CN110738652A - 一种肺部动静脉分离方法及装置 - Google Patents
一种肺部动静脉分离方法及装置 Download PDFInfo
- Publication number
- CN110738652A CN110738652A CN201910988998.3A CN201910988998A CN110738652A CN 110738652 A CN110738652 A CN 110738652A CN 201910988998 A CN201910988998 A CN 201910988998A CN 110738652 A CN110738652 A CN 110738652A
- Authority
- CN
- China
- Prior art keywords
- region
- pulmonary
- point
- parallelism
- 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
- G06T7/0002—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
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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
本申请公开一种肺部动静脉分离方法及装置,所述方法包括:从肺部CT图像中提取肺血管区域,所述肺血管区域包括动脉区域和静脉区域;计算所述肺血管区域内任一像素点与支气管中心线的第一平行度,以及,计算所述肺血管区域内任一像素点的邻域内像素点与支气管中心线的第二平行度;根据所述第一平行度和所述第二平行度,将所述动脉区域和所述静脉区域进行分割。本申请基于动脉和静脉相对于支气管平行相似度的差异,通过在现有图像分割算法中引入第一平行度和第二平行度,可以将动脉区域和静脉区域进行有效分割,提高肺部动静脉分离的精准性和效率。
Description
技术领域
本申请涉及医学图像处理技术领域,尤其涉及一种肺部动静脉分离方法及装置。
背景技术
肺血管分割通常用于CAD(Computer Assistant Diagnosis,计算机辅助诊断)系统中,可以实现肺血管异常检测,以及从肺的致密异常分析中排除正常脉管系统等诊断方向。由于肺中的不同肺叶由血管树的不同部分提供,因此肺血管也可用于引导肺叶和节段的分割或引导配准方法。
将肺血管分离成动脉和静脉可以有助于检测肺栓塞,并确定肺动脉高压,有助于肺部手术的操作。例如,在肺的段切除手术中,需要找出从切除的肺段回血肺静脉并进行结扎断开,因此分离出静脉和动脉变得至关重要。但是利用CT(Computed Tomography,电子计算机断层扫描)获取肺部图像时,由于动脉和静脉在影像上相互交叉,两者相邻并且灰度非常接近,特别是在非对比增强的CT图像中,动静脉分叉和交叉之间的区别非常小,因此如何实现肺部动脉和静脉的精准分离是本领域亟待解决的技术问题。
发明内容
为解决上述技术问题,本申请提供一种肺部动静脉分离方法及装置。
第一方面,本申请提供一种肺部动静脉分离方法,包括:
从肺部CT图像中提取肺血管区域,所述肺血管区域包括动脉区域和静脉区域;
计算所述肺血管区域内任一像素点与支气管中心线的第一平行度,以及,计算所述肺血管区域内任一像素点的邻域内像素点与支气管中心线的第二平行度;
根据所述第一平行度和所述第二平行度,将所述动脉区域和所述静脉区域进行分割。
在第一方面第一种可能的实现方式中,所述从肺部CT图像中提取肺血管区域,包括:
获取所述肺部CT图像中各像素点对应的CT值;
筛选出所有位于阈值范围内的CT值对应的目标像素点,组成目标区域;所述目标区域包括所述肺血管区域和杂质区域;
从所述肺部CT图像中对所述目标区域进行分割。
在第一方面第二种可能的实现方式中,所述从肺部CT图像中提取肺血管区域,还包括:
计算所述目标区域内任一像素点与其邻域内像素点组成的边的第一权重;
根据所述第一权重,利用最小割算法,将所述肺血管区域和所述杂质区域进行分割。
在第一方面第三种可能的实现方式中,所述根据所述第一平行度和所述第二平行度,将所述动脉区域和所述静脉区域进行分割,包括:
根据所述第一平行度和第二平行度,计算所述肺血管区域内任一像素点与其邻域内像素点组成的边的第二权重;
根据所述第二权重,利用最小割算法,将所述动脉区域和所述静脉区域进行分割。
在第一方面第四种可能的实现方式中,按照如下公式计算所述第二权重:
式中,edgeweight(p,q)2表示第二权重,p为所述肺血管区域内任一像素点,q为p点邻域内的像素点,I(p)为p点对应的CT值,I(q)为q点对应的CT值,σ为所述肺部CT图像中各像素点对应的CT值的方差,β为预设系数,L1为第一平行度,L2为第二平行度。
在第一方面第五种可能的实现方式中,其特征在于,按照如下方式计算所述第一平行度或者第二平行度:
计算m点的方向向量Vm,以及,计算支气管中心线的方向向量Vair;其中,m点为所述肺血管区域内任一像素点p或者p点邻域内的像素点q;
根据m点的方向向量Vm和支气管中心线的方向向量Vair,计算当m点为p点时对应的第一平行度,以及,计算当m点为q点时对应的第二平行度。
在第一方面第六种可能的实现方式中,所述计算m点的方向向量Vm,包括:
以m点邻域内的各像素点的灰度值构建Hessian矩阵;
根据Hessian矩阵,计算m点对应的特征值集合;
从所述特征值集合中查找出最小特征值;
将所述最小特征值对应的特征向量作为m点的方向向量Vm。
在第一方面第七种可能的实现方式中,所述计算支气管中心线的方向向量Vmair,包括:
获取支气管中心线上与m点距离最近的mair点;
在所述支气管中心线上获取mair点的相邻点;
根据mair点及其相邻点的坐标值,计算计算支气管中心线的方向向量Vair。
在第一方面第八种可能的实现方式中,所述方法还包括:
选取所述肺部CT图像的若干CT切片;
分别对所述CT切片中涉及的肺血管区域和杂质区域进行预先标记;
在将所述肺部CT图像中的所述肺血管区域和所述杂质区域分割完成后,根据所述肺部CT图像中各CT切片之间的关联,对分割出的所述肺血管区域和所述杂质区域分别生成整体标记。
第一方面第九种可能的实现方式中,所述方法还包括:
选取所述肺部CT图像的若干CT切片;
分别对所述CT切片中涉及的动脉区域和静脉区域进行预先标记;
在将所述肺部CT图像中的所述动脉区域和所述静脉区域分割完成后,根据所述肺部CT图像中各CT切片之间的关联,对分割出的所述动脉区域和所述静脉区域分别生成整体标记。
第二方面,本申请还提供一种肺部动静脉分离装置,用于实现如第一方面至第一方面第九种可能的实现方式中任一项所述的肺部动静脉分离方法,所述装置包括:
肺血管提取模块,被配置为从肺部CT图像中提取肺血管区域,所述肺血管区域包括动脉区域和静脉区域;
平行度计算模块,被配置为计算所述肺血管区域内任一像素点与支气管中心线的第一平行度,以及,计算所述肺血管区域内任一像素点的邻域内像素点与支气管中心线的第二平行度;
动静脉分割模块,被配置为根据所述第一平行度和所述第二平行度,将所述动脉区域和所述静脉区域进行分割。
本申请技术方案具备如下有益效果:肺部动脉与支气管相距很近并且两者基本接近平行,而肺部静脉与支气管相距较远且两者之间并不平行,因此本申请基于动脉和静脉相对于支气管平行相似度的差异性,在将肺血管区域从肺部CT图像中分割提取出来后,计算肺血管区域内任一像素点与支气管中心线的第一平行度,以及计算该像素点邻域内其他的像素点与支气管中心线的第二平行度,这里所述的邻域例如可以是像素点的上、下、左、右、前、后方向组成的6邻域,通过在现有图像分割算法中引入第一平行度和第二平行度,可以将动脉区域和静脉区域进行有效分割,提高肺部动静脉分离的精准性和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,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,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例示出的肺部动脉、肺部静脉和支气管的分布示意图;
图2为本申请实施例示出的Graph Cuts算法的原理图;
图3为本申请实施例一示出的一种肺部动静脉分离方法的流程图;
图4为本申请实施例一示出的另一种肺部动静脉分离方法的流程图;
图5为本申请实施例一示出的另一种肺部动静脉分离方法的流程图;
图6为本申请实施例示出的m点的方向向量Vm的计算原理图;
图7为本申请实施例一示出的另一种肺部动静脉分离方法的流程图;
图8本申请实施例二示出的从肺部CT图像中提取肺血管区域的流程图;
图9本申请实施例二示出的双阈值分割算法得到的目标区域掩膜(一张CT切片)示意图;
图10为本申请实施例二示出的一张CT切片上的肺血管区域掩膜示意图;
图11为本申请实施例二示出的一张CT切片上的静脉区域掩膜和动脉区域掩膜示意图;
图12为本申请实施例二示出的肺部动脉区域和静脉区域的三维掩膜示意图;
图13为本申请实施例三示出的肺部动静脉分离装置的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,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他实施例,都属于本发明保护的范围。
图1为肺部动脉、肺部静脉和支气管的分布示意图,由图可见,肺部动脉与支气管相距很近并且两者基本接近平行,而肺部静脉与支气管相距较远且两者之间并不平行,因此本申请基于动脉和静脉相对于支气管平行相似度的差异,在现有图像分割算法中引入第一平行度和第二平行度,以将动脉区域和静脉区域进行有效分割,提高肺部动静脉分离的精准性和效率。
本申请以下各实施例中,是以Graph Cuts图像分割算法为例,来说明如何实现从肺部CT图像中提取肺血管区域,以及将肺血管区域中的动脉区域和静脉区域进行分割,下面简要介绍一下Graph Cuts算法的原理。
Graph Cuts是一种能量优化算法,在图像处理领域普遍应用于前后背景分割(Image segmentation)、立体视觉(stereo vision)、抠图(Image matting)等,目前在医学图像领域应用较多。此类方法把图像分割问题与图的最小割问题相关联。
首先用一个无向图G=<V,E>,V和E分别是顶点(vertex)和边(edge)的集合,通常顶点为像素、体素或者其他特征。Graph Cuts图和普通图稍有不同,如图2(a)所示,普通图由顶点和边构成,如果边是有方向的,则称为有向图,否则为无向图,且边具有权重,不同的边具有不同的权重,分别代表不同的物理意义。Graph Cuts建立的图,是在普通图的基础上多了2类顶点,这2类顶点分别为源点s和汇入点t,统称为终端顶点,如图2(b)所示,最小割把图的顶点划分为两个不相交的集合S和T,其中s∈S,t∈T,S∪T=V,这两个集合就对应于图像的前景像素集(Object terminal)和背景像素集(Background terminal),那就相当于完成了图像分割。Graph Cuts图其它顶点都必须和2类终端顶点相连形成边集合中的一部分,因此Graph Cuts中有两种顶点,也有两种边。
第一种顶点和边:第一个普通顶点对应于图像中的每个像素,每两个邻域顶点(对应于图像中每两个邻域像素)的连接就是一条边,这种边也叫n-links。
第二种顶点和边:除图像像素外,还有另外两个终端顶点,分别为源点s和汇入点t,每个普通顶点和这2个终端顶点之间都有连接,组成第二种边,这种边也叫t-links。
每条边都有一个非负的权重edgeweight,也可以理解为cost(代价或者费用),一个cut(割)就是图中边集合E的一个子集C,那这个割的cost(表示为|C|)就是边子集C的所有边的权重之和。
Graph Cuts中的Cuts是指包括了上面2种边的边集合,该集合中所有边的断开会导致残留S和T图的分开,所以就称为割(cut)。如果一个割,它所有边的权重之和最小,那么这个就称为最小割(min cut),也就是图割的结果。而福特-富克森定理表明,网路的最大流(max flow)与最小割(min cut)相等,所以由Boykov和Kolmogorov提出的max-flow/min-cut算法就可以用来获得S-T图的最小割。
图像分割可以看成pixel labeling(像素标记)问题,前景的标记设为1,背景的标记设为0,这个过程可以通过最小化图割来最小化能量函数得到。那很明显,发生在前景和背景的边界处的cut就是我们想要的,相当于把图像中背景和前景连接的地方割开,这时候能量也应该是最小的。假设图像的分割为L时,图像的能量可以表示为E(L)=aR(L)+B(L),R(L)为区域项,B(L)为边界平滑项,a就是区域项和边界项之间的重要因子,决定它们对能量的影响大小,如果a为0,那么就只考虑边界因素,不考虑区域因素。E(L)表示的是权重,即损失函数,也叫能量函数,图割的目标就是优化能量函数使其值达到最小。
区域项R(L)用来衡量某个像素与某个标记(背景或前景)之间连接边的权重,越低越该切割,区域项R(L)可以表示为:
R(L)=∑Rp(lp)
其中,Rp(lp)表示为像素p分配标记lp的惩罚,Rp(lp)能量项的权重可以通过比较像素p的灰度、给定的前景和背景的灰度直方图来获得,换句话说就是像素p属于标记lp的概率,一般希望像素p分配为其概率最大的标签lp,这时候我们希望能量最小,当像素p更有可能属于目标时,将p归类为目标就会使能量R(L)小,那么,如果全部的像素都被正确划分为前景(即目标)或者背景,那么这时候能量就是最小的。
边界平滑项B(L)用来衡量两个相邻像素点之间的距离,这个项主要用来寻找边缘点,边界平滑项B(L)可以表示为:
B(L)=∑B<p,q>·δ(lp,lq)
其中,p和q为邻域像素,边界平滑项主要体现分割L的边界属性,B<p,q>可以解析为像素p和q之间不连续的惩罚,一般来说如果p和q越相似,则它们的灰度值或其他度量值lp-lq越小,那么B<p,q>越大,权重E(L)也就越大,越不应该被切割;如果p和q越不相似,那么B<p,q>就接近于0,则能量越小,即权重E(L)越小,越应该被切割。换句话说,如果p和q差别很小,那么属于同一个前景或者同一背景的可能性就很大,如果他们的差别很大,那说明这两个像素很有可能处于前景和背景的边缘部分,则被分割开的可能性比较大。δ(lp,lq)=1/dist(p,q),一般表示两个像素的距离,距离越大,权重E(L)越小,越应该被切割。
图像分割的目的在于将图像分为前景和背景两个不相交的部分,利用图分割技术来实现,需要构建一个图,这个图有两类顶点和两类边,每个边具有权重,普通顶点由图像每个像素组成,然后每两个邻域像素之间存在一条边,它的权重由边界平滑能量项来决定;还有两个终端顶点,源点s(对应前景)和汇入点t(对应背景),每个普通顶点分别与源点s和汇入点t连接形成边,这类边的权重可由区域项来决定。这样所有边的权重就可以确定了,图也就确定了,然后通过min cut算法来找到最小的割,这个min cut就是权重之和最小的边的集合,这些边的断开恰好可以使前景和背景被分割开,也就是min cut对应于能量的最小化,而min cut和图的max flow是等效的,故可以通过max flow算法来找到S-T图的mincut,目前的max flow算法主要有Goldberg-Tarjan算法、Ford-Fulkerson算法等,具体可参照相关现有技术,本实施例不再赘述。
需要注意的是,Graph Cuts算法需要提前在图像上指定两类终端顶点,即需要人工指定/标记分别属于前景和背景的像素点,图2(a)中分别进行了标记B和O,即图2(a)为带标记的图像(Image with seeds),然后建立如图2(b)所示的图(Graph),图中边的粗细表示对应权重的大小,然后利用最大流/最小割算法找到权重之和最小的边的组合,cut过程如图2(c)所示,最终分割结果(Segmentation results)如图2(d)所示,从而完成了图像分割的功能。
如图3所示,本申请实施例一提供一种肺部动静脉分离方法,所述方法包括如下步骤:
步骤S1,从肺部CT图像中提取肺血管区域,所述肺血管区域包括动脉区域和静脉区域。
整体的肺部CT图像中一般包括肺血管区域、骨骼区域等区域,在步骤S1中,可根据现有的医学图像处理方法,在整体的肺部CT图像中将包括动脉区域和静脉区域的肺血管区域提取出来,以便于后续将动脉区域和静脉区域进行分割。
步骤S2,计算所述肺血管区域内任一像素点与支气管中心线的第一平行度,以及,计算所述肺血管区域内任一像素点的邻域内像素点与支气管中心线的第二平行度。
对于步骤S2,如图4所示,按照如下方式计算所述第一平行度或者第二平行度:
步骤S21,计算m点的方向向量Vm;本实施例中,m点为所述肺血管区域内任一像素点p或者p点邻域内的像素点q。
步骤S22,计算支气管中心线的方向向量Vair。
步骤S23,根据m点的方向向量Vm和支气管中心线的方向向量Vair,计算当m点为p点时对应的第一平行度,以及,计算当m点为q点时对应的第二平行度。具体的计算公式为:
要计算第一平行度L1,关键在于计算p点的方向向量Vp以及支气管中心线的方向向量Vair;要计算第二平行度L2,关键在于计算q点的方向向量Vq以及支气管中心线的方向向量Vair。当m点为p点时,Vm=Vp;当m点为q点时,Vm=Vq,图5中示出了计算m点的方向向量Vm的方法:
步骤S211,以m点邻域内的各像素点的灰度值构建Hessian矩阵;
步骤S212,根据Hessian矩阵,计算m点对应的特征值集合;
步骤S213,从所述特征值集合中查找出最小特征值;
步骤S214,将所述最小特征值对应的特征向量作为m点的方向向量Vm。
图6为m点的方向向量Vm的计算原理图,以m点为p点为例进行说明,由于肺血管区域内的静脉血管和动脉血管来说具有管状结构,对于肺血管区域内任一像素点p点,p点的方向向量Vp为经过p点且平行于血管中心线方向的方向向量。本申请以p点邻域内的各像素点对应的灰度值为元素,建立Hessian矩阵(海森矩阵),根据Hessian矩阵进行计算,沿p点不同方向的走向可以对应不同的特征值,从而形成一个特征值集合,沿p点的走向越平行于血管中心线的方向,在该方向上灰度值变化越小,则对应的特征值就越小;反之,沿p点的走向越偏离于血管中心线的方向,那么在该方向上灰度值差异变化较大,那么对应的特征值就越大。因此,所以Hessian矩阵的特征值用于表征在不同方向上的灰度差异,从特征值集合中查找出最小特征值,则最小特征值对应的特征向量即为p点的方向向量Vp,也即p点所在血管的中心线方向。
在图6中,列举了沿p点的三个方向,三个方向对应的特征值分别为λ1、λ2和λ3,λ1对应的特征向量为μ1,λ2对应的特征向量为μ2,λ3对应的特征向量为μ3,比较λ1、λ2和λ3的大小,得到|λ2|和|λ3|大小相近且都远大于0,而|λ1|约等于0,λ1为最小特征值,则将μ1作为p点的方向向量Vp。
如图5所示,本实施例还示出了计算支气管中心线的方向向量Vair的方法:
步骤S221,获取支气管中心线上与m点距离最近的mair点。
支气管中心线上具有多个像素点,组成像素点集合,从该像素点集合中找出距离m点最近的像素点,记为mair点。当m点为p点时,mair点即为支气管中心线上距离p点最近的pair点;当m点为q点时,mair点即为支气管中心线上距离q点最近的qair点。
步骤S222,在所述支气管中心线上获取mair点的相邻点。
步骤S223,根据mair点及其相邻点的坐标值,计算支气管中心线的方向向量Vair。
从上述像素点集合中,可以查出mair点(为pair点或qair点)的相邻点,根据mair点及其相邻点的坐标值,可以确定唯一的方向向量。支气管具有树状结构,具有许多分叉,由于mair点与其相邻点距离十分相近,本申请选择mair点的相邻点来计算方向向量,可使得该方向向量最接近于支气管中心线的方向向量Vair。
步骤S3,根据所述第一平行度和所述第二平行度,将所述动脉区域和所述静脉区域进行分割。
在计算出第一平行度L1和第二平行度L2之后,可以将第一平行度L1和第二平行度L2引入前述图像分割方法中,从而对图像分割方法进一步改进,实现肺部的动脉区域和静脉区域的精准分离。具体地,如图7所示,步骤S3可以包括如下步骤:
步骤S31,根据所述第一平行度和第二平行度,计算所述肺血管区域内任一像素点与其邻域内像素点组成的边的第二权重。
进一步地,按照如下公式计算所述第二权重:
式中,edgeweight(p,q)2表示第二权重,p为所述肺血管区域内任一像素点,q为p点邻域内的像素点,I(p)为p点对应的CT值,I(q)为q点对应的CT值,σ为所述肺部CT图像中各像素点对应的CT值的方差,β为预设系数,L1为第一平行度,L2为第二平行度。
CT值是测定人体某一局部组织或器官密度大小的一种计量单位,通常称为亨氏单位(Hounsfield Unit,HU),它实际上是CT图像中各组织与X线衰减系数相当的对应值,用于定量衡量组织对于X光的吸收率,肺部CT图像中每个像素点都具有对应的CT值。
本实施例中,预设系数β为进行肺部动静脉分离之前,预先设定的一个大于0的数值,根据已经分割出的肺静脉和肺动脉的历史数据,对动脉区域和静脉区域的CT值进行统计,然后按照如下公式计算预设系数β:
上式中,Gvein表示静脉区域对应的CT值的统计平均值;Gartery表示静脉区域对应的CT值的统计平均值;Gfg表示肺部CT图像的肺血管区域中,由人工标记的前景区域对应的平均CT值;Gbg表示肺部CT图像的肺血管区域中,由人工标记的背景区域对应的平均CT值;∈为设定的一个稍大于0的小量,为常数。
其中,方差σ可通过如下公式进行计算:
步骤S32,根据所述第二权重,利用最小割算法,将所述动脉区域和所述静脉区域进行分割。
在计算出第二权重之后,参照本实施例前述关于Graph Cuts的最小割算法,可利用max-flow/min-cut将动脉区域和静脉区域进行分割,具体可参照相关现有技术的实现方式,这里不再赘述。
由于Graph Cuts算法需要提前在图像上指定两类终端顶点,就需要人工标记哪部分属于前景像素点,哪部分属于背景的像素点,比如利用画笔功能将部分动脉区域标记为前景,将部分静脉区域标记为背景,即需要为图中的顶点施加硬约束,才能完成图的建立,从而利用max-flow/min-cut将图中的顶点分成源点(前景)和汇入点(背景),继而将待分割区域中的像素点分割前景像素点和背景像素点,实现图像中前景区域和背景区域的分离。
人工标记前景和背景的过程,实际是为图中的顶点施加硬约束,图中的每个顶点对应一个二维向量其中weight0表示图中顶点与源点s相连的权重(即前景的权重),weight1表示顶点与汇入点t相连的权重(即背景的权重)。同时,每个顶点对应一个标签flag:
对于一个整体的肺部CT图像,其可以生成多个CT切片,本实施例可选的方案中,可以选取肺部CT图像的若干CT切片,每个CT切片中都具有一部分静脉区域和一部分动脉区域,然后分别对选定的CT切片中涉及的动脉区域和静脉区域进行预先标记,也就是说,是对部分而不是全部CT切片进行标记,可以降低人工操作量。在将整体肺部CT图像中的动脉区域和静脉区域分割完成后,根据肺部CT图像中各CT切片之间的关联,对分割出的动脉区域和静脉区域分别生成整体标记。本实施例中可以将前景和背景设定为不同颜色来实现标记,比如将动脉区域(前景)标记为红色,将静脉区域标(背景)标记为蓝色,当然也可采用其他形式的标记方式进行区分,本申请不作限定。
举例来说,假设肺部CT图像具有6个CT切片,预先选择其中3个切片进行动脉区域和静脉区域的标记,将动脉区域标记为红色,将静脉区域标记为蓝色;在将整体肺部CT图像中的动脉区域和静脉区域分割完成后,可以根据预标记的3个CT切片与其他3个CT切片在肺部组织、图像等方面上的关联,根据分割结果,自动将其他3个未被预先标记的CT切片上涉及的动脉区域标记为红色,自动将其他3个未被预先标记的CT切片上涉及的静脉区域标记为蓝色,这样整体的肺部CT图像中所涉及的全部动脉区域都被标记为红色,实现了动脉区域的整体标记;同样地,整体的肺部CT图像中所涉及的全部静脉区域都被标记为蓝色,实现了静脉区域的整体标记,由于各区域间整体标记的不同,可以有效区分动脉区域和静脉区域。
在将肺血管区域从肺部CT图像中分割提取出来后,计算肺血管区域内任一像素点与支气管中心线的第一平行度,以及计算该像素点邻域内其他的像素点与支气管中心线的第二平行度,通过在现有Graph Cuts边的权重中引入第一平行度和第二平行度,得到本申请所述的第二权重,然后利用最大流/最小割的方法将动脉区域和静脉区域进行有效分割,通过利用CT值并基于动脉和静脉相对于支气管平行相似度的差异,新颖的构建了图中的边上的流通量,从而提高了肺部动静脉分离的精准性和效率。本实施例中所述的邻域可以是多个方向上的,例如可以是像素点的上、下、左、右、前、后方向组成的6邻域,本实施例对此不作限定。
如图8所示,本申请实施例二提供一种肺部动静脉分离方法,在实施例一所述方法的基础上,本实施例还提供从肺部CT图像中提取肺血管区域的具体方法,步骤S1包括:
步骤S11,获取所述肺部CT图像中各像素点对应的CT值。
步骤S12,筛选出所有位于阈值范围内的CT值对应的目标像素点,组成目标区域;所述目标区域包括所述肺血管区域和杂质区域。
步骤S13,从所述肺部CT图像中对所述目标区域进行分割。
阈值范围[threshold_min,threshold_max],具有上限阈值threshold_max和下限阈值threshold_min,通过合理调节上限阈值threshold_max和下限阈值threshold_min,结合肺部CT图像中各像素点对应的CT值,可以保证肺部CT图像中的肺血管区域能够全部被提取出来,避免分割提取时出现遗漏。本实施例提供的这种双阈值分割算法,其分割得到的目标区域中除了肺血管区域,不可避免会包括部分骨骼等组织区域,本实施例中将目标区域中除肺血管区域之外的区域统称为杂质区域。双阈值分割算法属于粗分割,下面通过步骤S14和步骤S15进一步精分割,将目标区域中的杂质区域分割出去,从而提取出不含杂质区域的肺血管区域。双阈值分割算法得到的目标区域掩膜(一张CT切片)如图9所示,图9中虚线框内的灰色部分为分割出的目标区域,目标区域包括肺血管区域以及骨骼等杂质区域。
步骤S14,计算所述目标区域内任一像素点与其邻域内像素点组成的边的第一权重。
进一步地,按照如下公式计算所述第一权重:
式中,edgeweight(w,v)1表示第一权重,w为所述目标区域内任一像素点,v为w点邻域内的像素点,I(w)为w点对应的CT值,I(v)为v点对应的CT值,σ为所述肺部CT图像中各像素点对应的CT值的方差。
其中,方差σ可通过如下公式进行计算:
式中,N为肺部CT图像中像素点的数量,gi为肺部CT图像中第i个像素点对应的CT
步骤S15,根据所述第一权重,利用最小割算法,将所述肺血管区域和所述杂质区域进行分割。
在计算出第一权重之后,参照本实施例前述关于Graph Cuts的最小割算法,可利用max-flow/min-cut将肺血管区域和杂质区域进行分割,从而提取出肺血管区域,具体可参照相关现有技术的实现方式,这里不再赘述。
由于Graph Cuts算法需要提前在图像上指定两类终端顶点,就需要人工标记哪部分属于前景像素点,哪部分属于背景的像素点,比如利用画笔功能将部分肺血管标记为前景,将部分杂质区域标记为背景,即需要为图中的顶点施加硬约束,才能完成图的建立,从而利用max-flow/min-cut将图中的顶点分成源点(前景)和汇入点(背景),继而将待分割区域中的像素点分割前景像素点和背景像素点,实现图像中前景区域和背景区域的分离。为顶点施加硬约束的过程参见实施例一中的相关说明,本实施例不再赘述。
对于一个整体的肺部CT图像,其可以生成多个CT切片,本实施例可选的方案中,可以选取肺部CT图像的若干CT切片,每个CT切片中都具有一部分肺血管区域和一部分杂质区域,然后分别对选定的CT切片中涉及的肺血管区域和杂质区域进行预先标记,也就是说,是对部分而不是全部CT切片进行标记,可以降低人工操作量。在将整体肺部CT图像中的肺血管区域和杂质区域分割完成后,根据肺部CT图像中各CT切片之间的关联,对分割出的肺血管区域和杂质区域分别生成整体标记。本实施例中可以将前景和背景设定为不同颜色来实现标记,比如将肺血管区域(前景)标记为红色,将杂质区域标(背景)标记为白色,当然也可采用其他形式的标记方式进行区分,本申请不作限定。通过步骤S14和步骤S15计算得到的肺血管区域掩膜(一张CT切片)如图10所示。图10中虚线框外的白色部分为目标区域中的杂质区域,通过步骤S14和步骤S15的方法将杂质区域分割出去,并精确提取出图10中虚线框内灰色部分的肺血管区域。
举例来说,假设肺部CT图像具有6个CT切片,预先选择其中3个切片进行肺血管区域和杂质区域的标记,肺血管区域(前景)标记为红色,将杂质区域标(背景)标记为白色;在将整体肺部CT图像中的肺血管区域和杂质区域分割完成后,可以根据预标记的3个CT切片与其他3个CT切片在肺部组织、图像等方面上的关联,根据分割结果,自动将其他3个未被预先标记的CT切片上涉及的肺血管区域标记为红色,自动将其他3个未被预先标记的CT切片上涉及的杂质区域标记为白色,这样整体的肺部CT图像中所涉及的全部肺血管区域都被标记为红色,实现了肺血管区域的整体标记;同样地,整体的肺部CT图像中所涉及的杂质区域都被标记为白色,实现了杂质区域的整体标记,由于各区域间整体标记的不同,可以有效区分肺血管区域和杂质区域。
本实施例通过双阈值分割算法对肺部CT图像进行粗分割,然后计算第一权重,并利用最大流/最小割的方法将肺血管区域和杂质区域进行有效分割,从而精准有效地提取出肺血管区域,便于后续对静脉区域和动脉区域进行分割。然后参照实施例一,在将肺血管区域从肺部CT图像中分割提取出来后,计算肺血管区域内任一像素点与支气管中心线的第一平行度,以及计算该像素点邻域内其他的像素点与支气管中心线的第二平行度,通过在现有Graph Cuts边的权重中引入第一平行度和第二平行度,得到本申请所述的第二权重,然后利用最大流/最小割的方法将动脉区域和静脉区域进行有效分割,通过利用CT值并基于动脉和静脉相对于支气管平行相似度的差异,新颖的构建了图中的边上的流通量,从而提高了肺部动静脉分离的精准性和效率。实施例一和实施例二结合得到的最终分割结果如图11和图12所示。图11展示的是一张CT切片上的静脉区域掩膜和动脉区域掩膜,点-划线框内的浅灰色部分为分离出的静脉区域,方点线(“...........”)框内的深灰色部分为分离出的动脉区域。图12展示的是肺部动脉区域和静脉区域的三维掩膜,图12中黑色部分为分离出的动脉区域,颜色较浅的灰色部分为分离出的静脉区域。
如图13所示,本申请实施例三提供一种肺部动静脉分离装置100,用于实现实施例一和实施例二所述的肺部动静脉分离方法,所述装置包括:
肺血管提取模块110,用于从肺部CT图像中提取肺血管区域,所述肺血管区域包括动脉区域和静脉区域。
平行度计算模块120,用于计算所述肺血管区域内任一像素点与支气管中心线的第一平行度,以及,计算所述肺血管区域内任一像素点的邻域内像素点与支气管中心线的第二平行度。
动静脉分割模块130,用于根据所述第一平行度和所述第二平行度,将所述动脉区域和所述静脉区域进行分割。
可选地,所述肺血管提取模块110被进一步配置为:
获取所述肺部CT图像中各像素点对应的CT值;
筛选出所有位于阈值范围内的CT值对应的目标像素点,组成目标区域;所述目标区域包括所述肺血管区域和杂质区域;
从所述肺部CT图像中对所述目标区域进行分割。
可选地,所述肺血管提取模块110被进一步配置为:
计算所述目标区域内任一像素点与其邻域内像素点组成的边的第一权重;
根据所述第一权重,利用最小割算法,将所述肺血管区域和所述杂质区域进行分割。
其中,所述肺血管提取模块110被进一步配置为:按照如下公式计算所述第一权重:
式中,edgeweight(w,v)1表示第一权重,w为所述目标区域内任一像素点,v为w点邻域内的像素点,I(w)为w点对应的CT值,I(v)为v点对应的CT值,σ为所述肺部CT图像中各像素点对应的CT值的方差。
可选地,所述平行度计算模块120被进一步配置为:
计算m点的方向向量Vm,以及,计算支气管中心线的方向向量Vair;其中,m点为所述肺血管区域内任一像素点p或者p点邻域内的像素点q;
可选地,所述平行度计算模块120被进一步配置为:
以m点邻域内的各像素点的灰度值构建Hessian矩阵;
根据Hessian矩阵,计算m点对应的特征值集合;
从所述特征值集合中查找出最小特征值;
将所述最小特征值对应的特征向量作为m点的方向向量Vm。
可选地,所述平行度计算模块120被进一步配置为:
获取支气管中心线上与m点距离最近的mair点;
在所述支气管中心线上获取mair点的相邻点;
根据mair点及其相邻点的坐标值,计算计算支气管中心线的方向向量Vair。
可选地,动静脉分割模块130被进一步配置为:
根据所述第一平行度和第二平行度,计算所述肺血管区域内任一像素点与其邻域内像素点组成的边的第二权重;
根据所述第二权重,利用最小割算法,将所述动脉区域和所述静脉区域进行分割。
可选地,动静脉分割模块130被进一步配置为:按照如下公式计算所述第二权重:
式中,edgeweight(p,q)2表示第二权重,p为所述肺血管区域内任一像素点,q为p点邻域内的像素点,I(p)为p点对应的CT值,I(q)为q点对应的CT值,σ为所述肺部CT图像中各像素点对应的CT值的方差,β为预设系数,L1为第一平行度,L2为第二平行度。
需要说明的是,本实施例中,可以根据上述各方法实施例进行功能模块的划分,例如,可以对应各个功能划分各功能模块,各个功能模块中可以包括多项子模块,每个子模块用以执行功能模块被配置执行的每个细化步骤;或者,也可以将两个或两个以上的功能模块/子模块集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。本实施例中对模块的划分是示例性的,仅为一种逻辑功能划分,实际实现时可以有其他划分方式。
本领域的技术人员可以清楚地了解到本申请实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。具体实现中,本申请还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时可包括肺部动静脉分离方法的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文:read-only memory,简称:ROM)或随机存储记忆体(英文:random access memory,简称:RAM)等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,并不构成对本发明保护范围的限定。本发明的真正范围和精神由所附的权利要求指出。
本说明书中各个实施例之间相同相似的部分互相参照即可。
Claims (11)
1.一种肺部动静脉分离方法,其特征在于,包括:
从肺部CT图像中提取肺血管区域,所述肺血管区域包括动脉区域和静脉区域;
计算所述肺血管区域内任一像素点与支气管中心线的第一平行度,以及,计算所述肺血管区域内任一像素点的邻域内像素点与支气管中心线的第二平行度;
根据所述第一平行度和所述第二平行度,将所述动脉区域和所述静脉区域进行分割。
2.根据权利要求1所述的方法,其特征在于,所述从肺部CT图像中提取肺血管区域,包括:
获取所述肺部CT图像中各像素点对应的CT值;
筛选出所有位于阈值范围内的CT值对应的目标像素点,组成目标区域;所述目标区域包括所述肺血管区域和杂质区域;
从所述肺部CT图像中对所述目标区域进行分割。
3.根据权利要求2所述的方法,其特征在于,所述从肺部CT图像中提取肺血管区域,还包括:
计算所述目标区域内任一像素点与其邻域内像素点组成的边的第一权重;
根据所述第一权重,利用最小割算法,将所述肺血管区域和所述杂质区域进行分割。
4.根据权利要求1所述的方法,其特征在于,所述根据所述第一平行度和所述第二平行度,将所述动脉区域和所述静脉区域进行分割,包括:
根据所述第一平行度和第二平行度,计算所述肺血管区域内任一像素点与其邻域内像素点组成的边的第二权重;
根据所述第二权重,利用最小割算法,将所述动脉区域和所述静脉区域进行分割。
5.根据权利要求4所述的方法,其特征在于,按照如下公式计算所述第二权重:
式中,edgeweight(p,q)2表示第二权重,p为所述肺血管区域内任一像素点,q为p点邻域内的像素点,I(p)为p点对应的CT值,I(q)为q点对应的CT值,σ为所述肺部CT图像中各像素点对应的CT值的方差,β为预设系数,L1为第一平行度,L2为第二平行度。
6.根据权利要求1-5任一项所述的方法,其特征在于,按照如下方式计算所述第一平行度或者第二平行度:
计算m点的方向向量Vm,以及,计算支气管中心线的方向向量Vair;其中,m点为所述肺血管区域内任一像素点p或者p点邻域内的像素点q;
根据m点的方向向量Vm和支气管中心线的方向向量Vair,计算当m点为p点时对应的第一平行度,以及,计算当m点为q点时对应的第二平行度。
7.根据权利要求6所述的方法,其特征在于,所述计算m点的方向向量Vm,包括:
以m点邻域内的各像素点的灰度值构建Hessian矩阵;
根据Hessian矩阵,计算m点对应的特征值集合;
从所述特征值集合中查找出最小特征值;
将所述最小特征值对应的特征向量作为m点的方向向量Vm。
8.根据权利要求6所述的方法,其特征在于,所述计算支气管中心线的方向向量Vmair,包括:
获取支气管中心线上与m点距离最近的mair点;
在所述支气管中心线上获取mair点的相邻点;
根据mair点及其相邻点的坐标值,计算计算支气管中心线的方向向量Vair。
9.根据权利要求3所述的方法,其特征在于,所述方法还包括:
选取所述肺部CT图像的若干CT切片;
分别对所述CT切片中涉及的肺血管区域和杂质区域进行预先标记;
在将所述肺部CT图像中的所述肺血管区域和所述杂质区域分割完成后,根据所述肺部CT图像中各CT切片之间的关联,对分割出的所述肺血管区域和所述杂质区域分别生成整体标记。
10.根据权利要求4所述的方法,其特征在于,所述方法还包括:
选取所述肺部CT图像的若干CT切片;
分别对所述CT切片中涉及的动脉区域和静脉区域进行预先标记;
在将所述肺部CT图像中的所述动脉区域和所述静脉区域分割完成后,根据所述肺部CT图像中各CT切片之间的关联,对分割出的所述动脉区域和所述静脉区域分别生成整体标记。
11.一种肺部动静脉分离装置,用于实现如权利要求1-10任一项所述的肺部动静脉分离方法,其特征在于,所述装置包括:
肺血管提取模块,被配置为从肺部CT图像中提取肺血管区域,所述肺血管区域包括动脉区域和静脉区域;
平行度计算模块,被配置为计算所述肺血管区域内任一像素点与支气管中心线的第一平行度,以及,计算所述肺血管区域内任一像素点的邻域内像素点与支气管中心线的第二平行度;
动静脉分割模块,被配置为根据所述第一平行度和所述第二平行度,将所述动脉区域和所述静脉区域进行分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910988998.3A CN110738652B (zh) | 2019-10-17 | 2019-10-17 | 一种肺部动静脉分离方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910988998.3A CN110738652B (zh) | 2019-10-17 | 2019-10-17 | 一种肺部动静脉分离方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738652A true CN110738652A (zh) | 2020-01-31 |
CN110738652B CN110738652B (zh) | 2023-08-11 |
Family
ID=69269205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910988998.3A Active CN110738652B (zh) | 2019-10-17 | 2019-10-17 | 一种肺部动静脉分离方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738652B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899244A (zh) * | 2020-07-30 | 2020-11-06 | 北京推想科技有限公司 | 图像分割、网络模型的训练方法及装置,及电子设备 |
CN112102267A (zh) * | 2020-08-31 | 2020-12-18 | 沈阳东软智能医疗科技研究院有限公司 | 肺动脉血管树的获取方法、装置、存储介质和电子设备 |
CN112102275A (zh) * | 2020-09-09 | 2020-12-18 | 沈阳东软智能医疗科技研究院有限公司 | 肺主动脉血管图像提取方法、装置、存储介质及电子设备 |
CN112861961A (zh) * | 2021-02-03 | 2021-05-28 | 推想医疗科技股份有限公司 | 肺血管分类方法及装置、存储介质及电子设备 |
CN113409328A (zh) * | 2021-06-02 | 2021-09-17 | 东北大学 | Ct图像的肺动静脉分割方法、装置、介质及设备 |
CN113706541A (zh) * | 2020-05-20 | 2021-11-26 | 青岛海信医疗设备股份有限公司 | 一种图像处理方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101116103A (zh) * | 2005-02-11 | 2008-01-30 | 皇家飞利浦电子股份有限公司 | 从三维医学图像中自动提取肺动脉树的方法 |
CN102007515A (zh) * | 2008-04-18 | 2011-04-06 | 皇家飞利浦电子股份有限公司 | 对肺动脉的分割 |
CN109035194A (zh) * | 2018-02-22 | 2018-12-18 | 青岛海信医疗设备股份有限公司 | 一种血管提取方法及装置 |
-
2019
- 2019-10-17 CN CN201910988998.3A patent/CN110738652B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101116103A (zh) * | 2005-02-11 | 2008-01-30 | 皇家飞利浦电子股份有限公司 | 从三维医学图像中自动提取肺动脉树的方法 |
JP2008529641A (ja) * | 2005-02-11 | 2008-08-07 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 3次元医療画像からの肺動脈樹の自動抽出の方法 |
CN102007515A (zh) * | 2008-04-18 | 2011-04-06 | 皇家飞利浦电子股份有限公司 | 对肺动脉的分割 |
CN109035194A (zh) * | 2018-02-22 | 2018-12-18 | 青岛海信医疗设备股份有限公司 | 一种血管提取方法及装置 |
Non-Patent Citations (2)
Title |
---|
DANIEL JIMENEZ-CARRETERO等: "A graph-cut approach for pulmonary artery-vein segmentation in noncontrast CT images" * |
谷宇;吕晓琪;杨立东;赵建峰;喻大华;任国印;李刚;赵瑛;: "基于CT影像的肺结节计算机辅助检测技术进展" * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706541A (zh) * | 2020-05-20 | 2021-11-26 | 青岛海信医疗设备股份有限公司 | 一种图像处理方法及装置 |
CN113706541B (zh) * | 2020-05-20 | 2024-04-19 | 青岛海信医疗设备股份有限公司 | 一种图像处理方法及装置 |
CN111899244A (zh) * | 2020-07-30 | 2020-11-06 | 北京推想科技有限公司 | 图像分割、网络模型的训练方法及装置,及电子设备 |
CN111899244B (zh) * | 2020-07-30 | 2021-02-12 | 推想医疗科技股份有限公司 | 图像分割、网络模型的训练方法及装置,及电子设备 |
CN112102267A (zh) * | 2020-08-31 | 2020-12-18 | 沈阳东软智能医疗科技研究院有限公司 | 肺动脉血管树的获取方法、装置、存储介质和电子设备 |
CN112102267B (zh) * | 2020-08-31 | 2023-07-07 | 沈阳东软智能医疗科技研究院有限公司 | 肺动脉血管树的获取方法、装置、存储介质和电子设备 |
CN112102275A (zh) * | 2020-09-09 | 2020-12-18 | 沈阳东软智能医疗科技研究院有限公司 | 肺主动脉血管图像提取方法、装置、存储介质及电子设备 |
CN112102275B (zh) * | 2020-09-09 | 2023-08-08 | 东软熙康健康科技有限公司 | 肺主动脉血管图像提取方法、装置、存储介质及电子设备 |
CN112861961A (zh) * | 2021-02-03 | 2021-05-28 | 推想医疗科技股份有限公司 | 肺血管分类方法及装置、存储介质及电子设备 |
CN112861961B (zh) * | 2021-02-03 | 2021-11-12 | 推想医疗科技股份有限公司 | 肺血管分类方法及装置、存储介质及电子设备 |
CN113409328A (zh) * | 2021-06-02 | 2021-09-17 | 东北大学 | Ct图像的肺动静脉分割方法、装置、介质及设备 |
CN113409328B (zh) * | 2021-06-02 | 2024-01-02 | 东北大学 | Ct图像的肺动静脉分割方法、装置、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110738652B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738652A (zh) | 一种肺部动静脉分离方法及装置 | |
US10079071B1 (en) | Method and system for whole body bone removal and vascular visualization in medical image data | |
WO2021017297A1 (zh) | 基于人工智能的脊柱影像处理方法及相关设备 | |
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 | |
US10111713B2 (en) | Surgery assistance apparatus, surgery assistance method and non-transitory computer-readable recording medium having stored therein surgery assistance program | |
Bauer et al. | Segmentation of interwoven 3d tubular tree structures utilizing shape priors and graph cuts | |
Kuhnigk et al. | Lung lobe segmentation by anatomy-guided 3D watershed transform | |
Sluimer et al. | Toward automated segmentation of the pathological lung in CT | |
US8787642B2 (en) | Method, device and computer-readable recording medium containing program for extracting object region of interest | |
JP5279245B2 (ja) | クラスタ変更グラフ・カットを使用する検出の方法および装置 | |
US20120207366A1 (en) | Method and system for segmenting a liver object in an image | |
US8483462B2 (en) | Object centric data reformation with application to rib visualization | |
Wimmer et al. | A generic probabilistic active shape model for organ segmentation | |
CN105701799B (zh) | 从肺部掩膜影像中分割肺血管的方法和装置 | |
US7480401B2 (en) | Method for local surface smoothing with application to chest wall nodule segmentation in lung CT data | |
CA2986590A1 (en) | Surface modeling of a segmented echogenic structure for detection and measurement of anatomical anomalies | |
JP6415878B2 (ja) | 画像処理装置、画像処理方法及び医用画像診断装置 | |
Ali et al. | Automatic lung segmentation of volumetric low-dose CT scans using graph cuts | |
CN109961449B (zh) | 图像分割的方法与设备、三维图像的重建方法与系统 | |
KR20210020619A (ko) | 복부장기 자동분할을 이용한 복부장기 볼륨 변화 분석에 기반한 복부장기 상태 판단 방법 | |
Shadid et al. | Bone fragment segmentation from 3D CT imagery using the Probabilistic Watershed Transform | |
CN108292434A (zh) | 用于医学图像中的解剖学结构的分割的方法、装置和系统 | |
EP3150125B1 (en) | Image processing apparatus, method of controlling image processing apparatus, and storage medium | |
Huang et al. | Graph-cut-based segmentation of proximal femur from computed tomography images with shape prior | |
KR101274283B1 (ko) | 간 자동분할 방법 및 시스템 |
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 |