CN109727260A - 一种基于ct影像的三维肺叶分割方法 - Google Patents
一种基于ct影像的三维肺叶分割方法 Download PDFInfo
- Publication number
- CN109727260A CN109727260A CN201910061682.XA CN201910061682A CN109727260A CN 109727260 A CN109727260 A CN 109727260A CN 201910061682 A CN201910061682 A CN 201910061682A CN 109727260 A CN109727260 A CN 109727260A
- Authority
- CN
- China
- Prior art keywords
- lung
- tracheae
- image
- pulmonary parenchyma
- images
- 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
Abstract
本发明提供了一种基于CT影像的三维肺叶分割方法，属于计算机辅助医学领域。本发明主要在CT影像中进行一个基于标记的分水岭变换，将肺实质细分为五个肺叶。首先采用自动分割算法，分割肺实质，气管以及血管，并利用肺实质，气管以及血管的信息生成用于分水岭分割的成本图像以及属于不同肺叶的标记点。然后在获取成本图像以及标记点的基础上进行分水岭变换，获取初始的肺裂区域。最后将初始的肺裂区域信息与肺实质，气管以及血管的信息相结合生成新的成本图像，并再次进行分水岭变换，获取最终的肺叶分割结果。
Description
技术领域
本发明涉及计算机辅助医学领域，涉及一种基于CT影像的三维肺叶分割方法。
背景技术
近年来，随着现代社会的快速发展，工业活动的日益增多，空气污染愈发严重，肺部疾病的发病率也在逐年升高。以慢阻肺为主的呼吸系统疾病高居我国城镇居民疾病死亡率前列，而肺癌已经成为我国死亡率最高的恶性肿瘤疾病。因此分析肺部组成结构进而探究肺部疾病的成因以及发展情况对于肺部疾病的诊断和治疗具有重要的临床意义。
肺叶的鉴别在肺部疾病的评估以及治疗计划方面具有非常重要的应用。首先由于肺叶间的功能相对独立，许多肺部疾病通常都发生在单个肺叶中。例如，肺气肿，后发性肺结核通常会影响上叶，而特发性肺纤维化通常与下叶相关。因此，在肺叶层次检测肺部疾病对于疾病的类型鉴别和严重程度的评估具有重要的临床意义。其次肺叶内有独立的血管以及支气管树，气管和血管不穿过肺裂。因此肺叶分割是众多肺部手术如肺叶减容手术，肺的移植手术等的前提。
目前国内外对于肺叶分割领域的研究尚存在不足，仍有改进和提升空间。肺叶分割的基础是分割肺实质和三个主要肺裂。肺实质的分割已经较为简单，而肺裂的提取更具挑战性。首先由于受到部分容积效应以及患者运动的影响，肺裂可能会模糊不清。在大多数情况下，无法通过单一的阈值分割将肺裂从周围的其他肺组织中提取出来。其次诸如气管、血管等肺裂附近的肺组织，或者诸如肿瘤，肺气肿等肺部疾病都会影响肺叶分割的准确性。另外研究发现，CT图像中的肺裂通常不完整，并且肺裂也可能与CT图像中常见的其他裂缝混淆。
针对上述问题，本发明设计了一个新的分割方法来分割肺叶。
发明内容
本发明的目的是针对现有技术中的不足，提出了一种基于CT影像的自动化肺叶分割算法，该算法能够稳定且准确的从临床数据中分割出肺叶。
为实现上述目的，本发明采用的技术方案包括以下步骤：
a.读取CT影像数据。
读取DICOM文件，并提取头文件信息，将图像的灰度值转变为CT值。
b.对原始数据进行预处理操作获取肺实质，气管以及血管。
获取肺实质的步骤如下：首先利用简单阈值法以及形态学处理，获取肺实质的主要部分；然后通过区域生成法在肺实质图像中去除气管；最后链码修补方法修补肺实质缺失部分。
获取气管的步骤如下：首先进行高斯平滑滤波；然后利用区域生长法以及形态学重建获取气管候选区域；最后再次进行区域生长，获取最终的气管结果。
获取血管的步骤如下：首先利用Frangi滤波器对CT图像进行多尺度滤波，然后在多幅滤波后图像中，在每一点处选择响应值最高的结果，进而获取最终的血管结果。
c.基于肺实质，气管以及血管信息获取成本图像以及标记点；
获取成本图像的步骤如下：首先气管(血管)数据进行欧式距离变换，然后将肺实质，处理好的气管以及血管图像结合生成成本图像。
获取标记点的步骤如下：首先利用拓扑细化算法提取气管骨架；然后利用气管骨架为二叉树的特点，获取属于不同肺叶的标记点。
d.基于成本图像以及标记点进行分水岭变换，获取初始肺裂位置；
在自动获得的标记点的基础上，对成本图像进行分水岭变换，获取初始的肺裂位置。
e.结合肺裂位置信息，生成新的成本图像；
计算裂隙周围5个像素点区域中的像素点的欧几里德距离，并与步骤c中的处理好的肺实质，气管以及血管图像用相同的权重进行结合，获取新的成本图像。
f.基于新的成本图像以及标记点再次进行分水岭变换，获取肺叶分割结果；
在自动获得的标记点的基础上，对新的成本图像进行分水岭变换，获取最终的肺叶分割结果。
附图说明
图1为基于CT影像的三维肺叶分割方法的流程图。
表1为本发明的分割结果与已有文献《Anatomy-guided lung lobe segmentati-on in X-ray CT images》中的分割结果的统计对照表。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作详细说明。
如附图1所示，一种基于CT影像的三维肺叶分割方法，包括如下步骤：
a.读取CT影像数据。
读取DICOM文件，并提取头文件信息，将图像的灰度值转变为CT值。
b.对原始数据进行预处理操作获取肺实质，气管以及血管。
获取肺实质的步骤如下：首先利用简单阈值法，获取肺实质的主要轮廓；其次通过形态学处理去除噪声；然后通过区域生成法获取主气管，以及左右主支气管，进而从肺实质图像中去除气管；最后链码修补方法修补肺实质缺失部分。
获取气管的步骤如下：首先，为了减少噪声，采用固定内核宽度(＝1.0voxel)的高斯核对图像进行平滑滤波；其次利用区域生长法获取气管主体；然后利用形态学重建获取细小血管的候选区域；最后将候选区域与以获得的气管主体相结合，再次进行区域生长，获取最终的气管结果。
获取血管的步骤如下：首先对图像进行多尺度的高斯滤波；随后获取图像中每个像素点相对应的hessian矩阵，并计算hessian矩阵特征值；然后根据hessian矩阵特征值构建Frangi滤波器来增强血管结构；最后在多幅滤波后图像中，在每一点处选择响应值最高的结果，进而获取最终的血管结果。
c.基于肺实质，气管以及血管信息获取成本图像以及标记点；
获取成本图像的步骤如下：首先将肺实质灰度值范围统一到[0,255]；然后对气管(血管)数据进行欧式距离变换，计算所有点到气管点(血管点)的最短欧式距离，并将结果图像的灰度值范围统一到[0,255]；最后将处理好的肺实质，气管以及血管图像用相同的权重进行结合，并将灰度值范围统一到[0,255]，最终生成成本图像。
获取标记点的步骤如下：首先利用拓扑细化算法提取气管骨架；然后利用气管骨架为二叉树的特点，获取属于不同肺叶的标记点。
d.基于成本图像以及标记点进行分水岭变换，获取初始肺裂位置；
在自动获得的标记点的基础上，对成本图像进行分水岭变换，获取初始的肺裂位置。
e.结合肺裂位置信息，生成新的成本图像；
计算了裂隙周围5个像素点区域中的像素点的欧几里德距离，并与步骤c中的处理好的肺实质，气管以及血管图像用相同的权重进行结合，获取新的成本图像。
f.基于新的成本图像以及标记点再次进行分水岭变换，获取肺叶分割结果；
在自动获得的标记点的基础上，对新的成本图像进行分水岭变换，获取最终的肺叶分割结果。
本实验数据来自上海肺科医院40排螺旋CT扫描图像，成像层厚0.75mm～2.00mm，空间分辨率为0.6836mm～0.7993mm，每幅断层图像都是512×512的16位DICOM格式图像。
将本发明算法与之前文献[1]《Anatomy-guided lung lobe segmentation in X-ray CT images》中的分割结果进行对比，将从金标准的肺裂边界到自动分割的肺叶边界的均方根距离(Root Mean Square，RMS)作为算法评价指标，对比结果如表1所示。通过对比可以看出本发明所使用的方法可以更为准确的分割肺叶。
本发明公开的基于CT影像的三维肺叶分割方法，其相比现有技术而言的优势在于：本发明操作简单、高效，输入CT影像后能够自动分割肺叶。同时，本发明的分割精度较高，在不同的CT数据中都有较好的分割结果。
表1
Claims (3)
1.一种基于CT影像的三维肺叶分割方法，其特征在于，包括以下步骤：
a.读取CT影像数据。
读取DICOM文件，并提取头文件信息，将图像的灰度值转变为CT值。
b.对原始数据进行预处理操作获取肺实质，气管以及血管。
获取肺实质的步骤如下：首先利用简单阈值法，获取肺实质的主要轮廓；其次通过形态学处理去除噪声；然后通过区域生长法获取主气管，以及左右主支气管，进而在获得的肺实质图像中去除气管；最后链码修补法修补肺实质缺失部分。
获取气管的步骤如下：首先利用高斯核对图像进行平滑滤波，减少噪声；其次利用区域生长法获取气管主体；然后利用形态学重建获取细小血管的候选区域；最后将候选区域与以气管主体相结合，再次进行区域生长，获取最终的气管结果。
获取血管的步骤如下：首先对图像进行多尺度的高斯滤波；随后获取图像中每个像素点相对应的hessian矩阵，并计算hessian矩阵特征值；然后根据hessian矩阵特征值构建Frangi滤波器来增强血管结构；最后在多幅滤波后图像中，在每一点处选择响应值最高的结果，获取最终的血管结果。
c.基于肺实质，气管以及血管信息获取成本图像以及标记点；
获取成本图像的步骤如下：首先将肺实质灰度值范围统一到[0,255]；然后对气管(血管)数据进行欧式距离变换，计算所有点到气管点(血管点)的最短欧式距离，并将结果图像的灰度值范围统一到[0,255]；最后将处理好的肺实质，欧式距离变换图像用相同的权重进行结合，并将灰度值范围统一到[0,255]，生成成本图像。
获取标记点的步骤如下：首先利用拓扑细化算法提取气管骨架；然后利用气管骨架为二叉树的特点，获取属于不同肺叶的标记点。
d.基于成本图像以及标记点进行分水岭变换，获取初始肺裂位置；
在自动获得的标记点的基础上，对成本图像进行分水岭变换，获取初始的肺裂位置。
e.结合肺裂位置信息，生成新的成本图像；
计算裂隙周围区域中的像素点到区域以外的最短欧几里德距离，并与步骤c中的处理好的肺实质，欧式距离变换图像用相同的权重进行结合，获得新的成本图像。
f.基于新的成本图像以及标记点再次进行分水岭变换，获取肺叶分割结果；
在自动获得的标记点的基础上，对新的成本图像进行分水岭变换，获取最终的肺叶分割结果。
2.根据权利要求1所述的基于CT影像的三维肺叶分割方法，其特征在于，步骤b中获取肺实质步骤中的简单阈值法的阈值为-600，获取气管步骤中的高斯核的大小为5x5，宽度参数σ为1，获取血管步骤中的尺度分别为1，2，3，4，5。
3.根据权利要求1所述的基于CT影像的三维肺叶分割方法，其特征在于，步骤e中裂隙周围区域的范围在5个像素点以内。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910061682.XA CN109727260A (zh) | 2019-01-24 | 2019-01-24 | 一种基于ct影像的三维肺叶分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910061682.XA CN109727260A (zh) | 2019-01-24 | 2019-01-24 | 一种基于ct影像的三维肺叶分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109727260A true CN109727260A (zh) | 2019-05-07 |
Family
ID=66299835
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910061682.XA Pending CN109727260A (zh) | 2019-01-24 | 2019-01-24 | 一种基于ct影像的三维肺叶分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109727260A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110599482A (zh) * | 2019-09-18 | 2019-12-20 | 青岛海信医疗设备股份有限公司 | 肺裂曲面确定方法、装置、电子设备和存储介质 |
| CN110942453A (zh) * | 2019-11-21 | 2020-03-31 | 山东众阳健康科技集团有限公司 | 一种基于神经网络的ct影像肺叶识别方法 |
| CN112070790A (zh) * | 2020-09-11 | 2020-12-11 | 杭州微引科技有限公司 | 一种基于深度学习和图像处理的混合肺部分割系统 |
| CN112070789A (zh) * | 2020-08-27 | 2020-12-11 | 电子科技大学 | 一种密集纤维细胞的轮廓估算方法 |
| CN112102275A (zh) * | 2020-09-09 | 2020-12-18 | 沈阳东软智能医疗科技研究院有限公司 | 肺主动脉血管图像提取方法、装置、存储介质及电子设备 |
| CN113409306A (zh) * | 2021-07-15 | 2021-09-17 | 推想医疗科技股份有限公司 | 一种检测装置、训练方法、训练装置、设备和介质 |
| US11948305B2 (en) | 2020-06-11 | 2024-04-02 | GE Precision Healthcare LLC | Method and system for segmenting lung image, and storage medium |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020028008A1 (en) * | 2000-09-07 | 2002-03-07 | Li Fan | Automatic detection of lung nodules from high resolution CT images |
| US20050033139A1 (en) * | 2002-07-09 | 2005-02-10 | Deus Technologies, Llc | Adaptive segmentation of anatomic regions in medical images with fuzzy clustering |
| 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 |
| CN107274399A (zh) * | 2017-06-19 | 2017-10-20 | 太原理工大学 | 一种基于Hession矩阵和三维形状指数的肺结节分割方法 |
| CN108288271A (zh) * | 2018-02-06 | 2018-07-17 | 上海交通大学 | 基于三维残差网络的图像检测系统及方法 |
| CN108670285A (zh) * | 2018-06-05 | 2018-10-19 | 胡晓云 | 一种ct肺结核检测人工智能诊疗系统 |
| CN109146854A (zh) * | 2018-08-01 | 2019-01-04 | 东北大学 | 一种肺结节与肺部血管伴生关系的分析方法 |
-
2019
- 2019-01-24 CN CN201910061682.XA patent/CN109727260A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020028008A1 (en) * | 2000-09-07 | 2002-03-07 | Li Fan | Automatic detection of lung nodules from high resolution CT images |
| US20050033139A1 (en) * | 2002-07-09 | 2005-02-10 | Deus Technologies, Llc | Adaptive segmentation of anatomic regions in medical images with fuzzy clustering |
| 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 |
| CN107274399A (zh) * | 2017-06-19 | 2017-10-20 | 太原理工大学 | 一种基于Hession矩阵和三维形状指数的肺结节分割方法 |
| CN108288271A (zh) * | 2018-02-06 | 2018-07-17 | 上海交通大学 | 基于三维残差网络的图像检测系统及方法 |
| CN108670285A (zh) * | 2018-06-05 | 2018-10-19 | 胡晓云 | 一种ct肺结核检测人工智能诊疗系统 |
| CN109146854A (zh) * | 2018-08-01 | 2019-01-04 | 东北大学 | 一种肺结节与肺部血管伴生关系的分析方法 |
Non-Patent Citations (4)
| Title |
|---|
| JING GONG ET AL: "Automatic detection of pulmonary nodules in CT images by incorporating 3D tensor filtering with local image feature analysis", 《PHYSICA MEDICA》 * |
| 李翠芳: "基于CT图像的肺气管树3D分割方法的研究", 《中国医学物理学杂志》 * |
| 袁克虹: "用于计算机辅助诊断的肺实质自动分割方法", 《清华大学学报(自然科学版)》 * |
| 龚敬: "CT图像肺结节计算机辅助检测技术研究进展", 《北京生物医学工程》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110599482A (zh) * | 2019-09-18 | 2019-12-20 | 青岛海信医疗设备股份有限公司 | 肺裂曲面确定方法、装置、电子设备和存储介质 |
| CN110599482B (zh) * | 2019-09-18 | 2022-06-03 | 青岛海信医疗设备股份有限公司 | 肺裂曲面确定方法、装置、电子设备和存储介质 |
| CN110942453A (zh) * | 2019-11-21 | 2020-03-31 | 山东众阳健康科技集团有限公司 | 一种基于神经网络的ct影像肺叶识别方法 |
| US11948305B2 (en) | 2020-06-11 | 2024-04-02 | GE Precision Healthcare LLC | Method and system for segmenting lung image, and storage medium |
| CN112070789A (zh) * | 2020-08-27 | 2020-12-11 | 电子科技大学 | 一种密集纤维细胞的轮廓估算方法 |
| CN112070789B (zh) * | 2020-08-27 | 2022-06-21 | 电子科技大学 | 一种密集纤维细胞的轮廓估算方法 |
| CN112102275A (zh) * | 2020-09-09 | 2020-12-18 | 沈阳东软智能医疗科技研究院有限公司 | 肺主动脉血管图像提取方法、装置、存储介质及电子设备 |
| CN112102275B (zh) * | 2020-09-09 | 2023-08-08 | 东软熙康健康科技有限公司 | 肺主动脉血管图像提取方法、装置、存储介质及电子设备 |
| CN112070790A (zh) * | 2020-09-11 | 2020-12-11 | 杭州微引科技有限公司 | 一种基于深度学习和图像处理的混合肺部分割系统 |
| CN113409306A (zh) * | 2021-07-15 | 2021-09-17 | 推想医疗科技股份有限公司 | 一种检测装置、训练方法、训练装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109727260A (zh) | 一种基于ct影像的三维肺叶分割方法 | |
| CN108596887B (zh) | 一种腹部ct序列图像中肝脏肿瘤区域图像的自动分割方法 | |
| CN104992445B (zh) | 一种ct图像肺实质的自动分割方法 | |
| CN107622492B (zh) | 肺裂分割方法及系统 | |
| CN110473207B (zh) | 一种交互式分割肺叶的方法 | |
| CN106097305B (zh) | 双行程区域生长结合形态学重建的肺部气管树分割方法 | |
| CN112184617B (zh) | 一种基于深度学习的脊椎mri影像关键点检测方法 | |
| CN109035283B (zh) | 一种基于随机选取分区的肺气肿精准检测与量化分析方法 | |
| Pulagam et al. | Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases | |
| CN109146854A (zh) | 一种肺结节与肺部血管伴生关系的分析方法 | |
| CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
| CN106127753B (zh) | 一种外科手术中ct影像体表人工标记自动提取方法 | |
| CN114757960B (zh) | 一种基于cbct图像的牙齿分割与重建方法及存储介质 | |
| CN111260669A (zh) | 基于ct图像的肺叶分割方法和装置 | |
| CN115661149A (zh) | 一种基于肺部组织数据的肺部影像处理系统 | |
| Gao et al. | Accurate lung segmentation for X-ray CT images | |
| Cheng et al. | Segmentation of the airway tree from chest CT using tiny atrous convolutional network | |
| CN104933723A (zh) | 基于稀疏表示的舌图像分割方法 | |
| CN110766667A (zh) | 基于轮廓样本库匹配和模板引导的受损骨骼修复建模方法 | |
| CN104835155A (zh) | 基于分形的早期乳腺癌钙化点计算机辅助检测方法 | |
| CN111145226A (zh) | 基于ct影像的三维肺部特征提取方法 | |
| Xiao et al. | A semiautomatic segmentation algorithm for extracting the complete structure of acini from synchrotron micro-CT images | |
| Likhitkar et al. | Automated detection of cancerous lung nodule from the computed tomography images | |
| CN111415341A (zh) | 肺炎阶段的评估方法、装置、介质及电子设备 | |
| Tong et al. | Computer-aided lung nodule detection based on CT images |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190507 |
|
| WD01 | Invention patent application deemed withdrawn after publication |