CN107633514A - 一种肺结节周边血管量化评估系统及方法 - Google Patents
一种肺结节周边血管量化评估系统及方法 Download PDFInfo
- Publication number
- CN107633514A CN107633514A CN201710848435.5A CN201710848435A CN107633514A CN 107633514 A CN107633514 A CN 107633514A CN 201710848435 A CN201710848435 A CN 201710848435A CN 107633514 A CN107633514 A CN 107633514A
- Authority
- CN
- China
- Prior art keywords
- lung
- nodule
- blood vessel
- skeleton
- bounding box
- 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
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 54
- 208000020816 lung neoplasm Diseases 0.000 title abstract description 19
- 238000011158 quantitative evaluation Methods 0.000 title abstract description 11
- 210000004072 lung Anatomy 0.000 claims abstract description 99
- 230000011218 segmentation Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000002792 vascular Effects 0.000 claims abstract description 5
- 238000013139 quantization Methods 0.000 claims abstract description 3
- 206010056342 Pulmonary mass Diseases 0.000 claims description 79
- 230000002685 pulmonary effect Effects 0.000 claims description 54
- 210000005259 peripheral blood Anatomy 0.000 claims description 44
- 239000011886 peripheral blood Substances 0.000 claims description 44
- 239000013598 vector Substances 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 17
- 238000009499 grossing Methods 0.000 claims description 10
- 238000012800 visualization Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000011002 quantification Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000001595 contractor effect Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 abstract description 5
- 208000029185 blood vessel neoplasm Diseases 0.000 abstract 1
- 201000011531 vascular cancer Diseases 0.000 abstract 1
- 206010054107 Nodule Diseases 0.000 description 22
- 238000001514 detection method Methods 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 7
- 201000005202 lung cancer Diseases 0.000 description 7
- 206010028980 Neoplasm Diseases 0.000 description 5
- 230000003211 malignant effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000001464 adherent effect Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000005747 tumor angiogenesis Effects 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 238000004223 overdiagnosis Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 210000001147 pulmonary artery Anatomy 0.000 description 2
- 230000004614 tumor growth Effects 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 210000003492 pulmonary vein Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种肺结节周边血管量化评估系统及方法，其中，该系统包括：肺结节分割模块(对肺部CT影像中的肺结节的边界进行自动勾画，分割出肺结节)、包围盒处理模块(以肺结节为中心提取包围盒)、血管骨架计算模块(提取包围盒内的血管并计算其骨架)和血管量化模块(依据血管的骨架与肺结节之间的距离对肺结节周边血管进行自动量化)。本发明的有益之处在于：(1)本发明的系统，能对肺结节周边血管的数量进行全自动的量化分析，提高临床评估效率；能在三维空间中分析肺结节和周边血管的关系，明显提高精确度；(2)本发明的方法，实现了肺结节周边血管的量化分析，可计算可能含粘连肺结节的局部凸包，不会漏掉与肺边界的粘连结节。
Description
技术领域
本发明涉及一种肺结节周边血管量化系统及方法，属于数字图像处理技术领域。
背景技术
肺癌位居全世界所有癌症死亡率之首，其高死亡率主要归结于缺乏早期症状和缺乏有效的筛查手段。美国国家肺癌筛查试验(NLST)的研究表明，进行肺癌筛查使用CT检查比胸部x射线更为有效，可降低20％左右的肺癌死亡率。虽然如此，使用CT检查时，其中96％的结节经查证是假阳性，这往往会导致不必要的过度诊断(如随访扫描、侵入性活检)。因此，如何降低过度诊断、提高CT对肺癌筛查的有效性是目前临床面临的主要问题。
在临床实践中，放射科医师确定结节的良恶性主要是根据结节的影像学特征，如实性百分比、钙化、毛刺和增长速度等。而与癌症有关的一个重要特征即血管增生，还没有从影像学的角度被很好地探索，尽管它在肿瘤生长和转移过程中起着非常关键性的作用，被广泛认为是一种肺癌风险、进展和疗效的生物学标志。目前，评估肿瘤血管增生的标准方法是从肿瘤取样，然后利用其它技术手段来评估肿瘤内部微血管密度(MVD)或者肿瘤细胞代谢负荷。在成像方面，主要的手段是通过量化结节中的灌注或代谢活动水平来间接评估肿瘤血管增生，例如双能量CT、PET-CT和磁共振成像(MRI)，所有这些技术主要侧重于肿瘤的内部微血管。1990年Mori等首次在CT影像上研究肿瘤血管增生，并报告说肺静脉向恶性结节的汇集明显大于向良性结节的汇集，相关文献也支持这一观点，认为CT影像中的血管向结节汇聚或环绕结节的程度可能与肺癌阶段和病理相关。
因此，分析肺部CT影像中结节与周边血管的关系，如结节周边血管的数量及体积量化分析，对判断肺结节的良、恶性及肿瘤生长阶段有重要意义。
目前，分析肺结节周边血管数量及体积的步骤如下：
(1)在肺部CT影像序列中选中感兴趣的肺结节；
(2)通过肉眼观察肺结节周边血管数量；
(3)利用医学影像浏览软件的测量工具手绘肺结节周边血管的边界，并得到血管体积。
肉眼观察肺结节周边血管数量及手绘血管边界计算血管体积的方法的缺点如下：
(1)准确性差
CT影像为灰度图像，尤其对于低剂量CT影像，肺血管和肺结节及周边其他结构的对比度并不明显，肺血管和肺结节的空间关系复杂，在轴状面上肉眼通过对比度判断穿过肺结节或与肺结节相连并不容易，因此很难保证肺结节周边血管的数量及体积计算的准确性。
(2)效率低
为了准确判断血管数量，需要反复查看对比包含肺结节的多张2D影像，另外，肺血管在形状上接近圆柱体，因此需要在多个2D CT影像的轴状面上手绘血管的边界。因此，这种手工方法分析方法非常耗时，不适用多个肺结节周边血管分析。
(3)漏检
目前提取肺实质的算法主要是肺区域分割算法，比如基于阈值的各种区域填充方法，虽然这种算法可有效地提取肺实质，但当肺区域与肺壁相邻并且密度相近时，会错误地过滤掉这些区域，导致这些区域中可能含有的粘连结节漏检。
发明内容
为解决现有技术的不足，本发明的目的在于提供一种准确性好、效率高、无漏检的肺结节周边血管量化评估系统及方法。
为了实现上述目标，本发明采用如下的技术方案：
一种肺结节周边血管量化评估系统，其特征在于，包括：
肺结节分割模块：对肺部CT影像中的肺结节的边界进行自动勾画，自动分割出肺结节；
包围盒处理模块：以肺结节为中心提取一定尺寸的包围盒；
血管骨架计算模块：提取包围盒内的血管，并计算血管的骨架；
血管量化模块：依据血管的骨架与肺结节之间的距离对肺结节周边血管进行自动量化。
前述的肺结节周边血管量化评估系统，其特征在于，前述肺结节分割模块包括以下子模块：
图像预处理子模块：去除肺部CT影像中的噪音，增强肺区域的信号；
肺区域分割子模块：去除肺部CT影像中病患和检查床之间的空气以及非肺部区域，追踪肺边界，将多张2D影像中的肺边界形成一个定向闭路逆时针的轮廓集，对肺边界进行平滑处理；
肺结节分割子模块：将原CT图像生成二进制CT图像，根据二进制CT图像计算有向距离场，并生成一个记录距离场的体素集，把具有正距离值的兴趣点(point of interest,POI)范围缩小到只包含肺结节的体素，再采用基于形状的分析方法确定肺结节，然后从已确定的肺结节的中心点射出一组射线，根据这些射线与由MCA生成的三角形网格之间的相交点形成结节表面。
前述的肺结节周边血管量化评估系统，其特征在于，前述包围盒处理模块包括以下子模块：
包围盒提取子模块：以肺结节为中心，提取一个能完全包含所对应结节的正方体状的包围盒；
3D可视化处理子模块：采用Marching Cubes算法把包围盒内肺体积在三维空间内以三角面片表示出来。
前述的肺结节周边血管量化评估系统，其特征在于，前述血管骨架计算模块包括以下子模块：
非血管区域移除子模块：保留具有管状形状的区域，丢弃所有其他区域；
映射子模块：将血管从几何空间映射到CT图像空间；
血管骨架提取子模块：基于离散化3D物体的排斥力场，使用计算得到的矢量场的拓扑特征来提取血管骨架。
利用前述的系统量化评估肺结节周边血管的方法，其特征在于，包括以下步骤：
Step1：对肺部CT影像中的肺结节的边界进行自动勾画，自动分割出肺结节；
Step2：以肺结节为中心提取一定尺寸的包围盒；
Step3：提取包围盒内的血管，并计算血管的骨架；
Step4：依据血管的骨架与肺结节之间的距离对肺结节周边血管进行自动量化。
前述的方法，其特征在于，在Step1中，自动分割肺结节的步骤如下：
(1)采用中值滤波法、高斯滤波法、维纳滤波法或拉普拉斯滤波法去除肺部CT影像中的噪音，增强肺区域的信号；
(2)采用3D递归高斯滤波法去除肺部CT影像中病患和检查床之间的空气，根据设定的阈值识别初始肺部区域，对非肺部区域进行泛洪填充，去除高斯滤波后残留的非肺部区域，然后追踪肺边界，并将多张2D影像中的肺边界形成一个定向闭路逆时针的轮廓集，最后对肺边界进行平滑处理；
(3)根据设定的阈值将原始CT图像生成二进制CT图像，以该二进制CT图像作为FMM的初始数据集，计算有向距离场，然后生成一个记录距离场的体素集，每个体素的距离值代表该点指向边界的最短距离，之后把具有正距离值的兴趣点(point of interest,POI)范围缩小到只包含肺结节的体素，再采用基于形状的分析方法确定肺结节，然后从已确定的肺结节的中心点射出一组射线，计算这些射线与由MCA生成的三角形网格之间的相交点，第一个相交点定义为可见点，将由所有可见点形成的区域视为结节表面。
前述的方法，其特征在于，在Step2中，提取及处理包围盒的步骤如下：
(1)以肺结节为中心，提取一个能够完全包含所对应结节的包围盒；
(2)采用Marching Cubes算法把包围盒内肺体积在三维空间内以三角面片表示；
(3)放大包围盒内的肺体积。
前述的方法，其特征在于，在Step3中，提取包围盒内的血管的步骤如下：
(1)计算包围盒内三角面片顶点的最大曲率Cmax和1-环顶点中最小主方向上的最大角度差的绝对值Amax，然后比较Cmax、Amax的大小，当同时满足(i)Cmax≥-0.05mm-1、(ii)|Cmax|≥0.2mm-1、(iii)Amax>30°这三个条件时，对应的三角面片为明显的非血管区域，将其从包围盒中移除；
(2)根据表面面片所有顶点的最小曲率方向e2i的平均值确定面片的方向d：
其中，n表示表面面片所有顶点的数量。
前述的方法，其特征在于，在Step3中，计算血管的骨架的步骤如下：
(1)利用拉普拉斯平滑运算的收缩效应，对所识别的血管重复拉普拉斯运算，在每个拉普拉斯算子运算之后对由MCA生成的三角形网格进行简单的环形崩塌操作，自适应地调整三角形密度，逐渐缩小血管尺寸；
(2)假设3D物体是指该物体的3D离散化体素集，识别3D物体的边界体素作为排斥力场的来源；
(3)计算每个体素的排斥力函数，得到3D矢量场，由于附近点电荷而导致的给定点P处的排斥力为：
其中，是从点电荷C到给定点P的归一化特征向量，R是给定点P和点电荷C之间的距离；
(4)在矢量场上进行积分，检测矢量场大小为零的点，并使用路径线进行连接，创建核心骨架；
(5)计算每个体素上矢量场的发散值，选择具有低发散值的点作为新骨架段的新种子，设置发散阈值创建第1级骨架层次结构；
(6)计算每个边界体素的曲率，并根据提供的曲率阈值选择新的种子点，创建第2级骨架层次结构；
(7)把得到的骨架从几何空间映射会CT图像空间。
前述的方法，其特征在于，在Step4中，依据血管的骨架与肺结节之间的距离对肺结节周边血管进行自动量化的方法如下：
(1)当骨架直接附着在结节上时，判定血管在结节周围；
(2)当骨架到结节表面的最大距离不超过3mm时，判定血管在结节周围；
(3)当骨架到结节表面的距离大于3mm、小于5mm并且骨架的延长线与骨架末端到结节中心的连线之间的角度不超过15゜时，判定血管在结节周围；
(4)其余的骨架在量化中不被考虑。
本发明的有益之处在于：
(1)本发明的肺结节周边血管量化评估系统，其能够对肺结节周边血管的数量进行全自动的量化分析，提高了临床评估效率；
(2)本发明的肺结节周边血管量化评估系统，其在三维空间中分析肺结节和周边血管的关系，精确度明显提高；
(3)本发明的肺结节周边血管的量化评估方法，实现了肺结节周边血管的量化分析，为评估肺结节的良性、恶性提供了重要的参数；
(4)本发明的肺结节周边血管的量化评估方法，可以计算可能含有粘连肺结节的局部凸包，不会漏掉与肺边界的粘连结节。
附图说明
图1是本发明的肺结节周边血管量化评估系统的组成示意图；
图2(a)是自动分割肺结节的示意图；
图2(b)是提取包围盒的示意图；
图2(c)是结节及其周围血管的放大可视化图；
图2(d)是血管的骨架示意图；
图3是自动分割肺结节的示意图；
图4(a)是圆柱体形状的面片示意图；
图4(b)是近似平面形状的面片示意图；
图4(c)是圆柱体形状的面片从最小曲率方向旋转至z轴方向后法线向量的分布示意图；
图4(d)是近似平面形状的面片从最小曲率方向旋转至z轴方向后法线向量的分布示意图；
图5是判断血管是否在结节周围的示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
第一部分：肺结节周边血管量化评估系统
参照图1，本发明的肺结节周边血管量化评估系统包括：肺结节分割模块、包围盒处理模块、血管骨架计算模块和血管量化模块。
1、肺结节分割模块
肺结节分割模块是用来对肺部CT影像中的肺结节的边界进行自动勾画，自动分割出肺结节的，其包括以下子模块：图像预处理子模块、肺区域分割子模块和肺结节分割子模块。
(1)图像预处理子模块
去除肺部CT影像中的噪音，增强肺区域的信号。
(2)肺区域分割子模块
去除肺部CT影像中病患和检查床之间的空气以及非肺部区域，追踪肺边界，将多张2D影像中的肺边界形成一个定向闭路逆时针的轮廓集，对肺边界进行平滑处理。
(3)肺结节分割子模块
将原CT图像生成二进制CT图像，根据二进制CT图像计算有向距离场，并生成一个记录距离场的体素集，把具有正距离值的兴趣点(point of interest,POI)范围缩小到只包含肺结节的体素，再采用基于形状的分析方法确定肺结节，然后从已确定的肺结节的中心点射出一组射线，根据这些射线与由MCA生成的三角形网格之间的相交点形成结节表面。
2、包围盒处理模块
包围盒处理模块是用来以肺结节为中心提取一定尺寸的包围盒，并对包围盒中的肺结节及周围血管进行3D可视化处理的，其包括以下子模块：包围盒提取子模块、3D可视化处理子模块。
(1)包围盒提取子模块
以肺结节为中心，提取一个能完全包含所对应结节的正方体状的包围盒。
(2)3D可视化处理子模块
采用Marching Cubes算法把包围盒内肺体积在三维空间内以三角面片表示出来。
3、血管骨架计算模块
血管骨架计算模块是用来提取包围盒内的血管，并计算血管的骨架的，其包括以下子模块：非血管区域移除子模块、映射子模块、血管骨架提取子模块。
(1)非血管区域移除子模块
保留具有管状形状的区域，丢弃所有其他区域。
(2)映射子模块
将血管从几何空间映射到CT图像空间。
(3)血管骨架提取子模块
基于离散化3D物体的排斥力场，使用计算得到的矢量场的拓扑特征来提取血管骨架。
4、血管量化模块
血管量化模块是用来依据血管的骨架与肺结节之间的距离对肺结节周边血管进行自动量化的。
由此可见，本发明的肺结节周边血管量化评估系统能够全自动量化分析肺结节周边血管数量，显著提高了临床上评估效率。
第二部分：利用上述系统量化评估肺结节周边血管的方法
Step1：对肺部CT影像中的肺结节的边界进行自动勾画，自动分割出肺结节
对于肺结节的检测与分割，方法有很多，相对于手动分割，运用计算机辅助检测(CAD)方法来自动检测及分割肺结节的效率更高。
参照图3，肺结节的自动检测与分割主要有以下三步：
(1)图像预处理
图像预处理的目的主要是减少图像中的噪音，可使用的减噪方法有：中值滤波法、高斯滤波法、维纳滤波法、拉普拉斯滤波法等。
本发明采用的是高斯滤波法，去除肺部CT影像中的噪音，增强肺区域的信号。
(2)肺区域分割
肺区域分割是指将预处理的CT图像分割成多个区域，以将与肺组织相对应的像素或体素与周围解剖结构分离的过程。
目前，已有一些方法用于肺区域分割，比如：基于阈值的各种区域填充方法。虽然这些方法可有效地提取肺实质，但当肺区域与肺壁相邻并且密度相近时，会错误地过滤掉这些区域，导致这些区域中可能含有的粘连结节漏检。
针对上述的问题，本发明采用3D递归高斯滤波法去除肺部CT影像中病患和检查床之间的空气，根据设定的阈值识别初始肺部区域，对非肺部区域进行泛洪填充，去除高斯滤波后残留的非肺部区域，然后追踪肺边界，并将多张2D影像中的肺边界形成一个定向闭路逆时针的轮廓集，最后对肺边界进行平滑处理。具体如下：
首先，采用标准差为1.0mm的3D递归高斯滤波器去除病患和检查床之间的空气，以防止这些空气所在的密度被错误地认为肺边界；
然后，以-500HU灰度值作为阈值识别初始肺部区域，对非肺部区域进行泛洪填充，去除高斯滤波后残留的非肺部区域；
其次，提取肺边界，采用内边框跟踪算法分别从左到右和从右到左的扫描线中的第一点为种子点进行肺边界的追踪，每张2D影像中的肺边界被跟踪为一系列像素点，从而形成一个“定向闭路逆时针”的轮廓集；
最后，采用Jarvis March算法对肺边界进行平滑处理。
本发明这个算法的优点是：可以计算可能含有粘连肺结节的局部凸包，进而不会漏掉与肺边界的粘连结节。
(3)肺结节的检测及分割
本发明采用快速行进法(fast marching method,FMM)对已分割的肺区域进行肺结节的检测及分割。
首先，设定一个特定的阈值(如-600HU)，生成二进制CT图像，并以该二进制CT图像作为FMM的初始数据集，计算有向距离场。需要注意的是：所有肺结节区域的距离值均为正。
应用FMM后，生成一个记录距离场的体素集，每个体素的距离值代表该点指向边界的最短距离，肺部组织中有三种组织的距离场为正，它们是：肺结节(球状)、肺裂(平面)、血管(管状)，这三种组织的各点指向边界的距离值的最大值所在位置不同，肺结节距离值最大的点位于结节中心，根据这一特点，我们把具有正距离值的兴趣点(point of interest,POI)范围缩小到只包含肺结节，排除了肺裂及血管。
理想情况下，所有肺结节都是球体，血管都是截锥体。但临床中，由于图像噪音、CT扫描参数及影像重构伪影的存在，使得POI位于非肺部组织上，这就带来了检测的假阳性。因此，我们把POI分为两类：结节组织、非结节组织。我们采用一种基于形状的分析方法，在每个POI处进行聚类，计算与球体的形状相似性得分，这个得分高的区域代表肺结节。
肺结节检测后，进行肺结节的分割。从检测到的结节的中心点射出一组射线，计算这些射线与由MCA生成的三角形网格之间的相交点，第一个相交点被定义为“可见”，所有远处(或后续的)相交点被定义为“不可见”，过滤掉“不可见”点，将由所有可见点形成的区域视为结节表面。
Step2：以肺结节为中心提取一定尺寸的包围盒，并对包围盒中的肺结节及周围血管进行3D可视化处理
首先，以肺结节为中心，提取一个能够完全包含所对应结节的包围盒，例如：提取一个50mm3×50mm3×50mm3大小的包围盒。
然后，采用Marching Cubes算法(MCA)把包围盒内肺体积在三维空间内以三角面片表示。
MCA将肺体积向量场中的八个相邻体素视为逻辑立方体，并通过线性插值计算出等值面与立方体边缘的交点。
MCA的线性插值特性使得本发明的方法可以直接处理同一平面内或平面间分辨率不同的CT检查，而无需额外的重建。
另外，在应用MCA时，需设定图像密度阈值，来定义兴趣组织的边界。
Step3：提取包围盒内的血管，并计算血管的骨架
(1)提取包围盒内的血管
如前所述，肺部组织根据形状可分为三大类：球体(如肺结节)、平面(如肺裂)、圆柱体(如血管)。一般来讲，平面或圆柱体上的任何点的最小曲率为零，球体上的任何点的曲率都非零；对于凹圆柱或球体，最大曲率具有负值；对于凸圆柱体和球体，最大曲率具有正值。因此，曲率在区分这些基本形状时非常有用。然而，这些属性对于局部表面扰动非常敏感。为了可靠地确定出现了凸圆柱体的血管，我们分析给定表面上每个点处的主曲率和主方向两个参数。圆柱体上相邻两点的主方向通常彼此平行，而球体或平面上的主要方向是随机分布的。
首先，计算包围盒内三角面片顶点的最大曲率Cmax和1-环顶点中最小主方向上的最大角度差的绝对值Amax。
然后，比较Cmax、Amax的大小，当同时满足(i)Cmax≥-0.05mm-1、(ii)|Cmax|≥0.2mm-1、(iii)Amax>30°这三个条件时，对应的三角面片为明显的非血管区域，将其从包围盒中移除。
这种基于曲率的过滤方法可过滤掉大部分非管状区域，但会漏掉一些小平面斑块。血管区域为圆柱体，并且沿轴向的投影为圆形，而非血管区域可视为小平面斑块，沿轴向投影不具备这个特点，因此，我们开发了一种基于法线向量分布的方法来保留具有管状形状的区域，并丢弃所有其他区域，具体如下：
给定可以是任何形状的孤立表面面片，根据表面面片所有顶点的最小曲率方向e2i的平均值确定面片的方向d：
其中，n表示表面面片所有顶点的数量。
给定表面变换为与全局坐标系的z轴平行的方向d，如图4(a)至图4(d)所示。在该变换之后，管状区域(图4(a))的法向向量分布在所有四个八分圆，而小平面(图4(d))不具有这个特点。因此，利用本发明的法向向量的分布可以区分管状区域和平面面片。
(2)计算血管的骨架
血管的检测识别完成后，检测到的血管表示为三角形网格中的几何表面，我们需要将识别的血管从几何空间映射到CT图像空间，使得能够直接观察叠加在相应CT图像上的血管。
首先，考虑到血管为凸圆柱形，映射操作中我们利用了拉普拉斯平滑运算的收缩效应，对所识别的血管重复拉普拉斯(Laplacian)运算，由于拉普拉斯算子不会改变三角形网格表面中的拓扑结构或三角形数量，这种重复运算的过程逐渐增加了三角形网格中的“三角形密度”，从而减慢了尺寸收缩过程，为了加速尺寸收缩过程，我们通过在每个拉普拉斯算子运算之后对三角形网格进行简单的“环形崩塌(ring-collapse)”操作，自适应地调整“三角形密度”，逐渐、快速的缩小血管尺寸。本发明中，我们将阈值设置为体素大小的四分之一，拉普拉斯操作和边缘崩塌操作的时间和空间的计算复杂度相对于血管树中包含的顶点数量而言是线性的，因此将血管从几何空间映射到CT图像空间是有效的。
血管映射到CT图像空间后，为了便于计算结节周围血管数量，我们对血管骨架(血管轴向中心线)进行了自动提取。我们采用的算法基于离散化3D物体的排斥力场，并且使用计算所得到的矢量场(例如临界点和临界曲线)的拓扑特征来提取曲线骨架。3D物体可以被表示为一组多边形、物体表面上的离散点集或体素集，假设3D物体是指该物体的3D离散化体素集。
提取曲线骨架的过程具体如下：
1)识别3D物体的边界体素作为排斥力场的来源，如果使用3D多面体对象，则可以通过体素化将其离散化到3D网格上。
2)计算每个体素的排斥力函数，得到3D矢量场，由于附近点电荷而导致的给定点P处的排斥力为：
其中，是从点电荷C到给定点P的归一化特征向量，R是给定点P和点电荷C之间的距离。
3)在矢量场上进行积分，检测矢量场大小为零的点，并使用路径线进行连接，创建核心骨架。
4)计算每个体素上矢量场的发散值，选择具有低发散值的点作为新骨架段的新种子(例如：将发散值从低到高排列，取前20％)，设置发散阈值，创建第1级骨架层次结构。
5)计算每个边界体素的曲率，并根据提供的曲率阈值选择新的种子点(例如：将最高曲率值从高到低排列，取前30％)，创建第2级骨架层次结构。需要注意的是，边界种子可以直接添加到核心骨架或第1级骨架层次结构，然而只有当层次结构级别低于当前级别时，才能实现严格的层次结构，例如：为了生成严格的2级层次结构，核心骨架和分散种子的数量必须是固定的，只有边界数量允许种子变化。
6)把得到的骨架从几何空间映射会CT图像空间。
Step4：依据血管的骨架与肺结节之间的距离对肺结节周边血管进行量化评估
为了量化肺结节周围的血管，我们只评估在包围盒中附着或接近肺结节的血管，不论血管是否与结节接触。
参照图5，满足下面三个条件即可判断血管在结节周围：
(1)当骨架直接附着在结节上时，判定血管在结节周围，如骨架V2。
(2)当骨架到结节表面的最大距离不超过3mm时，判定血管在结节周围，如骨架V1。
(3)当骨架到结节表面的距离大于3mm、小于5mm并且骨架的延长线与骨架末端到结节中心的连线之间的角度不超过15゜时，判定血管在结节周围，如骨架V3。
(4)其余的骨架在量化中不被考虑，如骨架V4、骨架V5和骨架V6。
由此可见，本发明利用解剖学结构特点及基于法线向量分布的方法，过滤掉了小平面斑块，保留了血管，使得肺周边血管的准确量化成为可能，解决了目前无法定量分析肺结节周边血管的难题，使得血管增生可以作为评估肺结节的良恶性的风险因子，进而使得肺结节良恶性概率的评估更准确。
需要说明的是，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (10)
1.一种肺结节周边血管量化评估系统，其特征在于，包括：
肺结节分割模块：对肺部CT影像中的肺结节的边界进行自动勾画，自动分割出肺结节；
包围盒处理模块：以肺结节为中心提取一定尺寸的包围盒，并对包围盒中的肺结节及周围血管进行3D可视化处理；
血管骨架计算模块：提取包围盒内的血管，并计算血管的骨架；
血管量化模块：依据血管的骨架与肺结节之间的距离对肺结节周边血管进行自动量化。
2.根据权利要求1所述的肺结节周边血管量化评估系统，其特征在于，所述肺结节分割模块包括以下子模块：
图像预处理子模块：去除肺部CT影像中的噪音，增强肺区域的信号；
肺区域分割子模块：去除肺部CT影像中病患和检查床之间的空气以及非肺部区域，追踪肺边界，将多张2D影像中的肺边界形成一个定向闭路逆时针的轮廓集，对肺边界进行平滑处理；
肺结节分割子模块：将原CT图像生成二进制CT图像，根据二进制CT图像计算有向距离场，并生成一个记录距离场的体素集，把具有正距离值的兴趣点范围缩小到只包含肺结节的体素，再采用基于形状的分析方法确定肺结节，然后从已确定的肺结节的中心点射出一组射线，根据这些射线与由MCA生成的三角形网格之间的相交点形成结节表面。
3.根据权利要求1所述的肺结节周边血管量化评估系统，其特征在于，所述包围盒处理模块包括以下子模块：
包围盒提取子模块：以肺结节为中心，提取一个能完全包含所对应结节的正方体状的包围盒；
3D可视化处理子模块：采用Marching Cubes算法把包围盒内肺体积在三维空间内以三角面片表示出来。
4.根据权利要求1所述的肺结节周边血管量化评估系统，其特征在于，所述血管骨架计算模块包括以下子模块：
非血管区域移除子模块：保留具有管状形状的区域，丢弃所有其他区域；
映射子模块：将血管从几何空间映射到CT图像空间；
血管骨架提取子模块：基于离散化3D物体的排斥力场，使用计算得到的矢量场的拓扑特征来提取血管骨架。
5.利用权利要求1至4任意一项所述的系统量化评估肺结节周边血管的方法，其特征在于，包括以下步骤：
Step1：对肺部CT影像中的肺结节的边界进行自动勾画，自动分割出肺结节；
Step2：以肺结节为中心提取一定尺寸的包围盒，并对包围盒中的肺结节及周围血管进行3D可视化处理；
Step3：提取包围盒内的血管，并计算血管的骨架；
Step4：依据血管的骨架与肺结节之间的距离对肺结节周边血管进行量化评估。
6.根据权利要求5所述的方法，其特征在于，在Step1中，自动分割肺结节的步骤如下：
(1)采用中值滤波法、高斯滤波法、维纳滤波法或拉普拉斯滤波法去除肺部CT影像中的噪音，增强肺区域的信号；
(2)采用3D递归高斯滤波法去除肺部CT影像中病患和检查床之间的空气，根据设定的阈值识别初始肺部区域，对非肺部区域进行泛洪填充，去除高斯滤波后残留的非肺部区域，然后追踪肺边界，并将多张2D影像中的肺边界形成一个定向闭路逆时针的轮廓集，最后对肺边界进行平滑处理；
(3)根据设定的阈值将原CT图像生成二进制CT图像，根据二进制CT图像计算有向距离场，并生成一个记录距离场的体素集，把具有正距离值的兴趣点范围缩小到只包含肺结节的体素，再采用基于形状的分析方法确定肺结节，然后从已确定的肺结节的中心点射出一组射线，计算这些射线与由MCA生成的三角形网格之间的相交点，第一个相交点定义为可见点，将由所有可见点形成的区域视为结节表面。
7.根据权利要求5所述的方法，其特征在于，在Step2中，提取及处理包围盒的步骤如下：
(1)以肺结节为中心，提取一个能够完全包含所对应结节的包围盒；
(2)采用Marching Cubes算法把包围盒内肺体积在三维空间内以三角面片表示。
8.根据权利要求5所述的方法，其特征在于，在Step3中，提取包围盒内的血管的步骤如下：
(1)计算包围盒内三角面片顶点的最大曲率Cmax和1-环顶点中最小主方向上的最大角度差的绝对值Amax，然后比较Cmax、Amax的大小，当同时满足(i)Cmax≥-0.05mm-1、(ii)|Cmax|≥0.2mm-1、(iii)Amax>30°这三个条件时，对应的三角面片为明显的非血管区域，将其从包围盒中移除；
(2)根据表面面片所有顶点的最小曲率方向e2i的平均值确定面片的方向d：
<mrow>
<mi>d</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>e</mi>
<mrow>
<mn>2</mn>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>e</mi>
<mrow>
<mn>2</mn>
<mi>i</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
其中，n表示表面面片所有顶点的数量。
9.根据权利要求5所述的方法，其特征在于，在Step3中，计算血管的骨架的步骤如下：
(1)利用拉普拉斯平滑运算的收缩效应，对所识别的血管重复拉普拉斯运算，在每个拉普拉斯算子运算之后对由MCA生成的三角形网格进行简单的环形崩塌操作，自适应地调整三角形密度，逐渐缩小血管尺寸；
(2)假设3D物体是指该物体的3D离散化体素集，识别3D物体的边界体素作为排斥力场的来源；
(3)计算每个体素的排斥力函数，得到3D矢量场，由于附近点电荷而导致的给定点P处的排斥力为：
其中，是从点电荷C到给定点P的归一化特征向量，R是给定点P和点电荷C之间的距离；
(4)在矢量场上进行积分，检测矢量场大小为零的点，并使用路径线进行连接，创建核心骨架；
(5)计算每个体素上矢量场的发散值，选择具有低发散值的点作为新骨架段的新种子，设置发散阈值，创建第1级骨架层次结构；
(6)计算每个边界体素的曲率，并根据提供的曲率阈值选择新的种子点，创建第2级骨架层次结构；
(7)把得到的骨架从几何空间映射会CT图像空间。
10.根据权利要求5所述的方法，其特征在于，在Step4中，依据血管的骨架与肺结节之间的距离对肺结节周边血管进行量化评估的方法如下：
(1)当骨架直接附着在结节上时，判定血管在结节周围；
(2)当骨架到结节表面的最大距离不超过3mm时，判定血管在结节周围；
(3)当骨架到结节表面的距离大于3mm、小于5mm并且骨架的延长线与骨架末端到结节中心的连线之间的角度不超过15゜时，判定血管在结节周围；
(4)其余的骨架在量化中不被考虑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710848435.5A CN107633514B (zh) | 2017-09-19 | 2017-09-19 | 一种肺结节周边血管量化评估系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710848435.5A CN107633514B (zh) | 2017-09-19 | 2017-09-19 | 一种肺结节周边血管量化评估系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107633514A true CN107633514A (zh) | 2018-01-26 |
| CN107633514B CN107633514B (zh) | 2020-07-31 |
Family
ID=61102022
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710848435.5A Expired - Fee Related CN107633514B (zh) | 2017-09-19 | 2017-09-19 | 一种肺结节周边血管量化评估系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107633514B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109146854A (zh) * | 2018-08-01 | 2019-01-04 | 东北大学 | 一种肺结节与肺部血管伴生关系的分析方法 |
| CN110232698A (zh) * | 2019-04-20 | 2019-09-13 | 北京工业大学 | 一种基于模型分割与l1中值骨架的连续帧三维人体曲线骨架提取方法 |
| CN112070790A (zh) * | 2020-09-11 | 2020-12-11 | 杭州微引科技有限公司 | 一种基于深度学习和图像处理的混合肺部分割系统 |
| CN112927210A (zh) * | 2021-03-08 | 2021-06-08 | 常州市第一人民医院 | 一种能够定量分析肾表面结节的量化方法 |
| CN113129317A (zh) * | 2021-04-23 | 2021-07-16 | 广东省人民医院 | 一种基于流域分析技术的肺叶自动分段方法 |
| CN113393452A (zh) * | 2021-06-28 | 2021-09-14 | 什维新智医疗科技(上海)有限公司 | 一种甲状腺结节血管数目探测装置 |
| CN113570625A (zh) * | 2021-08-27 | 2021-10-29 | 上海联影医疗科技股份有限公司 | 图像分割方法、图像分割模型及其训练方法 |
| CN113643279A (zh) * | 2021-08-30 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 基于ct影像的肺结节检测设备、装置及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120207366A1 (en) * | 2009-10-13 | 2012-08-16 | Agency For Science, Technology And Research | Method and system for segmenting a liver object in an image |
| CN103093503A (zh) * | 2013-02-08 | 2013-05-08 | 河北大学 | 基于ct图像的肺实质区域表面模型的建立方法 |
| CN103824295A (zh) * | 2014-03-03 | 2014-05-28 | 天津医科大学 | 一种肺部ct图像中粘连血管型肺结节的分割方法 |
| CN105469419A (zh) * | 2016-01-07 | 2016-04-06 | 于翠妮 | 一种基于ct影像的肺结节检测方法 |
| CN105701799A (zh) * | 2015-12-31 | 2016-06-22 | 东软集团股份有限公司 | 从肺部掩膜影像中分割肺血管的方法和装置 |
| CN105931247A (zh) * | 2016-05-05 | 2016-09-07 | 北京师范大学 | 一种基于骨架线的脑血管定量分析方法 |
| CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
-
2017
- 2017-09-19 CN CN201710848435.5A patent/CN107633514B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120207366A1 (en) * | 2009-10-13 | 2012-08-16 | Agency For Science, Technology And Research | Method and system for segmenting a liver object in an image |
| CN103093503A (zh) * | 2013-02-08 | 2013-05-08 | 河北大学 | 基于ct图像的肺实质区域表面模型的建立方法 |
| CN103824295A (zh) * | 2014-03-03 | 2014-05-28 | 天津医科大学 | 一种肺部ct图像中粘连血管型肺结节的分割方法 |
| CN105701799A (zh) * | 2015-12-31 | 2016-06-22 | 东软集团股份有限公司 | 从肺部掩膜影像中分割肺血管的方法和装置 |
| CN105469419A (zh) * | 2016-01-07 | 2016-04-06 | 于翠妮 | 一种基于ct影像的肺结节检测方法 |
| CN105931247A (zh) * | 2016-05-05 | 2016-09-07 | 北京师范大学 | 一种基于骨架线的脑血管定量分析方法 |
| CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
Non-Patent Citations (5)
| Title |
|---|
| IMAGESHAYDAR ÖZKAN等: "A novel method for pulmonary embolism detectionin CTA images", 《COMPUTER METHOD AND PROGRAMS IN BIOMEDIGINE》 * |
| 谭海: "显微CT三维血管图像定量分析的研究", 《中国博士学位论文全文数据库（电子期刊）信息科技辑》 * |
| 赖凯: "基于CT体数据的人体肺气道树数学模型建立", 《中国博士学位论文全文数据库（电子期刊）医药卫生科技辑》 * |
| 马锐等: "基于广义势场的三维形体多层次线骨架构建", 《计算机应用》 * |
| 黄求理等: "肺结节与肺癌影像诊断关注点", 《现代医学》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109146854A (zh) * | 2018-08-01 | 2019-01-04 | 东北大学 | 一种肺结节与肺部血管伴生关系的分析方法 |
| CN110232698A (zh) * | 2019-04-20 | 2019-09-13 | 北京工业大学 | 一种基于模型分割与l1中值骨架的连续帧三维人体曲线骨架提取方法 |
| CN110232698B (zh) * | 2019-04-20 | 2021-09-17 | 北京工业大学 | 一种基于模型分割与l1中值骨架的连续帧三维人体曲线骨架提取方法 |
| CN112070790A (zh) * | 2020-09-11 | 2020-12-11 | 杭州微引科技有限公司 | 一种基于深度学习和图像处理的混合肺部分割系统 |
| CN112070790B (zh) * | 2020-09-11 | 2023-04-07 | 杭州微引科技有限公司 | 一种基于深度学习和图像处理的混合肺部分割系统 |
| CN112927210A (zh) * | 2021-03-08 | 2021-06-08 | 常州市第一人民医院 | 一种能够定量分析肾表面结节的量化方法 |
| CN113129317A (zh) * | 2021-04-23 | 2021-07-16 | 广东省人民医院 | 一种基于流域分析技术的肺叶自动分段方法 |
| CN113393452A (zh) * | 2021-06-28 | 2021-09-14 | 什维新智医疗科技(上海)有限公司 | 一种甲状腺结节血管数目探测装置 |
| CN113393452B (zh) * | 2021-06-28 | 2023-04-07 | 什维新智医疗科技(上海)有限公司 | 一种甲状腺结节血管数目探测装置 |
| CN113570625A (zh) * | 2021-08-27 | 2021-10-29 | 上海联影医疗科技股份有限公司 | 图像分割方法、图像分割模型及其训练方法 |
| CN113570625B (zh) * | 2021-08-27 | 2024-09-06 | 上海联影医疗科技股份有限公司 | 图像分割方法、图像分割模型及其训练方法 |
| CN113643279A (zh) * | 2021-08-30 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 基于ct影像的肺结节检测设备、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107633514B (zh) | 2020-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107633514B (zh) | 一种肺结节周边血管量化评估系统及方法 | |
| JP6267710B2 (ja) | 医用画像中の肺結節を自動検出するためのシステム及び方法 | |
| US20190355117A1 (en) | Techniques for Segmentation of Lymph Nodes, Lung Lesions and Other Solid or Part-Solid Objects | |
| Mukhopadhyay | A segmentation framework of pulmonary nodules in lung CT images | |
| John et al. | Multilevel thresholding based segmentation and feature extraction for pulmonary nodule detection | |
| KR101967357B1 (ko) | 이미징 데이터 내에서 잠재적인 이형을 분리하기 위한 방법 및 장치 그리고 의료 영상에의 응용 | |
| US8165376B2 (en) | System and method for automatic detection of rib metastasis in computed tomography volume | |
| Alilou et al. | A comprehensive framework for automatic detection of pulmonary nodules in lung CT images | |
| US20090123049A1 (en) | Nodule Detection | |
| WO2001078005A2 (en) | System and method for three-dimensional image rendering and analysis | |
| CN109300113B (zh) | 一种基于改进凸包方法的肺结节辅助检测系统及方法 | |
| JP2007307358A (ja) | 画像処理方法および装置ならびにプログラム | |
| JP2002523123A (ja) | 病変の分割および分類のための方法およびシステム | |
| US7480401B2 (en) | Method for local surface smoothing with application to chest wall nodule segmentation in lung CT data | |
| CN107103605B (zh) | 一种乳房组织的分割方法 | |
| JP2011526508A (ja) | 医療用画像の領域分割 | |
| CN105701799A (zh) | 从肺部掩膜影像中分割肺血管的方法和装置 | |
| Zhao et al. | An automated pulmonary parenchyma segmentation method based on an improved region growing algorithmin PET-CT imaging | |
| Yang et al. | An automated method for accurate vessel segmentation | |
| Luo et al. | 3D reconstruction of coronary artery vascular smooth muscle cells | |
| KR101494975B1 (ko) | 3차원 자동 유방 초음파 영상의 유두 자동 검출 시스템 및 그 검출 방법 | |
| CN116934885A (zh) | 肺部分割方法、装置、电子设备及存储介质 | |
| JP2002133397A (ja) | 異常陰影候補検出装置 | |
| US20230342994A1 (en) | Storage medium, image identification method, image identification device | |
| Huang et al. | Automatic segmentation of the body and the spinal canal in CT images based on a priori information |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200731 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |