CN107481242B - 一种能谱ct图像的分割方法及系统 - Google Patents
一种能谱ct图像的分割方法及系统 Download PDFInfo
- Publication number
- CN107481242B CN107481242B CN201710739933.6A CN201710739933A CN107481242B CN 107481242 B CN107481242 B CN 107481242B CN 201710739933 A CN201710739933 A CN 201710739933A CN 107481242 B CN107481242 B CN 107481242B
- Authority
- CN
- China
- Prior art keywords
- energy spectrum
- image
- segmenting
- spectral
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T2207/30—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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种能谱CT图像的分割方法,包括以下步骤:获取能谱CT数据组成的能谱CT序列图像;从能谱CT数据中提取能谱图像空间中每个点的能谱曲线,将能谱CT图像空间中每一点与事先选取的种子点进行基于能谱曲线的相似度聚类;据聚类结果,将同类的点分割出来形成新的图像。本发明还公开了一种能谱CT图像的分割系统,具有操作简单,提高医学图像分割的实用性和精确性,应用前景广泛的技术效果。
Description
技术领域
本发明涉及能谱CT图像处理技术领域,特别涉及一种能谱CT图像的分割方法及系统。
背景技术
传统的CT扫描模式是混合能量的,所得到的只能代表密度,而不能代表物质的成分。根据物理学原理,一定物质对应一系列单一能量X射线照射,其衰减曲线是唯一的,这就是能谱曲线,所以能谱曲线具有可以分辨物质性质的能力。
能谱CT改变了传统CT的扫描模式,即由kVp混合能量成像,转变为keV单能量成像。可以提供传统图像外多个单能量图像、基物质图像、能谱曲线以及有效原子序数等。并进行物质分解和组织定性。这就是说在空间对比和时间分辨率外提供了能量分辨率和解析化学成分的“化学分辨率”,这些信息都是以往的CT无法获取的。
通过能谱CT扫描所得的数据集称为能谱CT数据集,可视化后则为能谱CT图像空间,空间中每个点的能谱CT数据可以用fi(x,y,z)来表示,x,y,z分别是长、宽、高。i是能谱CT的谱数据,即空间每一个点有n个能谱CT数据,每个能谱CT数据分别对应一定的能谱值。例如,某能谱CT由40keV到140keV,每隔10keV扫描一次。即,i=1,对应40keV;i=2对应50keV;i=3对应60keV;......i=11对应140keV。因此,空间任意一点对应有n个能谱CT数据,即:
F(x,y,z)=[f1(x,y,z),f1(x,y,z),f1(x,y,z)…fn(x,y,z)];
空间中一个点的这n个能谱CT数据组成了所谓能谱曲线。
现在,亟需一种对能谱CT图像空间每一点进行相似度聚类,得到相同化学性质的聚类结果,进而对能谱CT图像空间进行分割的方法。
发明内容
本发明意在提供一种,利用能谱曲线对应物质唯一性原理,将由能谱CT数据集中相似的点的集合作为同一类,从而对能谱CT图像进行分割的方法,提高医学图像分割的实用性和精确性。
本发明解决其技术问题所采取的方案是:
一种能谱CT图像的分割方法包括以下步骤:
1)获取能谱CT数据组成的能谱CT序列图像;
在本发明的一实施例中,设x,y是横断面水平和垂直方向的坐标,优选的采用512×512分辨率,z是纵坐标方向,其大小由被扫描物体大小和层间距决定。优选的实施例中,扫描长度为30厘米,层间距1毫米,则z的最大值是300。
i用于标记单个能量。
本发明优选的能谱CT序列图像,采用keV值从40到140,每10keV为一个采样点,则:i=1对应40keV单能量图像、i=2对应50keV单能量图像、......i=10对应130keV单能量图像、i=11对应140keV单能量图像。
因此,优选的单能量图像fi(x,y,z),i∈(1,2…n)的空间分辨率为512×512×300,也就是说包含了512×512×300个点值分别对应于空间中512×512×300个点。
设,i=1......11,能谱CT序列图像可表示为:
F(x,y,z)=[f1(x,y,z),f2(x,y,z),f3(x,y,z)…f11(x,y,z)];
2)从能谱CT数据中提取能谱图像空间中每个点的能谱曲线,将能谱CT图像空间中每一点与事先选取的种子点进行基于能谱曲线的相似度聚类;
种子点可以从其它CT图像软件上获取,也可直接输入种子点的坐标;
