CN112184659A - 一种肺部图像处理方法、装置及设备 - Google Patents
一种肺部图像处理方法、装置及设备 Download PDFInfo
- Publication number
- CN112184659A CN112184659A CN202011018504.8A CN202011018504A CN112184659A CN 112184659 A CN112184659 A CN 112184659A CN 202011018504 A CN202011018504 A CN 202011018504A CN 112184659 A CN112184659 A CN 112184659A
- Authority
- CN
- China
- Prior art keywords
- lung
- region
- image
- nodule
- pulmonary
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30064—Lung nodule
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种肺部图像处理方法、装置及设备,所述方法包括:获取待处理的肺部CT序列图;分割获取二值肺实质掩膜;将二值肺实质掩膜和肺部CT序列图进行点乘处理,获取肺实质区域图像,并对其中的潜在血管区域进行增强处理,获得肺部血管区域;从肺部CT序列图中分割出候选肺结节区域;判断所述肺部血管区域和候选肺结节区域是否存在交集,若是,则对肺部血管区域和候选肺结节区域的交集部分进行分割,对分割后的肺部血管区域和候选肺结节区域进行三维重建显示,以不同颜色渲染所述肺部血管区域和候选肺结节区域。与现有技术相比,本发明能够解决二维CT影像上判断肺结节与周围血管关系难度大、易产生误判等问题。
Description
技术领域
本发明涉及医学图像处理领域,尤其是涉及一种肺部图像处理方法、装置及设备。
背景技术
肺癌是最常见的恶性肿瘤,也是致死率最高的肿瘤。依据GLOBOCAN(GlobalCancer Observatory)数据统计,2018年全球新发肺癌人数为210万例,占比11.6%;死亡人数180万,占所有肿瘤死亡病例的18.4%。新发病例与致死病例占比均居世界首位。依据2018中国癌症中心最新数据统计显示,肺癌发病率位居我国首位,每年发病约78.1万,发病率占所有肿瘤的20.55%;每年肺癌死亡病例约62.6万,死亡率占比为48.5%。约70%的肺癌病例均在肿瘤发生转移或发展为晚期时才被确诊,这使得肺癌在我国的五年存活率低至16.1%,在所有恶性肿瘤排名倒数第3位。肺癌早期的影像表现为肺结节,但由于早期肺结节影像特征不明显,往往易造成漏诊或误诊。
对于传统的肺结节筛查,放射科医生依据临床经验,通过人工查阅CT图像以及肉眼观察的方式,从医学影像中抽象出病灶的特征,对结节进行分析、诊断以及良恶性分类。而是否有血管侵入,周围血管与肺结节的位置关系,是影像科医生判断肺结节良恶性的重要参考。而肺部血管树结构复杂,分枝众多。同时,在临床常规检测诊断肺部疾病所用的CT图像中,血管与肺结节的灰度值相似,甚至部分血管二维切层结构与结节的结节相近,这无疑增加了影像医生的诊断难度。同时,CT图像所呈现的图像为二维切层图像,即使可从横切面、矢状面以及冠状面对病灶进行观察。但在多数病例中,血管与结节在二维切成中会呈现出粘连的假象,而在实际的三维空间中,上述结节与血管不存在粘连,血管只是靠近或从结节周围经过。因为CT图像的成像原理限制,使得上述血管形似与结节粘连,或者穿过血管,从而造成影像科医生的误判。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种肺部图像处理方法、装置及设备,能为影像科医生提供可靠参考,提高诊断的准确率,降低因二维图像信息局限而造成的误诊。
本发明的目的可以通过以下技术方案来实现:
一种肺部图像处理方法,该方法包括以下步骤:
获取待处理的肺部CT序列图;
对所述肺部CT序列图进行分割,获取二值肺实质掩膜;
将所述二值肺实质掩膜和肺部CT序列图进行点乘处理,获取肺实质区域图像,并对其中的潜在血管区域进行增强处理,获得肺部血管区域;
利用第一3D U-net网络从所述肺部CT序列图中分割出候选肺结节区域;
判断所述肺部血管区域和候选肺结节区域是否存在交集,若是,则利用第二3D U-net网络对所述肺部血管区域和候选肺结节区域的交集部分进行分割,对分割后的肺部血管区域和候选肺结节区域进行三维重建显示,若否,则直接进行所述肺部血管区域和候选肺结节区域的三维重建显示,进行所述三维重建显示时,以不同颜色渲染所述肺部血管区域和候选肺结节区域,从而清晰实现对肺部血管与结节位置关系的显示。
进一步地,对所述血管区域进行增强处理具体包括:
以不同尺度的高斯滤波核对所述肺实质区域图像进行高斯滤波,获得多尺度图像集合;
利用Krissian函数分别对所述多尺度图像集合中每个尺度的图像进行增强滤波;
以像素点为计算单位,获取肺实质区域图像中每个像素点在所有尺度下的Krissian滤波结果最大值;
对所述Krissian滤波结果最大值进行骨架化处理,获取血管树的初步三维骨架;
对所述初步三维骨架进行二值化处理,从而获得增强后的肺部血管区域。
进一步地,所述Krissian函数的公式为:
其中,R(x,σ,θ)表示尺度为σ的多尺度图像fσ(x,y)中,像素点x在角度为θ处的Krissian响应值;(x+θσυa)表示像素点x的一个边缘点,θ表示当前检测边缘点角度值,且θ=θ+da,υa表示旋转向量:υa=cosav3+cosav2,其中,v3、v2表示像素点x的Hessian矩阵特征值。
进一步地,对所述初步三维骨架进行二值化处理具体包括:
获取每个最小骨架单元中每个骨架点与对应边缘点集合中每个边缘点的连线,求取连线上的平均灰度值,以该平均灰度值作为对应骨架点的局部最优阈值;
基于所述局部最优阈值对最小单元骨架及其连线上的点进行阈值化处理,从而完成二值化处理。
进一步地,从所述肺部CT序列图中分割出候选肺结节具体包括:
获取需观测的肺结节中心点集合;
依次对以每一个肺结节中心点为中心的区域进行阈值分割,获取初步肺结节区域;
对所述初步肺结节区域进行修剪处理,获得结节图像块集合;
采用三维U-Net网络分别对所述结节图像块集合中的每个结节子图像块进行分割,从而获取精细的候选肺结节区域。
本发明还提供一种肺部图像处理装置,包括:
CT图像获取模块,用于获取待处理的肺部CT序列图;
第一分割模块,用于对所述肺部CT序列图进行分割,获取二值肺实质掩膜;
增强模块,用于将所述二值肺实质掩膜和肺部CT序列图进行点乘处理,获取肺实质区域图像,并对其中的潜在血管区域进行增强处理,获得肺部血管区域;
第二分割模块,用于利用第一3D U-net网络从所述肺部CT序列图中分割出候选肺结节区域;
第三分割模块,用于判断所述肺部血管区域和候选肺结节区域是否存在交集,在判断结果为是时,利用第二3D U-net网络对所述肺部血管区域和候选肺结节区域的交集部分进行分割;
显示模块,对获得的肺部血管区域和候选肺结节区域进行三维重建显示,并以以不同颜色渲染所述肺部血管区域和候选肺结节区域。
进一步地,所述增强模块包括:
高斯滤波单元,用于以不同尺度的高斯滤波核对所述肺实质区域图像进行高斯滤波,获得多尺度图像集合;
增强滤波单元,用于利用Krissian函数分别对所述多尺度图像集合中每个尺度的图像进行增强滤波;
最大滤波结果计算单元,用于以像素点为计算单位,获取肺实质区域图像中每个像素点在所有尺度下的Krissian滤波结果最大值;
骨架化处理单元,用于对所述Krissian滤波结果最大值进行骨架化处理,获取血管树的初步三维骨架;
二值化处理单元,对所述初步三维骨架进行二值化处理,从而获得增强后的肺部血管区域。
进一步地,对所述初步三维骨架进行二值化处理具体包括:
获取每个最小骨架单元中每个骨架点与对应边缘点集合中每个边缘点的连线,求取连线上的平均灰度值,以该平均灰度值作为对应骨架点的局部最优阈值;
基于所述局部最优阈值对最小单元骨架及其连线上的点进行阈值化处理,从而完成二值化处理。
进一步地,所述第二分割模块包括:
初步阈值分割单元,用于获取需观测的肺结节中心点集合,依次对以每一个肺结节中心点为中心的区域进行阈值分割,获取初步肺结节区域;
修剪单元,用于对所述初步肺结节区域进行修剪处理,获得结节图像块集合;
精细分割单元,用于采用三维U-Net网络分别对所述结节图像块集合中的每个结节子图像块进行分割,从而获取精细的候选肺结节区域。
本发明还提供一种计算机设备,包括:
处理器;
存储处理器可执行指令的存储器;
其中,所述处理器耦合于所述存储器,用于读取所述存储器存储的程序指令,并作为响应,执行如上所述方法中的步骤。
与现有技术相比,本发明具有如下有益效果:
本发明分别对肺部CT图像中的肺血管区域和肺结节区域进行分割处理,并对交集部分进行精细分割,能够直观、准确进行肺部血管与结节位置关系的三维显示,为影像科医生提供可靠参考,提高诊断的准确率,降低因二维图像信息局限而造成的误诊,解决了在二维CT影像上判断肺结节与周围血管关系难度大、易产生误判等问题。
附图说明
图1为本发明的流程示意图;
图2为本发明实施例中使用的3D U-net网络结构示意图;
图3为本发明获得的分割结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
如图1所示,本实施例提供一种肺部图像处理方法,该方法包括:
步骤1、获取待处理的肺部CT序列图I。肺部CT序列图为DICOM格式。
步骤2、对所述肺部CT序列图进行分割,获取二值肺实质掩膜mask_lung。
本实施例中,采用文献《Automatic Lung Segmentation for AccurateQuantitation of Volumetric X-Ray CT Images》中的方法进行该步骤的分割。该方法使用最佳阈值法自动选择表征每个被试肺实质影像灰度特征的分割阈值,该阈值在同一被试的重复扫描中几乎不变,在不同被试中阈值也不同,具有很强的特异性;并且在肺容积变化方面表现优异。
步骤3、将所述二值肺实质掩膜和肺部CT序列图进行点乘处理,获取肺实质区域图像,并对其中的潜在血管区域进行增强处理,获得肺部血管区域。
本实施例中,采用文献《Model-Based Detection of Tubular Structures in 3DImages》中的增强方法对潜在血管区域进行增强。该方法以血管尺度为参考,结合两种增强滤波函数的优点,可同时保证对各尺寸,各对比度的血管都有较好的敏感性以及特异性。
步骤3-1:将步骤2中获取的二值肺实质掩膜mask_lung,与原始序列图I进行点乘,从而获取肺实质区域图像lung_region。
步骤3-2:设置多尺度分析核σ集合:
σi={σ1,σ2...σi},with i=1,2...10
其中,i表示多尺度分析核大小,σ1表示半径大小为1个像素点的高斯滤波核。
该多尺度分析核σ能够较好地保留图像的高频信息,在后续多尺度图像分析中减少血管边缘模糊。
分别设置滤波核大小为σi的高斯滤波核,对肺实质区域图像lung_region进行高斯滤波,即多尺度分析,从而获取多尺度图像集合:
fσ(x,y)={f1(x,y),f2(x,y)...f10(x,y)}
其中,f1(x,y)表示高斯滤波核为σ1,即半径大小为1个像素点的高斯滤波核,所获取的滤波结果。
步骤3-3:利用Krissian函数,对多尺度图像集合中每个尺度的图像进行增强滤波,Krissian函数的公式为:
其中,R(x,σ,θ)表示尺度为σ的多尺度图像fσ(x,y)中,像素点x在角度为θ处的Krissian响应值;(x+θσυa)表示像素点x的一个边缘点(边界点),它由待检测像素点x坐标与检测半径θσυa相加得到,θ表示当前检测边缘点角度值,且θ=θ+da,υa表示旋转向量:υa=cosav3+cosav2,其中,ν3、v2表示像素点x的Hessian矩阵特征值,改变a的值可获取一系列边缘点集合Pa。上述Krissian函数利用了血管的边界信息,在Hessian矩阵血管增强滤波器的基础上进一步对体素点进行边界度计算,可检测出更多的细小管状结构。
上述Krissian函数对多尺度图像集合中的图像分别进行滤波,获取结果为:
Kσ(x,y)={K1(x,y),K2(x,y)...K10(x,y)}
其中,K1(x,y)表示尺度为1的图像所获取的Krissian函数滤波结果。
之后,以像素点为计算单位,获取lung_region中每个像素点在所有尺度下,Krissian滤波结果的最大值,计算公式如下所示:
Kmax(x,y)=max(σKσ(x,y)),withσ=1,2,...,10
其中,Kmax(x,y)表示坐标值为(x,y)的像素点x的最终响应值。Kmax则表示lung_region图像最终的滤波结果,Kmax中像素点的像素值,表示该点属于血管区域可能性的大小,值越大,则表示可能性越大。
步骤3-4:对Kmax结果进行骨架化处理,获取血管树的初步三维骨架。
本实施例中,利用文献《Building Skeleton Models via 3-D Medial SurfaceAxis Thinning Algorithms》中的方法进行骨架化处理,方法可充分保障分割气管的完整性。
步骤3-5:取最小骨架单元为(xi-1,xi,xi+1),其中xi-1,xi,xi+1为三维骨架上三个26邻接的体素点。分别取三个点在Krissian函数下获取最大响应值的边缘点集合然后分别连接最小骨架单元xi-1,xi,xi+1与对应的边缘点集合从而获取每个最小单元骨架点与对应边缘集合点的所有连线,求取连线上的平均灰度值,从而获取该骨架点的局部最优值,计算公式如下所示:
获取局部最优阈值Thpart后,对最小单元骨架及其连线上的点进行阈值化处理,从而获取二值图像。
步骤3-6:对初步三维骨架中所有的最小骨架单元进行步骤3-5的操作,从而获取最终的肺部血管区域。
步骤4、利用第一3D U-net网络从在输入的原始CT序列图中分割出候选肺结节区域。其中,U-Net架构在不同的医学图像分割应用中展现出非常好的性能,而3D U-net网络更是利用了待分割结节组织的三维连通性,对3D的CT图像在三个方向上进行编码,保证隔层肺结节组织之间的变化连续性,更好的选择出候选结节区域。
步骤4-1:通过交互的方式,点击选取需观测的肺结节中心区域,并获取肺结节中心点结合:ni={n1,n2,...,nn},with i=1,2,...,n,其中ni代表第i个结节的三维空间坐标点,即ni=(xi,yi,zi)。
步骤4-2:依次对以ni为中心的区域进行阈值分割,获取初步的肺结节区域。
步骤4-3:对获取的肺结节区域,进行修剪,修剪大小为50*50*Sz的图像块,其中Sz表示结节在Sz轴方向上的切层数。修剪后,获得结节图像块集合nodei={node1,node2,...,nodei},with i=1,2,...,n,其中nodei表示第i个结节子图像块。
步骤4-4:将获取的结节子图像块分别代入第一3D U-net网络(3D-UNET-1网络)进行分割,从而获取精细的结节区域。
步骤5、判断所述肺部血管区域和候选肺结节区域是否存在交集,以避免将肺部血管误诊为肺结节,增加鲁棒性。若是,则利用第二3D U-net网络(3D-UNET-2网络)对所述肺部血管区域和候选肺结节区域的交集部分进行分割,执行步骤6,若否,则直接执行步骤6。
上述3D-UNET-1与3D-UNET-2的网络结构相同,但用于训练网络的数据不同。3D-UNET-2网络更加针对于血管与结节区域的区分,3D-UNET-1更加注重于肺结节与非结节区域的区分。
步骤6、对分割后的肺部血管区域和候选肺结节区域进行三维重建显示,进行所述三维重建显示时,以不同颜色渲染所述肺部血管区域和候选肺结节区域,从而清晰实现对肺部血管与结节位置关系的显示。
实施例2
本实施例提供一种肺部图像处理装置,包括:CT图像获取模块,用于获取待处理的肺部CT序列图;第一分割模块,用于对所述肺部CT序列图进行分割,获取二值肺实质掩膜;增强模块,用于将所述二值肺实质掩膜和肺部CT序列图进行点乘处理,获取肺实质区域图像,并对其中的潜在血管区域进行增强处理,获得肺部血管区域;第二分割模块,用于利用第一3D U-net网络从所述肺部CT序列图中分割出候选肺结节区域;第三分割模块,用于判断所述肺部血管区域和候选肺结节区域是否存在交集,在判断结果为是时,利用第二3D U-net网络对所述肺部血管区域和候选肺结节区域的交集部分进行分割;显示模块,对获得的肺部血管区域和候选肺结节区域进行三维重建显示,并以以不同颜色渲染所述肺部血管区域和候选肺结节区域。其余同实施例1。
实施例3
本实施例提供一种计算机设备,包括处理器和存储处理器可执行指令的存储器,其中,所述处理器耦合于所述存储器,用于读取所述存储器存储的程序指令,并作为响应,执行如实施例1所述方法中的步骤。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种肺部图像处理方法,其特征在于,该方法包括以下步骤:
获取待处理的肺部CT序列图;
对所述肺部CT序列图进行分割,获取二值肺实质掩膜;
将所述二值肺实质掩膜和肺部CT序列图进行点乘处理,获取肺实质区域图像,并对其中的潜在血管区域进行增强处理,获得肺部血管区域;
利用第一3D U-net网络从所述肺部CT序列图中分割出候选肺结节区域;
判断所述肺部血管区域和候选肺结节区域是否存在交集,若是,则利用第二3D U-net网络对所述肺部血管区域和候选肺结节区域的交集部分进行分割,对分割后的肺部血管区域和候选肺结节区域进行三维重建显示,若否,则直接进行所述肺部血管区域和候选肺结节区域的三维重建显示,进行所述三维重建显示时,以不同颜色渲染所述肺部血管区域和候选肺结节区域。
2.根据权利要求1所述的肺部图像处理方法,其特征在于,对所述血管区域进行增强处理具体包括:
以不同尺度的高斯滤波核对所述肺实质区域图像进行高斯滤波,获得多尺度图像集合;
利用Krissian函数分别对所述多尺度图像集合中每个尺度的图像进行增强滤波;
以像素点为计算单位,获取肺实质区域图像中每个像素点在所有尺度下的Krissian滤波结果最大值;
对所述Krissian滤波结果最大值进行骨架化处理,获取血管树的初步三维骨架;
对所述初步三维骨架进行二值化处理,从而获得增强后的肺部血管区域。
5.根据权利要求1所述的肺部图像处理方法,其特征在于,从所述肺部CT序列图中分割出候选肺结节具体包括:
获取需观测的肺结节中心点集合;
依次对以每一个肺结节中心点为中心的区域进行阈值分割,获取初步肺结节区域;
对所述初步肺结节区域进行修剪处理,获得结节图像块集合;
采用三维U-Net网络分别对所述结节图像块集合中的每个结节子图像块进行分割,从而获取精细的候选肺结节区域。
6.一种肺部图像处理装置,其特征在于,包括:
CT图像获取模块,用于获取待处理的肺部CT序列图;
第一分割模块,用于对所述肺部CT序列图进行分割,获取二值肺实质掩膜;
增强模块,用于将所述二值肺实质掩膜和肺部CT序列图进行点乘处理,获取肺实质区域图像,并对其中的潜在血管区域进行增强处理,获得肺部血管区域;
第二分割模块,用于利用第一3D U-net网络从所述肺部CT序列图中分割出候选肺结节区域;
第三分割模块,用于判断所述肺部血管区域和候选肺结节区域是否存在交集,在判断结果为是时,利用第二3D U-net网络对所述肺部血管区域和候选肺结节区域的交集部分进行分割;
显示模块,对获得的肺部血管区域和候选肺结节区域进行三维重建显示,并以以不同颜色渲染所述肺部血管区域和候选肺结节区域。
7.根据权利要求6所述的肺部图像处理装置,其特征在于,所述增强模块包括:
高斯滤波单元,用于以不同尺度的高斯滤波核对所述肺实质区域图像进行高斯滤波,获得多尺度图像集合;
增强滤波单元,用于利用Krissian函数分别对所述多尺度图像集合中每个尺度的图像进行增强滤波;
最大滤波结果计算单元,用于以像素点为计算单位,获取肺实质区域图像中每个像素点在所有尺度下的Krissian滤波结果最大值;
骨架化处理单元,用于对所述Krissian滤波结果最大值进行骨架化处理,获取血管树的初步三维骨架;
二值化处理单元,对所述初步三维骨架进行二值化处理,从而获得增强后的肺部血管区域。
9.根据权利要求6所述的肺部图像处理装置,其特征在于,所述第二分割模块包括:
初步阈值分割单元,用于获取需观测的肺结节中心点集合,依次对以每一个肺结节中心点为中心的区域进行阈值分割,获取初步肺结节区域;
修剪单元,用于对所述初步肺结节区域进行修剪处理,获得结节图像块集合;
精细分割单元,用于采用三维U-Net网络分别对所述结节图像块集合中的每个结节子图像块进行分割,从而获取精细的候选肺结节区域。
10.一种计算机设备,其特征在于,包括:
处理器;
存储处理器可执行指令的存储器;
其中,所述处理器耦合于所述存储器,用于读取所述存储器存储的程序指令,并作为响应,执行如权利要求1-5中任一项所述方法中的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011018504.8A CN112184659B (zh) | 2020-09-24 | 2020-09-24 | 一种肺部图像处理方法、装置及设备 |
PCT/CN2021/120099 WO2022063198A1 (zh) | 2020-09-24 | 2021-09-24 | 一种肺部图像处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011018504.8A CN112184659B (zh) | 2020-09-24 | 2020-09-24 | 一种肺部图像处理方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112184659A true CN112184659A (zh) | 2021-01-05 |
CN112184659B CN112184659B (zh) | 2023-08-25 |
Family
ID=73943429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011018504.8A Active CN112184659B (zh) | 2020-09-24 | 2020-09-24 | 一种肺部图像处理方法、装置及设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112184659B (zh) |
WO (1) | WO2022063198A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160120A (zh) * | 2021-02-05 | 2021-07-23 | 十堰市太和医院 | 基于多模态融合与深度学习的肝脏血管分割方法及系统 |
CN113506250A (zh) * | 2021-06-25 | 2021-10-15 | 沈阳东软智能医疗科技研究院有限公司 | 肺主动脉血管提取方法、装置、可读存储介质和电子设备 |
CN113674279A (zh) * | 2021-10-25 | 2021-11-19 | 青岛美迪康数字工程有限公司 | 基于深度学习的冠脉cta影像的处理方法及装置 |
CN113706557A (zh) * | 2021-08-30 | 2021-11-26 | 江苏省人民医院(南京医科大学第一附属医院) | 肺实质对称四分区判定肺结节三维空间内深度的方法 |
WO2022063198A1 (zh) * | 2020-09-24 | 2022-03-31 | 上海健康医学院 | 一种肺部图像处理方法、装置及设备 |
CN113506250B (zh) * | 2021-06-25 | 2024-05-28 | 沈阳东软智能医疗科技研究院有限公司 | 肺主动脉血管提取方法、装置、可读存储介质和电子设备 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820571B (zh) * | 2022-05-21 | 2023-05-30 | 东北林业大学 | 一种基于dlpe算法的肺炎纤维化量化分析方法 |
CN115049850A (zh) * | 2022-07-20 | 2022-09-13 | 电子科技大学 | 一种用于肺部ct影像的纤维化区域的特征提取方法 |
CN116051566B (zh) * | 2023-04-03 | 2023-06-23 | 华南师范大学 | 一种用于ct增强图像的血管自动分割方法 |
CN116993628B (zh) * | 2023-09-27 | 2023-12-08 | 四川大学华西医院 | 一种用于肿瘤射频消融引导的ct图像增强系统 |
CN117437236B (zh) * | 2023-12-21 | 2024-03-01 | 中国人民解放军总医院第一医学中心 | 一种胃肠镜图像异常检测方法及系统 |
CN117557560B (zh) * | 2024-01-11 | 2024-03-22 | 天津医科大学总医院 | 基于pet和ct图像融合的肺结节病灶识别方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040184647A1 (en) * | 2002-10-18 | 2004-09-23 | Reeves Anthony P. | System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans |
JP2008012291A (ja) * | 2006-06-08 | 2008-01-24 | Kobe Univ | 医用画像診断支援装置および医用画像診断支援プログラム |
CN102324109A (zh) * | 2011-09-26 | 2012-01-18 | 上海理工大学 | 基于模糊隶属度模型的非实质性肺结节三维分割方法 |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
CN107274399A (zh) * | 2017-06-19 | 2017-10-20 | 太原理工大学 | 一种基于Hession矩阵和三维形状指数的肺结节分割方法 |
CN107392916A (zh) * | 2017-05-31 | 2017-11-24 | 郭明 | 一种3d肺表面投影肺结节定位系统及方法 |
CN108492300A (zh) * | 2018-03-16 | 2018-09-04 | 上海理工大学 | 管状结构增强与能量函数结合的肺部血管树分割方法 |
CN108765369A (zh) * | 2018-04-20 | 2018-11-06 | 平安科技(深圳)有限公司 | 肺结节的检测方法、装置、计算机设备和存储介质 |
CN108986067A (zh) * | 2018-05-25 | 2018-12-11 | 上海交通大学 | 基于跨模态的肺结节检测方法 |
US20190287242A1 (en) * | 2018-03-16 | 2019-09-19 | Infervision | Computed tomography pulmonary nodule detection method based on deep learning |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184659B (zh) * | 2020-09-24 | 2023-08-25 | 上海健康医学院 | 一种肺部图像处理方法、装置及设备 |
-
2020
- 2020-09-24 CN CN202011018504.8A patent/CN112184659B/zh active Active
-
2021
- 2021-09-24 WO PCT/CN2021/120099 patent/WO2022063198A1/zh active Application Filing
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040184647A1 (en) * | 2002-10-18 | 2004-09-23 | Reeves Anthony P. | System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans |
JP2008012291A (ja) * | 2006-06-08 | 2008-01-24 | Kobe Univ | 医用画像診断支援装置および医用画像診断支援プログラム |
CN102324109A (zh) * | 2011-09-26 | 2012-01-18 | 上海理工大学 | 基于模糊隶属度模型的非实质性肺结节三维分割方法 |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
CN107392916A (zh) * | 2017-05-31 | 2017-11-24 | 郭明 | 一种3d肺表面投影肺结节定位系统及方法 |
CN107274399A (zh) * | 2017-06-19 | 2017-10-20 | 太原理工大学 | 一种基于Hession矩阵和三维形状指数的肺结节分割方法 |
CN108492300A (zh) * | 2018-03-16 | 2018-09-04 | 上海理工大学 | 管状结构增强与能量函数结合的肺部血管树分割方法 |
US20190287242A1 (en) * | 2018-03-16 | 2019-09-19 | Infervision | Computed tomography pulmonary nodule detection method based on deep learning |
CN108765369A (zh) * | 2018-04-20 | 2018-11-06 | 平安科技(深圳)有限公司 | 肺结节的检测方法、装置、计算机设备和存储介质 |
CN108986067A (zh) * | 2018-05-25 | 2018-12-11 | 上海交通大学 | 基于跨模态的肺结节检测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022063198A1 (zh) * | 2020-09-24 | 2022-03-31 | 上海健康医学院 | 一种肺部图像处理方法、装置及设备 |
CN113160120A (zh) * | 2021-02-05 | 2021-07-23 | 十堰市太和医院 | 基于多模态融合与深度学习的肝脏血管分割方法及系统 |
CN113506250A (zh) * | 2021-06-25 | 2021-10-15 | 沈阳东软智能医疗科技研究院有限公司 | 肺主动脉血管提取方法、装置、可读存储介质和电子设备 |
CN113506250B (zh) * | 2021-06-25 | 2024-05-28 | 沈阳东软智能医疗科技研究院有限公司 | 肺主动脉血管提取方法、装置、可读存储介质和电子设备 |
CN113706557A (zh) * | 2021-08-30 | 2021-11-26 | 江苏省人民医院(南京医科大学第一附属医院) | 肺实质对称四分区判定肺结节三维空间内深度的方法 |
CN113706557B (zh) * | 2021-08-30 | 2023-06-27 | 江苏省人民医院(南京医科大学第一附属医院) | 肺实质对称四分区判定肺结节三维空间内深度的方法 |
CN113674279A (zh) * | 2021-10-25 | 2021-11-19 | 青岛美迪康数字工程有限公司 | 基于深度学习的冠脉cta影像的处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112184659B (zh) | 2023-08-25 |
WO2022063198A1 (zh) | 2022-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184659B (zh) | 一种肺部图像处理方法、装置及设备 | |
US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
US8577129B2 (en) | System and method for three-dimensional image rendering and analysis | |
US8045770B2 (en) | System and method for three-dimensional image rendering and analysis | |
CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
CN110910405B (zh) | 基于多尺度空洞卷积神经网络的脑肿瘤分割方法及系统 | |
JP2015528372A (ja) | 医用画像中の肺結節を自動検出するためのシステム及び方法 | |
CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
CN109363698A (zh) | 一种乳腺影像征象识别的方法及装置 | |
CN107274399A (zh) | 一种基于Hession矩阵和三维形状指数的肺结节分割方法 | |
Zheng et al. | MDCC-Net: multiscale double-channel convolution U-Net framework for colorectal tumor segmentation | |
US20210142470A1 (en) | System and method for identification of pulmonary arteries and veins depicted on chest ct scans | |
CN113269225A (zh) | 基于影像组学的非侵入式肝脏上皮样血管平滑肌脂肪瘤图像分类装置 | |
Wei et al. | Learning-based 3D surface optimization from medical image reconstruction | |
CN112116562A (zh) | 基于肺部影像数据检测病灶的方法、装置、设备及介质 | |
CN113764101B (zh) | 基于cnn的乳腺癌新辅助化疗多模态超声诊断系统 | |
Wang et al. | Accurate tumor segmentation via octave convolution neural network | |
Zhi et al. | Deep neural network pulmonary nodule segmentation methods for CT images: Literature review and experimental comparisons | |
Chen et al. | Deep transfer learning for histopathological diagnosis of cervical cancer using convolutional neural networks with visualization schemes | |
CN113362360A (zh) | 基于流体速度场的超声颈动脉斑块分割方法 | |
EP1668592A1 (en) | Method and system for ground glass nodule (ggn) segmentation with shape analysis | |
CN111275722A (zh) | 肺段、肝段分割方法及系统 | |
CN111062909A (zh) | 乳腺肿块良恶性判断方法及设备 | |
Shao et al. | A segmentation method of airway from chest ct image based on vgg-unet neural network | |
Lawankar et al. | Segmentation of liver using marker watershed transform algorithm for CT scan 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 |