CN114187320A - 脊柱ct图像的分割方法、椎体成像的识别方法及装置 - Google Patents
脊柱ct图像的分割方法、椎体成像的识别方法及装置 Download PDFInfo
- Publication number
- CN114187320A CN114187320A CN202111527817.0A CN202111527817A CN114187320A CN 114187320 A CN114187320 A CN 114187320A CN 202111527817 A CN202111527817 A CN 202111527817A CN 114187320 A CN114187320 A CN 114187320A
- Authority
- CN
- China
- Prior art keywords
- image
- spine
- region
- actual
- determining
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003709 image segmentation Methods 0.000 title abstract description 15
- 238000012545 processing Methods 0.000 claims description 39
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000009877 rendering Methods 0.000 claims 1
- 238000003062 neural network model Methods 0.000 abstract description 5
- 230000000877 morphologic effect Effects 0.000 description 54
- 230000010339 dilation Effects 0.000 description 16
- 230000003628 erosive effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 210000000988 bone and bone Anatomy 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 210000001519 tissue Anatomy 0.000 description 6
- 230000001054 cortical effect Effects 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002675 image-guided surgery Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification 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
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种脊柱CT图像的分割方法、椎体成像的识别方法及装置,脊柱CT图像的分割方法包括:确定在增强的脊柱CT图像上预估的前景区域和预估的背景区域之间的边缘,并基于所述边缘中的每个体素绘制有向图;根据所述有向图,确定所述增强的脊柱CT图像的最小割,以将所述增强的脊柱CT图像分割成包括有所述脊柱成像的实际前景区域、包括非脊柱图像的实际背景区域;基于所述最小割,在所述增强的脊柱CT图像上至少确定出所述实际前景区域,无须使用样本数据去训练神经网络模型,从而降低了图像分割的实施难度。
Description
技术领域
本发明涉及医疗机器人技术领域,具体涉及脊柱CT图像的分割方法、椎体成像的识别方法及装置。
背景技术
在医学上,为了实现一定的医学目的,比如图像引导手术,依赖于医学图像处理来实现,比如,可以对正常组织或病变组织的CT图像按照先后顺序进行图像分割、特征提取、定量分析和三维重建等处理,由此可见,图像分割是后续处理的基础。其中,对于脊柱手术来说,由于脊柱包括多个椎体,因此,在脊柱CT图像上会形成多个椎体图像,因此,针对脊柱CT图像的图像分割难度较大。
现有技术中,当基于神经网络的机器学习算法来实现时,必须要使用大量的样本数据来对该神经网络模型进行训练,由此,神经网络模型的精度直接依赖于样本数据的量。而由于样本数据包括为每个锥体设置的标注数据,但是,在临床中,每个椎段的标注数据的生产难度较大,由此,导致基于神经网络的机器学习算法来进行图像分割实施难度较大。
发明内容
本发明实施例提供脊柱CT图像的分割方法、椎体成像的识别方法及装置,用于克服或者缓解现有技术中的上述问题。
本发明采用的技术方案为:
一种脊柱CT图像的分割方法,其包括:
确定在增强的脊柱CT图像上预估的前景区域和预估的背景区域之间的边缘,并基于所述边缘中的每个体素绘制有向图;
根据所述有向图,确定所述增强的脊柱CT图像的最小割,以将所述增强的脊柱CT图像分割成包括有所述脊柱成像的实际前景区域、包括非脊柱图像的实际背景区域;
基于所述最小割,在所述增强的脊柱CT图像上至少确定出所述实际前景区域。
一种椎体成像的识别方法,其特征在于,包括:
确定出实际前景区域中每个椎体的候选成像区域,以及确定出每个候选成像区域的中心和质心,所述实际前景区域根据本申请实施例任一项所述分割方法确定;
根据所述每个候选成像区域的中心和质心,识别出对应椎体的实际成像区域。
一种脊柱CT图像的分割装置,其包括:
边缘处理单元,用于确定在增强的脊柱CT图像上预估的前景区域和预估的背景区域之间的边缘,并基于所述边缘中的每个体素绘制有向图;
最小割单元,用于根据所述有向图,确定所述增强的脊柱CT图像的最小割,以将所述增强的脊柱CT图像分割成包括有所述脊柱成像的实际前景区域、包括非脊柱图像的实际背景区域;
实际前景确定单元,用于基于所述最小割,在所述增强的脊柱CT图像上至少确定出所述实际前景区域。
一种椎体成像的识别装置,其包括:
候选成像区域单元,用于确定出实际前景区域中每个椎体的候选成像区域,以及确定出每个候选成像区域的中心和质心,所述实际前景区域根据本申请实施例任一项所述分割方法确定;
实际成像识别单元,用于根据所述每个候选成像区域的中心和质心,识别出对应椎体的实际成像区域。
本发明实施例提供的技术方案中,通过确定在增强的脊柱CT图像上预估的前景区域和预估的背景区域之间的边缘,并基于所述边缘中的每个体素绘制有向图;根据所述有向图,确定所述增强的脊柱CT图像的最小割,以将所述增强的脊柱CT图像分割成包括有所述脊柱成像的实际前景区域、包括非脊柱图像的实际背景区域;基于所述最小割,在所述增强的脊柱CT图像上至少确定出所述实际前景区域,无须使用样本数据去训练神经网络模型,从而降低了图像分割的实施难度。
附图说明
图1为本申请实施例一种脊柱CT图像的增强方法流程示意图;
图2为本申请实施例脊柱CT图像的示意图;
图3为本申请实施例增强的脊柱CT图像示意图;
图4为本申请实施例一种脊柱CT图像的分割方法的流程示意图;
图5为本申请实施例一种椎体成像的识别方法流程示意图;
图6为本申请实施例一种脊柱CT图像的增强装置结构示意图;
图7为本申请实施例一种脊柱CT图像的分割装置结构示意图;
图8为本申请实施例一种椎体成像的识别装置的结构示意图;
图9为本申请实施例一种电子设备的具体硬件结构示意图;
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、装置、步骤等。在其它情况下,不详细示出或描述公知结构、方法、装置、实现或者操作以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,术语“预估”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“预估”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。符号“/”一般表示前后关联对象是一种“或”的关系。
在本公开中,除非另有明确的规定和限定,“连接”等术语应做广义理解,例如,可以是电连接或可以互相通讯;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本公开中的具体含义。
本发明实施例提供的技术方案中,通过确定在增强的脊柱CT图像上预估的前景区域和预估的背景区域之间的边缘,并基于所述边缘中的每个体素绘制有向图;根据所述有向图,确定所述增强的脊柱CT图像的最小割,以将所述增强的脊柱CT图像分割成包括有所述脊柱成像的实际前景区域、包括非脊柱图像的实际背景区域;基于所述最小割,在所述增强的脊柱CT图像上至少确定出所述实际前景区域无须使用样本数据去训练神经网络模型,从而降低了图像分割的实施难度。
图1为本申请实施例一种脊柱CT图像的增强方法流程示意图;如图1,其包括:
S101、对所述脊柱CT图像进行形态膨胀处理,生成形态膨胀图像;
可选地,本实施例中,所述对所述脊柱CT图像进行形态膨胀处理,生成形态膨胀图像,包括:
使用第一结构元素体扫描脊柱CT图像上的体素值,以对所述脊柱CT图像进行形态膨胀处理。
本实施例中,体素值表示身体组织对于X线的不透光性(或者又称之为X线穿过身体组织被吸收后的衰减值)。
本实施例中,通过形态膨胀处理对CT图像中各个体素进行膨胀处理,以填补图像中的某些空洞。
示例性地,所述第一结构元素体的元素值为1或者0;因此,所述使用第一结构元素体扫描脊柱CT图像上的体素值,以对所述脊柱CT图像进行形态膨胀处理,包括:
S111、按照与所述第一结构元素体等规格的方式,依次确定出所述脊柱CT图像上的目标区域;
本实施例中,具体可以使用所述第一结构元素体覆盖所述脊柱CT图像,从而可以快速地实现上述步骤S111,所述脊柱CT图像上,被所述第一结构元素覆盖住的区域即为目标区域。
本实施例中,所述规格反映所述结构元素体的大小,所述第一结构元素体的元素越多,则所述第一结构元素体的规格越大。本实施例中,所述第一结构元素体的大小不做特别限定,可以根据应用场景配置即可。
S121、每确定出一个第一目标区域,则对所述第一结构元素体的元素值与所述第一目标区域的体素值进行与运算,将所述第一目标区域的中心体素的体素值修改为所述与运算的最大体素值,其他体素的体素值修改为0,以对所述脊柱CT图像进行形态膨胀处理。
本实施例中,对所述第一结构元素体的元素值与所述第一目标区域的体素值进行与运算时,将在同一体位置中的所述第一结构元素体的元素值和第一目标区域处的体素值进行与运算。
S102、对所述形态膨胀图像进行形态腐蚀处理,生成形态学闭合处理图像;
可选地,本实施例中,所述对所述形态膨胀图像进行形态腐蚀处理,生成形态学闭合处理图像,包括:
使用第二结构元素体扫描所述形态膨胀图像的体素值,以对所述形态膨胀图像进行形态腐蚀处理,生成形态学闭合处理图像。
可选地,本实施例中,所述第二结构元素体的元素值为1或者0;
所述使用第二结构元素体扫描所述形态膨胀图像的体素值,以对所述形态膨胀图像进行形态腐蚀处理,生成形态学闭合处理图像,包括:
按照与所述第二结构元素体等规格的方式,依次确定出所述形态膨胀图像上的第二目标区域;
每确定出一个第二目标区域,则对所述第二结构元素体的元素值与所述第二目标区域的体素值进行与运算,将所述第二目标区域的中心体素的体素值修改为所述与运算的最小体素值,其他体素的体素值修改为0,以对所述脊柱CT图像进行形态腐蚀。
在一场景中,所述第一结构元素体为:半径为1的球体,以连接由于椎体的骨质不好在所述脊柱CT图像上出现的骨面细小空洞。
在一场景中,所述第二结构元素体为:半径为2的球体,以将所述脊柱CT图像上每个锥体脊椎间的虚假连接断开。
具体地,所述第一结构元素体、所述第二结构元素体对应到矩阵如下:假设球体半径为r,则矩阵为(2r+1)*(2r+1)*(2r+1)的三维矩阵,在该矩阵中,半径为r的球覆盖的区域的值为1,其他位置为0。
S103、根据所述形态学闭合处理图像,生成增强的脊柱CT图像。
可选地,本实施例中,所述根据所述形态学闭合处理图像,生成增强的脊柱CT图像,包括:
S113、基于所述脊柱CT图像与所述形态学闭合处理图像之间的体素值之差,生成脊谷特征图像;
S123、基于所述脊柱CT图像与所述脊谷特征图像的体素值之差,生成增强的脊柱CT图像。
本实施中,通过上述步骤S113处理可以在脊谷特征图像上,邻域像素之间的灰度度对比(即脊谷特征,或者又称之valley特征)更加明显,因此,在进一步通过上述步骤S123处理,得到的增强的脊柱CT图像上,邻域像素之间的灰度对比进一步提高。另外,通过本实施例的上述步骤处理,增强了脊柱CT图像上的骨皮质成像的区分度,避免了锥体间的虚假连接。
图2为本申请实施例脊柱CT图像的示意图;图3为本申请实施例增强的脊柱CT图像示意图;对比图2和图3可见,图3中的邻域像素之间的灰度对比度要明显高于图2中的邻域像素之间的灰度对比度,或者,又可称之为图像更加清晰,尤其对于有椎体的区域(即前景区域),椎体之间的界限更加明显,对于有椎体的区域(即前景区域)和无椎体的区域(即背景区域)之间,界限更加明显。图2和图3中,黑框显示为部分椎体成像区域。
图4为本申请实施例一种脊柱CT图像的分割方法的流程示意图;如图4所示,其包括:
S401、确定在增强的脊柱CT图像上预估的前景区域和预估的背景区域之间的边缘,并基于所述边缘中的每个体素绘制有向图;
可选地,本实施例中,所述增强的脊柱CT图像根据本申请实施例任一项所述的增强方法生成;比如,具体可参见上述图1所示的实施例。
可选地,本实施例中,所述确定在增强的脊柱CT图像上预估的前景区域和预估的背景区域之间的边缘,并基于所述边缘中的每个体素绘制有向图,之前包括:预估所述增强的脊柱CT图像上包括有脊柱CT图像的前景区域和不包括所述脊柱CT图像的背景区域,以分别生成所述预估的前景区域和预估的背景区域。
当然,如果在一些实施例中,如果已经生成了所述预估的前景区域和预估的背景区域,则可以省去上述生成所述预估的前景区域和预估的背景区域的步骤。
可选地,本实施例中,所述预估所述增强的脊柱CT图像上包括有脊柱CT图像的前景区域和不包括所述脊柱CT图像的背景区域,以分别生成所述预估的前景区域和预估的背景区域,包括:
获取所述增强的脊柱CT图像上各个体素的体素值;
根据设定的体素值阈值以及所述各个体素的体素值,预估所述增强的脊柱CT图像上包括有脊柱CT图像的前景区域和不包括所述脊柱CT图像的背景区域,以分别生成所述预估的前景区域和预估的背景区域。
比如,在一具体应用场景中,由于正常骨皮质的体素值(又可称之为CT值)大于200Hounsfield;液体的体素值在0Hounsfield附近;脂肪的体素值为-70到-90Hounsfield之间;组织的体素值一般为30到50Hounsfield;空气的体素值最低接近-1000Hounsfield。因此,针对要预估前景区域使用的体素值阈值设定为200Hounsfield,而针对要预估背景区域使用的体素值阈值设定为50,即将体素值大于200Hounsfield的体素保留以形成预估的前景区域,以及体素值小于50Hounsfield的体素保留以形成预估的背景区域,而体素值在50-200Hounsfield视为无效体素,直接舍弃即可。
通过上述设定的体素值阈值的方式,快速且准确地在增强的脊柱CT图像上预估出锥体的骨皮质成像区域,直接作为预估的前景区域;以及快速且准确地在增强的脊柱CT图像上预估出空气、脂肪、组织等非骨皮质成像区域,直接作为预估的背景区域。
本实施例中,由于预估的前景区域和预估的背景区域之间的边缘,在预估的背景区域上有可能会包括应当属于椎体成像的体素,而在预估的前景区域上有可能会包括应当属于非椎体成像的体素,为此,本实施例中,相当于将预估的前景区域和预估的背景区域之间的边缘作为图像分割的初始对象,快速地实现包括有所述脊柱成像的实际前景区域和包括非脊柱图像的实际背景区域之间的分割。
具体地,所述基于所述边缘中的每个体素绘制有向图,包括:
确定源点集合和汇点集合,所述源点集合包括:若干个实际为椎体成像的体素,所述汇点集合包括:若干个实际为非椎体成像的体素;
将所述边缘、源点集合和汇点集合中的每个体素作为有向图中一个顶点,而将所述边缘、源点集合和汇点集合中每两个体素之间的连线作为有向图的边,以绘制有向图。
S402、根据所述有向图,确定所述增强的脊柱CT图像的最小割,以将所述增强的脊柱CT图像分割成包括有所述脊柱成像的实际前景区域、包括非脊柱图像的实际背景区域;
可选地,本实施例中,根据所述有向图,确定所述增强的脊柱CT图像的最小割,以将所述增强的脊柱CT图像分割成包括有所述脊柱成像的实际前景区域、包括非脊柱图像的实际背景区域,包括:
S412、确定所述有向图的中每条边的区域项和边界项,并根据每条边的区域项和边界项,生成包括有所述脊柱成像的实际前景区域和包括非脊柱图像的实际背景区域之间的多条备选图像割;
本实施例中,确定所述有向图的中每条边的区域项,具体可以包括:统计每条边上每个顶点对应的体素分别相对于所述源点集合和汇点集合中每个体素的体素值之差并作为区域体素差值,根据每条边上两个顶点对应的所有区域体素差值,确定每条边的区域项。区域体素差值越小,表明对应的体素属于椎体成像的可能越大,反之,则越小。
本实施例中,确定所述有向图的中每条边的边界项,具体可以包括:统计每条边上每个顶点对应的体素与邻域的体素之间的体素值之差并作为边界体素差值,根据每条边上两个顶点对应的所有边界体素差值,确定每条边的边界项。边界体素差值越小,则表明对应的两个体素同属于椎体成像或者非椎体成像的可能越大。
因此,基于上述区域项可确定出对应的体素是属于椎体成像,还是非椎体成像,再根据边界项,可确定出两个体素是同属于椎体成像或者非椎体成像,由此会形成多条备案图像割,每条备选图像割包括多条边。
S422、统计每条备选图像割的能量,并选择其中能量最小的一条备选图像割作为最小割,以将所述增强的脊柱CT图像分割成包括有所述脊柱成像的实际前景区域、包括非脊柱图像的实际背景区域。
基于每条边对应的边界项和区域项即可确定出每条边的能量,因此,统计每条备选图像割的能量时,将其包括的每条边的能量进行求和运算,即可得到每条备选图像割的能量,然后通过能量的对比,从中选择能量最小的一条备选图像割作为最小割。
S403、基于所述最小割,在所述增强的脊柱CT图像上至少确定出所述实际前景区域。
如前所述,由于备选图像割中有多条边组成,而每条边实际上由体素组成,因此,相当于通过体素之间的连线,准确地将所述增强的脊柱CT图像的所述实时前景区域分离了出来。
图5为本申请实施例一种椎体成像的识别方法流程示意图;如图5所示,其包括:
S501、确定出实际前景区域中每个椎体的候选成像区域,以及确定出每个候选成像区域的中心和质心,所述实际前景区域根据本申请实施例任一项所述分割方法确定;
可选地,本实施例中,所述确定出所述实际前景区域中每个椎体的候选成像区域,包括:
根据设定的单椎体成像区域面积阈值,确定出所述实际前景区域中每个椎体的候选成像区域。
本实施例中,所述单椎体成像区域面积阈值可以根据样本数据统计分析得到。
S502、根据所述每个候选成像区域的中心和质心,识别出对应椎体的实际成像区域。
可选地,本实施例中,所述根据所述每个候选成像区域的中心和质心,识别出对应椎体的实际成像区域,包括:
分别确定所述中心和质心在X-Z坐标系中的X坐标;
根据所述中心和质心的X坐标差值,以及设定的X坐标差值阈值,识别出对应椎体的实际成像区域。
本实施例中,具体根据候选成像区域包括的所有体素的体素值计算对应的质心,该质心也对应候选成像区域上的一个体素。所述候选成像区域的中心也对应候选成像区域上的一个体素,因此,通过所述中心和质心的X坐标差值,即可准确地识别出对应单个椎体的实际成像区域。
具体地,比如按照公式|C_x-I_x|<d来确定单个椎体的实际成像区域,将所述中心和质心的X坐标差值的绝对值满足|C_x-I_x|<d的区域作为单个椎体的实际成像区域,其中C_x为质心的X坐标,I_x为中心的X坐标,d为设定的X坐标差值阈值,d的大小根据应用场景的需求设置。通过设置X坐标差值阈值的方式,不但可以用于椎体未发生变形形成的实际成像区域的确定,还可以应用于可以应用于椎体发生变形形成的实际成像区域的确定。
进一步,在一实施例中,考虑到脊柱CT图像上通常存在多个椎体对应的实际成像区域,因此,便于这些椎体对应的实际成像区域之间进行区分,在所述根据所述每个候选成像区域的中心和质心,识别出对应椎体的实际成像区域,还可以包括:
分别确定每个质心在X-Z坐标系中的Z坐标,并对确定出的所有Z坐标进行排序;
根据所述所有Z坐标的排序,识别出椎体的实际成像区域在所述脊柱CT图像上的相邻位置关系。
上述排序比如从大到小,或者从小到大。当从大到小排序时,第一个Z坐标对应脊柱CT图像上的最上面一个椎体,当从小到小排序时,第一个Z坐标对应脊柱CT图像上的最下面一个椎体。
图6为本申请实施例一种脊柱CT图像的增强装置结构示意图;如图6所示,其包括:
形态膨胀单元601,用于对所述脊柱CT图像进行形态膨胀处理,生成形态膨胀图像;
形态腐蚀单元602,用于对所述形态膨胀图像进行形态腐蚀处理,生成形态学闭合处理图像;
增强图像生成单元603,用于根据所述形态学闭合处理图像,生成增强的脊柱CT图像。
可选地,所述形态膨胀单元601具体用于:使用第一结构元素体扫描脊柱CT图像上的体素值,以对所述脊柱CT图像进行形态膨胀处理。
可选地,所述形态膨胀单元601具体用于:按照与所述第一结构元素体等规格的方式,依次确定出所述脊柱CT图像上的目标区域;每确定出一个第一目标区域,则对所述第一结构元素体的元素值与所述第一目标区域的体素值进行与运算,将所述第一目标区域的中心体素的体素值修改为所述与运算的最大体素值,其他体素的体素值修改为0,以对所述脊柱CT图像进行形态膨胀处理。
可选地,所述形态腐蚀单元602具体用于:使用第二结构元素体扫描所述形态膨胀图像的体素值,以对所述形态膨胀图像进行形态腐蚀处理,生成形态学闭合处理图像。
可选地,所述形态腐蚀单元602具体用于:按照与所述第二结构元素体等规格的方式,依次确定出所述形态膨胀图像上的第二目标区域;每确定出一个第二目标区域,则对所述第二结构元素体的元素值与所述第二目标区域的体素值进行与运算,将所述第二目标区域的中心体素的体素值修改为所述与运算的最小体素值,其他体素的体素值修改为0,以对所述脊柱CT图像进行形态腐蚀。
可选地,所述增强图像生成单元603具体用于:基于所述脊柱CT图像与所述形态学闭合处理图像之间的体素值之差,生成脊谷特征图像;基于所述脊柱CT图像与所述脊谷特征图像的体素值之差,生成增强的脊柱CT图像。
图7为本申请实施例一种脊柱CT图像的分割装置结构示意图;如图7所示,其包括:
边缘处理单元701,用于确定在增强的脊柱CT图像上预估的前景区域和预估的背景区域之间的边缘,并基于所述边缘中的每个体素绘制有向图,所述增强的脊柱CT图像根据本申请实施例任一项所述的增强方法生成;
最小割单元702,用于根据所述有向图,确定所述增强的脊柱CT图像的最小割,以将所述增强的脊柱CT图像分割成包括有所述脊柱成像的实际前景区域、包括非脊柱图像的实际背景区域;
实际前景确定单元703,用于基于所述最小割,在所述增强的脊柱CT图像上至少确定出所述实际前景区域。
可选地,所述脊柱CT图像的分割装置还包括:预处理单元,用于在确定在增强的脊柱CT图像上预估的前景区域和预估的背景区域之间的边缘,并基于所述边缘中的每个体素绘制有向图之前,预估所述增强的脊柱CT图像上包括有脊柱CT图像的前景区域和不包括所述脊柱CT图像的背景区域,以分别生成所述预估的前景区域和预估的背景区域。
可选地,所述预处理单元具体用于:获取所述增强的脊柱CT图像上各个体素的体素值;根据设定的体素值阈值以及所述各个体素的体素值,预估所述增强的脊柱CT图像上包括有脊柱CT图像的前景区域和不包括所述脊柱CT图像的背景区域,以分别生成所述预估的前景区域和预估的背景区域。
图8为本申请实施例一种椎体成像的识别装置的结构示意图;如图8所示,其包括:
候选成像区域单元801,用于确定出实际前景区域中每个椎体的候选成像区域,以及确定出每个候选成像区域的中心和质心,所述实际前景区域根据本申请实施例任一项所述分割方法确定;
实际成像识别单元802,用于根据所述每个候选成像区域的中心和质心,识别出对应椎体的实际成像区域。
可选地,所述候选成像区域单元801具体用于:根据设定的单椎体成像区域面积阈值,确定出所述实际前景区域中每个椎体的候选成像区域。
可选地,所述实际成像识别单元802用于:分别确定所述中心和质心在X-Z坐标系中的X坐标;根据所述中心和质心的X坐标差值,以及设定的X坐标差值阈值,识别出对应椎体的实际成像区域。
可选地,所述实际成像识别单元802还用于分别确定每个质心在X-Z坐标系中的Z坐标,并对确定出的所有Z坐标进行排序;根据所述所有Z坐标的排序,识别出椎体的实际成像区域在所述脊柱CT图像上的相邻位置关系。
本申请实施例还提供一种电子设备,所述设备包括:处理器、存储器,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本申请实施例任意一项所述的方法。
本申请实施例还提供一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现本申请实施例任意一项所述的方法。
本申请实施例还提供一种脊柱手术机器人,其包括图像处理装置,所述图像处理装置用于执行如下步骤:
对所述脊柱CT图像进行形态膨胀处理,生成形态膨胀图像;
对所述形态膨胀图像进行形态腐蚀处理,生成形态学闭合处理图像;
根据所述形态学闭合处理图像,生成增强的脊柱CT图像。
确定在所述增强的脊柱CT图像上预估的前景区域和预估的背景区域之间的边缘,并基于所述边缘中的每个体素绘制有向图;
根据所述有向图,确定所述增强的脊柱CT图像的最小割,以将所述增强的脊柱CT图像分割成包括有所述脊柱成像的实际前景区域、包括非脊柱图像的实际背景区域;
基于所述最小割,在所述增强的脊柱CT图像上至少确定出所述实际前景区域;
确定出所述实际前景区域中每个椎体的候选成像区域,以及确定出每个候选成像区域的中心和质心;
根据所述每个候选成像区域的中心和质心,识别出对应椎体的实际成像区域。
图9为本申请实施例一种电子设备的具体硬件结构示意图;如图9所示,该电子设备可以包括:处理器(processor)902、通信接口(Communications Interface)904、存储器(memory)906、以及通信总线908。
其中:
处理器902、通信接口904、以及存储器906通过通信总线908完成相互间的通信。
通信接口904,用于与其它电子设备或服务器进行通信。
处理器902,用于执行程序910,具体可以执行上述校验码生成方法实施例中的相关步骤。
具体地,程序910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902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申请实施例的一个或多个集成电路。智能设备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906,用于存放程序910。存储器906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910具体可以用于使得处理器902执行本申请上述任一实施例所述的方法。
程序910中各步骤的具体实现可以参见方法实施例中的相应步骤和单元中对应的描述,在此不赘述。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程描述,在此不再赘述。
上述根据本申请实施例的方法可在硬件、固件中实现,或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如,RAM、ROM、闪存等),当所述软件或计算机代码被计算机、处理器或硬件访问且执行时,实现在此描述的校验码生成方法。此外,当通用计算机访问用于实现在此示出的校验码生成方法的代码时,代码的执行将通用计算机转换为用于执行在此示出的校验码生成方法的专用计算机。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请实施例的范围。
以上实施方式仅用于说明本申请实施例,而并非对本申请实施例的限制,有关技术领域的普通技术人员,在不脱离本申请实施例的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本申请实施例的范畴,本申请实施例的专利保护范围应由权利要求限定。
Claims (11)
1.一种脊柱CT图像的分割方法,其特征在于,包括:
确定在增强的脊柱CT图像上预估的前景区域和预估的背景区域之间的边缘,并基于所述边缘中的每个体素绘制有向图;
根据所述有向图,确定所述增强的脊柱CT图像的最小割,以将所述增强的脊柱CT图像分割成包括有所述脊柱成像的实际前景区域、包括非脊柱图像的实际背景区域;
基于所述最小割,在所述增强的脊柱CT图像上至少确定出所述实际前景区域。
2.根据权利要求1所述的方法,其特征在于,所述确定在增强的脊柱CT图像上预估的前景区域和预估的背景区域之间的边缘,并基于所述边缘中的每个体素绘制有向图之前,包括:预估所述增强的脊柱CT图像上包括有脊柱CT图像的前景区域和不包括所述脊柱CT图像的背景区域,以分别生成所述预估的前景区域和预估的背景区域。
3.根据权利要求2所述的方法,其特征在于,所述预估所述增强的脊柱CT图像上包括有脊柱CT图像的前景区域和不包括所述脊柱CT图像的背景区域,以分别生成所述预估的前景区域和预估的背景区域,包括:
获取所述增强的脊柱CT图像上各个体素的体素值;
根据设定的体素值阈值以及所述各个体素的体素值,预估所述增强的脊柱CT图像上包括有脊柱CT图像的前景区域和不包括所述脊柱CT图像的背景区域,以分别生成所述预估的前景区域和预估的背景区域。
4.一种椎体成像的识别方法,其特征在于,包括:
确定出实际前景区域中每个椎体的候选成像区域,以及确定出每个候选成像区域的中心和质心,所述实际前景区域根据权利要求1-3任一项所述分割方法确定;
根据所述每个候选成像区域的中心和质心,识别出对应椎体的实际成像区域。
5.根据权利要求4所述的方法,其特征在于,所述确定出所述实际前景区域中每个椎体的候选成像区域,包括:
根据设定的单椎体成像区域面积阈值,确定出所述实际前景区域中每个椎体的候选成像区域。
6.根据权利要求4所述的方法,其特征在于,所述根据所述每个候选成像区域的中心和质心,识别出对应椎体的实际成像区域,包括:
分别确定所述中心和质心在X-Z坐标系中的X坐标;
根据所述中心和质心的X坐标差值,以及设定的X坐标差值阈值,识别出对应椎体的实际成像区域。
7.根据权利要求4所述的方法,其特征在于,所述根据所述每个候选成像区域的中心和质心,识别出对应椎体的实际成像区域,还包括:
分别确定每个质心在X-Z坐标系中的Z坐标,并对确定出的所有Z坐标进行排序;
根据所述所有Z坐标的排序,识别出椎体的实际成像区域在所述脊柱CT图像上的相邻位置关系。
8.一种脊柱CT图像的分割装置,其特征在于,包括:
边缘处理单元,用于确定在增强的脊柱CT图像上预估的前景区域和预估的背景区域之间的边缘,并基于所述边缘中的每个体素绘制有向图;
最小割单元,用于根据所述有向图,确定所述增强的脊柱CT图像的最小割,以将所述增强的脊柱CT图像分割成包括有所述脊柱成像的实际前景区域、包括非脊柱图像的实际背景区域;
实际前景确定单元,用于基于所述最小割,在所述增强的脊柱CT图像上至少确定出所述实际前景区域。
9.一种椎体成像的识别装置,其特征在于,包括:
候选成像区域单元,用于确定出实际前景区域中每个椎体的候选成像区域,以及确定出每个候选成像区域的中心和质心,所述实际前景区域根据权利要求1-3任一项所述分割方法确定;
实际成像识别单元,用于根据所述每个候选成像区域的中心和质心,识别出对应椎体的实际成像区域。
10.一种电子设备,其特征在于,所述设备包括:
处理器、存储器,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中任意一项权利要求所述的方法。
11.一种计算机存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现权利要求1-7中任意一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111527817.0A CN114187320B (zh) | 2021-12-14 | 2021-12-14 | 脊柱ct图像的分割方法、椎体成像的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111527817.0A CN114187320B (zh) | 2021-12-14 | 2021-12-14 | 脊柱ct图像的分割方法、椎体成像的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114187320A true CN114187320A (zh) | 2022-03-15 |
CN114187320B CN114187320B (zh) | 2022-11-08 |
Family
ID=80604981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111527817.0A Active CN114187320B (zh) | 2021-12-14 | 2021-12-14 | 脊柱ct图像的分割方法、椎体成像的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187320B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984536A (zh) * | 2023-03-20 | 2023-04-18 | 慧影医疗科技(北京)股份有限公司 | 一种基于ct影像的图像处理方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163327A (zh) * | 2011-04-22 | 2011-08-24 | 陈宇珂 | 一种医用的心脏ct图像分割方法 |
US20140072212A1 (en) * | 2012-09-11 | 2014-03-13 | Thomson Licensing | Method and apparatus for bilayer image segmentation |
CN104809723A (zh) * | 2015-04-13 | 2015-07-29 | 北京工业大学 | 基于超体素和图割算法的三维肝脏ct图像自动分割方法 |
CN106600609A (zh) * | 2016-11-30 | 2017-04-26 | 上海联影医疗科技有限公司 | 一种医学图像中脊柱的分割方法及系统 |
CN106709925A (zh) * | 2016-12-30 | 2017-05-24 | 上海联影医疗科技有限公司 | 医学图像中椎块的定位方法及其装置 |
CN107358626A (zh) * | 2017-07-17 | 2017-11-17 | 清华大学深圳研究生院 | 一种利用条件生成对抗网络计算视差的方法 |
CN107678655A (zh) * | 2017-10-11 | 2018-02-09 | 上海展扬通信技术有限公司 | 一种图像要素提取方法及图像要素提取系统 |
CN109886193A (zh) * | 2019-02-21 | 2019-06-14 | 电子科技大学 | 一种卷云检测方法、设备及计算机可读存储介质 |
CN110689548A (zh) * | 2019-09-29 | 2020-01-14 | 浪潮电子信息产业股份有限公司 | 一种医学图像分割方法、装置、设备及可读存储介质 |
CN111724389A (zh) * | 2020-04-30 | 2020-09-29 | 北京天智航医疗科技股份有限公司 | 髋关节ct图像分割方法、装置、存储介质和计算机设备 |
CN113205535A (zh) * | 2021-05-27 | 2021-08-03 | 青岛大学 | 一种x光片脊椎自动分割及标识方法 |
-
2021
- 2021-12-14 CN CN202111527817.0A patent/CN114187320B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163327A (zh) * | 2011-04-22 | 2011-08-24 | 陈宇珂 | 一种医用的心脏ct图像分割方法 |
US20140072212A1 (en) * | 2012-09-11 | 2014-03-13 | Thomson Licensing | Method and apparatus for bilayer image segmentation |
CN104809723A (zh) * | 2015-04-13 | 2015-07-29 | 北京工业大学 | 基于超体素和图割算法的三维肝脏ct图像自动分割方法 |
CN106600609A (zh) * | 2016-11-30 | 2017-04-26 | 上海联影医疗科技有限公司 | 一种医学图像中脊柱的分割方法及系统 |
CN106709925A (zh) * | 2016-12-30 | 2017-05-24 | 上海联影医疗科技有限公司 | 医学图像中椎块的定位方法及其装置 |
CN107358626A (zh) * | 2017-07-17 | 2017-11-17 | 清华大学深圳研究生院 | 一种利用条件生成对抗网络计算视差的方法 |
CN107678655A (zh) * | 2017-10-11 | 2018-02-09 | 上海展扬通信技术有限公司 | 一种图像要素提取方法及图像要素提取系统 |
CN109886193A (zh) * | 2019-02-21 | 2019-06-14 | 电子科技大学 | 一种卷云检测方法、设备及计算机可读存储介质 |
CN110689548A (zh) * | 2019-09-29 | 2020-01-14 | 浪潮电子信息产业股份有限公司 | 一种医学图像分割方法、装置、设备及可读存储介质 |
CN111724389A (zh) * | 2020-04-30 | 2020-09-29 | 北京天智航医疗科技股份有限公司 | 髋关节ct图像分割方法、装置、存储介质和计算机设备 |
CN113205535A (zh) * | 2021-05-27 | 2021-08-03 | 青岛大学 | 一种x光片脊椎自动分割及标识方法 |
Non-Patent Citations (1)
Title |
---|
王浩等: ""一种基于极大特征点的三维椎骨分割方法"", 《图学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984536A (zh) * | 2023-03-20 | 2023-04-18 | 慧影医疗科技(北京)股份有限公司 | 一种基于ct影像的图像处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114187320B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chan et al. | Effective pneumothorax detection for chest X-ray images using local binary pattern and support vector machine | |
WO2019200753A1 (zh) | 病变监测方法、装置、计算机设备和存储介质 | |
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
CN109636808B (zh) | 一种基于全卷积神经网络的肺叶分割方法 | |
JP4310099B2 (ja) | 肺疾患検出のための方法及びシステム | |
Van Rikxoort et al. | Automatic segmentation of pulmonary segments from volumetric chest CT scans | |
US8761475B2 (en) | System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans | |
JP2002503861A (ja) | 胸部x線写真における肺領域と肋骨横隔膜角の自動描画方法とシステム | |
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
CN113034426A (zh) | 超声图像病灶描述方法、装置、计算机设备和存储介质 | |
JPH1156828A (ja) | 異常陰影候補検出方法および装置 | |
CN111008984A (zh) | 医学影像中正常器官的轮廓线自动勾画方法及系统 | |
JP2003523801A (ja) | コンピュータ断層撮影走査における肺部位の自動分割ための方法およびシステム | |
CN109124662B (zh) | 肋骨中心线检测装置及方法 | |
RU2654199C1 (ru) | Сегментация тканей человека на компьютерном изображении | |
Cuadros Linares et al. | Mandible and skull segmentation in cone beam computed tomography using super-voxels and graph clustering | |
US20230005140A1 (en) | Automated detection of tumors based on image processing | |
CN111260669A (zh) | 基于ct图像的肺叶分割方法和装置 | |
CN111311626A (zh) | 基于ct图像的颅骨骨折自动检测方法及电子介质 | |
CN114187320B (zh) | 脊柱ct图像的分割方法、椎体成像的识别方法及装置 | |
Zhang et al. | An algorithm for automatic rib fracture recognition combined with nnU-Net and DenseNet | |
US20140140603A1 (en) | Clavicle suppression in radiographic images | |
CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
JP7456928B2 (ja) | 胸部x線画像の異常表示制御方法、異常表示制御プログラム、異常表示制御装置、及びサーバ装置 | |
Mortaheb et al. | Metal artifact reduction and segmentation of dental computerized tomography images using least square support vector machine and mean shift algorithm |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 100191 Room 501, floor 5, building 9, No. 35 Huayuan North Road, Haidian District, Beijing Applicant after: Beijing Baihui Weikang Technology Co.,Ltd. Address before: 100191 Room 608, 6 / F, building 9, 35 Huayuan North Road, Haidian District, Beijing Applicant before: Beijing Baihui Wei Kang Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |