CN108537789B - 管腔识别方法、装置及计算机存储介质 - Google Patents

管腔识别方法、装置及计算机存储介质 Download PDF

Info

Publication number
CN108537789B
CN108537789B CN201810330708.1A CN201810330708A CN108537789B CN 108537789 B CN108537789 B CN 108537789B CN 201810330708 A CN201810330708 A CN 201810330708A CN 108537789 B CN108537789 B CN 108537789B
Authority
CN
China
Prior art keywords
lumen
image
resolution
algorithm
region
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
CN201810330708.1A
Other languages
English (en)
Other versions
CN108537789A (zh
Inventor
余夏夏
高毅
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN201810330708.1A priority Critical patent/CN108537789B/zh
Publication of CN108537789A publication Critical patent/CN108537789A/zh
Application granted granted Critical
Publication of CN108537789B publication Critical patent/CN108537789B/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
    • 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
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/003—Navigation within 3D models or images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/68—Analysis of geometric attributes of symmetry
    • 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
    • G06T2207/10068—Endoscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Medical Informatics (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明提出了一种管腔识别方法、装置及计算机存储介质，该方法包括：在管腔内部区域图像中响应用户的输入操作获取至少二个目标点；采用最优路径算法将所述至少二个目标点连接起来形成中心线；采用超分辨率算法将以该中心线为轴线的预定范围内的图像的分辨率提高预设倍数；对所述提高预设倍数分辨率的预定范围内的图像通过图像分割算法提取管腔的整个空间区域。本发明通过超分辨率算法，将虚拟内窥镜技术扩展到细小管腔，提高管腔图像分辨率，增加识别的精度。

Description

管腔识别方法、装置及计算机存储介质
技术领域
本发明涉及图像处理技术领域，特别涉及一种管腔识别方法、装置及计算机存储介质。
背景技术
内窥镜技术通过将摄像头伸入体内管腔(直肠、结肠、食道等)，通过摄像头拍摄的视频，检查管腔内壁的息肉、炎症、溃疡、肿瘤等情况。但是，内窥镜技术的缺陷在于这类手术会给患者带来较大的不适。
虚拟内窥镜技术的提出是为了解决这个问题。虚拟内窥镜基于医学图像，通过从三维医学图像中提取管腔内壁，重构出管壁几何曲面，进一步模拟摄像头从中经过时的视觉效果，并可以定量化计算内壁息肉的几何特征，辅助息肉良恶性、程度的诊断。虚拟内窥镜技术在大管腔中的应用取得了很好的效果，成为了有创的内窥镜技术的有力补充。
但是，对于胰腺管、小支气管等细小管腔来说，主要存在两方面的问题：有创内窥镜探头直径大约是2mm左右，所以很难伸进细小管腔；细小管腔的管径和图像分辨率几乎一样，对于这类管径在2mm以下的管腔现有的虚拟内窥镜技术无法识别和重建这么小的管腔内壁曲面。
发明内容
有鉴于此，本发明实施例的目的在于提供一种管腔识别方法、装置及计算机存储介质，以解决现有技术的不足。
根据本发明的一个实施方式，提供一种管腔识别方法，该管腔识别方法包括：
在管腔内部区域图像中响应用户的输入操作获取至少二个目标点；
采用最优路径算法将所述至少二个目标点连接起来形成中心线；
采用超分辨率算法将以该中心线为轴线的预定范围内的图像的分辨率提高预设倍数；
对所述提高预设倍数分辨率的预定范围内的图像通过图像分割算法提取管腔的整个空间区域。
在上述的管腔识别方法中，所述“在管腔内部区域图像中响应用户的输入操作获取至少二个目标点”之前还包括：
载入三维图像；
计算该三维图像中每一像素点处于管状区域的概率；
根据每一像素点的所述概率确定管腔内部区域。
在上述的管腔识别方法中，所述超分辨率算法通过函数插值来实现。
在上述的管腔识别方法中，所述函数插值选择单调的插值核。
在上述的管腔识别方法中，所述预设范围内的图像为以该中心线为轴线及至少三倍管腔半径的管状区域。
在上述的管腔识别方法中，所述预设倍数大于或等于五。
在上述的管腔识别方法中，所述“对所述提高预设倍数分辨率的预定范围内的图像通过图像分割算法提取管腔的整个空间区域”之后还包括：
将所述提取的管腔的整个空间区域进行重建；
沿着所述中心线，在重建的管腔内设置虚拟摄像机，显示整个管腔内部。
在上述的管腔识别方法中，所述重建的管腔整个空间区域采用离散面片族表示。
本发明的另一实施方式提供一种管腔识别装置，该管腔识别装置包括：
选取模块，用于在管腔内部区域图像中响应用户的输入操作获取至少二个目标点；
连接模块，用于采用最优路径算法将所述至少二个目标点连接起来形成中心线；
超分辨率模块，用于采用超分辨率算法将以该中心线为轴线的预定范围内的图像的分辨率提高预设倍数；
分割模块，用于对所述提高预设倍数分辨率的预定范围内的图像通过图像分割算法提取管腔的整个空间区域。
本发明的又一实施方式提供一种计算机存储介质，该计算机存储介质中存储有计算机程序，所述计算机程序运行时使计算机执行上述的管腔识别方法。
本发明提供的管腔识别方法、装置及计算机存储介质，通过超分辨率算法，将虚拟内窥镜技术扩展到细小管腔，提高管腔图像分辨率，增加管腔识别的精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明第一实施例提出的一种管腔识别方法的流程示意图。
图2为本发明实施例提出的一种管腔内部可视化的示意图。
图3为本发明第二实施例提出的一种管腔识别方法的流程示意图。
图4为本发明实施例提出的一种管腔识别装置的结构示意图。
主要元件符号说明：
10-管腔识别装置；110-选取模块；120-连接模块；130-超分辨率模块；140-分割模块。
具体实施方式
在下文中，将更全面地描述本公开的各种实施例。本公开可具有各种实施例，并且可在其中做出调整和改变。然而，应理解：不存在将本公开的各种实施例限于在此公开的特定实施例的意图，而是应将本公开理解为涵盖落入本公开的各种实施例的精神和范围内的所有调整、等同物和/或可选方案。
在下文中，可在本公开的各种实施例中使用的术语“包括”或“可包括”指示所公开的功能、操作或元件的存在，并且不限制一个或更多个功能、操作或元件的增加。此外，如在本公开的各种实施例中所使用，术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
在本公开的各种实施例中，表述“或”或“A或/和B中的至少一个”包括同时列出的文字的任何组合或所有组合。例如，表述“A或B”或“A或/和B中的至少一个”可包括A、可包括B或可包括A和B二者。
在本公开的各种实施例中使用的表述(诸如“第一”、“第二”等)可修饰在各种实施例中的各种组成元件，不过可不限制相应组成元件。例如，以上表述并不限制所述元件的顺序和/或重要性。以上表述仅用于将一个元件与其它元件区别开的目的。例如，第一用户装置和第二用户装置指示不同用户装置，尽管二者都是用户装置。例如，在不脱离本公开的各种实施例的范围的情况下，第一元件可被称为第二元件，同样地，第二元件也可被称为第一元件。
应注意到：如果描述将一个组成元件“连接”到另一组成元件，则可将第一组成元件直接连接到第二组成元件，并且可在第一组成元件和第二组成元件之间“连接”第三组成元件。相反地，当将一个组成元件“直接连接”到另一组成元件时，可理解为在第一组成元件和第二组成元件之间不存在第三组成元件。
在本公开的各种实施例中使用的术语“用户”可指示使用电子装置的人或使用电子装置的装置(例如，人工智能电子装置)。
在本公开的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本公开的各种实施例。如在此所使用，单数形式意在也包括复数形式，除非上下文清楚地另有指示。除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本公开的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本公开的各种实施例中被清楚地限定。
实施例1
图1为本发明第一实施例提出的一种管腔识别方法的流程示意图。该方法包括：
步骤S110，在管腔内部区域图像中响应用户的输入操作获取至少二个目标点。
其中，所述至少二个目标点决定了最终提取管腔的始末两端。
本实施例中，在管腔内部区域图像中选取3个目标点，其中前两个2个目标点分别位于管腔的始末两端，第3个目标点位于管腔中间区域。本发明的其他实施例中，对于图像质量较差的情况，除却选取的位于管腔两端的两个目标点外，用户还可以在管腔内部区域图像的中间部分或其他区域选取多个目标点。
步骤S120，采用最优路径算法将所述至少二个目标点连接起来形成中心线。
值得注意的是，所述采用最优路径算法将所述至少二个目标点连接起来形成中心线穿过所述管腔内部区域。
步骤S130，采用超分辨率算法将以该中心线为轴线的预定范围内的图像的分辨率提高预设倍数。
本实施例中，所述预设范围内的图像为以该中心线为轴线及至少三倍管腔半径的管状区域。本发明的其他实施例中，所述预设范围还可以为包括管腔区域图像在内的其他图像区域。
本实施例中，通过超分辨率技术提高该预定范围内的管腔区域图像的分辨率，提高管腔识别精度，减少处理面积，提高算法运算速率。
本实施例中，超分辨率算法可以通过函数插值来实现。采用三次插值或其他插值方法，将原始图像分辨率插值到每像素0.1mm×0.1mm×0.1mm。现有核磁图像的分辨率大约在每像素1立方毫米，CT图像分辨率大约在每像素0.3立方毫米，上述插值会将像素分辨率提高300到1000倍。正是这样的非常大的插值比例，是成功实现小管腔识别及重建的关键。胰管内径只有1mm左右，接近CT或核磁图像的每像素尺寸。在原始图像中，我们或许可以看到胰管，但是分析系统仅仅在原图像分辨率下进行计算，则无法正确识别出如此细小的结构。为了进行准确的几何重建，将分辨率提高在本征尺度的5倍以上，即体积在125倍以上，也就是说图像分辨率相比于本征尺度提高至少五倍，使得插值后图像中每毫米所包含的像素点的数目是原本图像中每毫米所包含的像素点的数目的至少5倍。例如，若管腔内部区域图像中每毫米包含N个像素点，那么，通过超分辨率算法进行插值后所获取的图像中每毫米至少包含5N个像素点。其中，N大于或等于1。
另外，在进行插值的时候，可选用单调的插值核，才不会再插值过程中产生振铃效应，引入本不存在的边缘。本发明的其他实施例中，针对图像的质量还可以将图像分辨率提高更高倍数。
本发明的其他实施例中，所述预设倍数还可以为其他数值，该数值的大小取决于预定范围内的图像的分辨率，提高分辨率后，在该预定范围内的图像中能分割出用于后续处理的管腔整个空间区域。例如，若预定范围内的图像的分辨率高，即图像中每毫米所包含的像素点的数目比较多，那么该预设倍数可以为小的数值；若预定范围内的图像的分辨率低，即图像中每毫米所包含的像素点的数目比较少，那么该预设倍数可以为大的数值。
步骤S140，对所述提高预设倍数分辨率的预定范围内的图像通过图像分割算法提取管腔的整个空间区域。
本实施例中，所述图像分割算法为基于区域增长的图像分割算法或基于测地线的图像分割算法。本发明的其他实施例中，还可以采用其他类型的图像分割算法。
步骤S110之前还包括：
载入三维图像；
计算该三维图像中每一像素点处于管状区域的概率；
根据每一像素点的所述概率确定管腔内部区域。
本实施例中，所述三维图像为核磁或CT图像。本发明的其他实施例中，还可以包括其他类型的三维图像。
例如，管腔概率图为V(x):R3→[0,1]，在该管腔概率图中，原始三维图像中管状特征比较明显的像素点具有较大的接近于1的值，管状特征非常不明显的像素点具有较小的接近于0的值。
用户在管腔内部区域中，从头到尾标记多个目标点
Figure BDA0001627858200000081
其中，在该多个目标点中有2个目标点分布在管腔内部区域的始末两端。
通过最优路径算法获取一条曲线C(t):[0,1]→R3，使得所有目标点Pi都在曲线C(t)的轨迹上：
C(t)＝arg min(E(C)),C(0)＝P1,C(1)＝PN
Figure BDA0001627858200000082
最小化泛函E(C)得到最优曲线C(t)，C(t)即为管腔内部中心线。
其中，P1～PN为用户选择的多个目标点的坐标向量。
步骤S140之后还包括：
将所述提取的管腔的整个空间区域进行重建；
沿着所述中心线，在重建的管腔内设置虚拟摄像机，显示整个管腔内部。
优选地，所述重建的管腔整个空间区域采用离散面片族表示。
本实施例中，将提取的管腔的整个空间区域利用Marching Cube算法进行重建。本发明的其他实施例中，还可以通过其他算法对管腔区域进行重建。
本实施例中，提取该管腔的整个空间区域，并将该区域输出为离散面片族。本发明的其他实施例中，还可以通过其他输出方式重建的管腔的整个空间区域。
例如图2所示为本发明实施例提出的一种管腔内部可视化的示意图。该图中通过三维可视化的标准过程将提取的管腔进行重建，在空间中安排好各个三维模型之后，设定虚拟摄像机的位置和朝向，犹如摄像机真实的在管腔内游走的效果。
实施例2
图3为本发明第二实施例提出的一种管腔识别方法的流程示意图。
步骤S210，载入三维图像。
所述三维图像为核磁或CT图像等。
步骤S220，计算该三维图像中每一像素点处于管状区域的概率。
本事实例中，可以采用计算原始图像Hessian矩阵特征值的方法，计算所述三维图像中每一像素点处于管状特征区域的概率值。本发明的其他实施例中，还可以通过其他方式计算概率值。
步骤S230，确定管腔内部区域。
根据步骤S220中计算得到的每一像素点处于管状特征区域的概率值，确定管腔内部区域。
步骤S240，选取目标点。
在步骤S230中获取的管腔内部区域，响应用户的输入操作选取至少二个目标点。
其中，用户可以通过鼠标、键盘、触摸屏幕等输入方式选取所述目标点。
步骤S250，连接目标点。
采用最优路径算法将所述目标点连接起来，该连接路径穿过管状特征最显著的位置，整个路径即为中心线。
步骤S260，采用超分辨率算法提高预定范围内图像的分辨率。
例如，所述预设范围内的图像为以该中心线为轴线及至少3倍管腔半径的管状区域，采用超分辨的算法将该区域的图像分辨率相比于本征尺度的基础上提高至少5倍，使得提高后的图像中每毫米所包含的像素点的数目是原始图像中每毫米所包含的像素点的数据的至少五倍，即体积在125倍以上。
优选地，采用超分辨率的方法将局部图像分辨率提高5-10倍。其中，所述图像分辨率以图像中每毫米所包含的像素点的数目进行体现。
本实施例中，所述超分辨率算法通过函数插值来实现。本发明的其他实施例正，所述超分辨率算法还可以通过其他方式进行实现。
优选地，所述函数插值选择单调的插值核。
步骤S270，提取管腔的整个空间区域。
在步骤S260中的分辨率较高的图像区域，从中心线扩展开，采用基于区域增长的图像分割算法或者基于测地线的图像分割算法，提取管腔内的整个空间区域。
步骤S280，重建管腔内部空间区域。
根据步骤S270分割出的管腔内的整个空间，利用Marching Cube算法，提取该空间的表面，并将重建的管腔整个空间区域采用离散面片族表示。
步骤S290，设置虚拟摄像机，显示整个管腔内部。
根据空间中重建的三维模型，设定虚拟摄像机的位置和朝向，将三维模型投影到摄像机定义的平面上，可视化飞越显示整个管腔内部，形成二维显示画面，正如有创内窥镜中探头在管腔内游走的效果一样。
实施例3
图4为本发明实施例提出的一种管腔识别装置的结构示意图。该管腔识别装置10包括：选取模块110、连接模块120、超分辨率模块130和分割模块140。
选取模块110，用于在管腔内部区域图像中响应用户的输入操作获取至少二个目标点。
连接模块120，用于采用最优路径算法将所述至少二个目标点连接起来形成中心线。
超分辨率模块130，用于采用超分辨率算法将以该中心线为轴线的预定范围内的图像的分辨率提高预设倍数。
分割模块140，用于对所述提高预设倍数分辨率的预定范围内的图像通过图像分割算法提取管腔的整个空间区域。
所述管腔识别装置10还可以包括：
载入模块，用于载入三维图像。
计算模块，用于计算该三维图像中每一像素点处于管状区域的概率。
确定模块，根据每一像素点的所述概率确定管腔内部区域。
重建模块，用于将所述提取的管腔的整个空间区域进行重建。
可视化模块，用于沿着所述中心线，在重建的管腔内设置虚拟摄像机，显示整个管腔内部。
优选地，所述超分辨率算法通过函数插值来实现。
优选地，所述函数插值选择单调的插值核。
优选地，所述预设范围内的图像为以该中心线为轴线及至少三倍管腔半径的管状区域。
优选地，所述预设倍数大于或等于五。
优选地，所述重建的管腔整个空间区域采用离散面片族表示。
以此，本发明提出了一种管腔识别方法、装置及计算机存储介质，除了在大管腔的识别及重建的过程中取得了很好的效果，还通过超分辨率技术，将虚拟内窥镜技术扩展到细小管腔，提高细小管腔图像分辨率，实现细小管腔的虚拟内窥镜分析，成为了有创的内窥镜技术和现有仅在图像原始分辨率下进行处理的虚拟内窥镜技术的有力补充。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种管腔识别方法，其特征在于，所述方法应用于管径小于2mm的管腔的识别，包括：
载入三维图像；
计算该三维图像中每一像素点处于管状区域的概率；
根据每一像素点的所述概率确定管腔内部区域；
在管腔内部区域图像中响应用户的输入操作获取至少二个目标点，所述至少二个目标点确定最终提取管腔的始末两端；
采用最优路径算法将所述至少二个目标点连接起来形成中心线；
采用超分辨率算法将以该中心线为轴线的预定范围内的图像的分辨率提高预设倍数，所述预定范围内的图像为以该中心线为轴线及至少三倍管腔半径的管状区域，所述预设倍数大于或等于五；
对提高预设倍数分辨率的预定范围内的图像通过图像分割算法提取管腔的整个空间区域；
将所述提取的管腔的整个空间区域进行重建；
沿着所述中心线，在重建的管腔内设置虚拟摄像机，显示整个管腔内部。
2.如权利要求1所述的管腔识别方法，其特征在于，所述超分辨率算法通过函数插值来实现。
3.如权利要求2所述的管腔识别方法，其特征在于，所述函数插值选择单调的插值核。
4.如权利要求1所述的管腔识别方法，其特征在于，所述重建的管腔整个空间区域采用离散面片族表示。
5.一种管腔识别装置，其特征在于，所述装置应用于管径小于2mm的管腔的识别，包括：
加载模块，用于载入三维图像；
计算模块，计算该三维图像中每一像素点处于管状区域的概率；根据每一像素点的所述概率确定管腔内部区域；
选取模块，用于在管腔内部区域图像中响应用户的输入操作获取至少二个目标点，所述至少二个目标点确定最终提取管腔的始末两端；
连接模块，用于采用最优路径算法将所述至少二个目标点连接起来形成中心线；
超分辨率模块，用于采用超分辨率算法将以该中心线为轴线的预定范围内的图像的分辨率提高预设倍数，所述预定范围内的图像为以该中心线为轴线及至少三倍管腔半径的管状区域，所述预设倍数大于或等于五；
分割模块，用于对提高预设倍数分辨率的预定范围内的图像通过图像分割算法提取管腔的整个空间区域；
重建模块，用于将所述提取的管腔的整个空间区域进行重建；
可视化模块，用于沿着所述中心线，在重建的管腔内设置虚拟摄像机，显示整个管腔内部。
6.一种计算机存储介质，其特征在于，该计算机存储介质中存储有计算机程序，所述计算机程序运行时使计算机执行权利要求1-4中任意一项所述的管腔识别方法。
CN201810330708.1A 2018-04-13 2018-04-13 管腔识别方法、装置及计算机存储介质 Active CN108537789B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810330708.1A CN108537789B (zh) 2018-04-13 2018-04-13 管腔识别方法、装置及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810330708.1A CN108537789B (zh) 2018-04-13 2018-04-13 管腔识别方法、装置及计算机存储介质

Publications (2)

Publication Number Publication Date
CN108537789A CN108537789A (zh) 2018-09-14
CN108537789B true CN108537789B (zh) 2021-02-09

Family

ID=63480302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810330708.1A Active CN108537789B (zh) 2018-04-13 2018-04-13 管腔识别方法、装置及计算机存储介质

Country Status (1)

Country Link
CN (1) CN108537789B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109767451A (zh) * 2019-01-16 2019-05-17 吴艳红 诊断数据高亮显示系统
CN113643354B (zh) * 2020-09-04 2023-10-13 深圳硅基智能科技有限公司 基于增强分辨率的眼底图像的血管管径的测量装置
CN112716446B (zh) * 2020-12-28 2023-03-24 深圳硅基智能科技有限公司 高血压性视网膜病变的病变特征的测量方法及测量系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102903115B (zh) * 2012-10-12 2016-01-20 中国科学院深圳先进技术研究院 一种管状物体中心线的提取方法
CN106127819B (zh) * 2016-06-30 2019-10-08 上海联影医疗科技有限公司 医学图像中提取血管中心线的方法及其装置
CN107767435B (zh) * 2016-08-19 2021-05-25 中国科学院深圳先进技术研究院 一种血管管腔结构重建方法

Also Published As

Publication number Publication date
CN108537789A (zh) 2018-09-14

Similar Documents

Publication Publication Date Title
TWI713054B (zh) 圖像分割方法及裝置、電子設備和儲存媒體
CN109859233B (zh) 图像处理、图像处理模型的训练方法及系统
Kiraly et al. Three-dimensional human airway segmentation methods for clinical virtual bronchoscopy
CN108537789B (zh) 管腔识别方法、装置及计算机存储介质
US7853057B2 (en) Image processing method and device using a virtual ray and vector information
US9563978B2 (en) Image generation apparatus, method, and medium with image generation program recorded thereon
CN105957063A (zh) 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统
CN112348125B (zh) 基于深度学习的胶囊内窥镜影像识别方法、设备及介质
CN108717700B (zh) 一种检测结节长短径长度的方法及装置
JP2007537770A (ja) 内視鏡画像内の管腔状構造のディスプレイ最適化のための動的なクロップボックス決定方法
WO2006000953A1 (en) Displaying a tracheobronchial tree
CN110648331B (zh) 用于医学图像分割的检测方法、医学图像分割方法及装置
CN115965750B (zh) 血管重建方法、装置、计算机设备和可读存储介质
Lamash et al. Curved planar reformatting and convolutional neural network‐based segmentation of the small bowel for visualization and quantitative assessment of pediatric Crohn's disease from MRI
US11969213B2 (en) Method for supporting prediction of vascular disease using fundus image, apparatus therefor and system including the same
US20220036612A1 (en) Systems and methods for generating summary medical images
Monkam et al. EasySpec: Automatic specular reflection detection and suppression from endoscopic images
CN115423819A (zh) 肺血管的分割方法及装置、电子设备和存储介质
CN113313728B (zh) 一种颅内动脉分割方法及系统
Wang et al. Automatic consecutive context perceived transformer GAN for serial sectioning image blind inpainting
CN111932652B (zh) 一种基于血流量参数的冠状动脉建模动态调整方法
CN114418931A (zh) 术后剩余肺叶的提取方法及装置、电子设备和存储介质
CN116758087A (zh) 一种腰椎ct骨窗侧隐窝间隙检测方法及装置
CN116977352A (zh) 斑块分割方法、装置和计算机可读存储介质
CN116128895A (zh) 医学图像分割方法、装置和计算机可读存储介质

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