CN107705303A - 一种医学图像上血管的分割方法 - Google Patents
一种医学图像上血管的分割方法 Download PDFInfo
- Publication number
- CN107705303A CN107705303A CN201710959468.7A CN201710959468A CN107705303A CN 107705303 A CN107705303 A CN 107705303A CN 201710959468 A CN201710959468 A CN 201710959468A CN 107705303 A CN107705303 A CN 107705303A
- Authority
- CN
- China
- Prior art keywords
- mrow
- region
- msub
- seed
- point
- 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
- G06T7/0002—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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/10024—Color 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种医学图像上血管的分割方法,包括选取种子点或种子区域、按照生长准则进行区域生长的步骤;在生长准则中对全局灰度准则进行加权,加入局部邻域信息,消除离散区域,有效地改善图像中的单支不连通血管、离散点和离散斑块的问题,使得血管图像整体连贯、轮廓清晰、细节精细,更好地重现肝区原貌。
Description
技术领域
本发明涉及医学图像的分析技术领域,特别地,涉及一种在医学图像上将血管清楚分割的方法。
背景技术
临床或研究中,在对肝区进行分析时,经常取肝静脉期注入造影剂后投影的数据进行混合滤波后,对肝脏区域的图像进行分割提取。肝区域内的血管在图像上表现为一个一个大小不等、亮度不均的亮斑。对于这些亮斑的提取,最简单实用的办法,是使用全局阈值加数学形态学处理提取重建:
(1)对数据进行阈值门限分割,提取肝区域内的两套血管(肝静脉和门静脉)。
(2)用数学形态学中的膨胀和腐蚀,或是开闭运算,优化提取结果,消除掉那些白色小区域。
(3)对分割提取处理的血管进行三维重建,实验结果如图1所示。
从结果中可以看出,经过设定全局阈值,并且根据需要调解阈值的大小,可以提取出所有的血管,与此同时还会有许多细小的杂点,经过膨胀腐蚀运算后,可以有效地消除这些小杂点,这种方法简单有效。
再选取静脉期的一套完整数据,数据大小为512×512×156,灰度等级为256,首先进行肝区域的提取,然后使用混合滤波处理。对分割处理后的数据使用全局阈值提取血管,用腐蚀+膨胀运算消除杂点,对结果图像进行重建。
分别选取全局阈值175和200进行阈值分割的图像如图2所示。从重建的结果中我们可以看出:这种办法的优点是算法简单,运行速度快。缺点是重建结果中存在较多的离散点与离散斑块,而且存在与任何主干血管都不连通的离散单支血管,最关键的问题是肝静脉与门静脉无法有效的区分。并且全局阈值的选取对结果影响很大,阈值选取过小,结果中离散的点和块过多;阈值选取过大,则降低了血管的等级和精细度。
发明内容
本发明目的在于提供一种在医学图像上将血管清楚分割的方法,以解决目前肝区图像中肝静脉与门静脉无法有效区分、血管精细度不够的技术问题。
为实现上述目的,本发明提供了一种医学图像上血管的分割方法,包括步骤:
A、将种子点放入存储生长种子的堆栈队列,种子点P(X,Y,n)须满足以下条件:
其中,VP(X,Y,n)是种子点P(X,Y,n)的灰度值;为先验知识确定的图像中血管区域的平均灰度值,th是所选取的阈值;
或者,对种子区域R中的像素进行灰度统计,计算其方差和均值,分别记为和δi 2,1≤i≤N,N为区域内像素的个数;
B、设置生长准则T:
T=TV→R+ωT'V→R 2)
式中,TV→R反映了当前体素点与区域R的相似度,VP为当前体素点P的灰度值,为区域R的平均灰度值,δ为区域R的方差;c为一个设为1的常数,N分别表示当前体素邻域的大小,N取6、18或26;NR表示邻域中已划分到区域中体素的个数;α取值为常数1;
ω为加权因子,取值范围为0-1.0;
C、从队列中或者种子区域中依次取出种子点,判断种子点邻域体素是否满足生长准则,若满足生长准则,则将其作为新的种子放入队列或种子区域,反复进行,直到队列或种子区域为空。
优选的,步骤A中,对于每一个选定的区域R,依据正态分布的3δ原则,视的样本点为不合理的种子点,予以提出,然后重新计算区域内的均值和方差,直到无不合理点为止。
优选的,ω参数与全局灰度门限Th一同进行调节。
优选的,将两套血管的生长结果分别标注为两种颜色。
本发明具有以下有益效果:
本发明在生长准则中对全局灰度准则进行加权,加入局部邻域信息,消除离散区域,有效地改善图2中的单支不连通血管、离散点和离散斑块的问题,使得血管图像整体连贯、轮廓清晰、细节精细,更好地重现肝区原貌,为医疗和研究提供有力支撑。
肝区相连通的两个最大区域,为肝静脉和门静脉血管区域。本申请通过连通满足相似性条件的种子点,抛弃不满足相似性条件的种子点,形成对三维连通域的检测,实现肝静脉和门静脉很好的区分开,如图3和图4所示。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是现有技术的数学形态学+膨胀腐蚀运算后重建的图像;
图2是现有技术的选取全局阈值175和200进行阈值分割后重建的图像,图(a)为全局阈值选取175的图像,图(b)为全局阈值选取200的图像;
图3是本发明优选实施例的重建图像之一;
图4是本发明优选实施例的重建图像之二。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
三维区域生长需要首先设置一个或多个体素作为种子,然后根据某种事先确定的生长准则,将种子周围邻域中与种子有相同或相似性质的体素合并到种子体素所在的区域中,并将这些体素当作新的种子继续进行上述过程,直到没有满足条件的体素可被包含进来,则生长过程结束。在三维区域生长过程中,通常需要两个数据结构:
(1)用于存储生长种子的堆栈,初始化时首先将种子放入队列,然后从队列中依次取出种子,判断其邻域体素,若满足生长准则,则将其作为新的种子放入队列,反复进行,直到队列为空。
(2)用于标识分割结果的掩模,通常掩模的大小与3D图像大小相同。
算法基本流程如下:
(1)种子点的选择。可选取一个点作为种子点,也可以选出一块划定的区域为种子区域。可通过鼠标操作,用线条、矩形或圆形等形状在切片图像中标识出血管种子候选区域。对种子点或种子区域的选取作如下改进:
如果选取一个点P(X,Y,n)作为种子点,P(X,Y,n)必须满足以下条件:
在上式中,VP(X,Y,n)为种子点P(X,Y,n)的灰度值;为先验知识确定的图像中血管区域的平均灰度值,th是所选取的阈值。
如果选取的是一个区域R,则对R中的像素进行灰度统计,计算其方差和均值,分别记为和δi 2,1≤i≤N,N为区域内像素的个数。对于每一个选定的区域R,依据正态分布的3δ原则,视的样本点为不合理的种子点,予以踢出,然后重新计算区域内的均值和方差,直到无不合理点为止。
(2)设置生长准则,进行生长。
通常,检验一个体素点P与区域R的相似性大小的准则为:
式中,VP为当前体素点P的灰度值,为区域R的平均灰度值,δ为区域R的方差,TV→R反映了当前体素点与区域R的相似度。这样我们设置阈值Th,以6邻域,或18邻域,26邻域作为检验范围,就可以判断每一个与区域R相邻的体素点是否属于区域R。当一个点添加到区域R中后,更新和δ,再向区域R的其他相邻体素继续生长,直到无满足条件的点为止。
这种生长准则只考虑到了每一个点的灰度信息,而没有考虑每一个体素点与生长区域的局部结构信息。实际中表现为血管壁上会出现很多的毛刺点,为此,发明人对准则作了如下的改进,对全局灰度准则进行加权,加入局部邻域信息:
式中,c为一个常数,实际中可以设为1,N和NR分别表示当前体素邻域大小,邻域中已划分到区域中体素的个数。N可以根据实际情况取6,18或26,N取值越大,计算量越大,反映的相似性就越全面,一般取6就可以满足应用要求。准则反映了当前体素P与其近邻体素的相似性大小,是一种局部相似性评价准则。
最终的生长准则为两者的加权:
T=TV→R+ωT'V→R (3.16)
加权因子ω的取值是制约生长准则一个关键的因素,实际中可以将ω参数与全局灰度门限Th一同进行调节(一同调节就是遍历搜索,即ω在0-1.0之间,Th在区域灰度最大值的一半以内进行搜索),以达到最佳的效果。
(3)人工选取肝静脉和门静脉的根节点血管区域,作为种子生长区域,利用上面的种子点种子区域选区准则,生长准则,进行生长。将两套血管的生长结果分别标注为两种颜色,结果如图3和图4所示。图中可以看出,肝静脉和门静脉已经很好的区分开,这种方法和阈值分割法比起来,可以更有效的消除离散区域,使得图像连贯清晰。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种医学图像上血管的分割方法,其特征在于,包括步骤:
A、将种子点放入存储生长种子的堆栈队列,种子点P(X,Y,n)须满足以下条件:
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>V</mi>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>,</mo>
<mi>Y</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>-</mo>
<mover>
<mi>V</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mo>|</mo>
<mo><</mo>
<mi>t</mi>
<mi>h</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
其中,VP(X,Y,n)是种子点P(X,Y,n)的灰度值;为先验知识确定的图像中血管区域的平均灰度值,th是所选取的阈值;
或者,对种子区域R中的像素进行灰度统计,计算其方差和均值,分别记为和δi 2,1≤i≤N,N为区域内像素的个数;
B、设置生长准则T:
T=TV→R+ωT'V→R 2)
<mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>V</mi>
<mo>&RightArrow;</mo>
<mi>R</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>V</mi>
<mi>P</mi>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>X</mi>
<mi>R</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&delta;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<msup>
<mi>T</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mi>V</mi>
<mo>&RightArrow;</mo>
<mi>R</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>c</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>N</mi>
<mi>R</mi>
</msub>
<mo>></mo>
<mi>&alpha;</mi>
<mi>N</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msub>
