant acute respiratory distress syndrome Diseases 0.000 description 1
- 206010028974 Neonatal respiratory distress syndrome Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 241001085205 Prenanthella exigua Species 0.000 description 1
- 208000007123 Pulmonary Atelectasis Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 201000002652 newborn respiratory distress syndrome Diseases 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 201000003144 pneumothorax Diseases 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 208000005333 pulmonary edema Diseases 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000000779 thoracic wall Anatomy 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及用于儿童肺部超声检测图像的处理方法,包括:识别儿童肺部超声图像中的胸膜线,根据胸膜曲线获得所有像素点组,计算所有像素点组的第一边界概率,根据所有可能像素点获得所有疑似区域,根据结构元素尺寸对所有疑似区域进行形态学操作,计算所有像素点组的第二边界概率,根据像素点组的第三边界概率,获得儿童肺部超声图像中的B线区域的实际边界,根据B线区域的实际边界获得B线区域。本发明减弱B线区域自身在边界处像素点的灰度值渐变弥散,提高对B线区域的边界界定的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及用于儿童肺部超声检测图像的处理方法。
背景技术
在过去的认知里,肺部是身体盲区,因为肺部是含气脏器,由充满气体的肺泡组织,超声会受气体散射干扰,而当肺泡内气体被病理性液体或组织所代替发生肺实变后,超声就能较好地显示肺部的内部结构。新生儿胸壁很薄,胸腔也很小,而且一般没有占位性病变,所以肺部超声可以诊断包括新生儿呼吸窘迫综合征、湿肺、感染性肺炎、肺不张、气胸在内的多种疾病。
在儿童肺部超声图像中,有三个特别重要的线性特征,即胸膜线、与胸膜线平行的A线(简称A线)以及与胸膜线垂直的B线(简称B线),胸膜线、A线和B线这三个线性特征是肺部超声的基础部分;因为气体散射和呼吸运动,造成B线出现边界模糊的情况,导致利用常规的灰度分割或聚类获取的B线对应的区域的边界不准确。
发明内容
本发明提供用于儿童肺部超声检测图像的处理方法,以解决上述技术问题。
获取儿童肺部超声图像,识别儿童肺部超声图像中的胸膜线;
拟合胸膜线的曲线函数记为胸膜曲线,将胸膜曲线上的像素点记为曲线像素点;构建搜索矩形,根据搜索矩形获得每个曲线像素点的第一矩形搜索子窗口、第二矩形搜索子窗口、第三矩形搜索子窗口和像素点组;根据三个矩形搜索子窗口的灰度分布特征计算每个像素点组的第一边界概率;
将儿童肺部超声图像中灰度值大于等于预设阈值参数的像素点记为可能像素点;对所有可能像素点进行聚类,将获得的每个类别记为疑似区域,对于任意一个疑似区域,将与疑似区域相交的所有像素点组记为疑似区域的所有疑似像素点组,根据每个疑似区域的所有疑似像素点组,计算疑似区域的结构元素尺寸,根据每个疑似区域的结构元素尺寸对每个疑似区域进行灰度形态学膨胀处理,获得处理后的疑似区域,获得处理后的儿童肺部超声图像;
将处理后的儿童肺部超声图像中每个像素点的灰度值与处理前的儿童肺部超声图像中对应的像素点的灰度值的差值,记为儿童肺部超声图像中每个像素点的灰度变化程度,根据组成像素点组的所有像素点的灰度变化程度,计算像素点组的第二边界概率;
根据每个像素点组的第一边界概率和第二边界概率获得每个像素点组的第三边界概率,根据每个像素点组的第三边界概率获得B线区域的实际边界,根据B线区域的实际边界获得B线区域。
进一步地,所述构建搜索矩形,包括的具体步骤如下:
构建一个大小为c×w的基础矩形,其中,基础矩形的长边的长度为c,基础矩形的短边的长度为w,c等于胸膜曲线上所有曲线像素点的纵坐标的最小值,w为预设长度;按照从左到右的顺序将3个基础矩形排列组成大小为c×3w的搜索矩形,从左到右将组成搜索矩形的3个基础矩形分别记为基础矩形、基础矩形/>和基础矩形/>,搜索矩形的长边的长度为c,搜索矩形的短边的长度为3w。
进一步地,所述根据搜索矩形获得每个曲线像素点的第一矩形搜索子窗口、第二矩形搜索子窗口、第三矩形搜索子窗口和像素点组,包括的具体步骤如下:
将搜索矩形的两个长边的中间点的连线记为搜索矩形的中心线,将胸膜曲线上的任意一个曲线像素点记为目标曲线像素点,获取胸膜曲线上目标曲线像素点的切线,将经过目标曲线像素点且与目标曲线像素点的切线垂直的直线记为目标曲线像素点的法线,将搜索矩形的一条短边的中间点投影到目标曲线像素点,将搜索矩形的中心线投影到目标曲线像素点的法线,将搜索矩形对应的区域记为目标曲线像素点的矩形搜索窗口,将基础矩形、基础矩形/>和基础矩形/>对应的区域分别记为目标曲线像素点的第一矩形搜索子窗口、第二矩形搜索子窗口和第三矩形搜索子窗口,将位于目标曲线像素点的矩形搜索窗口内且在目标曲线像素点的法线上的所有像素点记为目标曲线像素点的像素点组。
进一步地,所述根据三个矩形搜索子窗口的灰度分布特征计算每个像素点组的第一边界概率,具体计算方法如下:
获取像素点组对应的曲线像素点的第一矩形搜索子窗口中所有像素点的灰度值的均值,记为第一均值;获取像素点组对应的曲线像素点的第二矩形搜索子窗口中所有像素点的灰度值的均值,记为第二均值;获取像素点组对应的曲线像素点的第三矩形搜索子窗口中所有像素点的灰度值的均值,记为第三均值;
根据第一均值、第二均值以及第三均值获得像素点组的第一边界概率。
进一步地,所述根据第一均值、第二均值以及第三均值获得像素点组的第一边界概率,具体计算公式如下:
式中,KB表示像素点组的第一边界概率,表示第一均值,/>表示第二均值,/>表示第三均值。
进一步地,所述根据每个疑似区域的所有疑似像素点组,计算疑似区域的结构元素尺寸,具体计算方法如下:
根据疑似区域的每个疑似像素点组的第一边界概率获得修正因子KB1;结构元素尺寸的具体计算公式如下:
式中,表示疑似区域的结构元素尺寸,/>表示预设尺寸,/>为向下取整符号。
进一步地,所述根据疑似区域的每个疑似像素点组的第一边界概率获得修正因子KB1,具体计算公式如下:
表示疑似区域的第x个疑似像素点组的第一边界概率,/>表示疑似区域的疑似像素点组的数量。
进一步地,所述每个像素点组的第三边界概率的具体计算方法如下:
将每个像素点组的归一化后的第一边界概率和归一化后的第二边界概率的乘积记为每个像素点组的第三边界概率。
进一步地,所述根据组成像素点组的所有像素点的灰度变化程度,计算像素点组的第二边界概率,具体计算公式如下:
式中,表示像素点组的第二边界概率,/>表示像素点组中所有像素点的数量,表示像素点组中第i个像素点的灰度变化程度,/>表示像素点组中所有像素点的灰度变化程度的均值。
进一步地,所述根据每个像素点组的第三边界概率获得B线区域的实际边界,包括的具体步骤如下:
将第三边界概率大于预设经验阈值的像素点组作为B线区域的实际边界。
本发明的技术方案的有益效果是:本发明利用儿童肺部超声图像中B线与胸膜线在图像中的空间分布关系和灰度分布关系,根据胸膜曲线上每个曲线像素点的矩形搜索窗口,获得多个像素点组,利用像素点组在矩形搜索窗口中与相邻区域的灰度值之间差异获得像素点组的第一边界概率,结合疑似像素点组的第一边界概率,自适应获得疑似区域的结构元素尺寸,进行灰度形态学处理,突出儿童肺部超声图像中的较亮区域,根据组成像素点组的所有像素点的灰度变化程度,计算像素点组的第二边界概率,进而根据像素点组的第三边界概率获得B线区域的实际边界,通过对像素点组在相邻区域的灰度差异以及像素点组自身在经过灰度形态学处理前后的变化程度分析,获得像素点组为B线区域边界的可能性,减弱B线区域自身在边界处像素点的灰度值渐变弥散,提高对B线区域的边界界定的准确性。
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为本发明的用于儿童肺部超声检测图像的处理方法的步骤流程图;
图2为本发明的提供的胸膜曲线的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的用于儿童肺部超声检测图像的处理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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。
下面结合附图具体的说明本发明所提供的用于儿童肺部超声检测图像的处理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的用于儿童肺部超声检测图像的处理方法的步骤流程图,该方法包括以下步骤:
S001.获取儿童肺部超声图像,识别儿童肺部超声图像中的胸膜线和A线。
需要说明的是,儿童肺部超声图像与其他传统超声图像不同,儿童肺部超声图像通常反映的不是肺部组织内的直接影像,而是肺部组织内的伪像,通过长期对各种肺部超声伪像进行分析观察总结出儿童肺部超声图像的规律,即儿童肺部超声图像中的肺部征象,具体为根据儿童肺部超声图像中的明暗程度变化、相对位置以及轮廓特征等描述特征,获取儿童肺部超声图像中的肺部征象。与肺脏超声图像有关的线性特征有3个,分别为胸膜线和源自胸膜线的两种伪像:A线和B线。三种线性特征在肺脏超声图像中的呈现特点为:胸膜线是由胸膜与肺表面界面声阻抗的差异所形成的强回声反射,在肺脏超声图像中呈光滑、清晰、规则的线性强回声;A线是当声束与胸膜垂直时,因混响伪像形成多重反射而产生的一种与胸膜线平行的线性强回声,彼此间距相等,在肺野内由浅入深,回声逐渐减低,最后消失,用于提示受检区域胸膜下含气良好;B线是起始于胸膜线并与之垂直、呈放射状发散至肺野深部的线性强回声,用于提示受检区域胸膜下肺通气缺失程度,B线对应的区域面积越大,受检区域胸膜下肺通气缺失程度越严重。
进一步需要说明的是,胸膜线和A线在儿童肺部超声图像中呈现为清晰的亮白线,因此,胸膜线和A线具有明显的图像特征,同时儿童肺部超声图像中胸膜线和A线的具有明显的空间相对位置特点,根据胸膜线可以知道A线的具***置,因此可以利用胸膜线和A线的明显的图像特征和空间相对位置特点对神经网络进行训练,用于判断儿童肺部超声图像中胸膜线和A线的位置。
1.获取儿童肺部超声图像。
使用凸阵超声探头沿纵向和横向对儿童肺部进行扫查,要求超声探头的中心垂直于儿童胸部的骨性轮廓,将获得的图像记为儿童肺部超声图像。
2.识别儿童肺部超声图像中的胸膜线和A线。
通过大量的人工标记胸膜线和A线的儿童肺部超声图像数据集对语义分割网络进行训练,将待处理的儿童肺部超声图像输入到训练完成的语义分割网络中,输出儿童肺部超声图像中的胸膜线和A线,通过语义分割网络实现对儿童肺部超声图像中的胸膜线和A线的识别。
S002.根据胸膜曲线,获得所有像素点组,计算所有像素点组的第一边界概率,根据所有可能像素点获得所有疑似区域,计算所有疑似区域的结构元素尺寸,根据结构元素尺寸对所有疑似区域进行灰度形态学操作,根据处理后的儿童肺部超声图像,计算所有像素点组的第二边界概率。
需要说明的是,对于B线,仅仅只能知道在儿童肺部超声图像中B线与胸膜线在空间上具有垂直关系,而不能知道B线的具***置,同时,B线对应的区域存在边界不清晰的问题,即B线的图像特征不明显,利用神经网络对B线进行识别时,识别精度相比于胸膜线和A线有所降低的,因此需要利用图像处理的方法获取精度较高的B线区域。
1.根据胸膜曲线,获得所有像素点组。
需要说明的是,由于儿童肺部超声图像中,B线区域是相较于儿童肺部超声图像中其他区域灰度值较亮的区域,且B线与胸膜线存在垂直的空间关系,因此可以根据垂直的空间关系特征,在胸膜线的垂直方向搜索获取局部区域的灰度变化特征,根据灰度变化特征判断获取图像中B线区域边缘的大致位置。由于B线与胸膜线是垂直关系,且不随距离衰减、呈激光束样延伸到图像底部,故在图像中基于胸膜线对B线进行搜索。
在本实施例中,在儿童肺部超声图像中,以左下角为圆点,以从左到右的方向为x轴的正方向,以从下到上的方向为y轴的正方向,构建直角坐标系。
利用最小二乘法拟合胸膜线的曲线函数,记为胸膜曲线,如图2所示,将胸膜曲线上的像素点记为曲线像素点。
构建一个大小为c×w的基础矩形,其中,基础矩形的长边的长度为c,基础矩形的短边的长度为w,c等于胸膜曲线上所有曲线像素点的纵坐标的最小值,w为预设长度;按照从左到右的顺序将3个基础矩形排列组成大小为c×3w的搜索矩形,从左到右将组成搜索矩形的3个基础矩形分别记为基础矩形、基础矩形/>和基础矩形/>,搜索矩形的长边的长度为c,搜索矩形的短边的长度为3w,将搜索矩形的两个长边的中间点的连线记为搜索矩形的中心线。
在本实施例中,由于儿童肺部超声图像中B线由于超声的散射效应使得边界有一定的弥散效果,即边界可能会呈现灰度渐变使得在图像中的边界不够清晰,但是B线的边界处灰度渐变的范围通常不会太大,因此,根据经验将预设长度w设置7,在其他实施例中,可以根据经验对预设长度w进行调整,要求预设长度w小于,c等于胸膜曲线上所有曲线像素点的纵坐标的最小值。
将胸膜曲线上的任意一个曲线像素点记为目标曲线像素点,获取胸膜曲线上目标曲线像素点的切线,如图2所示,将经过目标曲线像素点且与目标曲线像素点的切线垂直的直线记为目标曲线像素点的法线,如图2所示,将搜索矩形的一条短边的中间点投影到目标曲线像素点,将搜索矩形的中心线投影到目标曲线像素点的法线,将搜索矩形对应的区域记为目标曲线像素点的矩形搜索窗口,如图2所示,将基础矩形、基础矩形/>和基础矩形对应的区域分别记为目标曲线像素点的第一矩形搜索子窗口、第二矩形搜索子窗口和第三矩形搜索子窗口,将位于目标曲线像素点的矩形搜索窗口内且在目标曲线像素点的法线上的所有像素点记为目标曲线像素点的像素点组。
2.计算所有像素点组的第一边界概率。
需要说明的是,B线区域是相较于儿童肺部超声图像中其他区域灰度值较亮的区域,获取儿童肺部超声图像中各位置的相邻区域的相对灰度值,当相邻区域的灰度值之间相对差异越大时,该位置的区域越有可能是B线区域的边界。根据像素点组对应的曲线像素点的多个矩形搜索子窗口中所有像素点的灰度值的均值,获取相邻区域的相对灰度差异,进而判断像素点组为B线区域的边界的可能性。
在本实施例中,获得胸膜曲线上的所有曲线像素点的像素点组,计算每个像素点组的第一边界概率,像素点组的第一边界概率的计算公式为:
式中,表示像素点组的第一边界概率,/>表示像素点组对应的曲线像素点的第一矩形搜索子窗口中所有像素点的灰度值的均值,/>表示像素点组对应的曲线像素点的第二矩形搜索子窗口中所有像素点的灰度值的均值,/>表示像素点组对应的曲线像素点的第三矩形搜索子窗口中所有像素点的灰度值的均值。
像素点组位于目标曲线像素点的法线上,因此,像素点组对应的目标曲线像素点的第二矩形搜索子窗口中所有像素点的灰度值的均值,反映了像素点组的灰度分布情况,B线区域是相较于儿童肺部超声图像中周围其他区域较亮的区域,反之,如果像素点组是B线区域边界,则第一矩形搜索子窗口中所有像素点的灰度值的均值/>和第三矩形搜索子窗口中所有像素点的灰度值的均值/>,都小于第二矩形搜索子窗口中所有像素点的灰度值的均值/>,即/>,也既是/>,且/>越大,则像素点组所在的区域相较于周围其他区域越亮,则像素点组的第一边界概率/>越大,因此,像素点组的第一边界概率表征像素点组是B线区域边界的可能性。
3.根据所有可能像素点获得所有疑似区域,计算所有疑似区域的结构元素尺寸,根据结构元素尺寸对所有疑似区域进行灰度形态学操作。
需要说明的是:利用灰度形态学的结构元素对儿童肺部超声图像进行膨胀操作时,会将儿童肺部超声图像中灰度值较大区域进行扩大,而在较亮区域的边界处同一位置的像素点相较于较亮区域的内部的像素点,进行灰度形态学膨胀操作前后的灰度值差异较大,即灰度形态学膨胀操作对灰度差异越大的边界区域效果更明显,进行灰度形态学膨胀操作前后的灰度变化程度更大,另外,灰度形态学的结构元素尺寸越大,对较亮区域的边界区域的膨胀效果更明显。因此,结合各区域的灰度特征对灰度形态学的结构元素尺寸进行调节,根据各区域中的像素点在根据灰度形态学的结构元素进行膨胀处理前后的灰度值变化程度,获取像素点组的第二边界概率,同样用来表征像素点组是B线区域边界的可能性。
在本实施例中,由于B线区域是相较于儿童肺部超声图像中其他区域灰度值较亮的区域,因此,B线区域的像素点的灰度值较大,因此根据灰度值将儿童肺部超声图像中灰度值较小的像素点去除,保留灰度值较大的像素点,将儿童肺部超声图像中灰度值大于等于预设阈值参数的像素点记为可能像素点。
在本实施例中,预设阈值参数为153,在其他实施例中,实施人员可以根据情况对预设阈值参数进行调整。
通过基于密度的DBSCAN聚类方法对儿童肺部超声图像中的所有可能像素点进行聚类,将获得的每个类别记为疑似区域。
对于任意一个疑似区域,将与疑似区域相交的像素点组记为疑似区域的疑似像素点组,疑似像素点组的第一边界概率越大,疑似像素点组所在的区域相较于周围其他区域越亮,疑似像素点组所在的区域相较于周围其他的灰度差异越大,又因为灰度形态学膨胀操作对一些灰度变灰度差异越大的边界区域效果更明显,灰度形态学的结构元素尺寸越大,对较亮区域的边界区域的膨胀效果更明显,因此,对第一边界概率越大的疑似像素点组,进行灰度形态学膨胀处理时的结构元素尺寸越大,以此,突出疑似像素点组的边界。
疑似区域的结构元素尺寸的计算公式为:
式中,表示疑似区域的结构元素尺寸,/>表示预设尺寸,/>表示疑似区域的第x个疑似像素点组的第一边界概率,/>表示疑似区域的疑似像素点组的数量,/>为向下取整符号。
获得每个疑似区域的结构元素尺寸,根据每个疑似区域的结构元素尺寸对每个疑似区域进行灰度形态学膨胀处理,获得处理后的疑似区域,获得处理后的儿童肺部超声图像。
4.根据处理后的儿童肺部超声图像,计算所有像素点组的第二边界概率。
需要说明的是,当像素点经过较大结构元素尺寸的灰度形态学膨胀操作处理后,若像素点的灰度值存在较大的灰度变化时,说明该像素点在邻域范围内的相邻像素点的灰度值较小,即存在灰度变化越大的像素点为B线区域边界的概率越大。
在本实施例中,将处理后的儿童肺部超声图像中每个像素点的灰度值与儿童肺部超声图像中对应的像素点的灰度值的差值,记为儿童肺部超声图像中每个像素点的灰度变化程度,像素点的灰度变化程度越大,越有可能为组成B线区域边界的像素点。
根据组成像素点组的所有像素点的灰度变化程度,计算像素点组的第二边界概率,像素点组的第二边界概率的计算公式为:
式中,表示像素点组的第二边界概率,/>表示像素点组中所有像素点的数量,表示像素点组中第i个像素点的灰度变化程度,/>表示像素点组中所有像素点的灰度变化程度的均值。
表示像素点组中像素点在进行灰度形态学膨胀处理前后的灰度变化程度的离散程度,该值越小,像素点组中像素点在进行灰度形态学膨胀处理前后的灰度变化程度的离散程度越小,像素点组中像素点在进行灰度形态学膨胀处理前后的灰度值变化程度越相近,则像素点组越有可能为B线区域的边界,像素点组的第二边界概率/>越大;表示像素点组中像素点在进行灰度形态学膨胀处理前后的平均灰度变化程度,该值越大,像素点组中像素点在进行灰度形态学膨胀处理前后的平均灰度变化程度越大,则像素点组越有可能为B线区域的边界,像素点组的第二边界概率/>越大。
S003.根据像素点组的第三边界概率,获得儿童肺部超声图像中的B线区域的实际边界。
需要说明的是,当儿童肺部超声图像中像素点组的相邻区域之间的整体灰度差异越大,且像素点组自身经过灰度形态学膨胀处理前后的灰度变化程度越大时,像素点组越有可能是B线区域边界,则根据像素点组的第一边界概率和第二边界概率获得像素点组为B线区域边界的可能性,即像素点组的第三边界概率。
在本实施例中,利用最大最小值归一化法对所有像素点组的第一边界概率和第二边界概率进行归一化,将每个像素点组的归一化后的第一边界概率和归一化后的第二边界概率的乘积记为每个像素点组的第三边界概率。
像素点组的第三边界概率越大,像素点组越有可能为B线区域边界,预设经验阈值为0.7,将第三边界概率大于预设经验阈值的像素点组作为B线区域的实际边界,根据B线区域的实际边界获得B线区域。
通过对像素点组在相邻区域的灰度差异以及像素点组自身在经过灰度形态学处理前后的变化程度分析,获得像素点组为B线区域边界的可能性,避免了因为B线区域自身在边界处像素点的灰度值渐变弥散,导致对B线区域的边界界定不准确。
本发明利用儿童肺部超声图像中B线与胸膜线在图像中的空间分布关系和灰度分布关系,根据胸膜曲线上每个曲线像素点的矩形搜索窗口,获得多个像素点组,利用像素点组在矩形搜索窗口中与相邻区域的灰度值之间差异获得像素点组的第一边界概率,结合疑似像素点组的第一边界概率,自适应获得疑似区域的结构元素尺寸,进行灰度形态学处理,突出儿童肺部超声图像中的较亮区域,根据组成像素点组的所有像素点的灰度变化程度,计算像素点组的第二边界概率,进而根据像素点组的第三边界概率获得B线区域的实际边界,通过对像素点组在相邻区域的灰度差异以及像素点组自身在经过灰度形态学处理前后的变化程度分析,获得像素点组为B线区域边界的可能性,减弱B线区域自身在边界处像素点的灰度值渐变弥散,提高对B线区域的边界界定的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (8)
1.用于儿童肺部超声检测图像的处理方法,其特征在于,该方法包括以下步骤:
获取儿童肺部超声图像,识别儿童肺部超声图像中的胸膜线;
拟合胸膜线的曲线函数记为胸膜曲线,将胸膜曲线上的像素点记为曲线像素点;构建搜索矩形,根据搜索矩形获得每个曲线像素点的第一矩形搜索子窗口、第二矩形搜索子窗口、第三矩形搜索子窗口和像素点组;根据三个矩形搜索子窗口的灰度分布特征计算每个像素点组的第一边界概率;
将儿童肺部超声图像中灰度值大于等于预设阈值参数的像素点记为可能像素点;对所有可能像素点进行聚类,将获得的每个类别记为疑似区域,对于任意一个疑似区域,将与疑似区域相交的所有像素点组记为疑似区域的所有疑似像素点组,根据每个疑似区域的所有疑似像素点组,计算疑似区域的结构元素尺寸,根据每个疑似区域的结构元素尺寸对每个疑似区域进行灰度形态学膨胀处理,获得处理后的疑似区域,获得处理后的儿童肺部超声图像;
将处理后的儿童肺部超声图像中每个像素点的灰度值与处理前的儿童肺部超声图像中对应的像素点的灰度值的差值,记为儿童肺部超声图像中每个像素点的灰度变化程度,根据组成像素点组的所有像素点的灰度变化程度,计算像素点组的第二边界概率;
根据每个像素点组的第一边界概率和第二边界概率获得每个像素点组的第三边界概率,根据每个像素点组的第三边界概率获得B线区域的实际边界,根据B线区域的实际边界获得B线区域;
所述构建搜索矩形,包括的具体步骤如下:
构建一个大小为c×w的基础矩形,其中,基础矩形的长边的长度为c,基础矩形的短边的长度为w,c等于胸膜曲线上所有曲线像素点的纵坐标的最小值,w为预设长度;按照从左到右的顺序将3个基础矩形排列组成大小为c×3w的搜索矩形,从左到右将组成搜索矩形的3个基础矩形分别记为基础矩形、基础矩形/>和基础矩形/>,搜索矩形的长边的长度为c,搜索矩形的短边的长度为3w;
所述根据搜索矩形获得每个曲线像素点的第一矩形搜索子窗口、第二矩形搜索子窗口、第三矩形搜索子窗口和像素点组,包括的具体步骤如下:
将搜索矩形的两个长边的中间点的连线记为搜索矩形的中心线,将胸膜曲线上的任意一个曲线像素点记为目标曲线像素点,获取胸膜曲线上目标曲线像素点的切线,将经过目标曲线像素点且与目标曲线像素点的切线垂直的直线记为目标曲线像素点的法线,将搜索矩形的一条短边的中间点投影到目标曲线像素点,将搜索矩形的中心线投影到目标曲线像素点的法线,将搜索矩形对应的区域记为目标曲线像素点的矩形搜索窗口,将基础矩形、基础矩形/>和基础矩形/>对应的区域分别记为目标曲线像素点的第一矩形搜索子窗口、第二矩形搜索子窗口和第三矩形搜索子窗口,将位于目标曲线像素点的矩形搜索窗口内且在目标曲线像素点的法线上的所有像素点记为目标曲线像素点的像素点组。
2.根据权利要求1所述的用于儿童肺部超声检测图像的处理方法,其特征在于,所述根据三个矩形搜索子窗口的灰度分布特征计算每个像素点组的第一边界概率,具体计算方法如下:
获取像素点组对应的曲线像素点的第一矩形搜索子窗口中所有像素点的灰度值的均值,记为第一均值;获取像素点组对应的曲线像素点的第二矩形搜索子窗口中所有像素点的灰度值的均值,记为第二均值;获取像素点组对应的曲线像素点的第三矩形搜索子窗口中所有像素点的灰度值的均值,记为第三均值;
根据第一均值、第二均值以及第三均值获得像素点组的第一边界概率。
3.根据权利要求2所述的用于儿童肺部超声检测图像的处理方法,其特征在于,所述根据第一均值、第二均值以及第三均值获得像素点组的第一边界概率,具体计算公式如下:
式中,KB表示像素点组的第一边界概率,表示第一均值,/>表示第二均值,/>表示第三均值。
4.根据权利要求1所述的用于儿童肺部超声检测图像的处理方法,其特征在于,所述根据每个疑似区域的所有疑似像素点组,计算疑似区域的结构元素尺寸,具体计算方法如下:
根据疑似区域的每个疑似像素点组的第一边界概率获得修正因子KB1;结构元素尺寸的具体计算公式如下:
式中,表示疑似区域的结构元素尺寸,/>表示预设尺寸,/>为向下取整符号。
5.根据权利要求4所述的用于儿童肺部超声检测图像的处理方法,其特征在于,所述根据疑似区域的每个疑似像素点组的第一边界概率获得修正因子KB1,具体计算公式如下:
表示疑似区域的第x个疑似像素点组的第一边界概率,/>表示疑似区域的疑似像素点组的数量。
6.根据权利要求1所述的用于儿童肺部超声检测图像的处理方法,其特征在于,所述每个像素点组的第三边界概率的具体计算方法如下:
将每个像素点组的归一化后的第一边界概率和归一化后的第二边界概率的乘积记为每个像素点组的第三边界概率。
