CN112529918B - 一种脑部ct图像中脑室区域分割的方法、装置及设备 - Google Patents
一种脑部ct图像中脑室区域分割的方法、装置及设备 Download PDFInfo
- Publication number
- CN112529918B CN112529918B CN202011539407.3A CN202011539407A CN112529918B CN 112529918 B CN112529918 B CN 112529918B CN 202011539407 A CN202011539407 A CN 202011539407A CN 112529918 B CN112529918 B CN 112529918B
- Authority
- CN
- China
- Prior art keywords
- brain
- area
- image
- ventricle
- connected domain
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 249
- 238000000034 method Methods 0.000 title claims abstract description 58
- 210000005013 brain tissue Anatomy 0.000 claims abstract description 101
- 230000011218 segmentation Effects 0.000 claims description 57
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 abstract description 6
- 238000000926 separation method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 4
- 210000003625 skull Anatomy 0.000 description 4
- 230000002861 ventricular Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种脑部CT图像中脑室区域分割的方法、装置及设备,先对脑部CT图像中的脑组织区域进行识别,将脑组织区域进行二分组聚类,得到脑组织区域的背景区域以及非背景区域。对非背景区域中的连通域区域进行识别,将各个连通域区域按照包括的像素点数量进行排序;确定保留连通域数量,选取包括像素点数量较多的前N个连通域区域作为候选脑室区域。再利用第一目标比值和第一阈值判断当前的候选脑室区域是否可以确定为脑室区域。若不能则对候选脑室进行调整。如此使得分割得到的脑室区域更加完整、准确。并且能够实现自动对脑部CT图像中脑室区域进行划分,提高了对脑部CT图像中脑室区域分割的效率。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种脑部CT图像中脑室区域分割的方法、装置及设备。
背景技术
脑部CT扫描是检查脑部疾病的常用手段,利用脑部CT扫描得到的脑部CT图像可以对患者的病情进行分析。其中,颅脑组织图像分割技术是针对脑部CT图像进行颅脑组织分割的图像处理技术,通过颅脑组织分割技术可以快速地确定各个脑组织的大小以及相关的信息,便于医生进行疾病诊断和治疗。
目前,颅脑组织图像分割技术具有较强的针对性,在进行脑部CT图像分割的过程中需要人工进行辅助分割。并且,在针对脑部CT图像中的脑室区域进行分割时,容易受到脑部CT图像的成像限制以及患者个体因素的影响,导致分割得到的脑室区域不够准确。因此,如何实现自动化地、准确地对脑部CT图像中的脑室区域进行分割是亟待解决的问题。
发明内容
有鉴于此,本申请实施例提供一种脑部CT图像中脑室区域分割的方法、装置及设备,能够实现对脑部CT图像中脑室区域的自动化地准确分割,得到较为完整、精确度较高的脑室区域。
为解决上述问题,本申请实施例提供的技术方案如下:
一种脑部CT图像中脑室区域分割的方法,所述方法包括:
识别脑部CT图像中的脑组织区域;
将所述脑组织区域进行二分组聚类,得到背景区域以及非背景区域;
识别所述非背景区域中的连通域区域;
将各个所述连通域区域按照包括的像素点数量进行排序;
确定保留连通域数量,选取包括的像素点数量较多的前N个连通域区域作为候选脑室区域,其中,N为所述保留连通域数量;
计算所述脑部CT图像的目标切片图像中候选脑室区域的面积与脑组织区域的面积之比,得到第一目标比值;
如果所述第一目标比值大于第一阈值,将所述候选脑室区域确定为脑部CT图像中的脑室区域;
如果所述第一目标比值小于第一阈值,重新执行确定保留连通域数量以及后续步骤,直到将所述候选脑室区域确定为脑部CT图像中的脑室区域或者达到预设条件,每次确定的保留连通域数量大于前一次确定的保留连通域数量。
在一种可能的实现方式中,当各个所述连通域区域按照包括的像素点数量由大至小进行排序时,所述确定保留连通域数量,包括:
依次计算排序相邻的两个连通域区域包括的像素点数量之比,得到第二目标比值,当所述第二目标比值大于或等于第二阈值时停止计算,将当前两个连通域区域中排序在先的连通域区域的排序值确定为保留连通域数量;所述第二阈值随执行所述确定保留连通域数量的次数而增加。
在一种可能的实现方式中,所述依次计算排序相邻的两个连通域区域包括的像素点数量之比,得到第二目标比值,当所述第二目标比值大于或等于第二阈值时停止计算,将当前两个连通域区域中排序在先的连通域区域的排序值确定为保留连通域数量,包括:
计算第i个连通域区域包括的像素点数量与第i+1个连通域区域包括的像素点数量之比,得到第二目标比值,其中,i为整数,i的初始值为1,i的最大值为连通域区域数量减一;
如果所述第二目标比值小于第二阈值,则将i值加一后重新执行所述计算第i个连通域区域包括的像素点数量与第i+1个连通域区域包括的像素点数量之比,得到第二目标比值,直到i值达到最大值,将所述连通域区域数量确定为保留连通域数量;
如果所述第二目标比值大于或等于第二阈值,将当前i值确定为保留连通域数量。
在一种可能的实现方式中,当所述脑部CT图像为三维脑部CT图像,所述计算所述脑部CT图像的目标切片图像中候选脑室区域的面积与脑组织区域的面积之比,得到第一目标比值,包括:
在所述三维脑部CT图像中确定候选切片图像;
根据所述候选脑室区域确定各个所述候选切片图像中候选脑室区域的面积;
计算各个所述候选切片图像中候选脑室区域的面积与脑组织区域的面积之比,得到各个所述候选切片图像对应的目标比值;
将所述目标比值中的最大值对应的候选切片图像确定为目标切片图像,所述目标比值中的最大值确定为第一目标比值。
在一种可能的实现方式中,所述在所述三维脑部CT图像中确定候选切片图像,包括:
将所述三维脑部CT图像根据CT阈值进行二值化处理,得到脑部区域,将所述三维脑部CT图像的各层切片图像中所述脑部区域面积最大的切片图像确定为中心切片图像;
将切片索引值在所述中心切片图像的切片索引值预设范围内的切片图像确定为候选切片图像。
