CN105976367B - 图像分割方法、肺结节检测方法及其计算机辅助检测系统 - Google Patents

图像分割方法、肺结节检测方法及其计算机辅助检测系统 Download PDF

Info

Publication number
CN105976367B
CN105976367B CN201610283527.9A CN201610283527A CN105976367B CN 105976367 B CN105976367 B CN 105976367B CN 201610283527 A CN201610283527 A CN 201610283527A CN 105976367 B CN105976367 B CN 105976367B
Authority
CN
China
Prior art keywords
region
voxel
target area
image
tubercle
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
Application number
CN201610283527.9A
Other languages
English (en)
Other versions
CN105976367A (zh
Inventor
王季勇
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN201610283527.9A priority Critical patent/CN105976367B/zh
Publication of CN105976367A publication Critical patent/CN105976367A/zh
Priority to PCT/CN2016/107278 priority patent/WO2017092615A1/zh
Priority to US15/662,394 priority patent/US10825180B2/en
Priority to US15/662,359 priority patent/US10467757B2/en
Application granted granted Critical
Publication of CN105976367B publication Critical patent/CN105976367B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T2207/10072—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及一种图像分割方法、肺结节检测方法及其计算机辅助检测系统,包括以下步骤:获取肺部CT图像；对所述CT图像进行初始定位，得到一个或多个定位区域；采用滤波器增强所述定位区域，获得目标区域；判断基于聚类模型处理的所述目标区域，若满足第一判定，则获取结节的实性区域；判断基于形态学模型处理的所述目标区域，若满足第二判定，则获取结节的周围区域；融合所述实性区域和周围区域，获得图像分割结果。本发明提供的方法和系统能够准确分割不同类型的结节，有效提高后续的诊断分析。

Description

图像分割方法、肺结节检测方法及其计算机辅助检测系统
【技术领域】
本发明涉及医学图像处理领域，尤其涉及一种图像分割方法、肺结节检测方法及其计算机辅助检测系统。
【背景技术】
肺癌是全球死亡率最高的癌症。虽然医学诊断和治疗水平不断提高，肺癌的五年生存率也仅有15％左右，早期发现、早期治疗是提高肺癌治愈率的主要途径。肺结节是肺癌的早期表现形式。CT扫描是目前肺癌筛选最有效的影像学方法，近年来,随着多层螺旋CT(Multi-Slice Computed Tomography,MSCT)、高分辨CT(High Resolution ComputedTomography,HRCT)及低剂量胸部CT(Low Dose Computed Tomography,LDCT)的应用,肺小结节与早期肺癌的检出率不断提高。实现肺结节自动分析与识别的关键技术是:肺结节分割、检测、诊断等一系列图像处理、分析和理解算法的研究和应用。肺结节的准确分割结果能够有效的反映出结节的病理和形态特征，进而帮助用户对病灶进行诊断分析。
现有技术中采用水平集算法或者多尺度阈值方法进行结节分割，但是因肺结节具有实性结节、混合型磨玻璃结节、磨玻璃结节等各类形态，无法简单通过形态学方法准确识别肺结节，尤其是混合型磨玻璃结节、磨玻璃结节等边缘不规则、模糊的肺结节无法通过水平集算法(Level Set)等基于边缘算法识别肺结节。此外肺结节在CT图像中的灰度值不服从高斯分布，多阈值方法易造成泄露导致分割结果不准确。
【发明内容】
本发明所要解决的技术问题是提供一种医学图像的分割方法及其装置，用于分割不同类型的肺结节病灶，能够有效提高肺结节分割的准确性，进而利于用户对病灶的诊断和分析。
为解决上述技术问题，本发明提供一种医学图像的分割方法，包括如下步骤：
一种图像分割方法，其特征在于，包括如下步骤：
获取肺部医学图像；
对所述医学图像进行初始定位，得到一个或多个定位区域；
采用滤波器增强所述定位区域，获得目标区域，所述目标区域包含结节区域和背景区域，所述结节区域由实性区域以及围绕所述实性区域的周围区域构成；
判断基于聚类模型处理的所述目标区域，若满足第一判定，则获取结节的实性区域；
判断基于形态学模型处理的所述目标区域，若满足第二判定，则获取结节的周围区域；
融合所述实性区域和周围区域，获得图像分割结果。
进一步地，所述初始定位通过以下任一种方式获取所述定位区域：
基于用户给定的区域获取所述定位区域；
基于用户给定的贯穿疑似结节区域的长轴线上选取种子点，采用区域增长方法获取所述定位区域；
基于检测程序获取所述定位区域。
进一步地，其特征在于，所述滤波器采用基于海森点增强的阈值分割方法。
进一步地，所述第一判定包括如下步骤：
逐一选取所述基于聚类模型处理的目标区域中的任一体素，若所述体素的值大于阈值T1，并且，
所述目标区域中对应该体素的值大于T2，则标记所述体素为结节，否则标记所述体素为背景。
进一步地，所述形态学模型采用海森线增强方法处理所述目标区域，获得线增强图。
进一步地，所述第二判定包括如下步骤：
逐一选取所述基于聚类模型处理的目标区域中的任一体素，若所述体素的值大于阈值T1，并且，所述线增强图像中对应该体素的值小于T3，则标记所述体素为结节，否则标记所述体素为背景。
进一步地，所述基于聚类模型采用变分期望最大化处理所述目标区域获得概率图，所述概率图中任一体素的空间位置一一对应于所述目标区域中的体素的空间位置。
为解决上述接收问题，本发明还提供一种肺结节检测的方法，包括如下步骤：
获取肺部医学图像；
对所述医学图像进行初始定位，得到一个或多个定位区域；
基于海森点增强的区域增长处理所述定位区域，获得目标区域，所述目标区域包含结节区域和背景区域，所述结节区域由实性区域以及围绕所述实性区域的周围区域构成；
判断基于变分期望最大化处理的所述目标区域，若满足第一判定，则获取结节的实性区域；
判断基于形态学处理处理的所述目标区域，若满足第二判定，则获取结节的周围区域；
融合所述实性区域和周围区域，获得图像分割结果；
采用滤波器增强分割结果；
提取增强后的所述分割结果的特征，形成特征池；
分类器根据所述特征池对所述肺部医学图像进行肺结节检测。
为解决上述技术问题，本发明还提供一种计算机辅助检测系统，包括:
输入模块，用于获取医学图像；
分割模块，用于分割所述医学图像，获取若干个分割结果；
图像增强模块，采用图像滤波器增强所述分割结果；
特征提取模块，用于提取增强后的所述分割结果的特征，形成特征池；
检测模块，用于分类器根据所述特诊池对所述医学图像进行肺结节检测。
进一步地，所述分割模块还包括：预处理单元、实性区域获取单元、周围区域获取单元。
与现有技术相比，本发明利用初始分割和滤波器获取目标区域，并且增强了结节实性区域的初始形态，降低后续结节分割的计算量，提高分割速度；通过第一判定有效分割并保护结节的实性区域，通过第二判定有效分割结节的周围区域并移除血管、气管等结节分割的主要噪音。本发明提供图像分割方法通用性强、精度高，可以准确分割不同类型的结节，利于后续用户对病灶的诊断和分析。
【附图说明】
图1为本发明实施例中图像分割方法的流程示意图；
