CN117541733A - 胸肺重建方法、装置、电子设备及存储介质 - Google Patents
胸肺重建方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117541733A CN117541733A CN202410037427.2A CN202410037427A CN117541733A CN 117541733 A CN117541733 A CN 117541733A CN 202410037427 A CN202410037427 A CN 202410037427A CN 117541733 A CN117541733 A CN 117541733A
- Authority
- CN
- China
- Prior art keywords
- lung
- chest
- reconstruction
- model
- lobe
- 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 342
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000011218 segmentation Effects 0.000 claims abstract description 74
- 230000002612 cardiopulmonary effect Effects 0.000 claims description 6
- 210000004204 blood vessel Anatomy 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 6
- 210000000038 chest Anatomy 0.000 description 113
- 238000004891 communication Methods 0.000 description 6
- 210000000115 thoracic cavity Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 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
- 230000002792 vascular Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及医学影像处理技术领域,具体公开了一种胸肺重建方法、装置、电子设备及存储介质,其中,胸肺重建方法包括步骤:获取胸部CT数据集;基于二维语义分割模型分割并合并胸部CT数据集中各层肺叶区域以获取肺叶粗重建模型;根据肺叶粗重建模型生成肺部ROI区域;根据肺部ROI区域裁剪胸部CT数据集以获取胸肺CT数据集;基于胸肺CT数据集进行胸肺模型的三维重建;该胸肺重建方法利用肺部ROI区域去除胸部CT数据集中的无用数据再进行胸肺模型的三维重建,极大地减少了三维重建的数据推理量,能有效提高胸肺模型的三维重建效率。
Description
技术领域
本申请涉及医学影像处理技术领域,具体而言,涉及一种胸肺重建方法、装置、电子设备及存储介质。
背景技术
人体胸肺区域存在大量组织,例如肺叶、血管、结节等。
随着目前AI技术的快速发展,病理医师通过三维重建软件扫描患者的CT或MRI数据来重建病变区域进行手术辅助诊断的做法已经成为主流的方法。
现有的三维重建软件在保证具有足够高的重建精度的前提下难以兼顾重建速度,如表现较为优秀的重建模型都是基于nnUNET框架进行开发的,该类重建模型具有理想的推理精度,但推理过程极其缓慢,难以应用在具有时效要求的胸肺手术中。
针对上述问题,目前尚未有有效的技术解决方案。
发明内容
本申请的目的在于提供一种胸肺重建方法、装置、电子设备及存储介质,以提高胸肺模型的三维重建效率。
第一方面,本申请提供了一种胸肺重建方法,用于进行胸肺的三维重建,所述方法包括以下步骤:
S1、获取胸部CT数据集;
S2、基于二维语义分割模型分割并合并胸部CT数据集中各层肺叶区域以获取肺叶粗重建模型;
S3、根据所述肺叶粗重建模型生成肺部ROI区域;
S4、根据肺部ROI区域裁剪胸部CT数据集以获取胸肺CT数据集;
S5、基于所述胸肺CT数据集进行胸肺模型的三维重建。
本申请的胸肺重建方法基于二维语义分割模型快速分割肺叶区域以获取能表征肺叶大致形态的肺叶粗重建模型,并以此为基准确定能表征待重建组织所在区域的肺部ROI区域,然后利用该肺部ROI区域去除胸部CT数据集中的无用数据再进行胸肺模型的三维重建,极大地减少了三维重建的数据推理量,能有效提高胸肺模型的三维重建效率。
所述的胸肺重建方法,其中,所述二维语义分割模型包括左肺叶分割模型和右肺叶分割模型;
步骤S2包括以下步骤:
S21、分别基于左肺叶分割模型和右肺叶分割模型对所述胸部CT数据集分割处理以获取包括各层左肺叶区域的左肺叶数据集和包括各层右肺叶区域的右肺叶数据集;
S22、合并所述左肺叶数据集生成左肺叶重建模型,合并所述左肺叶数据集生成右肺叶重建模型;
S23、组合所述左肺叶重建模型和所述右肺叶重建模型获取所述肺叶粗重建模型。
在该示例中,左肺叶分割模型和右肺叶分割模型仅需保留单一类别的最大连通域即可实现对象的划分,无需判断左肺叶和右肺叶是否出现黏连的现象,具有判断逻辑简单、分割准确率高、分割高效的优势。
所述的胸肺重建方法,其中,步骤S3包括以下步骤:
S31、根据所述肺叶粗重建模型建立最小外接长方体作为所述肺部ROI区域。
本申请的胸肺重建方法基于最小外接长方体构建的肺部ROI区域能便捷、准确地将肺部中待重建的组织囊括在内,且能大幅度地去除无用数据。
所述的胸肺重建方法,其中,步骤S3还包括执行于步骤S31之后的步骤:
S32、基于预设距离向外扩大所述肺部ROI区域。
所述的胸肺重建方法,其中,所述方法还包括执行于步骤S2和步骤S3之间的步骤:
SA、基于预设的下采样倍率对所述肺叶粗重建模型进行下采样处理;
所述方法还包括执行于步骤S3和步骤S4之间的步骤:
SB、基于所述下采样倍率对所述肺部ROI区域进行放大处理。
所述的胸肺重建方法,其中,所述下采样倍率为2-8倍。
所述的胸肺重建方法,其中,步骤S5包括以下步骤:
根据所述胸肺CT数据集同时进行血管模型的三维重建和肺叶模型的三维重建;
合并所述血管模型和所述肺叶模型以获取所述胸肺模型。
第二方面,本申请还提供了一种胸肺重建装置,用于进行胸肺的三维重建,所述装置包括:
获取模块,用于获取胸部CT数据集;
粗重建模块,用于基于二维语义分割模型分割并合并胸部CT数据集中各层肺叶区域以获取肺叶粗重建模型;
区域划分模块,用于根据所述肺叶粗重建模型生成肺部ROI区域;
裁剪模块,用于根据肺部ROI区域裁剪胸部CT数据集以获取胸肺CT数据集;
重建模块,用于基于所述胸肺CT数据集进行胸肺模型的三维重建。
本申请的胸肺重建装置基于二维语义分割模型快速分割肺叶区域以获取能表征肺叶大致形态的肺叶粗重建模型,并以此为基准确定能表征待重建组织所在区域的肺部ROI区域,然后利用该肺部ROI区域去除胸部CT数据集中的无用数据再进行胸肺模型的三维重建,极大地减少了三维重建的数据推理量,能有效提高胸肺模型的三维重建效率。
第三方面,本申请还提供了一种电子设备,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,运行如上述第一方面提供的所述方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
由上可知,本申请提供了一种胸肺重建方法、装置、电子设备及存储介质,其中,胸肺重建方法基于二维语义分割模型快速分割肺叶区域以获取能表征肺叶大致形态的肺叶粗重建模型,并以此为基准确定能表征待重建组织所在区域的肺部ROI区域,然后利用该肺部ROI区域去除胸部CT数据集中的无用数据再进行胸肺模型的三维重建,极大地减少了三维重建的数据推理量,能有效提高胸肺模型的三维重建效率。
附图说明
图1为本申请实施例提供的胸肺重建方法的流程图。
图2为本申请另一实施例提供的胸肺重建方法的流程图。
图3为本申请实施例提供的胸肺重建装置的结构示意图。
图4为本申请另一实施例提供的胸肺重建装置的结构示意图。
图5为本申请实施例提供的电子设备的结构示意图。
附图标记:201、获取模块;202、粗重建模块;203、区域划分模块;204、裁剪模块;205、重建模块;206、缩小模块;207、扩大模块;301、处理器;302、存储器;303、通信总线。
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、完整地描述,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示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。
第一方面,请参照图1和图2,本申请一些实施例提供了一种胸肺重建方法,用于进行胸肺的三维重建,方法包括以下步骤:
S1、获取胸部CT数据集;
S2、基于二维语义分割模型分割并合并胸部CT数据集中各层肺叶区域以获取肺叶粗重建模型;
S3、根据肺叶粗重建模型生成肺部ROI区域;
S4、根据肺部ROI区域裁剪胸部CT数据集以获取胸肺CT数据集;
S5、基于胸肺CT数据集进行胸肺模型的三维重建。
具体地,现有的胸肺重建方法一般是基于nnUNET框架开发的能基于CT数据进行三维重建的推理模型,但该框架下构建的推理模型需要根据完整的胸部CT数据集进行分析推理,其推理速度极其缓慢,本申请实施例的胸肺重建方法旨在根据胸部CT数据集中肺部具体的分布区域来对胸部CT数据集进行裁剪筛选处理,使得推理模型能基于裁剪后的CT数据进行推理,以在有效减少数据分析量的情况下提高模型的三维重建效率。
需要说明的是,步骤S5可以采用各类基于CT数据进行三维重建的胸肺推理模型进行胸肺模型的三维重建,优选为利用nnUNET框架开发的胸肺推理模型进行胸肺模型的三维重建。
更具体地,胸部CT数据集为对人体胸部进行CT扫描获取的数据集,本申请实施例的胸肺重建方法旨在根据该胸部CT数据集快速完成人体胸肺模型的三维重建,以便进行病理分析和手术引导。
更具体地,步骤S2中的二维语义分割模型为预先训练好的语义模型,胸部CT数据集包括多层按照扫描方向依次设置的CT图像数据,该二维语义分割模型用于对胸部CT数据集中各层CT图像数据进行二值分割处理,以确定每层CT图像数据中的肺叶占据范围来作为肺叶区域,步骤S2将各层CT图像数据中的肺叶区域依照扫描方向进行合并,即可获得肺叶粗重建模型,该肺叶粗重建模型代表了人体肺叶的大致形态。
更具体地,该二维语义分割模型为属于轻量级的语义分割模型,能实现图像的快速分割,在本申请实施例中优选为BiSeNet v2模型,其分割精度欠佳但具有优异的分割速度,本申请实施例的胸肺重建方法旨在利用该二维语义分割模型进行肺叶的粗重建以快速确定肺叶的大致形态及其所在区域,并非实际作用于胸肺模型的三维重建,故该二维语义分割模型能满足使用需求。
更具体地,在获取了能大致表征肺叶形态的肺叶粗重建模型后,由于胸肺需要三维重建的组织都位于肺叶及肺叶之间的区域内,故步骤S3能基于该肺叶粗重建模型的三维结构确定需要重建的组织所在的区域,以作为肺部ROI(Region of Interest,感兴趣)区域,然后步骤S4基于该肺部ROI区域可以去除胸部CT数据集中与需要重建的组织必然无关的CT数据,从而生成胸肺CT数据集;一般情况下,基于实际肺叶的体积大小可知,胸肺CT数据集仅占胸部CT数据集的20%-30%;在该基础上,步骤S5在去除了70%-80%的无用数据的情况下根据胸肺CT数据集进行胸肺模型的重建,极大地减少了三维重建的数据推理量,能有效提高胸肺模型的三维重建效率。
本申请实施例的胸肺重建方法基于二维语义分割模型快速分割肺叶区域以获取能表征肺叶大致形态的肺叶粗重建模型,并以此为基准确定能表征待重建组织所在区域的肺部ROI区域,然后利用该肺部ROI区域去除胸部CT数据集中的无用数据再进行胸肺模型的三维重建,极大地减少了三维重建的数据推理量,能有效提高胸肺模型的三维重建效率。
需要说明的是,肺叶粗重建模型为用于确定肺叶外轮廓特点的外轮廓模型,其本身不包含类似胸肺模型的内部组织特征信息,故其能基于二维语义分割模型分割产生的数据迅速生成。
在一些优选的实施方式中,二维语义分割模型包括左肺叶分割模型和右肺叶分割模型;
步骤S2包括以下步骤:
S21、分别基于左肺叶分割模型和右肺叶分割模型对胸部CT数据集分割处理以获取包括各层左肺叶区域的左肺叶数据集和包括各层右肺叶区域的右肺叶数据集;
S22、合并左肺叶数据集生成左肺叶重建模型,合并左肺叶数据集生成右肺叶重建模型;
S23、组合左肺叶重建模型和右肺叶重建模型获取肺叶粗重建模型。
具体地,左肺叶分割模型和右肺叶分割模型均分别为预先训练好的、分别用于将CT图像数据中的左肺叶和右肺叶分割出来的二维语义分割模型,其中,左肺叶分割模型和右肺叶分割模型的训练过程可以采用常用的标签训练模式来训练获取,在此不再赘述。
更具体地,由于二维语义分割模型的分割精度较差,而不同层的CT图像数据中的左肺叶和右肺叶可能是黏连的,也可能是不黏连的,对于左肺叶和右肺叶黏连的CT图像数据,该二维语义分割模型需要保留一个最大连通域来实现肺叶区域的分割,对于左肺叶和右肺叶不黏连的CT图像数据,该二维语义分割模型需要保留两个最大连通域来实现肺叶区域的分割,导致该二维语义分割模型在进行图像分割时需要判断左肺叶和右肺叶的连接状态,会导致二维语义分割模型更复杂、准确性更低、分割时间更长;因此,本申请实施例的胸肺重建方法采用两个二维语义分割模型(左肺叶分割模型和右肺叶分割模型)来分别进行左肺叶区域和右肺叶区域的分割;对于单个二维语义分割模型而言,左肺叶分割模型和右肺叶分割模型仅需保留单一类别的最大连通域即可实现对象的划分,无需判断左肺叶和右肺叶是否出现黏连的现象,具有判断逻辑简单、分割准确率高、分割高效的优势;因此,在该实施方式中,分割处理可以直接去除非最大连通域的数据(即将非最大连通域的属性交换),仅保留单一类别的肺叶的最大连通域即可。
更具体地,胸部CT数据集经过左肺叶分割模型处理后形成包括多个区分出左肺叶区域的二值图像的左肺叶数据集,胸部CT数据集经过右肺叶分割模型处理后形成包括多个区分出右肺叶区域的二值图像的右肺叶数据集;左肺叶数据集依照扫描方向进行合并即可获得左肺叶重建模型,右肺叶数据集依照扫描方向进行合并即可获得右肺叶重建模型,步骤S23基于左肺叶重建模型和右肺叶重建模型在胸部CT数据集中的位置合并两个模型即可获得能表征肺叶大致形态的肺叶粗重建模型。
更具体地,在一些别的实施方式中,步骤S21和步骤S22可以同步进行,即本申请实施例的胸肺重建方法可以边执行步骤S21的左肺叶分割模型和右肺叶分割模型分别逐层分割出包括左肺叶区域的二值图像和包括右肺叶区域的二值图像,边执行步骤S22来将分别根据两类二值图像合并生成左肺叶重建模型和右肺叶重建模型,直至胸部CT数据集中的CT图像数据均完成分割及合并;边分割边合并的处理方式能有效提高肺叶粗重建模型的获取效率。
在一些别的实施方式中,步骤S2在执行步骤S21后,还可以是组合左肺叶数据集和右肺叶数据集获取包含左肺叶区域和右肺叶区域的肺叶数据集,然后通过合并肺叶数据集直接生成肺叶粗重建模型。
在一些优选的实施方式中,步骤S3包括以下步骤:
S31、根据肺叶粗重建模型建立最小外接长方体作为肺部ROI区域。
具体地,在别的实施方式中,肺部ROI区域还可以是圆柱状、圆台状、棱台状等中的一种;由于左右肺叶为近乎对称分布,本申请实施例的胸肺重建方法基于最小外接长方体构建的肺部ROI区域能便捷、准确地将肺部中待重建的组织囊括在内,且能大幅度地去除无用数据。
更具体地,建立最小外接长方体的过程可以基于现有技术中各类基于特定实体模型生成最小外接长方体的生成算法来实现;本申请实施例的胸肺重建方法则优选为:统计肺叶粗重建模型所有外轮廓点的空间坐标,基于这些空间坐标生成最小外接长方体以作为肺部ROI区域。
在一些优选的实施方式中,步骤S3还包括执行于步骤S31之后的步骤:
S32、基于预设距离向外扩大肺部ROI区域。
具体地,由于肺叶粗重建模型是基于分割速度快但分割精度欠佳的二维语义分割模型生成的,部分肺部表面组织可能由于精度偏差而未能囊括在肺部ROI区域中,故本申请实施例的胸肺重建方法基于预设距离向外扩大肺部ROI区域以确保肺部ROI区域能有效囊括所有需要重建的组织所在的区域。
更具体地,步骤S32优选为以肺部ROI区域的中心点为中心、基于预设距离向外平移肺部ROI区域的各个面来实现肺部ROI区域的扩大。
更具体地,预设距离可以根据胸部CT数据集的扫描精度来确定,在本申请实施例中,优选为5个坐标值。
在一些优选的实施方式中,方法还包括执行于步骤S2和步骤S3之间的步骤:
SA、基于预设的下采样倍率对肺叶粗重建模型进行下采样处理;
方法还包括执行于步骤S3和步骤S4之间的步骤:
SB、基于下采样倍率对肺部ROI区域进行放大处理。
具体地,为了进一步提高肺部ROI区域的分析提取速度,本申请实施例的胸肺重建方法基于步骤SA缩小肺叶粗重建模型以减少生成肺部ROI区域所需要分析的数据量,该情况下生成的肺部ROI区域为缩小了的区域,故需要利用步骤SB扩大该肺部ROI区域以放大至能与原本的胸部CT数据集匹配使用的大小;在该实施方式中,步骤S3所用的肺叶粗重建模型为缩小后的肺叶粗重建模型,步骤S4所用的肺部ROI区域为放大处理后的肺部ROI区域。
更具体地,前述步骤S32的扩大行为能有效补偿步骤SA和步骤S31操作引起的肺部ROI区域的大小偏差,以确保肺部ROI区域能有效囊括所有需要重建的组织所在的区域。
需要说明的是,下采样倍率越大,步骤SA和步骤S31操作引起的肺部ROI区域的大小偏差越大,相对地,相同的预设距离能产生更大补偿的范围,故预设距离不需要对应调整。
在一些优选的实施方式中,下采样倍率为2-8倍。
具体地,下采样倍率可以限定为可选择的2、4、8倍,在本申请实施例中,优选为2倍,2倍的下采样倍率能平衡兼顾肺部ROI区域的提取速度和肺叶粗重建模型的轮廓精度,使得肺部ROI区域具有生成速度快、囊括精度高的特点。
在一些优选的实施方式中,步骤S5包括以下步骤:
S51、根据胸肺CT数据集同时进行血管模型的三维重建和肺叶模型的三维重建;
S52、合并血管模型和肺叶模型以获取胸肺模型。
具体地,胸肺推理模型包括基于nnUNET框架开发的血管分割重建模型、肺叶分割重建模型,步骤S51为利用血管分割重建模型、肺叶分割重建模型分别进行血管模型的三维重建和肺叶模型的三维重建。
更具体地,相比起分类逐步重建的处理方式,本申请实施例的胸肺重建方法并行重建血管和肺叶能进一步提高胸肺模型的重建效率。
第二方面,请参照图3和图4,本申请一些实施例还提供了一种胸肺重建装置,用于进行胸肺的三维重建,装置包括:
获取模块201,用于获取胸部CT数据集;
粗重建模块202,用于基于二维语义分割模型分割并合并胸部CT数据集中各层肺叶区域以获取肺叶粗重建模型;
区域划分模块203,用于根据肺叶粗重建模型生成肺部ROI区域;
裁剪模块204,用于根据肺部ROI区域裁剪胸部CT数据集以获取胸肺CT数据集;
重建模块205,用于基于胸肺CT数据集进行胸肺模型的三维重建。
本申请实施例的胸肺重建装置基于二维语义分割模型快速分割肺叶区域以获取能表征肺叶大致形态的肺叶粗重建模型,并以此为基准确定能表征待重建组织所在区域的肺部ROI区域,然后利用该肺部ROI区域去除胸部CT数据集中的无用数据再进行胸肺模型的三维重建,极大地减少了三维重建的数据推理量,能有效提高胸肺模型的三维重建效率。
在一些优选的实施方式中,胸肺重建装置还包括:
连接于粗重建模块202和区域划分模块203的缩小模块206,用于基于预设的下采样倍率对肺叶粗重建模型进行下采样处理;
连接于区域划分模块203和裁剪模块204的扩大模块207,用于基于下采样倍率对肺部ROI区域进行放大处理。
在一些优选的实施方式中,本申请实施例的胸肺重建装置用于执行上述第一方面提供的胸肺重建方法。
第三方面,请参照图5,本申请一些实施例还提供了一种电子设备的结构示意图,本申请提供一种电子设备,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。
第四方面,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,该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。其中,计算机可读存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory, 简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory, 简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory, 简称EPROM),可编程只读存储器(Programmable Red-Only Memory, 简称PROM),只读存储器(Read-OnlyMemory, 简称ROM),磁存储器,快闪存储器,磁盘或光盘。
综上,本申请提供了一种胸肺重建方法、装置、电子设备及存储介质,其中,胸肺重建方法基于二维语义分割模型快速分割肺叶区域以获取能表征肺叶大致形态的肺叶粗重建模型,并以此为基准确定能表征待重建组织所在区域的肺部ROI区域,然后利用该肺部ROI区域去除胸部CT数据集中的无用数据再进行胸肺模型的三维重建,极大地减少了三维重建的数据推理量,能有效提高胸肺模型的三维重建效率。
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,可以通过其它的方式实现。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,机械或其它的形式。
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,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种胸肺重建方法,用于进行胸肺的三维重建,其特征在于,所述方法包括以下步骤:
S1、获取胸部CT数据集;
S2、基于二维语义分割模型分割并合并胸部CT数据集中各层肺叶区域以获取肺叶粗重建模型;
S3、根据所述肺叶粗重建模型生成肺部ROI区域;
S4、根据肺部ROI区域裁剪胸部CT数据集以获取胸肺CT数据集;
S5、基于所述胸肺CT数据集进行胸肺模型的三维重建。
2.根据权利要求1所述的胸肺重建方法,其特征在于,所述二维语义分割模型包括左肺叶分割模型和右肺叶分割模型;
步骤S2包括以下步骤:
S21、分别基于左肺叶分割模型和右肺叶分割模型对所述胸部CT数据集分割处理以获取包括各层左肺叶区域的左肺叶数据集和包括各层右肺叶区域的右肺叶数据集;
S22、合并所述左肺叶数据集生成左肺叶重建模型,合并所述左肺叶数据集生成右肺叶重建模型;
S23、组合所述左肺叶重建模型和所述右肺叶重建模型获取所述肺叶粗重建模型。
3.根据权利要求1所述的胸肺重建方法,其特征在于,步骤S3包括以下步骤:
S31、根据所述肺叶粗重建模型建立最小外接长方体作为所述肺部ROI区域。
4.根据权利要求3所述的胸肺重建方法,其特征在于,步骤S3还包括执行于步骤S31之后的步骤:
S32、基于预设距离向外扩大所述肺部ROI区域。
5.根据权利要求1所述的胸肺重建方法,其特征在于,所述方法还包括执行于步骤S2和步骤S3之间的步骤:
SA、基于预设的下采样倍率对所述肺叶粗重建模型进行下采样处理;
所述方法还包括执行于步骤S3和步骤S4之间的步骤:
SB、基于所述下采样倍率对所述肺部ROI区域进行放大处理。
6.根据权利要求5所述的胸肺重建方法,其特征在于,所述下采样倍率为2-8倍。
7.根据权利要求1所述的胸肺重建方法,其特征在于,步骤S5包括以下步骤:
根据所述胸肺CT数据集同时进行血管模型的三维重建和肺叶模型的三维重建;
合并所述血管模型和所述肺叶模型以获取所述胸肺模型。
8.一种胸肺重建装置,用于进行胸肺的三维重建,其特征在于,所述装置包括:
获取模块,用于获取胸部CT数据集;
粗重建模块,用于基于二维语义分割模型分割并合并胸部CT数据集中各层肺叶区域以获取肺叶粗重建模型;
区域划分模块,用于根据所述肺叶粗重建模型生成肺部ROI区域;
裁剪模块,用于根据肺部ROI区域裁剪胸部CT数据集以获取胸肺CT数据集;
重建模块,用于基于所述胸肺CT数据集进行胸肺模型的三维重建。
9.一种电子设备,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1-7任一项所述方法中的步骤。
10.一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1-7任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410037427.2A CN117541733B (zh) | 2024-01-10 | 2024-01-10 | 胸肺重建方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410037427.2A CN117541733B (zh) | 2024-01-10 | 2024-01-10 | 胸肺重建方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117541733A true CN117541733A (zh) | 2024-02-09 |
CN117541733B CN117541733B (zh) | 2024-05-14 |
Family
ID=89796308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410037427.2A Active CN117541733B (zh) | 2024-01-10 | 2024-01-10 | 胸肺重建方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117541733B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751178A (zh) * | 2015-03-31 | 2015-07-01 | 上海理工大学 | 基于形状模板匹配结合分类器的肺结节检测装置及方法 |
CN107230204A (zh) * | 2017-05-24 | 2017-10-03 | 东北大学 | 一种从胸部ct图像中提取肺叶的方法及装置 |
CN111062955A (zh) * | 2020-03-18 | 2020-04-24 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据分割方法及系统 |
CN111199566A (zh) * | 2019-12-31 | 2020-05-26 | 上海联影智能医疗科技有限公司 | 医疗图像处理方法、装置、存储介质及计算机设备 |
CN113409328A (zh) * | 2021-06-02 | 2021-09-17 | 东北大学 | Ct图像的肺动静脉分割方法、装置、介质及设备 |
CN113870167A (zh) * | 2020-06-11 | 2021-12-31 | 通用电气精准医疗有限责任公司 | 用于对肺部图像进行分割的方法、系统以及存储介质 |
CN115423819A (zh) * | 2022-07-20 | 2022-12-02 | 东北大学 | 肺血管的分割方法及装置、电子设备和存储介质 |
-
2024
- 2024-01-10 CN CN202410037427.2A patent/CN117541733B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751178A (zh) * | 2015-03-31 | 2015-07-01 | 上海理工大学 | 基于形状模板匹配结合分类器的肺结节检测装置及方法 |
CN107230204A (zh) * | 2017-05-24 | 2017-10-03 | 东北大学 | 一种从胸部ct图像中提取肺叶的方法及装置 |
CN111199566A (zh) * | 2019-12-31 | 2020-05-26 | 上海联影智能医疗科技有限公司 | 医疗图像处理方法、装置、存储介质及计算机设备 |
CN111062955A (zh) * | 2020-03-18 | 2020-04-24 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据分割方法及系统 |
CN113870167A (zh) * | 2020-06-11 | 2021-12-31 | 通用电气精准医疗有限责任公司 | 用于对肺部图像进行分割的方法、系统以及存储介质 |
CN113409328A (zh) * | 2021-06-02 | 2021-09-17 | 东北大学 | Ct图像的肺动静脉分割方法、装置、介质及设备 |
CN115423819A (zh) * | 2022-07-20 | 2022-12-02 | 东北大学 | 肺血管的分割方法及装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117541733B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021238438A1 (zh) | 肿瘤图像的处理方法和装置、电子设备、存储介质 | |
US20070165917A1 (en) | Fully automatic vessel tree segmentation | |
CN112991365B (zh) | 一种冠状动脉分割方法、系统及存储介质 | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN115359063B (zh) | 基于目标器官三维图像的刚性配准方法及相关装置 | |
CN115100066A (zh) | 图像重建方法及装置 | |
CN111724389B (zh) | 髋关节ct图像分割方法、装置、存储介质和计算机设备 | |
CN116563533A (zh) | 基于目标位置先验信息的医学图像分割方法及系统 | |
CN113129418A (zh) | 基于三维影像的目标表面重建方法、装置、设备和介质 | |
CN116051738A (zh) | 基于cta影像的冠状动脉血管模型重构的方法和可读存储介质 | |
WO2021081771A1 (zh) | 基于vrds ai医学影像的心脏冠脉的分析方法和相关装置 | |
CN115705638A (zh) | 医学图像优化方法、系统、电子设备及存储介质 | |
CN111627023B (zh) | 一种冠脉投影图像生成的方法、装置及计算机可读介质 | |
CN117541733B (zh) | 胸肺重建方法、装置、电子设备及存储介质 | |
CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
CN105260609A (zh) | 一种存储医学图像的方法和装置 | |
CN115018825B (zh) | 一种冠脉优势型的分类方法、分类装置及存储介质 | |
KR20150020830A (ko) | 혈관의 정량화 방법 | |
CN113362327B (zh) | 一种胸腔图像中的区域分割方法、装置、终端及存储介质 | |
CN114596275A (zh) | 肺血管分割方法、装置、存储介质及电子设备 | |
JP5586953B2 (ja) | 解剖学的形状情報を用いた医学画像データベースへのアクセス | |
Chen et al. | Hybrid‐attention densely connected U‐Net with GAP for extracting livers from CT volumes | |
WO2021081850A1 (zh) | 基于vrds 4d医学影像的脊椎疾病识别方法及相关装置 | |
WO2020168695A1 (zh) | 基于VRDS 4D医学影像的肿瘤与血管Ai处理方法及产品 | |
Cai et al. | [Retracted] Detection of 3D Arterial Centerline Extraction in Spiral CT Coronary Angiography |
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 |