在一种可能的实现方式中,在将所述脑组织区域进行二分组聚类,得到背景区域以及非背景区域之前,所述方法还包括:
将所述脑组织区域进行膨胀腐蚀处理,重新确定所述脑组织区域。
在一种可能的实现方式中,在识别所述非背景区域中的连通域区域之后,所述方法还包括:
从各个所述连通域区域中移除像素点数量小于第三阈值的连通域区域。
一种脑部CT图像中脑室区域分割的装置,所述装置包括:
第一识别单元,用于识别脑部CT图像中的脑组织区域;
聚类单元,用于将所述脑组织区域进行二分组聚类,得到背景区域以及非背景区域;
第二识别单元,用于识别所述非背景区域中的连通域区域;
排序单元,用于将各个所述连通域区域按照包括的像素点数量进行排序;
第一确定单元,用于确定保留连通域数量,选取包括的像素点数量较多的前N个连通域区域作为候选脑室区域,其中,N为所述保留连通域数量;
计算单元,用于计算所述脑部CT图像的目标切片图像中候选脑室区域的面积与脑组织区域的面积之比,得到第一目标比值;
第二确定单元,用于如果所述第一目标比值大于第一阈值,将所述候选脑室区域确定为脑部CT图像中的脑室区域;
执行单元,用于如果所述第一目标比值小于第一阈值,重新执行确定保留连通域数量以及后续步骤,直到将所述候选脑室区域确定为脑部CT图像中的脑室区域或者达到预设条件,每次确定的保留连通域数量大于前一次确定的保留连通域数量。
一种脑部CT图像中脑室区域分割的设备,包括:存储器,处理器,及存储在所述存储器上并可在所述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,实现如上述的脑部CT图像中脑室区域分割的方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如上述的脑部CT图像中脑室区域分割的方法。
由此可见,本申请实施例具有如下有益效果:
本申请实施例提供的一种脑部CT图像中脑室区域分割的方法、装置及设备,先对脑部CT图像中的脑组织区域进行识别,将脑组织区域进行二分组聚类,得到脑组织区域的背景区域以及非背景区域。通过二分组聚类,可以缩小识别脑室区域分割的图像范围,提高了对脑部CT图像中脑室区域分割的准确性。再对非背景区域中的连通域区域进行识别,将各个连通域区域按照包括的像素点数量进行排序;确定保留连通域数量,选取包括像素点数量较多的前N个连通域区域作为候选脑室区域。计算脑部CT图像的目标切片图像中候选脑室区域的面积与脑组织区域的面积之比,得到第一目标比值。将第一目标比值与第一阈值进行比较,确定当前的候选脑室区域是否可以确定为脑室区域。若第一目标比值大于第一阈值,则候选脑室区域可以满足确定为脑室区域的条件,将候选脑室区域确定为脑部CT图像中的脑室区域。若第一目标比值小于第一阈值,则候选脑室区域不能满足确定为脑室区域的条件,需要重新执行确定保留连通域数量,直到候选脑室区域确定为脑部CT图像中的脑室区域或者达到预设条件,其中,每次确定的保留连通域数量大于前一次确定的保留连通域数量。如此可以使得在候选脑室区域不能确定为脑室区域时,增加所要保留的连通域数量,使得最后分割得到的脑室区域更加完整、准确。并且能够实现自动对脑部CT图像中脑室区域进行划分,提高了对脑部CT图像中脑室区域分割的效率。
附图说明
图1为本申请实施例提供的一种脑部CT图像中脑室区域分割的示意图;
图2为本申请实施例提供的一种脑部CT图像中脑室区域分割的方法的流程图;
图3为本申请实施例提供的一种常见脑部CT图像的脑室区域分割结果示意图;
图4为本申请实施例提供的一种低对比度且不连续的脑部CT图像的脑室区域分割结果示意图;
图5为本申请实施例提供的两种三维脑部CT图像中较为典型的切片图像的示意图;
图6为本申请实施例提供的一种脑部CT图像中脑室区域分割的装置的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
为了便于理解和解释本申请实施例提供的技术方案,下面将先对本申请的背景技术进行说明。
发明人在对传统的脑部CT图像中脑室区域分割技术进行研究后发现,由于脑室区域具有一定的不规则性,并且各个患者的脑部CT图像具有较大的差异性。现有的脑部CT图像中脑室区域分割技术在进行脑室区域分割时,基本采用区域生长方法,依赖人工的种子点选择,需要人工进行辅助区域分割,并且迭代的计算时间较长,导致脑室区域分割的效率较低。并且,受到CT成像过程中各个参数的影响,得到的脑部CT图像中脑室区域与周围其他脑组织之间的对比度可能较低,使得得到的分割的脑室区域不够准确。另外,受到患者个体情况的影响,分割后的脑部CT图像中的脑室区域可能存在误差,使得分割后得到的脑部CT图像不够完整。
基于此,本申请实施例提供一种脑部CT图像中脑室区域分割的方法、装置及设备,先对脑部CT图像中的脑组织区域进行识别,将脑组织区域进行二分组聚类,得到脑组织区域的背景区域以及非背景区域。通过二分组聚类,可以缩小识别脑室区域分割的图像范围,提高了对脑部CT图像中脑室区域分割的准确性。再对非背景区域中的连通域区域进行识别,将各个连通域区域按照包括的像素点数量进行排序;确定保留连通域数量,选取包括像素点数量较多的前N个连通域区域作为候选脑室区域。计算脑部CT图像的目标切片图像中候选脑室区域的面积与脑组织区域的面积之比,得到第一目标比值。将第一目标比值与第一阈值进行比较,确定当前的候选脑室区域是否可以确定为脑室区域。若第一目标比值大于第一阈值,则候选脑室区域可以满足确定为脑室区域的条件,将候选脑室区域确定为脑部CT图像中的脑室区域。若第一目标比值小于第一阈值,则候选脑室区域不能满足确定为脑室区域的条件,需要重新执行确定保留连通域数量,直到候选脑室区域确定为脑部CT图像中的脑室区域或者达到预设条件,其中,每次确定的保留连通域数量大于前一次确定的保留连通域数量。如此可以使得在候选脑室区域不能确定为脑室区域时,增加所要保留的连通域数量,使得分割得到的脑室区域更加完整、准确。并且能够实现自动对脑部CT图像中脑室区域进行划分,提高了对脑部CT图像中脑室区域分割的效率。
为了便于理解本申请实施例提供的脑部CT图像中脑室区域分割的方法,下面结合图1所示的场景示例进行说明。参见图1,该图为本申请实施例提供的一种脑部CT图像中脑室区域分割的示意图。
在实际应用中,脑部CT图像中具有脑室区域,即图1(a)中深色部分。在对脑室区域进行分割时,先对脑部CT图像中的脑组织区域进行识别,并对脑组织区域进行二分组聚类,将脑组织区域划分为背景区域和非背景区域。再对非背景区域进行连通域区域的识别,并将各个连通域区域按照所包括的像素点数量进行排序。按照保留连通域数量选取包括像素点数量较多的前N个连通域区域作为候选脑室区域,其中,N为保留连通域数量。再计算脑部CT图像的目标切片图像中候选脑室区域的面积和脑组织区域的面积之比,得到第一目标比值。利用第一目标比值和第一阈值之间的大小关系确定脑部CT图像中的脑室区域,即图1(b)中实线区域。具体的,若第一目标比值大于第一阈值,将候选脑室区域确定为脑部CT图像中的脑室区域。若第一目标比值小于第一阈值,重新确定保留连通域数量以及重新选取连通域区域作为候选脑室区域,直到将候选脑室区域确定为脑部CT图像中的脑室区域或者达到预设条件。
为了便于理解本申请,下面结合附图对本申请实施例提供的一种脑部CT图像中脑室区域分割的方法进行说明。
参见图2所示,该图为本申请实施例提供的一种脑部CT图像中脑室区域分割的方法的流程图,该方法包括步骤S201-S208:
S201:识别脑部CT图像中的脑组织区域。
脑部CT图像是通过CT设备进行脑部检查后得到的图像。脑部CT图像可以是由多层脑部CT切片图像组成的三维的脑部CT图像;也可以是二维平面图像的单个脑部CT图像。
脑部CT图像中具有颅骨区域和脑组织区域,脑组织区域中具有脑室区域。脑部CT图像中颅骨区域的CT值较高,边缘较为清晰,可以先从脑部CT图像将颅骨区域进行剔除,以便实现对脑部CT图像中的脑组织图像的识别,从而缩小脑室区域的识别范围,提高对脑室区域的识别的准确度。
本申请实施例不限定脑部CT图像中的脑组织区域的识别方法。可以采用一种基于隐函数的测地线水平集轮廓提取算法,具体包括以下步骤:
A1:对待处理的脑部CT图像进行阈值分割,得到阈值分割结果。具体的,阈值可以选取[0-100],在阈值范围内的像素值置1,在阈值范围外的像素值置0。
A2:沿z轴方向逐层进行最大连通域分析。
具体的,当脑部CT图像为三维脑部CT图像时,依次遍历脑部CT图像的每个切片,计算各个脑部CT切片的最大连通域面积。
A3:确定初始分割切片索引。
将A2步骤中最大连通域面积所对应的脑部CT切片作为初始分割切片,将初始分割切片所对应的索引值作为初始分割切片索引。
A4:对初始分割切片进行图像分割并分别生成初始分割切片的前景与背景灰度概率密度函数。
计算初始分割切片的前景与背景灰度概率密度函数。初始分割切片是A3步骤中确定的最大连通域面积所对应的脑部CT切片。
以阈值分割结果为初始轮廓,基于时间全隐的测地线水平集活动轮廓算法生成初始分割切片对应的脑组织轮廓。
A5:基于初始分割切片,按照多层脑部CT切片的切片顺序,利用时间全隐的测地线水平集活动轮廓算法,分别向上逐层和向下逐层依次生成脑组织轮廓。
A6:三维数据进行补洞与移除孤立点等后处理。
对生成的脑组织轮廓,利用三维数据进行补洞和移除孤立点处理,使得得到的脑组织轮廓更为准确。
A7:输出脑部CT脑组织分割结果。
从而可以较为准确地识别出脑部CT图像中的脑组织区域。上述识别脑组织区域的过程可以独立实现,是后续脑室区域分割步骤的基础。
S202:将脑组织区域进行二分组聚类,得到背景区域以及非背景区域。
可以理解的是,识别得到的脑组织区域中脑室区域的CT值均较小,其他的脑组织区域的CT值相对较高,容易实现对于脑室区域的分割。但是,若直接对识别得到的脑组织区域进行脑室区域的连通域识别,容易受到背景区域的影响,使得识别得到的连通域区域不够准确。
因此,先对脑组织区域进行二分组聚类,将脑组织区域划分为背景区域和非背景区域。其中,背景区域可以为脑部CT图像中的边缘背景区域,非背景区域可以为包括脑室的区域。具体可以将背景区域的像素位置置0。
在本申请实施例中,二分组聚类可以采用K-Means聚类算法,构建对应的2个划分聚类,分别对应于背景区域以及非背景区域。
S203:识别非背景区域中的连通域区域。
基于人体的脑室区域为一个连通域,则可以在脑组织区域进行二分组聚类后得到的非背景区域中,识别连通域区域。
需要说明的是,在脑部CT图像的生成和处理的过程中,可能会导致得到的脑部CT图像中的脑室区域并非仅限于一个连通域区域,识别得到的连通域区域的数量可能为一个或者多个。
S204:将各个连通域区域按照包括的像素点数量进行排序。
识别得到的各个连通域区域的大小不同,部分连通域区域较大,可以基于较大的连通域区域形成对应的脑室区域。
利用连通域区域所包括的像素点的数量表示连通域区域的大小,将各个连通域区域按照连通域区域所包括的像素点数量进行排序。
S205:确定保留连通域数量,选取包括的像素点数量较多的前N个连通域区域作为候选脑室区域,其中,N为保留连通域数量。
保留连通域数量为组成候选脑室区域的连通域区域的数量。保留连通域数量可以根据脑室区域确定。保留连通域数量也可以根据候选脑室区域是否满足预设条件进行调整。
根据连通域区域所包括的像素点数量,选取包括数量较多的前N个连通域区域作为候选脑室区域。其中,N是确定的保留连通域数量。通过选取包括像素点数量较多的连通域区域可以实现利用面积较大的连通域区域组成候选脑室区域。
S206:计算脑部CT图像的目标切片图像中候选脑室区域的面积与脑组织区域的面积之比,得到第一目标比值。
在本步骤中,需要从原始的脑部CT图像中确定目标切片图像,然后根据上述步骤可以确定该目标切片图像对应的候选脑室区域的面积与脑组织区域的面积。
当脑部CT图像为二维脑部CT图像时,目标切片图像为二维脑部图像本身。根据脑组织区域的识别结果,得到脑组织区域的面积。根据连通域区域得到的候选脑室区域,得到候选脑室区域的面积。计算候选脑室区域的面积与脑组织区域的面积之比,得到第一目标比值。根据第一目标比值可以确定候选脑室区域在脑组织区域所占的比例,确定候选脑室区域是否可以确定为脑室区域。
当脑部CT图像为三维脑部CT图像时,目标切片图像为脑部CT图像中的较为典型的切片图像。对应的,本申请实施例提供了一种当脑部CT图像是三维脑部CT图像时,计算脑部CT图像的目标切片图像中候选脑室区域的面积与脑组织区域的面积之比,得到第一目标比值的具体实施方式,请参见下文。
S207:如果第一目标比值大于第一阈值,将候选脑室区域确定为脑部CT图像中的脑室区域。
第一阈值为脑室区域占脑组织区域的比值。通过判断第一目标比值与第一阈值之间的大小关系,可以确定候选脑室区域是否可以构成脑室区域。
第一阈值的具体数值可以通过实验确定,在一种可能的实现方式中,可以将目标阈值作为自变量,将Dice系数作为因变量,根据Dice系数确定第一阈值的数值。其中,Dice系数为分割得到的脑室区域与金标准脑室区域的重合面积或者是重合体积,占金标准脑室区域的面积或者体积的比例。金标准脑室区域可以是通过人工分割得到的较为标准的脑室区域。
目标阈值的初始值可以为0.01,调节步长为0.01,将目标阈值依次进行递增,循环50次,得到各个目标阈值所对应的Dice系数,选取对应于最大的Dice系数的目标阈值作为第一阈值。例如,第一阈值具体可以为0.03。
在当第一目标比值大于第一阈值时,候选脑室区域符合确定为脑室区域的条件,将候选脑室区域确定为脑部CT图像中的脑室区域。
S208:如果第一目标比值小于第一阈值,重新执行确定保留连通域数量以及后续步骤,直到将候选脑室区域确定为脑部CT图像中的脑室区域或者达到预设条件,每次确定的保留连通域数量大于前一次确定的保留连通域数量。
若第一目标比值小于第一阈值,则说明候选脑室区域在脑组织区域中所占的比例较小,还不能确定为脑室区域,需要继续增加组成候选脑室区域的连通域区域的数量,对候选脑室区域进行进一步缝隙的修补。
重新执行确定保留连通域数量,本次确定的保留连通域数量需要大于前一次确定的保留连通域数量。本申请实施例不限定本次较前次保留连通域数量的具体增加数量,具体可以通过确定保留连通域区域数量的次数确定。
根据新确定的保留连通域数量,重新从连通域区域中选取保留连通域数量对应的包括像素点较多的连通域区域作为候选脑室区域。根据重新确定的候选脑室区域,计算脑部CT图像的目标切片图像中候选脑室区域的面积与脑组织区域的面积之比,得到新的第一目标比值。利用新的第一目标比值和第一阈值确定重新确定的候选脑室区域是否可以确定为脑室区域以及是否满足预设条件。直到候选脑室区域可以确定为脑室区域,或者满足预设条件时,停止重新执行确定保留连通域数量以及后续步骤。其中,预设条件可以是确定候选脑室区域的次数是否达到了目标次数。比如,在当候选脑室区域可以确定为脑室区域时,或者是重新确定候选脑室区域的次数达到了目标次数时,停止重新执行确定保留连通域数量以及后续步骤。
本申请实施例还提供了两种脑部CT图像的脑室区域分割结果示意图。
参见图3所示,该图为本申请实施例提供的一种常见脑部CT图像的脑室区域分割结果示意图。其中,图3(a)为原始的脑部CT图像,图3(b)为标记分割后的脑室区域的脑部CT图像。
参见图4所示,该图为本申请实施例提供的一种低对比度且不连续的脑部CT图像的脑室区域分割结果示意图。其中,图4(a)为原始的脑部CT图像,图4(b)为标记分割后的脑室区域的脑部CT图像。基于上述S201-S208的相关内容可知,在本申请实施例中,通过先对脑部CT图像进行处理,确定脑部CT图像中脑组织区域中的非背景区域,缩小进行脑室区域对应的连通域区域的识别范围,降低脑部CT图像中其他组织部分对于脑室区域所对应的连通域区域的识别干扰,提高了识别连通区域的准确程度。进而从得到的连通域区域中按照确定的保留连通域数量选取较大的连通域区域组成候选脑室区域,并对候选脑室区域是否可以确定为脑室区域进行判断。如此可以确保分割得到的脑室区域更加完整、准确,与原始图像高度重合,符合人体脑室区域的形状规则。并且,通过增加循环判断候选脑室区域是否可以确定为脑室区域,可以实现全自动化的脑室区域的分割,提高了脑室分割的效率。
可以理解的是,在组成候选脑室区域时,优先选择较大的连通域区域。本申请实施例提供一种在当各个连通域区域按照包括的像素点数量由大至小进行排序时,确定保留连通域数量的具体实施方式,具体包括:
依次计算排序相邻的两个连通域区域包括的像素点数量之比,得到第二目标比值,当第二目标比值大于或等于第二阈值时停止计算,将当前两个连通域区域中排序在先的连通域区域的排序值确定为保留连通域数量;第二阈值随执行确定保留连通域数量的次数而增加。
若在对各个连通域区域包括的像素点数量按照由大到小的顺序进行排序时,可以通过比较相邻的两个连通域区域所包括的像素点数量来确定相邻的两个连通域区域之间的大小差距,从而确定保留连通域数量。
按照排序顺序,依次计算排序相邻的两个连通域区域所包括的像素点数量之比,得到对应的第二目标比值。将第二目标比值与第二阈值进行比较,通过第二目标比值与第二阈值的大小关系确定相邻的连通域区域之间的大小差距。
在第二目标比值大于或者等于第二阈值时,停止后续的相邻的连通域区域的计算。将大于或者等于第二阈值的第二目标比值所对应的相邻的连通域区域中,排序在先的连通域区域的排序值确定为保留连通域数量。
例如,当排序前6的连通域区域所包括的像素点数量为300、280、200、50、20和5,第二阈值为1.2时,先计算300与280的第二目标比值为1.07小于1.2,再计算280与200的第二目标比值为1.4大于1.2。在280对应的连通域区域和200对应的连通域区域中,排序较前的为280对应的连通域区域,将280对应的连通域区域的排序值2作为保留连通域数量。
可以理解的是,为了实现重新确定保留连通域数量,第二阈值可以随着执行确定保留连通域数量的次数增加,从而可以确定较后的排序值作为保留连通域数量,增加组成候选脑室区域的连通域的数量。例如,第二阈值可以为1.2K,其中,K为确定保留连通域数量的次数,1.2可以是预先确定的参数。
以上述连通域区域所包括的像素点数量为例,若第二阈值为1.2K,在第二次确定保留连通域数量时,第二阈值为2.4。依次计算相邻的连通域区域所包括的像素点数量的比值,300与280的第二目标比值为1.07,280与200的第二目标比值为1.4,均小于2.4。200与50的第二目标比值为4,大于2.4。将200所对应的连通域区域的排序值3作为新确定的保留连通域数量。
进一步的,本申请实施例还提供一种依次计算排序相邻的两个连通域区域包括的像素点数量之比,得到第二目标比值,当第二目标比值大于或等于第二阈值时停止计算,将当前两个连通域区域中排序在先的连通域区域的排序值确定为保留连通域数量的具体实施方式,包括以下三个步骤:
B1:计算第i个连通域区域包括的像素点数量与第i+1个连通域区域包括的像素点数量之比,得到第二目标比值,其中,i为整数,i的初始值为1,i的最大值为连通域区域数量减一。
计算第i个连通域区域包括的像素点数量与相邻的第i+1个连通域区域包括的像素点数量的比值,得到对应的第二目标比值。其中,i表示连通域区域的排序值,i的取值为从1至连通域区域数量减1的整数。
B2:如果第二目标比值小于第二阈值,则将i值加一后重新执行计算第i个连通域区域包括的像素点数量与第i+1个连通域区域包括的像素点数量之比,得到第二目标比值,直到i值达到最大值,将连通域区域数量确定为保留连通域数量。
当第二目标比值小于第二阈值时,需要计算下一对相邻的连通域区域的像素点数量之比。对i进行加一操作,重新执行计算第i个连通域区域包括的像素点数量与第i+1个连通域区域包括的像素点数量之比,得到新的第二目标比值。再将新的第二目标比值与第二阈值进行比较,若新的第二目标比值仍小于第二阈值,再对i进行加一操作,并进行后续操作。直到i的值达到最大值,也就是连通域区域数量减一。若当i的值达到最大值时,第二目标比值仍小于第二阈值时,将连通域区域数量确定为保留连通域数量,选取全部的连通域区域组成候选脑室区域。
B3:如果第二目标比值大于或等于第二阈值,将当前i值确定为保留连通域数量。
若第二目标比值大于或者等于第二阈值,基于连通域区域按照包括的像素点数量由大至小进行排序,可以直接将i的值作为保留连通域数量。
基于上述内容可知,在本申请实施例中,通过对第二目标比值与第二阈值进行比较,可以确定相邻的连通域区域所包括的像素点数量的差距,进而根据第二目标比值确定保留连通域数量。实现对于所要保留连通域数量的确定和调整,使得按照保留连通域数量选取组成的候选脑室区域更加准确,得到较为完整的脑室区域。
在另一种可能的实现方式中,脑部CT图像为三维脑部CT图像。对于三维脑部CT图像,可以确定非背景区域中的连通域区域的体积。对应的,可以按照连通域区域的体积进行排序,根据排序情况确定保留连通域数量。
具体的,当各个连通域区域按照体积由大至小进行排序时,可以依次计算排序相邻的两个连通域区域的体积之比,得到第二目标比值,当第二目标比值大于或等于第二阈值时停止计算,将当前两个连通域区域中排序在先的连通域区域的排序值确定为保留连通域数量;第二阈值随执行确定保留连通域数量的次数而增加。
在一种可能的实现方式中,本申请实施例提供一种针对三维脑部CT图像的,计算脑部CT图像的目标切片图像中候选脑室区域的面积与脑组织区域的面积之比,得到第一目标比值具体实施方式,具体包括以下四个步骤:
C1:在三维脑部CT图像中确定候选切片图像。
三维脑部CT图像是由多个脑部CT切片图像组成的。候选切片图像为三维脑部CT图像中相对清晰、完整,具有代表性的切片图像。参见图5所示,该图为本申请实施例提供的三维脑部CT图像中较为典型的切片图像的示意图。
三维脑部CT图像包括多个二维脑部CT切片图像,需要从多个三维脑部CT图像中确定候选切片图像。
在三维脑部CT图像中确定候选切片图像,包括:
将三维脑部CT图像根据CT阈值进行二值化处理,得到脑部区域,将三维脑部CT图像的各层切片图像中脑部区域面积最大的切片图像确定为中心切片图像;
将切片索引值在中心切片图像的切片索引值预设范围内的切片图像确定为候选切片图像。
对三维脑部CT图像进行二值化处理,对三维脑部CT图像中的背景区域和脑部区域通过CT阈值进行划分。其中,背景区域为三维脑部CT图像中除脑部成像部分的区域,脑部区域包括颅骨区域和脑组织区域。具体的二值化处理可以是将背景区域的CT值置0,其他区域的CT值置1。
可以理解的是,三维脑部CT图像的各层切片图像中脑部区域的面积不同。脑部面积较大的切片图像中的脑室区域较为完成、清晰。将各层切片图像中脑部区域面积最大的切片图像确定为中心切片图像。
三维脑部CT图像的各层切片图像具有对应的切片索引值,切片索引值是根据该层切片图像在三维脑部CT图像中所在的层数位置确定的。中心切片图像相邻的切片图像中的脑室区域同样较为清晰,将切片图像的切片索引值在中心切片图像的切片索引值预设范围内的切片图像作为候选切片图像。例如,若中心切片图像的切片索引值为10,切片索引值预设范围为3,则将切片索引值为7至13的7张切片图像作为候选切片图像。其中,切片索引值预设范围可以是预先设置的,切片索引值预设范围可以根据三维脑部CT图像的具体种类进行设置。
C2:根据候选脑室区域确定各个候选切片图像中候选脑室区域的面积。
基于确定的候选脑室区域,确定各个候选切片图像中的候选脑室区域的面积。候选脑室区域的面积可以是根据候选脑室区域所包括的像素点确定的。
C3:计算各个候选切片图像中候选脑室区域的面积与脑组织区域的面积之比,得到各个候选切片图像对应的目标比值。
将各个候选切片图像中的候选脑室区域的面积和脑组织区域的面积进行比值计算,得到候选切片图像对应的目标比值。具体的,目标比值可以是通过候选脑室区域所包括的像素点的数量和脑组织区域所包括的像素点的数量之比。
C4:将目标比值中的最大值对应的候选切片图像确定为目标切片图像,目标比值中的最大值确定为第一目标比值。
目标比值中的最大值可以表示候选脑室区域在脑组织区域中占比的最大值,对应的候选切片图像可以为具有最完整的脑室区域的切片图像。将目标比值中最大值对应的候选切片图像确定为目标切片图像,将目标比值中的最大值确定为第一目标比值,利用第一目标比值进行后续与第一阈值之间的大小关系的判断。
在本申请实施例中,针对三维脑部CT图像,先确定候选切片图像,再根据候选切片图像确定目标切片图像和第一目标比值。从而得到较为准确的目标切片图像和第一目标比值,实现后续较为准确地确定脑室区域。
脑部CT图像在扫描与传输的过程中会受到噪声的影响,导致脑室区域的边界较为模糊。并且,部分脑室区域较小,形成的脑部CT图像中脑室区域不连续。脑部CT图像中脑室区域不连续或者模糊,会影响到脑室区域的分割。
基于上述问题,在一种可能的实现方式中,本申请实施例提供了一种脑部CT图像中脑室区域分割的方法,除上述S201-S208以外,在S202将脑组织区域进行二分组聚类,得到背景区域以及非背景区域之前,方法还包括:
将脑组织区域进行膨胀腐蚀处理,重新确定脑组织区域。
在对脑部CT图像中的脑组织区域进行识别后,为了提高脑组织区域的准确性,对脑组织区域进行膨胀腐蚀处理。如此可以对脑组织区域进行处理,得到包括较为准确的脑室区域的脑组织区域。
将处理后的脑组织区域作为新的脑组织区域,进行后续的脑组织区域的二分组聚类等步骤。
基于上述内容可知,通过对脑组织区域进行膨胀腐蚀处理,可以使得后续对脑组织区域进行二分组聚类和连通域区域识别更加准确,从而得到较为完整和准确的脑室区域。
此外,脑部CT图像中还可能具有CT值较低并且面积较小的孤立区域。孤立区域可能是由于腐蚀操作或者是脑部CT图像生成过程中的误差导致的。
对应的,本申请实施例还提供了一种脑部CT图像中脑室区域分割的方法,除上述S201-S208以外,在S203识别非背景区域中的连通域区域之后,方法还包括:
从各个连通域区域中移除像素点数量小于第三阈值的连通域区域。
连通域区域所包括的像素点数量可以用于表示连通域区域的面积大小。为了消除较小面积的连通域区域对脑室区域的分割影响,将面积较小的连通域区域从非背景区域中移除。具体可以利用第三阈值来进行连通域区域的大小的判断,从各个连通域区域中移除像素点数量小于第三阈值的连通域区域。其中,第三阈值可以是预先设置的,第三阈值可以根据孤立区域所包括的像素点数量确定。
在本申请实施例中,通过将较小的连通域区域进行移除,可以对识别得到的连通域区域进行修正,得到更加准确的连通域区域,进而使得后续确定的脑室区域更为准确。
在一种可能的实现方式中,脑室区域中具有部分空洞区域。本申请实施例还提供了一种脑部CT图像中脑室区域分割的方法,除上述S201-S208以外,方法还包括:
填补脑室区域中包括的空洞区域。
对确定的脑室区域中所包括的空洞区域进行填补,从而得到更为完整、准确的脑室区域。
基于上述方法实施例提供的脑部CT图像中脑室区域分割的方法,本申请实施例还提供了一种脑部CT图像中脑室区域分割的装置,下面将结合附图对该脑部CT图像中脑室区域分割的装置进行说明。
参见图6,该图为本申请实施例提供的一种脑部CT图像中脑室区域分割的装置的结构示意图。如图6所示,该脑部CT图像中脑室区域分割的装置包括:
第一识别单元601,用于识别脑部CT图像中的脑组织区域;
聚类单元602,用于将所述脑组织区域进行二分组聚类,得到背景区域以及非背景区域;
第二识别单元603,用于识别所述非背景区域中的连通域区域;
排序单元604,用于将各个所述连通域区域按照包括的像素点数量进行排序;
第一确定单元605,用于确定保留连通域数量,选取包括的像素点数量较多的前N个连通域区域作为候选脑室区域,其中,N为所述保留连通域数量;
计算单元606,用于计算所述脑部CT图像的目标切片图像中候选脑室区域的面积与脑组织区域的面积之比,得到第一目标比值;
第二确定单元607,用于如果所述第一目标比值大于第一阈值,将所述候选脑室区域确定为脑部CT图像中的脑室区域;
执行单元608,用于如果所述第一目标比值小于第一阈值,重新执行确定保留连通域数量以及后续步骤,直到将所述候选脑室区域确定为脑部CT图像中的脑室区域或者达到预设条件,每次确定的保留连通域数量大于前一次确定的保留连通域数量。
在一种可能的实现方式中,当各个所述连通域区域按照包括的像素点数量由大至小进行排序时,所述第一确定单元605,具体用于依次计算排序相邻的两个连通域区域包括的像素点数量之比,得到第二目标比值,当所述第二目标比值大于或等于第二阈值时停止计算,将当前两个连通域区域中排序在先的连通域区域的排序值确定为保留连通域数量;所述第二阈值随执行所述确定保留连通域数量的次数而增加。
在一种可能的实现方式中,所述第一确定单元605,具体用于计算第i个连通域区域包括的像素点数量与第i+1个连通域区域包括的像素点数量之比,得到第二目标比值,其中,i为整数,i的初始值为1,i的最大值为连通域区域数量减一;
如果所述第二目标比值小于第二阈值,则将i值加一后重新执行所述计算第i个连通域区域包括的像素点数量与第i+1个连通域区域包括的像素点数量之比,得到第二目标比值,直到i值达到最大值,将所述连通域区域数量确定为保留连通域数量;
如果所述第二目标比值大于或等于第二阈值,将当前i值确定为保留连通域数量。
在一种可能的实现方式中,当所述脑部CT图像为三维脑部CT图像,所述计算单元606,包括:
第一确定子单元,用于在所述三维脑部CT图像中确定候选切片图像;
第二确定子单元,用于根据所述候选脑室区域确定各个所述候选切片图像中候选脑室区域的面积;
计算子单元,用于计算各个所述候选切片图像中候选脑室区域的面积与脑组织区域的面积之比,得到各个所述候选切片图像对应的目标比值;
第三确定子单元,用于将所述目标比值中的最大值对应的候选切片图像确定为目标切片图像,所述目标比值中的最大值确定为第一目标比值。
在一种可能的实现方式中,所述第一确定子单元,具体用于将所述三维脑部CT图像根据CT阈值进行二值化处理,得到脑部区域,将所述三维脑部CT图像的各层切片图像中所述脑部区域面积最大的切片图像确定为中心切片图像;
将切片索引值在所述中心切片图像的切片索引值预设范围内的切片图像确定为候选切片图像。
在一种可能的实现方式中,所述装置还包括:
处理单元,用于将所述脑组织区域进行膨胀腐蚀处理,重新确定所述脑组织区域。
在一种可能的实现方式中,所述装置还包括:
移除单元,用于从各个所述连通域区域中移除像素点数量小于第三阈值的连通域区域。
在一种可能的实现方式中,所述装置还包括:
填补单元,用于填补所述脑室区域中包括的空洞区域。
另外,本申请实施例还提供了一种脑部CT图像中脑室区域分割的设备,包括:存储器,处理器,及存储在所述存储器上并可在所述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,实现如上述实施例所述的脑部CT图像中脑室区域分割的方法。
另外,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如上述实施例所述的脑部CT图像中脑室区域分割的方法
本申请实施例提供的一种脑部CT图像中脑室区域分割的装置及设备,先对脑部CT图像中的脑组织区域进行识别,将脑组织区域进行二分组聚类,得到脑组织区域的背景区域以及非背景区域。通过二分组聚类,可以缩小识别脑室区域分割的图像范围,提高了对脑部CT图像中脑室区域分割的准确性。再对非背景区域中的连通域区域进行识别,将各个连通域区域按照包括的像素点数量进行排序;确定保留连通域数量,选取包括像素点数量较多的前N个连通域区域作为候选脑室区域。计算脑部CT图像的目标切片图像中候选脑室区域的面积与脑组织区域的面积之比,得到第一目标比值。将第一目标比值与第一阈值进行比较,确定当前的候选脑室区域是否可以确定为脑室区域。若第一目标比值大于第一阈值,则候选脑室区域可以满足确定为脑室区域的条件,将候选脑室区域确定为脑部CT图像中的脑室区域。若第一目标比值小于第一阈值,则候选脑室区域不能满足确定为脑室区域的条件,需要重新执行确定保留连通域数量,直到候选脑室区域确定为脑部CT图像中的脑室区域或者达到预设条件,其中,每次确定的保留连通域数量大于前一次确定的保留连通域数量。如此可以使得在候选脑室区域不能确定为脑室区域时,增加所要保留的连通域数量,使得分割得到的脑室区域更加完整、准确。并且能够实现自动对脑部CT图像中脑室区域进行划分,提高了对脑部CT图像中脑室区域分割的效率。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
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申请。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申请的精神或范围的情况下,在其它实施例中实现。因此,本申请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 (10)
1.一种脑部CT图像中脑室区域分割的方法,其特征在于,所述方法包括:
识别脑部CT图像中的脑组织区域;
将所述脑组织区域进行二分组聚类,得到背景区域以及非背景区域;
识别所述非背景区域中的连通域区域;
将各个所述连通域区域按照包括的像素点数量进行排序;
确定保留连通域数量,选取包括的像素点数量较多的前N个连通域区域作为候选脑室区域,其中,N为所述保留连通域数量;
计算所述脑部CT图像的目标切片图像中候选脑室区域的面积与脑组织区域的面积之比,得到第一目标比值;
如果所述第一目标比值大于第一阈值,将所述候选脑室区域确定为脑部CT图像中的脑室区域;
如果所述第一目标比值小于第一阈值,重新执行确定保留连通域数量以及后续步骤,直到将所述候选脑室区域确定为脑部CT图像中的脑室区域或者达到预设条件,每次确定的保留连通域数量大于前一次确定的保留连通域数量。
2.根据权利要求1所述的方法,其特征在于,当各个所述连通域区域按照包括的像素点数量由大至小进行排序时,所述确定保留连通域数量,包括:
依次计算排序相邻的两个连通域区域包括的像素点数量之比,得到第二目标比值,当所述第二目标比值大于或等于第二阈值时停止计算,将当前两个连通域区域中排序在先的连通域区域的排序值确定为保留连通域数量;所述第二阈值随执行所述确定保留连通域数量的次数而增加。
3.根据权利要求2所述的方法,其特征在于,所述依次计算排序相邻的两个连通域区域包括的像素点数量之比,得到第二目标比值,当所述第二目标比值大于或等于第二阈值时停止计算,将当前两个连通域区域中排序在先的连通域区域的排序值确定为保留连通域数量,包括:
计算第i个连通域区域包括的像素点数量与第i+1个连通域区域包括的像素点数量之比,得到第二目标比值,其中,i为整数,i的初始值为1,i的最大值为连通域区域数量减一;
如果所述第二目标比值小于第二阈值,则将i值加一后重新执行所述计算第i个连通域区域包括的像素点数量与第i+1个连通域区域包括的像素点数量之比,得到第二目标比值,直到i值达到最大值,将所述连通域区域数量确定为保留连通域数量;
如果所述第二目标比值大于或等于第二阈值,将当前i值确定为保留连通域数量。
4.根据权利要求1所述的方法,其特征在于,当所述脑部CT图像为三维脑部CT图像,所述计算所述脑部CT图像的目标切片图像中候选脑室区域的面积与脑组织区域的面积之比,得到第一目标比值,包括:
在所述三维脑部CT图像中确定候选切片图像;
根据所述候选脑室区域确定各个所述候选切片图像中候选脑室区域的面积;
计算各个所述候选切片图像中候选脑室区域的面积与脑组织区域的面积之比,得到各个所述候选切片图像对应的目标比值;
将所述目标比值中的最大值对应的候选切片图像确定为目标切片图像,所述目标比值中的最大值确定为第一目标比值。
5.根据权利要求4所述的方法,其特征在于,所述在所述三维脑部CT图像中确定候选切片图像,包括:
将所述三维脑部CT图像根据CT阈值进行二值化处理,得到脑部区域,将所述三维脑部CT图像的各层切片图像中所述脑部区域面积最大的切片图像确定为中心切片图像;
将切片索引值在所述中心切片图像的切片索引值预设范围内的切片图像确定为候选切片图像。
6.根据权利要求1所述的方法,其特征在于,在将所述脑组织区域进行二分组聚类,得到背景区域以及非背景区域之前,所述方法还包括:
将所述脑组织区域进行膨胀腐蚀处理,重新确定所述脑组织区域。
7.根据权利要求1所述的方法,其特征在于,在识别所述非背景区域中的连通域区域之后,所述方法还包括:
从各个所述连通域区域中移除像素点数量小于第三阈值的连通域区域。
8.一种脑部CT图像中脑室区域分割的装置,其特征在于,所述装置包括:
第一识别单元,用于识别脑部CT图像中的脑组织区域;
聚类单元,用于将所述脑组织区域进行二分组聚类,得到背景区域以及非背景区域;
第二识别单元,用于识别所述非背景区域中的连通域区域;
排序单元,用于将各个所述连通域区域按照包括的像素点数量进行排序;
第一确定单元,用于确定保留连通域数量,选取包括的像素点数量较多的前N个连通域区域作为候选脑室区域,其中,N为所述保留连通域数量;
计算单元,用于计算所述脑部CT图像的目标切片图像中候选脑室区域的面积与脑组织区域的面积之比,得到第一目标比值;
第二确定单元,用于如果所述第一目标比值大于第一阈值,将所述候选脑室区域确定为脑部CT图像中的脑室区域;
执行单元,用于如果所述第一目标比值小于第一阈值,重新执行确定保留连通域数量以及后续步骤,直到将所述候选脑室区域确定为脑部CT图像中的脑室区域或者达到预设条件,每次确定的保留连通域数量大于前一次确定的保留连通域数量。
9.一种脑部CT图像中脑室区域分割的设备,其特征在于,包括:存储器,处理器,及存储在所述存储器上并可在所述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,实现如权利要求1-7任一项所述的脑部CT图像中脑室区域分割的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如权利要求1-7任一项所述的脑部CT图像中脑室区域分割的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011539407.3A CN112529918B (zh) | 2020-12-23 | 2020-12-23 | 一种脑部ct图像中脑室区域分割的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011539407.3A CN112529918B (zh) | 2020-12-23 | 2020-12-23 | 一种脑部ct图像中脑室区域分割的方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529918A CN112529918A (zh) | 2021-03-19 |
CN112529918B true CN112529918B (zh) | 2024-02-27 |
Family
ID=74975983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011539407.3A Active CN112529918B (zh) | 2020-12-23 | 2020-12-23 | 一种脑部ct图像中脑室区域分割的方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529918B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638843B (zh) * | 2022-03-18 | 2022-09-06 | 北京安德医智科技有限公司 | 大脑中动脉高密度征影像识别方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006104468A1 (en) * | 2005-03-31 | 2006-10-05 | Agency For Science, Technology And Research | Method and apparatus for image segmentation |
CN101292871A (zh) * | 2007-04-25 | 2008-10-29 | 中国科学院自动化研究所 | 一种基于模式识别分类提取磁共振成像脑激活区的方法 |
CN104933729A (zh) * | 2014-03-18 | 2015-09-23 | 上海联影医疗科技有限公司 | 一种颅内脑组织的提取方法和装置 |
CN106204546A (zh) * | 2016-06-30 | 2016-12-07 | 上海联影医疗科技有限公司 | 静脉窦的分割方法 |
CN110992381A (zh) * | 2019-12-17 | 2020-04-10 | 嘉兴学院 | 一种基于改进Vibe+算法的运动目标背景分割方法 |
CN111340828A (zh) * | 2020-01-10 | 2020-06-26 | 南京航空航天大学 | 基于级联卷积神经网络的脑部胶质瘤分割 |
CN111986242A (zh) * | 2020-07-28 | 2020-11-24 | 沈阳东软智能医疗科技研究院有限公司 | 脑组织分区的确定方法、装置、存储介质及电子设备 |
WO2020232786A1 (zh) * | 2019-05-23 | 2020-11-26 | 复旦大学 | 用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101238987A (zh) * | 2007-09-06 | 2008-08-13 | 深圳先进技术研究院 | 一种关于ct脑出血图像的处理方法 |
CN112070781B (zh) * | 2020-08-13 | 2024-01-30 | 沈阳东软智能医疗科技研究院有限公司 | 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备 |
-
2020
- 2020-12-23 CN CN202011539407.3A patent/CN112529918B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006104468A1 (en) * | 2005-03-31 | 2006-10-05 | Agency For Science, Technology And Research | Method and apparatus for image segmentation |
CN101292871A (zh) * | 2007-04-25 | 2008-10-29 | 中国科学院自动化研究所 | 一种基于模式识别分类提取磁共振成像脑激活区的方法 |
CN104933729A (zh) * | 2014-03-18 | 2015-09-23 | 上海联影医疗科技有限公司 | 一种颅内脑组织的提取方法和装置 |
CN106204546A (zh) * | 2016-06-30 | 2016-12-07 | 上海联影医疗科技有限公司 | 静脉窦的分割方法 |
WO2020232786A1 (zh) * | 2019-05-23 | 2020-11-26 | 复旦大学 | 用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和系统 |
CN110992381A (zh) * | 2019-12-17 | 2020-04-10 | 嘉兴学院 | 一种基于改进Vibe+算法的运动目标背景分割方法 |
CN111340828A (zh) * | 2020-01-10 | 2020-06-26 | 南京航空航天大学 | 基于级联卷积神经网络的脑部胶质瘤分割 |
CN111986242A (zh) * | 2020-07-28 | 2020-11-24 | 沈阳东软智能医疗科技研究院有限公司 | 脑组织分区的确定方法、装置、存储介质及电子设备 |
Non-Patent Citations (3)
Title |
---|
Brain MR Segmentation using a Fusion of K-Means and Spatial Fuzzy C-Means;Ariyo, Oluwassanmi等;《INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND APPLICATION ENGINEERING (CSAE)》;20180327;第190卷;863-873 * |
Multicriteria fuzzy clustering for brain image segmentation;Olfa Limam等;《2013 5th International Conference on Modeling, Simulation and Applied Optimization (ICMSAO)》;20130708;1-5 * |
脑卒中MR图像分割算法的研究;杜晓亮;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20180915(第09期);E070-39 * |
Also Published As
Publication number | Publication date |
---|---|
CN112529918A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chaddad et al. | Quantitative evaluation of robust skull stripping and tumor detection applied to axial MR images | |
Park et al. | Skull stripping based on region growing for magnetic resonance brain images | |
CN109190690B (zh) | 基于机器学习的swi图像的脑微出血点检测识别方法 | |
Badura et al. | Soft computing approach to 3D lung nodule segmentation in CT | |
US7756316B2 (en) | Method and system for automatic lung segmentation | |
CN112308846B (zh) | 血管分割方法、装置及电子设备 | |
SG188879A1 (en) | A method and system of segmenting ct scan data | |
CN108364297B (zh) | 血管图像分割方法、终端、存储介质 | |
CN111768411A (zh) | 冠脉中心线提取方法、装置、计算机设备和存储介质 | |
RU2654199C1 (ru) | Сегментация тканей человека на компьютерном изображении | |
CN113466232A (zh) | 一种基于计算机图像的脆化鱼肉快速检测方法及系统 | |
CN116269467A (zh) | 一种创伤患者清创术前信息采集系统 | |
CN111932495B (zh) | 一种医学图像检测方法、装置及存储介质 | |
CN111179298A (zh) | 基于ct图像的三维肺自动分割与左右肺分离方法及其系统 | |
CN113920109A (zh) | 医疗影像识别模型训练方法、识别方法、装置及设备 | |
Kumar et al. | Brain magnetic resonance image tumor detection and segmentation using edgeless active contour | |
CN112529918B (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 | |
Soni et al. | CT scan based brain tumor recognition and extraction using Prewitt and morphological dilation | |
Zamani Boroujeni et al. | Coronary artery center-line extraction using second order local features | |
EP3977400A1 (en) | A computer based method for classifying a mass of an organ as a cyst | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
Marzuki et al. | Demarcation of lung lobes in ct scan images for lung cancer detection using watershed segmentation | |
CN114596320A (zh) | 一种基于alslcv模型的图像分割方法及装置 | |
Essaf et al. | An improved lung parenchyma segmentation using the maximum inter-class variance method (OTSU) | |
CN113379770A (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |