CN107590808B - 医学图像中的前列腺分割方法 - Google Patents
医学图像中的前列腺分割方法 Download PDFInfo
- Publication number
- CN107590808B CN107590808B CN201610528049.3A CN201610528049A CN107590808B CN 107590808 B CN107590808 B CN 107590808B CN 201610528049 A CN201610528049 A CN 201610528049A CN 107590808 B CN107590808 B CN 107590808B
- Authority
- CN
- China
- Prior art keywords
- prostate
- image
- segmentation
- layer
- boundary
- 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)
- Image Processing (AREA)
Abstract
本发明公开了一种医学图像中的前列腺分割方法,包括以下步骤:S1.获取被扫描者的盆腔部位的医学图像;S2.将盆腔部位的医学图像与图谱图像进行配准,获得配准结果;S3.获得盆腔部位内的前列腺感兴趣区域,对前列腺感兴趣区域进行预处理,获得预处理结果;S4.对预处理结果进行粗分割,获得粗分割结果;S5.对粗分割结果进行细分割,获得细分割结果,本发明的方法,可以实现前列腺的全自动分割。
Description
【技术领域】
本发明涉及医学图像领域,尤其是涉及医学图像中的前列腺的分割。
【背景技术】
计算机辅助放射疗法成功治疗癌症的一个基本前提是确认肿瘤位置和大小,同时保护病灶周围关键器官。因此,精确高效提取关键器官轮廓和计算肿瘤总体积(GTV,grosstumor volume)是自适应放射治疗和手术导航等的关键步骤,具有非常重要的研究意义。生殖器官周围发生病变时,一定要把生殖器官单独勾画出来加以保护,以避免射线的照射。因此,男性盆腔部位出现肿瘤时,前列腺是第一紧急避开器官。而且,前列腺癌是男性生殖系统最常见的恶性肿瘤,发病率和死亡率仅次于肺癌,位居癌症死亡的第二位。所以,前列腺准确勾画的意义非常重大。
前列腺分割的任务具有特别的挑战性。首要原因是直肠-前列腺,膀胱-前列腺交界处几乎没有边界,灰度差异太小。其次,膀胱和直肠内填充物从一个治疗过程到另一个治疗过程是变化的,因此它们的形状和大小也在变化。最后,前列腺本身形状会受膀胱和直肠影响。
【发明内容】
本发明所要解决的技术问题是提供一种医学图像中的前列腺分割方法,可较为准确的实现前列腺的分割。
本发明为解决上述技术问题而采用的技术方案是:一种医学图像中的前列腺分割方法,包括以下步骤:
S1.获取被扫描者的盆腔部位的医学图像;
S2.将盆腔部位的医学图像与图谱图像进行配准,获得配准结果;
S3.获得盆腔部位内的前列腺感兴趣区域,对前列腺感兴趣区域进行预处理,获得预处理结果;
S4.对预处理结果进行粗分割,获得粗分割结果;
S5.对粗分割结果进行细分割,获得细分割结果。
优选的,所述步骤S1包括:
S11.输入被扫描者的盆腔部位的CT图像、MR图像或者DR图像中的一种;
S12.利用盆腔部位的骨头信息获取盆腔部位的医学图像。
优选的,所述步骤S12包括:
S121.用阈值分割法提取出盆腔部位的骨头部分组织;
S122.在Z方向上对骨头部分组织的二值图像做最大强度投影;
S123.以中间尾骨为参考信息,得到盆腔部位的医学图像。
优选的,所述步骤S3包括:
S31.获取前列腺感兴趣区域中的暗区域、亮区域和梯度图;
S32.在Z方向上将前列腺配准结果划分为若干层,逐层分析面积和位置信息,确定感兴趣区域中的前列腺。
优选的,所述步骤S4包括:
S41.提取前列腺初始分割边界;
S42.获取前列腺边界的候选点;
S43.筛选边界候选点,并进行插值处理,得到粗分割结果。
优选的,所述步骤S41包括:
S411.分析前列腺的当前层与上一层和/或下一层的交集,提取前列腺的当前层的初始分割边界,得到环形区域;
S412.统计环形区域对应盆腔部位灰度图像原图位置的平均灰度,低于该灰度值的部分作为暗区域。
优选的,所述步骤S42包括:
从前列腺的当前层的初分割结果重心开始向上以顺时针方向进行射线扫描,并保存该射线扫描遇到的所有暗区域第一个点或者梯度值大于设定阈值同时灰度低于前列腺初始分割结果对应的盆腔部位灰度图像的平均灰度值的非暗区域的点,作为边界点的候选点;所述设定阈值的范围为4-10。
优选的,所述步骤S43包括:
若每条扫描射线上存在暗区域确定的候选点,则以此作为候选点,否则根据周围已确定边界点半径、梯度确定相应的候选点。
所述的医学图像中的前列腺分割方法,进一步包括:
S431.确定连续暗区域边界的候选点最多的一段,从该段中间位置作为极坐标扫描的起始位置;
S432.沿顺时针和逆时针方向扫描图像,分别得到两张极坐标图像,并确定极坐标图像上的边界的候选点。
优选的,所述步骤S5包括:
S51.选取粗分割后的一副横断层图像作为细分割的参考层图像;
S52.对参考层图像进行细分割;
S53.对参考层图像以上或/和以下层的横断层图像逐层分割,已分割的横断层图像作为相邻的、未分割的层的图像进行细分割的参照。
本发明对比现有技术有如下的有益效果:本发明可实现对前列腺的全自动分割:本发明利用盆腔骨头信息自动定位出病人数据的盆腔部分;并通过图像配准得到前列腺的感兴趣区域(ROI);考虑到前列腺周围低灰度区域,并充分利用相邻层连续性的特点。本发明在确定前列腺边界的过程中巧妙利用了顺时针和逆时针扫描边界候选点的不同结果,综合两个方向扫描可以得到更加可靠的边界信息。
【附图说明】
图1为本发明一个实施例的医学图像中的前列腺分割方法流程图;
图2为本发明另一个实施例的医学图像中的前列腺分割方法流程图;
图3a为本发明实施例的前列腺预处理过程中对前列腺周围的暗区域进行扫描的示意图;
图3b为本发明实施例的前列腺预处理过程中对前列腺周围的暗区域进行扫描后标记结果的示意图;
图4a为本发明实施例的前列腺粗分割过程中对前列腺的边界候选点筛选结果示意图;
图4b为本发明实施例的前列腺粗分割过程中对前列腺进行极坐标扫描后的示意图;
图5为本发明实施例的前列腺的横断层面粗分割结果示意图;
图6a-6c为本发明实施例的前列腺的横断层面、矢状层面和冠状层面细分割结果进行后处理的示意图;
图7a-7b为本发明实施例的前列腺的横断层面细分割结果进行后处理前、后的示意图。
【具体实施方式】
请参阅图1、3-5,本发明实施例的一种医学图像中的前列腺分割方法,包括以下步骤:
S1.获取被扫描者的盆腔部位的医学图像;
S2.将盆腔部位的医学图像与图谱图像进行配准,获得配准结果;
S3.获得盆腔部位内的前列腺感兴趣区域,对前列腺感兴趣区域进行预处理,获得预处理结果;
S4.对预处理结果进行粗分割,获得粗分割结果;
S5.对粗分割结果进行细分割,获得细分割结果。
本发明实施例中的获取被扫描者的盆腔部位的医学图像,包括以下步骤:
S11.输入被扫描者的盆腔部位的CT图像、MR图像或者DR图像中的一种;
本发明实施中的医学图像可以为3D图像,包括在Z方向上连续分布的若干层(N层,N的取值可以为20、40、60、100等)。所述医学图像可以通过CT设备、MR设备或者DR设备通过现场对被扫描者进行扫描获取,也可以是预先扫描,并将扫描获得的数据传送至图像后处理工作站获得。
S12.利用盆腔部位的骨头信息获取盆腔部位的医学图像,具体包括:
S121.用阈值分割法提取出盆腔部位的骨头部分组织;优选阈值的大小为250;
S122.在Z方向上对骨头部分组织的二值图像做最大强度投影;
S123.以中间尾骨为参考信息,得到盆腔部位的医学图像。
本发明实施例中的将盆腔部位的医学图像与图谱图像进行配准,获得配准结果,包括以下步骤:
首先,从先验数据库中获取与盆腔部位相对应的图谱图像,优选为单图谱图像。
其次,将图谱图像的灰度图像(灰度信息)与盆腔部位的医学图像进行刚体和非刚体配准,得到两个空间变换T1、T2,并把空间变换T1、T2应用到图谱图像的标记图像(标记信息)上,得到对应于盆腔部位的医学图像的标记图像(配准结果)。
所述T1为仿射变换,所述T2为基于互信息的FFD变形变换。盆腔部位的医学图像为包含前列腺感兴趣区域(ROI)。
本发明实施例中的获得盆腔部位内的前列腺感兴趣区域,对前列腺感兴趣区域进行预处理,获得预处理结果,包括以下步骤:
S31.获取前列腺感兴趣区域中的暗区域、亮区域和梯度图;包括:
S311.对感兴趣区域逐层图像做阈值分割并取最大连通域等处理,得到暗区域(低灰度区域)、亮区域(高灰度区域);优选的,暗区域阈值设为0,亮区域阈值设为100。
S312.对盆腔部位的灰度图像做高斯平滑后计算图像梯度,得到梯度图。
S32.在Z方向上将前列腺配准结果划分为N层,逐层分析面积和位置信息,确定感兴趣区域中的前列腺。按照从下到上的方向,对前列腺的各层(图像)做以下处理:
S321.若第一层面积小于400mm2,清除该层的配准结果;
S322.若第一层面积大于400mm2、且小于500mm2,用尺度为2个像素的圆盘做闭合操作,平滑该层的配准结果,并作为预处理结果;
S323.其他层(从第2层至第N层)处理,首先对该(当前)层的配准结果周围的暗区域做处理,得到较为准确的暗区域部分;然后,用暗区域对该层的配准结果做处理,去掉该层的配准结果中的暗区域部分,再做腐蚀和平滑操作,然后取该层的配准结果的最大连通域作为该层预处理结果。
优选的,所述步骤S323中对该层的配准结果周围的暗区域做处理,包括:以该层的配准结果的重心为圆心,按照顺时针方向对各个连通域扫描,去掉扫描覆盖角度小且其所在角度上有其他暗区域的暗区域,从而剔除前列腺内部的病变部分所形成、非边界处暗区域,确保分割结果的准确性。
本发明实施例中的对预处理结果进行粗分割,获得粗分割结果,包括以下步骤:
S41.提取前列腺初始分割边界;
S42.获取前列腺边界的候选点;
S43.筛选边界候选点,并进行插值处理,得到粗分割结果。
进一步的,所述步骤S41可包括:
S411.分析前列腺的当前层与上一层和/或下一层的交集,提取前列腺的当前层的初始分割边界,得到环形区域;另外,前列腺的第一层和最后一层分别取该层与其上或下层的交集;
S412.统计环形区域对应盆腔部位灰度图像的平均灰度,低于该灰度值(平均灰度)的部分作为暗区域。
进一步的,所述步骤S42可包括:
从前列腺的当前层的初分割结果重心开始向上以顺时针方向进行射线扫描,并保存该射线扫描遇到的所有暗区域第一个点以及梯度值大于设定阈值同时灰度低于前列腺初分割结果(初始分割边界内部)对应的盆腔部位灰度图像的平均灰度值的非暗区域的点,作为边界点的候选点。设定阈值的范围为4-10,优选为5,或者5上下的数值。
进一步的,所述步骤S43包括:
若每条扫描射线上存在暗区域确定的候选点,则以此作为候选点,否则根据周围已确定边界点半径、梯度(大于5)确定相应的候选点。
S431.确定连续暗区域边界的候选点最多的一段,从该段中间位置作为极坐标扫描的起始位置;
S432.沿顺时针和逆时针方向扫描图像,分别得到两张极坐标图像,并确定极坐标图像上的边界的候选点。
优选的,通过以下方式获得极坐标图像上的边界候选点:
a)对于极坐标图像的每一列,如果有暗区域点,该列保留这一个点;如果同时有多个暗区域点,根据前列暗区域半径选择半径最相近的一个保留;
b)如果某列上不存在暗区域点,但是有其他边界候选点,根据其前列的暗区域点插值:
b1)如果半径不是很远,做半径平均加权插值;
b2)如果半径差别较大,就以前列暗区域边界点为标准直接插值。
c)如果某列上不存在暗区域点、且没有点,不做其他处理。
进一步的,对瞬时针方向(ABCD)和逆时针方向(ADCB)扫描的极坐标图像做以下处理:
将逆时针方向扫描的极坐标图像的角度恢复/调整到顺时针方向扫描的极坐标图像的角度,并将两个极坐标图像叠加获得合并后的极坐标图像;所述合并后的极坐标图像的半径为顺时针方向扫描的极坐标图像的半径与逆时针方向扫描的极坐标图像的半径的平均值,并统计合并后的极坐标图像暗区域点的个数EV(1);对合并后的极坐标图像进行线性插值,获得线性插值后的极坐标图像,并进行中值滤波,获得中值滤波后的极坐标图像,并统计中值滤波前后的极坐标图像的半径差值平均值EV(2);把经过中值滤波之后的极坐标图像恢复到原始图像坐标系,并作闭合曲线的填充和平滑操作;统计闭合曲线对应的梯度值的平均值EV(3)。
本发明实施例中的对粗分割结果进行细分割,获得细分割结果,包括以下步骤:
S51.选取粗分割后的一副横断层图像作为细分割的参考层图像;
S52.对参考层图像进行再分割;
S53.对参考层图像以上或/和以下层的横断层图像逐层分割。
进一步的,通过以下方式获得参考层图像:
S511.获得N个横断层图像的中间部分的1/3层(例如当N=60,则中间1/3层为21-40层)对应的粗分割结果,并选取其中暗区域点的个数EV(1)大于第一阈值(例如200)、以及梯度值的平均值EV(3)大于第二阈值(例如11)的M个横断层图像;其中,M的取值范围为1-N/3;
S512.以所述M个横断层图像中最平滑的层(Min(EV(2))作为参考层图像。
进一步的,通过以下方式对参考层图像再进行细分割,包括以下步骤:
可选的,按照与粗分割类似的方法对参考层图像进行细分割,包括:
获取参考层图像边界的候选点:以参考层图像的粗分割结果重心开始向上以顺时针方向进行射线扫描,并保存该射线扫描遇到的所有暗区域第一个点以及梯度值大于5同时灰度低于粗分割结果对应的盆腔部位灰度图像的平均灰度值的点,作为边界点的候选点。
筛选参考层图像边界候选点,并进行插值处理:若每条扫描射线上存在暗区域确定的候选点,则以此作为候选点,否则根据周围已确定的边界点确定相应的候选点。
优选的,通过以下方式根据周围已确定的边界点确定相应的候选点:
首选,确定连续暗区域边界点最多的一段,从该段中间位置作为极坐标扫描的起始位置;
其次,沿顺时针和逆时针方向扫描图像,分别得到两张极坐标图像,并确定极坐标图像上的边界候选点。
进一步的,通过以下方式分别获得每幅极坐标图像(顺时针方向或逆时针方向扫描图像)上的边界候选点:
a)对于极坐标图像的每一列,如果有暗区域点,该列保留这一个点;如果同时有多个暗区域点,根据前列暗区域半径选择半径最相近的一个保留;
b)如果某列上不存在暗区域点、但是有其他边界候选点,根据其前列的暗区域点插值:
b1)如果半径相差较小(差值小于4),做半径平均加权插值;
b2)如果半径差别较大,就以前列暗区域边界点为标准直接插值。
c)如果某列上不存在暗区域点、且没有其他点,找其前列的边界点做线性插值。
进一步的,对瞬时针方向(ABCD)和逆时针方向(ADCB)扫描的极坐标图像做以下处理:
将逆时针方向扫描的极坐标图像的角度恢复/调整到顺时针方向扫描的极坐标图像的角度,并将两个极坐标图像叠加获得合并后的极坐标图像。所述合并后的极坐标图像的半径为顺时针方向扫描的极坐标图像的半径与逆时针方向扫描的极坐标图像的半径的平均值。对合并后的极坐标图像进行线性插值,获得线性插值后的极坐标图像,并进行中值滤波,获得中值滤波后的极坐标图像。把经过中值滤波之后的极坐标图像恢复到原始图像坐标系,并作闭合曲线的填充和平滑操作,获得参考层图像的细分割结果。
进一步的,通过以下方式对已进行细分割的参考层图像的上、下层图像(粗分割结果)再进行细分割:
优选的,利用相邻层图像之间的连续性,逐层图像做分割,把已进行细分割的层图像作为相邻未进行细分割的当前层图像(粗分割结果)进行细分割的参考层图像和参照。
对当前层图像再进行细分割,可参照粗分割的方法,包括以下步骤:
a.获取当前层图像边界的候选点:以当前层图像的粗分割结果重心开始向上以顺时针方向进行射线扫描,并保存该射线扫描遇到的所有暗区域第一个点以及梯度值大于5、同时灰度低于粗分割结果对应的盆腔部位灰度图像的平均灰度值的点,作为边界点的候选点。
b.筛选当前层图像边界候选点,并进行插值处理。
优选的,通过以下方式保留所述边界点的候选点:若每条扫描射线上存在暗区域确定的候选点,则以此作为候选点;否则根据周围已确定边界点半径确定相应的候选点:
首先,确定连续暗区域边界点最多的一段,从该段中间位置作为极坐标扫描的起始位置;
其次,沿顺时针和逆时针方向扫描图像,分别得到两张极坐标图像,并确定极坐标图像上的边界候选点。
进一步的,通过以下方式分别获得每幅极坐标图像上的边界候选点:
a)对于极坐标图像的每一列,如果有暗区域点,该列保留这一个点;如果同时有多个暗区域点,根据前列暗区域半径选择半径最相近的一个保留;
b)如果某列上不存在暗区域点但是有梯度边界点,根据其前列的暗区域点插值:
b1)如果半径不是很远(相差小于4),做半径平均加权插值;
b2)如果半径差别较大,就以前列暗区域边界点为标准直接插值。
c)如果某列上不存在暗区域点、且没有其他点,暂不做其他处理。
进一步的,对瞬时针方向(ABCD)和逆时针方向(ADCB)扫描的极坐标图像做以下处理:
将逆时针方向扫描的极坐标图像的角度恢复/调整到顺时针方向扫描的极坐标图像的角度,并将两个极坐标图像叠加获得合并后的极坐标图像。所述合并后的极坐标图像的半径为顺时针方向扫描的极坐标图像的半径与逆时针方向扫描的极坐标图像的半径的平均值。对合并后的极坐标图像进行插值和/或线性插值,获得线性插值后的极坐标图像,并进行中值滤波,获得中值滤波后的极坐标图像。把经过中值滤波之后的极坐标图像恢复到原始图像坐标系,并作闭合曲线的填充和平滑操作,获得当前层图像的细分割结果。
特别的,当有以下情形时,需要做例外处理:
1)如果合并后的极坐标图像中的两个暗区域之间的间隔大于设定阈值(例如,在极坐标图像中,超过连续的30度的范围不存在暗区域的点),则找到暗区域间隔的中间位置,根据参考层图像上相同位置的点作插值处理;
2)如果合并后的极坐标图像中的两个暗区域之间的间隔小于设定阈值,则进行线性插值处理;
3)如果当前层图像的细分割结果与对应参考层图像的细分割结果的面积和位置发生较大变化,面积变化大于40%或者重心位置变化长度大于整个连通域内切圆半径的0.5,而且当前层图像的暗区域边界特征点没有对应参考层图像多,则以对应当前层图像的参考层图像的细分割结果为准,把对应当前层图像的参考层图像的细分割结果平移并复制于前层图像上,作为当前层图像的细分割结果。
请参阅图2、6-7,本发明的另一实施例中,在前述实施例的基础上,还包括通过以下方式对细分割结果进行后处理,包括以下步骤:
1)横断层面图像的处理:
沿Z方向从下向上分析,如果已分割的前列腺第一层图像的面积大于1200mm2,则缩小第一层图像的面积,并将缩小后的第一层作为前列腺分割结果的第一层;并保留已分割各层结果及相对顺次,假如已经获取N层横断层面图像,沿Z方向从下向上依次编号,调整第1层为第2层,第2层为第3层…第N层为第N+1层。
如果前列腺总的长度超过40mm,若40mm以上的层中,从下向上,找出满足以下三个条件之一者,将对应层及其以上所有层分割结果去掉,该层的下一层作为前列腺最上层。所述条件包括:①圆形度小于该层以下层的平均圆形度,②面积小于500mm2,③面积梯度大于0。
2)矢状层面和冠状层面图像的处理:
逐层分析冠状面图像和矢状面图像,并做以下处理:当冠状面图像或矢状面图像上存在多个连通域,把面积最大的连通域(可用红色表示)标记为1,其他连通域(可用青色表示)赋值为5(若标记值或赋值大于3,表示一定不是前列腺部分);如果只有一个连通域且面积小于10个像素,则赋值5;对剩下标记为1的部分做平滑处理,平滑前的图像中超出平滑部分(可用绿色表示)标记为2。
叠加冠状面图像和矢状面图像的标记结果,去除标记值大于3的边缘部分。
3)直肠方向的处理:
对前列腺与直肠相交的区域进行分析,获取前列腺与直肠的交集,并在前列腺上将对应的交集去除,然后做平滑处理。
根据每一层交集的面积占该层前列腺面积的比率P确定直肠背向前列腺方向平移的尺度(例如,若P>0.25,平移尺度为P*18个像素;若P>0.1并且P<0.25,平移尺度为P*15个像素),平移直肠。
本发明的主要优势在于充分利用前列腺相邻器官之间稳定的位置关系以及前列腺相邻层之间连续性,充分利用前列腺周围的低灰度区域等特征,可以准确并有效的实现前列腺全自动分割。
本发明可实现对前列腺的全自动分割:本发明利用盆腔骨头信息自动定位出病人数据的盆腔部分;并通过图像配准得到前列腺的感兴趣区域(ROI);考虑到前列腺周围低灰度区域,并充分利用相邻层连续性的特点。本发明在确定前列腺边界的过程中巧妙利用了顺时针和逆时针扫描边界候选点的不同结果,综合两个方向扫描可以得到更加可靠的边界信息。本发明结合直肠和膀胱的配准结果,基本避免了分割溢出严重的情况。
需要说明的是,通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请的部分或全部可借助软件并结合必需的通用硬件平台来实现。基于这样的理解,本申请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包括其上存储有机器可执行指令的一个或多个机器可读介质,这些指令在由诸如计算机、计算机网络或其他电子设备等一个或多个机器执行时可使得该一个或多个机器根据本发明的实施例来执行操作。机器可读介质可包括,但不限于,软盘、光盘、CD-ROM(紧致盘-只读存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。
本申请可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
虽然本发明已以较佳实施例揭示如上,然其并非用以限定本发明,任何本领域技术人员,在不脱离本发明的精神和范围内,当可作些许的修改和完善,因此本发明的保护范围当以权利要求书所界定的为准。
Claims (7)
1.一种医学图像中的前列腺分割方法,其特征在于包括以下步骤:
S1.获取被扫描者的盆腔部位的医学图像;
S2.将盆腔部位的医学图像与图谱图像进行配准,获得配准结果;
S3.获得盆腔部位内的前列腺感兴趣区域,对前列腺感兴趣区域进行预处理,获得预处理结果;
S4.对预处理结果进行粗分割,获得粗分割结果;
S5.对粗分割结果进行细分割,获得细分割结果;
所述步骤S4包括:
S41.提取前列腺初始分割边界;
S42.获取前列腺边界的候选点;
S43.筛选边界候选点,并进行插值处理,得到粗分割结果;
所述步骤S43包括:
若每条扫描射线上存在暗区域确定的候选点,则以此作为候选点,否则根据周围已确定边界点半径、梯度确定相应的候选点;
S431.确定连续暗区域边界的候选点最多的一段,从该段中间位置作为极坐标扫描的起始位置;
S432.沿顺时针和逆时针方向扫描图像,分别得到两张极坐标图像,并确定极坐标图像上的边界的候选点。
2.根据权利要求1所述的医学图像中的前列腺分割方法,其特征在于,所述步骤S1包括:
S11.输入被扫描者的盆腔部位的CT图像、MR图像或者DR图像中的一种;
S12.利用盆腔部位的骨头信息获取盆腔部位的医学图像。
3.根据权利要求2所述的医学图像中的前列腺分割方法,其特征在于,所述步骤S12包括:
S121.用阈值分割法提取出盆腔部位的骨头部分组织;
S122.在Z方向上对骨头部分组织的二值图像做最大强度投影;
S123.以中间尾骨为参考信息,得到盆腔部位的医学图像。
4.根据权利要求2所述的医学图像中的前列腺分割方法,其特征在于,所述步骤S3包括:
S31.获取前列腺感兴趣区域中的暗区域、亮区域和梯度图;
S32.在Z方向上将前列腺配准结果划分为若干层,逐层分析面积和位置信息,确定感兴趣区域中的前列腺。
5.根据权利要求1所述的医学图像中的前列腺分割方法,其特征在于,所述步骤S41包括:
S411.分析前列腺的当前层与上一层和/或下一层的交集,提取前列腺的当前层的初始分割边界,得到环形区域;
S412.统计环形区域对应盆腔部位灰度图像原图位置的平均灰度,低于该灰度值的部分作为暗区域。
6.根据权利要求1所述的医学图像中的前列腺分割方法,其特征在于,所述步骤S42包括:
从前列腺的当前层的初分割结果重心开始向上以顺时针方向进行射线扫描,并保存该射线扫描遇到的所有暗区域第一个点或者梯度值大于设定阈值同时灰度低于前列腺初始分割结果对应的盆腔部位灰度图像的平均灰度值的非暗区域的点,作为边界点的候选点。
7.根据权利要求1所述的医学图像中的前列腺分割方法,其特征在于,所述步骤S5包括:
S51.选取粗分割后的一副横断层图像作为细分割的参考层图像;
S52.对参考层图像进行细分割;
S53.对参考层图像以上或/和以下层的横断层图像逐层分割,已分割的横断层图像作为相邻的、未分割的层的图像进行细分割的参照。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610528049.3A CN107590808B (zh) | 2016-07-06 | 2016-07-06 | 医学图像中的前列腺分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610528049.3A CN107590808B (zh) | 2016-07-06 | 2016-07-06 | 医学图像中的前列腺分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107590808A CN107590808A (zh) | 2018-01-16 |
CN107590808B true CN107590808B (zh) | 2021-01-29 |
Family
ID=61044992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610528049.3A Active CN107590808B (zh) | 2016-07-06 | 2016-07-06 | 医学图像中的前列腺分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107590808B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712186B (zh) * | 2018-12-11 | 2021-10-22 | 上海联影医疗科技股份有限公司 | 图像中勾画感兴趣区域的方法、计算机设备和存储介质 |
CN112767370B (zh) * | 2020-05-28 | 2024-02-20 | 福州宜星大数据产业投资有限公司 | 基于图像配准的目标区域标注方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101013503A (zh) * | 2007-01-26 | 2007-08-08 | 清华大学 | 一种医学图像中腹部器官分割方法 |
CN102496150A (zh) * | 2011-12-07 | 2012-06-13 | 山东大学 | 基于高斯平滑的局部区域活动轮廓模型方法 |
CN102737382A (zh) * | 2012-06-22 | 2012-10-17 | 刘怡光 | 一种前列腺超声图像自动精确分割方法 |
CN102800089A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 基于颈部超声图像的主颈动脉血管提取和厚度测量方法 |
CN103745470A (zh) * | 2014-01-08 | 2014-04-23 | 兰州交通大学 | 基于小波的多边形轮廓演化医学ct图像交互式分割方法 |
CN103871056A (zh) * | 2014-03-11 | 2014-06-18 | 南京信息工程大学 | 基于各向异性光流场与去偏移场的脑部mr图像配准方法 |
CN104240226A (zh) * | 2013-06-20 | 2014-12-24 | 上海联影医疗科技有限公司 | 一种心脏图像的配准方法 |
CN104517303A (zh) * | 2013-10-08 | 2015-04-15 | 株式会社东芝 | 医用图像处理装置以及医用图像处理方法 |
CN104771189A (zh) * | 2015-03-11 | 2015-07-15 | 北京朗视仪器有限公司 | 三维头颅图像对正方法及装置 |
CN104794708A (zh) * | 2015-04-10 | 2015-07-22 | 浙江工业大学 | 一种基于多特征学习的动脉粥样硬化斑块成分分割方法 |
CN105184782A (zh) * | 2015-08-27 | 2015-12-23 | 山东师范大学 | 一种ct中盆腔器官自动分割的方法 |
-
2016
- 2016-07-06 CN CN201610528049.3A patent/CN107590808B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101013503A (zh) * | 2007-01-26 | 2007-08-08 | 清华大学 | 一种医学图像中腹部器官分割方法 |
CN102496150A (zh) * | 2011-12-07 | 2012-06-13 | 山东大学 | 基于高斯平滑的局部区域活动轮廓模型方法 |
CN102737382A (zh) * | 2012-06-22 | 2012-10-17 | 刘怡光 | 一种前列腺超声图像自动精确分割方法 |
CN102800089A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 基于颈部超声图像的主颈动脉血管提取和厚度测量方法 |
CN104240226A (zh) * | 2013-06-20 | 2014-12-24 | 上海联影医疗科技有限公司 | 一种心脏图像的配准方法 |
CN104517303A (zh) * | 2013-10-08 | 2015-04-15 | 株式会社东芝 | 医用图像处理装置以及医用图像处理方法 |
CN103745470A (zh) * | 2014-01-08 | 2014-04-23 | 兰州交通大学 | 基于小波的多边形轮廓演化医学ct图像交互式分割方法 |
CN103871056A (zh) * | 2014-03-11 | 2014-06-18 | 南京信息工程大学 | 基于各向异性光流场与去偏移场的脑部mr图像配准方法 |
CN104771189A (zh) * | 2015-03-11 | 2015-07-15 | 北京朗视仪器有限公司 | 三维头颅图像对正方法及装置 |
CN104794708A (zh) * | 2015-04-10 | 2015-07-22 | 浙江工业大学 | 一种基于多特征学习的动脉粥样硬化斑块成分分割方法 |
CN105184782A (zh) * | 2015-08-27 | 2015-12-23 | 山东师范大学 | 一种ct中盆腔器官自动分割的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107590808A (zh) | 2018-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Automatic segmentation of individual tooth in dental CBCT images from tooth surface map by a multi-task FCN | |
Kazemifar et al. | Segmentation of the prostate and organs at risk in male pelvic CT images using deep learning | |
Wang et al. | CT male pelvic organ segmentation using fully convolutional networks with boundary sensitive representation | |
Lei et al. | MRI-based synthetic CT generation using semantic random forest with iterative refinement | |
EP3195257B1 (en) | Systems and methods for segmenting medical images based on anatomical landmark-based features | |
Qazi et al. | Auto‐segmentation of normal and target structures in head and neck CT images: a feature‐driven model‐based approach | |
Chen et al. | Segmenting the prostate and rectum in CT imagery using anatomical constraints | |
US9710915B2 (en) | Automatic background region selection for lesion delineation in medical images | |
Mesejo et al. | Biomedical image segmentation using geometric deformable models and metaheuristics | |
Commowick et al. | An efficient locally affine framework for the smooth registration of anatomical structures | |
Martínez et al. | Segmentation of pelvic structures for planning CT using a geometrical shape model tuned by a multi-scale edge detector | |
Li et al. | Learning image context for segmentation of the prostate in CT-guided radiotherapy | |
Fu et al. | Deformable MR‐CBCT prostate registration using biomechanically constrained deep learning networks | |
Chen et al. | A recursive ensemble organ segmentation (REOS) framework: application in brain radiotherapy | |
JP2006314643A (ja) | 臓器動態の定量化方法、装置、臓器位置の予測方法、装置、放射線照射方法、装置及び臓器異常検出装置 | |
US20040101184A1 (en) | Automatic contouring of tissues in CT images | |
Hamdan et al. | Fully automatic deformable registration of pretreatment MRI/CT for image‐guided prostate radiotherapy planning | |
WO2017062453A1 (en) | Image segmentation of organs depicted in computed tomography images | |
Mayer et al. | Deformable registration of trans-rectal ultrasound (TRUS) and magnetic resonance imaging (MRI) for focal prostate brachytherapy | |
CN107590808B (zh) | 医学图像中的前列腺分割方法 | |
Alam et al. | Generalizable cone beam CT esophagus segmentation using physics-based data augmentation | |
CN113284160B (zh) | 一种手术导航标记珠体识别的方法、装置和设备 | |
Luximon et al. | Machine‐assisted interpolation algorithm for semi‐automated segmentation of highly deformable organs | |
US11861839B2 (en) | Preprocessing medical image data for machine learning | |
Qazi et al. | Probabilistic refinement of model-based segmentation: application to radiation therapy planning of the head and neck |
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 Jiading District Industrial Zone Jiading Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |