CN106997596B - 一种基于信息熵和联合向量的lbf活动轮廓模型的肺结节分割方法 - Google Patents
一种基于信息熵和联合向量的lbf活动轮廓模型的肺结节分割方法 Download PDFInfo
- Publication number
- CN106997596B CN106997596B CN201710212164.4A CN201710212164A CN106997596B CN 106997596 B CN106997596 B CN 106997596B CN 201710212164 A CN201710212164 A CN 201710212164A CN 106997596 B CN106997596 B CN 106997596B
- Authority
- CN
- China
- Prior art keywords
- image
- lung neoplasm
- value
- level set
- formula
- 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
Links
Classifications
-
- 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
- G06T2207/10104—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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
-
- 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
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于信息熵和联合向量的LBF活动轮廓模型的肺结节分割方法。该方法充分结合了医学PET和CT图像的多种特征信息,首先利用PET图像SUV值,获取肺结节感兴趣区域;然后采用自动阈值迭代法构造结节的初始轮廓;接着根据PET图像中的SUV信息熵构造一个结节边缘演化的引导函数,并结合PET和CT灰度联合向量对LBF模型的能量泛函进行改进,驱使轮廓曲线的演化准确的停止在肺结节边缘处。本发明操作简单,可以实现对血管粘连型肺结节的批量式自动化分割,具较强的稳定性和准确性。
Description
技术领域
本发明属于医学图像处理领域,具体涉及一种基于信息熵和联合向量的LBF活动轮廓模型的肺结节分割方法,基于医学PET和CT影像的多种信息特征,对血管粘连型的肺结节分割的方法。
背景技术
计算机辅助诊断(Computer Aided Diagnosis,CAD)系统是指能够辅助医生对医学影像进行解释的一项新技术,它综合了多种放射学影像以及临床诊断中的生化技术,能够为诊断医师提供一种自动化的第二意见。然而肺结节诊断中,由于肺部结构复杂,不同病例结节的形状、病变位置各不相同,仅凭肉眼阅片的方法很难在整个肺部的横断层扫描图中准确定位结节的位置和病变类型。在肺腔中,血液里红细胞营养物质丰盛,为肺结节的生长提供了很好的代谢基础。因此,血管粘连型肺结节属于恶性结节的概率较大。血管粘连型肺结节中存在血管的干扰,与孤立性肺结节的分割相比,血管粘连型结节的分割难度是最大的。在分割时容易出现过分割或漏分割现象。如果不能实现对结节的正确分割,那么后续的CAD诊断流程必然会受到影响。通常肺结节的分割工作大多是基于单一的CT图像进行展开的,然而这种方式并不能实现对血管粘连型肺结节的准确分割。原因如下:(1)由于在CT切片中,血管和结节所呈现的灰度值比较接近,有效的对其进行分离难度极大,并且也容易造成误分割;(2)在肺部断层扫描图片中,血管的横断面和结节均呈现为类球形状,很难辨别。针对以上的问题,仅凭借CT图像是不能够精准分割的。鉴于此,本发明结合PET和CT双模态图像的信息,对LBF活动轮廓模型进行改进,对血管粘连型肺结节分割。
发明内容
本发明的目的在于克服现有分割技术中存在的缺陷,提供一种基于信息熵和联合向量的LBF活动轮廓模型的肺结节分割方法。
一种基于信息熵和联合向量的LBF活动轮廓模型的肺结节分割方法,包括以下步骤:
A.感兴趣区域的获取:首先应该对肺实质图像中感兴趣区域(ROI)进行提取;
B.初始轮廓的构造:采用自动阈值迭代分割算法无需手动设置阈值,即可实现对结节初始轮廓的构造;
C构建基于信息熵的边缘引导函数:
C1.给定初始轮廓曲线上的一点x,以R(x)表示以点x为中心,r个像素点为半径构造一个邻域集合;
