CN111815663A - 一种基于Hessian矩阵和灰度法的肝血管分割系统 - Google Patents
一种基于Hessian矩阵和灰度法的肝血管分割系统 Download PDFInfo
- Publication number
- CN111815663A CN111815663A CN202010606330.0A CN202010606330A CN111815663A CN 111815663 A CN111815663 A CN 111815663A CN 202010606330 A CN202010606330 A CN 202010606330A CN 111815663 A CN111815663 A CN 111815663A
- Authority
- CN
- China
- Prior art keywords
- image
- hepatic
- segmentation
- blood vessel
- vessel
- 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.)
- Withdrawn
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 97
- 230000002440 hepatic effect Effects 0.000 title claims abstract description 80
- 239000011159 matrix material Substances 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 33
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 83
- 210000004185 liver Anatomy 0.000 claims abstract description 54
- 210000003240 portal vein Anatomy 0.000 claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000013500 data storage Methods 0.000 claims abstract description 7
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000002792 vascular Effects 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010019695 Hepatic neoplasm Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/10—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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G06T5/70—
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种基于Hessian矩阵和灰度法的肝血管分割系统，包括：图像获取及预处理单元、血管图像增强单元、门静脉中心线提取单元、肝血管分割单元和数据存储单元；所述图像获取及预处理单元用于将肝脏CT图像转换为符合显示器设备的灰度级显示范围的图像文件和进行预处理；所述血管图像增强单元用于对预处理后的肝脏图像进行图像增强得到肝血管增强图像；所述门静脉中心线提取单元用于对门静脉中心线进行提取验证；所述肝血管分割单元用于根据所述门静脉中心线提取单元提取的门静脉中心线对肝血管图像进行分割；所述数据存储单元用于对肝血管分割结果进行存储，本发明精确可靠的对肝脏血管进行分割及三维重建，帮助临床医师提高诊断效率。
Description
技术领域
本发明涉及医学图像分析技术领域，尤其涉及到一种基于Hessian矩阵和灰度法的肝血管分割系统。
背景技术
随着医学影像技术的发展和各类医学影像的设备出现，获取到的图像种类和数量愈加繁多，仅凭医师的经验对各类血管图像定性分析，诊断效率较低。借助计算机图像处理技术对各类血管图像数据进行定性和定量分析，获得血管边缘、骨架、和分支等一系列有价值的血管参数，极大提高了临床诊疗的诊断效率。因此，研究一种肝脏血管分割算法能自动的分割血管,然后再将分割的结果进行三维重建，使外科医生能快速定位肝肿瘤的位置，为顺利施行外科手术提供帮助十分有必要。
综上所述，提供一种可精确可靠的对肝脏血管进行分割及三维重建并能进行可视化化显示辅助医生确定肝脏状况的基于Hessian矩阵和灰度法的肝血管分割系统，是本领域技术人员急需解决的问题。
发明内容
本方案针对上文提到的问题和需求，提出一种基于Hessian矩阵和灰度法的肝血管分割系统，其由于采取了如下技术方案而能够解决上述技术问题。
为了达到上述目的，本发明提供如下技术方案：一种基于Hessian矩阵和灰度法的肝血管分割系统，具体步骤包括：图像获取及预处理单元、血管图像增强单元、门静脉中心线提取单元、肝血管分割单元和数据存储单元；
所述图像获取及预处理单元用于获取肝脏门静脉期CT图像并将所述肝脏门静脉期CT图像转换为符合显示器设备的灰度级显示范围的图像文件和对所述图像文件进行预处理；
所述血管图像增强单元用于对预处理后的肝脏图像进行图像增强得到肝血管增强图像，所述血管图像增强单元包括肝血管增强模块；
所述门静脉中心线提取单元用于对门静脉中心线进行提取验证，所述所述门静脉中心线提取单元包括门静脉区域粗分割模块、门静脉中心线提取模块和优化验证模块；
所述肝血管分割单元用于根据所述门静脉中心线提取单元提取的门静脉中心线对肝血管图像进行分割，得到肝血管分割结果；
所述数据存储单元用于对所述肝血管分割结果进行存储，并输入肝血管三维重建系统对肝血管进行三维重建。
进一步地，采用调整窗宽窗位的方法使得肝脏CT图像符合显示器设备的灰度级显示范围，所述调整窗宽窗位的方法具体为以字为单位存储图像数据的像素抽样值时，通过高低字节交换、高位截取和重调整操作进行数据转换处理来显示图像。
进一步地，所述预处理包括高斯平滑滤波去噪和切片定位。
更进一步地，所述切片定位步骤包括：根据第一肝门在肝脏的相对解剖位置和初始切片的肝脏体素数为切片最多体素数的一半，对滤波去噪处理后的门静脉期图像采用自适应阈值分割得到肝脏初始分割结果；采用形态学滚球法去除肝脏初始分割结果中的细小孔洞和错误连接，再利用区域生长算法分离肝部区域去除多余的组织，进行轮廓修正，得到肝脏轮廓图像；以所述肝脏轮廓图像为模板，对经过滤波去噪处理后的门静脉期的序列图像进行掩码提取得到肝脏图像。
更进一步地，所述肝血管增强模块采用基于Hessian矩阵血管增强算法对所述肝脏图像进行图像增强，所述基于Hessian矩阵血管增强算法具体包括:输入经过预处理的血管图像并生成像素矩阵F，初始化图像空间尺度σ＝p，且空间尺度范围为[p,q]，增强因子Vmax＝0，每一个像素Fx,y,z对应若干个空间尺度σi和若干个增强因子Vi(max)；在空间尺度为σ下计算元素Fx,y,z与高斯函数G(x,y,z)的二阶微分的卷积，其中，
σ为高斯核；根据Hessian矩阵的最大特征值和其对应的特征向量可以表示三维曲面最大曲率的强度和方向，最小特征值对应的特征向量则垂直于最大曲率对应的方向，生成Hessian矩阵H，并计算出特征值λ1、λ2、λ3；利用Hessian矩阵的特征值构建血管的Vesselness函数为：
用于区分管状、面状和球形，α，β和c用于调节RA,RB,S的权值；根据公式Vmax＝max(Vi(max),V(v,σi))计算增强滤波的输出值Vmax,对σ进行迭代至σ＝q进而结束尺度迭代，输出最大增强滤波输出值Vmax作为该元素Fx,y,z的增强因子,并输出该输出值所对应的Hessian矩阵H的特征值λ1、λ2、λ3以及特征向量v1、v2、v3，根据所获得的Vmax值来判断该像素是否为血管。
进一步地，所述门静脉区域粗分割模块主要采用阈值分割算法选择相对较低的阈值以获得完整的血管结构，所述阈值分割算法的步骤包括：选取阈值，灰度阈值从上限开始，每个循环降低t直到大量噪声被探测出来；当N与NK的比值小于一定值时继续迭代；若超过这个值，则表示引入噪声急剧增加，停止迭代，输出对应的灰度值T，其中，N＝NK+1-NK，NK+1表示新循环中被标记的像素个数；T作为分割阈值对所述肝血管增强图像进行分割；对阈值操作后得到的图像进行形态学三维膨胀操作使存在间断的血管末端细小分支连接，得到肝血管图像的粗分割结果。
更进一步地，所述门静脉中心线提取模块采用基于快速行进法的最小路径求解算法提取所述肝血管图像的粗分割结果的血管中心线。
更进一步地，所述优化验证模块采用基于血管的管状特性和梯度矢量流特性的中心线筛选算法对所述血管中心线中包含的若干伪中心线进行筛选和剔除得到血管中心线的完整拓扑。
更进一步地，所述肝血管分割单元根据进行筛选和剔除后的中心线引导区域增长算法进行血管精分割，所述精分割具体包括：中心线模型中的中心点作为初始种子，对粗分割后的图像进行自适应的阈值分割，所述阈值针对各个分支附近的平均灰度进行选择，根据图像灰度特征和管状特性作为增长条件，符合条件的邻近体素被迭代地选择，不断将符合条件的离近点加入，直到无可继续选择的元素，结束增长过程，完成精分割。
更进一步地，得到肝血管图像的精分割结果后保存该结果并记为集合S，将点集S投影到相邻下一张肝血管图像中，得到一组投影点集记为点集X，作为所述下一张肝血管图像的初始分割区域；对投影点集X中所有的点进行区域增长，得到相邻切片的分割结果，记为点集S，直到分割完所有肝血管图像。
本发明的有益效果是，该发明可精确可靠的对肝脏血管进行分割及三维重建并能进行可视化化显示辅助医生确定肝脏状况。
下文中将结合附图对实施本发明的最优实施例进行更详尽的描述，以便能容易地理解本发明的特征和优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下文中将对本发明实施例的附图进行简单介绍。其中，附图仅仅用于展示本发明的一些实施例，而非将本发明的全部实施例限制于此。
图1为本发明一种基于Hessian矩阵和灰度法的肝血管分割系统结构示意图。
图2为本发明中肝血管图像增强具体步骤示意图。
图3为本实施例中门静脉区域阈值分割算法过程流程图。
图4为本实施例中肝血管精分割具体步骤示意图。
具体实施方式
为了使得本发明的技术方案的目的、技术方案和优点更加清楚，下文中将结合本发明具体实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。附图中相同的附图标记代表相同的部件。需要说明的是，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种可精确可靠的对肝脏血管进行分割及三维重建并能进行可视化化显示辅助医生确定肝脏状况的基于Hessian矩阵和灰度法的肝血管分割系统。该系统包括：图像获取及预处理单元、血管图像增强单元、门静脉中心线提取单元、肝血管分割单元和数据存储单元；所述血管图像增强单元用于对预处理后的肝脏图像进行图像增强得到肝血管增强图像，所述血管图像增强单元包括肝血管增强模块；所述门静脉中心线提取单元用于对门静脉中心线进行提取验证，所述所述门静脉中心线提取单元包括门静脉区域粗分割模块、门静脉中心线提取模块和优化验证模块；所述肝血管分割单元用于根据所述门静脉中心线提取单元提取的门静脉中心线对肝血管图像进行分割，得到肝血管分割结果；存储单元用于对所述肝血管分割结果进行存储，并输入肝血管三维所述数据重建系统对肝血管进行三维重建。
所述图像获取及预处理单元用于获取肝脏门静脉期CT图像并将所述肝脏门静脉期CT图像转换为符合显示器设备的灰度级显示范围的图像文件和对所述图像文件进行预处理，其中，采用调整窗宽窗位的方法使得肝脏CT图像符合显示器设备的灰度级显示范围，所述调整窗宽窗位的方法具体为以字为单位存储图像数据的像素抽样值时，通过高低字节交换、高位截取和重调整操作进行数据转换处理来显示图像。所述预处理包括高斯平滑滤波去噪和切片定位，所述切片定位步骤包括：根据第一肝门在肝脏的相对解剖位置和初始切片的肝脏体素数为切片最多体素数的一半，对滤波去噪处理后的门静脉期图像采用自适应阈值分割得到肝脏初始分割结果；采用形态学滚球法去除肝脏初始分割结果中的细小孔洞和错误连接，再利用区域生长算法分离肝部区域去除多余的组织，进行轮廓修正，得到肝脏轮廓图像；以所述肝脏轮廓图像为模板，对经过滤波去噪处理后的门静脉期的序列图像进行掩码提取得到肝脏图像。
如图2所示，所述肝血管增强模块采用基于Hessian矩阵血管增强算法对所述肝脏图像进行图像增强，所述基于Hessian矩阵血管增强算法具体包括:S10:输入经过预处理的血管图像并生成像素矩阵F，初始化图像空间尺度σ＝p，且空间尺度范围为[p,q]，增强因子Vmax＝0，每一个像素Fx,y,z对应若干个空间尺度σi和若干个增强因子Vi(max)；S20:在空间尺度为σ下计算元素Fx,y,z与高斯函数G(x,y,z)的二阶微分的卷积，其中，
σ为高斯核；S30:根据Hessian矩阵的最大特征值和其对应的特征向量可以表示三维曲面最大曲率的强度和方向，最小特征值对应的特征向量则垂直于最大曲率对应的方向，生成Hessian矩阵H，并计算出特征值λ1、λ2、λ3；S40:利用Hessian矩阵的特征值构建血管的Vesselness函数为：
用于区分管状、面状和球形，α，β和c用于调节RA,RB,S的权值；S50:根据公式Vmax＝max(Vi(max),V(v,σi))计算增强滤波的输出值Vmax,对σ进行迭代至σ＝q进而结束尺度迭代，输出最大增强滤波输出值Vmax作为该元素Fx,y,z的增强因子,并输出该输出值所对应的Hessian矩阵H的特征值λ1、λ2、λ3以及特征向量v1、v2、v3，根据所获得的Vmax值来判断该像素是否为血管。
如图3所示，所述门静脉区域粗分割模块主要采用阈值分割算法选择相对较低的阈值以获得完整的血管结构，所述阈值分割算法的步骤包括：选取阈值，灰度阈值从上限开始，每个循环降低t直到大量噪声被探测出来；当N与NK的比值小于一定值0.16时继续迭代,0.16仅是一个经验值；若超过这个值，则表示引入噪声急剧增加，停止迭代，输出对应的灰度值T，其中，N＝NK+1-NK，NK+1表示新循环中被标记的像素个数；T作为分割阈值对所述肝血管增强图像进行分割；对阈值操作后得到的图像进行形态学三维膨胀操作使存在间断的血管末端细小分支连接，得到肝血管图像的粗分割结果。然后所述门静脉中心线提取模块采用基于快速行进法的最小路径求解算法提取所述肝血管图像的粗分割结果的血管中心线。所述优化验证模块采用基于血管的管状特性和梯度矢量流特性的中心线筛选算法对所述血管中心线中包含的若干伪中心线进行筛选和剔除得到血管中心线的完整拓扑。其中，由于CT图像受到噪声、病理性血管和造影剂的影响，使图像的灰度分布不均，易造成血管分割空洞等问题，所以本系统通过形态学方法来填补空洞。
如图4所示，所述肝血管分割单元根据进行筛选和剔除后的中心线引导区域增长算法进行血管精分割，所述精分割具体包括：a.中心线模型中的中心点作为初始种子，对粗分割后的图像进行自适应的阈值分割；b.所述阈值针对各个分支附近的平均灰度进行选择，根据图像灰度特征和管状特性作为增长条件，符合条件的邻近体素被迭代地选择，不断将符合条件的离近点加入，直到无可继续选择的元素，结束增长过程，完成精分割；c.得到肝血管图像的精分割结果后保存该结果并记为集合S，将点集S投影到相邻下一张肝血管图像中，得到一组投影点集记为点集X，作为所述下一张肝血管图像的初始分割区域；d.对投影点集X中所有的点进行区域增长，得到相邻切片的分割结果，记为点集S，直到分割完所有肝血管图像。
应当说明的是，本发明所述的实施方式仅仅是实现本发明的优选方式，对属于本发明整体构思，而仅仅是显而易见的改动，均应属于本发明的保护范围之内。
Claims (10)
1.一种基于Hessian矩阵和灰度法的肝血管分割系统，其特征在于，包括：图像获取及预处理单元、血管图像增强单元、门静脉中心线提取单元、肝血管分割单元和数据存储单元；
所述图像获取及预处理单元用于获取肝脏门静脉期CT图像并将所述肝脏门静脉期CT图像转换为符合显示器设备的灰度级显示范围的图像文件和对所述图像文件进行预处理；
所述血管图像增强单元用于对预处理后的肝脏图像进行图像增强得到肝血管增强图像，所述血管图像增强单元包括肝血管增强模块；
所述门静脉中心线提取单元用于对门静脉中心线进行提取验证，所述所述门静脉中心线提取单元包括门静脉区域粗分割模块、门静脉中心线提取模块和优化验证模块；
所述肝血管分割单元用于根据所述门静脉中心线提取单元提取的门静脉中心线对肝血管图像进行分割，得到肝血管分割结果；
所述数据存储单元用于对所述肝血管分割结果进行存储，并输入肝血管三维重建系统对肝血管进行三维重建。
2.根据权利要求1所述的基于Hessian矩阵和灰度法的肝血管分割系统，其特征在于，采用调整窗宽窗位的方法使得肝脏CT图像符合显示器设备的灰度级显示范围，所述调整窗宽窗位的方法具体为以字为单位存储图像数据的像素抽样值时，通过高低字节交换、高位截取和重调整操作进行数据转换处理来显示图像。
3.根据权利要求1所述的基于Hessian矩阵和灰度法的肝血管分割系统，其特征在于，所述预处理包括高斯平滑滤波去噪和切片定位。
4.根据权利要求3所述的基于Hessian矩阵和灰度法的肝血管分割系统，其特征在于，所述切片定位步骤包括：根据第一肝门在肝脏的相对解剖位置和初始切片的肝脏体素数为切片最多体素数的一半，对滤波去噪处理后的门静脉期图像采用自适应阈值分割得到肝脏初始分割结果；采用形态学滚球法去除肝脏初始分割结果中的细小孔洞和错误连接，再利用区域生长算法分离肝部区域去除多余的组织，进行轮廓修正，得到肝脏轮廓图像；以所述肝脏轮廓图像为模板，对经过滤波去噪处理后的门静脉期的序列图像进行掩码提取得到肝脏图像。
5.根据权利要求1所述的基于Hessian矩阵和灰度法的肝血管分割系统，其特征在于，所述肝血管增强模块采用基于Hessian矩阵血管增强算法对所述肝脏图像进行图像增强，所述基于Hessian矩阵血管增强算法具体包括：输入经过预处理的血管图像并生成像素矩阵F，初始化图像空间尺度σ＝p，且空间尺度范围为[p，q]，增强因子Vmax＝0，每一个像素Fx，y，z对应若干个空间尺度σi和若干个增强因子Vi(max)；在空间尺度为σ下计算元素Fx，y，z与高斯函数G(x，y，z)的二阶微分的卷积，其中，
σ为高斯核；根据Hessian矩阵的最大特征值和其对应的特征向量可以表示三维曲面最大曲率的强度和方向，最小特征值对应的特征向量则垂直于最大曲率对应的方向，生成Hessian矩阵H，并计算出特征值λ1、λ2、λ3；利用Hessian矩阵的特征值构建血管的Vesselness函数为：
用于区分管状、面状和球形，α，β和c用于调节RA，RB，S的权值；根据公式Vmax＝max(Vi(max)，V(v，σi))计算增强滤波的输出值Vmax，对σ进行迭代至σ＝q进而结束尺度迭代，输出最大增强滤波输出值Vmax作为该元素Fx，y，z的增强因子，并输出该输出值所对应的Hessian矩阵H的特征值λ1、λ2、λ3以及特征向量v1、v2、v3，根据所获得的Vmax值来判断该像素是否为血管。
6.根据权利要求1所述的基于Hessian矩阵和灰度法的肝血管分割系统，其特征在于，所述门静脉区域粗分割模块主要采用阈值分割算法选择相对较低的阈值以获得完整的血管结构，所述阈值分割算法的步骤包括：选取阈值，灰度阈值从上限开始，每个循环降低t直到大量噪声被探测出来；当N与NK的比值小于一定值时继续迭代；若超过这个值，则表示引入噪声急剧增加，停止迭代，输出对应的灰度值T，其中，N＝NK+1-NK，NK+1表示新循环中被标记的像素个数；T作为分割阈值对所述肝血管增强图像进行分割；对阈值操作后得到的图像进行形态学三维膨胀操作使存在间断的血管末端细小分支连接，得到肝血管图像的粗分割结果。
7.根据权利要求6所述的基于Hessian矩阵和灰度法的肝血管分割系统，其特征在于，所述门静脉中心线提取模块采用基于快速行进法的最小路径求解算法提取所述肝血管图像的粗分割结果的血管中心线。
8.根据权利要求7所述的基于Hessian矩阵和灰度法的肝血管分割系统，其特征在于，所述优化验证模块采用基于血管的管状特性和梯度矢量流特性的中心线筛选算法对所述血管中心线中包含的若干伪中心线进行筛选和剔除得到血管中心线的完整拓扑。
9.根据权利要求8所述的基于Hessian矩阵和灰度法的肝血管分割系统，其特征在于，所述肝血管分割单元根据进行筛选和剔除后的中心线引导区域增长算法进行血管精分割，所述精分割具体包括：中心线模型中的中心点作为初始种子，对粗分割后的图像进行自适应的阈值分割，所述阈值针对各个分支附近的平均灰度进行选择，根据图像灰度特征和管状特性作为增长条件，符合条件的邻近体素被迭代地选择，不断将符合条件的离近点加入，直到无可继续选择的元素，结束增长过程，完成精分割。
10.根据权利要求9所述的基于Hessian矩阵和灰度法的肝血管分割系统，其特征在于，得到肝血管图像的精分割结果后保存该结果并记为集合S，将点集S投影到相邻下一张肝血管图像中，得到一组投影点集记为点集X，作为所述下一张肝血管图像的初始分割区域；对投影点集X中所有的点进行区域增长，得到相邻切片的分割结果，记为点集S，直到分割完所有肝血管图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010606330.0A CN111815663A (zh) | 2020-06-29 | 2020-06-29 | 一种基于Hessian矩阵和灰度法的肝血管分割系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010606330.0A CN111815663A (zh) | 2020-06-29 | 2020-06-29 | 一种基于Hessian矩阵和灰度法的肝血管分割系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111815663A true CN111815663A (zh) | 2020-10-23 |
Family
ID=72855420
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010606330.0A Withdrawn CN111815663A (zh) | 2020-06-29 | 2020-06-29 | 一种基于Hessian矩阵和灰度法的肝血管分割系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111815663A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112489051A (zh) * | 2020-11-13 | 2021-03-12 | 深圳市旭东数字医学影像技术有限公司 | 基于血管及病变区域的肝脏裁切方法及系统 |
| CN112734773A (zh) * | 2021-01-28 | 2021-04-30 | 依未科技(北京)有限公司 | 一种亚像素级眼底血管分割方法、装置、介质和设备 |
| CN112907548A (zh) * | 2021-02-26 | 2021-06-04 | 依未科技(北京)有限公司 | 图像评估方法及装置、计算机可读存储介质及电子设备 |
| CN113256518A (zh) * | 2021-05-20 | 2021-08-13 | 上海理工大学 | 用于口腔内3d重建的结构光图像增强方法 |
| CN113470060A (zh) * | 2021-07-08 | 2021-10-01 | 西北工业大学 | 基于ct影像的冠状动脉多角度曲面重建可视化方法 |
-
2020
- 2020-06-29 CN CN202010606330.0A patent/CN111815663A/zh not_active Withdrawn
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112489051A (zh) * | 2020-11-13 | 2021-03-12 | 深圳市旭东数字医学影像技术有限公司 | 基于血管及病变区域的肝脏裁切方法及系统 |
| CN112489051B (zh) * | 2020-11-13 | 2024-04-05 | 深圳市旭东数字医学影像技术有限公司 | 基于血管及病变区域的肝脏裁切方法及系统 |
| CN112734773A (zh) * | 2021-01-28 | 2021-04-30 | 依未科技(北京)有限公司 | 一种亚像素级眼底血管分割方法、装置、介质和设备 |
| CN112907548A (zh) * | 2021-02-26 | 2021-06-04 | 依未科技(北京)有限公司 | 图像评估方法及装置、计算机可读存储介质及电子设备 |
| CN113256518A (zh) * | 2021-05-20 | 2021-08-13 | 上海理工大学 | 用于口腔内3d重建的结构光图像增强方法 |
| CN113470060A (zh) * | 2021-07-08 | 2021-10-01 | 西北工业大学 | 基于ct影像的冠状动脉多角度曲面重建可视化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11344273B2 (en) | Methods and systems for extracting blood vessel | |
| CN111815663A (zh) | 一种基于Hessian矩阵和灰度法的肝血管分割系统 | |
| CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
| CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
| EP2916738B1 (en) | Lung, lobe, and fissure imaging systems and methods | |
| CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
| CN106340021B (zh) | 血管提取方法 | |
| Chen et al. | 3D intracranial artery segmentation using a convolutional autoencoder | |
| CN105279759B (zh) | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 | |
| JP6329697B2 (ja) | 体組織の自動的なセグメンテーションおよび定量化のための方法 | |
| CN107563434B (zh) | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 | |
| CN109478327B (zh) | 用于在任意视场计算断层摄影血管造影（cta）中自动检测全身动脉的方法 | |
| CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
| CN110648338B (zh) | 图像分割方法、可读存储介质及图像处理装置 | |
| KR101258814B1 (ko) | 동적조영증강 유방 ｍｒ 영상에서 조직별 밝기값 보정 및 종양 강성 제약을 적용한 비강체 정합 방법 및 시스템 | |
| CN112991365B (zh) | 一种冠状动脉分割方法、系统及存储介质 | |
| Vukadinovic et al. | Segmentation of the outer vessel wall of the common carotid artery in CTA | |
| CN109886973A (zh) | 一种血管提取方法、装置及计算机可读存储介质 | |
| CN115136189A (zh) | 基于图像处理的肿瘤的自动化检测 | |
| CN116503607A (zh) | 一种基于深度学习的ct图像分割方法和系统 | |
| Ebrahimdoost et al. | Automatic segmentation of pulmonary artery (PA) in 3D pulmonary CTA images | |
| CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
| Feuerstein et al. | Adaptive model based pulmonary artery segmentation in 3D chest CT | |
| CN115775219A (zh) | 医学图像分割方法、系统、电子设备及介质 | |
| You et al. | Extraction of samples from airway and vessel trees in 3D lung CT based on a multi-scale principal curve tracing algorithm |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201023 |
|
| WW01 | Invention patent application withdrawn after publication |