CN109584233A - 基于主观阈值及三维标签技术的三维图像分割方法 - Google Patents
基于主观阈值及三维标签技术的三维图像分割方法 Download PDFInfo
- Publication number
- CN109584233A CN109584233A CN201811443146.8A CN201811443146A CN109584233A CN 109584233 A CN109584233 A CN 109584233A CN 201811443146 A CN201811443146 A CN 201811443146A CN 109584233 A CN109584233 A CN 109584233A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- image
- threshold value
- file
- label
- 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.)
- Pending
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
- G06T7/12—Edge-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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于主观阈值及三维标签技术的三维图像分割方法,基于主观阈值分割法以及三维点扩散标签技术,解决了传统的二维分割方法在三维图像中产生的偏移与误检漏检,完好保留了二维图像之间的联系,避免了图像配准产生的问题;加入调窗功能对图像做预处理,调整分离目标区域的对比度与亮度,增大了目标区域与冗余图像信息的灰度值差异,显著提高了阈值分割的精准度,通过三维标签技术及时去除掉不必要的信息,保证了分割图像的完整性和单一性。相比于传统的二维分割技术能更有效地寻找合理阈值、更便捷快速地分离出器官的三维区域,为后期的三维重建提供了良好的基础,普遍适用于不同画质CT图片的人体各个器官。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于主观阈值及三维标签技术的三维图像分割方法。
背景技术
如今传统的二维图像处理技术不断走向成熟,但医学图像如CT、MRI图像均为三维的医学图像数据,三维医学图像的准确和快速分割一直是器官三维重建的难点与重点,现有的边缘检测、阈值抽出、区域生长等分割方法都存在着一定的局限性,直接处理三维的图像均无法达到理想的效果,因此医学图像的三维器官抽出成为了医学图像领域研究者们研究的重点问题之一。
在三维医学图像的分割中,边缘检测的分割方法较为突出,已经衍生出了较多已经在临床上使用的产品,甚至可以实现全自动的三维抽出。而深度学习凭借自动学习和非线性层结构的独特优势,应用于医学图像分割、图像分类识别和计算机辅助诊断方面,不仅广泛用于各种图像,特别是复杂图像的分析处理,具有更高的效率,且这一过程减少了人工干预。此外,还有诸如基于轮廓模型、纹理特征、超分辨率等分割算法也在医学图像领域得到了广泛的应用。
边缘检测分割方法针对性强,应对于不同的器官时需要对算法进行大量改进,而且如果出现误差很难再次修正,实际应用中会经常出现边缘丢失或失真的情况,难以作为评价体系中的金标准来使用。
发明内容
为解决上述问题,本发明提供了一种基于主观阈值及三维标签技术的三维图像分割方法,相比于传统的二维分割技术能更有效地寻找合理阈值、更便捷快速地分离出器官的三维区域,为后期的三维重建提供了良好的基础,普遍适用于不同画质CT图片的人体各个器官。
为实现上述目的,本发明采取的技术方案为:
基于主观阈值及三维标签技术的三维图像分割方法,包括如下步骤:
S1、分别采集病人拍摄的CT或MRI图像的平扫像、动脉像、静脉像和平衡像,并将采集到原始图像数据保存为DICOM格式文件,其中,不同时期的图像可以用于抽取不同的器官;
S2、导出DICOM文件头信息的纵向坐标,对DICOM图像做调窗处理(主要调整对比度与亮度),可以根据具体的目标区域的局部特征进行针对性的调整,调窗完成后,将12位的DICOM图像按扫描时的纵向坐标顺序生成8位的bmp图像,得到一系列bmp图像文件;
S3、确定需要进行处理的起始片与结束片,对该区间内的图像做如下处理:首先,选取每一片bmp图像的最适当的阈值区间,进行折中挑选,选择合适的主观阈值(主观阈值的选择既要保留最多的目标区域信息也要尽量的去除冗余信息),进行阈值抽出,将图像转换为二值图像,与此同时生成3dd文件;
S4、利用三维的点扩散打标签技术,给目标区域打上标签,首先在3dd文件中任意一片图像的目标区域上选择一点,自选择片的选择点起向上进行三维的连通域遍历,再由选择片至下进行三维的连通域遍历,至此所有与选择点在三维上相联通的点都被打上了标签,若目标区域包含了不必要的信息,则使用后处理功能抹除掉不需要的区域,处理完成后清除所有非标签区域,生成标签文件;
S5、提取标签文件,同时生成1st(点位图)文件。
进一步地,所述步骤S3中,通过鼠标在两个滑动条中调整适当的位置,选择最大和最小两个阈值,然后在最大和最小两个阈值之间移动鼠标直至医生肉眼判断所需要抽取的器官或组织明显的与背景分离为止。
进一步地,在需要对其他器官进行分割操作时,可以直接抹除已经分割出来的器官。
进一步地,在需要继续抽出其他器官,可以重复操作步骤S1~S4,然后将标签文件整合到同一个1st文件中,即可将多个目标同时重建出来。
本发明具有以下有益效果:
1)相比于传统的二维分割技术能更有效地寻找合理阈值、更便捷快速地分离出器官的三维区域,为后期的三维重建提供了良好的基础,普遍适用于不同画质CT图片的人体各个器官。
2)解决了传统的二维分割方法在三维图像中产生的偏移与误检漏检,完好保留了二维图像之间的联系,避免了图像配准产生的问题;同时加入调窗功能对图像做预处理,调整分离目标区域的对比度与亮度,增大了目标区域与冗余图像信息的灰度值差异,显著提高了阈值分割的精准度,并通过三维标签技术及时去除掉不必要的信息,保证了分割图像的完整性和单一性,使之成为制作图像金标准的有力工具。
3)三维标签技术很好的解决了模糊边缘的问题,更完整的保留下了分割区域的边缘信息,为下一步的器官定量形状解析奠定基础。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
本发明实施例提供了一种基于主观阈值及三维标签技术的三维图像分割方法,包括如下步骤:
S1、分别采集病人拍摄的CT或MRI图像的平扫像、动脉像、静脉像和平衡像,并将采集到原始图像数据保存为DICOM格式文件,其中,不同时期的图像可以用于抽取不同的器官,如在动脉像中,动脉与其余腹部器官有较为明显的明暗差别,这对我们采用的阈值分割方法十分有利;
S2、导出DICOM文件头信息的纵向坐标,对DICOM图像做调窗处理(主要调整对比度与亮度),可以根据具体的目标区域的局部特征进行针对性的调整,该步骤主要是便于接下来的阈值分割能更精确的分离目标信息与冗余信息,调窗完成后,将12位的DICOM图像按扫描时的纵向坐标顺序生成8位的bmp图像,得到一系列bmp图像文件,方便我们能够顺序地自动对图像进行阈值处理;
S3、确定需要进行处理的起始片与结束片,对该区间内的图像做如下处理:首先,通过鼠标在两个滑动条中调整适当的位置,选取每一片bmp图像的最大和最小两个阈值,然后在最大和最小两个阈值之间移动鼠标直至医生肉眼判断所需要抽取的器官或组织明显的与背景分离为止,此时对应的阀值即为合适的主观阈值,进行阈值抽出,将图像转换为二值图像,与此同时生成3dd文件(将每一片图像整合在列表当中,拖拽滑动条即可浏览每一片图像);
S4、利用三维的点扩散打标签技术,给目标区域打上标签(改变目标区域的灰度值),首先在3dd文件中任意一片图像的目标区域上选择一点,自选择片的选择点起向上进行三维的连通域遍历,再由选择片至下进行三维的连通域遍历,至此所有与选择点在三维上相联通的点都被打上了标签,若目标区域包含了不必要的信息,则使用后处理功能抹除掉不需要的区域,处理完成后清除所有非标签区域,生成标签文件;
S5、最后提取标签文件,同时生成1st(点位图)文件,可以直接用于三维建模,到此我们一次三维分割工作就完成了。
值得注意的是,只要提取出来一个标签文件,就可以对3dd文件执行删除标签的工作,如果还要对其他器官进行分割操作,可以直接抹除已经分割出来的器官,这样对后续的分割清除了很多障碍和干扰,大大简化了后续的分割工作。此外,若还需继续抽出其他器官,可以重复操作1~4,然后将标签文件整合到同一个1st文件中,即可将多个目标同时重建出来。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (5)
1.基于主观阈值及三维标签技术的三维图像分割方法,其特征在于:包括如下步骤:
S1、分别采集病人拍摄的CT或MRI图像的平扫像、动脉像、静脉像和平衡像,并将采集到原始图像数据保存为DICOM格式文件,其中,不同时期的图像可以用于抽取不同的器官;
S2、导出DICOM文件头信息的纵向坐标,对DICOM图像做调窗处理,调窗完成后,将12位的DICOM图像按扫描时的纵向坐标顺序生成8位的bmp图像,得到一系列bmp图像文件;
S3、确定需要进行处理的起始片与结束片,对该区间内的图像做如下处理:首先,选取每一片bmp图像的最适当的阈值区间,进行折中挑选,选择合适的主观阈值,进行阈值抽出,将图像转换为二值图像,与此同时生成3dd文件;
S4、利用三维的点扩散打标签技术,给目标区域打上标签,首先在3dd文件中任意一片图像的目标区域上选择一点,自选择片的选择点起向上进行三维的连通域遍历,再由选择片至下进行三维的连通域遍历,至此所有与选择点在三维上相联通的点都被打上了标签,若目标区域包含了不必要的信息,则使用后处理功能抹除掉不需要的区域,处理完成后清除所有非标签区域,生成标签文件;
S5、提取标签文件,同时生成1st文件。
2.如权利要求1所述的基于主观阈值及三维标签技术的三维图像分割方法,其特征在于:所述步骤S2中,调窗处理主要用于调整对比度与亮度,可以根据具体的目标区域的局部特征进行针对性的调整。
3.如权利要求1所述的基于主观阈值及三维标签技术的三维图像分割方法,其特征在于:所述步骤S3中,通过鼠标在两个滑动条中调整适当的位置,选择最大和最小两个阈值,然后在最大和最小两个阈值之间移动鼠标直至医生肉眼判断所需要抽取的器官或组织明显的与背景分离为止。
4.如权利要求1所述的基于主观阈值及三维标签技术的三维图像分割方法,其特征在于:在需要对其他器官进行分割操作时,可以直接抹除已经分割出来的器官。
5.如权利要求1所述的基于主观阈值及三维标签技术的三维图像分割方法,其特征在于:在需要继续抽出其他器官,可以重复操作步骤S1~S4,然后将标签文件整合到同一个1st文件中,即可将多个目标同时重建出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811443146.8A CN109584233A (zh) | 2018-11-29 | 2018-11-29 | 基于主观阈值及三维标签技术的三维图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811443146.8A CN109584233A (zh) | 2018-11-29 | 2018-11-29 | 基于主观阈值及三维标签技术的三维图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109584233A true CN109584233A (zh) | 2019-04-05 |
Family
ID=65925364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811443146.8A Pending CN109584233A (zh) | 2018-11-29 | 2018-11-29 | 基于主观阈值及三维标签技术的三维图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109584233A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150472A (zh) * | 2020-09-24 | 2020-12-29 | 北京羽医甘蓝信息技术有限公司 | 基于cbct的三维颌骨图像分割方法、装置及终端设备 |
CN112767420A (zh) * | 2021-02-26 | 2021-05-07 | 中国人民解放军总医院 | 基于人工智能的核磁影像分割方法、装置、设备和介质 |
CN116485819A (zh) * | 2023-06-21 | 2023-07-25 | 青岛大学附属医院 | 一种耳鼻喉检查图像分割方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030035507A1 (en) * | 2001-08-17 | 2003-02-20 | Li-Yueh Hsu | Computer-aided diagnosis system for thoracic computer tomography images |
US20120230572A1 (en) * | 2011-03-10 | 2012-09-13 | Siemens Molecular Imaging Limited | Method and System for Multi-Organ Segmentation Using Learning-Based Segmentation and Level Set Optimization |
CN102999917A (zh) * | 2012-12-19 | 2013-03-27 | 中国科学院自动化研究所 | 基于t2-mri和dw-mri的宫颈癌图像自动分割方法 |
CN104899849A (zh) * | 2014-01-21 | 2015-09-09 | 武汉联影医疗科技有限公司 | 一种多目标交互式图像分割方法和装置 |
CN105488796A (zh) * | 2015-11-27 | 2016-04-13 | 上海联影医疗科技有限公司 | 肺分割方法 |
CN107103607A (zh) * | 2017-03-29 | 2017-08-29 | 中国科学院合肥物质科学研究院 | 一种基于种子点自动选取的全局最优化图像分割方法 |
CN107146222A (zh) * | 2017-04-21 | 2017-09-08 | 华中师范大学 | 基于人体解剖结构相似性的医学图像压缩算法 |
-
2018
- 2018-11-29 CN CN201811443146.8A patent/CN109584233A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030035507A1 (en) * | 2001-08-17 | 2003-02-20 | Li-Yueh Hsu | Computer-aided diagnosis system for thoracic computer tomography images |
US20120230572A1 (en) * | 2011-03-10 | 2012-09-13 | Siemens Molecular Imaging Limited | Method and System for Multi-Organ Segmentation Using Learning-Based Segmentation and Level Set Optimization |
CN102999917A (zh) * | 2012-12-19 | 2013-03-27 | 中国科学院自动化研究所 | 基于t2-mri和dw-mri的宫颈癌图像自动分割方法 |
CN104899849A (zh) * | 2014-01-21 | 2015-09-09 | 武汉联影医疗科技有限公司 | 一种多目标交互式图像分割方法和装置 |
CN105488796A (zh) * | 2015-11-27 | 2016-04-13 | 上海联影医疗科技有限公司 | 肺分割方法 |
CN107103607A (zh) * | 2017-03-29 | 2017-08-29 | 中国科学院合肥物质科学研究院 | 一种基于种子点自动选取的全局最优化图像分割方法 |
CN107146222A (zh) * | 2017-04-21 | 2017-09-08 | 华中师范大学 | 基于人体解剖结构相似性的医学图像压缩算法 |
Non-Patent Citations (1)
Title |
---|
刘少芳: "结合DICOM CT序列三维信息肺结节CAD系统设计研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150472A (zh) * | 2020-09-24 | 2020-12-29 | 北京羽医甘蓝信息技术有限公司 | 基于cbct的三维颌骨图像分割方法、装置及终端设备 |
CN112767420A (zh) * | 2021-02-26 | 2021-05-07 | 中国人民解放军总医院 | 基于人工智能的核磁影像分割方法、装置、设备和介质 |
CN112767420B (zh) * | 2021-02-26 | 2021-11-23 | 中国人民解放军总医院 | 基于人工智能的核磁影像分割方法、装置、设备和介质 |
CN116485819A (zh) * | 2023-06-21 | 2023-07-25 | 青岛大学附属医院 | 一种耳鼻喉检查图像分割方法及系统 |
CN116485819B (zh) * | 2023-06-21 | 2023-09-01 | 青岛大学附属医院 | 一种耳鼻喉检查图像分割方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vijayarajeswari et al. | Classification of mammogram for early detection of breast cancer using SVM classifier and Hough transform | |
CN108765363B (zh) | 一种基于人工智能的冠脉cta自动后处理系统 | |
CN105957066B (zh) | 基于自动上下文模型的ct图像肝脏分割方法及系统 | |
Kim et al. | Machine-learning-based automatic identification of fetal abdominal circumference from ultrasound images | |
CN105913432B (zh) | 基于ct序列图像的主动脉提取方法及装置 | |
CN109584233A (zh) | 基于主观阈值及三维标签技术的三维图像分割方法 | |
Zheng et al. | Multi-part modeling and segmentation of left atrium in C-arm CT for image-guided ablation of atrial fibrillation | |
CN108053433A (zh) | 一种基于物理对齐和轮廓匹配的多模态颈动脉mri配准方法 | |
CN106846346B (zh) | 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法 | |
CN106485704A (zh) | 血管中心线的提取方法 | |
CN102737379A (zh) | 一种基于自适应学习的ct图像分割方法 | |
Patil et al. | A review paper on brain tumor segmentation and detection | |
CN105957063A (zh) | 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统 | |
CN103440665A (zh) | 膝关节软骨图像自动分割方法 | |
CN103810363B (zh) | 血管造影术中的血管种子点选取方法及血管提取方法 | |
Wang | A multi-scale approach for delineating individual tree crowns with very high resolution imagery | |
CN102509286A (zh) | 一种医学图像目标区域勾画方法 | |
CN104751437A (zh) | 基于胸部ct图像的肺部自动提取方法 | |
CN104616289A (zh) | 一种3d ct图像中骨组织的移除方法及系统 | |
CN106780491B (zh) | Gvf法分割ct骨盆图像中采用的初始轮廓生成方法 | |
CN104182755A (zh) | 基于塔形pca的乳腺钼靶x线图像块特征提取方法 | |
CN102663762B (zh) | 医学图像中对称器官的分割方法 | |
CN106780492B (zh) | 一种ct骨盆图像的关键帧提取方法 | |
CN107481242A (zh) | 一种能谱ct图像的分割方法及系统 | |
CN104915989B (zh) | 基于ct影像的血管三维分割方法 |
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 |