CN111179298A - 基于ct图像的三维肺自动分割与左右肺分离方法及其系统 - Google Patents

基于ct图像的三维肺自动分割与左右肺分离方法及其系统 Download PDF

Info

Publication number
CN111179298A
CN111179298A CN201911280924.0A CN201911280924A CN111179298A CN 111179298 A CN111179298 A CN 111179298A CN 201911280924 A CN201911280924 A CN 201911280924A CN 111179298 A CN111179298 A CN 111179298A
Authority
CN
China
Prior art keywords
lung
layer
point
bronchus
segmentation data
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
Application number
CN201911280924.0A
Other languages
English (en)
Other versions
CN111179298B (zh
Inventor
黄言松
伍亚军
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.)
Shenzhen Yorktal Dmit Co ltd
Original Assignee
Shenzhen Yorktal Dmit 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 Shenzhen Yorktal Dmit Co ltd filed Critical Shenzhen Yorktal Dmit Co ltd
Priority to CN201911280924.0A priority Critical patent/CN111179298B/zh
Publication of CN111179298A publication Critical patent/CN111179298A/zh
Application granted granted Critical
Publication of CN111179298B publication Critical patent/CN111179298B/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
    • G06T7/10—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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • 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
    • G06T2207/30—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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Software Systems (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

本发明适用于计算机医学图像处理技术领域，提供了一种基于CT图像的三维肺自动分割与左右肺分离方法，包括步骤：由上往下逐层提取所述CT图像预定CT值以内的区域，依次对每一层所述区域的内外进行分割以获得第一分割数据；依序对所述第一分割数据进行边界填充和特征检测，以获得所述CT图像对应在支气管主干上的一个种子点；将所述种子点根据预定的一初始高阈值进行自适应阈值区域生长以获得第二分割数据；将所述第二分割数据根据支气管的位置特征检测以去除所述支气管，并根据左右肺连通性和形态特征以分离出左右肺。还提出了一种基于CT图像的三维肺自动分割与左右肺分离系统。借此，本发明能够对CT图像的左右肺进行自动分割和分离，其精度高且准确性强。

Description

基于CT图像的三维肺自动分割与左右肺分离方法及其系统
技术领域
本发明涉及计算机医学图像处理技术领域，尤其涉及一种基于CT图像的三维肺自动分割与左右肺分离方法及其系统。
背景技术
肺癌已经成为了全球范围内癌症死亡的首要因素。外科切除患癌肺叶是治疗肺癌的首选方法。相对于医生直接判读二维CT(Computed Tomography，计算机体层摄影)图像来制定肺癌手术计划，用计算机来解析肺部CT图像并提供肺腔的三维可视化在外科手术规划中具有绝对优势，在基础研究和临床应用等方面发挥极其重要的作用。而准确地分割出左右肺则是首要的步骤。
主流的方法通常采用基于灰度信息的区域生长算法，该方法需要用户提供一个或若干种子点，设定一个灰度阈值，通常该方法不可以避免的会带出支气管，且左右肺会连在一起，难以分离，手工分离的时间成本高，入肺的血管不好处理。所以通常难以得到较好的左右肺分离的三维模型。
综上可知，现有的方法在实际使用上，存在着较多的问题，所以有必要加以改进。
发明内容
针对上述的缺陷，本发明的目的在于提供一种基于CT图像的三维肺自动分割与左右肺分离方法，能够对CT图像的左右肺进行自动分割和分离，其精度高且准确性强。
为了实现上述目的，本发明提供一种基于CT图像的三维肺自动分割与左右肺分离方法，包括步骤：
由上往下依次逐层提取所述CT图像预定CT值以内的区域并分割获得第一分割数据，对所述第一分割数据进行边界填充和特征检测以获得所述CT图像对应在支气管主干上的一个种子点；
将所述种子点根据预定的一初始高阈值进行自适应阈值区域生长以获得第二分割数据；
将所述第二分割数据根据支气管的位置特征检测以去除所述支气管，并根据左右肺连通性和形态特征以分离出左右肺。
根据所述的基于CT图像的三维肺自动分割与左右肺分离方法，所述依序对所述第一分割数据进行边界填充和特征检测，以获得所述CT图像对应在支气管主干上的一个种子点的步骤进一步包括：
逐层依序对所述第一分割数据的二值图像边界进行填充，提取填充后的最大连通区域；
判断所述最大连通区域是否符合所述特征检测，若符合，则获取所述最大连通区域的所述种子点，否则依次提取下一层的所述最大连通区域并进行所述特征检测。
根据所述的基于CT图像的三维肺自动分割与左右肺分离方法，所述将所述种子点根据预定的一初始高阈值进行自适应阈值区域生长以获得第二分割数据的步骤进一步包括：
A1、检测所述种子点的邻域的第一像素点，并判断所述第一像素点是否小于或等于所述初始高阈值，若是则将所述第一像素点标记为目标点，否则标记为非目标点；
A2、检测所述目标点的邻域的第二像素点，并判断所述第二像素点是否小于或等于所述初始高阈值，若是则将所述第二像素点标记为新的目标点，否则标记为非目标点；
A3、循环检测并判断所述目标点的邻域是否有新的目标点生成，若否则区域生长终止，并根据所述区域生长获得所述第二分割数据。
根据所述的基于CT图像的三维肺自动分割与左右肺分离方法，所述将所述第二分割数据根据支气管的位置特征检测以去除所述支气管，并根据左右肺连通性和形态特征以分离出左右肺的步骤进一步包括：
B1、逐层统计所述第二分割数据的连通区域，并计算每一区域的像素点数；
B2、逐次判断每一层的所述像素点数是否大于一层半肺所允许的最大点数，若是则将所述初始高阈值递减50并回到步骤A1重新执行，否则进入步骤B3；
B3、逐次判断每一层的所述像素点数是否大于支气管截面所允许的最大点数，若是则将所述连通区域标记为肺；否则进入步骤B4；
B4、计算所述连通区域的中心点并判断所述中心点是否在支气管所允许的位置范围内，若是则去除所述连通区域，否则进入步骤B5；
B5、提取所述第二分割数据中面积前二的两个连通区域，并根据中心点的位置差异以将所述两个连通区域区分为左右肺。
根据所述的基于CT图像的三维肺自动分割与左右肺分离方法，所述将所述第二分割数据根据支气管的位置特征检测以去除所述支气管，并根据左右肺连通性和形态特征以分离出左右肺的步骤之后包括：
对所述左右肺分别进行闭操作和逐层填洞，以填充入肺的血管区域；
对所述左右肺的所述第二分割数据进行三维重建以获得所述左右肺的三维面模型。
根据所述的基于CT图像的三维肺自动分割与左右肺分离方法，所述预定CT值为-400；和/或
所述初始高阈值为-500。
还提出了一种基于CT图像的三维肺自动分割与左右肺分离系统，包括有：
种子点获取模块，用于由上往下依次逐层提取所述CT图像预定CT值以内的区域并分割获得第一分割数据，对所述第一分割数据进行边界填充和特征检测以获得所述CT图像对应在支气管主干上的一个种子点；
区域生长模块，用于将所述种子点根据预定的一初始高阈值进行自适应阈值区域生长以获得第二分割数据；
