CN104717925A - 图像处理装置、方法及程序 - Google Patents

图像处理装置、方法及程序 Download PDF

Info

Publication number
CN104717925A
CN104717925A CN201380050478.9A CN201380050478A CN104717925A CN 104717925 A CN104717925 A CN 104717925A CN 201380050478 A CN201380050478 A CN 201380050478A CN 104717925 A CN104717925 A CN 104717925A
Authority
CN
China
Prior art keywords
mentioned
image
specific region
region
low
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.)
Pending
Application number
CN201380050478.9A
Other languages
English (en)
Inventor
李元中
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.)
Fujifilm Corp
Original Assignee
Fujifilm Corp
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 Fujifilm Corp filed Critical Fujifilm Corp
Publication of CN104717925A publication Critical patent/CN104717925A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06T1/00—General purpose image data processing
    • G06T1/60—Memory management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/162—Segmentation; Edge detection involving graph-based methods
    • 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
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20072—Graph-based 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30056—Liver; Hepatic

Abstract

本发明缩短在使用图割法从图像提取区域时所需的处理时间且减少用于运算的内存量。图像获取部(10)从X线CT装置(2)获取多个CT图像并生成三维图像(M0)，低分辨率图像生成部(12)对三维图像(M0)进行多分辨率转换并生成低分辨率图像(ML)，第一提取部(14)使用图割法从低分辨率图像(ML)提取肝脏区域等特定区域。轮廓区域设定部(16)将从低分辨率图像(ML)提取的肝脏区域的轮廓设定于三维图像(M0)，并将包含轮廓的轮廓区域设定于三维图像(M0)。第二提取部(18)从轮廓区域提取肝脏区域的轮廓，且从三维图像(M0)提取肝脏区域。

