CN116385456A - 肺部图像的分割方法、处理装置、手术机器人及存储介质 - Google Patents
肺部图像的分割方法、处理装置、手术机器人及存储介质 Download PDFInfo
- Publication number
- CN116385456A CN116385456A CN202210908088.1A CN202210908088A CN116385456A CN 116385456 A CN116385456 A CN 116385456A CN 202210908088 A CN202210908088 A CN 202210908088A CN 116385456 A CN116385456 A CN 116385456A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- segmentation result
- lung image
- bronchus
- binarization
- 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
- 238000000034 method Methods 0.000 title claims abstract description 292
- 210000004072 lung Anatomy 0.000 title claims abstract description 237
- 238000012545 processing Methods 0.000 title claims abstract description 17
- 238000003709 image segmentation Methods 0.000 title claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 648
- 210000000621 bronchi Anatomy 0.000 claims description 208
- 238000013528 artificial neural network Methods 0.000 claims description 55
- 230000003902 lesion Effects 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 210000003484 anatomy Anatomy 0.000 claims description 7
- 238000004378 air conditioning Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 47
- 201000010099 disease Diseases 0.000 description 53
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 53
- 230000000694 effects Effects 0.000 description 17
- 241001465754 Metazoa Species 0.000 description 13
- 208000019693 Lung disease Diseases 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 230000002685 pulmonary effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 210000003437 trachea Anatomy 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000004054 inflammatory process Effects 0.000 description 2
- 240000009087 Crescentia cujete Species 0.000 description 1
- 235000005983 Crescentia cujete Nutrition 0.000 description 1
- 206010014561 Emphysema Diseases 0.000 description 1
- 235000009797 Lagenaria vulgaris Nutrition 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 206010037394 Pulmonary haemorrhage Diseases 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 201000003144 pneumothorax Diseases 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- G06T2207/20—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
- G06T2207/30061—Lung
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本申请适用于肺部图像处理技术领域,提供了一种肺部图像的分割方法、处理装置、手术机器人及存储介质,方法包括:S1获取肺部图像;S2配置第一类分割方法中的其中一个对肺部图像进行分割,得到分割结果;S3基于肺部图像和分割结果,确定病灶与参考点的相对位置关系;S4如果相对位置关系满足预设条件,判断分割结果不满足医生的诊断治疗要求时,执行步骤S5;S5从第一类和第二类分割方法中尚未被配置的分割方法中配置其中之一对肺部图像进行分割,得到分割结果;S6基于所有分割结果中的至少两个,确定中间分割结果;S7判断中间分割结果不满足医生的诊断治疗要求时,返回执行S5否则,将中间分割结果作为目标分割结果。
Description
技术领域
本申请涉及肺部支气管图像处理技术领域,具体而言,涉及一种肺部图像的分割方法、处理装置、手术机器人及存储介质。
背景技术
肺部穿刺手术主要依靠医生参考CT图片的信息和临床经验进行操作,在肺部穿刺的手术过程中如果能够避开肺部大气管、肺部血管,可以大大减少穿刺手术引起的气胸、肺出血等严重并发症。利用肺部图像对人体肺部气管进行三维重建,为医生进行肺穿刺手术提供三维可视化的参考依据,指导医生设计精确的治疗方案,保证穿刺手术时可有效避开肺部大气管,降低肺穿刺手术引发的并发症,具有非常大的现实意义。
目前学术界已存在许多肺部支气管分割方法,其中基于区域生长的肺气道分割方法对阈值的选取非常的敏感,拿双阈值的区域生长方法来举例,如果阈值选取过低,则会引起欠分割的问题,如果选取过高,则会引起泄露的问题。而使用深度学习的方法由于是一种数据驱动的学习方法,通常需要大量的训练数据才能获得优秀的结果。当遇到训练样本不能很好的覆盖总体的类型时,预测的效果,往往会不尽如意。该方法分割精度有限,而且需要较多的人工干预。
发明内容
本申请实施例提供了一种肺部图像的分割方法、处理装置、手术机器人及存储介质,可以解决如何更好的分割肺部图像的问题。
第一方面,本申请实施例提供了一种肺部图像的分割方法,包括:
S1:获取肺部图像,基于肺部图像确定肺部的疾病类型;
S2:如果疾病类型为目标疾病类型,配置第一类分割方法中的其中一个对肺部图像进行分割,得到分割结果;
S3:判断分割结果未包括层阶不低于第一预设值的支气管时,执行步骤S4;
S4:从第一类和第二类分割方法中尚未被配置的分割方法中配置其中之一对肺部图像进行分割,得到分割结果;
S5:基于所有分割结果中的至少两个,确定中间分割结果;
S6:判断中间分割结果未包括层阶不低于第一预设值的支气管时,返回执行S4;否则,将中间分割结果作为目标分割结果。
第二方面,本申请实施例提供了一种肺部图像的分割方法,包括:
S1:获取肺部图像;
S2:配置第一类分割方法中的其中一个对肺部图像进行分割,得到分割结果;
S3:基于肺部图像和分割结果,确定病灶与参考点的相对位置关系;
S4:如果相对位置关系满足预设条件,判断分割结果中的支气管与病灶的相对距离是否大于第一距离阈值,或者分割结果是否包括层阶不低于第一预设值的支气管,如果分割结果中的支气管与病灶的相对距离大于第一距离阈值,或者分割结果未包括层阶不低于第一预设值的支气管,执行步骤S5;
S5:从第一类和第二类分割方法中尚未被配置的分割方法中配置其中之一对肺部图像进行分割,得到分割结果;
S6:基于所有分割结果中的至少两个,确定中间分割结果;
S7:判断中间分割结果中的支气管与病灶的相对距离是否大于第一距离阈值,或者中间分割结果是否包括层阶不低于第一预设值的支气管,如果中间分割结果中的支气管与病灶的相对距离大于第一距离阈值,或者中间分割结果未包括层阶不低于第一预设值的支气管,返回执行S5;否则,将中间分割结果作为目标分割结果。
可选的,所述相对位置关系满足预设条件,包括:
所述病灶与所述参考点的相对距离大于第二距离阈值;
或者,
所述病灶所在支气管的层级大于第二预设值,第二预设值小于第一预设值。
可选的,确定病灶与参考点的相对位置关系,包括:
基于所述肺部图像确定病灶的位置;
基于所述分割结果确定参考点的位置;
基于所述病灶的位置与所述参考点的位置,确定所述病灶与所述参考点的相对距离或者所述病灶所在支气管的层级;
可选的,确定病灶与参考点的相对位置关系,包括:
基于所述肺部图像确定病灶的位置;
基于所述分割结果确定骨架线;
基于所述病灶的位置、所述骨架线,确定所述病灶在人体解剖结构的位置;
基于所述病灶在人体解剖结构的位置,确定所述病灶所在支气管的层级。
可选的,第一类分割方法被配置对所述肺部图像进行分割得到的分割结果为第一类分割结果,第二类分割方法被配置对所述肺部图像进行分割得到的分割结果为第二类分割结果;所述基于所有分割结果中的至少两个,确定中间分割结果,包括:
在当前一轮被配置的分割方法为第一类分割方法时,选取此前所有轮分割获得的第一类分割结果和第二类分割结果中的至少一个,与当前一轮分割获得的第一类分割结果进行合并,得到所述中间分割结果。
可选的,第一类分割方法被配置对所述肺部图像进行分割得到的分割结果为第一类分割结果,第二类分割方法被配置对所述肺部图像进行分割得到的分割结果为第二类分割结果;所述基于所有分割结果中的至少两个,确定中间分割结果,包括:
在当前一轮被配置的分割方法为第二类分割方法时,选取此前所有轮分割获得的第一类分割结果中的至少一个,与当前一轮分割获得的第二类分割结果进行合并,得到所述中间分割结果。
可选的,第一类分割方法被配置对所述肺部图像进行分割得到的分割结果为第一类分割结果,第二类分割方法被配置对所述肺部图像进行分割得到的分割结果为第二类分割结果;所述基于所有分割结果中的至少两个,确定中间分割结果,包括:
在当前一轮被配置的分割方法为第二类分割方法时,选取此前所有轮分割获得的第一类分割结果中的至少一个、此前所有轮分割获得的第二类分割结果中的至少一个,与当前一轮分割获得的第二类分割结果进行合并,得到所述中间分割结果。
可选的,所述步骤S4中,如果所述相对位置关系不满足预设条件,将所述分割结果作为所述目标分割结果,第一类分割方法包括第一神经网络法。
可选的,第一类分割方法包括第一神经网络法,第二类分割方法包括第二神经网络法,第一类或第二类神经网络法被配置对所述肺部图像进行分割得到分割结果,包括:
将所述肺部图像输入所述神经网络得到矩阵数据,所述矩阵数据包括至少一个体素及所述体素对应的置信度;
将所述置信度高于第一阈值的体素标识为支气管,得到目标二值化图作为分割结果。
可选的,如果所述中间分割结果中的支气管与病灶的相对距离大于第一距离阈值,或者所述中间分割结果未包括层阶不低于第一预设值的支气管,且第一类和第二类分割方法中没有尚未被配置的分割方法,获取第一或第二神经网络法被配置进行分割所述肺部图像得到的所述矩阵数据;
降低第一阈值为第二阈值,将所述置信度低于第二阈值的体素标识为支气管,得到新的二值化图;
将所述新的二值化图与所述目标二值化图进行异或,得到异或后的二值化图;
将所述异或后的二值化图进行连通域分析,得到与多个连通域对应的二值化图;
在所述多个连通域中选取其中一个候选连通域;
将所述候选连通域对应的二值化图与所述目标二值化图进行合并,得到合并后的二值化图;
当所述合并后的二值化图中的连通域的数量少于所述目标二值化图中的连通域的数量时,则将所述候选连通域中的体素标识为支气管,所述候选连通域标识为有效连通域;
将所述有效连通域的二值化图与所述目标二值化图进行合并,得到连接断裂支气管后的分割结果。
可选的,第一类分割方法包括区域生长法,所述区域生长法被配置对所述肺部图像进行分割得到分割结果,包括:
在所述肺部图像中选取种子点作为生长的起始点;
在所述种子点的邻域范围内,选取强度值小于第三阈值的至少一个体素;
基于所述种子点的强度值、所述选取的至少一个体素的强度值,确定动态阈值的初始值;
基于所述种子点进行区域生长,并选择强度值小于所述动态阈值的初始值的体素标识为支气管,得到二值化图作为分割结果。
可选的,基于所述动态阈值的初始值进行区域生长,将强度值小于所述动态阈值的初始值的体素作为新的种子体素标识为支气管;
间隔固定的时间或者当所述新的种子体素的数量达到预设数量时,基于所述动态阈值的初始值、所述新的种子体素的强度值,确定新的阈值;
将所述新的阈值设定为所述动态阈值的初始值,返回步骤基于所述动态阈值的初始值进行区域生长。
可选的,所述肺部图像为3D图像,所述在所述肺部图像中选择种子点作为生长的起始点,包括:
选取所述肺部图像中的预设位置的切片,所述预设位置的范围为0.65~0.85;
基于切片阈值,对所述切片进行二值化,得到切片二值化图;
对所述切片二值化图求取连通域;
选择符合预设条件的连通域,所述预设条件包括连通域的形状为圆形且包含的体素数量范围为100~500;
在所述符合预设条件的连通域中选择目标体素,并将所述目标体素作为种子点。
可选的,第二类分割方法包括形态学分割法,所述形态学分割法被配置对所述肺部图像进行分割得到分割结果,包括:
对所述肺部图像进行去噪处理;
基于所述肺部图像中体素的强度值、高阶阈值,对去噪处理后的肺部图像进行二值化,得到二值化图img_a,其中,所述二值化图img_a中强度值小于所述高阶阈值的体素中包括支气管,强度值大于所述高阶阈值的体素中不包括支气管;
对所述二值化图img_a中不包括支气管的体素部分进行连通域分析,将小于第一连通域阈值的连通域去除,得到二值化图img_b;
对所述二值化图img_b进行开运算,得到二值化图img_c;
对所述二值化图img_c进行连通域分析,将小于第二连通域阈值的的连通域去除,得到二值化图img_d;
将所述二值化图img_c和所述二值化图img_d进行异或,得到高阶层级的支气管对应的二值化图。
第三方面,本申请实施例提供了一种肺部图像的分割方法,包括:
S301:获取肺部图像,基于肺部图像确定疾病类型;
S302:如果疾病为目标疾病类型,配置第一类分割方法中的其中一个对肺部图像进行分割,得到分割结果;
S303:基于肺部图像和分割结果,确定病灶与参考点的相对位置关系;
S304:如果相对位置关系满足预设条件,则判断分割结果中的支气管与病灶的相对距离是否大于第一距离阈值,或者分割结果是否包括层阶不低于第一预设值的支气管,如果分割结果中的支气管与病灶的相对距离大于第一距离阈值,或者分割结果未包括层阶不低于第一预设值的支气管,执行步骤S305;
S305:从第一类和第二类分割方法中尚未被配置的分割方法中配置其中之一对肺部图像进行分割,得到分割结果;
S306:基于所有分割结果中的至少两个,确定中间分割结果;
S307:判断中间分割结果中的支气管与病灶的相对距离大于第一距离阈值,或者中间分割结果未包括层阶不低于第一预设值的支气管时,返回执行S305;否则,将中间分割结果作为目标分割结果。
第四方面,本申请实施例提供了一种肺部图像的分割方法,包括:
S401:获取肺部图像;
S402:配置第一类分割方法中的其中一个对肺部图像进行分割,得到分割结果;
S403:基于肺部图像和分割结果,确定病灶与参考点的相对位置关系;
S404:如果相对位置关系满足预设条件,基于肺部图像获取肺部的疾病类型;
S405:如果肺部的疾病为目标疾病类型,则判断分割结果中的支气管与病灶的相对距离是否大于第一距离阈值,或者分割结果是否包括层阶不低于第一预设值的支气管,如果分割结果中的支气管与病灶的相对距离大于第一距离阈值,或者分割结果未包括层阶不低于第一预设值的支气管时,执行步骤S406。
S406:从第一类和第二类分割方法中尚未被配置的分割方法中配置其中之一对肺部图像进行分割,得到分割结果;
S407:基于所有分割结果中的至少两个,确定中间分割结果;
S408:判断中间分割结果中的支气管与病灶的相对距离大于第一距离阈值,或者中间分割结果未包括层阶不低于第二预设值的支气管时,返回执行S406;否则,将中间分割结果作为目标分割结果。
第五方面,本申请实施例提供了一种肺部图像的分割方法,包括:
S501:获取肺部图像,基于肺部图像确定肺部的疾病类型;
S502:配置第一类分割方法中的其中一个对肺部图像进行分割,得到分割结果;
S503:基于肺部图像和分割结果,确定病灶与参考点的相对位置关系。
S504:如果疾病类型为目标疾病类型,且相对位置关系满足预设条件,则进一步判断分割结果中的支气管与病灶的相对距离是否大于第一距离阈值,或分割结果是否包括层阶不低于第一预设值的支气管,如果分割结果中的支气管与病灶的相对距离大于第一距离阈值,或分割结果未包括层阶不低于第一预设值的支气管,执行步骤S505;
S505:从第一类和第二类分割方法中尚未被配置的分割方法中配置其中之一对肺部图像进行分割,得到分割结果;
S506:基于所有分割结果中的至少两个,确定中间分割结果;
S507:判断中间分割结果中的支气管与病灶的相对距离大于第一距离阈值,或者中间分割结果未包括层阶不低于第一预设值的支气管时,返回执行S505;否则,将中间分割结果作为目标分割结果。
第六方面,本申请实施例提供了一种图像处理装置,包括:
存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时执行上述第一方面至第五方面中任一项的肺部图像的分割方法。
第七方面,本申请实施例提供一种手术机器人,包括:主操作台,从操作设备;及图像处理装置,图像处理装置与主操作台和从操作设备耦接,并被配置成用于执行上述第一方面至第五方面中任一项的肺部图像的分割方法。
第八方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行上述第一方面至第五方面中任一项的肺部图像的分割方法。
第九方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面至第五方面中任一项的肺部图像的分割方法。
可以理解的是,上述第二方面至第九方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是:本申请实施例通过S1获取肺部图像;S2配置第一类分割方法中的其中一个对肺部图像进行分割,得到分割结果;S3基于肺部图像和分割结果,确定病灶与参考点的相对位置关系;S4如果相对位置关系满足预设条件,判断分割结果不满足医生的诊断治疗要求时,执行步骤S5;S5从第一类和第二类分割方法中尚未被配置的分割方法中配置其中之一对肺部图像进行分割,得到分割结果;S6基于所有分割结果中的至少两个,确定中间分割结果;S7判断中间分割结果不满足医生的诊断治疗要求时,返回执行S5否则,将中间分割结果作为目标分割结果,通过针对病灶的不同情况采用合适的分割方法,提高了分割的自动化程度、分割效率和分割精度,满足医生的诊断治疗需要。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例中一种肺部图像的分割方法的示意图;
图2为本申请实施例中另一种肺部图像的分割方法的示意图;
图3a~图3e为本申请实施例中一种肺部图像的分割方法的过程示意图;
图4a~图4d为本申请实施例中另一种肺部图像的分割方法的过程示意图;
图5a~图5c为本申请实施例中提取掩膜的过程示意图;
图6为本申请实施例中图像处理装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本申请的具体实施例做详细的说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
图1是本发明提供的肺部图像的分割方法的实施例的示意图,该方法包括:
步骤S1:获取肺部图像,基于肺部图像确定肺部的疾病类型;
若疾病类型为目标疾病类型,确定进行多轮组合分割;
若疾病类型为非目标疾病类型,确定进行单轮分割
其中,目标疾病类型包括影响成像质量、引起大面积炎症的疾病,例如肺气肿、支气管肿大、肺炎;非目标疾病类型包括不影响成像质量,不引起大面积炎症的疾病,例如肺结节。
其中,获取肺部的疾病类型,可选的包括现有技术中根据肺部的形态的特征、分类算法来识别器官的疾病类型,本申请实施例对此不进行限定;或者直接获取用户输入的疾病类型信息,例如用户在交互界面输入的疾病类型信息。
由于动物与人体有较大的区别,因此在目前需要进行区分。可选的,通过提取肺部掩膜判断肺部图像的特征判断是动物还是人体,或者直接获取用户输入的肺部图像为动物或者人体的信息,例如用户在交互界面输入动物或者人体的信息。如果是动物,也采用组合分割方式。可以理解的是,如果对动物的肺部图像收集了足够的样本,进行了有效的训练,形成针对动物的神经网络,那么对于动物的非目标疾病类型,可以采用针对动物的神经网络进行单轮分割,对于动物的目标疾病类型,可以采用多轮组合分割方式。
步骤S2:如果疾病类型为目标疾病类型,采用多轮组合分割方式,首先配置第一类分割方法中的其中一个对肺部图像进行分割,得到分割结果,其中,第一类分割方法用于切割整体支气管,其中整体支气管也可以称为主干支气管。可选的,也可以先配置第一类分割方法中的其中一个对肺部图像进行分割,得到分割结果,然后再判断疾病类型是否为目标疾病类型,如果是目标疾病类型,执行步骤S3。
步骤S3:判断分割结果是否满足医生的诊断治疗要求,例如包括层阶不低于第一预设值的支气管时,将分割结果作为目标分割结果;如果分割结果未包括层阶不低于第一预设值的支气管,执行步骤S4;
判断分割结果是否包括层阶不低于第一预设值的支气管,即判断分割结果是否满足医生的使用要求,如果分割结果包括层阶不低于第一预设值的支气管,即判断分割结果满足医生的使用要求;分割结果未包括层阶不低于第一预设值的支气管,即判断分割结果不满足医生的使用要求。其中第一预设值可由医生灵活设定,例如5级或者6级等。如果分割结果不满足使用要求,需要执行步骤S4继续进行下一轮分割。
可选的,判断分割结果是否满足医生的诊断治疗要求,还可以包括判断分割结果中的支气管与病灶的相对距离是否大于第一距离阈值,具体包括:
基于肺部图像确定病灶的位置;
基于分割结果确定骨架线;
基于病灶的位置、骨架线,确定分割结果中的支气管与病灶的相对距离。例如,骨架线包括多个点,以病灶与骨架线上的点中的最小距离作为分割结果中的支气管与病灶的相对距离。
判断分割结果中的支气管与病灶的相对距离是否大于第一距离阈值,如果大于第一距离阈值,则分割结果不满足医生的诊断治疗要求;如果不大于第一距离阈值,则分割结果满足医生的诊断治疗要求。
可选的,可以同时依据分割结果是否包括层阶不低于第一预设值的支气管和分割结果中的支气管与病灶的相对距离是否大于第一距离阈值这两个条件,来判断是否满足医生的诊断治疗要求,只有两个条件同时满足时,才视为满足医生的诊断治疗要求。
步骤S4:从第一类和第二类分割方法中尚未被配置的分割方法中配置其中之一对肺部图像进行分割,得到分割结果,其中,第二类分割方法用于切割高阶层级的支气管。
可选的,不重复使用相同的分割方法对肺部图像进行分割,因此需要选择尚未被配置的分割方法的其中之一对肺部图像进行分割得到分割结果,可以选择第一类分割方法或者第二类分割方法。
步骤S5:基于所有分割结果中的至少两个,确定中间分割结果。
当进行了多轮分割时,可以选择其中至少两轮分割对应的分割结果进行合并,确定中间分割结果。
步骤S6:判断中间分割结果是否满足医生的诊断治疗要求,例如未包括层阶不低于第一预设值的的支气管时,返回执行S4;否则,将中间分割结果作为目标分割结果。
可选的,判断中间分割结果是否满足医生的诊断治疗要求,还可以包括:
判断中间分割结果中的支气管与病灶的相对距离是否大于第一距离阈值,如果大于第一距离阈值,则中间分割结果不满足医生的诊断治疗要求;如果不大于第一距离阈值,则中间分割结果满足医生的诊断治疗要求,实现原理与前述判断分割结果中的支气管与病灶的相对距离是否大于第一距离阈值相同,此处不再赘述。
可选的,可以同时依据中间分割结果是否包括层阶不低于第一预设值的支气管和中间分割结果中的支气管与病灶的相对距离是否大于第一距离阈值这两个条件,来判断是否满足医生的诊断治疗要求,只有两个条件同时满足时,才视为满足医生的诊断治疗要求。
当有多个合并后的中间分割结果均满足医生的诊断治疗要求时,例如包括层阶不低于第一预设值的支气管,可以挑选其中一个供医生使用,其中挑选的标准可以灵活设定,例如包括的支气管层级越高越好,或者医生关注的某一层级的支气管越全越好,骨架线的长度越长越好,骨架线的分支的数量越多越好,支气管与病灶的相对距离越近越好,或者医生观察合并结果挑选其中一个合并结果作为目标分割结果,或者随机挑选其中一个合并结果作为目标分割结果。其中,根据中间分割结果可以采用现有技术中的方法确定骨架线的长度、骨架线的分支的数量,以及支气管与病灶的相对距离,本申请对此并不进行任何的限定。
本申请实施例通过根据肺部图像的疾病类型,采用合适分割方法对肺部图像进行分割,从而实现了在不同的肺部图像时,自适应的采用合适的分割方式,可以获得肺支气管,提高分割的自动化程度、分割效率和分割精度,满足医生的诊断治疗需要。
进一步的,疾病类型为非目标疾病类型,进行单轮分割,即配置第一类分割方法中的其中一个对肺部图像进行分割,得到目标分割结果,第一类分割方法包括第一神经网络法,例如将肺部图像输入神经网络得到矩阵数据,矩阵数据包括至少一个体素及体素对应的置信度;将置信度高于第一预设阈值的体素标识为支气管,以得到目标二值化图;将目标二值化图作为分割结果;其中置信度表征肺部图像中各个体素是支气管的概率值。示例性的,第一预设阈值为0.3,置信度低于0.3的体素不是支气管,置信度高于0.3的体素标识为支气管。对于标识为支气管的体素可以赋值为1,不是支气管的体素赋值为0,可以理解的是,也可以对于标识为支气管的体素可以赋值为0,不是支气管的体素赋值为1,这样便得到目标二值化图。如图2所示,为经过第一神经网络法进行分割得到的分割效果图。其中,第一神经网络包括3DUnet、AirwayNet、BronchusNet。第一神经网络是利用多个样本数据经过训练之后得到的,适用于切割整体支气管,在训练过程中,增加样本的多样性,能提高第一神经网络的适应性。具体的训练过程可以采用现有技术,本申请实施例对此并不进行具体的限定。
进一步的,可以根据大数据统计结果推荐的顺序选用合适的分割方法,而不是如步骤S4中从第一类和第二类分割方法中尚未被配置的分割方法中配置其中之一对肺部图像进行分割,从而提高分割效果;或者可以根据医生的指令确定分割方法的组合顺序,例如医生通过人机界面输入分割方法的组合顺序。
本申请实施例通过根据肺部图像的疾病特征,确定对肺部图像进行单轮分割或者组合分割,从而实现了在不同的肺部图像时,自适应的采用合适的分割方法,提高分割的自动化程度、分割效率和分割精度,满足医生的诊断治疗需要。
本申请提供的另一个肺部图像的分割方法实施例中,如图2是本发明提供的肺部图像的分割方法的另一实施例的示意图所示,基于病灶对肺部图像选用合适的分割方法进行分割,具体包括:
S201:获取肺部图像。
S202:配置第一类分割方法中的其中一个对肺部图像进行分割,得到分割结果。
S203:基于肺部图像和分割结果,确定病灶与参考点的相对位置关系。
确定病灶与参考点的相对位置关系,包括:确定病灶与参考点的相对距离或者病灶所在支气管的层级。
其中,确定病灶与参考点的相对距离,包括:
基于肺部图像确定病灶的位置;基于分割结果确定参考点的位置;可选的,基于肺部图像确定病灶的位置;基于分割结果确定参考点的位置,例如参考点可以选取主隆突。基于肺部图像,可以确定病灶的位置,具体可以采用现有技术,本申请不进行任何的限定。基于分割结果,可以确定参考点的位置,具体可以采用现有技术,本申请不进行任何的限定。
基于病灶的位置与参考点的位置,确定病灶与参考点的相对距离。
其中,确定病灶所在支气管的层级,包括:
基于病灶与参考点的相对距离可以确定病灶所在的所在支气管的层级,例如根据对大量样本统计的情况,相对距离值与病灶所在的所在支气管的层级具有一定的对应关系。
或者,确定病灶所在支气管的层级,包括:
基于肺部图像确定病灶的位置;
基于分割结果确定骨架线;
基于病灶的位置、骨架线,确定病灶在人体解剖结构的位置,例如以与病灶距离最近的骨架线上的点的相对位置,确定病灶对应于人体解剖结构的位置。
基于病灶在人体解剖结构的位置,例如肺上叶或者肺中叶,确定病灶所在支气管的层级。
S204:如果相对位置关系满足预设条件,判断分割结果中的支气管与病灶的相对距离是否大于第一距离阈值,或者分割结果是否包括层阶不低于第一预设值的支气管,如果分割结果中的支气管与病灶的相对距离大于第一距离阈值,或者分割结果未包括层阶不低于第一预设值的支气管,执行步骤S205;
其中,相对位置关系满足预设条件,包括:
病灶与参考点的相对距离大于第二距离阈值;
或者,
病灶所在支气管的层级大于第二预设值,第二预设值小于第一预设值。
如果病灶与参考点的相对距离大于第二距离阈值,可以判断病灶在较远的支气管附近,因此需要分割得到高阶层级的支气管可以满足要求。如果相对位置小于第二距离阈值,可以判断病灶在较近的支气管附近,因此分割得到低阶层级的支气管即能满足要求。
当分割结果中的支气管与病灶的相对距离大于第一距离阈值时,说明病灶周边的支气管分割效果不理想;当支气管与病灶的相对距离不大于第一距离阈值时,说明病灶周边的支气管分割效果理想。当分割结果不包括不低于第一预设值的支气管时,视为高阶层级的支气管分割效果不理想;当分割结果包括不低于第一预设值的支气管时,视为高阶层级的支气管分割效果理想。当分割效果不理想时,需要返回执行S205进行下一轮分割,当分割效果理想时,将分割结果作为目标分割结果,结束分割。
可选的,判断分割结果是否满足医生的诊断治疗要求,还可以包括判断分割结果中的支气管与病灶的相对距离是否大于第一距离阈值,包括:
基于肺部图像确定病灶的位置;
基于分割结果确定骨架线;
基于病灶的位置、骨架线,确定分割结果中的支气管与病灶的相对距离。例如,骨架线包括多个点,以病灶与骨架线上的点中的最小距离作为分割结果中的支气管与病灶的相对距离。
判断分割结果中的支气管与病灶的相对距离是否大于第一距离阈值,如果大于第一距离阈值,则分割结果不满足医生的诊断治疗要求;如果不大于第一距离阈值,则分割结果满足医生的诊断治疗要求。
可选的,可以同时依据分割结果是否包括层阶不低于第一预设值的支气管和分割结果中的支气管与病灶的相对距离是否大于第一距离阈值这两个条件,来判断是否满足医生的诊断治疗要求,只有两个条件同时满足时,才视为满足医生的诊断治疗要求。
S205:从第一类和第二类分割方法中尚未被配置的分割方法中配置其中之一对肺部图像进行分割,得到分割结果;
S206:基于所有分割结果中的至少两个,确定中间分割结果。
S207:判断中间分割结果是否满足医生的诊断治疗要求,例如中间分割结果中的支气管与病灶的相对距离是否大于第一距离阈值,或者中间分割结果是否包括层阶不低于第一预设值的支气管,如果中间分割结果中的支气管与病灶的相对距离大于第一距离阈值,或者中间分割结果未包括层阶不低于第一预设值的支气管,即不满足医生的要求时,返回执行S205;否则,将中间分割结果作为目标分割结果。
当中间分割结果中的支气管与病灶的相对距离大于第一距离阈值时,说明病灶周边的支气管分割效果不理想;当支气管与病灶的相对距离不大于第一距离阈值时,说明病灶周边的支气管分割效果理想。当中间分割结果不包括不低于第一预设值的支气管时,视为高阶层级的支气管分割效果不理想;当中间分割结果包括不低于第一预设值的支气管时,视为高阶层级的支气管分割效果理想。当分割效果不理想时,需要返回执行S205进行下一轮分割,当分割效果理想时,将中间分割结果作为目标分割结果,结束分割。判断中间分割结果中的支气管与病灶的相对距离是否大于第一距离阈值,实现原理与前述判断分割结果中的支气管与病灶的相对距离是否大于第一距离阈值相同,此处不再赘述。
可选的,可以同时依据中间分割结果是否包括层阶不低于第一预设值的支气管和分割结果中的支气管与病灶的相对距离是否大于第一距离阈值这两个条件,来判断是否满足医生的诊断治疗要求,只有两个条件同时满足时,才视为满足医生的诊断治疗要求。
本申请实施例通过基于病灶对肺部图像选用合适的分割方法进行分割,从而实现了在不同的肺部图像时,自适应的采用合适的分割方式,提高分割的自动化程度、分割效率和分割精度,可以获得肺支气管,满足医生的诊断治疗需要。
本申请提供的另一个肺部图像的分割方法实施例中,先基于肺部图像确定疾病类型,再根据情况看是否需要进一步获取病灶的情况,具体包括:
S301:获取肺部图像,基于肺部图像确定疾病类型;
S302:如果疾病为目标疾病类型,配置第一类分割方法中的其中一个对肺部图像进行分割,得到分割结果;
S303:基于肺部图像和分割结果,确定病灶与参考点的相对位置关系,实现原理如前,此处不再赘述;
S304:如果相对位置关系满足预设条件,则判断分割结果是否满足医生的诊断治疗要求,例如分割结果中的支气管与病灶的相对距离是否大于第一距离阈值,或者分割结果是否包括层阶不低于第一预设值的支气管时,如果不满足医生的诊断治疗要求,执行步骤S305;
S305:从第一类和第二类分割方法中尚未被配置的分割方法中配置其中之一对肺部图像进行分割,得到分割结果;
S306:基于所有分割结果中的至少两个,确定中间分割结果;
S307:判断中间分割结果是否满足医生的诊断治疗要求,例如中间分割结果中的支气管与病灶的相对距离是否大于第一距离阈值,或者中间分割结果是否包括层阶不低于第二预设值的支气管,如果不满足医生的诊断治疗要求,返回执行S305;否则,将中间分割结果作为目标分割结果。
进一步的,如果步骤S304中,如果相对位置关系不满足预设条件,则将分割结果作为目标分割结果,第一类分割方法包括第一神经网络法。即在疾病类型为目标疾病类型时,不是直接采用多轮组合分割,而是进一步判断病灶的情况,例如病灶与参考点的相对位置关系满足预设条件,才进行多轮组合分割,从而提高了分割效率。
本申请实施例通过基于病灶和疾病类型对肺部图像选用合适的分割方法进行分割,从而实现了在不同的肺部图像时,自适应的采用合适的分割方式,提高分割的自动化程度、分割效率和分割精度,满足医生的诊断治疗需要。
本申请提供的另一个肺部图像分割方法实施例中,先获取病灶的情况,再根据情况看是否需要获取疾病类型来确定分割方法,具体包括:
S401:获取肺部图像;
S402:配置第一类分割方法中的其中一个对肺部图像进行分割,得到分割结果;
S403:基于肺部图像和分割结果,确定病灶与参考点的相对位置关系,实现原理如前,此处不再赘述;
S404:如果相对位置关系满足预设条件,基于肺部图像获取肺部的疾病类型;
S405:如果肺部的疾病为目标疾病类型,则进一步判断分割结果是否满足医生的诊断治疗要求,例如分割结果中的支气管与病灶的相对距离是否大于第一距离阈值,或者分割结果是否包括层阶不低于第一预设值的支气管时,如果不满足医生的诊断治疗要求,执行步骤S406。
本申请实施例中,在病灶与参考点的相对位置关系满足预设条件时,不是直接采用多轮组合分割,而是进一步判断疾病类型,只有为目标疾病类型时,才进行多轮组合分割,在非目标疾病类型时,进行单轮分割,从而提高了分割效率。
S406:从第一类和第二类分割方法中尚未被配置的分割方法中配置其中之一对肺部图像进行分割,得到分割结果;
S407:基于所有分割结果中的至少两个,确定中间分割结果;
S408:判断中间分割结果是否满足医生的诊断治疗要求,例如判断中间分割结果中的支气管与病灶的相对距离是否大于第一距离阈值,或者中间分割结果是否包括层阶不低于第二预设值的支气管时,如果不满足医生的诊断治疗要求,返回执行S406;否则,将中间分割结果作为目标分割结果。
本申请实施例通过基于病灶和疾病类型对肺部图像选用合适的分割方法进行分割,从而实现了在不同的肺部图像时,自适应的采用合适的分割方式,提高分割的自动化程度、分割效率和分割精度,满足医生的诊断治疗需要。
本申请提供的另一个肺部图像分割方法实施例中,基于病灶的情况和疾病类型的情况确定分割方法,包括:
S501:获取肺部图像,基于肺部图像确定肺部的疾病类型;
S502:配置第一类分割方法中的其中一个对肺部图像进行分割,得到分割结果;
S503:基于肺部图像和分割结果,确定病灶与参考点的相对位置关系。可以理解的是基于肺部图像确定肺部的疾病类型,可以不在步骤S501,可以在步骤503中。
S504:如果疾病类型为目标疾病类型,且相对位置关系满足预设条件,则进一步判断分割结果是否满足医生的诊断治疗要求,例如分割结果中的支气管与病灶的相对距离是否大于第一距离阈值,或分割结果是否包括层阶不低于第一预设值的支气管,如果不满足医生的诊断治疗要求,执行步骤S505;
S505:从第一类和第二类分割方法中尚未被配置的分割方法中配置其中之一对肺部图像进行分割,得到分割结果;
S506:基于所有分割结果中的至少两个,确定中间分割结果;
S507:判断中间分割结果是否满足医生的诊断治疗要求,例如中间分割结果中的支气管与病灶的相对距离是否大于第一距离阈值,或者中间分割结果是否包括层阶不低于第一预设值的支气管,如果不满足医生的诊断治疗要求,返回执行S505;如果满足医生的诊断治疗要求,将中间分割结果作为目标分割结果。
本申请实施例通过基于病灶和疾病类型对肺部图像选用合适的分割方法进行分割,从而实现了在不同的肺部图像时,自适应的采用合适的分割方式,提高分割的自动化程度、分割效率和分割精度,满足医生的诊断治疗需要。
本申请提供的另一个肺部图像分割方法实施例中,第一类分割方法包括区域生长法,区域生长法被配置对肺部图像进行分割得到分割结果,包括:
在肺部图像中选择种子点,基于动态阈值,以种子点进行区域生长,并选择强度值小于动态阈值的体素标识为支气管,得到二值化图作为分割结果,具体包括:
第一步:选取种子点,作为生长的起始点,其中,选取种子点的方法,包括三种:
第一种:选取肺部图像中预设位置的切片,肺部图像为3D图像,肺部图像包括多个切片,可选的选取其中一个切片进行二值化。切片的位置可选的位于0.65~0.85范围内。示例性的,以肺的顶部为0位置,以肺的底部为1位置,选取0.8的位置对应的切片作为分析对象。
可选的,预先设置切片阈值,基于切片阈值,对切片进行二值化,得到切片二值化图,例如若切片中体素的强度值小于切片阈值,则该体素标识为支气管。其中,图像中的每个体素可以使用强度值用于区分图像空间内的不同类型的组织、流体、结构等的其他值。例如,当图像数据是CT图像数据时,以Hounsfield值与每个体素相关联,其中Hounsfield值简写为HU值。在其他实施例中可以使用其他强度值。
对切片二值化图求取连通域;
选择符合预设条件的连通域,预设条件包括形状为圆形、且连通域包含的体素数量小于500且大于100,即500>体素数量>100的连通域,并选取连通域中的其中一个体素作为种子点。圆形并不是绝对的圆形,只要接近圆形均可以视为圆形。本申请实施例中将被选取作为种子点的体素称为目标体素,可选的连通域中任意体素均可以作为目标体素。
第二种:如果区域生长法不是被配置在第一轮分割,则可以选取此前所有轮分割获得的分割结果中的其中一个的标识为支气管的其中一个体素作为种子点。
第三种:手动选择种子点。用户可以观察是否有圆形深色孔洞且在相邻切片中连续出现的部位,并通过输入设备,例如交互界面,将这样的部位选择作为种子点。
第二步:在选取的种子点邻域范围内,选取满足预设约束条件的至少一个体素。
预设约束条件包括两个方面:
距离种子点不宜太远,可选的位于5*5*5邻域范围内的体素;
体素的HU强度值小于经验阈值。
第三步:基于选取的种子点的强度值、选取的至少一个体素的强度值,确定动态阈值的初始值。
可选的求取种子点的强度值与选取的至少一个体素的强度值的平均值,将平均值作为动态阈值的初始值。本申请实施例中将种子点的强度值记为HU种子,选取的至少一个体素的强度值记为HUi,i表示选取的至少一个体素的序号,选取的体素数量为m个,i为1至m的自然数。
进一步的,将种子点的强度值赋予权重α,将选取的体素的强度值的平均值赋予权重β,然后在将赋予权重后的强度值进行平均得到动态阈值的初始值。
第四步:更新动态阈值的初始值。
基于动态阈值的初始值进行区域生长,查找强度值小于初始值的体素,将强度值小于初始值的体素标识为新的种子体素,并标识为支气管;
基于动态阈值的初始值、新的种子体素的强度值,在符合预设条件时,例如间隔固定的时间或者当新的种子体素的数量达到预设数量时,更新初始值。
将更新后的初始值设定为动态阈值的初始值,返回步骤基于初始值进行区域生长。
本申请实施例中基于初始阈值查找强度值小于阈值的体素,并在符合预设条件时更新初始阈值,并以更新的初始阈值继续查找强度值小于更新的初始阈值的体素,并在符合预设条件时再次更新阈值,如此循环,不断更新阈值,不断查找强度值小于新的阈值的体素,从而实现根据新加入的体素对阈值进行动态调整,从而利用肺气道树上的体素的全局信息对阈值进行动态调整,克服了现有技术中利用固定阈值进行区域生长的缺陷。
本申请提供的肺部图像的分割方法的另一实施例中,还包括:连接断裂的支气管,具体包括:
如果中间分割结果中的支气管与病灶的相对距离大于第一距离阈值或者中间分割结果未包括层阶不低于第一预设值的支气管,且第一类和第二类分割方法中没有尚未被配置的分割方法,可以连接断裂的支气管。连接断裂的支气管,适用于此前所有轮的分割被配置的分割方法为第一或第二神经网络法得到的分割结果中。可选的,也可以设定其他的连接断裂的支气管的条件,例如已经进行分割的轮数达到预设轮数,或者已经进行分割的时间达到预设时间。如同第一神经网络,第二神经网络也是是利用多个样本数据经过训练之后得到的,适用于切割高阶层级的支气管,第一神经网络与第二神经网络的网络参数不同。
可选的,此前所有轮的分割被配置的分割方法为第一或第二神经网络法时,包括:将肺部图像输入神经网络得到矩阵数据,矩阵数据为三维体数据,包括至少一个体素及体素对应的置信度;
将置信度高于第一阈值的体素标识为支气管,得到目标二值化图作为分割结果。
进一步的,连接目标二值化图中断裂的支气管,包括:
第一步:降低选取的此前所有轮的分割被配置的分割方法为第一或第二神经网络法中的第一阈值为第二阈值,重新得到二值化图。例如,如果被选取的为第一神经网络法,则降低第一神经网络法中设置的阈值为第二阈值,如果被选取的为第二神经网络法,则降低第二神经网络法中设置的阈值为第二阈值。
第二步:将重新得到的二值化图与被选中的第一或第二神经网络法中的其中一个分割得到的分割结果对应的目标二值化图进行异或,得到异或后的二值化图,从而得到由于降低阈值多获得的支气管部位;
第三步:将异或后的二值化图进行连通域分析,得到与多个连通域对应的二值化图;
第四步:在多个连通域中选取其中一个候选连通域,多个连通域中较小的连通域可以不进行关注,因此可以仅选择连通域区域体积大于阈值的连通域的全部或者一部分作为候选连通域。
将候选连通域对应的二值化图分别与被选中的第一或第二神经网络法中的其中一个分割得到的分割结果对应的目标二值化图进行合并,得到合并后的二值化图;
当合并后的二值化图中的连通域的数量少于被选中的第一或第二神经网络法中的其中一个分割得到的分割结果对应的目标二值化图中的连通域的数量时,则将对应的候选连通域中的体素标识为支气管,以实现连接断裂的支气管。
重复第四步,逐个判断候选连通域中其他连通域中的体素是否标识为支气管,若是,则知对应的连通域为有效连通域。
进一步的,将所有或者部分有效连通域的二值化图与被选中的第一或第二神经网络法中的其中一个分割得到的分割结果对应的目标二值化图进行合并,得到连接断裂支气管后的分割结果;或者对合并后的分割结果再提取最大连通域得到的二值化图作为连接断裂支气管后的分割结果。
采用连接断裂支气管后的分割结果更新此前所有轮的分割被配置的分割方法为第一或第二神经网络法中其中一个对应得到的分割结果,然后进一步基于更新后的分割结果确定前述的中间分割结果及目标分割结果。
如果仅选择降低第一或第二神经网络法其中一个的阈值仍不能满足要求,可以选择降低另一个第一或第二神经网络法中的阈值,从而优化各轮的分割结果以及合并后的中间分割结果。
可选的,也可以在被配置的分割方法为第一或第二神经网络法完成分割之后,进行连通域分析;若最大的连通域与超过一定阈值的连通域之间有断裂,则判断支气管存在断裂,即可执行前述的连接断裂支气管的步骤,实现原理相同,不再赘述。其中阈值可以根据经验灵活设定。
可选的,接收医生的连接断裂支气管的指令,执行前述的连接断裂支气管的步骤。
本申请实施例通过选择降低被配置的分割方法为第一或第二神经网络络法中其中一个的第一阈值为第二阈值,自动连接断裂支气管,从而提高肺部图像的自动化程度和分割效果。
本申请提供的另一实施例中,可配置的分割方法包括第一类分割方法和第二类分割方法,采用第一类分割方法得到的分割结果为第一类分割结果,采用第二类分割方法得到的分割结果为第二类分割结果。可选的,基于所有分割结果中的至少两个,确定中间分割结果,包括:
在当前一轮的分割被配置的分割方法为第一类分割方法时,选取此前所有轮分割获得的第一类分割结果和第二类分割结果中的至少一个,与当前一轮分割获得的第一类分割结果进行合并,得到当前一轮的中间分割结果。
在当前一轮的分割被配置的分割方法为第二类分割方法时,选取此前所有轮分割获得的第一类分割结果中的至少一个,与当前一轮分割获得的第二类分割结果进行合并,得到当前一轮的中间分割结果。
在当前一轮的分割被配置的分割方法为第二类分割方法时,选取此前所有轮分割获得的第一类分割结果中的至少一个、此前所有轮分割获得的第二类分割结果中的至少一个,与当前一轮分割获得的第二类分割结果进行合并,得到当前一轮的中间分割结果。
当肺部的疾病类型为目标疾病类型,对肺部图像仅采用一种分割方法进行一轮分割已无法满足医生诊断治疗的需求,因此采用多种分割方法进行多轮分割,然后再合并各轮分割的结果。由于多轮分割中采用的分割方法不同,例如有的是第一类分割方法,有的是第二类分割方法,因此合并各轮分割的结果也对应有不同的合并方式。例如挑选之前一轮、二轮、三轮或者i轮,与当前一轮的分割结果进行合并,需要说明的是,至少要选取一轮采用第一类分割方法的分割结果。其中,本申请实施例中将分割的总轮数记为i+1。其中,具体挑选几轮与当前一轮的分割结果进行合并包括多种情况:
从数量最少的轮数开始,如果合并后的中间分割结果满足医生的诊断治疗要求,则作为目标分割结果;如果合并后的中间分割结果均不满足医生的诊断治疗要求,则增加轮数。例如挑选1轮与当前一轮的分割结果进行合并,如果满足医生的诊断治疗要求,则第1轮+当前一轮(即第2轮)合并后的中间分割结果作为目标分割结果;如果不满足医生的诊断治疗要求,则增加轮数,再挑选第1轮+第2轮+当前一轮(即第3轮)进行合并,判断是否满足医生的要求,如此不断循环。或者,可选的,依据所有的合并可能都进行合并,然后从合并结果中选择其中一个供医生使用。
示例性的,以第1轮分割为第一神经网络法、第2轮为第二神经网络法、第3轮为区域生长法为例,此时当前一轮,即第3轮为第一类分割方法,因此对应的可以选择此前2轮分割获得的第一类分割结果和第二类分割结果中的至少一个,与当前一轮(即第3轮)分割获得的第一类分割结果进行合并,因此中间分割结果可以包括:3+1、3+2、3+1+2。
示例性的,以第1轮分割为第一神经网络法、第2轮为区域生长法、第3轮为第二神经网络法为例,此时当前一轮,即第3轮为第二类分割方法,因此对应的可以选择此前2轮分割获得的第一类分割结果中的至少一个,与当前一轮(即第3轮)分割获得的第一类分割结果进行合并,因此中间分割结果可以包括:3+1、3+2、3+1+2。
示例性的,以第1轮分割为第一神经网络法、第2轮为区域生长法、第3轮为第二神经网络法、第4轮为形态学分割法为例,此时当前一轮,即第4轮为第二类分割方法,因此对应的可以选择此前3轮分割获得的第一类分割结果中的至少一个,与当前一轮(即第4轮)分割获得的第一类分割结果进行合并,因此分割结果可以包括:4+1、4+2、4+1+2。或者,选取此前3轮分割获得的第一类分割结果中的至少一个、此前3轮分割获得的第二类分割结果中的至少一个,与当前一轮(即第4轮)分割获得的第二类分割结果进行合并,因此中间分割结果可以包括:4+1+3、4+2+3、4+1+2+3。
当有多个合并后的中间分割结果均满足医生的诊断治疗要求时,可以挑选其中一个供医生使用,其中挑选的标准可以灵活设定,例如包括的支气管层级越高越好,或者医生关注的某一层级的支气管越全越好,或者医生观察合并结果挑选其中一个合并结果作为目标分割结果,或者随机挑选。
本申请实施例通过将采用不同分割方法得到的分割结果进行灵活合并,得到分割结果,从而提高了分割精度,改善了分割效果,更有利于医生进行诊断治疗。
本申请提供的肺部图像的分割方法另一实施例中,以第1轮分割为第一神经网络法、第2轮为区域生长法、第3轮为第二神经网络法、第4轮为形态学分割法为例,分割方法包括:
S1:获取肺部图像,基于肺部图像确定肺部的疾病类型。
S2:疾病类型为目标疾病类型,配置第一类分割方法中的其中一个,即第一神经网络法,对肺部图像进行分割,得到分割结果。
S3:判断分割结果未包括层阶不低于第一预设值的支气管时,执行步骤S4;
S4:从第一类和第二类分割方法中尚未被配置的分割方法中配置其中之一,例如区域生长法,对肺部图像进行分割,得到分割结果;
S5:基于1+2,确定中间分割结果;
S6:1+2未不满足医生的诊断治疗要求,返回执行S4,即从第一类和第二类分割方法中尚未被配置的分割方法中配置其中之一,例如第二神经网络法,对肺部图像进行分割,得到分割结果;
S5:基于所有分割结果中的至少两个,例如3+1、3+2、3+1+2,确定中间分割结果;
S6:3+1、3+2、3+1+2均不满足医生的诊断治疗要求,返回执行S4,即从第一类和第二类分割方法中尚未被配置的分割方法中配置其中之一,例如形态学分割法,对肺部图像进行分割,得到分割结果;
S5:基于所有分割结果中的至少两个,例如4+1、4+2、4+1+2、4+1+3、4+2+3、4+1+2+3,确定中间分割结果;
S6:判断4+1、4+2、4+1+2、4+1+3、4+2+3、4+1+2+3是否满足医生的诊断治疗要求,例如包括层阶不低于第一预设值的支气管,如果满足则选择一个作为目标分割结果。
示例性的,以第1轮分割为第一神经网络法、第2轮为第二神经网络法、第3轮为区域生长法为例,第1轮分割结果如图3a所示,第2轮分割结果如图3b所示,1+2合并后的分割结果如图3c所示,第3轮分割结果如图3d所示,第1+2+3轮分割结果如图3e所示。
本申请提供的肺部图像的分割方法的另一个实施例中,第二类分割方法包括形态学分割法,形态学分割法被配置对肺部图像进行分割得到分割结果,包括:
对肺部图像进行二值化后进行开运算,并选择小于预设面积的连通域,以得到对应的高阶层级的支气管的二值化图作为分割结果,具体包括:
对肺部图像进行第一去噪处理。
基于肺部图像中体素的强度值、第一高阶阈值,对第一去噪处理后的肺部图像进行二值化,得到二值化图img_a,如图4a所示。其中,二值化图img_a中强度值小于高阶阈值的体素中包括支气管,强度值大于高阶阈值的体素中不包括支气管,例如使得强度值小于第一高阶阈值的体素标识为白色,强度值高于第一高阶阈值的体素标识为黑色;
对二值化图img_a中不包括支气管的体素部分进行连通域分析,将小于第一连通域阈值的连通域去除,得到二值化图img_b,如图4b所示;
对二值化图img_b进行开运算,得到二值化图img_c。通过开运算将支气管与肺实质有轻微连接的情况,例如近似葫芦连接的情况断开连接,即使得黑色填充白色区域断开的地方,从而分离出小的支气管;
对二值化图img_c进行连通域分析,将小于第二连通域阈值的的连通域去除,得到二值化图img_d,如图4c所示;
将二值化图img_c和二值化图img_d进行异或,得到高阶层级的支气管对应的二值化图img_e,如图4d所示。
可选的,对肺部图像的多个切片进行如上操作,从而得到每个切片中的高阶层级的支气管对应的二值化图。
本申请实施例通过进行连通域分析、进行开运算,从而分离出小的支气管,从而实现了通过形态学分割方法提取高阶层级的支气管。
可选的,对肺部图像进行第二去噪处理,然后对第二去噪处理后的肺部图像提取肺部掩膜,包括:
基于第二去噪处理后的肺部图像中体素的强度值、第二高阶阈值,对去噪处理后的肺部图像进行二值化,得到二值化图img_1,如图5a所示,可选的第二去噪处理与第一去噪处理的力度更大,否则如果第一去噪处理力度过大的话,可能导致边缘弱化;通常,第二阈值略高于第一阈值;
将二值化图img_1中第一个切片和最后一个切片赋值为前景,例如赋值前景为1,标识为白色部分,从而将中间的背景区域,例如赋值背景为0,标识为黑色部分,成一个封闭的空间,得到新的二值化图img_2。
对新的二值化图img_2进行填洞操作,得到img_3,如图5b所示。可选的,在进行填洞操作之前也可以将img_2与肺部图像、或者第二去噪处理后的肺部图像进行合并处理;
将填洞后的二值化图img_3与img_2进行亦或操作,得到img_4;
对img_4进行连通域分析,选取最大联通域作为肺部区域,其中最大联通域对应的二值化图记为img_5,如图5c所示,img_5即提取的肺部掩膜。
本申请实施例通过将中间的背景区域形成封闭的空间,再进行填洞处理,从而提取肺部掩膜,从而更有利于去除肺部掩膜之外的干扰,得到更优的分割结果。
进一步的,将二值化图img_e与img_5进行与运算,再作为高阶层级的支气管对应的二值化图img_e′,img_e′与img_e相比去除了肺部区域之外的伪高阶支气管。
本申请实施例通过将形态学分割方法与提取肺部掩膜的方法相结合,从而有利于去除肺部掩膜之外的伪高阶层级的支气管,有利于提高分割的精准度。
进一步的,对于第一类或第二类神经网络法被配置对肺部图像进行分割时,将肺部图像输入神经网络得到矩阵数据之前,还包括:提取肺部图像的感兴趣区域,然后再将仅包括感兴趣区域的肺部图像输入神经网络。
可选的,采用前述的提取肺部掩膜的方法先提取肺部掩膜,实现原理相同,此处不再赘述。然后根据肺部掩膜的边界确定感兴趣区域,例如依据边界构建矩形。
本申请实施例通过提取肺部图像的感兴趣区域,然后再输入神经网络,从而有利于去除肺部掩膜之外的伪高阶层级的支气管,有利于提高分割的精准度。
可选的,根据肺部图像的特征判断是动物还是人体,包括:
提取肺部掩膜;
基于肺部掩膜,获取0级支气管的第一长度,以及0级支气管与肺部掩膜底部的第二长度;
当第一长度与第二长度的比值小于或等于预设比值范围时,肺部图像为人体的器官图像。当第一长度与第二长度的比值小于或等于预设比值范围时,肺部图像为动物的器官图像。
可选的,采用前述的提取肺部掩膜的方法先提取肺部掩膜,实现原理相同,此处不再赘述。本申请实施例通过提取肺部掩膜判断肺部图像的特征判断是动物还是人体,从而有利于进一步对肺部图像选用合适的分割方法。
需要说明的是,本领域技术人员在本发明揭露的技术范围内,可容易想到的其他排序方案也应在本发明的保护范围之内,在此不一一赘述。
图6是本发明一实施例提供的图像处理的示意图。如图6所示,该实施例的终端设备6包括:处理器60、存储器61以及存储在存储器61中并可在处理器60上运行的计算机程序62。处理器60执行计算机程序62时实现上述健康量化方式的评估方法或商品信息标注方法实施例中的步骤,例如如图1所示的步骤S1至S6图2所示的步骤201至207。
示例性的,计算机程序62可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器61中,并由处理器60执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序62在终端设备6中的执行过程。
终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是终端设备6的示例,并不构成对终端设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、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。
存储器61可以是终端设备6的内部存储单元,例如终端设备6的硬盘或内存。存储器61也可以是终端设备6的外部存储设备,例如终端设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器61还可以既包括终端设备6的内部存储单元也包括外部存储设备。存储器61用于存储计算机程序以及终端设备所需的其他程序和数据。存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到所描述条件或事件”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到所描述条件或事件”或“响应于检测到所描述条件或事件”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
以上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精神和范围,均应包含在本发明的保护范围之内。
Claims (14)
1.一种肺部图像的分割方法,其特征在于,包括:
S1:获取肺部图像;
S2:配置第一类分割方法中的其中一个对所述肺部图像进行分割,得到分割结果;
S3:基于所述肺部图像和所述分割结果,确定病灶与参考点的相对位置关系;
S4:如果所述相对位置关系满足预设条件,判断所述分割结果中的支气管与病灶的相对距离是否大于第一距离阈值,或者所述分割结果是否包括层阶不低于第一预设值的支气管,如果所述分割结果中的支气管与病灶的相对距离大于第一距离阈值,或者所述分割结果未包括层阶不低于第一预设值的支气管,执行步骤S5;
S5:从第一类和第二类分割方法中尚未被配置的分割方法中配置其中之一对所述肺部图像进行分割,得到分割结果;
S6:基于所有分割结果中的至少两个,确定中间分割结果;
S7:判断所述中间分割结果中的支气管与病灶的相对距离大于第一距离阈值,或者所述中间分割结果未包括层阶不低于第一预设值的支气管时,返回执行S5;否则,将所述中间分割结果作为目标分割结果。
2.如权利要求1所述的分割方法,其特征在于,所述相对位置关系满足预设条件,包括:
所述病灶与所述参考点的相对距离大于第二距离阈值;
或者,
所述病灶所在支气管的层级大于第二预设值,第二预设值小于第一预设值。
3.如权利要求1所述的分割方法,其特征在于,确定病灶与参考点的相对位置关系,包括:
基于所述肺部图像确定病灶的位置;
基于所述分割结果确定参考点的位置;
基于所述病灶的位置与所述参考点的位置,确定所述病灶与所述参考点的相对距离或者所述病灶所在支气管的层级。
4.如权利要求1所述的分割方法,其特征在于,确定病灶与参考点的相对位置关系,包括:
基于所述肺部图像确定病灶的位置;
基于所述分割结果确定骨架线;
基于所述病灶的位置、所述骨架线,确定所述病灶在人体解剖结构的位置;
基于所述病灶在人体解剖结构的位置,确定所述病灶所在支气管的层级。
5.如权利要求1所述的分割方法,其特征在于,第一类分割方法被配置对所述肺部图像进行分割得到的分割结果为第一类分割结果,第二类分割方法被配置对所述肺部图像进行分割得到的分割结果为第二类分割结果;所述基于所有分割结果中的至少两个,确定中间分割结果,包括:
在当前一轮被配置的分割方法为第一类分割方法时,选取此前所有轮分割获得的第一类分割结果和第二类分割结果中的至少一个,与当前一轮分割获得的第一类分割结果进行合并,得到所述中间分割结果。
6.如权利要求1所述的分割方法,其特征在于,第一类分割方法被配置对所述肺部图像进行分割得到的分割结果为第一类分割结果,第二类分割方法被配置对所述肺部图像进行分割得到的分割结果为第二类分割结果;所述基于所有分割结果中的至少两个,确定中间分割结果,包括:
在当前一轮被配置的分割方法为第二类分割方法时,选取此前所有轮分割获得的第一类分割结果中的至少一个,与当前一轮分割获得的第二类分割结果进行合并,得到所述中间分割结果。
7.如权利要求1所述的分割方法,其特征在于,第一类分割方法包括第一神经网络法,第二类分割方法包括第二神经网络法,第一类或第二类神经网络法被配置对所述肺部图像进行分割得到分割结果,包括:
将所述肺部图像输入所述神经网络得到矩阵数据,所述矩阵数据包括至少一个体素及所述体素对应的置信度;
将所述置信度高于第一阈值的体素标识为支气管,得到目标二值化图作为分割结果。
8.如权利要求7所述的分割方法,其特征在于,所述方法还包括:
如果所述中间分割结果中的支气管与病灶的相对距离大于第一距离阈值,或者所述中间分割结果未包括层阶不低于第一预设值的支气管,且第一类和第二类分割方法中没有尚未被配置的分割方法,获取第一或第二神经网络法被配置进行分割所述肺部图像得到的所述矩阵数据;
降低第一阈值为第二阈值,将所述置信度低于第二阈值的体素标识为支气管,得到新的二值化图;
将所述新的二值化图与所述目标二值化图进行异或,得到异或后的二值化图;
将所述异或后的二值化图进行连通域分析,得到与多个连通域对应的二值化图;
在所述多个连通域中选取其中一个候选连通域;
将所述候选连通域对应的二值化图与所述目标二值化图进行合并,得到合并后的二值化图;
当所述合并后的二值化图中的连通域的数量少于所述目标二值化图中的连通域的数量时,则将所述候选连通域中的体素标识为支气管,所述候选连通域标识为有效连通域;
将所述有效连通域的二值化图与所述目标二值化图进行合并,得到连接断裂支气管后的分割结果。
9.如权利要求1所述的分割方法,其特征在于,第一类分割方法包括区域生长法,所述区域生长法被配置对所述肺部图像进行分割得到分割结果,包括:
在所述肺部图像中选取种子点作为生长的起始点;
在所述种子点的邻域范围内,选取强度值小于第三阈值的至少一个体素;
基于所述种子点的强度值、所述选取的至少一个体素的强度值,确定动态阈值的初始值;
基于所述种子点进行区域生长,并选择强度值小于所述动态阈值的初始值的体素标识为支气管,得到二值化图作为分割结果。
10.如权利要求9所述的分割方法,其特征在于,所述方法包括:
基于所述动态阈值的初始值进行区域生长,将强度值小于所述动态阈值的初始值的体素作为新的种子体素标识为支气管;
间隔固定的时间或者当所述新的种子体素的数量达到预设数量时,基于所述动态阈值的初始值、所述新的种子体素的强度值,确定新的阈值;
将所述新的阈值设定为所述动态阈值的初始值,返回步骤基于所述动态阈值的初始值进行区域生长。
11.如权利要求1所述的分割方法,其特征在于,第二类分割方法包括形态学分割法,所述形态学分割法被配置对所述肺部图像进行分割得到分割结果,包括:
对所述肺部图像进行去噪处理;
基于所述肺部图像中体素的强度值、高阶阈值,对去噪处理后的肺部图像进行二值化,得到二值化图img_a,其中,所述二值化图img_a中强度值小于所述高阶阈值的体素中包括支气管,强度值大于所述高阶阈值的体素中不包括支气管;
对所述二值化图img_a中不包括支气管的体素部分进行连通域分析,将小于第一连通域阈值的连通域去除,得到二值化图img_b;
对所述二值化图img_b进行开运算,得到二值化图img_c;
对所述二值化图img_c进行连通域分析,将小于第二连通域阈值的的连通域去除,得到二值化图img_d;
将所述二值化图img_c和所述二值化图img_d进行异或,得到高阶层级的支气管对应的二值化图。
12.一种图像处理装置,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至11任一项所述的肺部图像的分割方法。
13.一种手术机器人,其特征在于,包括
主操作台;
从操作设备;及
图像处理装置,所述图像处理装置与所述主操作台和所述从操作设备耦接,并被配置成用于执行如权利要求1-11任一项所述的肺部图像的分割方法。
14.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至11任一项所述的肺部图像的分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210908088.1A CN116385456A (zh) | 2022-07-29 | 2022-07-29 | 肺部图像的分割方法、处理装置、手术机器人及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210908088.1A CN116385456A (zh) | 2022-07-29 | 2022-07-29 | 肺部图像的分割方法、处理装置、手术机器人及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116385456A true CN116385456A (zh) | 2023-07-04 |
Family
ID=86971746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210908088.1A Pending CN116385456A (zh) | 2022-07-29 | 2022-07-29 | 肺部图像的分割方法、处理装置、手术机器人及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385456A (zh) |
-
2022
- 2022-07-29 CN CN202210908088.1A patent/CN116385456A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108010021B (zh) | 一种医学图像处理系统和方法 | |
CN111127466B (zh) | 医学图像检测方法、装置、设备及存储介质 | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
Maitra et al. | Technique for preprocessing of digital mammogram | |
Charutha et al. | An efficient brain tumor detection by integrating modified texture based region growing and cellular automata edge detection | |
US8111896B2 (en) | Method and system for automatic recognition of preneoplastic anomalies in anatomic structures based on an improved region-growing segmentation, and commputer program therefor | |
CN109102506B (zh) | 一种基于三级级联网络进行腹部ct肝脏病变图像的自动分割方法 | |
CA2788406C (en) | Region-growing algorithm | |
US20070127802A1 (en) | Method and System for Automatic Lung Segmentation | |
CN112288786B (zh) | 电子装置及非暂态计算机可读存储介质 | |
CN111696089A (zh) | 一种动静脉确定方法、装置、设备和存储介质 | |
CN103514597A (zh) | 图像处理装置 | |
CN110929728B (zh) | 一种图像感兴趣区域划分方法、图像分割方法及装置 | |
CN109919254B (zh) | 乳腺密度分类方法、系统、可读存储介质和计算机设备 | |
Chen et al. | Pathological lung segmentation in chest CT images based on improved random walker | |
CN113096109A (zh) | 一种肺部医学图像分析方法、设备及系统 | |
Maitra et al. | Accurate breast contour detection algorithms in digital mammogram | |
CN111724389B (zh) | 髋关节ct图像分割方法、装置、存储介质和计算机设备 | |
CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
CN113160153A (zh) | 一种基于深度学习技术的肺结节筛查方法及筛查系统 | |
WO2018088055A1 (ja) | 画像処理装置、画像処理方法、画像処理システム及びプログラム | |
CN114365188A (zh) | 基于vrds ai下腔静脉影像的分析方法及产品 | |
CN112308823B (zh) | 医学图像中感兴趣区域的定位方法及装置 | |
CN116385456A (zh) | 肺部图像的分割方法、处理装置、手术机器人及存储介质 | |
CN117541597A (zh) | 肺部图像的分割方法、处理装置、手术机器人及存储介质 |
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 |