CN104036484B - 图像分割装置、图像分割方法和医学图像设备 - Google Patents
图像分割装置、图像分割方法和医学图像设备 Download PDFInfo
- Publication number
- CN104036484B CN104036484B CN201310071308.0A CN201310071308A CN104036484B CN 104036484 B CN104036484 B CN 104036484B CN 201310071308 A CN201310071308 A CN 201310071308A CN 104036484 B CN104036484 B CN 104036484B
- Authority
- CN
- China
- Prior art keywords
- image
- tree
- tubular structure
- region growing
- segmenting device
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005192 partition Methods 0.000 title claims abstract description 43
- 230000003044 adaptive effect Effects 0.000 claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 18
- 238000012512 characterization method Methods 0.000 claims description 27
- 230000000877 morphologic effect Effects 0.000 claims description 26
- 230000004927 fusion Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 230000000717 retained effect Effects 0.000 claims description 8
- 210000004204 blood vessel Anatomy 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 claims description 7
- 210000000988 bone and bone Anatomy 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000002059 diagnostic imaging Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000006854 communication Effects 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 108010022579 ATP dependent 26S protease Proteins 0.000 description 2
- 235000004338 Syringa vulgaris Nutrition 0.000 description 2
- 244000297179 Syringa vulgaris Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- CNQCVBJFEGMYDW-UHFFFAOYSA-N lawrencium atom Chemical compound [Lr] CNQCVBJFEGMYDW-UHFFFAOYSA-N 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000422846 Sequoiadendron giganteum Species 0.000 description 1
- 241000486406 Trachea Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 210000003437 trachea Anatomy 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20156—Automatic seed setting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本申请提供了一种图像分割装置、图像分割方法和医学图像设备,用于从分层拍摄获得的一系列图像形成的体图像中分割出树形管状结构的对象,该图像分割装置包括:自适应区域生长单元,被配置为基于种子点和预定阈值基于所述体图像进行区域生长以获得至少一部分树形管状结构;生长控制单元,被配置为判断自适应区域生长单元所获得的至少一部分树形管状结构是否正确,并且在判断为不正确的情况下改变预定阈值以重新进行区域生长,直到达到预定条件为止;以及基于圆心度的区域生长单元,被配置为在自适应区域生长单元不能获得正确结果的情况下,基于种子点和预定阈值基于体图像进行具有圆心度限制的区域生长以获得至少一部分树形管状结构。
Description
技术领域
本申请涉及图像处理领域,具体而言,涉及一种图像分割装置和图像分割方法以及医学图像设备。
背景技术
在图像处理领域中,存在如下应用:从获得的图像中分割出表示目标对象的结构的部分。作为一种典型示例,这种结构例如是树形的管状结构。由于图像中的各种噪声以及分辨率的限制,可能难以直接从图像中得到完整且正确的树形管状结构,尤其是在对接近末梢的部分感兴趣的情况下更是如此。因此,往往需要利用特定的图像分割方法来对图像进行进一步的处理。
例如,在现代医学中,从获得的医学图像中分割出气管树或者血管具有重要的临床意义。以气管树为例,对肺部进行扫描获得其体图像,其中包括肺实质以及想要的气管树结构,然后可以通过各种图像分割方法分割出气管树,从而有助于定位不同层级的支气管并测量其分支特性。
发明内容
在下文中给出了关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
本发明的一个目的是提供一种准确、快速的图像分割装置和图像分割方法以及医学图像设备。
根据本发明的一个方面,提供了一种图像分割装置,用于从分层拍摄获得的一系列图像形成的体图像中分割出树形管状结构的对象,所述图像分割装置包括:自适应区域生长单元,被配置为基于种子点和预定阈值基于所述体图像进行区域生长以获得至少一部分树形管状结构;生长控制单元,被配置为判断所述自适应区域生长单元所获得的至少一部分树形管状结构是否正确,并且在判断为不正确的情况下改变所述预定阈值以重新进行区域生长,直到达到预定条件为止;以及基于圆心度的区域生长单元,被配置为在所述自适应区域生长单元不能获得正确结果的情况下,基于种子点和预定阈值基于所述体图像进行具有圆心度限制的区域生长以获得至少一部分树形管状结构。
根据本发明的另一个方面,一种医学图像设备包括:根据本发明的以上方面的图像分割装置。
根据本发明的另一个方面,提供了一种图像分割方法,用于从分层拍摄获得的一系列图像形成的体图像中分割出树形管状结构的对象,所述图像分割方法包括:基于种子点和预定阈值基于所述体图像进行区域生长以获得至少一部分树形管状结构;判断所获得的至少一部分树形管状结构是否正确,并且在判断为不正确的情况下改变所述预定阈值以重新进行区域生长,直到达到预定条件为止;以及在所述区域生长不能获得正确结果的情况下,基于种子点和预定阈值基于所述体图像进行具有圆心度限制的区域生长以获得至少一部分树形管状结构。
另外,本发明的另一方面还提供了用于实现上述图像分割方法的计算机程序。
此外,本发明的另一方面还提供了至少计算机可读介质形式的计算机程序产品,其上记录有用于实现上述图像分割方法的计算机程序代码。
在本发明的图像分割方法、图像分割装置和医学图像设备中,通过采用更准确的粗分割算法与精细分割算法相结合的方式实现了准确、快速的图像分割。
附图说明
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解,其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分,而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。在附图中:
图1是示出了根据本发明的一个实施例的图像分割装置的结构的框图;
图2是示出了根据本发明的另一个实施例的图像分割装置的结构的框图;
图3是示出了根据本发明的一个实施例的形态学重建单元的结构的框图;
图4是示出了根据本发明的又一个实施例的图像分割装置的结构的框图;
图5是示出了根据本发明的一个实施例的图像分割方法的流程图;
图6是示出了根据本发明的另一个实施例的图像分割方法的流程图;
图7是示出了根据本发明的一个实施例的图像分割方法中的获取候选数据的步骤的流程图;
图8是示出了根据本发明的又一个实施例的图像分割方法的流程图;
图9是示出了根据本发明的一个实施例的医学图像设备的示意性框图;以及
图10是示出了可以实现本发明的实施例/示例的计算机的结构的示例性框图。
具体实施方式
下面将参照附图来说明本发明的实施例。在本发明的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。应当注意,为了清楚的目的,附图和说明中省略了与本发明无关的、本领域普通技术人员已知的部件和处理的表示和描述。
如图1所示,根据本申请的一个实施例的图像分割装置100用于从分层拍摄获得的一系列图像形成的体图像中分割出树形管状结构的对象,该图像分割装置100包括:自适应区域生长单元101,被配置为基于种子点和预定阈值基于该体图像进行区域生长以获得至少一部分树形管状结构;生长控制单元102,被配置为判断自适应区域生长单元101所获得的至少一部分树形管状结构是否正确,并且在判断为不正确的情况下改变预定阈值以重新进行区域生长,直到达到预定条件为止;以及基于圆心度的区域生长单元103,被配置为在自适应区域生长单元101不能获得正确结果的情况下,基于种子点和预定阈值基于所述体图像进行具有圆心度限制的区域生长以获得至少一部分树形管状结构。
其中,树形管状结构的对象可能与其他物体相互包含或交叉,使得难以直接从体图像中分割出其结构。在一些情况下,所获得图像的分辨率有限,也增加了这种分割的困难。树形管状结构的对象的示例包括例如道路、植物的根系、以及人体的血管、气管树、骨骼等,但不限于此。
首先,对该树形管状结构的对象进行分层拍摄,从而获得一系列图像,这些图像沿分层的方向叠合起来可以构成反映对象立体结构的体图像。自适应区域生长单元101在体图像中设置一个或更多个种子点,并且由于要分割的树形管状结构的管壁将内腔与周围部分分隔开,使得二者在图像上表现为具有不同的像素值范围的区域,即各自具有共同的特征,因此,自适应区域生长单元101可以通过不断比较种子点周围的点是否具有该特征或者符合一定的生长标准从而实现区域生长。具体地,自适应区域生长单元101可以通过将种子点周围的点与预定阈值进行比较,以判断是否将该点生长在内。其中,预定阈值可以根据树形管状结构在图像中通常呈现的像素值的范围来设定。通过这样的生长过程,最终可以获得至少一部分树形管状结构。
其中,种子点的设置可以是自动进行的。在一个实施例中,种子点可以设置在树形结构的主干上。这一点可以利用简单的预处理来实现,在此不再赘述。
但是,由于这种生长仅仅由预定阈值来约束,在图像分辨率较低或者管状结构的尺度较小的情况下,容易出现错误生长的情况,例如,生长出了许多伪分支或者漏生长了真正的分支等。因此,根据本申请的图像分割装置100使用生长控制单元102对生长结果进行判断,在生长控制单元102判断存在错误生长的情况下改变预定阈值并重新进行区域生长,直到达到预定条件为止。
在一个实施例中,预定条件为进行区域生长的次数达到预定次数或该预定阈值超出预定范围。例如,在预定阈值已经超出了对象通常在图像中所呈现的像素值的范围时,自适应区域生长单元101不再重新进行区域生长。
另外,生长控制单元102被配置为根据自适应区域生长单元101所生成的至少一部分树形管状结构的像素比例来进行判断。例如,当生成的树形管状结构的像素数占整个图像的像素数的比例超过预定值时,认为所生长的很多分支是“伪分支”并认为此时得到的树形管状结构不正确。应该理解,判断的规则并不限于此,而是可以根据实际应用进行各种修改。
如上所述,自适应区域生长单元101虽然具有快速、简单的优点,但是它不一定能获得正确可靠的分割结果。为了实现可靠的图像分割,图像分割装置100还包括基于圆心度的区域生长单元103,用于在自适应区域生长单元101不能获得正确结果的情况下,取代其进行具有圆心度限制的区域生长。
基于圆心度的区域生长单元103在进行区域生长时还将圆心度考虑在内。具体地,对于体图像中的给定点(以下称为体素),在三维空间中所有N个方向上投射出N条射线,可以理解,N条射线可以分为N/2对,每对射线在相对的方向上延伸。延伸的过程可以通过区域生长来完成,当射线延伸到树形管状结构的可能的管壁时停止。然后,可以利用所得到的所有线段的长度来计算针对该体素的圆心度。只有当其圆心度满足一定条件时,才将该体素保留为要生成的树形管状结构中的点。关于圆心度的定义以及基于圆心度的区域生长的具体描述可以参见Rafael Wiemker等人在肺部图像分析的第二国际研讨会的EXACT09气管分割挑战(EXACT09airway segmentation challenge of the second internationalworkshop on pulmonary image analysus(MICCAI2009))中发表的“ASimple Centricity-based Region Growing Algorithm for the Extraction of Airways”,其全部内容通过引用合并到本文中。。
可以理解,当体素的圆心度越大时,它对应的点是对象中的点的概率越大。基于此,可以选择性地仅保留所生长出的圆心度大于某一值的点来构成所述至少一部分树形管状结构。
实验证明,具有上述结构的图像分割装置100可以获得更加准确的图像分割结果,有效地避免了伪分支的生成。并且,用户只需要对相关参数比如预定阈值、预定次数或预定范围进行设置,极大地提高了使用的便利性。
下面参照图2描述根据本申请的另一个实施例的图像分割装置200的结构和功能。如图2所示,除了图1中的自适应区域生长单元101、生长控制单元102和基于圆心度的区域生长单元103之外,图像分割装置200还包括:形态学重建单元201,被配置为通过分别对一系列图像中的每一个进行基于局部极值的形态学重建,以获得能够构成第二部分树形管状结构的候选数据;以及融合单元202,被配置为将自适应区域生长单元101或基于圆心度的区域生长单元103所获得的至少一部分树形管状结构与由形态学重建单元201获得的候选数据的至少一部分构建的第二部分树形管状结构融合在一起,以获得对象的树形管状结构。
通过包括形态学重建单元201,根据本申请的该实施例的图像分割装置200能够进一步对细小的管状区域进行分割,即可以提取对象的较高层级的管状结构。为了加快处理速度,形态学重建单元201可以仅作用于图像中包含较细小的管状区域的部分。
其中,形态学重建单元201利用了如下原理:在图像中,管状结构的内部所对应的点是像素值的极大值或极小值所在处。因此,可以认为每一层图像上的局部极值对应于管状结构可能所在的候选区域,换言之,这些候选区域构成了候选的第二部分树形管状结构。
但是,也存在所找到的候选区域实际上并不是树形管状结构的一部分的情况,因此,融合单元202在对上述两部分树形管状结构进行融合时可以采用特定方式将这种“伪区域”去除掉。例如,基于管状结构在空间上的连续性对候选的第二部分树形管状结构进行筛选。应该理解,融合并不是简单的组合,而是应该符合一定的逻辑、因果关系。
作为一个示例,融合单元202被配置为对所述至少一部分树形管状结构进行基于候选数据的简单生长,其中,简单生长包括将候选数据中与所述至少一部分树形管状结构的各个分支在空间上相连的部分生长为所述第二部分树形管状结构。在该示例中,融合单元202利用树形管状结构在空间上的连续性对候选数据进行筛选,以获得第二部分树形管状结构。
下面参照图3详细描述根据一个实施例的形态学重建单元201的结构和功能的示例。如图3所示,该形态学重建单元201包括:灰度重构模块301,被配置为对一系列图像的每一个进行灰度形态学重构,以得到能够标识原图像中的局部极值的标记图像;阈值化模块302,被配置为将标记图像与第二预定阈值进行比较,并且仅保留标记图像中高于第二预定阈值的部分;以及数据提取模块303,被配置为提取阈值化模块302所保留的部分的空间坐标及其在原图像中的对应像素值作为候选数据。
其中,灰度形态学重构可以用于识别图像中的局部极值。简而言之,采用不同尺寸的结构元素对图像进行高帽变换或低帽变换,可以分别用于检测灰度值的波峰(即局部极大值)或波谷(即局部极小值),其中,高帽变换为从原图像中减去对其作开运算后得到标记图像,而低帽变换为对原图像作闭运算后减去原图像得到标记图像。其中,所采用的结构元素的尺寸应当小于感兴趣的管状结构的尺寸。关于灰度形态学重构的具体算法例如可以参见Deniz Aykac等人在2003年8月的IEEE Transactions On Medical Imaging,Vol.22,No.8上发表的“Segmentation and Analysis of the Human Airway Tree From Three-Dimensional X-Ray CT images”,其全部内容通过引用合并到本文中。
所得到的标记图像中的亮点或亮区域代表了局部极值所在的位置。但是,并不是所有亮点或亮区域都对应于实际的管状结构,因此需要根据实际应用对标记图像进行阈值化。在本实施例中,阈值化模块302仅保留标记图像中高于第二预定阈值的部分,从而能够去除掉大部分实际上非管状结构的区域。
由此可见,第二预定阈值的选择决定了阈值化模块302最终保留下来的部分,其可以根据对象的性质和要求的分割精度等选择。在一个实施例中,第二预定阈值为标记图像中的最大值与最小值之间的差的百分比。
如上所述,在经过阈值化模块302之后,数据提取模块303只考虑所保留的被认为很大可能是管状结构的部分,然后提取该部分的空间坐标及其在原图像中的对应像素值作为候选数据以供融合单元202使用。
下面参照图4描述根据本申请的另一个实施例的图像分割装置,如图4所示,除了自适应区域生长单元101、生长控制单元102、基于圆心度的区域生长单元103、形态学重建单元201和融合单元202之外,图像分割装置400还包括参数优化单元401,其中,形态学重建单元201具有如图3所示的结构,该参数优化单元401被配置为改变第二预定阈值以使得融合单元202获得的树形管状结构的特征因子与自适应区域生长单元101或基于圆心度的区域生长单元103获得的至少一部分树形管状结构的特征因子的比值为预定比值。
其中,该特征因子可以为树形管状结构的像素数、体积、形状和/或尺寸。预定比值可以由用户根据实际应用来设置。通过将上述特征因子的比值设置为预定比值,可以获得最好的分割结果。
在图4所示的图像分割装置中,为了进一步去除所获得的树形管状结构中的伪分支,融合单元202还被配置为将至少一部分树形管状结构和第二部分树形管状结构对应的像素值与对象的像素值的预定范围进行比较,以去掉不在所述像素值的预定范围内的树形管状结构的部分。如上所述,对象的像素值的预定范围例如为要分割的对象在图像中通常呈现的像素值的范围。
在一个实施例中,参数优化单元401被配置为改变该预定范围和第二预定阈值,以使得上述特征因子的比值为预定比值。应该理解,预定范围和第二预定阈值可以仅在能够实现较好分割的经验值附近的小范围内改变,以加快处理速度。
以上参照附图1-4描述了根据本申请的各个实施例的图像分割装置,这些图像分割装置可以应用于各个领域。在下文中,作为一个非限制性示例,将描述本申请的图像分割装置在医学图像分割中的应用。应该理解,这种描述仅是为了说明,而并不意在限制,本申请的图像分割装置可以应用的范围并不限于医学图像。
这里所述的医学图像可以是根据通过医疗诊断装置获得的数据而形成的图像。这里所述的医疗诊断装置包括但不限于X射线成像诊断装置、超声波(UL)诊断成像装置、计算机断层扫描(CT)装置、磁共振成像(MRI)诊断成像装置、或者正电子发射断层扫描(Positron Emission Tomography,PET)装置等。
在医学领域中,要分割的对象通常包括气管树、血管或骨骼等。在这里以对气管树的分割为例进行详细说明。
众所周知,人的气管至肺泡约有24级,如同一棵倒置的大树,而根据医学图像重建该气管树结构在临床上具有重要意义。但是,由于气管树的结构复杂且越高层级的分支越细小,因此在医学图像中难以直接区分气管与肺组织,需要通过后续的图像分割处理来重建气管树。
首先,利用医疗诊断装置进行分层扫描获得肺部的一系列图像,这些图像构成包括要分割的气管树的体图像。然后,利用根据本申请的图像分割装置100、200或400对该体图像进行分割。
如果仅需要得到较为粗略的气管树,例如,仅对较高层级的气管感兴趣,则可以使用图像分割装置100来进行分割。图像分割装置100的具体结构和功能在前文中已详细说明,在此不再赘述。
在该示例中,生长控制单元102基于气管树的通常的分支数量来判断自适应区域生长单元101获得的至少一部分树形管状结构是否正确。
此外,如果需要得到较为精细的气管树,例如,对较高层级的气管感兴趣,则可以使用图像分割装置200或400来进行分割。同样,图像分割装置200和400的具体结构和功能在前文中已详细说明,在此不再赘述。
在该示例中,形态学重建单元201对每一个图像进行基于局部极小值的形态学重建,这是因为气管在图像中表现为灰度的谷值。此外,为了加快处理速度,形态学重建单元201可以仅对较小的、即较高层级的气管进行重建。
在形态学重建单元201获得了候选数据之后,融合单元202基于该候选数据在已获得的一部分气管树的基础上进行进一步的简单生长,根据气管的空间连续性的原理来选取要生长为第二部分树形管状结构的候选数据。应该理解,简单生长还意味着实际上连续的气管中明显的缺失数据的补足。
另外,参数优化单元401还通过改变预定范围和第二预定阈值中的至少一个来使气管树的特征因子的比值为预定比值,从而获得最优的分割结果。在一个实施例中,特征因子为气管树的像素数,且预定比值在1.1至1.25的范围内。
通过大量实验发现,当预定比值在1.1至1.25的范围内,优选地例如为1.2时,所获得的气管树最优。
应该理解,这里虽然是以对医学领域中气管树的分割为例进行描述的,但是这仅仅是示例性的,在实践中,可以将该图像分割装置应用于各种领域中树形管状结构的对象的分割。本申请的图像分割装置具有快速、准确的特性。
在上文描述实施方式中的图像分割装置的过程中,显然还公开了一些处理或方法。下文中,在不重复上文中已经讨论过的某些细节的情况下给出这些方法的概述,但是,应当注意,虽然是在描述图像分割装置的过程中公开了这些方法,然而,这些方法并不一定采用上述这些部件,或者并不一定由这些部件来执行。例如,可以部分地或者完全地用硬件和/或固件来实现图像分割装置的实施方式,而以下讨论的图像分割方法也可以完全用计算机可执行的程序来实现,虽然这些方法也可以采用图像分割装置的硬件和/或固件。
图5中示出了根据本申请的一个实施例的图像分割方法的流程图,用于从分层拍摄获得的一系列图像形成的体图像中分割出树形管状结构的对象,该图像分割方法包括如下步骤:基于种子点和预定阈值基于体图像进行区域生长以获得至少一部分树形管状结构S11;判断所获得的至少一部分树形管状结构是否正确S12,并且在判断为不正确的情况下改变预定阈值S13以重新进行区域生长,直到达到预定条件为止S14;以及在区域生长不能获得正确结果的情况下,基于种子点和预定阈值基于所述体图像进行具有圆心度限制的区域生长以获得至少一部分树形管状结构S15。
其中,步骤S14中的预定条件为进行区域生长的次数达到预定次数,或预定阈值超出预定范围。在步骤S12中,根据区域生长所获得的至少一部分树形管状结构的像素比例来进行判断。
图6中示出了根据本申请的另一个实施例的图像分割方法的流程图,如图6所示,除了图5的各个步骤之外,该图像分割方法还包括如下步骤:通过分别对一系列图像的每一个进行基于局部极值的形态学重建,以获得能够构成第二部分树形管状结构的候选数据S21;以及将至少一部分树形管状结构与由候选数据的至少一部分构建的第二部分树形管状结构融合在一起,以获得对象的树形管状结构S22。
在一个示例中,融合的步骤S22包括对至少一部分树形管状结构进行基于候选数据的简单生长,该简单生长包括将候选数据中与至少一部分树形管状结构的各个分支在空间上相连的部分生长为第二部分树形管状结构。
此外,图7示出了获取候选数据的步骤S21的一个示例,根据该示例,步骤S21包括如下子步骤:对一系列图像的每一个进行灰度形态学重构以得到能够标识原图像中的局部极值的标记图像S31;将标记图像与第二预定阈值进行比较,并且仅保留标记图像中高于第二预定阈值的部分S32;以及提取标记图像中所保留的部分的空间坐标及其在原图像中的对应像素值作为候选数据S33。
其中,第二预定阈值为标记图像中的最大值与最小值之间的差的百分比。
另外,图8示出了图6的图像分割方法的一种变型,如图8所示,除了图6中所述的步骤之外,还包括改变所述第二预定阈值S41以使得在融合之后获得的树形管状结构的特征因子与所述至少一部分树形管状结构的特征因子的比值为预定比值的步骤。其中,该特征因子可以为树形管状结构的像素数、体积、形状和/或尺寸。
具体地,每次在步骤S41中改变第二预定阈值之后,重新提取候选数据并进行融合,然后在步骤S42中判断融合后的树形管状结构的特征因子与至少一部分树形管状结构的特征因子的比值是否为预定比值,如果是则结束,否则接着改变第二预定阈值并重复上述操作。
在另一个实施例中,融合的步骤S22还包括将至少一部分树形管状结构和所述第二部分树形管状结构对应的像素值与对象的像素值的预定范围进行比较,以去掉不在像素值的预定范围内的树形管状结构的部分。
另外,虽然图8中未示出,但是在步骤S41中可以改变该预定范围和第二预定阈值,以使得所述特征因子的比值为预定比值。
作为一种示例性实施例,上述图像为根据通过医疗诊断装置获得的数据而形成的医学图像。要分割的对象可以为气管树、血管或骨骼。
应当理解,根据本发明的实施例的图像分割装置和方法可用于各种图像的处理。例如,根据本发明的实施例的图像分割装置和方法可用于医学图像的处理。通过针对多个个体的实验证明,在对象为气管树且采用的特征因子为气管树的像素数的情况下,当预定比值在1.1至1.25的范围内时可以获得最优的气管树分割结果。优选地,例如,当预定比值为1.2时,大多数情况下可以获得最优的气管树分割结果。
如上所述,根据本申请的图像分割方法能够有效地避免伪分支的生成,同时在保持了准确度的前提下还具有较快的计算速度。
关于所述图像分割方法的各个步骤的更具体细节以及更多可能步骤,可以参考以上对根据本发明实施例的图像分割装置中各个部件的描述,这里不再赘述。
图9示出了根据本申请的一个实施例的医学图像设备的示意性框图。为了不模糊本申请的精神和范围,在图9中省略了医学图像设备的其它可能部件。医学图像设备900包括图像分割装置910,以对输入的体图像进行处理。图像分割装置910可以是根据上述任一实施例的图像分割装置100、200或400。医学图像设备900例如是X射线成像诊断装置、超声波(UL)诊断成像装置、计算机断层扫描(CT)装置、磁共振成像(MRI)诊断成像装置、或者正电子发射断层扫描(Positron Emission Tomography,PET)装置等,而没有限制。
将上述图像分割装置设置在医学图像设备中时可使用的具体手段或方式为本领域技术人员所熟知,在此不再赘述。
作为一个示例,上述图像分割方法的各个步骤以及上述图像分割装置的各个组成模块和/或单元可以实施为软件、固件、硬件或其组合。在通过软件或固件实现的情况下,可以从存储介质或网络向具有专用硬件结构的计算机(例如图10所示的通用计算机1200)安装构成用于实施上述方法的软件的程序,该计算机在安装有各种程序时,能够执行各种功能等。
在图10中,运算处理单元(即CPU)1001根据只读存储器(ROM)1002中存储的程序或从存储部分1008加载到随机存取存储器(RAM)1003的程序执行各种处理。在RAM1003中,也根据需要存储当CPU1001执行各种处理等等时所需的数据。CPU1001、ROM1002和RAM1003经由总线1004彼此链路。输入/输出接口1005也链路到总线1004。
下述部件链路到输入/输出接口1005:输入部分1006(包括键盘、鼠标等等)、输出部分1007(包括显示器,比如阴极射线管(CRT)、液晶显示器(LCD)等,和扬声器等)、存储部分1008(包括硬盘等)、通信部分1009(包括网络接口卡比如LAN卡、调制解调器等)。通信部分1009经由网络比如因特网执行通信处理。根据需要,驱动器1010也可链路到输入/输出接口1005。可拆卸介质1011比如磁盘、光盘、磁光盘、半导体存储器等等根据需要被安装在驱动器1010上,使得从中读出的计算机程序根据需要被安装到存储部分1008中。
在通过软件实现上述系列处理的情况下,从网络比如因特网或存储介质比如可拆卸介质1011安装构成软件的程序。
本领域的技术人员应当理解,这种存储介质不局限于图10所示的其中存储有程序、与设备相分离地分发以向用户提供程序的可拆卸介质1011。可拆卸介质1011的例子包含磁盘(包含软盘(注册商标))、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者,存储介质可以是ROM1002、存储部分1008中包含的硬盘等等,其中存有程序,并且与包含它们的设备一起被分发给用户。
本发明还提出一种存储有机器可读取的指令代码的程序产品。所述指令代码由机器读取并执行时,可执行上述根据本发明实施例的图像分割方法。
相应地,用于承载上述存储有机器可读取的指令代码的程序产品的存储介质也包括在本发明的公开中。所述存储介质包括但不限于软盘、光盘、磁光盘、存储卡、存储棒等等。
在上面对本发明具体实施例的描述中,针对一种实施方式描述和/或示出的特征可以用相同或类似的方式在一个或更多个其它实施方式中使用,与其它实施方式中的特征相组合,或替代其它实施方式中的特征。
应该强调,术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在上述实施例和示例中,采用了数字组成的附图标记来表示各个步骤和/或单元。本领域的普通技术人员应理解,这些附图标记只是为了便于叙述和绘图,而并非表示其顺序或任何其他限定。
此外,本发明的方法不限于按照说明书中描述的时间顺序来执行,也可以按照其他的时间顺序地、并行地或独立地执行。因此,本说明书中描述的方法的执行顺序不对本发明的技术范围构成限制。
尽管上面已经通过对本发明的具体实施例的描述对本发明进行了披露,但是,应该理解,上述的所有实施例和示例均是示例性的,而非限制性的。本领域的技术人员可在所附权利要求的精神和范围内设计对本发明的各种修改、改进或者等同物。这些修改、改进或者等同物也应当被认为包括在本发明的保护范围内。
通过上述描述,本发明的实施例提供了以下的技术方案。
附记1.一种图像分割装置,用于从分层拍摄获得的一系列图像形成的体图像中分割出树形管状结构的对象,所述图像分割装置包括:
自适应区域生长单元,被配置为基于种子点和预定阈值基于所述体图像进行区域生长以获得至少一部分树形管状结构;
生长控制单元,被配置为判断所述自适应区域生长单元所获得的至少一部分树形管状结构是否正确,并且在判断为不正确的情况下改变所述预定阈值以重新进行区域生长,直到达到预定条件为止;以及
基于圆心度的区域生长单元,被配置为在所述自适应区域生长单元不能获得正确结果的情况下,基于种子点和预定阈值基于所述体图像进行具有圆心度限制的区域生长以获得至少一部分树形管状结构。
附记2.根据附记1所述的图像分割装置,其中,所述预定条件为进行区域生长的次数达到预定次数,或所述预定阈值超出预定范围。
附记3.根据附记1或2所述的图像分割装置,其中,所述生长控制单元被配置为根据所述自适应区域生长单元生成的至少一部分树形管状结构的像素比例来进行判断。
附记4.根据附记1或2所述的图像分割装置,还包括:
形态学重建单元,被配置为通过分别对所述一系列图像的每一个进行基于局部极值的形态学重建,以获得能够构成第二部分树形管状结构的候选数据;以及
融合单元,被配置为将所述自适应区域生长单元或所述基于圆心度的区域生长单元获得的所述至少一部分树形管状结构与由所述形态学重建单元获得的候选数据的至少一部分构建的所述第二部分树形管状结构融合在一起,以获得所述对象的树形管状结构。
附记5.根据附记4所述的图像分割装置,其中,所述融合单元被配置为对所述至少一部分树形管状结构进行基于所述候选数据的简单生长,所述简单生长包括将所述候选数据中与所述至少一部分树形管状结构的各个分支在空间上相连的部分生长为所述第二部分树形管状结构。
附记6.根据附记4所述的图像分割装置,其中,所述形态学重建单元包括:
灰度重构模块,被配置为对所述一系列图像的每一个进行灰度形态学重构,以得到能够标识原图像中的局部极值的标记图像;
阈值化模块,被配置为将所述标记图像与第二预定阈值进行比较,并且仅保留所述标记图像中高于第二预定阈值的部分;以及
数据提取模块,被配置为提取所述阈值化模块所保留的部分的空间坐标及其在原图像中的对应像素值作为所述候选数据。
附记7.根据附记6所述的图像分割装置,其中,所述第二预定阈值为所述标记图像中的最大值与最小值之间的差的百分比。
附记8.根据附记6所述的图像分割装置,还包括:
参数优化单元,被配置为改变所述第二预定阈值以使得所述融合单元获得的树形管状结构的特征因子与所述自适应区域生长单元或所述基于圆心度的区域生长单元获得的至少一部分树形管状结构的特征因子的比值为预定比值。
附记9.根据附记8所述的图像分割装置,其中,所述融合单元还被配置为将所述至少一部分树形管状结构和所述第二部分树形管状结构对应的像素值与对象的像素值的预定范围进行比较,以去掉不在所述像素值的预定范围内的树形管状结构的部分。
附记10.根据附记9所述的图像分割装置,其中,所述参数优化单元被配置为改变所述预定范围和所述第二预定阈值,以使得所述特征因子的比值为预定比值。
附记11.根据附记8所述的图像分割装置,所述特征因子为所述树形管状结构的像素数、体积、形状和/或尺寸。
附记12.根据附记1或2所述的图像分割装置,其中,所述图像为根据通过医疗诊断装置获得的数据而形成的医学图像。
附记13.根据附记12所述的图像分割装置,其中,所述对象为气管树、血管或骨骼。
附记14.根据附记10所述的图像分割装置,其中,所述对象为气管树,所述特征因子为所述气管树的像素数,且所述预定比值在1.1至1.25的范围内。
附记15.一种医学图像设备,包括如附记1-14中任意一项所述的图像分割装置。
附记16.根据附记15所述的医学图像设备为计算机断层扫描设备或磁共振成像设备。
附记17.一种图像分割方法,用于从分层拍摄获得的一系列图像形成的体图像中分割出树形管状结构的对象,所述图像分割方法包括:
基于种子点和预定阈值基于所述体图像进行区域生长以获得至少一部分树形管状结构;
判断所获得的至少一部分树形管状结构是否正确,并且在判断为不正确的情况下改变所述预定阈值以重新进行区域生长,直到达到预定条件为止;以及
在所述区域生长不能获得正确结果的情况下,基于种子点和预定阈值基于所述体图像进行具有圆心度限制的区域生长以获得至少一部分树形管状结构。
附记18.根据附记17所述的图像分割方法,其中,所述预定条件为进行区域生长的次数达到预定次数,或所述预定阈值超出预定范围。
附记19.根据附记17或18所述的图像分割方法,其中,根据区域生长所获得的至少一部分树形管状结构的像素比例来进行判断。
附记20.根据附记17或18所述的图像分割方法,还包括:
通过分别对所述一系列图像的每一个进行基于局部极值的形态学重建,以获得能够构成第二部分树形管状结构的候选数据;以及
将所述至少一部分树形管状结构与由所述候选数据的至少一部分构建的所述第二部分树形管状结构融合在一起,以获得所述对象的树形管状结构。
附记21.根据附记20所述的图像分割方法,其中,融合的步骤包括对所述至少一部分树形管状结构进行基于所述候选数据的简单生长,所述简单生长包括将所述候选数据中与所述至少一部分树形管状结构的各个分支在空间上相连的部分生长为所述第二部分树形管状结构。
附记22.根据附记20所述的图像分割方法,其中,获取候选数据的步骤包括:
对所述一系列图像的每一个进行灰度形态学重构,以得到能够标识原图像中的局部极值的标记图像;
将所述标记图像与第二预定阈值进行比较,并且仅保留所述标记图像中高于第二预定阈值的部分;以及
提取所述标记图像中所保留的部分的空间坐标及其在原图像中的对应像素值作为所述候选数据。
附记23.根据附记22所述的图像分割方法,其中,所述第二预定阈值为所述标记图像中的最大值与最小值之间的差的百分比。
附记24.根据附记22所述的图像分割方法,还包括:
改变所述第二预定阈值以使得在融合之后获得的树形管状结构的特征因子与所述至少一部分树形管状结构的特征因子的比值为预定比值。
附记25.根据附记24所述的图像分割方法,其中,融合的步骤还包括将所述至少一部分树形管状结构和所述第二部分树形管状结构对应的像素值与对象的像素值的预定范围进行比较,以去掉不在所述像素值的预定范围内的树形管状结构的部分。
附记26.根据附记25所述的图像分割方法,还包括改变所述预定范围和所述第二预定阈值,以使得所述特征因子的比值为预定比值。
附记27.根据附记24所述的图像分割方法,所述特征因子为所述树形管状结构的像素数、体积、形状和/或尺寸。
附记28.根据附记17或18所述的图像分割方法,其中,所述图像为根据通过医疗诊断装置获得的数据而形成的医学图像。
附记29.根据附记28所述的图像分割方法,其中,所述对象为气管树、血管或骨骼。
附记30.根据附记26所述的图像分割方法,其中,所述对象为气管树,所述特征因子为所述气管树的像素数,且所述预定比值在1.1至1.25的范围内。
附记31.一种计算机程序,用于实现根据附记17-30中的任意一项所述的图像分割方法。
附记32.一种计算机可读的记录介质,其上记录有用于实现根据附记17-30中的任意一项所述的图像分割方法的计算机程序代码。
Claims (18)
1.一种图像分割装置,用于从分层拍摄获得的一系列图像形成的体图像中分割出树形管状结构的对象,所述图像分割装置包括:
自适应区域生长单元,被配置为基于种子点和预定阈值基于所述体图像进行区域生长以获得至少一部分树形管状结构;
生长控制单元,被配置为判断所述自适应区域生长单元所获得的至少一部分树形管状结构是否正确,并且在判断为不正确、且在预定条件不成立的情况下的情况下改变所述预定阈值以重新进行区域生长,直到达到所述预定条件为止;
基于圆心度的区域生长单元,被配置为在所述生长控制单元判断所述至少一部分树形管状结构不正确、且所述预定条件成立的情况下,基于种子点和预定阈值基于所述体图像进行具有圆心度限制的区域生长以获得至少一部分树形管状结构;
形态学重建单元,被配置为通过分别对所述一系列图像的每一个进行基于局部极值的形态学重建,以获得能够构成第二部分树形管状结构的候选数据;
融合单元,被配置为将所述自适应区域生长单元或所述基于圆心度的区域生长单元获得的所述至少一部分树形管状结构与由所述形态学重建单元获得的候选数据的至少一部分构建的所述第二部分树形管状结构融合在一起,以获得所述对象的树形管状结构;以及
参数优化单元,被配置为使得所述融合单元获得的树形管状结构的特征因子与所述自适应区域生长单元或所述基于圆心度的区域生长单元获得的至少一部分树形管状结构的特征因子的比值为预定比值。
2.根据权利要求1所述的图像分割装置,其中,所述预定条件为进行区域生长的次数达到预定次数,或所述预定阈值超出预定范围。
3.根据权利要求1或2所述的图像分割装置,其中,所述生长控制单元被配置为根据所述自适应区域生长单元生成的至少一部分树形管状结构的像素比例来进行判断。
4.根据权利要求1或2所述的图像分割装置,其中,所述融合单元被配置为对所述至少一部分树形管状结构进行基于所述候选数据的简单生长,所述简单生长包括将所述候选数据中与所述至少一部分树形管状结构的各个分支在空间上相连的部分生长为所述第二部分树形管状结构。
5.根据权利要求1或2所述的图像分割装置,其中,所述形态学重建单元包括:
灰度重构模块,被配置为对所述一系列图像的每一个进行灰度形态学重构,以得到能够标识原图像中的局部极值的标记图像;
阈值化模块,被配置为将所述标记图像与第二预定阈值进行比较,并且仅保留所述标记图像中高于第二预定阈值的部分;以及
数据提取模块,被配置为提取所述阈值化模块所保留的部分的空间坐标及其在原图像中的对应像素值作为所述候选数据。
6.根据权利要求5所述的图像分割装置,其中,
所述参数优化单元被配置为改变所述第二预定阈值,以使得所述融合单元获得的树形管状结构的特征因子与所述自适应区域生长单元或所述基于圆心度的区域生长单元获得的至少一部分树形管状结构的特征因子的比值为所述预定比值。
7.根据权利要求6所述的图像分割装置,其中,所述融合单元还被配置为将所述至少一部分树形管状结构和所述第二部分树形管状结构对应的像素值与对象的像素值的预定范围进行比较,以去掉不在所述像素值的预定范围内的树形管状结构的部分。
8.根据权利要求7所述的图像分割装置,其中,所述参数优化单元被配置为改变所述预定范围和所述第二预定阈值,以使得所述特征因子的比值为预定比值。
9.根据权利要求1或2所述的图像分割装置,所述特征因子为所述树形管状结构的像素数、体积、形状和/或尺寸。
10.根据权利要求1或2所述的图像分割装置,其中,所述图像为根据通过医疗诊断装置获得的数据而形成的医学图像。
11.根据权利要求10所述的图像分割装置,其中,所述对象为气管树、血管或骨骼。
12.根据权利要求8所述的图像分割装置,其中,所述对象为气管树,所述特征因子为所述气管树的像素数,且所述预定比值在1.1至1.25的范围内。
13.一种医学图像设备,包括如权利要求1-12中任意一项所述的图像分割装置。
14.根据权利要求13所述的医学图像设备为计算机断层扫描设备或磁共振成像设备。
15.一种图像分割方法,用于从分层拍摄获得的一系列图像形成的体图像中分割出树形管状结构的对象,所述图像分割方法包括:
基于种子点和预定阈值基于所述体图像进行第一区域生长以获得至少一部分树形管状结构;
判断所获得的至少一部分树形管状结构是否正确,并且在判断为不正确、且在预定条件不成立的情况下改变所述预定阈值以重新进行区域生长,直到达到所述预定条件为止;
在判断所述至少一部分树形管状结构不正确、且所述预定条件成立的情况下的情况下,基于种子点和预定阈值基于所述体图像进行具有圆心度限制的第二区域生长以获得至少一部分树形管状结构;
通过分别对所述一系列图像的每一个进行基于局部极值的形态学重建,以获得能够构成第二部分树形管状结构的候选数据;
将通过所述第一区域生长或所述第二区域生长而获得的所述至少一部分树形管状结构与由通过所述形态学重建而获得的所述候选数据的至少一部分构建的所述第二部分树形管状结构融合在一起,以获得所述对象的树形管状结构;以及
使得通过所述融合获得的树形管状结构的特征因子与通过所述第一区域生长或所述第二区域生长而获得的所述至少一部分树形管状结构的特征因子的比值为预定比值。
16.根据权利要求15所述的图像分割方法,其中,获取候选数据的步骤包括:
对所述一系列图像的每一个进行灰度形态学重构,以得到能够标识原图像中的局部极值的标记图像;
将所述标记图像与第二预定阈值进行比较,并且仅保留所述标记图像中高于第二预定阈值的部分;以及
提取所述标记图像中所保留的部分的空间坐标及其在原图像中的对应像素值作为所述候选数据。
17.根据权利要求16所述的图像分割方法,还包括:
改变所述第二预定阈值,以使得通过所述融合获得的树形管状结构的特征因子与所述至少一部分树形管状结构的特征因子的比值为所述预定比值。
18.根据权利要求15至17中的任意一项所述的图像分割方法,其中,所述图像为根据通过医疗诊断装置获得的数据而形成的医学图像。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310071308.0A CN104036484B (zh) | 2013-03-06 | 2013-03-06 | 图像分割装置、图像分割方法和医学图像设备 |
US14/199,021 US9600890B2 (en) | 2013-03-06 | 2014-03-06 | Image segmentation apparatus, medical image device and image segmentation method |
JP2014044357A JP2014171889A (ja) | 2013-03-06 | 2014-03-06 | 画像分割装置、医用画像診断装置及び画像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310071308.0A CN104036484B (zh) | 2013-03-06 | 2013-03-06 | 图像分割装置、图像分割方法和医学图像设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104036484A CN104036484A (zh) | 2014-09-10 |
CN104036484B true CN104036484B (zh) | 2017-08-08 |
Family
ID=51467243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310071308.0A Expired - Fee Related CN104036484B (zh) | 2013-03-06 | 2013-03-06 | 图像分割装置、图像分割方法和医学图像设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9600890B2 (zh) |
JP (1) | JP2014171889A (zh) |
CN (1) | CN104036484B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504737B (zh) * | 2015-01-08 | 2018-01-12 | 深圳大学 | 一种从肺部ct图像获得三维气管树的方法 |
CN105701795A (zh) * | 2015-12-30 | 2016-06-22 | 中国科学院深圳先进技术研究院 | 一种医学影像中腹部骨骼分割方法及系统 |
JP6943866B2 (ja) * | 2016-02-05 | 2021-10-06 | プルモンクス コーポレイション | 肺撮像データを分析するための方法、システム及び装置 |
CN106097305B (zh) * | 2016-05-31 | 2019-03-01 | 上海理工大学 | 双行程区域生长结合形态学重建的肺部气管树分割方法 |
US10740651B2 (en) * | 2016-10-27 | 2020-08-11 | General Electric Company | Methods of systems of generating virtual multi-dimensional models using image analysis |
CN108470331B (zh) * | 2017-02-23 | 2021-12-21 | 富士通株式会社 | 图像处理装置和图像处理方法 |
CN107870181A (zh) * | 2017-06-20 | 2018-04-03 | 成都飞机工业(集团)有限责任公司 | 一种复合材料脱粘缺陷的后期识别方法 |
CN108074229A (zh) * | 2017-11-29 | 2018-05-25 | 苏州朗开信通信息技术有限公司 | 一种气管树提取方法及装置 |
CN108986107B (zh) * | 2018-06-15 | 2021-09-28 | 大连理工大学 | 基于光谱分析和骨架涂鸦的序列化可视人体切片图像自动分割方法 |
CN109345517B (zh) * | 2018-09-19 | 2022-11-25 | 上海联影医疗科技股份有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN109410181B (zh) * | 2018-09-30 | 2020-08-28 | 神州数码医疗科技股份有限公司 | 一种心脏图像分割方法及装置 |
CN109766892A (zh) * | 2018-12-21 | 2019-05-17 | 西安交通大学 | 一种基于边缘检测的射线检测图像标记信息字符分割方法 |
CN109636800B (zh) * | 2019-01-28 | 2022-10-14 | 中国科学院上海硅酸盐研究所 | 一种测量物体内部缺陷尺寸的方法 |
CN112037305B (zh) * | 2020-11-09 | 2021-03-19 | 腾讯科技(深圳)有限公司 | 对图像中的树状组织进行重建的方法、设备及存储介质 |
US11580646B2 (en) | 2021-03-26 | 2023-02-14 | Nanjing University Of Posts And Telecommunications | Medical image segmentation method based on U-Net |
CN113657458A (zh) * | 2021-07-27 | 2021-11-16 | 浙江大华技术股份有限公司 | 气道分类方法及其装置、计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101203890A (zh) * | 2005-06-24 | 2008-06-18 | 美国医软科技公司 | 交互式肝病诊断方法 |
CN101551906A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 基于三维区域分水岭的腹部ct图像主要血管提取方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9984456B2 (en) * | 2004-04-14 | 2018-05-29 | Edda Technology, Inc. | Method and system for labeling hepatic vascular structure in interactive liver disease diagnosis |
US8045769B2 (en) | 2004-11-23 | 2011-10-25 | Koninklijke Philips Electronics N V | Planar angular visualization of the bronchial tree |
US7787673B2 (en) | 2004-12-21 | 2010-08-31 | Siemens Medical Solutions Usa, Inc. | Method and apparatus for airway detection and segmentation using 3D morphological operators |
JP4950071B2 (ja) * | 2005-02-11 | 2012-06-13 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 3次元医療画像からの肺動脈樹の自動抽出の方法 |
US8050470B2 (en) | 2005-12-07 | 2011-11-01 | Siemens Medical Solutions Usa, Inc. | Branch extension method for airway segmentation |
WO2009150545A2 (en) * | 2008-06-09 | 2009-12-17 | Uti Limited Partnership | Methods, systems, and computer program products for gpu-based point radiation for interactive volume sculpting and segmentation |
CN102573638A (zh) * | 2009-10-13 | 2012-07-11 | 新加坡科技研究局 | 一种用于分割图像中的肝脏对象的方法和系统 |
-
2013
- 2013-03-06 CN CN201310071308.0A patent/CN104036484B/zh not_active Expired - Fee Related
-
2014
- 2014-03-06 US US14/199,021 patent/US9600890B2/en active Active
- 2014-03-06 JP JP2014044357A patent/JP2014171889A/ja active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101203890A (zh) * | 2005-06-24 | 2008-06-18 | 美国医软科技公司 | 交互式肝病诊断方法 |
CN101551906A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 基于三维区域分水岭的腹部ct图像主要血管提取方法 |
Non-Patent Citations (1)
Title |
---|
A Simple Centricity-based Region Growing Algorithm for the Extraction of Airways;Rafael Wiewker等;《MICCAI 2009》;20091231;参见第309-314页 * |
Also Published As
Publication number | Publication date |
---|---|
US20140254899A1 (en) | 2014-09-11 |
JP2014171889A (ja) | 2014-09-22 |
US9600890B2 (en) | 2017-03-21 |
CN104036484A (zh) | 2014-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104036484B (zh) | 图像分割装置、图像分割方法和医学图像设备 | |
CN104156935B (zh) | 图像分割装置、图像分割方法和医学图像设备 | |
CN107203741B (zh) | 血管提取方法、装置及其系统 | |
Kiraly et al. | Three-dimensional human airway segmentation methods for clinical virtual bronchoscopy | |
CN101675455B (zh) | 外科流程的风险指示 | |
JP4879901B2 (ja) | 画像処理方法、画像処理プログラム、及び画像処理装置 | |
CN107808156A (zh) | 感兴趣区域提取方法 | |
CN107545584A (zh) | 医学图像中定位感兴趣区域的方法、装置及其系统 | |
CN112508965A (zh) | 医学影像中正常器官的轮廓线自动勾画系统 | |
CN105701778A (zh) | 一种从ct图像中去除金属伪影的方法 | |
CN109801277B (zh) | 一种图像处理方法及装置、存储介质 | |
JP2008503303A (ja) | 気管気管支樹を表示する方法及び装置 | |
CN111612743A (zh) | 一种基于ct图像的冠状动脉中心线提取方法 | |
Mayer et al. | Hybrid segmentation and virtual bronchoscopy based on CT images1 | |
CN112862833A (zh) | 血管分段方法、电子装置和存储介质 | |
US8050470B2 (en) | Branch extension method for airway segmentation | |
JP2014064824A (ja) | 管状構造の最短経路探索装置および方法並びにプログラム | |
US8938107B2 (en) | System and method for automatic segmentation of organs on MR images using a combined organ and bone atlas | |
Friman et al. | Coronary centerline extraction using multiple hypothesis tracking and minimal paths | |
US10987020B2 (en) | Method for tissue classification, computer program product and magnetic resonance imaging system | |
JP2005523758A (ja) | 画像データを視覚化する方法、コンピュータプログラム、及びシステム | |
Kiraly et al. | 3D human airway segmentation for virtual bronchoscopy | |
CN104915989B (zh) | 基于ct影像的血管三维分割方法 | |
CN116310114A (zh) | 一种多任务标签模型的冠脉点云数据处理优化方法 | |
Zhu et al. | CT metal artifact correction assisted by the deep learning-based metal segmentation on the projection domain |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C41 | Transfer of patent application or patent right or utility model | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20160706 Address after: Japan Tochigi Tian Yuan City Applicant after: Toshiba Medical System Co., Ltd. Address before: Tokyo, Japan, Japan Applicant before: Toshiba Corp Applicant before: Toshiba Medical System Co., Ltd. |
|
GR01 | Patent grant | ||
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: 20170808 Termination date: 20210306 |