CN117408998B - 一种体表定位标记物的分割方法及设备 - Google Patents

一种体表定位标记物的分割方法及设备 Download PDF

Info

Publication number
CN117408998B
CN117408998B CN202311709017.XA CN202311709017A CN117408998B CN 117408998 B CN117408998 B CN 117408998B CN 202311709017 A CN202311709017 A CN 202311709017A CN 117408998 B CN117408998 B CN 117408998B
Authority
CN
China
Prior art keywords
predicted
sequence
foreground
image sequence
image
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.)
Active
Application number
CN202311709017.XA
Other languages
English (en)
Other versions
CN117408998A (zh
Inventor
张昊任
陈向前
杜立翠
张欢
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.)
True Health Guangdong Hengqin Medical Technology Co ltd
Original Assignee
True Health Guangdong Hengqin Medical Technology 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 True Health Guangdong Hengqin Medical Technology Co ltd filed Critical True Health Guangdong Hengqin Medical Technology Co ltd
Priority to CN202311709017.XA priority Critical patent/CN117408998B/zh
Publication of CN117408998A publication Critical patent/CN117408998A/zh
Application granted granted Critical
Publication of CN117408998B publication Critical patent/CN117408998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/20081—Training; Learning
    • 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]

Landscapes

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

Abstract

本发明涉及医学图像处理领域，具体涉及一种体表定位标记物的分割方法及设备，该方法对CT图像序列进行预处理提取到前景图像序列；获取深度学习模型对前景图像序列中体表定位标记物的预测结果；根据预测值确定预测前景图像序列；根据预测前景图像序列中预测区域的轮廓判断预测区域是否为预设形状；将预测前景图像序列中非预设形状的预测前景图像序列进行去除；判断是否将连续的预测前景图像添加到去除非预设形状且连续的预测前景图像序列中；将添加结果中每个连续的预测前景图像序列的长度超过长度阈值的连续的预测前景图像序列的预测区域和预测值作为分割结果。本发明提高了分割体表定位标记物的准确性。

Description

一种体表定位标记物的分割方法及设备
技术领域
本发明涉及医学图像处理领域，具体涉及一种体表定位标记物的分割方法及设备。
背景技术
手术导航定位系统可通过光学跟踪的方式来实现定位，系统中设有配套的光学标记物，常见为反光小球。光学系统通过追踪反光小球来实现对目标的实时跟踪定位。在目前临床使用的手术导航定位系统中，比如在骨科和神经外科领域，会把光学标记物固定在人体体表，与手术部位保持贴合，导航定位系统通过追踪对应的光学标记物来实现对手术部位的定位。
在应用于术中定位时，需要从患者的术前CT图像中准确地识别出光学标记物，进而与术中的图像进行配准。使用神经网络直接对CT图像中的每张切片进行体表定位标记物识别时，会存在大量的FP，这些FP主要分为两大类：一是体外假阳，即环境中的物品被错误地识别为光学标记物；一类是体内假阳，比如病灶、肠内残渣或血管等等被错误地识别为光学标记物。由于这些FP的CT值和小球的CT值很相似，导致深度学习预测模块直接将其预测为前景，进而导致体表定位标记物的分割结果不准确。
发明内容
有鉴于此，本发明一方面提供了一种体表定位标记物的分割方法，该方法包括：
对CT图像序列进行预处理，提取得到前景图像序列，所述CT图像中包括体表定位标记物和人体组织；
获取深度学习模型对所述前景图像序列中体表定位标记物的预测结果，所述预测结果包括体表定位标记物的预测区域和预测值；
根据所述预测值确定预测前景图像序列；
根据所述预测前景图像序列中预测区域的轮廓判断预测区域是否为预设形状，并记录非预设形状的预测前景图像序列/>；
将所述预测前景图像序列中非预设形状的预测前景图像序列/>进行去除；
根据连续的预测前景图像序列、非预设形状的预测前景图像序列/>与去除非预设形状且连续的预测前景图像序列/>判断是否将连续的预测前景图像添加到去除非预设形状且连续的预测前景图像序列/>中；
将添加结果中每个连续的预测前景图像序列的长度超过长度阈值的连续的预测前景图像序列的预测区域和预测值作为分割结果。
可选地，根据所述预测值确定预测前景图像序列，包括：
判断所述预测区域的预测值是否大于前景阈值；
将所述预测值大于前景阈值的预测区域对应的前景图像序列确定为存在体表定位标记物的预测前景图像序列。
可选地，根据所述预测前景图像序列中预测区域的轮廓判断预测区域是否为预设形状，并记录非预设形状的预测前景图像序列/>，包括：
计算所述预测前景图像序列中预测区域的轮廓的周长、面积、角点；
根据所述周长、面积、角点判断对应预测区域是否为预设形状；
记录非预设形状的预测前景图像序列。
可选地，根据连续的预测前景图像序列、非预设形状的预测前景图像序列与去除非预设形状且连续的预测前景图像序列/>判断是否将连续的预测前景图像添加到去除非预设形状且连续的预测前景图像序列/>中，包括：
获取所述预测前景图像序列中连续的预测前景图像序列/>；
获取非预设形状的预测前景图像序列中非连续的预测前景图像序列；
获取去除非预设形状且连续的预测前景图像序列；
根据所述连续的预测前景图像序列、非预设形状且非连续的预测前景图像序列/>、去除非预设形状且连续的预测前景图像序列/>判断是否将连续的预测前景图像序列/>中连续的预测前景图像添加到去除非预设形状且连续的预测前景图像序列/>。
可选地，根据所述连续的预测前景图像序列、非预设形状且非连续的预测前景图像序列/>、去除非预设形状且连续的预测前景图像序列/>判断是否将连续的预测前景图像序列/>中连续的预测前景图像/>去除非预设形状且连续的预测前景图像序列/>，包括：
遍历所述连续的预测前景图像序列中每一个连续的预测前景图像序列/>；
判断是否将各个连续的预测前景图像序列添加到去除非预设形状且连续的预测前景图像序列/>中；
若所述非预设形状且非连续的预测前景图像序列中有且只有一个预测前景图像序列在所述连续的预测前景图像序列/>中，且所述去除非预设形状且连续的预测前景图像序列/>中不包含该连续的预测前景图像序列/>，则将该连续的预测前景图像序列/>添加到去除非预设形状且连续的预测前景图像序列/>中。
可选地，将添加结果中每个连续的预测前景图像序列的长度超过长度阈值的连续的预测前景图像序列的预测区域和预测值作为分割结果，包括：
遍历添加后的去除非预设形状且连续的预测前景图像序列中的每个连续的预测前景图像序列/>；
判断所述连续的预测前景图像序列的长度是否大于长度阈值/>；
保留长度大于长度阈值的连续的预测前景图像序列/>；
将所述连续的预测前景图像序列的预测区域和预测值作为分割结果。
可选地，利用如下公式确定所述长度阈值：
其中，N表示CT图像的数量，S表示每套CT中包含的连续的CT图像序列的数量，表示第i套CT图像中第j个连续的CT图像序列的长度，/>表示体表定位标记物的厚度，表示两张CT图像切片间的间距。
可选地，对CT图像序列进行预处理，提取得到前景图像序列，包括：
对所述CT图像序列进行去噪、二值化和形态学处理；
提取处理后的CT图像序列的前景图像，得到前景图像序列。
可选地，提取处理后的CT图像序列的前景图像，得到前景图像序列，包括：
提取每个CT图像中体表定位标记物和人体组织的最大轮廓；
对所述最大轮廓向内收缩第一数量的像素，得到第一轮廓，所述第一轮廓为包含体表定位标记物的最小轮廓；
对所述最大轮廓向外扩张第二数量的像素，得到第二轮廓，所述第二轮廓为包含体表定位标记物的最大轮廓；
提取CT图像序列中每个CT图像中第一轮廓和第二轮廓间的区域图像作为前景图像，得到前景图像序列。
本发明另一方面，还提供了一种体表定位标记物的分割设备，该设备包括：处理器以及与所述处理器连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令被所述处理器执行，以使所述处理器执行所述的体表定位标记物的分割方法。
根据本发明提供的一种体表定位标记物的分割方法，本方法通过深度学习模型对经过预处理的前景图像序列中的体表定位标记物进行预测，并根据预测结果确定预测前景图像序列，然后对预测前景图像序列中的轮廓进行判断，去除非预设形状的预测前景图像序列，然后再次对去除的图像序列进行分析，将符合要求的删除的图像序列再次添加到保留的预测前景图像序列中，最后提取出符合长度阈值要求的连续预测前景图像序列的预测区域和预测值作为分割结果，从而实现对体表定位标记物的自动分割，通过预处理、预测、对预测结果进行二次处理，可以去除图像中的假阳FP，降低假阳的影响，提高了分割体表定位标记物的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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附图。
图1为本发明实施例提供的一种体表定位标记物的分割方法的流程示意图；
图2为本发明实施例提供的一种体表定位标记物的分割图像结果示意图；
图3为本发明实施例提供的分割图像结果包含体表定位标记物的示意图；
图4为本发明实施例提供的分割图像结果不包含体表定位标记物的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
如图1所示，本发明的一个实施例，提供了一种体表定位标记物的分割方法，包括：
S1，对CT图像序列进行预处理，提取得到前景图像序列，所述CT图像中包括体表定位标记物和人体组织。
本实施例中，CT图像序列包含有若干CT切片，对每张CT切片进行预处理，得到若干含有体表定位标记物和人体组织的前景图像切片Fground，如图2中的Contour图为预处理后的其中一张CT切片示意图；体表定位标记物设置于体表定位带上，并铺设于患者身体上用于CT扫描，体表定位标记物可以选用目前常用的反光定位小球。
S2，获取深度学习模型对所述前景图像序列中体表定位标记物的预测结果，所述预测结果包括体表定位标记物的预测区域和预测值。
本实施例中，使用训练好的神经网络对每张前景图像切片的Fground进行体表定位标记物预测，模型输出的预测结果为Prediction 1，如图2第六个图像所示，预测值是0~1范围的数，即模型认为预测区域是体表定位标记物的概率。
S3，根据预测值确定预测前景图像序列。根据概率再次进行筛选，找出包含体表定位标记物的模型预测的前景图像切片，并按顺序记录切片的顺序号，得到预测前景图像序列/>，序列中每个前景图像切片都包含预测区域和对应的预测值。
S4，根据预测前景图像序列中预测区域的轮廓判断预测区域是否为预设形状，并记录非预设形状的预测前景图像序列/>。
本实施例中，判断预测前景图像序列中各张切片的预测区域的轮廓是否为体表定位标记物的形状，如体表定位标记物为反光定位小球，则判断切片的预测区域的轮廓是否为圆形，并记录判断预测区域轮廓不是圆形的切片的顺序号，记为/>。
S5，将预测前景图像序列中非预设形状的预测前景图像序列/>进行去除。删除不是圆形的前景图像切片，保留是圆形的前景图像切片。
S6，根据连续的预测前景图像序列、非预设形状的预测前景图像序列/>与去除非预设形状且连续的预测前景图像序列/>判断是否将连续的预测前景图像添加到去除非预设形状且连续的预测前景图像序列/>中。
本实施例中，将步骤S5中去除的非圆的预测前景图像序列的切片再次进行分析判断，以防误删，提高准确率。
S7，将添加结果中每个连续的预测前景图像序列的长度超过长度阈值的连续的预测前景图像序列的预测区域和预测值作为分割结果。其中，连续的预测前景图像序列的长度指切片之间的帧数或时间间隔。
通过深度学习模型对经过预处理的前景图像序列中的体表定位标记物进行预测，并根据预测结果确定预测前景图像序列，然后对预测前景图像序列中的轮廓进行判断，去除非预设形状的预测前景图像序列，然后再次对去除的图像序列进行分析，将符合要求的删除的图像序列再次添加到保留的预测前景图像序列中，最后提取出符合长度阈值要求的连续预测前景图像序列的预测区域和预测值作为分割结果，从而实现对体表定位标记物的自动分割，通过预处理、预测、对预测结果进行二次处理，可以去除图像中的假阳FP，降低假阳的影响，提高了分割体表定位标记物的准确性。
优选实施例中，S3，根据预测值确定预测前景图像序列，包括：
S31，判断预测区域的预测值是否大于前景阈值；
S32，将预测值大于前景阈值的预测区域对应的前景图像序列确定为存在体表定位标记物的预测前景图像序列。
假设一套CT图像共有x1-x300张切片，且该套CT图像中共有5个小球，经过预处理并前景提取后得到前景图像序列（x1-x300），判断每张切片的预测区域的预测值Prediction1是否大于前景阈值/>，若Prediction1>/>，则记为1，若Prediction1≤/>，则记为0，将大于前景阈值（即记为1的）的切片确定为模型认为包含反光定位小球的切片，例如，预测前景图像序列/>=[x3~x15, x33, x50~x60, x78,x80~x83, x99~x108, x112, x115~x120, x135~x144, x150, x226~x234, x278]。根据前景阈值对模型输出结果的切片进行筛选，将图像序列中可能包含体表定位标记物的区域提取出来，通过筛选和确定具有高预测概率的区域作为预测前景图像序列，可以提高定位标记物的准确性和效率。
优选实施例中，S4，根据预测前景图像序列中预测区域的轮廓判断预测区域是否为预设形状，并记录非预设形状的预测前景图像序列/>，包括：
S41，计算所述预测前景图像序列中预测区域的轮廓的周长、面积、角点；
S42，根据所述周长、面积、角点判断对应预测区域是否为预设形状；
S43，记录非预设形状的预测前景图像序列。
本实施例中，可以使用边缘检测算法（如Canny边缘检测、Sobel算子等）或轮廓检测算法（例如OpenCV库中的findContours函数）来得到预测区域轮廓，并计算轮廓的周长perimeter、轮廓的面积area、轮廓的角点CornerNum，然后根据公式计算ratio=(perimeter2)/(3.14*4*area)，若ratio>circle_threshold并且cornerNum>4(可以根据具体形状设置阈值)，则认为当前轮廓不是圆，要删除，反之，认为当前轮廓是圆，保留，并记录要删除的切片的序列，如/>=[x33,x78,x80~x83,x112,x115~x120,x135,x278]。通过分析轮廓的几何特征，可以进一步验证预测的准确性，并帮助过滤掉不符合预设形状的切片，提高识别的精确性与可靠性。
优选实施例中，S6，根据连续的预测前景图像序列、非预设形状的预测前景图像序列/>与去除非预设形状且连续的预测前景图像序列/>判断是否将连续的预测前景图像添加到去除非预设形状且连续的预测前景图像序列/>中，包括：
S61，获取所述预测前景图像序列中连续的预测前景图像序列/>；
S62，获取非预设形状的预测前景图像序列中非连续的预测前景图像序列；
S63，获取去除非预设形状且连续的预测前景图像序列；
S64，根据所述连续的预测前景图像序列、非预设形状且非连续的预测前景图像序列/>、去除非预设形状且连续的预测前景图像序列/>判断是否将连续的预测前景图像序列/>中连续的预测前景图像添加到去除非预设形状且连续的预测前景图像序列/>。
例如，获取的=[x3~x15,x50~x60,x80~x83,x99~x108,x115~x120,x135~x144, x226~x234]，/>=[x33,x78,x112,x135,x278]，/>=[x3~x15,x50~x60,x99~x108, x136~x144,x226~x234]，根据切片序列/>、/>、/>进行进一步分析，防止误删一些切片，以提高分割体表定位标记物的准确性。
进一步地，S64，根据所述连续的预测前景图像序列、非预设形状且非连续的预测前景图像序列/>、去除非预设形状且连续的预测前景图像序列/>判断是否将连续的预测前景图像序列/>中连续的预测前景图像/>去除非预设形状且连续的预测前景图像序列/>，包括：
S641，遍历所述连续的预测前景图像序列中每一个连续的预测前景图像序列/>；
S642，判断是否将各个连续的预测前景图像序列添加到去除非预设形状且连续的预测前景图像序列/>中；
S643，若所述非预设形状且非连续的预测前景图像序列中有且只有一个预测前景图像序列在所述连续的预测前景图像序列/>中，且所述去除非预设形状且连续的预测前景图像序列/>中不包含该连续的预测前景图像序列/>，则将该连续的预测前景图像序列/>添加到去除非预设形状且连续的预测前景图像序列/>中。
具体地，遍历cres1中每一个序列，即先从x3~x15开始，这时，cc=x3~x15这个序列，计算[x33,x78,x112,x135,x278]中有几个元素在这个cc序列中(实际一个也没有)，则遍历下一个，此时cc=x50~x60，再次计算/>[x33,x78,x112,x135,x278]中有几个元素在这个cc序列中(实际还是一个也没有)，再遍历下一个，此时cc=x80~x83，以此类推，直到cc=x135~x144时，只有x135切片在这个序列中，且cres2中不包含cc=x135~x144这个序列(cres2中只有x136~x144这个序列)，于是将x135~x144这个序列加入到cres2中，此时cres2=[x3~x15,x50~x60,x99~x108,x136~x144,x226~x234,x135~x144]，直到将cres1遍历完。通过将删掉的不是预设形状的切片中连续的序列进行再一次的分析处理，防止误删，完善预测结果，提高对体表定位标记物的识别的准确性。
优选实施例中，S7，将添加结果中每个连续的预测前景图像序列的长度超过长度阈值的连续的预测前景图像序列的预测区域和预测值作为分割结果，包括：
S71，遍历添加后的去除非预设形状且连续的预测前景图像序列中的每个连续的预测前景图像序列/>；
S72，判断所述连续的预测前景图像序列的长度是否大于长度阈值/>；
S73，保留长度大于长度阈值的连续的预测前景图像序列/>；
S74，将所述连续的预测前景图像序列的预测区域和预测值作为分割结果。
具体地，依次遍历cres2中的序列，从x3~x15开始，此时cur_cc=x3~x15，如果cur_cc序列长度>(跟实际小球连续切片的长度有关)，则保留，否则删除，再遍历下一个序列，此时cur_cc=x50~x60，同样执行cur_cc序列长度是否大于/>的操作，决定保留或是删除，直到遍历最后一个，最后final_res=[x3~x15,x50~x60,x99~x108,x226~x234,x135~x144]，即这5个序列就是预测出来的5个小球。其中，cur_cc序列长度是指切片之间的帧数，如计算x15的帧数（或时间点）减去x3的帧数（或时间点）来得到切片x3到切片x15间的长度。
如图2所示，第三个图像中的反光定位小球独立于组织区域之外，如图3所示，第三个图像中的反光定位小球和皮肤通过小球固定装置粘连在一起，而图2和图3的分割结果包含有反光定位小球，图4的分割结果是没有反光定位小球的示例。
本实施例基于设定的阈值，对连续的切片序列进行遍历和筛选，保留符合条件的连续切片序列，从而确定预测出的小球序列，通过设定合适的阈值和判断条件，可以对预测结果进行有效的筛选，提高体表定位标记物的识别和分割的准确性。
进一步地，利用如下公式确定所述长度阈值：
，
其中，N表示CT图像的数量，S表示每套CT图像中包含的连续的CT图像序列的数量，表示第i套CT图像中第j个连续的CT图像序列的长度，/>表示体表定位标记物的厚度，表示两张CT图像切片间的间距。
优选实施例中，S1，对CT图像序列进行预处理，提取得到前景图像序列，包括：
S11，对所述CT图像序列进行去噪、二值化和形态学处理；
S12，提取处理后的CT图像序列的前景图像，得到前景图像序列。
如图2所示，第一个图像Ori-Image为拍摄的CT图像序列中其中一张CT切片，通过对CT图像序列中每个切片进行去噪、二值化和形态学处理后，得到预处理结果的图像，即第二个图像Binary，然后再次处理得到每张切片的前景图像Fgroung。通过对CT图像序列进行去噪、二值化和形态学处理，提高了图像质量、减少噪声的影响，分离目标物体与背景，改善目标的形状和边缘信息，为后续的目标检测、分析提供更准确、清晰的图像数据。
进一步地，S12，提取处理后的CT图像序列的前景图像，得到前景图像序列，包括：
S121，提取每个CT图像中体表定位标记物和人体组织的最大轮廓；
S122，对所述最大轮廓向内收缩第一数量的像素，得到第一轮廓，所述第一轮廓为包含体表定位标记物的最小轮廓；
S123，对所述最大轮廓向外扩张第二数量的像素，得到第二轮廓，所述第二轮廓为包含体表定位标记物的最大轮廓；
S124，提取CT图像序列中每个CT图像中第一轮廓和第二轮廓间的区域图像作为前景图像，得到前景图像序列。
如图2所示，提取组织区域的最大轮廓信息(Contour中a)，并向内收缩n个像素(Contour中b)，向外扩张m个像素(Contour中c)，其中，将组织区域的最大轮廓向外扩张是为了处理图2中小球独立于组织的情况；将最大轮廓向内收缩，是为了满足图3中小球和皮肤粘连的情况。
上述提到的n和m根据实际临床应用确定，即和小球的半径有关，不同的小球半径可能有些差异，为了能尽可能的涵盖所有小球，统计了CT图像中所有体表定位标记物的平均值，具体的计算公式
，
其中，是所有中CT图像的数量，M是每套CT图像中体表定位标记物的数量，/>为第i套CT图像中第j个体表定位标记物的半径。根据实际的临床数据，m、n分别需要满足，/>，其中/>和/>是和/>有关的经验值。
然后根据轮廓信息提取前景Mask(轮廓b、c之间的区域)；根据Mask提取前景(Fground)。通过对组织区域进行准确的边界提取和形态调整，从而获得与组织区域匹配的前景Mask和前景图像，以能够更精确地针对组织区域进行识别。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.一种体表定位标记物的分割方法，其特征在于，包括：
对CT图像序列进行预处理，提取得到前景图像序列，所述CT图像中包括体表定位标记物和人体组织；
获取深度学习模型对所述前景图像序列中体表定位标记物的预测结果，所述预测结果包括体表定位标记物的预测区域和预测值；
根据所述预测值确定预测前景图像序列；
根据所述预测前景图像序列中预测区域的轮廓判断预测区域是否为预设形状，并记录非预设形状的预测前景图像序列/>；
将所述预测前景图像序列中非预设形状的预测前景图像序列/>进行去除；
获取所述预测前景图像序列中连续的预测前景图像序列/>；
获取非预设形状的预测前景图像序列中非连续的预测前景图像序列/>；
获取去除非预设形状且连续的预测前景图像序列；
遍历所述连续的预测前景图像序列中每一个连续的预测前景图像序列/>；
判断是否将各个连续的预测前景图像序列添加到去除非预设形状且连续的预测前景图像序列/>中；
若所述非预设形状且非连续的预测前景图像序列中有且只有一个预测前景图像序列在所述连续的预测前景图像序列/>中，且所述去除非预设形状且连续的预测前景图像序列/>中不包含该连续的预测前景图像序列/>，则将该连续的预测前景图像序列添加到去除非预设形状且连续的预测前景图像序列/>中；
将添加结果中每个连续的预测前景图像序列的长度超过长度阈值的连续的预测前景图像序列的预测区域和预测值作为分割结果。
2.根据权利要求1所述的方法，其特征在于，根据所述预测值确定预测前景图像序列，包括：
判断所述预测区域的预测值是否大于前景阈值；
将所述预测值大于前景阈值的预测区域对应的前景图像序列确定为存在体表定位标记物的预测前景图像序列。
3.根据权利要求1所述的方法，其特征在于，根据所述预测前景图像序列中预测区域的轮廓判断预测区域是否为预设形状，并记录非预设形状的预测前景图像序列/>，包括：
计算所述预测前景图像序列中预测区域的轮廓的周长、面积、角点；
根据所述周长、面积、角点判断对应预测区域是否为预设形状；
记录非预设形状的预测前景图像序列。
4.根据权利要求1所述的方法，其特征在于，将添加结果中每个连续的预测前景图像序列的长度超过长度阈值的连续的预测前景图像序列的预测区域和预测值作为分割结果，包括：
遍历添加后的去除非预设形状且连续的预测前景图像序列中的每个连续的预测前景图像序列/>；
判断所述连续的预测前景图像序列的长度是否大于长度阈值/>；
保留长度大于长度阈值的连续的预测前景图像序列/>；
将所述连续的预测前景图像序列的预测区域和预测值作为分割结果。
5.根据权利要求4所述的方法，其特征在于，利用如下公式确定所述长度阈值：
,
其中，N表示CT图像的数量，S表示每套CT中包含的连续的CT图像序列的数量，表示第i套CT图像中第j个连续的CT图像序列的长度，/>表示体表定位标记物的厚度，/>表示两张CT图像切片间的间距。
6.根据权利要求1所述的方法，其特征在于，对CT图像序列进行预处理，提取得到前景图像序列，包括：
对所述CT图像序列进行去噪、二值化和形态学处理；
提取处理后的CT图像序列的前景图像，得到前景图像序列。
7.根据权利要求6所述的方法，其特征在于，提取处理后的CT图像序列的前景图像，得到前景图像序列，包括：
提取每个CT图像中体表定位标记物和人体组织的最大轮廓；
对所述最大轮廓向内收缩第一数量的像素，得到第一轮廓，所述第一轮廓为包含体表定位标记物的最小轮廓；
对所述最大轮廓向外扩张第二数量的像素，得到第二轮廓，所述第二轮廓为包含体表定位标记物的最大轮廓；
提取CT图像序列中每个CT图像中第一轮廓和第二轮廓间的区域图像作为前景图像，得到前景图像序列。
8.一种体表定位标记物的分割设备，其特征在于，包括：处理器以及与所述处理器连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令被所述处理器执行，以使所述处理器执行如权利要求1-7中任意一项所述的体表定位标记物的分割方法。
CN202311709017.XA 2023-12-13 2023-12-13 一种体表定位标记物的分割方法及设备 Active CN117408998B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311709017.XA CN117408998B (zh) 2023-12-13 2023-12-13 一种体表定位标记物的分割方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311709017.XA CN117408998B (zh) 2023-12-13 2023-12-13 一种体表定位标记物的分割方法及设备

Publications (2)

Publication Number Publication Date
CN117408998A CN117408998A (zh) 2024-01-16
CN117408998B true CN117408998B (zh) 2024-03-12

Family

ID=89489366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311709017.XA Active CN117408998B (zh) 2023-12-13 2023-12-13 一种体表定位标记物的分割方法及设备

Country Status (1)

Country Link
CN (1) CN117408998B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120133352A (ko) * 2011-05-31 2012-12-10 관동대학교산학협력단 영상에서의 목표형상 검출장치 및 방법
CN106890031A (zh) * 2017-04-11 2017-06-27 东北大学 一种标记物识别及标记点定位方法及手术导航系统
CN111444773A (zh) * 2020-03-02 2020-07-24 武汉理工大学 一种基于图像的多目标分割识别方法及系统
CN111768408A (zh) * 2020-09-01 2020-10-13 安翰科技(武汉)股份有限公司 胃肠标记物自动识别方法及识别系统
WO2022134277A1 (zh) * 2020-12-21 2022-06-30 深圳精智达技术股份有限公司 显示屏子像素的图像位置标记方法、设备以及存储介质
CN114742810A (zh) * 2022-04-27 2022-07-12 济南市人民医院 一种基于标记点跟踪的穿刺方法
CN116188294A (zh) * 2022-12-22 2023-05-30 东莞理工学院 用于医学图像的数据增强方法、系统、智能终端及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021146705A1 (en) * 2020-01-19 2021-07-22 Ventana Medical Systems, Inc. Non-tumor segmentation to support tumor detection and analysis

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120133352A (ko) * 2011-05-31 2012-12-10 관동대학교산학협력단 영상에서의 목표형상 검출장치 및 방법
CN106890031A (zh) * 2017-04-11 2017-06-27 东北大学 一种标记物识别及标记点定位方法及手术导航系统
CN111444773A (zh) * 2020-03-02 2020-07-24 武汉理工大学 一种基于图像的多目标分割识别方法及系统
CN111768408A (zh) * 2020-09-01 2020-10-13 安翰科技(武汉)股份有限公司 胃肠标记物自动识别方法及识别系统
WO2022134277A1 (zh) * 2020-12-21 2022-06-30 深圳精智达技术股份有限公司 显示屏子像素的图像位置标记方法、设备以及存储介质
CN114742810A (zh) * 2022-04-27 2022-07-12 济南市人民医院 一种基于标记点跟踪的穿刺方法
CN116188294A (zh) * 2022-12-22 2023-05-30 东莞理工学院 用于医学图像的数据增强方法、系统、智能终端及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于几何特征的X射线图像中圆形标志点自动提取;王广志 等;数据采集与处理;20150915(05);第55-62页 *

Also Published As

Publication number Publication date
CN117408998A (zh) 2024-01-16

Similar Documents

Publication Publication Date Title
KR102143465B1 (ko) Aspect 스코어 추정 시스템 및 방법
CN109685060B (zh) 图像处理方法和装置
CN111815599B (zh) 一种图像处理方法、装置、设备及存储介质
Raba et al. Breast segmentation with pectoral muscle suppression on digital mammograms
EP0731952B1 (en) Automated method and system for improved computerized detection and classification of masses in mammograms
CN104978725B (zh) 一种冠状动脉分割方法和装置
US20070127802A1 (en) Method and System for Automatic Lung Segmentation
Lin et al. Lung nodules identification rules extraction with neural fuzzy network
EP2485041A1 (en) Method for processing body inspection image and body inspection device
CA2177477A1 (en) Automated method and system for the segmentation of medical images
JPH11276462A (ja) 画像収集中にｘ線イメ―ジングシステムのコリメ―タを自動設定する方法、およびｘ線イメ―ジングシステム
JP2005296605A (ja) 放射線写真画像を診断関連領域と診断非関連領域とにセグメント化する方法
Farag et al. Automatic detection and recognition of lung abnormalities in helical CT images using deformable templates
CN105894464A (zh) 一种中值滤波图像处理方法和装置
Hiremath et al. Automatic detection of follicles in ultrasound images of ovaries using edge based method
CN109636801B (zh) 自动获取her2荧光原位杂交结果的电子设备及介质
CN112489060A (zh) 一种用于肺炎病灶分割的系统及方法
Felfelian et al. Vessel segmentation in low contrast X-ray angiogram images
CN117408998B (zh) 一种体表定位标记物的分割方法及设备
CN111612749B (zh) 基于肺部影像的病灶检测方法和装置
US8160336B2 (en) Reducing false positives for automatic computerized detection of objects
Löber et al. Automatic Thrombus Detection in Non-enhanced Computed Tomography Images in Patients With Acute Ischemic Stroke.
Pathare et al. Detection of fractures in long bones for trauma centre patients using hough transform
CN116884082A (zh) 一种放疗室用患者安全监控系统及方法
Aramesh et al. A new method for segmentation of retinal blood vessels using Morphological image processing technique

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
GR01 Patent grant
GR01 Patent grant