CN110033454A - Ct图像中大面积粘连肺边界组织的肺肿瘤的分割方法 - Google Patents
Ct图像中大面积粘连肺边界组织的肺肿瘤的分割方法 Download PDFInfo
- Publication number
- CN110033454A CN110033454A CN201910316092.7A CN201910316092A CN110033454A CN 110033454 A CN110033454 A CN 110033454A CN 201910316092 A CN201910316092 A CN 201910316092A CN 110033454 A CN110033454 A CN 110033454A
- Authority
- CN
- China
- Prior art keywords
- shape
- control point
- lung
- image
- baseline
- 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
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
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- 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)
- Image Processing (AREA)
Abstract
本发明公开了一种CT图像中大面积粘连肺边界组织的肺肿瘤的分割方法。首先在含大肿瘤的肺CT图像中提取左右肺叶实质形状,构建输入形状;然后根据无肿瘤肺CT图像,利用稀疏相似形状线性组合模型构建先验形状;再在先验形状上选择形变曲线及其控制点,在输入形状上选择目标曲线及其控制点;利用曲线形变方法修正肺实质形状(即输入形状)上的连续性大误差,从而得到包含肿瘤在内的完整的肺实质轮廓,并进一步得到肺实质图像;最后,在肺实质图像上,使用区域生长方法分割肺肿瘤。
Description
技术领域
本发明涉及CT图像的处理方法,具体地说是一种CT图像中大面积粘连肺边界组织的肺肿瘤的分割方法。
背景技术
在所有的临床成像方式中,计算机断层扫描(CT)是用于肺及其病变特征的提取、疾病诊断和疗效评估的直接、有效的方式。准确分割肺肿瘤对于精确的放射治疗计划和治疗反应评估至关重要,是肺癌影像学诊断的研究热点。然而,与胸壁、胸椎、横膈膜、纵隔或心脏等解剖结构相连或侵犯的大肿瘤的分割问题,仍是一个需要深入研究的课题。
大肿瘤存在与胸壁、纵膈等周围组织有较大面积的粘连情况,使肺部严重受损。这种粘连型肿瘤与其所粘连的组织在CT值上没有明显的差别,使得它们之间缺乏清晰的边界,即形成弱边界。由于弱边界的存在,常规方法分割边界粘连型肿瘤容易把与之粘连的周围组织一同分割到肿瘤区域。这种类型肿瘤的分割难点在于如何在弱边界情况下,准确的分割出肿瘤。
以往采用两种模式将肿瘤和粘连的组织分离,一种是,分割模型中加入先验形状约束,如圆形约束,来防止边界的泄漏;或事先提取肿瘤及粘连组织处的局部轮廓,计算轮廓特征,并用分类或聚类的方法获取肿瘤分割区域;或是用抛物面(3D图像上)或抛物线(2D图像上)对胸壁粘连部分进行边界建模,用圆柱或长条对粘连的血管建模,采用类似启发式方法推断粘连部分的边界,从而分割出粘连胸膜或血管的肿瘤。这些方法通常适合于粘连部分相对比较小的粘连型结节的分割,对于大范围的弱边界的泄漏问题还需深入研究。另一种模式是,先分割肺实质,再分割肿瘤。分割肺实质时,肿瘤与所粘连的组织可能会同时排除在分割的肺之外,造成肿瘤粘连处的肺边界凹陷,或将完整的肺实质分割成多个孤立碎片。因此,需要修补前一分割阶段造成的边界凹陷或粘合碎片,得到包含肿瘤在内的完整肺实质。目前有许多重新修补肺边界凹陷和碎片的方法,如,形态学滚球法或凸点检测及连线法等,但这些方法也同样适用于修补小的肺边界凹陷(胸膜结节造成的),不不适合于大面积粘连肺边界组织的肺肿瘤的分割,其主要原因在于较大的凹陷修补需要较大的结构元,以及需要事先确定用于修补的凸点对,这些因素直接影响到肺分割的准确性,从而影响到后续肿瘤分割的准确性。
发明内容
本发明的目的是提供一种CT图像中大面积粘连肺边界组织的肺肿瘤的分割方法,以解决现有方法针对肺部粘连型大肿瘤分割准确性差的问题。
本发明的目的是这样实现的:
一种CT图像中大面积粘连肺边界组织的肺肿瘤的分割方法,按如下步骤进行:
S1、选取一帧肺部CT图像作为处理对象,其对应肺部CT扫描的一个切片层,并包含大面积粘连肺边界组织的肿瘤;记录该图像的层序号l,采用大津阈值方法分割左右肺叶实质,构建肺叶实质形状sl,简称输入形状;
S2、收集N=300~400组无肿瘤的肺CT图像序列,从各组中选择与步骤S1相似层次的肺CT图像为处理对象,采用大津阈值方法,获取各图像的左右肺叶的实质形状,简称肺实质形状;所有的肺实质形状组成一个数据库G;然后根据输入形状sl和数据库G,利用稀疏相似形状线性组合模型获取包含大肿瘤的肺实质轮廓先验形状,简称先验形状;
本步骤中,与步骤S1所选图像相似层次的无肿瘤肺CT图像的确定方法为:
公式(1)中,所找的切片层序号的计算值即为所选相似层次的图像;
S3、在先验形状上确定形变曲线及其基线,并在基线上选择基准控制点;在输入形状上确定目标曲线并选择目标控制点;
S4、根据步骤S3所确定的曲线和控制点,利用曲线形变方法修正输入形状上的连续性大误差,从而得到包含肿瘤在内的完整的肺实质轮廓;将肺实质轮廓线外围填充纯黑色,肺实质轮廓内部为肺实质的实际灰度值,这样所形成的图像称为肺实质图像;
S5、在肺实质图像上,通过直方图分析方法在肿瘤区域中选择生长点,使用区域生长方法分割肺肿瘤。
本发明所述的CT图像中大面积粘连肺边界组织的肺肿瘤的分割方法,步骤S2具体实现过程如下:
S2a、所收集的N组无肿瘤的肺CT图像序列,从各组中选择与步骤S1中所述的包含大面积粘连肺边界组织的肿瘤CT图像相似层次的图像作为处理对象;采用大津阈值方法,获取所有相似层次图像的肺实质形状gi(i=1,2,...,N),所有的肺实质形状组成一个数据库G;
S2b、根据输入形状sl中左右肺的面积比确定肿瘤所在的单边肺叶实质;面积小的为肿瘤所在肺叶实质,记为slt;面积大的为正常的肺叶实质,作为参考形状,记为sln;同样,将数据库G里的各肺实质形状也分成两部分,其与slt对应的数据库记为Gtum,每个单边肺叶实质形状记为与sln对应的数据库记为Gnor,每个单边肺叶实质形状记为
S2c、根据公式(2)寻找数据库Gnor中与sln最相似的单边肺叶实质形状数据库G中与对应的gj即为与sl最相似的形状;依次找出前m个与sl最相似的形状gj(j=1,2,...,m),m<N;对输入形状sl和所有的相似形状gj,使用边缘检测方法分别提取形状边界,并在边界轮廓线上提取均匀分布的标记点,将每个标记点的坐标按顺序构成一维列向量作为各形状轮廓的稀疏表示;
以形状sln的轮廓线为参考,使用普氏分析将所述一维列向量归一化,然后将归一化后的相似形状列向量线性组合,得到sl的先验形状。
本发明所述的CT图像中大面积粘连肺边界组织的肺肿瘤的分割方法,步骤S3具体实现过程如下:
S3a、定义输入形状和先验形状中包含大肿瘤的单边肺实质轮廓线分别为输入轮廓线qs和先验轮廓线qg,设先验轮廓线qg围成的区域为A,输入轮廓线qs围成区域为B;
S3b、在轮廓线qg和qs上确定形变曲线和目标曲线:由区域A和B可确定肿瘤的大概区域C:C=A-(A∩B),以肿瘤区域C的质心为扫描中心,记为P0;从水平方向开始扫描,找出扫描线与输入轮廓线的两个交点P1和P2,同时,记录这两条扫描线与先验轮廓线的两个交点P3和P4。P1、P2、P3和P4分别将这两轮廓线分为两段,轮廓线qs上的无肿瘤轮廓线为目标曲线,轮廓线qg上的肿瘤先验曲线及其两端的小段延长线为形变曲线,该小段延长线又称为基线;
S3c、在以P3、P4为端点的形变曲线的基线上,分别以P3、P4为起点,两端各选取nb个点为基准控制点,形变曲线上剩余的控制点为基线外的控制点;在以P1、P2为端点的目标曲线上,每个基准控制点的法线与目标曲线的交点为该点对应的目标控制点。
本发明所述的CT图像中大面积粘连肺边界组织的肺肿瘤的分割方法,步骤S4具体实现过程如下:
S4a、设形变曲线上共有n个控制点,分为基准控制点和基线外的控制点两类,另设形变曲线的基线共有nB段,每段基线上包含nb个基准控制点,将第i段基线记为Bi,该基线上的基准控制点记为Bi(vj)(j=1,2,...,nb),这组基准控制点组成的列向量记为对应的目标控制点列向量记为 为基线Bi作用下的形变曲线上基线外控制点组成的列向量,nc为形变曲线上基线外控制点的个数;
S4b、对每段基线加窗,计算窗内基准控制点Bi(vj)到目标控制点Bi(vtj)的距离disj=||Bi(vj)-Bi(vtj)||2,将各距离用向量表示;
其中,基线是先验形状轮廓线上一条短线段,可近似为直线,且基准控制点均匀分布其上,因此可以用一个线性方程近似这组基准控制点的移动距离:
L1+L2x=y…………公式(3);
公式(3)中,x表示各基准控制点的序号,x=1,2,...,nb,y表示各基准控制点的移动距离,L1和L2分别表示截距和斜率;将向量dis代入公式(3)中,使用最小二乘法估计方程参数L1和L2,估计值分别记为再将x=1,2,...,nb,nb+1代入估计方程推断各基准控制点Bi(vj)及控制点Bi(vc1)的移动距离,然后将窗移至基线外控制点Bi(vc1),用同样的方式依次估计剩余控制点的移动距离yk(k=2,...,n);
由于距离基线Bi越远的点受Bi影响越小,因此,使用影响系数来控制每段基线的影响,其表达式如公式(4);
μk=(e0.5-1)/(e0.5k-1)k=1,2,...,nc…………公式(4);
根据形变距离dk=μk*yk(k=1,2,...,n)和移动方向θk即可算出转换矩阵 θk为该点处法线与坐标轴的夹角;
然后将基线上所有控制点的转换矩阵组成对角矩阵构造通用的参数化能量函数:
其中,表示将基准控制点与目标控制点之间的差异最小化的外力,ω表示外力所占权重,用来控制曲线形变的匹配程度,ω越大,匹配度越好;表示作用于基线外控制点的内力;表示形变曲线上所有基准控制点向量与全0的基线外控制点向量组成的矩阵,表示形变曲线上所有目标控制点向量与全0的基线外控制点向量组成的矩阵,表示全0的基准控制点向量与所有基线外控制点向量组成的矩阵;
通过求解使能量函数最小化的矩阵D,确定形变曲线上所有控制点的位移,然后,将形变后的控制点用三次插值样条函数拟合成新的形变曲线;
在新的形变曲线上根据目标控制点找出相应的基准控制点B(vj)′,计算对应点间的距离,当满足条件时,完成形变,否则重复上述步骤,对曲线再次形变。
本发明所述的CT图像中大面积粘连肺边界组织的肺肿瘤的分割方法,步骤S5的具体实现过程如下:
首先,计算肺实质图像的灰度直方图,除去灰度为0的区域,该直方图包含两个峰值:一个表示灰度较低的肺实质区域另一个是灰度较高的肿瘤区域。选取灰度值较高的直方图峰值作为生长点的灰度值,从上到下,从左向右依次扫描肺实质图像,第一个符合条件的点即为区域生长的生长点。然后,给定一个合适的区域生长的像素间灰度差阈值,用8邻域生长方式提取目标生长区域,在没有像素满足加入该区域的条件时,停止区域生长,得到生长区域即为完整的肺肿瘤区域。
本发明首先根据灰度信息,使用大津法将肺实质与周围组织分离,采用形态学操作和图像滤波去掉肺实质周围组织以及图像的背景信息,得到有连续性大误差的肺实质,以此作为输入形状。然后,利用稀疏相似形状线性组合模型构造输入形状的先验形状,这里的稀疏有两层含义:(1)在形状库里选取的用于构造先验形状的样本形状是稀疏的;(2)构造的先验形状是用稀疏的点表示的。在输入形状与先验形状上寻找目标曲线、形变曲线并确定目标控制点和基准控制点,使用曲线形变方法驱使形变曲线向目标位置移动,用以修补由肿瘤与周围组织大面积粘连所造成的错误边界,得到完整的肺实质。最后,在肺实质图像上,通过直方图分析法在肿瘤区域确定生长点,用区域生长法分割肺肿瘤。首先分割出有连续性大误差的肺实质形状,并使用稀疏相似形状线性组合模型构造先验形状,然后确定形变曲线和控制点,使用曲线形变方法修正输入形状上的连续性的大误差,从而得到包含肿瘤在内的完整的肺实质轮廓。最后在肺实质图像上准确、快速地分割肿瘤。
附图说明
图1是本发明的方法流程示意图。
图2中(a)至(e)是受损肺实质的输入形状提取的过程图。
图3中(a)至(c)是采用稀疏相似形状线性组合模型构造先验形状的步骤说明图。
图4是形变曲线与目标曲线的一种位置关系示意图。
图5中(a)至(d)是确定形变曲线及各控制点位置的示意图。
图6中(a)和(b)是使用线性方程估计其他控制点移动距离的示意图。
图7中(a)至(d)是由直方图分析法寻找生长点并用区域生长分割肿瘤的过程图。
图8为边界粘连型肺肿瘤图像的肺实质分割结果和肺肿瘤分割结果示例。
具体实施方式
本发明的具体实施过程采用以下计算机的软硬件条件来实现,但并不限定于以下条件:联想台式电脑,CPU为Pentium Dual-Core CPU E5800@3.20GHz,显卡为NVIDIAGeForce GT 430GPU,内存4GB,操作系统为Window 7,软件编程语言使用Matlab 2009。
本发明的CT图像大面积粘连肺边界组织的肺肿瘤的分割方法,其基本过程如图1所示,首先根据图像外观信息,通过大津阈值和形态学开闭运算方法分割有连续性大误差的肺实质,以此作为输入形状。然后使用稀疏相似形状线性组合模型构造先验形状。再在先验形状上选择形变曲线及其控制点,在输入形状上选择目标曲线及其控制点,采用曲线形变方法将先验形状上的形变曲线向目标位置移动,修补粘连边界,得到完整的肺实质。最后通过直方图分析法在肺实质图像的肿瘤区域选择生长点,采用区域生长法分割肿瘤。
下面结合附图1-8对本发明的实现过程做出进一步详细说明:
结合图1,步骤S1,对于给定图像,依据灰度信息,采用大津阈值方法分割左右肺叶实质,称为肺叶实质形状(简称输入形状),此输入形状含有因肺边界粘连肿瘤造成的连续性的大误差。步骤S2,通过稀疏相似形状线性组合模型方法获得该输入形状的先验形状,该先验形状是与完整肺实质形状相似的轮廓线。步骤S3,在先验形状上确定形变曲线及其基线,并在基线上选择基准控制点,在输入形状上确定目标曲线并选择目标控制点。步骤S4,利用曲线形变方法修正输入形状上的连续性大误差,从而得到包含肿瘤在内的完整的肺实质轮廓;肺轮廓线外围填充纯黑色,肺轮廓内部为肺实质实际的灰度值,这样所形成的图像称为肺实质图像。步骤S5、在肺实质图像上,通过直方图分析方法在肿瘤区域中选择生长点,使用区域生长方法分割肺肿瘤。
S1、提取输入形状的具体步骤如下:
S1a、对于一幅有大面积粘连肺边界组织的肺肿瘤CT图像(简称大肿瘤CT图像)I(x,y)(如图2(a)所示),采用大津阈值法将其转换为二值图像I1(x,y),如图2(b)所示。
S1b、然后对二值图像I1(x,y)进行形态学操作,去除肺实质周围的组织及背景信息,具体过程是:
①对于图像I1(x,y),采用孔洞填充方法填补图像I1(x,y)的孔洞:对于需要填补孔洞的图像I1(x,y),设置一个与其大小相同的全0阵列X0,在X0上与孔洞对应的区域任选一个初始点并将其标记为l,然后用结构元素S对阵列X0进行膨胀运算,并计算其与补集Ic的交集,得到新的阵列X1,并将所选区域标记为l,如此迭代运算,直到Xk=Xk-1时,孔洞填充完毕,孔洞填充后的图像记为I2,如图2(c)所示;
②将图像I1与图像I2相减,得到如图2(d)所示的有血管空洞和背景噪声的肺实质图像,对于所得到的有血管空洞和背景噪声的肺实质图像,再次使用孔洞填充方法填补肺实质图像上的孔洞,得到肺实质区域无空洞的图像;对所得的肺实质区域无空洞的图像,使用连通域去除技术去除气管以及小面积的背景区域,然后再使用二维高斯低通滤波器平滑图像,修复肺实质区域边缘的裂痕,得到如图2(e)所示的肺实质图像I3,图像I3即为输入形状sl。
S2、获得先验形状的具体方法如下:
S2a、收集N=320组无肿瘤的肺CT图像序列,从中选择与步骤S1中所述的大肿瘤CT图像相似层次的图像作为处理对象,相似层次的确定方式如公式(1)所示;用步骤S1的方法(即采用大津阈值方法)获取所有相似层次图像的肺实质形状gi(i=1,2,...,N),所有的肺实质形状组成一个数据库G。
公式(1)中,所找的切片层序号的计算值即为所选相似层次的图像。
给数据库编号,当新的输入形状与所建立数据库层次不相似时,重新建立数据库,否则无需再次建立数据库。
S2b、根据左右肺的面积比确定输入形状sl中肿瘤所在的肺叶实质,面积小的为肿瘤所在肺叶实质,记为slt,面积大的为正常的肺叶实质,作为参考形状,记为sln;同样,将数据库G里的各肺实质形状也分成两部分,其与slt对应的数据库记为Gtum,每个单边肺叶实质形状记为与sln对应的数据库记为Gnor,每个单边肺叶实质形状记为
S2c、根据公式(2)寻找数据库Gnor中与sln最相似的单边肺实质形状数据库G中与对应的gj即为与sl最相似的形状,依次找上出前m(m<N)个(本实施例中m=5)与sl最相似的形状gj(j=1,2,...,m),对输入形状sl和所有的m个最相似形状gj,使用canny边缘检测分别提取形状边界,并在边界轮廓线上提取均匀分布的标记点,将每个标记点的坐标按顺序构成一维列向量作为各形状轮廓的稀疏表示;然后以形状sln的轮廓线为参考形状,使用普氏分析将上述列向量归一化,然后将归一化后的相似形状列向量线性组合,得到sl的先验形状轮廓线,如图3所示。
图3(a)为一幅粘连肺边界大肿瘤灰度图像的输入形状示例,左侧是输入形状,右侧是标记了大缺陷的输入形状边界,其中圆圈内为肺轮廓缺陷。图3(b)是3幅根据参考形状sln检索的相似形状。图3(c)中虚线轮廓是由相似形状列向量线性组合得到的肺部轮廓先验形状。
S3、下面结合图4和图5说明本步骤确定基准控制点、目标控制点及形变曲线的具体过程:
S3a、定义输入形状和先验形状的包含大肿瘤的单边肺实质轮廓线分别为输入轮廓线qs和先验轮廓线qg,设先验轮廓线qg围成的区域为A,输入轮廓线qs围成区域为B,由区域A和B可确定肿瘤的大概区域C:C=A-(A∩B)。
S3b、以qs和qg围成的肿瘤区域中心为扫描中心,扫描两轮廓线上肿瘤区域与正常区域的两组分割端点,这两组端点将轮廓线qs和qg分别分为两部分:一段是肿瘤轮廓线,另一段是无肿瘤轮廓线;轮廓线qs上的无肿瘤轮廓线为目标曲线,轮廓线qg上的肿瘤先验曲线为形变曲线,即:如图5(a)所示,以区域C的质心为扫描中心,记为P0;从水平方向开始扫描,找出扫描线与输入轮廓线的两个交点P1和P2,同时,记录这两条扫描线与先验轮廓线的两个交点P3和P4。P1、P2、P3和P4分别将这两轮廓线分为两段。
S3c、形变曲线是以P3、P4为端点的肿瘤区域部分及其两端的小段延长线,该延长线又称为基线,分别以P3、P4为起点,两端各选取nb个点为基准控制点,形变曲线上剩余的控制点为基线外的控制点;目标曲线是以P1、P2为端点的正常肺实质部分的曲线,每个基准控制点的法线与目标曲线的交点为该点对应的目标控制点。
图5(b)和图5(c)展示了两种形式的形变曲线及基线。分别以P3、P4为起点,两端各选取nb个点为基准控制点,每个基准控制点的法线与目标曲线的交点为该点对应的目标控制点,图5(d)展示了一组基准控制点与目标控制点的对应位置关系。若需要修补的缺口有多处,则形变曲线应包含所有缺口,此时,可有多段基线。在每段基线上,计算各目标控制点到P0距离、各基准控制点到P0距离,根据两组距离的大小确定基线与目标曲线的位置关系,进而推断出形变曲线的移动方向。
为了使基线近似为直线,本实施例在每段基线上选取的基准控制点个数为nb=4。
形变曲线与目标曲线的置关系:形变曲线与缺失的肺边界间的位置关系可总结为4种:(1)形变曲线在缺失的边界内侧;(2)形变曲线在缺失的边界外侧;(3)形变曲线与缺失的边界线交叉,有且仅有一个交点;(4)形变曲线与缺失的边界交叉,有多个交点,图4为第4种位置关系示意图。
S4、下面结合图6说明本步骤根据步骤S3所确定的曲线和控制点,用曲线形变方法自动修补输入形状上的连续性大误差,得到完整肺实质的具体方法:
S4a、设形变曲线上共有n个控制点,分为基准控制点和基线外的控制点两类,另设形变曲线的基线共有nB段,每段基线上包含nb个基准控制点,将第i段基线记为Bi,该基线上的基准控制点记为Bi(vj)(j=1,2,...,nb),这组基准控制点组成的列向量记为对应的目标控制点列向量记为 为基线Bi作用下的形变曲线上基线外控制点组成的列向量,nc为形变曲线上基线外控制点的个数。
S4b、对每段基线加窗,计算窗内基准控制点Bi(vj)到目标控制点Bi(vtj)的距离disj=||Bi(vj)-Bi(vtj)||2,将各距离用向量表示。
如图6(a)所示,基线是先验轮廓线上一条短线段,可近似为直线,且基准控制点分布均匀,因此可以用一个线性方程近似这组基准控制点的移动距离:
L1+L2x=y…………公式(3)
公式(3)中,x表示各基准控制点的序号,x=1,2,...,nb,y表示各基准控制点的移动距离,L1和L2分别表示截距和斜率。将向量dis代入公式(3)中,使用最小二乘法估计方程参数L1和L2,估计值分别记为再将x=1,2,...,nb,nb+1代入估计方程推断各基准控制点Bi(vj)及控制点Bi(vc1)的移动距离yk(k=1,...,n),图6(b)为使用上述线性拟合方法推断距离的示意图。图6中,yj表示基准控制点Bi(vj)的移动距离,yj+1表示基线外控制点Bi(vc1)的移动距离。然后将窗移至基线外控制点Bi(vc1),用同样的方式依次估计剩余控制点的形变距离。需要说明的是,距离基线Bi越远的点受Bi影响越小。因此,使用影响系数来控制每段基线的影响,其表达式为:
μk=(e0.5-1)/(e0.5k-1)k=1,2,...,nc…………公式(4)
根据形变距离dk=μk*yk(k=1,2,...,n)和移动方向θk(该点处法线与坐标轴的夹角)即可算出转换矩阵将基线上所有控制点的转换矩阵组成对角矩阵构造通用的参数化能量函数:
其中,表示将基准控制点与目标控制点之间的差异最小化的外力,ω表示外力所占权重,用来控制曲线形变的匹配程度,ω越大,匹配度越好,经多次实验比较,本实施例设置的权重为ω=1;表示作用于基线外控制点的内力;表示形变曲线上所有基准控制点向量与全0的基线外控制点向量组成的矩阵,表示形变曲线上所有目标控制点向量与全0的基线外控制点向量组成的矩阵,表示全0的基准控制点向量与所有基线外控制点向量组成的矩阵。通过求解使能量函数最小化的矩阵D,确定形变曲线上所有控制点的位移。然后,将形变后的控制点用三次插值样条函数拟合成新的形变曲线。
在新的形变曲线上根据目标控制点找出相应的基准控制点B(vj)′,计算对应点间的距离,当满足条件时,完成形变,否则重复上述步骤,对曲线再次形变,经多次实验比较,本实施例设置ε=0.1。
S5、下面结合图7说明步骤S5中在肺实质图像上,通过直方图分析方法在肿瘤区域中选择生长点,使用区域生长方法分割肺肿瘤的方法:
首先,自动寻找区域生长的生长点。计算如图7(a)所示的肺实质图像的灰度直方图,除去灰度为0的区域,如图7(b)所示,该直方图包含两个峰值:灰度较低的背景部分和灰度较高的目标部分。选取直方图中高灰度值的峰值作为生长点的灰度值,从上到下,从左向右依次扫描肺实质图像,将第一个符合条件的点作为区域生长法的生长点,图7(c)展示了该图生长点的位置。然后给定一个合适的区域生长的像素间灰度差阈值,用8邻域生长方式提取目标生长区域,在没有像素满足加入该区域的条件时,停止区域生长,得到如图7(d)所示的生长区域即为完整的肺肿瘤区域。
通过大量实验比较,实验所用区域生长的像素间灰度差阈值为0.1。
图8展示了2组大面积粘连肺边界组织的肺肿瘤图像的肺实质分割结果和肿瘤分割结果示例,图8(a)和图8(d)为含肿瘤图像的原图,图8(b)和图8(e)为本方法的肺实质分割结果,图8(c)和图8(f)为本方法的肿瘤分割结果。以重合率(DSC)为评价指标,本方法的肺实质分割结果为95.2%,肿瘤分割结果为89.5%。
DSC(Rref,Rtest)=2|Rref∩Rtest|/(|Rref|+|Rtest|)
Rref为医生标记的金标准,Rtest为实验分割结果。
Claims (3)
1.一种CT图像中大面积粘连肺边界组织的肺肿瘤的分割方法,其特征是,按如下步骤进行:
S1、选取一帧肺部CT图像作为处理对象,其对应肺部CT扫描的一个切片层,并包含大面积粘连肺边界组织的肿瘤;记录该图像的层序号l,采用大津阈值方法分割左右肺叶实质,构建肺叶实质形状sl,简称输入形状;
S2、收集N=300~400组无肿瘤的肺CT图像序列,从各组中选择与步骤S1相似层次的肺CT图像为处理对象,采用大津阈值方法,获取各图像的左右肺叶的实质形状,简称肺实质形状;所有的肺实质形状组成一个数据库G;然后根据输入形状sl和数据库G,利用稀疏相似形状线性组合模型获取包含大肿瘤的肺实质轮廓先验形状,简称先验形状;
本步骤中,与步骤S1所选图像相似层次的无肿瘤肺CT图像的确定方法为:
公式(1)中,所找的切片层序号的计算值即为所选相似层次的图像;
S3、在先验形状上确定形变曲线及其基线,并在基线上选择基准控制点;在输入形状上确定目标曲线并选择目标控制点;
S4、根据步骤S3所确定的曲线和控制点,利用曲线形变方法修正输入形状上的连续性大误差,从而得到包含肿瘤在内的完整的肺实质轮廓;将肺实质轮廓线外围填充纯黑色,肺实质轮廓内部为肺实质的实际灰度值,这样所形成的图像称为肺实质图像;
S5、在肺实质图像上,通过直方图分析方法在肿瘤区域中选择生长点,使用区域生长方法分割肺肿瘤。
2.根据权利要求1所述的CT图像中大面积粘连肺边界组织的肺肿瘤的分割方法,其特征是,步骤S2具体实现过程如下:
S2a、所收集的N组无肿瘤的肺CT图像序列,从各组中选择与步骤S1中所述的包含大面积粘连肺边界组织的肿瘤CT图像相似层次的图像作为处理对象;采用大津阈值方法,获取所有相似层次图像的肺实质形状gi(i=1,2,...,N),所有的肺实质形状组成一个数据库G;
S2b、根据输入形状sl中左右肺的面积比确定肿瘤所在的单边肺叶实质;面积小的为肿瘤所在肺叶实质,记为slt;面积大的为正常的肺叶实质,作为参考形状,记为sln;同样,将数据库G里的各肺实质形状也分成两部分,其与slt对应的数据库记为Gtum,每个单边肺叶实质形状记为与sln对应的数据库记为Gnor,每个单边肺叶实质形状记为
S2c、根据公式(2)寻找数据库Gnor中与sln最相似的单边肺叶实质形状数据库G中与对应的gj即为与sl最相似的形状;依次找出前m个与sl最相似的形状gj(j=1,2,...,m),m<N;对输入形状sl和所有的相似形状gj,使用边缘检测方法分别提取形状边界,并在边界轮廓线上提取均匀分布的标记点,将每个标记点的坐标按顺序构成一维列向量作为各形状轮廓的稀疏表示;
以形状sln的轮廓线为参考,使用普氏分析将所述一维列向量归一化,然后将归一化后的相似形状列向量线性组合,得到sl的先验形状。
3.根据权利要求1所述的CT图像中大面积粘连肺边界组织的肺肿瘤的分割方法,其特征是,步骤S4具体实现过程如下:
S4a、设形变曲线上共有n个控制点,分为基准控制点和基线外的控制点两类,另设形变曲线的基线共有nB段,每段基线上包含nb个基准控制点,将第i段基线记为Bi,该基线上的基准控制点记为Bi(vj)(j=1,2,...,nb),这组基准控制点组成的列向量记为对应的目标控制点列向量记为 为基线Bi作用下的形变曲线上基线外控制点组成的列向量,nc为形变曲线上基线外控制点的个数;
S4b、对每段基线加窗,计算窗内基准控制点Bi(vj)到目标控制点Bi(vtj)的距离disj=||Bi(vj)-Bi(vtj)||2,将各距离用向量表示;
其中,基线是先验形状轮廓线上一条短线段,可近似为直线,且基准控制点均匀分布其上,因此可以用一个线性方程近似这组基准控制点的移动距离:
L1+L2x=y…………公式(3);
公式(3)中,x表示各基准控制点的序号,x=1,2,...,nb,y表示各基准控制点的移动距离,L1和L2分别表示截距和斜率;将向量dis代入公式(3)中,使用最小二乘法估计方程参数L1和L2,估计值分别记为再将x=1,2,...,nb,nb+1代入估计方程推断各基准控制点Bi(vj)及控制点Bi(vc1)的移动距离,然后将窗移至基线外控制点Bi(vc1),用同样的方式依次估计剩余控制点的移动距离yk(k=2,...,n);
由于距离基线Bi越远的点受Bi影响越小,因此,使用影响系数来控制每段基线的影响,其表达式如公式(4);
μk=(e0.5-1)/(e0.5k-1)k=1,2,...,nc…………公式(4);
根据形变距离dk=μk*yk(k=1,2,...,n)和移动方向θk即可算出转换矩阵 θk为该点处法线与坐标轴的夹角;
然后将基线上所有控制点的转换矩阵组成对角矩阵构造通用的参数化能量函数:
其中,表示将基准控制点与目标控制点之间的差异最小化的外力,ω表示外力所占权重,用来控制曲线形变的匹配程度,ω越大,匹配度越好;表示作用于基线外控制点的内力;表示形变曲线上所有基准控制点向量与全0的基线外控制点向量组成的矩阵,表示形变曲线上所有目标控制点向量与全0的基线外控制点向量组成的矩阵,表示全0的基准控制点向量与所有基线外控制点向量组成的矩阵;
通过求解使能量函数最小化的矩阵D,确定形变曲线上所有控制点的位移,然后,将形变后的控制点用三次插值样条函数拟合成新的形变曲线;
在新的形变曲线上根据目标控制点找出相应的基准控制点B(vj)′,计算对应点间的距离,当满足条件时,完成形变,否则重复上述步骤,对曲线再次形变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910316092.7A CN110033454B (zh) | 2019-04-19 | 2019-04-19 | Ct图像中大面积粘连肺边界组织的肺肿瘤的分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910316092.7A CN110033454B (zh) | 2019-04-19 | 2019-04-19 | Ct图像中大面积粘连肺边界组织的肺肿瘤的分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110033454A true CN110033454A (zh) | 2019-07-19 |
CN110033454B CN110033454B (zh) | 2021-01-05 |
Family
ID=67239204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910316092.7A Active CN110033454B (zh) | 2019-04-19 | 2019-04-19 | Ct图像中大面积粘连肺边界组织的肺肿瘤的分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110033454B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381838A (zh) * | 2020-11-14 | 2021-02-19 | 四川大学华西医院 | 一种数字病理切片图像的自动切图方法 |
CN112699763A (zh) * | 2020-12-24 | 2021-04-23 | 中标慧安信息技术股份有限公司 | 基于聚类数据库的人脸认证方法和系统 |
CN118154602A (zh) * | 2024-05-10 | 2024-06-07 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 基于结直肠息肉ct影像数据集的图像分析方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102760236A (zh) * | 2012-03-20 | 2012-10-31 | 苏州迪凯尔医疗科技有限公司 | 基于组合稀疏模型的先验形状建模方法 |
CN102938027A (zh) * | 2012-11-30 | 2013-02-20 | 河北大学 | 一种计算机辅助肝脏移植手术规划系统的实现方法 |
CN103488832A (zh) * | 2013-09-23 | 2014-01-01 | 大连理工大学 | 一种复杂曲面零件破损区域的几何修复方法 |
CN103824295A (zh) * | 2014-03-03 | 2014-05-28 | 天津医科大学 | 一种肺部ct图像中粘连血管型肺结节的分割方法 |
US20140328527A1 (en) * | 2013-05-03 | 2014-11-06 | Impac Medical Systems, Inc. | Method and Apparatus for Automated Delineation of Structure Shape for Image Guided Treatment Planning |
CN106447675A (zh) * | 2016-10-09 | 2017-02-22 | 福州大学 | 基于先验形状和循环移位的目标分割方法 |
US20170109878A1 (en) * | 2014-02-27 | 2017-04-20 | Agency For Science, Technology And Research | Segmentation of cardiac magnetic resonance (cmr) images using a memory persistence approach |
CN106600603A (zh) * | 2016-09-21 | 2017-04-26 | 浙江大学 | 基于稀疏独立形状分量表示的几何不变目标分割方法 |
US20170193699A1 (en) * | 2015-12-31 | 2017-07-06 | Dassault Systemes | Reconstructing A 3D Modeled Object |
CN107374705A (zh) * | 2017-06-20 | 2017-11-24 | 上海交通大学 | 一种x光和术前ct引导下的肺穿刺手术定位方法 |
-
2019
- 2019-04-19 CN CN201910316092.7A patent/CN110033454B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102760236A (zh) * | 2012-03-20 | 2012-10-31 | 苏州迪凯尔医疗科技有限公司 | 基于组合稀疏模型的先验形状建模方法 |
CN102938027A (zh) * | 2012-11-30 | 2013-02-20 | 河北大学 | 一种计算机辅助肝脏移植手术规划系统的实现方法 |
US20140328527A1 (en) * | 2013-05-03 | 2014-11-06 | Impac Medical Systems, Inc. | Method and Apparatus for Automated Delineation of Structure Shape for Image Guided Treatment Planning |
CN103488832A (zh) * | 2013-09-23 | 2014-01-01 | 大连理工大学 | 一种复杂曲面零件破损区域的几何修复方法 |
US20170109878A1 (en) * | 2014-02-27 | 2017-04-20 | Agency For Science, Technology And Research | Segmentation of cardiac magnetic resonance (cmr) images using a memory persistence approach |
CN103824295A (zh) * | 2014-03-03 | 2014-05-28 | 天津医科大学 | 一种肺部ct图像中粘连血管型肺结节的分割方法 |
US20170193699A1 (en) * | 2015-12-31 | 2017-07-06 | Dassault Systemes | Reconstructing A 3D Modeled Object |
CN106600603A (zh) * | 2016-09-21 | 2017-04-26 | 浙江大学 | 基于稀疏独立形状分量表示的几何不变目标分割方法 |
CN106447675A (zh) * | 2016-10-09 | 2017-02-22 | 福州大学 | 基于先验形状和循环移位的目标分割方法 |
CN107374705A (zh) * | 2017-06-20 | 2017-11-24 | 上海交通大学 | 一种x光和术前ct引导下的肺穿刺手术定位方法 |
Non-Patent Citations (6)
Title |
---|
SHAOTING ZHANG等: ""Towards robust and effective shape modeling: Sparse shape composition"", 《MEDICAL IMAGE ANALYSIS》 * |
SHI C.等: ""Sparse Representation-Based Deformation Model for Atlas-Based Segmentation of Liver CT Images"", 《IMAGE AND GRAPHICS》 * |
WANG X等: ""Liver segmentation from CT images using a sparse priori statistical shape model (SP-SSM)"", 《PLOS ONE》 * |
ZHANG P等: ""Effective nuclei segmentation with sparse shape prior and dynamic occlusion constraint for glioblastoma pathology images"", 《JOURNAL OF MEDICAL IMAGING》 * |
倪波等: ""基于稀疏特征竞争和形状相似性的超声图像序列分割方法"", 《中国科学:信息科学》 * |
刘景明: ""基于统计形状模型的肝脏分割算法的研究与实现"", 《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 |
---|---|---|---|---|
CN112381838A (zh) * | 2020-11-14 | 2021-02-19 | 四川大学华西医院 | 一种数字病理切片图像的自动切图方法 |
CN112381838B (zh) * | 2020-11-14 | 2022-04-19 | 四川大学华西医院 | 一种数字病理切片图像的自动切图方法 |
CN112699763A (zh) * | 2020-12-24 | 2021-04-23 | 中标慧安信息技术股份有限公司 | 基于聚类数据库的人脸认证方法和系统 |
CN112699763B (zh) * | 2020-12-24 | 2021-10-26 | 中标慧安信息技术股份有限公司 | 基于聚类数据库的人脸认证方法和系统 |
CN118154602A (zh) * | 2024-05-10 | 2024-06-07 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 基于结直肠息肉ct影像数据集的图像分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110033454B (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sluimer et al. | Toward automated segmentation of the pathological lung in CT | |
Liu et al. | Deformable registration of cortical structures via hybrid volumetric and surface warping | |
EP1880673B1 (en) | Method of quantifying organ dynamic behavior, device, method of predicting organ position, device, radiation irradiating method, device and organ abnormality detecting device | |
El-Baz et al. | A novel shape-based diagnostic approach for early diagnosis of lung nodules | |
CN107274399B (zh) | 一种基于Hession矩阵和三维形状指数的肺结节分割方法 | |
Gao et al. | A fast and fully automatic method for cerebrovascular segmentation on time-of-flight (TOF) MRA image | |
El-Baz et al. | Appearance analysis for diagnosing malignant lung nodules | |
CN107590809A (zh) | 肺分割方法及医学成像系统 | |
CN109300113B (zh) | 一种基于改进凸包方法的肺结节辅助检测系统及方法 | |
US9230320B2 (en) | Computer aided diagnostic system incorporating shape analysis for diagnosing malignant lung nodules | |
El-Baz et al. | Three-dimensional shape analysis using spherical harmonics for early assessment of detected lung nodules | |
US20080118136A1 (en) | Propagating Shell for Segmenting Objects with Fuzzy Boundaries, Automatic Volume Determination and Tumor Detection Using Computer Tomography | |
US20030099389A1 (en) | Pleural nodule detection from CT thoracic images | |
US7929741B2 (en) | System and method for automated detection of mucus plugs within bronchial tree in MSCT images | |
CN110033454A (zh) | Ct图像中大面积粘连肺边界组织的肺肿瘤的分割方法 | |
Kurugol et al. | Automated quantitative 3D analysis of aorta size, morphology, and mural calcification distributions | |
Jaffar et al. | Fuzzy entropy based optimization of clusters for the segmentation of lungs in CT scanned images | |
CN103295224B (zh) | 一种基于均值漂移和分水岭的乳腺超声图像自动分割方法 | |
US11790524B2 (en) | System and method for quantitative volumetric assessment and modeling of tumor lesions | |
Memon et al. | Segmentation of lungs from CT scan images for early diagnosis of lung cancer | |
Chartrand et al. | Semi-automated liver CT segmentation using Laplacian meshes | |
Shang et al. | Region competition based active contour for medical object extraction | |
CN106651842A (zh) | 一种ct影像肺结节种子点自动获取和分割方法 | |
Gao et al. | Joint coronary centerline extraction and lumen segmentation from ccta using cnntracker and vascular graph convolutional network | |
CN104751457A (zh) | 一种新的基于变分能量的肝脏分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |