CN115861230A - 由胸腔ct图像分割确定肺区域的方法及系统 - Google Patents
由胸腔ct图像分割确定肺区域的方法及系统 Download PDFInfo
- Publication number
- CN115861230A CN115861230A CN202211530116.7A CN202211530116A CN115861230A CN 115861230 A CN115861230 A CN 115861230A CN 202211530116 A CN202211530116 A CN 202211530116A CN 115861230 A CN115861230 A CN 115861230A
- Authority
- CN
- China
- Prior art keywords
- image
- lung
- region
- segmentation
- subunit
- 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- Withdrawn
Links
Images
Abstract
一种由胸腔CT图像分割确定肺区域的方法及系统,包括步骤如下:对目标胸腔CT图像进行滤波处理,以去除目标胸腔CT图像中的噪声;对经过滤波处理的目标胸腔CT图像进行半自动分割,获取对应的肺野区域形状的训练集,计算训练集的形状的均值形状,获得PCA形状向量;通过PCA形状向量与活动轮廓相结合的迭代方法拟合肺野区域的正确边界,并得到肺野区域的CT图像;采用自适应阈值法对肺野区域的CT图像进行二值化处理,然后采用区域生长法对肺部区域进行粗分割,获取肺部的粗分割CT图像;以及运用水平集的方法对肺部的粗分割CT图像进行精准分割,获取肺区域的CT图像。
Description
技术领域
本发明涉及一种医学影像处理方法及系统,特别涉及一种针对肺区域的医学图像的定位分割方法及系统。
背景技术
医学人员研究发现在胸腔CT影像中对肺结构的分析可以有效实现对肺部疾病的及时准确的判断。准确的分割是医学图像处理、分析算法的预先要求。而在胸腔CT影像中肺部结构分析和疾病检测中对正确的肺部分割有着更高的要求,这是因为已分割出的肺对后续检测与处理的成功与否有着重要的影响。可是如果肺部被高密度病变所影响时,有些传统的分割方法通常会遭遇到失败并只能得到一些不正确的分割结果。
此外,对胸腔CT影像检测、量化异常肺病变区域进行自动分析方法来说,获取影像中完整的肺部区域并提供给后续阶段的处理与分析是至关重要的。由于近胸膜肺病变存在于胸壁边缘且累及肺壁外的胸膜时,会使许多现有的方法不能对影像中的肺部区域完成较为正确的分割。
如中国专利申请202110960219.6号公开的一种基于胸部CT影像的肺实质自动分割方法,由于采用了自动种子点提取方法来提取种子点,采用了区域生长方法以及孔洞填充方法来提取得到胸腔轮廓,采用了面积阈值方法来去除两个连通域中的气管区域,从而得到肺实质区域,进一步地,还将得到的肺实质区域以及对应的胸部CT影像作为一一对应的标签和图像,组成训练集,基于该训练集进行分割网络的训练,得到训练好的肺实质分割网格模型,用于后续从新的胸部CT影像中提取肺实质区域。然而,该基于胸部CT影像的肺实质自动分割方法获得的分割图像中对于肺实质内部的细节信息以及肺部边缘信息的精确度难以满足医学要求。
又如中国专利申请201810819746.3号公开的一种基于水平集的CT胸片肺组织图像分割方法,其包括:获取CT图像并预处理;构造能量泛函并设定初始零水平集;最小化能量泛函,得零水平集轮廓;从中选出候选肺部区域轮廓;逐个向内候选肺部区域填充轮廓;对填充结果进行形态学开、闭操作,移除小体积连通区域。然而,该基于水平集的CT胸片肺组织图像分割方法的计算分割速度较慢,难以满足实际的医疗需求。
因此,提供一种识别能力强、分割精度高、处理效率高的由胸腔CT图像分割确定肺区域的方法及系统是业界急需解决的问题。
发明内容
本发明的目的是提供一种可有效、准确地分割出肺部区域,并且还可保留肺内部的细节信息的由胸腔CT图像分割确定肺区域的方法。
根据本发明的一个方面,提供一种由胸腔CT图像分割确定肺区域的方法,包括步骤如下:(1)、对目标胸腔CT图像进行滤波处理,以去除目标胸腔CT图像中的噪声;(2)、对经过滤波处理的目标胸腔CT图像进行半自动分割,获取对应的肺野区域形状的训练集,计算训练集的形状的均值形状,获得PCA形状向量;(3)、通过PCA形状向量与活动轮廓相结合的迭代方法拟合肺野区域的正确边界,并得到肺野区域的CT图像;(4)、采用自适应阈值法对肺野区域的CT图像进行二值化处理,然后采用区域生长法对肺部区域进行粗分割,获取肺部的粗分割CT图像;以及(5)、运用水平集的方法对肺部的粗分割CT图像进行精准分割,获取肺区域的CT图像。
可选择地,在步骤(1)中,对目标胸腔CT图像依次进行高斯滤波、中值滤波、以及维纳滤波。
可选择地,在步骤(2)中,包括:(2-1)、半自动分割经过滤波处理的目标胸腔CT图像中的二维肺野区域,得到对应的肺野区域的形状的训练集;(2-2)、把肺野区域的图像按照形状的相似性进行初步分类,再将肺野区域的图像与高斯函数卷积进行平滑处理;(2-3)、对卷积平滑后的区域进行符号距离化,把这些形状进行形心与方向对齐,并计算训练集的形状的均值形状;以及(2-4)、计算PCA模型,并将其分解为相应的特征向量模式,获得PCA形状向量。
其中,在肺野模型的PCA(主成分分析,Principal Component Analysis)分解过程中,假设训练的各个影像是ui(i=1,2,……,n),则其均值形状为μ。使把n个放置成为Nd×n列向量M,则其协方差矩阵可为C,则对该协方差矩阵进行SVD分解可得式(1)
C=UΣUT (1)
其中,U的列向量代表了形状变化的正交特征模式,而Σ是对应的奇异值的对角矩阵。同类新颖形状u可被K维空间K个特征主元所表示,其系数向量可以由投影所获得,实际上这些系数就是u在投影空间中的位置坐标。假设Uk是最大特征值对应的特征向量U的前k个列向量,则因子向量它表示一个向量投射如特征模式空间的坐标,一个通过训练获取的特征向量模式,则被估计的新颖形状向量可以用/>来重构。
可选择地,在步骤(3)中,包括:(3-1)、通过梯度下降法对结合了肺野区域的形状的活动轮廓模型进行求解,拟合出肺野区域的边界轮廓曲线;以及(3-2)、采用基于边界的区域分割方法从目标胸腔CT图像中分割出肺野区域。
可选择地,在步骤(4)中,包括:(4-1)、采用OSTU方法(最大类间方差法,一种自适应阈值确定方法,也称为大津方法)对肺野区域的CT图像进行二值化处理;(4-2)、应用区域生长法,初步定位肺实质的轮廓区域,去除肺实质轮廓CT图像中的气管,获取肺实质轮廓CT图像;以及(4-3)、对肺实质轮廓CT图像的肺部边缘进行修复,获取肺部的粗分割CT图像。
优选地,在步骤(3)和步骤(4)中,还包括步骤:将肺野区域的CT图像转化为BMP格式。
优选地,在步骤(4-1)中,OSTU方法根据阈值把图像区域分为两组,当被分成的两个区域方差达到最大时,用得到最佳分割阈值来对图像进行分割,其属于单阈值分割,将图像分为背景和目标两类,经过处理后,灰度图像转换成只有黑白两色的图像。处理步骤为:1)读取肺部CT图像,转成BMP格式的图像;2)应用MATLAB软件工具箱中的imhist函数绘制图像的灰度直方图,公式为:M=imhist(I,n),其中,I为原始图像,n为灰度级,M为图像I的灰度直方图。根据肺部区域与周围器官的灰度差异,使得直方图中重叠区域最小,求出两个区域的最大类间方差值,得到最佳分割阈值,根据阈值分割出肺部区域作为目标区域,其他区域作为背景区域。
优选地,在步骤(4-2)中,确定区域内作为生长种子点的像素点,确定种子点的生长准则,确定种子点在生长过程中的终止条件。
优选地,在步骤(4-2)中,对于肺部区域边界的初步定位包括步骤:(a)、输入二值化后的图像,计算获得图像上X、Y轴方向的最大分辨率Amax、Bmax;(b)、选取目标区域R,计算该目标区域的灰度平均值Tm,设该区域内有N像素,则该区域的灰度平均值为:
(c)、初始参数设定:
Tm=-400HU (3)
(d)、从目标区域图像的最左侧出发,设定四邻域模板,扫描周围像素点,如果像素点的灰度值小于Tm,即为种子点;(e)、设定区域生长准则T:其中I(Ai,Bi)为原始图像的任意像素值,N4(Ai,Bi)是Ai,Bi的四邻域像素点,用四邻域像素点与灰度平均值进行比较:
Rbeckgrund←(Ai,Bi)if T≥I(Ai,Bi) (6)
Robjectgrond←(Ai,Bi)if T≤I(Ai,Bi)≤∑N4(Ai,Bi) (7)
从左上到右下扫描目标区域,找出满足式(5)~式(7)的所有像素点;(f)、把满足准则的所有种子点周围的四邻域像素进行搜索,直到不满足条件结束生长,分割完成。
优选地,在步骤(4-2)中,对于气管去除包括如下步骤:(a)、从中肺野层片上开始搜索种子点,设定4×4模板,搜索所有满足像素点的区域,利用区域生长法获得种子点;(b)、搜索种子点周围四邻域像素的值,保留T+4与T-4之间的像素值,搜索不少于100个像素的面积区域;(c)、计算函数V(K)的面积导数,如果面积导数值大于零,则停止搜索,提取气管区域,获得无干扰信息的肺实质区域。
优选地,在步骤(4-3)中,对肺实质轮廓CT图像的肺部边缘进行修复包括对边界的曲线平滑处理及边界修补。
优选地,在步骤(4-3)中,对边界的曲线平滑处理采用迭代采样算法,提取肺部轮廓区域,提取边缘一系列点列{i},获取系列点连接线的凹凸点的修整,经过多次迭代,使得系列边缘点近似服从线性关系,达到平滑边缘的效果的过程。
优选地,在步骤(4-3)中,对边界修补采用自适应曲率阈值法修复肺部边界,经过光滑后的边缘可以准确地计算出点的曲率阈值,其中具有较大曲率值的凹点就是要待修补的靠近肺部边缘的区域点。
优选地,在步骤(5)中,采用DRLSE模型(距离规则水平集演化模型,distanceregularized level set evolution)进行精确提取,其在利用迭代方法寻找图像中相匹配的点时无需重复初始化水平集函数。其中,水平集函数Ф的数学公式表示为:
ε(φ)=μp(φ)+εm(φ) (8)
其中,p(φ)表示增加的约束项,μ是约束项系数,εm(φ)是能量驱动项,控制曲线寻找边界,得到能量函数ε(φ)。基于DRLSE模型的水平集法提取肺部区域步骤包括:(a)、获取初始水平集函数Ф0(x,y),选定初始目标区域R,用轮廓线包围起来,用一个负常数表示目标区域,目标以外的区域用正常数表示,用公式表示初始水平集函数为:
确定初始函数,即能确定初始目标曲线轮廓的位置,使Ф0(x,y)=0,获得目标与背景的矩形交接区域;(b)、迭代水平集函数,不断演化水平集函数方程(8)式。设迭代次数i从1开始,i≤300,方程(8)中参数的设置分别为:μ=1/15,λ=0.25,ν=5,c=4,ε=1.5。式(8)演化过程中δ(φ)值无限增大,会出现过分割或者收敛速度慢等问题,在式(8)中添加一个变换函数arctan(),当时,使δ(φ)=1,限定了范围,改进的公式如下所示:
(c)、重复步骤(b),不断地迭代水平集函数,直到达到满意效果,i的值超出300,停止迭代,获得水平集迭代后的肺部边界精确的轮廓区域,边界曲线也得到较好的收敛。
根据本发明的另一个方面,提供了一种由胸腔CT图像分割确定肺区域的系统,其包括:依次通信连接的滤波单元、训练集单元、拟合单元、粗分割单元以及精分割单元,其中,滤波单元,其用于对目标胸腔CT图像进行滤波处理,以去除目标胸腔CT图像中的噪声;训练集单元,其用于对经过滤波处理的目标胸腔CT图像进行半自动分割,获取对应的肺野区域形状的训练集,计算训练集的形状的均值形状,获得PCA形状向量;拟合单元,其用于通过PCA形状向量与活动轮廓相结合的迭代方法拟合肺野区域的正确边界,并得到肺野区域的CT图像;粗分割单元,其采用自适应阈值法对肺野区域的CT图像进行二值化处理,然后采用区域生长法对肺部区域进行粗分割,获取肺部的粗分割CT图像;精分割单元,其运用水平集的方法对肺部的粗分割CT图像进行精准分割,获取肺区域的CT图像。
可选择地,滤波单元包括:依次通信连接的高斯滤波子单元、中值滤波子单元、以及维纳滤波子单元,其中,高斯滤波子单元用于对目标胸腔CT图像进行高斯滤波以增强目标对象;中值滤波子单元用于对经高斯滤波后的目标胸腔CT图像进行中值滤波以保持目标对象的边界;维纳滤波子单元用于对经中值滤波后的目标胸腔CT图像进行维纳滤波以对噪声进行进一步地消减和移除。
可选择地,训练集单元包括:依次通信连接的半自动分割子单元、平滑处理子单元、计算均值子单元、以及计算向量子单元,其中,半自动分割子单元用于半自动分割经过滤波处理的目标胸腔CT图像中的二维肺野区域,得到对应的肺野区域的形状的训练集;平滑处理子单元用于把肺野区域的图像按照形状的相似性进行初步分类,再将肺野区域的图像与高斯函数卷积进行平滑处理;计算均值子单元用于对卷积平滑后的区域进行符号距离化,把这些形状进行形心与方向对齐,并计算训练集的形状的均值形状;以及计算向量子单元用于计算PCA模型,并将其分解为相应的特征向量模式,获得PCA形状向量。
可选择地,拟合单元包括:通信连接的轮廓子单元及分割子单元,其中,轮廓子单元用于通过梯度下降法对结合了肺野区域的形状的活动轮廓模型进行求解,拟合出肺野区域的边界轮廓曲线;分割子单元用于基于边界的区域分割方法从目标胸腔CT图像中分割出肺野区域。
可选择地,粗分割单元包括:二值化子单元、边界提取子单元、以及修复子单元,其中,二值化子单元采用OSTU方法对肺野区域的CT图像进行二值化处理;边界提取子单元用于采用区域生长法,初步定位肺实质的轮廓区域,去除肺实质轮廓CT图像中的气管,获取肺实质轮廓CT图像;修复子单元用于对肺实质轮廓CT图像的肺部边缘进行修复,获取肺部的粗分割CT图像。
本发明的有益效果是:(1)、本发明的由胸腔CT图像分割确定肺区域的方法采用先验知识形状约束下的活动轮廓模型去拟合肺野区域的真实边界,然后构造掩模去分割肺野区域,可以较好地改善基于CT值分割那些边缘被高密度病变所影响的肺野区域的分割,分解结果准确;(2)、增加了对近胸膜肺病变的自动检测的机会,有效地提高肺部疾病检测系统自动化程度以及检测的准确性,减轻影像科医生的读片、诊断的工作强度;(3)、可以有效、准确地分割出肺部区域,而且保留了肺内部的细节信息,为后续的肺部疾病的检测奠定了基础。
附图说明
图1示出了本发明由胸腔CT图像分割确定肺区域的方法的流程图。
图2示出了本发明由胸腔CT图像分割确定肺区域的系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参照图1,作为一种非限制性实施方式,本发明的由胸腔CT图像分割确定肺区域的方法,首先在步骤S1中,对目标胸腔CT图像进行滤波处理,以去除目标胸腔CT图像中的噪声。具体来讲,对目标胸腔CT图像依次进行高斯滤波、中值滤波、以及维纳滤波。
接着,在步骤S2中,对经过滤波处理的目标胸腔CT图像进行半自动分割,获取对应的肺野区域形状的训练集,计算训练集的形状的均值形状,获得PCA形状向量。在该非限制性实施方式中,步骤S2包括:(2-1)、半自动分割经过滤波处理的目标胸腔CT图像中的二维肺野区域,得到对应的肺野区域的形状的训练集;(2-2)、把肺野区域的图像按照形状的相似性进行初步分类,再将肺野区域的图像与高斯函数卷积进行平滑处理;(2-3)、对卷积平滑后的区域进行符号距离化,把这些形状进行形心与方向对齐,并计算训练集的形状的均值形状;以及(2-4)、计算PCA模型,并将其分解为相应的特征向量模式,获得PCA形状向量。
然后,在步骤S3中,通过PCA形状向量与活动轮廓相结合的迭代方法拟合肺野区域的正确边界,并得到肺野区域的CT图像。作为一种非限制性实施方式,步骤S3包括:(3-1)、通过梯度下降法对结合了肺野区域的形状的活动轮廓模型进行求解,拟合出肺野区域的边界轮廓曲线;以及(3-2)、采用基于边界的区域分割方法从目标胸腔CT图像中分割出肺野区域。
随后,在步骤S4中,采用自适应阈值法对肺野区域的CT图像进行二值化处理,然后采用区域生长法对肺部区域进行粗分割,获取肺部的粗分割CT图像。在该步骤中,包括:(4-1)、采用OSTU方法对肺野区域的CT图像进行二值化处理;(4-2)、应用区域生长法,初步定位肺实质的轮廓区域,去除肺实质轮廓CT图像中的气管,获取肺实质轮廓CT图像;以及(4-3)、对肺实质轮廓CT图像的肺部边缘进行修复,获取肺部的粗分割CT图像。
最后,在步骤S5中,运用水平集的方法对肺部的粗分割CT图像进行精准分割,获取肺区域的CT图像。
作为另一种非限制性实施方式,如图2所示,本发明提供的由胸腔CT图像分割确定肺区域的系统包括:滤波单元10、训练集单元20、拟合单元30、粗分割单元40以及精分割单元50。
滤波单元10包括高斯滤波子单元101、中值滤波子单元102、以及维纳滤波子单元103,其中,高斯滤波子单元101用于对目标胸腔CT图像进行高斯滤波以增强目标对象,中值滤波子单元102用于对经高斯滤波后的目标胸腔CT图像进行中值滤波以保持目标对象的边界,维纳滤波子单元103用于对经中值滤波后的目标胸腔CT图像进行维纳滤波以对噪声进行进一步地消减和移除。
训练集单元20包括半自动分割子单元201、平滑处理子单元202、计算均值子单元203、以及计算向量子单元204。其中,半自动分割子单元201用于半自动分割经过滤波处理的目标胸腔CT图像中的二维肺野区域,得到对应的肺野区域的形状的训练集。平滑处理子单元202用于把肺野区域的图像按照形状的相似性进行初步分类,再将肺野区域的图像与高斯函数卷积进行平滑处理。计算均值子单元203用于对卷积平滑后的区域进行符号距离化,把这些形状进行形心与方向对齐,并计算训练集的形状的均值形状。计算向量子单元205用于计算PCA模型,并将其分解为相应的特征向量模式,获得PCA形状向量。
拟合单元30包括轮廓子单元301及分割子单元302,其中,轮廓子单元301用于通过梯度下降法对结合了肺野区域的形状的活动轮廓模型进行求解,拟合出肺野区域的边界轮廓曲线。分割子单元303用于基于边界的区域分割方法从目标胸腔CT图像中分割出肺野区域。
粗分割单元40包括二值化子单元401、边界提取子单元402、以及修复子单元403。二值化子单元401采用OSTU方法对肺野区域的CT图像进行二值化处理。边界提取子单元402用于采用区域生长法,初步定位肺实质的轮廓区域,去除肺实质轮廓CT图像中的气管,获取肺实质轮廓CT图像。修复子单元403用于对肺实质轮廓CT图像的肺部边缘进行修复,获取肺部的粗分割CT图像。
精分割单元50运用水平集的方法对肺部的粗分割CT图像进行精准分割,获取肺区域的CT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)
1.一种由胸腔CT图像分割确定肺区域的方法,包括步骤如下:
(1)、对目标胸腔CT图像进行滤波处理,以去除所述目标胸腔CT图像中的噪声;
(2)、对经过滤波处理的所述目标胸腔CT图像进行半自动分割,获取对应的肺野区域形状的训练集,计算所述训练集的形状的均值形状,获得PCA形状向量;
(3)、通过所述PCA形状向量与活动轮廓相结合的迭代方法拟合所述肺野区域的正确边界,并得到肺野区域的CT图像;
(4)、采用自适应阈值法对所述肺野区域的CT图像进行二值化处理,然后采用区域生长法对肺部区域进行粗分割,获取肺部的粗分割CT图像;以及
(5)、运用水平集的方法对所述肺部的粗分割CT图像进行精准分割,获取肺区域的CT图像。
2.如权利要求1的由胸腔CT图像分割确定肺区域的方法,其特征在于,在步骤(1)中,对所述目标胸腔CT图像依次进行高斯滤波、中值滤波、以及维纳滤波。
3.如权利要求2的由胸腔CT图像分割确定肺区域的方法,其特征在于,在步骤(2)中,包括:
(2-1)、半自动分割经过滤波处理的所述目标胸腔CT图像中的二维肺野区域,得到对应的肺野区域的形状的训练集;
(2-2)、把所述肺野区域的图像按照形状的相似性进行初步分类,再将所述肺野区域的图像与高斯函数卷积进行平滑处理;
(2-3)、对卷积平滑后的区域进行符号距离化,把这些形状进行形心与方向对齐,并计算所述训练集的形状的均值形状;以及
(2-4)、计算PCA模型,并将其分解为相应的特征向量模式,获得所述PCA形状向量。
4.如权利要求3的由胸腔CT图像分割确定肺区域的方法,其特征在于,在步骤(3)中,包括:
(3-1)、通过梯度下降法对结合了所述肺野区域的形状的活动轮廓模型进行求解,拟合出所述肺野区域的边界轮廓曲线;以及
(3-2)、采用基于边界的区域分割方法从所述目标胸腔CT图像中分割出所述肺野区域。
5.如权利要求4的由胸腔CT图像分割确定肺区域的方法,其特征在于,在步骤(4)中,包括:
(4-1)、采用OSTU方法对所述肺野区域的CT图像进行二值化处理;
(4-2)、应用区域生长法,初步定位肺实质的轮廓区域,去除所述肺实质轮廓CT图像中的气管,获取肺实质轮廓CT图像;以及
(4-3)、对所述肺实质轮廓CT图像的肺部边缘进行修复,获取肺部的粗分割CT图像。
6.一种由胸腔CT图像分割确定肺区域的系统,其特征在于,包括:依次通信连接的滤波单元、训练集单元、拟合单元、粗分割单元以及精分割单元,其中,
滤波单元,其用于对目标胸腔CT图像进行滤波处理,以去除所述目标胸腔CT图像中的噪声;
训练集单元,其用于对经过滤波处理的所述目标胸腔CT图像进行半自动分割,获取对应的肺野区域形状的训练集,计算所述训练集的形状的均值形状,获得PCA形状向量;
拟合单元,其用于通过所述PCA形状向量与活动轮廓相结合的迭代方法拟合所述肺野区域的正确边界,并得到肺野区域的CT图像;
粗分割单元,其采用自适应阈值法对所述肺野区域的CT图像进行二值化处理,然后采用区域生长法对肺部区域进行粗分割,获取肺部的粗分割CT图像;
精分割单元,其运用水平集的方法对所述肺部的粗分割CT图像进行精准分割,获取肺区域的CT图像。
7.如权利要求6所述的由胸腔CT图像分割确定肺区域的系统,其特征在于,所述滤波单元包括:依次通信连接的高斯滤波子单元、中值滤波子单元、以及维纳滤波子单元,其中,
所述高斯滤波子单元用于对所述目标胸腔CT图像进行高斯滤波以增强目标对象;
所述中值滤波子单元用于对经高斯滤波后的所述目标胸腔CT图像进行中值滤波以保持所述目标对象的边界;
所述维纳滤波子单元用于对经中值滤波后的所述目标胸腔CT图像进行维纳滤波以对噪声进行进一步地消减和移除。
8.如权利要求7所述的由胸腔CT图像分割确定肺区域的系统,其特征在于,所述训练集单元包括:依次通信连接的半自动分割子单元、平滑处理子单元、计算均值子单元、以及计算向量子单元,其中,
所述半自动分割子单元用于半自动分割经过滤波处理的所述目标胸腔CT图像中的二维肺野区域,得到对应的肺野区域的形状的训练集;
所述平滑处理子单元用于把所述肺野区域的图像按照形状的相似性进行初步分类,再将所述肺野区域的图像与高斯函数卷积进行平滑处理;
所述计算均值子单元用于对卷积平滑后的区域进行符号距离化,把这些形状进行形心与方向对齐,并计算所述训练集的形状的均值形状;以及
所述计算向量子单元用于计算PCA模型,并将其分解为相应的特征向量模式,获得所述PCA形状向量。
9.如权利要求8所述的由胸腔CT图像分割确定肺区域的系统,其特征在于,所述拟合单元包括:通信连接的轮廓子单元及分割子单元,其中,
所述轮廓子单元用于通过梯度下降法对结合了所述肺野区域的形状的活动轮廓模型进行求解,拟合出所述肺野区域的边界轮廓曲线;
所述分割子单元用于基于边界的区域分割方法从所述目标胸腔CT图像中分割出所述肺野区域。
10.如权利要求9所述的由胸腔CT图像分割确定肺区域的系统,其特征在于,所述粗分割单元包括:二值化子单元、边界提取子单元、以及修复子单元,其中,
所述二值化子单元采用OSTU方法对所述肺野区域的CT图像进行二值化处理;
所述边界提取子单元用于采用区域生长法,初步定位肺实质的轮廓区域,去除所述肺实质轮廓CT图像中的气管,获取肺实质轮廓CT图像;
所述修复子单元用于对所述肺实质轮廓CT图像的肺部边缘进行修复,获取肺部的粗分割CT图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211530116.7A CN115861230A (zh) | 2022-11-30 | 2022-11-30 | 由胸腔ct图像分割确定肺区域的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211530116.7A CN115861230A (zh) | 2022-11-30 | 2022-11-30 | 由胸腔ct图像分割确定肺区域的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115861230A true CN115861230A (zh) | 2023-03-28 |
Family
ID=85668882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211530116.7A Withdrawn CN115861230A (zh) | 2022-11-30 | 2022-11-30 | 由胸腔ct图像分割确定肺区域的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115861230A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116363160A (zh) * | 2023-05-30 | 2023-06-30 | 杭州脉流科技有限公司 | 基于水平集的ct灌注影像脑组织分割方法和计算机设备 |
-
2022
- 2022-11-30 CN CN202211530116.7A patent/CN115861230A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116363160A (zh) * | 2023-05-30 | 2023-06-30 | 杭州脉流科技有限公司 | 基于水平集的ct灌注影像脑组织分割方法和计算机设备 |
CN116363160B (zh) * | 2023-05-30 | 2023-08-29 | 杭州脉流科技有限公司 | 基于水平集的ct灌注影像脑组织分割方法和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shimizu et al. | Segmentation of multiple organs in non-contrast 3D abdominal CT images | |
Ma et al. | Two graph theory based methods for identifying the pectoral muscle in mammograms | |
Wang et al. | Pulmonary fissure segmentation on CT | |
CN108876769B (zh) | 一种左心耳ct图像分割方法 | |
Priyadarsini et al. | Survey on segmentation of liver from CT images | |
CN109753997B (zh) | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 | |
US20130223711A1 (en) | Maching Learning Techniques for Pectoral Muscle Equalization and Segmentation in Digital Mammograms | |
CN109801276B (zh) | 一种计算心胸比的方法及装置 | |
Paragios et al. | Knowledge-based registration & segmentation of the left ventricle: A level set approach | |
CN112330561B (zh) | 基于交互式前景提取与信息熵分水岭的医学图像分割方法 | |
Zheng et al. | Fast and automatic heart isolation in 3D CT volumes: Optimal shape initialization | |
CN116580068B (zh) | 一种基于点云配准的多模态医学配准方法 | |
CN115861230A (zh) | 由胸腔ct图像分割确定肺区域的方法及系统 | |
CN109064473B (zh) | 一种2.5d超声宽景图像分割方法 | |
CN110223331B (zh) | 一种大脑mr医学图像配准方法 | |
CN110047085B (zh) | 一种针对肺ct图像阈值分割结果的肺膜粘连结节区域精确修复方法 | |
CN112712540B (zh) | 一种基于ct影像的肺部支气管提取方法 | |
Campadelli et al. | Automatic liver segmentation from abdominal CT scans | |
Li et al. | Automatic generation of object shape models and their application to tomographic image segmentation | |
Daoudi et al. | Automatic segmentation of the left atrium on CT images | |
JP2004188202A (ja) | デジタル胸部放射線写真の自動分析方法 | |
CN116363181A (zh) | 一种基于特征的ct图像和超声图像肝脏配准方法 | |
Ghose et al. | A supervised learning framework for automatic prostate segmentation in trans rectal ultrasound images | |
CN113780421B (zh) | 基于人工智能的脑部pet影像识别方法 | |
CN110335348B (zh) | 一种基于RFR-SSMs的骨盆股骨医学图像建模方法 |
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: 20230328 |