CN106097305B - 双行程区域生长结合形态学重建的肺部气管树分割方法 - Google Patents
双行程区域生长结合形态学重建的肺部气管树分割方法 Download PDFInfo
- Publication number
- CN106097305B CN106097305B CN201610373406.3A CN201610373406A CN106097305B CN 106097305 B CN106097305 B CN 106097305B CN 201610373406 A CN201610373406 A CN 201610373406A CN 106097305 B CN106097305 B CN 106097305B
- Authority
- CN
- China
- Prior art keywords
- value
- tree
- intratracheal
- region growing
- index
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000011218 segmentation Effects 0.000 claims abstract description 33
- 210000004072 lung Anatomy 0.000 claims abstract description 15
- 238000002224 dissection Methods 0.000 claims abstract description 14
- 230000012010 growth Effects 0.000 claims abstract description 13
- 230000000877 morphologic effect Effects 0.000 claims abstract description 11
- 210000000621 bronchi Anatomy 0.000 claims abstract description 9
- 238000012797 qualification Methods 0.000 claims abstract description 5
- 210000003437 trachea Anatomy 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 239000002356 single layer Substances 0.000 claims description 4
- 208000036065 Airway Remodeling Diseases 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 230000034655 secondary growth Effects 0.000 claims description 3
- 235000004338 Syringa vulgaris Nutrition 0.000 claims description 2
- 244000297179 Syringa vulgaris Species 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 7
- 230000002685 pulmonary effect Effects 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 1
- 206010014561 Emphysema Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 241000486406 Trachea Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013276 bronchoscopy Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 238000012795 verification 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
- 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
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
本发明是为了解决上述问题而进行的，目的在于提供一种基于双行程三维区域生长与形态学相结合的肺部气管树分割算法，以实现对肺部气管树进行有效的分割。本发明提供的双行程区域生长结合形态学重建的肺部气管树分割方法，包括如下步骤：自动从序列断层图像中获取三维区域生长的种子点P1；以P1作为种子点，进行第一行程区域生长，得到肺部主支气管树；设定多尺度形态学算子，并利用灰度形态学重建操作，得到三个横切面、冠状面和矢状面解剖位上的对应的气管标记图；以肺部主支气管树为基础、三个解剖位上的气管标记图为限定条件，进行第二行程区域生长，得到对应的分割气管树；将分割气管树进行融合，得到最终的肺部气管树分割结果F。
Description
技术领域
本发明涉及一种医学图像处理领域，具体涉及一种双行程区域生长结合形态学重建的肺部气管树分割方法。
背景技术
肺部气管树的解剖结构，是诊断支气管狭窄、肺气肿以及慢阻肺等多种肺部疾病的病理评判标准，因此能否从CT图像中精确地分割出肺部气管树，最终会影响到临床诊断的准确性。肺部气管是人体与外界进行气体交换的重要组织，从咽喉开始由主支气管依次延伸，形成形态复杂、走向多变的类树状结构。由于CT图像中的部分容积效应、CT图像在拍摄过程中因病人运动而产生的运动伪影以及现行临床CT机极限分辨率等的限制，产生外围高级气管壁模糊、断连的现象，造成肺部气管分割过程中易逾越气管范围泄漏至肺实质中，增加了肺部气管分割的难度。针对这些问题，目前国内外只有较少量文献报道。
Lo等人在2010年Medical Image Analysis期刊上发表的论文《Vessel-guidedairway tree segmentation:A voxel classification approach》提出的基于肺部血管引导的气管分割方法，该方法利用血管与气管在解剖结构上并行的特点，以血管作为分割引导，能够较为精准地分割出肺部气管树，但算法需确定血管走向，复杂度高，时间过长；KaiLAI等人在2009年International Conference on Bioinformatics and BiomedicalEngineering上发表的论文《Automatic 3D Segmentation of Lung Airway Tree:A NovelAdaptive Region Growing Approach》，提出基于感兴趣区域划分的分割方法，虽然利用先划分感兴趣区域再进行分割的方法，可以有效地防止分割泄漏至肺实质，同时提高算法效率，但实验结果表明探测出的高级外围气管较少，分割效果欠佳；Michael W等人在2010年IEEE Transactions on Medical Imaging期刊上发表的论文《Robust 3-D airway treesegmentation for image-guided peripheral bronchoscopy》，将区域生长与气管几何结构分析相结合，以图像局部特征为引导对肺部气管树进行分割，该方法虽然能探测出较多的高级外围气管且准确性较好，但易受到低剂量CT图像中噪声和伪影等因素的影响，且需手动设置的参数过多；Anna等人在2009年Computerized Medical Imaging and Graphics期刊上发表的论文《Two-pass region growing algorithm for segmenting airway treefrom MDCT chest scans》利用双行程区域生长方法，通过形态学腐蚀和膨胀操作探测细小气管，但对高级外围气管的探测效果不佳，在低剂量、层厚较厚的CT图像上表现较差，以气管各级分支为定量指标，最多分割出第十级气管，气管总分支数最多为145，分割效果有待提高。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供一种基于双行程三维区域生长与形态学相结合的肺部气管树分割算法，以实现对肺部气管树进行有效的分割。
本发明提供了一种双行程区域生长结合形态学重建的肺部气管树分割方法，具有这样的特征，包括如下步骤：步骤一，输入待分割的胸部CT的序列断层图像；步骤二，根据肺部气管在序列断层图像中对应的位置及其CT值特点，自动从序列断层图像中获取三维区域生长的种子点P1；步骤三，以P1作为种子点，采用3D区域生长算法进行第一行程区域生长，得到肺部主支气管树A；步骤四，设定多尺度形态学算子，并利用灰度形态学重建操作，分别从横切面、冠状面和矢状面三个方向进行潜在气管区域检测，得到三个解剖位上的对应的气管标记图M1，M2和M3；步骤五，以肺部主支气管树A为基础、三个解剖位上的气管标记图M1，M2和M3为限定条件，利用3D区域生长算法进行第二行程区域生长，得到对应的分割气管树A1，A2和A3；步骤六，依据空间位置关系，将分割气管树A1，A2和A3进行融合，得到最终的肺部气管树分割结果F。
在本发明提供的双行程区域生长结合形态学重建的肺部气管树分割方法中，还可以具有这样的特征，其中步骤三中还包括以下子步骤：子步骤3-1，设定波动范围Index的值；子步骤3-2，从种子点P1开始，以堆栈队列型的方式存储种子点，当当前像素点是种子点的26邻域，且该像素点的CT值以及6邻域的CT值分别与被纳入气管区域像素点平均CT值的差值百分比ΔV不超过波动范围Index时，被纳入气管区域：
其中，ΔV表示当前像素点CT值与气管区域平均CT值之间的差值百分比，valuec表示当前像素点CT值，valuea表示气管区域平均CT值。
在本发明提供的双行程区域生长结合形态学重建的肺部气管树分割方法中，还可以具有这样的特征，其中子步骤3-1为：以Index＝0.05为初始值，ΔIndex＝0.02为步长，采用迭代寻优的方式选取波动范围Index的值，在每次生长迭代过程中递增Index，当已分割出的气管区域平均CT值小于等于-850HU、Index的值不大于0.11、且差值百分比ΔN不大于20％时，判定气管未发生泄漏，且尚未分割完全，迭代继续；否则，判定生长发生了泄漏，此时将当前的波动范围Index的值递减0.02，并将递减后的Index的值设定为最优波动范围Indexopt的值：
其中，ΔN为像素数Nc和像素数Nf的差值百分比，像素数Nc为当前区域生长结果的像素数，像素数Nf为上次迭代中区域生长结果的像素数。
在本发明提供的双行程区域生长结合形态学重建的肺部气管树分割方法中，还可以具有这样的特征，其中，步骤四中，多尺度形态学算子为：依据肺部气管在序列断层图像上的形状特征，定义一个4连通域的单位结构元素D，单位结构元素D对本身进行n次膨胀，从而得到不同尺寸的多尺度结构元素Dn，计算公式如下式所示：
式中，多尺度结构元素Dn表示用单位结构元素D对本身进行n次膨胀，n的最小值为1，最大值为6。
在本发明提供的双行程区域生长结合形态学重建的肺部气管树分割方法中，还可以具有这样的特征，其中步骤四中，灰度形态学重建操作包括以下子步骤：子步骤4-1，使用多尺度结构元素Dn，对单层序列断层图像进行形态学闭操作处理得到标记图像Xi，计算公式为：
式中Bi表示胸部CT的序列断层图像的原图像，i代表胸部CT的序列断层图像中的任意CT切层，D表示单位结构元素，Xi表示Bi由单位结构元素D经一次膨胀与腐蚀后得到的标记图像；子步骤4-2，运用标记图像Xi与原图Bi进行重构操作，重复运算直至Ik+1等于Ik，从而得到对应的高级气管重构图Ik+1，之后利用原图Bi与重构图像Ik+1相减得到标记图Map_Grayi，Ik+1的计算公式为：
其中I1＝Xi；子步骤4-3，选取合适的阈值，对标记图Map_Grayi进行阈值化处理，采用的阈值化处理公式为：
Threshold＝T_index×(MaxValue-MinValue)+MinValue，
式中Threshold代表最终的阈值，Maxvalue代表标记图Map_Grayi中的最大值，Minvalue代表标记图Map_Grayi中的最小值，T_index代表Maxvalue与Minvalue的差值系数，取值为0.2。
在本发明提供的双行程区域生长结合形态学重建的肺部气管树分割方法中，还可以具有这样的特征：其中，在步骤五中，在第二行程区域生长中当像素点与种子点P1为26邻域且位于Mi(i＝1，2，3)中，同时像素点的CT值与被纳入气管区域像素点平均CT值的差值百分比不大于2倍的Index时，被纳入肺部气管树区域。
在本发明提供的双行程区域生长结合形态学重建的肺部气管树分割方法中，还可以具有这样的特征：其中，Index值选取第一行程区域生长过程中得到的最优值Indexopt。
发明的作用与效果
根据本发明所涉及的双行程区域生长结合形态学重建的肺部气管树分割方法，因为设定多尺度形态学算子，并利用灰度形态学重建操作，分别从横切面、冠状面和矢状面三个方向进行潜在气管区域检测，得到三个解剖位上的对应的气管标记图，并以肺部主支气管树为基础、三个解剖位上的气管标记图为限定条件，利用3D区域生长算法进行第二行程区域生长，所以，本发明的双行程区域生长结合形态学重建的肺部气管树分割方法具有简单易实现，其分割结果显示能够分割出更高级别的气管树同时气管树分支数大幅度提高，而且分割结果侵入肺实质的比例也较低。
附图说明
图1是本发明的实施例中双行程区域生长结合形态学重建的肺部气管树分割方法的方法流程图；
图2是本发明的实施例中双行程区域生长结合形态学重建的肺部气管树分割方法的分割路径图；
图3是本发明的实施例中双行程区域生长结合形态学重建的肺部气管树分割方法的针对不同案例获得的分割结果图；以及
图4是本发明的实施例中双行程区域生长结合形态学重建的肺部气管树分割方法与TWORG的分割结果统计对照表，其中TWORG代表文献《Two-pass region growingalgorithm for segmenting airway tree from MDCT chest scans》中的算法。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本发明双行程区域生长结合形态学重建的肺部气管树分割方法作具体阐述。
实施例
图1是本发明的实施例中双行程区域生长结合形态学重建的肺部气管树分割方法的方法流程图；图2是本发明的实施例中双行程区域生长结合形态学重建的肺部气管树分割方法的分割路径图。
如图1所示，本发明的实施例中双行程区域生长结合形态学重建的肺部气管树分割方法包括如下步骤：
步骤一，输入待分割DICOM格式的胸部CT的序列断层图像。
步骤二，通过自动选取，在序列断层图像中获取三维区域生长种子点P1。肺气管内部的CT值范围为-1024HU～-800HU，且主支气管位于图像中间区域，直径为1.0cm～2.3cm。因此，设阈值T＝-800HU，得到二值图像。在二值图像中间区域搜索位置与面积符合要求的连通域并求其质心，以此质心作为最终的三维区域生长的种子点P1。
步骤三，以P1作为种子点，采用3D区域生长算法进行第一行程区域生长，得到肺部主支气管树A：
子步骤3-1，设定波动范围Index的值：以Index＝0.05为初始值，ΔIndex＝0.02为步长，采用迭代寻优的方式选取波动范围Index的值，在每次生长迭代过程中递增Index，当已分割出的气管区域平均CT值小于等于-850HU、Index的值不大于0.11、且差值百分比ΔN不大于20％时，判定气管未发生泄漏，且尚未分割完全，迭代继续；否则，判定生长发生了泄漏，此时将当前的波动范围Index的值递减0.02，并将递减后的Index的值设定为最优波动范围Indexopt的值：
其中，ΔN为像素数Nc和像素数Nf的差值百分比，像素数Nc为当前区域生长结果的像素数，像素数Nf为上次迭代中区域生长结果的像素数；
子步骤3-2，从种子点P1开始，以堆栈队列型的方式存储种子点，当当前像素点是种子点的26邻域，且该像素点的CT值以及6邻域的CT值分别与被纳入气管区域像素点平均CT值的差值百分比ΔV不超过波动范围Index时，被纳入气管区域：
其中，ΔV表示当前像素点CT值与气管区域平均CT值之间的差值百分比，valuec表示当前像素点CT值，valuea表示气管区域平均CT值。
步骤四，设定多尺度形态学算子，并利用灰度形态学重建操作，分别从横切面、冠状面和矢状面三个方向进行潜在气管区域检测，得到三个解剖位上的对应的气管标记图M1，M2和M3：
Mi表示任一解剖位的最终标记图集合，Mapi表示任一解剖位的单层标记图，S表示CT序列图的总层数。
其中，多尺度形态学算子为：依据肺部气管在序列断层图像上的形状特征，定义一个4连通域的单位结构元素D，单位结构元素D对本身进行n次膨胀，从而得到不同尺寸的多尺度结构元素Dn，计算公式如下式所示：
式中，多尺度结构元素Dn表示用单位结构元素D对本身进行n次膨胀，n的最小值为1，最大值为6；
灰度形态学重建操作包括以下子步骤：
子步骤4-1，使用多尺度结构元素Dn，对单层序列断层图像进行形态学闭操作处理得到标记图像Xi，计算公式为：
式中Bi表示胸部CT的序列断层图像的原图像，i代表胸部CT的序列断层图像中的任意CT切层，D表示单位结构元素，Xi表示Bi由单位结构元素D经一次膨胀与腐蚀后得到的标记图像；
子步骤4-2，运用标记图像Xi与原图Bi进行重构操作，重复运算直至Ik+1等于Ik，从而得到对应的高级气管重构图Ik+1，之后利用原图Bi与重构图像Ik+1相减得到标记图Map_Grayi，Ik+1的计算公式为：
其中I1＝Xi；
子步骤4-3，选取合适的阈值，对标记图Map_Grayi进行阈值化处理，采用的阈值化处理公式为：
Threshold＝T_index×(MaxValue-MinValue)+MinValue，
式中Threshold代表最终的阈值，Maxvalue代表标记图Map_Grayi中的最大值，Minvalue代表标记图Map_Grayi中的最小值，T_index
代表Maxvalue与Minvalue的差值系数，取值为0.2。
步骤五，以肺部主支气管树A为基础、三个解剖位上的气管标记图M1，M2和M3为限定条件，利用3D区域生长算法进行第二行程区域生长，得到对应的分割气管树A1，A2和A3。
为了能够在不发生泄漏的情况下，尽可能地分割出较高级别的细小气管，在粗分割结果的基础上，进行第二行程区域生长。当前像素点满足以下条件时，被纳入肺部气管树区域：
在第二行程区域生长中当像素点与种子点P1为26邻域且位于Mi(i＝1，2，3)中，同时像素点的CT值与被纳入气管区域像素点平均CT值的差值百分比不大于2倍的Index时，被纳入肺部气管树区域。Index值选取第一行程区域生长过程中得到的最优值Indexopt。
由于引入了标记图集合Mi作为区域生长的路径，导致肺部气管树的平均CT值范围扩大，所以适当的增加波动范围是必要的。本文选择第一行程区域生长过程中得到的最优Index值Indexopt，并在此基础上将波动范围扩大为2倍的Indexopt。经过实验验证，以第一次区域生长确定的Index值为基础进行CT值范围的扩展，相比设定固定的扩展范围，能够更好的依据数据的实际情况提取细小气管，同时，也能防止因波动范围过大，而导致的二次分割泄漏。
步骤六，依据空间位置关系，将分割气管树A1，A2和A3进行融合，得到最终的肺部气管树分割结果F。
本实验数据来自上海肺科医院40排螺旋CT扫描图像与LIDC数据库，成像层厚0.75mm～2.00mm，空间分辨率为0.6836mm～0.7993mm，每幅断层图像都是512×512的16位DICOM格式图像。总共测试了25组胸部CT序列断层图像(即25个病例)，该分割实验是在Matlab R2015a环境下进行的。
图3是本发明的实施例中双行程区域生长结合形态学重建的肺部气管树分割方法的针对不同案例获得的分割结果图。
如图3所示，对上述胸部CT序列断层图像，用本发明所述方法对肺部气管树进行了分割。
为了定量地评价该分割方法的性能，以各级气管分支数、气管总分支数为定量指标，对分割结果进行定量比较分析。
图4是本发明的实施例中双行程区域生长结合形态学重建的肺部气管树分割方法与TWORG的分割结果统计对照表，其中TWORG代表文献《Two-pass region growingalgorithm for segmenting airway tree from MDCT chest scans》中的算法。
如图4所示，利用本发明方法对25个肺部气管树进行了分割，并根据上述定量评判标准对每个分割案例的各级气管分支数以及气管总分支数进行了统计，从实验结果可得出，本发明较现有国内外文献，能够探测出更多的有效气管区域，最多可分割出12级气管，并且各级气管数目在不同的CT数据中都有较好的表现。能够探测出更多的气管树目，气管总分支数最高为293，最低为83，平均气管分支数为156。因此，使用本发明方法可以较有效地分割出肺部气管树。
实施例的作用与效果
根据本实施例所涉及的双行程区域生长结合形态学重建的肺部气管树分割方法，因为设定多尺度形态学算子，并利用灰度形态学重建操作，分别从横切面、冠状面和矢状面三个方向进行潜在气管区域检测，得到三个解剖位上的对应的气管标记图，并以肺部主支气管树为基础、三个解剖位上的气管标记图为限定条件，利用3D区域生长算法进行第二行程区域生长，所以，本实施例的双行程区域生长结合形态学重建的肺部气管树分割方法具有简单易实现，其分割结果显示能够分割出更高级别的气管树同时气管树分支数大幅度提高，而且分割结果侵入肺实质的比例也较低。而且本实施例所涉及的双行程区域生长结合形态学重建的肺部气管树分割方法能够探测出更多的有效气管区域，最多可分割出12级气管，并且各级气管数目在不同的CT数据中都有较好的表现。
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。
Claims (6)
1.一种双行程区域生长结合形态学重建的肺部气管树分割方法，其特征在于，包括如下步骤：
步骤一，输入待分割的胸部CT的序列断层图像；
步骤二，根据肺部气管在所述序列断层图像中对应的位置及其CT值特点，自动从所述序列断层图像中获取三维区域生长的种子点P1；
步骤三，以P1作为种子点，采用3D区域生长算法进行第一行程区域生长，得到肺部主支气管树A；
步骤四，设定多尺度形态学算子，并利用灰度形态学重建操作，分别从横切面、冠状面和矢状面三个方向进行潜在气管区域检测，得到三个解剖位上的对应的气管标记图M1，M2和M3；
步骤五，以所述肺部主支气管树A为基础、所述三个解剖位上的气管标记图M1，M2和M3为限定条件，利用3D区域生长算法进行第二行程区域生长，得到对应的分割气管树A1，A2和A3；
步骤六，依据空间位置关系，将所述分割气管树A1，A2和A3进行融合，得到最终的肺部气管树分割结果F，
其中，步骤三中还包括以下子步骤：
子步骤3-1，设定波动范围Index的值；
子步骤3-2，从种子点P1开始，以堆栈队列型的方式存储种子点，当当前像素点是种子点的26邻域，且该像素点的CT值以及6邻域的CT值分别与被纳入气管区域像素点平均CT值的差值百分比ΔV不超过波动范围Index时，被纳入气管区域：
其中，ΔV表示当前像素点CT值与气管区域平均CT值之间的差值百分比，valuec表示当前像素点CT值，valuea表示气管区域平均CT值。
2.根据权利要求1所述的双行程区域生长结合形态学重建的肺部气管树分割方法，其特征在于，其中子步骤3-1为：
以Index＝0.05为初始值，δIndex＝0.02为步长，采用迭代寻优的方式选取波动范围Index的值，在每次生长迭代过程中递增Index，当已分割出的气管区域平均CT值小于等于-850HU、Index的值不大于0.11、且差值百分比ΔN不大于20％时，判定气管未发生泄漏，且尚未分割完全，迭代继续；否则，判定生长发生了泄漏，此时将当前的波动范围Index的值递减0.02，并将递减后的Index的值设定为最优波动范围Indexopt的值：
其中，ΔN为像素数Nc和像素数Nf的差值百分比，像素数Nc为当前区域生长结果的像素数，像素数Nf为上次迭代中区域生长结果的像素数。
3.根据权利要求1所述的双行程区域生长结合形态学重建的肺部气管树分割方法，其特征在于，其中步骤四中，所述多尺度形态学算子为：
依据肺部气管在所述序列断层图像上的形状特征，定义一个4连通域的单位结构元素D，单位结构元素D对本身进行n次膨胀，从而得到不同尺寸的多尺度结构元素Dn，计算公式如下式所示：
式中，多尺度结构元素Dn表示用单位结构元素D对本身进行n次膨胀，n的最小值为1，最大值为6。
4.根据权利要求1所述的双行程区域生长结合形态学重建的肺部气管树分割方法，其特征在于，其中步骤四中，所述灰度形态学重建操作包括以下子步骤：
子步骤4-1，使用多尺度结构元素Dn，对单层所述序列断层图像进行形态学闭操作处理得到标记图像Xi，计算公式为：
式中Bi表示所述胸部CT的序列断层图像的原图像，i代表所述胸部CT的序列断层图像中的任意CT切层，D表示单位结构元素，Xi表示Bi由单位结构元素D经一次膨胀与腐蚀后得到的标记图像；
子步骤4-2，运用标记图像Xi与原图Bi进行重构操作，重复运算直至Ik+1等于Ik，从而得到对应的高级气管重构图Ik+1，之后利用原图Bi与重构图像Ik+1相减得到标记图Map_Grayi，Ik+1的计算公式为：
其中I1＝Xi；
子步骤4-3，选取合适的阈值，对所述标记图Map_Grayi进行阈值化处理，采用的阈值化处理公式为：
Threshold＝T_index×(MaxValue-MinValue)+MinValue，
式中Threshold代表最终的阈值，Maxvalue代表所述标记图Map_Grayi中的最大值，Minvalue代表所述标记图Map_Grayi中的最小值，T_index代表Maxvalue与Minvalue的差值系数，取值为0.2。
5.根据权利要求1所述的双行程区域生长结合形态学重建的肺部气管树分割方法，其特征在于：
其中，在步骤五中，在第二行程区域生长中当所述像素点与种子点P1为26邻域且位于Mi ， i＝1，2，3中，同时所述像素点的CT值与被纳入气管区域像素点平均CT值的差值百分比不大于2倍的Index时，被纳入肺部气管树区域。
6.根据权利要求5所述的双行程区域生长结合形态学重建的肺部气管树分割方法，其特征在于：
其中，Index值选取第一行程区域生长过程中得到的最优值Indexopt。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610373406.3A CN106097305B (zh) | 2016-05-31 | 2016-05-31 | 双行程区域生长结合形态学重建的肺部气管树分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610373406.3A CN106097305B (zh) | 2016-05-31 | 2016-05-31 | 双行程区域生长结合形态学重建的肺部气管树分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106097305A CN106097305A (zh) | 2016-11-09 |
| CN106097305B true CN106097305B (zh) | 2019-03-01 |
Family
ID=57230575
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610373406.3A Expired - Fee Related CN106097305B (zh) | 2016-05-31 | 2016-05-31 | 双行程区域生长结合形态学重建的肺部气管树分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106097305B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106875405B (zh) * | 2017-01-19 | 2019-05-21 | 浙江大学 | 基于广度优先搜索的ct图像肺实质模板气管消除方法 |
| 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 |
| CN109636811B (zh) * | 2017-11-03 | 2020-06-12 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割的整合方法、装置 |
| CN107978370B (zh) * | 2017-11-21 | 2021-09-24 | 上海联影医疗科技股份有限公司 | 一种控制方法及终端 |
| CN108074229A (zh) * | 2017-11-29 | 2018-05-25 | 苏州朗开信通信息技术有限公司 | 一种气管树提取方法及装置 |
| CN108492300B (zh) * | 2018-03-16 | 2021-07-13 | 上海理工大学 | 管状结构增强与能量函数结合的肺部血管树分割方法 |
| CN108510478B (zh) * | 2018-03-19 | 2021-01-26 | 青岛海信医疗设备股份有限公司 | 肺气道图像分割方法、终端、存储介质 |
| 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 |
| CN110705570B (zh) * | 2019-09-20 | 2022-06-21 | 桂林电子科技大学 | 一种图像特征识别方法 |
| CN111127453A (zh) * | 2019-12-27 | 2020-05-08 | 苏州影加科技有限公司 | 一种基于微分几何的气管树全自动分割方法 |
| CN114081625B (zh) * | 2020-07-31 | 2023-08-25 | 上海微创卜算子医疗科技有限公司 | 导航路径规划方法、系统和可读存储介质 |
| CN112006772B (zh) * | 2020-08-04 | 2021-04-02 | 清华大学 | 完整人体体外呼吸道建立方法及系统 |
| CN114419077B (zh) * | 2022-03-31 | 2022-07-05 | 深圳市一图智能科技有限公司 | 一种基于ct图像的肺支气管自动分割方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521833A (zh) * | 2011-12-08 | 2012-06-27 | 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 |
| CN102982531A (zh) * | 2012-10-30 | 2013-03-20 | 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 |
| CN104036484A (zh) * | 2013-03-06 | 2014-09-10 | 株式会社东芝 | 图像分割装置、图像分割方法和医学图像设备 |
| CN104809730A (zh) * | 2015-05-05 | 2015-07-29 | 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 |
| CN105118056A (zh) * | 2015-08-13 | 2015-12-02 | 重庆大学 | 基于三维形态学的冠脉血管自动提取方法 |
-
2016
- 2016-05-31 CN CN201610373406.3A patent/CN106097305B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521833A (zh) * | 2011-12-08 | 2012-06-27 | 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 |
| CN102982531A (zh) * | 2012-10-30 | 2013-03-20 | 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 |
| CN104036484A (zh) * | 2013-03-06 | 2014-09-10 | 株式会社东芝 | 图像分割装置、图像分割方法和医学图像设备 |
| CN104809730A (zh) * | 2015-05-05 | 2015-07-29 | 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 |
| CN105118056A (zh) * | 2015-08-13 | 2015-12-02 | 重庆大学 | 基于三维形态学的冠脉血管自动提取方法 |
Non-Patent Citations (2)
| Title |
|---|
| Anna Fabijan＇ska.Two-pass region growing algorithm for segmenting airway tree from MDCT chest scans.《Computerized medical imaging and graphics》.2009,第33卷(第7期),第538-542页. |
| 王蜀 等.基于数学形态学的医学图像分割.《计算机应用》.2005,第25卷(第10期),第2381-2382页. |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106097305A (zh) | 2016-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| US10249045B2 (en) | Region-growing algorithm | |
| CN110473207B (zh) | 一种交互式分割肺叶的方法 | |
| CN104143184B (zh) | 一种肺部分割的方法 | |
| CN107895364B (zh) | 一种用于虚拟手术术前规划的三维重建系统 | |
| CN102324109A (zh) | 基于模糊隶属度模型的非实质性肺结节三维分割方法 | |
| CN109300113A (zh) | 一种基于改进凸包方法的肺结节辅助检测系统及方法 | |
| CN104504737A (zh) | 一种从肺部ct图像获得三维气管树的方法 | |
| CN104616289A (zh) | 一种3d ct图像中骨组织的移除方法及系统 | |
| JP5105997B2 (ja) | 医用画像処理装置、医用画像診断装置、及びプログラム | |
| CN108280833B (zh) | 一种植物根系分叉特征的骨架提取方法 | |
| US8050470B2 (en) | Branch extension method for airway segmentation | |
| CN112712540B (zh) | 一种基于ct影像的肺部支气管提取方法 | |
| CN108074229A (zh) | 一种气管树提取方法及装置 | |
| Qiao et al. | Automatic liver segmentation method based on improved region growing algorithm | |
| CN108670409B (zh) | 用于手术规划的肺部组织三维重建与可视化装置 | |
| Tong et al. | Computer-aided lung nodule detection based on CT images | |
| CN114581476A (zh) | 一种基于ct图像的肺器官模型自动分叶方法及系统 | |
| Jia et al. | Automated detection of pulmonary nodules in HRCT images | |
| Gao et al. | MGRG-morphological gradient based 3D region growing algorithm for airway tree segmentation in image guided intervention therapy | |
| AU2015238846B2 (en) | Region-growing algorithm | |
| US20230363730A1 (en) | Airway mucus visualization | |
| CN113689442A (zh) | 一种基于三维图像实现肺部器官分割的方法 | |
| AU2014201021B2 (en) | Region-growing algorithm | |
| CN113628219A (zh) | 一种从胸部ct影像中自动提取支气管树的方法和系统 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190301 |