CN108510478A - 肺气道图像分割方法、终端、存储介质 - Google Patents
肺气道图像分割方法、终端、存储介质 Download PDFInfo
- Publication number
- CN108510478A CN108510478A CN201810224392.8A CN201810224392A CN108510478A CN 108510478 A CN108510478 A CN 108510478A CN 201810224392 A CN201810224392 A CN 201810224392A CN 108510478 A CN108510478 A CN 108510478A
- Authority
- CN
- China
- Prior art keywords
- pixel
- medical image
- pixel point
- lung airway
- target
- 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
- 210000004072 lung Anatomy 0.000 title claims abstract description 211
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000005192 partition Methods 0.000 title abstract 2
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 238000003709 image segmentation Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012887 quadratic function Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 description 24
- 239000011159 matrix material Substances 0.000 description 23
- 238000010586 diagram Methods 0.000 description 18
- 238000002591 computed tomography Methods 0.000 description 14
- 238000006243 chemical reaction Methods 0.000 description 8
- 230000036961 partial effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种肺气道图像分割方法、终端、存储介质，属于医学图像处理领域。方法包括：获取医学图像中的目标肺气道区域；基于所述目标肺气道区域获取肺气道的主干结构；基于所述主干结构确定对所述医学图像进行搜索的至少一个起始像素点；基于每个起始像素点在所述医学图像中进行搜索；在对所述医学图像进行搜索的过程中，基于所述医学图像中像素点的管道系数，在所述医学图像中确定第一待选像素点，所述像素点的管道系数用于反映像素点所在的预设医学图像区域的管道形状特征；将所述医学图像中所有第一待选像素点所表示的图像区域确定为分割后的肺气道区域。本发明提高了分割得到的肺气道结构的准确性。本发明用于肺气道图像分割。
Description
技术领域
本发明涉及医学图像处理领域，特别涉及一种肺气道图像分割方法、终端、存储介质。
背景技术
对计算机断层扫描(Computed Tomography；CT)图像等医学图像进行图像分割，以获取医学图像中清晰的肺气道图像，对于肺部疾病的诊断、治疗和外科手术规划等都具有非常重要的意义。
目前，在医学图像处理领域中，使用较多的肺气道图像分割方法为区域生长算法、改进的区域分割算法和基于增强滤波的分割算法。其中，区域生长算法是以预设的种子点的像素值为标准，当像素点的像素值与种子点的像素值之间的关系满足预设生长规则时，将对应像素点划分为种子点所属的区域中。对该区域分割算法的改进方法主要有：根据图像的特征自适应地调节区域生长算法中使用的阈值，或者，在区域生长的过程中，利用完成训练的气道表面模型和获取的气道方向信息对区域生长过程进行优化，或者，利用完成训练的K最近邻(KNN，K-NearestNeighbor)分类器对待分割图像中的气道像素点和非气道像素点进行分类，然后利用区域生长算法对分类后的像素点进行分割。基于增强滤波的分割算法是基于局部像素点的灰度值关系对肺气道进行分割的。
通常情况下，肺气道的气道壁是封闭的，但是在气道的末梢部分，采集的医学图像中该肺气道的气道壁存在不封闭的现象；并且，由于肺气道内部包含有空气，且空气和肺实质的像素值非常接近，导致两者的对比度较低；同时，气道壁和肺气管之间像素点的像素值分布趋势与肺气道像素点的像素值相似；基于以上原因，使用区域生长算法等方法得到的肺气道通常会包含肺实质等非气道的组织，或者，分割得到的肺气道常会出现空洞和边缘不连续等情况，因此，采用相关技术分割得到的肺气道的准确性较低。
发明内容
本发明实施例提供了一种肺气道图像分割方法、终端、存储介质，可以解决采用相关技术分割得到的肺气道结构的准确性较低的问题。所述技术方案如下：
第一方面，提供了一种肺气道图像分割方法，所述方法包括：
获取医学图像中的目标肺气道区域；
基于所述目标肺气道区域获取肺气道的主干结构；
基于所述主干结构确定对所述医学图像进行搜索的至少一个起始像素点；
基于每个起始像素点在所述医学图像中进行搜索；
在对所述医学图像进行搜索的过程中，基于所述医学图像中像素点的管道系数，在所述医学图像中确定第一待选像素点，所述像素点的管道系数用于反映像素点所在的预设医学图像区域的管道形状特征；
将所述医学图像中所有第一待选像素点所表示的图像区域确定为分割后的肺气道区域。
第二方面，提供了一种存储介质，所述存储介质中存储有指令，当所述存储介质中的指令由终端的处理组件执行时，使得计算机执行第一方面所提供的肺气道图像分割方法。
第三方面，提供了一种终端，包括存储器，处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现第一方面所提供的肺气道图像分割方法。
本发明实施例提供的技术方案带来的有益效果是：
本发明实施例提供的肺气道图像分割方法、终端、存储介质，通过获取目标肺气道区域和该目标肺气道区域的主干结构，并基于主干结构确定对医学图像进行搜索的至少一个起始像素点，在基于每个起始像素点在医学图像中进行搜索时，基于医学图像中像素点的管道系数确定第一待选像素点，以实现对医学图像的分割，由于该管道系数用于反映像素点所在的预设医学图像区域的管道形状特征，相对于相关技术，在分割医学图像时，能够在对医学图像进行搜索并确定第一待选像素点的过程中，进一步地根据该管道系数对医学图像中的像素点进行筛选，以更有效地对属于肺气道区域的像素点和属于非肺气道区域的像素点进行区分，有效地提高了分割得到的肺气道图像的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种肺气道图像分割方法的流程图；
图2是本发明实施例提供的另一种肺气道图像分割方法的流程图；
图3a是本发明实施例提供的一种包含肺气道的医学图像的示意图；
图3b是本发明实施例提供的一种对图3a进行预处理后的示意图；
图4是本发明实施例提供的一种获取待分割的医学图像中每个像素点的管道系数的方法流程图；
图5是本发明实施例提供的一种x、y和z在CT图像序列中的示意图；
图6a是本发明实施例提供的一种多尺度卷积运算时，基于每个像素点对应的特征值，分别确定每个像素点的管道系数的方法流程图；
图6b是本发明实施例提供的一种肺气道上像素点对应的特征值λ1、λ2和λ3 的大小规律的示意图；
图7是本发明实施例提供的一种基于区域生长算法，根据预设种子点，在医学图像中确定目标肺气道区域的方法流程图；
图8是本发明实施例提供的一种在医学图像中选取种子点的示意图；
图9a是本发明实施例提供的一种基于灰度值的均值和方差的生长规则的原理示意图；
图9b是本发明实施例提供的一种基于图8所示的医学图像所在的CT图像序列中的医学图像确定的目标肺部气道区域的示意图；
图10是本发明实施例提供的一种图9b所示的目标肺部气道区域所包含的待分割肺气道的中心线的示意图；
图11是本发明实施例提供的一种在医学图像中确定第一待选像素点的方法流程图；
图12是本发明实施例提供的一种基于第一像素点的像素值和管道系数，以及第一像素点在多个预设方向上的凸性值，确定第一像素点的能量值的方法流程图；
图13是本发明实施例提供的一种获取第一像素点在第一预设方向上的凸性值的原理示意图；
图14是本发明实施例提供的一种基于每个像素点的能量值在医学图像中确定第一待选像素点的方法流程图；
图15是本发明实施例提供的一种采用相关技术分割得到的肺气道结构的示意图；
图16是本发明实施例提供的一种采用本发明实施例所提供的肺气道图像分割方法分割得到的肺气道结构的示意图；
图17a是本发明实施例提供的一种肺气道图像分割装置的结构示意图；
图17b是本发明实施例提供的一种第二确定模块的结构示意图；
图17c是本发明实施例提供的一种能量值确定子模块的结构示意图；
图17d是本发明实施例提供的一种第一获取模块的结构示意图；
图17e是本发明实施例提供的另一种肺气道图像分割装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种肺气道图像分割方法，如图1所示，该方法可以包括：
步骤101、获取医学图像中的目标肺气道区域。
步骤102、基于目标肺气道区域获取肺气道的主干结构。
步骤103、基于主干结构确定对医学图像进行搜索的至少一个起始像素点。
步骤104、基于每个起始像素点在医学图像中进行搜索。
步骤105、在对医学图像进行搜索的过程中，基于医学图像中像素点的管道系数，在医学图像中确定第一待选像素点。
其中，像素点的管道系数用于反映像素点所在的预设医学图像区域的管道形状特征。
步骤106、将医学图像中所有第一待选像素点所表示的图像区域确定为分割后的肺气道区域。
综上所述，本发明实施例提供的肺气道图像分割方法，通过获取目标肺气道区域和该目标肺气道区域的主干结构，并基于主干结构确定对医学图像进行搜索的至少一个起始像素点，在基于每个起始像素点在医学图像中进行搜索时，基于医学图像中像素点的管道系数确定第一待选像素点，以实现对医学图像的分割，由于该管道系数用于反映像素点所在的预设医学图像区域的管道形状特征，相对于相关技术，在分割医学图像时，能够在对医学图像进行搜索并确定第一待选像素点的过程中，进一步地根据该管道系数对医学图像中的像素点进行筛选，以更有效地对属于肺气道区域的像素点和属于非肺气道区域的像素点进行区分，有效地提高了分割得到的肺气道图像的准确性。
图2是本发明实施例提供的另一种肺气道图像分割方法，如图2所示，该方法可以包括：
步骤201、对医学图像进行预处理。
其中，该医学图像可以为X射线透视图像、核磁共振图像(Magnetic ResonanceImaging；MRI)或计算机断层扫描(Computed Tomography；CT)图像序列中的任一张图像。
可选地，当医学图像为灰度图像(例如CT图像)时，该预处理过程可以包括：对医学图像进行灰度转换，和/或，对医学图像进行反色。例如：该灰度转换方法可以为：基于预设窗宽和预设窗位对医学图像进行灰度转换，其中，该预设窗宽和该预设窗位的取值可以根据实际需要进行设置。或者，当该医学图像为彩色图像(例如彩色的医学图像)时，该预处理过程可以包括：将该彩色图像转换为灰度图像，并对转换后的灰度医学图像进行灰度转换，和/或，对转换后的灰度医学图像进行反色，且该灰度转换方法也可以为：基于预设窗宽和预设窗位对医学图像进行灰度转换。
根据经验，由于肺气道的灰度一般在[-1100，-800]之间(请参考图3a)，该灰度范围与肺的灰度范围非常接近，且医学图像中的肺气管的末端通常会出现气道壁不闭合的现象，对肺气管对应的像素点和非肺气管对应的像素点进行区分时难度较大，因此，通过对医学图像进行灰度转换，可增大两者之间的对比度，以减小对肺气管对应的像素点和非肺气管对应的像素点进行区分的难度，进而提高分割的准确性。一般地，该预设窗位的可选范围为[-900，-800]，该预设窗宽的可选范围为[700，900]。
示例地，假设对图3a所示的医学图像的预处理过程包括：将该医学图像转换为灰度图像，该转换后的灰度图像的灰度范围为[0，255]，然后基于预设窗宽和预设窗位对灰度图像进行灰度转换，且该预设窗宽为800，该预设窗位为-800，经过该灰度转换后，该转换后的医学图像的灰度范围为[-1200，-400]，再对该灰度转换后的医学图像进行反色，经过预处理后的医学图像的示意图请参考图3b，可以看出该经过预处理后的医学图像的对比度大于预处理之前的医学图像的对比度。
步骤202、获取待分割的医学图像中每个像素点的管道系数。
其中，该管道系数用于反映像素点所在的预设医学图像区域的管道形状特征，也即是，该管道系数用于反映像素点所在的预设医学图像区域中的多个像素点所表示的图像为管道图像的概率，当该管道系数越大时，表示对应像素点属于肺气道图像的可能性越大。
可选地，请参考图4，该步骤202的实现过程可以包括：
步骤2021、采用高斯函数对医学图像做卷积运算。
采用高斯函数对医学图像做卷积运算，可以通过使用预设尺度的高斯模板在医学图像上以滑窗的形式，对医学图像中的像素点做卷积运算实现，高斯模板对处于高斯模板中心的像素点做卷积运算的卷积结果为：将位于该高斯模板的尺度覆盖范围内的所有像素点的像素值加权和确定为该像素点卷积后的像素值，且在对像素值进行加权时，各个像素点对应的权值为高斯模板中对应位置处的数值。相应的，预设医学图像区域为位于该高斯模板的尺度覆盖范围内的所有像素点所表示的图像区域。需要说明的是，在步骤201中若将彩色图像转换为灰度图像，本文中像素值即为灰度值，在步骤201中未将彩色图像转换为灰度图像，本文中像素值即为采用RGB或HSV等颜色分量表示的像素值，本发明实施例以医学图像为腹部CT图像，该像素值为灰度值为例，对本发明实施例提供的肺气道图像分割方法进行说明。
其中，该高斯模板可以为一维或多维的，例如：一维的高斯模板可以为1×3 的矩阵，此时高斯模板的尺度为1，二维的高斯模板可以为3×3的矩阵，此时高斯模板的尺度为1，或者，二维的高斯模板可以为5×5的矩阵，此时高斯模板的尺度为2。需要说明的是，由于肺气道中包括许多较细的分支，在采用高斯函数对医学图像做卷积运算时，为了使根据卷积后的医学图像分割得到的肺气道中包括该较细的分支，可以设置对医学图像做卷积运算的高斯模板的尺度小于预设尺度，该预设尺度可以根据医学图像对应的具体病例进行设置，例如：该预设尺度可以小于或等于4。
示例地，假设对某医学图像做卷积运算的高斯模板为3×3的矩阵，该3×3 的高斯模板请参考表1，该医学图像中位于高斯模板的尺度覆盖范围内的像素点的像素值请参考表2，对像素值为150的像素点进行卷积运算后，其卷积结果为表2中所有像素点的像素值加权和，该 即加权后的该像素点的像素值为168.75。
表1
表2
| 190 | 200 | 110 |
| 140 | 150 | 220 |
| 80 | 250 | 100 |
步骤2022、基于卷积后的医学图像获取每个像素点对应的特征值。
可选地，基于卷积后的医学图像获取每个像素点对应的特征值的过程可以包括：基于卷积后的医学图像对应的矩阵，获取该卷积后的医学图像中每个像素点对应的海塞矩阵，并基于每个像素点对应的海塞矩阵获取每个像素点对应的特征值。
该海塞矩阵(Hessian Matrix)是一个由多元函数的二阶偏导数构成的矩阵，当该海塞矩阵应用于医学图像中时，该海塞矩阵为由三元函数的二阶偏导构成的矩阵，该三元函数的三个变量中，x表示第二像素点在第一医学图像中所在的行数，y表示该第二像素点在第一医学图像中所在的列数，z表示第一医学图像在包括有多张医学图像的CT图像序列中的位置(一般表示为该医学图像为CT 图像序列中的第几张图像)，例如：该x、y和z在CT图像序列中的示意图请参考图5，该第二像素点为第一医学图像中的任一像素点，第一医学图像为CT 图像序列中的任一医学图像。对应于该三元函数，该海塞矩阵的形式请参考下式：
其中，可以按照下式(1)确定第二像素点的像素值的一阶导数，按照下式 (2)确定第二像素点的像素值的二阶导数：
并且，偏导数的计算方式为：先在x方向(即矩阵的行方向)上计算第二像素点的像素值的一阶导数，然后在y方向(即矩阵的列方向)上计算该一阶导数的导数，其中，计算一阶导数的导数的计算方式可相应参考式(2)，以及，计算其他偏导数的计算方式可相应参考偏导数的计算方式。
在获取每个像素点对应的海塞矩阵后，可以根据数学知识计算海塞矩阵的特征值，该计算得到的特征值即为对应像素点所对应的特征值。并且，由于该海塞矩阵为由三元函数的二阶偏导构成的矩阵，根据该海塞矩阵计算得到的特征值的个数为3，且该3个特征值分别与x、y和z方向对应。
需要说明的是，该卷积运算可以为单一尺度的卷积运算或多尺度的卷积运算(即分别采用多个尺度的高斯模板对医学图像做卷积运算)，当卷积运算为单一尺度的卷积运算时，在获取卷积结果后，可直接根据卷积后的医学图像对应的矩阵获取每个像素点对应的特征值；当卷积运算为多尺度卷积运算时，对于每个尺度的卷积运算，可以分别基于每个尺度下卷积后的医学图像对应的矩阵获取每个像素点对应的特征值，以得到每个像素点在每个尺度下所对应的特征值。
步骤2023、基于每个像素点对应的特征值，分别确定每个像素点的管道系数。
可选地，请参考图6a，当卷积运算为多尺度卷积运算时，该步骤2023的实现过程可以包括：
步骤2023a、基于每个尺度下每个像素点对应的特征值，分别确定每个像素点在每个尺度下的管道系数。
可选地，管道系数V和每个像素点对应的特征值可以满足：
其中，V为第二像素点在第一尺度下的管道系数，λ1、λ2和λ3(|λ1|≥|λ2|≥|λ3|)分别为第二像素点在该第一尺度下对应的特征值，R1、R2和R3分别为管道系数的控制参数，且α、β和c分别为R1、 R2和R3的灵敏度参数，该α、β和c的取值可以根据实际需要进行设置，例如：α＝0.5，β＝0.5，c＝500，该第一尺度为多个尺度中的任一尺度。
需要说明的是，肺气道上像素点对应的特征值λ1、λ2和λ3的大小规律请参考图6b，其中，λ1和λ2的大小较相近且较大，λ3的大小较小。
步骤2023b、将每个像素点在多个尺度下的管道系数中的最大值确定为对应像素点的管道系数。
根据实验论证可知：当高斯模板的尺度越接近肺气道半径时，基于高斯模板对医学图像做卷积运算的卷积结果确定的管道系数越大，即对应像素点属于肺气道图像的可能性越大，因此，在未知像素点属于肺气道图像的可能性的情况下，可通过对医学图像做多尺度卷积运算，并将基于多个尺度下的卷积结果确定的管道系数中的最大值，确定为对应像素点的管道系数，以提高确定的管道系数的准确性。
示例地，假设分别采用尺度为尺度S1、尺度S2和尺度S3的高斯模板对医学图像做卷积运算后，根据该尺度S1、尺度S2和尺度S3对应的卷积结果确定的像素点的管道系数分别0.5、0.6和0.66，则可认为该尺度S3为最接近肺气道半径的尺度，同时，可将0.66确定为该像素点的管道系数。
实际应用中，可以利用基于Cuda(Compute Unified DeviceArchitecture，一种并行运算平台)的图形处理器(Graphics Processing Unit，GPU)计算像素点的管道系数，以提高管道系数的计算速度。
步骤203、获取医学图像中的目标肺气道区域。
该步骤203的实现方式有多种，本发明实施例以以下两种可实现方式为例对其进行说明：
第一种可实现方式，接收分割指令，该分割指令用于指示将医学图像中的预设区域确定为目标肺气道区域。
该分割指令中携带有该预设区域的边缘中包括的像素点的位置信息，当接收到该分割指令后，可根据该位置信息将该位置信息对应的像素点所围成的区域确定为目标肺气道区域。其中，该分割指令可以为用户在观察医学图像时，认为该预设区域为肺气道所在的区域时，通过输入组件(例如鼠标)在该区域中进行划线所触发的指令。
第二种可实现方式，基于区域生长算法，根据预设种子点，在医学图像中确定目标肺气道区域。
请参考图7，该第二种可实现方式的实现过程可以包括：
步骤2031、获取医学图像中每个像素点的像素值。
步骤2032、当基于第二像素点的管道系数对第二像素点的像素值进行加权后的像素值符合目标规则时，确定第二像素点为目标肺部气道区域中的第二待选像素点。
其中，基于第二像素点的管道系数对其像素值进行加权时，加权后的像素值M1可以为管道系数V0与第二像素点的原始像素值M0的乘积，即M1＝V0×M0。
在基于区域生长算法在CT图像序列中的每张医学图像中确定目标肺部气道区域时，需要先在每张医学图像中选取种子点(如图8中“×”所示)，然后分别以每张医学图像中的种子点的像素值为标准，将医学图像中与该种子点具有相似性质的像素点合并，以构成生长后的图像区域。在本发明实施例中，可以通过判断待生长的第二像素点的像素值进行加权后的像素值是否符合目标规则，以实现对医学图像中具有相似性质的像素点的合并。
其中，目标规则可以为相关技术中区域生长算法的任一种生长规则，本发明实施例以目标规则为基于灰度值的均值和方差的生长规则为例，对该步骤 2032的实现方式进行说明。请参考图9a，假设图9a中白点所示的像素点为根据种子点已生长的像素点，黑点所示的像素点为医学图像中待生长的像素点，该基于灰度值的均值和方差的生长规则为：当已生长的像素点的灰度值均值与待生长像素点的灰度值之差的绝对值小于预设灰度阈值，且该已生长的像素点的灰度值均值与该待生长像素点的灰度值之差的方差小于预设方差阈值时，将该待生长像素点确定为已生长的像素点，即该待生长像素点属于生长后的图像区域。示例地，基于图8所示的医学图像所在的CT图像序列中的医学图像确定的目标肺部气道区域请参考图9b。
相关技术中，对像素点进行区域生长时，是直接根据像素点的像素值判断是否符合生长规则，当像素点的像素值符合生长规则时，确定像素点属于生长后的图像区域。本发明实施例中，是对加权后的像素值判断是否符合生长规则，且对像素值的加权是基于像素点的管道系数进行的，而管道系数用于反映像素点所在的预设医学图像区域的管道形状特征，因此，相较于相关技术，在执行区域生长算法时，对基于管道系数加权后的像素值判断是否符合生长规则，能够基于管道系数进一步地对像素点是否属于生长后的图像区域进行筛选，可以减少由于像素点的灰度值相近而导致的误判断，进而能够提高在医学图像中确定的目标肺部气道区域的准确性。
需要说明的是，为了进一步提高在医学图像中确定的目标肺部气道区域的准确性，在基于第二像素点的管道系数对第二像素点的像素值进行加权之前，还可以对管道系数进行归一化处理，且归一化后的管道系数V1＝V0/max(V0 (p))，其中，V0表示该第二像素点原始的管道系数，V0(p)表示该医学图像中所有像素点p的管道系数。
步骤2033、将医学图像中所有第二待选像素点所表示的图像区域确定为目标肺气道区域。
该医学图像中所有第二待选像素点所表示的图像区域即为获得的目标肺气道区域，因此，可将该所有第二待选像素点所表示的图像区域确定为目标肺气道区域。
实际应用中，在基于区域生长算法确定目标肺部气道区域时，还可以先将待生长像素点的管道系数与预设管道系数阈值进行比较，当待生长像素点的管道系数小于预设管道系数阈值时，确定该待生长像素点不属于生长后的图像区域，即不属于目标肺部气道区域；当待生长像素点的管道系数不小于预设管道系数阈值时，进一步判断该待生长像素点对应的基于管道系数加权后的像素值是否符合目标规则，当该待生长像素点对应的基于管道系数加权后的像素值符合目标规则时，确定该待生长像素点属于生长后的图像区域，即属于目标肺部气道区域。这样以来，在对待生长像素点判断是否符合目标规则前进行粗筛选，当该待生长像素点不满足粗筛选条件时，即可确定该待生长像素点不属于目标肺部气道区域，即无需再执行后续判断过程，能够简化执行区域生长算法的计算过程，能够提高对医学图像的分割速度。
步骤204、基于目标肺气道区域获取肺气道的主干结构。
可选地，肺气道的主干结构可以由肺气道的中心线表征，相应的，该步骤 204的实现过程包括：获取目标肺气道区域所包含的待分割肺气道的中心线。例如，可以采用细化算法、直接中心线追踪算法或最小路径算法等获取待分割肺气道的中心线，本发明实施例对其不做具体限定。
步骤205、基于主干结构确定对医学图像进行搜索的至少一个起始像素点。
当肺气道的主干结构由肺气道的中心线表征时，该步骤205的实现过程包括：获取待分割肺气道的中心线的端点，并将待分割肺气道的中心线的端点确定为起始像素点。
在获取待分割肺气道的中心线后，可以对待分割肺气道的中心线上各个像素点进行遍历，并统计被遍历到的像素点的邻域像素点(即位于各个像素点的邻域内的像素点)的总数，将邻域像素点的总数为1的像素点确定为待分割肺气道的中心线的端点，直至遍历完待分割肺气道的中心线上的所有像素点，即可获得待分割肺气道的中心线的所有端点，然后可将待分割肺气道的中心线的所有端点均确定为采用最小路径算法对医学图像中的像素点进行搜索的起始像素点。
示例地，图10示出了图9b所示的目标肺部气道区域所包含的待分割肺气道的中心线，假设该待分割肺气道的中心线上像素点的个数为N，该N个像素点分别为X1、X2、X3，......，XN，经过遍历，该N个像素点中像素点X1、像素点X10、像素点X31、像素点X46和像素点X51的邻域像素点总数均为1时，则可以确定该像素点X1、像素点X10、像素点X31、像素点X46和像素点X51 为待分割肺气道的中心线的端点，并将该像素点X1、像素点X10、像素点X31、像素点X46和像素点X51均确定为采用最小路径算法对医学图像中的像素点进行搜索的起始像素点。
步骤206、基于每个起始像素点在医学图像中进行搜索，在对医学图像进行搜索的过程中，基于医学图像中像素点的管道系数，在医学图像中确定第一待选像素点。
可选地，请参考图11，该步骤206的实现过程可以包括：
步骤2061、当在目标像素点的邻域内进行搜索时，基于医学图像中像素点的管道系数确定目标像素点邻域内每个像素点的能量值。
其中，医学图像中像素点的能量值用于反映医学图像的像素值的分布均匀程度和纹理粗细度。
可选地，可以基于第一像素点的像素值和管道系数，以及第一像素点在多个预设方向上的凸性值，确定第一像素点的能量值，其中，第一像素点为目标像素点邻域内任一像素点。如图12所示，步骤2061的实现过程具体可以包括：
步骤2061a、基于第一像素点的像素值、管道系数的目标参数值与第一像素点在多个预设方向上的凸性值，分别确定第一像素点在多个预设方向上的管道特征函数。
可选地，该第一像素点在第一预设方向上的管道特征函数F可以为该第一像素点的管道系数的目标参数值G(V0)、该第一像素点的像素值M以及该第一像素点在第一预设方向上的凸性值C(θ)的乘积，即F＝G(V0)×C(θ) ×M。
其中，第一像素点在第一预设方向上的凸性值用于反映目标二次函数在第一像素点处的凹凸性，该目标二次函数用于表征在第一预设方向上，位于第一像素点和预设像素点之间的像素点的像素值的变化情况，也即是，在第一预设方向上，位于第一像素点和预设像素点之间的像素点的像素值的变化情况满足该目标二次函数，第一预设方向为多个预设方向中的任一方向。
实际应用中，获取第一像素点在第一预设方向上的凸性值可以有多种可实现方式，例如：第一像素点在第一预设方向上的凸性值可以为在第一预设方向上，第一像素点到预设像素点的距离与目标二次函数的二次项系数的乘积。示例地，请参考图13，假设在第一预设方向θ上，预设像素点分别为预设像素点 P1和预设像素点P2，在第一预设方向θ上，位于第一像素点P、预设像素点P1 和预设像素点P2之间的像素点的像素值的变化情况满足目标二次函数f(x) ＝ax2+bx+c，且第一像素点P到预设像素点P1的距离和第一像素点P到预设像素点P2的距离均为R，则第一像素点P在第一预设方向θ上的凸性值C(θ) ＝a×R。
并且，管道系数的目标参数值G(V0)可以为管道系数按照预设增函数映射后得到的参数值，例如：该管道系数V0与管道系数的目标参数值G(V0)可以满足：或者，或者，其中，n≧1，且0<λ≤1。当该目标参数值G(V0)为管道系数按照该两个函数中的任一函数进行映射后得到的参数值时，由于该目标参数值G(V0)为呈指数增长后的管道系数，且管道特征函数为根据该目标参数值对凸性值和像素值的乘积进行加权后得到的，因此，当两个像素点的管道系数相差较大时(例如：当一个像素点为肺部气道区域中的像素点，另一个像素点为非肺部气道区域的像素点时，两个像素点的管道系数相差较大)，即使两个像素点对应的凸性值接近且像素值接近，基于第一像素点的像素值、管道系数和凸性值获取的管道特征函数也具有较大的差别(肺部气道区域中像素点对应的管道特征函数较大，非肺部气道区域中像素点对应的管道特征函数较小)，使得基于该方式计算得到的管道特征函数对医学图像进行分割时，能够更好的区分医学图像中的肺部气道区域和非肺部气道区域，以提高分割得到的肺气道结构的准确性。
需要说明的是，在计算第一像素点的管道特征函数之前，还可以对第一像素点的像素值进行归一化处理，然后基于归一化后的像素值计算管道特征函数，例如：归一化后的像素值可以等于第一像素点的原始像素值与医学图像中所有像素点的像素值中的最大值的比值，即归一化后的像素值M1＝M/max(M(p))，其中，M表示该第一像素点的原始像素值，M(p)表示该医学图像中所有像素点p的像素值，max为取最大值函数。相应的，基于归一化后的像素值计算的管道特征函数F为管道系数的目标参数值G(V0)、归一化后的像素值M1以及该第一像素点在第一预设方向上的凸性值C(θ)的乘积，即F＝G(V0)×C (θ)×M1。
步骤2061b、基于多个预设方向上的管道特征函数，确定第一像素点的能量值。
在一种可实现方式中，可将目标管道特征函数之积的倒数确定为第一像素点的能量值。其中，该目标管道特征函数为多个预设方向对应的管道特征函数中小于预设函数阈值的管道特征函数，该预设函数阈值的取值可以根据实际需要进行调整。
在另一种可实现方式中，可将多个预设方向上的管道特征函数按照由小到大的顺序排序，然后在排序后的管道特征函数中选取数值较小的预设个数个管道特征函数，并将该预设个数个管道特征函数的乘积的倒数确定为第一像素点的能量值，即能量值U、第一预设方向θ上的管道特征函数F(θ)和预设个数 n满足其中，该预设个数可以根据实际需要进行调整，例如：该预设个数可以为6，本发明实施例对其不做具体限定。
需要说明的是，在计算像素点的能量值后，可将像素点的能量值存储在预设存储位置中，以便在后续处理过程中需要获取该能量值时，可以基于对应的像素点在该预设存储位置中查找，以获取该对应像素点的能量值。
步骤2062、基于每个像素点的能量值在医学图像中确定第一待选像素点。
可选地，请参考图14，该步骤2062的实现过程可以包括：
步骤2062a、在搜索过程中，基于每个像素点的能量值在医学图像中确定搜索到的像素点。
基于起始像素点对医学图像进行搜索时，医学图像中任两个像素点之间存在多条路径，该多条路径中每条路径的累加能量值可能不同，且该多条路径中存在一条累加能量值最小的最小路径。并且，路径的累积能量值通常等于该路径中最后搜索到的像素点的累积能量值，且该像素点的累积能量值为该路径中所包括的所有像素点的能量值之和。因此，可以基于最小路径算法的原理在医学图像中确定搜索到的像素点，使搜索到的像素点与起始像素点之间的能量差尽量小，即搜索到的像素点的累积能量值最小。同时，由于像素点的能量值用于反映医学图像中像素值的分布均匀程度和纹理粗细度，并且，由于肺部气道区域中像素点的能量值较小，非肺部气道区域中像素点的能量值较大，在基于最小路径算法的原理在医学图像中确定搜索到的像素点时，其会将多个像素点中具有最小能量的像素点确定为搜索到的像素点，也即是，搜索到的像素点更可能是肺部气道区域中的像素点，因此，当基于最小路径算法的原理在医学图像中确定搜索到的像素点时，可以将像素值较相近且由像素点表示的图像的纹理粗细度大致相同的像素点划分至同一区域，以提高分割得到的肺气道结构的准确性。
在搜索过程中，基于最小路径算法的原理在医学图像中确定搜索到的像素点的过程一般通过队列的方式实现，从起始像素点开始搜索时，需要先将该起始像素点的所有邻域像素点加入到队列中，然后将该队列中的能量值最小的像素点(即更可能为肺部气道区域中的像素点)确定为搜索到的像素点，并将该搜索到的像素点出队，然后再将该搜索到的像素点的邻域像素点中未加入至队列中的其他邻域像素点加入至队列中，然后继续将该队列所包括的所有像素点中能量值最小的像素点确定为搜索到的像素点，重复执行以上搜索步骤，直至达到预设的最大搜索次数时停止搜索。在该搜索过程中，所有搜索到的像素点按照搜索到的顺序所组成的路径即为最小路径，且由于每个搜索到的像素点均为队列中能量值最小的像素点，因此，该最小路径的累加能量值最小。
需要说明的是，当搜索路径较长时，像素点的累加能量值会非常大，使得最小路径算法出现能量累积问题，导致在搜索过程中确定像素点的效率降低，针对此，在搜索过程中可以通过回溯的方法降低搜索到的像素点的累积能量值，该实现过程可以包括：在搜索到当前像素点时，按照预设回溯步数对该当前像素点进行回溯，并基于回溯到的像素点的累积能量值更新该当前像素点的累积能量值，使得更新后的当前像素点的累积能量值等于该当前像素点的累积能量值与位于回溯路径终点的像素点的累积能量值之差。其中，回溯是指：在搜索到该当前像素点后，以该当前像素点为起点，沿搜索路径回退预设回溯步数，在该搜索路径上被回退到的像素点即为回溯步数为预设回溯步数的回溯点，例如：假设搜索路径依次由像素点P1、像素点P2、像素点P3、像素点P4和像素点P5组成，在搜索到像素点P5时，假设预设回溯步数为1，沿该搜索路径回退 1步后，被回退到的像素点为像素点P4，则可将该像素点P4确定为回溯步数为 1的回溯点，假设预设回溯步数为2，沿该搜索路径回退2步后，被回退到的像素点为像素点P3，则可将像素点P3确定为回溯步数为2的回溯点，其他步数的回溯过程请相应参考步数为1和2的回溯过程，该位于回溯路径终点的像素点为回溯步数等于预设回溯步数的回溯过程对应的回溯点。
步骤2062b、基于搜索到的像素点的能量值确定每个搜索到的像素点的能量累加率。
其中，该能量累加率用于反映对应像素点的能量累加程度。在一种可实现方式中，当基于最小路径算法的原理对医学图像进行搜索时，该能量累加率等于该搜索到的像素点的累加能量值的倒数；在另一种可实现方式中，当通过回溯的方法降低最小路径算法搜索到的像素点的累积能量值时，该能量累加率主要用于反映回溯点的能量累加程度，根据回溯点被回溯到的次数，该能量累加率可通过累加的方式得到，例如：被回溯到n次的回溯点的能量累加率In和回溯点的累积能量值U满足：In＝In-1+1/(η+U)，其中，n为大于1的整数，In-1为该回溯点第n-1次被回溯到的能量累加率，且该回溯点的能量累加率的初始值 I0为0，η为能量累加率的控制参数，其取值可以根据实际需要进行设置，例如：η＝20。
步骤2062c、将能量累加率大于预设阈值的像素点确定为第一待选像素点。
根据肺部气道区域中像素点的能量值较小，非肺部气道区域中像素点的能量值较大可得：肺部气道区域中像素点的能量累加率较大，非肺部气道区域中像素点的能量累加率较小，因此，可将搜索路径中能量累加率大于预设阈值的像素点确定为第一待选像素点。
其中，将搜索路径中能量累加率大于预设阈值的像素点确定为第一待选像素点的一种实现方式可以为：在确定所有搜索到的像素点的能量累加率后，对所有能量累加率按照由大到小的顺序排序，筛选出排序后的队列中位于前 (100×β)％的能量累加率，并将筛选出的能量累加率对应的像素点确定为第一待选像素点。其中，β为预设的分位数，该β的取值可以根据实际需要进行调整，例如：该β的取值可以为0.7。
步骤207、将医学图像中所有第一待选像素点所表示的图像区域确定为分割后的肺部气道区域。
由于肺部气道区域中像素点的能量累加率较大，非肺部气道区域中像素点的能量累加率较小，因此，医学图像中所有第一待选像素点所表示的图像区域即为分割后的肺部气道区域。并且，为了便于查看该该肺部气道区域和非肺部气道区域，在确定肺部气道区域后，还可将非肺部气道区域中的像素点的像素值设置为0。
步骤208、对分割后的医学图像进行三维重建，得到分割后的肺气道图像。
可选地，对CT图像序列中的每张医学图像进行分割后，可以对分割后的每张医学图像采用移动立方体算法(Marching Cube)进行三维重建，以得到三维的肺气道图像(即肺气道结构)。
请参考图15和图16，图15为采用相关技术分割得到的肺气道结构，图16 为采用本发明实施例所提供的肺气道图像分割方法分割得到的肺气道结构，图 15和图16的分割结果均是对医学图像执行相同的图像预处理，且两者选取的种子点和起始像素点均相同的基础上进行分割得到的。从图15可以看出：该分割得到的肺气道的多个末梢均粘连有肺实质，这是由医学图像中肺气道末梢的气道壁不闭合导致的；相对于图15的肺气道结构，图16中的肺气道的末梢粘连的肺实质很少，且分割得到的肺气道具有更光滑的表面，该肺气道结构更接近真实的肺气道结构，由此可知，本发明实施例提供的肺气道图像分割方法有效地提高了分割得到的肺气道结构的准确性。
综上所述，本发明实施例提供的肺气道图像分割方法，通过获取目标肺气道区域和该目标肺气道区域的主干结构，并基于主干结构确定对医学图像进行搜索的至少一个起始像素点，在基于每个起始像素点在医学图像中进行搜索时，基于医学图像中像素点的管道系数确定第一待选像素点，以实现对医学图像的分割，由于该管道系数用于反映像素点所在的预设医学图像区域的管道形状特征，相对于相关技术，在分割医学图像时，能够在对医学图像进行搜索并确定第一待选像素点的过程中，进一步地根据该管道系数对医学图像中的像素点进行筛选，以更有效地对属于肺气道区域的像素点和属于非肺气道区域的像素点进行区分，有效地提高了分割得到的肺气道图像的准确性。
需要说明的是，本发明实施例提供的肺气道图像分割方法步骤的先后顺序可以进行适当调整，步骤也可以根据情况进行相应增减，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化的方法，都应涵盖在本申请的保护范围之内，因此不再赘述。
本发明实施例提供一种肺气道图像分割装置，如图17a所示，该装置900 可以包括：
第一获取模块901，用于获取医学图像中的目标肺气道区域。
第二获取模块902，用于基于目标肺气道区域获取肺气道的主干结构。
第一确定模块903，用于基于主干结构确定对医学图像进行搜索的至少一个起始像素点。
搜索模块904，用于基于每个起始像素点在医学图像中进行搜索。
第二确定模块905，用于在对医学图像进行搜索的过程中，基于医学图像中像素点的管道系数，在医学图像中确定第一待选像素点，管道系数用于反映像素点所在的预设医学图像区域的管道形状特征。
第三确定模块906，用于将医学图像中所有第一待选像素点所表示的图像区域确定为分割后的肺气道区域。
综上所述，本发明实施例提供的肺气道图像分割装置，分别通过第一获取模块和第二获取模块获取目标肺气道区域和该目标肺气道区域的主干结构，第一确定模块基于主干结构确定对医学图像进行搜索的至少一个起始像素点，搜索模块在基于每个起始像素点在医学图像中进行搜索时，第二确定模块基于医学图像中像素点的管道系数确定第一待选像素点，以实现对医学图像的分割，由于该管道系数用于反映像素点所在的预设医学图像区域的管道形状特征，相对于相关技术，在分割医学图像时，能够在对医学图像进行搜索并确定第一待选像素点的过程中，进一步地根据该管道系数对医学图像中的像素点进行筛选，以更有效地对属于肺气道区域的像素点和属于非肺气道区域的像素点进行区分，有效地提高了分割得到的肺气道图像的准确性。
可选地，如图17b所示，第二确定模块905，可以包括：
能量值确定子模块9051，用于当在目标像素点的邻域内进行搜索时，基于医学图像中像素点的管道系数确定目标像素点邻域内每个像素点的能量值，像素点的能量值用于反映医学图像的像素值的分布均匀程度和纹理粗细度，第一像素点为目标像素点邻域内任一像素点。
第一待选像素点确定子模块9052，用于基于每个像素点的能量值在医学图像中确定第一待选像素点。
可选地，如图17c所示，能量值确定子模块9051，包括：
能量值确定单元9051a，用于基于第一像素点的像素值和管道系数，以及第一像素点在多个预设方向上的凸性值，确定第一像素点的能量值。
其中，第一像素点在第一预设方向上的凸性值用于反映目标二次函数在第一像素点处的凹凸性，目标二次函数用于表征在第一预设方向上，位于第一像素点和预设像素点之间的像素点的像素值的变化情况，第一预设方向为多个预设方向中的任一方向。
可选地，能量值确定单元9051a，用于：
基于第一像素点的像素值、管道系数的目标参数值与第一像素点在多个预设方向上的凸性值，分别确定第一像素点在多个预设方向上的管道特征函数，管道系数的目标参数值为管道系数按照预设增函数映射后得到的参数值。
将目标管道特征函数之积的倒数确定为第一像素点的能量值，目标管道特征函数为多个预设方向对应的管道特征函数中小于预设函数阈值的管道特征函数。
可选地，如图17d所示，第一获取模块901，包括：
获取子模块9011，用于基于区域生长算法，根据预设种子点，在医学图像中确定目标肺气道区域。
可选地，获取子模块9011，用于：
获取医学图像中每个像素点的像素值。
当基于第二像素点的管道系数对第二像素点的像素值进行加权后的像素值符合目标规则时，确定第二像素点为目标肺气道区域中的第二待选像素点，目标规则为基于像素值的均值和方差的区域生长规则，第二像素点为医学图像中任一像素点。
将医学图像中所有第二待选像素点所表示的图像区域确定为目标肺气道区域。
可选地，第一获取模块901，用于：接收分割指令，分割指令用于指示将医学图像中的预设区域确定为目标肺气道区域。
可选地，第二获取模块902，用于：
获取目标肺气道区域所包含的待分割肺气道的中心线。
基于主干结构确定对医学图像进行搜索的至少一个起始像素点，包括：
将待分割肺气道的中心线的端点确定为起始像素点。
可选地，如图17e所示，该装置900还可以包括：
预处理模块907，用于基于预设窗宽和预设窗位对医学图像进行预处理。
可选地，如图17e所示，该装置900还可以包括：
运算模块908，用于采用高斯函数对医学图像做卷积运算。
第三获取模块909，用于基于卷积后的医学图像获取每个像素点对应的特征值。
第四确定模块910，用于基于每个像素点对应的特征值，分别确定每个像素点的管道系数。
综上所述，本发明实施例提供的肺气道图像分割装置，分别通过第一获取模块和第二获取模块获取目标肺气道区域和该目标肺气道区域的主干结构，第一确定模块基于主干结构确定对医学图像进行搜索的至少一个起始像素点，搜索模块在基于每个起始像素点在医学图像中进行搜索时，第二确定模块基于医学图像中像素点的管道系数确定第一待选像素点，以实现对医学图像的分割，由于该管道系数用于反映像素点所在的预设医学图像区域的管道形状特征，相对于相关技术，在分割医学图像时，能够在对医学图像进行搜索并确定第一待选像素点的过程中，进一步地根据该管道系数对医学图像中的像素点进行筛选，以更有效地对属于肺气道区域的像素点和属于非肺气道区域的像素点进行区分，有效地提高了分割得到的肺气道图像的准确性。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置、模块、子模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明实施例提供了一种存储介质，该存储介质可以为非易失性计算机可读存储介质，该存储介质中存储有指令，当该存储介质中的指令由终端的处理组件执行时，使得计算机执行本发明实施例所提供的肺气道图像分割方法。
本发明实施例提供了一种终端，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现本发明实施例所提供的肺气道图像分割方法。
本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本发明实施例所提供的肺气道图像分割方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (12)
1.一种肺气道图像分割方法，其特征在于，所述方法包括：
获取医学图像中的目标肺气道区域；
基于所述目标肺气道区域获取肺气道的主干结构；
基于所述主干结构确定对所述医学图像进行搜索的至少一个起始像素点；
基于每个起始像素点在所述医学图像中进行搜索；
在对所述医学图像进行搜索的过程中，基于所述医学图像中像素点的管道系数，在所述医学图像中确定第一待选像素点，所述像素点的管道系数用于反映像素点所在的预设医学图像区域的管道形状特征；
将所述医学图像中所有第一待选像素点所表示的图像区域确定为分割后的肺气道区域。
2.根据权利要求1所述的方法，其特征在于，所述在对所述医学图像进行搜索的过程中，基于所述医学图像中像素点的管道系数，在所述医学图像中确定第一待选像素点，包括：
当在目标像素点的邻域内进行搜索时，基于所述医学图像中像素点的管道系数确定所述目标像素点邻域内每个像素点的能量值，所述像素点的能量值用于反映所述医学图像的像素值的分布均匀程度和纹理粗细度；
基于所述每个像素点的能量值在所述医学图像中确定所述第一待选像素点。
3.根据权利要求2所述的方法，其特征在于，所述基于所述医学图像中像素点的管道系数确定所述目标像素点邻域内每个像素点的能量值，包括：
基于第一像素点的像素值和管道系数，以及所述第一像素点在多个预设方向上的凸性值，确定所述第一像素点的能量值；
其中，所述第一像素点在第一预设方向上的凸性值用于反映目标二次函数在所述第一像素点处的凹凸性，所述目标二次函数用于表征在所述第一预设方向上，位于所述第一像素点和预设像素点之间的像素点的像素值的变化情况，所述第一像素点为所述目标像素点邻域内任一像素点，所述第一预设方向为所述多个预设方向中的任一方向。
4.根据权利要求3所述的方法，其特征在于，所述基于第一像素点的像素值和管道系数，以及所述第一像素点在多个预设方向上的凸性值，确定所述第一像素点的能量值，包括：
基于所述第一像素点的像素值、管道系数的目标参数值与所述第一像素点在多个预设方向上的凸性值，分别确定所述第一像素点在多个预设方向上的管道特征函数，所述管道系数的目标参数值为所述管道系数按照预设增函数映射后得到的参数值；
将目标管道特征函数之积的倒数确定为所述第一像素点的能量值，所述目标管道特征函数为所述多个预设方向对应的管道特征函数中小于预设函数阈值的管道特征函数。
5.根据权利要求1至4任一所述的方法，其特征在于，所述获取医学图像中的目标肺气道区域，包括：
基于区域生长算法，根据预设种子点，在所述医学图像中确定所述目标肺气道区域。
6.根据权利要求5所述的方法，其特征在于，所述基于区域生长算法，根据预设种子点，在所述医学图像中确定所述目标肺气道区域，包括：
获取所述医学图像中每个像素点的像素值；
当基于第二像素点的管道系数对所述第二像素点的像素值进行加权后的像素值符合目标规则时，确定所述第二像素点为所述目标肺气道区域中的第二待选像素点，所述目标规则为基于像素值的均值和方差的区域生长规则，所述第二像素点为所述医学图像中任一像素点；
将所述医学图像中所有第二待选像素点所表示的图像区域确定为所述目标肺气道区域。
7.根据权利要求1至4任一所述的方法，其特征在于，所述获取医学图像中的目标肺气道区域，包括：
接收分割指令，所述分割指令用于指示将所述医学图像中的预设区域确定为所述目标肺气道区域。
8.根据权利要求1至4任一所述的方法，其特征在于，所述肺气道的主干结构由所述肺气道的中心线表征，所述基于所述目标肺气道区域获取肺气道的主干结构，包括：
获取所述目标肺气道区域所包含的待分割肺气道的中心线；
所述基于所述主干结构确定对所述医学图像进行搜索的至少一个起始像素点，包括：
将所述待分割肺气道的中心线的端点确定为所述起始像素点。
9.根据权利要求1至4任一所述的方法，其特征在于，在所述获取医学图像中的目标肺气道区域之前，所述方法还包括：
基于预设窗宽和预设窗位对所述医学图像进行预处理。
10.根据权利要求2至4任一所述的方法，其特征在于，在所述基于所述医学图像中像素点的管道系数确定所述目标像素点邻域内每个像素点的能量值之前，所述方法还包括：
采用高斯函数对所述医学图像做卷积运算；
基于卷积后的医学图像获取每个像素点对应的特征值；
基于所述每个像素点对应的特征值，分别确定每个像素点的管道系数。
11.一种存储介质，其特征在于，所述存储介质中存储有指令，当所述存储介质中的指令由终端的处理组件执行时，使得计算机执行权利要求1至10任一所述的肺气道图像分割方法。
12.一种终端，其特征在于，包括存储器，处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现权利要求1至10任一所述的肺气道图像分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810224392.8A CN108510478B (zh) | 2018-03-19 | 2018-03-19 | 肺气道图像分割方法、终端、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810224392.8A CN108510478B (zh) | 2018-03-19 | 2018-03-19 | 肺气道图像分割方法、终端、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108510478A true CN108510478A (zh) | 2018-09-07 |
| CN108510478B CN108510478B (zh) | 2021-01-26 |
Family
ID=63376742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810224392.8A Active CN108510478B (zh) | 2018-03-19 | 2018-03-19 | 肺气道图像分割方法、终端、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108510478B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021135029A1 (zh) * | 2019-12-31 | 2021-07-08 | 广州永士达医疗科技有限责任公司 | 基于oct设备的气道弹性测量方法、系统、设备及介质 |
| CN113450277A (zh) * | 2021-06-29 | 2021-09-28 | 上海长征医院 | 一种医学图像处理方法、介质及电子设备 |
| CN113657458A (zh) * | 2021-07-27 | 2021-11-16 | 浙江大华技术股份有限公司 | 气道分类方法及其装置、计算机可读存储介质 |
| CN114511562A (zh) * | 2022-04-19 | 2022-05-17 | 深圳市疾病预防控制中心（深圳市卫生检验中心、深圳市预防医学研究所） | 基于大数据的慢性阻塞性肺炎风险预测系统、方法及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120268450A1 (en) * | 2010-09-29 | 2012-10-25 | Siemens Corporation | Automated Detection of Airway and Vessel Orientations for Quantitative Analysis and Visualization |
| CN106097305A (zh) * | 2016-05-31 | 2016-11-09 | 上海理工大学 | 双行程区域生长结合形态学重建的肺部气管树分割方法 |
| CN107274399A (zh) * | 2017-06-19 | 2017-10-20 | 太原理工大学 | 一种基于Hession矩阵和三维形状指数的肺结节分割方法 |
-
2018
- 2018-03-19 CN CN201810224392.8A patent/CN108510478B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120268450A1 (en) * | 2010-09-29 | 2012-10-25 | Siemens Corporation | Automated Detection of Airway and Vessel Orientations for Quantitative Analysis and Visualization |
| CN106097305A (zh) * | 2016-05-31 | 2016-11-09 | 上海理工大学 | 双行程区域生长结合形态学重建的肺部气管树分割方法 |
| CN107274399A (zh) * | 2017-06-19 | 2017-10-20 | 太原理工大学 | 一种基于Hession矩阵和三维形状指数的肺结节分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王昌: "高精度肺部气道树的分割及骨架中心线的提取", 《中国优秀硕士学位论文全文数据库》 * |
| 程远雄 等: "一种新的三维气管树提取方法", 《中国医学物理学杂质》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021135029A1 (zh) * | 2019-12-31 | 2021-07-08 | 广州永士达医疗科技有限责任公司 | 基于oct设备的气道弹性测量方法、系统、设备及介质 |
| CN113450277A (zh) * | 2021-06-29 | 2021-09-28 | 上海长征医院 | 一种医学图像处理方法、介质及电子设备 |
| CN113450277B (zh) * | 2021-06-29 | 2023-08-22 | 上海长征医院 | 一种医学图像处理方法、介质及电子设备 |
| CN113657458A (zh) * | 2021-07-27 | 2021-11-16 | 浙江大华技术股份有限公司 | 气道分类方法及其装置、计算机可读存储介质 |
| CN114511562A (zh) * | 2022-04-19 | 2022-05-17 | 深圳市疾病预防控制中心（深圳市卫生检验中心、深圳市预防医学研究所） | 基于大数据的慢性阻塞性肺炎风险预测系统、方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108510478B (zh) | 2021-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108364297B (zh) | 血管图像分割方法、终端、存储介质 | |
| CN108510478B (zh) | 肺气道图像分割方法、终端、存储介质 | |
| US11593943B2 (en) | RECIST assessment of tumour progression | |
| Angelina et al. | Image segmentation based on genetic algorithm for region growth and region merging | |
| Sulaiman et al. | Denoising-based clustering algorithms for segmentation of low level salt-and-pepper noise-corrupted images | |
| JP2017521779A (ja) | 画像解析を用いた核のエッジの検出 | |
| US9152926B2 (en) | Systems, methods, and media for updating a classifier | |
| US7555152B2 (en) | System and method for detecting ground glass nodules in medical images | |
| WO2004013811A2 (en) | Image segmentation using jensen-shannon divergence and jensen-renyi divergence | |
| Reddy et al. | Enhanced speckle noise reduction in breast cancer ultrasound imagery using a hybrid deep learning model | |
| JP2011526508A (ja) | 医療用画像の領域分割 | |
| Saien et al. | A unified methodology based on sparse field level sets and boosting algorithms for false positives reduction in lung nodules detection | |
| JP2023543044A (ja) | 組織の画像を処理する方法および組織の画像を処理するためのシステム | |
| Hamad et al. | Brain's tumor edge detection on low contrast medical images | |
| WO2010043954A1 (en) | Method, apparatus and computer program product for providing pattern detection with unknown noise levels | |
| CN111259808A (zh) | 一种基于改进ssd算法的交通标识的检测识别方法 | |
| Yusoff et al. | Automated two-dimensional K-means clustering algorithm for unsupervised image segmentation | |
| CN105160666B (zh) | 基于非平稳分析与条件随机场的sar图像变化检测方法 | |
| CN108447066B (zh) | 胆道图像分割方法、终端、存储介质 | |
| Maggio et al. | Combining Colour and Orientation for Adaptive Particle Filter-based Tracking. | |
| Bandyopadhyay et al. | A hybrid fuzzy filtering-fuzzy thresholding technique for region of interest detection in noisy images | |
| CN116883994A (zh) | 基于自监督学习识别非小细胞肺癌周组织病理类型的方法、装置及存储介质 | |
| CN116342653A (zh) | 一种基于相关滤波器的目标跟踪方法、系统、设备及介质 | |
| CN107492101B (zh) | 基于自适应构造最优图的多模态鼻咽肿瘤分割算法 | |
| CN106709921B (zh) | 一种基于空间Dirichlet混合模型的彩色图像分割方法 |
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 |