CN110706241A - 一种三维病灶区域提取方法和装置 - Google Patents
一种三维病灶区域提取方法和装置 Download PDFInfo
- Publication number
- CN110706241A CN110706241A CN201910944214.7A CN201910944214A CN110706241A CN 110706241 A CN110706241 A CN 110706241A CN 201910944214 A CN201910944214 A CN 201910944214A CN 110706241 A CN110706241 A CN 110706241A
- Authority
- CN
- China
- Prior art keywords
- region
- target
- dimensional
- pixel points
- image
- 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
Images
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
- G06T7/0002—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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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)
- 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
本申请提供了一种三维病灶区域提取方法,先将包含病灶截面信息的区域确定为感兴趣区域,再通过阈值分割在感兴趣区域中提取出二维病灶区域,最后基于二维病灶区域中的像素点和阈值分割时计算出的阈值进行六邻域生长计算,提取出三维目标病灶区域。本说明书提供的方案与现有技术相比,不需要生成3D包围盒,避免了因包围盒过大而包含其他器官,并且无需查找包含最大病灶区域的扫描图像,有效提取病灶区域。
Description
技术邻域
本说明书涉及图像技术邻域,尤其涉及一种三维病灶区域提取方法和装置。
背景技术
病灶提取在临床中是一个必不可少的步骤,是医务人员关注的焦点。在制定治疗方案时,需要精准地分割出病灶以便对病灶进行形状研究、定性分析,探明病灶与周围组织的关系。
当前绝大多数病灶形态提取采用半自动的方式。基于CT或PET图像,医生在某一截面(冠状面、矢状面、横断面)勾画出一个包含病灶区域的二维图形(如矩形或椭圆等),根据该二维图像自动生成3D包围盒,并确定包围盒内各像素点是否为病灶点。
一方面,为保证包围盒能够包围整个病灶,需要手动在多个二维扫描图中查找包含最大病灶区域的扫描图像,费时费力;另一方面,在处理形状不规则病灶时,勾画范围过大导致生成的包围盒过大,可能包含其他器官,难以有效地提取三维病灶区域。
发明内容
针对上述技术问题,本说明书实施例提供一种三维病灶区域提取方法,技术方案如下:
根据本说明书实施例的第一方面,提供一种三维病灶区域提取方法,所述方法包括:
获取由多张连续多模态扫描图像形成的三维图像,所述多模态扫描图像为至少两种模态的扫描图像经配准后得到的图像;
对于其中一张多模态扫描图像,确定针对目标病灶区域的感兴趣区域;
在所述感兴趣区域中,分别利用阈值分割法确定每种模态的扫描图像所对应的目标阈值,并基于所确定的多个目标阈值获得二维病灶区域;
基于所述二维病灶区域中的像素点,根据所述多个目标阈值在所述三维图像中进行六邻域生长计算,获得三维目标病灶区域。
根据本说明书实施例的第二方面,提供一种三维病灶区域提取装置,所述装置包括:
三维图像获取模块,用于获取由多张连续多模态扫描图像形成的三维图像,所述多模态扫描图像为至少两种模态的扫描图像经配准后得到的图像;
感兴趣区域确定模块,用于对于其中一张多模态扫描图像,确定针对目标病灶区域的感兴趣区域;
二维病灶确定模块,用于在所述感兴趣区域中,分别利用阈值分割法确定每种模态的扫描图像所对应的目标阈值,并基于所确定的多个目标阈值获得二维病灶区域;
三维病灶确定模块,用于基于所述二维病灶区域中的像素点,根据所述多个目标阈值在所述三维图像中进行六邻域生长计算,获得三维目标病灶区域。
根据本说明书实施例的第三方面,提供一种智能计算机设备,其包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行所述程序时实现如第一方面所述的三维病灶区域提取方法。
根据本说明书实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的三维病灶区域提取方法。
本说明书实施例所提供的技术方案,提供了一种三维病灶区域提取方法,先将包含病灶截面信息的区域确定为感兴趣区域,再通过阈值分割在感兴趣区域中提取出二维病灶区域,最后基于二维病灶区域中的像素点和阈值分割时计算出的阈值进行六邻域生长计算,提取出三维目标病灶区域。本说明书提供的方案与现有技术相比,不需要生成3D包围盒,避免了因包围盒过大而包含其他器官,并且无需查找包含最大病灶区域的扫描图像,有效提取病灶区域。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本说明书实施例。
此外,本说明书实施例中的任一实施例并不需要达到上述的全部效果。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书实施例中记载的一些实施例,对于本邻域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本说明书一示例性实施例示出的三维病灶提取方法的一种流程图;
图2是本说明书一示例性实施例示出的在二维扫描图像确定感兴趣区域的一种示意图;
图3是本说明书一示例性实施例示出的提取二维病灶区域的一种流程图;
图4和图5是本说明书一示例性实施例示出的根据单一模态图像提取感兴趣区一种示意图;
图6是本说明书一示例性实施例示出的基于二维病灶区域中进行生长计算,以获取三维目标病灶区域一种流程图;
图7是本说明书一示例性实施例示出的三维病灶提取装置的一种示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
病灶提取在临床中是一个必不可少的步骤,是医务人员关注的焦点。在制定治疗方案时,需要精准地分割出病灶以便对病灶进行形状研究、定性分析,探明病灶与周围组织的关系;在放射治疗中,只有正确提取肿瘤病灶范围,才能在保证治疗效果的同时免受过量的放射性辐射,对治疗效果有显著影响。
各种影像信息都在肿瘤的诊断治疗中发挥重要作用。电子计算机断层扫描(computed tomography,CT)图像表现了X线在不同组织内的衰减程度,反映解剖形态变化。当解剖背景良好时可以很好地显示病变体的范围,勾画出靶区。
而通过被标记的代谢物质为示踪剂的正电子发射断层(positron emissiontomography,PET)图像表现了不同组织代谢活动的情况,反映功能代谢变化。当代谢出现异常时可以灵敏地区分出异常区域,勾画出靶区。
当前绝大多数靶区分割(病灶形态提取)采用半自动的方式。基于CT或PET图像,医生在某一截面(冠状面、矢状面、横断面)勾画出一个二维矩形(或椭圆),自动生成3D包围盒,并确定包围盒内各像素点是否为病灶点。
针对现有技术中生成包围盒并进行病灶点提取分割的方法,一方面,为保证包围盒能够包围整个病灶,医生需要手动在多个二维截面图中查找,选择包含最大截面的图像进行勾画。另一方面,在处理形状不规则病灶时,勾画产生的包围盒过大,可能包含其他器官,而不同器官提取病灶点基于的CT值或SUV(standard uptake value,标准摄取值)值并不相同,可能将包围盒中其他器官的正常点错误提取出来,难以有效地提取感兴趣区。
针对现有技术中生成包围盒并进行病灶点提取分割的方法,一方面,为保证包围盒能够包围整个病灶,医生需要手动在多个二维扫描图中查找,选择包含最大病灶截面的扫描图像进行勾画。另一方面,在处理形状不规则病灶时,勾画产生的包围盒过大,可能包含其他器官,而不同器官提取病灶点基于的CT值或SUV值并不相同,比如说可能将包围盒中其他器官的正常点错误提取出来,难以有效地提取感兴趣区。
针对以上问题,本说明书实施例提供一种三维病灶区域提取方法,以及应用该方法的三维病灶区域提取装置。
参见图1所示,为本说明书实施例提供的三维病灶区域提取方法,所述方法包括以下步骤:
S101,获取由多张连续多模态扫描图像形成的三维图像,所述多模态扫描图像为至少两种模态的扫描图像经配准后得到的图像;
S102,对于其中一张多模态扫描图像,确定针对目标病灶区域的感兴趣区域;
其中,多张连续多模态扫描图像为多张连续的第一模态扫描图像,第二模态扫描图像...第N模态扫描图像经配准后的复合图像。
在一种可选的实施例中,所述多模态扫描图像为配准的CT扫描图像和PET扫描图像。
S103,在所述感兴趣区域中,分别利用阈值分割法确定每种模态的扫描图像所对应的目标阈值,并基于所确定的多个所述目标阈值获得二维病灶区域;
S104,基于所述二维病灶区域中的像素点,根据所述多个目标阈值在所述三维图像中进行六邻域生长计算,获得三维目标病灶区域。
获得三维目标病灶区域,即在三维图像中,精准提取出组成病灶的各个像素点的范围,以便于后续准确针对病灶进行治疗,避免影响周围组织。
在步骤S101中,首先获取由多张扫描图像形成的三维图像,具体而言,可获取病灶的多模态扫描图像,下文以PET扫描图像和CT扫描图像的配准图像为例,说明多模态扫描图像。首先,先获取病灶的PET扫描图像和CT扫描图像,并将这两种模态的扫描图像进行配准。
一般地,医学图像扫描获取设备可包括多个单元,如图像信息获取单元,图像预处理单元和图像重建单元等,其中,
图像信息获取单元,用于获取初始图像信息。图像信息可以是用于生成图像的扫描数据,也可以是已经生成的初始图像。在一些实施例中,图像信息获取单元可以将所接收的扫描数据或初始图像传输至图像预处理单元和/或图像重建单元。
图像预处理单元,用于对图像进行预处理操作。所述预处理操作可以包括滤波去噪、灰度的归一化、图像水平旋转、尺度大小的校正、和部分遮挡物的去除(例如,眼镜的去除)等。作为示例,图像预处理单元可以对初始扫描图像进行滤波平滑操作,降低图像噪声。
图像重建单元,用于重建图像。在一些实施例中,图像重建单元可以基于扫描数据进行图像重建。在一些实施例中,图像重建单元可以进行二维重建或三维重建。在一些实施例中,用于图像重建的算法可以包括滤波反投影(Filtered Back Projection,FBP)、有序子集最大期望值(Ordered Subsets Expectation Maximization,OSEM)、FDK算法等中的一种或多种。在一些实施例中,图像重建单元可以将图像传输至图像预处理单进行进一步处理。
通过医学图像扫描获取设备的多个单元对被检体进行扫描,并进一步对图像信息的获取,处理和重建,得到针对被扫描组织的三维图像。在本实施例中,三维图像为多个连续多模态二维图像叠加而成的图像,其中,连续二维图像为被扫描组织的连续截面图像,在其中部分连续二维图像中,包含被扫描组织的病灶截面信息。
举例说明,被扫描组织为人体肺部组织,三维病灶区域为人体肺部组织中的病灶区块,三维图像由多张人体肺部组织的连续多模态扫描二维截面图像叠加而成。病灶对应在二维扫描图像中显示为不同颜色及深浅程度,可根据二维扫描图像叠加成的三维图像判断肺部组织的病灶区域的三维位置。
在步骤S102中,对于其中一张多模态扫描图像,确定针对目标病灶区域的感兴趣区域。以多模态扫描图像为PET/CT扫描图像为例,需要先获取多张二维PET/CT扫描图像中的其中一张二维扫描图像,再针对三维病灶区域在该二维扫描图像中的截面信息确定感兴趣区域。
可以知道,二维扫描图像中包括正常区域和病灶区域,该感兴趣区域即是在二维扫描图像中缩小范围,确定病灶截面所在的区域。参考图2,为人体胸腔组织的二维扫描图像,根据其中的病灶的形状,位置等信息,圈定感兴趣区域,感兴趣区域即为包含病灶的区域。在图2中,感兴趣区域为矩形框中的区域。
在确定感兴趣区域时,可基于多个模态进行确定,具体地,可基于PET扫描图像、CT扫描图像及患者病史等综合因素判断进行圈定。
在确定感兴趣区域时,可由医生基于配准后的多模态扫描图像勾画出感兴趣区域,以多模态扫描图像为PET/CT扫描图像为例,扫描图像包含PET扫描信息和CT扫描信息。医生可使用软件进行阅片与勾画,现有的阅片软件可以满足配准多模态扫描图像,PET/CT扫描图像经配准后,医生可以看到患者同一个部位的PET扫描信息和CT扫描信息的需求,医生只需要在配准后的扫描图像上勾画出感兴趣区域,不需要分别在PET扫描图像和CT扫描图像勾画。
进一步地,通过接收医生在软件界面上的勾画操作信号,得到勾画区域的界面坐标,并将此坐标转换为该图层在数据场中的坐标,标记勾画区域内的坐标点。该数据场为CT扫描图像或PET扫描图像的二维(X,Y)图像序列,由多个图层叠加在一起,形成的三维数据场。
阅片软件一般都经过插值处理,若由医生基于配准后的PET扫描图像和CT扫描图像勾画出感兴趣区域,则获取医生勾画的区域后,还需要将该区域转换到真实数据场。举例说明,PET扫描图像一共有400层(即数据场Z方向为400)。而医生阅片软件经过插值处理,软件的Z方向有600层。医生在这600层的某一层勾画后,将勾画的坐标点转换成该图层在数据场中的坐标。也就是将勾画到600层上的位置转化到400层上的位置。转换的方法就是软件里将400层转化到600层的逆过程。
在一些实施例中,除了手动勾画感兴趣区域外,也可通过图像识别的方式自动圈定感兴趣区域,具体的图像识别算法为现有技术,本说明书不再赘述。
在现有技术基于包围盒提取病灶的方案中,必须选择包含最大病灶截面的二维图像圈定感兴趣区域。使包围盒的长和宽为感兴趣区域的长和宽,并在该长和宽中选择一个较大的值,将这个较大的值确定为包围盒的高度值。如此才能保证在三维层面形成包围所有病灶点的包围盒。而本实施例并不基于包围盒包围病灶,也不需要在多个二维扫描图像查找并选取病灶区域最大的二维图像,提高了病灶提取的效率。
在步骤S103中,在所述感兴趣区域中,分别利用阈值分割法确定每种模态的扫描图像所对应的目标阈值,并基于所确定的多个目标阈值获得二维病灶区域。
阈值分割法是一种基于阈值的图像分割技术,先确定阈值,再利用阈值将图像中的像素点分为若干类,是一种常用的图像分割方法,适用于目标和背景占据不同灰度级范围的图像。在本实施例中,可通过计算出的阈值对图像中的像素点进行划分,得到的每个像素点子集都可形成一个与现实景物相对应的区域,各个区域内部具有一致的属性,而相邻区域不具有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。
在本步骤中,可通过阈值分割法将感兴趣区域分割为目标区域与背景区域,目标区域为病灶像素点集合成的区域,即二维病灶区域。背景区域为非病灶像素点集合成的区域。
具体而言,可使用最大类间方差法对感兴趣区域中的像素点进行阈值分割,获得分割病灶像素点和非病灶像素点的阈值。并基于该阈值提取到该二维扫描图像中的病灶像素点。
最大类间方差法需要计算出一个阈值,使一类像素点和另一类像素点之间的类间方差最大。如下,为最大类间方差法的计算公式:
其中,
μτ为全图像素灰度值平均值,L为最大灰度值像素点,ni为灰度值为i的像素点的数量,N为总像素数,设定pi=ni/N。计算出的K即为使类间方差最大的目标阈值。
计算出目标阈值K后,继续基于目标阈值K对二维图像中的像素点进行提取,将灰度级大于(或小于)阈值的一类像素点确定为二维病灶区域的像素点。
分别利用阈值分割法确定每种模态的扫描图像所对应的目标阈值,举例说明,可基于CT扫描图像获取对应的目标CT阈值,基于PET扫描图像获取对应的目标PET阈值,等等。
在步骤S104中,将二维病灶区域中的像素点作为种子点向六邻域进行区域生长,以基于二维的二维病灶区域获得三维区域所有感兴趣区内点的坐标,将区域生长计算获得的三维区域内的像素点确定为三维病灶区域的三维形态的点集。
在从感兴趣区域中提取出二维病灶区域时,可基于多模态图像进行提取,如上文所述,感兴趣区域可基于CT扫描图像和PET扫描图像的配准图像进行圈定,即感兴趣区域既包含CT扫描出的病灶信息,也包含PET扫描出的病灶信息。则可分别从CT扫描图像的感兴趣区域和PET扫描图像的感兴趣区域中提取二维病灶区域。参考图3,包括以下步骤:
S301,利用阈值分割法,分别针对CT扫描图像的感兴趣区域以及PET扫描图像的感兴趣区域进行计算,以分别计算出CT阈值和PET阈值;
S302,利用所述CT阈值将CT扫描图像的感兴趣区域划分为第一目标区域与第一背景区域;
S303,利用所述PET阈值将PET扫描图像的感兴趣区域划分为第二目标区域与第二背景区域,
S304,将所述第一目标区域与第二目标区域进行合并,以获得二维病灶区域。
在实际扫描应用场景中,当病灶区域未出现功能代谢异常时,难以根据PET图像提取感兴趣区;当病灶区域与本底CT值相近时,难以根据CT扫描图像提取感兴趣区。参见图4,显示了待提取区域与本底CT值无明显区别,但SUV值差异很大;参见图5,显示了待提取区域与本底SUV值无明显区别,但CT值差异很大。因此,根据单一模态图像提取感兴趣区时可能会出现问题。综合多模态(PET,CT)的图像信息,可以更加灵活准确地提取感兴趣区。
在进行阈值分割计算时,可分别基于CT扫描图像中的感兴趣区域计算CT阈值,以及基于PET图像中的感兴趣区域计算PET阈值。由于在CT扫描图像或PET扫描图像中,人体组织的不同位置会根据对X线的吸收情况或对示踪剂的代谢情况显示为不同的颜色和深浅。CT阈值和PET阈值也可视为扫描图像中像素点的灰度阈值。
具体而言,可利用最大类间方差法对CT扫描图像中的感兴趣区域中的各个像素点进行计算,得到使类间方差最大的目标CT阈值,根据计算出的目标CT阈值提取CT扫描图像中的像素点。举例说明:计算出的目标CT阈值为K1,以K1为门限值,将CT扫描图像中的各个像素点与K1进行比较,当某一个像素点的CT值高于(或低于)K1时,将该像素点确定为二维病灶区域的像素点。
同理,可利用最大类间方差法对PET图像中的感兴趣区域中的各个像素点进行计算,得到使类间方差最大的目标PET阈值,根据计算出的目标PET阈值提取PET图像中的像素点。举例说明:计算出的目标PET阈值为K2,以K2为门限,当一个像素点的PET值高于(或低于)K2时,将该像素点确定为二维病灶区域的像素点。
获得二维病灶区域后,可基于其中的像素点,与计算出的目标阈值在三维图像中进行六邻域生长计算,获得三维目标病灶区域。
具体地,先将所述二维病灶区域中的所有像素点确定为目标像素点,并获取每个目标像素点的六邻域像素点,若所述六邻域像素点中,存在像素点满足在阈值分割时,计算出的CT阈值条件或PET阈值条件,则将该像素点也确定为目标像素点;
获得新的目标像素点后,将初始目标像素点和新的目标像素点集合为目标区域,并选取目标区域的边界像素点。继续获取这些边界像素点的六邻域像素点进行判断,若所述六邻域像素点中,存在像素点满足所述CT阈值条件或满足所述PET阈值条件,则将该像素点也确定为目标像素点;
依此类推,不断将新获取的目标像素点归入目标区域,继续基于扩大的目标区域的边界像素点判断其六邻域像素点是否为目标像素点,直到没有新的六邻域像素点满足阈值要求,即无法获得新的目标像素点后,将已经获得的所有目标像素点的集合确定为三维目标病灶区域。
具体地,可采用区域生长算法对二维病灶区域中的像素点进行生长计算,获取三维目标病灶区域,参考图6,包括以下步骤:
S601,创建集合L1、L2与L3,并将集合L1、L2与L3初始化为空集;
其中,集合L1中存放了已经生长出来的点的集合,集合L2中存放了已生长区域边界点的集合,集合L3中存放了下一次可用的生长点的集合。
S602,将二维病灶区域中的像素点放入集合L1、L2中;
具体而言,第二感兴趣集合中的像素点均为初始化生长时的种子点,假设种子像素点为A1,A2,则A1,A2即为已生长出的点,又为已生长区域边界点,将A1,A2放入集合L1、L2中。
S603,对集合L2中的每个像素点依次取其六邻域像素点进行检测;
S604,判断某个六邻域像素点是否不在L1中,且满足目标阈值要求?若是,则执行步骤S605,否则不操作;
S605,将该像素点放入集合L3中;
对边界点的六邻域像素点进行检测,六邻域像素点即为该像素点在二维层面上的前后左右四个像素点,以及三维层面上的上下两个像素点。可以知道,本实施例在获取边界点的六邻域像素点时,获取的是三维病灶区域的扫描图像中的像素点。
若某个六邻域像素点不在L1中,且满足目标阈值要求,将该像素点放入集合L3中。即,若某个六邻域像素点不属于已经生长出的像素点,且满足目标阈值要求,则将该像素点确定为下一次可用的生长点,将该像素点放入集合L3中。
需要注意的是,该目标阈值要求可以为基于多模态的阈值要求,如上文所述,目标阈值可包括目标CT阈值K1与目标PET阈值为K2,在检测六邻域像素点是否满足目标阈值要求时,可依次检测该像素点是否满足K1以及该像素点是否满足K2,只要满足K1和K2其中一个目标阈值,则可判定该像素点满足阈值条件。
S606,判断集合L3是否为空集,若集合L3不为空集,执行步骤S607,否则执行步骤A508;
S607,则将L2中的像素点放入集合L1中,将集合L3中的像素点放到集合L2中,并返回执行步骤S603,否则执行步骤S608;
若集合L3不为空集,则表示上一次生长有获取新的生长点,将L3集合中新的生长点确定为边界点放入集合L2中供下次生长,将原本L2中的像素点放入集合L1中。
S608,将集合L2放入集合L1中,集合L1中的像素点即为三维病灶区域的三维形态的点的集合。
若集合L3为空集,则表示上一次生长没有获取新的生长点,整个区域生长流程执行完毕。将各个集合中的像素点都放入集合L1,集合L1中的像素点即为三维病灶区域的三维形态的点的集合。即病灶点的集合。
可以看出,本说明书提供的方法,在应用于医学影像邻域时,既基于多模态医学图像圈定感兴趣区域,也基于多模态阈值条件作为区域生长条件执行区域生长算法。相比于单模态来说,可以更精确地提取出病灶点,避免遗漏。
在一些实施例中,还可增加参数微调功能,针对实际应用场景,通过调整目标阈值的方式调整三维病灶区域的大小,例如,将患者的整体状况,病史,其他模态的检测信息作为参考信息,根据参考信息对提取出的病灶形态进行微调。
相应于上述方法实施例,本说明书实施例还提供一种三维病灶区域提取装置,参见图7所示,所述装置可以包括:
三维图像获取模块710:用于获取由多张连续多模态扫描图像形成的三维图像,所述多模态扫描图像为至少两种模态的扫描图像经配准后得到的图像;
感兴趣区域确定模块720:用于对于其中一张多模态扫描图像,确定针对目标病灶区域的感兴趣区域;
二维病灶确定模块730:用于在所述感兴趣区域中,分别利用阈值分割法确定每种模态的扫描图像所对应的目标阈值,并基于所确定的多个目所述目标阈值获得二维病灶区域;
三维病灶确定模块740:用于基于所述二维病灶区域中的像素点,根据所述多个目标阈值在所述三维图像中进行六邻域生长计算,获得三维目标病灶区域。
本说明书实施例还提供一种智能计算机设备,所述智能可穿戴设备至少包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行所述程序时实现如下三维病灶区域提取方法:
获取由多张连续多模态扫描图像形成的三维图像,所述多模态扫描图像为至少两种模态的扫描图像经配准后得到的图像;
对于其中一张多模态扫描图像,确定针对目标病灶区域的感兴趣区域;
在所述感兴趣区域中,分别利用阈值分割法确定每种模态的扫描图像所对应的目标阈值,并基于所确定的多个所述目标阈值获得二维病灶区域;
基于所述二维病灶区域中的像素点,根据所述多个目标阈值在所述三维图像中进行六邻域生长计算,获得三维目标病灶区域。
本说明书实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如下三维病灶区域提取方法:
获取由多张连续多模态扫描图像形成的三维图像,所述多模态扫描图像为至少两种模态的扫描图像经配准后得到的图像;
对于其中一张多模态扫描图像,确定针对目标病灶区域的感兴趣区域;
在所述感兴趣区域中,分别利用阈值分割法确定每种模态的扫描图像所对应的目标阈值,并基于所述所确定的多个目标阈值获得二维病灶区域;
基于所述二维病灶区域中的像素点,根据所述多个目标阈值在所述三维图像中进行六邻域生长计算,获得三维目标病灶区域。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本邻域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
以上所述仅是本说明书实施例的具体实施方式,应当指出,对于本技术邻域的普通技术人员来说,在不脱离本说明书实施例原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本说明书实施例的保护范围。
Claims (12)
1.一种三维病灶区域提取方法,其特征在于,所述方法包括:
获取由多张连续多模态扫描图像形成的三维图像,所述多模态扫描图像为至少两种模态的扫描图像经配准后得到的图像;
对于其中一张多模态扫描图像,确定针对目标病灶区域的感兴趣区域;
在所述感兴趣区域中,分别利用阈值分割法确定每种模态的扫描图像所对应的目标阈值,并基于所确定的多个目标阈值获得二维病灶区域;
基于所述二维病灶区域中的像素点,根据所述多个目标阈值在所述三维图像中进行六邻域生长计算,获得三维目标病灶区域。
2.如权利要求1所述的方法,其特征在于,所述多模态扫描图像为配准的CT扫描图像和PET扫描图像。
3.如权利要求2所述的方法,其特征在于,所述目标阈值包括基于CT扫描图像确定的CT阈值和基于PET扫描图像确定的PET阈值;所述在所述感兴趣区域中,分别利用阈值分割法确定每种模态的扫描图像所对应的目标阈值,并基于所确定的多个目标阈值获得二维病灶区域,包括:
利用阈值分割法,分别针对CT扫描图像的感兴趣区域以及PET扫描图像的感兴趣区域确定CT阈值和PET阈值;
利用所述CT阈值将CT扫描图像的感兴趣区域划分为第一目标区域与第一背景区域;
利用所述PET阈值将PET扫描图像的感兴趣区域划分为第二目标区域与第二背景区域,
将所述第一目标区域与第二目标区域进行合并,以获得二维病灶区域。
4.如权利要求3所述的方法,其特征在于,所述利用阈值分割法,分别针对CT扫描图像的感兴趣区域以及PET扫描图像的感兴趣区域进行计算,以分别计算出CT阈值和PET阈值,包括:
分别确定所述CT扫描图像和PET扫描图像的感兴趣区域的像素点的数量,以及每个像素点的灰度值;
根据所述像素点数量和所述每个像素点的灰度值,通过最大类间方差法确定所述CT阈值和PET阈值。
5.如权利要求1所述的方法,其特征在于,所述基于所述二维病灶区域中的像素点,根据所述多个目标阈值在所述三维图像中进行六邻域生长计算,获得三维目标病灶区域,包括:
将所述二维病灶区域中的像素点确定为第一批目标像素点,加入目标像素点集合,获取所述第一批目标像素点的六邻域像素点;
将所述六邻域像素点中,满足任一目标阈值条件的像素点确定为第二批目标像素点,将所述第二批目标像素点加入目标像素点集合;
获取所述第二批目标像素点的六邻域像素点,将新获取的六邻域像素点中,满足任一目标阈值条件的像素点确定为第三批目标像素点,将所述第三批目标像素点加入目标像素点集合,重复执行本步骤以获取第N批目标像素点,直到无法获得新的目标像素点后,停止执行;
将最终获得的目标像素点集合确定为三维目标病灶区域。
6.一种三维病灶区域提取装置,其特征在于,所述装置包括:
三维图像获取模块,用于获取由多张连续多模态扫描图像形成的三维图像,所述多模态扫描图像为至少两种模态的扫描图像经配准后得到的图像;
感兴趣区域确定模块,用于对于其中一张多模态扫描图像,确定针对目标病灶区域的感兴趣区域;
二维病灶确定模块,用于在所述感兴趣区域中,分别利用阈值分割法确定每种模态的扫描图像所对应的目标阈值,并基于所确定的多个目标阈值获得二维病灶区域;
三维病灶确定模块,用于基于所述二维病灶区域中的像素点,根据所述多个目标阈值在所述三维图像中进行六邻域生长计算,获得三维目标病灶区域。
7.如权利要求6所述的装置,其特征在于,所述多模态扫描图像为配准的CT扫描图像和PET扫描图像。
8.如权利要求6所述的装置,其特征在于,所述目标阈值包括基于CT扫描图像确定的CT阈值和基于PET扫描图像确定的PET阈值;所述二维病灶确定模块,具体用于:
利用阈值分割法,分别针对CT扫描图像的感兴趣区域以及PET扫描图像的感兴趣区域确定CT阈值和PET阈值;
利用所述CT阈值将CT扫描图像的感兴趣区域划分为第一目标区域与第一背景区域;
利用所述PET阈值将PET扫描图像的感兴趣区域划分为第二目标区域与第二背景区域,
将所述第一目标区域与第二目标区域进行合并,以获得二维病灶区域。
9.如权利要求6所述的装置,其特征在于,所述二维病灶确定模块,具体用于:
分别确定所述CT扫描图像和PET扫描图像的感兴趣区域的像素点的数量,以及每个像素点的灰度值;
根据所述像素点数量和所述每个像素点的灰度值,通过最大类间方差法确定所述CT阈值和PET阈值。
10.如权利要求6所述的装置,其特征在于,所述三维病灶确定模块,具体用于:
将所述二维病灶区域中的像素点确定为第一批目标像素点,加入目标像素点集合,获取所述第一批目标像素点的六邻域像素点;
将所述六邻域像素点中,满足任一目标阈值条件的像素点确定为第二批目标像素点,将所述第二批目标像素点加入目标像素点的集合中;
获取所述第二批目标像素点的六邻域像素点,将新获取的六邻域像素点中,满足任一目标阈值条件的像素点确定为第三批目标像素点,将所述第三批目标像素点加入目标像素点集合,重复执行本步骤以获取第N批目标像素点,直到无法获得新的目标像素点后,停止执行;
将最终获得的目标像素点集合确定为三维目标病灶区域。
11.一种智能计算机设备,其特征在于,其包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行所述程序时实现如权利要求1-5任一项所述的三维病灶区域提取方法。
12.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-5任一项所述的三维病灶区域提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910944214.7A CN110706241B (zh) | 2019-09-30 | 2019-09-30 | 一种三维病灶区域提取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910944214.7A CN110706241B (zh) | 2019-09-30 | 2019-09-30 | 一种三维病灶区域提取方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110706241A true CN110706241A (zh) | 2020-01-17 |
CN110706241B CN110706241B (zh) | 2023-07-04 |
Family
ID=69197825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910944214.7A Active CN110706241B (zh) | 2019-09-30 | 2019-09-30 | 一种三维病灶区域提取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110706241B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111358484A (zh) * | 2020-03-23 | 2020-07-03 | 广州医科大学附属第一医院(广州呼吸中心) | 核医学肺灌注显像定量分析方法、分析设备及存储介质 |
CN111419399A (zh) * | 2020-03-17 | 2020-07-17 | 京东方科技集团股份有限公司 | 定位跟踪件、定位球的识别方法、存储介质及电子设备 |
CN111667903A (zh) * | 2020-04-24 | 2020-09-15 | 杭州深睿博联科技有限公司 | 医学图像处理方法和装置 |
CN112053769A (zh) * | 2020-09-30 | 2020-12-08 | 沈阳东软智能医疗科技研究院有限公司 | 一种三维医学影像标注方法、装置及相关产品 |
CN113538298A (zh) * | 2021-09-07 | 2021-10-22 | 北京大学深圳医院 | 病灶高清图像重建方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1912927A (zh) * | 2006-08-25 | 2007-02-14 | 西安理工大学 | 肺部ct图像病灶半自动分割方法 |
CN104143035A (zh) * | 2013-05-10 | 2014-11-12 | 上海联影医疗科技有限公司 | 一种分割乳腺病灶的方法 |
CN106097347A (zh) * | 2016-06-14 | 2016-11-09 | 福州大学 | 一种多模态医学图像配准与可视化方法 |
CN106909778A (zh) * | 2017-02-09 | 2017-06-30 | 北京市计算中心 | 一种基于深度学习的多模态医学影像识别方法及装置 |
CN106952264A (zh) * | 2017-03-07 | 2017-07-14 | 青岛海信医疗设备股份有限公司 | 三维医学目标的切割方法及装置 |
CN107230206A (zh) * | 2017-06-02 | 2017-10-03 | 太原理工大学 | 一种基于多模态数据的超体素序列肺部图像的3d肺结节分割方法 |
CN109509204A (zh) * | 2018-10-23 | 2019-03-22 | 中国科学院苏州生物医学工程技术研究所 | Ct图像矽肺结节的自动提取方法 |
-
2019
- 2019-09-30 CN CN201910944214.7A patent/CN110706241B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1912927A (zh) * | 2006-08-25 | 2007-02-14 | 西安理工大学 | 肺部ct图像病灶半自动分割方法 |
CN104143035A (zh) * | 2013-05-10 | 2014-11-12 | 上海联影医疗科技有限公司 | 一种分割乳腺病灶的方法 |
CN106097347A (zh) * | 2016-06-14 | 2016-11-09 | 福州大学 | 一种多模态医学图像配准与可视化方法 |
CN106909778A (zh) * | 2017-02-09 | 2017-06-30 | 北京市计算中心 | 一种基于深度学习的多模态医学影像识别方法及装置 |
CN106952264A (zh) * | 2017-03-07 | 2017-07-14 | 青岛海信医疗设备股份有限公司 | 三维医学目标的切割方法及装置 |
CN107230206A (zh) * | 2017-06-02 | 2017-10-03 | 太原理工大学 | 一种基于多模态数据的超体素序列肺部图像的3d肺结节分割方法 |
CN109509204A (zh) * | 2018-10-23 | 2019-03-22 | 中国科学院苏州生物医学工程技术研究所 | Ct图像矽肺结节的自动提取方法 |
Non-Patent Citations (1)
Title |
---|
郑慕之: "MRI二维图像处理及可视化研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111419399A (zh) * | 2020-03-17 | 2020-07-17 | 京东方科技集团股份有限公司 | 定位跟踪件、定位球的识别方法、存储介质及电子设备 |
CN111358484A (zh) * | 2020-03-23 | 2020-07-03 | 广州医科大学附属第一医院(广州呼吸中心) | 核医学肺灌注显像定量分析方法、分析设备及存储介质 |
CN111358484B (zh) * | 2020-03-23 | 2021-12-24 | 广州医科大学附属第一医院(广州呼吸中心) | 核医学肺灌注显像定量分析方法、分析设备及存储介质 |
CN111667903A (zh) * | 2020-04-24 | 2020-09-15 | 杭州深睿博联科技有限公司 | 医学图像处理方法和装置 |
CN112053769A (zh) * | 2020-09-30 | 2020-12-08 | 沈阳东软智能医疗科技研究院有限公司 | 一种三维医学影像标注方法、装置及相关产品 |
CN112053769B (zh) * | 2020-09-30 | 2023-03-10 | 沈阳东软智能医疗科技研究院有限公司 | 一种三维医学影像标注方法、装置及相关产品 |
CN113538298A (zh) * | 2021-09-07 | 2021-10-22 | 北京大学深圳医院 | 病灶高清图像重建方法、装置、设备及存储介质 |
CN113538298B (zh) * | 2021-09-07 | 2024-01-05 | 北京大学深圳医院 | 病灶高清图像重建方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110706241B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110706241B (zh) | 一种三维病灶区域提取方法和装置 | |
JP6877868B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
US7336809B2 (en) | Segmentation in medical images | |
US6754376B1 (en) | Method for automatic segmentation of medical images | |
US8355553B2 (en) | Systems, apparatus and processes for automated medical image segmentation using a statistical model | |
CN107563378A (zh) | 体数据中提取感兴趣区域的方法及其系统 | |
Aggarwal et al. | Role of segmentation in medical imaging: A comparative study | |
US20110158491A1 (en) | Method and system for lesion segmentation | |
CN107545584A (zh) | 医学图像中定位感兴趣区域的方法、装置及其系统 | |
US20030099390A1 (en) | Lung field segmentation from CT thoracic images | |
Bhadoria et al. | Comparison of segmentation tools for multiple modalities in medical imaging | |
Wei et al. | Segmentation of lung lobes in high-resolution isotropic CT images | |
US20070127802A1 (en) | Method and System for Automatic Lung Segmentation | |
EP2620909B1 (en) | Method, system and computer readable medium for automatic segmentation of a medical image | |
CN109493325A (zh) | 基于ct影像的肿瘤异质性分析系统 | |
CN103501699A (zh) | 用于隔离成像数据中的潜在异常的方法和装置和其对医学图像的应用 | |
Jaffar et al. | Fuzzy entropy based optimization of clusters for the segmentation of lungs in CT scanned images | |
WO2018218478A1 (zh) | 图像处理方法及系统 | |
JPH1156828A (ja) | 異常陰影候補検出方法および装置 | |
EP2577604B1 (en) | Processing system for medical scan images | |
CN110458859B (zh) | 一种基于多序列mri的多发性骨髓瘤病灶的分割系统 | |
US8050470B2 (en) | Branch extension method for airway segmentation | |
WO2022164374A1 (en) | Automated measurement of morphometric and geometric parameters of large vessels in computed tomography pulmonary angiography | |
CN111563876A (zh) | 一种医学影像的获取方法、显示方法 | |
Sakboonyara et al. | U-Net and mean-shift histogram for efficient liver segmentation from CT images |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230413 Address after: Room 308, No. 177-2 Chuangxin Road, Hunnan District, Shenyang City, Liaoning Province, 110167 Applicant after: Shenyang Zhihe Medical Technology Co.,Ltd. Address before: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant before: Shenyang Neusoft Medical Systems Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |