CN111275722A - 肺段、肝段分割方法及系统 - Google Patents

肺段、肝段分割方法及系统 Download PDF

Info

Publication number
CN111275722A
CN111275722A CN202010098513.6A CN202010098513A CN111275722A CN 111275722 A CN111275722 A CN 111275722A CN 202010098513 A CN202010098513 A CN 202010098513A CN 111275722 A CN111275722 A CN 111275722A
Authority
CN
China
Prior art keywords
segment
point cloud
organ
data
lung
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.)
Pending
Application number
CN202010098513.6A
Other languages
English (en)
Inventor
蔡飞跃
余明亮
赖耀明
秦积涛
魏军
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.)
Guangzhou Baishi Data Technology Co ltd
Guangzhou Boshi Medical Technology Co ltd
Original Assignee
Guangzhou Baishi Data Technology Co ltd
Guangzhou Boshi Medical Technology 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 Guangzhou Baishi Data Technology Co ltd, Guangzhou Boshi Medical Technology Co ltd filed Critical Guangzhou Baishi Data Technology Co ltd
Priority to CN202010098513.6A priority Critical patent/CN111275722A/zh
Publication of CN111275722A publication Critical patent/CN111275722A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30056—Liver; Hepatic
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施例提供一种肺段、肝段分割方法及系统，该方法包括：将待分割器官的血管和/或气管的点云数据输入至点云分类器，获得点云分类器基于血管和/或气管的位置信息输出获得的点云数据对应的类别；其中，类别用于指示不同的器官段；器官包括肺和/或肝，相应地，器官段包括肺段和/或肝段；点云分类器为基于样本器官段的血管和/或气管的点云数据及对应的样本类别训练后获得的。本发明实施例能够自动基于解剖结构对肺或肝进行段分割，克服血管变异导致的肺段划分不准确，同时满足实际使用的性能要求。

Description

肺段、肝段分割方法及系统
技术领域
本发明涉及图像处理领域，更具体地，涉及一种肺段、肝段分割方法及系统。
背景技术
随着低剂量CT平扫的在我国的普及，使得肺癌的检出率显著提高，尤其是对于早期肺癌的诊断。目前针对早期肺癌的治疗的手段，由原先标准的解剖性肺叶切除逐渐转向解剖性肺段切除。解剖性肺段切除目前成为治疗早期肺癌的热点，但也存在一定争论，焦点在于解剖性肺段切除是否与肺叶切除达到相等的肿瘤学治疗效应。目前相关研究表明，对于肿瘤≤2cm的Ia期非小细胞肺癌(non-small cell lung cancer,NSCLC)，进行解剖性肺段切除，其术后完全生存率与行肺叶切除术无差异，尤其是病理分期原位癌及微浸润性腺癌行肺段切除与肺叶切除远期生存无明显差异。
相比肺叶切除而言，对Ia期肺癌患者进行解剖性肺段切除，可最大限度的保留健康肺组织，从而使患者术后获得更好的生存质量。尤其对高龄、肺功能较差患者，妥协性解剖肺段切除可使患者获得最大收益，这也是肺段切除在治疗NSCLC得以应用的主要因素之一。但对比肺叶切除术，肺段切除由于解剖结构更为复杂，肺段动静脉血管更易出现变异，且对血管及段支气管的走行需要有一定的空间立体想象感，因而肺段手术需要更高的手术操作能力以及更高的学习曲线。解剖性肺段切除技术在不断探索中进步，一系列难点逐渐得到解决，如术中肺结节定位，靶段血管、支气管辨认，段间静脉保留，肺段间交界面的分离等，尤其是近几年三维肺支气管血管重建(3D CT bronchography and angiography,3D-CTBA)的应用，为精准的肺段切除术提供了有力的技术支持。3D-CTBA可明确结节所在肺段区域，并可立体显示靶血管的三维走向，在术前即能明确靶血管所存在血管解剖结构变异，因此对术前手术操作方式及程序的选择与设计提供较大帮助。目前，常见3D-CTBA技术没有实现肺段的自动分割，通常需要医生手动绘制靶段分界面，由于3D图形操作的复杂性，这部分工作往往会花费不少时间。
由于肺段之间并没有明确的薄膜，在医学影像图像中也不可见，因此肺段仅能根据解剖学先验知识近似定位。肺段边界的不可见性也就意味着难以获得客观精确的参考分割标准。目前，从医学影像图像中分割肺段的研究极少，多数方法需要大量人工交互。肺段自动分割的方法，文献提到过的主要有两种：基于气管最近邻的方法和基于像素分类的自动分割方法。其中，基于气管最近邻的方法，是根据距离气管的远近来分割肺段，这种方法较为粗糙简单，且没有考虑临床中更为重要的血管信息，因此分割结果往往不能满足临床要求。基于像素分类的自动分割方法是通过提取像素点在肺内和相对于最近肺裂距离等特征训练线性分类器得到，这种方法利用的肺段内结构信息较少，加上肺段血管的变异性，实际效果并不是很好。
发明内容
为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的肺段、肝段分割方法及系统。
根据本发明实施例的第一方面，提供一种肺段、肝段分割方法，该方法包括：将待分割器官的血管和/或气管的点云数据输入至点云分类器，获得点云分类器基于血管和/或气管的位置信息输出获得的点云数据对应的类别；其中，类别用于指示不同的器官段；器官包括肺和/或肝，相应地，器官段包括肺段和/或肝段；点云分类器为基于样本器官段的血管和/或气管的点云数据及对应的样本类别训练后获得的。
根据本发明实施例第二方面，提供了一种肺段、肝段分割系统，该系统包括：分割模块，用于将待分割器官的血管和/或气管的点云数据输入至点云分类器，获得点云分类器基于血管和/或气管的位置信息输出获得的点云数据对应的类别；其中，类别用于指示不同的器官段；器官包括肺和/或肝，相应地，器官段包括肺段和/或肝段；点云分类器为基于样本器官段的血管和/或气管的点云数据及对应的样本类别训练后获得的。
根据本发明实施例的第三方面，提供了一种电子设备，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，处理器执行程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的肺段、肝段分割方法。
根据本发明实施例的第四方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的肺段、肝段分割方法。
本发明实施例提供的肺段、肝段分割方法及系统，通过将待分割器官的血管和/或气管的点云数据输入至点云分类器，获得点云分类器基于血管和/或气管的位置信息输出获得的点云数据对应的类别，能够自动基于解剖结构对肺或肝进行段分割，克服血管变异导致的肺段划分不准确，同时满足实际使用的性能要求。
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，还可以根据这些图获得其他的附图。
图1为本发明实施例提供的肺段、肝段分割方法的流程示意图；
图2为本发明实施例提供的肺段分割结果示意图；
图3为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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地描述，显然，所描述的实施例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。
本发明实施例提供一种肺段、肝段分割方法，该方法利用图像处理、计算机视觉和机器学习算法，基于肺段解剖结构来分割肺段，能够克服血管变异导致的肺段划分不准确，同时满足实际使用的性能要求。由于肝段的划分方法与肺段具有高度的相似性，经过验证，本发明实施例提供的方法也同样适用于肝段的分割。
参见图1，以下对本发明实施例提供的肺段、肝段分割方法所包含的步骤进行简要说明：
步骤1、数据准备步骤；本步骤的目的是准备用于机器学习的样本数据，样本数据包括分割后的肺叶(肝叶)和分类命名的血管(或气管等)数据，可以是自动分割得到，也可以是人工确定的。
步骤2、血管(或气管等)预处理步骤；本步骤利用图像处理和3D点云方法，对血管(或气管等)进行后处理，提取血血管(或气管等)的轮廓点，并进行稀疏采样处理。
步骤3、基于血管(或气管等)的段分割步骤；本步骤首先利用机器学习方法进行模型训练，获得分类器；然后该分类器根据肺段(肝段)与血管(或气管等)的解剖位置关系，对实际的肺或肝进行分割。
步骤4、段分割后处理步骤；本步骤利用图像处理方法，对分割后的段进行平滑处理。
基于上述内容，以下对本发明实施例提供的肺段、肝段分割方法进行详细说明，该方法包括如下步骤：将待分割器官的血管和/或气管的点云数据输入至点云分类器，获得点云分类器基于血管和/或气管的位置信息输出获得的点云数据对应的类别；其中，类别用于指示不同的器官段；器官包括肺和/或肝，相应地，器官段包括肺段和/或肝段；点云分类器为基于样本器官段的血管和/或气管的点云数据及对应的样本类别训练后获得的。
其中，本步骤可对应上述简要说明中的步骤3中的对实际的肺或肝进行分割的步骤。在获得训练好的点云分类器后，可以将待分割器官的数据(即肺叶或肝叶的数据)转换为相应的点云数据，再利用分类器对点云数据进行分类，从而获得每个点云对应的类别。相同类别的点云数据即为相同的器官段(肺段或肝段)中，一个器官可包括多种器官段。分段的结果可参见图2，该图中不同的器官段采用不同的灰度进行区别。
基于上述实施例的内容，作为一种可选实施例，将待分割器官的血管和/或气管的点云数据输入至点云分类器之前，还包括：
步骤100、获取分割后的样本器官段以及样本器官段内的血管和/或气管数据。
其中，本步骤可进一步包括如下步骤：获取同一病例的样本器官段以及样本器官段内的血管和/或气管数据；按照同样比例对样本器官段以及样本器官段内的血管和/或气管数据进行采样。
具体地，本步骤对应上述简要说明中的步骤1。准备数据是指准备分割后的肺叶(肝叶)和分类命名的血管(或气管等)数据，具体步骤为：1.1准备同一病例肺叶(肝叶)分割和血管(或气管等)命名数据，确保两组数据的尺寸，空间坐标相同。1.2检查分割肺叶(肝叶)和命名血管(或气管等)数据，确保数据准确，满足要求。1.3对肺叶(肝叶)和血管(或气管等)数据按照同样比例(0.5或者0.25都可以)进行下采样。
步骤200、基于图像处理及计算机视觉算法对样本器官段内的血管和/或气管数据进行预处理，获得样本器官段的血管和/或气管的点云数据。
其中，本步骤可进一步包括如下步骤：提取样本器官段内的血管和/或气管数据的点云数据；通过计算机视觉算法提取点云数据的轮廓点数据；将轮廓点数据转换为3D mask数据，并进行形态学平滑处理；通过稀疏矩阵对3D mask数据进行稀疏化处理。
具体地，本步骤对应上述简要说明中的步骤2。血管(或气管等)的预处理涉及图像处理和计算机视觉相关算法，具体方法为：2.1根据血管(或气管等)数据提取对应的点云数据。2.2利用计算机视觉中轮廓点提取算法提取点云数据的轮廓点。2.3将轮廓点数据转换为原来尺寸空间的3D mask数据，并进行形态学平滑处理。2.4利用稀疏矩阵对3D mask数据进行稀疏化，应当说明的是，该稀疏化的目的是为了提高算法的运行速度，且经过测试，稀疏化对算法最终结果几乎不影响。
步骤300、基于机器学习算法，采用样本器官段的血管和/或气管的点云数据及对应的样本类别进行训练，获得训练完成的点云分类器。
具体地，本步骤对应上述步骤3中的训练步骤。基于血管(或气管等)的段分割是利用机器学习的方法，根据血管(或气管等)在肺叶(肝叶)的解剖位置关系来分割肺段(肝段)，具体方法为：3.1提取预处理后的血管(或气管等)数据，转换为点云数据。3.2将血管(或气管等)点云数据作为肺段(肝段)参考数据，利用机器学习方法训练基于血管(或气管等)的点云分类器。其中，训练的基于血管的点云分类器本质就是基于血管位置关系来判断点云类别的分类器，也就是基于各个血管的位置关系来进行分类。本发明实施例可以采用机器学习中的KNN方法，将血管点云作为label来训练分类器，训练好分类器后，在后续进行点云分类时，分类器利用点云与各血管的位置关系来分类的。3.3在实际分类时，将肺叶(肝叶)数据转换为点云数据，利用训练好的点云分类器对肺叶(肝叶)点云数据进行分类。
基于上述实施例的内容，作为一种可选实施例，获得点云分类器基于血管和/或气管的位置关系输出获得的点云数据对应的类别之后，还包括：将分类后的点云数据转换为3D mask数据，上采样至原尺寸空间，获得待分割器官的分割后器官数据。具体地，在上述步骤3.3后，步骤3.4中将分类好的肺叶(肝叶)点云数据转换为3D mask数据，上采样到原尺寸空间。
基于上述实施例的内容，作为一种可选实施例，将分类后的点云数据转换为3Dmask数据，上采样至原尺寸空间之后，还包括：将待分割器官分割前的原始器官数据与分割后数据进行比较后，基于比较结果将原始器官数据的外表面补充至分割后器官数据的外表面；将分割后器官数据从3D mask数据转换为点云模型，并进行拉普拉斯平滑。
具体地，本步骤对应上述简要说明中的步骤4。分割段后处理是利用图像处理和计算机视觉的方法，平滑段表面，具体步骤为：4.1将原尺寸肺叶(肝叶)和分割后肺段(肝段)整体进行比较，将原肺叶外表面补充到分割后肺段外表面，粗略平滑肺段(肝段)的外表面。4.2将肺段(肝段)3D mask转换为点云模型，并进行拉普拉斯平滑，算法结果见附图2。
综上，本发明实施例与现有技术相比，至少具有如下优点和有益效果：实现自动分割肺段(肝段)，准确率高；本发明实施例是根据实际血管(或气管等)位置关系来自动分割肺段(肝段)，即基于血管的点云分类器本质就是基于血管位置等的分类器，肺内点云数据经过该分类器分类，其实就是利用位置关系来对肺内点云分类，从而无需人工干预；本发明实施例根据血管(或气管等)的位置和形态自适应的分割肺段(肝段)，克服变异血管带来的分割错误，与实际不符合的情况。通过大量测试，本发明实施例与医生实际勾画的肺段重合率到85％以上。
本发明实施例性能好，鲁棒性高。在大量测试样本中，本发明实施例的整体运行时间在10s左右，远快于其他肺段(肝段)分割方法。对于不同CT设备和不同pixel spacing的数据，本发明实施例适用性都很好，效果稳定。在肺段(肝段)分割上，本发明实施例采取了一种新的方案，以实际血管(或气管等)为参照物来训练点云分类模型，能够自适应的分割肺段(肝段)，克服变异血管导致的肺段(肝段)分割错误问题。在血管(或气管等)预处理过程中，本发明实施对血管(或气管等)进行了统一的预处理过程，解决了因血管(或气管等)形状各异导致的分割肺段(肝段)形状奇怪的问题。
基于上述实施例的内容，本发明实施例提供了一种肺段、肝段分割系统，该肺段、肝段分割系统用于执行上述方法实施例中的肺段、肝段分割方法。该系统包括：分割模块，用于将待分割器官的血管和/或气管的点云数据输入至点云分类器，获得点云分类器基于血管和/或气管的位置信息输出获得的点云数据对应的类别；其中，类别用于指示不同的器官段；器官包括肺和/或肝，相应地，器官段包括肺段和/或肝段；点云分类器为基于样本器官段的血管和/或气管的点云数据及对应的样本类别训练后获得的。
本发明实施例提供了一种电子设备，如图3所示，该设备包括：处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503上并可在处理器501上运行的计算机程序，以执行上述各实施例提供的肺段、肝段分割方法，例如包括：将待分割器官的血管和/或气管的点云数据输入至点云分类器，获得点云分类器基于血管和/或气管的位置信息输出获得的点云数据对应的类别；其中，类别用于指示不同的器官段；器官包括肺和/或肝，相应地，器官段包括肺段和/或肝段；点云分类器为基于样本器官段的血管和/或气管的点云数据及对应的样本类别训练后获得的。
此外，上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的肺段、肝段分割方法，例如包括：将待分割器官的血管和/或气管的点云数据输入至点云分类器，获得点云分类器基于血管和/或气管的位置信息输出获得的点云数据对应的类别；其中，类别用于指示不同的器官段；器官包括肺和/或肝，相应地，器官段包括肺段和/或肝段；点云分类器为基于样本器官段的血管和/或气管的点云数据及对应的样本类别训练后获得的。
以上所描述的电子设备等实施例仅仅是示意性的，其中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实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种肺段、肝段分割方法，其特征在于，包括：
将待分割器官的血管和/或气管的点云数据输入至点云分类器，获得所述点云分类器基于所述血管和/或气管的位置信息输出获得的所述点云数据对应的类别；其中，所述类别用于指示不同的器官段；所述器官包括肺和/或肝，相应地，所述器官段包括肺段和/或肝段；所述点云分类器为基于样本器官段的血管和/或气管的点云数据及对应的样本类别训练后获得的。
2.根据权利要求1所述的方法，其特征在于，所述将待分割器官的血管和/或气管的点云数据输入至点云分类器之前，还包括：
获取分割后的所述样本器官段以及所述样本器官段内的血管和/或气管数据；
基于图像处理及计算机视觉算法对所述样本器官段内的血管和/或气管数据进行预处理，获得所述样本器官段的血管和/或气管的点云数据；
基于机器学习算法，采用所述样本器官段的血管和/或气管的点云数据及对应的样本类别进行训练，获得训练完成的所述点云分类器。
3.根据权利要求2所述的方法，其特征在于，所述获取分割后的所述样本器官段以及所述样本器官段内的血管和/或气管数据，包括：
获取同一病例的所述样本器官段以及所述样本器官段内的血管和/或气管数据；
按照同样比例对所述样本器官段以及所述样本器官段内的血管和/或气管数据进行采样。
4.根据权利要求2所述的方法，其特征在于，基于图像处理及计算机视觉算法对所述样本器官段内的血管和/或气管数据进行预处理，所述样本器官段的血管和/或气管的点云数据，包括：
提取所述样本器官段内的血管和/或气管数据的点云数据；
通过所述计算机视觉算法提取所述点云数据的轮廓点数据；
将所述轮廓点数据转换为3D mask数据，并进行形态学平滑处理；
通过稀疏矩阵对所述3D mask数据进行稀疏化处理。
5.根据权利要求1所述的方法，其特征在于，所述获得所述点云分类器基于所述血管和/或气管的位置关系输出获得的所述点云数据对应的类别之后，还包括：
将分类后的所述点云数据转换为3D mask数据，上采样至原尺寸空间，获得所述待分割器官的分割后器官数据。
6.根据权利要求5所述的方法，其特征在于，所述将分类后的所述点云数据转换为3Dmask数据，上采样至原尺寸空间之后，还包括：
将所述待分割器官分割前的原始器官数据与所述分割后数据进行比较后，基于比较结果将所述原始器官数据的外表面补充至所述分割后器官数据的外表面；
将所述分割后器官数据从3D mask数据转换为点云模型，并进行拉普拉斯平滑。
7.根据权利要求2所述的方法，其特征在于，所述机器学习算法为KNN算法。
8.一种肺段、肝段分割系统，其特征在于，包括：
分割模块，用于将待分割器官的血管和/或气管的点云数据输入至点云分类器，获得所述点云分类器基于所述血管和/或气管的位置信息输出获得的所述点云数据对应的类别；其中，所述类别用于指示不同的器官段；所述器官包括肺和/或肝，相应地，所述器官段包括肺段和/或肝段；所述点云分类器为基于样本器官段的血管和/或气管的点云数据及对应的样本类别训练后获得的。
9.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述肺段、肝段分割方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述肺段、肝段分割方法的步骤。
CN202010098513.6A 2020-02-18 2020-02-18 肺段、肝段分割方法及系统 Pending CN111275722A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010098513.6A CN111275722A (zh) 2020-02-18 2020-02-18 肺段、肝段分割方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010098513.6A CN111275722A (zh) 2020-02-18 2020-02-18 肺段、肝段分割方法及系统

Publications (1)

Publication Number Publication Date
CN111275722A true CN111275722A (zh) 2020-06-12

Family

ID=71000254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010098513.6A Pending CN111275722A (zh) 2020-02-18 2020-02-18 肺段、肝段分割方法及系统

Country Status (1)

Country Link
CN (1) CN111275722A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763331A (zh) * 2021-08-17 2021-12-07 北京医准智能科技有限公司 冠状动脉优势型判定方法、装置、存储介质及电子设备
CN114155193A (zh) * 2021-10-27 2022-03-08 北京医准智能科技有限公司 一种基于特征强化的血管分割方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107909581A (zh) * 2017-11-03 2018-04-13 杭州依图医疗技术有限公司 Ct影像的肺叶段分割方法、装置、系统、存储介质及设备
CN109685787A (zh) * 2018-12-21 2019-04-26 杭州依图医疗技术有限公司 Ct影像的肺叶段分割中的输出方法、装置
CN109758136A (zh) * 2019-02-28 2019-05-17 四川大学华西医院 基于门脉血管特征的肝静脉压力梯度测量方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107909581A (zh) * 2017-11-03 2018-04-13 杭州依图医疗技术有限公司 Ct影像的肺叶段分割方法、装置、系统、存储介质及设备
CN109685787A (zh) * 2018-12-21 2019-04-26 杭州依图医疗技术有限公司 Ct影像的肺叶段分割中的输出方法、装置
CN109758136A (zh) * 2019-02-28 2019-05-17 四川大学华西医院 基于门脉血管特征的肝静脉压力梯度测量方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
IEEE TRANSACTIONS ON MEDICAL IMAGING: "Automatic Segmentation of the Pulmonary Lobes From Chest CT Scans Based on Fissures, Vessels, and Bronchi", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 *
石泉业: "肝脏分段及血管详细辨识教程", 《HTTPS://WWW.360DOC.COM/CONTENT/16/0314/16/29331540_542135979.HTML》 *
路石洁: "CT影像的肺叶组织分割算法研究与实现", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763331A (zh) * 2021-08-17 2021-12-07 北京医准智能科技有限公司 冠状动脉优势型判定方法、装置、存储介质及电子设备
CN114155193A (zh) * 2021-10-27 2022-03-08 北京医准智能科技有限公司 一种基于特征强化的血管分割方法及装置

Similar Documents

Publication Publication Date Title
CN107622492B (zh) 肺裂分割方法及系统
WO2022063198A1 (zh) 一种肺部图像处理方法、装置及设备
CN111553892B (zh) 基于深度学习的肺结节分割计算方法、装置及系统
CN109389584A (zh) 基于cnn的多尺度鼻咽肿瘤分割方法
JP4950071B2 (ja) ３次元医療画像からの肺動脈樹の自動抽出の方法
Mi et al. Deep learning-based multi-class classification of breast digital pathology images
WO2021179491A1 (zh) 图像处理方法、装置、计算机设备和存储介质
CN102395320B (zh) 医疗设备以及医疗设备的控制方法
CN112263217B (zh) 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法
CN111179237A (zh) 一种肝脏以及肝脏肿瘤的图像分割方法和装置
US20210142470A1 (en) System and method for identification of pulmonary arteries and veins depicted on chest ct scans
CN110880366A (zh) 一种医学影像处理系统
CN112215799A (zh) 一种磨玻璃肺结节自动分类方法及系统
CN111275722A (zh) 肺段、肝段分割方法及系统
CN112991365A (zh) 一种冠状动脉分割方法、系统及存储介质
CN114565601A (zh) 基于DeepLabV3+改进的肝脏CT图像分割算法
CN116779093B (zh) 一种医学影像结构化报告的生成方法、装置和计算机设备
CN110428431B (zh) 一种心脏医学图像的分割方法、装置、设备及存储介质
CN116883341A (zh) 一种基于深度学习的肝脏肿瘤ct图像自动分割方法
CN115439650A (zh) 基于ct图像跨模态迁移学习的肾脏超声图像分割方法
CN115294023A (zh) 肝脏肿瘤自动分割方法及装置
CN113298773A (zh) 基于深度学习的心脏视图识别与左心室检测装置、系统
CN111127636B (zh) 一种智能的复杂关节内骨折桌面级三维诊断系统
CN114419032A (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
CN113554640A (zh) Ai模型的训练方法、使用方法、计算机设备及存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200612