CN108765445B - 一种肺气管分割方法及装置 - Google Patents
一种肺气管分割方法及装置 Download PDFInfo
- Publication number
- CN108765445B CN108765445B CN201810533805.0A CN201810533805A CN108765445B CN 108765445 B CN108765445 B CN 108765445B CN 201810533805 A CN201810533805 A CN 201810533805A CN 108765445 B CN108765445 B CN 108765445B
- Authority
- CN
- China
- Prior art keywords
- trachea
- region
- lung
- growth
- threshold
- 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
- 210000003437 trachea Anatomy 0.000 title claims abstract description 293
- 210000004072 lung Anatomy 0.000 title claims abstract description 122
- 230000011218 segmentation Effects 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 230000002685 pulmonary effect Effects 0.000 claims abstract description 11
- 239000010410 layer Substances 0.000 claims description 65
- 238000004891 communication Methods 0.000 claims description 15
- 238000005381 potential energy Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 239000002356 single layer Substances 0.000 claims description 5
- 238000002059 diagnostic imaging Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000009036 growth inhibition Effects 0.000 claims description 3
- 230000001737 promoting effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 28
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例提供了一种肺气管分割方法及装置，涉及医学影像技术领域，能够实现全自动化，并且针对不同级别气管的特征，采用不同的分割原则，从而解决肺气管分割过程的遗漏问题，进而得到更加丰富完整的气管树。一方面，该方法包括：首先，获取一级气管；然后，基于分层区域生长算法对所述一级气管扩展并获取与所述一级气管相连的二级气管；其次，获取所述二级气管的局部特征；再次，基于所述局部特征以及能量最小化约束生长算法，获取三级气管；从而，融合所述一级气管、二级气管和三级气管，输出获取气管分割结果。本发明实施例提供的技术方案适用肺气管树分割或提取的过程中。
Description
【技术领域】
本发明涉及医学影像技术领域，尤其涉及一种肺气管分割方法及装置。
【背景技术】
肺部气管树的分割在临床上具有重大的应用价值。但对肺部进行CT成像时，CT图像易受到运动伪影与部分容积效应的影响，使得CT图像肺气管密度分布不均匀，细小气管壁模糊并且气管末端分支的管壁容易出现断裂，从而该气管分割造成较大困难。
由于基于计算机辅助诊断的肺气管树分割的速度快，得到的分割结果比手动分割得到的结果更加准确。目前采用的肺气管分割的方法大致分为：基于区域生长的方法、基于管状结构分析、基于模块匹配的方法以及基于机器学习的算法。在实现本发明的过程中，发明人发现上述的这些方法中，有些是半自动化的(如：基于区域生长的方法、基于模块匹配的方法)，有些处理过程过于复杂，肺气管分割的实时性不高，并且上述的这些方法，在进行肺气管分割时都存在遗漏的问题。
【发明内容】
有鉴于此，本发明实施例提供了一种肺气管分割方法及装置，能够实现全自动化，并且针对不同级别气管的特征，采用不同的分割原则，从而解决肺气管分割过程的遗漏问题，进而得到更加丰富完整的气管树。
一方面，本发明实施例提供了一种肺气管分割方法，该方法包括：
获取一级气管；
基于分层区域生长算法对所述一级气管扩展并获取与所述一级气管相连的二级气管；
获取所述二级气管的局部特征；
基于所述局部特征以及能量最小化约束生长算法，获取三级气管。
融合所述一级气管、二级气管和三级气管，输出获取气管分割结果。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，
在所述获取一级气管之前，所述方法还包括：
获取胸部的CT图像，所述CT图像包含若干层二维图像；
根据所述CT图像，获取第一目标区域；
根据所述第一目标区域，确定所述肺气管种子点；
所述获取一级气管包括：
根据所述肺气管种子点并基于阈值分割算法和区域生长算法，提取所述一级气管。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述CT图像，获取第一目标区域具体包括：
基于预设的第一阈值和第二阈值，对所述CT图像进行分割，得到所述第一目标区域。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，
所述基于预设的第一阈值和第二阈值，对所述CT图像进行分割，得到所述第一目标区域之前，还包括：对所述CT图像进行各向异性平滑处理；
所述基于预设的第一阈值和第二阈值，对所述CT图像进行分割，得到所述第一目标区域包括：基于预设的第一阈值和第二阈值，对进行各向异性平滑处理后的CT图像进行分割，得到第一目标区域。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述第一目标区域确定所述肺气管种子点包括：
从所述第一目标区域中选择满足第一指定条件的区域，以作为肺区候选种子区域；
在所述肺区候选种子区域对应的二值图像中选择像素值为1的点进行区域生长，获取若干个指定连通域；
基于区域生长结果，选择面积在第一指定范围内的指定连通域为第一连通域；
确定用于生长所述第一连通域的点为肺区种子点；
基于所述肺区种子点进行区域生长，以提取肺区；
根据所述肺区，更新所述第一目标区域对应的初始二值图像，得到更新二值图像；
选择更新二值图像中像素值为1的点进行区域生长，得到若干个第二连通域；
选择面积在第二指定范围内的第二连通域为肺气管区域；
确定用于生长所述肺气管区域的点为肺气管种子点。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述肺气管种子点并基于阈值分割算法和区域生长算法，提取所述一级气管包括：
获取肺区的体素个数；
获取初始分割阈值；
对更新后的目标区域对应的CT图像按照所述初始分割阈值进行阈值分割，以得到初始一级气管，其中，第二目标区域为更新二值图像中像素值为1的点构成的区域；
在初始一级气管中基于所述肺气管种子点进行区域生长，得到一级气管及所述一级气管包含的体素个数；
判断所述一级气管包含的体素个数与所述肺区的体素个数的比值是否在预设的比率范围内；
若判断出为是，提取所述一级气管；
若判断出为否，删除得到的一级气管，调整初始分割阈值；并基于调整后的分割阈值重新执行前述步骤对更新后的目标区域对应的CT图像按照所述调整后的分割阈值进行阈值分割。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述基于分层区域生长算法对所述一级气管扩展并获取与所述一级气管相连的二级气管包括：
获取所述一级气管中面积不小于所述一级气管中单层二维图像中连通域面积的最大值的连通区域中的所有点，以构成第一种子点集；
对所述第一种子点集进行分层区域生长，并记录生长结果，以得到所述二级气管。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述对所述第一种子点集进行分层区域生长，并记录生长结果包括：
根据一级气管获取每层二维图像中对应的若干个第三连通域；
任选指定层的一个第三连通域，基于第一种子点集对该第三连通域进行区域生长，获取生长后的连通域；
判断生长后的连通域是否满足第二指定条件；
若判断不满足，重新执行前述步骤，选取指定层剩余的一个第三连通域，基于第一种子点集对该点连通域进行区域生长，获取生长后的连通域，直至所述指定层中生长后的连通域的面积达到收敛条件，停止对所述指定层的生长；
若判断满足，基于该生长后的连通域在相邻层继续生长，重新执行前述步骤，判断基于该生长后的连通域在相邻层继续生长后的区域是否满足第二指定条件；
重新执行前述步骤，任选指定层的一个第三连通域，基于第一种子点集对该第三连通域进行区域生长，获取生长后的连通域，直到所有二维图像中对应的若干个第三连通域都生长过，结束分层生长。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述获取所述二级气管的局部特征之前，所述方法还包括：
基于高斯-拉普拉斯算子锐化，增强CT图像；
对增强后的CT图像进行灰度映射；
获取已提取的肺区对应的像素点以及气管对应的像素点之间灰度均值差；
根据所述灰度均值差，确定能量最小化约束生长算法的控制生长系数。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述基于所述局部特征以及能量最小化约束生长算法，获取三级气管包括：
基于所述局部特征确定气管点；
将确定出的所有气管点，构成第一指定集合；
根据所述第一指定集合，基于能量最小化约束生长算法通过迭代提取三级气管。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述基于能量最小化约束生长算法通过迭代提取三级气管包括：
获取所述第一指定集合中任一点的n邻域的非气管点；
计算所述非气管的生长势能；计算公式如下：
Vprop(x，stx)＝w1*Vradial(x，stx)+w3*Vcontrol(x，stx)，
其中，x为气管点；stx取值为1或0；w1为促进生长系数；w3为控制生长系数；Vradial(x，stx)为该该气管点引导生长的势能；Vcontrol(x，stx)为该气管点抑制生长的势能。
判断计算得到的Vprop(x，1)是否大于Vprop(x，0)；
若判断Vprop(x，1)大于Vprop(x，0)，将对应的非气管点添加到第二指定集合中；
判断所述指定集合中非气管点个数是否大于获取到的所有气管点的个数；
若判断为是，则调整控制生长系数，并删除指定集合中的非气管点；基于调整后的控制生长系数，重新计算所述非气管点的生长势能；
若判断为否，将第二指定集合中的非气管点添加到第一指定集合中，并判断是否到达设定的迭代次数，若判断到达设定的迭代次数，基于迭代结果，提取三级气管，或者，若判断未到达设定的迭代次数，继续迭代。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述根据所述第一指定集合，基于能量最小化约束生长算法通过迭代提取三级气管之后，所述方法还包括：
对提取到的三级气管对应的连通区域进行去除判断；
基于局部以及全局CT值特征，处理去除判断后的三级气管的边缘。
另一方面，本发明实施例提供了一种肺气管分割装置，耦合于医学影像设备或者医疗网络在中，所述装置包括处理器、存储器、显示设备以及输入输出接口；所述处理器、存储器及输入输出接口通过总线进行通信；所述存储器中被配置有计算机代码，所述处理器能够调用该代码以控制输入输出接口；所述显示设备用于显示气管分割结果；
所述计算机代码被所述处理器执行时，以使所述处理器实现上述任一项肺气管分割方法。
本发明实施例提供的一种肺气管提取方法及装置，通过获取一级气管，然后，基于分层区域生长算法对所述一级气管扩展并获取与所述一级气管相连的二级气管；通过获取所述二级气管的局部特征；基于所述局部特征以及能量最小化约束生长算法，获取三级气管。本发明实施例通过采用分层区域生长算法提取二级气管，而对于三级气管采用局部特征以及能量最小化约束生长的方式，从而，针对不同粗细级别的气管，采用不同的提取方法，相比于现有技术，本发明实施例提供的技术方案，不需要用户手动分割提取，能够实现全自动化，并且针对不同级别气管的特征，采用不同的分割原则，从而，能够解决肺气管分割过程的遗漏问题，进而，得到更加丰富完整的气管树。
【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，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它的附图。
图1是本发明实施例提供的一种肺气管分割方法的流程图；
图2是本发明实施例提供的另一种肺气管分割方法的流程图；
图3是本发明实施例提供的另一种肺气管分割方法的流程图；
图4是本发明实施例提供的一级肺气管分层区域生长出二级肺气管的示意图；
图5是本发明实施例提供的另一种肺气管分割方法的流程图；
图6是本发明实施例提供的另一种肺气管分割方法的流程图；
图7是本发明实施例提供的另一种肺气管分割方法的流程图；
图8是本发明实施例提供的一种肺气管分割装置的组成框图。
【具体实施方式】
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，尽管在本发明实施例中可能采用术语第一、第二来描述阈值，但这些阈值不应限于这些术语。这些术语仅用来将阈值彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一阈值也可以被称为第二阈值，类似地，第二阈值也可以被称为第一阈值。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本发明实施例提供了一种肺气管分割方法，适用于肺气管树的提取过程中，如图1所示，该方法包括：
101、获取一级气管。
102、基于分层区域生长算法对该一级气管扩展并获取与该一级气管相连的二级气管。
103、获取该二级气管的局部特征。
104、基于该局部特征以及能量最小化约束生长算法，获取三级气管。
105、融合一级气管、二级气管和三级气管，输出获取气管分割结果。
本发明实施例提供的一种肺气管提取方法及装置，通过获取一级气管，然后，基于分层区域生长算法对一级气管扩展并获取与一级气管相连的二级气管；通过获取二级气管的局部特征；基于局部特征以及能量最小化约束生长算法，获取三级气管，最后将提取到的一级气管、二级气管和三级气管进行融合，从而得到气管分割结果。本发明实施例通过采用分层区域生长算法提取二级气管，而对于三级气管采用局部特征以及能量最小化约束生长的方式，从而，针对不同粗细级别的气管，采用不同的提取方法，相比于现有技术，本发明实施例提供的技术方案，不需要用户手动分割提取，能够实现全自动化，并且针对不同级别气管的特征，采用不同的分割原则，从而，能够解决肺气管分割过程的遗漏问题，进而，得到更加丰富完整的气管树。
进一步的，为了能够快速的提取到气管树，本发明实施例提了另一种实现方式，如图2所示，在步骤101获取一级气管之前，该方法还包括：
106、获取胸部的CT图像。
其中，该CT图像包含若干层二维图像。
107、根据该CT图像，获取第一目标区域。
步骤107具体包括：基于预设的第一阈值和第二阈值，对CT图像进行分割，得到该第一目标区域。
基于预设的第一阈值和第二阈值，对CT图像进行分割，其实质是对该图像进行图像掩膜处理，其目的是提取感兴趣区域。
本发明中利用双阈值，利用如下描述的二值图像分割公式，对去除噪声后的CT图像分割，将肺部区域的CT图像划分成背景图像和肺区及相连气管图像，从而提取出感兴趣区域，本发明中感兴趣区域为肺区。
二值图像分割公式如下：
其中，I(p)为CT图像中像素点p的值；pLungMask(p)为二值图像pLungMask中像素点p的值；sLungDownThreshold和sLungUpThreshold分别为分割肺部区域的阈值下限，以及阈值上限，即第一阈值和第二阈值；
需要说明的是，在肺气管提取中该二值图像的值为1的图像为肺区及相连气管图像，该二值图像的值为0的图像为背景图像。这里还需要说明的是，分割肺部区域的第一阈值和第二阈值影响执行主体获取到的二值图像。具体为，第一阈值sLungDownThreshold越大和/或第二阈值sLungUpThreshold越小，分割得到的二值图像中的肺区及相连气管对应的图像区域越小，且该二值图像中的背景区域越大；而二值图像中的肺区及相连气管对应的图像区域越小，背景区域越大，将会导致肺气管树提取的后续过程一些参数的阈值偏大，从而导致肺气管分割过程的产生遗漏，造成提取的肺气管树不完整。
进一步说明的是，医疗设备在生成CT图像过程中，会受到噪声信号的影响，为了保证执行主体提取到的肺气管清晰，同时，也为避免噪声信号造成肺气管提取效率低，因此，在提取肺气管前先执行各向异性平滑处理，去除CT图像中的噪声，即在基于预设的第一阈值和第二阈值，对CT图像进行分割，得到该第一目标区域的初始二值图像之前，先对该CT图像进行各向异性平滑处理，然后基于各项异性平滑处理后的CT图像进行分割，使得得到该第一目标区域更加精准。
具体的：各项异性平滑的基本做法为：
步骤1)、获取该CT图像中的每一个非边缘像素点的像素值，以及每个非边缘像素点对应的m邻域像素的值。
具体的，m等于8。
步骤2)、将步骤1中获取到的像素的值，按照如下公式进行计算，得到去除噪声后的像素的值。
其中，I(p)为CT图像中像素点p的值；k与λ为平滑控制系数，该平滑控制系数k与λ可以根据需要设置(如，在肺气管树提取时设置k＝30，λ＝1/7)；N(p)为p点m邻域点的集合；q为p点的邻域点；distance(q，p)为p和q之间的距离；S(p)为平滑后图像中像素点p的值。
优选地是，distance(q，p)为p和q之间的距离具体为该非边缘像素的m邻域中在第一方向上的像素点与该非边缘像素距离为1，且该m邻域中在第二方向上的像素点与该非边缘像素距离为1，该m邻域中在其他方向上的像素点与该非边缘像素距离为2。其中，第一方向与第二方向垂直。
108、根据该第一目标区域，确定该肺气管种子点。
步骤108具体包括：
步骤1、从该第一目标区域中选择满足第一指定条件的区域，以作为肺区候选种子区域。
其中，第一指定条件为在第一目标区域的初始二值图像的层区间[N/2-sLungFrameOff，N/2+sLungFrameOff]内，二值图像的层的高度方向区间为[H/2-sLungHeightOff，H/2+sLungHeightOff]，并且宽度方向区间为[W/2-sLungWidthOff，W/2+sLungWidthOff]。第一指定条件中sLungFrameOff为层数偏移量，用于控制查找肺部种子点层的范围，其越大，查找的层范围越大，查找错误的风险也会增加；其太小，会导致找不到肺部种子点区域。sLungHeightOff和sLungWidthOff为每一层图像的高和宽的偏移量，控制查找肺部种子点的高和宽的范围，它们值变化引起的效果与sLungFrameOff相同。
肺区候选种子区域是执行主体查找种子点的范围区域，即执行主体通过对该肺区候选种子区域的二值图像的处理，从而筛选出种子点。
步骤2、在肺区候选种子区域对应的二值图像中选择像素值为1的点进行区域生长，获取若干个指定连通域。
步骤3、基于区域生长结果，选择面积满足在第一指定范围内的指定连通域为第一连通域。
其中，基于该第一指定范围筛选出的第一连通域为肺部种子点区域。
具体的，第一指定范围为[sLungAreaDownVal，H*W/4]。其中，sLungAreaDownVal为该第一指定范围的下限值，即该肺部区域的面积下限值。该第一指定范围的下限值会影响执行主体查找肺区种子点的结果，若第一指定范围的下限值小于一定数值会导致执行主体查找到错误的目标；而若第一指定范围的下限值大于另一数值又会导致查找不到肺部种子点区域。
补充说明的是，基于第一指定范围，筛选第一连通域分两种情况：第一种，如果基于第一指定范围筛选得到的指定连通域只有一个，确定该指定连通域为第一连通域。第二种，如果基于第一指定范围筛选得到的指定连通域有多个时，执行主体确定这些区域的类圆度，然后，比较这些区域的类圆度，若相差比例小于指定阈值，确定该多个指定连通域中最先生成的连通域为第一连通域。其中，类圆度为该连通域的面积与以该连通域的重心为圆心，以连通域边缘到该重心最远的距离为半径所对应的圆的面积之比。
步骤4、确定用于生长该第一连通区域的点为肺区种子点。
步骤5、基于确定的肺区种子点进行区域生长，以提取肺区。
步骤6、根据提取的肺区，更新第一目标区域对应的初始二值图像，得到更新二值图像。
将提取到的肺区的二值图像存储到第一目标区域的存储位置，更新第一目标区域对应的初始二值图像。
步骤7、选择更新二值图像中像素值为1的点进行区域生长，获取的若干个第二连通域。
步骤8、选择面积在第二指定范围内的第二连通域为肺气管区域。
其中，第二指定范围[50，sLungAreaUPVal]，其中，sLungAreaUPVal为该第二指定范围的上限值，即该肺区的面积上限值，该第二指定范围可以根据具体情况设定，例如，可以设置第二指定范围为[60，800]。
具体的，对经过上述步骤7进行区域生长后的区域按照指定顺序进行逐层的扫描，选择出面积在第二指定范围内的第二连通域。
步骤9、确定用于生长肺气管区域的点为肺气管种子点。
肺气管种子点的确定的过程为：首先，获取最先生长出第二连通域对应的像素点；确定该像素点所在的图像层，并利用该像素点生长出图像层在该像素点所在图像层和另一指定图像层之间的多个图像层的气管，然后，以该像素点所在图像层为起始层，每隔一定数量的图像层选择对应的一图像层的气管，选择这个图像层的气管中CT值最小的点作为肺气管种子点。
具体的，首先，获取最先生长出第二连通域对应的像素点，将该像素点定义为气管初始种子点，假设气管初始种子点所在的层为sCurFrame，利用气管初始种子点生长出层数范围在区间[sCurFrame,sCurFrame+N/10]的气管，然后从sCurFrame层开始，每隔N/50层选择一层图像层的气管，并选择该图像层的气管中CT值最小的点作为肺气管种子点。
进一步的，针对于步骤101的实现的，在执行完步骤108，得到该肺气管种子点之后，步骤101获取一级气管具体包括：
1011、根据该肺气管种子点并基于阈值分割算法和区域生长算法，提取一级气管。
步骤1011的实现具体包括：
步骤1、获取肺区的体素个数。
步骤2、获取初始分割阈值。
本发明实施例提供了一种获取初始分割阈值的具体实现方式，在确定肺气管种子的过程中，同时确定出提取一级气管时需要的初始分割阈值，然后将该初始分割阈值保存指定位置，以便于执行主体在提取一级气管时快速获取到初始分割阈值。其中，确定出提取一级气管时需要的初始分割阈值实现为：在确定肺区管种子时，在每隔一定数量的图像层选择该图像层的气管CT值最小的点作为肺气管种子点的同时，并计算该图像层的气管所有点的CT平均值，然后再计算得到的CT平均值的均值sMeanCT，从而将该CT平均值的均值sMeanCT作为初始分割阈值。
下面基于前述确定用于生长肺气管区域的点为肺气管种子点的具体实施例为例，进一步阐述如何获取初始分割阈值。
在确定sCurFrame为起始层，查找层数范围为[sCurFrame,sCurFrame+N/10]时，每隔N/50层选择一层图像层的气管，获取第sCurFrame+n*N/50(n为大于等于1且小于等于5的正整数)图像层的气管所有点的CT平均值M1、M2、M3、M4以及M5，然后在计算M1、M2、M3、M4以及M5的平均值，已将M1至M5这5个值的平均值作为初始分割阈值。
步骤3、对第二目标区域对应的CT图像按照初始分割阈值进行阈值分割，以得到初始一级气管。
其中，第二目标区域为更新二值图像中像素值为1的点构成的区域。
步骤4、在初始一级气管中基于肺气管种子点进行区域生长，得到一级气管及一级气管体素个数。
步骤5、判断一级气管体素个数与肺区的体素个数的比值是否在预设的比率范围内。若判断为是，执行步骤6；否则，执行步骤7。
步骤6、提取一级气管。
步骤7、删除得到的一级气管，调整初始分割阈值；并基于调整后的分割阈值重新执行前述步骤对更新后的目标区域对应的CT图像按照调整后的分割阈值进行阈值分割。
需要说明的是，当判断出一级气管体素个数与肺区的体素个数的比值不在规定的范围中时，为了使执行主体对初始分割阈值做出准确调整，执行主体需要确定该一级气管体素个数与该肺区的体素个数的比值是超出预设的比率上限还是低于预设比率的下线，若确定该比值为超出预设比率上限值，其对应提取到的一级气管发生了分割泄露；若确定该比值为低于预设比率下限值，则分割出的一级气管少；从而，执行主体针对不同的情况以及产生的影响，做出相应的调整。
补充说明的是，为了避免因未提取到满足条件的一级气管，导致执行一直重复执行阈值分割的操作，而影响其他操作进程，可以设置重复次数的上限阈值，执行主体在执行阈值分割时，记录执行阈值分割的次数，并判断是否超出设置的重复次数的上限阈值，若判断超出该上限阈值，结束一级气管提取过程；若判断未超出该上限阈值，基于调整后的分割阈值继续执行阈值分割。
下面结合上述阐述的一级气管的提取方法，具体说明根据肺气管种子点并基于阈值分割算法和区域生长算法，提取一级气管的过程：
步骤a)、计算肺区的二值图像pLungMask的体素个数lLungNum，并设定利用比率并通过迭代过程获取粗气管的迭代次数sExeNum。
其中，pLungMask为对初始二值图像进行更新后的更新二值图像的数据。
步骤b)、获取初始分割阈值sMeanCT，利用初始分割阈值sMeanCT对pLungMask中目标区域对应的原始CT数据进行阈值分割，得到粗气管初始结果pTracheaBuf；
步骤c)、利用气管种子点在pTracheaBuf中进行区域生长，得到粗气管(结果保存在pTracheaBuf中)及该粗气管包含的体素个数lTracheaNum；
步骤d)、若lTracheaNum/lLungNum>＝fTracheaUpRatio(认为发生分割泄漏)，则sMeanCT＝sMeanCT–sTracheaSubDiffThreshold，执行步骤f；否则，执行步骤e)。
其中，fTracheaUpRatio分割出的粗气管包含的体素个数占已分割出的肺区的体素个数的上限比率，该值越小，粗气管越少；该值太大，易泄露；sTracheaSubDiffThreshold是发生分割泄露时分割气管阈值的减少量。
步骤e)、若lTracheaNum/lLungNum<＝fTracheaDownRatio(认为粗气管分割太少)，则sMeanCT＝sMeanCT+sTracheaAddDiffThreshold，执行步骤f；否则，执行步骤6，提取出该一级气管。
其中，fTracheaDownRatio分割出的粗气管体素个数占已分割出的肺区的体素个数的下限比率，其主要作用为防止粗气管提取得太少；sTracheaAddDiffThreshold是粗气管分割太少时分割气管阈值的增加量。
步骤f)、清空pTracheaBuf，迭代次数加1。
步骤g)、判断迭代次数达是否到上限sExeNum，若达到上限，提取气管过程结束；若未达到上限，重复步骤b)至步骤g)。
需要说明的是，为了使最终提取到的一级气管更加清晰完整，执行完步骤g)后或者在通过上述步骤提取到一级气管后，还可以进行如下操作：
如果达到提取粗气管迭代上限，提取气管过程结束后，则将pLungMask指向的缓冲区拷贝到pTracheaBuf，然后去除pTracheaBuf中每层单个连通面积大于sLungAreaDownVal的区域，然后在pTracheaBuf中利用气管种子点进行区域生长得到粗气管，保存在pTracheaBuf中；如果没有达到提取粗气管迭代上限，则将pLungMask指向的缓冲区拷贝到pBuf，接着将pBuf中已提取出粗气管的区域和每层单个连通面积大于sLungAreaDownVal的目标(标记为1)区域去除，然后将pBuf中的剩余的目标区添加到pTracheaBuf中，并利用气管种子点进行区域生长，去除不相连区域。
进一步，针对于步骤102基于分层区域生长算法对该一级气管扩展并获取与该一级气管相连的二级气管的实现，本发明实施例提供了另一种实现方式，如图3所示，具体包括：
1021、获取一级气管中面积不小于一级气管中单层单个气管区域面积的最大值的连通区域中的所有点，以构成第一种子点集。
1022、对第一种子点集进行分层区域生长，并记录生长结果，以得到二级气管。
步骤1022的实现过程包括：
步骤a、根据一级气管获取每层二维图像中对应的若干个第三连通域。
步骤b、任选指定层的一个连通域，基于第一种子点集对该第三连通域进行区域生长，获取生长后的连通域。
步骤c、判断生长后的连通域是否满足第二指定条件；若判断不满足，执行步骤d；若判断满足，则执行步骤e。
其中，第二指定条件为预设的第三连通区域生长的面积阈值。
步骤d、重复前述步骤b和步骤c，选取指定层剩余的一个第三连通域，基于第一种子点集对该点连通域进行区域生长，获取生长后的连通域，直至指定层中生长后的连通域的面积达进行到收敛条件，则停止对指定层的生长。
其中，收敛条件可以是根据一定规则设定的。
步骤e、基于该生长后的连通域在相邻层继续生长，重新执行前述步骤，判断生长后的连通域是否满足第二指定条件。
步骤f、重新执行前述步骤b至步骤e，任选指定层的一个第三连通域，基于第一种子点集对该第三连通域进行区域生长，获取生长后的连通域，直到所有二维图像中对应的若干个第三连通域都生长过，结束分层生长。
如图4所示，图4为一级肺气管分层区域生长出二级肺气管的示意图，假设一级气管包括A、B、C三层图像层，每个图像层包括标号为1、2、3、4四个第三连通域。具体的，假设基于第一种子点集先对A图像层的标号为1的第三连通域进行区域生长，获取生长后的连通域1’(图中未示出)；然后判断连通域1’的大小是否在一定阈值范围内，即判断连通域1’是否满足第二指定条件；如果确定连通域1’的大小在一定阈值范围内说明这段是气管，则继续在相邻层B层继续进行区域生长；如果确定连通域1’的大小不在一定阈值范围内，说明连通域1’过大(说明出现生长泄漏)或过小(说明已到末梢)，则不再在相邻层继续，而是对A层中标号为2的第三连通域进行区域生长。然后，重复上述过程，直到A、B、C三层中的所有第三连通域都生长过，最后结束。
进一步的，由于气管灰度不均，以及分割阈值选取的鲁棒性不够好，导致提取出的气管细小分支不足，为解决此问题本发明实施例提供了一种实现方式，如图5所示，在步骤103获取该二级气管的局部特征之前，所述方法还包括：
109、基于高斯-拉普拉斯算子锐化，增强CT图像。
采用基于高斯—拉普拉斯算子的锐化操作，可以提高气管壁CT值，减少气管腔CT值，从而可以增强气管区域的CT图像。
具体的，其实现过程为：对肺区点的CT值按如下公式计算：
Fsharpen＝F-β(γLoG(F)+(1-γ)L′oG(F))，
其中，Fsharpen为增强后的CT图像结果数据；F为原始CT图像；LoG(F)即L(F)，L'oG(F)即L'(F)。β是锐化操作的增强系数，值越大增强越明显，但容易导致后续生长过程泄漏；γ锐化增强时抑制气管壁增强的系数，值越大抑制效果越好，但会减弱整体的增强效果，本发明推荐β取值0.05，γ取值0.5。fijk代表原始CT图像中像素点(i，j，k)的值，Nα(i,j,k)为像素点(i，j，k)的26邻域点集，fpqr代表原始CT图像中像素点(i，j，k)的26邻域点(p，q，r)的值。Nlower为像素点(i，j，k)26邻域内点的值比fijk小的个数。
110、对增强后的CT图像进行灰度映射。
111、获取已提取的肺区对应的像素点以及气管对应的像素点之间灰度均值差。
112、根据灰度均值差，确定能量最小化约束生长算法的控制生长系数。
结合具体参数，说明步骤110至步骤112的实现的过程。
步骤1、将CT值区间[sCTtoGreyDownVal，sCTtoGreyUpVal]映射到灰度空间[0，255]上，CT值比sCTtoGreyDownVal小的，映射为0，比sCTtoGreyUpVal大的，映射为255；映射结果保存在pGreyImg中。
其中，sCTtoGreyDownVal和sCTtoGreyUpVal分别为气管及气管壁区域的CT值最小值和最大值，优选的是，这两个取值分别为-1025和-500。
步骤2、计算初始目标区域的二值图像中像素值为1且在提取到气管区域中像素值不是1的所有点的灰度平均值sLungMeanGreyVal(即计算肺部区域点的灰度平均值)，然后计算提取到的气管区域中所有像素值为1的点的灰度平均值sTracheaMeanGreyVal，最后计算差值sGreyDiffVal＝sLungMeanGreyVal–sTracheaMeanGreyVal，该差值被用来判断是否生长泄漏。
步骤3、计算气管壁最大CT值对应的灰度值sTracheaGreyUpVal＝255*(sTracheaCTUpVal-sCTtoGreyDownVal)/(sCTtoGreyUpVal-sCTtoGreyDownVal)。
其中，sTracheaCTUpVal为气管CT值的粗略最大值。
步骤4、若sGreyDiffVal/sTracheaMeanGreyVal>fDiffTracheaRatio，防止生长泄露，则sGreyDiffVal更新为sLungGreyMeanVal和sTracheaGreyUpVal两者中最大的一个；并且fIter_w3＝fIterAddRatio_w3*fIter_w3，增加fIter_w3，否则进入步骤5。
其中，fDiffTracheaRatio为肺部区域灰度均值与气管灰度均值的差值跟气管灰度均值的比值的最大值；fIter_w3提取细分支气管时防止生长泄漏的系数，值越大，生长出来的区域越少。fIterAddRatio_w3为修正fIter_w3的系数，起到增加fIter_w3值的作用。
步骤5、若sLungMeanGreyVal<sLungGreyLowBaseVal，肺区灰度均值偏小，防止生长泄漏，则fIter_w3＝fIterAddRatio_w3*fIter_w3，增加fIter_w3，否则进入步骤6。
其中，fIterSubRatio_w3是修正fIter_w3的系数，起到减少fIter_w3值的作用。
步骤6、若sLungMeanGreyVal>sLungGreyHighBaseVal，肺区灰度均值偏大，气管壁灰度均值高，避免生长过少，fIter_w3＝fIterSubRatio_w3*fIter_w3，减少fIter_w3。
其中，步骤5和步骤6中的sLungGreyLowBaseVal和sLungGreyHighBaseVal分别表示肺部区域灰度均值的最小和最大参考值，肺部区域灰度均值不在这两个值之间的测试数据需要修正fIter_w3的值。
进一步的，针对于步骤104的实现，本发明实施例提供了另一种实现方式，如图6所示，步骤104基于该局部特征以及能量最小化约束生长算法，获取三级气管包括：
1041、基于局部特征确定出气管点。
具体的，对于提取的气管区域中气管的边缘点的26邻域非气管点而言，若其灰度值比其8邻域非气管点灰度值都小sIterGrowDiffGrey的点，则标记为气管点。
其中，sIterGrowDiffGrey为气管边缘非气管点灰度值与气管点灰度值的差值，此值越小，引导生长出的气管点越多，已发生生长泄漏，此值越大，引导生长出的气管点越少。
1042、将确定出的所有气管点，构成第一指定集合。
1043、根据第一指定集合，基于能量最小化约束生长算法通过迭代提取三级气管。
迭代的具体步骤具体包括：
步骤1、获取第一指定集合中任一点的n邻域的非气管点。
步骤2、计算非气管的生长势能；计算公式如下：
Vprop(x，stx)＝w1*Vradial(x，stx)+w3*Vcontrol(x，stx)，
其中，x为气管点；stx取值为1或0；w1为促进生长系数；w3为控制生长系数；Vradial(x，stx)为该该气管点引导生长的势能；Vcontrol(x，stx)为该气管点抑制生长的势能。
其中，Vradial(x，stx)的计算公式如下：
其中，Vcontrol(x，stx)的计算公式如下：
Vradial(x，stx)和Vcontrol(x，stx)计算公式中，θ26(x)为x的n(n＝26)邻域点集，stx为x点的两种状态取值分别为1和0，1代表x点是气管点的状态，0代表不是气管点，sty为x邻域点y是否是气管点的状态(是，其值为1；不是，其值为0)。F(x)和F(y)为x和y点的灰度级值。
步骤3、判断计算得到的Vprop(x，1)是否大于Vprop(x，0)。
步骤4、若判断Vprop(x，1)大于Vprop(x，0)，将对应的非气管点添加到第二指定集合中。
步骤5、判断指定集合中非气管点个数是否大于获取到的所有气管点的个数。若判断为是，执行步骤6；否则，执行步骤8
步骤6、调整控制生长系数，并删除指定集合中的非气管点。
步骤7、基于调整后的控制生长系数，重新计算非气管点的生长势能.
步骤8、将第二指定集合中的非气管点添加到第一指定集合中，并判断是否到达设定的迭代次数。若判断为是，执行步骤9；否则，执行步骤10到达设定的迭代次数
步骤9、基于迭代结果，提取三级气管。
步骤10.继续迭代，执行步骤1。
进一步的，为了使提取到的气管树丰富，本发明实施例提供了另一种实现方式，如图7所述，在步骤104所述根据所述第一指定集合，基于能量最小化约束生长算法通过迭代提取三级气管之后，对气管欠分割的边缘进行扩展，其该方法还包括：
113、对提取到的三级气管对应的连通区域进行去除判断。
若该气管连通区域外边缘点灰度平均值与气管连通区域灰度均值的差小于sGreyDiffVal，则去除该连通区域，并且该区域点对应的灰度值都增加sIterRemoveDiffGrey，避免再次生长。
补充说明的是，经过步骤113后，若增加了对应区域点的灰度值后，就重复步骤104，在重复过程中，如果新得到的气管体数与重复步骤104前得到的气管体数的比值不小于fTracheaUpRatio与fTracheaDownRatio的和，则直接停止重复过程。sGreyDiffVal、fTracheaUpRatio和fTracheaDownRatio如前所述。sIterRemoveDiffGrey为像素点灰度值增加量，值越大，被生长标记为气管的可能性越小。
114、基于局部以及全局CT值特征，处理去除判断后的三级气管的边缘。
对每一层气管区域的边缘进行阈值分割，然后，再对气管边缘再修补。
需要说明的是，该步骤中进行阈值分割的区域满足：其CT平均值不大于sTracheaExAreaCTUpVal且面积不大于sTracheaExAreaUpVal。sTracheaExAreaCTUpVal是单层中需要进行边缘修补的气管连通区域的CT平均值的上限值，越大，需要边缘修补的气管区域越多。sTracheaExAreaUpVal单层中需要进行边缘修补的气管连通区域的面积上限值，越大，需要边缘修补的气管区域越多。此外，为了使保证修补扩展充分，还可以设置重复执行该步骤的次数sExIterNum，边缘修补过程的该步骤重复的次数越大，边缘修补得越多，但该步骤重复的次数越大还会造成过分割。
下面具体举例说明的对边缘阈值分割及修补的具体做法。
步骤1、以一个3*3区域在得到的新气管结果pTracheaBuf中的每一层中游走，当该区域中被标记为血管的点和没有被标记的点的数目都大于3时，求出标记区域的CT平均值lGrayValuein和非标记区域的CT平均值lGrayValueout；
步骤2、设定分割阈值为：fThreshold＝0.45f*(lGrayValuein+lGrayValueout)，对非标记区域进行阈值分割，将小于阈值的点，标记为气管。
本发明实施例进一步给出实现上述方法实施例中各步骤及方法的装置实施例。本发明实施例所提供的肺气管分割装置的功能方块图，如图8所示，该肺气管分割装置耦合于医学影像设备或者医疗网络在中，该装置包括：处理器21、存储器22、显示设备23以及输入输出接口24；处理器21、存储器22及输入输出接口24通过总线进行通信；存储器22中被配置有计算机代码，所述处理器21能够调用该代码以控制输入输出接口24；显示设备23用于显示气管分割结果；
计算机代码被处理器21执行时，以使处理器21实现上述任一方法实施例中提供的方法步骤。
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，上述描述的系统，装置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。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、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较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (11)
1.一种肺气管分割方法，其特征在于，所述方法包括：
获取一级气管；
基于分层区域生长算法对所述一级气管扩展并获取与所述一级气管相连的二级气管；
获取所述二级气管的局部特征；
基于所述局部特征以及能量最小化约束生长算法，获取三级气管；
融合所述一级气管、二级气管和三级气管，输出获取气管分割结果；
所述基于所述局部特征以及能量最小化约束生长算法，获取三级气管包括：
基于所述局部特征确定气管点；
将确定出的所有气管点，构成第一指定集合；
根据所述第一指定集合，基于能量最小化约束生长算法通过迭代提取三级气管；
所述基于能量最小化约束生长算法通过迭代提取三级气管包括：
获取所述第一指定集合中任一点的n邻域的非气管点；
计算所述非气管的生长势能；计算公式如下：
Vprop(x，stx)＝w1*Vradial(x，stx)+w3*Vcontrol(x，stx)，
其中，x为气管点；stx取值为1或0；w1为促进生长系数；w3为控制生长系数；Vradial(x，stx)为该气管点引导生长的势能；Vcontrol(x，stx)为该气管点抑制生长的势能；
判断计算得到的Vprop(x，1)是否大于Vprop(x，0)；
若判断Vprop(x，1)大于Vprop(x，0)，将对应的非气管点添加到第二指定集合中；
判断所述指定集合中非气管点个数是否大于获取到的所有气管点的个数；
若判断为是，则调整控制生长系数，并删除指定集合中的非气管点；基于调整后的控制生长系数，重新计算所述非气管点的生长势能；
若判断为否，将第二指定集合中的非气管点添加到第一指定集合中，并判断是否到达设定的迭代次数，若判断到达设定的迭代次数，基于迭代结果，提取三级气管，或者，若判断未到达设定的迭代次数，继续迭代。
2.根据权利要求1所述的方法，其特征在于，在所述获取一级气管之前，所述方法还包括：
获取胸部的CT图像，所述CT图像包含若干层二维图像；
根据所述CT图像，获取第一目标区域；
根据所述第一目标区域，确定肺气管种子点；
所述获取一级气管包括：
根据所述肺气管种子点并基于阈值分割算法和区域生长算法，提取所述一级气管。
3.根据权利要求2所述的方法，其特征在于，所述根据所述CT图像，获取第一目标区域具体包括：
基于预设的第一阈值和第二阈值，对所述CT图像进行分割，得到所述第一目标区域。
4.根据权利要求3所述的方法，其特征在于，所述基于预设的第一阈值和第二阈值，对所述CT图像进行分割，得到所述第一目标区域之前，还包括：
对所述CT图像进行各向异性平滑处理；
所述基于预设的第一阈值和第二阈值，对所述CT图像进行分割，得到所述第一目标区域包括：基于预设的第一阈值和第二阈值，对进行各向异性平滑处理后的CT图像进行分割，得到第一目标区域。
5.根据权利要求2、3或4所述的方法，其特征在于，所述根据所述第一目标区域确定所述肺气管种子点包括：
从所述第一目标区域中选择满足第一指定条件的区域，以作为肺区候选种子区域；
在所述肺区候选种子区域对应的二值图像中选择像素值为1的点进行区域生长，获取若干个指定连通域；
基于区域生长结果，选择面积在第一指定范围内的指定连通域为第一连通域；
确定用于生长所述第一连通域的点为肺区种子点；
基于所述肺区种子点进行区域生长，以提取肺区；
根据所述肺区，更新所述第一目标区域对应的初始二值图像，得到更新二值图像；
选择所述更新二值图像中像素值为1的点进行区域生长，得到若干个第二连通域；
选择面积在第二指定范围内的第二连通域为肺气管区域；
确定用于生长所述肺气管区域的点为肺气管种子点。
6.根据权利要求5所述的方法，其特征在于，所述根据所述肺气管种子点并基于阈值分割算法和区域生长算法，提取所述一级气管包括：
获取肺区的体素个数；
获取初始分割阈值；
对第二目标区域对应的CT图像按照所述初始分割阈值进行阈值分割，以得到初始一级气管，其中，第二目标区域为更新二值图像中像素值为1的点构成的区域；
在初始一级气管中基于所述肺气管种子点进行区域生长，得到一级气管及所述一级气管包含的体素个数；
判断所述一级气管体素个数与所述肺区的体素个数的比值是否在预设的比率范围内；
若判断出为是，提取所述一级气管；
若判断出为否，删除得到的一级气管，调整初始分割阈值；并基于调整后的分割阈值重新执行前述步骤对第二目标区域对应的CT图像按照所述调整后的分割阈值进行阈值分割。
7.根据权利要求6所述的方法，其特征在于，所述基于分层区域生长算法对所述一级气管扩展并获取与所述一级气管相连的二级气管包括：
获取所述一级气管中面积不小于所述一级气管中单层二维图像中连通域面积的最小值的连通区域中的所有点，以构成第一种子点集；
对所述第一种子点集进行分层区域生长，并记录生长结果，以得到所述二级气管。
8.根据权利要求7所述的方法，其特征在于，所述对所述第一种子点集进行分层区域生长，并记录生长结果包括：
根据一级气管获取每层二维图像中对应的若干个第三连通域；
任选指定层的一个第三连通域，基于第一种子点集对该第三连通域进行区域生长，获取生长后的连通域；
判断生长后的连通域是否满足第二指定条件；
若判断出不满足，重新执行前述步骤，选取指定层剩余的一个第三连通域，基于第一种子点集对该点连通域进行区域生长，获取生长后的连通域，直至所述指定层中生长后的连通域的面积达到收敛条件，停止对所述指定层的生长；
若判断出满足，基于该生长后的连通域在相邻层继续生长，重新执行前述步骤，判断基于该生长后的连通域在相邻层继续生长后的区域是否满足第二指定条件；
重新执行前述步骤，任选指定层的一个第三连通域，基于第一种子点集对该第三连通域进行区域生长，获取生长后的连通域，直到所有二维图像中对应的若干个第三连通域都生长过，结束分层生长。
9.根据权利要求8所述的方法，其特征在于，在所述获取所述二级气管的局部特征之前，所述方法还包括：
基于高斯-拉普拉斯算子锐化，增强CT图像；
对增强后的CT图像进行灰度映射；
获取已提取的肺区对应的像素点以及气管对应的像素点之间灰度均值差；
根据所述灰度均值差，确定能量最小化约束生长算法的控制生长系数。
10.根据权利要求1所述的方法，其特征在于，在所述根据所述第一指定集合，基于能量最小化约束生长算法通过迭代提取三级气管之后，所述方法还包括：
对提取到的三级气管对应的连通区域进行去除判断；
基于局部以及全局CT值特征，处理去除判断后的三级气管的边缘。
11.一种肺气管分割装置，耦合于医学影像设备或者医疗网络在中，其特征在于，所述装置包括处理器、存储器、显示设备以及输入输出接口；所述处理器、存储器及输入输出接口通过总线进行通信；所述存储器中被配置有计算机代码，所述处理器能够调用该代码以控制输入输出接口；所述显示设备用于显示气管分割结果；
所述计算机代码被所述处理器执行时，以使所述处理器实现如权利要求1-10任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810533805.0A CN108765445B (zh) | 2018-05-29 | 2018-05-29 | 一种肺气管分割方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810533805.0A CN108765445B (zh) | 2018-05-29 | 2018-05-29 | 一种肺气管分割方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108765445A CN108765445A (zh) | 2018-11-06 |
| CN108765445B true CN108765445B (zh) | 2021-08-20 |
Family
ID=64003935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810533805.0A Active CN108765445B (zh) | 2018-05-29 | 2018-05-29 | 一种肺气管分割方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108765445B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112330686A (zh) * | 2019-08-05 | 2021-02-05 | 罗雄彪 | 肺部支气管的分割及标定方法 |
| CN111179298B (zh) * | 2019-12-12 | 2023-05-02 | 深圳市旭东数字医学影像技术有限公司 | 基于ct图像的三维肺自动分割与左右肺分离方法及其系统 |
| CN113139968B (zh) * | 2021-05-11 | 2023-08-22 | 上海杏脉信息科技有限公司 | 一种医学影像分割装置及方法 |
| CN115564788B (zh) * | 2022-11-18 | 2023-04-07 | 珠海横琴圣澳云智科技有限公司 | 基于先验信息的肺气管分割模型训练、分割方法和装置 |
| CN117934485B (zh) * | 2024-03-25 | 2024-05-31 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 基于ct图像的肺部气管路径特征提取方法、系统及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521833A (zh) * | 2011-12-08 | 2012-06-27 | 东软集团股份有限公司 | 一种从胸部ct图像中获得气管树的方法及装置 |
| CN104809730A (zh) * | 2015-05-05 | 2015-07-29 | 上海联影医疗科技有限公司 | 从胸部ct图像提取气管的方法和装置 |
| 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 |
| CN108074229A (zh) * | 2017-11-29 | 2018-05-25 | 苏州朗开信通信息技术有限公司 | 一种气管树提取方法及装置 |
-
2018
- 2018-05-29 CN CN201810533805.0A patent/CN108765445B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521833A (zh) * | 2011-12-08 | 2012-06-27 | 东软集团股份有限公司 | 一种从胸部ct图像中获得气管树的方法及装置 |
| CN104809730A (zh) * | 2015-05-05 | 2015-07-29 | 上海联影医疗科技有限公司 | 从胸部ct图像提取气管的方法和装置 |
| 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 |
| CN108074229A (zh) * | 2017-11-29 | 2018-05-25 | 苏州朗开信通信息技术有限公司 | 一种气管树提取方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 3D Automatic Segmentation of Coronary Artery Based on Hierarchical Region Growing Algorithm (3D HRG) in CTA Data- sets;Zahra Turani等;《Proceedings of 20th Iranian Conference on Biomedical Engineering (ICBME 2013)》;20131220;第275-279页 * |
| 三维CT影像中肺气管树分割算法研究;彭双;《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》;20170315;第I138-4014页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108765445A (zh) | 2018-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108765445B (zh) | 一种肺气管分割方法及装置 | |
| CN110689038B (zh) | 神经网络模型的训练方法、装置和医学图像处理系统 | |
| CN104933709B (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
| EP2036037B1 (en) | Methods and systems for segmentation using boundary reparameterization | |
| CN114120102A (zh) | 边界优化的遥感图像语义分割方法、装置、设备及介质 | |
| US8319793B2 (en) | Analyzing pixel data by imprinting objects of a computer-implemented network structure into other objects | |
| US8913817B2 (en) | Rib suppression in radiographic images | |
| CN110348435B (zh) | 一种基于区域候选网络的目标检测方法及系统 | |
| CN103824295A (zh) | 一种肺部ct图像中粘连血管型肺结节的分割方法 | |
| JP6385318B2 (ja) | ３ｄ医用画像中の対象物をセグメンテーションするための３ｄ対象物の変換 | |
| CN111768411A (zh) | 冠脉中心线提取方法、装置、计算机设备和存储介质 | |
| CN105389821B (zh) | 一种基于云模型和图割相结合的医学图像分割方法 | |
| US9317926B2 (en) | Automatic spinal canal segmentation using cascaded random walks | |
| CN112330686A (zh) | 肺部支气管的分割及标定方法 | |
| US20070127800A1 (en) | Branch Extension Method For Airway Segmentation | |
| US20090030657A1 (en) | Surface tesselation of shape models | |
| WO2018176319A1 (zh) | 超声图像的分析方法及装置 | |
| CN111080556B (zh) | 一种强化ct图像气管壁增强方法、系统、设备及介质 | |
| CN114092906B (zh) | 一种车道线分段拟合方法、系统、电子设备及存储介质 | |
| CN112381779A (zh) | 肺癌tnm分期获取方法、装置及显示方法 | |
| CN106558057A (zh) | 一种医学图像分割方法 | |
| CN115147359B (zh) | 肺叶分割网络模型训练方法、装置、电子设备及存储介质 | |
| CN107492101B (zh) | 基于自适应构造最优图的多模态鼻咽肿瘤分割算法 | |
| US12026885B2 (en) | Method and system for automated segmentation of biological object parts in MRI | |
| CN115619806A (zh) | 胸膜粘连型肺实质分割方法和系统 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |