CN103106408A - 无监督分割的胃部ct图像淋巴结自动辅助检测系统 - Google Patents
无监督分割的胃部ct图像淋巴结自动辅助检测系统 Download PDFInfo
- Publication number
- CN103106408A CN103106408A CN2013100295395A CN201310029539A CN103106408A CN 103106408 A CN103106408 A CN 103106408A CN 2013100295395 A CN2013100295395 A CN 2013100295395A CN 201310029539 A CN201310029539 A CN 201310029539A CN 103106408 A CN103106408 A CN 103106408A
- Authority
- CN
- China
- Prior art keywords
- lymph node
- image
- doubtful lymph
- doubtful
- region
- 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.)
- Granted
Links
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种无监督分割的胃部CT图像淋巴结自动辅助检测系统,主要解决现有胃部CT图像中感兴趣区域和疑似淋巴结区域自动获取存在漏检区域或遗留无关信息过多的问题。整个系统包括:预处理模块,感兴趣区域提取模块,疑似淋巴结提取模块,淋巴结跟踪提取模块。预处理模块对待检测图像进行预处理,感兴趣区域提取模块对预处理后的图像做进一步处理,得到感兴趣的区域,疑似淋巴结提取模块从感兴趣区域中提取出疑似淋巴结,淋巴结跟踪提取模块对疑似淋巴结进行窗口特征匹配跟踪,并完成淋巴结的标记提取。本发明能自动有效地提取医生感兴趣的疑似淋巴结区域并最终检测出淋巴结,可用于医学图像的处理。
Description
技术领域
本发明属于图像处理技术领域,特别是涉及医疗检测系统,可用于医学影像的淋巴结检测及其辅助诊断。
背景技术
近年来医学影像技术发展迅速,使临床医生对人体内部病变部位的观察更直接、更清晰,确诊率也更高。计算机辅助诊断(Computer Aided Diagnosis简称为CAD)技术被称为医生的“第二双眼睛”,主要研究如何通过图像处理技术对这些医学影像信息进行有效的处理,辅助医生的诊断甚至进行手术规划,具有重大的社会效益和广泛的应用前景。医学图像处理技术作为计算机辅助诊断的关键不断发展,各学科的交叉已是必然的趋势,但其中还有很多问题亟待解决,特别是随着远程医疗的蓬勃发展,对医学图像处理与分析提出的要求也越来越高,所以进一步研究医学图像处理与分析具有十分重要的意义。
目前的医学影像研究主要为乳腺X线影像,肝部CT影像,由于胃部CT影像包含内容较为复杂,所以对于胃部CT影像的研究仍处于初期阶段。2000年全球新发胃癌病例87.6万,死亡64.6万,死亡率位居第二,其中新发病例35%在我国统计数据表明,胃癌占全部恶性肿瘤死亡的23.2%,在恶性肿瘤死亡率中位居第一位,所以对胃部CT图像的研究具有十分重要的意义。现有胃癌的诊断与治疗手段包括传统根治手段、腹腔镜手术、内镜切除手术等,医生在术前一般需要先对病人的CT影像进行初步的诊断,通过发生癌变的淋巴结数目以及大小等信息判断病人的N分期,然后依据判断结果进行手术。由于依靠医生来诊断会因为医生本身的经验多少,水平高低,疲劳状况等人为因素导致漏检问题,并且不同医生或者同一医生在不同时间段可能会对同一图像会产生不一致的判断。而依据医生的临床经验,淋巴结一般只存在于脂肪组织中且连续出现在4~15帧之间,其他脏器如肝脏、胰脏、血管等在检测淋巴结时都属于影响医生判断的冗余信息。因此,研究计算机辅助技术检测胃部CT图像的淋巴结具有很大的应用需求。
发明内容
本发明的目的在于针对胃部CT影像所含信息复杂,胃部CT图像中感兴趣区域和疑似淋巴结区域自动获取存在漏检区域或遗留无关信息过多的问题,提出一种基于无监督分割技术的胃部CT图像淋巴结自动辅助检测系统,以避免因人为因素导致的漏检问题,准确检测出胃部CT图像中的淋巴结。
为实现上述目的,本发明提供无监督分割的胃部CT图像淋巴结辅助检测系统包括:
预处理模块1,用于对待检测图像进行初步处理,即去掉检查床以及标记胸腔最外层区域带,得到预处理后的图像;
感兴趣区域提取模块2,用于对预处理之后的图像做进一步的处理,即去掉无关脏器区域以及高亮区域,得到感兴趣区域图像;
疑似淋巴结提取模块3,用于从感兴趣区域图像中提取出疑似淋巴结,得到疑似淋巴结图像;
淋巴结跟踪提取模块4,用于在序列疑似淋巴结图像上逐帧对每一个疑似淋巴结进行窗口特征匹配跟踪,得到序列图像上所有待匹配目标出现的起始帧和结束帧,并完成淋巴结的标记提取。
本发明具有以下优点:
第一,本发明首次采用计算机辅助技术对胃部CT图像进行淋巴结的检测,能得到很好的检测结果;
第二,本发明采用多种无监督图像分割技术和窗口特征匹配跟踪方法进行淋巴结的检测,不需要人为干预,自动检测能力强;
仿真实验结果表明,本发明提出的胃部CT图像淋巴结检测系统能在有效地防止淋巴结漏检的同时比较准确地检测出胃部CT图像中的淋巴结,并且能有效去除胃部CT图像中无关的信息。
附图说明
图1是本发明的结构框图;
图2是本发明中感兴趣区域提取模块的结构框图;
图3是本发明中疑似淋巴结提取模块的结构框图;
图4是本发明中淋巴结跟踪提取模块的结构框图;
图5是本发明实现方法的流程图;
图6是本发明的一幅待检测图像F;
图7是本发明对待检测图像F进行预处理后得到的图像F1;
图8是本发明对预处理后的图像F1进行感兴趣区域提取后得到的感兴趣区域图F2;
图9是本发明提取感兴趣区域图F2中所有的疑似淋巴结之后得到的疑似淋巴结图F3;
图10是本发明对25幅序列图像上的疑似淋巴结跟踪后得到的跟踪轨迹图;
图11是本发明在两幅胃部CT图像上的淋巴结提取结果图。
具体实施方式
下面结合附图对本发明做进一步描述。
参照图1,本发明包括预处理模块1,感兴趣区域提取模块2,疑似淋巴结提取模块3,淋巴结跟踪提取模块4,其中:
预处理模块1,包括形态学运算子模块11和四方向搜索子模块12,该形态学运算子模块11通过半径分别为3和5的圆盘算子,对待检测图像先进行形态学闭运算再进行形态学腐蚀运算,得到去掉检查床后的图像;该四方向搜索子模块12对去掉检查床后的图像通过上下左右四个方向搜索,得到胸腔最外层像素,将这层像素周围15个像素宽的区域标记为不关注区域,得到预处理之后的图像;
感兴趣区域提取模块2,用于对预处理之后的图像做进一步的处理,去掉无关脏器区域以及高亮区域,得到感兴趣区域图像;
疑似淋巴结提取模块3,用于从感兴趣区域图像中提取出疑似淋巴结,得到疑似淋巴结图像;
淋巴结跟踪提取模块4,用于在序列疑似淋巴结图像上逐帧对每一个疑似淋巴结进行窗口特征匹配跟踪,得到序列图像上所有待匹配目标出现的起始帧和结束帧,并完成淋巴结的标记提取。
参照图2,所述的感兴趣区域提取模块2,包括otsu多阈值标记子模块21,一致性区域标记子模块22,种子点标记子模块23,区域生长子模块24,其中:
otsu多阈值标记子模块21,采用otsu多阈值分割方法将预处理后的图像分割为4类区域,分别为背景区域,脂肪区域,高亮区域,脏器与疑似淋巴结区域,并为其分配标签,即将背景区域标记为a1,脂肪区域标记为a2,高亮区域标记为a3,脏器和疑似淋巴结区域标记为a4,得到otsu多阈值标记图;
一致性区域标记子模块22,用于对预处理后的图像进行滑动窗口操作,将窗口内灰度方差小于阈值t1的窗口中心像素点标记为一致性区域上的点,得到一致性区域标记图,其中窗口大小为27×27,t1由对所有窗口的灰度方差进行直方图统计得到;
种子点标记子模块23,用于对一致性区域标记图中的每个一致性区域,统计其在otsu多阈值标记图像中标签为a4的像素比例R,若R大于阈值t2,在区域内随机选取一个点标记为种子点,得到种子点图像,其中t2由对一致性区域标记图的所有一致性区域的R进行直方图统计得到;
区域生长子模块24,用于在预处理后的图像上,对种子点图像中每个种子进行区域生长操作,得到区域生长图,预处理图像去掉区域生长图即为感兴趣区域图像。
参照图3,所述的疑似淋巴结提取模块3,包括分水岭分割子模块31,otsu二值化标记子模块32,区域合并子模块33,完全浸润疑似淋巴结提取子模块34,完全浸润疑似淋巴结提取子模块35,其中:
分水岭分割子模块31,用于对感兴趣区域图像进行分水岭分割,并为分割后的各个区域分配不同的标签,得到分水岭分割后的区域图;
otsu二值化标记子模块32,用于对分水岭分割后的区域图中每一个区域计算灰度均值,对灰度均值非零的区域进行otsu二值化处理,并进行标记,即将脂肪区域标记为b1,候选疑似淋巴结标记为b2,对灰度均值为零的区域用b0标记,得到otsu二值化标记图;
区域合并子模块33,用于将otsu二值化标记图中标号相同且邻接的区域合并,并为合并后的背景区域,脂肪区域,候选疑似淋巴结区域重新进行标记,即将背景区域标记为0,脂肪区域标记为1,候选疑似淋巴结区域从2开始标记,分别为2,3,4,…,n,n为区域个数,得到区域合并图;
完全浸润疑似淋巴结提取子模块34,用于对区域合并图建立邻接区域的邻接矩阵A,“1”表示相邻,“0”表示不相邻,从第三行起遍历邻接矩阵A的每一行,若该行有且仅有第2列元素为1,说明该行所对应的区域仅与脂肪区域相邻,将该行代表的区域标记为疑似淋巴结,得到完全浸润在脂肪内的疑似淋巴结图;
不完全浸润疑似淋巴结提取子模块35,用于将不完全浸润在脂肪内的边界浸润程度r大于t3的候选疑似淋巴结标记为疑似淋巴结,得到所有的疑似淋巴结图,本子模块中的候选疑似淋巴结为分水岭分割后的区域图去除区域合并图中标记为0和1的区域以及完全浸润在脂肪内的疑似淋巴结所得,边界浸润程度r是指疑似淋巴结的边界区域合并图上标记不为0的像素个数占边界像素总数的比例,t3由对本子模块所有候选疑似淋巴结的r进行直方图统计得到。
参照图4,所述的淋巴结跟踪提取模块,包括疑似淋巴结匹配计算子模块41,疑似淋巴结跟踪子模块42和淋巴结提取子模块43,其中:
疑似淋巴结匹配计算子模块41,用于计算序列疑似淋巴结图像上的每一个待跟踪疑似淋巴结在下一帧图像内的匹配目标,将待跟踪疑似淋巴结记作O,将以疑似淋巴结O为中心,d为半径的圆形窗口区域内包含的待关联疑似淋巴结的集合记作Ω(O),若集合Ω(O)为空,说明没有与疑似淋巴结O匹配的下一帧目标,若集合Ω(O)非空,则依据代价函数:V(O,Oj)=a×l(D(O,Oj))+b×l(A(O,Oj))+c×l(E(O,Oj)),计算疑似淋巴结O与集合Ω(O)中每个元素代价,从集合Ω(O)中选取与疑似淋巴结O之间代价最小的元素,记为Onext,该最小元素Onext即为疑似淋巴结O在下一帧图像内的匹配目标,其中a,b,c为权值系数,d为经验参数,取值为a=0.6,b=0.2,c=0.2,d=7,Oj代表集合Ω(O)中的第j个元素,D(O,Oj)代表O与Oj质心间的欧式距离,l(D(O,Oj))代表位置相似度函数,A(O,Oj)代表O与Oj的面积之差,l(A(O,Oj))代表面积差异度函数,E(O,Oj)代表O与Oj的偏心率之差,l(E(O,Oj))代表偏心率差异度函数,
疑似淋巴结跟踪子模块42,用于将序列疑似淋巴结图像上的每一个疑似淋巴结O加入其初始跟踪轨迹中,记跟踪轨迹中的最后一个元素为Otail,通过疑似淋巴结匹配计算子模块计算下一帧中与元素Otail相匹配的目标,若不存在与元素Otail相匹配的目标,则跟踪终止,若存在与元素Otail相匹配的目标Onext,将目标Onext加入疑似淋巴结O的跟踪轨迹中,更新Otail,重复上述运算直到处理完所有帧,得到疑似淋巴结O完整的跟踪轨迹;
淋巴结提取子模块43,用于将序列疑似淋巴结图像上疑似淋巴结跟踪轨迹长度不小于4且不大于15的疑似淋巴结标记为淋巴结。
参照图5,本发明的具体实施步骤如下:
步骤1,预处理
1.1)输入一幅待检测图像F,如图6所示;
1.2)用半径分别为3和5的圆盘算子,对F先进行形态学闭运算再进行形态学腐蚀运算,得到去掉检查床之后的图;
1.3)对去掉检查床之后的图分别从上下左右四个方向搜索,得到胸腔最外层像素,将这层像素周围15个像素宽的区域带标记为不关注区域,得到预处理后的图像F1,如图7所示;
步骤2,感兴趣区域提取
2.1)对预处理后的图像F1进行像素级上的otsu多阈值标记,将预处理后的图像F1分割为4类区域,第一类为背景,第二类为脂肪区域,第三类为高亮区域,第四类为疑似淋巴结和脏器区域,为其分配标签,即将背景区域标记为a1,脂肪区域标记为a2,高亮区域标记为a3,脏器和疑似淋巴结区域标记为a4,得到otsu多阈值标记图;
2.2)对预处理后的图像F1进行逐像素滑动窗口操作,将窗口内灰度方差小于阈值t1的窗口中心像素点标记为一致性区域上的点,得到一致性区域标记图,其中t1是由当前待处理图像上所有窗口内灰度方差进行直方图统计得到;
2.3)区域生长种子点自动选取,统计一致性区域标记图上每个一致性区域内标签为a4的像素比例R,若R大于t2,则在该区域内随机选取一个种子点标记为种子点,得到种子点图像,其中t2由对一致性区域标记图的所有一致性区域的R进行直方图统计得到;
2.4)在预处理后的图像F1上,对种子点图像的每一个种子进行区域生长操作,得到预处理图像F1上所有一致性区域;
2.5)预处理后的图像F1去除一致性区域后的剩余部分区域即为感兴趣区域图F2,如图8所示;
步骤3,疑似淋巴结提取
3.1)对感兴趣区域图F2进行分水岭分割,其中,分水岭分割的具体步骤如下:
3.1a)计算F2的梯度图像,并归一化;
3.1b)扩展梯度极小值区域,标记集水盆地,将梯度图像上值小于阈值h的像素构成的连通区域标记为集水盆地中心,h取值为0.25;
3.1c)在标记了集水盆地的梯度图像上进行分水岭变换,并为分割后的各个区域赋予不同的区域标签,得到分水岭分割后的区域图;
3.2)计算分水岭分割后的区域图中每一个区域的灰度均值,对灰度均值非零的区域进行otsu二值化处理,并进行标记,即将脂肪区域标记为b1,候选疑似淋巴结标记为b2,对灰度均值为零的区域用b0标记,得到otsu二值化标记图;
3.3)将otsu二值化标记图中标号相同且邻接的区域合并,为合并后的背景区域,脂肪区域,候选疑似淋巴结区域重新进行标记,即将背景区域标记为0,脂肪区域标记为1,候选疑似淋巴结区域从2开始标记,分别为2,3,4,…,n,n为区域个数,得到区域合并图;
3.4)建立区域合并图的邻接矩阵A,“1”表示区域相邻,“0”表示区域不相邻,从第三行起遍历邻接矩阵A的每一行,若该行有且仅有第2列元素为1,说明该行所对应的区域仅与脂肪区域相邻,将该行代表的区域标记为疑似淋巴结,得到完全浸润在脂肪内的疑似淋巴结图;
3.5)将不完全浸润在脂肪内的边界浸润程度r大于t3的候选疑似淋巴结标记为疑似淋巴结,得到疑似淋巴结图F3,如图9所示,其中候选疑似淋巴结为分水岭分割后的区域图去除区域合并图中标记为0和1的区域以及完全浸润在脂肪内的疑似淋巴结所得,边界浸润程度r是指疑似淋巴结的边界区域合并图上标记不为0的像素个数占边界像素总数的比例,t3由对所有候选疑似淋巴结的r进行直方图统计得到;
步骤4,对待检测序列图像按照步骤1,步骤2,步骤3处理,得到所有待检测序列图像的疑似淋巴结图;
步骤5,序列图像上疑似淋巴结跟踪和淋巴结提取
5.1)对序列疑似淋巴结图上的每个疑似淋巴结进行窗口特征匹配跟踪,其中,窗口特征匹配跟踪的具体步骤如下:
5.1a)待匹配的疑似淋巴结O加入其初始跟踪轨迹中;
5.1b)将下一帧中与疑似淋巴结O的距离不大于d的疑似淋巴结集合记作Ω(O),若集合Ω(O)为空,说明没有与疑似淋巴结O匹配的下一帧目标,若集合Ω(O)非空,则按照下列公式计算疑似淋巴结O与集合Ω(O)中每个元素的代价;
V(O,Oj)=a×l(D(O,Oj))+b×l(A(O,Oj))+c×l(E(O,Oj))
这里选取的是欧氏距离特征,面积特征和偏心率特征l(A(O,Oj)),分别为D(O,Oj),A(O,Oj),E(O,Oj),其中a,b,c为权值系数,d为经验参数,取值为a=0.6,b=0.2,c=0.2,d=7,Oj代表集合Ω(O)中的第j个元素,D(O,Oj)代表O与Oj质心间的欧式距离,l(D(O,Oj))代表位置相似度函数,l(D(O,Oj))越小说明匹配程度越高,A(O,Oj)代表O与Oj的面积之差,代表面积差异度函数,l(A(O,Oj))越小说明匹配程度越高,E(O,Oj)代表O与Oj的偏心率之差,l(E(O,Oj))代表偏心率差异度函数,l(E(O,Oj))越小说明匹配程度越高;
5.1c)选取集合Ω(O)中与疑似淋巴结O代价最小的元素,记为Onext,该最小元素Onext即为疑似淋巴结O在下一帧图像内的匹配目标;
5.1d)更新疑似淋巴结O的跟踪轨迹,即将疑似淋巴结Onext加到疑似淋巴结O的跟踪轨迹中,更新待匹配疑似淋巴结;
5.1e)重复步骤5.1a),5.1b),5.1c),5.1d),直到集合Ω(O)为空或者处理完所有帧,得到疑似淋巴结O完整的跟踪轨迹;
5.2)对序列图像上所有疑似淋巴结按照5.1)进行处理,得到序列图像上所有疑似淋巴结出现的起始帧和结束帧,得到序列图像上所有疑似淋巴结的跟踪轨迹图,如图10所示;
5.3)将跟踪轨迹图上跟踪轨迹长度不小于4且不大于15所对应的疑似淋巴结标记为淋巴结。
本发明的效果可以通过以下对胃部CT图像的仿真数据进一步说明:
1.实验条件
本发明的仿真在windowsXP,SPI,CPUPentium(R)4,基本频率2.4GHZ,软件平台为MatlabR2009a运行,仿真选用的胃部CT图像来自北京肿瘤医院影像数据,且本发明采用的测试图像均有北京肿瘤医院放射科医生进行淋巴结标注的标准图像,根据对已标注的淋巴结的遗漏情况评价本发明系统的有效性,实验中在连续的25幅序列图上进行跟踪,分水岭集水盆地阈值h的取值范围0.25-0.30,逐像素滑动窗口大小为27×27,窗口特征匹配时欧氏距离特征,面积特征和偏心率特征的系数分别为a=0.6,b=0.2,c=0.2,d=7,将连续出现4-15帧的区域标记为淋巴结。
2.仿真内容及结果
本实验对2幅胃部CT图像按照以上条件进行仿真,仿真结果如图11所示,其中图11(a)和图11(b)为医生标注了淋巴结的标准图像,图11(c)和图11(d)为用本发明检测的疑似淋巴结,图11(e)和图11(f)为用本发明检测的淋巴结结果。从图11可见,对2幅存在淋巴结的胃部CT图像本发明都有效地去除了肝脏等无关信息并且检测得到的疑似淋巴结很好的保留了淋巴结信息。
以上结果表明:本发明在去除冗余信息的同时,很好的保留了医生感兴趣的淋巴结信息,是一种能有效检测胃部CT图像淋巴结的辅助检测系统。
Claims (5)
1.一种无监督分割的胃部CT图像淋巴结自动辅助检测系统,包括:
预处理模块,用于对待检测图像进行初步处理,即去掉检查床以及标记胸腔最外层区域带,得到预处理后的图像;
感兴趣区域提取模块,用于对预处理之后的图像做进一步的处理,即去掉无关脏器区域以及高亮区域,得到感兴趣区域图像;
疑似淋巴结提取模块,用于从感兴趣区域图像中提取出疑似淋巴结,得到疑似淋巴结图像;
淋巴结跟踪提取模块,用于在序列疑似淋巴结图像上逐帧对每一个疑似淋巴结进行窗口特征匹配跟踪,得到序列图像上所有待匹配目标出现的起始帧和结束帧,并完成淋巴结的标记提取。
2.根据权利要求1所述的检测系统,其中预处理模块包括:
形态学运算子模块,用于通过半径分别为3和5的圆盘算子,对待检测图像先进行形态学闭运算再进行形态学腐蚀运算,得到去掉检查床后的图像;
四方向搜索子模块,用于对去掉检查床后的图像通过上下左右四个方向搜索,得到胸腔最外层像素,将这层像素周围15个像素宽的区域标记为不关注区域,得到预处理之后的图像。
3.根据权利要求1所述的检测系统,其中感兴趣区域提取模块包括:
otsu多阈值标记子模块,用于将预处理后的图像分割为4类区域,分别为背景区域,脂肪区域,高亮区域,脏器与疑似淋巴结区域,并为其分配标签,即将背景区域标记为a1,脂肪区域标记为a2,高亮区域标记为a3,脏器和疑似淋巴结区域标记为a4,得到otsu多阈值标记图;
一致性区域标记子模块,用于对预处理后的图像进行滑动窗口操作,将窗口内灰度方差小于阈值t1的窗口中心像素点标记为一致性区域上的点,得到一致性区域标记图,其中窗口大小为27×27,t1由对所有窗口的灰度方差进行直方图统计得到;
种子点标记子模块,用于对一致性区域标记图中的每个一致性区域,统计其在otsu多阈值标记图像中标签为a4的像素比例R,若R大于阈值t2,在区域内随机选取一个点标记为种子点,得到种子点图像,其中t2由对一致性区域标记图的所有一致性区域的R进行直方图统计得到;
区域生长子模块,用于在预处理后的图像上,对种子点图像中每个种子进行区域生长操作,得到区域生长图,预处理图像去掉区域生长图即为感兴趣区域图像。
4.根据权利要求1所述的检测系统,其中疑似淋巴结提取模块包括:
分水岭分割子模块,用于对感兴趣区域图像进行分水岭分割,并为分割后的各个区域分配不同的标签,得到分水岭分割后的区域图;
otsu二值化标记子模块,用于对分水岭分割后的区域图中每一个区域计算灰度均值,对灰度均值非零的区域进行otsu二值化处理,并进行标记,即将脂肪区域标记为b1,候选疑似淋巴结标记为b2,对灰度均值为零的区域用b0标记,得到otsu二值化标记图;
区域合并子模块,用于将otsu二值化标记图中标号相同且邻接的区域合并,并为合并后的背景区域,脂肪区域,候选疑似淋巴结区域重新进行标记,即将背景区域标记为0,脂肪区域标记为1,候选疑似淋巴结区域从2开始标记,分别为2,3,4,…,n,n为区域个数,得到区域合并图;
完全浸润疑似淋巴结提取子模块,用于对区域合并图建立邻接区域的邻接矩阵A,“1”表示相邻,“0”表示不相邻,从第三行起遍历邻接矩阵A的每一行,若该行有且仅有第2列元素为1,说明该行所对应的区域仅与脂肪区域相邻,将该行代表的区域标记为疑似淋巴结,得到完全浸润在脂肪内的疑似淋巴结图;
不完全浸润疑似淋巴结提取子模块,用于将不完全浸润在脂肪内的边界浸润程度r大于t3的候选疑似淋巴结标记为疑似淋巴结,得到所有的疑似淋巴结图,本子模块中的候选疑似淋巴结为分水岭分割后的区域图去除区域合并图中标记为0和1的区域以及完全浸润在脂肪内的疑似淋巴结所得,边界浸润程度r是指疑似淋巴结的边界区域合并图上标记不为0的像素个数占边界像素总数的比例,t3由对本子模块所有候选疑似淋巴结的r进行直方图统计得到。
5.根据权利要求1所述的检测系统,其中淋巴结跟踪提取模块包括:
疑似淋巴结匹配计算子模块,用于计算序列疑似淋巴结图像上的每一个待跟踪疑似淋巴结在下一帧图像内的匹配目标,将待跟踪疑似淋巴结记作O,将以疑似淋巴结O为中心,d为半径的圆形窗口区域内包含的待关联疑似淋巴结的集合记作Ω(O),若集合Ω(O)为空,说明没有与疑似淋巴结O匹配的下一帧目标,若集合Ω(O)非空,则依据代价函数:V(O,Oj)=a×l(D(O,Oj))+b×l(A(O,Oj))+c×l(E(O,Oj)),计算疑似淋巴结O与集合Ω(O)中每个元素代价,从集合Ω(O)中选取与疑似淋巴结O之间代价最小的元素,记为Onext,该最小元素Onext即为疑似淋巴结O在下一帧图像内的匹配目标,其中a,b,c为权值系数,d为经验参数,取值为a=0.6,b=0.2,c=0.2,d=7,Oj代表集合Ω(O)中的第j个元素,D(O,Oj)代表O与Oj质心间的欧式距离,l(D(O,Oj))代表位置相似度函数,A(O,Oj)代表O与Oj的面积之差,l(A(O,Oj))代表面积差异度函数,E(O,Oj)代表O与Oj的偏心率之差,l(E(O,Oj))代表偏心率差异度函数,
疑似淋巴结跟踪子模块,用于将序列疑似淋巴结图像上的每一个疑似淋巴结O加入其初始跟踪轨迹中,记跟踪轨迹中的最后一个元素为Otail,通过疑似淋巴结匹配计算子模块计算下一帧中与元素Otail相匹配的目标,若不存在与元素Otail相匹配的目标,则跟踪终止,若存在与元素Otail相匹配的目标Onext,将目标Onext加入疑似淋巴结O的跟踪轨迹中,更新Otail,重复上述运算直到处理完所有帧,得到疑似淋巴结O完整的跟踪轨迹;
淋巴结提取子模块,用于将序列疑似淋巴结图像上疑似淋巴结跟踪轨迹长度不小于4且不大于15的疑似淋巴结标记为淋巴结。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310029539.5A CN103106408B (zh) | 2013-01-25 | 2013-01-25 | 无监督分割的胃部ct图像淋巴结自动辅助检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310029539.5A CN103106408B (zh) | 2013-01-25 | 2013-01-25 | 无监督分割的胃部ct图像淋巴结自动辅助检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103106408A true CN103106408A (zh) | 2013-05-15 |
CN103106408B CN103106408B (zh) | 2016-02-10 |
Family
ID=48314256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310029539.5A Expired - Fee Related CN103106408B (zh) | 2013-01-25 | 2013-01-25 | 无监督分割的胃部ct图像淋巴结自动辅助检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103106408B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793520A (zh) * | 2014-02-14 | 2014-05-14 | 齐齐哈尔大学 | 一种嵌入图像处理软件的移动视觉搜索方法 |
CN103839048A (zh) * | 2014-02-21 | 2014-06-04 | 西安电子科技大学 | 基于低秩分解的胃部ct图像淋巴结识别系统和方法 |
CN103955912A (zh) * | 2014-02-14 | 2014-07-30 | 西安电子科技大学 | 自适应窗的胃部ct图像淋巴结跟踪检测系统及方法 |
CN104408737A (zh) * | 2014-12-15 | 2015-03-11 | 西安电子科技大学 | 基于多角度图片序列的胃部ct图像淋巴结检测系统 |
CN104408457A (zh) * | 2014-11-26 | 2015-03-11 | 西安电子科技大学 | 基于低秩分解和质心跟踪的胃部ct图像淋巴结检测系统 |
CN105405140A (zh) * | 2015-11-12 | 2016-03-16 | 西安电子科技大学 | 基于初始素描图的胃部ct图像淋巴结检测系统 |
CN106296659A (zh) * | 2016-07-27 | 2017-01-04 | 潘燕 | 一种计算机辅助胃癌诊断系统 |
CN106600606A (zh) * | 2016-12-19 | 2017-04-26 | 上海电气自动化设计研究所有限公司 | 基于图像分割的船舶涂装轮廓检测方法 |
CN107315896A (zh) * | 2016-04-21 | 2017-11-03 | 北京大学 | 一种基于造影剂增强曲线的药代动力学参数估计方法 |
CN109069094A (zh) * | 2016-04-13 | 2018-12-21 | 日本医事物理股份有限公司 | 从核医学图像对生理性蓄积的自动去除及ct图像的自动分割 |
CN110211104A (zh) * | 2019-05-23 | 2019-09-06 | 复旦大学 | 一种用于肺部肿块计算机辅助检测的图像分析方法和系统 |
CN112837296A (zh) * | 2021-02-05 | 2021-05-25 | 深圳瀚维智能医疗科技有限公司 | 基于超声视频的病灶检测方法、装置、设备及存储介质 |
CN112884714A (zh) * | 2021-01-25 | 2021-06-01 | 上海健康医学院 | 一种淋巴结ct图像自动分割方法及系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989125B (zh) * | 2021-12-27 | 2022-04-12 | 武汉楚精灵医疗科技有限公司 | 内镜图像的拼接方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009121510A1 (de) * | 2008-04-02 | 2009-10-08 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren und vorrichtung zur segmentation einer läsion |
CN102436584A (zh) * | 2011-11-04 | 2012-05-02 | 西安电子科技大学 | 基于字典学习的胃部ct图像感兴趣区域检测系统 |
CN102436551A (zh) * | 2011-11-10 | 2012-05-02 | 西安电子科技大学 | 基于目标跟踪的计算机辅助胃癌诊断方法 |
-
2013
- 2013-01-25 CN CN201310029539.5A patent/CN103106408B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009121510A1 (de) * | 2008-04-02 | 2009-10-08 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren und vorrichtung zur segmentation einer läsion |
CN102436584A (zh) * | 2011-11-04 | 2012-05-02 | 西安电子科技大学 | 基于字典学习的胃部ct图像感兴趣区域检测系统 |
CN102436551A (zh) * | 2011-11-10 | 2012-05-02 | 西安电子科技大学 | 基于目标跟踪的计算机辅助胃癌诊断方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793520A (zh) * | 2014-02-14 | 2014-05-14 | 齐齐哈尔大学 | 一种嵌入图像处理软件的移动视觉搜索方法 |
CN103955912A (zh) * | 2014-02-14 | 2014-07-30 | 西安电子科技大学 | 自适应窗的胃部ct图像淋巴结跟踪检测系统及方法 |
CN103955912B (zh) * | 2014-02-14 | 2017-01-11 | 西安电子科技大学 | 自适应窗的胃部ct图像淋巴结跟踪检测系统及方法 |
CN103839048A (zh) * | 2014-02-21 | 2014-06-04 | 西安电子科技大学 | 基于低秩分解的胃部ct图像淋巴结识别系统和方法 |
CN103839048B (zh) * | 2014-02-21 | 2017-05-10 | 西安电子科技大学 | 基于低秩分解的胃部ct图像淋巴结识别系统和方法 |
CN104408457A (zh) * | 2014-11-26 | 2015-03-11 | 西安电子科技大学 | 基于低秩分解和质心跟踪的胃部ct图像淋巴结检测系统 |
CN104408457B (zh) * | 2014-11-26 | 2017-10-24 | 西安电子科技大学 | 基于低秩分解和质心跟踪的胃部ct图像淋巴结检测系统 |
CN104408737A (zh) * | 2014-12-15 | 2015-03-11 | 西安电子科技大学 | 基于多角度图片序列的胃部ct图像淋巴结检测系统 |
CN104408737B (zh) * | 2014-12-15 | 2017-05-17 | 西安电子科技大学 | 基于多角度图片序列的胃部ct图像淋巴结检测系统 |
CN105405140A (zh) * | 2015-11-12 | 2016-03-16 | 西安电子科技大学 | 基于初始素描图的胃部ct图像淋巴结检测系统 |
CN105405140B (zh) * | 2015-11-12 | 2018-07-06 | 西安电子科技大学 | 基于初始素描图的胃部ct图像淋巴结检测系统和方法 |
CN109069094A (zh) * | 2016-04-13 | 2018-12-21 | 日本医事物理股份有限公司 | 从核医学图像对生理性蓄积的自动去除及ct图像的自动分割 |
CN107315896A (zh) * | 2016-04-21 | 2017-11-03 | 北京大学 | 一种基于造影剂增强曲线的药代动力学参数估计方法 |
CN106296659A (zh) * | 2016-07-27 | 2017-01-04 | 潘燕 | 一种计算机辅助胃癌诊断系统 |
CN106600606A (zh) * | 2016-12-19 | 2017-04-26 | 上海电气自动化设计研究所有限公司 | 基于图像分割的船舶涂装轮廓检测方法 |
CN110211104A (zh) * | 2019-05-23 | 2019-09-06 | 复旦大学 | 一种用于肺部肿块计算机辅助检测的图像分析方法和系统 |
CN110211104B (zh) * | 2019-05-23 | 2023-01-06 | 复旦大学 | 一种用于肺部肿块计算机辅助检测的图像分析方法和系统 |
CN112884714A (zh) * | 2021-01-25 | 2021-06-01 | 上海健康医学院 | 一种淋巴结ct图像自动分割方法及系统 |
CN112837296A (zh) * | 2021-02-05 | 2021-05-25 | 深圳瀚维智能医疗科技有限公司 | 基于超声视频的病灶检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103106408B (zh) | 2016-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103106408B (zh) | 无监督分割的胃部ct图像淋巴结自动辅助检测系统 | |
Haque et al. | Deep learning approaches to biomedical image segmentation | |
US10614573B2 (en) | Method for automatically recognizing liver tumor types in ultrasound images | |
CN103150723B (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 | |
Zhao et al. | Automatic extraction and stenosis evaluation of coronary arteries in invasive coronary angiograms | |
Yang et al. | Segmentation of liver and vessels from CT images and classification of liver segments for preoperative liver surgical planning in living donor liver transplantation | |
Zheng et al. | Multi-part modeling and segmentation of left atrium in C-arm CT for image-guided ablation of atrial fibrillation | |
Jin et al. | Artificial intelligence in radiology | |
CN103955912B (zh) | 自适应窗的胃部ct图像淋巴结跟踪检测系统及方法 | |
Wang et al. | Mixed 2D and 3D convolutional network with multi-scale context for lesion segmentation in breast DCE-MRI | |
Mughal et al. | Adaptive hysteresis thresholding segmentation technique for localizing the breast masses in the curve stitching domain | |
Zeng et al. | Liver vessel segmentation based on centerline constraint and intensity model | |
Affane et al. | Robust deep 3-D architectures based on vascular patterns for liver vessel segmentation | |
Wang et al. | Accurate tumor segmentation via octave convolution neural network | |
CN103839048A (zh) | 基于低秩分解的胃部ct图像淋巴结识别系统和方法 | |
Alirr et al. | Automatic liver segmentation from ct scans using intensity analysis and level-set active contours | |
CN104915989A (zh) | 基于ct影像的血管三维分割方法 | |
Zheng et al. | Precise segmentation of the left atrium in C-arm CT volumes with applications to atrial fibrillation ablation | |
Sharma et al. | Importance of deep learning models to perform segmentation on medical imaging modalities | |
Dickson et al. | A Dual Channel Multiscale Convolution U-Net Methodfor Liver Tumor Segmentation from Abdomen CT Images | |
Zhang et al. | SEG-LUS: A novel ultrasound segmentation method for liver and its accessory structures based on muti-head self-attention | |
Tang et al. | SM-RNet: A Scale-aware-based Multi-attention Guided Reverse Network for Pulmonary Nodules Segmentation | |
Eidheim et al. | Segmentation of liver vessels as seen in MR and CT images | |
Goceri et al. | Artificial neural network based abdominal organ segmentations: a review | |
Cai et al. | An automatic algorithm for distinguishing optical navigation markers used during surgery |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160210 Termination date: 20220125 |