CN110599482B - 肺裂曲面确定方法、装置、电子设备和存储介质 - Google Patents

肺裂曲面确定方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN110599482B
CN110599482B CN201910882788.6A CN201910882788A CN110599482B CN 110599482 B CN110599482 B CN 110599482B CN 201910882788 A CN201910882788 A CN 201910882788A CN 110599482 B CN110599482 B CN 110599482B
Authority
CN
China
Prior art keywords
point
fissure
lung
points
voxel
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
Application number
CN201910882788.6A
Other languages
English (en)
Other versions
CN110599482A (zh
Inventor
韩月乔
吴乙荣
田广野
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.)
Qingdao Hisense Medical Equipment Co Ltd
Original Assignee
Qingdao Hisense Medical Equipment 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 Qingdao Hisense Medical Equipment Co Ltd filed Critical Qingdao Hisense Medical Equipment Co Ltd
Priority to CN201910882788.6A priority Critical patent/CN110599482B/zh
Publication of CN110599482A publication Critical patent/CN110599482A/zh
Application granted granted Critical
Publication of CN110599482B publication Critical patent/CN110599482B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Mathematical Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Algebra (AREA)

Abstract

本发明公开了一种肺裂曲面确定方法、装置、电子设备和存储介质，用于实现肺裂的自动检测。该方法中将三维模型中薄板系数sheet_ness值大于设定的第一阈值的体素点的标识信息添加到第一点集中，构建了可能是肺裂点的点集；并将三维模型中管道系数vessel_ness值大于设定的第二阈值的体素点的标识信息添加到第二点集中，构建了可能是血管点的点集；将第一点集中与第二点集中的每个体素点的欧式距离小于设定距离阈值的体素点的标识信息从第一点集中删除，最终得到了肺裂点，基于肺裂点进行肺裂曲面的确定，从而实现了肺裂的自动检测。

Description

肺裂曲面确定方法、装置、电子设备和存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种肺裂曲面确定方法、装置、电子设备和存储介质。
背景技术
近年来，通过医学图像序列构建的三维模型，分析肿瘤等病变组织的可切除性的选择上，计算机起到了至关重要的作用。其中，在胸外科,由于患者数量的增加及器材厂商的推广及教育，采用肺段切除方案的患者越来越多，并且相对于肺叶切除，肺段切除可以最大程度地保存患者的正常肺组织，保护患者的肺功能。
图1为现有技术提供的肺裂、肺叶、肺段解剖结构外侧面示意图；图2为现有技术提供的肺裂、肺叶、肺段解剖结构内侧面示意图；图3为现有技术提供的分别从横截面、矢状面、冠状面显示肺裂结构的CT图像示意图。生理解剖结构上肺段划分情况如图1、图2和图3所示，肺段以肺叶结构细分，而肺叶又通过肺裂划分。图1中右边(图中的左右)箭头所指分割痕迹为左斜裂，左斜裂将左肺分割为左上叶和左下叶，再将左上叶和左下叶进一步分段；图1中左边向下(图中的左右、上下)箭头所指分割痕迹为右水平裂，右水平裂将右肺分割为右上叶和右中叶，再将右上叶和右中叶进一步分段；图中左边向右(图中的左右、上下)箭头所指分割痕迹为右斜裂，右斜裂将右肺分为右中叶和右下叶，再将右中叶和右下叶进一步分段。
为了实现肺段切除，现有技术中只能基于预先构建的三维模型人为识别肺裂从而进行肺段切除，因此现有技术中进行肺裂识别的自动化程度较低。
发明内容
本发明实施例提供了一种肺裂曲面确定方法、装置、电子设备和存储介质，用以实现肺裂的自动检测。
本发明实施例提供了一种肺裂曲面确定方法，所述方法包括：
根据获取的肺部的CT数据，构建所述肺部的三维模型；
将所述三维模型中薄板系数sheet_ness值大于设定的第一阈值的体素点的标识信息添加到第一点集中，将所述三维模型中管道系数vessel_ness值大于设定的第二阈值的体素点的标识信息添加到第二点集中；
将所述第一点集中与所述第二点集中的每个体素点的欧式距离小于设定距离阈值的体素点的标识信息从所述第一点集中删除；
根据所述第一点集中剩余的标识信息对应的体素点，确定每个肺裂曲面。
进一步地，所述根据所述第一点集中剩余的标识信息对应的体素点，确定每个肺裂曲面包括：
将所述第一点集中剩余的标识信息对应的体素点，作为肺裂点；
针对所述三维模型中的右肺，遍历Y方向，确定每个Y平面上右肺裂点的标准差值，并按照Y值由小到大的顺序，依次比较每两个相邻Y平面上右肺裂点的标准差值的差，当差值大于设定阈值时，将该两个相邻Y平面确定为右水平裂和右斜裂公共区域；
将除位于所述公共区域的体素点外的剩余的右肺裂点划分为右水平肺裂点和右斜裂肺裂点；
根据确定的右水平肺裂点，确定右水平裂曲面；
根据确定的右斜裂肺裂点，确定右斜裂曲面。
进一步地，所述将除位于所述公共区域的体素点外的剩余的右肺裂点划分为右水平肺裂点和右斜裂肺裂点包括：
采用最小二乘法或聚类算法，将除位于所述公共区域的体素点外的剩余的右肺裂点划分为右水平肺裂点和右斜裂肺裂点。
进一步地，将所述第一点集中与所述第二点集中的每个体素点的欧式距离小于设定距离阈值的体素点的标识信息从所述第一点集中删除之前，所述方法还包括：
将所述第一点集中属于肺实质的体素点去除。
相应地，本发明实施例提供了一种肺裂曲面确定装置，所述装置包括：
构建模块，用于根据获取的肺部的CT数据，构建所述肺部的三维模型；
判断模块，用于将所述三维模型中薄板系数sheet_ness值大于设定的第一阈值的体素点的标识信息添加到第一点集中，将所述三维模型中管道系数vessel_ness值大于设定的第二阈值的体素点的标识信息添加到第二点集中；还用于将所述第一点集中与所述第二点集中的每个体素点的欧式距离小于设定距离阈值的体素点的标识信息从所述第一点集中删除；
确定模块，用于根据所述第一点集中剩余的标识信息对应的体素点，确定每个肺裂曲面。
进一步地，所述确定模块，具体用于将所述第一点集中剩余的标识信息对应的体素点，作为肺裂点；针对所述三维模型中的右肺，遍历Y方向，确定每个Y平面上右肺裂点的标准差值，并按照Y值由小到大的顺序，依次比较每两个相邻Y平面上右肺裂点的标准差值的差，当差值大于设定阈值时，将该两个相邻Y平面确定为右水平裂和右斜裂公共区域；将除位于所述公共区域的体素点外的剩余的右肺裂点划分为右水平肺裂点和右斜裂肺裂点；根据确定的右水平肺裂点，确定右水平裂曲面；根据确定的右斜裂肺裂点，确定右斜裂曲面。
进一步地，所述确定模块，还用于采用最小二乘法或聚类算法，将除位于所述公共区域的体素点外的剩余的右肺裂点划分为右水平肺裂点和右斜裂肺裂点。
进一步地，所述装置还包括：
去除模块，用于将所述第一点集中属于肺实质的体素点去除。
相应地，本发明实施例提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器用于存储程序指令，所述处理器用于执行存储器中存储的计算机程序时实现上述肺裂曲面确定方法中任一所述方法的步骤。
相应地，本发明实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述肺裂曲面确定方法中任一所述方法的步骤。
本发明实施例提供了一种肺裂曲面确定方法、装置、电子设备和存储介质，该方法中针对所述三维模型中每个体素点，判断该体素点的薄板系数sheet_ness值是否大于设定的第一阈值，如果是，将该体素点的标识信息添加到第一点集中，构建了可能是肺裂点的点集；并判断该体素点的管道系数vessel_ness值是否大于设定的第二阈值，如果是，将该体素点的标识信息添加到第二点集中，构建了可能是血管点的点集；针对所述第一点集中的每个体素点，判断该体素点与所述第二点集中的每个体素点的欧式距离中是否存在小于设定距离阈值的欧式距离，如果是，在所述第一点集中删除该体素点的标识信息，将其中血管壁上的体素点去除，最终得到了肺裂点，基于肺裂点进行肺裂曲面的确定，从而实现了肺裂的自动检测。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为现有技术提供的肺裂、肺叶、肺段解剖结构外侧面示意图；
图2为现有技术提供的肺裂、肺叶、肺段解剖结构内侧面示意图；
图3为现有技术提供的分别从横截面、矢状面、冠状面显示肺裂结构的CT图像示意图；
图4为本发明实施例1提供的一种肺裂曲面确定过程示意图；
图5为本发明实施例提供的体素点不同情况的特征值对应的三维模型形状的示意图；
图6为本发明实施例1提供的在肺部的三维模型中分离出的可能是肺裂点的体素点的示意图；
图7为本发明实施例提供的在第一点集中去除代表肺实质的体素点的结果示意图；
图8为本发明实施例提供的在第一点集中去除左肺上代表血管壁的体素点的结果示意图；
图9为本发明实施例提供的在第一点集中去除右肺上代表血管壁的体素点的结果示意图；
图10为本发明实施例提供的每个Y平面上所有肺裂点的标准差与Y值的对应关系示意图；
图11为本发明实施例5提供的一种肺裂曲面确定装置示意图；
图12为本发明实施例6提供的一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，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在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
为了实现肺裂的自动检测，本发明实施例提供了一种肺裂曲面确定方法、装置、电子设备和存储介质。
实施例1：
图4为本发明实施例1提供的一种肺裂曲面确定过程示意图，该过程包括以下步骤：
S401：根据获取的肺部的CT数据，构建所述肺部的三维模型。
其中，为了获取肺部的CT数据，需要从16位原始DICOM数据中分割出肺部的CT数据，因为该16位原始DICOM(医学数字成像和通信)数据中包括肺部的CT数据和肺部周围人体组织的CT数据，故采用现有技术中区域增长的图像分割方法将肺部的CT数据从该16位原始DICOM数据中分割出来；DICOM是医学图像和相关信息的国际标准。
肺部的CT数据是二维数据，根据获取的肺部的CT数据，构建该肺部的三维模型，具体的，可以采用现有技术中的模型构建方法，例如根据二维数据组成离散点的模型构建方法。
S402：将所述三维模型中薄板系数sheet_ness值大于设定的第一阈值的体素点的标识信息添加到第一点集中，将所述三维模型中管道系数vessel_ness值大于设定的第二阈值的体素点的标识信息添加到第二点集中。
其中，薄板系数sheet_ness值是代表体素点的薄板状结构的可能性，当体素点的薄板系数sheet_ness值越大，就表示该体素点为薄板状结构的可能性越高。
针对该三维模型中的每一个体素点，判断该体素点的薄板系数sheet_ness值是否大于设定的第一阈值，因为肺部中的肺裂就是典型的薄板状结构，当体素点的sheet_ness值大于设定的第一阈值时，该体素点就有可能是肺裂点。
该设定的第一阈值是通过试验确定的，具体的，在本发明实施例中，该第一阈值例如可以为0.05；由于血管壁和部分肺实质也具有薄板状结构，因此sheet_ness值大于设定的第一阈值的体素点可能是：肺裂、或血管壁、或肺实质上的体素点。
其中，管道系数vessel_ness值是代表体素点的管状结构的可能性，而肺裂是典型的薄板状结构而非管状结构，当体素点的管道系数vessel_ness值越大，就表示该体素点为管状结构的可能性越高。
因为位于第一点集中的体素点可能包括有血管壁上的体素点，因此为了保证肺裂曲线绘制的准确性，可以根据管道系数vessel_ness值判断每个体素点是否为血管上的体素点。
为了删除该第一点集中代表血管壁的体素点的标识信息，需要预先确定出该第一点集中代表血管壁的体素点的标识信息，具体的，由于代表血管壁的体素点与代表血管的体素点的欧式距离很近，因此可以通过确定肺部三维模型中代表血管的体素点来确定出该第一点集中代表血管壁的体素点。
具体的，针对该三维模型中的每一个体素点，判断该体素点的管道系数vessel_ness值是否大于设定的第二阈值，因为肺部中的血管就是典型的管状结构，当体素点的vessel_ness值大于设定的第二阈值时，该体素点就有可能是血管点上的体素点。
其中，该设定的第二阈值可以是通过试验确定的，也可以是通过计算得出的，较佳的，在本发明实施例中，该第二阈值是通过实验得出的；当体素点的最大的vessel_ness值大于该第二阈值时，该体素点为血管点并将该体素点的标识信息添加到第二点集中。
其中，该体素点的标识信息具体可以是该体素点在三维模型中的空间坐标，也可以是该体素点的数字编号等唯一标识该体素点的信息，较佳的，在本发明实施例中，该体素点的标识信息是该体素点在三维模型中的空间坐标。
sheet_ness值和vessel_ness值是通过计算海森矩阵的特征值和特征向量来计算得出的，具体的本领域技术人员能够根据海森矩阵进行sheet_ness值和vessel_ness值的确定。
S403：将所述第一点集中与所述第二点集中的每个体素点的欧式距离小于设定距离阈值的体素点的标识信息从所述第一点集中删除。
因为确定了血管中的体素点，而血管壁位于血管周围的邻近区域，因此当确定了血管上的体素点后，可以将该血管体素点周围的邻近区域内的体素点确定为血管壁上的体素点，在第一点集中去掉这些血管壁上的体素点即可。
在本发明实施例中可以针对第一点集中的每个体素点，确定该体素点与第二点集中的每个体素点的欧式距离，判断该欧式距离中是否存在小于设定距离阈值的欧式距离，如果是，与第二点集中的体素点的欧式距离小于设定距离阈值，第二点集中的体素点为血管上的体素点，则说明该体素点是血管壁上的体素点，因此可以将该体素点的标识信息从该第一点集中删除。
其中，该设定的距离阈值可以是通过实验得到的，也可以是通过计算得到的，较佳的，在本发明实施例中，该设定的距离阈值可以为0.1，0.15等较小的数值。
S404：根据所述第一点集中剩余的标识信息对应的体素点，确定每个肺裂曲面。
由于从第一点集中将代表血管壁的体素点的标识信息删除，并最终使该第一点集中只存在代表肺裂的体素点的标识信息，因此可以根据剩余的标识信息对应的体素点确定出肺裂曲面。其中，由于该第一点集中包含的体素点中位于肺实质上的比较少，为了提高肺裂曲面的确定效率，此时可以认为该第一点集中剩余的体素点即为肺裂的体素点。
具体的，可以采用现有技术中基于径向基函数的隐式模型构建方法将第一点集中的体素点拟合成肺裂曲面。
在本发明实施例中，针对所述三维模型中每个体素点，判断该体素点的薄板系数sheet_ness值是否大于设定的第一阈值，如果是，将该体素点的标识信息添加到第一点集中，构建了可能是肺裂点的点集；并判断该体素点的管道系数vessel_ness值是否大于设定的第二阈值，如果是，将该体素点的标识信息添加到第二点集中，构建了可能是血管点的点集；针对所述第一点集中的每个体素点，判断该体素点与所述第二点集中的每个体素点的欧式距离中是否存在小于设定距离阈值的欧式距离，如果是，在所述第一点集中删除该体素点的标识信息，将其中血管壁上的体素点去除，最终得到了肺裂点，基于肺裂点进行肺裂曲面的确定，从而实现了肺裂的自动检测。
实施例2：
为了有效地实现肺裂的分类，在上述各实施例的基础上，在本发明实施例中，将所述第一点集中与所述第二点集中的每个体素点的欧式距离小于设定距离阈值的体素点的标识信息从所述第一点集中删除之前，所述方法还包括：
将所述第一点集中属于肺实质的体素点去除。
虽然第一点集中代表肺实质的体素点的标识信息很少，几乎可以忽略不计，但该第一点集中还是存在部分肺实质上的体素点的标识信息的，因此，为了保证确定的肺裂曲面的准确性，在本发明实施例中还可以将第一点集中属于肺实质的体素点去除。
具体的，可以通过现有技术中混合高斯建模，利用最大期望算法，将该第一点集中属于肺实质的体素点去除。
在本发明实施例中，由于将该第一点集中属于肺实质的体素点的标识信息去除，可以提高确定的肺裂曲面的准确性。
实施例3：
为了有效地实现肺裂的分类，在上述实施例的基础上，在本发明实施例中，所述根据所述第一点集中剩余的标识信息对应的体素点，确定每个肺裂曲面包括：
将所述第一点集中剩余的标识信息对应的体素点，作为肺裂点；
针对所述三维模型中的右肺，遍历Y方向，确定每个Y平面上右肺裂点的标准差值，并按照Y值由小到大的顺序，依次比较每两个相邻Y平面上右肺裂点的标准差值的差，当差值大于设定阈值时，将位于该两个相邻Y平面上的右肺裂点确定为位于右水平裂和右斜裂的公共区域；
将除位于所述公共区域的体素点外的剩余的右肺裂点划分为右水平肺裂点和右斜裂肺裂点；
根据确定的右水平肺裂点，确定右水平裂曲面；
根据确定的右斜裂肺裂点，确定右斜裂曲面。
其中，由于该第一点集中代表肺实质和血管壁的体素点的标识信息已经被删除，因此将该第一点集中剩余的标识信息对应的体素点，作为肺裂点。
因为左肺只有一条肺裂，因此针对位于左肺的肺裂点直接进行肺裂曲面的绘制，而右肺包含有两条肺裂，因此需要针对位于右肺的肺裂点进行识别，确定每个肺裂点是位于哪条肺裂上。具体的，根据第一点集中剩余的标识信息对应的体素点，以及该三维模型中左肺和右肺的位置，可以确定哪些体素点位于左肺，哪些体素点位于右肺。
该Y方向是指三维模型中的Y轴，每个Y平面是指Y值固定，与XOZ平面平行的平面。遍历Y方向，即遍历Y平面，确定每个Y平面上右肺裂点的标准差值，并按Y值由小到大的顺序，对每个Y平面对应的标准差值进行排列。
由于右肺裂点包括右水平肺裂点和右斜裂肺裂点，而且右水平裂和右斜裂存在公共区域，因此需要确定出右水平裂和右斜裂的公共区域。当某两个相邻平面的标准差值的差值剧烈增大，如果该差值大于设定阈值时，该两个相邻Y平面上的右肺裂点位于右水平裂和右斜裂公共区域。
该设定阈值是通过试验确定的，较佳的，在本发明实施例中，该设定的第四阈值可以为20、22等数值。
当识别出位于公共区域的肺裂点后，其余的肺裂点或者位于右水平裂上，或者位于右斜裂，通过相应的方法进行识别，从而确定出其余的肺裂点位于右水平裂上还是右斜裂上，当确定了右水平肺裂点和右斜裂肺裂点后，进行建模来确定右水平裂曲面和右斜裂曲面。
具体的，通过基于径向基函数的隐式曲面模型构建方法，来拟合出右水平裂曲面和右斜裂曲面。
实施例4：
为了有效地实现肺裂的分类，在上述各实施例的基础上，在本发明实施例中，所述将除位于所述公共区域的体素点外的剩余的右肺裂点划分为右水平肺裂点和右斜裂肺裂点包括：
采用最小二乘法或聚类算法，将除位于所述公共区域的体素点外的剩余的右肺裂点划分为右水平肺裂点和右斜裂肺裂点。
其中，通过最小二乘法或聚类算法，拟合出一个平面方程，拟合计算要解决的基本问题是：估计在由已知定律或模型假设支配的经验公式中的未知参数，在最简单的情况下，给定函数f(x,α1,α2…αn)及其在N个不同点x1,x1,…,xN的测量值y1,y2,…yN，即f(x,α1,α2…αn)的值，要确定未知参数集α1,α2…αn，使得标准差或剩余ri＝f(x,α1,α2…αn)-yi，i＝1,2…,N在如下意义最小，测量值的个数N要大于参数的个数n以便减少输入数据中不变误差的影响，假设测量值是等值方差的正态分布，根据概率理论，高斯拟合原理或最小二乘法是适用的，求极小值的要求是：
Figure GDA0003612216170000111
通过上述思想，得到拟合平面方程，通过判断剩余的体素点是在该平面方程所代表的平面的相对位置来出右肺水平裂点和右肺斜裂点。
具体的，判断剩余的右肺裂点在该平面方程的值是否大于0，如果是，该右肺裂点是右肺水平裂点，如果否，该右肺裂点是右肺斜裂点。
下面通过具体的实施例对本发明的确定肺裂曲面方法进行说明：
首先读入16位原始DICOM数据，通过区域增长的方法将肺部的CT数据从16位原始DICOM数据中分离出来，具体是首先在肺部区域选取一个像素点作为种子像素点，然后根据某种事先确定的生长或相似准则，将该种子像素点周围邻域中与种子像素有相同或相似性质的像素点，合并到种子像素点所在的区域中，将这些新像素点当作新的种子像素点继续进行上面的过程，直到再没有满足条件的像素点可被包括进来。
根据分离出的肺部的CT数据，采用现有技术中的根据二维数据组成离散点的模型构建方法来构建该肺部的三维模型。
针对三维模型中每个体素点，通过计算海森矩阵的特征值和特征向量来计算每个体素点的sheet_ness值；海森矩阵是空间中一点处的二阶导数，推广开来，多维空间中的海森矩阵可以表示为：
Figure GDA0003612216170000121
三维空间体素点的CT值函数为f(xi,yi,zi)，则每一个体素点的海森矩阵可以表示为：
Figure GDA0003612216170000122
其中，(xi,yi,zi)是肺部三维模型体素点的集合，在计算海森矩阵时使用高斯平滑核对数据(xi,yi,zi)并进行卷积运算，得到Hessian(f*Gaussian(x，s))。
根据得到的海森矩阵，计算每一个体素点的特征值λ1,λ2,λ3，其中|λ1|≥|λ2|≥|λ3|，每一个体素点最大的特征值对应的特征向量为代表该体素点曲率最大的方向，在医学图像中代表这个方向上的灰度幅度变化比较大；每一个体素点最小的特征值对应的特征向量代表该体素点曲率最小的方向，在医学图像中代表这个方向上的灰度幅度变化比较小，当特征值为不同的情况时，该体素点的三维模型呈现不同的形状，包括以下三种情况：
如图5为本发明实施例提供的体素点不同情况的特征值对应的三维模型形状的示意图。
Figure GDA0003612216170000123
特征值满足λ3≈0，λ1≈λ2≤0的体素点属于具有管状结构的体素点，如血管点，比如，肺实质(指肺部除去管道、肺裂之外的实际肺组织)的灰度值是暗的，肺中动脉血管的灰度值是亮的，血管的灰度值大于肺实质的灰度值，血管点的特征值满足体素点为管状结构时的特征值的要求，一个方向上灰度值变化基本为零，另外两个方向上灰度值会由亮向暗变化，即λ1≈λ2≤0。
特征值满足|λ2|≈|λ3|≈0，|λ1|＞＞|λ2|，λ1<0的体素点属于具有薄片状结构的体素点，如肺裂点。比如，肺实质的灰度值是暗的，肺裂的灰度值是亮的，肺裂的灰度值大于肺实质的灰度值，肺裂点的特征值满足体素点为薄片状结构时的特征值的要求，一个方向上灰度值变化率非常的大，且变化是灰度值会由亮向暗变化，即λ1<0；另外两个方向上灰度值变化基本为零。
根据得到的体素点的特征值的情况，
Figure GDA0003612216170000131
Figure GDA0003612216170000132
其中
Figure GDA0003612216170000133
λ1，λ2，λ3为该体素点Hessian(f*Gaussian(x,s))矩阵的特征值，且满足α,β是控制线性滤波器中关于RA，RB的灵敏度参数。
具体的，在本发明实施例中，设置α＝0.1,β＝0.25，D为图像|λ1|≥|λ2|≥|λ3|维度，x表示坐标点，s表示卷积核的宽度，其范围为smin≤s≤smax，在不同尺度s下取得一个最大的sheet_ness值。
如果该体素点的最大的sheet_ness值大于0.05，则将该体素点放入到点集sheet_tmp_123(xi,yi,zi)中。
图6为本发明实施例提供的在肺部的三维模型中分离出的可能是肺裂点的体素点的示意图。
针对所述三维模型中每个体素点，计算该体素点的管道系数vessel_ness值，具体的，通过计算海森矩阵的特征值和特征向量来计算每个体素点的vessel_ness值。
Figure GDA0003612216170000134
Figure GDA0003612216170000141
其中
Figure GDA0003612216170000142
λ1,λ2,λ3为该体素点Hessian(f*Gaussian(x,s))矩阵的特征值，且满足,α,β，c是控制线性滤波器中关于RA，RB,S的灵敏度参数，设置α＝0.5,β＝0.5,c＝500，D为图像|λ1|≥|λ2|≥|λ3|维度，x表示坐标点，s表示卷积核的宽度，其范围为smin≤s≤smax，在不同尺度s下取得一个最大的vessel_ness值。
如果该体素点的最大的sheet_ness值大于设定的第二阈值，则将该体素点放入到点集vessel(xi,yi,zi)中。
利用现有技术中的混合混合高斯建模，利用最大期望算法，将该点集sheet_tmp_123(xi,yi,zi)中属于肺实质的体素点去除。
图7为本发明实施例提供的在第一点集中去除代表肺实质的体素点的结果示意图。
遍历点集sheet_tmp_123(xi,yi,zi)，计算每一个体素点与点集vessel(xi,yi,zi)中的体素点的欧式距离，将欧式距离小于设定距离阈值的体素点从点集sheet_tmp_123(xi,yi,zi)中删除；图8为本发明实施例提供的在第一点集中去除左肺上代表血管壁的体素点的结果示意图；图9为本发明实施例提供的在第一点集中去除右肺上代表血管壁的体素点的结果示意图。
点集sheet_tmp_123(xi,yi,zi)中剩余的标识信息对应的体素点是肺裂点。
针对三维模型中的右肺，遍历Y方向，确定每个Y平面上右肺裂点的标准差值，标准差值求出后，按照Y值由小到大的顺序，依次比较每两个相邻Y平面上右肺裂点的标准差值的差，当差值大于设定阈值时，将该两个相邻Y平面确定为右水平裂和右斜裂公共区域；将公共区域提出后暂存。
如图9所示，图中的肺裂点表示为Y型结构，Y型结构的重合区域即为右水平裂和右斜裂公共区域。
图10为本发明实施例提供的每个Y平面上所有肺裂点的标准差值与Y值的对应关系示意图，其中图10中，横轴表示Y值，纵轴表示标准差值。
用最小二乘法拟合出一个平面方程，然后将剩余的右肺裂点代入到平面方程中，判断得到值是否大于0，值大于0，该右肺裂点为右水平裂点，值小于0，该右肺裂点为右斜裂点。
采用基于径向基函数的隐式模型构建方法将肺裂点拟合成肺裂曲面。
基于径向基函数的隐式曲面模型构建方法如下：
通过一些离散点得到拟合曲面可表述为：给定三维空间中曲面S上的n个散乱数据点{(x,y,z)|i＝1、2…n}找到一个插值S的曲面S′。如果运用一个隐式函数f定义曲面S′，则在曲面S上的n个散乱点满足方程f(x,y,z)＝0。通过数学推导，可以构建一个隐士曲面方程：
Figure GDA0003612216170000151
具体的，隐士曲面方程中，r表示生成的曲面上的任意点，r＝(x，y，z)(在最开始求这个隐士曲面模型参数时，这些点是已知的体素点集；通过这一过程已经求解出了所有模型参数，建模完成后，这个点就是要判断在等值面哪一边的体素点)；c表示定义该方程的散乱点(即肺裂点：有左斜裂点集、右水平裂点集、右斜裂点集)，c＝(x，y，z)；w表示对应于每一个散乱点的实数权值；P(r)是一个一阶多项式，对任意一点r，P(r)的形式为P(r)＝p0+p1*x+p2*y+p3*z。
Figure GDA0003612216170000155
是径向基函数，采用的径向基函数(RBF)形式为三调和样条函数
Figure GDA0003612216170000156
该模型中需要求解的就是权值wj和多项式P(r)的系数。
为求解权值wj和多项式P(r)的系数p0、p1、p2和p3，对每一个散乱点
Figure GDA0003612216170000152
要满足插值约束条件
Figure GDA0003612216170000153
和正交条件
Figure GDA0003612216170000154
令φij＝φ(ci-cj)，有插值约束条件和正交条件可得线性方程组：
Figure GDA0003612216170000161
上式左边的矩阵是半正定的，因而存在唯一的一组解(w1,w2,…,wn,p0,p1,p2,p3),将求得的结果代入隐士曲面方程中，就可以得到隐式曲面方程
Figure GDA0003612216170000162
Figure GDA0003612216170000163
通过上述过程可以求解出右水平裂曲面、右斜裂曲面和左斜裂曲面。
在肺裂曲面求解出后，用求解的肺裂曲面分肺部三维模型，将该三维模型的体素点代入到肺裂曲面方程，结果大于hi的体素点是一部分肺叶上的体素点，结果小于hi的体素点是另一部分肺叶的体素点。
其中，线性方程组右侧hi在实际的求解过程中都需设置为0.00000001，该值为扰动值，避免方程组右侧都为0求解出平凡解，这样曲面的值也就不是0，而是0.00000001。
具体的，通过左斜裂点拟合出左斜裂曲面，将左肺体素点逐一代入到左斜裂曲面方程中，得到的值大于0.00000001的左肺体素点为左上叶点，得到的值小于0.00000001的左肺体素点为左下叶点，从而将左肺分为左上叶和左下叶；
通过右水平裂点拟合出右水平裂曲面，将右肺体素点逐一代入到曲面方程中，得到的值大于0.00000001的右肺体素点为右上叶点，得到的值小于0.00000001的右肺体素点为右中叶点，从而将右肺分成右上叶和右中叶；通过右斜裂点拟合出右斜裂曲面，将右中叶点逐一代入到曲面方程中，得到的值大于0.00000001的体素点为新的右中叶点，得到的值小于0.00000001的体素点为右中下叶点，从而将右中叶分成右中叶和右下叶，最后右肺被分割成了右上叶、右中叶、右下叶。
实施例5：
图11为本发明实施例提供的一种肺裂曲面确定装置示意图，该装置包括：
构建模块1101，用于根据获取的肺部的CT数据，构建所述肺部的三维模型；
判断模块1102，用于将所述三维模型中薄板系数sheet_ness值大于设定的第一阈值的体素点的标识信息添加到第一点集中，将所述三维模型中管道系数vessel_ness值大于设定的第二阈值的体素点的标识信息添加到第二点集中；还用于将所述第一点集中与所述第二点集中的每个体素点的欧式距离小于设定距离阈值的体素点的标识信息从所述第一点集中删除。
确定模块1103，用于根据所述第一点集中剩余的标识信息对应的体素点，确定每个肺裂曲面。
所述确定模块1103，具体用于将所述第一点集中剩余的标识信息对应的体素点，作为肺裂点；针对所述三维模型中的右肺，遍历Y方向，确定每个Y平面上右肺裂点的标准差值，并按照Y值由小到大的顺序，依次比较每两个相邻Y平面上右肺裂点的标准差值的差，当差值大于设定阈值时，将该两个相邻Y平面确定为右水平裂和右斜裂公共区域；将除位于所述公共区域的体素点外的剩余的右肺裂点划分为右水平肺裂点和右斜裂肺裂点；根据确定的右水平肺裂点，确定右水平裂曲面；根据确定的右斜裂肺裂点，确定右斜裂曲面。
当识别处位于公共区域的肺裂点后，其余的肺裂点或者位于右水平裂上，或者位于右斜裂，通过相应的方法进行识别，从而确定出其余的肺裂点位于右水平裂上还是右斜裂上，当确定了右水平肺裂点和右斜裂肺裂点后，进行建模来确定右水平裂曲面和右斜裂曲面。
具体的，通过基于径向基函数的隐式曲面模型构建方法，来拟合出右水平裂曲面和右斜裂曲面。
所述确定模块1103，还用于采用最小二乘法或聚类算法，将除位于所述公共区域的体素点外的剩余的右肺裂点划分为右水平肺裂点和右斜裂肺裂点。
所述装置还包括：
去除模块1104，用于将所述第一点集中属于肺实质的体素点去除。
实施例6：
图12为本发明实施例提供的一种电子设备的结构示意图，在上述各实施例的基础上，本发明实施例中还提供了一种电子设备，包括处理器1201和存储器1202，所述存储器1202用于存储程序指令，所述处理器1201用于执行存储器1202中存储的计算机程序时实现上述肺裂曲面确定方法中任一所述方法的步骤。
可选的，处理器1201可以是CPU(中央处埋器)、ASIC(Application SpecificIntegrated Circuit，专用集成电路)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)或CPLD(Complex Programmable Logic Device，复杂可编程逻辑器件)。
本发明实施例揭示的流程，可以应用于处理器1201中，或者由处理器1201实现。在实现过程中，信号处理流程的各步骤可以通过处理器1201中的硬件的集成逻辑电路或者软件形式的指令完成。处理器1201可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器1201中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1202，处理器1201读取存储器1202中的信息，结合其硬件完成信号处理流程的步骤。
实施例7：
在上述各实施例的基础上，本发明实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行如下步骤：
根据获取的肺部的CT数据，构建所述肺部的三维模型；
将所述三维模型中薄板系数sheet_ness值大于设定的第一阈值的体素点的标识信息添加到第一点集中，将所述三维模型中管道系数vessel_ness值大于设定的第二阈值的体素点的标识信息添加到第二点集中；
将所述第一点集中与所述第二点集中的每个体素点的欧式距离小于设定距离阈值的体素点的标识信息从所述第一点集中删除；
根据所述第一点集中剩余的标识信息对应的体素点，确定每个肺裂曲面。
所述根据所述第一点集中剩余的标识信息对应的体素点，确定每个肺裂曲面包括：
将所述第一点集中剩余的标识信息对应的体素点，作为肺裂点；
针对所述三维模型中的右肺，遍历Y方向，确定每个Y平面上右肺裂点的标准差值，并按照Y值由小到大的顺序，依次比较每两个相邻Y平面上右肺裂点的标准差值的差，当差值大于设定阈值时，将该两个相邻Y平面确定为右水平裂和右斜裂公共区域；
将除位于所述公共区域的体素点外的剩余的右肺裂点划分为右水平肺裂点和右斜裂肺裂点；
根据确定的右水平肺裂点，确定右水平裂曲面；
根据确定的右斜裂肺裂点，确定右斜裂曲面。
所述将除位于所述公共区域的体素点外的剩余的右肺裂点划分为右水平肺裂点和右斜裂肺裂点包括：
采用最小二乘法或聚类算法，将除位于所述公共区域的体素点外的剩余的右肺裂点划分为右水平肺裂点和右斜裂肺裂点。
将所述第一点集中与所述第二点集中的每个体素点的欧式距离小于设定距离阈值的体素点的标识信息从所述第一点集中删除之前，所述方法还包括：
将所述第一点集中属于肺实质的体素点去除。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (8)

1.一种肺裂曲面确定方法，其特征在于，所述方法包括：
根据获取的肺部的CT数据，构建所述肺部的三维模型；
将所述三维模型中薄板系数sheet_ness值大于设定的第一阈值的体素点的标识信息添加到第一点集中，将所述三维模型中管道系数vessel_ness值大于设定的第二阈值的体素点的标识信息添加到第二点集中，其中，所述sheet_ness值是代表体素点的薄板状结构的概率值，所述vessel_ness值是代表体素点的管状结构的概率值，所述sheet_ness值和所述vessel_ness值是通过计算海森矩阵的特征值和特征向量来计算得出；
将所述第一点集中与所述第二点集中的每个体素点的欧式距离小于设定距离阈值的体素点的标识信息从所述第一点集中删除；
根据所述第一点集中剩余的标识信息对应的体素点，确定每个肺裂曲面；
其中，所述根据所述第一点集中剩余的标识信息对应的体素点，确定每个肺裂曲面包括：
将所述第一点集中剩余的标识信息对应的体素点，作为肺裂点；
针对所述三维模型中的右肺，遍历Y方向，确定每个Y平面上右肺裂点的标准差值，并按照Y值由小到大的顺序，依次比较每两个相邻Y平面上右肺裂点的标准差值的差，当差值大于设定阈值时，将该两个相邻Y平面确定为右水平裂和右斜裂公共区域；
将除位于所述公共区域的体素点外的剩余的右肺裂点划分为右水平肺裂点和右斜裂肺裂点；
根据确定的右水平肺裂点，确定右水平裂曲面；
根据确定的右斜裂肺裂点，确定右斜裂曲面。
2.根据权利要求1所述的肺裂曲面确定方法，其特征在于，所述将除位于所述公共区域的体素点外的剩余的右肺裂点划分为右水平肺裂点和右斜裂肺裂点包括：
采用最小二乘法或聚类算法，将除位于所述公共区域的体素点外的剩余的右肺裂点划分为右水平肺裂点和右斜裂肺裂点。
3.根据权利要求1所述的肺裂曲面确定方法，其特征在于，将所述第一点集中与所述第二点集中的每个体素点的欧式距离小于设定距离阈值的体素点的标识信息从所述第一点集中删除之前，所述方法还包括：
将所述第一点集中属于肺实质的体素点去除。
4.一种肺裂曲面确定装置，其特征在于，所述装置包括：
构建模块，用于根据获取的肺部的CT数据，构建所述肺部的三维模型；
判断模块，用于将所述三维模型中薄板系数sheet_ness值大于设定的第一阈值的体素点的标识信息添加到第一点集中，将所述三维模型中管道系数vessel_ness值大于设定的第二阈值的体素点的标识信息添加到第二点集中，其中，所述sheet_ness值是代表体素点的薄板状结构的概率值，所述vessel_ness值是代表体素点的管状结构的概率值，所述sheet_ness值和所述vessel_ness值是通过计算海森矩阵的特征值和特征向量来计算得出；还用于将所述第一点集中与所述第二点集中的每个体素点的欧式距离小于设定距离阈值的体素点的标识信息从所述第一点集中删除；
确定模块，用于根据所述第一点集中剩余的标识信息对应的体素点，确定每个肺裂曲面；
其中，所述确定模块，具体用于将所述第一点集中剩余的标识信息对应的体素点，作为肺裂点；针对所述三维模型中的右肺，遍历Y方向，确定每个Y平面上右肺裂点的标准差值，并按照Y值由小到大的顺序，依次比较每两个相邻Y平面上右肺裂点的标准差值的差，当差值大于设定阈值时，将该两个相邻Y平面确定为右水平裂和右斜裂公共区域；将除位于所述公共区域的体素点外的剩余的右肺裂点划分为右水平肺裂点和右斜裂肺裂点；根据确定的右水平肺裂点，确定右水平裂曲面；根据确定的右斜裂肺裂点，确定右斜裂曲面。
5.根据权利要求4所述的肺裂曲面确定装置，其特征在于，所述确定模块，还用于采用最小二乘法或聚类算法，将除位于所述公共区域的体素点外的剩余的右肺裂点划分为右水平肺裂点和右斜裂肺裂点。
6.根据权利要求4所述的肺裂曲面确定装置，其特征在于，所述装置还包括：
去除模块，用于将所述第一点集中属于肺实质的体素点去除。
7.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器用于存储程序指令，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-3中任一所述方法的步骤。
8.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-3中任一所述方法的步骤。
CN201910882788.6A 2019-09-18 2019-09-18 肺裂曲面确定方法、装置、电子设备和存储介质 Active CN110599482B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910882788.6A CN110599482B (zh) 2019-09-18 2019-09-18 肺裂曲面确定方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910882788.6A CN110599482B (zh) 2019-09-18 2019-09-18 肺裂曲面确定方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN110599482A CN110599482A (zh) 2019-12-20
CN110599482B true CN110599482B (zh) 2022-06-03

Family

ID=68860871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910882788.6A Active CN110599482B (zh) 2019-09-18 2019-09-18 肺裂曲面确定方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN110599482B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160186B (zh) * 2021-04-27 2022-10-25 青岛海信医疗设备股份有限公司 一种肺叶分割方法及相关装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN107622492A (zh) * 2017-06-30 2018-01-23 上海联影医疗科技有限公司 肺裂分割方法及系统
CN109727260A (zh) * 2019-01-24 2019-05-07 杭州英库医疗科技有限公司 一种基于ct影像的三维肺叶分割方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3164072B1 (en) * 2014-07-02 2020-04-08 Covidien LP System and method for segmentation of lung

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107622492A (zh) * 2017-06-30 2018-01-23 上海联影医疗科技有限公司 肺裂分割方法及系统
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
CN109727260A (zh) * 2019-01-24 2019-05-07 杭州英库医疗科技有限公司 一种基于ct影像的三维肺叶分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于CT图像的血管三维分割研究与应用;马骁;《中国优秀硕士学位论文全文数据库信息科技辑》;20130615;全文 *

Also Published As

Publication number Publication date
CN110599482A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
Sun et al. Automated 3-D segmentation of lungs with lung cancer in CT data using a novel robust active shape model approach
Naqi et al. Lung nodule detection using polygon approximation and hybrid features from CT images
US7643663B2 (en) Volume measurement in 3D datasets
JP5258694B2 (ja) 医用画像処理装置および方法並びにプログラム
Shang et al. Vascular active contour for vessel tree segmentation
Moghbel et al. Automatic liver tumor segmentation on computed tomography for patient treatment planning and monitoring
JP5795717B2 (ja) 画像処理方法、画像処理装置、コンピュータが読取り可能な媒体及びコンピュータプログラム
EP2916738B1 (en) Lung, lobe, and fissure imaging systems and methods
JP6643827B2 (ja) 画像処理装置、画像処理方法、及びプログラム
Moghbel et al. Automatic liver segmentation on computed tomography using random walkers for treatment planning
US20080071160A1 (en) Displaying A Tracheobronchial Tree
US20190244363A1 (en) Segmentation of anatomic structures
KR20070083388A (ko) 결절 검출 방법
JP7278224B2 (ja) 医用画像の病変の定量化される態様
US7835555B2 (en) System and method for airway detection
WO2017086433A1 (ja) 医用画像処理方法及び装置及びシステム及びプログラム
CN113139948A (zh) 器官轮廓线质量评估方法、装置及系统
CN110599482B (zh) 肺裂曲面确定方法、装置、电子设备和存储介质
Tabb et al. Segmenting root systems in X-ray computed tomography images using level sets
CN112381779A (zh) 肺癌tnm分期获取方法、装置及显示方法
US9390549B2 (en) Shape data generation method and apparatus
Leonardi et al. 3D reconstruction from CT-scan volume dataset application to kidney modeling
Campbell et al. 3-dimensional throat region segmentation from MRI data based on fourier interpolation and 3-dimensional level set methods
Babburu et al. Brain MRI image active contour segmentation for healthcare systems
CN101719274A (zh) 一种医学影像体数据的三维纹理分析方法

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