CN109559317B - 一种基于ct影像的肺结节分割方法 - Google Patents
一种基于ct影像的肺结节分割方法 Download PDFInfo
- Publication number
- CN109559317B CN109559317B CN201811180885.2A CN201811180885A CN109559317B CN 109559317 B CN109559317 B CN 109559317B CN 201811180885 A CN201811180885 A CN 201811180885A CN 109559317 B CN109559317 B CN 109559317B
- Authority
- CN
- China
- Prior art keywords
- region
- lung
- happy
- threshold value
- 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.)
- Active
Links
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
- G06T7/11—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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于CT影像的肺结节分割方法,包括肺实质区域提取、肺腔区域提取、肺叶区域提取和感兴趣区域提取。本发明中,通过第一次二值化处理和第二次二值化处理,弱化了二值化处理对病灶区即第一感兴区域和第二感兴区域提取的影响,因此提高了病灶的分隔精度;将第一感兴区域进行凸显之后,进一步提高第一感兴区域的阀值,检验医生标记的坐标是否准确,如坐标是否点在血管上等,以实现结节和血管的准确分离,同时也减少人工判定工作量及后期医生校验时候人工修复的工作量;在合理扩充第一感兴区域的阀值变化范围的前提下,确定并提取第二感兴区域,进一步提高了病灶的分隔精度。
Description
技术领域
本发明属于医学图像处理领域,尤其涉及一种基于CT影像的肺结节分割方法。
背景技术
肺癌已成为世界范围内发病率及死亡率最高的恶性肿瘤,严重威胁着人类的生命健康,早期发现是提高肺癌患者治疗效果的有效方法,同时由于肺结节是肺癌的早期形态,因此肺结节的检测识别在肺癌治疗中的重要性日益凸显。对肺结节的精准分割是肺结节检测识别研究的关键内容,直接影响到肺结节辅助诊断技术的可靠性。
从肺CT图像中分割肺结节是图像处理技术在医学图像中的重要应用,在计算机辅助诊断中具有重要意义。大多数方法一开始就会采用降噪处理,之后通过医生标记的坐标确定并分割感兴区域。在此过程中,降噪处理使得病灶更为清晰易于分割,而整体的降噪会造成一刀切的现象,会将很多细小征像忽略:例如毛刺征、分页、瘤肺界面、弱化后期需要三维层次判定征像(例如血管扩增,空腔及空洞区分等),降低了病灶的提取意义。其次,确定并分割感兴区域的方法主要有:Armato利用二维CT序列图像进行三维重建来提取感兴趣区域,然后利用三维特征进行简单的分类来提取肺结节,该方法能够提取出结节,但计算量大,运行时间长,实际应用效果低;kanazawa等只针对单层的CT图像对肺结节进行检测,但该方法丢失了肺结节的三维信息;Okumura等用三维分割方法,充分的利用了三维信息,但是人工干预较大,未能实现自动检测;最大密度投影通过对二维图像做投影,对所得投影图像做检测,该方法只针对孤立型肺结节;基于EM和Mean.Shift,只针对血管粘连型肺结节,且不能解决多个结节与血管粘连的情况,以含有血管粘连性肺结节的图像序列为输入,实用性较低。
因此,基于以上处理过程,现有技术中主要存在分割精度低,鲁棒性差等问题,且不能准确的分离结节与血管。而分割的不精确,会为后续的肺结节检测部分引入问题,进而导致检测失败。
发明内容
本发明的目的在于提供一种基于CT影像的肺结节分割方法,以解决现有技术中分割精度低和鲁棒性差的问题,同时可准确的分离结节和血管。为实现上述目的,本发明所采用的技术方案为:
一种基于CT影像的肺结节分割方法,包括以下步骤:
S1:对肺部CT影像数据进行第一次二值化处理提取出肺实质区域;
S2:对肺实质区域进行第二次二值化处理提取出肺腔区域;
S3:在肺腔区域中,填补肺叶中的空洞并除杂,最后提取肺叶区域;
S4:根据医生标记的坐标分割出感兴区域。
优选地,在步骤S4中,具体包括:
S41:以医生标记的坐标为中心,提取第一感兴区域;
S42:分析第一感兴区域特征的灰度值变化,确定凸显第一感兴区域的阀值变化范围:
S43:在阀值变化范围内,调整并确定第一感兴区域的特征灰度值对应的阀值;
S44:阀值变化范围内,进一步提高第一感兴区域的阀值,分析医生标记的坐标是否操作有误;
S45:坐标操作无误时,分析S42中的第一感兴区域内的阀值,以扩充S42中的阀值变化范围;
S46:以医生标记的坐标为中心,在S44生成的图像上,根据扩充的阀值变化范围确定第二感兴区域;所述第二感兴区域的面积大于所述第一感兴区域的面积;
S47:提取第二感兴区域。
优选地,在步骤S1中,第一次二值化处理具体为:统一CT值以进行降噪处理,之后根据图像形态学确定肺实质区域,最后提取肺实质区域。
优选地,在步骤S2中,第二次二值化处理具体为:
S21:将S1中的图像与肺实质区域图像进行迭代重建以获取用于提取肺腔区域的阀值;
S22:利用阀值提取肺腔区域。
优选地,在步骤S3中,在提取肺叶之前,进一步包括肺叶位置确定,具体为:提取肺腔区域的连通区域,通过连通区域的中心点确定两个肺叶区域的位置。
优选地,在步骤S3中,肺叶区域提取通过开运算提取。
优选地,在步骤S3和S4之间,进一步包括:局部柔化处理;所述局部柔化处理为降噪处理。
与现有技术相比,本发明的优点为:
(1)第一次二值化处理、第二次二值化处理主要为确定肺实质区域、肺腔区域和肺叶区域,而不是为确定病灶区域,因此对病灶区域的特征影响小,继而弱化了二值化处理对病灶区即第一感兴区域和第二感兴区域提取的影响,因此提高了病灶的分隔精度。
(2)确定第二感兴区域之前,首先对第一感兴区域进行凸显,凸显是对整个第一感兴区域全特征的增强,将肺结节凸显出来以便于分割,又不会因调节阀值而造成特征错失,进一步提高了分割精度。
(3)将第一感兴区域进行凸显之后,提高第一感兴区域的阀值,检验医生标记的坐标是否准确,如坐标是否点在血管上等,以实现结节和血管的准确分离,同时也减少人工判定工作量及后期医生校验时候人工修复的工作量。
(3)在合理扩充第一感兴区域的阀值变化范围的前提下,确定并提取第二感兴区域,进一步提高了病灶的分隔精度。
附图说明
图1为本发明一实施例的基于CT影像的肺结节分割方法的流程图。
图2为图1中步骤S4的流程图。
具体实施方式
下面将结合示意图对本发明的基于CT影像的肺结节分割方法进行更详细的描述,其中表示了本发明的优选实施例,应该理解本领域技术人员可以修改在此描述的本发明,而仍然实现本发明的有利效果。因此,下列描述应当被理解为对于本领域技术人员的广泛知道,而并不作为对本发明的限制。
如图1~图2所示,一种基于CT影像的肺结节分割方法,包括以下步骤:步骤S1~S4。具体如下:
S1:对肺部CT影像数据进行第一次二值化处理提取出肺实质区域;第一次二值化处理具体为:统一CT值以进行降噪处理,之后根据图像形态学确定肺实质区域,最后提取肺实质区域。第一次二值化处理主要为提取肺实质区域,因此该操作对病灶的降噪影响程度小,可较大程度的保证病灶的完整性。
S2:对肺实质区域进行第二次二值化处理提取出肺腔区域。
在本实施例中,第二次二值化处理具体为:S21:将S1中的图像与肺实质区域图像进行迭代重建以获取用于提取肺腔区域的阀值;S22:利用阀值提取肺腔区域。第二次二值化处理主要为提取肺腔区域,因此该操作对病灶的降噪影响程度小,可较大程度的保证病灶的完整性。
S3:在肺腔区域中,填补肺叶中的空洞并除杂,最后提取肺叶区域;肺叶区域提取通过开运算提取。在提取肺叶之前,进一步包括肺叶位置确定,具体为:提取肺腔区域的连通区域,通过连通区域的中心点确定两个肺叶区域的位置。在本实施例以外的其他实施例中,也可通过建模来提取扉肺叶区域。在本实施例中,连通区域指的肺叶及肺叶附近的以其他不必要的组织区域。
S4:根据医生标记的坐标分割出感兴区域。具体包括:
S41:以医生标记的坐标为中心,提取第一感兴区域;提取第一感兴区域的目的为了检测医生标记的坐标有误;
S42:分析第一感兴区域特征的灰度值变化,确定凸显第一感兴区域的阀值变化范围:即不断调试第一感兴区域的阀值,使得第一感兴区域与肺叶区域其他部分区别开;此时的凸显是对整个第一感兴区域全特征的增强,将肺结节凸显出来以便于分割,又不会因调节阀值而造成第一感兴区域即病灶的特征错失,进一步提高了分割精度;
S43:在阀值变化范围内,调整并确定第一感兴区域的特征灰度值对应的阀值;该阀值对应的调试效果最佳,使得第一感兴区域的特征清晰且完整的显示,同时易于与肺叶区域的其他部分区分;
S44:阀值变化范围内,进一步提高第一感兴区域的阀值,分析医生标记的坐标是否操作有误,如坐标是否点在血管上、因图像没有放大就选择坐标点,造成,点位较为靠外甚至脱离实际结节区域、CT值过高时坐标点在实性成分上造成之后的分割只能分到实性成分、点到空腔空泡区域、点到磨玻璃CT值较低区域造成之后分割会扩到整个肺叶等;在将第一感兴区域与肺叶区域区分开的基础上,进一步提高第一感兴区域的阀值,是为了对第一感兴区域的特征,进行进一步局部加强区分
S45:坐标操作无误时,分析S42中的第一感兴区域内的阀值,以扩充S42中的阀值变化范围;具体的,根据第一感兴区域内的阀值变化规律,在合理的基础上对该阀值范围进行扩充,以提高分割精度;
S46:以医生标记的坐标为中心,在S44生成的图像上,根据扩充的阀值变化范围确定第二感兴区域;第二感兴区域的面积大于第一感兴区域的面积;
S47:提取第二感兴区域。此第二感兴区域即最终确定的肺结节的分割区域,精度较高。
在本实施例中,在步骤S3和S4之间,进一步包括:局部柔化处理;局部柔化处理为降噪处理。
综上,在本发明实施例提供的基于CT影像的肺结节分割方法中,第一次二值化处理、第二次二值化处理主要为确定肺实质区域、肺腔区域和肺叶区域,而不是为确定病灶区域,因此对病灶区域的特征影响小,继而弱化了二值化处理对病灶区即第一感兴区域和第二感兴区域提取的影响,因此提高了病灶的分隔精度;将第一感兴区域进行凸显之后,进一步提高第一感兴区域的阀值,检验医生标记的坐标是否准确,如坐标是否点在血管上等,以实现结节和血管的准确分离,同时也减少人工判定工作量及后期医生校验时候人工修复的工作量;在合理扩充第一感兴区域的阀值变化范围的前提下,确定并提取第二感兴区域,进一步提高了病灶的分隔精度。
上述仅为本发明的优选实施例而已,并不对本发明起到任何限制作用。任何所属技术领域的技术人员,在不脱离本发明的技术方案的范围内,对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动,均属未脱离本发明的技术方案的内容,仍属于本发明的保护范围之内。
Claims (6)
1.一种基于CT影像的肺结节分割方法,其特征在于,包括以下步骤:
S1:对肺部CT影像数据进行第一次二值化处理提取出肺实质区域;
S2:对肺实质区域进行第二次二值化处理提取出肺腔区域;
S3:在肺腔区域中,填补肺叶中的空洞并除杂,最后提取肺叶区域;
S4:根据医生标记的坐标分割出感兴区域;
在步骤S4中,具体包括:
S41:以医生标记的坐标为中心,提取第一感兴区域;
S42:分析第一感兴区域特征的灰度值变化,确定凸显第一感兴区域的阈值变化范围;
S43:在阈值变化范围内,调整并确定第一感兴区域的特征灰度值对应的阈值;
S44:阈值变化范围内,进一步提高第一感兴区域的阈值,分析医生标记的坐标是否操作有误;
S45:坐标操作无误时,分析S42中的第一感兴区域内的阈值,以扩充S42中的阈值变化范围;
S46:以医生标记的坐标为中心,在S44生成的图像上,根据扩充的阈值变化范围确定第二感兴区域;所述第二感兴区域的面积大于所述第一感兴区域的面积;
S47:提取第二感兴区域。
2.根据权利要求1所述的基于CT影像的肺结节分割方法,其特征在于,在步骤S1中,第一次二值化处理具体为:统一CT值以进行降噪处理,之后根据图像形态学确定肺实质区域,最后提取肺实质区域。
3.根据权利要求1所述的基于CT影像的肺结节分割方法,其特征在于,在步骤S2中,第二次二值化处理具体为:
S21:将S1中的图像与肺实质区域图像进行迭代重建以获取用于提取肺腔区域的阈值;
S22:利用阈值提取肺腔区域。
4.根据权利要求1所述的基于CT影像的肺结节分割方法,其特征在于,在步骤S3中,在提取肺叶之前,进一步包括肺叶位置确定,具体为:提取肺腔区域的连通区域,通过连通区域的中心点确定两个肺叶区域的位置。
5.根据权利要求1所述的基于CT影像的肺结节分割方法,其特征在于,在步骤S3中,肺叶区域提取通过开运算提取。
6.根据权利要求1所述的基于CT影像的肺结节分割方法,其特征在于,在步骤S3和S4之间,进一步包括:局部柔化处理;所述局部柔化处理为降噪处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811180885.2A CN109559317B (zh) | 2018-10-09 | 2018-10-09 | 一种基于ct影像的肺结节分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811180885.2A CN109559317B (zh) | 2018-10-09 | 2018-10-09 | 一种基于ct影像的肺结节分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109559317A CN109559317A (zh) | 2019-04-02 |
CN109559317B true CN109559317B (zh) | 2023-09-26 |
Family
ID=65864720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811180885.2A Active CN109559317B (zh) | 2018-10-09 | 2018-10-09 | 一种基于ct影像的肺结节分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109559317B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332128B (zh) * | 2021-12-30 | 2022-07-26 | 推想医疗科技股份有限公司 | 医学图像处理方法及其装置、电子设备和计算机存储介质 |
CN115147359B (zh) * | 2022-06-06 | 2023-04-07 | 北京医准智能科技有限公司 | 肺叶分割网络模型训练方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及系统 |
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 |
CN107481215A (zh) * | 2016-06-07 | 2017-12-15 | 宁夏医科大学 | 基于空间分布的ct肺结节分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7499578B2 (en) * | 2002-10-18 | 2009-03-03 | Cornell Research Foundation, Inc. | System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans |
-
2018
- 2018-10-09 CN CN201811180885.2A patent/CN109559317B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及系统 |
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 |
CN107481215A (zh) * | 2016-06-07 | 2017-12-15 | 宁夏医科大学 | 基于空间分布的ct肺结节分割方法 |
Non-Patent Citations (1)
Title |
---|
肺结节自动检测算法研究;石羽等;《仪器仪表学报》;20060615;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109559317A (zh) | 2019-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108133476B (zh) | 一种肺结节自动检测方法及系统 | |
CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
JP6231885B2 (ja) | 頸部を検査する医療機器 | |
CN110490040B (zh) | 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法 | |
CN108932714B (zh) | 冠脉ct图像的斑块分类方法 | |
KR101768812B1 (ko) | 흉부 단층영상에서 검색된 폐결절의 암 진단 보조 시스템 및 프로그램 | |
CN109146854A (zh) | 一种肺结节与肺部血管伴生关系的分析方法 | |
US8422753B2 (en) | Method and system for automatic extraction of personalized left atrium models | |
CN109559317B (zh) | 一种基于ct影像的肺结节分割方法 | |
CN111369530A (zh) | 一种基于深度学习的ct图像肺结节快速筛查方法 | |
CN112489060B (zh) | 一种用于肺炎病灶分割的系统及方法 | |
CN104573716A (zh) | 基于广度搜索算法的眼底图像的动静脉视网膜血管分类方法 | |
CN109522842A (zh) | 一种基于手指静脉图像的血管网络修复方法 | |
CN112233789A (zh) | 一种区域特征融合的高血压视网膜病变分类方法 | |
CN111462201A (zh) | 基于新型冠状病毒肺炎ct影像的随访分析系统及方法 | |
CN111899850A (zh) | 医学影像的信息处理方法、显示方法及可读存储介质 | |
CN113379741B (zh) | 基于血管特征的视网膜血管分割方法、设备和存储介质 | |
CN109948622A (zh) | 一种头颈体动脉瘤检测方法、装置及计算机可读存储介质 | |
KR20150059860A (ko) | 형태학적 연산을 이용한 이미지 분할 처리방법 | |
CN113034440A (zh) | 一种基于ctp脑灌注影像数据的梗死分类方法及系统 | |
Ashame et al. | Abnormality Detection in Eye Fundus Retina | |
CN115409758A (zh) | 一种从造影图像中综合性量化评估血管狭窄的方法 | |
KR102187712B1 (ko) | X-ray/CT 영상에서 혈관 조각 병합 방법 및 장치 | |
CN113096139B (zh) | 一种肺实质的图像分割处理方法 | |
CN108765415A (zh) | 一种具有阴影管理监测系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |