腫瘤圖像處理方法
【專利摘要】本發(fā)明實(shí)施例公開了一種腫瘤圖像處理方法，包括步驟：S1移除圖像背景；S2自動(dòng)多閾值設(shè)置；S3使用最大類間方差法進(jìn)行圖像處理；S4對(duì)圖像做二值化處理。本方法與傳統(tǒng)最大類間方差法或其他方法的區(qū)別在于，本對(duì)聚合分割開發(fā)了一種自動(dòng)化多閾值設(shè)置，此方法相對(duì)其他MRI圖像分割方法來說，簡(jiǎn)單而快速地分割了腫瘤區(qū)域有助于幫助病理學(xué)家分辨精確地?fù)p傷大小與區(qū)域。
【專利說明】腫瘤圖像處理方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像處理方法領(lǐng)域，尤其涉及一種腦部腫瘤圖像的處理方法。
【背景技術(shù)】
[0002]圖像化是醫(yī)學(xué)科學(xué)中可視化人體解剖結(jié)構(gòu)與功能或新陳代謝信息的基本方法之一。結(jié)構(gòu)與功能圖像對(duì)于了解人體的結(jié)構(gòu)，物理過程，器官功能與整個(gè)或部分器官在非正常物理?xiàng)l件或疾病的影響下的行為是非常重要的。最近二十年來，放射科學(xué)見證了醫(yī)學(xué)圖像化與計(jì)算機(jī)化醫(yī)學(xué)圖像處理的革命性進(jìn)步，一些診斷與治療的重要的放射工具對(duì)致命疾病的評(píng)估與介入，使得醫(yī)學(xué)保健有了非常重大的進(jìn)步。診斷放射學(xué)的醫(yī)學(xué)圖像化隨著基礎(chǔ)科學(xué)，工程學(xué)，醫(yī)學(xué)的貢獻(xiàn)正不斷發(fā)展。因此，計(jì)算機(jī)化圖像重構(gòu)，處理與分析的方法也在不斷地發(fā)展。應(yīng)用領(lǐng)域知識(shí)也被用于開發(fā)精確分析與解釋的模型。
[0003]隨著成像儀器的發(fā)展，為了更好地理解與解釋醫(yī)學(xué)圖像，新的計(jì)算機(jī)化圖像重構(gòu)，處理與分析方法也隨之不斷發(fā)展進(jìn)化。通過計(jì)算機(jī)交互，圖像處理與分析方法已經(jīng)被用于幫助內(nèi)科醫(yī)生做出重要的醫(yī)學(xué)決策。最近，智能或基于模型的量化圖像分析方法已經(jīng)被開發(fā)利用于計(jì)算機(jī)輔助診斷，以提高包括醫(yī)學(xué)圖像在內(nèi)的放射性測(cè)試的敏感性與特異性。這樣的進(jìn)步使得復(fù)雜的醫(yī)學(xué)成像方式，如X-ray CT, MRI, SPECT, PET與Ultrasound都很依賴于計(jì)算機(jī)的生成與顯示數(shù)字圖像的技術(shù)。生理結(jié)構(gòu)的多維數(shù)字圖像經(jīng)過處理與操作，可以實(shí)現(xiàn)可視化那些通過平面成像技術(shù)很困難或無法看到的隱藏著的獨(dú)特的診斷特征。同時(shí)，在MRI領(lǐng)域，MRI數(shù)據(jù)的多光譜本質(zhì)描述也被用于乳房組織特征化。Clarke已經(jīng)審查了一些MRI分割工作。還有另外一些關(guān)于多參數(shù)MRI數(shù)據(jù)的分析也被提出。這些包括，最大化差異方法，人造神經(jīng)網(wǎng)絡(luò)，許多聚合技術(shù)，特征圖像過濾，和最佳特征空間方法，以上都背應(yīng)用于組織分割與特征化。
[0004]分割是醫(yī)學(xué)圖像分析與放射性評(píng)估或計(jì)算機(jī)輔助診斷的分類的主要步驟。圖像分割就是將圖像分為不同的區(qū)域，其原則是按照某些預(yù)先定好的相似標(biāo)準(zhǔn)將相鄰的像素分組。這些相似的原則，可以按照代表圖像中的物體的像素的詳細(xì)屬性或特征來決定。即是，分割是利用像素分類技術(shù)來講圖像中相似的區(qū)域分組的技術(shù)。圖像分割技術(shù)可以分為三個(gè)種類:基于邊緣的方法，邊緣信息用來表示物體的邊界，若有需要，可以對(duì)邊界進(jìn)行分析與修改，來組成一個(gè)屬于圖像中的物體的閉合區(qū)域；基于像素的分割直接分類方法:從圖像的直方圖統(tǒng)計(jì)得出的估算方法來組成屬于圖像中的物體的閉合區(qū)域；基于區(qū)域的方法:直接對(duì)基于預(yù)先定好的規(guī)則的區(qū)域中的像素進(jìn)行直接分析，組成屬于圖像中的物體的閉合區(qū)域，當(dāng)區(qū)域定義了，就可以計(jì)算出代表區(qū)域的特征，來進(jìn)行特征化、分析、與分類。這些特征包括區(qū)域的形狀，紋理信息，與灰度差異等統(tǒng)計(jì)屬性。
[0005]確定灰度值閾值的簡(jiǎn)單方法是分析直方圖的峰值然后找出其在兩個(gè)連續(xù)的主峰值之間的最低點(diǎn)。若直方圖是有明顯雙峰的，使用這種方法將獲得一個(gè)準(zhǔn)確的結(jié)果。但是，醫(yī)學(xué)影像隨著特定的區(qū)域的分割使得圖像可能有不同的峰值，例如，大腦核磁共振圖像的直方圖可能有很多峰值。我們注意到用灰度值閾值劃分大腦區(qū)域存在一些漏洞。這些漏洞在量化圖像里頭蓋骨下的整個(gè)大腦區(qū)域時(shí)會(huì)放大。

【發(fā)明內(nèi)容】

[0006]本發(fā)明實(shí)施例所要解決的技術(shù)問題在于，提供一種使用最大類間方差算法與MRI腦損傷自動(dòng)多閾值設(shè)置結(jié)合的圖像追蹤方法，包括以下步驟:
[0007]SI移除圖像背景；
[0008]S2自動(dòng)多閾值設(shè)置；
[0009]S3使用最大類間方差法進(jìn)行圖像處理；
[0010]S4對(duì)圖像做二值化處理。
[0011]最大類間差法聚類分析方法在物體尺寸跟背景十分不同的時(shí)候會(huì)得出不正確的結(jié)果，因此我們首先進(jìn)行背景移除的步驟來減少閾值的影響，接著找到一個(gè)最佳閾值。腦部核磁共振圖像為灰度圖，其背景為黑色會(huì)對(duì)閾值有影響，在做OTSU聚類分析之前，我們采用以下步驟來去除所有的背景:
[0012]Sll對(duì)原始圖像做水平掃描，左右對(duì)比，若相鄰的像素差值小于值Tl，則為相同部分，將其移除，若大于Tl，則為不同部分，對(duì)其保留；
[0013]S12對(duì)原始圖像做水平掃描，上下對(duì)比，若相鄰的像素差值小于值Tl，則為相同部分，將其移除，若大于Tl，則為不同部分，對(duì)其保留；
[0014]S13將步驟Sll所得的圖像與S12所得的圖像合并。
[0015]進(jìn)一步地，自動(dòng)多閾值設(shè)置步驟S2包括:
[0016]S21從移除背景后的圖像取得直方圖；
[0017]S22從直方圖確定灰度值的閾值。
[0018]進(jìn)一步地,步驟S3包括:
[0019]S31利用最大類間方差算法取得閾值，用該閾值將圖像像素分為C1、C2兩組；
[0020]S32對(duì)Cl和C2再次使用最大類間方差算法進(jìn)一步將其分別分為Cla、Clb和C2a、C2b ；
[0021]S33重復(fù)使用最大類間方差算法將各個(gè)組進(jìn)一步分組。
[0022]使用最大類間方差算法的次數(shù)取決于原始圖像的閾值，當(dāng)閾值大于1000時(shí)使用次數(shù)為4次,小于1000則為3次。
[0023]進(jìn)一步地，自動(dòng)多閾值設(shè)置是基于0-255的灰度圖像分割的，處理后的圖像仍然是灰度圖，因此需要做二值化處理，在原始圖像選擇一個(gè)灰度級(jí)t，再將每個(gè)像素點(diǎn)與t值做比較，將圖像轉(zhuǎn)為黑色或白色。
[0024]實(shí)施本發(fā)明，具有如下有益效果:
[0025]本方法與傳統(tǒng)最大類間方差法或其他方法的區(qū)別在于，本對(duì)聚合分割開發(fā)了一種自動(dòng)化多閾值設(shè)置，此方法相對(duì)其他MRI圖像分割方法來說，簡(jiǎn)單而快速地分割了腫瘤區(qū)域有助于幫助病理學(xué)家分辨精確地?fù)p傷大小與區(qū)域。
【專利附圖】

【附圖說明】
[0026]圖1是本發(fā)明方法流程圖；
[0027]圖2是背景移除步驟的示意圖；[0028]圖3是圖像像素亮度的直方圖；
[0029]圖4本發(fā)明方法實(shí)驗(yàn)效果圖。
【具體實(shí)施方式】
[0030]為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步地詳細(xì)描述。
[0031]如圖1所示的方法，本發(fā)明包括以下步驟:
[0032]SI移除圖像背景；
[0033]S2自動(dòng)多閾值設(shè)置；
[0034]S3使用最大類間方差法進(jìn)行圖像處理；
[0035]S4對(duì)圖像做二值化處理。
[0036]圖2是背景移除步驟的示意圖，其中圖2 (a)為原始腦部核磁共振圖像；圖2 (b)為水平掃描移除背景后的圖像，對(duì)原始圖像做水平掃描，左右對(duì)比，若相鄰的像素差值小于值Tl，則為相同部分，將其移除，若大于Tl，則為不同部分，對(duì)其保留；圖2(c)為垂直掃描移除背景后的圖像，對(duì)原始圖像做水平掃描，上下對(duì)比，若相鄰的像素差值小于值Tl，則為相同部分，將其移除，若大于Tl，則為不同部分，對(duì)其保留；圖2 (d)是將圖2 (b)和圖2 (c)合并后的圖像。
[0037]如圖3所示，y軸代表像素亮度，在腫瘤清晰的圖像中，圖3 Ca)為亮度較低的圖像曲線，圖3 (b)為亮度較高的圖像曲線。從圖中可知，若直方圖的曲線從最高點(diǎn)向最低點(diǎn)緩慢下降，則說明圖像偏暗且其平滑度高；若曲線從最高點(diǎn)往最低點(diǎn)急速下滑，則說明圖像亮度高且平滑度低。直方圖的平滑度計(jì)算公式為:
【權(quán)利要求】
1.一種腫瘤圖像處理方法，其特征在于，包括以下步驟: Si移除圖像背景； S2自動(dòng)多閾值設(shè)置； S3使用最大類間方差法進(jìn)行圖像處理； S4對(duì)圖像做二值化處理。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，圖像背景移除步驟SI包括: Sll對(duì)原始圖像做水平掃描，左右對(duì)比，若相鄰的像素差值小于值Tl，則為相同部分，將其移除，若大于Tl，則為不同部分，對(duì)其保留； S12對(duì)原始圖像做水平掃描，上下對(duì)比，若相鄰的像素差值小于值Tl，則為相同部分，將其移除，若大于Tl，則為不同部分，對(duì)其保留； S13將步驟Sll所得的圖像與S12所得的圖像合并。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，自動(dòng)多閾值設(shè)置步驟S2包括: S21從移除背景后的圖像取得直方圖； S22從直方圖確定灰度值的閾值。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟S3包括: S31利用最大類間方差算法取得閾值，用該閾值將圖像像素分為C1、C2兩組； S32對(duì)Cl和C2再次使用最大類間方差算法進(jìn)一步將其分別分為Cla、Clb和C2a、C2b ； S33重復(fù)使用最大類間方差算法將各個(gè)組進(jìn)一步分組。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，二值化圖像時(shí)，在原始圖像選擇一個(gè)灰度級(jí)t，再將每個(gè)像素點(diǎn)與t值做比較，將圖像轉(zhuǎn)為黑色或白色。
【文檔編號(hào)】G06T5/40GK103886580SQ201310718243
【公開日】2014年6月25日 申請(qǐng)日期:2013年12月23日 優(yōu)先權(quán)日:2013年12月23日
【發(fā)明者】莊禮鴻, 吳明霓 申請(qǐng)人:汕頭大學(xué)