CN114862873A - Ct图像分割处理方法及装置 - Google Patents
Ct图像分割处理方法及装置 Download PDFInfo
- Publication number
- CN114862873A CN114862873A CN202210502630.3A CN202210502630A CN114862873A CN 114862873 A CN114862873 A CN 114862873A CN 202210502630 A CN202210502630 A CN 202210502630A CN 114862873 A CN114862873 A CN 114862873A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- segmentation
- interest
- image segmentation
- 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
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
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种CT图像分割处理方法及装置,通过获取原始图像;对所述原始图像进行窗口化预处理得到第一图像;基于第一图像分割模型对第一图像进行分割处理得到分割图像,并对所述分割图像进行去噪处理,确定出感兴趣区域;利用所述感兴趣区域对第二图像分割模型进行模型训练,基于训练后的第二图像分割模型从感兴趣区域中分割出目标区域。本发明能够有效解决在图像分割过程中受相邻器官和假阳性,以及异常区域影响导致分割不足或过度分割的问题,从而达到提高分割准确性的技术效果。
Description
技术领域
本申请涉及医学图像处理的技术领域,具体而言,涉及一种CT图像分割处理方法、装置、计算机设备和存储介质。
背景技术
目前用于肝脏分割的计算方法已被广泛提出,例如:通过结合随机游动模型、超像素和主动轮廓模型的交互式方法;使用阈值分割、广义边缘模型和统计形状模型进行自动肝脏分割的方法;通过使用水平集、形状统计模型和图形切割技术进行肝脏分割的方法;然而以上算法均存在不同程度的局限性。基于主动轮廓的方法的主要缺点是对边界起点和操作参数的依赖;基于阈值的方法利用肝脏和其他腹部器官之间的对比度进行分割的方法易产生分割错误;基于强度统计分布的方法,如水平集、形状统计模型和图形切割,难以应用于边界区域,导致分割不足或过度分割。
自动肝脏分割过程存在以下挑战:首先,由于肝脏是一个软组织器官,肝脏的形状会受到相邻器官的影响,因此变化很大;其次,相邻器官的边界模糊,这使得可视化变得困难,尤其是腹部器官,如胃或脾脏;此外,病变会影响肝脏的外观和形状,改变其密度、信号强度,从而扭曲其结构。
因此,亟需一种能够有效解决上述技术问题,从而提高分割效果的自动分割方法及装置。
发明内容
本发明实施例提供一种CT图像分割处理方法、装置、计算机设备和存储介质,用以解决在图像分割过程中受相邻器官和假阳性,以及异常区域影响导致分割不足或过度分割的问题。
为了实现上述目的,本发明实施例的第一方面,提供一种CT图像分割处理方法,包括:
获取原始图像;
对所述原始图像进行窗口化预处理得到第一图像;
基于第一图像分割模型对第一图像进行分割处理得到分割图像,并对所述分割图像进行去噪处理,确定出感兴趣区域;
利用所述感兴趣区域对第二图像分割模型进行模型训练,基于训练后的第二图像分割模型从感兴趣区域中分割出目标区域。
可选地,在第一方面的一种可能实现方式中,所述方法还包括:
利用训练后的第三图像分割模型从所述感兴趣区域中分割出异常区域;
将所述异常区域和所述目标区域联合重建得到最终分割结果。
可选地,在第一方面的一种可能实现方式中,对所述原始图像进行窗口化预处理得到第一图像,包括:
将原始图像中CT值在[-100,200]范围的体素值进行窗口化处理;
将原始图像中CT值小于-100的体素值配置固定-100CT值,大于200的体素值配置固定200CT值。
可选地,在第一方面的一种可能实现方式中,所述方法还包括:
利用腹部CT切片对第一图像分割模型进行模型训练;
利用感兴趣区域中的异常区域对第三图像分割模型进行模型训练。
可选地,在第一方面的一种可能实现方式中,对所述对分割图像进行去噪处理,包括:
基于构建好的对角线直方图,从所述分割图像中将与肝脏相连的结构进行剔除,从而得到包含肝脏的感兴趣区域,所述对角线直方图由100个组距组成,每个组距分别代表相应相应对角线存在的对应像素的数量,对角线直方图的谷点代表肝脏与其他结构分开的截止点。
本发明实施例的第二方面,提供一种CT图像分割处理装置,包括:
获取模块,用于获取原始图像;
预处理模块,用于对所述原始图像进行窗口化预处理得到第一图像;
感兴趣区域确定模块,用于基于第一图像分割模型对第一图像进行分割处理得到分割图像,并对所述分割图像进行去噪处理,确定出感兴趣区域;
目标区域分割模块,用于利用所述感兴趣区域对第二图像分割模型进行模型训练,基于训练后的第二图像分割模型从感兴趣区域中分割出目标区域。
可选地,在第二方面的一种可能实现方式中,其特征在于,所述装置还包括:
异常区域分割模块,用于利用训练后的第三图像分割模型从所述感兴趣区域中分割出异常区域;
区域联合重建模块,用于将所述异常区域和所述目标区域联合重建得到最终分割结果。
可选地,在第二方面的一种可能实现方式中,其特征在于,所述感兴趣区域确定模块包括:
相连器官剔除单元,用于基于构建好的对角线直方图,从所述分割图像中将与肝脏相连的结构进行剔除,从而得到包含肝脏的感兴趣区域,所述对角线直方图由100个组距组成,每个组距分别代表相应相应对角线存在的对应像素的数量,对角线直方图的谷点代表肝脏与其他结构分开的截止点。
本发明实施例的第三方面,提供一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。
本发明实施例的第四方面,提供一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法的步骤。
本发明提供的CT图像分割处理方法、装置、计算机设备和存储介质,通过获取原始图像;对所述原始图像进行窗口化预处理得到第一图像;基于第一图像分割模型对第一图像进行分割处理得到分割图像,并对所述分割图像进行去噪处理,确定出感兴趣区域;利用所述感兴趣区域对第二图像分割模型进行模型训练,基于训练后的第二图像分割模型从感兴趣区域中分割出目标区域。本发明能够有效解决在图像分割过程中受相邻器官和假阳性,以及异常区域影响导致分割不足或过度分割的问题,从而达到提高分割准确性的技术效果。
附图说明
图1为CT图像分割处理方法的第一种实施方式的流程图;
图2为窗口化处理的示意图;
图3为LU-Net模型的架构图;
图4为消除假阳性的示意图;
图5为消除与肝脏相连的器官的示意图;
图6为直方图构建的示意图;
图7为划分感兴趣区域的示意图;
图8为初始分割的示意图;
图9为异常区域分割的示意图;
图10为联合重建示意图;
图11消除假阳性和填充孔的示意图;
图12为CT图像分割处理装置的第一种实施方式的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
本发明提供一种CT图像分割处理方法,如图1所示其流程图,包括:
步骤S110、获取原始图像。
在本步骤中,原始图像是从预先创建的CT图像数据库中获取的,其中数据库中的所有图像在轴向平面上的分辨率均为512×512像素;在CT图像数据库创建的过程中,由于由于每家医院或医疗机构存在差异性,数据库中的图像源自不同采集方法和不同型号扫描设备,所以该数据库涵盖拥有不同的空间分辨率和视野角度的图像,大量的病源决定了数据库中的病灶具有不同的形状、数量、大小和对比度,也应有原发性和继发性癌症的病例。
步骤S120、对所述原始图像进行窗口化预处理得到第一图像。
在步骤S120中,对原始图像(即腹部CT切片图像)进行预处理时,需要对CT值在[-100,200]窗口范围的体素值进行窗口化处理,以增强肝脏与周围器官和组织之间的对比度;而对于CT值小于-100或者大于200的体素,则分别设置-100HU和200HU的值,图2代表CT切片图像的窗口化处理的结果。在-100HU到+200HU共300HU范围内的组织均可显示,而大于+200HU的组织显示为白色;小于-100HU的组织显示为黑色。在窗口化处理后,体素值重新校正于0和1之间,以便最小化深度神经网络中的稳定性问题。
步骤S130、基于第一图像分割模型对第一图像进行分割处理得到分割图像,并对所述分割图像进行去噪处理,确定出感兴趣区域。
在步骤S130中,在窗口化预处理后,通过两步级联方法对肝脏区域进行分割,第一步是确定感兴趣区域,肝脏区域被包含在该感兴趣区域内;第二步将感兴趣区域用于图像分割模型的输入,从而分割出肝脏区域。采用这种方法可以明显减少第二步的体素数量,并可以进行更详细的肝脏分割。
具体地,步骤S130中确定感兴趣区域过程的第一图像分割模型是指LU-Net模型,后续步骤中涉及的第二、三图像分割模型也均为LU-Net模型,但三者是基于不同训练集进行模型训练的。其中,LU-Net模型是一种基于CNN应用的新型医学图像分割网络模型,本技术方案中对传统U-Net网络进行了优化,其模型架构如图3所示,LU-Net包含一个收缩路径(左侧),内含五个卷积块,使用32、64、128、256和512个过滤器,卷积块由卷积层(核3×3)、激活函数泄露修正线性单元LeakyReLu(Leaky Rectified linear unit)、丢弃正则化和批标准化组成;LU-Net扩展路径(右侧)包含四层逆卷积,分别使用256、128、64和32个滤波器进行上采样。随后逆卷积伴随着卷积块与收缩路径的相应特征图相级联。使用sigmoid函数展开路径的最后一层,最终结果得以呈现,使用Dice损失函数进行网络训练。LU-Net架构作为CNN,最大的优势是可以自动学习最具代表性的图像特征,无需进行特征工程。此外,收缩和扩展路径之间的连接有助于信息传送。
在步骤S130中,第一图像分割模型是使用原始像素大小为512×512的腰部CT切片来训练LU-Net模型。该模型使用2.5D方法,输入到神经网络的数据是由三个轴向切片的堆栈:中央切片及其前后切片;LU-Net的输出是堆栈中央切片的分割图,通过组合每个切片的分割,可以生成3D分割体积。“去噪处理”主要分为两方面,具体如下:
其一是减少假阳性的影响,所谓假阳性是指图4中不在肝脏中的零星碎片(图4中的b),将不在肝脏的零星碎片去除,保留面积最大的分割对象(图4中的c);
其二在减少假阳性之后,仍然具有与肝脏相连的器官或者组织,例如靠近肝脏的胃和脾脏,如图5(a)中所示肝脏分割与其他腹部器官相连,因此需要消除相邻器官或者组织。具体分割相连器官的实施步骤如下:
在一个实施例中,所述对分割图像进行去噪处理,包括:基于构建好的对角线直方图,从所述分割图像中将与肝脏相连的结构进行剔除,从而得到包含肝脏的感兴趣区域,所述对角线直方图由100个组距组成,每个组距分别代表相应相应对角线存在的对应像素的数量,对角线直方图的谷点代表肝脏与其他结构分开的截止点。
在该步骤中,去噪处理即上述步骤S130中“消除相邻器官或者组织的干扰”的具体实施方式,这些相邻器官的消除是基于对轴向平面中分割图像的对角投影直方图实现的,使用对角线构建直方图的选择是基于对所有切片体积的分析,可以预测肝脏大致或完全位于对角线上方(图5(d)),与分割相关的其他腹部器官位于对角线下方。其中,该对角线直方图的区间定义在于对角线1和对角线2之间,具体如图6(a)所示,两对角线相距100像素,该距离值是通过在实验后通过分析基础患者和假阳性减少步骤的结果凭经验定义的;该对角线直方图由100个组距(bin)组成,每个组距分别代表相应对角线上存在的对应像素的数量,直方图的谷底代表肝脏与其他器官分开的截止点,具体如图6(b)所示,继而根据该直方图的谷底将肝脏与其他器官分割开,具体如图6(c)所示。
在消除相邻器官的干扰后,在得到的分割图像中先定义第一边界框(图7(a));然后在第一边界框的高度和宽度的每个方向上添加五个像素以获得第二边界框(图7(b));最后将该第二边界框应用于腹部CT切片中(图7(c)),从而划分出感兴趣区域(图7(d))。
步骤S140、利用所述感兴趣区域对第二图像分割模型进行模型训练,基于训练后的第二图像分割模型从感兴趣区域中分割出目标区域。
在步骤S140中,第二图像分割模型为LU-Net模型,其模型的训练是在划定感兴趣区域的情况下进行的;该模型使用2.5D方法。具体初始分割过程如图8所示,根据训练后的第二图像分割模型从划分出的感兴趣区域(如图8(a))内分割肝脏区域,然后再去除不在肝脏中的零星碎片,只保留体积最大的区域对象(如图8(c)),以使得获取的分割减少了误报。
在一个实施例中,所述方法还包括:利用训练后的第三图像分割模型从所述感兴趣区域中分割出异常区域;将所述异常区域和所述目标区域联合重建得到最终分割结果。
在该步骤,在肝脏健康或肝脏受病变轻微影响的患者CT图像中,通过上述初始分割步骤S110-S140是足以实现的;然而在肝脏出现晚期病变的复杂情况下,由于病变纹理与健康肝脏组织之间的差异,步骤S110-S140可能会排除包含这些病变的肝脏区域,如图8(b)、(c)所示,分割后的目标肝脏是不包含异常区域的。针对该情况,需要先重新确定感兴趣区域中的异常区域;然后基于该异常区域对第三图像分割模型进行训练,从而利用训练好的第三图像分割模型分割感兴趣区域中包含的异常区域,如图9所示;最后将初始分割得到肝脏区域和病变分割得到肝脏区域进行联合完成重建。该联合是由初始分割和病变分割掩码上的二元运算(OR)制成的,图10显示了该联合重建的过程。由于联合重建致使异常区域得以恢复,分割精度也得到了提高。该重建步骤允许恢复异常区域和健康组织之间的纹理差异显着的异常区域。此外,这种重建不会影响肝脏健康或肝脏受病变轻微影响的患者的初始分割。
在一个实施例中,所述方法还包括:联合重建后所产生的图像可能包含不在肝脏中的片段(假阳性碎片),以及还可能存在有未填充的孔,针对这种情况,本发明在联合重建后还包括减少假阳性和填充孔两个步骤,如图11所示,减少假阳性以仅保留体积中最大的对象,将零星片段去除;以及使用具有7×7圆形结构元素的形态闭合操作来减少最终分割中存在的孔洞,该形态闭合操作的参数是在数次实验后人为定义的。
本发明提供的CT图像分割处理方法,通过获取原始图像;对所述原始图像进行窗口化预处理得到第一图像;基于第一图像分割模型对第一图像进行分割处理得到分割图像,并对所述分割图像进行去噪处理,确定出感兴趣区域;利用所述感兴趣区域对第二图像分割模型进行模型训练,基于训练后的第二图像分割模型从感兴趣区域中分割出目标区域。本发明能够有效解决在图像分割过程中受相邻器官和假阳性,以及异常区域影响导致分割不足或过度分割的问题,从而达到提高肝脏分割准确性的技术效果。
技术效果:
1、本发明在初始分割步骤中应用了级联方法,即第一步将问题的范围缩小到第二步,有效减少了初始分割中的错误;
2、对角投影直方图分析消除了以往分割步骤中假阳性,提高了肝脏分割准确性;
3、在初始分割步骤中,感兴趣区域定界子步骤将CT图像的范围限制为包含肝脏的区域,不包括其他图像细节,排除了特征类似于肝脏的腹部区域的其他器官和组织;
4、本发明独特的重建步骤,恢复了初始分割中被排除的病灶区域,从而改善了分割结果,该方法既可应用于健康人肝脏,也可应用于病变较重的肝脏,有效解决了由不同人之间肝脏大小和密度不同造成的分割不均的问题;
5、本发明实现了既能在假阳性减少的同时,又排除了非肝脏片段,最终仅保留体积的最大元素。在最后的分割步骤中,采用了减少假阳性与孔洞填充相结合,改进了传统分割结果,提高了分割精度和完整性。
本发明的实施例还提供一种CT图像分割处理装置,如图12所示,包括:
获取模块,用于获取原始图像;
预处理模块,用于对所述原始图像进行窗口化预处理得到第一图像;
感兴趣区域确定模块,用于基于第一图像分割模型对第一图像进行分割处理得到分割图像,并对所述分割图像进行去噪处理,确定出感兴趣区域;
目标区域分割模块,用于利用所述感兴趣区域对第二图像分割模型进行模型训练,基于训练后的第二图像分割模型从感兴趣区域中分割出目标区域。
在一个实施例中,所述装置还包括:
异常区域分割模块,用于利用训练后的第三图像分割模型从所述感兴趣区域中分割出异常区域;
区域联合重建模块,用于将所述异常区域和所述目标区域联合重建得到最终分割结果。
在一个实施例中,所述感兴趣区域确定模块包括:
相连器官剔除单元,用于基于构建好的对角线直方图,从所述分割图像中将与肝脏相连的结构进行剔除,从而得到包含肝脏的感兴趣区域,所述对角线直方图由100个组距组成,每个组距分别代表相应相应对角线存在的对应像素的数量,对角线直方图的谷点代表肝脏与其他结构分开的截止点。
其中,可读存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如,可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits,ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,DSP)等。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。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种CT图像分割处理方法,其特征在于,包括:
获取原始图像;
对所述原始图像进行窗口化预处理得到第一图像;
基于第一图像分割模型对第一图像进行分割处理得到分割图像,并对所述分割图像进行去噪处理,确定出感兴趣区域;
利用所述感兴趣区域对第二图像分割模型进行模型训练,基于训练后的第二图像分割模型从感兴趣区域中分割出目标区域。
2.根据权利要求1所述的CT图像分割处理方法,其特征在于,所述方法还包括:
利用训练后的第三图像分割模型从所述感兴趣区域中分割出异常区域;
将所述异常区域和所述目标区域联合重建得到最终分割结果。
3.根据权利要求1所述的CT图像分割处理方法,其特征在于,对所述原始图像进行窗口化预处理得到第一图像,包括:
将原始图像中CT值在[-100,200]范围的体素值进行窗口化处理;
将原始图像中CT值小于-100的体素值配置固定-100CT值,大于200的体素值配置固定200CT值。
4.根据权利要求2所述的CT图像分割处理方法,其特征在于,所述方法还包括:
利用腹部CT切片对第一图像分割模型进行模型训练;
利用感兴趣区域中的异常区域对第三图像分割模型进行模型训练。
5.根据权利要求1所述的CT图像分割处理方法,其特征在于,对所述分割图像进行去噪处理,包括:
基于构建好的对角线直方图,从所述分割图像中将与肝脏相连的结构进行剔除,从而得到包含肝脏的感兴趣区域,所述对角线直方图由100个组距组成,每个组距分别代表相应相应对角线存在的对应像素的数量,对角线直方图的谷点代表肝脏与其他结构分开的截止点。
6.一种CT图像分割处理装置,其特征在于,包括:
获取模块,用于获取原始图像;
预处理模块,用于对所述原始图像进行窗口化预处理得到第一图像;
感兴趣区域确定模块,用于基于第一图像分割模型对第一图像进行分割处理得到分割图像,并对所述分割图像进行去噪处理,确定出感兴趣区域;
目标区域分割模块,用于利用所述感兴趣区域对第二图像分割模型进行模型训练,基于训练后的第二图像分割模型从感兴趣区域中分割出目标区域。
7.根据权利要求6所述的CT图像分割处理装置,其特征在于,所述装置还包括:
异常区域分割模块,用于利用训练后的第三图像分割模型从所述感兴趣区域中分割出异常区域;
区域联合重建模块,用于将所述异常区域和所述目标区域联合重建得到最终分割结果。
8.根据权利要求6所述的CT图像分割处理装置,其特征在于,所述感兴趣区域确定模块包括:
相连器官剔除单元,用于基于构建好的对角线直方图,从所述分割图像中将与肝脏相连的结构进行剔除,从而得到包含肝脏的感兴趣区域,所述对角线直方图由100个组距组成,每个组距分别代表相应相应对角线存在的对应像素的数量,对角线直方图的谷点代表肝脏与其他结构分开的截止点。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任意一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5任意一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210502630.3A CN114862873A (zh) | 2022-05-09 | 2022-05-09 | Ct图像分割处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210502630.3A CN114862873A (zh) | 2022-05-09 | 2022-05-09 | Ct图像分割处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114862873A true CN114862873A (zh) | 2022-08-05 |
Family
ID=82636450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210502630.3A Pending CN114862873A (zh) | 2022-05-09 | 2022-05-09 | Ct图像分割处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114862873A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115170591A (zh) * | 2022-09-02 | 2022-10-11 | 湖南红普创新科技发展有限公司 | 病变区域图像获取方法、装置及相关设备 |
CN115239962A (zh) * | 2022-09-22 | 2022-10-25 | 珠海横琴圣澳云智科技有限公司 | 基于深层大感受野空间注意力的目标分割方法和装置 |
-
2022
- 2022-05-09 CN CN202210502630.3A patent/CN114862873A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115170591A (zh) * | 2022-09-02 | 2022-10-11 | 湖南红普创新科技发展有限公司 | 病变区域图像获取方法、装置及相关设备 |
CN115239962A (zh) * | 2022-09-22 | 2022-10-25 | 珠海横琴圣澳云智科技有限公司 | 基于深层大感受野空间注意力的目标分割方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
JP6877868B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
Manniesing et al. | Level set based cerebral vasculature segmentation and diameter quantification in CT angiography | |
US20110158491A1 (en) | Method and system for lesion segmentation | |
CN114862873A (zh) | Ct图像分割处理方法及装置 | |
US7333646B2 (en) | Watershed segmentation to improve detection of spherical and ellipsoidal objects using cutting planes | |
US20230005140A1 (en) | Automated detection of tumors based on image processing | |
Hu et al. | Segmentation of brain from computed tomography head images | |
CN112991365B (zh) | 一种冠状动脉分割方法、系统及存储介质 | |
EP2869261A1 (en) | Method for processing image data representing a three-dimensional volume | |
EP1893091A1 (en) | Brain image segmentation from ct data | |
JPH11312234A (ja) | 多次元画像のセグメンテ―ション処理を含む画像処理方法及び医用映像装置 | |
CN105167798A (zh) | 一种冠状动脉cta影像中提取血管方法 | |
CN113379773A (zh) | 基于双重注意力机制的分割模型建立、分割方法及装置 | |
Arakeri et al. | An effective and efficient approach to 3D reconstruction and quantification of brain tumor on magnetic resonance images | |
CN111932495B (zh) | 一种医学图像检测方法、装置及存储介质 | |
US20240169544A1 (en) | Methods and systems for biomedical image segmentation based on a combination of arterial and portal image information | |
Jalab et al. | Fractional Renyi entropy image enhancement for deep segmentation of kidney MRI | |
CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
AU2019430258B2 (en) | VRDS 4D medical image-based tumor and blood vessel ai processing method and product | |
Maier et al. | Automatic liver segmentation using the random walker algorithm | |
CN112862787A (zh) | Cta影像数据处理方法、装置及存储介质 | |
CN118037755B (zh) | 一种基于双重空间约束的病灶分割域泛化方法及系统 | |
EP4254350A1 (en) | Determination of illumination parameters in medical image rendering |
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 |