CN117576126B - 一种肺叶分割的优化方法、装置、电子设备及存储介质 - Google Patents
一种肺叶分割的优化方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117576126B CN117576126B CN202410062409.XA CN202410062409A CN117576126B CN 117576126 B CN117576126 B CN 117576126B CN 202410062409 A CN202410062409 A CN 202410062409A CN 117576126 B CN117576126 B CN 117576126B
- Authority
- CN
- China
- Prior art keywords
- lung lobe
- tissue
- dimensional
- lobe
- 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.)
- Active
Links
- 210000004072 lung Anatomy 0.000 title claims abstract description 861
- 230000011218 segmentation Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000002591 computed tomography Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000000926 separation method Methods 0.000 claims description 31
- 239000010410 layer Substances 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 18
- 239000012790 adhesive layer Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 abstract description 16
- 238000013135 deep learning Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 210000004204 blood vessel Anatomy 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 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
- 230000006870 function Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 229920000297 Rayon Polymers 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06T7/10—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本申请提供了一种肺叶分割的优化方法、装置、电子设备及存储介质,应用于图像处理技术领域,通过对CT扫描重建的三维肺叶推理结果进行二维平面的转化,并采用形态学连通域的方式分割熔断粘黏区域的左肺叶组织与右肺叶组织,并将分离出来的左肺叶组织与右肺叶组织对应到三维肺叶推理结果中,在三维空间中对三维肺叶推理结果进行矫正,达到精准分割的目的,解决重建出来的三维肺叶推理结果存在左右肺叶粘黏的问题。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种肺叶分割的优化方法、装置、电子设备及存储介质。
背景技术
基于CT、MRI数据的三维重建是深度学习计算机视觉领域的分支,通过AI模型进行三维重建,并将推理结果以特定的方式可视化在特定的医疗诊断辅助设备辅助医生对病人进行手术。
但是肺叶分割在目前存在一些缺陷,仅依靠深度学习无法解决左右两侧肺叶的交叉现象,即部分左侧肺叶区域被预测为右侧肺叶,部分右侧肺叶区域被预测为左侧肺叶;两侧肺叶相交的地方存在肺叶粘黏的现象。造成这种现象的原因是患者在医院进行CT取样时身体可能没有完全正对于机器,导致身体与机器之间存在一定的夹角,最终在CT数据中呈现的结果是左右两侧肺叶过于靠近以及深度学习存在一定的误差不能完全精准分割肺叶,使重建出来的三维肺叶推理结果存在左右肺叶粘黏的问题。
因此,现有的基于CT、MRI的三维重建技术存在分割误差大,不能完全精准分割肺叶,使重建出来的三维肺叶推理结果存在左右肺叶粘黏的问题。
发明内容
鉴于上述现有技术的不足之处,本申请提供的一种肺叶分割的优化方法、装置、电子设备及存储介质,应用于图像处理技术领域,通过对CT扫描重建的三维肺叶推理结果进行二维平面的转化,并采用形态学连通域的方式分割熔断粘黏区域的左肺叶组织与右肺叶组织,并将分离出来的左肺叶组织与右肺叶组织对应到三维肺叶推理结果中,在三维空间中对三维肺叶推理结果进行矫正,达到精准分割的目的,解决重建出来的三维肺叶推理结果存在左右肺叶粘黏的问题。
第一方面,本申请提供一种肺叶分割的优化方法,该方法包括步骤:
S1:获取CT扫描重建的三维肺叶推理结果;
S2:遍历所述三维肺叶推理结果的每一层切片,获取每一层切片中存在左右肺叶粘黏的二维粘黏层切片;
S3:获取所述二维粘黏层切片中的左肺叶组织的第一连通域与右肺叶组织的第二连通域,并分离所述第一连通域与所述第二连通域,得到分离结果;
S4:将所述分离结果对应到所述三维肺叶推理结果中,获取所述第一连通域与所述三维肺叶推理结果中肺叶组织的第一连接关系以及所述第二连通域与所述三维肺叶推理结果中肺叶组织的第二连接关系,并根据所述第一连接关系与所述第二连接关系对所述三维肺叶推理结果进行矫正。
本申请提出的一种肺叶分割的优化方法,通过获取CT扫描重建的三维肺叶推理结果,但该三维肺叶推理结果并不准确,存在有异常区域,如:将左肺叶误识为右肺叶的区域,将右肺叶误识为左肺叶的区域以及左右肺叶存在粘黏的区域,为了对该三维肺叶推理结果进行矫正,使左肺叶组织与右肺叶组织能够被精准分割,可以将三维肺叶推理结果转化为二维图像,对其中左右肺叶粘黏的区域进行分离矫正,具体为:遍历三维肺叶推理结果的每一层切片,并获取每一层切片中存在左右肺叶粘黏的二维粘黏层切片,而后通过形态学连通域的方式将二维粘黏层切片中粘连在一起的左肺叶组织与右肺叶组织分离开,而后将在二维平面上分离开的左肺叶组织与右肺叶组织对应到三维空间中的三维肺叶推理结果中,对三维肺叶推理结果进行对应的矫正,使三维肺叶推理结果为分割准确的肺叶模型,解决现有技术中三维重建的肺叶模型存在的左右肺叶粘黏的问题。
进一步地,步骤S4包括:
S41:将所述第一连接关系中所述第一连通域与所述三维肺叶推理结果中的右肺叶组织连接的部分矫正为右肺叶组织;
S42:将所述第二连接关系中所述第二连通域与所述三维肺叶推理结果中的左肺叶组织连接的部分矫正为左肺叶组织。
本申请提出的一种肺叶分割的优化方法,通过将第一连接关系中第一连通域与三维肺叶推理结果中的右肺叶组织连接的部分矫正为右肺叶组织,将第二连接关系中第二连通域与所述三维肺叶推理结果中的左肺叶组织连接的部分矫正为左肺叶组织,可以在将粘黏区域中的左肺叶组织与右肺叶组织分割开后,将左肺叶组织中错误识别为右肺叶组织的部分矫正为左肺叶组织,将右肺叶组织中错误识别为左肺叶组织的部分矫正为右肺叶组织,以实现对三维肺叶推理结果中的左右肺叶组织进行分割优化,解决三维肺叶推理结果中存在的左右肺叶粘黏的问题。
进一步地,步骤S4之后包括:
S5:获取矫正后的所述三维肺叶推理结果,并分别提取所述矫正后的所述三维肺叶推理结果中的左肺叶模型与右肺叶模型;
S6:分别将所述左肺叶模型与所述右肺叶模型输入肺叶分割模型中,对应得到左上肺叶模型、左下肺叶模型与右上肺叶模型、右下肺叶模型、右中肺叶模型;
S7:合并所述左上肺叶模型、所述左下肺叶模型、所述右上肺叶模型、所述右下肺叶模型以及右中肺叶模型得到肺叶分割结果。
本申请提出的一种肺叶分割的优化方法,在对三维肺叶推理结果进行矫正后,将左肺叶模型与右肺叶模型分别输入较为精准的肺叶分割模型中,分割出左上肺叶模型、左下肺叶模型与右上肺叶模型、右下肺叶模型、右中肺叶模型,实现肺叶模型的精准分割。
进一步地,步骤S1包括:
S11:获取CT扫描的肺叶数据信息;
S12:根据所述肺叶数据信息重建三维肺叶模型;
S13:获取所述三维肺叶模型中左肺叶组织的最大连通域、左肺叶组织的非最大连通域的集合,以及右肺叶组织的最大连通域、右肺叶组织的非最大连通域的集合;
S14:保留所述左肺叶组织的最大连通域与所述右肺叶组织的最大连通域,将所述左肺叶组织的非最大连通域的集合中与所述右肺叶组织的最大连通域连接的部分矫正为右肺叶组织,将所述右肺叶组织的非最大连通域的集合中与所述左肺叶组织的最大连通域连接的部分矫正为左肺叶组织,得到三维肺叶推理结果。
本申请提出的一种肺叶分割的优化方法,通过获取CT扫描的肺叶数据信息,再结合AI建模可以得到重建的三维肺叶模型,通过该方式重建得到的三维肺叶模型并不精准,存在有左肺叶组织被误识为右肺叶组织和/或右肺叶组织被误识为左肺叶组织的问题,为了解决该问题,可以通过形态学的方式,获取三维空间中三维肺叶模型中左肺叶组织的最大连通域、左肺叶组织的非最大连通域的集合,以及右肺叶组织的最大连通域、右肺叶组织的非最大连通域的集合,保留左肺叶组织的最大连通域与右肺叶组织的最大连通域,并将右肺叶组织的非最大连通域的集合中与左肺叶组织的最大连通域连接的部分矫正为左肺叶组织,以及将左肺叶组织的非最大连通域的集合中与右肺叶组织的最大连通域连接的部分矫正为右肺叶组织,以实现对三维肺叶模型的初步矫正,得到三维肺叶推理结果。
进一步地,步骤S14包括:
S141:删除所述左肺叶组织的非最大连通域的集合中既不与所述右肺叶组织的最大连通域连接又不与所述左肺叶组织的最大连通域连接的部分;
S142:删除所述右肺叶组织的非最大连通域的集合中不与所述左肺叶组织的最大连通域连接又不与所述右肺叶组织的最大连通域连接的部分,得到三维肺叶推理结果。
进一步地,步骤S3包括:
S31:将分离所述第一连通域与所述第二连通域之后的所述二维粘黏层切片中的肺叶组织以外的区域删除,得到粘黏区域肺叶图像;
S32:对所述粘黏区域肺叶图像进行二值化处理,得到肺叶组织图像;
S33:对所述肺叶组织图像进行取反,得到分离结果。
进一步地,步骤S32包括:
S321:根据所述粘黏区域肺叶图像的像素将所述粘黏区域肺叶图像分为肺叶组织信息与背景信息;
S322:分离所述肺叶组织信息与所述背景信息;
S323:对所述肺叶组织信息进行二值化处理,得到肺叶组织图像。
第二方面,本申请提出一种肺叶分割的优化装置,所述装置包括:
第一获取模块:用于获取CT扫描重建的三维肺叶推理结果;
第二获取模块:用于遍历所述三维肺叶推理结果的每一层切片,获取每一层切片中存在左右肺叶粘黏的二维粘黏层切片;
第三获取模块:用于获取所述二维粘黏层切片中的左肺叶组织的第一连通域与右肺叶组织的第二连通域,并分离所述第一连通域与所述第二连通域,得到分离结果;
矫正模块:用于将所述分离结果对应到所述三维肺叶推理结果中,获取所述第一连通域与所述三维肺叶推理结果中肺叶组织的第一连接关系以及所述第二连通域与所述三维肺叶推理结果中肺叶组织的第二连接关系,并根据所述第一连接关系与所述第二连接关系对所述三维肺叶推理结果进行矫正。
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:本申请提出的一种肺叶分割的优化方法、装置、电子设备及存储介质,本申请提出的一种肺叶分割的优化方法,通过获取CT扫描重建的三维肺叶推理结果,但该三维肺叶推理结果并不准确,存在有异常区域,如:将左肺叶误识为右肺叶的区域,将右肺叶误识为左肺叶的区域以及左右肺叶存在粘黏的区域,为了对该三维肺叶推理结果进行矫正,使左肺叶组织与右肺叶组织能够被精准分割,可以将三维肺叶推理结果转化为二维图像,对其中左右肺叶粘黏的区域进行分离矫正,具体为:遍历三维肺叶推理结果的每一层切片,并获取每一层切片中存在左右肺叶粘黏的二维粘黏层切片,而后通过形态学连通域的方式将二维粘黏层切片中粘连在一起的左肺叶组织与右肺叶组织分离开,而后将在二维平面上分离开的左肺叶组织与右肺叶组织对应到三维空间中的三维肺叶推理结果中,对三维肺叶推理结果进行对应的矫正,使三维肺叶推理结果为分割准确的肺叶模型,解决现有技术中三维重建的肺叶模型存在的左右肺叶粘黏的问题。
附图说明
图1为本申请提出的一种肺叶分割的优化方法的流程图。
图2为本申请提出的一种肺叶分割的优化装置的结构图。
图3为本申请提供的电子设备的结构示意图。
图4为现有技术中通过AI重建的三维肺叶推理结果的展示图。
图5为采用本申请提出的一种肺叶分割的优化方法对三维肺叶推理结果进行矫正优化的对比图。
图6为本申请中剔除右肺叶组织中识别错误的其他非肺叶组织的展示图。
图7为本申请中获取每一层切片中存在左右肺叶粘黏的二维粘黏层切片的展示图。
图8为本申请中将分离第一连通域与第二连通域之后的二维粘黏层切片中的肺叶组织以外的区域删除,得到粘黏区域肺叶图像的展示图。
图9为本申请中对粘黏区域肺叶图像进行二值化处理,得到肺叶组织图像;对肺叶组织图像进行取反,得到分离结果的展示图。
图10为本申请中对三维肺叶推理结果中的粘黏区域进行分割熔断操作的前后对比图。
标号说明:201、第一获取模块;202、第二获取模块;203、第三获取模块;204、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CT数据中呈现的结果是左右两侧肺叶过于靠近以及深度学习存在一定的误差不能完全精准分割肺叶,导致重建出来的三维肺叶推理结果存在左右肺叶粘黏的问题。为了解决该问题,本申请提出了一种肺叶分割的优化方法、装置、电子设备及存储介质,具体如下:
请参照图1,本申请提供一种肺叶分割的优化方法,方法包括步骤:
S1:获取CT扫描重建的三维肺叶推理结果;
S2:遍历三维肺叶推理结果的每一层切片,获取每一层切片中存在左右肺叶粘黏的二维粘黏层切片;
S3:获取二维粘黏层切片中的左肺叶组织的第一连通域与右肺叶组织的第二连通域,并分离第一连通域与第二连通域,得到分离结果;
S4:将分离结果对应到三维肺叶推理结果中,获取第一连通域与三维肺叶推理结果中肺叶组织的第一连接关系以及第二连通域与三维肺叶推理结果中肺叶组织的第二连接关系,并根据第一连接关系与第二连接关系对三维肺叶推理结果进行矫正。
其中,在实际应用中,在步骤S1中,三维肺叶推理结果为CT或者MRI扫描仪器扫描得到的肺叶数据信息,通过AI进行三维重建得到的肺叶模型,现有技术中,通常根据该方式进行三维肺叶重建,但这种方式得到的三维肺叶模型实际并不准确,存在有例如将左肺叶组织预测为右肺叶组织,将右肺叶组织预测为左肺叶组织,以及左右肺叶粘黏的问题,具体可参照图4,图4中位于左上的图片为左右肺叶粘黏的二维显示图像,位于右上的图片为左右肺叶识别错误的二维显示图像,位于左下的图片为三维肺叶推理结果的显示图像,位于右下的图片为三维肺叶推理结果中粘黏区域的放大图。为了解决该问题,本申请中通过获取CT扫描得到的肺叶数据信息,并通过AI重建三维肺叶模型后,采用传统的形态学方式对三维肺叶模型进行初步的矫正,纠正三维肺叶模型左右两侧误识别的区域,具体的,在一些优选的实施方式中,步骤S1包括:
S11:获取CT扫描的肺叶数据信息;
S12:根据肺叶数据信息重建三维肺叶模型;
S13:获取三维肺叶模型中左肺叶组织的最大连通域、左肺叶组织的非最大连通域的集合,以及右肺叶组织的最大连通域、右肺叶组织的非最大连通域的集合;
S14:保留左肺叶组织的最大连通域与右肺叶组织的最大连通域,将左肺叶组织的非最大连通域的集合中与右肺叶组织的最大连通域连接的部分矫正为右肺叶组织,将右肺叶组织的非最大连通域的集合中与左肺叶组织的最大连通域连接的部分矫正为左肺叶组织,得到三维肺叶推理结果。
其中,在实际应用中,CT扫描得到的肺叶数据信息实际指,使用CT扫描仪器扫描患者的肺部得到的肺叶投影在二维平面上的影像信息,利用AI(现有的深度学习技术)可以根据该肺叶数据信息重建三维肺叶模型,但由于CT在扫描时,患者的身体没有完全对准仪器,以及深度学习技术中数据标注集的不足等等原因,导致肺叶分割存在一些缺陷,进而使重建出来的三维肺叶模型并不精准,具体可参照图5,图5中位于左上的图片为左肺叶组织的最大连通域与左肺叶组织的非最大连通域的集合的显示图像,位于左下的图片为右肺叶组织的最大连通域与右肺叶组织的非最大连通域的集合的显示图像,位于右侧的图片为矫正后的三维肺叶推理结果的显示图像。针对该问题,本申请根据肺叶组织的特性,如单侧肺叶组织中仅存在一种连通域,即左肺叶组织中仅存在左肺叶组织的连通域,右肺叶组织中仅存在右肺叶组织的连通域,采用传统的形态学方式,提取三维肺叶模型中的左肺叶组织的最大连通域、左肺叶组织的非最大连通域的集合,以及右肺叶组织的最大连通域、右肺叶组织的非最大连通域的集合。
其中,左肺叶组织的最大连通域实际表示三维肺叶模型中属于左肺叶组织的相邻像素所占面积最大的区域;左肺叶组织的非最大连通域的集合实际表示三维肺叶模型中属于左肺叶组织的相邻像素所在面积非最大的区域的集合,包括除左肺叶组织的最大连通域以外的所有识别为左肺叶组织的区域,即包括左肺叶组织、被误识为左肺叶组织的右肺叶组织以及被误识为左肺叶组织的其他非肺叶组织,如血管等。同理,右肺叶组织的最大连通域实际表示三维肺叶模型中属于右肺叶组织的相邻像素所占面积最大的区域;右肺叶组织的非最大连通域的集合实际表示三维肺叶模型中属于右肺叶组织的相邻像素所在面积非最大的区域的集合,包括除右肺叶组织的最大连通域以外的所有识别为右肺叶组织的区域,即包括右肺叶组织、被误识为右肺叶组织的左肺叶组织以及被误识为右肺叶组织的其他非肺叶组织,如血管等。
其中,在实际应用中,从利用深度学习分割重建出来的三维肺叶模型中,获取得到的左肺叶组织的最大连通域以及右肺叶组织的最大连通域通常不存在识别错误的问题,因此,保留左肺叶组织的最大连通域以及右肺叶组织的最大连通域。并进一步判断左肺叶组织的非最大连通域的集合、右肺叶组织的非最大连通域的集合分别与左肺叶组织的最大连通域以及右肺叶组织的最大连通域之间的连接关系,左肺叶组织的非最大连通域的集合中与右肺叶组织的最大连通域连接的部分为被错误识别为左肺叶组织的右肺叶组织,将该部分矫正为右肺叶组织,同理,将右肺叶组织的非最大连通域的集合中与左肺叶组织的最大连通域连接的部分矫正为左肺叶组织,以实现对三维肺叶模型的部分矫正。进一步地,为了避免其他非肺叶组织对肺叶分割造成影响,步骤S14包括:
S141:删除左肺叶组织的非最大连通域的集合中既不与右肺叶组织的最大连通域连接又不与左肺叶组织的最大连通域连接的部分;
S142:删除右肺叶组织的非最大连通域的集合中既不与左肺叶组织的最大连通域连接又不与右肺叶组织的最大连通域连接的部分,得到三维肺叶推理结果。
其中,在实际应用中,由于单侧肺叶只能存在一种连通域,在对左肺叶组织的非最大连通域的集合以及右肺叶组织的非最大连通域的集合中的部分区域进行矫正之后,继续判断剩下的左肺叶组织的非最大连通域的集合中既不与右肺叶组织的最大连通域连接又不与左肺叶组织的最大连通域连接的部分,该部分为其他非肺叶组织,如血管等,将其删除,以过滤其他非肺叶组织对肺叶模型三维重建的干扰,同理,删除剩下的右肺叶组织的非最大连通域的集合中既不与左肺叶组织的最大连通域连接又不与右肺叶组织的最大连通域连接的部分,可得到经过部分矫正后的三维肺叶推理结果。具体可参照图6,图6左侧图片为右肺叶组织与误识为右肺叶组织的其他非肺叶组织的显示图像,图6右侧图片为噪点过滤(即删除误识的其他非肺叶组织)后的右肺叶组织的显示图像。
其中,在该三维肺叶推理结果中还存在左右肺叶粘黏的问题,在理想的肺叶模型三维重建中,得到的完全精确的理论上的肺叶推理结果应该为左肺叶组织与右肺叶组织之间存在清晰的裂隙,二者并不相连,但在实际重建的过程中,会由于患者身体没有对准CT扫描仪器而出现左右肺叶粘黏的问题,为了解决该问题,在步骤S2中,将三维肺叶推理结果转换到二维平面上以便于后续进行形态学的分割熔断处理,具体方式为遍历三维肺叶推理结果的每一层切片,该过程可通过将三维肺叶推理结果输入肺叶分割模型中实现,获取每一层切片中存在左右肺叶粘黏的二维粘黏层切片,判断二维图像中左右肺叶是否存在粘黏现象的技术为现有技术,在此不多作赘述。具体可参照图7,图7中位于左上的图片为CT扫描的肺叶组织的侧视图,位于左下的图片为三维肺叶推理结果,位于右侧的图像为二维粘黏层切片。
其中,在步骤S3中,获取二维粘黏层切片中的左肺叶组织的第一连通域与右肺叶组织的第二连通域,其中,第一连通域实际表示在二维粘黏层切片中左肺叶组织的相邻像素区域的集合,第一连通域包括一个或多个左肺叶组织的相邻像素区域,同理,第二连通域实际表示在二维粘黏层切片中右肺叶组织的相邻像素区域的集合,第二连通域包括一个或多个右肺叶组织的相邻像素区域,而后根据左肺叶组织与右肺叶组织的像素的不同,可以分离出第一连通域与第二连通域,得到分离结果。其中,分离结果为二维粘黏层切片中左右肺叶粘黏区域的肺叶组织,为了使分离结果更加准确,进一步的,在一些优选的实施方式中,步骤S3包括:
S31:将分离第一连通域与第二连通域之后的二维粘黏层切片中的肺叶组织以外的区域删除,得到粘黏区域肺叶图像;
S32:对粘黏区域肺叶图像进行二值化处理,得到肺叶组织图像;
S33:对肺叶组织图像进行取反,得到分离结果。
其中,在实际应用中,将分离第一连通域与第二连通域之后的二维粘黏层切片中的肺叶组织以外的区域删除,如肺叶组织以外的胸腔和血管,得到粘黏区域肺叶图像,其中粘黏区域肺叶图像仅存在肺叶,通过剔除多余的干扰组织,留下左右肺叶组织有利于对左肺叶以及右肺叶组织进行精确的分割熔断,实现左右肺叶粘黏区域的分离。具体可参照图8,图8左侧图片为未剔除多余的干扰组织的二维粘黏层切片的显示图像,图8右侧为粘黏区域肺叶图像。
为了后续能够将二维平面上分割熔断的左肺叶组织与右肺叶组织同步到三维空间中的三维肺叶推理结果中,将三维肺叶推理结果中的粘黏区域的左右肺叶分割开,可以对粘黏区域的肺叶图像进行二值化处理,得到肺叶组织图像,肺叶组织图像仅包括肺叶组织信息,经过二值化处理后的肺叶组织信息为黑色,对肺叶组织图像进行取反后,得到背景信息,背景信息为黑色,黑色的背景信息中的白色空缺以及灰色空缺指示肺叶组织(具体可以参照图9),取反后的背景信息中明显突出的白色区域以及灰色区域为分离结果,在该分离结果中,白色区域与灰色区域的边界十分明显,即表示左肺叶组织与右肺叶组织的边界更加清晰,便于后续将其对应至三维肺叶推理结果中时,可将三维肺叶推理结果中粘黏区域的左肺叶组织与右肺叶组织分割熔断,解决左右肺叶粘黏的问题。具体可参照图9,图9中位于左上方的为经过二值化处理后的肺叶组织信息,位于左下方的图片为粘黏区域肺叶图像中的背景信息,位于右侧的图片为对肺叶组织图像进行取反后得到的分离结果的显示图像。
对粘黏区域肺叶图像进行二值化处理的具体过程如下,具体的,步骤S32包括:
S321:根据粘黏区域肺叶图像的像素将粘黏区域肺叶图像分为肺叶组织信息与背景信息;
S322:分离肺叶组织信息与背景信息;
S323:对肺叶组织信息进行二值化处理,得到肺叶组织图像。
其中,在实际应用中,根据粘黏区域肺叶图像的像素将粘黏区域肺叶图像分为肺叶组织信息与背景信息,未经过二值化处理的肺叶组织信息的边界并不精准,导致其分离得到的背景信息也不精准,为了得到更精准的背景信息,可对肺叶组织信息进行二值化处理,精确左肺叶组织与右肺叶组织的边界,得到肺叶组织图像,便于后续对肺叶组织图像进行取反操作后,得到精准的背景信息,该背景信息以黑色图片的形式展现,其中存在有明显突出的白色区域与灰色区域,进而可将精确的背景信息同步到三维肺叶推理结果中,按照黑色背景信息中空缺的白色区域的边界以及灰色区域的边界,实现对三维肺叶推理结果中左右肺叶粘黏的区域进行分割熔断。其中,选择将背景信息同步到三维肺叶推理结果中是由于背景信息为非粘黏区域的肺叶图像,其面积相较于粘黏区域肺叶图像更大,在对应到三维肺叶推理结果中时,可更好的进行位置对准,提高三维肺叶推理结果分割粘黏区域左右肺叶的准确率。
其中,在步骤S4中,将分离结果对应到三维肺叶推理结果中,实际是指通过调用numpy库将背景信息与三维肺叶推理结果进行矩阵相乘的运算,使三维肺叶推理结果中的左右肺叶粘黏区域的左肺叶组织与右肺叶组织的轮廓显示出来,并根据该轮廓对粘黏区域的左肺叶组织以及右肺叶组织进行形态学上的腐蚀操作,分割熔断左右肺叶的粘黏部分,使得左肺叶组织与右肺叶组织为互不连通的两个区域。其中,由于在粘黏区域也存在左肺叶组织与右肺叶组织识别异常的情况,因此,在对左肺叶组织以及右肺叶组织进行分割熔断后,在三维肺叶推理结果中采用连通域的方式,分别对左肺叶组织中连接的右肺叶组织以及右肺叶组织中连接的左肺叶组织进行对应的矫正,即可得到完全矫正的三维肺叶推理结果。其中,第一连接关系实际指将二维平面中的左肺叶组织(第一连通域)对应到三维肺叶推理结果中后,该第一连通域在三维肺叶推理结果中的位置,若该第一连通域位于三维肺叶推理结果中的左肺叶组织中,则第一连接关系为第一连通域与三维肺叶推理结果中的左肺叶组织连接,表示预测结果正确,无需矫正;若该第一连通域位于三维肺叶推理结果中的右肺叶组织中,则第一连接关系为第一连通域与三维肺叶推理结果中的右肺叶组织连接,表示预测结果错误,需要将第一连通域矫正为右肺叶组织。同理,第二连接关系实际指将二维平面中的右肺叶组织(第二连通域)对应到三维肺叶推理结果中后,该第二连通域在三维肺叶推理结果中的位置,若该第二连通域位于三维肺叶推理结果中的右肺叶组织中,则第二连接关系为第二连通域与三维肺叶推理结果中的右肺叶组织连接,表示预测结果正确,无需矫正;若该第二连通域位于三维肺叶推理结果中的左肺叶组织中,则第二连接关系为第二连通域与三维肺叶推理结果中的左肺叶组织连接,表示预测结果错误,需要将第二连通域矫正为左肺叶组织。因此,在一些具体的实施方式中,步骤S4包括:
S41:将第一连接关系中第一连通域与三维肺叶推理结果中的右肺叶组织连接的部分矫正为右肺叶组织;
S42:将第二连接关系中第二连通域与三维肺叶推理结果中的左肺叶组织连接的部分矫正为左肺叶组织。
其中,通过第一连接关系与第二连接关系判断进行了粘黏区域分割熔断后的三维肺叶推理结果中存在识别错误的区域,并对识别错误的区域进行矫正,以提高肺叶分割的精准度。具体可参照图10,图10左侧为未经过分割熔断处理的三维肺叶推理结果中粘黏区域的放大图,右侧为经过分割熔断处理的三维肺叶推理结果中粘黏区域的放大图。
进一步地,在一些优选的实施方式中,步骤S4之后包括:
S5:获取矫正后的三维肺叶推理结果,并分别提取矫正后的三维肺叶推理结果中的左肺叶模型与右肺叶模型;
S6:分别将左肺叶模型与右肺叶模型输入肺叶分割模型中,对应得到左上肺叶模型、左下肺叶模型与右上肺叶模型、右下肺叶模型、右中肺叶模型;
S7:合并左上肺叶模型、左下肺叶模型、右上肺叶模型、右下肺叶模型以及右中肺叶模型得到肺叶分割结果。
其中,肺叶组织包括左肺叶组织与右肺叶组织,而左肺叶组织具体包括左上肺叶组织、左下肺叶组织,右肺叶组织具体包括右上肺叶组织、右下肺叶组织以及右中肺叶组织,在得到精准分割后的三维肺叶推理结果后,将左肺叶组织与右肺叶组织分离开,并截取感兴趣的左肺叶组织与感兴趣的右肺叶组织,剔除三维肺叶推理结果中干扰的背景信息,分别将感兴趣的左肺叶组织与感兴趣的右肺叶组织输入精准肺叶分割模型中,对应得到左上肺叶模型、左下肺叶模型与右上肺叶模型、右下肺叶模型、右中肺叶模型,并将上述各部分肺叶组织进行合并,得到肺叶分割结果。其中,将左肺叶组织与右肺叶组织具体分段分割的精准肺叶分割模型可采用深度学习技术,利用现有的数据标注集分割得到左上肺叶模型、左下肺叶模型与右上肺叶模型、右下肺叶模型、右中肺叶模型。
由上可知,本申请提出的一种肺叶分割的优化方法,通过获取CT扫描重建的三维肺叶推理结果,但该三维肺叶推理结果并不准确,存在有异常区域,如:将左肺叶误识为右肺叶的区域,将右肺叶误识为左肺叶的区域以及左右肺叶存在粘黏的区域,为了对该三维肺叶推理结果进行矫正,使左肺叶组织与右肺叶组织能够被精准分割,可以将三维肺叶推理结果转化为二维图像,对其中左右肺叶粘黏的区域进行分离矫正,具体为:遍历三维肺叶推理结果的每一层切片,并获取每一层切片中存在左右肺叶粘黏的二维粘黏层切片,而后通过形态学连通域的方式将二维粘黏层切片中粘连在一起的左肺叶组织与右肺叶组织分离开,而后将在二维平面上分离开的左肺叶组织与右肺叶组织对应到三维空间中的三维肺叶推理结果中,对三维肺叶推理结果进行对应的矫正,使三维肺叶推理结果为分割准确的肺叶模型,解决现有技术中三维重建的肺叶模型存在的左右肺叶粘黏的问题。
请参照图2,本申请提出一种肺叶分割的优化装置,装置包括:
第一获取模块201:用于获取CT扫描重建的三维肺叶推理结果;
第二获取模块202:用于遍历三维肺叶推理结果的每一层切片,获取每一层切片中存在左右肺叶粘黏的二维粘黏层切片;
第三获取模块203:用于获取二维粘黏层切片中的左肺叶组织的第一连通域与右肺叶组织的第二连通域,并分离第一连通域与第二连通域,得到分离结果;
矫正模块204:用于将分离结果对应到三维肺叶推理结果中,获取第一连通域与三维肺叶推理结果中肺叶组织的第一连接关系以及第二连通域与三维肺叶推理结果中肺叶组织的第二连接关系,并根据第一连接关系与第二连接关系对三维肺叶推理结果进行矫正。
其中,在实际应用中,第一获取模块201可以为PC机上深度学习建模程序,可以根据CT扫描得到的肺叶数据信息对肺叶进行三维重建,得到三维肺叶推理结果;第二获取模块202可以为PC机上的肺叶分割模型,如U-Net模型、轻量级语义分割模型等等;第三获取模块203为PC机上与处理二维图像的图像数据库连接的程序,可以在二维粘黏层切片进行形态学的处理后,获取其处理结果(即分离结果);矫正模块204为PC机上对识别错误的区域进行矫正的程序。
其中,在实际应用中,三维肺叶推理结果为CT或者MRI扫描仪器扫描得到的肺叶数据信息,通过AI进行三维重建得到的肺叶模型,现有技术中,通常根据该方式进行三维肺叶重建,但这种方式得到的三维肺叶模型实际并不准确,存在有例如将左肺叶组织预测为右肺叶组织,将右肺叶组织预测为左肺叶组织,以及左右肺叶粘黏的问题。为了解决该问题,本申请中在获取到CT扫描得到肺叶数据信息,并通过AI重建三维肺叶模型后,采用传统的形态学方式对三维肺叶模型进行初步的矫正,纠正三维肺叶模型左右两侧误识别的区域。具体方式为:根据肺叶组织的特性,如单侧肺叶组织中仅存在一种连通域,即左肺叶组织中仅存在左肺叶组织的连通域,右肺叶组织中仅存在右肺叶组织的连通域,采用传统的形态学方式,提取三维肺叶模型中的左肺叶组织的最大连通域、左肺叶组织的非最大连通域的集合,以及右肺叶组织的最大连通域、右肺叶组织的非最大连通域的集合。而后保留左肺叶组织的最大连通域以及右肺叶组织的最大连通域,并进一步判断左肺叶组织的非最大连通域的集合、右肺叶组织的非最大连通域的集合分别与左肺叶组织的最大连通域以及右肺叶组织的最大连通域之间的连接关系,左肺叶组织的非最大连通域的集合中与右肺叶组织的最大连通域连接的部分为被错误识别为左肺叶组织的右肺叶组织,将该部分矫正为右肺叶组织,同理,将右肺叶组织的非最大连通域的集合中与左肺叶组织的最大连通域连接的部分矫正为左肺叶组织,以实现对三维肺叶模型的部分矫正。
其中,在实际应用中,由于单侧肺叶只能存在一种连通域,在对左肺叶组织的非最大连通域的集合以及右肺叶组织的非最大连通域的集合中的部分区域进行矫正之后,继续判断剩下的左肺叶组织的非最大连通域的集合中既不与右肺叶组织的最大连通域连接又不与左肺叶组织的最大连通域连接的部分,该部分为其他非肺叶组织,如血管等,将其删除,以过滤其他非肺叶组织对肺叶模型三维重建的干扰,同理,删除剩下的右肺叶组织的非最大连通域的集合中既不与左肺叶组织的最大连通域连接又不与右肺叶组织的最大连通域连接的部分,可得到经过部分矫正后的三维肺叶推理结果。
其中,在该三维肺叶推理结果中还存在左右肺叶粘黏的问题,在理想的肺叶模型三维重建中,得到的完全精确的理论上的肺叶推理结果应该为左肺叶组织与右肺叶组织之间存在清晰的裂隙,二者并不相连,但在实际重建的过程中,会由于患者身体没有对准CT扫描仪器而出现左右肺叶粘黏的问题,为了解决该问题,将三维肺叶推理结果转换到二维平面上以便于后续进行形态学的分割熔断处理,具体方式为遍历三维肺叶推理结果的每一层切片,该过程可通过将三维肺叶推理结果输入肺叶分割模型中实现,获取每一层切片中存在左右肺叶粘黏的二维粘黏层切片,而后获取二维粘黏层切片中的左肺叶组织的第一连通域与右肺叶组织的第二连通域,其中,第一连通域实际表示在二维粘黏层切片中左肺叶组织的相邻像素区域的集合,第一连通域包括一个或多个左肺叶组织的相邻像素区域,同理,第二连通域实际表示在二维粘黏层切片中右肺叶组织的相邻像素区域的集合,第二连通域包括一个或多个右肺叶组织的相邻像素区域,而后根据左肺叶组织与右肺叶组织的像素的不同,可以分离出第一连通域与第二连通域,得到分离结果。
其中,分离结果为二维粘黏层切片中左右肺叶粘黏区域的肺叶组织,为了使分离结果更加准确,将分离第一连通域与第二连通域之后的二维粘黏层切片中的肺叶组织以外的区域删除,如肺叶组织以外的胸腔和血管,得到粘黏区域肺叶图像,其中粘黏区域肺叶图像仅存在肺叶,通过剔除多余的干扰组织,留下左右肺叶组织有利于对左肺叶以及右肺叶组织进行精确的分割熔断,实现左右肺叶粘黏区域的分离。为了后续能够将二维平面上分割熔断的左肺叶组织与右肺叶组织同步到三维空间中的三维肺叶推理结果中,将三维肺叶推理结果中的粘黏区域的左右肺叶分割开,可以对粘黏区域的肺叶图像进行二值化处理,得到肺叶组织图像,肺叶组织图像仅包括肺叶组织信息,经过二值化处理后的肺叶组织信息为黑色,对肺叶组织图像进行取反后,得到背景信息,背景信息为黑色,取反后的背景信息为分离结果,在该分离结果中,左肺叶组织与右肺叶组织的边界更加清晰,便于后续将其对应至三维肺叶推理结果中后,可将三维肺叶推理结果中粘黏区域的左肺叶组织与右肺叶组织分割熔断,解决左右肺叶粘黏的问题。
其中,将分离结果对应到三维肺叶推理结果中,实际是指通过调用numpy库将背景信息与三维肺叶推理结果进行矩阵相乘的运算,使三维肺叶推理结果中的左右肺叶粘黏区域的左肺叶组织与右肺叶组织的轮廓显示出来,并根据该轮廓对粘黏区域的左肺叶组织以及右肺叶组织进行形态学上的腐蚀操作,分割熔断左右肺叶的粘黏部分,使得左肺叶组织与右肺叶组织为互不连通的两个区域。其中,由于在粘黏区域也存在左肺叶组织与右肺叶组织识别异常的情况,因此,在对左肺叶组织以及右肺叶组织进行分割熔断后,在三维肺叶推理结果中采用连通域的方式,分别对左肺叶组织中连接的右肺叶组织以及右肺叶组织中连接的左肺叶组织进行对应的矫正,即可得到完全矫正的三维肺叶推理结果。其中,第一连接关系实际指将二维平面中的左肺叶组织(第一连通域)对应到三维肺叶推理结果中后,该第一连通域在三维肺叶推理结果中的位置,若该第一连通域位于三维肺叶推理结果中的左肺叶组织中,则第一连接关系为第一连通域与三维肺叶推理结果中的左肺叶组织连接,表示预测结果正确,无需矫正;若该第一连通域位于三维肺叶推理结果中的右肺叶组织中,则第一连接关系为第一连通域与三维肺叶推理结果中的右肺叶组织连接,表示预测结果错误,需要将第一连通域矫正为右肺叶组织。同理,第二连接关系实际指将二维平面中的右肺叶组织(第二连通域)对应到三维肺叶推理结果中后,该第二连通域在三维肺叶推理结果中的位置,若该第二连通域位于三维肺叶推理结果中的右肺叶组织中,则第二连接关系为第二连通域与三维肺叶推理结果中的右肺叶组织连接,表示预测结果正确,无需矫正;若该第二连通域位于三维肺叶推理结果中的左肺叶组织中,则第二连接关系为第二连通域与三维肺叶推理结果中的左肺叶组织连接,表示预测结果错误,需要将第二连通域矫正为左肺叶组织。
其中,肺叶组织包括左肺叶组织与右肺叶组织,而左肺叶组织具体包括左上肺叶组织、左下肺叶组织,右肺叶组织具体包括右上肺叶组织、右下肺叶组织以及右中肺叶组织,在得到精准分割后的三维肺叶推理结果后,将左肺叶组织与右肺叶组织分离开,并截取感兴趣的左肺叶组织与感兴趣的右肺叶组织,剔除三维肺叶推理结果中干扰的背景信息,分别将感兴趣的左肺叶组织与感兴趣的右肺叶组织输入精准肺叶分割模型中,对应得到左上肺叶模型、左下肺叶模型与右上肺叶模型、右下肺叶模型、右中肺叶模型,并将上述各部分肺叶组织进行合并,得到肺叶分割结果。其中,将左肺叶组织与右肺叶组织具体分段分割的精准肺叶分割模型可采用深度学习技术,利用现有的数据标注集分割得到左上肺叶模型、左下肺叶模型与右上肺叶模型、右下肺叶模型、右中肺叶模型。
由上可知,本申请提出的一种肺叶分割的优化装置,通过获取CT扫描重建的三维肺叶推理结果,但该三维肺叶推理结果并不准确,存在有异常区域,如:将左肺叶误识为右肺叶的区域,将右肺叶误识为左肺叶的区域以及左右肺叶存在粘黏的区域,为了对该三维肺叶推理结果进行矫正,使左肺叶组织与右肺叶组织能够被精准分割,可以将三维肺叶推理结果转化为二维图像,对其中左右肺叶粘黏的区域进行分离矫正,具体为:遍历三维肺叶推理结果的每一层切片,并获取每一层切片中存在左右肺叶粘黏的二维粘黏层切片,而后通过形态学连通域的方式将二维粘黏层切片中粘连在一起的左肺叶组织与右肺叶组织分离开,而后将在二维平面上分离开的左肺叶组织与右肺叶组织对应到三维空间中的三维肺叶推理结果中,对三维肺叶推理结果进行对应的矫正,使三维肺叶推理结果为分割准确的肺叶模型,解决现有技术中三维重建的肺叶模型存在的左右肺叶粘黏的问题。
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:获取CT扫描重建的三维肺叶推理结果;遍历三维肺叶推理结果的每一层切片,获取每一层切片中存在左右肺叶粘黏的二维粘黏层切片;获取二维粘黏层切片中的左肺叶组织的第一连通域与右肺叶组织的第二连通域,并分离第一连通域与第二连通域,得到分离结果;将分离结果对应到三维肺叶推理结果中,获取第一连通域与三维肺叶推理结果中肺叶组织的第一连接关系以及第二连通域与三维肺叶推理结果中肺叶组织的第二连接关系,并根据第一连接关系与第二连接关系对三维肺叶推理结果进行矫正。
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:获取CT扫描重建的三维肺叶推理结果;遍历三维肺叶推理结果的每一层切片,获取每一层切片中存在左右肺叶粘黏的二维粘黏层切片;获取二维粘黏层切片中的左肺叶组织的第一连通域与右肺叶组织的第二连通域,并分离第一连通域与第二连通域,得到分离结果;将分离结果对应到三维肺叶推理结果中,获取第一连通域与三维肺叶推理结果中肺叶组织的第一连接关系以及第二连通域与三维肺叶推理结果中肺叶组织的第二连接关系,并根据第一连接关系与第二连接关系对三维肺叶推理结果进行矫正。
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)
1.一种肺叶分割的优化方法,其特征在于,所述方法包括步骤:
S1:获取CT扫描重建的三维肺叶推理结果;
步骤S1包括:
S11:获取CT扫描的肺叶数据信息;
S12:根据所述肺叶数据信息重建三维肺叶模型;
S13:获取所述三维肺叶模型中左肺叶组织的最大连通域、左肺叶组织的非最大连通域的集合,以及右肺叶组织的最大连通域、右肺叶组织的非最大连通域的集合;
