CN111080556B - 一种强化ct图像气管壁增强方法、系统、设备及介质 - Google Patents
一种强化ct图像气管壁增强方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN111080556B CN111080556B CN201911338617.3A CN201911338617A CN111080556B CN 111080556 B CN111080556 B CN 111080556B CN 201911338617 A CN201911338617 A CN 201911338617A CN 111080556 B CN111080556 B CN 111080556B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- pixel point
- region
- tracheal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000003014 reinforcing effect Effects 0.000 title abstract description 4
- 210000004072 lung Anatomy 0.000 claims abstract description 30
- 210000003123 bronchiole Anatomy 0.000 claims description 42
- 210000003437 trachea Anatomy 0.000 claims description 21
- 230000002708 enhancing effect Effects 0.000 claims description 16
- 210000000746 body region Anatomy 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000002685 pulmonary effect Effects 0.000 claims description 2
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 8
- 210000000621 bronchi Anatomy 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种强化CT图像气管壁增强方法、系统、设备及介质，包括：获取强化CT图像序列，对强化CT图像序列进行阈值化处理；对阈值化处理后的图像进行三维区域生长，获取肺部和气管掩膜；对肺部和气管掩膜进行闭运算；对闭运算得到的图像进行三维区域生长，分割出气管主体；对气管主体的每个像素点，计算其边界像素特征；基于边界像素特征判断强化CT图像序列中每一张图像的每一个像素点是否属于气管壁；对属于气管壁的像素点的像素值进行增强。
Description
技术领域
本公开涉及图像增强技术领域，特别是涉及一种强化CT图像气管壁增强方法、系统、设备及介质。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。
近年来，伴随着CT技术的发展，CT的数字医学成像技术也获得了飞速的发展。计算机辅助手术(Computer-Assisted Surgery,CAS)也称为图像导航技术(ImagingNavigator)，是计算机信息学、医学、机械学和图形图像学等多学科交叉的新型研究领域。目前成熟的手术导航系统均由国外机构研发，如Medtronic公司的StealthStation神经外科手术导航系统，BrainLab公司的3DVectorVision导航系统，Surgical NavigationTechnologies公司的LandMarx导航系统等。
在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：
在手术导航系统中，肺气管树的分割一直是难点之一。Irving等提出了3维灰度重建以提取不同方向的分支。灰度重建需要小时级别的处理时间，单尺度的结构元素也会遗漏大量细小分支。Aykac等提出了基于灰度重建的分割方法，采用一系列2维灰度形态学算子处理原图像，周围高灰度组织不断填充低灰度管腔，形成最终的重建图像与原图像做差，经阈值处理得到具有较高响应值的气管候选区域。Xu等引入血管信息提高了分割精度，基于规则的分割方法基于图像学或解剖学先验知识增强肺气管并引导分割流程。Sonka等首次根据气管和血管的并行度、与邻接结构的对比度设计了一系列气管隶属度规则分割肺气管。更常用的规则是根据管腔与管壁的对比度对气管进行增强滤波。Feuerstein等采用自适应卷积核生成高斯拉普拉斯算子增强气管壁。Hirano等提出了空腔增强滤波器，计算像素点在3维空间中与周围结构的对比度，利用血管并行度辅助分割。Lassen等计算2维空间中像素点与包围环的对比度以估计管腔被管壁包围的完整性，并利用多个截平面响应均值表达3维滤波效果，增强细小气管。另一种常见的规则是肺气管几何形状，Bauer等采用多尺度管状结构滤波获得暗结构作为气管候选区域，并提取其中心路径，按分支夹角、半径等先验知识连接气管分支。Pu等利用移动立方体算法建模肺组织，基于微分几何学计算模型表面片主曲率和方向，抑制非气管区域并消除部分容积效应影响，再采用多尺度阈值提取模型中的气管区域。
由于强化CT图像的细支气管壁成像往往存在模糊，导致上述方法在细支气管(四级及以上)的分割方面存在不足，进而造成后续步骤中的气管三维重建不完整，不能为手术导航提供充分的个体解剖依据。
发明内容
为了解决现有技术的不足，本公开提供了一种强化CT图像气管壁增强方法、系统、设备及介质；
第一方面，本公开提供了一种强化CT图像气管壁增强方法；
一种强化CT图像气管壁增强方法，包括：
获取强化CT图像序列，对强化CT图像序列进行阈值化处理；
对阈值化处理后的图像进行三维区域生长，获取肺部和气管掩膜；
对肺部和气管掩膜进行闭运算；对闭运算得到的图像进行三维区域生长，分割出气管主体区域；
对强化CT图像序列中的每一张图像均去除气管主体区域，得到细支气管图像序列；对细支气管图像序列中每一张图像的每个像素点，计算其边界像素特征；基于边界像素特征判断细支气管图像序列中每一张图像的每一个像素点是否属于气管壁；对属于气管壁的像素点的像素值进行增强；
将气管主体区域和增强后的细支气管图像进行整合，得到增强后的强化CT图像。
第二方面，本公开还提供了一种强化CT图像气管壁增强系统；
一种强化CT图像气管壁增强系统，包括：
阈值化处理模块，其被配置为：获取强化CT图像序列，对强化CT图像序列进行阈值化处理；
第一次三维区域生长模块，其被配置为：对阈值化处理后的图像进行三维区域生长，获取肺部和气管掩膜；
第二次三维区域生长模块，其被配置为：对肺部和气管掩膜进行闭运算；对闭运算得到的图像进行三维区域生长，分割出气管主体区域；
增强模块，其被配置为：对强化CT图像序列中的每一张图像均去除气管主体区域，得到细支气管图像序列；对细支气管图像序列中每一张图像的每个像素点，计算其边界像素特征；基于边界像素特征判断细支气管图像序列中每一张图像的每一个像素点是否属于气管壁；对属于气管壁的像素点的像素值进行增强；
整合模块，其被配置为：将气管主体区域和增强后的细支气管图像进行整合，得到增强后的强化CT图像。
第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。
第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。
与现有技术相比，本公开的有益效果是：
实现强化CT图像中的气管壁(含细支气管)增强，为细支气管的精确分割创造条件。其中第一次区域生长能够分割气管和左右主支气管，第二次区域生长能够分割二级、三级支气管，最后的气管壁增强有利于四级支气管的分割。
对强化CT图像序列中的每一张图像均去除气管主体区域，得到细支气管图像；本申请仅仅对细支气管图像进行增强，而不是对整个强化CT图像进行增强，可以提升图像处理的速度。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为第一个实施例的输入强化CT图像input；
图2为第一个实施例的对input进行阈值化的结果，即input_thres；
图3为第一个实施例的对input_thres进行区域生长的结果，即lung_mask；
图4为第一个实施例的对lung_mask进行闭运算的结果，即lung_mask_1；
图5为第一个实施例的气管主体部分的分割结果；
图6为第一个实施例的气管壁判决结果；
图7为第一个实施例的气管壁增强结果。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一，本实施例提供了一种强化CT图像气管壁增强方法；
一种强化CT图像气管壁增强方法，包括：
S1：获取强化CT图像序列，对强化CT图像序列进行阈值化处理；
S2：对阈值化处理后的图像进行三维区域生长，获取肺部和气管掩膜；
S3：对肺部和气管掩膜进行闭运算；对闭运算得到的图像进行三维区域生长，分割出气管主体区域；
S4：对强化CT图像序列中的每一张图像均去除气管主体区域，得到细支气管图像序列；对细支气管图像序列中每一张图像的每个像素点，计算其边界像素特征；
基于边界像素特征判断细支气管图像序列中每一张图像的每一个像素点是否属于气管壁；对属于气管壁的像素点的像素值进行增强；
S5：将气管主体区域和增强后的细支气管图像进行整合，得到增强后的强化CT图像。
进一步地，所述S1中，获取强化CT图像序列，对强化CT图像序列进行阈值化处理；具体步骤包括：
如果强化CT图像序列中的某一张图像的某个像素点的像素值大于等于第一设定阈值且小于等于第二设定阈值，则该像素点阈值化处理后的像素值为1，否则为0。
