CN113744849A - 一种ct图像半自动标注方法和系统 - Google Patents
一种ct图像半自动标注方法和系统 Download PDFInfo
- Publication number
- CN113744849A CN113744849A CN202111017818.0A CN202111017818A CN113744849A CN 113744849 A CN113744849 A CN 113744849A CN 202111017818 A CN202111017818 A CN 202111017818A CN 113744849 A CN113744849 A CN 113744849A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- image
- labeling
- slice
- points
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000002372 labelling Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000004044 response Effects 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 description 8
- 230000002457 bidirectional effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010018852 Haematoma Diseases 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Architecture (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种CT图像半自动标注方法和系统,属于图像处理领域。包括:获取待标注三维CT图像,对三维CT图像去背景;对去背景后三维CT图像的每个二维切片执行二维开运算,得到各个二维切片对应的若干候选连通域;响应于针对每个二维切片选择的种子点,基于区域生长算法确定目标连通域,作为二维标注结果;叠加所有二维标注结果,得到掩膜,将预处理后三维CT图像与掩膜点乘,得到掩膜后三维CT图像;对掩膜后三维CT图像执行三维开运算,得到若干候选空间域;响应于针对掩膜后三维CT图像选择的种子点,基于区域生长算法确定目标空间域,得到三维标注结果。本发明通过形态学及区域生长,综合二维及三维信息,实现对目标快速标注,同时降低假阳性标注。
Description
技术领域
本发明属于医学图像处理领域,更具体地,涉及一种CT图像半自动标注方法和系统。
背景技术
各种放射方式产生的医学图像包含诸如解剖学和病理学的大量信息,这些信息可以提供大量可视信息,并与诸如基因组学、蛋白质组学、组织病理学及临床实验数据等非图像数据构成互补。在医学图像处理过程中,经常需要对感兴趣区域(ROI)的边界给出精确标注。然而,手动标注医学图像通常耗时长且开销大,而且标注结果因人而异。在此背景下,用图像分割算法的介入来节省人工与时间成本是十分有意义的。
专利CN113192099A公开一种组织提取方法,通过响应输入装置在医学图像中选择种子点的操作,自动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。
然而,该方法存在以下缺点:该方案需要根据组织半径阈值确定区域生长策略,但是该阈值需要人为设定,泛化性较弱。同时,该方案没有利用到三维图像的空间信息,容易出现误标与漏标。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种CT图像半自动标注方法和系统,其目的在于降低人工标注成本,减少标注过程的超参数设定,提高标注方法的繁华能力以及精度。
为实现上述目的,按照本发明的第一方面,提供了一种CT图像半自动标注方法,该方法包括:
S1.获取待标注的三维CT图像,对三维CT图像执行去背景操作;
S2.对去背景后三维CT图像的每个二维切片执行二维开运算,得到各个二维切片对应的若干候选连通域;
S3.响应于针对每个二维切片选择的种子点,基于区域生长算法确定目标连通域,作为二维标注结果;
S4.叠加所有二维标注结果,得到掩膜,将预处理后的三维CT图像与掩膜进行点乘,得到掩膜后的三维CT图像;
S5.对掩膜后的三维CT图像执行三维开运算,得到若干候选空间域;
S6.响应于针对掩膜后的三维CT图像选择的种子点,基于区域生长算法确定目标空间域,得到三维标注结果。
优选地,步骤S1中,所述对三维CT图像执行去背景操作,具体如下:
(1)获取待标注对象的CT值范围;
(2)对三维CT图像中不在所述CT值范围内的全部像素点置零。
有益效果:针对人工标注方法难以区分目标与非目标组织的问题,本发明通过二值化处理,基于不同组织在CT图像中的特有范围来去除背景区域,实现目标与非目标组织的初步分离。
优选地,步骤S2中,所述二维开运算的算子为圆形,其直径通过以下方式确定:
(1)遍历二维切片矩阵中每一行,统计每一行中连续的非0像素长度,遍历二维切片矩阵中每一列,统计每一列中连续的非0像素长度,所有连续的非0像素长度构成一个序列;
(2)保留该序列中所有小于5的长度,计算均值作为圆形形态学算子的直径。
有益效果:针对形态学开运算中算子大小难以确定的问题,本发明通过提取图像矩阵的连续性特征,自适应确定算子大小,在断开细小连接的同时确保目标区域的完整性。
优选地,步骤S3中,所述区域生长算法为4邻域区域生长算法或8邻域区域生长算法。
有益效果:针对人工标注方法对目标的边界难以精确到单个像素点的问题,本发明通过区域生长算法,对单个像素点进行分析,实现对目标边界的精确标注。
优选地,步骤S6中,所述区域生长算法包括:
S61.获取初始种子点;
S62.基于当前种子点遍历其所处二维切片周围8邻域,以及下一张二维切片中对应位置的像素点,将其中CT值不为0且不为种子点的像素点标记为新种子点;
S63.重复S62,直至没有新种子点出现,所有种子点集合为标注结果Gf;
S64.将所有的种子点清空,保留初始种子点;
S65.基于当前种子点遍历其所处二维切片周围8邻域,以及上一张二维切片中对应位置的像素点,将其中CT值不为0且不为种子点的像素点标记为新种子点;
S66.重复S65,直至没有新种子点出现,所有种子点集合为标注结果Gb;
S67.叠加Gf与Gb,得到最终的标注结果。
有益效果:针对现有26邻接三维区域生长算法,算法复杂度以及时间成本高的问题,本发明通过双向9邻接搜索的方法,增加算法迭代次数,降低单次遍历范围,在保证算法精度的同时,算法整体复杂度大大降低,提高召回率。
优选地,该方法还包括:
S7.对三维标注结果进行高斯平滑处理。
有益效果:针对区域生长算法结果存在细小空洞的问题,本发明通过高斯平滑算法,补全空洞,提高标注精度。
为实现上述目的,按照本发明的第二方面,提供了一种CT图像半自动标注系统,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行第一方面所述的CT图像半自动标注方法。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
针对现在人工标注方法人力与时间成本较高,半自动标注方法参数设定无法自适应导致泛化能力弱等问题,本发明通过提取图像连续性特征,自适应设定形态学算子大小,同时综合二维以及三维信息,实现对目标快速地标注,同时降低假阳性标注结果并提高标注结果的召回率。
附图说明
图1为本发明实施例中一种面向CT图像的半自动标注方法流程图;
图2为本实施例提供的步骤S3过程示意图;
图3为本实施例提供的基于二维标注结果生成掩膜示意图;
图4为本实施例提供的双向9邻接区域生长算法的搜索方式示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
CT图像通过不同的CT值来表现不同的组织,同一组织具有相同的CT值范围。利用CT图像的这一特点,本发明基于区域生长算法提出一种高精度的半自动的标注方法,节省在标注工作中的人力与时间成本。
如图1所示,本发明提供了一种面向CT图像的半自动标注方法,包括如下步骤:
S1:读取DICOM文件,确定目标组织的CT值范围,并根据这个范围对三维CT图像进行阈值处理;
S2:使用形态学开运算处理图像,断开目标组织与噪声之间的细小连接,生成多个连通域;
S3:在二维切片的基础上,人工选取种子点,基于8邻接区域生长算法,在种子点的基础上生成标注结果;
S4:叠加所有二维标注结果得到掩膜,利用掩膜优化阈值后的三维CT图像;
S5:在优化后的三维CT图像上人为选取种子点,基于双向9邻接的区域生长算法得到三维标注结果;
S6:对三维标注结果进行高斯平滑处理,填补标注中的细小空洞。
步骤S1中,所述图像阈值处理,是对图像中像素点CT值不在规定范围内的全部归零处理。
其中,HU表示CT图像中某像素点对应的CT值,ω1表示目标组织CT值下限,ω2表示目标组织CT值上限。
步骤S2中,所述开运算中利用的形态学算子的形状为圆形,大小由组织形态决定。分别遍历阈值处理后图像矩阵中每一行{c1,c2,…cn}与每一列{r1,r2,…rm},统计每一行/列中连续的非0像素序列长度{l1,l2,…lI},无非0像素点不计入该序列,取{l1,l2,…lI}中小于5的均值作为圆形形态学算子的直径。
步骤S3中,所述人工选取种子点的要求是对目标组织的每一个连通域,都人为选择连通域内部的任意一个像素点。
步骤S4中,所述叠加所有二维标注结果得到掩膜,是将所有二维标注结果映射到同一平面
M=M1∪M2∪…MK
其中,K表示三维CT图像包含的二维切片总数。
步骤S4中,所述利用掩膜优化三维CT图像,是利用掩膜M过滤掉三维CT图像中背景区域
img′k=imgk∩M
其中,img′k表示优化后的第k张切片。
步骤S5中,所述双向9邻接区域生长算法包括:
1.将初始种子点加入堆栈中;
2.让堆栈最上方的种子点出栈,将该点同一切片周围8邻域以及下一张切片中对应位置中CT值不为0且没有被选为种子点的像素点标记为新的种子点,并加入堆栈中;
3.重复2,直到没有新种子点出现,得到标注结果Gf;
4.将初始种子点加入新堆栈中;
5.让堆栈最上方的种子点出栈,将该点同一切片周围8邻域以及上一张切片中对应位置中CT值不为0且没有被选为种子点的像素点标记为新的种子点,并加入堆栈中;
6.重复5,直到没有新种子点出现,得到标注结果Gb;
7.叠加Gf与Gb得到最终的标注结果G。
本实施例中,目标组织为脑血肿,CT值范围为40-80HU。图2中,用户在二维切片上每一个存在血肿的连通域,选择种子点,箭头所指为属于目标组织的连通域。基于区域生长算法,在种子点的基础上生成标注结果。
如图3所示,叠加所有二维标注结果得到掩膜,利用掩膜优化阈值后的三维CT图像。
如图4所示,在三维CT图像上选取种子点,基于双向9邻接的区域生长算法得到三维标注结果。
本领域的技术人员容易理解,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作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种CT图像半自动标注方法,其特征在于,该方法包括:
S1.获取待标注的三维CT图像,对三维CT图像执行去背景操作;
S2.对去背景后三维CT图像的每个二维切片执行二维开运算,得到各个二维切片对应的若干候选连通域;
S3.响应于针对每个二维切片选择的种子点,基于区域生长算法确定目标连通域,作为二维标注结果;
S4.叠加所有二维标注结果,得到掩膜,将预处理后的三维CT图像与掩膜进行点乘,得到掩膜后的三维CT图像;
S5.对掩膜后的三维CT图像执行三维开运算,得到若干候选空间域;
S6.响应于针对掩膜后的三维CT图像选择的种子点,基于区域生长算法确定目标空间域,得到三维标注结果。
2.如权利要求1所述的方法,其特征在于,步骤S1中,所述对三维CT图像执行去背景操作,具体如下:
(1)获取待标注对象的CT值范围;
(2)对三维CT图像中不在所述CT值范围内的全部像素点置零。
3.如权利要求1所述的方法,其特征在于,步骤S2中,所述二维开运算的算子为圆形,其直径通过以下方式确定:
(1)遍历二维切片矩阵中每一行,统计每一行中连续的非0像素长度,遍历二维切片矩阵中每一列,统计每一列中连续的非0像素长度,所有连续的非0像素长度构成一个序列;
(2)保留该序列中所有小于5的长度,计算均值作为圆形形态学算子的直径。
4.如权利要求1所述的方法,其特征在于,步骤S3中,所述区域生长算法为4邻域区域生长算法或8邻域区域生长算法。
5.如权利要求1所述的方法,其特征在于,步骤S6中,所述区域生长算法包括:
S61.获取初始种子点;
S62.基于当前种子点遍历其所处二维切片周围8邻域,以及下一张二维切片中对应位置的像素点,将其中CT值不为0且不为种子点的像素点标记为新种子点;
S63.重复S62,直至没有新种子点出现,所有种子点集合为标注结果Gf;
S64.将所有的种子点清空,保留初始种子点;
S65.基于当前种子点遍历其所处二维切片周围8邻域,以及上一张二维切片中对应位置的像素点,将其中CT值不为0且不为种子点的像素点标记为新种子点;
S66.重复S65,直至没有新种子点出现,所有种子点集合为标注结果Gb;
S67.叠加Gf与Gb,得到最终的标注结果。
6.如权利要求1至5任一项所述的方法,其特征在于,该方法还包括:
S7.对三维标注结果进行高斯平滑处理。
7.一种CT图像半自动标注系统,其特征在于,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行权利要求1至6任一项所述的CT图像半自动标注方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111017818.0A CN113744849B (zh) | 2021-08-31 | 2021-08-31 | 一种ct图像半自动标注方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111017818.0A CN113744849B (zh) | 2021-08-31 | 2021-08-31 | 一种ct图像半自动标注方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113744849A true CN113744849A (zh) | 2021-12-03 |
CN113744849B CN113744849B (zh) | 2024-03-19 |
Family
ID=78734509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111017818.0A Active CN113744849B (zh) | 2021-08-31 | 2021-08-31 | 一种ct图像半自动标注方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113744849B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113870169A (zh) * | 2020-06-12 | 2021-12-31 | 杭州普健医疗科技有限公司 | 一种医学影像标注方法、介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118056A (zh) * | 2015-08-13 | 2015-12-02 | 重庆大学 | 基于三维形态学的冠脉血管自动提取方法 |
CN106296664A (zh) * | 2016-07-30 | 2017-01-04 | 上海联影医疗科技有限公司 | 血管提取方法 |
CN109509199A (zh) * | 2018-10-10 | 2019-03-22 | 华南理工大学 | 一种基于三维重建的医学影像组织智能分割方法 |
CN110648338A (zh) * | 2019-09-25 | 2020-01-03 | 上海微创医疗器械(集团)有限公司 | 图像分割方法、可读存储介质及图像处理装置 |
