CN104268893A - 一种用左右扫描和四个角旋转扫描对肺实质分割去噪的方法 - Google Patents

一种用左右扫描和四个角旋转扫描对肺实质分割去噪的方法 Download PDF

Info

Publication number
CN104268893A
CN104268893A CN201410545665.0A CN201410545665A CN104268893A CN 104268893 A CN104268893 A CN 104268893A CN 201410545665 A CN201410545665 A CN 201410545665A CN 104268893 A CN104268893 A CN 104268893A
Authority
CN
China
Prior art keywords
seed points
lung
pulmonary parenchyma
mid
ray
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
Application number
CN201410545665.0A
Other languages
English (en)
Other versions
CN104268893B (zh
Inventor
赵涓涓
纪国华
强彦
胡洋洋
廖晓磊
吕鲤志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN201410545665.0A priority Critical patent/CN104268893B/zh
Publication of CN104268893A publication Critical patent/CN104268893A/zh
Application granted granted Critical
Publication of CN104268893B publication Critical patent/CN104268893B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/10104—Positron emission tomography [PET]
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种用左右扫描和四个角旋转扫描对肺实质分割去噪的方法，首先，提取胸腔ROI肺部区域的最小外接矩形；然后判断其是肺的哪个部位，根据其所属的部位选择左右扫描还是四个角旋转扫描求取种子点，肺上部只能采用左右扫描，肺中部既可以采用左右扫描也可以采用四个角旋转扫描，肺底部只能采用四个角旋转扫描；最后，采用八邻域区域增长法去除残留的气管与主支气管等噪声。本发明简单、易于实现，且分割速度非常快，能对一个CT图像序列中的每一幅图像分别采用迭代阈值和基于形态学相结合的方法，完全自动、准确地分割出PET-CT图像序列中每一帧图像的肺部区域。

Description

一种用左右扫描和四个角旋转扫描对肺实质分割去噪的方法
技术领域
本发明涉及肺实质去噪，具体涉及一种用左右扫描和四个角旋转扫描对肺实质分割去噪的方法。
背景技术
人体肺部不同部位呈现的形态不一样，主要分为上、中、下三个典型部位，目前现有的肺实质分割的方法主要针对人体肺部中间部位，不能对肺各个部位进行良好的分割去噪。肺部图像序列分割是肺部三维可视化的基础，如果不能对肺部各部位图像正确的分割，那么肺部三维重建后的效果必然受到影响。
发明内容
本发明的目的在于克服现有技术中的缺陷，提供一种简单、易于实现，且分割速度非常快的组合采用左右扫描和四个角旋转扫描对肺实质分割去噪的方法。
本发明采用如下技术方案：
一种用左右扫描和四个角旋转扫描对肺实质分割去噪的方法，包括以下步骤：
A，提取胸腔ROI肺部区域的最小外接矩形，对胸腔ROI肺部区域图像从左、右、上、下扫描，求取肺部区域的最小外接矩形的左边界、右边界、上边界、下边界；
B，由于肺上部只能采用左右扫描寻找种子点，肺下部只能采用四个角旋转扫描寻找种子点，肺中部既可以采用左右扫描也可以采用四个角旋转扫描寻找种子点，所以肺部部位判断的重点是把上部和底部区分开；采用的方法是根据肺序列的数目m，设定一个百分比p，使得上部全在序列号i＜m·p的集合中，底部全在序列号m·p≤i≤m的集合中；
C，所述步骤B中寻找种子点方法如下：
a、对于肺上、中部位胸腔ROI，采用左右扫描寻找肺实质种子点；
选取肺上、中部位胸腔ROI肺部区域左右肺实质种子点的方法是对胸腔ROI肺部区域最小外接矩形图像沿着左右两边向中间扫描每个像素点，当发现沿y方向存在n个连续的白色像素点时，停止扫描，把n个连续白色像素点的第一个像素点作为种子点；
b、对于肺底部位胸腔ROI，采用四个角旋转扫描寻找肺实质种子点；
选取肺底部胸腔ROI肺部区域左上角、右上角、左下角及右下角肺实质种子点的方法如下：
首先，将求取的胸腔ROI肺部区域最小外接矩形沿x、y方向平均分为四个区域，即左上角区域、右上角区域、左下角区域及右下角区域；最小外接矩形的左上角坐标为(x1，y1)，右上角坐标为(x2，y1)，左下角坐标为(x1，y2)，右下角坐标为(x2，y2)，则x方向的中间线方程为mid_x＝(x1+x2)/2，y方向的中间线方程为mid_y＝(y1+y2)/2；
①左上角肺实质种子点选取：
以左上角(x1，y1)为旋转点，向左上角区域辐射旋转射线，旋转射线以最小外接矩形的上边界线y＝y1、最小外接矩形的左边界线x＝x1、中间线mid_x和mid_y为边界线；
左上角旋转射线的方程如下：
y-y1＝tan(θ)(x-x1)，θ∈[0，π/2]且x1≤x≤mid_x且y1≤y≤mid_y
以左上角(x1，y1)作为旋转点，以左上角旋转射线方程作为旋转射线，从旋转角度θ＝0旋转到θ＝π/2；对每条θ角方向的旋转射线做如下处理：沿着θ角方向的旋转射线扫描旋转射线{(x，y)|x1≤x≤mid_x且y1≤y≤mid_y}内每个像素点(x，y)，当发现沿旋转射线方向存在n个连续的白色像素点时，停止扫描，记录下n个连续白色像素点的第一个像素点为(xleft-up，yleft-up)，求该点到左上角点(x1，y1)的距离d(θ)；最后求取θ∈[0，π/2)内最小d(θ)对应的像素点(xleft-up，yleft-up)作为左上角肺实质种子点；如果左上角区域无肺实质，则该区域无肺实质种子点；
②右上角肺实质种子点选取：
以右上角(x2，y1)为旋转点，向右上角区域辐射旋转射线，旋转射线以最小外接矩形的上边界线y＝y1、最小外接矩形的右边界线x＝x2、中间线mid_x和mid_y为边界线；
右上角旋转射线的方程如下：
y-y1＝tan(θ)(x-x2)，θ∈[π/2，π]且mid_x≤x≤x2且y1≤y≤mid_y
以右上角(x2，y1)作为旋转点，以右上角旋转射线方程作为旋转射线，从旋转角度θ＝π/2旋转到θ＝π；对每条θ角方向的旋转射线做如下处理：沿着θ角方向的旋转射线扫描旋转射线{(x，y)|mid_x≤x≤x2且y1≤y≤mid_y}内每个像素点(x，y)，当发现沿旋转射线方向存在n个连续的白色像素点时，停止扫描，记录下n个连续白色像素点的第一个像素点(xright-up，yright-up)，求该点到右上角点(x2，y1)的距离d(θ)；最后求取θ∈(π/2，π)内最小d(θ)对应的像素点(xright-up，yright-up)作为右上角肺实质种子点；如果右上角区域无肺实质，则该区域无肺实质种子点；
③左下角肺实质种子点选取
以左下角(x1，y2)为旋转点，向左下角区域辐射旋转射线，旋转射线以最小外接矩形的下边界线y＝y2、最小外接矩形的左边界线x＝x1、中间线mid_x和mid_y为边界线；
左下角旋转射线的方程如下：
y-y2＝tan(θ)(x-x1)，θ∈[3π/2，2π]且x1≤x≤mid_x且mid_y≤y≤y2
以左下角(x1，y2)作为旋转点，以左下角旋转射线方程作为旋转射线，从旋转角度θ＝3π/2旋转到θ＝2π；对每条θ角方向的旋转射线做如下处理：沿着θ角方向的旋转射线扫描旋转射线{(x，y)|x1≤x≤mid_x且mid_y≤y≤y2}内每个像素点(x，y)，当发现沿旋转射线方向存在n个连续的白色像素点时，停止扫描，记录下n个连续白色像素点的第一个像素点(xleft-down，yleft-down)，left-down取其英文含义：左下，下同，求该点到左下角点(x1，y2)的距离d(θ)；最后选择θ∈(3π/2，2π]内最小d(θ)对应的像素点(xleft-down，yleft-down)作为左下角肺实质种子点；如果左下角区域无肺实质(全为黑色区域)，则该区域无肺实质种子点；
④右下角肺实质种子点选取
以右下角(x2，y2)为旋转点，向右下角区域辐射旋转射线，旋转射线以最小外接矩形的下边界线y＝y2、最小外接矩形的右边界线x＝x2、中间线mid_x和mid_y为边界线。
右下角旋转射线的方程如下：
y-y2＝tan(θ)(x-x2)，θ∈[π，3π/2]且mid_x≤x≤x2且mid_y≤y≤y2
以右下角(x2，y2)作为旋转点，以右下角旋转射线方程作为旋转射线，从旋转角度θ＝π旋转到θ＝3π/2；对每条θ角方向的旋转射线做如下处理：沿着θ角方向的旋转射线扫描旋转射线{(x，y)|mid_x≤x≤x2且mid_y≤y≤y2}内每个像素点(x，y)，当发现沿旋转射线方向存在n个连续的白色像素点时，停止扫描，记录下n个连续白色像素点的第一个像素点(xright-down，yright-down)，求该点到右下角点(x2，y2)的距离d(θ)；最后选择θ∈[π，3π/2)内最小d(θ)对应的像素点(xright-down，yright-down)作为右下角肺实质种子点；如果右下角区域无肺实质，则该区域无肺实质种子点。
所述的方法，还包括步骤D，所述步骤D是采用八邻域区域增长法对种子点进行增长，步骤如下：
第1步，定义一个布尔类型标志数组flag[512][512]，用来存放胸腔ROI肺部区域的像素点的所属类型，即是属于肺实质区域还是残留的气管与主支气管等噪声区域，如果落在肺实质区域，则存放true，否则存放false，初始时flag[512][512]中全部存放false；
第2步，采用左右扫描和四个角旋转扫描得到肺实质种子点集，从其中选择一个种子点(x，y)开始；
第3步，将flag[x][y]设置为true；
第4步，在种子点的八邻域像素中寻找与种子像素有相同或相似性质的像素，并将这些像素合并到种子像素所在的区域中；
第5步，将这些新像素当作新的种子点，转到第3步继续进行上述过程，直到该种子区域增长结束；
第6步，选择肺实质种子点集中的下一个种子点，转到第3步继续进行上述过程，直到肺实质种子点集中的所有种子点都增长结束；
第7步，遍历胸腔ROI肺部区域图像，将不在肺实质区域(即flag数组中值为false的像素点)的像素值全设置为零值。
所述的方法，四个角旋转扫描寻找肺实质种子点中n＝3，θ＝5°；左右扫描寻找肺实质种子点中的n＝5。
所述的方法，详细步骤如下：
(1)读取某人的CT图像序列及其对应的PET图像序列所在的文件夹；
(2)从(1)读入的文件夹中读取该人的一张CT图像及其对应的PET图像；
(3)对读入的CT图像通过RescaleIntensityImageFilter将CT值调整为0～255之间；
(4)对CT值调整后的CT图像采用基于迭代计算获得最佳阈值的方法进行二值化处理，得到肺CT二值图像；
(5)对肺CT二值图像提取它的感兴趣区域ROI；
(6)对ROI采用区域增长法消除包括机床、物品在内的噪声，得到ROI的胸腔CT二值图像；
(7)对ROI的胸腔CT二值图像采用区域增长法去除胸腔ROI非肺部区域；
(8)对于肺上、中部位胸腔ROI，采用所述的左右扫描寻找肺实质种子点，对于肺底部位胸腔ROI，采用所述的四个角旋转扫描去除(7)处理后图像中残留的气管与主支气管等噪声；采用八邻域区域生长法去除(7)处理后图像中残留的气管与主支气管等噪声；
(9)细化处理生成CT图像掩模；
(10)将CT图像掩模缩小4倍得到PET图像掩模；
(11)依照CT图像掩模和PET图像掩模分割出肺实质CT图像和肺实质PET图像。
(12)判断是否是最后一张CT/PET图像，如果否，转到(2)继续读入该人的下一张CT图像及其对应的PET图像，如果是，则序列分割结束，
所述的方法，所述步骤(4)中，基于迭代计算获得最佳阈值的方法，该方法的基本步骤如下：
第1步，设置初始阈值T＝(图像最大亮度值+图像最小亮度值)/2；
第2步，使用阈值T分割图像，获得两个像素集B(body voxels)和N(nonbodyvoxels)；
第3步，分别计算出像素集B和N的均值μb和μn；
第4步，计算新的阈值：
T = μb + μn 2
第5步，重复2～4步，直到迭代条件满足为止，即T的迭代差值小于预定的参数时停止迭代。
所述的方法，为了消除视野外数据对阈值计算的影响，对自动阈值法进行了修正，令K为图像的像素数(默认为512x512)，L为视野外数据的像素数，将所述第4步新阈值的计算公式修改为：
T = ( μb + μn ) × K / ( K - L ) 2 .
所述的方法，所述步骤(5)，对ROI取左上角坐标(110，60)，右下角坐标(400，420)。
与现有技术相比，本发明的有益效果为：
本发明克服现有技术中的缺陷，方法简单、易于实现，且分割速度是手工分割速度的15倍。
2.通过使用本发明的技术，能准确高效地分割出肺各部位图像，最大程度保证了肺实质分割效果。
3.本发明为肺部三维可视化做了良好的准备。
附图说明
图1是本发明对肺实质分割去噪的方法的流程图。
图2是本发明以肺底部为例描述的分割去噪的方法的总体实现框图。
图3是本发明方法对肺实质分割去噪过程中，某人肺部上、中、下部位PET-CT图像分割的效果对比图。
图4是肺上部、肺中部常见形态；a肺上部常见形态，b肺中部常见形态。
图5是肺下部的常见形态；a左上角常见形态，b右上角常见形态，c左下角两种常见形态，d右下角常见形态，e肺底部常见形态组合情况。
图6是对肺上部和肺中部采用左右扫描寻找肺实质种子点的原理描述图。
图7是对肺底部采用四个角旋转扫描寻找肺实质种子点的原理描述图。
图8是八邻域区域生长算法中种子像素点的八邻域位置描述。
图9是本发明一种用四个角旋转扫描对肺实质分割去噪的分割效果与常用的区域生长分割去噪效果的对比图；a是原始CT图像，b是医师手工分割的肺部区域图像，c是使用常用的区域生长算法分割去噪后的肺部图像，d是经过四个角旋转扫描方法分割去噪后的肺部区域图像。
图10是本发明一种用四个角旋转扫描对肺实质分割去噪后的三维重建效果与常用的区域生长分割去噪后的三位重建效果对比图；a是采用常用的区域生长算法分割去噪后的三维重建效果，b是用左右扫描和四个角旋转扫描对肺实质分割去噪后的三维重建效果。
具体实施方式
以下结合具体实施例，对本发明进行详细说明。
参照图1、2，本发明方法的实现流程如下：
(1)读取某人的CT图像序列及其对应的PET图像序列所在的文件夹。
(2)从(1)读入的文件夹中读取该人的一张CT图像及其对应的PET图像。
(3)对读入的CT图像通过RescaleIntensityImageFilter(图像亮度调整滤波器)将CT值调整为0～255之间。
(4)对CT值调整后的CT图像采用基于迭代计算的阈值法进行二值化处理，得到肺CT二值图像。
(5)对肺CT二值图像提取它的感兴趣区域ROI(Region ofInterest)。
(6)对ROI采用区域增长法消除机床、物品等噪声，得到ROI的胸腔CT二值图像。
(7)对ROI的胸腔CT二值图像采用区域增长法去除胸腔ROI非肺部区域。
(8)对于肺上、中部位胸腔ROI，采用左右扫描寻找肺实质种子点，对于肺底部位胸腔ROI，采用四个角旋转扫描寻找肺实质种子点。然后采用八邻域区域生长算法去除(7)处理后图像中残留的气管与主支气管等噪声。
(9)细化处理(开运算、闭运算等图像形态学操作)生成CT图像掩模。
细化处理主要用到了开运算和闭运算，开运算是消除高于其邻近点的孤立点，开运算结果是消除图像中细小的对象，在纤细点处分离对象，平滑较大对象的边界的同时不明显改变其面积。对于肺部图像进行开运算，采用圆形核，可以磨光肺实质边缘，使图像的尖角转化为背景。闭运算是消除低于其邻近点的孤立点，对于肺部图像进行闭运算，采用圆形核，填充肺部二值图像目标内细小孔洞、连接断开的邻近对象、平滑对象边界的同时不明显改变其面积。
(10)将CT图像掩模缩小4倍得到PET图像掩模。
(11)依照CT图像掩模和PET图像掩模分割出肺实质CT图像和肺实质PET图像。
(12)判断是否是最后一张CT/PET图像，如果否，转到(2)继续读入该人的下一张CT图像及其对应的PET图像，如果是，则序列分割结束。
图3选取了肺部具有代表性的三个典型部位(上、中、下)，来描述肺部PET-CT图像序列分割各部位的分割流程和效果。
参考图4和图5，本发明通过统计分析，得到不同部位的肺部和噪声的不同形态，进而对不同部位的进行不同的去噪处理。以下对本发明的方法进行具体描述，其具体步骤为：
1)CT值调整
由于肺CT图像其CT值处于-1000Hu到+1000Hu之间，不方便对其进行二值化处理，所以在进行肺CT图像二值化处理之前，应该对肺CT图像进行CT值调整预处理，对输入图像的像素强度值进行线性变换，将原有的CT值调整为灰度值，范围为0～255。
2)二值化处理
肺部低CT值与周围组织高CT值的强烈对比，使得阈值化分割算法成为肺实质分割最常用的方法。本文采用最佳迭代阈值算法，来动态的获得不同CT图像的分割阈值，从统计学的角度出发，考虑图像的整体信息。这样得到的阈值，可以得到比较好的分割结果。
由于目标区域(肺实质)和背景的灰度值有部分重叠，难以选择一个固定的全局阈值对图像进行分割，因此本文应用了基于迭代计算获得最佳阈值的方法，该方法的基本步骤如下：
第1步，设置初始阈值T＝(图像最大亮度值+图像最小亮度值)/2；
第2步，使用阈值T分割图像，获得两个像素集B(body voxels)和N(nonbodyvoxels)：
第3步，分别计算出像素集B和N的均值μb和μn；
第4步，计算新的阈值：
T = μb + μn 2
第5步，重复2～4步，直到迭代条件满足为止，即T的迭代差值小于预定的参数时停止迭代。
为了消除视野外数据(极低CT值)对阈值计算的影响，本文对自动阈值法进行了修正，令K为图像的像素数(默认为512x512)，L为视野外数据的像素数，将上述第4步新阈值的计算公式修改为：
T = ( μb + μn ) × K / ( K - L ) 2
3)提取感兴趣区域(ROI)
肺部区域在一张CT图像中所占比例较小，所在范围比较固定，所以没有必要对整张CT图像进行处理。为了减少数据处理量，本文提出了感兴趣区域ROI提取的方法。该方法利用统计学方法，对15个人近1000张肺部CT图像进行统计分析发现，对ROI取左上角坐标(110，60)，右下角坐标(400，420)时肺实质分割效果良好。确定ROI的坐标范围后，使用经典的区域生长算法得到含气管、支气管等噪声的肺部区域。
4)左右扫描和四个角旋转扫描去噪
四个角旋转扫描去除胸腔ROI肺部区域中残留的气管与主支气管等噪声的详细过程如下：
A.提取胸腔ROI肺部区域的最小外接矩形，对胸腔ROI肺部区域图像从左、右、上、下扫描，求取肺部区域的最小外接矩形的左边界、右边界、上边界、下边界。
B.肺部部位通过简单的规则进行判断，由于肺上部只能采用左右扫描寻找种子点，肺下部只能采用四个角旋转扫描寻找种子点，肺中部既可以采用左右扫描也可以采用四个角旋转扫描寻找种子点，所以部位判断的重点是把上部和底部区分开。采用的方法是根据肺序列的数目m，设定一个百分比p，使得上部全在序列号i＜m·p的集合中，底部全在序列号m·p≤i≤m的集合中。
C.寻找种子点方法如下：
a.参考图6，对于肺上、中部位胸腔ROI，采用左右扫描寻找肺实质种子点。
选取肺上、中部位胸腔ROI肺部区域左右肺实质种子点的方法是对胸腔ROI肺部区域最小外接矩形图像沿着左右两边向中间扫描每个像素点，当发现沿y方向存在n个连续的白色像素点时，停止扫描，把n个连续白色像素点的第一个像素点作为种子点。这里n的选择很重要，n值太小容易受噪声影响，不能准确找到肺实质种子点，n值太大不仅增加程序运行时间而且也可能找不到肺实质种子点。所以n值选择要适中，本文中设置了n＝5。通过左右扫描，得到了左右肺实质的种子点。
b.参考图7，对于肺底部位胸腔ROI，采用四个角旋转扫描寻找肺实质种子点。
选取肺底部位胸腔ROI肺部区域左上角、右上角、左下角及右下角肺实质种子点的方法如下：
首先，将求取的胸腔ROI肺部区域最小外接矩形沿x、y方向平均分为四个区域，即左上角区域、右上角区域、左下角区域及右下角区域。最小外接矩形的左上角坐标为(x1，y1)，右上角坐标为(x2，y1)，左下角坐标为(x1，y2)，右下角坐标为(x2，y2)，则x方向的中间线方程为mid_x＝(x1+x2)/2，y方向的中间线方程为mid_y＝(y1+y2)/2。
①左上角肺实质种子点选取
以左上角(x1，y1)为旋转点，向左上角区域辐射旋转射线，旋转射线以最小外接矩形的上边界线y＝y1、最小外接矩形的左边界线x＝x1、中间线mid_x和mid_y为边界线。
左上角旋转射线的方程如下：
y-y1＝tan(θ)(x-x1)，θ∈[0，π/2]且x1≤x≤mid_x且y1≤y≤mid_y
基本思想：以左上角(x1，y1)作为旋转点，以左上角旋转射线方程作为旋转射线，从旋转角度θ＝0(包含在内)旋转到θ＝π/2(不包含在内，tan(π/2)不存在)。对每条θ角方向的旋转射线做如下处理：沿着θ角方向的旋转射线扫描旋转射线{(x，y)|x1≤x≤mid_x且y1≤y≤mid_y}内每个像素点(x，y)，当发现沿旋转射线方向存在n个连续的白色像素点时，停止扫描，记录下n个连续白色像素点的第一个像素点为(xleft-up，yleft-up)，left-up取其英文含义：左上，下同，求该点到左上角点(x1，y1)的距离d(θ)。最后求取θ∈[0，π/2)内最小d(θ)对应的像素点(xleft-up，yleft-up)作为左上角肺实质种子点。如果左上角区域无肺实质(全为黑色区域)，则该区域无肺实质种子点。
②右上角肺实质种子点选取
以右上角(x2，y1)为旋转点，向右上角区域辐射旋转射线，旋转射线以最小外接矩形的上边界线y＝y1、最小外接矩形的右边界线x＝x2、中间线mid_x和mid_y为边界线。
右上角旋转射线的方程如下：
y-y1＝tan(θ)(x-x2)，θ∈[π/2，π]且mid_x≤x≤x2且y1≤y≤mid_y
基本思想：以右上角(x2，y1)作为旋转点，以右上角旋转射线方程作为旋转射线，从旋转角度θ＝π/2(不包含在内，tan(π/2)不存在)旋转到θ＝π(包含在内)。对每条θ角方向的旋转射线做如下处理：沿着θ角方向的旋转射线扫描旋转射线{(x，y)|mid_x≤x≤x2且y1≤y≤mid_y}内每个像素点(x，y)，当发现沿旋转射线方向存在n个连续的白色像素点时，停止扫描，记录下n个连续白色像素点的第一个像素点(xright-up，yright-up)，right-up取其英文含义：右上，下同，求该点到右上角点(x2，y1)的距离d(θ)。最后求取θ∈(π/2，π)内最小d(θ)对应的像素点(xright-up，yright-up)作为右上角肺实质种子点。如果右上角区域无肺实质(全为黑色区域)，则该区域无肺实质种子点。
③左下角肺实质种子点选取
以左下角(x1，y2)为旋转点，向左下角区域辐射旋转射线，旋转射线以最小外接矩形的下边界线y＝y2、最小外接矩形的左边界线x＝x1、中间线mid_x和mid_y为边界线。
左下角旋转射线的方程如下：
y-y2＝tan(θ)(x-x1)，θ∈[3π/2，2π]且x1≤x≤mid_x且mid_y≤y≤y2
基本思想：以左下角(x1，y2)作为旋转点，以左下角旋转射线方程作为旋转射线，从旋转角度θ＝3π/2(不包含在内，tan(3π/2)不存在)旋转到θ＝2π(包含在内)。对每条θ角方向的旋转射线做如下处理：沿着θ角方向的旋转射线扫描旋转射线{(x，y)|x1≤x≤mid_x且mid_y≤y≤y2}内每个像素点(x，y)，当发现沿旋转射线方向存在n个连续的白色像素点时，停止扫描，记录下n个连续白色像素点的第一个像素点(xleft-down，yleft-down)，left-down取其英文含义：左下，下同，求该点到左下角点(x1，y2)的距离d(θ)。最后选择θ∈(3π/2，2π]内最小d(θ)对应的像素点(xleft-down，yleft-down)作为左下角肺实质种子点。如果左下角区域无肺实质(全为黑色区域)，则该区域无肺实质种子点。
④右下角肺实质种子点选取
以右下角(x2，y2)为旋转点，向右下角区域辐射旋转射线，旋转射线以最小外接矩形的下边界线y＝y2、最小外接矩形的右边界线x＝x2、中间线mid_x和mid_y为边界线。
右下角旋转射线的方程如下：
y-y2＝tan(θ)(x-x2)，θ∈[π，3π/2]且mid_x≤x≤x2且mid_y≤y≤y2
基本思想：以右下角(x2，y2)作为旋转点，以右下角旋转射线方程作为旋转射线，从旋转角度θ＝π(包含在内)旋转到θ＝3π/2(不包含在内，tan(3π/2)不存在)。对每条θ角方向的旋转射线做如下处理：沿着θ角方向的旋转射线扫描旋转射线{(x，y)|mid_x≤x≤x2且mid_y≤y≤y2}内每个像素点(x，y)，当发现沿旋转射线方向存在n个连续的白色像素点时，停止扫描，记录下n个连续白色像素点的第一个像素点(xright-down，yright-down)，right-down取其英文含义：右下，下同，求该点到右下角点(x2，y2)的距离d(θ)。最后选择θ∈[π，3π/2)内最小d(θ)对应的像素点(xright-down，yright-down)作为右下角肺实质种子点。如果右下角区域无肺实质(全为黑色区域)，则该区域无肺实质种子点。
四个角旋转扫描寻找肺实质种子点中n和θ的选择很重要，n值太小容易受噪声影响，不能准确找到左上角肺实质种子点，n值太大不仅增加程序运行时间而且也可能找不到肺实质种子点。所以n值选择要适中，本文中设置了n＝3。θ值太大可能跨越肺实质区域，找不到肺实质种子点，θ值太小增加程序运行时间。所以θ值选择也要适中，本文中设置了θ＝5°。通过四个角旋转扫描，得到了四区域肺实质的种子点，不一定每个区域都存在种子点。
D，八邻域区域增长法步骤如下：
第1步，定义一个布尔类型标志数组flag[512][512](本文所研究的CT图像的像素数为512×512)，用来存放胸腔ROI肺部区域的像素点的所属类型，即是属于肺实质区域还是残留的气管与主支气管等噪声区域，如果落在肺实质区域，则存放true，否则存放false，初始时flag[512][512]中全部存放false
第2步，采用左右扫描和四个角旋转扫描得到肺实质种子点集，从其中选择一个种子点(x，y)开始；
第3步，将flag[x][y]设置为true
第4步，在种子点的八邻域像素(参照图8)中寻找与种子像素有相同或相似性质的像素，并将这些像素合并到种子像素所在的区域中；
第5步，将这些新像素当作新的种子点，转到第3步继续进行上述过程，直到该种子区域增长结束；
第6步，选择肺实质种子点集中的下一个种子点，转到第3步继续进行上述过程，直到肺实质种子点集中的所有种子点都增长结束；
第7步，遍历胸腔ROI肺部区域图像，将不在肺实质区域(即flag数组中值为false的像素点)的像素值全设置为零值。
5)细化处理生成掩模及分割出肺实质
细化处理主要用到了开运算和闭运算，开运算是消除高于其邻近点的孤立点，开运算结果是消除图像中细小的对象，在纤细点处分离对象，平滑较大对象的边界的同时不明显改变其面积。对于肺部图像进行开运算，采用圆形核，可以磨光肺实质边缘，使图像的尖角转化为背景。
闭运算是消除低于其邻近点的孤立点，对于肺部图像进行闭运算，采用圆形核，填充肺部二值图像目标内细小孔洞、连接断开的邻近对象、平滑对象边界的同时不明显改变其面积。
肺部图像经过细化处理后就得到了CT掩模，再依照CT掩模分割出它的肺实质图像。
该方法应用基于迭代计算的阈值法获得肺实质图像，并对其进行了修正，消除了视野外数据的影响。在此基础上，本文提出了一种左右扫描和四个角旋转扫描方法去除不属于肺实质区的其它噪声(主要是气管和主支气管)，最后应用数学形态学的方法对分割的结果进行平滑边界等处理，生成了肺实质区域的掩模，依照掩模从原始肺图像中分割出肺实质区域。
参考图9和图10，图9是本发明一种用四个角旋转扫描对肺实质分割去噪的分割效果与常用的区域生长分割去噪效果的对比图，a是原始CT图像，b是医师手工分割的肺部区域图像，c是使用常用的区域生长算法分割去噪后的肺部图像，d是经过本发明的方法分割去噪后的肺部区域图像。图中可以看出：常用的区域生长算法在去除方框内的噪声的同时也遗漏了一部分肺部区域，而本发明的方法在准确去除噪声的同时，保证了肺部区域分割的完整性。
图10是本发明一种用四个角旋转扫描对肺实质分割去噪后的三维重建效果与常用的区域生长分割去噪后的三位重建效果对比图，a是采用常用的区域生长算法分割去噪后的三维重建效果，b是用左右扫描和四个角旋转扫描对肺实质分割去噪后的三维重建效果。图中可以看出：常用的区域生长算法不能完整分割肺部，三维重建的肺底部明显有一部分缺失，而经本发明的方法分割后的肺部重建后，肺底部饱满完整，没有缺失。
以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。

Claims (7)

1.一种用左右扫描和四个角旋转扫描对肺实质分割去噪的方法，其特征在于，包括以下步骤：
A，提取胸腔ROI肺部区域的最小外接矩形，对胸腔ROI肺部区域图像从左、右、上、下扫描，求取肺部区域的最小外接矩形的左边界、右边界、上边界、下边界；
B，由于肺上部只能采用左右扫描寻找种子点，肺下部只能采用四个角旋转扫描寻找种子点，肺中部既可以采用左右扫描也可以采用四个角旋转扫描寻找种子点，所以肺部部位判断的重点是把上部和底部区分开；采用的方法是根据肺序列的数目m，设定一个百分比p，使得上部全在序列号i＜m·p的集合中，底部全在序列号m·p≤i≤m的集合中；
C，所述步骤B中寻找种子点方法如下：
a、对于肺上、中部位胸腔ROI，采用左右扫描寻找肺实质种子点；
选取肺上、中部位胸腔ROI肺部区域左右肺实质种子点的方法是对胸腔ROI肺部区域最小外接矩形图像沿着左右两边向中间扫描每个像素点，当发现沿y方向存在n个连续的白色像素点时，停止扫描，把n个连续白色像素点的第一个像素点作为种子点；
b、对于肺底部位胸腔ROI，采用四个角旋转扫描寻找肺实质种子点；
选取肺底部胸腔ROI肺部区域左上角、右上角、左下角及右下角肺实质种子点的方法如下：
首先，将求取的胸腔ROI肺部区域最小外接矩形沿x、y方向平均分为四个区域，即左上角区域、右上角区域、左下角区域及右下角区域；最小外接矩形的左上角坐标为(x1，y1)，右上角坐标为(x2，y1)，左下角坐标为(x1，y2)，右下角坐标为(x2，y2)，则x方向的中间线方程为mid_x＝(x1+x2)/2，y方向的中间线方程为mid_y＝(y1+y2)/2；
①左上角肺实质种子点选取：
以左上角(x1，y1)为旋转点，向左上角区域辐射旋转射线，旋转射线以最小外接矩形的上边界线y＝y1、最小外接矩形的左边界线x＝x1、中间线mid_x和mid_y为边界线；
左上角旋转射线的方程如下：
y-y1＝tan(θ)(x-x1)，θ∈[0，π/2]且x1≤x≤mid_x且y1≤y≤mid_y
以左上角(x1，y1)作为旋转点，以左上角旋转射线方程作为旋转射线，从旋转角度θ＝0旋转到θ＝π/2；对每条θ角方向的旋转射线做如下处理：沿着θ角方向的旋转射线扫描旋转射线{(x，y)|x1≤x≤mid_x且y1≤y≤mid_y}内每个像素点(x，y)，当发现沿旋转射线方向存在n个连续的白色像素点时，停止扫描，记录下n个连续白色像素点的第一个像素点为(xleft-up，yleft-up)，求该点到左上角点(x1，y1)的距离d(θ)；最后求取θ∈[0，π/2)内最小d(θ)对应的像素点(xleft-up，yleft-up)作为左上角肺实质种子点；如果左上角区域无肺实质，则该区域无肺实质种子点；
②右上角肺实质种子点选取：
以右上角(x2，y1)为旋转点，向右上角区域辐射旋转射线，旋转射线以最小外接矩形的上边界线y＝y1、最小外接矩形的右边界线x＝x2、中间线mid_x和mid_y为边界线；
右上角旋转射线的方程如下：
y-y1＝tan(θ)(x-x2)，θ∈[π/2，π]且mid_x≤x≤x2且y1≤y≤mid_y
以右上角(x2，y1)作为旋转点，以右上角旋转射线方程作为旋转射线，从旋转角度θ＝π/2旋转到θ＝π；对每条θ角方向的旋转射线做如下处理：沿着θ角方向的旋转射线扫描旋转射线{(x，y)|mid_x≤x≤x2且y1≤y≤mid_y}内每个像素点(x，y)，当发现沿旋转射线方向存在n个连续的白色像素点时，停止扫描，记录下n个连续白色像素点的第一个像素点(xright-up，yright-up)，求该点到右上角点(x2，y1)的距离d(θ)；最后求取θ∈(π/2，π)内最小d(θ)对应的像素点(xright-up，yright-up)作为右上角肺实质种子点；如果右上角区域无肺实质，则该区域无肺实质种子点；
③左下角肺实质种子点选取
以左下角(x1，y2)为旋转点，向左下角区域辐射旋转射线，旋转射线以最小外接矩形的下边界线y＝y2、最小外接矩形的左边界线x＝x1、中间线mid_x和mid_y为边界线；
左下角旋转射线的方程如下：
y-y2＝tan(θ)(x-x1)，θ∈[3π/2，2π]且x1≤x≤mid_x且mid_y≤y≤y2
以左下角(x1，y2)作为旋转点，以左下角旋转射线方程作为旋转射线，从旋转角度θ＝3π/2旋转到θ＝2π；对每条θ角方向的旋转射线做如下处理：沿着θ角方向的旋转射线扫描旋转射线{(x，y)|x1≤x≤mid_x且mid_y≤y≤y2}内每个像素点(x，y)，当发现沿旋转射线方向存在n个连续的白色像素点时，停止扫描，记录下n个连续白色像素点的第一个像素点(xleft-down，yleft-down)，left-down取其英文含义：左下，下同，求该点到左下角点(x1，y2)的距离d(θ)；最后选择θ∈(3π/2，2π]内最小d(θ)对应的像素点(xleft-down，yleft-down)作为左下角肺实质种子点；如果左下角区域无肺实质(全为黑色区域)，则该区域无肺实质种子点；
④右下角肺实质种子点选取
以右下角(x2，y2)为旋转点，向右下角区域辐射旋转射线，旋转射线以最小外接矩形的下边界线y＝y2、最小外接矩形的右边界线x＝x2、中间线mid_x和mid_y为边界线；
右下角旋转射线的方程如下：
y-y2＝tan(θ)(x-x2)，θ∈[π，3π/2]且mid_x≤x≤x2且mid_y≤y≤y2
以右下角(x2，y2)作为旋转点，以右下角旋转射线方程作为旋转射线，从旋转角度θ＝π旋转到θ＝3π/2；对每条θ角方向的旋转射线做如下处理：沿着θ角方向的旋转射线扫描旋转射线{(x，y)|mid_x≤x≤x2且mid_y≤y≤y2}内每个像素点(x，y)，当发现沿旋转射线方向存在n个连续的白色像素点时，停止扫描，记录下n个连续白色像素点的第一个像素点(xright-down，yright-down)，求该点到右下角点(x2，y2)的距离d(θ)；最后选择θ∈[π，3π/2)内最小d(θ)对应的像素点(xright-down，yright-down)作为右下角肺实质种子点；如果右下角区域无肺实质，则该区域无肺实质种子点。
2.根据权利要求1所述的方法，其特征在于，还包括步骤D，所述步骤D是采用八邻域区域增长法对种子点进行增长，步骤如下：
第1步，定义一个布尔类型标志数组flag[512][512]，用来存放胸腔ROI肺部区域的像素点的所属类型，即是属于肺实质区域还是残留的气管与主支气管等噪声区域，如果落在肺实质区域，则存放true，否则存放false，初始时flag[512][512]中全部存放false；
第2步，采用左右扫描和四个角旋转扫描得到肺实质种子点集，从其中选择一个种子点(x，y)开始；
第3步，将flag[x][y]设置为true；
第4步，在种子点的八邻域像素中寻找与种子像素有相同或相似性质的像素，并将这些像素合并到种子像素所在的区域中；
第5步，将这些新像素当作新的种子点，转到第3步继续进行上述过程，直到该种子区域增长结束；
第6步，选择肺实质种子点集中的下一个种子点，转到第3步继续进行上述过程，直到肺实质种子点集中的所有种子点都增长结束；
第7步，遍历胸腔ROI肺部区域图像，将不在肺实质区域(即flag数组中值为false的像素点)的像素值全设置为零值。
3.根据权利要求1所述的方法，其特征在于，四个角旋转扫描寻找肺实质种子点中n＝3，θ＝5°；左右扫描寻找肺实质种子点中的n＝5。
4.根据权利要求1-3任一所述的方法，其特征在于，详细步骤如下：
(1)读取某人的CT图像序列及其对应的PET图像序列所在的文件夹；
(2)从(1)读入的文件夹中读取该人的一张CT图像及其对应的PET图像；
(3)对读入的CT图像通过RescaleIntensityImageFilter将CT值调整为灰度值，范围为0～255；
(4)对CT值调整后的CT图像采用基于迭代计算获得最佳阈值的方法进行二值化处理，得到肺CT二值图像；
(5)对肺CT二值图像提取它的感兴趣区域ROI；
(6)对ROI采用区域增长法消除包括机床、物品在内的噪声，得到ROI的胸腔CT二值图像；
(7)对ROI的胸腔CT二值图像采用区域增长法去除胸腔ROI非肺部区域；
(8)对于肺上、中部位胸腔ROI，采用所述的左右扫描寻找肺实质种子点，对于肺底部位胸腔ROI，采用所述的四个角旋转扫描寻找肺实质种子点；采用八邻域区域生长法去除(7)处理后图像中残留的气管与主支气管等噪声；
(9)细化处理生成CT图像掩模；
(10)将CT图像掩模缩小4倍得到PET图像掩模；
(11)依照CT图像掩模和PET图像掩模分割出肺实质CT图像和肺实质PET图像；
(12)判断是否是最后一张CT/PET图像，如果否，转到(2)继续读入该人的下一张CT图像及其对应的PET图像，如果是，则序列分割结束。
5.根据权利要求4所述的方法，其特征在于，所述步骤(4)中，基于迭代计算获得最佳阈值的方法，该方法的基本步骤如下：
第1步，设置初始阈值T＝(图像最大亮度值+图像最小亮度值)/2；
第2步，使用阈值T分割图像，获得两个像素集B(body voxels)和N(nonbodyvoxels)；
第3步，分别计算出像素集B和N的均值μb和μn；
第4步，计算新的阈值：
T + μb + μn 2
第5步，重复2～4步，直到迭代条件满足为止，即T的迭代差值小于预定的参数时停止迭代。
6.根据权利要求5所述的方法，其特征在于，为了消除视野外数据对阈值计算的影响，对自动阈值法进行了修正，令K为图像的像素数(默认为512x512)，L为视野外数据的像素数，将所述第4步新阈值的计算公式修改为：
T = ( μb + μn ) × K / ( K - L ) 2 .
7.根据权利要求4所述的方法，其特征在于，所述步骤(5)，对ROI取左上角坐标(110，60)，右下角坐标(400，420)。
CN201410545665.0A 2014-10-16 2014-10-16 一种用左右扫描和四个角旋转扫描对肺实质分割去噪的方法 Active CN104268893B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410545665.0A CN104268893B (zh) 2014-10-16 2014-10-16 一种用左右扫描和四个角旋转扫描对肺实质分割去噪的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410545665.0A CN104268893B (zh) 2014-10-16 2014-10-16 一种用左右扫描和四个角旋转扫描对肺实质分割去噪的方法

Publications (2)

Publication Number Publication Date
CN104268893A true CN104268893A (zh) 2015-01-07
CN104268893B CN104268893B (zh) 2017-02-01

Family

ID=52160412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410545665.0A Active CN104268893B (zh) 2014-10-16 2014-10-16 一种用左右扫描和四个角旋转扫描对肺实质分割去噪的方法

Country Status (1)

Country Link
CN (1) CN104268893B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103334A (zh) * 2017-04-26 2017-08-29 太原理工大学 一种基于卷积神经网络和字典对学习的肺结节分类方法
CN107578415A (zh) * 2017-10-10 2018-01-12 深圳市图智能科技有限公司 一种医学图像分割方法及装置
CN108932716A (zh) * 2017-05-26 2018-12-04 无锡时代天使医疗器械科技有限公司 用于牙齿图像的图像分割方法
WO2019000455A1 (zh) * 2017-06-30 2019-01-03 上海联影医疗科技有限公司 图像分割的方法及系统
CN109447969A (zh) * 2018-10-29 2019-03-08 北京青燕祥云科技有限公司 肝占位性病变识别方法、装置和实现装置
CN111968063A (zh) * 2020-09-07 2020-11-20 北京凌云光技术集团有限责任公司 一种形态学图像滤波装置及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101256670A (zh) * 2008-03-20 2008-09-03 华南师范大学 序列图像三维可视化的方法及装置
CN101576997A (zh) * 2009-06-19 2009-11-11 西安电子科技大学 基于二次三维区域生长的腹部器官分割方法
US20130322725A1 (en) * 2011-02-04 2013-12-05 The Regents Of The University Of California Methods and apparatus for computer-aided radiological detection and imaging
CN103473805A (zh) * 2013-09-18 2013-12-25 内蒙古科技大学 基于改进区域生长算法测量三维重建肝脏模型体积的方法
CN103942785A (zh) * 2014-04-09 2014-07-23 苏州大学 一种基于图割的pet和ct图像的肺肿瘤分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101256670A (zh) * 2008-03-20 2008-09-03 华南师范大学 序列图像三维可视化的方法及装置
CN101576997A (zh) * 2009-06-19 2009-11-11 西安电子科技大学 基于二次三维区域生长的腹部器官分割方法
US20130322725A1 (en) * 2011-02-04 2013-12-05 The Regents Of The University Of California Methods and apparatus for computer-aided radiological detection and imaging
CN103473805A (zh) * 2013-09-18 2013-12-25 内蒙古科技大学 基于改进区域生长算法测量三维重建肝脏模型体积的方法
CN103942785A (zh) * 2014-04-09 2014-07-23 苏州大学 一种基于图割的pet和ct图像的肺肿瘤分割方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103334A (zh) * 2017-04-26 2017-08-29 太原理工大学 一种基于卷积神经网络和字典对学习的肺结节分类方法
CN108932716A (zh) * 2017-05-26 2018-12-04 无锡时代天使医疗器械科技有限公司 用于牙齿图像的图像分割方法
CN108932716B (zh) * 2017-05-26 2020-09-22 无锡时代天使医疗器械科技有限公司 用于牙齿图像的图像分割方法
WO2019000455A1 (zh) * 2017-06-30 2019-01-03 上海联影医疗科技有限公司 图像分割的方法及系统
US10949977B2 (en) 2017-06-30 2021-03-16 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for image segmentation
US11710242B2 (en) 2017-06-30 2023-07-25 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for image segmentation
CN107578415A (zh) * 2017-10-10 2018-01-12 深圳市图智能科技有限公司 一种医学图像分割方法及装置
CN107578415B (zh) * 2017-10-10 2019-12-17 深圳市一图智能科技有限公司 一种医学图像分割方法及装置
CN109447969A (zh) * 2018-10-29 2019-03-08 北京青燕祥云科技有限公司 肝占位性病变识别方法、装置和实现装置
CN109447969B (zh) * 2018-10-29 2021-08-10 北京青燕祥云科技有限公司 肝占位性病变识别方法、装置和实现装置
CN111968063A (zh) * 2020-09-07 2020-11-20 北京凌云光技术集团有限责任公司 一种形态学图像滤波装置及方法
CN111968063B (zh) * 2020-09-07 2024-01-26 凌云光技术股份有限公司 一种形态学图像滤波装置及方法

Also Published As

Publication number Publication date
CN104268893B (zh) 2017-02-01

Similar Documents

Publication Publication Date Title
US11776216B2 (en) System and method for extracting a region of interest from volume data
CN104268893A (zh) 一种用左右扫描和四个角旋转扫描对肺实质分割去噪的方法
US8929635B2 (en) Method and system for tooth segmentation in dental images
Schenk et al. Efficient semiautomatic segmentation of 3D objects in medical images
US20130022251A1 (en) Method and system for tooth segmentation in dental images
US8103077B2 (en) Method and system for locating opaque regions in chest X-ray radiographs
CN110197153B (zh) 一种户型图中墙体自动识别方法
CN104036483B (zh) 图像处理系统和图像处理方法
JP5036084B2 (ja) 映像処理装置、映像処理方法、及びプログラム
US20080008369A1 (en) Methods and systems for segmentation using boundary reparameterization
Gupta et al. Real-time stereo matching using adaptive binary window
CN103400365A (zh) 肺区ct序列自动分割方法
WO2015092904A1 (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
CN104978012A (zh) 一种指向交互方法、装置及系统
CN107689050A (zh) 一种基于彩色图像边缘引导的深度图像上采样方法
US20080240564A1 (en) Fast 4D Segmentation of Large Datasets Using Graph Cuts
CN105844625A (zh) 一种融合边缘和区域的活动轮廓图像分割方法
CN105433980A (zh) 一种超声成像方法、装置及其超声设备
CN103440664A (zh) 一种生成高分辨率深度图的方法、系统及计算设备
CN105913425B (zh) 一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法
CN106169186A (zh) 基于水平集运动目标检测中获取初始轮廓的方法
CN111127404A (zh) 一种医疗影像轮廓快速提取方法
CN106780718A (zh) 一种古生物化石的三维重建方法
CN103164843B (zh) 一种医学影像彩色化方法
CN113706684A (zh) 三维血管图像重建方法、系统、医疗设备以及存储介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Qiang Wei

Inventor after: Zhao Juanjuan

Inventor after: Ji Guohua

Inventor after: Cheng Shugang

Inventor after: Qiang Yan

Inventor after: Hu Yangyang

Inventor after: Liao Xiaolei

Inventor after: Lv Lizhi

Inventor before: Zhao Juanjuan

Inventor before: Ji Guohua

Inventor before: Qiang Yan

Inventor before: Hu Yangyang

Inventor before: Liao Xiaolei

Inventor before: Lv Lizhi

COR Change of bibliographic data
C14 Grant of patent or utility model
GR01 Patent grant