Phân đoạn hình ảnh CT của gan dựa trên diện tích trồng
Hội nghị quốc tế lần thứ 5 về vật liệu và công nghệ tiên tiến (AEMT 2015)
Từ khóa: Chụp ảnh gan; Phương pháp phát triển vùng; Mở rộng và xói mòn; Hình ảnh phân đoạn gan
Trừu tượng.
Dựa trên sự tương quan liên tục của hình ảnh CT của gan, trong bài viết này, dựa trên hình thái và sự ăn mòn rộng rãi, chúng tôi đề xuất một phương pháp phân đoạn hình ảnh CT dựa trên thuật toán phát triển vùng. Tiền xử lý tiền xử lý tiền xử lý [1], và sau đó một hình ảnh được chọn, và thuật toán phát triển vùng được áp dụng để xác định phân mảnh nhu mô. Chúng tôi áp dụng việc mở rộng và ăn mòn để xử lý các kết quả phân đoạn. Sau đó, chúng tôi lấy nó làm nơi sinh sản của bức tranh tiếp theo. Cuối cùng, chúng tôi đã hoàn thành tất cả các phân đoạn hình ảnh CT của gan. Kết quả thử nghiệm cho thấy rằng phương pháp này có hiệu quả có thể tiến hành các phân đoạn của hình ảnh chuỗi gan, và điền vào các phân đoạn sau của chuỗi rỗng, làm giảm đáng kể tương tác của người dùng.
Giới thiệu
Gan CT vẫn là phương pháp chính mà bác sĩ chẩn đoán bệnh gan. Đặc biệt trong những năm gần đây, với sự phát triển của công nghệ hình ảnh y học và công nghệ xử lý hình ảnh máy tính, kết hợp với công nghệ tái tạo 3D, thiết lập các mô hình ảo cho gan Rất thuận tiện cho việc chẩn đoán của bác sĩ [2]. Phân đoạn hình ảnh chính xác và chính xác là Nền tảng thiết lập mô hình gan ảo. Sử dụng 64 lớp xoắn ốc cuộn để quét gan Tạo ra 200 đến 300 bản sao CT. Vì vậy, điều này cần để có thể nhanh chóng và ít tương tác với một nhóm các phân đoạn của chuỗi hình ảnh CT. Sau đó, chúng tôi nhận được một tập hợp các kết quả phân đoạn và chúng tôi có thể Mô hình hóa mô hình gan của bệnh nhân bằng cách sử dụng công nghệ tái sinh 3-d [3].
Ở nhà và ở nước ngoài có nhiều phương pháp phân đoạn gan dựa trên hình ảnh CT, chẳng hạn như phân đoạn ngưỡng, phát triển vùng, phương pháp thiết lập mức và ranh giới, vv [4]. Bởi vì cấu trúc gan rất phức tạp và tiếng ồn chắc chắn được tạo ra trong hình ảnh CT phân đoạn CT hình ảnh của gan thường sản xuất quá phân đoạn hoặc phân đoạn. Vì vậy, Hầu hết các phương pháp nghiên cứu đang cải thiện phương pháp hiện có hoặc kết hợp các phương pháp khác nhau Phương pháp và tất cả các hoạt động tiền xử lý và sau điều trị [5].
Trong bài báo này, theo đặc điểm của kết quả phân đoạn hình ảnh đơn gan, kết hợp với phương pháp giãn nở hình thái và ăn mòn, bài báo này đề xuất phương pháp phân đoạn chuỗi hình ảnh của gan dựa trên thuật toán phát triển vùng. Bởi vì trong hình ảnh chuỗi CT của gan, có tồn tại một mối tương quan giữa hai hình ảnh liền kề, và cả hai khu vực gan là gần như nhau, và các giá trị màu xám hình ảnh là gần tương tự [6]. Vì vậy, chúng tôi có thể nhận được khu vực thô của hình ảnh liền kề thông qua quá trình mở rộng và ăn mòn của hình ảnh phân đoạn. Lấy kết quả xử lý ăn mòn như là một phần phân đoạn của các hình ảnh liền kề sau đó như là một điểm hạt giống tiếp tục phân đoạn. Việc mở rộng xử lý đạt được đường viền lớn nhất của hình ảnh liền kề. Nó không chỉ có thể cải thiện tốc độ phân đoạn, mà còn có thể giảm hiện tượng phân đoạn quá mức và theo phân đoạn.
Mở rộng và ăn mòn
Trong phương pháp tính toán hình thái học, mở rộng và biến đổi ăn mòn là hoạt động phổ biến nhất [7]. Chúng được xây dựng trong nền tảng của tổng hợp Minkowski tổng hợp và sự khác biệt, và nó là nền tảng của tất cả các biến đổi hình thái phức tạp [8]. Trong bài báo này, theo đặc điểm của hình ảnh gan, và để tránh tình trạng mở rộng quá mức khi hình ảnh màu xám mở rộng. Chúng ta chọn toán tử cấu trúc phẳng vuông [9], và chiều dài là 3, và ma trận toán tử như sau:
1 1 1
1 1 1
1 1 1
Thông qua nhà điều hành cấu trúc 3 3 ở trên, tiến hành xử lý mở rộng cho hình ảnh. Lấy giá trị tối đa của các giá trị pixel của tất cả các điểm để gán trong phạm vi 3 3 của điểm [10]; Tiến hành xử lý ăn mòn cho hình ảnh. Lấy giá trị nhỏ nhất của các giá trị pixel của tất cả các điểm để gán trong vùng lân cận 3 * 3 của điểm [10].
Trong ảnh được phân đoạn, vùng gan sẽ tạo ra "trống". Thông thường nó được gây ra bởi tiếng ồn mạnh, và nó sẽ ảnh hưởng đến kết quả của phân đoạn, và nó cũng sẽ có tác động đáng kể đến phân đoạn chuỗi tiếp theo và tái tạo 3-d [1]. Để tránh hiện tượng này, trước tiên giấy này đổ đầy "rỗng" thông qua việc mở rộng, sau đó loại bỏ phần mở rộng cạnh mặc dù bị ăn mòn. Biểu đồ dòng chảy của việc lấp đầy hình ảnh thông qua việc mở rộng và ăn mòn được thể hiện trong Hình 1.
Đọc hình ảnh gốc
tạo toán tử cấu trúc
xử lý mở rộng hình thái
xử lý ăn mòn hình thái
phân cực xử lý hình ảnh đã hoàn thành xử lý và nhân hình ảnh gốc
lấy hình ảnh đã hoàn thành
Figure 1 : Biểu đồ lưu lượng hình ảnh
Phân đoạn chuỗi hình ảnh CT của gan
Trong bài báo này, chúng tôi nghiên cứu phân đoạn chuỗi hình ảnh gan dựa trên vùng phân đoạn hình ảnh đơn gan và sử dụng hình thái ăn mòn của hình ảnh nhị phân và tương quan của các hình ảnh lân cận nhận ra phân đoạn cho toàn bộ hình ảnh chuỗi nhóm.
Một phân đoạn duy nhất chủ yếu sử dụng thuật toán phát triển vùng. Thuật toán tạo thành vùng bằng cách tập hợp các pixel với một điểm tương đồng nhất định [11]. Lúc đầu tìm thấy một hoặc nhiều điểm hạt giống trong khu vực cần phân đoạn, sau đó mở rộng đến xung quanh thông qua các điểm hạt giống và hợp nhất điểm đáp ứng các điều kiện. Và lấy điểm mới sáp nhập làm điểm ảnh mới và tiếp tục phát triển xung quanh cho đến khi không có nhiều pixel hơn đáp ứng các điều kiện ràng buộc có thể được bao gồm [12]. Trong quy tắc tăng trưởng của thuật toán phát triển vùng, nói chung nó chủ yếu phụ thuộc vào hai tham số: độ xám trung bình và độ lệch chuẩn [13]. Bài viết này sử dụng công thức (1) như một điều kiện ràng buộc:
(1)
Trong số đó:
m là độ xám trung bình cục bộ và là giá trị trung bình của tất cả các điểm ảnh trong vùng mở rộng,
điểm s, là độ lệch chuẩn cho vùng đích,
λ là tham số có thể điều chỉnh và được sử dụng để kiểm soát tính đồng nhất của
Ngưỡng tương tự giữa các pixel và tham gia các pixel lân cận gặp công thức vào vùng hạt giống
Sự tương quan của hình ảnh liền kề cho thấy trung bình thang độ xám của hình ảnh lân cận phần gan giống nhau và phương sai gần nhau, và kích thước và vị trí của gan tương tự [14], vì vậy chúng tôi có thể sử dụng dữ liệu của hình ảnh được phân đoạn trước đó làm tham số phân đoạn của thuật toán phát triển vùng tiếp theo [15]. Đồng thời, chúng tôi có thể sử dụng mở rộng và ăn mòn để ngăn chặn hiệu quả hình ảnh trên phân đoạn và theo hiện tượng phân đoạn. Trong quá trình egmentation, vì sự lưu loát của các điểm tiếng ồn, hình ảnh có thể tách ra các phụ tùng thay thế hoặc ít phân khúc của khu vực gan. Do các vùng hình ảnh lân cận tương tự như vậy, chúng ta có thể sử dụng hình ảnh phân đoạn phía trước để xác định phạm vi gần đúng bằng cách mở rộng, do đó loại bỏ phần dưới phân đoạn. Do lấy hình ảnh phân đoạn cũ sau khi ăn mòn như hạt giống của điểm tiếp theo, những điểm hạt giống này, trên thực tế, đã bao gồm phần lớn diện tích gan. Một mặt, số điểm hạt giống có thể tăng độ chính xác của phân khúc, mặt khác, như một điểm hạt giống, hầu hết phạm vi gan của hình ảnh đã được phân đoạn, do đó nó làm giảm đáng kể hiện tượng phân đoạn dưới. Để làm cho hiệu ứng phân đoạn hình ảnh chuỗi tốt nhất, trước tiên, chọn hình ảnh có diện tích lớn nhất mà khu vực gan chiếm toàn bộ bụng (thường là hình ảnh có số sê-ri ở giữa) để phân đoạn. Tự thực hiện việc sửa chữa và điền hình ảnh của hình ảnh được phân đoạn, và sau đó tiến hành mở rộng và xử lý ăn mòn về các kết quả phân đoạn. Sau khi khu vực gan tiến hành ăn mòn nhiều lần, chúng tôi lấy nó làm điểm hạt của phân đoạn hình ảnh tiếp theo (càng có nhiều điểm hạt, hiệu ứng phân đoạn càng tốt, tốc độ phân đoạn càng nhanh), sau đó tiến hành phân đoạn hình ảnh liền kề. Sau khi khu vực gan tiến hành nhiều lần mở rộng, là phạm vi lớn nhất trong hình ảnh tiếp theo, và kết hợp thiết lập với kết quả phân đoạn và loại bỏ phần quá phân đoạn. Sau khi kết thúc phân đoạn như vậy, sau đó lặp lại quy trình trên, cho đến khi phân đoạn đến hình ảnh đầu tiên hoặc hình ảnh cuối cùng hoặc kết thúc cho đến khi kết quả phân đoạn nhỏ hơn một phạm vi nhất định. Điều này hoàn thành toàn bộ phân đoạn nhóm của hình ảnh gan. Biểu đồ dòng chảy của phân đoạn chuỗi được thể hiện trong hình 2:
Khởi đầu
Chọn hình ảnh với diện tích lớn nhất mà khu vực gan chiếm toàn bộ bụng
Phân đoạn hình ảnh đơn gan (tham số phân đoạn lưu trữ)
Sửa chữa kết quả phân đoạn theo cách thủ công
Đường viền kết quả phân đoạn co lại, sau đó nhận tập hợp hạt giống
Đối với Hình ảnh tiếp theo, hãy tiến hành phân đoạn phát triển theo vùng và sau đó điền vào
Cho dù đó là hình ảnh đầu tiên hoặc cuối cùng
Kết thúc
Hình 2 Biểu đồ lưu lượng của phân đoạn chuỗi gan
Kết quả và phân tích thử nghiệm
(a) Hình ảnh gốc
(b) Hình ảnh phân đoạn
(c) Mở rộng sau khi phân đoạn
(d) Mở rộng đầu tiên sau đó ăn mòn
Hình 3 Hình ảnh gốc và hình ảnh phân đoạn và so sánh hình ảnh sau khi mở rộng và xử lý ăn mòn với hình ảnh phân đoạn Chúng tôi nhận được Hình 3- (b) sau khi phân đoạn hình ảnh gốc 3- (a) theo thuật toán phát triển vùng. Chúng ta có thể thấy rõ rằng có một lượng lớn "rỗng" trong hình 3 (b).
Chúng tôi nhận được Hình 3- (c) sau khi xử lý mở rộng của hình ảnh nhị phân. Nó có hiệu quả lấp đầy "trống rỗng" trong khu vực gan. Nhưng vì hoạt động mở rộng, tồn tại vấn đề mở rộng cạnh, làm cho đường viền của vùng gan không chính xác. Chúng tôi nhận được Figure3- (d) sau sự ăn mòn của hình ảnh mở rộng. Từ hình 3- (d), chúng ta có thể thấy rõ rằng "trống" trong hình ảnh gốc được điền đầy đủ, nhưng cạnh hình ảnh không được kéo dài. Thông qua việc mở rộng đầu tiên sau đó phương pháp ăn mòn của hình ảnh ban đầu, chúng tôi không chỉ có thể điền vào "trống" trong hình ảnh ban đầu, nhưng cũng có thể tránh việc mở rộng các phác thảo cạnh hình ảnh, đạt hiệu quả hoàn hảo.
(a) Hình ảnh gốc
(b) Trên hình ảnh phân đoạn
(c) Kết quả phân đoạn cuối cùng
Hình 4 Hình ảnh gốc và phân đoạn quá mức và so sánh kết quả phân đoạn cuối cùng
Chúng tôi nhận được hình 4 - (b) sau khi phân đoạn hình ảnh gốc 4 - (a) theo thuật toán phát triển vùng. Chúng ta rõ ràng có thể thấy rằng hình ảnh tạo ra hiện tượng quá phân đoạn bị ảnh hưởng bởi tiếng ồn. Hình 4- (c) ngăn chặn hiệu quả các hiện tượng phân đoạn quá mức và điền vào "rỗng" bằng cách mở rộng và ăn mòn.
Nghiên cứu này cũng sử dụng thêm cửa sổ, bộ lọc dị hướng thích ứng và thuật toán phân đoạn hình ảnh phát triển theo vùng dựa trên RBF-CI, và mở rộng và ăn mòn. Nghiên cứu này nhận ra phân đoạn chuỗi hình ảnh của gan dựa trên thuật toán phát triển vùng được cải thiện. Hình 5 là kết quả phân đoạn của một nhóm chuỗi ảnh CT của gan.
Hình 5 Phân đoạn chuỗi hình ảnh gan
Tóm lược
Trong bài báo này, dựa trên công nghệ cửa sổ và xử lý denoising, theo nhu cầu của phân đoạn chuỗi hình ảnh gan, phương pháp phân đoạn chuỗi hình ảnh gan được nghiên cứu. Đối với các kết quả phân đoạn ảnh đơn, trước tiên chúng ta sử dụng mở rộng sau đó là sự ăn mòn của phương pháp điền để giảm hiệu ứng nhiễu ảnh mạnh lên kết quả phân đoạn và kết hợp với thuật toán phát triển vùng truyền thống để đạt được phân đoạn chuỗi hình ảnh tự động. Kết quả thực nghiệm cho thấy kết quả phân đoạn của phương pháp phân đoạn hình ảnh chuỗi được đề xuất có thể đáp ứng các yêu cầu của mô hình 3 chiều và làm giảm đáng kể lượng tương tác của người dùng. Do phân đoạn tự động của công nghệ hình ảnh chuỗi gan không đủ chín chắn và tính toán chính xác kết quả phân đoạn cần hợp tác của các chuyên gia y tế để đạt được, vì vậy bài viết này chỉ xác định hiệu ứng phân đoạn là tốt hay xấu theo hiệu ứng hình ảnh của phân khúc các kết quả. Không có nghiên cứu tính toán định lượng nào về độ chính xác phân đoạn thuật toán, và đây cũng là nghiên cứu tiếp theo của chúng tôi.
Phân đoạn hình ảnh CT của gan dựa trên diện tích trồng
Hội nghị quốc tế lần thứ 5 về vật liệu và công nghệ tiên tiến (AEMT 2015)
Từ khóa: Chụp ảnh gan; Phương pháp phát triển vùng; Mở rộng và xói mòn; Hình ảnh phân đoạn gan
Trừu tượng. Dựa trên sự tương quan liên tục của hình ảnh CT của gan, trong bài viết này, dựa trên hình thái và sự ăn mòn rộng rãi, chúng tôi đề xuất một phương pháp phân đoạn hình ảnh CT dựa trên thuật toán phát triển vùng. Tiền xử lý tiền xử lý tiền xử lý [1], và sau đó một hình ảnh được chọn, và thuật toán phát triển vùng được áp dụng để xác định phân mảnh nhu mô. Chúng tôi áp dụng việc mở rộng và ăn mòn để xử lý các kết quả phân đoạn. Sau đó, chúng tôi lấy nó làm nơi sinh sản của bức tranh tiếp theo. Cuối cùng, chúng tôi đã hoàn thành tất cả các phân đoạn hình ảnh CT của gan. Kết quả thử nghiệm cho thấy rằng phương pháp này có hiệu quả có thể tiến hành các phân đoạn của hình ảnh chuỗi gan, và điền vào các phân đoạn sau của chuỗi rỗng, làm giảm đáng kể tương tác của người dùng.
Giới thiệu Gan CT vẫn là phương pháp chính mà bác sĩ chẩn đoán bệnh gan. Đặc biệt trong những năm gần đây, với sự phát triển của công nghệ hình ảnh y học và công nghệ xử lý hình ảnh máy tính, kết hợp với công nghệ tái tạo 3D, thiết lập các mô hình ảo cho gan Rất thuận tiện cho việc chẩn đoán của bác sĩ [2]. Phân đoạn hình ảnh chính xác và chính xác là Nền tảng thiết lập mô hình gan ảo. Sử dụng 64 lớp xoắn ốc cuộn để quét gan Tạo ra 200 đến 300 bản sao CT. Vì vậy, điều này cần để có thể nhanh chóng và ít tương tác với một nhóm các phân đoạn của chuỗi hình ảnh CT. Sau đó, chúng tôi nhận được một tập hợp các kết quả phân đoạn và chúng tôi có thể Mô hình hóa mô hình gan của bệnh nhân bằng cách sử dụng công nghệ tái sinh 3-d [3]. Ở nhà và ở nước ngoài có nhiều phương pháp phân đoạn gan dựa trên hình ảnh CT, chẳng hạn như phân đoạn ngưỡng, phát triển vùng, phương pháp thiết lập mức và ranh giới, vv [4]. Bởi vì cấu trúc gan rất phức tạp và tiếng ồn chắc chắn được tạo ra trong hình ảnh CT phân đoạn CT hình ảnh của gan thường sản xuất quá phân đoạn hoặc phân đoạn. Vì vậy, Hầu hết các phương pháp nghiên cứu đang cải thiện phương pháp hiện có hoặc kết hợp các phương pháp khác nhau Phương pháp và tất cả các hoạt động tiền xử lý và sau điều trị [5]. Trong bài báo này, theo đặc điểm của kết quả phân đoạn hình ảnh đơn gan, kết hợp với phương pháp giãn nở hình thái và ăn mòn, bài báo này đề xuất phương pháp phân đoạn chuỗi hình ảnh của gan dựa trên thuật toán phát triển vùng. Bởi vì trong hình ảnh chuỗi CT của gan, có tồn tại một mối tương quan giữa hai hình ảnh liền kề, và cả hai khu vực gan là gần như nhau, và các giá trị màu xám hình ảnh là gần tương tự [6]. Vì vậy, chúng tôi có thể nhận được khu vực thô của hình ảnh liền kề thông qua quá trình mở rộng và ăn mòn của hình ảnh phân đoạn. Lấy kết quả xử lý ăn mòn như là một phần phân đoạn của các hình ảnh liền kề sau đó như là một điểm hạt giống tiếp tục phân đoạn. Việc mở rộng xử lý đạt được đường viền lớn nhất của hình ảnh liền kề. Nó không chỉ có thể cải thiện tốc độ phân đoạn, mà còn có thể giảm hiện tượng phân đoạn quá mức và theo phân đoạn.
Mở rộng và ăn mòn Trong phương pháp tính toán hình thái học, mở rộng và biến đổi ăn mòn là hoạt động phổ biến nhất [7]. Chúng được xây dựng trong nền tảng của tổng hợp Minkowski tổng hợp và sự khác biệt, và nó là nền tảng của tất cả các biến đổi hình thái phức tạp [8]. Trong bài báo này, theo đặc điểm của hình ảnh gan, và để tránh tình trạng mở rộng quá mức khi hình ảnh màu xám mở rộng. Chúng ta chọn toán tử cấu trúc phẳng vuông [9], và chiều dài là 3, và ma trận toán tử như sau: 1 1 1 1 1 1 1 1 1 Thông qua nhà điều hành cấu trúc 3 3 ở trên, tiến hành xử lý mở rộng cho hình ảnh. Lấy giá trị tối đa của các giá trị pixel của tất cả các điểm để gán trong phạm vi 3 3 của điểm [10]; Tiến hành xử lý ăn mòn cho hình ảnh. Lấy giá trị nhỏ nhất của các giá trị pixel của tất cả các điểm để gán trong vùng lân cận 3 * 3 của điểm [10]. Trong ảnh được phân đoạn, vùng gan sẽ tạo ra "trống". Thông thường nó được gây ra bởi tiếng ồn mạnh, và nó sẽ ảnh hưởng đến kết quả của phân đoạn, và nó cũng sẽ có tác động đáng kể đến phân đoạn chuỗi tiếp theo và tái tạo 3-d [1]. Để tránh hiện tượng này, trước tiên giấy này đổ đầy "rỗng" thông qua việc mở rộng, sau đó loại bỏ phần mở rộng cạnh mặc dù bị ăn mòn. Biểu đồ dòng chảy của việc lấp đầy hình ảnh thông qua việc mở rộng và ăn mòn được thể hiện trong Hình 1.
Đọc hình ảnh gốc tạo toán tử cấu trúc xử lý mở rộng hình thái xử lý ăn mòn hình thái phân cực xử lý hình ảnh đã hoàn thành xử lý và nhân hình ảnh gốc lấy hình ảnh đã hoàn thành
Figure 1 : Biểu đồ lưu lượng hình ảnh
Phân đoạn chuỗi hình ảnh CT của gan Trong bài báo này, chúng tôi nghiên cứu phân đoạn chuỗi hình ảnh gan dựa trên vùng phân đoạn hình ảnh đơn gan và sử dụng hình thái ăn mòn của hình ảnh nhị phân và tương quan của các hình ảnh lân cận nhận ra phân đoạn cho toàn bộ hình ảnh chuỗi nhóm. Một phân đoạn duy nhất chủ yếu sử dụng thuật toán phát triển vùng. Thuật toán tạo thành vùng bằng cách tập hợp các pixel với một điểm tương đồng nhất định [11]. Lúc đầu tìm thấy một hoặc nhiều điểm hạt giống trong khu vực cần phân đoạn, sau đó mở rộng đến xung quanh thông qua các điểm hạt giống và hợp nhất điểm đáp ứng các điều kiện. Và lấy điểm mới sáp nhập làm điểm ảnh mới và tiếp tục phát triển xung quanh cho đến khi không có nhiều pixel hơn đáp ứng các điều kiện ràng buộc có thể được bao gồm [12]. Trong quy tắc tăng trưởng của thuật toán phát triển vùng, nói chung nó chủ yếu phụ thuộc vào hai tham số: độ xám trung bình và độ lệch chuẩn [13]. Bài viết này sử dụng công thức (1) như một điều kiện ràng buộc: (1) Trong số đó: m là độ xám trung bình cục bộ và là giá trị trung bình của tất cả các điểm ảnh trong vùng mở rộng, điểm s, là độ lệch chuẩn cho vùng đích, λ là tham số có thể điều chỉnh và được sử dụng để kiểm soát tính đồng nhất của Ngưỡng tương tự giữa các pixel và tham gia các pixel lân cận gặp công thức vào vùng hạt giống
Sự tương quan của hình ảnh liền kề cho thấy trung bình thang độ xám của hình ảnh lân cận phần gan giống nhau và phương sai gần nhau, và kích thước và vị trí của gan tương tự [14], vì vậy chúng tôi có thể sử dụng dữ liệu của hình ảnh được phân đoạn trước đó làm tham số phân đoạn của thuật toán phát triển vùng tiếp theo [15]. Đồng thời, chúng tôi có thể sử dụng mở rộng và ăn mòn để ngăn chặn hiệu quả hình ảnh trên phân đoạn và theo hiện tượng phân đoạn. Trong quá trình egmentation, vì sự lưu loát của các điểm tiếng ồn, hình ảnh có thể tách ra các phụ tùng thay thế hoặc ít phân khúc của khu vực gan. Do các vùng hình ảnh lân cận tương tự như vậy, chúng ta có thể sử dụng hình ảnh phân đoạn phía trước để xác định phạm vi gần đúng bằng cách mở rộng, do đó loại bỏ phần dưới phân đoạn. Do lấy hình ảnh phân đoạn cũ sau khi ăn mòn như hạt giống của điểm tiếp theo, những điểm hạt giống này, trên thực tế, đã bao gồm phần lớn diện tích gan. Một mặt, số điểm hạt giống có thể tăng độ chính xác của phân khúc, mặt khác, như một điểm hạt giống, hầu hết phạm vi gan của hình ảnh đã được phân đoạn, do đó nó làm giảm đáng kể hiện tượng phân đoạn dưới. Để làm cho hiệu ứng phân đoạn hình ảnh chuỗi tốt nhất, trước tiên, chọn hình ảnh có diện tích lớn nhất mà khu vực gan chiếm toàn bộ bụng (thường là hình ảnh có số sê-ri ở giữa) để phân đoạn. Tự thực hiện việc sửa chữa và điền hình ảnh của hình ảnh được phân đoạn, và sau đó tiến hành mở rộng và xử lý ăn mòn về các kết quả phân đoạn. Sau khi khu vực gan tiến hành ăn mòn nhiều lần, chúng tôi lấy nó làm điểm hạt của phân đoạn hình ảnh tiếp theo (càng có nhiều điểm hạt, hiệu ứng phân đoạn càng tốt, tốc độ phân đoạn càng nhanh), sau đó tiến hành phân đoạn hình ảnh liền kề. Sau khi khu vực gan tiến hành nhiều lần mở rộng, là phạm vi lớn nhất trong hình ảnh tiếp theo, và kết hợp thiết lập với kết quả phân đoạn và loại bỏ phần quá phân đoạn. Sau khi kết thúc phân đoạn như vậy, sau đó lặp lại quy trình trên, cho đến khi phân đoạn đến hình ảnh đầu tiên hoặc hình ảnh cuối cùng hoặc kết thúc cho đến khi kết quả phân đoạn nhỏ hơn một phạm vi nhất định. Điều này hoàn thành toàn bộ phân đoạn nhóm của hình ảnh gan. Biểu đồ dòng chảy của phân đoạn chuỗi được thể hiện trong hình 2:
Khởi đầu Chọn hình ảnh với diện tích lớn nhất mà khu vực gan chiếm toàn bộ bụng Phân đoạn hình ảnh đơn gan (tham số phân đoạn lưu trữ) Sửa chữa kết quả phân đoạn theo cách thủ công Đường viền kết quả phân đoạn co lại, sau đó nhận tập hợp hạt giống Đối với Hình ảnh tiếp theo, hãy tiến hành phân đoạn phát triển theo vùng và sau đó điền vào Cho dù đó là hình ảnh đầu tiên hoặc cuối cùng Kết thúc
Hình 2 Biểu đồ lưu lượng của phân đoạn chuỗi gan Kết quả và phân tích thử nghiệm
(a) Hình ảnh gốc (b) Hình ảnh phân đoạn (c) Mở rộng sau khi phân đoạn (d) Mở rộng đầu tiên sau đó ăn mòn Hình 3 Hình ảnh gốc và hình ảnh phân đoạn và so sánh hình ảnh sau khi mở rộng và xử lý ăn mòn với hình ảnh phân đoạn Chúng tôi nhận được Hình 3- (b) sau khi phân đoạn hình ảnh gốc 3- (a) theo thuật toán phát triển vùng. Chúng ta có thể thấy rõ rằng có một lượng lớn "rỗng" trong hình 3 (b). Chúng tôi nhận được Hình 3- (c) sau khi xử lý mở rộng của hình ảnh nhị phân. Nó có hiệu quả lấp đầy "trống rỗng" trong khu vực gan. Nhưng vì hoạt động mở rộng, tồn tại vấn đề mở rộng cạnh, làm cho đường viền của vùng gan không chính xác. Chúng tôi nhận được Figure3- (d) sau sự ăn mòn của hình ảnh mở rộng. Từ hình 3- (d), chúng ta có thể thấy rõ rằng "trống" trong hình ảnh gốc được điền đầy đủ, nhưng cạnh hình ảnh không được kéo dài. Thông qua việc mở rộng đầu tiên sau đó phương pháp ăn mòn của hình ảnh ban đầu, chúng tôi không chỉ có thể điền vào "trống" trong hình ảnh ban đầu, nhưng cũng có thể tránh việc mở rộng các phác thảo cạnh hình ảnh, đạt hiệu quả hoàn hảo.
(a) Hình ảnh gốc (b) Trên hình ảnh phân đoạn (c) Kết quả phân đoạn cuối cùng Hình 4 Hình ảnh gốc và phân đoạn quá mức và so sánh kết quả phân đoạn cuối cùng Chúng tôi nhận được hình 4 - (b) sau khi phân đoạn hình ảnh gốc 4 - (a) theo thuật toán phát triển vùng. Chúng ta rõ ràng có thể thấy rằng hình ảnh tạo ra hiện tượng quá phân đoạn bị ảnh hưởng bởi tiếng ồn. Hình 4- (c) ngăn chặn hiệu quả các hiện tượng phân đoạn quá mức và điền vào "rỗng" bằng cách mở rộng và ăn mòn. Nghiên cứu này cũng sử dụng thêm cửa sổ, bộ lọc dị hướng thích ứng và thuật toán phân đoạn hình ảnh phát triển theo vùng dựa trên RBF-CI, và mở rộng và ăn mòn. Nghiên cứu này nhận ra phân đoạn chuỗi hình ảnh của gan dựa trên thuật toán phát triển vùng được cải thiện. Hình 5 là kết quả phân đoạn của một nhóm chuỗi ảnh CT của gan.
Hình 5 Phân đoạn chuỗi hình ảnh gan Tóm lược Trong bài báo này, dựa trên công nghệ cửa sổ và xử lý denoising, theo nhu cầu của phân đoạn chuỗi hình ảnh gan, phương pháp phân đoạn chuỗi hình ảnh gan được nghiên cứu. Đối với các kết quả phân đoạn ảnh đơn, trước tiên chúng ta sử dụng mở rộng sau đó là sự ăn mòn của phương pháp điền để giảm hiệu ứng nhiễu ảnh mạnh lên kết quả phân đoạn và kết hợp với thuật toán phát triển vùng truyền thống để đạt được phân đoạn chuỗi hình ảnh tự động. Kết quả thực nghiệm cho thấy kết quả phân đoạn của phương pháp phân đoạn hình ảnh chuỗi được đề xuất có thể đáp ứng các yêu cầu của mô hình 3 chiều và làm giảm đáng kể lượng tương tác của người dùng. Do phân đoạn tự động của công nghệ hình ảnh chuỗi gan không đủ chín chắn và tính toán chính xác kết quả phân đoạn cần hợp tác của các chuyên gia y tế để đạt được, vì vậy bài viết này chỉ xác định hiệu ứng phân đoạn là tốt hay xấu theo hiệu ứng hình ảnh của phân khúc các kết quả. Không có nghiên cứu tính toán định lượng nào về độ chính xác phân đoạn thuật toán, và đây cũng là nghiên cứu tiếp theo của chúng tôi.