CN109934829A - 一种基于三维图割算法的肝脏分割方法 - Google Patents
一种基于三维图割算法的肝脏分割方法 Download PDFInfo
- Publication number
- CN109934829A CN109934829A CN201910188520.2A CN201910188520A CN109934829A CN 109934829 A CN109934829 A CN 109934829A CN 201910188520 A CN201910188520 A CN 201910188520A CN 109934829 A CN109934829 A CN 109934829A
- Authority
- CN
- China
- Prior art keywords
- liver
- image
- segmentation
- dimensional
- original mask
- 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
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于三维图割算法的肝脏分割方法,包括以下步骤:S101、窗位调整:预先将CT图像序列的窗宽和窗位进行调整,突显肝脏区域显影,制得调整图CT图像A;S103、灰度变换:将获得的调整图CT图像A进行灰度变换处理,保留肝脏区域图像,过滤掉偏暗的组织图像,制得增强图CT图像B;S105、初始掩膜处理:将获得增强图CT图像B中随机选取腹部CT图像中的单个切片,使用GraphCut算法对腹部CT图像序列中的单个切片进行肝脏二维分割。本发明通过三维图割算法进行CT图像的肝脏区域分割,根据三维CT图像中单张肝脏分割结果,能够快速迭代完成肝脏分割,获取完整的肝脏图像信息,从而便于后续的重建,能实现快速、准确且自动化的肝脏分割。
Description
技术领域
本发明涉及医学图像分割处理技术领域,具体来说,涉及一种基于三维图割算法的肝脏分割方法。
背景技术
肝癌是一种最常见的恶性肝脏疾病,死亡率较高。计算机断层扫描(CT,ComputerTomography)作为肝癌诊断的非侵入性精确成像方式,不仅使医生能够更直接、更清晰地获取病变的重要数据信息,也使病人免受侵入式诊断之苦,但大量的CT影像的分析耗时长,并有可能使医生做出错误判断。因此,进行计算机辅助诊断(Computer Aided Diagnosis,CAD)系统的研究对于帮助医生提高诊断效率具有十分重要的意义和价值。作为肝脏计算机辅助诊断系统中最关键的步骤之一,肝脏CT图像的分割是建立肝脏三维模型、模拟肝脏血管系统、以及确定肝脏病变组织位置的基础,已经引起科研工作者的广泛关注。由于CT成像设备获取的图像具有内在不确定性,其模糊程度依赖于许多因素,尤其是肝脏图像与周围的腹壁肌肉、膈肌、心脏等器官或组织间缺乏良好的灰度对比,使得CT图像中难以找到肝脏与不同组织之间的清晰边界,为肝脏CT图像的分割带来了困难。因此,研究快速准确分割出肝脏图像的方法具有重要意义。
针对肝脏CT图像的分割,研究学者提出了许多不同方法,常用的方法有:
1、形态学分割方法,如Lim采用多阈值结合形态滤波提取肝脏初始轮廓,并利用轮廓附近的梯度信息和灰度分布信息得到最终结果,这种方法的缺点是需要人工设置大量参数,参数对分割结果的精确性影响很大,而且此方法只适用于肝脏与周围器官的灰度相差较大的图像;
2、基于形变模型的分割方法,如Heimann结合形变模型和统计先验性来进行分割,但是基于形变模型的分割方法需要先利用大量的肝脏形状图片来训练统计形状模型以获得肝脏的轮廓,这种方法耗时长且分割结果受训练图片的影响较大;
3、基于神经网络的分割方法,如Wang通过对模糊细胞神经网络进行改进并将其应用于肝脏的分割,Zafer提出一种新的监督学习神经网络ISNN (incremental supervisedneural network) ,并将其应用于肝脏分割等,这种方法需要人为从分割结果中确立模板,分割结果受模板的影响较大;
4、基于聚类分割方法,如Liu将K-means和SVM相结合用于肝脏的分割,但SVM算法受初始值影响较大,且对噪声敏感,算法稳定度较低。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于三维图割算法的肝脏分割方法,该方法使用三维图割算法进行CT图像的肝脏区域分割,根据三维CT图像中单张肝脏分割结果,能够快速迭代完成肝脏分割,获取完整的肝脏图像信息,从而便于后续的重建,能实现快速、准确且自动化的肝脏分割,从而减轻医护人员工作量,对医学诊断提供辅助,以克服现有相关技术所存在的上述技术问题。
本发明的技术方案是这样实现的:
一种基于三维图割算法的肝脏分割方法,包括以下步骤:
S101、窗位调整:预先将CT图像序列的窗宽和窗位进行调整,突显肝脏区域显影,制得调整图CT图像A;
S103、灰度变换:将获得的调整图CT图像A进行灰度变换处理,保留肝脏区域图像,过滤掉偏暗的组织图像,制得增强图CT图像B;
S105、初始掩膜处理:将获得增强图CT图像B中随机选取腹部CT图像中的单个切片,使用GraphCut算法对腹部CT图像序列中的单个切片进行肝脏二维分割,制得单个切片的肝脏分割结果M,将M作为后续迭代分割的初始掩膜G;
S107、前景掩膜处理:预先获取初始掩膜G在三维CT图像序列中所处的位置S,对S处的初始掩膜G进行调整,将调整好的初始掩膜G作为其它切片的初始前景掩膜P;
S109、相邻层切片处理:将获得的初始前景掩膜P再次使用GraphCut分割算法对当前切片相邻层切片进行分割,得到相邻层的分割结果N;
S111、分析切片数据:判断是否处理完全部切片数据,如果完成则跳至S113获得分割结果,否则跳回S107继续执行操作;
S113、肝脏分割图像:完成CT序列肝脏分割,获取完整的肝脏分割图像。
进一步的,步骤所述S103灰度变换中,采用如下公式:
Newp = (P + 0.5*fw – fl)* (255 / fw),其中;
p为当前像素点的值,fw和fl分别为当前所设置的窗宽和窗位。
进一步的,步骤S105中单个切片的肝脏分割结果M使用vtk图像处理库将M显示于增强图CT图像B中。
进一步的,步骤S107中初始掩膜G调整包括膨胀处理或腐蚀处理,其中z轴增加时对初始掩膜G进行膨胀操作,z轴变小时对初始掩膜G进行腐蚀操作。
本发明的有益效果:
1、本发明方法采用三维图割算法进行CT图像的肝脏区域分割,根据三维CT图像中单张肝脏分割结果,能够快速迭代完成肝脏分割,获取完整的肝脏图像信息,从而便于后续的重建。
2. 本发明方法在分割肝脏CT图像时自动化水平高,是完全、充分的自动化分割,避免了大多数分割算法需要人工交互造成的对算法鲁棒性的影响以及能够有效地将前景与背景分开。
综上所述,本发明方法能实现快速、准确且自动化的肝脏分割,从而减轻医护人员工作量,对医学诊断提供辅助。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于三维图割算法的肝脏分割方法的流程示意图;
图2是根据本发明实施例的一种基于三维图割算法的肝脏分割方法的GraphCut算法场景图;
图3是根据本发明实施例的一种基于三维图割算法的肝脏分割方法的应用场景图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明的实施例,提供了一种基于三维图割算法的肝脏分割方法。
如图1-3所示,根据本发明实施例的基于三维图割算法的肝脏分割方法,包括以下步骤:
S101、窗位调整:预先将CT图像序列的窗宽和窗位进行调整,突显肝脏区域显影,制得调整图CT图像A;
S103、灰度变换:将获得的调整图CT图像A进行灰度变换处理,保留肝脏区域图像,过滤掉偏暗的组织图像,制得增强图CT图像B;
S105、初始掩膜处理:将获得增强图CT图像B中随机选取腹部CT图像中的单个切片,使用GraphCut算法对腹部CT图像序列中的单个切片进行肝脏二维分割,制得单个切片的肝脏分割结果M,将M作为后续迭代分割的初始掩膜G;
S107、前景掩膜处理:预先获取初始掩膜G在三维CT图像序列中所处的位置S,对S处的初始掩膜G进行调整,将调整好的初始掩膜G作为其它切片的初始前景掩膜P;
S109、相邻层切片处理:将获得的初始前景掩膜P再次使用GraphCut分割算法对当前切片相邻层切片进行分割,得到相邻层的分割结果N;
S111、分析切片数据:判断是否处理完全部切片数据,如果完成则跳至S113获得分割结果,否则跳回S107继续执行操作;
S113、肝脏分割图像:完成CT序列肝脏分割,获取完整的肝脏分割图像。
借助于上述技术方案,通过采用三维图割算法进行CT图像的肝脏区域分割,根据三维CT图像中单张肝脏分割结果,能够快速迭代完成肝脏分割,获取完整的肝脏图像信息,从而便于后续的重建。在分割肝脏CT图像时自动化水平高,是完全、充分的自动化分割,避免了大多数分割算法需要人工交互造成的对算法鲁棒性的影响以及能够有效地将前景与背景分开。
另外,在一个实施例中,步骤所述S103灰度变换中,采用如下公式:
Newp = (P + 0.5*fw – fl)* (255 / fw),其中;
p为当前像素点的值,fw和fl分别为当前所设置的窗宽和窗位。
另外,在一个实施例中,步骤S105中单个切片的肝脏分割结果M使用vtk图像处理库将M显示于增强图CT图像B中。
另外,在一个实施例中,步骤S107中初始掩膜G调整包括膨胀处理或腐蚀处理,其中z轴增加时对初始掩膜G进行膨胀操作,z轴变小时对初始掩膜G进行腐蚀操作。
另外,在一个实施例中,对于上述单个切片的肝脏分割结果M来说,随机选择腹部CT图像中的单个切片,设置CT图像序列中单张切片的前景与背景,通过交互式的功能,对图像前景以及背景进行划线标记,前景标记为蓝色,背景标记为紫色;设置图割参数,再执行图割算法,对单张切片进行分割,得到单张切片肝脏分割结果M;使用vtk图像处理库将M显示于增强图CT图像B中。
另外,在一个实施例中,对于上述初始掩膜G调整包括膨胀处理或腐蚀处理,将随机选取腹部CT图像中的单个切片的分割结果作为其他层切片的初始前景,由于肝脏在其他层中的影像会比当前层范围大或者小;此时,需要对肝脏分割结果M进行图像形态学中的膨胀与腐蚀操作,调整之后适用于其他层的肝脏区域,作为其他层肝脏图割进行时的初始前景,并且将腹部CT图像的外围设置为背景。
综上所述,借助于本发明的上述技术方案,可实现如下效果:
1、本发明方法采用三维图割算法进行CT图像的肝脏区域分割,根据三维CT图像中单张肝脏分割结果,能够快速迭代完成肝脏分割,获取完整的肝脏图像信息,从而便于后续的重建。
2. 本发明方法在分割肝脏CT图像时自动化水平高,是完全、充分的自动化分割,避免了大多数分割算法需要人工交互造成的对算法鲁棒性的影响以及能够有效地将前景与背景分开。
综上所述,本发明方法能实现快速、准确且自动化的肝脏分割,从而减轻医护人员工作量,对医学诊断提供辅助。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于三维图割算法的肝脏分割方法,其特征在于,包括以下步骤:
S101、窗位调整:预先将CT图像序列的窗宽和窗位进行调整,突显肝脏区域显影,制得调整图CT图像A;
S103、灰度变换:将获得的调整图CT图像A进行灰度变换处理,保留肝脏区域图像,过滤掉偏暗的组织图像,制得增强图CT图像B;
S105、初始掩膜处理:将获得增强图CT图像B中随机选取腹部CT图像中的单个切片,使用GraphCut算法对腹部CT图像序列中的单个切片进行肝脏二维分割,制得单个切片的肝脏分割结果M,将M作为后续迭代分割的初始掩膜G;
S107、前景掩膜处理:预先获取初始掩膜G在三维CT图像序列中所处的位置S,对S处的初始掩膜G进行调整,将调整好的初始掩膜G作为其它切片的初始前景掩膜P;
S109、相邻层切片处理:将获得的初始前景掩膜P再次使用GraphCut分割算法对当前切片相邻层切片进行分割,得到相邻层的分割结果N;
S111、分析切片数据:判断是否处理完全部切片数据,如果完成则跳至S113获得分割结果,否则跳回S107继续执行操作;
S113、肝脏分割图像:完成CT序列肝脏分割,获取完整的肝脏分割图像。
2.根据权利要求1所述的基于三维图割算法的肝脏分割方法,其特征在于,步骤所述S103灰度变换中,采用如下公式:
Newp = (P + 0.5*fw – fl)* (255 / fw),其中;
p为当前像素点的值,fw和fl分别为当前所设置的窗宽和窗位。
3.根据权利要求1所述的基于三维图割算法的肝脏分割方法,其特征在于,步骤S105中单个切片的肝脏分割结果M使用vtk图像处理库将M显示于增强图CT图像B中。
4.根据权利要求1所述的基于三维图割算法的肝脏分割方法,其特征在于,步骤S107中初始掩膜G调整包括膨胀处理或腐蚀处理,其中z轴增加时对初始掩膜G进行膨胀操作,z轴变小时对初始掩膜G进行腐蚀操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910188520.2A CN109934829B (zh) | 2019-03-13 | 2019-03-13 | 一种基于三维图割算法的肝脏分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910188520.2A CN109934829B (zh) | 2019-03-13 | 2019-03-13 | 一种基于三维图割算法的肝脏分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109934829A true CN109934829A (zh) | 2019-06-25 |
CN109934829B CN109934829B (zh) | 2022-02-11 |
Family
ID=66986894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910188520.2A Active CN109934829B (zh) | 2019-03-13 | 2019-03-13 | 一种基于三维图割算法的肝脏分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934829B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798535A (zh) * | 2020-09-09 | 2020-10-20 | 南京安科医疗科技有限公司 | Ct图像增强显示方法及计算机可读存储介质 |
CN112802193A (zh) * | 2021-03-11 | 2021-05-14 | 重庆邮电大学 | 一种基于mc-t算法的ct图像三维重建方法 |
CN114332087A (zh) * | 2022-03-15 | 2022-04-12 | 杭州电子科技大学 | Octa图像的三维皮层表面分割方法及系统 |
US20220180525A1 (en) * | 2019-03-21 | 2022-06-09 | Covidien Lp | Organ segmentation method and system |
CN117576124A (zh) * | 2024-01-15 | 2024-02-20 | 福建智康云医疗科技有限公司 | 一种基于人工智能的腹部ct图像肝脏分割方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463862A (zh) * | 2014-11-28 | 2015-03-25 | 哈尔滨工业大学 | 肾脏ct序列图像快速分割方法 |
CN107730528A (zh) * | 2017-10-28 | 2018-02-23 | 天津大学 | 一种基于grabcut算法的交互式图像分割与融合方法 |
CN109102506A (zh) * | 2018-08-20 | 2018-12-28 | 东北大学 | 一种基于三级级联网络进行腹部ct肝脏病变图像的自动分割方法 |
-
2019
- 2019-03-13 CN CN201910188520.2A patent/CN109934829B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463862A (zh) * | 2014-11-28 | 2015-03-25 | 哈尔滨工业大学 | 肾脏ct序列图像快速分割方法 |
CN107730528A (zh) * | 2017-10-28 | 2018-02-23 | 天津大学 | 一种基于grabcut算法的交互式图像分割与融合方法 |
CN109102506A (zh) * | 2018-08-20 | 2018-12-28 | 东北大学 | 一种基于三级级联网络进行腹部ct肝脏病变图像的自动分割方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220180525A1 (en) * | 2019-03-21 | 2022-06-09 | Covidien Lp | Organ segmentation method and system |
CN111798535A (zh) * | 2020-09-09 | 2020-10-20 | 南京安科医疗科技有限公司 | Ct图像增强显示方法及计算机可读存储介质 |
CN112802193A (zh) * | 2021-03-11 | 2021-05-14 | 重庆邮电大学 | 一种基于mc-t算法的ct图像三维重建方法 |
CN114332087A (zh) * | 2022-03-15 | 2022-04-12 | 杭州电子科技大学 | Octa图像的三维皮层表面分割方法及系统 |
CN117576124A (zh) * | 2024-01-15 | 2024-02-20 | 福建智康云医疗科技有限公司 | 一种基于人工智能的腹部ct图像肝脏分割方法及系统 |
CN117576124B (zh) * | 2024-01-15 | 2024-04-30 | 福建智康云医疗科技有限公司 | 一种基于人工智能的腹部ct图像肝脏分割方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109934829B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934829A (zh) | 一种基于三维图割算法的肝脏分割方法 | |
CN109035255B (zh) | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 | |
CN106296664B (zh) | 血管提取方法 | |
Meinzer et al. | Computerized planning of liver surgery—an overview | |
EP2194505B1 (en) | Method and apparatus for segmenting spine and aorta in a medical image according to a skeletal atlas | |
CN105913432B (zh) | 基于ct序列图像的主动脉提取方法及装置 | |
EP1880673B1 (en) | Method of quantifying organ dynamic behavior, device, method of predicting organ position, device, radiation irradiating method, device and organ abnormality detecting device | |
EP0965104B1 (en) | Autosegmentation/autocontouring methods for use with three-dimensional radiation therapy treatment planning | |
EP1614069B1 (en) | Volume measurements in 3d datasets | |
CN111161241B (zh) | 一种肝脏图像识别方法、电子设备及存储介质 | |
EP3552184A1 (en) | Methods of reconstructing skulls | |
CN107067398A (zh) | 用于三维医学模型中缺失血管的补全方法及装置 | |
EP3065651A1 (en) | Method for constructing a patient-specific surgical guide | |
CN110047068A (zh) | 基于金字塔场景分析网络的mri脑肿瘤分割方法及系统 | |
CN103489198A (zh) | 从序列mr图像中自动分割脑干区域的方法 | |
CN109949322B (zh) | 一种基于磁共振t1增强图像的脑血管图像分割方法 | |
CN105139377A (zh) | 一种腹部ct序列图像肝脏的快速鲁棒自动分割方法 | |
CN109859213A (zh) | 关节置换手术中骨骼关键点检测方法及装置 | |
CN106780491B (zh) | Gvf法分割ct骨盆图像中采用的初始轮廓生成方法 | |
Jimenez-Carretero et al. | Optimal multiresolution 3D level-set method for liver segmentation incorporating local curvature constraints | |
CN114638292A (zh) | 一种基于多尺度分析的人工智能病理辅助诊断系统 | |
CN111724389B (zh) | 髋关节ct图像分割方法、装置、存储介质和计算机设备 | |
Tseng et al. | An adaptive thresholding method for automatic lung segmentation in CT images | |
CN112686897A (zh) | 一种基于弱监督的长短轴辅助肠胃淋巴结像素标注的方法 | |
CN110858412B (zh) | 基于图像配准的心脏冠脉cta模型建立方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |