CN111145226B - 基于ct影像的三维肺部特征提取方法 - Google Patents

基于ct影像的三维肺部特征提取方法 Download PDF

Info

Publication number
CN111145226B
CN111145226B CN201911193691.0A CN201911193691A CN111145226B CN 111145226 B CN111145226 B CN 111145226B CN 201911193691 A CN201911193691 A CN 201911193691A CN 111145226 B CN111145226 B CN 111145226B
Authority
CN
China
Prior art keywords
lung
image
points
bifurcation
point set
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
CN201911193691.0A
Other languages
English (en)
Other versions
CN111145226A (zh
Inventor
王旭
赵琦
周志勇
戴亚康
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201911193691.0A priority Critical patent/CN111145226B/zh
Publication of CN111145226A publication Critical patent/CN111145226A/zh
Application granted granted Critical
Publication of CN111145226B publication Critical patent/CN111145226B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开一种基于CT影像的三维肺部特征提取方法，包括：肺部CT影像进行肺部分割得到肺实质；对肺实质进行气管分割得到气管树；对气管树进行分叉点检测得到分叉特征点集；利用Canny边缘检测提取轮廓点并合并分叉特征点。本发明由呼吸作用而产生的运用更牢固地记录气管树分叉点和肺部轮廓点，为特征点集配准提供更好的数据。

Description

基于CT影像的三维肺部特征提取方法
技术领域
本发明属于医学图像处理技术，具体为一种基于CT影像的三维肺部特征提取方法。
背景技术
肺部组织运动是不均匀、复杂的，为了获得肺部组织及病灶运动轨迹，通过图像配准的方法，构建肺部三维运动模型。医学图像配准常用于计算机辅助诊断、运动校正、追踪病灶变化情况。对一个周期内多个时间上的肺部图像进行配准是术前路径规划、模拟手术和手术导航的必要步骤，能够精确确定肺部运动轨迹。
图像配准是医学图像领域的技术难点。图像配准分为基于特征的图像配准、基于灰度信息配准和混合配准。基于特征的配准方法使用图像中解剖结构或几何结构进行配准。基于特征的图像配准方法包括两个步骤、特征提取和特征匹配。图像的特征应该是具有显著特性点的结构，具有普遍性，使每幅图像都可以被提取特征，也相应具有区分性，能够更快更准确的完成配准。图像的特征大致分为、点特征、线特征和区域特征，其中基于特征点的配准方法具有计算效率高的特性，但特征点的选取和提取是个难题，配准结果直接受到特征点的影响。从解剖学角度看，肺内血管、支气管等脉管的位置是相对固定的，从几何角度看，肺部轮廓区域是十分显著的，可以解决特征点的选取问题。在特征点提取中存在提取量过少，提取特征不显著，提取解剖结构或几何结构不准确等问题，为基于特征点的图像配准增加负担。
发明内容
本发明的目的在于提出了一种基于CT影像的三维肺部特征提取方法。
实现本发明目的的技术方案为：一种基于CT影像的三维肺部特征提取方法，具体包括以下步骤：
步骤1、对肺部CT影像进行肺部分割得到肺实质；
步骤2、对肺实质进行气管分割得到气管树；
步骤3、对气管树进行分叉点检测得到分叉特征点集；
步骤4、利用Canny边缘检测提取轮廓点并合并分叉特征点。
优选地，对肺部CT影像进行肺部分割得到肺实质的具体步骤如下：
步骤101、对肺部CT影像进行二值化，得到二值化图像；
步骤102、将单张二值化图像的边界线灰度值为0的像素设置为100；从图像左上角、右下角像素点同时对整张图片像素点进行遍历，如果像素点A的四邻域存在灰度值为0的像素则将像素点A的灰度值设置为100；重新遍历新图像，将灰度值为100的像素点的灰度值设置为255；
步骤103、对新图像设置种子点，利用区域生长法提取左右肺掩膜；
步骤104、填充肺掩膜孔洞；
步骤105、使用肺掩膜从原始肺部CT图像中分割出肺实质。
优选地，对气管树进行分叉点检测得到分叉特征点集的具体步骤为：
遍历气管树图像中每个体素，以该体素为中心放置一个具有内半径rin和外半径rout的空心球；
将气管作为管状组件，计算空心球内部组件的数量，如果存在或三个以上的组件，则判断该体素为结点；
利用聚类法将所有结点分为不同的簇，将每个簇内距气管壁最大距离的结点作为分叉点，构成分叉点点集。
优选地，内半径rin和外半径rout分别具体为：
rin＝αdw
rout＝βdw
式中，dw为体素到气管壁的距离，α<β为定义的参数。
优选地，利用Canny边缘检测提取轮廓点的具体步骤为：
步骤401、通过Canny边缘检测法均匀取出轮廓面1/N的点生成肺表面点集；
步骤402、将肺表面点集和分叉点点集合并为特征点集。
本发明与现有技术相比，其显著优点为：本发明对肺部CT图像更稳健、牢固进行特征提取，为特征点集配准提供较好的数据，从而避免因数据问题导致特征点集配准效果差。
附图说明
图1为本发明的原理图。
图2为本发明的流程图。
图3为肺实质流程图。
图4为气管分割效果图。
图5为气管交叉点提取效果图。
下面结合附图对本发明的技术方案进行详细说明。
具体实施方式
如图1、2所示，一种基于CT影像的三维肺部特征提取方法，具体包括以下步骤：
步骤1、对肺部CT影像进行肺部分割得到肺实质；
步骤101、对肺部CT影像进行二值化，得到二值化图像，在某些实施例中，通过OTSU算法(大津阈值分割法)处理得到二值化图像；
步骤102、将单张二值化图像的边界线灰度值为0的像素设置为100；从图像左上角、右下角像素点同时对整张图片像素点进行遍历，如果像素点A的四邻域存在灰度值为0的像素则将像素点A的灰度值设置为100；重新遍历新图像，将灰度值为100的像素点的灰度值设置为255以完成背景填充；
步骤103、对新图像设置种子点，利用区域生长法提取左右肺掩膜；
步骤104、填充肺掩膜孔洞；
步骤105、使用肺掩膜从原始肺部CT图像中分割出肺实质。
步骤2、对肺实质进行气管分割得到气管树；在某些实施例中，利用Hessian矩阵的二阶导数通过Gaussian函数增强气管的灰度信息以增强肺实质中气管区域，进而通过贝叶斯分割算法提取肺实质中气管树。
步骤3、对气管树进行分叉点检测得到分叉特征点集，具体步骤为：
遍历气管树图像中每个体素，以该体素为中心放置一个具有内半径rin和外半径rout的空心球，而内半径rin和外半径rout取决于体素到气管壁的距离dw，rin＝αdw和rout＝βdw，其中α<β为定义的参数；其中α，β根据图像进行设定。
将气管作为管状组件，计算空心球内部组件的数量，如果存在或三个以上的组件，则判断该体素为结点；考虑图像的离散性，少量的体素通常会导致连接组件的数量不正确，在检测所有结点后，利用聚类法将所有结点分为不同的簇，将每个簇内距气管壁最大距离的结点为分叉点，构成分叉点点集。
步骤4、利用Canny边缘检测提取轮廓点，具体步骤为：
步骤401、通过Canny边缘检测法提取肺轮廓特征点；因轮廓面点数过多，均匀取出轮廓面1/50的点生成肺表面点集；
步骤402、将肺表面点集和分叉点点集合并为特征点集。
本发明可以由呼吸作用而产生的运用更牢固地记录气管树分叉点和肺部轮廓点，为特征点集配准提供更好的数据。
实施例
对肺部CT影像进行肺实质分割，如图3所示，具体步骤为：
步骤101、对肺部CT影像进行二值化，得到二值化图像，在某些实施例中，通过OTSU算法(大津阈值分割法)处理得到二值化图像；
步骤102、将单张二值化图像的边界线灰度值为0的像素设置为100；从图像左上角、右下角像素点同时对整张图片像素点进行遍历，如果像素点A的四邻域存在灰度值为0的像素则将像素点A的灰度值设置为100；重新遍历新图像，将灰度值为100的像素点的灰度值设置为255以完成背景填充；
步骤103、对新图像设置种子点，利用区域生长法提取左右肺掩膜；
步骤104、填充肺掩膜孔洞；
步骤105、使用肺掩膜从原始肺部CT图像中分割出肺实质。
步骤2、对肺实质进行气管分割得到气管树；如图4所示，利用Hessian矩阵的二阶导数通过Gaussian函数增强气管的灰度信息以增强肺实质中气管区域，进而通过贝叶斯分割算法提取肺实质中气管树。
步骤3、对气管树进行分叉点检测得到分叉特征点集，如图5所示，具体步骤为：
遍历气管树图像中每个体素，以该体素为中心放置一个具有内半径rin和外半径rout的空心球，而内半径rin和外半径rout取决于体素到气管壁的距离dw，rin＝αdw和rout＝βdw，其中α<β为定义的参数；其中α，β根据图像进行设定。
将气管作为管状组件，计算空心球内部组件的数量，如果存在或三个以上的组件，则判断该体素为结点；考虑图像的离散性，少量的体素通常会导致连接组件的数量不正确，在检测所有结点后，利用聚类法将所有结点分为不同的簇，将每个簇内距气管壁最大距离的结点为分叉点，构成分叉点点集。
步骤4、利用Canny边缘检测提取轮廓点，具体步骤为：
步骤401、通过Canny边缘检测法提取肺轮廓特征点；因轮廓面点数过多，均匀取出轮廓面1/50的点生成肺表面点集；
步骤402、将肺表面点集和分叉点点集合并为特征点集。

Claims (3)

1.一种基于CT影像的三维肺部特征提取方法，其特征在于，具体包括以下步骤：
步骤1、对肺部CT影像进行肺部分割得到肺实质；
步骤2、对肺实质进行气管分割得到气管树；
步骤3、对气管树进行分叉点检测得到分叉特征点集，具体步骤为：
遍历气管树图像中每个体素，以该体素为中心放置一个具有内半径rin和外半径rout的空心球，内半径rin和外半径rout分别具体为：
rin＝αdw
rout＝βdw
式中，dw为体素到气管壁的距离，α<β为定义的参数；
将气管作为管状组件，计算空心球内部组件的数量，如果存在或三个以上的组件，则判断该体素为结点；
利用聚类法将所有结点分为不同的簇，将每个簇内距气管壁最大距离的结点作为分叉点，构成分叉点点集；
步骤4、利用Canny边缘检测提取轮廓点并合并分叉特征点。
2.根据权利要求1所述的基于CT影像的三维肺部特征提取方法，其特征在于，对肺部CT影像进行肺部分割得到肺实质的具体步骤如下：
步骤101、对肺部CT影像进行二值化，得到二值化图像；
步骤102、将单张二值化图像的边界线灰度值为0的像素设置为100；从图像左上角、右下角像素点同时对整张图片像素点进行遍历，如果像素点A的四邻域存在灰度值为0的像素则将像素点A的灰度值设置为100；重新遍历新图像，将灰度值为100的像素点的灰度值设置为255；
步骤103、对新图像设置种子点，利用区域生长法提取左右肺掩膜；
步骤104、填充肺掩膜孔洞；
步骤105、使用肺掩膜从原始肺部CT图像中分割出肺实质。
3.根据权利要求1所述的基于CT影像的三维肺部特征提取方法，其特征在于，利用Canny边缘检测提取轮廓点的具体步骤为：
步骤401、通过Canny边缘检测法均匀取出轮廓面1/N的点生成肺表面点集；
步骤402、将肺表面点集和分叉点点集合并为特征点集。
CN201911193691.0A 2019-11-28 2019-11-28 基于ct影像的三维肺部特征提取方法 Active CN111145226B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911193691.0A CN111145226B (zh) 2019-11-28 2019-11-28 基于ct影像的三维肺部特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911193691.0A CN111145226B (zh) 2019-11-28 2019-11-28 基于ct影像的三维肺部特征提取方法

Publications (2)

Publication Number Publication Date
CN111145226A CN111145226A (zh) 2020-05-12
CN111145226B true CN111145226B (zh) 2022-08-12

Family

ID=70517383

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911193691.0A Active CN111145226B (zh) 2019-11-28 2019-11-28 基于ct影像的三维肺部特征提取方法

Country Status (1)

Country Link
CN (1) CN111145226B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111724364B (zh) * 2020-06-12 2023-04-14 深圳技术大学 基于肺叶及气管树的方法及装置、电子设备和存储介质
CN113538481B (zh) * 2021-06-18 2023-06-23 深圳技术大学 肺轮廓特征点的确定方法及装置、电子设备和存储介质
CN113344897B (zh) * 2021-06-24 2022-01-11 推想医疗科技股份有限公司 肺部图像的管径测量方法及装置、图像处理方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003070102A2 (en) * 2002-02-15 2003-08-28 The Regents Of The University Of Michigan Lung nodule detection and classification
CN109146854B (zh) * 2018-08-01 2021-10-01 东北大学 一种肺结节与肺部血管伴生关系的分析方法

Also Published As

Publication number Publication date
CN111145226A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
Aykac et al. Segmentation and analysis of the human airway tree from three-dimensional X-ray CT images
CN106108925B (zh) 用于医学图像中全身骨移除和血管可视化的方法和系统
CN111145226B (zh) 基于ct影像的三维肺部特征提取方法
Wei et al. A fully automatic method for lung parenchyma segmentation and repairing
Palágyi et al. Quantitative analysis of pulmonary airway tree structures
Van Rikxoort et al. Automatic lung segmentation from thoracic computed tomography scans using a hybrid approach with error detection
US20100322496A1 (en) Method and system for anatomy structure segmentation and modeling in an image
US9659374B2 (en) Feature-based registration method
Pu et al. A computational geometry approach to automated pulmonary fissure segmentation in CT examinations
CN103824295A (zh) 一种肺部ct图像中粘连血管型肺结节的分割方法
Carvalho et al. 3D segmentation algorithms for computerized tomographic imaging: a systematic literature review
JP5072449B2 (ja) 医用画像処理装置及び医用画像処理方法
CN104504737B (zh) 一种从肺部ct图像获得三维气管树的方法
WO2009103046A2 (en) Medical image reporting system and method
WO2013091186A1 (zh) 多参数三维磁共振图像脑肿瘤分割方法
JP2002503861A (ja) 胸部ｘ線写真における肺領域と肋骨横隔膜角の自動描画方法とシステム
JP2007061607A (ja) 第１のオブジェクト及び１つ以上の他のオブジェクトを含む画像を処理するための方法及び画像データからの画像を処理するためのシステム
CN104899851A (zh) 一种分割肺结节图像的方法
Wang et al. Automatic approach for lung segmentation with juxta-pleural nodules from thoracic CT based on contour tracing and correction
CN107680110B (zh) 基于统计形状模型的内耳三维水平集分割方法
CN109410166A (zh) 用于肺实质ct图像的全自动分割方法
Hong et al. Automatic lung nodule matching on sequential CT images
US20070127800A1 (en) Branch Extension Method For Airway Segmentation
Gao et al. Accurate lung segmentation for X-ray CT images
CN114419077A (zh) 一种基于ct图像的肺支气管自动分割方法及系统

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