分割与分离模块，用于将所述第二分割数据根据支气管的位置特征检测以去除所述支气管，并根据左右肺连通性和形态特征以分离出左右肺。
根据所述的基于CT图像的三维肺自动分割与左右肺分离系统，所述种子点获取模块进一步包括有：
填充提取子模块，用于逐层依序对所述第一分割数据的二值图像边界进行填充，提取填充后的最大连通区域；
判断获取种子点子模块，用于判断所述最大连通区域是否符合所述特征检测，若符合，则获取所述最大连通区域的所述种子点，否则依次提取下一层的所述最大连通区域并进行所述特征检测。
根据所述的基于CT图像的三维肺自动分割与左右肺分离系统，所述区域生长模块进一步包括有：
第一检测标记模块，用于检测所述种子点的邻域的第一像素点，并判断所述第一像素点是否小于或等于所述初始高阈值，若是则将所述第一像素点标记为目标点，否则标记为非目标点；
第二检测标记模块，用于检测所述目标点的邻域的第二像素点，并判断所述第二像素点是否小于或等于所述初始高阈值，若是则将所述第二像素点标记为新的目标点，否则标记为非目标点；
数据生成子模块，用于循环检测并判断所述目标点的邻域是否有新的目标点生成，若否则区域生长终止，并根据所述区域生长获得所述第二分割数据。
根据所述的基于CT图像的三维肺自动分割与左右肺分离系统，所述分割与分离模块进一步包括有：
计算子模块，用于逐层统计所述第二分割数据的连通区域，并计算每一区域的像素点数；
第一判断子模块、用于逐次判断每一层的所述像素点数是否大于一层半肺所允许的最大点数，若是则将所述初始高阈值递减50并发送至所述第一检测标记模块重新执行，否则启动所述第二判断子模块；
第二判断子模块、用于逐次判断每一层的所述像素点数是否大于支气管截面所允许的最大点数，若是则将所述连通区域标记为肺；否则启动所述分割子模块；
分割子模块、用于计算所述连通区域的中心点并判断所述中心点是否在支气管所允许的位置范围内，若是则去除所述连通区域，否则启动所述分离子模块；
分离子模块、用于提取所述第二分割数据中面积前二的两个连通区域，并根据中心点的位置差异以将所述两个连通区域区分为左右肺。
根据所述的基于CT图像的三维肺自动分割与左右肺分离系统，还包括有：
血管填充模块，用于对所述左右肺分别进行闭操作和逐层填洞，以填充入肺的血管区域；
三维重建模块，用于对所述左右肺的所述第二分割数据进行三维重建以获得所述左右肺的三维面模型。
根据所述的基于CT图像的三维肺自动分割与左右肺分离系统，所述预定CT值为-400；和/或
所述初始高阈值为-500。
本发明所述基于CT图像的三维肺自动分割与左右肺分离方法包括步骤：由上往下依次逐层提取所述CT图像预定CT值以内的区域并分割获得第一分割数据，对所述第一分割数据进行边界填充和特征检测以获得所述CT图像对应在支气管主干上的一个种子点；将所述种子点根据预定的一初始高阈值进行自适应阈值区域生长以获得第二分割数据；将所述第二分割数据根据支气管的位置特征检测以去除所述支气管，并根据左右肺连通性和形态特征以分离出左右肺。还提出了一种基于CT图像的三维肺自动分割与左右肺分离系统。借此，本发明能够对CT图像的左右肺进行自动分割和分离，其精度高且准确性强。
附图说明
图1为本发明优选实施例采用的所述基于CT图像的三维肺自动分割与左右肺分离方法的步骤流程图；
图2为本发明优选实施例采用的所述基于CT图像的三维肺自动分割与左右肺分离方法进行自适应阈值区域生长以及分割和分离的具体步骤流程图；
图3为本发明优选实施例所述基于CT图像的三维肺自动分割与左右肺分离系统的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1示出本发明实施例所述的基于CT图像的三维肺自动分割与左右肺分离方法，包括步骤有：
S101：由上往下依次逐层提取所述CT图像预定CT值以内的区域并分割获得第一分割数据，对所述第一分割数据进行边界填充和特征检测以获得所述CT图像对应在支气管主干上的一个种子点；
S102：将所述种子点根据预定的一初始高阈值进行自适应阈值区域生长以获得第二分割数据；
S103：将所述第二分割数据根据支气管的位置特征检测以去除所述支气管，并根据左右肺连通性和形态特征以分离出左右肺。
所述CT图像具体包括有肺部以及支气管在内，由于支气管从喉部就开始了，位置高于肺，所以首先从上往下逐层寻找支气管主干，在支气管主干上选一点作为种子点。优选的是，所述预定CT值为-400；具体做法是，由上往下逐层提取每层的图像后，对该层图像，提取CT值小于-400的区域，将该区域的内外的分割数据值分为1和0的所述第一分割数据，即0/1二值图像；进一步对该二值图像进行边界填充和特征检测，从而获得支气管主干上的一个种子点，当上层的图像进行边界填充和特征检测未找到种子点时，逐下一层的图像进行边界填充和特征检测以找到符合要求的种子点。通过自适应阈值区域生长获得的左右肺的第二分割数据，由于得到第二分割数据是包含支气管的，需要做去除支气管处理。由于通常肺分割中，入肺的支气管是要填充的，所以只需去除肺外的较粗的支气管。该部分支气管位于两肺之间，所以可以充分利用位置关系来检测并去除该部分支气管，进而分割出左右肺；最终根据左右肺连通性和形态特征分离出左右肺；该方法步骤具体可在包括计算机在内的智能终端设备内自运算实现。
所述步骤S101进一步包括：
逐层依序对所述第一分割数据的二值图像边界进行填充，提取填充后的最大连通区域；具体是对二值图像从边界上为1的点开始，进行填充，填充为0，则剩下为1的点主要就是位置偏中间位置处的支气管主干了，也可能还有小的杂质点；最后对填充后的提取最大连通区域。
判断所述最大连通区域是否符合所述特征检测，若符合，则获取所述最大连通区域的所述种子点，否则依次提取下一层的所述最大连通区域并进行所述特征检测；具体是对其最大连通区域做面积检测(面积在正常支气管主干大小允许的范围内)以及圆形检测(支气管主干应呈现一定程度的圆形特点)，若符合支气管特点，则该最大连通区域即为支气管主干，那么以其中心点为所要寻找的种子点即可；若不符合，则往下一层，继续按上述方法进行寻找，通常第一层就能保证找到正确的种子点。
设所述二值图像为M，CT值为I，则
Figure BDA0002315460740000061
即预定CT值以内的区域为1，区域外为0；逐层依次从对边界为1的值填充为0后，提取最大连通区域，判断该最大连通区域符合支气管的特征检测，即可取该最大连通区域的中心点作为种子点。
参见图2，所述步骤S102进一步包括：
S201、检测所述种子点的邻域的第一像素点，并判断所述第一像素点是否小于或等于所述初始高阈值，若是则将所述第一像素点标记为目标点，否则标记为非目标点；
S202、检测所述目标点的邻域的第二像素点，并判断所述第二像素点是否小于或等于所述初始高阈值，若是则将所述第二像素点标记为新的目标点，否则标记为非目标点；
S203、循环检测并判断所述目标点的邻域是否有新的目标点生成，若否则区域生长终止，并根据所述区域生长获得所述第二分割数据。
本实施例优选的是所述初始高阈值为-500(当然还可以是其他数值)，所述初始高阈值对应为图像的CT值，从种子点开始，对其邻域(上下左右前后)的像素点进行检测，若小于等于阈值-500，则分割数据值设为1(即目标点)，反之则设为0(非目标点)。以每个检测出的目标点作为新的“种子点”进行邻域检测，获得新的目标点；依次递推，以新加进来的所有目标点为种子点，再对其各自的6邻域的像素点做同样的检测，依次循环下去，直至没有新的目标点添加进来，至此区域生长结束。没有新的目标点生成，即所有目标点的邻域的像素点的CT值都大于-500时，区域生长停止；根据该区域生长获得了第二分割数据，即获得了新的二值图像，新的二值图像是在以种子点为基础上进行区域生长获得，即由种子点沿着6个方向的邻域不断延伸获得。设该新生成的二值图像为N，CT值为I，则
Figure BDA0002315460740000071
所述步骤S103进一步包括：
S204、逐层统计所述第二分割数据的连通区域，并计算每一区域的像素点数；
S205、逐次判断每一层的所述像素点数是否大于一层半肺所允许的最大点数，若是则将所述初始高阈值递减50并回到步骤A1重新执行，否则进入步骤B3；
S206、逐次判断每一层的所述像素点数是否大于支气管截面所允许的最大点数，若是则将所述连通区域标记为肺；否则进入步骤B4；
S207、计算所述连通区域的中心点并判断所述中心点是否在支气管所允许的位置范围内，若是则去除所述连通区域，否则进入步骤B5；
S208、提取所述第二分割数据中面积前二的两个连通区域，并根据中心点的位置差异以将所述两个连通区域区分为左右肺。
其中，所述一层半肺所允许的最大点数由半肺所允许的最大面积根据图像的像素间距计算而来，该面积设为20000mm2；所述支气管截面所允许的最大点数由气管截面所允许的最大面积根据图像的像素间距计算而来，该面积设为700mm2。具体流程为：从上往下，逐层处理；对第二分割数据的一层二维分割数据，统计其连通区域，并计算每个连通区域的点数。对每个连通区域进行检测，若其点数大于一层半肺所允许的最大点数，则说明该层左右肺连在一起了，则终止该步骤，将所述初始高阈值调低50，回到步骤S201继续执行；若其点数小于或等于一层半肺所允许的最大点数，同时大于支气管截面所允许的最大点数，则该连通区域必定属于肺，对其进行标记；只有其点数小于或等于支气管截面所允许的最大点数，才可能是支气管，需进一步对其位置进行检测；通过计算该连通区域的中心点，判断中心点的位置是否在支气管所允许的位置范围内(中心左右各1/4宽度内)，若在则为支气管，需去除，若不在，则不需去除。经上述步骤成功处理后，则由此得到主要即为肺了，且左右肺是不相连的。对其提取前2个最大的连通区域，并根据其中心点的位置差异，即可区别左与右。
具体的，所述步骤S104之后包括：
对所述左右肺分别进行闭操作和逐层填洞，以填充入肺的血管区域；
对所述左右肺的所述第二分割数据进行三维重建以获得所述左右肺的三维面模型。即最后分别对左右肺进行闭操作、逐层填洞，以填充入肺的血管区域，即可得到最终的左右肺分离的结果。再对分割数据进行三维重建得到左右肺的三维面模型。
图3为本发明优选实施例所述基于CT图像的三维肺自动分割与左右肺分离系统，包括有种子点获取模块10、区域生长模块20以及分割与分离模块30，其中：
种子点获取模块10用于由上往下依次逐层提取所述CT图像预定CT值以内的区域并分割获得第一分割数据，对所述第一分割数据进行边界填充和特征检测以获得所述CT图像对应在支气管主干上的一个种子点；区域生长模块20用于将所述种子点根据预定的一初始高阈值进行自适应阈值区域生长以获得第二分割数据；分割与分离模块30用于将所述第二分割数据根据支气管的位置特征检测以去除所述支气管，并根据左右肺连通性和形态特征以分离出左右肺。
具体的，所述种子点获取模块10进一步包括有填充提取子模块和判断获取种子点子模块，其中：
填充提取子模块用于逐层依序对所述第一分割数据的二值图像边界进行填充，提取填充后的最大连通区域；判断获取种子点子模块用于判断所述最大连通区域是否符合所述特征检测，若符合，则获取所述最大连通区域的所述种子点，否则依次提取下一层的所述最大连通区域并进行所述特征检测。
区域生长模块20进一步包括有第一检测标记模块、第二检测标记模块以及数据生成子模块；其中：
第一检测标记模块用于检测所述种子点的邻域的第一像素点，并判断所述第一像素点是否小于或等于所述初始高阈值，若是则将所述第一像素点标记为目标点，否则标记为非目标点；所述第二检测标记模块用于检测所述目标点的邻域的第二像素点，并判断所述第二像素点是否小于或等于所述初始高阈值，若是则将所述第二像素点标记为新的目标点，否则标记为非目标点；所述数据生成子模块用于循环检测并判断所述目标点的邻域是否有新的目标点生成，若否则区域生长终止，并根据所述区域生长获得所述第二分割数据。
所述分割与分离模块30进一步包括有计算子模块、第一判断子模块、第二判断子模块、分割子模块以及分离子模块；其中：
计算子模块用于逐层统计所述第二分割数据的连通区域，并计算每一区域的像素点数；第一判断子模块用于逐次判断每一层的所述像素点数是否大于一层半肺所允许的最大点数，若是则将所述初始高阈值递减50并发送至所述第一检测标记模块重新执行，否则启动所述第二判断子模块；第二判断子模块用于逐次判断每一层的所述像素点数是否大于支气管截面所允许的最大点数，若是则将所述连通区域标记为肺；否则启动所述分割子模块；分割子模块用于计算所述连通区域的中心点并判断所述中心点是否在支气管所允许的位置范围内，若是则去除所述连通区域，否则启动所述分离子模块；分离子模块用于提取所述第二分割数据中面积前二的两个连通区域，并根据中心点的位置差异以将所述两个连通区域区分为左右肺。
优选的是，还包括有血管填充模块和三维重建模块，其中：
血管填充模块用于对所述左右肺分别进行闭操作和逐层填洞，以填充入肺的血管区域；所述三维重建模块用于对所述左右肺的所述第二分割数据进行三维重建以获得所述左右肺的三维面模型。
更好的是，所述预定CT值为-400，所述初始高阈值为-500。
综上所述，本发明所述基于CT图像的三维肺自动分割与左右肺分离方法包括步骤：由上往下依次逐层提取所述CT图像预定CT值以内的区域并分割获得第一分割数据，对所述第一分割数据进行边界填充和特征检测以获得所述CT图像对应在支气管主干上的一个种子点；将所述种子点根据预定的一初始高阈值进行自适应阈值区域生长以获得第二分割数据；将所述第二分割数据根据支气管的位置特征检测以去除所述支气管，并根据左右肺连通性和形态特征以分离出左右肺。还提出了一种基于CT图像的三维肺自动分割与左右肺分离系统。借此，本发明能够对CT图像的左右肺进行自动分割和分离，其精度高且准确性强。
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (12)

1.一种基于CT图像的三维肺自动分割与左右肺分离方法，其特征在于，包括步骤：
由上往下依次逐层提取所述CT图像预定CT值以内的区域并分割获得第一分割数据，对所述第一分割数据进行边界填充和特征检测以获得所述CT图像对应在支气管主干上的一个种子点；
将所述种子点根据预定的一初始高阈值进行自适应阈值区域生长以获得第二分割数据；
将所述第二分割数据根据支气管的位置特征检测以去除所述支气管，并根据左右肺连通性和形态特征以分离出左右肺。
2.根据权利要求1所述的基于CT图像的三维肺自动分割与左右肺分离方法，其特征在于，所述由上往下依次逐层提取所述CT图像预定CT值以内的区域并分割获得第一分割数据，对所述第一分割数据进行边界填充和特征检测，以获得所述CT图像对应在支气管主干上的一个种子点的步骤进一步包括：
依序逐层对所述第一分割数据的二值图像边界进行填充，提取对应层填充后的最大连通区域；
判断所述最大连通区域是否符合所述特征检测，若符合，则获取所述最大连通区域的所述种子点，否则依次提取下一层的所述最大连通区域并进行所述特征检测。
3.根据权利要求1所述的基于CT图像的三维肺自动分割与左右肺分离方法，其特征在于，所述将所述种子点根据预定的一初始高阈值进行自适应阈值区域生长以获得第二分割数据的步骤进一步包括：
A1、检测所述种子点的邻域的第一像素点，并判断所述第一像素点是否小于或等于所述初始高阈值，若是则将所述第一像素点标记为目标点，否则标记为非目标点；
A2、检测所述目标点的邻域的第二像素点，并判断所述第二像素点是否小于或等于所述初始高阈值，若是则将所述第二像素点标记为新的目标点，否则标记为非目标点；
A3、循环检测并判断所述目标点的邻域是否有新的目标点生成，若否则区域生长终止，并根据所述区域生长获得所述第二分割数据。
4.根据权利要求3所述的基于CT图像的三维肺自动分割与左右肺分离方法，其特征在于，所述将所述第二分割数据根据支气管的位置特征检测以去除所述支气管，并根据左右肺连通性和形态特征以分离出左右肺的步骤进一步包括：
B1、逐层统计所述第二分割数据的连通区域，并计算每一区域的像素点数；
B2、逐次判断每一层的所述像素点数是否大于一层半肺所允许的最大点数，若是则将所述初始高阈值递减50并回到步骤A1重新执行，否则进入步骤B3；
B3、逐次判断每一层的所述像素点数是否大于支气管截面所允许的最大点数，若是则将所述连通区域标记为肺；否则进入步骤B4；
B4、计算所述连通区域的中心点并判断所述中心点是否在支气管所允许的位置范围内，若是则去除所述连通区域，否则进入步骤B5；
B5、提取所述第二分割数据中面积前二的两个连通区域，并根据中心点的位置差异以将所述两个连通区域区分为左右肺。
5.根据权利要求4所述的基于CT图像的三维肺自动分割与左右肺分离方法，其特征在于，所述将所述第二分割数据根据支气管的位置特征检测以去除所述支气管，并根据左右肺连通性和形态特征以分离出左右肺的步骤之后包括：
对所述左右肺分别进行闭操作和逐层填洞，以填充入肺的血管区域；
对所述左右肺的所述第二分割数据进行三维重建以获得所述左右肺的三维面模型。
6.根据权利要求1所述的基于CT图像的三维肺自动分割与左右肺分离方法，其特征在于，所述预定CT值为-400；和/或
所述初始高阈值为-500。
7.一种基于CT图像的三维肺自动分割与左右肺分离系统，其特征在于，包括有：
种子点获取模块，用于由上往下依次逐层提取所述CT图像预定CT值以内的区域并分割获得第一分割数据，对所述第一分割数据进行边界填充和特征检测以获得所述CT图像对应在支气管主干上的一个种子点；
区域生长模块，用于将所述种子点根据预定的一初始高阈值进行自适应阈值区域生长以获得第二分割数据；
分割与分离模块，用于将所述第二分割数据根据支气管的位置特征检测以去除所述支气管，并根据左右肺连通性和形态特征以分离出左右肺。
8.根据权利要求7所述的基于CT图像的三维肺自动分割与左右肺分离系统，其特征在于，所述种子点获取模块进一步包括有：
填充提取子模块，用于逐层依序对所述第一分割数据的二值图像边界进行填充，提取填充后的最大连通区域；
判断获取种子点子模块，用于判断所述最大连通区域是否符合所述特征检测，若符合，则获取所述最大连通区域的所述种子点，否则依次提取下一层的所述最大连通区域并进行所述特征检测。
9.根据权利要求7所述的基于CT图像的三维肺自动分割与左右肺分离系统，其特征在于，所述区域生长模块进一步包括有：
第一检测标记模块，用于检测所述种子点的邻域的第一像素点，并判断所述第一像素点是否小于或等于所述初始高阈值，若是则将所述第一像素点标记为目标点，否则标记为非目标点；
第二检测标记模块，用于检测所述目标点的邻域的第二像素点，并判断所述第二像素点是否小于或等于所述初始高阈值，若是则将所述第二像素点标记为新的目标点，否则标记为非目标点；
数据生成子模块，用于循环检测并判断所述目标点的邻域是否有新的目标点生成，若否则区域生长终止，并根据所述区域生长获得所述第二分割数据。
10.根据权利要求9所述的基于CT图像的三维肺自动分割与左右肺分离系统，其特征在于，所述分割与分离模块进一步包括有：
计算子模块，用于逐层统计所述第二分割数据的连通区域，并计算每一区域的像素点数；
第一判断子模块、用于逐次判断每一层的所述像素点数是否大于一层半肺所允许的最大点数，若是则将所述初始高阈值递减50并发送至所述第一检测标记模块重新执行，否则启动所述第二判断子模块；
第二判断子模块、用于逐次判断每一层的所述像素点数是否大于支气管截面所允许的最大点数，若是则将所述连通区域标记为肺；否则启动所述分割子模块；
分割子模块、用于计算所述连通区域的中心点并判断所述中心点是否在支气管所允许的位置范围内，若是则去除所述连通区域，否则启动所述分离子模块；
分离子模块、用于提取所述第二分割数据中面积前二的两个连通区域，并根据中心点的位置差异以将所述两个连通区域区分为左右肺。
11.根据权利要求10所述的基于CT图像的三维肺自动分割与左右肺分离系统，其特征在于，还包括有：
血管填充模块，用于对所述左右肺分别进行闭操作和逐层填洞，以填充入肺的血管区域；
三维重建模块，用于对所述左右肺的所述第二分割数据进行三维重建以获得所述左右肺的三维面模型。
12.根据权利要求7所述的基于CT图像的三维肺自动分割与左右肺分离系统，其特征在于，所述预定CT值为-400；和/或
所述初始高阈值为-500。
CN201911280924.0A 2019-12-12 2019-12-12 基于ct图像的三维肺自动分割与左右肺分离方法及其系统 Active CN111179298B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911280924.0A CN111179298B (zh) 2019-12-12 2019-12-12 基于ct图像的三维肺自动分割与左右肺分离方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911280924.0A CN111179298B (zh) 2019-12-12 2019-12-12 基于ct图像的三维肺自动分割与左右肺分离方法及其系统

Publications (2)

Publication Number Publication Date
CN111179298A true CN111179298A (zh) 2020-05-19
CN111179298B CN111179298B (zh) 2023-05-02

Family

ID=70650344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911280924.0A Active CN111179298B (zh) 2019-12-12 2019-12-12 基于ct图像的三维肺自动分割与左右肺分离方法及其系统

Country Status (1)

Country Link
CN (1) CN111179298B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113870169A (zh) * 2020-06-12 2021-12-31 杭州普健医疗科技有限公司 一种医学影像标注方法、介质及电子设备
CN114332087A (zh) * 2022-03-15 2022-04-12 杭州电子科技大学 Octa图像的三维皮层表面分割方法及系统
CN114418931A (zh) * 2021-11-23 2022-04-29 东北大学 术后剩余肺叶的提取方法及装置、电子设备和存储介质
CN114419077A (zh) * 2022-03-31 2022-04-29 深圳市一图智能科技有限公司 一种基于ct图像的肺支气管自动分割方法及系统
CN117934485A (zh) * 2024-03-25 2024-04-26 天津市肿瘤医院（天津医科大学肿瘤医院） 基于ct图像的肺部气管路径特征提取方法、系统及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020009215A1 (en) * 2000-01-18 2002-01-24 Arch Development Corporation Automated method and system for the segmentation of lung regions in computed tomography scans
US20070127802A1 (en) * 2005-12-05 2007-06-07 Siemens Corporate Research, Inc. Method and System for Automatic Lung Segmentation
CN105488796A (zh) * 2015-11-27 2016-04-13 上海联影医疗科技有限公司 肺分割方法
CN107230204A (zh) * 2017-05-24 2017-10-03 东北大学 一种从胸部ct图像中提取肺叶的方法及装置
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
CN108765445A (zh) * 2018-05-29 2018-11-06 上海联影医疗科技有限公司 一种肺气管分割方法及装置
CN109146854A (zh) * 2018-08-01 2019-01-04 东北大学 一种肺结节与肺部血管伴生关系的分析方法
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020009215A1 (en) * 2000-01-18 2002-01-24 Arch Development Corporation Automated method and system for the segmentation of lung regions in computed tomography scans
US20070127802A1 (en) * 2005-12-05 2007-06-07 Siemens Corporate Research, Inc. Method and System for Automatic Lung Segmentation
CN105488796A (zh) * 2015-11-27 2016-04-13 上海联影医疗科技有限公司 肺分割方法
CN107230204A (zh) * 2017-05-24 2017-10-03 东北大学 一种从胸部ct图像中提取肺叶的方法及装置
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
CN108765445A (zh) * 2018-05-29 2018-11-06 上海联影医疗科技有限公司 一种肺气管分割方法及装置
CN109146854A (zh) * 2018-08-01 2019-01-04 东北大学 一种肺结节与肺部血管伴生关系的分析方法
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

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113870169A (zh) * 2020-06-12 2021-12-31 杭州普健医疗科技有限公司 一种医学影像标注方法、介质及电子设备
CN113870169B (zh) * 2020-06-12 2023-12-01 杭州普健医疗科技有限公司 一种医学影像标注方法、介质及电子设备
CN114418931A (zh) * 2021-11-23 2022-04-29 东北大学 术后剩余肺叶的提取方法及装置、电子设备和存储介质
CN114418931B (zh) * 2021-11-23 2024-06-04 东北大学 术后剩余肺叶的提取方法及装置、电子设备和存储介质
CN114332087A (zh) * 2022-03-15 2022-04-12 杭州电子科技大学 Octa图像的三维皮层表面分割方法及系统
CN114332087B (zh) * 2022-03-15 2022-07-12 杭州电子科技大学 Octa图像的三维皮层表面分割方法及系统
CN114419077A (zh) * 2022-03-31 2022-04-29 深圳市一图智能科技有限公司 一种基于ct图像的肺支气管自动分割方法及系统
CN117934485A (zh) * 2024-03-25 2024-04-26 天津市肿瘤医院（天津医科大学肿瘤医院） 基于ct图像的肺部气管路径特征提取方法、系统及介质
CN117934485B (zh) * 2024-03-25 2024-05-31 天津市肿瘤医院（天津医科大学肿瘤医院） 基于ct图像的肺部气管路径特征提取方法、系统及介质

Also Published As

Publication number Publication date
CN111179298B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN111179298A (zh) 基于ct图像的三维肺自动分割与左右肺分离方法及其系统
WO2020001217A1 (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
Badura et al. Soft computing approach to 3D lung nodule segmentation in CT
CN110929728B (zh) 一种图像感兴趣区域划分方法、图像分割方法及装置
CN110189258B (zh) 基于mri多模态序列的颈动脉管腔和管壁自动分割方法
Chen et al. Pathological lung segmentation in chest CT images based on improved random walker
JP2006198410A (ja) 心臓の３ｄ画像データセットにおける左心室の位置および向きの自動決定方法
US7394933B2 (en) Region competition via local watershed operators
CN110796670A (zh) 一种夹层动脉分割方法及装置
CN112308846B (zh) 血管分割方法、装置及电子设备
CN112102275B (zh) 肺主动脉血管图像提取方法、装置、存储介质及电子设备
CN112529918B (zh) 一种脑部ct图像中脑室区域分割的方法、装置及设备
CN110458859B (zh) 一种基于多序列mri的多发性骨髓瘤病灶的分割系统
CN104143184A (zh) 一种肺部分割的方法
CN107169975B (zh) 超声图像的分析方法及装置
US20070127800A1 (en) Branch Extension Method For Airway Segmentation
Gao et al. Accurate lung segmentation for X-ray CT images
CN117237322A (zh) 一种基于医学图像的器官分割建模方法及终端
CN114862885A (zh) 肝脏mri影像缩域分割与三维病灶重建方法
Alirr et al. Automatic liver segmentation from ct scans using intensity analysis and level-set active contours
KR101474162B1 (ko) 흉부 컴퓨터 단층 영상의 간유리음영 결절 자동 분할 시스템 및 그 분할 방법
CN107689041A (zh) 一种用于图像相似度比对的方法、装置及存储介质
CN114419032B (zh) 心脏左心室的心肌内膜和/或心肌外膜的分割方法和装置
CN113744849B (zh) 一种ct图像半自动标注方法和系统
CN117083631A (zh) 用于自动血管提取的系统和方法

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