【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及圖像標注，尤其涉及一種基于圖像處理的醫(yī)學影像輔助標注方法及系統(tǒng)。
技術(shù)介紹
1、在醫(yī)學影像分析中，病灶區(qū)域的精確標注對于臨床診斷、治療計劃制定及疾病進展監(jiān)測具有重要意義，現(xiàn)有的醫(yī)學影像標注技術(shù)通常通過單層次或二維平面標注完成，對于簡單病灶的識別和定位尚可滿足。然而，面對形態(tài)復(fù)雜的病灶區(qū)域，尤其是具有不同病灶層次(如壞死區(qū)域、活性區(qū)域和正常組織邊界)的病變，單一層次標注常常難以提供完整的結(jié)構(gòu)信息，導(dǎo)致病灶邊界模糊或誤標的問題。這種不足使得醫(yī)生難以準確評估病灶的內(nèi)部狀態(tài)和發(fā)展趨勢，影響診斷準確性及后續(xù)治療效果。
2、為提升標注的精確度和層次表達能力，部分技術(shù)采用深度學習模型對影像數(shù)據(jù)進行特征提取，但這些技術(shù)多側(cè)重于單一的病灶分割，未能有效區(qū)分病灶內(nèi)部不同層次的結(jié)構(gòu)特征。此外，隨訪影像的病灶標注尚缺乏動態(tài)更新機制，無法有效反映病灶隨時間的變化趨勢，導(dǎo)致標注結(jié)果缺乏時序一致性。同時，現(xiàn)有的標注文件格式往往缺乏結(jié)構(gòu)化的層次信息，使得病灶內(nèi)部特征難以在影像管理系統(tǒng)中分層呈現(xiàn)，限制了多層次標注結(jié)果的臨床應(yīng)用價值。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)提供了一種基于圖像處理的醫(yī)學影像輔助標注方法及系統(tǒng)。
2、一種基于圖像處理的醫(yī)學影像輔助標注方法，包括以下步驟：
3、s1，影像預(yù)處理與多尺度增強：獲取醫(yī)學影像數(shù)據(jù)，對影像數(shù)據(jù)進行邊緣增強處理；
4、s2，多層次病灶區(qū)域的初步分割：利用卷積神經(jīng)網(wǎng)絡(luò)(cnn)與密度聚類算法對邊緣增強處理后的影像數(shù)據(jù)
5、s3，層次特征向量化處理：對每個分割出的初步標注區(qū)域進行特征提取和向量化，通過主成分分析和局部二值模式提取各層次的紋理特征、形態(tài)特征、密度特征，將其轉(zhuǎn)化為特征向量存儲；
6、s4，層次間關(guān)聯(lián)關(guān)系建模：基于提取的各層次的特征向量，結(jié)合圖結(jié)構(gòu)分析方法，構(gòu)建各病灶層次間的關(guān)聯(lián)關(guān)系模型，將中心壞死層、邊緣活性層及周邊正常組織層的空間和結(jié)構(gòu)關(guān)系建立聯(lián)系，形成多層次病灶關(guān)聯(lián)模型；
7、s5，層次特征與邊界優(yōu)化：在多層次病灶關(guān)聯(lián)模型的指導(dǎo)下，對各層次的初步標注進行優(yōu)化，對不同層次初步標注的邊界位置進行檢查，確保標注層次的相對位置符合病理實際，調(diào)整層次邊界位置以提高標注的準確性，并確保層次間的相對位置關(guān)系合理；
8、s6，病灶層次變化的動態(tài)追蹤與更新：在多次掃描影像或隨訪影像的標注過程中，通過多層次病灶關(guān)聯(lián)模型識別病灶層次的動態(tài)變化，包括中心壞死區(qū)的擴展或邊緣活性區(qū)的縮小趨勢，根據(jù)變化特征動態(tài)更新層次標注，確保標注的時序一致性和結(jié)構(gòu)連貫性；
9、s7，多層次標注結(jié)果的輸出與存儲：將最終生成的多層次標注結(jié)果存儲為標準化標簽文件，輸出包含中心壞死區(qū)、邊緣活性區(qū)多層次病灶特征的標注圖層。
