[go: up one dir, main page]

CN116630358B - 一种脑部肿瘤ct影像的阈值分割方法 - Google Patents

一种脑部肿瘤ct影像的阈值分割方法 Download PDF

Info

Publication number
CN116630358B
CN116630358B CN202310912887.0A CN202310912887A CN116630358B CN 116630358 B CN116630358 B CN 116630358B CN 202310912887 A CN202310912887 A CN 202310912887A CN 116630358 B CN116630358 B CN 116630358B
Authority
CN
China
Prior art keywords
connected area
pixels
current
area
image
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
CN202310912887.0A
Other languages
English (en)
Other versions
CN116630358A (zh
Inventor
周燕华
田晓静
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.)
Shandong Second Medical University Affiliated Hospital
Original Assignee
Affiliated Hospital of Weifang Medical University
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 Affiliated Hospital of Weifang Medical University filed Critical Affiliated Hospital of Weifang Medical University
Priority to CN202310912887.0A priority Critical patent/CN116630358B/zh
Publication of CN116630358A publication Critical patent/CN116630358A/zh
Application granted granted Critical
Publication of CN116630358B publication Critical patent/CN116630358B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T2207/30096—Tumor; Lesion

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)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种脑部肿瘤CT影像的阈值分割方法，包括：获取当前CT影像在固定阈值分割处理后的分割图像并标记出存在的各连通区域；结合肿瘤形态特征计算并获取目标连通区域；对目标连通区域进行标记和保存；根据目标连通区域合理且准确地选择种子点投放的位置；并生长得到分割效果图像。本发明结合肿瘤和其他颅内组织的形态特征；自适应评估和选择准确的区域进行种子点的投放，使得区域生长分割法得到的分割图像准确性更高且效果更佳。

Description

一种脑部肿瘤CT影像的阈值分割方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种脑部肿瘤CT影像的阈值分割方法。
背景技术
脑部肿瘤是指在脑组织内或脑膜下形成的肿瘤，而对于脑部肿瘤的早期筛查主要方法之一是核磁共振成像检测；需要对脑部肿瘤的CT影像进行阈值分割处理；由于传统的分割方式为固定阈值法，即将固定的阈值应用于整张目标图像，通过确定阈值来区分肿瘤和正常区域，该做法虽然简单易行，但由于受噪声和环境亮度的影响，得到的分割图像往往达不到预期的分割效果。
因此现如今对于肿瘤CT影像的分割方式会选择对噪声以及环境光照亮度敏感性很弱的区域生长分割算法。而区域生长的分割方法虽然可以克服固定阈值法对噪声的敏感性，但是其对初始种子点的选择比较敏感，由于脑颅内的一些血管、腺体组织等组织区域在影像中表现出于肿瘤区域较为相似的灰度值，因此其会对种子点的投放造成干扰，进而容易出现区域过度生长和错分的现象。
发明内容
本发明提供一种脑部肿瘤CT影像的阈值分割方法，以解决现有的问题。
本发明的一种脑部肿瘤CT影像的阈值分割方法采用如下技术方案：
本发明一个实施例提供了一种脑部肿瘤CT影像的阈值分割方法，该方法包括以下步骤：
获取CT影像在阈值分割处理后的分割图像中存在的所有的连通区域；
根据连通区域的边缘像素点到质心的距离的最大值最小值的差值得到连通区域疑似肿瘤程度值；根据连通区域疑似肿瘤程度值得到疑似肿瘤连通区域；根据疑似肿瘤连通区域内的高灰度像素点占比和灰度值均值得到第一可信程度；根据所有的疑似肿瘤连通区域的第一可信程度得到第一可信高连通区域；根据第一可信高连通区域内灰度值渐变程度得到第二可信程度；根据所有的第一可信高连通区域的第二可信程度得到目标连通区域；
对目标连通区域进行标记和保存；
根据目标连通区域选择种子点投放的位置；并生长得到分割结果图像。
优选的，所述获取CT影像在阈值分割处理后的分割图像中存在的所有的连通区域，包括的具体步骤如下：
对CT影像图使用阈值分割法进行处理得到分割后的效果图像，再对于分割后的图像使用形态学开运算；将开运算处理后的图像中存在的所有连通区域进行标记，进而得到CT影像在阈值分割处理后的分割图像中存在的所有的连通区域。
优选的，所述根据连通区域的边缘像素点到质心的距离的最大值最小值的差值得到连通区域疑似肿瘤程度值，包括的具体步骤如下：
使用canny边缘检测技术获得各个连通区域的边缘，并通过图像得到各个连通区域的质心；对于任意一个连通区域进行分析，记为当前连通区域；则疑似肿瘤程度值的表达式为：
；
式中，表示疑似肿瘤程度值；/>表示当前连通区域的质心点，/>分别表示当前连通区域质心的像素点在图像中的横坐标和纵坐标数值；/>表示边缘像素点；/>表示当前连通区域的边缘上第/>个像素点；/>表示当前第/>个边缘像素点在图像中的横坐标数值和纵坐标数值；/>表示当前连通区域的所有边缘像素点到其质心的欧几里得距离的最大值；表示当前连通区域的所有边缘像素点到其质心的欧几里得距离的最小值；/>表示以自然常数为底的指数函数。
优选的，所述根据疑似肿瘤连通区域内的高灰度像素点占比和灰度值均值得到第一可信程度，包括的具体步骤如下：
对于任意一个疑似肿瘤连通区域进行分析，记为当前疑似肿瘤连通区域；则当前疑似肿瘤连通区域的第一可信程度的计算表达式为：
；
式中，表示当前疑似肿瘤连通区域的第一可信程度，/>表示当前疑似肿瘤连通区域内所含像素点的个数，/>表示灰度值，/>表示当前疑似肿瘤连通区域内的任意第/>个像素点，/>则为当前疑似肿瘤连通区域内的任意第/>个像素点的灰度值，/>为预设权重大小，/>表示当前疑似肿瘤连通区域内像素点的最大灰度值，/>则为最小灰度值，/>表示当前疑似肿瘤连通区域内第/>个像素点的灰度值；/>表示当前疑似肿瘤连通区域内灰度值大于中间阈值/>的像素点个数，/>为/>函数。
优选的，所述根据第一可信高连通区域内灰度值渐变程度得到第二可信程度，包括的具体步骤如下：
对于任意一个第一可信高连通区域进行分析，记为当前第一可信高连通区域，则当前第一可信高连通区域的第二可信程度的计算表达式为：
；
式中，表示第二可信程度值；/>表示像素点个数；/>表示当前第一可信程度高的连通区域的质心坐标点；/>表示当前第一可信程度高的连通区域的质心到边缘点的平均距离向下取整的三分之一值；/>表示当前第一可信程度高的连通区域以为圆心，以/>为半径的圆形范围内所含有全部的像素点；/>表示灰度值；/>表示划分范围内第/>个像素点的灰度值；/>表示/>对应的圆形范围内所有像素点灰度值的均值；/>表示以自然常数为底的指数函数；表示当前第一可信程度高的连通区域以/>为圆心，以/>为半径的圆形范围内所含有全部的像素点；/>表示当前第一可信程度高的连通区域以为圆心，以/>为半径的圆形范围内所含有全部的像素点；表示/>对应的圆形范围内所有像素点灰度值的均值；/>表示/>对应的圆形范围内所有像素点灰度值的均值。
优选的，所述根据目标连通区域选择种子点投放的位置，包括的具体步骤如下：
对于得到的目标连通区域；选择其为最佳种子点投放区域，由此实现种子点的投放区域；使用区域生长分割法得到的分割图像。
本发明的技术方案的有益效果是：传统的区域生长算法会对初始种子点的选择比较敏感，由于场景中脑颅内的部分组织区域在影像中表现出于肿瘤区域较为相似的灰度值，因此其会对种子点的投放造成干扰，进而容易出现区域过度生长和错分的现象；本方案结合肿瘤和其他颅内组织的形态特征；自适应评估和选择准确的区域进行种子点的投放，使得区域生长分割法得到的分割图像准确性更高且效果更佳。
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为本发明一种脑部肿瘤CT影像的阈值分割方法的步骤流程图。
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一种脑部肿瘤CT影像的阈值分割方法，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一种脑部肿瘤CT影像的阈值分割方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种脑部肿瘤CT影像的阈值分割方法的步骤流程图，该方法包括以下步骤：
步骤S001：获取CT影像在阈值分割处理后的分割图像并标记出存在的各个连通区域。
需要说明的是，在CT影像中，由于脑颅内部的含有的血管，腺体等组织区域在影像中表现出的灰度值与肿瘤区域类似，因此首先使用固定阈值法对影像进行预处理得到的粗分割图像中；很容易将其分为同类即同时分割到效果图像中（包括当前过程中产生的噪声等环境的影响）；因此需要对粗分割得到的图像进行预处理操作，获取其中存在的各连通域，便于展开后续的判断和识别。
具体的，首先分析当前CT影像图的灰度直方图，选择峰值作为阈值分割法的阈值，对当前CT影像图使用阈值分割法进行处理得到分割后的效果图像，再对于分割后的图像使用形态学开运算进行预处理操作，其能够通过先对图像腐蚀再膨胀的操作平滑各连通域的形状边界同时去除掉图像中分割所存在孤立的细小像素点和毛刺，而图像中连通域的总体位置形态不会发生改变；由此在不改变特征形态的基础上，减少多余像素点和其他因素带来的干扰；将开运算处理后的图像中存在的所有连通区域进行标记，并将其依次存放在连通域集合中:/>。
至此，得到CT影像在固定阈值分割处理后的分割图像中存在的所有的连通区域。
步骤S002：结合肿瘤形态特征计算并获取目标连通区域。
需要说明的是，脑部肿瘤的形态特征具有一定的多样化，具体的表现因肿瘤类型、分化程度以及分布位置等因素而异；由此不能仅通过某一种特征将其与脑部其他腺体组织区分；因此，需要在肿瘤多样化特征的影响下，找出其具有的多个共性且当前肿瘤共性特征能够与其他腺体组织产生不共性即不相似性；首先多类脑部肿瘤通常呈球形或近似球形；该类外形特征可作为肿瘤与其他组织较佳的区分依据；虽然良性和恶性肿瘤边缘的清晰光滑程度不同，无法通过边缘特征准确区分；但由于两者内部都具有较高的密度；且在其内部密度变化规律相似；因此该特征能够为肿瘤区域的内部共性特征，且区分于正常腺体组织；由此结合肿瘤在多样性特征下存在的共性特征，对连通域进行分析计算最终得到为肿瘤目标连通域。
1. 根据肿瘤外部表现形态特征得到疑似肿瘤连通区域。
需要说明的是，脑部肿瘤通常呈现球形或椭圆形，而其他脑颅内组织形态特征与其具有较大的区别，多为窄长形或不规则形状；因此首先根据各连通域的外形特征对其进行初步分析判断，得到与脑部肿瘤形态相似的连通域，即获取疑似肿瘤连通区域。
具体的，使用canny边缘检测技术获得各个连通区域的边缘，并通过图像得到各个连通区域的质心；对于任意一个连通区域进行分析，记为当前连通区域；则疑似肿瘤程度评估模型为：
；
式中，表示疑似肿瘤程度值；/>表示当前连通区域的质心点，/>分别表示当前连通区域质心的像素点在图像中的横坐标和纵坐标数值；/>表示边缘像素点；/>表示当前连通区域的边缘上第/>个像素点，/>表示当前第/>个边缘像素点在图像中的横坐标数值和纵坐标数值，两项式的根号内数据为求当前连通区域的第/>个边缘像素点到其质心的欧几里得距离；第一项为取计算结果的最大值，第二项则为取计算结果的最小值，二者差值越小则说明当前连通区域的形态越趋于圆即越规则；表示当前连通区域的所有边缘像素点到其质心的欧几里得距离的最大值；/>表示当前连通区域的所有边缘像素点到其质心的欧几里得距离的最小值；
表示以自然常数为底的指数函数；将最终计算结果映射到值域(0~1]之间；且满足当差值绝对值越小，得到的疑似肿瘤程度值越接近于1。在本实施例中设置疑似肿瘤程度值为0.7进行说明，具体实施时可结合具体场景设置疑似肿瘤程度值；当/>时，认为当前连通区域为疑似肿瘤区域的程度值高；标记当前连通域为疑似肿瘤连通区域，并将不符合阈值要求的连通域删除标记，不做后续相关处理。
至此，根据疑似肿瘤程度评估模型对所有的连通区域进行计算得到疑似肿瘤连通区域。
2. 根据分析疑似肿瘤连通区域内部特征得到第一可信程度评估模型。
需要说明的是，上述步骤通过对各连通域的形态特征进行分析，得到了其中疑似肿瘤区域的连通域，当前步骤对该类疑似肿瘤区域根据其内部特征进行进一步的分析和判断，由于各类型的大多数肿瘤细胞内核会比脑颅内正常的腺体组织更大且排列更紧密，则其通常具有较高的密度即表现在CT影像中含有较高的灰度值；而由于肿瘤的病理特征和癌细胞分布的随机扩散性，其密度变化也并不是均匀且相似的，一般来说，肿瘤区域越中心的区域灰度值越高，而越向外发散的区域密度相对较低，即灰度值较低；利用上述该类特征对其内部进行深入分析得到疑似肿瘤区域的可信程度评估模型。
具体的，对于任意一个疑似肿瘤连通区域进行分析，记为当前疑似肿瘤连通区域；则第一可信程度评估模型为：
；
式中，表示当前疑似肿瘤连通区域的第一可信程度值，/>表示当前疑似肿瘤连通区域内所含像素点的个数，/>表示灰度值，/>表示当前疑似肿瘤连通区域内的第/>个像素点，/>则为当前疑似肿瘤连通区域内的第/>个像素点的灰度值，/>为/>函数，起到归一化作用，让当前括号内所计算得到的灰度值均值映射到值域[0~1]之间；且满足值越大，归一化结果越接近于1；/>表示当前疑似肿瘤连通区域内像素点的最大灰度值，/>则为最小灰度值，/>表示当前疑似肿瘤连通区域内第/>个像素点的灰度值；表示当前疑似肿瘤连通区域内灰度值大于中间阈值/>的像素点个数；
为预设权重大小，由于第一项是对连通区域灰度值的计算，其大小可以直观的反应密度的高低状态，而第二项是为了反应当前连通区域内较为多的像素点灰度值大小，其值越大说明当前连通区域内的像素点灰度值普遍较大，为肿瘤内部形态特征的相似性越高；因此给定权重/>；而最终第一可信程度值越大，此时对应的连通区域为疑似肿瘤区域的概率越大；在本实施例中设置第一可信程度值为0.7进行说明，具体实施时可结合具体场景设置第一可信程度值；当满足/>此不等式时，认为此疑似肿瘤连通区域的第一可信程度高。
至此，根据第一可信程度评估模型对所有的疑似肿瘤连通区域进行计算得到第一可信程度高的连通区域。
3.根据分析第一可信程度高的连通区域的内部灰度值变化规律得到第二可信程度评估模型。
具体的，对于任意一个第一可信程度高的连通区域进行分析，记为当前第一可信程度高的连通区域，则获取的第一可信程度高的连通域的第二可信程度评估模型为：
；
式中，表示第二可信程度值；/>表示像素点个数；/>表示当前第一可信程度高的连通区域的质心坐标点；/>表示当前第一可信程度高的连通区域的质心到边缘点的平均距离向下取整的三分之一值；/>表示当前第一可信程度高的连通区域以为圆心，/>为半径的圆形范围内所含有全部的像素点；/>表示灰度值；/>表示划分范围内第/>个像素点的灰度值；/>表示/>对应的圆形范围内所有像素点灰度值的均值；根据当前第一可信程度高的连通区域内部灰度值变化规律可得，当比值越接近于1，其为当前第一可信程度高的连通区域的第二可信程度就越大，那么绝对值中的结果数值越接近0，第二可信程度越大；/>表示以自然常数为底的指数函数；/>表示当前第一可信程度高的连通区域以/>为圆心，以/>为半径的圆形范围内所含有全部的像素点；/>表示当前第一可信程度高的连通区域以/>为圆心，以/>为半径的圆形范围内所含有全部的像素点；表示/>对应的圆形范围内所有像素点灰度值的均值；/>表示/>对应的圆形范围内所有像素点灰度值的均值。将最终计算结果映射到值域[0~1]之间；且满足当差值绝对值越小，得到的第二可信程度值越接近于1。在本实施例中设置第二可信程度值为0.8进行说明，具体实施时可结合具体场景设置第二可信程度值；当/>时；认为当前第一可信程度高的连通区域的第二可信程度高；由此对当前第一可信程度高的连通区域根据阈值分为目标连通区域和可信程度低的连通区域两类。
至此，根据第二可信程度评估模型对所有的第一可信程度高的连通区域进行计算得到目标连通区域。
步骤S003：对目标连通区域进行标记和保存。
具体的，根据上述的三个评估模型对各个连通域进行计算得到第二可信程度高的连通域，将最终第二可信程度高的连通域作为目标连通区域进行标记和保存。
步骤S004：根据目标连通区域选择种子点投放的位置；并使用区域生长分割法得到分割结果图像。
具体的，对于得到的目标连通区域；选择其为最佳种子点投放区域，其他连通区域不进行投放，由此实现种子点的投放区域；使用区域生长分割法对CT影像图进行分割得到的分割结果图像。
通过上述步骤得到分割图像准确性更高且效果更佳。
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 (4)

1.一种脑部肿瘤CT影像的阈值分割方法，其特征在于，该方法包括以下步骤：
获取CT影像在阈值分割处理后的分割图像中存在的所有的连通区域；
根据连通区域的边缘像素点到质心的距离的最大值最小值的差值得到连通区域疑似肿瘤程度值；根据连通区域疑似肿瘤程度值得到疑似肿瘤连通区域；根据疑似肿瘤连通区域内的高灰度像素点占比和灰度值均值得到第一可信程度；根据所有的疑似肿瘤连通区域的第一可信程度得到第一可信高连通区域；根据第一可信高连通区域内灰度值渐变程度得到第二可信程度；根据所有的第一可信高连通区域的第二可信程度得到目标连通区域；
对目标连通区域进行标记和保存；
根据目标连通区域选择种子点投放的位置；并生长得到分割结果图像；
所述根据疑似肿瘤连通区域内的高灰度像素点占比和灰度值均值得到第一可信程度，包括的具体步骤如下：
对于任意一个疑似肿瘤连通区域进行分析，记为当前疑似肿瘤连通区域；则当前疑似肿瘤连通区域的第一可信程度的计算表达式为：
式中，表示当前疑似肿瘤连通区域的第一可信程度，/>表示当前疑似肿瘤连通区域内所含像素点的个数，/>表示灰度值，/>表示当前疑似肿瘤连通区域内的任意第/>个像素点，/>则为当前疑似肿瘤连通区域内的任意第/>个像素点的灰度值，/>为预设权重大小，/>表示当前疑似肿瘤连通区域内像素点的最大灰度值，/>则为最小灰度值，/>表示当前疑似肿瘤连通区域内第/>个像素点的灰度值；/>表示当前疑似肿瘤连通区域内灰度值大于中间阈值/>的像素点个数，函数；
所述根据第一可信高连通区域内灰度值渐变程度得到第二可信程度，包括的具体步骤如下：
对于任意一个第一可信高连通区域进行分析，记为当前第一可信高连通区域，则当前第一可信高连通区域的第二可信程度的计算表达式为：
式中，表示第二可信程度值；/>表示像素点个数；/>表示当前第一可信程度高的连通区域的质心坐标点；/>表示当前第一可信程度高的连通区域的质心到边缘点的平均距离向下取整的三分之一值；/>表示当前第一可信程度高的连通区域以为圆心，以/>为半径的圆形范围内所含有全部的像素点；/>表示灰度值；/>表示划分范围内第/>个像素点的灰度值；/>表示/>对应的圆形范围内所有像素点灰度值的均值；/>表示以自然常数为底的指数函数；表示当前第一可信程度高的连通区域以/>为圆心，以/>为半径的圆形范围内所含有全部的像素点；/>表示当前第一可信程度高的连通区域以/>为圆心，以/>为半径的圆形范围内所含有全部的像素点；表示/>对应的圆形范围内所有像素点灰度值的均值；/>表示/>对应的圆形范围内所有像素点灰度值的均值。
2.根据权利要求1所述一种脑部肿瘤CT影像的阈值分割方法，其特征在于，所述获取CT影像在阈值分割处理后的分割图像中存在的所有的连通区域，包括的具体步骤如下：
对CT影像图使用阈值分割法进行处理得到分割后的效果图像，再对于分割后的图像使用形态学开运算；将开运算处理后的图像中存在的所有连通区域进行标记，进而得到CT影像在阈值分割处理后的分割图像中存在的所有的连通区域。
3.根据权利要求1所述一种脑部肿瘤CT影像的阈值分割方法，其特征在于，所述根据连通区域的边缘像素点到质心的距离的最大值最小值的差值得到连通区域疑似肿瘤程度值，包括的具体步骤如下：
使用canny边缘检测技术获得各个连通区域的边缘，并通过图像得到各个连通区域的质心；对于任意一个连通区域进行分析，记为当前连通区域；则疑似肿瘤程度值的表达式为：
式中，表示疑似肿瘤程度值；/>表示当前连通区域的质心点，/>分别表示当前连通区域质心的像素点在图像中的横坐标和纵坐标数值；/>表示边缘像素点；/>表示当前连通区域的边缘上第/>个像素点；/>表示当前第/>个边缘像素点在图像中的横坐标数值和纵坐标数值；/>表示当前连通区域的所有边缘像素点到其质心的欧几里得距离的最大值；表示当前连通区域的所有边缘像素点到其质心的欧几里得距离的最小值；/>表示以自然常数为底的指数函数。
4.根据权利要求1所述一种脑部肿瘤CT影像的阈值分割方法，其特征在于，所述根据目标连通区域选择种子点投放的位置，包括的具体步骤如下：
对于得到目标连通区域；选择其为最佳种子点投放区域，由此实现种子点的投放区域；使用区域生长分割法得到的分割结果图像。
CN202310912887.0A 2023-07-25 2023-07-25 一种脑部肿瘤ct影像的阈值分割方法 Active CN116630358B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310912887.0A CN116630358B (zh) 2023-07-25 2023-07-25 一种脑部肿瘤ct影像的阈值分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310912887.0A CN116630358B (zh) 2023-07-25 2023-07-25 一种脑部肿瘤ct影像的阈值分割方法

Publications (2)

Publication Number Publication Date
CN116630358A CN116630358A (zh) 2023-08-22
CN116630358B true CN116630358B (zh) 2023-09-26

Family

ID=87590673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310912887.0A Active CN116630358B (zh) 2023-07-25 2023-07-25 一种脑部肿瘤ct影像的阈值分割方法

Country Status (1)

Country Link
CN (1) CN116630358B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912246B (zh) * 2023-09-13 2023-12-29 潍坊医学院 一种基于大数据的肿瘤ct数据处理方法
CN117237389B (zh) * 2023-11-14 2024-01-19 深圳市亿康医疗技术有限公司 一种中耳胆脂瘤ct影像分割方法
CN117831033B (zh) * 2024-03-04 2024-05-07 南京市浦口人民医院(江苏省人民医院浦口分院) 基于图像分析的病原微生物智能提取识别方法
CN118097309B (zh) * 2024-04-23 2024-07-12 西安交通大学医学院第一附属医院 基于k-means聚类的颅脑肿瘤提取方法
CN120525902A (zh) * 2025-05-28 2025-08-22 东营广元生物科技股份有限公司 基于图像处理的酸枣果肉果核图像分割提取系统

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2339797A1 (en) * 1998-08-07 2000-03-02 Arch Development Corporation Method and system for the segmentation and classification of lesions
US6246784B1 (en) * 1997-08-19 2001-06-12 The United States Of America As Represented By The Department Of Health And Human Services Method for segmenting medical images and detecting surface anomalies in anatomical structures
CN1395713A (zh) * 2000-01-18 2003-02-05 芝加哥大学 在计算x光断层摄影扫描中用于肺肿瘤二维和三维检测的方法、系统和计算机可读介质
CN102360495A (zh) * 2011-10-19 2012-02-22 西安电子科技大学 基于平均密度投影和平移高斯模型的肺结节分割方法
CN103236062A (zh) * 2013-05-03 2013-08-07 北京国铁华晨通信信息技术有限公司 基于人脑肿瘤核磁库的磁共振图像血管分割方法和系统
CN104091347A (zh) * 2014-07-26 2014-10-08 刘宇清 一种基于3d打印技术的颅内肿瘤手术规划模拟方法
WO2015067300A1 (en) * 2013-11-05 2015-05-14 Brainlab Ag Determination of enhancing structures in an anatomical body part
CN105488781A (zh) * 2015-06-01 2016-04-13 深圳市第二人民医院 一种基于ct影像肝脏肿瘤病灶的分割方法
WO2017019059A1 (en) * 2015-07-29 2017-02-02 Perkinelmer Health Sciences, Inc. Systems and methods for automated segmentation of individual skeletal bones in 3d anatomical images
CN106780518A (zh) * 2017-02-10 2017-05-31 苏州大学 一种基于随机游走和图割的活动轮廓模型的mr图像三维交互分割方法
WO2021146705A1 (en) * 2020-01-19 2021-07-22 Ventana Medical Systems, Inc. Non-tumor segmentation to support tumor detection and analysis
CN113711271A (zh) * 2019-03-15 2021-11-26 豪夫迈·罗氏有限公司 用于通过正电子发射断层摄影进行肿瘤分割的深度卷积神经网络
CN114764809A (zh) * 2021-01-12 2022-07-19 电科云(北京)科技有限公司 肺部ct密度增高影的自适应阈值分割方法和装置
CN115311294A (zh) * 2022-10-12 2022-11-08 启东金耀億华玻纤材料有限公司 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法
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
CN115797356A (zh) * 2023-02-09 2023-03-14 山东第一医科大学附属省立医院(山东省立医院) 一种核磁共振肿瘤区域提取方法
CN115841472A (zh) * 2022-12-07 2023-03-24 沈阳东软智能医疗科技研究院有限公司 大脑中动脉高密度征识别方法、装置、设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11350901B2 (en) * 2017-11-27 2022-06-07 Case Western Reserve University Recurrence prognosis and prediction of added benefit of adjuvant chemotherapy in early stage non-small cell lung cancer with radiomic features on baseline computed tomography
US11227387B2 (en) * 2020-05-18 2022-01-18 Prince Mohammad Bin Fahd University Multi-stage brain tumor image processing method and system

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6246784B1 (en) * 1997-08-19 2001-06-12 The United States Of America As Represented By The Department Of Health And Human Services Method for segmenting medical images and detecting surface anomalies in anatomical structures
CA2339797A1 (en) * 1998-08-07 2000-03-02 Arch Development Corporation Method and system for the segmentation and classification of lesions
CN1395713A (zh) * 2000-01-18 2003-02-05 芝加哥大学 在计算x光断层摄影扫描中用于肺肿瘤二维和三维检测的方法、系统和计算机可读介质
CN102360495A (zh) * 2011-10-19 2012-02-22 西安电子科技大学 基于平均密度投影和平移高斯模型的肺结节分割方法
CN103236062A (zh) * 2013-05-03 2013-08-07 北京国铁华晨通信信息技术有限公司 基于人脑肿瘤核磁库的磁共振图像血管分割方法和系统
WO2015067300A1 (en) * 2013-11-05 2015-05-14 Brainlab Ag Determination of enhancing structures in an anatomical body part
CN104091347A (zh) * 2014-07-26 2014-10-08 刘宇清 一种基于3d打印技术的颅内肿瘤手术规划模拟方法
CN105488781A (zh) * 2015-06-01 2016-04-13 深圳市第二人民医院 一种基于ct影像肝脏肿瘤病灶的分割方法
WO2017019059A1 (en) * 2015-07-29 2017-02-02 Perkinelmer Health Sciences, Inc. Systems and methods for automated segmentation of individual skeletal bones in 3d anatomical images
CN106780518A (zh) * 2017-02-10 2017-05-31 苏州大学 一种基于随机游走和图割的活动轮廓模型的mr图像三维交互分割方法
CN113711271A (zh) * 2019-03-15 2021-11-26 豪夫迈·罗氏有限公司 用于通过正电子发射断层摄影进行肿瘤分割的深度卷积神经网络
WO2021146705A1 (en) * 2020-01-19 2021-07-22 Ventana Medical Systems, Inc. Non-tumor segmentation to support tumor detection and analysis
CN114764809A (zh) * 2021-01-12 2022-07-19 电科云(北京)科技有限公司 肺部ct密度增高影的自适应阈值分割方法和装置
CN115311294A (zh) * 2022-10-12 2022-11-08 启东金耀億华玻纤材料有限公司 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法
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
CN115841472A (zh) * 2022-12-07 2023-03-24 沈阳东软智能医疗科技研究院有限公司 大脑中动脉高密度征识别方法、装置、设备及存储介质
CN115797356A (zh) * 2023-02-09 2023-03-14 山东第一医科大学附属省立医院(山东省立医院) 一种核磁共振肿瘤区域提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A smoke segmentation algorithm based on improved intelligent seeded region growing;Zhao, WD等;《FIRE AND MATERIALS》;第43卷(第6期);725-733 *

Also Published As

Publication number Publication date
CN116630358A (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN116630358B (zh) 一种脑部肿瘤ct影像的阈值分割方法
CN112241948B (zh) 一种自适应层厚的肺结节检测分析方法及系统
CN104599270B (zh) 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法
WO2021129323A1 (zh) 超声图像病灶描述方法、装置、计算机设备和存储介质
CN110448335B (zh) 一种基于超声图像的胎儿头围全自动测量方法和装置
KR102058348B1 (ko) 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 장치 및 방법
CN116109663B (zh) 基于多阈值分割的胃部ct影像分割方法
CN104732509B (zh) 自适应图像分割方法、装置和设备
CN116912255B (zh) 一种用于卵巢组织分析的卵泡区域分割方法
CN117830308B (zh) 一种介入手术前后血管造影智能对比分析方法
CN115631387B (zh) 基于图卷积神经网络的肺癌病理高危因素预测方法和装置
CN118314351B (zh) 基于计算机视觉的颅颌面ct图像分割方法
CN108288265A (zh) 一种面向hcc病理图像细胞核的分割与分类方法
CN119090901B (zh) 一种面向颅咽管瘤病灶的高效检测方法、系统及设备
CN119810097A (zh) 一种肾脏超声影像病变区域分割方法
CN117392128B (zh) 一种主动脉直径人工智能测量方法
CN116485819B (zh) 一种耳鼻喉检查图像分割方法及系统
CN118397023A (zh) 一种基于mri的三叉神经区域分割方法
CN117689552A (zh) 一种心内科介入治疗用冠状动脉造影增强方法
CN108520525B (zh) 一种基于凸约束种子区域生长的脊髓分割方法
CN103366376B (zh) 一种基于邻域尺度变化的图像特征提取方法
CN117934516A (zh) 一种线粒体荧光图像自动分割方法及系统
CN106023135A (zh) 基于粒子滤波对肾小球tem图像的基底膜分割方法
CN118262105A (zh) 基于全监督对比学习的多模态肿瘤图像的分割方法和装置
CN120894590B (zh) 基于人工智能的超声引导神经阻滞影像处理方法

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
GR01 Patent grant
CP03 Change of name, title or address

Address after: 261041 no.2428 Yuhe Road, Kuiwen District, Weifang City, Shandong Province

Patentee after: Shandong Second Medical University Affiliated Hospital

Country or region after: China

Address before: Shandong Province Weifang City Kuwen District Yuhe Road 2428 Affiliated Hospital of Weifang Medical University

Patentee before: AFFILIATED HOSPITAL OF WEIFANG MEDICAL University

Country or region before: China

CP03 Change of name, title or address