C2.在此邻域集合中,边缘区域的SUV信息熵可用如下公式表示:
其中i=1,2,Pi(x)表示边缘区域内外像素的SUV概率分布值;在小邻域的集合中,SUV的概率近似服从高斯分布,因此可表示为:
其中,Ii(x)表示像素x的SUV值;ci(x),σi(x)分别表示边缘区域内外的SUV均值和标准差;
C3.定义区域的特征函数为:
C4.SUV信息熵的边缘引导函数定义为:
D.构建灰度联合向量
在CT影像中,存在部分肺结节与周围组织对比度低,边缘较为模糊的现象,仅基于CT图像的灰度信息难以准确的定位肺结节边缘;但在PET图像中,肺结节部位的灰度值较其他非病变区域大;因此,结合PET图像中肺结节部位灰度值较高的特点,可以构建出一个PET和CT图像的灰度联合向量f=(f1,f2)T,其中,f1、f2分别表示CT与PET图像中的高斯灰度拟合值;
E.LBF模型的改进:
利用基于信息熵的边缘引导函数和灰度联合向量对LBF模型的能量泛函进行改进,定义如下:
其中,f1(x)、f2(x)分别表示初始轮廓曲线内外灰度联合向量的高斯拟合值,高斯函数的标准差为σ;I(y)=(ICT,IPET)T为CT与PET图像的灰度联合向量;Λ表示向量系数矩阵,其定义如公式(9);
F.改进的LBF模型的计算
F1.水平集能量泛函
利用水平集函数对演化的曲线C进行隐式表示,来完成能量泛函的最小化求解;因此,将能量泛函公式(8)写为变分水平集函数的形式:
水平集的能量泛函可表示为:
F=E′+νL(φ)+μP(φ) (11)
每项的具体的内容为:
a.模型的拟合能量项表示为:
b.为了使得演化的曲线在图像分割过程保持平滑性,在水平集能量泛函中加入长度项约束项:
c.在一定周期内不断的对退化的水平集函数重新初始化为距离符号函数;为了加快活动轮廓模型曲线演化,避免对水平集函数进行多次的重新初始化操作,在水平集能量泛函中增加一个距离约束项,其定义为:
F2.水平集能量泛函的求解方法
利用梯度下降和变分法对水平集能量泛函方程进行最小化求解:
其中,e1和e2分别为:
初始轮廓区域内外的灰度联合向量的拟合值f1(x)、f2(x)由以下两个公式表示:
F3.改进的LBF模型的分割流程可以描述为:
a.初始化水平集函数φ=0,设置计数器k=0;
b.由公式(7)计算SUV信息熵的边缘引导函数F1(x)、F2(x),由公式(18)和(19)计算灰度联合向量的拟合值f1(x)、f2(x);
c.根据公式(11)计算水平集能量泛函F,计数器k=k+1;
d.根据公式(15)对变分水平集函数进行更新,判断是否满足以下条件:
(1)水平集能量泛函处于收敛状态,即ΔF=Fk-Fk-1≤χ;
(2)迭代次数k达到预定的最大上限Kmax,即k≤Kmax;
如果满足上述条件之一,则停止运算,此时可得到分割后肺结节图像;否则,重复步骤b~d。
所述的肺结节分割方法,所述步骤A的具体步骤为:
A1.利用Otsu阈值对CT和PET图像进行分割,得到肺实质图像,然后进行配准;
A2.计算PET图像肺实质区域中SUV值最大的像素点O,然后以该点为圆心,构建一个以R为半径的圆形模板,最后将其配准到CT图像中作为肺结节的ROI,得到肺结节的感兴趣区域即ROI图像。
所述的肺结节分割方法,公式(9)中,Λ1=1,Λ2=0.25。
所述的肺结节分割方法,所述半径R设置为3cm。
所述的肺结节分割方法,所述步骤B,自动阈值迭代的基本步骤为:
B1.根据以下公式(1)设置初始阈值T,其中Gmax和Gmin分别表示CT图像中灰度的最大与最小值;
B2.利用初始阈值T分割ROI图像,获得两个像素集B(表示背景区域)和N(表示结节区域);
B3.分别计算出两个像素集B和N中的灰度均值μb和μn;
B4.根据公式(2),重新计算分割阈值:
B5.重复步骤B1~B4,直到相邻两次迭代阈值的差值小于预定的参数λ,即|Tn-Tn-1|≤λ;其中,Tn-1表示迭代n-1次后的阈值,Tn表示迭代n次后的阈值;经过多次迭代后,得到了最优灰度阈值T;然后根据公式(3)对CT图像I(x,y)进行二值化操作;
Ibin(x,y)表示二值化后的CT图像。
所述的肺结节分割方法,还包括采用数学形态学开、闭运算对得到的区域进行边缘平滑和内部填充处理的步骤;开运算是指对图像进行先腐蚀后膨胀的操作,闭运算是指对图像先膨胀后腐蚀的操作;
对图像的腐蚀操作为:
(1)定义一个随机的3*3的结构,利用该结构中的元素对ROI图像扫描,
(2)将结构的元素与和二值图像中每个像素做“与”操作;
如果结果为0,则图像中该像素的值为0,否则为1;
对图像的膨胀操作为:
(1)定义一个随机的3*3的结构,利用该结构中的元素对ROI图像扫描,
(2)将结构的元素与和二值图像中每个像素做“或”操作;如果结果为0,则图像中该像素的值为0,否则为1。
所述的肺结节分割方法,还包括对获得的若干个区域的面积进行计算,选择其中最大面积区域的轮廓进行边缘检测,作为后续分割模型的初始轮廓的步骤,具体过程为:
a.利用Sobel算子检测二值图像中所有区域的边缘,统计每个封闭区域中像素值为1的像素数量;
b.计算并比较每个区域中的面积,选择面积最大的区域边界作为肺结节的初始轮廓。
与现有的分割技术相比:
1、本发明的目的在于克服现有分割技术中存在的缺陷,提供一种简单、自动化的血管粘连型肺结节的分割方法。
2、利用本发明技术,对血管粘连型肺结节分割可以准确的对结节和血管进行区分,具有稳定性和可再现性特点。
3、为后续肺结节的分类诊断提供了良好的基础。
附图说明
图1是本发明的肺结节分割算法总体流程图;
图2是本发明的肺结节ROI的提取效果图;(a)肺实质CT图像;(b)肺实质PET图像;(c)肺结节ROI;
图3是本发明的初始轮廓构建的效果图;(a)肺结节ROI;(b)二值化的CT图像;(c)初始轮廓;
图4是本发明的区域标记原理图;
图5是本发明分割方法与其他不同分割方法血管粘连型肺结节分割的结果对比图;
具体实施方式
以下结合具体实施例,对本发明进行详细说明。
参照图1,本发明流程包括:肺结节感兴趣区域的获取、初始轮廓的构造、构建基于边缘引导函数和灰度的联合向量、对LBF模型进行改进、对初始轮廓进行演化计算等步骤。本发明方法的具体实施方式如下:
A.感兴趣区域的获取
首先应该对肺实质图像中感兴趣区域(Region of Interest,ROI)进行提取,具体步骤为:
A1.利用Otsu阈值对CT和PET图像进行分割,得到肺实质图像,然后进行配准。
A2.计算PET图像肺实质区域中SUV值最大的像素点O,然后以该点为圆心,构建一个以R为半径的圆形模板,最后将其配准到CT图像中作为肺结节的ROI,在此将半径R设置为3cm。得到肺结节的感兴趣区域即ROI图像。
参考图2,图2(a)为原始的肺实质CT图像,图2(b)为对应的肺实质PET图像,图2(c)为经过上述操作得到的肺结节感兴趣区域。
B.初始轮廓的构造
在LBF模型分割肺结节之前,必须构造肺结节的初始轮廓。自动阈值迭代分割算法具有较高的分割效率,无需手动设置阈值,即可实现对结节初始轮廓的构造。自动阈值迭代的基本步骤为:
B1.根据以下公式1设置初始阈值T,其中Gmax和Gmin分别表示CT图像中灰度的最大与最小值;
B2.利用初始阈值T分割ROI图像,获得两个像素集B(表示背景区域)和N(表示结节区域);
B3.分别计算出两个像素集B和N中的灰度均值μb和μn;
B4.根据公式2,重新计算分割阈值:
B5.重复步骤B1~B4,直到相邻两次迭代阈值的差值小于预定的参数λ,即|Tn-Tn-1|≤λ。其中,Tn-1表示迭代n-1次后的阈值,Tn表示迭代n次后的阈值。经过多次迭代后,得到了最优灰度阈值T。然后根据公式3对CT图像I(x,y)进行二值化操作。
Ibin(x,y)表示二值化后的CT图像。
通过以上方法得到的肺结节初始轮廓可能存在局部边缘锯齿或内部噪声点。在本发明中采用数学形态学开、闭运算对得到的区域进行边缘平滑和内部填充处理。开运算是指对图像进行先腐蚀后膨胀的操作,闭运算是指对图像先膨胀后腐蚀的操作。
对图像的腐蚀操作为:
(1)定义一个随机的3*3的结构,利用该结构中的元素对ROI图像扫描,
(2)将结构的元素与和二值图像中每个像素做“与”操作。
如果结果为0,则图像中该像素的值为0,否则为1。
对图像的膨胀操作为:
(1)定义一个随机的3*3的结构,利用该结构中的元素对ROI图像扫描,
(2)将结构的元素与和二值图像中每个像素做“或”操作。如果结果为0,则图像中该像素的值为0,否则为1。
ROI区域中组织结构繁多且存在一定的噪声影响,经过上述操作可能获得除肺结节外的干扰物的初始轮廓。通常情况下,肺结节较干扰物的面积大。所以,在实验中对获得的若干个区域的面积进行计算,选择其中最大面积区域的轮廓进行边缘检测,作为后续分割模型的初始轮廓,具体过程为:
a.利用Sobel算子检测二值图像中所有区域的边缘,统计每个封闭区域中像素值为1的像素数量。
b.计算并比较每个区域中的面积,选择面积最大的区域边界作为肺结节的初始轮廓。
参考图3,其中图3(a)为肺结节ROI的CT图像,图3(b)为二值化后ROI的CT图像,图3(c)为经过上述操作后得到的肺结节初始轮廓图。
C.构建基于信息熵的边缘引导函数
LBF模型利用高斯函数Kσ(x-y)对轮廓曲线进行加权演化,忽略了像素间的本身信息。因此,本发明对LBF活动轮廓模型进行了改进,提出了一种基于信息熵的边缘引导函数,代替LBF模型中的高斯函数,用来引导轮廓的演化能够准确的停止在肺结节的边缘部位,将结节与血管进行分割。边缘引导函数的构建过程为:
a.给定初始轮廓曲线上的一点x,以点x为中心,r个像素点为半径构造一个邻域集合R(x)。参考图4,最外层实线为实际肺结节轮廓,虚线为获得的初始轮廓,x为邻域R(x)的圆心,Ω3、Ω4分别表示在邻域R(x)中初始轮廓内外的区域。
b.在此集合中,边缘区域的SUV信息熵可用如下公式4表示:
其中i=1,2,Pi(x)表示边缘区域Ω3、Ω4中像素的SUV概率分布值。由于肺结节的面积较小,因此在小邻域的集合中,SUV的概率近似服从高斯分布,因此可表示为:
其中,Ii(x)表示像素x的SUV值;ci(x),σi(x)分别表示边缘区域内外的SUV均值和标准差。
c.定义区域的特征函数为:
d.SUV信息熵的边缘引导函数定义为:
D.构建灰度联合向量
在CT影像中,存在部分肺结节与周围组织对比度低,边缘较为模糊的现象,仅基于CT图像的灰度信息难以准确的定位肺结节边缘。但在PET图像中,肺结节部位的灰度值较其他非病变区域大。因此,结合PET图像中肺结节部位灰度值较高的特点,可以构建出一个PET和CT图像的灰度联合向量f=(f1,f2)T,其中,f1、f2分别表示CT与PET图像中的高斯灰度拟合值。
E.LBF模型的改进:
本发明利用基于信息熵的边缘引导函数和灰度联合向量对LBF模型的能量泛函进行改进,定义如下:
其中,f1(x)、f2(x)分别表示初始轮廓曲线内外灰度联合向量的高斯拟合值,高斯函数的标准差为σ。I(y)=(ICT,IPET)T为CT与PET图像的灰度联合向量。Λ表示向量系数矩阵,其定义如公式9,本发明选取Λ1=1,Λ2=0.25。
F.改进的LBF模型的计算
F1.水平集能量泛函
基于LBF活动轮廓模型对图像的最优分割通常就是对能量泛函求解最小值的过程。本发明利用水平集函数对演化的曲线C进行隐式表示,来完成能量泛函的最小化求解。因此,可将能量泛函公式10写为变分水平集函数的形式:
水平集的能量泛函可表示为:
F=E′+νL(φ)+μP(φ) (11)
每项的具体的内容为:
a模型的拟合能量项表示为:
b.为了使得演化的曲线在图像分割过程保持平滑性,在水平集能量泛函中加入长度项约束项:
c.利用水平集方法求解活动轮廓模型时,函数在多次迭代后,可能导致活动轮廓模型能量泛函计算结果的不准确性,破坏演化的稳定性。因此,需要在一定周期内不断的对退化的水平集函数重新初始化为距离符号函数。为了加快活动轮廓模型曲线演化,避免对水平集函数进行多次的重新初始化操作,本发明在水平集能量泛函中增加一个距离约束项,其定义为:
F2.水平集能量泛函的求解
本发明利用梯度下降和变分法对水平集能量泛函方程进行最小化求解:
其中,e1和e2分别为:
初始轮廓区域内外的灰度联合向量的拟合值f1(x)、f2(x)可以由以下两个公式表示:
F3.改进的LBF模型的分割流程可以描述为:
a.初始化模型中的参数,同时设置计数器k=0;
b.由公式7计算SUV信息熵的边缘引导函数F1(x)、F2(x),由公式18和19计算灰度联合向量的拟合值f1(x)、f2(x);
c.令计数器k=k+1,然后根据公式11计算水平集能量泛函F,;
d.根据公式15对变分水平集函数进行更新,判断是否满足以下条件:
(1)水平集能量泛函处于收敛状态,即ΔF=Fk-Fk-1≤χ;
(2)迭代次数k达到预定的最大上限Kmax,即k≤Kmax;
如果满足上述条件之一,则停止运算,此时可得到分割后肺结节图像;否则,重复步骤b~d。
参考图5是本发明对其中部分肺结节的分割效果与LBF模型的对比效果图。其中,第一列为4幅原始血管粘连型肺结节ROI图像;第二列为医师手动分割的结果;第三列为LBF模型的分割结果;第四列为经过本发明方法的分割结果。从图5中的a(2),b(2),c(2),d(2)结果可以看出,LBF模型的分割结果存在较为严重的边缘泄露情况,没有很好的将血管与结节分割出来。从图5中的a(3),b(3)可以看出本发明的方法在对结节a与b的分割结果与医师分割的结果基本一致。c中的P点,d中的Q点为类圆状的血管横切面,LBF模型没有对此进行分割出来,本发明方法对结节c和d分割时,没有出现边缘泄露和漏分割情况,与医师分割的结果接近。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (7)
1.一种基于信息熵和联合向量的LBF活动轮廓模型的肺结节分割方法,其特征在于,包括以下步骤:
A.感兴趣区域的获取:首先应该对肺实质图像中感兴趣区域(ROI)进行提取;
B.初始轮廓的构造:采用自动阈值迭代分割算法无需手动设置阈值,即可实现对结节初始轮廓的构造;
C构建基于信息熵的边缘引导函数:
C1.给定初始轮廓曲线上的一点x,以R(x)表示以点x为中心,r个像素点为半径构造一个邻域集合;
C2.在此邻域集合中,边缘区域的SUV信息熵可用如下公式表示:
其中i=1,2,Pi(x)表示边缘区域内外像素的SUV概率分布值;在小邻域的集合中,SUV的概率近似服从高斯分布,因此可表示为:
其中,Ii(x)表示像素x的SUV值;ci(x),σi(x)分别表示边缘区域内外的SUV均值和标准差;
C3.定义区域的特征函数为:
C4.SUV信息熵的边缘引导函数定义为:
D.构建灰度联合向量
在CT影像中,存在部分肺结节与周围组织对比度低,边缘较为模糊的现象,仅基于CT图像的灰度信息难以准确的定位肺结节边缘;但在PET图像中,肺结节部位的灰度值较其他非病变区域大;因此,结合PET图像中肺结节部位灰度值较高的特点,可以构建出一个PET和CT图像的灰度联合向量f=(f1,f2)T,其中,f1、f2分别表示CT与PET图像中的高斯灰度拟合值;
E.LBF模型的改进:
利用基于信息熵的边缘引导函数和灰度联合向量对LBF模型的能量泛函进行改进,定义如下:
其中,f1(x)、f2(x)分别表示初始轮廓曲线内外灰度联合向量的高斯拟合值,高斯函数的标准差为σ;I(y)=(ICT,IPET)T为CT与PET图像的灰度联合向量;Λ表示向量系数矩阵,其定义如公式(9):
F.改进的LBF模型的计算
F1.水平集能量泛函
利用水平集函数对演化的曲线C进行隐式表示,来完成能量泛函的最小化求解;因此,将能量泛函公式(8)写为变分水平集函数的形式:
水平集的能量泛函可表示为:
F=E′+νL(φ)+μP(φ) (11)
每项的具体的内容为:
a.模型的拟合能量项表示为:
b.为了使得演化的曲线在图像分割过程保持平滑性,在水平集能量泛函中加入长度项约束项:
c.在一定周期内不断的对退化的水平集函数重新初始化为距离符号函数;为了加快活动轮廓模型曲线演化,避免对水平集函数进行多次的重新初始化操作,在水平集能量泛函中增加一个距离约束项,其定义为:
F2.水平集能量泛函的求解方法
利用梯度下降和变分法对水平集能量泛函方程进行最小化求解:
其中,e1和e2分别为:
初始轮廓区域内外的灰度联合向量的拟合值f1(x)、f2(x)由以下两个公式表示:
F3.改进的LBF模型的分割流程可以描述为:
a.初始化水平集函数φ=0,设置计数器k=0;
b.由公式(7)计算SUV信息熵的边缘引导函数F1(x)、F2(x),由公式(18)和(19)计算灰度联合向量的拟合值f1(x)、f2(x);
c.根据公式(11)计算水平集能量泛函F,计数器k=k+1;
d.根据公式(15)对变分水平集函数进行更新,判断是否满足以下条件:
(1)水平集能量泛函处于收敛状态,即ΔF=Fk-Fk-1≤χ;
(2)迭代次数k达到预定的最大上限Kmax,即k≤Kmax;
如果满足上述条件之一,则停止运算,此时可得到分割后肺结节图像;否则,重复步骤b~d。
2.根据权利要求1所述的肺结节分割方法,其特征在于,所述步骤A的具体步骤为:
A1.利用Otsu阈值对CT和PET图像进行分割,得到肺实质图像,然后进行配准;
A2.计算PET图像肺实质区域中SUV值最大的像素点O,然后以该点为圆心,构建一个以R为半径的圆形模板,最后将其配准到CT图像中作为肺结节的ROI,得到肺结节的感兴趣区域即ROI图像。
3.根据权利要求1所述的肺结节分割方法,其特征在于,公式(9)中,Λ1=1,Λ2=0.25。
4.根据权利要求2所述的肺结节分割方法,其特征在于,所述半径R设置为3cm。
5.根据权利要求1所述的肺结节分割方法,其特征在于,所述步骤B,自动阈值迭代的基本步骤为:
B1.根据以下公式(1)设置初始阈值T,其中Gmax和Gmin分别表示CT图像中灰度的最大与最小值;
B2.利用初始阈值T分割ROI图像,获得两个像素集B和N;B表示背景区域;N表示结节区域;
B3.分别计算出两个像素集B和N中的灰度均值μb和μn;
B4.根据公式(2),重新计算分割阈值:
B5.重复步骤B1~B4,直到相邻两次迭代阈值的差值小于预定的参数λ,即|Tn-Tn-1|≤λ;其中,Tn-1表示迭代n-1次后的阈值,Tn表示迭代n次后的阈值;经过多次迭代后,得到了最优灰度阈值T;然后根据公式(3)对CT图像I(x,y)进行二值化操作;
Ibin(x,y)表示二值化后的CT图像。
6.根据权利要求5所述的肺结节分割方法,其特征在于,还包括采用数学形态学开、闭运算对得到的区域进行边缘平滑和内部填充处理的步骤;开运算是指对图像进行先腐蚀后膨胀的操作,闭运算是指对图像先膨胀后腐蚀的操作;
对图像的腐蚀操作为:
(1)定义一个随机的3*3的结构,利用该结构中的元素对ROI图像扫描,
(2)将结构的元素与和二值图像中每个像素做“与”操作;
如果结果为0,则图像中该像素的值为0,否则为1;
对图像的膨胀操作为:
(1)定义一个随机的3*3的结构,利用该结构中的元素对ROI图像扫描,
(2)将结构的元素与和二值图像中每个像素做“或”操作;如果结果为0,则图像中该像素的值为0,否则为1。
7.根据权利要求6所述的肺结节分割方法,其特征在于,还包括对获得的若干个区域的面积进行计算,选择其中最大面积区域的轮廓进行边缘检测,作为后续分割模型的初始轮廓的步骤,具体过程为:
a.利用Sobel算子检测二值图像中所有区域的边缘,统计每个封闭区域中像素值为1的像素数量;
b.计算并比较每个区域中的面积,选择面积最大的区域边界作为肺结节的初始轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710212164.4A CN106997596B (zh) | 2017-04-01 | 2017-04-01 | 一种基于信息熵和联合向量的lbf活动轮廓模型的肺结节分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710212164.4A CN106997596B (zh) | 2017-04-01 | 2017-04-01 | 一种基于信息熵和联合向量的lbf活动轮廓模型的肺结节分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106997596A CN106997596A (zh) | 2017-08-01 |
CN106997596B true CN106997596B (zh) | 2019-08-20 |
Family
ID=59435004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710212164.4A Active CN106997596B (zh) | 2017-04-01 | 2017-04-01 | 一种基于信息熵和联合向量的lbf活动轮廓模型的肺结节分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106997596B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292896A (zh) * | 2017-08-15 | 2017-10-24 | 电子科技大学 | 基于Snake模型的轮廓提取方法 |
CN108416792B (zh) * | 2018-01-16 | 2021-07-06 | 辽宁师范大学 | 基于活动轮廓模型的医学计算机断层扫描图像分割方法 |
CN108846396B (zh) * | 2018-05-25 | 2020-11-13 | 广州杰赛科技股份有限公司 | 图像内容分割方法、装置和车牌识别方法 |
CN109064476B (zh) * | 2018-07-24 | 2022-03-04 | 西安电子科技大学 | 一种基于水平集的ct胸片肺组织图像分割方法 |
CN109829902B (zh) * | 2019-01-23 | 2022-04-12 | 电子科技大学 | 一种基于广义S变换和Teager属性的肺部CT图像结节筛选方法 |
CN110223271B (zh) * | 2019-04-30 | 2022-11-15 | 深圳市阅影科技有限公司 | 血管图像的自动水平集分割方法及装置 |
CN110136124A (zh) * | 2019-05-17 | 2019-08-16 | 江门市中心医院 | 一种基于鲁棒速度函数的胸膜接触性肺结节分割方法 |
CN111724391B (zh) * | 2020-05-19 | 2023-04-07 | 浙江工业大学 | 一种基于动态阈值的淋巴癌图像精细分割方法 |
CN111951252B (zh) * | 2020-08-17 | 2024-01-23 | 中国科学院苏州生物医学工程技术研究所 | 多时序图像处理方法、电子设备及存储介质 |
CN112102333B (zh) * | 2020-09-02 | 2022-11-04 | 合肥工业大学 | 面向b超dicom影像的超声区域分割方法和系统 |
CN112215842B (zh) * | 2020-11-04 | 2022-12-09 | 上海市瑞金康复医院 | 基于良性甲状腺模板的恶性结节边缘检测图像处理方法 |
CN116740768B (zh) * | 2023-08-11 | 2023-10-20 | 南京诺源医疗器械有限公司 | 基于鼻颅镜的导航可视化方法、系统、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103748A (zh) * | 2010-12-14 | 2011-06-22 | 西北工业大学 | 一种复杂背景下红外弱小目标检测和跟踪方法 |
CN102289657A (zh) * | 2011-05-12 | 2011-12-21 | 西安电子科技大学 | 基于视觉注意机制的乳腺x线影像肿块检测系统 |
CN103345740A (zh) * | 2013-06-13 | 2013-10-09 | 沈阳航空航天大学 | 基于多投影图像配准的肺结节检测方法 |
CN103824295A (zh) * | 2014-03-03 | 2014-05-28 | 天津医科大学 | 一种肺部ct图像中粘连血管型肺结节的分割方法 |
CN104933709A (zh) * | 2015-06-04 | 2015-09-23 | 西安理工大学 | 基于先验信息的随机游走ct肺组织图像自动分割方法 |
CN106023224A (zh) * | 2016-05-30 | 2016-10-12 | 天水师范学院 | 一种中药材显微图像的pcnn自动分割方法 |
-
2017
- 2017-04-01 CN CN201710212164.4A patent/CN106997596B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103748A (zh) * | 2010-12-14 | 2011-06-22 | 西北工业大学 | 一种复杂背景下红外弱小目标检测和跟踪方法 |
CN102289657A (zh) * | 2011-05-12 | 2011-12-21 | 西安电子科技大学 | 基于视觉注意机制的乳腺x线影像肿块检测系统 |
CN103345740A (zh) * | 2013-06-13 | 2013-10-09 | 沈阳航空航天大学 | 基于多投影图像配准的肺结节检测方法 |
CN103824295A (zh) * | 2014-03-03 | 2014-05-28 | 天津医科大学 | 一种肺部ct图像中粘连血管型肺结节的分割方法 |
CN104933709A (zh) * | 2015-06-04 | 2015-09-23 | 西安理工大学 | 基于先验信息的随机游走ct肺组织图像自动分割方法 |
CN106023224A (zh) * | 2016-05-30 | 2016-10-12 | 天水师范学院 | 一种中药材显微图像的pcnn自动分割方法 |
Non-Patent Citations (2)
Title |
---|
"Juxta-Vascular Nodule Segmentation Based on Flow Entropy and Geodesic Distance";S. Sun等;《IEEE Journal of Biomedical andHealth Informatics》;20140129;第18卷(第4期);第1355-1362页 * |
"基于活动轮廓模型的医学图像分割方法研究";苗宗霞;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160115(第 01 期);I138-549页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106997596A (zh) | 2017-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106997596B (zh) | 一种基于信息熵和联合向量的lbf活动轮廓模型的肺结节分割方法 | |
US10176408B2 (en) | Systems and methods for analyzing pathologies utilizing quantitative imaging | |
Rossi et al. | Combination of low level processing and active contour techniques for semi-automated volumetric lung lesion segmentation from thoracic CT images | |
Badura et al. | Soft computing approach to 3D lung nodule segmentation in CT | |
Kim et al. | Machine-learning-based automatic identification of fetal abdominal circumference from ultrasound images | |
CN102324109B (zh) | 基于模糊隶属度模型的非实质性肺结节三维分割方法 | |
Shao et al. | A detection approach for solitary pulmonary nodules based on CT images | |
JP5072449B2 (ja) | 医用画像処理装置及び医用画像処理方法 | |
US20080118136A1 (en) | Propagating Shell for Segmenting Objects with Fuzzy Boundaries, Automatic Volume Determination and Tumor Detection Using Computer Tomography | |
CN103824295A (zh) | 一种肺部ct图像中粘连血管型肺结节的分割方法 | |
CN104899851A (zh) | 一种分割肺结节图像的方法 | |
Leventić et al. | Left atrial appendage segmentation from 3D CCTA images for occluder placement procedure | |
Kanavati et al. | Supervoxel classification forests for estimating pairwise image correspondences | |
JP2007061607A (ja) | 第1のオブジェクト及び1つ以上の他のオブジェクトを含む画像を処理するための方法及び画像データからの画像を処理するためのシステム | |
CN106056596A (zh) | 基于局部先验信息和凸优化的全自动三维肝脏分割方法 | |
CN112419344B (zh) | 一种基于Chan-Vese模型的无监督图像分割方法 | |
Wang et al. | Identifying neutrophils in H&E staining histology tissue images | |
Cordeiro et al. | Segmentation of mammography by applying growcut for mass detection | |
Cai et al. | Accurate weakly supervised deep lesion segmentation on CT scans: Self-paced 3D mask generation from RECIST | |
Furuzuki et al. | A detection method for liver cancer region based on faster R-CNN | |
CN112348826B (zh) | 一种基于测地线距离和V-net的交互式肝脏分割方法 | |
CN116230237B (zh) | 一种基于roi病灶特征的肺癌影响评价方法和系统 | |
Ashraf et al. | A multichannel Markov random field approach for automated segmentation of breast cancer tumor in DCE-MRI data using kinetic observation model | |
Alirr et al. | Automatic liver segmentation from ct scans using intensity analysis and level-set active contours | |
Hoori et al. | Automatic Deep Learning Segmentation and Quantification of Epicardial Adipose Tissue in Non-Contrast Cardiac CT scans |
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 |