图2为本发明实施例中图像分割方法的结果示意图；
图3为本发明实施例中肺结节检测方法的流程示意图；
图4为本发明实施例中计算机辅助检测系统的结构示意图。
【具体实施方式】
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。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施的限制。
本发明利用示意图进行详细描述，在详述本发明实施例时，为便于说明，所述示意图只是实施例，其在此不应限制本发明保护的范围。
为了解决现有技术中有效、准确分割不同类型的肺结节的技术问题，提高用户对病灶诊断、分析的准确性，本实施例中提供一种图像分割方法，如图1本发明实施例中的图像分割方法的流程示意图所示，所述方法包括如下步骤：
首先，执行步骤S101：获取肺部医学图像。本实施例中所涉及的肺部医学图像首选通过计算机断层扫描(CT)设备经对人体实施扫描后获取的如图2a所示原始CT图像，将所述原始CT输入计算机图像处理设备中进行处理，基于阈值分割、聚类算法等方法获取所需的肺部CT图像，基于图像中的肺部区域进行后续的肺结节分割，以供用户观察和使用，肺部图样一般是掩膜图像(mask图像)，如图2b所示。计算机图像处理设备可以使用通用的计算机设备作为基础硬件。在一个实施例中，可以通过执行安装在计算机设备中的处理器上的图像处理程序来实现所需的图像处理。这时，可以通过预先将图像处理程序安装到计算机设备中或者通过将图像处理程序记录在磁盘、磁光盘、光盘、半导体存储器等中或在网络上发布图像处理程序并将图像处理程序安装到计算机设备中来实现计算机图像处理设备。在另一个实施例中，可以通过诸如逻辑电路的硬件来实现计算机图像诊断处理设备。在又一实施例中，也可以通过组合硬件和软件来实现计算机图像处理设备。
接着，执行步骤S102：对所述医学图像进行初始定位，得到一个或多个定位区域，以减少后续分割处理的计算量，提高分割效率。一般而言，在肺部医学图像包括肺血管、支气管以及肺结节、肺实质等组织结构，其中肺结节在空间形态上可以划分为实性区域和周围区域，实性区域大多呈类球体，在CT图像肺结节中呈高亮状态，可以通过肉眼辨识大致区域；周围区域一般为边缘模糊，类似毛刺状等不规则形态的区域，甚至边缘为不规则的曲线。因此，用户或者后台计算机处理设备可以根据结节的实性区域，采用初始定位获取定位区域，所述定位区域包含疑似结节区域，存在血管、肺实质等噪音，一般可以通过外接长方体框(计算机后处理设备平面显示为矩形框)在CT图像上显示定位区域，例如256*256*200层肺部CT图像中，通过初始定位，获取35mm*35mm*35mm大小的定位区域。具体地，所述初始定位可以通过：用户根据经验值于所述肺部CT图像手动框出定位区域；或者用户根据经验给定贯穿疑似结节的实性区域的长轴线，根据所述长轴线选取种子点，基于阈值的区域增长获取所述定位区域；或者基于计算机处理器等硬件设备或者计算机图形处理设备等软硬件结合的检测程序获取所述定位区域。
执行步骤S103：采用滤波器增强所述定位区域，获得目标区域，所述目标区域包含结节区域和背景区域，所述结节区域为确定的结节区域，由实性区域以及围绕所述实性区域的周围区域构成。其中，所述目标区域相对于上述步骤中的定位区域，通过采用滤波器增强结节的实性区域，同时进一步缩小后续分割的区域，提高后续分割的精度和速度。
肺部CT图像中，肺血管、支气管和肺结节在灰度级分布上非常相似，因此使得临床上对于肺结节的判断容易产生误诊或漏诊。实际上，血管、支气管以及肺结节在空间形态上是有一定区别的，肺血管和支气管等往往呈现出管状结构，通过人体解剖学可知肺内血管和气管按照连通性可以构造出完整的血管树、气管树，而肺结节的形态如前所述可以划分为实性区域和周围区域，因此可以通过预处理增强结节的实性区域，与肺部的气管、血管等噪音在图像得以区别，获取所述目标区域。
本实施例中，优选采用基于海森点增强的阈值分割方法获取所述目标区域。增强肺结节，具体地，对图像进行高斯平滑处理，其次求图像中任意体素的二阶导，如公式1中fxx为任意体素在x方向上的二阶导，fxy为在x方向一介倒数基础上，求y方向的第二阶导数；，将一个点不同方向的二阶导构建成海森矩阵，求得特征值λ1、λ2和λ3。最后，将特征值λ1、λ2和λ3代入公式2求得点增强的值Zdot，即目标区域中对应体素的值。
否则为0
接着，执行步骤S104和S105：判定基于聚类模型处理所述目标区域，若满足第一判定，则获取结节的实性区域。结节分割中，结节区域往往千变万化，不一定服从高斯分布，尤其是磨玻璃结节的CT值较低、较模糊，很难用高斯分布来模型化，即使结节区域服从高斯分布，其背景区域也不服从。基于统计学的聚类方法是一类不基于形态学的分割方法，所以各种形状的结节都可以被较好的分割出来。聚类是一种非监督(Unsupervised)学习方法，聚类过程以相似性为基础，不需要训练样本，在肺结节分割中，聚类的目的是将CT图像划分成两类或两类以上，例如本实施例中采用聚类方法判定图像中的体素是结节或不是结节。
具体地，本实施例中采用的聚类方法优选为变分期望最大化(VariationalExpectation Maximization，VEM)处理所述目标区域，获得概率图。由于结节的体素和背景的体素服从于高斯分布，而高斯混合分布的均值和标准差服从于Gaussian-Wishart分布(见公式4)，而高斯混合分布的先验概率服从于狄利克雷(Dirichlet)分布(见公式5)。
其中π为随机变量，是高斯混合分布的先验概率；α0是一个常数；k表示高斯混合分布的分布个数；μ,Λ分别是均值和方差。包含了所有五个随机变量的联合概率密度函数为公式6所示，通过EM算法可以迭代得到αk,β0,mk,wk和vk，继而求得p(X,Z,π,μ,Λ)，获得该体素的概率值，最终得到所示目标区域的概率值。
p(X,Z,π,μ,Λ)＝p(X|Z,μ,Λ)p(Z|π)p(π)p(μ|Λ)p(Λ) (公式6)
所述概率图中每一个体素的空间位置一一对应于所述目标区域中体素的位置，所述概率图中每一个体素的值代表该体素是否为结节的概率，结合经过海森点增强获取的所述目标区域以及VEM算法处理所述目标区域获得概率图进行第一判定：逐一选取所述概率图中任一体素，若所述体素的值大于阈值T1，并且，所述目标区域中对应位置的体素的值大于T2，则标记所述体素为结节，否则标记为背景，其中阈值T1的取值范围为(0,1)，本实施例中优选为0.5，设定阈值T2作用是为了达到保护结节实性区域的目的，阈值T2的取值范围为(0，100)。通过步骤S104-S105获取结节的实性区域，即实性区域的二值图像。
同时，执行步骤S106-S107：判断基于形态学模型处理的所述目标区域，若满足第二判定，则获取结节的周围区域。肺部CT图像中，肺血管是肺结节假阳性的主要来源，造成后续肺结节检测的误诊和漏诊；肺血管、支气管和肺结节在灰度级分布上非常相似，在空间形态，肺血管和支气管等往往呈现出管状结构特别是。本步骤通过第二判定，在去除血管、气管等主要噪音的同时保留一些形状不规则的非球状的结节，即结节的周围区域。
本实施例中，所述形态学处理优选采用海森线增强方法处理所述目标区域，获得线增强图。具体地，对图像进行高斯平滑处理，其次求图像中任意体素的二阶导，如公式1中fxx为任意体素在x方向上的二阶导，fxy为在x方向一介倒数基础上，求y方向的第二阶导数；，将一个点不同方向的二阶导构建成海森矩阵，求得特征值λ1、λ2和λ3。最后，将特征值λ1、λ2和λ3代入公式6求得点增强的值Zline，即目标区域中对应体素的值。所述海森线增强图像主要增强所述目标区域中血管等管状结构，使得图像中血管等主要噪音呈高亮状态。接着，根据所述第二判定获取结节的周围区域，本实施例中，所述第二判定包括如下步骤：逐一选取前述步骤概率图中任一体素，若所述体素体素的值大于阈值T1，并且，所述线增强图像中对应位置体素的值小于T3，则标记所述体素为结节，否则标记为背景。本实施例中阈值T1优选为0.5，阈值T3作用为去除肺血管、气管等肺结节的主要噪音，保留一些形状不规则的非球形结节，即结节的周围区域，所述阈值T3的取值范围为(0,100)。通过步骤S106-S107，最终获得结节的周围区域，即周围区域的二值图像。
否则为0
最后，执行步骤S108融合所述实性区域和周围区域，获得图像分割结果。如前所述，获取的所述实性区域是类球形的结节分割结果，周围区域主要是形状不规则，边缘模糊的结节分割结果，根据标记为实性区域或周围区域的体素的位置在肺部CT图像中定位该体素，获取如图2c最终的结节分割结果。可以理解，图2所示的中间结果仅为示例，并不意味着本发明的各实施例的中间结果均为图2中的特定形态。
本实施例中，利用初始分割和滤波器获取目标区域，并且增强了结节实性区域的初始形态，降低后续结节分割的计算量，提高分割速度；通过第一判定有效分割并保护结节的实性区域，通过第二判定有效分割结节的周围区域并移除血管、气管等结节分割的主要噪音，有效提高结节分割的精度和速度。
为使本发明的上述目的、特征和优点能够更加明显易懂，本发明另一个实施例中提供一种应用上述图像分割方法的肺结节检测的方法对本发明作详细说明。
肺结节是肺部最常见的病变之一，可以是良性病变、转移瘤或肺癌，肺癌的发生率在癌症中位居第一。肺结节形态各异、大小各不相同、分布位置不定、易与其它组织链接，密度与肺部某些组织类似，计算机辅助检测是针对实际临床需要发展起来的，它对图像进行自动分析后向医生提示可疑的肺结节，以帮助医生更加安全有效地分析数据，如图3所示为本实施例一种肺结节检测方法的流程示意图，包括如下步骤：
执行步骤S301：获取肺部医学图像，本实施例首选通过计算机断层扫描(CT)设备经对人体实施扫描后获取的原始CT图像，如图2a所示，将所述原始CT图像输入计算机图像处理设备中进行处理，基于阈值分割、聚类算法等方法获取所需的肺部CT图像，所述肺部图样一般是掩膜图像(mask图像)，如图2b所示。
执行步骤S302：对所述CT图像进行初始定位，得到一个或多个定位区域，，以减少后续分割处理的计算量，提高分割效率，具体初始定位方法如前所述，在此不再赘述。
执行步骤S303：基于海森点增强的区域增长处理所述定位区域，获得目标区域，所述目标区域包含结节区域和背景区域，所述结节区域为确定的结节病灶区域，由实性区域以及围绕所述实性区域的周围区域构成；此步骤为预处理步骤，用于增强结节的实性区域，在图像上呈高亮状态，同时进一步缩小后续分割的处理区域，提高后续分割的精度和速度。
执行步骤S304和S305：判断基于变分期望最大化处理的所述目标区域，若满足第一判定，则获取结节的实性区域；所述第一判断结合基于海森点增强和变分期望最大化，有效保护结节的实性区域。具体地，采用变分期望最大化处理所述目标区域，获得概率图。据经过海森点增强获取的所述目标区域以及VEM算法处理所述目标区域获得概率图进行第一判定：逐一选取所述概率图中任一体素，若所述体素体素的概率值大于阈值T1，并且，所述目标区域中对应位置的体素的值大于T2，则标记所述体素为结节，否则标记为背景，其中阈值T1的取值范围为(0,1)，本实施例中优选为0.5，阈值T2达到保护结节实性区域的目的，阈值T2的取值范围为的取值范围为(0，100)。通过步骤S104-S105两步获取结节的实性区域的二值图像。
执行步骤S306和S307：判断基于形态学处理处理的所述目标区域，若满足第二判定，则获取结节的周围区域；
执行步骤S308：融合所述实性区域和周围区域，获得图像分割结果；
执行步骤步骤S309-S311：采用滤波器增强分割结果；本实施例中，所述形态学处理优选采用海森线增强方法处理所述目标区域，获得线增强图，所述图像主要增强所述目标区域中血管等管状结构，使得图像中血管等主要噪音呈高亮状态。接着，根据所述第二判定获取结节的周围区域，本实施例中，所述第二判定包括如下步骤：逐一选取前述步骤概率图中任一体素，若所述体素体素的概率值大于阈值T1，并且，所述在线增强图像中对应位置体素的值小于T3，则标记所述体素为结节，否则标记为背景。本实施例中阈值T1优选为0.5，阈值T3作用为去除肺血管、气管等肺结节的主要噪音，阈值T3的取值范围为(0,100)。通过步骤S306-S307，最终获得结节的周围区域的二值图像。
执行步骤S308：融合所述实性区域和周围区域，获得分割结果，所述分割为二值图像，如图2c所示。
执行步骤S309和S310：采用滤波器增强所述分割结果，提取增强后的所述分割结果的特征，形成特征池。具体地，根据分割结果的二值化图像与原始CT图像中体素位置一一对应关系，在CT图像中标记结节区域，采用滤波器增强所述结节区域，提取增强后的所述分割结果的特征，形成特征池。所述特征池包含结节的面积、密度、体积、灰度均值、灰度方差、紧凑度、形状矩描述子、傅里叶描述子等有效特征组成的集合。
执行步骤S311：分类器根据所述特征池对所述肺部CT图像进行肺结节检测。具体地，用所提取的特征池创建分类器，可能的分类器有支持向量机SVM、决策树、线性判别分析和神经网络。所述分类器提供对于肺部CT图像的肺结节的检测，达到计算机辅助检测的目的，所述检测包括：确定至少一个目标组织的良/恶性或良性可能性、恶性可能性，诊断预测结果可以是二分法的良恶性鉴定所述目标区域是恶性或恶性，或者提出评估分数显示良/恶性的可能性。
为解决上述技术问题，本发明还提供一种计算机辅助检测系统，系统结构示意图如图4所示，包括：
输入模块U10，用于获取医学图像；通过计算机断层扫描(CT)设备经对人体实施扫描后获取的原始CT图像，将所述原始CT图像输入计算机图像处理设备中进行处理，基于阈值分割、聚类算法等方法获取所需的肺部CT图像，所述肺部图样一般是掩膜图像(mask图像)。
分割模块U20，用于分割所述医学图像，获取若干个结节分割结果；所述分割模块U20包括预处理单元U201，通过初始分割和滤波器获取目标区域，并且增强了结节实性区域的初始形态，降低后续结节分割的计算量，提高分割速度。其中，所述目标区域包含结节区域和背景区域，所述结节区域为确定的结节病灶区域，由实性区域以及围绕所述实性区域的周围区域构成；实性区域获取单元U202，基于聚类模型处理的所述目标区域，通过第一判定获取结节的实性区域。周围区域获取单元U203，基于形态学模型处理的所述目标区域，通过第二判定获取结节的周围区域，所述实性区域获取单元U202和周围区域获取单元U203的获取的区域的和集为分割模块U20输出的分割结果。
图像增强模块U30，采用图像滤波器增强所述分割结果；
特征提取模块U40，用于提取增强后的所述分割结果的特征，形成特征池；
检测模块U50，用于分类器根据所述特征池对所述肺部CT图像进行肺结节检测，确定至少一个目标组织的良/恶性或良性可能性、恶性可能性，诊断预测结果可以是二分法的良恶性鉴定所述目标区域是恶性或恶性，或者提出评估分数显示良/恶性的可能性。
综上所述，本发明提供一种医学图像的分割方法、肺结节检测方法及计算机辅助检测系统，通过第一判定有效分割并保护结节的实性区域，通过第二判定有效分割结节的周围区域并移除血管、气管等结节分割的主要噪音。本发明提供图像分割方法通用性强、精度高，可以准确分割类球形、磨玻璃结节等不同类型的结节，有效降低后续计算机辅助检测的假阳性。
本发明上述实施例的医学图像分割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。
虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。

Claims (7)

1.一种医学图像的分割方法，其特征在于，包括如下步骤：
获取肺部医学图像；
对所述医学图像进行初始定位，得到一个或多个定位区域；
采用滤波器增强所述定位区域，获得目标区域，所述目标区域包含结节区域和背景区域，所述结节区域由实性区域以及围绕所述实性区域的周围区域构成；
判断基于聚类模型处理的所述目标区域，若满足第一判定，则获取结节的实性区域；
判断基于形态学模型处理的所述目标区域，若满足第二判定，则获取结节的周围区域；
融合所述实性区域和周围区域，获得图像分割结果；
其中，所述第一判定包括如下步骤：
逐一选取所述基于聚类模型处理后的目标区域中的任一体素，若所述体素的值大于阈值T1，并且，
所述采用滤波器增强所述定位区域，获得目标区域中对应该体素的值大于T2，则标记所述体素为结节，否则标记所述体素为背景。
2.如权利要求1所述的医学图像的分割方法,其特征在于，所述初始定位通过以下任一种方式获取所述定位区域：
基于用户给定的区域获取所述定位区域；
基于用户给定的贯穿疑似结节区域的长轴线上选取种子点，采用区域增长方法获取所述定位区域；
基于检测程序获取所述定位区域。
3.如权利要求1所述的医学图像的分割方法，其特征在于，所述滤波器采用基于海森点增强的阈值分割方法。
4.如权利要求1所述的医学图像的分割方法，其特征在于，所述形态学模型采用海森线增强方法处理所述目标区域，获得线增强图。
5.如权利要求4所述的医学图像的分割方法，其特征在于，所述第二判定包括如下步骤：
逐一选取所述基于聚类模型处理的目标区域中的任一体素，若所述体素的值大于阈值T1，并且，所述线增强图像中对应该体素的值小于T3，则标记所述体素为结节，否则标记所述体素为背景。
6.如权利要求1或5所述的医学图像的分割方法，其特征在于，所述基于聚类模型采用变分期望最大化处理所述目标区域获得概率图，所述概率图中任一体素的空间位置一一对应于所述目标区域中的体素的空间位置。
7.一种计算机辅助检测系统，其特征在于，包括:
输入模块，用于获取肺部医学图像；
分割模块，用于分割所述医学图像，获取若干个分割结果；
图像增强模块，采用图像滤波器增强所述分割结果；
特征提取模块，用于提取增强后的所述分割结果的特征，形成特征池；
检测模块，用于分类器根据所述特征池对所述医学图像进行肺结节检测；
其中，所述分割模块包括：预处理单元、实性区域获取单元、周围区域获取单元；
所述预处理单元对所述医学图像进行初始定位，得到一个或多个定位区域；基于海森点增强的区域增长处理所述定位区域，获得目标区域，所述目标区域包含结节区域和背景区域，所述结节区域由实性区域以及围绕所述实性区域的周围区域构成；
所述实性区域获取单元判断基于变分期望最大化处理的所述目标区域，若满足第一判定，则获取结节的实性区域；在所述第一判定中，逐一选取所述基于聚类模型处理后的目标区域中的任一体素，若所述体素的值大于阈值T1，并且，所述采用滤波器增强所述定位区域，获得目标区域中对应该体素的值大于T2，则标记所述体素为结节，否则标记所述体素为背景；
所述周围区域获取单元判断基于形态学处理的所述目标区域，若满足第二判定，则获取结节的周围区域。
CN201610283527.9A 2015-11-30 2016-04-29 图像分割方法、肺结节检测方法及其计算机辅助检测系统 Active CN105976367B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201610283527.9A CN105976367B (zh) 2016-04-29 2016-04-29 图像分割方法、肺结节检测方法及其计算机辅助检测系统
PCT/CN2016/107278 WO2017092615A1 (zh) 2015-11-30 2016-11-25 一种计算机辅助诊断系统及方法
US15/662,394 US10825180B2 (en) 2015-11-30 2017-07-28 System and method for computer aided diagnosis
US15/662,359 US10467757B2 (en) 2015-11-30 2017-07-28 System and method for computer aided diagnosis

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610283527.9A CN105976367B (zh) 2016-04-29 2016-04-29 图像分割方法、肺结节检测方法及其计算机辅助检测系统

Publications (2)

Publication Number Publication Date
CN105976367A CN105976367A (zh) 2016-09-28
CN105976367B true CN105976367B (zh) 2019-06-28

Family

ID=56994413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610283527.9A Active CN105976367B (zh) 2015-11-30 2016-04-29 图像分割方法、肺结节检测方法及其计算机辅助检测系统

Country Status (1)

Country Link
CN (1) CN105976367B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106611413A (zh) * 2016-11-30 2017-05-03 上海联影医疗科技有限公司 图像分割方法及其系统
CN107392900B (zh) * 2017-07-24 2020-07-28 太原理工大学 一种肺结节图像的多尺度增强方法
CN107578402A (zh) * 2017-08-04 2018-01-12 上海斐讯数据通信技术有限公司 一种基于深度学习的肺部结节的检测系统及其使用方法
CN107485446A (zh) * 2017-09-07 2017-12-19 安徽紫薇帝星数字科技有限公司 一种可快速定位腹部的手术导向定位系统
CN107705305A (zh) * 2017-10-20 2018-02-16 上海联影医疗科技有限公司 一种医学图像处理的方法及装置
CN108389240B (zh) * 2018-02-28 2021-08-13 天津市肿瘤医院 一种采用影像组学技术进行低辐射剂量肺结节筛查的方法
CN108961281B (zh) * 2018-03-28 2020-10-20 研境信息科技(上海)有限公司 一种基于3d体素数据图像的图像分割方法及设备
CN109036547A (zh) * 2018-06-11 2018-12-18 燕山大学 一种基于聚类分析的肺部ct图像计算机辅助系统及方法
CN109003260B (zh) 2018-06-28 2021-02-09 深圳视见医疗科技有限公司 Ct图像肺结节检测方法、装置、设备及可读存储介质
CN109509204A (zh) * 2018-10-23 2019-03-22 中国科学院苏州生物医学工程技术研究所 Ct图像矽肺结节的自动提取方法
CN109492547B (zh) * 2018-10-24 2022-03-08 腾讯科技（深圳）有限公司 一种结节识别方法、装置和存储介质
CN111429461B (zh) * 2019-01-09 2023-09-01 武汉兰丁智能医学股份有限公司 一种新型的重叠脱落上皮细胞分割方法
CN110176009B (zh) * 2019-05-23 2023-03-07 复旦大学 一种肺部图像分割和跟踪方法和系统
CN110400626B (zh) * 2019-07-08 2023-03-24 上海联影智能医疗科技有限公司 图像检测方法、装置、计算机设备和存储介质
CN110555833B (zh) * 2019-08-30 2023-03-21 联想(北京)有限公司 图像处理方法、装置、电子设备以及介质
CN110517257B (zh) * 2019-08-30 2020-08-11 北京推想科技有限公司 危及器官标注信息处理方法及相关装置
CN111723817B (zh) * 2020-06-30 2023-09-29 重庆大学 一种肺结节辅助检测方法
CN111768418A (zh) * 2020-06-30 2020-10-13 北京推想科技有限公司 图像分割方法及装置、图像分割模型的训练方法
CN113129314B (zh) * 2021-04-01 2022-08-02 上海市第一人民医院 一种针对肺部阴影智能图像处理方法
CN113689355B (zh) * 2021-09-10 2022-07-08 数坤(北京)网络科技股份有限公司 图像处理方法、装置、存储介质及计算机设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101002228A (zh) * 2004-05-18 2007-07-18 医学视像上市公司 结节边界检测
CN104899926A (zh) * 2015-07-06 2015-09-09 上海联影医疗科技有限公司 医学图像分割方法和装置
CN105469419A (zh) * 2016-01-07 2016-04-06 于翠妮 一种基于ct影像的肺结节检测方法
CN105488800A (zh) * 2015-11-30 2016-04-13 上海联影医疗科技有限公司 特征提取方法、计算机辅助诊断的方法及其系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7336809B2 (en) * 2001-11-23 2008-02-26 R2 Technology, Inc. Segmentation in medical images
US7006677B2 (en) * 2002-04-15 2006-02-28 General Electric Company Semi-automatic segmentation algorithm for pet oncology images

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101002228A (zh) * 2004-05-18 2007-07-18 医学视像上市公司 结节边界检测
CN104899926A (zh) * 2015-07-06 2015-09-09 上海联影医疗科技有限公司 医学图像分割方法和装置
CN105488800A (zh) * 2015-11-30 2016-04-13 上海联影医疗科技有限公司 特征提取方法、计算机辅助诊断的方法及其系统
CN105469419A (zh) * 2016-01-07 2016-04-06 于翠妮 一种基于ct影像的肺结节检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于CT图像的肺结节检测方法研究;王鑫;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20150115;第2016年卷(第1期);第13-14页
计算机辅助诊断尘肺的研究;赵巍;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20120515;第2012年卷(第05期);第3章

Also Published As

Publication number Publication date
CN105976367A (zh) 2016-09-28

Similar Documents

Publication Publication Date Title
CN105976367B (zh) 图像分割方法、肺结节检测方法及其计算机辅助检测系统
Zhou et al. High-resolution encoder–decoder networks for low-contrast medical image segmentation
Halder et al. Lung nodule detection from feature engineering to deep learning in thoracic CT images: a comprehensive review
Yan et al. Attention-guided deep neural network with multi-scale feature fusion for liver vessel segmentation
Cha et al. Urinary bladder segmentation in CT urography using deep‐learning convolutional neural network and level sets
Depeursinge et al. Three-dimensional solid texture analysis in biomedical imaging: review and opportunities
Wang et al. Shape–intensity prior level set combining probabilistic atlas and probability map constrains for automatic liver segmentation from abdominal CT images
Lo et al. Vessel-guided airway tree segmentation: A voxel classification approach
Joshi et al. Classification of brain cancer using artificial neural network
US7876947B2 (en) System and method for detecting tagged material using alpha matting
Zhou et al. Automatic multiscale enhancement and segmentation of pulmonary vessels in CT pulmonary angiography images for CAD applications
Liu et al. A CADe system for nodule detection in thoracic CT images based on artificial neural network
Liu et al. Spatial feature fusion convolutional network for liver and liver tumor segmentation from CT images
CN106611413A (zh) 图像分割方法及其系统
Perez et al. Automated lung cancer diagnosis using three-dimensional convolutional neural networks
Zhang et al. Design of automatic lung nodule detection system based on multi-scene deep learning framework
Huang et al. Overall survival prediction for gliomas using a novel compound approach
Schwier et al. Automated spine and vertebrae detection in CT images using object‐based image analysis
Di et al. Automatic liver tumor segmentation from CT images using hierarchical iterative superpixels and local statistical features
Chen et al. An artificial-intelligence lung imaging analysis system (ALIAS) for population-based nodule computing in CT scans
Yang et al. An automated method for accurate vessel segmentation
Rehman et al. Liver lesion segmentation using deep learning models
Thangam et al. Skeletal Bone Age Assessment-Research Directions.
Wang et al. Accurate tumor segmentation via octave convolution neural network
Devaki et al. Study of computed tomography images of the lungs: A survey

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
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 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258

Patentee after: Shanghai Lianying Medical Technology Co., Ltd

Address before: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258

Patentee before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd.