CN109035272A - 基于ct图像的肺分割方法、装置及计算机可读存储介质 - Google Patents
基于ct图像的肺分割方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109035272A CN109035272A CN201810852164.5A CN201810852164A CN109035272A CN 109035272 A CN109035272 A CN 109035272A CN 201810852164 A CN201810852164 A CN 201810852164A CN 109035272 A CN109035272 A CN 109035272A
- Authority
- CN
- China
- Prior art keywords
- lung
- images
- image
- filter
- bianry 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.)
- Granted
Links
- 210000004072 lung Anatomy 0.000 title claims abstract description 242
- 238000000034 method Methods 0.000 title claims abstract description 79
- 239000012535 impurity Substances 0.000 claims abstract description 33
- 238000003708 edge detection Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 239000000284 extract Substances 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 12
- 230000010339 dilation Effects 0.000 claims description 8
- 230000003628 erosive effect Effects 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 abstract description 9
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 201000010099 disease Diseases 0.000 abstract description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 6
- 230000002685 pulmonary effect Effects 0.000 abstract description 5
- 238000010276 construction Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 208000020816 lung neoplasm Diseases 0.000 description 5
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 201000005202 lung cancer Diseases 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000000505 pernicious effect Effects 0.000 description 2
- 241000150100 Margo Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/30—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)
- Image Processing (AREA)
Abstract
本发明公开了基于CT图像的肺分割方法、装置及计算机可读存储介质,所述方法包括:输入CT图像,并抽取原始肺部图像;根据设定的灰度阈值,对所述原始肺部图像进行阈值处理,并使用第一滤波器滤除杂点,得到第一二值图像;利用边缘检测法,对第一二值图像进行修正和肺部边界抽取,得到第二二值图像;将第一二值图像和第二二值图像进行重合,并对重合后的图像进行肺部边界修补,进一步使用第二滤波器滤除杂点,得到目标肺部图像;使用第三滤波器滤除杂点,得到精准肺部图像,并输出精准肺部图像。本发明能够自动在CT图像上进行准确的肺分割,确保肺实质区域分割的完整性,避免由于肺区域的边缘缺失及区域的缺失而在后续诊断过程中造成漏诊的问题。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于CT图像的肺分割方法、装置及计算机可读存储介质。
背景技术
近五十年来肺癌发病率显著增高,在欧美工业发达国家和我国一些工业大城市中,肺癌发病率在男性恶性肿瘤中已居首位,在女性发病率也迅速增高,占女性常见恶性肿瘤第二位或第三位,成为危害生命健康的一种主要疾病。因此改进对于肺癌的计算机诊疗系统十分重要。
随着计算机技术,CT检测技术与图像处理技术的发展,目前的CT图像具有高清晰度与高对比度等特点,而肺分割技术是实现对肺部检测与分析必不可少的手段,检测肺癌、检测肺结节等都需要运用计算机分析CT图像并进行肺分割,因此,使肺分割技术更加精确与简洁十分重要。但是,在对现有技术的研究与实践过程中,本发明的发明人发现,现有肺分割技术种类繁多,不仅杂乱而且无法有效去除CT图像中的杂点,并且会使肺边缘过于光滑而丧失精准性。
发明内容
本发明实施例所要解决的技术问题在于,提供基于CT图像的肺分割方法、装置及计算机可读存储介质,能够自动在CT图像上进行准确的肺分割。
为解决上述问题,本发明的一个实施例提供一种基于CT图像的肺分割方法,适于在计算机设备中执行,至少包括如下步骤:
输入CT图像,并从所述CT图像中抽取原始肺部图像;
根据设定的灰度阈值,对所述原始肺部图像进行阈值处理,并使用第一滤波器滤除杂点,得到第一二值图像;
利用边缘检测法,对所述第一二值图像进行修正和肺部边界抽取,得到第二二值图像;
将所述第一二值图像和所述第二二值图像进行重合,并对重合后的图像进行肺部边界修补,进一步使用第二滤波器滤除杂点,得到目标肺部图像;
对所述目标肺部图像使用第三滤波器滤除杂点,得到精准肺部图像,并输出所述精准肺部图像。
进一步地,所述根据设定的灰度阈值,对所述原始肺部图像进行阈值处理,并使用第一滤波器滤除杂点,得到第一二值图像,具体为:
根据设定的灰度阈值,将所述原始肺部图像中肺部以外组织转换为白色,将肺部组织及空气转换为黑色,并使用第一滤波器滤除图像中的黑色部分的白色杂点和白色部分的黑色杂点,得到第一二值图像。
进一步地,所述灰度阈值为-500,转换为白色的所述原始肺部图像中肺部以外组织的灰度大于所述灰度阈值。
进一步地,所述利用边缘检测法,对所述第一二值图像进行修正和肺部边界抽取,得到第二二值图像,具体为:
利用边缘检测法,对所述第一二值图像进行修正,画出包括肺部区域与肺部以外组织,并将其转换为黑色,进一步进行肺部边界抽取,得到包含肺部区域的边界轮廓的第二二值图像。
进一步地,所述对重合后的图像进行肺部边界修补,进一步使用第二滤波器滤除杂点,得到目标肺部图像,具体为:
基于边界曲率进行修补的算法,对重合后的图像进行曲线平滑处理,去除肺部边界噪声,并进一步使用第二滤波器对肺部对象进行膨胀腐蚀,将图像中的边缘黑色与白色部分判定为无效,并滤除,得到目标肺部图像。
进一步地,所述第一滤波器、所述第二滤波器和所述第三滤波器的规格分别为(25,25)、(15,15)和(5,5)。
本发明的一个实施例还提供了一种基于CT图像的肺分割装置,包括:
原始肺部图像抽取模块,用于输入CT图像,并从所述CT图像中抽取原始肺部图像;
阈值处理模块,用于根据设定的灰度阈值,对所述原始肺部图像进行阈值处理,并使用第一滤波器滤除杂点,得到第一二值图像;
肺部边界抽取模块,用于利用边缘检测法,对所述第一二值图像进行修正和肺部边界抽取,得到第二二值图像;
肺部边界修补模块,用于将所述第一二值图像和所述第二二值图像进行重合,并对重合后的图像进行肺部边界修补,进一步使用第二滤波器滤除杂点,得到目标肺部图像;
输出模块,用于对所述目标肺部图像使用第三滤波器滤除杂点,得到精准肺部图像,并输出所述精准肺部图像。
进一步地,所述的基于CT图像的肺分割装置,其特征在于,
所述阈值处理模块,具体用于根据设定的灰度阈值,将所述原始肺部图像中肺部以外组织转换为白色,将肺部组织及空气转换为黑色,并使用第一滤波器滤除图像中的黑色部分的白色杂点和白色部分的黑色杂点,得到第一二值图像;
肺部边界抽取模块,具体用于利用边缘检测法,对所述第一二值图像进行修正,画出包括肺部区域与肺部以外组织,并将其转换为黑色,进一步进行肺部边界抽取,得到包含肺部区域的边界轮廓的第二二值图像;
肺部边界修补模块,具体用于将所述第一二值图像和所述第二二值图像进行重合,并基于边界曲率进行修补的算法,对重合后的图像进行曲线平滑处理,去除肺部边界噪声,并进一步使用第二滤波器对肺部对象进行膨胀腐蚀,将图像中的边缘黑色与白色部分判定为无效,并滤除,得到目标肺部图像。
本发明的一个实施例还提供了一种基于CT图像的肺分割装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述的基于CT图像的肺分割方法。
本发明的一个实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于CT图像的肺分割方法。
实施本发明实施例,具有如下有益效果:
本发明实施例提供的基于CT图像的肺分割方法、装置及计算机可读存储介质,所述方法包括:输入CT图像,并抽取原始肺部图像;根据设定的灰度阈值,对所述原始肺部图像进行阈值处理,并使用第一滤波器滤除杂点,得到第一二值图像;利用边缘检测法,对第一二值图像进行修正和肺部边界抽取,得到第二二值图像;将第一二值图像和第二二值图像进行重合,并对重合后的图像进行肺部边界修补,进一步使用第二滤波器滤除杂点,得到目标肺部图像;使用第三滤波器滤除杂点,得到精准肺部图像,并输出精准肺部图像。本发明能够自动在CT图像上进行准确的肺分割,确保肺实质区域分割的完整性,避免由于肺区域的边缘缺失及区域的缺失而在后续诊断过程中造成漏诊的问题。
附图说明
图1为本发明第一实施例提供的一种基于CT图像的肺分割方法的流程示意图;
图2为本发明第一实施例提供的从CT图像中提取出的原始肺部图像;
图3为本发明第一实施例提供的构造肺部以外组织过滤器的流程图;
图4为本发明第一实施例提供的使用肺部以外组织过滤器后的图像;
图5为本发明第一实施例提供的构造人体组织与外部环境过滤器的流程图;
图6为本发明第一实施例提供的使用人体组织与外部环境过滤器后的图像;
图7为本发明第一实施例提供的图4与图6结合后再次使用滤波器处理后得到的图像;
图8为本发明第一实施例提供的构造整合加工过滤器的流程图;
图9为本发明第一实施例提供的使用整合加工过滤器后最终得到的精确肺部图像;
图10为本发明第二实施例提供的一种基于CT图像的肺分割装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
首先介绍本发明可以提供的应用场景,如计算机自动识别肺部结节。
每次CT检测后都有几百张CT图片,而早期的恶性结节往往体积十分微小,对于医生来说,需要在上百张图片寻找一个小点并判断其良恶性,而本发明可以自动对CT图像进行肺分割,将患者肺部清晰呈现在医生面前,不用浪费医生大量时间分析CT图像,查找可疑区域。
该方法已对大量病人的CT图像进行分析,可以从复杂CT图像中直接分离出患者肺部,这将成为一种提高医生诊断效率的有效工具。
本发明第一实施例:
请参阅图1-9。
如图1所示,本实施例提供的基于CT图像的肺分割方法,适于在计算机设备中执行,至少包括如下步骤:
S101、输入CT图像,并从所述CT图像中抽取原始肺部图像;
S102、根据设定的灰度阈值,对所述原始肺部图像进行阈值处理,并使用第一滤波器滤除杂点,得到第一二值图像;
S103、利用边缘检测法,对所述第一二值图像进行修正和肺部边界抽取,得到第二二值图像;
S104、将所述第一二值图像和所述第二二值图像进行重合,并对重合后的图像进行肺部边界修补,进一步使用第二滤波器滤除杂点,得到目标肺部图像;
S105、对所述目标肺部图像使用第三滤波器滤除杂点,得到精准肺部图像,并输出所述精准肺部图像。
对于步骤S102,所述根据设定的灰度阈值,对所述原始肺部图像进行阈值处理,并使用第一滤波器滤除杂点,得到第一二值图像,具体为:
根据设定的灰度阈值,将所述原始肺部图像中肺部以外组织转换为白色,将肺部组织及空气转换为黑色,并使用第一滤波器滤除图像中的黑色部分的白色杂点和白色部分的黑色杂点,得到第一二值图像。
其中,所述灰度阈值为-500,转换为白色的所述原始肺部图像中肺部以外组织的灰度大于所述灰度阈值。
在本实施例中,如图2所示,从CT图像中提取出的原始肺部图像之后,如图3所示,构造肺部以外组织过滤器,如:
i=500;
img[(img>=-i)]=255;
img[(img<-i)]=0.
并对肺部以外组织使用过滤器。如图4所示,图4为使用肺部以外组织过滤器后的图像。具体的,对提取出的原始肺部图像进行阈值转换,将阈值大于-500的肺部以外组织全部变为白色,将原始肺部图像中较暗的肺部组织与外界空气部分变为黑色,然后使用第一滤波器,去除阈值转换后图像中的黑色部分的白色杂点与白色部分的黑色杂点,得到第一二值图像。
对于步骤S103,所述利用边缘检测法,对所述第一二值图像进行修正和肺部边界抽取,得到第二二值图像,具体为:
利用边缘检测法,对所述第一二值图像进行修正,画出包括肺部区域与肺部以外组织,并将其转换为黑色,进一步进行肺部边界抽取,得到包含肺部区域的边界轮廓的第二二值图像。
在本实施例中,如图5所示,构造人体组织与外部环境过滤器。
需要说明的是,本实施例中的所述边缘检测法为:
ret,img2=cv2.threshold(img2,-95,70,cv2.THRESH_BINARY).
这里使用了threshold边缘检测法并将原图转换成(0,255)的二值图。
kernel=cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(15,15)).
这里是用getStructuringElement法构造第二滤波器,第二滤波器的形状采用椭圆形(MORPH_ELLIPSE)。
可以理解的是,使用第二滤波器对对象进行膨胀腐蚀(滤波),把小块变得更小,把大块变得更大。
img2=cv2.morphologyEx(img2,cv2.MORPH_OPEN,kernel).
加工后得到使用人体组织与外部环境过滤器后的图像,如图6所示。
对于步骤S104,如图7-8所示,所述对重合后的图像进行肺部边界修补,进一步使用第二滤波器滤除杂点,得到目标肺部图像,具体为:
基于边界曲率进行修补的算法,对重合后的图像进行曲线平滑处理,去除肺部边界噪声,并进一步使用第二滤波器对肺部对象进行膨胀腐蚀,将图像中的边缘黑色与白色部分判定为无效,并滤除,得到目标肺部图像。
最后,如图9所示,对所述目标肺部图像使用第三滤波器滤除杂点,得到精准肺部图像,并输出所述精准肺部图像。
其中,所述第一滤波器、所述第二滤波器和所述第三滤波器的规格分别为(25,25)、(15,15)和(5,5)。
滤波器示例:
本实施例提供的基于CT图像的肺分割方法,包括:输入CT图像,并抽取原始肺部图像;根据设定的灰度阈值,对所述原始肺部图像进行阈值处理,并使用第一滤波器滤除杂点,得到第一二值图像;利用边缘检测法,对第一二值图像进行修正和肺部边界抽取,得到第二二值图像;将第一二值图像和第二二值图像进行重合,并对重合后的图像进行肺部边界修补,进一步使用第二滤波器滤除杂点,得到目标肺部图像;使用第三滤波器滤除杂点,得到精准肺部图像,并输出精准肺部图像。本实施例能够自动在CT图像上进行准确的肺分割,确保肺实质区域分割的完整性,避免由于肺区域的边缘缺失及区域的缺失而在后续诊断过程中造成漏诊的问题。
本发明第二实施例:
请参阅图10。
如图10所示,本实施例还提供了一种基于CT图像的肺分割装置,包括:
原始肺部图像抽取模块201,用于输入CT图像,并从所述CT图像中抽取原始肺部图像。
阈值处理模块202,用于根据设定的灰度阈值,对所述原始肺部图像进行阈值处理,并使用第一滤波器滤除杂点,得到第一二值图像。
具体的,根据设定的灰度阈值,将所述原始肺部图像中肺部以外组织转换为白色,将肺部组织及空气转换为黑色,并使用第一滤波器滤除图像中的黑色部分的白色杂点和白色部分的黑色杂点,得到第一二值图像。
其中,所述灰度阈值为-500,转换为白色的所述原始肺部图像中肺部以外组织的灰度大于所述灰度阈值。
在本实施例中,如图2所示,从CT图像中提取出的原始肺部图像之后,如图3所示,构造肺部以外组织过滤器,如:
i=500;
img[(img>=-i)]=255;
img[(img<-i)]=0.
并对肺部以外组织使用过滤器。如图4所示,图4为使用肺部以外组织过滤器后的图像。具体的,对提取出的原始肺部图像进行阈值转换,将阈值大于-500的肺部以外组织全部变为白色,将原始肺部图像中较暗的肺部组织与外界空气部分变为黑色,然后使用第一滤波器,去除阈值转换后图像中的黑色部分的白色杂点与白色部分的黑色杂点,得到第一二值图像。
肺部边界抽取模块203,用于利用边缘检测法,对所述第一二值图像进行修正和肺部边界抽取,得到第二二值图像;
具体的,具体用于利用边缘检测法,对所述第一二值图像进行修正,画出包括肺部区域与肺部以外组织,并将其转换为黑色,进一步进行肺部边界抽取,得到包含肺部区域的边界轮廓的第二二值图像。
在本实施例中,如图5所示,构造人体组织与外部环境过滤器。
需要说明的是,本实施例中的所述边缘检测法为:
ret,img2=cv2.threshold(img2,-95,70,cv2.THRESH_BINARY).
这里使用了threshold边缘检测法并将原图转换成(0,255)的二值图。
kernel=cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(15,15)).
这里是用getStructuringElement法构造第二滤波器,第二滤波器的形状采用椭圆形(MORPH_ELLIPSE)。
可以理解的是,使用第二滤波器对对象进行膨胀腐蚀(滤波),把小块变得更小,把大块变得更大。
img2=cv2.morphologyEx(img2,cv2.MORPH_OPEN,kernel).
加工后得到使用人体组织与外部环境过滤器后的图像,如图6所示。
肺部边界修补模块204,用于将所述第一二值图像和所述第二二值图像进行重合,并对重合后的图像进行肺部边界修补,进一步使用第二滤波器滤除杂点,得到目标肺部图像。
具体的,如图7-8所示,基于边界曲率进行修补的算法,对重合后的图像进行曲线平滑处理,去除肺部边界噪声,并进一步使用第二滤波器对肺部对象进行膨胀腐蚀,将图像中的边缘黑色与白色部分判定为无效,并滤除,得到目标肺部图像。
输出模块205,用于对所述目标肺部图像使用第三滤波器滤除杂点,得到精准肺部图像,并输出所述精准肺部图像,如图9所示。
其中,所述第一滤波器、所述第二滤波器和所述第三滤波器的规格分别为(25,25)、(15,15)和(5,5)。
滤波器示例:
本实施例提供的基于CT图像的肺分割装置,通过输入CT图像,并抽取原始肺部图像;根据设定的灰度阈值,对所述原始肺部图像进行阈值处理,并使用第一滤波器滤除杂点,得到第一二值图像;利用边缘检测法,对第一二值图像进行修正和肺部边界抽取,得到第二二值图像;将第一二值图像和第二二值图像进行重合,并对重合后的图像进行肺部边界修补,进一步使用第二滤波器滤除杂点,得到目标肺部图像;使用第三滤波器滤除杂点,得到精准肺部图像,并输出精准肺部图像。本实施例能够自动在CT图像上进行准确的肺分割,确保肺实质区域分割的完整性,避免由于肺区域的边缘缺失及区域的缺失而在后续诊断过程中造成漏诊的问题。
本发明的一个实施例还提供了一种基于CT图像的肺分割装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述的基于CT图像的肺分割方法。
本发明的一个实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于CT图像的肺分割方法。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和变形,这些改进和变形也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
Claims (10)
1.一种基于CT图像的肺分割方法,适于在计算机设备中执行,其特征在于,至少包括如下步骤:
输入CT图像,并从所述CT图像中抽取原始肺部图像;
根据设定的灰度阈值,对所述原始肺部图像进行阈值处理,并使用第一滤波器滤除杂点,得到第一二值图像;
利用边缘检测法,对所述第一二值图像进行修正和肺部边界抽取,得到第二二值图像;
将所述第一二值图像和所述第二二值图像进行重合,并对重合后的图像进行肺部边界修补,进一步使用第二滤波器滤除杂点,得到目标肺部图像;
对所述目标肺部图像使用第三滤波器滤除杂点,得到精准肺部图像,并输出所述精准肺部图像。
2.根据权利要求1所述的基于CT图像的肺分割方法,其特征在于,所述根据设定的灰度阈值,对所述原始肺部图像进行阈值处理,并使用第一滤波器滤除杂点,得到第一二值图像,具体为:
根据设定的灰度阈值,将所述原始肺部图像中肺部以外组织转换为白色,将肺部组织及空气转换为黑色,并使用第一滤波器滤除图像中的黑色部分的白色杂点和白色部分的黑色杂点,得到第一二值图像。
3.根据权利要求1所述的基于CT图像的肺分割方法,其特征在于,所述灰度阈值为-500,转换为白色的所述原始肺部图像中肺部以外组织的灰度大于所述灰度阈值。
4.根据权利要求1所述的基于CT图像的肺分割方法,其特征在于,所述利用边缘检测法,对所述第一二值图像进行修正和肺部边界抽取,得到第二二值图像,具体为:
利用边缘检测法,对所述第一二值图像进行修正,画出包括肺部区域与肺部以外组织,并将其转换为黑色,进一步进行肺部边界抽取,得到包含肺部区域的边界轮廓的第二二值图像。
5.根据权利要求1所述的基于CT图像的肺分割方法,其特征在于,所述对重合后的图像进行肺部边界修补,进一步使用第二滤波器滤除杂点,得到目标肺部图像,具体为:
基于边界曲率进行修补的算法,对重合后的图像进行曲线平滑处理,去除肺部边界噪声,并进一步使用第二滤波器对肺部对象进行膨胀腐蚀,将图像中的边缘黑色与白色部分判定为无效,并滤除,得到目标肺部图像。
6.根据权利要求1所述的基于CT图像的肺分割方法,其特征在于,所述第一滤波器、所述第二滤波器和所述第三滤波器的规格分别为(25,25)、(15,15)和(5,5)。
7.一种基于CT图像的肺分割装置,其特征在于,包括:
原始肺部图像抽取模块,用于输入CT图像,并从所述CT图像中抽取原始肺部图像;
阈值处理模块,用于根据设定的灰度阈值,对所述原始肺部图像进行阈值处理,并使用第一滤波器滤除杂点,得到第一二值图像;
肺部边界抽取模块,用于利用边缘检测法,对所述第一二值图像进行修正和肺部边界抽取,得到第二二值图像;
肺部边界修补模块,用于将所述第一二值图像和所述第二二值图像进行重合,并对重合后的图像进行肺部边界修补,进一步使用第二滤波器滤除杂点,得到目标肺部图像;
输出模块,用于对所述目标肺部图像使用第三滤波器滤除杂点,得到精准肺部图像,并输出所述精准肺部图像。
8.根据权利要求7所述的基于CT图像的肺分割装置,其特征在于,
所述阈值处理模块,具体用于根据设定的灰度阈值,将所述原始肺部图像中肺部以外组织转换为白色,将肺部组织及空气转换为黑色,并使用第一滤波器滤除图像中的黑色部分的白色杂点和白色部分的黑色杂点,得到第一二值图像;
肺部边界抽取模块,具体用于利用边缘检测法,对所述第一二值图像进行修正,画出包括肺部区域与肺部以外组织,并将其转换为黑色,进一步进行肺部边界抽取,得到包含肺部区域的边界轮廓的第二二值图像;
肺部边界修补模块,具体用于将所述第一二值图像和所述第二二值图像进行重合,并基于边界曲率进行修补的算法,对重合后的图像进行曲线平滑处理,去除肺部边界噪声,并进一步使用第二滤波器对肺部对象进行膨胀腐蚀,将图像中的边缘黑色与白色部分判定为无效,并滤除,得到目标肺部图像。
9.一种基于CT图像的肺分割装置,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的基于CT图像的肺分割方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6任一项所述的基于CT图像的肺分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810852164.5A CN109035272B (zh) | 2018-07-27 | 2018-07-27 | 基于ct图像的肺分割方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810852164.5A CN109035272B (zh) | 2018-07-27 | 2018-07-27 | 基于ct图像的肺分割方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109035272A true CN109035272A (zh) | 2018-12-18 |
CN109035272B CN109035272B (zh) | 2021-03-30 |
Family
ID=64646573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810852164.5A Active CN109035272B (zh) | 2018-07-27 | 2018-07-27 | 基于ct图像的肺分割方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035272B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110047065A (zh) * | 2019-03-28 | 2019-07-23 | 青岛大学附属医院 | 肾脏医学图像轮廓线提取系统及方法 |
CN112102275A (zh) * | 2020-09-09 | 2020-12-18 | 沈阳东软智能医疗科技研究院有限公司 | 肺主动脉血管图像提取方法、装置、存储介质及电子设备 |
CN115250939A (zh) * | 2022-06-14 | 2022-11-01 | 新瑞鹏宠物医疗集团有限公司 | 宠物食盒防误食方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101002682A (zh) * | 2007-01-19 | 2007-07-25 | 哈尔滨工程大学 | 用于身份识别的手背静脉特征提取和匹配方法 |
CN101699511A (zh) * | 2009-10-30 | 2010-04-28 | 深圳创维数字技术股份有限公司 | 彩色图像分割方法及系统 |
US20140294298A1 (en) * | 2013-03-26 | 2014-10-02 | Xerox Corporation | Method and system for inverse halftoning utilizing inverse projection of predicted errors |
CN104899851A (zh) * | 2014-03-03 | 2015-09-09 | 天津医科大学 | 一种分割肺结节图像的方法 |
CN107945177A (zh) * | 2017-12-15 | 2018-04-20 | 日照职业技术学院 | 一种用于机器人视觉系统检测判断物料的方法 |
-
2018
- 2018-07-27 CN CN201810852164.5A patent/CN109035272B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101002682A (zh) * | 2007-01-19 | 2007-07-25 | 哈尔滨工程大学 | 用于身份识别的手背静脉特征提取和匹配方法 |
CN101699511A (zh) * | 2009-10-30 | 2010-04-28 | 深圳创维数字技术股份有限公司 | 彩色图像分割方法及系统 |
US20140294298A1 (en) * | 2013-03-26 | 2014-10-02 | Xerox Corporation | Method and system for inverse halftoning utilizing inverse projection of predicted errors |
CN104899851A (zh) * | 2014-03-03 | 2015-09-09 | 天津医科大学 | 一种分割肺结节图像的方法 |
CN107945177A (zh) * | 2017-12-15 | 2018-04-20 | 日照职业技术学院 | 一种用于机器人视觉系统检测判断物料的方法 |
Non-Patent Citations (3)
Title |
---|
G.VIJAYA AND A.SUHASINI: "An Adaptive Preprocessing of Lung CT Images with Various Filters for Better Enhancement", 《ACADEMIC JOURNAL OF CANCER RESEARCH》 * |
常晨 等: "一种改进的Criminisi图像修复算法", 《计算机应用与软件》 * |
陈兆学 等: "一种基于CT图像的肺实质自动分割的简易方法", 《计算机应用与软件》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110047065A (zh) * | 2019-03-28 | 2019-07-23 | 青岛大学附属医院 | 肾脏医学图像轮廓线提取系统及方法 |
CN112102275A (zh) * | 2020-09-09 | 2020-12-18 | 沈阳东软智能医疗科技研究院有限公司 | 肺主动脉血管图像提取方法、装置、存储介质及电子设备 |
CN112102275B (zh) * | 2020-09-09 | 2023-08-08 | 东软熙康健康科技有限公司 | 肺主动脉血管图像提取方法、装置、存储介质及电子设备 |
CN115250939A (zh) * | 2022-06-14 | 2022-11-01 | 新瑞鹏宠物医疗集团有限公司 | 宠物食盒防误食方法、装置、电子设备及存储介质 |
CN115250939B (zh) * | 2022-06-14 | 2024-01-05 | 新瑞鹏宠物医疗集团有限公司 | 宠物食盒防误食方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109035272B (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104992445B (zh) | 一种ct图像肺实质的自动分割方法 | |
WO2022063199A1 (zh) | 一种肺结节自动检测方法、装置及计算机系统 | |
Jin et al. | Pulmonary nodule detection based on CT images using convolution neural network | |
Lim et al. | Automatic classification of diabetic macular edema in digital fundus images | |
CN107492088B (zh) | 一种妇科显微图像中白细胞自动识别与统计方法 | |
CN104299242B (zh) | 基于ngc‑acm的荧光造影眼底图像提取方法 | |
CN109035272A (zh) | 基于ct图像的肺分割方法、装置及计算机可读存储介质 | |
Song et al. | Segmentation, splitting, and classification of overlapping bacteria in microscope images for automatic bacterial vaginosis diagnosis | |
KR20170127950A (ko) | Ct 치아 영상의 자동 세그먼테이션 시스템 및 방법 | |
CN104268515A (zh) | 一种精子形态异常检测方法 | |
CN111986206A (zh) | 基于UNet网络的肺叶分割方法、装置及计算机可读存储介质 | |
CN107169975B (zh) | 超声图像的分析方法及装置 | |
CN110738637B (zh) | 一种乳腺癌病理切片的自动分类系统 | |
WO2012077130A1 (en) | Method and system to detect the microcalcifications in x-ray images using nonlinear energy operator. | |
Katre et al. | Detection of lung cancer stages using image processing and data classification techniques | |
Harangi et al. | Detection of exudates in fundus images using a Markovian segmentation model | |
CN112801992A (zh) | 基于3d残差网络的肺结节图像分类方法 | |
CN112489060A (zh) | 一种用于肺炎病灶分割的系统及方法 | |
CN110060246B (zh) | 一种图像处理方法、设备及存储介质 | |
CN115205588A (zh) | 基于人工智能的膀胱癌肌层浸润病理辅助诊断方法及装置 | |
CN105374025B (zh) | 乳房图像获取方法及装置、乳房摄影系统 | |
Jamil et al. | Adaptive thresholding technique for segmentation and juxtapleural nodules inclusion in lung segments | |
Kumar et al. | Neural Network Based Approach for Detection of Abnormal Regions of Lung Cancer in X-Ray Image | |
CN103815926B (zh) | 乳腺癌检测方法和装置 | |
CN104851103A (zh) | 基于sd-oct视网膜图像的脉络膜血管抽取方法 |
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 |