CN107103605B - 一种乳房组织的分割方法 - Google Patents

一种乳房组织的分割方法 Download PDF

Info

Publication number
CN107103605B
CN107103605B CN201610095235.2A CN201610095235A CN107103605B CN 107103605 B CN107103605 B CN 107103605B CN 201610095235 A CN201610095235 A CN 201610095235A CN 107103605 B CN107103605 B CN 107103605B
Authority
CN
China
Prior art keywords
slice
image
layer
breast tissue
chest wall
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
CN201610095235.2A
Other languages
English (en)
Other versions
CN107103605A (zh
Inventor
姜娈
李鹏程
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
Application filed by Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN201610095235.2A priority Critical patent/CN107103605B/zh
Publication of CN107103605A publication Critical patent/CN107103605A/zh
Application granted granted Critical
Publication of CN107103605B publication Critical patent/CN107103605B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30068Mammography; Breast

Abstract

本发明公开了一种乳房组织的分割方法,包括:输入包含乳房组织的若干个切片图像,根据所述切片图像中像素点的灰度信息确定乳房的皮肤线和肺组织;根据所述皮肤线或肺组织的位置分别确定所述切片图像沿轴向的检测范围,以及所述乳房组织的左、右特征点,所述检测范围包括起始层、中间层和终止层切片图像;确定所述中间层切片的胸壁线,并根据中间层切片的胸壁线以及相邻层切片的胸壁线的连续性,确定所述检测范围内除所述中间层切片之外的切片图像的胸壁线;根据检测范围内的皮肤线、胸壁线、左特征点和右特征点获取所述乳房组织的分割结果。本技术方案可准确、快速的确定乳房组织胸壁线的位置,进而实现乳房组织的自动分割。

Description

一种乳房组织的分割方法
【技术领域】
本发明涉及医学图像处理领域,特别是涉及一种乳房组织的分割方法。
【背景技术】
乳腺病变为威胁女性健康常见的疾病,其发病率和死亡率在女性疾病中占首位。随着现代医学诊断的快速发展,以计算机技术为辅助的检测技术在早期乳房疾病的诊断中的应用不断提高,其相关的影像学检查主要有超声、X射线、磁共振(MR)、正电子发射扫描(PET)和电子计算机断层扫描(CT)等,通过对影像学检查后的图像进行定位和分割,可获得直观的视图以及病灶的各种定量、定性指标,从而可为进一步的诊疗、术前预判、术中检测等提供参考。同时,在放射治疗计划系统(Radiation Therapy Treatment PlanningSystem,TPS)中,肿瘤靶区的准确分割也在很大程度上依赖于乳房组织中腺体图像的分割:如果分割肿瘤区域小于实际区域,相应的残留区域得不到照射,致使病灶区遗漏;如果分割肿瘤区域大于实际区域,则会造成患者正常组织的损伤。因此,在乳腺疾病的放射治疗中,乳房组织分割的准确与否直接关系到乳房组织中肿块的精确治疗或其他疾病治疗过程中正常乳房组织的规避。
现有技术中,对乳房组织进行分割的方法主要有:经典阈值法[1]、分水岭变换[2]以及基于主动轮廓模型[3](Snake模型)的方法。其中经典阈值法通过寻找局部最优值或者全局最优值从背景中识别和提取目标,然而由于乳房组织图像中的噪声、伪影较多,肿块形状复杂多变,容易受到噪音干扰,经典阈值法获得的分割结果存在一定偏差;分水岭变换通过对梯度图像进行分割,在分割图像时可以产生单像素的封闭轮廓,但存在过分割现象;Snake模型能够实现目标轮廓的提取,但对初始位置敏感,易陷入局部极值。因此,有必要对现有乳房组织的分割方法进行改进。
[1].Sezgin M.Survey over image thresholding techniques andquantitative performance evaluation[J].Journal of Electronic imaging,2004,13(1):146-168.
[2].Lewis S.H.,Dong A.Detection of breast tumor candidates usingmarker-controlled watershed segmentation and morphological analysis[C]//ImageAnalysis and Interpretation(SSIAI),2012IEEE Southwest Symposium on.IEEE,2012:1-4.
[3].Chang R F,Wu W J,Moon W K,et al.Segmentation of breast tumor inthree-dimensional ultrasound images using three-dimensional discrete activecontour model[J].Ultrasound in medicine&biology,2003,29(11):1571-1581.
【发明内容】
本发明所要解决的技术问题提出一种乳房组织的分割方法,其能实现乳房组织的自动分割,且准确度高。
本发明解决上述技术问题所采用的技术方案为:一种乳房组织的分割方法,包括如下步骤:
输入包含乳房组织的若干个切片图像,根据所述切片图像中像素点的灰度信息确定乳房的皮肤线和肺组织;
根据所述皮肤线或肺组织的位置分别确定所述切片图像沿轴向的检测范围,以及所述乳房组织的左特征点和右特征点,所述检测范围包括起始层、中间层和终止层切片图像;
确定所述中间层切片的胸壁线,并根据中间层切片的胸壁线以及相邻层切片的胸壁线的连续性,确定所述检测范围内除所述中间层切片之外的切片图像的胸壁线;
根据检测范围内的皮肤线、胸壁线、左特征点和右特征点获取所述乳房组织的分割结果。
进一步地,所述切片图像沿轴向的检测范围根据所述皮肤线确定,具体过程为:
检测各层切片图像中间部分皮肤线上最低点所在的位置;
确定各层切片图像中皮肤线最低点所在的图像行,并以所述皮肤线最低点所在的图像行为边界确定乳房组织的截断区域;
计算各层切片图像中乳房组织截断区域的面积,并获取乳房组织截断区域的面积分布曲线;
利用所述乳房组织截断区域的面积分布曲线确定乳房组织检测范围沿轴向的起始层、中间层和终止层切片图像,所述起始层或终止层切片为所述面积分布曲线的波谷位置所对应的切片,所述中间层切片为所述面积分布曲线的波峰位置所对应的切片。
进一步地,所述切片图像沿轴向的检测范围根据肺组织的位置确定,具体为:检测所述肺组织沿轴向的顶端和底端,令所述顶端所对应的切片为起始层切片,令所述底端所对应的切片为终止层切片,且令所述顶端与底端之间的中间位置所对应的切片为中间层切片。
进一步地,所述乳房组织的左特征点为左侧背阔肌的端点位置,所述乳房组织的右特征点为右侧背阔肌的端点位置。
进一步地,确定所述中间层切片的胸壁线具体过程为:
对所述中间层切片图像先后进行极坐标变换和二值化处理,获取中间层切片的二维极坐标转换图像;
根据所述中间层切片的二维极坐标转换图像确定胸壁线的候选点,所述候选点为所述中间层切片的二维极坐标转换图像中每一图像列上像素值的跳变点;
根据所述候选点获取中间层切片的二维极坐标转换图像上所有列的目标候选点;
基于所述目标候选点获取中间层切片的胸壁线,所述胸壁线为所有目标候选点的集合。
进一步地,还包括去除所述中间层切片的二维极坐标转换图像中皮肤线所围的区域外部和肺组织内部的像素点。
进一步地,所述二维极坐标转换图像上第一列的目标候选点为行坐标最小的候选点。
进一步地,所述二维极坐标转换图像上剩余列的目标候选点获取过程为:以当前列的前一列为参考列,令当前列中与参考列的目标候选点的距离在设定范围的候选点为目标候选点。
进一步地,还包括对于不包含候选点或者所有候选点不满足目标候选点的图像列,根据肺组织二值化边缘的起伏程度和目标候选点的连续性分别进行虚拟插值和实际插值,获取目标候选点。
进一步地,根据中间层切片的胸壁线以及相邻层切片的胸壁线的连续性,确定所述检测范围内除所述中间层之外的切片图像上的胸壁线,具体过程为:
对于所述检测范围内除所述中间层之外的切片图像,分别按照离中间层切片由近及远的次序选择相应的切片层作为当前层切片,对所述当前层切片图像进行极坐标变换和二值化处理,获取当前层切片图像的二维极坐标转换图像;
获取当前层切片图像的二维极坐标转换图像上所有图像列的候选点,并根据前一层切片胸壁线的位置筛选所述候选点;
根据经过筛选的候选点获取当前层切片图像的二维极坐标转换图像上所有图像列的目标候选点,并根据所述目标候选点获取当前层切片的胸壁线。
与现有技术相比,本发明的优点在于:根据切片图像相邻层胸壁线的连续性和肺组织的边缘趋势,由已确定切片图像层的胸壁线,严格限制下一切片层胸壁线的检测范围,乳房组织胸壁线的检测结果准确度高、快速;根据皮肤线、肺组织的分割结果以及乳房组织的位置特征,确定检测范围、左特征点和右特征点,结合检测的胸壁线实现乳房组织的全自动分割,对于不同类型的乳房组织定位精度高、分割准确。
【附图说明】
图1为本发明的乳房组织的分割方法流程图;
图2为本发明一实施例中沿轴向确定检测范围的方法示意图;
图3为本发明所用的CT图像的中间层切片图像;
图4为乳房组织截断区域的面积分布曲线示意图;
图5为本发明确定中间层切片的胸壁线的流程图;
图6a为对图3进行极坐标转换处理的图像;
图6b为对图6a进行二值化处理后的中间层切片的二维极坐标转换图像;
图7为中间层切片图像的二维极坐标转换图像上候选点示意图;
图8为本发明获取中间层切片的二维极坐标转换图像每一列的目标候选点流程图;
图9a为本发明中间层切片的胸壁线在极坐标下的示意图;
图9b为采用本发明方法获取的乳房组织中间层切片的分割结果示意图;
图10为采用本发明方法分割不同类型乳房组织结果示意图。
【具体实施方式】
使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图和实施例对本发明的具体实施方式做详细的说明。
本发明一种乳房组织的分割方法如图1所示,包括如下步骤:
S10、输入包含乳房组织的数个或者若干个切片图像(或片层图像),根据切片图像中像素点的灰度信息确定乳房的皮肤线和肺组织。乳房组织切片图像的成像方式可以是磁共振设备(MR)成像、电子计算机断层扫描(CT)、X光机(特别是乳腺机)成像等,具体地,在本实施例中,以乳房组织CT切片图像为例说明,该CT切片图像也可称为三维序列图像,其中包含若干个切片(图像)。正常乳房组织的CT有皮肤、皮下脂肪、乳腺实质组成,脂肪组织的CT值一般在-80至-110HU范围内,腺体组织的CT值通常在10HU至30HU范围内,而空气的CT值通常约为-1000HU,大多数肺组织的CT值在-910至-500HU范围内。因此,可采用灰度阈值分割方法获得CT图像中皮肤线内部的胸部组织区域(灰度阈值可根据图像确定,本实施例灰度阈值设定为-400),从而确定皮肤线。皮肤线的具体定义为背景区域和胸部组织图像的剩余部分之间的边缘,皮肤线可包括乳房组织边界的像素以及诸如胸腔像素、标记等不属于乳腺边界的像素。此外,在检测的胸部组织内部,根据像素点的灰度信息采用自适应阈值分割方法可确定肺组织,上述阈值分割的详细过程可参照Hu S,Hoffman E,Reinhardt JM.Automatic lung segmentation for accurate quantitation of volumetric X-rayCT images[J].Medical Imaging,IEEE Transactions on,2001,20(6):490-498。
S20、根据皮肤线或/和肺组织的位置分别确定切片图像沿轴向的检测范围,以及乳房组织的左特征点和右特征点,检测范围包括起始层、中间层和终止层切片图像。本发明一实施例中,切片图像在轴向方向的检测范围可根据皮肤线确定,具体步骤如图2所示:
建立坐标系,对乳房组织的切片图像进行降噪处理,其中令左右方向的冠状轴为X轴,用以衡量图像的列坐标;令前后方向的矢状轴为Y轴,用以衡量图像的行坐标;令与X、Y轴分别垂直的上下轴向方向为Z轴(与纸面垂直)。切片图像包含多层,对于每一层切片图像都进行相同操作,获取各层切片图像中间部分皮肤线上最低点所在的位置,中间部分的皮肤线具体为位于左、右乳房之间部分。以其中任一层切片图像作为当前层切片为例说明:首先,令当前层切片图像中左上角的像素点为坐标原点,在当前层切片图像内获取包含肺组织区域的最小矩形区域,并确定最小矩形区域的中心点所在的图像列,本具体实施例中,当前层切片图像内包含肺组织区域的最小矩形区域的中心点所在的图像列为第M列(x=M),M>50;然后,以上述最小矩形区域的中心点所在的图像列为中心设定当前层切片图像中阈值图像列的范围,获取阈值图像列范围内所对应的皮肤线上的最低点,本具体实施例中,阈值图像列的范围为以第M列为中心从第M-50列(x=M-50)至第M+50列(x=M+50),共包含100个图像列,每一图像列都有对应的皮肤线上的点,比较阈值图像列范围内皮肤线上点对应图像行大小,即可获得当前层切片图像皮肤线最低点所在的位置,皮肤线最低点所在的位置为处于阈值图像列范围内的皮肤线上行坐标最大值所在位置(对应y值最大)。依照上述方法可获得切片图像中各层切片图像皮肤线最低点所在的位置。
接着,确定各层切片图像中皮肤线最低点所在的图像行,并以皮肤线最低点所在的图像行为边界确定乳房组织的截断区域。每一层切片图像中的皮肤线最低点都有唯一y值对应,皮肤线最低点所在的图像行以及相应层切片图像的皮肤线共同围成乳房组织的截断区域。
随后,计算各层切片图像中乳房组织截断区域的面积,并根据截断区域的面积获得其沿轴向(Z轴)的面积分布曲线。
最后,根据乳房组织截断区域的面积分布曲线确定乳房组织检测范围沿轴向的起始层、中间层和终止层切片图像。如图4所示,横坐标表示沿轴向的Z值,纵坐标表示Z值对应切片层面中乳房组织截断区域的面积,与乳房组织的形态特征相符合,乳房组织截断区域的面积分布曲线沿Z轴方向上在P2处出现一个波峰,在P1和P3处出现两个波谷,波峰为乳房组织截断区域面积最大处,所对应的切片图像层为中间层切片(图像),同时也是乳头所在的切片图像层;两个波谷为乳房组织截断区域面积最小处,所对应的切片图像层为起始层或终止层切片(图像)。更具体地,对应Z值较小的为起始层切片(图像);对应Z值较大的为终止层切片(图像)。
但是,由于个体之间的差异以及人体不同生理期的内分泌变化,部分病人乳房较小或可能会出现乳房下垂、以及在拍摄CT图像时可能位置倾斜,上述多种因素会导致乳房组织的面积分布曲线中波谷位置不易被检测,而很难获取起始层和终止层的精确位置。在另一实施例中,根据人体生理结构存在如下特征:乳房组织大致位于人体第二根肋骨和第七个肋骨之间的位置,而第二根肋骨位于肺组织在轴向上的顶端,第七个肋骨位于左肺或者右肺在轴向上的底端,根据乳房组织的位置与肺组织的相对位置特征,通过检测已分割肺组织在轴向上的顶端和底端来确定乳房组织的起始层和终止层进而确定切片图像沿轴向的检测范围,具体为:与实施例一类似,首先建立人体坐标系,左右方向的冠状轴为X轴,前后方向的矢状轴为Y轴,上下轴向方向为Z轴(轴向);检测获取切片图像中肺组织沿轴向的顶端和底端;令肺组织的顶端所对应的切片图像层为起始层切片(图像),令肺组织的底端所对应的切片图像层为终止层切片(图像),且令肺组织的顶端和底端之间的中间位置所对应的切片图像层为中间层切片(图像)。
此外,还可以根据皮肤线和肺组织的位置确定乳房组织的左特征点和右特征点,具体可根据左、右乳房周围背阔肌的端点位置确定乳房的左特征点和右特征点,包括如下步骤:
获取中间层切片图像皮肤线内部和肺组织外部包围的胸部组织区域,对该胸部组织区域的每个像素点采用阈值分割方法(本具体实施例中阈值设为0)进行二值化处理获得二值化图像;
提取胸部组织区域二值化图像中的最左侧和最右侧的像素点,这两个点分别为背阔肌在乳房组织图像中最右侧和最左侧的位置,分别令二值化图像中最左侧和最右侧的像素点为左参考点和右参考点;
从左、右参考点开始,分别搜索二值化图像中从背阔肌跳跃到胸壁上的点,包括左跳跃点和右跳跃点,左跳跃点为左侧背阔肌的端点位置,右侧跳跃点为右侧背阔肌的端点位置,分别令左、右侧背阔肌的端点位置为乳房组织的左特征点L、右特征点R。需要说明的是,在实际处理过程中,左、右特征点并非严格意义上的背阔肌端点位置,在一个实施例中,乳腺组织的左特征点L为检测的左侧背阔肌端点向左平移5个像素并向上平移10个像素的像素点所在的位置,乳房组织的右特征点R为检测的右侧背阔肌端点向右平移5个像素并向上平移10个像素的像素点所在的位置。
S30、确定中间层切片的胸壁线,并根据中间层切片的胸壁线以及相邻层切片的胸壁线的连续性,确定检测范围内除中间层切片之外的切片图像的胸壁线。中间层切片的胸壁线检测过程如图5所示,包括如下步骤:
S301.对中间层切片图像先后进行极坐标变换和二值化处理,获取中间层切片的二维极坐标转换图像。其中,中间层切片的二维极坐标转换图像包括肺组织的二维极坐标转换图像以及皮肤线包围的胸部组织区域二维极坐标转换图像。在此具体实施例中,中间层切片图像为灰度图像,极坐标变换的过程为:首先确定扫描参数,扫描参数包括扫描起点、扫描半径、扫描起始角度和扫描终止角度;扫描起点的确定方式为:在中间层切片图像的肺组织区域,获得可以包含肺组织区域的最小矩形区域,令该矩形区域下半部分的中心位置为扫描起点C;扫描半径r依据乳房组织的左、右背阔肌端点或左、右特征点到扫描起点的距离(r的长度为线段CL或线段CR)获得,需要说明的是,考虑到肺组织区域的非均匀性,扫描半径r设置为乳房组织的左、右背阔肌端点距离扫描起点的最大值,再加上30个像素点的长度;如图3所示,扫描起始角度为扫描起始点C和左特征点的连线CL与水平方向的夹角α,扫描终止角度为扫描起始点C和右特征点的连线CR与水平方向的夹角β。利用上述扫描参数,采用射线扫描将中间层切片灰度图像的肺组织图像、皮肤线内部的胸部组织区域图像进行极坐标变换,中间层切片的二维乳房组织图像被重采样,扫描的射线数目具体为1200条。在二维极坐标图像中,横轴表示这些扫描射线的序号,纵轴表示射线上的点距离扫描起点的距离,且扫描射线的序号为1至1200。通过射线扫描方法得到的所有扫描射线,而每一条扫描射线通过极坐标方法转换可得到如图6a所示的极坐标图像的每一列,每一列上的点表示每一条扫描射线在中间层图像中经过的点。此外,还需要对中间层切片极坐标转换后图像进行二值化处理,具体为:设定灰度阈值,采用阈值分割方法对图6a灰度图像所对应的像素点进行二值化处理(阈值范设定为-30),获得如图6b所示的最终中间层切片的二维极坐标转换图像。需要说明的是,本发明还对中间层切片的二维极坐标转换图像进行去噪处理,以中间层切片的二维极坐标转换图像中皮肤线外部区域二值图像和肺组织二值图像所对应部分作为模版,并用该模板点乘上述中间层切片的二维极坐标转换图像以排除皮肤线以外以及肺组织内部的像素点信息。
S302.根据步骤S301获取的中间层切片的二维极坐标转换图像确定中间层切片胸壁线的候选点,具体为:对于中间层切片的二维极坐标转换图像,获取每列中由0变为1的像素点,并去除一些非连通的散点(连通区域内由0变为1的像素点个数小于10或20),从而得到如图7所示的胸壁线的候选点(颜色较亮部分);
S303.根据步骤S302中获取的胸壁线候选点,依次以中间层切片的二维极坐标转换图像的第一列到最后列的每一图像列为当前列,获取每一列的目标候选点。该过程如图8所示:
1)获取当前列所对应的列坐标值,判断当前列是否为第一列,若是,则在当前列中选定对应行坐标值最小,即与皮肤线最近的候选点为第一列的目标像素点;若否,执行步骤2);
2)判断当前列是否包含有候选点,如果当前列包含候选点,则以当前列的前一列为参考列(参考列的目标候选点已知),当前列的目标候选点为二维极坐标图像上,与参考列的目标候选点的距离在设定范围的候选点,并令该候选点为目标候选点,并令后一列为当前列,并继续执行步骤1);如果当前列不包含与参考列的目标候选点的距离在设定范围的候选点,则删除该列上的所有候选点,执行步骤3);如果检测当前列中不存在任何候选点,执行步骤3)。
以当前操作列为第S列(S≥2)说明,第S-1列为参考列,参考列的目标候选点已知,在第S列的所有候选点中获取距离第S-1列距离最近的候选点,并进一步判断上述距离是否小于5个像素点,满足上述条件的候选点则为第S列的目标候选点;如果在第S列的所有候选点中不包含与第S-1列目标候选点的距离小于5个像素点的候选点,删除第S列上的所有候选点,执行步骤3);如果第S列不包含候选点,执行步骤3)。
3)对不包含候选点或者无法获得目标候选点的图像列,根据肺组织二值化边缘的起伏程度,进行虚拟插值,获取虚拟候选点,详细过程为:
若肺组织所在最大行数与最小行数之差小于80个像素点,则说明肺组织二值化边缘曲线较平,则首个需要进行虚拟插值的图像列上的两个虚拟插值点的行坐标为在前一列已选定候选点行坐标值基础上分别加、减1个像素点,定义虚拟插值点为虚拟候选点。需要说明的是,如果有多个连续图像列需要插值,则按照每间隔7个图像列虚拟插值点的行坐标值分别加、减1个像素点进行虚拟插值,相邻连续7个图像列内虚拟插值点的行坐标值保持不变。
若肺组织所在最大行数与最小行数之差大于80个像素点,说明肺组织二值化边缘曲线较陡,则首个需要进行虚拟插值的图像列上的两个虚拟插点的行坐标为在前一列已选定候选点行坐标基础上分别加、减1个像素点,定义虚拟插值点为虚拟候选点。需要说明的是,如果有多个连续图像列需要插值,则按照每间隔5个图像列虚拟插值点的行坐标值分别加、减1个像素点进行虚拟插值,相邻连续5个图像列内虚拟插值点的行坐标值保持不变。
4)以当前列的虚拟候选点为虚拟目标候选点,判断当前列的后一列中是否存在满足2)中条件的目标候选点,如存在目标候选点,则根据目标候选点的连续性对开始虚拟插值图像列和终止虚拟插值图像列之间的图像列进行实际插值,获取对开始虚拟插值图像列和终止虚拟插值图像列之间的图像列上的目标候选点;如果不存在目标候选点,则返回执行步骤3)。
判断当前列的后一列中是否存在目标候选点的具体步骤为:以当前列为参考列,令当前列上的虚拟目标候选点为参考点,计算参考列的后一列上是否存在与参考点的最小距离在设定范围内(5个像素点)的候选点,如果条件满足,则判定当前列的后一列中存在目标候选点;如果条件不满足,则判定当前列的后一列中不存在目标候选点。
进一步地,对开始虚拟插值图像列和终止虚拟插值图像列进行实际插值,获取目标候选点的具体步骤为:以开始虚拟插值图像列的前一列的目标候选点为起点,以终止虚拟插值图像列的后一列的目标候选点为终点,获取两点之间的直线,该直线会与开始虚拟插值图像列和终止虚拟插值图像列之间的图像列存在唯一交点,该交点定义为对应图像列的目标候选点。需要说明的是,在每次执行完上述过程后,需判断中间层切片的二维极坐标转换图像的所有图像列是否执行完毕,如果条件满足,则结束该过程;否则,重新以下一图像列为当前列并返回执行步骤1),按照上述步骤可依次获取每一列的目标候选点。
S304.根据每一图像列的目标候选点获取中间层切片的胸壁线。如图9a所示,中间亮度较高的曲线为获取的二维极坐标下的胸壁线,对所有目标候选点的集合组成的二维极坐标转换图像中的胸壁线进行极坐标逆变换可获取原始二维乳房组织中间层切片的胸壁线。
利用极坐标逆转换获取原始二维乳房组织中间层切片的胸壁线,如图9b所示,结合步骤S10中获得的皮肤线,以S30中确定的扫描起点C与左特征点L、右特征点R形成的两条射线CL和CR,上述四条分割线围成的区域被定义为乳房组织区域,以过中间层切片左右乳房之间皮肤线最低点的垂线将乳房组织分为左、右乳房组织。
在确定中间层切片的胸壁线的基础上,结合相邻层切片图像中胸壁线的连续性,可限定相邻层切片图像中胸壁线的检测位置。从中间层(对应Z值为M)开始分别向上(Z>M)和向下(Z<M)逐层(按照离中间层由近及远的次序)进行处理,所有剩余层的处理方式相同,以其中任一层为例说明:
假设当前层切片图像为第K+1层,基于极坐标转换方法,利用射线扫描将灰度图像和皮肤线内部的胸部组织区域二值图像分别变换为二维极坐标转换图像,包括扫描起点、扫描半径、扫描起始角度和扫描终止角度等的扫描参数都保持和中间层一致;
对经过极坐标转换的图像(此时仍为灰度图像)采用阈值分割方法(如:-30)二值化,同时还包括用皮肤线内部的胸部组织区域二值图像点乘灰度图像的二值图,从而去除灰度图像的二值图上皮肤线以外的像素点信息。在处理后的灰度图像的二值图的每列中获得由0变为1的像素点,从而得到第K+1层图像中胸壁线的所有候选点;
在二维极坐标转换图像上,根据当前层(第K+1层)切片图像的前一层(第K层)胸壁线的位置筛选当前层的候选点,具体为:根据前一层切片的胸壁线的起伏程度,设定候选点筛选范围大小,若前一层切片的胸壁线最大行数与最小行数之差大于80个像素点,在以前一层每一列上检测到的胸壁线位置为中心,上下20个像素点范围内,在当前层切片图像中的每一图像列保留处于该区域范围内的候选点;若前一层切片的胸壁线最大行数与最小行数之差小于80个像素点,则在以前一层每一列上检测到的胸壁线位置为中心,上下6个像素范围内,在当前层切片图像中的每一图像列保留处于该区域范围内的候选点;
根据当前层切片图像中的候选点,依次获取当前层切片图像的二维极坐标转换图像的第一列至最后一列的目标候选点,具体方法与S30的步骤S303相同。当前层切片的胸壁线所有目标候选点的集合经过极坐标逆转换获得当前层切片的胸壁线。
S40、根据检测范围内的皮肤线、胸壁线、左特征点和右特征点获取乳房组织的分割结果。
本发明选用不同类型的乳房组织进行处理,均具有较好且准确的分割结果。如图10所示,分别为对脂肪型(a)、致密型(b)、少量纤维腺体型(c)和混合型(d)的乳房组织的分割结果,对于三种脂肪和纤维腺体比例不同的乳房组织均可自动分割,且准确度高。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (8)

1.一种乳房组织的分割方法,其特征在于,包括如下步骤:
输入包含乳房组织的若干个切片图像,根据所述切片图像中像素点的灰度信息确定乳房的皮肤线和肺组织,所述切片图像为CT切片图像;
根据所述皮肤线和肺组织的位置分别确定所述乳房组织的左特征点和右特征点;
确定所述切片图像沿轴向的检测范围,所述检测范围包括起始层、中间层和终止层切片图像;
确定所述中间层切片的胸壁线,并根据中间层切片的胸壁线以及相邻层切片的胸壁线的连续性,确定所述检测范围内除所述中间层切片之外的切片图像的胸壁线;
根据检测范围内的皮肤线、胸壁线、左特征点和右特征点获取所述乳房组织的分割结果;
所述切片图像沿轴向的检测范围根据所述皮肤线确定,具体过程为:
检测各层切片图像中间部分皮肤线上最低点所在的位置;
确定各层切片图像中皮肤线最低点所在的图像行,并以所述皮肤线最低点所在的图像行为边界确定乳房组织的截断区域;
计算各层切片图像中乳房组织截断区域的面积,并获取乳房组织截断区域的面积分布曲线;
利用所述乳房组织截断区域的面积分布曲线确定乳房组织检测范围沿轴向的起始层、中间层和终止层切片图像,所述起始层或终止层切片为所述面积分布曲线的波谷位置所对应的切片,所述中间层切片为所述面积分布曲线的波峰位置所对应的切片;
或者,所述切片图像沿轴向的检测范围根据肺组织的位置确定,具体为:检测所述肺组织沿轴向的顶端和底端,令所述顶端所对应的切片为起始层切片,令所述底端所对应的切片为终止层切片,且令所述顶端与底端之间的中间位置所对应的切片为中间层切片。
2.根据权利要求1所述的乳房组织的分割方法,其特征在于,所述乳房组织的左特征点为左侧背阔肌的端点位置,所述乳房组织的右特征点为右侧背阔肌的端点位置。
3.根据权利要求1所述的乳房组织的分割方法,其特征在于,确定所述中间层切片的胸壁线具体过程为:
对所述中间层切片图像先后进行极坐标变换和二值化处理,获取中间层切片的二维极坐标转换图像;
根据所述中间层切片的二维极坐标转换图像确定胸壁线的候选点,所述候选点为所述中间层切片的二维极坐标转换图像中每一图像列上像素值的跳变点;
根据所述候选点获取中间层切片的二维极坐标转换图像上所有列的目标候选点;
基于所述目标候选点获取中间层切片的胸壁线,所述胸壁线为所有目标候选点的集合。
4.根据权利要求3所述的乳房组织的分割方法,其特征在于,还包括去除所述中间层切片的二维极坐标转换图像中皮肤线所围的区域外部和肺组织内部的像素点。
5.根据权利要求3所述的乳房组织的分割方法,其特征在于,所述二维极坐标转换图像上第一列的目标候选点为行坐标最小的候选点。
6.根据权利要求5所述的乳房组织的分割方法,其特征在于,所述二维极坐标转换图像上剩余列的目标候选点获取过程为:以当前列的前一列为参考列,令当前列中与参考列的目标候选点的距离在设定范围的候选点为目标候选点。
7.根据权利要求6所述的乳房组织的分割方法,其特征在于,还包括对于不包含候选点或者所有候选点不满足目标候选点的图像列,根据肺组织二值化边缘的起伏程度和目标候选点的连续性分别进行虚拟插值和实际插值,获取目标候选点。
8.根据权利要求1所述的乳房组织的分割方法,其特征在于,根据中间层切片的胸壁线以及相邻层切片的胸壁线的连续性,确定所述检测范围内除所述中间层之外的切片图像上的胸壁线,具体过程为:
对于所述检测范围内除所述中间层之外的切片图像,分别按照离中间层切片由近及远的次序选择相应的切片层作为当前层切片,对所述当前层切片图像进行极坐标变换和二值化处理,获取当前层切片图像的二维极坐标转换图像;
获取当前层切片图像的二维极坐标转换图像上所有图像列的候选点,并根据前一层切片胸壁线的位置筛选所述候选点;
根据经过筛选的候选点获取当前层切片图像的二维极坐标转换图像上所有图像列的目标候选点,并根据所述目标候选点获取当前层切片的胸壁线。
CN201610095235.2A 2016-02-22 2016-02-22 一种乳房组织的分割方法 Active CN107103605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610095235.2A CN107103605B (zh) 2016-02-22 2016-02-22 一种乳房组织的分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610095235.2A CN107103605B (zh) 2016-02-22 2016-02-22 一种乳房组织的分割方法

Publications (2)

Publication Number Publication Date
CN107103605A CN107103605A (zh) 2017-08-29
CN107103605B true CN107103605B (zh) 2021-03-16

Family

ID=59658991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610095235.2A Active CN107103605B (zh) 2016-02-22 2016-02-22 一种乳房组织的分割方法

Country Status (1)

Country Link
CN (1) CN107103605B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563998B (zh) * 2017-08-30 2020-02-11 上海联影医疗科技有限公司 医学图像中心脏图像处理方法
CN107862691B (zh) * 2017-11-24 2020-06-19 上海联影医疗科技有限公司 检测乳房图像中非乳房区域的方法、装置、计算机和介质
CN110009666B (zh) * 2018-01-05 2021-01-22 北京柏惠维康科技有限公司 一种机器人空间配准中建立匹配模型的方法及装置
CN108257120B (zh) * 2018-01-09 2019-09-06 东北大学 一种基于ct图像的三维肝脏包围盒的自动提取方法
WO2019228482A1 (en) * 2018-05-30 2019-12-05 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image processing
CN108765421B (zh) * 2018-05-30 2021-01-12 上海联影医疗科技股份有限公司 乳房医学图像处理方法、装置和aec曝光参数获取方法
CN109492608B (zh) 2018-11-27 2019-11-05 腾讯科技(深圳)有限公司 图像分割方法、装置、计算机设备及存储介质
CN110136829A (zh) * 2019-05-16 2019-08-16 腾讯科技(深圳)有限公司 乳腺钼靶图像的辅助诊断方法、装置、系统及介质
CN114332087B (zh) * 2022-03-15 2022-07-12 杭州电子科技大学 Octa图像的三维皮层表面分割方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334895B (zh) * 2008-08-07 2011-09-14 清华大学 一种针对动态增强乳腺磁共振影像序列的影像分割方法
JP5284123B2 (ja) * 2009-01-20 2013-09-11 株式会社東芝 超音波診断装置および位置情報取得プログラム
CN103927732B (zh) * 2013-01-11 2016-03-30 上海联影医疗科技有限公司 一种胸壁线的检测方法
CN104794749A (zh) * 2015-04-08 2015-07-22 天津大学 基于临床mri影像建立三维乳房电磁仿真模型的方法

Also Published As

Publication number Publication date
CN107103605A (zh) 2017-08-29

Similar Documents

Publication Publication Date Title
CN107103605B (zh) 一种乳房组织的分割方法
Skourt et al. Lung CT image segmentation using deep neural networks
US9990712B2 (en) Organ detection and segmentation
US8958618B2 (en) Method and system for identification of calcification in imaged blood vessels
CN102763135B (zh) 用于自动分割和时间跟踪的方法
EP2120208A1 (en) Method and system for lesion segmentation
US8165376B2 (en) System and method for automatic detection of rib metastasis in computed tomography volume
WO2013131421A1 (zh) 基于3d医学影像测定生理参数的装置和方法
Huo et al. Robust multicontrast MRI spleen segmentation for splenomegaly using multi-atlas segmentation
CN110910405A (zh) 基于多尺度空洞卷积神经网络的脑肿瘤分割方法及系统
CN107633514B (zh) 一种肺结节周边血管量化评估系统及方法
JP2016195764A (ja) 医用画像処理装置およびプログラム
CN112601582A (zh) 用于加速的在线自适应放射疗法的系统和方法
Yao et al. Advances on pancreas segmentation: a review
US7376254B2 (en) Method for surface-contouring of a three-dimensional image
KR102349515B1 (ko) 의료 영상에서 딥러닝에 기반한 종양 자동분할 방법
US9082193B2 (en) Shape-based image segmentation
EP1691687A1 (en) Automatic identification of the anterior and posterior commissure landmarks
US20140161329A1 (en) Method and system for binary and quasi-binary atlas-based auto-contouring of volume sets in medical images
Araújo et al. Segmentation and three‐dimensional reconstruction of lesions using the automated breast volume scanner (ABVS)
KR101484051B1 (ko) 능동적 윤곽선 방법을 이용한 cad 시스템을 위한 전처리 장치 및 방법
Wieclawek 3D marker-controlled watershed for kidney segmentation in clinical CT exams
KR102332472B1 (ko) 의료 영상에서 듀얼 윈도우 설정에 기반한 딥러닝을 이용한 종양 자동 분할 방법
Lee et al. Breast ultrasound automated ROI segmentation with region growing
Huang et al. Three‐dimensional region‐based segmentation for breast tumors on sonography

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
CB02 Change of applicant information
CB02 Change of applicant information

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

Applicant after: Shanghai Lianying Medical Technology Co., Ltd

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

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

GR01 Patent grant
GR01 Patent grant