(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211256681.9 (22)申请日 2022.10.14 (65)同一申请的已公布的文献号 申请公布号 CN 115330800 A (43)申请公布日 2022.11.11 (73)专利权人 深圳市亿康医疗技 术有限公司 地址 518000 广东省深圳市宝安区沙 井街 道共和社区裕和路第四工业区A区2栋 101 (72)发明人 郭雷鸣　葛红　 (74)专利代理 机构 郑州芝麻知识产权代理事务 所(普通合伙) 41173 专利代理师 丁伟 (51)Int.Cl. G06T 7/00(2017.01)G06T 7/11(2017.01) G06T 7/13(2017.01) G06T 7/187(2017.01) G06V 10/762(2022.01) 审查员 杨霜雪 (54)发明名称 基于图像处 理的放疗 靶区自动分割方法 (57)摘要 本发明涉及图像处理技术领域， 具体涉及基 于图像处理的放疗靶区自动分割方法。 方法包 括： 根据CT灰度图像的灰度直方图， 得到各像素 点类别； 根据各像素点类别中像素点之间的距 离， 得到各像素点类别对应的各聚类簇的像素点 分布离散度； 根据各聚类簇的像素点分布离散 度， 得到各初始聚类中心点； 根据各初始聚类中 心点对CT灰度图像上的各像素点进行聚类， 得到 各特征聚类簇； 根据特征聚类簇之间的相似性， 得到各目标聚类簇； 根据目标聚类簇中各像素点 的斜率， 得到癌症病变区域。 本发明能够较准确 的确定癌症病变区域， 并且基于得到的癌症病变 区域能够帮助工作人员的确定放疗 靶区。 权利要求书2页 说明书9页 附图1页 CN 115330800 B 2022.12.23 CN 115330800 B 1.基于图像处 理的放疗 靶区自动分割方法， 其特 征在于， 该 方法包括如下步骤： 获取周围型肺癌 患者肺部的CT灰度图像； 根据所述CT灰度图像的灰度直方图， 得到各像素点类别； 对于任一像素点类别， 根据该像素点类别 中像素点之间的距离， 对该像素点类别 中的 各像素点进行聚类， 得到该像素点类别对应的各聚类簇； 根据各像素点类别对应的各聚类簇中各像素点之间的距离， 得到各像素点类别对应的 各聚类簇的像素点分布离 散度； 根据所述各聚类簇的像素点分布离散度， 得到各初始聚类中心点； 根据各初始聚类中 心点和所述CT灰度图像上各像素点的灰度值， 对所述CT灰度图像上的各像素点进行聚类， 得到各特征聚类簇； 根据所述特征聚类簇中各像素点的灰度值， 得到特征聚类簇之间的相似性； 根据特征 聚类簇之间的相似性， 得到各目标聚类簇； 根据目标聚类簇中各像素点的斜 率， 得到癌症病变区域； 根据所述CT灰度图像的灰度直方图， 得到各像素点类别的方法， 包括： 将所述灰度直方图上频数为0的灰度值筛选掉， 并将灰度直方图上剩余的灰度值按照 从小到大的顺序进行排列， 得到灰度值序列； 将灰度值序列中连续的灰度值归为 一个类别， 记为灰度值类别； 对于任一灰度值类别： 判断该灰度值类别中各灰度值出现的频率是否大于预设频率阈 值， 若是， 则将对应灰度值记为该 灰度值类别对应的特 征灰度值； 将该灰度值类别中除特征灰度值之外的各灰度值按照从小到大的顺序进行排序， 得到 第一灰度值序列， 并按照预设长度对第一灰度值序列进行划分， 得到各子灰度值序列； 将特征灰度值对应的各像素点归为一个类别， 记为该灰度值类别对应的像素点类别； 将属于同一个子灰度值序列的各灰度值对应的像素点归为一个类别， 记为该灰度值类别对 应的像素点类别； 根据目标聚类簇中各像素点的斜 率， 得到癌症病变区域的方法， 包括： 利用边缘检测算法提取各目标聚类簇对应的连通域的边缘线， 记为各目标聚类簇对应 的边缘线； 根据各目标聚类簇对应的边缘线上每个像素点的斜率， 得到各目标聚类簇对应的边缘 线的光滑程度； 判断各目标聚类簇对应的边缘线的光滑程度是否大于预设光滑程度阈值， 若是， 则将 对应的目标聚类簇对应的连通 域记为癌症病变区域。 2.如权利要求1所述的基于图像处理 的放疗靶区自动分割方法， 其特征在于， 对于任一 像素点类别对应的任一聚类簇， 根据如下公式计算该聚类簇对应的像素点分布离 散度： 其中， 为该聚类簇对应的像素点分布离散度， T为该聚类簇中的像 素点数量， 为该权　利　要　求　书 1/2 页 2 CN 115330800 B 2聚类簇中的第i个 像素点与第j个 像素点之间的距离， 为组合公式。 3.如权利要求1所述的基于图像处理 的放疗靶区自动分割方法， 其特征在于， 根据 所述 各聚类簇的像素点分布离 散度， 得到各初始聚类中心点的方法， 包括： 对于任一像素点类别对应的各聚类簇： 选取最大像素点分布离散度对应的聚类簇 中的 任意一个像素点作为初始聚类中心。 4.如权利要求1所述的基于图像处理 的放疗靶区自动分割方法， 其特征在于， 根据 所述 特征聚类簇中各像素点的灰度值， 得到特 征聚类簇之间的相似性的方法， 包括： 根据各特征聚类簇中各像素点的灰度值， 得到各特征聚类簇对应的标准差， 以及任意 两个特征聚类簇之间的协方差； 对于任一特征聚类簇： 根据 该特征聚类簇与除该特征聚类簇之外的其它各特征聚类簇 之间的协方差以及各特征聚类簇对应的标准差， 得到该特征聚类簇与除该特征聚类簇之外 的其它各 特征聚类簇之间的相似性。 5.如权利要求4所述的基于图像处理 的放疗靶区自动分割方法， 其特征在于， 根据如下 公式计算该 特征聚类簇与除该 特征聚类簇之外的其它各 特征聚类簇之间的相似性： 其中， 为该特征聚类簇与除该特征聚类簇之外的其它各特征聚类簇中的第b 个特征聚类簇之间的相似性， 为该特征聚类簇， 为除该特征聚类簇之外的其它各特征 聚类簇中的第b个特征聚类簇， 为该特征聚类簇与除该特征聚类簇 之外的其它各特 征聚类簇中的第b个特征聚类簇之间的协方差， 为该特征聚类簇对应 的标准差， 为 除该特征聚类簇之外的其它各 特征聚类簇中的第b个特 征聚类簇的标准差， c为常数。 6.如权利要求4所述的基于图像处理 的放疗靶区自动分割方法， 其特征在于， 根据 特征 聚类簇之间的相似性， 得到各目标聚类簇的方法， 包括： 对于任一特征聚类簇： 将相似性大于预设相似性阈值的特征聚类簇均与该特征聚类簇 进行合并， 将合并之后的聚类簇记为目标聚类簇 。 7.如权利要求1所述的基于图像处理 的放疗靶区自动分割方法， 其特征在于， 对于任一 目标聚类簇， 根据如下公式计算该目标聚类簇对应的边 缘线的光滑程度： 其中， 为该目标聚类簇对应的边缘线的光滑程度， 为该目标聚类簇对应的边缘线 上的第g个 像素点的斜 率的绝对值， G为该目标聚类簇对应的边 缘线上的像素点数量。权　利　要　求　书 2/2 页 3 CN 115330800 B 3