CN117952962A - 一种骨密度检测图像处理方法及*** - Google Patents

一种骨密度检测图像处理方法及*** Download PDF

Info

Publication number
CN117952962A
CN117952962A CN202410342282.7A CN202410342282A CN117952962A CN 117952962 A CN117952962 A CN 117952962A CN 202410342282 A CN202410342282 A CN 202410342282A CN 117952962 A CN117952962 A CN 117952962A
Authority
CN
China
Prior art keywords
image
bone
bone tissue
image quality
segmented
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.)
Granted
Application number
CN202410342282.7A
Other languages
English (en)
Other versions
CN117952962B (zh
Inventor
俞政君
王子梅
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.)
NANJING KEJIN INDUSTRIAL LLC
Original Assignee
NANJING KEJIN INDUSTRIAL LLC
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 NANJING KEJIN INDUSTRIAL LLC filed Critical NANJING KEJIN INDUSTRIAL LLC
Priority to CN202410342282.7A priority Critical patent/CN117952962B/zh
Priority claimed from CN202410342282.7A external-priority patent/CN117952962B/zh
Publication of CN117952962A publication Critical patent/CN117952962A/zh
Application granted granted Critical
Publication of CN117952962B publication Critical patent/CN117952962B/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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • 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
    • G06T2207/20—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种骨密度检测图像处理方法及***，涉及骨密度图像检测技术领域，通过收集样本图像集合并训练骨组织分割模型，收集待分割骨组织图像的骨图像质量参数，基于骨图像质量参数计算骨图像质量系数，基于骨图像质量系数获得图像质量等级；若图像质量等级为低级，发起图像重置指令；若图像质量等级为中级，对待分割骨组织图像进行质量优化；若图像质量等级为高级，对待分割骨组织图像使用骨组织分割模型，分割出骨组织区域图像；实现骨密度检测图像精确自动分割,提取骨组织特征区域,减少检测误差,大幅提升骨密度检测与诊断的准确性。

