CN111724364B - 基于肺叶及气管树的方法及装置、电子设备和存储介质 - Google Patents
基于肺叶及气管树的方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111724364B CN111724364B CN202010540322.0A CN202010540322A CN111724364B CN 111724364 B CN111724364 B CN 111724364B CN 202010540322 A CN202010540322 A CN 202010540322A CN 111724364 B CN111724364 B CN 111724364B
- Authority
- CN
- China
- Prior art keywords
- lung
- images
- image
- lobe
- tree
- 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
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
- G06T7/13—Edge detection
-
- 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
- G06T2207/10072—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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
Abstract
本公开涉及一种基于肺叶及气管树的配准方法、装置和存储介质。涉及图像处理领域,其中,一种基于肺叶及气管树的配准方法,包括:获取呼吸过程中多组肺叶图像及多组气管树图像,所述多组肺叶图像及所述多组气管树图像分别为多时刻分别获取的肺叶图像及气管树图像;分别确定所述多组气管树图像中气管树的共有级别;将所述共有级别对应的气管树的边缘点/或分支点作为第一关键配准点;分别将所述多组肺叶图像的肺叶形态边缘点确定为第二关键配准点;基于所述第一关键配准点及所述第二关键配准点,完成所述多组肺叶图像中任意两组的配准。以解决目前不能进行肺叶配准或者肺叶配准不准确的问题。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种基于肺叶及气管树的方法及装置、电子设备和存储介质。
背景技术
在做医学图像分析时,经常要将同一患者几幅图像放在一起分析,从而得到该患者的多方面的综合信息,提高医学诊断和治疗的水平。对几幅不同的图像作定量分析,首先要解决这几幅图像的严格对齐问题,这就是我们所说的图像的配准。医学图像配准是指对于一幅医学图像寻求一种(或一系列)空间变换,使它与另一幅医学图像上的对应点达到空间上的一致。这种一致是指人体上的同一解剖点在两张匹配图像上有相同的空间位置。配准的结果应使两幅图像上所有的解剖点,或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配。
医学图像配准技术是90年代才发展起来的医学图像处理的一个重要分支。医学图像配准技术主要讨论的是数据获取后的(post-acquisition)配准,也称作回顾式配准(retrospective registration)。当前,国际上关于医学图像配准的研究集中在断层扫描图像(tomographic images,例如CT、MRI、SPECT、PET等)及时序图像(time seriesimages,例如fMRI及4D心动图像)的配准问题。
肺叶图像的配准不仅能观察到肺叶的具体运动状态,在肺穿刺的手术导航中也应用广泛。但是目前大家都知考虑到肺的配准,并考虑到肺叶的配准或如何提高肺叶配准的准确性的问题。
发明内容
本公开提出了一种基于肺叶及气管树的方法及装置、电子设备和存储介质技术方案,以解决目前不能进行肺叶配准或者肺叶配准不准确的问题。
根据本公开的一方面,提供了一种基于肺叶及气管树的配准方法,包括:
获取呼吸过程中多组肺叶图像及多组气管树图像,所述多组肺叶图像及所述多组气管树图像分别为多时刻分别获取的肺叶图像及气管树图像;
分别确定所述多组气管树图像中气管树的共有级别;将所述共有级别对应的气管树的边缘点/或分支点作为第一关键配准点;
分别将所述多组肺叶图像的肺叶形态边缘点确定为第二关键配准点;
基于所述第一关键配准点及所述第二关键配准点,完成所述多组肺叶图像中任意两组的配准。
优选地,所述分别将所述多组肺叶图像的肺叶形态边缘点确定为第二关键配准点的方法,包括:
分别检测所述多组肺叶图像的肺叶形态,得到多个肺叶边缘曲线;
分别对所述多个肺叶边缘曲线求导,若不可导,则将不可导点确定为所述第二关键配准点。
优选地,所述的方法,还包括:
将所述多组肺叶图的病灶区域确定为第三关键配准点;
基于所述第一关键配准点、所述第二关键配准点及所述第三关键配准点,完成所述多组肺叶图像中任意两组的配准。
优选地,,所述将所述多组肺叶图的病灶区域确定为第三关键配准点的方法,包括:
分别检测所述多组肺叶图的病灶区域;
确定所述病灶区域的位置信息;
将所述位置信息内的位置点确定为所述第三关键配准点。
优选地,在所述获取呼吸过程中多组肺叶图像及多组气管树图像之前,分别对多组肺图像进行肺叶分割及气管树分割得到多组肺叶分割图像及多组气管树分割图像,分别对所述多组肺叶分割图像及所述多组气管树分割图像进行提取得到所述多组肺叶图像及所述多组气管树图像;其中,所述多组肺图像为呼吸过程中多时刻分别获取的肺图像;
以及/或,
所述分别确定所述多组气管树图像中气管树的共有级别的方法,包括:
分别确定所述多组气管树图像中气管树最末级的分支数量;
统计所述分支数量的最小值;
根据所述最小值对应的级别确定所述多组气管树图像中气管树的共有级别;
以及/或,
所述将所述共有级别对应的气管树的边缘点/或分支点作为第一关键配准点的方法,包括:
根据所述共有级确定待配准气管树;
检测所述待配准气管树的边缘线及分支点;
将所述边缘线上的边缘点/或所述分支点确定为第一关键配准点。
优选地,所述对多组肺图像进行分割得到所述多组肺叶图像中任一组肺叶图像的方法,包括:
确定所述多时刻的肺图像中的待分割肺图像,所述待分割图像以外的肺图像作为第一肺图像;
利用至少一个第一肺图像对所述待分割肺图像进行融合,得到融合肺图像,所述至少两个第一肺图像包括至少一个在所述待分割图像之前时刻的肺图像以及/或至少一个在所述待分割图像之后时刻的肺图像;
利用预设肺叶分割模型对所述融合肺图像进行分割,得到所述待分割肺图像的肺叶图像。
优选地,所述利用所述至少一个第一肺图像对所述待分割肺图像进行融合,得到融合肺图像的方法,包括:
执行所述至少一个第一肺图像到所述待分割肺图像的配准操作,得到待融合肺图像;
将所述待融合肺图像及所述待分割肺图像进行融合,得到融合肺图像。
根据本公开的一方面,提供了一种基于肺叶及气管树的配准装置,包括:
获取单元,用于获取呼吸过程中多组肺叶图像及多组气管树图像,所述多组肺叶图像及所述多组气管树图像分别为多时刻分别获取的肺叶图像及气管树图像;
第一确定单元,用于分别确定所述多组气管树图像中气管树的共有级别;将所述共有级别对应的气管树的边缘点/或分支点作为第一关键配准点;
第二确定单元,用于分别将所述多组肺叶图像的肺叶形态边缘点确定为第二关键配准点;
执行单元,用于基于所述第一关键配准点及所述第二关键配准点,完成所述多组肺叶图像中任意两组的配准。
根据本公开的一方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述基于肺叶及气管树的配准方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述基于肺叶及气管树的配准方法。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的基于肺叶及气管树的配准方法的流程图;
图2示出根据本公开实施例的基于肺叶及气管树的配准方法的具体实现流程图;
图3示出根据本公开实施例的一种电子设备的框图;
图4示出根据本公开实施例的另一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了基于肺叶及气管树的装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任基于肺叶及气管树的方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图1示出根据本公开实施例的基于肺叶及气管树的配准方法的流程图;图2示出根据本公开实施例的基于肺叶及气管树的配准方法的具体实现流程图。如图1和2所示,所述基于肺叶及气管树的配准方法,包括:步骤S101:获取呼吸过程中多组肺叶图像及多组气管树图像,所述多组肺叶图像及所述多组气管树图像分别为多时刻分别获取的肺叶图像及气管树图像;步骤S102:分别确定所述多组气管树图像中气管树的共有级别;将所述共有级别对应的气管树的边缘点/或分支点作为第一关键配准点;步骤S103:分别将所述多组肺叶图像的肺叶形态边缘点确定为第二关键配准点;步骤S104:基于所述第一关键配准点及所述第二关键配准点,完成所述多组肺叶图像中任意两组的配准。具体地说,本发明考虑到了肺叶形态边缘点以及气管树图像等关键运动信息作为关键配准点,完成配准的操作,以解决目前不能进行肺叶配准或者肺叶配准不准确的问题。
基于肺叶及气管树的配准方法的执行主体可以是图像处理装置,例如,基于肺叶及气管树的配准方法可以由终端设备或服务器或其它处理设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该基于肺叶及气管树的配准方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。”
步骤S101:获取呼吸过程中多组肺叶图像及多组气管树图像,所述多组肺叶图像及所述多组气管树图像分别为多时刻分别获取的肺叶图像及气管树图像。
在发明的实施例中,在所述获取呼吸过程中多组肺叶图像及多组气管树图像之前,分别对多组肺图像进行肺叶分割及气管树分割得到多组肺叶分割图像及多组气管树分割图像,分别对所述多组肺叶分割图像及所述多组气管树分割图像进行提取得到所述多组肺叶图像及所述多组气管树图像;其中,所述多组肺图像为呼吸过程中多时刻分别获取的肺图像。
本公开实施例中的时刻可以表示为一个时间段,即采集一组肺图像的时间信息。具体的采集过程,可以按照影像医生的指导进行;例如,在呼吸过程中,可以在深吸气的时刻采集至少一套肺图像,也可以在深呼气的时刻采集至少一套肺图像,在平静状态下采集至少一套肺图像,其中平静状态为正常呼气后采集的一套肺图像。又例如,在呼吸到呼气过程中,让患者在吸气或者呼气阶段的不同时刻进行屏住呼吸,以采集多时刻的肺图像。
在本发明的具体实施例中,所述分别对所述肺叶分割图像进行提取得到所述多组肺叶图像的方法,包括:根据所述肺叶分割图像及其对应的一组肺图像,得到所述多组肺叶图像中的一组肺叶图像,采用上述方法可以得到其余组的肺叶图像。根据所述肺叶分割图像及其对应的一组肺图像具体理解为,对第一组肺图像进行肺叶分割,则得到第一组肺叶分割图像,则根据第一组肺叶分割图像及第一组肺图像得到第一组肺叶图像。
具体地说,所述根据所述肺叶分割图像及其对应的一组肺图像,得到所述多组肺叶图像中的一组肺叶图像的方法,包括:分别确定所述肺叶分割图像的掩码值,分别利用所述掩码值及所述对应的一组肺图像得到所述多组肺叶图像中的一组肺叶图像。所述分别利用所述掩码值及所述对应的一组肺图像得到所述多组肺叶图像中的一组肺叶图像的方法,包括:分别利用所述掩码值乘以所述对应的一组肺图像得到所述多组肺叶图像中的一组肺叶图像。
在本发明的具体实施例中,分别根据所述肺叶分割图像的掩码值分别乘以相应的肺图像相乘就可以5张肺叶图像,分别为右上叶、右中叶、右下叶、左上叶和左下叶的肺叶图像,5张肺叶图像为一组肺叶图像。
在本发明的具体实施例中,分别对多组肺图像进行肺叶分割得到肺叶分割图像的分割结果可以包括识别出的肺图像中的各个分区(肺叶)对应的位置信息。例如,肺图像可以包括五个肺叶区域,分别为右上叶、右中叶、右下叶、左上叶和左下叶,得到分割结果中可以包括上述五个肺叶在一组肺图像中分别所在的位置信息。本公开实施例可以通过掩码特征的方式表示分割结果,也就是说,本公开实施例得到的分割结果可以是表示为掩码形式的特征,例如,本公开实施例可以为上述五个肺叶区域分别分配唯一对应的掩码值,如1、2、3、4和5,每个掩码值形成的区域即为相应的肺叶所在的位置区域。上述掩码值仅为示例性说明,在其他实施例中也可以配置其他的掩码值。
在本发明的具体实施例中,分别对多组肺图像进行肺叶分割得到肺叶分割图像的肺叶分割方法或者肺叶分割模型可以为传统的机器学习的肺叶分割模型,或者深度学习中的2018年体素科技提出的progressive dense V-network(PDV-NET)肺叶分割模型。
在解剖学上,气管或支气管(第1级)至肺泡约有24级分支。气管或支气管经肺门入肺,分为叶支气管(第2级),右肺3支,左肺2支。叶支气管分为段支气管(第3~4级),左、右肺各10支。段支气管反复分支为小支气管(第5~10级)继而再分支为细支气管(第11~13级),细支气管又分支为终末细支气管(第14~16级)。从叶支气管至终末细支气管为肺内的导气部。终末细支气管以下的分支为肺的呼吸部,包括呼吸细支气管(第17~19级)、肺泡管(第20~22级)、肺泡囊(第23级)和肺泡(第24级)。但是,在实际进行气管树提取时,往往分割不到第24级分支,仅仅能分割一定等级的气管树,且多组肺图像为多时刻获取的肺叶图像,在不同时刻所提取的气管树等级也不同。
同样地,分别对多组肺图像进行气管树分割得到多组气管树分割图像的分割结果可以包括识别出的肺图像中的气管树,所述气管树由多级的气管组成。分别对多组肺图像进行气管树分割的方法可采用东北大学齐守良老师发表的论文“Deeper Segmentation ofHuman Lung Airways based on Computed Tomography”中使用的气管树分割方法。
显然,如得到了气管树分割图像,对所述气管树分割图像中的气管树进行掩码操作,得到气管树掩码图像;根据所述气管树掩码图像及对应的肺图像得到所述多组气管树图像中的一组气管树图像。采用上述方法可以得到其余组的气管树图像。根据所述气管树分割图像及其对应的一组肺图像可理解为对第一组肺图像进行气管树分割,则得到第一组气管树分割图像。
在一些可能的实施方式中,本公开实施例可以通过拍摄CT(ComputedTomography,计算机断层影像)的方式得到在多时刻的肺图像。具体方法,包括:确定所述多时刻的肺叶图像的扫描层数、层厚以及层间距离;按照所述扫描层数、层厚以及层间距离采集所述多时刻的肺图像。其中,本公开实施例得到肺图像由多层图像构成,可以看成三维图像结构。
在一些可能的实施方式中,可以从其他的电子设备或者服务器中请求获取多时刻的肺图像,即可以得到多套肺图像,每套肺图像对应于一个时刻,多套肺图像构成多个时刻的肺图像。另外,本公开实施例中,为了减少其他特征的影像,可以在获得肺图像的情况下,对肺图像执行肺实质分割处理,确定出肺图像中的肺区域所在的位置,并利用该位置区域的图像作为肺图像执行后续处理。其中肺实质分割可以根据现有方式获得,例如通过深度学习神经网络,或者也可以通过肺实质分割算法实现,本公开对此不作具体限定。
在本发明的实施例中,所述对多组肺图像进行分割得到所述多组肺叶图像中任一组肺叶图像的方法,包括:确定所述多时刻的肺图像中的待分割肺图像,所述待分割图像以外的肺图像作为第一肺图像;利用至少一个第一肺图像对所述待分割肺图像进行融合,得到融合肺图像,所述至少两个第一肺图像包括至少一个在所述待分割图像之前时刻的肺图像以及/或至少一个在所述待分割图像之后时刻的肺图像;利用预设肺叶分割模型对所述融合肺图像进行分割,得到所述待分割肺图像的肺叶图像。
在本发明的实施例中,利用至少一个第一肺图像对所述待分割肺图像进行融合,得到融合肺图像,所述至少两个第一肺图像包括至少一个在所述待分割图像之前时刻的肺图像以及/或至少一个在所述待分割图像之后时刻的肺图像。
在一些可能的实施方式中,可以利用待分割肺图像之前时刻的至少一组肺图像和/或待分割肺图像之后时刻的至少一组肺图像,对待分割图像的特征进行补充修正以及融合,得到融合肺图像。或者,本公开实施例中也可以将待分割肺图像以外的肺图像均作为第一肺图像,从而可以保留呼吸过程中提取的肺图像的全部特征信息。
在本公开实施例中,所述利用至少一个第一肺图像对所述待分割肺图像进行融合,得到融合肺图像的方法,包括:执行所述第一肺图像到所述待分割肺图像的配准操作,得到待融合肺图像;将所述待融合肺图像及所述待分割肺图像进行融合,得到融合肺图像。
在本发明的一些体实施例中,配准操作一方面是为了找到所述待分割肺图像所述某一时刻的前一时刻以及/或后一时刻的肺图像与所述待分割肺图像的对应点,完成所述待分割肺图像与所述第一肺图像的匹配过程,另一方面可以通过配准过程进一步融合各时刻的第一肺图像的图像特征。其中,可以利用配准算法实现各第一肺图像和待分割肺图像之间的配准,将第一肺图像配准到待分割肺图像。配准算法可以使用弹性配准算法或者利用深度学习中的VGG网络(VGG-net)进行配准,如论文Deformable image registrationusing convolutional nerual networks或者U网络(U-net)进行配准,如论文PulmonaryCT Registration through Supervised Learning with Convolutional NeuralNetworks。本发明不对具体的配准算法进行限定。
在本公开的另一些实施例中,所述执行所述第一肺图像到所述待分割肺图像的配准操作,得到待融合肺图像的方法,包括:从所述至少两个第一肺图像以及所述待分割图像中的相同位置提取图像,得到所述相同位置提取的图像形成的肺运动序列图像;分别计算所述肺运动序列图像中相邻图像的肺位移,根据所述肺位移执行所述至少一个第一肺图像到所述待分割肺图像的配准操作。
本公开实施例中,相同位置可以表示为相同层数,如上述实施例所述,每组肺图像可以包括多层图像,从第一肺图像和待分割肺图像中每组肺图像中选择出相同层数的图像,构成一组肺运动序列图像。也就是说,本公开实施例可以得到与层数相同组数的肺运动序列图像,即为每个位置的肺运动序列图像。
在本公开实施例中,所述从所述至少两个第一肺图像以及所述待分割图像中的相同位置提取图像,得到所述相同位置提取的图像形成的肺运动序列图像的方法,包括:确定所述多时刻的肺图像的层数;根据所述层数确定所述至少两个第一肺图像以及所述待分割图像在相同位置的肺图像;根据所述在相同位置的肺图像得到所述肺运动序列图像。
在本发明具体的实施例中,在获取呼吸过程中多时刻的肺图像时,已经确定有所述多时刻的肺图像的扫描层数、层厚以及层间距离;因此,可以根据所述层数确定所述多时刻的肺图像在相同位置的肺图像,在所述多时刻肺图像中选择出在相同位置的肺图像得到所述肺运动序列图像,例如,在第一时刻的肺图像第N层对应的位置与第二时刻以及第M时刻的肺图像的第N层对应的位置相同,都是一个肺平面,所有时刻的相同肺平面组合在一起就是所述肺运动序列图像,M为大于1的整数,用于表示时刻数或者组数,N表示任一层数值。
在得到多个肺运动序列图像的情况下,可以确定肺运动序列中与待分割图像对应的图像,其余为与第一肺图像对应的图像。肺运动序列图像中的各图像按照时刻的顺序排列。由于在前述实施例中已经确定出待分割图像,对应的也可以获取该待分割图像对应的时刻,在肺运动序列图像中可以根据该时刻确定出待分割图像对应的图像,以及第一肺图像对应的图像。在肺运动序列图像中包括的是各肺图像中的一层图像,为了方便后续实施例的描述,将该一层图像以待分割图像或者第一分割图像说明,但是这里需要指出的是,肺运动序列图像中的图像仅为待分割肺图像和第一肺图像中的相应层的图像。
本公开实施例中,在得到肺运动序列图像的情况下,可以执行其中第一肺图像与待分割肺图像之间的运动情况。即可以分别计算所述肺运动序列图像中相邻图像的肺位移,根据所述肺位移执行所述至少一个第一肺图像到所述待分割肺图像的配准操作。其中,通过确定相邻图像之间的肺位移,可以确定第一肺图像与待分割肺图像之间的肺位移,继而执行第一肺图像和待分割肺图像的配准操作。其中肺位移可以表示待分割图像与待分割肺图像中肺部特征点之间的位移。
在本公开实施例中,所述分别计算所述肺运动序列图像中相邻图像的肺位移的方法,包括:分别确定所述肺运动序列图像中相邻图像的第一正向光流;分别根据所述第一正向光流确定所述相邻图像的肺位移。
在本发明具体的实施例中,光流(optical flow)可以用于表示运动图像之间的变化,是指时变图像中模式运动速度。当肺在运动时,它在图像上对应点的亮度模式也在运动,因此光流可以用于表示图像之间的变化,由于它包含了肺运动的信息,因此可被观察者用来确定肺的运动情况。本公开实施例中,对肺运动序列图像中的各相邻图像进行光流评估,可以得到该相邻图像之间的光流信息。其中,假定多时刻肺图像对应的时刻分别为t1,t2,…,tM,M表示组数。第N个肺运动序列图像可以分别包括M组肺图像中的第N层图像F1N,F2N,…,FMN,表示第1至M组中肺图像内第N层图像。
在执行光流估计时,按照1至M组的正向顺序,分别得到每个肺运动序列图像内两个相邻图像的第一正向光流,例如可以得到F1N到F2N的第一正向光流,F2N到F3N的第一正向光流,依次类推,得到F(M-1)到FMN的第一正向光流。其中,第一正向光流表示按照时间的正向顺序排列,相邻的肺图像中各特征点的运动速度信息。具体地,可以将肺运动序列图像输入到光流估计模型中,用于得到相邻图像之间的第一正向光流,该光流估计模型可以为FlowNet2.0,或者也可以为其他光流估计模型,本公开对此不作具体限定。或者也可以采用稀疏光流估计算法、稠密光流估计算法等光流估计算法对相邻图像进行光流评估,本公开同样对此不做具体限定。
在本发明具体的实施例中,根据所述第一正向光流确定所述相邻图像的肺位移的方法,包括:利用所述第一正向光流的速度信息以及所述肺叶运动序列图像中相邻图像的时间信息得到所述相邻图像的肺位移。利用CT采集的肺图像中的dicom文件内具有扫描时间以及层数,扫描时间除以层数可近似得到所述肺运动序列图像中相邻图像的时间信息。
在本公开实施例中,采集的肺图像中的每层图像都可以具有相应的采集时间信息,利用肺运动序列图像中两个相邻图像的采集时间的时间差值和第一正向光流的乘积,可以得到两个相邻图像在该时间差值范围内的肺位移。
另外,由于所述肺运动序列图像中相邻图像的时间信息较小,本公开实施例中,也可以将光流对应的速度信息约等于肺位移。
其中,由于预先确定了待分割图像和第一肺图像,因此可以对应的依次确定出肺运动序列图像中第一肺图像和待分割图像的第一正向光流以及第一肺图像和待分割图像之间的时间信息,对应地,可以通过第一正向光流和时间信息的乘积得到第一肺图像到待分割肺图像之间的肺位移。
在本公开实施例中,所述分别计算所述肺运动序列图像中相邻图像的肺位移的方法,还包括:分别确定所述第一正向光流对应的第一反向光流;分别根据所述第一反向光流以及/或所述第一反向光流确定所述相邻图像的肺位移。
在本公开实施例中,根据所述多时刻肺图像的正向时间顺序,确定所述肺运动序列图像中相邻图像的所述第一正向光流,以及可以根据多时刻肺图像的反向时间顺序,确定所述肺运动序列图像中相邻图像的所述第一反向光流。
对应的,在执行光流估计时,按照M至1组的反向顺序,分别得到每个肺运动序列图像内两个相邻图像的第一反向光流,例如可以得到FMN到F(M-1)N的第一反向光流,F(M-2)N到F(M-1)N的第一反向光流,依次类推,得到F2N到F1N的第一反向光流。其中,第一反向光流表示按照时间的反向顺序排列,相邻的肺图像中各特征点的运动速度信息。同样,可以将肺运动序列图像输入到光流估计模型中,用于得到相邻图像之间的第一反向光流,或者也可以采用稀疏光流估计算法、稠密光流估计算法等光流估计算法对相邻图像进行光流评估,本公开同样对此不做具体限定。
在本公开具体的实施例中,根据所述第一反向光流确定所述相邻图像的肺位移的方法,包括:利用所述第一反向光流的速度信息以及所述肺叶运动序列图像中相邻图像的时间信息得到所述相邻图像的肺位移。利用CT采集的肺图像中的dicom文件内具有扫描时间以及层数,扫描时间除以层数可近似得到所述肺叶运动序列图像中相邻图像的时间信息。
在本公开实施例中,采集的肺图像中的每个图像都可以具有相应的采集时间信息,利用肺叶运动序列图像中两个相邻图像的采集时间的时间差值和第一反向光流的乘积,可以得到两个相邻图像在该时间差值范围内的肺位移。另外,由于所述肺叶运动序列图像中相邻图像的时间信息较小,本公开实施例中,也可以将光流对应的速度信息约等于肺叶位移。
其中,由于预先确定了待分割图像和第一肺图像,因此可以对应的依次确定出肺运动序列图像中第一肺图像和待分割图像的第一反向光流以及第一肺图像和待分割图像之间的时间信息,对应地,可以通过第一反向光流和时间信息的乘积得到第一肺图像到待分割肺图像之间的肺位移。
在本公开实施例中,所述分别计算所述肺运动序列图像中相邻图像的肺位移的方法,还包括:分别对所述第一正向光流和第一反向光流执行光流优化处理,得到与各所述第一正向光流对应的第二正向光流,以及与各所述第一反向光流对应的第二反向光流;分别根据所述第二正向光流以及/或所述第二反向光流确定所述相邻图像的肺位移。
在本发明的具体实施例中,所述分别根据所述第一反向光流以及所述第一反向光流确定所述相邻图像的肺位移的方法,包括:分别对所述第二正向光流以及所述第二反向光流进行运算,得到矫正光流;分别根据所述矫正光流确定所述相邻图像的肺位移。
在本发明具体的实施例中,分别对所述第二正向光流以及所述第二反向光流进行运算,得到矫正光流的方法,包括:对所述第二正向光流以及所述第二反向光流执行加法操作得到两向光流和,然后求取所述两向光流和的均值得到矫正光流。即,求取所述第二正向光流以及所述第二反向光流的均值,矫正光流=(第二正向光流+第二反向光流)/2。
在本发明的具体实施例中,所述分别对所述第一正向光流和第一反向光流执行光流优化处理,得到与各所述第一正向光流对应的第二正向光流,以及与各所述第一反向光流对应的第二反向光流的方法,包括:连接各所述第一正向光流得到第一连接光流,以及连接各所述第一反向光流得到第二连接光流;分别对所述第一连接光流和第二连接光流执行N次光流优化处理,得到所述第一连接光流对应的第一优化光流,以及第二连接光流对应的第二优化光流;根据所述第一优化光流得到每个第一正向光流对应的第二正向光流,以及根据所述第二优化光流得到每个第一反向光流对应的第二反向光流;其中,N为大于或者等于1的正整数。
其中,连接各所述第一正向光流得到第一连接光流,以及连接各所述第一反向光流得到第二连接光流包括:依次连接肺运动序列图像中各相邻图像之间的第一正向光流,得到该组肺运动序列图像对应的第一连接光流,以及依次连接肺运动序列图像中各相邻图像之间的第一反向光流,得到该组肺运动序列图像对应的第二连接光流。这里的连接为深度方向上的拼接。
在获得第一连接光流和第二连接光流之后,可以分别对第一连接光流和第二连接光流执行光流优化处理,本公开实施例可以执行至少一次光流优化处理过程。例如本公开实施例中每次的光流优化处理可以利用光流优化模块执行,该光流优化模块可以由神经网络构成,或者也可以利用对应的优化算法执行优化操作。对应的,在执行N次光流优化处理时,可以包括N个依次相连的光流优化网络模块,后一个光流优化网络模块的输入为前一光流优化网络模块的输出,最后一个光流优化网络模块的输出即为对第一连接光流和第二连接光流的优化结果。
具体的,在仅包括一个光流优化网络模块时,可以利用该光流优化网络模块对第一连接光流执行优化处理得到第一连接光流对应的第一优化光流,以及通过光流优化网络模块对第二连接光流执行优化处理,得到第二连接光流对应的第二优化光流。其中光流优化处理可以包括残差处理和上采样处理。即光流优化网络模块中可以进一步包括残差单元和上采样单元,通过残差单元对输入的第一连接光流或者第二连接光流执行残差处理,其中残差单元可以包括多个卷积层,每个卷积层采用的卷积核本公开实施例不作具体限定,通过残差单元残差处理后的第一连接光流的尺度变小,如减小为输入的连接光流的尺度的四分之一,本公开对此不作具体限定,可以根据需求设定。在执行残差处理之后,可以对残差处理后的第一连接光流或者第二连接光流执行上采样处理,通过上采样处理可以将输出的第一优化子光流的尺度调整成第一连接光流的尺度,以及将输出的第二优化子光流的尺度调整成第二连接光流的尺度。且通过光流优化过程可以融合各光流的特征,同时可以提高光流精度。
在另一些实施例中,光流优化模块也可以包括多个光流优化网络模块,如N个光流优化网络模块。其中第一个光流优化网络模块可以接收第一连接光流和第二连接光流,并分别对第一连接光流和第二连接光流执行第一次光流优化处理,该第一次光流优化处理包括残差处理和升采样处理,其中具体过程与上述实施例相同,在此不再赘述。通过该第一次光流优化处理可以得到第一连接光流的第一优化子光流以及第二连接光流的第一优化子光流。
同理,可以利用每个光流优化网络模块执行一次光流优化过程,即可以利用第i+1个光流优化网络模块对所述第一连接光流和所述第二连接光流的第i优化子光流执行第i+1次光流优化处理,得到所述第一连接光流对应的第i+1优化子光流,以及第二连接光流对应的第i+1优化子光流,其中i为大于1且小于N的正整数。最终可以通过第N个光流优化网络模块执行的第N次优化处理,得到第一连接光流的第N优化子光流以及第二连接光流的第N优化子光流,并且可以将得到的所述第一连接光流的第N优化子光流确定为所述第一优化光流,以及将得到的所述第二连接光流的第N优化子光流确定为所述第二优化光流。本公开实施例中,每个光流优化网络模块执行的光流优化处理过程可以残差处理和上采样处理。即每个光流优化网络模块可以为相同的光流优化模块。
在得到每个肺运动序列图像的第一优化光流和第二优化光流的情况下,可以利用第一优化光流得到每个第一正向光流对应的第二正向光流,以及根据所述第二优化光流得到每个第一反向光流对应的第二反向光流。
在经过N次光流优化处理后,得到第一优化光流的尺度和第一连接光流的尺度相同,可以按照深度方向将该第一优化光流拆分成M-1个第二正向光流,该M-1个第二正向光流分别对应的为各第一正向光流的优化结果。同样的,在经过N次光流优化处理后,得到第二优化光流的尺度和第二连接光流的尺度相同,可以按照深度方向将该第二优化光流拆分成M-1个第二反向光流,该M-1个第二反向光流分别对应的为各第一反向光流的优化结果。
通过上述实施例,即可以得到肺运动序列图像的各相邻图像之间的第一正向光流优化后的第二正向光流,以及肺运动序列图像中各相邻图像之间的第一反向光流优化后的第二反向光流。
在得到第二正向光流和/或第二反向光流的情况下,可以利用第二正向光流和/或第二反向光流确定相邻图像对应的肺叶的运动位移,继而可以得到肺分割图像和第一肺图像之间的肺位移,具体参照上述第一正向光流和/或第一反向光流确定运动位移的方式,在此不做重复说明。
步骤S102:分别确定所述多组气管树图像中气管树的共有级别;将所述共有级别对应的气管树的边缘点/或分支点作为第一关键配准点。
在本发明的实施例中,所述分别确定所述多组气管树图像中气管树的共有级别的方法,包括:分别确定所述多组气管树图像中气管树最末级的分支数量;统计所述分支数量的最小值;根据所述最小值对应的级别确定所述多组气管树图像中气管树的共有级别。具体地说,所述将根据所述最小值对应的级别确定所述多组气管树图像中气管树的共有级别的方法,包括:确定所述最小值对应的级别;将所述级别及所述级别以上的级别确定为所述多组气管树图像中气管树的共有级别。其中,所述级别以上的级别小于所述级别,如所述级别为3级,则所述级别以上的级别为2级以及1级。
例如,第一组气管树图像中气管树的分支数量为5,此时说明气管树仅仅由主气管(1级)向下分别经过5个分支(2级)进入每个肺叶中,此时气管树最末级为进入每个肺叶的支气管,此时进入每个肺叶的支气管具有5个分支;第二组气管树图像中气管树最末级的分支数量为35,则第一组气管树图像及第二组气管树图像的共同级别为5个分支所在级别(2级)及主气管(1级),将5个分支所在级别(2级)及主气管(1级)对应的气管树的边缘点/或分支点作为第一关键配准点。也就说是,在这里的将所述级别为所在级别(2级),所述级别以上的级别为主气管(1级)。
在本发明的实施例中,所述将所述共有级别对应的气管树的边缘点/或分支点作为第一关键配准点的方法,包括:根据所述共有级确定待配准气管树;检测所述待配准气管树的边缘线及分支点;将所述边缘线上的边缘点/或所述分支点确定为第一关键配准点。
在本发明的具体实施例中,在根据所述共有级确定待配准气管树的方法中,确定所述共有级别以上的气管树为待配准气管树,例如上述中的2级及1级气管构成的气管树为待配准气管树。在分别确定所述多组气管树图像中气管树最末级的分支数量时,已经确定了将所述共有级别对应的气管树的分支点,如1级主气管到2级支气管时,即产生了第一个分支点。同时,在本发明的实施例中,需要利用边缘检测的方法检测所述待配准气管树的边缘线,将所述边缘线上取若干的点为确定为第一关键配准点。
在本发明的具体实施例中,所述将所述边缘线上取若干的点为确定为第一关键配准点的方法,包括:对所述边缘线求导,若不可导,将不可导点确定为第一关键配准点。上述不可导点为肺叶尖端或者肺表面不光滑的点。
步骤S103:分别将所述多组肺叶图像的肺叶形态边缘点确定为第二关键配准点。
在本发明的实施例中,所述分别将所述多组肺叶图像的肺叶形态边缘点确定为第二关键配准点的方法,包括:分别检测所述多组肺叶图像的肺叶形态,得到多个肺叶边缘曲线;分别对所述多个肺叶边缘曲线求导,若不可导,则将不可导点确定为所述第二关键配准点。在本发明的具体实施例中,可以利用边缘检测的方法分别检测所述多组肺叶图像的肺叶形态,得到多个肺叶边缘曲线。
步骤S104:基于所述第一关键配准点及所述第二关键配准点,完成所述多组肺叶图像中任意两组的配准。
在本发明的具体实施例中,由于所述第一关键配准点及所述第二关键配准点分别为多组肺叶图像及多组气管树图像的关键配准点。如需要完成所述多组肺叶图像中任意两组的配准,需要根据所述多组肺叶图像中任意两组的所述第一关键配准点及所述第二关键配准点进行配准。
本公开实施例,每个第一关键配准点及所述第二关键配准点可以具有相应的位置坐标信息,将两个待配准的肺叶图像中距离最近的第一关键配准点确定为关联的第一关键配准点,将两个待配准的肺叶图像中距离最近的第二关键配准点确定为关联的第二关键配准点,在分别找到两个待配准肺叶图像之间关联的第一关键配准点和关联的第二关键陪准点的情况下,完成了两个肺叶图像之间的配准。另外,本公开实施例也可以利用关联的第一配准点和关联的第二关键配准点之间的位置关系,建立待配准的两个肺叶图像之间的映射关系,即也可以实现第一关键配准点和第二关键配准点以外的其他像素点之间的配准。其中,可以利用关联的第一配准点和关联的第二关键配准点之间的位置关系确定待配准的两个肺叶图像之间的变换矩阵,利用该变换矩阵可以基于一个肺叶图像中像素点的位置信息确定在另一个肺叶图像中的位置信息。例如,本公开实施例可以利用弹性配准的方式完成两个肺叶图像之间配准,对此不作具体说明,本领域技术人员可以利用现有技术手段实现上述配准过程。
或者,在本公开实施例中,还可以确定每个第一关键配准点及所述第二关键配准点的特征向量。其中,第一关键配准点和第二关键配准点可以采用边缘特征提取算法或者关键点特征提取算法得到,例如可以利用SIFT、Harris实现特征点提取,可以利用Sobel算子、Robert算子实现边缘特征点提取,利用上述提取的特征点作为第一关键配准点和第二关键配准点。通过上述特征点提取的方式得到的第一关键配准点和第二关键配准点可以具有相应的特征信息(作为特征向量)。本公开对此不作具体说明,本领域技术人员可以根据需求选择合适的算法得到第一关键配准点和第二关键配准点的特征向量。
在得到第一关键配准点和第二关键配准点的特征向量的情况下,可以将待配准的两个肺叶图像中特征向量的相似度最大的两个第一关键配准点,确定为关联的第一关键配准点。以及可以将待配准的两个肺叶图像中特征向量的相似度最大的两个第二关键配准点,确定为关联的第二关键配准点。上述特征向量的相似度可以为余弦相似度。在分别找到两个待配准肺叶图像之间关联的第一关键配准点和关联的第二关键陪准点的情况下,即完成了两个肺叶图像之间的配准。同样,本公开实施例也可以利用关联的第一配准点和关联的第二关键配准点之间的位置关系,建立待配准的两个肺叶图像之间的映射关系,即也可以实现第一关键配准点和第二关键配准点以外的其他像素点之间的配准。其中,可以利用关联的第一配准点和关联的第二关键配准点之间的位置关系确定待配准的两个肺叶图像之间的变换矩阵,利用该变换矩阵可以基于一个肺叶图像中像素点的位置信息确定在另一个肺叶图像中的位置信息。例如,本公开实施例可以利用弹性配准的方式完成两个肺叶图像之间配准,对此不作具体说明,本领域技术人员可以利用现有技术手段实现上述配准过程。
将两个待配准的肺叶图像中距离最近的第一关键配准点确定为关联的第一关键配准点,将两个待配准的肺叶图像中距离最近的第二关键配准点确定为关联的第二关键配准点。例如,一个待配准的肺叶图像的第一关键配准点与距离其最近的另一个待配准的肺叶图像的第一关键配准点进行匹配;一个待配准的肺叶图像的第二关键配准点与距离其最近的另一个待配准的肺叶图像的第二关键配准点进行匹配。
具体地说,如第二关键配准点为所述共有级别对应的气管树的边缘点,则在一个待配准的肺叶图像的第二关键配准点与距离其最近的另一个待配准的肺叶图像的第二关键配准点进行匹配中,分别利用第二关键配准点中的气管树的边缘点与距离其最近的另一个待配准的肺叶图像的第二关键配准点中的气管树的边缘点进行匹配。
具体地说,如第二关键配准点为所述共有级别对应的气管树的分支点,则利用所述第二关键配准点进行配准时,则一个待配准的肺叶图像及另一个待配准的肺叶图像中相应级别的气管树的分支点进行匹配即可。
在图2中,为了使得本领域人员更好地理解本发明,以一个患者在深吸气的时刻采集第一组肺图像,对第一组肺图像进行肺叶分割得到第一肺叶分割图像A1,在深呼气的时刻采集第二组肺图像,对第二组肺图像进行肺叶分割得到第二肺叶分割图像A2。并以一个肺叶的配准的进行说明。
在图2中,对第一肺叶分割图像A1进行一个肺叶提取得到第一组肺叶图像中的第一肺叶图像A11,对第二肺叶分割图像A2进行一个肺叶提取得到第二组肺叶图像中的第二肺叶图像A21;其中,所述第一肺叶图像A11与所述第二肺叶图像A21可以为右上叶、右中叶、右下叶、左上叶和左下叶的任意一个肺叶图像,但是对应的肺叶需要一致,如所述第一肺叶图像A11与所述第二肺叶图像A21都为右上叶。
在图2中,对第一组肺图像进行气管树分割并提取气管树,得到第一气管树B1,确定第一气管树B1的第一气管树级别B11,对第二组肺图像进行气管树分割并提取气管树,得到第二气管树B2,确定第二气管树B2的第二气管树级别B21。
在图2中,分别确定所述第一气管树级别B11及第二气管树级别B21中的共有级别;将所述共有级别对应的气管树的边缘点/或分支点作为第一关键配准点;同时,分别将所述第一肺叶图像A11及所述第二肺叶图像A21的肺叶形态边缘点确定为第二关键配准点。基于所述第一关键配准点及所述第二关键配准点,完成所述第一组肺叶图像中的第一肺叶图像A11及第二组肺叶图中的第一肺叶图像A11的肺叶配准。
值得说明的是,在本发明中,本领域人员应该知道,所述多组肺叶图像中任意两组的配准为执行以下操作:一组组肺叶图像中右上叶、右中叶、右下叶、左上叶和左下叶的肺叶图像分别与另一个组肺叶图像中右上叶、右中叶、右下叶、左上叶和左下叶的肺叶图像进行配准。例如,一组组肺叶图像中右上叶的肺叶图像与另一个组肺叶图像中右上叶肺叶图像进行配准,否则配准没有任何意义。
综上所述,本发明考虑到了肺叶形态边缘点以及气管树图像等关键运动信息作为关键配准点,完成配准的操作,以解决目前不能进行肺叶配准或者肺叶配准不准确的问题。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
另外,本公开实施例还提供了一种基于肺叶及气管树的配准装置,包括:获取单元,用于获取呼吸过程中多组肺叶图像及多组气管树图像,所述多组肺叶图像及所述多组气管树图像分别为多时刻分别获取的肺叶图像及气管树图像;第一确定单元,用于分别确定所述多组气管树图像中气管树的共有级别;将所述共有级别对应的气管树的边缘点/或分支点作为第一关键配准点;第二确定单元,用于分别将所述多组肺叶图像的肺叶形态边缘点确定为第二关键配准点;执行单元,用于基于所述第一关键配准点及所述第二关键配准点,完成所述多组肺叶图像中任意两组的配准。一种基于肺叶及气管树的配准装置的具体实现方式细节可参考上述基于肺叶及气管树的配准方法中的详细说明。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。电子设备可以被提供为终端、服务器或其它形态的设备。
图3是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图3,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图4是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图4,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (13)
1.一种基于肺叶及气管树的配准方法,其特征在于,包括:
获取呼吸过程中多组肺叶图像及多组气管树图像,所述多组肺叶图像及所述多组气管树图像分别为多时刻分别获取的肺叶图像及气管树图像;
分别确定所述多组气管树图像中气管树的共有级别;将所述共有级别对应的气管树的边缘点/或分支点作为第一关键配准点;其中,所述分别确定所述多组气管树图像中气管树的共有级别的方法,包括:分别确定所述多组气管树图像中气管树最末级的分支数量;统计所述分支数量的最小值;根据所述最小值对应的级别确定所述多组气管树图像中气管树的共有级别;分别将所述多组肺叶图像的肺叶形态边缘点确定为第二关键配准点;
基于所述第一关键配准点及所述第二关键配准点,完成所述多组肺叶图像中任意两组的配准。
2.根据权利要求1所述的方法,其特征在于,所述分别将所述多组肺叶图像的肺叶形态边缘点确定为第二关键配准点的方法,包括:
分别检测所述多组肺叶图像的肺叶形态,得到多个肺叶边缘曲线;
分别对所述多个肺叶边缘曲线求导,若不可导,则将不可导点确定为所述第二关键配准点。
3.根据权利要求1或2所述的方法,其特征在于,还包括:
将所述多组肺叶图的病灶区域确定为第三关键配准点;
基于所述第一关键配准点、所述第二关键配准点及所述第三关键配准点,完成所述多组肺叶图像中任意两组的配准。
4.根据权利要求3所述的方法,其特征在于,所述将所述多组肺叶图的病灶区域确定为第三关键配准点的方法,包括:
分别检测所述多组肺叶图的病灶区域;
确定所述病灶区域的位置信息;
将所述位置信息内的位置点确定为所述第三关键配准点。
5.根据权利要求1或2或4所述的方法,其特征在于,在所述获取呼吸过程中多组肺叶图像及多组气管树图像之前,分别对多组肺图像进行肺叶分割及气管树分割得到多组肺叶分割图像及多组气管树分割图像,分别对所述多组肺叶分割图像及所述多组气管树分割图像进行提取得到所述多组肺叶图像及所述多组气管树图像;其中,所述多组肺图像为呼吸过程中多时刻分别获取的肺图像。
6.根据权利要求1或2或4所述的方法,其特征在于,所述将所述共有级别对应的气管树的边缘点/或分支点作为第一关键配准点的方法,包括:
根据所述共有级别确定待配准气管树;
检测所述待配准气管树的边缘线及分支点;
将所述边缘线上的边缘点/或所述分支点确定为第一关键配准点。
7.根据权利要求5所述的方法,其特征在于,所述将所述共有级别对应的气管树的边缘点/或分支点作为第一关键配准点的方法,包括:
根据所述共有级别确定待配准气管树;
检测所述待配准气管树的边缘线及分支点;
将所述边缘线上的边缘点/或所述分支点确定为第一关键配准点。
8.根据权利要求5所述的方法,其特征在于,所述对多组肺图像进行分割得到所述多组肺叶图像中任一组肺叶图像的方法,包括:
确定所述多时刻的肺图像中的待分割肺图像,所述待分割图像以外的肺图像作为第一肺图像;
利用至少一个第一肺图像对所述待分割肺图像进行融合,得到融合肺图像;其中,所述第一肺图像包括至少一个在所述待分割图像之前时刻的肺图像以及/或至少一个在所述待分割图像之后时刻的肺图像;
利用预设肺叶分割模型对所述融合肺图像进行分割,得到所述待分割肺图像的肺叶图像。
9.根据权利要求7所述的方法,其特征在于,所述对多组肺图像进行分割得到所述多组肺叶图像中任一组肺叶图像的方法,包括:
确定所述多时刻的肺图像中的待分割肺图像,所述待分割图像以外的肺图像作为第一肺图像;
利用至少一个第一肺图像对所述待分割肺图像进行融合,得到融合肺图像;其中,所述第一肺图像包括至少一个在所述待分割图像之前时刻的肺图像以及/或至少一个在所述待分割图像之后时刻的肺图像;
利用预设肺叶分割模型对所述融合肺图像进行分割,得到所述待分割肺图像的肺叶图像。
10.根据权利要求8或9所述的方法,其特征在于,所述利用所述至少一个第一肺图像对所述待分割肺图像进行融合,得到融合肺图像的方法,包括:
执行所述至少一个第一肺图像到所述待分割肺图像的配准操作,得到待融合肺图像;
将所述待融合肺图像及所述待分割肺图像进行融合,得到融合肺图像。
11.一种基于肺叶及气管树的配准装置,其特征在于,包括:
获取单元,用于获取呼吸过程中多组肺叶图像及多组气管树图像,所述多组肺叶图像及所述多组气管树图像分别为多时刻分别获取的肺叶图像及气管树图像;
第一确定单元,用于分别确定所述多组气管树图像中气管树的共有级别;将所述共有级别对应的气管树的边缘点/或分支点作为第一关键配准点;其中,所述分别确定所述多组气管树图像中气管树的共有级别,包括:分别确定所述多组气管树图像中气管树最末级的分支数量;统计所述分支数量的最小值;根据所述最小值对应的级别确定所述多组气管树图像中气管树的共有级别;
第二确定单元,用于分别将所述多组肺叶图像的肺叶形态边缘点确定为第二关键配准点;
执行单元,用于基于所述第一关键配准点及所述第二关键配准点,完成所述多组肺叶图像中任意两组的配准。
12.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至10中任意一项所述的方法。
13.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至10中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010540322.0A CN111724364B (zh) | 2020-06-12 | 2020-06-12 | 基于肺叶及气管树的方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010540322.0A CN111724364B (zh) | 2020-06-12 | 2020-06-12 | 基于肺叶及气管树的方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111724364A CN111724364A (zh) | 2020-09-29 |
CN111724364B true CN111724364B (zh) | 2023-04-14 |
Family
ID=72566758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010540322.0A Active CN111724364B (zh) | 2020-06-12 | 2020-06-12 | 基于肺叶及气管树的方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111724364B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115705640B (zh) * | 2021-08-13 | 2023-07-07 | 杭州健培科技有限公司 | 用于图像局部刚性部位的自动配准方法、装置和应用 |
CN113538414B (zh) * | 2021-08-13 | 2022-03-08 | 推想医疗科技股份有限公司 | 肺部图像配准方法和肺部图像配准装置 |
CN116433874A (zh) * | 2021-12-31 | 2023-07-14 | 杭州堃博生物科技有限公司 | 支气管镜导航方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016087433A (ja) * | 2014-10-31 | 2016-05-23 | 株式会社東芝 | 医用画像処理装置および医用画像処理方法 |
CN106952285A (zh) * | 2017-02-15 | 2017-07-14 | 上海交通大学 | 基于先验统计运动模型及自适应配准的肺部运动估计方法 |
CN109215032A (zh) * | 2017-06-30 | 2019-01-15 | 上海联影医疗科技有限公司 | 图像分割的方法及系统 |
CN109377522A (zh) * | 2018-10-19 | 2019-02-22 | 北京青燕祥云科技有限公司 | 一种肺结节医学影像配准方法及其装置 |
CN111145226A (zh) * | 2019-11-28 | 2020-05-12 | 南京理工大学 | 基于ct影像的三维肺部特征提取方法 |
CN111242931A (zh) * | 2020-01-15 | 2020-06-05 | 东北大学 | 一种单肺叶的小气道病变判断方法和装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8155403B2 (en) * | 2004-05-05 | 2012-04-10 | University Of Iowa Research Foundation | Methods and devices for airway tree labeling and/or matching |
US9773311B2 (en) * | 2011-06-29 | 2017-09-26 | The Regents Of The University Of Michigan | Tissue phasic classification mapping system and method |
WO2014042902A1 (en) * | 2012-09-13 | 2014-03-20 | The Regents Of The University Of California | Lung, lobe, and fissure imaging systems and methods |
WO2014057383A2 (en) * | 2012-10-09 | 2014-04-17 | Koninklijke Philips N.V. | Multi-structure atlas and/or use thereof |
US9675317B2 (en) * | 2014-12-22 | 2017-06-13 | Toshiba Medical Systems Corporation | Interface identification apparatus and method |
-
2020
- 2020-06-12 CN CN202010540322.0A patent/CN111724364B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016087433A (ja) * | 2014-10-31 | 2016-05-23 | 株式会社東芝 | 医用画像処理装置および医用画像処理方法 |
CN106952285A (zh) * | 2017-02-15 | 2017-07-14 | 上海交通大学 | 基于先验统计运动模型及自适应配准的肺部运动估计方法 |
CN109215032A (zh) * | 2017-06-30 | 2019-01-15 | 上海联影医疗科技有限公司 | 图像分割的方法及系统 |
CN109377522A (zh) * | 2018-10-19 | 2019-02-22 | 北京青燕祥云科技有限公司 | 一种肺结节医学影像配准方法及其装置 |
CN111145226A (zh) * | 2019-11-28 | 2020-05-12 | 南京理工大学 | 基于ct影像的三维肺部特征提取方法 |
CN111242931A (zh) * | 2020-01-15 | 2020-06-05 | 东北大学 | 一种单肺叶的小气道病变判断方法和装置 |
Non-Patent Citations (3)
Title |
---|
Arunabha Roy et.al.Nonrigid registration framework for bronchial tree labeling using robust point matching.《Medical Imaging 2009: Image Processing》.2009,1-11. * |
Baojun Li et.al.Pulmonary CT image registration and warping for tracking tissue deformation during the respiratory cycle through 3D consistent image registration.《Medical PhysicsVolume》.2008,Pages5203-5960, vii-vi, 5961-6040. * |
边子健第.肺部CT图像中的解剖结构分割方法综述.《中国图象图形学报》.2018,第第23卷卷(第第23卷期),1450-1471. * |
Also Published As
Publication number | Publication date |
---|---|
CN111724364A (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829920B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111724364B (zh) | 基于肺叶及气管树的方法及装置、电子设备和存储介质 | |
CN109978886B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110047078B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112767329B (zh) | 图像处理方法及装置、电子设备 | |
US20220180521A1 (en) | Image processing method and apparatus, and electronic device, storage medium and computer program | |
WO2020211293A1 (zh) | 一种图像分割方法及装置、电子设备和存储介质 | |
CN111899268B (zh) | 图像分割方法及装置、电子设备和存储介质 | |
CN110211134B (zh) | 一种图像分割方法及装置、电子设备和存储介质 | |
CN112541928A (zh) | 网络训练方法及装置、图像分割方法及装置和电子设备 | |
CN112862916B (zh) | Ct灌注功能图量化参数处理设备及方法 | |
CN112115894B (zh) | 手部关键点检测模型的训练方法、装置及电子设备 | |
CN114820584B (zh) | 肺部病灶定位装置 | |
CN112967291B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111724361B (zh) | 实时显示病灶的方法及装置、电子设备和存储介质 | |
CN112070763A (zh) | 一种图像数据处理方法及装置、电子设备和存储介质 | |
CN114332019A (zh) | 内窥镜图像检测辅助系统、方法、介质和电子设备 | |
CN110852325B (zh) | 图像的分割方法及装置、电子设备和存储介质 | |
CN112116575A (zh) | 一种图像处理方法及装置、电子设备和存储介质 | |
CN113012146A (zh) | 血管信息获取方法及装置、电子设备和存储介质 | |
JP2022548453A (ja) | 画像分割方法及び装置、電子デバイス並びに記憶媒体 | |
CN111724360A (zh) | 一种肺叶分割方法、装置和存储介质 | |
CN116843647A (zh) | 肺野面积确定、肺发育评估方法及装置、电子设备和介质 | |
CN111798498A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111738998B (zh) | 病灶位置动态检测方法及装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |