CN111415340A - 一种面向大面积高密度影ct图像的脏器分割方法及装置 - Google Patents
一种面向大面积高密度影ct图像的脏器分割方法及装置 Download PDFInfo
- Publication number
- CN111415340A CN111415340A CN202010187761.8A CN202010187761A CN111415340A CN 111415340 A CN111415340 A CN 111415340A CN 202010187761 A CN202010187761 A CN 202010187761A CN 111415340 A CN111415340 A CN 111415340A
- Authority
- CN
- China
- Prior art keywords
- organ
- image
- image group
- edge
- images
- 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
- 210000000056 organ Anatomy 0.000 title claims abstract description 281
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000011218 segmentation Effects 0.000 title claims abstract description 69
- 210000001835 viscera Anatomy 0.000 claims abstract description 70
- 230000008602 contraction Effects 0.000 claims abstract description 40
- 238000009499 grossing Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000009278 visceral effect Effects 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 3
- 210000000746 body region Anatomy 0.000 claims description 2
- 238000005429 filling process Methods 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims description 2
- 230000009772 tissue formation Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000002591 computed tomography Methods 0.000 description 74
- 210000004072 lung Anatomy 0.000 description 73
- 210000001519 tissue Anatomy 0.000 description 35
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 210000000621 bronchi Anatomy 0.000 description 6
- 210000003437 trachea Anatomy 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 206010035664 Pneumonia Diseases 0.000 description 2
- 201000003176 Severe Acute Respiratory Syndrome Diseases 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000029523 Interstitial Lung disease Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 208000037797 influenza A Diseases 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种面向大面积高密度影CT图像的脏器分割方法及装置,包括:优化二值化阈值μ1;通过二值化产生脏器二值化图像组Plist1;对Plist1进行三维膨胀,产生脏器膨胀图像组Plist2;对Plist2进行三维收缩,产生脏器收缩图像组Plist3;将Plist2与Plist3中对应图像相减,再与Plist1中对应图像与运算,得到脏器边缘带图像组Plist4;对Plist4中图像去噪,产生脏器边缘轮廓图像组Plist5;将Plist1与Plist4中对应图像相减,再与Plist5中对应图像叠加,产生准脏器掩码图像组Plist6;检测Plist6中图像的脏器边缘并填充,对边缘进行平滑,产生脏器掩码图像组Plist7;将Plist7中图像与CT原图进行与运算,得到分割结果。本发明可以准确分割出因大面积高密度影而导致局部细节显著损失的CT图像中的脏器边缘。
Description
技术领域
本发明属于医疗图像处理领域,涉及一种脏器分割方法及装置,特别涉及一种面向大面积高密度影CT图像的脏器分割方法及装置,该大面积高密度影CT图像见于患有肺部疾病(如甲型H1N1流感肺炎、间质性肺炎、2019-nCov病毒肺炎、严重急性呼吸综合症(SARS)等)以及其他脏器组织病变的病人。
背景技术
正常的脏器属于CT图像中的低密度区域,在CT图像中表现为清晰的阴影部分。当发生病变时,脏器区域就会出现散在的、斑点状或者斑块状的高密度影,呈白色或者灰白色。临床就是通过观察高密度影的形态特征来判断疾病状况。当患者病情较为严重时,脏器CT图像会出现大面积斑片状高密度影,大量组织细节会被高密度影所掩盖,造成脏器边缘不清、分割困难。
自动阈值法依据灰度阈值对CT图像进行分割,通过寻找能产生最小类间方差的阈值获得最佳的像素分类效果,但是,这种分割方式只对细节保留较好的图像有效。而CT图像中的高密度影丢失了大量细节信息,像素值较大,与正常脏器组织所处的低密度区域差异明显。因此,该方法会将高密度影部分与细节保留较好的脏器区域分成两类对象,导致位于高密度影中的脏器部分丢失。
分水岭法利用梯度值来识别目标图像边缘,一般认为图像中梯度值大的像素就是其边缘位置。脏器CT图像中高密度影部分与其他部分差异明显,两部分之间的梯度值较大,因此,分水岭法会沿着两个部分之间进行分割,导致部分脏器缺失。
区域增长法从包含种子点的生长区域开始,不断选择与生长区域相邻且符合条件的像素合并到生长区域中,直至没有新的像素可以增加为止,通过这种方式找出目标区域,实现图像分割。但是,由于脏器CT图像中高密度影部分的像素与其他部分的像素差异明显,很难找到合适的条件将两个部分的像素合并在一起,因此,区域增长法会将位于高密度影中的脏器部分归于异类,导致分割结果中部分脏器缺失。另一方面,高密度影部分往往与外围的其他组织相连、像素值接近,如肺组织高密度影与胸廓,并且细节缺失,没有足够清晰的边缘,在脏器高密度影部分选择种子点时,该方法还会错误地将脏器高密度影部分与外围其他组织合并在一起,产生错误的分割结果。
