CN105513055A - Cta图像中分割组织的方法和装置 - Google Patents
Cta图像中分割组织的方法和装置 Download PDFInfo
- Publication number
- CN105513055A CN105513055A CN201510849133.0A CN201510849133A CN105513055A CN 105513055 A CN105513055 A CN 105513055A CN 201510849133 A CN201510849133 A CN 201510849133A CN 105513055 A CN105513055 A CN 105513055A
- Authority
- CN
- China
- Prior art keywords
- basin
- value
- basins
- boundary distance
- distance value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 59
- 210000001519 tissue Anatomy 0.000 claims abstract description 50
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 43
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims description 16
- 230000002829 reductive effect Effects 0.000 abstract description 5
- 238000010968 computed tomography angiography Methods 0.000 description 33
- 230000008569 process Effects 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000002792 vascular Effects 0.000 description 5
- 208000004434 Calcinosis Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002308 calcification Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000007596 consolidation process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 206010057469 Vascular stenosis Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提出一种CTA图像中分割组织的方法和装置，该CTA图像中分割组织的方法包括：对CTA图像进行预处理；对预处理后的原始图像进行分水岭操作，确定出盆地，以及，记录盆地间的合并信息和盆地的统计信息；获取特定像素点的边界距离值，并根据所述边界距离值和所述盆地的统计信息对所述盆地进行组织识别，将部分盆地标记为骨骼盆地或血管盆地；根据记录的盆地间的合并信息，对未标记的盆地与已标记的盆地进行合并；根据合并的结果进行形态学操作，并显示CTA图像的组织分割结果。该方法能够降低用户的工作量，方便用户操作。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种CTA图像中分割组织的方法和装置。
背景技术
CT血管造影技术(ComputedTomographicAngiography，CTA)是临床中对血管进行检查的主要方法。在CTA图像中，由于血管中注射了造影剂，使得在三维可视化中，骨骼和血管在一定程度上重叠在一起，严重影响了临床医生对血管的观察、诊断和分析。为了方便临床医师直观地观察血管结构，以检测血管狭窄、钙化和动脉瘤等，需要在CTA图像中分割骨骼与血管。但是，由于骨骼和血管的CT值在一定程度上有重叠且血管中含有大量高密度的物质，如钙化、支架等以及骨骼的CT值范围很广且形态各异使得分割骨骼和血管是医学领域中一个比较有挑战的分割问题。
目前在CTA图像中分割骨骼和血管的一种方式是半自动分割骨骼方式，该方式是在原始图像的梯度图像上进行分水岭操作的，并且需要用户交互控制合并阈值。这种半自动的方法需要用户的手动参与，增加用户的工作量，且不能进行自动化批量操作，不利于医生的操作。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种CTA图像中分割组织的方法，该方法可以降低用户的工作量，方便用户操作。
本发明的另一个目的在于提出一种CTA图像中分割组织的装置。
为达到上述目的，本发明第一方面实施例提出的CTA图像中分割组织的方法，包括：对CTA图像进行预处理；对预处理后的原始图像进行分水岭操作，确定出盆地，以及，记录盆地间的合并信息和盆地的统计信息；获取特定像素点的边界距离值，并根据所述边界距离值和所述盆地的统计信息对所述盆地进行组织识别，将部分盆地标记为骨骼盆地或血管盆地；根据记录的盆地间的合并信息，对未标记的盆地与已标记的盆地进行合并；根据合并的结果进行形态学操作，并显示CTA图像的组织分割结果。
本发明第一方面实施例提出的CTA图像中分割组织的方法，通过对原始图像进行分水岭操作后，对盆地进行组织识别，以及盆地合并，可以实现对CTA图像中组织的自动分割，不需要用户手动参与，从而降低用户的工作量，方便用户操作。
为达到上述目的，本发明第二方面实施例提出的CTA图像中分割组织的装置，包括：预处理模块，用于对CTA图像进行预处理；分水岭操作模块，用于对预处理后的原始图像进行分水岭操作，确定出盆地，以及，记录盆地间的合并信息和盆地的统计信息；识别模块，用于获取特定像素点的边界距离值，并根据所述边界距离值和所述盆地的统计信息对所述盆地进行组织识别，将部分盆地标记为骨骼盆地或血管盆地；合并模块，用于根据记录的盆地间的合并信息，对未标记的盆地与已标记的盆地进行合并；显示模块，用于根据合并的结果进行形态学操作，并显示CTA图像的组织分割结果。
本发明第二方面实施例提出的CTA图像中分割组织的装置，通过对原始图像进行分水岭操作后，对盆地进行组织识别，以及盆地合并，可以实现对CTA图像中组织的自动分割，不需要用户手动参与，从而降低用户的工作量，方便用户操作。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一实施例提出的CTA图像中分割组织的方法的流程示意图；
图2是本发明实施例中对盆地进行组织识别的一种实现流程示意图；
图3a和图3b是本发明实施例中计算边界距离值时采用的前向模板和后向模板的示意图；
图4是本发明实施例中对盆地进行组织识别的另一种实现流程示意图；
图5是本发明实施例中识别出骨骼的示意图；
图6是本发明实施例中对盆地进行组织识别的另一种实现流程示意图；
图7是本发明实施例中识别出血管的示意图；
图8是本发明实施例中最终得到的血管的一种示意图；
图9是本发明另一实施例提出的CTA图像中分割组织的装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本发明一实施例提出的CTA图像中分割组织的方法的流程示意图，该方法包括：
S11：对CTA图像进行预处理。
预处理例如包括对CTA图像进行阈值化处理，阈值化处理采用的阈值可以预先设置。
另外，阈值化处理后的结果中存在空洞，会致使提取的组织不完整，此时还要进行填补空洞操作。
S12：对预处理后的原始图像进行分水岭操作，确定出盆地，以及，记录盆地间的合并信息和盆地的统计信息。
分水岭操作是指将预处理后的原始图像中的像素点按照其CT值的大小进行排序，模拟洪水淹没过程，得到一系列盆地。
本实施例中的分水岭操作是对预处理后的原始图像进行的，不同于传统的对原始图像的梯度图像进行。
在分水岭操作时可以确定出盆地以及相关信息，如盆地的合并信息和盆地的统计信息等。
盆地的合并信息例如包括：合并时刻以及盆地间的连接方式。
统计信息如盆地所包含的像素点个数、盆地中像素点的最大CT值、盆地中像素点的最小CT值等灰度信息以及盆地的中心点位置。
S13：获取特定像素点的边界距离值，并根据所述边界距离值和所述盆地的统计信息对所述盆地进行组织识别，将部分盆地标记为骨骼盆地或血管盆地。
图像中一点的边界距离值为该点到边界点的最短距离。
可选的，可以在预处理时，在填补空洞操作之后，对填补空洞操作之后的图像计算图像中每个像素点的边界距离值，相应的，在获取特定像素点的边界距离值时，从计算得到的图像中每个像素点的边界距离值中，获取特定像素点的边界距离值。该方式可以在需要边界距离值时直接从已有数据中获取，从而提高获取效率。或者，
可选的，也可以不提前计算，而是在需要某个或某些像素点的边界距离值时，才计算需要的边界距离值。
例如，若在填补空洞后,计算边界距离场,可选取chamfer距离变换，在三维中分别进行前向遍历和后向遍历，取二者中较小值为边界距离值。图像上所有点的边界距离，形成一个标量场，这个标量场为边界距离场。前向模板及后向模板分别见图3a和图3b。
其中，图3a和图3b中黑颜色的点表示要参与计算边界距离值的点，白色的点是不参与计算的点。
可选的，特定像素点可以是盆地中心点，或者，特定像素点也可以是后续描述的光线上的像素点。具体流程可以参见后续相关描述。
一些实施例中，参见图2，对盆地进行组织识别的流程可以包括：
S21：将盆地中心点作为特定像素点，获取盆地中心点的边界距离值。
其中，中心点是指坐标均值所在的点。例如，统计信息中记录盆地中心点的位置，因此可以根据统计信息确定盆地中心点。
边界距离值的计算可以参见上述相关描述。
S22：从所述统计信息中获取盆地中像素点的最小CT值及盆地所包含的像素点个数；
S23：如果所述最小CT值小于预设阈值，所述像素点个数大于预设像素点个数阈值，且所述边界距离值大于预设距离值，将所述盆地标记为骨骼盆地。
由于骨骼的面积比血管面积大，所以含有边界距离值较大的盆地是骨骼盆地的可能性大。
一些实施例中，参见图4，对盆地进行组织识别的流程可以包括：
S41：在横断面、冠状面以及矢状面上发射光线，将光线未截止前光线上的每个像素点作为一个特定像素点。
横断面数据是CT扫描后得到的数据，冠状面和矢状面的数据是根据横断面数据重建后确定的，具体的重建方式可以参见各种已有的相关技术，在此不再累赘。
S42：获取每个特定像素点的边界距离值。
边界距离值的计算可以参见上述相关描述。
S43：获取每个特定像素点的CT值。例如，每个像素点的CT值可以从输入的CT图像中，根据三维坐标点的位置，直接取出。
S44：如果一个特定像素点的CT值大于预设CT值且所述特定像素点的边界距离值大于预设距离值时，则将所述特定像素点所在的盆地标记为骨骼盆地。
相对血管，骨骼在人体的外侧，分别在数据的横断面、冠状面、矢状面上用光线追踪的方式来识别骨骼盆地，当光线追踪到一定区域时(如CT值满足一定条件)，则停止追踪。在追踪过程中，如果该点的CT值大于预设CT值且其边界距离值大于预设距离值时，则将该点所在的盆地标记为骨骼盆地。
通过上述的图2或图4的流程可以检测出部分骨骼盆地，参见图5，给出了骨骼盆地的识别结果示意图。
一些实施例中，参见图6，对盆地进行组织识别的流程可以包括：
S61：将盆地中心点作为特定像素点，获取盆地中心点的边界距离值。
边界距离值的计算可以参见上述相关描述。
S62：从所述统计信息中获取盆地中像素点的最小CT值、最大CT值和盆地所包含的像素点个数。
其中，统计信息中会记录上述信息，因此，可以获取上述的最小CT值、最大CT值和盆地所包含的像素点个数。
S63：如果所述最小CT值满足预设阈值、所述最大CT值满足预设阈值、所述像素点个数小于预设像素点个数阈值，以及所述边界距离值小于预设距离值，则将所述盆地设置为疑似血管盆地，所述盆地的中心点设置为疑似血管点。
其中，满足预设阈值的最小CT值及满足预设阈值的最大CT值形成的范围例如为150Hu到800Hu这一范围。由于血管中含有钙化点及支架等信息，因此可以选择如上范围。
S64：在每个疑似血管点处上下层投影进行二维区域生长，将满足如下条件中至少一项的疑似血管点所在的盆地，标记为血管盆地：
至少一层的似圆度在预设范围内；
包围盒内生长出来的像素点不含有已标记为骨骼的盆地中的像素点，且生长出来的像素点的个数TotalNum满足如下条件：
TotalNum<SliceNum*VesselAreaMax*Coef
其中，SliceNum为上下层投影的层数，VesselAreaMax为要分割的血管最大面积,Coef为系数,是0到1之间的一个值。
其中，似圆度roundness的计算公式如下：
roundness＝(4*num)/(π*d*d)；
d＝max(maxX-minX,maxY-minY)
其中，num为该层生长出的区域内像素个数，maxX、minX分别为该层区域内像素点位置的最大及最小X坐标,maxY、minY为该层区域内像素点位置的最大及最小Y坐标。
VesselAreaMax的计算公式是：
VesselAreaMax＝RadiusMax*RadiusMax*π/(fscalex*fscalex)
RadiusMax为要分割血管的最大半径，fscalex及fscalex分别为图像X及Y方向像素大小。
通过上述的图6的流程可以检测出部分血管盆地，参见图7，给出了血管盆地的识别结果示意图。
另外，可以理解的是，本发明实施例中涉及的阈值可以根据实际情况和经验等进行合理选取。
S14：根据盆地间的合并信息，对未标记的盆地与已标记的盆地进行合并。
合并的结果为将未标记的盆地标记为与其合并的已标的盆地一致的组织。
其中，盆地间的合并信息可以包括：合并时刻和连接方式，这些信息可以在分水岭操作时确定。在确定出盆地间的合并信息后，可以将未标记的盆地与已标记的盆地进行合并，进而实现对未标记的盆地的标记。
例如，盆地_1被标记为骨骼盆地，盆地_2被标记为血管盆地，盆地_3是未标记的盆地，如果根据盆地间的合并信息可以确定盆地_3与盆地_1合并，也就是盆地_1先于盆地_2扩张到盆地_3，那么盆地_3被标记为与盆地_1一致，即盆地_3被标记为骨骼盆地。
盆地合并的过程也是骨骼和血管标记扩张的过程。该过程不再人为的控制盆地的合并阈值。
S15：根据合并的结果进行形态学操作，并显示CTA图像的组织分割结果。
例如，经过S13可以完成部分盆地的标记，经过S14可以完成剩余盆地的标记，当所有盆地都被标记后，可以根据标记结果进行显示。
由于医生更希望看到血管的信息，因此，可以先根据标记结果去除已标记为骨骼的盆地，仅保留标记为血管的盆地。另外，为了方便查看，获取更好的可视化效果，可以对保留的部分进行形态学操作例如膨胀操作后再进行显示。
参见图8，给出了显示的保留血管部分的示意图。
本实施例中，通过对原始图像进行分水岭操作，对盆地进行组织识别，以及盆地合并，可以实现对CTA图像中组织的自动分割，不需要用户手动参与，从而降低用户的工作量，方便用户操作。进一步的，通过使用分水岭操作，且在特征识别过程中利用据骨骼和血管的形态、解剖特征、以及灰度信息来识别骨骼和血管，获得了大量的且正确的种子点，使得骨骼和血管的提取非常完整，比同类方法得到的结果精确，且借助于分水岭，该方法的速度比较快，也有利于用户的交互操作。
图9是本发明另一实施例提出的CTA图像中分割组织的装置的结构示意图，该装置包括：预处理模块91、分水岭操作模块92、识别模块93、合并模块94和显示模块95。
预处理模块91，用于对CTA图像进行预处理；
可选的，所述预处理模块具体用于：
根据预设的阈值对CTA图像进行阈值化处理；以及，对阈值化处理的结果进行填补空洞操作；或者，
根据预设的阈值对CTA图像进行阈值化处理；对阈值化处理的结果进行填补空洞操作；以及，对填补空洞后的图像计算其中每个像素点的边界距离值，以便所述识别模块从计算得到的所述图像中每个像素点的边界距离值中，获取特定像素点的边界距离值。
预处理例如包括对CTA图像进行阈值化处理，阈值化处理采用的阈值可以预先设置。
另外，阈值化处理后的结果中存在空洞，会致使提取的组织不完整，此时还要进行填补空洞操作。
分水岭操作模块92，用于对预处理后的原始图像进行分水岭操作，确定出盆地，以及，记录盆地间的合并信息和盆地的统计信息；
分水岭操作是指将预处理后的原始图像中的像素点按照其CT值的大小进行排序，模拟洪水淹没过程，得到一系列盆地。
在分水岭操作时可以确定出盆地以及相关信息，如盆地的合并信息和盆地的统计信息等。
盆地的合并信息例如包括：合并时刻以及盆地间的连接方式。
统计信息如盆地所包含的像素点个数、盆地中像素点的最大CT值、盆地中像素点的最小CT值等灰度信息以及盆地的中心点位置。
识别模块93，用于获取特定像素点的边界距离值，并根据所述边界距离值和所述盆地的统计信息对所述盆地进行组织识别，将部分盆地标记为骨骼盆地或血管盆地；
图像中一点的边界距离值为该点到边界点的最短距离。
可选的，可以在预处理时，在填补空洞操作之后，对填补空洞操作之后的图像计算图像中每个像素点的边界距离值，从而在后续需要边界距离值时，直接从预处理的计算结果中获取需要的边界距离值。该方式可以在需要边界距离值时直接从已有数据中获取，从而提高获取效率。或者，
可选的，也可以不提前计算，而是在需要某个或某些像素点的边界距离值时，才计算需要的边界距离值。
例如，若在填补空洞后,计算边界距离场,可选取chamfer距离变换，在三维中分别进行前向遍历和后向遍历，取二者中较小值为边界距离值。图像上所有点的边界距离，形成一个标量场，这个标量场为边界距离场。前向模板及后向模板分别见图3a和图3b。
其中，图3a和图3b中黑颜色的点表示要参与计算边界距离值的点，白色的点是不参与计算的点。
可选的，所述识别模块具体用于：
将盆地中心点作为特定像素点，获取盆地中心点的边界距离值；从所述统计信息中获取该盆地中像素点的最小CT值以及盆地所包含的像素点个数；以及，如果所述最小CT值小于预设阈值，所述像素点个数大于预设像素点个数阈值，且所述边界距离值大于预设距离值，将所述盆地标记为骨骼盆地；或者，
在横断面、冠状面以及矢状面发射光线，将光线未截止前光线上的每个像素点作为一个特定像素点；获取每个特定像素点的边界距离值；如果一个特定像素点的CT值大于预设CT值且所述特定像素点的边界距离值大于预设距离值时，则将所述特定像素点所在的盆地标记为骨骼盆地；或者，
将盆地中心点作为特定像素点，获取盆地中心点的边界距离值；从所述统计信息中获取盆地中像素点的最小CT值、最大CT值和盆地所包含的像素点个数；以及，如果所述最小CT值满足预设阈值、所述最大CT值满足预设阈值、所述盆地中像素点个数小于预设像素点个数阈值，以及所述边界距离值小于预设距离值，则将所述盆地设置为疑似血管盆地，盆地的中心点设置为疑似血管点；在每个疑似血管点处上下层投影进行二维区域生长，将满足如下条件中至少一项的疑似血管点所在的盆地，标记为血管盆地：
至少一层的似圆度在预设范围内；
包围盒内生长出来的像素点不含有已标记为骨骼的盆地中的像素点，且生长出来的像素点的个数TotalNum满足如下条件：
TotalNum<SliceNum*VesselAreaMax*Coef
其中，SliceNum为上下层投影的层数，VesselAreaMax为要分割的血管最大面积,Coef为系数,是0到1之间的一个值。
可选的，满足预设阈值的最小CT值及满足预设阈值的最大CT值形成的范围为150Hu到800Hu。
具体的，该识别的具体流程可以参见上述实施例中的相关描述，在此不再赘述。
合并模块94，用于根据盆地间的合并信息，对未标记的盆地与已标记的盆地进行合并。
合并的结果为将未标记的盆地标记为与其合并的已标的盆地一致的组织。
其中，盆地间的合并信息可以包括：合并时刻和连接方式，这些信息可以在分水岭操作时确定。在确定出盆地间的合并信息后，可以将未标记的盆地与已标记的盆地进行合并，进而实现对未标记的盆地的标记。
例如，盆地_1被标记为骨骼盆地，盆地_2被标记为血管盆地，盆地_3是未标记的盆地，如果根据盆地间的合并信息可以确定盆地_3与盆地_1合并，也就是盆地_1先于盆地_2扩张到盆地_3，那么盆地_3被标记为与盆地_1一致，即盆地_3被标记为骨骼盆地。
盆地合并的过程也是骨骼和血管标记扩张的过程。该过程不再人为的控制盆地的合并阈值。
显示模块95，用于根据合并的结果进行形态学操作，显示CTA图像的组织分割结果。
例如，经过S13可以完成部分盆地的标记，经过S14可以完成剩余盆地的标记，当所有盆地都被标记后，可以根据标记结果进行显示。
由于医生更希望看到血管的信息，因此，可以先根据标记结果去除已标记为骨骼的盆地，仅保留标记为血管的盆地。另外，为了方便查看，获取更好的可视化效果，可以对保留的部分进行形态学操作如膨胀操作后再进行显示。
参见图8，给出了显示的保留血管部分的示意图。
本实施例中，通过对原始图像进行分水岭操作，对盆地进行组织识别，以及盆地合并，可以实现对CTA图像中组织的自动分割，不需要用户手动参与，从而降低用户的工作量，方便用户操作。进一步的，通过使用分水岭操作，且在特征识别过程中利用据骨骼和血管的形态、解剖特征、以及灰度信息来识别骨骼和血管，获得了大量的且正确的种子点，使得骨骼和血管的提取非常完整，比同类方法得到的结果精确，且借助于分水岭，该方法的速度比较快，也有利于用户的交互操作。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种CTA图像中分割组织的方法，其特征在于，包括：
对CTA图像进行预处理；
对预处理后的原始图像进行分水岭操作，确定出盆地，以及，记录盆地间的合并信息和盆地的统计信息；
获取特定像素点的边界距离值，并根据所述边界距离值和所述盆地的统计信息对所述盆地进行组织识别，将部分盆地标记为骨骼盆地或血管盆地；
根据记录的盆地间的合并信息，对未标记的盆地与已标记的盆地进行合并；
根据合并的结果进行形态学操作，并显示CTA图像的组织分割结果。
2.根据权利要求1所述的方法，其特征在于，所述获取特定像素点的边界距离值，并根据所述边界距离值和所述盆地的统计信息对所述盆地进行组织识别，将部分盆地标记为骨骼盆地或血管盆地，包括：
将盆地中心点作为特定像素点，获取盆地中心点的边界距离值；
从所述统计信息中获取盆地中像素点的最小CT值及盆地所包含的像素点个数；
如果所述最小CT值小于预设阈值，所述像素点个数大于预设像素点个数阈值，且所述边界距离值大于预设距离值，将所述盆地标记为骨骼盆地。
3.根据权利要求1所述的方法，其特征在于，所述获取特定像素点的边界距离值，并根据所述边界距离值和所述盆地的统计信息对所述盆地进行组织识别，将部分盆地标记为骨骼盆地或血管盆地，包括：
在横断面、冠状面以及矢状面发射光线，将光线未截止前光线上的每个像素点作为一个特定像素点；
获取每个特定像素点的边界距离值；
获取每个特定像素点的CT值；
如果一个特定像素点的CT值大于预设CT值且所述特定像素点的边界距离值大于预设距离值时，则将所述特定像素点所在的盆地标记为骨骼盆地。
4.根据权利要求1所述的方法，其特征在于，所述获取特定像素点的边界距离值，并根据所述边界距离值和所述盆地的统计信息对所述盆地进行组织识别，将部分盆地标记为骨骼盆地或血管盆地，包括：
将盆地中心点作为特定像素点，获取盆地中心点的边界距离值；
从所述统计信息中获取盆地中像素点的最小CT值、最大CT值和盆地所包含的像素点个数；
如果所述最小CT值满足预设阈值、所述最大CT值满足预设阈值、所述像素点个数小于预设像素点个数阈值，以及所述边界距离值小于预设距离值，则将所述盆地设置为疑似血管盆地，所述盆地的中心点设置为疑似血管点；
在每个疑似血管点处上下层投影进行二维区域生长，将满足如下条件中至少一项的疑似血管点所在的盆地，标记为血管盆地：
至少一层的似圆度在预设范围内；
包围盒内生长出来的像素点不含有已标记为骨骼的盆地中的像素点，且生长出来的像素点的个数TotalNum满足如下条件：
TotalNum<SliceNum*VesselAreaMax*Coef
其中，SliceNum为上下层投影的层数，VesselAreaMax为要分割的血管最大面积,Coef为系数,是0到1之间的一个值。
5.根据权利要求4所述的方法，其特征在于，满足预设阈值的最小CT值及满足预设阈值的最大CT值形成的范围为150Hu到800Hu。
6.根据权利要求1所述的方法，其特征在于，所述对CTA图像进行预处理，包括：
根据预设的阈值对CTA图像进行阈值化处理；
对阈值化处理的结果，进行填补空洞操作。
7.根据权利要求6所述的方法，其特征在于，所述对CTA图像进行预处理，还包括：
对填补空洞后的图像计算所述图像中每个像素点的边界距离值；
所述获取特定像素点的边界距离值，包括：
从计算得到的所述图像中每个像素点的边界距离值中，获取特定像素点的边界距离值。
8.一种CTA图像中分割组织的装置，其特征在于，包括：
预处理模块，用于对CTA图像进行预处理；
分水岭操作模块，用于对预处理后的原始图像进行分水岭操作，确定出盆地，以及，记录盆地间的合并信息和盆地的统计信息；
识别模块，用于获取特定像素点的边界距离值，并根据所述边界距离值和所述盆地的统计信息对所述盆地进行组织识别，将部分盆地标记为骨骼盆地或血管盆地；
合并模块，用于根据记录的盆地间的合并信息，对未标记的盆地与已标记的盆地进行合并；
显示模块，用于根据合并的结果进行形态学操作，并显示CTA图像的组织分割结果。
9.根据权利要求8所述的装置，其特征在于，所述识别模块具体用于：
将盆地中心点作为特定像素点，获取盆地中心点的边界距离值；从所述统计信息中获取盆地中像素点的最小CT值及盆地所包含的像素点个数；以及，如果所述最小CT值小于预设阈值，所述像素个数大于预设像素点个数阈值，且所述边界距离值大于预设距离值，将所述盆地标记为骨骼盆地；或者，
在横断面、冠状面以及矢状面发射光线，将光线未截止前光线上的每个像素点作为一个特定像素点；获取每个特定像素点的边界距离值；获取每个特定像素点的CT值；如果一个特定像素点的CT值大于预设CT值且所述特定像素点的边界距离值大于预设距离值时，则将所述特定像素点所在的盆地标记为骨骼盆地；或者，
将盆地中心点作为特定像素点，获取盆地中心点的边界距离值；从所述统计信息中获取盆地中像素点的最小CT值、最大CT值和盆地所包含的像素点个数；以及，如果所述最小CT值满足预设阈值、所述最大CT值满足预设阈值、所述盆地中像素点个数小于预设像素点个数阈值，以及所述边界距离值小于预设距离值，则将所述盆地设置为疑似血管盆地，盆地的中心点设置为疑似血管点；在每个疑似血管点处上下层投影进行二维区域生长，将满足如下条件中至少一项的疑似血管点所在的盆地，标记为血管盆地：
至少一层的似圆度在预设范围内；
包围盒内生长出来的像素点不含有已标记为骨骼的盆地中的像素点，且生长出来的像素点的个数TotalNum满足如下条件：
TotalNum<SliceNum*VesselAreaMax*Coef
其中，SliceNum为上下层投影的层数，VesselAreaMax为要分割的血管最大面积,Coef为系数,是0到1之间的一个值。
10.根据权利要求8所述的装置，其特征在于，所述预处理模块具体用于：
根据预设的阈值对CTA图像进行阈值化处理；以及，对阈值化处理的结果进行填补空洞操作；或者，
根据预设的阈值对CTA图像进行阈值化处理；对阈值化处理的结果进行填补空洞操作；以及，对填补空洞后的图像计算所述图像中每个像素点的边界距离值，以便所述识别模块从计算得到的所述图像中每个像素点的边界距离值中，获取特定像素点的边界距离值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510849133.0A CN105513055B (zh) | 2015-11-26 | 2015-11-26 | Cta图像中分割组织的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510849133.0A CN105513055B (zh) | 2015-11-26 | 2015-11-26 | Cta图像中分割组织的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105513055A true CN105513055A (zh) | 2016-04-20 |
| CN105513055B CN105513055B (zh) | 2018-09-14 |
Family
ID=55721012
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510849133.0A Active CN105513055B (zh) | 2015-11-26 | 2015-11-26 | Cta图像中分割组织的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105513055B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106296664A (zh) * | 2016-07-30 | 2017-01-04 | 上海联影医疗科技有限公司 | 血管提取方法 |
| CN108765483A (zh) * | 2018-06-04 | 2018-11-06 | 东北大学 | 一种从脑部ct图像中确定中矢面的方法及系统 |
| CN109978860A (zh) * | 2019-03-27 | 2019-07-05 | 北京青燕祥云科技有限公司 | 胸水判别方法、装置和计算机设备 |
| CN112767332A (zh) * | 2021-01-08 | 2021-05-07 | 心医国际数字医疗系统(大连)有限公司 | 一种基于cta影像的血管区域判断方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102385751A (zh) * | 2011-07-19 | 2012-03-21 | 中国科学院自动化研究所 | 基于分水岭变换及支持向量机分类的肝脏肿瘤区域分割方法 |
| US20140023260A1 (en) * | 2012-07-23 | 2014-01-23 | General Electric Company | Biological unit segmentation with ranking based on similarity applying a geometric shape and scale model |
| CN104143190A (zh) * | 2014-07-24 | 2014-11-12 | 东软集团股份有限公司 | Ct图像中组织的分割方法及系统 |
-
2015
- 2015-11-26 CN CN201510849133.0A patent/CN105513055B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102385751A (zh) * | 2011-07-19 | 2012-03-21 | 中国科学院自动化研究所 | 基于分水岭变换及支持向量机分类的肝脏肿瘤区域分割方法 |
| US20140023260A1 (en) * | 2012-07-23 | 2014-01-23 | General Electric Company | Biological unit segmentation with ranking based on similarity applying a geometric shape and scale model |
| CN104143190A (zh) * | 2014-07-24 | 2014-11-12 | 东软集团股份有限公司 | Ct图像中组织的分割方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| LUC VINCENT等: "《Watersheds in Digital Spaces:An Efficient Algorithm Based on Immersion Simulations》", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
| RICHARD BEARE等: "《Segmentation of carotid arteries in CTA images》", 《2010 DIGITAL IMAGE COMPUTING:TECHNIQUES AND APPLICATIONS》 * |
| 王贵山等: "《基于改进分水岭的CTA去骨技术》", 《计算机系统应用》 * |
| 黄展鹏等: "《基于数学形态学和区域合并的医学CT图像分割》", 《计算机应用研究》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106296664A (zh) * | 2016-07-30 | 2017-01-04 | 上海联影医疗科技有限公司 | 血管提取方法 |
| CN106296664B (zh) * | 2016-07-30 | 2019-10-08 | 上海联影医疗科技有限公司 | 血管提取方法 |
| CN108765483A (zh) * | 2018-06-04 | 2018-11-06 | 东北大学 | 一种从脑部ct图像中确定中矢面的方法及系统 |
| CN108765483B (zh) * | 2018-06-04 | 2021-07-16 | 东北大学 | 一种从脑部ct图像中确定中矢面的方法及系统 |
| CN109978860A (zh) * | 2019-03-27 | 2019-07-05 | 北京青燕祥云科技有限公司 | 胸水判别方法、装置和计算机设备 |
| CN109978860B (zh) * | 2019-03-27 | 2021-07-16 | 北京青燕祥云科技有限公司 | 胸水判别方法、装置和计算机设备 |
| CN112767332A (zh) * | 2021-01-08 | 2021-05-07 | 心医国际数字医疗系统(大连)有限公司 | 一种基于cta影像的血管区域判断方法及系统 |
| CN112767332B (zh) * | 2021-01-08 | 2024-05-17 | 心医国际数字医疗系统(大连)有限公司 | 一种基于cta影像的血管区域判断方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105513055B (zh) | 2018-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106108925B (zh) | 用于医学图像中全身骨移除和血管可视化的方法和系统 | |
| US20210106299A1 (en) | Method and system for extracting lower limb vasculature | |
| US20190021677A1 (en) | Methods and systems for classification and assessment using machine learning | |
| NL2001257C (nl) | Systeem en werkwijze voor het onttrekken en labelen van vasculaire beelden. | |
| JP6877868B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
| US7941000B2 (en) | Method for producing an image and system for producing an image | |
| JP7194143B2 (ja) | 肝臓腫瘍例のレビューを容易にするシステムおよび方法 | |
| US7447344B2 (en) | System and method for visualization of pulmonary emboli from high-resolution computed tomography images | |
| EP1952340B1 (en) | Superimposing brain atlas images and brain images with delineation of infarct and penumbra for stroke diagnosis | |
| US11132801B2 (en) | Segmentation of three-dimensional images containing anatomic structures | |
| EP2856428B1 (en) | Segmentation highlighter | |
| CN107067398B (zh) | 用于三维医学模型中缺失血管的补全方法及装置 | |
| CN105513055B (zh) | Cta图像中分割组织的方法和装置 | |
| US9129391B2 (en) | Semi-automated preoperative resection planning | |
| US9324157B2 (en) | Medical image data processing apparatus and method | |
| Maitra et al. | Accurate breast contour detection algorithms in digital mammogram | |
| JP4564387B2 (ja) | 医用画像生成装置 | |
| CN113826140B (zh) | 血管造影数据分析 | |
| US11715208B2 (en) | Image segmentation | |
| Selle et al. | Analysis of the morphology and structure of vessel systems using skeletonization | |
| CN114897904B (zh) | 基于mra序列图像确定血流储备分数的方法及装置 | |
| Lopes et al. | A methodical approach for detection and 3-D reconstruction of brain tumor in MRI | |
| JP2006043200A (ja) | 脳内出血／くも膜下出血診断支援システム | |
| M’hiri et al. | Automatic evaluation of vessel diameter variation from 2D X-ray angiography | |
| Gibbs et al. | Integrated system for planning peripheral bronchoscopic procedures |
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 |