7.根据权利要求1所述的用于儿童肺部超声检测图像的处理方法,其特征在于,所述根据组成像素点组的所有像素点的灰度变化程度,计算像素点组的第二边界概率,具体计算公式如下:
式中,表示像素点组的第二边界概率,/>表示像素点组中所有像素点的数量,/>表示像素点组中第i个像素点的灰度变化程度,/>表示像素点组中所有像素点的灰度变化程度的均值。
8.根据权利要求1所述的用于儿童肺部超声检测图像的处理方法,其特征在于,所述根据每个像素点组的第三边界概率获得B线区域的实际边界,包括的具体步骤如下:
将第三边界概率大于预设经验阈值的像素点组作为B线区域的实际边界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410315803.XA CN117911413B (zh) | 2024-03-20 | 2024-03-20 | 用于儿童肺部超声检测图像的处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410315803.XA CN117911413B (zh) | 2024-03-20 | 2024-03-20 | 用于儿童肺部超声检测图像的处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117911413A CN117911413A (zh) | 2024-04-19 |
CN117911413B true CN117911413B (zh) | 2024-06-07 |
Family
ID=90692594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410315803.XA Active CN117911413B (zh) | 2024-03-20 | 2024-03-20 | 用于儿童肺部超声检测图像的处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117911413B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及*** |
US8290253B1 (en) * | 2009-10-30 | 2012-10-16 | Adobe Systems Incorporated | Method and apparatus for applying Gaussian Mixture Models to local image patches using an adaptive color lookup table |
CN102800088A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 超声颈动脉斑块自动分割方法 |
CN112580638A (zh) * | 2021-02-28 | 2021-03-30 | 北京易真学思教育科技有限公司 | 文本检测方法、装置、存储介质及电子设备 |
CN114767153A (zh) * | 2021-01-22 | 2022-07-22 | 深圳华大智造云影医疗科技有限公司 | 基于人工智能的肺炎超声图像快速评估方法和*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015061592A (ja) * | 2013-08-21 | 2015-04-02 | コニカミノルタ株式会社 | 超音波診断装置、超音波画像処理方法およびコンピュータ読み取り可能な非一時的な記録媒体 |
-
2024
- 2024-03-20 CN CN202410315803.XA patent/CN117911413B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8290253B1 (en) * | 2009-10-30 | 2012-10-16 | Adobe Systems Incorporated | Method and apparatus for applying Gaussian Mixture Models to local image patches using an adaptive color lookup table |
CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及*** |
CN102800088A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 超声颈动脉斑块自动分割方法 |
CN114767153A (zh) * | 2021-01-22 | 2022-07-22 | 深圳华大智造云影医疗科技有限公司 | 基于人工智能的肺炎超声图像快速评估方法和*** |
CN112580638A (zh) * | 2021-02-28 | 2021-03-30 | 北京易真学思教育科技有限公司 | 文本检测方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的医学计算机辅助检测方法研究;陶攀;付忠良;朱锴;***;;生物医学工程学杂志;20180625(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117911413A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116109663B (zh) | 基于多阈值分割的胃部ct影像分割方法 | |
CN111583204B (zh) | 基于网络模型的二维序列磁共振图像的器官定位方法 | |
CN104637044B (zh) | 钙化斑块及其声影的超声图像提取*** | |
CN112716446B (zh) | 高血压性视网膜病变的病变特征的测量方法及测量*** | |
CN110992377B (zh) | 图像分割方法、装置、计算机可读存储介质和设备 | |
US20110196236A1 (en) | System and method of automated gestational age assessment of fetus | |
Rahmatullah et al. | Quality control of fetal ultrasound images: Detection of abdomen anatomical landmarks using adaboost | |
CN108378869B (zh) | 一种从超声图像中自动测量胎儿头围长度的图像处理方法及处理*** | |
KR20070083388A (ko) | 결절 검출 방법 | |
CN117422628B (zh) | 一种心脏血管超声检查数据优化增强方法 | |
CN112927212B (zh) | 基于深度学习的oct心血管斑块自动识别与分析方法 | |
CN116188488B (zh) | 基于灰度梯度的b超图像病灶区域分割方法及装置 | |
CN117474823B (zh) | 一种儿科感染性炎症检测辅助用ct数据处理*** | |
WO2022062459A1 (zh) | 一种胎儿结构特征的自动测量方法及装置 | |
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 | |
CN114972272A (zh) | 一种基于Grad-CAM的新冠肺炎病灶分割方法 | |
CN117911413B (zh) | 用于儿童肺部超声检测图像的处理方法 | |
CN116993764B (zh) | 一种胃部ct智能分割提取方法 | |
CN107169978B (zh) | 超声图像边缘检测方法及*** | |
CN116681701B (zh) | 一种儿童肺部超声图像处理方法 | |
CN116523802B (zh) | 一种用于肝脏超声图像的增强优化方法 | |
CN111292309B (zh) | 一种肺组织异化程度判断方法及装置 | |
Wulaning Ayu et al. | Pixel Classification Based on Local Gray Level Rectangle Window Sampling for Amniotic Fluid Segmentation. | |
JP4644145B2 (ja) | 超音波診断装置 | |
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 |
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 |