CN107481254A - 医学图像的处理方法、装置、介质和电子设备 - Google Patents
医学图像的处理方法、装置、介质和电子设备 Download PDFInfo
- Publication number
- CN107481254A CN107481254A CN201710733451.XA CN201710733451A CN107481254A CN 107481254 A CN107481254 A CN 107481254A CN 201710733451 A CN201710733451 A CN 201710733451A CN 107481254 A CN107481254 A CN 107481254A
- Authority
- CN
- China
- Prior art keywords
- image
- medical image
- destination organization
- threedimensional model
- processing method
- 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
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种医学图像的处理方法、装置、介质和电子设备。该医学图像的处理方法包括:获取医学图像序列中各个图像的分割结果;根据所述各个图像的分割结果,生成所述医学图像序列对应的目标组织的三维模型,并确定所述目标组织的物理信息;在图形用户界面上显示所述目标组织的三维模型和所述目标组织的物理信息。本发明实施例的技术方案使得医护人员可以直观地根据三维模型和目标组织的物理信息来进行分析,有利于辅助医护人员进行诊断和治疗,如进行术前规划、虚拟切割和风险评估等,进而能够提高医护人员的工作效率。
Description
技术领域
本发明涉及医学图像处理技术领域,具体而言,涉及一种医学图像的处理方法、装置、介质和电子设备。
背景技术
随着影像医学在临床医学的成功应用,图像分割在影像医学中发挥着越来越大的作用。医学图像分割技术是医学图像处理和分析中的关键技术。医学图像分割是一个根据区域内的相似性以及区域间的不同来分离图像中有关结构(或感兴趣区域)的过程。
由于医学图像的成像原理和组织本身的特性差异,图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响,医学图像与普通图像相比,不可避免的具有模糊性、不均匀性等特点。另外,人体的解剖组织结构和形状复杂,而且人与人之间有相当大的差别。这些都给医学图像的分割带来了困难。
同时,当对医学图像进行分割之后,如何利用分割结果来辅助医生进行诊断和治疗,以提高医生的工作效率也是亟待解决的技术问题。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于提供一种医学图像的处理方法、装置、介质和电子设备,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明实施例的第一方面,提供了一种医学图像的处理方法,包括:获取医学图像序列中各个图像的分割结果;根据所述各个图像的分割结果,生成所述医学图像序列对应的目标组织的三维模型,并确定所述目标组织的物理信息;在图形用户界面上显示所述目标组织的三维模型和所述目标组织的物理信息。
在本发明的一些实施例中,基于前述方案,其中,所述各个图像的分割结果包括所述各个图像的分割轮廓曲线;根据所述各个图像的分割结果,生成所述医学图像序列对应的目标组织的三维模型,并确定所述目标组织的物理信息的步骤,包括:获取所述各个图像的分割轮廓曲线对应的三维坐标;基于所述各个图像的分割轮廓曲线对应的三维坐标,生成所述目标组织的三维模型,并确定所述模板组织的物理信息。
在本发明的一些实施例中,基于前述方案,所述目标组织的物理信息包括以下至少之一:所述目标组织的体积、所述目标组织的表面积、所述目标组织的长宽高信息。
在本发明的一些实施例中,基于前述方案,所述的医学图像的处理方法还包括:导出所述目标组织的三维模型;获取与所述目标组织相邻的其他组织的三维模型;将所述目标组织的三维模型和所述其他组织的三维模型进行整合,以生成包含有所述目标组织和所述其他组织的整体三维模型;在图形用户界面上显示所述整体三维模型。
在本发明的一些实施例中,基于前述方案,在显示的所述整体三维模型中,对所述目标组织的三维模型和所述其他组织的三维模型进行区分显示。
在本发明的一些实施例中,基于前述方案,在获取医学图像序列中各个图像的分割结果之后,还包括:根据所述各个图像的分割结果,确定所述各个图像的分割区域的相关信息;当检测到用户在图形用户界面上选中所述医学图像序列中的任一医学图像时,在所述图形用户界面上显示所述任一医学图像的分割区域的相关信息。
在本发明的一些实施例中,基于前述方案,所述分割区域的相关信息包括以下至少之一:分割区域的面积、分割区域中的最大Hu值、分割区域中的最小Hu值、分割区域中的Hu平均值、分割区域中的Hu值的统计报告图、分割区域的长度、分割区域中包含的血管的直径。
