CN117911716B - 基于机器视觉的关节炎ct影像特征提取方法 - Google Patents
基于机器视觉的关节炎ct影像特征提取方法 Download PDFInfo
- Publication number
- CN117911716B CN117911716B CN202410308762.1A CN202410308762A CN117911716B CN 117911716 B CN117911716 B CN 117911716B CN 202410308762 A CN202410308762 A CN 202410308762A CN 117911716 B CN117911716 B CN 117911716B
- Authority
- CN
- China
- Prior art keywords
- pixel
- filtered
- pixel points
- image
- value
- 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
- 206010003246 arthritis Diseases 0.000 title claims abstract description 43
- 238000000605 extraction Methods 0.000 title claims abstract description 17
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 67
- 238000012937 correction Methods 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 53
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000002917 arthritic effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 4
- 210000000845 cartilage Anatomy 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 210000001188 articular cartilage Anatomy 0.000 description 1
- 210000001306 articular ligament Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000027866 inflammatory disease Diseases 0.000 description 1
- 230000008407 joint function Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及图像处理技术领域,提出了基于机器视觉的关节炎CT影像特征提取方法,包括:根据关节炎CT影像获取第一CT影像,划分边缘像素点和非边缘像素点,确定边缘区域和非边缘区域;确定像素点的横坐标波动值,获取第一特征曲线段、第二特征曲线段和第三特征曲线段,确定疑似骨骼边缘区域得分值,更新非边缘区域、确定疑似骨骼边缘区域;确定待滤波像素点与待滤波像素点的搜索窗口内包含的像素点之间的相似性;确定像素点经过滤波后的像素值校正值,根据像素值校正值获取图像增强后的第一CT影像,进而提取关节炎CT影像特征。本发明旨在解决现有的图像增强算法易损失边缘细节信息,使关节炎CT影像特征提取不准确的问题。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于机器视觉的关节炎CT影像特征提取方法。
背景技术
近年来,随着计算机视觉技术的快速发展,机器视觉技术在医学影像领域的应用越来越广泛。关节炎是一种常见的疾病,会导致关节软骨和韧带的破坏,从而影响关节功能和活动能力。CT影像可以清晰地显示关节结构和病变情况,所以,使用CT影像辅助医生诊断关节炎是一种常用诊断方法。
为了提升诊断效率,通常采用基于机器视觉的特征提取方法对CT影像进行处理,提取CT影像中的病变范围。对CT影像进行处理时,由于设备问题、患者***不当等原因,会导致采集到的图像包含较多噪声,质量效果不佳,进而导致特征提取困难,因此,需要根据CT影像本身的特征对CT影像进行图像增强,提高图像质量,进而提高特征提取的质量。非局部均值滤波是一种常用的图像增强方法,在去除图像中的噪声的同时可以保留图像的细节,容易损失CT影像中关节的边缘细节信息,影响后续对CT影像的分析。
发明内容
本发明提供基于机器视觉的关节炎CT影像特征提取方法,以解决现有的图像增强算法易损失关节炎CT影像中的边缘细节信息,使关节炎CT影像特征提取不准确的问题,所采用的技术方案具体如下:
本发明一个实施例提供了基于机器视觉的关节炎CT影像特征提取方法,该方法包括以下步骤:
根据关节炎CT影像获取第一CT影像,划分出第一CT影像中的边缘像素点和非边缘像素点,根据边缘像素点确定边缘区域,根据非边缘像素点确定非边缘区域;
根据第一CT影像建立第一坐标系,获取第一CT影像中每个像素点在第一坐标系中的坐标,根据坐标确定像素点的横坐标波动值,根据横坐标波动值获取第一特征曲线段,获取第二特征曲线段和第三特征曲线段,确定边缘区域在横坐标的疑似骨骼边缘区域得分值,获取边缘区域在纵坐标的疑似骨骼边缘区域得分值,进而确定边缘区域的疑似骨骼边缘区域得分值,根据疑似骨骼边缘区域得分值更新非边缘区域、确定疑似骨骼边缘区域;
确定待滤波像素点与待滤波像素点的搜索窗口内包含的像素点的邻域块之间的自适应权重值,获取两像素点的邻域相似性,根据像素点的邻域块之间的自适应权重值和像素点的邻域相似性,确定待滤波像素点与待滤波像素点的搜索窗口内包含的像素点之间的相似性;
根据待滤波像素点与其搜索窗口内包含的像素点之间的相似性与像素点的像素值,确定待滤波像素点经过滤波后的像素值校正值,根据像素值校正值获取图像增强后的第一CT影像,根据图像增强后的第一CT影像提取关节炎CT影像特征。
所述根据第一CT影像建立第一坐标系,获取的具体方法为:
将以第一CT影像中最左下角的像素点为原点建立的平面直角坐标系记为第一坐标系。
所述根据坐标确定像素点的横坐标波动值,包括的具体方法为:
将像素点与顺时针方向的相邻像素点的横坐标差值,记为像素点的横坐标波动值。
所述边缘区域的疑似骨骼边缘区域得分值,获取的具体方法为:
将边缘区域在横坐标的疑似骨骼边缘区域得分值和在纵坐标的疑似骨骼边缘区域得分值中的最大值,记为边缘区域的疑似骨骼边缘区域得分值。
所述更新非边缘区域、确定疑似骨骼边缘区域,包括的具体方法为:
将疑似骨骼边缘区域得分值小于第一预设阈值的边缘区域记为非边缘区域,将疑似骨骼边缘区域得分值大于等于第一预设阈值的边缘区域记为疑似骨骼边缘区域。
所述自适应权重值,获取的具体方法为:
式中,表示待滤波像素点/>的邻域块与待滤波像素点/>的搜索窗口内包含的像素点/>的邻域块之间的自适应权重值;/>表示待滤波像素点/>的搜索窗口内包含的像素点中,位于疑似骨骼边缘区域的像素点数量;/>表示待滤波像素点/>的搜索窗口内包含的像素点数量;/>表示第一预设参数;/>表示像素点/>的邻域块内包含的像素点中,位于疑似骨骼边缘区域的像素点数量;/>表示待滤波像素点/>的邻域块内包含的像素点中,位于疑似骨骼边缘区域的像素点数量。
所述两像素点的邻域相似性,获取的具体方法为:
将两像素点的邻域块中,对应位置的像素点的差值的平方和记为两像素点的邻域相似性。
所述待滤波像素点与待滤波像素点的搜索窗口内包含的像素点之间的相似性,获取的具体方法为:
待滤波像素点与待滤波像素点的搜索窗口内包含的像素点的邻域块之间的自适应权重值与邻域相似性的乘积记为第一乘积,将第一乘积与待滤波像素点的搜索窗口内包含的像素点数量的比值,记为待滤波像素点与待滤波像素点的搜索窗口内包含的像素点之间的相似性。
所述待滤波像素点经过滤波后的像素值校正值,获取的具体方法为:
将待滤波像素点与待滤波像素点的搜索窗口内包含的所有像素点之间的相似性的和记为第一和值,将待滤波像素点与待滤波像素点的搜索窗口内像素点之间的相似性与第一和值的比值记为搜索窗口内像素点的权值,根据搜索窗口内像素点的权值对搜索窗口内不是待滤波像素点的像素点的像素值进行加权平均,获取待滤波像素点经过滤波后的像素值校正值。
所述根据像素值校正值获取图像增强后的第一CT影像,根据图像增强后的第一CT影像提取关节炎CT影像特征,包括的具体方法为:
对图像增强后的第一CT影像使用区域生长法获取生长区域,生长区域即为提取的关节炎CT影像特征,根据生长区域内像素点位置,在关节炎CT影像中标出生长区域。
本发明的有益效果是:
本发明为了准确提取关节炎CT影像的特征,将第一CT影像中的像素点进行分类,确定边缘区域和非边缘区域,根据关节炎通常出现于关节处软骨位置,并且骨骼通常为条形的多边形,接近轴对称分布的特征,对每个边缘区域分别进行分析,将呈现出轴对称特征更为显著的边缘区域筛选出来,获取疑似骨骼边缘区域并更新非边缘区域;然后,根据非局部均值滤波对第一CT影像进行去噪时,待滤波像素点的搜索窗口内包含的像素点处于非边缘区域和疑似骨骼边缘区域的情况,为待滤波像素点的搜索窗口内、包含更多位于疑似骨骼边缘区域的像素点的邻域块与待滤波像素点的邻域块之间,赋予更高的自适应权重值,提升边缘细节信息被保留的可能性,进而确定待滤波像素点的搜索窗口内包含的不同像素点的相似性,然后,根据相似性确定待滤波像素点经过滤波后的像素值校正值,获取图像增强后的第一CT影像,解决现有的图像增强算法易损失关节炎CT影像中的边缘细节信息,使关节炎CT影像特征提取不准确的问题,使图像增强后获取的图像中的边缘细节特征可以更好地保留;最后,根据图像增强后的第一CT影像提取关节炎CT影像特征,实现基于机器视觉的关节炎CT影像特征提取。
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为本发明一个实施例所提供的基于机器视觉的关节炎CT影像特征提取方法流程示意图;
图2为闭合边缘特征曲线示意图;
图3为非闭合边缘特征曲线示意图。
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。
请参阅图1,其示出了本发明一个实施例所提供的基于机器视觉的关节炎CT影像特征提取方法流程图,该方法包括以下步骤:
步骤S001、根据关节炎CT影像获取第一CT影像,划分出第一CT影像中的边缘像素点,根据边缘像素点划分出非边缘像素点,根据边缘像素点确定边缘区域,根据非边缘像素点确定非边缘区域。
不同人体组织对X射线的吸收能力不同,在CT影像中呈现出不同深浅的灰色。将关节炎CT影像转换为灰度图像,记为第一CT影像。第一CT影像中像素点的灰度值表现人体组织对X射线的吸收能力。
关节炎是一种炎症性疾病,会导致关节处软骨磨损等损伤,发生于骨骼的边缘附近。所以,第一CT影像进行特征提取的过程中关节的边缘是需要进行保留的、非常重要的特征。
使用非局部均值滤波对第一CT影像进行图像增强时,将每个像素点的像素值替换为像素点的搜索窗口内包含的所有像素点的加权平均值,像素点的搜索窗口内包含的像素点的权重根据像素点与搜索窗口的中心像素点的邻域窗口之间的相似性确定。当邻域窗口对应的像素点为边缘像素点附近的非边缘像素点时,邻域窗口之间的相似性容易出现过高的情况,会导致像素点的搜索窗口内包含的像素点的权重过大,使图像增强后获取的图像中的边缘细节损失。
为了避免这种情况的出现,需要将第一CT影像中的像素点进行划分,划分为边缘像素点和非边缘像素点,在进行图像增强时,根据边缘像素点和非边缘像素点的分类对相似性计算进行额外限定,提升相似性计算的准确度,使计算加权平均值时权重分配更为合理。
对第一CT影像使用Sobel边缘检测算子,获取第一CT影像中的边缘像素点,将第一CT影像中不是边缘像素点的像素点记为非边缘像素点。对边缘像素点和非边缘像素点分别进行连通域分析,获取边缘区域和非边缘区域。其中,使用Sobel边缘检测算子获取边缘像素点为公知技术,不再赘述。
对边缘区域使用边缘跟踪算法,将对应同一组织边缘的距离较近的不连续的线段进行连接处理,并根据处理结果对边缘区域进行更新。
至此,获取第一CT影像中的边缘区域和非边缘区域。
步骤S002、根据第一CT影像建立第一坐标系,获取第一CT影像中每个像素点在第一坐标系中的坐标,根据坐标确定像素点的横坐标波动值,根据横坐标波动值获取第一特征曲线段,获取第二特征曲线段和第三特征曲线段,根据第二特征曲线段和第三特征曲线段,确定边缘区域在横坐标的疑似骨骼边缘区域得分值,获取边缘区域在纵坐标的疑似骨骼边缘区域得分值,进而确定边缘区域的疑似骨骼边缘区域得分值,根据疑似骨骼边缘区域得分值更新非边缘区域,根据疑似骨骼边缘区域得分值确定疑似骨骼边缘区域。
关节炎通常出现于关节处软骨位置,并且骨骼通常为条形的多边形,接近轴对称分布。所以,根据骨骼的形态特征,对骨骼在第一CT影像中对应的边缘进行筛选。
首先,对每个边缘区域分别进行分析。
以第一CT影像中最左下角的像素点为原点,以水平向右方向为横轴正方向,以竖直向上方向为纵轴正方向,建立平面直角坐标系,将建立的坐标系记为第一坐标系。获取边缘区域内包含的每个像素点在第一坐标系内的坐标。
按照顺时针方向,将边缘区域内包含的像素点与相邻像素点的横坐标差值,记为像素点的横坐标波动值。
按照顺时针方向,依次对各像素点的横坐标波动值进行比较,筛选出连续单调递增的横坐标波动值,将筛选出的连续单调递增的横坐标波动值的数量记为这些横坐标波动值对应的连续曲线长度。
当边缘区域对应的边缘为闭合边缘时,将连续曲线长度最大的横坐标波动值对应的像素点组成的边缘记为第一特征曲线段,将连续曲线长度第二大的横坐标波动值对应的像素点组成的边缘记为第四特征曲线段。
第一特征曲线段和第四特征曲线段将闭合边缘划分为四个部分,分别为第一特征曲线段、第四特征曲线段,以及第一特征曲线段和第四特征曲线段中间的两条边缘,将中间的两条边缘中最左侧的边缘记为第二特征曲线段,最右侧的边缘记为第三特征曲线段。
将第一特征曲线段、第二特征曲线段、第三特征曲线段和第四特征曲线段记为闭合边缘特征曲线,闭合边缘特征曲线示意图如图2所示。
当边缘区域对应的边缘为非闭合边缘时,将连续曲线长度最大的横坐标波动值对应的像素点组成的边缘记为第一特征曲线段。第一特征曲线段将闭合边缘划分为三个部分,分别为第一特征曲线段和两条边缘,将这两条边缘中最左侧的边缘记为第二特征曲线段,最右侧的边缘记为第三特征曲线段。
将第一特征曲线段、第二特征曲线段和第三特征曲线段记为非闭合边缘特征曲线,非闭合边缘特征曲线示意图如图3所示。
根据第二特征曲线段和第三特征曲线段,确定边缘区域在横坐标的疑似骨骼边缘区域得分值。
式中,表示第/>个边缘区域在横坐标的疑似骨骼边缘区域得分值;/>表示第个边缘区域的第二特征曲线段包含的所有像素点的横坐标波动值的均值;/>表示第/>个边缘区域的第三特征曲线段包含的所有像素点的横坐标波动值的均值;/>表示第一预设参数,经验值为1;/>表示第/>个边缘区域的第二特征曲线段包含的所有像素点的纵坐标均值;/>表示第/>个边缘区域的第三特征曲线段包含的所有像素点的纵坐标均值。
当第二特征曲线段和第三特征曲线段包含的像素点的位置分布越为接近时,第二特征曲线段和第三特征曲线段所在的边缘区域呈现出的对称性越为明显,边缘区域对应骨骼的边缘的可能性越大,此时,边缘区域在横坐标的疑似骨骼边缘区域得分值越大。
按照根据像素点的横坐标,获取边缘区域在横坐标的疑似骨骼边缘区域得分值的方法,根据像素点的纵坐标,获取边缘区域在纵坐标的疑似骨骼边缘区域得分值。
由于骨骼在CT影像中可能为纵向分布,也可能为横向分布,所以,将边缘区域在横坐标的疑似骨骼边缘区域得分值和在纵坐标的疑似骨骼边缘区域得分值中的最大值,记为边缘区域的疑似骨骼边缘区域得分值。
将疑似骨骼边缘区域得分值小于第一预设阈值的边缘区域记为非边缘区域,将疑似骨骼边缘区域得分值大于等于第一预设阈值的边缘区域记为疑似骨骼边缘区域。其中,第一预设阈值的经验值为0.2。
至此,将第一CT影像划分为非边缘区域和疑似骨骼边缘区域。
步骤S003、根据待滤波像素点的搜索窗口内包含的像素点处于非边缘区域和疑似骨骼边缘区域的情况,确定待滤波像素点与待滤波像素点的搜索窗口内包含的像素点的邻域块之间的自适应权重值,获取两像素点的邻域相似性,根据像素点的邻域块之间的自适应权重值和像素点的邻域相似性,确定待滤波像素点与待滤波像素点的搜索窗口内包含的像素点之间的相似性。
将第一CT影像划分为非边缘区域和疑似骨骼边缘区域后,根据使用非局部均值滤波对第一CT影像进行去噪时,待滤波像素点的搜索窗口内包含的像素点处于非边缘区域和疑似骨骼边缘区域的情况,确定待滤波像素点的搜索窗口内包含的不同像素点的邻域块之间的自适应权重值,进而确定待滤波像素点的搜索窗口内包含的不同像素点的相似性。
将使用非局部均值滤波对第一CT影像进行去噪时,待滤波像素点的搜索窗口的边长设为经验值11,像素点的邻域块的边长设为经验值3。
根据待滤波像素点的搜索窗口内包含的像素点处于非边缘区域和疑似骨骼边缘区域的情况,确定待滤波像素点与待滤波像素点的搜索窗口内包含的像素点的邻域块之间的自适应权重值。
式中,表示待滤波像素点/>的邻域块与待滤波像素点/>的搜索窗口内包含的像素点/>的邻域块之间的自适应权重值;/>表示待滤波像素点/>的搜索窗口内包含的像素点中,位于疑似骨骼边缘区域的像素点数量;/>表示待滤波像素点/>的搜索窗口内包含的像素点数量;/>表示第一预设参数,经验值为1;/>表示像素点/>的邻域块内包含的像素点中,位于疑似骨骼边缘区域的像素点数量;/>表示待滤波像素点/>的邻域块内包含的像素点中,位于疑似骨骼边缘区域的像素点数量。
待滤波像素点的搜索窗口内包含的像素点中位于疑似骨骼边缘区域的像素点越多,待滤波像素点的邻域块内和待滤波像素点的搜索窗口内包含的像素点的邻域块内,包含的像素点中位于疑似骨骼边缘区域的像素点数量越为接近时,待滤波像素点与待滤波像素点的搜索窗口内包含的像素点的邻域块之间的自适应权重值越大。
将两像素点的邻域块中,对应位置的像素点的差值的平方和记为两像素点的邻域相似性。
根据像素点的邻域块之间的自适应权重值和像素点的邻域相似性,确定待滤波像素点与待滤波像素点的搜索窗口内包含的像素点之间的相似性。
式中,表示待滤波像素点/>与待滤波像素点/>的搜索窗口内包含的像素点之间的相似性;/>表示待滤波像素点/>的邻域块与像素点/>的邻域块之间的自适应权重值;/>表示待滤波像素点/>与像素点/>的邻域相似性;/>表示待滤波像素点/>的搜索窗口内包含的像素点数量。
当待滤波像素点与待滤波像素点的搜索窗口内包含的像素点的邻域相似性越大、像素点的邻域块之间的自适应权重值越大时,待滤波像素点与待滤波像素点的搜索窗口内包含的像素点之间的相似性越大。
至此,获取第一CT影像中每个像素点与其搜索窗口内包含的像素点之间的相似性。
步骤S004、根据待滤波像素点与其搜索窗口内包含的像素点之间的相似性与像素点的像素值,确定待滤波像素点经过滤波后的像素值校正值,根据像素值校正值获取图像增强后的第一CT影像,根据图像增强后的第一CT影像提取关节炎CT影像特征。
根据待滤波像素点与其搜索窗口内包含的像素点之间的相似性与像素点的像素值,确定待滤波像素点经过滤波后的像素值校正值。
式中,表示待滤波像素点/>经过滤波后的像素值校正值;/>表示待滤波像素点/>与待滤波像素点/>的搜索窗口内包含的像素点/>之间的相似性;/>表示待滤波像素点/>与待滤波像素点/>的搜索窗口内包含的所有像素点之间的相似性的和;/>表示待滤波像素点/>的搜索窗口内包含的像素点/>在第一CT影像中的灰度值;/>表示待滤波像素点/>的搜索窗口内包含的不是待滤波像素点/>的像素点数量。
将待滤波像素点经过滤波后的像素值校正值,作为第一CT影像中的待滤波像素点经过图像增强后,得到的待滤波像素点的像素值,获取图像增强后的第一CT影像。
对图像增强后的第一CT影像使用区域生长法提取关节炎CT影像特征,获取生长区域,其中,区域生长法的种子点数量经验值设为20,阈值经验值设为25,连接规则为八邻域连接,区域生长法的具体过程为公知技术,不再赘述。
根据生长区域内包含的像素点位置,在关节炎CT影像中标出生长区域,标出生长区域的关节炎CT影像可以帮助医生和研究人员更好地观察和理解关节炎CT影像对应的患者出现的关节炎的严重程度。
至此,实现基于机器视觉的关节炎CT影像特征提取。以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,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 (7)
1.基于机器视觉的关节炎CT影像特征提取方法,其特征在于,该方法包括以下步骤:
根据关节炎CT影像获取第一CT影像,划分出第一CT影像中的边缘像素点和非边缘像素点,根据边缘像素点确定边缘区域,根据非边缘像素点确定非边缘区域;
根据第一CT影像建立第一坐标系,获取第一CT影像中每个像素点在第一坐标系中的坐标,根据坐标确定像素点的横坐标波动值,根据横坐标波动值获取第一特征曲线段,获取第二特征曲线段和第三特征曲线段,确定边缘区域在横坐标的疑似骨骼边缘区域得分值,获取边缘区域在纵坐标的疑似骨骼边缘区域得分值,进而确定边缘区域的疑似骨骼边缘区域得分值,根据疑似骨骼边缘区域得分值更新非边缘区域、确定疑似骨骼边缘区域;
确定待滤波像素点与待滤波像素点的搜索窗口内包含的像素点的邻域块之间的自适应权重值,获取两像素点的邻域相似性,根据像素点的邻域块之间的自适应权重值和像素点的邻域相似性,确定待滤波像素点与待滤波像素点的搜索窗口内包含的像素点之间的相似性;
根据待滤波像素点与其搜索窗口内包含的像素点之间的相似性与像素点的像素值,确定待滤波像素点经过滤波后的像素值校正值,根据像素值校正值获取图像增强后的第一CT影像,根据图像增强后的第一CT影像提取关节炎CT影像特征;
所述第一特征曲线段、所述第二特征曲线段和所述第三特征曲线段的获取方法为:
当边缘区域对应的边缘为闭合边缘时,将连续曲线长度最大的横坐标波动值对应的像素点组成的边缘记为第一特征曲线段,将连续曲线长度第二大的横坐标波动值对应的像素点组成的边缘记为第四特征曲线段;
第一特征曲线段和第四特征曲线段将闭合边缘划分为第一特征曲线段、第四特征曲线段,以及第一特征曲线段和第四特征曲线段中间的两条边缘,共计四个部分,将所述第一特征曲线段和第四特征曲线段中间的两条边缘中最左侧的边缘记为第二特征曲线段,最右侧的边缘记为第三特征曲线段;
所述边缘区域的疑似骨骼边缘区域得分值,获取的具体方法为:
式中,表示第/>个边缘区域在横坐标的疑似骨骼边缘区域得分值;/>表示第/>个边缘区域的第二特征曲线段包含的所有像素点的横坐标波动值的均值;/>表示第/>个边缘区域的第三特征曲线段包含的所有像素点的横坐标波动值的均值;/>表示第一预设参数;/>表示第/>个边缘区域的第二特征曲线段包含的所有像素点的纵坐标均值;/>表示第/>个边缘区域的第三特征曲线段包含的所有像素点的纵坐标均值;所述待滤波像素点与待滤波像素点的搜索窗口内包含的像素点之间的相似性,获取的具体方法为:
待滤波像素点与待滤波像素点的搜索窗口内包含的像素点的邻域块之间的自适应权重值与邻域相似性的乘积记为第一乘积,将第一乘积与待滤波像素点的搜索窗口内包含的像素点数量的比值,记为待滤波像素点与待滤波像素点的搜索窗口内包含的像素点之间的相似性;
确定待滤波像素点经过滤波后的像素值校正值的具体表达式为:
式中,表示待滤波像素点/>经过滤波后的像素值校正值;/>表示待滤波像素点/>与待滤波像素点/>的搜索窗口内包含的像素点/>之间的相似性;/>表示待滤波像素点/>与待滤波像素点/>的搜索窗口内包含的所有像素点之间的相似性的和;/>表示待滤波像素点/>的搜索窗口内包含的像素点/>在第一CT影像中的灰度值;/>表示待滤波像素点/>的搜索窗口内包含的不是待滤波像素点/>的像素点数量;
待滤波像素点与待滤波像素点的搜索窗口内包含的像素点之间的相似性的表达式为:
式中,表示待滤波像素点/>与待滤波像素点/>的搜索窗口内包含的像素点/>之间的相似性;/>表示待滤波像素点/>的邻域块与像素点/>的邻域块之间的自适应权重值;表示待滤波像素点/>与像素点/>的邻域相似性;/>表示待滤波像素点/>的搜索窗口内包含的像素点数量;
所述自适应权重值,获取的具体方法为:
式中,表示待滤波像素点/>的邻域块与待滤波像素点/>的搜索窗口内包含的像素点/>的邻域块之间的自适应权重值;/>表示待滤波像素点/>的搜索窗口内包含的像素点中,位于疑似骨骼边缘区域的像素点数量;/>表示待滤波像素点/>的搜索窗口内包含的像素点数量;/>表示第一预设参数;/>表示像素点/>的邻域块内包含的像素点中,位于疑似骨骼边缘区域的像素点数量;/>表示待滤波像素点/>的邻域块内包含的像素点中,位于疑似骨骼边缘区域的像素点数量。
2.根据权利要求1所述的基于机器视觉的关节炎CT影像特征提取方法,其特征在于,所述根据第一CT影像建立第一坐标系,获取的具体方法为:
将以第一CT影像中最左下角的像素点为原点建立的平面直角坐标系记为第一坐标系。
3.根据权利要求1所述的基于机器视觉的关节炎CT影像特征提取方法,其特征在于,所述根据坐标确定像素点的横坐标波动值,包括的具体方法为:
将像素点与顺时针方向的相邻像素点的横坐标差值,记为像素点的横坐标波动值。
4.根据权利要求1所述的基于机器视觉的关节炎CT影像特征提取方法,其特征在于,所述更新非边缘区域、确定疑似骨骼边缘区域,包括的具体方法为:
将疑似骨骼边缘区域得分值小于第一预设阈值的边缘区域记为非边缘区域,将疑似骨骼边缘区域得分值大于等于第一预设阈值的边缘区域记为疑似骨骼边缘区域。
5.根据权利要求1所述的基于机器视觉的关节炎CT影像特征提取方法,其特征在于,所述两像素点的邻域相似性,获取的具体方法为:
将两像素点的邻域块中,对应位置的像素点的差值的平方和记为两像素点的邻域相似性。
6.根据权利要求1所述的基于机器视觉的关节炎CT影像特征提取方法,其特征在于,所述待滤波像素点经过滤波后的像素值校正值,获取的具体方法为:
将待滤波像素点与待滤波像素点的搜索窗口内包含的所有像素点之间的相似性的和记为第一和值,将待滤波像素点与待滤波像素点的搜索窗口内像素点之间的相似性与第一和值的比值记为搜索窗口内像素点的权值,根据搜索窗口内像素点的权值对搜索窗口内不是待滤波像素点的像素点的像素值进行加权平均,获取待滤波像素点经过滤波后的像素值校正值。
7.根据权利要求1所述的基于机器视觉的关节炎CT影像特征提取方法,其特征在于,所述根据像素值校正值获取图像增强后的第一CT影像,根据图像增强后的第一CT影像提取关节炎CT影像特征,包括的具体方法为:
对图像增强后的第一CT影像使用区域生长法获取生长区域,生长区域即为提取的关节炎CT影像特征,根据生长区域内像素点位置,在关节炎CT影像中标出生长区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410308762.1A CN117911716B (zh) | 2024-03-19 | 2024-03-19 | 基于机器视觉的关节炎ct影像特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410308762.1A CN117911716B (zh) | 2024-03-19 | 2024-03-19 | 基于机器视觉的关节炎ct影像特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117911716A CN117911716A (zh) | 2024-04-19 |
CN117911716B true CN117911716B (zh) | 2024-06-21 |
Family
ID=90697483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410308762.1A Active CN117911716B (zh) | 2024-03-19 | 2024-03-19 | 基于机器视觉的关节炎ct影像特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117911716B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022257759A1 (zh) * | 2021-06-08 | 2022-12-15 | 百果园技术(新加坡)有限公司 | 一种图像带状伪影去除方法、装置、设备和介质 |
CN117173050A (zh) * | 2021-03-17 | 2023-12-05 | 武汉联影智融医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2880041B2 (ja) * | 1993-04-02 | 1999-04-05 | 新日本製鐵株式会社 | エッジ検出方法 |
KR20100102494A (ko) * | 2009-03-11 | 2010-09-24 | 연세대학교 산학협력단 | 자동 뮤직 비디오 생성 장치와 방법 이를 구현하기 위해 컴퓨터상에서 수행하기 위한 프로그램이 기록된 컴퓨터에서판독 가능한 기록 매체 |
CN116485814A (zh) * | 2023-04-25 | 2023-07-25 | 江苏省人民医院(南京医科大学第一附属医院) | 一种基于ct影像的颅内血肿区域分割方法 |
-
2024
- 2024-03-19 CN CN202410308762.1A patent/CN117911716B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173050A (zh) * | 2021-03-17 | 2023-12-05 | 武汉联影智融医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
WO2022257759A1 (zh) * | 2021-06-08 | 2022-12-15 | 百果园技术(新加坡)有限公司 | 一种图像带状伪影去除方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117911716A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021017297A1 (zh) | 基于人工智能的脊柱影像处理方法及相关设备 | |
CN109635846B (zh) | 一种多类医学图像判断方法和*** | |
Salama et al. | An improved approach for computer-aided diagnosis of breast cancer in digital mammography | |
CN109509186B (zh) | 基于大脑ct图像的缺血性脑卒中病灶检测方法及装置 | |
CN116109663B (zh) | 基于多阈值分割的胃部ct影像分割方法 | |
CN106846346B (zh) | 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法 | |
CN106780491B (zh) | Gvf法分割ct骨盆图像中采用的初始轮廓生成方法 | |
CN110766659A (zh) | 医学图像识别方法、装置、设备和介质 | |
CN114693682B (zh) | 一种基于图像处理的脊椎特征识别方法 | |
CN106780492B (zh) | 一种ct骨盆图像的关键帧提取方法 | |
CN112712540B (zh) | 一种基于ct影像的肺部支气管提取方法 | |
CN116993764B (zh) | 一种胃部ct智能分割提取方法 | |
CN112052854B (zh) | 一种实现自适应对比度增强的医疗图像可逆信息隐藏方法 | |
CN116485819B (zh) | 一种耳鼻喉检查图像分割方法及*** | |
CN117911716B (zh) | 基于机器视觉的关节炎ct影像特征提取方法 | |
WO2020140380A1 (zh) | 一种光学相干断层扫描图像的快速分割方法及装置 | |
CN113822864B (zh) | 一种乳腺结节钙化检测装置 | |
CN116071337A (zh) | 一种基于超像素分割的内镜图像质量评价方法 | |
CN115330818A (zh) | 一种图片分割方法及其计算机可读存储介质 | |
CN114913185A (zh) | 肺ct图像的纹理分割方法及*** | |
Dawod et al. | Adaptive Slices in Brain Haemorrhage Segmentation Based on the SLIC Algorithm. | |
CN116740068B (zh) | 一种白内障手术用智能导航*** | |
CN117974692B (zh) | 一种基于区域生长的眼科医学影像处理方法 | |
JP4252744B2 (ja) | 異常陰影検出装置 | |
Prakash | Medical image processing methodology for liver tumour diagnosis |
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 |