本发明涉及ct图像识别标注，尤其涉及一种基于神经外科的ct图像识别标注方法。
背景技术：
1、随着医学影像技术的快速发展和计算机辅助诊断系统在临床应用中的日益普及，对精准的ct图像识别和标注方法的需求不断增长，尤其是在神经外科领域，准确的图像分割对于手术规划、导航以及最终的治疗效果至关重要。
2、公开号为cn115311249a的专利文献公开了一种神经外科显微手术图像中血管与神经的分割方法。该方法通过将手术视频转换为高质量的彩色图像、创建和增强标注数据集、采用改进的fastfcn深度学习模型，并经过训练与测试流程，对手术图像中血管和神经结构分割。
3、由此可见，存在以下问题：深度学习模型通常需要强大的计算资源进行训练和推理，这对于一些资源受限的医疗机构来说是一个挑战，且模型的性能高度依赖于训练数据的质量和多样性，如果数据集不够全面或存在偏差，会影响模型的泛化能力，模型可能在特定的数据集上表现良好，但在未见过的新类型的显微图像上可能表现不佳。
技术实现思路
1、为此，本发明提供一种基于神经外科的ct图像识别标注方法，用以克服现有技术中依赖于特定的数据集导致对于未见过的新类型的图像识别标注能力差的问题。
2、为实现上述目的，本发明提供一种基于神经外科的ct图像识别标注方法，包括：
3、将待标注的ct图像以预设的网格间距分割为若干正方形的网格；
4、测量各网格的灰度值，根据测量结果计算平均灰度，根据计算结果和预设的标准灰度确定异常网格，并对预设的标准异常范围内的异常网格进行标注，形成标注异常网格；
5、根据所有标注异常网格的中心点坐标计算平均中心点；
6、根据各标注异常网格的中心点到平均中心点的距离计算标准差，根据计算结果和预设的标准差阈值取消若干标注异常网格的标注；
7、连接剩余的若干标注异常网格与对应的相邻的网格的边界，形成异常范围，并对异常范围内的网格进行标注，形成修正异常范围；
8、计算水平方向上修正异常范围的边界的异常网格和相邻的网格的平均灰度差值，根据计算结果和预设的标准灰度差值结束水平方向上的标注，或，分割水平方向上修正异常范围的边界的异常网格的相邻的网格并继续标注直至结束水平方向上的标注；
9、计算垂直方向上修正异常范围的边界的异常网格和相邻的网格的平均灰度差值，根据计算结果和预设的标准灰度差值结束垂直方向上的标注，或，分割垂直方向上修正异常范围的边界的异常网格的相邻的网格并继续标注直至结束垂直方向上的标注；
10、完成所有方向上的标注后，输出带有标注的ct图像。
11、进一步地，所述根据所有标注异常网格的中心点坐标计算平均中心点包括：
12、计算所有标记异常网格的中心点坐标的横轴的平均值，得到平均中心点的横坐标；
13、计算所有标记异常网格的中心点坐标的纵轴的平均值，得到平均中心点的纵坐标。
14、进一步地，所述根据计算结果和预设的标准差阈值取消若干标注异常网格的标注包括：
15、取消标注中心点到平均中心点的距离的标准差大于标准差阈值的标注异常网格的标注。
16、进一步地，所述计算水平方向上修正异常范围的边界的异常网格和相邻的网格的平均灰度差值包括：
17、计算水平方向上修正异常范围的边界的异常网格的相邻的网格的平均灰度，取水平方向上修正异常范围的边界的异常网格的平均灰度和相邻的网格的平均灰度的差值。
18、进一步地，根据计算结果和预设的标准灰度差值结束水平方向上的标注包括：
19、在水平方向上修正异常范围的边界的异常网格和相邻的网格的平均灰度差值大于预设的标准灰度差值时，结束水平方向上的标注。
20、进一步地，根据计算结果和预设的标准灰度差值，分割水平方向上修正异常范围的边界的异常网格的相邻的网格并继续标注直至结束水平方向上的标注包括：
21、根据水平方向上修正异常范围的边界的异常网格和相邻的网格的平均灰度差值和预设的标准灰度差值计算分割比例，根据分割比例将相邻的网格分割为若干子网格，计算水平方向上修正异常范围的边界的异常网格和相邻的子网格的平均灰度差值，根据计算结果和预设的标准灰度差值结束标注或继续标注。
22、进一步地，所述根据计算结果和预设的标准灰度差值结束标注或继续标注包括：
23、在水平方向上修正异常范围的边界的异常网格和相邻的子网格的平均灰度差值大于预设的标准灰度差值时结束标注；
24、在水平方向上修正异常范围的边界的异常网格和相邻的子网格的平均灰度差值小于或等于预设的标准灰度差值时继续计算新的分割比例，直至结束标注。
25、进一步地，根据计算结果和预设的标准灰度差值，分割垂直方向上修正异常范围的边界的异常网格的相邻的网格并继续标注直至结束垂直方向上的标注包括：
26、根据垂直方向上修正异常范围的边界的异常网格和相邻的网格的平均灰度差值和预设的标准灰度差值计算分割比例，根据分割比例将相邻的网格分割为若干子网格，计算垂直方向上修正异常范围的边界的异常网格和相邻的子网格的平均灰度差值，根据计算结果和预设的标准灰度差值结束标注或继续标注。
27、进一步地，根据计算结果和预设的标准灰度差值结束标注包括：
28、在垂直方向上修正异常范围的边界的异常网格和相邻的子网格的平均灰度差值大于预设的标准灰度差值时结束标注；
29、进一步地，根据计算结果和预设的标准灰度差值继续标注包括：
30、在垂直方向上修正异常范围的边界的异常网格和相邻的子网格的平均灰度差值小于或等于预设的标准灰度差值时继续计算新的分割比例，直至结束标注。
31、与现有技术相比，本发明的有益效果在于，通过精确测量和分析灰度值，能够识别出图像中的异常区域，并通过对异常网格的筛选和标注，形成闭合的异常区域，有助于快速定位潜在的病变或损伤。此外，通过动态地分割相邻网格并继续标注，该方法能够适应不同形状和大小的异常区域，确保标注的连续性和完整性。最终输出的带有标注的ct图像，提供了更为丰富和精确的视觉信息，从而提高诊断的准确性，有效解决了依赖于特定的数据集导致对于未见过的新类型的图像识别标注能力差的问题。
32、进一步地，首先，通过计算平均中心点，为异常网格提供了一个参考基准，有助于识别异常网格的空间分布模式。其次，通过设定标准差阈值来取消那些远离平均中心点的异常网格的标注，有效地去除了可能的误报，增强了标注结果的准确性和可信度。此外，这种方法能够自适应地调整标注过程，确保最终的标注结果反映了图像的真实情况，减少了人为主观判断的影响。
33、进一步地，通过灰度差值的计算自动确定标注的终止点。这种基于灰度对比的决策机制，有效地避免了在灰度变化不显著的区域过度标注，从而提高了标注的准确性和效率。此外，通过自动化的灰度分析和标注终止，减少了人为因素的干扰，确保了不同操作者之间标注结果的一致性。
34、进一步地，通过灰度差值的计算和阈值比较，该方法能够精确地识别异常区域的边缘，避免了在灰度变化不明显的区域进行不必要的标注，从而提高了标注的准确性和效率。此外，通过在灰度变化较大时结束标注，在灰度变化较小时继续细分和标注，该方法能够适应不同的图像特征和异常区域的形状，确保了标注结果的一致性和可靠性。
1.一种基于神经外科的ct图像识别标注方法，其特征在于，包括：
2.根据权利要求1所述的基于神经外科的ct图像识别标注方法，其特征在于，所述根据所有标注异常网格的中心点坐标计算平均中心点包括：
3.根据权利要求2所述的基于神经外科的ct图像识别标注方法，其特征在于，所述根据计算结果和预设的标准差阈值取消若干标注异常网格的标注包括：
4.根据权利要求3所述的基于神经外科的ct图像识别标注方法，其特征在于，所述计算水平方向上修正异常范围的边界的异常网格和相邻的网格的平均灰度差值包括：
5.根据权利要求4所述的基于神经外科的ct图像识别标注方法，其特征在于，根据计算结果和预设的标准灰度差值结束水平方向上的标注包括：
6.根据权利要求5所述的基于神经外科的ct图像识别标注方法，其特征在于，根据计算结果和预设的标准灰度差值，分割水平方向上修正异常范围的边界的异常网格的相邻的网格并继续标注直至结束水平方向上的标注包括：
7.根据权利要求6所述的基于神经外科的ct图像识别标注方法，其特征在于，所述根据计算结果和预设的标准灰度差值结束标注或继续标注包括：
8.根据权利要求7所述的基于神经外科的ct图像识别标注方法，其特征在于，根据计算结果和预设的标准灰度差值，分割垂直方向上修正异常范围的边界的异常网格的相邻的网格并继续标注直至结束垂直方向上的标注包括：
9.根据权利要求8所述的基于神经外科的ct图像识别标注方法，其特征在于，根据计算结果和预设的标准灰度差值结束标注包括：
10.根据权利要求9所述的基于神经外科的ct图像识别标注方法，其特征在于，根据计算结果和预设的标准灰度差值继续标注包括：
