CN106611411B - 一种医学图像中肋骨分割的方法及医学图像处理装置 - Google Patents

一种医学图像中肋骨分割的方法及医学图像处理装置 Download PDF

Info

Publication number
CN106611411B
CN106611411B CN201510679427.3A CN201510679427A CN106611411B CN 106611411 B CN106611411 B CN 106611411B CN 201510679427 A CN201510679427 A CN 201510679427A CN 106611411 B CN106611411 B CN 106611411B
Authority
CN
China
Prior art keywords
rib
image
template
hough
lung
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
CN201510679427.3A
Other languages
English (en)
Other versions
CN106611411A (zh
Inventor
丛琳
李强
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
Priority to CN201510679427.3A priority Critical patent/CN106611411B/zh
Application filed by Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to PCT/CN2016/076358 priority patent/WO2017067127A1/en
Priority to US15/314,055 priority patent/US10275879B2/en
Priority to GB1706137.5A priority patent/GB2549618B/en
Priority to CN201680019303.5A priority patent/CN109074639B/zh
Priority to EP16856574.5A priority patent/EP3365869B1/en
Priority to US15/297,301 priority patent/US10043280B2/en
Priority to US15/448,750 priority patent/US9760983B2/en
Publication of CN106611411A publication Critical patent/CN106611411A/zh
Application granted granted Critical
Publication of CN106611411B publication Critical patent/CN106611411B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • 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
    • 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
    • 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
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/38—Registration of image sequences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/97—Determining parameters from multiple pictures
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种医学图像中肋骨分割的方法及医学图像处理装置，所述肋骨分割的方法，其包括以下步骤：获取肺区域的图像，并进行预处理，得到预处理后的图像；获取数个肋骨的霍夫模板；利用数个肋骨的霍夫模板分别对肺区域范围内的肋骨下边缘二值图像进行霍夫变换，并以霍夫模板的重心值为基准选定一个最佳模板；将最佳模板对应的肋骨二值边缘提取出来，并将其细化、拟合，作为当前图像的基准模板；利用基准模板对肺区域的肋骨下边缘进行广义霍夫变换，完成初始定位；利用双边动态规划算法对肋骨上、下边缘进行同时分割，并将分割结果反变换回原始坐标系中，可较准确的完成肺区域范围内的肋骨分割。

Description

一种医学图像中肋骨分割的方法及医学图像处理装置
【技术领域】
本发明涉及医学图像分割领域，尤其是在医学图像中对肋骨分割的方法及装置。
【背景技术】
X光胸片是指通过X射线穿过胸部，投影在胶片上所形成的图像，是一项常规体检的检查项目。在检查过程中，通常需要对X光胸片中的肋骨部分进行定位和分割，以便对肋骨及肺部的疾病做出诊断。在DR图像中，由于肋骨的遮挡导致检测结节等疾病时假阳性增多。因此，预先检测出肋骨，是DR图像诊断过程中非常重要的一步。检测肋骨也对后续工作有很多的帮助，例如，肺部的配准，肋骨的抑制等。
目前肋骨分割技术主要有：
基于学习的方法：如神经网络，基于上下文迭代法(ICPC)等。这些方法主要是对图像中的骨骼和非骨骼区域进行分类。这些方法的前提是需要大量手动标定出不同图像的肋骨区域和非肋骨区域作为分类器的输入进行训练。
基于边缘梯度的方法：这些方法首先要提取期望分割边界的梯度图像，根据图像的梯度值进行分割。常用的方法有snake方法，Hough变换方法等。这些方法非常依赖对梯度图像的提取。通过观察DR图像可以发现，在肺区域内部肋骨的上边界的梯度并没有下边界的梯度强，因此单独对肋骨的上边界进行分割的结果会存在偏差。
【发明内容】
本发明所要解决的技术问题是提供一种能解决或降低前述问题的肋骨分割的方法及医学图像处理装置。
本发明为解决上述技术问题而采用的技术方案是：一种医学图像中肺分割的方法，其特征在于包括以下步骤：
获取肺区域的图像，并进行预处理，得到预处理后的图像；
获取数个肋骨的霍夫模板；
利用数个肋骨的霍夫模板分别对肺区域范围内的肋骨下边缘二值图像进行霍夫变换，并以霍夫模板的重心值为基准选定一个最佳模板；
将最佳模板对应的肋骨二值边缘提取出来，并将其细化、拟合，作为当前图像的基准模板；
利用基准模板对肺区域的肋骨下边缘进行广义霍夫变换，完成初始定位；
利用双边动态规划算法对肋骨上、下边缘进行同时分割，并将分割结果反变换回原始坐标系中，完成肺区域范围内的肋骨分割。
进一步的，还包括在预处理后的图像上先完成肺区域分割。
进一步的，利用边界增强算子提取肋骨下边缘的梯度图像，并保留肺区域内15％的最大的像素点，得到下边缘的二值图像。
进一步的，将肺区域内上部分25％及下部分20％置为0。
进一步的，将肋骨的平均间距设为肺区域高度的十分之一，并以初始定位为基准，对肺区域内其他肋骨的下边缘进行定位。
进一步的，所述双边动态规划算法包括：在用动态规划算法检测肋骨下边缘时，增加控制量d，控制肋骨上边缘的搜索范围。
进一步的，所述控制量d的范围为11-20个像素大小。
进一步的，将每个霍夫模板进行归一化处理后，得到对应的每个霍夫模板的霍夫空间中的最大值，所有最大值中最大者所对应的霍夫模板即为最佳模板。
本发明为解决上述技术问题而采用的技术方案是：一种医学图像处理装置，其特征在于包括：
存储单元，存储有数个肋骨的霍夫模板；
显示单元，显示对应的胸片图像；
图像处理单元，其用于：
并对胸片图像进行预处理，获得预处理后肺区域内的肋骨的二值图像；
利用数个肋骨的霍夫模板分别对肺区域范围内的肋骨边缘二值图像进行霍夫变换，并以霍夫模板的重心值为基准选定一个最佳模板；
将最佳模板对应的肋骨二值边缘提取出来，并将其细化、拟合，作为当前图像的基准模板；
利用基准模板对肺区域的肋骨下边缘进行广义霍夫变换，完成初始定位；
利用双边动态规划算法对肋骨上、下边缘进行同时分割，并将分割结果反变换回原始坐标系中，完成肺区域范围内的肋骨分割。
进一步的，其特征在于，所述肋骨分割的装置还包括用于对肺部进行分割的单元以及对肺区域内部的肋骨进行抑制的单元；所述显示单元显示出肺区域肋骨被抑制后的图像。
本发明对比现有技术有如下的有益效果：采用双边动态动态规划算法可以同时对肋骨的上下两条边缘进行分割，比单独分割的结果要精确。
【附图说明】
图1为本发明实施例的肋骨分割的方法示意图；
图2为本发明实施例中的肋骨霍夫模板示意图；
图3为本发明实施例中的肋骨下边缘定位过程示意图；
图4为按照定位后的结果，取法线方向像素组成法线矩阵的示意图；
图5为反变换回原始坐标系的肋骨分割结果；
图6为分割结果中的两幅示意性图示；
图7为本发明实施例的肺分割的方法示意图；
图8为本发明实施例的全自动肺分割的具体流程图；
图9(a)为本发明实施例中一获取平均肺模板方法的流程图；
图9(b)为本发明实施例中另一获取平均肺模板方法的流程图；
图10为本发明实施例中用于肺部上边缘的霍夫模板示意图；
图11为本发明实施例中霍夫定位示意图；
图12为本发明实施例中肺部对齐结果示意图；
图13为本发明实施例中肺部分段分割结果示意图；
图14为本发明实施例中右肺分割结果示意图。
【具体实施方式】
下面结合附图和实施例对本发明作进一步的描述。
请参阅图1-6，本发明实施例的一种医学图像(例如DR图像或X射线图像)中肋骨分割的方法，包括以下步骤：
1).获取胸片图像，并对胸片图像进行预处理，获得预处理后的图像；
2).获取数个肋骨的霍夫模板；
3).利用数个肋骨的霍夫模板分别对肺区域范围内的肋骨边缘二值图像进行霍夫变换，并以霍夫模板的重心值为基准选定一个最佳模板；
4).将最佳模板对应的肋骨二值边缘提取出来，并将其细化、拟合，作为当前图像的基准模板；
5).利用基准模板对肺区域的肋骨下边缘进行广义霍夫变换，完成初始定位；
6).利用双边动态规划算法对肋骨上、下边缘进行同时分割，并将分割结果反变换回原始坐标系中，完成肺区域范围内的肋骨分割。
胸片图像，可以是通过X射线拍摄设备获取的DR图像或X射线图像，可以预先拍摄后存储在医学图像处理装置的存储装置中。对医学图像的预处理，包括以下几个步骤：对输入图像做高斯滤波，使用原始图像与滤波后的图像做差，再加上滤波图像的灰度平均值，就得到去背景图像。再对去背景图像做双边滤波操作去除噪声，就得到了预处理后的图像。
霍夫模板，可事先通过以下方法获得，并将其存储在存储装置中。因为肋骨的形状各异，不可能只用一个模板来表示其形状特征，也可基于训练集中大量的肋骨图像数据，通过计算、统计，获得若干个具有代表性的肋骨的边缘形状的霍夫模板；也可根据常见的肋骨形状手动标定了若干个肋骨形状的霍夫模板，本发明实施例中优选9个肋骨的霍夫模板，如图2所示，其大致涵盖了不同的倾斜角度和不同的弯曲程度的肋骨边缘形状。
然后，通过广义霍夫变换，实现对肋骨的边缘(边界)的初始定位，具体方法包括：
记录9个霍夫模板中的每一个模板的重心点的坐标，以及模板上每一点和重心点的相对坐标，从而进行霍夫变换，在霍夫空间中记录的是可能定位准确的模板的重心位置。因此，空间中累计的值越大，就说明该点是当前形状的重心点的可能性就越大。最后在霍夫空间中找到最大值，就确定该点是当前形状的重心点。
首先使用边缘增强算子(例如sobel算子)提取肋骨下边缘的梯度图像，对这个梯度图像保留肺内的15％的最大的像素点，就得到了肋骨下边缘的二值图像。提取下边缘二值图像后，将这幅图像中肺内上部分1/4和下部分1/5置为0，这样可以去掉锁骨以及肺部下端的干扰。之后，在这幅图像上进行霍夫变换操作。
以任一模板为例，使用边缘二值图像上每一个不为零的点去匹配模板中的所有点，在霍夫空间中相对应的重心点的位置处加1。对二值图像中所有等于1的点的进行霍夫变换后，求出空间中每一点的累加和，并找到最大值的位置，该位置就是使用该模板定位的最准确的模板的重心位置，将模板画到图像上，就是找到的边缘位置。
使用9个模板分别对肋骨边缘二值图像进行霍夫变换，在9个霍夫空间中会得到9个最大值，由于模板大小不同，要对最大值进行归一化。再在这9个最大值中找到最大值，再找到该最大值对应的模板，就将这个模板确定为最佳模板。
但是，肋骨的形状不同，只用几个模板也不能够很好的表示所有肋骨的形状。因此，在定位了最佳模板的基础上，将该模板对应的肋骨二值边缘提取出来，将其细化、拟合，作为当前图像的新模板，再对此图像进行霍夫变换。这种方法可以使每幅图像自己的肋骨形状作为本图像的霍夫模板，这样对肋骨的形状表达的更精确，避免了霍夫模板有限带来的定位差异。
霍夫变换一次只能找到一条准确的边缘，因此，根据肺区域的高度以及肋骨的平均间距(定义肋骨的平均间距约等于肺区域高度的十分之一)对肺区域其他位置进行肋骨下边缘的定位。
对左肺也使用相同的肋骨模板进行定位，定位过程如图3所示。
最后，利用双边动态规划的方法对肋骨进行分割。
动态规划算法一次只能检测一条边缘，但每根肋骨是有上下两条边缘的，且是近似平行的结构，若单独检测上下两条边，在肺区域的内侧，由于血管等一些组织的干扰，会非常影响其分割结果。故对动态规划算法做了改进，使其能够同时检测肋骨的上边缘和下边缘。改进的算法添加了对上下两条边的平滑度以及肋骨直径的制约，使上下边缘的一致性更好。故，在本发明中，这种方法为“双边动态规划算法”。该方法包括以下步骤：
1).数据集的采集
在初始肋骨下边缘定位位置的基础上，在每一点的法线方向向上取m1个像素，向下取m2个像素，采集每一点的像素值，最后组成一个m*n(n为每条定位线的长度，m＝m1+m2)的法线矩阵。m的取值是根据肋骨的平均宽度设定的，使提取出的法线矩阵可以充分包含肋骨的上下边缘。在这个法线矩阵中进行动态规划，找到最优边缘后再变换回原始的空间坐标中去，就是我们最终的分割结果。
按照定位后的结果，取法线方向像素组成法线矩阵。如图4所示。
2).计算局部代价
对动态规划算法做如下改进：添加控制量----直径d，用相邻两点所选取的直径d的差值来控制直径的变化，并同时限制上边缘的平滑度。内部代价Eint按照以下公式计算：
Eint(i，j，d)＝α×|k-j|/(k+j)+β×|dk-dj|/(dk+dj)+
γ×|(k-dk)-(j-dj)|/((k-dk)+(j-dj))
dj＝dk-3...dk+3，j＝1...m，k＝j-3...j+3，i＞1
式中k表示第i-1列每点纵坐标的变化，j表示第i列每点纵坐标的变化，dk和dj分别为第i-1列和第i列每点选取的直径d，实验中d的选取在11-20像素大小。α和γ表示权重。
因为要同时检测上下两条边缘，就需要对法线矩阵求垂直向上和向下两个方向上的梯度图像作为双边动态规划的外部代价，分别记为g1和g2，g1表示下边缘梯度，g2表示上边梯度。
因此外部代价定义为：
Eext(i，j，d)＝-(ωdown×g1(i，j)+ωup×g2(i，j-d))
d＝11...20
由公式可以看出，整体的算法是以下边缘为基础，并使用直径d去控制上边缘的搜索范围。
因此局部代价就可以表示为：
E(i，j，d)＝ωint×Eint(i，j，d)+ωext×Eext(i，j，d)
其中，ωup、ωdown、ωint、ωext为权重，优选的取值为：ωup＝0.7，ωdown＝0.3；ωint＝1.9 ωext＝2.4。
3.)计算累计代价
累计代价是迭代的求取前一列的累计代价与当前列的局部代价的和的最小值。但是会有两个变换的量，一个是k，表示前一列的点的纵坐标的变化，一个是d，表示肋骨直径的选取。
Figure BDA0000824815780000081
建立一个矩阵D用于存储使该点取最小值时对应的d。在得到的累计代价的最后一列找最小值，并向前回溯找到最佳路径。最佳路径就是肋骨的下边缘的分割结果，在找到最佳路径的同时，也就确定了每一点对应的直径d，这样可以同时找到上边缘和下边缘。
在实验中，左肺和右肺的每一根肋骨都是分别进行分割的。
本方法使用的数据包括：联影DR图像23张，其中图6为随机选取的两张分割后的结果，从图像中可以看出分割结果比较稳定，并且肺内血管等结构对分割的影响较小。
肋骨定位的结果敏感性对右肺和左肺分别是98.4％和98.1％，每幅图像的假阳性平均为0.11和0.08。对每根肋骨的分割结果分为3个等级进行评价：“好”，“可接受”和“差”。如图6所示，约有90％的肋骨分割结果评价为“好”。从图6中可以看出分割结果比较稳定，并且肺内血管等结构对分割的影响较小。
本发明还提供了一种医学图像处理装置，包括：
存储单元，存储有数个肋骨的霍夫模板；
显示单元，显示对应的胸片图像；
图像处理单元，其用于：
并对胸片图像进行预处理，获得预处理后肺区域内的肋骨的二值图像；
利用数个肋骨的霍夫模板分别对肺区域范围内的肋骨边缘二值图像进行霍夫变换，并以霍夫模板的重心值为基准选定一个最佳模板；
将最佳模板对应的肋骨二值边缘提取出来，并将其细化、拟合，作为当前图像的基准模板；
利用基准模板对肺区域的肋骨下边缘进行广义霍夫变换，完成初始定位；
利用双边动态规划算法对肋骨上、下边缘进行同时分割，并将分割结果反变换回原始坐标系中，完成肺区域范围内的肋骨分割。
此外，所述肋骨分割的装置还包括用于对肺部进行分割的单元以及对肺区域内部的肋骨进行抑制的单元；所述显示单元显示出肺区域肋骨被抑制后的图像。
需要特别说明的是，本发明医学处理图像装置是一种全自动的胸片图像处理装置，可以先进行肺分割，然后在肺区域内进行肋骨分割、肋骨抑制等，并将最终的肺区图像显示在显示装置上，极大的提升了用户体验。
以下为肺分割的方法，下面结合附图和实施例对肺分割的方法做进一步的描述。
请参阅图7-14，本发明实施例的一种医学图像(例如DR图像或X射线图像)中肺分割的方法，包括以下步骤：
根据训练集中的M张胸片的肺轮廓，得到平均肺模板，其中M为大于或等于2的整数；
获取拟被分割的肺部图像；
对拟被分割的肺部图像预处理，获得预处理后的肺部图像；
提取预处理后的肺部图像的肺边界的二值图像，并根据广义霍夫变换进行初始定位，获得相对应的霍夫定位位置；
将平均肺模板与霍夫定位位置对齐，获得霍夫定位结果；
利用动态规划算法进行分割，并将分割结果反变换回原始坐标系中，完成肺区域分割。
实施例中的肺分割，是通过医学处理装置进行全自动的肺分割。所述训练集中包括若干张胸片，胸片被存储在医学处理装置的存储单元内；所述训练集包含100张胸片，每张胸片对应一对肺轮廓图像。在其他实施例中，训练集中胸片的数量M可以为80张、120张、150张等。经发明人多次实验，认为100张胸片即可较好的满足实际需求；当然，胸片的数量越多，所得到的平均肺模板则越好，但是在图像分割中所需要的时间也越长。
选取M张胸片，在M张胸片中所对应的每张胸片的一个肺部(边缘)上标记相同数量的特征点，且不同胸片上的特征点的分布一致。实施例中，在每张胸片上标记42个特征点，其中在每张胸片的肺轮廓的拐点处、最高点处及最低点处都需要标记特征点。在每张胸片的肺轮廓上除拐点处、最高点处及最低点处之外的其他位置等距离标记特征点。当然，特征点的个数也可以为36个、50个等。标记后，就得到了M个肺的轮廓(形状)。但是手工标定是会存在一定误差，而且这些模型会出现在不同位置，并具有不同大小不同旋转角度。为了消除这些“非形状”因素，求取平均肺模板，我们需要对训练集进行对齐。
具体实施方式中，利用循环计算(比较)的方式获得所述平均肺模板，以下为相应的两种可选步骤：
第一种获取平均肺模板的方式(步骤)：
a.从训练集中的M张胸片中进行第一次选取，获取第一肺区形状L0；
b.从训练集中的尚未被选取的胸片中进行第二次选取，获取N张(第二)肺区形状L1、L2…LN；
c.使所述N张肺区形状L1、L2…LN经处理后得到相应的N张肺区形状L11、L21…LN1，分别与第一肺区形状L0对齐，计算得到肺区平均形状Lave，所述处理包括使N张肺区形状L1、L2…LN分别相对于第一肺区形状L0作旋转、缩放、平移变换；
d.若c步骤的肺区平均形状Lave相较于第一肺区形状L0的旋转、缩放、平移小于设定阈值，则将所述肺区平均形状Lave作为平均肺模板；否则，进入e步骤；
e.将第一肺区形状L0进行处理、所述N张肺区形状L11、L21…LN1进行处理后，分别与当前肺区平均形状Lave-i对齐，计算得到本次肺区平均形状Lave1-i，所述对第一肺区形状处理包括：使第一肺区的形状L0分别相对于当前肺区平均形状Lave-i作旋转、缩放、平移变换，得到相应的肺区形状L0i，以及使所述N张肺区形状L11、L21…LN1分别相对于当前肺区平均形状Lave-i作旋转、缩放、平移变换，得到N张肺区形状L1i、L2i…LNi；
f.若e步骤计算所得本次肺区平均形状Lave1-i与当前肺区平均形状Lave-i的旋转、缩放、平移小于设定阈值，则将e步骤计算所得本次肺区平均形状Lave1-i作为平均肺模板；否则，将当前肺区平均形状Lave-i用本次肺区平均形状Lave1-i替代，将第一肺区的形状L0用肺区形状L0i替代，N张第二肺区形状L11、L21…LN1用N张肺区形状L1i、L2i…LNi替代，且i＝i+1，其中i大于或等于2的整数，“＝”为赋值号，并返回步骤e。
进一步的，若e步骤计算所得本次肺区平均形状Lave1-i与当前肺区平均形状Lave-i的旋转、缩放、平移大于设定阈值，但是当i大于或等于90时，停止迭代计算，并以本次肺区平均形状Lave1-i作为平均肺模板。
以上N为小于或等于M-1的自然数，i为大于或等于1的自然数。
所述阈值为使两个肺区形状(图像)对齐时，其中一个肺区的形状相对于另一个肺区的形状所做的几何变换的值：平移距离小于或等于0.01像素，并且旋转角度小于或等于0.001*pi/180，并且缩放尺度小于或等于0.001。
第二种获取平均肺模板的方式(步骤)：
a.从训练集中的M张胸片中做第一次选取，选取一张胸片，获取第一肺区形状；
b.从训练集中未被选定的胸片中做第二次选取，选取至少一张胸片，获取对应的(第二)肺区形状；
c.通过旋转、缩放、平移使所述第二次选取所得的肺区形状分别与第一肺区形状对齐，计算得到当前肺区平均形状；
d.若c步骤的当前肺区平均形状相较于第一肺区形状的旋转、缩放、平移小于设定阈值，则将肺区当前平均形状作为平均肺模板；否则，进入e步骤；
e.从训练集中未被选定的胸片中做第N次选取，选取至少一张胸片，获得对应的肺区形状，通过旋转、缩放、平移将所述第N次选取所得的肺区形状分别与当前肺区平均形状对齐，并计算出至第N次已选取所有肺区形状的平均形状，其中，N为大于或等于3的整数；
f.若至第N次已选取所有肺区形状的平均形状相较于当前肺区平均形状的旋转、缩放、平移小于设定阈值，则将至第N次已选取所有肺区形状的平均形状作为平均肺模板；否则，将至第N次已选取所有肺区形状的平均形状作作为当前肺区平均形状，令N＝N+1，其中，“＝”为赋值号；并返回步骤e。
进一步的，若训练集中所有胸片被选定完毕，则以最后一次所选胸片所得肺区形状与当前肺区平均形状计算所得肺区形状作为平均肺模板。
所述阈值为使两个肺区形状(图像)对齐时，其中一个肺区的形状相对于另一个肺区的形状所做的几何变换的值：平移距离小于或等于0.01像素，并且旋转角度小于或等于0.001*pi/180，并且缩放尺度小于或等于0.001。
通过以上方法计算出平均肺模板后，将其保存在存储单元中，以便于后续使用。
所述肺部图像预处理包括以下步骤：获取被拍摄部位肺部的原始图像，对原始图像做高斯滤波处理后得到滤波图像，对原始图像与滤波图像做差，然后施加滤波图像的灰度平均值，得到去背景图像，然后对去背景图像做双边滤波操作，即得到预处理后的肺部图像。
对预处理后的肺部图像分别提取其上、下、外边界的二值图像，采用基于广义霍夫变换进行初始定位。所述上、下、外(左、右)侧边界共同组成肺部边缘形状(肺部轮廓)。根据边缘形状，可建立若干个与之较相似的边缘形状模板。具体实施方式中，可建立3至8个边缘形状模板，优选的数量为5个边缘形状模板。具体的，可分别将一个边缘形状划分为上边界、下边界、外侧边界等几部分，并将这几部分分别进行处理。
以上边界定位为例：首先标记5个上边缘形状(上边界)模板(参图4)，记录每一个模板的重心点坐标以及模板上每一点相对于重心点的坐标位置。应用霍夫变换算法对上边界二值图像进行初始定位。霍夫变换算法，是对图像进行某种形式的坐标变换，使得图像上给定形状曲线上的所有点经过变换以后都集中到霍夫空间的某些位置上形成峰值点，这样就把对原图中给定形状曲线的检测问题转化为寻找霍夫空间中峰值点的问题。
以任一模板为例，应用边界增强算子提取上边界的梯度图像，再保留最大的15％的像素点生成上边界的二值图像。使用上边界的二值图像上每一个不为零的点去匹配模板中的任一点，在霍夫空间中相对应的重心点的位置处加1。在霍夫空间中记录的是可能匹配准确的模板的重心位置，因此在霍夫空间中累积的值越大，那么该点是图像中形状的重心点的可能性就越大。在空间中找到最大值点，我们就确定该点为形状的重心点。结束二值图像中所有等于1的点的霍夫变换后，求出霍夫空间中每一点的累加和，并找到最大值的位置，该点就是使用当前模板定位的最准确的模板的重心位置。重心位置确定后，模板的相应位置也就确定，这就是找到的上边缘位置。
使用5个模板分别对肺区域上边界二值图像进行霍夫变换，在5个霍夫空间中会得到5个最大值，由于模板大小不同，需要对最大值进行归一化。再在这5个最大值中找到最大值，再确定该最大值对应的模板，我们就将这个模板确定为最佳模板。
然后对外侧、下边界也是与上边界同样的操作进行定位，定位结果如图5所示；即可获得与肺部图像相对应的霍夫定位位置。
将平均肺模板与霍夫定位位置对齐，获得对齐结果(对齐图像，参图6所示)。如图7所示，将对齐后的结果(共42个点)中的三部分：外侧、下侧及内侧分别标记点，1-16点(外侧)、17-24点(下侧)、25-42点(内侧)，对上侧我们使用的是霍夫定位后结果(也可对外侧、下侧也可直接利用霍夫定位后的结果)，将这四部分分别进行线性插值，然后在每一点的法线方向提取m个点像素值，组成法线矩阵，在法线矩阵上进行动态规划分割，再将得到的分割结果反变换回原始的坐标系中，就完成了肺区域的分割。最后将这四部分的分割结果进行联接并对边缘进行平滑操作，就完成了肺的分割(如图8所示)。
本专利申请中动态规划分割的过程：
动态规划算法中的路径选择依赖于当前状态，同时也依赖于之前已选择的状态，其通常用来搜索目标的最优边界。
在相应的霍夫模板上取每点的法线方向的像素，并组成一个新的矩阵，称之为“法线矩阵”(类似于极坐标变换后得到的矩阵)，在生成“法线矩阵”的同时也存储每一点在原始坐标系中的位置坐标，方便进行反变换。
根据对齐得到的位置，将对应的边界进行二阶曲线拟合，这样可以比较容易的计算出曲线上每一点的法线。
在每一点的法线方向，以霍夫模板为基准，向上取m1个像素长，向下取m2个像素长，采集每点的像素值，组成一个m*n的法线矩阵，n为霍夫模板的长度，m＝m1+m2。对这个法线矩阵进行动态规划分割。具体包括以下几个主要步骤：
(1)获取局部代价
在动态规划算法中，局部代价由内部代价和外部代价组成。内部代价用来衡量边界点的平滑程度，边界越光滑，内部代价越小。外部代价用来衡量图像梯度变化的大小，梯度越大，外部代价越小。
假设“法线矩阵”的大小为m×n，则我们将内部代价定义为：
Eint(i，j)＝|j-k|/(j+k)，j＝1...n，k＝1...n，i＝1...m (1)
其中，j和k分别为“法线矩阵”中第i列和i-1列上边界点的纵坐标，并对内部代价进行归一化。内部代价的大小表明了边界的平滑程度。
外部代价使用法线矩阵的梯度图像的相反数来表示：
Eext(i，j)＝-G(i，j) (2)
所以总的局部代价是由内部代价与外部代价的加权和表示的：
E(i，j)＝ωint×Eint(i，j)+ωext×Eext(i，j) (3)
其中ωint和ωext分别表示内部代价与外部代价的权重。
(2)计算累计代价
计算累计代价是一个动态累加的过程，每一列的累计代价都是前一列的累计代价与当前列的局部代价的累加和。
Figure BDA0000824815780000161
因为第一列不存在内部代价，所以在累计代价的第一列只有外部代价而没有内部代价。之后，每一列都是迭代的计算累计代价。每一列的累加代价都是前一列在一定范围内累计代价与当前点的局部代价和的最小值。k表示第i-1列的搜索范围，使每相邻两列选择的边界点不会有太大的跳动。在计算每一点的累计代价的同时还要记录一下当前点取最小值时的k的取值，这样便于最优路径的需找。
(3)背向搜索最优路径
计算完所有的累计代价后，找到累计代价最后一列中的最小值作为初始点，根据记录的k值向前进行搜索，找到最优路径。再变换回原始坐标系中，就得到了分割结果。
本发明还提供了一种医学图像中肺分割的装置，其特征在于包括：
存储单元，存储有训练集的数张胸片图像及拟被分割胸片图像；
显示单元，显示对应的胸片图像；
输入单元，对胸片中的肺部标记特征点，获得相应的肺轮廓图像；
图像处理单元，其用于：
对肺轮廓图像进行处理后获得平均肺模板；
对拟被分割的胸部图像预处理，获得预处理后的肺部图像；
提取预处理后的肺部图像的肺边界的二值图像，并根据广义霍夫变换进行初始定位，获得相对应的霍夫定位位置；
将平均肺模板与霍夫定位位置对齐，获得对齐结果；
利用动态规划算法进行分割，并将分割结果反变换回原始坐标系中，完成肺区域分割。
利用上文提出的方法和/或装置，分别使用DR设备提供的23个数据、JSRT数据库的247个数据进行测试。测试结果表明，霍夫变换对肺区域的上、下、外边界的自动定位都比较准确的，而且图像质量较好，分割结果也很理想。
JSRT数据库的图像质量较差，在定位边界及分割时都会有些偏差，但影响不大，结果可以接受。
将所有的分割结果分为4个等级：“很好”，“好”，“可接受”，“差”。共270例数据，其中大约95％的图像分割好或很好。
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 (10)

1.一种医学图像中肋骨分割的方法，其特征在于包括以下步骤:
获取肺区域的图像，并进行预处理，得到预处理后的图像；
获取数个肋骨的霍夫模板；
利用数个肋骨的霍夫模板分别对肺区域范围内的肋骨下边缘二值图像进行霍夫变换，并以霍夫模板的重心值为基准选定一个最佳模板；
将最佳模板对应的肋骨二值边缘提取出来，并将其细化、拟合，作为当前图像的基准模板；
利用基准模板对肺区域的肋骨下边缘进行广义霍夫变换，完成初始定位；
利用双边动态规划算法对肋骨上、下边缘进行同时分割，并将分割结果反变换回原始坐标系中，完成肺区域范围内的肋骨分割；
所述双边动态规划算法包括利用动态规划算法同时检测肋骨的上边缘和下边缘。
2.根据权利要求1所述的医学图像中肋骨分割的方法，其特征在于，还包括在预处理后的图像上先完成肺区域分割。
3.根据权利要求1所述的医学图像中肋骨分割的方法，其特征在于，利用边界增强算子提取肋骨下边缘的梯度图像，并保留肺区域内15％的最大的像素点，得到下边缘的二值图像。
4.根据权利要求3所述的医学图像中肋骨分割的方法，其特征在于，将肺区域内上部分25％及下部分20％置为0。
5.根据权利要求1所述的医学图像中肋骨分割的方法，其特征在于，将肋骨的平均间距设为肺区域高度的十分之一，并以初始定位为基准，对肺区域内其它肋骨的下边缘进行定位。
6.根据权利要求1所述的医学图像中肋骨分割的方法，其特征在于，所述双边动态规划算法包括：在用动态规划算法检测肋骨下边缘时，增加控制量d，控制肋骨上边缘的搜索范围。
7.根据权利要求6所述的医学图像中肋骨分割的方法，其特征在于，所述控制量d的范围为11-20个像素大小。
8.根据权利要求1所述的医学图像中肋骨分割的方法，其特征在于，将每个霍夫模板进行归一化处理后，得到对应的每个霍夫模板的霍夫空间中的最大值，所有最大值中最大者所对应的霍夫模板即为最佳模板。
9.一种医学图像处理装置，其特征在于包括:
存储单元，存储有数个肋骨的霍夫模板；
显示单元，显示对应的胸片图像；
图像处理单元，其用于：
对胸片图像进行预处理，获得预处理后肺区域内的肋骨的二值图像；
利用数个肋骨的霍夫模板分别对肺区域范围内的肋骨边缘二值图像进行霍夫变换，并以霍夫模板的重心值为基准选定一个最佳模板；
将最佳模板对应的肋骨二值边缘提取出来，并将其细化、拟合，作为当前图像的基准模板；
利用基准模板对肺区域的肋骨下边缘进行广义霍夫变换，完成初始定位；
利用双边动态规划算法对肋骨上、下边缘进行同时分割，并将分割结果反变换回原始坐标系中，完成肺区域范围内的肋骨分割；
所述双边动态规划算法包括利用动态规划算法同时检测肋骨的上边缘和下边缘。
10.根据权利要求9所述的医学图像处理装置，其特征在于，所述肋骨分割的装置还包括用于对肺部进行分割的单元以及对肺区域内部的肋骨进行抑制的单元；所述显示单元显示出肺区域肋骨被抑制后的图像。
CN201510679427.3A 2015-10-19 2015-10-19 一种医学图像中肋骨分割的方法及医学图像处理装置 Active CN106611411B (zh)

Priority Applications (8)

Application Number Priority Date Filing Date Title
CN201510679427.3A CN106611411B (zh) 2015-10-19 2015-10-19 一种医学图像中肋骨分割的方法及医学图像处理装置
US15/314,055 US10275879B2 (en) 2015-10-19 2016-03-15 System and method for image registration in medical imaging system
GB1706137.5A GB2549618B (en) 2015-10-19 2016-03-15 System and method for image registration in medical imaging system
CN201680019303.5A CN109074639B (zh) 2015-10-19 2016-03-15 医学成像系统中的图像配准系统和方法
PCT/CN2016/076358 WO2017067127A1 (en) 2015-10-19 2016-03-15 System and method for image registration in medical imaging system
EP16856574.5A EP3365869B1 (en) 2015-10-19 2016-03-15 System and method for image registration in medical imaging system
US15/297,301 US10043280B2 (en) 2015-10-19 2016-10-19 Method and system for image segmentation
US15/448,750 US9760983B2 (en) 2015-10-19 2017-03-03 System and method for image registration in medical imaging system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510679427.3A CN106611411B (zh) 2015-10-19 2015-10-19 一种医学图像中肋骨分割的方法及医学图像处理装置

Publications (2)

Publication Number Publication Date
CN106611411A CN106611411A (zh) 2017-05-03
CN106611411B true CN106611411B (zh) 2020-06-26

Family

ID=58556578

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201510679427.3A Active CN106611411B (zh) 2015-10-19 2015-10-19 一种医学图像中肋骨分割的方法及医学图像处理装置
CN201680019303.5A Active CN109074639B (zh) 2015-10-19 2016-03-15 医学成像系统中的图像配准系统和方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201680019303.5A Active CN109074639B (zh) 2015-10-19 2016-03-15 医学成像系统中的图像配准系统和方法

Country Status (5)

Country Link
US (1) US10275879B2 (zh)
EP (1) EP3365869B1 (zh)
CN (2) CN106611411B (zh)
GB (1) GB2549618B (zh)
WO (1) WO2017067127A1 (zh)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170169609A1 (en) * 2014-02-19 2017-06-15 Koninklijke Philips N.V. Motion adaptive visualization in medical 4d imaging
CN106611411B (zh) * 2015-10-19 2020-06-26 上海联影医疗科技有限公司 一种医学图像中肋骨分割的方法及医学图像处理装置
DE102016202948A1 (de) * 2016-02-25 2017-08-31 Robert Bosch Gmbh Verfahren und Vorrichtung zum Ermitteln eines Bildes einer Umgebung eines Fahrzeugs
CN107886508B (zh) * 2017-11-23 2021-11-23 上海联影医疗科技股份有限公司 差分减影方法和医学图像处理方法及系统
US10593051B2 (en) 2017-12-20 2020-03-17 International Business Machines Corporation Medical image registration guided by target lesion
CN108682001A (zh) * 2018-03-30 2018-10-19 深圳市深图医学影像设备有限公司 骨密度的测量方法及装置
CN109124662B (zh) * 2018-07-13 2021-12-03 上海皓桦科技股份有限公司 肋骨中心线检测装置及方法
JP7229721B2 (ja) * 2018-10-29 2023-02-28 キヤノン株式会社 画像処理装置、画像処理方法及びプログラム
US11961245B2 (en) * 2018-10-30 2024-04-16 Our United Corporation Method and apparatus for performing image guidance, medical equipment, and computer-readable storage medium
CN109598291B (zh) * 2018-11-23 2021-07-23 安徽大学 一种基于pso的rgbd图的协同显著目标检测方法
CN109767460A (zh) * 2018-12-27 2019-05-17 上海商汤智能科技有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
CN112967236B (zh) * 2018-12-29 2024-02-27 上海联影智能医疗科技有限公司 图像的配准方法、装置、计算机设备和存储介质
CN109919987B (zh) * 2019-01-04 2020-09-04 浙江工业大学 一种基于gpu的三维医学图像配准相似度计算方法
CN109872351A (zh) * 2019-03-18 2019-06-11 山东浪潮云信息技术有限公司 一种医学图像配准与三维重建系统及方法
CN110211089A (zh) * 2019-04-23 2019-09-06 中国科学院深圳先进技术研究院 肾透明细胞癌转移判断特征的提取方法、装置和存储介质
CN112113544B (zh) * 2019-06-20 2022-03-08 四川轻化工大学 一种基于无人机影像的遥感数据处理方法及系统
CN111080569B (zh) * 2019-12-24 2021-03-19 推想医疗科技股份有限公司 一种骨抑制图像的生成方法、装置、存储介质及电子设备
CN111260546B (zh) * 2020-03-11 2022-09-23 联想(北京)有限公司 一种图像处理方法、装置及电子设备
CN111476777B (zh) * 2020-04-07 2023-08-22 上海联影智能医疗科技有限公司 胸片图像处理方法、系统、可读存储介质和设备
CN111402305B (zh) * 2020-06-05 2020-09-11 嘉兴太美医疗科技有限公司 医学影像配准方法、系统和计算机可读介质
CN111951309B (zh) * 2020-06-30 2024-01-30 杭州依图医疗技术有限公司 一种淋巴结配准方法及装置、计算机设备及存储介质
CN112102142A (zh) * 2020-09-11 2020-12-18 高容科技(上海)有限公司 一种基于gpu并行计算的不同分辨率医学图像配准系统
CN113160242B (zh) * 2021-03-17 2023-03-14 中南民族大学 一种基于骨盆结构的直肠癌肿瘤图像预处理方法及装置
CN113538606B (zh) * 2021-08-17 2022-07-22 数坤(北京)网络科技股份有限公司 图像关联方法、装置、计算机可读存储介质及电子设备
CN114445445B (zh) * 2022-04-08 2022-07-01 广东欧谱曼迪科技有限公司 Ct图像的动脉分割方法、装置、电子设备及存储介质
WO2023205509A1 (en) * 2022-04-22 2023-10-26 Veytel, Llc Method for registering two or more patient images for change assessment over time

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101111865A (zh) * 2005-02-02 2008-01-23 美国西门子医疗解决公司 用于在心脏图像中分割左心室的系统和方法
CN104123711A (zh) * 2013-04-24 2014-10-29 上海联影医疗科技有限公司 一种三维图像中多器官的定位方法

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5359513A (en) 1992-11-25 1994-10-25 Arch Development Corporation Method and system for detection of interval change in temporally sequential chest images
US6067373A (en) * 1998-04-02 2000-05-23 Arch Development Corporation Method, system and computer readable medium for iterative image warping prior to temporal subtraction of chest radiographs in the detection of interval changes
JP2003512112A (ja) 1999-10-21 2003-04-02 アーチ・デベロップメント・コーポレーション 弾性的照合を用いる対側性および時間的な減法画像のコンピュータ化処理のための方法、システムおよびコンピュータ可読媒体
JP2001157675A (ja) 1999-12-02 2001-06-12 Fuji Photo Film Co Ltd 画像表示方法および画像表示装置
US8265728B2 (en) * 2003-11-26 2012-09-11 University Of Chicago Automated method and system for the evaluation of disease and registration accuracy in the subtraction of temporally sequential medical images
EP1956552B1 (en) 2007-02-09 2011-06-08 Agfa-Gevaert Visual enhancement of interval changes using a temporal subtraction technique
US8337405B2 (en) * 2007-06-08 2012-12-25 Raytheon Company System and method for automatic detection of anomalies in images
CN101303767B (zh) * 2007-11-15 2012-05-09 复旦大学 基于块图像内容自适应分类的数字剪影图像配准方法
JP2009240569A (ja) * 2008-03-31 2009-10-22 Fujifilm Corp 肋骨領域検出装置および方法並びにプログラム
US8452065B2 (en) 2009-03-11 2013-05-28 Fred S. Azar System for detecting malignant lymph nodes using an MR imaging device
CN101604444A (zh) * 2009-07-09 2009-12-16 复旦大学 用图像质量评估作为相似性测度的血管减影图像配准方法
TWI429419B (zh) 2010-11-15 2014-03-11 Univ Nat Central 產生骨罩之方法
US8929624B2 (en) 2010-11-26 2015-01-06 General Electric Company Systems and methods for comparing different medical images to analyze a structure-of-interest
CN102208109B (zh) 2011-06-23 2012-08-22 南京林业大学 X射线图像和激光图像的异源图像配准方法
EP2768386B1 (en) * 2011-10-19 2024-04-03 Tel HaShomer Medical Research Infrastructure and Services Ltd. Magnetic resonance maps for analyzing tissue
US8675944B2 (en) * 2012-01-12 2014-03-18 Kabushiki Kaisha Toshiba Method of registering image data
JP5981220B2 (ja) * 2012-05-21 2016-08-31 東芝メディカルシステムズ株式会社 医用画像処理装置及びｘ線撮影装置
US9761014B2 (en) * 2012-11-15 2017-09-12 Siemens Healthcare Gmbh System and method for registering pre-operative and intra-operative images using biomechanical model simulations
CN103854276B (zh) * 2012-12-04 2018-02-09 东芝医疗系统株式会社 图像配准及分割装置和方法，以及医学图像设备
CN104143184B (zh) 2013-05-10 2017-12-22 上海联影医疗科技有限公司 一种肺部分割的方法
US20160117797A1 (en) 2013-06-06 2016-04-28 Hitachi, Ltd. Image Processing Apparatus and Image Processing Method
EP2819093B1 (en) 2013-06-24 2016-05-11 RaySearch Laboratories AB Method and system for atlas-based segmentation
CN104252708B (zh) * 2013-06-28 2017-08-25 深圳先进技术研究院 一种x光胸片图像处理方法及系统
CN103778626B (zh) * 2013-12-31 2016-09-07 北京理工大学 一种基于视觉显著区域的快速图像配准方法
CN104978730B (zh) * 2014-04-10 2019-04-23 上海联影医疗科技有限公司 一种左心室心肌的分割方法和装置
WO2015162665A1 (ja) * 2014-04-21 2015-10-29 アドバンストヘルスケア株式会社 手術支援システム、プロジェクタシステム，医療画像投影方法
CN104077774A (zh) * 2014-06-28 2014-10-01 中国科学院光电技术研究所 一种结合骨架和广义Hough变换的扩展目标跟踪方法及装置
CN104091337B (zh) * 2014-07-11 2017-07-14 北京工业大学 一种基于PCA及微分同胚Demons的变形医学图像配准方法
US9928596B2 (en) 2015-05-07 2018-03-27 The Cleveland Clinic Foundation Motion corrected imaging system
US10013779B2 (en) 2015-06-22 2018-07-03 Toshiba Medical Systems Corporation Metal artifact reduction for 3D-digtial subtraction angiography
CN106611411B (zh) * 2015-10-19 2020-06-26 上海联影医疗科技有限公司 一种医学图像中肋骨分割的方法及医学图像处理装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101111865A (zh) * 2005-02-02 2008-01-23 美国西门子医疗解决公司 用于在心脏图像中分割左心室的系统和方法
CN104123711A (zh) * 2013-04-24 2014-10-29 上海联影医疗科技有限公司 一种三维图像中多器官的定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Segmentation of pathological and diseased lung tissue in CT images using a graph-search algorithm;Panfang Hua et al;《2011 IEEE International Symposium on Biomedical Imaging: From Nano to Macro》;20110609;第2072-2075页 *

Also Published As

Publication number Publication date
GB201706137D0 (en) 2017-05-31
CN109074639A (zh) 2018-12-21
CN109074639B (zh) 2023-06-27
US10275879B2 (en) 2019-04-30
EP3365869A1 (en) 2018-08-29
GB2549618A (en) 2017-10-25
GB2549618B (en) 2020-07-01
WO2017067127A1 (en) 2017-04-27
EP3365869B1 (en) 2021-08-25
US20170301080A1 (en) 2017-10-19
CN106611411A (zh) 2017-05-03
EP3365869A4 (en) 2018-08-29

Similar Documents

Publication Publication Date Title
CN106611411B (zh) 一种医学图像中肋骨分割的方法及医学图像处理装置
CN107665497B (zh) 一种医学图像中计算心胸比的方法
CN106611416B (zh) 一种医学图像中肺分割的方法及装置
US11576645B2 (en) Systems and methods for scanning a patient in an imaging system
CN104424629B (zh) 一种x光胸片肺部分割方法和装置
Cheng et al. Accurate vessel segmentation with constrained B-snake
EP2916738B1 (en) Lung, lobe, and fissure imaging systems and methods
US11576578B2 (en) Systems and methods for scanning a patient in an imaging system
Erdt et al. Fast automatic liver segmentation combining learned shape priors with observed shape deviation
US9314161B2 (en) Moving object contour extraction apparatus, left ventricle image segmentation apparatus, moving object contour extraction method and left ventricle image segmentation method
US7382907B2 (en) Segmenting occluded anatomical structures in medical images
CN104240180B (zh) 一种实现图像自动调整的方法及装置
CN109124662B (zh) 肋骨中心线检测装置及方法
US7929741B2 (en) System and method for automated detection of mucus plugs within bronchial tree in MSCT images
US8913817B2 (en) Rib suppression in radiographic images
WO2014144019A1 (en) Methods, systems, and computer readable media for real-time 2d/3d deformable registration using metric learning
KR102349515B1 (ko) 의료 영상에서 딥러닝에 기반한 종양 자동분할 방법
JP2015536732A (ja) 画像処理装置および方法
Ardon et al. Fast kidney detection and segmentation with learned kernel convolution and model deformation in 3D ultrasound images
CN106910194A (zh) 心脏心功能磁共振图像中的心内外膜的分割方法
US9672600B2 (en) Clavicle suppression in radiographic images
KR101251822B1 (ko) 동적조영증강 폐 전산화단층촬영 영상에서 관류 분석 시스템 및 방법
CN116797463B (zh) 特征点对提取方法及图像拼接方法
JP2004188202A (ja) デジタル胸部放射線写真の自動分析方法
CN109816665B (zh) 一种光学相干断层扫描图像的快速分割方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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 No. 2258 Chengbei Road, Jiading Industrial Zone, Jiading District, Shanghai.

Patentee after: Shanghai Lianying Medical Technology Co., Ltd

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

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