一种基于计算机视觉的放射影像智能分割方法技术

本发明专利技术涉及图像处理技术领域，具体涉及一种基于计算机视觉的放射影像智能分割方法，该方法包括：对胸部X光图像进行分割得到骨骼区域图像；以骨骼区域图像中的像素点为中心建立窗口图像，根据窗口图像内像素点灰度值获取突变点及其数量，根据内突变点的数量确定初始骨骼边缘点；将骨骼与预设的标准骨骼模板进行匹配得到对应的标准骨骼模板，获取标准骨骼模板的中心曲线；根据中心曲线及骨骼的轮廓获取每个骨骼的边缘曲线；计算每个骨骼的初始骨骼边缘点距边缘曲线的最小距离，根据最小距离确定最终骨骼边缘点；根据最终骨骼边缘点得到掩膜图像，对掩膜图像进行均衡化得到增强图像，本发明专利技术方法增强了骨骼的病变区域的显示效果。发明专利技术方法增强了骨骼的病变区域的显示效果。发明专利技术方法增强了骨骼的病变区域的显示效果。

【技术实现步骤摘要】
一种基于计算机视觉的放射影像智能分割方法


[0001]本专利技术涉及图像处理
，具体涉及一种基于计算机视觉的放射影像智能分割方法。

技术介绍

[0002]现代医疗的放射影像为医生提供了病人体内的一些病症的详细信息，尤其是对于肋骨病变，如骨折，骨裂等肋骨病情诊断中均利用的对胸部拍摄X光得到X光胶片图像进行诊断。
[0003]然而，由于人体胸部位置的内部结构的复杂性以及X光设备噪声的影响，使得X光胶片存在噪声多、骨骼与背景的边界不明显、局部对比度较小的问题。
[0004]现有技术中采用阈值分割的方法对图像进行分割，在对胸部X光胶片图像进行分割时，由于骨骼与背景的边界不明显、局部对比度较小，从而会使得分割不完整或错误分割，尤其是对于“柳枝样骨折”、骨折无错位病变区域很容易观察，从而影响对病变区域的确定，因此，需要一种基于计算机视觉的放射影像智能分割方法。

技术实现思路

[0005]本专利技术提供一种基于计算机视觉的放射影像智能分割方法，以解决现有的问题。
[0006]本专利技术的一种基于计算机视觉的放射影像智能分割方法采用如下技术方案：该方法包括：采集胸部X光图像，对胸部X光图像进行分割得到骨骼区域图像；以骨骼区域图像中每个像素点为中心点建立窗口图像，根据窗口图像内各个像素点灰度值获取突变点及突变点的数量，根据窗口图像内突变点的数量计算突变比例，根据突变比例及预设的突变比例阈值确定初始骨骼边缘点；将骨骼区域图像中的每个骨骼与预设的标准骨骼模板进行匹配得到对应的标准骨骼模板，获取标准骨骼模板的中心曲线，该中心曲线即为对应骨骼的中心曲线；根据中心曲线及每个骨骼的轮廓获取每个骨骼的上边缘曲线和下边缘曲线；计算每个骨骼的初始骨骼边缘点距上边缘曲线、下边缘曲线的最小距离，根据最小距离及预设的阈值确定最终骨骼边缘点；根据最终骨骼边缘点制作掩膜，根据掩膜和骨骼区域图像得到掩膜图像，对掩膜图像进行均衡化得到增强图像。
[0007]进一步的，对胸部X光图像进行分割得到骨骼区域图像的步骤包括：对胸部X光图像进行DNN语义分割；属于背景类的标注为0，属于骨骼类的标注为1，其中，骨骼类包括：肋骨和锁骨；获取属于背景类的背景区域和属于骨骼类的骨骼区域图像。
[0008]进一步的，根据窗口图像内各个像素点灰度值获取突变点及突变点的数量的步骤包括：
获取每个中心点对应的像素点的灰度值及中心点的8个方向邻域的像素点的灰度值；计算窗口图像内各个像素点与中心点的灰度差；根据灰度差获取突变点，并确定突变点的数量。
[0009]进一步的，根据窗口图像内突变点的数量计算突变比例，根据突变比例及预设的突变比例阈值确定初始骨骼边缘点的步骤包括：计算突变点个数占窗口图像内所有像素点个数的比例，该比例记为突变比例；当突变比例大于突变比例阈值时，则将该中心像素点定义为初始骨骼边缘点；当突变比例大于突变比例阈值时，则将该中心像素点定义为初始骨骼非边缘点。
[0010]进一步的，获取标准骨骼模板的中心曲线的步骤包括：对标准骨骼模板进行二值化处理得到二值图像；对二值图像进行细化处理得到骨骼的多个骨架节点；基于图理论对所有骨架节点进行最短路经算法得到最短线条；最短路径形成的线条即为骨骼线条；利用多项式拟合方法对骨骼线条进行拟合得到标准骨骼模板的中心曲线，所述标准骨骼模板的中心曲线即为对应骨骼的中心曲线。
[0011]进一步的，计算每个骨骼的初始骨骼边缘点距上边缘曲线、下边缘曲线的最小距离的步骤包括：根据下式（1）计算最小距离：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中，ΔD表示最小距离；表示任意一个初始骨骼边缘点的坐标；表示初始骨骼边缘点到上边缘曲线或者下边缘曲线上的最小距离的坐标点。
[0012]进一步的，根据最小距离及预设的阈值确定最终骨骼边缘点的步骤包括：当最小距离大于预设的阈值时，将初始骨骼边缘点判定为非骨骼点；当最小距离小于预设的阈值时，将初始骨骼边缘点判定为骨骼点，则该骨骼点即为最终骨骼点。
[0013]本专利技术的有益效果是：本专利技术的一种基于计算机视觉的放射影像智能分割方法，先利用阈值分割的方法提取初始骨骼边缘点，而后根据骨骼区域图像中各骨骼以及肺部之间的灰度差异、人体骨骼的轮廓特征来提取骨骼的最终骨骼边缘点，从初始骨骼边缘点到最终骨骼边缘点的目的是为了提取初始骨骼边缘点中准确的骨骼边缘点，从而根据最终骨骼边缘点建立掩膜，能得到准确的掩膜图像，对提取的各类骨骼的掩膜图像进行均衡化处理得到精确的增强图像，从而增强各骨骼区域的对比度，增加了骨骼区域的显示效果，有利于对病变区域进行判别。
附图说明
[0014]为了更清楚地说明本专利技术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
专利技术的一些实施例，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。
[0015]图1为本专利技术的一种基于计算机视觉的放射影像智能分割方法的实施例总体步骤的流程图；图2为图1中获取中心曲线的流程图；图3为锁骨层掩膜图像；图4为后肋骨层掩膜图像；图5为前肋骨层掩膜图像。
具体实施方式
[0016]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0017]本专利技术的一种基于计算机视觉的放射影像智能分割方法的实施例，该方法包括：S1、采集胸部X光图像，对胸部X光图像进行分割得到骨骼区域图像。
[0018]具体的，S11、对胸部X光图像进行DNN语义分割；S12、属于背景类的标注为0，属于骨骼类的标注为1，其中，骨骼类包括：肋骨和锁骨，其中，一根完整的肋骨分为前肋骨和后肋骨两部分，以前肋骨和后肋骨相交的区域的上边界作为划分边界，从X光胶片可以看出，肋骨上半段清晰的为后肋骨，而下半段较为模糊的为前肋骨；背景类抱包括胳膊，脖子；S13、获取属于背景类的背景区域和属于骨骼类的骨骼区域图像，其中，DNN网络的任务是分类，因此DNN网络所用的loss函数为交叉熵损失函数。
[0019]S2、以骨骼区域图像中每个像素点为中心点建立窗口图像，根据窗口图像内各个像素点灰度值获取突变点及突变点的数量，根据窗口图像内突变点的数量计算突变比例，根据突变比例及预设的突变比例阈值确定初始骨骼边缘点。
[0020]具体的，S21、以骨骼区域图像中每个像素点为中心点建立3*3窗口图像，S221、获取每个中心点对应的像素点的灰度值及中心点的8个方向邻域的像素点的灰度值；S222、根据下式（2）计算窗口图像内各个像素点与中心点的灰度差ΔG；ΔG = |G
i
ꢀ–ꢀ
G|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于计算机视觉的放射影像智能分割方法，其特征在于，该方法包括：采集胸部X光图像，对胸部X光图像进行分割得到骨骼区域图像；以骨骼区域图像中每个像素点为中心点建立窗口图像，根据窗口图像内各个像素点灰度值获取突变点及突变点的数量，根据窗口图像内突变点的数量计算突变比例，根据突变比例及预设的突变比例阈值确定初始骨骼边缘点；将骨骼区域图像中的每个骨骼与预设的标准骨骼模板进行匹配得到对应的标准骨骼模板，获取标准骨骼模板的中心曲线，该中心曲线即为对应骨骼的中心曲线；根据中心曲线及每个骨骼的轮廓获取每个骨骼的上边缘曲线和下边缘曲线；计算每个骨骼的初始骨骼边缘点距上边缘曲线、下边缘曲线的最小距离，根据最小距离及预设的阈值确定最终骨骼边缘点；根据最终骨骼边缘点制作掩膜，根据掩膜和骨骼区域图像得到掩膜图像，对掩膜图像进行均衡化得到增强图像。2.根据权利要求1所述的一种基于计算机视觉的放射影像智能分割方法，其特征在于，对胸部X光图像进行分割得到骨骼区域图像的步骤包括：对胸部X光图像进行DNN语义分割；属于背景类的标注为0，属于骨骼类的标注为1，其中，骨骼类包括：肋骨和锁骨；获取属于背景类的背景区域和属于骨骼类的骨骼区域图像。3.根据权利要求1所述的一种基于计算机视觉的放射影像智能分割方法，其特征在于，根据窗口图像内各个像素点灰度值获取突变点及突变点的数量的步骤包括：获取每个中心点对应的像素点的灰度值及中心点的8个方向邻域的像素点的灰度值；计算窗口图像内各个像素点与中心点的灰度差；根据灰度差获取突变点，并确定突变点的数量。4.根据权利要求1所述的一种基于计算机视觉的放射影像智能分割方法，...

【专利技术属性】
技术研发人员：王同伟，
申请(专利权)人：数聚山东医疗科技有限公司，
类型：发明
国别省市：