CN112734790A (zh) * | 2020-12-30 | 2021-04-30 | 武汉联影生命科学仪器有限公司 | 一种肿瘤区域标注方法、系统、装置及可读存储介质 |
CN113160245A (zh) * | 2021-04-01 | 2021-07-23 | 深圳市铱硙医疗科技有限公司 | 基于分块区域生长法的ct脑实质分割系统、方法及装置 |
-
2021
- 2021-08-31 CN CN202111017818.0A patent/CN113744849B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118056A (zh) * | 2015-08-13 | 2015-12-02 | 重庆大学 | 基于三维形态学的冠脉血管自动提取方法 |
CN106296664A (zh) * | 2016-07-30 | 2017-01-04 | 上海联影医疗科技有限公司 | 血管提取方法 |
CN109509199A (zh) * | 2018-10-10 | 2019-03-22 | 华南理工大学 | 一种基于三维重建的医学影像组织智能分割方法 |
CN110648338A (zh) * | 2019-09-25 | 2020-01-03 | 上海微创医疗器械(集团)有限公司 | 图像分割方法、可读存储介质及图像处理装置 |
CN112734790A (zh) * | 2020-12-30 | 2021-04-30 | 武汉联影生命科学仪器有限公司 | 一种肿瘤区域标注方法、系统、装置及可读存储介质 |
CN113160245A (zh) * | 2021-04-01 | 2021-07-23 | 深圳市铱硙医疗科技有限公司 | 基于分块区域生长法的ct脑实质分割系统、方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113870169A (zh) * | 2020-06-12 | 2021-12-31 | 杭州普健医疗科技有限公司 | 一种医学影像标注方法、介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113744849B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
CN108010021B (zh) | 一种医学图像处理系统和方法 | |
Ardekani et al. | Analysis of the MIRIAD data shows sex differences in hippocampal atrophy progression | |
CN110176012B (zh) | 图像中的目标分割方法、池化方法、装置及存储介质 | |
CN109636808B (zh) | 一种基于全卷积神经网络的肺叶分割方法 | |
KR102410955B1 (ko) | 의료 영상에서 딥러닝에 기반한 복부 장기 자동분할 방법 및 그 컴퓨터 프로그램 | |
CN111127466A (zh) | 医学图像检测方法、装置、设备及存储介质 | |
CN110929728B (zh) | 一种图像感兴趣区域划分方法、图像分割方法及装置 | |
CN106611413A (zh) | 图像分割方法及其系统 | |
CN111462071B (zh) | 一种图像处理方法和系统 | |
CN107545579B (zh) | 一种心脏分割方法、设备和存储介质 | |
KR102349515B1 (ko) | 의료 영상에서 딥러닝에 기반한 종양 자동분할 방법 | |
CN111161241A (zh) | 一种肝脏图像识别方法、电子设备及存储介质 | |
CN114359277B (zh) | 一种脑卒中患者的脑部图像处理方法及系统 | |
CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
CN109949288A (zh) | 肿瘤类型确定系统、方法及存储介质 | |
US9672600B2 (en) | Clavicle suppression in radiographic images | |
CN113744849A (zh) | 一种ct图像半自动标注方法和系统 | |
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 | |
JP6687395B2 (ja) | 医用画像処理装置、医用画像処理方法及び医用イメージング装置 | |
CN114533002B (zh) | 一种颈动脉中心线提取方法、装置、存储介质及电子设备 | |
CN105956587A (zh) | 一种基于形状约束的膝关节磁共振图像序列半月板自动提取方法 | |
CN112529918B (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 | |
CN115082680A (zh) | 一种基于三维影像的脊柱分割方法 | |
KR101690268B1 (ko) | 조직 씨앗을 이용한 의료영상 반자동 영역화 장치 및 방법 |
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 |