CN106408024B - 针对dr片的肺叶轮廓提取方法 - Google Patents

针对dr片的肺叶轮廓提取方法 Download PDF

Info

Publication number
CN106408024B
CN106408024B CN201610834885.4A CN201610834885A CN106408024B CN 106408024 B CN106408024 B CN 106408024B CN 201610834885 A CN201610834885 A CN 201610834885A CN 106408024 B CN106408024 B CN 106408024B
Authority
CN
China
Prior art keywords
lung
image
lobe
profile
template
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
CN201610834885.4A
Other languages
English (en)
Other versions
CN106408024A (zh
Inventor
王俊峰
唐鹏
姬郁林
梁宗安
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN201610834885.4A priority Critical patent/CN106408024B/zh
Publication of CN106408024A publication Critical patent/CN106408024A/zh
Priority to US15/598,686 priority patent/US10210614B2/en
Application granted granted Critical
Publication of CN106408024B publication Critical patent/CN106408024B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Psychiatry (AREA)
  • Power Engineering (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)

Abstract

本发明公开了一种针对DR片的肺叶轮廓提取方法，包括以下步骤：通过离线训练获取肺叶轮廓的代表性模板；胸部DR片肺叶区域提取系统初始化；根据DICOM图像的尺寸，对图像做三层金字塔分解；用Gabor滤波器组重建待处理图像，将Gabor滤波后重建图像的残差转换为黑白图像；用Zhan‑Suen细化算法将黑白图像细化；调用离线训练的每一个模板，用其作为卷积核算子，对轮廓图像进行卷积；从卷积结果中筛选最佳可能性的局部最优卷积值，并组合评价；根据最佳匹配的上下模板及其最佳匹配位置组合生成肺叶轮廓形状。本发明提高了医生检查肺部疾病的工作效率和检查精度，支撑肺结核监测的信息化程度进一步深化，有利于居民肺结核传染病体检筛查的常态化推广。

Description

针对DR片的肺叶轮廓提取方法
技术领域
本发明涉及医疗信息化领域，特别涉及大规模筛查肺结核传染病的诊断辅助中肺叶轮廓提取方法。
背景技术
DR片即数字化照影图像，是Digital Radiography的缩写。胸部DR片图像是传统的胸部透视成像的代替，其成像清晰度高而辐射低。X光成像是体检筛查肺部疾病的主要手段，这些肺部疾病包括肺部炎症、肿块、结核、肺癌等。胸透DR片利用人体组织的不同密度在X射线下成像差异，以观察厚度和密度差别较小部位的病变。但人体组织结构复杂，胸腔和腹腔包含了人体的关键器官，包含了高密度和低密度的各种脏器。因此其影像互相交叠，对观察和判断的影响尤其大。阅读和判别DR片对医生的经验要求很高，很难在基层医院和体检点展开大规模DR片检查。
在居民体检中，拍摄DR片的目的通常是做肺结核筛查。结核病是由结核分枝杆菌引起的，容易经空气中的飞沫甚至气溶胶传播。结核病患者主体是青壮年，这会导致家庭和社会劳动力损失。世界卫生组织指出结核病是全球重要的公共卫生问题。全球每年结核病夺取140万人生命。我国目前有500万活动性肺结核患者，每年有5万人死于结核病。根据世界卫生组织的估算，我国每年新发病人100万，年递降幅度为3％。在全球22个结核病高负担国家中，我国仅次于印度排在第二位。结核病是我国重点防控的主要传染病之一。中国疾病预防控制中心指出，我国是全球22个结核病高负担国家之一和全球27个耐多药肺结核高负担国家之一，耐多药肺结核患者人数位居全球首位；普通肺结核患者人数位居全球第二位，仅次于印度。
尽管我国肺结核疫情呈现感染人数多、发病人数多且现患人数多的严峻形势，但结核病本身是可防可治的。鉴于结核病的危害严重，防治工作难度大，地方各级结核病防治队伍规模仍较小，力量和经费尚不能适应防治需求，需要加强技术和资金投入，建立医防结合机制，形成切实有效的防治体系。当前，在结核病防治的实施上，存在着早期发现和治疗管理两个薄弱、困难环节。在此形势下，国内逐步开展利用基本公共卫生服务开展重点人群肺结核病人筛查项目，并对确诊病人全部予以免费抗结核治疗。
和肺结核相比，肺癌对病患身体健康的破坏严重程度胜于前者。众所周知，肺癌的死亡率远远高于其他癌症，而且近些年来还呈逐年增加的趋势。影像学检查是癌症诊断、检测和防治方面的重要技术手段之一。通常意义上的胸部影像学的主要研究对象就是肺部癌症，它一般通过建立肺窗来观察相应肺部影像。肺癌是与吸烟、大气污染和免疫功能低下有关的肿瘤性疾病。诸如近年来雾霾等因素对肺部反复的炎症刺激会带来慢性损害，影响支气管粘上皮的正常功能和机体的免疫抗病毒状态，对肺癌的发生有促进作用。未来可能导致肺癌高发。此外，肺癌的致癌潜伏期很长，一般需要10～30年。因此有些人年青时得过肺结核，治愈后肺部留下钙化灶，而在以后体检时即使发现肺部有阴影，也可能会被误认为是肺结核留下的钙化灶，从而可能错过了早期发现肺癌的机会。
与肺结核合并肺癌相比，肺癌并发肺结核或许更值得关注。统计显示，临床上约有10％～15％的肺癌患者会并发肺结核，尸检病例更高达30％左右。这是因为部分肺癌和肺结核在影像学上难以区别，临床上极易发生误诊、误治或延误治疗。临床上有的病人明明只是肺结核，但却被个别基层医院单凭一个影像学检查就诊断成了肺癌，甚至盲目地做起了放化疗，给病人的身体造成了严重的危害。相反，也有些病人明明是肺癌合并了肺结核，但却被漏诊了肺癌，仅仅将其当成单纯的肺结核进行治疗。造成这种现象的原因主要是因为结核病与肺癌的临床表现很相似，就是咳嗽、咳血等，而且两者通过影像学检查均可表现为胸部X线片上有阴影。
肺部DR片智能化处理的一大难点是如何确定肺叶的区域。若能准确确定肺叶范围，减弱或消除肺部以外的干扰，就能更有利于发现细微的病变。此外，肺叶轮廓的形状本身也是判断体检者相关生理指标的重要因素；可靠的肺叶轮廓提取算法可以使体检者减少复检的次数，拍摄更少的胸片，在较低辐射剂量的代价下获取医生对病灶确诊。
发明内容
本发明所要解决的技术问题是提供一种针对DR片的肺叶轮廓提取方法，此方法无需人工干预，全自动化的处理各种胸透DR片，提取肺叶轮廓。
为解决上述技术问题，本发明采用的技术方案是：
一种针对DR片的肺叶轮廓提取方法，包括以下步骤：
步骤1：通过离线训练获取肺叶轮廓的代表性模板，包括左肺上部分模板、左肺下部分模板、右肺上部分模板以及右肺下部分模板；
步骤2：胸部DR片肺叶区域提取系统初始化，从DR片数据库中读取一幅DICOM图像；
步骤3：根据DICOM图像的尺寸，对图像做三层金字塔分解；进行降采样过程，将DICOM图像在高斯平滑的基础上不断缩小为原来图像高度的1/2，得到一系列图像，即为高斯图像金字塔；进行升采样过程，将每个图放大为原来高度的2倍，并与高斯金字塔下原始图像求差，得到拉普拉斯图像金字塔；
步骤4：用Gabor滤波器组重建待处理图像，将Gabor滤波后重建图像的残差，用自适应的局部二值化算法，将其转换为黑白图像；
步骤5：用Zhang-Suen细化算法将黑白图像细化，得到DICOM图像中包含其他干扰的关键轮廓图像；
步骤6：调用离线训练的左肺上部分模板、左肺下部分模板、右肺上部分模板以及右肺下部分模板，对每一个模板，用其作为卷积核算子，对步骤5所述的轮廓图像进行卷积，记录每一处的卷积计算结果；
步骤7：从卷积结果中筛选最佳可能性的局部最优卷积值，并组合评价；
步骤8：根据最佳匹配的上下模板及其最佳匹配位置组合生成肺叶轮廓形状。
根据上述方案，所述步骤1具体包括如下子步骤：
步骤1.1：采集具有代表性的DICOM图像，作为样板数据集；
步骤1.2：通过标注软件，人工手动绘制与样板相对应的黑白图像，其中的白色区域对应肺叶区域，而黑色区域为其他区域；保存黑白图像到文件，作为数据集中的样板肺叶的轮廓标注；
步骤1.3：遍历数据集中所有标注图像，提取每张轮廓标注图像中的轮廓，根据轮廓的重心，区分左肺轮廓和右肺轮廓，分别将左肺轮廓和右肺轮廓的像素按逆时针顺序加入左肺轮廓点集和右肺轮廓点集；
步骤1.4：遍历左肺轮廓点集，对每个左肺的轮廓，读取其对应的像素点，判别x和y坐标的最大值xmax，ymax和最小值xmin，ymin，并根据ymax和ymin提取肺叶上部分的区域和下部分区域，其中，上部分由参数xmax，xmin，ymax共同决定，下部分由参数xmax，xmin，ymin共同决定；
步骤1.5：用K-means算法对左肺叶上部分轮廓、左肺叶下部分轮廓、右肺叶上部分的轮廓以及右肺叶下部分的轮廓进行聚类，获取代表性模板。
根据上述方案，所述步骤7中组合评价的评价指标为：上部分模板匹配值、下部分模板匹配值和上下模板连通性匹配值的加权求和。
根据上述方案，所述上下模板连通性匹配值是通过上下模板端点及其切线构建三阶贝塞尔曲线的拐点个数来评价。
与现有技术相比，本发明的有益效果是：
1)通过提取肺部轮廓，使后续的病灶阴影提取模块更具有针对性，提升了后续处理的准确性。将处理后的肺结核肺部DR片给医生检验，可对肺叶区域做伪彩色提示，从而能够降低医生的视觉负荷，提高整体的识别准确率和处理效率；能够降低由于医生经验不足和经验差异对病情判别的影响，使分析结论更加客观和稳定。
2)适应各种胸透DR片，适应不同身形和年龄被拍摄者，实现全自动处理。
3)有效利用网络资源，实现远程会诊的功能，提高疑难病症的会诊可靠性。
4)集成了现有医疗设备和信息化网络化资源，无需购置额外专用设备，工作模式完全兼容传统方式，使迁移工作容易接受。同时提高了降低了设备的使用率，避免了设备闲置和资源浪费。
附图说明
图1为本发明中设备连接示意图。
图2为本发明中DR片的原始内容。
图3为本发明中DR片在Gabor滤波重建后的残差内容。
图4为本发明中滤波重建后DR片的细化效果。
图5为本发明中胸透DR片的肺部轮廓自动化提取方法的示意图。
图6为本发明中胸透DR片的肺部轮廓自动化提取方法的处理流程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。本发明的功能包括：读取数字化胸透影像DICOM数据(Digital Imaging and Communications inMedicine，医学数字成像和通信)，利用数字图像处理技术检测肺部轮廓，并确定其区域范围；使标注内容为易于医生判别肺部病灶阴影的肺部区域影像，处理结果由医生确认以保证可靠性，同时医生反馈信息可在线改进系统性能。本发明方法基本思想为：面向胸透DR片的肺部肋骨自动化抑制方法方法，应用于基础规模化体检点及重大传染病筛查，主要由计算机自动化处理功能组成。设备通过读取数字化胸片透视DICOM图像数据，再将数据传输给肺部轮廓提取模块，包括以下检测步骤：
1)体检点工作人员将装配有DR片管理模块的计算机连接至DR片数据库，并配置DICOM图像文件读取的参数。
2)将体检点计算机连接至远程的医疗图像数据服务器。
3)在完成体检后，体检点计算机在空余时间将当日新增DR片自动上传到远程服务器。
4)系统服务器接收新增DR片，并给予其标签，并将其标签加如待处理队列，处理的优先级由时间先后确定。
5)系统服务器在扫描到未处理队列中存在数据时，自动运行肺叶轮廓自动化提取模块，并将提取结果保存到文件。
6)系统服务器在批量化处理一定数量DR片之后，生成包含DR原始图像和轮廓提取结果的融合图像形的处理报告。
7)根据系统登记的医师记录，系统服务器将汇报发送给不同医生，以人工确认分割结果的可靠性。
8)医生使用智能终端打开汇报，对认可的肺叶轮廓提取接口，可点击确认按钮；对不认可的分割结果，可根据DR片的难易程度，选择人工处理或者延后处理。其中，人工处理一般是针对疑难病例，用手工方式以打开人工标注的程序界面标注出肺叶区域。而延后处理是将图像重新加入待处理队列，但降低其处理优先级，使系统延后处理。
9)系统同时支持交叉评估的方式，由多名医生共同判别分割可靠性较低的肺部轮廓。
10)在未对医生的用户终端设备服务的时段，系统会根据医生的反馈，自动调用自适应状态更新模块，以根据医生新手动标记的图像特征对现有处理模块的参数改进和深化训练。
11)系统服务在进行状态更新后，会对待处理列表中的剩余图像进行重新处理。由于系统参数的优化，原来不能处理的DR片在改进后的系统中可以正确提取肺野形状。
12)体检点DR片的某一批次处理结束之后，由系统服务器向体检点计算机发出处理结束的消息，并有体检点信息员接收处理结果。
在以上各步骤中，系统会以图形化的方式提示医生操作，通过计算机自动识别和动态学习，以减少医生需操作键盘和鼠标的频率，从而提高处理效率和改善用户体验，使枯燥的标注和验证工作变得容易让人接受。此外，系统采用BS架构，使医生只要有用户名和密码即可在任意连接互联网络的计算机上进行肺结核影像的标注和评估，使工作平台从局部化的专用网络扩展到广域通用网络。不仅利于医生的工作和协调，而且有利于地方卫士部门和疾控单位对基层工作的把握及数据分析和挖掘。
本发明是一种针对胸透影像并利用计算机视觉技术进行肺部轮廓提取的方法，以DICOM数据为处理对象，以现有医学影像设备和计算机及互联网络为基础，不涉及专门设计硬件。
本发明面向居民健康体检的胸透DR片图像处理，提供辅助医生开展肺结核等关键肺部疾病筛查工作的关键核心算法。采用计算机图像处理技术自动获取DICOM图像中可能的肺轮廓边界的后续区域，从高可能性候选区域中进一步筛选最佳匹配方案，以解决目前大规模居民体检产生数据量太大，而医生在有限时间逐个人工标注且难以保持高精度检测的难题。
本发明利用医疗信息化的优势，能适应医疗人员的主观因素导致偏差、体检点的设备变更、操作人员的计算机水平差异等问题。整个处理过程简单方便，从基础上提高了肺结核筛查的处理效率，同时降低了体检点医护人员的工作负担，因而可使计算机辅助筛查及时推广到缺乏肺结核胸透影像评估经验的基层医疗机构，更有利于针对重点传染病的居民大规模体检进一步常态化和规范化。

Claims (3)

1.一种针对DR片的肺叶轮廓提取方法，其特征在于，包括以下步骤：
步骤1：通过离线训练获取肺叶轮廓的代表性模板，包括左肺上部分模板、左肺下部分模板、右肺上部分模板以及右肺下部分模板；
步骤2：胸部DR片肺叶区域提取系统初始化，从DR片数据库中读取一幅DICOM图像；
步骤3：根据DICOM图像的尺寸，对图像做三层金字塔分解；进行降采样过程，将DICOM图像在高斯平滑的基础上不断缩小为原来图像高度的1/2，得到一系列图像，即为高斯图像金字塔；进行升采样过程，将每个图放大为原来高度的2倍，并与高斯金字塔下原始图像求差，得到拉普拉斯图像金字塔；
步骤4：用Gabor滤波器组重建待处理图像，将Gabor滤波后重建图像的残差，用自适应的局部二值化算法，将其转换为黑白图像；
步骤5：用Zhang-Suen细化算法将黑白图像细化，得到DICOM图像中包含其他干扰的关键轮廓图像；
步骤6：调用离线训练的左肺上部分模板、左肺下部分模板、右肺上部分模板以及右肺下部分模板，对每一个模板，用其作为卷积核算子，对步骤5所述的轮廓图像进行卷积，记录每一处的卷积计算结果；
步骤7：从卷积结果中筛选最佳可能性的局部最优卷积值，并组合评价；
步骤8：根据最佳匹配的上下模板及其最佳匹配位置组合生成肺叶轮廓形状；所述步骤1具体包括如下子步骤：
步骤1.1：采集具有代表性的DICOM图像，作为样板数据集；
步骤1.2：通过标注软件，人工手动绘制与样板相对应的黑白图像，其中的白色区域对应肺叶区域，而黑色区域为其他区域；保存黑白图像到文件，作为数据集中的样板肺叶的轮廓标注；
步骤1.3：遍历数据集中所有标注图像，提取每张轮廓标注图像中的轮廓，根据轮廓的重心，区分左肺轮廓和右肺轮廓，分别将左肺轮廓和右肺轮廓的像素按逆时针顺序加入左肺轮廓点集和右肺轮廓点集；
步骤1.4：遍历左肺轮廓点集，对每个左肺的轮廓，读取其对应的像素点，判别x和y坐标的最大值xmax，ymax和最小值xmin，ymin，并根据ymax和ymin提取肺叶上部分的区域和下部分区域，其中，上部分由参数xmax，xmin，ymax共同决定，下部分由参数xmax，xmin，ymin共同决定；
步骤1.5：用K-means算法对左肺叶上部分轮廓、左肺叶下部分轮廓、右肺叶上部分的轮廓以及右肺叶下部分的轮廓进行聚类，获取代表性模板。
2.如权利要求1所述的针对DR片的肺叶轮廓提取方法，其特征在于，所述步骤7中组合评价的评价指标为：上部分模板匹配值、下部分模板匹配值和上下模板连通性匹配值的加权求和。
3.如权利要求2所述的针对DR片的肺叶轮廓提取方法，其特征在于，所述上下模板连通性匹配值是通过上下模板端点及其切线构建三阶贝塞尔曲线的拐点个数来评价。
CN201610834885.4A 2016-09-20 2016-09-20 针对dr片的肺叶轮廓提取方法 Active CN106408024B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201610834885.4A CN106408024B (zh) 2016-09-20 2016-09-20 针对dr片的肺叶轮廓提取方法
US15/598,686 US10210614B2 (en) 2016-09-20 2017-05-18 Kind of lung lobe contour extraction method aiming at DR radiography

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610834885.4A CN106408024B (zh) 2016-09-20 2016-09-20 针对dr片的肺叶轮廓提取方法

Publications (2)

Publication Number Publication Date
CN106408024A CN106408024A (zh) 2017-02-15
CN106408024B true CN106408024B (zh) 2019-06-21

Family

ID=57996727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610834885.4A Active CN106408024B (zh) 2016-09-20 2016-09-20 针对dr片的肺叶轮廓提取方法

Country Status (2)

Country Link
US (1) US10210614B2 (zh)
CN (1) CN106408024B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018133098A1 (zh) * 2017-01-23 2018-07-26 上海联影医疗科技有限公司 血管壁应力应变状态获取方法及系统
US10467759B2 (en) * 2017-07-27 2019-11-05 Siemens Healthcare Gmbh Intelligent contouring of anatomy with structured user click points
CN108564013B (zh) * 2018-03-23 2021-08-03 上海数迹智能科技有限公司 一种基于手势轮廓快速匹配的手势识别方法
CN109100648B (zh) * 2018-05-16 2020-07-24 上海海事大学 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法
CN109003269B (zh) * 2018-07-19 2021-10-08 哈尔滨工业大学 一种能提高医生效率的医学影像病灶的标注提取方法
EP3608915A1 (en) * 2018-08-07 2020-02-12 Koninklijke Philips N.V. Controlling an image processor by incorporating workload of medical professionnals
CN109450985B (zh) * 2018-10-17 2021-09-21 中电万维信息技术有限责任公司 一种基于Html5高性能的Web影像加载展现系统
CN109785400B (zh) * 2018-11-20 2023-08-04 广东智媒云图科技股份有限公司 一种剪影图像制作方法、装置、电子设备及存储介质
CN109686440B (zh) * 2018-12-20 2023-12-05 深圳市新产业眼科新技术有限公司 一种在线智能诊断云平台及其运行方法和可读存储介质
CN112733841B (zh) * 2020-12-30 2022-12-16 中冶赛迪信息技术(重庆)有限公司 钢卷内部紊乱判断方法、系统、设备及介质
CN113538340A (zh) * 2021-06-24 2021-10-22 武汉中科医疗科技工业技术研究院有限公司 目标轮廓的检测方法、装置、计算机设备和存储介质
CN113688746A (zh) * 2021-08-27 2021-11-23 广东博媒广告传播有限公司 一种基于神经网络的户外广告画面识别系统及方法
CN115953555B (zh) * 2022-12-29 2023-08-22 南京鼓楼医院 一种基于超声测量值的子宫腺肌病建模方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101706843A (zh) * 2009-11-16 2010-05-12 杭州电子科技大学 一种乳腺cr图像交互式读片方法
CN104751178A (zh) * 2015-03-31 2015-07-01 上海理工大学 基于形状模板匹配结合分类器的肺结节检测装置及方法
CN104992445A (zh) * 2015-07-20 2015-10-21 河北大学 一种ct图像肺实质的自动分割方法
CN105125228A (zh) * 2015-10-10 2015-12-09 四川大学 一种胸透dr图像肋骨抑制的图像处理方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050018890A1 (en) * 2003-07-24 2005-01-27 Mcdonald John Alan Segmentation of left ventriculograms using boosted decision trees
JP5258694B2 (ja) * 2009-07-27 2013-08-07 富士フイルム株式会社 医用画像処理装置および方法並びにプログラム
CN104684482B (zh) * 2012-10-01 2019-02-12 东芝医疗系统株式会社 图像处理装置以及x射线ct装置
US9454814B2 (en) * 2015-01-27 2016-09-27 Mckesson Financial Holdings PACS viewer and a method for identifying patient orientation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101706843A (zh) * 2009-11-16 2010-05-12 杭州电子科技大学 一种乳腺cr图像交互式读片方法
CN104751178A (zh) * 2015-03-31 2015-07-01 上海理工大学 基于形状模板匹配结合分类器的肺结节检测装置及方法
CN104992445A (zh) * 2015-07-20 2015-10-21 河北大学 一种ct图像肺实质的自动分割方法
CN105125228A (zh) * 2015-10-10 2015-12-09 四川大学 一种胸透dr图像肋骨抑制的图像处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FAST KIDNEY DETECTION AND SEGMENTATION WITH LEARNED KERNEL CONVOLUTION AND MODEL DEFORMATION IN 3D ULTRASOUND IMAGES;Roberto Ardon.etc;《2015 IEEE 12th International Symposium on Biomedical Imaging》;20150723;第268-271页
基于SURF的肺结核DR图像病变区域检测;符尧等;《计算机工程与设计》;20150930;第36卷(第9期);第2446-2451页

Also Published As

Publication number Publication date
US20180082423A1 (en) 2018-03-22
US10210614B2 (en) 2019-02-19
CN106408024A (zh) 2017-02-15

Similar Documents

Publication Publication Date Title
CN106408024B (zh) 针对dr片的肺叶轮廓提取方法
CN106529555B (zh) 一种基于全卷积网络的dr片肺轮廓提取方法
CN106372390B (zh) 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统
CN106295182B (zh) 一种基于患者生物信息的身份识别方法
CN105426695B (zh) 一种基于虹膜的健康状态检测系统
WO2023283980A1 (zh) 一种应用于临床影像的人工智能医学影像质控方法
CN108765392B (zh) 一种基于滑动窗口的消化道内镜病变检测和识别方法
WO2020042500A1 (zh) 一种基于远程眼底筛查的健康大数据服务方法和系统
CN110459300A (zh) 一种基于计算机视觉与ct影像的肺癌病理类型诊断方法
CN105139390A (zh) 一种检测胸透dr片中肺结核病灶的图像处理方法
LU500798B1 (en) Full-Automatic Segmentation Method for Coronary Artery Calcium Lesions Based on Non-Contrast Chest CT
Yang et al. Development and validation of two artificial intelligence models for diagnosing benign, pigmented facial skin lesions
CN114627067A (zh) 一种基于图像处理的伤口面积测量及辅助诊疗方法
CN109686440A (zh) 一种在线智能诊断云平台及其运行方法和可读存储介质
CN110348477A (zh) 医疗图像处理方法、存储介质及计算机设备
CN114947756A (zh) 基于皮肤图像的特应性皮炎严重程度的智能评估决策系统
CN109785320A (zh) 一种采用改进型AlexNet模型对乳腺钼靶X线图像进行分类和识别的方法
Li et al. Lesion-aware convolutional neural network for chest radiograph classification
CN105125228B (zh) 一种胸透dr图像肋骨抑制的图像处理方法
WO2017193581A1 (zh) 乳腺筛查图像自动处理系统及方法
Xuanyang et al. Computer aided detection of SARS based on radiographs data mining
US11803970B2 (en) Image judgment device, image judgment method, and storage medium
CN114092425A (zh) 基于弥散加权图像的脑缺血评分方法、电子设备及介质
Abdulrahman et al. Coronavirus classification using deep convolutional neural network, models. and chest, x-ray images
Ye et al. A Deep Learning Approach with Cascade-Network Design for Eyelid Tumors Diagnosis Based on Gigapixel Histopathology Images

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