CN104156935B - 图像分割装置、图像分割方法和医学图像设备 - Google Patents

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，进行区域生长以获得第一树形管状结构；灰度形态学重建单元，进行灰度形态学重建，以获得候选数据；第一融合单元，将第一树形管状结构与候选数据的至少一部分融合在一起，以获得低层树形管状结构；末梢识别单元，识别低层树形管状结构的末梢；延长单元，将所识别的末梢对应的像素点作为种子点进行局部区域生长来获得延长分支；以及第二融合单元，将延长分支和候选数据的其余部分中的至少一部分融合在一起，以获得高层树形管状结构。

Description

图像分割装置、图像分割方法和医学图像设备

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、即较高层级的管状结构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的、能够获得尽可能精细的树形管状结构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，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体图像进行区域生长以获得第一树形管状结构；灰度形态学重建单元，被配置为通过分别对一系列图像的每一个进行基于局部极值的灰度形态学重建，以获得能够构成至少一部分树形管状结构的候选数据；第一融合单元，被配置为将第一树形管状结构与候选数据的至少一部分融合在一起，以获得该对象的低层树形管状结构；末梢识别单元，被配置为识别低层树形管状结构的末梢；延长单元，被配置为将所识别的末梢对应的像素点作为种子点提供给自适应区域生长单元以进一步基于体图像进行局部区域生长来获得延长分支；以及第二融合单元，被配置为将延长分支和候选数据的其余部分中的至少一部分融合在一起，以获得该对象的高层树形管状结构。

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，该图像分割方法包括：基于种子点和预定阈值基于体图像进行区域生长以获得第一树形管状结构的自适应区域生长步骤；通过分别对一系列图像的每一个进行基于局部极值的灰度形态学重建，以获得能够构成至少一部分树形管状结构的候选数据的灰度形态学重建步骤；将第一树形管状结构与候选数据的至少一部分融合在一起，以获得该对象的低层树形管状结构的第一融合步骤；识别低层树形管状结构的末梢的识别步骤；将所识别的末梢对应的像素点作为种子点以进一步基于体图像进行局部区域生长来获得延长分支的延长步骤；以及将延长分支和候选数据的其余部分中的至少一部分融合在一起，以获得对象的高层树形管状结构的第二融合步骤。

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，通过结合自适应区域生长方法和灰度形态学重建方法获得一部分树形结构，将获得的树形结构的末梢作为种子点进行进一步的区域生长得到延长分支，并将延长分支与灰度形态学重建获得的数据再次进行融合，可以充分利用自适应区域生长方法和灰度形态学重建方法的优势，获得尽可能高的层级的树形管状结构。

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一个实施例的灰度形态学重建单元的结构的框图；

图3是示出了根据本发明的一个实施例的末梢识别单元的结构的框图；

图4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5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6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7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图像分割方法的识别步骤的子步骤的流程图；

图10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11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体图像进行区域生长以获得第一树形管状结构；灰度形态学重建单元102，被配置为通过分别对一系列图像的每一个进行基于局部极值的灰度形态学重建，以获得能够构成至少一部分树形管状结构的候选数据；第一融合单元103，被配置为将第一树形管状结构与候选数据的至少一部分融合在一起，以获得该对象的低层树形管状结构；末梢识别单元104，被配置为识别低层树形管状结构的末梢；延长单元105，被配置为将所识别的末梢对应的像素点作为种子点提供给自适应区域生长单元101以进一步基于体图像进行局部区域生长来获得延长分支；以及第二融合单元106，被配置为将延长分支和候选数据的其余部分中的至少一部分融合在一起，以获得该对象的高层树形管状结构。

一般而言，这里所述的树形管状结构具有多个层级的分支，越高层分支的管状部分具有越小的尺度，即管径越小。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。以气管树为例，可以包括多达24级的支气管。然而，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。图像处理装置100采用基于自适应区域生长和灰度形态学重建相结合的方式，获得尽可能高层级（或小尺度）的树形管状结构。

首先，对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，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。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。

具体地，自适应区域生长单元101可以通过将种子点邻域中的点的像素值与种子点的像素值之间的差别、和/或该种子点邻域中的点的像素值与已生长出的点的像素值均值之间的差别与预定的区域生长阈值进行比较，以判断是否将该点生长在内。其中，区域生长阈值可以基于树形管状结构在图像中通常呈现的像素值的范围根据经验来设定。例如，当上述差别在区域生长阈值的范围内时，认为该点是管状结构中的点。通过这样的连续生长过程，最终可以获得第一树形管状结构。

但是，由于这种生长仅仅由区域生长阈值来约束，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，自适应区域生长单元101还设置了控制泄漏阈值来对生长出的树形管状结构进行判断。具体地，自适应区域生长单元101可以根据所生成的第一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的控制泄漏阈值时，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。在整个图像的像素数确定的情况下，可以等价地使用树形管状结构的像素数作为判断的依据。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。

此外，在判断存在错误生长的情况下，自适应区域生长单元101可以改变区域生长阈值并重新进行区域生长。

如上所述，自适应区域生长单元101具有快速、简单的优点，但是它能获得的树形管状结构的尺度有限，换言之，不能获得尺度足够小的管状结构。因此，为了能够对较细小的管状区域进行分割，即能够提取对象的较高层级的管状结构，图像处理装置100还包括灰度形态学重建单元102，用于通过分别对一系列图像的每一个进行基于局部极值的灰度形态学重建，以获得能够构成至少一部分树形管状结构的候选数据。

其中，灰度形态学重建单元102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，这些候选区域能够构成至少一部分树形管状结构。

以下将参照图2简单描述灰度形态学重建单元102的一个示例的配置。如图2所示，该灰度形态学重建单元102包括：灰度重构模块2001，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2002，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2003，被配置为提取阈值化模块2002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，形态学重建是使用标记图像、掩膜图像和结构元素并基于开运算或闭运算从图像中提取有关形状信息的一种形态学变换，它是洪水填充算法的一种泛化。标记图像指明了原图像需要保留的联通部分，掩膜图像约束形态学变换，结构元素则定义了连通性。所采用的结构元素的尺寸应与感兴趣的结构的尺寸相当。

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2002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2002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。

通过改变灰度重构模块2001所使用的结构元素的尺寸和阈值化模块2002使用的第二预定阈值，可以改变灰度形态学重建单元102能够获得的树形管状结构的最小尺度。因此，在一个实施例中，灰度形态学重建单元102可以分别获得树形管状结构的尺度不同的多组候选数据。应该注意，当提及一组候选数据对应的树形管状结构的尺度为A时，表示该组候选数据对应于尺度大于等于A的树形管状结构。因此，尺度较小的候选数据包含了尺度较大的候选数据，换言之，高层树形管状结构的候选数据包含了低层树形管状结构的候选数据。

如上所述，在经过阈值化模块2002之后，数据提取模块2003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第一融合单元103和第二融合单元106使用。

此外，为了加快处理速度，灰度形态学重建单元201可以仅作用于图像中包含较细小的管状区域的部分，即仅获得较高层树形管状结构的候选数据。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 MedicalImaging，Vol.22，No.8上发表的“Segmentation and Analysis of the Human AirwayTree From Three-Dimensional X-Ray CT images”，其全部内容通过引用合并到本文中。

由于灰度形态学重建单元102可以获得树形管状结构的尺度较小的部分，因此，通过将灰度形态学重建单元102与自适应区域生长单元101进行结合，可以获得较为完整和精细的树形管状结构。

在一种变型中，可以考虑到可能存在如下情况：灰度形态学重建单元102所找到的候选区域中的部分区域可能并不是树形管状结构的一部分；或者，该候选区域与自适应区域生长单元101获得的第一树形管状结构具有重复的部分。

因此，图像处理装置100可以使用第一融合单元103来进行这种结合。例如，可以基于管状结构在空间上的连续性对候选数据进行筛选来完成融合，在这个过程中，候选数据的至少一部分可以在第一树形管状结构的基础上形成新的树形管状结构。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，第一融合单元103被配置为对第一树形管状结构进行基于候选数据的二值图像区域生长，其中，二值图像区域生长包括将候选数据中与第一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树形管状结构，其中，第一树形管状结构和第二树形管状结构形成低层树形管状结构。注意，这里的低层树形管状结构是一个相对概念，是相对于后面将要描述的利用末梢识别单元104、延长单元105和第二融合单元106所获得的部分树形管状结构而言的，即，这里获得的树形管状结构的层级低于后者的层级。

虽然第一融合单元103能够获得尺度比自适应区域生长单元101能够获得的尺度小的树形管状结构，但是常常存在以下情况：当灰度形态学重建单元102获得的候选数据能够构建尺度比自适应区域生长单元101能够获得的树形管状结构的尺度小得多的树形管状结构时，其对应于小尺度（即高层级）的树形管状结构的候选数据无法通过第一融合单元103融合到第一树形管状结构上。也就是说，第一树形管状结构与候选数据之间存在中断，即有一部分介于其间的树形管状结构既未被自适应区域生长单元101生长出来，也未被灰度形态学重建单元102识别出来。

为了应对该情况，图像处理装置100还包括末梢识别单元104、延长单元105和第二融合单元106以进一步利用上述部分候选数据。其中，末梢识别单元104用于识别所得到的低层树形管状结构的末梢。这里所述的“末梢”指的是树形管状结构的分支在远离主干方向上的末端。

其中，在一个实施例中，末梢识别单元104还被配置为判断所识别的末梢处的管状结构在树形管状结构中的层级，并且仅在该层级低于预定层级时才保留所对应的末梢。如果所识别的末梢处的管状结构的层级已经足够高，例如，达到需要的层级或者与灰度形态学重建单元102获得的候选数据对应的树形管状结构的最高层级相同，则不必进行进一步的延长，因此舍弃该末梢。

在一个实施例中，末梢识别单元104基于管腔在末梢处的截面积来确定所述末梢处的管状结构的层级。可以理解，管腔在末梢处的截面积越大，则表明该末梢处的管状结构的层级越低，反之则越高。

图3是示出了末梢识别单元104的一个具体示例的结构的框图。如图3所示，末梢识别单元104包括：中心线提取模块4001，被配置为提取低层树形管状结构中管的中心线；以及末端点识别模块4002，被配置为识别中心线的远离树形管状结构的主干的方向上的末端点。

其中，中心线提取模块4001可以采用现有的各种方法来提取管的中心线，例如可以采用基于距离变换的骨架化或基于拓扑结构的三维细化方法。在一个实施例中，末端点识别模块4002被配置为将中心线上在26邻域中只在一个邻域与中心线上其它点相邻的点作为末端点。应该理解，也可以采用其他各种方法来识别末端点。

在识别出末梢之后，延长单元105将该末梢对应的像素点作为种子点，并且基于该种子点进行局部区域生长以获得延长分支。其中，这里执行的局部区域生长与获得第一树形管状结构的区域生长原理相同，只是参数设置不同，在此不再赘述。这里，延长单元105可以自行使用与自适应区域生长单元101类似的原理进行生长，也可以将种子点提供给自适应区域生长单元101进行生长以获得延长分支。换言之，延长单元105可以与自适应区域生长单元101是同一单元或者不同的单元。因此，权利要求中所包含的自适应区域生长单元101和延长单元105应做以上解释。

当由自适应区域生长单元101执行生成第一树形管状结构的生长和用于获得延长分支的生长时，由于这两次生长分别是针对整个树形管状结构和针对局部结构的，因此，可以理解，可以通过调节在生长延长分支时使用的预定阈值，来获得尺度较小的延长分支，从而获得更完整的树形管状结构。因此，在一个实施例中，自适应区域生长单元101被配置为在执行局部区域生长时与在执行获得第一树形管状结构的区域生长时使用不同的预定阈值，例如包括区域生长阈值和/或控制泄漏阈值等。

此外，在一个实施例中，延长单元105还包括比较模块，被配置为将所识别的种子点的像素值与预定的种子点阈值范围进行比较，并丢弃其像素值在种子点阈值范围以外的种子点。即，延长单元105通过预先对识别的种子点进行进一步选择，来丢弃本身很可能为错误生长的结果的种子点，从而提高所获得的延长分支为正确分支的概率。

在获得延长分支之后，第二融合单元106进一步将该延长分支与灰度形态学重建单元102获得的候选数据的其余部分中的至少一部分进行融合，以获得高层树形管状结构。同样，这里的高层树形管状结构也是一个相对概念。

由于延长分支是从低层树形管状结构的末梢开始生长的，因此，它有可能与候选数据的其余部分对应的树形管状结构具有空间上的连续性。换言之，第二融合单元106可以获得更高层级的树形管状结构。进行融合的延长分支可以是“附着”在第一树形管状结构上的。在这种情况下，如果获得了更高层的树形管状结构，其与原有的第一树形管状结构一起自然就形成了更完整的树形管状结构。

在一个实施例中，第二融合单元106被配置为对延长分支进行基于候选数据的其余部分的二值图像区域生长，其中，二值图像区域生长包括将候选数据的其余部分中与延长分支在空间上相连的部分生长为第三树形管状结构，其中，延长分支和第三树形管状结构形成高层树形管状结构。

此外，如前所述，灰度形态学重建单元102可以分别获得树形管状结构的尺度不同的多组候选数据。在一个实施例中，第一融合单元103可以使用多组候选数据中尺度较大的候选数据，而第二融合单元106可以使用多组候选数据中尺度较小的候选数据。

在这种情况下，当第二融合单元106使用尺度最小的候选数据进行融合时，如果融合得到的树形管状结构不正确，例如不满足控制泄漏阈值的限制时，可以使用尺度第二小的候选数据重新进行融合，以此类推，直到要融合的候选数据的尺度与第一融合单元103使用的候选数据的尺度相同为止。

如上所述，第一融合单元103和第二融合单元106的原理是类似的。因此它们也可以实施为同一单元。权利要求应被解释为涵盖第一融合单元103和第二融合单元106实施为不同单元的情形以及实施为同一单元的情形。

以上参照图1至3描述了根据本申请的一个实施例的图像处理装置100的结构和功能。可以看出，图像处理装置100通过对获得的低层树形管状结构进行进一步的延长生长和融合，可以获得较高层的树形管状结构。

下面参照图4描述根据本申请的另一个实施例的图像处理装置200，如图所示，图像处理装置200除包括图1中所示的各个单元之外，还包括组合单元201，被配置为合并低层树形管状结构和高层树形管状结构以得到对象的树形管状结构。由于延长分支是从低层树形管状结构的末梢开始生长的，第二融合单元106可以仅使用延长分支与候选数据的其余部分融合而不包括原有的第一树形管状结构，因此所获得的高层树形管状结构与低层树形管状结构之间不存在重复部分也不存在不连续部分，可以直接进行组合以获得相对完整的树形管状结构。

此外，图5示出了根据本申请的又一个实施例的图像处理装置300的结构，如图所示，图像处理装置300除了包括图4所示的图像处理装置200的各个单元之外，还包括控制单元301，被配置为将组合单元201获得的对象的树形管状结构作为低层树形管状结构提供给末梢识别单元104以使得末梢识别单元104、延长单元105和第二融合单元106循环操作，直到满足预定条件为止。

图像处理装置300可以进行多次延长生长，从而能够最大限度地利用灰度形态学重建单元102所获得的候选数据，分割出层级较高的树形管状结构。

其中，该预定条件为延长单元105不能获得延长分支或所获得的高层树形管状结构与所述延长分支相同。换言之，预定条件设置为进一步的分割不能获得新的树形管状结构。例如，预定条件可以包括以下中的至少一种：末梢识别单元104所识别出的末梢处的管状结构均达到预定层级，延长单元105不能获得有效的种子点从而无法获得延长分支，或者第二融合单元106不能在延长分支上融合候选数据的其余部分中的任何数据。另外，还可以根据实际需要来设置预定条件。

以上参照附图1-5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计算机断层扫描（CT）装置、磁共振成像（MRI）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或血管等。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300对该体图像进行分割。

图像分割装置100、200或300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，自适应区域生长单元101可以基于气管树的通常的分支数量来判断其获得的第一部分气管树是否正确。以上描述中的各种阈值和条件可以根据气管树在图像中通常所呈现的像素值的范围和像素点的数量等性质来确定。

在该示例中，灰度形态学重建单元102对每一个图像进行基于局部极小值的灰度形态学重建，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，灰度形态学重建单元102可以仅对尺度较小的、即较高层级的气管进行灰度重建。

在灰度形态学重建单元102获得了候选数据之后，第一融合单元103基于该候选数据在已获得的第一部分气管树的基础上进行进一步的二值图像区域生长，根据气管的空间连续性的原理来选取要生长为第二部分气管树的候选数据。第二融合单元106执行类似的操作。应该理解，二值图像区域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。

此外，在使用图像处理装置300时，还可以进行多次分支延长和融合生长，以获得尺度更小（层级更高）的气管树。

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、准确且分割出的树形管状结构层级高的特性。

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6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，该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，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第一树形管状结构的自适应区域生长步骤（S11）；通过分别对一系列图像的每一个进行基于局部极值的灰度形态学重建，以获得能够构成至少一部分树形管状结构的候选数据的灰度形态学重建步骤（S12）；将第一树形管状结构与候选数据的至少一部分融合在一起，以获得对象的低层树形管状结构的第一融合步骤（S13）；识别该低层树形管状结构的末梢的识别步骤（S14）；将所识别的末梢对应的像素点作为种子点以进一步基于体图像进行局部区域生长来获得延长分支的延长步骤（S15）；以及将延长分支和候选数据的其余部分中的至少一部分融合在一起，以获得对象的高层树形管状结构的第二融合步骤（S16）。

图7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，该图像分割方法除了包括图6中所示的步骤S11-S16之外，还包括合并低层树形管状结构和高层树形管状结构以得到对象的树形管状结构的合并步骤（S17）。

图8示出了根据本申请的又一个实施例的图像分割方法的流程图，该图像分割方法除了包括图7中所示的步骤S11-S17之外，还包括将所获得的对象的树形管状结构作为低层树形管状结构，以重复执行识别步骤S14、延长步骤S15和第二融合步骤S16，直到满足预定条件为止。

其中，预定条件可以为在延长步骤S15中不能获得延长分支或在第二融合步骤S16中所获得的高层树形管状结构与延长分支相同。另外，还可以根据实际需要来设置预定条件。

在图6、7和8所示的图像分割方法中，在执行局部区域生长时与在执行获得第一树形管状结构的区域生长时可以使用不同的预定阈值。在一个实施例中，预定阈值可以包括区域生长阈值和控制泄漏阈值。

在一个实施例中，第一融合步骤S13包括对第一树形管状结构进行基于候选数据的二值图像区域生长；第二融合步骤S16包括对延长分支进行基于候选数据的其余部分的二值图像区域生长，其中，二值图像区域生长分别包括将候选数据中与第一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树形管状结构，以及将候选数据的其余部分中与延长分支在空间上相连的部分生长为第三树形管状结构，其中，第一树形管状结构和第二树形管状结构形成低层树形管状结构，延长分支和第三树形管状结构形成高层树形管状结构。

灰度形态学重建步骤S12可以包括分别获得树形管状结构的尺度不同的多组候选数据。其中，第一融合步骤S13可以使用多组候选数据中尺度较大、即层级较低的候选数据，第二融合步骤S16可以使用多组候选数据中尺度较小、即层级较高的候选数据。

在一个实施例中，识别步骤S14还包括判断所识别的末梢处的管状结构在树形管状结构中的层级，并且仅在该层级低于预定层级时才保留所对应的末梢。其中，可以基于管腔在末梢处的截面积来确定该末梢处的管状结构的层级。

如图9所示，识别步骤S14的一个示例还可以包括如下子步骤：提取低层树形管状结构中管的中心线（S401）；以及识别中心线的远离树形管状结构的主干的方向上的末端点（S402）。其中，例如，可以采用基于距离变换的骨架化或基于拓扑结构的三维细化方法来提取中心线，以及可以将中心线上在26邻域中只在一个邻域与中心线上其它点相邻的点作为末端点。

延长步骤S15还包括将所识别的种子点的像素值与预定的种子点阈值范围进行比较，并丢弃其像素值在所述种子点阈值范围以外的种子点。

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或血管等。

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。

如上所述，根据本申请的图像分割方法能够充分结合自适应区域生长方法和灰度形态学重建方法的优点，能够获得较高层级的树形管状结构，同时具有较高的准确度和较快的计算速度。

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10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10中省略了医学图像设备的其它可能部件。医学图像设备1000包括图像分割装置1010，以对输入的体图像进行处理。图像分割装置1010可以是根据上述任一实施例的图像分割装置100、200或300。医学图像设备1000例如是计算机断层扫描（CT）装置、磁共振成像（MRI）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11所示的通用计算机1100）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11中，运算处理单元（即CPU）1101根据只读存储器（ROM）1102中存储的程序或从存储部分1108加载到随机存取存储器（RAM）1103的程序执行各种处理。在RAM1103中，也根据需要存储当CPU1101执行各种处理等等时所需的数据。CPU1101、ROM1102和RAM1103经由总线1104彼此链接。输入/输出接口1105也链接到总线1104。

下述部件链接到输入/输出接口1105：输入部分1106（包括键盘、鼠标等等）、输出部分1107（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1108（包括硬盘等）、通信部分1109（包括网络接口卡比如LAN卡、调制解调器等）。通信部分1109经由网络比如因特网执行通信处理。根据需要，驱动器1110也可链接到输入/输出接口1105。可移除介质1111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1110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1108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移除介质1111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11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移除介质1111。可移除介质1111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ROM1102、存储部分1108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第一树形管状结构；

灰度形态学重建单元，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灰度形态学重建，以获得能够构成至少一部分树形管状结构的候选数据；

第一融合单元，被配置为将所述第一树形管状结构与所述候选数据的至少一部分融合在一起，以获得所述对象的低层树形管状结构；

末梢识别单元，被配置为识别所述低层树形管状结构的末梢；

延长单元，被配置为将所识别的末梢对应的像素点作为种子点提供给所述自适应区域生长单元以进一步基于所述体图像进行局部区域生长来获得延长分支；以及

第二融合单元，被配置为将所述延长分支和所述候选数据的其余部分中的至少一部分融合在一起，以获得所述对象的高层树形管状结构。

附记2．根据附记1所述的图像分割装置，还包括：

组合单元，被配置为合并所述低层树形管状结构和所述高层树形管状结构以得到所述对象的树形管状结构。

附记3．根据附记2所述的图像分割装置，还包括：

控制单元，被配置为将所述组合单元获得的所述对象的树形管状结构作为所述低层树形管状结构提供给所述末梢识别单元以使得所述末梢识别单元、所述延长单元和所述第二融合单元循环操作，直到满足预定条件为止。

附记4．根据附记3所述的图像分割装置，其中，所述预定条件为所述延长单元不能获得延长分支或所获得的高层树形管状结构与所述延长分支相同。

附记5．根据附记1至4中的任意一项所述的图像分割装置，其中，所述末梢识别单元还被配置为判断所识别的末梢处的管状结构在所述树形管状结构中的层级，并且仅在该层级低于预定层级时才保留所对应的末梢。

附记6．根据附记5所述的图像分割装置，其中，所述末梢识别单元基于管腔在末梢处的截面积来确定所述末梢处的管状结构的层级。

附记7．根据附记1至4中的任意一项所述的图像分割装置，其中，所述末梢识别单元包括：

中心线提取模块，被配置为提取所述低层树形管状结构中管的中心线；以及

末端点识别模块，被配置为识别所述中心线的远离所述树形管状结构的主干的方向上的末端点。

附记8．根据附记7所述的图像分割装置，其中，所述末端点识别模块被配置为将所述中心线上在26邻域中只在一个邻域与中心线上其它点相邻的点作为末端点。

附记9．根据附记1至4中的任意一项所述的图像分割装置，其中，所述延长单元还包括比较模块，被配置为将所识别的种子点的像素值与预定的种子点阈值范围进行比较，并丢弃其像素值在所述种子点阈值范围以外的种子点。

附记10．根据附记1至4中的任意一项所述的图像分割装置，其中，所述自适应区域生长单元被配置为在执行局部区域生长时与在执行获得第一树形管状结构的区域生长时使用不同的预定阈值。

附记11．根据附记1至4中的任意一项所述的图像分割装置，其中，所述预定阈值包括区域生长阈值和控制泄漏阈值。

附记12．根据附记1至4中的任意一项所述的图像分割装置，其中，

所述第一融合单元被配置为对所述第一树形管状结构进行基于所述候选数据的二值图像区域生长；

所述第二融合单元被配置为对所述延长分支进行基于所述候选数据的其余部分的二值图像区域生长，

其中，所述二值图像区域生长分别包括将所述候选数据中与所述第一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树形管状结构，以及将所述候选数据的其余部分中与所述延长分支在空间上相连的部分生长为第三树形管状结构，其中，所述第一树形管状结构和所述第二树形管状结构形成所述低层树形管状结构，所述延长分支和所述第三树形管状结构形成所述高层树形管状结构。

附记13．根据附记1至4中的任意一项所述的图像分割装置，其中，所述灰度形态学重建单元分别获得树形管状结构的尺度不同的多组候选数据。

附记14．根据附记13所述的图像分割装置，其中，所述第一融合单元使用所述多组候选数据中尺度较大的候选数据，所述第二融合单元使用所述多组候选数据中尺度较小的候选数据。

附记15．根据附记1至4中的任意一项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16．根据附记15所述的图像分割装置，其中，所述对象为气管树或血管。

附记17.一种医学图像设备，包括如附记1-16中任意一项所述的图像分割装置。

附记18．根据附记17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19.一种图像分割方法，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第一树形管状结构的自适应区域生长步骤；

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灰度形态学重建，以获得能够构成至少一部分树形管状结构的候选数据的灰度形态学重建步骤；

将所述第一树形管状结构与所述候选数据的至少一部分融合在一起，以获得所述对象的低层树形管状结构的第一融合步骤；

识别所述低层树形管状结构的末梢的识别步骤；

将所识别的末梢对应的像素点作为种子点以进一步基于所述体图像进行局部区域生长来获得延长分支的延长步骤；以及

将所述延长分支和所述候选数据的其余部分中的至少一部分融合在一起，以获得所述对象的高层树形管状结构的第二融合步骤。

附记20．根据附记19所述的图像分割方法，还包括：合并所述低层树形管状结构和所述高层树形管状结构以得到所述对象的树形管状结构的合并步骤。

附记21．根据附记20所述的图像分割方法，还包括：将所获得的所述对象的树形管状结构作为所述低层树形管状结构，以重复执行所述识别步骤、所述延长步骤和所述第二融合步骤，直到满足预定条件为止。

附记22．根据附记21所述的图像分割方法，其中，所述预定条件为在所述延长步骤中不能获得延长分支或在第二融合步骤中所获得的高层树形管状结构与所述延长分支相同。

附记23．根据附记19至22中的任意一项所述的图像分割方法，其中，所述识别步骤还包括判断所识别的末梢处的管状结构在所述树形管状结构中的层级，并且仅在该层级低于预定层级时才保留所对应的末梢。

附记24．根据附记23所述的图像分割方法，其中，基于管腔在末梢处的截面积来确定所述末梢处的管状结构的层级。

附记25．根据附记19至22中的任意一项所述的图像分割方法，其中，所述识别步骤包括：

提取所述低层树形管状结构中管的中心线；以及

识别所述中心线的远离所述树形管状结构的主干的方向上的末端点。

附记26．根据附记25所述的图像分割方法，其中，将所述中心线上在26邻域中只在一个邻域与中心线上其它点相邻的点作为末端点。

附记27．根据附记19至22中的任意一项所述的图像分割方法，所述延长步骤还包括将所识别的种子点的像素值与预定的种子点阈值范围进行比较，并丢弃其像素值在所述种子点阈值范围以外的种子点。

附记28．根据附记19至22中的任意一项所述的图像分割方法，其中，在执行局部区域生长时与在执行获得第一树形管状结构的区域生长时使用不同的预定阈值。

附记29．根据附记19至22中的任意一项所述的图像分割方法，其中，所述预定阈值包括区域生长阈值和控制泄漏阈值。

附记30．根据附记19至22中的任意一项所述的图像分割方法，其中，

所述第一融合步骤包括对所述第一树形管状结构进行基于所述候选数据的二值图像区域生长；

所述第二融合步骤包括对所述延长分支进行基于所述候选数据的其余部分的二值图像区域生长，

其中，所述二值图像区域生长分别包括将所述候选数据中与所述第一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树形管状结构，以及将所述候选数据的其余部分中与所述延长分支在空间上相连的部分生长为第三树形管状结构，其中，所述第一树形管状结构和所述第二树形管状结构形成所述低层树形管状结构，所述延长分支和所述第三树形管状结构形成所述高层树形管状结构。

附记31．根据附记19至22中的任意一项所述的图像分割方法，其中，所述灰度形态学重建步骤包括分别获得树形管状结构的尺度不同的多组候选数据。

附记32．根据附记31所述的图像分割方法，其中，所述第一融合步骤使用所述多组候选数据中尺度较大的候选数据，所述第二融合步骤使用所述多组候选数据中尺度较小的候选数据。

附记33．根据附记19至22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。

附记34．根据附记33所述的图像分割方法，其中，所述对象为气管树或血管。

附记35．一种计算机程序，用于实现根据附记19-34中的任意一项所述的图像分割方法。

附记36．一种计算机可读的记录介质，其上记录有用于实现根据附记19-34中的任意一项所述的图像分割方法的计算机程序代码。

Claims (20)

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第一树形管状结构；

灰度形态学重建单元，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灰度形态学重建，以获得能够构成至少一部分树形管状结构的候选数据；

第一融合单元，被配置为将所述第一树形管状结构与所述候选数据的至少一部分融合在一起，以获得所述对象的低层树形管状结构；

末梢识别单元，被配置为识别所述低层树形管状结构的末梢；

延长单元，被配置为将所识别的末梢对应的像素点作为种子点提供给所述自适应区域生长单元以进一步基于所述体图像进行局部区域生长来获得延长分支；以及

第二融合单元，被配置为将所述延长分支和所述候选数据的其余部分中的至少一部分融合在一起，以获得所述对象的高层树形管状结构。

2.根据权利要求1所述的图像分割装置，还包括：

组合单元，被配置为合并所述低层树形管状结构和所述高层树形管状结构以得到所述对象的树形管状结构。

3.根据权利要求2所述的图像分割装置，还包括：

控制单元，被配置为将所述组合单元获得的所述对象的树形管状结构作为所述低层树形管状结构提供给所述末梢识别单元以使得所述末梢识别单元、所述延长单元和所述第二融合单元循环操作，直到满足预定条件为止。

4.根据权利要求3所述的图像分割装置，其中，所述预定条件为所述延长单元不能获得延长分支或所获得的高层树形管状结构与所述延长分支相同。

5.根据权利要求1至4中的任意一项所述的图像分割装置，其中，所述末梢识别单元还被配置为判断所识别的末梢处的管状结构在所述树形管状结构中的层级，并且仅在该层级低于预定层级时才保留所对应的末梢。

6.根据权利要求5所述的图像分割装置，其中，所述末梢识别单元基于管腔在末梢处的截面积来确定所述末梢处的管状结构的层级。

7.根据权利要求1至4中的任意一项所述的图像分割装置，其中，所述末梢识别单元包括：

中心线提取模块，被配置为提取所述低层树形管状结构中管的中心线；以及

末端点识别模块，被配置为识别所述中心线的远离所述树形管状结构的主干的方向上的末端点。

8.根据权利要求7所述的图像分割装置，其中，所述末端点识别模块被配置为将所述中心线上在26邻域中只在一个邻域与中心线上其它点相邻的点作为末端点。

9.根据权利要求1至4中的任意一项所述的图像分割装置，其中，所述延长单元还包括比较模块，被配置为将所识别的种子点的像素值与预定的种子点阈值范围进行比较，并丢弃其像素值在所述种子点阈值范围以外的种子点。

10.根据权利要求1至4中的任意一项所述的图像分割装置，其中，所述自适应区域生长单元被配置为在执行局部区域生长时与在执行获得第一树形管状结构的区域生长时使用不同的预定阈值。

11.根据权利要求1至4中的任意一项所述的图像分割装置，其中，所述预定阈值包括区域生长阈值和控制泄漏阈值。

12.根据权利要求1至4中的任意一项所述的图像分割装置，其中，

所述第一融合单元被配置为对所述第一树形管状结构进行基于所述候选数据的二值图像区域生长；

所述第二融合单元被配置为对所述延长分支进行基于所述候选数据的其余部分的二值图像区域生长，

其中，所述二值图像区域生长分别包括将所述候选数据中与所述第一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树形管状结构，以及将所述候选数据的其余部分中与所述延长分支在空间上相连的部分生长为第三树形管状结构，其中，所述第一树形管状结构和所述第二树形管状结构形成所述低层树形管状结构，所述延长分支和所述第三树形管状结构形成所述高层树形管状结构。

13.根据权利要求1至4中的任意一项所述的图像分割装置，其中，所述灰度形态学重建单元分别获得树形管状结构的管径不同的多组候选数据。

14.根据权利要求13所述的图像分割装置，其中，所述第一融合单元使用所述多组候选数据中对应于管径较大的树形管状结构的候选数据，所述第二融合单元使用所述多组候选数据中对应于管径较小的树形管状结构的候选数据。

15.根据权利要求1至4中的任意一项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。

16.根据权利要求15所述的图像分割装置，其中，所述对象为气管树或血管。

17.一种医学图像设备，包括如权利要求1-16中任意一项所述的图像分割装置。

18.根据权利要求17所述的医学图像设备，其中，所述医学图像设备为计算机断层扫描设备或磁共振成像设备。

19.一种图像分割方法，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第一树形管状结构的自适应区域生长步骤；

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灰度形态学重建，以获得能够构成至少一部分树形管状结构的候选数据的灰度形态学重建步骤；

将所述第一树形管状结构与所述候选数据的至少一部分融合在一起，以获得所述对象的低层树形管状结构的第一融合步骤；

识别所述低层树形管状结构的末梢的识别步骤；

将所识别的末梢对应的像素点作为种子点以进一步基于所述体图像进行局部区域生长来获得延长分支的延长步骤；以及

将所述延长分支和所述候选数据的其余部分中的至少一部分融合在一起，以获得所述对象的高层树形管状结构的第二融合步骤。

20.根据权利要求19所述的图像分割方法，其中，所述识别步骤包括：

提取所述低层树形管状结构中管的中心线；以及

识别所述中心线的远离所述树形管状结构的主干的方向上的末端点。