一种基于CT图像测量腹围的方法技术

本发明专利技术公开了一种基于CT图像测量腹围的方法，其具体操作方法包括以下步骤：A、图像预处理；B、图像块剪裁操作；C、通过深度学习进行外围曲线分割；D、骨骼化处理；E、边缘连接；F、累加像素点换算腹围，本发明专利技术旨在提出一种能够基于CT图像直接获得腹围的方法，该方法首先对CT图像进行预处理，通过深度学习进行外围分割，再对分割结果进行骨骼化处理，最后计算外围像素点个数乘以每个像素点对应的长度便可获得腹围，得出较为准确的实现腹围测算。

A method of abdominal circumference measurement based on CT image

【技术实现步骤摘要】
一种基于CT图像测量腹围的方法
本专利技术涉及疾病预防检测
，具体为一种基于CT图像测量腹围的方法。
技术介绍
随着生活水平的提高，由于饮食不规律、熬夜、遗传等因素都会引发高血压，高血压的危害比较多，最常见的就是对心脏脑血管等造成不可逆的伤害，主要就是引起血管内的内膜损伤，然后成型增大，容易出现动脉硬化，或者是心脏增大，特别是长时间的血压得不到正确的控制，容易出现脑血管意外，通常会发生脑梗塞脑出血等并发症，属于比较危重的问题，再就是引起心脏增大之后会发生心律不齐，或者是心脏肥厚，容易导致心律失常，出现其他的意外，目前最好的方法就是及早发现，及早治疗，腹围常常与一些疾病具有一定的相关性比如高血压，糖尿病等等，腹围对健康至关重要，所以使用一种较为简便的方法测量腹围在临床上具有一定的实际意义，传统的人体腹围测量方法存在精度低和成本高等问题，一些微小的病灶从主观阅片上很可能会造成的漏诊与误诊，所以如何提供一种有效测量腹围的方法是十分必要的。
技术实现思路
本专利技术的目的在于提出一种能够帮助影像科医生快速定位病灶，避免了由于主本文档来自技高网...

【技术保护点】
1.一种基于CT图像测量腹围的方法，其具体操作方法包括以下步骤：/nA、图像预处理；/nB、图像块剪裁操作；/nC、通过深度学习进行外围曲线分割；/nD、骨骼化处理；/nE、边缘连接；/nF、累加像素点换算腹围。/n

【技术特征摘要】
1.一种基于CT图像测量腹围的方法，其具体操作方法包括以下步骤：
A、图像预处理；
B、图像块剪裁操作；
C、通过深度学习进行外围曲线分割；
D、骨骼化处理；
E、边缘连接；
F、累加像素点换算腹围。


2.根据权利要求1所述的一种基于CT图像测量腹围的方法，其特征在于：所述根据步骤A图像预处理:
a、采用CLAHE算法对图像进行直方图均衡化,CLAHE算法对于某个像素邻域，通过变换函数的斜率计算得到对比度，斜率与该邻域的CDF斜率成正比，计算该邻域的CDF之前，CLAHE会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。
b、采用伽马变换调整图像整体灰度，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性指数关系，实现灰度拉伸；
伽马变换公式如下：
Iout＝cIinγ
其中Iin为处理前图像的灰度值，IOUT为处理后图像的灰度值，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都做归一化为0到1之间，当γ小于1时，伽马变换将提高图像的灰度值，图像视觉上变亮；当γ大于1时，伽马变换将拉低图像灰度值，图像视觉上变暗，当γ等于1时整体亮度与原图一致,这里取γ值为0.5。
c、归一化图像像素值在0到1之间，像素的归一化可以通过将像素值除以图片像素值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。


3.根据权利要求1所述的一种基于CT图像测量腹围的方法，其特征在于：所述根据步骤B图像块剪裁操作:
对于训练集，裁剪时生成一组随机坐标，以这些坐标作为中心点，裁剪大小为48*48的图像块，得到数据集；对应的标准图采用同样的方法进行剪裁，原图剪裁图与标准图剪裁图一一对应。


4.根据权利要求1所述的一种基于CT图像测量腹围的方法，其特征在于：所述根据步骤C通过深度学习进行外围曲线分割:
在Unet中加入了R2模块与AttentionAugment模块，其中，Unet结构总体呈对称的U型结构，共包含12个单元F1-F12,其中左侧F1-F6为收缩路径，用于特征的提取；右侧F6-F12为扩张路径，用于细节的恢复实现精准预测；
其中R2模块包括了残差学习单元和递归卷积；
a、残差学习单元：假定一个神经网络单元的输入是x，期望输出是H(x)，另外定义一个残差映射F(x)＝H(x)-x，若把x直接传递给输出，则该神经网络单元要学习的目标就是残差映射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通过这个捷径传递给残差学习单元的输出，则残差学习单元的输出为z＝F(x)+x；
b、递归卷积：假定输入为x，对该输入x进行连续的卷积，且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模块即将残差学习单元中的普通卷积替换为递归卷积。
AttentionAugment本质为通过查询得到一系列键-值对的映射；首先，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分别表示了矩阵的宽、长与深度,Cin为输入图像序列；再从深度通道上对QKV矩阵进行分割，得到Q、K、V三个矩阵其深度通道大小分别为dk、dk、dv；接着，采用了多头注意力机制的结构，将Q、K、V三个矩阵分别从深度通道上分割为N个相等的矩阵进行后续的计算，这种多头注意力机制将原本单一的attention计算，扩展为较小且并行独立的多个计算，使得模型可以在...

【专利技术属性】
技术研发人员：张堃，韩宇，范陆健，朱翊晗，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