初衷

最近比較閑，跟同學聊天講到他的課題：醫(yī)學圖像分割，提取左心室區(qū)域。

我就好奇要了原始圖片，發(fā)現超聲圖像果然比紅外圖像分辨率低，他指給我左心室所在區(qū)域。

思路

拿到這張圖第一眼，腦海里蹦出無數個小想法：

• 感興趣區(qū)域為一個扇形，所以首先制作掩模；
• 這種灰度分級模糊的圖像，若想分類，可以試試Kmeans，或者直接用閾值分割；
• 后續(xù)可以分析特征，通過邊界跟蹤一類得到。

具體流程

• 1、原圖通過k_means二分類，并得到二值分割圖；
• 2、形態(tài)學處理將粘連區(qū)域拆分，去除連通區(qū)域內部空洞；
• 3、掩模后只保留扇形內數據；
• 4、提取輪廓并以面積為評估對象做篩選；
• 5、歐式距離為評估對象，后續(xù)維護好目標跟蹤。（在后續(xù)分析視頻序列時，發(fā)現其實目標位置基本不會大的變化，只是在形狀發(fā)生變化，因此可以借助歐式距離跟蹤）

制作扇形掩模

查找opencv并沒有現成的繪制扇形函數，只有手動繪制了。
大概思路為：

• 1、繪制扇形的圓弧；
• 2、繪制兩條半徑，繪制半徑需要知道角點，所以牽扯些許三角函數的計算。

嘗試參數后，代碼如下：

//生成扇形輪廓,角度 void get_fans(Mat &img,cv::Point center,double angle, int radius) {ellipse(img, center, cv::Size(radius, radius), 0, 90 - angle / 2, 90 + angle / 2, Scalar(255, 255, 255), 3, 8);//計算扇形頂點坐標，先計算弦長和高int chord_len = radius*sin(angle*3.14 / (2 * 180));int height = radius*cos(angle*3.14 / (2 * 180));//一左一右，中心點加偏移量即為頂點坐標cv::Point corner_1 = center + cv::Point(-chord_len, height);cv::Point corner_2 = center + cv::Point(chord_len, height);line(img, center, corner_1, Scalar(255, 255, 255), 3, 8);line(img, center, corner_2, Scalar(255, 255, 255), 3, 8);}

朋友只需要根據參數調整，就能得到他們項目所需要的掩模。這個程序只是生成一張扇形的輪廓，生成掩模，還需要提取輪廓重新繪制，并將內部填充。
這部分代碼如下：

get_fans(maskImage, cv::Point(520, 0), 77.4, 806);vector<vector<cv::Point> > contours;//查找輪廓 vector<cv::Vec4i> hierarchy;//輪廓需要findContours(maskImage, contours, hierarchy, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_SIMPLE, Point(0, 0));maskImage = cv::Mat::zeros(cv::Size(srcImage.cols, srcImage.rows), CV_8UC1);//繪制自定義掩模，CV_FILLED表示完全填充內部drawContours(maskImage, contours, -1, cv::Scalar::all(255), CV_FILLED);

完整代碼就不分享了，借用Kmeans在分類時存在需要不定時反色情形，在對視頻序列處理時，直接閾值化后效果也不錯。
Kmeans效果還是有那么點的：

總結

以上是生活随笔為你收集整理的opencv用于医学图像分割的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。