CN117523207A - 肺叶分割矫正处理的方法、装置、电子设备及存储介质 - Google Patents
肺叶分割矫正处理的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117523207A CN117523207A CN202410013016.XA CN202410013016A CN117523207A CN 117523207 A CN117523207 A CN 117523207A CN 202410013016 A CN202410013016 A CN 202410013016A CN 117523207 A CN117523207 A CN 117523207A
- Authority
- CN
- China
- Prior art keywords
- lung lobe
- lobe
- area
- lung
- maximum
- 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.)
- Granted
Links
- 210000004072 lung Anatomy 0.000 title claims abstract description 520
- 238000012937 correction Methods 0.000 title claims abstract description 107
- 230000011218 segmentation Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012545 processing Methods 0.000 title claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims description 133
- 238000013334 tissue model Methods 0.000 claims description 124
- 238000004891 communication Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims 3
- 230000000877 morphologic effect Effects 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract description 9
- 230000003902 lesion Effects 0.000 abstract description 7
- 230000000007 visual effect Effects 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 abstract description 5
- 238000003672 processing method Methods 0.000 abstract description 5
- 230000008034 disappearance Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/30061—Lung
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Graphics (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
本申请提供了肺叶分割矫正处理的方法、装置、电子设备及存储介质,应用于图像处理技术领域,本申请通过对三维的肺叶扫描数据的处理和二维平面图形的形态学处理,达到精准分割、矫正肺叶的目的。相较于传统的深度学习的方法,本申请提出的肺叶分割矫正处理方法将三维连通域判断与二维形态学处理联合使用,无需训练分割模型,节省了时间,保证了肺叶分割优化的准确性,满足了医学领域对病变区域进行可视化展示的要求。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及肺叶分割矫正处理的方法、装置、电子设备及存储介质。
背景技术
获取CT、MRI等数据是医生对患者进行重大疾病病理诊断分析所必要的过程,使用深度学习模型对患者肺叶的CT、MRI数据进行预测,重建出病变位置供病理医师分析诊断有助于手术的成功进行。
基于CT、MRI的重建属于深度学习计算机视觉领域的一部分,由于深度学习具有一定误差并且数据标注不能做到100%精准无误,这些原因造成深度学习模型对CT、MRI数据进行重建时会导致误差的发生。但在实际使用场景中,医疗设备对AI模型预测的肺叶的病变区域进行可视化展示时,要求重建出来的效果不可以出现较为明显的错误。
因此,现有的基于CT、MRI的三维重建技术难以达到医学领域对病变区域进行可视化展示的要求,存在误差较大的问题。
发明内容
鉴于上述现有技术的不足之处,本申请提供的肺叶分割矫正处理的方法、装置、电子设备及存储介质,应用于图像处理技术领域,本申请通过对三维的肺叶扫描数据的处理和二维平面图形的形态学处理,达到精准分割、矫正肺叶的目的。相较于传统的深度学习的方法,本申请提出的肺叶分割矫正处理方法将三维连通域判断与二维形态学处理联合使用,无需训练分割模型,节省了时间,保证了肺叶分割优化的准确性,满足了医学领域对病变区域进行可视化展示的要求。
第一方面,本申请提供一种肺叶分割矫正处理的方法,该方法包括步骤:
S1:将右肺叶组织模型至少分成第一判断区域和第二判断区域,所述第一判断区域有右上段肺叶、右下段肺叶,所述第二判断区域有右上段肺叶、右中段肺叶、右下段肺叶;
S2:在判断所述第一判断区域时,如果检测出有第一异常连通域,根据第一异常连通域所在的区域将所述第一异常连通域对应矫正为右上段肺叶或右下段肺叶;
S3:在判断所述第二判断区域时,遍历整个所述右肺叶组织模型中右上段肺叶、右中段肺叶以及右下段肺叶中任一肺叶组织的非最大连通域的集合以及其他两种肺叶组织中每一肺叶组织的最大连通域;
S4:判断所述非最大连通域的集合与所述最大连通域的第一连接关系;
S5:根据第一连接关系对所述非最大连通域的集合进行矫正。
本申请提出的一种肺叶分割矫正处理的方法,在实际应用中,现有的深度学习三维重建技术难以做到将肺叶扫描数据精准地重建出来,例如在实际重建的肺叶组织模型中,常常会出现类似在右上段肺叶中出现右中段肺叶和/或右下段肺叶的问题,针对该问题,本申请提出通过将右肺叶组织模型至少分成第一判断区域和第二判断区域,第一判断区域有右上段肺叶、右下段肺叶;第二判断区域有右上段肺叶、右中段肺叶、右下段肺叶;以划分不同判断区域的方式便于后续分别查询出右肺叶组织模型中错误识别的异常区域;而后遍历右肺叶组织模型中的第一判断区域,由于第一判断区域只包括右上段肺叶、右下段肺叶,如果检测出第一判断区域存在第一异常连通域,可以将第一异常连通域对应矫正为右上段肺叶或右下段肺叶,而在判断第二判断区域中的异常区域时,由于第二判断区域中包括右上段肺叶、右中段肺叶、右下段肺叶三种类型的肺叶组织,因此在遍历过程中找出异常区域的过程相较于遍历第一判断区域时更加复杂,需要遍历整个右肺叶组织模型,并获取右上段肺叶、右中段肺叶以及右下段肺叶中任一肺叶组织的非最大连通域的集合以及其他两种肺叶组织中每一肺叶组织的最大连通域,判断非最大连通域的集合与最大连通域的第一连接关系,根据第一连接关系对非最大连通域的集合进行矫正。通过对第一判断区域与第二判断区域中的异常区域进行矫正,从而实现对整个右肺叶组织模型的矫正。因此,本申请提出的肺叶分割矫正处理方法通过使用传统的形态学连通域的判断方式对肺叶进行矫正,无需训练肺叶分割模型,节省了时间,保证了肺叶分割矫正的准确性,满足了医学领域对病变区域进行可视化展示的要求。
进一步地,所述方法还包括:
S6:将左肺叶组织模型分成第三判断区域和第四判断区域,所述第三判断区域为左上段肺叶,所述第四判断区域为左下段肺叶;
S7:在判断所述第三判断区域时,如果检测出有第二异常连通域,将所述第二异常连通域矫正为所述左上段肺叶;
S8:在判断所述第四判断区域时,如果检测出有第三异常连通域,将所述第三异常连通域矫正为所述左下段肺叶。
本申请提供的一种肺叶分割矫正处理的方法,将左肺叶组织模型分成第三判断区域和第四判断区域,相较于右肺叶组织模型,左肺叶组织模型的结构较为简单,若分割出来左肺叶组织模型是理想中正确的模型,则第三判断区域的左上肺叶的连通域与第四判断区域的左下段肺叶的连通域的出现至消失是连贯的,若在遍历的过程中,左上段肺叶的连通域出现了第二异常连通域,左下段肺叶的连通域出现了第三异常连通域,则需要将第二异常连通域矫正为左上段肺叶,将第三异常连通域矫正为左下段肺叶,以实现左肺叶组织模型的矫正。
进一步地,步骤S5包括:
S51:获取所述第一连接关系中,所述右肺叶组织模型中的任一肺叶组织的非最大连通域的集合中仅与其他两种肺叶组织中其中一种肺叶组织的最大连通域相交的第一部分;
S52:将所述第一部分矫正为与其相交的最大连通域对应的肺叶组织。
本申请提出的一种肺叶分割矫正处理的方法,矫正右肺叶组织模型中的第一异常连通域并不能保证右肺叶组织模型得到了全面的优化矫正,为了解决该问题,可以获取右上段肺叶、右中段肺叶以及右下段肺叶中任一肺叶组织的非最大连通域的集合,以及其他两种肺叶组织中每一肺叶组织的最大连通域;并获取任一肺叶组织的非最大连通域的集合中仅与其他两种肺叶组织中的其中一种肺叶组织的最大连通域相交的第一部分,该第一部分为识别错误的部分,将该部分矫正为与其相交的最大连通域对应的肺叶组织的类型,矫正该第一部分可进一步实现对右肺叶组织模型的全面矫正。
进一步地,步骤S52之后包括:
S53:获取所述第一连接关系中,所述右肺叶组织模型中的任一肺叶组织的非最大连通域的集合中同时与其他两种肺叶组织的最大连通域相交的第二部分;
S54:获取第二部分分别与其他两种肺叶组织相交的第一面积和第二面积,并比较所述第一面积与所述第二面积得到比较结果;
S55:根据所述比较结果对所述第二部分进行矫正。
本申请提供的一种肺叶分割矫正处理方法,为了进一步优化矫正右肺叶组织模型,对第一部分的矫正仅仅是矫正了右肺叶组织模型中任一肺叶组织的非最大连通域的集合中与其他两种肺叶组织中其中一种肺叶组织的最大连通域相交的部分,右肺叶组织模型的矫正并不完全,为了解决该问题,可以获取任一肺叶组织的非最大连通域的集合同时与其他两种肺叶组织的最大连通域相交的第二部分,并判断第二部分分别与其他两种肺叶组织相交的第一面积和第二面积的大小,将第二部分矫正为与其相交面积最大的肺叶组织的类型,并结合此前对第一异常连通域以及第一部分的矫正,得到更加精准地矫正后的右肺叶组织模型。
进一步地,步骤S55之后包括:
S56:获取根据所述比较结果对所述第二部分进行矫正得到的第一矫正结果;
S57:遍历所述第一矫正结果的每一层切片,获取第四异常连通域;
S58:矫正所述第四异常连通域,得到第二矫正结果。
进一步地,步骤S8之后包括:
S81:获取左肺叶组织模型的全部层切片;
S82:遍历所述全部层切片并选取左上段肺叶最大连通域的面积最大的第一层切片;
S83:获取所述第一层切片中的第一左下段肺叶非最大连通域的集合中与第一左上段肺叶最大连通域连接的第三部分;
S84:将所述第三部分矫正为所述左上段肺叶。
进一步地,步骤S84之后包括:
S85:遍历所述全部层切片并选取左下段肺叶最大连通域的面积最大的第二层切片;
S86:获取所述第二层切片中的第二左上段肺叶非最大连通域的集合中与第二左下段肺叶最大连通域连接的第四部分;
S87:将所述第四部分矫正为所述左下段肺叶。
第二方面,本申请提出一种肺叶分割矫正处理的装置,所述装置包括:
分割模块:用于将右肺叶组织模型至少分成第一判断区域和第二判断区域,所述第一判断区域有右上段肺叶、右下段肺叶,所述第二判断区域有右上段肺叶、右中段肺叶、右下段肺叶;
第一矫正模块:用于在判断所述第一判断区域时,如果检测出有第一异常连通域,根据第一异常连通域所在的区域将所述第一异常连通域对应矫正为右上段肺叶或右下段肺叶;
第二矫正模块:用于在判断所述第二判断区域时,遍历整个所述右肺叶组织模型中右上段肺叶、右中段肺叶以及右下段肺叶中任一肺叶组织的非最大连通域的集合以及其他两种肺叶组织中每一肺叶组织的最大连通域;
判断模块:用于判断所述非最大连通域的集合与所述最大连通域的第一连接关系;
第三矫正模块:用于根据第一连接关系对所述非最大连通域的集合进行矫正。
第三方面,本申请提供一种电子设备,包括处理器以及存储器,存储器存储有计算机可读取指令,当计算机可读取指令由处理器执行时,运行上述任一方法中的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时运行上述任一方法中的步骤。
有益效果:本申请提出的肺叶分割矫正处理的方法、装置、电子设备及存储介质,通过将右肺叶组织模型至少分成第一判断区域和第二判断区域,第一判断区域有右上段肺叶、右、右下段肺叶;第二判断区域有右上段肺叶、右中段肺叶、右下段肺叶;以划分不同判断区域的方式便于后续分别查询出右肺叶组织模型中错误识别的异常区域;而后遍历右肺叶组织模型中的第一判断区域,由于第一判断区域只包括右上段肺叶、右下段肺叶,如果检测出第一判断区域存在第一异常连通域,可以将第一异常连通域对应矫正为右上段肺叶或右下段肺叶,而在判断第二判断区域中的异常区域时,由于第二判断区域中包括右上段肺叶、右中段肺叶、右下段肺叶三种类型的肺叶组织,因此在遍历过程中找出异常区域的过程相较于遍历第一判断区域时更加复杂,需要遍历整个右肺叶组织模型,并获取右上段肺叶、右中段肺叶以及右下段肺叶中任一肺叶组织的非最大连通域的集合以及其他两种肺叶组织中每一肺叶组织的最大连通域,判断非最大连通域的集合与最大连通域的第一连接关系,根据第一连接关系对非最大连通域的集合进行矫正。通过对第一判断区域与第二判断区域中的异常区域进行矫正,从而实现对整个右肺叶组织模型的矫正。因此,本申请提出的肺叶分割矫正处理方法通过使用传统的形态学连通域的判断方式对肺叶进行矫正,无需训练肺叶分割模型,节省了时间,保证了肺叶分割矫正的准确性,满足了医学领域对病变区域进行可视化展示的要求。
附图说明
图1为本申请提出的一种肺叶分割矫正处理的方法的流程图。
图2为本申请提出的一种肺叶分割矫正处理的方法的结构图。
图3为本申请提供的电子设备的结构示意图。
图4为本申请提供的理想中完全分割正确的右肺叶组织模型。
图5为本申请提供的右肺叶组织模型。
标号说明:201、分割模块;202、第一矫正模块;203、第二矫正模块;204、判断模块;205、第三矫正模块;301、处理器;302、存储器;303、通信总线;3、电子设备。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和标出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一、第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
下文公开提供了许多不同的实施方式或例子用来实现本发明的目的,解决了现有的基于CT、MRI的三维重建技术难以达到医学领域对病变区域进行可视化展示的要求,存在误差较大的问题。
请参照图1,本申请提供一种肺叶分割矫正处理的方法,方法包括步骤:
S1:将右肺叶组织模型至少分成第一判断区域和第二判断区域,第一判断区域有右上段肺叶、右下段肺叶,第二判断区域有右上段肺叶、右中段肺叶、右下段肺叶;
S2:在判断第一判断区域时,如果检测出有第一异常连通域,根据第一异常连通域所在的区域将第一异常连通域对应矫正为右上段肺叶或右下段肺叶;
S3:在判断第二判断区域时,遍历整个右肺叶组织模型中右上段肺叶、右中段肺叶以及右下段肺叶中任一肺叶组织的非最大连通域的集合以及其他两种肺叶组织中每一肺叶组织的最大连通域;
S4:判断非最大连通域的集合与最大连通域的第一连接关系;
S5:根据第一连接关系对非最大连通域的集合进行矫正。
具体的,在实际应用中,相较于其他如血管的复杂组织而言,肺叶的结构较为简单,现有深度学习中的数据标签能够将肺叶的左肺叶组织模型、右肺叶模型组织的轮廓准确分割出来,更进一步的,还能够将左肺叶组织模型的左上段肺叶、左下段肺叶以及右肺叶组织模型的右上段肺叶、右中段肺叶、右下段肺叶的大致轮廓分割出来,不过,现有技术中的深度学习的分割方式在分割左肺叶组织模型的左上段肺叶、左下段肺叶以及右肺叶组织模型的右上段肺叶、右中段肺叶、右下段肺叶时,无法做到精准地分割,其分割出来的结果会存在误差,例如:在右上段肺叶中存在右中段肺叶和/或右下段肺叶,在右中段肺叶中存在右上段肺叶和/或右下段肺叶,在左上段肺叶中存在左下段肺叶等等。为了使说明书更加简要,此处分割误差的例子并不一一列举。因此,为了对右肺叶组织模型和左肺叶组织模型进行矫正,可以将右肺叶组织模型和左肺叶组织模型划分为不同的区域一一进行矫正,确保右肺叶组织模型和左肺叶组织模型能够得到完全矫正。
其中,在实际应用中,在步骤S1中,右肺叶组织模型可以为CT或MRI等设备扫描人体肺叶得到的肺叶扫描数据,并将肺叶扫描数据导入肺叶分割模型得到。具体获取右肺叶组织模型的步骤为:
获取CT扫描的肺叶扫描数据,并将肺叶扫描数据导入肺叶分割模型中得到肺叶分割结果;
根据肺叶分割结果获取肺叶组织轮廓,肺叶组织轮廓包括右上段肺叶、右中段肺叶、右下段肺叶、左上段肺叶以及左下段肺叶;
根据右上段肺叶、右中段肺叶以及右下段肺叶建立右肺叶组织模型,根据左上段肺叶以及左下段肺叶建立左肺叶组织模型。
其中,在实际应用中,获取到CT扫描的肺叶扫描数据后,可将该肺叶扫描数据导入肺叶分割模型中,其中,肺叶分割模型可以采用轻量级网络分割模型,也可以使用深度学习加神经网络分割模型。根据肺叶分割结果可以获取到肺叶组织轮廓,肺叶组织轮廓包括右上段肺叶、右中段肺叶、右下段肺叶、左上段肺叶以及左下段肺叶。在实际的肺叶分割结果中,在右上段肺叶的肺叶组织轮廓范围内可能会存在右中段肺叶和/或右下段肺叶的分割误差,如图5所示,右肺叶组织模型中的右上段肺叶和右下段肺叶中存在异常区域。
其中,在实际应用中,在步骤S1中,为了更好地将右肺叶组织至少分成第一判断区域和第二判断区域,可以假设右肺叶组织模型为理想中完全分割正确的右肺叶,具体如图4所示。根据假设中完全分割正确的右肺叶组织模型可以得到右下段肺叶的底部至右中段肺叶的底部的第一区域,右中段肺叶的顶部至右上段肺叶顶部的第二区域;该第一区域对应的是右下段肺叶的连通域出现的起点至右中段肺叶的连通域出现的起点,由右肺叶的结构可以确定,在该第一区域对应的范围内,只能存在右下段肺叶。该第二区域对应的是右中段肺叶的连通域消失的终点至右上段肺叶的连通域消失的终点,由右肺叶的结构可以确定,在该第二区域对应的范围内,只能存在右上段肺叶。第一区域与第二区域组合形成第一判断区域。
其中,在步骤S2中,第一异常连通域包括第一区域中出现的除右下段肺叶以外的肺叶组织如右中段肺叶和/或右上段肺叶,以及第二区域中出现的除右上段肺叶以外的肺叶组织如右中段肺叶和/或右下段肺叶。判断第一判断区域中是否存在第一异常连通域的方式为,分别遍历第一判断区域中的第一区域与第二区域,由于第一区域中只存在右下段肺叶,第二区域中只存在右上段肺叶组织,因此在第一区域中的第一异常连通域为除右下段肺叶以外的其他肺叶组织,在第二区域中的第一异常连通域为除右上段肺叶以外的其他肺叶组织。具体地,在图4、图5中ao表示右下段肺叶的底部,a1表示右中段肺叶的底部,a2表示右下段肺叶的顶部,a3表示右中段肺叶的顶部,a4表示右上段肺叶的顶部,[ao:a1]表示第一区域。遍历第一区域,即遍历右肺叶组织模型中[ao:a1]对应的范围,很容易能够获取到右肺叶组织模型中第一区域的范围内出现的除右下段肺叶以外的第一异常连通域,其中,遍历第一区域的顺序是从右下段肺叶的底部向上遍历直至右中段肺叶的底部。同理,遍历第二区域,即遍历右肺叶模型中[a3:a4]对应的范围,很容易能够获取到右肺叶组织模型中第二区域的范围内出现的除右上段肺叶以外的第一异常连通域,其中,遍历第二区域的顺序是从右上段肺叶的顶部向下遍历直至右中段肺叶的顶部。其中,将第一区域中的第一异常连通域矫正为右下段肺叶,将第二区域中的第一异常连通域矫正为右上段肺叶,即可得到部分矫正后的右肺叶组织模型。
其中,在实际应用中,对第一异常连通域进行矫正,可以得到部分矫正后的右肺叶组织模型。上述步骤的矫正仅仅是针对右肺叶模型中的第一区域以及第二区域的矫正,第一区域与第二区域之间的部分并未得到矫正,因此,为了保证右肺叶组织模型能够得到完全的矫正,在步骤S3中,需要对第二判断区域中的异常部分进行矫正,第二判断区域位于第一区域与第二区域之间,如图4、图5中[a1:a3]对应的范围。为了实现对第二判断区域的矫正,可以遍历整个右肺叶组织模型以获取右上段肺叶、右中段肺叶以及右下段肺叶中任一肺叶组织的非最大连通域的集合,以及其他两种肺叶组织中每一种肺叶组织的最大连通域。其中,在右肺叶模型中,右上段肺叶、右中段肺叶以及右下段肺叶为互相不连通的三种类型的肺叶组织,其投影在二维平面上的影像信息显示有三种不同的灰度值,其中最大连通域表示:这三种类型中任一肺叶组织投影在二维平面的影像信息中显示的同类型的像素点连通面积最大的区域,非最大连通域的集合表示:这三种类型中任一肺叶组织投影在二维平面的影像信息中显示的同类型的像素点连通面积非最大的区域的集合,例如,对于右上段肺叶来说,在右肺叶组织模型中,由于分割精准度较低,会导致右上段肺叶以面积大小不同的块状区域呈现,并出现在右肺叶组织模型中的各个位置,面积最大的块状区域表示右上段肺叶的最大连通域,面积非最大的块状区域的集合表示右上段肺叶的非最大连通域的集合,其中,右上段肺叶的非最大连通域的集合中包括识别正确的右上段肺叶以及将右中段肺叶或右下段肺叶错误识别成右上段肺叶的异常区域。同理,右中段肺叶包括右中段肺叶的最大连通域和非最大连通域的集合, 右下段肺叶包括右下段肺叶的最大连通域以及非最大连通域的集合。通过图形的形态学方式可以很容易获取到三种类型的肺叶组织中的任一肺叶组织的非最大连通域的集合,以及其他两种肺叶组织中每一种肺叶组织的最大连通域。
其中,在实际应用中,由于第二判断区域中包含有右上段肺叶、右中段肺叶以及右下段肺叶,在检测判断第二判断区域的异常部分时相较于判断第一判断区域更加复杂,具体如步骤S4,在获取到右肺叶组织模型的任一肺叶组织的非最大连通域的集合以及其他两种肺叶组织中每一肺叶组织的最大连通域之后,判断该非最大连通域的集合与最大连通域之间的第一连接关系。其中,该非最大连通域的集合为任一种肺叶组织除最大连通域以外的各个区域的集合,因此该非最大连通域的集合由多个部分组成,具体可划分为第一部分与第二部分。而第一连接关系也包括两种,其一为:第一部分仅与其他两种肺叶组织中其中一种肺叶组织的最大连通域相交;其二为:第二部分同时与其他两种肺叶组织的最大连通域相交。
其中,在步骤S5中,根据第一连接关系对非最大连通的集合进行矫正,实际是对第一部分与第二部分中的识别错误的部分进行矫正。
具体的,步骤S5包括:S51:获取第一连接关系中,右肺叶组织模型中的任一肺叶组织的非最大连通域的集合中仅与其他两种肺叶组织中其中一种肺叶组织的最大连通域相交的第一部分;
S52:将第一部分矫正为与其相交的最大连通域对应的肺叶组织。
其中,在实际应用中,右上段肺叶、右中段肺叶以及右下段肺叶的连通域为三种互不相通的连通域,因此,若任一肺叶组织的非最大连通域的集合中存在仅与其他两种肺叶组织的其中一种肺叶组织的最大连通域相交的第一部分,那么该第一部分则为识别错误的异常区域,例如:右上段肺叶的非最大连通域的集合中存在仅与右中段肺叶的最大连通域相交,以及仅与右下段肺叶的最大连通域相交的第一部分,那么与右中段肺叶的最大连通域相交的第一部分则是将右中段肺叶错误识别成右上段肺叶的异常区域,与右下段肺叶的最大连通域相交的第一部分则是将右下段肺叶错误识别成右上段肺叶的异常区域;同理,右中段肺叶的非最大连通域的集合中存在仅与右上段肺叶的最大连通域相交,以及仅与右下段肺叶的最大连通域相交的第一部分,那么与右上段肺叶的最大连通域相交的第一部分则是将右上段肺叶错误识别成右中段肺叶的异常区域,与右下段肺叶的最大连通域相交的第一部分则是将右下段肺叶错误识别成右中段肺叶的异常区域;右下段肺叶的非最大连通域的集合中存在仅与右上段肺叶的最大连通域相交,以及仅与右中段肺叶的最大连通域相交的第一部分,那么与右上段肺叶的最大连通域相交的第一部分则是将右上段肺叶错误识别成右下段肺叶的异常区域,与右中段肺叶的最大连通域相交的第一部分则是将右中段肺叶错误识别成右下段肺叶的异常区域。对第一部分进行对应的矫正,将第一部分矫正为与其相交的最大连通域对应的肺叶组织,可以进一步的提升右肺叶模型矫正的精确度。
但以上步骤中的矫正仍存在矫正不完全的问题,因此,进一步地,在一些优选的实施方式中,步骤S52之后包括:
S53:获取第一连接关系中,右肺叶组织模型中的任一肺叶组织的非最大连通域的集合中同时与其他两种肺叶组织的最大连通域相交的第二部分;
S54:获取第二部分分别与其他两种肺叶组织相交的第一面积和第二面积,并比较第一面积与第二面积得到比较结果;
S55:根据比较结果对第二部分进行矫正。
其中,在实际应用中,任一肺叶组织的非最大连通域的集合中,除了仅与其他两种肺叶组织的其中一种肺叶组织相交的第一部分,还存在同时与其他两种肺叶组织的最大连通域相交的第二部分,该第二部分也为识别错误的异常区域,获取该第二部分并对其进行相应的矫正可以进一步提高右肺叶模型分割的精准度。具体的,获取第二部分分别与其他两种肺叶组织相交的第一面积和第二面积,例如:若右上段肺叶的非最大连通域的集合中存在同时与右中段肺叶的最大连通域以及右下段肺叶的最大连通域相交的第二部分,可分别获取该第二部分与右中段肺叶的最大连通域相交的第一面积,以及与右下段肺叶的最大连通域相交的第二面积,比较第一面积与第二面积的大小,若第一面积大于第二面积,则表示该第二部分为将右中段肺叶错误识别为右上段肺叶的异常区域,若第一面积小于第二面积,则表示该第二部分为将右下段肺叶错误识别为右上段肺叶的异常区域;同理,若右中段肺叶的非最大连通域的集合中存在同时与右上段肺叶的最大连通域以及右下段肺叶的最大连通域相交的第二部分,可分别获取该第二部分与右上段肺叶的最大连通域相交的第一面积,以及与右下段肺叶的最大连通域相交的第二面积,比较第一面积与第二面积的大小,若第一面积大于第二面积,则表示该第二部分为将右上段肺叶错误识别为右中段肺叶的异常区域,若第一面积小于第二面积,则表示该第二部分为将右下段肺叶错误识别为右中段肺叶的异常区域;若右下段肺叶的非最大连通域的集合中存在同时与右上段肺叶的最大连通域以及右中段肺叶的最大连通域相交的第二部分,可分别获取该第二部分与右上段肺叶的最大连通域相交的第一面积,以及与右中段肺叶的最大连通域相交的第二面积,比较第一面积与第二面积的大小,若第一面积大于第二面积,则表示该第二部分为将右上段肺叶错误识别为右下段肺叶的异常区域,若第一面积小于第二面积,则表示该第二部分为将右中段肺叶错误识别为右下段肺叶的异常区域。其中,在实际应用中,第一面积等于第二面积的概率非常小,可以忽略不计。对第二部分进行对应的矫正,将第二部分矫正为与其相交的最大连通域对应的肺叶组织,可以进一步的提升右肺叶组织模型矫正的精确度。
上述的矫正过程是对右肺叶模型进行的三维空间连通域的矫正,由于三维空间连通域会因右肺叶组织模型的形状以及角度问题,其投影在二维平面上的影像信息存在遮挡,会导致矫正不完全的问题,为了进一步优化矫正,在一些优选的实施方式中,步骤S55之后包括:
S56:获取根据比较结果对第二部分进行矫正得到的第一矫正结果;
S57:遍历第一矫正结果的每一层切片,获取第四异常连通域;
S58:矫正第四异常连通域,得到第二矫正结果。
其中,在实际应用中,在对第一异常连通域、第一部分以及第二部分进行矫正后,可以得到第一矫正结果,该第一矫正结果是基于三维空间连通域的矫正,为了确保右肺叶组织模型矫正的精准度,可以在三维空间连通域的矫正的基础上,进行二维图像形态学的矫正,具体的矫正步骤为:遍历第一矫正结果的每一层切片,获取第四异常连通域,其中第四异常连通域为第一矫正结果的每一层切片中任一肺叶组织的非最大连通域的集合,并将第四异常连通域矫正为与其相交的最大连通域对应的肺叶组织,例如:右上段肺叶中存在与右中段肺叶的最大连通域和/或右下段肺叶的最大连通域相交的非最大连通域的集合,此处的非最大连通域的集合即为第四异常连通域,对该第四异常连通域进行相应的矫正,若该第四异常连通域仅与右中段肺叶的最大连通域相交,则将其矫正为右中段肺叶,若该第四异常连通域仅与右下段肺叶的最大连通域相交,则将其矫正为右下段肺叶,若该第四异常连通域同时与右中段肺叶的最大连通域以及右下段肺叶的最大连通域相交,则比较该第四异常连通域分别与右中段肺叶的最大连通域以及右下段肺叶的最大连通域相交的尺寸,并将第四异常连通域矫正为相交尺寸较大的最大连通域对应的肺叶组织。同理,对第一矫正结果的每一层切片中的右中段肺叶以及右下段肺叶的矫正步骤与上述过程相同,在此不多作赘述。通过在三维空间连通域矫正的基础上进行二维图像形态学的矫正,得到第二矫正结果,以实现对右肺叶组织模型的全面矫正。
本申请的目的是对整个肺叶进行矫正,因此,除了对右肺叶组织模型的矫正还需要完成对左肺叶组织模型的矫正。进一步的,本申请中的一种肺叶分割矫正处理的方法还包括:
S6:将左肺叶组织模型分成第三判断区域和第四判断区域,第三判断区域为左上段肺叶,第四判断区域为左下段肺叶;
S7:在判断第三判断区域时,如果检测出有第二异常连通域,将第二异常连通域矫正为左上段肺叶;
S8:在判断第四判断区域时,如果检测出有第三异常连通域,将第三异常连通域矫正为左下段肺叶。
其中,在实际应用中,由于左肺叶只存在左上段肺叶和左下段肺叶两部分,相较于右肺叶的结构更为简单,因此,可直接按照左上段肺叶以及左下段肺叶将左肺叶组织模型对应分成第三判断区域和第四判断区域,第三判断区域为左上段肺叶的底部至顶部,即左上段肺叶的连通域出现的起点至消失的终点。根据左肺叶的结构,左上段肺叶的连通域出现的起点至消失的终点应为连续的连通域,因此,在遍历第三判断区域时,很容易能够获取到左肺叶组织模型中出现的导致左上段肺叶的连通域不连续的第二异常连通域。其中,遍历第三判断区域的顺序是从左上段肺叶的底部向上遍历直至左上段肺叶的顶部。同理,第四判断区域为左下段肺叶的底部至顶部,即左下段肺叶的连通域出现的起点至消失的终点。根据左肺叶的结构,左下段肺叶的连通域出现的起点至消失的终点应为连续的连通域,因此,在遍历第四判断区域时,很容易能够获取到左肺叶组织模型中出现的导致左下段肺叶的连通域不连续的第三异常连通域。而后将第二异常连通域矫正为左上段肺叶,将第三异常连通域矫正为左下段肺叶,从而实现对左肺叶组织模型的矫正。
其中,在实际应用中,为了保证左肺叶组织模型能够得到完全的优化矫正,进一步地,在一些优选的实施方式中,步骤S8之后包括:
S81:获取左肺叶组织模型的全部层切片;
S82:遍历全部层切片并选取左上段肺叶最大连通域的面积最大的第一层切片;
S83:获取第一层切片中的第一左下段肺叶非最大连通域的集合中与第一左上段肺叶最大连通域连接的第三部分;
S84:将第三部分矫正为左上段肺叶。
其中,在实际应用中,对导致左上段肺叶连通域出现不连续的第二异常连通域以及对导致左下段肺叶连通域出现不连续的第三异常连通域进行相应的矫正,是基于三维空间连通域的矫正,由于左肺叶组织模型的形状及角度的影响,三维空间连通域的矫正并不能保证左肺叶组织模型得到了完全的矫正,因此,可以选择在三维空间连通域的矫正的基础上对左肺叶模型继续进行二维图像形态学的矫正,具体的矫正步骤为:获取左肺叶组织模型的全部层切片,该左肺叶组织模型的全部层切片可以通过肺叶分割模型获取。具体的,由于左肺叶组织模型为三维模型,在经过肺叶分割模型之后,其全部层切片为将左肺叶组织模型以横切的方式从下到上分割得到的结果,其中,在理想情况下,全部层切片中的每一层切片中的左上段肺叶部分在二维平面上的连通域与左下段肺叶部分在二维平面上的连通域互不相通,且由于左肺叶组织模型的从下到上的形状并不是均匀的,而是不规则的立体,因此,全部层切片中每一层切片上的左上段肺叶的最大连通域以及左下段肺叶的最大连通域的面积均不相同,因此,可以遍历该全部层切片,并选取左上段肺叶最大连通域的面积最大的第一层切片,以及左下段肺叶最大连通域的面积最大的第二层切片作为代表性的切片来实现对左肺叶组织模型的矫正。具体步骤为:对第一层切片中的第一左下段肺叶非最大连通域的集合中与第一左上段肺叶最大连通域连接的第三部分进行矫正,可以得到进一步优化矫正后的左肺叶组织模型。其中,第一层切片中的第一左下段肺叶非最大连通域的集合实际指,在第一层切片中出现的所有的左下段肺叶的区域的集合,第一左上段肺叶最大连通域实际指,在第一层切片中出现的左上段肺叶所占面积最大的区域。
进一步地,在一些优选的实施方式中,步骤S84之后包括:
S85:遍历全部层切片并选取左下段肺叶最大连通域的面积最大的第二层切片;
S86:获取第二层切片中的第二左上段肺叶非最大连通域的集合中与第二左下段肺叶最大连通域连接的第四部分;
S87:将第四部分矫正为左下段肺叶。
具体的,在实际应用中,仅对将左上段肺叶错误识别为左下段肺叶的第三部分进行矫正并不能保证左肺叶组织模型的完全优化矫正,因此,还可以获取第二层切片中的第二左上段肺叶非最大连通域的集合中与第二左下段肺叶最大连通域连接的第四部分,该第四部分是将左下段肺叶错误识别为左上段肺叶的异常部分,对该部分进行相应的矫正,可以得到矫正后的左肺叶组织模型,确保左肺叶组织模型矫正的精准度。其中,第二层切片中的第二左上段肺叶非最大连通域的集合实际指,在第二层切片中出现的所有的左上段肺叶的区域的集合,第二左下段肺叶最大连通域实际指,在第二层切片中出现的左下段肺叶所占面积最大的区域。
其中,在实际应用中,合并完全矫正后的右肺叶组织模型以及完全矫正后的左肺叶组织模型,即可得到矫正后的肺叶模型。
由上可知,本申请提供的肺叶分割矫正处理的方法,通过对三维的肺叶扫描数据的处理和二维平面图形的形态学处理,达到精准分割、矫正肺叶的目的。相较于传统的深度学习的方法,本申请提出的肺叶分割矫正处理方法将三维连通域判断与二维形态学处理联合使用,无需训练分割模型,节省了时间,保证了肺叶分割优化的准确性,满足了医学领域对病变区域进行可视化展示的要求。
请参照图2,本申请提出一种肺叶分割矫正处理的装置,装置包括:
分割模块201:用于将右肺叶组织模型至少分成第一判断区域和第二判断区域,第一判断区域有右上段肺叶、右下段肺叶,第二判断区域有右上段肺叶、右中段肺叶、右下段肺叶;
第一矫正模块202:用于在判断第一判断区域时,如果检测出有第一异常连通域,根据第一异常连通域所在的区域将第一异常连通域对应矫正为右上段肺叶或右下段肺叶;
第二矫正模块203:用于在判断第二判断区域时,遍历整个右肺叶组织模型中右上段肺叶、右中段肺叶以及右下段肺叶中任一肺叶组织的非最大连通域的集合以及其他两种肺叶组织中每一肺叶组织的最大连通域;
判断模块204:用于判断非最大连通域的集合与最大连通域的第一连接关系;
第三矫正模块205:用于根据第一连接关系对非最大连通域的集合进行矫正。
其中,在实际应用中,分割模块201可以为轻量级网络分割模型,分割模块201从CT扫描设备中获取到肺叶扫描数据后,可以根据肺叶扫描数据建立右肺叶组织模型,具体建立方式可以任取一点作为原点,并以该原点建立空间直角坐标系,将右肺叶组织模型或左肺叶组织模型置于该空间直角坐标系中,便于后续将右肺叶组织模型划分成第一判断区域、第二判断区域;将左肺叶组织模型划分为第三判断区域、第四判断区域;第一矫正模块202根据右肺叶组织模型遍历第一判断区域,得到第一异常连通域,并根据第一异常连通域所在的区域将第一异常连通域对应矫正为右上段肺叶或右下段肺叶;第二矫正模块203遍历整个右肺叶组织模型,并得到右肺叶组织模型中任一肺叶组织的非最大连通域的集合以及其他两种肺叶组织中每一肺叶组织的最大连通域。其中,第一矫正模块202与第二矫正模块203均可以为技术人员编写的用于获取三维连通域的算法。判断模块204可以为与第二矫正模块203连接的形态学图像处理库,用于判断非最大连通域的集合与最大连通域的第一连接关系。第三矫正模块205可以为技术人员编写的用于矫正右肺叶组织模型中的异常区域的算法,用于根据第一连接关系对非最大连通域的集合进行矫正,以实现对右肺叶模型组织的矫正。
其中,在实际应用中,为了更好地将右肺叶组织至少分成第一判断区域和第二判断区域,可以假设右肺叶组织模型为理想中完全分割正确的右肺叶,具体如图4所示。根据假设中完全分割正确的右肺叶组织模型可以得到右下段肺叶的底部至右中段肺叶的底部的第一区域,右中段肺叶的顶部至右上段肺叶顶部的第二区域;该第一区域对应的是右下段肺叶的连通域出现的起点至右中段肺叶的连通域出现的起点,由右肺叶的结构可以确定,在该第一区域对应的范围内,只能存在右下段肺叶。该第二区域对应的是右中段肺叶的连通域消失的终点至右上段肺叶的连通域消失的终点,由右肺叶的结构可以确定,在该第二区域对应的范围内,只能存在右上段肺叶。第一区域与第二区域组合形成第一判断区域。
其中,在实际应用中,第一异常连通域包括第一区域中出现的除右下段肺叶以外的肺叶组织如右中段肺叶和/或右上段肺叶,以及第二区域中出现的除右上段肺叶以外的肺叶组织如右中段肺叶和/或右下段肺叶。判断第一判断区域中是否存在第一异常连通域的方式为,分别遍历第一判断区域中的第一区域与第二区域,由于第一区域中只存在右下段肺叶,第二区域中只存在右上段肺叶组织,因此在第一区域中的第一异常连通域为除右下段肺叶以外的其他肺叶组织,在第二区域中的第一异常连通域为除右上段肺叶以外的其他肺叶组织。
其中,在实际应用中,对第一异常连通域进行矫正,可以得到部分矫正后的右肺叶组织模型。该矫正仅仅是针对右肺叶模型中的第一区域以及第二区域的矫正,第一区域与第二区域之间的部分并未得到矫正,因此,为了保证右肺叶组织模型能够得到完全的矫正,因此还需要对第二判断区域中的异常部分进行矫正,第二判断区域位于第一区域与第二区域之间,如图4、图5中[a1:a3]对应的范围。为了实现对第二判断区域的矫正,可以遍历整个右肺叶组织模型以获取右上段肺叶、右中段肺叶以及右下段肺叶中任一肺叶组织的非最大连通域的集合,以及其他两种肺叶组织中每一种肺叶组织的最大连通域。其中,在右肺叶模型中,右上段肺叶、右中段肺叶以及右下段肺叶为互相不连通的三种类型的肺叶组织,其投影在二维平面上的影像信息显示有三种不同的灰度值,其中最大连通域表示:这三种类型中任一肺叶组织投影在二维平面的影像信息中显示的同类型的像素点连通面积最大的区域,非最大连通域的集合表示:这三种类型中任一肺叶组织投影在二维平面的影像信息中显示的同类型的像素点连通面积非最大的区域的集合,例如,对于右上段肺叶来说,在右肺叶组织模型中,由于分割精准度较低,会导致右上段肺叶以面积大小不同的块状区域呈现,并出现在右肺叶组织模型中的各个位置,面积最大的块状区域表示右上段肺叶的最大连通域,面积非最大的块状区域的集合表示右上段肺叶的非最大连通域的集合,其中,右上段肺叶的非最大连通域的集合中包括识别正确的右上段肺叶以及将右中段肺叶或右下段肺叶错误识别成右上段肺叶的异常区域。
其中,在实际应用中,由于第二判断区域中包含有右上段肺叶、右中段肺叶以及右下段肺叶,在检测判断第二判断区域的异常部分时相较于判断第一判断区域更加复杂。在获取到右肺叶组织模型的任一肺叶组织的非最大连通域的集合以及其他两种肺叶组织中每一肺叶组织的最大连通域之后,判断该非最大连通域的集合与最大连通域之间的第一连接关系。其中,该非最大连通域的集合为任一种肺叶组织除最大连通域以外的各个区域的集合,因此该非最大连通域的集合由多个部分组成,具体可划分为第一部分与第二部分。而第一连接关系也包括两种,其一为:第一部分仅与其他两种肺叶组织中其中一种肺叶组织的最大连通域相交;其二为:第二部分同时与其他两种肺叶组织的最大连通域相交。
其中,在实际应用中,第一部分为识别错误的异常区域,例如:右上段肺叶的非最大连通域的集合中存在仅与右中段肺叶的最大连通域相交,以及仅与右下段肺叶的最大连通域相交的第一部分,那么与右中段肺叶的最大连通域相交的第一部分则是将右中段肺叶错误识别成右上段肺叶的异常区域,与右下段肺叶的最大连通域相交的第一部分则是将右下段肺叶错误识别成右上段肺叶的异常区域,对第一部分进行矫正可以提高右肺叶模型分割的精准度。第二部分也为识别错误的异常区域,获取该第二部分并对其进行相应的矫正可以进一步提高右肺叶模型分割的精准度。
上述的矫正过程是对右肺叶模型进行的三维空间连通域的矫正,由于三维空间连通域会因右肺叶组织模型的形状以及角度问题,其投影在二维平面上的影像信息存在遮挡,会导致矫正不完全的问题,为了进一步优化矫正,可以在三维空间连通域的矫正的基础上,进行二维图像形态学的矫正,具体的矫正步骤为:遍历第一矫正结果的每一层切片,获取第四异常连通域,其中第四异常连通域为第一矫正结果的每一层切片中任一肺叶组织的非最大连通域的集合,并将第四异常连通域矫正为与其相交的最大连通域对应的肺叶组织。
本申请的目的是对整个肺叶进行矫正,因此,除了对右肺叶组织模型的矫正还需要完成对左肺叶组织模型的矫正。在实际应用中,由于左肺叶只存在左上段肺叶和左下段肺叶两部分,相较于右肺叶的结构更为简单,因此,可直接按照左上段肺叶以及左下段肺叶将左肺叶组织模型对应分成第三判断区域和第四判断区域,第三判断区域为左上段肺叶的底部至顶部,即左上段肺叶的连通域出现的起点至消失的终点。根据左肺叶的结构,左上段肺叶的连通域出现的起点至消失的终点应为连续的连通域,因此,在遍历第三判断区域时,很容易能够获取到左肺叶组织模型中出现的导致左上段肺叶的连通域不连续的第二异常连通域。其中,遍历第三判断区域的顺序是从左上段肺叶的底部向上遍历直至左上段肺叶的顶部。同理,第四判断区域为左下段肺叶的底部至顶部,即左下段肺叶的连通域出现的起点至消失的终点。根据左肺叶的结构,左下段肺叶的连通域出现的起点至消失的终点应为连续的连通域,因此,在遍历第四判断区域时,很容易能够获取到左肺叶组织模型中出现的导致左下段肺叶的连通域不连续的第三异常连通域。而后将第二异常连通域矫正为左上段肺叶,将第三异常连通域矫正为左下段肺叶,从而实现对左肺叶组织模型的矫正。
由上可知,本申请提供的肺叶分割矫正处理的装置,通过对三维的肺叶扫描数据的处理和二维平面图形的形态学处理,达到精准分割、矫正肺叶的目的。
请参照图3,图3为本申请实施例提供的一种电子设备的结构示意图,本申请提供一种电子设备3,包括:处理器301和存储器302,处理器301和存储器302通过通信总线303和/或其他形式的连接机构(未标出)互连并相互通讯,存储器302存储有处理器301可执行的计算机可读取指令,当电子设备运行时,处理器301执行该计算机可读取指令,以执行时执行上述实施例的任一可选的实现方式中的方法,以实现以下功能:将右肺叶组织模型至少分成第一判断区域和第二判断区域,第一判断区域有右上段肺叶、右下段肺叶,第二判断区域有右上段肺叶、右中段肺叶、右下段肺叶;在判断第一判断区域时,如果检测出有第一异常连通域,根据第一异常连通域所在的区域将第一异常连通域对应矫正为右上段肺叶或右下段肺叶;在判断第二判断区域时,遍历整个右肺叶组织模型中右上段肺叶、右中段肺叶以及右下段肺叶中任一肺叶组织的非最大连通域的集合以及其他两种肺叶组织中每一肺叶组织的最大连通域;判断非最大连通域的集合与最大连通域的第一连接关系;根据第一连接关系对非最大连通域的集合进行矫正。
本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时,执行上述实施例的任一可选的实现方式中的方法,以实现以下功能:将右肺叶组织模型至少分成第一判断区域和第二判断区域,第一判断区域有右上段肺叶、右下段肺叶,第二判断区域有右上段肺叶、右中段肺叶、右下段肺叶;在判断第一判断区域时,如果检测出有第一异常连通域,根据第一异常连通域所在的区域将第一异常连通域对应矫正为右上段肺叶或右下段肺叶;在判断第二判断区域时,遍历整个右肺叶组织模型中右上段肺叶、右中段肺叶以及右下段肺叶中任一肺叶组织的非最大连通域的集合以及其他两种肺叶组织中每一肺叶组织的最大连通域;判断非最大连通域的集合与最大连通域的第一连接关系;根据第一连接关系对非最大连通域的集合进行矫正。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,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信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
另外,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。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种肺叶分割矫正处理的方法,其特征在于,所述方法包括步骤:
S1:将右肺叶组织模型至少分成第一判断区域和第二判断区域,所述第一判断区域有右上段肺叶、右下段肺叶,所述第二判断区域有右上段肺叶、右中段肺叶、右下段肺叶;
S2:在判断所述第一判断区域时,如果检测出有第一异常连通域,根据第一异常连通域所在的区域将所述第一异常连通域对应矫正为右上段肺叶或右下段肺叶;
S3:在判断所述第二判断区域时,遍历整个所述右肺叶组织模型中右上段肺叶、右中段肺叶以及右下段肺叶中任一肺叶组织的非最大连通域的集合以及其他两种肺叶组织中每一肺叶组织的最大连通域;
S4:判断所述非最大连通域的集合与所述最大连通域的第一连接关系,所述第一连接关系包括:
所述非最大连通域的集合仅与其他两种肺叶组织中其中一种肺叶组织的最大连通域相交;
所述非最大连通域的集合同时与其他两种肺叶组织的最大连通域相交;
其中,所述非最大连通域的集合包括第一部分和第二部分,所述非最大连通域的集合中仅与其他两种肺叶组织中其中一种肺叶组织的最大连通域相交的为第一部分,所述非最大连通域的集合中同时与其他两种肺叶组织的最大连通域相交的为第二部分;
S5:根据第一连接关系对所述非最大连通域的集合进行矫正,将所述第一部分矫正为与其相交的最大连通域对应的肺叶组织,将所述第二部分矫正为与其相交的面积最大的最大连通域对应的肺叶组织。
2.根据权利要求1所述的一种肺叶分割矫正处理的方法,其特征在于,所述方法还包括步骤:
S6:将左肺叶组织模型分成第三判断区域和第四判断区域,所述第三判断区域为左上段肺叶,所述第四判断区域为左下段肺叶;
S7:在判断所述第三判断区域时,如果检测出有第二异常连通域,将所述第二异常连通域矫正为所述左上段肺叶;
S8:在判断所述第四判断区域时,如果检测出有第三异常连通域,将所述第三异常连通域矫正为所述左下段肺叶。
3.根据权利要求1所述的一种肺叶分割矫正处理的方法,其特征在于,步骤S5之后包括:
S56:获取对所述第二部分进行矫正得到的第一矫正结果;
S57:遍历所述第一矫正结果的每一层切片,获取第四异常连通域;
S58:矫正所述第四异常连通域,得到第二矫正结果。
4.根据权利要求2所述的一种肺叶分割矫正处理的方法,其特征在于,步骤S8之后包括:
S81:获取左肺叶组织模型的全部层切片;
S82:遍历所述全部层切片并选取左上段肺叶最大连通域的面积最大的第一层切片;
S83:获取所述第一层切片中的第一左下段肺叶非最大连通域的集合中与第一左上段肺叶最大连通域连接的第三部分;
S84:将所述第三部分矫正为所述左上段肺叶。
5.根据权利要求4所述的一种肺叶分割矫正处理的方法,其特征在于,步骤S84之后包括:
S85:遍历所述全部层切片并选取左下段肺叶最大连通域的面积最大的第二层切片;
S86:获取所述第二层切片中的第二左上段肺叶非最大连通域的集合中与第二左下段肺叶最大连通域连接的第四部分;
S87:将所述第四部分矫正为所述左下段肺叶。
6.一种肺叶分割矫正处理的装置,其特征在于,所述装置包括:
分割模块:用于将右肺叶组织模型至少分成第一判断区域和第二判断区域,所述第一判断区域有右上段肺叶、右下段肺叶,所述第二判断区域有右上段肺叶、右中段肺叶、右下段肺叶;
第一矫正模块:用于在判断所述第一判断区域时,如果检测出有第一异常连通域,根据第一异常连通域所在的区域将所述第一异常连通域对应矫正为右上段肺叶或右下段肺叶;
第二矫正模块:用于在判断所述第二判断区域时,遍历整个所述右肺叶组织模型中右上段肺叶、右中段肺叶以及右下段肺叶中任一肺叶组织的非最大连通域的集合以及其他两种肺叶组织中每一肺叶组织的最大连通域;
判断模块:用于判断所述非最大连通域的集合与所述最大连通域的第一连接关系,所述第一连接关系包括:
所述非最大连通域的集合仅与其他两种肺叶组织中其中一种肺叶组织的最大连通域相交;
所述非最大连通域的集合同时与其他两种肺叶组织的最大连通域相交;
其中,所述非最大连通域的集合包括第一部分和第二部分,所述非最大连通域的集合中仅与其他两种肺叶组织中其中一种肺叶组织的最大连通域相交的为第一部分,所述非最大连通域的集合中同时与其他两种肺叶组织的最大连通域相交的为第二部分;
第三矫正模块:用于根据第一连接关系对所述非最大连通域的集合进行矫正,将所述第一部分矫正为与其相交的最大连通域对应的肺叶组织,将所述第二部分矫正为与其相交的面积最大的最大连通域对应的肺叶组织。
7.一种电子设备,其特征在于,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1-5任一所述方法中的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时运行如权利要求1-5任一所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410013016.XA CN117523207B (zh) | 2024-01-04 | 2024-01-04 | 肺叶分割矫正处理的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410013016.XA CN117523207B (zh) | 2024-01-04 | 2024-01-04 | 肺叶分割矫正处理的方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117523207A true CN117523207A (zh) | 2024-02-06 |
CN117523207B CN117523207B (zh) | 2024-04-09 |
Family
ID=89764916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410013016.XA Active CN117523207B (zh) | 2024-01-04 | 2024-01-04 | 肺叶分割矫正处理的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117523207B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150254843A1 (en) * | 2012-09-13 | 2015-09-10 | The Regents Of The University Of California | Lung, lobe, and fissure imaging systems and methods |
CN107392910A (zh) * | 2017-07-06 | 2017-11-24 | 沈阳东软医疗系统有限公司 | 一种基于ct图像的肺叶分割方法及装置 |
CN110473207A (zh) * | 2019-07-30 | 2019-11-19 | 赛诺威盛科技(北京)有限公司 | 一种交互式分割肺叶的方法 |
CN111986206A (zh) * | 2019-05-24 | 2020-11-24 | 深圳市前海安测信息技术有限公司 | 基于UNet网络的肺叶分割方法、装置及计算机可读存储介质 |
CN112950554A (zh) * | 2021-02-05 | 2021-06-11 | 慧影医疗科技(北京)有限公司 | 一种基于肺分割的肺叶分割优化方法及系统 |
CN113129317A (zh) * | 2021-04-23 | 2021-07-16 | 广东省人民医院 | 一种基于流域分析技术的肺叶自动分段方法 |
US20220092791A1 (en) * | 2018-04-12 | 2022-03-24 | Veran Medical Technologies, Inc. | Methods for the Segmentation of Lungs, Lung Vasculature and Lung Lobes from CT Data and Clinical Applications |
CN114862861A (zh) * | 2022-07-11 | 2022-08-05 | 珠海横琴圣澳云智科技有限公司 | 基于少样本学习的肺叶分割方法和装置 |
CN116883426A (zh) * | 2023-07-03 | 2023-10-13 | 深圳蓝影医学科技股份有限公司 | 肺区分割、肺疾病评估方法及装置、电子设备和存储介质 |
-
2024
- 2024-01-04 CN CN202410013016.XA patent/CN117523207B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150254843A1 (en) * | 2012-09-13 | 2015-09-10 | The Regents Of The University Of California | Lung, lobe, and fissure imaging systems and methods |
CN107392910A (zh) * | 2017-07-06 | 2017-11-24 | 沈阳东软医疗系统有限公司 | 一种基于ct图像的肺叶分割方法及装置 |
US20220092791A1 (en) * | 2018-04-12 | 2022-03-24 | Veran Medical Technologies, Inc. | Methods for the Segmentation of Lungs, Lung Vasculature and Lung Lobes from CT Data and Clinical Applications |
CN111986206A (zh) * | 2019-05-24 | 2020-11-24 | 深圳市前海安测信息技术有限公司 | 基于UNet网络的肺叶分割方法、装置及计算机可读存储介质 |
CN110473207A (zh) * | 2019-07-30 | 2019-11-19 | 赛诺威盛科技(北京)有限公司 | 一种交互式分割肺叶的方法 |
CN112950554A (zh) * | 2021-02-05 | 2021-06-11 | 慧影医疗科技(北京)有限公司 | 一种基于肺分割的肺叶分割优化方法及系统 |
CN113129317A (zh) * | 2021-04-23 | 2021-07-16 | 广东省人民医院 | 一种基于流域分析技术的肺叶自动分段方法 |
CN114862861A (zh) * | 2022-07-11 | 2022-08-05 | 珠海横琴圣澳云智科技有限公司 | 基于少样本学习的肺叶分割方法和装置 |
CN116883426A (zh) * | 2023-07-03 | 2023-10-13 | 深圳蓝影医学科技股份有限公司 | 肺区分割、肺疾病评估方法及装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
刘莹芳 等: "一种基于CT图像的肺实质分割方法", 云南大学学报(自然科学版), no. 03, 10 May 2019 (2019-05-10), pages 38 - 45 * |
Also Published As
Publication number | Publication date |
---|---|
CN117523207B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520519B (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
Bauer et al. | Segmentation of interwoven 3d tubular tree structures utilizing shape priors and graph cuts | |
Chawla et al. | A method for automatic detection and classification of stroke from brain CT images | |
US7965810B2 (en) | Device and method for identifying occlusions | |
JP6329697B2 (ja) | 体組織の自動的なセグメンテーションおよび定量化のための方法 | |
CN112465772B (zh) | 眼底彩照图像血管评估方法、装置、计算机设备和介质 | |
CN110956636A (zh) | 一种图像处理方法及装置 | |
WO2022086910A1 (en) | Anatomically-informed deep learning on contrast-enhanced cardiac mri | |
CN111932495B (zh) | 一种医学图像检测方法、装置及存储介质 | |
CN118134898A (zh) | 一种全局融合的双通道视网膜血管分割方法 | |
CN114693672A (zh) | 一种基于图像处理的乳腺钼靶图像皮肤腺及乳头去除方法 | |
CN117523207B (zh) | 肺叶分割矫正处理的方法、装置、电子设备及存储介质 | |
Jeon et al. | Maximum a posteriori estimation method for aorta localization and coronary seed identification | |
Bulpitt et al. | Spiral CT of abdominal aortic aneurysms: comparison of segmentation with an automatic 3D deformable model and interactive segmentation | |
EP3624058A1 (en) | Method and system of analyzing symmetry from image data | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
CN112862787B (zh) | Cta影像数据处理方法、装置及存储介质 | |
CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
Beeravolu et al. | Methods for Detection and Measurement of Potential Broncho-Arterial Pairs in Chest Computed Tomography Scans of Children | |
CN113838557A (zh) | 一种医学影像三维重建模拟方法及系统 | |
CN117576126B (zh) | 一种肺叶分割的优化方法、装置、电子设备及存储介质 | |
CN109191523B (zh) | 一种用于识别胸部x线平片中心脏方位的方法和装置 | |
CN112862785A (zh) | Cta影像数据识别方法、装置及存储介质 | |
CN117635950B (zh) | 血管分割矫正处理的方法、装置、电子设备及存储介质 | |
CN108765415A (zh) | 一种具有阴影管理监测系统 |
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 |