CN115410692A - 确定组织边界的装置和方法 - Google Patents

确定组织边界的装置和方法 Download PDF

Info

Publication number
CN115410692A
CN115410692A CN202110576883.0A CN202110576883A CN115410692A CN 115410692 A CN115410692 A CN 115410692A CN 202110576883 A CN202110576883 A CN 202110576883A CN 115410692 A CN115410692 A CN 115410692A
Authority
CN
China
Prior art keywords
slice image
tissue
boundary
selected slice
images
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
Application number
CN202110576883.0A
Other languages
English (en)
Inventor
孙妍
王学礼
杨明阳
赵冰洁
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.)
GE Precision Healthcare LLC
Original Assignee
GE Precision Healthcare LLC
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 GE Precision Healthcare LLC filed Critical GE Precision Healthcare LLC
Priority to CN202110576883.0A priority Critical patent/CN115410692A/zh
Priority to US17/750,631 priority patent/US20220383491A1/en
Publication of CN115410692A publication Critical patent/CN115410692A/zh
Pending 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
    • G06T7/0002—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
    • G06T7/12—Edge-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
    • G06T7/11—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
    • G06T7/13—Edge detection
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20156—Automatic seed setting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请实施例提供一种确定组织边界的装置和方法。确定组织边界的方法包括：获取待检查组织的多个位置的多个切片图像；对于所述多个切片图像中的至少一个第一选定切片图像，确定所述第一选定切片图像上的组织边界；根据所述第一选定切片图像上的组织边界确定与所述第一选定切片图像相邻的预定数量的其他切片图像上的组织边界。由此，能够高效率地获得精确的组织(例如恶性肿瘤)边界，为分析肿瘤内外组织提供参考依据。

Description

确定组织边界的装置和方法
技术领域
本申请实施例涉及医疗设备技术领域，尤其涉及一种用于医学成像系统的确定组织边界的装置和方法。
背景技术
在放射治疗或放射学领域，医生希望了解组织(例如恶性肿瘤)的边界，以制定放射治疗计划。一方面，医生需要知道肿瘤的边界，以便准确地设置高能射线靶点。另一方面，在放射治疗过程中，医生还想知道一些在高能射线方向上要避开的正常组织边界。
应该注意，上面对技术背景的介绍只是为了方便对本申请的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述。
发明内容
但是，发明人发现，在大多数情况下，会使用一些造影剂来增强肿瘤组织及其边界。然而，根据具体情况，即使是同一个病人，在不同的治疗阶段，医生也无法控制进入肿瘤的造影剂容量。因此，由于造影剂的介入，医生不能按照治疗方案准确评价治疗效果。因此，医生希望在没有造影剂的情况下了解肿瘤。然而，在没有造影剂的情况下，医生使用传统的多能量成像技术检查肿瘤会遇到很大的困难。
另一方面，CT(Computed Tomography，计算机断层扫描)能谱成像使医生有机会获得组织检查能力。然而，能谱成像引入了大量的图像，这无疑增加了处理量，降低了工作效率。因此，医生们希望提高工作效率，甚至使用非造影剂成像来跟踪和调整治疗方案。
再一方面，即使使用能谱图像，传统的算法和新兴的人工智能(AI，ArtificialIntelligence)技术也不能很好地处理肿瘤边界，原因在于，一方面，肿瘤，特别是恶性肿瘤，其边界通常不清晰；另一方面，肿瘤的行为多变，不规律，即使是AI训练也不能很好地处理。
针对上述技术问题的至少之一，本申请实施例提供一种确定组织边界的装置和方法。期待能够高效率地获得精确的组织(特别是恶性肿瘤)边界，进一步为分析肿瘤内外组织提供参考。
根据本申请实施例的一方面，提供一种确定组织边界的装置，所述装置包括：
图像获取单元，其获取待检查组织的多个位置的多个切片图像；
第一边界确定单元，其对于所述多个切片图像中的至少一个第一选定切片图像，确定所述第一选定切片图像上的组织边界；以及
第二边界确定单元，其根据所述第一选定切片图像上的组织边界确定与所述第一选定切片图像相邻的预定数量的其他切片图像上的组织边界。
在一些实施例中，所述装置还包括：
第三边界确定单元，其对于所述多个切片图像中的至少一个第二选定切片图像，确定所述第二选定切片图像上的组织边界；以及
第四边界确定单元，其根据所述第二选定切片图像上的组织边界确定与所述第二选定切片图像相邻的预定数量的其他切片图像上的组织边界，
其中，所述至少一个第二选定切片图像的选定顺序与所述至少一个第一选定切片图像的选定顺序相反。
在一些实施例中，所述多个切片图像是通过对所述待检查组织的多个位置进行CT扫描获得的能谱图像，确定所述选定切片图像上的组织边界，包括：
对所述选定切片图像上的每个像素点进行特征提取，得到所述选定切片图像上的所有像素点的特征；
在所述选定切片图像上进行种子点的初始化；以及
根据所述选定切片图像上的所有像素点的特征以及预先设定的区域扩展准则，在所述选定切片图像上对所述种子点进行区域扩展，得到所述选定切片图像上的组织边界。
在一些实施例中，对所述选定切片图像上的每个像素点进行特征提取，包括：
计算所述像素点对应的能谱曲线的斜率以及所述像素点对应的能谱曲线上两点的CT值的平均值，将所述能谱曲线的斜率和所述CT值的平均值作为所述像素点的特征。
在一些实施例中，对所述选定切片图像上的每个像素点进行特征提取，包括：
计算所述像素点对应的能谱曲线的有效面积以及所述像素点对应的能谱曲线上两点的CT值的平均值，将所述能谱曲线的有效面积和所述CT值的平均值作为所述像素点的特征。
在一些实施例中，在所述切片图像上进行种子点的初始化，包括：
获取操作人员在所述切片图像上进行输入操作得到的位置，将所述位置所在的像素点作为所述种子点。
在一些实施例中，在所述选定切片图像上对所述种子点进行区域扩展，包括：
获取所述种子点所在位置的边界像素点的特征以及与所述边界像素点相邻的相邻像素点的特征；
将所述边界像素点的特征与所述相邻像素点的特征进行比较，将特征的差异在预定范围内的相邻像素点作为所述种子点的扩展区域；
判定是否满足预先设定的区域扩展准则，如果满足，则将所述扩展区域作为所述选定切片图像上的组织边界；否则继续对所述扩展区域进行区域扩展，直到满足预先设定的区域扩展准则。
在一些实施例中，确定与所述选定切片图像相邻的预定数量的其他切片图像上的组织边界，包括：
将所述选定切片图像上的组织边界复制到与所述选定切片图像相邻的切片图像上；
对所述相邻的切片图像上的所述组织边界进行收缩；
从收缩后的所述组织边界开始，根据所述相邻的切片图像上的所有像素点的特征以及预先设定的区域扩展准则，在所述相邻的切片图像上对所述收缩后的组织边界进行区域扩展，形成所述相邻的切片图像上的最终组织边界。
根据本申请实施例的另一方面，提供一种确定组织边界的方法，所述方法包括：
获取待检查组织的多个位置的多个切片图像；
对于所述多个切片图像中的至少一个第一选定切片图像，确定所述第一选定切片图像上的组织边界；
根据所述第一选定切片图像上的组织边界确定与所述第一选定切片图像相邻的预定数量的其他切片图像上的组织边界。
根据本申请实施例的另一方面，提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器被配置为执行所述计算机程序而实现如前所述的确定组织边界的方法。
本申请实施例的有益效果之一在于：根据本申请实施例，能够高效率地获得精确的组织边界，进一步为分析肿瘤内外组织提供参考。
参照后文的说明和附图，详细公开了本申请实施例的特定实施方式，指明了本申请实施例的原理可以被采用的方式。应该理解，本申请的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本申请的实施方式包括许多改变、修改和等同。
附图说明
所包括的附图用来提供对本申请实施例的进一步的理解，其构成了说明书的一部分，用于例示本申请的实施方式，并与文字描述一起来阐释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施方式。在附图中：
图1是本申请实施例的CT成像设备的一示意图；
图2是本申请实施例的CT成像系统的一示意图；
图3是本申请实施例的确定组织边界的方法的一示意图；
图4是一个切片图像的示意图；
图5是图4所示的切片图像上的三个像素点的能谱曲线的示意图；
图6是确定第一选定切片图像上的组织边界的一个示例的示意图；
图7是能谱曲线的有效面积的一个示例的示意图；
图8是对种子点进行区域扩展的一个示例的示意图；
图9是确定与选定切片图像相邻的切片图像上的组织边界的一个示例的示意图；
图10是第一选定切片图像和第二选定切片图像的选定顺序的一个示例的示意图；
图11是本申请实施例的确定组织边界的装置的一示意图；
图12是本申请实施例的电子设备的示意图。
具体实施方式
参照附图，通过下面的说明书，本申请实施例的前述以及其它特征将变得明显。在说明书和附图中，具体公开了本申请的特定实施方式，其表明了其中可以采用本申请实施例的原则的部分实施方式，应了解的是，本申请不限于所描述的实施方式，相反，本申请实施例包括落入所附权利要求的范围内的全部修改、变型以及等同物。
在本申请实施例中，术语“第一”、“第二”等用于对不同元素从称谓上进行区分，但并不表示这些元素的空间排列或时间顺序等，这些元素不应被这些术语所限制。术语“和/或”或者“/”包括相关联列出的术语的一种或多个中的任何一个和所有组合。术语“包含”、“包括”、“具有”等是指所陈述的特征、元素、元件或组件的存在，但并不排除存在或添加一个或多个其他特征、元素、元件或组件。
在本申请实施例中，单数形式“一”、“该”等包括复数形式，应广义地理解为“一种”或“一类”而并不是限定为“一个”的含义；此外术语“所述”应理解为既包括单数形式也包括复数形式，除非上下文另外明确指出。此外术语“根据”应理解为“至少部分根据……”，术语“基于”应理解为“至少部分基于……”，除非上下文另外明确指出。
针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
本文中所描述的获得医学影像数据的设备可以适用于各种医学成像模态，包括但不限于计算机断层扫描(CT)设备、磁共振成像(MRI，Magnetic Resonance Imaging)设备、C形臂成像设备、正电子发射断层扫描(PET，Positron Emission Computed Tomography)设备、单光子发射计算机断层扫描(SPECT，Single Photon Emission Computed Tomography)设备、或其他任何合适的医学成像设备。
获得医学影像数据的系统可以包括前述医学成像设备，也可以包括连接到医学成像设备的单独的计算机设备，还可以包括连接至互联网云端的计算机设备，该计算机设备通过互联网连接到医学成像设备或者存储医学图像的存储器。成像方法可以由前述医学成像设备、连接到医学成像设备的计算机设备、连接至互联网云端的计算机设备独立或者联合的实施。
示例性地，以下结合X射线计算机断层摄影(CT)设备描述本申请实施例。本领域技术人员将理解，本申请实施例还可以适用于其他医学成像设备。
图1是本申请实施例的CT成像设备的一示意图，示意性示出了CT成像设备100的情况。如图1所示，CT成像设备100包括扫描机架101和患者台102；扫描机架101具有X射线源103，X射线源103朝向扫描机架101的相对侧上的检测器组件或准直器104投射X射线束。检测对象105可以平躺在患者台102上，并随着患者台102移入扫描机架开口106；通过X射线源103的扫描，可以获得该检测对象105的医学影像数据。
图2是本申请实施例的CT成像系统的一示意图，示意性示出了CT成像系统200的框图。如图2所示，检测器组件104包括多个检测器单元104a和数据采集系统(DAS，DataAcquisition System)104b。多个检测器单元104a感测穿过检测对象105的经投射的X射线。
DAS 104b根据检测器单元104a的感测，将收集到的信息转换为投影数据以供后续处理。在采集X射线投影数据的扫描期间，扫描机架101以及安装于其上的部件绕着旋转中心101c旋转。
扫描机架101的旋转和X射线源103的操作由CT成像系统200的控制机构203控制。控制机构203包括向X射线源103提供功率和定时信号的X射线控制器203a、以及控制扫描机架101的旋转速度和位置的扫描机架电机控制器203b。图像重建装置204从DAS 104b接收投影数据并且执行图像重建。重建的图像作为输入传输至计算机205，计算机205将图像存储在大容量存储装置206中。
计算机205还通过控制台207从操作员接收命令和扫描参数。控制台207具有某种形式的操作员界面，例如键盘、鼠标、语音激活控制器或任何其他合适的输入装置。相关联的显示器208允许操作员观察来自计算机205的重建图像和其他数据。操作者提供的命令和参数由计算机205使用，以向DAS 104b、X射线控制器203a和扫描机架电机控制器203b提供控制信号和信息。另外，计算机205操作患者台电机控制器209，控制患者台102以定位检测对象105和扫描机架101。特别地，患者台102使检测对象105全部或部分地移动通过图1的扫描机架开口106。
以上示意性说明了本申请实施例的获取医学影像数据(或者也可称为医学图像或医学图像数据)的设备和系统，但本申请不限于此。医学成像设备可以是CT设备、MRI设备、PET设备、SPECT设备、或其他任何合适的成像设备。存储设备可以位于医学成像设备内、医学成像设备外部的服务器内、独立的医学影像存储系统(诸如，PACS，Picture Archivingand Communication System)内和/或远程的云存储系统内。
此外，医学成像工作站可以设置在医学成像设备本地，亦即医学成像工作站临近医学成像设备设置，两者可以共同位于扫查室、影像科或同一医院内。而医学图像云平台分析系统可以远离医学成像设备设置，例如设置在与医学成像设备通信的云端处。
作为示例，在医疗机构利用医学成像设备完成成像扫描之后，扫描得到的数据被存储在存储设备内；医学成像工作站可以直接读取扫描得到的数据，并且通过其处理器进行图像处理。作为另一个示例，医学图像云平台分析系统可以通过远程通信读取存储设备内的医学图像，以提供“软件即服务”(SaaS，Software as a Service)。SaaS可以存在于医院与医院之间、医院与影像中心之间，也可以存在于医院与第三方在线诊疗服务商之间。
以上示意性说明了医学图像扫描设备和系统，以下结合附图对本申请实施例进行具体说明。
第一方面的实施例
本申请实施例提供一种确定组织边界的方法。图3是本申请实施例的确定组织边界的方法的示意图，如图3所示，该方法包括：
301，获取待检查组织的多个位置的多个切片图像；
302，对于所述多个切片图像中的至少一个第一选定切片图像，确定所述第一选定切片图像上的组织边界；
303，根据所述第一选定切片图像上的组织边界确定与所述第一选定切片图像相邻的预定数量的其他切片图像上的组织边界。
值得注意的是，以上附图3仅示意性地对本申请实施例进行了说明，但本申请不限于此。例如可以适当地调整各个操作之间的执行顺序，此外还可以增加其他的一些操作或者减少其中的某些操作。本领域的技术人员可以根据上述内容进行适当地变型，而不仅限于上述附图3的记载。
发明人发现，使用双能CT扫描、多能CT扫描或者光子成像技术等CT扫描技术，能够得到不同keV下各像素的衰减(attenuation)，从而构造出像素的能谱曲线。
图4是一个切片图像的示意图，图5是图4所示的切片图像上点401～403的能谱曲线的示意图，如图4和图5所示，曲线502对应的点402在肿瘤区域，曲线501对应的点401和曲线503对应的点403都在正常区域。可见，利用能谱信息更容易区分肿瘤区域和正常组织。
在本申请实施例中，上述多个切片图像是从待检查组织的多个位置(截面)的能谱图像中获得的，通过对该多个切片图像中的一部分切片图像进行组织边界的确定，并根据这些切片图像上的组织边界确定其他切片图像上的组织边界，在节约计算量的同时能够快速勾勒出用户感兴趣的区域，为分析肿瘤内外组织提供参考依据。
在本申请实施例中，在301中，待检查组织例如为肿瘤组织，本申请不限于此，根据医生进行检查类别的不同，该待检查组织也可以为其他。在301中，多个切片图像是指所述待检查组织的多个位置的切片图像。
在上述实施例中，通过对待检查组织的多个位置(多个截面)进行CT扫描，可以获得每个位置的两个能谱图像，这两个能谱图像为kVp图像，通过对这两个能谱图像进行进一步处理，可以得到该位置的若干个切片图像，该若干个切片图像为keV图像，从而得到该位置的各像素点的能谱曲线。本申请对CT扫描方法不做限制，如前所述可以是双能CT扫描、多能CT扫描或者光子成像CT扫描等，此外，本申请对CT扫描所使用的能量也不做限制。
以双能CT扫描为例，例如可以采用80kVp和140kVp两种能量进行双能CT扫描，也可以采用其他组合的两种能量进行双能CT扫描，只要这两种能量的值具有一定的差距即可。
此外，本申请对从获得的两个能谱图像得到若干个切片图像的方法也不做限制，可以参考相关技术。
以图4和图5为例，在该示例中，通过对待检查组织的一个位置进行CT扫描，得到了140–40+1＝101个切片图像。假设对待检查组织的200个位置分别进行了CT扫描，每个位置得到上述101个切片图像，从每个位置选择一个切片图像作为该位置对应的切片图像，则得到200个位置的200个切片图像。
在上述实施例中，根据待检查组织所在部位不同和/或大小不同，进行CT扫描的位置的数量不做限制，例如，对于体积较小的待检查组织，可以选择200个截面进行CT扫描，由此获得200个切片图像；对于体积较大的待检查组织，可以选择500个或更多个截面进行CT扫描，由此获得500个或更多个切片图像。
在本申请实施例中，在302中，仅从上述多个切片图像中选择一部分切片图像进行组织边界的确定。例如，按照该多个切片图像的获得顺序(可以是时间顺序，也可以是各切片图像对应的位置的排列顺序)，间隔一定数量的切片图像选择一个进行组织边界的确定。
例如，假设获得了200个位置的200个切片图像，可以每间隔9个切片图像选择一个切片图像，将选择的该切片图像作为上述第一选定切片图像，对其进行组织边界的确定，例如，将第1个、第11个、第21个、…(以此类推)等作为上述第一选定切片图像，仅对该第1个、第11个、第21个…、(以此类推)进行组织边界的确定。
在302中，确定第一选定切片图像上的组织边界可以通过图6的方法来实现，如图6所示，该方法包括：
601，对所述第一选定切片图像上的每个像素点进行特征提取，得到所述第一选定切片图像上的所有像素点的特征；
602，在所述第一选定切片图像上进行种子点的初始化；
603，根据所述第一选定切片图像上的所有像素点的特征以及预先设定的区域扩展准则，在所述第一选定切片图像上对所述种子点进行区域扩展，得到所述第一选定切片图像上的组织边界。
在上述实施例中，由于该多个切片图像是通过对待检查组织的多个位置进行CT扫描获得的能谱图像，通过提取该切片图像上的像素点的特征，能够获得更多的能谱信息，由此能够得到更加精确的组织边界。
在601中，在一些实施例中，对于该第一选定切片图像上的每个像素点，可以计算该像素点对应的能谱曲线的斜率以及该像素点对应的能谱曲线上某两点的CT值(CTvalue)的平均值，将该能谱曲线的斜率和该CT值的平均值作为该像素点的特征。
例如，该像素点的能谱曲线的斜率可以通过下面的公式(1)计算获得：
Figure BDA0003084646820000091
在上面的公式(1)中，kevhigh是该像素点的能谱曲线的最高kev，kevlow是该像素点的能谱曲线的最低kev，
Figure BDA0003084646820000092
是该像素点的能谱曲线的最高kev所对应的CT值，
Figure BDA0003084646820000093
是该能谱曲线的最低kev所对应的CT值。
例如，该像素点的能谱曲线上某两点的CT值的平均值可以通过下面的公式(2)计算获得：
fct_mean＝(HUkev1+HUkev2)/2
(2)
在上面的公式(2)中，HUkev1是该像素点的能谱曲线上的某个点对应的CT值，HUkev2是该像素点的能谱曲线上的另一个点对应的CT值。
在601中，在一些实施例中，可以使用能谱曲线的有效面积来代替上述能谱曲线的斜率，也即，对于该第一选定切片图像上的每个像素点，可以计算该像素点对应的能谱曲线的有效面积以及该像素点对应的能谱曲线上两点的CT值的平均值，将该能谱曲线的有效面积和该CT值的平均值作为该像素点的特征。
例如，该像素点对应的能谱曲线的有效面积可以通过下面的公式(3)计算获得：
Figure BDA0003084646820000101
在上述的公式(3)中，HUmaxkev是该能谱曲线上最大keV所对应的CT值，HUn和HUn+1是该能谱曲线上某两点分别对应的CT值。图7的阴影示出了该能谱曲线的有效面积。
在上述实施例中，以根据该像素点对应的能谱曲线上最高keV的点和最低keV的点来计算该能谱曲线的斜率/有效面积和CT值的平均值为例，但本申请不限于此，也可以根据该能谱曲线上的其他两点来计算该能谱曲线的斜率/有效面积和CT值的平均值，只要该两点间隔一定keV即可，本申请对间隔的keV也不做限制。
在上述实施例中，仅以将像素点的能谱曲线的斜率/有效面积和CT值的平均值作为该像素点的特征为例，但本申请不限于此，也可以基于此进行扩展，例如，将该像素点的能谱曲线的其他特征作为该像素点的特征，以便在603中对种子点进行区域扩展，得到第一选定切片图像上的组织边界。
在602中，种子点即为被操作人员(例如医生)初始判定为组织(例如肿瘤)的点，在一些实施例中，可以获取操作人员在第一选定切片图像上进行输入操作得到的位置，将该位置所在的像素点作为该第一选定切片图像上的种子点。
本申请对该输入操作的类型不做限制，可以是画线操作，也可以是画点操作，还可以是画多边形或者不规则图形的操作，等等。上述画线操作可以是画直线，也可以是画曲线，可以是画单条线，也可以是画多条线，本申请不限于此。
通过上述输入操作，可以得到初始化的种子点，也即，初始被操作人员判定为组织(例如肿瘤)的点。
在603中，在一些实施例中，在第一选定切片图像上对种子点进行区域扩展可以通过图8的方法来实现，如图8所示，该方法包括：
801，获取种子点所在位置的边界像素点的特征以及与该边界像素点相邻的相邻像素点的特征；
802，将该边界像素点的特征与该相邻像素点的特征进行比较，将特征的差异在预定范围内的相邻像素点作为该种子点的扩展区域；
803，判定是否满足预先设定的区域扩展准则，如果满足，则将所述种子点的扩展区域作为所述选定切片图像上的组织边界；否则继续对所述种子点的扩展区域进行区域扩展，直到满足预先设定的区域扩展准则。
在上述实施例中，由于在601中已经得到了该第一选定切片图像上的所有像素点的特征，因此，在801中，可以得到种子点所在位置的边界像素点的特征以及与该边界像素点相邻的相邻像素点的特征。并且，以获取的特征为斜率/有效面积和CT值平均值为例，在802中，特征的比较可以是斜率/有效面积的比较以及CT值平均值的比较。
例如，对于每个边界像素点a，对其周围若干个像素点a1,a2,…计算特征：斜率/有效面积和CT值平均值，如果像素点a1的斜率与像素点a的斜率或面积的差异小于预先设定的第一阈值(也即差异在预定范围内)，且这两个像素点的CT值平均值的差异小于预先设定的第二阈值(也即差异在预定范围内)，则认为像素点a1与像素点a属于一种物质，将像素点a1划为像素点a的区域；若像素点a2与像素点a的差异大于阈值(斜率或面积的差异大于第一阈值，并且CT值平均值的差异大于第二阈值)，则认为像素点a2不属于像素点a区域。本申请对上述第一阈值和第二阈值的取值不做限制，可以根据经验设定。
在上述实施例中，在803中，对种子点的扩展区域进行区域扩展的方法与对种子点进行区域扩展的方法相同，仅需要在801中将种子点所在的位置替换为该种子点的扩展区域即可。例如，获取该种子点的扩展区域所在位置的边界像素点的特征以及与该边界像素点相邻的相邻像素点的特征，将该边界像素点的特征与该相邻像素点的特征进行比较，将特征的差异在预定范围内的相邻像素点作为该种子点的扩展区域的扩展区域。以此类推。
在上述实施例中，种子点/扩展区域所在的位置的边界像素点是指种子点/扩展区域所在的位置的像素点中靠近边界的像素点，以种子点为一条线为例，则种子点所在位置的边界像素点为这条线所在位置的所有像素点，因为这条线的所有像素点都是边界；以种子点或者扩展区域为一个多边形的区域为例，则种子点/扩展区域所在的位置的边界像素点为该多边形的区域所在位置的像素点中位于该多边形的区域的边缘的像素点。
在上述实施例中，区域扩展准则是指进行区域扩展的扩展条件和结束条件，本申请对该区域扩展准则不做限制，具体可以参考相关技术，此处省略说明。
在603中，通过对种子点进行区域扩展，得到了上述第一选定切片图像上的组织边界。
在本申请实施例中，在303中，得到了第一选定切片图像上的组织边界之后，即可利用该组织边界确定与该第一选定切片图像相邻的预定数量的其他切片图像上的组织边界。例如，利用相邻切片图像的位置和特征相似的特性，使用水平集的方法来迭代分割待检查组织的所有的切片图像。
仍以待检查组织的200个位置(截面)对应的200个切片图像为例，假设将第1个、第11个、第21个、第31个、第41个…等切片图像作为第一选定切片图像，根据图5的方法得到了该第1个、第11个、第21个、第31个、第41个…等切片图像上的组织边界之后，则可以根据该第1个、第11个、第21个、第31个、第41个…等切片图像上的组织边界确定第2-10个、第12-20个、第22-30个、第32-40个…等切片图像上的组织边界。
在一些实施例中，确定与第一选定切片图像相邻的预定数量的其他切片图像上的组织边界，可以通过图9的方法来实现，如图9所示，该方法包括：
901，将第一选定切片图像上的组织边界复制到与该第一选定切片图像相邻的切片图像上；
902，对所述相邻的切片图像上的组织边界进行收缩；
903，从收缩后的组织边界开始，根据该相邻的切片图像上的所有像素点的特征以及预先设定的区域扩展准则，在该相邻的切片图像上对收缩后的组织边界进行区域扩展，形成该相邻的切片图像上的最终组织边界。
以第一选定切片图像为slice 1，相邻的切片图像为slice 2为例，这里的相邻可以是时间上相邻，也可以是位置上相邻，具体取决于多个切片图像的获得顺序。在本申请实施例中，得到slice 1上的组织边界后，先将该组织边界复制到slice 2上，做一个收缩，将收缩后的组织边界作为slice 2的初始组织边界，然后从该初始组织边界开始向外扩展，扩展的方法与种子点的区域扩展的方法相同。由此，根据每个像素点的特征以及区域扩展准则(也即扩展和结束条件)，扩展形成slice 2的最终组织边界。对于slice 3上的组织边界，可以采用与slice 2类似的方法，不同的是，将slice 2的最终组织边界复制到slice 3上，以此类推。
在上述实施例中，相邻的切片图像，可以是当前切片图像之前的切片图像，也可以是当前切片图像之后的切片图像，本申请对此不做限制。例如，可以根据slice 10的组织边界确定slice 11的组织边界，也可以根据slice 12的组织边界确定slice 11的组织边界。
在本申请实施例中，在一些实施例中，如图3所示，该方法还包括：
304，对于所述多个切片图像中的至少一个第二选定切片图像，确定所述第二选定切片图像上的组织边界；
305，根据所述第二选定切片图像上的组织边界确定与所述第二选定切片图像相邻的预定数量的其他切片图像上的组织边界，
其中，所述至少一个第二选定切片图像的选定顺序与所述至少一个第一选定切片图像的选定顺序相反。
在本申请实施例中，根据302和303可以得到多个切片图像上的组织边界，然而，在某些切片图像中，待检查组织不止一个区域，为了避免漏掉某个或某些区域，本申请从反方向对该多个切片图像再次进行一次组织边界的确定处理，也即从最后一个切片图像开始，到第一个切片图像结束，进行切片图像上组织边界的确定处理。由此，通过使用双向遍历的方法来确定切片图像上的组织边界，进一步提高了组织边界的分割精度。
在上述实施例中，第二选定切片图像的选定顺序与第一选定切片图像的选定顺序相反是指，如果第一选定切片图像的选定顺序是上述多个切片图像的获得顺序，则第二选定切片图像的选定顺序是与该多个切片图像的获得顺序相反的顺序。
假设该多个切片图像的获得顺序为slice 1、slice 2、slice 3、slice 4……slice 200，则如果第一选定切片图像的选定顺序是slice 1、slice 11、slice 21…，那么第二选定切片图像的选定顺序则为slice 200、slice 190、slice 180、slice 170…。以上仅是举例说明，本申请对此不做限制，此外，该至少一个第一选定切片图像和该至少一个第二选定切片图像所间隔的切片图像的数量可以相同，也可以不同。
图10是切片图像选定顺序的一个示例，如图10所示，如果该至少一个第一选定切片图像的选定顺序为从初始切片图像(start slice)到终止切片图像(stop slice)，则该至少一个第二选定切片图像的选定顺序为从stop slice到start slice。
根据上述实施例的方法，能够避免漏掉待检查组织的区域。
在上述实施例中，304的处理与302的处理相同，具体可以参照图6；此外，305的处理与303的处理相同，具体可以参照图9，此处省略说明。
以上各个实施例仅对本申请实施例进行了示例性说明，但本申请不限于此，还可以在以上各个实施例的基础上进行适当的变型。例如，可以单独使用上述各个实施例，也可以将以上各个实施例中的一种或多种结合起来。
根据本申请实施例，能够高效率地获得精确的组织边界，进一步为分析肿瘤内外组织提供参考。
第二方面的实施例
本申请实施例提供一种确定组织边界的装置，与第一方面的实施例相同的内容不再赘述。
图11是本申请实施例的确定组织边界的装置的一示意图。如图11所示，确定组织边界的装置1100包括：
图像获取单元1101，其获取待检查组织的多个位置的多个切片图像；
第一边界确定单元1102，其对于所述多个切片图像中的至少一个第一选定切片图像，确定所述第一选定切片图像上的组织边界；以及
第二边界确定单元1103，其根据所述第一选定切片图像上的组织边界确定与所述第一选定切片图像相邻的预定数量的其他切片图像上的组织边界。
在一些实施例，如图11所示，该装置1100还包括：
第三边界确定单元1104，其对于所述多个切片图像中的至少一个第二选定切片图像，确定所述第二选定切片图像上的组织边界；以及
第四边界确定单元1105，其根据所述第二选定切片图像上的组织边界确定与所述第二选定切片图像相邻的预定数量的其他切片图像上的组织边界，
其中，所述至少一个第二选定切片图像的选定顺序与所述至少一个第一选定切片图像的选定顺序相反。
在一些实施例中，所述多个切片图像是通过对所述待检查组织的多个位置进行CT扫描获得的能谱图像，第一边界确定单元1102/第三边界确定单元1104确定所述选定切片图像(第一选定切片图像/第二选定切片图像)上的组织边界，包括：
对所述选定切片图像上的每个像素点进行特征提取，得到所述选定切片图像上的所有像素点的特征；
在所述选定切片图像上进行种子点的初始化；以及
根据所述选定切片图像上的所有像素点的特征以及预先设定的区域扩展准则，在所述选定切片图像上对所述种子点进行区域扩展，得到所述选定切片图像上的组织边界。
在上述实施例中，在一些实施例中，对所述选定切片图像上的每个像素点进行特征提取，包括：
计算所述像素点对应的光谱曲线的斜率以及所述像素点对应的光谱曲线上两点的CT值的平均值，将所述光谱曲线的斜率和所述CT值的平均值作为所述像素点的特征。
在上述实施例中，在一些实施例中，对所述选定切片图像上的每个像素点进行特征提取，包括：
计算所述像素点对应的光谱曲线的有效面积以及所述像素点对应的光谱曲线上两点的CT值的平均值，将所述光谱曲线的有效面积和所述CT值的平均值作为所述像素点的特征。
在上述实施例中，在一些实施例中，在所述切片图像上进行种子点的初始化，包括：
获取操作人员在所述切片图像上进行输入操作得到的位置，将所述位置所在的像素点作为所述种子点。
在上述实施例中，在一些实施例中，在所述选定切片图像上对所述种子点进行区域扩展，包括：
获取所述种子点所在位置的边界像素点的特征以及与所述边界像素点相邻的相邻像素点的特征；
将所述边界像素点的特征与所述相邻像素点的特征进行比较，将特征的差异在预定范围内的相邻像素点作为所述种子点的扩展区域；
判定是否满足预先设定的区域扩展准则，如果满足，则将所述扩展区域作为所述选定切片图像上的组织边界；否则继续对所述扩展区域进行区域扩展，直到满足预先设定的区域扩展准则。
在一些实施例中，第二边界确定单元1103/第四边界确定单元1105确定与所述选定切片图像(第一选定切片图像/第二选定切片图像)相邻的预定数量的其他切片图像上的组织边界，包括：
将所述选定切片图像上的组织边界复制到与所述选定切片图像相邻的切片图像上；
对所述相邻的切片图像上的所述组织边界进行收缩；
从收缩后的所述组织边界开始，根据所述相邻的切片图像上的所有像素点的特征以及预先设定的区域扩展准则，在所述相邻的切片图像上对所述收缩后的组织边界进行区域扩展，形成所述相邻的切片图像上的最终组织边界。
为了简单起见，图11中仅示例性示出了各个部件或模块之间的连接关系或信号走向，但是本领域技术人员应该清楚的是，可以采用总线连接等各种相关技术。上述各个部件或模块可以通过例如处理器、存储器等硬件设施来实现；本申请实施例并不对此进行限制。
以上各个实施例仅对本申请实施例进行了示例性说明，但本申请不限于此，还可以在以上各个实施例的基础上进行适当的变型。例如，可以单独使用上述各个实施例，也可以将以上各个实施例中的一种或多种结合起来。
根据本申请实施例，能够高效率地获得精确的组织边界，进一步为分析肿瘤内外组织提供参考。
第三方面的实施例
本申请实施例提供一种电子设备，包括有如第二方面的实施例所述的确定组织边界的装置1100，其内容被合并于此。该电子设备例如可以是计算机、服务器、工作站、膝上型计算机、智能手机，等等；但本申请实施例不限于此。
图12是本申请实施例的电子设备的示意图。如图12所示，电子设备1200可以包括：一个或多个处理器(例如中央处理器CPU)1210和一个或多个存储器1220；存储器1220耦合到处理器1210。其中该存储器1220可存储各种数据；此外还存储信息处理的程序1221，并且在处理器1210的控制下执行该程序1221。
在一些实施例中，确定组织边界的装置1100的功能被集成到处理器1210中实现。其中，处理器1210被配置为实现如第一方面的实施例所述的确定组织边界的方法。
在一些实施例中，确定组织边界的装置1100与处理器1210分开配置，例如可以将确定组织边界的装置1100配置为与处理器1210连接的芯片，通过处理器1210的控制来实现确定组织边界的装置1100的功能。
例如，处理器1210被配置为进行如下的控制：获取待检查组织的多个位置的多个切片图像；对于所述多个切片图像中的至少一个第一选定切片图像，确定所述第一选定切片图像上的组织边界；根据所述第一选定切片图像上的组织边界确定与所述第一选定切片图像相邻的预定数量的其他切片图像上的组织边界。
此外，如图12所示，电子设备1200还可以包括：输入输出(I/O)设备1230和显示器1240等；其中，上述部件的功能与现有技术类似，此处不再赘述。值得注意的是，电子设备1200也并不是必须要包括图12中所示的所有部件；此外，电子设备1200还可以包括图12中没有示出的部件，可以参考相关技术。
本申请实施例还提供一种计算机可读程序，其中当在电子设备中执行所述程序时，所述程序使得计算机在所述电子设备中执行如第一方面的实施例所述的确定组织边界的方法。
本申请实施例还提供一种存储有计算机可读程序的存储介质，其中所述计算机可读程序使得计算机在电子设备中执行如第一方面的实施例所述的确定组织边界的方法。
本申请以上的装置和方法可以由硬件实现，也可以由硬件结合软件实现。本申请涉及这样的计算机可读程序，当该程序被逻辑部件所执行时，能够使该逻辑部件实现上文所述的装置或构成部件，或使该逻辑部件实现上文所述的各种方法或步骤。本申请还涉及用于存储以上程序的存储介质，如硬盘、磁盘、光盘、DVD、flash存储器等。
结合本申请实施例描述的方法/装置可直接体现为硬件、由处理器执行的软件模块或二者组合。例如，图中所示的功能框图中的一个或多个和/或功能框图的一个或多个组合，既可以对应于计算机程序流程的各个软件模块，亦可以对应于各个硬件模块。这些软件模块，可以分别对应于图中所示的各个步骤。这些硬件模块例如可利用现场可编程门阵列(FPGA)将这些软件模块固化而实现。
软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域已知的任何其它形式的存储介质。可以将一种存储介质耦接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息；或者该存储介质可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该软件模块可以存储在移动终端的存储器中，也可以存储在可插入移动终端的存储卡中。例如，若设备(如移动终端)采用的是较大容量的MEGA-SIM卡或者大容量的闪存装置，则该软件模块可存储在该MEGA-SIM卡或者大容量的闪存装置中。
针对附图中描述的功能方框中的一个或多个和/或功能方框的一个或多个组合，可以实现为用于执行本申请所描述功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。针对附图描述的功能方框中的一个或多个和/或功能方框的一个或多个组合，还可以实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、与DSP通信结合的一个或多个微处理器或者任何其它这种配置。
以上结合具体的实施方式对本申请进行了描述，但本领域技术人员应该清楚，这些描述都是示例性的，并不是对本申请保护范围的限制。本领域技术人员可以根据本申请原理对本申请做出各种变型和修改，这些变型和修改也在本申请的范围内。
关于包括以上实施例的实施方式，还公开下述的附记：
1.一种确定组织边界的方法，其中，所述方法包括：
获取待检查组织的多个位置的多个切片图像；
对于所述多个切片图像中的至少一个第一选定切片图像，确定所述第一选定切片图像上的组织边界；以及
根据所述第一选定切片图像上的组织边界确定与所述第一选定切片图像相邻的预定数量的其他切片图像上的组织边界。
2.根据附记1所述的方法，其中，所述方法还包括：
对于所述多个切片图像中的至少一个第二选定切片图像，确定所述第二选定切片图像上的组织边界；以及
根据所述第二选定切片图像上的组织边界确定与所述第二选定切片图像相邻的预定数量的其他切片图像上的组织边界，
其中，所述至少一个第二选定切片图像的选定顺序与所述至少一个第一选定切片图像的选定顺序相反。
3.根据附记1或2所述的方法，其中，所述多个切片图像是通过对所述待检查组织的多个位置进行CT扫描获得的能谱图像，确定所述选定切片图像上的组织边界，包括：
对所述选定切片图像上的每个像素点进行特征提取，得到所述选定切片图像上的所有像素点的特征；
在所述选定切片图像上进行种子点的初始化；以及
根据所述选定切片图像上的所有像素点的特征以及预先设定的区域扩展准则，在所述选定切片图像上对所述种子点进行区域扩展，得到所述选定切片图像上的组织边界。
4.根据附记3所述的方法，其中，对所述选定切片图像上的每个像素点进行特征提取，包括：
计算所述像素点对应的能谱曲线的斜率以及所述像素点对应的能谱曲线上两点的CT值的平均值，将所述能谱曲线的斜率和所述CT值的平均值作为所述像素点的特征。
5.根据附记3所述的方法，其中，对所述选定切片图像上的每个像素点进行特征提取，包括：
计算所述像素点对应的能谱曲线的有效面积以及所述像素点对应的能谱曲线上两点的CT值的平均值，将所述能谱曲线的有效面积和所述CT值的平均值作为所述像素点的特征。
6.根据附记3所述的方法，其中，在所述切片图像上进行种子点的初始化，包括：
获取操作人员在所述切片图像上进行输入操作得到的位置，将所述位置所在的像素点作为所述种子点。
7.根据附记3所述的方法，其中，在所述选定切片图像上对所述种子点进行区域扩展，包括：
获取所述种子点所在位置的边界像素点的特征以及与所述边界像素点相邻的相邻像素点的特征；
将所述边界像素点的特征与所述相邻像素点的特征进行比较，将特征的差异在预定范围内的相邻像素点作为所述种子点的扩展区域；
判定是否满足预先设定的区域扩展准则，如果满足，则将所述扩展区域作为所述选定切片图像上的组织边界；否则继续对所述扩展区域进行区域扩展，直到满足预先设定的区域扩展准则。
8.根据附记1或2所述的方法，其中，确定与所述选定切片图像相邻的预定数量的其他切片图像上的组织边界，包括：
将所述选定切片图像上的组织边界复制到与所述选定切片图像相邻的切片图像上；
对所述相邻的切片图像上的所述组织边界进行收缩；
从收缩后的所述组织边界开始，根据所述相邻的切片图像上的所有像素点的特征以及预先设定的区域扩展准则，在所述相邻的切片图像上对所述收缩后的组织边界进行区域扩展，形成所述相邻的切片图像上的最终组织边界。
9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器被配置为执行所述计算机程序而实现如附记1至8任一项所述的确定组织边界的方法。
10.一种存储有计算机可读程序的存储介质，其中所述计算机可读程序使得计算机在电子设备中执行如附记1至8任一项所述的确定组织边界的方法。

Claims (10)

1.一种确定组织边界的装置，其特征在于，所述装置包括：
图像获取单元，其获取待检查组织的多个位置的多个切片图像；
第一边界确定单元，其对于所述多个切片图像中的至少一个第一选定切片图像，确定所述第一选定切片图像上的组织边界；以及
第二边界确定单元，其根据所述第一选定切片图像上的组织边界确定与所述第一选定切片图像相邻的预定数量的其他切片图像上的组织边界。
2.根据权利要求1所述的装置，其特征在于，所述装置还包括：
第三边界确定单元，其对于所述多个切片图像中的至少一个第二选定切片图像，确定所述第二选定切片图像上的组织边界；以及
第四边界确定单元，其根据所述第二选定切片图像上的组织边界确定与所述第二选定切片图像相邻的预定数量的其他切片图像上的组织边界，
其中，所述至少一个第二选定切片图像的选定顺序与所述至少一个第一选定切片图像的选定顺序相反。
3.根据权利要求1或2所述的装置，其特征在于，所述多个切片图像是通过对所述待检查组织的多个位置进行CT扫描获得的能谱图像；确定所述选定切片图像上的组织边界，包括：
对所述选定切片图像上的每个像素点进行特征提取，得到所述选定切片图像上的所有像素点的特征；
在所述选定切片图像上进行种子点的初始化；以及
根据所述选定切片图像上的所有像素点的特征以及预先设定的区域扩展准则，在所述选定切片图像上对所述种子点进行区域扩展，得到所述选定切片图像上的组织边界。
4.根据权利要求3所述的装置，其特征在于，对所述选定切片图像上的每个像素点进行特征提取，包括：
计算所述像素点对应的能谱曲线的斜率以及所述像素点对应的能谱曲线上两点的CT值的平均值，将所述能谱曲线的斜率和所述CT值的平均值作为所述像素点的特征。
5.根据权利要求3所述的装置，其特征在于，对所述选定切片图像上的每个像素点进行特征提取，包括：
计算所述像素点对应的能谱曲线的有效面积以及所述像素点对应的能谱曲线上两点的CT值的平均值，将所述能谱曲线的有效面积和所述CT值的平均值作为所述像素点的特征。
6.根据权利要求3所述的装置，其特征在于，在所述切片图像上进行种子点的初始化，包括：
获取操作人员在所述切片图像上进行输入操作得到的位置，将所述位置所在的像素点作为所述种子点。
7.根据权利要求3所述的装置，其特征在于，在所述选定切片图像上对所述种子点进行区域扩展，包括：
获取所述种子点所在位置的边界像素点的特征以及与所述边界像素点相邻的相邻像素点的特征；
将所述边界像素点的特征与所述相邻像素点的特征进行比较，将特征的差异在预定范围内的相邻像素点作为所述种子点的扩展区域；
判定是否满足预先设定的区域扩展准则，如果满足，则将所述扩展区域作为所述选定切片图像上的组织边界；否则继续对所述扩展区域进行区域扩展，直到满足预先设定的区域扩展准则。
8.根据权利要求1或2所述的装置，其特征在于，确定与所述选定切片图像相邻的预定数量的其他切片图像上的组织边界，包括：
将所述选定切片图像上的组织边界复制到与所述选定切片图像相邻的切片图像上；
对所述相邻的切片图像上的所述组织边界进行收缩；
从收缩后的所述组织边界开始，根据所述相邻的切片图像上的所有像素点的特征以及预先设定的区域扩展准则，在所述相邻的切片图像上对所述收缩后的组织边界进行区域扩展，形成所述相邻的切片图像上的最终组织边界。
9.一种确定组织边界的方法，其特征在于，所述方法包括：
获取待检查组织的多个位置的多个切片图像；
对于所述多个切片图像中的至少一个第一选定切片图像，确定所述第一选定切片图像上的组织边界；
根据所述第一选定切片图像上的组织边界确定与所述第一选定切片图像相邻的预定数量的其他切片图像上的组织边界。
10.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器被配置为执行所述计算机程序而实现如权利要求9所述的确定组织边界的方法。
CN202110576883.0A 2021-05-26 2021-05-26 确定组织边界的装置和方法 Pending CN115410692A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110576883.0A CN115410692A (zh) 2021-05-26 2021-05-26 确定组织边界的装置和方法
US17/750,631 US20220383491A1 (en) 2021-05-26 2022-05-23 Tissue boundary determination apparatus and method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110576883.0A CN115410692A (zh) 2021-05-26 2021-05-26 确定组织边界的装置和方法

Publications (1)

Publication Number Publication Date
CN115410692A true CN115410692A (zh) 2022-11-29

Family

ID=84156547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110576883.0A Pending CN115410692A (zh) 2021-05-26 2021-05-26 确定组织边界的装置和方法

Country Status (2)

Country Link
US (1) US20220383491A1 (zh)
CN (1) CN115410692A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117427286A (zh) * 2023-10-30 2024-01-23 南京鼓楼医院 一种基于能谱ct的肿瘤放疗靶区识别方法、系统及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117427286A (zh) * 2023-10-30 2024-01-23 南京鼓楼医院 一种基于能谱ct的肿瘤放疗靶区识别方法、系统及设备
CN117427286B (zh) * 2023-10-30 2024-04-26 南京鼓楼医院 一种基于能谱ct的肿瘤放疗靶区识别方法、系统及设备

Also Published As

Publication number Publication date
US20220383491A1 (en) 2022-12-01

Similar Documents

Publication Publication Date Title
US8965092B2 (en) Method and apparatus to determine acquisition parameters in dual-energy tomosynthesis
US10874367B2 (en) Angiography
JP6442243B2 (ja) コンピュータ断層撮影画像再構成のアーチファクト低減の方法および装置
JP4152765B2 (ja) 三次元ディジタル・マンモグラフィのための計算機支援検出（ｃａｄ）
NL2002313C2 (en) System and method for extracting features of interest from an image.
US7564998B2 (en) Image processing apparatus and method, and program
US10856818B2 (en) Systems and methods for estimating irradiation dose for patient application based on a radiation field model and a patient anatomy model
US8774485B2 (en) Systems and methods for performing segmentation and visualization of multivariate medical images
EP2875781A1 (en) Apparatus and method for processing a medical image of a body lumen
US9629587B2 (en) Systems and methods for coronary imaging
JP2007068992A (ja) 投影画像を用いた３ｄｃａｄのシステム及び方法
KR101946576B1 (ko) 의료 영상 장치 및 의료 영상 처리 방법
US20190142357A1 (en) Systems and methods for improving image quality with three-dimensional scout
US9349199B2 (en) System and method for generating image window view settings
US9895126B2 (en) System and method for quantification of muscle and fat using abdominal CT imaging
US9858688B2 (en) Methods and systems for computed tomography motion compensation
US9836862B2 (en) Methods and systems for contrast enhanced imaging with single energy acquisition
CN115410692A (zh) 确定组织边界的装置和方法
US11610344B2 (en) Image interpretation support apparatus, image interpretation support method, and image interpretation support program
JP7346546B2 (ja) Ｃｔ仮想単色撮像のための自動的適応エネルギ設定を行う方法
WO2016186746A1 (en) Methods and systems for automatic segmentation
KR102399792B1 (ko) 인공지능 기반 Hounsfield unit (HU) 정규화 및 디노이징 (Denoising)을 통한 전처리 장치 및 방법
CN117679053A (zh) 球管电流值的获取方法和医学成像系统
CN117594197A (zh) 预览图生成方法、装置和电子设备
CN115770056A (zh) 成像系统、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