CN112581479A - 一种基于医疗影像的肺结节交互式分割方法 - Google Patents

一种基于医疗影像的肺结节交互式分割方法 Download PDF

Info

Publication number
CN112581479A
CN112581479A CN202011508141.6A CN202011508141A CN112581479A CN 112581479 A CN112581479 A CN 112581479A CN 202011508141 A CN202011508141 A CN 202011508141A CN 112581479 A CN112581479 A CN 112581479A
Authority
CN
China
Prior art keywords
region
segmentation
value
nodule
calculating
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
Application number
CN202011508141.6A
Other languages
English (en)
Inventor
袁戎
石姝玥
艾鸽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ruijia Wuhan Software Technology Co ltd
Original Assignee
Ruijia Wuhan Software Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ruijia Wuhan Software Technology Co ltd filed Critical Ruijia Wuhan Software Technology Co ltd
Priority to CN202011508141.6A priority Critical patent/CN112581479A/zh
Publication of CN112581479A publication Critical patent/CN112581479A/zh
Pending legal-status Critical Current

Links

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • 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
    • 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
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/20132—Image cropping
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一种基于医疗影像的肺结节交互式分割方法，根据实性结节和磨玻璃结节提取出病灶区域；分割算法为半自动分割算法，肺部实性结节分割方法需要人工参与，圈定结节区域；肺部磨玻璃结节分割方法为自动分割；分割完成后如需修改，可根据需求选择二维修改或三维修改得到精确的分割结果。实现肺结节的快速分割，用于进一步的诊断分析。

Description

一种基于医疗影像的肺结节交互式分割方法
技术领域
本发明属于医学图像处理技术领域，具体的为一种基于医疗影像的肺结节的交互式分割方法。
背景技术
肺结节筛查用于肺癌早期防控的形势依然严峻。我国患肺癌人数多，发病率高，医疗花费大。按发病人数顺位排序，肺癌占所有癌症的20.3％，位居恶性肿瘤发病首位。据国家肿瘤质控中心发布的《2019年全国癌症报告》，恶性肿瘤死亡高达居民全部死因的23.91％，且近十几年来恶性肿瘤的发病死亡呈持续上升态势,每年恶性肿瘤所致的医疗花费超过2200亿。在临床诊断过程中，医生需要在数百张CT切片中，逐次筛查结节，这不仅极大地依赖于医生的临床经验，且极其耗时耗力。因此急需设计肺结节计算机辅助诊断系统，以简化医生的筛查工作，缩短诊断时间。
根据CT下肺结节能否完全遮盖肺实质，一般可将肺结节定义为实性结节和亚实性结节。而亚实性结节又可细分为纯磨玻璃结节和部分实性结节。
肺结节特征：1)靠近血管、胸膜；2)CT值差异大；3)边界模糊；4)内含空腔。
实性结节CT图像特征：1)CT值与肺部差异明显；2)类球形。
而磨玻璃结节CT图像特征：1)CT值与肺部差异小；2)边界模糊、比较发散。
发明内容
本发明的目的是提供一种基于医疗影像的肺结节交互式分割方法，实现肺结节的快速分割，用于进一步的诊断分析，以解决上述至少一个问题。
根据本发明的一方面，提供一种基于医疗影像的肺结节交互式分割方法，
1)肺部实性结节分割流程
第一步：手工勾画感兴趣区域后，利用距离图得到三个轴面上，各个像素点距离该轴面上感兴趣区域边界的距离值；将三个轴面距离值相加，大于等于0 的像素标记为候选感兴趣区域，小于0的区域标记为非感兴趣区域；
第二步：图像裁剪，将第一步的计算结果进行最大外接长方体裁剪，以加快处理速度；
第三步：图像滤波，将图像进行7个方向的管状滤波处理，以减少肺血管的干扰；
第四步：大津法阈值分割，得到初步分割结果，肺部实性结节与肺部区域 CT值分布曲线有明显区别，直接使用自适应阈值分割即可得到初步分割结果；
第五步：形态学腐蚀处理，若结节靠近胸膜部分，此步骤可断开部分连接；
第六步：计算最大连通区域，若阈值分割以及形态学腐蚀得到的分割结果并不是连通的，此步骤可去除小的噪声区域；
第七步：填充空洞后作为最终分割结果，肺结节内部可能含有空洞，此处填充，使结果更准确。
优选的，步骤一中，距离图计算：
距离图指图中每个像素点距离最近边缘点的距离值；区域内部距离值为正数，区域外部距离值为负数，边界上的像素点距离值为0。
距离图算法流程如下：
A)区域内部距离值设为大值，外部区域设置0；
B)前向滤波，对于体数据，从上至下、从前至后、从左往右，计算每个像素点26领域内最小距离值；
C)后向滤波，与前向滤波相反，计算像素点26领域内最小距离值；
D)B-C得到的是区域内部正的距离值；
E)将区域内外取反，重复A-C后，将距离值取负，得到区域外部的距离值。
优选的，步骤三中，管状滤波：
管状滤波模板定义如下：
Figure RE-GDA0002944997780000031
Figure RE-GDA0002944997780000032
表示管状滤波区域，Fcy1表示滤波结果，采用的七个方向；
此处，本申请使用的滤波模板为：
Figure RE-GDA0002944997780000033
Figure RE-GDA0002944997780000034
表示卷积，I(x)表示原始像素值，filterθ表示θ方向上的卷积算子
算法流程：
A)计算7个方向的管状滤波模板，滤波模板权重采用圆柱体计算公式计算。模板大小采用固定大小7*7*7；
B)将每个滤波模板与图像进行卷积，得到7个卷积结果；
C)比较7个卷积结果，取最小值作为最终结果。
优选的，第四步中，OSTU自适应阈值：
OSTU阈值利用的类内方差最小及类间方差最大的原理。
此处将像素点分为三类，即计算两个阈值，上阈值及下阈值。
算法流程：
A)计算候选ROI内直方图，直方图X轴范围为x_min,x_max；
B)计算上阈值及下阈值在x_min,x_max内取不同值时，分别得到的类间方差；该类间方差最大时对应的上下阈值，即为所需结果。
优选的，第五步中，形态学腐蚀处理：
腐蚀操作提取的是内核(结构模板)覆盖下的像素最小值。此处结构模板采用的是3*3*3的模板因子，即像素点及其26领域内最小值。对于二值图像，若像素点为前景区域，但其26领域内只要有一点为背景区域，则置该像素点为背景区域，其他背景区域扔为背景区域。
优选的，第六步中，最大连通区域计算算法流程：
A)将前景区域标记，一个连通区域有一个唯一的标记。伪代码如下：
将每个区域内部像素点的ID值设置为当前位置index值，即 z*width*height+y*height+x，ID值唯一，区域外部像素点ID值＝-1；
While(true)
前向扫描：
计算每个内部像素点26领域内最小的标记值，并在该像素点处标记该像素所属连通域的顶点位置
后向扫描：
计算每个内部像素点26领域内最小的标记值，并在该像素点处标记该像素所属连通域的顶点位置；
如果前向后扫描中，没有一个像素的标记值作了更改，则跳出循环；
B)计算每个连通区域的个数
C)将最大的连通区域记作前景区域，其他记作背景区域。
优选的，第七步中，空洞填充，对每一层做二维空洞填充。采用的算法是区域增长算法。
根据本发明的另一方面，提供一种肺部磨玻璃结节分割方法：
第一步：手工勾画感兴趣区域后，利用距离图得到三个轴面上，各个像素点距离该轴面上感兴趣区域边界的距离值；将三个轴面距离值相加，大于等于0 的像素标记为候选感兴趣区域，小于0的区域标记为非感兴趣区域；
第二步：图像裁剪，将第一步的计算结果进行最大外接长方体裁剪，以加快处理速度；
第三步：图像滤波，将图像进行7个方向的管状滤波处理，以减少肺血管的干扰；
第四步：先使用OSTU算法计算上下两个阈值，并利用该阈值得到像素的初始分类信息；然后将该初始分割信息用于MRF算法进行二次分割。
第五步：形态学腐蚀处理，若结节靠近胸膜部分，此步骤可断开部分连接；
第六步：计算最大连通区域，若阈值分割以及形态学腐蚀得到的分割结果并不是连通的，此步骤可去除小的噪声区域；
第七步：填充空洞后作为最终分割结果，肺结节内部可能含有空洞，此处填充，使结果更准确。
优选的，MRF算法：
a)像素类别数设为3，最大迭代次数设为15，OSTU分割算法作为初始分类信息；
b)计算每个类别的均值与方差信息；
c)计算每个像素点属于不同类别时的能量值，并将能量最大时的类别作为该像素点的类别；
像素点的能量值计算公式：
E(A)＝λ·R(A)+B(A)
其中，R(A)表示图像灰度能量值。B(A)表示区域边缘能量值；
d)迭代计算b-c,直至没有像素类别更新，或者达到最大迭代次数为止；
e)迭代结束将得到每个像素点所属类别，再次计算每个类别的均值结果，且将均值第二大的类别记作m；
f)将类别为m的像素点记作ROI内部区域，其他为外部区域，得到MRF分割结果。
优选的，MRF算法基础：
1)贝叶斯概率理论，利用后验概率计算先验概率。
2)图像像素点灰度值直方图分布符合混合高斯分布模型。
3)ROI区域内部邻域像素点属于同一个类别，边缘上邻域像素点属于不同类别。
其中，
1)三维ROI修改
第一步：计算每次勾画的二维层面上的ROI的欧式距离图，边缘为0，内部区域大于0，外部区域小于0；
第二步：利用三次线性插值算法，计算中间层的欧式距离图，得到中间层的修改结果，大于等于0的认为在区域内部，小于0的在区域外部。
本发明的有益效果是：针对实性结节和磨玻璃结节提取出病灶区域。分割算法为半自动分割算法，第一步需要人工参与，大致圈定结节区域。第二步为自动分割。分割完成后如需修改，可根据需求选择“二维修改”或“三维修改”得到更精确的分割结果。
附图说明
图1为ROI手工勾画；
图2为手工勾画后计算结果；
图3、图4、图5、图6为手工勾画单层删减区域及其结果图；
图7、图8、图9、图10为该两层中间插值得到的删减区域；
图11为管状滤波结果七个方向的示意图；
图12、图13为本发明的流程图。
具体实施方式
下面结合附图说明和实施例对本发明做进一步的说明。
如图1-13，一种基于医疗影像的肺结节交互式分割方法，
肺部实性结节分割流程：
第一步：手工勾画感兴趣区域后，利用距离图得到三个轴面上，各个像素点距离该轴面上感兴趣区域边界的距离值；将三个轴面距离值相加，大于等于0 的像素标记为候选感兴趣区域，小于0的区域标记为非感兴趣区域；
第二步：图像裁剪，将第一步的计算结果进行最大外接长方体裁剪，以加快处理速度；
第三步：图像滤波，将图像进行7个方向的管状滤波处理，以减少肺血管的干扰；
第四步：大津法阈值分割，得到初步分割结果，肺部实性结节与肺部区域 CT值分布曲线有明显区别，直接使用自适应阈值分割即可得到初步分割结果；
第五步：形态学腐蚀处理，若结节靠近胸膜部分，此步骤可断开部分连接；
第六步：计算最大连通区域，若阈值分割以及形态学腐蚀得到的分割结果并不是连通的，此步骤可去除小的噪声区域；
第七步：填充空洞后作为最终分割结果，肺结节内部可能含有空洞，此处填充，使结果更准确。
在一些实施中，步骤一中，距离图计算：
距离图指图中每个像素点距离最近边缘点的距离值。区域内部距离值为正数，区域外部距离值为负数，边界上的像素点距离值为0。
距离图算法流程如下：
A)区域内部距离值设为大值，外部区域设置0。
B)前向滤波，对于体数据，从上至下、从前至后、从左往右，计算每个像素点26领域内最小距离值。
C)后向滤波(与前向滤波相反)，计算像素点26领域内最小距离值。
D)B-C得到的是区域内部正的距离值。
E)将区域内外取反，重复A-C后，将距离值取负，得到区域外部的距离值。
在一些实施中，步骤三中，管状滤波(参考文档《Automatic Detection andSegmentation of Ground Glass Opacity Nodules》)
Automatic Detection and Segmentation of Ground Glass Opacity Nodules里将管状滤波模板定义如下：
Figure RE-GDA0002944997780000081
Figure RE-GDA0002944997780000082
表示管状滤波区域，Fcy1表示滤波结果，采用的七个方向如图6所示：
此处，本发明使用的滤波模板为：
Figure RE-GDA0002944997780000083
Figure RE-GDA0002944997780000084
表示卷积，I(x)表示原始像素值，filterθ表示θ方向上的卷积算子
算法流程：
D)计算7个方向的管状滤波模板，滤波模板权重采用圆柱体计算公式计算。模板大小采用固定大小7*7*7。
E)将每个滤波模板与图像进行卷积，得到7个卷积结果。
F)比较7个卷积结果，取最小值作为最终结果。
在一些实施中，OSTU自适应阈值
OSTU阈值利用的类内方差最小及类间方差最大的原理。
此处将像素点分为三类，即计算两个阈值(上阈值及下阈值)。
算法流程：
C)计算候选ROI内直方图。直方图X轴范围为[x_min,x_max]
D)计算上阈值及下阈值在[x_min,x_max]内取不同值时，分别得到的类间方差。该类间方差最大时对应的上下阈值，即为所需结果。
在一些实施中，形态学腐蚀处理
腐蚀操作提取的是内核(结构模板)覆盖下的像素最小值。此处结构模板采用的是3*3*3的模板因子，即像素点及其26领域内最小值。对于二值图像，若像素点为前景区域，但其26领域内只要有一点为背景区域，则置该像素点为背景区域，其他背景区域扔为背景区域。
在一些实施中，最大连通区域计算
算法流程：
D)将前景区域标记，一个连通区域有一个唯一的标记。伪代码如下：
将每个区域内部像素点的ID值设置为当前位置index值，即 z*width*height+y*height+x(ID值唯一)，区域外部像素点ID值＝-1.
While(true)
前向扫描：
计算每个内部像素点26领域内最小的标记值，并在该像素点处标记该像素所属连通域的顶点位置
后向扫描：
计算每个内部像素点26领域内最小的标记值，并在该像素点处标记该像素所属连通域的顶点位置
如果前向后扫描中，没有一个像素的标记值作了更改，则跳出循环。
E)计算每个连通区域的个数
F)将最大的连通区域记作前景区域，其他记作背景区域。
在一些实施中，空洞填充
对每一层做二维空洞填充。采用的算法是区域增长算法。
根据肺部实性结节分割流程得出的肺部磨玻璃结节分割方法：
第一～第三步：同“实性结节分割流程”步骤。
第四步：先使用OSTU算法计算上下两个阈值，并利用该阈值得到像素的初始分类信息。然后将该初始分割信息用于MRF算法进行二次分割。
第五步～第七步：同“实性结节分割流程”步骤。
在一些实施中，MRF算法说明
a)像素类别数设为3，最大迭代次数设为15，OSTU分割算法作为初始分类信息。
b)计算每个类别的均值与方差信息。
c)计算每个像素点属于不同类别时的能量值，并将能量最大时的类别作为该像素点的类别。
像素点的能量值计算公式：
E(A)＝λ·R(A)+B(A)
其中，R(A)表示图像灰度能量值。B(A)表示区域边缘能量值。
d)迭代计算b-c,直至没有像素类别更新，或者达到最大迭代次数为止。
e)迭代结束将得到每个像素点所属类别，再次计算每个类别的均值结果，且将均值第二大的类别记作m。
f)将类别为m的像素点记作ROI内部区域，其他为外部区域，得到MRF分割结果。
在一些实施中，MRF算法理论基础：
4)贝叶斯概率理论，利用后验概率计算先验概率。
5)图像像素点灰度值直方图分布符合混合高斯分布模型。
6)ROI区域内部邻域像素点属于同一个类别，边缘上邻域像素点属于不同类别。
在一些实施中，三维ROI修改
第一步：计算每次勾画的二维层面上的ROI的欧式距离图(边缘为0，内部区域大于0，外部区域小于0)。
第二步：利用三次线性插值算法，计算中间层的欧式距离图，得到中间层的修改结果(大于等于0的认为在区域内部，小于0的在区域外部)。
实施例
图3)ROI手工勾画，图上网格区域为手工勾画区域，完成后，点击“√”；
如图3所示，对肺部CT实施多平面重建，分别在横断面、冠状面和矢状面三个轴面上大致勾画出肺结节部位，如图中网格区域所示。勾画完成后点击“√”确认。
勾画完成后进行如图2所示的算法流程，得到自动分割结果，即最大连通区域。自动分割结果如图4所示。
对自动分割的结果可进一步的调整，如图5所示。图3～6为手工勾画单层删减区域及其结果(区域为需要删减的区域)，图7～10为该两层中间插值得到的删减区域。点击“保存”后，绿色区域消失，“取消”则取消此次操作，不做删减操作。增加操作类似。对结节分割三维修改可保证分割达到令人满意的最终结果，点击保存后的结果即为最终分割结果。
图5)ROI三维修改(删减),图3～6为手工勾画单层删减区域及其结果(绿色区域为需要删减的区域)，图7～10为该两层中间插值得到的删减区域。点击“保存”后，绿色区域消失，“取消”则取消此次操作，不做删减操作。增加操作类似。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于医疗影像的肺结节交互式分割方法，其特征在于：
肺部实性结节分割流程：
第一步：手工勾画感兴趣区域后，利用距离图得到三个轴面上，各个像素点距离该轴面上感兴趣区域边界的距离值；将三个轴面距离值相加，大于等于0的像素标记为候选感兴趣区域，小于0的区域标记为非感兴趣区域；
第二步：图像裁剪，将第一步的计算结果进行最大外接长方体裁剪，以加快处理速度；
第三步：图像滤波，将图像进行7个方向的管状滤波处理，以减少肺血管的干扰；
第四步：大津法阈值分割，得到初步分割结果，肺部实性结节与肺部区域CT值分布曲线有明显区别，直接使用自适应阈值分割即可得到初步分割结果；
第五步：形态学腐蚀处理，若结节靠近胸膜部分，此步骤可断开部分连接；
第六步：计算最大连通区域，若阈值分割以及形态学腐蚀得到的分割结果并不是连通的，此步骤可去除小的噪声区域；
第七步：填充空洞后作为最终分割结果，肺结节内部可能含有空洞，此处填充，使结果更准确。
2.根据权利要求1所述的基于医疗影像的肺结节交互式分割方法，其特征在于：步骤一中，距离图计算：
距离图指每个像素点距离最近边缘点的距离值；区域内部距离值为正数，区域外部距离值为负数，边界上的像素点距离值为0；
距离图算法流程如下：
A)区域内部距离值设为大值，外部区域设置0；
B)前向滤波，对于体数据，从上至下、从前至后、从左往右，计算每个像素点26领域内最小距离值；
C)后向滤波，与前向滤波相反，计算像素点26领域内最小距离值；
D)B-C得到的是区域内部正的距离值；
E)将区域内外取反，重复A-C后，将距离值取负，得到区域外部的距离值。
3.根据权利要求1所述的基于医疗影像的肺结节交互式分割方法，其特征在于：步骤三中，管状滤波，管状滤波模板定义如下：
Figure FDA0002845500230000021
Figure FDA0002845500230000023
表示管状滤波区域，Fcy1表示滤波结果，
使用的滤波模板为：
Figure FDA0002845500230000022
Figure FDA0002845500230000024
表示卷积，I(x)表示原始像素值，filterθ表示θ方向上的卷积算子算法流程：
A)计算7个方向的管状滤波模板，滤波模板权重采用圆柱体计算公式计算；模板大小采用固定大小7*7*7；
B)将每个滤波模板与图像进行卷积，得到7个卷积结果；
C)比较7个卷积结果，取最小值作为最终结果。
4.根据权利要求1所述的基于医疗影像的肺结节交互式分割方法，其特征在于：第四步中，OSTU自适应阈值：
OSTU阈值利用的类内方差最小及类间方差最大的原理；
将像素点分为三类，即计算两个阈值，上阈值及下阈值；
算法流程：
A)计算候选ROI内直方图，直方图X轴范围为x_min,x_max；
B)计算上阈值及下阈值在x_min,x_max内取不同值时，分别得到的类间方差；该类间方差最大时对应的上下阈值，即为所需结果。
5.根据权利要求1所述的基于医疗影像的肺结节交互式分割方法，其特征在于：第五步中，形态学腐蚀处理：
腐蚀操作提取的是结构模板覆盖下的像素最小值；此处结构模板采用的是3*3*3的模板因子，即像素点及其26领域内最小值；对于二值图像，若像素点为前景区域，但其26领域内只要有一点为背景区域，则置该像素点为背景区域，其他背景区域扔为背景区域。
6.根据权利要求1所述的基于医疗影像的肺结节交互式分割方法，其特征在于：第六步中，最大连通区域计算算法流程：
A)将前景区域标记，一个连通区域有一个唯一的标记；伪代码如下：
将每个区域内部像素点的ID值设置为当前位置index值，即z*width*height+y*height+x，ID值唯一，区域外部像素点ID值＝-1；
While(true)
前向扫描：
计算每个内部像素点26领域内最小的标记值，并在该像素点处标记该像素所属连通域的顶点位置；
后向扫描：
计算每个内部像素点26领域内最小的标记值，并在该像素点处标记该像素所属连通域的顶点位置；
如果前向后扫描中，没有一个像素的标记值作了更改，则跳出循环；
B)计算每个连通区域的个数；
C)将最大的连通区域记作前景区域，其他记作背景区域。
7.根据权利要求1所述的基于医疗影像的肺结节交互式分割方法，其特征在于：第七步中，空洞填充，对每一层做二维空洞填充；采用的算法是区域增长算法。
8.根据权利要求1-7任一权利要求得到的一种肺部磨玻璃结节分割方法：
第一步：手工勾画感兴趣区域后，利用距离图得到三个轴面上，各个像素点距离该轴面上感兴趣区域边界的距离值；将三个轴面距离值相加，大于等于0的像素标记为候选感兴趣区域，小于0的区域标记为非感兴趣区域；
第二步：图像裁剪，将第一步的计算结果进行最大外接长方体裁剪，以加快处理速度；
第三步：图像滤波，将图像进行7个方向的管状滤波处理，以减少肺血管的干扰；
第四步：先使用OSTU算法计算上下两个阈值，并利用该阈值得到像素的初始分类信息；然后将该初始分割信息用于MRF算法进行二次分割；
第五步：形态学腐蚀处理，若结节靠近胸膜部分，此步骤可断开部分连接；
第六步：计算最大连通区域，若阈值分割以及形态学腐蚀得到的分割结果并不是连通的，此步骤可去除小的噪声区域；
第七步：填充空洞后作为最终分割结果，肺结节内部可能含有空洞，此处填充，使结果更准确；
MRF算法：
a)像素类别数设为3，最大迭代次数设为15，OSTU分割算法作为初始分类信息；
b)计算每个类别的均值与方差信息；
c)计算每个像素点属于不同类别时的能量值，并将能量最大时的类别作为该像素点的类别；
像素点的能量值计算公式：
E(A)＝λ·R(A)+B(A)
其中，R(A)表示图像灰度能量值。B(A)表示区域边缘能量值；
d)迭代计算b-c,直至没有像素类别更新，或者达到最大迭代次数为止；
e)迭代结束将得到每个像素点所属类别，再次计算每个类别的均值结果，且将均值第二大的类别记作m；
f)将类别为m的像素点记作ROI内部区域，其他为外部区域，得到MRF分割结果。
9.根据权利要求8所述的一种肺部磨玻璃结节分割方法：其特征在于：第四步中，MRF算法基础：
1)贝叶斯概率理论，利用后验概率计算先验概率；
2)图像像素点灰度值直方图分布符合混合高斯分布模型；
3)ROI区域内部邻域像素点属于同一个类别，边缘上邻域像素点属于不同类别；
其中，三维ROI修改：
第一步：计算每次勾画的二维层面上的ROI的欧式距离图，边缘为0，内部区域大于0，外部区域小于0；
第二步：利用三次线性插值算法，计算中间层的欧式距离图，得到中间层的修改结果，大于等于0的认为在区域内部，小于0的在区域外部。
10.根据权利要求8所述的一种肺部磨玻璃结节分割方法：其特征在于：根据实性结节和磨玻璃结节提取出病灶区域；分割算法为半自动分割算法，肺部实性结节分割方法需要人工参与，圈定结节区域；肺部磨玻璃结节分割方法为自动分割；分割完成后如需修改，可根据需求选择二维修改或三维修改得到精确的分割结果。
CN202011508141.6A 2020-12-18 2020-12-18 一种基于医疗影像的肺结节交互式分割方法 Pending CN112581479A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011508141.6A CN112581479A (zh) 2020-12-18 2020-12-18 一种基于医疗影像的肺结节交互式分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011508141.6A CN112581479A (zh) 2020-12-18 2020-12-18 一种基于医疗影像的肺结节交互式分割方法

Publications (1)

Publication Number Publication Date
CN112581479A true CN112581479A (zh) 2021-03-30

Family

ID=75136165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011508141.6A Pending CN112581479A (zh) 2020-12-18 2020-12-18 一种基于医疗影像的肺结节交互式分割方法

Country Status (1)

Country Link
CN (1) CN112581479A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113628219A (zh) * 2021-06-30 2021-11-09 上海市胸科医院 一种从胸部ct影像中自动提取支气管树的方法和系统
CN113658198A (zh) * 2021-08-31 2021-11-16 平安医疗健康管理股份有限公司 交互式肺气肿病灶分割方法、装置、存储介质及设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062946A (zh) * 2019-10-31 2020-04-24 湖北畅云时讯软件技术有限公司 肺结节ct图像分割算法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062946A (zh) * 2019-10-31 2020-04-24 湖北畅云时讯软件技术有限公司 肺结节ct图像分割算法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113628219A (zh) * 2021-06-30 2021-11-09 上海市胸科医院 一种从胸部ct影像中自动提取支气管树的方法和系统
CN113628219B (zh) * 2021-06-30 2023-11-03 上海市胸科医院 一种从胸部ct影像中自动提取支气管树的方法和系统以及计算机可读存储介质
CN113658198A (zh) * 2021-08-31 2021-11-16 平安医疗健康管理股份有限公司 交互式肺气肿病灶分割方法、装置、存储介质及设备

Similar Documents

Publication Publication Date Title
US11776216B2 (en) System and method for extracting a region of interest from volume data
JP6539303B2 (ja) ３ｄ医用画像中の対象物を分割するための３ｄ対象物の変換
CN109064470B (zh) 一种基于自适应模糊聚类的图像分割方法及装置
CN104809723A (zh) 基于超体素和图割算法的三维肝脏ct图像自动分割方法
CN107633514B (zh) 一种肺结节周边血管量化评估系统及方法
CN107545579B (zh) 一种心脏分割方法、设备和存储介质
Tan et al. Analysis of segmentation of lung parenchyma based on deep learning methods
CN112581479A (zh) 一种基于医疗影像的肺结节交互式分割方法
CN105389821B (zh) 一种基于云模型和图割相结合的医学图像分割方法
CN105167798A (zh) 一种冠状动脉cta影像中提取血管方法
CN110264479A (zh) 基于随机游走和水平集的三维图像分割方法
CN106991660B (zh) 基于改进型八叉树分解的三维超声图像数据抽样方法
CN110610491B (zh) 一种腹部ct图像的肝脏肿瘤区域分割方法
CN110136139B (zh) 基于形状特征的面部ct图像中的牙神经分割方法
Kitrungrotsakul et al. Interactive deep refinement network for medical image segmentation
CN109886973B (zh) 一种血管提取方法、装置及计算机可读存储介质
CN114742968A (zh) 一种基于建筑物立面点云的立面图生成方法
CN112348826B (zh) 一种基于测地线距离和V-net的交互式肝脏分割方法
CN107564024B (zh) 基于单侧聚集线段的sar图像聚集区域提取方法
CN106558057B (zh) 一种医学图像分割方法
Song et al. Automatic liver segmentation from CT images using adaptive fast marching method
CN111062946A (zh) 肺结节ct图像分割算法
CN112634280B (zh) 基于能量泛函的mri图像脑肿瘤分割方法
CN114581476A (zh) 一种基于ct图像的肺器官模型自动分叶方法及系统
Badura et al. 3D fuzzy liver tumor segmentation

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210330