CN111462063A - 肺部双气相ct图像三维配准方法及系统、存储介质及终端 - Google Patents

肺部双气相ct图像三维配准方法及系统、存储介质及终端 Download PDF

Info

Publication number
CN111462063A
CN111462063A CN202010223698.9A CN202010223698A CN111462063A CN 111462063 A CN111462063 A CN 111462063A CN 202010223698 A CN202010223698 A CN 202010223698A CN 111462063 A CN111462063 A CN 111462063A
Authority
CN
China
Prior art keywords
lung
image
phase
gas
double
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
CN202010223698.9A
Other languages
English (en)
Other versions
CN111462063B (zh
Inventor
刘士远
萧毅
范丽
房劬
刘维平
赵夕
曹瑞婷
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.)
Shanghai Xingmai Information Technology Co ltd
Original Assignee
Shanghai Xingmai Information 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 Shanghai Xingmai Information Technology Co ltd filed Critical Shanghai Xingmai Information Technology Co ltd
Priority to CN202010223698.9A priority Critical patent/CN111462063B/zh
Publication of CN111462063A publication Critical patent/CN111462063A/zh
Application granted granted Critical
Publication of CN111462063B publication Critical patent/CN111462063B/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
    • G06T7/0002—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
    • G06T7/187—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
    • 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
    • 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
    • G06T2207/30—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)
  • 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

本发明提供一种肺部双气相CT图像三维配准方法及系统、存储介质及终端，包括以下步骤：提取肺部双气相CT图像中的肺野区域；提取所述肺部双气相CT图像中CT值大于高密度阈值的高密度区域；基于所述肺野区域和所述高密度区域进行级联配准，以实现所述肺部双气相CT图像的三维配准。本发明的肺部双气相CT图像三维配准方法及系统、存储介质及终端通过提取掩膜和级联配准，实现了肺部双气相CT图像的有效配准，准确度高，稳定性好。

Description

肺部双气相CT图像三维配准方法及系统、存储介质及终端
技术领域
本发明涉及图像处理的技术领域，特别是涉及一种肺部双气相CT图像三维配准方法及系统、存储介质及终端。
背景技术
慢性阻塞性肺疾病(chronic obstructive pulmonary diseases，COPD)是一种常见的以持续气流受限为特征的可以预防和治疗的疾病，气流受限进行性发展，与气道和肺脏对有毒颗粒或气体的慢性炎性反应增强有关，具有较高的致残率和致死亡率。
近年来，电子计算机断层扫描(Computed Tomography，CT)定量测量成为COPD检查的一种常用手段。具体地，在分别获得患者吸气相和呼气相的肺部CT图像后，并进行双气相CT图像配准，以进行进一步分析诊断。
然而，现有技术中，医院重建的双气相肺部CT图像的层间距可能在2倍及以上，两个肺部CT图像的大小和形态差异较大。基于这样的肺部双气相CT图像直接进行配准容易出现过度拟合、图像扭曲，或者位置不准的问题。在配准不准确的双气相肺部CT图像上进行后续分析，例如空气潴留(Air Trapping)计算，会出现偏移严重的错误结果。因此，如何实现肺部双气相CT图像的配准成为当前亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种肺部双气相CT图像三维配准方法及系统、存储介质及终端，通过提取掩膜(MASK)和级联配准，实现了肺部双气相CT图像的有效配准，准确度高，稳定性好。
为实现上述目的及其他相关目的，本发明提供一种肺部双气相CT图像三维配准方法，包括以下步骤：提取肺部双气相CT图像中的肺野区域；提取所述肺部双气相CT图像中CT值大于高密度阈值的高密度区域；基于所述肺野区域和所述高密度区域进行级联配准，以实现所述肺部双气相CT图像的三维配准。
于本发明一实施例中，提取肺部双气相CT图像中的肺野区域包括以下步骤：
提取所述肺部双气相CT图像中CT值小于低密度阈值的低密度连通区域；
提取所述低密度连通区域中的双肺连通区域，以作为所述肺野区域。
于本发明一实施例中，提取所述肺部双气相CT图像中CT值小于低密度阈值的低密度连通区域包括以下步骤：
提取所述肺部双气相CT图像中CT值小于低密度阈值的低密度区域；
采用边界清理算法清除所述低密度区域中的人体外空气区域；
通过孔洞修复算法填充所述低密度区域，以得到所述低密度连通区域。
于本发明一实施例中，提取所述低密度连通区域中的双肺连通区域包括以下步骤：
在三维上搜索所述低密度连通区域的26连接度的连通域；
将搜索到的连通域进行闭运算，并根据体积进行排序；
根据体积顺序，逐个将所述连通域加入到肺区域集合中，直到所述肺区域集合的外接包围盒达到所述肺部双气相CT图像的一半以上；
将所述肺区域集合转换为所述双肺连通区域。
于本发明一实施例中，提取所述肺部双气相CT图像中CT值大于高密度阈值的高密度区域包括以下步骤：
对所述肺部双气相CT图像进行去噪处理；
基于去噪后的肺部双气相CT图像和所述肺野区域获取肺部图像；
在所述肺部图像中提取CT值大于高密度阈值的高密度区域。
于本发明一实施例中，基于三维块匹配算法对所述肺部双气相CT图像进行去噪处理。
于本发明一实施例中，基于所述肺野区域和所述高密度区域进行级联配准包括以下步骤：
将肺部呼气相CT图像的坐标中心作为变形中心；
基于所述变形中心对肺部呼气相CT图像进行仿射变换，以使变换后的肺部呼气相CT图像和肺部吸气相CT图像大小相同；
以所述肺野区域作为掩膜，对变换后的肺部呼气相CT图像进行B样条几何变换；
以所述高密度区域为掩膜，对B样条几何变换后的肺部呼气相CT图像进行B样条几何变换。
对应地，本发明提供一种肺部双气相CT图像三维配准系统，包括第一提取模块、第二提取模块和配准模块；
所述第一提取模块用于提取肺部双气相CT图像中的肺野区域；
所述第二提取模块用于提取所述肺部双气相CT图像中CT值大于高密度阈值的高密度区域；
所述配准模块用于基于所述肺野区域和所述高密度区域进行级联配准，以实现所述肺部双气相CT图像的三维配准。
本发明提供一种存储介质，其上存储有计算机程序，该所述计算机程序被处理器执行时实现上述的肺部双气相CT图像三维配准方法。
最后，本发明提供一种终端，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行上述的肺部双气相CT图像三维配准方法。
如上所述，本发明的肺部双气相CT图像三维配准方法及系统、存储介质及终端，具有以下有益效果：
(1)解决了肺部双气相CT图像不同层间距，即肺部吸气相CT图像和肺部呼气相CT图像在Z方向上分辨率不同带来的配准不准确问题；
(2)通过提取掩膜和级联配准，实现了肺部双气相CT图像的有效配准；
(3)准确度高，稳定性好。
附图说明
图1显示为本发明的肺部双气相CT图像三维配准方法于一实施例中的流程图；
图2(a)显示为本发明的肺部吸气相CT图像于一实施例中的冠状位层面示意图；
图2(b)显示为本发明的肺部呼气相CT图像于一实施例中的冠状位层面示意图；
图2(c)显示为图2(a)和图2(b)的肺部双气相CT图像三维配准后的肺部呼气相CT图像的冠状位层面示意图；
图2(d)显示为图2(a)的肺部吸气相CT图像与图2(c)的肺部呼气相CT图像相减后的图像的横断位层面示意图；
图3显示为本发明的肺部双气相CT图像三维配准系统于一实施例中的结构示意图；
图4显示为根本发明的终端于一实施例中的结构示意图。
元件标号说明
31 第一提取模块
32 第二提取模块
33 配准模块
41 处理器
42 存储器
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明的肺部双气相CT图像三维配准方法及系统、存储介质及终端通过在肺部双气相CT图像上提取掩膜(MASK)，并进行级联配准，从而实现了肺部双气相CT图像的准确配准，稳定性好，有利于后续的疾病的诊断和治疗。
如图1所示，于一实施例中，本发明的肺部双气相CT图像三维配准方法包括以下步骤：
步骤S1、提取肺部双气相CT图像中的肺野区域。
充满气体的两肺在胸片上表现为均匀一致较为透明的区域称肺野。正位片上，两侧肺野透明度基本相同，其透明度与肺内所含气体量成正比。在本发明中，肺部双气相CT图像是指三维CT图像。本发明是针对三维图像进行的图像配准方法。
于本发明一实施例中，提取肺部双气相CT图像中的肺野区域包括以下步骤：
11)提取所述肺部双气相CT图像中CT值小于低密度阈值的低密度连通区域。
于本发明一实施例中，设定所述低密度阈值为-320HU。首先，在所述肺部双气相CT图像上获取CT值小于所述低密度阈值-320HU的区域，作为低密度区域。然后，采用边界清理(border cleaning)算法清除所述低密度区域中的人体外空气区域。最后，通过孔洞修复(hole filling)算法填充所述低密度区域，从而得到所述低密度连通区域。其中，低于-320HU的低密度区域会包括图像中的肺部区域以及图像中人体外空气区域。所述边界清理算法中，检查图像中低于-320HU的连通域(可能包括三个连通域，分别是左肺、右肺、人体外的空气)，如果一个连通域中有像素在图像边缘，那么判断它是人体外空气，清理掉这个连通域，也就是去除掉人体外空气区域，只保留肺部区域。
12)提取所述低密度连通区域中的双肺连通区域，以作为所述肺野区域。
具体地，首先在3D维度上搜索26连接度(connectivity)的连通域；接着，将搜索到的各个连通域做一轮闭运算(closing)，并根据体积进行排序；然后，根据体积顺序，逐个将连通域加入到肺区域集合中，直到所述肺区域集合的外接包围盒(bounding box)达到所述肺部双气相CT图像的一半以上；最后将提取到的所述肺区域集合转换成二值的二进制MASK图像M1，即所述双肺连通区域，以作为所述肺野区域。
步骤S2、提取所述肺部双气相CT图像中CT值大于高密度阈值的高密度区域。
于本发明一实施例中，提取所述肺部双气相CT图像中CT值大于高密度阈值的高密度区域包括以下步骤：
21)对所述肺部双气相CT图像进行去噪处理。
具体地，由于所述肺部双气相CT图像中多包含低剂量LDCT(Low Dose CT)，故提取高密度区域时直接通过体积或者形态学将噪音区域去除容易导致误删。因此，本发明采用三维块匹配算法(Block Matching 3D，BM3D算法对所述肺部双气相CT图像进行去噪处理。所述BM3D通过与相邻图像块进行匹配，将若干相似的块整合为一个三维矩阵，在三维空间进行滤波处理，再将结果反变换融合到二维，形成去噪后的图像。
22)基于去噪后的肺部双气相CT图像和所述肺野区域获取肺部图像。
具体地，将去噪后的肺部双气相CT图像与所述肺野区域中进行元素相乘，从而获取单独的肺部图像。
23)在所述肺部图像中提取CT值大于高密度阈值的高密度区域。
具体地，设定所述高密度阈值为0HU。在所述肺部图像中提取CT值大于0HU的区域，即为所述高密度区域，也称为MASK M2。
步骤S3、基于所述肺野区域和所述高密度区域进行级联配准，以实现所述肺部双气相CT图像的三维配准。
具体地，本发明针对上述获取的两种MASK，采用多种配准方式对所述肺部双气相CT图像进行配准，从而保证配准的准确性和稳定性。
于本发明一实施例中，基于所述肺野区域和所述高密度区域进行级联配准包括以下步骤：
31)将肺部呼气相CT图像的坐标中心作为变形中心。
具体地，不同层间距的肺部双气相CT图像在图像坐标系下差距很大。由于所述肺部双气相CT图像是病人在同一次拍摄中获取的，故空间坐标没有改变。因此，将肺部呼气相CT图像的物理空间坐标中心初始化为后续配准的变形中心(transform center)。
32)基于所述变形中心对肺部呼气相CT图像进行仿射变换，以使变换后的肺部呼气相CT图像和肺部吸气相CT图像大小相同。
具体地，基于所述变形中心对所述肺部呼气相CT图像进行仿射变换(affinetransform)的刚性配准。其中，仿射变换是指在几何中，一个向量空间进行一次线性变换并接上一个平移，变换为另一个向量空间。仿射变换后的呼气相CT和吸气相具有相同的图像大小。其中，仿射变换公式如下：
Figure BDA0002426955370000061
Figure BDA0002426955370000062
33)以所述肺野区域作为掩膜，对变换后的肺部呼气相CT图像进行B样条几何变换(B-Spline transform)。
具体地，以所述仿射变换的结果作为输入，采用所述肺野区域作为MASK进行第一次B样条几何变换的弹性配准，以使所述肺部双气相CT图像的胸膜边缘基本贴合。其中，B样条曲线为
Figure BDA0002426955370000063
Pk表示第k个控制点，N表示B样条的多项式，展开可得k次规范B样条基函数
Figure BDA0002426955370000064
Figure BDA0002426955370000065
34)以所述高密度区域为掩膜，对B样条几何变换后的肺部呼气相CT图像进行B样条几何变换，从而得到与肺部吸气相CT图像配准的肺部呼气相CT图像。
具体地，以上述B样条几何变换的输出作为输入，采用所述高密度区域作为MASK再进行一次更精细的B样条几何变换的弹性配准，以使所述肺部双气相CT图像中肺内部的气道、血管以及病灶位置也逐一对齐，从而完成准确的配准。
下面通过具体实施例来进一步阐述本发明的肺部双气相CT图像三维配准方法。如图2(a)的肺部吸气相CT图像和图2(b)的肺部呼气相CT图像采用本发明的肺部双气相CT图像三维配准方法进行配准，得到图2(c)所示的配准后的肺部呼气相CT图像。将图2(a)的肺部吸气相CT图像与图2(c)的肺部呼气相CT图像相减后，可得到图2(d)的肺部图像，即三维的空气潴留图。基于所述三维的空气潴留图，可进行肺部疾病的诊断。需要说明的是，图2(a)、图2(b)和图2(c)显示的是三维图像的冠状位层面，也就是垂直于Y轴的XZ层面；图2(d)显示的是三维图像的横断位层面，也就是垂直于Z轴的XY层面。
如图3所示，于一实施例中，本发明的肺部双气相CT图像三维配准系统包括第一提取模块31、第二提取模块32和配准模块33。
第一提取模块31用于提取肺部双气相CT图像中的肺野区域。
充满气体的两肺在胸片上表现为均匀一致较为透明的区域称肺野。正位片上，两侧肺野透明度基本相同，其透明度与肺内所含气体量成正比。在本发明中，肺部双气相CT图像是指三维CT图像。本发明是针对三维图像进行的图像配准方法。
于本发明一实施例中，提取肺部双气相CT图像中的肺野区域包括以下步骤：
11)提取所述肺部双气相CT图像中CT值小于低密度阈值的低密度连通区域。
于本发明一实施例中，设定所述低密度阈值为-320HU。首先，在所述肺部双气相CT图像上获取CT值小于所述低密度阈值-320HU的区域，作为低密度区域。然后，采用边界清理(border cleaning)算法清除所述低密度区域中的人体外空气区域。最后，通过孔洞修复(hole filling)算法填充所述低密度区域，从而得到所述低密度连通区域。其中，低于-320HU的低密度区域会包括图像中的肺部区域以及图像中人体外空气区域。所述边界清理算法中，检查图像中低于-320HU的连通域(可能包括三个连通域，分别是左肺、右肺、人体外的空气)，如果一个连通域中有像素在图像边缘，那么判断它是人体外空气，清理掉这个连通域，也就是去除掉人体外空气区域，只保留肺部区域。
12)提取所述低密度连通区域中的双肺连通区域，以作为所述肺野区域。
具体地，首先在3D维度上搜索26连接度(connectivity)的连通域；接着，将搜索到的各个连通域做一轮闭运算(closing)，并根据体积进行排序；然后，根据体积顺序，逐个将连通域加入到肺区域集合中，直到所述肺区域集合的外接包围盒(bounding box)达到所述肺部双气相CT图像的一半以上；最后将提取到的所述肺区域集合转换成二值的二进制MASK图像M1，即所述双肺连通区域，以作为所述肺野区域。
第二提取模块32与第一提取模块31相连，用于提取所述肺部双气相CT图像中CT值大于高密度阈值的高密度区域。
于本发明一实施例中，提取所述肺部双气相CT图像中CT值大于高密度阈值的高密度区域包括以下步骤：
21)对所述肺部双气相CT图像进行去噪处理。
具体地，由于所述肺部双气相CT图像中多包含低剂量LDCT(Low Dose CT)，故提取高密度区域时直接通过体积或者形态学将噪音区域去除容易导致误删。因此，本发明采用三维块匹配算法(Block Matching 3D，BM3D算法对所述肺部双气相CT图像进行去噪处理。所述BM3D通过与相邻图像块进行匹配，将若干相似的块整合为一个三维矩阵，在三维空间进行滤波处理，再将结果反变换融合到二维，形成去噪后的图像。
22)基于去噪后的肺部双气相CT图像和所述肺野区域获取肺部图像。
具体地，将去噪后的肺部双气相CT图像与所述肺野区域中进行元素相乘，从而获取单独的肺部图像。
23)在所述肺部图像中提取CT值大于高密度阈值的高密度区域。
具体地，设定所述高密度阈值为0HU。在所述肺部图像中提取CT值大于0HU的区域，即为所述高密度区域，也称为MASK M2。
配准模块33与第一提取模块31和第二提取模块32相连，用于基于所述肺野区域和所述高密度区域进行级联配准，以实现所述肺部双气相CT图像的配准。
具体地，本发明针对上述获取的两种MASK，采用多种配准方式对所述肺部双气相CT图像进行配准，从而保证配准的准确性和稳定性。
于本发明一实施例中，基于所述肺野区域和所述高密度区域进行级联配准包括以下步骤：
31)将肺部呼气相CT图像的坐标中心作为变形中心。
具体地，不同层间距的肺部双气相CT图像在图像坐标系下差距很大。由于所述肺部双气相CT图像是病人在同一次拍摄中获取的，故空间坐标没有改变。因此，将肺部呼气相CT图像的物理空间坐标中心初始化为后续配准的变形中心(transform center)。
32)基于所述变形中心对肺部呼气相CT图像进行仿射变换，以使变换后的肺部呼气相CT图像和肺部吸气相CT图像大小相同。
具体地，基于所述变形中心对所述肺部呼气相CT图像进行仿射变换(affinetransform)的刚性配准。其中，仿射变换是指在几何中，一个向量空间进行一次线性变换并接上一个平移，变换为另一个向量空间。仿射变换后的呼气相CT和吸气相具有相同的图像大小。其中，仿射变换公式如下：
Figure BDA0002426955370000081
Figure BDA0002426955370000091
33)以所述肺野区域作为掩膜，对变换后的肺部呼气相CT图像进行B样条几何变换(B-Spline transform)。
具体地，以所述仿射变换的结果作为输入，采用所述肺野区域作为MASK进行第一次B样条几何变换的弹性配准，以使所述肺部双气相CT图像的胸膜边缘基本贴合。其中，B样条曲线为
Figure BDA0002426955370000092
Pk表示第k个控制点，N表示B样条的多项式，展开可得k次规范B样条基函数
Figure BDA0002426955370000093
Figure BDA0002426955370000094
34)以所述高密度区域为掩膜，对B样条几何变换后的肺部呼气相CT图像进行B样条几何变换，从而得到与肺部吸气相CT图像配准的肺部呼气相CT图像。
具体地，以上述B样条几何变换的输出作为输入，采用所述高密度区域作为MASK再进行一次更精细的B样条几何变换的弹性配准，以使所述肺部双气相CT图像中肺内部的气道、血管以及病灶位置也逐一对齐，从而完成准确的配准。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，x模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(Digital Singnal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
本发明的存储介质上存储有计算机程序，该所述计算机程序被处理器执行时实现上述的肺部双气相CT图像三维配准方法。所述存储介质包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
如图4所示，于一实施例中，本发明的终端包括：处理器41及存储器42。
所述存储器42用于存储计算机程序。
所述存储器42包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器41与所述存储器42相连，用于执行所述存储器42存储的计算机程序，以使所述终端执行上述的肺部双气相CT图像三维配准方法。
优选地，所述处理器41可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
综上所述，本发明的肺部双气相CT图像三维配准方法及系统、存储介质及终端通过提取掩膜和级联配准，实现了肺部双气相CT图像的有效配准；准确度高，稳定性好。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种肺部双气相CT图像三维配准方法，其特征在于：包括以下步骤：
提取肺部双气相CT图像中的肺野区域；
提取所述肺部双气相CT图像中CT值大于高密度阈值的高密度区域；
基于所述肺野区域和所述高密度区域进行级联配准，以实现所述肺部双气相CT图像的三维配准。
2.根据权利要求1所述的肺部双气相CT图像三维配准方法，其特征在于：提取肺部双气相CT图像中的肺野区域包括以下步骤：
提取所述肺部双气相CT图像中CT值小于低密度阈值的低密度连通区域；
提取所述低密度连通区域中的双肺连通区域，以作为所述肺野区域。
3.根据权利要求2所述的肺部双气相CT图像三维配准方法，其特征在于：提取所述肺部双气相CT图像中CT值小于低密度阈值的低密度连通区域包括以下步骤：
提取所述肺部双气相CT图像中CT值小于低密度阈值的低密度区域；
采用边界清理算法清除所述低密度区域中的人体外空气区域；
通过孔洞修复算法填充所述低密度区域，以得到所述低密度连通区域。
4.根据权利要求2所述的肺部双气相CT图像三维配准方法，其特征在于：提取所述低密度连通区域中的双肺连通区域包括以下步骤：
在三维上搜索所述低密度连通区域的26连接度的连通域；
将搜索到的连通域进行闭运算，并根据体积进行排序；
根据体积顺序，逐个将所述连通域加入到肺区域集合中，直到所述肺区域集合的外接包围盒达到所述肺部双气相CT图像的一半以上；
将所述肺区域集合转换为所述双肺连通区域。
5.根据权利要求1所述的肺部双气相CT图像三维配准方法，其特征在于：提取所述肺部双气相CT图像中CT值大于高密度阈值的高密度区域包括以下步骤：
对所述肺部双气相CT图像进行去噪处理；
基于去噪后的肺部双气相CT图像和所述肺野区域获取肺部图像；
在所述肺部图像中提取CT值大于高密度阈值的高密度区域。
6.根据权利要求5所述的肺部双气相CT图像三维配准方法，其特征在于：基于三维块匹配算法对所述肺部双气相CT图像进行去噪处理。
7.根据权利要求1所述的肺部双气相CT图像三维配准方法，其特征在于：基于所述肺野区域和所述高密度区域进行级联配准包括以下步骤：
将肺部呼气相CT图像的坐标中心作为变形中心；
基于所述变形中心对肺部呼气相CT图像进行仿射变换，以使变换后的肺部呼气相CT图像和肺部吸气相CT图像大小相同；
以所述肺野区域作为掩膜，对变换后的肺部呼气相CT图像进行B样条几何变换；
以所述高密度区域为掩膜，对B样条几何变换后的肺部呼气相CT图像进行B样条几何变换。
8.一种肺部双气相CT图像三维配准系统，其特征在于：包括第一提取模块、第二提取模块和配准模块；
所述第一提取模块用于提取肺部双气相CT图像中的肺野区域；
所述第二提取模块用于提取所述肺部双气相CT图像中CT值大于高密度阈值的高密度区域；
所述配准模块用于基于所述肺野区域和所述高密度区域进行级联配准，以实现所述肺部双气相CT图像的三维配准。
9.一种存储介质，其上存储有计算机程序，其特征在于，该所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的肺部双气相CT图像三维配准方法。
10.一种终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行权利要求1至7中任一项所述的肺部双气相CT图像三维配准方法。
CN202010223698.9A 2020-03-26 2020-03-26 肺部双气相ct图像三维配准方法及系统、存储介质及终端 Active CN111462063B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010223698.9A CN111462063B (zh) 2020-03-26 2020-03-26 肺部双气相ct图像三维配准方法及系统、存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010223698.9A CN111462063B (zh) 2020-03-26 2020-03-26 肺部双气相ct图像三维配准方法及系统、存储介质及终端

Publications (2)

Publication Number Publication Date
CN111462063A true CN111462063A (zh) 2020-07-28
CN111462063B CN111462063B (zh) 2022-09-23

Family

ID=71680522

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010223698.9A Active CN111462063B (zh) 2020-03-26 2020-03-26 肺部双气相ct图像三维配准方法及系统、存储介质及终端

Country Status (1)

Country Link
CN (1) CN111462063B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107123137A (zh) * 2017-04-28 2017-09-01 上海联影医疗科技有限公司 医学图像处理方法及设备
CN107230223A (zh) * 2017-06-09 2017-10-03 中国科学院苏州生物医学工程技术研究所 基于不连续运动的肝部三维多模态图像配准方法
US20180055414A1 (en) * 2016-08-30 2018-03-01 Universitätsspital Basel Assessment of the lung parenchyma by means of magnetic resonance images
CN108280850A (zh) * 2018-03-05 2018-07-13 北京中科嘉宁科技有限公司 一种基于B样条和Levenberg-Marquardt优化的快速图像配准方法
CN108549906A (zh) * 2018-04-10 2018-09-18 北京全域医疗技术有限公司 放疗勾靶图像配准方法及装置
CN109767460A (zh) * 2018-12-27 2019-05-17 上海商汤智能科技有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
CN110063739A (zh) * 2019-04-11 2019-07-30 澳门大学 Spect和pet的图像校正方法、装置以及电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180055414A1 (en) * 2016-08-30 2018-03-01 Universitätsspital Basel Assessment of the lung parenchyma by means of magnetic resonance images
CN107123137A (zh) * 2017-04-28 2017-09-01 上海联影医疗科技有限公司 医学图像处理方法及设备
CN107230223A (zh) * 2017-06-09 2017-10-03 中国科学院苏州生物医学工程技术研究所 基于不连续运动的肝部三维多模态图像配准方法
CN108280850A (zh) * 2018-03-05 2018-07-13 北京中科嘉宁科技有限公司 一种基于B样条和Levenberg-Marquardt优化的快速图像配准方法
CN108549906A (zh) * 2018-04-10 2018-09-18 北京全域医疗技术有限公司 放疗勾靶图像配准方法及装置
CN109767460A (zh) * 2018-12-27 2019-05-17 上海商汤智能科技有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
CN110063739A (zh) * 2019-04-11 2019-07-30 澳门大学 Spect和pet的图像校正方法、装置以及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YOUBING YIN: "A cubic B-spline-based hybrid registration of lung CT images for a dynamic airway geometric model with large deformation", 《PHYSICS IN MEDICINE AND BIOLOGY》 *
庞皓文，孙小扬，杨波: "基于 B 样条的弹性配准在放疗 CT 图像间配准的应用", 《中国医学物理学杂志》 *
赵涓涓，屈明月，强彦，刘永星: "基于互信息的肺部图像PET-CT非刚性配准", 《清华大学学报 （自然科学版）》 *

Also Published As

Publication number Publication date
CN111462063B (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
JP6505124B2 (ja) 適応性放射線治療における自動輪郭抽出システム及び方法
Lamare et al. Respiratory motion correction for PET oncology applications using affine transformation of list mode data
McClelland et al. Inter-fraction variations in respiratory motion models
Gorbunova et al. Mass preserving image registration for lung CT
US8903153B2 (en) Bone suppression in x-ray radiograms
Samavati et al. A hybrid biomechanical intensity based deformable image registration of lung 4DCT
CN107230223B (zh) 基于不连续运动的肝部三维多模态图像配准方法
US8588498B2 (en) System and method for segmenting bones on MR images
JP2011041656A (ja) ボリュームデータ間の対応付け方法
CN111415404B (zh) 术中预设区域的定位方法、装置、存储介质及电子设备
CN110766692A (zh) 检测肠道中突起物的方法、终端和计算机可读存储介质
CN112885453A (zh) 用于标识后续医学图像中的病理变化的方法和系统
Xiong et al. Tracking the motion trajectories of junction structures in 4D CT images of the lung
CN110599530A (zh) 基于双正则约束的mvct图像纹理增强方法
CN111462063B (zh) 肺部双气相ct图像三维配准方法及系统、存储介质及终端
WO2023232067A1 (en) Systems and methods for lesion region identification
CN111388000A (zh) 虚拟肺部空气潴留图像预测方法及系统、存储介质及终端
Szmul et al. Patch-based lung ventilation estimation using multi-layer supervoxels
Bond et al. Simulation of anatomical texture in voxelized XCAT phantoms
WO2020118894A1 (zh) 图像重建方法、计算机设备及计算机可读存储介质
CN110063739A (zh) Spect和pet的图像校正方法、装置以及电子设备
Zamani et al. Generation of anatomically inspired human airway tree using electrical impedance tomography: A method to estimate regional lung filling characteristics
Uneri et al. Deformable registration of the inflated and deflated lung for cone-beam CT-guided thoracic surgery
Cao et al. Tracking regional tissue volume and function change in lung using image registration
CN107689043B (zh) 一种血管段终端节点与分支节点的获取方法

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