CN110473207A - 一种交互式分割肺叶的方法 - Google Patents

一种交互式分割肺叶的方法 Download PDF

Info

Publication number
CN110473207A
CN110473207A CN201910695209.7A CN201910695209A CN110473207A CN 110473207 A CN110473207 A CN 110473207A CN 201910695209 A CN201910695209 A CN 201910695209A CN 110473207 A CN110473207 A CN 110473207A
Authority
CN
China
Prior art keywords
lung
crack
plane
point
lobe
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
Application number
CN201910695209.7A
Other languages
English (en)
Other versions
CN110473207B (zh
Inventor
马双
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sanovisheng Technology (beijing) Co Ltd
Original Assignee
Sanovisheng Technology (beijing) Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sanovisheng Technology (beijing) Co Ltd filed Critical Sanovisheng Technology (beijing) Co Ltd
Priority to CN201910695209.7A priority Critical patent/CN110473207B/zh
Publication of CN110473207A publication Critical patent/CN110473207A/zh
Application granted granted Critical
Publication of CN110473207B publication Critical patent/CN110473207B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/10072—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive image processing
    • 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)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供了一种交互式分割肺叶的方法，它包括如下步骤：A.自动分离左肺和右肺；B.交互式分割左肺、右肺各肺叶，即：S1：交互式描绘肺裂缝轨迹；S2：在找寻平面，根据已知肺裂缝的点，根据肺裂缝相似度，在找寻平面根据相似度能量最小化方法找到与已知肺裂缝点相连的所有肺裂缝点；S3：根据找寻平面上的肺裂缝点，进行上下两个区域生长；如果是左肺，则直接以肺裂缝为界，分割出左肺的上叶、下叶两个部分；如果是右肺，则以该肺裂缝为界，分割出右肺的上中部和右下叶，然后，在右肺上中部重复执行S1—S3,根据找寻平面上的新的肺裂缝，将右肺上中部分割成右肺上叶和右肺中叶。

Description

一种交互式分割肺叶的方法
技术领域
本发明涉及一种交互式分割肺叶的方法。本发明属于医学影像处理技术领域。
背景技术
通常，临床医生借助阅读CT(Computed Tomography)图像来进行疾病的诊断，以便提出可能的治疗方案。而CT图像属于三维断层图像，一个包含整个肺部的胸腔CT图像通常包含几百张二维的切片图像，特别是高分辨率CT机(High Resolution computedtomography，HRCT)的出现，使得二维切片图像的数量变得更多，通常一个完整肺部的HRCT的二维切片图像可以多达500多张。
如果临床医生要对同一个胸腔可能存在的疾病进行准确地诊断，需要判读500多张二维CT切片图像，其工作量巨大！这种繁重的工作不仅耗时，而且还容易使人感到疲劳，从而有可能产生疾病的误判和漏诊。
在这种情况下，借助计算机进行辅助工作显得尤为重要，它可以帮助临床医生从大量的CT图像中将感兴趣的区域提取出来，把病变区域进行分类处理同时进行分析量化，并且可以运用先进的图像处理技术将人类肉眼看不到的信息展现出来。
肺叶切除手术是医学上比较常见的治疗肺部疾病的手段，其通过手术切除肺部的坏死或者病灶组织，达到修复健康的目的。为了制定手术计划，外科医生需要判读胸腔的二维CT图像，评估肺腔解剖结构的空间关系，并确定病变的肺叶。
CT图像以不同的灰度呈现从一个视点得到的二维视图，因此阅读它们是一个非常主观的任务，需要艰苦的脑力来根据一系列二维图像构建出三维空间中实际肺部的肺叶解剖结构，工作量巨大。
相对于传统二维CT图像，肺叶的三维可视化图像在外科手术规划中具有绝对优势，可以直观的看到病变组织所属肺叶结构，为患者精准的个体化手术治疗提供重要的保障。而要生成三维可视化肺叶图像的首要挑战是：要从CT图像中准确地检测到肺叶裂隙并自动分割肺叶。
肺被肺叶裂隙分成五个肺叶，每个肺叶均为功能相对独立的单位。在正常的、不存在疾病异常的肺叶中，肺叶裂隙可以作为不同肺叶之间明显的界限；但不同的个体之间，肺叶裂隙的形态和结构是不相同的。
现有的肺叶提取方法，可以理解为肺叶裂隙的检测，而不是对独立的肺叶的提取。如已知的三维肺叶裂隙检测滤波法是寻找一些关键的裂隙位置，从而推测其他的裂隙位置。然而，如何从肺叶裂隙位置获得真正肺叶的关键步骤没有交代。另外，该方法精确度低，并且需要相当长时间进行曲面的拟合。
图谱引导(atlas-guided)分割法是利用标准模板对医学图像进行分割，将标准图谱通过线性或非线性映射到待分割的图像上，从而获得肺叶图像。该方法实质上是将图像分割转换为图像配准问题。图谱引导分割方法的精度取决于图谱图像构造方法和图谱与输入图像的配准方法。为了配合解剖肺叶形状的变化，使用5例具有完整肺叶裂隙的数据构造一个图谱；采用多模板选择机制，完整的肺叶裂隙分割通过最优的图谱弹性配准获取。但不同的个体之间，肺叶裂隙的形态和结构是很不相同的，这种方法往往应用于正常的肺部数据。
由于肺部的特殊情况，如何正确并且快速的分割肺叶仍是一个急需解决的难题。
发明内容
鉴于上述原因，本发明的目的是提供一种交互式分割肺叶的方法。
为实现上述目的，本发明采用以下技术方案：一种交互式分割肺叶的方法，其特征在于：它包括如下步骤：
A.自动分离左肺和右肺
S1：自适应阈值区域生长全肺
S1.1在CT机扫描输出的n/2层到n/4层扫描数据之间，找寻肺部种子点；
S1.2以搜寻到的肺部种子点为中心进行3维26领域区域生长，生长点的阈值范围在(meanvalue+2*std)之间，该规则下生长的肺部组织是全肺组织，标记为全肺组织，包含左肺，右肺和气管组织；
S2:肺气管区域生长；
S3：从全肺中扣除气管，将此时的结果标记为肺组织；
S4:判断肺组织具有几个独立的连通域，若只有1个，则是粘连，执行步骤S5,否则为不粘连执行步骤S6；
S5:迭代腐蚀分离出左肺、右肺；
S6：输出左肺，右肺；
B.交互式分割左肺、右肺各肺叶
S1:交互式描绘肺裂缝轨迹
选择描绘平面中的任意三层图像数据，描绘肺裂缝轨迹，将描绘的肺裂缝轨迹定义为已知的肺裂缝点，并将已知的肺裂缝点投射到找寻平面；
S2:在找寻平面，根据已知肺裂缝的点，根据肺裂缝相似度，在找寻平面根据相似度能量最小化方法找到与已知肺裂缝点相连的所有肺裂缝点；
S3:根据找寻平面上的肺裂缝点，进行上下两个区域生长；
如果是左肺，则直接以肺裂缝为界，分割出左肺的上叶、下叶两个部分；
如果是右肺，则以该肺裂缝为界，分割出右肺的上中部和右下叶，然后，在右肺上中部重复执行S1—S3,根据找寻平面上的新的肺裂缝，将右肺上中部分割成右肺上叶和右肺中叶。
本发明的有益效果：本发明可以较为快速的、准确的从CT图像中提取左、右肺叶，方便医生诊断和治疗。
附图说明
图1是CT机扫描肺部时输出的扫描数据与层数的关系图；
图2是本发明交互式分割肺叶的方法流程图；
图3和图4为左肺结构示意图；
图5和图6为右肺结构示意图；
图7左肺右肺分离结果图；
图8分割后各肺叶的结果图；
图9横断面各肺叶结果图；
图10矢状面左肺上、下叶结果图；
图11矢状面右肺上、中、下叶结果图；
图12冠状面各肺叶结果图。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。需要说明的是，可以对此处公开的实施例做出各种修改，因此，说明书中公开的实施例不应该视为对本发明的限制，而仅是作为实施例的范例，其目的是使本发明的特征显而易见。
人体的肺器官结构复杂，它分为左肺和右肺，左肺包括两个叶片即左上叶、左下叶，右肺包括三个叶片即右上叶、右中叶和右下叶，叶片上布满错综复杂的肺气管和肺血管。CT机扫描人体肺部时，如图1所示，输出的扫描数据自底层从下往上逐层输出，即最底下是第一层，往上分别是第二层，第三层，第四层，……，到第N层。每层数据大小为X*Y，X，Y分别表示行坐标和列坐标(下文统称为X坐标，Y坐标)。一般X，Y均为512。
由于人体的肺器官结构复杂，自动分割肺叶具有相当的局限性，故，本发明提出了一种基于人工交互式的分割肺叶的方法，如图2所示，该方法包括如下步骤：
(一)、自动分离左肺和右肺
S1：自适应阈值区域生长全肺，此时生长的全肺包括左肺，右肺和气管；
S1.1在CT机扫描输出的n/2层到n/4层扫描数据之间，找寻肺部种子点；令S＝n/2；
S1.1.1在当前S层，以该层图像的四个角落点(1，1)，(1，X)，(1，Y)，(X，Y)为种子点，进行8邻域二维区域生长，将灰度值小于-700的点进行增长，标记为背景部分；对该层非背景部分的点进行自适应阈值计算，选出疑似肺部区域。
本发明选-700为经验阈值，因为通常空气的灰度值在-1000左右，小于-700可以表示为非人体部分。
本发明使用的自适应阈值计算方法为：Ostu方法。
Ostu方法在类间方差最大的情况下是最佳的，即众所周知的统计鉴别分析中所使用的度量。背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。因此，使类间方差最大的分割意味着错分概率最小。
Ostu方法具有简单、处理速度快的特点，是一种常用的阈值选择方法。其基本思想如下：设图像像素数为N，包含L个灰度级，灰度范围为[0，L-1]，对应灰度级i的像素数为ni，几率pi为：
把图像中的像素按灰度值用阈值分成两类和，C0由灰度值在[0之间的像素组成，由灰度值在[T+1，之间的像素组成，对于灰度分布几率pi，整幅图像的均uT为：
则和均值为u0，u1
其中：
由上面三式可得：
uT＝ω0u0+ω1u1
类间方差定义为：
让T在[0，L范围依次取值，使最大的值即为Ostu法的最佳阈值。
使用该阈值对非背景部分进行二值化图像，统计小于该阈值的部分的连通域和面积，选择其中最大的两个作为疑似肺部区域。
S1.1.2对疑似肺部区域进行判断，统计疑似肺部区域内的连通域及其面积大小；选取最大的两个，若是这两部分满足面积比例(相对小的面积/大面积的比值)在0.8以上，且两个面积的值在10000mm2以上，则认为这两部分为肺部区域，标记为肺部区域；若是未满足条件，则当前层为S-1,继续跳转执行S1.1.1，直到找到肺部区域并且标记为肺部区域。
S1.1.3计算两部分区域的中心点，计算中心点的方法是统计区域内X坐标的累加和XSUM和X坐标累计的个数Xn，统计区域内Y坐标的累加和YSUM和Y坐标的累计个数Yn。区域中心点则为(Xcenter,Ycenter)。
Xcenter＝XSUM/Xn
Ycenter＝YSUM/Yn
若当前计算的区域中心点落在肺部区域内，则该区域中心点作为肺部种子点；若当前计算的区域中心点没有落在肺部区域内，则从区域中心点开始，按照半径2mm，逐渐递增，依次为3mm,4mm，到nmm，直至找到标记为肺部区域的点，作为种子点。同时计算肺部区域的均值meanvalue，和标准差std，其中，datai表示第i个点的灰度值，i表示像素点索引，N表示像素点个数。
S1.2全肺的生长
以搜寻到的肺部种子点为中心点，进行3维26领域区域生长，生长点的阈值范围在(meanvalue±2*std)之间，该规则下生长的肺部组织是全肺组织，标记为全肺组织，包含左肺，右肺和气管组织。
S2:肺气管区域生长
S2.1：在通常的CT扫描过程中，气管组织在图像的横轴中心线附近，且气管早于肺尖，因此在步骤S1生成的全肺图像的基础上，从顶层以递减的顺序找到第一幅标记为全肺组织的图像，并且在标记为全肺的图像的中心的区域按照S1.1.3方法找寻气管的种子点Seed；
S2.2：气管分割阈值T,T灰度值初始为-980，取阈值T作为肺气管分割的条件，以找寻的气管种子点Seed为种子点进行3维26领域区域生长；生长过程中小于阈值T表示气管部分，并统计当前阈值下，肺气管数量Num(T)，肺气管集合Q(T)。
S2.3:再以T＝T+5，T<＝-910情况下，以找寻的气管种子点Seed为种子点统计当前阈值T下，肺气管数量Num(T)，若此时，(Num(T)–Num(T-5))/Num(T-5)的值超过0.05，则表示发生了泄漏，此时最佳阈值为T-5，肺气管结果为Q(T-5)；如果(Num(T)–Num(T-5))/Num(T-5)的值未超过0.05，则继续执行S2.3；
S3：从全肺中扣除气管，将此时的结果标记为肺组织；
S4:扣除气管的区域，判断具有几个独立的连通域，若只有1个，则是粘连，执行步骤S5,否则为不粘连执行步骤S6；
S5:迭代腐蚀分离左右肺算法，分离左、右肺
S5.1记录初始的肺组织状态，即S3标记的状态
S5.2迭代次数为n，n初始为1，使用结构元素3*3*3的球，对肺部区域进行n次腐蚀，n次膨胀，更新肺组织的状态；
S5.3判断n是否小于10次，若小于10次，则对当前肺组织进行连通域判断，若连通域为1个，表示当前为粘连，执行S5.4；若此时连通域个数不为1，则保持此时肺组织状态，执行S6；若迭代次数n大于等于10次，则输出当前肺组织结果：左肺，右肺未分离成功；
S5.4将状态回复到初始状态，S3标记的状态，迭代次数n++，使用结构元素3*3*3的球对肺部区域进先腐蚀n次，后膨胀n次，更新肺组织，执行步骤5.3；
S6：输出左肺，右肺，如图7所示。
(二)、交互式分割各肺叶
本发明交互式肺叶的分割可以在横断面或冠状面或矢状面三个不同平面上，描画肺裂缝轨迹(鼠标单击后拖拽描绘裂缝轨迹)；然后根据三维投射，将在横断面和冠状面绘制的点投射到矢状面，在矢状面寻找所有裂缝，或者，将在矢状面描画肺裂缝投射到冠状面，在冠状面上找寻肺裂缝；根据找到的肺裂隙进行上下两个区域方向生长，从而将肺叶一分为二，将左肺分割成左上叶、左下叶，将右肺分割成右肺的上中部和右下叶；然后，再重复上述过程，将右肺的上中部分割成右上叶和右中叶。
本发明中，定义描绘轨迹的平面为描绘平面，寻找肺裂隙的平面为找寻平面。如果在横断面和冠状面绘制轨迹，则将横断面和冠状面上的点投射到矢状面，然后在矢状面寻找所有裂缝。在矢状面描画的肺裂缝轨迹，则将在矢状面上的点投射到冠状面，在冠状面上找寻肺裂缝。即：如果横断面为描绘平面，则矢状面为找寻平面；如果冠状面为描绘平面，则矢状面为找寻平面；如果矢状面为描绘平面，则冠状面为找寻平面。
图9横断面各肺叶结果图，图10矢状面左肺上、下叶结果图，图11矢状面右肺上、中、下叶结果图，图12冠状面各肺叶结果图。
本发明交互式分割肺叶的方法如下：
Step1:交互式描绘肺裂缝轨迹
选择描绘平面中的任意三层图像，描绘肺裂缝轨迹，将描绘的肺裂缝轨迹定义为已知的肺裂缝点，并将已知的肺裂缝点投射到找寻平面。
Step2:在找寻平面，根据已知肺裂缝的点，根据肺裂缝相似度，在找寻平面根据相似度能量最小化方法找到与已知肺裂缝点相连的所有肺裂缝点；
Step3:根据找寻平面上的肺裂缝点，进行上下两个区域生长；
如果是左肺，则直接以肺裂缝为界，分割出左肺的上叶、下叶两个部分；
如果是右肺，则以该肺裂缝为界，分割出右肺的上中部和右下叶，然后，在右肺上中部重复执行Step1—Step3,根据找寻平面上的新的肺裂缝，将右肺上中部分割成右肺上叶和右肺中叶。
如图3所示，对于左肺因其仅仅具有一条左肺左斜裂缝1，将左肺分为左肺上叶2和下叶3，故只需要在描绘平面中的任意三层数据上描绘一次肺裂缝，从而将它投射的别的找寻平面内，找到肺裂隙位置，从而将左肺分为上叶和下叶即可。
本发明交互式分割左肺肺叶的具体方法如下：
Step1:交互式描绘左肺左斜裂缝轨迹
Step1.1：确定出左肺最上层nmax和最下层nmin，如图4所示；
Step1.2：将横断面作为描绘平面，分别在((nmax-nmin)*0.25+nmin)，((nmax-nmin)*0.5+nmin)，((nmax-nmin)*0.75+nmin)三层数据上描绘左肺左斜裂缝，鼠标单击后拖拽描绘裂缝轨迹；
Step1.3：将描绘的左肺左斜裂缝定义为已知的肺裂缝点投影到找寻平面(矢状面)上；
Step2:在找寻平面，根据已知左肺左斜裂缝点，根据肺裂缝相似度，在找寻平面上(矢状面)找到与已知肺裂缝点相连的所有肺裂缝点；
Step3:根据找寻平面的肺裂缝点进行上、下两个区域生长，分割出左肺上叶、下叶。
右肺相比左肺具有更复杂的结构关系，如图5所示，右肺具有右肺右水平裂缝4和右肺右斜裂缝5，这两条肺裂缝将右肺分为右上叶6、右中叶7和右下叶8。
由于右肺的生理结构，需要进行两次的交互式肺裂缝轨迹描绘，首先，需要描绘右肺右斜裂缝5，从而将右肺分割成上中部分(Up+Middle)和下部(Bottom)两部分；然后在上中部分(Up+Middle)，再描绘右肺右水平裂缝4，将上中部分(Up+Middle)一分为二，得到右上部分(Up)和右中部分(Middle)，将右肺肺叶分成右肺上叶(Up)6，右肺中叶(Middle)7和右肺下叶(Bottom)8。
具体的交互式分割右肺肺叶的方法如下：
Step1:交互式描绘右肺右斜裂缝
Step1.1:根据已确定的整个右肺，确定右肺的最上层nmax，最下层nmin；
Step1.2将横断面作为描绘平面，分别在描绘平面的((nmax-nmin)*0.25+nmin)，((nmax-nmin)*0.5+nmin)，((nmax-nmin)*0.75+nmin)三层图像数据上描绘右肺右斜裂缝(即鼠标单击后拖拽描绘裂缝轨迹)；
Step1.3：将描绘的右肺右斜裂缝定义为已知的肺裂缝点投影到找寻平面(矢状面)上；
Step2:在找寻平面上，根据已知右肺右斜裂缝点，根据肺裂缝相似度，在找寻平面上(矢状面)找到与已知肺裂缝点相连的所有肺裂缝点；
Step3:根据找寻平面上的肺裂缝点进行上、下两个区域生长，分割出右肺上中部(Up+Middle)和右肺下叶(Bottom)；
Step4：描绘右肺右水平裂缝
Step4.1:在当前右肺上中部(Up+Middle)，确定右肺上中部的最上层max，最下层min；
Step4.2：将横断面作为描绘平面，在描绘平面的((max-min)*0.5+min)层附近的任意三层数据层上描绘右肺右水平裂缝；
Step4.3：将描绘的右肺右水平裂缝定义为已知的肺裂缝点投影到找寻平面(矢状面)上；
Step5：在找寻平面，根据已知的右肺右水平裂缝点，根据肺裂缝相似度，在找寻平面上(矢状面)找到与已知肺裂缝点相连的所有肺裂缝点；
Step6：根据找寻平面上的肺裂缝点进行上、下两个区域生长，分割出右肺上叶(Up)和右肺中叶(Middle)。
无论是在左肺肺叶分割还是在右肺肺叶分割中，都提及到肺裂缝相似度。肺裂缝相似度是描绘肺裂缝特征的变量，其值域位于[0，1]之间，越接近0表示其肺裂缝可能性越小，越接近1肺裂缝可能性越大。
计算肺裂缝相似度的方法很多，本发明计算肺裂缝相似度的方法如下：
Step1：去除肺部明显是血管的部分
因为肺裂缝会与血管相互混淆，它们的结构和灰度值存在一定程度上的近似，因此需要先去除明显不是裂缝的部分血管。依据经验可知，肺部灰度值-150以上的组织可认为大部分都是肺血管区域。
Step2：对去除血管的数据部分计算肺裂缝相似度
对去除血管的数据部分计算Hessian矩阵特征值。
点X＝(x，y，z)(3D)或者X＝(x，y)(2D)，H(X)为点X的Hessian矩阵。对于三维图像，其Hessian矩阵表示为：
其中Ixx(X)、Ixy(X)等代表图像的二阶偏微分
计算Hessian矩阵需要计算二阶偏微分。通常，为了计算Hessian矩阵的这些微分操作符将会使用线性度量空间理论。在这一空间理论下，微分通常被定义为原始数据与高斯滤波器的导数卷积。二阶导数改写为：
Hessian矩阵的多尺度是指其特征值的计算与σ有关。通常σ＝1可以很好的表达肺裂缝相似度。
计算出该点的Hessian矩阵，然后求解该矩阵，计算出该矩阵的特征值。Hessian矩阵的特征值λ1、λ2、λ3(|λ1|≤|λ2|≤|λ3|)。
表1在二维和三维中常见几何结构与其Hessian矩阵特征值之间的关系
肺叶裂缝结构具有典型的面型结构(亮结构)，所以λ3＜0，故构建面型滤波公式如下：
其中：
α＝0.5
B＝0.5
γ＝3
η＝8
θ2＝0.1
经过上述公式计算出肺叶裂缝的相似度Fv。Fv的值域位于[0，1]之间，Fv的计算值越接近1，说明其结构上越接近于肺裂缝结构；Fv的值越接近于0，说明其结构越不是肺裂缝结构。
无论是在左肺肺叶分割还是在右肺肺叶分割中，都提及到根据已知肺裂缝的点，根据肺裂缝相似度，在找寻平面根据肺裂缝相似度能量最小化方法找到与已知肺裂缝点相连的所有肺裂缝点，具体方法是：
Step1：定义肺裂缝平均斜率kslope，遍历找寻平面，直到碰触到某层找寻平面存在有2个以上的已知裂缝点，计算该找寻平面前两个已知肺裂缝点的斜率，将该斜率赋值给kslope。
Step2：重新遍历找寻平面，若找寻平面存在两个以上已知裂缝点，则进行Step3；若找寻平面存在一个已知裂缝点，则进行Step4。
Step3：该找寻平面有两个以上已知裂缝点时，此时的情况如图6所示
Step3.1：计算A点(up)和B点(bottom)两个端点；
端点的计算方法是根据靠近端点的相邻两点的斜率，推算在肺的边界处与相邻两点延长线相交的点。在该点周围5mm以内搜寻具有最大裂缝相似度的点作为端点；将计算得到的端点和已知的肺裂缝点均定义为关键点；
Step 3.2：按顺序从下到上，依次将关键点定义为起始点和终止点；直接按照能量最小的方法找寻初始点和终止点的最小路径。本发明中使用的能量公式如下a点和b点之间的能量
其中E(a，b)＝Ep(a，b)+Et(a，b)+Edist(a，b)，
Ep(a，b)＝exp((2-Plate(α)-Plate(b))2)
Et(a，b)＝exp((2-(coef*exp(--T(a)*T(a)*sgm2a)+coef*exp(--T(b)*T(b)*sgm2a)))2)，
sgm2a＝sgma*sgma，T(λ)＝Hu(λ)-meanvalue，
Edist(a，b)＝dist(a，b)，其中dist(a，b)表示a，b之间的距离。
代入公式可以计算出两点之间的路径，该路径可以认为是肺间裂缝，同时统计相邻两点的斜率，更新肺裂缝的平均斜率kslope。
Step4：该找寻平面只有一个已知裂缝点时
Step4.1：根据该裂缝点和肺裂缝的平均斜率，计算出与肺边界相交的两个点；找寻两点周围5mm以内具有最大裂缝相似度的点作为A点(Up点)和B点(bottom点)；
Step4.2：同Step3.2，计算出该层数据的肺裂缝轨迹，同时统计相邻两点的斜率，更新肺裂缝的平均斜率kslope。
经过该算法，可以成功的提取到与已知肺裂缝点相连的所有肺裂缝点。
无论是在左肺肺叶分割还是在右肺肺叶分割中，都提及到根据肺裂缝点，进行上下两部分的区域生长，从而将该部分分为上下两个部分。具体的根据已知肺裂缝进行上下两部分区域生长步骤如下：
Step1：根据裂缝和肺叶的位置关系，定义向上生长的规律{x，y，z}，
{0，0，1}，
{0，-1，0}，
{1，-1，0}，
{-1，-1，0}
定义向下的生长规律为
{0，0，-1}，
{0，1，0}，
{1，1，0}，
{-1，1，0}
Step2：将已知的肺裂缝点作为种子点，按照向上的生长规律进行区域生长，生长过程中遇到标记为肺的标记点(包括左肺或者右肺)标记为肺上叶(左肺上叶，右肺上部分)。
Step3:将已知的肺裂缝点作为种子点，按照向下的生长规律进行区域生长，生长过程中遇到肺的标记点(包括左肺或者右肺)标记为肺下叶(左肺下叶，右肺下部分)。
Step4:此时左肺中还是存在某些左肺实质点，依然没有被标记为上叶和下叶的点，这些点是找寻平面中没有已知肺裂缝的层存在的点和按上下两个方向区域生长不到的点。
针对这些点，采用投票区域生长法。具体的投票规则为：针对这些没有被标记的点进行26邻域三维区域生长，如果碰触到标记为上叶的点，其上叶投票次数加1。碰触到下叶标记的点，下叶次数加1。区域生长结束后，生长的区域被投票为上叶的次数多于下叶，则将新生长的区域都标记为上叶。反之，标记为下叶。
经过该算法，可以成功的将肺分成上叶和下叶两部分。
本发明的有益效果：本发明可以较为快速的、准确的从CT图像中提取左、右肺叶，方便医生诊断和治疗。
最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种交互式分割肺叶的方法，其特征在于：它包括如下步骤：
A.自动分离左肺和右肺
S1：自适应阈值区域生长全肺
S1.1 在CT机扫描输出的n/2层到n/4层扫描数据之间，找寻肺部种子点；
S1.2 以搜寻到的肺部种子点为中心进行3维26领域区域生长，生长点的阈值范围在(meanvalue±2*std)之间，该规则下生长的肺部组织是全肺组织，标记为全肺组织，包含左肺，右肺和气管组织；
S2:肺气管区域生长；
S3：从全肺中扣除气管，将此时的结果标记为肺组织；
S4:判断肺组织具有几个独立的连通域，若只有1个，则是粘连，执行步骤S5,否则为不粘连执行步骤S6；
S5:迭代腐蚀分离出左肺、右肺；
S6：输出左肺，右肺；
B.交互式分割左肺、右肺各肺叶
S1:交互式描绘肺裂缝轨迹
选择描绘平面中的任意三层图像数据，描绘肺裂缝轨迹，将描绘的肺裂缝轨迹定义为已知的肺裂缝点，并将已知的肺裂缝点投射到找寻平面；
S2:在找寻平面，根据已知肺裂缝的点，根据肺裂缝相似度，在找寻平面根据相似度能量最小化方法找到与已知肺裂缝点相连的所有肺裂缝点；
S3:根据找寻平面上的肺裂缝点，进行上下两个区域生长；
如果是左肺，则直接以肺裂缝为界，分割出左肺的上叶、下叶两个部分；
如果是右肺，则以该肺裂缝为界，分割出右肺的上中部和右下叶，然后，在右肺上中部重复执行S1—S3,根据找寻平面上的新的肺裂缝，将右肺上中部分割成右肺上叶和右肺中叶。
2.根据权利要求1所述的交互式分割肺叶的方法，其特征在于：所述描绘平面为描绘肺裂缝轨迹的平面；所述找寻平面为寻找肺裂隙的平面；
所述描绘平面可以为横断面或冠状面或矢状面；
所述找寻平面可以为冠状面或矢状面；
当所述描绘平面为横断面或冠状面时，所述找寻平面为矢状面；
当所述描绘平面为矢状面时，所述找寻平面为冠状面。
3.根据权利要求2所述的交互式分割肺叶的方法，其特征在于：所述肺裂缝相似度的计算方法如下：
S1：去除肺部明显是血管的部分；
S2:对去除血管的数据部分计算肺裂缝相似度
S2.1：对去除血管的数据部分计算其Hessian矩阵特征值λ1、λ2、λ3，其|λ1|≤|λ2|≤|λ3|；
S2.2：利用Hessian矩阵特征值λ1、λ2、λ3构建肺叶裂缝结构的面型滤波公式，求解肺裂缝相似度Fv；
肺叶裂缝结构具有典型的面型结构，所以λ3＜0，肺叶裂缝结构的面型滤波公式如下：
其中：
经过上述公式计算出肺叶裂缝的相似度Fv，Fv的值域位于[0,1]之间，Fv的计算值越接近1，说明其结构上越接近于肺裂缝结构；Fv的值越接近于0，说明其结构越不是肺裂缝结构。
4.根据权利要求3所述的交互式分割肺叶的方法，其特征在于：所述交互式分割左肺肺叶的具体方法为：
S1:交互式描绘左肺左斜裂缝轨迹
S1.1：确定出左肺最上层nmax和最下层nmin，
S1.2：确定描绘平面，分别在描绘平面的((nmax-nmin)*0.25+nmin)，((nmax-nmin)*0.5+nmin)，((nmax-nmin)*0.75+nmin)三层图像数据上描绘左肺左斜裂缝，鼠标单击后拖拽描绘裂缝轨迹；
S1.3：将描绘的左肺左斜裂缝定义为已知的肺裂缝点投影到找寻平面上；
S2:在找寻平面，根据已知左肺左斜裂缝点，根据肺裂缝相似度，在找寻平面上找到与已知肺裂缝点相连的所有肺裂缝点；
S3:根据找寻平面的肺裂缝点进行上、下两个区域生长，分割出左肺上叶、下叶。
5.根据权利要求4所述的交互式分割肺叶的方法，其特征在于：所述交互式分割右肺肺叶的具体方法如下：
S1:交互式描绘右肺右斜裂缝
S1.1:根据已确定的整个右肺，确定右肺的最上层nmax，最下层nmin；
S1.2：确定描绘平面，分别在描绘平面的((nmax-nmin)*0.25+nmin)，((nmax-nmin)*0.5+nmin)，((nmax-nmin)*0.75+nmin)三层图像数据上描绘右肺右斜裂缝，鼠标单击后拖拽描绘裂缝轨迹；
S1.3：将描绘的右肺右斜裂缝定义为已知的肺裂缝点投影到找寻平面上；
S2:在找寻平面上，根据已知右肺右斜裂缝点，根据肺裂缝相似度，在找寻平面上找到与已知肺裂缝点相连的所有肺裂缝点；
S3:根据找寻平面上的肺裂缝点进行上、下两个区域生长，分割出右肺上中部和右肺下叶；
S4：描绘右肺右水平裂缝
S4.1:在当前右肺上中部，确定右肺上中部的最上层max，最下层min；
S4.2:确定描绘平面，在描绘平面的((max-min)*0.5+min)层附近的任意三层图像数据上描绘右肺右水平裂缝；
S4.3：将描绘的右肺右水平裂缝定义为已知的肺裂缝点投影到找寻平面上；
S5：在找寻平面，根据已知的右肺右水平裂缝点，根据肺裂缝相似度，在找寻平面上找到与已知肺裂缝点相连的所有肺裂缝点；
S6:根据找寻平面上的肺裂缝点进行上、下两个区域生长，分割出右肺上叶和右肺中叶。
6.根据权利要求5所述的交互式分割肺叶的方法，其特征在于：所述S1.1找寻肺部种子点的具体方法：在CT机扫描输出的n/2层到n/4层扫描数据之间，找寻肺部种子点；令S＝n/2；
S1.1.1 在当前S层，以该层图像的四个角落点(1，1)，(1，X)，(1，Y)，(X，Y)为种子点，进行8邻域二维区域生长，将灰度值小于-700的点进行增长，标记为背景部分；对该层非背景部分的点进行自适应阈值计算，选出疑似肺部区域；
所述自适应阈值计算方法为Ostu方法；通过Ostu方法找到最佳阈值；使用该阈值对非背景部分进行二值化图像，统计小于该阈值的部分的连通域和面积，选择其中最大的两个作为疑似肺部区域；
S1.1.2 对疑似肺部区域进行判断，统计疑似肺部区域内的连通域及其面积大小；选取最大的两个，若是这两部分满足面积比例(相对小的面积/大面积的比值)在0.8以上，且两个面积的值在10000mm2以上，则认为这两部分为肺部区域，标记为肺部区域；若是未满足条件，则当前层为S-1,继续跳转执行S1.1.1，直到找到肺部区域并且标记为肺部区域；
S1.1.3 计算两部分区域的中心点，计算中心点的方法是统计区域内X坐标的累加和XSUM和X坐标累计的个数Xn，统计区域内Y坐标的累加和YSUM和Y坐标的累计个数Yn。区域中心点则为(Xcenter,Ycenter)；
Xcenter＝XSUM/Xn
Ycenter＝YSUM/Yn
若当前计算的区域中心点落在肺部区域内，则该区域中心点作为肺部种子点；若当前计算的区域中心点没有落在肺部区域内，则从区域中心点开始，按照半径2mm，逐渐递增，依次为3mm,4mm，到nmm，直至找到标记为肺部区域的点，作为种子点；同时计算肺部区域的均值meanvalue，和标准差std，
其中，datai表示第i个点的灰度值，i表示像素点索引，N表示像素点个数。
7.根据权利要求6所述的交互式分割肺叶的方法，其特征在于：所述步骤S5迭代腐蚀分离左、右肺的具体方法如下：
S5.1 记录初始的肺组织状态，即S3标记的状态；
S5.2 迭代次数为n，n初始为1，使用结构元素3*3*3的球，对肺部区域进行n次腐蚀，n次膨胀，更新肺组织的状态；
S5.3 判断n是否小于10次，若小于10次，则对当前肺组织进行连通域判断，若连通域为1个，表示当前为粘连，执行S5.4；若此时连通域个数不为1，则保持此时肺组织状态，执行S6；若迭代次数n大于等于10次，则输出当前肺组织结果：左肺，右肺未分离成功；
S5.4 将状态回复到初始状态，S3标记的状态，迭代次数n++，使用结构元素3*3*3的球对肺部区域进先腐蚀n次，后膨胀n次，更新肺组织，执行步骤5.3。
CN201910695209.7A 2019-07-30 2019-07-30 一种交互式分割肺叶的方法 Active CN110473207B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910695209.7A CN110473207B (zh) 2019-07-30 2019-07-30 一种交互式分割肺叶的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910695209.7A CN110473207B (zh) 2019-07-30 2019-07-30 一种交互式分割肺叶的方法

Publications (2)

Publication Number Publication Date
CN110473207A true CN110473207A (zh) 2019-11-19
CN110473207B CN110473207B (zh) 2022-05-10

Family

ID=68509124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910695209.7A Active CN110473207B (zh) 2019-07-30 2019-07-30 一种交互式分割肺叶的方法

Country Status (1)

Country Link
CN (1) CN110473207B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242931A (zh) * 2020-01-15 2020-06-05 东北大学 一种单肺叶的小气道病变判断方法和装置
CN111260627A (zh) * 2020-01-15 2020-06-09 东北大学 一种基于肺叶的肺气肿区域判断方法和装置
CN111260669A (zh) * 2020-02-17 2020-06-09 北京推想科技有限公司 基于ct图像的肺叶分割方法和装置
CN111292343A (zh) * 2020-01-15 2020-06-16 东北大学 一种基于多视角下的肺叶分割方法和装置
CN111311541A (zh) * 2020-01-15 2020-06-19 深圳前海微众银行股份有限公司 肺裂隙平面的运动位移确定方法、装置及存储介质
CN112330708A (zh) * 2020-11-24 2021-02-05 沈阳东软智能医疗科技研究院有限公司 图像处理方法、装置、存储介质及电子设备
CN112884792A (zh) * 2021-02-02 2021-06-01 青岛海信医疗设备股份有限公司 肺部图像分割的方法、装置、电子设备及存储介质
CN113706557A (zh) * 2021-08-30 2021-11-26 江苏省人民医院（南京医科大学第一附属医院） 肺实质对称四分区判定肺结节三维空间内深度的方法
CN114418931A (zh) * 2021-11-23 2022-04-29 东北大学 术后剩余肺叶的提取方法及装置、电子设备和存储介质
CN116363020A (zh) * 2023-06-01 2023-06-30 青岛市中心医院 一种肺癌影像智能识别增强系统
CN117523207A (zh) * 2024-01-04 2024-02-06 广东欧谱曼迪科技股份有限公司 肺叶分割矫正处理的方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160189373A1 (en) * 2013-08-01 2016-06-30 Seoul National University R&Db Foundation Method for Extracting Airways and Pulmonary Lobes and Apparatus Therefor
CN107230204A (zh) * 2017-05-24 2017-10-03 东北大学 一种从胸部ct图像中提取肺叶的方法及装置
CN107392910A (zh) * 2017-07-06 2017-11-24 沈阳东软医疗系统有限公司 一种基于ct图像的肺叶分割方法及装置
CN109410166A (zh) * 2018-08-30 2019-03-01 中国科学院苏州生物医学工程技术研究所 用于肺实质ct图像的全自动分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160189373A1 (en) * 2013-08-01 2016-06-30 Seoul National University R&Db Foundation Method for Extracting Airways and Pulmonary Lobes and Apparatus Therefor
CN107230204A (zh) * 2017-05-24 2017-10-03 东北大学 一种从胸部ct图像中提取肺叶的方法及装置
CN107392910A (zh) * 2017-07-06 2017-11-24 沈阳东软医疗系统有限公司 一种基于ct图像的肺叶分割方法及装置
CN109410166A (zh) * 2018-08-30 2019-03-01 中国科学院苏州生物医学工程技术研究所 用于肺实质ct图像的全自动分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曹蕾: "一种全自动的三维肺实质分割算法", 《计算机工程与应用》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242931B (zh) * 2020-01-15 2023-08-22 东北大学 一种单肺叶的小气道病变判断方法和装置
CN111260627A (zh) * 2020-01-15 2020-06-09 东北大学 一种基于肺叶的肺气肿区域判断方法和装置
CN111292343A (zh) * 2020-01-15 2020-06-16 东北大学 一种基于多视角下的肺叶分割方法和装置
CN111311541A (zh) * 2020-01-15 2020-06-19 深圳前海微众银行股份有限公司 肺裂隙平面的运动位移确定方法、装置及存储介质
CN111242931A (zh) * 2020-01-15 2020-06-05 东北大学 一种单肺叶的小气道病变判断方法和装置
CN111260669A (zh) * 2020-02-17 2020-06-09 北京推想科技有限公司 基于ct图像的肺叶分割方法和装置
CN112330708A (zh) * 2020-11-24 2021-02-05 沈阳东软智能医疗科技研究院有限公司 图像处理方法、装置、存储介质及电子设备
CN112330708B (zh) * 2020-11-24 2024-04-23 沈阳东软智能医疗科技研究院有限公司 图像处理方法、装置、存储介质及电子设备
CN112884792A (zh) * 2021-02-02 2021-06-01 青岛海信医疗设备股份有限公司 肺部图像分割的方法、装置、电子设备及存储介质
CN113706557A (zh) * 2021-08-30 2021-11-26 江苏省人民医院（南京医科大学第一附属医院） 肺实质对称四分区判定肺结节三维空间内深度的方法
CN114418931A (zh) * 2021-11-23 2022-04-29 东北大学 术后剩余肺叶的提取方法及装置、电子设备和存储介质
CN114418931B (zh) * 2021-11-23 2024-06-04 东北大学 术后剩余肺叶的提取方法及装置、电子设备和存储介质
CN116363020A (zh) * 2023-06-01 2023-06-30 青岛市中心医院 一种肺癌影像智能识别增强系统
CN117523207A (zh) * 2024-01-04 2024-02-06 广东欧谱曼迪科技股份有限公司 肺叶分割矫正处理的方法、装置、电子设备及存储介质
CN117523207B (zh) * 2024-01-04 2024-04-09 广东欧谱曼迪科技股份有限公司 肺叶分割矫正处理的方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN110473207B (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN110473207A (zh) 一种交互式分割肺叶的方法
Ling et al. Hierarchical, learning-based automatic liver segmentation
US7365745B2 (en) Method of rendering a surface from a solid graphical image
US8666128B2 (en) Methods, systems, and computer readable media for mapping regions in a model of an object comprising an anatomical structure from one image data set to images used in a diagnostic or therapeutic intervention
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
JP5072449B2 (ja) 医用画像処理装置及び医用画像処理方法
Zheng et al. Multi-part modeling and segmentation of left atrium in C-arm CT for image-guided ablation of atrial fibrillation
CN108776962A (zh) 一种构建肺肿瘤良恶性预测模型的方法
CN101971213A (zh) 图像中解剖结构分割与建模的方法及系统
JP2007144177A (ja) 低コントラストの管形状対象のための半自動セグメント分割手法の方法及び装置
CN102324109A (zh) 基于模糊隶属度模型的非实质性肺结节三维分割方法
Lee et al. Segmentation of individual ribs from low-dose chest CT
Qiu et al. Lung Nodules Detection in CT Images Using Gestalt‐Based Algorithm
CN108447044B (zh) 一种基于医学图像配准的骨髓炎病变分析方法
KR101625955B1 (ko) 장기의 동맥 및 정맥의 구분 방법
Cheng et al. Segmentation of the airway tree from chest CT using tiny atrous convolutional network
Li et al. PRF-RW: a progressive random forest-based random walk approach for interactive semi-automated pulmonary lobes segmentation
Nardelli et al. Deep-learning strategy for pulmonary artery-vein classification of non-contrast CT images
Borzooie et al. Modified density-based data clustering for interactive liver segmentation
Alirr et al. Automatic liver segmentation from ct scans using intensity analysis and level-set active contours
US12067678B2 (en) Detecting and representing anatomical features of an anatomical structure
Mohammed et al. Liver segmentation: A survey of the state-of-the-art
He et al. Preoperative path planning algorithm for lung puncture biopsy based on path constraint and multidimensional space distance optimization
Zhong et al. CT-guided automatic path planning for lung puncture
Zheng et al. Precise segmentation of the left atrium in C-arm CT volumes with applications to atrial fibrillation ablation

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
CB02 Change of applicant information

Address after: 100176 1st floor, building 8, 11 Kangding street, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Applicant after: Sinovision Technology (Beijing) Co.,Ltd.

Address before: 100176 1st floor, building 8, 11 Kangding street, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Applicant before: SAINUO WEISHENG TECHNOLOGY (BEIJING) Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant