CN104809730B - 从胸部ct图像提取气管的方法和装置 - Google Patents
从胸部ct图像提取气管的方法和装置 Download PDFInfo
- Publication number
- CN104809730B CN104809730B CN201510224781.7A CN201510224781A CN104809730B CN 104809730 B CN104809730 B CN 104809730B CN 201510224781 A CN201510224781 A CN 201510224781A CN 104809730 B CN104809730 B CN 104809730B
- Authority
- CN
- China
- Prior art keywords
- tracheae
- voxels
- voxel
- tip
- chest
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 239000000284 extract Substances 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 37
- 238000005381 potential energy Methods 0.000 claims description 34
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000012804 iterative process Methods 0.000 claims description 12
- 210000003437 trachea Anatomy 0.000 claims description 10
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 235000013399 edible fruits Nutrition 0.000 claims description 5
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 3
- 210000000038 chest Anatomy 0.000 description 19
- 210000004072 lung Anatomy 0.000 description 5
- 230000002685 pulmonary effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 3
- 241000486406 Trachea Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- RLAHNGKRJJEIJL-RFZPGFLSSA-N [(2r,4r)-4-(2,6-diaminopurin-9-yl)-1,3-dioxolan-2-yl]methanol Chemical compound C12=NC(N)=NC(N)=C2N=CN1[C@H]1CO[C@@H](CO)O1 RLAHNGKRJJEIJL-RFZPGFLSSA-N 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- RLZZZVKAURTHCP-UHFFFAOYSA-N phenanthrene-3,4-diol Chemical compound C1=CC=C2C3=C(O)C(O)=CC=C3C=CC2=C1 RLZZZVKAURTHCP-UHFFFAOYSA-N 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000013185 thoracic computed tomography 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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
- G06T2207/20112—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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20161—Level set
-
- 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
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种从胸部CT图像提取气管的方法和装置。该方法包括以下步骤：从该胸部CT图像提取低级气管；在该低级气管的基础上，利用基于能量函数的三维重建方法提取末梢气管；以及融合该低级气管和该末梢气管，得到气管提取结果。与现有技术相比，本发明的从胸部CT图像提取气管的方法和装置充分考虑了低级气管和末梢气管在结构和灰度特性上的不同，分别使用两种不同的策略来提取不同级别的气管。
Description
技术领域
本发明主要涉及计算机断层扫描(Computerized Tomography,CT)图像的处理，尤其涉及一种从胸部CT图像提取气管的方法和装置。
背景技术
计算机断层扫描技术(Computerized Tomography，简称CT)是一种基于不同物质对于射线具有不同的衰减性质的放射诊断技术。CT用放射线从各方向照射被测物体，测量穿过物体的射线强度，并通过一定的重建算法计算出物体内部各点物质对于射线的线性衰减系数，从而得到被测物体的断层图像的放射诊断技术。CT重建的断层图像具有无影像重叠、密度和空间分辨率高等优势，因而一出现便作为医疗无损害诊断技术而备受关注。
CT技术可以针对脑部、胸、腹、脊柱及四肢等人体部位进行扫描，其扫描图像用于疾病的辅助分析。基于胸部CT扫描图像的气管分割对许多肺部疾病的分析有着重要的作用，如慢性阻塞性肺疾病(Chronic Obstructive Pulmonary Disease,COPD)。同时，气管分割结果可以作为肺和肺叶分割的有效输入，并且是进行虚拟支气管镜检查(VirtualBronchoscopy)的前提条件。
目前很多气管自动提取的方法都是基于区域增长，这类方法没有利用气管的形状尺寸信息，其缺点是分割结果很容易泄漏到肺实质。基于形态学的方法使用一系列的滤波器对图像处理来选取可能属于气管的区域，最后通过重建的方法得到分割结果，这类方法的分割效果相对区域增长的方法更优，但代价是运行时间较慢，且对末梢气管的提取效果不佳。
发明内容
本发明要解决的技术问题是提供一种从胸部CT图像提取气管的方法和装置，能够快速、鲁棒地提取气管区域。
为解决上述技术问题，本发明提供了一种从胸部CT图像提取气管的方法，包括以下步骤：从该胸部CT图像提取低级气管；在该低级气管的基础上，利用基于能量函数的三维重建方法提取末梢气管；以及融合该低级气管和该末梢气管，得到气管提取结果。
在本发明的一实施例中，从该胸部CT图像提取低级气管的方法包括基于区域增长和基于形态学的任一种方法。
在本发明的一实施例中，该区域增长为灰度特性区域增长，其判决条件为：对于与种子点相邻的体素p，若p的HU值小于第一阈值，且p的26邻域内所有单个体素的HU值与p的HU值的差值都小于第二阈值，则体素p属于气管，该第一阈值表征气管内体素的HU值上限，该第二阈值表征气管内体素与周围体素的HU值差异上限。
在本发明的一实施例中，在该基于能量函数的三维重建方法中，根据体素在不同状态下的生长势能，判断该体素是否属于末梢气管。
在本发明的一实施例中，在该基于能量函数的三维重建方法中，在每次迭代过程中计算体素生长势能时，调整用于将生长限制在气管腔内的加权项的权重，使迭代保持收敛。
在本发明的一实施例中，在该基于能量函数的三维重建方法中，计算每次迭代生长得到的末梢气管区域内的多个连通域中每个连通域的体积和半径，若体积或半径大于设定的阈值，则认为属于泄漏，将该连通域从这次迭代生长的结果中剔除。
在本发明的一实施例中，该基于能量函数的三维重建方法包括以下步骤：a.初始化第一体素集合为低级气管分割结果，且初始化迭代次数和生长势能的三个加权项各自对应的第一至第三权重，该三个加权项包括支持径向方向生长的第一加权项、支持末梢远端方向生长的第二加权项和将生长限制在气管腔内的第三加权项；b.初始化第二体素集合为空集；c.对于每一个与该第一体素集合中任一个体素相邻的体素，依照该第三至第三加权项及第一至第三权重计算生长势能；d.比较该生长势能在属于末梢气管的第一状态和不属于末梢气管的第二状态下的值，如果第一状态下的值大于第二状态下的值，则进入步骤e，否则进入步骤f；e.将该相邻的体素压入该第二体素集合；f.判断是否遍历所有与第一体素集合中任一体素相邻的体素，如果是则进入步骤g，否则返回步骤c；g.判断该第二体素集合中包含的体素个数是否大于该第一体素集合中包含的体素，如果是则清空该第二体素集合，返回该步骤c，否则进入步骤h；h.将该第二体素集合中的体素加入末梢气管分割结果；i.将该第二体素集合赋值为该第一体素集合，且令该迭代次数加一；j.判断是否该第一体素集合非空且该迭代次数小于阈值，如果是则返回步骤b，否则进入步骤k；以及k.结束迭代过程，得到末梢气管分割结果。
在本发明的一实施例中，该基于能量函数的三维重建方法在步骤g和步骤h之间还包括：l.找到该第二体素集合中的所有连通域，对于该连通域中的每一个单独的连通域，计算半径；m.当判断各单独的连通域中包含的体素个数或半径是否大于阈值，如果是则进入步骤n，否则直接进入步骤h；n.将该单独的连通域中的体素从该第二体素集合中去除。
在本发明的一实施例中，该步骤b还包括：重置第三权重为步骤a的初始值，且该步骤f中，在该第二体素集合中包含的体素个数大于该第一体素集合中包含的体素时还包括调整该第三权重。
本发明还提出一种从胸部CT图像提取气管的装置，包括第一模块、第二模块和第三模块。第一模块用于从该胸部CT图像提取低级气管。第二模块用于在该低级气管的基础上，利用基于能量函数的三维重建方法提取末梢气管。第三模块用于融合该低级气管和该末梢气管，得到气管提取结果。
在本发明的一实施例中，该第一模块使用基于区域增长或基于形态学的方法从该胸部CT图像提取低级气管。
在本发明的一实施例中，该区域增长的判决条件为：对于与种子点相邻的体素p，若p的HU值小于第一阈值，且p的26邻域内所有单个体素的HU值与p的HU值的差值都小于第二阈值，则体素p属于气管，该第一阈值表征气管内体素的HU值上限，该第二阈值表征气管内体素与周围体素的HU值差异上限。
在本发明的一实施例中，该第二模块在该基于能量函数的三维重建方法中，根据体素在不同状态下的生长势能，判断该体素是否属于末梢气管。
在本发明的一实施例中，该第二模块在该基于能量函数的三维重建方法中，在每次迭代过程中计算体素生长势能时，调整用于将生长限制在气管腔内的加权项的权重，使迭代保持收敛。
在本发明的一实施例中，该第二模块在该基于能量函数的三维重建方法中，计算每次迭代生长得到的末梢气管区域内的多个连通域中每个连通域的体积和半径，若体积或半径大于一阈值，则认为属于泄漏，将该连通域从这次迭代生长的结果中剔除。
在本发明的一实施例中，该第二模块进行基于能量函数的三维重建方法的流程包括：a.初始化第一体素集合为低级气管分割结果，且初始化迭代次数和生长势能的三个加权项各自对应的第一至第三权重，该三个加权项包括支持径向方向生长的第一加权项、支持末梢远端方向生长的第二加权项和将生长限制在气管腔内的第三加权项；b.初始化第二体素集合为空集；c.对于每一个与该第一体素集合中任一个体素相邻的体素，依照该第三至第三加权项及第一至第三权重计算生长势能；d.比较该生长势能在属于末梢气管的第一状态和不属于末梢气管的第二状态下的值，如果第一状态下的值大于第二状态下的值，则进入步骤e，否则进入步骤f；e.将该相邻的体素压入该第二体素集合；f.判断是否遍历所有与第一体素集合中任一体素相邻的体素，如果是则进入步骤g，否则返回步骤c；g.判断该第二体素集合中包含的体素个数是否大于该第一体素集合中包含的体素，如果是则清空该第二体素集合，返回该步骤c，否则进入步骤h；h.将该第二体素集合中的体素加入末梢气管分割结果；i.将该第二体素集合赋值为该第一体素集合，且令该迭代次数加一；j.判断是否该第一体素集合非空且该迭代次数小于阈值，如果是则返回步骤b，否则进入步骤k；以及k.结束迭代过程，得到末梢气管分割结果。
在本发明的一实施例中，该第二模块进行基于能量函数的三维重建方法的流程还包括：l.找到该第二体素集合中的所有连通域，对于该连通域中的每一个单独的连通域，计算半径；m.当判断各单独的连通域中包含的体素个数或半径是否大于阈值，如果是则进入步骤n，否则直接进入步骤h；n.将该单独的连通域中的体素从该第二体素集合中去除。
在本发明的一实施例中，该步骤b还包括：重置第三权重为步骤a的初始值，且该步骤f中，在该第二体素集合中包含的体素个数大于该第一体素集合中包含的体素时还包括调整该第三权重。
与现有技术相比，本发明的从胸部CT图像提取气管的方法和装置充分考虑了低级气管和末梢气管在结构和灰度特性上的不同，分别使用两种不同的策略来提取不同级别的气管，尤其是使用基于能量函数的三维重建的方法提取末梢气管，可以更加鲁棒地提取末梢气管，避免气管的泄漏。
附图说明
图1是根据本发明一实施例的从胸部CT图像提取气管的方法流程图。
图2是根据本发明一实施例的基于能量函数的重建方法流程图。
图3是根据本发明另一实施例的基于能量函数的重建方法流程图。
图4A、4B是根据本发明一实施例的从胸部CT图像提取气管的过程示意图。
图5是根据本发明一实施例的气管提取结果。
具体实施方式
为让本发明的上述目的、特征和优点能更明显易懂，以下结合附图对本发明的具体实施方式作详细说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，因此本发明不受下面公开的具体实施例的限制。
支气管在肺内的反复分支呈树枝状结构，故称为支气管树(Bronchail Tree)。支气管树根据其分支级别可包括1-13级。肺部气管提取的主要目标是尽可能精确、尽可能全面地重建肺外周支气管树。泄漏是当今支气管树重建的主要难题之一。泄漏将导致重建的气管树与其周边肺组织(例如，肺实质)粘连。
在本发明的上下文中，将支气管树的1-4级称为低级气管，而将支气管树的5级及以后的气管分支称为末梢气管。当然，这种分级并不是绝对的，而可以进行略微的调整，例如低级气管可以大致相当于支气管树的1-5级。理想情况下，希望提取5-13级的末梢气管。当然，现实中提取的末梢气管级数会少一些。
本发明的实施例提出一种从胸部CT图像提取气管的方法，它充分考虑了低级气管和末梢气管在结构和灰度特性上的不同，分别使用了两种不同的策略来提取不同级别的气管，尤其是对最低的末梢气管使用了优化的方法，从而能够分别鲁棒地提取出低级气管和末梢气管，取得较为理想的气管自动提取结果。
图1是根据本发明一实施例的从胸部CT图像提取气管的方法流程图。参考图1所示，本实施例的方法包括以下步骤：
在步骤101，从胸部CT图像中提取低级气管。
低级气管由于其管径较粗，提取上并不困难，有许多已知的提取方法可供使用，例如现有的基于区域增长的方法，或者基于形态学的方法。基于区域增长的方法首先利用自动或交互方法在大的气道(例如气管)内放置一个或多个种子点初始化，在固定或自适应阈值下通过不断比较种子点周围的点是否符合融合标准从而达到区域的生长。
基于形态学的方法可以使用一系列的滤波器对图像处理来选取可能属于气管的区域，具体内容可以参考文献：C.Pisupati,L.Wolff,W.Mitzner,and E.Zerhouni,“Segmentation of 3-D pulmonary trees using mathematical morphology,”inProc.Math.Morphol.Appl.Image Signal Process.,May 1996,pp.409–416，该文献的所有内容以引证的方式被包含在本说明书中。
在步骤102，在低级气管的基础上，利用基于能量函数的三维重建方法提取末梢气管。
基于能量函数的三维(3D)重建方法是一种基于局部能量最小化的受约束生长方法。基于马尔科夫随机场(Markov Random Field)理论，能量函数与生长势能相关。对于当前体素x，计算在不属于和属于末梢气管两种不同状态下的生长势能，如果后者大于前者，则认为体素x属于末梢气管。基于能量函数的三维重建方法的具体步骤将在后文展开描述。
在步骤103，融合低级气管和末梢气管，得到气管提取结果。
举例来说，上述步骤101中的区域增长可以是灰度特性区域增长。示例性方法包括：首先根据肺外大气管的管状结构特性，找到气管种子点Seed开始做区域增长，判决条件为：对于与种子点相邻的体素p，若p的HU值小于第一阈值MaxAirwayHUThreshold，且p的26邻域内所有单个体素的HU值与p的HU值的差值都小于第二阈值MaxLunmenWallDiffThreshold，则体素p属于气管。该第一阈值MaxAirwayHUThreshold表征气管内体素的HU值上限。由于属于气管的体素的HU值都比较低，通过设置第二阈值可以判断体素是否为气管内体素。第二阈值MaxLunmenWallDiffThreshold表征气管内体素与周围体素的HU值差异上限。由于气管内体素点周围邻域点的HU值与之差值较小，而当区域生长至气管壁时，周围邻域点的HU值与之差值较大。因此通过设置第二阈值可以区分气管内体素与气管壁体素。该判决条件利用了低级气管腔内HU值较低且气管壁与腔内HU值相差较为明显的特性，依此判决条件做区域增长得到低级气管的分割结果I1。
图4A示出步骤101的低级气管提取结果。参考图4A，低级气管41包括1-4级气管，中央部位为主气管，从主气管向下有多级分支，在最末的分支处管径较细，但远没有达到气管树的末梢。
图4B示出步骤103的融合结果。参考图4B，在低级气管41之下，延伸出许多细小的末梢气管42，从而构成了较为完整的气管树。
接下来将详细描述图1所示的流程的步骤102。该步骤是基于基于能量函数的三维重建方法来提取末梢气管。基于马尔科夫随机场理论，能量函数与生长势能Vprop相关，表示为：
其中kT是固定值。
对于当前体素x，计算在不同状态stx(stx取值0或1，分别表示不属于和属于末梢气管)下生长势能Vprop(x,stx)，如果Vprop(x,1)-Vprop(x,0)>0，则认为体素x属于末梢气管。考虑到末梢气管的拓扑结构和密度信息，生长势能Vprop由三个加权项组成：Vprop＝Vradial+Vdistal+Vcontrol，其中两个加权项Vradial和Vdistal分别支持径向和末梢远端方向的生长，另一个加权项Vcontrol用于将生长限制在气管腔内。以上三个加权项的计算表达式如下：
上述表达式中，x,y代表体素变量，v是体素集合，v26(x)代表体素x的26个相邻体素，vn,v(x)代表靠近体素x的体素集合，vf,v(x)代表远离体素x的体素集合，st代表状态。k是一个归一化系数以确保末梢气管内生长的各向同性，F代表该体素的HU值。
由于末梢气管较为微细，在容积效应作用下气管壁与周围肺实质的对比度很低，因而在末梢气管提取的过程中，如何能避免气管生长泄漏到肺实质是所有气管提取技术需要面临的最大挑战。
图2是根据本发明一实施例的基于能量函数的三维重建方法流程图。参考图2所示，方法流程包括：
步骤201，初始化第一体素集合S1＝Is，迭代次数N＝0，生长势能的三个加权项Vradial、Vdistal和Vcontrol相对应的权重分别为w1、w2和w3；
在步骤202，初始化第二体素集合为空集；
在步骤203，对于每一个与第一体素集合S1中任一个体素相邻的体素p，计算其生长势能Vprop＝w1·Vradial+w2·Vdistal+w3·Vcontrol；
在步骤204，若两种状态下的生长势能Vprop(p,1)>Vprop(p,0)，则进入步骤205，否则进入步骤206；
也就是说，比较生长势能在属于末梢气管的第一状态(stx取值1)的值Vprop(p,1)和不属于末梢气管的第二状态(stx取值0)下的值Vprop(p,0)，如果第一状态下的值Vprop(p,1)大于第二状态下的值Vprop(p,0)，则进入步骤205，否则进入步骤206；
在步骤205，将体素p压入第二体素集合S2中；
在步骤206，判断是否遍历所有与第一体素集合中任一体素相邻的体素，如果是则进入步骤207，否则返回步骤203；
在步骤207，判断第二体素集合S2中包含的体素个数是否大于第一体素集合S1，如果是，则进入步骤208，否则进入步骤209；
在步骤208，清空第二体素集合S2；也就是说，如果生长的末梢气管大于原有气管，则认为末梢气管不准确，丢弃该末梢气管；
在步骤209，计算找到第二体素集合S2中的所有连通域D，对于D中的每一个单独的连通域d，计算半径r；
在步骤210，判断连通域d包含的体素个数nd大于nT，或r大于rT，其中，nT表征体素个数阈值，rT表征体素半径阈值，即判断连通域的体素个数或半径是否大于对应的阈值，如果是，则进入步骤211，否则进入步骤212；
在步骤211，将连通域d中的体素从第二体素集合S2中去除；
在步骤212，将第二体素集合S2中的体素加入末梢气管分割结果If中；
在步骤213，将第二体素集合赋值给第一体素集合，迭代次数加1，即令S1＝S2，N+＝1，即进入步骤214；
在步骤214，判断是否满足下述条件：第一体素集合S1非空且迭代次数N≤NT，NT为阈值，如果满足，则返回步骤202，否则结束迭代过程。
在上述迭代过程结束后，即得到末梢气管分割结果If。
在上述实施例中，每次迭代生长得到末梢气管区域都是由多个小的连通域组成，计算每个连通域的体积和半径，若体积或半径过大，则认为属于泄漏，将该连通域从这次迭代生长的结果中剔除，这样一来可以有效地避免末梢气管迭代提取过程中发生局部泄漏。
图3是根据本发明另一实施例的基于能量函数的三维重建方法流程图。参考图3所示，方法流程包括：
步骤301，初始化第一体素集合S1＝Is，迭代次数N＝0，生长势能的三个加权项Vradial、Vdistal和Vcontrol相对应的权重分别为w1、w2和w3；
在步骤302，初始化第二体素集合为空集，且初始化第三权重w3；
在步骤303，对于每一个与第一体素集合S1中任一个体素相邻的体素p，计算其生长势能Vprop＝w1·Vradial+w2·Vdistal+w3·Vcontrol；
在步骤304，若两种状态下的生长势能Vprop(p,1)>Vprop(p,0)，则进入步骤305，否则进入步骤306；
也就是说，比较生长势能在属于末梢气管的第一状态(stx取值1)的值Vprop(p,1)和不属于末梢气管的第二状态(stx取值0)下的值Vprop(p,0)，如果第一状态下的值Vprop(p,1)大于第二状态下的值Vprop(p,0)，则进入步骤305，否则进入步骤306；
在步骤305，将体素p压入第二体素集合S2中；
在步骤306，判断是否遍历所有与第一体素集合中任一体素相邻的体素，如果是则进入步骤307，否则返回步骤303；
在步骤307，判断第二体素集合S2中包含的体素个数是否大于第一体素集合S1，如果是，则进入步骤308，否则进入步骤309；
在步骤308，清空第二体素集合S2，并且调整第三权重w3+＝Δw；也就是说，如果生长的末梢气管大于原有气管，则认为末梢气管不准确，丢弃该末梢气管，并且通过调整第三权重来进一步限制末梢气管生长在气管腔内；
在步骤309，计算找到第二体素集合S2中的所有连通域D，对于D中的每一个单独的连通域d，计算半径r；
在步骤310，判断连通域d包含的体素个数nd大于nT，或r大于rT，即判断连通域的体素个数或半径是否大于对应的阈值，如果是，则进入步骤311，否则进入步骤312；
在步骤311，将连通域d中的体素从第二体素集合S2中去除；
在步骤312，将第二体素集合S2中的体素加入末梢气管分割结果If中；
在步骤313，将第二体素集合赋值给第一体素集合，迭代次数加1，即令S1＝S2，N+＝1，即进入步骤314；
在步骤314，判断是否满足下述条件：第一体素集合S1非空且迭代次数N≤NT，NT为阈值，如果满足，则返回步骤302，否则结束迭代过程。
在上述迭代过程结束后，即得到末梢气管分割结果If。
本实施例在每次迭代过程中计算体素生长势能时引入自动调整加权项权重的机制，确保每次迭代中能在生长尽可能多的末梢气管和限制生长在气管腔内这二者之间取得平衡，使迭代保持收敛。而且，经每次迭代生长得到末梢气管区域都是由多个小的连通域组成，计算每个连通域的体积和半径，若体积或半径过大，则认为属于泄漏，将该连通域从这次迭代生长的结果中剔除，这样一来可以有效地避免末梢气管迭代提取过程中发生局部泄漏。
图5是根据本发明一实施例的气管提取结果示例。
本发明充分考虑了低级气管和末梢气管在结构和灰度特性上的不同，分别使用两种不同的策略来提取不同级别的气管，尤其是使用基于能量函数的三维重建的方法提取末梢气管，可以更加鲁棒地提取末梢气管，避免气管的泄漏。
本发明上述实施例的从胸部CT图像提取气管的方法可以在例如计算机软件、硬件或计算机软件与硬件的组合的计算机可读取介质中加以实施。对于硬件实施而言，本发明中所描述的实施例可在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、用于执行上述功能的其它电子装置或上述装置的选择组合来加以实施。在部分情况下，这类实施例可以通过控制器进行实施。
对软件实施而言，本发明中所描述的实施例可通过诸如程序模块(procedures)和函数模块(functions)等独立的软件模块来加以实施，其中每一个模块执行一个或多个本文中描述的功能和操作。软件代码可通过在适当编程语言中编写的应用软件来加以实施，可以储存在内存中，由控制器或处理器执行。例如根据本发明实施例所提出的一种从胸部CT图像提取气管的装置，可包括多个程序模块，即第一模块、第二模块和第三模块。第一模块用于从该胸部CT图像提取低级气管。第二模块用于在该低级气管的基础上，利用基于能量函数的三维重建方法提取末梢气管。第三模块用于融合该低级气管和该末梢气管，得到气管提取结果。
虽然本发明已参照当前的具体实施例来描述，但是本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，在没有脱离本发明精神的情况下还可作出各种等效的变化或替换，因此，只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。
Claims (18)
1.一种从胸部CT图像提取气管的方法，包括以下步骤：
从胸部CT图像提取低级气管；
在该低级气管的基础上，利用基于能量函数的三维重建方法提取末梢气管；以及
融合该低级气管和该末梢气管，得到气管提取结果，
所述基于能量函数的三维重建方法包括以下步骤：
a.初始化第一体素集合为低级气管分割结果，且初始化迭代次数和生长势能的三个加权项各自对应的第一至第三权重，该三个加权项包括支持径向方向生长的第一加权项、支持末梢远端方向生长的第二加权项和将生长限制在气管腔内的第三加权项；
b.初始化第二体素集合为空集；
c.对于与该第一体素集合中任一个体素相邻的体素，依照该第一至第三加权项及第一至第三权重计算生长势能；
d.比较该生长势能在属于末梢气管的第一状态和不属于末梢气管的第二状态下的值，如果第一状态下的值大于第二状态下的值，则进入步骤e，否则进入步骤f；
e.将该相邻的体素压入该第二体素集合；
f.判断是否遍历所有与第一体素集合中任一体素相邻的体素，如果是则进入步骤g，否则返回步骤c；
g.判断该第二体素集合中包含的体素个数是否大于该第一体素集合中包含的体素，如果是则清空该第二体素集合，返回该步骤c，否则进入步骤h；
h.将该第二体素集合中的体素加入末梢气管分割结果；
i.将该第二体素集合赋值为该第一体素集合，且令该迭代次数加一；
j.判断是否该第一体素集合非空且该迭代次数小于阈值，如果是则返回步骤b，否则进入步骤k；以及
k.结束迭代过程，得到末梢气管分割结果。
2.根据权利要求1所述的从胸部CT图像提取气管的方法，其特征在于，从该胸部CT图像提取低级气管的方法包括基于区域增长和基于形态学的任一种方法。
3.根据权利要求2所述的从胸部CT图像提取气管的方法，其特征在于，该区域增长为灰度特性区域增长，其判决条件为：对于与种子点相邻的体素p，若所述体素p的HU值小于第一阈值，且所述体素p的26邻域内所有单个体素的HU值与所述体素p的HU值的差值都小于第二阈值，则所述体素p属于气管，其中该第一阈值表征气管内体素的HU值上限，该第二阈值表征气管内体素与周围体素的HU值差异上限。
4.根据权利要求1所述的从胸部CT图像提取气管的方法，其特征在于，在该基于能量函数的三维重建方法中，根据体素在不同状态下的生长势能，判断该体素是否属于末梢气管。
5.根据权利要求1所述的从胸部CT图像提取气管的方法，其特征在于，在该基于能量函数的三维重建方法中，在每次迭代过程中计算体素生长势能时，调整一用于将生长限制在气管腔内的加权项的权重，使迭代保持收敛。
6.根据权利要求1所述的从胸部CT图像提取气管的方法，其特征在于，在该基于能量函数的三维重建方法中，计算每次迭代生长得到的末梢气管区域内的多个连通域中每个连通域的体积或半径，若体积或半径大于设定的阈值，则将该连通域从这次迭代生长的结果中剔除。
7.根据权利要求1所述的从胸部CT图像提取气管的方法，其特征在于，该步骤b还包括：重置第三权重为步骤a的初始值，且该步骤g中，在该第二体素集合中包含的体素个数大于该第一体素集合中包含的体素时还包括调整该第三权重。
8.根据权利要求1所述的从胸部CT图像提取气管的方法，其特征在于，在步骤g和步骤h之间还包括步骤：
l.找到该第二体素集合中的所有连通域，对于该连通域中的每一个单独的连通域，计算半径；
m.当判断各单独的连通域中包含的体素个数或半径是否大于阈值，如果是则进入步骤n，否则直接进入步骤h；
n.将该单独的连通域中的体素从该第二体素集合中去除。
9.一种从胸部CT图像提取气管的装置，包括：
第一模块，用于从该胸部CT图像提取低级气管；
第二模块，用于在该低级气管的基础上，利用基于能量函数的三维重建方法提取末梢气管；以及
第三模块，用于融合该低级气管和该末梢气管，得到气管提取结果，
所述第二模块利用基于能量函数的三维重建方法提取末梢气管的流程包括：
a.初始化第一体素集合为低级气管分割结果，且初始化迭代次数和生长势能的三个加权项各自对应的第一至第三权重，该三个加权项包括支持径向方向生长的第一加权项、支持末梢远端方向生长的第二加权项和将生长限制在气管腔内的第三加权项；
b.初始化第二体素集合为空集；
c.对于每一个与该第一体素集合中任一个体素相邻的体素，依照该第一至第三加权项及第一至第三权重计算生长势能；
d.比较该生长势能在属于末梢气管的第一状态和不属于末梢气管的第二状态下的值，如果第一状态下的值大于第二状态下的值，则进入步骤e，否则进入步骤f；
e.将该相邻的体素压入该第二体素集合；
f.判断是否遍历所有与第一体素集合中任一体素相邻的体素，如果是则进入步骤g，否则返回步骤c；
g.判断该第二体素集合中包含的体素个数是否大于该第一体素集合中包含的体素，如果是则清空该第二体素集合，返回该步骤c，否则进入步骤h；
h.将该第二体素集合中的体素加入末梢气管分割结果；
i.将该第二体素集合赋值为该第一体素集合，且令该迭代次数加一；
j.判断是否该第一体素集合非空且该迭代次数小于阈值，如果是则返回步骤b，否则进入步骤k；以及
k.结束迭代过程，得到末梢气管分割结果。
10.根据权利要求9所述的从胸部CT图像提取气管的装置，其特征在于，该第一模块使用基于区域增长或基于形态学的任一种方法从该胸部CT图像提取低级气管。
11.根据权利要求10所述的从胸部CT图像提取气管的装置，其特征在于，该区域增长的判决条件为：对于与种子点相邻的体素p，若体素p的HU值小于第一阈值，且体素p的26邻域内所有单个体素的HU值与体素p的HU值的差值都小于第二阈值，则所述体素p属于气管，其中该第一阈值表征气管内体素的HU值上限，该第二阈值表征气管内体素与周围体素的HU值差异上限。
12.根据权利要求9所述的从胸部CT图像提取气管的装置，其特征在于，该第二模块在该基于能量函数的三维重建方法中，根据体素在不同状态下的生长势能，判断该体素是否属于末梢气管。
13.根据权利要求9所述的从胸部CT图像提取气管的装置，其特征在于，该第二模块在该基于能量函数的三维重建方法中，在每次迭代过程中计算体素生长势能时，调整一用于将生长限制在气管腔内的加权项的权重，使迭代保持收敛。
14.根据权利要求9所述的从胸部CT图像提取气管的装置，其特征在于，该第二模块在该基于能量函数的三维重建方法中，计算每次迭代生长得到的末梢气管区域内的多个连通域中每个连通域的体积和半径，若体积或半径大于一阈值，将该连通域从这次迭代生长的结果中剔除。
15.根据权利要求14所述的从胸部CT图像提取气管的装置，其特征在于，该步骤b还包括：重置第三权重为步骤a的初始值，且该步骤g中，在该第二体素集合中包含的体素个数大于该第一体素集合中包含的体素时还包括调整该第三权重。
16.根据权利要求14所述的从胸部CT图像提取气管的装置，其特征在于，该第二模块进行基于能量函数的三维重建方法的流程在步骤g和步骤h之间还包括步骤：
l.找到该第二体素集合中的所有连通域，对于该连通域中的每一个单独的连通域，计算半径；
m.当判断各单独的连通域中包含的体素个数或半径是否大于阈值，如果是则进入步骤n，否则直接进入步骤h；
n.将该单独的连通域中的体素从该第二体素集合中去除。
17.一种从胸部CT图像提取气管的装置，包括处理器、存储器和存储在所述存储器的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1-8任一项所述的方法。
18.一种计算机可读取介质，其上存储有计算机程序，所述计算机程序被执行时实现如权利要求1-8任一项所述的方法。
Priority Applications (11)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510224781.7A CN104809730B (zh) | 2015-05-05 | 2015-05-05 | 从胸部ct图像提取气管的方法和装置 |
| GB1709225.5A GB2547399B (en) | 2014-12-02 | 2015-10-31 | A method and system for image processing |
| GB1719333.5A GB2559013B (en) | 2014-12-02 | 2015-10-31 | A method and system for image processing |
| EP15865201.6A EP3213296B1 (en) | 2014-12-02 | 2015-10-31 | A method and system for image processing |
| US15/323,035 US10181191B2 (en) | 2014-12-02 | 2015-10-31 | Methods and systems for identifying spine or bone regions in computed tomography image sequence |
| PCT/CN2015/093506 WO2016086744A1 (en) | 2014-12-02 | 2015-10-31 | A method and system for image processing |
| EP16789331.2A EP3224807B1 (en) | 2015-05-05 | 2016-05-05 | System and method for image segmentation |
| PCT/CN2016/081175 WO2016177337A1 (en) | 2015-05-05 | 2016-05-05 | System and method for image segmentation |
| US15/320,466 US10282844B2 (en) | 2015-05-05 | 2016-05-05 | System and method for image segmentation |
| US16/247,080 US11094067B2 (en) | 2014-12-02 | 2019-01-14 | Method and system for image processing |
| US16/403,709 US10482602B2 (en) | 2015-05-05 | 2019-05-06 | System and method for image segmentation |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510224781.7A CN104809730B (zh) | 2015-05-05 | 2015-05-05 | 从胸部ct图像提取气管的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104809730A CN104809730A (zh) | 2015-07-29 |
| CN104809730B true CN104809730B (zh) | 2017-10-03 |
Family
ID=53694535
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510224781.7A Active CN104809730B (zh) | 2014-12-02 | 2015-05-05 | 从胸部ct图像提取气管的方法和装置 |
Country Status (4)
| Country | Link |
|---|---|
| US (2) | US10282844B2 (zh) |
| EP (1) | EP3224807B1 (zh) |
| CN (1) | CN104809730B (zh) |
| WO (1) | WO2016177337A1 (zh) |
Families Citing this family (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106659453B (zh) * | 2014-07-02 | 2020-05-26 | 柯惠有限合伙公司 | 用于分割肺部的系统和方法 |
| CN104809730B (zh) * | 2015-05-05 | 2017-10-03 | 上海联影医疗科技有限公司 | 从胸部ct图像提取气管的方法和装置 |
| WO2017092615A1 (zh) | 2015-11-30 | 2017-06-08 | 上海联影医疗科技有限公司 | 一种计算机辅助诊断系统及方法 |
| CN107179278A (zh) * | 2016-03-10 | 2017-09-19 | 河北农业大学 | 一种采用显微ct观察昆虫气管立体结构的方法 |
| EP3223235A1 (en) * | 2016-03-24 | 2017-09-27 | Ecole Nationale de l'Aviation Civile | Object definition in virtual 3d environment |
| CN105913422B (zh) * | 2016-04-07 | 2019-01-25 | 广州医科大学附属肿瘤医院 | 基于气管分割的气管树提取方法 |
| 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 |
| US10902619B2 (en) * | 2016-10-26 | 2021-01-26 | Duke University | Systems and methods for determining quality metrics of an image or images based on an edge gradient profile and characterizing regions of interest in an image or images |
| CN106780470A (zh) * | 2016-12-23 | 2017-05-31 | 浙江大学 | Ct图像乳头自动化检测方法 |
| 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 |
| EP3633612A4 (en) * | 2017-06-30 | 2020-06-03 | Shanghai United Imaging Healthcare Co., Ltd. | IMAGE SEGMENTATION METHOD AND SYSTEM |
| CN107481251A (zh) * | 2017-07-17 | 2017-12-15 | 东北大学 | 一种从肺部ct图像中提取末端支气管树的方法 |
| US10866298B2 (en) * | 2017-08-03 | 2020-12-15 | Siemens Healthcare Gmbh | Low rank and spatial regularization model for magnetic resonance fingerprinting |
| EP3460712A1 (en) * | 2017-09-22 | 2019-03-27 | Koninklijke Philips N.V. | Determining regions of hyperdense lung tissue in an image of a lung |
| US10258304B1 (en) | 2017-11-29 | 2019-04-16 | Siemens Healthcare Gmbh | Method and system for accurate boundary delineation of tubular structures in medical images using infinitely recurrent neural networks |
| EP3503026A1 (en) * | 2017-12-20 | 2019-06-26 | Koninklijke Philips N.V. | Device, system and method for interacting with vessel images |
| CN108171703B (zh) * | 2018-01-18 | 2020-09-15 | 东北大学 | 一种从胸部ct图像中自动提取气管树的方法 |
| CN108596911B (zh) * | 2018-03-15 | 2022-02-25 | 西安电子科技大学 | 一种基于pca重构误差水平集的图像分割方法 |
| US11017536B2 (en) * | 2018-05-02 | 2021-05-25 | Mako Surgical Corp. | Image segmentation |
| CN108765445B (zh) * | 2018-05-29 | 2021-08-20 | 上海联影医疗科技股份有限公司 | 一种肺气管分割方法及装置 |
| CN108648193B (zh) * | 2018-06-06 | 2023-10-31 | 南方医科大学 | 生物组织影像识别的方法及其系统、计算机储存介质 |
| US10769422B2 (en) | 2018-09-19 | 2020-09-08 | Indus.Ai Inc | Neural network-based recognition of trade workers present on industrial sites |
| US10853934B2 (en) | 2018-09-19 | 2020-12-01 | Indus.Ai Inc | Patch-based scene segmentation using neural networks |
| CN111062952B (zh) * | 2018-10-16 | 2022-09-30 | 腾讯科技（深圳）有限公司 | 肺部图像分割设备、方法及存储介质 |
| EP3891559A1 (en) * | 2018-12-07 | 2021-10-13 | ASML Netherlands B.V. | Method for determining root cause affecting yield in a semiconductor manufacturing process |
| CN110276768B (zh) * | 2019-06-28 | 2022-04-05 | 京东方科技集团股份有限公司 | 图像分割方法、图像分割装置、图像分割设备及介质 |
| CN110517244B (zh) * | 2019-08-23 | 2023-04-28 | 首都医科大学宣武医院 | 一种基于dsa图像的定位方法及系统 |
| CN111340829B (zh) * | 2020-02-10 | 2023-02-28 | 上海海洋大学 | 一种改进的dme水肿区域神经网络分割模型的构建方法 |
| CH717198B1 (it) * | 2020-03-09 | 2024-03-28 | Lilla Nafradi | Metodo per la segmentazione di una griglia 3D discreta. |
| CN111402284B (zh) * | 2020-03-17 | 2023-07-25 | 中国人民解放军国防科学技术大学 | 一种基于三维连通性的图像阈值测定方法及装置 |
| CA3192033A1 (en) * | 2020-09-01 | 2022-03-10 | The Research Foundation For The State University Of New York | System and method for virtual pancreatography pipeline |
| US11869125B2 (en) * | 2020-09-30 | 2024-01-09 | Adobe Inc. | Generating composite images with objects from different times |
| CN113516677B (zh) * | 2021-04-13 | 2022-02-22 | 推想医疗科技股份有限公司 | 一种结构化分级管状结构血管的方法、装置及电子设备 |
| CN113269756B (zh) * | 2021-05-28 | 2024-02-27 | 长春大学 | 基于多尺度匹配滤波与粒子群优化视网膜血管分割方法、装置 |
| CN113362327B (zh) * | 2021-08-10 | 2021-11-05 | 杭州晟视科技有限公司 | 一种胸腔图像中的区域分割方法、装置、终端及存储介质 |
| WO2023097100A1 (en) * | 2021-11-29 | 2023-06-01 | Rensselaer Polytechnic Institute | X-ray dissectography |
| CN114693689B (zh) * | 2022-03-02 | 2024-03-15 | 西北工业大学 | 一种用于医学图像的自适应神经网络分割模型构建方法 |
| CN114858723B (zh) * | 2022-03-31 | 2024-08-16 | 合肥工业大学 | 一种识别肉块中危险级碎骨的系统及方法 |
| CN118552571B (zh) * | 2024-07-25 | 2024-10-18 | 湖南军芃科技股份有限公司 | 针对蓝藻图像的分割方法、识别方法、介质和设备 |
Family Cites Families (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6466687B1 (en) | 1997-02-12 | 2002-10-15 | The University Of Iowa Research Foundation | Method and apparatus for analyzing CT images to determine the presence of pulmonary tissue pathology |
| US6898303B2 (en) | 2000-01-18 | 2005-05-24 | Arch Development Corporation | Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lesions in computed tomography scans |
| US20020009215A1 (en) | 2000-01-18 | 2002-01-24 | Arch Development Corporation | Automated method and system for the segmentation of lung regions in computed tomography scans |
| AU2003299656A1 (en) | 2002-12-03 | 2004-06-23 | Washington University | Method and apparatus for automated detection of target structures from medical images using a 3d morphological matching algorithm |
| CN100370952C (zh) * | 2004-12-30 | 2008-02-27 | 中国医学科学院北京协和医院 | 一种肺部图像处理方法 |
| US7711167B2 (en) * | 2005-12-07 | 2010-05-04 | Siemens Medical Solutions Usa, Inc. | Fissure detection methods for lung lobe segmentation |
| US7672496B2 (en) | 2006-06-21 | 2010-03-02 | Icad, Inc. | Forming three dimensional objects using a decision rule in medical image data |
| EP2074551A4 (en) | 2006-10-25 | 2011-10-12 | Rcadia Medical Imaging Ltd | METHOD AND SYSTEM FOR THE AUTOMATIC ANALYSIS OF BLOOD VESSEL STRUCTURES AND PATHOLOGIES |
| JP2008142482A (ja) | 2006-12-13 | 2008-06-26 | Med Solution Kk | 縦隔リンパ節郭清で切除される領域を複数の区域にセグメンテーションする装置およびプログラム |
| CN100586371C (zh) * | 2007-10-17 | 2010-02-03 | 北京大学 | 一种基于磁共振三维肾图的图像处理系统 |
| CN102243759B (zh) * | 2010-05-10 | 2014-05-07 | 东北大学 | 一种基于几何形变模型的三维肺血管图像分割方法 |
| US9286719B2 (en) * | 2010-09-29 | 2016-03-15 | Siemens Aktiengesellschaft | Automated detection of airway and vessel orientations for quantitative analysis and visualization |
| US8922546B2 (en) | 2010-09-30 | 2014-12-30 | Siemens Aktiengesellschaft | Dynamic graphical user interfaces for medical workstations |
| CN102521833B (zh) * | 2011-12-08 | 2014-01-29 | 东软集团股份有限公司 | 一种从胸部ct图像中获得气管树的方法及装置 |
| CN102982531B (zh) * | 2012-10-30 | 2015-09-16 | 深圳市旭东数字医学影像技术有限公司 | 支气管的分割方法及系统 |
| CN104156935B (zh) * | 2013-05-14 | 2018-01-02 | 东芝医疗系统株式会社 | 图像分割装置、图像分割方法和医学图像设备 |
| US10181191B2 (en) | 2014-12-02 | 2019-01-15 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for identifying spine or bone regions in computed tomography image sequence |
| CN104809730B (zh) * | 2015-05-05 | 2017-10-03 | 上海联影医疗科技有限公司 | 从胸部ct图像提取气管的方法和装置 |
| 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 |
-
2015
- 2015-05-05 CN CN201510224781.7A patent/CN104809730B/zh active Active
-
2016
- 2016-05-05 WO PCT/CN2016/081175 patent/WO2016177337A1/en active Application Filing
- 2016-05-05 US US15/320,466 patent/US10282844B2/en active Active
- 2016-05-05 EP EP16789331.2A patent/EP3224807B1/en active Active
-
2019
- 2019-05-06 US US16/403,709 patent/US10482602B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| WO2016177337A1 (en) | 2016-11-10 |
| WO2016177337A8 (en) | 2017-04-06 |
| EP3224807B1 (en) | 2019-11-13 |
| US20190259161A1 (en) | 2019-08-22 |
| US20170206662A1 (en) | 2017-07-20 |
| US10482602B2 (en) | 2019-11-19 |
| EP3224807A4 (en) | 2018-09-05 |
| EP3224807A1 (en) | 2017-10-04 |
| US10282844B2 (en) | 2019-05-07 |
| CN104809730A (zh) | 2015-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104809730B (zh) | 从胸部ct图像提取气管的方法和装置 | |
| CN106097305B (zh) | 双行程区域生长结合形态学重建的肺部气管树分割方法 | |
| US20180089837A1 (en) | Region-growing algorithm | |
| CN104156935B (zh) | 图像分割装置、图像分割方法和医学图像设备 | |
| CN108052977A (zh) | 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法 | |
| CN108665461B (zh) | 一种基于fcn和迭代声影校正的乳腺超声图像分割方法 | |
| CN104933729B (zh) | 一种颅内脑组织的提取方法和装置 | |
| CN110335325B (zh) | 一种ct图像重建方法及其系统 | |
| US11302094B2 (en) | System and method for segmenting normal organ and/or tumor structure based on artificial intelligence for radiation treatment planning | |
| CN106780497B (zh) | 一种基于统计信息的器官血管树自动提取方法 | |
| CN105488796A (zh) | 肺分割方法 | |
| CN115661149B (zh) | 一种基于肺部组织数据的肺部影像处理系统 | |
| CN109035227A (zh) | 对ct图像进行肺部肿瘤检测与诊断的系统 | |
| CN110599530B (zh) | 基于双正则约束的mvct图像纹理增强方法 | |
| CN108280833B (zh) | 一种植物根系分叉特征的骨架提取方法 | |
| CN110060315A (zh) | 一种基于人工智能的图像运动伪影消除方法及系统 | |
| CN108765445A (zh) | 一种肺气管分割方法及装置 | |
| JP3678378B2 (ja) | 異常陰影候補の検出方法および装置 | |
| CN111784701A (zh) | 结合边界特征增强和多尺度信息的超声图像分割方法及系统 | |
| Jayanthi et al. | Extracting the liver and tumor from abdominal CT images | |
| Zhao et al. | Non-destructive 3D geometric modeling of maize root-stubble in-situ via X-ray computed tomography | |
| CN111080556A (zh) | 一种强化ct图像气管壁增强方法、系统、设备及介质 | |
| CN104915989B (zh) | 基于ct影像的血管三维分割方法 | |
| CN105096332B (zh) | 医学图像分割方法和装置 | |
| CN116894783A (zh) | 基于时变约束的对抗生成网络模型的金属伪影去除方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 201807 2258 Chengbei Road, Jiading District, Shanghai Patentee after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 2258 Chengbei Road, Jiading District, Shanghai Patentee before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |