CN108492304B - 一种基于多方向轮廓的医学图像分割方法 - Google Patents
一种基于多方向轮廓的医学图像分割方法 Download PDFInfo
- Publication number
- CN108492304B CN108492304B CN201810336526.5A CN201810336526A CN108492304B CN 108492304 B CN108492304 B CN 108492304B CN 201810336526 A CN201810336526 A CN 201810336526A CN 108492304 B CN108492304 B CN 108492304B
- Authority
- CN
- China
- Prior art keywords
- image
- contour
- reconstruction
- segmentation
- directional
- 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
Classifications
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于多方向轮廓的医学图像分割方法,其包括:导入医学图像并进行MPR重建;基于魔术棒算法生成多方向轮廓;插值重建生成表明网格和二值分割MASK;逐层判断二值分割MASK图像是否准确,若是,则输出目标区域的二值分割MASK图像和表面网格,分割算法结束,若否,则编辑切面轮廓,选择二值分割MASK图像中分割不精确的切面,提取二值分割MASK切面图像轮廓线和关键点,利用鼠标对关键点进行局部调节,调节结束后,返回上述步骤重新执行表面网格重建。本发明利用一次操作即时提取待分割对象在多个不同方向切面上的轮廓,建立形状约束,并通过插值重建技术进行曲面重建,并支持迭代式分割轮廓优化和网络重建,有效提高建模效率和精度。
Description
技术领域
本发明涉及医学图像处理方法,尤其涉及一种基于多方向轮廓的医学图像分割方法。
背景技术
现有技术中,在临床外科医生的合作过程中,了解到临床医生在疾病诊断、治疗决策以及手术规划过程中,需要掌握组织以及病灶的解剖结构信息,例如肝脏肿瘤的位置、体积、形状等。目前多是利用手工标注的方式,结合阈值连通、区域增长等图像处理方法,对CT或者MRI图像进行逐层分割病灶区域。随着技术发展进步,图像分辨率越来越高,层间距越来越小,这就给手工分割带来了挑战。1)逐层手工标注是一个非常耗时耗力的工作,分割一副3D图像通常耗费数小时甚至更多的时间;而且,分割结果受标注人的主观影响较大,不同标注人对同一个对象的分割结果、甚至同一标注人对同一对象的多次分割都会存在较大的差异;2)逐层标注方式未考虑三维信息,使得分割体数据的边界非常粗糙,影响建模精度和可视化效果;3)对于肿瘤等病灶组织,经常存在模糊边缘,这使得标注该区域时,难以确定边界;而肿瘤组织内部灰度分布具有异质性,使得阈值连通、区域增长等自动分割方法都不能完整分割该区域,需要借助大量手工后处理,增加工作量。
虽然基于轮廓约束的智能重建方法能够较好的解决以上问题,但是仍然存在如下缺陷:1)操作较为繁琐。为了获取精确的重建结果,需要分别从三维图像的横断面、冠状面、矢状面、甚至是斜切面等多个方向切面上进行手工分割以提取轮廓;2)从多个方向切面上提取轮廓时,未考虑轮廓之间的空间对应,使得重建的三维模型存在凹陷,影响重建精度。
发明内容
本发明要解决的技术问题在于,针对现有技术的不足,提供一种基于多方向轮廓的医学图像分割方法,该方法利用一次操作即时提取待分割对象在多个不同方向切面上的轮廓,从而建立形状约束,并通过插值重建技术进行曲面重建,有效提高建模效率和精度。
为解决上述技术问题,本发明采用如下技术方案。
一种基于多方向轮廓的医学图像分割方法,包括:步骤S1,数据准备,获取序列薄层的CT或MRI医学图像;步骤S2,导入序列医学图像,对于图像进行MPR重建,并在视窗中显示医学图像,可以在显示视图中显示图像横断面、冠状面和矢状面,并且可以根据需要来添加和调节任意方向切面进行图像显示;步骤S3,对医学图像中的分割对象选取多角度切面,利用鼠标在任意切面上待分割对象内部设置一个种子点,在多角度切面上使用魔术棒分割方法分割阈值近似区域,并依据区域边缘提取各个切面上的2D轮廓,得到多方向轮廓;步骤S4,利用生成的多方向轮廓作为形状约束,基于插值重建算法实现目标区域的表面网格重建,获得网格重建模型,然后根据空间位置,将这个模型映射至图像空间,得到二值分割MASK图像;步骤S5,在多角度图像切面视窗中,逐层判断二值分割MASK图像是否准确,若是,则执行步骤S7,若否,则执行步骤S6;步骤S6,编辑切面轮廓,选择二值分割MASK图像中分割不精确的切面,根据二值分割MASK图像中的边缘信息生成轮廓线和关键点,利用鼠标对轮廓线上的关键点进行局部调节,调节结束后,重新执行步骤S4;步骤S7,输出目标区域的二值分割MASK图像和表面网格,分割算法结束。
优选地,所述步骤S1、步骤S2中,对输入CT、MRI等医学影像序列图像进行MPR重建后,支持调节任意方向进行多角度切面图像显示浏览。
优选地,所述步骤S3中,基于1个种子点,通过魔术棒工具在多角度切面上分割提取2D轮廓集合。
优选地,所述步骤S4中,以多个不同方向的2D轮廓作为形状约束,通过插值重建算法实现目标区域的表面网格重建,并实现网格模型映射为二值分割MASK图像。
优选地,所述步骤S6中,利用轮廓编辑工具,从二值分割MASK图像的切面分割图像中提取轮廓线,并支持基于关键点的轮廓线局部调节。
本发明公开的基于多方向轮廓的医学图像分割方法中,通过一次操作,同时产生多个方向上待分割对象的轮廓,并以这些轮廓建立形状约束,通过插值重建算法实现精确建模,对于重建结果,提供工具进行迭代式编辑和重建,进行局部优化,提高分割精度。该方法对于图像灰度依赖性小,可以适用于不同类型图像的分割建模。相比现有技术而言,本发明利用一次操作即时提取待分割对象在多个不同方向切面上的轮廓,从而建立形状约束,并通过插值重建技术进行曲面重建,有效提高了建模效率和精度。
附图说明
图1为本发明医学图像分割方法的流程图。
图2为优选实施例中横断面子宫包后块区域增长分割图像。
图3为矢状面上子宫包后块区域增长分割图像。
图4为冠状面上子宫包后块区域增长分割图像。
图5为三个切面的轮廓线。
图6为初始子宫包后块的表面网络模型。
图7为在冠状面新添加一个轮廓线的图示。
图8为优化后子宫包后块的表面网络模型。
具体实施方式
下面结合附图和实施例对本发明作更加详细的描述。
本发明公开了一种基于多方向轮廓的医学图像分割方法,请参照图1,其包括有如下步骤:
步骤S1,数据准备,获取序列薄层的CT或MRI医学图像;
步骤S2,导入序列医学图像,对于图像进行MPR重建,并在视窗中显示医学图像,可以在显示视图中显示图像横断面、冠状面和矢状面,并且可以根据需要来添加和调节任意方向切面进行图像显示;
步骤S3,对医学图像中的分割对象选取多角度切面,利用鼠标在任意切面上待分割对象内部设置一个种子点,在多角度切面上使用魔术棒分割方法分割阈值近似区域,并依据区域边缘提取各个切面上的2D轮廓,得到多方向轮廓;
步骤S4,利用生成的多方向轮廓作为形状约束,基于插值重建算法实现目标区域的表面网格重建,获得网格重建模型,然后根据空间位置,将这个模型映射至图像空间,得到二值分割MASK图像;
步骤S5,在多角度图像切面视窗中,逐层判断二值分割MASK图像是否准确,若是,则执行步骤S7,若否,则执行步骤S6;
步骤S6,编辑切面轮廓,选择二值分割MASK图像中分割不精确的切面,根据二值分割MASK图像中的边缘信息生成轮廓线和关键点,利用鼠标对轮廓线上的关键点进行局部调节,调节结束后,重新执行步骤S4;
步骤S7,输出目标区域的二值分割MASK图像和表面网格,分割算法结束。
上述医学图像分割方法中,通过一次操作,同时产生多个方向上待分割对象的轮廓,并以这些轮廓建立形状约束,通过插值重建算法实现精确建模,对于重建结果,提供工具进行迭代式编辑和重建,进行局部优化,提高分割精度。该方法对于图像灰度依赖性小,可以适用于不同类型图像的分割建模。相比现有技术而言,本发明利用一次操作即时提取待分割对象在多个不同方向切面上的轮廓,从而建立形状约束,并通过插值重建技术进行曲面重建,有效提高了建模效率和精度。
本实施例中,所述步骤S1中,所述医学图像是由医学影像检测设备上产生的个体化序列的图像。进一步地,所述医学影像检测设备为CT、MRI或PET设备。
本实施例的所述步骤S1、步骤S2中,对输入CT、MRI等医学影像序列图像进行MPR重建后,支持调节任意方向进行多角度切面图像显示浏览。
作为一种优选方式,所述步骤S3中,基于1个种子点,通过魔术棒工具在多角度切面上分割提取2D轮廓集合。
进一步地,所述步骤S4中,以多个不同方向的2D轮廓作为形状约束,通过插值重建算法实现目标区域的表面网格重建,并实现网格模型映射为二值分割MASK图像。
本实施例的所述步骤S6中,利用轮廓编辑工具,从二值分割MASK图像的切面分割图像中提取轮廓线,并支持基于关键点的轮廓线局部调节。
本发明基于用户设置的种子点,同时在横断面、冠状面和矢状面方向上进行魔术棒分割,并提取相应的轮廓作为插值重建算法输入。其次,利用提取的多方向轮廓信息作为形状约束,通过插值重建算法实现目标区域的3D表面网格重建,并生成二值分割MASK图像。此外,利用轮廓编辑工具对插值重建分割结果中不精确或者有误的层面进行局部调整后再次进行插值重建。并通过迭代式策略进行不断优化,直至得到满意的分割结果。
本发明公开的基于多方向轮廓的医学图像分割方法,其实际应用过程中,可参考如下步骤:
1、数据准备的过程主要的工作是,获取序列薄层的CT或MRI医学图像;
2、对导入图像进行MPR重建,并在视窗中显示。可以在显示视图中显示图像横断面、冠状面和矢状面,并且可以根据需要来添加和调节任意方向切面进行图像显示;
3、调节图像使得分割对象在选取的多角度切面上清晰,利用鼠标在任意切面上待分割对象内部设置一个种子点,并在多角度切面上进行魔术棒分割,并提取2D轮廓集合;
4、利用生成的多方向轮廓集合作为形状约束,通过插值重建算法实现目标区域的表面网格重建,并映射至图像空间,得到二值分割MASK图像;
5、逐层观察二值分割MASK是否准确。如果无需编辑2D切面轮廓,则输出目标区域的二值分割和表面网格,分割算法结束,如果分割存在误差或者错误,则需对二值分割切面进行调整;
6、选择二值分割MASK中分割不精确的切面,利用轮廓编辑工具提取二值分割图像切面的轮廓线和关键点,利用鼠标对轮廓线关键点并进行局部调节。调节结束后,重新执行插值重建,更新网格模型和二值分割MASK。
本发明公开的基于多方向轮廓的医学图像分割方法,以子宫包后块为例,其处理过程包括:
首先,调整CT图像,使得子宫包后块在横断面,矢状面和冠状面方向上可见。并选择横断面,在子宫包后块内部设置种子点,并在三个方向切面图像中进行魔术棒分割,结果如图2、图3、图4。
请参照图5,分别从三个方向切面图像的魔术棒分割结果中提取三个轮廓线,作为插值重建算法的输入。
请参照图6,基于当前三个方向上的轮廓线,通过插值重建算法,生成子宫包后块的表面网格模型以及相应的二值分割图像。
请参照图7,观察当前分割,对于分割不精确的层面,利用轮廓编辑工具对分割层面的轮廓进行局部微调,更新形状轮廓约束。
请参照图8,编辑完成后,重新进行插值重建,即可得到优化后的子宫包后块的表面网格模型以及相应的二值分割图像。
反复执行局部微调、形状约束和插值重建,直至生成子宫包后块的表面网络模型以及相应的二值分割图像满足要求后停止。
本发明公开的基于多方向轮廓的医学图像分割方法,其相比现有技术而言的有益效果在于,本发明操作简单、高效,通过一次设置种子点,自动得到多个方向上的轮廓,并快速重建得到表面网格和二值分割,同时,本发明重建分割精度高,重建算法的输入轮廓自动生成,保持轮廓之间的空间对应,避免轮廓二义性导致的重建错误,能够生成更为平滑的网格。
以上所述只是本发明较佳的实施例,并不用于限制本发明,凡在本发明的技术范围内所做的修改、等同替换或者改进等,均应包含在本发明所保护的范围内。
Claims (5)
1.一种基于多方向轮廓的医学图像分割方法,其特征在于,包括有如下步骤:
步骤S1,数据准备,获取序列薄层的CT 或MRI 医学图像;
步骤S2,导入序列医学图像,对于图像进行 MPR 重建,并在视窗中显示医学图像,在显示视图中显示图像横断面、冠状面和矢状面,并且根据需要来添加和调节任意方向切面进行图像显示;
步骤S3,对医学图像中的分割对象选取多角度切面,利用鼠标在任意切面上待分割对象内部设置一个种子点,在多角度切面上使用魔术棒分割方法分割阈值近似区域,并依据区域边缘提取各个切面上的 2D 轮廓,得到多方向轮廓;步骤S4,利用生成的多方向轮廓作为形状约束,基于插值重建算法实现目
标区域的表面网格重建,获得网格重建模型,然后根据空间位置,将这个模型映射至图像空间,得到二值分割MASK 图像;
步骤S5,在多角度图像切面视窗中,逐层判断二值分割 MASK 图像是否准确,若是,则执行步骤S7,若否,则执行步骤S6;
步骤S6,编辑切面轮廓,选择二值分割MASK 图像中分割不精确的切面, 根据二值分割MASK 图像中的边缘信息生成轮廓线和关键点,利用鼠标对轮廓线上的关键点进行局部调节,调节结束后,重新执行步骤S4;
步骤S7,输出目标区域的二值分割 MASK 图像和表面网格,分割算法结束。
2.如权利要求 1 所述的基于多方向轮廓的医学图像分割方法,其特征在于, 所述步骤S1、步骤S2 中,对输入 CT或MRI 医学影像序列图像进行MPR 重建后,支持调节任意方向进行多角度切面图像显示浏览。
3.如权利要求 2 所述的基于多方向轮廓的医学图像分割方法,其特征在于, 所述步骤S3 中,基于 1 个种子点,通过魔术棒工具在多角度切面上分割提取 2D轮廓集合。
4.如权利要求 1 所述的基于多方向轮廓的医学图像分割方法,其特征在于, 所述步骤S4 中,以多个不同方向的 2D 轮廓作为形状约束,通过插值重建算法实现目标区域的表面网格重建,并实现网格模型映射为二值分割MASK 图像。
5.如权利要求 1 所述的基于多方向轮廓的医学图像分割方法,其特征在于, 所述步骤 S6 中,利用轮廓编辑工具,从二值分割 MASK 图像的切面分割图像中提取轮廓线,并支持基于关键点的轮廓线局部调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810336526.5A CN108492304B (zh) | 2018-04-14 | 2018-04-14 | 一种基于多方向轮廓的医学图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810336526.5A CN108492304B (zh) | 2018-04-14 | 2018-04-14 | 一种基于多方向轮廓的医学图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108492304A CN108492304A (zh) | 2018-09-04 |
CN108492304B true CN108492304B (zh) | 2020-09-15 |
Family
ID=63316372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810336526.5A Active CN108492304B (zh) | 2018-04-14 | 2018-04-14 | 一种基于多方向轮廓的医学图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108492304B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080267468A1 (en) * | 2006-10-10 | 2008-10-30 | Paul Geiger | System and Method for Segmenting a Region in a Medical Image |
CN101334895A (zh) * | 2008-08-07 | 2008-12-31 | 清华大学 | 一种针对动态增强乳腺磁共振影像序列的影像分割方法 |
CN101710420A (zh) * | 2009-12-18 | 2010-05-19 | 华南师范大学 | 一种医学图像反分割方法 |
CN106709930A (zh) * | 2016-12-29 | 2017-05-24 | 上海联影医疗科技有限公司 | 三维医学图像的感兴趣体积分割方法及装置 |
-
2018
- 2018-04-14 CN CN201810336526.5A patent/CN108492304B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080267468A1 (en) * | 2006-10-10 | 2008-10-30 | Paul Geiger | System and Method for Segmenting a Region in a Medical Image |
CN101334895A (zh) * | 2008-08-07 | 2008-12-31 | 清华大学 | 一种针对动态增强乳腺磁共振影像序列的影像分割方法 |
CN101710420A (zh) * | 2009-12-18 | 2010-05-19 | 华南师范大学 | 一种医学图像反分割方法 |
CN106709930A (zh) * | 2016-12-29 | 2017-05-24 | 上海联影医疗科技有限公司 | 三维医学图像的感兴趣体积分割方法及装置 |
Non-Patent Citations (2)
Title |
---|
《使用mimics重建CT图像》;yuyangyg;《https://blog.csdn.net/yuyangyg/article/details/78159470》;20171004;第1-4页 * |
《基于CT三视图的肝脏自动分割方法》;宋晓 等;《系统仿真学报》;20140930;第26卷(第9期);第1980-1983页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108492304A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038862B (zh) | 一种交互式医学图像智能分割建模方法 | |
CN110189352B (zh) | 一种基于口腔cbct图像的牙根提取方法 | |
CN107808156A (zh) | 感兴趣区域提取方法 | |
Carr et al. | Simplifying flexible isosurfaces using local geometric measures | |
CN108765417B (zh) | 一种基于深度学习和数字重建放射影像的股骨x线片生成系统及方法 | |
CN103679810B (zh) | 肝部ct图像的三维重建方法 | |
CN103049907B (zh) | 交互式图像分割方法 | |
CN102048550B (zh) | 一种自动生成肝脏3d图像并准确定位肝脏血管支配区域的方法 | |
CN105279762B (zh) | 一种口腔软硬组织ct序列与三维网格模型配准方法 | |
CN106355582B (zh) | 一种基于形状先验的肝脏医学图像分割的方法 | |
US7643663B2 (en) | Volume measurement in 3D datasets | |
EP2277148A4 (en) | METHOD AND SYSTEM FOR ANATOMY STRUCTURE SEGMENTATION AND MODELING IN ONE IMAGE | |
CN107203998A (zh) | 一种对锥束ct图像进行牙列分割的方法 | |
CN102254317A (zh) | 牙种植导航中牙弓曲面的自动提取方法 | |
CN107507212A (zh) | 数字脑可视化方法、装置、计算设备及存储介质 | |
CN110246586A (zh) | 一种肝肿瘤微波消融术前仿真的有限元模型建立方法 | |
Gunz | Computed tools for paleoneurology | |
CN108537802A (zh) | 一种血管分割方法及装置 | |
CN108492304B (zh) | 一种基于多方向轮廓的医学图像分割方法 | |
Zhuo et al. | Local adaptive segmentation algorithm for 3-D medical image based on robust feature statistics | |
CN114758073A (zh) | 一种基于rgbd输入和柔性配准口腔数字化系统 | |
Reska et al. | Fast 3D segmentation of hepatic images combining region and boundary criteria | |
Pan et al. | Automatic annotation of liver computed tomography images based on a vessel‐skeletonization method | |
Liu et al. | Optimization of reconstruction of 2D medical images based on computer 3D reconstruction technology | |
Morigi et al. | 3D long bone reconstruction based on level sets |
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 |