CN112308823B - 医学图像中感兴趣区域的定位方法及装置 - Google Patents
医学图像中感兴趣区域的定位方法及装置 Download PDFInfo
- Publication number
- CN112308823B CN112308823B CN202011097688.1A CN202011097688A CN112308823B CN 112308823 B CN112308823 B CN 112308823B CN 202011097688 A CN202011097688 A CN 202011097688A CN 112308823 B CN112308823 B CN 112308823B
- Authority
- CN
- China
- Prior art keywords
- region
- interest
- dimensional
- threshold
- image
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000003384 imaging method Methods 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims description 50
- 230000000877 morphologic effect Effects 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 230000007797 corrosion Effects 0.000 claims description 7
- 238000005260 corrosion Methods 0.000 claims description 7
- 238000005429 filling process Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 210000000988 bone and bone Anatomy 0.000 description 27
- 238000002591 computed tomography Methods 0.000 description 12
- 230000011218 segmentation Effects 0.000 description 9
- 230000003044 adaptive effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 208000001132 Osteoporosis Diseases 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000001054 cortical effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000006735 Periostitis Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001185 bone marrow Anatomy 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 210000000845 cartilage Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000003460 periosteum Anatomy 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了医学图像中感兴趣区域的定位方法及装置。方法包括：对于三维医学图像的各张切片图，将所述切片图划分为若干区域；对各个区域进行自适应阈值处理以确定对应于各个区域的局部阈值，将所述局部阈值与第一灰度阈值中的最大值作为所述区域的最终阈值，并根据所述最终阈值对所述区域进行二值化处理，得到对应于各张切片图的二值图像；其中，所述第一灰度阈值与所述感兴趣区域对应的被扫描对象的成像特性相关；根据各张二值图像确定所述三维医学图像中的感兴趣区域。从而提高感兴趣区域定位的准确性。
Description
技术领域
本发明涉及医学成像技术领域，特别涉及医学图像中感兴趣区域的定位方法及装置。
背景技术
临床科室之前，需要对医学图像进行术前规划，在医疗影像中分割出医护人员感兴趣的区域，以骨骼为例，骨骼作为人体中最坚硬的部分，周围被各种组织层层包围着，无法直接通过肉眼观察到，通过CT(电子计算机断层扫描)能够很好的把身体内部的信息展示在眼前。然而，在进行骨骼手术的时候，医疗人员对CT图像中其余组织的信息并不关心，这些信息的存在甚至可能会对医疗人员的诊断和后期的治疗产生一些干扰。在骨科领域中，对骨骼的有效提取就成为了图像处理的一个关键。
发明内容
本发明提供一种医学图像中感兴趣区域的定位方法及装置，以提高感兴趣区域定位的准确性。
具体地，本发明是通过如下技术方案实现的：
第一方面，提供一种医学图像中感兴趣区域的定位方法，包括：
对于三维医学图像的各张切片图，将所述切片图划分为若干区域；
对各个区域进行自适应阈值处理以确定对应于各个区域的局部阈值，将所述局部阈值与第一灰度阈值中的最大值作为所述区域的最终阈值，并根据所述最终阈值对所述区域进行二值化处理，得到对应于各张切片图的二值图像；其中，所述第一灰度阈值与所述感兴趣区域对应的被扫描对象的成像特性相关；
根据各张二值图像确定所述三维医学图像中的感兴趣区域。
可选地，所述方法还包括：
将所述切片图中灰度值小于第二灰度阈值的像素点的灰度值设置为所述预设阈值，以对经过灰度值设置的切片图进行自适应阈值处理。
可选地，根据各张二值图像确定所述三维医学图像中的感兴趣区域，包括：
采用漫水填充算法对各张二值图像进行填充处理；
根据经过填充处理的各张二维图像确定所述感兴趣区域。
可选地，对所述二值图像进行填充处理，包括：
去除所述二值图像中包含位置相邻的像素点的数量小于数量阈值的区域；
对经过区域去除处理的二值图像进行填充处理。
可选地，对所述二值图像进行填充处理，包括：
采用形态学闭运算对所述二值图像中的二维连通区域进行优化，所述二维连通区域为包含位置相邻的像素点的数量大于等于数量阈值的区域；
对经过优化的二维连通区域进行填充处理。
可选地，对经过优化的二维连通区域进行填充处理，还包括：
对经过优化的二维连通区域进行高斯滤波处理；
对经过高斯滤波处理的图像进行二值化处理；
对经过二值化处理的图像进行填充处理。
可选地，根据各张二值图像确定所述三维医学图像中的感兴趣区域，包括：
采用球型结构元素对由所述各张二值图像构建的三维医学图像进行三维形态学闭运算，以对由二维连通区域确定的三维连通区域进行优化，所述二维连通区域为所述二值图像中包含位置相邻的像素点的数量大于等于数量阈值的区域；
将经过优化的三维连通区域确定为所述感兴趣区域。
可选地，根据各张二值图像确定所述三维医学图像中的感兴趣区域，包括：
采用球型结构元素对由所述各张二值图像构建的三维医学图像进行三维形态学闭运算，以对由二维连通区域确定的三维连通区域进行优化，所述二维连通区域为所述二值图像中包含位置相邻的像素点的数量大于等于数量阈值的区域；
采用漫水填充算法对经过优化的三维连通区域进行填充反选；
采用球型结构元素对经过填充反选的三维连通区域进行形态学腐蚀操作，并将经过形态学腐蚀操作的各个三维连通区域中体积为最大值的三维连通区域确定为初始感兴趣区域；
采用球型结构元素对所述初始感兴趣区域进行形态学膨胀操作，并将经过所述形态学膨胀操作的初始感兴趣区域确定为最终的感兴趣区域。
第二方面，提供一种医学图像中感兴趣区域的定位装置，包括：
划分模块，用于对于三维医学图像的各张切片图，将所述切片图划分为若干区域；
处理模块，用于对各个区域进行自适应阈值处理以确定对应于各个区域的局部阈值，将所述局部阈值与第一灰度阈值中的最大值作为所述区域的最终阈值，并根据所述最终阈值对所述区域进行二值化处理，得到对应于各张切片图的二值图像；其中，所述第一灰度阈值与所述感兴趣区域对应的被扫描对象的成像特性相关；
确定模块，用于根据各张二值图像确定所述三维医学图像中的感兴趣区域。
第三方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的方法。
第四方面，提供一种计算机可读存储介质，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上述任一项所述的方法的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果：
本发明实施例，阈值分割并非对整幅三维医学图像进行，而是对三维医学图像的切片图进行，相较于直接对三维医学图像进行阈值分割，算法运行效率大大提高。且通过对三维医学图的切片图进行区域阈值的分割，结合全局阈值与区域阈值，取两者中的较大值作为像素点的最终阈值进行图像二值化，相较于相关技术中采用三维图像信息来计算区域的阈值，可以减少由于引入关联性相对较小的相邻层像素点带来的不利影响，提高区域阈值分割的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本发明一示例性实施例示出的一种医学图像中感兴趣区域的定位方法的流程图；
图2是本发明一示例性实施例示出的一种医学图像中感兴趣区域的定位装置的模块示意图；
图3是本发明一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
图1是本发明一示例性实施例示出的一种医学图像中感兴趣区域的定位方法的流程图，基于二维全局阈值和局部阈值相结合，完成医学图像中感兴趣区域的提取分割，参见图1，该方法可以包括以下步骤：
步骤101、对于三维医学图像的各张切片图，将切片图划分为若干区域。
其中，三维医学图像可以是CT设备对病患的被扫描对象，例如小腿、手臂等组织器官，进行扫描得到的图像；三维医学图像还可以是PET(正电子发射断层显像)设备对病患的病变部位进行扫描得到的图像；三维医学图像也可以是PET/CT设备对病患的病变部位进行扫描得到的图像等。
将切片图划分为若干区域，各个区域的尺寸可以根据实际需求自行设置，例如可以是10×10像素、5×5像素或者3×3像素。若区域的尺寸设置的较大，区分度较小，分割结果可能会引入不是感兴趣区域的部分；若区域的尺寸设置的较小，会有部分感兴趣区域没有被确认为分割结果。经试验可知，将切片图划分为3×3像素的多个区域，其分割结果较佳，能够提高图像分割的效果。
在另一个实施例中，对切片图进行划分之前，可以构造一个图像掩膜(mask)，图像掩膜的形状可以但不限于采用圆形，将圆形的图像掩模与三维医学图像相乘，使得圆形内部区域的图像灰度值保持不变，圆形外部区域的图像灰度值为0，从而保留内部区域，去除外部不关心的区域，这样可以有效的把医学图像中与感兴趣区域无关但是可能会对图像分割造成影响的图像信息去除掉，突出需要关注的主体部分。
在另一个实施例中，还可以对切片图进行预处理，将切片图中灰度值小于第二灰度阈值的像素点的灰度值设置为预设阈值，以使步骤102中对经过预处理的切片图进行自适应阈值处理。其中，第二灰度阈值与预设阈值与感兴趣区域对应的被扫描对象的成像特性相关。以被扫描对象为小腿，感兴趣区域为成像中小腿的骨骼为例，骨骼在CT图像中成像的灰度值大于150，对于部分骨质疏松的患者，骨骼在CT图像中成像的灰度值会小于150，但是不会低于115，可以但不限于将第二灰度阈值设置为110，将预设阈值设置为105，对于图像中的各个像素点，若像素点的灰度值小于110，则将该像素点的像素值替换为105；若像素点的灰度值大于等于110，则不对该像素点的灰度值进行处理。这里预留了灰度值为110-115的像素点不做处理，是为了留一个过渡，到后面再处理。通过对切片图进行预处理，人为拉高切片图中灰度值过小的区域，且将预设阈值设置为105，既可以对灰度值过小的区域与灰度值大于110的区域进行区别，同时这样计算出来的灰度值过小的区域的自适应阈值与全局阈值相差不会太大，以避免该区域阈值的失效，可以避免出现比较多的杂质区域。
需要说明的是，对三维医学图像进行预处理不限于是在将切片图划分为若干区域之后执行，可以在将切片图划分为若干区域之前执行，也可以在对图像进行图像掩膜处理之后执行。
由于医学图像的格式与普通图像格式不同，医学图像一般是diocm格式文件，以CT图像为例，CT图像的像素值以CT值呈现，CT值范围与常规的灰度值范围不同，为了便于后续图像处理，在对图像进行预处理之前，需要对三维医学图像进行格式转换，例如，将三维医学图像中每个像素点的像素值加1000。
步骤102、对各个区域进行自适应阈值处理以确定各个区域的局部阈值，将局部阈值与第一灰度阈值中的最大值作为区域的最终阈值，并根据最终阈值对区域进行二值化处理，得到对应于各张切片图的二值图像。
本实施例中，采用自适应阈值分割时并非对整幅三维医学图像进行处理，而是先将图像划分为若干区域，对各个区域进行自适应阈值处理。对于各个区域的局部阈值，可以但不限于通过计算该区域中各像素点的灰度值的均值、中值、高斯加权平均(高斯滤波)来确定。例如，使用高斯滤波器，对于每个区域，将区域中所有像素点的灰度值进行加权平均，得到该区域的局部阈值。
第一灰度阈值与感兴趣区域对应的被扫描对象的成像特性相关，还是以骨骼为例，可以但不限于将第一灰度阈值设置为115，该第一灰度阈值为全局阈值。经过实验得知，如果第一灰度阈值设置的比较大了，会导致部分骨骼无法被提取，如果设置的比较小，会存在比较多的区域被误检；通过设定不同参数进行对比实验可知，将第一灰度阈值设置为115，可以对图像进行较为准确的分割。
举例来说，若区域A计算得到的局部阈值为110，小于第一灰度阈值115，则将115作为区域A的最终阈值，对于区域A中的各个像素点，若像素点的灰度值大于115，则将该像素点的灰度值设置为255，若像素点的灰度值小于115，则将该像素点的灰度值设置为0。若区域B计算得到的局部阈值为128，大于第一灰度阈值115，则将128作为区域B的最终阈值，对于区域B中的各个像素点，若像素点的灰度值大于128，则将该像素点的灰度值设置为255，若像素点的灰度值小于128，则将该像素点的灰度值设置为0。
常规的CT序列扫描存在间隔，致使各切片图之间会有半毫米多的距离，因此对于某一个像素点，同一层相邻像素点之间的关联性会比跨层相邻像素点之间的关联性强很多。本实施例中，通过全局阈值与区域阈值的结合，对切片图进行区域阈值的分割时，取两者中的较大值作为像素点的最终阈值进行图像二值化，相较于相关技术中采用三维图像信息来计算区域的阈值，可以减少由于引入关联性相对较小的相邻层像素点带来的不利影响，提高区域阈值分割的准确性，同时可以提高算法运行效率。
步骤103、根据各张二值图像确定三维医学图像中的感兴趣区域。
若感兴趣区域为骨骼所在区域，骨骼不仅包括矿物质化的骨骼组织，还包括骨髓、骨膜和软骨等其他组织，而该些组织所在的区域经过二值化处理之后可能被认为是非骨骼所在区域，因此需要对其进行填充，以根据经过填充处理的各张二维图像确定感兴趣区域。
对切片图进行二值化处理之后，图像中包含多个二维连通区域，该二维连通区域为初始的二维感兴趣区域，二维连通区域为包含位置相邻的像素点的数量大于等于数量阈值的区域。除此之外，二值图像中还可能包含位置相邻的像素点的数量小于数量阈值的区域，其大概率并非为骨骼所在的感兴趣区域，可能是结石所在的区域，或者非主要联通区域的杂骨所在区域。进行填充处理之前，需要去除图像中位置相邻的像素点的数量小于数量阈值的连通区域，以排除干扰。
可以但不限于将包含至少50个位置相邻的像素点的区域确定为二维连通区域，而去除图像中包含的位置相邻的像素点的数量小于50的区域，从而去除了图像中过多的杂质干扰，对保留了最大二维连通区域的二值图像进行填充处理。
在一个实施例中，进行填充处理之前，可以采用形态学闭运算对二维连通区域进行优化，并对经过优化的二维连通区域进行填充处理。对二维连通区域进行优化时，可以但不限于采用正方形作为结构元素进行闭操作，填充部分骨骼内部小区域，并且连接上一部分骨骼边界。
在一个实施例中，对图像进行形态学闭运算之后，还可以对图像进行高斯滤波处理，以去除图像中的过填充部分，去除图像中的噪声，降低噪声影响，并对经过高斯滤波处理的图像进行二值化处理。经过实验可知，将二值化处理的阈值设置为80左右，可以得到提取效果最佳的感兴趣区域。
对图像进行填充时，可以但不限于采用漫水填充算法切片图进行孔洞填充。漫水填充算法可以自动选中与种子点相连的区域，接着将该区域中像素点的灰度值替换成指定值。其中，种子点可以是用户在二维连通区域中选择的一点。
上述步骤为逐层对切片(二维图像)进行处理的过程，接下介绍根据经常填充、滤波和二值化处理的各张二值图像确定三维医学图像中的感兴趣区域的实现过程，具体的，可以包括以下步骤：
S1、采用球型结构元素对由各张二值图像构建的三维医学图像进行三维形态学闭运算，以对由二维连通区域确定的三维连通区域进行优化。
三维医学图像由多张切片图重建得到，确定了各张切片图中的二维连通区域，就可确定三维医学图像中的初始三维连通区域，可以基于形态学算法对初始三维连通区域所在的区域进行优化，以准确确定初始三维连通区域的区域边界。
S2、采用漫水填充算法对经过优化的三维连通区域进行填充反选。
由于图像序列扫描存在间隔，致使各切片图之间会有半毫米多的距离，通过对三维连通区域进行填充反选，可以把三维骨骼内部的空缺进行填充，例如因骨质疏松导致的空缺。
S3、采用球型结构元素对经过填充的三维连通区域进行形态学腐蚀操作，将三维医学图像中连通区域的体积为最大值的三维连通区域确定为初始感兴趣区域。
S4、采用球型结构元素对初始感兴趣区域进行形态学膨胀操作，将经过形态学膨胀操作的初始感兴趣区域确定为最终的感兴趣区域。
根据骨骼的致密程度不同，骨骼可以分为皮质骨和松质骨两种，皮质骨相对比较致密，松质骨则很疏松，在CT图像中呈现的松质骨与其临近的软组织的灰度值非常接近，这也就给骨骼的有效分割带来了一定难度，而本实施例中，在逐层对切片图运用漫水法进行孔洞填充之后，使用球型结构元素进行三维闭合操作，利用相邻层之间的关系对这一层缺失的骨骼信息进行拟合补充，相较于相关技术中直接对图像进行三维膨胀、三维腐蚀，本发明实施例采用的感兴趣区域确定方法能够在确保填充上部分骨骼内部应该有的区域的同时，引入更少的外部干扰，进而能够准确感兴趣区域。
确定了感兴趣区域所在的位置之后，可以保留原始的三维医学图像中的感兴趣区域的像素值，而将非感兴趣区域的像素值设置为0，以便于医护人员对感兴趣区域进行医疗诊断。
与前述医学图像中感兴趣区域的定位方法实施例相对应，本发明还提供了医学图像中感兴趣区域的定位装置的实施例。
图2是本发明一示例性实施例示出的一种医学图像中感兴趣区域的定位装置的模块示意图，可以包括：
划分模块21，用于对于三维医学图像的各张切片图，将所述切片图划分为若干区域；
处理模块22，用于对各个区域进行自适应阈值处理以确定对应于各个区域的局部阈值，将所述局部阈值与第一灰度阈值中的最大值作为所述区域的最终阈值，并根据所述最终阈值对所述区域进行二值化处理，得到对应于各张切片图的二值图像；其中，所述第一灰度阈值与所述感兴趣区域对应的被扫描对象的成像特性相关；
确定模块23，用于根据各张二值图像确定所述三维医学图像中的感兴趣区域。
可选地，所述装置还包括：
预处理模块，用于将所述切片图中灰度值小于第二灰度阈值的像素点的灰度值设置为所述预设阈值，以对经过灰度值设置的切片图进行自适应阈值处理。
可选地，所述确定模块具体用于：
采用漫水填充算法对各张二值图像进行填充处理；
根据经过填充处理的各张二维图像确定所述感兴趣区域。
可选地，在对所述二值图像进行填充处理时，所述确定模块用于：
去除所述二值图像中包含位置相邻的像素点的数量小于数量阈值的区域；
对经过区域去除处理的二值图像进行填充处理。
可选地，在对所述二值图像进行填充处理时，所述确定模块用于：
采用形态学闭运算对所述二值图像中的二维连通区域进行优化，所述二维连通区域为包含位置相邻的像素点的数量大于等于数量阈值的区域；
对经过优化的二维连通区域进行填充处理。
可选地，在对经过优化的二维连通区域进行填充处理时，所述确定模块用于：
对经过优化的二维连通区域进行高斯滤波处理；
对经过高斯滤波处理的图像进行二值化处理；
对经过二值化处理的图像进行填充处理。
可选地，所述确定模块具体用于：
采用球型结构元素对由所述各张二值图像构建的三维医学图像进行三维形态学闭运算，以对由二维连通区域确定的三维连通区域进行优化，所述二维连通区域为所述二值图像中包含位置相邻的像素点的数量大于等于数量阈值的区域；
将经过优化的三维连通区域确定为所述感兴趣区域。
可选地，所述确定模块具体用于：
采用球型结构元素对由所述各张二值图像构建的三维医学图像进行三维形态学闭运算，以对由二维连通区域确定的三维连通区域进行优化，所述二维连通区域为所述二值图像中包含位置相邻的像素点的数量大于等于数量阈值的区域；
采用漫水填充算法对经过优化的三维连通区域进行填充反选；
采用球型结构元素对经过填充反选的三维连通区域进行形态学腐蚀操作，并将经过形态学腐蚀操作的各个三维连通区域中体积为最大值的三维连通区域确定为初始感兴趣区域；
采用球型结构元素对所述初始感兴趣区域进行形态学膨胀操作，并将经过所述形态学膨胀操作的初始感兴趣区域确定为最终的感兴趣区域。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
图3是本发明一示例实施例示出的一种电子设备的结构示意图，示出了适于用来实现本发明实施方式的示例性电子设备30的框图。图3显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序工具325(或实用工具)，这样的程序模块324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如上述任一实施例所提供的方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的电子设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器36通过总线33与模型生成的电子设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的电子设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
本发明实施例还提供一种计算机可读存储介质，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上述任一实施例所提供的方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (10)
1.一种医学图像中感兴趣区域的定位方法，其特征在于，包括：
对于三维医学图像的各张切片图，将所述切片图划分为若干区域；
将所述切片图中灰度值小于第二灰度阈值的像素点的灰度值设置为预设阈值，以对经过灰度值设置的切片图进行自适应阈值处理；其中，第二灰度阈值与感兴趣区域对应的被扫描对象的成像特性相关；
对各个区域进行自适应阈值处理以确定对应于各个区域的局部阈值，将所述局部阈值与第一灰度阈值中的最大值作为所述区域的最终阈值，并根据所述最终阈值对所述区域进行二值化处理，得到对应于各张切片图的二值图像；其中，所述第一灰度阈值与所述感兴趣区域对应的被扫描对象的成像特性相关；所述第一灰度阈值大于所述预设阈值；
根据各张二值图像确定所述三维医学图像中的感兴趣区域。
2.根据权利要求1所述的方法，其特征在于，根据各张二值图像确定所述三维医学图像中的感兴趣区域，包括：
采用漫水填充算法对各张二值图像进行填充处理；
根据经过填充处理的各张二维图像确定所述感兴趣区域。
3.根据权利要求2所述的方法，其特征在于，对所述二值图像进行填充处理，包括：
去除所述二值图像中包含位置相邻的像素点的数量小于数量阈值的区域；
对经过区域去除处理的二值图像进行填充处理。
4.根据权利要求2所述的方法，其特征在于，对所述二值图像进行填充处理，包括：
采用形态学闭运算对所述二值图像中的二维连通区域进行优化，所述二维连通区域为包含位置相邻的像素点的数量大于等于数量阈值的区域；
对经过优化的二维连通区域进行填充处理。
5.根据权利要求4所述的方法，其特征在于，对经过优化的二维连通区域进行填充处理，还包括：
对经过优化的二维连通区域进行高斯滤波处理；
对经过高斯滤波处理的图像进行二值化处理；
对经过二值化处理的图像进行填充处理。
6.根据权利要求1所述的方法，其特征在于，根据各张二值图像确定所述三维医学图像中的感兴趣区域，包括：
采用球型结构元素对由所述各张二值图像构建的三维医学图像进行三维形态学闭运算，以对由二维连通区域确定的三维连通区域进行优化，所述二维连通区域为所述二值图像中包含位置相邻的像素点的数量大于等于数量阈值的区域；
将经过优化的三维连通区域确定为所述感兴趣区域。
7.根据权利要求1所述的方法，其特征在于，根据各张二值图像确定所述三维医学图像中的感兴趣区域，包括：
采用球型结构元素对由所述各张二值图像构建的三维医学图像进行三维形态学闭运算，以对由二维连通区域确定的三维连通区域进行优化，所述二维连通区域为所述二值图像中包含位置相邻的像素点的数量大于等于数量阈值的区域；
采用漫水填充算法对经过优化的三维连通区域进行填充反选；
采用球型结构元素对经过填充反选的三维连通区域进行形态学腐蚀操作，并将经过形态学腐蚀操作的各个三维连通区域中体积为最大值的三维连通区域确定为初始感兴趣区域；
采用球型结构元素对所述初始感兴趣区域进行形态学膨胀操作，并将经过所述形态学膨胀操作的初始感兴趣区域确定为最终的感兴趣区域。
8.一种医学图像中感兴趣区域的定位装置，其特征在于，包括：
划分模块，用于对于三维医学图像的各张切片图，将所述切片图划分为若干区域；
预处理模块，用于将所述切片图中灰度值小于第二灰度阈值的像素点的灰度值设置为预设阈值，以对经过灰度值设置的切片图进行自适应阈值处理；其中，第二灰度阈值与感兴趣区域对应的被扫描对象的成像特性相关；
处理模块，用于对各个区域进行自适应阈值处理以确定对应于各个区域的局部阈值，将所述局部阈值与第一灰度阈值中的最大值作为所述区域的最终阈值，并根据所述最终阈值对所述区域进行二值化处理，得到对应于各张切片图的二值图像；其中，所述第一灰度阈值与所述感兴趣区域对应的被扫描对象的成像特性相关；所述第一灰度阈值大于所述预设阈值；
确定模块，用于根据各张二值图像确定所述三维医学图像中的感兴趣区域。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011097688.1A CN112308823B (zh) | 2020-10-14 | 2020-10-14 | 医学图像中感兴趣区域的定位方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011097688.1A CN112308823B (zh) | 2020-10-14 | 2020-10-14 | 医学图像中感兴趣区域的定位方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112308823A CN112308823A (zh) | 2021-02-02 |
| CN112308823B true CN112308823B (zh) | 2024-03-15 |
Family
ID=74327032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011097688.1A Active CN112308823B (zh) | 2020-10-14 | 2020-10-14 | 医学图像中感兴趣区域的定位方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112308823B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114782440B (zh) * | 2022-06-21 | 2022-10-14 | 杭州三坛医疗科技有限公司 | 医学图像分割方法及电子设备 |
| CN116485819B (zh) * | 2023-06-21 | 2023-09-01 | 青岛大学附属医院 | 一种耳鼻喉检查图像分割方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955940A (zh) * | 2014-05-16 | 2014-07-30 | 天津重方科技有限公司 | 一种基于x射线背散射图像的人体隐藏物的检测方法 |
| CN106096491A (zh) * | 2016-02-04 | 2016-11-09 | 上海市第人民医院 | 眼底彩色图像中的微动脉瘤的自动识别方法 |
| CN110678903A (zh) * | 2017-05-24 | 2020-01-10 | 珀金埃尔默健康科学有限公司 | 用于3d图像中异位骨化的分析的系统和方法 |
| CN110930405A (zh) * | 2020-01-19 | 2020-03-27 | 南京理工大学 | 一种基于图像区域划分的刀具损伤检测方法 |
| KR102125388B1 (ko) * | 2019-08-12 | 2020-06-22 | (주)임펙 엔터프라이즈 | 기판의 절단위치를 자동으로 보정하는 기판절단장비 및 이를 위한 보정 방법 |
| CN111383191A (zh) * | 2019-12-11 | 2020-07-07 | 北京深睿博联科技有限责任公司 | 用于血管断裂修复的图像处理方法及装置 |
-
2020
- 2020-10-14 CN CN202011097688.1A patent/CN112308823B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955940A (zh) * | 2014-05-16 | 2014-07-30 | 天津重方科技有限公司 | 一种基于x射线背散射图像的人体隐藏物的检测方法 |
| CN106096491A (zh) * | 2016-02-04 | 2016-11-09 | 上海市第人民医院 | 眼底彩色图像中的微动脉瘤的自动识别方法 |
| CN110678903A (zh) * | 2017-05-24 | 2020-01-10 | 珀金埃尔默健康科学有限公司 | 用于3d图像中异位骨化的分析的系统和方法 |
| KR102125388B1 (ko) * | 2019-08-12 | 2020-06-22 | (주)임펙 엔터프라이즈 | 기판의 절단위치를 자동으로 보정하는 기판절단장비 및 이를 위한 보정 방법 |
| CN111383191A (zh) * | 2019-12-11 | 2020-07-07 | 北京深睿博联科技有限责任公司 | 用于血管断裂修复的图像处理方法及装置 |
| CN110930405A (zh) * | 2020-01-19 | 2020-03-27 | 南京理工大学 | 一种基于图像区域划分的刀具损伤检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112308823A (zh) | 2021-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110648337A (zh) | 髋关节分割方法、装置、电子设备和存储介质 | |
| KR101930644B1 (ko) | 환자 맞춤형 최적 이진화 방법과 분수령 알고리즘에 기반한 관절의 완전 자동 영상 분할 방법 및 장치 | |
| CN112308823B (zh) | 医学图像中感兴趣区域的定位方法及装置 | |
| CN111640100A (zh) | 肿瘤图像的处理方法和装置、电子设备、存储介质 | |
| CN105678746A (zh) | 一种医学图像中肝脏范围的定位方法及装置 | |
| CN111415404B (zh) | 术中预设区域的定位方法、装置、存储介质及电子设备 | |
| CN110706241A (zh) | 一种三维病灶区域提取方法和装置 | |
| CN111724389B (zh) | 髋关节ct图像分割方法、装置、存储介质和计算机设备 | |
| Lloréns et al. | Jaw tissues segmentation in dental 3D CT images using fuzzy-connectedness and morphological processing | |
| CN113160248B (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
| CN114365188A (zh) | 基于vrds ai下腔静脉影像的分析方法及产品 | |
| CN113469935B (zh) | 一种基于ct图像的髂后上棘自动检测与定位方法 | |
| CN116797612B (zh) | 基于弱监督深度活动轮廓模型的超声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 | |
| Bukas et al. | Patient-specific virtual spine straightening and vertebra inpainting: an automatic framework for osteoplasty planning | |
| CN110473297B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN115131301B (zh) | 基于深度学习的智能识别骨关节炎的方法及系统 | |
| EP1447772A1 (en) | A method of lung lobe segmentation and computer system | |
| Vasilache et al. | Automated bone segmentation from pelvic CT images | |
| CN115330696A (zh) | 一种支架的检测方法、装置、设备及存储介质 | |
| Leonardi et al. | 3D reconstruction from CT-scan volume dataset application to kidney modeling | |
| CN113614788A (zh) | 计算机辅助读取和分析的深度强化学习 | |
| Koh et al. | Automated boundary extraction of the spinal canal in mri based on dynamic programming | |
| Krol et al. | Computer-aided osteotomy design for harvesting autologous bone grafts in reconstructive surgery | |
| US20240071052A1 (en) | Method and system for removing foreign material from 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 |