边缘检测是图像分割又一种重要途径。边缘是图像中相邻区域区分的位置,一般存在着灰度值或者结构的突变,边缘检测就是利用这种不连续性来分割图像。边缘像素灰度值的不连续性可通过求导运算来检测。对于灰度值突变的边缘,其像素位置对应于一阶导数的极值点,或者是二阶导数的过零点(零交叉点)。因此,传统方法一般用微分算子来进行边缘检测。常用的一阶微分算子有Roberts算子、Prewitt算子和Sobel算子,二阶微分算子有Laplace算子和Kirsh算子等。但是,这些方法都依赖于对图像边缘像素值的分析,而高密度影细节信息缺失较多,导致无法利用像素求导运算发现边缘。
一种改进的方法将包含高密度影的图像分成两个部分识别,使用传统的方法先识别细节保留比较好的脏器区域,然后,通过纹理特征分析来识别脏器高密度影区域,最后将两者拼接起来构成整体分割结果。但是,这种方法存在如下问题:(1)该方法用来识别脏器高密度影区域的纹理特征并不是其所特有的,其他组织的高密度影区域以及部分非高密度影区域也可以具有同样的纹理特征,这导致识别出的脏器高密度影区域存在较大的误差;(2)该方法用两种不同的方法分别识别细节保留比较好的脏器区域和脏器高密度影区域,两个区域之间会出现重叠和遗漏,它们会被传递到后期的拼接过程而产生总体误差,导致脏器边缘衔接不够自然且部分脏器丢失;(3)该方法进行纹理特征分析时会采用一些经验阈值,受CT检测设备差异、放射医生能力及熟练程度以及大量存在的非典型放射学表现的影响,这些经验阈值的选择存在一定的不确定性,这会降低该方法的适用性和可靠性。
发明内容
为了克服现有技术的不足,本发明人进行了锐意研究,提供了一种面向大面积高密度影CT图像的脏器分割方法及装置,充分挖掘和利用CT图像中的有用信息,通过尽可能多地保留高密度影中有意义的像素,改善了高密度影部分的识别效果,在此基础上,通过边缘局部去噪获得准确的脏器轮廓,进而实现脏器的准确分割,避免了传统方法中出现的位于高密度影中的脏器部分丢失、脏器分割不准确的问题,可以准确完整地分割出因大面积高密度影而导致局部细节显著损失的CT图像中的脏器,从而完成本发明。
本发明的目的在于提供以下技术方案:
第一方面,一种面向大面积高密度影CT图像的脏器分割方法,包括:
S100,优化二值化阈值μ1,使采用该阈值进行二值化后,CT图像中目标脏器的高密度影区域中增加尽可能多的可识别的像素点,同时又尽可能避免其他组织的像素或噪音带来显著的干扰,此时,二值化后的高值区域的边缘位于脏器实际边缘附近;
S200,基于S100中得到的优化的阈值μ1,对脏器所有CT图像进行二值化处理,产生脏器二值化图像组Plist1;
S300,对脏器二值化图像组Plist1进行三维膨胀,只保留体素个数大于等于设定阈值υ的三维连通域,产生脏器膨胀图像组Plist2;其中,设定阈值υ为S100中,阈值μ1初始值下CT图像组中可识别的脏器三维连通域的大小或小于其的值,以可区分排除其他噪音产生的连通域为目标;
S400,对脏器膨胀图像组Plist2进行三维收缩,产生脏器收缩图像组Plist3;其中,三维收缩的幅度大于三维膨胀的幅度;
S500,将脏器膨胀图像组Plist2中的图像与脏器收缩图像组Plist3中对应的图像相减,再与脏器二值化图像组Plist1中对应的图像进行与运算,得到脏器边缘带图像组Plist4;
S600,对脏器边缘带图像组Plist4中的图像去噪,产生脏器边缘轮廓图像组Plist5;
S700,将脏器二值化图像组Plist1中的图像与脏器边缘带图像组Plist4中对应的图像相减,再与脏器边缘轮廓图像组Plist5中对应的图像叠加,产生准脏器掩码图像组Plist6;
S800,检测准脏器掩码图像组Plist6中图像的脏器边缘,再对脏器边缘线内的区域进行填充,最后对脏器边缘进行平滑,由此产生脏器掩码图像组Plist7;
S900,将脏器掩码图像组Plist7中的图像与对应的脏器CT原图进行与运算,得到脏器分割结果图像组Plist8;其中,脏器分割结果图像组Plist8中的图像即为脏器分割结果图。
第二方面,一种面向大面积高密度影CT图像的脏器分割装置,用于实施第一方面所述的脏器分割方法,该装置包括:
阈值优化模块,用于优化得到用于CT图像二值化的阈值;
二值化模块,用于根据优化后的阈值μ1对脏器所有CT图像进行二值化处理,产生脏器二值化图像组Plist1;
三维膨胀模块,用于对脏器二值化图像组Plist1进行三维膨胀,然后只保留体素个数大于等于设定阈值υ的三维连通域,产生脏器膨胀图像组Plist2;其中,设定阈值υ为阈值优化模块中,阈值μ1初始值下CT图像组中可识别的脏器三维连通域的大小或小于其的值,以可区分排除其他噪音产生的连通域为目标;
三维收缩模块,用于对脏器膨胀图像组Plist2进行三维收缩,产生脏器收缩图像组Plist3,三维收缩的幅度大于三维膨胀的幅度;
脏器边缘带图输出模块,用于将脏器膨胀图像组Plist2中的图像与脏器收缩图像组Plist3中对应的图像相减,再与脏器二值化图像组Plist1中对应的图像进行与运算,得到脏器边缘带图像组Plist4;
去噪模块,用于对脏器边缘带图像组Plist4中的图像去噪,产生脏器边缘轮廓图像组Plist5;
准脏器掩码图输出模块,用于将脏器二值化图像组Plist1中的图像与脏器边缘带图像组Plist4中对应的图像相减,再与脏器边缘轮廓图像组Plist5中对应的图像叠加,产生准脏器掩码图像组Plist6;
脏器掩码图输出模块,用于检测准脏器掩码图像组Plist6中图像的脏器边缘,再对脏器边缘线内的区域进行填充和对脏器边缘进行平滑,产生脏器掩码图像组Plist7;
脏器分割结果输出模块,用于将脏器掩码图像组Plist7中的图像与对应的脏器CT原图进行与运算,得到脏器分割结果图像组Plist8。
本发明提供的一种面向大面积高密度影CT图像的脏器分割方法及装置,带来了有益的技术效果:
本发明中方法和装置利用不同组织CT值存在差异,结合人体组织结构特点,通过对阈值的自动调整,尽可能多地保留高密度影中有意义的像素,增加高密度影区域的细节信息,从而改善了脏器高密度影部分的识别效果,获得脏器的粗略范围;利用非对称的膨胀与收缩操作找出尽可能小的脏器边缘的内外界,只对内外界范围进行去噪处理,可以在尽可能多地保留高密度影信息的同时获得准确的脏器边缘轮廓;最后检测脏器边缘线并对边缘线内脏器区域进行填充,通过平滑操作弥补内外界去噪后脏器边缘轮廓存在部分缺失带来的边缘误差,从而获得准确的脏器边缘。
相比传统方法,本发明中方法和装置充分挖掘和利用CT图像中的有用信息,通过尽可能多地保留高密度影中有意义的像素,改善了脏器高密度影部分的识别效果,在此基础上,通过边缘局部去噪获得准确的脏器轮廓,进而实现脏器的准确分割,避免了传统方法因高密度影细节信息缺失较多而导致部分丢失脏器分割结果不准确的问题。
附图说明
图1示出面向大面积高密度影CT图像的脏器分割流程图;
图2示出实施例1中包含大面积高密度影的肺部CT图;
图3示出实施例1中阈值优化后的肺二值化图;
图4示出实施例1中肺膨胀图;
图5示出实施例1中肺缩减图;
图6示出实施例1中肺边缘带图;
图7示出实施例1中肺边缘轮廓图;
图8示出实施例1中准肺掩码图;
图9示出实施例1中肺掩码图;
图10示出实施例1中肺分割结果图;
图11示出实施例1中传统阈值法得到的肺二值化图。
具体实施方式
下面通过附图和实施例对本发明进一步详细说明。通过这些说明,本发明的特点和优点将变得更为清楚明确。
正常的脏器如肺部在CT图像中属于低密度区域,表现为清晰的阴影部分。当发生严重病变时,脏器如肺部在CT图像就会出现大面积高密度影,导致组织细节被掩盖,使得脏器边缘如肺组织边缘不清、分割困难。
针对传统方法无法有效解决在CT图像中准确分割存在大面积高密度影的脏器的问题,本发明提出了一种面向大面积高密度影CT图像的脏器分割方法及装置,可以用于准确分割CT图像中包含大面积高密度影的脏器。本发明人经过研究,利用不同组织CT值存在差异,结合人体组织结构特点,通过对阈值的自动调整,尽可能多地保留高密度影中有意义的像素,增加高密度影区域的细节信息,从而改善了脏器高密度影部分的识别效果,但是这也会在图像中增加大量的噪声。位于脏器边缘内的噪声并不会影响脏器的分割,只有脏器边缘上的噪声才会影响脏器的分割效果。基于此,利用非对称的膨胀与收缩操作找出尽可能小的脏器边缘的内外界,只对内外界范围内进行去噪处理,可以在尽可能多地保留高密度影信息的同时获得准确的脏器边缘轮廓。最后,基于脏器高密度影部分增加的像素,沿着脏器边缘轮廓检测出脏器边缘并对边缘线内脏器区域进行填充,通过平滑操作对脏器边缘轮廓部分缺失带来的误差进行补偿,从而获得准确的脏器边缘。
如图1所示,根据本发明的第一方面,提供了一种面向大面积高密度影CT图像的脏器分割方法,包括:
S100,优化二值化阈值μ1,使采用该阈值进行二值化后,CT图像中目标脏器的高密度影区域中增加尽可能多的可识别的像素点,同时又尽可能避免其他组织的像素或噪音带来显著的干扰,此时,二值化后的高值区域的边缘位于脏器实际边缘附近。其中,阈值为CT值。
该步骤中,二值化阈值μ1可以通过以下方式获得:
S110,将一次采集的二维图像全部导入,得到二维图像组,全部二维图像通过三维重建能够得到针对图像中目标的三维图像;CT检测时,用X线束对人体某器官进行断层扫描,获得人体被检器官的断面图像,一次CT检测会产生多张断面图像(几十~几百张),所有断面图像堆叠可以获得立体图像;
S120,设定分割阈值间隔ο,判别参量阈值ε;
越小的ο值可以观察到越细粒度的统计量变化,但是,这会导致更大的计算量,同时用于判别的统计量值也更容易受到噪音干扰而波动,影响判断结果的准确性,因此,ο值选择应考虑在控制噪音干扰下的尽可能细的粒度,根据经验,在肺部CT图像中可以选择10;
S130,选择阈值搜索初始值μ0,该阈值搜索初始值μ0小于等于分割阈值;
阈值搜索初始值μ0可以从前景的经验值范围内选择,如肺部CT图像中,肺组织区域窗位的经验值范围是-450~-600,因此,可以从该区间内选择一个较低值作为搜索初始值(例如,-600);
S140,分别计算阈值(μ0-2*ο)、阈值(μ0-ο)和阈值μ0下位于前景区域中体素数量大于等于设定阈值υ的三维连通域的体素总数量N(简称为分割出的前景区域体素总数量),和/或分割出的体素总数量M,和/或分割出的非前景区域体素总数量L;其中,设定阈值υ为阈值(μ0-2*ο)下图像组中可识别的三维连通域的大小或小于其的值,设定阈值υ的取值以可区分排除其他噪音产生的连通域为目标;三维连通域可以基于连通域标记算法获得,然后,统计所有三维连通域的体素个数,保留其中体素个数大于等于υ的三维连通域,保留下的三维连通域就是当前阈值(μ0-2*ο)、(μ0-ο)或μ0下可识别出的目标脏器的体积;
S150,基于S140中测定的参数设定判别参量β,该判别参量β用以衡量分割出的前景区域体素总数量N是否出现陡增;
S160,若判别参量β>判别参量阈值ε,则跳到S180;否则,继续S170;
S170,μ0←μ0+ο,返回S140;
S180,取当前β对应的阈值μ0,并输出μ0-ο(即当前β对应的阈值μ0减去分割阈值间隔ο),作为最佳阈值。
本发明中,上述二维图像为灰度图像。若二维图像为RGB彩色图像,则需要将RGB彩色图像转换为灰度图像。转换方法包括但不限于平均法、加权平均法或者最大最小平均法等。上述方法适用于图像中前景区域像素值低于背景区域像素值的情况,若图像中前景区域像素值高于背景区域像素值的情况,则取当前图像像素值的最大值,将最大值减去每个像素的当前值作为该像素的新值,由此构建新的图像,利用这个方法,即可恢复成前景区域像素值高于背景区域像素值的情况。
由上述方法可知,其基本思想分为三个步骤,分别是:像素(体素)分割阈值搜索范围的确定;基于体素连通性的前景区域识别;基于体素统计特征的阈值判断。
(1)像素(体素)分割阈值搜索范围的确定
选择一个小于分割阈值的像素(体素)值作为初始阈值μ0,作为阈值搜索范围的下界;以分割阈值间隔ο为单位逐级增加。显然,随着阈值的升高,二值化的图像中非零值的像素(体素)点也不断增加(将背景区域设为零值,非背景区域设为非零值),增加的像素(体素)点除了一些隐藏于前景区域的前景像素外,还包括部分位于前景区域或者背景区域的噪音像素(体素)点。
(2)基于体素连通性的前景区域识别
由于前景是一个有意义的整体,因此,其体素分布具有连通性,并且,由于其在三维图像中的主体性,相互连通的区域越大,则是前景区域的可能性也越高。基于此假设,可以标记出不同阈值μ下体素数量大于等于υ的三维连通域作为与当前阈值μ相对应的前景区域。
(3)基于体素统计特征的阈值判断
随着阈值的增加,可以分割出来的前景区域的体素会不断增加,同步地,噪声数据也会增加。在阈值迭代的早期,噪声数据主要是图像中的随机噪声,且只有靠近前景区域的部分噪声才有可能被连入前景区域,因此,对于前景区域的影响较小。直到达到背景区域的像素(体素)值区间时,大量背景区域的像素会突然出现,它们会与前期的部分噪音点一起形成连续的像素(体素)区域,与前景区域连成一体,导致前景区域的体素数量陡然大幅增加。显然,在出现这种陡增变化的前一个阈值就是基于分割阈值间隔ο可以获得的最佳阈值,此时,尽可能多的前景区域像素被识别出来,而随机噪声在相对可控的范围内,背景区域的干扰又尽可能小。
该方法通过设计一种统计值即判别参量来发现这种陡增变化以确定最佳阈值。
在一种优选的实施方式中,判别参量β可以为阈值μ下分割出的大于等于设定阈值υ的三维连通域的体素总数量N(简称为分割出的前景区域体素总数量)的差分相邻比A。当A超过阈值ε时,即认为当前阈值μ已经超过了最佳分割阈值,选取(μ-ο)作为最佳分割阈值。
假设第t个阈值μt下体素数量大于υ的三维连通域的体素总数量为N0,第(t-1)个阈值μ(t-1)体素数量大于υ的三维连通域的体素总数量为N-1,第(t-2)个阈值μ(t-2)体素数量大于υ的三维连通域的体素总数量为N-2,则在第(t-2)到(t-1)步迭代中的前景区域体素总数量的差分值为(N-1-N-2),在第(t-1)和t步迭代中的前景区域体素总数量的差分值为(N0-N-1),于是,在(t-2)、(t-1)和t步迭代中前景区域体素总数量的差分相邻比 已经研究发现,在脏器对应的图像区域中,该统计量在未达到边界条件时具有稳定性,当阈值μ达到背景区域的像素(体素)值区间时,该值会发生陡增。
在另一种优选的实施方式中,判别参量β也可以为不同阈值μ下分割出的体素总数量M的差分相邻比B。体素总数量M包括作为前景区域的体素和其他未包含在其中的非零值的体素(即非前景区域体素)。
假设第t个阈值μt下分割出的体素总数量为M0,第(t-1)个阈值μ(t-1)下分割出的体素总数量为M-1,第(t-2)个阈值μ(t-2)下分割出的体素总数量为M-2,则在第(t-2)到(t-1)步迭代中分割出的体素总数量的差分值为(M-1-M-2),在第(t-1)和t步迭代中分割出的体素总数量的差分值为(M0-M-1),于是,在(t-2)、(t-1)和t步迭代中分割出的体素总数量的差分相邻比
在另一种优选的实施方式中,判别参量β还可以为阈值μ下分割出的非前景区域体素总数量(L=M-N)的差分相邻比C。
假设第t个阈值μt下分割出的非前景区域体素总数量为L0,第(t-1)个阈值μ(t-1)下分割出的非前景区域体素总数量为L-1,第(t-2)个阈值μ(t-2)下分割出的非前景区域体素总数量为L-2,则在第(t-2)到(t-1)步迭代中分割出的非前景区域体素总数量的差分值为(L-1-L-2),在第(t-1)和t步迭代中分割出的非前景区域体素总数量的差分值为(L0-L-1),于是,在(t-2)、(t-1)和t步迭代中分割出的非前景区域体素总数量的差分相邻比
在另一种优选的实施方式中,判别参量β还可以为阈值μ下分割出的前景区域体素总数量N与分割出的体素总数量M的比值绝对值(R=|N/M|)的差分相邻比D。
假设第t个阈值μt下分割出的前景区域体素总数量N与分割出的体素总数量M的比值绝对值为R0,第(t-1)个阈值μ(t-1)下分割出的前景区域体素总数量N与分割出的体素总数量M的比值绝对值为R-1,第(t-2)个阈值μ(t-2)下分割出的前景区域体素总数量N与分割出的体素总数量M的比值绝对值为R-2,则在第(t-2)到(t-1)步迭代中分割出的前景区域体素总数量N与分割出的体素总数量M的比值绝对值的差分值为(R-1-R-2),在第(t-1)和t步迭代中分割出的前景区域体素总数量N与分割出的体素总数量M的比值绝对值的差分值为(R0-R-1),于是,在(t-2)、(t-1)和t步迭代中分割出的前景区域体素总数量与分割出的体素总数量的比值绝对值的差分相邻比
在另一种优选的实施方式中,判别参量β还可以包括阈值μ下分割出的前景区域体素总数量N与分割出的非前景区域体素总数量(L=M-N)的比值绝对值(S=|N/L|)的差分相邻比E;或者阈值μ下分割出的非前景区域体素总数量L与分割出的体素总数量M的比值绝对值(T=|L/M|)的差分相邻比F;或者不同阈值μ下分割出的体素总数量M与分割出的前景区域体素总数量N的比值绝对值(1/R=|M/N|)的差分相邻比;或者阈值μ下分割出的非前景区域体素总数量(L=M-N)与分割出的前景区域体素总数量N的比值绝对值(1/S=|L/N|)的差分相邻比;或者阈值μ下分割出的体素总数量M与非前景区域体素总数量L的比值绝对值(1/T=|M/L|)的差分相邻比。
这些统计量的敏感度不一,因此判别的结果会存在一定差异,但都很接近,反映出对于这种陡增现像不同视角下的观察。
为了描述方便,我们将这类用于阈值判断的统计量统称为判别参量。
在本发明中,由于不同脏器以及不同判别参量存在差异,因此,在对不同脏器分割前,需根据选择的判别参量重新摸索针对该脏器的判别参量阈值ε。
S200,基于S100中得到的优化的阈值μ1,对脏器所有CT图像进行二值化处理,产生脏器二值化图像组Plist1,其中,脏器二值化图像组Plist1中的图像称为脏器二值化图。
该步骤中,二值化处理后,得到的脏器二值化图中脏器区域的灰度值设为一致且选自1~255,优选地,脏器区域的灰度值为1,其他背景区域的灰度值设为0。
在本发明中,各图像组中所有CT图像按其对应的原始图像在CT扫描时的产生顺序排布。
S300,对脏器二值化图像组Plist1进行宽度为λ的三维膨胀,只保留体素个数大于等于设定阈值υ的三维连通域,产生脏器膨胀图像组Plist2,其中,脏器膨胀图像组Plist2中的图像称为脏器膨胀图;设定阈值υ为S100中,阈值μ1初始值下CT图像组中脏器三维连通域的大小或小于其的值,以可区分排除其他噪音产生的连通域为目标;
该步骤中,宽度λ针对不同的脏器根据经验值设定,对于肺分割而言,一般为3~7个像素,如5个像素。
λ取值考虑的标准为:(a)在该宽度下进行三维膨胀,能够将脏器中的散点以及脏器边缘附近的散点,与脏器主体区域合并,以避免以散点形式存在的可识别的脏器像素的漏失;(b)避免纳入太多图像噪音或者非目标脏器组织形成的噪音。
例如,图3为阈值优化后的肺二值化图,肺上部边缘完整边界清晰,然而,由于原CT图中肺下部存在大面积高密度影,导致图3中肺下部出现大面积以散点形式出现的区域,边缘不清晰,该区域内既有大量以散点存在的肺组织像素,也有很多图像噪音,该区域外也有大量噪音点,尤其是靠近肺组织的外围区域。本发明人经过摸索发现,当膨胀5个像素时,能够满足将肺组织高密度影区域的像素点完全并入肺组织主体区域,同时尽量少地纳入肺组织外的噪音。肺组织是连续的实体,膨胀操作将尽可能多的靠近肺组织主体区域的散点合并在一起,因此,可以获得比肺实际体积更大的实体。未纳入该连续实体的散点像素(体素)都可以归于噪音。基于此,只保留体素个数大于等于υ的三维连通域,将不在保留连通域中的散点像素(体素)都设为背景,取值为0,由此得到的图像如图4所示。
S400,对脏器膨胀图像组Plist2进行宽度为λ+ο2的三维收缩,产生脏器收缩图像组Plist3,其中,脏器收缩图像组Plist3中的图像称为脏器收缩图。该步骤中,ο2>0,也就是说,三维收缩的幅度大于三维膨胀的幅度,进而通过膨胀图像与收缩图像相减,能够获得脏器边缘的内外界,脏器实际边缘就在内外界之间。ο2针对不同的脏器根据经验值设定,对于肺分割而言,一般为1~3个像素,如2个像素。
ο2取值考虑的标准为:(a)将膨胀后的三维连通域的边缘收缩到实际的脏器边缘以内,以获得脏器边缘的内界;(b)提供足够但尽可能小的边缘调整幅度。
例如,图4为肺膨胀图。三维膨胀会将距离较近的点都与肺组织主体合并在一起,在尽可能多地将可能的肺组织的像素(体素)包括进来的同时,也会纳入一些靠近肺组织边缘的噪音。由于实例中一般都会有部分肺边缘是清晰的(如图3中的肺上部边缘),膨胀时是从该边缘开始向外扩张,从效果上看,肺实体会向外扩大,因此,膨胀后的肺的外缘一定在肺实际边缘的外外侧,可以作为肺实际边缘的外界;同理,膨胀后再向内收缩λ+ο2(ο2>0),收缩后的肺的外缘一定位于肺实际边缘的内侧,可以作为肺实际边缘的内界。又因为在内外界之间在S200的二值化图中存在很多散点像素(体素),它们有一些是有意义的肺组织像素(体素),有一些是图像噪音或者其他肺外组织引起的噪音,它们会导致肺边缘出现形变,因此,必须在肺实际边缘左右提供必要的宽度进行适当的边界调整,以保证边缘连续和平滑。采用非对称的膨胀收缩操作后可以得到λ+ο2宽度的边缘带,在肺实际边缘的内测至少保留了ο2宽度的边界调整范围。当ο2为0时,没有保留边界调整范围,可能因为噪音导致肺边缘形变,最典型的就是有部分凸起;当ο2大于0但过小时,则会因为预留的范围太小而无法完全消除噪音引起的形变;当ο2大于0但过大时,则会因为预留的范围过大而导致部分在高密度影内的边缘丢失信息,无法准确检测。
S500,将脏器膨胀图像组Plist2中的图像与脏器收缩图像组Plist3中对应的图像相减,再与脏器二值化图像组Plist1中对应的图像进行与运算,得到脏器边缘带图像组Plist4,其中,脏器边缘带图像组Plist4中的图像称为脏器边缘带图。在该步骤中,脏器膨胀图像组Plist2中的图像与脏器收缩图像组Plist3中对应的图像相减,灰度值相同的像素取值为0,灰度值不相同的像素取值为与脏器膨胀图像组Plist2图像中对应的像素值一致,此时获得宽度为λ+ο2的脏器边缘带掩码图。
在该步骤中,相减后得到的脏器边缘带掩码图与脏器二值化图像组Plist1中对应的图像进行与运算,根据脏器边缘带掩码图的背景区域,将脏器二值化图中相应部分的灰度值设置为0,得到脏器边缘带图像组Plist4。
由上文可知,通过优化后得到的阈值,尽可能多地保留了高密度影中有意义的像素,增加高密度影区域的细节信息,从而改善了目标脏器高密度影部分的识别效果,但同时这也会在图像中增加大量的噪声;位于脏器边缘内的噪声并不会影响脏器的分割,位于脏器边缘外侧附近的噪声才会影响脏器的分割效果。因此,通过步骤S300~S500,利用非对称的膨胀与收缩操作找出脏器边缘的内外界,然后再对内外界范围内进行去噪处理(步骤S600),即可以在尽可能多地保留下脏器高密度影区域信息的同时获得准确的脏器边缘轮廓。
S600,对脏器边缘带图像组Plist4中的图像去噪,产生脏器边缘轮廓图像组Plist5,其中,脏器边缘轮廓图像组Plist5中的图像称为脏器边缘轮廓图。
在该步骤中,去噪的方法包括但不限于中值滤波法等。
在该步骤中,去噪的原因在于:基于优化后得到的阈值进行二值化,目的是尽可能多地保留有意义的脏器像素,特别是脏器高密度影区域的像素,但是同时会导致大量的噪音出现,尤其在肺边缘附近;若不实施该去噪步骤,直接检测肺的边缘线,则会因为噪音的影响而导致肺边缘线出现形变,典型的是出现凸起,这种形变会难以消除。
S700,将脏器二值化图像组Plist1中的图像与脏器边缘带图像组Plist4中对应的图像相减,再与脏器边缘轮廓图像组Plist5中对应的图像叠加,产生准脏器掩码图像组Plist6。其中,准脏器掩码图像组Plist6中的图像称为准脏器掩码图。
在该步骤中,脏器二值化图像组Plist1中的图像与脏器边缘带图像组Plist4中对应的图像相减,灰度值相同的像素取值为0,灰度值不相同的像素取值为与S200的脏器二值化图中脏器像素值一致。
在该步骤中,图像叠加时,两图像中灰度值均为0的像素点叠加后取值为0,灰度值不都为0的像素点叠加后取值为两者中的较高值。
S800,检测准脏器掩码图像组Plist6中图像的脏器边缘,再对脏器边缘线内的区域进行填充,最后对脏器边缘进行平滑,由此产生脏器掩码图像组Plist7;其中,脏器掩码图像组Plist7中图像称为脏器掩码图。
该步骤中,平滑可以在填充处理之前或之后进行。
填充处理后脏器边缘内像素点取统一非0值,优选与S200的脏器二值化图中脏器像素值一致,脏器边缘外区域像素点取0值。
该步骤中,检测准脏器掩码图像组Plist6中图像的脏器边缘的方法包括但不限于闭运算,还可选用其他适用于破碎边缘目标的检测方法。平滑的方法包括但不限于均值滤波法、中值滤波法、或高斯滤波法。
该步骤中,对脏器边缘进行平滑的原因在于:对脏器边缘带图像组Plist4中的脏器边缘带图去噪可以获得准确的脏器边缘轮廓,但是,由于部分脏器边缘位于高密度影区域,因此原来增加的以散点形式存在的像素点,包括有意义的脏器像素和噪音像素,也会在去噪过程中都被消除。这就会导致部分位于高密度影区域的脏器边缘因为信息损失过多而无法通过脏器边缘带内的像素点检测到。在该步骤的边缘检测中,这部分脏器边缘是依赖于边缘带内侧高密度影区域其他增加的像素产生的,这会导致误差的出现,即检测到的边缘在实际边缘的内侧。而另一方面,细节信息保持较好的脏器边缘的检测结果是准确的,这就使得脏器边缘在高密度影区域出现部分内陷。通过在S400中的ο2取值的选择,已经为脏器边缘调整提供了一个幅度范围,利用平滑操作,可以在该幅度内对内陷的脏器边缘进行补偿,从而获得准确的脏器边缘。
S900,将脏器掩码图像组Plist7中的图像与对应的脏器CT原图进行与运算,得到脏器分割结果图像组Plist8;其中,脏器分割结果图像组Plist8中的图像即为脏器分割结果图。
该步骤中,通过与运算,根据脏器掩码图像组Plist7中图像的背景区域,将原CT图像相应部分的灰度值设置为0,得到脏器分割结果图。
我们知道,受脏器生理排布、CT成像方式的限制以及CT值差异的影响,单张CT图像中的目标脏器上可能会出现由于其他脏器造成的孔洞。已经发现可能存在孔洞的有肺CT图像,其中右肺上可能受肝脏影响出现大的孔洞,左肺上可能受脾脏、胃的影响而出现大的孔洞。该其他脏器造成的孔洞虽处于目标脏器内部,但是无法体现脏器的真实状况,为干扰因素,因而有必要将其排除脏器范围。
在本发明中,上述方法同样适用于CT图像中存在其他脏器造成的孔洞的情况,采用相同的步骤,可以排除其他脏器造成的孔洞对目标脏器分割的干扰。
根据本发明的二方面,提供了一种面向大面积高密度影CT图像的脏器分割装置,该装置包括:
阈值优化模块,用于优化得到用于CT图像二值化的阈值,采用该阈值进行二值化后,CT图像中目标脏器的高密度影区域中增加尽可能多的可识别的像素点,同时又尽可能避免其他组织的像素或噪音带来显著的干扰,此时,二值化后的高值区域的边缘位于脏器实际边缘附近;
二值化模块,用于根据优化后的阈值μ1对脏器所有CT图像进行二值化处理,产生脏器二值化图像组Plist1;
三维膨胀模块,用于对脏器二值化图像组Plist1进行三维膨胀,然后只保留体素个数大于等于设定阈值υ的三维连通域,产生脏器膨胀图像组Plist2;其中,设定阈值υ为阈值优化模块中,阈值μ1初始值下CT图像组中可识别的脏器三维连通域的大小或小于其的值,该设定阈值υ的取值以可区分排除其他噪音产生的连通域为目标;对于成对的脏器(如肺、肾脏)而言,任意单个脏器上均会形成一个三维连通域,设定阈值υ为其中较小的三维连通域的大小或小于其的值,以可区分排除其他噪音产生的连通域为目标;
三维收缩模块,用于对脏器膨胀图像组Plist2进行三维收缩,产生脏器收缩图像组Plist3,三维收缩的幅度大于三维膨胀的幅度;脏器边缘带图输出模块,用于将脏器膨胀图像组Plist2中的图像与脏器收缩图像组Plist3中对应的图像相减,再与脏器二值化图像组Plist1中对应的图像进行与运算,得到脏器边缘带图像组Plist4;去噪模块,用于对脏器边缘带图像组Plist4中的图像去噪,产生脏器边缘轮廓图像组Plist5;
准脏器掩码图输出模块,用于将脏器二值化图像组Plist1中的图像与脏器边缘带图像组Plist4中对应的图像相减,再与脏器边缘轮廓图像组Plist5中对应的图像叠加,产生准脏器掩码图像组Plist6;
脏器掩码图输出模块,用于检测准脏器掩码图像组Plist6中图像的脏器边缘,再对脏器边缘线内的区域进行填充和对脏器边缘进行平滑,产生脏器掩码图像组Plist7;
脏器分割结果输出模块,用于将脏器掩码图像组Plist7中的图像与对应的脏器CT原图进行与运算,得到脏器分割结果图像组Plist8。脏器分割结果图像组Plist8中的图像称为脏器分割结果图,为对应各CT原图的分割结果。
本发明中的上述装置,对应的可用于执行上述解析方法的技术方案,其实现原理和技术效果类似,在此不再赘述。
本领域的技术人员可以理解:实现上述方法的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于计算机可读取存储介质中。该程序在执行时,执行包括上述方法的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
实施例
实施例1
对图2中CT图像进行肺分割以得到完整肺组织区域,受疾病影响,该CT图像中肺部存在大面积高密度影,分割方法流程如图1所示。
由于肺不同于其他器官,其CT图像中存在气管、主支气管,在实施分割之前,可以对图像进行预处理,以消除气管、主支气管对脏器分割范围的影响(如不进行该预处理,分割结果中会存在该气管、主支气管,两侧的肺组织会形成统一的连通域。如果肺分割需要保留气管、主支气管,则可以对相关参数进行适当调整),预处理方式如下:利用气管、主支气管CT值范围低于肺组织且相互连通的特点,采用包括但不限于阈值法、区域增长法、连通域标记算法等方法,识别出气管、主支气管区域并将其像素设置为背景值。
(1)输入存在大面积高密度影的一组肺部CT图像,其中之一如图2所示,具有显著的高密度影区域,图像组中所有CT图像按其对应的原始图像在CT扫描时的产生顺序排布;(2)设定分割阈值间隔ο(本例中默认取10),判别参量阈值ε(本例中取100);(3)选择一个小于分割阈值的值μ0作为阈值搜索初始值,根据临床经验,人体肺部组织的窗位为-450~-600之间,因此,可以选择-600作为其搜索初始值;(4)计算所有CT图像中阈值(μ0-2*ο)下体素数量大于等于设定阈值υ的三维连通域并计算它们的体素总数量N-2;(5)计算所有CT图像中阈值(μ0-ο)下体素数量大于等于设定阈值υ的三维连通域并计算它们的体素总数量N-1;(5)计算所有CT图像中阈值μ0下体素数量大于等于设定阈值υ的三维连通域并计算它们的体素总数量N0;(6)计算判别参量β=(N0-N-1)/(N-1-N-2);(7)若β>ε,则跳到(9),否者继续(8);(8)N-2←N-1,N-1←N0,μ0←μ0+ο,返回(5);(9)取β对应的阈值μ0,μ1←μ0-o;
(10)基于阈值μ1对脏器所有CT图像进行二值化,产生脏器二值化图像组Plist1,其中的肺二值化图如图3所示;(11)对脏器二值化图像组Plist1进行宽度为λ(取值为5)的三维膨胀,只保留体素个数大于等于υ的三维连通域,产生脏器膨胀图像组Plist2,其中的肺膨胀图如图4所示;(12)对脏器膨胀图像组Plist2进行宽度为λ+ο2(取值为7)的三维收缩,产生脏器收缩图像组Plist3,其中的肺收缩图如图5所示;(13)将脏器膨胀图像组Plist2中的图像与脏器收缩图像组Plist3中对应的图像相减,再与脏器二值化图像组Plist1中对应的图像进行与运算,得到脏器边缘带图像组Plist4,其中的肺边缘带图如图6所示;(14)对脏器边缘带图像组Plist4中的图像去噪,产生脏器边缘轮廓图像组Plist5,其中的肺边缘轮廓图如图7所示;(15)将脏器二值化图像组Plist1中的图像与脏器边缘带图像组Plist4中对应的图像相减,再与脏器边缘轮廓图像组Plist5中对应的图像叠加,取对应像素较高值,产生准脏器掩码图像组Plist6,其中的准肺掩码图如图8所示;
(16)采用闭运算检测准脏器掩码图像组Plist6中图像的脏器边缘,填充脏器边缘线内区域,对脏器边缘内像素点取统一非0值,对边缘外区域像素点取0值,然后对边缘进行平滑,产生脏器掩码图像组Plist7,其中的肺掩码图如图9所示;(17)将脏器掩码图像组Plist7中的图像与对应的脏器CT原图进行与运算,得到脏器分割结果图像组Plist8,其中的肺分割结果图如图10所示。
采用传统阈值法,对原CT图像进行二值化处理,得到二值化图如图11所示。可知,利用本发明中阈值优化方法得到的阈值,可以尽可能多地保留高密度影中有意义的像素,增加高密度影区域的细节信息,从而获得更为完整准确的肺分割图。
以上结合了优选的实施方式对本发明进行了说明,不过这些实施方式仅是范例性的,仅起到说明性的作用。在此基础上,可以对本发明进行多种替换和改进,这些均落入本发明的保护范围内。
Claims (9)
1.一种面向大面积高密度影CT图像的脏器分割方法,其特征在于,包括:
S100,优化二值化阈值μ1,使采用该阈值进行二值化后,CT图像中高值区域的边缘位于脏器实际边缘附近;
S200,基于S100中得到的优化的阈值μ1,对脏器所有CT图像进行二值化处理,产生脏器二值化图像组Plist1;
S300,对脏器二值化图像组Plist1进行三维膨胀,只保留体素个数大于等于设定阈值υ的三维连通域,产生脏器膨胀图像组Plist2;其中,设定阈值υ为S100中,阈值μ1初始值下CT图像组中可识别的脏器三维连通域的大小或小于其的值,以可区分排除其他噪音产生的连通域为目标;
S400,对脏器膨胀图像组Plist2进行三维收缩,产生脏器收缩图像组Plist3;其中,三维收缩的幅度大于三维膨胀的幅度;
S500,将脏器膨胀图像组Plist2中的图像与脏器收缩图像组Plist3中对应的图像相减,再与脏器二值化图像组Plist1中对应的图像进行与运算,得到脏器边缘带图像组Plist4;
S600,对脏器边缘带图像组Plist4中的图像去噪,产生脏器边缘轮廓图像组Plist5;
S700,将脏器二值化图像组Plist1中的图像与脏器边缘带图像组Plist4中对应的图像相减,再与脏器边缘轮廓图像组Plist5中对应的图像叠加,产生准脏器掩码图像组Plist6;
S800,检测准脏器掩码图像组Plist6中图像的脏器边缘,再对脏器边缘线内的区域进行填充,最后对脏器边缘进行平滑,由此产生脏器掩码图像组Plist7;
S900,将脏器掩码图像组Plist7中的图像与对应的脏器CT原图进行与运算,得到脏器分割结果图像组Plist8;其中,脏器分割结果图像组Plist8中的图像即为脏器分割结果图。
2.根据权利要求1所述的方法,其特征在于,S100中二值化阈值μ1可以通过以下方式获得:
S110,将一次采集的二维图像全部导入,得到二维图像组,全部二维图像通过三维重建能够得到针对图像中目标的三维图像;
S120,设定分割阈值间隔ο,判别参量阈值ε;
S130,选择阈值搜索初始值μ0,该阈值搜索初始值μ0小于等于分割阈值;
S140,分别计算阈值μ0-2*ο、阈值μ0-ο和阈值μ0下分割出的前景区域体素总数量N,和/或分割出的体素总数量M,和/或分割出的非前景区域体素总数量L;
S150,基于S140中测定的参数设定判别参量β,该判别参量β用以衡量分割出的前景区域体素总数量N是否出现陡增;
S160,若判别参量β>判别参量阈值ε,则跳到S180;否则,继续S170;
S170,μ0←μ0+ο,返回S140;
S180,取当前β对应的阈值μ0,并输出μ0-ο,作为最佳阈值。
3.根据权利要求1所述的方法,其特征在于,在S200中,二值化处理后,脏器二值化图中脏器区域的灰度值设为一致且选自1~255,其他背景区域的灰度值设为0。
4.根据权利要求1所述的方法,其特征在于,在S300中,以宽度λ进行三维膨胀,宽度λ的选用标准包括:(a)在该宽度下进行三维膨胀,能够将脏器中的散点以及脏器边缘附近的散点,与脏器主体区域合并,以避免以散点形式存在的脏器像素的漏失;(b)避免纳入太多图像噪音或者非目标脏器组织形成的噪音。
5.根据权利要求4所述的方法,其特征在于,在S400中,以宽度λ+ο2进行三维收缩,ο2取值考虑的标准为:(a)将膨胀后的三维连通域的边缘收缩到实际的脏器边缘以内;(b)提供足够但尽可能小的边缘调整幅度。
6.根据权利要求1所述的方法,其特征在于,在S500中,脏器膨胀图像组Plist2中的图像与脏器收缩图像组Plist3中对应的图像相减,灰度值相同的像素取值为0,灰度值不相同的像素取值为与脏器膨胀图像组Plist2图像中对应的像素值一致;相减后的结果称为脏器边缘带掩码图,以此为掩码,与S200中脏器二值化图像组Plist1中对应的图像做与运算,根据脏器边缘带掩码图的背景区域,将脏器二值化图中相应部分的灰度值设置为0,得到脏器边缘带图像组Plist4。
7.根据权利要求1所述的方法,其特征在于,在S700中,脏器二值化图像组Plist1中的图像与脏器边缘带图像组Plist4中对应的图像相减,灰度值相同的像素取值为0,灰度值不相同的像素取值为与S200的脏器二值化图中脏器像素值一致。
8.根据权利要求1所述的方法,其特征在于,在S800中,平滑可以在填充处理之前或之后进行;
填充处理后脏器边缘内像素点取统一非0值,脏器边缘外区域像素点取0值。
9.一种面向大面积高密度影CT图像的脏器分割装置,用于实现上述权利要求1至8之一所述的方法,其特征在于,该装置包括:
阈值优化模块,用于优化得到用于CT图像二值化的阈值;
二值化模块,用于根据优化后的阈值μ1对脏器所有CT图像进行二值化处理,产生脏器二值化图像组Plist1;
三维膨胀模块,用于对脏器二值化图像组Plist1进行三维膨胀,然后只保留体素个数大于等于设定阈值υ的三维连通域,产生脏器膨胀图像组Plist2;其中,设定阈值υ为阈值优化模块中,阈值μ1初始值下CT图像组中可识别的脏器三维连通域的大小或小于其的值,以可区分排除其他噪音产生的连通域为目标;
三维收缩模块,用于对脏器膨胀图像组Plist2进行三维收缩,产生脏器收缩图像组Plist3,三维收缩的幅度大于三维膨胀的幅度;
脏器边缘带图输出模块,用于将脏器膨胀图像组Plist2中的图像与脏器收缩图像组Plist3中对应的图像相减,再与脏器二值化图像组Plist1中对应的图像进行与运算,得到脏器边缘带图像组Plist4;
去噪模块,用于对脏器边缘带图像组Plist4中的图像去噪,产生脏器边缘轮廓图像组Plist5;
准脏器掩码图输出模块,用于将脏器二值化图像组Plist1中的图像与脏器边缘带图像组Plist4中对应的图像相减,再与脏器边缘轮廓图像组Plist5中对应的图像叠加,产生准脏器掩码图像组Plist6;
脏器掩码图输出模块,用于检测准脏器掩码图像组Plist6中图像的脏器边缘,再对脏器边缘线内的区域进行填充和对脏器边缘进行平滑,产生脏器掩码图像组Plist7;
脏器分割结果输出模块,用于将脏器掩码图像组Plist7中的图像与对应的脏器CT原图进行与运算,得到脏器分割结果图像组Plist8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010187761.8A CN111415340B (zh) | 2020-03-17 | 2020-03-17 | 一种面向大面积高密度影ct图像的脏器分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010187761.8A CN111415340B (zh) | 2020-03-17 | 2020-03-17 | 一种面向大面积高密度影ct图像的脏器分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111415340A true CN111415340A (zh) | 2020-07-14 |
CN111415340B CN111415340B (zh) | 2022-12-06 |
Family
ID=71494143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010187761.8A Active CN111415340B (zh) | 2020-03-17 | 2020-03-17 | 一种面向大面积高密度影ct图像的脏器分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111415340B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686915A (zh) * | 2021-03-11 | 2021-04-20 | 聚时科技(江苏)有限公司 | 一种基于全卷积神经网络的光伏组件图片切割方法 |
CN112767375A (zh) * | 2021-01-27 | 2021-05-07 | 深圳技术大学 | 基于计算机视觉特征的oct图像分类方法及系统、设备 |
CN112884792A (zh) * | 2021-02-02 | 2021-06-01 | 青岛海信医疗设备股份有限公司 | 肺部图像分割的方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139454A (zh) * | 2015-08-06 | 2015-12-09 | 北京工业大学 | 一种三维ct图像中肝脏三维感兴趣区域的自动提取方法 |
CN110503649A (zh) * | 2019-07-05 | 2019-11-26 | 陕西科技大学 | 一种基于空间多尺度U-net与超像素修正的肝脏分割方法 |
CN110766713A (zh) * | 2019-10-30 | 2020-02-07 | 上海微创医疗器械(集团)有限公司 | 肺部图像分割方法、装置和肺部病变区域识别设备 |
-
2020
- 2020-03-17 CN CN202010187761.8A patent/CN111415340B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139454A (zh) * | 2015-08-06 | 2015-12-09 | 北京工业大学 | 一种三维ct图像中肝脏三维感兴趣区域的自动提取方法 |
CN110503649A (zh) * | 2019-07-05 | 2019-11-26 | 陕西科技大学 | 一种基于空间多尺度U-net与超像素修正的肝脏分割方法 |
CN110766713A (zh) * | 2019-10-30 | 2020-02-07 | 上海微创医疗器械(集团)有限公司 | 肺部图像分割方法、装置和肺部病变区域识别设备 |
Non-Patent Citations (2)
Title |
---|
孔平等: "分形理论在肝脏CT影像分割中的应用研究", 《计算机工程与应用》 * |
江东等: "基于先验知识的CT影像自动勾画研究及应用", 《电脑知识与技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767375A (zh) * | 2021-01-27 | 2021-05-07 | 深圳技术大学 | 基于计算机视觉特征的oct图像分类方法及系统、设备 |
CN112767375B (zh) * | 2021-01-27 | 2022-03-08 | 深圳技术大学 | 基于计算机视觉特征的oct图像分类方法及系统、设备 |
CN112884792A (zh) * | 2021-02-02 | 2021-06-01 | 青岛海信医疗设备股份有限公司 | 肺部图像分割的方法、装置、电子设备及存储介质 |
CN112884792B (zh) * | 2021-02-02 | 2022-10-25 | 青岛海信医疗设备股份有限公司 | 肺部图像分割的方法、装置、电子设备及存储介质 |
CN112686915A (zh) * | 2021-03-11 | 2021-04-20 | 聚时科技(江苏)有限公司 | 一种基于全卷积神经网络的光伏组件图片切割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111415340B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dogra et al. | Brain tumor detection from MR images employing fuzzy graph cut technique | |
CN111415340B (zh) | 一种面向大面积高密度影ct图像的脏器分割方法及装置 | |
Sluimer et al. | Toward automated segmentation of the pathological lung in CT | |
Rusko et al. | Fully automatic liver segmentation for contrast-enhanced CT images | |
Militzer et al. | Automatic detection and segmentation of focal liver lesions in contrast enhanced CT images | |
CN109146854B (zh) | 一种肺结节与肺部血管伴生关系的分析方法 | |
US7787673B2 (en) | Method and apparatus for airway detection and segmentation using 3D morphological operators | |
EP3497669B1 (en) | Method for automatically detecting systemic arteries in arbitrary field-of-view computed tomography angiography (cta). | |
US9875570B2 (en) | Method for processing image data representing a three-dimensional volume | |
Xiao et al. | Pulmonary fissure detection in CT images using a derivative of stick filter | |
US8577104B2 (en) | Liver lesion segmentation | |
Memon et al. | Segmentation of lungs from CT scan images for early diagnosis of lung cancer | |
US7480401B2 (en) | Method for local surface smoothing with application to chest wall nodule segmentation in lung CT data | |
CN109753997B (zh) | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 | |
Chien et al. | A decision function method for boundary detection | |
Essa et al. | Shape prior model for media-adventitia border segmentation in IVUS using graph cut | |
Kaftan et al. | Fuzzy pulmonary vessel segmentation in contrast enhanced CT data | |
Hassan et al. | Skin lesion segmentation using gray level co-occurance matrix | |
CN112712540B (zh) | 一种基于ct影像的肺部支气管提取方法 | |
CN111260673B (zh) | 一种适用边缘破碎脏器造影的脏器实质分割方法及装置 | |
Ukil et al. | Smoothing lung segmentation surfaces in 3D X-ray CT images using anatomic guidance | |
Appia et al. | Lung fissure detection in CT images using global minimal paths | |
KR101474162B1 (ko) | 흉부 컴퓨터 단층 영상의 간유리음영 결절 자동 분할 시스템 및 그 분할 방법 | |
Kumar et al. | Automatic segmentation of lung lobes and fissures for surgical planning | |
CN113780421B (zh) | 基于人工智能的脑部pet影像识别方法 |
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 |