CN107767381B - 图像处理装置及图像处理方法 - Google Patents

图像处理装置及图像处理方法 Download PDF

Info

Publication number
CN107767381B
CN107767381B CN201610680717.4A CN201610680717A CN107767381B CN 107767381 B CN107767381 B CN 107767381B CN 201610680717 A CN201610680717 A CN 201610680717A CN 107767381 B CN107767381 B CN 107767381B
Authority
CN
China
Prior art keywords
image
lung
precise
sensitivity
lung image
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
Application number
CN201610680717.4A
Other languages
English (en)
Other versions
CN107767381A (zh
Inventor
陈宇
徐翠
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.)
Canon Medical Systems Corp
Original Assignee
Toshiba Medical Systems Corp
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 Toshiba Medical Systems Corp filed Critical Toshiba Medical Systems Corp
Priority to CN201610680717.4A priority Critical patent/CN107767381B/zh
Priority to JP2017149289A priority patent/JP6945379B2/ja
Priority to US15/678,214 priority patent/US10275889B2/en
Publication of CN107767381A publication Critical patent/CN107767381A/zh
Application granted granted Critical
Publication of CN107767381B publication Critical patent/CN107767381B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20161—Level set
    • 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
    • G06T2207/30061—Lung

Landscapes

  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供一种能够进行更加精确的肺部分割处理的图像处理装置和图像处理方法，图像处理装置，提取图像采集装置所拍摄的图像中的肺部区域，其中，包括：初级肺部图像制作机构，从包括肺部的图像数据中，提取肺部区域，制作初级肺部图像；以及精确肺部图像制作机构，基于上述图像数据，对上述初级肺部图像进行处理，制作精确肺部图像；上述精确肺部图像制作机构包括特征灵敏度指示单元，上述特征灵敏度指示单元利用针对梯度的灵敏度和针对凹陷结构的灵敏度进行处理，使得上述精确肺部图像中不包含胸壁，并且包含凹陷结构或者有选择性的包含凹陷结构。

Description

图像处理装置及图像处理方法
技术领域
本发明涉及一种对医用图像进行处理的图像处理装置及图像处理方法。
背景技术
近年来，伴随着图像识别技术的发展，从医用图像中分割出脏器的分割技术受到关注。例如，肺部的分割在肺实质的可视化和定量分析中是非常重要的。并且，3D肺分割技术和肺部血管去除技术对诊断过程的加速也有重要的意义。
在现有技术中，MRI(Magnetic Resonance Imaging：磁共振成像)装置并不适合肺部的描绘，而更加适合头部的描绘，因此，通常使用CT(Computerized Tomography：计算机X射线断层造影术)装置采集的图像进行肺部的分割。现已有很多基于CT图像的肺分割和肺部血管提取的技术。
例如专利文献1(US9042620 B2)中公开了一种多器官分割的方法和三维CT图像的肺部分割。其中，边缘空白学习的方法被用于生成用于水平集的初始化网格，水平集被用于得到基于距离图的精确的分割。
专利文献2(CN102243759 B)中公开了一种基于几何变形模型的三维肺部血管图像分割方法。其中，针对高分辨率且高对比度的CT图像，使用水平集函数分割肺部血管。
但是，专利文献1和专利文献2中的分割方法并不适用于MRI装置所采集的图像。对了MRI装置来说，以现有技术还很难准确进行3D肺分割技术和肺部血管去除。
例如，在非专利文献1(“Distance Regularized Level Set Evolution and ItsApplication to image Segmentation[J]”,Chunming Li,Chenyang Xu etc.,IEEETransactions on image processing.19(20),2010.)中公开了一种可以应用于肺部分割的方法。
在对医用图像进行肺部分割时，一般采用的方法是，先输入医用图像采集装置所采集的图像数据，基于该图像数据，利用阈值法或二值化分割方法等粗略分割方法进行初步肺分割，提取出肺部图像，进而再对初步分割结果进行精细修正，得到更加精确的分割结果。
但是，现有的分割技术中对肺实质与胸壁之间的边界上的低对比度区域并不敏感。而且对凹陷结构(例如血管和结节/瘤)的处理并不有效。
图13是表示现有技术中的针对MRI装置的胸部拍摄图像进行肺部分割处理的结果的示例图。如图13，经过精细修正处理之后，提取出的肺部图像中的箭头A所指区域还是残留有胸壁组织的数据。另一方面，细小的血管能够被包含进来，但是比较粗大的血管却无法被正确的包含进来，如箭头B所指向的区域，同时，像箭头C所指向的结节区域也无法被包含进来。。
发明内容
本发明就是鉴于以上问题而完成的，其目的在于提供一种能够进行更加精确的肺部分割处理的图像处理装置和图像处理方法。
本发明的一个技术方案是图像处理装置，提取图像采集装置所拍摄的图像中的肺部区域，其中，包括：初级肺部图像制作机构，从包括肺部的图像数据中，提取肺部区域，制作初级肺部图像；以及精确肺部图像制作机构，基于上述图像数据，对上述初级肺部图像进行处理，制作精确肺部图像；上述精确肺部图像制作机构包括特征灵敏度指示单元，上述特征灵敏度指示单元利用针对梯度的灵敏度和针对凹陷结构的灵敏度进行处理，使得上述精确肺部图像中不包含胸壁，并且包含凹陷结构。
此外，本发明的另一个技术方案是图像处理方法，提取图像采集装置所拍摄的图像中的肺部区域，其中，包括：初级肺部图像制作步骤，从包括肺部的图像数据中，提取肺部区域，制作初级肺部图像；以及精确肺部图像制作步骤，基于上述图像数据，对上述初级肺部图像进行处理，制作精确肺部图像；在上述精确肺部图像制作步骤中，利用针对梯度的灵敏度和针对凹陷结构的灵敏度进行处理，使得上述精确肺部图像中不包含胸壁，并且包含凹陷结构。
根据本发明，能够精确进行肺部分割，更加准确地将肺部区域从医用图像中分割出来。特别是，通过配合使用针对梯度的灵敏度和针对凹陷结构的灵敏度，能够更加灵敏地区分图像中胸壁与凹陷结构所在的区域，从而基于该区分而将胸壁更好地去除并保留凹陷结构。因此，能够进行更加精确的肺部分割处理。
此外，在本发明的图像处理装置中，也可以是，上述精确肺部图像制作机构还包括选择单元，上述选择单元进行选择处理，使得在上述精确肺部图像中选择性地去除凹陷结构。
根据本发明，例如能够通过使血管的像素或结节的像素不会反映到针对凹陷结构的灵敏度中，从而选择在分割结果中不包含血管而包含结节，由此，血管和结节能够被更好地区分而被分别处理。由于可选择地且更可靠地进行血管去除，用户可以选择是否去除血管，并且，能够在保留结节的同时去除血管，提高了阅片的效率。
此外，本发明对于MRI装置的肺部图像处理来说，效果尤为突出。由于在肺部难以得到清晰的MR信号，所以MRI装置很少被选用于肺部的拍摄，但是，MRI装置的结果对肺癌的扩散诊断方面有积极作用。通过将本发明适用于MRI装置，能够提高MRI装置的整体肺分割的准确性，而且在心脏和大动脉分析中还能够被用于生成肺掩模。
附图说明
图1是表示本发明的第一实施方式涉及的图像处理装置的结构框图。
图2是表示MRI装置拍摄的胸部图像的示例图。
图3是表示初级肺部图像的示例图。
图4是表示本发明的第一实施方式涉及的肺部分割处理的结果的示例图。
图5是表示本发明的第一实施方式涉及的肺部分割处理的流程图。
图6是表示本发明的第二实施方式涉及的图像处理装置的结构框图。
图7是表示本发明的第二实施方式涉及的肺部分割处理的流程图。
图8是表示本发明的第二实施方式涉及的肺部分割处理的结果的示例图。
图9是表示在对MRI装置的图像数据进行处理时基于结构选择器的不同选择而产生的不同处理结果的示例图。
图10是表示在对MRI装置的图像数据进行处理时基于结构选择器的不同选择而产生的不同处理结果的另一示例图。
图11是表示在对CT装置的图像数据进行处理时基于结构选择器的不同选择而产生的不同处理结果的示例图。
图12是表示在对CT装置的图像数据进行处理时基于结构选择器的不同选择而产生的不同处理结果的另一示例图。
图13是表示现有技术中的肺部分割处理的结果的示例图。
附图标记的说明：
100、200 图像处理装置；10 初级肺部图像制作部；20、20’ 精确肺部图像制作部；21 特征灵敏度指示器；22 结构选择器；30 显示部。
具体实施方式
本发明涉及一种对图像进行处理的图像处理装置，该图像处理装置能够通过与X射线装置等图像收集装置连接的独立的计算机等具有CPU(central process unit：中央处理器)的设备执行具有图像处理装置的各个功能的软件来实现，也可以作为能够执行图像处理装置的各个功能的电路而以硬件的方式实现。并且，本发明的图像处理装置也可以作为CT装置或磁共振成像装置等医用图像采集装置中的一部分而预先安装在以上的医用图像采集装置中。
以下，参照附图说明本发明的优选实施方式。在各个实施方式中，图像采集装置优选采用MRI装置，本发明优选使用针对MRI装置所采集的医用图像数据的肺部分割处理。但是也可以适用于CT装置、超声波装置等其他医用图像采集装置的肺部分割处理中。
此外，在如下各个实施方式中，以采集到的图像数据为三维图像数据为例进行说明，但是本发明也可以适用于二维等其他维度的图像数据的处理中。并且，本发明中所使用的示例图中为了更加清晰地说明而使用三维图像中的某个截面图来进行示例。
此外，在不同实施方式中，对于相同的部件使用相同的附图标记，并适当省略重复的说明。
(第一实施方式)
图1是表示本发明的第一实施方式涉及的图像处理装置的结构框图。如图1所示，图像处理装置100至少包括初级肺部图像制作部10以及精确肺部图像制作部20。
初级肺部图像制作部10接收MRI装置的针对胸部拍摄的三维图像数据，利用阈值法或二值化分割方法等粗略分割方法，从所接收到的图像数据中，提取肺部区域，制作初级肺部图像。初级肺部图像制作部10可以是能够实现以上功能的电路或者软件模块。
图2是表示MRI装置拍摄的胸部图像的示例图。图3是表示初级肺部图像的示例图。初级肺部图像制作部10从图2示出的三维图像数据中提取肺部区域，形成图3所示的初级肺部图像。在初级肺部图像中，一般仅提取出肺实质中具有共同特点的像素，因此，难以体现血管等肺中包含物质的存在，并且对边缘的处理也很粗略。
这里，将血管、结节、肿瘤等与肺实质不同的器官或者组织统称为“凹陷结构”。
精确肺部图像制作部20对初级肺部图像进一步进行处理，基于MRI装置的三维图像数据，对初级肺部图像进行修正，制作精确肺部图像。精确肺部图像制作部20可以是能够实现以上功能的电路或者软件模块。
例如，将使用初级肺部图像的像素构建的水平集作为初始的水平集，结合MRI装置的三维图像数据这样的原始图像数据信息进行水平集的演化分割，通过这种迭代算法，得到精确肺部图像。将这样的能够体现水平集的演化而包括水平集函数的偏微分方程设为水平集函数模型。
这里，精确肺部图像制作部20以水平集函数模型作为肺分割精确处理模型对初级肺部图像进行进一步的修正，形成对边缘区域更加精细化处理且希望包含除了血管之外的凹陷结构的精确肺部图像。
为了实现上述目的，在第一实施方式中，精确肺部图像制作部20包括特征敏感指示器21，该特征敏感指示器21利用针对梯度的灵敏度和针对凹陷结构的灵敏度进行处理，使得精确肺部图像制作部20所生成的精确肺部图像中不包含胸壁，并且包含凹陷结构。
具体来说，特征敏感指示器21包括对原始图像数据中的梯度敏感的梯度敏感指示器g和对原始图像数据中的凹陷结构敏感的凹陷结构敏感指示器sign(k)k。其中，梯度敏感指示器g可以用如下式(1)表示。
Figure GDA0002948850380000061
在式(1)中，I是原始图像数据的3D图像中的灰度值矩阵，▽G是高斯核的导数，m是根据需要而任意设定的系数。
通过将梯度敏感指示器g设定为e指数的样式，其与图像灰度的关系为，随着灰度值I的增加，g递减的速度也增加。特别是，与现有的梯度敏感指示器相比，在基于相同的灰度值I的情况下，第一实施方式中的g的值更小，所以随着灰度值I的增加，g的值变小的速度更大。
这样，利用式(1)这样的指数函数作为梯度敏感指示器g，能够对梯度的下降进行加速，使得对梯度更加敏感。将这样的敏感器代入例如基于水平集函数
Figure GDA0002948850380000062
的肺分割精确处理模型中，能够使得生成的精确肺部图像中不包含胸壁。
此外，凹陷结构敏感指示器sign(k)k中，
Figure GDA0002948850380000063
是平均曲率值，sign(k)满足式(2)：
Figure GDA0002948850380000064
λ是根据需要而任意设定的系数。
凹陷结构敏感指示器sign(k)k对凹陷结构敏感，因此，通过在精确处理模型中加入凹陷结构敏感指示器sign(k)k，能够监测到血管、结节、瘤等凹陷结构。
在第一实施方式中，特征敏感指示器21通过取得梯度敏感指示器g与凹陷结构敏感指示器sign(k)k的差，加强了凹陷结构在精确处理模型中的扩散能量，使得经过精确处理模型处理之后的精确肺部图像中包含血管和结节。
例如，以现有技术中使用的如下式(3)的基于水平集正则化项(levelsetdistance regularization)的精确处理模型为例进行说明时，特征敏感指示器21将梯度敏感指示器g和凹陷结构敏感指示器sign(k)k与式(3)相结合，特别是将式(3)中原有的梯度函数替换成本发明的式(1)的梯度敏感指示器g，从而精确肺部图像制作部20采用式(4)所示的基于水平集正则化项的肺分割精确处理模型，对初级肺部图像进行处理。
Figure GDA0002948850380000071
Figure GDA0002948850380000072
其中，对于式(3)，众所周知，Φ是水平集函数，
Figure GDA0002948850380000073
是偏导数，▽是梯度，div是散度，|...|是绝对值、矢量的长度，μ、λ、α、ε均为相应的系数。此外，函数
Figure GDA0002948850380000074
可参照以上的非专利文献1等现有资料的记载。
图4是表示本发明的第一实施方式涉及的肺部分割处理的结果的示例图。利用式(4)的精确处理模型对图3所示的初级肺部图像进行修正，能够获得图4所示的精确肺部图像。
如图4所示，由于梯度敏感指示器g的加速作用，箭头A所指边缘区域中没有残留胸壁组织的数据。并且，在凹陷结构敏感指示器sign(k)k的同时作用下，箭头B和箭头C所示的血管组织、结节等凹陷结构都被完整保留。
在第一实施方式中，初级肺部图像制作部10对应于“初级肺部图像制作机构”，精确肺部图像制作部20对应于“精确肺部图像制作机构”，特征灵敏度指示器21对应于“特征灵敏度指示单元”。
以下结合图5来说明图像处理装置100所进行的肺部分割处理的流程。
图5是表示本发明的第一实施方式涉及的肺部分割处理的流程图。如图5所示，首先，在步骤S501，图像处理装置100接收MRI装置产生的3D图像数据(参照图2)之后，初级肺部图像制作部10对3D图像数据进行粗略的肺部区域提取处理，初步提取肺部区域，制作出初级肺部图像(参照图3)(步骤S502)。
接着，进入步骤S503，进一步由精确肺部图像制作部20利用式(4)所示的精确处理模型对初级肺部图像进行精确修正，特别是，利用精确肺部图像制作部20中包含的灵敏度指示器，生成不包括胸壁但包括血管和结节的精确肺部图像(参照图4)。
此外，在精确肺部图像制作部20完成以上处理之后，能够将所生成的精确肺部图像进行输出以便供使用者进行阅片。
通过图5所示的肺部分割处理，提高了对MRI装置的图像进行整体肺分割时的精确性。能够使得输出的肺部图像上不会包含胸壁但完整保留了凹陷结构，特别是能够保留结节等肺部诊断中比较关键的数据，从而有利于使用者的阅片。
(变形例1)
在第一实施方式中，使用指数函数作为梯度敏感指示器，这样的梯度敏感指示器具有更加灵敏的指示性能。
但是，只要满足灰度值与g的增减关系，也可以使用其他梯度敏感指示器。例如可以使用式(6)作为梯度敏感指示器。
Figure GDA0002948850380000081
也可以使高斯卷积项的幂增加，例如使用式(7)的函数作为梯度敏感指示器，都可以实现针对梯度的灵敏度。
Figure GDA0002948850380000082
(变形例2)
在第一实施方式中，精确肺部图像制作部20使用了基于水平集正则化项(levelset distance regularization)的精确处理模型，但是，也可以使用其他精确处理模型，只要包含梯度敏感指示器和对凹陷结构敏感指示器就能够实施本发明。
例如，可以使用式(8)那样的常规的水平集函数模型作为精确处理模型，使得生成的精确肺部图像中不包含胸壁，并且包含凹陷结构。
Figure GDA0002948850380000091
此外，也可以使用式(9)那样的、水平集正则化项只使用单势井方程(single-wellpotential equation)、而式4中的p被替换为双势井方程(double-well potentialequation)的模型作为精确处理模型，使得生成的精确肺部图像中不包含胸壁。
Figure GDA0002948850380000092
这些变形例同样可以是实现更加精确的肺部分割处理。
(第二实施方式)
第二实施方式在第一实施方式的基础上，与第一实施方式的不同点在于，第二实施方式中，图像处理装置200还具有显示部30，并且图像处理装置200中的精确肺部图像制作部20’还具有结构选择器22。以下主要针对第二实施方式与第一实施方式的不同点进行说明，并适当省略重复的说明。
图6是表示本发明的第二实施方式涉及的图像处理装置的结构框图。如图6所示，图像处理装置200包括初级肺部图像制作部10、精确肺部图像制作部20’以及显示部30。
初级肺部图像制作部10接收MRI装置的针对胸部拍摄的三维图像数据，利用阈值法或二值化分割方法等粗略分割方法，从所接收到的图像数据中，提取肺部区域，制作初级肺部图像。初级肺部图像制作部10可以是能够实现以上功能的电路或者软件模块。
精确肺部图像制作部20’对初级肺部图像进一步进行处理，基于MRI装置的三维图像数据，对初级肺部图像进行修正，制作精确肺部图像。精确肺部图像制作部20’可以是能够实现以上功能的电路或者软件模块。
例如，将使用初级肺部图像的像素构建的水平集作为初始的水平集，结合MRI装置的三维图像数据这样的原始图像数据信息进行水平集的演化分割，通过这种迭代算法，得到精确肺部图像。将这样的能够体现水平集的演化而包括水平集函数的偏微分方程设为水平集函数模型。
显示部30用于对精确肺部图像制作部20’的处理结果进行显示。显示部30可以是能够实现以上功能的电路或者软件模块。此外，也可以将图像处理装置200的处理结果直接输出而省略显示部30。
以下，详细说明精确肺部图像制作部20’的构成。
第二实施方式的精确肺部图像制作部20’具有特征敏感指示器21和结构选择器22。其中，特征敏感指示器21利用针对梯度的灵敏度和针对凹陷结构的灵敏度进行处理，使得精确肺部图像制作部20’所生成的精确肺部图像中不包含胸壁，并且包含凹陷结构。特征敏感指示器21包括第一实施方式中说明过的对梯度敏感的梯度敏感指示器g和对凹陷结构敏感的凹陷结构敏感指示器sign(k)k。
结构选择器22进行选择处理，使得精确肺部图像制作部20’所生成的精确肺部图像中选择性地去除凹陷结构。
具体来说，将凹陷结构中的血管和结节进行区分，结构选择器22使原始图像中的血管的像素或结节的像素不会反映到凹陷结构敏感指示器sign(k)k中，从而在精确肺部图像中选择不包含上述血管或上述结节。
在第二实施方式中采用的结构选择器22为1-β*WTD(TH)。β为大于零的系数。
在上述结构选择器22中，包括凹陷结构模型D(TH)和凹陷结构选择矩阵W。凹陷结构模型D(TH)用于区分不同凹陷结构的特点从而能够更加容易地进行选择。凹陷结构选择矩阵W中通过矩阵中的不同元素的设定，能够指定应该被去除的凹陷结构而进行选择。
结构选择器22通过将1-β*WTD(TH)代入精确处理模型中，使得所选择的凹陷结构不会被反映到凹陷结构指示器sign(k)k中，从而在分割结果中去除所选的凹陷结构。在如下的式(10)中示出了第二实施方式中的基于水平集正则化项的精确处理模型。
Figure GDA0002948850380000111
此外，关于凹陷结构模型D(TH)，H是表示图像的本质特征的、原始图像数据的Hessian矩阵，其中，使用偏导数
Figure GDA0002948850380000114
。TH是黑塞(Hessian)矩阵的三个特征值λ1、λ2、λ3，且λ1≤λ2≤λ3。三个特征向量分别表示相对于该区域的三个相互正交的方向，特征向量对应的特征值的倒数表示该方向的延伸度，当特征值的倒数越大时，该方向的延伸度越大。存在如下式(11)以及式(12)的关系：
Figure GDA0002948850380000112
Figure GDA0002948850380000113
其中，n是根据需要而任意设定的系数。通过λ′1、λ′2、λ′3的不同组合，能够区分凹陷结构。不同凹陷结构所对应的组合如以下的表1所示。
D(T<sub>H</sub>) λ′<sub>1</sub> λ′<sub>2</sub> λ′<sub>3</sub>
平面 L L H
管状(血管) L H L
球状(结节) H L L
(表1)
其中，表1中的H＝高，L＝低≈0。
这样，通过使用原始图像的黑塞(Hessian)矩阵，既可以区分不同的凹陷结构。
此外，关于凹陷结构选择矩阵W，是通过与凹陷结构模型D(TH)相乘对凹陷结构模型D(TH)所表示的不同凹陷结构进行选择的值。通过将矩阵W定义为不同的值，能够选择不同的凹陷结构。
例如，用“0”、“1”来定义矩阵W的取值的情况下，W可以取的值为
Figure GDA0002948850380000121
或
Figure GDA0002948850380000122
或
Figure GDA0002948850380000123
或
Figure GDA0002948850380000124
在不进行任何去除而采用整个肺部图像时，将W取值为
Figure GDA0002948850380000125
在选择去除血管而保留结节的情况下，将W取值为
Figure GDA0002948850380000126
在选择去除结节而保留血管的情况下，W取值为
Figure GDA0002948850380000127
在选择即去除结节也去除血管的情况下，W取值为
Figure GDA0002948850380000128
例如，
Figure GDA0002948850380000129
的情况下，在希望去除血管的情况下，只要将W取值为
Figure GDA00029488503800001210
则
Figure GDA00029488503800001211
从而1-β*WTD(TH)＝L。
图8中示出了在希望去除血管的情况下的肺部分割处理的结果的示例图。如图8所示，箭头A所指边缘区域中没有残留胸壁组织的数据。并且，在凹陷结构敏感指示器和结构选择器22的共同作用下，箭头B所示的血管组织被完全去除，箭头C所示的结节被保留。
在第二实施方式中，初级肺部图像制作部10对应于“初级肺部图像制作机构”，精确肺部图像制作部20’对应于“精确肺部图像制作机构”，特征灵敏度指示器21对应于“特征灵敏度指示单元”，结构选择器22对应于“选择单元”，显示部30对应于“显示机构”。
以下，以要求取得图8所示的精确肺部图像的情况为例，结合图7来说明图像处理装置200所进行的肺部分割处理的流程。
图7是表示本发明的第二实施方式涉及的肺部分割处理的流程图。如图7所示，首先，在步骤S701，图像处理装置200接收MRI装置产生的3D图像数据(参照图2)之后，初级肺部图像制作部10对3D图像数据进行粗略的肺部区域提取处理，初步提取肺部区域，制作出初级肺部图像(参照图3)(步骤S702)。
接着，进入步骤S703，进一步由精确肺部图像制作部20’利用式(10)的精确处理模型进行精确修正，利用灵敏度指示器和结构选择器，特别是同时使用凹陷结构灵敏度指示器与结构选择器，将血管选择作为要去除的凹陷结构，从而生成不包括胸壁且不包括血管、但包括结节的精确肺部图像。
接着，在步骤S704中，显示部30显示所生成图8的精确肺部图像。
通过图7所示的肺部分割处理，提高了对MRI装置的图像进行整体肺分割时的精确性。能够通过使血管的像素或结节的像素不会反映到针对凹陷结构的灵敏度中，从而选择在分割结果中不包含血管而包含结节，由此，血管和结节能够被更好地区分而被分别处理。由于可选择地且更可靠地进行血管去除，用户可以选择是否去除血管，并且，能够在保留结节的同时去除血管，提高了阅片的效率。
除了图8所示的选择类型，还是有很多其他类型。例如，图9是表示在对MRI装置的图像数据进行处理时基于结构选择器的不同选择而产生的不同处理结果的示例图。其中，图9中的(1)表示分割出整个肺的情况，即包含所有凹陷结构的情况，图9中的(2)表示去除血管，但保留结节的情况，图9中的(3)表示去除结节，但保留血管的情况。
此外，图10是表示在对MRI装置的图像数据进行处理时基于结构选择器的不同选择而产生的不同处理结果的另一示例图。其中，图10中的(1)表示分割出整个肺的情况，即包含所有凹陷结构的情况，图10中的(2)表示去除血管，但保留肿瘤的情况，图10中的(3)表示去除肿瘤，但保留血管的情况。
(变形例1)
在第二实施方式中，也可以是，精确肺部图像制作部20’中还包括选择变更受理单元，该选择变更受理单元受理针对结构选择器22所进行的选择进行的变更。
也就是说，选择变更受理单元能够通过改变W的取值而使反映到针对凹陷结构的灵敏度中的凹陷结构的类型有所不同，从而能够改变显示部30上显示的精确肺部图像的类型。
由此，用户能够随时变更所要显示的精确肺部分割结果的类型。
(变形例2)
第一实施方式中的变形例也同样适用于第二实施方式。例如，也可以使用式(13)那样的常规的水平集函数模型作为精确处理模型。
Figure GDA0002948850380000141
此外，也可以使用式(14)那样的、水平集正则化项只使用单势井方程(single-well potential equation)、而式10中的p被替换为双势井方程(double-well potentialequation)的模型作为精确处理模型。
Figure GDA0002948850380000142
这些变形例同样可以是实现更加精确的肺部分割处理。
(变形例3)
在第一实施方式和第二实施方式中都以MRI装置的三维图像作为对象进行处理，但是本发明也可以处理CT装置所拍摄的图像。
图11是表示在对CT装置的图像数据进行处理时基于结构选择器的不同选择而产生的不同处理结果的示例图。其中，图11中的(1)表示分割出整个肺的情况，即包含所有凹陷结构的情况，图11中的(2)表示去除血管，但保留结节的情况，图11中的(3)表示去除结节，但保留血管的情况。
图12是表示在对CT装置的图像数据进行处理时基于结构选择器的不同选择而产生的不同处理结果的另一示例图。其中，图12中的(1)表示分割出整个肺的情况，即包含所有凹陷结构的情况，图12中的(2)表示去除血管，但保留结节的情况，图12中的(3)表示去除结节，但保留血管的情况。
(变形例4)
本发明中，是通过改变影响水平集演化过程中扩张或者收缩的力度，来改变加权面积项的大小，加入针对凹陷结构的敏感器，并通过结构选择器达到能够对作为结果的结构进行选择的目的。只要能够实现本发明的发明构思，其中使用的具体模型能任意变更。
此外，以上各个数学式中的系数能够根据图像的要求和环境进行选择，例如，在将图像范围压缩到0-255之间的情况，优选采用以下参数的数据：μ＝0.001、λ＝5.0、ε＝1.55、α＝-6.0、β＝1.0、γ＝-0.5、m＝0.5、n＝1.0。
并且，演化过程中迭代的次数为80次，步长t为10.0。各个参数可以根据相应的实际情况做调整，范围没有特别明确的限制，根据实际效果来调节，但是需要满足μ、λ、ε、β、m、n>0，α、γ<0。
(变形例5)
在以上各个实施方式中，以三维图像为例进行了说明，但本发明同样可以推导使用到其他维度的图像中。例如，在适用于2D图像的情况下，2D图像只考虑管状和圆状两种结构即可，所以结构选择器有所区别，Hessian矩阵以及其他相应的公式变成如下式(15)、(16)所示。
Figure GDA0002948850380000161
Figure GDA0002948850380000162
相应地，W的取值范围成为
Figure GDA0002948850380000163
或
Figure GDA0002948850380000164
或
Figure GDA0002948850380000165
或
Figure GDA0002948850380000166
本发明的图像处理装置也可以是一种包含处理器和存储器的处理装置，其中，存储器中存储有与上述各个实施方式中说明的动作相对应的指令信息，处理器通过读取和执行存储器中的指令信息，来具体实施本发明。
本发明的图像处理装置也可以作为能够实现各个实施方式中所说明的功能的电路安装在医用设备中，也可以作为能够使计算机执行的程序，储存于磁盘(软盘(floppy，登录商标)、硬盘等)、光盘(CD－ROM、DVD等)、光磁盘(MO)、半导体存储器等存储介质而发布。
而且，基于从存储介质安装于计算机的程序的指示在计算机上运转的OS(操作系统)、数据库管理软件、网络软件等的MW(中间件)等也可以执行用于实现上述实施方式的各处理的一部分。
以上说明了本发明的几个实施方式，但这些实施方式是作为例子而提出的，并不是想限定发明范围。这些新的实施方式可以以其他各种各样的方式实施，可以在不脱离发明主旨的范围内进行各种各样的省略、置换和变更。这些实施方式或其变形包含在发明范围或主旨内，并且也包含在权利要求范围中记载的发明及其均等的范围内。

Claims (20)

1.一种图像处理装置，提取图像采集装置所拍摄的图像中的肺部区域，其中，包括：
初级肺部图像制作机构，从包括肺部的图像数据中，提取肺部区域，制作初级肺部图像；以及
精确肺部图像制作机构，基于上述图像数据，对上述初级肺部图像进行处理，制作精确肺部图像；
上述精确肺部图像制作机构包括特征灵敏度指示单元，上述特征灵敏度指示单元利用针对梯度的灵敏度和针对凹陷结构的灵敏度进行处理，使得上述精确肺部图像中不包含胸壁，并且包含凹陷结构。
2.根据权利要求1所述的图像处理装置，其中，
上述凹陷结构是血管、结节或肿瘤。
3.根据权利要求1所述的图像处理装置，其中，
上述特征灵敏度指示单元利用指数函数作为针对梯度的灵敏度，对梯度的下降进行加速，使得上述精确肺部图像中不包含胸壁。
4.根据权利要求1所述的图像处理装置，其中，
上述特征灵敏度指示单元通过在上述针对梯度的灵敏度中减去上述针对凹陷结构的灵敏度，使得上述精确肺部图像中包含凹陷结构。
5.根据权利要求1所述的图像处理装置，其中，
上述精确肺部图像制作机构还包括选择单元，上述选择单元进行选择处理，使得在上述精确肺部图像中选择性地去除凹陷结构。
6.根据权利要求5所述的图像处理装置，其中，
上述选择单元通过使上述图像数据中的血管的像素或结节的像素不会反映到上述特征灵敏度指示单元所使用的上述针对凹陷结构的灵敏度中，在上述精确肺部图像中选择不包含上述血管或上述结节。
7.根据权利要求1所述的图像处理装置，其中，
上述图像采集装置是磁共振成像装置MRI。
8.根据权利要求1所述的图像处理装置，其中，
还包括显示机构，显示上述精确肺部图像制作机构制作的上述精确肺部图像。
9.根据权利要求5所述的图像处理装置，其中，
上述精确肺部图像制作机构还包括选择变更受理单元，上述选择变更受理单元受理针对上述选择单元的选择进行的变更。
10.根据权利要求1至9中的任一项所述的图像处理装置，其中，
上述精确肺部图像制作机构利用水平集函数模型对上述初级肺部图像进行处理，制作精确肺部图像。
11.一种图像处理方法，提取图像采集装置所拍摄的图像中的肺部区域，其中，包括：
初级肺部图像制作步骤，从包括肺部的图像数据中，提取肺部区域，制作初级肺部图像；以及
精确肺部图像制作步骤，基于上述图像数据，对上述初级肺部图像进行处理，制作精确肺部图像；
在上述精确肺部图像制作步骤中，利用针对梯度的灵敏度和针对凹陷结构的灵敏度进行处理，使得上述精确肺部图像中不包含胸壁，并且包含凹陷结构。
12.根据权利要求11所述的图像处理方法，其中，
上述凹陷结构是血管、结节或肿瘤。
13.根据权利要求11所述的图像处理方法，其中，
在上述精确肺部图像制作步骤中，利用指数函数作为针对梯度的灵敏度，对梯度的下降进行加速，使得上述精确肺部图像中不包含胸壁。
14.根据权利要求11所述的图像处理方法，其中，
在上述精确肺部图像制作步骤中，通过在上述针对梯度的灵敏度中减去上述针对凹陷结构的灵敏度，使得上述精确肺部图像中包含凹陷结构。
15.根据权利要求11所述的图像处理方法，其中，
在上述精确肺部图像制作步骤中，还进行选择处理，使得在上述精确肺部图像中选择性地去除凹陷结构。
16.根据权利要求15所述的图像处理方法，其中，
在进行上述选择处理中，通过使上述图像数据中的血管的像素或结节的像素不会反映到上述针对凹陷结构的灵敏度中，在上述精确肺部图像中选择不包含上述血管或上述结节。
17.根据权利要求11所述的图像处理方法，其中，
上述图像采集装置是磁共振成像装置MRI。
18.根据权利要求11所述的图像处理方法，其中，
还包括显示步骤，显示上述精确肺部图像制作步骤中制作的上述精确肺部图像。
19.根据权利要求15所述的图像处理方法，其中，
在上述精确肺部图像制作步骤中，还受理针对上述选择处理中的选择进行的变更。
20.根据权利要求11至19中任一项所述的图像处理方法，其中，
在上述精确肺部图像制作步骤中，利用水平集函数模型对上述初级肺部图像进行处理，制作精确肺部图像。
CN201610680717.4A 2016-08-17 2016-08-17 图像处理装置及图像处理方法 Active CN107767381B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201610680717.4A CN107767381B (zh) 2016-08-17 2016-08-17 图像处理装置及图像处理方法
JP2017149289A JP6945379B2 (ja) 2016-08-17 2017-08-01 画像処理装置、磁気共鳴イメージング装置及び画像処理プログラム
US15/678,214 US10275889B2 (en) 2016-08-17 2017-08-16 Image processing apparatus, magnetic resonance imaging apparatus and image processing method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610680717.4A CN107767381B (zh) 2016-08-17 2016-08-17 图像处理装置及图像处理方法

Publications (2)

Publication Number Publication Date
CN107767381A CN107767381A (zh) 2018-03-06
CN107767381B true CN107767381B (zh) 2021-06-01

Family

ID=61248894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610680717.4A Active CN107767381B (zh) 2016-08-17 2016-08-17 图像处理装置及图像处理方法

Country Status (2)

Country Link
JP (1) JP6945379B2 (zh)
CN (1) CN107767381B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102243759A (zh) * 2010-05-10 2011-11-16 东北大学 一种基于几何形变模型的三维肺血管图像分割方法
CN102842132A (zh) * 2012-07-12 2012-12-26 上海联影医疗科技有限公司 一种ct肺结节检测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0305315D0 (en) * 2003-03-07 2003-04-09 Weber Martin Image processing system
CN1830005A (zh) * 2003-07-31 2006-09-06 西门子共同研究公司 毛玻璃状结节(ggn)分割的系统和方法
CN1930583A (zh) * 2003-09-17 2007-03-14 美国西门子医疗解决公司 用形状分析分割毛玻璃状结节(ggn)的方法和系统
CA2692270A1 (en) * 2006-06-28 2008-01-03 Bio-Tree Systems, Inc. Binned micro-vessel density methods and apparatus
WO2010101660A2 (en) * 2009-03-06 2010-09-10 Bio-Tree Sytems, Inc. Vascular analysis methods and apparatus
US9042620B2 (en) * 2011-03-10 2015-05-26 Siemens Corporation Method and system for multi-organ segmentation using learning-based segmentation and level set optimization
CN103824295B (zh) * 2014-03-03 2016-08-17 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
CN104616307B (zh) * 2015-02-12 2018-05-08 河北大学 一种肺部ct图像粘连血管型结节检测方法
JP6956619B2 (ja) * 2017-12-14 2021-11-02 エイブリック株式会社 電流生成回路

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102243759A (zh) * 2010-05-10 2011-11-16 东北大学 一种基于几何形变模型的三维肺血管图像分割方法
CN102842132A (zh) * 2012-07-12 2012-12-26 上海联影医疗科技有限公司 一种ct肺结节检测方法

Also Published As

Publication number Publication date
JP2018027302A (ja) 2018-02-22
JP6945379B2 (ja) 2021-10-06
CN107767381A (zh) 2018-03-06

Similar Documents

Publication Publication Date Title
Sun et al. Automated 3-D segmentation of lungs with lung cancer in CT data using a novel robust active shape model approach
US9968257B1 (en) Volumetric quantification of cardiovascular structures from medical imaging
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
Zuluaga et al. Multi-atlas propagation whole heart segmentation from MRI and CTA using a local normalised correlation coefficient criterion
EP3444781B1 (en) Image processing apparatus and image processing method
EP4014201A1 (en) Three dimensional object segmentation of medical images localized with object detection
CN106462963B (zh) 用于自适应放射治疗中自动勾画轮廓的系统和方法
US8135189B2 (en) System and method for organ segmentation using surface patch classification in 2D and 3D images
US9547894B2 (en) Apparatus for, and method of, processing volumetric medical image data
WO2001078005A2 (en) System and method for three-dimensional image rendering and analysis
US10748282B2 (en) Image processing system, apparatus, method and storage medium
CN107545579B (zh) 一种心脏分割方法、设备和存储介质
US9547906B2 (en) System and method for data driven editing of rib unfolding
Chartrand et al. Semi-automated liver CT segmentation using Laplacian meshes
JP6415878B2 (ja) 画像処理装置、画像処理方法及び医用画像診断装置
Qiu et al. Rotationally resliced 3D prostate TRUS segmentation using convex optimization with shape priors
Jaffar et al. Anisotropic diffusion based brain MRI segmentation and 3D reconstruction
US7835555B2 (en) System and method for airway detection
Farag Variational approach for small-size lung nodule segmentation
Yang et al. A benchmark study of convolutional neural networks in fully automatic segmentation of aortic root
CN107767381B (zh) 图像处理装置及图像处理方法
Urschler et al. Automatic intervertebral disc localization and segmentation in 3d mr images based on regression forests and active contours
Oh et al. Automated detection of bone metastatic changes using serial CT scans
Mourya et al. Empirical greedy machine‐based automatic liver segmentation in CT images
Bae et al. Thoracic cavity segmentation algorithm using multiorgan extraction and surface fitting in volumetric CT

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