CN114913185A - 肺ct图像的纹理分割方法及系统 - Google Patents

肺ct图像的纹理分割方法及系统 Download PDF

Info

Publication number
CN114913185A
CN114913185A CN202210428561.6A CN202210428561A CN114913185A CN 114913185 A CN114913185 A CN 114913185A CN 202210428561 A CN202210428561 A CN 202210428561A CN 114913185 A CN114913185 A CN 114913185A
Authority
CN
China
Prior art keywords
image
lung
segmentation
texture
super
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.)
Withdrawn
Application number
CN202210428561.6A
Other languages
English (en)
Inventor
魏宾
董蒨
牛海涛
朱呈瞻
董冰子
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.)
Affiliated Hospital of University of Qingdao
Original Assignee
Affiliated Hospital of University of Qingdao
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 Affiliated Hospital of University of Qingdao filed Critical Affiliated Hospital of University of Qingdao
Priority to CN202210428561.6A priority Critical patent/CN114913185A/zh
Publication of CN114913185A publication Critical patent/CN114913185A/zh
Withdrawn legal-status Critical Current

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
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开一种肺CT图像的纹理分割方法及系统，该方法包括：(1)、对肺CT图像通过基于区域生长算法进行肺组织分割，以获取去除背景的肺组织CT图像；(2)、对肺组织CT图像进行肺实质细化分割，获取肺实质CT图像；以及(3)、对肺实质CT图像进行纹理识别及划分，获取肺CT图像的纹理分割图像。本发明以纹理特性，可得到去除了背景的肺组织图片，分割效果好、运行速度快，有效地提高了图像诊断结果的精度，提高了诊断结果的准确性，为后续的肺部疾病治疗提供了帮助。

Description

肺CT图像的纹理分割方法及系统
技术领域
本发明涉及一种医学影像的处理方法及系统，特别涉及肺CT图像的处理方法及系统。
背景技术
目前，肺病手术区域通常是根据医生临床以及肉眼观察判断进行估计，往往因为不够准确而影响手术效果或造成手术失败。
纹理特征是图像最基本的视觉特征，在多种针对CT、MRI影像的应用中，基于纹理特征的定量研究取得了较好的效果。同样的，在CT融合图像中，有经验的医生能够通过视觉判断是否发生了病变，因此病变组织和良性组织在纹理上应该有一定的不同。
如中国专利申请201810206846.9公开了一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法，其以217个肺部三维计算机断层扫描(CT)图像为源数据，经过预处理得到若干组数据集合，其中每组数据包含一个CT图像小块、相应的几何信息图像小块和一个类别标签。构建双通道残差网络框架，分别以CT图像小块和相应的几何信息小块为各个通道的输入，通过双通道残差网络分别学习肺部纹理的表观信息和几何信息，并将其有效融合，从而得到较高的识别率。然而，该肺部纹理识别方法仅能识别出肺部的纹理特性，无法实现肺部图像的精确分割。
因此，提供一种能够快速高效的分割肺图像血管，提高分割结果的准确性的肺CT图像的纹理分割方法及系统法成为业内急需解决的问题。
发明内容
本发明的目的是提供一种肺CT图像的纹理分割方法及系统，其可以去除肺部的主血管及分支血管，实现纹理的自动细化分割，分割图像精确度高。
本发明的第一个目的在于提供一种肺CT图像的纹理分割方法，包括：(1)、对肺CT图像通过基于区域生长算法进行肺组织分割，以获取去除背景的肺组织CT图像；(2)、对肺组织CT图像进行肺实质细化分割，获取肺实质CT图像；以及(3)、对肺实质CT图像进行纹理识别及划分，获取肺CT图像的纹理分割图像。
其中，在本发明的步骤(1)中，基于区域生长算法首先是根据肺组织和背景的灰度值的差别，制定一个可以判定该像素是否为肺组织的相似性准则。然后利用先验信息在肺的内部找一个种子像素作为生长的起点，检测种子像素的四邻域的像素点，若符合该准则，则与种子像素合并成一个新的种子区域。计算新区域的该特征的平均值，检测该区域边缘像素的四邻域像素点，若符合该准则，则继续并入区域。重复进行上面的过程，直到再没有满足条件的像素可被包括进来，最终得到去除了背景的肺组织图片。
优选地，步骤(1)的算法过程如下：(1-1)在肺CT图像中，建立灰度值矩阵A和标志矩阵B，将A中合并到区域内的元素在B中标志位1。建立两个数组row(b)和line(b)，分别存放生长区域内元素的行标和列标；(1-2)在肺CT图片中的左肺或右肺中手动选取种子点，在B中种子点对应元素值设为1，且种子点的行标和列标即为row(b)和line(b)的第一个元素的值；(1-3)用while语句设计一个外循环，循环条件为经过内循环后，row(b)和line(b)中的元素个数增加，用for语句设计一个内循环，循环次数为每次数组row(b)和line(b)中加进的新元素的个数，内循环体语句描述这样的规则：若A(row(j)，line(j))四邻域点符合区分条件，则将其归入区域，在B中将其标志为1，并将其行数和列数添加在row(b)和line(b)中，当没有元素可以被归入到区域中时，外循环结束，其中，分区条件是该邻域点的灰度值与区域的灰度值的差值小于阈值，所以内循环中每次循环结束都要计算像素灰度平均值；(4)将B矩阵填充，显示A矩阵(灰度图像)点乘B(标志矩阵)得到的矩阵，即得到切割出的一侧肺的图像；以及(1-5)对另一侧肺的图片的切割重复步骤(1-2)～(1-4)，得到另一侧肺的图像，将两边肺的图像相加得到去除背景的肺CT图像。
可选择地，在步骤(2)中，包括：(2-1)、对肺组织CT图像进行超像素分割，形成第一分割图像；(2-2)、对第一分割图像进行细化分割，形成第二分割图像；(2-3)、对第二分割图像进行超像素聚类及标记，形成第三分割图像；(2-4)、对第三分割图像进行后处理，形成肺实质CT图像。
可选择地，在步骤(2-1)之前，还包括：通过阈值法对肺CT图像进行预处理以去除肺图像中的含有空气的组织。
其中，本发明步骤(2-1)使用的超像素分割的基本原理为，对于一幅CT图像A，图片大小为M×N(0≤x≤M，0≤y≤N)，A(x，y)表示整幅图像，Ri、Rj≠(i＝j)表示图像中的超像素子区域。在图像A中，超像素分割的过程就是把图像分割成N个非空区域(R1，R2，......，RN)，这些非空区域满足以下5个条件：
1)
Figure BDA0003609141670000031
2)对于所有的i和j，当时i≠j，
Figure BDA0003609141670000032
3)对于所有的Ri，i＝1，2......，N，，P(Ri)＝true。
4)对于所有的i和j，，P（Ri∩Rj)＝false。
5)对于所有的Ri，i＝1，2，......，N，Ri是连续性的区域。
P(Ri)是每个超像素区域Ri(i＝1，2，......，N)的逻辑化表示。
本发明的超像素的处理方法采用基于梯度下降的Turbopixel方法，该方法获取的超像素子区域的尺寸均匀，超像素子区域的边界较接近原图像的边界，同时实现速度较快。Turbopixel分割结果具有以下5个基本特征：1)均匀的尺寸；2)连通性；3)紧凑性；4)平滑性和边缘保持性；5)无重叠性。
用Ri{i＝1，2，......L}表示超像素粗分割后的L个超像素区域。对于超像素块个数的选择是根据图像的大小完成的，本发明将超像素的个数设定为4000。
优选地，在步骤(2-2)中，采用自动阈值分割算法统计每个超像素内部的像素灰度值，并利用灰度直方图选择分割的阈值，将超像素区域分割为多个超像素子区域，然而因为存在噪声，在分割结果中就可能会出现孤立点，所以需要判别这些被重新划分的超像素子区域。如果超像素子区域的大小超过一定数目的像素点，那么进行划分，否则不进行该超像素子区域的划分。引入阈值参数t来排除噪声点的影响，同时对超像素中大于阈值t的区域进行细化分割。
此过程后得到K(K≥L)个超像素区域Ri{i＝1，2，……k}，这些区域通过模糊C均值聚类来确定其类别。
可选择地，在步骤(2-3)中，包括：依次对第二分割图像进行超像素聚类步骤、超像素标记步骤、以及超像素合并步骤。
优选地，步骤(2-3)的原理为，利用统计法中的灰度共生矩阵来提取纹理特征，灰度共生矩阵中的元素值表示灰度级间的联合条件概率密度P(a，b|d，θ)，即给定距离d和方向θ，灰度级以a为起点，出现灰度级为b的概率。
在灰度共生矩阵能够提取到的纹理特征中，选择能量和熵两种指标描述肺部CT图像的纹理特征，并从0°、45°、90°和135°这4个方向分别提取超像素块的纹理特征并计算其均值和方差。能量和熵的指标如下：
1)能量：能量是衡量图像灰度分布的重要指标。灰度共生矩阵主对角线附近的元素分布较集中，则为较大的能量值，这表示该局部区域内有较均匀的灰度分布；若灰度共生矩阵中的元素值均相等，则为较小的能量值。其公式为：
Figure BDA0003609141670000041
2)熵：熵是表示灰度级分布随机性的特征参数。熵值越大，说明图像的纹理越复杂；熵值越小，说明图像的灰度分布均匀。其公式为：
Figure BDA0003609141670000051
为了得到最终正确的分割结果，需对超像素进行聚类并标记，这个过程可以分为超像素聚类、超像素标记、超像素合并3个部分。
优选地，在超像素聚类步骤中，利用模糊C均值聚类(FCM)来细化分割后的超像素子区域进行聚类。FCM聚类是通过隶属度来确定所属类别的算法。其基本原理是通过不断迭代使目标函数达到最小值，目标函数为：
Figure BDA0003609141670000052
式中，{yk，k＝1，2，…，N}表示一幅像素个数为N聚类个数为c的图像，{vi＝1，2，…，c}表示每个聚类中心，C＝[c1，c2，…，cc]表示聚类中心矩阵。向量Uk＝[u1k，u2k，…，uik]T表示第i类中第k个像素的隶属度，其中uik(uik∈[0，1])，U＝[U1，U2，......Uk]是隶属度矩阵，p是描述聚类结果模糊程度的函数，||yk-vi||2是利用欧氏距离来表示的归一化量度。
FCM聚类过程如下：
1)迭代终止阈值ε，隶属度矩阵U，聚类中心c，迭代次数q＝0。
2)隶属度函数的更新为
Figure BDA0003609141670000053
3)聚类中心的更新为
Figure BDA0003609141670000061
4)当目标函数值小于设定的阈值，则算法停止。
为了提高算法，本发明利用每个超像素区域的灰度均值μ、灰度标准差σ以及上述的能量和熵两类指标来描述4个方向纹理特征的均值与标准差共6维特征信息作为聚类的特征参数，设定FCM聚类分类参数为2。由于肺部CT图像中，FCM算法是对细化分割后产生的k个超像素进行聚类，得到聚类的中心矩阵C＝[c1，c2，c3]和隶属度矩阵U。每个超像素的分类标记都是由隶属度矩阵U决定。
优选地，在超像素标记的步骤中，引入其他信息来帮助标记超像素。因为肺部CT图像中各组织间有连续性、超像素的空间邻域信息决定了超像素的类别。S(s1，s2，……sn)表示相邻超像素间的相似度。Si表示当前超像素与它的第i个相邻超像素间的相似度值。
在该步骤中，利用巴特沃斯函数来定义超像素之间的相似度，这种关系定义为：
1)如果超像素间的灰度值差距很小，则返回很大的相似度值；
2)如果超像素间的灰度值差距很大，则返回很小的相似度值；
3)如果超像素间的灰度值超过了某个阈值，则相似度值快速下降。
巴特沃斯函数函数的形式为：
Figure BDA0003609141670000062
式中，μ表示该超像素区域的灰度均值，μi表示第i个邻近该超像素的灰度均值，η表示设定的灰度阈值，n表示一个权重，n越大，巴特沃斯函数值下降的越快。
为了正确标记超像素的分类，引入一种基于空间邻域信息的方法。具体的步骤描述如下：
1)在超像素区域Ri中定义隶属度向量Ui＝(u1，u2，u3)，如果存在ui＝max{u1，u2，u3}＞Tc(Tc为置信度阈值)，则该超像素标记为第i类，否则该超像素被标记为集合为F模糊块。
2)对于某超像素区域Rj∈F，假定与它邻近的超像素区域集为Ω＝{Rj1，Rj2，…，Rjk}，计算Ω中每一个Rj与该超像素的相似度Sj(sj1，sj2，…，sjk)。
3)如果存在一个sij＝max Sj＞Ts，则Rj与Rji类别标记一致。Ts为置信度阈值。
4)如果迭代次数小于设定的迭代次数且图像中仍然存在模糊块，则返回第2)步再进行。
5)如果迭代次数超过了设定的迭代次数且集合F中仍然存在模糊块，那么对于超像素区域Ri，它的隶属度向量为Ui＝(u1，u2，u3)，如果集合Ui中最大值为uj，则Ri被标记为第j类。完成了以上步骤，则每个超像素都有一个明确的分类结果。
优选地，在超像素合并的步骤中，对属于同一类的邻近的超像素进行合并得到最终的分割结果。
优选地，在步骤(2-4)中，采用形态学处理方法，去除第三分割图像中的肺部气管区域和部分纤维组织机构，完成第三分割图像的后处理，形成肺实质CT图像。
可选择地，在步骤(3)中，包括：(3-1)通过图像梯度方差加权信息熵算法自适应改变滤波器参数，对肺实质CT图像的背景纹理及噪声进行抑制，得到肺部CT纹理图像；(3-2)对肺部CT纹理图像进行纹理区域自动化分割，得到第二纹理图像。
优选地，在步骤(3-1)中，采用光线投影算法，将肺部CT数据投影到二维空间中计算X线的强度值I
Figure BDA0003609141670000081
其中，I0用于描述原始X线强度，μi表示第i个肺部三维CT体素，li表示第i个肺部三维CT体素的长度。
其利用巴特沃斯高通BHPF滤波器对肺实质CT图像进行预处理，抑制图像纹理造成的干扰，BHPF具有随着截止频率的不断增大对图像表面平滑效果越好的特点，图像纹理特征可以获得有效增强。
优选地，n阶的BHPF滤波器
Figure BDA0003609141670000082
其中，D0表示截止频率，D(u，v)表示肺实质CT图像加权信息熵。根据构建截止频率与肺实质CT图像加权信息熵之间的对应关系，调节不同背景下肺部CT图像的平滑效果，假设肺实质CT图像有255个灰度阶，则其相应的加权信息熵可利用下式表示为：
Figure BDA0003609141670000083
式中，S表示肺实质CT图像中含有像素值的几何，Ps表示S中灰度值s出现的频率。为使肺实质CT图像表面纹理细节更加清晰，再次采用信息熵及梯度方差对肺实质CT图像表面随机纹理进行定量表征，利用下式表示肺实质CT图像梯度方差
Figure BDA0003609141670000084
其中，gij表示图像表面像素点数，肺实质CT图像的提取方差加权信息熵可利用表示描述为
Figure BDA0003609141670000085
其中，
Figure BDA0003609141670000091
表示肺实质CT图像不同灰度下的梯度方差，N表示相同灰度像素相应的数目。
优选地，在步骤(3-2)中，利用梯度信息构造肺部CT纹理图像敏感项，并结合肺部CT纹理图像局部能量项ξ(u，f1，f2)，提出自动化水平集分割方法，利用下式定义肺部CT图像水平集能量泛函
E(u)＝ξ(u，f1，f2)+γΦ(u，ΔI)+ρG(u，ΔI)
式中，Φ(u，ΔI)表示肺部CT纹理图像梯度敏感的外部能量函数，G(u，ΔI)用于肺部CT纹理图像梯度敏感的内部能量函数，γ和ρ分别表示Φ(u，ΔI)和
G(u，ΔI相应的权值，γ较大时，Φ(u，ΔI)可将零水平集拉向图像纹理边界的作用增强，ρ的值较大时G(u，ΔI)可将加快零水平集离开CT图像灰度区域的速度。
利用梯度下降法最小化肺部CT图像能量泛函E(u)，获得水平集演化的速度函数
Figure BDA0003609141670000092
其中，由参数ε控制了CT图像域内各点的驱动能量在速度函数中的权重，u表示符号距离函数。
为了有效矫正肺部CT纹理图像局部能量项导致的水平集演化错误，加快零水平集向图像纹理目标边界的运动速度H(-u)，提出以下的肺部CT纹理图像梯度敏感的外部能量函数
Figure BDA0003609141670000093
Figure BDA0003609141670000094
式中，sgn(·)表示符号函数，ΔI用于描述由拉普拉算子描述的CT图像的二阶导数，
Figure BDA0003609141670000095
用于描述图像纹理梯度的模，
Figure BDA0003609141670000096
表示归一化的图像纹理梯度响应函数，b表示梯度敏感因子。
为了有效提高水平集在肺部CT纹理图像灰度均匀区域的演化速度，以下设计了肺部CT纹理图像的内部能量函数
Figure BDA0003609141670000101
Figure BDA0003609141670000102
式中，
Figure BDA0003609141670000103
表示演化曲线的曲率，
Figure BDA0003609141670000104
表示归一化的图像纹理梯度响应函数，α表示图像纹理梯度敏感因子，由此，可根据分割需要调节图像纹理梯度敏感因子，实现对肺部CT纹理图像纹理不同强弱边缘的分割提取，得到第二纹理图像。
本发明的第二个目的在于提供一种肺CT图像的纹理分割系统，其包括：依次通信连接的肺组织分割模块，其用于对肺CT图像通过基于区域生长算法进行肺组织分割，以获取去除背景的肺组织CT图像；肺实质分割模块，其用于对肺组织CT图像进行肺实质细化分割，获取肺实质CT图像；以及肺纹理分割模块，其用于对肺实质CT图像进行纹理识别及划分，获取肺CT图像的纹理分割图像。
可选择地，肺实质分割模块包括依次通信连接的：第一分割子模块，其用于对肺组织CT图像进行超像素分割，形成第一分割图像；第二分割子模块，其用于对第一分割图像进行细化分割，形成第二分割图像；第三分割子模块，其用于对第二分割图像进行超像素聚类及标记，形成第三分割图像；第四分割子模块，其用于对第三分割图像进行后处理，形成肺实质CT图像。
可选择地，肺实质分割模块还包括与第一分割子模块通信连接的预处理子模块，其用于通过阈值法对肺CT图像进行预处理以去除肺图像中的含有空气的组织。
可选择地，第三分割子模块包括：依次通信连接的超像素聚类单元、超像素标记单元、以及超像素合并单元。
可选择地，肺纹理分割模块包括：通信连接的纹理抑制子模块，其用于通过图像梯度方差加权信息熵算法自适应改变滤波器参数，对肺实质CT图像的背景纹理及噪声进行抑制，得到肺部CT纹理图像；纹理分割子模块，其用于对肺部CT纹理图像进行纹理区域自动化分割，得到第二纹理图像。
本发明的有益效果是：(1)、本发明以纹理特性，基于区域生长算法，可得到去除了背景的肺组织图片，分割效果好且运行速度快；(2)、能够对肺实质进行分割并去除其周围的主血管及肺部的分支血管，实现自动细化分割，分割结果准确，速度快；(3)对于肺部图像的纹理进行优化识别，有效地提高了图像诊断结果的精度，提高了诊断结果的准确性，为后续的肺部疾病治疗提供了帮助。
附图说明
图1为本发明的肺CT图像的纹理分割方法的步骤流程图。
图2为本发明的肺CT图像的纹理分割系统的构造示意图。
具体实施方式
请参照图1，根据本发明的一种非限制性实施方式，提供了一种肺CT图像的纹理分割方法，首先，在步骤S1中，对肺CT图像通过基于区域生长算法进行肺组织分割，以获取去除背景的肺组织CT图像。接着，在步骤S2中，对肺组织CT图像进行肺实质细化分割，获取肺实质CT图像。最后，在步骤S3中，对肺实质CT图像进行纹理识别及划分，获取肺CT图像的纹理分割图像。
作为另一种非限制性实施方式，在步骤S2中，包括：(2-1)、对肺组织CT图像进行超像素分割，形成第一分割图像；(2-2)、对第一分割图像进行细化分割，形成第二分割图像；(2-3)、对第二分割图像进行超像素聚类及标记，形成第三分割图像；(2-4)、对第三分割图像进行后处理，形成肺实质CT图像。
在该非限制性实施方式中，在步骤(2-1)之前，还包括：通过阈值法对肺CT图像进行预处理以去除肺图像中的含有空气的组织。在步骤(2-3)中，包括：依次对第二分割图像进行超像素聚类步骤、超像素标记步骤、以及超像素合并步骤。
作为另一种非限制性实施方式，在步骤S3中，包括：(3-1)通过图像梯度方差加权信息熵算法自适应改变滤波器参数，对肺实质CT图像的背景纹理及噪声进行抑制，得到肺部CT纹理图像；以及(3-2)对肺部CT纹理图像进行纹理区域自动化分割，得到第二纹理图像。
如图2所示，本发明还提供了肺CT图像的纹理分割系统，包括：肺组织分割模块10、肺实质分割模块20、以及肺纹理分割模块30。
肺组织分割模块10用于对肺CT图像通过基于区域生长算法进行肺组织分割，以获取去除背景的肺组织CT图像。
肺实质分割模块20用于对肺组织CT图像进行肺实质细化分割，获取肺实质CT图像。
肺纹理分割模块30用于对肺实质CT图像进行纹理识别及划分，获取肺CT图像的纹理分割图像。
如图2所示，肺实质分割模块20包括：第一分割子模块201、第二分割子模块202、第三分割子模块203以及第四分割子模块204。第一分割子模块201用于对肺组织CT图像进行超像素分割，形成第一分割图像。第二分割子模块202用于对第一分割图像进行细化分割，形成第二分割图像。第三分割子模块203用于对第二分割图像进行超像素聚类及标记，形成第三分割图像。第四分割子模块204用于对第三分割图像进行后处理，形成肺实质CT图像。
在该非限制性实施方式中，肺实质分割模块20还包括与第一分割子模块通信连接的预处理子模块200，其用于通过阈值法对肺CT图像进行预处理以去除肺图像中的含有空气的组织。
作为又一种非限制性实施方式，第三分割子模块203包括：依次通信连接的超像素聚类单元、超像素标记单元、以及超像素合并单元。
肺纹理分割模块30包括：纹理抑制子模块301及纹理分割子模块302。纹理抑制子模块301用于通过图像梯度方差加权信息熵算法自适应改变滤波器参数，对肺实质CT图像的背景纹理及噪声进行抑制，得到肺部CT纹理图像。纹理分割子模块302用于对肺部CT纹理图像进行纹理区域自动化分割，得到第二纹理图像。
尽管在此已详细描述本发明的优选实施方式，但要理解的是本发明并不局限于这里详细描述和示出的具体结构和步骤，在不偏离本发明的实质和范围的情况下可由本领域的技术人员实现其它的变型和变体。

Claims (10)

1.一种肺CT图像的纹理分割方法，包括：
(1)、对所述肺CT图像通过基于区域生长算法进行肺组织分割，以获取去除背景的肺组织CT图像；
(2)、对所述肺组织CT图像进行肺实质细化分割，获取肺实质CT图像；以及
(3)、对所述肺实质CT图像进行纹理识别及划分，获取肺CT图像的纹理分割图像。
2.如权利要求1所述的肺CT图像的纹理分割方法，其特征在于，在步骤(2)中，包括：
(2-1)、对所述肺组织CT图像进行超像素分割，形成第一分割图像；
(2-2)、对所述第一分割图像进行细化分割，形成第二分割图像；
(2-3)、对所述第二分割图像进行超像素聚类及标记，形成第三分割图像；
(2-4)、对所述第三分割图像进行后处理，形成肺实质CT图像。
3.如权利要求2所述的肺CT图像的纹理分割方法，其特征在于，在步骤(2-1)之前，还包括：通过阈值法对所述肺CT图像进行预处理以去除所述肺图像中的含有空气的组织。
4.如权利要求2所述的肺CT图像的纹理分割方法，其特征在于，在步骤(2-3)中，包括：依次对所述第二分割图像进行超像素聚类步骤、超像素标记步骤、以及超像素合并步骤。
5.如权利要求4所述的肺CT图像的纹理分割系统，其特征在于，在步骤(3)中，包括：
(3-1)通过图像梯度方差加权信息熵算法自适应改变滤波器参数，对所述肺实质CT图像的背景纹理及噪声进行抑制，得到肺部CT纹理图像；以及
(3-2)对所述肺部CT纹理图像进行纹理区域自动化分割，得到第二纹理图像。
6.一种采用权利要求1～5任一所述的肺CT图像的纹理分割方法的肺CT图像的纹理分割系统，其特征在于，包括：依次通信连接的
肺组织分割模块，其用于对所述肺CT图像通过基于区域生长算法进行肺组织分割，以获取去除背景的肺组织CT图像；
肺实质分割模块，其用于对所述肺组织CT图像进行肺实质细化分割，获取肺实质CT图像；以及
肺纹理分割模块，其用于对所述肺实质CT图像进行纹理识别及划分，获取肺CT图像的纹理分割图像。
7.如权利要求6所述的肺CT图像的纹理分割系统，其特征在于，所述肺实质分割模块包括依次通信连接的：
第一分割子模块，其用于对所述肺组织CT图像进行超像素分割，形成第一分割图像；
第二分割子模块，其用于对所述第一分割图像进行细化分割，形成第二分割图像；
第三分割子模块，其用于对所述第二分割图像进行超像素聚类及标记，形成第三分割图像；
第四分割子模块，其用于对所述第三分割图像进行后处理，形成肺实质CT图像。
8.如权利要求7所述的肺CT图像的纹理分割系统，其特征在于，所述肺实质分割模块还包括与所述第一分割子模块通信连接的预处理子模块，其用于通过阈值法对所述肺CT图像进行预处理以去除所述肺图像中的含有空气的组织。
9.如权利要求3所述的肺CT图像的纹理分割系统，其特征在于，所述第三分割子模块包括：依次通信连接的超像素聚类单元、超像素标记单元、以及超像素合并单元。
10.如权利要求3所述的肺CT图像的纹理分割系统，其特征在于，所述肺纹理分割模块包括：通信连接的
纹理抑制子模块，其用于通过图像梯度方差加权信息熵算法自适应改变滤波器参数，对所述肺实质CT图像的背景纹理及噪声进行抑制，得到肺部CT纹理图像；
纹理分割子模块，其用于对所述肺部CT纹理图像进行纹理区域自动化分割，得到第二纹理图像。
CN202210428561.6A 2022-04-22 2022-04-22 肺ct图像的纹理分割方法及系统 Withdrawn CN114913185A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210428561.6A CN114913185A (zh) 2022-04-22 2022-04-22 肺ct图像的纹理分割方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210428561.6A CN114913185A (zh) 2022-04-22 2022-04-22 肺ct图像的纹理分割方法及系统

Publications (1)

Publication Number Publication Date
CN114913185A true CN114913185A (zh) 2022-08-16

Family

ID=82765286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210428561.6A Withdrawn CN114913185A (zh) 2022-04-22 2022-04-22 肺ct图像的纹理分割方法及系统

Country Status (1)

Country Link
CN (1) CN114913185A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503426A (zh) * 2023-06-26 2023-07-28 天津大学 基于图像处理的超声图像分割方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503426A (zh) * 2023-06-26 2023-07-28 天津大学 基于图像处理的超声图像分割方法
CN116503426B (zh) * 2023-06-26 2023-08-25 天津大学 基于图像处理的超声图像分割方法

Similar Documents

Publication Publication Date Title
CN107798682B (zh) 图像分割系统、方法、装置和计算机可读存储介质
EP3432263B1 (en) Semantic segmentation for cancer detection in digital breast tomosynthesis
Manniesing et al. Level set based cerebral vasculature segmentation and diameter quantification in CT angiography
US7876938B2 (en) System and method for whole body landmark detection, segmentation and change quantification in digital images
El-Regaily et al. Survey of computer aided detection systems for lung cancer in computed tomography
Candemir et al. Graph-cut based automatic lung boundary detection in chest radiographs
CN109215032A (zh) 图像分割的方法及系统
RU2654199C1 (ru) Сегментация тканей человека на компьютерном изображении
CN110706241B (zh) 一种三维病灶区域提取方法和装置
Chen et al. Pathological lung segmentation in chest CT images based on improved random walker
US20230005140A1 (en) Automated detection of tumors based on image processing
WO2023125828A1 (en) Systems and methods for determining feature points
CN112419344A (zh) 一种基于Chan-Vese模型的无监督图像分割方法
CN114913185A (zh) 肺ct图像的纹理分割方法及系统
CN112712540B (zh) 一种基于ct影像的肺部支气管提取方法
Wei et al. Automatic recognition of major fissures in human lungs
Dhalia Sweetlin et al. Patient-Specific Model Based Segmentation of Lung Computed Tomographic Images.
Prabin et al. AUTOMATIC SEGMENTATION OF LUNG CT IMAGES BY CC BASED REGION GROWING.
Zhao et al. Accurate segmentation of heart volume in CTA with landmark-based registration and fully convolutional network
Susomboon et al. Automatic single-organ segmentation in computed tomography images
Ogul et al. Unsupervised rib delineation in chest radiographs by an integrative approach
Goyal et al. Belongingness clustering and region labeling based pixel classification for automatic left ventricle segmentation in cardiac MRI images
Xu et al. Accurate and efficient separation of left and right lungs from 3D CT scans: a generic hysteresis approach
Daoudi et al. A fully automatic cardiac segmentation method using region growing technique
Biswas et al. A smart system of 3D liver tumour segmentation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220816