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】
本专利技术涉及一种超声生物显微镜(ultrasound biomicroscopy,ubm)图像的分割与量化技术,尤其涉及一种基于超声生物显微镜图像的施莱姆氏管分割与量化方法。
技术介绍
1、青光眼是世界第一大致不可逆盲眼病,据统计到2040年全世界范围内将有1.1亿青光眼患者。眼压升高是青光眼疾病进展的一个重要因素。根据研究显示,眼压升高会导致人眼中的施莱姆氏管区域缩小,这表明施莱姆氏管的结构形态变化对于眼压调控和青光眼的发病有重要作用。因此,施莱姆氏管成为青光眼领域中的一个重要研究对象。在医学图像中准确识别和量化施莱姆氏管区域对于改善计算机辅助诊断和减少误诊的概率至关重要,同时也是当前临床工作中面临的一个挑战。
2、研究者可以利用开源的图像处理软件手工描绘光学相干断层图像和ubm图像中前房角施莱姆氏管区域的边界,并进行量化分析,这为阐明青光眼的发病机制和治疗效果做出了积极的贡献。尽管手动分割具有高精度的优点,但其分割效率较低,并且受到医生精力和情绪波动等因素的影响,存在重复性差和效率低等缺点。已有的基于改进水平集的施莱姆氏管分割方法,如文献(wang x,zhai y,liu x,et al.level-set method for imageanalysis of schlemm's canal and trabecular meshwork[j].translational visionscience&technology,2020,9(10):7-7)所述,可以有效提取施莱姆氏管区域,具有较高的分割
3、为了准确识别和量化施莱姆氏管区域,改善计算机辅助诊断和减少误诊的概率,需要探索更高效的图像分割算法来应用于分割ubm图像中施莱姆氏管区域,并确保分割结果能够直观地进行量化输出。这对于大规模研究青光眼患者的疾病发生和发展具有重要意义。
技术实现思路
1、(一)要解决的技术问题
2、为了实现ubm图像中施莱姆氏管的计算机辅助分割与直观量化展示,本专利技术提出了一种基于超声生物显微镜图像的施莱姆氏管分割与量化方法,该方法使用了改进的fcm算法,在ubm图像中实现了施莱姆氏管的计算机辅助分割。通过提取ubm图像中施莱姆氏管的边界曲线,并输出施莱姆氏管区域的像素个数,实现了对施莱姆氏管的量化展示。
3、(二)技术方案
4、本专利技术提出的一种基于超声生物显微镜图像的施莱姆氏管分割与量化方法,这种方法是一种基于改进的fcm算法的分割与量化方法,包括以下步骤:
5、步骤1:采集多个方位的超声生物显微镜图像,选取合适的超声生物显微镜图像并提取包含施莱姆氏管的原始ubm图像,对其进行直方图聚类,并按照聚类个数将原始ubm图像的隶属度矩阵初始化;
6、步骤2:对原始ubm图像进行形态学闭合重建即mcr运算,获取重建ubm图像的统计信息作为先验知识;
7、步骤3:将步骤(2)的先验知识加入到fcm算法目标函数,迭代求解目标函数获取mcr重建ubm图像的隶属度划分矩阵;
8、步骤4:将步骤(3)的隶属度划分矩阵作为先验信息填充原始ubm图像的隶属度划分矩阵,获得填充后的隶属度划分矩阵,对填充后的隶属度划分矩阵进行中值滤波,获得滤波后的隶属度划分矩阵,即更新后的原始ubm图像的隶属度划分矩阵,并以此隶属度划分矩阵分割原始ubm图像;
9、步骤5:利用梯度边缘检测算子,对原始ubm图像分割结果的每个子区域的边界曲线进行二值化,直观显示前房角区域施莱姆氏管,输出量化结果。
10、作为对本技术方案的进一步改进:
11、所述的步骤1中,选取的ubm图像转化为灰度图像,提取包含施莱姆氏管的前房角区域,并根据原始ubm图像x的直方图信息,统计直方图中的波峰的个数c,将所有波峰对应的灰度值v={v1,v2,…,vc}记为初始聚类中心,并将原始ubm图像的隶属度矩阵初始化为u′=zeros(n,c),n为原始ubm图像的像素总数。
12、所述的步骤2中,利用结构元素对ubm图像x进行mcr重建所使用的公式为:
13、
14、其中,ε表示腐蚀运算,δ表示膨胀运算,εk(x)表示利用k对x进行腐蚀运算;表示x相对于εk(x)的形态学膨胀重建结果;表示利用k对进行膨胀运算;表示相对于的形态学腐蚀重建结果。
15、所述的步骤2中,获取重建ubm图像的统计信息包括灰度级{z1,z2,…,zi,...,zq},和每个灰度级对应的像素个数{a1,a2,…,ai,...,aq},满足q为重建ubm图像灰度级数量,n为原始ubm图像的像素总数,q远小于n。
16、所述的步骤3中,迭代求解目标函数用如下公式表示:
17、
18、其中,uij表示mcr重建ubm图像灰度值zi对原始ubm图像聚类中心vj的模糊隶属度,称为模糊指数,它决定了结果分类的模糊程度,||·||表示欧氏距离。通过求解目标函数(1)获取隶属度划分矩阵
19、所述的步骤4中,基于mcr重建ubm图像的隶属度划分矩阵,对原始ubm图像的隶属度划分矩阵进行填充,对应于原始ubm图像x的灰度值xk对聚类中心vj的模糊隶属度由下式获得:
20、
21、得到对应于原始ubm图像x的隶属度划分矩阵u′=[ukj]n×c。
22、所述的步骤4中,利用5×5中值滤波器对填充后的原始ubm图像的隶属度划分矩阵u′进行滤波操作,获得适用于原始ubm图像的隶属度划分矩阵u″,所采用的中值滤波记为:
23、u″(k,j)=med{u′(s,t)|k-2≤s≤k+2,j-2≤t≤j+2} (3)
24、所述的步骤4中,根据获取的隶属度划分矩阵u″将原始ubm图像x划分成若干子区域。
25、所述的步骤5中,利用梯度边缘检测算子,对原始ubm图像分割结果的每个子区域的边界曲线进行二值化,计算如下:利用和边缘检测算子对ubm图像的分割结果进行卷积运算,通过计算每个像素梯度,若梯度g大于设定本文档来自技高网...
【技术保护点】
1.基于超声生物显微镜图像的施莱姆氏管分割与量化方法,其特征在于,该方法包括:
2.根据权利要求1所述基于超声生物显微镜图像的施莱姆氏管分割与量化方法,其特征在于,所述的步骤1中,进行直方图聚类并按照聚类个数将原始UBM图像的隶属度矩阵初始化,是根据原始UBM图像X的直方图信息,统计直方图中的波峰的个数c,将所有波峰对应的灰度值记为V={v1,v2,…,vc},则将V记为初始聚类中心,并将原始UBM图像的隶属度矩阵初始化为U′=zeros(N,c),N为原始UBM图像的像素总数。
3.根据权利要求1所述基于超声生物显微镜图像的施莱姆氏管分割与量化方法,其特征在于,所述的步骤2中,对原始UBM图像进行形态学闭合重建,是利用结构元素对UBM图像X进行MCR重建,公式为:
4.根据权利要求1所述基于超声生物显微镜图像的施莱姆氏管分割与量化方法,其特征在于,所述的步骤2中,获取重建UBM图像的统计信息包括灰度级{z1,z2,…,zi,…,zq},每个灰度级对应的像素个数{a1,a2,…,ai,…,aq},满足q为重建UBM图像灰度级数量,q远小于N。<
...【技术特征摘要】
1.基于超声生物显微镜图像的施莱姆氏管分割与量化方法,其特征在于,该方法包括:
2.根据权利要求1所述基于超声生物显微镜图像的施莱姆氏管分割与量化方法,其特征在于,所述的步骤1中,进行直方图聚类并按照聚类个数将原始ubm图像的隶属度矩阵初始化,是根据原始ubm图像x的直方图信息,统计直方图中的波峰的个数c,将所有波峰对应的灰度值记为v={v1,v2,…,vc},则将v记为初始聚类中心,并将原始ubm图像的隶属度矩阵初始化为u′=zeros(n,c),n为原始ubm图像的像素总数。
3.根据权利要求1所述基于超声生物显微镜图像的施莱姆氏管分割与量化方法,其特征在于,所述的步骤2中,对原始ubm图像进行形态学闭合重建,是利用结构元素对ubm图像x进行mcr重建,公式为:
4.根据权利要求1所述基于超声生物显微镜图像的施莱姆氏管分割与量化方法,其特征在于,所述的步骤2中,获取重建ubm图像的统计信息包括灰度级{z1,z2,…,zi,…,zq},每个灰度级对应的像素个数{a1,a2,…,ai,…,aq},满足q为重建ubm图像灰度级数量,q远小于n。
<...【专利技术属性】
技术研发人员:刘学彦,姚亚茹,汪鑫,代硕,王璐,
申请(专利权)人:聊城大学,
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。