CN100595791C - 虚拟结肠镜的混合组织图像全自动分割方法 - Google Patents
虚拟结肠镜的混合组织图像全自动分割方法 Download PDFInfo
- Publication number
- CN100595791C CN100595791C CN200810150061A CN200810150061A CN100595791C CN 100595791 C CN100595791 C CN 100595791C CN 200810150061 A CN200810150061 A CN 200810150061A CN 200810150061 A CN200810150061 A CN 200810150061A CN 100595791 C CN100595791 C CN 100595791C
- Authority
- CN
- China
- Prior art keywords
- air
- voxel
- residual liquid
- intestines
- border
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种虚拟结肠镜的混合组织图像全自动分割方法,包括以下步骤:选择合适的空气阈值和肠内残留液阈值;利用传统的阈值法初步分割出肠内区域;利用一个垂直滤波器消除空气和肠内残留液体之间的局部容积效应;利用区域生长算法进行肠内分割;利用梯度强度区域增长算法增强结肠和其他组织的边界;在增强边界后的结肠内部再次使用垂直滤波消除空气和液体之间的局部容积效应。本发明克服了传统阈值分割方式带来的问题,消除局部容积效应的影响,使得分割结果更加符合实际情况。
Description
技术领域:
本发明属于医学图像处理及计算机可视化领域,特别是针对虚拟结肠内镜的前期分割方法。
背景技术:
医用数字内镜也叫虚拟结肠镜(Virtual Colonoscopy),它是随着医学影像设备及图形图像处理技术的发展而产生的一种新的结肠疾患检查技术。该技术由于具有肠道准备简单、检查无创舒适、发展前景广阔等特点得到了人们的广泛关注。它的原理是通过获得病人相应部位的CT(计算机断层成像)系列扫描图像,利用先进的图像处理及可视化技术从这些图像中直接生成管腔内部的立体影像,供医生检查整个腔内如息肉、腺瘤及其他异常形态学改变。近十年来这一技术在病人准备过程、数据获取及解释、图像显示等方面取得了很大进展,由于该方法的无创、快速和操作过程标准等特点,更适用于体检及肿瘤的早期发现,因而在临床上有望作为光学内镜的补充,成为临床的有效普查手段。一般说整个虚拟结肠镜的处理过程一般包含以下三个大的步骤:
1.数据输入
2.预处理
3.三维重建
来自CT的二维DICOM图像数据被重建为三维图像之前,要对数据进行预处理形成体数据,然后进行分割查找出结肠组织。在整个预处理的过程中,进行精确的分割处理是最重要的一个步骤,其效果直接影响后续步骤的效果直至最后三维重建和医生的诊断。实际上,在很多CT值对比比较明显的两种或者多种组织交界处,其边界上体素的CT值都是多种组织的混合效果,例如虚拟结肠内镜中,肠壁和内部空腔(空气)的交界处,肠壁和肠内残留物的交界处,大多都是肠壁软组织,空气,增强显影剂和粪便等各种组织混合的效果,这就是局部容积效应。
由于医学图像具有极其复杂的多样性,加上现有医学影像设备本身所带来的噪声,使得医学图像处理和分割非常困难。目前在医学图像分割方面还没有通用的理论和方法。
现有的结肠分割算法主要为手工分割或者半自动分割算法(K.H.Hohne andW.hanson,Interactive 3D segmentation of MRI and CT volumes usingmorphological operations,Journal of Computer Assisted Tomography,vol.16,no.2,pp.285-294,1992)。已报道的全自动分割算法的分割效果精确度不够理想,并且非常费时(C.L.Wyatt,Y.Ge,and D.J.Vining,Automaticsegmentation of the colon,Proc.SPIE Medical Imaging,1999)。其采用的分割算法大多数为传统的阈值分割算法和膨胀腐蚀算法(L.Hong,A.Kaufman,Y.Wei,A.Viswambharan,M.Wax,and Z.Liang,3D virtual colonoscopy,Proc.Symposium on Biomedical Visualization,pp.26-32,1995;L.Hong,S.Muraki,A.Kaufman,D.Bartz,and T.He,Virtual voyage:interactivenavigation in the human colon,Proc.SIGGRAPH’97,pp.27-34,1997),这些传统方法的最大问题在于无法消除局部容积效应(Partial Volume Effect)的影响。
另外由于采用的方法的局限性,此外还有别的一些比较难以解决的问题:
例如在阈值分割法中分割结果对阈值太敏感,也就是说阈值一个微小的变化可能会导致输出的不同。然后进一步影响结肠内表面轮廓的变化。另外会造成混叠效应,在软组织和空气的交界处,会产生一个生硬的边界,从重建角度来讲,这样的效果不利于后续的体渲染步骤。从实际上讲,这种效果的出现是丢失粘膜层的表现,而消化科的临床医生都非常明白,结肠的粘膜层信息对于息肉的判定有着非常重要的作用。
发明内容:
本发明的目的是提供一种虚拟结肠镜的混合组织图像全自动分割方法,克服了传统阈值分割方式带来的问题,消除局部容积效应的影响,使得分割结果更加符合实际情况。
本发明的主要原理就是考虑到在分割步骤中,边界位置由于局部容积效应的影响。本方法包括以下步骤:
1.选择合适的空气阈值和肠内残留液(由于增强剂而显示为高亮)阈值,利用传统的阈值法初步分割出肠内区域。
2.利用一个垂直滤波器消除空气和肠内残留液体之间的局部容积效应。
3.利用区域生长算法进行肠内分割。
4.利用梯度强度区域增长算法增强结肠和其他组织的边界。
5.在增强边界后的结肠内部再次使用垂直滤波消除空气和液体之间的局部容积效应。
在第一步中,把绝大多数的空气,肠道内残留液体划分为肠内部分。首先决定空气的阈值Tg和液体阈值Tf,基于直方图如图2所示,把满足条件
T1<Tg或者Ti>Tf
的体素T1归类为肠内区域。其中阈值Tg的界定条件是直方图第二个峰右侧平坦区域的开始处,这样可以把空气和残留液(高亮)的边界保留。残留液阈值Tf的界定标准是第四个波峰右侧的平坦区域开始处。/此步骤完成后大部分的空气和带有增强剂的肠内残留液所在区域被正确地划分为肠内区域。但是在上述条件下,背景和骨组织也被错误的划分为肠内区域。同时局部容积效应导致分割结果中的肠内区域不连续,即残留液和肠内空气的边界处没有被归类为肠内区域。
第二步:利用垂直滤波算法检测空气和残留液体边界上的局部容积体素,然后把空气,局部容积边界和液体都划归为肠内部分。界定体素是否是局部容积效应体素的判断条件如下:
1)垂直上方区域是空气,垂直下方的区域是残留液体
2)CT值介于Tg和Tf之间
3)垂直方向的厚度不超过某一个具体的阈值T1(此阈值根据实验获得,其最小值为3,即三个体素,上层为空气区域,下层为残留液区域,中间为局部容积效应的体素)
根据上述条件设计的滤波器在方向上和重力方向一致,和残留液表面垂直。其在水平面上的大小为1个像素大小,在垂直方向的长度为n,n是一个小于或者等于上述第三个判断条件T1的一个值。即本发明提出的滤波器只考虑了垂直方向的体素v1,v2,…,vi,…,vn。判断v1是否为局部容积效应的体素的条件为:
对于图像中的所有体素,都采用3到T1共T1-2个滤波器进行处理。处理完毕后便可以发现所有的空气和残留液体之间的局部容积效应体素,并且把这些体素也归入结肠内部区域,如图1所示。经过本步骤的操作,解决了第一个步骤的遗留问题,把残留液和肠内空气的交界区域归类为肠内区域,获得了一个连续的结肠内部区域。下一步开始考虑结肠边界上局部容积效应。
第三个步骤采用的是传统的区域生长算法,根据上一个步骤,选取任何空气和残留液边界上的局部容积效应体素作为种子。首先检测种子体素的26个相邻体素是否为肠内部分,如果某个体素为肠内部分则对其进行相同的操作,直到没有新的临近体素属于肠内部分。这样可以把结肠和周围组织区分开来。对于第一步中错误的划分为肠内部分的骨组织和背景部分,由于区域生长总是检查相邻的体素,从种子点开始的检测永远也不会把实际不在肠内的骨组织和背景划分到肠内区域。
第四步:在第一步进行初步阈值分割时,从阈值Tg和阈值Tf的选取位置可以看出,第一步的分割没有把空气和其它组织之间、残留液和其它组织之间的局部容积效应体素分类为肠内部分,事实也证实了这一点,也就是说目前为止,所获得的分割结果,肠内边界比实际的肠内边界可能要小。在这一个步骤,对于结肠边界上的每一个体素及其26个相邻体素,用三个三维的Sobel算子(3×3×3),计算结肠边界上邻域三个主方向的梯度值,然后计算平均梯度值。如果有任何一个体素的计算结果比原来的边界的平均梯度值大,则把这个体素标记为新的边界。在新的边界上再次重复进行上述操作,直到没有发现平均梯度值更大的体素,此时的边界即为增强后的肠内边界。
第五步:由于进行了边界增强之后,在新的边界上可能会出现第二步所述的空气和残留液之间的局部容积效应体素。因此对于新分割的结果,在重新定义的边界上再次应用垂直滤波解决空气和液体之间的局部容积效应带来的问题。最后实现整个结肠区域的分割。最终的分割效果如图4
附图说明
图1是垂直滤波器图。
图2是直方图。
图3是分割前效果图。
图4是最终的分割效果图。
具体实施方式
目前报道的虚拟结肠镜在进行结肠CT扫描之前,需要进行和传统光学结肠镜相同的肠道准备过程。而本发明所述方法是基于一种特殊的肠道准备流程,此种肠道准备方法不需要患者在检查的前一天完全禁食,而是允许患者吃一些流质的食物和一些增强剂来增强CT的显影效果。除此之外,这种肠道准备方式和传统的肠道准备方式相比,患者会感到更加舒适。
1、将腹部CT扫描的多层DICOM数据转化形成体数据;
2、计算直方图,根据直方图定出阈值Tg和Tf
3、进行阈值分割;
4、利用垂直滤波器滤波消除空气和残留液之间的局部容积效应体素;
5、利用区域生长算法分割出连通的结肠区域;
6、对分割出边界处理,寻找具有最大平均梯度值的体素作为新的边界;
7、针对新的边界再次应用垂直滤波算法。
对于本发明所提出的方法,用C++语言进行实现,在双至强3.0GHz CPU,2GBytes RAM的IBM图形工作站上,对512×512×415的DICOM格式CT原始数据进行处理,所需时间不超过5分钟。
Claims (1)
1、一种虚拟结肠镜的混合组织图像全自动分割方法,其特征是包括以下步骤:
第一步:选择空气阈值和肠内残留液阈值,利用阈值法初步分割出肠内区域;
其中所述分割是把满足条件Ti<Tg或者Ti>Tf的体素Ti归类为肠内区域;其中Tg为空气阈值,Tf为残留液阈值;
第二步:利用垂直滤波器消除空气和肠内残留液体之间的局部容积效应;
首先利用垂直滤波算法检测空气和残留液体边界上的局部容积效应体素,然后把空气、局部容积边界和残留液体都划归为肠内部分;其中界定体素是否是局部容积效应体素的判断条件如下:
1)垂直上方区域是空气,垂直下方的区域是残留液体
2)CT值介于Tg和Tf之间
3)垂直方向的厚度不超过某一个具体的阈值T1,此阈值根据实验获得,其最小值为3,即三个体素,上层为空气区域,下层为残留液区域,中间为局部容积效应的体素;
根据上述条件设计的滤波器在方向上和重力方向一致,和残留液表面垂直;其在水平面上的大小为1个像素大小,在垂直方向的长度为n,n是一个小于或者等于上述第三个判断条件T1的一个值;
第三步:利用区域生长算法进行肠内分割;
所述区域生长是以如下方式实现:选取任何空气和残留液边界上的局部容积效应体素作为种子在肠内部分进行区域生长,把结肠和周围组织区分开来;
第四步:利用梯度强度区域增长算法增强结肠和其他组织的边界;
所述增强边界的操作是以如下方式实现:对于结肠边界上的每一个体素及其26个相邻体素,用三个三维的Sobel算子,计算结肠边界上邻域三个主方向的梯度值,然后计算平均梯度值;如果有任何一个体素的计算结果比原来的边界的平均梯度值大,则把这个体素标记为新的边界,在新的边界上再次重复进行上述操作,直到没有发现平均梯度值更大的体素,此时的边界即为增强后的肠内边界;
第五步:在增强边界后的结肠内部再次使用垂直滤波消除空气和液体之间的局部容积效应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810150061A CN100595791C (zh) | 2008-06-18 | 2008-06-18 | 虚拟结肠镜的混合组织图像全自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810150061A CN100595791C (zh) | 2008-06-18 | 2008-06-18 | 虚拟结肠镜的混合组织图像全自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101295404A CN101295404A (zh) | 2008-10-29 |
CN100595791C true CN100595791C (zh) | 2010-03-24 |
Family
ID=40065665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200810150061A Expired - Fee Related CN100595791C (zh) | 2008-06-18 | 2008-06-18 | 虚拟结肠镜的混合组织图像全自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100595791C (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5305850B2 (ja) * | 2008-11-14 | 2013-10-02 | オリンパス株式会社 | 画像処理装置、画像処理プログラムおよび画像処理方法 |
AU2009355844B2 (en) * | 2009-11-27 | 2015-07-30 | Cadens Medical Imaging Inc. | Method and system for determining an estimation of a topological support of a tubular structure and use thereof in virtual endoscopy |
CN101766491B (zh) * | 2010-02-04 | 2013-02-27 | 华祖光 | 无须清洗肠道准备的虚拟肠镜方法及系统 |
JP5957409B2 (ja) * | 2013-03-29 | 2016-07-27 | 富士フイルム株式会社 | 領域抽出装置および方法並びにプログラム |
CN104112265B (zh) * | 2013-04-16 | 2019-04-23 | 上海联影医疗科技有限公司 | 结肠图像分割方法及装置 |
CN104574364B (zh) * | 2014-12-17 | 2018-02-27 | 上海联影医疗科技有限公司 | 结肠图像分割方法及装置 |
JP6883800B2 (ja) * | 2016-11-15 | 2021-06-09 | 株式会社島津製作所 | Drr画像作成装置 |
CN109767468B (zh) * | 2019-01-16 | 2021-04-20 | 上海长征医院 | 脏器体积检测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1632830A (zh) * | 2003-12-22 | 2005-06-29 | 中国科学院自动化研究所 | 脑缺血病灶区的自动分割方法 |
CN1741068A (zh) * | 2005-09-22 | 2006-03-01 | 上海广电(集团)有限公司中央研究院 | 一种基于边界的直方图均衡方法 |
CN1745396A (zh) * | 2003-01-30 | 2006-03-08 | 西门子共同研究公司 | 用于虚拟结肠镜检查的自动局部路径规划的方法和装置 |
-
2008
- 2008-06-18 CN CN200810150061A patent/CN100595791C/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1745396A (zh) * | 2003-01-30 | 2006-03-08 | 西门子共同研究公司 | 用于虚拟结肠镜检查的自动局部路径规划的方法和装置 |
CN1632830A (zh) * | 2003-12-22 | 2005-06-29 | 中国科学院自动化研究所 | 脑缺血病灶区的自动分割方法 |
CN1741068A (zh) * | 2005-09-22 | 2006-03-01 | 上海广电(集团)有限公司中央研究院 | 一种基于边界的直方图均衡方法 |
Non-Patent Citations (4)
Title |
---|
Automated Segmentation of Colonic Wallsfor Computerized Detection of Polyps in CT Colonography. Yoshitaka Masutani, et al.Journal of Computer Assisted Tomography,Vol.25 No.4. 2001 |
Automated Segmentation of Colonic Wallsfor Computerized Detection of Polyps in CT Colonography. Yoshitaka Masutani,et al.Journal of Computer Assisted Tomography,Vol.25 No.4. 2001 * |