在本发明的一实施例中,首先设计一个聚类结果标记数组V,其元素为v(x,y,z),初始将其清零。
从数据集中选出种子点的能谱曲线向量
F(x,y,z)=[f1(x,y,z),f2(x,y,z),f3(x,y,z)…f11(x,y,z)]
并给v(x,y,z)赋值以做标记,再取另外一点的能谱曲线向量
F(x′,y′,z′)=[f1(x′,y′,z′),f2(x′,y′,z′),f3(x′,y′,z′)...f11(x′,y′,z′)]
将两点进行相似度比较,如果符合相似原则,则两点属于一类,给标记数组V中的v(x′,y′,z′)赋予与v(x,y,z)同样的值以标记为同类并去下一个点,否则直接取下一个v(x,y,z)=0的点,直到所有的点都进行了一次与样本点fi(x,y,z)的比较,聚类结束。
本发明的一实施例中,相似原则优选的为,满足以下表达式:
|fi(x,y,z)-fi(x′,y′,z′)|≤ε,i=1......n,
此处的ε是一个给定的阈值,最小值为零,可以根据需要进行人为的进行调节,一些实施例中,该值优选的为0至图像数据中最大值的5%。
也就是说,两点的能谱曲线向量内,对应同一keV值的两个值之间的差值的绝对值均小于给定阈值,如果取值为零,则两点的能谱曲线向量则完全相同,该原则实施简单,并且通过人为调整阈值,误差可控制到很小的范围内。但本发明可用的相似原则不限于此,相似原则还可以是两个向量之间的差值的模小于一个给定阈值,也可以是两个向量之间的方差小于一个给定阈值,还可以是对应同一keV值的两个值之间的差值的绝对值的均值小于给定阈值,以及其他一切可以判断两曲线之间相似度的原则。
3)据聚类结果,将同类的点分割出来形成新的图像。
本发明的效果是:
与现有混合能量CT的各类分割技术相比,其分割利用的是能谱曲线具有可以分辨物质性质的能力;由于人体内相同的组织具有相同或相似的物质性质,采用能谱曲线作为特征进行提取分割,能准确分割出具有与种子点相同或相似物质性质的点,进而分割出特定的人体组织,其对能谱CT图像空间的分割结果可用于空间几何解剖结构三维重建。本发明操作简单,提高医学图像分割的实用性和精确性,应用前景广泛。
值得注意的是,在某些实施例中fi(x,y,z)和fi(x′,y′,z′)的取值,可以是它们的8邻域或者是26邻域,目的是针对噪声比较严重的系列图像,具体的取法如下:
8邻域的取法:
26邻域的取法:
本发明还意在提供一种能谱CT图像的分割系统,利用能谱曲线对应物质唯一性原理,将由能谱CT数据集中相似的点的集合作为同一类,从而对能谱CT图像进行分割,提高医学图像分割的实用性和精确性。
包括:图像获取模块,用于获取能谱CT数据组成的能谱CT序列图像;
种子点指定模块,用于获取种子点在能谱CT图像空间中的坐标;
聚类分割模块,用于从能谱CT数据中提取能谱图像空间中每个点的能谱曲线,并将能谱CT图像空间中每一点与事先选取的种子点进行基于能谱曲线的相似度聚类;
输出模块,用于据聚类结果,将同类的点分割出来形成新的图像。
进一步,所述聚类分割模块,用于计算空间中两点的能谱曲线向量内对应同一能谱值的两个值之间的差值的绝对值是否均小于给定阈值,如果是则判断为这两个点为同一类,如果否则判断这两个点不为同一类。
进一步,还包括三维重建模块,用由于根据聚类分割模块的分割结果进行可视化三维重建。
进一步,所述图像获取模块连接有用于与能谱CT扫描设备进行数据通信的数据接口。
附图说明
图1为本发明实施例的流程图;
图2为本发明实施例中的能谱CT图像的分割系统的示意性框图;
图3为本发明实施例中血管的二维分割结果示例;
图4为本发明实施例中血管的三维重建结果示例;
图5为本发明实施例中骨骼的二维分割结果示例;
图6为本发明实施例中骨骼的三维重建结果示例。
具体实施方式
本实施例中使用的能谱CT图像的分割系统,基本如图2所示,包括:
图像获取模块,用于获取能谱CT数据组成的能谱CT序列图像;
种子点指定模块,用于获取种子点在能谱CT图像空间中的坐标;
聚类分割模块,用于将能谱CT图像空间中每一点与事先选取种子点进行相似度聚类,并依照聚类结果分割能谱CT序列图像;
输出模块,用于输出分割后的能谱CT序列图像;
还包括了三维重建模块,用由于根据聚类分割模块的分割结果进行可视化三维重建。
本实施例图像获取模块可直接与能谱CT扫描设备通信,以获取能谱CT序列图像,也可以通过接口从数据介质中读取能谱CT序列图像。
如图1所示,本实施例中的能谱CT分割处理程序步骤如下:
用户首先获取薄层能谱CT序列图像,即每1毫米间隔为一层,实施一组扫描;要求扫描的能谱范围要覆盖低和高的电子伏特;本实施例中,使用的范围是40keV到140keV,即每10keV有一副CT图像数据,也就是说,每一扫描层有11个CT图像数据;进而形成每层的每个像素点的能谱曲线向量。
选取种子点,将空间中每个像素点的能谱曲线向量与种子点的能谱曲线向量进行相似度比较;种子点可以从其它CT图像软件上获取,也可直接输入种子点的坐标;
具体相似度比较的算法如下,
建立一个空间三维的标记数组V,其中v(x,y,z)初始全部为0,本实施例中,x,y,z对应的图像空间为512×512×300,即每个平面层的空间分辨率为512×512,供扫描了300个层;
取得种子点的能谱曲线向量
F(x,y,z)=[f1(x,y,z),f2(x,y,z),f3(x,y,z)...f11(x,y,z)]
并使v(x,y,z)=1;
另取一点fi(x′,y′,z′)的能谱曲线向量
F(x′,y′,z′)=[f1(x′,y′,z′),f2(x′,y′,z′),f3(x′,y′,z′)...f11(x′,y′,z′)]
比较F(x,y,z)与F(x′,y′,z′):
如果下列表达式成立,则对标记数组V内的v(x′,y′,z′)赋值1;
|fi(x,y,z)-fi(x′,y′,z′)|≤ε,i=1......n;
ε是一个给定的阈值,最小值为零,可以根据处理的结果进行调节;一些实施例中,该值优选的为0至图像数据中最大值的5%。
继续比较下一个点,直到所有的点都比较完毕,比较的结果也就记录在了标记数组V中;
根据标记数组V中的值进行聚类,取值为1的为一类,取值为0的为一类,根据聚类结果分割图像,算法结束。
值得注意的是,但本发明可用的相似原则不限于此,在某些实施例中,相似原则还可以是两个向量之间的差值的模小于一个给定阈值,也可以是两个向量之间的方差小于一个给定阈值,还可以是对应同一keV值的两个值之间的差值的绝对值的均值小于给定阈值,以及其他一切可以判断两曲线之间相似度的原则。
值得注意的是fi(x,y,z)和fi(x′,y′,z′)的取值,可以是它们的8邻域均值或者是26邻域均值,目的是针对噪声比较严重的系列图像,具体的取法如下:
8邻域的取法:
26邻域的取法:
本实施例的具体的应用实例如图至图所示;
应用例1:血管的分割
输入能谱CT扫描设备采集到的能谱CT序列图像,利用本实施例的系统和方法,根据已知的血管的空间坐标选取种子点(282,326,3),并选取一个ε值图像数据中最大值的1%进行比较后,输出模块在二维平面上用白色表示与种子点同类的点,黑色表示不同的点,输出一系列二维结果,图3则为其中的一幅。
图4则是通过聚类分割出来的所有点,重建出的血管的三维可视化结果。
应用例2:骨骼的分割
利用本实施例的系统和方法,采用应用例1中相同的能谱CT序列图像根据已知的骨骼的空间坐标选取种子点(97,351,3),并选取一个ε值为图像数据中最大值的1%进行比较后,输出模块在二维平面上用白色表示与种子点同类的点,黑色表示不同的点,输出一系列二维结果,图5则为其中的一幅。
图6则是通过聚类分割出来的所有点,重建出的骨骼的三维可视化结果。
以上所述的仅是本发明的实施例,方案中公知的具体结构和/或特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.一种能谱CT图像的分割方法,其特征在于,包括以下步骤:
1)获取能谱CT数据组成的能谱CT序列图像;
2)从能谱CT数据中提取能谱CT图像空间中每个点的能谱曲线,将能谱CT图像空间中每一点与事先选取的种子点进行基于能谱曲线的相似度聚类;
据聚类结果,将同类的点分割出来形成新的图像。
2.根据权利要求1所述的能谱CT图像的分割方法,其特征在于:所述的相似度聚类判断准则为,两点的能谱曲线向量内对应同一能谱值的两个数据值之间的差值的绝对值均小于给定阈值,则判断为同一类。
3.根据权利要求1所述的能谱CT图像的分割方法,其特征在于:所述能谱CT序列图像采用keV值从40到140,每10keV为一个采样点进行扫描得到的能谱CT序列图像。
4.根据权利要求1所述的能谱CT图像的分割方法,其特征在于:所述能谱CT序列图像采用每隔1毫米扫描一次的能谱CT序列图像。
5.根据权利要求2所述的能谱CT图像的分割方法,其特征在于:在步骤2)中,空间中每个点的数据值为它们的8邻域平均值。
6.根据权利要求2所述的能谱CT图像的分割方法,其特征在于:在步骤2)中,空间中每个点的数据值为 它们的26邻域平均值。
7.一种能谱CT图像的分割系统,其特征在于:包括,图像获取模块,用于获取能谱CT数据组成的能谱CT序列图像;
种子点指定模块,用于获取种子点在能谱CT图像空间中的坐标;
聚类分割模块,用于从能谱CT数据中提取能谱CT图像空间中每个点的能谱曲线,并将能谱CT图像空间中每一点与事先选取的种子点进行基于能谱曲线的相似度聚类;
输出模块,用于据聚类结果,将同类的点分割出来形成新的图像。
8.根据权利要求7所述的能谱CT图像的分割系统,其特征在于,所述聚类分割模块,用于计算空间中两点的能谱曲线向量内,对应同一能谱值的两个值之间的差值的绝对值是否均小于给定阈值,如果是则判断为这两个点为同一类,如果否则判断这两个点不为同一类。
9.根据权利要求7所述的能谱CT图像的分割系统,其特征在于,还包括三维重建模块,用于根据聚类分割模块的分割结果进行可视化三维重建。
10.根据权利要求7所述的能谱CT图像的分割系统,其特征在于,所述图像获取模块连接有用于与能谱CT扫描设备进行数据通信的数据接口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710739933.6A CN107481242B (zh) | 2017-08-17 | 2017-08-17 | 一种能谱ct图像的分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710739933.6A CN107481242B (zh) | 2017-08-17 | 2017-08-17 | 一种能谱ct图像的分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107481242A CN107481242A (zh) | 2017-12-15 |
CN107481242B true CN107481242B (zh) | 2020-06-05 |
Family
ID=60601567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710739933.6A Active CN107481242B (zh) | 2017-08-17 | 2017-08-17 | 一种能谱ct图像的分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107481242B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596209A (zh) * | 2018-03-22 | 2018-09-28 | 重庆青信科技有限公司 | 一种能谱ct图像的处理方法及系统 |
CN110033432B (zh) * | 2019-03-01 | 2023-04-18 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 基于机器学习和能谱ct的泌尿结石成分分析方法及系统 |
CN111127477B (zh) * | 2019-12-12 | 2023-10-20 | 明峰医疗系统股份有限公司 | 一种ct多色谱体素仿真方法 |
CN111079863B (zh) * | 2019-12-31 | 2023-05-19 | 重庆青信科技有限公司 | 利用能谱曲线统计指纹识别病灶组织的系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751666A (zh) * | 2009-10-16 | 2010-06-23 | 西安电子科技大学 | 基于谱聚类的半监督多光谱遥感图像分割方法 |
CN104040561A (zh) * | 2011-12-02 | 2014-09-10 | 生物梅里埃有限公司 | 通过质谱术和分数规整识别微生物的方法 |
WO2016183225A2 (en) * | 2015-05-12 | 2016-11-17 | Lawrence Livermore National Security, Llc | Identification of uncommon objects in containers |
-
2017
- 2017-08-17 CN CN201710739933.6A patent/CN107481242B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751666A (zh) * | 2009-10-16 | 2010-06-23 | 西安电子科技大学 | 基于谱聚类的半监督多光谱遥感图像分割方法 |
CN104040561A (zh) * | 2011-12-02 | 2014-09-10 | 生物梅里埃有限公司 | 通过质谱术和分数规整识别微生物的方法 |
WO2016183225A2 (en) * | 2015-05-12 | 2016-11-17 | Lawrence Livermore National Security, Llc | Identification of uncommon objects in containers |
Also Published As
Publication number | Publication date |
---|---|
CN107481242A (zh) | 2017-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Synthetic CT generation from non-attenuation corrected PET images for whole-body PET imaging | |
CN107481242B (zh) | 一种能谱ct图像的分割方法及系统 | |
Yang et al. | Multimodality medical image fusion based on multiscale geometric analysis of contourlet transform | |
Abdallah et al. | Research in medical imaging using image processing techniques | |
US7916912B2 (en) | Efficient border extraction of image feature | |
Ikhsan et al. | An analysis of x-ray image enhancement methods for vertebral bone segmentation | |
US10713761B2 (en) | Method and apparatus to perform local de-noising of a scanning imager image | |
CN105559813A (zh) | 医用图像诊断装置以及医用图像处理装置 | |
CN107481240B (zh) | 基于能谱ct图像全分割方法及系统 | |
WO2006099477A1 (en) | System and method for identifying objects of interest in image data | |
Gupta et al. | A comparative study of medical image segmentation techniques for brain tumor detection | |
Liu et al. | CBCT-based synthetic CT generation using generative adversarial networks with disentangled representation | |
Kanagaraj et al. | Pulmonary Tumor Detection by virtue of GLCM | |
CN111161258B (zh) | 基于能谱曲线统计指纹的能谱ct图像分割方法 | |
Salwe et al. | Brain tumor pixels detection using adaptive wavelet based histogram thresholding and fine windowing | |
Arica et al. | A plain segmentation algorithm utilizing region growing technique for automatic partitioning of computed tomography liver images | |
Ren et al. | Deep learning-based bone suppression in chest radiographs using CT-derived features: a feasibility study | |
CN111079863B (zh) | 利用能谱曲线统计指纹识别病灶组织的系统 | |
Tao et al. | Multimodal image fusion algorithm using dual-tree complex wavelet transform and particle swarm optimization | |
EP3830788B1 (en) | Method for providing automatic adaptive energy setting for ct virtual monochromatic imaging | |
Warren et al. | Characterisation of screen detected and simulated calcification clusters in digital mammograms | |
Shahul Hameed et al. | P53immunostained cell nuclei segmentation in tissue images of oral squamous cell carcinoma | |
Ulagamuthalvi et al. | An novel approach for segmentation using brain images | |
Salamh | Investigation the effect of using gray level and rgb channels on brain tumor image | |
Kayode et al. | Preparing mammograms for classification task: Processing and analysis of mammograms |
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 |