CN111898672A - 一种基于最优图论的支气管段解剖结构的自动识别方法 - Google Patents

一种基于最优图论的支气管段解剖结构的自动识别方法 Download PDF

Info

Publication number
CN111898672A
CN111898672A CN202010741019.7A CN202010741019A CN111898672A CN 111898672 A CN111898672 A CN 111898672A CN 202010741019 A CN202010741019 A CN 202010741019A CN 111898672 A CN111898672 A CN 111898672A
Authority
CN
China
Prior art keywords
vertex
similarity
tree
anatomical structure
hierarchical
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.)
Pending
Application number
CN202010741019.7A
Other languages
English (en)
Inventor
罗哲
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.)
Zhejiang Yingjia Medical Equipment Co.,Ltd.
Original Assignee
Suzhou Yingjia 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 Suzhou Yingjia Technology Co ltd filed Critical Suzhou Yingjia Technology Co ltd
Priority to CN202010741019.7A priority Critical patent/CN111898672A/zh
Publication of CN111898672A publication Critical patent/CN111898672A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (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

本发明提供一种基于最优图论的支气管段解剖结构的自动识别方法，涉及支气管段解剖结构识别技术领域。该基于最优图论的支气管段解剖结构的自动识别方法，包括以下步骤：S1、3D肺部数据的预处理；S2、构建层次结构树；S3、计算相似度；S4、动态规划求解最优相似度模型；S5、识别支气管段解剖结构。本发明，提出的基于最优图论的支气管段解剖结构的识别方法能正确匹配具有不同解剖结构且形状有明显区别的支气管树，且对假阳分支和缺失的分支不敏感。同时方法具有完全自动化，运算速度快，且支持不同的命名规则和多语言类型，能适用不同国家和地区的医师使用。

Description

一种基于最优图论的支气管段解剖结构的自动识别方法
技术领域
本发明涉及支气管段解剖结构识别技术领域，具体为一种基于最优图论的支气管段解剖结构的自动识别方法。
背景技术
支气管镜检查是呼吸系统疾病的重要诊疗手段之一，它不仅可对支气管管腔进行直接肉眼观察，也能进行活检，有助于医师正确诊断疾病；然而人体的支气管结构十分复杂，分支众多，缺乏经验的呼吸内镜医师容易迷失。即使是操作熟练的内镜医师，也难以迅速准确地找到与病变相关的支气管目标靶点。支气管的解剖结构相当于图谱，如果术前告知内镜医师检查路径中的各级支气管的解剖结构，能让内镜医师做到心中有数，减少迷失的概率，有效地缩短检查时间，同时提高检查的成功率。
现有的支气管段解剖结构的识别算法无法处理具有不同解剖结构或形状有明显变化的支气管树，仅能处理解剖结构相同且形状相似的分支，此外对假阳分支和缺失的分支十分敏感，容易出现误识别。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于最优图论的支气管段解剖结构的自动识别方法，解决了现有技术中存在的缺陷与不足。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于最优图论的支气管段解剖结构的自动识别方法，包括以下步骤：
S1、3D肺部数据的预处理；
S2、构建层次结构树；
S3、计算相似度；
S4、动态规划求解最优相似度模型；
S5、识别支气管段解剖结构。
优选的，所述步骤1中3D肺部数据的预处理，具体如下：
1)采用基于微分几何的气管树全自动分割方法进行气管树的全自动分割；
2)利用形态学和排斥力场的方法来自动提取气管树模型中心线。
优选的，所述步骤2中构建层次结构树，具体如下：
1)自动识别气管中心线的气管分支点，将相邻的气管分支点相连表示气管分支，形成一个带顶点的有向无环图；
2)根据分叉点的父子关系，构建层次结构树，其中，T表示层次结构树，V(T)表示顶点，E(T)∈V(T)×V(T)表示有向边，如果顶点u是顶点v的父顶点，则边(u,v)∈E(T),δ(u)表示顶点u的子顶点数，Tu表示根顶点为u的层次树T；
3)T1和T2匹配的顶点对形成共同的层次树
Figure BDA0002606749040000021
Figure BDA0002606749040000022
表示T1与T2间匹配的顶点对。
优选的，所述步骤3中计算相似度，具体如下：
1)计算匹配的顶点相似度公式如下：
Figure BDA0002606749040000023
其中u1是T1中的顶点，
Figure BDA0002606749040000024
是T2中与u1配对的顶点，
Figure BDA0002606749040000025
表示两顶点的欧拉距离，c1表示顶点相似度的权重；
2)计算匹配的边相似度公式如下：
Figure BDA0002606749040000026
其中c2表示边相似度权重，
Figure BDA0002606749040000027
表示边u1v1和边
Figure BDA0002606749040000031
形成的夹角的余弦值，当两条边最小长度比例越小则相似度越大，两条边的夹角越小相似度越大；
3)计算层次树间的相似度公式如下：
Figure BDA0002606749040000032
优选的，所述步骤4中动态规划求解最优相似度模型，具体如下：
1)定义目标函数：S*(T1,T2)＝max{T1,T2|Φ}，其中Φ表示候选的全部共同的层次树
Figure BDA0002606749040000033
的集合；
2)首先计算
Figure BDA00026067490400000314
的匹配结果
Figure BDA0002606749040000035
其中
Figure BDA0002606749040000036
表示
Figure BDA0002606749040000037
的最优相似度，
Figure BDA0002606749040000038
表示
Figure BDA00026067490400000315
的顶点匹配结果，
Figure BDA00026067490400000312
表示
Figure BDA00026067490400000313
中顶点的数量；
3)根据递归公式：
Figure BDA00026067490400000310
从底往上求解S*(T1,T2)和
Figure BDA00026067490400000311
其中x1，y1是u1的子顶点，v2，w2是u2的子顶点。
优选的，所述步骤5中识别支气管段解剖结构，具体如下：
1)建立带支气管段解剖结构的n个层次结构树为标准数据库{T1,T2...Tn}，其中，Ti中的每个顶点带有解剖结构名称，如：左、右主支气管、上叶支气管、上支、尖段支气管等等，解剖名称可以支持不同的命名规则和多语言类型；
2)根据步骤4的优化模型，计算输入的层次结构树与数据库中带支气管段解剖结构的数据库{T1,T2...Tn}的相似度，选择相似度最大的支气管树T*＝max{T,Ti|Φ}，其中T为待识别的层次结构树，Ti为数据库中第i个带解剖结构的层次结构树；
3)将T*中的解剖结构名称对应添加到待识别的层次结构树T中。
(三)有益效果
本发明提供了一种基于最优图论的支气管段解剖结构的自动识别方法。具备以下有益效果：
本发明，提出的基于最优图论的支气管段解剖结构的识别方法能正确匹配具有不同解剖结构且形状有明显区别的支气管树，且对假阳分支和缺失的分支不敏感，同时方法具有完全自动化，运算速度快，且支持不同的命名规则和多语言类型，能适用不同国家和地区的医师使用。
附图说明
图1为本发明流程图；
图2为本发明气管树模型示意图(a)与中心线示意图(b)；
图3为本发明分支点提取示意图(a)与构建层次结构树示意图(b)。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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他实施例，都属于本发明保护的范围。
实施例：
如图1-3所示，本发明实施例提供一种基于最优图论的支气管段解剖结构的自动识别方法，包括以下步骤：
S1、3D肺部数据的预处理，具体如下：
1)采用基于微分几何的气管树全自动分割方法进行气管树的全自动分割，如图2所示；
2)利用形态学和排斥力场的方法来自动提取气管树模型中心线，如图2所示；
S2、构建层次结构树，具体如下：
1)自动识别气管中心线的气管分支点，将相邻的气管分支点相连表示气管分支，形成一个带顶点的有向无环图，如图3所示；
2)根据分叉点的父子关系，构建层次结构树，其中，T表示层次结构树，V(T)表示顶点，E(T)∈V(T)×V(T)表示有向边，如果顶点u是顶点v的父顶点，则边(u,v)∈E(T),δ(u)表示顶点u的子顶点数，Tu表示根顶点为u的层次树T；
3)T1和T2匹配的顶点对形成共同的层次树
Figure BDA0002606749040000051
Figure BDA0002606749040000052
表示T1与T2间匹配的顶点对；
S3、计算相似度，具体如下：
1)计算匹配的顶点相似度公式如下：
Figure BDA0002606749040000053
其中u1是T1中的顶点，
Figure BDA0002606749040000054
是T2中与u1配对的顶点，
Figure BDA0002606749040000055
表示两顶点的欧拉距离，c1表示顶点相似度的权重；
2)计算匹配的边相似度公式如下：
Figure BDA0002606749040000056
其中c2表示边相似度权重，
Figure BDA0002606749040000057
表示边u1v1和边
Figure BDA0002606749040000058
形成的夹角的余弦值，当两条边最小长度比例越小则相似度越大，两条边的夹角越小相似度越大；
3)计算层次树间的相似度公式如下：
Figure BDA0002606749040000061
S4、动态规划求解最优相似度模型，具体如下：
1)定义目标函数：S*(T1,T2)＝max{T1,T2|Φ}，其中Φ表示候选的全部共同的层次树
Figure BDA0002606749040000062
的集合；
2)首先计算
Figure BDA0002606749040000063
的匹配结果
Figure BDA0002606749040000064
其中
Figure BDA0002606749040000065
表示
Figure BDA0002606749040000066
的最优相似度，
Figure BDA0002606749040000067
表示
Figure BDA00026067490400000613
的顶点匹配结果，
Figure BDA0002606749040000069
表示
Figure BDA00026067490400000610
中顶点的数量；
3)根据递归公式：
Figure BDA00026067490400000611
从底往上求解S*(T1,T2)和
Figure BDA00026067490400000612
其中x1，y1是u1的子顶点，v2，w2是u2的子顶点；
S5、识别支气管段解剖结构，具体如下：
1)建立带支气管段解剖结构的n个层次结构树为标准数据库{T1,T2...Tn}，其中，Ti中的每个顶点带有解剖结构名称，如：左、右主支气管、上叶支气管、上支、尖段支气管等等，解剖名称可以支持不同的命名规则和多语言类型；
2)根据步骤4的优化模型，计算输入的层次结构树与数据库中带支气管段解剖结构的数据库{T1,T2...Tn}的相似度，选择相似度最大的支气管树T*＝max{T,Ti|Φ}，其中T为待识别的层次结构树，Ti为数据库中第i个带解剖结构的层次结构树；
3)将T*中的解剖结构名称对应添加到待识别的层次结构树T中。
本发明，提出的基于最优图论的支气管段解剖结构的识别方法能正确匹配具有不同解剖结构且形状有明显区别的支气管树，且对假阳分支和缺失的分支不敏感，同时方法具有完全自动化，运算速度快，且支持不同的命名规则和多语言类型，能适用不同国家和地区的医师使用。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个引用结构”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种基于最优图论的支气管段解剖结构的自动识别方法，其特征在于：包括以下步骤：
S1、3D肺部数据的预处理；
S2、构建层次结构树；
S3、计算相似度；
S4、动态规划求解最优相似度模型；
S5、识别支气管段解剖结构。
2.根据权利要求1所述的一种基于最优图论的支气管段解剖结构的自动识别方法，其特征在于：所述步骤1中3D肺部数据的预处理，具体如下：
1)采用基于微分几何的气管树全自动分割方法进行气管树的全自动分割；
2)利用形态学和排斥力场的方法来自动提取气管树模型中心线。
3.根据权利要求1所述的一种基于最优图论的支气管段解剖结构的自动识别方法，其特征在于：所述步骤2中构建层次结构树，具体如下：
1)自动识别气管中心线的气管分支点，将相邻的气管分支点相连表示气管分支，形成一个带顶点的有向无环图；
2)根据分叉点的父子关系，构建层次结构树，其中，T表示层次结构树，V(T)表示顶点，E(T)∈V(T)×V(T)表示有向边，如果顶点u是顶点v的父顶点，则边(u,v)∈E(T),δ(u)表示顶点u的子顶点数，Tu表示根顶点为u的层次树T；
3)T1和T2匹配的顶点对形成共同的层次树
Figure FDA0002606749030000011
Figure FDA0002606749030000012
表示T1与T2间匹配的顶点对。
4.根据权利要求1所述的一种基于最优图论的支气管段解剖结构的自动识别方法，其特征在于：所述步骤3中计算相似度，具体如下：
1)计算匹配的顶点相似度公式如下：
Figure FDA0002606749030000021
其中u1是T1中的顶点，
Figure FDA0002606749030000022
是T2中与u1配对的顶点，
Figure FDA0002606749030000023
表示两顶点的欧拉距离，c1表示顶点相似度的权重；
2)计算匹配的边相似度公式如下：
Figure FDA0002606749030000024
其中c2表示边相似度权重，
Figure FDA0002606749030000025
表示边u1v1和边
Figure FDA0002606749030000026
形成的夹角的余弦值，当两条边最小长度比例越小则相似度越大，两条边的夹角越小相似度越大；
3)计算层次树间的相似度公式如下：
Figure FDA0002606749030000027
5.根据权利要求1所述的一种基于最优图论的支气管段解剖结构的自动识别方法，其特征在于：所述步骤4中动态规划求解最优相似度模型，具体如下：
1)定义目标函数：S*(T1,T2)＝max{T1,T2|Φ}，其中Φ表示候选的全部共同的层次树
Figure FDA0002606749030000028
的集合；
2)首先计算
Figure FDA0002606749030000029
的匹配结果
Figure FDA00026067490300000210
其中
Figure FDA00026067490300000211
表示
Figure FDA00026067490300000212
的最优相似度，
Figure FDA00026067490300000213
表示
Figure FDA00026067490300000214
的顶点匹配结果，
Figure FDA00026067490300000215
表示
Figure FDA00026067490300000216
中顶点的数量；
3)根据递归公式：
Figure FDA00026067490300000217
Figure FDA0002606749030000031
从底往上求解S*(T1,T2)和
Figure FDA0002606749030000032
其中x1，y1是u1的子顶点，v2，w2是u2的子顶点。
6.根据权利要求1所述的一种基于最优图论的支气管段解剖结构的自动识别方法，其特征在于：所述步骤5中识别支气管段解剖结构，具体如下：
1)建立带支气管段解剖结构的n个层次结构树为标准数据库{T1,T2...Tn}，其中，Ti中的每个顶点带有解剖结构名称，如：左、右主支气管、上叶支气管、上支、尖段支气管等等，解剖名称可以支持不同的命名规则和多语言类型；
2)根据步骤4的优化模型，计算输入的层次结构树与数据库中带支气管段解剖结构的数据库{T1,T2...Tn}的相似度，选择相似度最大的支气管树T*＝max{T,Ti|Φ}，其中T为待识别的层次结构树，Ti为数据库中第i个带解剖结构的层次结构树；
3)将T*中的解剖结构名称对应添加到待识别的层次结构树T中。
CN202010741019.7A 2020-07-29 2020-07-29 一种基于最优图论的支气管段解剖结构的自动识别方法 Pending CN111898672A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010741019.7A CN111898672A (zh) 2020-07-29 2020-07-29 一种基于最优图论的支气管段解剖结构的自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010741019.7A CN111898672A (zh) 2020-07-29 2020-07-29 一种基于最优图论的支气管段解剖结构的自动识别方法

Publications (1)

Publication Number Publication Date
CN111898672A true CN111898672A (zh) 2020-11-06

Family

ID=73182345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010741019.7A Pending CN111898672A (zh) 2020-07-29 2020-07-29 一种基于最优图论的支气管段解剖结构的自动识别方法

Country Status (1)

Country Link
CN (1) CN111898672A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021169548A1 (zh) * 2020-02-24 2021-09-02 广州柏视医疗科技有限公司 肺气管和血管的分段命名方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021169548A1 (zh) * 2020-02-24 2021-09-02 广州柏视医疗科技有限公司 肺气管和血管的分段命名方法

Similar Documents

Publication Publication Date Title
CN112884826B (zh) 血管中心线的提取方法及装置
CN108171703B (zh) 一种从胸部ct图像中自动提取气管树的方法
CN112651969B (zh) 结合多信息融合网络和区域增长的气管树分级提取方法
CN113011509B (zh) 肺部支气管的分类方法、装置、电子设备和存储介质
CN112006772B (zh) 完整人体体外呼吸道建立方法及系统
CN114332013B (zh) 基于肺动脉树分级的ct图像靶肺段识别方法
CN111430025B (zh) 一种基于医疗影像数据扩增的疾病诊断模型训练方法
CN113223013B (zh) 一种肺血管分段定位的方法、装置、设备及存储介质
CN115908297A (zh) 基于拓扑知识的医学影像中血管分割建模方法
CN117373070B (zh) 血管分段标注的方法及装置、电子设备和存储介质
Yu et al. Break: Bronchi reconstruction by geodesic transformation and skeleton embedding
CN111898672A (zh) 一种基于最优图论的支气管段解剖结构的自动识别方法
CN116050691A (zh) 医疗影像报告评估方法、装置、电子设备及存储介质
Peng et al. Pulmonary lobe segmentation in CT images based on lung anatomy knowledge
CN114155193A (zh) 一种基于特征强化的血管分割方法及装置
CN117116407A (zh) 基于电子病历的患者画像生成方法、装置及存储介质
Lau et al. The singapore eye vessel assessment system
Fetita et al. Quantitative 3D CT bronchography
CN113011510B (zh) 一种支气管分级及模型训练方法、装置及电子设备
Zhao et al. Automatic aortic dissection centerline extraction via morphology-guided CRN tracker
CN115374787B (zh) 基于医学命名实体识别的持续学习的模型训练方法及装置
Chen et al. Research on computer-aided diagnosis of lung nodule
CN111768845B (zh) 一种基于最优多尺度感知的肺结节辅助检测方法
AU2021102129A4 (en) Automatic labeling method of emphysema in CT image based on image report
CN112381758B (zh) 一种计算血管树相似度的方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230413

Address after: 318000 Building 4, Building 5, Science and Technology Innovation Center, Baita Town, Xianju County Economic Development Zone, Xianju County, Taizhou City, Zhejiang Province

Applicant after: Zhejiang Yingjia Medical Equipment Co.,Ltd.

Address before: Room 411-10, Building 2, No. 8 Jinfeng Road, Suzhou High tech Zone, Suzhou City, Jiangsu Province, 215010

Applicant before: Suzhou Yingjia Technology Co.,Ltd.