CN109509179A - 基于医学图像的眼球和晶状体的自动分割方法及系统 - Google Patents
基于医学图像的眼球和晶状体的自动分割方法及系统 Download PDFInfo
- Publication number
- CN109509179A CN109509179A CN201811243643.3A CN201811243643A CN109509179A CN 109509179 A CN109509179 A CN 109509179A CN 201811243643 A CN201811243643 A CN 201811243643A CN 109509179 A CN109509179 A CN 109509179A
- Authority
- CN
- China
- Prior art keywords
- image
- eyes
- interest
- segmentation result
- crystal
- 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
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
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
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)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明适用于计算机医学辅助诊疗技术领域,提供了一种基于医学图像的眼球和晶状体的自动分割方法,包括步骤:自动获取CT图像中的眼睛感兴趣区域并在深度学习网络中分割眼睛,得到眼睛分割结果;根据所述眼睛分割结果获取晶体感兴趣区域并分割晶体;根据所述眼睛分割结果获取视神经感兴趣区域并分割视神经。还提供了一种基于医学图像的眼球和晶状体的自动分割系统。借此,本发明能够解决繁琐人工操作与分割准确度之间的矛盾,并提高眼睛、视神经、晶体分割的准确度。
Description
技术领域
本发明涉及计算机医学辅助诊疗技术领域,尤其涉及一种基于医学图像的眼球和晶状体的自动分割方法及系统。
背景技术
鼻咽癌是指发生于鼻咽腔顶部和侧壁的恶性肿瘤。是我国高发恶性肿瘤之一,发病率为耳鼻咽喉恶性肿瘤之首。鼻咽癌大多对放射治疗具有中度敏感性,放射治疗是鼻咽癌的首选治疗方法。在实际治疗过程中,无论是调强适形放射治疗还是三维适形放射治疗都需要利用放射治疗计划系统模拟治疗,以便医生制定计划。现在正在使用的各版本放射治疗计划系统主要依靠CT(Computed Tomography,计算机断层扫描)图像进行计算。
放射治疗中很重要的一点就是保证肿瘤周边危及器官的照射剂量不能过高,以免造成正常组织的损伤。否则轻则影响病人日后正常生活,严重的甚至会导致病人死亡。眼睛、晶体、视神经都是人体的重要组织,在人的日常生活中起着至关重要的作用,必须严格控制它们的放射剂量。因此,在放射治疗过程中,必须提前对这些组织做准确的分割,以便医生制定放疗计划。
在过去,这些危及器官都采用医生手动分割的方式进行分割。这种方式既效率低下,又因医生水平的不同而导致准确度参差不齐。近些年,随着深度学习的发展,越来越多的人开始尝试使用深度学习的方式分割危及器官。但鼻咽癌放疗中,医生诊断时使用的是一整幅头颈部CT图像。眼睛、视神经、晶体等小组织相对图像过小,直接使用整幅图像进行分割会导致过多误分割,选择感兴趣区域又需要人手工选取过于繁琐。
综上可知,现有的方法在实际使用上,显然存在不便与缺陷,所以有必要加以改进。
发明内容
针对上述的缺陷,本发明的目的在于提供一种基于医学图像的眼球和晶状体的自动分割方法,能够解决繁琐人工操作与分割准确度之间的矛盾,并提高眼睛、视神经、晶体分割的准确度。
为了实现上述目的,本发明提供一种基于医学图像的眼球和晶状体的自动分割方法,包括步骤:
自动获取CT图像中的眼睛感兴趣区域并在深度学习网络中分割眼睛,得到眼睛分割结果;
根据所述眼睛分割结果获取晶体感兴趣区域并分割晶体;
根据所述眼睛分割结果获取视神经感兴趣区域并分割视神经。
根据所述的基于医学图像的眼球和晶状体的自动分割方法,所述自动获取CT图像中的眼睛感兴趣区域并在深度学习网络中分割眼睛,得到眼睛分割结果的步骤进一步包括:
利用阈值分割获取身体边界;
获取所述身体边界的前向最小值曲线;
根据所述前向最小值曲线和人体生理构造,获取鼻尖位置;
根据所述鼻尖位置和眼睛物理大小,结合所述CT图像的像素间隔获取所述眼睛感兴趣区域;
将所述眼睛感兴趣区域内的像素做灰度值映射,得到第一图像并保存所述第一图像在所述CT图像中对应的第一位置;
将所述第一图像输入至预制的第一深度学习网络中,分割得出所述眼睛分割结果;
对所述眼睛分割结果的周边2像素的点做限定边界的区域生长;
根据所述第一位置,将做区域生长后的所述眼睛分割结果恢复至原始图像大小并结合到所述CT图像中。
根据所述的基于医学图像的眼球和晶状体的自动分割方法,所述根据所述眼睛分割结果获取晶体感兴趣区域并分割晶体的步骤进一步包括:
根据晶体位于人体眼球内的生理构造,在所述眼睛分割结果的原始图像中提取出晶体感兴趣区域;
将所述晶体感兴趣区域内的像素做灰度值映射,得到第二图像并保存所述第二图像在所述CT图像中对应的第二位置;
将所述第二图像输入至预制的第二深度学习网络中,分割得出所述晶体分割结果;
对所述晶体分割结果做闭运算;
根据所述第二位置,将所述晶体分割结果恢复至原始图像大小并结合到所述CT图像中。
根据所述的基于医学图像的眼球和晶状体的自动分割方法,所述根据所述眼睛分割结果获取视神经感兴趣区域并分割视神经的步骤进一步包括:
根据视神经位于人体眼球内的生理构造,结合所述CT图像的像素间隔获得视神经感兴趣区域;
将所述视神经感兴趣区域内的像素做灰度值映射,得到第三图像并保存所述第三图像在所述CT图像中对应的第三位置;
将所述第三图像输入至预制的第三深度学习网络中,分割得出所述视神经分割结果;
减去所述视神经分割结果与所述眼睛分割结果相重叠的区域;
根据所述第三位置,将所述视神经分割结果恢复至原始图像大小并结合到所述CT图像中。
还提供了一种基于医学图像的眼球和晶状体的自动分割系统,包括有:
眼睛分割模块,用于自动获取CT图像中的眼睛感兴趣区域并在深度学习网络中分割眼睛,得到眼睛分割结果;
晶体分割模块,用于根据所述眼睛分割结果获取晶体感兴趣区域并分割晶体;
视神经分割模块,用于根据所述眼睛分割结果获取视神经感兴趣区域并分割视神经。
根据所述的基于医学图像的眼球和晶状体的自动分割系统,所述眼睛分割模块进一步包括有:
身体边界获取子模块,用于利用阈值分割获取身体边界;
前向最小值曲线获取子模块,用于获取所述身体边界的前向最小值曲线;
鼻尖位置获取子模块,用于根据所述前向最小值曲线和人体生理构造,获取鼻尖位置;
眼睛感兴趣区域获取子模块,用于根据所述鼻尖位置和眼睛物理大小,结合所述CT图像的像素间隔获取所述眼睛感兴趣区域;
第一图像处理子模块,用于将所述眼睛感兴趣区域内的像素做灰度值映射,得到第一图像并保存所述第一图像在所述CT图像中对应的第一位置;
第一分割子模块,用于将所述第一图像输入至预制的第一深度学习网络中,分割得出所述眼睛分割结果;
第一后处理子模块,用于对所述眼睛分割结果的周边2像素的点做限定边界的区域生长;
第一原始图像恢复子模块,用于根据所述第一位置,将做区域生长后的所述眼睛分割结果恢复至原始图像大小并结合到所述CT图像中。
根据所述的基于医学图像的眼球和晶状体的自动分割系统,所述晶体分割模块进一步包括有:
晶体感兴趣区域提取子模块,用于根据晶体位于人体眼球内的生理构造,在所述眼睛分割结果的原始图像中提取出晶体感兴趣区域;
第二图像处理子模块,用于将所述晶体感兴趣区域内的像素做灰度值映射,得到第二图像并保存所述第二图像在所述CT图像中对应的第二位置;
第二分割子模块,用于将所述第二图像输入至预制的第二深度学习网络中,分割得出所述晶体分割结果;
第二后处理子模块,用于对所述晶体分割结果做闭运算;
第二原始图像恢复子模块,用于根据所述第二位置,将所述晶体分割结果恢复至原始图像大小并结合到所述CT图像中。
根据所述的基于医学图像的眼球和晶状体的自动分割系统,所述视神经分割模块进一步包括有:
视神经感兴趣区域获取子模块,用于根据视神经位于人体眼球内的生理构造,结合所述CT图像的像素间隔获取视神经感兴趣区域;
第三图像处理子模块,用于将所述视神经感兴趣区域内的像素做灰度值映射,得到第三图像并保存所述第三图像在所述CT图像中对应的第三位置;
第三分割子模块,用于将所述第三图像输入至预制的第三深度学习网络中,分割得出所述视神经分割结果;
第三后处理子模块,用于减去所述视神经分割结果与所述眼睛分割结果相重叠的区域;
第三原始图像恢复子模块,用于根据所述第三位置,将所述视神经分割结果恢复至原始图像大小并结合到所述CT图像中。
本发明所述的基于医学图像的眼球和晶状体的自动分割方法,包括步骤:自动获取CT图像中的眼睛感兴趣区域并在深度学习网络中分割眼睛,得到眼睛分割结果;根据所述眼睛分割结果获取晶体感兴趣区域并分割晶体;根据所述眼睛分割结果获取视神经感兴趣区域并分割视神经。还提供了一种基于医学图像的眼球和晶状体的自动分割系统。借此,本发明能够解决繁琐人工操作与分割准确度之间的矛盾,并提高眼睛、视神经、晶体分割的准确度。
附图说明
图1为本发明所述基于医学图像的眼球和晶状体的自动分割方法的步骤示意图;
图2为图1中所述步骤S101的具体步骤示意图;
图3为图1中所述步骤S102的具体步骤示意图;
图4为图1中所述步骤S103的具体步骤示意图;
图5为本发明所述基于医学图像的眼球和晶状体的自动分割方法的具体步骤流程图;
图6为本发明优选实施例所述基于医学图像的眼球和晶状体的自动分割系统的结构框图;
图7为本发明优选实施例所述基于医学图像的眼球和晶状体的自动分割系统的所述眼睛分割模块的具体结构框图;
图8为本发明优选实施例所述基于医学图像的眼球和晶状体的自动分割系统的所述晶体分割模块的具体结构框图;
图9为本发明优选实施例所述基于医学图像的眼球和晶状体的自动分割系统的所述视神经分割模块的具体结构框图;
图10为所述CT图像的原始图像示意图;
图11为采用本发明优选实施例所述基于医学图像的眼球和晶状体的自动分割系统对周边2像素做区域生长的示意图;
图12为采用本发明优选实施例所述基于医学图像的眼球和晶状体的自动分割系统的图像分割结果示意图;
图13为图12中的图像分割结果恢复至原始图像的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图6示出本发明优选实施例所述基于医学图像的眼球和晶状体的自动分割系统100,包括有:
眼睛分割模块11,用于自动获取CT图像中的眼睛感兴趣区域并在深度学习网络中分割眼睛,得到眼睛分割结果;
晶体分割模块12,用于根据所述眼睛分割结果获取晶体感兴趣区域并分割晶体;
视神经分割模块13,用于根据所述眼睛分割结果获取视神经感兴趣区域并分割视神经。
优选的是,如图7,所述眼睛分割模块进一步包括有:
身体边界获取子模块111,用于利用阈值分割获取身体边界;具体可设定特征阈值为-200和2000,以将图像二值化;
前向最小值曲线获取子模块112,用于获取所述身体边界的前向最小值曲线;
鼻尖位置获取子模块113,用于根据所述前向最小值曲线和人体生理构造,获取鼻尖位置;其中,所述鼻尖位置必定处于前向最小值曲线中曲线极小值点,必定位于图像上方,且下方梯度大;
眼睛感兴趣区域获取子模块114,用于根据所述鼻尖位置和眼睛物理大小,结合所述CT图像的像素间隔获取所述眼睛感兴趣区域;一般眼睛物理大小的直径约24mm,眼睛感兴趣区域处于鼻尖位置向后60mm,鼻尖位置向上45mm,鼻尖向左右各60mm内。
第一图像处理子模块115,用于将所述眼睛感兴趣区域内的像素做灰度值映射,得到第一图像并保存所述第一图像在所述CT图像中对应的第一位置;具体将眼睛感兴趣区域内的像素小于0映射为0,大于100映射为255,中间像素按比例映射至75-175;
第一分割子模块116,用于将所述第一图像输入至预制的第一深度学习网络中,分割得出所述眼睛分割结果;所述第一深度学习网络为预先训练好的;
第一后处理子模块117,用于对所述眼睛分割结果的周边2像素的点做限定边界的区域生长;以保证提取出步骤S1016中未能提取出的部分,如图11,不同色块的2像素对外围像素进行区域生长;
第一原始图像恢复子模块118,用于根据所述第一位置,将做区域生长后的所述眼睛分割结果恢复至原始图像大小并结合到所述CT图像中;得到的眼睛分割结果是一幅与感兴趣区域大小相同的图像,恢复成原始图像大小指将结果大小改变成CT图像大小,并且眼睛分割结果对应最终结果位置与感兴趣区域对应CT图像位置相同。
如图8,所述晶体分割模块12进一步包括有:
晶体感兴趣区域提取子模块121,用于根据晶体位于人体眼球内的生理构造,在所述眼睛分割结果的原始图像中提取出晶体感兴趣区域;其中,所述晶体位于眼球内部;
第二图像处理子模块122,用于将所述晶体感兴趣区域内的像素做灰度值映射,得到第二图像并保存所述第二图像在所述CT图像中对应的第二位置;具体将晶体感兴趣区域内的像素小于50映射为0,大于100映射为255,中间像素按比例映射至100-150;
第二分割子模块123,用于将所述第二图像输入至预制的第二深度学习网络中,分割得出所述晶体分割结果;所述第二深度学习网络为预先训练好的;
第二后处理子模块124,用于对所述晶体分割结果做闭运算;以避免噪声导致分割结果中的空洞;
第二原始图像恢复子模块125,用于根据所述第二位置,将所述晶体分割结果恢复至原始图像大小并结合到所述CT图像中;具体原理与上述眼睛分割结果相同。
更好的是,如图9,所述视神经分割模块13进一步包括有:
视神经感兴趣区域获取子模块131,用于根据视神经位于人体眼球内的生理构造,结合所述CT图像的像素间隔获取视神经感兴趣区域;其中,视神经位于眼睛后方内侧,眶内段长25~30mm;
第三图像处理子模块132,用于将所述视神经感兴趣区域内的像素做灰度值映射,得到第三图像并保存所述第三图像在所述CT图像中对应的第三位置;具体将视神经感兴趣区域内的像素小于-20映射为0,大于60映射为255,中间像素按比例映射至80-160;
第三分割子模块133,用于将所述第三图像输入至预制的第三深度学习网络中,分割得出所述视神经分割结果;所述第三深度学习网络为预先训练好的;
第三后处理子模块134,用于减去所述视神经分割结果与所述眼睛分割结果相重叠的区域;以消除眼睛周边与视神经相似区域导致的误分割;
第三原始图像恢复子模块135,用于根据所述第三位置,将所述视神经分割结果恢复至原始图像大小并结合到所述CT图像中;具体原理与上述眼睛分割结果相同。
图1示出本发明所述基于医学图像的眼球和晶状体的自动分割方法的步骤,包括步骤有:
S101、自动获取CT图像中的眼睛感兴趣区域并在深度学习网络中分割眼睛,得到眼睛分割结果;
S102、根据所述眼睛分割结果获取晶体感兴趣区域并分割晶体;
S103、根据所述眼睛分割结果获取视神经感兴趣区域并分割视神经。
如图2所示,所述步骤S101进一步包括有:
S1011、利用阈值分割获取身体边界;具体可设定特征阈值为-200和2000,以将图像二值化;
S1012、所述身体边界的前向最小值曲线;
S1013、根据所述前向最小值曲线和人体生理构造,获取鼻尖位置;其中,所述鼻尖位置必定处于前向最小值曲线中曲线极小值点,必定位于图像上方,且下方梯度大;
S1014、根据所述鼻尖位置和眼睛物理大小,结合所述CT图像的像素间隔获取所述眼睛感兴趣区域;一般眼睛物理大小的直径约24mm,眼睛感兴趣区域处于鼻尖位置向后60mm,鼻尖位置向上45mm,鼻尖向左右各60mm内;
S1015、将所述眼睛感兴趣区域内的像素做灰度值映射,得到第一图像并保存所述第一图像在所述CT图像中对应的第一位置;具体将眼睛感兴趣区域内的像素小于0映射为0,大于100映射为255,中间像素按比例映射至75-175;
S1016、将所述第一图像输入至预制的第一深度学习网络中,分割得出所述眼睛分割结果;所述第一深度学习网络为预先训练好的;
S1017、对所述眼睛分割结果的周边2像素的点做限定边界的区域生长;区域生长的灰度值范围为0-100,以保证提取出步骤S1016中未能提取出的部分。
S1018、根据所述第一位置,将做区域生长后的所述眼睛分割结果恢复至原始图像大小并结合到所述CT图像中;得到的眼睛分割结果是一幅与感兴趣区域大小相同的图像,恢复成原始图像大小指将结果大小改变成CT图像大小,并且眼睛分割结果对应最终结果位置与感兴趣区域对应CT图像位置相同。
如图3所示,所述步骤S102进一步包括有:
S1021、根据晶体位于人体眼球内的生理构造,在所述眼睛分割结果的原始图像中提取出晶体感兴趣区域;其中,所述晶体位于眼球内部;
S1022、将所述晶体感兴趣区域内的像素做灰度值映射,得到第二图像并保存所述第二图像在所述CT图像中对应的第二位置;具体将晶体感兴趣区域内的像素小于50映射为0,大于100映射为255,中间像素按比例映射至100-150;
S1023、将所述第二图像输入至预制的第二深度学习网络中,分割得出所述晶体分割结果;所述第二深度学习网络为预先训练好的;
S1024、对所述晶体分割结果做闭运算;以避免噪声导致分割结果中的空洞;
S1025、根据所述第二位置,将所述晶体分割结果恢复至原始图像大小并结合到所述CT图像中;具体原理与上述眼睛分割结果相同。
如图4所示,所述步骤S103进一步包括有:
S1031、根据视神经位于人体眼球内的生理构造,结合所述CT图像的像素间隔获得视神经感兴趣区域;其中,视神经位于眼睛后方内侧,眶内段长25~30mm;
S1032、将所述视神经感兴趣区域内的像素做灰度值映射,得到第三图像并保存所述第三图像在所述CT图像中对应的第三位置;具体将视神经感兴趣区域内的像素小于-20映射为0,大于60映射为255,中间像素按比例映射至80-160;
S1033、将所述第三图像输入至预制的第三深度学习网络中,分割得出所述视神经分割结果;所述第三深度学习网络为预先训练好的;
S1034、减去所述视神经分割结果与所述眼睛分割结果相重叠的区域,以消除眼睛周边与视神经相似区域导致的误分割;
S1035、根据所述第三位置,将所述视神经分割结果恢复至原始图像大小并结合到所述CT图像中;具体原理与上述眼睛分割结果相同。
图5示出本发明所述基于医学图像的眼球和晶状体的自动分割方法的整体流程。具体先通过在头颈部CT图像中获取身体轮廓,再根据人体构造获取鼻尖位置,根据眼睛感兴趣区域与鼻尖位置的对应关系来提取所述眼睛感兴趣区域,将眼睛感兴趣区域在深度学习网络中分割得到眼睛分割结果,对眼睛分割结果进行后处理,之后将其恢复至原始图像大小;根据上述的眼睛分割结果获取晶体感兴趣区域,将晶体感兴趣区域在深度学习网络中分割得到晶体分割结果,再将其恢复至原始图像大小;根据上述的眼睛分割结果获取视神经感兴趣区域,将视神经感兴趣区域在深度学习网络中分割得到视神经分割结果,再将其恢复至原始图像大小,具体系统对图像的处理如图10~图13所示。
综上所述,本发明所述的基于医学图像的眼球和晶状体的自动分割方法,包括步骤:自动获取CT图像中的眼睛感兴趣区域并在深度学习网络中分割眼睛,得到眼睛分割结果;根据所述眼睛分割结果获取晶体感兴趣区域并分割晶体;根据所述眼睛分割结果获取视神经感兴趣区域并分割视神经。还提供了一种基于医学图像的眼球和晶状体的自动分割系统。借此,本发明能够全自动运行,无论处理单幅图像还是大量图像均不需要人工操作,有效减少医生或图像处理者的工作量;利用各组织之间的位置关系,有效提高分割准确度。
当然,本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.一种基于医学图像的眼球和晶状体的自动分割方法,其特征在于,包括步骤:
自动获取CT图像中的眼睛感兴趣区域并在深度学习网络中分割眼睛,得到眼睛分割结果;
根据所述眼睛分割结果获取晶体感兴趣区域并分割晶体;
根据所述眼睛分割结果获取视神经感兴趣区域并分割视神经。
2.根据权利要求1所述的基于医学图像的眼球和晶状体的自动分割方法,其特征在于,所述自动获取CT图像中的眼睛感兴趣区域并在深度学习网络中分割眼睛,得到眼睛分割结果的步骤进一步包括:
利用阈值分割获取身体边界;
获取所述身体边界的前向最小值曲线;
根据所述前向最小值曲线和人体生理构造,获取鼻尖位置;
根据所述鼻尖位置和眼睛物理大小,结合所述CT图像的像素间隔获取所述眼睛感兴趣区域;
将所述眼睛感兴趣区域内的像素做灰度值映射,得到第一图像并保存所述第一图像在所述CT图像中对应的第一位置;
将所述第一图像输入至预制的第一深度学习网络中,分割得出所述眼睛分割结果;
对所述眼睛分割结果的周边2像素的点做限定边界的区域生长;
根据所述第一位置,将做区域生长后的所述眼睛分割结果恢复至原始图像大小并结合到所述CT图像中。
3.根据权利要求2所述的基于医学图像的眼球和晶状体的自动分割方法,其特征在于,所述根据所述眼睛分割结果获取晶体感兴趣区域并分割晶体的步骤包括:
根据晶体位于人体眼球内的生理构造,在所述眼睛分割结果的原始图像中提取出晶体感兴趣区域;
将所述晶体感兴趣区域内的像素做灰度值映射,得到第二图像并保存所述第二图像在所述CT图像中对应的第二位置;
将所述第二图像输入至预制的第二深度学习网络中,分割得出所述晶体分割结果;
对所述晶体分割结果做闭运算;
根据所述第二位置,将所述晶体分割结果恢复至原始图像大小并结合到所述CT图像中。
4.根据权利要求2所述的基于医学图像的眼球和晶状体的自动分割方法,其特征在于,所述根据所述眼睛分割结果获取视神经感兴趣区域并分割视神经的步骤进一步包括:
根据视神经位于人体眼球内的生理构造,结合所述CT图像的像素间隔获得视神经感兴趣区域;
将所述视神经感兴趣区域内的像素做灰度值映射,得到第三图像并保存所述第三图像在所述CT图像中对应的第三位置;
将所述第三图像输入至预制的第三深度学习网络中,分割得出所述视神经分割结果;
减去所述视神经分割结果与所述眼睛分割结果相重叠的区域;
根据所述第三位置,将所述视神经分割结果恢复至原始图像大小并结合到所述CT图像中。
5.一种基于医学图像的眼球和晶状体的自动分割系统,其特征在于,包括有:
眼睛分割模块,用于自动获取CT图像中的眼睛感兴趣区域并在深度学习网络中分割眼睛,得到眼睛分割结果;
晶体分割模块,用于根据所述眼睛分割结果获取晶体感兴趣区域并分割晶体;
视神经分割模块,用于根据所述眼睛分割结果获取视神经感兴趣区域并分割视神经。
6.根据权利要求5所述的基于医学图像的眼球和晶状体的自动分割系统,其特征在于,所述眼睛分割模块进一步包括有:
身体边界获取子模块,用于利用阈值分割获取身体边界;
前向最小值曲线获取子模块,用于获取所述身体边界的前向最小值曲线;
鼻尖位置获取子模块,用于根据所述前向最小值曲线和人体生理构造,获取鼻尖位置;
眼睛感兴趣区域获取子模块,用于根据所述鼻尖位置和眼睛物理大小,结合所述CT图像的像素间隔获取所述眼睛感兴趣区域;
第一图像处理子模块,用于将所述眼睛感兴趣区域内的像素做灰度值映射,得到第一图像并保存所述第一图像在所述CT图像中对应的第一位置;
第一分割子模块,用于将所述第一图像输入至预制的第一深度学习网络中,分割得出所述眼睛分割结果;
第一后处理子模块,用于对所述眼睛分割结果的周边2像素的点做限定边界的区域生长;
第一原始图像恢复子模块,用于根据所述第一位置,将做区域生长后的所述眼睛分割结果恢复至原始图像大小并结合到所述CT图像中。
7.根据权利要求6所述的基于医学图像的眼球和晶状体的自动分割系统,其特征在于,所述晶体分割模块进一步包括有:
晶体感兴趣区域提取子模块,用于根据晶体位于人体眼球内的生理构造,在所述眼睛分割结果的原始图像中提取出晶体感兴趣区域;
第二图像处理子模块,用于将所述晶体感兴趣区域内的像素做灰度值映射,得到第二图像并保存所述第二图像在所述CT图像中对应的第二位置;
第二分割子模块,用于将所述第二图像输入至预制的第二深度学习网络中,分割得出所述晶体分割结果;
第二后处理子模块,用于对所述晶体分割结果做闭运算;
第二原始图像恢复子模块,用于根据所述第二位置,将所述晶体分割结果恢复至原始图像大小并结合到所述CT图像中。
8.根据权利要求6所述的基于医学图像的眼球和晶状体的自动分割系统,其特征在于,所述视神经分割模块进一步包括有:
视神经感兴趣区域获取子模块,用于根据视神经位于人体眼球内的生理构造,结合所述CT图像的像素间隔获取视神经感兴趣区域;
第三图像处理子模块,用于将所述视神经感兴趣区域内的像素做灰度值映射,得到第三图像并保存所述第三图像在所述CT图像中对应的第三位置;
第三分割子模块,用于将所述第三图像输入至预制的第三深度学习网络中,分割得出所述视神经分割结果;
第三后处理子模块,用于减去所述视神经分割结果与所述眼睛分割结果相重叠的区域;
第三原始图像恢复子模块,用于根据所述第三位置,将所述视神经分割结果恢复至原始图像大小并结合到所述CT图像中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811243643.3A CN109509179B (zh) | 2018-10-24 | 2018-10-24 | 基于医学图像的眼球和晶状体的自动分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811243643.3A CN109509179B (zh) | 2018-10-24 | 2018-10-24 | 基于医学图像的眼球和晶状体的自动分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109509179A true CN109509179A (zh) | 2019-03-22 |
CN109509179B CN109509179B (zh) | 2023-03-28 |
Family
ID=65746075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811243643.3A Active CN109509179B (zh) | 2018-10-24 | 2018-10-24 | 基于医学图像的眼球和晶状体的自动分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109509179B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948575A (zh) * | 2019-03-27 | 2019-06-28 | 中国科学技术大学 | 超声图像中眼球区域分割方法 |
CN110176008A (zh) * | 2019-05-17 | 2019-08-27 | 广州视源电子科技股份有限公司 | 晶状体分割方法、装置及存储介质 |
CN113662659A (zh) * | 2021-08-25 | 2021-11-19 | 中山大学中山眼科中心 | 一种基于3d-mri眼球模型的眼部参数获取系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030194119A1 (en) * | 2002-04-15 | 2003-10-16 | General Electric Company | Semi-automatic segmentation algorithm for pet oncology images |
CN101339669A (zh) * | 2008-07-29 | 2009-01-07 | 上海师范大学 | 基于正侧面影像的三维人脸建模方法 |
US20110194738A1 (en) * | 2008-10-08 | 2011-08-11 | Hyeong In Choi | Method for acquiring region-of-interest and/or cognitive information from eye image |
CN104173071A (zh) * | 2013-05-28 | 2014-12-03 | Ge医疗系统环球技术有限公司 | 自动确定岩骨的扫描范围的方法和装置 |
CN104751178A (zh) * | 2015-03-31 | 2015-07-01 | 上海理工大学 | 基于形状模板匹配结合分类器的肺结节检测装置及方法 |
CN106997594A (zh) * | 2016-01-26 | 2017-08-01 | 上海联影医疗科技有限公司 | 一种眼部组织的定位方法及装置 |
CN107292889A (zh) * | 2017-06-14 | 2017-10-24 | 上海联影医疗科技有限公司 | 一种肿瘤分割的方法、系统和可读介质 |
CN107507201A (zh) * | 2017-09-22 | 2017-12-22 | 深圳天琴医疗科技有限公司 | 一种医学图像分割方法及装置 |
CN107705305A (zh) * | 2017-10-20 | 2018-02-16 | 上海联影医疗科技有限公司 | 一种医学图像处理的方法及装置 |
-
2018
- 2018-10-24 CN CN201811243643.3A patent/CN109509179B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030194119A1 (en) * | 2002-04-15 | 2003-10-16 | General Electric Company | Semi-automatic segmentation algorithm for pet oncology images |
CN101339669A (zh) * | 2008-07-29 | 2009-01-07 | 上海师范大学 | 基于正侧面影像的三维人脸建模方法 |
US20110194738A1 (en) * | 2008-10-08 | 2011-08-11 | Hyeong In Choi | Method for acquiring region-of-interest and/or cognitive information from eye image |
CN104173071A (zh) * | 2013-05-28 | 2014-12-03 | Ge医疗系统环球技术有限公司 | 自动确定岩骨的扫描范围的方法和装置 |
CN104751178A (zh) * | 2015-03-31 | 2015-07-01 | 上海理工大学 | 基于形状模板匹配结合分类器的肺结节检测装置及方法 |
CN106997594A (zh) * | 2016-01-26 | 2017-08-01 | 上海联影医疗科技有限公司 | 一种眼部组织的定位方法及装置 |
CN107292889A (zh) * | 2017-06-14 | 2017-10-24 | 上海联影医疗科技有限公司 | 一种肿瘤分割的方法、系统和可读介质 |
CN107507201A (zh) * | 2017-09-22 | 2017-12-22 | 深圳天琴医疗科技有限公司 | 一种医学图像分割方法及装置 |
CN107705305A (zh) * | 2017-10-20 | 2018-02-16 | 上海联影医疗科技有限公司 | 一种医学图像处理的方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948575A (zh) * | 2019-03-27 | 2019-06-28 | 中国科学技术大学 | 超声图像中眼球区域分割方法 |
CN109948575B (zh) * | 2019-03-27 | 2023-03-24 | 中国科学技术大学 | 超声图像中眼球区域分割方法 |
CN110176008A (zh) * | 2019-05-17 | 2019-08-27 | 广州视源电子科技股份有限公司 | 晶状体分割方法、装置及存储介质 |
CN113662659A (zh) * | 2021-08-25 | 2021-11-19 | 中山大学中山眼科中心 | 一种基于3d-mri眼球模型的眼部参数获取系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109509179B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11869202B2 (en) | Method and system for processing multi-modality image | |
CN109509179A (zh) | 基于医学图像的眼球和晶状体的自动分割方法及系统 | |
CN104933729B (zh) | 一种颅内脑组织的提取方法和装置 | |
EP2538839A1 (en) | Method of analyzing a medical image | |
US11995837B2 (en) | System and method for medical image visualization | |
CN104091347A (zh) | 一种基于3d打印技术的颅内肿瘤手术规划模拟方法 | |
CN110008887A (zh) | 一种基于深度学习的痤疮自动分级方法 | |
US20220237835A1 (en) | Systems and methods for evaluating image quality | |
CN106651874B (zh) | 基于多模态mri数据的脑瘤术后空间域分割方法 | |
US20230154007A1 (en) | Few-shot semantic image segmentation using dynamic convolution | |
WO2022213654A1 (zh) | 一种超声图像的分割方法、装置、终端设备和存储介质 | |
WO2021239141A1 (zh) | 图像处理的方法及系统 | |
CN105631933A (zh) | 一种打印方法及装置 | |
Ragab et al. | Early and accurate detection of melanoma skin cancer using hybrid level set approach | |
WO2023125683A1 (en) | Systems and methods for image reconstruction | |
US20230377104A1 (en) | System and methods for filtering medical images | |
CN113129327B (zh) | 一种基于神经网络模型生成内大体靶区的方法和系统 | |
Elazab et al. | Low grade glioma growth modeling considering chemotherapy and radiotherapy effects from magnetic resonance images | |
Jegou et al. | Organs-at-risk contouring on head ct for rt planning using 3d slicer–a preliminary study | |
Ali et al. | Segmentation of brain tumour using Enhanced Thresholding Algorithm and Calculatethe area of the tumour | |
Li et al. | Cochlear CT image segmentation based on u-net neural network | |
Usha et al. | Multimodal Image fusion with segmentation for detection of brain tumors using a deep learning algorithm | |
CN105701777B (zh) | 一种螺旋断层放疗图像质量提高方法 | |
Bromis et al. | Analysis of resting state and task-related fMRI data in small cell lung cancer patients before undertaking PCI | |
Wei et al. | Quantification of motion artifacts in 4DCT using global Fourier analysis |
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 |