应理解的，所述S1中，获取强化CT图像序列，对强化CT图像序列进行阈值化处理；具体步骤包括：
读取一组强化CT图像序列，该图像序列为dicom图像格式，且扫描部位为胸部，如图1所示。令input表示输入的强化CT图像序列，input_thres表示阈值化后的强化CT图像序列。对input进行阈值化(结果如图2所示)，即
其中，input(i,j,k)表示输入强化CT图像序列的第k张图像在(i,j)处的像素值，input_thres(i,j,k)表示阈值化之后CT图像序列的第k张图像在(i,j)处的像素值，(i,j)表示二维坐标，k表示图像序号。
进一步地，所述S2中，对阈值化处理后的图像进行三维区域生长，获取肺部和气管掩膜；具体步骤包括：
对阈值化处理后的每一张图像，选择位于肺部的某个像素点为种子点，进行三维区域生长，获取肺部和气管掩膜。
应理解的，所述S2中，对阈值化处理后的图像进行三维区域生长，获取肺部和气管掩膜；具体步骤包括：
在input_thres中选择一张图像中的一个像素点，该像素点位于肺部，该像素点位置表示为(tx1,ty1)，且像素值为1。以该像素点为种子点进行三维区域生长，生长结果表示为lung_mask，结果如图3所示。
进一步地，所述S3中，对肺部和气管掩膜进行闭运算；具体步骤包括：
对由三维区域生长得到的肺部和气管掩膜图像中的像素值为1的像素点进行形态学闭运算。
进一步地，所述形态学闭运算，包括：形态学膨胀和形态学腐蚀。
应理解的，所述S3中，对肺部和气管掩膜进行闭运算；具体步骤包括：
对lung_mask中的每张图像中像素值为1的像素点进行形态学闭运算，即
其中，*表示形态学膨胀，
表示形态学腐蚀，lung_mask_1表示闭运算后的图像序列，structure表示形态学算子。本步骤运算结果如图4所示。
进一步地，所述S3中，对闭运算得到的图像进行三维区域生长，分割出气管主体区域；具体步骤包括：
对闭运算得到的图像，选择位于气管上的一个像素点，对所选择的位于气管上的像素点进行三维区域生长，当气管体积扩充系数大于设定的增长阈值时，则停止区域生长；否则，继续区域生长。
所述气管主体，是指从CT图像中的气管起始位置，至左右主支气管分叉的位置之间的气管。
应理解的，所述S3中，对闭运算得到的图像进行三维区域生长，分割出气管主体区域；具体步骤包括：
在lung_mask_1中选择一张图像中的一个像素点，该像素点位于气管的上端，该像素点位置表示为(tx2,ty2)，且像素值为1。以该像素点为种子点进行三维区域生长。令e表示气管体积扩充系数，Δvke表示区域生长第ke次迭代时已生长区域的体积，Δvke+1表示第ke+1次迭代时已生长区域的体积，ke表示此次三维区域生长当前迭代次数，令
验证e是否大于设定的增长阈值explosive_thres，如果e>explosive_thres，这表明此次区域生长正在发生泄漏，则停止生长，其中explosive_thres表示生长阈值。本实验中令explosive_thres＝5，芬博格结果如图5所示。
进一步地，所述S4中，对强化CT图像序列中的每一张图像均去除气管主体区域，是指：对强化CT图像序列中的每一张图像均删除气管主体区域像素点的像素值。
进一步地，所述S4中，对细支气管图像序列中每一张图像的每个像素点，计算其边界像素特征；其中，对细支气管图像序列中每一张图像的每个像素点A，设定长宽比例固定的矩形区域，像素点A在矩形区域的中心位置，在矩形区域内取经过像素点A的M个直线，M为正整数，M大于等于6；M个直线当中相邻直线之间的夹角为设定值，计算矩形区域中每根直线上的所有像素点的像素值的均值、最小值和中值；对每根直线上的所有像素点的像素值的均值、最小值和中值进行加权求和，加权求和结果作为当前像素点的一个边界像素特征，也就是像素点A有M个边界像素特征。
进一步地，所述S4中，对细支气管图像序列中每一张图像的每个像素点，计算其边界像素特征；具体步骤包括：
令(i,j,k)表示输入强化CT图像序列input的像素点坐标，其中i＝1,...,H，j＝1,...,W，k＝1,...,SliceNumber，H表示图像高，W表示图像宽，SliceNumber表示input包含的图像数量。
在input中的第k张细支气管图像中，选取以(i,j,k)为中心点的矩形区域，(i,j,k)为任意选取，该矩形区域用rect表示，矩形区域的宽和高分别用w和h表示。
令lα表示矩形区域rect中通过(i,j,k)的直线，其中α表示直线lα的序号，且α＝1,2,3,4,5,6，angleα表示直线lα与水平正方向的夹角且
计算直线lα上所有像素点的像素值，并求得这些像素值的均值、最小值和中值，其中均值用mean(lα)表示，最小值用min(lα)表示，中值用med(lα)表示。令
sα(i,j,k)＝a·mean(lα)+b·min(lα)+c·(med(lα)+min(lα)) (4)
其中，sα(i,j,k)表示(i,j,k)关于angleα的像素特征，a,b,c均表示参数。本实验中选取a＝0.45，b＝0.35，c＝0.2。
进一步地，所述S4中，基于边界像素特征判断细支气管图像序列中每一张图像的每一个像素点是否属于气管壁；具体步骤包括：
如果每一张图像的每一个像素点的像素值大于当前像素点对应的M个边界像素特征的像素值的总数等于第三设定阈值，则表示当前像素点为气管壁区域；
如果每一张图像的每一个像素点的像素值大于当前像素点对应的M个边界像素特征的像素值的总数小于等于第四设定阈值，则表示当前像素点为非气管壁区域；
否则，当前像素点为待定状态区域。
对于非气管壁区域，将细支气管图像序列中每一张图像与设定的边界检测模板进行卷积处理，对非气管壁区域中的气管壁缺口进行修复；得到修复好的气管壁区域；
对气管壁区域、待定状态区域和修复好的气管壁区域进行区域合并，进一步分析区域合并后的图像的当前像素点前一帧的判定结果、当前帧判定结果和后一帧的判定结果，如果区域合并后的图像的当前像素点的前一帧判定结果为气管壁区域、当前帧判定结果为待定状态区域且后一帧判定结果也为气管壁区域，则当前帧的最终判定结果为气管壁区域。
应理解的，所述S4中，基于边界像素特征判断强化CT图像序列中每一张图像的每一个像素点是否属于气管壁；具体步骤包括：
S401：判断input中每个像素点是否属于气管壁，input(i,j,k)表示输入强化CT图像序列的第k张图像在(i,j)处的像素值，令
其中，grade(i,j,k)表示(i,j,k)属于气管壁的属性，grade表示由grade(i,j,k)组成的图像序列，
表示满足input(i,j,k)>sα(i,j,k)的α的数量。若grade(i,j,k)＝2则(i,j,k)被判决为气管壁，grade(i,j,k)＝0则判决为非气管壁，grade(i,j,k)＝1则表示(i,j,k)归属未定，需要后续步骤进行判决；
S402：对grade进行优化
令maskm表示3×3矩阵，m＝1,...,12，其中
上述(6)-(17)式均表示为边界检测模板。
将grade中的每张图像分别与maskm，m＝1,...,12进行卷积，卷积结果用convm表示，convm在(i,j,k)的值用convm(i,j,k)表示。令
其中，grade* m(i,j,k)表示对gradem(i,j,k)进行优化的结果；
S403：对grade(i,j,k)是否属于气管壁进行判决：
对所有的坐标(i,j,k)，令
其中，decide(i,j,k)表示(i,j,k)关于气管壁的而判决结果，decide(i,j,k)＝2表示属于气管壁，否则(i,j,k)不属于气管壁。本步骤结果如图6所示；
进一步地，所述S4中，对属于气管壁的像素点的像素值进行增强；具体步骤包括：
令output表示气管壁增强后的强化CT图像序列，那么
其中，output(i,j,k)表示气管壁增强后的强化CT图像序列在像素点(i,j,k)处的像素值。output(i,j,k)即为本发明所获得的最终结果，如图7所示。
实施例二，本实施例还提供了一种强化CT图像气管壁增强系统；
一种强化CT图像气管壁增强系统，包括：
阈值化处理模块，其被配置为：获取强化CT图像序列，对强化CT图像序列进行阈值化处理；
第一次三维区域生长模块，其被配置为：对阈值化处理后的图像进行三维区域生长，获取肺部和气管掩膜；
第二次三维区域生长模块，其被配置为：对肺部和气管掩膜进行闭运算；对闭运算得到的图像进行三维区域生长，分割出气管主体区域；
增强模块，其被配置为：对强化CT图像序列中的每一张图像均去除气管主体区域，得到细支气管图像序列；对细支气管图像序列中每一张图像的每个像素点，计算其边界像素特征；基于边界像素特征判断细支气管图像序列中每一张图像的每一个像素点是否属于气管壁；对属于气管壁的像素点的像素值进行增强；
整合模块，其被配置为：将气管主体区域和增强后的细支气管图像进行整合，得到增强后的强化CT图像。
实施例三，本实施例还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一所述方法的步骤。
实施例四，本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述方法的步骤。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (9)
1.一种强化CT图像气管壁增强方法，其特征是，包括：
获取强化CT图像序列，对强化CT图像序列进行阈值化处理；
对阈值化处理后的图像进行三维区域生长，获取肺部和气管掩膜；
对肺部和气管掩膜进行闭运算；对闭运算得到的图像进行三维区域生长，分割出气管主体区域；
对强化CT图像序列中的每一张图像均去除气管主体区域，得到细支气管图像序列；对细支气管图像序列中每一张图像的每个像素点，计算其边界像素特征；
基于边界像素特征判断细支气管图像序列中每一张图像的每一个像素点是否属于气管壁；对属于气管壁的像素点的像素值进行增强；
将气管主体区域和增强后的细支气管图像进行整合，得到增强后的强化CT图像；
对细支气管图像序列中每一张图像的每个像素点，计算其边界像素特征；其中，对细支气管图像序列中每一张图像的每个像素点A，设定长宽比例固定的矩形区域，像素点A在矩形区域的中心位置，在矩形区域内取经过像素点A的M个直线，M为正整数，M大于等于6；M个直线当中相邻直线之间的夹角为设定值，计算矩形区域中每根直线上的所有像素点的像素值的均值、最小值和中值；对每根直线上的所有像素点的像素值的均值、最小值和中值进行加权求和，加权求和结果作为当前像素点的一个边界像素特征，也就是像素点A有M个边界像素特征；
所述对属于气管壁的像素点的像素值进行增强的具体步骤包括：
令output表示气管壁增强后的强化CT图像序列，那么
其中，output(i,j,k)表示气管壁增强后的强化CT图像序列在像素点(i,j,k)处的像素值；input(i,j,k)表示输入强化CT图像序列的第k张图像在(i,j)处的像素值；decide(i,j,k)表示(i,j,k)关于气管壁的判决结果。
2.如权利要求1所述的方法，其特征是，获取强化CT图像序列，对强化CT图像序列进行阈值化处理；具体步骤包括：
如果强化CT图像序列中的某一张图像的某个像素点的像素值大于等于第一设定阈值且小于等于第二设定阈值，则该像素点阈值化处理后的像素值为1，否则为0。
3.如权利要求1所述的方法，其特征是，对阈值化处理后的图像进行三维区域生长，获取肺部和气管掩膜；具体步骤包括：
对阈值化处理后的每一张图像，选择位于肺部的某个像素点为种子点，进行三维区域生长，获取肺部和气管掩膜。
4.如权利要求1所述的方法，其特征是，对肺部和气管掩膜进行闭运算；具体步骤包括：
对由三维区域生长得到的肺部和气管掩膜图像中的像素值为1的像素点进行形态学闭运算。
5.如权利要求1所述的方法，其特征是，对闭运算得到的图像进行三维区域生长，分割出气管主体区域；具体步骤包括：
对闭运算得到的图像，选择位于气管上的一个像素点，对所选择的位于气管上的像素点进行三维区域生长，当气管体积扩充系数大于设定的增长阈值时，则停止区域生长；否则，继续区域生长。
6.如权利要求1所述的方法，其特征是，基于边界像素特征判断细支气管图像序列中每一张图像的每一个像素点是否属于气管壁；具体步骤包括：
如果每一张图像的每一个像素点的像素值大于当前像素点对应的M个边界像素特征的像素值的总数等于第三设定阈值，则表示当前像素点为气管壁区域；
如果每一张图像的每一个像素点的像素值大于当前像素点对应的M个边界像素特征的像素值的总数小于等于第四设定阈值，则表示当前像素点为非气管壁区域；
否则，当前像素点为待定状态区域；
对于非气管壁区域，将细支气管图像序列中每一张图像与设定的边界检测模板进行卷积处理，对非气管壁区域中的气管壁缺口进行修复；得到修复好的气管壁区域；
对气管壁区域、待定状态区域和修复好的气管壁区域进行区域合并，进一步分析区域合并后的图像的当前像素点前一帧的判定结果、当前帧判定结果和后一帧的判定结果，如果区域合并后的图像的当前像素点的前一帧判定结果为气管壁区域、当前帧判定结果为待定状态区域且后一帧判定结果也为气管壁区域，则当前帧的最终判定结果为气管壁区域。
7.一种强化CT图像气管壁增强系统，其特征是，包括：
阈值化处理模块，其被配置为：获取强化CT图像序列，对强化CT图像序列进行阈值化处理；
第一次三维区域生长模块，其被配置为：对阈值化处理后的图像进行三维区域生长，获取肺部和气管掩膜；
第二次三维区域生长模块，其被配置为：对肺部和气管掩膜进行闭运算；对闭运算得到的图像进行三维区域生长，分割出气管主体区域；
增强模块，其被配置为：对强化CT图像序列中的每一张图像均去除气管主体区域，得到细支气管图像序列；对细支气管图像序列中每一张图像的每个像素点，计算其边界像素特征；基于边界像素特征判断细支气管图像序列中每一张图像的每一个像素点是否属于气管壁；对属于气管壁的像素点的像素值进行增强；
整合模块，其被配置为：将气管主体区域和增强后的细支气管图像进行整合，得到增强后的强化CT图像；
对细支气管图像序列中每一张图像的每个像素点，计算其边界像素特征；其中，对细支气管图像序列中每一张图像的每个像素点A，设定长宽比例固定的矩形区域，像素点A在矩形区域的中心位置，在矩形区域内取经过像素点A的M个直线，M为正整数，M大于等于6；M个直线当中相邻直线之间的夹角为设定值，计算矩形区域中每根直线上的所有像素点的像素值的均值、最小值和中值；对每根直线上的所有像素点的像素值的均值、最小值和中值进行加权求和，加权求和结果作为当前像素点的一个边界像素特征，也就是像素点A有M个边界像素特征；
所述对属于气管壁的像素点的像素值进行增强的具体步骤包括：
令output表示气管壁增强后的强化CT图像序列，那么
其中，output(i,j,k)表示气管壁增强后的强化CT图像序列在像素点(i,j,k)处的像素值；input(i,j,k)表示输入强化CT图像序列的第k张图像在(i,j)处的像素值；decide(i,j,k)表示(i,j,k)关于气管壁的判决结果。
8.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-6任一项所述方法的步骤。
9.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911338617.3A CN111080556B (zh) | 2019-12-23 | 2019-12-23 | 一种强化ct图像气管壁增强方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911338617.3A CN111080556B (zh) | 2019-12-23 | 2019-12-23 | 一种强化ct图像气管壁增强方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111080556A CN111080556A (zh) | 2020-04-28 |
| CN111080556B true CN111080556B (zh) | 2023-06-13 |
Family
ID=70316903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911338617.3A Active CN111080556B (zh) | 2019-12-23 | 2019-12-23 | 一种强化ct图像气管壁增强方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111080556B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112712540B (zh) * | 2021-01-13 | 2022-07-12 | 杭州象量医疗技术有限公司 | 一种基于ct影像的肺部支气管提取方法 |
| CN113222007B (zh) * | 2021-05-08 | 2022-02-22 | 推想医疗科技股份有限公司 | 支气管分级方法、模型训练方法、装置、设备及存储介质 |
| CN113628219B (zh) * | 2021-06-30 | 2023-11-03 | 上海市胸科医院 | 一种从胸部ct影像中自动提取支气管树的方法和系统以及计算机可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及系统 |
| CN108171703A (zh) * | 2018-01-18 | 2018-06-15 | 东北大学 | 一种从胸部ct图像中自动提取气管树的方法 |
| CN108492300A (zh) * | 2018-03-16 | 2018-09-04 | 上海理工大学 | 管状结构增强与能量函数结合的肺部血管树分割方法 |
| 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 |
-
2019
- 2019-12-23 CN CN201911338617.3A patent/CN111080556B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及系统 |
| CN108171703A (zh) * | 2018-01-18 | 2018-06-15 | 东北大学 | 一种从胸部ct图像中自动提取气管树的方法 |
| CN108492300A (zh) * | 2018-03-16 | 2018-09-04 | 上海理工大学 | 管状结构增强与能量函数结合的肺部血管树分割方法 |
| 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 (3)
| Title |
|---|
| Hui-Hong Duan et al.Two-Pass Region Growing Combined Morphology Algorithm for Segmenting Airway Tree From CT Chest Scans.《2016 UKACC 11th International Conference on Control》.2016,第1-6页. * |
| 何瑞华等.基于主动轮廓的三维气管树自动分割方法.《中国医学物理学杂志》.第第33卷卷(第第33卷期),第68-71页. * |
| 谷宇 ; 吕晓琪 ; 赵建峰 ; 杨立东 ; 喻大华 ; 赵瑛 ; 黄显武 ; 任国印 ; 郝小静 ; .基于三维区域增长和灰度积分投影法的肺实质分割.科学技术与工程.2016,(32),第93-100页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111080556A (zh) | 2020-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111080556B (zh) | 一种强化ct图像气管壁增强方法、系统、设备及介质 | |
| CN107563983B (zh) | 图像处理方法以及医学成像设备 | |
| CN109035255B (zh) | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 | |
| CN105574859B (zh) | 一种基于ct图像的肝脏肿瘤分割方法及装置 | |
| CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
| Schlathoelter et al. | Simultaneous segmentation and tree reconstruction of the airways for virtual bronchoscopy | |
| US11562491B2 (en) | Automatic pancreas CT segmentation method based on a saliency-aware densely connected dilated convolutional neural network | |
| CN104346799B (zh) | 一种ct图像中脊髓的提取方法 | |
| US20160125595A1 (en) | Method for segmentation of the head-neck arteries, brain and skull in medical images | |
| CN114419077B (zh) | 一种基于ct图像的肺支气管自动分割方法及系统 | |
| Barman et al. | MRI image segmentation using level set method and implement an medical diagnosis system | |
| Chen et al. | A lung dense deep convolution neural network for robust lung parenchyma segmentation | |
| US20100166275A1 (en) | Model-based method and system for image segmentation and modelling | |
| Manniesing et al. | Local speed functions in level set based vessel segmentation | |
| CN108765445B (zh) | 一种肺气管分割方法及装置 | |
| Rosell et al. | A three-stage method for the 3D reconstruction of the tracheobronchial tree from CT scans | |
| Ebrahimdoost et al. | Automatic segmentation of pulmonary artery (PA) in 3D pulmonary CTA images | |
| CN115631194B (zh) | 颅内动脉瘤识别检测的方法、装置、设备及介质 | |
| CN112712540A (zh) | 一种基于ct影像的肺部支气管提取方法 | |
| CN112381779A (zh) | 肺癌tnm分期获取方法、装置及显示方法 | |
| Huang et al. | Dual-term loss function for shape-aware medical image segmentation | |
| Shao et al. | A segmentation method of airway from chest ct image based on vgg-unet neural network | |
| Beasley | Semiautonomous medical image segmentation using seeded cellular automaton plus edge detector | |
| Tong et al. | Computer-aided lung nodule detection based on CT images | |
| Xi et al. | Learned local similarity prior embedding active contour model for choroidal neovascularization segmentation in optical coherence tomography 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |