CN103020969B - 一种ct图像肝脏分割的处理方法及系统 - Google Patents
一种ct图像肝脏分割的处理方法及系统 Download PDFInfo
- Publication number
- CN103020969B CN103020969B CN201210571829.8A CN201210571829A CN103020969B CN 103020969 B CN103020969 B CN 103020969B CN 201210571829 A CN201210571829 A CN 201210571829A CN 103020969 B CN103020969 B CN 103020969B
- Authority
- CN
- China
- Prior art keywords
- liver
- image
- illustrative plates
- registration
- split
- 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.)
- Active
Links
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明适用于医学图像处理领域,提供了一种CT图像肝脏分割的处理方法及系统。所述方法包括以下步骤:获取待分割图像;通过肝脏灰度体积和肝脏灰度先验从所述待分割图像中自动定位出肝脏位置;利用旋转配准及低自由度B样条配准提取初始肝脏组织;结合距离图以及初始提取的肝脏组织探测是否存在有肝肿瘤组织;利用肝脏分布概率图谱和基于互信息的B样条配准精细分割出肝脏。本发明整个分割过程无需任何人工干预,分割的平均肝脏体积误差≈7.0%,能够为肝脏的三维重建及最终的仿真手术模拟提供比较精确的数据,具有一定的临床应用价值。
Description
技术领域
本发明属于医学图像处理领域,尤其涉及一种CT图像肝脏分割的处理方法及系统。
背景技术
目前,很多临床应用上需要从3DCT图像中分割出肝脏组织,比如3D肝脏体绘制,肝脏体积测量以及肝移植手术评估和手术计划。近几年,很多研究者尝试了多种方法进行肝脏分割,包括以下几种方法:区域增长,基于灰度级方法,水平集,神经网络,聚类法,图切割,形变模型和图谱法。由于受限于肝脏形状的多变性,以及肝肿瘤存在等因素,大多数肝脏分割方法无法达到临床要求精度,因此现阶段临床上实际多采用人工手动分割或者交互式分割的方式,但这样的方式乏味而耗时,并且分割精度严重依赖于分割者经验。
发明内容
本发明的目的在于提供一种CT图像肝脏分割的处理方法及系统,旨在解决现有技术中存在的临床上实际多采用人工手动分割或者交互式分割的方式来进行肝脏分割,但这样的方式乏味而耗时,并且分割精度严重依赖于分割者经验的问题。
本发明是这样实现的,一种CT图像肝脏分割的处理方法,所述方法包括以下步骤:
获取待分割图像;
通过肝脏灰度体积和肝脏灰度先验从所述待分割图像中自动定位出肝脏位置;
利用旋转配准及低自由度B样条配准提取初始肝脏组织;
结合距离图以及初始提取的肝脏组织探测是否存在有肝肿瘤组织;
利用肝脏分布概率图谱和基于互信息的B样条配准精细分割出肝脏。
本发明的另一目的在于提供一种CT图像肝脏分割的处理系统,所述系统包括:
获取模块,用于获取待分割图像;
定位模块,用于通过肝脏灰度体积和肝脏灰度先验从所述待分割图像中自动定位出肝脏位置;
提取模块,用于利用旋转配准及低自由度B样条配准提取初始肝脏组织;
探测模块,用于结合距离图以及初始提取的肝脏组织探测是否存在有肝肿瘤组织;
分割模块,用于利用肝脏分布概率图谱和基于互信息的B样条配准精细分割出肝脏。
在本发明中,本发明从一系列手动分割肝脏CT中训练肝脏分布概率图谱;通过肝脏灰度体积和肝脏灰度先验自动定位肝脏;利用旋转配准及低自由度B样条配准提取初始肝脏组织;结合距离图以及初始提取的肝脏组织探测可能存在的肝肿瘤组织;利用肝脏概率图谱和基于互信息的B样条配准精细分割出肝脏。整个分割过程无需任何人工干预,分割的平均肝脏体积误差≈7.0%,能够为肝脏的三维重建及最终的仿真手术模拟提供比较精确的数据,具有一定的临床应用价值。
附图说明
图1是本发明实施例提供的CT图像肝脏分割的处理方法的实现流程示意图。
图2是本发明实施例提供的CT图像肝脏分割的处理系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1,为本发明实施例提供的CT图像肝脏分割的处理方法的实现流程,其包括以下步骤:
在步骤S101中,获取待分割图像;
在步骤S102中,通过肝脏灰度体积和肝脏灰度先验从所述待分割图像中自动定位出肝脏位置;
在本发明实施例中,所述步骤S102具体为:
通过肝脏灰度体积和肝脏灰度先验从所述待分割图像中自动定位出肝脏位置并初始化浮动图谱和肝脏分布概率图谱的位置;利用肝脏CT图像中肝脏独特的体积和灰度范围,得到肝脏中心切片位置,从而将浮动图谱和肝脏分布概率图谱与待分割图像的肝脏部位对齐。
在本发明实施例中,在一般的肝脏CT图像中,正常肝脏组织的灰度范围在60HU左右,肝脏体积则主要分布在1.0~2.0x106mm3。首先将待分割图像进行各向同性采样,采样后图像物理间隔为1.0mm*1.0mm*1.0mm。然后以人体组织为前景,空气作为背景,统计前景的灰度直方图,再在直方图上从高灰度向低灰度区域搜索,搜索区域间隔为60HU,统计搜索区间内的前景像素个数,选择像素个数与1.0~2.0x106最接近的区域作为肝脏灰度区域估计。接着在横断面方向搜索,找到包含在肝脏灰度范围内像素点最多的连续7张切片作为肝脏中心切片区,最后将图谱经过平移与中心切片区对齐。
在步骤S103中,利用旋转配准及低自由度B样条配准提取初始肝脏组织;
在本发明实施例中,所述步骤S103具体为:先后通过基于互信息的旋转配准和低自由度B样条配准,将浮动图谱配准到待分割图像上,进而提取出主要的肝脏组织。
在步骤S104中,结合距离图以及初始提取的肝脏组织探测是否存在有肝肿瘤组织;
在本发明实施例中,通过旋转配准和低自由度B样条配准提取出肝脏感兴趣区域ROI,然后在ROI中探测是否存在肝肿瘤。首先计算ROI的Maurer距离图。肝肿瘤通常比正常肝组织在CT图像中呈现更低的灰度值,通过对ROI阈值过滤得到疑似肿瘤组织T,再计算T部分的平均距离,如果平均距离小于-10并且体积大于5000mm3,则视T为肿瘤,否则不是。对于图像中的肿瘤部分,修改灰度值为ROI的中心灰度。
在步骤S105中,利用肝脏分布概率图谱和基于互信息的B样条配准精细分割出肝脏。
在本发明实施例中,所述步骤S105具体包括:
结合肝脏分布概率图谱,将浮动图谱通过基于互信息和高自由度的B样条配准对齐到待分割图像上,从而得到最终的肝脏分割数据。
在本发明实施例中,在原始的互信息测度表达式中引入概率因子。原始互信息测度公式为:
MI(F,M)=∑mi(f(x),m(x′))x∈N
上式中,x为图像像素空间坐标;
N为图像空间域;
f(x),m(x)表示灰度值;
mi为互信息表达式
引入概率因子后,新的互信息测度公式为:
MI(F,M)=∑mi(f(x),n(x′))*P(x)x∈N
上式中,P(x)为坐标x处对应概率图谱的像素值。
在本发明实施例中,肝脏分布概率图谱的生成步骤,具体为:
从一组肝脏CT训练数据中选取参考数据,通过将其他训练数据与参考数据对齐并融合,生成肝脏分布概率图谱。其中,训练数据均为通过手工分割得到的只包含肝脏组织的CT图像。
所述从一组肝脏CT训练数据中选取参考数据,通过将其他训练数据与参考数据对齐并融合,生成肝脏分布概率图谱的步骤,具体为:
从训练数据中选取一套形状和肝脏位置较为理想的图像作为参考图像,其他的作为待对齐图像,先后通过质心对齐和旋转配准将待对齐图像与参考图像对齐,将对齐后的图像二值化,最后从二值图像中得到肝脏分布概率图谱。
在本发明实施例中,所述浮动图谱为上述参考图像。
作为本发明一实施例,采用如下式子计算肝脏分布概率图谱:
其中x为图像空间坐标,N为训练数据数目,P(x)为x点处概率值,μ为二值化后的训练数据灰度值,并有:
请参阅图2,为本发明实施例提供的CT图像肝脏分割的处理系统的结构。为了便于说明,仅示出了与本发明实施例相关的部分。所述CT图像肝脏分割的处理系统包括:获取模块101、定位模块102、提取模块103、探测模块104、以及分割模块105。
获取模块101,用于获取待分割图像;
定位模块102,用于通过肝脏灰度体积和肝脏灰度先验从所述待分割图像中自动定位出肝脏位置;
提取模块103,用于利用旋转配准及低自由度B样条配准提取初始肝脏组织;
探测模块104,用于结合距离图以及初始提取的肝脏组织探测是否存在有肝肿瘤组织;
分割模块105,用于利用肝脏分布概率图谱和基于互信息的B样条配准精细分割出肝脏。
在本发明实施例中,
提取模块103,具体用于先后通过基于互信息的旋转配准和低自由度B样条配准,将浮动图谱配准到待分割图像上,进而提取出主要的肝脏组织。
在本发明实施例中,
分割模块105,具体用于将浮动图谱通过基于互信息和高自由度的B样条配准对齐到待分割图像上,从而得到最终的肝脏分割数据。
作为本发明一实施例,所述系统还包括:
生成模块,用于从一组肝脏CT训练数据中选取参考数据,通过将其他训练数据与参考数据对齐并融合,生成肝脏分布概率图谱。
在本发明实施例中,
所述生成模块,具体用于从训练数据中选取一套形状和肝脏位置较为理想的图像作为参考图像,其他的作为待对齐图像,先后通过质心对齐和旋转配准将待对齐图像与参考图像对齐,将对齐后的图像二值化,最后从二值图像中得到肝脏分布概率图谱。
综上所述,本发明实施例从一系列手动分割肝脏CT中训练肝脏分布概率图谱;通过肝脏灰度体积和肝脏灰度先验自动定位肝脏;利用旋转配准及低自由度B样条配准提取初始肝脏组织;结合距离图以及初始提取的肝脏组织探测可能存在的肝肿瘤组织;利用肝脏概率图谱和基于互信息的B样条配准精细分割出肝脏。整个分割过程无需任何人工干预,分割的平均肝脏体积误差≈7.0%,能够为肝脏的三维重建及最终的仿真手术模拟提供比较精确的数据,具有一定的临床应用价值。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种CT图像肝脏分割的处理方法,其特征在于,所述方法包括以下步骤:
获取待分割图像;
通过肝脏灰度体积和肝脏灰度先验从所述待分割图像中自动定位出肝脏位置;
利用旋转配准及低自由度B样条配准提取初始肝脏组织;
结合距离图以及初始提取的肝脏组织探测是否存在有肝肿瘤组织;
利用肝脏分布概率图谱和基于互信息的B样条配准精细分割出肝脏;
所述通过肝脏灰度体积和肝脏灰度先验从所述待分割图像中自动定位出肝脏位置具体包括:
通过肝脏灰度体积和肝脏灰度先验从所述待分割图像中自动定位出肝脏位置并初始化浮动图谱和肝脏分布概率图谱的位置;
利用肝脏CT图像中肝脏独特的体积和灰度范围,得到肝脏中心切片位置,从而将浮动图谱和肝脏分布概率图谱与待分割图像的肝脏部位对齐。
2.如权利要求1所述的方法,其特征在于,所述利用旋转配准及低自由度B样条配准提取初始肝脏组织的步骤,具体为:
先后通过基于互信息的旋转配准和低自由度B样条配准,将浮动图谱配准到待分割图像上,进而提取出主要的肝脏组织。
3.如权利要求1所述的方法,其特征在于,所述利用肝脏分布概率图谱和基于互信息的B样条配准精细分割出肝脏的步骤,具体为:
结合肝脏分布概率图谱,将浮动图谱通过基于互信息和高自由度的B样条配准对齐到待分割图像上,从而得到最终的肝脏分割数据。
4.如权利要求1所述的方法,其特征在于,所述肝脏分布概率图谱的生成步骤,具体为:
从一组肝脏CT训练数据中选取参考数据,通过将其他训练数据与参考数据对齐并融合,生成肝脏分布概率图谱。
5.如权利要求4所述的方法,其特征在于,所述从一组肝脏CT训练数据中选取参考数据,通过将其他训练数据与参考数据对齐并融合,生成肝脏分布概率图谱的步骤,具体为:
从训练数据中选取一套形状和肝脏位置较为理想的图像作为参考图像,其他的作为待对齐图像,先后通过质心对齐和旋转配准将待对齐图像与参考图像对齐,将对齐后的图像二值化,最后从二值图像中得到肝脏分布概率图谱。
6.一种CT图像肝脏分割的处理系统,其特征在于,所述系统包括:
获取模块,用于获取待分割图像;
定位模块,用于通过肝脏灰度体积和肝脏灰度先验从所述待分割图像中自动定位出肝脏位置;
提取模块,用于利用旋转配准及低自由度B样条配准提取初始肝脏组织;
探测模块,用于结合距离图以及初始提取的肝脏组织探测是否存在有肝肿瘤组织;
分割模块,用于利用肝脏分布概率图谱和基于互信息的B样条配准精细分割出肝脏;
所述定位模块,具体用于:
通过肝脏灰度体积和肝脏灰度先验从所述待分割图像中自动定位出肝脏位置并初始化浮动图谱和肝脏分布概率图谱的位置;
利用肝脏CT图像中肝脏独特的体积和灰度范围,得到肝脏中心切片位置,从而将浮动图谱和肝脏分布概率图谱与待分割图像的肝脏部位对齐。
7.如权利要求6所述的系统,其特征在于,
所述提取模块,具体用于先后通过基于互信息的旋转配准和低自由度B样条配准,将浮动图谱配准到待分割图像上,进而提取出主要的肝脏组织。
8.如权利要求6所述的系统,其特征在于,
所述分割模块,具体用于将浮动图谱通过基于互信息和高自由度的B样条配准对齐到待分割图像上,从而得到最终的肝脏分割数据。
9.如权利要求6所述的系统,其特征在于,所述系统还包括:
生成模块,用于从一组肝脏CT训练数据中选取参考数据,通过将其他训练数据与参考数据对齐并融合,生成肝脏分布概率图谱。
10.如权利要求9所述的系统,其特征在于,
生成模块,具体用于从训练数据中选取一套形状和肝脏位置较为理想的图像作为参考图像,其他的作为待对齐图像,先后通过质心对齐和旋转配准将待对齐图像与参考图像对齐,将对齐后的图像二值化,最后从二值图像中得到肝脏分布概率图谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210571829.8A CN103020969B (zh) | 2012-12-25 | 2012-12-25 | 一种ct图像肝脏分割的处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210571829.8A CN103020969B (zh) | 2012-12-25 | 2012-12-25 | 一种ct图像肝脏分割的处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103020969A CN103020969A (zh) | 2013-04-03 |
CN103020969B true CN103020969B (zh) | 2015-12-23 |
Family
ID=47969535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210571829.8A Active CN103020969B (zh) | 2012-12-25 | 2012-12-25 | 一种ct图像肝脏分割的处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103020969B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204514B (zh) * | 2015-04-30 | 2019-03-01 | 中国科学院深圳先进技术研究院 | 一种基于三维ct图像的肝脏定位方法及装置 |
CN104835112B (zh) * | 2015-05-07 | 2018-06-08 | 厦门大学 | 一种肝脏多相期ct图像融合方法 |
CN108210071A (zh) * | 2016-12-09 | 2018-06-29 | 长沙博为软件技术股份有限公司 | 一种临床肝脏模拟手术分析报告输出方法 |
CN106683104B (zh) * | 2017-01-06 | 2019-07-05 | 西北工业大学 | 基于集成深度卷积神经网络的前列腺磁共振图像分割方法 |
CN108010021B (zh) * | 2017-11-30 | 2021-12-10 | 上海联影医疗科技股份有限公司 | 一种医学图像处理系统和方法 |
CN108154532B (zh) * | 2018-01-25 | 2021-12-14 | 北京雅森科技发展有限公司 | 一种辅助评估spect图像甲状腺体积的方法 |
CN108269272B (zh) * | 2018-01-31 | 2019-03-22 | 北京青燕祥云科技有限公司 | 肝部ct配准方法和系统 |
CN109493351A (zh) * | 2018-11-12 | 2019-03-19 | 哈尔滨理工大学 | 对ct图像采用概率图谱与水平集进行肝脏分割的系统 |
CN110136139B (zh) * | 2019-04-12 | 2021-04-06 | 浙江工业大学 | 基于形状特征的面部ct图像中的牙神经分割方法 |
CN110599465B (zh) * | 2019-08-28 | 2022-07-26 | 上海联影智能医疗科技有限公司 | 图像定位方法、装置、计算机设备和存储介质 |
CN110738701B (zh) * | 2019-10-23 | 2020-08-11 | 上海聚慕医疗器械有限公司 | 一种肿瘤三维定位系统 |
CN111340209A (zh) * | 2020-02-18 | 2020-06-26 | 北京推想科技有限公司 | 网络模型训练方法、图像分割方法、病灶定位方法 |
CN111462159A (zh) * | 2020-04-03 | 2020-07-28 | 哈尔滨理工大学 | 一种基于ct图像的变形模型的肝脏自动分割方法 |
CN112085743A (zh) * | 2020-09-04 | 2020-12-15 | 厦门大学 | 一种肾肿瘤的图像分割方法 |
CN113269841A (zh) * | 2021-05-18 | 2021-08-17 | 江西晶浩光学有限公司 | 一种灰度测试方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916443A (zh) * | 2010-08-19 | 2010-12-15 | 中国科学院深圳先进技术研究院 | Ct图像的处理方法及系统 |
CN101969852A (zh) * | 2008-03-04 | 2011-02-09 | 断层放疗公司 | 用于改进图像分割的方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8135199B2 (en) * | 2006-12-19 | 2012-03-13 | Fujifilm Corporation | Method and apparatus of using probabilistic atlas for feature removal/positioning |
WO2011068475A1 (en) * | 2009-11-26 | 2011-06-09 | Agency For Science, Technology And Research | A method for construction and use of a probabilistic atlas for diagnosis and prediction of a medical outcome |
-
2012
- 2012-12-25 CN CN201210571829.8A patent/CN103020969B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101969852A (zh) * | 2008-03-04 | 2011-02-09 | 断层放疗公司 | 用于改进图像分割的方法和系统 |
CN101916443A (zh) * | 2010-08-19 | 2010-12-15 | 中国科学院深圳先进技术研究院 | Ct图像的处理方法及系统 |
Non-Patent Citations (3)
Title |
---|
Automatic Liver Segmentation Based on Shape Constrained Differeomorphic Demons Atlas Registration;Cheng Huang 等;《ICECC "12 Proceedings of the 2012 International Conference on Electronics,Communications and Control》;20121016;正文第1页右栏第II节第1段、第2页右栏第2-5段 * |
基于图割与概率图谱的肝脏自动分割研究;刘技 等;《计算机科学》;20120229;第39卷(第2期);289页左栏第2节1-3段、右栏第1段2-4行、290页左栏最后一段1-2行 * |
基于图谱的肝脏CT三维自动分割研究;刘伟 等;《北京生物医学工程》;20111031;第30卷(第5期);459页左栏第4段、右栏第2段 * |
Also Published As
Publication number | Publication date |
---|---|
CN103020969A (zh) | 2013-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103020969B (zh) | 一种ct图像肝脏分割的处理方法及系统 | |
CN105957066B (zh) | 基于自动上下文模型的ct图像肝脏分割方法及系统 | |
CN102324109B (zh) | 基于模糊隶属度模型的非实质性肺结节三维分割方法 | |
Kim et al. | Machine-learning-based automatic identification of fetal abdominal circumference from ultrasound images | |
US9619691B2 (en) | Multi-view 3D object recognition from a point cloud and change detection | |
CN108986067A (zh) | 基于跨模态的肺结节检测方法 | |
CN102360495B (zh) | 基于平均密度投影和平移高斯模型的肺结节分割方法 | |
CN104166163B (zh) | 基于三维大数据量地震数据体的断层曲面自动提取方法 | |
CN104956397A (zh) | 基于自动空间上下文的3d图像中的多对象分段 | |
CN104933711A (zh) | 一种肿瘤病理图像自动快速分割方法 | |
CN106097305A (zh) | 双行程区域生长结合形态学重建的肺部气管树分割方法 | |
CN105389550A (zh) | 一种基于稀疏指引与显著驱动的遥感目标检测方法 | |
CN102693540A (zh) | 一种肝脏分段的方法及其系统 | |
CN105701799A (zh) | 从肺部掩膜影像中分割肺血管的方法和装置 | |
CN104899851A (zh) | 一种分割肺结节图像的方法 | |
CN106296675A (zh) | 一种高噪声灰度不均匀图像的分割方法 | |
CN103150723A (zh) | 基于形状和椭圆拟合的胃部ct图像淋巴结检测系统及方法 | |
CN102903102A (zh) | 基于非局部的三马尔可夫随机场sar图像分割方法 | |
CN104933701A (zh) | 基于多尺度生长与双策略去粘连模型的乳腺细胞分割方法 | |
CN103942785A (zh) | 一种基于图割的pet和ct图像的肺肿瘤分割方法 | |
CN104182755A (zh) | 基于塔形pca的乳腺钼靶x线图像块特征提取方法 | |
CN103077555A (zh) | 一种三维模型构成的自动标注方法 | |
CN104036491B (zh) | 基于区域划分和自适应多项式隐模型的sar图像分割方法 | |
Cai et al. | One stage lesion detection based on 3D context convolutional neural networks | |
Kim et al. | Deep convolutional neural network for classification of thyroid nodules on ultrasound: Comparison of the diagnostic performance with that of radiologists |
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 |