CN116258853A - 一种基于动态种子点的图像分割方法及装置 - Google Patents

一种基于动态种子点的图像分割方法及装置 Download PDF

Info

Publication number
CN116258853A
CN116258853A CN202310071355.9A CN202310071355A CN116258853A CN 116258853 A CN116258853 A CN 116258853A CN 202310071355 A CN202310071355 A CN 202310071355A CN 116258853 A CN116258853 A CN 116258853A
Authority
CN
China
Prior art keywords
image
tracheal
layer
layer image
pixel
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
CN202310071355.9A
Other languages
English (en)
Inventor
樊昭磊
孙哲
颜世舵
张克
王剑
郝鹏飞
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.)
Turing Medical Device Technology Shanghai Co ltd
Original Assignee
Turing Medical Device Technology Shanghai 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 Turing Medical Device Technology Shanghai Co ltd filed Critical Turing Medical Device Technology Shanghai Co ltd
Priority to CN202310071355.9A priority Critical patent/CN116258853A/zh
Publication of CN116258853A publication Critical patent/CN116258853A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/30021—Catheter; Guide wire
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明提供一种基于动态种子点的图像分割方法及装置，涉及图像处理技术领域，该图像分割方法通过识别多层面CT图像中主气管入口所在的目标图像；将目标图像所在层面作为第一层图像，根据第一层图像中主气管入口区域的中心点坐标，确定第一层图像对应的气管区域；根据第一层图像对应的气管区域，确定多层面CT图像中与所述第一层图像相邻下一层图像的种子点和气管像素阈值范围，并根据种子点和气管像素阈值范围，确定与第一层图像相邻的下一层图像的对应的气管区域，这样，可以根据多层面CT图像中各层图像对应的气管区域动态地确定下一层图像的种子点和像素阈值范围，从而实现对不同胸部CT图像中的支气管进行有效分割。

Description

一种基于动态种子点的图像分割方法及装置
技术领域
本发明属于图像处理技术领域，尤其涉及一种基于动态种子点的图像分割方法及装置。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成已经成为本领域一般技术人员所公知的现有技术。
计算机断层成像(Computed Tomography，CT)扫描仪是目前较为先进的医学扫描检查设备，CT扫描仪采集到的肺部断层图像包含大量的生理信息，有利于对支气管疾病和肺部疾病进行无创的检查和治疗，胸部CT图像支气管分割是评估和分析支气管疾病和肺部疾病的有效手段。由于肺部支气管结构复杂，分支众多，手动分割非常耗时，严重影响在临床治疗中的应用。
现有的胸部CT图像支气管自动分割的方法主要是基于机器学习的分割方法，但是该方法在使用前需要大量分割好的数据集用于模型训练，并且用于训练的分类器的特征和数据集的质量对训练结果有较大的影响，很难达到支气管的快速准确分割。
发明内容
为了解决上述问题，本发明提供一种基于动态种子点的图像分割方法及装置，用以对胸部CT图像中的支气管进行有效分割。
为了实现上述目的，本发明主要包括以下几个方面：
第一方面，本发明实施例提供一种基于动态种子点的图像分割方法，包括：
识别多层面CT图像中主气管入口所在的目标图像；
将所述目标图像所在层面作为第一层图像，根据所述第一层图像中主气管入口区域的中心点坐标，确定所述第一层图像对应的气管区域；
根据所述第一层图像对应的气管区域，确定多层面CT图像中与所述第一层图像相邻下一层图像的种子点和气管像素阈值范围，并根据所述种子点和气管像素阈值范围，确定与所述第一层图像相邻的下一层图像的对应的气管区域，以此类推，在所确定的图像中气管区域的像素信息满足预设的终止条件的情况下，输出多层面CT图像中各层面图像对应的气管区域；
根据多层面CT图像中各层面图像对应的气管区域，对所述多层面CT图像进行分割，得到支气管图像。
在一种可能的实施方式中，根据多层面CT图像中各图像的HU值为预设值的像素数量，确定主气管入口所在的目标图像。
在一种可能的实施方式中，所述第一层图像对应的气管区域的确定方法包括：
将所述第一层面图像中主气管入口区域的中心点坐标作为初始种子点；
在所述第一层面图像中，以所述初始种子点所在的目标像素开始，遍历与所述目标像素相邻的像素，若得到的像素在预设的初始像素阈值范围内，则该像素属于气管区域；若得到的像素不在所述初始像素阈值范围内，则停止遍历，得到所述第一层图像对应的气管区域。
在一种可能的实施方式中，与所述第一层图像相邻下一层图像的种子点和气管像素阈值范围的确定方法，包括：
对所述第一层图像对应的气管区域进行腐蚀处理，并提取出气管区域的轮廓；
在所述轮廓内选取与所述第一层图像相邻下一层图像的种子点，并将所述轮廓内图像像素的最大值和最小值确定为第二层图像的气管像素阈值范围。
在一种可能的实施方式中，在确定与所述第一层图像相邻的下一层图像的对应的气管区域之后，输出多层面CT图像中各层面图像对应的气管区域之前，还包括：
自第二层图像开始，计算第n-1(n>2)层图像中的种子点和气管像素阈值范围；在第n-1层图像中，根据种子点和气管像素阈值范围确定第n-1层图像对应的气管区域。
在一种可能的实施方式中，根据种子点和气管像素阈值范围，采用区域生长算法，确定多层面CT图像中各层面图像对应的气管区域。
在一种可能的实施方式中，所述终止条件包括：通过任一种子点获取的气管区域包含的像素数量大于预设数量阈值时，去除该气管区域；和/或，
若所述气管区域的像素阈值范围中存在大于预设像素阈值，则停止进行区域生长。
第二方面，本发明实施例提供一种基于动态种子点的图像分割装置，包括：
识别模块，用于识别多层面CT图像中主气管入口所在的目标图像；
确定模块，用于将所述目标图像所在层面作为第一层图像，根据所述第一层图像中主气管入口区域的中心点坐标，确定所述第一层图像对应的气管区域；
输出模块，用于根据所述第一层图像对应的气管区域，确定多层面CT图像中与所述第一层图像相邻下一层图像的种子点和气管像素阈值范围，并根据所述种子点和气管像素阈值范围，确定与所述第一层图像相邻的下一层图像的对应的气管区域，以此类推，在所确定的图像中气管区域的像素信息满足预设的终止条件的情况下，输出多层面CT图像中各层面图像对应的气管区域；
分割模块，用于根据多层面CT图像中各层面图像对应的气管区域，对所述多层面CT图像进行分割，得到支气管图像。
第三方面，本发明实施例提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述第一方面中所述的基于动态种子点的图像分割方法的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述第一方面中所述的基于动态种子点的图像分割方法的步骤。
以上一个或多个技术方案存在以下有益效果：
1、本发明提供了一种基于动态种子点的图像分割方法，根据多层面CT图像中各层图像对应的气管区域动态地确定下一层图像的种子点和像素阈值范围，然后分割得到支气管图像，能够克服传统区域生长方法由于使用了气管固定的种子点和固定的气管阈值范围而无法对气管进行完整分割的问题，实现对不同胸部CT图像中的支气管进行有效分割，具有较高的鲁棒性。
2、相比于现有的基于机器学习的分割方法需要使用大量分割好的数据集用于模型训练，并且用于训练的分类器的特征和数据集的质量对训练结果有较大的影响，本发明所提供的基于动态种子点的图像分割方法，能够直接对胸部CT图像进行分割，无需通过大量分割好的数据集进行模型训练，因而具有较好的便捷性和实用性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例一所提供的基于动态种子点的图像分割方法的流程示意图；
图2(a)是本发明实施例一所提供的CT图像中主气管入口图像的示例图；
图2(b)是本发明实施例一所提供的将主气管入口图像中心点坐标作为种子点的示例图；
图3(a)是本发明实施例一所提供的在第1层图像上使用区域生长算法的示意图；
图3(b)是本发明实施例一所提供的获取第1层图像中的气管图像的示意图；
图4(a-d)是本发明实施例一所提供的以第1层CT图像中的气管图像为参考，在第2层CT图像中计算气管种子点和气管HU值阈值范围的示意图；
图5(a-d)是本发明实施例一所提供的以第n层CT图像中的气管图像为参考，在第n+1层CT图像中计算气管种子点和气管HU值阈值范围的示意图；
图6是本发明实施例一所提供的支气管图像经过三维重建获得的三维效果图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1所示，本实施例提供一种基于动态种子点的图像分割方法，具体包括以下步骤：
S101：识别多层面CT图像中主气管入口所在的目标图像。
在具体实施中，首先读取胸部的多层面CT图像，自动识别出多层面CT图像中主气管入口所在的目标图像，该目标图像作为第一层图像。
作为一可选实施方式，根据多层面CT图像中各图像的HU值为预设值的像素数量，确定主气管入口所在的目标图像。
在具体实施中，如图2(a)所示，在第一层图像中使用CT数据的HU值[-300，3071]进行阈值分割，获取第1层图像中包含主气管的人体图像，该图像的背景HU值为0，前景HU值为255；在第一层图像中包含主气管的人体图像区域中，查找HU值为0的区域，并且HU值为0的区域包含的像素数量为400到900之间，那么该HU值为0的区域为主气管的入口图像。
S102：将所述目标图像所在层面作为第一层图像，根据所述第一层图像中主气管入口区域的中心点坐标，确定所述第一层图像对应的气管区域。
在具体实施中，将上述S101中识别的目标图像所在层面作为第一层图像，计算第一层图像中主气管入口区域的中心点坐标，中心点坐标(x，y)的计算方法为：
x值：(主气管入口区域X轴方向所有像素x坐标值之和/主气管入口区域X轴方向所有像素数量)；
y值：(主气管入口区域Y轴方向所有像素y坐标值之和/主气管入口区域Y轴方向所有像素数量)。
根据中心点坐标(x，y)确定所述第一层图像对应的气管区域。
作为一可选实施方式，所述第一层图像对应的气管区域的确定方法包括：
将所述第一层面图像中主气管入口区域的中心点坐标作为初始种子点；在所述第一层面图像中，以所述初始种子点所在的目标像素开始，遍历与所述目标像素相邻的像素，若得到的像素在预设的初始像素阈值范围内，则该像素属于气管区域；若得到的像素不在所述初始像素阈值范围内，则停止遍历，得到所述第一层图像对应的气管区域。
在具体实施中，如图2(b)所示，以第一层图像中主气管入口区域的中心点为初始种子点seed1，在第一层图像上使用区域生长算法，获取第一层图像中的气管图像。如图3(a)-3(b)所示，包括以下步骤：第一，在图像中从初始种子点seed1所在像素开始，遍历与seed1相邻的像素，如果相邻的像素的HU值在[-900,-1000]范围内，那么该像素属于气管图像，当气管图像中所有像素的所有相邻像素HU值不在[-900,-1000]范围内，则停止遍历，得到该层图像对应的气管区域。(注：在第n层CT图像中使用区域生长算法获取第n层图像中的气管图像时，使用种子点seedn1…seednn和HU值阈值范围[Thresholdn_Lower,Thresholdn_Upper])。
S103：根据所述第一层图像对应的气管区域，确定多层面CT图像中与所述第一层图像相邻下一层图像的种子点和气管像素阈值范围，并根据所述种子点和气管像素阈值范围，确定与所述第一层图像相邻的下一层图像的对应的气管区域，以此类推，在所确定的图像中气管区域的像素信息满足预设的终止条件的情况下，输出多层面CT图像中各层面图像对应的气管区域。
在具体实施中，以第一层CT图像(如图4a所示)中气管区域(如图4b所示)为参考，对气管图像(图4b)进行两个像素的腐蚀处理，得到新的图像；按照新图像的位置和轮廓，在第二层CT图像中，计算种子点。
可选的，种子点计算的方法包括：获取轮廓范围内的图像，在X轴和Y轴方向上，每间隔两个像素取一个像素作为种子点，标记为seed21…seed2n，如图4c所示。
进一步的，以第一层CT图像中的气管区域为参考，在第二层CT图像中计算出气管HU值阈值范围，如图4所示，包括以下步骤：
以第一层CT图像(如图4a所示)中气管区域(如图4b所示)为参考，对气管区域进行两个像素的腐蚀处理，得到新的图像；按照新图像的位置和轮廓，在第二层CT图像(如图4c所示)中，统计出轮廓范围内的图像像素HU值的最大值和最小值，即得出第二层CT图像中气管的HU值阈值范围，标记为[Threshold2_Lower,Threshold2_Upper]；
进一步的，在第二层图像中，获取对应的气管区域，如图4所示，包括以下步骤：
以获取的第二层CT图像中的气管种子点seed21…seed2n和HU值阈值范围[Threshold2_Lower,Threshold2_Upper]为参数，采用区域生长算法，得到第二层图像对应的气管区域。
具体为，在第二层CT图像中从种子点seed21…seed2n所在像素开始，遍历与seed相邻的像素，如果相邻的像素的HU值在[Threshold2_Lower,Threshold2_Upper]范围内，那么该像素属于气管图像；
当在第二层CT图像中与种子点seed21…seed2n连通的像素的HU值不在[Threshold2_Lower,Threshold2_Upper]范围内时，遍历结束，获得第二层CT图像中的气管图像。
同理，以第n层图像中的气管图像为参考，获得第n+1层图像中的气管图像，如图5所示，包括以下步骤：
以第n层CT图像(如图5a所示)中的气管图像(如图5b所示)为参考，对气管区域进行两个像素的腐蚀处理，得到新的图像；
按照新图像的位置和轮廓，在第n+1层CT图像(如图5c所示)中，计算种子点，计算的方法为：轮廓范围内的图像，在X轴和Y轴方向上，每间隔两个像素取一个像素作为种子点，标记为seed(n+1)1…seed(n+1)n，如图5c所示；
按照新图像的位置和轮廓，在第n+1层CT图像中，统计出轮廓范围内的图像像素HU值的最大值和最小值，即得出第n+1层CT图像中气管的HU值阈值范围，标记为[Threshold(n+1)_Lower,Threshold(n+1)_Upper]；
在第n+1层图像上，以种子点seed(n+1)1…seed(n+1)n和HU值阈值范围[Threshold(n+1)_Lower,Threshold(n+1)_Upper]为参数，通过区域生长算法，获取第n+1层CT图像中的气管图像。
当第n层CT图像中，某个种子获取的气管图像包含的像素数量大于1500时，该气管图像去除；当第n层CT图像中计算出的HU值阈值范围中存在大于-800的HU值时，不再进行区域生长算法。
作为一可选实施方式，在确定与所述第一层图像相邻的下一层图像的对应的气管区域之后，输出多层面CT图像中各层面图像对应的气管区域之前，还包括：
从二层CT图像开始，以第n层CT图像中的气管图像为参考，计算出第n-1(n>2)层CT图像中气管种子点和HU值阈值范围，获取第n-1层CT图像中的气管图像，包括以下步骤：
对第n层CT图像中的气管图像进行两个像素的腐蚀处理，得到新的图像；
按照新图像的位置和轮廓，在第n-1层CT图像中，计算种子点，计算的方法为，轮廓范围内的图像，在X轴和Y轴方向上，每间隔两个像素取一个像素作为种子点，标记为seed(n-1)1…seed(n-1)n；
按照新图像的位置和轮廓，在第n-1层CT图像中，统计出轮廓范围内的图像像素HU值的最大值和最小值，即得出第n-1层CT图像中气管的HU值阈值范围，标记为[Threshold(n-1)_Lower,Threshold(n-1)_Upper]；
在第n-1层CT图像上，以种子点seed(n-1)1…seed(n-1)n和HU值阈值范围[Threshold(n-1)_Lower,Threshold(n-1)_Upper]为参数，通过区域生长算法，获取第n-1层CT图像中的气管图像。
这里，当第n层CT图像中，某个种子获取的气管图像包含的像素数量大于1500时，该气管图像去除；当第n层CT图像中计算出的HU值阈值范围中存在大于-800的HU值时，不再进行区域生长。
S104：根据多层面CT图像中各层面图像对应的气管区域，对所述多层面CT图像进行分割，得到支气管图像。
在具体实施中，遍历所有CT图像，支气管分割结束，得到支气管图像，通过三维重建得到如图6所示的支气管三维模型。
实施例二
本发明实施例还提供一种基于动态种子点的图像分割装置，包括：
识别模块，用于识别多层面CT图像中主气管入口所在的目标图像；
确定模块，用于将所述目标图像所在层面作为第一层图像，根据所述第一层图像中主气管入口区域的中心点坐标，确定所述第一层图像对应的气管区域；
输出模块，用于根据所述第一层图像对应的气管区域，确定多层面CT图像中与所述第一层图像相邻下一层图像的种子点和气管像素阈值范围，并根据所述种子点和气管像素阈值范围，确定与所述第一层图像相邻的下一层图像的对应的气管区域，并在所述气管区域的像素信息满足预设的终止条件的情况下，输出多层面CT图像中各层面图像对应的气管区域；
重建模块，用于根据多层面CT图像中各层面图像对应的气管区域，重建得到支气管三维模型。
本实施例提供的基于动态种子点的图像分割装置用于实现前述的基于动态种子点的图像分割方法，因此基于动态种子点的图像分割装置中的具体实施方式可见前文中的基于动态种子点的图像分割方法的实施例部分，在此不再进行赘述。
实施例三
本发明实施例还提供一种计算机设备，所述计算机设备包括处理器、存储器和总线。所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时，可以执行如上述图1和图2所示方法实施例中的基于动态种子点的图像分割方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
实施例四
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法实施例中所述的基于动态种子点的图像分割方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于动态种子点的图像分割方法，其特征在于，包括：
识别多层面CT图像中主气管入口所在的目标图像；
将所述目标图像所在层面作为第一层图像，根据所述第一层图像中主气管入口区域的中心点坐标，确定所述第一层图像对应的气管区域；
根据所述第一层图像对应的气管区域，确定多层面CT图像中与所述第一层图像相邻下一层图像的种子点和气管像素阈值范围，并根据所述种子点和气管像素阈值范围，确定与所述第一层图像相邻的下一层图像的对应的气管区域，以此类推，在所确定的图像中气管区域的像素信息满足预设的终止条件的情况下，输出多层面CT图像中各层面图像对应的气管区域；
根据多层面CT图像中各层面图像对应的气管区域，对所述多层面CT图像进行分割，得到支气管图像。
2.如权利要求1所述的基于动态种子点的图像分割方法，其特征在于，根据多层面CT图像中各图像的HU值为预设值的像素数量，确定主气管入口所在的目标图像。
3.如权利要求1所述的基于动态种子点的图像分割方法，其特征在于，所述第一层图像对应的气管区域的确定方法包括：
将所述第一层面图像中主气管入口区域的中心点坐标作为初始种子点；
在所述第一层面图像中，以所述初始种子点所在的目标像素开始，遍历与所述目标像素相邻的像素，若得到的像素在预设的初始像素阈值范围内，则该像素属于气管区域；若得到的像素不在所述初始像素阈值范围内，则停止遍历，得到所述第一层图像对应的气管区域。
4.如权利要求1所述的基于动态种子点的图像分割方法，其特征在于，与所述第一层图像相邻下一层图像的种子点和气管像素阈值范围的确定方法，包括：
对所述第一层图像对应的气管区域进行腐蚀处理，并提取出气管区域的轮廓；
在所述轮廓内选取与所述第一层图像相邻下一层图像的种子点，并将所述轮廓内图像像素的最大值和最小值确定为第二层图像的气管像素阈值范围。
5.如权利要求1所述的基于动态种子点的图像分割方法，其特征在于，在确定与所述第一层图像相邻的下一层图像的对应的气管区域之后，输出多层面CT图像中各层面图像对应的气管区域之前，还包括：
自第二层图像开始，计算第n-1(n>2)层图像中的种子点和气管像素阈值范围；在第n-1层图像中，根据种子点和气管像素阈值范围确定第n-1层图像对应的气管区域。
6.如权利要求1所述的基于动态种子点的图像分割方法，其特征在于，根据种子点和气管像素阈值范围，采用区域生长算法，确定多层面CT图像中各层面图像对应的气管区域。
7.如权利要求6所述的基于动态种子点的图像分割方法，其特征在于，所述终止条件包括：通过任一种子点获取的气管区域包含的像素数量大于预设数量阈值时，去除该气管区域；和/或，
若所述气管区域的像素阈值范围中存在大于预设像素阈值，则停止进行区域生长。
8.一种基于动态种子点的图像分割装置，其特征在于，包括：
识别模块，用于识别多层面CT图像中主气管入口所在的目标图像；
确定模块，用于将所述目标图像所在层面作为第一层图像，根据所述第一层图像中主气管入口区域的中心点坐标，确定所述第一层图像对应的气管区域；
输出模块，用于根据所述第一层图像对应的气管区域，确定多层面CT图像中与所述第一层图像相邻下一层图像的种子点和气管像素阈值范围，并根据所述种子点和气管像素阈值范围，确定与所述第一层图像相邻的下一层图像的对应的气管区域，以此类推，在所确定的图像中气管区域的像素信息满足预设的终止条件的情况下，输出多层面CT图像中各层面图像对应的气管区域；
分割模块，用于根据多层面CT图像中各层面图像对应的气管区域，对所述多层面CT图像进行分割，得到支气管图像。
9.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一项所述的基于动态种子点的图像分割方法的步骤。
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上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一项所述的基于动态种子点的图像分割方法的步骤。
CN202310071355.9A 2023-01-16 2023-01-16 一种基于动态种子点的图像分割方法及装置 Pending CN116258853A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310071355.9A CN116258853A (zh) 2023-01-16 2023-01-16 一种基于动态种子点的图像分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310071355.9A CN116258853A (zh) 2023-01-16 2023-01-16 一种基于动态种子点的图像分割方法及装置

Publications (1)

Publication Number Publication Date
CN116258853A true CN116258853A (zh) 2023-06-13

Family

ID=86681981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310071355.9A Pending CN116258853A (zh) 2023-01-16 2023-01-16 一种基于动态种子点的图像分割方法及装置

Country Status (1)

Country Link
CN (1) CN116258853A (zh)

Similar Documents

Publication Publication Date Title
Aykac et al. Segmentation and analysis of the human airway tree from three-dimensional X-ray CT images
CN108171703B (zh) 一种从胸部ct图像中自动提取气管树的方法
CN107045721B (zh) 一种从胸部ct图像中提取肺血管的方法及装置
CN106097305B (zh) 双行程区域生长结合形态学重建的肺部气管树分割方法
CN109410166B (zh) 用于肺实质ct图像的全自动分割方法
WO2019000455A1 (zh) 图像分割的方法及系统
Pulagam et al. Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases
CN108615239B (zh) 基于阈值技术和灰度投影的舌图像分割方法
Lassen et al. Lung and lung lobe segmentation methods at Fraunhofer MEVIS
CN114419077B (zh) 一种基于ct图像的肺支气管自动分割方法及系统
EP3971830B1 (en) Pneumonia sign segmentation method and apparatus, medium and electronic device
CN105389821B (zh) 一种基于云模型和图割相结合的医学图像分割方法
CN111260669A (zh) 基于ct图像的肺叶分割方法和装置
CN108765409A (zh) 一种基于ct图像的候选结节的筛选方法
Gao et al. Accurate lung segmentation for X-ray CT images
CN111145185B (zh) 一种基于聚类关键帧提取ct图像的肺实质分割方法
CN111145226B (zh) 基于ct影像的三维肺部特征提取方法
CN111080556A (zh) 一种强化ct图像气管壁增强方法、系统、设备及介质
CN112348826B (zh) 一种基于测地线距离和V-net的交互式肝脏分割方法
Jamil et al. Adaptive thresholding technique for segmentation and juxtapleural nodules inclusion in lung segments
CN112712540A (zh) 一种基于ct影像的肺部支气管提取方法
CN113012127A (zh) 基于胸部医学影像的心胸比测量方法
CN116258853A (zh) 一种基于动态种子点的图像分割方法及装置
KR101474162B1 (ko) 흉부 컴퓨터 단층 영상의 간유리음영 결절 자동 분할 시스템 및 그 분할 방법
Tschirren et al. Airway segmentation framework for clinical environments

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