CN114155267A - 人体组织特征参数的识别方法及装置 - Google Patents
人体组织特征参数的识别方法及装置 Download PDFInfo
- Publication number
- CN114155267A CN114155267A CN202111256716.4A CN202111256716A CN114155267A CN 114155267 A CN114155267 A CN 114155267A CN 202111256716 A CN202111256716 A CN 202111256716A CN 114155267 A CN114155267 A CN 114155267A
- Authority
- CN
- China
- Prior art keywords
- image data
- human tissue
- reconstructed image
- segmentation
- reconstructed
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 124
- 238000003709 image segmentation Methods 0.000 claims abstract description 58
- 230000000877 morphologic effect Effects 0.000 claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims description 63
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000005295 random walk Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 15
- 239000003550 marker Substances 0.000 claims description 14
- 238000002591 computed tomography Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 210000000621 bronchi Anatomy 0.000 description 24
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000010354 integration Effects 0.000 description 6
- 210000003437 trachea Anatomy 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
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
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/30021—Catheter; Guide wire
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种人体组织特征参数的识别方法及装置，涉及图像处理技术领域，主要目的在于解决现有人体组织特征参数的识别准确性差的问题。包括：获取目标人体组织的重建图像数据，所述重建图像数据包括对原始图像数据进行重建处理得到的第一重建图像数据，以及对掩膜图像数据进行重建处理得到的第二重建图像数据；生成与所述第二重建图像数据匹配的种子点标记图像数据，并按照所述目标人体组织的分类特征对所述第一重建图像数据、所述种子点标记图像数据进行分割处理，得到图像分割处理结果；基于所述目标人体组织的形态特征识别所述图像分割处理结果中的特征参数。主要用于人体组织特征参数的识别方法。
Description
技术领域
本发明涉及一种图像处理技术领域，特别是涉及一种人体组织特征参数的识别方法及装置。
背景技术
在对作为人体组织的肺部气管的疾病临床诊断中，需要从CT图像中对支气管的管腔直径、管壁厚度等参数进行计算，对CT图像进行分割肺部中的支气管，从而对支气管的正切面分割管壁，确定支气管的各项参数。
目前，现有基于CT图像对如支气管的人体组织的各项参数的识别通常是气管参数自动检测，包括利用图像灰度对管壁进行自动分割，但是，基于图像灰度的管壁分割方法受CT图像噪声影响大，且仅基于类椭圆的支气管进行分割，造成管壁内、外边界模糊，使得分割目标缺失，从而影响全肺中不同气管的各项参数的识别精度。
发明内容
有鉴于此，本发明提供一种人体组织特征参数的识别方法及装置，主要目的在于解决现有人体组织特征参数的识别准确性差的问题。
依据本发明一个方面，提供了一种人体组织特征参数的识别方法，包括：
