植基于otsu多值门槛之脑肿瘤自动影像切割课件

LOGO 植基於Otsu多值門檻之腦腫瘤自動影像切割 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 v針對腦部腫瘤影像圖，做自動影像切割處理 。 v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 Otsus 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 Otsus method 2 v 原始圖(a) 經由 Otsus 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(S1000) 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 1220252317 231003012222 101247510020 1185928618 97181011 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 1220252317 231003012222 101247510020 1185928618 97181011 1220252317 231003012222 101247510020 1185928618 971001011 |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 v若是腫瘤部分較為模糊就會影響分群的結果 。 v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。 v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Otsus method 作分群 v Step1：先使用Otsu得到 一門檻值後，將會分為 兩群(C1,C2)。 v 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)。 v 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+ C2bC2aC1bC1a C1C2 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 Otsus 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 Otsus 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 Otsus 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 00000 01110 01110 01110 00000 醫生手繪圖(5x5)-H實驗結果圖(5x5)-R 00000 00110 01110 01100 00000 H交集R 00000 00110 01110 01100 00000 LOGO 4.3 誤差率的判斷 LOGO 5. 結論與未來展望 v 本研究使用Otsu 二值化切割方法作延伸使用，取得多 門檻值，增加其影像的切割準確度。