Description

图像处理装置、方法及程序
技术领域
本发明涉及使用图割法从图像提取区域的图像处理装置、方法及程序。
背景技术
近年来，由于医疗器械(例如多检测器型CT等)的进步，高质量的高分辨率的三维图像被用于图像诊断。在此，三维图像由多个二维图像构成且信息量多，因此有医师找到希望的观察部位来进行诊断耗时的情况。因此，识别关注的脏器，例如使用最大值投影法(MIP法)及最小值投影法(MinIP法)等方法，从包含关注的脏器的三维图像中提取关注的脏器并进行MIP显示等、进行三维图像的体绘制(VR)显示、进行CPR(Curved Planer Reconstruction，曲面重建)显示，从而提高脏器整体、病变的可视性并谋求诊断的高效化。
另外，提出了从三维图像提取脏器的各种方法。例如在专利文献1中提出了如下方法：从构成三维图像的多个二维图像提取脏器的特定的区域，堆积提取的区域从而生成特定的区域的三维图像。
然而，专利文献1中记载的方法是从二维图像提取区域，因此在各个二维图像中提取范围有微妙地不同的情况，因此在被看作三维图像的情况下的区域的提取精度不是这么好。
另一方面，作为从图像提取希望的区域的方法已知有图割法(参照非专利文献1)。图割法是如下方法：制作由表示图像中的各像素的节点Nij、表示各像素是对象区域还是背景区域的节点S、T、连接相邻的像素的节点彼此的链路即n-link、连接表示各像素的节点Nij与表示对象区域的节点S及表示背景区域的节点T的链路即s-link及t-link构成的图，分别由s-link、t-link及n-link的粗细(值的大小)来表示各像素是对象区域的像素还是背景区域的像素，根据运算结果所得链路的粗细来分割成对象区域与背景区域，从图像提取对象区域。通过使用这样的图割法，能够精度良好地提取医用三维图像所包含的心脏、肺、肝脏等区域。
现有技术文献
专利文献
专利文献1：日本特开2003-10172号公报
非专利文献1：Y.Y.Boykov and M.Jolly,“Interactive Graph Cutsfor Optimal Boundary and Region Segmentation of Objects in N-Dimages”,Proceedings of“International Conference on Computer Vision”,Vancouver,Canada,Vol.I,pp.105-112,2001
发明内容
发明要解决的课题
然而，在使用图割法从图像提取区域的情况下，成为运算对象的图像的尺寸越大，则像素数及链路数越多，因此处理所需的内存及处理时间增加。特别在对三维图像应由图割法的情况下，像素数及链路数与二维图像相比指数增加。因此，使用图割法对希望的区域进行提取非常耗时。另外，在使用内存容量小的低规格的计算机的情况下，有无法使用图割法来提取区域的情况。
本发明是鉴于上述情况而完成的，其目的在于缩短在使用图割法从图像提取区域时所需的处理时间，且减少用于运算的内存量。
用于解决课题的方法
本发明的图像处理装置通过图割法从处理对象图像提取特定区域，其特征在于，具备：
第一提取单元，生成处理对象图像的低分辨率图像，通过图割法从低分辨率图像提取特定区域；
轮廓区域设定单元，基于特定区域的提取结果，将包含处理对象图像中的特定区域的轮廓的轮廓区域设定于处理对象图像；以及
第二提取单元，通过图割法从轮廓区域提取与特定区域对应的区域。
此外，优选的是，在本发明的图像处理装置中，轮廓区域设定单元基于低分辨率图像与处理对象图像的分辨率的差来决定轮廓区域的尺寸。
另外，优选的是，在本发明的图像处理装置中，轮廓区域设定单元通过形态学处理的腐蚀处理及膨胀处理来设定轮廓区域。
另外，优选的是，在本发明的图像处理装置中，第二提取单元在图割法中对于位于轮廓区域中的特定区域的轮廓的内侧的像素使s-link的值增大，在图割法中对于位于轮廓区域中的特定区域的轮廓的外侧的像素使t-link的值增大。
本发明的图像处理方法通过图割法从处理对象图像提取特定区域，其特征在于，
生成处理对象图像的低分辨率图像，通过图割法从低分辨率图像提取特定区域，
基于特定区域的提取结果，将包含处理对象图像中的特定区域的轮廓的轮廓区域设定于处理对象图像，
通过图割法从轮廓区域提取与特定区域对应的区域。
此外，优选的是，本发明的图像处理方法被提供为用于使计算机执行该图像处理方法的程序。
发明效果
根据本发明，生成处理对象图像的低分辨率图像，通过图割法从低分辨率图像提取特定区域。在此，低分辨率图像比处理对象图像的像素数少，因此能减少运算量及使用内存，但区域提取的精度并不那么好。因此，根据本发明，基于特定区域的提取结果，将在处理对象图像中的特定区域包含轮廓的轮廓区域设定于处理对象图像，通过图割法从轮廓区域提取与特定区域对应的区域。这样，在本发明中，仅对低分辨率图像及处理对象图像的轮廓区域应用图割法来提取特定区域，因此与对整个处理对象图像应用图割法的情况相比，能够大幅缩短处理时间，且能够大幅减少用于运算的内存量。
附图说明
图1是表示本发明的实施方式的图像处理装置的结构的概要框图
图2是用于对多分辨率转换进行说明的图
图3是用于对图割法进行说明的图
图4是用于对通过图割法的区域分割进行说明的图
图5是表示从低分辨率图像提取的肝脏区域的轮廓的图
图6是表示将从低分辨率图像提取的肝脏区域的轮廓设定于三维图像的状态的图
图7是表示形态学处理的结构要素的图
图8是表示设定于三维图像M0的轮廓区域的图
图9是表示从三维图像提取的肝脏区域的轮廓的图
图10是表示在本实施方式中进行的处理的流程图
图11是表示被提取的肝脏区域的图
具体实施方式
以下，参照附图对本发明的实施方式进行说明。图1是表示本发明的实施方式的图像处理装置的结构的概要框图。此外，图1所示图像处理装置1的结构是通过在计算机(例如个人计算机等)上执行被读入辅助存储装置(未图示)的程序来实现的。另外，该程序存储于CD-ROM等信息存储介质，或者经由互联网等网络发布，并安装于计算机。
图像处理装置1例如从通过X线CT装置2摄像的多个二维图像生成三维图像M0，使用图割法自动提取该三维图像M0所包含的特定区域，具备：图像获取部10、低分辨率图像生成部12、第一提取部14、轮廓区域设定部16、第二提取部18及显示控制部20。此外，在图像处理装置1连接有输入部22及显示部24。另外，在本实施方式中，以三维图像M0表示人体的胸腹部，特定区域为肝脏区域。
图像获取部10例如通过X线CT装置2获取摄像的多个CT图像(二维图像)，从多个二维图像生成三维图像M0。此外，图像获取部10不仅获取CT图像，也可以获取所谓的MRI图像、RI图像、PET图像、X线图像等二维图像。另外，也可以在X线CT装置2中生成三维图像M0，图像获取部10仅进行获取三维图像M0的处理。
低分辨率图像生成部12对三维图像M0进行多分辨率转换，如图2所示，生成分辨率不同的多个三维多分辨率图像Msi(i＝0～n)。此外，i＝0表示与三维图像M0相同的分辨率，i＝n表示最低分辨率。此外，在本实施方式中，如后所述从低分辨率图像提取特定区域，该低分辨率图像的分辨率是根据三维图像M0的每一像素的实际尺寸来决定的。例如，在三维图像M0每个像素的实际尺寸为0.5mm的情况下，低分辨率图像生成部12生成三维图像M0的1/4的分辨率的三维多分辨率图像Ms2来作为低分辨率图像ML。
第一提取部14使用图割法对低分辨率图像ML的肝脏区域及肝脏区域以外的区域进行区域分割，从低分辨率图像ML提取肝脏区域。具体而言，第一提取部14将肝脏区域设定为对象区域，将肝脏区域以外的区域设定为背景区域，在低分辨率图像ML内的所有像素位置设定预定像素尺寸的辨别区域，使用图割法将辨别区域分割为对象区域与背景区域。
在图割法中，首先，如图3所示，制作由表示辨别区域中的各像素的节点Nij、表示各像素可以获取的标签(在本实施方式中为对象区域或背景区域)的节点S、T、连接相邻的像素的节点彼此的链路即n-link、连接表示各像素的节点Nij与表示对象区域的节点S及表示背景区域的节点T的链路即s-link及t-link构成的图。此外，为了使说明简单，设图3中辨别区域为3×3的二维的区域。
在此，在n-link中，由链路的粗细来表示相邻的像素为相同区域的像素的概率，能够根据这些相邻的像素间的距离及像素值的差来计算该概率的值。
另外，连接表示各像素的节点Nij与表示对象区域的节点S的s-link表示各像素为对象区域所包含的像素的概率，连接表示各像素的节点与表示背景区域的节点T的t-link表示各像素为背景区域所包含的像素的概率。在已经提供了该像素是否是表示对象区域或者背景区域的任一区域的像素的信息的情况下，能够按照该提供的信息设定这些概率的值，在没有提供这样的信息的情况下，对于s-link，能够推定对象区域并基于推定的对象区域的浓度分布的直方图来设定概率的值，对于t-link，能够推定背景区域并基于推定的背景区域的浓度分布的直方图来设定概率的值。
在此，在图3中，由节点N11、N12、N21、N22、N31表示的像素为设定于对象区域内的像素的话，连接各节点N11、N12、N21、N22、N31与节点S的s-link变粗，连接各节点N11、N12、N21、N22、N31的n-link变粗，另一方面，由节点N13、N23、N32、N33表示的像素为设定于背景区域内的像素的话，连接各节点N13、N23、N32、N33与节点T的t-link变粗，连接各节点N13、N23、N32、N33的n-link变粗。
并且，对象区域与背景区域为互相排斥的区域，因此例如图4的虚线所示，通过将s-link、t-link及n-link中的适当的链路切断而将节点S从节点T分离，能够将辨别区域分割为对象区域与背景区域。在此，以切断的所有的s-link、t-link及n-link的概率的值的合计为最小的方式进行切断，从而能够最适当地进行区域分割。
第一提取部14如上所述地进行低分辨率图像ML的区域分割，从低分辨率图像ML提取作为对象区域的肝脏区域。图5是表示从低分辨率图像提取的肝脏区域的轮廓的图。此外，本实施方式从三维的低分辨率图像ML提取肝脏区域，但为了在此进行说明，用实线表示在构成三维图像M0的一个二维图像的低分辨率图像中提取的肝脏区域的轮廓。
轮廓区域设定部16将包含第一提取部14所提取的肝脏区域的轮廓的轮廓区域设定于三维图像M0。图6是表示将第一提取部14从低分辨率图像ML提取的肝脏区域的轮廓设定于三维图像M0的状态的图。此外，在此为了进行说明，用实线表示在构成三维图像M0的一个二维图像设定的肝脏区域的轮廓。在本实施方式中，低分辨率图像ML为三维图像M0的1/4的分辨率，因此从低分辨率图像ML提取的肝脏区域的轮廓被放大了四倍，并设定于三维图像M0。因此，设定的轮廓与三维图像M0所包含的肝脏区域的轮廓不完全一致，并包含基于分辨率的差的凹凸。
轮廓区域设定部16使设定于三维图像M0的轮廓向内侧收缩并向外侧膨胀，将由膨胀的轮廓与收缩的轮廓所包围的区域设定为轮廓区域E0。此外，轮廓区域E0的宽度方向(即垂直于轮廓的方向)上的尺寸基于低分辨率图像ML与三维图像M0的尺寸，通过(三维图像M0的尺寸/低分辨率图像ML的尺寸+1)×2的运算来决定。在本实施方式中，三维图像M0的尺寸/低分辨率图像ML的尺寸＝4，因此轮廓区域E0的范围尺寸被决定为十个像素。此外，决定轮廓区域E0的尺寸的方法并不限定于上述方法，能够适当应用任意的方法。
在此，在本实施方式中，通过形态学处理来进行轮廓的收缩及膨胀。具体而言，使用如图7所示的结构要素，通过进行检索以设定于三维图像M0的轮廓上的关注像素为中心的预定的宽度中的最小值的腐蚀处理来使轮廓收缩一个像素，进一步对收缩的轮廓进行腐蚀处理，从而进一步使轮廓收缩。并且，通过进行四次这样的腐蚀处理，使设定于三维图像M0的轮廓向内侧收缩四个像素。
另外，使用如图7所示的结构要素，通过进行检索以设定于三维图像M0的轮廓上的关注像素为中心的预定的宽度中的最大值的膨胀处理来使轮廓膨胀一个像素，进一步对膨胀的轮廓进行膨胀处理，从而进一步使轮廓膨胀。并且，通过进行五次这样的膨胀处理，使设定于三维图像M0的轮廓向外侧膨胀五个像素。
并且，轮廓区域设定部16将由膨胀的轮廓与收缩的轮廓包围的区域设定为轮廓区域E0。图8是表示设定于三维图像M0的轮廓区域的图。此外，轮廓通过腐蚀处理向内侧收缩四个像素，通过膨胀处理向外侧膨胀五个像素，因此加上轮廓的像素的一个像素，轮廓区域E0的宽度方向的尺寸变为十个像素。
第二提取部18使用图割法将设定于三维图像M0的轮廓区域E0区域分割成肝脏区域与肝脏区域以外的区域，进而基于区域分割的结果，从三维图像M0提取整个肝脏区域。此外，轮廓区域E0的轮廓的内侧的区域为肝脏区域的可能性较高，轮廓区域E0的轮廓的外侧的区域为背景区域的可能性较高。因此，对轮廓区域E0应用图割法时，在轮廓区域E0中越位于设定的轮廓的外侧越增大t-link的值，在轮廓区域E0中越位于设定的轮廓的内侧越增大s-link的值。由此，能够有效且正确地将轮廓区域E0分割成肝脏区域及其以外的区域。
第二提取部18如上所述地进行轮廓区域E0的区域分割，从轮廓区域E0提取作为对象区域的肝脏区域。图9是表示从轮廓区域E0提取的肝脏区域的轮廓的图。此外，本实施方式中从三维图像M0提取肝脏区域，但在此为了进行说明，用实线表示在构成三维图像M0的一个二维图像中提取的肝脏区域的轮廓。如图9所示，通过对三维图像M0的轮廓区域E0进行区域分割而得的肝脏区域的轮廓平滑地连接肝脏的表面。
并且，第二提取部18提取从三维图像M0的轮廓区域E0提取的轮廓的内部的区域来作为肝脏区域。
显示控制部20将提取的肝脏区域等显示到显示部24。
输入部22由例如键盘及鼠标等构成，将射线技术人员等使用者的各种指示输入图像处理装置1。
显示部24由例如液晶显示器、CRT显示器等构成，根据需要来显示提取的肝脏区域等的图像。
接着，对本实施方式中进行的处理进行说明。图10是表示在本实施方式中进行的处理的流程图。首先，图像获取部10从X线CT装置2获取多个CT图像并生成三维图像M0(步骤ST1)。接着，低分辨率图像生成部12对三维图像M0进行多分辨率转换，生成低分辨率图像ML(步骤ST2)，第一提取部14从低分辨率图像ML提取肝脏区域(步骤ST3)。
接着，轮廓区域设定部16将从低分辨率图像ML提取的肝脏区域的轮廓设定于三维图像M0，如上所述地进行腐蚀处理及膨胀处理，将轮廓区域E0设定于三维图像M0(步骤ST4)。并且，第二提取部18从轮廓区域E0提取肝脏区域的轮廓，且从三维图像M0提取肝脏区域(步骤ST5)。进一步，显示控制部20将提取的肝脏区域显示到显示部24(步骤ST6)，结束处理。
图11是表示被显示的肝脏区域的图。如图11所示，可知根据本实施方式能够精度良好地提取肝脏区域。
这样，根据本实施方式，生成三维图像M0的低分辨率图像ML，通过图割法从低分辨率图像ML提取肝脏区域等特定区域。在此，低分辨率图像ML比三维图像M0的像素数少。例如，在低分辨率图像ML的分辨率为三维图像M0的1/4的情况下，像素数为1/64。因此，通过使用低分辨率图像ML，能够减少运算量及使用内存，但区域提取的精度并不那么好。因此，在本实施方式中，将包含从低分辨率图像ML提取的肝脏区域的轮廓的轮廓区域E0设定于三维图像M0，通过图割法从轮廓区域E0提取肝脏区域。在此，如图7所示，轮廓区域E0的尺寸与三维图像M0相比大幅减少。这样，在本实施方式中，仅对三维图像M0的低分辨率图像ML及三维图像M0的轮廓区域E0应用图割法来提取肝脏区域，因此与对整个三维图像M0应用图割法的情况相比，能够大幅缩短处理时间，且能够大幅减少用于运算的内存量。
此外，在上述实施方式中，从医用的三维图像M0提取肝脏区域，但提取的区域并不限定于此，在提取脑、心脏、肺野、胰脏、脾脏、肾脏、血管等医用三维图像所包含的各种结构物的区域时应用本发明，从而能够缩短运算的处理量及处理时间。
另外，在上述实施方式中，将三维图像M0的1/4分辨率的低分辨率图像ML的区域提取的结果应用于三维图像M0来提取肝脏区域，但也可以使用低分辨率图像ML的区域提取的结果，将轮廓区域设定于三维图像M0的1/2分辨率的低分辨率图像来提取肝脏区域，进而将三维图像M0的1/2分辨率的低分辨率图像的区域提取的结果应用于三维图像M0。即，也可以重复进行使用低分辨率图像中的区域提取的结果的、对分辨率比低分辨率图像高一个等级的分辨率图像的轮廓区域的设定及从分辨率高一个等级的分辨率图像的肝脏区域的提取，直到处理对象的三维图像M0为止，来从三维图像M0提取肝脏区域。
另外，在上述实施方式中，将医用三维图像作为处理对象，但也可以将医用的二维图像作为处理对象。另外，不光是医用图像，当然也能够在从使用数码相机等获取的图像中提取人物等区域时应用本发明。特别是，近年的数码相机所获取的图像的像素数较大，因此在使用图割法提取人物等区域时需要非常多的运算，但通过应用本发明，能够大幅缩短运算的处理量及处理时间。
另外，在从动态图像提取区域的情况下也能够应用本发明。动态图像由多个帧构成，因此考虑从各帧提取区域，但各帧所含的图像画质较差，无法精度良好地提取区域。在此，动态图像可以视为是多个帧沿时间轴排列而成的三维的图像。这样，在使用图割法从被视为三维图像的动态图像提取区域时应用本发明，从而能够大幅缩短运算的处理量及处理时间，且能够精度良好地从动态图像提取区域。

Claims (6)

1.一种图像处理装置，通过图割法从处理对象图像提取特定区域，其特征在于，具备：
第一提取单元，生成上述处理对象图像的低分辨率图像，通过上述图割法从该低分辨率图像提取上述特定区域；
轮廓区域设定单元，基于上述特定区域的提取结果，将包含上述处理对象图像中的上述特定区域的轮廓的轮廓区域设定于上述处理对象图像；以及
第二提取单元，通过上述图割法从上述轮廓区域提取与上述特定区域对应的区域。
2.根据权利要求1所述的图像处理装置，其特征在于，
上述轮廓区域设定单元基于上述低分辨率图像与上述处理对象图像的分辨率的差来决定上述轮廓区域的尺寸。
3.根据权利要求1或2所述的图像处理装置，其特征在于，
上述轮廓区域设定单元通过形态学处理的腐蚀处理及膨胀处理来设定上述轮廓区域。
4.根据权利要求1至3中任一项所述的图像处理装置，其特征在于，
上述第二提取单元在上述图割法中对于位于上述轮廓区域中的上述特定区域的轮廓的内侧的像素使s-link的值增大，在上述图割法中对于位于上述轮廓区域中的上述特定区域的轮廓的外侧的像素使t-link的值增大。
5.一种图像处理方法，通过图割法从处理对象图像提取特定区域，其特征在于，
生成上述处理对象图像的低分辨率图像，通过上述图割法从该低分辨率图像提取上述特定区域，
基于上述特定区域的提取结果，将包含上述处理对象图像中的上述特定区域的轮廓的轮廓区域设定于上述处理对象图像，
通过上述图割法从上述轮廓区域提取与上述特定区域对应的区域。
6.一种程序，用于使计算机执行通过图割法从处理对象图像提取特定区域的图像处理方法，其特征在于，使计算机执行以下步骤：
生成上述处理对象图像的低分辨率图像，通过上述图割法从该低分辨率图像提取上述特定区域的步骤；
基于上述特定区域的提取结果，将包含上述处理对象图像中的上述特定区域的轮廓的轮廓区域设定于上述处理对象图像的步骤；以及
通过上述图割法从上述轮廓区域提取与上述特定区域对应的区域的步骤。
CN201380050478.9A 2012-09-27 2013-09-20 图像处理装置、方法及程序 Pending CN104717925A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2012213619A JP5836908B2 (ja) 2012-09-27 2012-09-27 画像処理装置および方法並びにプログラム
JP2012-213619 2012-09-27
PCT/JP2013/005556 WO2014050044A1 (ja) 2012-09-27 2013-09-20 画像処理装置および方法並びにプログラム

Publications (1)

Publication Number Publication Date
CN104717925A true CN104717925A (zh) 2015-06-17

Family

ID=50387485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380050478.9A Pending CN104717925A (zh) 2012-09-27 2013-09-20 图像处理装置、方法及程序

Country Status (8)

Country Link
US (1) US20150193943A1 (zh)
EP (1) EP2901933A4 (zh)
JP (1) JP5836908B2 (zh)
CN (1) CN104717925A (zh)
BR (1) BR112015006523A2 (zh)
CA (1) CA2886092A1 (zh)
IN (1) IN2015DN02613A (zh)
WO (1) WO2014050044A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112543951A (zh) * 2018-06-14 2021-03-23 索尼公司 Ct中的自动肝脏分割

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5881625B2 (ja) * 2013-01-17 2016-03-09 富士フイルム株式会社 領域分割装置、プログラムおよび方法
JP6220310B2 (ja) * 2014-04-24 2017-10-25 株式会社日立製作所 医用画像情報システム、医用画像情報処理方法及びプログラム
EP3018626B1 (en) * 2014-11-04 2018-10-17 Sisvel Technology S.r.l. Apparatus and method for image segmentation
JP5858188B1 (ja) 2015-06-15 2016-02-10 富士ゼロックス株式会社 画像処理装置、画像処理方法、画像処理システムおよびプログラム
CN105096331B (zh) * 2015-08-21 2018-05-15 南方医科大学 基于图割的肺4d-ct肿瘤自动分割方法
KR102202398B1 (ko) 2015-12-11 2021-01-13 삼성전자주식회사 영상처리장치 및 그의 영상처리방법
JP6562869B2 (ja) * 2016-04-01 2019-08-21 富士フイルム株式会社 データ分類装置、方法およびプログラム
JP6611660B2 (ja) * 2016-04-13 2019-11-27 富士フイルム株式会社 画像位置合わせ装置および方法並びにプログラム
JP6611255B2 (ja) * 2016-06-09 2019-11-27 日本電信電話株式会社 画像処理装置、画像処理方法、及び画像処理プログラム
JP6833444B2 (ja) 2016-10-17 2021-02-24 キヤノン株式会社 放射線撮影装置、放射線撮影システム、放射線撮影方法、及びプログラム
US11727560B2 (en) * 2018-02-02 2023-08-15 Moleculight Inc. Wound imaging and analysis
JP7052103B2 (ja) * 2021-02-01 2022-04-11 キヤノン株式会社 放射線撮影装置、放射線撮影システム、放射線撮影方法、及びプログラム
JP7365066B2 (ja) 2021-12-08 2023-10-19 株式会社palan 表示システム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060159342A1 (en) * 2005-01-18 2006-07-20 Yiyong Sun Multilevel image segmentation
US20080240564A1 (en) * 2007-03-29 2008-10-02 Siemens Corporate Research, Inc. Fast 4D Segmentation of Large Datasets Using Graph Cuts
JP2011015262A (ja) * 2009-07-03 2011-01-20 Panasonic Corp 画像復号化装置
CN101996393A (zh) * 2009-08-12 2011-03-30 复旦大学 一种基于重建的超分辨率方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4675509B2 (ja) 2001-07-04 2011-04-27 株式会社日立メディコ 臓器の特定領域抽出表示装置及び方法
US7822274B2 (en) * 2006-01-17 2010-10-26 Siemens Medical Solutions Usa, Inc. Banded graph cut segmentation algorithms with laplacian pyramids
JP4999163B2 (ja) * 2006-04-17 2012-08-15 富士フイルム株式会社 画像処理方法および装置ならびにプログラム
US8050498B2 (en) * 2006-07-21 2011-11-01 Adobe Systems Incorporated Live coherent image selection to differentiate foreground and background pixels
US7881540B2 (en) * 2006-12-05 2011-02-01 Fujifilm Corporation Method and apparatus for detection using cluster-modified graph cuts
JP4882768B2 (ja) * 2007-01-30 2012-02-22 パナソニック電工株式会社 人体検出装置
JP4493679B2 (ja) * 2007-03-29 2010-06-30 富士フイルム株式会社 対象領域抽出方法および装置ならびにプログラム
US8121407B1 (en) * 2008-03-17 2012-02-21 Adobe Systems Incorporated Method and apparatus for localized labeling in digital images
US8213726B2 (en) * 2009-06-19 2012-07-03 Microsoft Corporation Image labeling using multi-scale processing
KR101669840B1 (ko) * 2010-10-21 2016-10-28 삼성전자주식회사 다시점 비디오로부터 일관성 있는 변이를 추정하는 변이 추정 시스템 및 방법
JP5701138B2 (ja) * 2011-04-19 2015-04-15 富士フイルム株式会社 医用画像処理装置および方法、並びにプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060159342A1 (en) * 2005-01-18 2006-07-20 Yiyong Sun Multilevel image segmentation
US20080240564A1 (en) * 2007-03-29 2008-10-02 Siemens Corporate Research, Inc. Fast 4D Segmentation of Large Datasets Using Graph Cuts
JP2011015262A (ja) * 2009-07-03 2011-01-20 Panasonic Corp 画像復号化装置
CN101996393A (zh) * 2009-08-12 2011-03-30 复旦大学 一种基于重建的超分辨率方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112543951A (zh) * 2018-06-14 2021-03-23 索尼公司 Ct中的自动肝脏分割

Also Published As

Publication number Publication date
WO2014050044A1 (ja) 2014-04-03
CA2886092A1 (en) 2014-04-03
US20150193943A1 (en) 2015-07-09
EP2901933A4 (en) 2016-08-03
JP5836908B2 (ja) 2015-12-24
EP2901933A1 (en) 2015-08-05
JP2014064835A (ja) 2014-04-17
BR112015006523A2 (pt) 2017-07-04
IN2015DN02613A (zh) 2015-09-18

Similar Documents

Publication Publication Date Title
CN104717925A (zh) 图像处理装置、方法及程序
CN109598728B (zh) 图像分割方法、装置、诊断系统及存储介质
Zhu et al. How can we make GAN perform better in single medical image super-resolution? A lesion focused multi-scale approach
CN109978037B (zh) 图像处理方法、模型训练方法、装置、和存储介质
CN110176012B (zh) 图像中的目标分割方法、池化方法、装置及存储介质
CN109754394B (zh) 三维医学图像处理装置及方法
CN111429474B (zh) 基于混合卷积的乳腺dce-mri图像病灶分割模型建立及分割方法
CN112991365B (zh) 一种冠状动脉分割方法、系统及存储介质
WO2019037654A1 (zh) 3d图像检测方法、装置、电子设备及计算机可读介质
CN113450359A (zh) 医学图像分割、显示、模型训练方法、系统、设备和介质
JP4964191B2 (ja) 画像処理装置および方法ならびにプログラム
US20170278244A1 (en) Method and a system for non-rigid image registration
CN108022230B (zh) 肾脏多期ct图像融合系统
Du et al. X-ray image super-resolution reconstruction based on a multiple distillation feedback network
Li et al. TransU2-Net: an effective medical image segmentation framework based on transformer and U2-Net
CN111369564B (zh) 一种图像处理的方法、模型训练的方法及装置
CN114596286A (zh) 图像分割方法、系统、装置和存储介质
Wang et al. A deep fully convolutional network for distal radius and ulna semantic segmentation
Li et al. Multi-level feature extraction and reconstruction for 3D MRI image super-resolution
Kim et al. Reliable perceptual loss computation for GAN-based super-resolution with edge texture metric
Athreya et al. Ultrasound Image Enhancement using CycleGAN and Perceptual Loss
EP4287114A1 (en) Learned model generation method, machine learning system, program, and medical image processing device
Kim et al. Renal parenchyma segmentation in abdominal MR images based on cascaded deep convolutional neural network with signal intensity correction
Qi et al. Enhanced U-Transformer Networks for Automatic Pulmonary Vessel Segmentation in Ct Images
Parracho Joint Coding of Multimodal Biomedical Images Using Convolutional Neural Networks

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20150617