CN105608687A - 医用图像处理方法和医用图像处理装置 - Google Patents

Abstract

本发明的医用图像处理装置(1)，包括：取得部(11)，取得包含被检体的树状构造的第一摄像图像以及第二摄像图像，提取部(12)，提取包含在所述第一摄像图像以及所述第二摄像图像中的各个树状构造的分支点，算出部(13)，根据所述分支点的特征量，算出所述第一摄像图像的所述分支点与所述第二摄像图像的所述分支点之间的相似度，以及确定部(14)，根据计算出的所述分支点的相似度，确定所述第一摄像图像中的所述树状构造与所述第二摄像图像中的所述树状构造之间对应的路径。

Description

医用图像处理方法和医用图像处理装置

技术领域

本发明涉及医用图像处理装置和医用图像处理方法，特别是涉及对被检体的树状构造部分的图像进行处理的医用图像处理装置和医用图像处理方法。

背景技术

近年来，为了对COPD(ChronicObstructivePulmonaryDisease：慢性阻塞性肺疾病)，肺气肿，气管和支气管疾病等进行病症解析，需要对支气管3D图像的不同时相下取得的多个树状构造的图像进行位置匹配，但是，3D图像间有生理学、病理学的不同，由于呼吸等动作，在不同时相下，图像之间存在变动，导致对3D图像间实现全自动位置匹配变得困难，并且存在对于噪声敏感、运算量庞大等问题。

专利文献1(US7，646，903B2美国专利(西门子))“用于基于路径的树匹配的系统和方法”，通过获取代表了物理目标或者模型的类树的结构，从类树的结构提取路径，以及从另一个类树的结构提取路径，通过计算相似度测量结果来比较所述类树的结构的路径，基于所述相似度测量结果，来确定所述路径是否匹配。

但是，专利文献1的缺陷是对噪声和错误的中心线敏感并且有太多的特征点和计算负担。

专利文献2(US2012/0263364A1)“用于标记和/或匹配的方法和设备”，匹配算法基于关联图方法，通过引入分级分离以及一次仅匹配两个子树来降低计算时间。

但是，专利文献2中的缺陷是主分支点对噪声和错误的中心线敏感以及解关联图是NP解决难题并且有相当大的计算负担。

作为现有技术的匹配结果分析，如图10示出现有技术中表示匹配结果的图，将在时相1取得的图像作为基础图像进行匹配时，对于在时相1取得的图像上的标有“2”的客户感兴趣路径(左图)，在时相2取得的图像上的匹配结果是标有“2”的路径(中间图)，可以看出在时相2取得的图像上的匹配结果是标有“2”的路径明显偏向左侧，而时相2期待的路径匹配结果则是标有“3”的路径(右图)。该匹配结果对于客户感兴趣的路径匹配不准确，没有匹配上客户感兴趣的最长线。

专利文献

专利文献1US7，646，903B2

专利文献2US2012/0263364A1

发明内容

本发明就是鉴于上述问题而完成的，其目的在于提供一种能够在减少计算量的同时确保图像匹配精度的医用图像处理装置和医用图像处理方法。

本发明的医用图像处理装置，其特征在于：包括：取得部，取得包含被检体的树状构造的第一摄像图像以及第二摄像图像，提取部，提取包含在所述第一摄像图像以及所述第二摄像图像中的各个树状构造的分支点，算出部，根据所述分支点的特征量，算出所述第一摄像图像的所述分支点与所述第二摄像图像的所述分支点之间的相似度，以及确定部，根据计算出的所述分支点的相似度，确定所述第一摄像图像中的所述树状构造与所述第二摄像图像中的所述树状构造之间对应的路径。

本发明的医用图像处理装置，最好是，所述确定部根据计算出的分支点的相似度，确定所述第一摄像图像与第二摄像图像之间对应的分支点，将所确定的各个分支点构成的路径作为所述树状构造之间对应的路径。

本发明的医用图像处理装置，最好是，所述算出部根据构成路径的各个分支点的特征量的集合，算出各路径之间的相似度，所述确定部根据所算出的各路径之间的相似度，确定所述树状构造之间对应的路径。

本发明的医用图像处理装置，最好是，所述取得部包括：多层次取得部，从树状构造的根部向外分为多个层次的分割过程，以种子点所在层次为起点，依次取得每个层次树状结构的相应部分并组合成完成的树状结构，

本发明的医用图像处理装置，最好是，方法确定部，对前一层次的取得结果进行评价，根据评价结果，确定当前层次的取得方法。

本发明的医用图像处理装置，最好是，所述方法确定部将所述种子点所在层次的取得方法确定为区域生长法，按照前一层次的分割结果反馈，来调整当前层次的控制参数，自适应的得到新的层次结果，重复直至完成整个树结构的生长。

本发明的医用图像处理装置，最好是，还包括划分部，该划分部将所述树状构造划分为多个区域，所述提取部按照所述划分部划分的区域，在区域内进行分支点的提取。

本发明的医用图像处理装置，最好是，所述划分部确定关注区域，所述提取部仅对所述关注区域进行分支点的提取。

本发明的医用图像处理装置，最好是，所述确定部将所述提取部提取的分支点作为分支点候选，根据分支点之间相似度，对各个分支点候选赋予优先级。

本发明的医用图像处理装置，最好是，所述算出部根据分支点在树状构造中的位置，对各个分支点进行加权之后，计算各个分支点之间的相似度。

本发明的医用图像处理装置，最好是，所述算出部按照树状构造的生长层次将树分层，仅算出同一层次的分支点之间的相似度。

此外，本发明的医用图像处理方法，其特征在于：包括：取得步骤，取得包含被检体的树状构造的第一摄像图像以及第二摄像图像，提取步骤，提取包含在所述第一摄像图像以及所述第二摄像图像中的各个树状构造的分支点，算出步骤，根据所述分支点的特征量，算出所述第一摄像图像的所述分支点与所述第二摄像图像的所述分支点之间的相似度，以及确定步骤，根据计算出的所述分支点的相似度，确定所述第一摄像图像中的所述树状构造与所述第二摄像图像中的所述树状构造之间对应的路径。

发明效果

本发明的医用图像处理装置以及医用图像处理方法，能够进行全自动高精度的包含树状构造的图像间的匹配，具有对噪声和错误的中心线的较高鲁棒性的效果。

附图说明

图1示出示出本发明实施方式1的医用图像处理装置的模块图。

图2示出实施方式1的医用图像处理装置1所执行的医用图像处理方法的流程图。

图3示出本发明实施方式1树状构造分支点匹配示意图。

图4示出实施方式2的确定匹配路径的流程图。

图5示出实施方式2的提取气道特征点的示意图。

图6示出实施方式2的使用树搜索算法的匹配算法。

图7示出实施方式2的匹配结果的示意图。

图8是实施方式3的取得各层次树状结构的流程图。

图9示出实施方式4的特定区域内进行匹配的示意图。

图10示出现有技术的匹配结果示意图。

具体实施方式

下面结合说明书附图详细说明本发明的具体实施方式。

以下以支气管的树状构造为例进行具体说明。但是，本发明也不仅限于对支气管的树状构造进行处理，即包括但不限于对气管、支气管，也可以对其他树状的结构例如脑神经和血管的结构的图像进行处理。

实施方式1

首先，说明本实施方式的医用图像处理装置1。图1是示出本发明实施方式1的医用图像处理装置的模块图。

如图1所示，医用图像处理装置1包括取得部11、提取部12、计算部13、以及确定部14。

取得部11取得在不同时相下的、包含被检体的支气管的第一摄像图像以及第二摄像图像。这里，能够利用各种现有的树状构造提取方法来获得不同精度的包括树状构造的摄像图形。

提取部12提取包含在第一摄像图像以及第二摄像图像的各个树状构造的分支点。所谓分支点，是指树状构造中能够代表分支所在根部的点。

此外，在本实施方式中，利用树茎的中心线标记树状构造的情况下，以不同中心线汇聚的点作为分支点。算出部13根据所述分支点的特征量，算出第一摄像图像的分支点与第二摄像图像的分支点之间的相似度。

相似度的定义可以根据树状构造中的各个分支点的特征量比较来确定，例如在树状构造所代表的被检体的部位为支气管的情况下，根据重要度以及算出部13的计算能力，选择分支点的多个特征量中的优选某几个特征量例如坐标、方向、分支层级等，通过比较函数进行计算。

确定部14根据算出部13计算出的分支点之间的相似度，确定第一摄像图像中的树状构造与第二摄像图像中的树状构造对应的路径。

上述医用图像处理装置1可以通过计算机读取并执行程序来发挥上述各部件的功能来实现，也可以由集成电路等硬件结构分别作为上述各部件来实现。

以下接着说明由本实施方式的医用图像处理装置1执行的医用图像处理方法。图2是表示实施方式1的医用图像处理装置1所执行的医用图像处理方法的流程图。

如图2所示，医用图像处理装置1所执行的医用图像处理方法包括取得步骤S1、提取步骤S2、算出步骤S3和确定步骤S4。在取得步骤S1中，取得部11取得包含被检体的树状构造的第一摄像图像以及第二摄像图像。在提取步骤S2中，提取部12提取包含在所述第一摄像图像以及所述第二摄像图像中的各个树状构造的分支点。在算出步骤S3中，算出部13根据所述分支点的特征量，算出所述第一摄像图像的所述分支点与所述第二摄像图像的所述分支点之间的相似度。在确定步骤S4中，确定部14根据计算出的所述分支点的相似度，确定所述第一摄像图像中的所述树状构造与所述第二摄像图像中的所述树状构造之间对应的路径。

以下说明实施方式1的医用图像处理装置1所执行的医用图像处理方法的一个具体例，本具体例只是为了使本实施方式更容易理解而举出的例子，不作为对本实施方式的限定。

在本具体例中，在取得步骤S1中，取得部11取得所有时相的摄像图像中的中心线树，这里所说的中心线树是指用树茎的中心线标记树状构造。

之后，在提取步骤S2中，提取部12提取主动时相的摄像图像中的中心线部分的分支点和浮动时相的摄像图像中的中心线部分的分支点。所谓主动时相的摄像图像是指将用户感兴趣的时相或者规定的时相作为比较基础而取得的摄像图像。所谓浮动时相的摄像图像是指需要作为基础的时相下的摄像图像进行匹配的、另一时相下的摄像图像。

之后，算出部13执行算出步骤S3。参照图3对本具体例的算出步骤S3进行具体说明。图3是示出本实施方式1的一个具体例中进行树状构造上的分支点匹配的示意图。参照图3具体说明通过计算分支点的相似度确定匹配路径的过程。图3中匹配的目标是路径(fa0-fa1-fa21-fa31-fa42)。

在用分支点的特征标记分支点的情况下，设第一摄像图像的分支点的特征量为fa，设第二摄像图像的分支点的特征量为fb。首先，计算主动时相的摄像图像(作为第一摄像图像)与浮动时相的摄像图像(作为第二摄像图像)的分支点fa1,fb1之间的相似度。

关于特征量的具体例子，例如，每个分支点的特征记载为f_n＝[x1,x2,x3,x4,x5,x6,x7]^T，即由7个特征的数组表示。其中，x1表示顶点位置，x2表示顶点角度，x3表示分段的长度，x4表示分段的角度，x5表示模板匹配相似度，x6表示环面面积，x7表示轮廓参数(曲率、形状)。

相似度计算是根据树分支点信息，例如面积、方向等进行计算。例如设第一摄像图像的某个分支点的特征量为fa1，设第二摄像图像的某个分支点的特征量为fb1的情况下，则两个分支点之间的相似度成为函数S(fa1,fb1)。此处相似度S(fa1,fb1)>δ,δ是预先设定的相似度阈值，阈值δ是基于经验或统计结果而预先得到的。

当计算得出的相似度大于δ时，则继续进行向下一层次的分支点的搜索，接着进行步骤2。

在步骤2中，计算fa21与fb21,fb22的相似度,这里结果为

S(fa21,fb21)>δ,

S(fa21,fb22)>δ，

由于计算出的S(fa21,fb21)>δ，S(fa21,fb22)>δ，相似度大于预先设定的阈值所以选择分支点fb21、fb22有效。如果相似度小于预先设定的阈值的情况，则在该分支点结束，即停止向下一层次的分支点的进一步搜索。

接着进入步骤3，计算fa31与fb31,fb32,fb33,fb34的相似度，结果为：

S(fa31,fb31)>δ,

S(fa31,fb32)<δ,

S(fa31,fb33)<δ,

S(fa31,fb34)<δ。

这里相似度小于δ的点b32,b33,b34则停止向下一层次分支点的进一步搜索。

在步骤4，计算fa42与fb41,fb42的相似度，结果为：

S(fa42,fb41)<δ,S(fa42,fb42)>δ。

然后，确定部14在确定步骤S4中根据计算出的分支点的相似度，确定第一摄像图像与第二摄像图像之间对应的分支点，将所确定的各个分支点构成的路径作为所述树状构造之间对应的路径。即，经过上述算出步骤S3，在确定步骤S4中，确定部14最后确定匹配路径是b0->b1->b21->b31->b42。

根据实施方式1的医用图像处理装置1以及医用图像处理方法首先进行预匹配即进行肺叶标记以及肺叶匹配，然后进行匹配最优化处理，因此能够进行全自动高精度的包含树状构造的3D图像间的匹配，具有对噪声和错误的中心线的较高鲁棒性的效果。

并且，通过能够根据计算出的所述分支点的相似度，确定所述第一摄像图像与第二摄像图像之间对应的分支点，能够高精度地确定各个分支点构成的路径作为所述树状构造之间对应的路径。

此外，由于仅对分支点进行匹配计算再确定路径，并且在计算过程中不停去除不匹配的分支点，从而与现有技术相比，计算量大幅下降，能够提高医用图像处理装置的效率。

此外，这里为了说明方便，医用图像处理装置1仅针对两个不同时相下的图像之间的匹配进行了说明。但是，医用图像处理装置1也可以取得多个时相下的多个图像，在所取得多个图像中选择作为主动时相的第一摄像图像，将其他各个图像分别作为第二摄像图像，来分别与第一摄像图像进行匹配。也可以在多个摄像图像之间相互进行匹配，从而完成一组摄像图像的匹配。

此外，在本实施方式的具体例中，先在肺叶级别进行了分区之后，再对各区进行匹配。但是也可以不进行分区，而直接对整个支气管区域进行匹配。

实施方式2

下面根据图4、图5、图6、图7说明本发明的实施方式2。实施方式2的结构框图与实施方式1相同，但是在实施方式1的基础上对提取部12、算出部13和确定部14的动作进行了变更。以下具体说明。此外，对于实施方式1中已经说明的内容，援引实施方式1中的相应说明而不做赘述。

本实施方式的算出部13根据构成路径的各个分支点的特征量的集合，算出第一摄像图像中的所述树状构造与所述第二摄像图像中的所述树状构造的路径之间的相似度，所述确定部14根据所算出的第一摄像图像中的所述树状构造与所述第二摄像图像中的所述树状构造的路径之间的相似度，确定所述第一摄像图像中的所述树状构造与所述第二摄像图像中的树状构造之间对应的路径。

以下说明实施方式2的医用图像处理装置1所执行的医用图像处理方法的一个具体例。本具体例只是为了使本实施方式更容易理解而举出的例子，不作为对本实施方式的限定。

图4是示出实施方式2的确定匹配路径的流程图。图5示出提取气道特征点的示意图。图6是示出使用树搜索算法的匹配算法。图7是示出匹配结果的示意图。

在具体例中，如图4所示，首先取得部11取得不同时相下的摄像图像的中心线树(步骤S100)。

提取部12提取包含在第一摄像图像以及第二摄像图像中的各个树状构造的分支点(步骤S200)。

算出部13根据构成路径的各个分支点的特征量的集合，算出第一摄像图像中的树状构造的各个路径与第二摄像图像中的树状构造的各个路径之间的相似度(步骤S300)。例如在以中心线代表树构造时，将构成某个中心线的所有分支点的特征量的集合来表示该路径的特征量，从而计算出主动时相的摄像图像的各个路径与浮动时相的摄像图像的各个路径之间的相似度。

确定部14根据相似度，将相对于作为比较基准路径而言的其他路径作为匹配候选，按照相似度从高到低的顺序将路径的匹配候选排序，从而将最匹配的路径或者从相似度高的候选开始的规定数量的路径作为匹配结果。

此外，也可以对构成路径的各个分支点的特征量进行加权，从而能够更加精确地计算相似度。以下利用图5说明具体例。

如图5所示，提取部12首先提取气道路径的特征，在设各个分支点的特征为fn时，路径的特征向量是所有的分支点的特征量的集合，表示为：Vr＝[f0,f1,f2,f3,f4]。这里的“0、1、2、3、4”代表路径的走向，其中0代表根部开始的第一个分支点，2、3、4依次代表从上一个分支点出发的路径的下个分支点。可以说，这里的“0、1、2、3、4”对应路径的不同层次(路径上的分支程度)。

因为在不同层次上的分支点的重要性是不同的，所以对特征点按照层次的不同而进行加权：Vr＝[w0*f0,w1*f1,w2*f2,w3*f3,w4*f4]。其中，w0、w1、w2、w3、w4表示针对相应层次的加权。

接下来算出部13根据分支点的特征，进行树搜索的匹配算法。

这里还是设每个分支点的特征记载为f_n＝[x1,x2,x3,x4,x5,x6,x7]^T，其中，

x1表示顶点位置，x2表示顶点角度，x3表示分段的长度，x4表示分段的角度，x5表示模板匹配相似度，x6表示环面面积，x7表示轮廓参数(曲率、形状)。

接着参照图6说明使用树搜索算法的匹配算法。

如图6所示，该匹配算法是从顶部到底部逐层地进行搜索，在每个层上，算出部13找出主动时相的摄像图像中的各分支点(基准分支点)的候选分支点，也就是将与基准分支点之间的相似度大于预定的阈值浮动时相的摄像图像中的分支点作为候选分支点，从而算出部13将由候选分支点构成的各个路径作为候选路径。

算出部13利用构成路径的各分支点的特征向量，得到各个候选路径的的特征向量，表示为：

Vn＝[w0’*fn0,w1’*fn1,w2’*fn2,w3’*fn3,w4’*fn4,w5’*fn5]，

然后算出部13根据路径的特征向量，计算特征空间中两个向量之间的相似度，例如可以采用标准相似度测量、其它相似度测量。

确定部14根据相似度对候选路径进行排序，并输出经排序的候选路径，最后确定部14根据排序结果确定了最匹配的路径或者排序在前的多个路径作为匹配结果。

这样，在如图7所示的情况下，即相对于主动时相的某个路径来说，浮动时相的图像中有多条候选路径仅在最后一个层次上分支点不同的情况下，设L1为最匹配，L2为第二匹配。

在实施方式2中，将树构造分层次找到候选分支点，再进行候选路径的比较，这样能够进一步减少计算量。但是，也可以不分层次而将所有路径作为候选路径分别进行路径之间的相似度的比较。

本实施方式的算出部13根据构成路径的各个分支点的特征量的集合，算出所述树状构造的路径之间的相似度，确定部14根据所述路径之间的相似度，通过输出并排序，进行匹配最优化处理，因此能够进行全自动高精度的包括支气管在内的树状构造的3D图像间的匹配。

实施方式3

下面说明本发明的实施方式3，在实施方式1或2的基础上对取得部进行了变更。以下具体说明。对于与实施方式1、2中已经说明的内容，援引实施方式1、2中的相应说明不做赘述。

本实施方式的取得部12也可以是包括：多层次取得部，从树状构造的根部向外分为多个层次的分割过程，以种子点所在层次为起点，依次取得每个层次树状结构的相应部分并组合成完成的树状结构，以及方法确定部，对前一层次的取得结果进行评价，根据评价结果，确定当前层次的取得方法。

另外，本实施方式的方法确定部，将所述种子点所在层次的取得方法确定为区域生长法，按照前一层次的分割结果反馈，来调整当前层次的控制参数，自适应的得到新的层次结果，重复直至完成整个树结构的生长。

以下参照图8说明实施方式3的取得部13取得多层次气道树的具体例。

图8是取得部11取得各层次树状结构的流程图。

如图8所示，首先输入肺部CT数据(步骤S100)，找到在气管中的种子点(步骤S200)；以种子点为起点得到第一层次的分割结果(步骤S300)；接着以其为种子点集，分割出所有大支气管(步骤S400)，然后进一步分割出周围小支气管(步骤S500)，组成完整的气道树(步骤S600)。

在具体例中，方法确定部从种子点开始用2D/3D结合的区域生长方法取得第一层次的分割结果(主要包括气管树的0～1层)；然后，根据第一层次的分割结果估算出整个数的体积范围，并以第一层次的分割结果作为种子点集，以体积范围为指导自适应调整生长过程中使用的参数进行3D灰度区域生长得到整棵树的主要分枝(1～4层)；在第一层次和第二层次的分割结果的基础上，调整形态学重建的参数组合，进一步获取小支气管的分割结果。

也就是说，通过响应不同层次的反馈来保证气管树的丰富层次和高级别的小支气管的分割结果。

其中，在第一层次反馈给第二层次时利用树体积范围，CT值范围、CT平均值等参数。在第二层次反馈给第三层次时利用初始树体积、CT平均值等参数。

本实施方式的多层气道树分割方法具有以下效果：因为气道树的生长过程可以通过自适应性调整参数来有效控制，因此最大值最小值可以从第一层次反馈中精确定义。并且，因为气道树已经包含了大部分(子)分割层次的支气管，所以使用小型操作的形态学方法已经足够，进而能够节省大量时间。

综上所述，本实施方式的医用图像处理装置1，通过内部反馈对多层次气道树分割，提供从3DCT扫描图像中全自动进行气道树分割，能够获得多层次以及低错误率的结果。对不同疾病和/或所有种类扫描条件具有鲁棒性。

另外，本实施方式的树状构造的提取方法是用整个第一个层次的结果来生长树所以更加健壮，要用一个种子点来启动算法，但是结果并不依赖于种子点的选取。

另外，本实施方式的取得部不仅限于上述提取方式，也可以用现有的其他提取方法进行树状构造的提取。

实施方式4

下面说明本发明的实施方式4，在实施方式1或2的基础上，本实施方式的医用图像处理装置1还包括划分部，可以通过选取特定区域进行匹配。

实施方式4的医用图像处理装置1还包括划分部，该划分部能够在提取部进行处理之前，先将树状构造划分为多个区域，从而提取部12可以按照划分部划分的各个区域，依次对各个区域进行分支点的提取。

这里，划分部可以按照解剖学的分区将中心线树按照肺叶分成多个区域，从而在后续的处理中按照各个分区域分别进行匹配。将这种肺叶级别上的粗略匹配称为肺叶匹配。

另外，划分部还可以按照用户指定或者其他分析装置结论等仅提划分出重点关注区域，从而提取部12只对重点关注区域进行提取即可。

图9示出医用图像处理装置1在特定区域内进行匹配的示意图。

如图9所示，划分部进行区域划分，限定特别关注区域。同样首先通过进行粗略匹配标记子中心线树，例如肺叶匹配，之后，应用上述实施方式1中针对图3所说明的在主动时相和浮动时相匹配子树的过程(这里省略说明)，接着确定部14根据相似度，将候选中心线排序，确定最匹配的路径。

本实施方式的划分部具有针对限定的目的在局部区域进行匹配，具有能够更加准确地在不同时相的图像上找到同一标记，即找到生物标记物的效果。

变形例

以上说明了各个实施方式，但本发明不限于上述实施方式，也可以进行以下变形。

例如在上述实施方式中，确定部14在确定步骤S4中也可以将所述提取部提取的分支点作为分支点候选，根据分支点之间相似度，对各个分支点候选赋予优先级。

并且，例如在上述实施方式中，所述算出部根据分支点在树状构造中的位置，对各个分支点进行加权之后，计算各个分支点之间的相似度。

并且，例如在上述实施方式中，所述算出部按照树状构造的生长层次将树分层，仅算出同一层次的分支点之间的相似度。

以上说明了本发明的各实施方式，本发明在不同时相分别取得包含被检体的树状构造的图像，能够在不同时相上找到同一标记，即找到生物标记物，采取通过考虑支气管构造进行树状构造的搜索，选择肺叶的中心线上的分支点作为特征点，从环绕特征点的ROI和特征点提取特征，使用分支点的坐标、角度、分段的长度、分段的确度、支气管截面的相似度、支气管截面面积、支气管截面形状等信息，首先进行预匹配即进行肺叶标记以及肺叶匹配，然后进行匹配最优化处理，因此能够进行全自动高精度的树状构造的3D图像间的匹配。

以上说明的实施方式只是举例说明，不意味着对发明的范围进行限定。这些新的实施方式能够通过其他各种方式实施。另外，在不脱离发明的主旨的范围内，能够进行各种省略、置换、变更。这些实施方式及其变形都包含在发明的范围和主旨中，并且包含在权利要求的范围所记载的发明及与其均等的范围中。

Claims (20)

1.一种医用图像处理装置，其特征在于：

包括：

取得部，取得包含被检体的树状构造的第一摄像图像以及第二摄像图像，

提取部，提取包含在所述第一摄像图像以及所述第二摄像图像中的各个树状构造的分支点，

算出部，根据所述分支点的特征量，算出所述第一摄像图像的所述分支点与所述第二摄像图像的所述分支点之间的相似度，以及

确定部，根据计算出的所述分支点的相似度，确定所述第一摄像图像中的所述树状构造与所述第二摄像图像中的所述树状构造之间对应的路径。

2.根据权利要求1所述的医用图像处理装置，其特征在于，

所述确定部根据计算出的分支点的相似度，确定所述第一摄像图像与第二摄像图像之间对应的分支点，将所确定的各个分支点构成的路径作为所述树状构造之间对应的路径。

3.根据权利要求1所述的医用图像处理装置，其特征在于，

所述算出部根据构成路径的各个分支点的特征量的集合，算出第一摄像图像中的所述树状构造的各路径与所述第二摄像图像中的所述树状构造的各路径之间的相似度，

所述确定部根据所算出的第一摄像图像中的所述树状构造与所述第二摄像图像中的所述树状构造的路径之间的相似度，确定所述第一摄像图像中的所述树状构造与所述第二摄像图像中的树状构造之间对应的路径。

4.根据权利要求1所述的医用图像处理装置，其特征在于，

所述取得部包括：

多层次取得部，从树状构造的根部向外分为多个层次的分割过程，以种子点所在层次为起点，依次取得每个层次树状结构的相应部分并组合成完成的树状结构，

方法确定部，对前一层次的取得结果进行评价，根据评价结果，确定当前层次的取得方法。

5.根据权利要求4所述的医用图像处理装置，其特征在于，

所述方法确定部将所述种子点所在层次的取得方法确定为区域生长法，按照前一层次的分割结果反馈，来调整当前层次的控制参数，自适应的得到新的层次结果，重复直至完成整个树结构的生长。

6.根据权利要求1所述的医用图像处理装置，其特征在于，

还包括划分部，该划分部将所述树状构造划分为多个区域，

所述提取部按照所述划分部划分的区域，在区域内进行分支点的提取。

7.根据权利要求6所述的图像处理装置，其特征在于，

所述划分部确定关注区域，

所述提取部仅对所述关注区域进行分支点的提取。

8.根据权利要求1所述的图像处理装置，其特征在于，

所述确定部将所述提取部提取的分支点作为分支点候选，根据分支点之间相似度，对各个分支点候选赋予优先级。

9.根据权利要求1所述的图像处理装置，其特征在于，

所述算出部根据分支点在树状构造中的位置，对各个分支点进行加权之后，计算各个分支点之间的相似度。

10.根据权利要求1所述的图像处理装置，其特征在于，

所述算出部按照树状构造的生长层次将树分层，仅算出同一层次的分支点之间的相似度。

11.一种医用图像处理方法，其特征在于：

包括：

取得步骤，取得包含被检体的树状构造的第一摄像图像以及第二摄像图像，

提取步骤，提取包含在所述第一摄像图像以及所述第二摄像图像中的各个树状构造的分支点，

算出步骤，根据所述分支点的特征量，算出所述第一摄像图像的所述分支点与所述第二摄像图像的所述分支点之间的相似度，以及

确定步骤，根据计算出的所述分支点的相似度，确定所述第一摄像图像中的所述树状构造与所述第二摄像图像中的所述树状构造之间对应的路径。

12.根据权利要求11所述的医用图像处理方法，其特征在于，

所述确定步骤根据计算出的分支点的相似度，确定所述第一摄像图像与第二摄像图像之间对应的分支点，将所确定的各个分支点构成的路径作为所述树状构造之间对应的路径。

13.根据权利要求11所述的医用图像处理方法，其特征在于，

所述算出步骤根据构成路径的各个分支点的特征量的集合，算出第一摄像图像中的所述树状构造与所述第二摄像图像中的所述树状构造的路径之间的相似度，

所述确定步骤根据所算出的第一摄像图像中的所述树状构造与所述第二摄像图像中的所述树状构造的路径之间的相似度，确定所述第一摄像图像中的所述树状构造与所述第二摄像图像中的树状构造之间对应的路径。

14.根据权利要求11所述的医用图像处理方法，其特征在于，

所述取得步骤包括：

多层次取得步骤，从树状构造的根部向外分为多个层次的分割过程，以种子点所在层次为起点，依次取得每个层次树状结构的相应部分并组合成完成的树状结构，

方法确定步骤，对前一层次的取得结果进行评价，根据评价结果，确定当前层次的取得方法。

15.根据权利要求14所述的医用图像处理方法，其特征在于，

所述方法确定步骤将所述种子点所在层次的取得方法确定为区域生长法，按照前一层次的分割结果反馈，来调整当前层次的控制参数，自适应的得到新的层次结果，重复直至完成整个树结构的生长。

16.根据权利要求11所述的医用图像处理方法，其特征在于，

还包括划分步骤，该划分步骤将所述树状构造划分为多个区域，

所述提取步骤按照所述划分步骤划分的区域，在区域内进行分支点的提取。

17.根据权利要求16所述的图像处理方法，其特征在于，

所述划分步骤确定关注区域，

所述提取步骤仅对所述关注区域进行分支点的提取。

18.根据权利要求11所述的图像处理方法，其特征在于，

所述确定步骤将所述提取步骤提取的分支点作为分支点候选，根据分支点之间相似度，对各个分支点候选赋予优先级。

19.根据权利要求11所述的图像处理方法，其特征在于，

所述算出步骤根据分支点在树状构造中的位置，对各个分支点进行加权之后，计算各个分支点之间的相似度。

20.根据权利要求11所述的图像处理方法，其特征在于，

所述算出步骤按照树状构造的生长层次将树分层，仅算出同一层次的分支点之间的相似度。