Description

一种骨密度检测图像处理方法及***
技术领域
本发明涉及骨密度图像检测技术领域，具体是一种骨密度检测图像处理方法及***。
背景技术
当前骨密度检测中使用的双能X射线骨密度仪,需要对检测得到的图像进行处理识别,以测量骨密度相关参数。但是现有图像处理主要依赖手工或简单的自动分割方法来切割感兴趣区域（骨组织区域）,这些方法容易受主观影响,分割效果较差,无法有效提取骨组织区域,导致检测结果存在较大误差。
目前尚缺乏一种自动化的准确从骨组织图像中切割出骨组织区域的技术方案，也缺乏一种配套的能够自动化判断骨组织图像的质量，并对骨组织图像进行优化，从而更进一步的提高自动切割准确性的方法；
公开号为CN116491969A的中国专利提供了一种人体骨密度值的高精度检测方法及***，涉及骨密度检测技术领域，该方法包括：通过医学影像采集设备对目标用户进行影像采集，获得用户影像信息，其中，所述用户影像信息包括用户医学影像、采集设备参数、用户基础信息；构建骨密度数据库；构建骨密度特征映射库；进行图像预处理；对预处理图像进行识别分割，确定多影像区域，利用所述多影像区域与所述骨密度特征映射库进行匹配分析，获得骨密度分析结果；根据所述用户基础信息、所述骨密度分析结果输入用户评估模型，获得用户骨密度判定信息。但该方法也未能解决自动化分割感兴趣区域的问题；
为此，本发明提出一种骨密度检测图像处理方法及***。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种骨密度检测图像处理方法及***，采用深度学习模型实现骨密度检测图像精确自动分割,提取骨组织特征区域,减少检测误差,大幅提升骨密度检测与诊断的准确性。
为实现上述目的，提出一种骨密度检测图像处理方法，包括以下步骤：
步骤一：收集标记有骨组织区域标签的样本图像集合；
步骤二：使用样本图像集合训练骨组织分割模型；
步骤三：获取待分割骨组织图像，并收集待分割骨组织图像的骨图像质量参数，基于骨图像质量参数计算骨图像质量系数；
步骤四：基于骨图像质量系数获得图像质量等级；若图像质量等级为低级，发起图像重置指令；若图像质量等级为中级，转至步骤五；若图像质量等级为高级，转至步骤六；
步骤五：对待分割骨组织图像进行质量优化，并重新计算质量优化后的待分割骨组织图像的骨图像质量系数；转至步骤四；
步骤六：对待分割骨组织图像使用骨组织分割模型，分割出骨组织区域图像；
所述收集标记有骨组织区域标签的样本图像集合，包括：
收集A张由X射线或其他成像技术获取的骨密度样本图像，A为选择的骨密度样本图像的数量；
对收集到的每张骨密度样本图像，人工对其中的骨组织区域用边界框线进行标注；
将进行人工标注的骨密度样本图像划分为训练集、验证集和测试集；
所述训练集、验证集和测试集组成样本图像集合；
所述使用样本图像集合训练骨组织分割模型的方式为：
构建骨组织分割模型；
使用样本图像集合中的训练集对骨组织分割模型进行训练，并在每个训练周期中，将训练集中的骨密度样本图像输入骨组织分割模型，计算损失函数，并根据损失函数使用梯度下降算法更新骨组织分割模型的参数；
在训练过程中，骨组织分割模型监控在验证集上的损失函数值的变化情况；当验证集上的损失函数值达到收敛时，停止训练；
使用测试集对训练完成的骨组织分割模型进行评估；将测试集中的骨密度样本图像输入模型，计算骨组织分割模型在测试集上的预测结果，并与真实的骨组织区域标签进行比较，评估模型的性能表现；
所述构建骨组织分割模型包括：
输入层：接收骨密度样本图像作为输入；
卷积层和池化层：在输入层之后堆叠K1组卷积层和池化层，用于提取骨密度样本图像特征；
Flatten层：在卷积层和池化层之后堆叠一层Flatten层，将卷积层的输出展平为一维向量；
全连接层：在Flatten层后添加K2个全连接层，以学习图像特征与感兴趣区域的关系；K1和K2为根据实际模型训练经验设置的参数；
输出层：在全连接层后堆叠一层输出层，所述输出层输出骨密度样本图像中每个像素点的预测区域样本标签；所述预测区域样本标签为0或1中的一个，当像素点被骨组织分割模型认为属于骨组织时，该像素点的预测区域样本标签为1，当像素点被骨组织分割模型认为不属于骨组织时，该像素点的预测区域样本标签为0；
所述骨组织分割模型的损失函数为：
;
其中，N为输入至骨组织分割模型中的骨密度样本图像的数量，M 为每张骨密度样本图像的像素点数量；
i为骨密度样本图像的编号，j为像素点的编号；
yij为第i张骨密度样本图像中第j个像素点的真实标签；所述真实标签为0或1中的一个，当像素点在边界框线框出的范围内时，真实标签为1；当像素点在边界框线框出的范围外时，真实标签为0；
pij为骨组织分割模型输出的第i张骨密度样本图像中第j个像素点的预测区域样本标签；
所述收集待分割骨组织图像的骨图像质量参数，包括：
提取待分割骨组织图像的清晰度评分、对比度评分、噪声评分以及结构信息评分，并将清晰度评分、对比度评分、噪声评分以及结构信息评分组成骨图像质量参数；
所述基于骨图像质量参数计算骨图像质量系数的方式为：
将骨图像质量参数中的清晰度评分、对比度评分、噪声评分以及结构信息评分分别标记为w1、w2、w3以及w4；
将骨图像质量系数标记为W；
则骨图像质量系数W的计算公式为：，其中，a1、a2、a3和a4均为预设的比例系数。
所述基于骨图像质量系数获得图像质量等级的方式为：
预设低质量系数阈值和中质量系数阈值；
若骨图像质量系数<低质量系数阈值，则将图像质量等级设置为低级；
若低质量系数阈值骨图像质量系数<中质量系数阈值，则将图像质量等级设置为 中级；
若骨图像质量系数中质量系数阈值，则将图像质量等级设置为高级；
所述对待分割骨组织图像进行质量优化的方式为：
对待分割骨组织图像依次进行增强清晰度、增强对比度、去噪以及增强边缘的操作，每次操作完成后，计算每次操作对应的指标评分，若操作后的指标评分小于操作前的对应指标评分，则将待分割骨组织图像回退至操作前，并跳过该操作；所述每次操作对应的指标评分包括：增强清晰度对应清晰度评分，增强对比度对应对比度评分，去噪对应噪声评分，增强边缘操作对应结构信息评分；
所述分割出骨组织区域图像的方式为：
将待分割骨组织图像输入至骨组织分割模型中，获得骨组织分割模型输出的待分割骨组织图像中每个像素点的预测区域样本标签，并将其中预测区域样本标签为1的像素点组成的区域进行分割，获得骨组织区域图像。
提出一种骨密度检测图像处理***，包括训练数据收集模块、模型训练模块、图像质量等级计算模块、质量优化模块以及骨组织分割模块；其中，各个模块之间通过电性方式连接；
训练数据收集模块，用于收集标记有骨组织区域标签的样本图像集合，并将样本图像集合发送至模型训练模块；
模型训练模块，用于使用样本图像集合训练骨组织分割模型，并将骨组织分割模型发送至骨组织分割模块；
图像质量等级计算模块，用于获取待分割骨组织图像，并收集待分割骨组织图像的骨图像质量参数，基于骨图像质量参数计算骨图像质量系数，基于骨图像质量系数获得图像质量等级，若图像质量等级为低级，发起图像重置指令，若图像质量等级为中级，将待分割骨组织图像发送至质量优化模块，若图像质量等级为高级，将待分割骨组织图像发送至骨组织分割模块；
质量优化模块，用于对待分割骨组织图像进行质量优化，并重新计算质量优化后的待分割骨组织图像的骨图像质量系数，并将骨图像质量系数和质量优化后的待分割骨组织图像发送至图像质量等级计算模块；
骨组织分割模块，用于对待分割骨组织图像使用骨组织分割模型，分割出骨组织区域图像。
提出一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的骨密度检测图像处理方法。
提出一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的骨密度检测图像处理方法。
与现有技术相比，本发明的有益效果是：
本发明通过收集标记有骨组织区域标签的样本图像集合，使用样本图像集合训练骨组织分割模型，获取待分割骨组织图像，并收集待分割骨组织图像的骨图像质量参数，基于骨图像质量参数计算骨图像质量系数，基于骨图像质量系数获得图像质量等级；若图像质量等级为低级，发起图像重置指令；若图像质量等级为中级，对待分割骨组织图像进行质量优化，并重新计算质量优化后的待分割骨组织图像的骨图像质量系数；若图像质量等级为高级，对待分割骨组织图像使用骨组织分割模型，分割出骨组织区域图像；通过训练骨组织分割模型，实现自动化的从骨组织图像中切割出感兴趣区域，再进一步地提出图像质量优化方案，进一步地提高了自动化切割感兴趣区域的精确度，采用深度学习模型实现骨密度检测图像精确自动分割,提取骨组织特征区域，从而减少检测误差,大幅提升骨密度检测与诊断的准确性。
附图说明
图1为本发明的实施例1中一种骨密度检测图像处理方法的流程图；
图2为本发明的实施例2中一种骨密度检测图像处理***的模块连接关系图；
图3为本发明实施例3中的电子设备结构示意图；
图4为本发明实施例4中的计算机可读存储介质结构示意图。
具体实施方式
下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。
实施例1
如图1所示，一种骨密度检测图像处理方法，包括以下步骤：
步骤一：收集标记有骨组织区域标签的样本图像集合；
步骤二：使用样本图像集合训练骨组织分割模型；
步骤三：获取待分割骨组织图像，并收集待分割骨组织图像的骨图像质量参数，基于骨图像质量参数计算骨图像质量系数；
步骤四：基于骨图像质量系数获得图像质量等级；若图像质量等级为低级，发起图像重置指令；若图像质量等级为中级，转至步骤五；若图像质量等级为高级，转至步骤六；
步骤五：对待分割骨组织图像进行质量优化，并重新计算质量优化后的待分割骨组织图像的骨图像质量系数；转至步骤四；
步骤六：对待分割骨组织图像使用骨组织分割模型，分割出骨组织区域图像；
其中，所述收集标记有骨组织区域标签的样本图像集合，包括：
收集A张由X射线或其他成像技术获取的骨密度样本图像，A为选择的骨密度样本图像的数量；需要说明的是，所述骨密度样本图像尽可能地覆盖各种不同的解剖结构、病变类型和拍摄条件，以确保模型具有良好的泛化能力；
对收集到的每张骨密度样本图像，人工对其中的骨组织区域用边界框线进行标注；需要说明的是，标注需要通过医学影像专家或经过专业培训的标注人员使用专业的医学图像标注工具，如LabelImg、ITK-SNAP等；标注过程中的边界框线应尽可能准确地勾勒出骨组织的边界，以提高模型训练的准确性；
将进行人工标注的骨密度样本图像划分为训练集、验证集和测试集；可以理解的是，训练集、验证集和测试集通常采用70%-15%-15%的比例进行划分，确保模型在训练过程中能够充分学习和泛化；
所述训练集、验证集和测试集组成样本图像集合；
进一步的，所述使用样本图像集合训练骨组织分割模型的方式为：
构建骨组织分割模型；
使用样本图像集合中的训练集对骨组织分割模型进行训练，并在每个训练周期中，将训练集中的骨密度样本图像输入骨组织分割模型，计算损失函数，并根据损失函数使用梯度下降算法更新骨组织分割模型的参数；
在训练过程中，骨组织分割模型监控在验证集上的损失函数值的变化情况；当验证集上的损失函数值达到收敛时，停止训练，以防止过拟合；
使用测试集对训练完成的骨组织分割模型进行评估；具体的，将测试集中的骨密度样本图像输入模型，计算骨组织分割模型在测试集上的预测结果，并与真实的骨组织区域标签进行比较，评估模型的性能表现；
具体的，所述构建骨组织分割模型包括：
输入层：接收骨密度样本图像作为输入；
卷积层和池化层：在输入层之后堆叠K1组卷积层和池化层，用于提取骨密度样本图像特征；
Flatten层：在卷积层和池化层之后堆叠一层Flatten层，将卷积层的输出展平为一维向量；
全连接层：在Flatten层后添加K2个全连接层，以学习图像特征与感兴趣区域的关系；K1和K2为根据实际模型训练经验设置的参数；
输出层：在全连接层后堆叠一层输出层，所述输出层输出骨密度样本图像中每个像素点的预测区域样本标签；所述预测区域样本标签为0或1中的一个，当像素点被骨组织分割模型认为属于骨组织时，该像素点的预测区域样本标签为1，当像素点被骨组织分割模型认为不属于骨组织时，该像素点的预测区域样本标签为0；
所述骨组织分割模型的损失函数为：
;
其中，N为输入至骨组织分割模型中的骨密度样本图像的数量，M 为每张骨密度样本图像的像素点数量；
i为骨密度样本图像的编号，j为像素点的编号；
yij为第i张骨密度样本图像中第j个像素点的真实标签；所述真实标签为0或1中的一个，当像素点在边界框线框出的范围内时，真实标签为1；当像素点在边界框线框出的范围外时，真实标签为0；
pij为骨组织分割模型输出的第i张骨密度样本图像中第j个像素点的预测区域样本标签；
可以理解的是，这样的损失函数可以更好地衡量模型在每个像素点上的预测准确度，从而更准确地指导模型的训练和优化；
进一步的，所述获取待分割骨组织图像是指获取由X射线或其他成像技术下收集的真实病人的骨组织图像，以进一步对真实病人的骨组织图像进行骨组织区域的分割；
进一步的，所述收集待分割骨组织图像的骨图像质量参数，包括：
提取待分割骨组织图像的清晰度评分、对比度评分、噪声评分以及结构信息评分，并将清晰度评分、对比度评分、噪声评分以及结构信息评分组成骨图像质量参数；
具体的，所述清晰度评分可以使用图像清晰度评估指标，如图像的Sobel梯度、幅度谱、模糊度中的任意一种表示；
所述对比度评分可以采用对比度增强后的图像的方差或动态范围等指标中的任意一种表示；
所述噪声评分可以使用图像的均方差或信噪比等指标中的任意一种表示；
所述结构信息评分可以使用结构相似性指标表示；
具体的，所述的结构相似性指标的计算方法包括：
使用图像特征提取方法，如局部二值模式 (Local Binary Patterns, LBP)、灰度共生矩阵 (Gray-Level Co-occurrence Matrix, GLCM)、方向梯度直方图 (Histogram ofOriented Gradients, HOG) 等，从待分割骨组织图像中提取结构信息；
将提取的待分割骨组织图像的结构信息与参考图像的结构信息进行比较，并计算结构信息之间的相似性，具体的相似性计算方式为计算结构相似性指数 (StructuralSimilarity Index, SSIM) 、相关系数或欧氏距离中的任意一种；所述的参考图像为预先人工选择的具有完整骨组织结构的骨组织图像；
所述结构信息之间的相似性即为结构相似性指标；
进一步的，所述基于骨图像质量参数计算骨图像质量系数的方式为：
将骨图像质量参数中的清晰度评分、对比度评分、噪声评分以及结构信息评分分别标记为w1、w2、w3以及w4；
将骨图像质量系数标记为W；
则骨图像质量系数W的计算公式为：， 其中，a1、a2、a3和a4均为预设的比例系数；
进一步的，所述基于骨图像质量系数获得图像质量等级的方式为：
预设低质量系数阈值和中质量系数阈值；
若骨图像质量系数<低质量系数阈值，则将图像质量等级设置为低级；
若低质量系数阈值骨图像质量系数<中质量系数阈值，则将图像质量等级设置为 中级；
若骨图像质量系数中质量系数阈值，则将图像质量等级设置为高级；
进一步的，所述图像重置指令为建议真实病人重新拍摄骨组织图像的指令；
所述对待分割骨组织图像进行质量优化的方式为：
对待分割骨组织图像依次进行增强清晰度、增强对比度、去噪以及增强边缘的操作，每次操作完成后，计算每次操作对应的指标评分，若操作后的指标评分小于操作前的对应指标评分，则将待分割骨组织图像回退至操作前，并跳过该操作，以保证待分割骨组织图像的质量是不断优化而不会回退；所述每次操作对应的指标评分包括：增强清晰度对应清晰度评分，增强对比度对应对比度评分，去噪对应噪声评分，增强边缘操作对应结构信息评分；
具体的，所述增强清晰度可以通过使用去模糊模型实现，所述去模糊模型包括但不限于使用MSSNet、MIMO-UNet等；
所述增强对比度可以通过重新分布图像像素的灰度级分布，增加图像的对比度；
所述去噪可以通过使用高斯滤波器对图像进行平滑处理，去除高频噪声，也可以通过使用中值滤波利用滑动窗口内像素值的中值来替代中心像素值，对图像进行去除脉冲噪声的处理；
所述增强边缘操作可以利用Sobel算子进行边缘检测，通过计算图像中像素点的梯度来增强图像的边缘信息，也可以使用Canny算法检测图像中的边缘并提高边缘像素的亮度实现，实现更准确的边缘检测和提取；
进一步的，所述对待分割骨组织图像使用骨组织分割模型，分割出骨组织区域图像的方式为：
将待分割骨组织图像输入至骨组织分割模型中，获得骨组织分割模型输出的待分割骨组织图像中每个像素点的预测区域样本标签，并将其中预测区域样本标签为1的像素点组成的区域进行分割，获得骨组织区域图像。
实施例2
如图2所示，一种骨密度检测图像处理***，包括训练数据收集模块、模型训练模块、图像质量等级计算模块、质量优化模块以及骨组织分割模块；其中，各个模块之间通过电性方式连接；
其中，所述训练数据收集模块主要用于收集标记有骨组织区域标签的样本图像集合，并将样本图像集合发送至模型训练模块；
其中，所述模型训练模块主要用于使用样本图像集合训练骨组织分割模型，并将骨组织分割模型发送至骨组织分割模块；
其中，所述图像质量等级计算模块主要用于获取待分割骨组织图像，并收集待分割骨组织图像的骨图像质量参数，基于骨图像质量参数计算骨图像质量系数，基于骨图像质量系数获得图像质量等级，若图像质量等级为低级，发起图像重置指令，若图像质量等级为中级，将待分割骨组织图像发送至质量优化模块，若图像质量等级为高级，将待分割骨组织图像发送至骨组织分割模块；
其中，所述质量优化模块主要用于对待分割骨组织图像进行质量优化，并重新计算质量优化后的待分割骨组织图像的骨图像质量系数，并将骨图像质量系数和质量优化后的待分割骨组织图像发送至图像质量等级计算模块；
其中，所述骨组织分割模块主要用于对待分割骨组织图像使用骨组织分割模型，分割出骨组织区域图像。
实施例3
图3是本申请一个实施例提供的电子设备结构示意图。如图3所示，根据本申请的又一方面还提供了一种电子设备100。该电子设备100可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的骨密度检测图像处理方法实现。
根据本申请实施方式的方法或装置也可以借助于图3所示的电子设备的架构来实现。如图3所示，电子设备100可包括总线101、一个或多个CPU102、ROM103、RAM104、连接到网络的通信端口105、输入/输出组件106、硬盘107等。电子设备100中的存储设备，例如ROM103或硬盘107可存储本申请提供的骨密度检测图像处理方法实现。骨密度检测图像处理方法实现可例如包括以下步骤：步骤一：收集标记有骨组织区域标签的样本图像集合；步骤二：使用样本图像集合训练骨组织分割模型；步骤三：获取待分割骨组织图像，并收集待分割骨组织图像的骨图像质量参数，基于骨图像质量参数计算骨图像质量系数；步骤四：基于骨图像质量系数获得图像质量等级；若图像质量等级为低级，发起图像重置指令；若图像质量等级为中级，转至步骤五；若图像质量等级为高级，转至步骤六；步骤五：对待分割骨组织图像进行质量优化，并重新计算质量优化后的待分割骨组织图像的骨图像质量系数；转至步骤四；步骤六：对待分割骨组织图像使用骨组织分割模型，分割出骨组织区域图像；
进一步地，电子设备100还可包括用户界面108。当然，图3所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图3示出的电子设备中的一个或多个组件。
实施例4
图4是本申请一个实施例提供的计算机可读存储介质结构示意图。如图4所示，是根据本申请一个实施方式的计算机可读存储介质200。计算机可读存储介质200上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的骨密度检测图像处理方法实现。计算机可读存储介质200包括但不限于易失性存储器和/或非易失性存储器。易失性存储器可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器可包括只读存储器(ROM)、硬盘、闪存等。
另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本申请的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本申请实施为记录在记录介质中的程序，这些程序包括用于实现根据本申请的方法的机器可读指令。因而，本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外，本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
如上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是，以上所述仅为本发明的具体实施方式，并不用于限制本发明。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法，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法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (12)

1.一种骨密度检测图像处理方法，其特征在于，包括以下步骤：
步骤一：收集标记有骨组织区域标签的样本图像集合；
步骤二：使用样本图像集合训练骨组织分割模型；
步骤三：获取待分割骨组织图像，并收集待分割骨组织图像的骨图像质量参数，基于骨图像质量参数计算骨图像质量系数；
步骤四：基于骨图像质量系数获得图像质量等级；若图像质量等级为低级，发起图像重置指令；若图像质量等级为中级，转至步骤五；若图像质量等级为高级，转至步骤六；
步骤五：对待分割骨组织图像进行质量优化，并重新计算质量优化后的待分割骨组织图像的骨图像质量系数；转至步骤四；
步骤六：对待分割骨组织图像使用骨组织分割模型，分割出骨组织区域图像。
2.根据权利要求1所述的一种骨密度检测图像处理方法，其特征在于，所述收集标记有骨组织区域标签的样本图像集合，包括：
收集A张骨密度样本图像，A为选择的骨密度样本图像的数量；
对收集到的每张骨密度样本图像，人工对其中的骨组织区域用边界框线进行标注；
将进行人工标注的骨密度样本图像划分为训练集、验证集和测试集；
所述训练集、验证集和测试集组成样本图像集合。
3.根据权利要求2所述的一种骨密度检测图像处理方法，其特征在于，所述使用样本图像集合训练骨组织分割模型的方式为：
构建骨组织分割模型；
使用样本图像集合中的训练集对骨组织分割模型进行训练，并在每个训练周期中，将训练集中的骨密度样本图像输入骨组织分割模型，计算损失函数，并根据损失函数使用梯度下降算法更新骨组织分割模型的参数；
在训练过程中，骨组织分割模型监控在验证集上的损失函数值的变化情况；当验证集上的损失函数值达到收敛时，停止训练；
使用测试集对训练完成的骨组织分割模型进行评估；将测试集中的骨密度样本图像输入模型，计算骨组织分割模型在测试集上的预测结果，并与真实的骨组织区域标签进行比较，评估模型的性能表现。
4.根据权利要求3所述的一种骨密度检测图像处理方法，其特征在于，所述构建骨组织分割模型包括：
输入层：接收骨密度样本图像作为输入；
卷积层和池化层：在输入层之后堆叠K1组卷积层和池化层，用于提取骨密度样本图像特征；
Flatten层：在卷积层和池化层之后堆叠一层Flatten层，将卷积层的输出展平为一维向量；
全连接层：在Flatten层后添加K2个全连接层，以学习图像特征与感兴趣区域的关系；K1和K2为根据实际模型训练经验设置的参数；
输出层：在全连接层后堆叠一层输出层，所述输出层输出骨密度样本图像中每个像素点的预测区域样本标签；所述预测区域样本标签为0或1中的一个，当像素点被骨组织分割模型认为属于骨组织时，该像素点的预测区域样本标签为1，当像素点被骨组织分割模型认为不属于骨组织时，该像素点的预测区域样本标签为0；
所述骨组织分割模型的损失函数为：
;
其中，N为输入至骨组织分割模型中的骨密度样本图像的数量，M 为每张骨密度样本图像的像素点数量；
i为骨密度样本图像的编号，j为像素点的编号；
yij为第i张骨密度样本图像中第j个像素点的真实标签；所述真实标签为0或1中的一个，当像素点在边界框线框出的范围内时，真实标签为1；当像素点在边界框线框出的范围外时，真实标签为0；
pij为骨组织分割模型输出的第i张骨密度样本图像中第j个像素点的预测区域样本标签。
5.根据权利要求4所述的一种骨密度检测图像处理方法，其特征在于，所述收集待分割骨组织图像的骨图像质量参数，包括：
提取待分割骨组织图像的清晰度评分、对比度评分、噪声评分以及结构信息评分，并将清晰度评分、对比度评分、噪声评分以及结构信息评分组成骨图像质量参数。
6.根据权利要求5所述的一种骨密度检测图像处理方法，其特征在于，所述基于骨图像质量参数计算骨图像质量系数的方式为：
将骨图像质量参数中的清晰度评分、对比度评分、噪声评分以及结构信息评分分别标记为w1、w2、w3以及w4；
将骨图像质量系数标记为W；
则骨图像质量系数W的计算公式为：，其中，a1、a2、a3和a4均为预设的比例系数。
7.根据权利要求6所述的一种骨密度检测图像处理方法，其特征在于，所述基于骨图像质量系数获得图像质量等级的方式为：
预设低质量系数阈值和中质量系数阈值；
若骨图像质量系数<低质量系数阈值，则将图像质量等级设置为低级；
若低质量系数阈值骨图像质量系数<中质量系数阈值，则将图像质量等级设置为中级；
若骨图像质量系数中质量系数阈值，则将图像质量等级设置为高级。
8.根据权利要求7所述的一种骨密度检测图像处理方法，其特征在于，所述对待分割骨组织图像进行质量优化的方式为：
对待分割骨组织图像依次进行增强清晰度、增强对比度、去噪以及增强边缘的操作，每次操作完成后，计算每次操作对应的指标评分，若操作后的指标评分小于操作前的对应指标评分，则将待分割骨组织图像回退至操作前，并跳过该操作；所述每次操作对应的指标评分包括：增强清晰度对应清晰度评分，增强对比度对应对比度评分，去噪对应噪声评分，增强边缘操作对应结构信息评分。
9.根据权利要求8所述的一种骨密度检测图像处理方法，其特征在于，所述分割出骨组织区域图像的方式为：
将待分割骨组织图像输入至骨组织分割模型中，获得骨组织分割模型输出的待分割骨组织图像中每个像素点的预测区域样本标签，并将其中预测区域样本标签为1的像素点组成的区域进行分割，获得骨组织区域图像。
10.一种骨密度检测图像处理***，其用于实现权利要求1-9中任意一项所述的骨密度检测图像处理方法，其特征在于，包括训练数据收集模块、模型训练模块、图像质量等级计算模块、质量优化模块以及骨组织分割模块；其中，各个模块之间通过电性方式连接；
训练数据收集模块，用于收集标记有骨组织区域标签的样本图像集合，并将样本图像集合发送至模型训练模块；
模型训练模块，用于使用样本图像集合训练骨组织分割模型，并将骨组织分割模型发送至骨组织分割模块；
图像质量等级计算模块，用于获取待分割骨组织图像，并收集待分割骨组织图像的骨图像质量参数，基于骨图像质量参数计算骨图像质量系数，基于骨图像质量系数获得图像质量等级，若图像质量等级为低级，发起图像重置指令，若图像质量等级为中级，将待分割骨组织图像发送至质量优化模块，若图像质量等级为高级，将待分割骨组织图像发送至骨组织分割模块；
质量优化模块，用于对待分割骨组织图像进行质量优化，并重新计算质量优化后的待分割骨组织图像的骨图像质量系数，并将骨图像质量系数和质量优化后的待分割骨组织图像发送至图像质量等级计算模块；
骨组织分割模块，用于对待分割骨组织图像使用骨组织分割模型，分割出骨组织区域图像。
11.一种电子设备，其特征在于，包括：处理器和存储器，其中，
所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，在后台中执行权利要求1-9中任意一项所述的骨密度检测图像处理方法。
12.一种计算机可读存储介质，其特征在于，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备在后台中执行权利要求1-9中任意一项所述的骨密度检测图像处理方法。
CN202410342282.7A 2024-03-25 一种骨密度检测图像处理方法及*** Active CN117952962B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410342282.7A CN117952962B (zh) 2024-03-25 一种骨密度检测图像处理方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410342282.7A CN117952962B (zh) 2024-03-25 一种骨密度检测图像处理方法及***

Publications (2)

Publication Number Publication Date
CN117952962A true CN117952962A (zh) 2024-04-30
CN117952962B CN117952962B (zh) 2024-07-30

Family

ID=

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2690596A1 (en) * 2012-07-24 2014-01-29 Agfa Healthcare Method, apparatus and system for automated spine labeling
CN107358608A (zh) * 2017-08-23 2017-11-17 西安邮电大学 基于图像处理技术的骨组织几何形态学参数自动测量装置及方法
CN110428410A (zh) * 2019-07-31 2019-11-08 腾讯医疗健康(深圳)有限公司 眼底医学图像处理方法、装置、设备及存储介质
CN112529863A (zh) * 2020-12-04 2021-03-19 推想医疗科技股份有限公司 测量骨密度的方法及装置
CN113469961A (zh) * 2021-06-24 2021-10-01 浙江大学医学院附属第一医院 一种基于神经网络的腕管图像分割方法及***
CN113538329A (zh) * 2020-04-20 2021-10-22 Fei 公司 由数据处理设备实施的方法以及使用此类方法检测样品的带电粒子束装置
CN114066857A (zh) * 2021-11-18 2022-02-18 烟台艾睿光电科技有限公司 红外图像质量评价方法、装置、电子设备及可读存储介质
CN114140487A (zh) * 2020-08-12 2022-03-04 通用电气精准医疗有限责任公司 脑部图像分割方法及装置
CN114429468A (zh) * 2022-01-27 2022-05-03 华中科技大学同济医学院附属同济医院 骨龄测量方法、***与电子设备及计算机可读存储介质
WO2022261550A1 (en) * 2021-06-11 2022-12-15 Trustees Of Tufts College Method and apparatus for image processing
KR102531759B1 (ko) * 2021-11-11 2023-05-12 한국기초과학지원연구원 골 조직 모사체 이미지 분석을 이용한 골질환 약물 스크리닝 방법 및 장치
CN116109570A (zh) * 2022-12-22 2023-05-12 北京医准智能科技有限公司 骨密度测量方法、装置、设备及存储介质
CN116681627A (zh) * 2023-08-03 2023-09-01 佛山科学技术学院 一种跨尺度融合的自适应水下图像生成对抗增强方法
CN117115600A (zh) * 2023-09-05 2023-11-24 佳讯飞鸿（北京）智能科技研究院有限公司 无参考图像质量评价的方法、装置及电子设备
CN117314872A (zh) * 2023-10-12 2023-12-29 武汉大学人民医院（湖北省人民医院） 一种视网膜图像的智能分割方法及装置
CN117475121A (zh) * 2023-12-04 2024-01-30 河南科技大学 一种图像处理***以及图像处理方法
US20240070835A1 (en) * 2022-08-23 2024-02-29 Samsung Electronics Co., Ltd. System and platform for automatic optimization of image quality of image sensor and operating method thereof

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2690596A1 (en) * 2012-07-24 2014-01-29 Agfa Healthcare Method, apparatus and system for automated spine labeling
CN107358608A (zh) * 2017-08-23 2017-11-17 西安邮电大学 基于图像处理技术的骨组织几何形态学参数自动测量装置及方法
CN110428410A (zh) * 2019-07-31 2019-11-08 腾讯医疗健康(深圳)有限公司 眼底医学图像处理方法、装置、设备及存储介质
CN113538329A (zh) * 2020-04-20 2021-10-22 Fei 公司 由数据处理设备实施的方法以及使用此类方法检测样品的带电粒子束装置
CN114140487A (zh) * 2020-08-12 2022-03-04 通用电气精准医疗有限责任公司 脑部图像分割方法及装置
CN112529863A (zh) * 2020-12-04 2021-03-19 推想医疗科技股份有限公司 测量骨密度的方法及装置
WO2022261550A1 (en) * 2021-06-11 2022-12-15 Trustees Of Tufts College Method and apparatus for image processing
CN113469961A (zh) * 2021-06-24 2021-10-01 浙江大学医学院附属第一医院 一种基于神经网络的腕管图像分割方法及***
KR102531759B1 (ko) * 2021-11-11 2023-05-12 한국기초과학지원연구원 골 조직 모사체 이미지 분석을 이용한 골질환 약물 스크리닝 방법 및 장치
CN114066857A (zh) * 2021-11-18 2022-02-18 烟台艾睿光电科技有限公司 红外图像质量评价方法、装置、电子设备及可读存储介质
CN114429468A (zh) * 2022-01-27 2022-05-03 华中科技大学同济医学院附属同济医院 骨龄测量方法、***与电子设备及计算机可读存储介质
US20240070835A1 (en) * 2022-08-23 2024-02-29 Samsung Electronics Co., Ltd. System and platform for automatic optimization of image quality of image sensor and operating method thereof
CN116109570A (zh) * 2022-12-22 2023-05-12 北京医准智能科技有限公司 骨密度测量方法、装置、设备及存储介质
CN116681627A (zh) * 2023-08-03 2023-09-01 佛山科学技术学院 一种跨尺度融合的自适应水下图像生成对抗增强方法
CN117115600A (zh) * 2023-09-05 2023-11-24 佳讯飞鸿（北京）智能科技研究院有限公司 无参考图像质量评价的方法、装置及电子设备
CN117314872A (zh) * 2023-10-12 2023-12-29 武汉大学人民医院（湖北省人民医院） 一种视网膜图像的智能分割方法及装置
CN117475121A (zh) * 2023-12-04 2024-01-30 河南科技大学 一种图像处理***以及图像处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LAUREN N. HECKELMAN 等: "Design and validation of a semi-automatic bone segmentation algorithm from MRI to improve research efficiency", 《SCIENTIFIC REPORTS》, 12 May 2022 (2022-05-12), pages 1 - 10 *
杜威、陈胜: "基于Hessian自适应增强的口腔结构光图像处理", 《控制工程》, vol. 30, no. 3, 31 March 2023 (2023-03-31), pages 543 - 551 *

Similar Documents

Publication Publication Date Title
CN108665456B (zh) 基于人工智能的乳腺超声病灶区域实时标注的方法及***
CN109685060B (zh) 图像处理方法和装置
CN108133476B (zh) 一种肺结节自动检测方法及***
CN105894517B (zh) 基于特征学习的ct图像肝脏分割方法及***
CN111862044B (zh) 超声图像处理方法、装置、计算机设备和存储介质
CN108062749B (zh) 肛提肌裂孔的识别方法、装置和电子设备
CN111598875A (zh) 甲状腺结节自动检测模型构建方法、***及装置
CN111507965A (zh) 新型冠状病毒肺炎病灶检测方法、***、装置和存储介质
JP2005296605A (ja) 放射線写真画像を診断関連領域と診断非関連領域とにセグメント化する方法
CN110415208A (zh) 一种自适应目标检测方法及其装置、设备、存储介质
CN109241867B (zh) 采用人工智能算法识别数字岩心图像的方法及装置
CN107169975B (zh) 超声图像的分析方法及装置
CN114240978B (zh) 基于自适应形态学的细胞边缘分割方法和装置
CN113393454A (zh) 活检组织中病理目标实例分割方法和装置
CN108305247B (zh) 一种基于ct图像灰度值检测组织硬度的方法
CN114581709A (zh) 识别医学图像中的目标的模型训练、方法、设备及介质
CN116758336A (zh) 一种基于人工智能的医学图像智能分析***
CN101897592B (zh) X射线影像中金属异物的提取方法和装置
CN111612749B (zh) 基于肺部影像的病灶检测方法和装置
CN111401102A (zh) 深度学习模型训练方法及装置、电子设备及存储介质
CN117952962B (zh) 一种骨密度检测图像处理方法及***
CN101847260A (zh) 图像处理设备、图像处理方法以及程序
CN111325282A (zh) 适应多机型的乳腺x射线影像识别方法和装置
CN114092470B (zh) 一种基于深度学习的肺裂自动检测方法及装置
CN117952962A (zh) 一种骨密度检测图像处理方法及***

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