CN114081625A - 导航路径规划方法、系统和可读存储介质 - Google Patents
导航路径规划方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN114081625A CN114081625A CN202010760422.4A CN202010760422A CN114081625A CN 114081625 A CN114081625 A CN 114081625A CN 202010760422 A CN202010760422 A CN 202010760422A CN 114081625 A CN114081625 A CN 114081625A
- Authority
- CN
- China
- Prior art keywords
- point
- natural
- navigation path
- volume data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 210000000056 organ Anatomy 0.000 claims abstract description 29
- 210000004072 lung Anatomy 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 27
- 230000009466 transformation Effects 0.000 claims description 25
- 238000005452 bending Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 3
- 210000003437 trachea Anatomy 0.000 abstract description 5
- 210000000621 bronchi Anatomy 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 230000002685 pulmonary effect Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000001574 biopsy Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 201000003144 pneumothorax Diseases 0.000 description 3
- 206010067484 Adverse reaction Diseases 0.000 description 2
- 230000006838 adverse reaction Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- 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
- G06T7/0002—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
- G06T7/11—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/107—Visualisation of planned trajectories or target regions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
- A61B2034/2046—Tracking techniques
- A61B2034/2065—Tracking using image or pattern recognition
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Robotics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种导航路径规划方法、系统和可读存储介质,方法包括:对目标气管体数据图像中的自然腔道进行分割,得到自然腔道区域体数据图像;从自然腔道区域体数据图像中提取所述自然腔道的中心线,得到中心线体数据;根据所述中心线体数据,获取所述自然腔道的拓扑结构;基于所述拓扑结构,规划从起始点至目标点的导航路径。本发明基于自然确定的中心线获取自然腔道的拓扑结构,再根据拓扑结构规划导航路径,可以得到基于自然腔道中心线的最佳导航路径,提高了目标器官中自然腔道的导航路径规划的准确性。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种导航路径规划方法、系统和可读存储介质。
背景技术
肺部病灶的诊断对于肺癌的早期发现和治疗具有越来越重要的意义。常规的肺部病灶活检方式是采用经皮穿刺的方式将穿刺针直接插入肺部获取活检样本,这种穿刺方式有产生气胸的风险。有研究表明,肺部经皮穿刺有20-40%的气胸发生率,而气胸是一种严重的不良反应,有可能致命。
更安全的方式是采用支气管内窥镜经自然气道对肺部病灶进行活检,可以降低不良反应发生的风险。但支气管树较为复杂,需要有丰富经验的医生进行操作,对支气管镜操作人员的技能要求较为严格。因此,在术前制定好由主气道到达目标病灶的最佳路径,手术中引导医生操作内窥镜到达目标病灶具有重要意义。
因此,需要提供一种能够准确规划肺部支气管镜的导航路径的方法,以更好的辅助医生,提高诊断准确性。
发明内容
本发明的目的在于提供一种导航路径规划方法、系统和可读存储介质,以提高器官中自然腔道导航路径规划的准确性。
为达到上述目的,本发明提供一种导航路径规划方法,包括:
获取目标器官体数据图像,所述目标器官具有自然腔道;
对所述目标器官体数据图像中的所述自然腔道进行分割,以得到所述自然腔道区域体数据图像;
从所述自然腔道区域体数据图像中提取所述自然腔道的中心线,得到中心线体数据;
根据所述中心线体数据,获取所述自然腔道的拓扑结构;
基于所述拓扑结构,规划从起始点至目标点的导航路径;
其中,所述起始点为所述拓扑结构中的起始端点,所述目标点为所述自然腔道的中心线上邻近病灶位置的像素点。
可选的,所述基于所述拓扑结构,规划从起始点至目标点的导航路径,包括:
基于所述拓扑结构,通过深度优先搜索寻找从所述起始点至所述目标点的若干路径;
从所述若干路径中确定所述导航路径。
可选的,所述从所述若干路径中确定所述导航路径,包括:
提供每一路径的路径信息,以便于用户根据所述路径信息从所述若干路径中选择导航路径。
可选的,所述拓扑结构包括所述自然腔道的各个端点的位置坐标和/或相邻端点之间的距离;
所述每一路径的路径信息包括所述每一路径的长度,其中,所述每一路径的长度根据每一路径上各个端点的位置坐标和/或相邻端点之间的距离计算得到;
和/或,所述拓扑结构包括所述自然腔道中每一端点相对于上一级端点的弯曲角度;
所述每一路径的路径信息包括所述每一路径上的最大弯曲角度,其中,所述每一路径上的最大弯曲角度根据每一路径上每一端点相对于上一级端点的弯曲角度的最大值确定。
可选的,所述根据所述中心线体数据,获取所述自然腔道的拓扑结构,包括:
步骤A1、对于所述中心线体数据,将所述自然腔道的起始部位的端点作为所述拓扑结构的所述起始端点,将所述起始端点作为当前点;
步骤B1、对所述当前点进行邻域遍历,若邻域内只有一个有效点,执行步骤C1,若邻域内出现多个有效点,执行步骤D1;
步骤C1,将该有效点作为当前点,返回执行步骤B1;
步骤D1、将所述当前点标记为岔道口的端点,对于所述当前点邻域内的每一个有效点依次作为所述当前点,返回执行步骤B1;
步骤E1、判断所述中心线体数据的有效点是否遍历完成,如果否,则返回执行步骤B1,如果是,则退出循环,将各个端点组合得到所述自然腔道的拓扑结构。
可选的,所述方法还包括:
在循环迭代以获取所述自然腔道的拓扑结构的过程中,获取各个端点之间的距离,以及,计算每一端点相对于上一级端点的弯曲角度。
可选的,所述从所述自然腔道区域体数据图像中提取自然腔道的中心线,得到中心线体数据,包括:
对所述自然腔道区域体数据图像中的每一自然腔道区域体像素点进行3D距离变换,得到自然腔道距离变换体数据;
对所述自然腔道距离变换体数据进行三维细化操作,得到中心线体数据。
可选的,所述对所述自然腔道区域体数据图像中的每一自然腔道区域体像素点进行3D距离变换,包括:
针对所述自然腔道区域体数据图像中的每一自然腔道区域体像素点,以该自然腔道区域体像素点为参考点,由近到远遍历周边邻域找到最近的非自然腔道区域体像素点,计算该自然腔道区域体像素点与该非自然腔道区域体像素点之间的直线距离,作为该自然腔道区域体像素点对应的像素值。
可选的,所述对所述自然腔道距离变换体数据进行三维细化操作,得到中心线体数据,包括:
遍历所述自然腔道距离变换体数据中的每一体像素点V,若满足第一预设条件,则将该体像素点V确定为中心线体像素点;
所述第一预设条件为:dv>dvi且dv>dvj且|dvi-dvj|<ε,i∈Zf,j∈Zs;其中,ε为第一阈值,dv为该体像素点V在所述自然腔道距离变换体数据中的数据值,dvi为集合Zf中第i个体像素点在所述自然腔道距离变换体数据中的数据值,dvj为集合Zs中第j个体像素点在所述自然腔道距离变换体数据中的数据值,集合Zf中第i个体像素点与集合Zs中第j个体像素点构成该体像素点V的邻域内的对称体像素点对。
可选的,所述对所述目标器官体数据图像中的所述自然腔道进行分割,以得到所述自然腔道区域体数据图像,包括:
在所述目标器官体数据图像中检测所述自然腔道的起始部位,确定区域增长种子点;
通过区域增长分割所述自然腔道,得到自然腔道区域体数据图像。
可选的,所述在所述目标器官体数据图像中检测所述自然腔道的起始部位,确定区域增长种子点,包括:
步骤A2、将所述目标器官体数据图像中位于上端的一层二维图像作为初始图像;
步骤B2、对所述初始图像进行二值化,并计算所述初始图像中不同连通域的面积和椭圆率,将面积和椭圆率满足第二预设条件的连通域作为潜在腔道区域;
步骤C2、分别计算与所述初始图像相邻的N层二维图像,得到N个所述潜在腔道区域,其中N≥3;
步骤D2、分别计算N+1个所述潜在腔道区域的质心坐标,若相邻两个质心坐标之间的偏差均小于第二阈值,则将所述初始图像的质心确定为区域增长种子点,否则将所述初始图像的下一层二维图像作为初始图像并返回执行步骤B2。
可选的,在从所述自然腔道区域体数据图像中提取所述自然腔道的中心线之前,还包括:
利用形态学操作对所述自然腔道区域体数据图像中所述自然腔道内部的洞孔进行填充处理。
可选的,在对所述目标器官体数据图像中的所述自然腔道进行分割之前,还包括:
对所述目标器官体数据图像进行边缘增强处理。
可选的,所述目标器官为肺部。
为达到上述目的,本发明还提供一种导航路径规划系统,包括处理器和存储器,所述存储器上存储有指令,当所述指令被所述处理器执行时,实现上文所述的导航路径规划方法。
为达到上述目的,本发明还提供一种可读存储介质,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现上文所述的导航路径规划方法。
与现有技术相比,本发明提供的导航路径规划方法、系统和存储介质具有以下优点:本发明在获取目标器官体数据图像后,首先对所述目标器官体数据图像中的所述自然腔道进行分割,得到自然腔道区域体数据图像,然后从所述自然腔道区域体数据图像中提取所述自然腔道的中心线,得到中心线体数据,再根据所述中心线体数据,获取所述自然腔道的拓扑结构,最后基于所述拓扑结构,规划从起始点至目标点的导航路径。本发明基于自然腔道的中心线获取自然腔道的拓扑结构,再根据拓扑结构规划导航路径,得到基于自然腔道中心线的最佳导航路径,提高了目标器官中自然腔道导航路径规划的准确性,进一步的,还可以提供导航路径上经过每一个岔道口的角度信息,提供了更全面的路径规划信息,可以更好的辅助医生提高诊断准确性。另外,本发明可以自动进行导航路径规划,减少了人机交互繁琐操作,提高了诊断效率。此外,本发明的导航路径规划算法通用性强,实现了端到端的算法流程,进一步提高了诊断效率和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施方式中的导航路径规划方法的流程图;
图2a为肺部主气道区域的一个切片图像;
图2b为分割出的三维支气管树的一示例图;
图2c为从图2b所示的支气管树提取出的支气管树中心线的示意图;
图3a为根据图2c所示的支气管树中心线获取的支气管树的拓扑结构示意图;
图3b为根据图3a所示的支气管树拓扑结构进行导航路径规划示意图;
图4为本发明一实施方式中的导航路径规划系统的结构示意图。
具体实施方式
以下结合附图和具体实施方式对本发明提出的导航路径规划方法、系统和存储介质作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
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。
本发明的核心思想在于提供一种导航路径规划方法、系统和存储介质,以提高器官的自然腔道导航路径规划的准确性。
需要说明的是,本发明实施方式的导航路径规划方法可应用于本发明实施方式的导航路径规划系统,该导航路径规划系统可以是个人计算机、移动终端等,该移动终端可以是手机、平板电脑等具有各种操作系统的硬件设备。
下面以目标器官为肺部器官为例对本发明提供的一种导航路径规划方法进行详细介绍,肺部支气管树即为肺部器官内的自然腔道。本领域技术人员可以理解的是,除了肺部支气管树的导航路径规划,本发明还可以用于其它器官中自然腔道的导航路径规划,例如肠道等自然腔道。
请参考图1,本发明应用于肺部支气管树的导航路径规划时,具体包括如下步骤:
步骤S100:获取肺部体数据图像。
在本实施中,所述肺部体数据图像可以是患者的计算机断层摄影(CT)体数据图像,也可以是其它类型的医学图像。需要说明的是,所述肺部体数据图像的大小可以根据具体情况进行设置,本发明对此并不进行限制,例如肺部体数据图像的三维数据大小可为512×512×327。
步骤S200:从所述肺部体数据图像中分割支气管树,得到支气管区域体数据图像。
支气管区域体数据图像即为肺部的自然腔道区域体数据图像。本实施例中,可采用区域增长法实现三维支气管树分割,区域增长法是将图像中具有相似性质的像素结合起来构成区域。具体先对需要分割的区域找一个种子像素作为生长的起点,然后将种子像素周围邻域中与种子像素有相同或相似性质的像素(相同或相似性质可以根据预先确定的生长或相似准则来判定)合并到种子像素所在的区域。将这些新像素当作新的种子像素继续进行上面的过程,直到再没有满足条件的像素可被包括进来,这样一个区域就长成了。
优选的,在执行步骤S200之前,所述方法还包括:对所述肺部体数据图像进行边缘增强处理,以增强支气管壁,提高所述肺部体数据图像器官图像的图像质量。具体的,可采用拉普拉斯锐化处理进行图像边缘增强,拉普拉斯锐化处理的基本思想是:当邻域的中心像素灰度低于它所在的邻域内其他像素的平均灰度时,此中心像素应该被进一步降低;当邻域内的中心像素灰度高于它所在的邻域内其他像素的平均灰度时,此中心像素应该被进一步提高。通过采用拉普拉斯二阶模板算子对肺部体数据图像进行卷积,实现图像增强,提高图像的边缘和细节。在其他实施例中,也可以采用其它图像增强方法。
优选的,可先在所述肺部体数据图像中检测主气道(主气道即肺部的自然腔道的腔道起始部位),确定区域增长种子点,然后通过区域增长分割支气管树,得到支气管区域体数据图像。
具体的,可以通过以下循环迭代的方式在所述肺部体数据图像中检测主气道,确定区域增长种子点:
步骤A2、将所述肺部体数据图像中位于上端的一层二维图像作为初始图像;
步骤B2、对所述初始图像进行二值化,并计算所述初始图像中不同连通域的面积和椭圆率,将面积和椭圆率满足第二预设条件的连通域作为潜在主气道区域;
步骤C2、分别计算与所述初始图像相邻的N层二维图像,得到N个所述潜在主气道区域,其中N≥3;
步骤D2、分别计算N+1个所述潜在主气道区域的质心坐标,若相邻两个质心坐标之间的偏差均小于第二阈值,则将所述初始图像的质心确定为区域增长种子点,否则将所述初始图像的下一层二维图像作为初始图像并返回执行步骤B2。
图2a示出了肺部主气道区域的一个切片图像,图2a中部的小黑色圆形区域为主支气管横截面,两侧较大的黑色区域为肺部区域横截面。具体而言,由于主气道通常位于肺部体数据图像的上端,因此,可从所述肺部体数据图像中位于上端的某一轴向切片图像开始检测主气道,例如从第10个轴向切片图像开始,将该切片图像作为初始图像。优选的,在肺部体数据图像中,主气道通常位于切片图像的中部区域,因此,可以在初始图像中划定固定搜索区域,例如从初始图像中心向上平移一定距离(例如50pixel)作为搜索区域中心,搜索区域的长宽均可设为50pixel,对搜索区域采用一定阈值(例如-800HU)进行二值化。分别计算搜索区域内的不同连通域的面积和椭圆率(对于二值图像,面积是连通域像素个数,椭圆率是最小外接矩形的长宽比),当某一连通域的面积和椭圆率满足第二预设条件时,例如第二预设条件可以为:面积在[150,450]范围内和椭圆率大于0.8,则认为该连通域是潜在主气道区域。然后分别计算初始图像临近的3层切片图片,共得到4个潜在区域,分别计算每个潜在区域的质心坐标,当相邻两个切片图像中的潜在区域的质心坐标之间偏差均小于第二阈值(例如为3pixel)时,则表示初始图像中的质心就是气管界面中心,可作为区域增长的种子点;否则,将潜在区域置空,将当前的初始图像的下一层切片图像作为初始图像,再次进行迭代,直到找到区域增长种子点。
在进行区域增长得到三维支气管树时,可设定一初始阈值T1(T1可取自-830~-930HU范围内,例如为-915HU),采用3维26邻域对所述区域增长种子点周围邻接像素进行判断:若邻接像素的像素值T<T1,则认为该邻接像素位于支气管区域,此时将该像素的像素值设为1;若邻接像素的像素值T>T1,则认为该邻接像素位于非支气管区域,此时将该邻接像素的像素值设为0。按照这种方式在所述肺部体数据图像中进行循环迭代,可以从支气管区域从所述肺部体数据图像中提取出来,最终得到支气管区域体数据图像,即得到如图2b所示的三维支气管树。
优选的,在执行步骤S300之前,所述方法还可以包括:利用形态学操作对所述支气管区域体数据图像中所述支气管树内部的洞孔进行填充处理。由于分割出的支气管树内部可能会存在空洞情况,即支气管树内部存在像素值为0的像素,因此需要对其进行填充,具体为利用形态学操作中的洞孔填充操作,将这些像素的像素值由0变成1。
步骤S300:从所述支气管区域体数据图像中提取所述支气管树的中心线,得到中心线体数据。
具体的,可先对所述支气管区域体数据图像中的每一支气管区域体像素点进行3D距离变换,得到支气管距离变换体数据,然后对所述支气管距离变换体数据进行三维细化操作,得到中心线体数据。
其中,3D距离变换的过程具体为:针对所述支气管区域体数据图像中的每一支气管区域体像素点,以该支气管区域体像素点为参考点,由近到远遍历周边邻域找到最近的非支气管区域体像素点,计算该支气管区域体像素点与该非支气管区域体像素点之间的直线距离,作为该支气管区域体像素点对应的像素值。
如前所述,步骤S200得到的支气管区域体数据图像中,支气管区域体像素值均为1,非支气管区域体像素值为0,因此,对支气管区域内的所有体像素点,针对每一体像素点均由近到远遍历其周边邻域内的体像素点,找到最近的体像素值为0的体像素点,并计算两者之间的直线距离作为该支气管区域体像素点对应的像素值。按照以上方式循环遍历支气管区域内所有体像素点,最终可以得到支气管区域所有体像素点对应的像素值,即为支气管距离变换体数据Volume_Dist。在支气管距离变换体数据Volume_Dist中,距离支气管区域边界越近的体像素点,其像素值越小,越接近支气管腔道内部的体像素点,其像素值越大,且支气管树中心线(也称为支气管树骨架)上的体像素点两侧的体像素点的像素值关于骨架呈近似对称。
然后,对所述支气管距离变换体数据进行三维细化操作,具体为:遍历所述支气管距离变换体数据中的每一体像素点V,若满足第一预设条件,则将该体像素点V确定为中心线体像素点;
所述第一预设条件为:dv>dvi且dv>dvj且|dvi-dvj|<ε,i∈Zf,j∈Zs;其中,ε为第一阈值,dv为该体像素点V在所述支气管距离变换体数据中的数据值,dvi为集合Zf中第i个体像素点在所述支气管距离变换体数据中的数据值,dvj为集合Zs中第j个体像素点在所述支气管距离变换体数据中的数据值,集合Zf中第i个体像素点与集合Zs中第j个体像素点构成该体像素点V的邻域内的对称体像素点对。
图像细化是一个对二值图像进收缩的过程,按照原来的形状让其等比例变小,在骨架连线域上即使收缩到很小的程度还是保持原来的形状。
举例而言,在所述支气管距离变换体数据Volume_Dist中,选取某一点为当前体像素点V,在其26邻域内的像素点基于该体像素点V可构成13组对称像素点对,每一组对称像素点对中的一个像素点放入集合Zf,另一个像素点放入集合Zs,集合Zf中第i个像素点的数据值为dvi(数据值即为3D距离变换中计算的距离值),集合Zs中第j个像素点的数据值为dvj。当满足以上预设条件时,表示当前体像素点V为中心线体像素点(也称为骨架像素),第一阈值可根据实际情况进行设定,例如设定为2。
按照以上方式循环遍历所述支气管距离变换体数据Volume_Dist上所有体像素点,得到的各个中心线体像素点就组成了骨架,即中心线体数据Volume_points,如图2c所示。
步骤S400:根据所述中心线体数据,获取所述支气管树的拓扑结构。
由前面的描述可知,步骤S300中提取出来的支气管树的中心线只有单像素宽度,因此可以在所述中心线体数据的基础上进行循环迭代,来获取支气管树的拓扑结构。具体如下:
步骤A1、对于所述中心线体数据,将主气道上顶点作为所述拓扑结构的所述起始端点,将所述起始端点作为当前点;
步骤B1、对所述当前点进行邻域遍历,若邻域内只有一个有效点,执行步骤C1,若邻域内出现多个有效点,执行步骤D1;
步骤C1,将该有效点作为当前点,返回执行步骤B1;
步骤D1、将所述当前点标记为岔道口的端点,对于所述当前点邻域内的每一个有效点依次作为所述当前点,返回执行步骤B1;
步骤E1、判断所述中心线体数据的有效点是否遍历完成,如果否,返回执行步骤B1,如果是,退出循环,将各个端点组合得到所述支气管树的拓扑结构。
需要说明的是,有效点指的是当前点的邻域内未被遍历到的新点。本实施例中,在中心线体数据中从上往下遍历的过程中,当未分叉时,对于当前点,其有效点在正下方,当出现分叉时,有效点在当前点的左下方和右下方。
根据以上循环迭代的过程,可以找到支气管树的各个岔道口,这些岔道口也就对应了拓扑结构中的各个端点。因此找到各个岔道口也就能够获取支气管树的拓扑结构。图3a示意性的示出了由图2c所示的支气管树经过循环迭代所获得的拓扑结构。同时,在上述循环迭代过程中,还可以获取各个端点之间的距离,以及,计算每一端点相对于上一级端点的弯曲角度。
可以理解的是,对于中心线体数据Volume_points,具有中心线上的像素点的像素值为1、而非中心线上的像素点的像素值为0的特征。在循环迭代时,首先选取中心线中主气道的上顶点p1(即拓扑结构中的起始端点)作为当前点Pcur,并且设初始步长w1-2=1、初始角度angle=0;
对当前点Pcur进行26邻域遍历,当邻域内只有一个像素值为1的有效点时,表明当前点在单通道内,将步长w1-2增1,Pcur点像素值置为-1,并将找到的下一个点Pnext作为当前点Pcur,当前点则变成Pprev;
若当前点Pcur邻域内出现多个像素值为1的有效点,表明到达支气管树的岔道口,则将当前点Pcur作为端点p2进行记录,并记录此时的w1-2值(此时的w1-2值即为端点p2与p1之间的距离)。对于邻域内的每一个有效点,分别计算该点与Pprev点之间的余弦角度(余弦角度即表示下一级端点相对于当前端点的弯曲角度)并记录,依次将邻域内的每一个Pnext点分别作为当前点,进行如上所述的遍历迭代;
循环遍历,当中心线体数据Volume_points中的有效点都为-1时退出循环,得到拓扑结构,在拓扑结构中还可以记录支气管树每一个岔道口端点的坐标、端点之间的距离、每一端点相对于上一级端点的弯曲角度angle,如图3a所示。需要说明的是,余弦角度用于描述三维空间中支气管树的分叉点处气管的拐弯角度,从图2b中可以看出,当主气道进入右支气管时需要向右侧拐弯,余弦角度可以定量描述此处的拐弯程度。
步骤S500:基于所述拓扑结构,规划从起始点至目标点的导航路径。
其中,所述起始点为所述拓扑结构中的起始端点,所述目标点为所述支气管树的中心线上与病灶位置邻近的像素点。
本实施例中,支气管外部病灶位置的坐标[x,y,z]可由医生手动输入,其中z为肺部体数据图像中的切片层数。根据病灶位置的坐标可以确定所述支气管树的中心线上与该病灶位置邻近的像素点,该像素点即为所述目标点。例如,该像素点可以为所述支气管树的中心线上与该病灶位置最近的像素点,具体确定方法如下:遍历中心线体数据Volume_points中所有有效像素点(有效像素点即为支气管树的中心线上的像素点),计算与病灶位置坐标的欧式距离,得到距离最小值对应的像素点即为目标点,也作为术中进行刺穿的一个潜在点。
基于支气管树的拓扑结构,可以通过深度优先搜索寻找从所述起始点至所述目标点的若干路径,然后从所述若干路径中确定所述导航路径。具体的,系统可以向用户推荐一路径作为所述导航路径,也可以提供每一路径的路径信息,以便于用户根据所述路径信息从所述若干路径中选择导航路径。
本实施例中,可以基于路程最少的路径、拐弯最少的路径等原则确定导航路径。在一种实现方式中,如前所述,所述拓扑结构中包括所述支气管树的各个端点的位置坐标和/或相邻端点之间的距离,由此,在搜索得到若干路径后,可根据每一路径所包含的各个端点的坐标计算每一路径的长度,或者根据每一路径所包含的相邻端点之间的距离计算每一路径的长度,进而系统可以向用户推荐长度最短的路径作为所述导航路径,或者提供每一路径的长度,以供用户基于路径最短原则选择长度最短的路径作为所述导航路径。
在另一种实现方式中,所述拓扑结构中还包括所述支气管树中每一端点相对于上一级端点的弯曲角度,由此,在搜索得到若干路径后,可确定每一路径中的最大弯曲角度,进而提供每一路径上的最大弯曲角度。可以理解的是,若岔道口的弯曲角度过大则支气管镜可能无法达到,因此系统可以向用户推荐最大弯曲角度最小的路径作为所述导航路径,或者提供每一路径上的最大弯曲角度以供用户基于拐弯最少原则选择最大弯曲角度最小的路径作为所述导航路径。
优选的,系统可以结合路径最短原则和拐弯最少原则向用户推荐合适的路径作为所述导航路径,或者同时提供每一路径的长度信息和每一路径上的最大弯曲角度信息,以供用户结合这两种信息选择合适的导航路径。
下面以图3a和图3b所示的拓扑结构为例对深度优先搜索路径的方法进行介绍,设支气管树的根节点为p1,具体通过以下循环迭代进行搜索:
步骤a、首先将p1作为当前节点,节点p1有相邻节点p2,记录节点p1和p2之间的距离为w1-2;
步骤b、节点p2的相邻节点有p3和p4,分别将p2所有相邻节点进行步骤a遍历,并记录对应节点间的距离;
步骤c、遍历完所有节点则退出循环,此时可以得到节点p1到所有节点的路径。
在图3a和图3b中,大圆点表示目标点的位置,根据所述目标点的位置,可以得到从起点p1到所述目标点的若干路径,从中选择路径长度最小的路径作为导航路径。因部分岔道口弯曲程度较大支气管镜无法达到,也可结合路径中的最大弯曲角度进行选择。图3b示意性的示出了通过上述方法规划出的导航路径,在拓扑结构中加粗显示了该导航路径。
综上所述,本实施例提供的导航路径规划方法,在获取肺部体数据图像后,首先从所述肺部体数据图像中分割支气管树,得到支气管区域体数据图像,然后从所述支气管区域体数据图像中提取所述支气管树的中心线,得到中心线体数据,再根据所述中心线体数据,获取所述支气管树的拓扑结构,最后基于所述拓扑结构,规划从起始点至目标点的导航路径。本实施例基于支气管树的中心线获取支气管树的拓扑结构,再根据拓扑结构规划导航路径,得到基于肺部气管的腔道中心线的最佳导航路径,提高了肺部气管导航路径规划的准确性,进一步的,还可以提供导航路径上经过每一个岔道口的角度信息,提供了更全面的路径规划信息,可以更好的辅助医生提高诊断准确性。另外,本实施例可以自动进行导航路径规划,减少了人机交互繁琐操作,提高了诊断效率。此外,本实施例的导航路径规划算法通用性强,实现了端到端的算法流程,进一步提高了诊断效率和准确性。
基于以上发明构思,本发明还提供一种导航路径规划系统,如图4所示,导航路径规划系统200可以包括处理器210和存储器220,存储器220上存储有指令,当指令被处理器210执行时,可以实现如上文所描述的导航路径规划方法中的步骤。
其中,处理器210可以根据存储在存储器220中的指令执行各种动作和处理。具体地,处理器210可以是一种集成电路芯片,具有信号的处理能力。上述处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中公开的各种方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,可以是X86架构或者是ARM架构等。
存储器220存储有可执行指令,该指令在被处理器210执行上文所述的导航路径规划方法。存储器220可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(SDRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、增强型同步动态随机存取存储器(ESDRAM)、同步连接动态随机存取存储器(SLDRAM)和直接内存总线随机存取存储器(DR RAM)。应注意,本文描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
基于同一发明构思,本发明还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,可以实现上文所描述的导航路径规划方法中的步骤。
类似地,本发明实施例中的计算机可读存储介质可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。应注意,本文描述的计算机可读存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
需要说明的是,附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
一般而言,本发明的各种示例实施例可以在硬件或专用电路、软件、固件、逻辑,或其任何组合中实施。某些方面可以在硬件中实施,而其他方面可以在可以由控制器、微处理器或其他计算设备执行的固件或软件中实施。当本发明的实施例的各方面被图示或描述为框图、流程图或使用某些其他图形表示时,将理解此处描述的方框、装置、系统、技术或方法可以作为非限制性的示例在硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备,或其某些组合中实施。
需要说明的是,本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统、计算机可读存储介质而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (16)
1.一种导航路径规划方法,其特征在于,包括:
获取目标器官体数据图像,所述目标器官具有自然腔道;
对所述目标器官体数据图像中的所述自然腔道进行分割,以得到所述自然腔道区域体数据图像;
从所述自然腔道区域体数据图像中提取所述自然腔道的中心线,得到中心线体数据;
根据所述中心线体数据,获取所述自然腔道的拓扑结构;
基于所述拓扑结构,规划从起始点至目标点的导航路径;
其中,所述起始点为所述拓扑结构中的起始端点,所述目标点为所述自然腔道的中心线上邻近病灶位置的像素点。
2.根据权利要求1所述的导航路径规划方法,其特征在于,所述基于所述拓扑结构,规划从起始点至目标点的导航路径,包括:
基于所述拓扑结构,通过深度优先搜索寻找从所述起始点至所述目标点的若干路径;
从所述若干路径中确定所述导航路径。
3.根据权利要求2所述的导航路径规划方法,其特征在于,所述从所述若干路径中确定所述导航路径,包括:
提供每一路径的路径信息,以便于用户根据所述路径信息从所述若干路径中选择导航路径。
4.根据权利要求3所述的导航路径规划方法,其特征在于,所述拓扑结构包括所述自然腔道的各个端点的位置坐标和/或相邻端点之间的距离;
所述每一路径的路径信息包括所述每一路径的长度,其中,所述每一路径的长度根据每一路径上各个端点的位置坐标和/或相邻端点之间的距离计算得到;
和/或,所述拓扑结构包括所述自然腔道中每一端点相对于上一级端点的弯曲角度;
所述每一路径的路径信息包括所述每一路径上的最大弯曲角度,其中,所述每一路径上的最大弯曲角度根据每一路径上每一端点相对于上一级端点的弯曲角度的最大值确定。
5.根据权利要求1所述的导航路径规划方法,其特征在于,所述根据所述中心线体数据,获取所述自然腔道的拓扑结构,包括:
步骤A1、对于所述中心线体数据,将所述自然腔道的起始部位的端点作为所述拓扑结构的所述起始端点,将所述起始端点作为当前点;
步骤B1、对所述当前点进行邻域遍历,若邻域内只有一个有效点,执行步骤C1,若邻域内出现多个有效点,执行步骤D1;
步骤C1,将该有效点作为当前点,返回执行步骤B1;
步骤D1、将所述当前点标记为岔道口的端点,对于所述当前点邻域内的每一个有效点依次作为所述当前点,返回执行步骤B1;
步骤E1、判断所述中心线体数据的有效点是否遍历完成,如果否,则返回执行步骤B1,如果是,则退出循环,将各个端点组合得到所述自然腔道的拓扑结构。
6.根据权利要求5所述的导航路径规划方法,其特征在于,还包括:
在循环迭代以获取所述自然腔道的拓扑结构的过程中,获取各个端点之间的距离,以及,计算每一端点相对于上一级端点的弯曲角度。
7.根据权利要求1所述的导航路径规划方法,其特征在于,所述从所述自然腔道区域体数据图像中提取所述自然腔道的中心线,得到中心线体数据,包括:
对所述自然腔道区域体数据图像中的每一自然腔道区域体像素点进行3D距离变换,得到自然腔道距离变换体数据;
对所述自然腔道距离变换体数据进行三维细化操作,得到中心线体数据。
8.根据权利要求7所述的导航路径规划方法,其特征在于,所述对所述自然腔道区域体数据图像中的每一自然腔道区域体像素点进行3D距离变换,包括:
针对所述自然腔道区域体数据图像中的每一自然腔道区域体像素点,以该自然腔道区域体像素点为参考点,由近到远遍历周边邻域找到最近的非自然腔道区域体像素点,计算该自然腔道区域体像素点与该非自然腔道区域体像素点之间的直线距离,作为该自然腔道区域体像素点对应的像素值。
9.根据权利要求7所述的导航路径规划方法,其特征在于,所述对所述自然腔道距离变换体数据进行三维细化操作,得到中心线体数据,包括:
遍历所述自然腔道距离变换体数据中的每一体像素点V,若满足第一预设条件,则将该体像素点V确定为中心线体像素点;
所述第一预设条件为:dv>dvi且dv>dvj且|dvi-dvj|<ε,i∈Zf,j∈Zs;其中,ε为第一阈值,dv为该体像素点V在所述自然腔道距离变换体数据中的数据值,dvi为集合Zf中第i个体像素点在所述自然腔道距离变换体数据中的数据值,dvj为集合Zs中第j个体像素点在所述自然腔道距离变换体数据中的数据值,集合Zf中第i个体像素点与集合Zs中第j个体像素点构成该体像素点V的邻域内的对称体像素点对。
10.根据权利要求1所述的导航路径规划方法,其特征在于,所述对所述目标器官体数据图像中的所述自然腔道进行分割,以得到所述自然腔道区域体数据图像,包括:
在所述目标器官体数据图像中检测所述自然腔道的起始部位,确定区域增长种子点;
通过区域增长分割所述自然腔道,得到自然腔道区域体数据图像。
11.根据权利要求10所述的导航路径规划方法,其特征在于,所述在所述目标器官体数据图像中检测所述自然腔道的起始部位,确定区域增长种子点,包括:
步骤A2、将所述目标器官体数据图像中位于上端的一层二维图像作为初始图像;
步骤B2、对所述初始图像进行二值化,并计算所述初始图像中不同连通域的面积和椭圆率,将将面积和椭圆率满足第二预设条件的连通域作为潜在腔道区域;
步骤C2、分别计算与所述初始图像相邻的N层二维图像,得到N个所述潜在腔道区域,其中N≥3;
步骤D2、分别计算N+1个所述潜在腔道区域的质心坐标,若相邻两个质心坐标之间的偏差均小于第二阈值,则将所述初始图像的质心确定为区域增长种子点,否则将所述初始图像的下一层二维图像作为初始图像并返回执行步骤B2。
12.根据权利要求1所述的导航路径规划方法,其特征在于,在从所述自然腔道区域体数据图像中提取所述自然腔道的中心线之前,还包括:
利用形态学操作对所述自然腔道区域体数据图像中所述自然腔道内部的洞孔进行填充处理。
13.根据权利要求1所述的导航路径规划方法,其特征在于,在对所述目标器官体数据图像中的所述自然腔道进行分割之前,还包括:
对所述目标器官体数据图像进行边缘增强处理。
14.根据权利要求1-13任一项所述的导航路径规划方法,其特征在于,所述目标器官为肺部。
15.一种导航路径规划系统,其特征在于,包括处理器和存储器,所述存储器上存储有指令,当所述指令被所述处理器执行时,实现权利要求1至14中任一项所述的方法。
16.一种可读存储介质,其特征在于,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1至14中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010760422.4A CN114081625B (zh) | 2020-07-31 | 2020-07-31 | 导航路径规划方法、系统和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010760422.4A CN114081625B (zh) | 2020-07-31 | 2020-07-31 | 导航路径规划方法、系统和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114081625A true CN114081625A (zh) | 2022-02-25 |
CN114081625B CN114081625B (zh) | 2023-08-25 |
Family
ID=80295111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010760422.4A Active CN114081625B (zh) | 2020-07-31 | 2020-07-31 | 导航路径规划方法、系统和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114081625B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565599A (zh) * | 2022-03-07 | 2022-05-31 | 推想医疗科技股份有限公司 | 一种肺部模型获取装置、方法、电子设备及存储介质 |
CN115031739A (zh) * | 2022-08-12 | 2022-09-09 | 中国科学院自动化研究所 | 连续体机器人路径规划方法、装置、电子设备及存储介质 |
WO2024149161A1 (zh) * | 2023-01-09 | 2024-07-18 | 深圳市精锋医疗科技股份有限公司 | 导管机器人及其配准方法、可读存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080183073A1 (en) * | 2007-01-31 | 2008-07-31 | The Penn State Research Foundation | Methods and apparatus for 3d route planning through hollow organs |
CN103049907A (zh) * | 2012-12-11 | 2013-04-17 | 深圳市旭东数字医学影像技术有限公司 | 交互式图像分割方法 |
CN103218797A (zh) * | 2012-01-19 | 2013-07-24 | 中国科学院上海生命科学研究院 | 血管图像处理与分析的方法和系统 |
CN103236052A (zh) * | 2013-03-28 | 2013-08-07 | 华中科技大学 | 一种基于l1最小化模型的全自动细胞定位方法 |
CN103247073A (zh) * | 2013-04-18 | 2013-08-14 | 北京师范大学 | 基于树状结构的三维脑血管模型构造方法 |
CN105913432A (zh) * | 2016-04-12 | 2016-08-31 | 妙智科技(深圳)有限公司 | 基于ct序列图像的主动脉提取方法及装置 |
CN106097305A (zh) * | 2016-05-31 | 2016-11-09 | 上海理工大学 | 双行程区域生长结合形态学重建的肺部气管树分割方法 |
CN106469432A (zh) * | 2015-08-13 | 2017-03-01 | 富士通株式会社 | 对象提取方法和对象提取设备 |
JP2017111816A (ja) * | 2015-12-15 | 2017-06-22 | 株式会社リコー | 物体分割方法及び装置 |
CN108335284A (zh) * | 2018-01-09 | 2018-07-27 | 北京理工大学 | 一种冠脉血管中心线匹配方法和系统 |
US20190139227A1 (en) * | 2017-06-30 | 2019-05-09 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for image segmentation |
CN110021017A (zh) * | 2019-04-02 | 2019-07-16 | 南通大学 | 一种提取焊缝中心线的方法 |
US20190318484A1 (en) * | 2018-04-12 | 2019-10-17 | Veran Medical Technologies, Inc. | Apparatuses and methods for navigation in and local segmentation extension of anatomical treelike structures |
US20190374283A1 (en) * | 2016-11-23 | 2019-12-12 | Changzhou Lunghealth Medtech Company Limited | Medical path navigation method, planning method and system |
CN110604616A (zh) * | 2019-09-10 | 2019-12-24 | 中国科学院深圳先进技术研究院 | 一种基于图搜索的介入手术路径规划方法、系统及电子设备 |
CN110969583A (zh) * | 2019-09-11 | 2020-04-07 | 宁波江丰生物信息技术有限公司 | 一种图像背景处理方法及系统 |
-
2020
- 2020-07-31 CN CN202010760422.4A patent/CN114081625B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080183073A1 (en) * | 2007-01-31 | 2008-07-31 | The Penn State Research Foundation | Methods and apparatus for 3d route planning through hollow organs |
CN103218797A (zh) * | 2012-01-19 | 2013-07-24 | 中国科学院上海生命科学研究院 | 血管图像处理与分析的方法和系统 |
CN103049907A (zh) * | 2012-12-11 | 2013-04-17 | 深圳市旭东数字医学影像技术有限公司 | 交互式图像分割方法 |
CN103236052A (zh) * | 2013-03-28 | 2013-08-07 | 华中科技大学 | 一种基于l1最小化模型的全自动细胞定位方法 |
CN103247073A (zh) * | 2013-04-18 | 2013-08-14 | 北京师范大学 | 基于树状结构的三维脑血管模型构造方法 |
CN106469432A (zh) * | 2015-08-13 | 2017-03-01 | 富士通株式会社 | 对象提取方法和对象提取设备 |
JP2017111816A (ja) * | 2015-12-15 | 2017-06-22 | 株式会社リコー | 物体分割方法及び装置 |
CN105913432A (zh) * | 2016-04-12 | 2016-08-31 | 妙智科技(深圳)有限公司 | 基于ct序列图像的主动脉提取方法及装置 |
CN106097305A (zh) * | 2016-05-31 | 2016-11-09 | 上海理工大学 | 双行程区域生长结合形态学重建的肺部气管树分割方法 |
US20190374283A1 (en) * | 2016-11-23 | 2019-12-12 | Changzhou Lunghealth Medtech Company Limited | Medical path navigation method, planning method and system |
US20190139227A1 (en) * | 2017-06-30 | 2019-05-09 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for image segmentation |
CN108335284A (zh) * | 2018-01-09 | 2018-07-27 | 北京理工大学 | 一种冠脉血管中心线匹配方法和系统 |
US20190318484A1 (en) * | 2018-04-12 | 2019-10-17 | Veran Medical Technologies, Inc. | Apparatuses and methods for navigation in and local segmentation extension of anatomical treelike structures |
CN110021017A (zh) * | 2019-04-02 | 2019-07-16 | 南通大学 | 一种提取焊缝中心线的方法 |
CN110604616A (zh) * | 2019-09-10 | 2019-12-24 | 中国科学院深圳先进技术研究院 | 一种基于图搜索的介入手术路径规划方法、系统及电子设备 |
CN110969583A (zh) * | 2019-09-11 | 2020-04-07 | 宁波江丰生物信息技术有限公司 | 一种图像背景处理方法及系统 |
Non-Patent Citations (1)
Title |
---|
武林: "基于三维图像分析的肺结节检测算法研究与CAD系统的实现", 信息科技辑 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565599A (zh) * | 2022-03-07 | 2022-05-31 | 推想医疗科技股份有限公司 | 一种肺部模型获取装置、方法、电子设备及存储介质 |
CN115031739A (zh) * | 2022-08-12 | 2022-09-09 | 中国科学院自动化研究所 | 连续体机器人路径规划方法、装置、电子设备及存储介质 |
WO2024149161A1 (zh) * | 2023-01-09 | 2024-07-18 | 深圳市精锋医疗科技股份有限公司 | 导管机器人及其配准方法、可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114081625B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114081625B (zh) | 导航路径规划方法、系统和可读存储介质 | |
CN111798451B (zh) | 基于血管3d/2d匹配的3d导丝跟踪方法及装置 | |
Robben et al. | Simultaneous segmentation and anatomical labeling of the cerebral vasculature | |
CN111145206B (zh) | 肝脏图像分割质量评估方法、装置及计算机设备 | |
JP4388958B2 (ja) | 内視鏡的パスプランニングのための方法及びシステム | |
US9471989B2 (en) | Vascular anatomy modeling derived from 3-dimensional medical image processing | |
WO2021238438A1 (zh) | 肿瘤图像的处理方法和装置、电子设备、存储介质 | |
Li et al. | Optimal surface segmentation in volumetric images-a graph-theoretic approach | |
WO2022199403A1 (zh) | 血管中心线的提取方法及装置 | |
CN111080573B (zh) | 肋骨图像检测方法、计算机设备和存储介质 | |
CN108961273B (zh) | 一种从ct影像中分割肺动脉和肺静脉的方法及系统 | |
WO2009103046A2 (en) | Medical image reporting system and method | |
CN110796670A (zh) | 一种夹层动脉分割方法及装置 | |
CN116196099A (zh) | 心血管介入手术路径规划方法、系统、存储介质及终端 | |
CN114332013B (zh) | 基于肺动脉树分级的ct图像靶肺段识别方法 | |
US11961276B2 (en) | Linear structure extraction device, method, program, and learned model | |
JP2008503294A6 (ja) | 識別方法、コンピュータプログラム及びコンピュータプログラム装置 | |
CN114155193B (zh) | 一种基于特征强化的血管分割方法及装置 | |
CN114066906A (zh) | 导航路径规划方法、系统和可读存储介质 | |
CN116091587A (zh) | 血管支架参数的确定方法、电子设备和存储介质 | |
Tang et al. | Automatic multi-organ segmentation from abdominal CT volumes with LLE-based graph partitioning and 3D Chan-Vese model | |
CN116664594A (zh) | 基于共享cnn的三维医学图像两阶段分割方法及装置 | |
CN115775217A (zh) | 血管数字化结构的获取方法、电子设备和存储介质 | |
CN113744849A (zh) | 一种ct图像半自动标注方法和系统 | |
Gómez Betancur et al. | Airway segmentation, skeletonization, and tree matching to improve registration of 3D CT images with large opacities in the lungs |
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 |