CN109350089A - 一种基于ct图像的甲状腺区域自动分割方法 - Google Patents
一种基于ct图像的甲状腺区域自动分割方法 Download PDFInfo
- Publication number
- CN109350089A CN109350089A CN201811251764.2A CN201811251764A CN109350089A CN 109350089 A CN109350089 A CN 109350089A CN 201811251764 A CN201811251764 A CN 201811251764A CN 109350089 A CN109350089 A CN 109350089A
- Authority
- CN
- China
- Prior art keywords
- image
- enhancing
- thyroid gland
- images
- tissue
- 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
- 210000001685 thyroid gland Anatomy 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000002708 enhancing effect Effects 0.000 claims abstract description 35
- 230000000849 parathyroid Effects 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 210000004204 blood vessel Anatomy 0.000 claims description 10
- 239000000193 iodinated contrast media Substances 0.000 claims description 10
- 239000002872 contrast media Substances 0.000 claims description 8
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 8
- 210000003462 vein Anatomy 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000010253 intravenous injection Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000000762 glandular Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000002059 diagnostic imaging Methods 0.000 abstract description 2
- 238000005192 partition Methods 0.000 abstract description 2
- 210000001519 tissue Anatomy 0.000 description 33
- 230000001575 pathological effect Effects 0.000 description 3
- 210000004872 soft tissue Anatomy 0.000 description 3
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 229910052740 iodine Inorganic materials 0.000 description 2
- 239000011630 iodine Substances 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000037182 bone density Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 150000002497 iodine compounds Chemical class 0.000 description 1
- 229920002521 macromolecule Polymers 0.000 description 1
- 230000007102 metabolic function Effects 0.000 description 1
- 230000001338 necrotic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009747 swallowing Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
- A61B6/5241—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT combining overlapping images of the same imaging modality, e.g. by stitching
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明属于医学影像领域，具体涉及一种CT图像分割方法。本发明中的一种基于CT图像的甲状腺区域自动分割方法，包括如下步骤：1.获取甲状腺增强前后横断位置图像及配准2.甲状腺组织模板的提取3.甲状腺组织分割。本发明的有益效果：该方法具有高速、精确等优点，可以满足甲状腺CT图像自动诊断的技术要求。
Description
技术领域
本发明属于医学影像领域，具体涉及一种CT图像分割方法。
背景技术
CT检查是甲状腺疾病诊断的重要方法之一。影像科医生通过CT扫描可以在横断面图像上发现甲状腺内部异常的密度，比如高密度的钙化，低密度的坏死区域或囊性病变，从而来判断甲状腺病变的性质。同时，为了得到更多的甲状腺内部信息和更好地区分与正常甲状腺密度相近的病变组织，往往采用甲状腺增强的方法，也就是病人需要静脉注射碘对比剂后进行多次CT扫描。由于病变组织和正常甲状腺组织对碘对比剂的代谢功能不同，在正常甲状腺和病变组织内的高分子碘化合物浓度就会不同，于是在CT图像上表现为不同的密度值，从而有利于肉眼观察。CT增强扫描可以得到平扫图像和增强图像，它们扫描参数相同，包括位置、层厚、层间距等。
随着近年来图像处理技术和人工智能的发展，甲状腺CT图像自动诊断机器人的研究也在不断地深入。其中重要关键技术之一就是甲状腺区域的自动分割。目前，在甲状腺图像处理前期研究中，一般都是采用影像科医生在横断位CT图像上手动勾画甲状腺边界，再通过阈值分割提取边界的方法。这种方法虽然提取的边界最为准确，但是效率极低，无法满足自动诊断的需求。
发明内容
为了解决现有技术存在的不足，本发明提供了一种效率高、适用于自动诊断需求的甲状腺区域自动分割方法。
本发明中的一种基于CT图像的甲状腺区域自动分割方法，包括如下步骤：
1. 获取甲状腺增强前后横断位置图像及配准：
增强前图像指平扫图像，是指静脉未注射碘对比剂扫描得到的横断位图像，颈部血管、甲状腺不含碘对比剂；
增强后图像是指静脉注射对比剂后扫描得到的横断位图像，颈动脉、静脉以及甲状腺区域密度增加，颈动脉内密度最大，肌肉组织密度增加不明显；
增强前后两次扫描参数必须一致，同一层面的增强前后两幅图像需要进行像素配准，使得两幅图像的像素位置一致，确保后续图像处理的准确性；
2. 甲状腺组织模板提取：
将配准后的增强前图像、增强后图像两幅图像剪影得到剪影后图像，增强前后组织密度值不变的区域剪影后背景变为0，增强前后组织密度值变化大的区域剪影后被保留下来；
将剪影后图像通过灰阶直方图分析血管和甲状腺组织区域的密度，甲状腺组织的密度值远小于血管内对比剂的密度，通过阈值参数处理的方法除去血管影像；
采用图像的腐蚀处理技术可以除去线样结构，腐蚀处理后的图像经过膨胀处理，把经过腐蚀、膨胀处理后得到图像进行二值化处理得到甲状腺组织区域模板；
3. 甲状腺组织分割：
利用甲状腺组织区域模板，与甲状腺平扫图像或增强后图像进行卷积计算，提取甲状腺组织CT影像，去除多余组织图像，最后得到甲状腺CT图像。
作为优选，步骤2中的阈值参数为直方图中最大值的70%。根据实际值进行动态调整，使用方便。
作为优选，步骤2中的函数参数为2~4个像素。
本发明的有益效果：该方法具有高速、精确等优点，可以满足甲状腺CT图像自动诊断的技术要求。
附图说明
图1为甲状腺CT平扫图像。
图2甲状腺增强CT图像。
图 3增强前后剪影所得图像。
图4二值甲状腺组织区域模板。
图5甲状腺组织CT图像。
图6为本发明流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明，但不应将此理解为本发明的上述主题的范围仅限于上述实施例。
如图6所示，一种基于CT图像的甲状腺区域自动分割方法，包括如下步骤：
1.获取甲状腺增强前后横断位置图像及配准：
增强前图像指平扫图像，也就是指静脉未注射碘对比剂扫描得到的横断位图像，如图1所示，颈部血管、甲状腺等组织不含碘对比剂，血管、甲状腺及软组织不含碘对比剂，正常甲状腺，组织密度略高于周边软组织，有明显边界；
增强后图像是指静脉注射对比剂后扫描得到的横断位图像；如图2所示，颈动脉、静脉以及甲状腺区域密度增加，颈动脉内密度最大，肌肉组织密度增加不明显；
在该步骤中，分别获取增强前、后两个序列的图像。增强前后两次扫描参数必须一致，特别是扫描范围、层厚、层间隔、辐射剂量等。在两次扫描过程中虽然扫描参数一致，但是患者可能由于颈部吞咽动作造成层面略有差异，所以，同一层面的增强前后两幅图像需要进行像素配准，使得两幅图像的像素位置一致，确保后续图像处理的准确性；
2. 甲状腺组织模板提取：
如图3所示，采用公式（1）将配准后的两幅图像剪影得到初步图像3，在图中可以看出：
增强前后组织密度值不变的区域剪影后背景变为0，如颈部肌肉组织和椎体；增强前后组织密度值变化大的区域剪影后被保留下来，如富含碘对比剂的血管和甲状腺组织；我们的目的是仅保留甲状腺组织，所以还要除去不需要的血管和剪影后剩余的边界；剪影后，富含碘对比剂的血管和甲状腺区域保留剩余影像，不含碘对比剂的组织由于增强前后密度值无明显变化，剪影后该区域像素值接近于背景；
(1)
式中为增强图像，为平扫图像，为剪影所得图像；
在图3的基础上，通过灰阶直方图分析血管和甲状腺组织区域的密度，血管内对比剂密度值通常超过200Hu，与椎体骨密度相当；而甲状腺组织的密度值远小于血管内对比剂的密度；阈值参数根据直方图特性自适应确定，如阈值T为最大密度值的70%；根据公式（2）对图3进行二值化处理得到图4；
(2)
式中为阈值处理后得到的图像，T为阈值；
从图4可以看出，经阈值处理后的图像还留有边界，都为线状结构，接着采用图像的腐蚀处理技术可以除去线样结构，同时，甲状腺区域也会受到腐蚀，边界相应变小。腐蚀的程度可以通过函数参数来控制，一般为2-4个像素。为了确保甲状腺边界的准确性，腐蚀后的还需要经过膨胀处理，膨胀选用的参数大小与腐蚀参数一致。把经过腐蚀、膨胀处理后得到图像进行二值化处理得到图像5，为甲状腺组织区域模板；
3. 甲状腺组织分割
在步骤2的基础上，利用甲状腺组织区域模板，与甲状腺平扫图像（或与增强后图像）通过公式（3）进行卷积计算，提取甲状腺组织CT影像，去除多余组织图像，最后得到甲状腺CT图像，如图6所示，仅剩甲状腺组织，其余背景如椎体、血管及软组织均被去除。
（3）。
Claims (3)
1.一种基于CT图像的甲状腺区域自动分割方法，包括如下步骤：
获取甲状腺增强前后横断位置图像及配准：
增强前图像指平扫图像，是指静脉未注射碘对比剂扫描得到的横断位图像，颈部血管、甲状腺不含碘对比剂；
增强后图像是指静脉注射对比剂后扫描得到的横断位图像，颈动脉、静脉以及甲状腺区域密度增加，颈动脉内密度最大，肌肉组织密度增加不明显；
增强前后两次扫描参数必须一致，同一层面的增强前后两幅图像需要进行像素配准，使得两幅图像的像素位置一致，确保后续图像处理的准确性；
甲状腺组织模板的提取：
将配准后的增强前图像、增强后图像两幅图像剪影得到剪影后图像，增强前后组织密度值不变的区域剪影后背景变为0，增强前后组织密度值变化大的区域剪影后被保留下来；
将剪影后图像通过灰阶直方图分析血管和甲状腺组织区域的密度，甲状腺组织的密度值远小于血管内对比剂的密度，通过阈值参数处理的方法除去血管影像；
采用图像的腐蚀处理技术可以除去线样结构，腐蚀处理后的图像经过膨胀处理，把经过腐蚀、膨胀处理后得到图像进行二值化处理得到甲状腺组织区域模板；
甲状腺组织分割：
利用甲状腺组织区域模板，与甲状腺平扫图像或增强后图像进行卷积计算，提取甲状腺组织CT影像，去除多余组织图像，最后得到甲状腺CT图像。
2.根据权利要求1所述的一种基于CT图像的甲状腺区域自动分割方法，其特征在于，步骤2中的阈值参数为直方图中最大值的70%。
3.根据权利要求1所述的一种基于CT图像的甲状腺区域自动分割方法，其特征在于，步骤2中的函数参数为2~4个像素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811251764.2A CN109350089B (zh) | 2018-10-25 | 2018-10-25 | 一种基于ct图像的甲状腺区域自动分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811251764.2A CN109350089B (zh) | 2018-10-25 | 2018-10-25 | 一种基于ct图像的甲状腺区域自动分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109350089A true CN109350089A (zh) | 2019-02-19 |
| CN109350089B CN109350089B (zh) | 2022-03-08 |
Family
ID=65346714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811251764.2A Active CN109350089B (zh) | 2018-10-25 | 2018-10-25 | 一种基于ct图像的甲状腺区域自动分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109350089B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111166387A (zh) * | 2020-01-22 | 2020-05-19 | 无锡祥生医疗科技股份有限公司 | 甲状腺的超声成像方法和装置 |
| CN114049282A (zh) * | 2022-01-07 | 2022-02-15 | 浙江大学 | 一种冠状动脉的构建方法、装置、终端及存储介质 |
| CN114155215A (zh) * | 2021-11-24 | 2022-03-08 | 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） | 一种基于mr图像的鼻咽癌识别及肿瘤分割方法及系统 |
| CN116152051A (zh) * | 2023-02-27 | 2023-05-23 | 上海福柯斯智能科技有限公司 | 一种x射线图像的分块配准图像剪影方法和装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030099388A1 (en) * | 2001-11-23 | 2003-05-29 | University Of Chicago | Novel subtraction technique for computerized detection of small lung nodules in computer tomography images |
| JP2005261440A (ja) * | 2004-02-19 | 2005-09-29 | Aze Ltd | 医療用画像の被造影領域抽出方法 |
| KR20090041351A (ko) * | 2007-10-23 | 2009-04-28 | (주)토탈소프트뱅크 | Ｃｔ 영상에서 간 영역 및 간 종양을 추출하는 방법 |
| CN104000619A (zh) * | 2014-06-16 | 2014-08-27 | 彭文献 | 一种甲状腺ct图像计算机辅助诊断系统及方法 |
| CN104143035A (zh) * | 2013-05-10 | 2014-11-12 | 上海联影医疗科技有限公司 | 一种分割乳腺病灶的方法 |
| CN104318567A (zh) * | 2014-10-24 | 2015-01-28 | 东北大学 | 一种基于医学影像分割肾脏血管房室的方法 |
| CN108537751A (zh) * | 2018-03-31 | 2018-09-14 | 华南理工大学 | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 |
-
2018
- 2018-10-25 CN CN201811251764.2A patent/CN109350089B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030099388A1 (en) * | 2001-11-23 | 2003-05-29 | University Of Chicago | Novel subtraction technique for computerized detection of small lung nodules in computer tomography images |
| JP2005261440A (ja) * | 2004-02-19 | 2005-09-29 | Aze Ltd | 医療用画像の被造影領域抽出方法 |
| KR20090041351A (ko) * | 2007-10-23 | 2009-04-28 | (주)토탈소프트뱅크 | Ｃｔ 영상에서 간 영역 및 간 종양을 추출하는 방법 |
| CN104143035A (zh) * | 2013-05-10 | 2014-11-12 | 上海联影医疗科技有限公司 | 一种分割乳腺病灶的方法 |
| CN104000619A (zh) * | 2014-06-16 | 2014-08-27 | 彭文献 | 一种甲状腺ct图像计算机辅助诊断系统及方法 |
| CN104318567A (zh) * | 2014-10-24 | 2015-01-28 | 东北大学 | 一种基于医学影像分割肾脏血管房室的方法 |
| CN108537751A (zh) * | 2018-03-31 | 2018-09-14 | 华南理工大学 | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| 彭文献: "CT图像甲状腺结节识别技术研究", 《中国优秀博硕士学位论文全文数据库(博士)医药卫生科技辑》 * |
| 顾乡: "非荧光造影图像的高血压病灶提取方法", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111166387A (zh) * | 2020-01-22 | 2020-05-19 | 无锡祥生医疗科技股份有限公司 | 甲状腺的超声成像方法和装置 |
| CN111166387B (zh) * | 2020-01-22 | 2022-09-30 | 无锡祥生医疗科技股份有限公司 | 甲状腺的超声成像方法和装置 |
| CN114155215A (zh) * | 2021-11-24 | 2022-03-08 | 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） | 一种基于mr图像的鼻咽癌识别及肿瘤分割方法及系统 |
| CN114155215B (zh) * | 2021-11-24 | 2023-11-10 | 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） | 一种基于mr图像的鼻咽癌识别及肿瘤分割方法及系统 |
| CN114049282A (zh) * | 2022-01-07 | 2022-02-15 | 浙江大学 | 一种冠状动脉的构建方法、装置、终端及存储介质 |
| CN116152051A (zh) * | 2023-02-27 | 2023-05-23 | 上海福柯斯智能科技有限公司 | 一种x射线图像的分块配准图像剪影方法和装置 |
| CN116152051B (zh) * | 2023-02-27 | 2023-12-01 | 上海福柯斯智能科技有限公司 | 一种x射线图像的分块配准图像剪影方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109350089B (zh) | 2022-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109350089A (zh) | 一种基于ct图像的甲状腺区域自动分割方法 | |
| JP3486615B2 (ja) | 医療用画像の領域抽出方法 | |
| US8675944B2 (en) | Method of registering image data | |
| EP1302163A2 (en) | Method and apparatus for calculating an index of local blood flows | |
| CN103606152B (zh) | 基于sift特征点聚类及布尔差运算的dsa血管图像分割方法 | |
| CN110298804A (zh) | 一种基于生成对抗网络和3d残差编码解码的医学图像降噪方法 | |
| CN109377481B (zh) | 图像质量评价方法、装置、计算机设备和存储介质 | |
| CN111340825A (zh) | 一种纵膈淋巴结分割模型的生成方法及系统 | |
| Fan et al. | Deep learning-based identification of spinal metastasis in lung cancer using spectral CT images | |
| JP2004222864A (ja) | 診断支援システム、診断支援方法及び診断支援プログラム | |
| Kiraly et al. | 3D human airway segmentation for virtual bronchoscopy | |
| Na'am | Edge detection on objects of medical image with enhancement multiple morphological gradient method | |
| Dalvi et al. | Multi-contrast MR for enhanced bone imaging and segmentation | |
| Al-Ashwal et al. | Digital processing for computed tomography images: brain tumor extraction and histogram analysis | |
| Duda et al. | Multi-image texture analysis in classification of prostatic tissues from MRI. Preliminary results | |
| JP2005261440A (ja) | 医療用画像の被造影領域抽出方法 | |
| JP2009050726A (ja) | 局所血流動態に関するインデックスを演算する方法及び装置 | |
| CN115810083A (zh) | 胰十二指肠动脉弓的ct影像处理方法及其应用 | |
| CN109345526A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
| Tajima et al. | Computer-aided detection (CAD) of hepatocellular carcinoma on multiphase CT images | |
| Ai et al. | Automatic segmentation and 3D reconstruction of human liver based on CT image | |
| CN103892848B (zh) | 乳腺x光图像的钙化点检测方法 | |
| Tsai et al. | Segmentation based oct image to h&e-like image conversion | |
| CN110246144A (zh) | 一种肺部ct图像的血管增强方法及系统 | |
| Zhang et al. | Segmentation of liver region with tumorous tissues |
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 |