CN111652890B - 一种基于阈值水平集的腹部cta序列图像肝脏分割方法 - Google Patents

一种基于阈值水平集的腹部cta序列图像肝脏分割方法 Download PDF

Info

Publication number
CN111652890B
CN111652890B CN202010523970.5A CN202010523970A CN111652890B CN 111652890 B CN111652890 B CN 111652890B CN 202010523970 A CN202010523970 A CN 202010523970A CN 111652890 B CN111652890 B CN 111652890B
Authority
CN
China
Prior art keywords
liver
level set
segmentation
threshold level
gray
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
CN202010523970.5A
Other languages
English (en)
Other versions
CN111652890A (zh
Inventor
曾业战
钟春良
廖苗
张丹
欧阳洪波
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.)
Hunan University of Technology
Original Assignee
Hunan University of 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 Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202010523970.5A priority Critical patent/CN111652890B/zh
Publication of CN111652890A publication Critical patent/CN111652890A/zh
Application granted granted Critical
Publication of CN111652890B publication Critical patent/CN111652890B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T2207/20—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

Landscapes

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

Abstract

本发明公开一种基于阈值水平集的腹部CTA序列图像肝脏分割方法，首先，输入腹部CTA序列图像，预处理去除与肝脏毗邻的肋骨、脊柱和肾脏，基于解剖学知识选取初始切片，运用K‑means聚类方法进行肝脏初分割；然后，根据初分割结果提取肝脏边缘，利用边缘像素的灰度信息确定阈值水平集参数，实现基于阈值水平集的精确分割；最后，利用相邻CTA切片的灰度、位置和形状相关性，以初始切片为起点，分别向上和向下迭代运用阈值水平集方法分割剩余切片；为提高方法鲁棒性，若当前切片分割结果不佳时，则对当前切片再次执行K‑means聚类、肝脏边缘提取，更新阈值水平集分割参数。本发明充分考虑了肝脏的灰度分布特性和相邻CTA切片的形状相关性，可有效分割结构复杂、形状各异的肝脏。此外，本发明的基于阈值水平集腹部CTA序列图像肝脏分割方法可以推广到其他器官的分割中。

Description

一种基于阈值水平集的腹部CTA序列图像肝脏分割方法
技术领域
本发明涉及医学图像处理领域，具体为一种基于阈值水平集的腹部CTA序列图像肝脏分割方法。
背景技术
肝脏疾病是常见且多发的疾病。目前，肝脏疾病治疗的方法中主要包括外科手术切除，移植和放疗。为获得最佳的治疗效果，外科医生在手术前需根据肝脏的位置、形状、体积等详细信息来制定治疗方案。由于CT技术具有无创伤、对人体损伤小、密度分辨率高等优点，CT图像被广泛应用到计算机辅助诊断。临床上，为获得准确的肝脏图像，放射科医生一般在二维CTA序列影像上进行手动分割。由于腹部CTA序列图像切片数量大，手动分割费时费力且具有主观性，因此，研究腹部CTA序列图像肝脏分割具有重大意义。
受肝脏结构复杂、形状不规则，以及CTA图像噪声等因素影响，肝脏的准确分割面临巨大挑战。譬如，传统肝脏分割方法对噪声和图像对比度敏感，无法有效处理低对比度的CTA图像；基于机器学习分割方法需要大量的训练样本，数据处理复杂；基于形状约束模型的分割方法对异形肝脏的分割效果不佳。
发明内容
针对上述肝脏分割方法的局限性，本发明利用相邻CTA切片的灰度、位置和形状相关性，其目的在于提供一种鲁棒、精确的肝脏分割方法，主要步骤包括：
步骤1：调节腹部CTA序列图像的窗宽和窗位到[200～800]/[100～500]范围，将灰度值归一化到[0,255]，预处理去除肋骨、肾脏和脊柱，得到图像Igray；
步骤2：基于解剖学知识选取第i张切片图像Igray作为初始切片，i为切片序号，i≥1，所述初始切片包含一个较大的肝脏连通区域；
步骤3：运用K-means算法将Igray分成M类，M为[2～8]的自然数，选取与肝脏区域匹配的分类图像作为第i张切片的肝脏初分割结果Iinitial；
步骤4：统计Iinitial边缘像素的灰度信息，计算过程如下：
(1)提取Iinitial边缘，得到肝脏边缘图像Iedge，Iedge＝Iinital-IinitalΘB，其中Θ为腐蚀操作，B为结构元素，
(2)计算肝脏边缘像素的灰度信息Tlow，其中，β为[0 1]之间的系数；
步骤5：采用阈值水平集方法精确分割第i张切片的肝脏，计算过程如下：
(1)确定水平集演化速度函数F：F＝-(αD(Igray)+(1-α)κ)，其中，α表示曲率项的权重系数，取值范围为0～1之间的常数，D(Igray)为演化曲线的传播项，U和L为(0～255]之间的正数，分别代表目标区域灰度的上限和下限，κ为曲率，/> 为水平集函数，/>
(2)初始化零水平集：综合Iinitial和形态学方法初始零水平集，为避免演化曲面跨越肝脏边界，对Iinitial图像进行腐蚀操作，得到图像I’initial，I’initial＝IinitalΘB1，其中，B1为半径为r的圆形结构元素，r为[5～10]之间的整数，将I’initial设置为零水平集函数；
(3)根据水平集演化方程更新演化曲线，其中，t为时间参数，实现基于阈值水平集的精确分割，并采用形态学方法填充孔洞和去除孤立小区域，得到切片i的最终肝脏分割图像Iliver；
步骤6：为提高方法鲁棒性，若当前切片的肝脏分割效果不佳时，转到步骤3，更新阈值水平集参数Tlow；
步骤7：利用相邻CTA切片的灰度、位置和形状相关性，将当前切片的分割结果用于相邻切片的分割：令i＝i+1或i＝i-1，Iinital＝Iliver，重复步骤5到步骤7，通过迭代的方式分割剩余切片。
在所述的步骤5中，目标灰度的上限U为[200～255]之间的正数。
在所述的步骤5中，根据肝脏分割结果的边缘灰度信息Tlow确定阈值水平集参数L，L＝Tlow。
本发明综合相邻切片的位置和形状相关性，充分利用CTA序列图像灰度分布和已分割肝脏切片的边缘灰度优化阈值水平集参数L和U，可避免由于参数L和U设置不当导致的过分割和欠分割；本发明结合水平集方法能够较好地处理变化拓扑结构的优点，针对每一位病人优化参数L和U，能有效分割结构复杂、形状各异的肝脏，具有较强的鲁棒性，可以推广到其他器官的分割中。
附图说明
图1本发明实施方式的基于阈值水平集的腹部CTA序列图像肝脏分割方法流程图；
图2本发明实施方式的肝脏分割结果示例图。
具体实施方式
图1是本发明实施方式的基于阈值水平集腹部CTA序列图像肝脏分割方法流程图，首先输入腹部CTA序列图像，预处理去除与肝脏毗邻的肋骨、脊柱和肾脏，基于解剖学知识选取初始切片，运用K-means聚类方法进行肝脏初分割；然后，根据初分割结果提取肝脏边缘，确定阈值水平集参数，实现基于阈值水平集的精确分割；最后，利用相邻CTA切片的灰度、位置和形状相关性，以初始切片为起点，分别向上和向下迭代运用阈值水平集方法分割剩余切片；为提高方法鲁棒性，若当前切片分割结果不理想，则对当前切片再次执行K-means聚类、肝脏边缘提取，更新阈值水平集分割参数。
下面结合图1，以一实施例详细说明本发明的肝脏CTA图像的肝脏分割方法。
步骤1：首先输入肝脏CTA序列图像，其切片平面像素间距为0.5mm，层间距为1.5mm，切片数量为339，调节该序列图像的窗宽/窗位到300/500，并将灰度值归一化到[0～255]，基于解剖学知识选取灰度值大于240以上的区域作为种子点，采用区域生长法去除脊椎、肋骨和肾脏，以减少肝脏毗邻器官对肝脏分割的影响，得到图像Igray；
步骤2：选取第135张切片作为初始切片，令i＝135；
步骤3：运用K-means算法将Igray分成4类，选取与肝脏区域匹配的分类图像作为第i张切片的肝脏初分割结果Iinitial；
步骤4：统计Iinitial边缘像素的灰度信息，计算过程如下：
(1)提取Iinitial边缘，得到肝脏边缘图像Iedge，Iedge＝Iinital-IinitalΘB，其中Θ为腐蚀操作，B为结构元素，
(2)计算肝脏边缘像素的灰度信息Tlow，其中，β在本实施例为0.75；
步骤5：采用阈值水平集方法精确分割第i张切片的肝脏，计算过程如下：
(1)确定水平集演化速度函数F：F＝-(αD(Igray)+(1-α)κ)，其中，α表示曲率项的权重系数，本实施例α为0.9，D(Igray)为演化曲线的传播项，U和L分别代表目标区域灰度的上限和下限，κ为曲率，/> 为水平集函数， 考虑到毗邻肝脏的高灰度值脊柱、肋骨和肾脏区域已被去除，本实施例中，U为255，L设置为Tlow；
(2)初始化零水平集：综合Iinitial和形态学方法初始零水平集，为避免演化曲面跨越肝脏边界，对Iinitial图像进行腐蚀操作，得到图像I’initial，I’initial＝IinitalΘB1，其中，B1为半径为r的圆形结构元素，本实施r为8，将I’initial设置为零水平集函数；
(3)根据水平集演化方程更新演化曲线，其中，t为时间参数，实现基于阈值水平集的精确分割，并采用形态学方法填充孔洞和去除像素数目少于50的孤立小区域，得到切片i的最终肝脏分割图像Iliver；
步骤6：为提高方法鲁棒性，若当前切片的肝脏分割效果不佳时，转到步骤3，更新阈值水平集参数Tlow；
步骤7：利用相邻CTA切片的灰度、位置和形状相关性，将当前切片的分割结果用于相邻切片的分割：令i＝i+1或i＝i-1，Iinital＝Iliver，重复步骤5到步骤7，通过迭代的方式分割剩余切片。
为验证本发明的有效性，在临床医学数据集上进行了测试。该数据集包含10个患者的腹部CTA序列图像，数据源于Philips 64排多层螺旋CT机，其切片的像素数目为512×512，层间距的范围为[1.0mm,2.0mm]。图2给出了随机抽取的腹部CTA图像不同切片的肝脏分割结果，图中白色曲线所包围的区域为基于本发明方法的肝脏分割结果。从图2中可以看出，本发明能够有效分割结构复杂、形状不规则的肝脏，具有较强的鲁棒性。

Claims (3)

1.一种基于阈值水平集的腹部CTA序列图像肝脏分割方法，其特征在于包括以下步骤：
步骤1：调节腹部CTA序列图像的窗宽和窗位到[200～800]/[100～500]范围，将灰度值归一化到[0,255]，预处理去除肋骨、肾脏和脊柱，得到图像Igray；
步骤2：基于解剖学知识选取第i张切片图像Igray作为初始切片，i为切片序号，i≥1，所述初始切片包含一个较大的肝脏连通区域；
步骤3：运用K-means算法将Igray分成M类，M为[2～8]的自然数，选取与肝脏区域匹配的分类图像作为第i张切片的肝脏初分割结果Iinitial；
步骤4：统计Iinitial边缘像素的灰度信息，计算过程如下：
(1)提取Iinitial边缘，得到肝脏边缘图像Iedge，Iedge＝Iinital-IinitalΘB，其中Θ为腐蚀操作，B为结构元素，
(2)计算肝脏边缘像素的灰度信息Tlow，其中，β为[0 1]之间的系数；
步骤5：采用阈值水平集方法精确分割第i张切片的肝脏，计算过程如下：
(1)确定水平集演化速度函数F：F＝-(αD(Igray)+(1-α)κ)，其中，α表示曲率项的权重系数，取值范围为0～1之间的常数，D(Igray)为演化曲线的传播项，U和L为(0～255]之间的正数，分别代表目标区域灰度的上限和下限，κ为曲率，/> 为水平集函数，/>
(2)初始化零水平集：综合Iinitial和形态学方法初始化零水平集，为避免初始演化曲面跨越肝脏边界，对Iinitial图像进行腐蚀操作，得到腐蚀后的图像Ii，nitial，Ii，nitial＝IinitalΘB1，其中，B1为半径为r的圆形结构元素，r为[5～10]之间的整数，将Ii，nitial设置为零水平集函数；
(3)根据水平集演化方程更新演化曲线，其中，t为时间参数，实现基于阈值水平集的精确分割，并采用形态学方法填充孔洞和去除孤立小区域，得到切片i的最终肝脏分割图像Iliver；
步骤6：为提高方法鲁棒性，若当前切片的肝脏分割效果不佳时，转到步骤3，更新阈值水平集参数Tlow；
步骤7：利用相邻CTA切片的灰度、位置和形状相关性，将当前切片的分割结果用于相邻切片的分割：令i＝i+1或i＝i-1，Iinital＝Iliver，重复步骤5到步骤7，通过迭代的方式分割剩余切片。
2.如权利要求1所述的一种基于阈值水平集的腹部CTA序列图像肝脏分割方法，其特征在于：在所述的步骤5中，U为[200～255]之间的正常数。
3.如权利要求1所述的一种基于阈值水平集的腹部CTA序列图像肝脏分割方法，其特征在于：在所述的步骤5中，根据肝脏分割结果的边缘灰度信息Tlow确定阈值水平集参数L，L＝Tlow。
CN202010523970.5A 2020-06-10 2020-06-10 一种基于阈值水平集的腹部cta序列图像肝脏分割方法 Active CN111652890B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010523970.5A CN111652890B (zh) 2020-06-10 2020-06-10 一种基于阈值水平集的腹部cta序列图像肝脏分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010523970.5A CN111652890B (zh) 2020-06-10 2020-06-10 一种基于阈值水平集的腹部cta序列图像肝脏分割方法

Publications (2)

Publication Number Publication Date
CN111652890A CN111652890A (zh) 2020-09-11
CN111652890B true CN111652890B (zh) 2024-05-07

Family

ID=72350473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010523970.5A Active CN111652890B (zh) 2020-06-10 2020-06-10 一种基于阈值水平集的腹部cta序列图像肝脏分割方法

Country Status (1)

Country Link
CN (1) CN111652890B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609913A (zh) * 2012-01-17 2012-07-25 浙江大学 Cta图像中肝脏血管增强及肝脏与血管同时分割的方法
CN106056596A (zh) * 2015-11-30 2016-10-26 浙江德尚韵兴图像科技有限公司 基于局部先验信息和凸优化的全自动三维肝脏分割方法
KR101831340B1 (ko) * 2016-09-07 2018-02-23 서울여자대학교 산학협력단 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법 및 장치
KR101892949B1 (ko) * 2017-08-07 2018-08-29 서울여자대학교 산학협력단 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법 및 장치
CN108986114A (zh) * 2018-07-11 2018-12-11 中南大学 一种基于水平集和形状描述符的腹部ct序列图像肝脏自动分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609913A (zh) * 2012-01-17 2012-07-25 浙江大学 Cta图像中肝脏血管增强及肝脏与血管同时分割的方法
CN106056596A (zh) * 2015-11-30 2016-10-26 浙江德尚韵兴图像科技有限公司 基于局部先验信息和凸优化的全自动三维肝脏分割方法
KR101831340B1 (ko) * 2016-09-07 2018-02-23 서울여자대학교 산학협력단 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법 및 장치
KR101892949B1 (ko) * 2017-08-07 2018-08-29 서울여자대학교 산학협력단 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법 및 장치
CN108986114A (zh) * 2018-07-11 2018-12-11 中南大学 一种基于水平集和形状描述符的腹部ct序列图像肝脏自动分割方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Adaptive Sliding Mode Control for Permanent Magnet Synchronous Motor;Yezhan Zeng;《2011 International Conference of Information Technology, Computer Engineering and Management Sciences》;20111229;全文 *
基于图割和边缘行进的肝脏CT序列图像分割;廖苗;赵于前;曾业战;黄忠朝;邹北骥;;电子与信息学报;20160329(06);第287-291页 *
张睿 ; 吴薇薇 ; 周著黄 ; 姜涛 ; 吴水才.基于改进模糊连接度的CT图像肝脏血管三维分割方法.《中国生物医学工程学报》.2019,第18-27页. *
肝脏CTA图像肋骨和脊椎骨分割方法研究;周洁;赵于前;唐建;姚爱萍;;计算机工程与应用;20091101(31);第219-221页 *

Also Published As

Publication number Publication date
CN111652890A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN108596887B (zh) 一种腹部ct序列图像中肝脏肿瘤区域图像的自动分割方法
US20230123842A1 (en) Method for predicting morphological changes of liver tumor after ablation based on deep learning
CN109461495B (zh) 一种医学图像的识别方法、模型训练的方法及服务器
CN109934235B (zh) 一种无监督的腹部ct序列图像多器官同时自动分割方法
CN112927255B (zh) 一种基于上下文注意力策略的三维肝脏影像语义分割方法
Rusko et al. Fully automatic liver segmentation for contrast-enhanced CT images
WO2019200753A1 (zh) 病变监测方法、装置、计算机设备和存储介质
CN109753997B (zh) 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法
Selver et al. Patient oriented and robust automatic liver segmentation for pre-evaluation of liver transplantation
CN109064470B (zh) 一种基于自适应模糊聚类的图像分割方法及装置
WO2004013811A2 (en) Image segmentation using jensen-shannon divergence and jensen-renyi divergence
CN108986114B (zh) 一种基于水平集和形状描述符的腹部ct序列图像肝脏自动分割方法
Chen et al. Pathological lung segmentation in chest CT images based on improved random walker
CN110751651B (zh) 基于多尺度迁移学习的mri胰腺图像分割方法
CN110992370B (zh) 一种胰腺组织的分割方法、装置及终端设备
CN113140013A (zh) 用于电脑断层摄影的后处理的装置和方法
CN105139377A (zh) 一种腹部ct序列图像肝脏的快速鲁棒自动分割方法
CN110610491B (zh) 一种腹部ct图像的肝脏肿瘤区域分割方法
CN106780497A (zh) 一种基于统计信息的器官血管树自动提取方法
Jimenez-Carretero et al. Optimal multiresolution 3D level-set method for liver segmentation incorporating local curvature constraints
CN111784653A (zh) 基于形状约束的多尺度网络mri胰腺轮廓定位方法
CN110288581B (zh) 一种基于保持形状凸性水平集模型的分割方法
CN114820663A (zh) 用于确定射频消融治疗的辅助定位方法
Chen et al. Liver segmentation from CT images based on region growing method
CN111652890B (zh) 一种基于阈值水平集的腹部cta序列图像肝脏分割方法

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