CN109584167A - 基于二阶特征的ct图像肝内血管增强与分割方法及系统 - Google Patents
基于二阶特征的ct图像肝内血管增强与分割方法及系统 Download PDFInfo
- Publication number
- CN109584167A CN109584167A CN201811245896.4A CN201811245896A CN109584167A CN 109584167 A CN109584167 A CN 109584167A CN 201811245896 A CN201811245896 A CN 201811245896A CN 109584167 A CN109584167 A CN 109584167A
- Authority
- CN
- China
- Prior art keywords
- image
- enhancing
- blood vessel
- liver
- normalized
- 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.)
- Withdrawn
Links
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 113
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 93
- 210000004185 liver Anatomy 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 65
- 238000004141 dimensional analysis Methods 0.000 claims abstract description 10
- 238000011946 reduction process Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 22
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000009795 derivation Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 239000003814 drug Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 241000415078 Anemone hepatica Species 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000002792 vascular Effects 0.000 description 4
- 210000003240 portal vein Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 208000019423 liver disease Diseases 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 201000007270 liver cancer Diseases 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (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,提供了一种基于二阶特征的CT图像肝内血管增强与分割方法,包括步骤有:根据CT图像中肝脏区域的CT值的均值和标准差进行归一化计算,得到归一化图像;对所述归一化图像分别在预设的每一尺度下计算其增强函数,通过尺度分析获得增强图像并进行降噪处理;对所述增强图像进行阈值分割,得到血管分割结果。借此,本发明能够对不清晰图像的血管分割起到了明显改善作用,且对清晰的图像同样起到了应有的效果。
Description
技术领域
本发明涉及计算机医学辅助诊疗技术领域,尤其涉及一种基于二阶特征的CT图像肝内血管增强与分割方法及系统。
背景技术
计算机辅助手术规划系统是以咨询系统的形式提出“第二意见”供医师参考,目的是使医生的诊断过程更客观和容易,提高诊断效率。肝脏的CT图像提供了肝脏正常组织以及病灶的影像信息,可为医生制定手术预案提供有效的参考。在治疗肝脏疾病比如肝癌,了解肿瘤和血管的空间位置与结构关系,对医生在手术前制定手术预案具有很大帮助。所以肝脏三维血管的提取在治疗肝脏疾病中扮演着重要的角色,对肝脏系统疾病的诊疗意义重大。
肝脏内管道系统众多(包括门静脉,肝静脉,肝动脉等)且结构复杂,特别是造影剂流经三个期的血管时,采集的三组图像数据集中,后期数据必然会有前期的尾影(如门静脉期图像中有肝动脉血管的尾影,肝静脉期图像中有门静脉血管的尾影),在血管分割时尾影不好处理,影响分割效果。而且不同医师给不同病人扫描时,对于时间把控也可能存在差异,再加上CT图像不可避免的噪声,这些都会造成扫描图像质量不佳,致使血管分割的难度提升,如图5。
目前主流的方法主要包括,基于灰度信息的区域生长及其衍生方法,基于曲线运动理论的活动轮廓、水平集等,以及基于图像二阶特征诸如Hessian矩阵、方向流的图像结构增强的方法。区域生长、活动轮廓以及水平集由于受噪声影响较为明显,通常单独使用的情况下,只能对质量较好的图像起到较好的效果。而肝脏CT图像噪声较大,且不少血管较细小,容易淹没在噪声中,这类方法则会导致血管分割明显减少。结构增强的方法通常各有优劣,与其所构造的特征及其特征响应函数,有着直接的关系。通常所采用的管状增强,均会在诸如肝脏等器官边界处有较明显的误增强,导致从增强图像中分割血管依然很困难。
以上主流方法对于不清晰(噪声大、血管细小模糊)图像的血管分割效果均相当不理想,主要表现为血管断开严重,细节严重不足,误分割较多。
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二阶特征的CT图像肝内血管增强与分割方法,对不清晰图像的血管分割起到了明显改善作用,且对清晰的图像同样起到了应有的效果。
为了实现上述目的,本发明提供一种基于二阶特征的CT图像肝内血管增强与分割方法,包括步骤有:
根据CT图像中肝脏区域的CT值的均值和标准差进行归一化计算,得到归一化图像;
对所述归一化图像分别在预设的每一尺度下计算其增强函数,通过尺度分析获得增强图像并进行降噪处理;
对所述增强图像进行阈值分割,得到血管分割结果。
根据所述的基于二阶特征的CT图像肝内血管增强和分割方法,所述根据CT图像中肝脏区域的CT值的均值和标准差进行归一化计算,得到归一化图像的步骤包括:
将所述均值设为m,所述标准差设为s,上界值high=m+3.7s,下界值low=m-1.5s;
则所述归一化图像
其中,I0为原始CT图像。
根据所述的基于二阶特征的CT图像肝内血管增强和分割方法,所述对所述归一化图像分别在预设的每一尺度下计算其增强函数,通过尺度分析获得增强图像并进行降噪处理的步骤包括:
为所述归一化图像I选定所述尺度σ进行高斯卷积,并求其Hessian矩阵其中,σ2为尺度修正因子,为空间导数算子,Gσ为高斯核;
所述Hessian矩阵的具体形式为:
计算Hessian矩阵H的三个特征值λ1、λ2、λ3,且|λ1|≤|λ2|≤|λ3|;
计算血管增强的特征函数:
其中,min(λ3)表示所有像素点处λ3的最小值;
对所述尺度σ=1.5,2,2.5,3分别计算其对应的所述特征函数Fσ,取所述尺度σ的最大特征函数Fσ作为增强图像F,即
对所述增强图像F进行中值滤波,并通过对肝脏分割结果腐蚀5mm以去除所述增强图像F的误增强。
根据所述的基于二阶特征的CT图像肝内血管增强和分割方法,所述对所述增强图像进行阈值分割,得到血管分割结果的步骤进一步包括:
对所述增强图像F进行阈值分割,并提取所述增强图像F中至少十个最大的连通分支,得到血管分割S,其中F≥thre,thre为调节阈值。
根据所述的基于二阶特征的CT图像肝内血管增强和分割方法,所述根据CT图像中肝脏区域的CT值的均值和标准差进行归一化计算,得到归一化图像的步骤还包括:
将所述归一化图像I在肝脏外部的像素点值设为
本发明还提供了一种基于二阶特征的CT图像肝内血管增强与分割系统,包括有:
图像预处理模块,用于根据CT图像中肝脏区域的CT值的均值和标准差进行归一化计算,得到归一化图像;
血管增强模块,用于对所述归一化图像分别在预设的每一尺度下计算其增强函数,通过尺度分析获得增强图像并进行降噪处理;
血管分割模块,用于对所述增强图像进行阈值分割,得到血管分割结果。
根据所述的基于二阶特征的CT图像肝内血管增强与分割系统,所述图像预处理模块还包括:
第一计算子模块,用于将所述均值设为m,所述标准差设为s,上界值high=m+3.7s,下界值low=m-1.5s;
则所述归一化图像
其中,I0为原始CT图像。
根据所述的基于二阶特征的CT图像肝内血管增强与分割系统,所述血管增强模块包括:
卷积矩阵子模块,用于为所述归一化图像I选定所述尺度σ进行高斯卷积,并求其Hessian矩阵其中,σ2为尺度修正因子,为空间导数算子,Gσ为高斯核;
所述Hessian矩阵的具体形式为:
第二计算子模块,用于计算Hessian矩阵H的三个特征值λ1、λ2、λ3,且|λ1|≤|λ2|≤|λ3|;
第三计算子模块,用于计算血管增强的特征函数:
其中,min(λ3)表示所有像素点处λ3的最小值;
多尺度分析子模块,用于对所述尺度σ=1.5,2,2.5,3分别计算其对应的所述特征函数Fσ,取所述尺度σ的最大特征函数Fσ作为增强图像F,即
后处理子模块,用于对所述增强图像F进行中值滤波,并通过对肝脏分割结果腐蚀5mm以去除所述增强图像F的误增强。
根据所述的基于二阶特征的CT图像肝内血管增强与分割系统,所述血管分割模块用于对所述增强图像F进行阈值分割,并提取所述增强图像F中至少十个最大的连通分支,得到血管分割S,其中F≥thre,thre为调节阈值。
根据所述的基于二阶特征的CT图像肝内血管增强与分割系统,所述图像预处理模块还包括有:
抗干扰子模块,用于将所述归一化图像I在肝脏外部的像素点值设为
本发明所述的基于二阶特征的CT图像肝内血管增强与分割方法,包括步骤有:根据CT图像中肝脏区域的CT值的均值和标准差进行归一化计算,得到归一化图像;对所述归一化图像分别在预设的每一尺度下计算其增强函数,通过尺度分析获得增强图像并进行降噪处理;对所述增强图像进行阈值分割,得到血管分割结果。借此,本发明能够对不清晰图像的血管分割起到了明显改善作用,且对清晰的图像同样起到了应有的效果。
附图说明
图1为本发明所述基于二阶特征的CT图像肝内血管增强与分割方法的步骤流程图;
图2为本发明优选实施例所述基于二阶特征的CT图像肝内血管增强与分割系统的结构框图;
图3为本发明优选实施例所述基于二阶特征的CT图像肝内血管增强与分割系统的所述图像预处理模块的结构框图;
图4为本发明优选实施例所述基于二阶特征的CT图像肝内血管增强与分割系统的所述血管增强模块的的结构框图;
图5为本发明优选实施例所述基于二阶特征的CT图像肝内血管增强与分割系统需要处理的原始CT图像;
图6为采用本发明所述基于二阶特征的CT图像肝内血管增强与分割系统的血管增强的实验示意图;
图7为现有技术的血管增强的实验示意图;
图8为采用本发明所述基于二阶特征的CT图像肝内血管增强与分割系统的血管分割结果的实验示意图。
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1示出本发明所述基于二阶特征的CT图像肝内血管增强与分割方法,包括步骤有:
S101、根据CT图像中肝脏区域的CT值的均值和标准差进行归一化计算,得到归一化图像;
S102、对所述归一化图像分别在预设的每一尺度下计算其增强函数,通过尺度分析获得增强图像并进行降噪处理;
S103、对所述增强图像进行阈值分割,得到血管分割结果。
优选的是,所述步骤S101包括:
将所述均值设为m,所述标准差设为s,上界值high=m+3.7s,下界值low=m-1.5s;
则所述归一化图像
其中,I0为原始CT图像;其目的是增强肝脏实质与血管之间的对比度,以及数值计算的稳定性。
另外,为只考虑肝内血管,排除肝外及肝脏边界的干扰,本方法需要先根据一个肝脏分割结果,将归一化后的图像在肝脏外部的像素点值全设为肝脏内部仍取归一化后的值。即所述步骤S101进一步包括:将所述归一化图像I在肝脏外部的像素点值设为通过肝脏分割结果的设置,以及将数据按肝脏的均值方差来进去动态的归一化处理,有效地减少了肝外干扰以及肝脏边界干扰。
进一步的是,所述步骤S102包括:
为所述归一化图像I选定所述尺度σ进行高斯卷积,并求其Hessian矩阵其中,σ2为尺度修正因子,为空间导数算子,Gσ为高斯核;
所述Hessian矩阵的具体形式为:
计算Hessian矩阵H的三个特征值λ1、λ2、λ3,且|λ1|≤|λ2|≤|λ3|;
计算血管增强的特征函数:
其中,min(λ3)表示所有像素点处λ3的最小值;
对所述尺度σ=1.5,2,2.5,3分别计算其对应的所述特征函数Fσ,取所述尺度σ的最大特征函数Fσ作为增强图像F,即
对所述增强图像F进行中值滤波,可减少由于噪声而引起的误增强,使血管形态更真实;并通过对肝脏分割结果腐蚀5mm以去除所述增强图像F的误增强,即去除F中仍可能存在的少数边界误增强。
所述步骤S103进一步包括:
对所述增强图像F进行阈值分割,并提取所述增强图像F中至少十个最大的连通分支(可以较好的提取大多数血管的同时,又避免带入非血管部分),得到血管分割S,其中F≥thre,thre为调节阈值。通常S即包含了大部分血管分支。此步通过调节阈值thre实时显示对应的阈值分割结果,以确定最佳阈值,一般取0.5左右。
图2示出本发明优选实施例所述的基于二阶特征的CT图像肝内血管增强与分割系统100,包括有:
图像预处理模块11,用于根据CT图像中肝脏区域的CT值的均值和标准差进行归一化计算,得到归一化图像;
血管增强模块12,用于对所述归一化图像分别在预设的每一尺度下计算其增强函数,通过尺度分析获得增强图像并进行降噪处理;
血管分割模块13,用于对所述增强图像进行阈值分割,得到血管分割结果。
如图3,优选的是,所述图像预处理模块11包括:
第一计算子模块111,用于将所述均值设为m,所述标准差设为s,上界值high=m+3.7s,下界值low=m-1.5s;
则所述归一化图像
其中,I0为原始CT图像;其目的是增强肝脏实质与血管之间的对比度,以及数值计算的稳定性。
另外,为只考虑肝内血管,排除肝外及肝脏边界的干扰,本系统100需要先根据一个肝脏分割结果,将归一化后的图像在肝脏外部的像素点值全设为肝脏内部仍取归一化后的值。即所述图像预处理模块11进一步包括:抗干扰子模块112,用于将所述归一化图像I在肝脏外部的像素点值设为
如图4,进一步的是,所述血管增强模块12包括:
卷积矩阵子模块121,用于为所述归一化图像I选定所述尺度σ进行高斯卷积,并求其Hessian矩阵其中,σ2为尺度修正因子,为空间导数算子,Gσ为高斯核;
所述Hessian矩阵的具体形式为:
第二计算子模块122,用于计算Hessian矩阵H的三个特征值λ1、λ2、λ3,且|λ1|≤|λ2|≤|λ3|;
第三计算子模块123,用于计算血管增强的特征函数:
其中,min(λ3)表示所有像素点处λ3的最小值;
多尺度分析子模块124,用于对所述尺度σ=1.5,2,2.5,3分别计算其对应的所述特征函数Fσ,取所述尺度σ的最大特征函数Fσ作为增强图像F,即
后处理子模块125,用于对所述增强图像F进行中值滤波,可减少由于噪声而引起的误增强,使血管形态更真实;并通过对肝脏分割结果腐蚀5mm以去除所述增强图像F的误增强,即去除F中仍可能存在的少数边界误增强。
多尺度分析以及良好的特征响应函数,使得在噪声明显、血管模糊的情形下,也能得到较好地增强,为分割起到了很好的作用。
所述血管分割模块13用于对所述增强图像F进行阈值分割,并提取所述增强图像F中至少十个最大的连通分支(可以较好的提取大多数血管的同时,又避免带入非血管部分),得到血管分割S,其中F≥thre,thre为调节阈值。最终血管分割图像如图8所示;通常S即包含了大部分血管分支。此步通过调节阈值thre实时显示对应的阈值分割结果,以确定最佳阈值,一般取0.5左右。
图5为将要处理的原始CT数据,可以看到血管受严重的噪声干扰,模糊不清;图6为采用上述方法得到血管增强后的图像,图中越亮的地方表示越可能是血管,图7为现有技术的血管增强的实验示意图,通过对比可以看到,采用本发明的方法增强效果明显优于现有方法,血管增强显著,且误增强减少了很多,这对分割很是有益的。
综上所述,本发明所述的基于二阶特征的CT图像肝内血管增强与分割方法,包括步骤有:根据CT图像中肝脏区域的CT值的均值和标准差进行归一化计算,得到归一化图像;对所述归一化图像分别在预设的每一尺度下计算其增强函数,通过尺度分析获得增强图像并进行降噪处理;对所述增强图像进行阈值分割,得到血管分割结果。借此,本发明能够对不清晰图像的血管分割起到了明显改善作用,且对清晰的图像同样起到了应有的效果。
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 (10)
1.一种基于二阶特征的CT图像肝内血管增强与分割方法,其特征在于,包括步骤有:
根据CT图像中肝脏区域的CT值的均值和标准差进行归一化计算,得到归一化图像;
对所述归一化图像分别在预设的每一尺度下计算其增强函数,通过尺度分析获得增强图像并进行降噪处理;
对所述增强图像进行阈值分割,得到血管分割结果。
2.根据权利要求1所述的基于二阶特征的CT图像肝内血管增强和分割方法,其特征在于,所述根据CT图像中肝脏区域的CT值的均值和标准差进行归一化计算,得到归一化图像的步骤包括:
将所述均值设为m,所述标准差设为s,上界值high=m+3.7s,下界值low=m-1.5s;
则所述归一化图像
其中,I0为原始CT图像。
3.根据权利要求2所述的基于二阶特征的CT图像肝内血管增强和分割方法,其特征在于,所述对所述归一化图像分别在预设的每一尺度下计算其增强函数,通过尺度分析获得增强图像并进行降噪处理的步骤包括:
为所述归一化图像I选定所述尺度σ进行高斯卷积,并求其Hessian矩阵H=σ2·▽(▽(Gσ*I)),其中,σ2为尺度修正因子,▽为空间导数算子,Gσ为高斯核;
所述Hessian矩阵的具体形式为:
计算Hessian矩阵H的三个特征值λ1、λ2、λ3,且|λ1|≤|λ2|≤|λ3|;
计算血管增强的特征函数:
其中,min(λ3)表示所有像素点处λ3的最小值;
对所述尺度σ=1.5,2,2.5,3分别计算其对应的所述特征函数Fσ,取所述尺度σ的最大特征函数Fσ作为增强图像F,即
对所述增强图像F进行中值滤波,并通过对肝脏分割结果腐蚀5mm以去除所述增强图像F的误增强。
4.根据权利要求3所述的基于二阶特征的CT图像肝内血管增强和分割方法,其特征在于,所述对所述增强图像进行阈值分割,得到血管分割结果的步骤进一步包括:
对所述增强图像F进行阈值分割,并提取所述增强图像F中至少十个最大的连通分支,得到血管分割S,其中F≥thre,thre为调节阈值。
5.根据权利要求2所述的基于二阶特征的CT图像肝内血管增强和分割方法,其特征在于,所述根据CT图像中肝脏区域的CT值的均值和标准差进行归一化计算,得到归一化图像的步骤还包括:
将所述归一化图像I在肝脏外部的像素点值设为
6.一种基于二阶特征的CT图像肝内血管增强与分割系统,其特征在于,包括有:
图像预处理模块,用于根据CT图像中肝脏区域的CT值的均值和标准差进行归一化计算,得到归一化图像;
血管增强模块,用于对所述归一化图像分别在预设的每一尺度下计算其增强函数,通过尺度分析获得增强图像并进行降噪处理;
血管分割模块,用于对所述增强图像进行阈值分割,得到血管分割结果。
7.根据权利要求6所述的基于二阶特征的CT图像肝内血管增强与分割系统,其特征在于,所述图像预处理模块还包括:
第一计算子模块,用于将所述均值设为m,所述标准差设为s,上界值high=m+3.7s,下界值low=m-1.5s;
则所述归一化图像
其中,I0为原始CT图像。
8.根据权利要求7所述的基于二阶特征的CT图像肝内血管增强与分割系统,其特征在于,所述血管增强模块包括:
卷积矩阵子模块,用于为所述归一化图像I选定所述尺度σ进行高斯卷积,并求其Hessian矩阵H=σ2·▽(▽(Gσ*I)),其中,σ2为尺度修正因子,▽为空间导数算子,Gσ为高斯核;
所述Hessian矩阵的具体形式为:
第二计算子模块,用于计算Hessian矩阵H的三个特征值λ1、λ2、λ3,且|λ1|≤|λ2|≤|λ3|;
第三计算子模块,用于计算血管增强的特征函数:
其中,min(λ3)表示所有像素点处λ3的最小值;
多尺度分析子模块,用于对所述尺度σ=1.5,2,2.5,3分别计算其对应的所述特征函数Fσ,取所述尺度σ的最大特征函数Fσ作为增强图像F,即
后处理子模块,用于对所述增强图像F进行中值滤波,并通过对肝脏分割结果腐蚀5mm以去除所述增强图像F的误增强。
9.根据权利要求8所述的基于二阶特征的CT图像肝内血管增强与分割系统,其特征在于,所述血管分割模块用于对所述增强图像F进行阈值分割,并提取所述增强图像F中至少十个最大的连通分支,得到血管分割S,其中F≥thre,thre为调节阈值。
10.根据权利要求7所述的基于二阶特征的CT图像肝内血管增强与分割系统,其特征在于,所述图像预处理模块还包括有:
抗干扰子模块,用于将所述归一化图像I在肝脏外部的像素点值设为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811245896.4A CN109584167A (zh) | 2018-10-24 | 2018-10-24 | 基于二阶特征的ct图像肝内血管增强与分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811245896.4A CN109584167A (zh) | 2018-10-24 | 2018-10-24 | 基于二阶特征的ct图像肝内血管增强与分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109584167A true CN109584167A (zh) | 2019-04-05 |
Family
ID=65920428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811245896.4A Withdrawn CN109584167A (zh) | 2018-10-24 | 2018-10-24 | 基于二阶特征的ct图像肝内血管增强与分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109584167A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443813A (zh) * | 2019-07-29 | 2019-11-12 | 腾讯医疗健康(深圳)有限公司 | 血管、眼底图像的分割方法、装置、设备及可读存储介质 |
CN110648350A (zh) * | 2019-09-26 | 2020-01-03 | 联想(北京)有限公司 | 一种肝脏血管分割方法、装置及电子设备 |
CN111402261A (zh) * | 2020-02-25 | 2020-07-10 | 四川大学青岛研究院 | 一种改进的基于Hessian矩阵增强的颅骨分割算法 |
CN113284151A (zh) * | 2021-06-07 | 2021-08-20 | 山东澳望德信息科技有限责任公司 | 一种基于深度卷积神经网络的胰腺分割方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102048550A (zh) * | 2009-11-02 | 2011-05-11 | 上海交通大学医学院附属仁济医院 | 一种自动生成肝脏3d图像并准确定位肝脏血管支配区域的方法 |
CN103235810A (zh) * | 2013-04-23 | 2013-08-07 | 国家测绘地理信息局卫星测绘应用中心 | 遥感影像控制点数据智能检索方法 |
CN108154519A (zh) * | 2017-12-25 | 2018-06-12 | 吉林大学 | 眼底图像中血管的分割方法、装置及存储介质 |
CN108269263A (zh) * | 2018-01-19 | 2018-07-10 | 北京工业大学 | 一种基于ct图像的肝脏血管三维分割方法 |
CN108492300A (zh) * | 2018-03-16 | 2018-09-04 | 上海理工大学 | 管状结构增强与能量函数结合的肺部血管树分割方法 |
CN108510485A (zh) * | 2018-03-27 | 2018-09-07 | 福州大学 | 一种基于卷积神经网络的无参照图像质量评估方法 |
-
2018
- 2018-10-24 CN CN201811245896.4A patent/CN109584167A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102048550A (zh) * | 2009-11-02 | 2011-05-11 | 上海交通大学医学院附属仁济医院 | 一种自动生成肝脏3d图像并准确定位肝脏血管支配区域的方法 |
CN103235810A (zh) * | 2013-04-23 | 2013-08-07 | 国家测绘地理信息局卫星测绘应用中心 | 遥感影像控制点数据智能检索方法 |
CN108154519A (zh) * | 2017-12-25 | 2018-06-12 | 吉林大学 | 眼底图像中血管的分割方法、装置及存储介质 |
CN108269263A (zh) * | 2018-01-19 | 2018-07-10 | 北京工业大学 | 一种基于ct图像的肝脏血管三维分割方法 |
CN108492300A (zh) * | 2018-03-16 | 2018-09-04 | 上海理工大学 | 管状结构增强与能量函数结合的肺部血管树分割方法 |
CN108510485A (zh) * | 2018-03-27 | 2018-09-07 | 福州大学 | 一种基于卷积神经网络的无参照图像质量评估方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443813A (zh) * | 2019-07-29 | 2019-11-12 | 腾讯医疗健康(深圳)有限公司 | 血管、眼底图像的分割方法、装置、设备及可读存储介质 |
CN110443813B (zh) * | 2019-07-29 | 2024-02-27 | 腾讯医疗健康(深圳)有限公司 | 血管、眼底图像的分割方法、装置、设备及可读存储介质 |
CN110648350A (zh) * | 2019-09-26 | 2020-01-03 | 联想(北京)有限公司 | 一种肝脏血管分割方法、装置及电子设备 |
CN110648350B (zh) * | 2019-09-26 | 2022-10-21 | 联想(北京)有限公司 | 一种肝脏血管分割方法、装置及电子设备 |
CN111402261A (zh) * | 2020-02-25 | 2020-07-10 | 四川大学青岛研究院 | 一种改进的基于Hessian矩阵增强的颅骨分割算法 |
CN113284151A (zh) * | 2021-06-07 | 2021-08-20 | 山东澳望德信息科技有限责任公司 | 一种基于深度卷积神经网络的胰腺分割方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584167A (zh) | 基于二阶特征的ct图像肝内血管增强与分割方法及系统 | |
WO2018120644A1 (zh) | 血管提取方法及系统 | |
WO2018023917A1 (zh) | 一种下肢血管的提取方法及系统 | |
CN109741344A (zh) | 血管分割方法、装置、医疗影像设备及存储介质 | |
CN110648338B (zh) | 图像分割方法、可读存储介质及图像处理装置 | |
CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
CN109754388B (zh) | 一种颈动脉狭窄程度计算方法、装置及存储介质 | |
CN107437251B (zh) | 头部mri影像颅骨剥离模块 | |
CN111815663A (zh) | 一种基于Hessian矩阵和灰度法的肝血管分割系统 | |
CN110008992A (zh) | 一种用于前列腺癌辅助诊断的深度学习方法 | |
CN109886973A (zh) | 一种血管提取方法、装置及计算机可读存储介质 | |
CN114693710A (zh) | 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质 | |
CN109410181B (zh) | 一种心脏图像分割方法及装置 | |
CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
CN110428431B (zh) | 一种心脏医学图像的分割方法、装置、设备及存储介质 | |
TWI824829B (zh) | 造影影像判定方法及造影影像判定裝置 | |
CN113192099B (zh) | 一种组织提取方法、装置、设备和介质 | |
CN110136095A (zh) | 肝脏三维ct图像病变区域自动提取系统及方法 | |
CN115775219A (zh) | 医学图像分割方法、系统、电子设备及介质 | |
CN112767332B (zh) | 一种基于cta影像的血管区域判断方法及系统 | |
CN111754452B (zh) | 基于深度学习的下肢深静脉血栓的检测方法、介质及终端 | |
CN115147360A (zh) | 一种斑块分割方法、装置、电子设备及可读存储介质 | |
CN114209344A (zh) | 一种侧枝循环状态评估方法、装置、存储介质及电子设备 | |
CN111626974A (zh) | 冠状动脉造影图像序列的质量评分方法和装置 | |
Sapthagirivasan et al. | Denoising and fissure extraction in high resolution isotropic CT images using Dual Tree Complex Wavelet Transform |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190405 |
|
WW01 | Invention patent application withdrawn after publication |