CN107392910A - 一种基于ct图像的肺叶分割方法及装置 - Google Patents

一种基于ct图像的肺叶分割方法及装置 Download PDF

Info

Publication number
CN107392910A
CN107392910A CN201710546860.9A CN201710546860A CN107392910A CN 107392910 A CN107392910 A CN 107392910A CN 201710546860 A CN201710546860 A CN 201710546860A CN 107392910 A CN107392910 A CN 107392910A
Authority
CN
China
Prior art keywords
lung
lobe
crack point
crack
point
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.)
Granted
Application number
CN201710546860.9A
Other languages
English (en)
Other versions
CN107392910B (zh
Inventor
陈磊
曲凯晨
康雁
吕晓凤
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.)
Neusoft Medical Systems Co Ltd
Original Assignee
Neusoft Medical Systems 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 Neusoft Medical Systems Co Ltd filed Critical Neusoft Medical Systems Co Ltd
Priority to CN201710546860.9A priority Critical patent/CN107392910B/zh
Publication of CN107392910A publication Critical patent/CN107392910A/zh
Application granted granted Critical
Publication of CN107392910B publication Critical patent/CN107392910B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10081Computed x-ray tomography [CT]
    • 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
    • G06T2207/30061Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供一种基于CT图像的肺叶分割的方法及装置,包括:从CT图像中提取肺部区域,将肺部区域分割为左肺区和右肺区;从左肺区和右肺区中提取肺叶裂缝点;由提取的肺叶裂缝点构造肺叶裂隙面。从CT图像中提取肺部区域,并将肺部区域分割为左肺区和右肺区;左肺区包括2个肺叶,右肺区包括3个肺叶。从左肺区和右肺区提取肺叶裂缝点;由肺叶裂缝点构造肺叶裂隙面。该方法自动实现肺叶分割,当利用该方法进行肺叶分割以后,若不能清楚地分割出五个肺叶,说明肺本身存在生理异常,或肺周边存在肿瘤。该方法自动进行五个肺叶的分割,如果分割不出五个肺叶说明存在异常,节省医生大量时间。医生不必人工花费大量时间分析CT图像查找可疑区域。

Description

一种基于CT图像的肺叶分割方法及装置
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于CT图像的肺叶分割方法及装置。
背景技术
肺部疾病已逐渐成为威胁人类生命健康最普遍的病症,其中肺癌以其不易发现,而发现后不易治疗,死亡率高等特点已成为癌症中最大的威胁。病人患肺癌出现显著症状时,基本已错过最佳诊断与治疗时期,所以肺癌的早期诊断及治疗至关重要。目前临床主要采用低剂量螺旋CT进行肺结节的诊断与筛查。关于肺癌诊断的计算机辅助诊断系统的出现与改进是当代医疗发展的重中之重。
医学图像分割技术发展至今,其相关算法的可谓种类繁多,层出不穷,但依然无法完全满足人们的实际需求。图像结构性质的千差万别,这些都决定了难以采用一种通用的分割方法。因此,针对医学图像的特点,研究更有效的医学图像分割方法有着重要意义。图像分割是一种重要的图像技术,它不仅得到人们广泛的重视和研究,也在实际中得到大量的应用。
目前,现有技术中的胸部解决方案,主要侧重于全肺分割、气管分割、血管造影成像及肺气肿分析方向,没有涉及对于肺叶进行详细分割。
发明内容
为了解决现有技术中存在的以上技术问题,本发明提供一种基于CT图像的肺叶分割方法及装置,能够自动在CT图像上分割出五个肺叶,以便于筛查出肺部异常的CT图像。
本发明实施例提供一种基于CT图像的肺叶分割的方法,包括:
从CT图像中提取肺部区域,并将所述肺部区域分割为左肺区和右肺区;
从所述左肺区和右肺区中提取肺叶裂缝点;
由提取的肺叶裂缝点构造肺叶裂隙面。
优选地,还包括:从所述肺部区域分割出气管,由所述气管分割出支气管;
由分割出的支气管的末端确定肺叶的初始位置,每个所述肺叶连接一个支气管;
所述由提取的肺叶裂缝点构造肺叶裂隙面,具体包括:
由所述提取的肺叶裂缝点和所述肺叶的初始位置构造肺叶裂隙面。
优选地,从所述左肺区和右肺区中提取肺叶裂缝点之前,还包括:
对所述左肺区和右肺区通过高斯滤波器进行高斯滤波,滤除图像中的噪声;
从所述左肺区和右肺区中提取肺叶裂缝点,具体包括:
从高斯滤波后的左肺区和右肺区中提取肺叶裂缝点。
优选地,所述从高斯滤波后的左肺区和右肺区中提取肺叶裂缝点,具体包括:
抑制左肺区和右肺区中的裂缝局部亮点、抑制血管壁信号点、抑制血管附近的裂缝点以及抑制非平面和非曲线状裂缝点;
从抑制所述裂缝局部亮点、血管壁信号点、血管附近的裂缝点以及抑制非平面和非曲线状裂缝点之后的左肺区和右肺区中提取肺叶裂缝点。
优选地,所述从抑制所述裂缝局部亮点、血管壁信号点、血管附近的裂缝点以及抑制非平面和非曲线状裂缝点之后的左肺区和右肺区中提取肺叶裂缝点,具体包括:
对所述左肺区和右肺区中的每个像素点构建海森矩阵,并获得所述海森矩阵的三个特征值λ1、λ2和λ3,且|λ1|≤|λ2|≤|λ3|;
按照以下公式提取肺叶裂缝点,将所述F大于预定阈值对应的像素点提取为所述肺叶裂缝点;
F=ΓFplaneFwallFvessels
其中,
p为预设值;
w为预设值;
v为预设值;
所述DT{vessels}2为利用分水岭算法计算的血管的距离变换。
优选地,所述由提取的肺叶裂缝点构造肺叶裂隙面,具体包括:
查找肺叶裂缝点(x,y,z)中由x和y确定的同一个平面上z的最大值对应的肺叶裂缝点;
筛选所有平面上z的最大值对应的肺叶裂缝点组成备用裂缝点集合;
将所述备用裂缝点集合中的肺叶裂缝点的体素小于预设体素的肺叶裂缝点剔除;
由剔除后剩余的肺叶裂缝点利用三次B样线条法拟合肺叶裂隙面。
本发明实施例提供一种基于CT图像的肺叶分割的装置,包括:左右肺分割单元、肺叶裂缝点提取单元和肺叶裂隙面构造单元;
所述左右肺分割单元,用于从CT图像中提取肺部区域,并将所述肺部区域分割为左肺区和右肺区;
所述肺叶裂缝点提取单元,用于从所述左肺区和右肺区中提取肺叶裂缝点;
所述肺叶裂隙面构造单元,用于由提取的肺叶裂缝点构造肺叶裂隙面。
优选地,还包括:气管分割单元;
所述气管分割单元,用于从所述肺部区域分割出气管,由所述气管分割出支气管;由分割出的支气管的末端确定肺叶的初始位置,每个所述肺叶连接一个支气管;
所述肺叶裂隙面构造单元,用于由所述提取的肺叶裂缝点和所述肺叶的初始位置构造肺叶裂隙面。
优选地,所述肺叶裂缝点提取单元包括:抑制子单元和裂缝点提取子单元;
所述抑制子单元,用于抑制左肺区和右肺区中的裂缝局部亮点、抑制血管壁信号点抑制血管附近的裂缝点以及抑制非平面和非曲线状裂缝点;
所述裂缝点提取子单元,用于从抑制左肺区和右肺区中的裂缝局部亮点、抑制血管壁信号点抑制血管附近的裂缝点以及抑制非平面和非曲线状裂缝点之后的左肺区和右肺区中提取肺叶裂缝点。
优选地,所述肺叶裂隙面构造单元包括:查找子单元、筛选子单元、剔除子单元和拟合子单元;
所述查找子单元,用于查找肺叶裂缝点(x,y,z)中由x和y确定的同一个平面上z的最大值对应的肺叶裂缝点;
所述筛选子单元,用于筛选所有平面上z的最大值对应的肺叶裂缝点组成备用裂缝点集合;
所述剔除子单元,用于将所述备用裂缝点集合中的肺叶裂缝点的体素小于预设体素的肺叶裂缝点剔除;
所述拟合子单元,用于由剔除后剩余的肺叶裂缝点利用三次B样线条法拟合肺叶裂隙面。
与现有技术相比,本发明至少具有以下优点:
首先从CT图像中提取肺部区域,并将肺部区域分割为左肺区和右肺区;因为左肺区包括2个肺叶,右肺区包括3个肺叶。从左肺区和右肺区中提取肺叶裂缝点;由提取的肺叶裂缝点构造肺叶裂隙面。该方法可以自动实现肺叶分割,当利用本发明提供的方法进行肺叶分割以后,若不能清楚地分割出五个肺叶,则说明肺本身存在生理异常,或者肺周边存在肿瘤。通过该方法,可以自动进行五个肺叶的分割,如果分割不出五个肺叶,则说明存在异常,节省了医生的大量时间。医生不必人工花费大量时间来分析CT图像,查找可疑区域。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明提供的基于CT图像的肺叶分割的方法实施例一流程图;
图2为从CT图像中提取出的肺部区域图像;
图3为基于本发明提供的肺叶分割方法分割出的肺叶二维图像;
图4为基于本发明提供的肺叶分割方法分割出的肺叶三维图像;
图5为基于本发明提供的肺叶分割方法分割出的异常肺叶图像;
图6为本发明提供的基于CT图像的肺叶分割的方法实施例二流程图;
图7为本发明提供的基于CT图像的肺叶分割的方法实施例三流程图;
图8为本发明提供的基于CT图像的构造肺叶裂隙面的流程图;
图9为本发明提供的基于CT图像的肺叶分割装置实施例示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
首先介绍下本发明提供的方法的应用场景,例如医疗阅片服务场景。
影像科医生每日需要阅读大量的肺部CT图像,每个病例可能有超过300幅的CT图像,医生需要通过反复检查可疑区域,确定肺结节位置及大小等信息,最后确定结节的良性或恶性。本发明以下实施例提供的方法可以自动对肺叶进行分割,通过将肺叶分割出来以后得到的CT图像,可以清楚地发现异常。肺部包括五个肺叶,左肺包括两个肺叶,右肺包括三个肺叶。当利用本发明提供的方法进行肺叶分割以后,若不能清楚地分割出五个肺叶,则说明肺本身存在生理异常,或者肺周边存在肿瘤。通过该方法,可以自动进行五个肺叶的分割,如果分割不出五个肺叶,则说明存在异常,节省了医生的大量时间。医生不必人工花费大量时间来分析CT图像,查找可疑区域。
通过该方法对大量人群的肺部CT图像进行分割,发现在层厚为2mm的CT图像中,大部分可以正常分割出五个肺叶。而有一小部分由于先天生理异常,或病理导致肺部结构异常无法正常分割出五个肺叶。这样就可以从大量肺部CT图像中,直接筛查出异常图像,大大减轻了医生现有的工作量。在筛查异常方向起到了关键作用,这将成为一种提高影像科医生诊断效率的有效阅片工具。
方法实施例一:
参见图1,该图为本发明提供的基于CT图像的肺叶分割的方法实施例一流程图。
本实施例提供的基于CT图像的肺叶分割的方法,包括以下步骤:
步骤101:从CT图像中提取肺部区域,并将所述肺部区域分割为左肺区和右肺区。
需要说明的是,一般给肺部拍CT图像时,直接拍摄的是胸部的图像,因此,需要从胸部CT图像中提取出肺部区域,并且确定左肺区和右肺区的边界。在确定出左右肺所属区域之后,才可以在左肺区和右肺区内进行肺叶分割,一般从CT图像中提取出的肺部区域图像,如图2所示。左肺区包括2个肺叶,右肺区包括3个肺叶。已知左右肺区的肺叶数量有助于下一步的肺叶分割。
步骤102:从所述左肺区和右肺区中提取肺叶裂缝点。
左肺区和右肺区对应的CT图像中包含有很多的点,其中一些点为肺叶裂缝点,提取肺叶裂缝点的目的是寻找肺叶与肺叶之间的隔,隔又可以称为裂缝。利用肺叶裂缝点可以构造出肺叶裂隙面。但是,在CT图像中,有一部分点为在获取CT图像过程中受到外界干扰而产生的干扰点,还有一部分点为在拍摄CT图像过程中获得的人体内其他组织器官上的点,如裂缝局部亮点、血管壁信号点等,这些点均不能作为肺叶裂缝点来构造肺叶裂隙面,对肺叶裂缝点的提取会造成一定的干扰。因此,需要从左肺区和右肺区中对应的CT图像提取能够代表肺叶的隔的肺叶裂缝点,不需要干扰点。
步骤103:由提取的肺叶裂缝点构造肺叶裂隙面。
提取出肺叶裂缝点后,即可利用曲面拟合算法,将提取出的肺叶裂缝点进行曲面拟合,进而得到肺叶裂隙面,即由点构造面。
首先从CT图像中提取肺部区域,并将肺部区域分割为左肺区和右肺区;因为左肺区包括2个肺叶,右肺区包括3个肺叶。从左肺区和右肺区中提取肺叶裂缝点;由提取的肺叶裂缝点构造肺叶裂隙面。如图3和图4所示,分别为进行肺叶分割后得到的二维图像和三维图像,从图像中可以看出,该方法能够自动实现肺叶分割,如图5所示图像,为利用本发明提供的方法进行肺叶分割以后得到的图像,从图5可以看出,从该CT图像中,无法清楚地分割出五个肺叶,则说明肺本身存在生理异常,或者肺周边存在肿瘤。通过该方法,基于CT图像可以自动进行五个肺叶的分割,如果分割不出五个肺叶,则说明肺部存在异常,医生不必人工花费大量时间来分析CT图像,查找可疑区域,节省了医生大量的时间。
方法实施例二:
每个肺叶的初始位置都连接一根支气管。遵从这个生理特性,本实施例将气道分割为两级,第一级是气管,第二级是支气管,利用支气管的末端寻找每个肺叶的初始位置,下面介绍对CT图像中的肺部气管进行分割来确定肺叶的初始位置。
参见图6,该图为本发明提供的基于CT图像的肺叶分割的方法实施例二流程图。
本实施例提供的肺叶分割的方法,包括:
步骤201:从CT图像中提取肺部区域。
步骤202:将肺部区域分割为左肺区和右肺区。
步骤203:从肺部区域的CT图像中分割气管及支气管。
步骤202和步骤203没有先后顺序关系,分别是两个独立的步骤,可以并列执行。
利用步骤201从CT图像中提取的肺部区域,确定肺部区域的边界。并根据肺部区域的边界来寻找气管的起点。然后,对肺部气管进行进一步分割。本实施例中将肺部气道分割为两级,利用支气管的末端可以准确定位肺叶的初始位置。
下面简单介绍气管及支气管分割的方法:
选用基于“泄露”控制的区域增长算法对肺部气管进行初步的分割;根据人体解剖学的知识,将气管中宽度大于某一预设阈值的部分去除,本实施例中将该预设阈值设置为80mm,当然也可以设置为其他值,在此不做任何限定。再进一步识别最大连通分量,校正形态学闭合。对初步分割后的气管进行进一步的分支处理,利用波前传播算法来检测分叉,滤除超出可变阈值的部分,在本实施例中的可变阈值可以设置为当前气管截面积的5倍。同样,该可变阈值也可以根据需要设置为其他数值,本实施例对此不做任何限定。滤除超出可变阈值的部分后,对于肺部气管的初步分割基本完成。由于肺部的气管呈树状分布,因此需要利用骨架化算法提取气管树的中心线,并对其分支结构进行标记,即分割出支气管。
步骤204:由分割出的支气管的末端确定肺叶的初始位置,每个所述肺叶连接一个支气管。
根据步骤203中分割出的气管以及支气管即可确定肺叶的初始位置,由于气管的生理结构是主气管连接支气管,五个支气管连接五个肺叶。即每个肺叶连接一个支气管,每个支气管的末端位置就是每个肺叶的始端位置。因此,分割出支气管后即可确定肺叶的始端位置。
若分割出的支气管末端出现没有与之连接的肺叶,则可以确定该处肺叶可能出现异常。
步骤205:在步骤202中分出的左肺区和右肺区中,提取肺叶裂缝点。
步骤206:由所述提取的肺叶裂缝点和所述肺叶的初始位置构造肺叶裂隙面。
即利用肺叶的初始位置可以辅助构造肺叶裂隙面,也有助于筛选肺叶的异常。
在提取到肺叶裂缝点的基础上,再进一步根据肺叶的初始位置来构造肺叶裂隙面,可以确定肺叶裂隙面的边缘位置,进而使得构造出的肺叶裂隙面更为准确。
方法实施例三:
由于在获取的CT图像中存在很多图像点,其中一些图像点可能是在获取CT图像的过程中由于某些因素的影响而产生的干扰点,还有一些点可能是人体其他器官上的点,如裂缝局部亮点、血管壁信号点等。上述这些图像点在提取肺叶裂缝点的过程中,均会产生干扰,因此为了更准确地提取肺叶裂缝点,需要对这些干扰点进行抑制。
参见图7,该图为本发明提供的基于CT图像的肺叶分割的方法实施例三流程图。
本实施例提供的基于CT图像的肺叶分割方法,包括:
步骤301:从CT图像中提取肺部区域,并将所述肺部区域分割为左肺区和右肺区。
步骤302:对所述左肺区和右肺区通过高斯滤波器进行高斯滤波,滤除图像中的噪声。
本实施例中选用了高斯滤波器滤除图像中的噪声,高斯滤波器在裂缝附近会发生很强的反应。由于肺叶裂缝尺寸在1.5mm附近,因此将不处于1.5mm附近的干扰信号滤除掉。本实施例中,高斯滤波器的预定尺寸选取1mm-2mm,目的是滤除尺寸小于1mm和滤除尺寸大于2mm的独立点。独立点离肺叶裂缝对应的曲线太远,因此通过滤除这些独立点来捕获裂缝平面特征。
步骤303:抑制左肺区和右肺区中的裂缝局部亮点、抑制血管壁信号点、抑制血管附近的裂缝点以及抑制非平面和非曲线状裂缝点。
由于血管壁在CT图像中与肺叶的隔相似,因此,为了避免血管对于肺叶分割的影响,需要对CT图像中的血管进行抑制。
在CT图像中会存在很多的裂缝局部亮点、血管壁信号点、血管壁附近的裂缝点以及非平面和非曲线状裂缝点,而这些点的存在会在提取肺叶裂缝点的过程中产生干扰,影响肺叶裂缝点的提取。因此,在提取肺叶裂缝点时,可以对裂缝局部亮点、血管壁信号点、血管壁附近的裂缝点以及非平面和非曲线状裂缝点进行抑制。
经过高斯滤波后,对所述左肺区和右肺区中的每个像素点构建海森矩阵,并获得所述海森矩阵的三个特征值λ1、λ2和λ3,且|λ1|≤|λ2|≤|λ3|;
按照以下公式提取肺叶裂缝点,将所述F大于预定阈值对应的像素点提取为所述肺叶裂缝点;
F=ΓFplaneFwallFvessels
其中,第一个因素Γ用于抑制裂缝局部亮点,即抑制最大特征值λ3为正的点:
其中,第二个因素Fplane通过搜索两个明显不同的最大特征值位置来检测平面或曲线状结构,来对非平面和非曲线状裂缝点进行抑制,Fplane的值越接近1,则说明该点越可能在平面或曲线上,Fplane的值越接近0,则说明该点越远离平面或者曲线,应该剔除这样的点:
p为预设值,在本实施例中,将其设置为0.5,用作的软阈值。
其中,第三个因素Fwall用于抑制血管壁信号,与裂缝面相比,血管壁可能具有相对更大的第二特征值,以及可能还具有第三特征值,在本实施例中使用数值为3的软阈值参数w。需要说明的是,Fwall是为了抑制大血管,Fvessels是为了抑制毛细血管。
最后一项Fvessels用于抑制血管附近的裂缝点,即毛细血管:
其中,DT{vessels}2是应用分水岭算法对血管的距离变换。距离变换对于小血管来说十分敏感,而小血管可以接近甚至可以穿过肺叶的边界,因此小血管可能造成肺叶分割错误。对血管壁信号点进行抑制时,由于这些点接近血管内部的高血管像素,而没有被检测到,因此需要在此处对血管附近的裂缝点进行抑制,本实施例中将v设置为5mm。同样可以根据不同需求,选用不同的数值,在此不做限定。
通过对裂缝局部亮点、血管壁信号点、血管壁附近的裂缝点以及非平面和非曲线状裂缝点进行抑制,提取出F大于预定阈值对应的像素点为肺叶裂缝点。若F小于预定阈值,该该像素点被剔除,不参与裂隙面的拟合。
步骤304:从抑制所述裂缝局部亮点、血管壁信号点、血管附近的裂缝点以及抑制非平面和非曲线状裂缝点之后的左肺区和右肺区中提取肺叶裂缝点,由提取出的肺叶裂缝点构造肺叶裂隙面。
采用本实施例提供的方法,将CT图像中存在的干扰噪声滤除,在滤除噪声后的像素点中提取肺叶裂缝点,并且在提取肺叶裂缝点时,对裂缝局部亮点、血管壁信号点、血管附近的裂缝点以及抑制非平面和非曲线状裂缝点等干扰点进行抑制,由此得到的肺叶裂缝点更为准确,防止了在构造肺叶裂隙面时,由于干扰点的存在,导致构造出的肺叶裂隙面不够准确的情况出现。
方法实施例四:
在利用提取的肺叶裂缝点构造肺叶裂隙面的过程中,若将所有提取出来的肺叶裂缝点均用于构造肺叶裂隙面,可能会导致构造出的肺叶裂隙面不够准确,并且一些肺叶裂缝点可能由于某些因素不能够用于构造肺叶裂隙面。因此,在构造肺叶裂隙面前,还需要对肺叶裂缝点进行筛选。
参见图8,该图为本发明提供的由提取的肺叶裂缝点构造肺叶裂隙面流程图。
本实施例提供的由提取的肺叶裂缝点构造肺叶裂隙面,包括:
步骤401:查找肺叶裂缝点(x,y,z)中由x和y确定的同一个平面上z的最大值对应的肺叶裂缝点。
若利用提取出的所有肺叶裂缝点直接构造肺叶裂隙面,得到的肺叶裂隙面可能不够凸显。为了将裂缝进行进一步的凸显,需要剔除一部分的肺叶裂缝点。每个肺叶裂缝点均会对应一个三维坐标(x,y,z),由x和y确定一个平面,对比处于该平面上的肺叶裂缝点的z值,找到z值最大的点作为最终该平面上具有代表性的肺叶裂缝点,剔除该平面上其余的肺叶裂缝点。
步骤402:筛选所有平面上z的最大值对应的肺叶裂缝点组成备用裂缝点集合。
以步骤401的方法,对所有平面上的肺叶裂缝点进行筛选,将筛选出的所有平面上z值最大的肺叶裂缝点组成肺叶裂缝点集合;通过该种方法剔除一部分裂缝点,使得准确性得到提高,因为在现有技术中采用最小二乘法进行曲面拟合,最小二乘法需要所有点都参与到曲面拟合中,以下不具有代表性的点参与到曲面拟合中后,会使得最终拟合出的曲面不够准确;而本实施例将这些不具代表性的点进行剔除,利用剩余的更能凸显裂隙的肺叶裂缝点进行曲面拟合,得到的结果会更加准确。
步骤403:将所述备用裂缝点集合中的肺叶裂缝点的体素小于预设体素的肺叶裂缝点剔除。
在提取出的肺叶裂缝点中,一些点包括的体素较少,而这种点能够代表的面太小,若参与曲面拟合运算,将会对最终的运算结果产生影响,因此,在进行肺叶裂隙面拟合之前,需要对包括体素较少的点进行剔除。本实施例中,采用3x3x3体素的立方体结构元素对形态学扩张后的平面连通性进行检测,对于少于200个体素的肺叶裂缝点直接去除。
步骤404:由剔除后剩余的肺叶裂缝点利用三次B样线条法拟合肺叶裂隙面。
利用筛选得到的肺叶裂缝点,通过常用的曲面拟合方法—三次B样线条法来计算平滑裂缝曲面,将计算得到的曲面值外推至肺边界,最终将肺部区域分割出五个肺叶。
通过对提取出的肺叶裂缝点进行筛选,将某些不能够凸显肺叶裂隙面的点,以及某些包括的体素较少的肺叶裂缝点剔除掉,能够保证构造出的肺叶裂隙面准确性高。
