CN113192099B - 一种组织提取方法、装置、设备和介质 - Google Patents

一种组织提取方法、装置、设备和介质 Download PDF

Info

Publication number
CN113192099B
CN113192099B CN202110482545.0A CN202110482545A CN113192099B CN 113192099 B CN113192099 B CN 113192099B CN 202110482545 A CN202110482545 A CN 202110482545A CN 113192099 B CN113192099 B CN 113192099B
Authority
CN
China
Prior art keywords
target tissue
tissue
growth
region
pixel point
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
Application number
CN202110482545.0A
Other languages
English (en)
Other versions
CN113192099A (zh
Inventor
毛玉妃
王旭
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare 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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN202110482545.0A priority Critical patent/CN113192099B/zh
Publication of CN113192099A publication Critical patent/CN113192099A/zh
Application granted granted Critical
Publication of CN113192099B publication Critical patent/CN113192099B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/155—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
    • G06T7/11—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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施例公开了一种组织提取方法、装置、设备和介质，其中，组织提取方法包括：响应于输入装置对医学图像中种子点的选择，确定所述种子点对应的目标组织的形态学参数；基于所述形态学参数匹配对应的区域生长策略，并根据所述区域生长策略完成目标组织区域的提取。本发明实施例的技术解决了在半自动的区域生长过程中，生长区域容易泄露及生长不完全的问题；可以实现针对形态学参数不同的种子点分别采用适宜的生长策略，有效防止生长区域的泄露，使目标区域生长更加完整。

Description

一种组织提取方法、装置、设备和介质
技术领域
本发明实施例涉及医学图像处理技术领域，尤其涉及一种组织提取方法、装置、设备和介质。
背景技术
在临床的疾病诊断中，通常会利用医学图像帮助医生进行疾病的诊断，那么从医学图像中提取出疾病诊断的目标部位，展示出病灶组织的形态，以更好地辅助医生对病灶进行分析，可以提高医疗诊断的准确性和科学性，有利于制定最优的治疗方案及手术规划，对医学研究具有重要的意义。
目前，多采用区域生长的方法对初步获取的医学图像进行处理，得到目标组织的形态构造。但是，对于一些结构较为复杂的组织，在区域生长的过程中经常会出现生长泄漏的问题。例如，在一些疾病的血管造影图像中提取血管，先进行预去骨操作，然后基于区域生长方法在预去骨之后的图像中选取种子点进行生长，虽然生长较顺畅，但不好控制生长过程容易溢出，导致最终图像效果不佳。
发明内容
本发明实施例提供一种组织提取方法、装置、设备和介质，以实现减少基于区域生长的组织提取过程出现的组织溢出问题，改善区域生长的效果。
第一方面，本发明实施例提供了一种组织提取方法，该方法包括：
响应于输入装置对医学图像中种子点的选择，确定所述种子点对应的目标组织的形态学参数；
基于所述形态学参数匹配对应的区域生长策略，并根据所述区域生长策略完成目标组织区域的提取。
可选的，在确定所述种子点对应的目标组织的形态学参数之前，所示方法还包括：
对所述医学图像进行预处理，增强显示所述医学图像中的目标组织。
可选的，所述形态学参数为组织半径，所述基于所述形态学参数匹配对应的区域生长策略，包括：
当所述组织半径大于第一组织半径阈值时，采用第一预设生长策略进行目标组织区域提取；
当所述组织半径小于第二组织半径阈值时，采用第二预设生长策略进行目标组织区域提取。
可选的，所述采用第一预设生长策略进行目标组织区域提取，包括；
针对与所述种子点相邻的每一个像素点，当当前像素点的特征值不符合目标组织特征值，和/或所述当前像素点对应的形态学参数小于预设生长下限时，不将所述当前像素点作为目标组织区域像素点。
可选的，所述方法还包括：
对于特征值符合目标组织特征值，且对应的形态学参数小于预设生长下限的像素点，采用所述第二预设生长策略进行区域生长。
可选的，所述方法还包括：
每生长第一预设数值像素点之后，对连通域进行筛选，将像素点数量小于第二预设数值的连通域丢弃，不作为目标组织区域。
可选的，所述采用第二预设生长策略进行组织提取，包括：
当当前像素点对应特征值不符合目标组织特征值，和/或，当前像素点对应的形态学参数大于预设生长上限时，不将所述当前像素点作为目标组织区域像素点。
可选的，所述方法还包括：
在目标组织区域提取的过程中，每生长第三预设数值像素点数或每生长预设长度的组织区域，将当前组织提取的结果进行输出显示。
可选的，所述确定所述种子点对应的目标组织的形态学参数，包括：
选取所述种子点的预设邻域组织内对应的像素点集合；
将所述像素点集合与目标组织模型匹配确定所述种子点对应的目标组织的形态学参数，或者，将所述像素点集合输入至预先训练好的参数确定深度学习神经网络确定所述种子点对应的目标组织的形态学参数。
第二方面，本发明实施例还提供了一种组织提取装置，该装置包括：
参数计算模块，用于响应于用户输入装置对医学图像中种子点的选择，确定所述种子点对应的目标组织的形态学参数；
区域生长模块，用于基于所述形态学参数匹配对应的区域生长策略，并根据所述区域生长策略完成目标组织区域的提取。
可选的，组织提取装置还包括图像预处理模块，用于在确定所述种子点对应的目标组织的形态学参数之前，对所述医学图像进行预处理，增强显示所述医学图像中的目标组织。
可选的，所述形态学参数为组织半径，所述区域生长模块具体用于：
当所述组织半径大于第一组织半径阈值时，采用第一预设生长策略进行目标组织区域提取；
当所述组织半径小于第二组织半径阈值时，采用第二预设生长策略进行目标组织区域提取。
可选的，所述区域生长模块在所述采用第一预设生长策略进行目标组织区域提取时，具体用于：
针对与所述种子点相邻的每一个像素点，当当前像素点的特征值不符合目标组织特征值，和/或所述当前像素点对应的形态学参数小于预设生长下限时，不将所述当前像素点作为目标组织区域像素点。
可选的，所述区域生长模块在所述采用第一预设生长策略进行目标组织区域提取时，具体还用于；
对于特征值符合目标组织特征值，且对应的形态学参数小于预设生长下限的像素点，采用所述第二预设生长策略进行区域生长。
可选的，所述区域生长模块还用于：
每生长第一预设数值像素点之后，对连通域进行筛选，将像素点数量小于第二预设数值的连通域丢弃，不作为目标组织区域。
可选的，所述区域生长模块在所述采用第二预设生长策略进行目标组织区域提取时，具体用于：
当当前像素点对应特征值不符合目标组织特征值，和/或，当前像素点对应的形态学参数大于预设生长上限时，不将所述当前像素点作为目标组织区域像素点。
可选的，所述组织提取装置还包括组织显示模块：
用于在目标组织区域提取的过程中，每生长第三预设数值像素点数或每生长预设长度的组织区域，将当前组织提取的结果进行输出显示。
可选的，所述参数计算模块具体用于：
选取所述种子点的预设邻域组织内对应的像素点集合；
将所述像素点集合与目标组织模型匹配确定所述种子点对应的目标组织的形态学参数，或者，将所述像素点集合输入至预先训练好的参数确定深度学习神经网络确定所述种子点对应的目标组织的形态学参数。
第三方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例中任一所述的组织提取方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如发明实施例中任一所述的组织提取方法。
本发明实施例，通过响应输入装置在医学图像中选择种子点的操作，自动的确定种子点对应的目标组织的形态学参数，然后根据形态学参数为种子点匹配对应的区域生长策略，并根据匹配到的区域生长策略完成目标组织区域的提取，即对于形态学参数不同的种子点采用了不同的区域生长策略，解决了在半自动的区域生长过程中，生长区域容易泄露及生长不完全的问题；可以实现针对形态学参数不同的种子点分别采用适宜的生长策略，有效防止生长区域的泄露，使目标区域生长更加完整。
附图说明
图1是本发明实施例一中的组织提取方法的流程图；
图2是本发明实施例二中的组织提取方法的流程图；
图3是本发明实施例二中的医学图像增强的深度学习网络示意图；
图4是本发明实施例二中的采用深度学习网络的图像增强效果示意图；
图5是本发明实施例二中的采用马尔可夫随机场聚类方法进行图像增强效果示意图；
图6是本发明实施例三中的组织提取方法的流程图；
图7是本发明实施例四中的组织提取装置的结构示意图；
图8是本发明实施例五中的计算机设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下将参照本发明实施例中的附图，通过实施方式清楚、完整地描述本发明的技术方案，显然，所描述的实施例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。下述各实施例中，每个实施例中同时提供了可选特征和示例，实施例中记载的各个特征可进行组合，形成多个可选方案，不应将每个编号的实施例仅视为一个技术方案。
实施例一
图1为本发明实施例一提供的组织提取方法的流程图，本实施例可适用于在医学图像中提取目标组织的情况，该方法可以由组织提取装置实现，该装置配置于与医学成像设备连接的计算机设备中，具体可通过设备中的软件和/或硬件来实施。
如图1所示，组织提取方法具体包括：
S110、响应于输入装置对医学图像中种子点的选择，确定所述种子点对应的目标组织的形态学参数。
其中，医学图像可以是待提取组织所在部位的计算机断层扫描(CT)图像，或是磁共振扫描图像等形式的医学图像。待提取的组织可以是心脏、血管、肺、肝、气管或脑组织等组织器官。种子点为属于待提取组织的任意一个像素点。在本实施例中，输入装置为鼠标、键盘或者触控屏，用户对输入装置进行操作，选择图像中对应的种子点开始区域生长，以提取目标组织。具体的，在输入装置选择了种子点之后，便会自动的确定种子点对应的目标组织的形态学参数，如目标组织的长度、半径、表面积、组织空间形态伸展方向(如血管走向)等参数。
目标组织的形态学参数的确定可以是通过目标组织模型匹配或者基于深度学习神经网络确定种子点对应的目标组织的形态学参数。示例性的，当目标组织为心脏，可以用已有的心脏模型与种子点对应的预设邻域内的像素点集合进行匹配，与像素点集合对应的区域轮廓匹配度最高的心脏模型的形态学参数，如表面积、轮廓尺寸等，即为种子点对应的目标组织的形态学参数。再如，目标组织为血管，可以通过已有血管模型匹配的方式，确定血管大概的半径尺寸，或者可以通过将种子点的预设邻域组织内对应的像素点集合输入至深度学习网络中获取种子点对应的形态学参数。
S120、基于所述形态学参数匹配对应的区域生长策略，并根据所述区域生长策略完成目标组织区域的提取。
具体的，针对形态学参数不同的种子点，可能会采取不同的生长策略。即在形态学参数数值的不同范围区间内，对应不同的区域生长策略。其中，生长策略具体设置了在一次生长中，生长停止的条件，如当前种子点的灰度值等像素信息与目标组织区域一致，但是当当前种子点的形态学参数小于一定数值时，便不再将当前种子点纳入目标组织区域中，可以使形态学参数相差较大的不同种子点分别生长，从而防止区域生长的泄露。也就是说，针对不同的生长策略，生长停止的条件不同，分别包括不同的形态学参数的生长上限或下限。
在区域生长的过程中，根据输入装置选择的种子点，可以按照预设的规则依次选取输入装置选择的种子点周围的像素点作为当前种子点，如选择种子点的上下左右4个像素点。然后，判断当前种子点的像素信息与输入装置选择的种子点的像素信息是否相同或相近；若是，则进一步计算各种子点对应的形态学参数，并依照对应的生长策略进行区域生长，最终得到目标组织区域。
在一个具体的实例中，以粗、细血管的区域生长为例进行说明。若当前输入装置点中的种子点对应的形态学参数表明该种子点属于粗血管(如半径大于10mm的血管)，在种子点周围的像素点进行扩散生长时，对于形态学参数小于4mm的小血管种子点则不会继续生长。因为对目标用户来说，点中粗血管，更希望先把粗血管都生长完成再考虑生长细血管，从而可以有效的防止生长泄露。若当前用户点中的种子点对应的形态学参数是7-8mm以下细血管时，在区域生长的过程中不会蔓延到大于形态学参数为种子点的形态学参数1.5倍的血管。这是由于，目标用户点中非粗血管时，更希望的是把这根血管所在的一整簇血管提取出来。同时，该策略也能有效的防止泄露，且细血管不会长到骨头上，否则形态学参数会突增。
本实施例的技术方案，通过响应输入装置在医学图像中选择种子点的操作，自动的确定种子点对应的目标组织的形态学参数，然后根据形态学参数为种子点匹配对应的区域生长策略，并根据匹配到的区域生长策略完成目标组织区域的提取，即对于形态学参数不同的种子点采用了不同的区域生长策略，解决了在半自动的区域生长过程中，生长区域容易泄露及生长不完全的问题；可以实现针对形态学参数不同的种子点分别采用适宜的生长策略，有效防止生长区域的泄露，使目标区域生长更加完整。
实施例二
图2为本发明实施例二提供的组织提取方法的流程图，在上述实施例的基础上进行优化，具体进一步描述了在预先对医学图像进行增强处理后，再对医学进行目标组织提取。
如图2所示，本实施例中组织提取方法包括如下过程：
S210、对医学图像进行预处理，增强显示所述医学图像中的目标组织。
当要提取的目标组织为血管时，由于血管的生长容易溢出到骨头，即血管与骨头连接在一起，因此，可以通过医学图像的预处理，将医学图像进行增强现实，使血管的管状结构更加突出明显。
具体的，可以通过深度学习神经网络实现医学图像增强显示：将原始的医学图像输入至深度学习神经网络中，如图3所示的VNET网络结构，再由神经网络输出经过增强现实后的医学图像。或者，还可以通过马尔可夫随机场聚类算法，对原始图像进行计算，得到增强显示后的医学图像。图3中的VNET网络结构中，各卷积核的尺寸仅做示例性的说明。通过两种方法进行图像增强的效果图可分别参考图4和图5所示的效果图。在图4和图5中，圆形或不规则封闭区域即为血管的管状结构的切面。
S220、响应于输入装置对所述医学图像中种子点的选择，确定所述种子点对应的目标组织的形态学参数。
进一步的，在区域生长的过程中，可以基于图像预处理增强后的结果，计算医学图像中各像素点的扩散场数值，以根据扩散场数值和种子点的形态学参数进行区域生长。
具体的，可以通过基于半径的水平集算法确定扩散场。首先，设计水平集或其他算法所使用的扩散场，
Figure BDA0003049804110000101
Figure BDA0003049804110000102
公式(1)。其中，公式(1)中u为坐标为(i，j，k)的当前像素点的扩散场值，Ui-1,j,k、Ui+1,j,k、Ui,j-1,k、Ui,j+1,k、Ui,j,k-1及Ui,j,k+1则分别为当前像素点的左、右、前、后、下及上位置处相邻的像素点。而Pi,j,k则是预先设计并计算的当前像素点的特征值。
这里需要说明的是，P的设计应使得，越跟种子点越相似的点，P值应该越接近，如可设计为Pi,j,k＝(Grad(x)+fabs(Std(x)–Std(x0)))/Vesselness(x)。Grad(x)为当前像素点的梯度值，Std(x)为当前像素点与周围像素点的方差，Std(x0)为预选的种子点对应的方差，Vesselness(x)为用机器学习或深度学习或马尔可夫随机场聚类等等计算的Vesselness增强值。也可直接设计为Pi,j,k＝1/Vesselness(x)。以深度学习神经网络进行图像的增强为例，可以使用全身的血管分割结果作为金标准(本实施例中使用半径>2mm的血管作为金标准)，使用VNet或其他分割网络进行训练。网络预测出来的概率图即为Vesselness(x)。也就是说经过医学图像的预处理，可以预先计算确定每个像素点的P值，当用户选中一个像素点作为种子点时，便可以计算该点的扩散场值。
每当用户通过输入装置选中医学图像中的种子点时，根据预处理后的该种子点的P值计算扩散场数值，同时，确定该选中的种子点对应的目标组织形态学参数，在本实施中，形态学参数即为血管的半径。
S230、基于所述形态学参数匹配对应的区域生长策略，并根据所述区域生长策略完成目标组织区域的提取。
具体的，根据血管的半径，可以根据预设的标准分为粗血管及细血管，从而可以分别为粗血管和细血管分别配置不同的生长策略。从输入装置选中的种子点的邻域的像素点开始，依次选取像素点作为当前种子点，进行区域生长判断，直到生长得到目标组织区域。
进一步的，可以针对种子点周围的每一个像素点，确定各像素点对应的组织半径，即血管半径；当血管半径大于第一组织半径阈值时，判断为粗血管，则采用第一预设生长策略进行目标组织区域提取；当血管半径小于第二组织半径阈值时，判断为细血管，则采用第二预设生长策略进行目标组织区域提取。
在一个具体的实例中，第一组织半径阈值可设置为10mm，当用户选择的种子点对应的血管半径大于10mm时，采用第一预设生长策略进行目标组织区域提取，包括针对与用户选择种子点相邻的每一个像素点，作为当前种子点，当当前像素点(种子点)的特征值(即扩散场值)不符合目标组织特征值，和/或当前像素点(种子点)对应的形态学参数小于预设生长下限(如4mm)时，不将所述当前像素点作为目标组织区域像素点。这一过程即生长粗血管，对医生用户来说，点中粗血管，更希望先把粗血管都生长完成再考虑生长细血管，这样可以有效的防止泄露。粗血管主要生长主动脉、心脏各腔室及肿瘤等等半径>9mm的血管或脏器。
进一步的，第二组织半径阈值可设置为7mm，当用户选择的种子点对应的血管半径小于7mm时，采用第二预设生长策略进行目标组织区域提取，包括：当每一个当前像素点对应特征值(扩散场值)不符合目标组织特征值，和/或，当前像素点对应的形态学参数大于预设生长上限(如用户选择种子点对应的形态学参数的1.5倍)时，不将所述当前像素点作为目标组织区域像素点。这一过程即生长细血管，这主要考虑到，医生用户点中非粗血管种子点时，更希望的是把这根血管所在的一整簇血管提取出来，能有效的防止泄露，因为可以保证细血管不长到骨头上(否则半径会突增)。
优选的，在一种实施方式中，当生长粗血管的时候，可以在每处理第一预设数值像素点之后，对连通域进行筛选，判断有没有扩散到血管分叉，以及分叉后的情况。还可以将将像素点数量小于第二预设数值(如100)的连通域丢弃，不作为目标组织区域。即可实现只长粗血管，不长细血管，可以通过设置N的数值大小，控制剔除的细血管的粗细程度。这是由于，按照连通域内种子点数量进行换算，100个种子点(像素点)可换算为半径大概4mm左右，属于细血管。
本实施例的技术方案，当提取的目标组织为血管时，通过对医学图像进行预处理，实现医学图像的增强显示，然后响应输入装置在医学图像中选择种子点的操作，自动的确定种子点对应的目标组织的形态学参数，根据形态学参数为种子点匹配对应的区域生长策略，分别提取粗血管和细血管，解决了在半自动的区域生长过程中，生长区域容易泄露及生长不完全的问题；可以实现针对形态学参数不同的种子点分别采用适宜的生长策略，有效防止生长区域的泄露，使目标区域生长更加完整。
实施例三
图6为本发明实施例三提供的组织提取方法的流程图，在上述实施例的基础上进行优化，进一步描述了在组织提取过程中，将提取的组织进行同步显示的过程。
如图6所示，本实施例中组织提取方法包括如下过程：
S310、对医学图像进行预处理，增强显示所述医学图像中的目标组织。
S320、响应于输入装置对所述医学图像中种子点的选择，确定所述种子点对应的目标组织的形态学参数。
S330、基于所述形态学参数匹配对应的区域生长策略，并根据所述区域生长策略提取目标组织区域。
S340、在目标组织区域提取的过程中，每处理预设数值像素点数或每生长预设长度的组织区域，将当前组织提取的结果进行输出显示，直到完成目标组织区域提取。
在一种实施方式中，在依次选取当前种子点时，可以以包围住用户选择的种子点的一圈像素点逐渐扩散到更多的像素点，那么便可以以圈为单位进行输出控制，例如每生长3圈输出一次。
具体的，粗血管及细血管生长都可通过控制每次输出多少像素点来实现速度的控制，可设置快、中及慢速度。对粗血管来说，速度可控制为每2000个像素点输出一次的慢速，每生长5000个点像素点输出一次的中速，以及每生长9000个像素点的快速等。
对细血管来说，速度控制可由输出的血管段数及像素点数共同控制，对稍粗血管(比如半径3mm以上)来说，主要由点数控制(慢速：每1000个像素点输出一次，中速：每3000个像素点，快速：每5000个像素点等)，对细血管来(通常为半径3mm以下的血管)说，则每次输出往前长的3段，每段的长度可以自定义进行设置。
通过，每次只输出一定像素点数，可以方便的实现回退功能，使用户实时查看目标组织区域的生长效果。需要说明的是，由于本实施例中组织提取方法在区域生长的过程中泄漏的情况较少，因此并不是很依赖回退。
本实施例的技术方案，通过对医学图像进行预处理，实现医学图像的增强显示，然后响应输入装置在医学图像中选择种子点的操作，自动的确定种子点对应的目标组织的形态学参数，然后根据形态学参数为种子点匹配对应的区域生长策略，并根据匹配到的区域生长策略完成目标组织区域的提取，并在组织区域提取的过程中，控制区域生长的速度，对已经生长部分进行阶段性的输出，解决了在半自动的区域生长过程中，生长区域容易泄露及生长不完全及生长速度慢的问题；可以实现针对形态学参数不同的种子点分别采用适宜的生长策略，有效防止生长区域的泄露，使目标区域生长更加完整，并提高了目标组织提取的速度。
实施例四
图7为本发明实施例四提供的一种组织提取装置的结构示意图，本发明实施例可适用于在医学图像中提取目标组织的情况。
如图7所示，本发明实施例中组织提取装置，包括：参数计算模块410和区域生长模块420。
其中，参数计算模块410，用于响应于输入装置对医学图像中种子点的选择，确定所述种子点对应的目标组织的形态学参数；区域生长模块420，用于基于所述形态学参数匹配对应的区域生长策略，并根据所述区域生长策略完成目标组织区域的提取。
本实施例的技术方案，通过响应输入装置在医学图像中选择种子点的操作，自动的确定种子点对应的目标组织的形态学参数，然后根据形态学参数为种子点匹配对应的区域生长策略，并根据匹配到的区域生长策略完成目标组织区域的提取，即对于形态学参数不同的种子点采用了不同的区域生长策略，解决了在半自动的区域生长过程中，生长区域容易泄露及生长不完全的问题；可以实现针对形态学参数不同的种子点分别采用适宜的生长策略，有效防止生长区域的泄露，使目标区域生长更加完整。
可选的，组织提取装置还包括图像预处理模块，用于在确定所述种子点对应的目标组织的形态学参数之前，对所述医学图像进行预处理，增强显示所述医学图像中的目标组织。
可选的，所述形态学参数为组织半径，所述区域生长模块420具体用于：
当所述组织半径大于第一组织半径阈值时，采用第一预设生长策略进行目标组织区域提取；
当所述组织半径小于第二组织半径阈值时，采用第二预设生长策略进行目标组织区域提取。
可选的，所述区域生长模块420在所述采用第一预设生长策略进行目标组织区域提取时，具体用于：
针对与所述种子点相邻的每一个像素点，当当前像素点的特征值不符合目标组织特征值，和/或所述当前像素点对应的形态学参数小于预设生长下限时，不将所述当前像素点作为目标组织区域像素点。
可选的，所述区域生长模块420在所述采用第一预设生长策略进行目标组织区域提取时，具体还用于；
对于特征值符合目标组织特征值，且对应的形态学参数小于预设生长下限的像素点，采用所述第二预设生长策略进行区域生长。
可选的，所述区域生长模块420还用于：
每生长第一预设数值像素点之后，对连通域进行筛选，将像素点数量小于第二预设数值的连通域丢弃，不作为目标组织区域。
可选的，所述区域生长模块420在所述采用第二预设生长策略进行目标组织区域提取时，具体用于：
当当前像素点对应特征值不符合目标组织特征值，和/或，当前像素点对应的形态学参数大于预设生长上限时，不将所述当前像素点作为目标组织区域像素点。
可选的，所述组织提取装置还包括组织显示模块：
用于在目标组织区域提取的过程中，每生长第三预设数值像素点数或每生长预设长度的组织区域，将当前组织提取的结果进行输出显示。
可选的，所述参数计算模块410具体用于：
选取所述种子点的预设邻域组织内对应的像素点集合；
将所述像素点集合与目标组织模型匹配确定所述种子点对应的目标组织的形态学参数，或者，将所述像素点集合输入至预先训练好的参数确定深度学习神经网络确定所述种子点对应的目标组织的形态学参数。
本发明实施例所提供的组织提取装置可执行本发明任意实施例所提供的组织提取方法，具备执行方法相应的功能模块和有益效果。
实施例五
图8是本发明实施例五中的计算机设备的结构示意图，该计算机设备与成像设备(例如CT、PET、MRI设备)相连接，用于对成像设备进行控制，接收成像设备采集的信号，并对采集的信号进行数据处理。图8示出了适于用来实现本发明实施方式的示例性计算机设备512的框图。图8显示的计算机设备512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8所示，计算机设备512以通用计算设备的形式表现。计算机设备512的组件可以包括但不限于：一个或者多个处理器或者处理单元514，系统存储器528，连接不同系统组件(包括系统存储器528和处理单元514)的总线518。
总线518表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备512访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)530和/或高速缓存存储器532。计算机设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统534可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储器528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如存储器528中，这样的程序模块542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。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备512也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等)通信，还可与一个或者多个使得用户能与该计算机设备512交互的设备通信，和/或与使得该计算机设备512能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且，计算机设备512还可以通过网络适配器520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520通过总线518与计算机设备512的其它模块通信。应当明白，尽管图8中未示出，可以结合计算机设备512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、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元516通过运行存储在系统存储器528中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的组织提取方法，该方法主要包括：
响应于输入装置对医学图像中种子点的选择，确定所述种子点对应的目标组织的形态学参数；示例性的输入装置可以包括键盘、鼠标、触摸屏、麦克风等中的一种或多种的组合，例如，用户对输入装置进行操作，对医学图像中种子点的选择，确定所述种子点对应的目标组织的形态学参数。基于所述形态学参数匹配对应的区域生长策略，并根据所述区域生长策略完成目标组织区域的提取。
实施例六
本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的组织提取方法，该方法主要包括：
响应于输入装置对医学图像中种子点的选择，确定所述种子点对应的目标组织的形态学参数；
基于所述形态学参数匹配对应的区域生长策略，并根据所述区域生长策略完成目标组织区域的提取。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是，但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种组织提取方法，其特征在于，包括：
响应于输入装置对医学图像中种子点的选择，确定所述种子点对应的目标组织的形态学参数；
基于所述形态学参数匹配对应的区域生长策略，并根据所述区域生长策略完成目标组织区域的提取；
其中，所述基于所述形态学参数匹配对应的区域生长策略，包括：
针对形态学参数数值的不同范围区间，对应不同的区域生长策略，所述不同的区域生长策略分别包括不同的形态学参数的生长上限或下限。
2.根据权利要求1所述的方法，其特征在于，所述形态学参数为组织半径，所述基于所述形态学参数匹配对应的区域生长策略，包括：
当所述组织半径大于第一组织半径阈值时，采用第一预设生长策略进行目标组织区域提取；
当所述组织半径小于第二组织半径阈值时，采用第二预设生长策略进行目标组织区域提取。
3.根据权利要求2所述的方法，其特征在于，所述采用第一预设生长策略进行目标组织区域提取，包括；
针对与所述种子点相邻的每一个像素点，当当前像素点的特征值不符合目标组织特征值，和/或所述当前像素点对应的形态学参数小于预设生长下限时，不将所述当前像素点作为目标组织区域像素点。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
对于特征值符合目标组织特征值，且对应的形态学参数小于预设生长下限的像素点，采用所述第二预设生长策略进行区域生长。
5.根据权利要求2所述的方法，其特征在于，所述采用第二预设生长策略进行组织提取，包括：
当当前像素点对应特征值不符合目标组织特征值，和/或，当前像素点对应的形态学参数大于预设生长上限时，不将所述当前像素点作为目标组织区域像素点。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在目标组织区域提取的过程中，每生长第三预设数值像素点数或每生长预设长度的组织区域，将当前组织提取的结果进行输出显示。
7.根据权利要求1所述的方法，其特征在于，所述确定所述种子点对应的目标组织的形态学参数，包括：
选取所述种子点的预设邻域组织内对应的像素点集合；
将所述像素点集合与目标组织模型匹配确定所述种子点对应的目标组织的形态学参数，或者，将所述像素点集合输入至预先训练好的参数确定深度学习神经网络确定所述种子点对应的目标组织的形态学参数。
8.一种组织提取装置，其特征在于，包括：
参数计算模块，用于响应于输入装置对医学图像中种子点的选择，确定所述种子点对应的目标组织的形态学参数；
区域生长模块，用于基于所述形态学参数匹配对应的区域生长策略，并根据所述区域生长策略完成目标组织区域的提取；
其中，所述基于所述形态学参数匹配对应的区域生长策略，包括：
针对形态学参数数值的不同范围区间，对应不同的区域生长策略，所述不同的区域生长策略分别包括不同的形态学参数的生长上限或下限。
9.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的组织提取方法。
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，该程序被处理器执行时实现如权利要求1-7中任一所述的组织提取方法。
CN202110482545.0A 2021-04-30 2021-04-30 一种组织提取方法、装置、设备和介质 Active CN113192099B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110482545.0A CN113192099B (zh) 2021-04-30 2021-04-30 一种组织提取方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110482545.0A CN113192099B (zh) 2021-04-30 2021-04-30 一种组织提取方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN113192099A CN113192099A (zh) 2021-07-30
CN113192099B true CN113192099B (zh) 2023-02-17

Family

ID=76983293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110482545.0A Active CN113192099B (zh) 2021-04-30 2021-04-30 一种组织提取方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN113192099B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116030633B (zh) * 2023-02-21 2023-06-02 天津汉云工业互联网有限公司 一种车辆隧道预警方法和装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933701A (zh) * 2015-05-18 2015-09-23 重庆大学 基于多尺度生长与双策略去粘连模型的乳腺细胞分割方法
CN104978726A (zh) * 2014-04-03 2015-10-14 上海联影医疗科技有限公司 一种血管提取方法
CN106228561A (zh) * 2016-07-29 2016-12-14 上海联影医疗科技有限公司 血管提取方法
CN106485704A (zh) * 2016-09-30 2017-03-08 上海联影医疗科技有限公司 血管中心线的提取方法
CN107346545A (zh) * 2017-05-22 2017-11-14 沈阳工业大学 用于视杯图像分割的改进区域生长方法
CN109712163A (zh) * 2018-12-05 2019-05-03 上海联影医疗科技有限公司 冠脉提取方法、装置、图像处理工作站和可读存储介质
CN110517275A (zh) * 2019-09-03 2019-11-29 上海联影医疗科技有限公司 一种交互方法、装置、设备及存储介质
CN111640124A (zh) * 2020-05-25 2020-09-08 浙江同花顺智能科技有限公司 一种血管提取方法、装置、设备及存储介质
CN111724413A (zh) * 2020-06-19 2020-09-29 上海杏脉信息科技有限公司 一种血管跟踪方法、冠脉影像分割方法、介质及电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296664B (zh) * 2016-07-30 2019-10-08 上海联影医疗科技有限公司 血管提取方法
CN107045721B (zh) * 2016-10-24 2023-01-31 东北大学 一种从胸部ct图像中提取肺血管的方法及装置
US10902591B2 (en) * 2018-02-09 2021-01-26 Case Western Reserve University Predicting pathological complete response to neoadjuvant chemotherapy from baseline breast dynamic contrast enhanced magnetic resonance imaging (DCE-MRI)
CN112435263A (zh) * 2020-10-30 2021-03-02 苏州瑞派宁科技有限公司 医学图像分割方法、装置、设备、系统及计算机存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978726A (zh) * 2014-04-03 2015-10-14 上海联影医疗科技有限公司 一种血管提取方法
CN104933701A (zh) * 2015-05-18 2015-09-23 重庆大学 基于多尺度生长与双策略去粘连模型的乳腺细胞分割方法
CN106228561A (zh) * 2016-07-29 2016-12-14 上海联影医疗科技有限公司 血管提取方法
CN106485704A (zh) * 2016-09-30 2017-03-08 上海联影医疗科技有限公司 血管中心线的提取方法
CN107346545A (zh) * 2017-05-22 2017-11-14 沈阳工业大学 用于视杯图像分割的改进区域生长方法
CN109712163A (zh) * 2018-12-05 2019-05-03 上海联影医疗科技有限公司 冠脉提取方法、装置、图像处理工作站和可读存储介质
CN110517275A (zh) * 2019-09-03 2019-11-29 上海联影医疗科技有限公司 一种交互方法、装置、设备及存储介质
CN111640124A (zh) * 2020-05-25 2020-09-08 浙江同花顺智能科技有限公司 一种血管提取方法、装置、设备及存储介质
CN111724413A (zh) * 2020-06-19 2020-09-29 上海杏脉信息科技有限公司 一种血管跟踪方法、冠脉影像分割方法、介质及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Blood vessel segmentation for head MRA using branch-based region growing;Sekiguchi H,Sugimoto N,Eiho S;《 Systems and Computers in Japan》;20051231;论文第80–88页 *
心血管造影图像分割方法综述;李越,蒋路茸,童基均;《计算机系统应用》;20201231;论文第1-15页 *

Also Published As

Publication number Publication date
CN113192099A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
US8761475B2 (en) System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans
CN111008984B (zh) 医学影像中正常器官的轮廓线自动勾画方法
CN109410221B (zh) 脑灌注图像分割方法、装置、服务器和存储介质
CN111696089A (zh) 一种动静脉确定方法、装置、设备和存储介质
CN110211111A (zh) 一种血管提取的方法、装置、图像处理设备及存储介质
CN110378913B (zh) 图像分割方法、装置、设备及存储介质
EP2620909B1 (en) Method, system and computer readable medium for automatic segmentation of a medical image
CN111145160B (zh) 钙化区域所处冠脉分支的确定方法、装置、服务器及介质
CN111091561B (zh) 感兴趣区的神经纤维提取方法、系统、设备及存储介质
CN116503607B (zh) 一种基于深度学习的ct图像分割方法和系统
US8050470B2 (en) Branch extension method for airway segmentation
CN111640124A (zh) 一种血管提取方法、装置、设备及存储介质
CN114332132A (zh) 图像分割方法、装置和计算机设备
CN113192099B (zh) 一种组织提取方法、装置、设备和介质
CN109658425B (zh) 一种肺叶分割方法、装置、计算机设备及存储介质
US20230222668A1 (en) Image processing apparatus, image processing method, and recording medium
CN112950734B (zh) 冠脉重建方法、装置、电子设备和存储介质
CN113409273B (zh) 一种图像分析方法、装置、设备和介质
WO2022227193A1 (zh) 肝脏区域分割方法、装置、电子设备及存储介质
CN111798468B (zh) 图像处理方法及装置、存储介质及电子终端
CN114170258A (zh) 图像分割方法、装置、电子设备及存储介质
CN109754472B (zh) 一种组织轮廓编辑方法、装置、计算机设备及存储介质
CN114037830A (zh) 增强图像生成模型的训练方法、图像处理方法及装置
CN113889238A (zh) 一种图像识别方法、装置、电子设备及存储介质
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