CN112132837A - 一种胸部骨骼自动提取方法、系统、电子设备及存储介质 - Google Patents
一种胸部骨骼自动提取方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112132837A CN112132837A CN202010836588.XA CN202010836588A CN112132837A CN 112132837 A CN112132837 A CN 112132837A CN 202010836588 A CN202010836588 A CN 202010836588A CN 112132837 A CN112132837 A CN 112132837A
- Authority
- CN
- China
- Prior art keywords
- data
- region
- image
- box
- spine
- 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
Links
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 92
- 238000000605 extraction Methods 0.000 title claims abstract description 58
- 230000011218 segmentation Effects 0.000 claims abstract description 78
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 37
- 210000000115 thoracic cavity Anatomy 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 31
- 210000000038 chest Anatomy 0.000 claims abstract description 19
- 210000001562 sternum Anatomy 0.000 claims abstract description 18
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 9
- 241000483399 Ipimorpha retusa Species 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 14
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 230000003993 interaction Effects 0.000 abstract description 4
- 238000002591 computed tomography Methods 0.000 description 31
- 238000010968 computed tomography angiography Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011282 treatment Methods 0.000 description 5
- 210000000746 body region Anatomy 0.000 description 4
- 230000002792 vascular Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000036285 pathological change Effects 0.000 description 3
- 231100000915 pathological change Toxicity 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 210000002376 aorta thoracic Anatomy 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 210000001185 bone marrow Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000001147 pulmonary artery Anatomy 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 208000019553 vascular disease Diseases 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
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G06T7/136—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
- G06T7/187—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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
-
- 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
- G06T2207/30012—Spine; Backbone
Abstract
本发明公开了一种胸部骨骼自动提取方法、系统、电子设备及存储介质，属于图像处理技术领域；其方法包括对图像数据执行预处理操作得到预处理数据；基于所述预处理数据对胸部骨骼进行初步分割获得结果数据；定位初始脊椎区域；利用所述初始脊椎区域对所述初步分割获得结果数据进行精确分割。由于上述过程可知本申请能够完全无交互地自动提取出胸部骨骼区域，节约用户手动删除骨骼的时间，且在提取胸部骨骼过程中，解决了脊椎骨提取不准确问题，针对欠分割、过分割做了精细化处理；避免了过分割造成血管数据缺失，对用户阅片、诊断带来的较大影响。提取过程无需用户进行任何操作，节省了人工成本和时间成本，且避免了主观因素对提取结果的影响。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种胸部骨骼自动提取方法、系统、电子设备及存储介质。
背景技术
三维图像重建利用了CT设备所产生的医学图像提供了一种多角度、多视角、可量化的三维人体解剖结构，在病情诊断及模拟成像等方面有着巨大的应用。在三维重建的过程中，医学图像分割是进一步处理和显示的前提，分割效果会直接影响到三维重建的结果。
CT血管造影(CTA)，利用二维图像序列进行三维图像重建，能够更加直观的显示血管的病变形态、病变位置，给医生提供有效信息。血管造影技术可以提高血管组织在CT图像中的CT值，突出血管组织，辅助医生做出诊断。
骨骼组织提取是CT血管造影的三维重建和血管提取功能的一部分。在CT血管造影图像中，血管与骨骼的CT值范围相近，在三维重建的过程中，骨骼组织会对血管区域造成一定的遮挡，所以在查看CTA三维重建影像前需将骨骼组织提取并去除，消除骨骼对血管区域造成的负面影响。
现代临床医学对于胸部骨骼的分割依旧停留在半自动化分割阶段，很多时候需要医师根据经验交互式的在每张CT图像上逐层去圈定目标，对于增强后的血管与骨骼CT值非常接近，导致难以分离，甚至需要手动分割，工作效率非常低。
发明内容
为解决在影像三维重建过程中骨骼组织区域遮挡视线问题，本申请提供一种胸部骨骼自动提取方法、系统、电子设备及存储介质，其能够完全自动地将骨骼组织区域精确提取出来，亦可节约用户手动分割骨骼操作的时间，其技术方案如下：
一种胸部骨骼自动提取方法，包括：
对图像数据执行预处理操作得到预处理数据；
基于所述预处理数据对胸部骨骼进行初步分割获得结果数据；
定位初始脊椎区域；
利用所述初始脊椎区域对所述初步分割获得结果数据进行精确分割。
可选的，所述对图像数据执行预处理操作得到预处理数据，包括：
筛选出所述图像数据中CT值大于等于阈值T1的数据，使用所述阈值T1二值化所述数据得到Image_mask数据，进而提取出高亮区域；再筛选出所述图像数据中CT值大于等于阈值T2的数据，使用所述阈值T2二值化所述数据得到Image_mask_body数据，进而提取出提取出人体区域；
对所述Image_mask_body数据进行去噪处理；
填充所述Image_mask数据得到Image_mask_filled数据；再填充去噪处理后的Image_mask_body数据得到Image_mask_body_filled数据。
可选的，所述基于所述预处理数据对胸部骨骼进行初步分割获得结果数据，包括：
获得Image_mask_filled数据的包围盒Image_box，所述包围盒Image_box的边界值分别为bottom、top、left、right；再获得Image_mask_body_filled数据的包围盒Image_body_box，所述包围盒Image_body_box的边界值分别为bottom_body、top_body、left_body、right_body；
根据所述包围盒Image_box和所述包围盒Image_body_box获得圆形区域；
如果所述Image_mask_filled数据中的各连通区域中心点位于所述圆形区域之外，则所述连通区域为骨骼区域；如果所述Image_mask_filled数据中的各连通区域中心点位于所述圆形区域之内，则进行判定操作。
可选的，所述根据所述包围盒Image_box和所述包围盒Image_body_box获得圆形区域，具体为：
如果(top-bottom)/(right-left)≥T3，则圆形区域的半径为r＝(top-bottom)/2，中心点center_x,center_y的坐标为int((top-bottom)/2)+bottom,int((right-left)/2)+left；所述T3为设定的阈值；
如果(top-bottom)/(right-left)<T3，则圆形区域半径为r＝(top_body-bottom+right-left)/4，中心点center_x,center_y的坐标为int((top_body-bottom)/2)+bottom,int((right-left)/2)+left。
可选的，如果所述Image_mask_filled数据中的各连通区域中心点位于所述圆形区域之内，则进行判定操作，包括：
自适应划分出位置区域，包括：
pos_thres_top＝top-(top-bottom)*T4
pos_thres_bottom_1＝bottom+(top-bottom)*T5
pos_thres_bottom_2＝bottom+(top-bottom)*T6
pos_thres_bottom_3＝bottom+(top-bottom)*T7
其中，T4、T5、T6、T7为设定的阈值；
若所述连通区域中心点的x值在(pos_thres_bottom_1,pos_thres_top)之间，且所述连通区域中心点在半径为0.8*r的所述圆形区域内或所述连通区域的面积大于200mm2，则不是骨骼区域；
若所述连通区域中心点的x值落在(pos_thres_bottom_2,pos_thres_bottom_1)之间，且满足条件y<center_y–offset_y or y>center_y+offset_y时为血管，其中，y为连通区域中心点y值；offset_y为偏移区域；或满足条件eccentricity<0.5and area<600and(max_intensity-min_intensity)<500or area<100时为血管，其中eccentricity为离心率，取值在[0,1)之间，其为圆形时值为0；area为面积，单位为mm2；max_intensity为所述连通区域内最大CT值；min_intensity为所述连通区域内最小CT值；
若所述连通区域中心点的x值在(pos_thres_bottom_3,pos_thres_bottom_2)之间，且满足条件area>150and(y<center_y–offset_y or y>center_y+offset_y)时为双肾区域；
若所述连通区域中心点的x值在pos_thres_bottom_3以下，则为骨骼区域；
所述胸部骨骼完成初步分割后得到结果数据Image_mask_first_seg。
可选的，所述根据所述初步分割的结果数据定位初始脊椎区域，包括：
查找起始标准数据；
对所述标准数据进行预处理得到数据I_mask；
通过所述数据I_mask切割出脊椎区域。
可选的，所述通过所述数据I_mask切割出脊椎区域，包括：
获得所述脊椎区域横断面的中心点坐标及偏移量：
box_center_x＝int((top_body-bottom_body)/2)+bottom_body
box_center_y＝int((right_body-left_body)/2)+left_body
offset_x＝int((right_body-left_body)/6)
切割所述脊椎区域数据I_mask_cut：
I_mask_cut＝I_mask[bottom_body:box_center_x,box_center_y-offset_x:box_center_y
+offset_x]
将所述脊椎区域数据I_mask_cut做区域生长，并获得连通区域个数region_count；
如果所述连通区域个数region_count＝0，则向下层重新查找所述起始标准数据，直至选取到初始位置；如果所述连通区域个数region_count>0，则获取面积最大的连通区域为脊椎区域，并得出包围盒区域spine_ori_box。
可选的，如果所述包围盒区域spine_ori_box的中心点位置I_mask_cut值为1，则记录中心点位置spine_ori_center；否则在所述中心点位置向上或向下移动1像素，直到找到I_mask_cut值为1的点。
可选的，所述利用所述初始脊椎区域对所述初步分割获得结果数据进行精确分割，包括：由上至下遍历三维数据体的每一层初分割结果Image_mask_first_seg，具体为：
获取上层数据所述脊椎区域的包围盒spine_box及中心点坐标spine_center，若所述上层数据为第一层，则获取所述包围盒区域spine_ori_box及中心点spine_ori_center作为上层数据结果；如果所述上层数据在中心点坐标spine_center位置值为1，所述中心点为有效中心点；否则向上、向下搜索值为1的点的位置，将新的位置点作为有效中心点，其搜索的范在包围盒spine_box内；
将所述有效中心点所在的连通区域作为脊椎区域的备选区域，所述备选区域的包围盒box上、下边界分别为top1、bottom1，上层数据所述脊椎区域的包围盒spine_box上、下边界分别为spine_top、spine_bottom；
若spine_top–top1>10mm，则为分割不完整的脊椎区域，需进行准确分割处理操作；
若top1–spine_top>10mm，则为与血管有粘连的脊椎区域，需进行精确分割处理操作；
其余为正常的脊椎区域，则记录当前的包围盒及有效中心点，作为下一层参考数据。
可选的，所述需进行准确分割处理操作，包括：
设置上层包围盒中心点为中心，切割上层包围盒1.5倍范围的原始数据Image_cut，以上层数据所述脊椎区域的包围盒内切圆为基准，获得所述内切圆边界5mm范围内圆环的梯度，连接各行列中梯度值最大的点，形成新的边界曲线，所述边界曲线为脊椎边界，再获得对应的包围盒及有效中心点。
可选的，所述需进行精确分割处理操作，包括：
切割出与血管有粘连的脊椎区域的原始数据Image_cut，以不同的阈值不断循环预处理所述原始数据Image_cut，直至连通区域个数大于1为止；
遍历各连通区域，若所述连通区域的中心点在与血管有粘连的脊椎区域中部以上，则所粘连的为血管，否则为骨骼；
记录所述骨骼区域的包围盒及有效中心点。
一种胸部骨骼自动提取系统，包括：
预处理模块，用于对图像数据执行预处理操作得到预处理数据；
初步分割模块，用于基于所述预处理数据对胸部骨骼进行初步分割获得结果数据；
定位模块，用于定位初始脊椎区域；
精确分割模块，用于利用所述初始脊椎区域对所述初步分割获得结果数据进行精确分割。
一种用于胸部骨骼自动提取的电子设备，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现所述胸部骨骼自动提取方法的各个步骤。
一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现所述胸部骨骼自动提取方法的各个步骤。
经由上述方案可知，本申请提供的一种胸部骨骼自动提取方法、系统、电子设备及存储介质，首先对图像数据执行预处理操作得到预处理数据，然后基于所述预处理数据对胸部骨骼进行初步分割，最后定位初始脊椎区域进行精确分割；由于上述过程可知，本申请实施例提供的胸部骨骼自动提取方法，能够完全无交互地自动提取出胸部骨骼区域，节约用户手动删除骨骼的时间，且在提取胸部骨骼过程中，解决了脊椎骨提取不准确问题，针对欠分割(脊椎骨提取不完整)、过分割(脊椎骨血管粘连)做了精细化处理；尤其是避免了过分割造成血管数据缺失，对用户阅片、诊断带来的较大影响。提取过程无需用户进行任何操作，节省了人工成本和时间成本，且避免了主观因素对提取结果的影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的胸部骨骼自动提取方法的一流程示意图；
图2为本申请实施例提供的CT图像横断面图；
图3为本申请实施例提供的执行预处理操作后CT图像横断面图；
图4为本申请实施例提供的得到预处理数据的一流程示意图；
图5为本申请实施例提供的CT图像肺底部区域预处理前后对比图；
图6为本申请实施例提供的自适应划分出位置区域示意图；
图7为本申请实施例提供的定位初始脊椎区域的一流程示意图；
图8为本申请实施例提供的胸部骨骼自动提取系统的一结构框图；
图9为本申请实施例提供的用于胸部骨骼自动提取的电子设备的结构示意图。
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。
鉴于医学图像处理领域存在骨骼组织提取的需求，而人工辅助提取存在人工成本和时间成本高，且工作效率非常低、精度不可靠的问题，本案发明人进行了深入研究，最终提供了一种效果较好的骨骼自动提取方法，该方法完全自动地将骨骼组织区域精确提取出来，并在影像三维重建过程中移除该部分，即可避免视线被遮挡问题，亦可节约用户手动分割骨骼操作的时间。接下来通过下述实施例对本申请提供的骨骼自动提取方法进行介绍。
请参阅图1，示出了本发明实施例提供的胸部骨骼自动提取方法的一流程示意图，该方法可以包括：
S1.对图像数据执行预处理操作得到预处理数据；
CT血管造影图像是将CT增强技术与薄层、大范围、快速扫描技术相结合，通过处理能够清晰显示全身各部位血管细节。具有无创和操作简便的特点，对于血管变异、血管疾病以及显示病变和血管关系有重要价值；所述图像数据可以包括计算机断层图像(CT图像)数据，计算机断层图像具有扫描时间快，图像清晰等特点，可用于多种疾病的检查。具体的，所述预处理操作可以包括数据二值化、数据去噪、填充数据孔洞，使得图像更易于分割处理。
将所述CT图像进行灰度值规范化处理，提取胸部的轮廓和胸部感兴趣的区域，并根据胸部感兴趣的区域将胸部区域图像从CT图像中筛选出来。
S2.基于所述预处理数据对胸部骨骼进行初步分割获得结果数据；
根据人体结构特点，从CT图像的横断面来看，肋骨区域一般呈圆弧形，如图2所示；所述图像数据预处理后，在肋骨区域内部有较多其他组织，如图3所示；对胸部骨骼提取设定限制条件，然后进行初步分割，仅保留骨骼区域。
S3.定位初始脊椎区域；
由于胸部骨骼进行初步分割后，会有部分血管与脊椎粘连和/或部分血管与脊椎分割不完整的情况，所以还需要进行下一步的精确分割，定位初始脊椎区域即为后续胸部骨骼的精确分割做准备。
所述初始脊椎区域的查找是按人体结构从上到下的顺序。
S4.利用所述初始脊椎区域对所述初步分割获得结果数据进行精确分割。
对于初步分割不完整或与血管粘连的脊椎骨，利用三维体数据的上下层关系，再做进一步的精确分割。
本申请实施例提供的一种胸部骨骼自动提取方法，首先对图像数据执行预处理操作得到预处理数据，然后基于所述预处理数据对胸部骨骼进行初步分割，最后定位初始脊椎区域进行精确分割；由于上述过程可知，该方法能够完全无交互地自动提取出胸部骨骼区域，节约用户手动删除骨骼的时间，且在提取胸部骨骼过程中，解决了脊椎骨提取不准确问题，针对脊椎骨提取不完整、脊椎骨与血管粘连做了精细化处理；尤其是避免了过分割造成血管数据缺失，对用户阅片、诊断带来的较大影响。提取过程无需用户进行任何操作，节省了人工成本和时间成本，且避免了主观因素对提取结果的影响。
请参阅图4，以下对上述实施例中S1.对图像数据执行预处理操作得到预处理数据的实现过程进行介绍。在一种可能的实现方式中，可以包括：
S11.对图像数据进行二值化处理：筛选出所述图像数据中CT值大于等于阈值T1的数据，使用所述阈值T1二值化所述数据得到Image_mask数据，进而提取出高亮区域；再筛选出所述图像数据中CT值大于等于阈值T2的数据，使用所述阈值T2二值化所述数据得到Image_mask_body数据，进而提取出提取出人体区域；
设定图像数据中CT值大于等于阈值T为1、小于阈值T为0；在本实施例中，使用两个阈值T1和T2处理结果；为提取出高亮区域，根据经验可以选取T1为150，使用该阈值T1二值化数据得到Image_mask，其中值为1的区域主要包括骨骼、血管区域；为提取出人体区域，阈值T2设置较低值，可以为-150，该值会保留皮肤区域，再经进一步处理，得到完整的人体区域二值化后的结果Image_mask_body数据；
S12.去除数据噪声：对所述Image_mask_body数据进行去噪处理；
针对所述Image_mask_body数据，去除无用的噪声点：对Image_mask_body数据进行对开操作，再移除连通区域像素点个数小于10000的区域，其能够去除部分有床板干扰的数据。由于经二值化处理后的Image_mask_body数据，人体边缘连通区域足够大，所以该个数限制不会影响到对人体区域的提取。
S13.填充数据孔洞：填充所述Image_mask数据得到Image_mask_filled数据；再填充去噪处理后的Image_mask_body数据得到Image_mask_body_filled数据；
使用常规方法填充Image_mask数据及去噪后的Image_mask_body数据，Image_mask数据中，由于骨骼内部为骨髓，CT值较低，在最初的二值化过程中，会遗漏该部分，所以在该步骤做填充处理，以使结果更准确，得到数据Image_mask_filled。对去噪后的Image_mask_body数据做填充即可得到完整的人体区域数据Image_mask_body_filled。
以下对S2.基于所述预处理数据对胸部骨骼进行初步分割获得结果数据的实现过程进行介绍。在一种可能的实现方式中，可以包括：
获得Image_mask_filled数据的包围盒Image_box，所述包围盒Image_box的边界值分别为bottom、top、left、right；再获得Image_mask_body_filled数据的包围盒Image_body_box，所述包围盒Image_body_box的边界值分别为bottom_body、top_body、left_body、right_body；
需要说明的是，所述bottom、top、left、right为数据Image_mask_filled中值为1区域上下左右边界的位置值；所述bottom_body、top_body、left_body、right_body为数据Image_mask_body_filled中值为1区域上下左右边界的位置值。
根据所述包围盒Image_box和所述包围盒Image_body_box获得圆形区域；
如图2所示，根据成像区域的形状和包围盒的限制条件画出圆形区域线条，将图像分为圆形区域之内和圆形区域之外，便于明确骨骼区域的直接提取与进一步处理后再进行提取的划分。
如果所述Image_mask_filled数据中的各连通区域中心点位于所述圆形区域之外，则所述连通区域为骨骼区域；如果所述Image_mask_filled数据中的各连通区域中心点位于所述圆形区域之内，则进行判定操作。
需要说明的是，所述Image_mask_filled数据中的各连通区域中心点位于所述圆形区域之内，可能会存在欠分割情况，即脊椎骨提取不完整；也可能会存在过分割情况，即脊椎骨与血管粘连，不同情况需要进行不同的处理。
在一种可能的实现方式中，根据所述包围盒Image_box和所述包围盒Image_body_box获得圆形区域的实现过程，可以包括：
如果(top-bottom)/(right-left)≥T3，则圆形区域的半径为r＝(top-bottom)/2，中心点center_x,center_y的坐标为int((top-bottom)/2)+bottom,int((right-left)/2)+left；所述T3为设定的阈值；
如果(top-bottom)/(right-left)<T3，则圆形区域半径为r＝(top_body-bottom+right-left)/4，中心点center_x,center_y的坐标为int((top_body-bottom)/2)+bottom,int((right-left)/2)+left。
需要说明的是，此处阈值T3优选为0.7；当数据逐渐扫描到肺底部区域时，肋骨区域会逐渐减少，如图5所示，纵横比小于阈值0.7时，则认为横断面影像的前方已经没有肋骨区域，故此时需要更新圆形区域的计算方法。
在一种可能的实现方式中，如果所述Image_mask_filled数据中的各连通区域中心点位于所述圆形区域之内，则进行判定操作的实现过程，可以包括：
自适应划分出位置区域，如图6所示，包括：
pos_thres_top＝top-(top-bottom)*T4
pos_thres_bottom_1＝bottom+(top-bottom)*T5
pos_thres_bottom_2＝bottom+(top-bottom)*T6
pos_thres_bottom_3＝bottom+(top-bottom)*T7
其中，阈值T4、T5、T6、T7分别优选为0.15、0.5、0.2、0.1；
若所述连通区域中心点的x值在(pos_thres_bottom_1,pos_thres_top)之间，且所述连通区域中心点在半径为0.8*r的所述圆形区域内或所述连通区域的面积大于200mm2，则不是骨骼区域；
需要说明的是，该部分区域会出现升主动脉、主动脉弓、肺动脉等大面积高亮区域，其区域面积一般大于200mm2。另外，该区域可能会有部分胸骨，所以减少胸骨部分的搜索范围，将圆形区域半径降为0.8*r。
若所述连通区域中心点的x值落在(pos_thres_bottom_2,pos_thres_bottom_1)之间，且满足条件y<center_y–offset_y or y>center_y+offset_y时为血管，其中，y为连通区域中心点y值；offset_y为偏移区域；或满足条件eccentricity<0.5and area<600and(max_intensity-min_intensity)<500or area<100时为血管，其中eccentricity为离心率，取值在[0,1)之间，其为圆形时值为0；area为面积，单位为mm2；max_intensity为所述连通区域内最大CT值；min_intensity为所述连通区域内最小CT值；
需要说明的是，offset_y优选为17mm宽；该部分区域存在较多的肺部毛细血管，所以分部在中部两侧且在圆形区域内部的多为血管非骨骼，故设定了条件y<center_y–offset_y or y>center_y+offset_y。该部分的中部区域会出现降主动脉及胸椎骨，两者主要在圆形度、内部CT值的均匀程度及总体面积上有一定区别，故设定了条件eccentricity<0.5and area<600and(max_intensity-min_intensity)<500or area<100。
若所述连通区域中心点的x值在(pos_thres_bottom_3,pos_thres_bottom_2)之间，且满足条件area>150and(y<center_y–offset_y or y>center_y+offset_y)时为双肾区域；
需要说明的是，offset_y优选为30mm；该部分区域会存在有双肾的干扰，而双肾都有两侧，位置信息较明显，且面积会稍大，故进行上述条件的设定。
若所述连通区域中心点的x值在pos_thres_bottom_3以下，则为骨骼区域；
需要说明的是，如果连通区域中心点的x值小于0.1，无需满足其他任何条件，可以直接认定该部分区别为骨骼区域。
所述胸部骨骼完成初步分割后得到结果数据Image_mask_first_seg。
需要说明的是，通过以上四种情况的介绍，完成了胸部骨骼的初步分割获得结果数据，其为精确分割做好基础。
请参阅图7，以下对S3.定位初始脊椎区域的实现过程进行介绍。在一种可能的实现方式中，可以包括：
S31.查找起始标准数据；
为避免CT数据采集首末层会有偏差，可以选取第3层数据；
S32.对所述标准数据进行预处理得到数据I_mask；
所述预处理的实现方法可以参照步骤S1，具体可以包括数据二值化、数据去噪、填充数据孔洞，便于找出脊椎区域。
S33.通过所述数据I_mask切割出脊椎区域；
根据人体结构特征，切割出脊椎所在区域，在一种可能的实现方式中，可以为：
获得横断面的中心点坐标及偏移量：
box_center_x＝int((top_body-bottom_body)/2)+bottom_body
box_center_y＝int((right_body-left_body)/2)+left_body
offset_x＝int((right_body-left_body)/6)
切割所述脊椎区域数据I_mask_cut：
I_mask_cut＝I_mask[bottom_body:box_center_x,box_center_y-offset_x:box_center_y
+offset_x]
将所述脊椎区域数据I_mask_cut做区域生长，并获得连通区域个数region_count；
如果所述连通区域个数region_count＝0，向下层选取数据重新进行步骤S31–S33，直至选取到初始位置；如果所述连通区域个数region_count>0，则获取面积最大的连通区域为脊椎区域，并得出包围盒区域spine_ori_box。
在一种可能的实现方式中，如果所述包围盒区域spine_ori_box的中心点位置I_mask_cut值为1，则记录中心点位置spine_ori_center；否则在所述中心点位置向上或向下移动1像素，直到找到I_mask_cut值为1的点；
需要说明的是，为避免在寻找初始脊椎区域时遇到脊椎与血管粘连的情况，在上述方法定位后，再进行骨骼精确分割处理更新定位结果。
以下对S4.利用所述初始脊椎区域对所述初步分割获得结果数据进行精确分割。在一种可能的实现方式中，可以包括：该步处理需要利用三维数据体的上下层关系，由上至下遍历数据体的每一层初分割结果Image_mask_first_seg，每一层的处理方法如下：
获取上层数据所述脊椎区域的包围盒spine_box及中心点坐标spine_center，若所述上层数据为第一层，则获取所述包围盒区域spine_ori_box及中心点spine_ori_center作为上层数据结果；如果所述上层数据在中心点坐标spine_center位置值为1，所述中心点为有效中心点；否则向上、向下搜索值为1的点的位置，将新的位置点作为有效中心点，其搜索的范围在包围盒spine_box内；
需要说明的是，确定当前层数据的有效中心点过程中，如果上层数据是第一层，则取步骤S3中计算的初始脊椎区域spine_ori_box及中心点spine_ori_center作为该层的上层数据结果；约束搜索的范围，是为了防止搜索到错误区域。若仍未在合理范围内找到有效中心点，则认为该层数据脊椎区域识别有欠缺，分割不完整，需做进一步处理。
将所述有效中心点所在的连通区域作为脊椎区域的备选区域，所述备选区域的包围盒box上、下边界分别为top1、bottom1，上层数据所述脊椎区域的包围盒spine_box上、下边界分别为spine_top、spine_bottom；
需要说明的是，通过所述备选区域确定脊椎区域，判断当前备选区域状态，包括3种情况：正常的脊椎区域、与血管有粘连的脊椎区域、分割不完整的脊椎区域；具体判断条件如下：
若spine_top–top1>T8mm，则为分割不完整的脊椎区域，需进行准确分割处理操作；
若top1–spine_top>T8mm，则为与血管有粘连的脊椎区域，需进行精确分割处理操作；
其余为正常的脊椎区域，记录当前的包围盒及有效中心点，作为下一层参考数据。
其中，上述阈值T8优选为10mm。
在一种可能的实现方式中，所述需进行准确分割处理操作，可以包括：
设置上层包围盒中心点为中心，切割上层包围盒1.5倍范围的原始数据Image_cut，以上层数据所述脊椎区域的包围盒内切圆为基准，获得所述内切圆边界5mm范围内圆环的梯度，连接各行列中梯度值最大的点，形成新的边界曲线，所述边界曲线为脊椎边界，再获得对应的包围盒及有效中心点。
在一种可能的实现方式中，所述需进行精确分割处理操作，包括：
切割出与血管有粘连的脊椎区域的原始数据Image_cut，以不同的阈值不断循环预处理所述原始数据Image_cut，直至连通区域个数大于1为止；
需要说明的是，提高二值化操作的阈值，本实施例中以30的倍数作为基准，以不同的阈值不断循环预处理数据Image_cut。
遍历各连通区域，若所述连通区域的中心点在与血管有粘连的脊椎区域中部以上，则所粘连的为血管，否则为骨骼；
记录所述骨骼区域的包围盒及有效中心点。
本申请实施例还提供了一种胸部骨骼自动提取系统，下面对本申请实施例提供的骨骼自动提取系统进行描述，下文描述的骨骼自动提取系统与上文描述的骨骼自动提取方法可相互对应参照。
请参阅图8，示出了本发明实施例提供的一种骨骼自动提取系统的一结构框图，该骨骼自动提取系统可以包括：预处理模块81、初步分割模块82、定位模块83和精确分割模块84；
预处理模块81，用于对图像数据执行预处理操作得到预处理数据获得结果数据；
初步分割模块82，用于基于所述预处理数据对胸部骨骼进行初步分割；
定位模块83，用于定位初始脊椎区域；
精确分割模块84，用于利用所述初始脊椎区域对所述初步分割获得结果数据进行精确分割。
本申请实施例提供的一种胸部骨骼自动提取系统，首先对图像数据执行预处理操作得到预处理数据，然后基于所述预处理数据对胸部骨骼进行初步分割，最后定位初始脊椎区域进行精确分割；由此可见，该系统能够完全无交互地自动提取出胸部骨骼区域，节约用户手动删除骨骼的时间，且在提取胸部骨骼过程中，解决了脊椎骨提取不准确问题，针对脊椎骨提取不完整、脊椎骨与血管粘连做了精细化处理；尤其是避免了过分割造成血管数据缺失，对用户阅片、诊断带来的较大影响。提取过程无需用户进行任何操作，节省了人工成本和时间成本，且避免了主观因素对提取结果的影响。
在一种可能的实现方式中，所述预处理模块81，可以包括：
数据二值化模块，用于筛选出所述图像数据中CT值大于等于阈值T1的数据，使用所述阈值T1二值化所述数据得到Image_mask数据，进而提取出高亮区域；再筛选出所述图像数据中CT值大于等于阈值T2的数据，使用所述阈值T2二值化所述数据得到Image_mask_body数据，进而提取出提取出人体区域；
去噪模块，用于对所述Image_mask_body数据进行去噪处理；
填充模块，用于填充所述Image_mask数据得到Image_mask_filled数据；再填充去噪处理后的Image_mask_body数据得到Image_mask_body_filled数据。
在一种可能的实现方式中，所述初步分割模块82，可以包括：
包围盒获取模块，用于获得Image_mask_filled数据的包围盒Image_box，所述包围盒Image_box的边界值分别为bottom、top、left、right；再获得Image_mask_body_filled数据的包围盒Image_body_box，所述包围盒Image_body_box的边界值分别为bottom_body、top_body、left_body、right_body；
圆形区域获取模块，用于根据所述包围盒Image_box和所述包围盒Image_body_box获得圆形区域；
圆形区域判断模块，如果所述Image_mask_filled数据中的各连通区域中心点位于所述圆形区域之外，则所述连通区域为骨骼区域；如果所述Image_mask_filled数据中的各连通区域中心点位于所述圆形区域之内，则进行判定操作。
在一种可能的实现方式中，所述圆形区域获取模块，可以包括：
大于或等于阈值模块，如果(top-bottom)/(right-left)≥T3，则圆形区域的半径为r＝(top-bottom)/2，中心点center_x,center_y的坐标为int((top-bottom)/2)+bottom,int((right-left)/2)+left；所述T3为设定的阈值；
小于阈值模块，如果(top-bottom)/(right-left)<T3，则圆形区域半径为r＝(top_body-bottom+right-left)/4，中心点center_x,center_y的坐标为int((top_body-bottom)/2)+bottom,int((right-left)/2)+left。
在一种可能的实现方式中，圆形区域判断模块，可以包括：
自适应划分位置区域模块，如下：
pos_thres_top＝top-(top-bottom)*T4
pos_thres_bottom_1＝bottom+(top-bottom)*T5
pos_thres_bottom_2＝bottom+(top-bottom)*T6
pos_thres_bottom_3＝bottom+(top-bottom)*T7
其中，T4、T5、T6、T7为设定的阈值；
区域判断模块，如下：
若所述连通区域中心点的x值在(pos_thres_bottom_1,pos_thres_top)之间，且所述连通区域中心点在半径为0.8*r的所述圆形区域内或所述连通区域的面积大于200mm2，则不是骨骼区域；
若所述连通区域中心点的x值落在(pos_thres_bottom_2,pos_thres_bottom_1)之间，且满足条件y<center_y–offset_y or y>center_y+offset_y时为血管，其中，y为连通区域中心点y值；offset_y为偏移区域；或满足条件eccentricity<0.5and area<600and(max_intensity-min_intensity)<500or area<100时为血管，其中eccentricity为离心率，取值在[0,1)之间，其为圆形时值为0；area为面积，单位为mm2；max_intensity为所述连通区域内最大CT值；min_intensity为所述连通区域内最小CT值；
若所述连通区域中心点的x值在(pos_thres_bottom_3,pos_thres_bottom_2)之间，且满足条件area>150and(y<center_y–offset_y or y>center_y+offset_y)时为双肾区域；
若所述连通区域中心点的x值在pos_thres_bottom_3以下，则为骨骼区域；
结构数据获取模块，所述胸部骨骼完成初步分割后得到结果数据Image_mask_first_seg。
在一种可能的实现方式中，定位模块83，可以包括：
查找模块，用于查找起始标准数据；
数据I_mask获取模块，用于对所述标准数据进行预处理得到数据I_mask；
脊椎区域获取模块，用于通过所述数据I_mask切割出脊椎区域。
在一种可能的实现方式中，脊椎区域获取模块，可以包括
获得域横断面的中心点坐标及偏移量模块：
box_center_x＝int((top_body-bottom_body)/2)+bottom_body
box_center_y＝int((right_body-left_body)/2)+left_body
offset_x＝int((right_body-left_body)/6)
切割所述脊椎区域数据I_mask_cut模块：
I_mask_cut＝I_mask[bottom_body:box_center_x,box_center_y-offset_x:box_center_y
+offset_x]
连通区域个数获取模块，用于将所述脊椎区域数据I_mask_cut做区域生长，并获得连通区域个数region_count；
region_count判断模块，如果所述连通区域个数region_count＝0，则向下层重新查找所述起始标准数据，直至选取到初始位置；如果所述连通区域个数region_count>0，则获取面积最大的连通区域为脊椎区域，并得出包围盒区域spine_ori_box。
其中，如果所述包围盒区域spine_ori_box的中心点位置I_mask_cut值为1，则记录中心点位置spine_ori_center；否则在所述中心点位置向上或向下移动1像素，直到找到I_mask_cut值为1的点。
在一种可能的实现方式中，精确分割模块84，可以包括：
有效中心点确定模块，用于获取上层数据所述脊椎区域的包围盒spine_box及中心点坐标spine_center，若所述上层数据为第一层，则获取所述包围盒区域spine_ori_box及中心点spine_ori_center作为上层数据结果；如果所述上层数据在中心点坐标spine_center位置值为1，所述中心点为有效中心点；否则向上、向下搜索值为1的点的位置，将新的位置点作为有效中心点，其搜索的范围在包围盒spine_box内；
脊椎区域确定模块，用于将所述有效中心点所在的连通区域作为脊椎区域的备选区域，所述备选区域的包围盒box上、下边界分别为top1、bottom1，上层数据所述脊椎区域的包围盒spine_box上、下边界分别为spine_top、spine_bottom；
若spine_top–top1>T8mm，则为分割不完整的脊椎区域，需进行准确分割处理操作；
若top1–spine_top>T8mm，则为与血管有粘连的脊椎区域，需进行精确分割处理操作；
其余为正常的脊椎区域，记录当前的包围盒及有效中心点，作为下一层参考数据。
在一种可能的实现方式中，脊椎区域确定模块，可以包括：
准确分割处理模块，设置上层包围盒中心点为中心，切割上层包围盒1.5倍范围的原始数据Image_cut，以上层数据所述脊椎区域的包围盒内切圆为基准，获得所述内切圆边界5mm范围内圆环的梯度，连接各行列中梯度值最大的点，形成新的边界曲线，所述边界曲线为脊椎边界，再获得对应的包围盒及有效中心点。
精确分割处理模块，切割出与血管有粘连的脊椎区域的原始数据Image_cut，以不同的阈值不断循环预处理所述原始数据Image_cut，直至连通区域个数大于1为止；遍历各连通区域，若所述连通区域的中心点在与血管有粘连的脊椎区域中部以上，则所粘连的为血管，否则为骨骼；记录所述骨骼区域的包围盒及有效中心点。
请参阅图9，示出了本发明实施例提供的用于胸部骨骼自动提取的电子设备的结构示意图，该电子设备可以包括：至少一个处理器91，至少一个通信接口92，至少一个存储器93和至少一个通信总线94；且处理器91、通信接口92、存储器93通过通信总线94完成相互间的通信；
处理器91可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
存储器93可能包含高速R AM存储器，也可能还包括非易失性存储器(non-volatile memory)等，例如至少一个磁盘存储器；
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
对图像数据执行预处理操作得到预处理数据；
基于所述预处理数据对胸部骨骼进行初步分割获得结果数据；
定位初始脊椎区域；
利用所述初始脊椎区域对所述初步分割获得结果数据进行精确分割。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：
对图像数据执行预处理操作得到预处理数据；
基于所述预处理数据对胸部骨骼进行初步分割获得结果数据；
定位初始脊椎区域；
利用所述初始脊椎区域对所述初步分割获得结果数据进行精确分割。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。
对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (14)
1.一种胸部骨骼自动提取方法，其特征在于，包括：
对图像数据执行预处理操作得到预处理数据；
基于所述预处理数据对胸部骨骼进行初步分割获得结果数据；
定位初始脊椎区域；
利用所述初始脊椎区域对所述初步分割获得结果数据进行精确分割。
2.根据权利要求1所述一种胸部骨骼自动提取方法，其特征在于，所述对图像数据执行预处理操作得到预处理数据，包括：
筛选出所述图像数据中CT值大于等于阈值T1的数据，使用所述阈值T1二值化所述数据得到Image_mask数据；再筛选出所述图像数据中CT值大于等于阈值T2的数据，使用所述阈值T2二值化所述数据得到Image_mask_body数据；
对所述Image_mask_body数据进行去噪处理；
填充所述Image_mask数据得到Image_mask_filled数据；再填充去噪处理后的Image_mask_body数据得到Image_mask_body_filled数据。
3.根据权利要求1所述一种胸部骨骼自动提取方法，其特征在于，所述基于所述预处理数据对胸部骨骼进行初步分割获得结果数据，包括：
获得Image_mask_filled数据的包围盒Image_box，所述包围盒Image_box的边界值分别为bottom、top、left、right；再获得Image_mask_body_filled数据的包围盒Image_body_box，所述包围盒Image_body_box的边界值分别为bottom_body、top_body、left_body、right_body；
根据所述包围盒Image_box和所述包围盒Image_body_box获得圆形区域；
如果所述Image_mask_filled数据中的各连通区域中心点位于所述圆形区域之外，则所述连通区域为骨骼区域；如果所述Image_mask_filled数据中的各连通区域中心点位于所述圆形区域之内，则进行判定操作。
4.根据权利要求3所述一种胸部骨骼自动提取方法，其特征在于，所述根据所述包围盒Image_box和所述包围盒Image_body_box获得圆形区域，具体为：
如果(top-bottom)/(right-left)≥T3，则圆形区域的半径为r＝(top-bottom)/2，中心点center_x,center_y的坐标为int((top-bottom)/2)+bottom,int((right-left)/2)+left；所述T3为设定的阈值；
如果(top-bottom)/(right-left)<T3，则圆形区域半径为r＝(top_body-bottom+right-left)/4，中心点center_x,center_y的坐标为int((top_body-bottom)/2)+bottom,int((right-left)/2)+left。
5.根据权利要求3所述一种胸部骨骼自动提取方法，其特征在于，如果所述Image_mask_filled数据中的各连通区域中心点位于所述圆形区域之内，则进行判定操作，包括：
自适应划分出位置区域，包括：
pos_thres_top＝top-(top-bottom)*T4
pos_thres_bottom_1＝bottom+(top-bottom)*T5
pos_thres_bottom_2＝bottom+(top-bottom)*T6
pos_thres_bottom_3＝bottom+(top-bottom)*T7
其中，T4、T5、T6、T7为设定的阈值；
若所述连通区域中心点的x值在(pos_thres_bottom_1,pos_thres_top)之间，且所述连通区域中心点在半径为0.8*r的所述圆形区域内或所述连通区域的面积大于200mm2，则不是骨骼区域；
若所述连通区域中心点的x值落在(pos_thres_bottom_2,pos_thres_bottom_1)之间，且满足条件y<center_y–offset_y or y>center_y+offset_y时为血管，其中，y为连通区域中心点y值；offset_y为偏移区域；或满足条件eccentricity<0.5and area<600and(max_intensity-min_intensity)<500or area<100时为血管，其中eccentricity为离心率，取值在[0,1)之间，其为圆形时值为0；area为面积，单位为mm2；max_intensity为所述连通区域内最大CT值；min_intensity为所述连通区域内最小CT值；
若所述连通区域中心点的x值在(pos_thres_bottom_3,pos_thres_bottom_2)之间，且满足条件area>150and(y<center_y–offset_y or y>center_y+offset_y)时为双肾区域；
若所述连通区域中心点的x值在pos_thres_bottom_3以下，则为骨骼区域；
所述胸部骨骼完成初步分割后得到结果数据Image_mask_first_seg。
6.根据权利要求1所述一种胸部骨骼自动提取方法，其特征在于，所述定位初始脊椎区域，包括：
查找起始标准数据；
对所述标准数据进行预处理得到数据I_mask；
通过所述数据I_mask切割出脊椎区域。
7.根据权利要求6所述一种胸部骨骼自动提取方法，其特征在于，通过所述数据I_mask切割出脊椎区域，包括：
获得域横断面的中心点坐标及偏移量：
box_center_x＝int((top_body-bottom_body)/2)+bottom_body
box_center_y＝int((right_body-left_body)/2)+left_body
offset_x＝int((right_body-left_body)/6)
切割所述脊椎区域数据I_mask_cut：
I_mask_cut＝I_mask[bottom_body:box_center_x,box_center_y-offset_x:box_center_y+offset_x]
将所述脊椎区域数据I_mask_cut做区域生长，并获得连通区域个数region_count；
如果所述连通区域个数region_count＝0，则向下层重新查找所述起始标准数据，直至选取到初始位置；如果所述连通区域个数region_count>0，则获取面积最大的连通区域为脊椎区域，并得出包围盒区域spine_ori_box。
8.根据权利要求7所述一种胸部骨骼自动提取方法，其特征在于，如果所述包围盒区域spine_ori_box的中心点位置I_mask_cut值为1，则记录中心点位置spine_ori_center；否则在所述中心点位置向上或向下移动1像素，直到找到I_mask_cut值为1的点。
9.根据权利要求1所述一种胸部骨骼自动提取方法，其特征在于，利用所述初始脊椎区域对所述初步分割获得结果数据进行精确分割，包括：由上至下遍历三维数据体的每一层初步分割的结果数据Image_mask_first_seg，具体为：
获取上层数据所述脊椎区域的包围盒spine_box及中心点坐标spine_center，若所述上层数据为第一层，则获取所述包围盒区域spine_ori_box及中心点spine_ori_center作为上层数据结果；如果所述上层数据在中心点坐标spine_center位置值为1，所述中心点为有效中心点；否则向上、向下搜索值为1的点的位置，将新的位置点作为有效中心点，其搜索的范围在包围盒spine_box内；
将所述有效中心点所在的连通区域作为脊椎区域的备选区域，所述备选区域的包围盒box上、下边界分别为top1、bottom1，上层数据所述脊椎区域的包围盒spine_box上、下边界分别为spine_top、spine_bottom；
若spine_top–top1>T8mm，则为分割不完整的脊椎区域，需进行准确分割处理操作；
若top1–spine_top>T8mm，则为与血管有粘连的脊椎区域，需进行精确分割处理操作；其余为正常的脊椎区域，记录当前的包围盒及有效中心点，作为下一层参考数据。
10.根据权利要求9所述一种胸部骨骼自动提取方法，其特征在于，所述需进行准确分割处理操作，包括：
设置上层包围盒中心点为中心，切割上层包围盒1.5倍范围的原始数据Image_cut，以上层数据所述脊椎区域的包围盒内切圆为基准，获得所述内切圆边界5mm范围内圆环的梯度，连接各行列中梯度值最大的点，形成新的边界曲线，所述边界曲线为脊椎边界，再获得对应的包围盒及有效中心点。
11.根据权利要求9所述一种胸部骨骼自动提取方法，其特征在于，所述需进行精确分割处理操作，包括：
切割出与血管有粘连的脊椎区域的原始数据Image_cut，以不同的阈值不断循环预处理所述原始数据Image_cut，直至连通区域个数大于1为止；
遍历各连通区域，若所述连通区域的中心点在与血管有粘连的脊椎区域中部以上，则所粘连的为血管，否则为骨骼；
记录所述骨骼区域的包围盒及有效中心点。
12.一种胸部骨骼自动提取系统，其特征在于，包括：
预处理模块，用于对图像数据执行预处理操作得到预处理数据；
初步分割模块，用于基于所述预处理数据对胸部骨骼进行初步分割获得结果数据；
定位模块，用于定位初始脊椎区域；
精确分割模块，用于利用所述初始脊椎区域对所述初步分割获得结果数据进行精确分割。
13.一种用于胸部骨骼自动提取的电子设备，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如权利要求1～11中任一项所述胸部骨骼自动提取方法的各个步骤。
14.一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1～11中任一项所述胸部骨骼自动提取方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010836588.XA CN112132837A (zh) | 2020-08-19 | 2020-08-19 | 一种胸部骨骼自动提取方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010836588.XA CN112132837A (zh) | 2020-08-19 | 2020-08-19 | 一种胸部骨骼自动提取方法、系统、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112132837A true CN112132837A (zh) | 2020-12-25 |
Family
ID=73851011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010836588.XA Pending CN112132837A (zh) | 2020-08-19 | 2020-08-19 | 一种胸部骨骼自动提取方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112132837A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112767333A (zh) * | 2021-01-08 | 2021-05-07 | 心医国际数字医疗系统(大连)有限公司 | 一种基于cta影像的双下肢血管区域判断方法及系统 |
| CN112767332A (zh) * | 2021-01-08 | 2021-05-07 | 心医国际数字医疗系统(大连)有限公司 | 一种基于cta影像的血管区域判断方法及系统 |
| CN113160248A (zh) * | 2021-04-22 | 2021-07-23 | 浙江明峰智能医疗科技有限公司 | 一种图像处理方法、装置、设备及可读存储介质 |
| CN114066885A (zh) * | 2022-01-11 | 2022-02-18 | 北京威高智慧科技有限公司 | 下肢骨骼模型构造方法、装置、电子设备及存储介质 |
| CN112767332B (zh) * | 2021-01-08 | 2024-05-17 | 心医国际数字医疗系统(大连)有限公司 | 一种基于cta影像的血管区域判断方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102968783A (zh) * | 2012-10-15 | 2013-03-13 | 深圳市旭东数字医学影像技术有限公司 | 从腹部图像数据中自动分割骨骼的方法及系统 |
| CN104851107A (zh) * | 2015-06-08 | 2015-08-19 | 武汉联影医疗科技有限公司 | 基于ct序列图像的脊椎定位方法 |
| CN105074728A (zh) * | 2013-08-09 | 2015-11-18 | 堃博生物科技（上海）有限公司 | 胸部荧光透视影像及相应的肋骨和脊椎三维影像数据配准 |
| CN106709925A (zh) * | 2016-12-30 | 2017-05-24 | 上海联影医疗科技有限公司 | 医学图像中椎块的定位方法及其装置 |
| US20170249744A1 (en) * | 2014-12-02 | 2017-08-31 | Shanghai United Imaging Healthcare Co., Ltd. | A Method and System for Image Processing |
| CN107292928A (zh) * | 2017-06-16 | 2017-10-24 | 沈阳东软医疗系统有限公司 | 一种血管定位的方法及装置 |
| CN111508590A (zh) * | 2020-04-03 | 2020-08-07 | 上海理工大学 | 肝脏ct灌注图像中高效的肋骨和脊椎骨的标识检测方法 |
-
2020
- 2020-08-19 CN CN202010836588.XA patent/CN112132837A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102968783A (zh) * | 2012-10-15 | 2013-03-13 | 深圳市旭东数字医学影像技术有限公司 | 从腹部图像数据中自动分割骨骼的方法及系统 |
| CN105074728A (zh) * | 2013-08-09 | 2015-11-18 | 堃博生物科技（上海）有限公司 | 胸部荧光透视影像及相应的肋骨和脊椎三维影像数据配准 |
| US20170249744A1 (en) * | 2014-12-02 | 2017-08-31 | Shanghai United Imaging Healthcare Co., Ltd. | A Method and System for Image Processing |
| CN104851107A (zh) * | 2015-06-08 | 2015-08-19 | 武汉联影医疗科技有限公司 | 基于ct序列图像的脊椎定位方法 |
| CN106709925A (zh) * | 2016-12-30 | 2017-05-24 | 上海联影医疗科技有限公司 | 医学图像中椎块的定位方法及其装置 |
| CN107292928A (zh) * | 2017-06-16 | 2017-10-24 | 沈阳东软医疗系统有限公司 | 一种血管定位的方法及装置 |
| CN111508590A (zh) * | 2020-04-03 | 2020-08-07 | 上海理工大学 | 肝脏ct灌注图像中高效的肋骨和脊椎骨的标识检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| MIN JIN LEE等: "Automatic segmentation of vertebral arteries in CT angiography using combined circular and cylindrical model fitting", 《PROCEEDINGS VOLUME 9034, MEDICAL IMAGING 2014: IMAGE PROCESSING》, vol. 9034, 21 March 2014 (2014-03-21), pages 1 - 7 * |
| 王光磊等: "基于置信连接的 CT 血管造影分层可视化研究", 《河北大学学报（自然科学版）》, vol. 36, no. 3, 25 May 2016 (2016-05-25), pages 312 - 317 * |
| 艾亮: "基于CTA影像的头部骨骼组织提取", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, no. 03, 15 March 2016 (2016-03-15), pages 076 - 15 * |
| 陈耿: "人体骨骼医学图像处理技术研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, no. 06, 15 June 2018 (2018-06-15), pages 080 - 25 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112767333A (zh) * | 2021-01-08 | 2021-05-07 | 心医国际数字医疗系统(大连)有限公司 | 一种基于cta影像的双下肢血管区域判断方法及系统 |
| CN112767332A (zh) * | 2021-01-08 | 2021-05-07 | 心医国际数字医疗系统(大连)有限公司 | 一种基于cta影像的血管区域判断方法及系统 |
| CN112767332B (zh) * | 2021-01-08 | 2024-05-17 | 心医国际数字医疗系统(大连)有限公司 | 一种基于cta影像的血管区域判断方法及系统 |
| CN113160248A (zh) * | 2021-04-22 | 2021-07-23 | 浙江明峰智能医疗科技有限公司 | 一种图像处理方法、装置、设备及可读存储介质 |
| CN113160248B (zh) * | 2021-04-22 | 2023-03-14 | 浙江明峰智能医疗科技有限公司 | 一种图像处理方法、装置、设备及可读存储介质 |
| CN114066885A (zh) * | 2022-01-11 | 2022-02-18 | 北京威高智慧科技有限公司 | 下肢骨骼模型构造方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11062449B2 (en) | Method and system for extracting vasculature | |
| CN107545584B (zh) | 医学图像中定位感兴趣区域的方法、装置及其系统 | |
| US6754376B1 (en) | Method for automatic segmentation of medical images | |
| Manniesing et al. | Level set based cerebral vasculature segmentation and diameter quantification in CT angiography | |
| CN112132837A (zh) | 一种胸部骨骼自动提取方法、系统、电子设备及存储介质 | |
| CN104978725B (zh) | 一种冠状动脉分割方法和装置 | |
| CN107527341B (zh) | 血管造影图像的处理方法和系统 | |
| CN109064476B (zh) | 一种基于水平集的ct胸片肺组织图像分割方法 | |
| US20080103389A1 (en) | Method and system for automatic analysis of blood vessel structures to identify pathologies | |
| CN109740602B (zh) | 肺动脉期血管提取方法及系统 | |
| US8050470B2 (en) | Branch extension method for airway segmentation | |
| CN113160245A (zh) | 基于分块区域生长法的ct脑实质分割系统、方法及装置 | |
| CN113160248B (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
| CN112862850A (zh) | 数字剪影血管造影影像处理方法及装置 | |
| CN112767333A (zh) | 一种基于cta影像的双下肢血管区域判断方法及系统 | |
| CN112116623B (zh) | 图像分割方法及装置 | |
| CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
| CN111223090A (zh) | 人体肺部ct图像中肿瘤图像的识别系统 | |
| CN114445445B (zh) | Ct图像的动脉分割方法、装置、电子设备及存储介质 | |
| CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
| CN110378868B (zh) | 基于ct序列的心包分割方法及从心包序列中心层切片粗略定位心包区域的方法 | |
| CN115775219A (zh) | 医学图像分割方法、系统、电子设备及介质 | |
| CN112767332B (zh) | 一种基于cta影像的血管区域判断方法及系统 | |
| US11386560B2 (en) | Segmentation of the cardiac region in CT images | |
| CN108717538B (zh) | 一种管状结构提取方法及装置 |
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 |