<mi>&alpha;N</mi>
<mi>R</mi>
</msub>
</mrow>
<mi>N</mi>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
式中,TV→R反映了当前体素点与区域R的相似度,VP为当前体素点P的灰度值,为区域R的平均灰度值,δ为区域R的方差;c为一个设为1的常数,N分别表示当前体素邻域的大小,N取6、18或26;NR表示邻域中已划分到区域中体素的个数;α取值为常数1;
ω为加权因子,取值范围为0-1.0;
C、从队列中或者种子区域中依次取出种子点,判断种子点邻域体素是否满足生长准则,若满足生长准则,则将其作为新的种子放入队列或种子区域,反复进行,直到队列或种子区域为空。
2.根据权利要求1所述的分割方法,其特征在于,步骤A中,
对于每一个选定的区域R,依据正态分布的3δ原则,视的样本点为不合理的种子点,予以提出,然后重新计算区域内的均值和方差,直到无不合理点为止。
3.根据权利要求1所述的分割方法,其特征在于,ω参数与全局灰度门限Th一同进行调节。
4.根据权利要求1所述的分割方法,其特征在于,将两套血管的生长结果分别标注为两种颜色。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710959468.7A CN107705303A (zh) | 2017-10-16 | 2017-10-16 | 一种医学图像上血管的分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710959468.7A CN107705303A (zh) | 2017-10-16 | 2017-10-16 | 一种医学图像上血管的分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107705303A true CN107705303A (zh) | 2018-02-16 |
Family
ID=61184267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710959468.7A Pending CN107705303A (zh) | 2017-10-16 | 2017-10-16 | 一种医学图像上血管的分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107705303A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492307A (zh) * | 2018-03-26 | 2018-09-04 | 苏州朗润医疗系统有限公司 | 一种磁共振adc图像分割方法及使用该方法的磁共振系统 |
CN108717538A (zh) * | 2018-06-08 | 2018-10-30 | 上海联影医疗科技有限公司 | 一种管状结构提取方法及装置 |
CN109785296A (zh) * | 2018-12-25 | 2019-05-21 | 西安电子科技大学 | 一种基于cta图像的三维球形指数测定方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737376A (zh) * | 2012-03-31 | 2012-10-17 | 常熟市支塘镇新盛技术咨询服务有限公司 | 一种应用在冠状动脉造影图像分割中的改进的区域生长方法 |
CN103150738A (zh) * | 2013-02-02 | 2013-06-12 | 南京理工大学 | 分布式多传感器运动目标的检测方法 |
CN103473755A (zh) * | 2013-09-07 | 2013-12-25 | 西安电子科技大学 | 基于变化检测的sar图像稀疏去噪方法 |
US20160070950A1 (en) * | 2014-09-10 | 2016-03-10 | Agency For Science, Technology And Research | Method and system for automatically assigning class labels to objects |
CN107016683A (zh) * | 2017-04-07 | 2017-08-04 | 衢州学院 | 基于区域生长初始化的水平集海马图像分割方法 |
CN107154036A (zh) * | 2017-03-24 | 2017-09-12 | 中南大学 | 基于亚像素的血管分割方法及其分割系统 |
-
2017
- 2017-10-16 CN CN201710959468.7A patent/CN107705303A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737376A (zh) * | 2012-03-31 | 2012-10-17 | 常熟市支塘镇新盛技术咨询服务有限公司 | 一种应用在冠状动脉造影图像分割中的改进的区域生长方法 |
CN103150738A (zh) * | 2013-02-02 | 2013-06-12 | 南京理工大学 | 分布式多传感器运动目标的检测方法 |
CN103473755A (zh) * | 2013-09-07 | 2013-12-25 | 西安电子科技大学 | 基于变化检测的sar图像稀疏去噪方法 |
US20160070950A1 (en) * | 2014-09-10 | 2016-03-10 | Agency For Science, Technology And Research | Method and system for automatically assigning class labels to objects |
CN107154036A (zh) * | 2017-03-24 | 2017-09-12 | 中南大学 | 基于亚像素的血管分割方法及其分割系统 |
CN107016683A (zh) * | 2017-04-07 | 2017-08-04 | 衢州学院 | 基于区域生长初始化的水平集海马图像分割方法 |
Non-Patent Citations (1)
Title |
---|
毛安定 等: "医学图像的三维自适应迭代分割算法", 《电子科技》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492307A (zh) * | 2018-03-26 | 2018-09-04 | 苏州朗润医疗系统有限公司 | 一种磁共振adc图像分割方法及使用该方法的磁共振系统 |
CN108492307B (zh) * | 2018-03-26 | 2022-07-05 | 苏州朗润医疗系统有限公司 | 一种磁共振adc图像分割方法及使用该方法的磁共振系统 |
CN108717538A (zh) * | 2018-06-08 | 2018-10-30 | 上海联影医疗科技有限公司 | 一种管状结构提取方法及装置 |
CN108717538B (zh) * | 2018-06-08 | 2021-06-29 | 上海联影医疗科技股份有限公司 | 一种管状结构提取方法及装置 |
CN109785296A (zh) * | 2018-12-25 | 2019-05-21 | 西安电子科技大学 | 一种基于cta图像的三维球形指数测定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035255B (zh) | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 | |
CN105913432B (zh) | 基于ct序列图像的主动脉提取方法及装置 | |
US10853948B2 (en) | Method for automatically detecting systemic arteries in arbitrary field-of-view computed tomography angiography (CTA) | |
CN108171703A (zh) | 一种从胸部ct图像中自动提取气管树的方法 | |
CN107705303A (zh) | 一种医学图像上血管的分割方法 | |
CN110189258B (zh) | 基于mri多模态序列的颈动脉管腔和管壁自动分割方法 | |
Arcelli et al. | Finding grey-skeletons by iterated pixel removal | |
CN111415335B (zh) | 血管标注方法和装置 | |
Yan et al. | Improved mask R-CNN for lung nodule segmentation | |
CN115564782A (zh) | 3d血管及气管分割方法及系统 | |
JP2009045286A (ja) | 医用画像処理装置、医用画像診断装置、及びプログラム | |
Kaftan et al. | A two-stage approach for fully automatic segmentation of venous vascular structures in liver CT images | |
Kiraly et al. | 3D human airway segmentation for virtual bronchoscopy | |
CN114066885B (zh) | 下肢骨骼模型构造方法、装置、电子设备及存储介质 | |
Levinski et al. | Interactive surface-guided segmentation of brain MRI data | |
Huang et al. | The segmentation of liver and vessels in CT images using 3D hierarchical seeded region growing | |
Miranda et al. | Object delineation by-connected components | |
Essaf et al. | An improved lung parenchyma segmentation using the maximum inter-class variance method (OTSU) | |
Alom et al. | Automatic slice growing method based 3D reconstruction of liver with its vessels | |
CN109741304A (zh) | 基于多模态磁共振的自体关节液来源的间充质干细胞修复软骨损伤图像分割方法 | |
Sharma et al. | Review paper on segmentation of color image using morphological processing | |
CN110458795A (zh) | 一种乳腺肿块超声图像超声区域分离方法 | |
KR0143150B1 (ko) | 최단걷기변환을 이용한 영상분할방법 | |
Fan et al. | A Liver Image Segmentation Method Based on Improved Region Growing Method. | |
Tek et al. | Region competition via local watershed operators |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180216 |
|
RJ01 | Rejection of invention patent application after publication |