CN111861984A - 一种确定肺部区域的方法及装置、计算机设备及存储介质 - Google Patents
一种确定肺部区域的方法及装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111861984A CN111861984A CN202010514686.1A CN202010514686A CN111861984A CN 111861984 A CN111861984 A CN 111861984A CN 202010514686 A CN202010514686 A CN 202010514686A CN 111861984 A CN111861984 A CN 111861984A
- Authority
- CN
- China
- Prior art keywords
- contour
- rib
- lung region
- medical image
- image
- 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
- 210000004072 lung Anatomy 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000003628 erosive effect Effects 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 2
- 230000010339 dilation Effects 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 14
- 238000001514 detection method Methods 0.000 abstract description 10
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 16
- 238000003709 image segmentation Methods 0.000 description 11
- 230000001788 irregular Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 210000000038 chest Anatomy 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000013519 translation 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (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
本发明公开了确定肺部区域的方法及装置、计算机设备及存储介质。所述方法包括:在2D医学影像中分割出肺部区域。获取2D医学影像中的肋骨轮廓。获取预定轮廓,所述肋骨轮廓包含于预定轮廓内,所述预定轮廓上的像素点与与其对应的位于所述肋骨轮廓上的像素点之间的距离大于7个像素点小于15个像素点。在分割出的肺部区域的轮廓位于肋骨轮廓和预定轮廓之间,或者位于肋骨轮廓或预定轮廓上时,以分割出的肺部区域作为2D医学影像中的肺部区域。本发明的方案,利于医生阅片和诊断,提高了医生的诊断效率和诊断的准确度。也利于提高后续基于肺部区域进行相关检测的准确度。且采用上述方案对分割出的肺部区域进行判断,简单高效。
Description
技术领域
本发明涉及医疗技术领域,特别涉及一种确定肺部区域的方法及装置、计算机设备、计算机可读存储介质。
背景技术
在医疗技术领域,通常会涉及从医学影像中分割出感兴趣区域,如从胸部医学影像中分割出肺部区域,病灶区域,器官所在区域等等。目前可以通过采用图像分割算法,如边缘分割、阈值分割、基于阈值的分割、分水岭算法等对医学影像中的肺部区域进行分割。在采集受检者的医学影像时,会存在拍摄不规范的现象,也即在采集受检者胸部影像时,可能会将与胸部无关的其他影像也采集了,此时再采用上述的图像分割算法对肺部区域进行分割时,分割出的肺部区域可能并不是实际的肺部区域,进而在一定程度上影响后续医生的阅片,此外,还会降低后续基于分割出的肺部区域进行病灶、结节等检测的准确度。给医生带来不便的同时,也影响了后续检测的精准度。
因此,如何能够判断分割出的肺部区域是否为实际的肺部区域,避免影响医生阅片及影响后续检测的精准度,成为目前亟待解决的问题之一。
发明内容
本发明提供一种确定肺部区域的方法、装置、计算机设备及计算机可读存储介质,以判断分割出的肺部区域是否为实际肺部区域,一方面,利于医生阅片和诊断,且在一定程度上提高了医生的诊断效率和诊断的准确度,另一方面,在一定程度上提高后续基于该肺部区域进行相关检测的精准度。
本发明提供一种确定肺部区域的方法,包括:
在2D医学影像中分割出肺部区域;
获取所述2D医学影像中的肋骨轮廓;
获取预定轮廓,所述肋骨轮廓包含于所述预定轮廓内,所述预定轮廓上的像素点与与其对应的位于所述肋骨轮廓上的像素点之间的距离大于7个像素点小于15个像素点;
在分割出的肺部区域的轮廓位于所述肋骨轮廓和所述预定轮廓之间,或者位于所述肋骨轮廓或所述预定轮廓上时,以分割出的肺部区域作为所述2D医学影像中的肺部区域。
可选的,获取所述预定轮廓包括:获取外扩后的所述肋骨轮廓,以所述外扩后的所述肋骨轮廓作为所述预定轮廓。
可选的,所述在2D医学影像中分割出肺部区域包括:
对所述2D医学影像二值化以获得前景区域;
对所述前景区域进行膨胀腐蚀操作以获得第一图像;
基于漫水法从所述第一图像中提取连通块以获得第二图像,其中所述第二图像为面积最大的连通块;
对所述第二图像进行膨胀操作以获得第三图像;
基于预定阈值对所述第三图像进行分割以获得肺部区域。
可选的,所述预定阈值基于所述第三图像的CT值直方图获得。
可选的,获取所述2D医学影像中的肋骨轮廓包括:
获取所述2D医学影像中的关键点,所述关键点关联于肋骨;
连接所述关键点以获得所述肋骨轮廓。
可选的,所述获取外扩后的所述肋骨轮廓包括:
基于所述关键点的位置获取2D医学影像中肺部区域中心点的位置;
以所述中心点为原点,水平方向为第一坐标轴,竖直方向为第二坐标轴形成坐标系;
基于所述关键点在所述坐标系中的位置,沿水平方向和/或竖直方向移动所述关键点以获得与其对应的外扩关键点;
连接所述外扩关键点以获得外扩后的肋骨轮廓。
可选的,所述基于所述关键点的位置获取2D医学影像中肺部区域中心点的位置包括:
以所述关键点坐标的平均值作为所述肺部区域中心点的坐标。
本发明还提供一种确定肺部区域的装置,包括:
分割单元,用于在2D医学影像中分割出肺部区域;
第一获取单元,用于获取所述2D医学影像中的肋骨轮廓;
第二获取单元,用于获取预定轮廓,所述肋骨轮廓包含于所述预定轮廓内,所述预定轮廓上的像素点与与其对应的位于所述肋骨轮廓上的像素点之间的距离大于7个像素点小于15个像素点;
确定单元,用于在分割出的肺部区域的轮廓位于所述肋骨轮廓和所述预定轮廓之间,或者位于所述肋骨轮廓或所述预定轮廓上时,以分割出的肺部区域作为所述2D医学影像中的肺部区域。
本发明还提供一种计算机设备,包括至少一个处理器、以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器能够执行上述的确定肺部区域的方法。
本发明还提供一种计算机可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行上述的确定肺部区域的方法。
与现有技术相比,本发明的技术方案具有如下有益效果:
获取2D医学影像中的肋骨轮廓及预定轮廓,所述肋骨轮廓包含于所述预定轮廓内,所述预定轮廓上的像素点与与其对应的位于所述肋骨轮廓上的像素点之间的距离大于7个像素点小于15个像素点。在2D医学影像中分割出的肺部区域的轮廓位于所述肋骨轮廓和所述预定轮廓之间,或者位于所述肋骨轮廓或所述预定轮廓上时,以分割出的肺部区域作为所述2D医学影像中的肺部区域。由于未将在2D医学影像中分割的肺部区域直接作为实际的肺部区域,而是对分割出的肺部区域做了进一步的判断,以确定分割出的肺部区域是否准确,因此,在利于医生阅片和诊断的同时,也提高了医生的诊断效率和诊断的准确度。另外,也利于提高后续基于肺部区域进行相关检测的准确度。此外,采用上述方案对分割出的肺部区域进行判断,简单高效。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例的2D医学影像的示意图;
图2为本发明实施例的图像分割算法分割出的肺部区域的示意图;
图3为本发明实施例的确定肺部区域的方法的流程图;
图4为本发明实施例的关键点的示意图;
图5为本发明实施例的获取外扩后的肋骨轮廓的示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
发明人发现,在实际应用中对于由于拍摄不规范采集到的2D医学影像,采用传统的图像分割算法从2D医学影像中分割出肺部区域时,分割出的肺部区域并不是实际的肺部区域的可能性非常大。
图1为本发明实施例的2D医学影像的示意图,图1中由于拍摄不规范,导致采集到的2D医学影像中除了包括受检者的胸部以外,还包括了受检者的衣服和检查时受检者躺卧的病床。图2为本发明实施例的图像分割算法分割出的肺部区域的示意图,图2中绿色区域是图像分割算法默认的分割出的肺部区域的示意图,在实际应用中对于不规范拍摄采集到的2D影像,采用传统的图像分割算法分割出的肺部区域包括了实际的肺部区域、受检者的衣物以及病床。也即在实际应用中,采用传统的图像分割算法分割不规范拍摄采集到的2D影像时,更容易出现图2所示的情形。若将图2所示的分割出的绿色区域作为肺部区域,提供给医生阅片,则会影响医生的阅片效率、诊断效率及诊断准确度。而以此作为肺部区域进行后续病灶、结节等的检测,则会降低检测的准确度。因此,发明人创造性的提出,对分割出的肺部区域进行判断,以确定分割出的肺部区域是否为实际的肺部区域。进而避免对后续肺内相关检测及医生诊断的影响。
需要说明的是,上述是以对拍摄不规范时采集到的医学影像采用图像分割算法分割肺部区域时,分割出的肺部区域非实际的肺部区域为例进行了说明。然而实际应用中,除了对不规范采集到的医学影像采用图像分割方法分割肺部区域以外,采用其他方式对规范或者不规范采集到的医学影像中的肺部区域进行分割时,也有可能出现分割出的肺部区域并非实际肺部区域的问题,因此,本发明的技术方案适用于对采用任何方式分割出的肺部区域的判断,不规范采集到的医学影像和图像分割方法不能作为对本发明技术方案的限定。
图3为本发明实施例的确定肺部区域的方法的流程图,如图3所示,所述确定肺部区域的方法包括:
S101:在2D医学影像中分割出肺部区域。
S102:获取所述2D医学影像中的肋骨轮廓。
S103:获取预定轮廓,所述肋骨轮廓包含于所述预定轮廓内,所述预定轮廓上的像素点与与其对应的位于所述肋骨轮廓上的像素点之间的距离大于7个像素点小于15个像素点。
S104:在分割出的肺部区域的轮廓位于所述肋骨轮廓和所述预定轮廓之间,或者位于所述肋骨轮廓或所述预定轮廓上时,以分割出的肺部区域作为所述2D医学影像中的肺部区域。
执行步骤S101,本实施例中,可以采用图像分割算法从2D医学影像中分割出肺部区域,也可以采用神经网络从2D医学影像中分割出肺部区域。本实施例中,具体地,可以先对2D医学影像二值化,所述二值化可以是自适应直方图二值化算法,通过二值化以获得2D医学影像中的前景区域。然后对所述前景区域进行膨胀腐蚀操作(也称为闭操作)以获得第一图像。接下来,通过漫水法(flood fill)从所述第一图像中提取出多个连通块,然后确定每一个连通块中像素点的个数,以像素点个数最多,也即面积最大的连通块作为第二图像,同时,将其他的连通块删除。
对所述第二图像进行膨胀操作以获得第三图像,最后,基于预定阈值对所述第三图像进行分割以获得肺部区域,也即通过阈值法将肺部区域分割出来。本实施例中,预定阈值可以通过所述第三图像的CT值直方图获得,所述第三图像的CT值直方图,是以CT值为横坐标,与该CT值对应的像素点个数为纵坐标生成的。通过第三图像的CT值直方图,可以得到2D医学影像中前景区域的CT值分布,本领域技术人员知晓,肺部区域的CT值要远低于肺部区域以外的区域,因此,反应在CT直方图上,会出现两个峰值,其中CT值高的峰值及其附近为肺部区域以外的区域,CT值低的峰值及其附近为肺内区域,本实施例中可以将两个峰值之间的谷底对应的CT值作为分割阈值,也即以两个峰值之间的谷底对应的CT值作为预定阈值。以确定好的预定阈值对第三图像进行分割就可以获得肺部区域。
执行步骤S102,获取所述2D医学影像中的肋骨轮廓。本实施例中,可以通过获取所述2D医学影像中的关键点,所述关键点关联于肋骨,然后连接所述关键点以获得肋骨轮廓。参见图4,图4为本发明实施例的关键点的示意图,图4中示出的红色的点即为关键点,所述关键点可以位于肋骨上,也可以位于肋骨附近,对于一根肋骨而言,可以对应有一个关键点,也可以对应有多个关键点。
本实施例中通过神经网络来获取关键点的位置,具体地,可以通过2D回归网络来获取关键点的位置。所述2D回归网络包括特征提取模块和全连接回归模块,特征提取模块的输出为全连接回归模块的输入。其中,特征提取模块包括N个卷积模块和N个最大池化层,卷积模块的输出与最大池化层的输入相连,也即卷积模块和最大池化层交替连接。每一个卷积模块则包括多个卷积块,其中每一个卷积块包括:一个卷积层(Conv2d),一个批归一化层(BN,Batch Normalization)和一个激活层,激活函数可以为线性整流函数(ReLU,Recified Linear Unit)。全连接回归模块包括M个依次连续的全连接层,全连接层和全连接层之间可以为通过率为0.5的dropout层。全连接回归模块最终输出关键点的坐标,所述关键点的坐标可以是像素点坐标,如该关键点的横坐标和纵坐标可以是在一预设坐标系下对应的第几个像素点。
本实施例中,可以以多张2D医学影像(胸部影像)为训练样本,由标注人员在每张2D医学影像上标注关键点,关键点可以为各肋骨上或者肋骨附近的点,关键点的数量可以根据实际的需求而定。然后对训练样本进行数据增强(如:随机旋转一定角度,随机上下左右平移0~30像素,随机缩放0.85~1.15倍,对图像对比度和亮度进行少量抖动等),将数据量增强至原来数据量的10倍。最后再将训练样本输入2D回归网络进行训练。训练时根据标注的关键点的坐标和网络预测的关键点的坐标计算loss函数,通过反向传播的方法训练,训练的优化算法可以采用带有动量和阶梯衰减的sgd算法。通过训练获得2D回归网络后,则可以将2D医学影像输入至2D回归网络以获得2D医学影像中与各肋骨对应的关键点的坐标。
至此通过上述的2D回归网络获得了2D医学影像中的关键点的坐标,然后连接所述关键点则可以获得2D医学影像中的肋骨轮廓。
执行步骤S103,获取预定轮廓,所述肋骨轮廓包含于所述预定轮廓内,所述预定轮廓上的像素点与与其对应的位于所述肋骨轮廓上的像素点之间的距离大于7个像素点小于15个像素点。本实施例中,可以获取外扩后的肋骨轮廓,以所述外扩后的肋骨轮廓作为预定轮廓。预定轮廓上的像素点与与其对应的位于所述肋骨轮廓上的像素点是指:肋骨轮廓上的像素点在外扩过程中所形成的位于预定轮廓上的像素点,这两个像素点为位置不同的同一个像素点。
本实施例中,具体地,可以通过以下方式获取预定轮廓。
首先,基于所述关键点的位置获取2D医学影像中肺部区域中心点的位置。本实施例中,肺部区域中心点的位置可以为获取的关键点坐标的平均值,如若获取了20个关键点,则是将这20个关键点的横坐标相加后除以20以获得肺部区域中心点的横坐标,将20个关键点的纵坐标相加后除以20以获得肺部区域中心点的纵坐标。
然后,以所述中心点为原点,水平方向为第一坐标轴,竖直方向为第二坐标轴形成坐标系。参见图5,图5为本发明实施例的获取外扩后的肋骨轮廓的示意图。图5中O为肺部区域中心点,本实施例中第一坐标轴可以为X轴,第二坐标轴可以为Y轴,形成XOY坐标系。
最后,基于所述关键点在所述坐标系中的位置,沿水平方向和/或竖直方向移动所述关键点以获得与其对应的外扩关键点,连接所述外扩关键点以获得外扩后的肋骨轮廓。
本实施例中,具体地,可以根据所述关键点在XOY坐标系中的位置,移动所述关键点,以获得与其对应的外扩关键点。具体地,若关键点位于XOY坐标系中的第一象限,则将该关键点的横坐标向右平移M个像素点,纵坐标向上平移N个像素点以获得与其对应的外扩关键点。若关键点位于XOY坐标系中的第二象限,则将该关键点的横坐标向左平移M个像素点,纵坐标向上平移N个像素点以获得与其对应的外扩关键点。若关键点位于XOY坐标系中的第三象限,则将该关键点的横坐标向左平移M个像素点,纵坐标向下平移N个像素点以获得与其对应的外扩关键点。若关键点位于XOY坐标系中的第四象限,则将该关键点的横坐标向右平移M个像素点,纵坐标向下平移N个像素点以获得与其对应的外扩关键点。若关键点位于X正半轴,则将该关键点向右平移M个像素点以获得与其对应的外扩关键点。若关键点位于X负半轴,则将该关键点向左平移M个像素点以获得与其对应的外扩关键点。若关键点位于Y正半轴,则将该关键点向上平移M个像素点以获得与其对应的外扩关键点。若关键点位于Y负半轴,则将该关键点向下平移M个像素点以获得与其对应的外扩关键点。M大于等于5小于等于10,N大于等于5小于等于10。本实施例中,M和N可以相同。
继续参见图5,以下结合图5中的关键点1~20,对获得与其对应的外扩关键点进行说明。图5中,关键点1、20、19、18位于第一象限,因此可以将其横坐标向右平移5个像素点,纵坐标向上平移5个像素点以获得与1、20、19、18对应的外扩关键点。关键点2、3、4位于第二象限,因此可以将其横坐标向左平移5个像素点,纵坐标向上平移5个像素点以获得与关键点2、3、4对应的外扩关键点。关键点5~10位于第三象限,因此可以将其横坐标向左平移5个像素点,纵坐标向下平移5个像素点以获得与关键点5~10对应的外扩关键点。关键点11位于Y负半轴,因此可以将其纵坐标向下平移5个像素点以获得与关键点11对应的外扩关键点。关键点12~17位于第四象限,因此可以将其横坐标向右平移5个像素点,纵坐标向下平移5个像素点以获得与关键点12~17对应的外扩关键点。连接外扩关键点,即可以获得外扩后的肋骨轮廓,因此也获得了预定轮廓。
执行步骤S104,判断分割出的肺部区域的轮廓是否位于所述肋骨轮廓和所述预定轮廓之间,或者位于所述肋骨轮廓或所述预定轮廓上,若是,则确定分割出的肺部区域是实际的2D医学影像中的肺部区域。若否,则可以优化步骤S101中分割肺部区域的算法,或者采用深度学习的方法来分割出肺部区域,然后继续判断分割出的肺部区域的轮廓是否位于所述肋骨轮廓和预定轮廓之间,或者位于所述肋骨轮廓和所述预定轮廓上,直至最终分割出的肺部区域的轮廓满足位于所述肋骨轮廓和所述预定轮廓之间,或者位于所述肋骨轮廓上,或者位于所述预定轮廓上。
在分割出肺部区域后,增加对分割出的肺部区域的轮廓的判断,以确定分割出的肺部区域是否准确,一方面,有利于医生的阅片和诊断,进而在一定程度上可以提高医生的诊断效率和诊断的准确度。另一方面,也利于提高后续基于肺部区域进行相关检测的准确度。
本发明还提供一种确定肺部区域的装置,所述确定肺部区域的装置包括:
分割单元,用于在2D医学影像中分割出肺部区域。
第一获取单元,用于获取所述2D医学影像中的肋骨轮廓。
第二获取单元,用于获取预定轮廓,所述肋骨轮廓包含于所述预定轮廓内,所述预定轮廓上的像素点与与其对应的位于所述肋骨轮廓上的像素点之间的距离大于7个像素点小于10个像素点。
确定单元,用于在分割出的肺部区域的轮廓位于所述肋骨轮廓和所述预定轮廓之间,或者位于所述肋骨轮廓或所述预定轮廓上时,以分割出的肺部区域作为所述2D医学影像中的肺部区域。
本实施例的确定肺部区域的装置的实施可以参见上述的确定肺部区域的方法的实施,此处不再赘述。
基于相同的技术构思,本发明实施例提供了一种计算机设备,包括至少一个处理器、以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器能够执行上述的确定肺部区域的方法。
基于相同的技术构思,本发明实施例提供了一种计算机可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行上述的确定肺部区域的方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种确定肺部区域的方法,其特征在于,包括:
在2D医学影像中分割出肺部区域;
获取所述2D医学影像中的肋骨轮廓;
获取预定轮廓,所述肋骨轮廓包含于所述预定轮廓内,所述预定轮廓上的像素点与与其对应的位于所述肋骨轮廓上的像素点之间的距离大于7个像素点小于15个像素点;
在分割出的肺部区域的轮廓位于所述肋骨轮廓和所述预定轮廓之间,或者位于所述肋骨轮廓或所述预定轮廓上时,以分割出的肺部区域作为所述2D医学影像中的肺部区域。
2.如权利要求1所述的方法,其特征在于,获取所述预定轮廓包括:获取外扩后的所述肋骨轮廓,以所述外扩后的所述肋骨轮廓作为所述预定轮廓。
3.如权利要求1所述的方法,其特征在于,所述在2D医学影像中分割出肺部区域包括:
对所述2D医学影像二值化以获得前景区域;
对所述前景区域进行膨胀腐蚀操作以获得第一图像;
基于漫水法从所述第一图像中提取连通块以获得第二图像,其中所述第二图像为面积最大的连通块;
对所述第二图像进行膨胀操作以获得第三图像;
基于预定阈值对所述第三图像进行分割以获得肺部区域。
4.如权利要求3所述的方法,其特征在于,所述预定阈值基于所述第三图像的CT值直方图获得。
5.如权利要求1所述的方法,其特征在于,获取所述2D医学影像中的肋骨轮廓包括:
获取所述2D医学影像中的关键点,所述关键点关联于肋骨;
连接所述关键点以获得所述肋骨轮廓。
6.如权利要求5所述的方法,其特征在于,所述获取外扩后的所述肋骨轮廓包括:
基于所述关键点的位置获取2D医学影像中肺部区域中心点的位置;
以所述中心点为原点,水平方向为第一坐标轴,竖直方向为第二坐标轴形成坐标系;
基于所述关键点在所述坐标系中的位置,沿水平方向和/或竖直方向移动所述关键点以获得与其对应的外扩关键点;
连接所述外扩关键点以获得外扩后的肋骨轮廓。
7.如权利要求6所述的方法,其特征在于,所述基于所述关键点的位置获取2D医学影像中肺部区域中心点的位置包括:
以所述关键点坐标的平均值作为所述肺部区域中心点的坐标。
8.一种确定肺部区域的装置,其特征在于,包括:
分割单元,用于在2D医学影像中分割出肺部区域;
第一获取单元,用于获取所述2D医学影像中的肋骨轮廓;
第二获取单元,用于获取预定轮廓,所述肋骨轮廓包含于所述预定轮廓内,所述预定轮廓上的像素点与与其对应的位于所述肋骨轮廓上的像素点之间的距离大于7个像素点小于15个像素点;
确定单元,用于在分割出的肺部区域的轮廓位于所述肋骨轮廓和所述预定轮廓之间或者位于所述肋骨轮廓或所述预定轮廓上时,以分割出的肺部区域作为所述2D医学影像中的肺部区域。
9.一种计算机设备,包括至少一个处理器、以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器能够执行权利要求1~7任一项所述的的方法。
10.一种计算机可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行权利要求1~7任一项所述的的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010514686.1A CN111861984B (zh) | 2020-06-08 | 2020-06-08 | 一种确定肺部区域的方法及装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010514686.1A CN111861984B (zh) | 2020-06-08 | 2020-06-08 | 一种确定肺部区域的方法及装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111861984A true CN111861984A (zh) | 2020-10-30 |
CN111861984B CN111861984B (zh) | 2023-12-22 |
Family
ID=72987644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010514686.1A Active CN111861984B (zh) | 2020-06-08 | 2020-06-08 | 一种确定肺部区域的方法及装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861984B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381805A (zh) * | 2020-11-17 | 2021-02-19 | 杭州依图医疗技术有限公司 | 一种医学影像处理方法 |
CN112869758A (zh) * | 2020-12-31 | 2021-06-01 | 杭州依图医疗技术有限公司 | 一种确定胸腔积液的方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060013482A1 (en) * | 2004-06-23 | 2006-01-19 | Vanderbilt University | System and methods of organ segmentation and applications of same |
US20150154765A1 (en) * | 2011-10-28 | 2015-06-04 | Carestream Health, Inc. | Tomosynthesis reconstruction with rib suppression |
CN106898012A (zh) * | 2017-01-19 | 2017-06-27 | 浙江大学 | Ct图像胸腔轮廓自动化检测方法 |
CN109993733A (zh) * | 2019-03-27 | 2019-07-09 | 上海宽带技术及应用工程研究中心 | 肺部病灶的检测方法、系统、存储介质、终端及显示系统 |
CN110599494A (zh) * | 2018-06-12 | 2019-12-20 | 中国科学院深圳先进技术研究院 | 肋骨图像重建系统及方法、终端及可读存储介质 |
CN110930414A (zh) * | 2019-10-17 | 2020-03-27 | 平安科技(深圳)有限公司 | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 |
CN111062955A (zh) * | 2020-03-18 | 2020-04-24 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据分割方法及系统 |
-
2020
- 2020-06-08 CN CN202010514686.1A patent/CN111861984B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060013482A1 (en) * | 2004-06-23 | 2006-01-19 | Vanderbilt University | System and methods of organ segmentation and applications of same |
US20150154765A1 (en) * | 2011-10-28 | 2015-06-04 | Carestream Health, Inc. | Tomosynthesis reconstruction with rib suppression |
CN106898012A (zh) * | 2017-01-19 | 2017-06-27 | 浙江大学 | Ct图像胸腔轮廓自动化检测方法 |
CN110599494A (zh) * | 2018-06-12 | 2019-12-20 | 中国科学院深圳先进技术研究院 | 肋骨图像重建系统及方法、终端及可读存储介质 |
CN109993733A (zh) * | 2019-03-27 | 2019-07-09 | 上海宽带技术及应用工程研究中心 | 肺部病灶的检测方法、系统、存储介质、终端及显示系统 |
CN110930414A (zh) * | 2019-10-17 | 2020-03-27 | 平安科技(深圳)有限公司 | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 |
CN111062955A (zh) * | 2020-03-18 | 2020-04-24 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据分割方法及系统 |
Non-Patent Citations (3)
Title |
---|
DIAO LIMING ET AL.: "A new algorithm of automatic lung parenchyma segmentation based on CT images", 《2011 INTERNATIONAL CONFERENCE ON CONSUMER ELECTRONICS, COMMUNICATIONS AND NETWORKS》, pages 976 - 979 * |
于洋: "CR数字胸片图像肺实质和肋骨分割算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, pages 138 - 1007 * |
耿欢, 等: "基于CT影像的肺组织分割及其功能定量分析", 《小型微型计算机系统》, vol. 37, no. 03, pages 581 - 587 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381805A (zh) * | 2020-11-17 | 2021-02-19 | 杭州依图医疗技术有限公司 | 一种医学影像处理方法 |
CN112381805B (zh) * | 2020-11-17 | 2024-03-08 | 杭州依图医疗技术有限公司 | 一种医学影像处理方法 |
CN112869758A (zh) * | 2020-12-31 | 2021-06-01 | 杭州依图医疗技术有限公司 | 一种确定胸腔积液的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111861984B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685060B (zh) | 图像处理方法和装置 | |
CN109363698B (zh) | 一种乳腺影像征象识别的方法及装置 | |
CN111445478B (zh) | 一种用于cta图像的颅内动脉瘤区域自动检测系统和检测方法 | |
WO2021179491A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
Banerjee et al. | Automated 3D segmentation of brain tumor using visual saliency | |
JP5279245B2 (ja) | クラスタ変更グラフ・カットを使用する検出の方法および装置 | |
WO1995014966A1 (en) | Automated method and system for the segmentation of medical images | |
CN111784701B (zh) | 结合边界特征增强和多尺度信息的超声图像分割方法及系统 | |
CN101103924A (zh) | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统 | |
CN111861984B (zh) | 一种确定肺部区域的方法及装置、计算机设备及存储介质 | |
CN110689525A (zh) | 基于神经网络识别淋巴结的方法及装置 | |
CN109636810B (zh) | Ct影像的肺结节分割方法及系统 | |
CN116071355A (zh) | 一种用于外周血管影像的辅助分割系统及方法 | |
Liu et al. | Accurate and robust pulmonary nodule detection by 3D feature pyramid network with self-supervised feature learning | |
CN112837325A (zh) | 医学影像图像处理方法、装置、电子设备及介质 | |
CN116823701A (zh) | 基于ai的医学影像分析处理方法 | |
CN110992310A (zh) | 一种确定纵隔淋巴结所在分区的方法及装置 | |
KR100762746B1 (ko) | 미세석회화 진단 시스템 및 방법 | |
CN117274216B (zh) | 基于水平集分割的超声下颈动脉斑块检测方法及系统 | |
CN112330787B (zh) | 图像标注方法、装置、存储介质和电子设备 | |
CN109948706B (zh) | 结合深度学习与特征多尺度融合的微钙化簇检测方法 | |
CN110648333B (zh) | 基于中智学理论的乳腺超声视频图像实时分割系统 | |
US11944486B2 (en) | Analysis method for breast image and electronic apparatus using the same | |
CN114155205A (zh) | 一种乳腺结节边界清晰度判定装置 | |
CN111986165B (zh) | 一种乳房图像中的钙化检出方法及装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220323 Address after: 100089 area a, 21 / F, block a, No. 8, Haidian Street, Haidian District, Beijing Applicant after: BEIJING SHENRUI BOLIAN TECHNOLOGY Co.,Ltd. Applicant after: SHENZHEN DEEPWISE BOLIAN TECHNOLOGY Co.,Ltd. Address before: 200051 units 06 and 07, 23 / F, 523 Loushanguan Road, Changning District, Shanghai Applicant before: SHANGHAI YIZHI MEDICAL TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |