CN107481251A - 一种从肺部ct图像中提取末端支气管树的方法 - Google Patents
一种从肺部ct图像中提取末端支气管树的方法 Download PDFInfo
- Publication number
- CN107481251A CN107481251A CN201710581295.XA CN201710581295A CN107481251A CN 107481251 A CN107481251 A CN 107481251A CN 201710581295 A CN201710581295 A CN 201710581295A CN 107481251 A CN107481251 A CN 107481251A
- Authority
- CN
- China
- Prior art keywords
- terminal bronchi
- region
- tree
- lung
- terminal
- 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
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
- G06T7/12—Edge-based segmentation
-
- 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
- G06T17/005—Tree description, e.g. octree, quadtree
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30061—Lung
Abstract
一种从肺部CT图像中提取末端支气管树的方法,属于基于医学图像的图像处理技术领域;包括:采用区域生长法去除肺部CT图像中肺区边缘;在去除边缘后的肺区中,按CT值寻找疑似末端支气管区域;去除疑似末端支气管区域中的非气道树区域,得到末端支气管;获取末端支气管的两个端点;根据末端支气管的两个端点生成末端支气管的中心线;沿着末端支气管的中心线进行末端支气管与气管树主体的连接,得到支气管树;本发明考虑到三维支气管树分割中末端支气管易被泄漏和漏分割问题,根据CT值提取遗漏的气管点并按气道树的形态学特征对其进行筛选,按遗漏气管延伸线将其与气管树主体连接,从而更准确的分割出末端支气管,获得更完整的三维支气管树。
Description
技术领域
本发明属于基于医学图像的图像处理技术领域,具体涉及一种从肺部CT图像中提取末端支气管树的方法。
背景技术
用计算机断层成像(Computed Tomography,CT)扫描仪获得的肺部断层图像中包含大量能够反映肺部疾病内在病理生理的信息。其中一些信息表现为肺部支气管树的结构异常,例如支气管管腔面积减小、壁厚变薄等。临床实践中通常采用的视觉检测无法提供气道树的定量化描述,而手动提取气道树又是一项耗时巨大的工作。利用计算机图像处理和分析技术,从CT图像中自动分割提取三维支气管树是后续定量化分析的基础,有望帮助医生改进临床肺部疾病的诊断、治疗和预后。
大多数气道提取和分割方法都基于一个最基本假设,即气道树应该是一个连通体。然而这个假设也导致了气道树分割的两个普遍问题:泄漏和漏分割。首先,在部分容积效应的影响下,直径约为1.0mm的终末细支气管管腔和管壁之间的边界开始变得十分模糊,从而使得管腔与肺实质连通,导致所谓的“泄漏”。其次,支气管管腔的异常狭窄会使得末端支气管段与气道树主体不再“连通”,导致漏分割。这两个问题都会导致在用普通方法分割气管树时气管树的末端细微支气管无法被提取。
授权公告号为CN102982531B的中国专利“支气管的分割方法及系统”主要根据支气管与血管的关联性来增强支气管、避免灰度变化导致泄漏到肺部区域,但容易出现多级支气管如肺血管形状快速收缩的现象,无法分割出更细微的支气管,且对血管信息的依赖使得三维支气管树分割的计算成本增加。申请号为CN102521833A的中国专利“一种从胸部CT图像中获取气管树的方法和装置”采用评估预分割肺部组织实现自动标记精确的气管种子点,但还是在一定程度上存在着多级支气管漏分割现象。申请号为CN104504737A的中国专利“一种从肺部CT图像获得三维气管树的方法”则从新的角度出发,先进行主支气管与支气管段的分割,然后再将各段支气管段与主支气管进行“缝合”,但有大量细微的末端支气管没有被分割,且大量复杂的“缝合”算法必然导致计算成本的升高。
综上所述,目前对于主支气管树的分割方法已经完善,但对于末端支气管的提取及连接仍是一大难题,本发明旨在更好地解决这一难题。
发明内容
针对上述现有技术存在的不足,本发明提供一种从肺部CT图像中提取末端支气管树的方法。
本发明的技术方案:
一种从肺部CT图像中提取末端支气管树的方法,包括如下步骤:
步骤1:从肺部CT图像中提取末端支气管:
步骤1-1:采用区域生长法去除肺部CT图像中肺区边缘:
步骤1-1-1:采用区域生长法,将种子点选在肺部CT图像肺区内,获得肺区内部;
步骤1-1-2:采用区域生长法,将种子点选在肺部CT图像肺区之外,获得肺区的所有外边界点;
步骤1-1-3:将以外边界点为中心的正方体中包含的点全部标记成为非肺区点,得到去除边缘后的肺区。
步骤1-2:在去除边缘后的肺区中,按CT值寻找疑似末端支气管区域;可选择在去除边缘后的肺区中,将CT值小于-800HU的区域作为疑似末端支气管区域,CT值大于-800HU的区域作为非末端支气管区域。
步骤1-3:去除疑似末端支气管区域中的非气道树区域,得到末端支气管:
依次判断各疑似末端支气管区域是否满足如下判别条件:
(1)待判断的疑似末端支气管区域边界上CT平均值减去该疑似末端支气管区内CT值平均值大于阈值;所述阈值为各疑似末端支气管区域边界上CT平均值减去疑似末端支气管区域内CT平均值的平均值;
(2)待判断疑似末端支气管区域内体素大于10个点;
(3)待判断疑似末端支气管区域为管状形状,即待判断疑似末端支气管区域内的总点数与端点间距离的比小于10;
如满足上述条件,该疑似末端支气管区域为气道树区域即末端支气管区域,将不满足上述条件的疑似末端支气管区域作为非气道树区域去除,得到末端支气管。
分别从去肺区边缘后的肺部CT图像的矢状面、冠状面、横截面三个方向上执行上述步骤1-2到步骤1-3,进行末端支气管提取。
步骤2:将提取到的末端支气管与气管主体连接,得到末端支气管树:
步骤2-1:获取末端支气管的两个端点;
步骤2-2:根据末端支气管的两个端点生成末端支气管的中心线;
步骤2-3:沿着末端支气管的中心线进行末端支气管与气管树主体的连接,得到支气管树,具体方法为:
将末端支气管的两个端点坐标作为延伸起点,并沿末端支气管中心线方向向外延伸,得到末端支气管两个方向的延伸向量;
沿一个延伸向量方向,每次向前延伸一个单位长度得到一个临时延伸点,遍历延伸点8邻域,取其中CT值最低的点作为真正的延伸点即下一次延伸的新起点;
延伸线每前进一步就判断一次是否与气道树主体或气管点连接,在延伸距离不大于延伸阈值内,如果连接到气管树主体或气管点,则此次连接成功,如果连接失败,重复执行上述连接过程,若仍未成功,换另一个方向的延伸向量,重复执行上述连接过程,若仍未成功,放弃该末端支气管;
若末端支气管连接成功,将延伸线做膨胀,同时将延伸结果与该末端支气管都标记为气管点,并重复执行上述连接过程,得到最终末端支气管树。
有益效果:本发明从肺部CT图像中提取末端支气管树的方法,具有如下优点:
考虑到三维支气管树分割中末端支气管易被“泄漏”和“漏分割”的问题,提出根据CT值提取遗漏的气管点并按气道树的形态学特征对其进行筛选,最后按遗漏气管延伸线将其与气管树主体连接的方法,从而更准确的分割出末端支气管,获得更完整的三维支气管树。
附图说明
图1为本发明一种实施方式的从肺部CT图像中提取末端支气管树的方法流程图;
图2为本发明一种实施方式的肺区边缘去除示意图,其中,(a)为原始肺区图,(b)为边缘去除后的肺区图;
图3为本发明一种实施方式的寻找可疑末端支气管区域示意图;
图4为本发明一种实施方式的去除疑似末端支气管区域中非气道树区域示意图;
图5为本发明一种实施方式的末端支气管提取后三维支气管树示意图;
图6为本发明一种实施方式的末端支气管中心线细化示意图;
图7为本发明一种实施方式的末端支气管中心线生成示意图;
图8为本发明一种实施方式的三维支气管树示意图。
具体实施方式
下面结合附图对本发明的一种实施方式作详细说明。
如图1所示,一种从肺部CT图像中提取末端支气管树的方法,包括:
步骤1:从肺部CT图像中提取末端支气管:
步骤1-1:采用区域生长法去除肺部CT图像中肺区边缘;
如图2(a)所示,图中浅灰色圆圈标注的部分为低CT值区域。由医学知识可知气道树末端细支气管并不会出现在肺的边缘,且肺区边缘会有大量低CT值的区域干扰末端支气管的提取,本方法选择去除肺区边缘。
步骤1-1-1:采用区域生长法,将种子点选在肺部CT图像肺区内,获得肺区内部;
步骤1-1-2:采用区域生长法,将种子点选在肺部CT图像肺区之外,生长过程中将肺区外的点加入生长的队列,获得肺区的所有外边界点;
步骤1-1-2:将以外边界点为中心的正方体内部的点全部标记成为非肺区点,实现肺区边缘的去除,其中正方体大小不做固定数值要求,优选5~7。如图2(b)所示,为本实施方式中边缘去除后的肺区图。
提取肺区内部时使用的区域生长法就已经获得了肺区的边缘,然而,这些边缘点不仅仅有肺区的外边缘点,同时也包括了肺区内部与血管等组织相邻的边缘点。由医学知识可知,肺内的细支气管往往与血管伴行。也就是说如果以之前得到的这些边缘点作为中心去除肺区边缘,那么那些跟血管伴行的气道树也会被抹去,将会导致有待寻找的气道树产生大量损失。因此,在去除肺区边缘的操作中,本方法再次进行一次区域生长,这一次将种子点选在肺区之外,生长的过程中将不是肺区的待判断点加入生长的队列,由此可以获得肺区的所有外边界点,再以这些点为中心去除一个正方体,实现去除肺区的边缘。
步骤1-2:在去除边缘后的肺区中,按CT值寻找疑似末端支气管区域;
如图3所示,本实施方式设定所需要寻找的那些遗漏气管的CT值阈值为-800HU。去除边缘后的肺区中,CT值小于-800HU的区域为疑似末端支气管区域;CT值大于-800HU的区域为是非气管区域。
虽然气道树组织的CT值一定很低,但是肺区中CT值低的组织却不一定是气道树,在肺区之中,大量的气泡组织的CT值同样也会很低,所以图3提取的可疑支气管区域结果不仅包括气道树,同时也得到了大量本研究所不需要的肺泡、肺气肿等其它组织。
步骤1-3:去除疑似末端支气管区域中的非气道树区域:
依次判断各疑似末端支气管区域是否满足如下判别条件:
(1)待判断疑似末端支气管区域边界上CT平均值减去该疑似末端支气管区内CT值平均值大于阈值,所述阈值为各疑似末端支气管区域边界上CT平均值减去疑似末端支气管区域内CT平均值的平均值;
(2)待判断疑似末端支气管区域内体素大于10个点;
(3)待判断疑似末端支气管区域为管状形状,即待判断疑似末端支气管区域内的总点数与端点间距离的比小于10;
如满足上述条件,该疑似末端支气管区域为气道树区域,将不满足上述条件的疑似末端支气管区域作为非气道树区域去除,得到末端支气管。
本实施方式中,实现末端支气管提取时,在二维空间做处理,即将肺区分断层分别寻找符合CT值要求以及判别条件的小区域,再将这些二维断层叠加在一起,获得整个肺区的待选区域,且在处理时分别从矢状面、冠状面、横截面三个方向处理所有断层,寻找所有满足所设条件要求的末端支气管区域,确保对末端支气管区域的寻找不会遗漏,并相较于三维空间,提高了处理速度。
所述去除疑似区域中非气道树区域的判别条件(1)依据气道树的形态学特征:肺区中的气道树表现在断层图片上为一圈CT值较高的白色的气管壁与一团CT值较低的黑色的空气组成。因此,为获得一个低CT值区域,需判断它的周围是否为高CT值的像素点,如果是,则可以认为这个区域有可能是气道树,否则,则认为它们不是气道树组织,予以舍弃。
本实施方式中,所述去除疑似末端支气管区域中非气道树区域的判别条件(1)的具体实现的方法为:在获取一个疑似末端气管区域A后,计算这个区域内的平均CT值以及该区域的边界的平均CT值,将区域A边界的平均CT值减去区域A内的平均CT值设为g(A),判别条件(1)中所述的平均值即为各疑似末端支气管区域的g(A)的平均值。如果一个待判断疑似末端支气管区域的g(A)比所有疑似末端支气管区域的g(A)的平均值大,则保留该疑似末端支气管区域,否则,舍弃该疑似末端支气管区域。
所述去除疑似末端支气管区域中非气道树区域的判别条件(2),体素大于10个点的采用是为了减少之后操作中不必要的计算量。可以从肉眼辨别一些小颗粒明显不是气管,同时由于有些区域太小,即使它们是气道树,也很难得知它们所属的支气管的方向,因此本方法将体素不到10个点的疑似末端支气管区域全部予以去除。
所述去除疑似末端支气管区域中非气道树区域的判别条件(3),管状形状的采用是依据气管的外形特征,为了去除肺气肿等囊状结果。具体思路如下:如果一个区域是管状的,那么形状上将接近圆柱体,而端点之间的距离就是圆柱体的高,那么两者的差就是圆柱体地面的面积。而由于末端支气管区域都较细,这个值会非常小,一般不大于10。如果区域是一个囊肿,那么它就会近似于球状或者椭球状,那么两者相除的结果会明显较大。所以可以通过比较小区域端点距离与小区域总点数的关系来判断这个区域是否是管状结构。一旦一个疑似末端支气管区域的总点数与端点间距离的比大于10,那么可以将其视为非气道树区域。
如图4所示,为去除非气道树区域的疑似末端支气管区域;如图5所示,为本实施方式的末端支气管提取后三维支气管树示意图。
步骤2:将提取到的末端支气管与气管主体连接,得到末端支气管树:
步骤2-1:获取末端支气管的两个端点;
如图6所示,气道树的中心线即图中虚线近似一条直线,中心线的端点也是整个气道树的端点,即气道树中相距最远的两个点。因此欲得到气道树的中心线,仅仅需要获取这段气道树的两个端点。寻找两个端点即找出区域内间距最远的两个点的方法如下:假设前两个点是需要的点,随后从第三个点一直遍历到最后一个点,如果发现与默认两点中任意一点之间的距离大于这两点之间的距离,就替代掉其中另外一个点,遍历整个末端支气管区域的点,即可得到末端支气管的两个端点。
步骤2-2:根据末端支气管的两个端点生成末端支气管的中心线;
末端支气管的端点连接时要根据气道树的形态学特征,即气道树是由一圈高CT值区域包裹的低CT值区域不断做修正,具体包括如下步骤:
将末端支气管一侧端点坐标作为起点,并沿末端支气管向内延伸,每次向前延伸一个单位长度得到一个临时延伸点,遍历延伸点8邻域,取其中CT值最低的点作为真正的延伸点即下一次延伸的新起点,直至延伸点与末端支气管一侧端点重合,得到末端支气管的中心线。如图7所示,A和B分别为末端支气管的两个端点,P'为临时延伸点,P为CT值最低的真正延伸点。
步骤2-3:沿着末端支气管的中心线进行末端支气管与气管树主体的连接;
将末端支气管的两个端点坐标作为延伸起点,并沿末端支气管中心线方向向外延伸,得到末端支气管两个方向的延伸向量;
沿一个延伸向量方向,每次向前延伸一个单位长度得到一个临时延伸点,遍历延伸点8邻域,取其中CT值最低的点作为真正的延伸点即下一次延伸的新起点;
延伸线每前进一步就判断一次是否与气道树主体或气管点连接,在延伸距离不大于延伸阈值内,如果连接到气管树主体或气管点,则此次连接成功,如果连接失败,重复执行上述连接过程,若仍未成功,换另一个方向的延伸向量,重复执行上述连接过程,若仍未成功,放弃该末端支气管。其中,延伸长度阈值为气道树长度的1.5倍。
若末端支气管连接成功,将延伸线做膨胀,同时将延伸结果与该末端支气管都标记为气管点。有些遗漏的末端支气管并不与主气管直接相连,而是通过其它遗漏的末端支气管与主气管相连,于是,本实施方式将上述连接过程进行3次迭代进行末端支气管的连接,得到最终三维支气管树如图8所示。
Claims (8)
1.一种从肺部CT图像中提取末端支气管树的方法,其特征在于,包括:
步骤1:从肺部CT图像中提取末端支气管;
步骤2:将提取到的末端支气管与气管主体连接,得到末端支气管树。
2.根据权利要求1所述的从肺部CT图像中提取末端支气管树的方法,其特征在于,所述步骤1具体为:
步骤1-1:采用区域生长法去除肺部CT图像中肺区边缘;
步骤1-2:在去除边缘后的肺区中,按CT值寻找疑似末端支气管区域;
步骤1-3:去除疑似末端支气管区域中的非气道树区域,得到末端支气管。
3.根据权利要求1所述的从肺部CT图像中提取末端支气管树的方法,其特征在于,所述步骤2具体为:
步骤2-1:获取末端支气管的两个端点;
步骤2-2:根据末端支气管的两个端点生成末端支气管的中心线;
步骤2-3:沿着末端支气管的中心线进行末端支气管与气管主体的连接,得到末端支气管树。
4.根据权利要求2所述的从肺部CT图像中提取末端支气管树的方法,其特征在于,所述步骤1-1具体为:
步骤1-1-1:采用区域生长法,将种子点选在肺部CT图像肺区内,获得肺区内部;
步骤1-1-2:采用区域生长法,将种子点选在肺部CT图像肺区之外,获得肺区的所有外边界点;
步骤1-1-3:将以外边界点为中心的正方体中包含的点全部标记成为非肺区点,得到去除边缘后的肺区。
5.根据权利要求2所述的从肺部CT图像中提取末端支气管树的方法,其特征在于,所述步骤1-2具体为:
去除边缘后的肺区中,CT值小于-800HU的区域为疑似末端支气管区域,CT值大于-800HU的区域为非末端支气管区域。
6.根据权利要求2所述的从肺部CT图像中提取末端支气管树的方法,其特征在于,所述步骤1-3具体为:
依次判断各疑似末端支气管区域是否满足如下判别条件:
(1)待判断的疑似末端支气管区域边界上CT平均值减去该疑似末端支气管区内CT值平均值大于阈值;所述阈值为各疑似末端支气管区域边界上CT平均值减去疑似末端支气管区域内CT平均值的平均值;
(2)待判断疑似末端支气管区域内体素大于10个点;
(3)待判断疑似末端支气管区域为管状形状,即待判断疑似末端支气管区域内的总点数与端点间距离的比小于10;
如满足上述条件,该疑似末端支气管区域为气道树区域即末端支气管区域,将不满足上述条件的疑似末端支气管区域作为非气道树区域去除,得到末端支气管。
7.根据权利要求2所述的从肺部CT图像中提取末端支气管树的方法,其特征在于,分别从去边缘后的肺部CT图像的矢状面、冠状面和横截面三个方向执行所述步骤1-2和步骤1-3,进行末端支气管的提取。
8.根据权利要求3所述的从肺部CT图像中提取末端支气管树的方法,其特征在于,所述步骤2-3具体为:
将末端支气管的两个端点坐标作为延伸起点,并沿末端支气管中心线方向向外延伸,得到末端支气管两个方向的延伸向量;
沿一个延伸向量方向,每次向前延伸一个单位长度得到一个临时延伸点,遍历延伸点8邻域,取其中CT值最低的点作为真正的延伸点即下一次延伸的新起点;
延伸线每前进一步就判断一次是否与气道树主体或气管点连接,在延伸距离不大于延伸阈值内,如果连接到气管树主体或气管点,则此次连接成功,如果连接失败,重复执行上述连接过程,若仍未成功,换另一个方向的延伸向量,重复执行上述连接过程,若仍未成功,放弃该末端支气管;
若末端支气管连接成功,将延伸线做膨胀,同时将延伸结果与该末端支气管都标记为气管点,并重复执行上述连接过程,得到最终末端支气管树。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710581295.XA CN107481251A (zh) | 2017-07-17 | 2017-07-17 | 一种从肺部ct图像中提取末端支气管树的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710581295.XA CN107481251A (zh) | 2017-07-17 | 2017-07-17 | 一种从肺部ct图像中提取末端支气管树的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107481251A true CN107481251A (zh) | 2017-12-15 |
Family
ID=60596371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710581295.XA Pending CN107481251A (zh) | 2017-07-17 | 2017-07-17 | 一种从肺部ct图像中提取末端支气管树的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107481251A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171703A (zh) * | 2018-01-18 | 2018-06-15 | 东北大学 | 一种从胸部ct图像中自动提取气管树的方法 |
CN109065165A (zh) * | 2018-07-25 | 2018-12-21 | 东北大学 | 一种基于重建气道树图像的慢性阻塞性肺病预测方法 |
CN110176009A (zh) * | 2019-05-23 | 2019-08-27 | 复旦大学 | 一种肺部图像分割和跟踪方法和系统 |
CN110378923A (zh) * | 2019-07-25 | 2019-10-25 | 杭州健培科技有限公司 | 一种智能肺部气管树分割提取和分级的方法与装置 |
CN110648338A (zh) * | 2019-09-25 | 2020-01-03 | 上海微创医疗器械(集团)有限公司 | 图像分割方法、可读存储介质及图像处理装置 |
CN111127453A (zh) * | 2019-12-27 | 2020-05-08 | 苏州影加科技有限公司 | 一种基于微分几何的气管树全自动分割方法 |
CN112712540A (zh) * | 2021-01-13 | 2021-04-27 | 杭州小呈向医疗科技有限公司 | 一种基于ct影像的肺部支气管提取方法 |
CN113450277A (zh) * | 2021-06-29 | 2021-09-28 | 上海长征医院 | 一种医学图像处理方法、介质及电子设备 |
CN113628219A (zh) * | 2021-06-30 | 2021-11-09 | 上海市胸科医院 | 一种从胸部ct影像中自动提取支气管树的方法和系统 |
CN114010216A (zh) * | 2021-12-20 | 2022-02-08 | 重庆医科大学附属第一医院 | 气道形态学参数定量获取方法、装置、气道支架设计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101116103A (zh) * | 2005-02-11 | 2008-01-30 | 皇家飞利浦电子股份有限公司 | 从三维医学图像中自动提取肺动脉树的方法 |
US20080101675A1 (en) * | 2006-08-14 | 2008-05-01 | Siemens Corporate Research, Inc. | System and Method for Automated Detection of Mucus Plugs Within Bronchial Tree in MSCT Images |
CN104504737A (zh) * | 2015-01-08 | 2015-04-08 | 深圳大学 | 一种从肺部ct图像获得三维气管树的方法 |
CN104809730A (zh) * | 2015-05-05 | 2015-07-29 | 上海联影医疗科技有限公司 | 从胸部ct图像提取气管的方法和装置 |
CN106097305A (zh) * | 2016-05-31 | 2016-11-09 | 上海理工大学 | 双行程区域生长结合形态学重建的肺部气管树分割方法 |
-
2017
- 2017-07-17 CN CN201710581295.XA patent/CN107481251A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101116103A (zh) * | 2005-02-11 | 2008-01-30 | 皇家飞利浦电子股份有限公司 | 从三维医学图像中自动提取肺动脉树的方法 |
US20080101675A1 (en) * | 2006-08-14 | 2008-05-01 | Siemens Corporate Research, Inc. | System and Method for Automated Detection of Mucus Plugs Within Bronchial Tree in MSCT Images |
CN104504737A (zh) * | 2015-01-08 | 2015-04-08 | 深圳大学 | 一种从肺部ct图像获得三维气管树的方法 |
CN104809730A (zh) * | 2015-05-05 | 2015-07-29 | 上海联影医疗科技有限公司 | 从胸部ct图像提取气管的方法和装置 |
CN106097305A (zh) * | 2016-05-31 | 2016-11-09 | 上海理工大学 | 双行程区域生长结合形态学重建的肺部气管树分割方法 |
Non-Patent Citations (1)
Title |
---|
朱辰坤: "基于CT影像的肺部气管树分割算法的研究", 《中国优秀硕士学位论文全文数据库(电子期刊) 医药卫生科技辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171703A (zh) * | 2018-01-18 | 2018-06-15 | 东北大学 | 一种从胸部ct图像中自动提取气管树的方法 |
CN108171703B (zh) * | 2018-01-18 | 2020-09-15 | 东北大学 | 一种从胸部ct图像中自动提取气管树的方法 |
CN109065165B (zh) * | 2018-07-25 | 2021-08-17 | 东北大学 | 一种基于重建气道树图像的慢性阻塞性肺病预测方法 |
CN109065165A (zh) * | 2018-07-25 | 2018-12-21 | 东北大学 | 一种基于重建气道树图像的慢性阻塞性肺病预测方法 |
CN110176009A (zh) * | 2019-05-23 | 2019-08-27 | 复旦大学 | 一种肺部图像分割和跟踪方法和系统 |
CN110176009B (zh) * | 2019-05-23 | 2023-03-07 | 复旦大学 | 一种肺部图像分割和跟踪方法和系统 |
CN110378923A (zh) * | 2019-07-25 | 2019-10-25 | 杭州健培科技有限公司 | 一种智能肺部气管树分割提取和分级的方法与装置 |
CN110648338A (zh) * | 2019-09-25 | 2020-01-03 | 上海微创医疗器械(集团)有限公司 | 图像分割方法、可读存储介质及图像处理装置 |
CN110648338B (zh) * | 2019-09-25 | 2023-02-17 | 上海微创卜算子医疗科技有限公司 | 图像分割方法、可读存储介质及图像处理装置 |
CN111127453A (zh) * | 2019-12-27 | 2020-05-08 | 苏州影加科技有限公司 | 一种基于微分几何的气管树全自动分割方法 |
CN112712540A (zh) * | 2021-01-13 | 2021-04-27 | 杭州小呈向医疗科技有限公司 | 一种基于ct影像的肺部支气管提取方法 |
CN113450277A (zh) * | 2021-06-29 | 2021-09-28 | 上海长征医院 | 一种医学图像处理方法、介质及电子设备 |
CN113450277B (zh) * | 2021-06-29 | 2023-08-22 | 上海长征医院 | 一种医学图像处理方法、介质及电子设备 |
CN113628219A (zh) * | 2021-06-30 | 2021-11-09 | 上海市胸科医院 | 一种从胸部ct影像中自动提取支气管树的方法和系统 |
CN113628219B (zh) * | 2021-06-30 | 2023-11-03 | 上海市胸科医院 | 一种从胸部ct影像中自动提取支气管树的方法和系统以及计算机可读存储介质 |
CN114010216A (zh) * | 2021-12-20 | 2022-02-08 | 重庆医科大学附属第一医院 | 气道形态学参数定量获取方法、装置、气道支架设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107481251A (zh) | 一种从肺部ct图像中提取末端支气管树的方法 | |
US10249045B2 (en) | Region-growing algorithm | |
CN108171703B (zh) | 一种从胸部ct图像中自动提取气管树的方法 | |
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 | |
CN111583204B (zh) | 基于网络模型的二维序列磁共振图像的器官定位方法 | |
CN104504737B (zh) | 一种从肺部ct图像获得三维气管树的方法 | |
CN113112609A (zh) | 一种面向肺部活检支气管镜的导航方法和系统 | |
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 | |
US20220092788A1 (en) | Segmentation method for pneumonia sign, medium, and electronic device | |
CN114419077B (zh) | 一种基于ct图像的肺支气管自动分割方法及系统 | |
US9672600B2 (en) | Clavicle suppression in radiographic images | |
CN111080556A (zh) | 一种强化ct图像气管壁增强方法、系统、设备及介质 | |
CN112712540B (zh) | 一种基于ct影像的肺部支气管提取方法 | |
CN113012127A (zh) | 基于胸部医学影像的心胸比测量方法 | |
WO2022252440A1 (zh) | 一种皮革纤维mct序列切片图像的同根区域智能检测方法 | |
CN114081625B (zh) | 导航路径规划方法、系统和可读存储介质 | |
Zhao et al. | Solitary pulmonary nodule segmentation based on the rolling ball method | |
CN115239751A (zh) | 一种术后影像针道提取方法 | |
Geng et al. | Fully automatic extraction of lung parenchyma from CT scans | |
CN117274216B (zh) | 基于水平集分割的超声下颈动脉斑块检测方法及系统 | |
CN113379782B (zh) | 管状结构的提取方法、装置、设备和存储介质 | |
CN114926486B (zh) | 一种基于多层级改进的甲状腺超声图像智能分割方法 | |
CN113689442A (zh) | 一种基于三维图像实现肺部器官分割的方法 | |
Zhang et al. | CT Slice Segmentation for Patients with COVID-19 based on Transformer and Convolution Neural Network | |
CN117689674A (zh) | 基于连通性分析的气管分割方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171215 |