医用CT 图像常见伪影成因及矫正分析. 王学礼.CT 理论与应用研究,Vol.13 No.3. 2004 |
医用CT 图像常见伪影成因及矫正分析. 王学礼.CT 理论与应用研究,第13卷第3期. 2004 * |
Also Published As
Publication number | Publication date |
---|---|
CN101295404A (zh) | 2008-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100595791C (zh) | 虚拟结肠镜的混合组织图像全自动分割方法 | |
US8340381B2 (en) | Hybrid segmentation of anatomical structure | |
Rubin | Data explosion: the challenge of multidetector-row CT | |
US7899516B2 (en) | Method and apparatus for determining the risk of rupture of a blood vessel using the contiguous element defined area | |
US7805177B2 (en) | Method for determining the risk of rupture of a blood vessel | |
Sato et al. | A gradient magnitude based region growing algorithm for accurate segmentation | |
Aggarwal et al. | Role of segmentation in medical imaging: A comparative study | |
Athanasiou et al. | Three-dimensional reconstruction of coronary arteries and plaque morphology using CT angiography–comparison and registration with IVUS | |
Bhadoria et al. | Comparison of segmentation tools for multiple modalities in medical imaging | |
Araújo et al. | Liver segmentation from computed tomography images using cascade deep learning | |
Scherl et al. | Semi-automatic level-set based segmentation and stenosis quantification of the internal carotid artery in 3D CTA data sets | |
Rubin | 3-D imaging with MDCT | |
Jin et al. | Artificial intelligence in radiology | |
Samara et al. | Automated calculation of the centerline of the human colon on CT images | |
CN104517315A (zh) | 基于交互式区域生长法的双侧输尿管重建方法与系统 | |
Ebrahimian et al. | Characterization of benign and malignant pancreatic lesions with DECT quantitative metrics and radiomics | |
CN105513055A (zh) | Cta图像中分割组织的方法和装置 | |
Andronikou et al. | Technical developments in postprocessing of paediatric airway imaging | |
Clancy et al. | Machine learning for the prediction of pathologic pneumatosis intestinalis | |
Sen | Medical image segmentation system for cerebral aneurysms | |
Gavaghan et al. | Breast cancer: Modelling and detection | |
Bidgoli et al. | An efficient colon segmentation method for oral contrast-enhanced CT colonography | |
Skurski et al. | Image processing methods for diagnostic and simulation applications in cardiology | |
Horkaew et al. | Recent advances in computerized imaging and its vital roles in liver disease diagnosis, preoperative planning, and interventional liver surgery: A review | |
Kishore et al. | A multi-functional interactive image processing tool for lung CT images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20100324 Termination date: 20120618 |