CN107545579B - 一种心脏分割方法、设备和存储介质 - Google Patents
一种心脏分割方法、设备和存储介质 Download PDFInfo
- Publication number
- CN107545579B CN107545579B CN201710763551.7A CN201710763551A CN107545579B CN 107545579 B CN107545579 B CN 107545579B CN 201710763551 A CN201710763551 A CN 201710763551A CN 107545579 B CN107545579 B CN 107545579B
- Authority
- CN
- China
- Prior art keywords
- image
- heart
- segmentation
- layer image
- cardiac
- 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
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明实施例公开了一种心脏分割方法、设备和存储介质,涉及医学图像处理技术领域。该方法包括:获取医学图像序列,所述医学图像序列中包含心脏区域对应的部分;在所述医学图像序列中确定参考层图像,并对所述参考层图像进行心脏分割;根据所述参考层图像的心脏分割结果,确定包含心脏边界的窄带区域;在所述窄带区域内应用图割算法,对所述医学图像序列逐层进行心脏分割。本发明实施例提供的一种心脏分割方法、设备和存储介质,实现了对心脏的准确快速的分割。
Description
技术领域
本发明实施例涉及医学图像处理技术领域,尤其涉及一种心脏分割方法、设备和存储介质。
背景技术
当前心血管疾病是全世界死亡率最高的疾病,并且发病率和死亡率逐年上升,严重威胁着人类的生命健康。因此,对心血管疾病进行定量辅助诊断和介入治疗,对改善人类健康状况具有重要意义。心脏是人体心血管系统的关键器官,现代医学成像技术能够提供丰富的结构和功能信息,其中CT(Computed Tomography,电子计算机断层扫描)成像速度快、分辨率高、信息量多,是做心脏检查的重要手段。基于CT图像对心脏区域的分割在心血管疾病的诊疗上具有重要的作用。尤其是,对于心脏手术导航、介入治疗指导、计算机辅助诊断等应用常常需要获得整体心脏结构。
目前,心脏分割的常用方法包括:基于模型匹配的方法和基于机器学习的方法。其中,基于模型匹配的方法通过自适应形状匹配实现一组CT图像序列与心脏平均模型进行匹配,从而完成对心脏的分割;基于机器学习的方法是,通过利用预先根据大量心脏特征训练完成的心脏分类器,实现对心脏的分割。
然而,心脏的复杂结构使得心脏的不同部位具有不同的特征,因此仅利用统一的心脏模板进行匹配分割的准确率较低。并且,基于机器学习的方法,要想实现对心脏较好的分割,就需要提取大量心脏特征以实现对心脏分类器的训练,从而导致耗时较长。鉴于此,有必要对现有心脏图像分割方法进行改进。
发明内容
本发明提供一种心脏分割方法、设备和存储介质,以实现对心脏的准确快速的分割。
第一方面,本发明实施例提供了一种心脏分割方法,该方法包括:
获取医学图像序列,所述医学图像序列中包含心脏区域对应的部分;
在所述医学图像序列中确定参考层图像,并对所述参考层图像进行心脏分割;
根据所述参考层图像的心脏分割结果,确定包含心脏边界的窄带区域;
在所述窄带区域内应用图割算法,对所述医学图像序列逐层进行心脏分割。
进一步的,根据所述参考层图像的心脏分割结果,确定包含心脏边界的窄带区域,包括:
将所述参考层图像的心脏分割结果进行二维膨胀,并提取膨胀后区域的外边缘;
将所述参考层图像的心脏分割结果进行二维腐蚀,并提取腐蚀后区域的内边缘;
根据所述外边缘和内边缘,确定所述窄带区域。
进一步的,在所述窄带区域应用图割算法对所述医学图像序列逐层进行心脏分割,包括:
将与所述参考层图像相邻的图像层作为当前层图像;
基于梯度提取所述当前层图像的边界作为第一边缘图像;
将在所述第一边缘图像中与所述窄带区域对应的图像区域,通过图割算法确定一条最优闭合曲线,然后根据所述最优闭合曲线对所述当前层图像进行心脏分割;
将所述当前层图像作为前一层图像,将与所述当前层图像相邻且未进行心脏分割的图像作为当前层图像,返回继续对当前层图像进行心脏分割,直至完成对所述心脏区域的分割。
进一步的,在将在所述第一边缘图像中与所述窄带区域对应的图像区域,通过图割算法确定一条最优闭合曲线之前,还包括:
调整所述第一边缘图像的梯度值,以屏蔽心脏周围组织边缘的干扰。
进一步的,在基于梯度提取所述当前图像的边界作为第一边缘图像之前,还包括:
根据所述前一层图像的心脏分割结果,确定心脏区域,并对所述当前层图像中的与所述心脏区域对应的区域进行灰度值设置,以减少心脏内部区域的对比度。
进一步的,所述在所述医学图像序列中确定参考层图像,并对所述参考层图像进行心脏分割包括:
在所述医学图像序列中确定所述心脏区域对应的起始层图像和终止层图像;
根据所述起始层图像和终止层图像在所述医学图像序列中确定参考层图像;
根据肺和心脏主动脉的图像特征,在所述参考层图像中确定肺和心脏主动脉,其中所述图像特征至少包括灰度特征;
根据心脏与所述肺和所述心脏主动脉的相对位置关系,对所述参考层图像进行心脏分割。
进一步的,所述在所述窄带区域应用图割算法,对所述医学图像序列逐层进行心脏分割包括:
根据所述参考层图像的心脏分割结果确定肝出现层图像;
从所述医学图像序列提取第一组心脏图像序列和第二组心脏图像序列,所述第一组心脏图像序列为从所述起始层图像开始至所述肝出现层图像之间的图像序列,所述第二组心脏图像序列为从所述肝出现层图像开始至所述终止层图像之间的图像序列;
结合心脏不同部分的图像特征,根据所述窄带区域应用图割算法分别对所述第一组心脏图像序列和第二组心脏图像序列逐层进行心脏分割。
进一步的,所述结合心脏不同部分的图像特征,在所述窄带区域应用图割算法对第二组心脏图像序列逐层进行心脏分割包括:
根据所述肝出现层图像的心脏分割结果,确定胃出现层图像;
将所述第二组心脏图像序列划分为第三组心脏图像序列和第四心脏图像序列,所述第三组心脏图像序列是从所述肝出现层图像开始至所述胃出现层图像之间的图像序列,所述第四心脏图像序列是从所述胃出现层图像开始至所述终止层图像之间的图像序列;
若所述医学图像序列中位于所述肝出现层图像与所述胃出现层图像之间的图像层数大于设定层数,则结合所述第三组心脏图像序列和所述第四心脏图像序列的图像特征,根据所述窄带区域应用图割算法分别对所述第三组心脏图像序列和所述第四心脏图像序列进行心脏分割。
第二方面,本发明实施例还提供了一种设备,所述设备包括:
一个或多个处理器;
至少一个显示器,用于显示对所述医学图像序列的心脏分割结果;
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,使得所述一个或多个处理器实现如权利要求1-8中任一所述的心脏分割方法。
第三方面,本发明实施例还提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-8中任一所述的心脏分割方法。
本发明实施例通过根据包含心脏边界的窄带区域,利用图割算法实现心脏的分割。其中,窄带区域的应用缩小了心脏的查找范围,从而节省了查找心脏的时间。同时本发明利用图割算法自适应的找到心脏的边缘实现对心脏的分割方法,可以实现对存在一定差异的不同心脏的准确分割。因此,本发明与现有技术相比提高了心脏分割的效率。
附图说明
图1是本发明实施例一提供的一种心脏分割方法的流程图;
图2是本发明实施例一获取的窄带区域的示意图;
图3是本发明实施例二提供的一种心脏分割方法的流程图;
图4是本实施例二中肝出现层的心脏冠状面示意图;
图5是本实施例二中胃出现层的心脏冠状面示意图;
图6为本发明实施例三提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种心脏分割方法的流程图。本实施例可适用于对医学图像序列进行心脏分割的情况。该方法可以由心脏分割装置来执行,该装置可以由软件和/或硬件的方式实现,可选的,该装置可以配置于CT、磁共振扫描(MagneticResonance,MR)、超声(Ultrasound)或者X光(X-ray)成像设备中。参见图1,本实施例提供的心脏分割方法包括:
S110、获取医学图像序列,所述医学图像序列中包含心脏区域对应的部分。
其中,医学图像序列可以通过计算机断层扫描获得,也可以通过核磁共振成像获得,可以是通过计算机断层扫描获得,也可以通过超声成像扫描获得,还可以通过X光照射获得。可选地,医学图像序列可以是一系列的2D切片图像数据,也可以是多个3D图像数据。
S120、在所述医学图像序列中确定参考层图像,并对所述参考层图像进行心脏分割。
其中,所述参考层图像可以是所述医学图像序列中包含心脏区域的任一图像层。
示例性的,以所述医学图像序列为三维CT图像序列为例,对所述参考层图像的确定方法可以描述如下:
首先,确定所述心脏的起始层图像和心脏的终止层图像,具体描述如下:
获取一系列模板图像(心脏横断面图像序列),并在模板图像中沿人体身高方向(Z轴方向)统计模板图像的每层图像中灰度值在预设灰度范围内的像素个数,生成沿Z轴方向的直方图曲线模板,其中预设灰度范围根据心脏灰度特征确定;
并根据心脏的起始位置和终止位置的图像特征,在生成的直方图曲线模板中设置心脏起始位置标识和终止位置标识;
将待分割的三维CT图像序列沿Z轴方向统计每层图像中灰度值在预设灰度范围内的像素个数,生成直方图;
将所述直方图与根据上述包含心脏起始位置标识和终止位置标识的直方图曲线模板进行配准,确定心脏的起始层图像和心脏的终止层图像。
其中,预设灰度范围可以根据实际需要进行设定,典型的预设灰度范围可以是[150,400]。
为生成统一间隔的直方图曲线模板,可以对上述直方图曲线模板进行插值处理。
为生成多个直方图曲线模板,可以在保持上述直方图曲线模板的高度的前提下,对上述直方图曲线模板进行设定缩放比例的缩放,其中,设定缩放比例可以根据实际需要进行设定,为避免直方图曲线模板对心脏的表示偏离实际,优选的可以设置为[0.8,1.2]之间的任一比例。
然后,可以将心脏的起始层图像和心脏的终止层图像之间的任一图像层作为参考层图像。
具体的,根据设定规则从心脏的起始层图像和终止层图像之间确定一图像层作为参考层图像,例如,将位于心脏的起始层图像和终止层图像中间位置的图像层作为参考层图像。
优选的,确定心脏的起始层图像和终止层图像的层数的加权平均;将该加权平均值所对应的层数的图像层作为参考层图像。例如,参考层图像的层数可以等于(2/3*M1+1/3*M2),其中M1是心脏的起始层图像的层数,M2是心脏的终止层图像的层数。
可选的,可以利用基于模型匹配的方法对所述参考层图像进行心脏分割,还可以基于机器学习的方法对所述参考层图像进行心脏分割,本实施例对此并不进行任何限制。
为提高心脏分割效率,可以利用如下方式实现对所述参考层图像中心脏的分割:根据肺和心脏主动脉的图像特征,在所述参考层图像中确定肺和心脏主动脉,其中所述图像特征至少包括灰度特征;根据心脏与所述肺和所述心脏主动脉的相对位置关系,对所述参考层图像进行心脏分割。
其中,图像特征可以包括位置特征、结构特征和灰度特征。需要说明的是,本实施例所提的灰度值可以由CT图像对应像素点的CT值确定,或直接将对应像素点的CT值确定为该像素点的灰度值。
S130、根据所述参考层图像的心脏分割结果,确定包含心脏边界的窄带区域。
其中,参见图2窄带区域101也可以称为心脏边界的轮廓或初始轮廓。可选的,窄带区域101的分割可以基于LR-AC模型(localizing region-based active contours);窄带区域101的分割也可以基于NBR-AC模型(narrow band region-based active contours);窄带区域101的分割还可采用基于局部近似符号距离函数的局部分割方法,如FTC(fasttwo-cycle)算法或SB-GFRLS(selective binary and Gaussian filter regularizedlevel set)算法等。本实施例对此并不进行任何限制。
可选的,根据所述参考层图像的心脏分割结果,确定包含心脏边界的窄带区域,可以包括:
将所述参考层图像的心脏分割结果进行二维膨胀,并提取膨胀后区域的外边缘;
将所述参考层图像的心脏分割结果进行二维腐蚀,并提取腐蚀后区域的内边缘;
根据所述外边缘和内边缘,确定所述窄带区域。
典型的,可以采用半径为设定半径的圆对所述前一层图像的心脏分割结果进行二维腐蚀和二维膨胀操作。其中,设定半径可以根据需要设定,本实施例中设定半径是3。
具体的,可通过二值水平集进行形态学膨胀和腐蚀操作来确定心脏边界的窄带区域,包括如下步骤:可首先对待处理的医学图像进行预处理;将初始轮廓置于待分割目标偶的内部,并将其初始化为二值水平集函数;用给定大小的结构元素对水平集函数进行形态学膨胀和腐蚀运算以构建窄带;更新速度函数;对于窄带内的每一点,用给定的速度函数进行迭代更新,以进化水平集函数;根据水平集函数得到曲线,并用形态学闭运算平滑曲线;重复构建窄带,直至算法收敛。
S140、根据所述窄带区域应用图割算法,对所述医学图像序列逐层进行心脏分割。
可选的,可以对上述包含心脏对应区域的每一层图像中对应所述窄带区域的图像区域,应用图割算法确定窄带区域内心脏边界,然后根据心脏边界对心脏分割。
在本实施例中,应用图割算法确定窄带区域内心脏的边界的方法可以描述如下:将上述窄带区域的图像作为待处理图像,视为无向图G(V,E),其中V和E分别是顶点(vertex)和边(edge)的集合;同时将窄带区域中的心脏区域作为目标对象,非心脏区域作为背景。
cut(A,B)=∑μ∈A,v∈Bω(μ,v),
其中,ω(μ,v)可以理解为待处理图像中像素点属于A或B的权值。如果一个割,它的所有权值之和最小,那么这个就称为最小割,也就是图割的结果。最小化图割一般通过最小化能量函数得到。
具体的,令E(A)表示向量A的能量函数,具体表示对于向量A的边缘和区域特性的软约束:
E(A)=λ×R(A)+B(A)
其中,A=(A1,···,Ai,···,An)为一个二值向量,n为待处理图像中的顶点总数,n≥1;Ai为待处理图像中的任一点,该点可能是背景点,也可能是目标对象的点;i表示序号,1≤i≤n。R(A)为区域项(regional term),B(A)为边界项(boundary term),系数λ就是区域项和边界项之间的重要因子,进一步地,
其中,Ri(Ai)表示为像素i分配标签Ai的惩罚,也就是像素i属于标签Ai的概率。因为希望像素i分配为其概率最大的标签,这时候能量最小,所以一般取概率的负对数值,故:
R("obj")=-lnpr(Ii|"obj")
R("bkg")=-lnpr(Ii|"bkg")
由上面两个公式可以看到,当像素i的灰度值属于目标对象的概率pr(Ii|"obj")大于背景pr(Ii|"bkg"),那么R("obj")就小于R("bkg"),也就是说当像素i更有可能属于目标对象时,将i归类为目标对象就会使R(A)最小。那么,如果全部的像素都被正确划分为目标对象的点或者背景点,那么这时候能量就是最小的。其中“obj”表示目标对象的点,具体为心脏图像的点;“bkg”表示背景点,具体为非心脏图像的点。
其中,i和h为邻域像素,B(i,h)可以理解为像素i和h之间不连续的惩罚,一般来说如果i和h越相似(例如它们的灰度),那么B(i,h)越大,如果i和h非常不同,那么B(i,h)就接近于0。换句话说,如果两邻域像素差别很小,那么它属于同一个目标或者同一背景的可能性就很大,如果他们的差别很大,那说明这两个像素很有可能处于目标和背景的边缘部分,则被分割开的可能性比较大,所以当两邻域像素差别越大,B(A)越小,即能量也越小。
为提高应用图割算法确定窄带区域内心脏边界的准确率,典型的,根据所述窄带区域利用图割算法对所述医学图像序列逐层进行心脏分割,以与参考层图像的相邻层图像为例说明,可以包括如下步骤:
将所述参考层图像作为前一层图像,将与所述参考层图像相邻的图像层作为当前层图像;
基于梯度提取所述当前层图像的边界作为第一边缘图像;
将在所述第一边缘图像中与所述窄带区域对应的图像区域,通过图割算法确定一条最优闭合曲线,然后根据所述最优闭合曲线对所述当前层图像进行心脏分割。
对于其他层图像,继续将所述当前层图像作为前一层图像,将与所述当前层图像相邻且未进行心脏分割的图像作为当前层图像,返回继续对当前层图像进行心脏分割,直至完成对所述心脏对应区域的分割。需要说明的是,本发明中的图像层可指横断面上的二维切片,如前所述的参考层图像、当前层图像都指横断面上的二维切片。
其中,该最优闭合曲线即为心脏的边界,曲线内的是目标图像,曲线外的是背景图像。填充曲线内部,得到当前层图像的心脏分割结果。
在本实施例中,基于梯度提取所述当前层图像的边界包括:计算当前图像相邻行的梯度和相邻列的梯度,得到当前图像上每个点的正交梯度的模,即为当前层图像的边界。
本发明实施例的技术方案,通过根据包含心脏边界的窄带区域,利用图割算法实现心脏的分割。其中,窄带区域的应用缩小了心脏的查找范围,从而节省了查找心脏的时间。同时本发明利用图割算法找到心脏边缘实现对心脏的分割方法,可以实现对存在一定差异的不同心脏的准确分割。因此,本发明与现有技术相比提高了心脏分割的效率。
为进一步提高利用图割算法对心脏分割的准确率,在将在所述第一边缘图像中与所述窄带区域对应的图像区域,通过图割算法确定一条最优闭合曲线之前,还包括:
调整所述第一边缘图像的梯度值,以屏蔽心脏周围组织边缘的干扰。
具体的,调整所述第一边缘图像的梯度值,以屏蔽心脏周围组织边缘的干扰,包括:
根据肺的灰度特征,将所述第一边缘图像中肺内区域的梯度值设置为1,以屏蔽肺内部边缘的干扰;
提高所述第一边缘图像的梯度值,得到第二边缘图像根据所述第二边缘图像,确定肺和心脏的边缘区域,然后将所述第一边缘图像中肺和心脏的边缘区域的梯度值设置为0,作为感兴趣区域;
根据所述前一层图像的心脏分割结果,确定脊椎和肋骨区域,然后将所述第一边缘中脊椎和肋骨区域的梯度值设置为1,以屏蔽脊椎和肋骨区域的干扰;
根据所述前一层图像的心脏分割结果,确定心脏与前胸的胸壁之间的区域,然后将所述第一边缘图像中心脏与前胸的胸壁之间的区域对应的梯度值降低至原来的一半,以降低对心脏分割的干扰。
其中,可以通过对所述第一边缘图像的梯度值乘以设定倍数,以提高所述第一边缘图像的梯度值,得到第二边缘图像。典型的,利用设定指数函数对所述第一边缘图像的梯度值进行处理,以得到梯度值提高的第二边缘图像。例如,该设定指数函数可以是T2=exp(-T1^2/sigma^2),其中T1是上述第一边缘图像,T2是上述第二边缘图像,sigma是设定参数,其值可以根据实际需要进行设定。
典型的,可以将当前层图像中灰度值小于-500的区域确定为所述第一边缘图像中肺内区域;将第二边缘图像中灰度值大于200的区域确定为肺和心脏的边缘区域;将前一层图像的心脏分割结果的最低点以下,且在当前层图像中的灰度值大于0的区域确定为脊椎和肋骨等骨骼区域;将前一层图像的心脏分割结果的最低点以上,且在当前层图像中灰度值在一定灰度范围(例如,灰度范围为[-500,0]),同时在第一边缘图像中剃度值在一定阈值范围(例如,阈值范围为[0.6,0.99])的区域确定为心脏与前胸的胸壁之间的区域。
为排除心脏内血池的边缘带来的影响,在基于梯度提取所述当前图像的边界作为第一边缘图像之前,还可以包括:
根据所述前一层图像的心脏分割结果,确定心脏区域,并对所述当前层图像中的与所述心脏区域对应的区域进行灰度值设置,以减少心脏内部区域的对比度。
例如,首先确定前一层图像中心脏分割结果的最低点的行坐标;然后将当前层图像中在该行坐标所在行以上且灰度值大于第一设定灰度值的像素点赋于第二设定灰度值,因为心脏的灰度值一般均大于100,所以本实施例第一设定灰度值为100,可选的,第二设定灰度值可以为-100。其中,第一设定灰度值和第二设定灰度值可以根据心脏的具体图像特征进行设定。
实施例二
图3是本发明实施例二提供的一种心脏分割方法的流程图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图3,本实施例提供的心脏分割方法,包括:
S210、获取医学图像序列,所述医学图像序列中包含心脏区域对应的部分。
S220、在所述医学图像序列中确定参考层图像,并对所述参考层图像进行心脏分割。
S230、根据所述参考层图像的心脏分割结果,确定所述肝出现层图像。
具体的,根据所述参考层图像的心脏分割结果确定所述肝出现层图像,可以包括:
根据所述参考层图像的心脏分割结果,确定心脏的重心在所述参考层图像中的第一行坐标;
截取所述医学图像序列中层数与所述第一行坐标取值相等的心脏冠状面图像;
根据肺的图像特征,在所述心脏冠状面图像中确定右肺;
根据肝与右肺的相对位置关系,确定所述肝出现层图像。
可以理解的,根据肺的图像特征,在所述心脏冠状面图像中确定右肺的方法有很多,例如根据右肺的形状特征利用右肺的模板进行模板匹配确定右肺;可选的,还可以首先在所述心脏冠状面图像中找到图像上的最小灰度值,然后对所述心脏冠状面图像进行二值化,保留肺部区域;最后在右肺位置区域选取至少一个像素点作为种子点,进行区域生长;根据区域生长结果填充连通域,得到右肺区域。例如,在所述心脏冠状面图像中找到的最小灰度值为m,那么保留灰度值在[m+10,-300]范围内的区域作为肺部区域,生成包含肺部区域的二值图像;根据所述参考层图像的心脏分割结果确定心脏分割结果的最右边的像素点所在的列,记该列的编号为S;计算包含肺部区域的二值图像中第S-5列上像素点的行坐标的平均值,记为R;将像素点(R,S)作为右肺的种子点。
典型的,所述根据肝与右肺的相对位置关系,确定所述肝出现层图像,可以包括:
图4是本实施例二中肝出现层的心脏冠状面示意图。参见图4,在所述心脏10冠状面图像中,从所述右肺21的最高点开始向左遍历右肺21边界点的行坐标,若相邻边界点之间的行坐标的差值大于第一设定差值,则将当前的边界点的行坐标作为肝30在横断面上出现的层数,即所述肝出现层50。其中,第一设定差值根据经验设定,例如可以是5。
S240根据所述肝出现层图像,将所述医学图像序列划分为第一组心脏图像序列和第二组心脏图像序列。
其中,将从所述起始层图像开始至所述肝出现层图像之间的图像序列作为第一组心脏图像序列,将从所述肝出现层图像开始至所述终止层图像之间的图像序列作为第二组心脏图像序列。所述起始层图像和终止层图像的确定见实施例一。
S250、根据所述参考层图像的心脏分割结果,确定所述第一组心脏图像序列中包含心脏边界的窄带区域,并结合心脏不同部分的图像特征,根据所述窄带区域应用图割算法对所述第一组心脏图像序列进行心脏分割。
其中,心脏分割方法可以是上述实施例一中描述的任一种心脏分割方法。
S260、根据所述肝出现层图像的心脏分割结果,确定胃出现层图像,然后根据所述胃出现层图像将所述第二组心脏图像序列划分为第三组心脏图像序列和第四组心脏图像序列。
其中,所述第三组心脏图像序列是从所述肝出现层图像开始至所述胃出现层图像之间的图像序列,所述第四组心脏图像序列是从所述胃出现层图像开始至所述终止层图像之间的图像序列。
具体的,根据所述肝出现层图像的心脏分割结果,确定胃出现层图像,包括:
根据所述肝出现层图像的心脏分割结果,确定心脏的重心在所述肝出现层图像中的第二行坐标;
截取所述医学图像序列中层数与所述第二行坐标取值相等的心脏冠状面图像;
根据肺的图像特征,在所述心脏冠状面图像中确定左肺;
根据胃与左肺的相对位置关系,确定所述胃出现层图像。
图5是本实施例二中胃出现层的心脏冠状面示意图。参见图5,例如,根据所述肝出现层图像的心脏分割结果,确定心脏的重心在所述肝出现层图像中的第二行坐标;截取所述医学图像序列中层数与所述第二行坐标取值相等的心脏冠状面图像;保留该心脏冠状面图像灰度值在[-1000,-500]中的像素点,生成二值图像;对该二值图像填充连通域,然后将连通域面积大于2000,且连通域重心位于图像中心右侧(从观察者的角度确定,若从图像本身的角度,则是左侧)的连通域确定为左肺22;从左肺22的最低点开始向左(同样从观察者的角度确定)遍历左肺22边界点的行坐标,若相邻边界点之间的行坐标的差值大于第二设定差值,则将当前的边界点的行坐标作为胃40在横断面上出现的层数,即所述胃出现层60。其中,第二设定差值可以根据经验设定,具体的,可以是10。
S270、若所述医学图像序列中位于所述肝出现层图像与所述胃出现层图像之间的图像层数大于设定层数,则结合所述第三组心脏图像序列和所述第四组心脏图像序列的图像特征,根据所述窄带区域应用图割算法分别对所述第三组心脏图像序列和所述第四组心脏图像序列进行心脏分割。
其中,设定层数可以根据需要设定,在本实施例中该设定层数为10;对所述第三组心脏图像序列和所述第四组心脏图像序列进行心脏分割的方法可以是上述实施例一中描述的任一种心脏分割方法。
本发明实施例的技术方案,通过利用肝出现层图像和胃出现层图像将心脏划分为多个部分,然后针对不同部分的图像特征,实现对心脏的分割。从而提高了心脏分割的准确率。
实施例三
图6为本发明实施例三提供的一种设备的结构示意图,如图6所示,该设备包括处理器70、存储器71、输入装置72和输出装置73;设备中处理器70的数量可以是一个或多个,图6中以一个处理器70为例;设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接,图6中以通过总线连接为例。输出装置73至少包括显示器,用于显示对所述医学图像序列的心脏分割结果。
存储器71作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的心脏分割方法对应的程序指令/模块。处理器70通过运行存储在存储器71中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的心脏分割方法,该方法可以包括:获取医学图像序列,所述医学图像序列中包含心脏区域对应的部分;
在所述医学图像序列中确定参考层图像,并对所述参考层图像进行心脏分割;
根据所述参考层图像的心脏分割结果,确定包含心脏边界的窄带区域;
在所述窄带区域应用图割算法,对所述医学图像序列逐层进行心脏分割。
存储器71可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器71可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器71可进一步包括相对于处理器70远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置72可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种心脏分割方法,该方法包括:
获取医学图像序列,所述医学图像序列中包含心脏对应的区域;
在所述医学图像序列中确定参考层图像,并对所述参考层图像进行心脏分割;
根据所述参考层图像的心脏分割结果,确定包含心脏边界的窄带区域;
在所述窄带区域内利用图割算法对所述医学图像序列中包含心脏对应区域的每一层图像进行心脏分割。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的心脏分割方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种心脏分割方法,其特征在于,包括:
获取医学图像序列,所述医学图像序列中包含心脏区域对应的部分;
在所述医学图像序列中确定参考层图像,并对所述参考层图像进行心脏分割;
根据所述参考层图像的心脏分割结果,确定包含心脏边界的窄带区域;
在所述窄带区域内应用图割算法,对所述医学图像序列逐层进行心脏分割;
其中,所述对所述参考层图像进行心脏分割包括:
根据肺和心脏主动脉的图像特征,在所述参考层图像中确定肺和心脏主动脉,其中所述图像特征包括位置特征、结构特征和灰度特征;
根据心脏与所述肺的相对位置关系、心脏与所述心脏主动脉的相对位置关系,对所述参考层图像进行心脏分割。
2.根据权利要求1所述的方法,其特征在于,根据所述参考层图像的心脏分割结果,确定包含心脏边界的窄带区域,包括:
将所述参考层图像的心脏分割结果进行二维膨胀,并提取膨胀后区域的外边缘;
将所述参考层图像的心脏分割结果进行二维腐蚀,并提取腐蚀后区域的内边缘;
根据所述外边缘和内边缘,确定所述窄带区域。
3.根据权利要求1所述的方法,其特征在于,在所述窄带区域应用图割算法对所述医学图像序列逐层进行心脏分割,包括:
将与所述参考层图像相邻的图像层作为当前层图像;
基于梯度提取所述当前层图像的边界作为第一边缘图像;
将在所述第一边缘图像中与所述窄带区域对应的图像区域,通过图割算法确定一条最优闭合曲线,然后根据所述最优闭合曲线对所述当前层图像进行心脏分割;
将所述当前层图像作为前一层图像,将与所述当前层图像相邻且未进行心脏分割的图像作为当前层图像,返回继续对当前层图像进行心脏分割,直至完成对所述心脏区域的分割。
4.根据权利要求3所述的方法,其特征在于,在将在所述第一边缘图像中与所述窄带区域对应的图像区域,通过图割算法确定一条最优闭合曲线之前,还包括:
调整所述第一边缘图像的梯度值,以屏蔽心脏周围组织边缘的干扰。
5.根据权利要求3所述的方法,其特征在于,在基于梯度提取所述当前层图像的边界作为第一边缘图像之前,还包括:
根据所述前一层图像的心脏分割结果,确定心脏区域,并对所述当前层图像中的与所述心脏区域对应的区域进行灰度值设置,以减少心脏内部区域的对比度。
6.根据权利要求1所述的方法,其特征在于,所述在所述医学图像序列中确定参考层图像包括:
在所述医学图像序列中确定所述心脏区域对应的起始层图像和终止层图像;
根据所述起始层图像和终止层图像在所述医学图像序列中确定参考层图像。
7.根据权利要求6所述的方法,其特征在于,在所述窄带区域内应用图割算法,对所述医学图像序列逐层进行心脏分割包括:
根据所述参考层图像的心脏分割结果确定肝出现层图像;
从所述医学图像序列提取第一组心脏图像序列和第二组心脏图像序列,所述第一组心脏图像序列为从所述起始层图像开始至所述肝出现层图像之间的图像序列,所述第二组心脏图像序列为从所述肝出现层图像开始至所述终止层图像之间的图像序列;
结合心脏不同部分的图像特征,在所述窄带区域应用图割算法分别对所述第一组心脏图像序列和第二组心脏图像序列逐层进行心脏分割。
8.根据权利要求7所述的方法,其特征在于,所述结合心脏不同部分的图像特征,在所述窄带区域应用图割算法对第二组心脏图像序列逐层进行心脏分割包括:
根据所述肝出现层图像的心脏分割结果,确定胃出现层图像;
将所述第二组心脏图像序列划分为第三组心脏图像序列和第四组心脏图像序列,所述第三组心脏图像序列是从所述肝出现层图像开始至所述胃出现层图像之间的图像序列,所述第四组心脏图像序列是从所述胃出现层图像开始至所述终止层图像之间的图像序列;
若所述医学图像序列中位于所述肝出现层图像与所述胃出现层图像之间的图像层数大于设定层数,则结合所述第三组心脏图像序列和所述第四组心脏图像序列的图像特征,根据所述窄带区域应用图割算法分别对所述第三组心脏图像序列和所述第四心脏图像序列进行心脏分割。
9.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
至少一个显示器,用于显示对所述医学图像序列的心脏分割结果;
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,使得所述一个或多个处理器实现如权利要求1-8中任一所述的心脏分割方法。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一所述的心脏分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710763551.7A CN107545579B (zh) | 2017-08-30 | 2017-08-30 | 一种心脏分割方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710763551.7A CN107545579B (zh) | 2017-08-30 | 2017-08-30 | 一种心脏分割方法、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107545579A CN107545579A (zh) | 2018-01-05 |
CN107545579B true CN107545579B (zh) | 2021-04-30 |
Family
ID=60958248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710763551.7A Active CN107545579B (zh) | 2017-08-30 | 2017-08-30 | 一种心脏分割方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107545579B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596935A (zh) * | 2018-04-24 | 2018-09-28 | 安徽锐捷信息科技有限公司 | 一种磁共振图像的分割方法及装置 |
CN109146899A (zh) * | 2018-08-28 | 2019-01-04 | 众安信息技术服务有限公司 | Ct图像的危及器官分割方法及装置 |
CN109118489B (zh) * | 2018-09-29 | 2020-12-11 | 数坤(北京)网络科技有限公司 | 一种冠状动脉位置检测方法及系统 |
CN109740602B (zh) * | 2019-01-10 | 2023-06-30 | 上海联影医疗科技股份有限公司 | 肺动脉期血管提取方法及系统 |
CN110378868B (zh) * | 2019-05-29 | 2021-04-20 | 心医国际数字医疗系统(大连)有限公司 | 基于ct序列的心包分割方法及从心包序列中心层切片粗略定位心包区域的方法 |
CN110992310A (zh) * | 2019-11-09 | 2020-04-10 | 杭州依图医疗技术有限公司 | 一种确定纵隔淋巴结所在分区的方法及装置 |
CN111539926B (zh) * | 2020-04-20 | 2024-04-26 | 京东方科技集团股份有限公司 | 一种图像检测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639935A (zh) * | 2009-09-07 | 2010-02-03 | 南京理工大学 | 基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法 |
CN103824274A (zh) * | 2012-11-16 | 2014-05-28 | 山东大学(威海) | 可应用于具有复杂背景的灰度不均匀图像的局部分割方法 |
CN105279759A (zh) * | 2015-10-23 | 2016-01-27 | 浙江工业大学 | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 |
-
2017
- 2017-08-30 CN CN201710763551.7A patent/CN107545579B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639935A (zh) * | 2009-09-07 | 2010-02-03 | 南京理工大学 | 基于几何活动轮廓目标跟踪的数字人连续切片图像分割方法 |
CN103824274A (zh) * | 2012-11-16 | 2014-05-28 | 山东大学(威海) | 可应用于具有复杂背景的灰度不均匀图像的局部分割方法 |
CN105279759A (zh) * | 2015-10-23 | 2016-01-27 | 浙江工业大学 | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107545579A (zh) | 2018-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107545579B (zh) | 一种心脏分割方法、设备和存储介质 | |
CN108022242B (zh) | 处理在成本函数最小化框架中提出的图像分析的系统 | |
CN111528871B (zh) | 用于医学图像中全身骨移除和血管可视化的方法和系统 | |
JP6877868B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
EP1851722B1 (en) | Image processing device and method | |
US8682074B2 (en) | Method for checking the segmentation of a structure in image data | |
CN111105424A (zh) | 淋巴结自动勾画方法及装置 | |
US8724881B2 (en) | Method and system for precise segmentation of the left atrium in C-arm computed tomography volumes | |
US8131076B2 (en) | Editing of pre-segmented images using seeds derived from contours | |
JP6626344B2 (ja) | 画像処理装置、画像処理装置の制御方法およびプログラム | |
JP2017511188A5 (zh) | ||
US9547906B2 (en) | System and method for data driven editing of rib unfolding | |
EP2304648A1 (en) | Medical image segmentation | |
US8050470B2 (en) | Branch extension method for airway segmentation | |
CN111724389B (zh) | 髋关节ct图像分割方法、装置、存储介质和计算机设备 | |
Manniesing et al. | Local speed functions in level set based vessel segmentation | |
KR101625955B1 (ko) | 장기의 동맥 및 정맥의 구분 방법 | |
JP6257949B2 (ja) | 画像処理装置および医用画像診断装置 | |
Mortaheb et al. | Metal artifact reduction and segmentation of dental computerized tomography images using least square support vector machine and mean shift algorithm | |
Ananth | Geo-cutting Liver Tumor | |
Freiman et al. | Vessels-cut: a graph based approach to patient-specific carotid arteries modeling | |
Mistelbauer et al. | Centerline reformations of complex vascular structures | |
Kurugol et al. | Centerline extraction with principal curve tracing to improve 3D level set esophagus segmentation in CT images | |
CN111127408B (zh) | 基于GrowCut的鼻咽癌原发病灶临床靶区自动勾画方法及系统 | |
CN111489434A (zh) | 一种基于三维图割的医学影像三维重建方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |