植基于Otsu多值门槛之脑肿瘤自动影像切割课件.pptVIP

LOGO LOGO 指導老師：吳明霓 學生 : 許甄芸 嚴鴻元 LOGO 目錄 導論 1 2 3 4 5 影像處理方法 本文方法 實驗結果 結論與未來展望 LOGO 1. 導論 1 針對腦部腫瘤影像圖，做自動影像切割處理。 為減少人工判讀的時間，並增進醫師的醫療效率 。 LOGO 1. 導論 2 腦部腫瘤影像圖 經由電腦斷層掃描（Computed Tomography, CT）得知一腦部腫瘤影像。 頭蓋骨 大腦縱裂 大腦半球 胼胝體 (Corpus Callosum) 腫瘤 (Tumor) LOGO 2. 影像處理方法 – Otsu’s method 1 Otsu (1979) 所提出，用統計的方法來對其影像之像素分佈來作運算，求取最佳門檻值(Threshold)來二值化，將影像切割變成黑與白，將其背景變成黑的，而要取之範圍為前景則為白色，方便作其它處理。 LOGO 2. 影像處理方法 – Otsu’s method 2 原始圖(a) 經由 Otsu’s method 處理後，可得到(b)之影像。 (a) 原始圖 (b) Otsu二值化 LOGO 3. 本文方法 流程圖： no(S≦1000) yes 去除背景 像素數量直方圖之計算 Otsu方法，作四次分群 二值化 套入原始圖 S 1000 Otsu方法，作三次分群 LOGO 3.1 去除背景階段 12 20 25 23 17 23 100 30 122 22 10 124 75 100 20 11 85 92 86 18 9 7 18 10 11 原始影像(5x5)-水平 交集後 經比對後，可得到背景相同部分(紫色部分)。 原始影像(5x5)-垂直 12 20 25 23 17 23 100 30 122 22 10 124 75 100 20 11 85 92 86 18 9 7 18 10 11 12 20 25 23 17 23 100 30 122 22 10 124 75 100 20 11 85 92 86 18 9 7 100 10 11 |23-100|=7710 |22-122|=10010 |12-20|=810 LOGO 3.1 去除背景階段 LOGO 3.2 依直方圖曲線自動判斷分群數 若是腫瘤部分較為模糊就會影響分群的結果。 必須將去除背景後的影像，針對腫瘤部分作判斷此影像是否為模糊。 利用去背景後的影像，作直方圖分析。 LOGO 3.2 依直方圖曲線自動判斷分群數 (a) 像素數量曲線圖-圓滑度高 (b) 像素數量曲線圖-圓滑度低 LOGO 3.3 利用Otsu’s method 作分群 Step1：先使用Otsu得到 一門檻值後，將會分為 兩群(C1,C2)。 Step2：各別對C1和C2 作處理，使用Otsu方法 分群，將C1分成兩群 (C1a,C1b)，將C2分成 兩群(C2a,C2b)。 Step3： Case1：圓滑度值若大於1000即在Step2.完成 Case2：圓滑度值若小於1000,再使用Otsu個別對C1a, C1b, C2a, C2b作分群，得C1a+, C1a-, C1b+, C1b-, C2a+, C2a-, C2b+, C2b-。 0 255 C2b- C2b+ C2a- C2a+ C1b- C1b+ C1a- C1a+ C2b C2a C1b C1a C1 C2 LOGO 4. 實驗結果 本論文研究使用九張不同角度與亮度的腦部腫瘤圖，來做為實驗結果之依據。 4.1 圓滑度自動判斷分群次數 4.2 以 Otsu’s method 作門檻值分群 4.3 誤差率的判斷 LOGO 4.1圓滑度自動判斷分群次數 (a-2) Brain Image 1切割次數為3 (a-1) Brain Image 1切割次數為2 (b-2) Brain Image 7切割次數為3 (b-1) Brain Image 7切割次數為2 LOGO 4.2 以 Otsu’s method 作門檻值分群 (a-1)原始圖 (a-2) 為(a-1)之實驗結果二值化 (a-3) 套入原始圖 (a-4) 局部放大圖 LOGO 4.2 以 Otsu’s method 作門檻值分群 (b-1)原始圖 (b-2) 為(b-1)之實驗結果二值化 (b-3) 套入原始圖 (b-4) 局部放大圖 LOGO 4.3 誤差率的判斷 0 0 0 0 0 0 1 1 1 0 0 1 1 1 0 0 1 1 1 0 0 0 0 0 0 醫