一种基于CT图像测量皮下脂肪厚度的方法技术

本发明专利技术公开了一种基于CT图像测量皮下脂肪厚度的方法，包括以下步骤：步骤1：对CT图像进行预处理，得到训练集；步骤2：对训练集进行图像块剪裁操作，得到数据集；步骤3：通过深度学习进行外围曲线分割；步骤4：边缘连接；步骤5：对CT图像外围曲线和内曲线进行骨骼化操作；步骤6：从12个方向获取CT图像外围曲线和内曲线之间的像素点；步骤7：对外围曲线和内曲线进行换算，得到皮下脂肪厚度。本发明专利技术设计了一种测量皮下脂肪厚度的方法，基于先分割后计算的思路，较为准确的皮下脂肪厚度的计算。

【技术实现步骤摘要】
一种基于CT图像测量皮下脂肪厚度的方法
本专利技术涉及腹部测量
，具体为一种基于CT图像测量皮下脂肪厚度的方法。
技术介绍
皮下脂肪厚度常常与一些疾病具有一定的相关性比如糖尿病，肾病等等，皮下脂肪厚度对健康至关重要,所以使用一种较为简便的方法测量皮下脂肪厚度在临床上具有一定的实际意义。传统的人体皮下脂肪厚度测量方法存在精度低和成本高等问题。本专利提出一种方法直接基于CT图像通过计算机深度学习，进行数字图像处理，非常方便的获得皮下脂肪厚度供医生进行疾病诊断。
技术实现思路
本专利技术的目的在于提供一种基于CT图像测量皮下脂肪厚度的方法，该方法首先对CT图像进行预处理，接着通过深度学习进行皮下脂肪层分割，再对分割结果进行骨骼化处理得到脂肪层外围曲线和内曲线，接着从水平方向开始顺时针每间隔30度依次取12个方向计算两曲线之间的距离，最后将得到的12个值取平均得到皮下脂肪厚度，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：一种基于CT图像测量皮下脂肪厚度的方法，包括以下步骤：...

【技术保护点】
1.一种基于CT图像测量皮下脂肪厚度的方法，其特征在于，包括以下步骤：/n步骤1：对CT图像进行预处理，得到训练集；/n步骤2：对训练集进行图像块剪裁操作，得到数据集；/n步骤3：通过深度学习进行外围曲线分割；/n步骤4：边缘连接；/n步骤5：对CT图像外围曲线和内曲线进行骨骼化操作；/n步骤6：从12个方向获取CT图像外围曲线和内曲线之间的像素点；/n步骤7：对外围曲线和内曲线进行换算，得到皮下脂肪厚度。/n

【技术特征摘要】
1.一种基于CT图像测量皮下脂肪厚度的方法，其特征在于，包括以下步骤：
步骤1：对CT图像进行预处理，得到训练集；
步骤2：对训练集进行图像块剪裁操作，得到数据集；
步骤3：通过深度学习进行外围曲线分割；
步骤4：边缘连接；
步骤5：对CT图像外围曲线和内曲线进行骨骼化操作；
步骤6：从12个方向获取CT图像外围曲线和内曲线之间的像素点；
步骤7：对外围曲线和内曲线进行换算，得到皮下脂肪厚度。


2.根据权利要求1所述的一种基于CT图像测量皮下脂肪厚度的方法，其特征在于，所述步骤1包括以下步骤：
步骤1.1：采用CLAHE算法对图像进行直方图均衡化；
步骤1.2：采用伽马变换调整图像整体灰度；
步骤1.3：归一化图像像素值在0到1之间；
所述步骤1.1包括：在CLAHE算法中，对于像素邻域，对比度是通过变换函数的斜率计算得到的，变换函数的斜率与该像素邻域的累积分布函数CDF斜率成正比，在计算该像素邻域的CDF之前，CLAHE算法根据指定的阈值对直方图进行裁剪，并将裁剪部分均匀地分布到直方图中。


3.根据权利要求2所述的一种基于CT图像测量皮下脂肪厚度的方法，其特征在于，所述步骤1.2包括：伽马变换通过对灰度值进行非线性操作，使处理后图像的灰度值与处理前图像的灰度值之间呈现非线胜指数关系，实现灰度拉伸；
伽马变换公式如下：
IOUT＝cIINγ
其中IOUT为处理后图像的灰度值，IIN为处理前图像的灰度值，c为灰度缩放系数，γ为变换指数；
当γ取不同值时，输入灰度值取0到255并对输入输出灰度值做归一化为0到1之间，当γ小于1时，图像的灰度值提高；当γ大于1时，图像的整体亮度拉低；当γ等于1时整体亮度与原图一致，取γ值为0.5。


4.根据权利要求2所述的一种基于CT图像测量皮下脂肪厚度的方法，其特征在于，所述步骤1.3包括：像素的归一化通过将所有像素值除以最大像素值来实现，最大像素值为255；
计算公式如下：
x'＝(x-X_min)/(X_max-X_min)；
其中x'为归一化结果，x为输入像素值，X_min为所有输入图像像素中的最小值，X_max为所有输入图像像素中的最大值。


5.根据权利要求1所述的一种基于CT图像测量皮下脂肪厚度的方法，其特征在于，所述步骤2包括：对于训练集，裁剪时生成一组随机坐标，以随机坐标作为中心点，裁剪大小为48*48的图像块，得到数据集。


6.根据权利要求1所述的一种基于深度学习的CT腹部血管分级识别方法，其特征在于，所述步骤3包括：在Unet中加入R2模块与AttentionAugment模块；
其中，Unet结构总体呈对称的U型结构，包含12个单元F1-F12,左侧F1-F6为收缩路径，右侧F6-F12为扩张路径；
R2模块包括残差学习单元和递归卷积：
残差学习单元：设定一个神经网络单元的输入是x，期望输出是H(x)，定义一个残差映射F(x)＝H(x)-x，把x直接传递给输出，该神经网络单元学习的目标为残差映射F(x)＝H(x)-x，残差学习单元由一系列卷积层和一个捷径组成，输入x通过捷径传递给残差学习单元的输出，残差学习单元的输出为z＝F(x)+x；
递归卷积：设定输入为x，对输入x进行连续的卷积，每一次的卷积输出加上当前的输入作为下一次的卷积的输入；
R2模块将残差学习单元中的普通卷积替换为递归卷积；
AttentionAugment为通过查询得到一系列键-值对的映射，AttentionAugment模块的实现步骤包括以下：
通过对输入大小为(w,h,cin)的特征图进行1*1卷积输出QKV矩阵，其大小为(w,h,2*dk+dv)，其中w、h、2*dk+dV分别表示矩阵的宽、长与深度，Cin为输入图像特征层数；
从深度通道上对QKV矩阵进行分割，得到Q、K、V三个矩阵，Q、K、V三个矩阵的深度通道大小分别为dk、dk、dv；
采用多头注意力机制的结构，将Q、K、V三个矩阵分别从...

【专利技术属性】
技术研发人员：张堃，韩宇，范陆健，荣梦杰，冯文宇，殷佳炜，华亮，李文俊，鲍毅，
申请(专利权)人：南通大学，杭州博拉哲科技有限公司，
类型：发明
国别省市：江苏;32