CN109978860B - 胸水判别方法、装置和计算机设备 - Google Patents
胸水判别方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN109978860B CN109978860B CN201910237816.9A CN201910237816A CN109978860B CN 109978860 B CN109978860 B CN 109978860B CN 201910237816 A CN201910237816 A CN 201910237816A CN 109978860 B CN109978860 B CN 109978860B
- Authority
- CN
- China
- Prior art keywords
- image
- region
- lung
- preset
- hydrothorax
- 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
Images
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
- G06T7/11—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种胸水判别方法、装置和计算机设备,该胸水判别方法包括:获取肺部CT图像,并根据所述CT图像中的骨块划分出胸腔区域;对所述CT图像进行预设算法的图像处理,划分出所述CT图像中的肺部区域;获取所述CT图像中预设数量的所述肺部区域下方预设距离内的像素点;判断是否有等于及超出预设比例的像素点位于所述胸腔区域中,当有等于及超出预设比例的像素点位于所述胸腔区域时,确定所述CT图像有胸水。本发明的胸水判别方法可以快速准确判断肺部CT图像中是否有胸水存在,提高肺部CT图像胸水诊断的效率。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种胸水判别方法、装置、计算机设备和计算机存储介质。
背景技术
现有的肺部胸水诊断手段主要由医疗保健人员直接观察患者的CT图像,进而得出诊断结果。但是由于进行胸水诊断时获取的肺部断层扫描CT图像比较多,医疗保健人员需要逐张进行检视,在完成所有CT图像的检视后才可得出诊断结果,因此目前的胸水诊断方法效率较低,缺乏效率以及准确度高的胸水判别方法。
发明内容
鉴于上述问题,本发明提供了一种胸水判别方法、装置、计算机设备和计算机存储介质,以快速准确判断肺部CT图像中是否有胸水存在,提高肺部CT图像胸水诊断的效率。
为了实现上述目的,本发明采用如下的技术方案:
一种胸水判别方法,包括:
获取肺部CT图像,并根据所述CT图像中的骨块划分出胸腔区域;
对所述CT图像进行预设算法的图像处理,划分出所述CT图像中的肺部区域;
获取所述CT图像中预设数量的所述肺部区域下方预设距离内的像素点;
判断是否有等于及超出预设比例的像素点位于所述胸腔区域中,当有等于及超出预设比例的像素点位于所述胸腔区域时,确定所述CT图像有胸水。
优选地,所述“获取肺部CT图像,并根据所述CT图像中的骨块划分出胸腔区域”包括:
利用预设图像灰度值对骨窗显示的所述CT图像进行二值化处理,获得所述CT图像中的灰度值较高的初始骨块;
对所述初始骨块进行形态学膨胀处理,并去除面积小于预设阈值的初始骨块,获得骨块二值图像;
计算所述骨块二值图像上各个骨块的质心坐标,并按照预设连线顺序连接各个骨块的质心坐标,划分出所述胸腔区域。
优选地,所述“对所述CT图像进行预设算法的图像处理,划分出所述CT图像中的肺部区域”包括:
利用预设图像灰度值对肺窗显示的所述CT图像进行二值化处理,获得所述CT图像中灰度值较低的块状区域;
筛选出多个块状区域中面积最大的两个连通区域,为所述CT图像中的初始肺部区域;
对所述初始肺部区域进行空洞填充处理以及形态学膨胀处理,获得所述CT图像中的肺部区域。
优选地,所述的胸水判别方法,还包括:
当确定所述CT图像有胸水时,获取CT图像中所述胸水所在的肺部的下方内侧角点;
将所述胸水所在的肺部的下方内侧角点与脊柱的下方同侧骨块的质心点连接,获得胸水内侧边界线;
根据所述胸腔区域、所述肺部区域以及所述胸水内侧边界线,划分出胸水区域,并计算所述CT图像中胸水区域的面积;
获取预设张数CT图像中胸水区域的面积,进行求和处理获得总胸水体积。
本发明还提供一种胸水判别装置,包括:
胸腔区域划分模块,用于获取肺部CT图像,并根据所述CT图像中的骨块划分出胸腔区域;
肺部区域划分模块,用于对所述CT图像进行预设算法的图像处理,划分出所述CT图像中的肺部区域;
像素点获取模块,用于获取所述CT图像中预设数量的所述肺部区域下方预设距离内的像素点;
胸水判断模块,用于判断是否有等于及超出预设比例的像素点位于所述胸腔区域中,当有等于及超出预设比例的像素点位于所述胸腔区域时,确定所述CT图像有胸水。
优选地,所述胸腔区域划分模块包括:
二值化处理单元,用于利用预设图像灰度值对骨窗显示的所述CT图像进行二值化处理,获得所述CT图像中的灰度值较高的初始骨块;
膨胀处理单元,用于对所述初始骨块进行形态学膨胀处理,并去除面积小于预设阈值的初始骨块,获得骨块二值图像;
胸腔区域划分单元,用于计算所述骨块二值图像上各个骨块的质心坐标,并按照预设连线顺序连接各个骨块的质心坐标,划分出所述胸腔区域。
优选地,所述肺部区域划分模块包括:
二值化处理单元,用于利用预设图像灰度值对肺窗显示的所述CT图像进行二值化处理,获得所述CT图像中灰度值较低的块状区域;
初始区域筛选单元,用于筛选出多个块状区域中面积最大的两个连通区域,为所述CT图像中的初始肺部区域;
填充膨胀处理单元,用于对所述初始肺部区域进行空洞填充处理以及形态学膨胀处理,获得所述CT图像中的肺部区域。
优选地,所述的胸水判别装置,还包括:
角点获取模块,用于当确定所述CT图像有胸水时,获取CT图像中所述胸水所在的肺部的下方内侧角点;
边界线获取模块,用于将所述胸水所在的肺部的下方内侧角点与脊柱的下方同侧骨块的质心点连接,获得胸水内侧边界线;
胸水区域划分模块,用于根据所述胸腔区域、所述肺部区域以及所述胸水内侧边界线,划分出胸水区域,并计算所述CT图像中胸水区域的面积;
胸水体积计算模块,用于获取预设张数CT图像中胸水区域的面积,进行求和处理获得总胸水体积。
本发明还提供一种计算机设备,包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述计算机设备执行所述的胸水判别方法。
本发明还提供一种计算机存储介质,其存储有所述的计算机设备中所使用的计算机程序。
本发明提供一种胸水判别方法,该胸水判别方法包括:获取肺部CT图像,并根据所述CT图像中的骨块划分出胸腔区域;对所述CT图像进行预设算法的图像处理,划分出所述CT图像中的肺部区域;获取所述CT图像中预设数量的所述肺部区域下方预设距离内的像素点;判断是否有等于及超出预设比例的像素点位于所述胸腔区域中,当有等于及超出预设比例的像素点位于所述胸腔区域时,确定所述CT图像有胸水。本发明的胸水判别方法可以快速准确判断肺部CT图像中是否有胸水存在,提高肺部CT图像胸水诊断的效率。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明范围的限定。
图1是本发明实施例1提供的一种胸水判别方法的流程图;
图2是本发明实施例1提供的一种胸水判别方法的划分胸腔区域的流程图;
图3是本发明实施例1提供的一种胸水判别方法的划分肺部区域的流程图;
图4是本发明实施例2提供的一种胸水判别方法的流程图;
图5是本发明实施例2提供的CT图像;
图6是本发明实施例3提供的一种胸水判别装置的结构示意图;
图7是本发明实施例3提供的一种胸水判别装置的胸腔区域划分模块的结构示意图;
图8是本发明实施例3提供的一种胸水判别装置的肺部区域划分模块的结构示意图;
图9是本发明实施例3提供的另一种胸水判别装置的胸腔区域划分模块的结构示意图。
具体实施方式
下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
图1是本发明实施例1提供的一种胸水判别方法的流程图,该方法包括如下步骤:
步骤S11:获取肺部CT图像,并根据CT图像中的骨块划分出胸腔区域。
本发明实施例中,主要利用肺部的CT图像(CT,Computed Tomography)来进行胸水的判断,其中,CT图像即电子计算机断层扫描图像,利用精确准直的X线束、Y射线以及超声波等,与灵敏度极高的探测器一同围绕人体的某一部位做一个接一个的断面扫描,具体地,本实施例为人体肺部的断面扫描图像。
本发明实施例中,获取肺部CT图像,在对肺部CT图像进行区域划分前,可以对所有肺部CT图像进行重采样处理,根据肺部CT图像的平面X、Y轴分辨率对纵向Z轴进行重采样,统一CT图像三轴的分辨率,也即统一肺部CT图像三个维度的层间距,以提高后续体积计算的精确度。
本发明实施例中,上述肺部CT图像通过CT仪器获得,获得的图像可以传输至进行图像处理以及显示使用的计算机设备中,例如可以传输至电脑。在计算机设备中,进行肺部CT图像显示时,可以利用骨窗显示CT图像,也即利用计算机设备调整CT图像的窗宽以及窗位,进行胸腔中骨块的重点显示。最终,可以利用计算机设备根据重点显示的骨块的位置,划分出肺部CT图像的胸腔区域。
步骤S12:对CT图像进行预设算法的图像处理,划分出CT图像中的肺部区域。
本发明实施例中,为划分出CT图像中的肺部区域,在计算机设备中还可以利用肺窗显示CT图像,并利用预设的算法对肺窗显示的CT图像进行图像处理,从而划分出CT图像中的肺部区域。
步骤S13:获取CT图像中预设数量的肺部区域下方预设距离内的像素点。
本发明实施例中,在划分出CT图像中的胸腔区域以及肺部区域后,可以利用两个区域进行胸水的判断。具体地,在人体肺部正常健康无胸水的情况下,肺部区域应该基本充满整个胸腔区域,而在有胸水的情况下肺部区域因为胸水的阻碍应该无法充满整个胸腔。因此进行胸水判别时,可以判别肺部区域是否基本占满整个胸腔区域,基本占满则无胸水,也即胸腔区域与肺部区域中是否有低于预设宽度值的间隙,如果胸腔区域与肺部区域之间的间隙低于预设宽度值时,则无胸水。
本发明实施例中,在判别肺部CT图像有无胸水前,可以先获取肺部区域下方的像素点。在获取像素点时,可以在肺部区域下方预设距离内进行,并且按照预设数量进行获取。获取的像素点可以是线性排列的,例如获取等间隔的一排像素点,也可以是非线性排列的,这里不做限定。其中,上述获取肺部区域下方的像素点的过程可以通过算法或应用程序来实现,例如可以在计算机设备中设置有应用程序,在获取肺部CT图像后可以利用应用程序进行胸腔区域以及肺部区域的划分,并且按照预设规则获取像素点。
步骤S14:判断是否有等于及超出预设比例的像素点位于胸腔区域中,当有等于及超出预设比例的像素点位于胸腔区域时,确定CT图像有胸水。
本发明实施例中,通过判断是否有等于及超出预设比例的像素点位于胸腔区域中,可以判断肺部CT图像中是否有胸水,也即有部分像素点位于胸腔区域与肺部区域之间的间隙中。例如,可以在肺部区域下方预设距离获取5个像素点,预设比例为3:5,也即5个像素点中,当有3个以上像素点位于胸腔区域时,则可确定该CT图像有胸水,而剩余的像素点可以位于胸腔外部区域。其中,上述像素点的个数,以及进行判断所需的预设比例可以按照实际效果进行调整,在此不做限定。
在另一实施例中,胸水判别方法的划分胸腔区域的过程包如图2所示,括如下步骤:
步骤S21:利用预设图像灰度值对骨窗显示的CT图像进行二值化处理,获得CT图像中的灰度值较高的初始骨块。
本发明实施例中,在划分胸腔区域时,首先利用预设的图像灰度值对骨窗显示的CT图像进行二值化处理,例如筛选出CT图像中灰度值大于预设灰度值的像素点,并将该像素点的灰度值设置为1,剩余像素点的灰度值设置为0,因CT图像中骨块灰度值比其他组织的灰度值高,因此通过二值化处理可以很好的划分出骨块的初始图像。其中,上述对CT图像进行二值化处理的过程可以在计算机设备中利用算法或应用程序来实现,例如可以在计算机设备中设置有二值化处理应用程序,对骨窗显示的CT图像进行二值化处理。
步骤S22:对初始骨块进行形态学膨胀处理,并去除面积小于预设阈值的初始骨块,获得骨块二值图像。
本发明实施例中,在获取骨块的初始图像后,将对该骨块初始图像进行形态学膨胀处理,也即把得到的初始骨块图像按照预设值外扩一圈,以保证骨块被完全提取到。其中,进行形态学膨胀处理的过程可以利用算法或应用程序来实现,例如可以在计算机设备中设置有形态学膨胀应用程序,对获得的初始骨块进行形态学膨胀处理。
本发明实施例中,还将去除面积小于一定阈值的初始骨块区域,以得到合适的骨块二值图像。其中,上述去除面积小于一定阈值的初始骨块的过程可以是在形态膨胀处理后进行,也可以是在形态膨胀处理前进行。去除面积小于一定阈值的初始骨块的过程也可以利用算法或应用程序来实现,例如可以在计算机设备中设置有应用程序,利用该应用程序计算骨块的面积,并去除面积小于预设值的骨块图像,获得合适的骨块二值图像。
步骤S23:计算骨块二值图像上各个骨块的质心坐标,并按照预设连线顺序连接各个骨块的质心坐标,划分出胸腔区域。
本发明实施例中,在获得合适的骨块二值图像后,将计算骨块二值图像上各个骨块的质心坐标。质心也即质量中心,指的是骨块上质量集中的一个假想点,可以通过预设的算法以及骨块的面积运算获得,例如可以在计算机设备中设置有应用程序,利用该应用程序运行预设算法获得图像中各个骨块的质心坐标。
本发明实施例中,在获得各个骨块的质心坐标后,将按照预设连线顺序连接各个骨块的质心坐标,划分出胸腔区域,例如可以按照逆时针顺序以及顺时针顺序,初始的质心坐标点可以随机选取,也可以为固定的坐标点,例如可以为脊柱骨块的质心坐标。在进行各个骨块的质心坐标顺时针顺序连线的过程中,可以计算剩余坐标点到当前坐标点的距离,选择到当前坐标点最短距离的顺时针方向上的剩余点与当前坐标点,然后把该剩余点作为当前坐标点,寻找下一个剩余坐标点,以此类推最终确定所有点的连线顺序。逆时针顺序连线的过程同理,这里不再赘述。
