CN107516314A - 医学图像超体素分割方法和装置 - Google Patents

医学图像超体素分割方法和装置 Download PDF

Info

Publication number
CN107516314A
CN107516314A CN201710743094.5A CN201710743094A CN107516314A CN 107516314 A CN107516314 A CN 107516314A CN 201710743094 A CN201710743094 A CN 201710743094A CN 107516314 A CN107516314 A CN 107516314A
Authority
CN
China
Prior art keywords
mrow
msub
density
voxel
dimensional 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.)
Granted
Application number
CN201710743094.5A
Other languages
English (en)
Other versions
CN107516314B (zh
Inventor
刘梦迪
周元峰
张彩明
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.)
Weishi Medical Information Technology Shandong Co ltd
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN201710743094.5A priority Critical patent/CN107516314B/zh
Publication of CN107516314A publication Critical patent/CN107516314A/zh
Application granted granted Critical
Publication of CN107516314B publication Critical patent/CN107516314B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/30036—Dental; Teeth
    • 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
    • G06T2207/30041—Eye; Retina; Ophthalmic
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Generation (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种医学图像超体素分割方法和装置，所述方法包括以下步骤：基于DICOM文件获取待分割组织结构的三维体数据和所述体数据中每个体素的密度值；将所述三维体数据预分割为多个正方体，初始化种子点；对于每个种子点，根据所述密度和位置信息，计算所述种子点和其他体素之间的基于密度‑位置约束的测地距离；根据所述基于密度‑位置约束的测地距离，采用快速行进法确定所有体素的分类标签，完成所述三维体数据的分割。本发明的超体素分割方法相对于现有技术，分割精度和效率均有显著提高。

Description

医学图像超体素分割方法和装置
技术领域
本发明主要应用于图像处理技术领域，具体为一种针对医学图像的超体素分割方法和装置。
背景技术
一幅图像包含了它所表达的物体的描述信息，图像是我们人类从客观世界获取信息的重要媒介，在这个信息化的时代中，可以说，人们从客观世界中获取的信息有百分之七十甚至百分之八十来源于视觉系统，即从图像中获得。这种可准确表达信息的特点使得图像被广泛应用于临床实践。医学图像的广泛使用为医学专家识别病变组织、观察病理变化，从而进行全方位多层次的诊断提供了很大的帮助。
数字图像处理的一个重要技术是图像分割技术。图像分割是图像识别和计算机视觉至关重要的预处理。图像分割指的是将数字图像细分为多个图像子区域的过程。图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。图像分割在医学图像的处理中起到越来越重要的作用，同时也是医学图像可视化、图像引导手术的基础。
超像素分割是图像分割领域的一个典型研究方向。超像素分割依据图像的纹理、颜色、亮度等信息，将具有相似特征的像素划分为一类，由这些像素构成的区域称为超像素。分割后的超像素保留了图像的边界信息，突出了图像中的关键信息。以往的医学图像处理往往是以像素作为处理单元，由于像素数量多，处理起来比较麻烦，迭代次数多，加上医疗机构不允许耗费太长的处理时间等一系列的原因，超像素在医学图像的应用中具有广阔的发展前景。
虽然超像素在处理二维医学图像中发挥了重要作用，但由于二维医学图像只能显示某个组织某一个方向上的信息，因此，为了增加对图像的理解，提高专家对图像的诊断效果，能够将某结构的位置、方向、大小等信息显示出来就显得尤为重要，而超体素模型正延续了超像素在二维图像处理中的优势，并将其优势应用到三维图像中，为医学图像分割提供了技术支撑。但由于医学图像的复杂性、多样性，如何在提高分割效率的前提下兼顾分割精度，仍是目前需要本领域技术人员迫切解决的一个技术问题。
发明内容
为了解决上述问题，本发明提供了一种医学图像超体素分割方法和装置，基于DICOM 文件获取图像的密度信息，确定三维体数据模型；采用四向三维叠加的方法计算每个体素的梯度；对三维体数据进行预分割并初始化聚类中心种子点；然后对每层图像进行边缘检测，构造距离分布函数计算每个像素点相对于边缘的分布；利用基于密度-距离的测地距离度量体素点与种子点的相似性；最后，在此基础上，将Fast Marching Method(快速行进法)扩展到三维，实现对三维医学图像的超体素分割。
为了实现上述目的，本发明采用如下技术方案：
一种医学图像超体素分割方法，包括以下步骤：
步骤1：基于DICOM文件获取待分割组织结构的三维体数据和所述体数据中每个体素的密度值；
步骤2：将所述三维体数据预分割为多个正方体，初始化种子点；
步骤3：定义基于密度-位置约束的测地距离，用于衡量体素之间的相似性；
步骤4：根据所述基于密度-位置约束的测地距离，采用快速行进法确定所有体素的分类标签，完成所述三维体数据的分割。
进一步地，所述步骤1包括：
步骤1.1：读取一组DICOM文件并进行格式转换，获取各切片对应的位图文件；
步骤1.2：基于所述位图文件重建三维体数据，并提取所述三维体数据中每个体素的密度值。
进一步地，所述步骤2包括：
步骤2.1：将三维体数据均匀划分为k个同样大小的正方体；
步骤2.2：将每个正方体中梯度最小的体素初始化为种子点。
进一步地，体素的梯度通过体素在三个平面上的梯度叠加得到；其中，每个平面的梯度是所述平面上四个方向梯度值的绝对值之和。
进一步地，所述步骤3中基于密度-位置约束的测地距离定义如下：
其中，R(si,q(t))是一个密度-位置约束函数，用来衡量路径q在t处的体素点与种子点si的相似性；R(si,q(t))的定义如下：
R(si,q(t))＝exp(Gra(si,q(t))/u)
其中，Gra(si,q(t))是梯度函数，用于描述si和q(t)的密度值差异；Gxoy(si,q(t))，Gyoz(si,q(t))，Gxoz(si,q(t))分别为路径q在t处的体素点在xoy，yoz，xoz面上的梯度； u是一个影响参数，umin＝0.05，umax＝0.15，△u＝umax-umin；P(vi)表示像素vi相对于边缘的距离分布函数，△p表示P(vi)最大值与最小值之差。
进一步地，
P(vi)＝exp(-kd2(vi))
其中，d(vi)表示像素点vi到最近边缘的距离，k是一个正参数。
进一步地，所述边缘是通过对所述体数据的每个切片图像进行Canny边缘检测得到的。
进一步地，所述步骤4包括：
步骤4.1：初始化所有体素的初始基于密度-位置约束的测地距离、初始状态和分类标签，其中，种子点的初始状态为candidate，初始基于密度-位置约束的测地距离为0，其他体素点的初始状态为unvisited，初始基于密度-位置约束的测地距离为∞；并且初始化两个最小堆 H_open和H_changed，将分类标签为k的种子点保存在H_open中，H_changed为空。
步骤4.2：重复执行以下步骤直到两个最小堆均为空：
首先判断H_changed是否为空，若不为空，则从中取出一个体素点pk并更新其状态为 achieved；
若H_open不为Empty且H_changed为空，从H_open中取出一个体素点pk并更新其状态为achieved；
针对上述取出的pk，分别计算x、y、z三个方向上六个邻域体素点的梯度和基于密度- 位置约束的测地距离：
如果邻域pi当前状态为unvisited，将状态更新为candidate，并更新分类标签为k，同是将 pi存入最小堆H_open中；
如果邻域pi当前状态为candidate且则更新测地距离为DLDi，并更新分类标签为k；
否则，如果邻域pi当前状态为achieved且则更新测地距离为DLDi，并更新分类标签为k，同时将pi存入最小堆H_changed中；
步骤4.3：重复执行步骤4.2至预设次数。
基于本发明的第二方面，本发明还提供了一种计算机装置，用于医学图像的超体素分割，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤，包括：
基于DICOM文件获取待分割组织结构的三维体数据和所述体数据中每个体素的密度值；
将所述三维体数据预分割为多个正方体，初始化种子点；
定义基于密度-位置约束的测地距离，用于衡量体素之间的相似性；
根据所述基于密度-位置约束的测地距离，采用快速行进法确定所有体素的分类标签，完成所述三维体数据的分割。
基于本发明的第三方面，本发明还提供了一种计算机可读存储介质，其上存储有用于医学图像超体素分割的计算机程序，该程序被处理器执行时实现以下步骤：
基于DICOM文件获取待分割组织结构的三维体数据和所述体数据中每个体素的密度值；
将所述三维体数据预分割为多个正方体，初始化种子点；
定义基于密度-位置约束的测地距离，用于衡量体素之间的相似性；
根据所述基于密度-位置约束的测地距离，采用快速行进法确定所有体素的分类标签，完成所述三维体数据的分割。
本发明的有益效果：
(1)本发明提出了一种在三维空间中计算体素点梯度的方法：“四向三维叠加”方法，不仅考虑了三维空间中三个方向上的三个平面对体素点梯度的影响，而且考虑了每个平面的横、纵及两条斜线四个方向对体素点梯度的影响，提高了梯度计算的准确度。
(2)本发明提出了“基于密度-位置约束的测地距离”的概念和计算方法，用于衡量种子点和其他体素的相似性，提高了分割后超体素的边界贴合性。
(3)本发明将快速行进法FMM在二维图像上的扩散扩展到三维空间中，分别沿x方向、 y方向z方向扩散，实现了三维上的分割。
(4)本发明提出了新的初始化种子点的方法，直接将种子点初始化在梯度最小的体素位置上，节省了不必要的操作，避免了以后处理过程中出现的问题，提高了效率。
(5)本发明是基于DICOM文件获取体数据，由于DICOM被广泛应用于放射医疗，心血管成像以及放射诊疗诊断设备(X射线，CT，核磁共振，超声等)，以及眼科和牙科等其它医学领域，本发明的超体素分割方法能够广泛应用于人体不同目标的分割，辅助各医疗领域的诊断。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本发明的医学图像超体素分割方法整体流程图；
图2是本发明求解体素点梯度所涉及的四个卷积模板。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
一个合格的超体素必须满足三个条件：(1)边界规则性。一个超体素区域的边界在三维图像梯度较弱的区域应尽可能的规则且平滑；(2)体素相似性。在相同的超体素中所有的体素应该具有相似的颜色、纹理、亮度等信息；(3)边界贴合性。当超体素区域的边界与三维图像梯度较大处接近时，超体素的边缘应该与图像边界相贴合。
为了满足以上条件并且兼顾分割效率，本发明提出了一种超体素分割方法，总体构思为：读入多个DICOM文件(即医学数字成像和通信，是医学图像和相关信息的国际标准)，经过数据格式的处理，窗宽、窗位的调节，从文件中获取图像的密度信息，确定三维体数据模型。然后采用“四向三维叠加”的方法计算每个体素的梯度。根据设置好的超体素数量，在三维空间中初始化聚类中心。然后对每层图像进行边缘检测，构造距离分布函数计算每个像素点相对于边缘的分布从而求参数u的值。利用“基于密度-聚类的测地距离”度量体素点与种子点的相似性。基于以上步骤，将Fast Marching Method扩展到三维，实现对三维医学图像的超体素分割。本发明的方法可以经过较少的迭代次数，高效的实现对医学图像的超体素分割，同时提高了超体素的边界贴合性和质量。
实施例一
本实施例提供了一种医学图像超体素分割方法，如图1所示，包括以下步骤：
步骤1：基于DICOM文件获取待分割组织结构的三维体数据和所述体数据中每个体素的密度值；
所述步骤1具体包括：
步骤1.1：读取一组DICOM文件并进行格式转换，获取各切片对应的位图文件；
步骤1.2：基于所述位图文件重建三维体数据，并提取所述三维体数据中每个体素的密度值。
其中，所述步骤1.1是根据对DICOM图像特点的了解，通过调整窗宽窗位获取待分割组织结构的位图文件。
步骤2：将所述三维体数据预分割为多个正方体，初始化种子点；
其中，所述初始化种子点的具体步骤如下：
步骤2.1：将三维体数据均匀划分为k个同样大小的正方体；
假设输入d层w*h的CT图像，则总体素个数为N＝w*h*d个，如果预分割为K个具有相同尺寸的正方体，为保证正方体的规则性，使每个正方体的大小为N/K，即S*S*S的正方体
步骤2.2：将每个正方体中梯度最小的体素初始化为种子点；
具体步骤为对每个正方体中的体素点按照梯度大小进行排序，将种子点初始化在梯度最小处，记录梯度最小的体素点的位置、密度值和梯度，并作为种子点的位置、密度值和梯度。
其中，所述梯度值的确定方法为：
本发明中提出了一种“四向三维叠加”方法用于计算三维空间中体数据点梯度。该方法主要是分别计算体素点在xoy面、yoz面、xoz面上的梯度，每一平面上的梯度计算都要考虑其横向、纵向及两条对角线方向四个方向的梯度值，然后将三个面上的四个方向的梯度值进行叠加得到所求体素点的梯度。
(1)计算体素在三个不同平面上的梯度值，其中，每个平面上的梯度值均根据四个方向的梯度值得到；
具体的，用A表示包含所计算体素点的xoy面的图像，Gxoya，Gxoyb，Gxoyc1，Gxoyc2分别表示横向，纵向，对角线方向1，对角线方向2上的梯度值。
将四个5*5的卷积模板分别与图像做平面卷积，得到四个方向的梯度值。所述四个卷积模板如图2所示。
卷积模板中每个权值的大小既考虑了与模板中心点的距离又考虑了角度的大小。
同样，用类似的方法分别计算某体素yoz面和xoz面上四个方向的梯度Gyoza，Gyozb，Gyozc1，Gyozc2，Gxoza，Gxozb，Gxozc1，Gxozc2。
将四个方向梯度的绝对值之和作为某体素点在平面上的梯度。公式如下：
Gxoy＝|Gxoya|+|Gxoyb|+|Gxoyc1|+|Gxoyc2| (9)
Gyoz＝|Gyoza|+|Gyozb|+|Gyozc1|+|Gyozc2| (10)
Gxoz＝|Gxoza|+|Gxozb|+|Gxozc1|+|Gxozc2| (11)
(2)将所述三个平面上的梯度进行叠加得到某体素的梯度。叠加公式如下：
步骤3：定义基于密度-位置约束的测地距离，用于衡量体素之间的相似性；
本发明采用“基于密度-位置约束的测地距离”来衡量扩散的中心点和目标体素点间的相似性。
所述步骤3包括：
步骤3.1：对所述体数据的每个切片图像进行边缘检测，计算所述图像中每个像素相对于边缘的距离分布；
其中，所述边缘检测是采用Canny边缘检测算子；
优选地，所述每个像素相对于边缘的距离分布表现为该像素距离最近边缘的远近，根据该像素到最近边缘的欧氏距离得到。
像素点的距离分布函数定义如下：
P(vi)＝exp(-kd2(vi)) (13)
其中，d(vi)表示像素点vi到最近边缘的距离，k是一个正参数。通过距离分布函数得出 Pmin和Pmax，并令△P＝Pmax-Pmin。本发明采用切片图像的像素距离分布估计体数据中相应体素的距离分布，即，采用像素点vi的距离分布P(vi)作为该像素点所在体素的距离分布。
步骤3.2：根据密度和所述距离分布，计算基于密度-位置约束的测地距离；
传统的测地距离定义如下：给定一个源体素点vi和一个目标体素点vj，假定Qij是可由vi到vj的路径，其中距离最短的一条路径定义为从vi到vj的测地路径。相应的测地距离定义如下式：
其中qij(t)是从vi到vj经过的路径，qij(0)＝vi，qij(1)＝vj。||·||是L2范数，是qij(t) 在t处的一阶微分。
“基于密度-位置约束的测地距离”定义如下：
“基于密度-位置约束的测地距离”依赖于种子点的密度值和坐标值，公式(15)中的 R(si,q(t))是一个密度-位置约束函数，用来衡量路径q在t处的体素点与种子点si的相似性。种子点si既包含了密度信息，也包含了位置信息。R(si,q(t))的定义如下：
R(si,q(t))＝exp(Gra(si,q(t))/u) (16)
公式(17)中的Gra(si,q(t))是梯度函数，这个梯度不是一成不变的，随着体素点被扩散到，体素点的梯度会更新为种子点的梯度。描述了si和q(t)的密度值差异。Gxoy(si,q(t))， Gyoz(si,q(t))，Gxoz(si,q(t))分别为路径q在t处的体素点在xoy，yoz，xoz面上的梯度，参见步骤(2-3)中公式(9)-(12)。u是一个影响参数，计算公式如公式(18)所示，其中umin＝0.05，umax＝0.15，△u＝umax-umin，△p和vi的具体含义参见公式(13)。
“基于密度-位置约束的测地距离”是通过Fast Marching Method扩散策略迭代传播中计算并更新的，具体Fast Marching Method算法过程见步骤(6)。
步骤4：根据所述基于密度-位置约束的测地距离，采用快速行进法确定所有体素的分类标签，完成所述三维体数据的分割。
将Fast Marching Method由二维扩展到三维上，多次迭代，实现对三维医学图像的超体素分割，步骤如下：
步骤4.1：初始化所有体素的初始基于密度-位置约束的测地距离、初始状态和分类标签，其中，种子点的初始状态为candidate(即候选的扩散中心)，初始基于密度-位置约束的测地距离为0，其他体素点的初始状态为unvisited(表示未扩散到)，初始基于密度-位置约束的测地距离为∞；并且初始化两个最小堆H_open和H_changed，将分类标签为k的种子点保存在 H_open中，H_changed为空。
步骤4.2：重复执行以下步骤直到两个最小堆均为空：
首先判断H_changed是否为空，若不为空，则从中取出一个体素点pk并更新其状态为 achieved(表示已扩散到)；
若H_open不为Empty且H_changed为空，从H_open中取出一个体素点pk并更新其状态为achieved；
针对上述取出的pk，分别计算x、y、z三个方向上六个邻域体素点的梯度和基于密度- 位置约束的测地距离：
如果邻域pi当前状态为unvisited，将状态更新为candidate(作为候选的扩散中心)，并更新分类标签为k，同是将pi存入最小堆H_open中；
如果邻域pi当前状态为candidate且则更新测地距离为DLDi，并更新分类标签为k；
否则，如果邻域pi当前状态为achieved且则更新测地距离为DLDi，并更新分类标签为k，同时将pi存入最小堆H_changed中。
步骤4.3：重复执行步骤4.2至预设次数，本实施例中预设次数为12次。
并根据获得的分类标签label，即高效率地得到期望生成的高质量的超体素。
综上，本发明通过引入“带密度、位置约束的测地距离”、“四向三维叠加”计算三维空间体素点的方法，并将Fast Marching Method扩展到三维上进行扩散，从而提出了一种针对医学图像的超体素分割方法。可以经过较少的迭代次数即可高效地获得规整、边界贴合性高的超体素。
实施例二
本实施例的目的是提供一种计算机装置。
基于以上目的，本实施例提供了一种计算机装置，用于医学图像的超体素分割，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤，包括：
步骤1：基于DICOM文件获取待分割组织结构的三维体数据和所述体数据中每个体素的密度值；
步骤2：将所述三维体数据预分割为多个正方体，初始化种子点；
步骤3：定义基于密度-位置约束的测地距离，用于衡量体素之间的相似性；
步骤4：根据所述基于密度-位置约束的测地距离，采用快速行进法确定所有体素的分类标签，完成所述三维体数据的分割。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
基于以上目的，本实施例提供了一种计算机可读存储介质，其上存储有用于医学图像超体素分割的计算机程序，该程序被处理器执行时实现以下步骤：
步骤1：基于DICOM文件获取待分割组织结构的三维体数据和所述体数据中每个体素的密度值；
步骤2：将所述三维体数据预分割为多个正方体，初始化种子点；
步骤3：定义基于密度-位置约束的测地距离，用于衡量体素之间的相似性；
步骤4：根据所述基于密度-位置约束的测地距离，采用快速行进法确定所有体素的分类标签，完成所述三维体数据的分割。
以上实施例二和实施例三的装置，各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本发明提供了一种针对三维医学图像的超体素分割方法，本发明提出了一种在三维空间中计算体素点梯度的方法：“四向三维叠加”方法，不仅考虑了三维空间中三个方向上的三个平面对体素点梯度的影响，而且考虑了每个平面的横、纵及两条斜线四个方向对体素点梯度的影响，提高了梯度计算的准确度；提出了“基于密度-位置约束的测地距离”的概念和计算方法，用于衡量种子点和其他体素的相似性，提高了分割后超体素的边界贴合性；将快速行进法FMM在二维图像上的扩散扩展到三维空间中，分别沿x方向、y方向z方向扩散，实现了三维上的分割；提出了新的初始化种子点的方法，直接将种子点初始化在梯度最小的体素位置上，节省了不必要的操作，避免了以后处理过程中出现的问题，提高了效率。由于DICOM 被广泛应用于放射医疗，心血管成像以及放射诊疗诊断设备(X射线，CT，核磁共振，超声等)，以及眼科和牙科等其它医学领域，本发明的超体素分割方法能够广泛应用于人体不同目标的分割，辅助各医疗领域的诊断。
本领域技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种医学图像超体素分割方法，其特征在于，包括以下步骤：
步骤1：基于DICOM文件获取待分割组织结构的三维体数据和所述体数据中每个体素的密度值；
步骤2：将所述三维体数据预分割为多个正方体，初始化种子点；
步骤3：定义基于密度-位置约束的测地距离，用于衡量体素之间的相似性；
步骤4：根据所述基于密度-位置约束的测地距离，采用快速行进法确定所有体素的分类标签，完成所述三维体数据的分割。
2.如权利要求1所述的一种医学图像超体素分割方法，其特征在于，所述步骤1包括：
步骤1.1：读取一组DICOM文件并进行格式转换，获取各切片对应的位图文件；
步骤1.2：基于所述位图文件重建三维体数据，并提取所述三维体数据中每个体素的密度值。
3.如权利要求1所述的一种医学图像超体素分割方法，其特征在于，所述步骤2包括：
步骤2.1：将三维体数据均匀划分为k个同样大小的正方体；
步骤2.2：将每个正方体中梯度最小的体素初始化为种子点。
4.如权利要求3所述的一种医学图像超体素分割方法，其特征在于，体素的梯度通过体素在三个平面上的梯度叠加得到；其中，每个平面的梯度是所述平面上四个方向梯度值的绝对值之和。
5.如权利要求1所述的一种医学图像超体素分割方法，其特征在于，所述步骤3中基于密度-位置约束的测地距离定义如下：
<mrow> <mi>D</mi> <mi>L</mi> <mi>D</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>p</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mo>{</mo> <msubsup> <mo>&amp;Integral;</mo> <mn>0</mn> <mn>1</mn> </msubsup> <mi>R</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>q</mi> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mo>|</mo> <mo>|</mo> <mover> <mi>q</mi> <mo>&amp;CenterDot;</mo> </mover> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>|</mo> <mi>d</mi> <mi>t</mi> <mo>}</mo> </mrow>
其中，R(si,q(t))是一个密度-位置约束函数，用来衡量路径q在t处的体素点与种子点si的相似性；R(si,q(t))的定义如下：
R(si,q(t))＝exp(Gra(si,q(t))/u)
<mrow> <mi>G</mi> <mi>r</mi> <mi>a</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>q</mi> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <msqrt> <mrow> <msub> <msup> <mi>G</mi> <mn>2</mn> </msup> <mrow> <mi>x</mi> <mi>o</mi> <mi>y</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>q</mi> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>+</mo> <msub> <msup> <mi>G</mi> <mn>2</mn> </msup> <mrow> <mi>y</mi> <mi>o</mi> <mi>z</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>q</mi> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>+</mo> <msub> <msup> <mi>G</mi> <mn>2</mn> </msup> <mrow> <mi>x</mi> <mi>o</mi> <mi>z</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>q</mi> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> </mrow> </msqrt> </mrow>
<mrow> <mi>u</mi> <mo>=</mo> <msub> <mi>u</mi> <mi>min</mi> </msub> <mo>+</mo> <mfrac> <mrow> <mi>&amp;Delta;</mi> <mi>u</mi> </mrow> <mrow> <mi>&amp;Delta;</mi> <mi>P</mi> </mrow> </mfrac> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>-</mo> <mi>P</mi> <mo>(</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>)</mo> <mo>)</mo> </mrow> </mrow>
其中，Gra(si,q(t))是梯度函数，用于描述si和q(t)的密度值差异；Gxoy(si,q(t))，Gyoz(si,q(t))，Gxoz(si,q(t))分别为路径q在t处的体素点在xoy，yoz，xoz面上的梯度；u是一个影响参数，umin＝0.05，umax＝0.15，△u＝umax-umin；P(vi)表示像素vi相对于边缘的距离分布函数，△p表示P(vi)最大值与最小值之差。
6.如权利要求5所述的一种医学图像超体素分割方法，其特征在于，
P(vi)＝exp(-kd2(vi))
其中，d(vi)表示像素点vi到最近边缘的距离，k是一个正参数。
7.如权利要求6所述的一种医学图像超体素分割方法，其特征在于，
所述边缘是通过对所述体数据的每个切片图像进行Canny边缘检测得到的。
8.如权利要求1所述的一种医学图像超体素分割方法，其特征在于，所述步骤4包括：
步骤4.1：初始化所有体素的初始基于密度-位置约束的测地距离、初始状态和分类标签，其中，种子点的初始状态为candidate，初始基于密度-位置约束的测地距离为0，其他体素点的初始状态为unvisited，初始基于密度-位置约束的测地距离为∞；并且初始化两个最小堆H_open和H_changed，将分类标签为k的种子点保存在H_open中，H_changed为空。
步骤4.2：重复执行以下步骤直到两个最小堆均为空：
首先判断H_changed是否为空，若不为空，则从中取出一个体素点pk并更新其状态为achieved；
若H_open不为Empty且H_changed为空，从H_open中取出一个体素点pk并更新其状态为achieved；
针对上述取出的pk，分别计算x、y、z三个方向上六个邻域体素点的梯度和基于密度-位置约束的测地距离：
如果邻域pi当前状态为unvisited，将状态更新为candidate，并更新分类标签为k，同是将pi存入最小堆H_open中；
如果邻域pi当前状态为candidate且则更新测地距离为DLDi，并更新分类标签为k；
否则，如果邻域pi当前状态为achieved且则更新测地距离为DLDi，并更新分类标签为k，同时将pi存入最小堆H_changed中；
步骤4.3：重复执行步骤4.2至预设次数。
9.一种计算机装置，用于医学图像的超体素分割，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤，包括：
基于DICOM文件获取待分割组织结构的三维体数据和所述体数据中每个体素的密度值；
将所述三维体数据预分割为多个正方体，初始化种子点；
定义基于密度-位置约束的测地距离，用于衡量体素之间的相似性；
根据所述基于密度-位置约束的测地距离，采用快速行进法确定所有体素的分类标签，完成所述三维体数据的分割。
10.一种计算机可读存储介质，其上存储有用于医学图像超体素分割的计算机程序，其特征在于，该程序被处理器执行时实现以下步骤：
基于DICOM文件获取待分割组织结构的三维体数据和所述体数据中每个体素的密度值；
将所述三维体数据预分割为多个正方体，初始化种子点；
定义基于密度-位置约束的测地距离，用于衡量体素之间的相似性；
根据所述基于密度-位置约束的测地距离，采用快速行进法确定所有体素的分类标签，完成所述三维体数据的分割。
CN201710743094.5A 2017-08-25 2017-08-25 医学图像超体素分割方法和装置 Active CN107516314B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710743094.5A CN107516314B (zh) 2017-08-25 2017-08-25 医学图像超体素分割方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710743094.5A CN107516314B (zh) 2017-08-25 2017-08-25 医学图像超体素分割方法和装置

Publications (2)

Publication Number Publication Date
CN107516314A true CN107516314A (zh) 2017-12-26
CN107516314B CN107516314B (zh) 2020-03-27

Family

ID=60724256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710743094.5A Active CN107516314B (zh) 2017-08-25 2017-08-25 医学图像超体素分割方法和装置

Country Status (1)

Country Link
CN (1) CN107516314B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110335281A (zh) * 2018-03-28 2019-10-15 北京连心医疗科技有限公司 一种肿瘤边界确定方法、设备和存储介质
CN110689960A (zh) * 2019-09-24 2020-01-14 广州大学 一种乳腺癌的智能判别方法、装置、设备及存储介质
CN111104641A (zh) * 2019-12-10 2020-05-05 重庆大学 一种三维空间内的计算机识别晶粒方法
CN114782472A (zh) * 2022-06-22 2022-07-22 杭州三坛医疗科技有限公司 一种ct图像的分割方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809723A (zh) * 2015-04-13 2015-07-29 北京工业大学 基于超体素和图割算法的三维肝脏ct图像自动分割方法
CN105719295A (zh) * 2016-01-21 2016-06-29 浙江大学 一种基于三维超体素的颅内出血区域分割方法及系统
CN106919950A (zh) * 2017-01-22 2017-07-04 山东大学 概率密度加权测地距离的脑部mr图像分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809723A (zh) * 2015-04-13 2015-07-29 北京工业大学 基于超体素和图割算法的三维肝脏ct图像自动分割方法
CN105719295A (zh) * 2016-01-21 2016-06-29 浙江大学 一种基于三维超体素的颅内出血区域分割方法及系统
CN106919950A (zh) * 2017-01-22 2017-07-04 山东大学 概率密度加权测地距离的脑部mr图像分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JEREMIE PAPON ET AL.: "Voxel Cloud Connectivity Segmentation - Supervoxels for Point Clouds", 《2013 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
MARTIN TAMAJKA ET AL.: "Automatic Brain Segmentation Method based on Supervoxels", 《THE 23RD INTERNATIONAL CONFERENCE ON SYSTEMS,SIGNALS AND IMAGE PROCESSING》 *
潘晓: "图像中的超像素生成方法", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110335281A (zh) * 2018-03-28 2019-10-15 北京连心医疗科技有限公司 一种肿瘤边界确定方法、设备和存储介质
CN110689960A (zh) * 2019-09-24 2020-01-14 广州大学 一种乳腺癌的智能判别方法、装置、设备及存储介质
CN111104641A (zh) * 2019-12-10 2020-05-05 重庆大学 一种三维空间内的计算机识别晶粒方法
CN114782472A (zh) * 2022-06-22 2022-07-22 杭州三坛医疗科技有限公司 一种ct图像的分割方法及装置
CN114782472B (zh) * 2022-06-22 2022-10-14 杭州三坛医疗科技有限公司 一种ct图像的分割方法及装置

Also Published As

Publication number Publication date
CN107516314B (zh) 2020-03-27

Similar Documents

Publication Publication Date Title
Xu et al. Efficient multiple organ localization in CT image using 3D region proposal network
US6362821B1 (en) Surface model generation for visualizing three-dimensional objects using multiple elastic surface nets
US7773786B2 (en) Method and apparatus for three-dimensional interactive tools for semi-automatic segmentation and editing of image objects
CN110689548A (zh) 一种医学图像分割方法、装置、设备及可读存储介质
CN109035197A (zh) 基于三维卷积神经网络的ct造影图像肾脏肿瘤分割方法及系统
CN107516314A (zh) 医学图像超体素分割方法和装置
CN107808377A (zh) 一种肺叶中病灶的定位方法及装置
CN109272510A (zh) 一种三维医学图像中管状结构的分割方法
CN109410188A (zh) 用于对医学图像进行分割的系统和方法
CN107330888A (zh) 基于cta图像的动态心脏各腔室分割方法
CN104240287B (zh) 一种利用ct图像生成冠脉全景图的方法及系统
CN108682025A (zh) 一种图像配准方法及装置
Zhang et al. GroupRegNet: a groupwise one-shot deep learning-based 4D image registration method
CN107680107A (zh) 一种基于多图谱的扩散张量磁共振图像的自动分割方法
Jin et al. Object recognition in medical images via anatomy-guided deep learning
Baydoun et al. Dixon-based thorax synthetic CT generation using generative adversarial network
CN111445575A (zh) 威利斯环的图像重建方法、装置、电子设备、存储介质
Shi et al. Direct cortical mapping via solving partial differential equations on implicit surfaces
CN111127488A (zh) 一种基于统计形状模型自动构建患者解剖结构模型的方法
WO2011041475A1 (en) Medical image analysis system using n-way belief propagation for anatomical images subject to deformation and related methods
BR112020014201A2 (pt) sistema e método de segmentação automática de uma imagem médica 3d por uma ou várias redes neurais através de convolução estruturada de acordo com a geometria anatômica da imagem médica 3d
Markel et al. A 4D biomechanical lung phantom for joint segmentation/registration evaluation
Staib et al. Intermodality 3D medical image registration with global search
Lafitte et al. Accelerating multi-modal image registration using a supervoxel-based variational framework
Wang et al. Automated labeling of the airway tree in terms of lobes based on deep learning of bifurcation point detection

Legal Events

Date Code Title Description
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
TR01 Transfer of patent right

Effective date of registration: 20220330

Address after: 250098 room 2101, building 3, Aosheng building, Xinluo street, Jinan area, China (Shandong) pilot Free Trade Zone, Jinan City, Shandong Province

Patentee after: Weishi medical information technology (Shandong) Co.,Ltd.

Address before: 250061 Ji'nan City, Shandong Province, No. ten, No. 17923

Patentee before: SHANDONG University

TR01 Transfer of patent right