获取目标人体组织的重建图像数据，所述重建图像数据包括对原始图像数据进行重建处理得到的第一重建图像数据，以及对掩膜图像数据进行重建处理得到的第二重建图像数据；
生成与所述第二重建图像数据匹配的种子点标记图像数据，并按照所述目标人体组织的分类特征对所述第一重建图像数据、所述种子点标记图像数据进行分割处理，得到图像分割处理结果；
基于所述目标人体组织的形态特征识别所述图像分割处理结果中的特征参数。
进一步地，所述基于所述目标人体组织的形态特征识别所述图像分割处理结果中的特征参数包括：
确定所述目标人体组织的形态特征，所述形态特征包括组织内边界、组织外边界；
从所述图像分割处理结果中解析与所述形态特征对应的内边界坐标点、外边界坐标点；
基于所述内边界坐标点、所述外边界坐标点之间的距离平均值确定特征参数。
进一步地，所述生成与所述第二重建图像数据匹配的种子点标记图像数据包括：
基于膨胀算法对所述第二重建图像数据进行定位标记处理，得到包含分割种子点的种子点标记图像数据，所述分割种子点用于区分所述人体组织的组织特征。
进一步地，所述生成与所述第二重建图像数据匹配的种子点标记图像数据之前，所述方法还包括：
基于滤波锐化算子对所述第一重建图像数据进行图像增强处理，以基于图像增强处理后的第一重建图像数据进行分割处理。
进一步地，所述按照所述目标人体组织的分类特征对所述第一重建图像数据、所述种子点标记图像数据进行分割处理，得到图像分割处理结果包括：
基于分类特征对所述第一重建图像数据、所述种子点标记图像数据进行整合处理，得到原始分割图像数据，所述原始分割图像数据为三维图像数；
根据随机游走算法对所述原始分割图像数据进行分割处理，得到图像分割处理结果。
进一步地，确定所述目标人体组织的目标中心点的扫描方向；
基于所述扫描方向对所述目标人体组织进行CT扫描，得到原始图像数据以及掩膜图像数据；
基于目标中心点对所述原始图像数据、所述掩膜图像数据进行图像重建处理，得到第一重建图像数据、第二重建图像数据。
进一步地，所述方法还包括：
获取与目标中心点的位置信息以及分类特征所匹配的至少一个特征参数；
基于所述目标人体组织的组织形态对所述特征参数进行整合，得到整体人体组织所对应的整体特征参数。
依据本发明另一个方面，提供了一种人体组织特征参数的识别装置，包括：
获取模块，用于获取目标人体组织的重建图像数据，所述重建图像数据包括对原始图像数据进行重建处理得到的第一重建图像数据，以及对掩膜图像数据进行重建处理得到的第二重建图像数据；
生成模块，用于生成与所述第二重建图像数据匹配的种子点标记图像数据，并按照所述目标人体组织的分类特征对所述第一重建图像数据、所述种子点标记图像数据进行分割处理，得到图像分割处理结果；
识别模块，用于基于所述目标人体组织的形态特征识别所述图像分割处理结果中的特征参数。
进一步地，所述识别模块包括：
确定单元，用于确定所述目标人体组织的形态特征，所述形态特征包括组织内边界、组织外边界；
解析单元，用于从所述图像分割处理结果中解析与所述形态特征对应的内边界坐标点、外边界坐标点；
确定单元，用于基于所述内边界坐标点、所述外边界坐标点之间的距离平均值确定特征参数。
进一步地，所述生成模块，具体用于基于膨胀算法对所述第二重建图像数据进行定位标记处理，得到包含分割种子点的种子点标记图像数据，所述分割种子点用于区分所述人体组织的组织特征。
进一步地，所述装置还包括：
第一处理模块，用于基于滤波锐化算子对所述第一重建图像数据进行图像增强处理，以基于图像增强处理后的第一重建图像数据进行分割处理。
进一步地，所述生成模块包括：
第一处理单元，用于基于分类特征对所述第一重建图像数据、所述种子点标记图像数据进行整合处理，得到原始分割图像数据，所述原始分割图像数据为三维图像数；
第二处理单元，用于根据随机游走算法对所述原始分割图像数据进行分割处理，得到图像分割处理结果。
进一步地，所述装置还包括：
确定模块，用于确定所述目标人体组织的目标中心点的扫描方向；
扫描模块，用于基于所述扫描方向对所述目标人体组织进行CT扫描，得到原始图像数据以及掩膜图像数据；
第二处理模块，用于基于目标中心点对所述原始图像数据、所述掩膜图像数据进行图像重建处理，得到第一重建图像数据、第二重建图像数据。
进一步地，所述装置还包括：整合模块，
所述获取模块，还用于获取与目标中心点的位置信息以及分类特征所匹配的至少一个特征参数；
所述整合模块，用于基于所述目标人体组织的组织形态对所述特征参数进行整合，得到整体人体组织所对应的整体特征参数。
根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述人体组织特征参数的识别方法对应的操作。
根据本发明的再一方面，提供了一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述人体组织特征参数的识别方法对应的操作。
借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：
本发明提供了一种人体组织特征参数的识别方法及装置，与现有技术相比，本发明实施例通过获取目标人体组织的重建图像数据，所述重建图像数据包括对原始图像数据进行重建处理得到的第一重建图像数据，以及对掩膜图像数据进行重建处理得到的第二重建图像数据；生成与所述第二重建图像数据匹配的种子点标记图像数据，并按照所述目标人体组织的分类特征对所述第一重建图像数据、所述种子点标记图像数据进行分割处理，得到图像分割处理结果；基于所述目标人体组织的形态特征识别所述图像分割处理结果中的特征参数，实现基于种子点进行分割标记的图像分割处理，大大减少人体组织的边缘的模糊程度，避免分割目标的缺失，从而提高对人体组织的特征参数的识别准确性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种人体组织特征参数的识别方法流程图；
图2示出了本发明实施例提供的一种支气管图像处理流程示意图；
图3示出了本发明实施例提供的另一种人体组织特征参数的识别方法流程图；
图4示出了本发明实施例提供的一种人体组织图像处理的整体流程示意图；
图5示出了本发明实施例提供的一种图像数据处理流程示意图；
图6示出了本发明实施例提供的又一种人体组织特征参数的识别方法流程图；
图7示出了本发明实施例提供的再一种人体组织特征参数的识别方法流程图；
图8示出了本发明实施例提供的一种人体组织特征参数的识别装置组成框图；
图9示出了本发明实施例提供的一种终端的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
由于基于CT图像对支气管的各项参数的识别通常是气管参数自动检测，包括利用图像灰度对管壁进行自动分割，而基于图像灰度的管壁分割方法受CT图像噪声影响大，且仅基于类椭圆的支气管进行分割，造成管壁内、外边界模糊，使得分割目标缺失，从而影响全肺中不同气管的各项参数的识别精度，本发明实施例提供了一种人体组织特征参数的识别方法，如图1所示，该方法包括：
101、获取目标人体组织的重建图像数据。
本发明实施例中，由于需要获取人体组织的图像数据，可以基于CT扫描方式对人体组织进行扫描拍摄，获取到目标人体组织的原始图像数据，进而得到掩膜图像数据，并分别进行图像重建，得到重建图像数据，以便进行人体组织特征参数的识别。其中，所述重建图像数据包括对原始图像数据进行重建处理得到的第一重建图像数据，以及对掩膜图像数据进行重建处理得到的第二重建图像数据。具体的，在对目标人体组织的原始图像数据进行图像重建的过程中，以目标中心点作为重建的中心，本发明实施例中，人体组织可以为人体中的血管、气管等组织，优选的，目标人体组织为支气管，因此，在获取到原始图像数据后，目标中心点优选为骨架中心点，从而按照骨架中心点进行图像重建，得到第一重建图像数据，如图2所示的支气管图像处理流程示意图。同时，掩膜图像数据为基于原始图像数据进行确定的，而掩膜图像数据是基于被赋予1或0的数值所形成的区域图像，因此，在进行图像重建过程中，同样以目标中心点作为重建的中心，即按照骨架中心点对掩膜图像数据进行图像重建，得到第二重建图像数据。
102、生成与所述第二重建图像数据匹配的种子点标记图像数据，并按照所述目标人体组织的分类特征对所述第一重建图像数据、所述种子点标记图像数据进行分割处理，得到图像分割处理结果。
本发明实施例中，由于第二重建图像数据为基于掩膜图像数据重建得到的，且掩膜图像数据为基于被赋予1或0的数值所形成的区域图像，因此，可以生成与第二重建图像数据匹配的种子点标记图像数据，以确定位于人体器官中人体组织的语义分割信息，例如，确定肺部中支气管的语义分割信息。同时，按照目标人体组织的分类特征对第一重建图像数据、得到的种子标记图像数据进行分割处理，得到图像分割处理结果，如可以基于三维的随机游走算法进行图像分割处理，得到像素概率图的图像分割处理结果。其中，在分割处理过程中，随机游走算法基于种子点标记图像数据作为图像像素所属的类型概率，从而运算得到目标人体组织的分割区域概率图，同时，对分割区域概率图进行多次阈值迭代，选取算法的最优参数，得到最终的图像分割处理结果。
需要说明的是，本发明实施例中的随机游走算法为一种不易陷入局部极小值的全局最优化求解算法，在进行像素概率图的处理过程中，按照目标人体组织的分类特征将第一重建图像数据、种子点标记图像数据整合成三维数据，作为随机游走算法的输入参数，从而基于随机游走算法根据种子点标记图直接得到判断出图像像素所属的类型概率，得到图像分割处理结果。其中，分类特征为目标人体组织按照不同组织结构得到的分类内容，例如，目标人体组织为支气管，则按照支气管的组织结构，如支气管段的结构进行分类，得到各段支气管分类。本发明实施例中，在基于随机游走算法判断识别支气管管壁的图像分割处理结果时，是按照不同的各段支气管分类进行处理的，从而得到不同分类段的支气管所对应的图像分割处理结果。
103、基于所述目标人体组织的形态特征识别所述图像分割处理结果中的特征参数。
本发明实施例中，特征参数为目标人体组织中所分割出的目标组织特征的形态学特征参数，例如，若目标人体组织为支气管，则目标组织特征为支气管管壁、管腔等，特征参数即为支气管管壁的厚度、以及管腔直径，从而在图像中输出特征参数作为用户进行识别参考的依据。此时，由于图像数据为人体组织横截面所对应的内容，在基于形态特征识别时，是按照组织的横截面形状进行确定，如按照支气管的一个横向扫描点来识别分割处理结果中的管壁厚度，整个管壁为一个环形结构，因此可以通过内、外边界位置点计算出环形管壁的厚度，本发明实施例不做具体限定。
需要说明的是，本发明实施例中，由于不同的目标人体组织具有不同的形态特征，且识别得到的图像分割处理结果为基于三维的随机游走算法得到的，因此，在进行特征参数识别时，基于目标人体组织的二维形态特征进行识别。例如，通过对管壁的图像分割结果进行二维形态学分析，当前执行端嵌入的形态学分析应用组件自动地识别出管壁内、外边界以及管壁形态学特征参数，包括厚度、直径等数值，本发明实施例不做具体限定。
在另一个本发明实施例中，为了进一步限定，如图3所示，步骤103基于所述目标人体组织的形态特征识别所述图像分割处理结果中的特征参数包括：1031、确定所述目标人体组织的形态特征；1032、从所述图像分割处理结果中解析与所述形态特征对应的内边界坐标点、外边界坐标点；1033、基于所述内边界坐标点、所述外边界坐标点之间的距离平均值确定特征参数。
为了准确地实现特征参数的识别，基于形态特征识别图像分割处理结果中的特征参数时，具体可以从图像分割处理结果中解析与形态特征对应的内边界坐标点、外边界坐标点，从而计算坐标之间的距离平均值，确定为特征参数。其中，所述形态特征包括组织内边界、组织外边界，本发明实施例中，基于形态学分析应用组件确定需要识别的特征参数所对应的目标人体组织的组织内边界、组织外边界，同时，从图像分割处理结果中解析与组织内边界对应的内边界坐标点，以及与组织外边界对应的外边界坐标点。具体的，在确定内、外边界坐标点时，基于形态学分析应用组件可以直接提取人体组织的轮廓坐标点(C)，即包括了内边界坐标点Cinternal和与之最近的外边界坐标点Cexternal。
需要说明的是，本发明实施例中，针对人体组织的内、外轮廓点(如支气管的管壁)坐标之间的距离平均值可以通过组织厚度计算公式：
Thickness＝E(min(Cinternal-Cexternal))，其中，min(Cinternal-Cexternal)为内边界坐标点Cinternal和外边界坐标点Cexternal之间的距离的最小值，同时，由于在确定内、外边界坐标点时，是基于人体组织的横截面确定的，即内边界坐标点和外边界坐标点之间的最小值是一个横截面的，而为了确定完整人体组织的组织厚度，则可以计算全部横截面对应的最小值的平均值，E(min(Cinternal-Cexternal))则为全部内边界坐标点和外边界坐标点之间的最小值的平均值，从而得到组织厚度。
在另一个本发明实施例中，为了进一步限定，步骤生成与所述第二重建图像数据匹配的种子点标记图像数据包括：基于膨胀算法对所述第二重建图像数据进行定位标记处理，得到包含分割种子点的种子点标记图像数据。
为了实现基于种子点标记图像数据作为随机游走算法进行图像分割区域像素概率图的处理依据，从而得到精准的分割效果，对应种子点标记图像数据生成，具体的，基于膨胀算法对第二重建图像数据进行定位标记处理，从而得到包含用于区分人体组织的组织特征的分割种子点的种子点标记图像数据。其中，第二重建图像数据为针对掩膜图像数据进行重建处理得到的，且由于掩膜图像数据是基于被赋予1或0的数值所形成的区域图像，第二重建图像数据中提供了准确地人体组织位置信息，如支气管位置信息，因此，采用膨胀算法对第二重建图像数据进行定位标记处理。具体的，本发明实施例中分割种子点至少包括三种类型的种子点，如背景区域种子点、人体组织种子点、人体组织边界种子点(或轮廓种子点)，从而对人体组织按照三种类型进行分割。
需要说明的是，本发明实施例中基于膨胀算法进行定位标记处理得到的种子点标记图像数据的具体方法为：1、对人体组织所对应的第二重建图像数据提取边界(轮廓)，获取人体组织的边界点(轮廓点)，如支气管轮廓点，点值配置为1；2、对人体组织所对应的第二重建图像数据进行膨胀a个像素后，提取边界(轮廓)，此时选取此边界(轮廓)位于人体组织边缘内，如此轮廓位于支气管管壁内，点值配置为2；3、对人体组织所对应的第二重建图像数据进行膨胀b个像素后，提取边界(轮廓)，此时选取此边界(轮廓)位于人体组织边缘外，如此轮廓位于支气管管壁外，属于背景区域，点值配置为3，完成膨胀算法的定位标记处理。其中，膨胀处理为按照参数a、b进行2次，得到种子点标记图像数据，并且，可以对参数a、b进行多次优化选取，确定最优参数，本发明实施例不做具体限定。
在另一个本发明实施例中，为了进一步限定，步骤生成与所述第二重建图像数据匹配的种子点标记图像数据之前，所述方法还包括：基于滤波锐化算子对所述第一重建图像数据进行图像增强处理，以基于图像增强处理后的第一重建图像数据进行分割处理。
为了提高扫描得到的原始图像数据的图像处理的准确性，避免图像像素的失真，需要对基于原始图像数据得到的第一重建图像数据进行滤波。具体的，基于滤波锐化算子对第一重建预先数据进行图像增强处理，使得对需要分割的不同部分区域产生响应以及抑制效应，如采用二维卷积运算计算得到滤波锐化算子，通过滤波锐化算子对支气管的管壁区域进行增强图像处理，以使在管壁边界附近产生强烈的响应，在其它区域产生抑制效应，如图4所示的人体组织图像处理的整体流程示意图。
在另一个本发明实施例中，为了进一步限定，步骤按照所述目标人体组织的分类特征对所述第一重建图像数据、所述种子点标记图像数据进行分割处理，得到图像分割处理结果包括：基于分类特征对所述第一重建图像数据、所述种子点标记图像数据进行整合处理，得到原始分割图像数据；根据随机游走算法对所述原始分割图像数据进行分割处理，得到图像分割处理结果。
为了实现结合第一重建图像数据、种子点标记图像数据进行分割处理，以得到准确的分割处理图像，具体的，基于分类特征对所述第一重建图像数据、所述种子点标记图像数据进行整合处理，得到原始分割图像数据，其中，所述原始分割图像数据为三维图像数，以基于三维的随机游走算法生成像素概率图，即得到分割处理后的图像分割处理结果。本发明实施例中，分类特征为目标人体组织按照不同组织结构得到的分类内容，例如，目标人体组织为支气管，则按照支气管的组织结构，如支气管段的结构进行分类，得到各段支气管分类，因此，为了基于随机游走算法进行图像分割处理，则基于分类特征对第一重建图像数据、种子点标记图像数据进行整合处理，例如，按照各段支气管分别将与之对应的第一重建图像数据与种子点标记图像数据进行整合，作为对应在一个支气管段上的原始分割图像数据，通过随机游走算法对此原始分割图像数据进行分割处理，得到的是此支气管段上的图像分割处理结果。
另外，如图5所示的图像数据处理流程示意图中，针对支气管管壁厚度的识别场景中，得到管壁概率图后，可以进行阈值化处理，以便对分割结果进行评估，若评估结果达不到预设标准，则重新进行阈值化处理，以实现参数更新和调整，从而提高图像分割的精度，本发明实施例对阈值化处理不做具体限定。
在另一个本发明实施例中，为了进一步限定，如图6所示，步骤101获取目标人体组织的重建图像数据之前，还包括：201、确定所述目标人体组织的目标中心点的扫描方向；202、基于所述扫描方向对所述目标人体组织进行CT扫描，得到原始图像数据以及掩膜图像数据；203、基于目标中心点对所述原始图像数据、所述掩膜图像数据进行图像重建处理，得到第一重建图像数据、第二重建图像数据。
由于对人体组织的图像数据获取方式通常采用CT扫描，因此，为了提高图像处理的准确性以及识别精度，首先要按照目标中心点进行扫描，从而对扫描得到的图像数据进行图像重建处理。其中，目标中心点为扫描方向的横截面与人体组织之间的交点，例如，针对肺部的支气管组织，目标中心点可以为骨架中心线上的各个点，从而以此点作为扫描方向，进行CT扫描，得到目标人体组织的原始图像数据，进而得到人体组织的掩膜图像数据，当然的，掩膜图像数据可以直接基于原始图像数据处理得到，也可以在扫描过程中直接处理得到，本发明实施例不做具体限定。在获得原始图像数据、掩膜图像数据后，分别进行图像重建处理，得到第一重建图像数据、第二重建图像数据。
需要说明的是，第一重建图像数据、第二重建图像数据分别为100*100像素的图像块，此时，为了区别不同目标中心点所对应的重建图像数据，将目标中心点所属的分类特征(如支气管段或位置)保存在图像块中，得到图像矩阵，即图像矩阵中包含原始图像数据和掩膜图像数据的100*100像素的重建图像块、中心点所属的分类特征(如支气管段、对应的气管级别数等)，从而使得不同序列CT扫描的图像数据所对应的分类特征不同，若按照分类特征划分的级别越高，则受容积效应影响越大，如支气管级别不同，级别越高管壁越薄，受容积效应影响越大。其中，分类特征中可以区别不同人体组织的组织结构，对于支气管的场景，支气管可以按照段、分支、气管级别等进行划分，以表明扫描时的不同位置，不同位置对应支气管管壁厚度不同，例如，主支气管为0级，往下支气管树的每一个分支依次递增，对应的支气管的管壁厚度越来越细。
在另一个本发明实施例中，为了进一步限定，如图7所示，还包括：301、获取与目标中心点的位置信息以及分类特征所匹配的至少一个特征参数；302、基于所述目标人体组织的组织形态对所述特征参数进行整合，得到整体人体组织所对应的整体特征参数。
由于人体组织是三维立体的，而在识别特征参数时通常是基于二维计算的，因此，为了实现整体组织的特征参数的识别，结合目标中心点的位置信息以及分类特征进行整合。其中，由于目标中心点为按照人体组织与骨架中心线之间的交点，因此，结合分类特征(如具体的组织结构)确定分布于整个中心线上的全部交点的特征参数(如组织厚度)，因此，得到的整体人体组织对应的整体特征参数，例如，对于支气管树型结构，从纵向来识别气管树中各个级别气管的管腔直径和管壁厚度均值、最大和最小值。
本发明实施例提供了一种人体组织特征参数的识别方法，与现有技术相比，本发明实施例通过获取目标人体组织的重建图像数据，所述重建图像数据包括对原始图像数据进行重建处理得到的第一重建图像数据，以及对掩膜图像数据进行重建处理得到的第二重建图像数据；生成与所述第二重建图像数据匹配的种子点标记图像数据，并按照所述目标人体组织的分类特征对所述第一重建图像数据、所述种子点标记图像数据进行分割处理，得到图像分割处理结果；基于所述目标人体组织的形态特征识别所述图像分割处理结果中的特征参数，实现基于种子点进行分割标记的图像分割处理，大大减少人体组织的边缘的模糊程度，避免分割目标的缺失，从而提高对人体组织的特征参数的识别准确性。
进一步的，作为对上述图1所示方法的实现，本发明实施例提供了一种人体组织特征参数的识别装置，如图8所示，该装置包括：
获取模块41，用于获取目标人体组织的重建图像数据，所述重建图像数据包括对原始图像数据进行重建处理得到的第一重建图像数据，以及对掩膜图像数据进行重建处理得到的第二重建图像数据；
生成模块42，用于生成与所述第二重建图像数据匹配的种子点标记图像数据，并按照所述目标人体组织的分类特征对所述第一重建图像数据、所述种子点标记图像数据进行分割处理，得到图像分割处理结果；
识别模块43，用于基于所述目标人体组织的形态特征识别所述图像分割处理结果中的特征参数。
进一步地，所述识别模块包括：
确定单元，用于确定所述目标人体组织的形态特征，所述形态特征包括组织内边界、组织外边界；
解析单元，用于从所述图像分割处理结果中解析与所述形态特征对应的内边界坐标点、外边界坐标点；
确定单元，用于基于所述内边界坐标点、所述外边界坐标点之间的距离平均值确定特征参数。
进一步地，所述生成模块，具体用于基于膨胀算法对所述第二重建图像数据进行定位标记处理，得到包含分割种子点的种子点标记图像数据，所述分割种子点用于区分所述人体组织的组织特征。
进一步地，所述装置还包括：
第一处理模块，用于基于滤波锐化算子对所述第一重建图像数据进行图像增强处理，以基于图像增强处理后的第一重建图像数据进行分割处理。
进一步地，所述生成模块包括：
第一处理单元，用于基于分类特征对所述第一重建图像数据、所述种子点标记图像数据进行整合处理，得到原始分割图像数据，所述原始分割图像数据为三维图像数；
第二处理单元，用于根据随机游走算法对所述原始分割图像数据进行分割处理，得到图像分割处理结果。
进一步地，所述装置还包括：
确定模块，用于确定所述目标人体组织的目标中心点的扫描方向；
扫描模块，用于基于所述扫描方向对所述目标人体组织进行CT扫描，得到原始图像数据以及掩膜图像数据；
第二处理模块，用于基于目标中心点对所述原始图像数据、所述掩膜图像数据进行图像重建处理，得到第一重建图像数据、第二重建图像数据。
进一步地，所述装置还包括：整合模块，
所述获取模块，还用于获取与目标中心点的位置信息以及分类特征所匹配的至少一个特征参数；
所述整合模块，用于基于所述目标人体组织的组织形态对所述特征参数进行整合，得到整体人体组织所对应的整体特征参数。
本发明实施例提供了一种人体组织特征参数的识别装置，与现有技术相比，本发明实施例通过获取目标人体组织的重建图像数据，所述重建图像数据包括对原始图像数据进行重建处理得到的第一重建图像数据，以及对掩膜图像数据进行重建处理得到的第二重建图像数据；生成与所述第二重建图像数据匹配的种子点标记图像数据，并按照所述目标人体组织的分类特征对所述第一重建图像数据、所述种子点标记图像数据进行分割处理，得到图像分割处理结果；基于所述目标人体组织的形态特征识别所述图像分割处理结果中的特征参数，实现基于种子点进行分割标记的图像分割处理，大大减少人体组织的边缘的模糊程度，避免分割目标的缺失，从而提高对人体组织的特征参数的识别准确性。
根据本发明一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的人体组织特征参数的识别方法。
图9示出了根据本发明一个实施例提供的一种终端的结构示意图，本发明具体实施例并不对终端的具体实现做限定。
如图9所示，该终端可以包括：处理器(processor)502、通信接口(CommunicationsInterface)504、存储器(memory)506、以及通信总线508。
其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器502，用于执行程序510，具体可以执行上述人体组织特征参数的识别方法实施例中的相关步骤。
具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。终端包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作：
获取目标人体组织的重建图像数据，所述重建图像数据包括对原始图像数据进行重建处理得到的第一重建图像数据，以及对掩膜图像数据进行重建处理得到的第二重建图像数据；
生成与所述第二重建图像数据匹配的种子点标记图像数据，并按照所述目标人体组织的分类特征对所述第一重建图像数据、所述种子点标记图像数据进行分割处理，得到图像分割处理结果；
基于所述目标人体组织的形态特征识别所述图像分割处理结果中的特征参数。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包括在本发明的保护范围之内。
Claims (10)
1.一种人体组织特征参数的识别方法，其特征在于，包括：
获取目标人体组织的重建图像数据，所述重建图像数据包括对原始图像数据进行重建处理得到的第一重建图像数据，以及对掩膜图像数据进行重建处理得到的第二重建图像数据；
生成与所述第二重建图像数据匹配的种子点标记图像数据，并按照所述目标人体组织的分类特征对所述第一重建图像数据、所述种子点标记图像数据进行分割处理，得到图像分割处理结果；
基于所述目标人体组织的形态特征识别所述图像分割处理结果中的特征参数。
2.根据权利要求1所述的方法，其特征在于，所述基于所述目标人体组织的形态特征识别所述图像分割处理结果中的特征参数包括：
确定所述目标人体组织的形态特征，所述形态特征包括组织内边界、组织外边界；
从所述图像分割处理结果中解析与所述形态特征对应的内边界坐标点、外边界坐标点；
基于所述内边界坐标点、所述外边界坐标点之间的距离平均值确定特征参数。
3.根据权利要求1所述的方法，其特征在于，所述生成与所述第二重建图像数据匹配的种子点标记图像数据包括：
基于膨胀算法对所述第二重建图像数据进行定位标记处理，得到包含分割种子点的种子点标记图像数据，所述分割种子点用于区分所述人体组织的组织特征。
4.根据权利要求1所述的方法，其特征在于，所述生成与所述第二重建图像数据匹配的种子点标记图像数据之前，所述方法还包括：
基于滤波锐化算子对所述第一重建图像数据进行图像增强处理，以基于图像增强处理后的第一重建图像数据进行分割处理。
5.根据权利要求1所述的方法，其特征在于，所述按照所述目标人体组织的分类特征对所述第一重建图像数据、所述种子点标记图像数据进行分割处理，得到图像分割处理结果包括：
基于分类特征对所述第一重建图像数据、所述种子点标记图像数据进行整合处理，得到原始分割图像数据，所述原始分割图像数据为三维图像数；
根据随机游走算法对所述原始分割图像数据进行分割处理，得到图像分割处理结果。
6.根据权利要求1所述的方法，其特征在于，所述获取目标人体组织的重建图像数据之前，所述方法还包括：
确定所述目标人体组织的目标中心点的扫描方向；
基于所述扫描方向对所述目标人体组织进行CT扫描，得到原始图像数据以及掩膜图像数据；
基于目标中心点对所述原始图像数据、所述掩膜图像数据进行图像重建处理，得到第一重建图像数据、第二重建图像数据。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：
获取与目标中心点的位置信息以及分类特征所匹配的至少一个特征参数；
基于所述目标人体组织的组织形态对所述特征参数进行整合，得到整体人体组织所对应的整体特征参数。
8.一种人体组织特征参数的识别装置，其特征在于，包括：
获取模块，用于获取目标人体组织的重建图像数据，所述重建图像数据包括对原始图像数据进行重建处理得到的第一重建图像数据，以及对掩膜图像数据进行重建处理得到的第二重建图像数据；
生成模块，用于生成与所述第二重建图像数据匹配的种子点标记图像数据，并按照所述目标人体组织的分类特征对所述第一重建图像数据、所述种子点标记图像数据进行分割处理，得到图像分割处理结果；
识别模块，用于基于所述目标人体组织的形态特征识别所述图像分割处理结果中的特征参数。
9.一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的人体组织特征参数的识别方法对应的操作。
10.一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的人体组织特征参数的识别方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111256716.4A CN114155267A (zh) | 2021-10-27 | 2021-10-27 | 人体组织特征参数的识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111256716.4A CN114155267A (zh) | 2021-10-27 | 2021-10-27 | 人体组织特征参数的识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114155267A true CN114155267A (zh) | 2022-03-08 |
Family
ID=80458435
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111256716.4A Pending CN114155267A (zh) | 2021-10-27 | 2021-10-27 | 人体组织特征参数的识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114155267A (zh) |
-
2021
- 2021-10-27 CN CN202111256716.4A patent/CN114155267A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108133476B (zh) | 一种肺结节自动检测方法及系统 | |
| CN109712131B (zh) | 肺结节特征的量化方法、装置、电子设备及存储介质 | |
| JP4640845B2 (ja) | 画像処理装置およびそのプログラム | |
| US11219424B2 (en) | Systems and methods for characterizing a central axis of a bone from a 3D anatomical image | |
| CN110766659A (zh) | 医学图像识别方法、装置、设备和介质 | |
| US8050470B2 (en) | Branch extension method for airway segmentation | |
| CN111932495B (zh) | 一种医学图像检测方法、装置及存储介质 | |
| CN111260669A (zh) | 基于ct图像的肺叶分割方法和装置 | |
| CN111105427B (zh) | 一种基于连通区域分析的肺部图像分割方法及系统 | |
| US7809174B2 (en) | Method and system for segmentation of computed tomography image data | |
| CN113160153A (zh) | 一种基于深度学习技术的肺结节筛查方法及筛查系统 | |
| CN110211200B (zh) | 一种基于神经网络技术的牙弓线生成方法及其系统 | |
| CN114419077A (zh) | 一种基于ct图像的肺支气管自动分割方法及系统 | |
| CN111145185B (zh) | 一种基于聚类关键帧提取ct图像的肺实质分割方法 | |
| CN107729863B (zh) | 人体指静脉识别方法 | |
| CN116824168B (zh) | 基于图像处理的耳部ct特征提取方法 | |
| CN111612749B (zh) | 基于肺部影像的病灶检测方法和装置 | |
| CN113012127A (zh) | 基于胸部医学影像的心胸比测量方法 | |
| CN112712540A (zh) | 一种基于ct影像的肺部支气管提取方法 | |
| CN114037719B (zh) | 骨骼区域确定方法、装置、电子设备及存储介质 | |
| CN114155267A (zh) | 人体组织特征参数的识别方法及装置 | |
| CN115439453A (zh) | 一种脊椎椎体定位方法、装置、电子设备及存储介质 | |
| CN115147359A (zh) | 肺叶分割网络模型训练方法、装置、电子设备及存储介质 | |
| KR102227921B1 (ko) | 로브기준으로 폐혈관을 정량화하는 방법 | |
| CN112258535B (zh) | 超声图像中胼胝体及小脑蚓部的一体化定位及分割方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240226 Address after: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant after: Shenyang Neusoft Medical Systems Co.,Ltd. Country or region after: China Address before: 110167 room 336, No. 177-1, Chuangxin Road, Hunnan District, Shenyang City, Liaoning Province Applicant before: Shenyang advanced medical equipment Technology Incubation Center Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right |