CN112037234A - 用骨骼信息对ct图像中肝脏与肌肉进行分离的方法 - Google Patents
用骨骼信息对ct图像中肝脏与肌肉进行分离的方法 Download PDFInfo
- Publication number
- CN112037234A CN112037234A CN202010837888.XA CN202010837888A CN112037234A CN 112037234 A CN112037234 A CN 112037234A CN 202010837888 A CN202010837888 A CN 202010837888A CN 112037234 A CN112037234 A CN 112037234A
- Authority
- CN
- China
- Prior art keywords
- image
- liver
- information
- ellipse
- muscle
- 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
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
- G06T7/11—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
- G06T7/136—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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10—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
- G06T2207/30008—Bone
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明用骨骼信息对CT图像中的肝脏与肌肉进行分离的方法,属于医学图像处理领域,涉及一种利用骨骼信息对CT图像中的肝脏与肌肉进行分离的方法。该方法首先获取原始CT图像,对该图像采用加窗技术简化灰度信息。接着利用阈值法、形态学操作法提取并处理骨骼信息;使用椭圆拟合算法获取骨骼图像中肋骨区域的目标特征点,并对其进行极坐标下的排序。再利用三次样条插值算法拟合目标特征点,生成分界线。最后,利用该分界线实现粘连的肝脏与肌肉组织分离。该方法利用了CT图像的层间相似性以及人体的解剖学信息,利用骨骼信息对CT图像中的肝脏与肌肉进行分离,有效了解决因肝脏与肌肉粘连而产生的过分割问题。降低图像处理的数据量,提升分割效率。
Description
技术领域
本发明属于医学图像处理领域,涉及一种利用骨骼信息对CT图像中的肝脏与肌肉进行分离的方法。
背景技术
肝脏是人体中最大的内脏器官。肝脏作为人体消化系统中最大的消化腺,承担着人体重要的新陈代谢功能。因此肝脏疾病严重影响着人体健康。在现代医学中,由于CT序列图像相邻层间具有相似性,图像中的各组织器官分布符合人体解剖学结构,具有规律性。所以,医学影像是诊断肝脏疾病的必不可少的技术手段,被广泛采用。目前很多的从CT图像中分割肝脏的算法,如阈值法、区域增长法、模糊均值聚类以及图割等算法,都是依靠图像的区域信息或者边界信息来实现图像分割的。如邵金华等人发明了“一种肝脏边界的识别方法及系统”专利,专利号201810489267.x能够利用图像中的骨骼以及皮肤的二值图像进行肝脏边界的识别。但是该方法存在只计算肋骨区域的质心,因质心点较少,且质心与肝脏边界相近而不相邻,因此拟合曲线与肝脏边界形状吻合度较低。对于获得的拟合曲线进行水平方向移动预设值,进一步降低了拟合曲线与肝脏边界的吻合度。而如何从医学影像中准确,高效的提取肝脏组织,是后续实现图像分析、三维建模等技术手段的前提。因此,如何利用好CT图像的优势,对于实现CT图像中肝脏的分割,具有重要的意义。
发明内容
本发明的目的是针对CT图像中肝脏与肌肉组织粘连的问题,提出了一种利用骨骼信息对CT图像中的肝脏与肌肉进行分离的方法。该方法充分利用了CT图像的层间相似性以及人体的解剖学信息,肝脏在人体中位于人体腹部右侧,在右侧横膈膜之下,毗邻肋骨。利用肋骨信息对CT图像中的肝脏与肌肉进行分离,相较于软组织器官,骨骼的密度很大,在CT图像中体现为较大的灰度值,且与其他器官/组织差异明显。因此,从CT图像中获取骨骼信息十分快速便捷;在CT图像的横截面中,肋骨的形状近似于椭圆,因此使用椭圆拟合获得的特征点十分贴合原始骨骼信息。能够有效地解决肝脏与肌肉组织粘连的问题。
本发明采用的技术方案是用骨骼信息对CT图像中的肝脏与肌肉进行分离的方法,该方法首先获取原始CT图像,对该图像采用加窗技术简化灰度信息;接着利用阈值法、形态学操作法提取并处理骨骼信息;使用椭圆拟合算法获取骨骼图像中肋骨区域的目标特征点,并对其进行极坐标下的排序;再利用三次样条插值算法拟合目标特征点,生成分界线;最后利用该分界线实现粘连的肝脏与肌肉组织分离;
方法的具体步骤如下:
步骤一、获取原始CT图像,对原始CT图像进行窗口变换,窗口变换公式为:
其中,v是图像的CT值,G(v)是显示灰度,c为窗位,w为窗宽,灰度最大值为gw,将gw设置为255,最小值为0;
步骤二、利用阈值法初步获取CT图像中的骨骼信息;阈值法公式为:
其中,T为设置的阈值,v为图像像素灰度值,B(v)为阈值法处理过后的二值图像;
步骤三、利用形态学算法中的开运算删除二值图像中面积过小的区域,获得骨骼信息;
步骤四、利用matlab中的regionprops函数拟合图像中的肋骨区域,获得骨骼信息中各连通区域的椭圆特征,包括:长轴a,短轴b,取向角o,-90°≤o≤90°,以及椭圆的质心坐标(cx,cy);
步骤五、提取特征点,具体过程如下:
A.先将取向角o转化为弧度制:
B.求取长轴端点坐标,公式为:
(ax1,ay1),(ax2,ay2)即为所求长轴端点坐标;
C.获取特征点集,包括:短轴端点坐标,长轴端点处椭圆的切线与短轴端点处椭圆切线的交点坐标,其求取公式如下:
短轴端点坐标为:
长轴端点处椭圆的切线与短轴端点处椭圆切线的交点坐标为:
(bx1-6,by1-6)即为初步获得的特征点集;
D.考虑到脊柱区域与肋骨区域的较大差异性,将短轴长度大于20的椭圆信息剔除,即可将脊柱特征点删除;
E.对上述步骤五D中的剩余特征点进行筛选,判定准则如下:
a)将每个椭圆的六个特征点分为一组;
b)选取图像中心点作为极坐标的原点,将特征点坐标转换为极坐标;
c)保留每组特征点中极径最小的三个,即为最终的特征点。
步骤六、以极角为基准,插值间隔设置为0.01,利用matlab中的spline函数对极径进行三次样条插值,将插值结果转换回直角坐标系,得到闭合曲线;
步骤七、利用matlab中的poly2mask生成蒙版,与CT图像做点乘运算,完成肝脏与肌肉组织的分离。
本发明的有益效果是发明了一种利用骨骼信息对CT图像中的肝脏与肌肉进行分离的方法,该方法充分利用了CT图像的层间相似性以及人体的解剖学信息,利用骨骼信息对CT图像中的肝脏与肌肉进行分离,能够有效的解决肝脏分割中因肝脏与肌肉粘连而产生的过分割问题。能够有效的降低图像处理的数据量,提升分割效率。
附图说明
图1为本发明的肝脏与肌肉组织分离的方法流程图。
图2为骨骼信息提取示意图,其中,图2A原始CT数据的横截面图像,图2B为经过窗口变换的横截面图像,图2C为提取出的骨骼信息。
图3为特征点选取示意图,其中,图3A为肋骨信息的椭圆拟合示意图,图3B为特征点的选取准则示意图,其中,a为长轴,b为短轴,o为取向角,x、y为直角坐标系坐标轴。
图4为极坐标下进行特征点甄别示意图。其中,ρ1、ρ2、ρ3、ρ4、ρ5、ρ6为极径。
图5为本发明中肝脏与肌肉组织分离的横截面图像;其中,图5A~图5C为分离前示意图,图5D~图5F为分离后结果图。
图6为本发明中肝脏与肌肉组织分离的冠状面图像;图6A为分离前示意图,图6B为分离后结果图。
图7为本发明中肝脏与肌肉组织分离的矢状面图像;图7A为分离前示意图,图7B为分离后结果图。
图8为本发明中经过窗口变换的三维图。
图9为本发明中的肝脏与肌肉组织分离的三维图。
具体实施方式
以下结合附图和技术方案对本发明做进一步的详细说明。
本实施例选择数据集3Dircadb中的3Dircadb 2.1作为目标CT图像序列,利用软件matlabR2018a进行实现。
图1为本发明的肝脏与肌肉组织分离的方法流程图。方法的具体步骤如下:
步骤一、利用matlab软件的”dicomread”函数打开格式为”.dcm”的CT图像,图像如图2A所示。对其进行加窗变换,计算结果见图2B,设置参数窗宽ww=275,窗位wc=50。
步骤二、利用阈值法初步获取CT图像中的骨骼信息,提取出的骨骼信息见图2C,设置阈值T=250;
步骤三、利用形态学算法中的开运算删除二值图像中面积过小的区域,获得骨骼信息,本实施例中,使用函数“BW=bwareaopen(BW,P)”实现该功能。其中,BW为步骤二所获得的二值图像,P为面积阈值,本实施例中设置P=50,即各连通区域的面积大于50得以保留,小于50即被删除,获得骨骼信息如图2C所示。
步骤四、使用“regionprops”函数获取骨骼图像中肋骨区域的拟合椭圆,如图3A所示,其特征信息包括:长轴a,短轴b,取向角o,-90°≤o≤90°以及椭圆的质心坐标(cx,cy);
步骤五、提取特征点,其具体过程为:
A.利用公式(3)将取向角o转化为弧度制。
B.利用公式(4)求取长轴端点坐标:
(ax1,ay1),(ax2,ay2)即为所求长轴端点坐标;
C.利用利用公式(5)、(6)、(7)获取特征点集,包括:短轴端点坐标,长轴端点处椭圆的切线与短轴端点处椭圆切线的交点坐标,短轴端点坐标为:
长轴端点处椭圆的切线与短轴端点处椭圆切线的交点坐标为:
(bx1-6,by1-6)即为初步获得的特征点集;
D.将短轴长度大于20的椭圆信息剔除,即可将脊柱特征点删除;
E.对上述步骤五D中的剩余特征点进行筛选,保留椭圆的内侧点。椭圆的内侧点,外侧点如图3B所示;判定准则如下:
a)将每个椭圆的六个特征点分为一组;
b)选取图像中心点作为极坐标的原点,将特征点坐标转换为极坐标;
c)保留每组特征点中极径最小的三个,即为最终的特征点;
步骤六、以极角为基准,插值间隔设置为0.01,利用matlab中的spline函数对极径进行三次样条插值,将插值结果转换回直角坐标系,得到闭合曲线;
步骤七、利用matlab中的poly2mask生成蒙版,与CT图像做点乘运算,即可分离肝脏与肌肉组织。
分离结果:图5为本发明中肝脏与肌肉组织分离的冠状面图像;图5A-分离前示意图,图5B-分离后结果图。图6为本发明中肝脏与肌肉组织分离的矢状面图像;图6A-分离前示意图,图6B-分离后结果图。图7为本发明中经过窗口变换的三维图。图8为本发明中的肝脏与肌肉组织分离的三维图。
由分离后结果图可以看出,采用该方法有效地解决肝脏与肌肉组织粘连的问题,图像清晰、准确。该方法能够有效的降低图像处理的数据量,提升分割效率。
Claims (1)
1.一种用骨骼信息对CT图像中的肝脏与肌肉进行分离的方法,其特征是,该方法首先获取原始CT图像,对该图像采用加窗技术简化灰度信息;接着利用阈值法、形态学操作法提取并处理骨骼信息;使用椭圆拟合算法获取骨骼图像中肋骨区域的目标特征点,并对其进行极坐标下的排序;再利用三次样条插值算法拟合目标特征点,生成分界线;最后利用该分界线实现粘连的肝脏与肌肉组织分离;
方法的具体步骤如下:
步骤一、获取原始CT图像,对原始CT图像进行窗口变换,窗口变换公式为:
其中,v是图像的CT值,G(v)是显示灰度,c为窗位,w为窗宽,灰度最大值为gw,将gw设置为255,最小值为0;
步骤二、利用阈值法初步获取CT图像中的骨骼信息;阈值法公式为:
其中,T为设置的阈值,v为图像像素灰度值,B(v)为阈值法处理过后的二值图像;
步骤三、利用形态学算法中的开运算删除二值图像中面积过小的区域,获得骨骼信息;
步骤四、利用matlab中的regionprops函数拟合图像中的肋骨区域,获得骨骼信息中各连通区域的椭圆特征,包括:长轴a,短轴b,取向角o,-90°≤o≤90°,以及椭圆的质心坐标(cx,cy);
步骤五、提取特征点,具体过程如下:
A.先将取向角o转化为弧度制:
B.求取长轴端点坐标,公式为:
(ax1,ay1),(ax2,ay2)即为所求长轴端点坐标;
C.获取特征点集,包括:短轴端点坐标,长轴端点处椭圆的切线与短轴端点处椭圆切线的交点坐标,其求取公式如下:
短轴端点坐标为:
长轴端点处椭圆的切线与短轴端点处椭圆切线的交点坐标为:
(bx1-6,by1-6)即为初步获得的特征点集;
D.考虑到脊柱区域与肋骨区域的较大差异性,将短轴长度大于20的椭圆信息剔除,即可将脊柱特征点删除;
E.对上述步骤五D中的剩余特征点进行筛选,判定准则如下:
a)将每个椭圆的六个特征点分为一组;
b)选取图像中心点作为极坐标的原点,将特征点坐标转换为极坐标;
c)保留每组特征点中极径最小的三个,即为最终的特征点;
步骤六、以极角为基准,插值间隔设置为0.01,利用matlab中的spline函数对极径进行三次样条插值,将插值结果转换回直角坐标系,得到闭合曲线;
步骤七、利用matlab中的poly2mask生成蒙版,与CT图像做点乘运算,完成肝脏与肌肉组织的分离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010837888.XA CN112037234B (zh) | 2020-08-19 | 2020-08-19 | 用骨骼信息对ct图像中肝脏与肌肉进行分离的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010837888.XA CN112037234B (zh) | 2020-08-19 | 2020-08-19 | 用骨骼信息对ct图像中肝脏与肌肉进行分离的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112037234A true CN112037234A (zh) | 2020-12-04 |
CN112037234B CN112037234B (zh) | 2022-09-30 |
Family
ID=73576971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010837888.XA Active CN112037234B (zh) | 2020-08-19 | 2020-08-19 | 用骨骼信息对ct图像中肝脏与肌肉进行分离的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037234B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067361A (zh) * | 2021-11-16 | 2022-02-18 | 西北民族大学 | 一种spect成像的非病变热区切分方法与系统 |
CN116863068A (zh) * | 2023-06-01 | 2023-10-10 | 中国人民解放军总医院第四医学中心 | 实现骨骼肌肉系统影像的智能化分割与重建方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139454A (zh) * | 2015-08-06 | 2015-12-09 | 北京工业大学 | 一种三维ct图像中肝脏三维感兴趣区域的自动提取方法 |
CN108765438A (zh) * | 2014-10-21 | 2018-11-06 | 无锡海斯凯尔医学技术有限公司 | 一种肝脏边界的识别方法及系统 |
CN109523561A (zh) * | 2018-12-19 | 2019-03-26 | 睿仁佳心(上海)科技有限公司 | 自动腹内肌肉和脂肪图像分割方法 |
CN110570515A (zh) * | 2019-09-03 | 2019-12-13 | 天津工业大学 | 一种利用ct图像进行人体骨骼三维建模的方法 |
-
2020
- 2020-08-19 CN CN202010837888.XA patent/CN112037234B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765438A (zh) * | 2014-10-21 | 2018-11-06 | 无锡海斯凯尔医学技术有限公司 | 一种肝脏边界的识别方法及系统 |
CN105139454A (zh) * | 2015-08-06 | 2015-12-09 | 北京工业大学 | 一种三维ct图像中肝脏三维感兴趣区域的自动提取方法 |
CN109523561A (zh) * | 2018-12-19 | 2019-03-26 | 睿仁佳心(上海)科技有限公司 | 自动腹内肌肉和脂肪图像分割方法 |
CN110570515A (zh) * | 2019-09-03 | 2019-12-13 | 天津工业大学 | 一种利用ct图像进行人体骨骼三维建模的方法 |
Non-Patent Citations (3)
Title |
---|
刘驰等: "一种新的肝脏CTA图像肋骨和脊椎骨分割方法", 《电脑知识与技术》 * |
周洁等: "肝脏CTA图像肋骨和脊椎骨分割方法研究", 《计算机工程与应用》 * |
赵于前等: "腹部CT图像肾脏自动分割方法研究", 《计算机应用研究》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067361A (zh) * | 2021-11-16 | 2022-02-18 | 西北民族大学 | 一种spect成像的非病变热区切分方法与系统 |
CN114067361B (zh) * | 2021-11-16 | 2022-08-23 | 西北民族大学 | 一种spect成像的非病变热区切分方法与系统 |
CN116863068A (zh) * | 2023-06-01 | 2023-10-10 | 中国人民解放军总医院第四医学中心 | 实现骨骼肌肉系统影像的智能化分割与重建方法及系统 |
CN116863068B (zh) * | 2023-06-01 | 2024-02-13 | 中国人民解放军总医院第四医学中心 | 实现骨骼肌肉系统影像的智能化分割与重建方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112037234B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11101033B2 (en) | Medical image aided diagnosis method and system combining image recognition and report editing | |
CN109635846B (zh) | 一种多类医学图像判断方法和系统 | |
Sridar et al. | Decision fusion-based fetal ultrasound image plane classification using convolutional neural networks | |
CN108664976B (zh) | 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法 | |
CN112037234B (zh) | 用骨骼信息对ct图像中肝脏与肌肉进行分离的方法 | |
CN109753997B (zh) | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 | |
CN107909589A (zh) | 一种结合C‑V水平集和GrabCut算法的牙齿图像分割方法 | |
Fan et al. | Lung nodule detection based on 3D convolutional neural networks | |
JP2006006359A (ja) | 画像生成装置、画像生成装置方法、およびそのプログラム | |
CN111145185A (zh) | 一种基于聚类关键帧提取ct图像的肺实质分割方法 | |
WO2020224508A1 (zh) | 一种对实时影像中图像的物体轮廓进行加强的方法 | |
Tong et al. | A lung cancer lesions dectection scheme based on CT image | |
CN105869151B (zh) | 舌分割及舌苔舌质分离方法 | |
Celebi et al. | Guest editorial skin lesion image analysis for melanoma detection | |
CN112712540B (zh) | 一种基于ct影像的肺部支气管提取方法 | |
CN113197549A (zh) | 一种通过人脸识别技术诊断疾病的系统 | |
CN114627136B (zh) | 一种基于特征金字塔网络的舌象分割与对齐方法 | |
CN106997592A (zh) | 具有实时性的模糊聚类医学图像分割方法 | |
CN108629780B (zh) | 基于颜色分解和阈值技术的舌图像分割方法 | |
Isinkaye et al. | Segmentation of medical X-ray bone image using different image processing techniques | |
Tong et al. | Computer-aided lung nodule detection based on CT images | |
WO2018201437A1 (zh) | 一种图像分割方法及系统 | |
Dawod et al. | Adaptive Slices in Brain Haemorrhage Segmentation Based on the SLIC Algorithm. | |
CN114549546A (zh) | 基于骨骼信息的肝分割边界提取方法 | |
CN106934785B (zh) | 一种用于机器人虚拟训练系统中肝脏模型的医学图像分割方法 |
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 |