CN109410166B - 用于肺实质ct图像的全自动分割方法 - Google Patents

用于肺实质ct图像的全自动分割方法 Download PDF

Info

Publication number
CN109410166B
CN109410166B CN201811004889.5A CN201811004889A CN109410166B CN 109410166 B CN109410166 B CN 109410166B CN 201811004889 A CN201811004889 A CN 201811004889A CN 109410166 B CN109410166 B CN 109410166B
Authority
CN
China
Prior art keywords
lung
image
morphological
region
parenchyma
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
CN201811004889.5A
Other languages
English (en)
Other versions
CN109410166A (zh
Inventor
戴亚康
杨婧
耿辰
戴斌
周志勇
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.)
Suzhou Institute of Biomedical Engineering and Technology of CAS
Original Assignee
Suzhou Institute of Biomedical Engineering and Technology of CAS
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 Suzhou Institute of Biomedical Engineering and Technology of CAS filed Critical Suzhou Institute of Biomedical Engineering and Technology of CAS
Priority to CN201811004889.5A priority Critical patent/CN109410166B/zh
Publication of CN109410166A publication Critical patent/CN109410166A/zh
Application granted granted Critical
Publication of CN109410166B publication Critical patent/CN109410166B/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
    • 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
    • G06T7/10—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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种用于肺实质CT图像的全自动分割方法，其特征在于，包括以下步骤：1)肺实质模板初步提取；2)左右肺全自动分离；3)纵膈面平滑；4)肋面平滑。本发明设计了一种用于肺实质CT图像的全自动分割方法，可实现肺部CT图像全自动精确分割，有助于辅助临床医生诊断肺部疾病，大大减少医生的工作量和操作时间，更快更准确地检查出肺部疾病。本发明在得到初步肺实质模板后，进行左右肺全自动分离、纵膈面平滑、肋面平滑的操作，保证了分割结果的准确性、完整性和鲁棒性，辅助临床医生诊断肺部疾病；本发明全部过程无需手工标定和设置参数，确保了肺实质CT图像分割方法的广泛性和普遍性。

Description

用于肺实质CT图像的全自动分割方法
技术领域
本发明涉及医学图像处理领域，特别涉及一种用于肺实质CT图像的全自动分割方法。
背景技术
随着计算机断层扫描(Computer Tomography,CT)技术和计算机图像处理技术的发展，计算机辅助诊断系统(Computer-Aided Diagnosis,CAD)为准确、快速、自动的分析和处理CT图像数据提供了新的手段，有助于提高医生诊断的敏感性和特异性。在针对肺部疾病的计算机辅助诊断的研究中，肺实质的分割可以排除CT图像中无关因素(如胸廓、心脏、检查床等)的影响、减少不必要的计算，分割的准确与否是影响肺部疾病的定量分析、肺结节的检测和肺功能评估的关键环节。
申请号为201310241384.1，名称为一种基于抛物线修正凸包的肺实质分割方法的专利，介绍了一种基于抛物线修正凸包的肺实质分割方法的实现步骤：粗提取肺实质轮廓图像、肺实质外轮廓修复、肺实质内部边缘修复，但其在初步获得肺实质轮廓图像后仅进行肺实质外轮廓和内部边缘修复，适用范围窄。申请号：201510426463.9，名称为一种CT图像肺实质的自动分割方法的专利，介绍一种CT图像肺实质的自动分割方法的实现步骤：预处理、选取目标种子点、获取初步肺实质掩膜、调整目标种子点和背景种子点位置、获取精确肺实质图像，但其也存在与上述专利相同的不足。申请号：201710712015.4，名称为一种基于聚类算法和卷积神经网络的肺实质提取方法的专利，介绍了一种基于聚类算法和卷积神经网络的肺实质提取方法的实现步骤：预处理、建立卷积神经网络、得到CT图像肺实质图像区域。但该专利仅实现CT图像中肺实质区域提取，未涉及对CT图像中肺实质区域精确分割。申请号：201710039672.7，名称为基于广度优先搜索的CT图像肺实质模板气管消除方法的专利，介绍了基于广度优先搜索的CT图像肺实质模板气管消除方法的实现步骤。但该专利仅实现CT图像中肺实质模板气管消除，未涉及肺实质模板气管消除、后续的边界修复，难以实现肺实质CT图像的完备精确分割。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种用于肺实质CT图像的全自动分割方法。
为解决上述技术问题，本发明采用的技术方案是：一种用于肺实质CT图像的全自动分割方法，包括以下步骤：
1)肺实质模板初步提取：先对胸部CT图像进行二值化处理，去除胸腔外图像后，在肺实质图像中自动选择种子点，使用区域生长、气管剔除和空洞填充方法初步提取出肺实质图像部分，得到初步肺实质模板图像A；
2)左右肺全自动分离：运用动态规划技术，对初步肺实质模板图像依次进行形态学腐蚀和有条件的膨胀迭代处理；
3)纵膈面平滑：对左右肺分离后的肺实质模板图像进行修复，包括使用形态学闭操作填补大肺气管造成的边界缺口，结合形态学腐蚀、连通区域标记和形态学膨胀去除肺边界附近小气管引起的小凸起，运用形态学腐蚀、连通区域标记、形态学膨胀和图像差值去除左右主支气管进入肺引起的边界大凸起；
4)肋面平滑：包含感兴趣区域提取、角点检测、凸包获取。
优选的是，所述步骤1)中，肺实质模板初步提取根据图像CT值自动判定胸腔外图像并进行去除，以避免因病人CT检查姿势不对导致胸腔外图像(脖子、头颅)包含进胸部CT图像而影响后续肺实质图像的分割结果。
优选的是，所述步骤1)中，使用连通区域标记法对整个CT图像序列逐层去除像素个数大于气管像素总数阈值的区域，以实现气管剔除。
优选的是，所述步骤2)中，运用动态规划技术对左右肺进行全自动分离，每层切片的搜索区域在肺实质中有且只有一个的连通区域组件上。
优选的是，所述步骤2)中，形态学腐蚀处理具体包括：对初步肺实质模板图像A使用n重腐蚀分离左肺和右肺得到新图像S，即：
S＝AΘnB4
其中，Θ是形态学腐蚀操作，B4是四连通结构元素，n的选择条件是能使A和S有不同连通组件的最小值；其中，考虑到该操作会将左右支气管进入肺引起的边界凸起分离出来，导致左肺和右肺并未分离但A和S已有不同连通组件个数，因此在每一次腐蚀操作后移除掉S中连通区域面积小于左右肺全自动分离腐蚀阈值的对象，并更新S值。
优选的是，所述步骤2)中，形态学腐蚀处理后进行有条件的膨胀迭代以进一步修复边界，其中，第i+1步有条件的膨胀结果为：
Figure GDA0003683850900000031
其中，
Figure GDA0003683850900000032
是形态学膨胀操作，B4是四连通结构元素，A是初步肺实质模板图像，C0＝S，不停地迭代并保证Ci和Ci+1连通区域组件数量一致。
优选的是，所述步骤3)中，对得到的肺实质模板图像纵膈面首先使用形态学腐蚀操作，接下来利用连通区域标记法确定最大的组件，最后使用形态学膨胀操作，以去除肺边界附近小气管引起的小凸起。
优选的是，所述步骤3)中，去除左右主支气管进入肺引起的边界大凸起的步骤包括：首先对由形态学膨胀得到的图像进行形态学腐蚀操作，再使用连通区域标记法确定最大的组件，对其做膨胀处理后与未进行大凸起去除的纵膈面图像相减得到差值图，差值图既包含纵膈面凸起的部分，还包含纵膈面边缘细节；再使用连通区域标记法，移除差值图中像素个数小于纵膈面边缘细节阈值的区域，只留下纵膈面凸起的部分，最后将其与纵膈面数据做减法，实现纵膈面平滑。
优选的是，所述步骤4)中，肋面平滑操作并不是针对整个肺实质模板图像，其首先提取的感兴趣区域范围满足：wa<w<wb，其中，w是CT图像每张切片中肺实质模板图像宽度，wa是感兴趣区域左侧阈值，wb是感兴趣区域右侧阈值。
优选的是，所述步骤4)中，感兴趣区域提取后，在某些特定情况下，感兴趣区域会包含纵膈面图像。考虑到纵膈面附近也存在角点，因此先排除纵膈面附近的角点，只保留肋面上的角点，再进行肋面缺口的角点检测；角点检测后，连接肋面缺口处的角点，填补肋面的缺口以获取凸包，然后将凸包图像和纵膈面平滑后的图像叠加，得到肺实质图像精确分割的模板，最后与原始CT图像进行逻辑与操作，获得肺实质CT图像。
本发明的有益效果是：
本发明设计了一种用于肺实质CT图像的全自动分割方法，可实现肺部CT图像全自动精确分割，有助于辅助临床医生诊断肺部疾病，大大减少医生的工作量和操作时间，更快更准确地检查出肺部疾病；
本发明的全自动分割方法，在肺实质模板初步提取过程中考虑到因病人CT检查姿势不对导致胸腔外图像包含进胸部CT图像的情况，去除了胸腔外图像后，仅保留胸腔内CT图像；
本发明的全自动分割方法，在提取肺实质初步模板后，全自动分离开粘连着的左肺和右肺，避免了后续因左肺和右肺粘连导致纵膈面边缘无法修复的状况；
本发明的全自动分割方法，针对肺实质纵膈面修复过程中可出现的大肺气管造成边界缺口、左右主支气管进入肺引起边界大凸起、肺边界附近小气管引起边界小凸起的三种情况，分别进行了边缘平滑处理；
本发明的全自动分割方法，肋面平滑操作针对性地在肋面感兴趣区域实施，避免了重复工作，减少了计算量，提高了运算效率；
本发明的全自动分割方法，在得到初步肺实质模板后，进行左右肺全自动分离、纵膈面平滑、肋面平滑的操作，保证了分割结果的准确性、完整性和鲁棒性，辅助临床医生诊断肺部疾病；
本发明的全自动分割方法，全部过程无需手工标定和设置参数，确保了肺实质CT图像分割方法的广泛性和普遍性。
附图说明
图1为本发明的用于肺实质CT图像的全自动分割方法的流程示意图；
图2为本发明的一种实施例中的左右肺全自动分离的过程示意图；
图3为本发明的一种实施例中的大肺气管造成的边界缺口填补前后的对比示意图；
图4为本发明的一种实施例中的肺边界附近小气管引起的边界小凸起平滑前后的对比示意图；
图5为本发明的一种实施例中的平滑左右主支气管进入肺引起的边界大凸起的整个过程的示意图；
图6为本发明的一种实施例中的肋面平滑的整个过程的示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
如图1所示，本实施例的一种用于肺实质CT图像的全自动分割方法，包括以下步骤：
步骤S1，肺实质模板初步提取。
本步骤对原始CT图像提取初步的肺实质模板，主要包括二值化处理、胸腔外图像去除、区域生长、气管剔除、空洞填充。具体如下：
(1)二值化处理：仅保留原始CT图像中-1000HU—+1000HU范围的图像，再选择合适的阈值进行二值化处理，本实施例中令阈值为-500HU。
(2)胸腔外图像去除：为避免胸腔外图像(脖子、头颅)包含进胸部CT图像而导致后续肺实质分割有误，原始CT图像二值化处理后，在胸腔外图像中自动选取种子点，区域生长后获得胸腔外图像，将其从CT图像中去除。
(3)区域生长：在肺实质图像中自动选取种子点进行区域生长，区域生长后的图像仅包含肺实质和气管。
(4)气管剔除：使用连通区域标记法，对整个CT图像序列逐层去除像素个数大于气管像素总数阈值的区域，本实施例中令气管像素总数阈值为5000。
(5)空洞填充：对剔除气管后的图像填补内部空洞，得到初步肺实质模板。
步骤S2，左右肺全自动分离。
本步骤对初步肺实质模板粘连着的左肺和右肺进行全自动分离，运用动态规划技术，每层切片的搜索区域在仅包含一个的大连通区域组件，主要包括形态学腐蚀和有条件的膨胀迭代。具体如下：
(1)形态学腐蚀：A代表步骤S1得到的初步肺实质模板图像，使用n重腐蚀分离粘连着的左肺和右肺，得到的新图像S定义为：
S＝AΘnB4
其中，Θ是形态学腐蚀操作，B4是四连通结构元素，n的选择条件是能使A和S有不同连通组件的最小值。考虑到该操作会将左右支气管进入肺引起的边界凸起分离出来，导致左右肺并未分离但A和S已有不同连通组件个数，因此在每一次腐蚀操作后移除掉S中连通区域面积小于左右肺全自动分离腐蚀阈值的对象，并更新S值，本实施例中令左右肺全自动分离腐蚀阈值为10000。
(2)有条件的膨胀迭代：第i+1步有条件的膨胀结果为：
Figure GDA0003683850900000061
其中，
Figure GDA0003683850900000062
是形态学膨胀操作，A代表步骤S1得到的初步肺实质模板图像，B4是四连通结构元素，C0＝S，不停地迭代并保证Ci和Ci+1连通区域组件数量一致。图2(a)示出了左右肺粘连的图像，图2(b)示出了形态学腐蚀后的图像，图2(c)示出了有条件的膨胀迭代后的图像。
步骤S3，纵膈面平滑。
本步骤针对肺实质模板纵膈面，目前得到的肺实质模板纵膈面往往存在缺口或凸起，应对可能出现的三种情况：大肺气管造成的边界缺口、肺边界附近小气管引起的边界小凸起、左右主支气管进入肺引起的边界大凸起，分别进行平滑处理。具体如下：
(1)大肺气管造成的边界缺口：使用形态学闭操作填补大肺气管造成的边界缺口。图3(a)示出了平滑大肺气管造成的边界缺口前的图像，图3(b)示出了平滑大肺气管造成的边界缺口后的图像。
(2)肺边界附近小气管引起的边界小凸起：形态学腐蚀操作后，利用连通区域标记法确定最大组件，对其使用形态学膨胀操作，以去除肺边界附近小气管引起的小凸起。图4(a)示出了平滑肺边界附近小气管引起的边界小凸起前的图像，图4(b)示出了平滑肺边界附近小气管引起的边界小凸起后的图像。
(3)左右主支气管进入肺引起的边界大凸起：形态学腐蚀操作后，使用连通区域标记法确定最大组件，对其做膨胀处理后与未进行大凸起去除的纵膈面图像相减得到差值图。差值图既包含纵膈面凸起的部分，还包含纵膈面边缘细节。使用连通区域标记法，移除得到差值图中像素个数小于纵膈面边缘细节阈值的区域，本实施例中令纵膈面边缘细节阈值为300，只留下纵膈面凸起的部分。最后将其与纵膈面数据取差值，可实现纵膈面平滑。以右肺为例，图5(a)—图5(g)示出了平滑左右主支气管进入肺引起的边界大凸起整个过程。
步骤S4，肋面平滑。
本步骤对肺实质模板肋面进行平滑处理，主要包括感兴趣区域提取、角点检测和凸包获取。具体如下：
(1)感兴趣区域提取：提取的感兴趣区域并不是整个肺实质模板图像，范围仅在wa<w<wb，w对应CT图像每张切片中肺实质模板图像宽度，wa是感兴趣区域左侧阈值，wb是感兴趣区域右侧阈值，本实施例中令wa＝0.2*w,wb＝0.8*w。
(2)角点检测：考虑到在特定切片中感兴趣区域会包含纵膈面图像，而纵膈面附近也存在角点，因此先排除纵膈面附近的角点，只保留肋面上的角点，再进行肋面缺口的角点检测。
(3)凸包获取：连接肋面缺口处的角点，填补肋面的缺口以获取凸包。将凸包图像和步骤S3纵膈面平滑后图像叠加，得到肺实质图像精确分割的模板，最后与原始CT图像进行逻辑与操作，获得肺实质CT图像。图6(a)—图6(f)示出了肋面平滑的整个过程。
分割结果评价：
以ISBI2016竞赛LUng Nodule Analysis(后面简称为LUNA)16提供的胸部CT图像作为数据集，以LUNA16提供的肺实质模板剔除气管后的图像作为评价标准，利用Dice系数和Jaccard相似度作为评价准则。
通过对随机选取的120例数据样本的分割结果进行统计，利用本发明进行分割的平均Dice系数为96.36％，Jaccard相似度为93.02％。
本发明实施例所用计算机的软硬条件是：Intel(R)Core(TM)i3-4150CPU@3.5GHz，显卡为NVIDIA GeForce GT 630,内存为12.0GB，操作系统为Windows 7，软件编程语言使用Microsoft Visual Studio 2015。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。

Claims (4)

1.一种用于肺实质CT图像的全自动分割方法，其特征在于，包括以下步骤：
1)肺实质模板初步提取：先对胸部CT图像进行二值化处理，去除胸腔外图像后，在肺实质图像中自动选择种子点，使用区域生长、气管剔除和空洞填充方法初步提取出肺实质图像部分，得到初步肺实质模板图像A；
2)左右肺全自动分离：运用动态规划技术，对初步肺实质模板图像依次进行形态学腐蚀和有条件的膨胀迭代处理；
3)纵膈面平滑：对左右肺分离后的肺实质模板图像进行修复，包括使用形态学闭操作填补大肺气管造成的边界缺口，结合形态学腐蚀、连通区域标记和形态学膨胀去除肺边界附近小气管引起的小凸起，运用形态学腐蚀、连通区域标记、形态学膨胀和图像差值去除左右主支气管进入肺引起的边界大凸起；
4)肋面平滑：包含感兴趣区域提取、角点检测、凸包获取；
所述步骤2)中，形态学腐蚀处理具体包括：对初步肺实质模板图像A使用n重腐蚀分离左肺和右肺得到新图像S，即：
S＝AΘnB4
其中，Θ是形态学腐蚀操作，B4是四连通结构元素，n的选择条件是能使A和S有不同连通组件的最小值；其中，在每一次腐蚀操作后移除掉S中连通区域面积小于左右肺全自动分离腐蚀阈值的对象，并更新S值；
所述步骤2)中，形态学腐蚀处理后进行有条件的膨胀迭代以进一步修复边界，其中，第i+1步有条件的膨胀结果为：
Figure FDA0003683850890000011
其中，
Figure FDA0003683850890000012
是形态学膨胀操作，B4是四连通结构元素，A是初步肺实质模板图像，C0＝S，不停地迭代并保证Ci和Ci+1连通区域组件数量一致；
所述步骤3)中，对得到的肺实质模板图像纵膈面首先使用形态学腐蚀操作，接下来利用连通区域标记法确定最大的组件，最后使用形态学膨胀操作，以去除肺边界附近小气管引起的小凸起；
所述步骤3)中，去除左右主支气管进入肺引起的边界大凸起的步骤包括：首先对由形态学膨胀操作后得到的图像进行形态学腐蚀操作，再使用连通区域标记法确定最大的组件，对其做膨胀处理后与未进行大凸起去除的纵膈面图像相减得到差值图，差值图既包含纵膈面凸起的部分，还包含纵膈面边缘细节；再使用连通区域标记法，移除差值图中像素个数小于纵膈面边缘细节阈值的区域，只留下纵膈面凸起的部分，最后将其与纵膈面数据做减法，实现纵膈面平滑；
所述步骤4)中，肋面平滑操作并不是针对整个肺实质模板图像，其首先提取的感兴趣区域范围满足：wa<w<wb，其中，w是CT图像每张切片中肺实质模板图像宽度，wa是感兴趣区域左侧阈值，wb是感兴趣区域右侧阈值；
所述步骤4)中，感兴趣区域提取后，先排除纵膈面附近的角点，只保留肋面上的角点，再进行肋面缺口的角点检测；角点检测后，连接肋面缺口处的角点，填补肋面的缺口以获取凸包，然后将凸包图像和纵膈面平滑后的图像叠加，得到肺实质图像精确分割的模板，最后与原始CT图像进行逻辑与操作，获得肺实质CT图像。
2.根据权利要求1所述的用于肺实质CT图像的全自动分割方法，其特征在于，所述步骤1)中，肺实质模板初步提取根据图像CT值自动判定胸腔外图像并进行去除，以避免因病人CT检查姿势不对导致胸腔外图像包含进胸部CT图像而影响后续肺实质图像的分割结果。
3.根据权利要求1所述的用于肺实质CT图像的全自动分割方法，其特征在于，所述步骤1)中，使用连通区域标记法对整个CT图像序列逐层去除像素个数大于气管像素总数阈值的区域，以实现气管剔除。
4.根据权利要求1所述的用于肺实质CT图像的全自动分割方法，其特征在于，所述步骤2)中，运用动态规划技术对左右肺进行全自动分离，每层切片的搜索区域在肺实质中有且只有一个的连通区域组件上。
CN201811004889.5A 2018-08-30 2018-08-30 用于肺实质ct图像的全自动分割方法 Active CN109410166B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811004889.5A CN109410166B (zh) 2018-08-30 2018-08-30 用于肺实质ct图像的全自动分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811004889.5A CN109410166B (zh) 2018-08-30 2018-08-30 用于肺实质ct图像的全自动分割方法

Publications (2)

Publication Number Publication Date
CN109410166A CN109410166A (zh) 2019-03-01
CN109410166B true CN109410166B (zh) 2022-09-09

Family

ID=65463752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811004889.5A Active CN109410166B (zh) 2018-08-30 2018-08-30 用于肺实质ct图像的全自动分割方法

Country Status (1)

Country Link
CN (1) CN109410166B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009645B (zh) * 2019-04-11 2023-06-23 东北大学 一种肝癌病灶影像的双层轮廓分割方法
CN110473207B (zh) * 2019-07-30 2022-05-10 赛诺威盛科技(北京)股份有限公司 一种交互式分割肺叶的方法
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
CN111145185B (zh) * 2019-12-17 2023-12-22 天津市肿瘤医院 一种基于聚类关键帧提取ct图像的肺实质分割方法
CN111080556B (zh) * 2019-12-23 2023-06-13 山东师范大学 一种强化ct图像气管壁增强方法、系统、设备及介质
CN113706548B (zh) * 2020-05-09 2023-08-22 北京康兴顺达科贸有限公司 基于ct影像对胸部前纵隔病灶自动分割的方法
CN113706492A (zh) * 2021-08-20 2021-11-26 复旦大学 一种基于胸部ct影像的肺实质自动分割方法
CN116681879B (zh) * 2023-08-03 2023-10-31 中国空气动力研究与发展中心高速空气动力研究所 一种光学图像边界层转捩位置的智能判读方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760874A (zh) * 2016-03-08 2016-07-13 中国科学院苏州生物医学工程技术研究所 面向尘肺的ct图像处理系统及其ct图像处理方法
CN107230204A (zh) * 2017-05-24 2017-10-03 东北大学 一种从胸部ct图像中提取肺叶的方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760874A (zh) * 2016-03-08 2016-07-13 中国科学院苏州生物医学工程技术研究所 面向尘肺的ct图像处理系统及其ct图像处理方法
CN107230204A (zh) * 2017-05-24 2017-10-03 东北大学 一种从胸部ct图像中提取肺叶的方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于肺部CT序列图像的肺实质三维分割";任彦华;《中国医学物理学杂志》;20100531;第27卷(第3期) *
"改进向量法肺实质修补";林红利;《中国科技论文在线》;20160531 *

Also Published As

Publication number Publication date
CN109410166A (zh) 2019-03-01

Similar Documents

Publication Publication Date Title
CN109410166B (zh) 用于肺实质ct图像的全自动分割方法
Doel et al. Review of automatic pulmonary lobe segmentation methods from CT
Pulagam et al. Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases
Xiao et al. Pulmonary fissure detection in CT images using a derivative of stick filter
JP2006198410A (ja) 心臓の３ｄ画像データセットにおける左心室の位置および向きの自動決定方法
CN108615239B (zh) 基于阈值技术和灰度投影的舌图像分割方法
Lassen et al. Lung and lung lobe segmentation methods at Fraunhofer MEVIS
JP2007061607A (ja) 第１のオブジェクト及び１つ以上の他のオブジェクトを含む画像を処理するための方法及び画像データからの画像を処理するためのシステム
CN111145185B (zh) 一种基于聚类关键帧提取ct图像的肺实质分割方法
Bian et al. Small airway segmentation in thoracic computed tomography scans: A machine learning approach
Iwao et al. Integrated lung field segmentation of injured region with anatomical structure analysis by failure–recovery algorithm from chest CT images
Gao et al. Accurate lung segmentation for X-ray CT images
CN111145226B (zh) 基于ct影像的三维肺部特征提取方法
Weinheimer et al. Automatic lung segmentation in MDCT images
Peng et al. Pulmonary lobe segmentation in CT images based on lung anatomy knowledge
CN104933723A (zh) 基于稀疏表示的舌图像分割方法
Jamil et al. Adaptive thresholding technique for segmentation and juxtapleural nodules inclusion in lung segments
KR101474162B1 (ko) 흉부 컴퓨터 단층 영상의 간유리음영 결절 자동 분할 시스템 및 그 분할 방법
CN108629780B (zh) 基于颜色分解和阈值技术的舌图像分割方法
Chen et al. Research on computer-aided diagnosis of lung nodule
US11049241B2 (en) Qualification method of lung vessel based on lobe
Xiao et al. A derivative of stick filter for pulmonary fissure detection in CT images
Tsukada et al. Extraction of cell nuclei using cnn features
CN114764810A (zh) 一种医学图像分割方法
US20210390707A1 (en) Predicting correctness of algorithmic segmentation

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