在本发明的一些实施例中,基于前述方案,获取医学图像序列中各个图像的分割结果的步骤,包括:基于区域生长算法对所述医学图像序列中的第一张图像进行处理,得到所述第一张图像的初始轮廓曲线;基于所述初始轮廓曲线,根据水平集函数对所述第一张图像进行处理,得到所述第一张图像的分割轮廓曲线;针对所述医学图像序列中的每张图像,将前一张图像的分割轮廓曲线作为下一张图像的初始轮廓曲线,并基于水平集函数对所述每张图像进行处理,以得到所述每张图像的分割轮廓曲线。
在本发明的一些实施例中,基于前述方案,在基于区域生长算法对所述医学图像序列中的第一张图像进行处理之前,还包括:接收用户在图形用户界面上设置的如下参数,以基于用户设置的参数对所述医学图像序列进行分割:针对所述医学图像序列选择的时相、所述区域生长算法和所述水平集函数所对应的算法参数、所述目标组织的属性参数、对所述医学图像序列中的每张医学图像的分割处理范围、所述区域生长算法的种子像素。
根据本发明实施例的第二方面,提供了一种医学图像的处理装置,包括:获取单元,获取医学图像序列中各个图像的分割结果;处理单元,用于根据所述各个图像的分割结果,生成所述医学图像序列对应的目标组织的三维模型,并确定所述目标组织的物理信息;显示单元,用于在图形用户界面上显示所述目标组织的三维模型和所述目标组织的物理信息。
根据本发明实施例的第三方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述实施例中第一方面所述的医学图像的处理方法。
根据本发明实施例的第四方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中第一方面所述的医学图像的处理方法。
在本发明的一些实施例所提供的技术方案中,通过根据医学图像序列中各个图像的分割结果生成医学图像序列对应的目标组织的三维模型,并在图形用户界面上显示目标组织的三维模型和目标组织的物理信息,使得医护人员可以直观地根据三维模型和目标组织的物理信息来进行分析,有利于辅助医护人员进行诊断和治疗,如进行术前规划、虚拟切割和风险评估等,进而能够提高医护人员的工作效率。
在本发明的一些实施例所提供的技术方案中,通过基于区域生长算法对医学图像序列中的第一张图像进行处理,以得到第一张图像的初始轮廓曲线,然后基于水平集函数和得到的初始轮廓曲线对第一张图像处理得到最终轮廓曲线,使得能够先基于区域生长算法获取到第一张图像的初始轮廓曲线,进而在得到的初始轮廓曲线的基础上,可以提高水平集函数的演化速度和精确度,避免了在使用水平集函数时由于初始轮廓曲线选取不合适导致过分割、闭合曲线不收敛或泄露的问题。由于医学图像序列中的相邻图像具有极强的相关性,因此通过将医学图像序列中前一张图像的最终轮廓曲线作为下一张图像的初始轮廓曲线,不仅能够缩短算法的处理时间,并且能够保证水平集算法具有较为精确的结果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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他的附图。在附图中:
图1示意性示出了根据本发明的实施例的医学图像的处理方法的流程图;
图2示出了根据本发明的实施例的集成有本发明实施例中的医学图像的处理方法的应用程序的主界面示意图;
图3示出了根据本发明的实施例的在应用程序的界面中设置种子像素的示意图;
图4示出了根据本发明的实施例的在应用程序的界面中显示区域生长得到的初始轮廓曲线的示意图;
图5示出了根据本发明的实施例的在应用程序的界面中显示水平集函数演化后得到的轮廓曲线的示意图;
图6示出了根据本发明的实施例的生成目标组织的三维模型的示意图;
图7示出了根据本发明的实施例的将目标组织的三维模型与相邻的其他组织的三维模型组合后的模型示意图;
图8示意性示出了根据本发明的实施例的医学图像的处理装置的框图;
图9示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示意性示出了根据本发明的实施例的医学图像的处理方法的流程图。
参照图1,根据本发明的实施例的医学图像的处理方法,包括:
步骤S10,获取医学图像序列中各个图像的分割结果。
在本发明的示例性实施例中,步骤S10包括:基于区域生长算法对所述医学图像序列中的第一张图像进行处理,得到所述第一张图像的初始轮廓曲线;基于所述初始轮廓曲线,根据水平集函数对所述第一张图像进行处理,得到所述第一张图像的分割轮廓曲线;针对所述医学图像序列中的每张图像,将前一张图像的分割轮廓曲线作为下一张图像的初始轮廓曲线,并基于水平集函数对所述每张图像进行处理,以得到所述每张图像的分割轮廓曲线。
在该实施例中,通过基于区域生长算法得到第一张图像的初始轮廓曲线,然后基于水平集函数和得到的初始轮廓曲线对第一张图像处理得到最终轮廓曲线,使得能够先基于区域生长算法获取到第一张图像的初始轮廓曲线,进而在得到的初始轮廓曲线的基础上,可以提高水平集函数的演化速度和精确度。同时,通过将医学图像序列中前一张图像的最终轮廓曲线作为下一张图像的初始轮廓曲线,不仅能够缩短算法的处理时间,并且能够保证水平集算法具有较为精确的结果。
在本发明的一些实施例中,基于前述方案,在基于区域生长算法对所述医学图像序列中的第一张图像进行处理之前,还包括:接收用户在图形用户界面上设置的如下参数,以基于用户设置的参数对所述医学图像序列进行分割:针对所述医学图像序列选择的时相、所述区域生长算法和所述水平集函数所对应的算法参数、所述目标组织的属性参数、对所述医学图像序列中的每张医学图像的分割处理范围、所述区域生长算法的种子像素。
步骤S12,根据所述各个图像的分割结果,生成所述医学图像序列对应的目标组织的三维模型,并确定所述目标组织的物理信息。
根据本发明的示例性实施例,所述各个图像的分割结果包括所述各个图像的分割轮廓曲线;则步骤S12具体包括:获取所述各个图像的分割轮廓曲线对应的三维坐标;基于所述各个图像的分割轮廓曲线对应的三维坐标,生成所述目标组织的三维模型,并确定所述模板组织的物理信息。
需要说明的是,目标组织的物理信息包括以下至少之一:所述目标组织的体积、所述目标组织的表面积、所述目标组织的长宽高信息。这些信息可以基于各个图像的分割轮廓曲线对应的三维坐标来确定。
步骤S14,在图形用户界面上显示所述目标组织的三维模型和所述目标组织的物理信息。
在本发明的实施例中,通过在图形用户界面上显示目标组织的三维模型和目标组织的物理信息,使得医护人员可以直观地根据三维模型和目标组织的物理信息来进行分析,有利于辅助医护人员进行诊断和治疗,进而能够提高医护人员的工作效率。
在本发明的实施例中,当得到目标组织的三维模型之后,可以导出目标组织的三维模型,并获取与目标组织相邻的其他组织的三维模型,然后将目标组织的三维模型和上述的其他组织的三维模型进行整合,以生成包含有目标组织和上述其他组织的整体三维模型,进而在图形用户界面上显示该整体三维模型。进一步地,可以在整体三维模型中对目标组织的三维模型和其他组织的三维模型进行区分显示。
该实施例的技术方案使得医生可以直观地看到目标组织相对于临近的其他组织的相对位置,进而可以便于医护人员来进行术前规划、虚拟切割和风险评估等,有利于降低手术和治疗的风险。
在本发明的一些实施例中,在获取医学图像序列中各个图像的分割结果之后,还可以包括:根据所述各个图像的分割结果,确定所述各个图像的分割区域的相关信息;当检测到用户在图形用户界面上选中所述医学图像序列中的任一医学图像时,在所述图形用户界面上显示所述任一医学图像的分割区域的相关信息。
在该实施例中,当检测到用户在图形用户界面上选中任一医学图像时,在图形用户界面上显示该医学图像的分割区域的相关信息,使得可以辅助医护人员更直观的判断病灶的大小、病理、类型和病变程度,进而能够提高医护人员的工作效率。
需要说明的是,所述分割区域的相关信息包括以下至少之一:分割区域的面积、分割区域中的最大Hu值、分割区域中的最小Hu值、分割区域中的Hu平均值、分割区域中的Hu值的统计报告图、分割区域的长度、分割区域中包含的血管的直径。
综上所述,本发明实施例的技术方案主要是基于图像分割的结果来对进行三维建模,从而向医护人员提供较为直观的信息,以辅助医护人员进行术前规划等操作。其中,图像的分割结果直接影响了后续三维建模的准确性,因此为了得到较为准确的分割结果,本发明的实施例提出了基于区域生长算法和水平集函数相结合的图像分割方法,以下对该图像分割方法的细节进行详细说明,根据以上描述的内容可知,该图像分割算法主要包括如下步骤:
步骤(1),基于区域生长算法对医学图像序列中的第一张图像进行处理,得到第一张图像的初始轮廓曲线;
步骤(2),基于所述初始轮廓曲线,根据水平集函数对所述第一张图像进行处理,得到所述第一张图像的分割轮廓曲线;
步骤(3),针对所述医学图像序列中的每张图像,将前一张图像的分割轮廓曲线作为下一张图像的初始轮廓曲线,并基于水平集函数对所述每张图像进行处理,以得到所述每张图像的分割轮廓曲线。
其中,在本发明的实施例中,步骤(1)具体可以包括如下步骤:获取用户在第一张图像的目标区域中设置的种子像素;建立堆栈,并将所述种子像素存入所述堆栈中;依次从所述堆栈中取出种子像素,其中,对于从所述堆栈中取出的任一种子像素,若所述任一种子像素的任一邻域像素满足区域生长准则,则将所述任一邻域像素作为种子像素存入所述堆栈中;在所述堆栈为空时,根据所有种子像素形成的区域确定所述初始轮廓曲线。
需要说明的是,通过建立堆栈来处理种子像素,使得能够有序地释放和存储种子像素,提高了区域生长算法的运算效率,并且能够消除区域生长算法对某个或某些种子像素的重复运算。
进一步地,在上述实施例的技术方案的基础上,还包括:根据所述种子像素的灰度值和所述种子像素的邻域像素的灰度值,计算所述区域生长准则的阈值参数。
在本发明的示例性实施例中,具体地,上述的根据所述种子像素的灰度值和所述种子像素的邻域像素的灰度值,计算所述区域生长准则的阈值参数,包括:根据所述种子像素的灰度值和所述种子像素的邻域像素的灰度值,计算所述种子像素的灰度值与所述种子像素的邻域像素的灰度值之间的方差;根据所述方差,确定所述区域生长准则的阈值参数。
在该实施例中,通过根据种子像素的灰度值和种子像素的邻域像素的灰度值来计算区域生长准则的阈值参数,使得能够考虑图像的局部信息来计算区域生长准则的阈值参数,提高了区域生长算法的准确性。
在本发明的一些实施例中,基于前述方案,还包括:计算所述任一种子像素的灰度值与所述任一种子像素的邻域像素的灰度值之间的变化量;若所述任一种子像素的邻域内的任一像素的灰度值与所述任一种子像素的灰度值之间的变化量小于所述区域生长准则的阈值参数,则确定所述任一像素满足所述区域生长准则。
需要说明的是,在本发明的实施例中,上述的邻域像素既可以是四邻域像素,也可以是八邻域像素。
此外,在步骤(2)和步骤(3)中都涉及到根据水平集函数来对图像进行处理的过程,在本发明的示例性实施例中,基于水平集函数和任一图像的初始轮廓曲线,对所述任一图像进行处理包括:在所述任一图像中设置所述初始轮廓曲线;基于所述初始轮廓曲线和设置的演化参数,对所述水平集函数进行演化;在所述水平集函数进行演化时的迭代次数达到预定次数时,从所述水平集函数中提取零水平集,以作为所述任一图像的最终轮廓曲线。
在本发明的一些实施例中,基于前述方案,基于所述初始轮廓曲线和设置的演化参数,对所述水平集函数进行演化,包括:基于所述初始轮廓曲线,构建能量泛函模型;通过水平集函数替换所述能量泛函模型中的初始轮廓曲线;基于设置的演化参数,对所述能量泛函模型对应的方程进行求解,以对所述水平集函数进行演化。
在本发明的一些实施例中,基于前述方案,所述能量泛函模型如下:
E=α·ECV+β·EL+ER
其中,E表示所述能量泛函模型;ECV表示CV模型的能量函数;EL表示局部项的能量函数;ER表示规则项的能量函数;α和β表示控制参数。
在本发明的实施例中,通过在能量泛函模型中加入局部项的能量函数,降低了水平集函数对图像灰度不均匀特性的敏感度。而通过在能量泛函模型中加入规则项的能量函数,使得水平集函数在演化过程中能够保持光滑,并避免重新初始化,加快了水平集算法的运算效率,减少了处理时间。
在本发明的一些实施例中,基于前述方案,通过如下公式计算所述CV模型的能量函数:
ECV(C,c1,c2)=λ1∫outside(C)|I(x)-c1|2dx+λ2∫inside(C)|I(x)-c2|2dx+v|C|
其中,C表示所述初始轮廓曲线;outside(C)和inside(C)分别代表所述初始轮廓曲线C的外区域和内区域;c1和c2表示常量;λ1、λ2和v表示控制参数;I(x)表示所述任一图像中的像素点x的灰度值。
在本发明的一些实施例中,基于前述方案,通过如下公式计算所述局部项的能量函数:
EL=∫Ωεx(C,f1,f2)dx
其中,εx(C,f1,f2)=λ1∫inside(C)gσ(x-y)(I(υ)-f1(x))2dy+λ2∫outside(C)gσ(x-y)(I(υ)-f2(x))2dy;λ1和λ2表示控制参数;f1(x)和f2(x)为初始轮廓曲线C两侧局部图像灰度的理想近似值;gσ表示高斯核函数;I(υ)表示所述任一图像中的像素点υ的灰度值。
在本发明的一些实施例中,基于前述方案,通过以下公式计算所述高斯核函数:
其中,u表示常量;σ表示尺度参数;n表示迭代次数。
在本发明的一些实施例中,基于前述方案,通过如下公式计算所述规则项的能量函数:
ER(φ)=μ·L(φ=0)+P(φ)
其中,φ表示水平集函数;μ表示控制参数;L(φ=0)表示长度惩罚项,H(z)和δ(z)分别表示Heaviside函数和Dirac函数;P(φ)表示能量惩罚项,
以下对本发明的一个应用场景进行说明:
在本发明的实施例中,可以将本发明实施例的技术方案在临床上进行应用,比如可以开发专用的应用程序,该应用程序集成了上述的基于区域生长和水平集算法的图像分割方法,并且能够为以后的改进和加入其它算法保留了接口。
需要说明的是,本发明的临床应用都是在图像分割算法得到分割结果的基础上提出的,根据临床需求的变化可以拓展更多的临床应用,而且不同的目标组织也会有不同的临床需求,因此本发明实施例的应用程序所集成的临床应用包括并不限于以下应用:已分割区域的面积测量、已分割区域的Hu值分布、已分割区域的三维坐标、重建目标组织的三维模型、目标模型体积的测量、目标模型表面积的测量和目标模型的长宽高测量等。
在本发明的一个实施例中,如图2所示为上述应用程序的主界面,在该主界面中主要包含了如下几部分:
图2中所示的控件201是导入Dicom(Digital Imaging and Communications inMedicine,医学数字成像和通信)图像的控件,点击该控件可以导入医学影像数据。下拉框202用于选择图像时相。区域203用于设置与目标区域相对应的内部参数,以便于非专业人士操作,内部参数包括但不限于:区域生长阈值、尺度参数σ、长度惩罚项参数μ、水平集迭代次数n、时间步长等算法参数,内部参数所对应的目标组织包括不限于:动脉血管、静脉血管、甲状腺、头骨、骨头、肝脏和病变组织等。区域204用于设置处理的范围,防止过分割的问题出现。控件205是触发进行区域生长的控件。控件206是触发水平集演化的控件。控件207是导出数据的控件。区域208用于显示图像。区域209用于在图像序列中选择在区域208中显示的图像。区域210用于在图像分割之后显示相关信息的区域。
针对图2所示的应用程序界面,以下以对肝脏病灶的图像进行分割和三维重建为例进行说明:
在图2所示的应用程序界面中,首先点击控件201,导入相关的图像数据,如包含有肝脏病灶的图像数据。然后通过下拉框202选择病灶清晰的时相进行分割,并在区域203中选择相对应的内部参数,同时在区域204中设置对图像的处理范围,放置过分割到其它组织。
当用户点击控件205之后,如图3所示,会在区域208中显示的图像上出现十字光标,以便用户手动设置种子像素。当种子像素设置完成后,程序会自动开始区域生长,并得到图像的初始轮廓,如图4中所示的轮廓线2081。
当用户点击控件206之后,程序基于得到的轮廓线2081自动在预先设置的图像序列范围内进行水平集函数演化,并得到目标区域的最终轮廓曲线,如图5中所示的轮廓线2082。
在程序完成水平集演化后,如图5所示,在图像下方的区域210中会自动显示当前图像的相关信息,比如已分割区域的面积(单位:mm2)、最大Hu值、最小Hu值以及平均值等。此外,在本发明的实施例中还可以得到已分割区域的长度、已分割血管的直径、Hu值的区域直方图等临床信息,这些临床信息可以辅助医生更直观的判断病灶的大小、病理、类型和病变程度,例如医生可以根据较高的Hu平均值来判断该病灶为钙化灶。并且使用本程序,医生不需要手动标记目标区域来获得此类信息,大大的提高了工作效率。
当点击控件207之后,程序将导出目标区域所有轮廓线的三维坐标,并显示在子界面中,如图6中区域211所示。在图6中,当点击控件212时,程序会自动生成目标组织的三维模型,并显示在区域214中。此外,在区域214的下方区域215中可以显示该目标组织的物理信息,包括但不限于体积、表面积、长宽高等,这些信息可以辅助医生了解病变区域的大小、形状、具体位置,帮助医生对患者的病情有更准确的判断。例如,在器官移植手术中,医生可以根据目标器官的体积、长宽高等信息,更高效准确的帮助被移植者找到更合适的移植脏器。
当用户在图6所示的界面中点击控件213之后,可以导出目标组织的模型,进而可以将其与相邻的其他组织的三维模型组合在一起,具体如图7所示,这样医生可以从中直观的看到病灶相对于肝脏的位置,以及与其他相邻组织的相对位置,进而医生可以根据个体解剖特点进行定量分析组织容积、计算机辅助诊断、器官移植、术前规划、手术导航、虚拟切割和风险评估等,以确保将手术风险降到最低。
图8示意性示出了根据本发明的实施例的医学图像的处理装置的框图。
参照图8,根据本发明的实施例的医学图像的处理装置800,包括:获取单元802、处理单元804和显示单元806。
具体地,获取单元802获取医学图像序列中各个图像的分割结果;处理单元804用于根据所述各个图像的分割结果,生成所述医学图像序列对应的目标组织的三维模型,并确定所述目标组织的物理信息;显示单元806用于在图形用户界面上显示所述目标组织的三维模型和所述目标组织的物理信息。
需要说明的是,上述医学图像的处理装置800中包含的各模块/单元的具体细节已经在对应的医学图像的处理方法中进行了详细的描述,因此此处不再赘述。
下面参考图9,其示出了适于用来实现本发明实施例的电子设备的计算机系统900的结构示意图。图9示出的电子设备的计算机系统900仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,计算机系统900包括中央处理单元(CPU)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分608加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有系统操作所需的各种程序和数据。CPU901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如上述实施例中所述的医学图像的处理方法。
例如,可以实现如图1中所示的:步骤S10,获取医学图像序列中各个图像的分割结果;步骤S12,根据所述各个图像的分割结果,生成所述医学图像序列对应的目标组织的三维模型,并确定所述目标组织的物理信息;步骤S14,在图形用户界面上显示所述目标组织的三维模型和所述目标组织的物理信息。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (12)
1.一种医学图像的处理方法,其特征在于,包括:
获取医学图像序列中各个图像的分割结果;
根据所述各个图像的分割结果,生成所述医学图像序列对应的目标组织的三维模型,并确定所述目标组织的物理信息;
在图形用户界面上显示所述目标组织的三维模型和所述目标组织的物理信息。
2.根据权利要求1所述的医学图像的处理方法,其特征在于,所述各个图像的分割结果包括所述各个图像的分割轮廓曲线;
根据所述各个图像的分割结果,生成所述医学图像序列对应的目标组织的三维模型,并确定所述目标组织的物理信息的步骤,包括:
获取所述各个图像的分割轮廓曲线对应的三维坐标;
基于所述各个图像的分割轮廓曲线对应的三维坐标,生成所述目标组织的三维模型,并确定所述模板组织的物理信息。
3.根据权利要求2所述的医学图像的处理方法,其特征在于,所述目标组织的物理信息包括以下至少之一:
所述目标组织的体积、所述目标组织的表面积、所述目标组织的长宽高信息。
4.根据权利要求1所述的医学图像的处理方法,其特征在于,还包括:
导出所述目标组织的三维模型;
获取与所述目标组织相邻的其他组织的三维模型;
将所述目标组织的三维模型和所述其他组织的三维模型进行整合,以生成包含有所述目标组织和所述其他组织的整体三维模型;
在图形用户界面上显示所述整体三维模型。
5.根据权利要求4所述的医学图像的处理方法,其特征在于,在显示的所述整体三维模型中,对所述目标组织的三维模型和所述其他组织的三维模型进行区分显示。
6.根据权利要求1所述的医学图像的处理方法,其特征在于,在获取医学图像序列中各个图像的分割结果之后,还包括:
根据所述各个图像的分割结果,确定所述各个图像的分割区域的相关信息;
当检测到用户在图形用户界面上选中所述医学图像序列中的任一医学图像时,在所述图形用户界面上显示所述任一医学图像的分割区域的相关信息。
7.根据权利要求6所述的医学图像的处理方法,其特征在于,所述分割区域的相关信息包括以下至少之一:
分割区域的面积、分割区域中的最大Hu值、分割区域中的最小Hu值、分割区域中的Hu平均值、分割区域中的Hu值的统计报告图、分割区域的长度、分割区域中包含的血管的直径。
8.根据权利要求1至7中任一项所述的医学图像的处理方法,其特征在于,获取医学图像序列中各个图像的分割结果的步骤,包括:
基于区域生长算法对所述医学图像序列中的第一张图像进行处理,得到所述第一张图像的初始轮廓曲线;
基于所述初始轮廓曲线,根据水平集函数对所述第一张图像进行处理,得到所述第一张图像的分割轮廓曲线;
针对所述医学图像序列中的每张图像,将前一张图像的分割轮廓曲线作为下一张图像的初始轮廓曲线,并基于水平集函数对所述每张图像进行处理,以得到所述每张图像的分割轮廓曲线。
9.根据权利要求8所述的医学图像的处理方法,其特征在于,在基于区域生长算法对所述医学图像序列中的第一张图像进行处理之前,还包括:
接收用户在图形用户界面上设置的如下参数,以基于用户设置的参数对所述医学图像序列进行分割:
针对所述医学图像序列选择的时相、所述区域生长算法和所述水平集函数所对应的算法参数、所述目标组织的属性参数、对所述医学图像序列中的每张医学图像的分割处理范围、所述区域生长算法的种子像素。
10.一种医学图像的处理装置,其特征在于,包括:
获取单元,获取医学图像序列中各个图像的分割结果;
处理单元,用于根据所述各个图像的分割结果,生成所述医学图像序列对应的目标组织的三维模型,并确定所述目标组织的物理信息;
显示单元,用于在图形用户界面上显示所述目标组织的三维模型和所述目标组织的物理信息。
11.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至9中任一项所述的医学图像的处理方法。
12.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至9中任一项所述的医学图像的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710733451.XA CN107481254A (zh) | 2017-08-24 | 2017-08-24 | 医学图像的处理方法、装置、介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710733451.XA CN107481254A (zh) | 2017-08-24 | 2017-08-24 | 医学图像的处理方法、装置、介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107481254A true CN107481254A (zh) | 2017-12-15 |
Family
ID=60602497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710733451.XA Pending CN107481254A (zh) | 2017-08-24 | 2017-08-24 | 医学图像的处理方法、装置、介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107481254A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345545A (zh) * | 2018-09-26 | 2019-02-15 | 广东毅达医疗科技股份有限公司 | 一种分割图像生成的方法、装置及计算机可读存储介质 |
CN109345629A (zh) * | 2018-08-08 | 2019-02-15 | 安徽慧软科技有限公司 | 一种三维医学图像模糊凸显显示方法 |
CN110415239A (zh) * | 2019-08-01 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备、医疗电子设备以及介质 |
CN111612792A (zh) * | 2019-02-22 | 2020-09-01 | 未艾医疗技术(深圳)有限公司 | 基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品 |
TWI714440B (zh) * | 2020-01-20 | 2020-12-21 | 緯創資通股份有限公司 | 用於電腦斷層攝影的後處理的裝置和方法 |
KR20210050830A (ko) * | 2019-10-29 | 2021-05-10 | 고려대학교 산학협력단 | 의료 영상 데이터의 영역 분할 성능 향상을 위한 장치 및 방법 |
CN113270171A (zh) * | 2021-06-18 | 2021-08-17 | 上海市第一人民医院 | 一种基于人工智能的孕期b超检测辅助方法 |
CN113823385A (zh) * | 2021-09-03 | 2021-12-21 | 青岛海信医疗设备股份有限公司 | 一种修改dicom图像的方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046739A (zh) * | 2015-06-19 | 2015-11-11 | 四川大学 | 一种基于vtk的医学图像三维重建方法 |
CN106874700A (zh) * | 2017-04-01 | 2017-06-20 | 上海术理智能科技有限公司 | 基于Web的手术模拟方法、手术模拟装置及电子设备 |
CN106974730A (zh) * | 2017-04-01 | 2017-07-25 | 上海术理智能科技有限公司 | 基于虚拟现实和医学影像的手术模拟方法、装置和设备 |
-
2017
- 2017-08-24 CN CN201710733451.XA patent/CN107481254A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046739A (zh) * | 2015-06-19 | 2015-11-11 | 四川大学 | 一种基于vtk的医学图像三维重建方法 |
CN106874700A (zh) * | 2017-04-01 | 2017-06-20 | 上海术理智能科技有限公司 | 基于Web的手术模拟方法、手术模拟装置及电子设备 |
CN106974730A (zh) * | 2017-04-01 | 2017-07-25 | 上海术理智能科技有限公司 | 基于虚拟现实和医学影像的手术模拟方法、装置和设备 |
Non-Patent Citations (3)
Title |
---|
吴珊: "基于活动轮廓模型的肝脏分割算法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
牛世元: "基于Web的DCM图像解析和三维重建可视化", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
王文峰: "腹部CT图像的三维重构与手术规划", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345629A (zh) * | 2018-08-08 | 2019-02-15 | 安徽慧软科技有限公司 | 一种三维医学图像模糊凸显显示方法 |
CN109345545A (zh) * | 2018-09-26 | 2019-02-15 | 广东毅达医疗科技股份有限公司 | 一种分割图像生成的方法、装置及计算机可读存储介质 |
CN111612792A (zh) * | 2019-02-22 | 2020-09-01 | 未艾医疗技术(深圳)有限公司 | 基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品 |
CN111612792B (zh) * | 2019-02-22 | 2024-03-08 | 曹生 | 基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品 |
CN110415239B (zh) * | 2019-08-01 | 2022-12-16 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备、医疗电子设备以及介质 |
CN110415239A (zh) * | 2019-08-01 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备、医疗电子设备以及介质 |
KR20210050830A (ko) * | 2019-10-29 | 2021-05-10 | 고려대학교 산학협력단 | 의료 영상 데이터의 영역 분할 성능 향상을 위한 장치 및 방법 |
KR102318619B1 (ko) | 2019-10-29 | 2021-10-28 | 고려대학교 산학협력단 | 의료 영상 데이터의 영역 분할 성능 향상을 위한 장치 및 방법 |
TWI714440B (zh) * | 2020-01-20 | 2020-12-21 | 緯創資通股份有限公司 | 用於電腦斷層攝影的後處理的裝置和方法 |
CN113270171A (zh) * | 2021-06-18 | 2021-08-17 | 上海市第一人民医院 | 一种基于人工智能的孕期b超检测辅助方法 |
CN113270171B (zh) * | 2021-06-18 | 2022-11-01 | 上海市第一人民医院 | 一种基于人工智能的孕期b超检测辅助方法 |
CN113823385A (zh) * | 2021-09-03 | 2021-12-21 | 青岛海信医疗设备股份有限公司 | 一种修改dicom图像的方法、装置、设备及介质 |
CN113823385B (zh) * | 2021-09-03 | 2024-03-19 | 青岛海信医疗设备股份有限公司 | 一种修改dicom图像的方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107481254A (zh) | 医学图像的处理方法、装置、介质和电子设备 | |
AU2017209046B2 (en) | Systems and methods for segmentation of intra-patient medical images | |
CN107123112B (zh) | 血流状态分析系统及方法 | |
EP2693951B1 (en) | Image analysis for specific objects | |
CN105938628B (zh) | 源自图像的生物标志的直接计算 | |
WO2018119766A1 (zh) | 多模态图像处理系统及方法 | |
CN107481252A (zh) | 医学图像的分割方法、装置、介质和电子设备 | |
CN110517238B (zh) | Ct医学影像ai三维重建与人机交互可视化网络系统 | |
Beichel et al. | Liver segmentation in contrast enhanced CT data using graph cuts and interactive 3D segmentation refinement methods | |
CN107072625A (zh) | 治疗程序规划系统和方法 | |
TW202040585A (zh) | 用於使用多模態成像和集成機器學習模型的自動靶標和組織分割的方法和設備 | |
CN112116615A (zh) | 根据血管中心线获取血管轮廓线的方法和装置 | |
CN108288496A (zh) | 肿瘤容积智能勾画方法和装置 | |
CN114173692A (zh) | 用于推荐手术程序的参数的系统和方法 | |
Ruppert et al. | Medical image registration based on watershed transform from greyscale marker and multi-scale parameter search | |
CN110163872A (zh) | 一种hrmr图像分割与三维重建的方法及电子设备 | |
RU2563158C2 (ru) | Усовершенствования для планарного преобразования криволинейной структуры | |
Oulefki et al. | Virtual Reality visualization for computerized COVID-19 lesion segmentation and interpretation | |
JP2020018705A (ja) | 医用画像処理装置、画像生成方法、及び画像生成プログラム | |
CN112927799A (zh) | 融合多示例学习和多任务深度影像组学的生存期分析系统 | |
Meuschke et al. | Visual analysis of aneurysm data using statistical graphics | |
Botha et al. | From individual to population: Challenges in medical visualization | |
CN107516314B (zh) | 医学图像超体素分割方法和装置 | |
CN115147360B (zh) | 一种斑块分割方法、装置、电子设备及可读存储介质 | |
EP4140433A2 (en) | Blood parameter assessment systems and methods |
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 |