CN112116623A - 图像分割方法及装置 - Google Patents
图像分割方法及装置 Download PDFInfo
- Publication number
- CN112116623A CN112116623A CN202010996314.7A CN202010996314A CN112116623A CN 112116623 A CN112116623 A CN 112116623A CN 202010996314 A CN202010996314 A CN 202010996314A CN 112116623 A CN112116623 A CN 112116623A
- Authority
- CN
- China
- Prior art keywords
- image
- rough
- segmentation
- fine
- dimensional
- 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
- 238000000034 method Methods 0.000 title claims abstract description 106
- 238000003709 image segmentation Methods 0.000 title claims abstract description 61
- 230000011218 segmentation Effects 0.000 claims abstract description 165
- 239000007787 solid Substances 0.000 claims abstract description 151
- 238000012545 processing Methods 0.000 claims abstract description 109
- 230000008569 process Effects 0.000 claims description 42
- 238000009499 grossing Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 19
- 238000005260 corrosion Methods 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005429 filling process Methods 0.000 claims description 3
- 238000002591 computed tomography Methods 0.000 description 33
- 210000004072 lung Anatomy 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000003628 erosive effect Effects 0.000 description 12
- 210000000056 organ Anatomy 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 6
- 210000000621 bronchi Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000000338 in vitro Methods 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000002604 ultrasonography 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
- G06T7/10—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
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请提供了一种图像分割方法及装置,该图像分割方法包括:对原始三维图像进行粗分割以获得粗分割结果,其中,粗分割结果包括目标的粗糙实体图像;基于第一预设条件对原始三维图像进行二值化处理以获得二值化图像;基于粗糙实体图像和二值化图像确定细分割结果。本申请的技术方案能够分割出光滑、细致、精确的目标表面。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种图像分割方法及装置。
背景技术
图像数据的可视化可以帮助人们获取图像中的细节信息,指导人们做出相应的判断。通过图像可视化获得的目标的表面越光滑、获得的目标表面越精确,越有利于人们做出正确的决策。现有的图像分割方法难以实现对目标表面的精确分割。
发明内容
有鉴于此,本申请实施例提供了一种图像分割方法及装置,能够分割出光滑、细致、精确的目标表面。
第一方面,本申请的实施例提供了一种图像分割方法,包括:对原始三维图像进行粗分割以获得粗分割结果,其中,粗分割结果包括目标的粗糙实体图像;基于第一预设条件对原始三维图像进行二值化处理以获得二值化图像;基于粗糙实体图像和二值化图像确定细分割结果。
在本申请某些实施例中,图像分割方法用于体表分割,目标包括人体。
在本申请某些实施例中,基于粗糙实体图像和二值化图像确定细分割结果,包括:利用与操作,基于粗糙实体图像和二值化图像,确定细分割结果。
在本申请某些实施例中,对原始三维图像进行粗分割以获得粗分割结果,包括:基于第二预设条件对原始三维图像进行二值化处理以获得粗分割二值图像;基于粗分割二值图像进行空洞填充处理,以获得粗糙实体图像。
在本申请某些实施例中,对原始三维图像进行粗分割以获得粗分割结果,包括:对原始三维图像进行第一下采样处理以获得下采样后的三维图像;基于第二预设条件对下采样后的三维图像进行二值化处理以获得粗分割二值图像;基于粗分割二值图像进行空洞填充处理,以获得粗糙实体图像。
在本申请某些实施例中,利用与操作,基于粗糙实体图像和二值化图像,确定细分割结果,包括:对粗糙实体图像进行第一上采样处理,以获得上采样后的粗糙实体图像;对上采样后的粗糙实体图像和二值化图像进行与操作,以获得细分割结果。
在本申请某些实施例中,该图像分割方法还包括:基于粗糙实体图像和细分割结果确定细致实体图像。
在本申请某些实施例中,基于粗糙实体图像和细分割结果确定细致实体图像,包括:对粗糙实体图像进行图像腐蚀处理,以获得腐蚀后的粗糙实体图像;基于腐蚀后的粗糙实体图像和细分割结果确定细致实体图像。
在本申请某些实施例中,粗糙实体图像是原始三维图像经过第二下采样处理获得的,其中,基于腐蚀后的粗糙实体图像和细分割结果确定细致实体图像,包括:对腐蚀后的粗糙实体图像进行第二上采样处理,以获得腐蚀后的上采样粗糙实体图像,其中,腐蚀后的上采样粗糙实体图像中目标所在区域的尺寸小于细分割结果中目标所在区域的尺寸;结合腐蚀后的上采样粗糙实体图像和细分割结果确定细致实体图像。
在本申请某些实施例中,基于粗分割二值图像进行空洞填充处理,以获得粗糙实体图像,包括:对粗分割二值图像进行三维连通域操作,以获得三维去噪图像;对三维去噪图像进行空洞填充处理和平滑处理,以获得平滑后的图像;对平滑后的图像进行二维连通域操作,以获得粗糙实体图像。
在本申请某些实施例中,该图像分割方法还包括:基于第三预设条件对细致实体图像进行二值化处理。
第二方面,本申请的实施例提供了一种图像分割装置,包括:粗分割模块,用于对原始三维图像进行粗分割以获得粗分割结果,其中,粗分割结果包括目标的粗糙实体图像;二值化处理模块,用于基于第一预设条件对原始三维图像进行二值化处理以获得二值化图像;第一确定模块,用于基于粗糙实体图像和二值化图像确定细分割结果。
第三方面,本申请的实施例提供了一种计算机可读存储介质,存储介质存储有计算机程序,计算机程序用于执行上述第一方面所述的图像分割方法。
第四方面,本申请的实施例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,处理器用于执行上述第一方面所述的图像分割方法。
本申请实施例提供了一种图像分割方法及装置,通过基于原始三维图像获取目标的粗糙实体图像以及二值化图像,并基于粗糙实体图像和二值化图像确定目标的细分割结果,从而能够分割出光滑、细致、精确的目标表面。
附图说明
图1所示为本申请一示例性实施例提供的图像分割系统的系统架构示意图。
图2所示为本申请一示例性实施例提供的图像分割方法的流程示意图。
图3a所示为本申请一示例性实施例提供的体表的粗糙实体图像(左)以及体表的细分割结果(右)。
图3b所示为本申请另一示例性实施例提供的体表的粗糙实体图像(左)以及体表的细分割结果(右)。
图4所示为本申请另一示例性实施例提供的图像分割方法的流程示意图。
图5所示为本申请一示例性实施例提供的图像分割方法的过程示意图。
图6所示为采用本申请一示例性实施例提供的图像分割方法分割得到的一些体表图像。
图7所示为本申请一示例性实施例提供的图像分割装置的结构示意图。
图8所示为本申请一示例性实施例提供的用于执行图像分割方法的电子设备的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
申请概述
CT(Computed Tomography),即计算机断层扫描摄影,它是利用精确准直的X线束、γ射线、超声波等,与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描,具有扫描时间快,图像清晰等特点,可用于多种疾病的检查。
CT值是CT图像中各组织与X线衰减系数相当的对应值,是测定人体某一局部组织或器官密度大小的一种计量单位,通常称亨氏单位(hounsfield unit,HU),例如,空气为-1000HU,致密骨为+1000HU。
体表分割中体表指人体的身体表面,也就是皮肤表面,体表分割就是通过对影像数据进行一定的操作,以分割出人体的体表轮廓。
在外科手术中,三维实时影像不容易获取,临床中通常通过X光快速成像得到二维图像来进行病人待检查部位的查看,其中CT影像是最为常见的影像数据之一。例如通过对CT影像数据中的二维图像的查看以确定手术位置等。这些二维图像观看较为麻烦,不能快速直观地观察到病人的整个身体结构情况,不利于手术中进行精准的操作以及空间解剖结构的识别,而将这些二维图像重建为三维图像可以给医生以一定的辅助。
当前的一些分割方法得到的分割结果较为粗糙,不能有效地展示出细致的三维图像。例如,当前的分割方法难以获得细致的体表分割结果。或者,对于某一目标来说,当前的分割方法难以获得该目标的细致的轮廓分割结果,其中,该目标可以是人体某一器官、组织或其他需要观察的部位,如肺叶。
示例性系统
图1所示为本申请一示例性实施例提供的图像分割系统的系统架构示意图。图1的系统包括图像数据获取设备110以及计算机设备120。
在一实施例中,图像数据获取设备110可以是计算机断层扫描摄影仪器,用于获取用户体表的医学图像数据,如胸片。在其他实施例中,该图像数据获取设备110可以存储有图像数据,该图像数据可以是从其他设备获取的。
计算机设备120可以是通用型计算机或者由专用的集成电路组成的计算机装置等,本申请实施例对此不做限定。例如,计算机设备120可以是平板电脑等移动终端设备,或者也可以是个人计算机(Personal Computer,PC),比如膝上型便携计算机和台式计算机等等。本领域技术人员可以知晓,上述计算机设备120的数量可以一个或多个,其类型可以相同或者不同。本申请实施例对计算机设备120数量和设备类型不加以限定。
当图1的系统用于执行本申请实施例提供的图像分割方法时,计算机设备120可以从图像数据获取设备110处获取原始三维图像,并基于该原始三维图像确定目标的细分割结果,如包含细致体表表面的细分割结果。可选地,该计算机设备120可以基于该原始三维图像确定体表的细致实体图像。即该计算机设备120可以基于该原始三维图像执行体表分割过程。
在一实施例中,图1系统中的图像数据获取设备110可以集成在计算机设备120上。
在一实施例中,图1系统中的计算机设备120可以是服务器。
示例性方法
图2所示为本申请一示例性实施例提供的图像分割方法的流程示意图。图2的方法可由计算设备,例如,由图1的计算机设备或服务器来执行。如图2所示,该图像分割方法包括如下内容。
210:对原始三维图像进行粗分割以获得粗分割结果,其中,粗分割结果包括目标的粗糙实体图像。
在原始三维图像中可以包括一个或多个物体(或者说区域),人们想要从该原始三维图像中分割出的物体可以称为目标。
原始三维图像可以是医学领域的图像数据,例如可以是通过计算机断层扫描摄影(Computed Tomography,CT)、计算机X线摄影(Computed Radiography,CR)、数字化X线摄影(Digital Radiography,DR)、核磁共振或超声等技术获得的图像数据。该图像数据可以是有关人体不同部位(如肺部、脑部等)的图像数据。当然,该原始三维图像也可以是驾驶、行人检测等领域的图像数据。即原始三维图像可以是任何需要分割出一定的目标的图像数据,本申请实施例对此不作具体限制。
为了描述上的方便,以原始三维图像为CT图像,对本申请实施例中的图像分割方法进行详细的描述,其他种类三维图像的分割方法与之类似。
在一实施例中,原始三维图像中的目标可以是肺叶。粗糙实体图像可以是有关肺叶的实体图像。具体地,肺叶的实体图像可以是指原始三维图像中肺叶表面及其内部用“1”表示,肺叶外的部分用“0”表示,从而将肺叶从原始三维图像中分割出来。当然,为了将肺叶表面及其内部,与肺叶外部这两部分分割开来,可采用其他的数值或字符对这两部分进行表示。
基于该肺叶的实体图像可以呈现实体的肺叶。在该实体图像中,肺叶的外表面可能存在粗糙、不够光滑的问题,因此该肺叶的实体图像可以称为粗糙实体图像。当然,原始三维图像中的目标可以是其他器官或组织或骨骼等人体部位。
在另一实施例中,原始三维图像中的目标可以是人体,如胸部。粗糙实体图像可以是有关人体的实体图像。具体地,人体的实体图像可以是指原始三维图像中体表表面及其内部用“1”表示,体表外的部分用“0”表示,从而将人体(包括体表)从原始三维图像中分割出来。当然,为了将体表表面及其内部,与体表外部这两部分分割开来,可采用其他的数值或字符对这两部分进行表示。
在该人体的实体图像中,体表的外表面可能存在粗糙、不够光滑的问题,因此该实体数据可以称为粗糙实体图像。
在一实施例中,粗分割可以是通过深度学习模型来实现的,例如将原始三维图像输入深度学习模型,该深度学习模型输出粗分割结果。
220:基于第一预设条件对原始三维图像进行二值化处理以获得二值化图像。
具体地,第一预设条件可以是一定的取值范围,如CT值范围,将位于该取值范围内的点(如像素点)标记为“1”,将位于该取值范围外的点(如像素点)标记为“0”,基于该预设条件对原始三维图像进行二值化处理,以获得目标的二值化图像。特别地,该CT值范围可以为某一特定CT值,CT值为该特定CT值的点标记为“1”,反之标记为“0”。
在一实施例中,该目标的二值化图像指的是目标的表面用“1”表示,目标的内部和外部均用“0”表示,或者,在一些情况下,目标的表面以及目标内部的一部分用“1”表示,目标内部的另一部分以及目标的外部用“0”表示。在其他实施例中,二值化处理也可以采用其他数值范围或字符进行表示,只要可以区分不同的区域即可,本申请实施例对此不做具体限制。
基于二值化处理得到的二值化图像噪声较多。
230:基于粗糙实体图像和二值化图像确定细分割结果。
结合粗糙实体图像和二值化图像可以确定细分割结果。
具体地,粗糙实体图像中可能会出现目标表面凹凸不平、不光滑的问题,例如目标表面出现类似“梯田”的痕迹。经过二值化处理获得的二值化图像中可能会出现噪声太多的问题,例如目标表面存在很多的点,这些点被标记为“1”,即这些点被认为是属于目标表面上的点,但是被这些点覆盖的目标表面是准确而光滑的。
在一实施例中,可以对粗糙实体图像和二值化图像取交集,以过滤目标外的噪声并去除目标表面的“梯田”痕迹,这样可以得到细分割结果。即,基于该细分割结果,可以呈现光滑、细致、精确的目标表面。
在其他实施例中,也可以采用其他的算法,基于粗糙实体图像和二值化图像获取细分割结果。
本申请实施例提供了一种图像分割方法,通过基于原始三维图像获取目标的粗糙实体图像以及二值化图像,并基于粗糙实体图像以及二值化图像确定目标的细分割结果,从而能够分割出光滑、细致、精确的目标表面。
根据本申请一实施例,该图像分割方法用于体表分割,目标包括人体。
在本实施例中,粗糙实体图像(可称为经粗分割获得的实体图像)如图3a左侧以及图3b左侧的图所示,细分割结果(可称为经细分割获得的图像,即细分割图像)如图3a右侧以及图3b右侧的图所示。粗糙实体图像也可以称为粗分割实体mask,细分割结果也可以称为细分割mask(不是实体mask)。对于实体mask来说,体表表面及体表以内的部分标记为“1”,体表以外的部分标记为“0”。在一些情况下,可以只显示标记值“0”和“1”过渡的部分。换句话说,由于体表位于标记值“0”和“1”过渡的地方,因此,在显示时可以只将体表显示出来。对比图3a左右侧的图或图3b左右侧的图,可以看出粗分割实体mask表面存在凹凸不平的现象,如存在类似“梯田”的痕迹。而细分割图像的表面比较光滑,消除了粗分割实体mask表面凹凸不平的现象。
具体地,二值化图像对应的mask也不是实体mask。粗分割实体mask表面存在凹凸不平的问题,而二值化图像的表面存在噪声大的问题。结合该粗分割实体mask和该二值化图像,相互补充,可以获得细分割mask。
根据本申请一实施例,基于粗糙实体图像和二值化图像确定细分割结果(图2中230),包括:利用与操作,基于粗糙实体图像和二值化图像,确定细分割结果。
具体地,与操作可以表示为AND操作,即对粗糙实体图像和二值化图像取交集。
例如,在粗糙实体图像中,体表表面(表面可能不光滑)及其内部用“1”表示,体表外的部分用“0”表示。在二值化图像中,体表表面用“1”表示,体表的内部和外部均用“0”表示,不过这里说的体表的外部不包括体表表面附近的部分,即体表表面附件存在一些噪声,这些噪声也是用“1”表示。这样在对这两个图像进行AND操作时,两个图像中标记均为“1”的点取值为“1”,两个图像中至少一个标记为“0”的点取值为“0”,从而可以使得这两个图像相互弥补,以获得噪声小、表面光滑的细分割结果,即起到绘制体表细节的作用。
根据本申请一实施例,对原始三维图像进行粗分割以获得粗分割结果(图2中210),包括:基于第二预设条件对原始三维图像进行二值化处理以获得粗分割二值图像;基于粗分割二值图像进行空洞填充处理,以获得粗糙实体图像。
具体地,与第一预设条件类似,第二预设条件也可以指一定的CT值范围。例如,第一预设条件对应的CT阈值为-600HU,大于-600HU的点标记为“1”,反之标记为“0”;第二预设条件对应的CT值范围为(-200,200],位于该范围(即CT值大于-200HU且小于或等于200HU)内的点标记为“1”,位于该范围外的点标记为“0”。通过二值化处理可以实现对原始三维图像的初步分割。
第二预设条件对应的临界CT值(-200)比第一预设条件对应的临界CT值(-600)大,且范围窄,这可以去除粗糙实体图像中体表轮廓外较多的杂质(噪声)。因为第一预设条件对应的CT范围较大,基于其获得的二值化图像中可能包含患者的衣服之类的噪声,这些噪声会被标记为“1”分布在体表轮廓外。本实施例中基于范围较窄的CT值可以获得噪声较小的粗糙实体图像。
在一实施例中,初步分割得到的粗分割二值图像中仍会存在一些不是体表表面或其内部的点被错认为是体表表面或其内部的点而被标记为“1”,即出现假阳现象,这会影响所要获取的细分割结果的精确度,因此需要对粗分割二值图像进行去除体表外假阳处理。利用去除体表外假阳处理,可以对粗分割二值图像进行过滤、去除噪声,获得分割较为准确的粗糙实体图像,进而可以获得分割较为准确、表面较为光滑的细分割结果。
在基于第二预设条件去除粗分割二值图像中的体表外的一些噪声时,体表内会出现一些空洞,例如有些CT值较低的器官或组织被过滤掉(即被标记为“0”),因此为了获得粗糙实体图像,可以对粗分割二值图像进行空洞填充处理,如二维填洞操作或三维填洞操作等。在一些情况下,经过空洞填充处理的粗糙实体图像中的体表轮廓会略大于真实的体表轮廓。
可选地,对原始三维图像进行粗分割以获得粗分割结果(图2中210),包括:对原始三维图像进行第一下采样处理以获得下采样后的三维图像;基于第二预设条件对下采样后的三维图像进行二值化处理以获得粗分割二值图像;基于粗分割二值图像进行空洞填充处理,以获得粗糙实体图像。
在本实施例中,在进行二值化处理之前,可以先对原始三维图像进行下采样操作,以获得尺寸小于原始三维图像的下采样后的三维图像,然后可以对下采样后的三维图像进行二值化处理以及空洞填充处理,以获得粗糙实体图像。这样,通过先进行下采样操作,可以减小后续处理过程的计算量、提高运算速度。这里,下采样后的三维图像的尺寸可以是原始三维图像的1/2,1/3,1/4,或其他合适的值。下采样可以采用simpleITK的ResampleImage Filter方法,具体地,可以选择处理速度快的最邻近算法。当然,下采样也可以采用其他合适的算法。
在本实施例中,基于下采样获得粗糙实体图像,可以缩短整个图像分割过程的运算时间。而且,对二值化图像以及基于下采样获得粗糙实体图像进行与操作,可以在缩短运算时间的同时获得光滑、细致、精确的目标表面,即可以同时实现处理时间与处理效果的优化。例如,当采用其他分割方法获取目标表面时,可能需要较长的时间,这样医生可能失去耐心;而采用本申请实施例提供的图像分割方法获取目标表面,可以在极短时间内分割出光滑、细致、精确的目标表面。如,采用本申请实施例提供的图像分割方法处理300张dcm格式的CT序列,运算时间约为3秒,能够快速达到及时呈现分割效果的目的,给医生带去帮助。
进一步地,在一实施例中,利用与操作,基于粗糙实体图像和二值化图像,确定细分割结果,包括:对粗糙实体图像进行第一上采样处理,以获得上采样后的粗糙实体图像;对上采样后的粗糙实体图像和二值化图像进行与操作,以获得细分割结果。
这里二值化图像对应的图像尺寸与原始三维图像的尺寸一致。而粗糙实体图像由于是对原始三维图像进行下采样处理后获得的,其对应的图像尺寸小于原始三维图像的尺寸。为了便于执行AND操作,需要对粗糙实体图像进行上采样,使得上采样后的粗糙实体图像对应的图像尺寸与原始三维图像的尺寸一致。
上采样是相对于下采样操作的,其可以采用simpleITK的Resample Image Filter方法,具体地,可以选择处理速度快的最邻近算法。当然,上采样也可以采用其他合适的算法。
在本实施例中,经过下采样可以显著提高整个图像分割过程的计算效率、缩短计算时间,有利于图像的快速呈现。虽然粗分割结果准确度低(体表表面不光滑),但是通过AND操作可以对粗分割结果进行修正,获得准确度高的细分割结果。
根据本申请一实施例,该图像分割方法还包括:基于粗糙实体图像和细分割结果确定细致实体图像。
具体地,在获得细分割结果(细分割mask)的基础上,可以基于粗糙实体图像(粗分割实体mask)和细分割结果(细分割mask)确定细致实体图像(细致实体mask)。基于该细致实体mask呈现的体表,可以帮助医生快速定位手术位置,避免体表的内部信息对医生的判断造成干扰,且细致实体mask看上去更美观。
根据本申请一实施例,基于粗糙实体图像和细分割结果确定细致实体图像,包括:对粗糙实体图像进行图像腐蚀处理,以获得腐蚀后的粗糙实体图像;基于腐蚀后的粗糙实体图像和细分割结果确定细致实体图像。
通过图像腐蚀处理可以进一步消除粗分割结果中的部分体表表面假阳,提高粗分割结果的准确度。结合细分割结果和准确度高的粗分割结果(腐蚀后的粗糙实体图像),可以获得准确度高的细致实体图像。
进一步地,通过图像腐蚀处理还可以缩小粗糙实体图像中目标区域的尺寸。例如,对没有经过下采样处理的粗糙实体图像进行图像腐蚀处理,获得的粗糙实体图像中目标区域(如人体对应的区域)的尺寸微小于原始三维图像中目标区域的尺寸。即,目标表面附近一些原本被标记为“1”的点被标记为“0”。
结合经图像腐蚀处理的粗分割实体mask与细分割mask,可以确定细致实体mask。
在一实施例中,可以通过叠加的方式(如ADD操作)结合腐蚀后的粗糙实体图像和细分割结果。即,可以将细分割mask套在腐蚀后的粗分割实体mask外面,从而获得细致实体mask。这里,图像腐蚀处理过程的参数可以根据实际需要进行设定,以便获得无缝连接的细致实体mask,避免粗分割实体mask中目标的尺寸过小、与细致实体mask不能很好匹配的问题(即细致实体mask中目标内部出现标记为“0”的像素点)。
在其他实施例中,可以通过其他算法或方式结合腐蚀后的粗糙实体图像和细分割结果以确定细致实体图像,本申请实施例对此不做限制。
在一实施例中,图像腐蚀处理可以采用simpleITK的LabelSetErode函数。在其他实施例中,图像腐蚀处理可以采用其他函数或算法,可以实现缩小图像尺寸以及去假阳的目的即可。
根据本申请一实施例,粗糙实体图像是原始三维图像经过第二下采样处理获得的,其中,基于腐蚀后的粗糙实体图像和细分割结果确定细致实体图像,包括:对腐蚀后的粗糙实体图像进行第二上采样处理,以获得腐蚀后的上采样粗糙实体图像,其中,腐蚀后的上采样粗糙实体图像中目标所在区域的尺寸小于细分割结果中目标所在区域的尺寸;结合腐蚀后的上采样粗糙实体图像和细分割结果确定细致实体图像。
这里,第二下采样处理与上述实施例中的第一下采样处理可以是同一处理过程。
在本实施例中,对经过下采样处理的粗糙实体图像进行图像腐蚀处理,腐蚀后的粗糙实体图像的尺寸与腐蚀前的粗糙实体图像的尺寸一致,但是腐蚀后的粗糙实体图像中目标区域的尺寸微小于腐蚀前的粗糙实体图像中目标区域的尺寸。
为了方便后续结合腐蚀后的粗糙实体图像和细分割图像,可以对腐蚀后的粗糙实体图像进行上采样处理,以获得尺寸与原始三维图像一致,但目标区域的尺寸微小于细分割mask中目标区域的尺寸的粗分割实体mask(即腐蚀后的上采样粗糙实体图像)。
进一步地,通过ADD操作可以结合经图像腐蚀处理的粗分割实体mask与细分割mask确定细致实体mask。
在本实施例中,通过结合下采样处理来获取粗分割结果,可以提高整个图像分割过程的计算效率,缩短计算时间。此外,通过结合粗分割获得的粗糙实体图像和二值化处理获得的二值化图像,确定细分割结果,进而基于细分割结果和粗糙实体图像确定细致实体图像,可以实现对表面光滑、准确度高的三维体表图像的获取。
根据本申请一实施例,去除体表外假阳处理包括三维连通域操作和/或二维连通域操作。
在对原始三维图像进行粗分割时,去除体表外假阳处理可以采用三维连通域(3D连通域)操作和/或二维连通域(2D连通域)操作。3D连通域操作可以将粗分割二值图像中连接在一起的3D最大区域保留下来,删除较小的连通域,3D连通域可以去除较多的体表外假阳。2D连通域操作可以将粗分割二值图像(三维图像)中每个二维切片中连接在一起的2D最大区域保留下来,删除较小的连通域。
在一实施例中,可以先对粗分割二值图像进行3D连通域操作以去除大部分体表外假阳,然后对3D连通域操作后的图像进行2D连通域操作,这样在3D连通域操作时被误认为属于3D最大区域的小的连通域,可以通过2D连通域操作去除,以提高粗分割结果的准确度。
根据本申请一实施例,基于粗分割二值图像进行空洞填充处理,以获得粗糙实体图像,包括:对粗分割二值图像进行三维连通域操作,以获得三维去噪图像;对三维去噪图像进行空洞填充处理和平滑处理,以获得平滑后的图像;对平滑后的图像进行二维连通域操作,以获得粗糙实体图像。
在本实施例中,三维连通域操作可以去除体表外假阳,相当于去噪处理。通过三维连通域操作获得的三维去噪图像中可能会存在空洞,这些空洞可能是二值化处理过程导致的,例如,体内的肺、支气管等器官的CT值较小,其在二值化处理时可能会被标记为“0”,从而形成空洞。
在一实施例中,可以通过二维填洞操作和/或三维填洞操作来填充这些空洞,以获得完整的粗分割实体mask。例如,可以采用scipy库的binary fill holes算法来实现空洞填充。进一步地,在空洞填充后,可以对图像进行平滑处理,以减弱二值图像的粗糙度。该平滑处理例如可以采用opencv的blur函数。具体地,可以对空洞填充后的图像进行二维层面的平滑处理,平滑处理后得到的图像中体表的表面会出现一些“梯田”的痕迹。本实施例中粗糙实体图像中的体表轮廓会略大于真实的体表轮廓(可能是由下采样、二值化处理、三维连通域操作、空洞填充和平滑处理、以及二维连通域操作中任一个或多个过程引起的)。
在其他实施例中,空洞填充可以采用其他算法来实现,只要可以实现空洞填充即可;类似地,平滑处理也可以采用其他算法来实现,只要可以降低图像的粗糙度即可。本申请实施例对空洞填充以及平滑处理的具体算法不做限制。
在平滑处理后,可以对平滑后的图像进行二维连通域操作,以进一步去除体表外假阳。例如,二维连通域操作具体可以为:统计平滑后的图像中每个二维切片上的所有连通域,对每个连通域求面积,确定面积最大的连通域;以最大连通域面积的20%作为阈值,对所有连通域进行遍历,删除小于阈值的连通域,保留大于或等于阈值的连通域,以达到去除体表外假阳的目的。这里,阈值也可以取30%、40%或其他合适的值,本申请实施例对此不做限制。
根据本申请一实施例,该图像分割方法还包括:基于第三预设条件对细致实体图像进行二值化处理。
具体地,在对粗分割实体mask(各个点用“0”或“1”标记)和细分割mask(各个点用“0”或“1”标记)进行ADD操作获得细致实体mask后,该细致实体mask中可能会存在“0”、“1”和“2”三种值。为了将其变为二值图像,可以对该细致实体mask进行二值化处理,这里第三预设条件为:大于0的值修改为1,等于0的值继续保持为0。
进一步地,可以对二值化处理后的细致实体mask进行平滑处理,以得到表面更加平滑的体表图像。该平滑处理可以采用opencv的blur函数或其他算法来实现。
图4所示为本申请另一示例性实施例提供的图像分割方法的流程示意图。图4是图2实施例的例子,为避免重复,有些处理或操作的具体过程此处不再赘述。如图4所示,该方法包括如下内容。
410:对原始三维图像进行下采样处理以获得下采样后的三维图像。
具体地,原始三维图像可以是原始CT图像,如可以是医学数字成像和通信(Digital Imaging and Communications in Medicine,DICOM)图像。
420:基于第二预设条件对下采样后的三维图像进行二值化处理以获得粗分割二值图像。
第二预设条件可以是指CT值范围为(-200,200],位于该范围内的点标记为“1”,位于该范围外的点标记为“0”。基于该第二预设条件进行下采样获得的粗分割二值图像,能够更好地适用体表分割,得到比较好的体表分割结果。
430:对粗分割二值图像进行三维连通域操作、空洞填充和平滑处理、以及二维连通域操作,以获得体表的粗糙实体图像。
三维连通域操作、空洞填充和平滑处理、以及二维连通域操作的具体过程可以参见上述实施例中的描述,此处不再赘述。
410-430的过程可以称为粗分割,如图5所示,粗分割包括下采样、二值化处理、三维连通域操作、空洞填充和平滑处理、以及二维连通域操作这五个过程。
粗分割获得的粗分割实体mask(粗糙实体图像)中体表表面比较粗糙、准确度低。
440:基于第一预设条件对原始三维图像进行二值化处理以获得体表的二值化图像。
与粗分割中的二值化处理不同,这里是直接对原始三维图像进行二值化处理,可以获取更细致的信息。在本实施例中,第一预设条件可以是指CT阈值为-600HU,大于-600HU的点标记为“1”,反之标记为“0”。基于第一预设条件可以获取准确且光滑的体表表面,但该体表表面外有很多的噪声。与粗分割相比,440中没有采用额外的三维连通域操作、空洞填充和平滑处理、以及二维连通域操作,因此获得的二值化图像在保留更多信息的同时,噪音也很多。
450:对粗糙实体图像进行上采样处理,以获得上采样后的粗糙实体图像。
460:对上采样后的粗糙实体图像和二值化图像进行AND操作,以获得细分割结果。
上采样后的粗糙实体图像中体表通常会呈现略大于真实体表的现象,在将其与二值化图像进行与操作(AND操作)后,可以去除体表表面假阳。即相当于利用二值化图像对上采样后的粗糙实体图像进行修正,以获得细分割图像。
440-460的过程可以称为细分割,如图5所示,细分割包括二值化处理、上采样、以及AND操作这三个过程。细分割可以去除粗分割后体表的表面假阳,获取体表细节信息。此外,细分割中对原始三维图像进行二值化处理时,体表内部有些器官如肺、支气管其内部CT值较小,因此被标记为“0”,而体表与这些器官之间的部分被标记为“1”,由于这些器官的轮廓位于“0”和“1”过渡的地方,因此被显示出来,即二值化图像不是实体的。这样在进行AND操作后得到的细分割图像也不是实体mask,如图3a右侧的图所示。
470:对粗糙实体图像进行图像腐蚀处理,以获得腐蚀后的粗糙实体图像。
480:对腐蚀后的粗糙实体图像进行上采样处理,以获得腐蚀后的上采样粗糙实体图像。
图像腐蚀处理、以及上采样处理的具体过程可以参见上述实施例中的描述,此处不再赘述。
490:对腐蚀后的上采样粗糙实体图像和细分割结果进行ADD操作以确定细致实体图像。
ADD操作可以看成将腐蚀后的上采样粗糙实体图像和细分割结果进行相加,即求两者的并集。腐蚀后的上采样粗糙实体图像中体表的内部由标记为“1”的实体填充,其体表轮廓略小于细分割结果中的体表轮廓。在细分割结果中,由于体表内部有肺叶等低CT值的器官或组织存在,使得其内部存在较多标记为“0”的区域,但是由于细分割结果中体表轮廓略大于腐蚀后的上采样粗糙实体图像中体表轮廓,所以在ADD操作中,既保留了细分割结果中的细致体表表面,又对该细致体表表面内部进行了填充,得到体表表面较为细致的三维实体。
470-490的过程可以称为体表提取,如图5所示,体表提取包括图像腐蚀处理、上采样、ADD操作这三个过程。
进一步地,在ADD操作之后,可以对细致实体图像进行二值化处理以及平滑处理,这两个处理的具体过程可以参见上述实施例中的描述,此处不再赘述。如图5所示,体表提取可进一步包括二值化处理以及平滑处理这两个过程。体表提取的主要作用是去除细分割后的体表内部的假阳(如肺叶、支气管等)。采用本申请实施例提供的图像分割方法分割得到的一些体表图像如图6所示,可以看出,体表表面较为光滑、清晰。
示例性装置
图7所示为本申请一示例性实施例提供的图像分割装置700的结构示意图。如图7所示,装置700包括:粗分割模块710、二值化处理模块720以及第一确定模块730。
粗分割模块710用于对原始三维图像进行粗分割以获得粗分割结果,其中,粗分割结果包括目标的粗糙实体图像。二值化处理模块720用于基于第一预设条件对原始三维图像进行二值化处理以获得二值化图像。第一确定模块730用于基于粗糙实体图像和二值化图像确定细分割结果。
本申请实施例提供了一种图像分割装置,通过基于原始三维图像获取目标的粗糙实体图像以及二值化图像,并基于粗糙实体图像和二值化图像确定目标的细分割结果,从而能够分割出光滑、细致、精确的目标表面。
根据本申请一实施例,图像分割方法用于体表分割,目标包括人体。
根据本申请一实施例,第一确定模块730用于利用与操作,基于粗糙实体图像和二值化图像,确定细分割结果。
根据本申请一实施例,粗分割模块710用于:基于第二预设条件对原始三维图像进行二值化处理以获得粗分割二值图像;基于粗分割二值图像进行空洞填充处理,以获得粗糙实体图像。
根据本申请一实施例,粗分割模块710用于:对原始三维图像进行第一下采样处理以获得下采样后的三维图像;基于第二预设条件对下采样后的三维图像进行二值化处理以获得粗分割二值图像;基于粗分割二值图像进行空洞填充处理,以获得粗糙实体图像。
根据本申请一实施例,第一确定模块730用于对粗糙实体图像进行第一上采样处理,以获得上采样后的粗糙实体图像;对上采样后的粗糙实体图像和二值化图像进行与操作,以获得细分割结果。
根据本申请一实施例,该装置700还包括:第二确定模块740用于基于粗糙实体图像和细分割结果确定细致实体图像。
根据本申请一实施例,第二确定模块740用于:对粗糙实体图像进行图像腐蚀处理,以获得腐蚀后的粗糙实体图像;基于腐蚀后的粗糙实体图像和细分割结果确定细致实体图像。
根据本申请一实施例,粗糙实体图像是原始三维图像经过第二下采样处理获得的,其中,第二确定模块740用于:对腐蚀后的粗糙实体图像进行第二上采样处理,以获得腐蚀后的上采样粗糙实体图像,其中,腐蚀后的上采样粗糙实体图像中目标所在区域的尺寸小于细分割结果中目标所在区域的尺寸;结合腐蚀后的上采样粗糙实体图像和细分割结果确定细致实体图像。
根据本申请一实施例,粗分割模块710用于:对粗分割二值图像进行三维连通域操作,以获得三维去噪图像;对三维去噪图像进行空洞填充处理和平滑处理,以获得平滑后的图像;对平滑后的图像进行二维连通域操作,以获得粗糙实体图像。
根据本申请一实施例,二值化处理模块720还用于:基于第三预设条件对细致实体图像进行二值化处理。
应当理解,上述实施例中的粗分割模块710、二值化处理模块720、第一确定模块730以及第二确定模块740的操作和功能可以参考上述图2和图4实施例中提供的图像分割方法中的描述,为了避免重复,在此不再赘述。
图8所示为本申请一示例性实施例提供的用于执行图像分割方法的电子设备800的框图。
参照图8,电子设备800包括处理组件810,其进一步包括一个或多个处理器,以及由存储器820所代表的存储器资源,用于存储可由处理组件810的执行的指令,例如应用程序。存储器820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810被配置为执行指令,以执行上述图像分割方法。
电子设备800还可以包括一个电源组件被配置为执行电子设备800的电源管理,一个有线或无线网络接口被配置为将电子设备800连接到网络,和一个输入输出(I/O)接口。可以基于存储在存储器820的操作系统操作电子设备800,例如Windows ServerTM,Mac OSXTM,UnixTM,LinuxTM,FreeBSDTM或类似。
一种非临时性计算机可读存储介质,当存储介质中的指令由上述电子设备800的处理器执行时,使得上述电子设备800能够执行一种图像分割方法,包括:对原始三维图像进行粗分割以获得粗分割结果,其中,粗分割结果包括目标的粗糙实体图像;基于第一预设条件对原始三维图像进行二值化处理以获得二值化图像;基于粗糙实体图像和二值化图像确定细分割结果。
上述所有可选技术方案,可采用任意结合形成本申请的可选实施例,在此不再一一赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序校验码的介质。
需要说明的是,在本申请的描述中,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换等,均应包含在本申请的保护范围之内。
Claims (14)
1.一种图像分割方法,其特征在于,包括:
对原始三维图像进行粗分割以获得粗分割结果,其中,所述粗分割结果包括目标的粗糙实体图像;
基于第一预设条件对所述原始三维图像进行二值化处理以获得二值化图像;
基于所述粗糙实体图像和所述二值化图像确定细分割结果。
2.根据权利要求1所述的图像分割方法,其特征在于,所述图像分割方法用于体表分割,所述目标包括人体。
3.根据权利要求2所述的图像分割方法,其特征在于,所述基于所述粗糙实体图像和所述二值化图像确定细分割结果,包括:
利用与操作,基于所述粗糙实体图像和所述二值化图像,确定所述细分割结果。
4.根据权利要求3所述的图像分割方法,其特征在于,所述对原始三维图像进行粗分割以获得粗分割结果,包括:
基于第二预设条件对所述原始三维图像进行二值化处理以获得粗分割二值图像;
基于所述粗分割二值图像进行空洞填充处理,以获得所述粗糙实体图像。
5.根据权利要求3所述的图像分割方法,其特征在于,所述对原始三维图像进行粗分割以获得粗分割结果,包括:
对所述原始三维图像进行第一下采样处理以获得下采样后的三维图像;
基于第二预设条件对所述下采样后的三维图像进行二值化处理以获得粗分割二值图像;
基于所述粗分割二值图像进行空洞填充处理,以获得所述粗糙实体图像。
6.根据权利要求5所述的图像分割方法,其特征在于,所述利用与操作,基于所述粗糙实体图像和所述二值化图像,确定所述细分割结果,包括:
对所述粗糙实体图像进行第一上采样处理,以获得上采样后的粗糙实体图像;
对所述上采样后的粗糙实体图像和所述二值化图像进行所述与操作,以获得所述细分割结果。
7.根据权利要求2至6中任一项所述的图像分割方法,其特征在于,还包括:
基于所述粗糙实体图像和所述细分割结果确定细致实体图像。
8.根据权利要求7所述的图像分割方法,其特征在于,所述基于所述粗糙实体图像和所述细分割结果确定细致实体图像,包括:
对所述粗糙实体图像进行图像腐蚀处理,以获得腐蚀后的粗糙实体图像;
基于所述腐蚀后的粗糙实体图像和所述细分割结果确定所述细致实体图像。
9.根据权利要求8所述的图像分割方法,其特征在于,所述粗糙实体图像是所述原始三维图像经过第二下采样处理获得的,其中,
所述基于所述腐蚀后的粗糙实体图像和所述细分割结果确定所述细致实体图像,包括:
对所述腐蚀后的粗糙实体图像进行第二上采样处理,以获得腐蚀后的上采样粗糙实体图像,其中,所述腐蚀后的上采样粗糙实体图像中所述目标所在区域的尺寸小于所述细分割结果中所述目标所在区域的尺寸;
结合所述腐蚀后的上采样粗糙实体图像和所述细分割结果确定所述细致实体图像。
10.根据权利要求4或5所述的图像分割方法,其特征在于,所述基于所述粗分割二值图像进行空洞填充处理,以获得所述粗糙实体图像,包括:
对所述粗分割二值图像进行三维连通域操作,以获得三维去噪图像;
对所述三维去噪图像进行所述空洞填充处理和平滑处理,以获得平滑后的图像;
对所述平滑后的图像进行二维连通域操作,以获得所述粗糙实体图像。
11.根据权利要求7所述的图像分割方法,其特征在于,还包括:
基于第三预设条件对所述细致实体图像进行二值化处理。
12.一种图像分割装置,其特征在于,包括:
粗分割模块,用于对原始三维图像进行粗分割以获得粗分割结果,其中,所述粗分割结果包括目标的粗糙实体图像;
二值化处理模块,用于基于第一预设条件对所述原始三维图像进行二值化处理以获得二值化图像;
第一确定模块,用于基于所述粗糙实体图像和所述二值化图像确定细分割结果。
13.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1至11中任一项所述的图像分割方法。
14.一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器,
其中,所述处理器用于执行上述权利要求1至11中任一项所述的图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010996314.7A CN112116623B (zh) | 2020-09-21 | 2020-09-21 | 图像分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010996314.7A CN112116623B (zh) | 2020-09-21 | 2020-09-21 | 图像分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112116623A true CN112116623A (zh) | 2020-12-22 |
CN112116623B CN112116623B (zh) | 2021-04-23 |
Family
ID=73800479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010996314.7A Active CN112116623B (zh) | 2020-09-21 | 2020-09-21 | 图像分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112116623B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115482231A (zh) * | 2022-09-27 | 2022-12-16 | 推想医疗科技股份有限公司 | 图像分割方法、装置、存储介质和电子设备 |
CN116993629A (zh) * | 2023-09-27 | 2023-11-03 | 福建晟哲自动化科技有限公司 | 基于图像分解的平滑方法、装置、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005029410A1 (en) * | 2003-09-17 | 2005-03-31 | Siemens Corporate Research, Inc. | Method and system for ground glass nodule (ggn) segmentation with shape analysis |
CN103544712A (zh) * | 2013-11-12 | 2014-01-29 | 中国科学院自动化研究所 | 一种利用先验知识的人类外侧膝状体自动分割方法 |
CN109816672A (zh) * | 2019-02-25 | 2019-05-28 | 数坤(北京)网络科技有限公司 | 一种针对头颈体骨的图像分割获取方法及装置 |
US10357218B2 (en) * | 2016-06-30 | 2019-07-23 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for extracting blood vessel |
US10395343B2 (en) * | 2014-11-20 | 2019-08-27 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method and device for the real-time adaptive filtering of noisy depth or disparity images |
CN110490880A (zh) * | 2019-08-16 | 2019-11-22 | 重庆邮电大学 | 一种基于局部视觉线索的髋关节x光图像分割方法及系统 |
CN110766713A (zh) * | 2019-10-30 | 2020-02-07 | 上海微创医疗器械(集团)有限公司 | 肺部图像分割方法、装置和肺部病变区域识别设备 |
CN110956635A (zh) * | 2019-11-15 | 2020-04-03 | 上海联影智能医疗科技有限公司 | 一种肺段分割方法、装置、设备及存储介质 |
CN110992376A (zh) * | 2019-11-28 | 2020-04-10 | 北京推想科技有限公司 | 基于ct图像的肋骨分割方法、装置、介质及电子设备 |
US20200126229A1 (en) * | 2013-10-24 | 2020-04-23 | Cathworks Ltd | Vascular characteristic determination with correspondence modeling of a vascular tree |
CN111340773A (zh) * | 2020-02-24 | 2020-06-26 | 齐鲁工业大学 | 一种视网膜图像血管分割方法 |
-
2020
- 2020-09-21 CN CN202010996314.7A patent/CN112116623B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005029410A1 (en) * | 2003-09-17 | 2005-03-31 | Siemens Corporate Research, Inc. | Method and system for ground glass nodule (ggn) segmentation with shape analysis |
US20200126229A1 (en) * | 2013-10-24 | 2020-04-23 | Cathworks Ltd | Vascular characteristic determination with correspondence modeling of a vascular tree |
CN103544712A (zh) * | 2013-11-12 | 2014-01-29 | 中国科学院自动化研究所 | 一种利用先验知识的人类外侧膝状体自动分割方法 |
US10395343B2 (en) * | 2014-11-20 | 2019-08-27 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method and device for the real-time adaptive filtering of noisy depth or disparity images |
US10357218B2 (en) * | 2016-06-30 | 2019-07-23 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for extracting blood vessel |
CN109816672A (zh) * | 2019-02-25 | 2019-05-28 | 数坤(北京)网络科技有限公司 | 一种针对头颈体骨的图像分割获取方法及装置 |
CN110490880A (zh) * | 2019-08-16 | 2019-11-22 | 重庆邮电大学 | 一种基于局部视觉线索的髋关节x光图像分割方法及系统 |
CN110766713A (zh) * | 2019-10-30 | 2020-02-07 | 上海微创医疗器械(集团)有限公司 | 肺部图像分割方法、装置和肺部病变区域识别设备 |
CN110956635A (zh) * | 2019-11-15 | 2020-04-03 | 上海联影智能医疗科技有限公司 | 一种肺段分割方法、装置、设备及存储介质 |
CN110992376A (zh) * | 2019-11-28 | 2020-04-10 | 北京推想科技有限公司 | 基于ct图像的肋骨分割方法、装置、介质及电子设备 |
CN111340773A (zh) * | 2020-02-24 | 2020-06-26 | 齐鲁工业大学 | 一种视网膜图像血管分割方法 |
Non-Patent Citations (2)
Title |
---|
ZIYA TELATAR,ET.AL: "《automatic segmentation of anatomical structures from CT scans of thorax for RTP》", 《COMPUTATIONAL AND MATHEMATICAL METHOD IN MEDICINE》 * |
张金: "《基于深度学习的肺结节识别与检测研究》", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115482231A (zh) * | 2022-09-27 | 2022-12-16 | 推想医疗科技股份有限公司 | 图像分割方法、装置、存储介质和电子设备 |
CN115482231B (zh) * | 2022-09-27 | 2023-08-29 | 推想医疗科技股份有限公司 | 图像分割方法、装置、存储介质和电子设备 |
CN116993629A (zh) * | 2023-09-27 | 2023-11-03 | 福建晟哲自动化科技有限公司 | 基于图像分解的平滑方法、装置、电子设备及存储介质 |
CN116993629B (zh) * | 2023-09-27 | 2023-12-19 | 福建晟哲自动化科技有限公司 | 基于图像分解的平滑方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112116623B (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107622492B (zh) | 肺裂分割方法及系统 | |
Dubey et al. | Evaluation of three methods for MRI brain tumor segmentation | |
CN108475428B (zh) | 心脏模型引导的冠状动脉分割的系统及方法 | |
CN107563998B (zh) | 医学图像中心脏图像处理方法 | |
US20090074276A1 (en) | Voxel Matching Technique for Removal of Artifacts in Medical Subtraction Images | |
US20040252870A1 (en) | System and method for three-dimensional image rendering and analysis | |
CN106709920B (zh) | 血管提取方法及其装置 | |
CN112116623B (zh) | 图像分割方法及装置 | |
CN111524200B (zh) | 在投影图像中分割金属对象的方法、设备和介质 | |
CN113066061A (zh) | 一种基于mra的动脉瘤检测方法、系统、终端及介质 | |
JP6458166B2 (ja) | 医用画像処理方法及び装置及びシステム及びプログラム | |
Arakeri et al. | An effective and efficient approach to 3D reconstruction and quantification of brain tumor on magnetic resonance images | |
CN115861656A (zh) | 用于自动处理医学图像以输出警报的方法、设备和系统 | |
Mirajkar et al. | Acute ischemic stroke detection using wavelet based fusion of CT and MRI images | |
US20050002548A1 (en) | Automatic detection of growing nodules | |
Jamil et al. | Adaptive thresholding technique for segmentation and juxtapleural nodules inclusion in lung segments | |
CN115147360B (zh) | 一种斑块分割方法、装置、电子设备及可读存储介质 | |
Myint et al. | Effective kidney segmentation using gradient based approach in abdominal CT images | |
Dong et al. | Local-global active contour model based on tensor-based representation for 3D ultrasound vessel segmentation | |
JP6275157B2 (ja) | 画像データに基づく組織表面ラフネスの定量化、及びそれに基づく疾患の存在の決定 | |
Noviana et al. | Axial segmentation of lungs CT scan images using canny method and morphological operation | |
CN114708283A (zh) | 图像目标的分割方法、装置、电子设备及存储介质 | |
CN113706541A (zh) | 一种图像处理方法及装置 | |
AU2019204372B1 (en) | Method and System for Selecting a Region of Interest in an Image | |
Gong et al. | Segmentation of pulmonary blood vessels based on fractional differentiation in 3D chest CT images |
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 |