S14:保留所述左肺叶组织的最大连通域与所述右肺叶组织的最大连通域,将所述左肺叶组织的非最大连通域的集合中与所述右肺叶组织的最大连通域连接的部分矫正为右肺叶组织,将所述右肺叶组织的非最大连通域的集合中与所述左肺叶组织的最大连通域连接的部分矫正为左肺叶组织,得到三维肺叶推理结果;
S2:遍历所述三维肺叶推理结果的每一层切片,获取每一层切片中存在左右肺叶粘黏的二维粘黏层切片;
S3:获取所述二维粘黏层切片中的左肺叶组织的第一连通域与右肺叶组织的第二连通域,并分离所述第一连通域与所述第二连通域,得到分离结果;
S4:将所述分离结果对应到所述三维肺叶推理结果中,获取所述第一连通域与所述三维肺叶推理结果中肺叶组织的第一连接关系以及所述第二连通域与所述三维肺叶推理结果中肺叶组织的第二连接关系,并根据所述第一连接关系与所述第二连接关系对所述三维肺叶推理结果进行矫正;
步骤S4包括:
S41:将所述第一连接关系中所述第一连通域与所述三维肺叶推理结果中的右肺叶组织连接的部分矫正为右肺叶组织;
S42:将所述第二连接关系中所述第二连通域与所述三维肺叶推理结果中的左肺叶组织连接的部分矫正为左肺叶组织。
2.根据权利要求1所述的一种肺叶分割的优化方法,其特征在于,步骤S4之后包括:
S5:获取矫正后的所述三维肺叶推理结果,并分别提取所述矫正后的所述三维肺叶推理结果中的左肺叶模型与右肺叶模型;
S6:分别将所述左肺叶模型与所述右肺叶模型输入肺叶分割模型中,对应得到左上肺叶模型、左下肺叶模型与右上肺叶模型、右下肺叶模型、右中肺叶模型;
S7:合并所述左上肺叶模型、所述左下肺叶模型、所述右上肺叶模型、所述右下肺叶模型以及右中肺叶模型得到肺叶分割结果。
3.根据权利要求1所述的一种肺叶分割的优化方法,其特征在于,步骤S14包括:
S141:删除所述左肺叶组织的非最大连通域的集合中既不与所述右肺叶组织的最大连通域连接又不与所述左肺叶组织的最大连通域连接的部分;
S142:删除所述右肺叶组织的非最大连通域的集合中既不与所述左肺叶组织的最大连通域连接又不与所述右肺叶组织的最大连通域连接的部分,得到三维肺叶推理结果。
4.根据权利要求1所述的一种肺叶分割的优化方法,其特征在于,步骤S3包括:
S31:将分离所述第一连通域与所述第二连通域之后的所述二维粘黏层切片中的肺叶组织以外的区域删除,得到粘黏区域肺叶图像;
S32:对所述粘黏区域肺叶图像进行二值化处理,得到肺叶组织图像;
S33:对所述肺叶组织图像进行取反,得到分离结果。
5.根据权利要求4所述的一种肺叶分割的优化方法,其特征在于,步骤S32包括:
S321:根据所述粘黏区域肺叶图像的像素将所述粘黏区域肺叶图像分为肺叶组织信息与背景信息;
S322:分离所述肺叶组织信息与所述背景信息;
S323:对所述肺叶组织信息进行二值化处理,得到肺叶组织图像。
6.一种肺叶分割的优化装置,其特征在于,所述装置包括:
第一获取模块:用于获取CT扫描重建的三维肺叶推理结果;
第一获取模块还用于:获取CT扫描的肺叶数据信息;
根据所述肺叶数据信息重建三维肺叶模型;
获取所述三维肺叶模型中左肺叶组织的最大连通域、左肺叶组织的非最大连通域的集合,以及右肺叶组织的最大连通域、右肺叶组织的非最大连通域的集合;
保留所述左肺叶组织的最大连通域与所述右肺叶组织的最大连通域,将所述左肺叶组织的非最大连通域的集合中与所述右肺叶组织的最大连通域连接的部分矫正为右肺叶组织,将所述右肺叶组织的非最大连通域的集合中与所述左肺叶组织的最大连通域连接的部分矫正为左肺叶组织,得到三维肺叶推理结果;
第二获取模块:用于遍历所述三维肺叶推理结果的每一层切片,获取每一层切片中存在左右肺叶粘黏的二维粘黏层切片;
第三获取模块:用于获取所述二维粘黏层切片中的左肺叶组织的第一连通域与右肺叶组织的第二连通域,并分离所述第一连通域与所述第二连通域,得到分离结果;
矫正模块:用于将所述分离结果对应到所述三维肺叶推理结果中,获取所述第一连通域与所述三维肺叶推理结果中肺叶组织的第一连接关系以及所述第二连通域与所述三维肺叶推理结果中肺叶组织的第二连接关系,并根据所述第一连接关系与所述第二连接关系对所述三维肺叶推理结果进行矫正;
矫正模块还用于:将所述第一连接关系中所述第一连通域与所述三维肺叶推理结果中的右肺叶组织连接的部分矫正为右肺叶组织;
将所述第二连接关系中所述第二连通域与所述三维肺叶推理结果中的左肺叶组织连接的部分矫正为左肺叶组织。
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 |
---|---|---|---|
CN202410062409.XA CN117576126B (zh) | 2024-01-16 | 2024-01-16 | 一种肺叶分割的优化方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410062409.XA CN117576126B (zh) | 2024-01-16 | 2024-01-16 | 一种肺叶分割的优化方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117576126A CN117576126A (zh) | 2024-02-20 |
CN117576126B true CN117576126B (zh) | 2024-04-09 |
Family
ID=89862931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410062409.XA Active CN117576126B (zh) | 2024-01-16 | 2024-01-16 | 一种肺叶分割的优化方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117576126B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113971728A (zh) * | 2021-10-25 | 2022-01-25 | 北京百度网讯科技有限公司 | 图像识别方法、模型的训练方法、装置、设备及介质 |
CN116797521A (zh) * | 2023-01-03 | 2023-09-22 | 深圳市第三人民医院(深圳市肝病研究所) | 肺炎重症化预测方法、装置、电子设备及介质 |
CN116934885A (zh) * | 2022-03-31 | 2023-10-24 | 深圳惟德精准医疗科技有限公司 | 肺部分割方法、装置、电子设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10869647B2 (en) * | 2016-02-05 | 2020-12-22 | Pulmonx Corporation | Methods, systems, and devices for analyzing lung imaging data |
CN111784700B (zh) * | 2019-04-04 | 2022-07-22 | 阿里巴巴集团控股有限公司 | 肺叶分割、模型训练、模型构建与分割方法、系统及设备 |
US20220405925A1 (en) * | 2021-06-16 | 2022-12-22 | Gyrus Acmi, Inc. D/B/A Olympus Surgical Technologies America | Lung analysis and reporting system |
-
2024
- 2024-01-16 CN CN202410062409.XA patent/CN117576126B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113971728A (zh) * | 2021-10-25 | 2022-01-25 | 北京百度网讯科技有限公司 | 图像识别方法、模型的训练方法、装置、设备及介质 |
CN116934885A (zh) * | 2022-03-31 | 2023-10-24 | 深圳惟德精准医疗科技有限公司 | 肺部分割方法、装置、电子设备及存储介质 |
CN116797521A (zh) * | 2023-01-03 | 2023-09-22 | 深圳市第三人民医院(深圳市肝病研究所) | 肺炎重症化预测方法、装置、电子设备及介质 |
Non-Patent Citations (3)
Title |
---|
Pulmonary Lobe Segmentation in CT Images Based on Lung Anatomy Knowledge;Yuanyuan Peng et al.;《Hindawi Mathematical Problems in Engineering》;20210420;第1-15页 * |
一种全自动的肺裂分割方法;彭圆圆 等;《电子学报》;20180630;第46卷(第6期);第1319-1326页 * |
一种基于CT图像的肺实质分割方法;刘莹芳 等;《云南大学学报(自然科学版)》;20190423;第41卷(第3期);第456-463页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117576126A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108133476B (zh) | 一种肺结节自动检测方法及系统 | |
US5796861A (en) | Mosaic construction, processing, and review of very large electronic micrograph composites | |
CN109830289B (zh) | 肋骨图像显示装置 | |
CN111462049B (zh) | 一种乳腺超声造影视频中病灶区形态自动标注方法 | |
WO2022037548A1 (zh) | 一种基于深度学习的脊椎mri影像关键点检测方法 | |
CN111161848B (zh) | Ct图像的病灶标注方法及装置、存储介质 | |
US8712122B2 (en) | Shape based similarity of continuous wave doppler images | |
CN112132166B (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
EP1361820B1 (en) | Method for the non-invasive imaging of anatomic tissue structures | |
CN112070790B (zh) | 一种基于深度学习和图像处理的混合肺部分割系统 | |
CN105513036A (zh) | 三维ct图像的分割方法及装置 | |
US20210142470A1 (en) | System and method for identification of pulmonary arteries and veins depicted on chest ct scans | |
CN111738992B (zh) | 肺部病灶区域提取方法、装置、电子设备和存储介质 | |
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 | |
CN117576126B (zh) | 一种肺叶分割的优化方法、装置、电子设备及存储介质 | |
CN110197722B (zh) | Ai-cpu系统平台 | |
CN111462869A (zh) | 一种多功能的新生儿临床用头部影像诊疗系统及方法 | |
US20230410291A1 (en) | Method and system for segmenting and identifying at least one tubular structure in medical images | |
CN113888663B (zh) | 重建模型训练方法、异常检测方法、装置、设备及介质 | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
CN114663443A (zh) | 12导联纸质心电图数字化方法与装置 | |
EP3948887B1 (en) | Automated system for rapid detection and indexing of critical regions in non-contrast head ct | |
CN117523207B (zh) | 肺叶分割矫正处理的方法、装置、电子设备及存储介质 | |
CN117635950B (zh) | 血管分割矫正处理的方法、装置、电子设备及存储介质 | |
CN114359488B (zh) | 一种基于序列ct图像的皮肤三维模型重建方法及系统 |
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 |