利用上述实施例中介绍的肺叶分割方法,可以自动将左肺区和右肺区进行肺叶分割。如果出现无法分割出五个肺叶,则说明肺部存在先天的生理异常或者肺部存在病灶。当基于CT图像无法成功分割出五个肺叶时,则会在图像中进行提示。例如,五个肺叶采用不同的颜色标识,如果五种颜色均存在且边界清晰,则说明成功分割出五个肺叶。如果分割出的肺叶对应的颜色少于五种,则说明无法成功分割出五个肺叶。另外,当无法成功分割出五个肺叶时,也可以自动进行文字的提示,例如分割出五个肺叶,则显示5;分割出四个肺叶,则显示4。该方法自动帮助医生筛选除了肺部异常的CT图像,节省了医生的阅片时间。利用该方法分割大量人群的肺部CT图像,发现在层厚为2mm的CT图像中,大部分可以成功分割出五个肺叶,一小部分无法成功分割出五个肺叶。
基于以上实施例提供的一种基于CT图像的肺叶分割方法,本发明实施例还提供一种基于CT图像的肺叶分割装置,下面结合附图进行详细的介绍。
装置实施例一:
参见图9,该图为本发明提供的基于CT图像的肺叶分割装置实施例一示意图。
本发明提供的基于CT图像的肺叶分割装置,包括:
左右肺分割单元501:用于从CT图像中提取肺部区域,并将所述肺部区域分割为左肺区和右肺区。
需要说明的是,一般给肺部拍CT图像时,直接拍摄的是胸部的图像,因此,需要从胸部CT图像中提取出肺部区域,并且确定左肺区和右肺区的边界。在确定出左右肺所属区域之后,才可以在左肺区和右肺区内进行肺叶分割,一般从CT图像中提取出的肺部区域图像,如图2所示。左肺区包括2个肺叶,右肺区包括3个肺叶。已知左右肺区的肺叶数量有助于下一步的肺叶分割。
肺叶裂缝点提取单元502:用于从所述左肺区和右肺区中提取肺叶裂缝点。
肺叶裂隙面构造单元503:于由提取的肺叶裂缝点构造肺叶裂隙面。
提取出肺叶裂缝点后,即可利用曲面拟合算法,将提取出的肺叶裂缝点进行曲面拟合,进而得到肺叶裂隙面,即由点构造面。
本实施例提供的装置,从CT图像中提取肺部区域,并将肺部区域分割为左肺区和右肺区;因为左肺区包括2个肺叶,右肺区包括3个肺叶。从左肺区和右肺区中提取肺叶裂缝点;由提取的肺叶裂缝点构造肺叶裂隙面。通过该装置,通过CT图像可以自动进行五个肺叶的分割,如果分割不出五个肺叶,则说明肺部存在异常。医生不必人工花费大量时间来分析CT图像,查找肺部可疑区域,节省了医生的时间。
每个肺叶的初始位置都连接一根支气管。遵从这个生理特性,本实施例将气道分割为两级,第一级是气管,第二级是支气管,利用支气管的末端寻找每个肺叶的初始位置。
本发明提供的肺叶分割装置的另一个实施例,还可以包括:气管分割单元。
气管分割单元,用于从所述肺部区域分割出气管,由所述气管分割出支气管;由分割出的支气管的末端确定肺叶的初始位置,每个所述肺叶连接一个支气管。
相应地,肺叶裂隙面构造单元用于根据提取的肺叶裂缝点和肺叶初始位置构造肺叶裂隙面。
从CT图像中提取的肺部区域,确定肺部区域的边界。并根据肺部区域的边界来寻找气管的起点。然后,对肺部气管进行进一步分割。本实施例中将肺部气道分割为两级,利用支气管的末端可以准确定位肺叶的初始位置。
另一个装置实施例中,肺叶裂缝点提取单元可以包括:抑制子单元和裂缝点提取子单元。
抑制子单元,用于抑制左肺区和右肺区中的裂缝局部亮点、抑制血管壁信号点抑制血管附近的裂缝点以及抑制非平面和非曲线状裂缝点;
裂缝点提取子单元,用于从抑制左肺区和右肺区中的裂缝局部亮点、抑制血管壁信号点抑制血管附近的裂缝点以及抑制非平面和非曲线状裂缝点之后的左肺区和右肺区中提取肺叶裂缝点。
肺叶裂隙面构造单元可以包括:查找子单元、筛选子单元、剔除子单元和拟合子单元:
查找子单元:用于查找肺叶裂缝点(x,y,z)中由x和y确定的同一个平面上z的最大值对应的肺叶裂缝点;
筛选子单元:用于筛选所有平面上z的最大值对应的肺叶裂缝点组成备用裂缝点集合;
剔除子单元:用于将所述备用裂缝点集合中的肺叶裂缝点的体素小于预设体素的肺叶裂缝点剔除;
拟合子单元:用于由剔除后剩余的肺叶裂缝点利用三次B样线条法拟合肺叶裂隙面。
装置实施例的具体实现方式可以参照方法实施例,在此不再赘述。
此外,上述实施例中描述的主题及功能操作可以在以下中实现:数字电子电路、有形体现的计算机软件或固件、包括本申请的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本申请中描述的主题的实施例可以实现为一个或多个计算机程序,即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地,程序指令可以被编码在人工生成的传播信号上,例如机器生成的电、光或电磁信号,该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或它们中的一个或多个的组合。
本申请中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行,以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)来执行,并且装置也可以实现为专用逻辑电路。
适合用于执行计算机程序的计算机包括,例如通用和/或专用微处理器,或任何其他类型的中央处理单元。通常,中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常,计算机还将包括用于存储数据的一个或多个大容量存储设备,例如磁盘、磁光盘或光盘等,或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据,抑或两种情况兼而有之。然而,计算机不是必须具有这样的设备。此外,计算机可以嵌入在另一设备中,例如移动电话、个人数字助理(PDA)、移动音频或视频播放器、全球定位系统(GPS)接收机、或例如通用串行总线(USB)闪存驱动器的便携式存储设备,仅举几例。
适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备,例如包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部硬盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。
以上所述,仅是本申请的较佳实施例而已,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。任何熟悉本领域的技术人员,在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。

Claims (10)

1.一种基于CT图像的肺叶分割的方法,其特征在于,包括:
从CT图像中提取肺部区域,并将所述肺部区域分割为左肺区和右肺区;
从所述左肺区和右肺区中提取肺叶裂缝点;
由提取的肺叶裂缝点构造肺叶裂隙面。
2.根据权利要求1所述的基于CT图像的肺叶分割的方法,其特征在于,还包括:从所述肺部区域分割出气管,由所述气管分割出支气管;
由分割出的支气管的末端确定肺叶的初始位置,每个所述肺叶连接一个支气管;
所述由提取的肺叶裂缝点构造肺叶裂隙面,具体包括:
由所述提取的肺叶裂缝点和所述肺叶的初始位置构造肺叶裂隙面。
3.根据权利要求1所述的基于CT图像的肺叶分割的方法,其特征在于,从所述左肺区和右肺区中提取肺叶裂缝点之前,还包括:
对所述左肺区和右肺区通过高斯滤波器进行高斯滤波,滤除图像中的噪声;
从所述左肺区和右肺区中提取肺叶裂缝点,具体包括:
从高斯滤波后的左肺区和右肺区中提取肺叶裂缝点。
4.根据权利要求3所述的基于CT图像的肺叶分割的方法,其特征在于,所述从高斯滤波后的左肺区和右肺区中提取肺叶裂缝点,具体包括:
抑制左肺区和右肺区中的裂缝局部亮点、抑制血管壁信号点、抑制血管附近的裂缝点以及抑制非平面和非曲线状裂缝点;
从抑制所述裂缝局部亮点、血管壁信号点、血管附近的裂缝点以及抑制非平面和非曲线状裂缝点之后的左肺区和右肺区中提取肺叶裂缝点。
5.根据权利要求4所述的基于CT图像的肺叶分割的方法,其特征在于,所述从抑制所述裂缝局部亮点、血管壁信号点、血管附近的裂缝点以及抑制非平面和非曲线状裂缝点之后的左肺区和右肺区中提取肺叶裂缝点,具体包括:
对所述左肺区和右肺区中的每个像素点构建海森矩阵,并获得所述海森矩阵的三个特征值λ1、λ2和λ3,且|λ1|≤|λ2|≤|λ3|;
按照以下公式提取肺叶裂缝点,将所述F大于预定阈值对应的像素点提取为所述肺叶裂缝点;
F=ΓFplaneFwallFvessels
其中,
p为预设值;
w为预设值;
v为预设值;
所述DT{vessels}2为利用分水岭算法计算的血管的距离变换。
6.根据权利要求1-5任一项所述的CT图像的肺叶分割的方法,其特征在于,所述由提取的肺叶裂缝点构造肺叶裂隙面,具体包括:
查找肺叶裂缝点(x,y,z)中由x和y确定的同一个平面上z的最大值对应的肺叶裂缝点;
筛选所有平面上z的最大值对应的肺叶裂缝点组成备用裂缝点集合;
将所述备用裂缝点集合中的肺叶裂缝点的体素小于预设体素的肺叶裂缝点剔除;
由剔除后剩余的肺叶裂缝点利用三次B样线条法拟合肺叶裂隙面。
7.一种基于CT图像的肺叶分割的装置,其特征在于,包括:左右肺分割单元、肺叶裂缝点提取单元和肺叶裂隙面构造单元;
所述左右肺分割单元,用于从CT图像中提取肺部区域,并将所述肺部区域分割为左肺区和右肺区;
所述肺叶裂缝点提取单元,用于从所述左肺区和右肺区中提取肺叶裂缝点;
所述肺叶裂隙面构造单元,用于由提取的肺叶裂缝点构造肺叶裂隙面。
8.根据权利要求7所述的基于CT图像的肺叶分割的装置,其特征在于,还包括:气管分割单元;
所述气管分割单元,用于从所述肺部区域分割出气管,由所述气管分割出支气管;由分割出的支气管的末端确定肺叶的初始位置,每个所述肺叶连接一个支气管;
所述肺叶裂隙面构造单元,用于由所述提取的肺叶裂缝点和所述肺叶的初始位置构造肺叶裂隙面。
9.根据权利要求7所述的基于CT图像的肺叶分割的装置,其特征在于,所述肺叶裂缝点提取单元包括:抑制子单元和裂缝点提取子单元;
所述抑制子单元,用于抑制左肺区和右肺区中的裂缝局部亮点、抑制血管壁信号点抑制血管附近的裂缝点以及抑制非平面和非曲线状裂缝点;
所述裂缝点提取子单元,用于从抑制左肺区和右肺区中的裂缝局部亮点、抑制血管壁信号点抑制血管附近的裂缝点以及抑制非平面和非曲线状裂缝点之后的左肺区和右肺区中提取肺叶裂缝点。
10.根据权利要求7-9任一项所述的基于CT图像的肺叶分割的装置,其特征在于,所述肺叶裂隙面构造单元包括:查找子单元、筛选子单元、剔除子单元和拟合子单元;
所述查找子单元,用于查找肺叶裂缝点(x,y,z)中由x和y确定的同一个平面上z的最大值对应的肺叶裂缝点;
所述筛选子单元,用于筛选所有平面上z的最大值对应的肺叶裂缝点组成备用裂缝点集合;
所述剔除子单元,用于将所述备用裂缝点集合中的肺叶裂缝点的体素小于预设体素的肺叶裂缝点剔除;
所述拟合子单元,用于由剔除后剩余的肺叶裂缝点利用三次B样线条法拟合肺叶裂隙面。
CN201710546860.9A 2017-07-06 2017-07-06 一种基于ct图像的肺叶分割方法及装置 Active CN107392910B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710546860.9A CN107392910B (zh) 2017-07-06 2017-07-06 一种基于ct图像的肺叶分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710546860.9A CN107392910B (zh) 2017-07-06 2017-07-06 一种基于ct图像的肺叶分割方法及装置

Publications (2)

Publication Number Publication Date
CN107392910A true CN107392910A (zh) 2017-11-24
CN107392910B CN107392910B (zh) 2020-01-07

Family

ID=60335416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710546860.9A Active CN107392910B (zh) 2017-07-06 2017-07-06 一种基于ct图像的肺叶分割方法及装置

Country Status (1)

Country Link
CN (1) CN107392910B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109035283A (zh) * 2018-09-05 2018-12-18 中国医科大学附属盛京医院 一种基于随机选取分区的肺气肿精准检测与量化分析方法
CN109146854A (zh) * 2018-08-01 2019-01-04 东北大学 一种肺结节与肺部血管伴生关系的分析方法
CN109300122A (zh) * 2018-09-14 2019-02-01 沈阳东软医疗系统有限公司 图像处理与阈值确定方法、装置及设备
CN109410170A (zh) * 2018-09-14 2019-03-01 沈阳东软医疗系统有限公司 图像数据处理方法、装置及设备
CN109448822A (zh) * 2018-09-21 2019-03-08 沈阳医学院附属中心医院 基于影像报告的ct图像肺气肿自动标注方法
CN109480873A (zh) * 2018-10-25 2019-03-19 苏州润心医疗器械有限公司 基于肺动脉ct图像的血管排序方法
CN109886967A (zh) * 2019-01-16 2019-06-14 成都蓝景信息技术有限公司 基于深度学习技术的肺部解剖学位置定位算法
CN110473207A (zh) * 2019-07-30 2019-11-19 赛诺威盛科技(北京)有限公司 一种交互式分割肺叶的方法
CN110599482A (zh) * 2019-09-18 2019-12-20 青岛海信医疗设备股份有限公司 肺裂曲面确定方法、装置、电子设备和存储介质
CN110942453A (zh) * 2019-11-21 2020-03-31 山东众阳健康科技集团有限公司 一种基于神经网络的ct影像肺叶识别方法
CN111242931A (zh) * 2020-01-15 2020-06-05 东北大学 一种单肺叶的小气道病变判断方法和装置
CN111260669A (zh) * 2020-02-17 2020-06-09 北京推想科技有限公司 基于ct图像的肺叶分割方法和装置
WO2020114332A1 (zh) * 2018-12-07 2020-06-11 中国科学院深圳先进技术研究院 基于分割网络的ct肺肿瘤分割方法、装置、设备及介质
CN111415356A (zh) * 2020-03-17 2020-07-14 北京推想科技有限公司 肺炎征象的分割方法、装置、介质及电子设备
CN113470107A (zh) * 2021-06-04 2021-10-01 广州医科大学附属第一医院 支气管中心线提取方法及其系统和存储介质
CN114418931A (zh) * 2021-11-23 2022-04-29 东北大学 术后剩余肺叶的提取方法及装置、电子设备和存储介质
CN117523207A (zh) * 2024-01-04 2024-02-06 广东欧谱曼迪科技股份有限公司 肺叶分割矫正处理的方法、装置、电子设备及存储介质
CN114418931B (zh) * 2021-11-23 2024-06-04 东北大学 术后剩余肺叶的提取方法及装置、电子设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070133894A1 (en) * 2005-12-07 2007-06-14 Siemens Corporate Research, Inc. Fissure Detection Methods For Lung Lobe Segmentation
CN102254097A (zh) * 2011-07-08 2011-11-23 普建涛 肺部ct图像上的肺裂识别方法
CN104424629A (zh) * 2013-08-19 2015-03-18 深圳先进技术研究院 一种x光胸片肺部分割方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070133894A1 (en) * 2005-12-07 2007-06-14 Siemens Corporate Research, Inc. Fissure Detection Methods For Lung Lobe Segmentation
CN102254097A (zh) * 2011-07-08 2011-11-23 普建涛 肺部ct图像上的肺裂识别方法
CN104424629A (zh) * 2013-08-19 2015-03-18 深圳先进技术研究院 一种x光胸片肺部分割方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHOULIANG QI ET AL.: "Automatic pulmonary fissure detection and lobe segmentation in CT chest images", 《BIOMEDICAL ENGINEERING ONLINE》 *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146854A (zh) * 2018-08-01 2019-01-04 东北大学 一种肺结节与肺部血管伴生关系的分析方法
CN109035283A (zh) * 2018-09-05 2018-12-18 中国医科大学附属盛京医院 一种基于随机选取分区的肺气肿精准检测与量化分析方法
CN109035283B (zh) * 2018-09-05 2021-03-30 中国医科大学附属盛京医院 一种基于随机选取分区的肺气肿精准检测与量化分析方法
CN109300122A (zh) * 2018-09-14 2019-02-01 沈阳东软医疗系统有限公司 图像处理与阈值确定方法、装置及设备
CN109410170A (zh) * 2018-09-14 2019-03-01 沈阳东软医疗系统有限公司 图像数据处理方法、装置及设备
CN109300122B (zh) * 2018-09-14 2023-04-07 东软医疗系统股份有限公司 图像处理与阈值确定方法、装置及设备
US11478163B2 (en) 2018-09-14 2022-10-25 Neusoft Medical Systems Co., Ltd. Image processing and emphysema threshold determination
CN109448822A (zh) * 2018-09-21 2019-03-08 沈阳医学院附属中心医院 基于影像报告的ct图像肺气肿自动标注方法
CN109480873A (zh) * 2018-10-25 2019-03-19 苏州润心医疗器械有限公司 基于肺动脉ct图像的血管排序方法
WO2020114332A1 (zh) * 2018-12-07 2020-06-11 中国科学院深圳先进技术研究院 基于分割网络的ct肺肿瘤分割方法、装置、设备及介质
CN111292289B (zh) * 2018-12-07 2023-09-26 中国科学院深圳先进技术研究院 基于分割网络的ct肺肿瘤分割方法、装置、设备及介质
CN111292289A (zh) * 2018-12-07 2020-06-16 中国科学院深圳先进技术研究院 基于分割网络的ct肺肿瘤分割方法、装置、设备及介质
CN109886967A (zh) * 2019-01-16 2019-06-14 成都蓝景信息技术有限公司 基于深度学习技术的肺部解剖学位置定位算法
CN110473207A (zh) * 2019-07-30 2019-11-19 赛诺威盛科技(北京)有限公司 一种交互式分割肺叶的方法
CN110599482B (zh) * 2019-09-18 2022-06-03 青岛海信医疗设备股份有限公司 肺裂曲面确定方法、装置、电子设备和存储介质
CN110599482A (zh) * 2019-09-18 2019-12-20 青岛海信医疗设备股份有限公司 肺裂曲面确定方法、装置、电子设备和存储介质
CN110942453A (zh) * 2019-11-21 2020-03-31 山东众阳健康科技集团有限公司 一种基于神经网络的ct影像肺叶识别方法
CN111242931B (zh) * 2020-01-15 2023-08-22 东北大学 一种单肺叶的小气道病变判断方法和装置
CN111242931A (zh) * 2020-01-15 2020-06-05 东北大学 一种单肺叶的小气道病变判断方法和装置
CN111260669A (zh) * 2020-02-17 2020-06-09 北京推想科技有限公司 基于ct图像的肺叶分割方法和装置
CN111415356A (zh) * 2020-03-17 2020-07-14 北京推想科技有限公司 肺炎征象的分割方法、装置、介质及电子设备
CN113470107A (zh) * 2021-06-04 2021-10-01 广州医科大学附属第一医院 支气管中心线提取方法及其系统和存储介质
CN113470107B (zh) * 2021-06-04 2023-07-14 广州医科大学附属第一医院 支气管中心线提取方法及其系统和存储介质
CN114418931A (zh) * 2021-11-23 2022-04-29 东北大学 术后剩余肺叶的提取方法及装置、电子设备和存储介质
CN114418931B (zh) * 2021-11-23 2024-06-04 东北大学 术后剩余肺叶的提取方法及装置、电子设备和存储介质
CN117523207A (zh) * 2024-01-04 2024-02-06 广东欧谱曼迪科技股份有限公司 肺叶分割矫正处理的方法、装置、电子设备及存储介质
CN117523207B (zh) * 2024-01-04 2024-04-09 广东欧谱曼迪科技股份有限公司 肺叶分割矫正处理的方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN107392910B (zh) 2020-01-07

Similar Documents

Publication Publication Date Title
CN107392910A (zh) 一种基于ct图像的肺叶分割方法及装置
CN112184659B (zh) 一种肺部图像处理方法、装置及设备
CN111127466B (zh) 医学图像检测方法、装置、设备及存储介质
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
Patil et al. Cancer cells detection using digital image processing methods
CN103778600B (zh) 图像处理系统
CN109146854A (zh) 一种肺结节与肺部血管伴生关系的分析方法
CN107633514B (zh) 一种肺结节周边血管量化评估系统及方法
CN113096121B (zh) 基于交叉断裂力学和图像处理的路面裂缝检测方法和系统
Bian et al. Small airway segmentation in thoracic computed tomography scans: A machine learning approach
CN115049807B (zh) 肺部血管模型的建立方法、装置及服务器
JP2009045286A (ja) 医用画像処理装置、医用画像診断装置、及びプログラム
CN108596924A (zh) 一种基于距离场融合和椭球先验的mr前列腺图像分割方法
CN104021391B (zh) 处理超声图像的方法和装置以及乳腺癌诊断设备
CN110544262A (zh) 一种基于机器视觉的子宫颈细胞图像分割方法
Song et al. New morphological features for grading pancreatic ductal adenocarcinomas
WO2022006917A1 (zh) 基于人工智能的磁共振肺部影像识别装置及方法
CN112241947B (zh) 多视角乳房影像分析方法、系统及非暂态计算机可读取媒体
CN104504711A (zh) 一种基于圆形轮廓图极性的血管图像处理方法
CN109559317B (zh) 一种基于ct影像的肺结节分割方法
Ma et al. Glomerulus extraction by using genetic algorithm for edge patching
CN111275722A (zh) 肺段、肝段分割方法及系统
Dickson et al. A Dual Channel Multiscale Convolution U-Net Methodfor Liver Tumor Segmentation from Abdomen CT Images
CN107689043B (zh) 一种血管段终端节点与分支节点的获取方法
CN116547710A (zh) 用于分割和识别医学图像中的至少一个管状结构的方法和系统

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

Address after: 110179 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province

Applicant after: DongSoft Medical System Co., Ltd.

Address before: 110179 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province

Applicant before: Dongruan Medical Systems Co., Ltd., Shenyang

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant