基于种子点与区域增长算法的脑出血自动检测系统

本发明涉及到计算机技术，具体是基于种子点与区域增长算法的脑出血自动检测系统。

背景技术：

1、脑部血肿可能是受到外伤或脑内部出血等原因引起的脑损伤而引起血肿，要进行体检和头颅ct检查，了解血肿的状况。

2、血肿跟外伤和脑挫裂伤以及血管破裂有关系，或是受到了猛烈的撞击而造成的积血不去除，容易留下血瘀，可能导致呼吸受阻，而且还会影响到生命。

3、为此，脑血肿应当及时就医并进行检查。

4、在传统的医学中，脑部血肿检查采用的是ct进行检查，然后由医生根据经验查看ct图像，划出血肿位置和标定血肿边缘，以进一步提供治疗方案。

5、如果划出血肿位置和标定血肿边缘的工作由计算机在ct图像进行自动标定，将会提高就医效率，提高准确度，减少医生工作量，有助于对医疗工作提供很好的辅助。

技术实现思路

1、为了解决上述技术问题，本发明提供了基于计算机的基于种子点与区域增长算法的脑出血自动检测系统。

2、本发明的系统，包括由存储器、存储器内的逻辑指令、处理器组成的计算机装置；由处理器执行存储器内的逻辑指令时，形成如下处理步骤：

3、s1：导入颅脑横断面医学原图像，并对原图像进行预处理。

4、所述的预处理包括对原图像进行滤波、灰度转化、二值转换处理；获得处理后图像；

5、s2：在处理后图像上标定作为增长起点的种子点。

6、s3：在增长起点的种子点周围的像素点进行4邻域搜索，获得同类点，并纳入种点区域。

7、对纳入种点区域内的像素点设置为新的种子点，并继续在新的种子点周围的像素点进行4邻域搜索获得同类点。

8、s4：当新的种子点周围无法获得同类点，停止获得同类点计算，合并种点区域，识别为脑出血图像区域，记录脑出血图像区域坐标值。

9、将坐标值对映到原图像中，获得标记了脑出血图像区域的图像。

10、其中，所述的在种子点周围的像素点进行4邻域搜索，获得同类点，具体为：

11、s21：对作为种子点4邻域的像素点判断相似性测试。

12、s22：将相似性测试满足生长阈值的像素点识别为同类点；若相似性测试不满足同类要求，则将该邻域作为异类点，作为该区域边缘。

13、其中，所述的生长阈值获得的方法为：

14、s31：以作为增长起点的种子点为中心3×3像素区域内，以灰度方差的2倍作为初始阈值。

15、s32：通过初始阈值采用基于统计特征的动态特征，将已有的种点区域内的灰度特征计算生长阈值符合种子区域的总体特征，获得生长阈值。

16、计算公式如下：

17、ｔ=k1μ+k2σ

18、上式中：t为生长阈值；μ为已生长出种子区域的灰度均值；σ为已生长出种子区域的标准方差，k1、k2为系数项，代表了阈值的苛刻程度。

19、其中，在灰度值区别较低的图像中，生长阈值获得的方法为，选择全局与局部相结合的生长阈值规则，公式如下：

20、

21、式中：

22、sijk代表半径为r的范围内所有属于种子点的体素的灰度值；i为当前种子点；r为半径；m表示当前观察点的x轴坐标；n表示当前观察点的y轴坐标；p表示当前观察点的z轴坐标；表示当前所有种子点灰度的平均值；则表示在观察点半径为r的范围内，所有属于种子点的像素的灰度平均值；ε表示了允许的灰度误差范围；ωin表示属于种子点的像素在单位球内；n表示属于ωin的像素出现的频率。

23、其中，所述的在处理后图像上标定作为增长起点的种子点，具体方法为：

24、s51：对处理后图像进行像素点扫描， 以代表颅骨的外部轮廓的外边缘为裁剪线，对所述处理后图像进行裁剪，将裁剪线内的像素作为裁剪图像。

25、s52：在所述裁剪图像中，查找不属于外部轮廓并具有最多灰度值为0的像素点构成的色块连通域，为参考块域，记录参考块域边缘像素点的坐标值。

26、s53：通过参考块域边缘像素点的坐标值对映到灰度图中，查找到灰度图中与参考块域边缘邻接的纵向与横向任意一个方向的间距为n个像素点以内的，且不属于参考块域内的所有像素点中的最大灰度值的像素点，并组成标记块域，通过坐标选出标记块域中心的像素点为第一像素点，查找到距离第一像素点最近的参考块域边缘的像素点为第二像素点，第一像素点与第二像素点物理位置的中间点的像素点；即为处理后图像中的作为增长起点的种子点。

27、其中，所述外部轮廓的外边缘查找方式为：

28、对处理后图像进行像素点扫描，查找所有灰度值为0的色块连通域；提取具有最多灰度值为0的像素点构成的色块连通域为代表颅骨的外部轮廓，以外部轮廓的最外边缘的像素点相互连接到形成线，为外部轮廓的外边缘。

29、其中，所述的原图像为如下之一：

30、dicom格式的ct图像；

31、通过dicom格式的ct图像转换成的jpeg原图像、bmp原图像、png原图像、tiff原图像。

32、其中，所述滤波为高斯滤波，其公式为：

33、

34、式中：

35、fg代表高斯滤波函数；x和y是分别是像素点在图像上的空间坐标值，用于定义滤波器的中心位置；γ为高斯滤波的标准偏差；*为卷积运算；fe为卷积运算结果，即滤波后的图像；fi为原始图像。

36、其中，所述的灰度转化使用sigmoid函数，对图像进行灰度转化，得到转化后的图像；

37、并将sigmoid函数中的灰度加强的范围的参数设置为-1.5，灰度加强范围内的中心值参数值设置为0.4。

38、其中，所述的对图像进行二值转化，采用如下方程：

39、fs = {fs ≥ (max(fs)+min(fs)) /θ}

40、式中，fs为经过前3步预处理后的图像，max(fs)代表图像中的最大灰度值，min(fs)代表图像中的最小灰度值，而θ则是用来控制转换的阈值，θ>1；

41、将图像的灰度值在阈值处进行划分，将大于等于该阈值的灰度值转换为1，小于该阈值的灰度值转换为0。

42、本发明的有益效果：

43、本发明通过计算系统自动对ct图像进行分析，可以有效标示出ct图像中血肿区域，以及血肿块与周围正常脑组织边界。

技术特征：

1.基于种子点与区域增长算法的脑出血自动检测系统，包括由存储器、存储器内的逻辑指令、处理器组成的计算机装置；其特征在于，由处理器执行存储器内的逻辑指令时，形成如下处理步骤：

2.如权利要求1所述的基于种子点与区域增长算法的脑出血自动检测系统，其特征在于，所述的在种子点周围的像素点进行4邻域搜索，获得同类点，具体为：

3.如权利要求2所述的基于种子点与区域增长算法的脑出血自动检测系统，其特征在于，所述的生长阈值获得的方法为：

4.如权利要求2所述的基于种子点与区域增长算法的脑出血自动检测系统，其特征在于，在灰度值区别较低的图像中，生长阈值获得的方法为，选择全局与局部相结合的生长阈值规则，公式如下：

5.根据权利要求1所述的基于种子点与区域增长算法的脑出血自动检测系统，其特征在于，所述的在处理后图像上标定作为增长起点的种子点，具体方法为：

6.权利要求5所述的基于种子点与区域增长算法的脑出血自动检测系统，其特征在于，所述外部轮廓的外边缘查找方式为：

7.根据权利要求1所述的基于种子点与区域增长算法的脑出血自动检测系统，其特征在于，所述的原图像为如下之一：

8.根据权利要求1所述的基于种子点与区域增长算法的脑出血自动检测系统，其特征在于，

9.根据权利要求1所述的基于种子点与区域增长算法的脑出血自动检测系统，其特征在于，

10.根据权利要求1所述的基于种子点与区域增长算法的脑出血自动检测系统，其特征在于，所述的对图像进行二值转化，采用如下方程：

技术总结
本发明为基于种子点与区域增长算法的脑出血自动检测系统，涉及到计算机技术，系统工作时，先是对导入颅脑横断面医学原图像进行滤波、灰度转化、二值转换处理，然后图像上标定作为增长起点的种子点，在增长起点的种子点周围的像素点进行4邻域搜索，获得同类点，并纳入种点区域并设置为新的种子点，并在新的种子点周围搜索继续获得同类点，合并种点区域即为脑出血图像区域。本发明通过计算系统自动对CT图像进行分析，可以有效标示出CT图像中血肿区域，以及血肿块与周围正常脑组织边界。

技术研发人员：曾意淼,王晓宇,曹祺,朱慧莉,赵杰祎,杜思宇,马晓璞,陈伟,游潮
受保护的技术使用者：四川大学华西医院
技术研发日：
技术公布日：2024/8/15