10、可選的，所述s2中的多層次病灶區(qū)域的初步分割具體包括：
11、s21，對經(jīng)過邊緣增強處理的影像數(shù)據(jù)，利用預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)提取灰度梯度特征和密度分布特征，以獲取病灶區(qū)域內(nèi)不同層次的結(jié)構(gòu)特征圖，對于輸入影像數(shù)據(jù)的每一層結(jié)構(gòu)特征圖f，通過卷積層進行卷積操作；
12、卷積操作在影像中識別不同的灰度梯度特征、密度分布特征，卷積神經(jīng)網(wǎng)絡(luò)中經(jīng)過若干卷積層、池化層和激活層的處理后，輸出結(jié)構(gòu)特征圖集合{f(1)，f(2)，...，f(n)}，每張結(jié)構(gòu)特征圖代表影像不同層次的特征，包括灰度梯度特征、密度分布特征；
13、s22，將卷積神經(jīng)網(wǎng)絡(luò)輸出的特征圖集合{f(1)，f(2)，...，f(n)}輸入密度聚類算法，依據(jù)病灶區(qū)域內(nèi)像素點的密度、灰度梯度，將病灶區(qū)域細分為中心壞死層、邊緣活性層和周邊正常組織層，密度聚類算法依賴鄰域半徑∈和最小鄰域點數(shù)minpts，對于影像中的每個像素點p，計算其在特征空間中的鄰域范圍n∈(p)，密度條件為：若p的鄰域n∈(p)中包含至少minpts個點，則p被視為一個核心點，屬于高密度區(qū)域，進而聚為一類，根據(jù)病灶區(qū)域的灰度梯度和密度分布特征，將密度聚類得到的區(qū)域分為：
14、中心壞死層：包含最密集的像素點(高密度區(qū)域)，為低灰度值的病灶中心壞死區(qū)域；
15、邊緣活性層：位于壞死層外圍，灰度值和密度相對高的區(qū)域，反映病灶的活躍區(qū)域；
16、周邊正常組織層：密度較低的外圍區(qū)域，與病灶形成自然分界；
17、s23，多層次初步標注生成：根據(jù)密度聚類的分割結(jié)果，對中心壞死層、邊緣活性層和周邊正常組織層分別進行初步標注，生成不同病灶層次的初步標注區(qū)域。
18、定義標注類別：根據(jù)分割得到的不同層次區(qū)域，定義三個標注類別：
19、可選的，所述s3中的層次特征向量化處理具體包括：
20、s31，紋理特征提?。簩γ總€初步標注區(qū)域應(yīng)用局部二值模式lbp，生成局部二值模式直方圖以表示區(qū)域內(nèi)的紋理特征，局部二值模式lbp表示為：其中，(x，y)表示標注區(qū)域中的像素位置，ik為像素(x，y)周圍第k個鄰域像素的灰度值，ic為中心像素的灰度值，s(x)為符號函數(shù)，定義為：s(x)＝1當x≥0，否則s(x)＝0；
21、s32，形態(tài)特征提?。簩γ總€標注區(qū)域的輪廓進行主成分分析pca，提取區(qū)域的形態(tài)特征，包括主形態(tài)方向和面積大小，將區(qū)域的主成分特征向量pcashape表示為：
22、pcashape＝(λ1，λ2，θ)，其中，λ1和λ2表示區(qū)域的第一和第二主成分特征值，代表形狀的主方向；θ為主成分的方向角，用于描述區(qū)域的方向性特征；
23、s33，密度特征計算：在每個標注區(qū)域內(nèi)，計算區(qū)域內(nèi)的平均灰度值和標準差作為密度特征，形成密度特征向量density：density＝(μ，σ)，其中，μ表示區(qū)域的平均灰度值，σ表示灰度值的標準差，反映區(qū)域的灰度分布情況；
24、s34，將提取的紋理特征、形態(tài)特征和密度特征組合形成特征向量v，表示為：v＝(lbp，pcashape，density)，將該特征向量存儲到數(shù)據(jù)庫中，以便用于后續(xù)的層次間關(guān)聯(lián)關(guān)系建模和標注優(yōu)化。
25、可選的，所述s4具體包括：
26、s41，特征節(jié)點定義：基于中心壞死層、邊緣活性層和周邊正常組織層的初步標注區(qū)域，將每個標注區(qū)域的特征向量v＝(lbp，pcashape，density)作為節(jié)點特征，定義每個層次區(qū)域為一個圖節(jié)點ni，其中，n1，n2和n3分別代表中心壞死層、邊緣活性層和周邊正常組織層；
27、空間關(guān)系邊構(gòu)建：計算各層次區(qū)域的空間距離，確定節(jié)點之間的邊連接關(guān)系；
28、結(jié)構(gòu)關(guān)系權(quán)重計算：基于各層次節(jié)點的特征向量相似性，計算結(jié)構(gòu)關(guān)系權(quán)重wi，j，定義為：其中，vi和vj分別為節(jié)點ni和nj的特征向量；||vi-vj||表示特征向量之間的歐氏距離，本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種基于圖像處理的醫(yī)學影像輔助標注方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于圖像處理的醫(yī)學影像輔助標注方法，其特征在于，所述S2中的多層次病灶區(qū)域的初步分割具體包括：
3.根據(jù)權(quán)利要求1所述的一種基于圖像處理的醫(yī)學影像輔助標注方法，其特征在于，所述S3中的層次特征向量化處理具體包括：
4.根據(jù)權(quán)利要求3所述的一種基于圖像處理的醫(yī)學影像輔助標注方法，其特征在于，所述S4具體包括：
5.根據(jù)權(quán)利要求4所述的一種基于圖像處理的醫(yī)學影像輔助標注方法，其特征在于，所述節(jié)點之間的邊連接關(guān)系表示為：
6.根據(jù)權(quán)利要求1所述的一種基于圖像處理的醫(yī)學影像輔助標注方法，其特征在于，所述S5中的層次特征與邊界優(yōu)化具體包括：
7.根據(jù)權(quán)利要求6所述的一種基于圖像處理的醫(yī)學影像輔助標注方法，其特征在于，所述邊界之間的最小距離dmin(Bi,Bj)計算表示為：
8.根據(jù)權(quán)利要求7所述的一種基于圖像處理的醫(yī)學影像輔助標注方法，其特征在于，所述S6具體包括：
9.根據(jù)權(quán)利要求8所述的一種基
10.一種基于圖像處理的醫(yī)學影像輔助標注系統(tǒng)，用于實現(xiàn)如權(quán)利要求1-9任一項所述的一種基于圖像處理的醫(yī)學影像輔助標注方法，其特征在于，包括以下模塊：
...【技術(shù)特征摘要】
1.一種基于圖像處理的醫(yī)學影像輔助標注方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于圖像處理的醫(yī)學影像輔助標注方法，其特征在于，所述s2中的多層次病灶區(qū)域的初步分割具體包括：
3.根據(jù)權(quán)利要求1所述的一種基于圖像處理的醫(yī)學影像輔助標注方法，其特征在于，所述s3中的層次特征向量化處理具體包括：
4.根據(jù)權(quán)利要求3所述的一種基于圖像處理的醫(yī)學影像輔助標注方法，其特征在于，所述s4具體包括：
5.根據(jù)權(quán)利要求4所述的一種基于圖像處理的醫(yī)學影像輔助標注方法，其特征在于，所述節(jié)點之間的邊連接關(guān)系表示為：
6.根據(jù)權(quán)利要求1所述的一種基于圖像處理的醫(yī)學...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：谷可軍，吳源遠，蘇麗，張閣，章秀雅，
申請(專利權(quán))人：蘇州醫(yī)朵云健康股份有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。