System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及数据标注领域,尤其涉及基于mri图像的数据标注方法及系统。
技术介绍
1、mri图像是一种医学影像技术,通过利用原子核在强磁场和射频脉冲的作用下发生共振现象获取图像,并且mri图像用于观察人体内部组织和器官的结构和功能,对于诊断疾病具有重要的临床价值,mri图像还可以呈现出高对比度和高清晰度的解剖信息,同时还能提供功能性信息和动态过程的观察。
2、目前,实现mri图像中的数据标注方法可以使用自动化标注方法实现,其主要通过利用计算机视觉技术和机器学习算法对mri图像进行自动识别和标注,并且需要大量的带有标注的训练数据来训练模型,来学习特定病变或结构的特征,从而实现自动标注图像中对应的区域,但是,在处理复杂的mri图像时,因为不同类型的病变和结构之间存在差异,会导致存在一定的误差,因此,需要一种基于mri图像的数据标注方法及系统,以提高mri图像数据标注的准确率。
技术实现思路
1、本专利技术提供基于mri图像的数据标注方法及系统,其主要目的在于提高mri图像数据标注的准确率。
2、为实现上述目的,本专利技术提供的基于mri图像的数据标注方法,包括:
3、获取原始mri图像,对所述原始mri图像进行图像去噪,得到mri去噪图像,对所述mri去噪图像进行平滑处理,得到mri平滑图像;
4、分割所述mri平滑图像中的目标区域,提取所述目标区域对应的区域参数,基于所述区域参数,计算所述目标区域对应的图像梯度,查询所述图像梯度对应的
5、基于所述边缘强度,对所述mri平滑图像的剩余区域进行角点检测,得到角点抑制值,提取所述角点抑制值对应的信息因子,基于所述信息因子,识别所述剩余区域对应的纹理特征;
6、基于所述纹理特征,构建所述原始mri图像对应的图像标注模型,利用所述图像标注模型划分所述mri平滑图像对应的图像训练集,并利用所述训练集对所述图像标注模型进行模型训练,得到训练好的图像标注模型;
7、利用训练好的模型对所述原始mri图像进行标注预测,得到预测标注图像,对所述预测标注图像进行重叠去除,得到所述原始mri图像对应的图像标注结果。
8、可选地,所述获取原始mri图像,对所述原始mri图像进行图像去噪,得到mri去噪图像,包括:
9、利用预设的医学设备对患者进行mri扫描,获得原始mri图像;
10、对所述原始mri图像进行噪声分析,得到噪声数据;
11、识别所述噪声数据对应的噪声方向;
12、基于所述噪声方向,对所述原始mri图像进行图像去噪,得到mri去噪图像。
13、可选地,所述对所述mri去噪图像进行平滑处理,得到mri平滑图像,包括:
14、识别所述mri去噪图像对应的图像需求;
15、基于所述图像需求,设置所述mri去噪图像对应的平滑参数;
16、基于所述平滑参数,启用预设的平滑滤波器对所述mri去噪图像进行平滑处理,得到mri平滑图像。
17、可选地,所述分割所述mri平滑图像中的目标区域,提取所述目标区域对应的区域参数,包括:
18、识别所述mir平滑图像对应的目标因子;
19、基于所述目标因子,确定所述mri平滑图像对应的目标区域;
20、利用预设的分割算法分割所述mri平滑图像中的所述目标区域;
21、查询所述目标区域对应的区域需求,提取所述区域需求对应的区域参数。
22、可选地,所述基于所述区域参数,计算所述目标区域对应的图像梯度,包括:
23、首先,利用下述公式计算所述目标区域对应的平均灰度值:
24、
25、其中,mg表示所述目标区域对应的平均灰度值,n表示所述目标区域中的像素数目,i(x,y)表示坐标为(x,y)处的像素灰度值。
26、其次,基于所述平均灰度值,计算所述目标区域每个像素与其邻域像素的差值平方和:
27、sd=∑[i(x,y)-i(x’,y’)]2
28、其中,sd表示所述目标区域每个像素与其邻域像素的差值平方和,(x',y')表示(x,y)像素的邻域像素位置,i(x,y)和i(x',y')分别表示目标区域内的像素灰度值。
29、最后,基于所述差值平方和,计算所述目标区域对应的图像梯度:
30、
31、其中,gt表示所述目标区域对应的图像梯度,n表示所述目标区域中的像素数目。
32、可选地,所述基于所述梯度因子,计算所述目标区域的边缘强度,包括:
33、
34、其中,bq表示所述目标区域的边缘强度,(i,j)表示图像中的像素坐标,mb表示所述目标区域,gx(i,j)和gy(i,j)分别表示像素点(i,j)处的水平和垂直方向上的梯度值,m表示目标区域中像素点的总数。
35、可选地,所述基于所述边缘强度,对所述mri平滑图像的剩余区域进行角点检测,得到角点抑制值,包括:
36、基于所述边缘强度,确定所述剩余区域对应的边缘图像;
37、对所述边缘图像进行角点监测,得到角点参数;
38、基于所述角点参数,计算所述剩余区域对应的角点响应值;
39、对所述角点响应值进行非极大值抑制,得到角点抑制值。
40、可选地,所述提取所述角点抑制值对应的信息因子,基于所述信息因子,识别所述剩余区域对应的纹理特征,包括:
41、确定所述角点抑制值对应的固定邻域,提取所述固定邻域对应的信息因子;
42、判断所述信息因子对应的纹理类别;
43、基于所述纹理类别,识别所述剩余区域对应的纹理特征。
44、可选地,所述利用训练好的模型对所述原始mri图像进行标注预测,得到预测标注图像,包括:
45、获取所述原始mri图像对应的mri图像样本;
46、对所述mri图像样本进行均衡化处理,得到均衡样本;
47、利用训练好的模型对所述均衡样本进行图像预测,得到预测图像;
48、对所述预测图像进行图像标注,得到预测标注图像。
49、为了解决上述问题,本专利技术还提供基于mri图像的数据标注系统,所述系统包括:
50、平滑处理模块,用于获取原始mri图像,对所述原始mri图像进行图像去噪,得到mri去噪图像,对所述mri去噪图像进行平滑处理,得到mri平滑图像;
51、边缘计算模块,用于分割所述mri平滑图像中的目标区域,提取所述目标区域对应的区域参数,基于所述区域参数,计算所述目标区域对应的图像梯度,查询所述图像梯度对应的梯度因子,基于所述梯度因子,计算所述目标区域的边缘强度;
52、纹理识别模块,用于基于所述边缘强度,对所述mri平滑图像的剩余区域进本文档来自技高网...
【技术保护点】
1.基于MRI图像的数据标注方法,其特征在于,所述方法包括:
2.如权利要求1所述的基于MRI图像的数据标注方法,其特征在于,所述获取原始MRI图像,对所述原始MRI图像进行图像去噪,得到MRI去噪图像,包括:
3.如权利要求1所述的基于MRI图像的数据标注方法,其特征在于,所述对所述MRI去噪图像进行平滑处理,得到MRI平滑图像,包括:
4.如权利要求1所述的基于MRI图像的数据标注方法,其特征在于,所述分割所述MRI平滑图像中的目标区域,提取所述目标区域对应的区域参数,包括:
5.如权利要求1所述的基于MRI图像的数据标注方法,其特征在于,所述基于所述区域参数,计算所述目标区域对应的图像梯度,包括:
6.如权利要求1所述的基于MRI图像的数据标注方法,其特征在于,所述基于所述梯度因子,计算所述目标区域的边缘强度,包括:
7.如权利要求1所述的基于MRI图像的数据标注方法,其特征在于,所述基于所述边缘强度,对所述MRI平滑图像的剩余区域进行角点检测,得到角点抑制值,包括:
8.如权利要求1所述的
9.如权利要求1所述的基于MRI图像的数据标注方法,其特征在于,所述利用训练好的模型对所述原始MRI图像进行标注预测,得到预测标注图像,包括:
10.基于MRI图像的数据标注系统,其特征在于,用于执行如权利要求1-9中任意一项所述的基于MRI图像的数据标注方法,所述系统包括:
...【技术特征摘要】
1.基于mri图像的数据标注方法,其特征在于,所述方法包括:
2.如权利要求1所述的基于mri图像的数据标注方法,其特征在于,所述获取原始mri图像,对所述原始mri图像进行图像去噪,得到mri去噪图像,包括:
3.如权利要求1所述的基于mri图像的数据标注方法,其特征在于,所述对所述mri去噪图像进行平滑处理,得到mri平滑图像,包括:
4.如权利要求1所述的基于mri图像的数据标注方法,其特征在于,所述分割所述mri平滑图像中的目标区域,提取所述目标区域对应的区域参数,包括:
5.如权利要求1所述的基于mri图像的数据标注方法,其特征在于,所述基于所述区域参数,计算所述目标区域对应的图像梯度,包括:
6.如权利要求1所述的基于mri图像的数据标...
【专利技术属性】
技术研发人员:袁磊,季梦遥,陈尧,李明,刘梦雪,胡薇,高梦婷,
申请(专利权)人:武汉大学人民医院湖北省人民医院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。