CN114782472B - 一种ct图像的分割方法及装置 - Google Patents

一种ct图像的分割方法及装置 Download PDF

Info

Publication number
CN114782472B
CN114782472B CN202210709596.7A CN202210709596A CN114782472B CN 114782472 B CN114782472 B CN 114782472B CN 202210709596 A CN202210709596 A CN 202210709596A CN 114782472 B CN114782472 B CN 114782472B
Authority
CN
China
Prior art keywords
image
voxel
voxels
initial segmentation
candidate
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
CN202210709596.7A
Other languages
English (en)
Other versions
CN114782472A (zh
Inventor
李明
申明宇
沈丽萍
牛乾
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.)
Hangzhou Santan Medical Technology Co Ltd
Original Assignee
Hangzhou Santan Medical Technology 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 Hangzhou Santan Medical Technology Co Ltd filed Critical Hangzhou Santan Medical Technology Co Ltd
Priority to CN202210709596.7A priority Critical patent/CN114782472B/zh
Publication of CN114782472A publication Critical patent/CN114782472A/zh
Application granted granted Critical
Publication of CN114782472B publication Critical patent/CN114782472B/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
    • G06T7/12—Edge-based 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施例提供了一种CT图像的分割方法及装置，方法包括：获取待分割目标的CT图像，对CT图像进行初始分割，得到初始分割图像；针对每一类别的初始分割结果，将到达第一体素构成的边界平面的距离不超过预设阈值的体素确定为候选体素，并基于候选体素与边界平面的距离，将候选体素的体素值转换为目标值；针对每一类别的初始分割结果，将候选体素与预设的低通滤波矩阵进行迭代卷积，针对每次卷积结果，判断由零值体素构成的边界平面是否闭合，若是，将当前的分割结果确定该类别的最终分割结果。对传统的分割方法中分割不完整的孔洞部分进行填充和修复，实现快速、高质量的CT图像分割。

Description

一种CT图像的分割方法及装置
技术领域
本发明涉及图像处理技术领域，特别是涉及一种CT图像的分割方法及装置。
背景技术
近年来，随着图像处理技术的飞速发展，其在医学领域的应用越来越多，并且逐步将医学图像处理技术应用于临床手术。
其中，CT图像对人体骨骼有很好的成像效果，因此在骨科手术中有极其广泛的应用。
大部分医学图像处理软件在处理患者的原始图像时，都需要对图像中的感兴趣区域进行分割。以CT图像在骨科中的应用为例，需要对CT图像中的骨骼进行分割，提取每一块完整的骨骼，便于后续的处理和操作。
目前对CT中的骨骼分割主要分为三种，包括人工分割，传统分割方法和机器学习方法。其中，人工分割是利用交互式软件，利用鼠标手动对图像中的分割区域进行勾画，获得分割图像；传统分割方法为半自动分割，需要用户提供待分割目标的前景，利用最优化的方法分割出目标；机器学习方法是全自动分割，需要大量的图像数据和人工标注作为模型的训练和测试数据。
然而，上述方法均存在一定的缺点，具体如下：
1）人工分割的缺点：由于一组CT图像由几十至上百张二维图像组成，人工分割需要在每张图像中对分割区域进行勾画，工作量巨大。对于术中采集的CT图像，更加不可能占用手术时间进行人工分割。
2）传统分割方法的缺点：传统分割方法在分割图像时会出现分割不完整的情况，例如漏掉了部分体素，或者分割区域中出现孔洞。
3）机器学习方法的缺点：极其依赖训练数据，需要大量的患者图像，并需要提前对数据进行人工标注，非常耗费时间和人力，工作量巨大；此外机器学习方法的泛化能力较弱，例如训练数据都是从A医院获取的，机器学习模型可能在B医院的数据上得到完全错误的结果。
发明内容
本发明实施例的目的在于提供一种CT图像的分割方法及装置，对传统的分割方法中分割不完整的孔洞部分进行填充和修复，实现快速、高质量的CT图像分割。具体技术方案如下：
为实现上述目的，本申请实施例提供了一种CT图像的分割方法，所述方法包括：
获取待分割目标的CT图像，并对所述CT图像进行初始分割，得到初始分割图像；所述初始分割图像包含至少一个类别的初始分割结果；每一类别的初始分割结果均包含二值体素，所述二值体素包括：体素值为非零且表示目标物体的第一体素、体素值为零且表示非目标物体的第二体素；
针对每一类别的初始分割结果，将到达所述第一体素构成的边界平面的距离不超过预设阈值的体素确定为候选体素，并基于所述候选体素与所述边界平面的距离，将所述候选体素的体素值转换为目标值；其中，所述目标值的绝对值与所述距离成正比，且所述候选体素与所述边界平面的内外位置关系决定所述候选体素的目标值的正负；
针对每一类别的初始分割结果，将所述候选体素与预设的低通滤波矩阵进行迭代卷积，针对每次卷积结果，判断由零值体素构成的边界平面是否闭合，若是，将当前的分割结果确定为该类别的最终分割结果。
可选的，在对所述CT图像进行初始分割之前，所述方法还包括：
设置最高灰度阈值和最低灰度阈值，将灰度值大于所述最高灰度阈值或小于所述最低灰度阈值的体素设置为预设灰度。
可选的，所述对所述CT图像进行初始分割，得到初始分割图像的步骤，包括：
采用区域生长算法对所述CT图像进行处理，得到初始分割图像。
可选的，所述CT图像为三维的CT骨骼图像。
为实现上述目的，本申请实施例还提供了一种CT图像的分割装置，所述装置包括：
初始分割模块，用于获取待分割目标的CT图像，并对所述CT图像进行初始分割；所述初始分割图像包含至少一个类别的初始分割结果；每一类别的初始分割结果均包含二值体素，所述二值体素包括：体素值为非零且表示目标物体的第一体素、体素值为零且表示非目标物体的第二体素；
转换模块，用于针对每一类别的初始分割结果，将到达所述第一体素构成的边界平面的距离不超过预设阈值的体素确定为候选体素，并基于所述候选体素与所述边界平面的距离，将所述候选体素的体素值转换为目标值；其中，所述目标值的绝对值与所述距离成正比，且所述候选体素与所述边界平面的内外位置关系决定所述候选体素的目标值的正负；
卷积模块，用于针对每一类别的初始分割结果，将所述候选体素与预设的低通滤波矩阵进行迭代卷积，针对每次卷积结果，判断由零值体素构成的边界平面是否闭合，若是，将当前的分割结果确定为该类别的最终分割结果。
可选的，所述装置还包括：
设置模块，用于设置最高灰度阈值和最低灰度阈值，将灰度值大于所述最高灰度阈值或小于所述最低灰度阈值的体素设置为预设灰度。
可选的，所述初始分割模块，具体用于：
采用区域生长算法对所述CT图像进行处理，得到初始分割图像。
可选的，所述CT图像为三维的CT骨骼图像。
为实现上述目的，本申请实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一方法步骤。
为实现上述目的，本申请实施例还提供了一种计算机可读存储介质，所述计算机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述任一方法步骤。
本发明实施例有益效果：
应用本申请实施例提供的方法及装置，获取待分割目标的CT图像，并对所述CT图像进行初始分割，得到初始分割图像；初始分割图像包含至少一个类别的初始分割结果；每一类别的初始分割结果均包含二值体素，二值体素包括：体素值为非零且表示目标物体的第一体素、体素值为零且表示非目标物体的第二体素；针对每一类别的初始分割结果，将到达第一体素构成的边界平面的距离不超过预设阈值的体素确定为候选体素，并基于候选体素与边界平面的距离，将候选体素的体素值转换为目标值；其中，目标值的绝对值与距离成正比，且候选体素与边界平面的内外位置关系决定候选体素的目标值的正负；针对每一类别的初始分割结果，将候选体素与预设的低通滤波矩阵进行迭代卷积，针对每次卷积结果，判断由零值体素构成的边界平面是否闭合，若是，将当前的分割结果确定该类别的最终分割结果。
可见，采用传统的分割方式，相比于人工分割方式和机器学习方式，无需耗费大量人力物力，无需进行人工标注。并且，将位于边界平面附近的第二体素的体素值转换为非零的目标值，并根据第二体素到达边界平面的距离决定目标值的绝对值，根据第二体素与边界平面的内外位置关系决定目标值的正负值。然后与低通滤波器进行迭代卷积，借助卷积操作逐渐修复孔洞，当由零值体素构成的边界平面闭合时，表征初始分割结果中，分割不完整导致的孔洞部分已完成填充和修复。整个图像分割过程便捷高效，能够快速准确地获得CT图像的分割结果。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
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，还可以根据这些附图获得其他的实施例。
图1为本申请实施例提供的CT图像的分割方法的一种流程示意图；
图2（a）为本申请实施例提供的CT图像的分割过程中二维截面的第一种示意图；图2（b）为本申请实施例提供的CT图像的分割过程中二维截面的第二种示意图；图2（c）为本申请实施例提供的CT图像的分割过程中二维截面的第三种示意图；图2（d）为本申请实施例提供的CT图像的分割过程中二维截面的第四种示意图；图2（e）为本申请实施例提供的CT图像的分割过程中二维截面的第五种示意图；
图3（a）为本申请实施例提供的CT图像的初始分割结果的一种示意图；图3（b）为本申请实施例提供的CT图像的最终分割结果的一种示意图；
图4为本申请实施例提供的CT图像的分割装置的一种结构示意图；
图5为本申请实施例提供的电子设备的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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基于本申请所获得的所有其他实施例，都属于本发明保护的范围。
CT图像在骨科中应用时，需要对CT图像中的骨骼进行分割，提取每一块完整的骨骼，便于后续的处理和操作。
为了解决传统分割方法中分割区域中出现孔洞、分割不完整的技术问题，本申请实施例提供了一种CT图像的分割方法及装置。
参见图1，图1为本申请实施例提供的CT图像的分割方法的一种流程示意图，如图1所示，方法可以包括以下步骤：
S101：获取待分割目标的CT图像，并对所述CT图像进行初始分割，得到初始分割图像；所述初始分割图像包含至少一个类别的初始分割结果；每一类别的初始分割结果均包含二值体素，所述二值体素包括：体素值为非零且表示目标物体的第一体素、体素值为零且表示非目标物体的第二体素。
本申请实施例中，由于CT图像对人体骨骼有很好的成像效果，因此待分割目标的CT图像可以是三维的CT骨骼图像，对CT骨骼图像的分割是为了提取每一块完整的骨骼。当然待分割目标的CT图像也可以是呈现其他内容的CT图像，例如包含软组织的CT图像。
本领域技术人员可以理解，采用CT(Computed Tomography)，即计算机断层扫描设备，用射线束对人体某部一定厚度的层面进行扫描，由探测器接收透过该层面的射线，转变为可见光后，由光电转换变为电信号，再经模拟/数字转换器转为数字，输入计算机处理，得到CT图像。CT图像中基本组成单元被称为体素（voxel）。
在获取CT图像后，可以采用传统的图像分割方法进行初始分割，得到初始分割图像。
在本申请的一种实施例中，在对CT图像进行初始分割之前，方法还可以包括：
设置最高灰度阈值和最低灰度阈值，将灰度值大于所述最高灰度阈值和小于所述最低灰度阈值的体素设置为预设灰度。
具体的，CT图像中部分体素的灰度值过低或过高，显然不属于目标物体，因此为了在初始分割过程中降低计算量，设置最低阈值和最高阈值，对大于最高阈值的体素和小于最低阈值的体素设置一个低灰度值，例如-1000亨氏单位(Hounsfield unit，Hu)，然后再进行初始分割。
本申请的一个实施例中，可以采用区域生长算法对CT图像进行处理，得到初始分割图像。
具体的，区域生长算法的基本思想是：先确定种子点，种子点可以是单个体素，也可以是某个小区域。随后将与该种子点性质相似的相邻体素或者区域合并，然后将这些新体素作为新的种子点，继续进行上述操作，直到满足条件的体素被包括进来，至此种子点已经不能生长，这样一个区域就形成了。
作为一个示例，对于三维的CT骨骼图像，可以在骨骼表面设置不同的种子点，不同的种子点代表不同的分割类别，进而利用区域生长算法，得到多个类别的初始分割结果。
举例来讲，三维的CT骨骼图像包含股骨和胫骨，在采用区域生长算法进行初始分割的过程中，可以分别在股骨和胫骨的骨骼表面选取一个或多个种子点，然后运行区域生长算法，得到两个类别的初始分割结果，其中一个类别对应股骨，另一个类别对应胫骨。
每一类别的初始分割结果可以由二值体素构成，其中，第一体素表示分割得到的目标物体的体素，例如，表示大腿骨或小腿骨的体素，初始分割结果中，第一体素的体素值非零；第二体素表示非目标物体的体素，初始分割结果中，第二体素的体素值为零。
S102：针对每一类别的初始分割结果，将到达所述第一体素构成的边界平面的距离不超过预设阈值的体素确定为候选体素，并基于所述候选体素与所述边界平面的距离，将所述候选体素的体素值转换为目标值；其中，所述目标值的绝对值与所述距离成正比，且所述候选体素与所述边界平面的内外位置关系决定所述候选体素的目标值的正负。
对于每一类别的初始分割结果，可能出现孔洞、分割不完整的情况，因此本申请实施例中，通过后续处理对分割不完整的孔洞部分进行填充和修复。
由于第一体素表示目标物体，因此第一体素可以构成该目标物体的边界平面，例如骨骼的边界平面。本步骤中，可以将到达第一体素构成的边界平面的距离不超过预设阈值的体素确定为候选体素，然后基于候选体素与边界平面的距离，将候选体素的体素值转换为目标值。其中，目标值的绝对值与距离成正比，且候选体素与边界平面的内外位置关系决定候选体素的目标值的正负。
作为一个示例，预设阈值为5个体素单位。那么对于第二体素，如果该第二体素到达第一体素构成的边界平面的距离小于5个体素单位，则将其确定为候选体素。
本申请实施例中，将候选体素的体素值转换为目标值。其中，目标值的绝对值与距离成正比，且候选体素与边界平面的内外位置关系决定候选体素的目标值的正负。
具体的，当候选体素位于边界平面内部时，目标值为正值；当候选体素位于边界平面外部时，目标值为负值；当候选体素位于边界平面时，目标值为零。
作为一个示例，目标值的预设范围可以为【-1，1】。那么对于位于边界平面外部、且到达边界平面的距离为3个体素单位的第二体素，可以将其体素值转换为-0.6；对于位于边界平面内部、且到达边界平面的距离为2个体素单位的第二体素，可以将其体素值转换为+0.4。
对于第一体素，由于其本身位于边界平面，因此第一体素的体素值均被转换为零。
在具体实施中，可以采用符号距离函数（sign distance function，SDF）对候选体素进行处理。其中，符号距离函数是度量空间中一个集合的函数，决定空间中任一点到边界的距离，并且根据点在区域边界的内外关系，决定距离的正负号，点在区域边界内部为正，外部为负，位于边界上为0。
S103：针对每一类别的初始分割结果，将所述候选体素与预设的低通滤波矩阵进行迭代卷积，针对每次卷积结果，判断由零值体素构成的边界平面是否闭合，若是，将当前的分割结果确定该类别的最终分割结果。
步骤S102中，对位于边界平面附近的第二体素的体素值进行了转换，转换为非零体素，而原本位于边界平面的第一体素的体素值转换为零。
本步骤中，将这些候选体素与预设的低通滤波器kernel进行卷积操作。
其中，低通滤波器kernel是3*3*3的矩阵，因此可以称为低通滤波矩阵。
经过实际测算，低通滤波矩阵可以任意选取，只要能够实现低通滤波的效果即可。举例来讲，低通滤波矩阵可以是：
[[[0,0,0],[0,1,0],[0,0,0]]，
[[0,1,0],[1,1,1],[0,1,0]]，
[[0,0,0],[0,1,0],[0,0,0]]]。
或者
[[[1,1,1],[1,1,1],[1,1,1]]，
[[1,1,1],[1,1,1],[1,1,1]]，
[[1,1,1],[1,1,1],[1,1,1]]]。
本申请实施例中，可以迭代进行卷积运算，在每次卷积后，候选体素的范围可以沿边界的法向量方向向外扩展。例如，原来的计算范围是以中心像素周围5*5*5的计算区域，一次卷积后可以扩大为以中心像素周围7*7*7的计算区域。
在每次卷积运算后，候选体素的值会产生变化，但零体素值构成的平面仍然表示边界平面。因此，针对每次卷积结果，判断由零值体素构成的边界平面是否闭合，若是，表示初始分割结果中由于分割不完整导致的孔洞部分已完成填充和修复，则将当前的分割结果确定为该类别的最终分割结果。
具体的，针对每次卷积运算后的CT图像，可以基于Marching Cubes算法确定各个类别的分割结果中体素值为零的等值平面，该等值平面即为该类别的分割结果中的边界平面。
针对各个类别的分割结果，均执行S102-S103，直到该类别的分割结果中不存在孔洞区域。至此，整个CT图像的分割完成。
承接上文提到的例子，对包含股骨和胫骨的CT图像进行分割，最终提取完整的股骨和胫骨，均不包含孔洞区域。
应用本申请实施例提供的CT图像的分割方法，获取待分割的CT图像，并对CT图像进行初始分割，得到初始分割图像；初始分割图像包含至少一个类别的初始分割结果；每一类别的初始分割结果均包含二值体素，二值体素包括：体素值为非零且表示目标物体的第一体素、体素值为零且表示非目标物体的第二体素；针对每一类别的初始分割结果，将到达第一体素构成的边界平面的距离不超过预设阈值的体素确定为候选体素，并基于候选体素与边界平面的距离，将候选体素的体素值转换为目标值；其中，目标值的绝对值与距离成正比，且候选体素与边界平面的内外位置关系决定候选体素的目标值的正负；针对每一类别的初始分割结果，将候选体素与预设的低通滤波矩阵进行迭代卷积，针对每次卷积结果，判断由零值体素构成的边界平面是否闭合，若是，将当前的分割结果确定该类别的最终分割结果。
可见，采用传统的分割方式，相比于人工分割方式和机器学习方式，无需耗费大量人力物力，无需进行人工标注。并且，将位于边界平面附近的第二体素的体素值转换为非零的目标值，并根据第二体素到达边界平面的距离决定目标值的绝对值，根据第二体素与边界平面的内外位置关系决定目标值的正负值。然后与低通滤波器进行迭代卷积，借助卷积操作逐渐修复孔洞，当由零值体素构成的边界平面闭合时，表征初始分割结果中，分割不完整导致的孔洞部分已完成填充和修复。整个图像分割过程便捷高效，能够快速准确地获得CT图像的分割结果。
下面结合附图，对本申请的CT图像的分割方法进行进一步说明。
参见图2（a）-图2（e），由于CT图像是三维图像，难以示出，因此图2（a）-图2（e）仅示出分割过程中CT图像二维截面的显示效果。图2（a）-图2（e）展示了CT图像的分割过程中二维截面的一种渐变过程。
图2（a）中，白色为边界平面的内部区域，黑色为边界平面的外部区域，黑色和白色中间的部分是分割边界，两条分割边界未闭合，在二维的截面上显示效果为未闭合，那么相对应的三维的CT图像中，会显示出孔洞。
如图所示，随着卷积迭代操作，分割边界逐渐闭合。图2（b）中，分割边界逐渐扩展；图2（c）中，内表面和外面表面开始相互接触；图2（d）中，分割边界闭合；图2（e）中，边界收敛。
可见，对初始分割结果中分割不完整导致的孔洞区域进行了填充和修复，最终得到分割结果质量好，且分割区域完全封闭。
下面结合图3（a）-图3（b）对孔洞区域的修复效果进行描述。
图3（a）为本申请实施例提供的CT图像的初始分割结果的一种示意图，可见，经过初始分割后，脚骨部分有漏掉的体素，即分割不完整导致出现了孔洞。
图3（b）为本申请实施例提供的CT图像的最终分割结果的一种示意图，可见，采用本申请实施例提供的CT图像的分割方法，对初始分割结果中分割不完整导致的孔洞区域进行了填充和修复，最终的分割结果质量较高。
参见图4，图4为本申请实施例提供的CT图像的分割装置的一种结构示意图，如图4所示，包括：
初始分割模块401，用于获取待分割目标的CT图像，并对所述CT图像进行初始分割，得到初始分割图像；所述初始分割图像包含至少一个类别的初始分割结果；每一类别的初始分割结果均包含二值体素，所述二值体素包括：体素值为非零且表示目标物体的第一体素、体素值为零且表示非目标物体的第二体素；
转换模块402，用于针对每一类别的初始分割结果，将到达所述第一体素构成的边界平面的距离不超过预设阈值的体素确定为候选体素，并基于所述候选体素与所述边界平面的距离，将所述候选体素的体素值转换为目标值；其中，所述目标值的绝对值与所述距离成正比，且所述候选体素与所述边界平面的内外位置关系决定所述候选体素的目标值的正负；
卷积模块403，用于针对每一类别的初始分割结果，将候选体素与预设的低通滤波矩阵进行迭代卷积，针对每次卷积结果，判断由零值体素构成的边界平面是否闭合，若是，将当前的分割结果确定该类别的最终分割结果。
本申请的一个实施例中，在图4所示装置基础上，还可以包括：
设置模块，用于设置最高灰度阈值和最低灰度阈值，将灰度值大于所述最高灰度阈值或小于所述最低灰度阈值的体素设置为预设灰度。
本申请的一个实施例中，所述初始分割模块，具体用于：
采用区域生长算法对所述CT图像进行处理，得到初始分割图像。
本申请的一个实施例中，所述CT图像为三维的CT骨骼图像。
应用本申请实施例提供的CT图像的分割装置，获取待分割目标的CT图像，并对所述CT图像进行初始分割，得到初始分割图像；初始分割图像包含至少一个类别的初始分割结果；每一类别的初始分割结果均包含二值体素，二值体素包括：体素值为非零且表示目标物体的第一体素、体素值为零且表示非目标物体的第二体素；针对每一类别的初始分割结果，将到达第一体素构成的边界平面的距离不超过预设阈值的体素确定为候选体素，并基于候选体素与边界平面的距离，将候选体素的体素值转换为目标值；其中，目标值的绝对值与距离成正比，且候选体素与边界平面的内外位置关系决定候选体素的目标值的正负；针对每一类别的初始分割结果，将候选体素与预设的低通滤波矩阵进行迭代卷积，针对每次卷积结果，判断由零值体素构成的边界平面是否闭合，若是，将当前的分割结果确定该类别的最终分割结果。
可见，采用传统的分割方式，相比于人工分割方式和机器学习方式，无需耗费大量人力物力，无需进行人工标注。并且，将位于边界平面附近的第二体素的体素值转换为非零的目标值，并根据第二体素到达边界平面的距离决定目标值的绝对值，根据第二体素与边界平面的内外位置关系决定目标值的正负值。然后与低通滤波器进行迭代卷积，借助卷积操作逐渐修复孔洞，当由零值体素构成的边界平面闭合时，表征初始分割结果中，分割不完整导致的孔洞部分已完成填充和修复。整个图像分割过程便捷高效，能够快速准确地获得CT图像的分割结果。
本发明实施例还提供了一种电子设备，如图5所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，
存储器503，用于存放计算机程序；
处理器501，用于执行存储器503上所存放的程序时，实现如下步骤：
获取待分割目标的CT图像，并对所述CT图像进行初始分割，得到初始分割图像；所述初始分割图像包含至少一个类别的初始分割结果；每一类别的初始分割结果均包含二值体素，所述二值体素包括：体素值为非零且表示目标物体的第一体素、体素值为零且表示非目标物体的第二体素；
针对每一类别的初始分割结果，将到达所述第一体素构成的边界平面的距离不超过预设阈值的体素确定为候选体素，并基于所述候选体素与所述边界平面的距离，将所述候选体素的体素值转换为目标值；其中，所述目标值的绝对值与所述距离成正比，且所述候选体素与所述边界平面的内外位置关系决定所述候选体素的目标值的正负；
针对每一类别的初始分割结果，将候选体素与预设的低通滤波矩阵进行迭代卷积，针对每次卷积结果，判断由零值体素构成的边界平面是否闭合，若是，将当前的分割结果确定该类别的最终分割结果。
应用本申请实施例提供的电子设备，获取待分割目标的CT图像，并对所述CT图像进行初始分割，得到初始分割图像；初始分割图像包含至少一个类别的初始分割结果；每一类别的初始分割结果均包含二值体素，二值体素包括：体素值为非零且表示目标物体的第一体素、体素值为零且表示非目标物体的第二体素；针对每一类别的初始分割结果，将到达第一体素构成的边界平面的距离不超过预设阈值的体素确定为候选体素，并基于候选体素与边界平面的距离，将候选体素的体素值转换为目标值；其中，目标值的绝对值与距离成正比，且候选体素与边界平面的内外位置关系决定候选体素的目标值的正负；针对每一类别的初始分割结果，将候选体素与预设的低通滤波矩阵进行迭代卷积，针对每次卷积结果，判断由零值体素构成的边界平面是否闭合，若是，将当前的分割结果确定该类别的最终分割结果。
可见，采用传统的分割方式，相比于人工分割方式和机器学习方式，无需耗费大量人力物力，无需进行人工标注。并且，将位于边界平面附近的第二体素的体素值转换为非零的目标值，并根据第二体素到达边界平面的距离决定目标值的绝对值，根据第二体素与边界平面的内外位置关系决定目标值的正负值。然后与低通滤波器进行迭代卷积，借助卷积操作逐渐修复孔洞，当由零值体素构成的边界平面闭合时，表征初始分割结果中，分割不完整导致的孔洞部分已完成填充和修复。整个图像分割过程便捷高效，能够快速准确地获得CT图像的分割结果。
上述电子设备提到的通信总线可以是外设部件互连标准（Peripheral ComponentInterconnect，PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，EISA）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器（Random Access Memory，RAM），也可以包括非易失性存储器（Non-Volatile Memory，NVM），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital SignalProcessor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，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。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机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述任一CT图像的分割方法方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一CT图像的分割方法方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质（例如固态硬盘Solid State Disk (SSD)）等。
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CT图像的分割装置、电子设备、计算机可读存储介质、计算机程序产品实施例而言，由于其基本相似于CT图像的分割方法实施例，所以描述的比较简单，相关之处参见CT图像的分割方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (10)

1.一种CT图像的分割方法，其特征在于，所述方法包括：
获取待分割目标的CT图像，并对所述CT图像进行初始分割，得到初始分割图像；所述初始分割图像包含至少一个类别的初始分割结果；每一类别的初始分割结果均包含二值体素，所述二值体素包括：体素值为非零且表示目标物体的第一体素、体素值为零且表示非目标物体的第二体素；
针对每一类别的初始分割结果，将到达所述第一体素构成的边界平面的距离不超过预设阈值的体素确定为候选体素，并基于所述候选体素与所述边界平面的距离，将所述候选体素的体素值转换为目标值；其中，所述目标值的绝对值与所述距离成正比，且所述候选体素与所述边界平面的内外位置关系决定所述候选体素的目标值的正负；
针对每一类别的初始分割结果，将所述候选体素与预设的低通滤波矩阵进行迭代卷积，针对每次卷积结果，判断由零值体素构成的边界平面是否闭合，若是，将当前的分割结果确定为该类别的最终分割结果。
2.根据权利要求1所述的方法，其特征在于，在对所述CT图像进行初始分割之前，所述方法还包括：
设置最高灰度阈值和最低灰度阈值，将灰度值大于所述最高灰度阈值和小于所述最低灰度阈值的体素设置为预设灰度。
3.根据权利要求1所述的方法，其特征在于，所述对所述CT图像进行初始分割，得到初始分割图像的步骤，包括：
采用区域生长算法对所述CT图像进行处理，得到初始分割图像。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述CT图像为三维的CT骨骼图像。
5.一种CT图像的分割装置，其特征在于，所述装置包括：
初始分割模块，用于获取待分割目标的CT图像，并对所述CT图像进行初始分割，得到初始分割图像；所述初始分割图像包含至少一个类别的初始分割结果；每一类别的初始分割结果均包含二值体素，所述二值体素包括：体素值为非零且表示目标物体的第一体素、体素值为零且表示非目标物体的第二体素；
转换模块，用于针对每一类别的初始分割结果，将到达所述第一体素构成的边界平面的距离不超过预设阈值的体素确定为候选体素，并基于所述候选体素与所述边界平面的距离，将所述候选体素的体素值转换为目标值；其中，所述目标值的绝对值与所述距离成正比，且所述候选体素与所述边界平面的内外位置关系决定所述候选体素的目标值的正负；
卷积模块，用于针对每一类别的初始分割结果，将所述候选体素与预设的低通滤波矩阵进行迭代卷积，针对每次卷积结果，判断由零值体素构成的边界平面是否闭合，若是，将当前的分割结果确定为该类别的最终分割结果。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
设置模块，用于设置最高灰度阈值和最低灰度阈值，将灰度值大于所述最高灰度阈值或小于所述最低灰度阈值的体素设置为预设灰度。
7.根据权利要求5所述的装置，其特征在于，所述初始分割模块，具体用于：
采用区域生长算法对所述CT图像进行处理，得到初始分割图像。
8.根据权利要求5-7任一项所述的装置，其特征在于，所述CT图像为三维的CT骨骼图像。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-4任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机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1-4任一所述的方法步骤。
CN202210709596.7A 2022-06-22 2022-06-22 一种ct图像的分割方法及装置 Active CN114782472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210709596.7A CN114782472B (zh) 2022-06-22 2022-06-22 一种ct图像的分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210709596.7A CN114782472B (zh) 2022-06-22 2022-06-22 一种ct图像的分割方法及装置

Publications (2)

Publication Number Publication Date
CN114782472A CN114782472A (zh) 2022-07-22
CN114782472B true CN114782472B (zh) 2022-10-14

Family

ID=82422282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210709596.7A Active CN114782472B (zh) 2022-06-22 2022-06-22 一种ct图像的分割方法及装置

Country Status (1)

Country Link
CN (1) CN114782472B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651842A (zh) * 2016-12-09 2017-05-10 江西中科九峰智慧医疗科技有限公司 一种ct影像肺结节种子点自动获取和分割方法
CN107516314A (zh) * 2017-08-25 2017-12-26 山东大学 医学图像超体素分割方法和装置
CN109685768A (zh) * 2018-11-28 2019-04-26 心医国际数字医疗系统(大连)有限公司 基于肺部ct序列的肺结节自动检测方法及系统
EP3493154A1 (en) * 2017-12-01 2019-06-05 Koninklijke Philips N.V. Segmentation system for segmenting an object in an image
CN111223116A (zh) * 2020-01-17 2020-06-02 中国人民解放军国防科学技术大学 一种面向破碎边缘目标的两阶段边缘检测方法及装置
CN111260673A (zh) * 2020-01-17 2020-06-09 中国人民解放军国防科学技术大学 一种适用边缘破碎脏器造影的脏器实质分割方法及装置
CN112800259A (zh) * 2021-04-07 2021-05-14 武汉市真意境文化科技有限公司 一种基于边缘闭合与共性检测的图像生成方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201720059D0 (en) * 2017-12-01 2018-01-17 Ucb Biopharma Sprl Three-dimensional medical image analysis method and system for identification of vertebral fractures

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651842A (zh) * 2016-12-09 2017-05-10 江西中科九峰智慧医疗科技有限公司 一种ct影像肺结节种子点自动获取和分割方法
CN107516314A (zh) * 2017-08-25 2017-12-26 山东大学 医学图像超体素分割方法和装置
EP3493154A1 (en) * 2017-12-01 2019-06-05 Koninklijke Philips N.V. Segmentation system for segmenting an object in an image
CN109685768A (zh) * 2018-11-28 2019-04-26 心医国际数字医疗系统(大连)有限公司 基于肺部ct序列的肺结节自动检测方法及系统
CN111223116A (zh) * 2020-01-17 2020-06-02 中国人民解放军国防科学技术大学 一种面向破碎边缘目标的两阶段边缘检测方法及装置
CN111260673A (zh) * 2020-01-17 2020-06-09 中国人民解放军国防科学技术大学 一种适用边缘破碎脏器造影的脏器实质分割方法及装置
CN112800259A (zh) * 2021-04-07 2021-05-14 武汉市真意境文化科技有限公司 一种基于边缘闭合与共性检测的图像生成方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Automatic Liver Segmentation Using Multi-plane Integrated Fully Convolutional Neural Networks;Chi Wang等;《2018 IEEE International Conference on Bioinformatics and Biomedicine (BIBM)》;20190124;第518-523页 *
肺部CT图像中的解剖结构分割方法综述;边子健等;《中国图象图形学报》;20181031;第1450-1471页 *

Also Published As

Publication number Publication date
CN114782472A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN109741346B (zh) 感兴趣区域提取方法、装置、设备及存储介质
CN107665486B (zh) 一种应用于x射线图像的自动拼接方法、装置及终端设备
Van Rikxoort et al. Automatic lung segmentation from thoracic computed tomography scans using a hybrid approach with error detection
Ohno et al. Comparative evaluation of newly developed model-based and commercially available hybrid-type iterative reconstruction methods and filter back projection method in terms of accuracy of computer-aided volumetry (CADv) for low-dose CT protocols in phantom study
US9547894B2 (en) Apparatus for, and method of, processing volumetric medical image data
US9600890B2 (en) Image segmentation apparatus, medical image device and image segmentation method
RU2589383C2 (ru) Двухрежимное формирование изображения, включающее в себя метрики качества
US10402976B2 (en) Isolation of aneurysm and parent vessel in volumetric image data
EP3552151A1 (en) Learning annotation of objects in image
JP2020179159A (ja) 肝臓腫瘍例のレビューを容易にするシステムおよび方法
CN114066886B (zh) 骨骼分割边界确定方法、装置、电子设备及存储介质
Kronman et al. A geometric method for the detection and correction of segmentation leaks of anatomical structures in volumetric medical images
US20220092788A1 (en) Segmentation method for pneumonia sign, medium, and electronic device
Wang et al. Left atrial appendage segmentation based on ranking 2-D segmentation proposals
Wang et al. Automatic segmentation of coronary arteries in CT imaging in the presence of kissing vessel artifacts
CN113256670A (zh) 图像处理方法及装置、网络模型的训练方法及装置
Zou et al. Semi-automatic segmentation of femur based on harmonic barrier
CN114782472B (zh) 一种ct图像的分割方法及装置
CN116228767A (zh) 基于计算机视觉的x光肺部肿块图像处理方法
CN114037719B (zh) 骨骼区域确定方法、装置、电子设备及存储介质
San José Estépar et al. Three-dimensional airway measurements and algorithms
Slattery Validating an image segmentation program devised for staging lymphoma
US20220358659A1 (en) Method and system for automatically propagating segmentation in a medical image
CN113724264B (zh) 图像分割方法、系统和可读存储介质
CN115132328B (zh) 信息可视化方法、装置、设备及存储介质

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