基于计算机视觉的颅颌面CT图像分割方法

本申请涉及图像处理，具体涉及基于计算机视觉的颅颌面ct图像分割方法。

背景技术：

1、根尖囊肿是一种发生在颌骨牙根尖部位的囊性病变，通常是由于牙根尖附近的感染引起的，医生常对含有囊肿的颅颌面ct图像进行分析，从而诊断根尖囊肿的具体病情。故基于计算机视觉的颅颌面ct图像分割技术的发展在医疗领域中具有重要意义。

2、在计算机视觉领域，现有技术中常使用kmeans聚类技术对颌面ct图像中的囊肿区域进行分割。而由于囊肿所在的齿槽区域内部除囊肿外还含有其它具有复杂特征，例如牙龈、牙髓等复杂结构，从而影响图像分割结果，导致传统使用固定k值进行聚类的结果不够准确，常常出现错分割的结果。因此，本发明通过不同聚类下区域的稳定程度确定关注区域，进而根据关注区域的内部灰度特征和边缘形状特征确定病灶区域，大大提高了kmeans聚类分割针对于囊肿病灶区域的检测准确性。

技术实现思路

1、为了解决上述技术问题，本发明提供基于计算机视觉的颅颌面ct图像分割方法，以解决现有的囊肿病灶区域的检测准确性较低的问题。

2、本发明的基于计算机视觉的颅颌面ct图像分割方法采用如下技术方案：

3、本发明一个实施例提供了基于计算机视觉的颅颌面ct图像分割方法，该方法包括以下步骤：

4、采集齿槽ct图像；

5、根据齿槽ct图像获取鸟瞰堆积图像；根据鸟瞰堆积图像中的疑似区域的面积和位置获取鸟瞰堆积图像中各层聚类图像中各疑似区域的关注程度；根据鸟瞰堆积图像中各层聚类图像中各疑似区域的关注程度获取关注区域；根据鸟瞰堆积图像中各层聚类图像中各疑似区域的关注程度和关注区域内像素点的灰度值获取各关注区域的灰度病灶因子；根据关注区域的面积和关注区域的边缘获取各关注区域的边缘病灶因子，获取各关注区域的对称中心线，根据对称中心线获取各关注区域的对称关注区域；根据边缘病灶因子和关注区域内像素点的灰度值分布获取各关注区域的病灶概率；

6、根据各关注区域的病灶概率获取根尖囊肿病灶区域，完成对颅颌面ct图像的分割。

7、进一步，所述根据齿槽ct图像获取鸟瞰堆积图像，包括：

8、使用k-means聚类算法在各预设聚类簇数量下对齿槽ct图像进行聚类获取各聚类图像，将各聚类图像中各聚类簇所在区域作为待分析的疑似区域；

9、将各预设聚类簇数量下得到的各聚类图像作为鸟瞰堆积图像的各层聚类图像组成鸟瞰堆积图像。

10、进一步，所述根据鸟瞰堆积图像中的疑似区域的面积和位置获取鸟瞰堆积图像中各层聚类图像中各疑似区域的关注程度，包括：

11、计算鸟瞰堆积图像中第i层聚类图像中第j个疑似区域与除第i层聚类图像外各层聚类图像中第j个疑似区域的面积的差值绝对值，计算第i层聚类图像中第j个疑似区域的所有所述差值绝对值的和值与数字1的求和结果作为第一求和结果；

12、计算鸟瞰堆积图像中第i层聚类图像中第j个疑似区域的中心点与除第i层聚类图像外各层聚类图像的第j个疑似区域的中心点在鸟瞰堆积图像中之间的欧式距离，计算第i层聚类图像的第j个疑似区域中所有所述欧式距离的和值与数字1的求和结果作为第二求和结果；

13、计算所述第一求和结果的倒数与所述第二求和结果的倒数之间的乘积，将所述乘积的归一化值作为鸟瞰堆积图像中第i层聚类图像中第j个疑似区域的关注程度。

14、进一步，所述根据鸟瞰堆积图像中各层聚类图像中各疑似区域的关注程度获取关注区域，包括：

15、将关注程度大于预设关注阈值的疑似区域作为关注区域。

16、进一步，所述根据鸟瞰堆积图像中各层聚类图像中各疑似区域的关注程度和关注区域内像素点的灰度值获取各关注区域的灰度病灶因子，包括：

17、对于各关注区域，计算关注区域内所有像素点的灰度值均值，计算关注区域中各像素点的灰度值与所述均值的差值的平方，计算关注区域内所有平方的和值，计算所述和值与所述均值的乘积，计算以自然常数为底、以所述乘积的负值为指数的指数函数的计算结果；

18、将关注区域的关注程度与所述计算结果的乘积的归一化值作为各关注区域的灰度病灶因子。

19、进一步，所述根据关注区域的面积和关注区域的边缘获取各关注区域的边缘病灶因子，包括：

20、对于各关注区域，使用凸包检测算法对关注区域进行处理获取关注区域的凸包；

21、计算关注区域的像素点的个数与关注区域中所有边缘像素点的个数的比值；

22、计算关注区域与关注区域的凸包的面积的差值绝对值与数字1的和值的倒数，计算关注区域的灰度病灶因子、所述倒数与所述比值三者的乘积，将所述乘积的归一化值作为各关注区域的边缘病灶因子。

23、进一步，所述获取各关注区域的对称中心线，包括：

24、对于各关注区域，获取关注区域的中心点，过关注区域的中心点画一条直线，将所述直线以关注区域的中心点为圆心按照顺时针方向进行旋转，每旋转一次预设角度从所述直线对关注区域进行一次划分，计算每次旋转后关注区域划分得到的两个区域的面积的差值绝对值，当所述直线旋转到原来的位置时，将所有所述差值绝对值中的最小值对应的直线作为关注区域的对称中心线。

25、进一步，所述根据对称中心线获取各关注区域的对称关注区域，包括：

26、将与各关注区域在其对称中心线进行对称的关注区域，作为各关注区域的对称关注区域。

27、进一步，所述根据边缘病灶因子和关注区域内像素点的灰度值分布获取各关注区域的病灶概率，包括：

28、计算第t个关注区域中第m个像素点与第t个关注区域的对称关注区域中第m个像素点的灰度值的差值绝对值和数字1的求和结果作为第一和值，计算第t个关注区域中第m个像素点与第t个关注区域的对称关注区域中第m个像素点的lbp值的差值绝对值与数字1的求和结果作为第二和值，计算所述第一和值与所述第二和值的乘积，计算第t个关注区域中所有所述乘积的和值与第t个关注区域的边缘病灶因子的乘积的归一化值作为第t个关注区域的病灶概率。

29、进一步，所述获取根尖囊肿病灶区域，包括：将病灶概率最大的关注区域作为根尖囊肿病灶区域。

30、本发明至少具有如下有益效果：

31、本发明提出基于计算机视觉的颅颌面ct图像分割方法，能够通过不同聚类情况下类簇的稳定特征得到关注区域，进而根据关注区域的灰度特征和边缘形状特征筛选出病灶区域。相较传统k-means聚类仅依靠固定k值进行聚类分割，对囊肿区域和非囊肿区域的特征差异进行针对性的分析，根据囊肿区域在ct图像中的灰度值特征和边缘特征构建各关注区域的灰度病灶因子和边缘病灶因子，根据灰度病灶因子和边缘病灶因子获取关注区域为病灶区域的概率，根据概率值获取病灶区域，解决了由于ct图像中图像特征较为复杂导致的图像分割结果较差的问题，提高了聚类分割的准确性。

技术特征：

1.基于计算机视觉的颅颌面ct图像分割方法，其特征在于，该方法包括以下步骤：

2.如权利要求1所述的基于计算机视觉的颅颌面ct图像分割方法，其特征在于，所述根据齿槽ct图像获取鸟瞰堆积图像，包括：

3.如权利要求1所述的基于计算机视觉的颅颌面ct图像分割方法，其特征在于，所述根据鸟瞰堆积图像中的疑似区域的面积和位置获取鸟瞰堆积图像中各层聚类图像中各疑似区域的关注程度，包括：

4.如权利要求1所述的基于计算机视觉的颅颌面ct图像分割方法，其特征在于，所述根据鸟瞰堆积图像中各层聚类图像中各疑似区域的关注程度获取关注区域，包括：

5.如权利要求1所述的基于计算机视觉的颅颌面ct图像分割方法，其特征在于，所述根据鸟瞰堆积图像中各层聚类图像中各疑似区域的关注程度和关注区域内像素点的灰度值获取各关注区域的灰度病灶因子，包括：

6.如权利要求1所述的基于计算机视觉的颅颌面ct图像分割方法，其特征在于，所述根据关注区域的面积和关注区域的边缘获取各关注区域的边缘病灶因子，包括：

7.如权利要求1所述的基于计算机视觉的颅颌面ct图像分割方法，其特征在于，所述获取各关注区域的对称中心线，包括：

8.如权利要求1所述的基于计算机视觉的颅颌面ct图像分割方法，其特征在于，所述根据对称中心线获取各关注区域的对称关注区域，包括：

9.如权利要求1所述的基于计算机视觉的颅颌面ct图像分割方法，其特征在于，所述根据边缘病灶因子和关注区域内像素点的灰度值分布获取各关注区域的病灶概率，包括：

10.如权利要求1所述的基于计算机视觉的颅颌面ct图像分割方法，其特征在于，所述获取根尖囊肿病灶区域，包括：将病灶概率最大的关注区域作为根尖囊肿病灶区域。

技术总结
本发明涉及图像处理技术领域，具体涉及基于计算机视觉的颅颌面CT图像分割方法，该方法包括：采集齿槽CT图像；获取鸟瞰堆积图像；获取鸟瞰堆积图像中各层聚类图像中各疑似区域的关注程度；进而获取关注区域，计算各关注区域的灰度病灶因子；进而获取各关注区域的边缘病灶因子，获取各关注区域的对称中心线，根据对称中心线获取各关注区域的对称关注区域；根据边缘病灶因子和关注区域内像素点的灰度值分布获取各关注区域的病灶概率；根据病灶概率获取根尖囊肿病灶区域，完成对颅颌面CT图像的分割。本发明旨在解决由于CT图像中图像特征较为复杂导致的图像分割结果较差的问题。

技术研发人员：杨向明,赵振彦,李欢,付文豪,杨芷,韩雪娇,李昀
受保护的技术使用者：中国人民解放军空军军医大学
技术研发日：
技术公布日：2024/7/11