CN107481245A - 一种基于水平集的ct结肠组织的分割方法 - Google Patents

一种基于水平集的ct结肠组织的分割方法 Download PDF

Info

Publication number
CN107481245A
CN107481245A CN201710543092.1A CN201710543092A CN107481245A CN 107481245 A CN107481245 A CN 107481245A CN 201710543092 A CN201710543092 A CN 201710543092A CN 107481245 A CN107481245 A CN 107481245A
Authority
CN
China
Prior art keywords
colon
initial
pixel
undetermined
image
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.)
Pending
Application number
CN201710543092.1A
Other languages
English (en)
Inventor
林佳佳
毕岩
陈幸
杨帆
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201710543092.1A priority Critical patent/CN107481245A/zh
Publication of CN107481245A publication Critical patent/CN107481245A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/005—General purpose rendering architectures
    • 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
    • G06T2207/30028—Colon; Small intestine

Landscapes

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

Abstract

本发明涉及一种基于水平集的CT结肠组织的分割方法，该方法包括如下步骤：获取CT结肠的切片图像；在结肠组织的图像中选取初始种子像素点；选取预定形状的结肠组织图像，并将所述结肠组织图像设定为初始结肠组织；选取任一待定像素点，确定所述待定像素点的高斯分布概率，判断所述待定像素点是否属于结肠组织；若是，则将所述待定像素点纳入所述初始结肠组织中；当所有属于所述结肠组织的所述待定像素点都纳入到所述初始结肠组织时，将所述初始结肠组织从所述CT结肠的切片中分割出来。通过本发明使得切割的结肠组织完整，且不会给病人带来其他的创伤、不舒适和不方便，也不会出现漏检现象，同时分割效率快、分割精度高，时间短。

Description

一种基于水平集的CT结肠组织的分割方法
技术领域
本发明属于医学CT结肠组织领域，尤其涉及一种基于水平集的CT结肠组织的分割方法。
背景技术
结肠癌可以结肠和直肠的任何地方发生。大多数结肠癌都是从结肠息肉开始的。息肉不断的长大,发展成癌症,然后继续生长和转移。结肠癌在美国是发病率排名第三和死亡率排名第二的癌症。近20年来，中国癌症呈现年轻化及发病率和死亡率“三线”走高的趋势，其中结肠癌是发病率排名第三和死亡率排名第五的癌症。从全世界的范围来看，结肠癌也是发病率和死亡率极高的疾病。
结肠癌是由结肠息肉发展而来。结肠息肉从基本不具有癌变可能性的5 毫米生长到具有50％癌变可能性的25毫米速度非常快，大约3-5年时间。防治结肠癌最有效的方法是：及早筛查和排查，所以结肠癌在很大的程度上是可以预防的。对于50岁以上的人群,结肠镜是常规的检测手段。尽管结肠镜可以检测到90％以上的结肠癌,但同时会带来其他的创伤、不舒适和不方便、甚至由于难以到达盲肠、造成漏检或者检测不完全。
准确和可靠的三维结肠组织分割和提取是结肠癌辅助诊断系统的第一步，直接关系到三维结肠模型和可视化、结肠息肉自动检测、良性和恶性结肠息肉自动判别。虽然传统人工方法可以根据影像科医生多年从医经验，使用人工读图和诸如PhotoShop等软件，通过手动分割得到结果，但是效率很低，精度也比较低，容易让影像科医生产生疲劳感。因此，亟需一种既可以不给人员带来其他的创伤、不舒适和不方便，又可以完全检测到结肠组织，同时还可以提高分割效率和精度，减少影像科医生疲劳度的分割方法。
发明内容
本发明所要解决的技术问题是：传统的人工方法容易给人员带来其他的创伤、不舒适和不方便，且还会出现漏检现象，同时分割效率和精度很低，分割图片容易造成影像科医生疲劳。
为解决上面的技术问题，本发明提供了一种基于水平集的CT结肠组织的分割方法，该分割方法包括：
S1，获取CT结肠的切片图像；
S2，在所述切片图像包括的结肠组织图像中选取初始种子像素点；
S3，以所述初始种子像素点为中心在所述结肠组织图像对应的结肠组织中选取预定形状的初始结肠组织；
S4，在所述切片图像中选取除所述初始结肠组织外的任一待定像素点，确定所述待定像素点的高斯分布概率，并根据所述高斯分布概率判断所述待定像素点对应的组织是否属于所述结肠组织；
S5，若是，则将所述待定像素点纳入所述初始结肠组织中，形成新的初始结肠组织，并执行步骤S4；
S6，当所有属于所述结肠组织的所述待定像素点都纳入到所述初始结肠组织时，停止操作，并将所述初始结肠组织从所述CT结肠的切片中分割出来。
本发明的有益效果：通过选取初始种子像素点形成，再将结肠组织图像设定为初始结肠组织，根据计算待定像素点的高斯分布概率判断是否属于结肠组织，最后切割出完整的结肠组织，这样使得切割的结肠组织完整，且不会给病人带来其他的创伤、不舒适和不方便，也不会出现漏检现象，同时分割效率快、分割精度高，时间短。
进一步地，所述S3中还包括：将除所述初始结肠组织外的其他组织设定为初始非结肠组织。
进一步地，所述S4中包括：
S41，选取所述初始非结肠组织中的任一待定像素点，计算所述待定像素点属于所述初始结肠组织的高斯分布概率，以及计算所述待定像素点属于所述初始非结肠组织的高斯分布概率；
S42，根据贝叶斯理论、所述初始结肠组织的高斯分布概率和所述初始非结肠组织的高斯分布概率，确定所述待定像素点是否属于所述结肠组织。
上述进一步地有益效果：通过高斯概率和贝叶斯理论，可以清楚完整地将结肠组织切割出来，提高效率以及精度。
进一步地，所述S3中包括：
以所述初始种子像素点为球心，并结合初始边界条件在所述结肠组织图像对应的结肠组织中选取三维球形的所述初始结肠组织，其中，所述初始边界条件是指结肠和肠道空气的接触表面，且所述三维球形的半径根据实际的结肠尺寸设定。
进一步地，所述S5中还包括：当所述待定像素点不属于结肠组织时，执行步骤S4。
进一步地，该方法还包括：
S7，将从所述CT结肠的切片中分割出来的所述初始结肠组织进行表面渲染，得到三维结肠组织模型。
进一步地，所述S7中包括：获取分割出来的所述初始结肠组织的等值面，将所述等值面进行表面渲染，得到所述三维结肠组织模型。
进一步地，所述初始种子像素点的数目为一个或多个。
进一步地，当所述初始种子像素点的数目为多个时，每个所述初始种子像素点对应形成一个预定形状的结肠组织图像。
进一步地，所述S5中还包括：当所述待定像素点属于所述结肠组织时，将所述待定像素点纳入离所述待定像素点最近的所述初始结肠组织中。
附图说明
图1为本发明的一种基于水平集的CT结肠组织的分割方法的流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例
如图1所示，本实施例是一种基于水平集的CT结肠组织的分割方法，该方法包括：
S1，获取CT结肠的切片图像；
S2，在所述切片图像包括的结肠组织图像中选取初始种子像素点；
S3，以所述初始种子像素点为中心在所述结肠组织图像对应的结肠组织中选取预定形状的初始结肠组织；
S4，在所述切片图像中选取除所述初始结肠组织外的任一待定像素点，确定所述待定像素点的高斯分布概率，并根据所述高斯分布概率判断所述待定像素点对应的组织是否属于所述结肠组织；
S5，若是，则将所述待定像素点纳入所述初始结肠组织中，形成新的初始结肠组织，并执行步骤S4；
S6，当所有属于所述结肠组织的所述待定像素点都纳入到所述初始结肠组织时，停止操作，并将所述初始结肠组织从所述CT结肠的切片中分割出来。
需要说明的是，在本实施例中首先，是通过CT扫描仪从患者的胸部到腹部进行扫描，从而采集患者的CT结肠的切片图像，该切片图像大约 400-500张，然后在结肠组织的图像中手动选取初始种子像素点，其中，该结肠组织的图像是属于这些切片图像的。在这些结肠组织的图像中形成预定任意形状的结肠组织图像，再将该结肠组织图像设定为初始结肠组织，其中，该结肠组织图像是以选取的该初始种子像素点为中心制定的。
接着，在上述提及到的该切片图像中选取除所述初始结肠组织外的任一待定像素点，确定该待定像素点的高斯分布概率，并根据所述高斯分布概率判断该待定像素点是否属于结肠组织；当判断出该像素点属于结肠组织时，则将所述待定像素点纳入所述初始结肠组织中，形成新的初始结肠组织，并继续判断其他的待定像素点，当所有属于该结肠组织的待定像素点都纳入到初始结肠组织时，停止操作，并将初始结肠组织从CT结肠的切片中分割出来，得到完整的结肠组织。
通过上述的分割方法，通过选取初始种子像素点形成，再将结肠组织图像设定为初始结肠组织，根据计算待定像素点的高斯分布概率判断是否属于结肠组织，最后切割出完整的结肠组织，这样使得切割的结肠组织完整，且不会给病人带来其他的创伤、不舒适和不方便，也不会出现漏检现象，同时分割效率快、分割精度高，时间短。
可选地，所述S3中还包括：将除所述初始结肠组织外的其他组织设定为初始非结肠组织。
可选地，所述S4中包括：
S41，选取所述初始非结肠组织中的任一待定像素点，计算所述待定像素点属于所述初始结肠组织的高斯分布概率，以及计算所述待定像素点属于所述初始非结肠组织的高斯分布概率；
S42，根据贝叶斯理论、所述初始结肠组织的高斯分布概率和所述初始非结肠组织的高斯分布概率，确定所述待定像素点是否属于所述结肠组织。
需要说明的是，在本实施例中是计算定像素点属于所述初始非结肠组织的高斯分布概率以及所述待定像素点属于所述初始结肠组织的高斯分布概率，其具体为：可以通过如下公式(1)-(3)来描述：
其中，X＝(x,y,z)是像素的三位空间位置，H(a)是单位阶梯函数，即
I(X)是该像素的强度，对于两类不同的组织，即结肠组织(i＝1)和非结肠组织(i＝2)，μ和σ分别是该类的均值和方差。π是该类的先验概率，即
计算上述的高斯分布概率后再结合贝叶斯理论，依据下面的公式(4)：
i(X)＝arg(maxi＝1，2(πi(PiI(X)))) (4)
其中P通过高斯分布得到的概率，然后根据贝叶斯理论，该待定像素的先验概率π*P,获得的较大的后验概率大的那类，即该待定像素的所属类。
可选地，所述S3中包括：
以所述初始种子像素点为球心，并结合初始边界条件在所述结肠组织图像对应的结肠组织中选取三维球形的所述初始结肠组织，其中，所述初始边界条件是指结肠和肠道空气的接触表面，且所述三维球形的半径根据实际的结肠尺寸设定。
可选地，所述S5中还包括：当所述待定像素点不属于结肠组织时，执行步骤S4。
需要说明的是，本实施例是当判断出待定像素点不属于结肠组织时，会继续选取另外一个待定像素点，判断该待定像素点是否属于结肠组织。
可选地，该方法还包括：
S7，将从所述CT结肠的切片中分割出来的所述初始结肠组织进行表面渲染，得到三维结肠组织模型。
可选地，所述S7中包括：获取分割出来的所述初始结肠组织的等值面，将所述等值面进行表面渲染，得到所述三维结肠组织模型。
需要说明的是，本实施例中分割以后结肠图像的等值面(iso-surface) 来创建三维模型，然后进行表面渲染，渲染将会在上面添加位图纹理或者程序纹理、照明、凸凹纹理映射以及相对于其它物体的位置。
可选地，所述初始种子像素点的数目为一个或多个。
可选地，当所述初始种子像素点的数目为多个时，每个所述初始种子像素点对应形成一个预定形状的结肠组织图像。
可选地，所述S5中还包括：当所述待定像素点属于所述结肠组织时，将所述待定像素点纳入离所述待定像素点最近的所述初始结肠组织中。
需要说明的是，在本实施中同时可以选取多个待定像素点，比如：选取 10个，计算着10个中存在多个待定像素点属于结肠组织。另外本实施例中使用的是迭代算法，在每次迭代运算中，根据公式(1)-(4),可以计算得到所有的待定的像素是属于结肠组织还是非结肠组织。因为每次迭代都有新的像素分类成结肠组织，这样需要比较前后两次迭代的新增像素数，以确定本发明的算法迭代是否停止。比如当前迭代，新增的结肠组织像素数目只有2个，小于设定的阈值5，则可以认定结肠组织全部分割完毕，算法迭代运算停止，即三维分割完成
在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于水平集的CT结肠组织的分割方法，其特征在于,该分割方法包括：
S1，获取CT结肠的切片图像；
S2，在所述切片图像包括的结肠组织图像中选取初始种子像素点；
S3，以所述初始种子像素点为中心在所述结肠组织图像对应的结肠组织中选取预定形状的初始结肠组织；
S4，在所述切片图像中选取除所述初始结肠组织外的任一待定像素点，确定所述待定像素点的高斯分布概率，并根据所述高斯分布概率判断所述待定像素点对应的组织是否属于所述结肠组织；
S5，若是，则将所述待定像素点纳入所述初始结肠组织中，形成新的初始结肠组织，并执行步骤S4；
S6，当所有属于所述结肠组织的所述待定像素点都纳入到所述初始结肠组织时，停止操作，并将所述初始结肠组织从所述CT结肠的切片中分割出来。
2.根据权利要求1所述的分割方法，其特征在于，所述S3中还包括：将除所述初始结肠组织外的其他组织设定为初始非结肠组织。
3.根据权利要求2所述的分割方法，其特征在于，所述S4中包括：
S41，选取所述初始非结肠组织中的任一待定像素点，计算所述待定像素点属于所述初始结肠组织的高斯分布概率，以及计算所述待定像素点属于所述初始非结肠组织的高斯分布概率；
S42，根据贝叶斯理论、所述初始结肠组织的高斯分布概率和所述初始非结肠组织的高斯分布概率，确定所述待定像素点是否属于所述结肠组织。
4.根据权利要求1-3任一所述的分割方法，其特征在于，所述S3中包括：
以所述初始种子像素点为球心，并结合初始边界条件在所述结肠组织图像对应的结肠组织中选取三维球形的所述初始结肠组织，其中，所述初始边界条件是指结肠和肠道空气的接触表面，且所述三维球形的半径根据实际的结肠尺寸设定。
5.根据权利要求1-3任一所述的分割方法，其特征在于，所述S5中还包括：当所述待定像素点不属于结肠组织时，执行步骤S4。
6.根据权利要求1-3任一所述的分割方法，其特征在于，该方法还包括：
S7，将从所述CT结肠的切片中分割出来的所述初始结肠组织进行表面渲染，得到三维结肠组织模型。
7.根据权利要求6所述的分割方法，其特征在于，所述S7中包括：获取分割出来的所述初始结肠组织的等值面，将所述等值面进行表面渲染，得到所述三维结肠组织模型。
8.根据权利要求1或2所述的分割方法，其特征在于，所述初始种子像素点的数目为一个或多个。
9.根据权利要求8所述的分割方法，其特征在于，当所述初始种子像素点的数目为多个时，每个所述初始种子像素点对应形成一个预定形状的所述结肠组织图像。
10.根据权利要求9所述的分割方法，其特征在于，所述S5中还包括：当所述待定像素点属于所述结肠组织时，将所述待定像素点纳入离所述待定像素点最近的所述初始结肠组织中。
CN201710543092.1A 2017-07-05 2017-07-05 一种基于水平集的ct结肠组织的分割方法 Pending CN107481245A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710543092.1A CN107481245A (zh) 2017-07-05 2017-07-05 一种基于水平集的ct结肠组织的分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710543092.1A CN107481245A (zh) 2017-07-05 2017-07-05 一种基于水平集的ct结肠组织的分割方法

Publications (1)

Publication Number Publication Date
CN107481245A true CN107481245A (zh) 2017-12-15

Family

ID=60596443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710543092.1A Pending CN107481245A (zh) 2017-07-05 2017-07-05 一种基于水平集的ct结肠组织的分割方法

Country Status (1)

Country Link
CN (1) CN107481245A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289811A (zh) * 2011-08-17 2011-12-21 深圳市旭东数字医学影像技术有限公司 一种半自动序列图像分割方法及系统
CN104112265A (zh) * 2013-04-16 2014-10-22 上海联影医疗科技有限公司 结肠图像分割方法及装置
CN104574364A (zh) * 2014-12-17 2015-04-29 上海联影医疗科技有限公司 结肠图像分割方法及装置
CN104599270A (zh) * 2015-01-18 2015-05-06 北京工业大学 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法
CN105374021A (zh) * 2014-08-19 2016-03-02 南京理工大学 一种基于线条切方向的图形文字图像分割方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289811A (zh) * 2011-08-17 2011-12-21 深圳市旭东数字医学影像技术有限公司 一种半自动序列图像分割方法及系统
CN104112265A (zh) * 2013-04-16 2014-10-22 上海联影医疗科技有限公司 结肠图像分割方法及装置
CN105374021A (zh) * 2014-08-19 2016-03-02 南京理工大学 一种基于线条切方向的图形文字图像分割方法和系统
CN104574364A (zh) * 2014-12-17 2015-04-29 上海联影医疗科技有限公司 结肠图像分割方法及装置
CN104599270A (zh) * 2015-01-18 2015-05-06 北京工业大学 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
雷宝权等: "高斯模型与区域生长相结合的景物识别算法", 《计算机仿真》 *

Similar Documents

Publication Publication Date Title
US9418420B2 (en) System and method for automated detection of lung nodules in medical images
Tan et al. Computer-aided detection of cancer in automated 3-D breast ultrasound
US7599542B2 (en) System and method for detection and display of diseases and abnormalities using confidence imaging
US8213700B2 (en) Systems and methods for identifying suspicious anomalies using information from a plurality of images of an anatomical colon under study
JP6031454B2 (ja) 撮像データにおける潜在異常を特定する方法及び装置並びに医用画像へのその応用
Banerjee et al. Automated 3D segmentation of brain tumor using visual saliency
US20110206250A1 (en) Systems, computer-readable media, and methods for the classification of anomalies in virtual colonography medical image processing
CN109493325A (zh) 基于ct影像的肿瘤异质性分析系统
CN115345893B (zh) 基于图像处理的卵巢组织癌变区域分割方法
CN105912874A (zh) 基于dicom医学图像构建的肝脏三维数据库系统
Patil et al. Geometrical and texture features estimation of lung cancer and TB images using chest X-ray database
EP1735750A2 (en) Method and apparatus for processing images in a bowel subtraction system
CN110706241B (zh) 一种三维病灶区域提取方法和装置
US7868900B2 (en) Methods for suppression of items and areas of interest during visualization
US20060047227A1 (en) System and method for colon wall extraction in the presence of tagged fecal matter or collapsed colon regions
Qi et al. One-step algorithm for fast-track localization and multi-category classification of histological subtypes in lung cancer
CN107273904A (zh) 图像处理方法及系统
Tschirren et al. Airway segmentation framework for clinical environments
CN107481245A (zh) 一种基于水平集的ct结肠组织的分割方法
Pinho et al. Robust region growing based intrathoracic airway tree segmentation
Song et al. Liver segmentation based on SKFCM and improved GrowCut for CT images
Ackerley et al. Can deep learning detect esophageal lesions in PET-CT scans?
US20110285695A1 (en) Pictorial Representation in Virtual Endoscopy
Devi et al. Computer aided diagnosis scheme for polyp detection in CT colonography using K-means clustering and SVM
Palkar et al. An approach to analyse digital mammogram using statistical parameters

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171215