在另一实施例中,胸水判别方法的划分肺部区域的过程包如图3所示,括如下步骤:
步骤S31:利用预设图像灰度值对肺窗显示的CT图像进行二值化处理,获得CT图像中灰度值较低的块状区域。
本发明实施例中,同样地在划分肺部区域时,可以利用预设的图像灰度值对肺窗显示的CT图像进行二值化处理,例如筛选出CT图像中灰度值小于预设灰度值的像素点,并将该像素点的灰度值设置为1,剩余像素点的灰度值设置为0,因CT图像中肺部灰度值比其他组织低,因此通过二值化处理后可以获得多个块状区域,多个块状区域中有为肺部的块状区域。
步骤S32:筛选出多个块状区域中面积最大的两个连通区域,为CT图像中的初始肺部区域。
本发明实施例中,在获取多个块状区域后,可以计算各个块状区域的面积,或者进行块状区域之间的比较,筛选出多个块状区域中面积最大的两个连通区域,为CT图像中初始肺部区域。其中,上述筛选过程可以在计算机设备中通过算法或应用程序来实现,这里不做限定。
步骤S33:对初始肺部区域进行空洞填充处理以及形态学膨胀处理,获得CT图像中的肺部区域。
本发明实施例中,因为肺部的血管等组织在CT图像中的灰度值比较高,因此通过二值化处理后获得的初始肺部区域图像中将会漏掉部分区域,形成一些小空洞,这时可以对初始肺部区域进行空洞填充处理,使初始肺部区域趋近完整。其中,上述空洞填充处理的过程可以利用算法或应用程序来实现,例如可以在计算机设备中设置有应用程序,在获取肺部初始区域图像后对图像中的空洞进行检测,并利用灰度值为1的像素点进行填充处理。
本发明实施例中,在对初始肺部区域图像进行空洞填充处理后,还对该初始肺部区域进行形态学膨胀处理,也即吧得到的初始肺部区域按照预设值外扩一圈,以保证肺部区域图像可以完全提取到。其中,进行形态学膨胀处理的过程可以利用算法或应用程序来实现,例如可以在计算机设备中设置有形态学膨胀应用程序,对进行空洞填充处理后的初始肺部区域进行膨胀处理,获得最终合适的肺部区域图像。
实施例2
图4是本发明实施例2提供的一种胸水判别方法的流程图,该方法包括如下步骤:
步骤S41:获取肺部CT图像,并根据CT图像中的骨块划分出胸腔区域。
此步骤与上述步骤S11一致,在此不再赘述。
步骤S42:对CT图像进行预设算法的图像处理,划分出CT图像中的肺部区域。
此步骤与上述步骤S12一致,在此不再赘述。
步骤S43:获取CT图像中预设数量的肺部区域下方预设距离内的像素点。
此步骤与上述步骤S13一致,在此不再赘述。
步骤S44:判断是否有等于及超出预设比例的像素点位于胸腔区域中,当有等于及超出预设比例的像素点位于胸腔区域时,确定CT图像有胸水。
此步骤与上述步骤S14一致,在此不再赘述。
步骤S45:当确定CT图像有胸水时,获取CT图像中胸水所在的肺部的下方内侧角点。
本发明实施例中,在判别出CT图像的肺部区域存在胸水时,还可以计算单张CT图像中胸水的面积,在计算出多张同一肺部的不同断层CT图像的胸水面积后,可以通过叠加求和获得胸水的总体积。
本发明实施例中,在计算胸水面积前,可以先确定胸水所在的肺部,也即胸水是在左肺还是右肺。在确定胸水所在的肺部后,可以获取胸水所在的肺部的下方内侧角点,其中,在CT图像中左肺应该在图像右侧,而右肺应该在图像左侧,该内侧角点也即CT图像中肺部下方靠近脊柱的角点。例如在CT图像中确定胸水在左肺,则可以获取肺部区域中左肺的下方内侧角点,也即CT图像中左肺的左下角点;同理,在CT图像中确定胸水在右肺,则可以获取肺部区域中右肺的下方内侧角点,也即CT图像中右肺的右下角点。
步骤S46:将胸水所在的肺部的下方内侧角点与脊柱的下方同侧骨块的质心点连接,获得胸水内侧边界线。
本发明实施例中,在获取胸水所在的肺部的下方内侧角点后,将该胸水所在的肺部的下方内侧角点与脊柱的下方同侧骨块的质心点连接,获得胸水内侧边界线。该脊柱的下方骨块的质心点,也即脊柱上靠近中心位置的两个骨块质心点,在连接时选取胸水一侧的质心点,例如胸水在左肺时,则为CT图像中脊柱右侧的质心点,胸水在右肺时,则为CT图像中脊柱左侧的质心点。获得的胸水内侧边界线即胸水区域与脊柱之间的边界线。
步骤S47:根据胸腔区域、肺部区域以及胸水内侧边界线,划分出胸水区域,并计算CT图像中胸水区域的面积。
本发明实施例中,最终可以根据划分出的胸腔区域的边界线,肺部区域的边界线以及胸水内侧边界线,形成一个块状区域,该区域在CT图像中处于肺部区域与胸腔区域之间,即为需要划分出的胸水区域,如图5所示,该CT图像500中包括有肺部区域510,胸腔区域520,胸水区域530。在划分出胸水区域后可以计算该胸水区域的面积,具体可以利用算法或应用程序计算胸水区域的面积,这里不做限定。
步骤S48:获取预设张数CT图像中胸水区域的面积,进行求和处理获得总胸水体积。
本发明实施例中,在获取预设张数不同断层的CT图像的胸水区域的面积后,可以利用预设的求和算法进行求和处理,最终获得总胸水体积。其中,上述求和处理的过程可以利用应用程序来实现,例如在计算机设备中设置有求和应用程序,在获取多个不同短程的胸水区域面积后进行求和处理,获得总胸水体积。
实施例3
图6是本发明实施例3提供的一种胸水判别装置的结构示意图。
该胸水判别装置600包括:
胸腔区域划分模块610,用于获取肺部CT图像,并根据所述CT图像中的骨块划分出胸腔区域。
肺部区域划分模块620,用于对所述CT图像进行预设算法的图像处理,划分出所述CT图像中的肺部区域。
像素点获取模块630,用于获取所述CT图像中预设数量的所述肺部区域下方预设距离内的像素点。
胸水判断模块640,用于判断是否有等于及超出预设比例的像素点位于所述胸腔区域中,当有等于及超出预设比例的像素点位于所述胸腔区域时,确定所述CT图像有胸水。
如图7所示,该胸腔区域划分模块610包括:
二值化处理单元611,用于利用预设图像灰度值对骨窗显示的所述CT图像进行二值化处理,获得所述CT图像中的灰度值较高的初始骨块。
膨胀处理单元612,用于对所述初始骨块进行形态学膨胀处理,并去除面积小于预设阈值的初始骨块,获得骨块二值图像。
胸腔区域划分单元613,用于计算所述骨块二值图像上各个骨块的质心坐标,并按照预设连线顺序连接各个骨块的质心坐标,划分出所述胸腔区域。
如图8所示,该肺部区域划分模块620包括:
二值化处理单元621,用于利用预设图像灰度值对肺窗显示的所述CT图像进行二值化处理,获得所述CT图像中灰度值较低的块状区域。
初始区域筛选单元622,用于筛选出多个块状区域中面积最大的两个通区域,为所述CT图像中的初始肺部区域。
填充膨胀处理单元623,用于对所述初始肺部区域进行空洞填充处理以及形态学膨胀处理,获得所述CT图像中的肺部区域。
如图9所示,该胸水判别装置600还包括:
角点获取模块650,用于当确定所述CT图像有胸水时,获取CT图像中所述胸水所在的肺部的下方内侧角点。
边界线获取模块660,用于将所述胸水所在的肺部的下方内侧角点与脊柱的下方同侧骨块的质心点连接,获得胸水内侧边界线。
胸水区域划分模块670,用于根据所述胸腔区域、所述肺部区域以及所述胸水内侧边界线,划分出胸水区域,并计算所述CT图像中胸水区域的面积。
胸水体积计算模块680,用于获取预设张数CT图像中胸水区域的面积,进行求和处理获得总胸水体积。
本发明实施例中,上述各个模块以及单元更加详细的功能描述可以参考前述实施例中相应部分的内容,在此不再赘述。
此外,本发明还提供了一种计算机设备,该计算机设备包括存储器和处理器,存储器可用于存储计算机程序,处理器通过运行所述计算机程序,从而使计算机设备执行上述方法或者上述胸水判别装置中的各个模块的功能。
存储器可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机设备的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本实施例还提供了一种计算机存储介质,用于储存上述计算机设备中使用的计算机程序。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种胸水判别方法,其特征在于,包括:
获取肺部CT图像,并根据所述CT图像中的骨块划分出胸腔区域;
对所述CT图像进行预设算法的图像处理,划分出所述CT图像中的肺部区域;
获取所述CT图像中预设数量的所述肺部区域下方预设距离内的像素点;
判断是否有等于及超出预设比例的像素点位于所述胸腔区域中,当有等于及超出预设比例的像素点位于所述胸腔区域时,确定所述CT图像有胸水;
当确定所述CT图像有胸水时,获取CT图像中所述胸水所在的肺部的下方内侧角点;
将所述胸水所在的肺部的下方内侧角点与脊柱的下方同侧骨块的质心点连接,获得胸水内侧边界线;
根据所述胸腔区域、所述肺部区域以及所述胸水内侧边界线,划分出胸水区域,并计算所述CT图像中胸水区域的面积;
获取预设张数CT图像中胸水区域的面积,进行求和处理获得总胸水体积。
2.根据权利要求1所述的胸水判别方法,其特征在于,所述“获取肺部CT图像,并根据所述CT图像中的骨块划分出胸腔区域”包括:
利用预设图像灰度值对骨窗显示的所述CT图像进行二值化处理,获得所述CT图像中的灰度值较高的初始骨块;
对所述初始骨块进行形态学膨胀处理,并去除面积小于预设阈值的初始骨块,获得骨块二值图像;
计算所述骨块二值图像上各个骨块的质心坐标,并按照预设连线顺序连接各个骨块的质心坐标,划分出所述胸腔区域。
3.根据权利要求1所述的胸水判别方法,其特征在于,所述“对所述CT图像进行预设算法的图像处理,划分出所述CT图像中的肺部区域”包括:
利用预设图像灰度值对肺窗显示的所述CT图像进行二值化处理,获得所述CT图像中灰度值较低的块状区域;
筛选出多个块状区域中面积最大的两个连通区域,为所述CT图像中的初始肺部区域;
对所述初始肺部区域进行空洞填充处理以及形态学膨胀处理,获得所述CT图像中的肺部区域。
4.一种胸水判别装置,其特征在于,包括:
胸腔区域划分模块,用于获取肺部CT图像,并根据所述CT图像中的骨块划分出胸腔区域;
肺部区域划分模块,用于对所述CT图像进行预设算法的图像处理,划分出所述CT图像中的肺部区域;
像素点获取模块,用于获取所述CT图像中预设数量的所述肺部区域下方预设距离内的像素点;
胸水判断模块,用于判断是否有等于及超出预设比例的像素点位于所述胸腔区域中,当有等于及超出预设比例的像素点位于所述胸腔区域时,确定所述CT图像有胸水;
角点获取模块,用于当确定所述CT图像有胸水时,获取CT图像中所述胸水所在的肺部的下方内侧角点;
边界线获取模块,用于将所述胸水所在的肺部的下方内侧角点与脊柱的下方同侧骨块的质心点连接,获得胸水内侧边界线;
胸水区域划分模块,用于根据所述胸腔区域、所述肺部区域以及所述胸水内侧边界线,划分出胸水区域,并计算所述CT图像中胸水区域的面积;
胸水体积计算模块,用于获取预设张数CT图像中胸水区域的面积,进行求和处理获得总胸水体积。
5.根据权利要求4所述的胸水判别装置,其特征在于,所述胸腔区域划分模块包括:
二值化处理单元,用于利用预设图像灰度值对骨窗显示的所述CT图像进行二值化处理,获得所述CT图像中的灰度值较高的初始骨块;
膨胀处理单元,用于对所述初始骨块进行形态学膨胀处理,并去除面积小于预设阈值的初始骨块,获得骨块二值图像;
胸腔区域划分单元,用于计算所述骨块二值图像上各个骨块的质心坐标,并按照预设连线顺序连接各个骨块的质心坐标,划分出所述胸腔区域。
6.根据权利要求4所述的胸水判别装置,其特征在于,所述肺部区域划分模块包括:
二值化处理单元,用于利用预设图像灰度值对肺窗显示的所述CT图像进行二值化处理,获得所述CT图像中灰度值较低的块状区域;
初始区域筛选单元,用于筛选出多个块状区域中面积最大的两个连通区域,为所述CT图像中的初始肺部区域;
填充膨胀处理单元,用于对所述初始肺部区域进行空洞填充处理以及形态学膨胀处理,获得所述CT图像中的肺部区域。
7.一种计算机设备,其特征在于,包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述计算机设备执行根据权利要求1至3中任一项所述的胸水判别方法。
8.一种计算机存储介质,其特征在于,其存储有权利要求7所述的计算机设备中所使用的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910237816.9A CN109978860B (zh) | 2019-03-27 | 2019-03-27 | 胸水判别方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910237816.9A CN109978860B (zh) | 2019-03-27 | 2019-03-27 | 胸水判别方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109978860A CN109978860A (zh) | 2019-07-05 |
CN109978860B true CN109978860B (zh) | 2021-07-16 |
Family
ID=67080928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910237816.9A Active CN109978860B (zh) | 2019-03-27 | 2019-03-27 | 胸水判别方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978860B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102655197B1 (ko) | 2022-02-24 | 2024-04-05 | 주식회사 딥노이드 | X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111415742B (zh) * | 2020-03-17 | 2024-06-04 | 北京青燕祥云科技有限公司 | 通过肺叶预测病灶肺段位置的计算方法 |
CN112869758A (zh) * | 2020-12-31 | 2021-06-01 | 杭州依图医疗技术有限公司 | 一种确定胸腔积液的方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007271484A (ja) * | 2006-03-31 | 2007-10-18 | Toyobo Co Ltd | 細胞成分分析装置の感度を向上する方法 |
CN102053051A (zh) * | 2009-10-30 | 2011-05-11 | 西门子公司 | 一种体液分析系统和用于体液分析的图像处理设备、方法 |
CN103040504A (zh) * | 2013-01-11 | 2013-04-17 | 江苏蓝域创新技术投资有限公司 | 胸腔穿刺引流针 |
CN105513055A (zh) * | 2015-11-26 | 2016-04-20 | 东软集团股份有限公司 | Cta图像中分割组织的方法和装置 |
CN105877770A (zh) * | 2014-12-08 | 2016-08-24 | 郭佑民 | 一种基于ct图像的快速简便的液体体积测量方法 |
CN106455972A (zh) * | 2014-04-28 | 2017-02-22 | 西北大学 | 功能性光学相干断层成像的装置、方法和系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760349B (zh) * | 2013-12-24 | 2016-03-02 | 郑州大学第一附属医院 | 一种鉴定恶性胸腔积液的方法 |
DE102014207449A1 (de) * | 2014-04-17 | 2015-10-22 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Automatische Erkennung eines potenziellen Pleuraergusses |
US10699412B2 (en) * | 2017-03-23 | 2020-06-30 | Petuum Inc. | Structure correcting adversarial network for chest X-rays organ segmentation |
JP6805918B2 (ja) * | 2017-03-23 | 2020-12-23 | コニカミノルタ株式会社 | 放射線画像処理装置及び放射線画像撮影システム |
CN109461495B (zh) * | 2018-11-01 | 2023-04-14 | 腾讯科技(深圳)有限公司 | 一种医学图像的识别方法、模型训练的方法及服务器 |
-
2019
- 2019-03-27 CN CN201910237816.9A patent/CN109978860B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007271484A (ja) * | 2006-03-31 | 2007-10-18 | Toyobo Co Ltd | 細胞成分分析装置の感度を向上する方法 |
CN102053051A (zh) * | 2009-10-30 | 2011-05-11 | 西门子公司 | 一种体液分析系统和用于体液分析的图像处理设备、方法 |
CN103040504A (zh) * | 2013-01-11 | 2013-04-17 | 江苏蓝域创新技术投资有限公司 | 胸腔穿刺引流针 |
CN106455972A (zh) * | 2014-04-28 | 2017-02-22 | 西北大学 | 功能性光学相干断层成像的装置、方法和系统 |
CN105877770A (zh) * | 2014-12-08 | 2016-08-24 | 郭佑民 | 一种基于ct图像的快速简便的液体体积测量方法 |
CN105513055A (zh) * | 2015-11-26 | 2016-04-20 | 东软集团股份有限公司 | Cta图像中分割组织的方法和装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102655197B1 (ko) | 2022-02-24 | 2024-04-05 | 주식회사 딥노이드 | X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템 |
Also Published As
Publication number | Publication date |
---|---|
CN109978860A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978860B (zh) | 胸水判别方法、装置和计算机设备 | |
US7546154B2 (en) | Method and apparatus for automatic detection of anomalies in vessel structures | |
EP1880673B1 (en) | Method of quantifying organ dynamic behavior, device, method of predicting organ position, device, radiation irradiating method, device and organ abnormality detecting device | |
EP3125764B1 (en) | Processing apparatus for processing cardiac data of a living being | |
US6055326A (en) | Method for orienting electronic medical images | |
Yang et al. | A two-stage convolutional neural network for pulmonary embolism detection from CTPA images | |
CN111047591A (zh) | 基于深度学习的病灶体积测量方法、系统、终端及存储介质 | |
CN111145206A (zh) | 肝脏图像分割质量评估方法、装置及计算机设备 | |
US9241634B2 (en) | Analytic morphomics: high speed medical image automated analysis method | |
CN113674257B (zh) | 脊柱侧弯角度的测量方法、装置、设备及存储介质 | |
JP2010220742A (ja) | 画像処理装置および方法並びにプログラム | |
US20180020999A1 (en) | Bone analyzing device | |
CN111311626A (zh) | 基于ct图像的颅骨骨折自动检测方法及电子介质 | |
JP2007068658A (ja) | 画像処理方法および画像処理プログラム | |
EP3270355B1 (en) | Determining a complexity value of a stenosis or a section of a vessel | |
CN102419864A (zh) | 一种提取脑部ct图像骨骼方法及装置 | |
Ramakrishnan et al. | Automatic three-dimensional rib centerline extraction from CT scans for enhanced visualization and anatomical context | |
CN111815588B (zh) | 基于ct序列图像获取降主动脉的方法和系统 | |
CN113826140B (zh) | 血管造影数据分析 | |
CN108399354A (zh) | 计算机视觉识别肿瘤的方法和装置 | |
CN112381805B (zh) | 一种医学影像处理方法 | |
CN112116623B (zh) | 图像分割方法及装置 | |
JP4505805B2 (ja) | 領域抽出方法およびその装置 | |
JP2011161104A (ja) | 画像生成装置、画像生成方法、及びそのプログラム | |
CN111815587A (zh) | 基于ct序列图像拾取主动脉中心线上的点的方法和系统 |
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 |