CN105279759A - 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 - Google Patents
结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 Download PDFInfo
- Publication number
- CN105279759A CN105279759A CN201510700007.9A CN201510700007A CN105279759A CN 105279759 A CN105279759 A CN 105279759A CN 201510700007 A CN201510700007 A CN 201510700007A CN 105279759 A CN105279759 A CN 105279759A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- outline
- arrowband
- aortic aneurysm
- abdominal cavity
- 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
Links
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
一种结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法,包括如下步骤:1)改进LBF水平集方法用于的外轮廓初步分割,利用LBF在低对比度图像目标分割中的优势,结合窄带约束,获得初步外轮廓。2)提出基于上下文窄带约束的分割方法实现外轮廓精细分割;3)利用CTA图像序列的空间连续性,将精确分割结果用于相邻切层初步分割时水平集初始化。本发明提供了一种分割精度较高、分割效率较高的结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法。
Description
技术领域
本发明属于医学图像特殊组织分析与分割方法领域,涉及一种腹腔主动脉瘤外轮廓分割方法。
背景技术
腹主动脉瘤(Abdominalaorticaneurysm,AAA是一种中老年人常发的疾病,主要的风险在于其不断扩张导致破裂而危及患者生命。
在腹腔主动脉瘤的诊断中,对其破裂风险的评估是进行手术治疗与否的主要依据。因此,腹腔主动脉瘤的体积等测量信息是诊疗中常常关心的内容。目前对腹腔主动脉瘤测量最常用的是直径测量法。直径测量方法简单易用,能够大致了解瘤体的生长情况,但是其缺点也很明显,判断标准过于笼统,而且无法了解腹腔主动脉瘤的内部信息。随着医学影像技术的日益成熟,医生已经可以依靠先进的医学影像技术来辅助诊断和治疗。计算机断层扫描血管造影(Computedtomographyangiography,CTA)可以用来得到病人体内腹腔主动脉瘤的截面图像序列,腹腔主动脉瘤的形状,大小均可以从CTA图像上比较精准地还原而出,并且医生可以进行测量并以此统计得出腹腔主动脉瘤的破裂风险,从而确定进一步的治疗方案。
对主动脉瘤区域各部分的精确分割对腹腔主动脉瘤病理特性的研究,破裂风险的评估和医疗诊断有重要的意义和研究价值。通常,一组包含了腹腔主动脉瘤体的CTA图像序列会包括上百个图像切层。如果每个切层都需要进行手动分割,那将是一项费时而浩大的工程。随着医学成像技术的发展,通过仪器得到的医学图像在采样密度,图像分辨率上都有了很大的提高。手动或半自动的方法处理医学图像序列就显得越来越不现实。因此,自动的图像分割技术对腹腔主动脉瘤CTA图像的处理显得尤为重要。对于自动分割得到的腹腔主动脉瘤模型,不仅可以方便地进行相关数据的测量,必要时还可以将分割结果输入有限元模型进行应力分析,计算出腹腔主动脉瘤内部的受力情况,从而得出更为可靠的诊断结果。另外,数字化的腹腔主动脉瘤模型更利于病例的存档与查阅。
对医学图像序列中高对比区域的连续分割,目前已经有比较成熟方法,医学图像血管分割相关文献大多是介绍内腔分割的。
内腔分割:尚岩峰等使用管状特性和主动轮廓的方法实现了人体主动脉和肝动脉内腔的自动分割。卢坤虎等利用网格剖分技术实现腹腔主动脉内腔的自动化分割,在腹腔主动脉瘤部位结合一定的交互实现外轮廓的分割。
外轮廓分割:医学图像中因其成像方式的限制造成的部分模糊轮廓目标区域的分割,往往需要结合鲁棒的分割方式以及相应的优化。对于外轮廓的分割,由于其轮廓的模糊性给自动分割带来了很多有阻碍。同时,人们也提出了多种方法来解决腹腔主动脉瘤的内外轮廓分割问题。从主动脉瘤的形状特性入手,Macía等利用径向模型方法,使用先验信息以及空间相关性来实现内腔与外轮廓的半自动分割。后来,再次利用径向模型方法,结合几何信息和上下文信息进行血栓部位的分割,然后用多层感知分类器(Multilayerperceptron,MLP)实现瘤体截面不同区域的分类。Dehmeshki等使用几何信息与数学形态实现了对正常主动脉区域和带瘤体主动脉区域的自动识别,但是对主动脉瘤进行外轮廓分割时只是用了椭圆模型,以得到大致的外轮廓分割结果。Zohios将几何约束加入到腹腔主动脉瘤的血栓和外壁分割中,并在模糊的区域进行了几何估计。
基于分类器的方法也是腹腔主动脉瘤分割中常用的方法。Maiora等使用随机森林分类器的方法,通过前期的血栓样本学习,进行CTA图像序列中主动脉瘤血栓的分割。Chyzhyk等将基于引导树状分类器(Bootstrappeddendriticclassifier,BDC)的主动学习模型应用于血栓部分的识别分割。
由于腹腔主动脉瘤内的血栓和腹腔主动脉瘤周围组织并无明显的界线,因此腹腔主动脉瘤外轮廓的分割是典型的模糊轮廓目标的分割。如果单一地使用水平集方法,很难达到对外轮廓精确而自动地分割。针对模糊轮廓的目标分割的优化方式有很多,窄带约束是针对边缘模糊区域分割的优化方法。Foruzan等使用窄带约束来实现肝脏的模糊边缘的分割,窄带约束与水平集方法结合也能更好地适应医学图像中模糊轮廓目标的精确分割。
上下文分析方法也是模糊轮廓目标分割用到的辅助方法,利用场景内目标在空间上的关系进行分割。张斌等通过使用基于上下文分析的无监督分层迭代算法实现高噪声的SAR(Syntheticapertureradar,合成孔径雷达)图像的自动分割。CTA图像序列具有空间连续性,因此相邻切层之间的上下文信息也可以作为分割的重要依据。Subasic等使用腹腔主动脉瘤内腔的分割结果来初始化外轮廓分割时的水平集,提高分割效率。Bruijne等从主动形状模型得到启发,建立相邻切层之间的轮廓的形状模型来实现CTA图像序列中腹腔主动脉瘤的分割。Chen通过加入各向异性滤波和Canny算子边缘检测的方法来利用CTA图像中微弱的边缘信息,从而提高了脑动脉瘤血栓部分分割精度。Demirci等使用高斯混合模型概率谱驱动Nurbs模型分割血栓。Chen等提出图割和定向主动外观模型实现模糊组织轮廓的分割,Lee等使用基于三角网格的图搜索方法实现主动脉的分割。
目前已经实现血管内腔的分割和建模。近年来利用三维体数据,采用基于区域增长、水平集以及图割方法实现了亮度显著目标的三维分割。腹主动脉瘤外轮廓显著性较低,无法应用现有三维分割方法得到精确的分割结果。目前对于瘤体外轮廓精确分割主要依靠手动完成,因此实现CTA图像序列中腹主动脉瘤外轮廓的连续自动分割非常具有研究意义和应用价值。
结合主成分分析和K-Means实现癌细胞病理图像不同亮度成分的分割,该方法适用于不同亮度对应特定成分的医学图像分割。而腹主动脉瘤分割中,仅依靠亮度信息无法得到外轮廓
应用主动形体模型实现CT图像中的肝脏分割,该方法前期需要大量样本的训练,而且对于模糊医学图像,样本的选取要求较高。
对腹主动脉瘤分割通常加入形状先验。例如,Dehmeshki等使用椭圆模型用于外轮廓分割。Hosseini等通过分析腹主动脉瘤区域的灰度直方图以及形态学特性分割内外轮廓。Zohios等将几何约束加入到腹主动脉瘤的血栓和外壁分割。这些基于简单形状先验的方法适用于正常主动脉和部分瘤体切层的外轮廓分割。而对于瘤体中血栓聚积的造成外轮廓不近似于椭圆或内外轮廓差异巨大的切层,这类方法受限于特定的几何形状或内腔轮廓,无法实现精确分割。
发明内容
为了克服已有腹腔主动脉瘤分割方式的分割精度较低、分割效率较低的不足,本发明提供了一种分割精度较高、分割效率较高的结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法。
本发明解决其技术问题所采用的技术方案是:
一种结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法,包括如下步骤:
1)利用LBF水平集方法处理腹腔主动脉瘤的初始轮廓,结合窄带约束,获得腹腔主动脉瘤的初步外轮廓;
2)提出基于上下文窄带约束的分割方法实现外轮廓精细分割,过程如下:
2.1)构建腹主动脉瘤外轮廓的采样窄带
以外轮廓初步分割结果为中心线,以外轮廓区域中心为圆心的径向采样;
2.2)在采样窄带中精确分割腹主动脉瘤外轮廓,分割方法实现如下:
2.2.1)在窄带中心线附近搜索梯度大的边缘作为候选点,搜索窄带NR的每一列,如果在一列中没有可靠的边缘,那就设置当前列没有候选点;
2.2.2)遍历窄带上每一列中的候选点,去除窄带中孤立于相邻两列的候选点,这样在窄带中得到不连续的边缘线段;
2.2.3)对窄带中边缘线段的位置信息进行统计,去除与相邻边缘线段趋势差异很大且偏离窄带中心的边缘线段,剩下的边缘线段可以认为是主动腹外轮廓中可以检测到的可靠轮廓;
2.2.4)连接可靠的边缘并映射回原图,得到更新后的可靠边缘点,原图中,所得的点围成的区域的轮廓线就是所求的腹主动脉瘤外轮廓。
进一步,所述腹腔主动脉瘤外轮廓分割方法还包括如下步骤:
3)利用CTA图像序列的空间连续性,将精确分割结果用于相邻切层初步分割时水平集初始化,将当前切层的外轮廓分割结果经平滑处理后作为相邻切层水平集分割的初始轮廓,并以此构建水平集窄带BWNB,医学图像序列中腹主动脉瘤外轮廓自动分割算法。算法具体分为以下步骤:
3.1)初始化CTA图像序列:包括载入图像序列,选取合适的窗宽、窗位以去除与分割目标大部分无关的CT值,便于CTA图像的显示和初始轮廓的标记,然后任意选择序列中的一层,手动标记出瘤体外轮廓的大致位置作为分割的初始轮廓;
3.2)确定序列中当前层的动态处理窗口:动态处理窗口是包含瘤体截面但又远小于原始图像的矩形区域,位置由当前切层的初始轮廓重心来确定;
3.3)采用基于窄带LBF二值水平集方法获得初步分割结果,并在此基础上采用基于上下文窄带约束外轮廓分割的方法获得更可靠的外轮廓;
3.4)采用B样条的方式去除分割结果中可能存在的噪点,提高图像序列连续分割的精度;
3.5)以步骤3.4)的结果作为图像序列相邻层的初始化轮廓,将下一层作为当前切层,重复步骤3.2)至步骤3.4),直至完成整个序列的腹主动脉瘤外轮廓分割。
本发明的技术构思为:医学图像序列是由结构成像方式得到的,如CT,MRI等方式得到的就是医学图像序列。图像序列通常以空间来划分,表示同一时间不同平行切面获得的图像序列。而新型的医学成像还加入了时间这个维度,因此可以得到同一位置不同时间状态的图像序列。我们研究的腹腔主动脉瘤CTA图像序列就是医学图像序列的一种,不同于其他的图像,腹腔主动脉瘤CTA图像序列具有如下特点:
低分辨率:CTA图像以DICOM的格式存储,这种格式一般有固定的分辨率。大部分DICOM的格式图像的分辨率是512×512的。相比于生活中动辄千万像素级别分辨率的数字图像来说,医学图像的分辨率并不高。对人体内脏进行医学扫描时往往是对人体的躯干进行断层扫描,因而在获得的图像中感兴趣部分占整个图像的比例常常很小。
无颜色信息:例如医学CTA图像都是通过X射线断层扫描的方式得到。这样的图像与传统的光学采集到的图像有很大的不同,它不能反映出人体组织真实的色彩信息,因此在图像处理过程中无法应用颜色信息进行图像处理。
数值范围大:通过间接方式得到的医学图像,如CT,MRI等,其不同像素记录的数据变化范围远远大于日常图像的256级灰度。将这类医学图像直接映射到256级灰度空间的话会损失很多图像的细节。因此在处理过程中要选择合适的窗宽、窗位来保留感兴趣部分细节。
高噪声:医学图像中的噪声来自很多方面,首先是由仪器的精度限制所致,在成像过程中出现亮度不均现象;其次,CT等医学图像的往往通过间接的方式成像而得,因此在信号转换的过程中不可避免地引入了噪音;再次,CT是以逐层或是几层为一组获取断层扫描的结果的,不同层之间必定存在着时间差,而人体内的部分组织一直处于运动状态的(比如心脏),那么最终得到的CT图像也就不是在同一个时间点上采集到,从而会在生成的图像上会产生一定的偏差,比如伪影的产生。
空间连续性:医学图像序列中,相邻的图像对应在空间上相邻的两个切面。因此,相邻的图像既有相似也有不同。在医学图像处理过程中,连续性是一项重要特性。从图像空间连续性得到的上下文信息,而上下文信息又是确定模糊轮廓的重要依据。
CTA图像序列中,腹腔主动脉瘤分割有以下要点:
主动脉位置的确定与其分支结构的处理,相对于整个CTA图像的场景来说,主动脉瘤只是其中的一小部分,因此可以缩小处理区域来减少运算量和处理难度;腹腔主动脉瘤内轮廓及血管分支的内轮廓的分割;腹腔主动脉瘤外轮廓的分割;腹腔主动脉动脉部位血栓及钙化点部分的提取;腹腔主动脉瘤序列内外轮廓分割结果的平滑,以便于后期三维重建等工作。
对于CTA图像序列中的腹腔主动脉瘤的内腔部分,由于造影剂的作用,内腔区域不仅灰度基本一致,而且其亮度明显高于其周围的血栓部分,成为图像切层中与周围环境对比明显的区域。从图像亮度的角度来说,是属于亮度明显目标的分割。同时内腔由于瘤体内血栓的作用,使得其截面的拓扑变化很大,不仅轮廓复杂,而且内腔区域可能会出现多个腔体部分,在CTA图像出现的情况就是两个不相连的独立区域。另外,主动脉的分支也是分割过程中需要考虑的部分。
对于CTA图像序列中腹腔主动脉瘤部位的外轮廓,不同切层的CTA图像上,主动脉瘤周围的内脏器官变化很大。对于单层CTA图像来说,腹腔主动脉瘤与周围组织连接紧密,瘤体血栓与周围组织灰度近乎一致而使得部分轮廓区段肉眼都无法辨识。因CTA图像序列上腹腔主动脉瘤的外轮廓分割是典型的模糊目标分割。外轮廓不仅边缘信息很弱,在原本高噪声的CTA图像上,甚至造成部分区段边缘信息的全部丢失,而且外轮廓周边环境复杂,从解剖角度看,周围有脊柱,肝脏以及其他组织的干扰,非常不利于外轮廓的分割,直接用全局分割的方法容易造成轮廓误判。
因此,腹腔主动脉动脉瘤分割的难点主要在于主动脉外轮廓的分割,相比主动脉的内腔分割,外轮廓分割相对复杂得多。由于存在动脉瘤的部位,内腔轮廓与外轮廓在形状上的相似度就大大降低,通过可靠的内腔分割结果去指导外轮廓的分割几乎不可能。另外,外轮廓内侧的血栓与主动脉周边的其他组织在CT响应值上没有太大的差别,因此常用的分割方法很难直接应用到外轮廓的分割上来。总之,轮廓模糊和复杂环境成为外轮廓的分割是腹腔主动脉瘤分割过程中的难点,也是分割中重点需要解决的问题。
本发明的有益效果主要表现在:分割精度较高、分割效率较高。
附图说明
图1是结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法的流程图。
图2是环状的径向采样窄带的展开示意图。
图3是基于上下文窄带约束的腹主动脉瘤外轮廓分割过程的示意图,其中,(a)为变换后的窄带,(b)为根据梯度获得首批候选点,(c)为去除孤立点;(d)为筛选轮廓段;(e)为补全缺失的轮廓。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图3,一种结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法,包括如下步骤:
1)改进LBF水平集方法用于的外轮廓初步分割,利用LBF在低对比度图像目标分割中的优势,结合窄带约束,获得初步外轮廓。
水平集方法的特点是将平面图像中轮廓线等效为高维空间里的高度为零的点的集合,对于水平集φ,其平面的轮廓线X满足:
X(s,t)={(x,y)|φ(x,y,t)=0}(1)
Chan和Vase提出的C-V模型通过区域的灰度统计来实现同质区域的分割。局部信息的利用是模糊目标分割时常用方法。LBF模型则将轮廓线邻域内的灰度统计信息代替C-V模型中整个区域的灰度统计常数,因此对局部分割有很好的定位;
能力。LBF的能量函数为
E(φ,μ,ν)=αL(φ)+βD(φ)+ELBF(φ,μ,ν)(2)
式中:L(φ)和D(φ)分别为长度项和惩罚项;局部能量方程ELBF(φ,μ,ν)为
ε(x)=λ1∫Kδ(x-y)|I(y)-μ(x)|2H(φ(y))dy+(3)
λ2∫Kδ(x-y)|I(y)-ν(x)|2(1-H(φ(y)))dy
式中Kσ(x,y)为核函数,其在距离点x大于y的地方值为零,从而保证点x处的局部能量只与其邻域内的像素点有关。因此,在曲线演化过程中,曲线只受曲线附近的图像信息的影响。这种方式虽然可能减缓曲线的演化速度,但是也可以排除复杂环境对分割造成的影响。在分割时,只要设置合适的初始化轮廓,就能最大限度地排除无关信息的干扰,使曲线收缩到预期的目标周围。
使用二值水平集代替符号距离函数,以提高水平集演化效率,降低算法复杂度。水平集演化过程中水平集函数取值为1或-1,即
式中:φwall(x)即为用于外轮廓分割的二值水平集函数;Ω即零水平集轮廓包围的区域。
为更好地配合二值水平集函数,改进了LBF中的速度方程。由于DICOM格式的CTA图像中的像素点并不是灰度256级,其记录的CT值变化范围非常大,如果使用原速度方程进行曲线演化,很容易造成二值水平集函数在窄带内失效,因此,将原方程中的平方项|I(x)-μ(x)|2,|I(x)-v(x)|2替换为|I(x)-μ(x)|,|I(x)-v(x)|,方程式为:
Fwall(x)=|I(x)-μ(x)|-|I(x)-ν(x)|(5)
采用差的绝对值可减少每次演化速度函数的变化范围,使曲线能正常收敛到外轮廓的边缘。
与普通窄带水平集不同,固定窄带不仅可以减少水平集演化过程中重新初始化的计算量,而且可以避免水平集函数在演化过程中受窄带外其他无关信息的干扰。当确定目标轮廓在初始轮廓附近时,可以使用水平集固定窄带,其表达式为
式中BWNB为腹主动脉瘤外轮廓附近一定宽度的固定窄带,由式(7)求得。在固定窄带的约束下,外轮廓的演化被确保在一个环状的区域内进行,不易受到复杂的周围组织的干扰。在提高分割精度的同时,可降低运算的复杂度。
2)提出基于上下文窄带约束的分割方法实现外轮廓精细分割,上下文信息不受特定几何形状和内腔分割结果的影响,对外轮廓的变化有很强的适应能力,因而可以优化初步分割结果,实现外轮廓精确分割;
2.1)构建腹主动脉瘤外轮廓的采样窄带
与水平集窄带方法不同,上下文约束时采用的窄带需要确保窄带中心线的内外有相同的采样点,从而使窄带上的轮廓线可以通过权重和梯度确定外轮廓所在的位置。上下文约束采样窄带有两种。一种是径向采样窄带,它是以外轮廓初步分割结果为中心线,以外轮廓区域中心为圆心的径向采样而得。另一种是法向采样窄带,它同样是以外轮廓初步分割结果为中心线,但是以外轮廓的法线方向采样而得。
两种采样窄带针对不同的应用场景。径向采样窄带适合于边缘相对平滑且曲率变化小的轮廓,法向采样窄带适合于边缘波动明显且曲率变化大的轮廓。结合腹主动脉瘤外轮廓的特点,采用径向采样窄带。
为方便处理,将环状的径向采样窄带按图2所示进行“拉直”处理。设Vj是以12点钟作为起点的初步分割外轮廓向量。那么窄带就像由Vj的起点剪开,拉伸后形成矩形区域。形成的矩阵NRi,j的列数与Vj的维数相同。设窄带的宽度为2WN+1,初始化外轮廓区域的中心为(xc,yc),与向量Vj相对应的中心线上的点为(xj,yj),那么
ΔXj=xj-xc,ΔYj=yj-yc(8)
利用式(8,9),kj,di,j和Kj分别为
在转换后的窄带矩阵NRi,j上的点的坐标为:
利用式(13)可以获得采样窄带上的点对应于原CTA图像上的CT值,得到形变后的采样窄带以用于后续分割;
2.2)在采样窄带中精确分割腹主动脉瘤外轮廓。
尽管CTA图像上腹主动脉瘤的外轮廓可能并不完整,但是其外轮廓客观存在,并符合形变血管的几何特性。因此在精细分割过程中,主动脉瘤外轮廓边缘缺失部位可以用这个原则进行“补全”。窄带外轮廓分割方法实现如下:
2.2.1)在窄带中心线附近搜索梯度大的边缘作为候选点,搜索窄带NR的每一列。如果在一列中没有可靠的边缘,那就设置当前列没有候选点。
2.2.2)遍历窄带上每一列中的候选点,去除窄带中孤立于相邻两列的候选点。这样在窄带中得到不连续的边缘线段。
2.2.3)对窄带中边缘线段的位置信息进行统计,去除与相邻边缘线段趋势差异很大且偏离窄带中心的边缘线段。剩下的边缘线段可以认为是主动腹外轮廓中可以检测到的可靠轮廓。
2.2.4)连接可靠的边缘并映射回原图,得到更新后的可靠边缘点。原图中,所得的点围成的区域的轮廓线就是所求的腹主动脉瘤外轮廓。
采样窄带中,外轮廓的精细分割过程如图3所示。
3)利用CTA图像序列的空间连续性,将精确分割结果用于相邻切层初步分割时水平集初始化,既解决了图像序列分割时迭代初始化,又使初始轮廓尽可能接近分割目标,提高分割效率。
利用CTA图像序列空间的连续性,将当前切层的外轮廓分割结果经平滑处理后作为相邻切层水平集分割的初始轮廓,并以此构建水平集窄带BWNB,解决了分割过程中连续初始化,实现连续分割。以此,笔者提出医学图像序列中腹主动脉瘤外轮廓自动分割算法。算法具体分为以下步骤:
3.1)初始化CTA图像序列:包括载入图像序列,选取合适的窗宽、窗位以去除与分割目标大部分无关的CT值,便于CTA图像的显示和初始轮廓的标记,然后任意选择序列中的一层,手动标记出瘤体外轮廓的大致位置作为分割的初始轮廓。
3.2)确定序列中当前层的动态处理窗口:动态处理窗口是包含瘤体截面但又远小于原始图像的矩形区域,其作用是去除无关区域,减少处理的复杂度。其大小由实际情况进行设定,位置由当前切层的初始轮廓重心来确定。
3.3)采用基于窄带LBF二值水平集方法获得初步分割结果,并在此基础上采用基于上下文窄带约束外轮廓分割的方法获得更可靠的外轮廓。
3.4)采用B样条的方式去除分割结果中可能存在的噪点,提高图像序列连续分割的精度。
3.5)以步骤3.4)的结果作为图像序列相邻层的初始化轮廓,将下一层作为当前切层,重复步骤3.2)至步骤3.4),直至完成整个序列的腹主动脉瘤外轮廓分割。
Claims (2)
1.一种结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法,其特征在于:包括如下步骤:
1)利用LBF水平集方法处理腹腔主动脉瘤的初始轮廓,结合窄带约束,获得腹腔主动脉瘤的初步外轮廓;
2)提出基于上下文窄带约束的分割方法实现外轮廓精细分割,过程如下:
2.1)构建腹主动脉瘤外轮廓的采样窄带
以外轮廓初步分割结果为中心线,以外轮廓区域中心为圆心的径向采样;
2.2)在采样窄带中精确分割腹主动脉瘤外轮廓,分割方法实现如下:
2.2.1)在窄带中心线附近搜索梯度大的边缘作为候选点,搜索窄带NR的每一列,如果在一列中没有可靠的边缘,那就设置当前列没有候选点;
2.2.2)遍历窄带上每一列中的候选点,去除窄带中孤立于相邻两列的候选点,这样在窄带中得到不连续的边缘线段;
2.2.3)对窄带中边缘线段的位置信息进行统计,去除与相邻边缘线段趋势差异很大且偏离窄带中心的边缘线段,剩下的边缘线段可以认为是主动腹外轮廓中可以检测到的可靠轮廓;
2.2.4)连接可靠的边缘并映射回原图,得到更新后的可靠边缘点,原图中,所得的点围成的区域的轮廓线就是所求的腹主动脉瘤外轮廓。
2.如权利要求1所述的一种结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法,其特征在于:所述腹腔主动脉瘤外轮廓分割方法还包括如下步骤:
3)利用CTA图像序列的空间连续性,将精确分割结果用于相邻切层初步分割时水平集初始化,将当前切层的外轮廓分割结果经平滑处理后作为相邻切层水平集分割的初始轮廓,并以此构建水平集窄带BWNB,医学图像序列中腹主动脉瘤外轮廓自动分割算法。算法具体分为以下步骤:
3.1)初始化CTA图像序列:包括载入图像序列,选取合适的窗宽、窗位以去除与分割目标大部分无关的CT值,便于CTA图像的显示和初始轮廓的标记,然后任意选择序列中的一层,手动标记出瘤体外轮廓的大致位置作为分割的初始轮廓;
3.2)确定序列中当前层的动态处理窗口:动态处理窗口是包含瘤体截面但又远小于原始图像的矩形区域,位置由当前切层的初始轮廓重心来确定;
3.3)采用基于窄带LBF二值水平集方法获得初步分割结果,并在此基础上采用基于上下文窄带约束外轮廓分割的方法获得更可靠的外轮廓;
3.4)采用B样条的方式去除分割结果中可能存在的噪点,提高图像序列连续分割的精度;
3.5)以步骤3.4)的结果作为图像序列相邻层的初始化轮廓,将下一层作为当前切层,重复步骤3.2)至步骤3.4),直至完成整个序列的腹主动脉瘤外轮廓分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510700007.9A CN105279759B (zh) | 2015-10-23 | 2015-10-23 | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510700007.9A CN105279759B (zh) | 2015-10-23 | 2015-10-23 | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105279759A true CN105279759A (zh) | 2016-01-27 |
CN105279759B CN105279759B (zh) | 2017-10-13 |
Family
ID=55148711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510700007.9A Active CN105279759B (zh) | 2015-10-23 | 2015-10-23 | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105279759B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780720A (zh) * | 2016-11-30 | 2017-05-31 | 上海联影医疗科技有限公司 | 医学图像显示方法及装置 |
CN107545579A (zh) * | 2017-08-30 | 2018-01-05 | 上海联影医疗科技有限公司 | 一种心脏分割方法、设备和存储介质 |
CN107833229A (zh) * | 2017-11-02 | 2018-03-23 | 上海联影医疗科技有限公司 | 信息处理方法、装置及系统 |
CN108510507A (zh) * | 2018-03-27 | 2018-09-07 | 哈尔滨理工大学 | 一种融合加权随机森林的3d椎骨ct图像主动轮廓分割方法 |
CN108898606A (zh) * | 2018-06-20 | 2018-11-27 | 中南民族大学 | 医学图像的自动分割方法、系统、设备及存储介质 |
CN108898152A (zh) * | 2018-05-14 | 2018-11-27 | 浙江工业大学 | 一种基于多通道多分类器的胰腺囊性肿瘤ct图像分类方法 |
CN109360214A (zh) * | 2018-10-05 | 2019-02-19 | 数坤(北京)网络科技有限公司 | 用于冠脉分割的多通道网络预测优化方法 |
CN109785293A (zh) * | 2018-12-22 | 2019-05-21 | 昆明理工大学 | 一种基于全局和局部活动轮廓模型的超声图像病灶自动分割的方法 |
CN109934843A (zh) * | 2019-01-28 | 2019-06-25 | 北京华捷艾米科技有限公司 | 一种实时的轮廓精细化抠像方法及存储介质 |
WO2020168697A1 (zh) * | 2019-02-22 | 2020-08-27 | 未艾医疗技术(深圳)有限公司 | 基于VRDS 4D医学影像的栓塞的Ai识别方法及产品 |
CN111932552A (zh) * | 2020-07-21 | 2020-11-13 | 深圳睿心智能医疗科技有限公司 | 一种主动脉建模的方法及装置 |
CN112258533A (zh) * | 2020-10-26 | 2021-01-22 | 大连理工大学 | 一种超声图像中小脑蚓部的分割方法 |
CN112508888A (zh) * | 2020-11-26 | 2021-03-16 | 中国科学院苏州生物医学工程技术研究所 | 面向医学影像的脑动脉快速自动分割方法及系统 |
CN113536968A (zh) * | 2021-06-25 | 2021-10-22 | 天津中科智能识别产业技术研究院有限公司 | 一种自动获取虹膜内外圆边界坐标的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006000942A2 (en) * | 2004-06-23 | 2006-01-05 | Koninklijke Philips Electronics N.V. | Image processing system for displaying information relating to parameters of a 3-d tubular object |
CN101315699A (zh) * | 2008-07-10 | 2008-12-03 | 哈尔滨工业大学 | 一种增量式变分水平集快速医学图像分割方法 |
-
2015
- 2015-10-23 CN CN201510700007.9A patent/CN105279759B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006000942A2 (en) * | 2004-06-23 | 2006-01-05 | Koninklijke Philips Electronics N.V. | Image processing system for displaying information relating to parameters of a 3-d tubular object |
CN101315699A (zh) * | 2008-07-10 | 2008-12-03 | 哈尔滨工业大学 | 一种增量式变分水平集快速医学图像分割方法 |
Non-Patent Citations (2)
Title |
---|
MARLEEN DE BRUIJNE ET AL: "Interactive segmentation of abdominal aortic aneurysms in CTA images", 《MEDICAL IMAGE ANALYSIS》 * |
蒋毅 等: "基于可变模型的腹主动脉瘤分割算法", 《微型电脑应用》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780720A (zh) * | 2016-11-30 | 2017-05-31 | 上海联影医疗科技有限公司 | 医学图像显示方法及装置 |
CN107545579B (zh) * | 2017-08-30 | 2021-04-30 | 上海联影医疗科技股份有限公司 | 一种心脏分割方法、设备和存储介质 |
CN107545579A (zh) * | 2017-08-30 | 2018-01-05 | 上海联影医疗科技有限公司 | 一种心脏分割方法、设备和存储介质 |
CN107833229A (zh) * | 2017-11-02 | 2018-03-23 | 上海联影医疗科技有限公司 | 信息处理方法、装置及系统 |
CN108510507A (zh) * | 2018-03-27 | 2018-09-07 | 哈尔滨理工大学 | 一种融合加权随机森林的3d椎骨ct图像主动轮廓分割方法 |
CN108898152A (zh) * | 2018-05-14 | 2018-11-27 | 浙江工业大学 | 一种基于多通道多分类器的胰腺囊性肿瘤ct图像分类方法 |
CN108898606B (zh) * | 2018-06-20 | 2021-06-15 | 中南民族大学 | 医学图像的自动分割方法、系统、设备及存储介质 |
CN108898606A (zh) * | 2018-06-20 | 2018-11-27 | 中南民族大学 | 医学图像的自动分割方法、系统、设备及存储介质 |
CN109360214A (zh) * | 2018-10-05 | 2019-02-19 | 数坤(北京)网络科技有限公司 | 用于冠脉分割的多通道网络预测优化方法 |
CN109785293A (zh) * | 2018-12-22 | 2019-05-21 | 昆明理工大学 | 一种基于全局和局部活动轮廓模型的超声图像病灶自动分割的方法 |
CN109785293B (zh) * | 2018-12-22 | 2022-09-27 | 昆明理工大学 | 基于全局和局部活动轮廓模型的超声图像病灶分割方法 |
CN109934843B (zh) * | 2019-01-28 | 2021-05-14 | 北京华捷艾米科技有限公司 | 一种实时的轮廓精细化抠像方法及存储介质 |
CN109934843A (zh) * | 2019-01-28 | 2019-06-25 | 北京华捷艾米科技有限公司 | 一种实时的轮廓精细化抠像方法及存储介质 |
WO2020168697A1 (zh) * | 2019-02-22 | 2020-08-27 | 未艾医疗技术(深圳)有限公司 | 基于VRDS 4D医学影像的栓塞的Ai识别方法及产品 |
CN111932552A (zh) * | 2020-07-21 | 2020-11-13 | 深圳睿心智能医疗科技有限公司 | 一种主动脉建模的方法及装置 |
CN111932552B (zh) * | 2020-07-21 | 2023-12-01 | 深圳睿心智能医疗科技有限公司 | 一种主动脉建模的方法及装置 |
CN112258533A (zh) * | 2020-10-26 | 2021-01-22 | 大连理工大学 | 一种超声图像中小脑蚓部的分割方法 |
CN112258533B (zh) * | 2020-10-26 | 2024-02-02 | 大连理工大学 | 一种超声图像中小脑蚓部的分割方法 |
CN112508888A (zh) * | 2020-11-26 | 2021-03-16 | 中国科学院苏州生物医学工程技术研究所 | 面向医学影像的脑动脉快速自动分割方法及系统 |
CN112508888B (zh) * | 2020-11-26 | 2023-12-19 | 中国科学院苏州生物医学工程技术研究所 | 面向医学影像的脑动脉快速自动分割方法及系统 |
CN113536968A (zh) * | 2021-06-25 | 2021-10-22 | 天津中科智能识别产业技术研究院有限公司 | 一种自动获取虹膜内外圆边界坐标的方法 |
CN113536968B (zh) * | 2021-06-25 | 2022-08-16 | 天津中科智能识别产业技术研究院有限公司 | 一种自动获取虹膜内外圆边界坐标的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105279759B (zh) | 2017-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105279759B (zh) | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 | |
US11344273B2 (en) | Methods and systems for extracting blood vessel | |
CN111709953B (zh) | Ct影像的肺叶段分割中的输出方法、装置 | |
US10593035B2 (en) | Image-based automated measurement model to predict pelvic organ prolapse | |
CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
CN103337096B (zh) | 一种冠状动脉ct造影图像钙化点检测方法 | |
Chen et al. | 3D intracranial artery segmentation using a convolutional autoencoder | |
US20070116332A1 (en) | Vessel segmentation using vesselness and edgeness | |
CN106447645A (zh) | 增强ct图像中冠脉钙化检测及量化装置和方法 | |
US20220284583A1 (en) | Computerised tomography image processing | |
CN110910370B (zh) | 一种cta图像冠脉狭窄检测的方法及装置 | |
CN110910405A (zh) | 基于多尺度空洞卷积神经网络的脑肿瘤分割方法及系统 | |
Liu et al. | Automatic segmentation algorithm of ultrasound heart image based on convolutional neural network and image saliency | |
CN111815663A (zh) | 一种基于Hessian矩阵和灰度法的肝血管分割系统 | |
Meera et al. | A review on automatic detection of brain tumor using computer aided diagnosis system through MRI | |
Sakellarios et al. | Novel methodology for 3D reconstruction of carotid arteries and plaque characterization based upon magnetic resonance imaging carotid angiography data | |
CN112562058B (zh) | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 | |
CN111429404B (zh) | 一种用于心脑血管检测的成像系统和方法 | |
Morais et al. | Fully automatic left ventricular myocardial strain estimation in 2D short-axis tagged magnetic resonance imaging | |
Zhao et al. | Automated breast lesion segmentation from ultrasound images based on ppu-net | |
Mostafa et al. | Improved centerline extraction in fully automated coronary ostium localization and centerline extraction framework using deep learning | |
CN115880287B (zh) | 一种脑白质高信号病灶区域分割及评级装置 | |
Flórez-Valencia et al. | Fast 3D pre-segmentation of arteries in computed tomography angiograms | |
Renard et al. | Coronary artery extraction and analysis for detection of soft plaques in MDCT images | |
Tan et al. | A pulmonary vascular segmentation algorithm of chest CT images based on fast marching method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |