CN104143190A - Ct图像中组织的分割方法及*** - Google Patents
Ct图像中组织的分割方法及*** Download PDFInfo
- Publication number
- CN104143190A CN104143190A CN201410357152.7A CN201410357152A CN104143190A CN 104143190 A CN104143190 A CN 104143190A CN 201410357152 A CN201410357152 A CN 201410357152A CN 104143190 A CN104143190 A CN 104143190A
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- contour
- adjacent
- tissue
- 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
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000010276 construction Methods 0.000 title abstract 12
- 238000000638 solvent extraction Methods 0.000 title abstract 3
- 239000013598 vector Substances 0.000 claims abstract description 58
- 230000008569 process Effects 0.000 claims abstract description 34
- 230000002452 interceptive effect Effects 0.000 claims abstract description 29
- 239000010410 layer Substances 0.000 claims description 183
- 230000011218 segmentation Effects 0.000 claims description 70
- 238000010586 diagram Methods 0.000 claims description 18
- 239000011229 interlayer Substances 0.000 claims description 8
- 238000010845 search algorithm Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 abstract 2
- 238000002591 computed tomography Methods 0.000 description 89
- 230000008901 benefit Effects 0.000 description 8
- 210000003734 kidney Anatomy 0.000 description 8
- 230000007547 defect Effects 0.000 description 6
- 238000003708 edge detection Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 5
- 230000000903 blocking effect Effects 0.000 description 4
- 241000270295 Serpentes Species 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 210000002784 stomach Anatomy 0.000 description 3
- 206010053942 Cerebral haematoma Diseases 0.000 description 2
- 239000003989 dielectric material Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010018852 Haematoma Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种CT图像中组织的分割方法及***,其中的方法包括:调整CT图像的阻光度,获取CT图像中的组织结构;在所获取的组织结构中确定待分割组织,选择待分割组织的CT图像的其中一层进行交互式分割,其过程为:利用梯度向量构造该阻光度下的CT图像的能量代价函数,在与待分割组织相临近的位置选取种子点,根据能量代价函数生成的当前点到种子点之间的最优路径为待分割组织的CT图像的其中一层图像的轮廓;生成与轮廓所在的层相邻的相邻层的轮廓;然后利用迭代法生成待分割组织的CT图像的每一层图像的轮廓;组合待分割组织的CT图像的每一层图像的轮廓得到三维的待分割组织。通过本发明能够快速、准确地对三维CT图像进行交互式分割。
Description
技术领域
本发明涉及图像分割技术领域,更为具体地,涉及一种CT图像中组织的分割方法及***。
背景技术
医学图像的三维分割能够为临床诊断和病理学研究提供可靠的依据。然而图像往往存在复杂性和多义性,目前尚没有一种标准的方法能够解决所有的分割问题,因此许多分割的工作无法依靠计算机自动完成,而手工分割又存在工作量大的难题。正因如此,人们提出了一些人工交互和计算机自动定位相结合的方法来实现目标轮廓的快速定位方法,这种快速定位方法大致分为两类:
一类为Snake算法,其定义了一条能量曲线,由内部能量和外部能量共同决定。在形变的过程中,外部能量使得曲线更接近于区域的边缘,内部能量则保持了曲线的平滑性。Snake算法的优点在于图像数据、初始估计、目标轮廓及基于基础知识的约束条件都统一用一个特征提取过程来实现,已知合理的初始化曲线,经过多次迭代后,曲线能自动拟合,使其能量函数收敛于能量极小值的状态,但Snake算法的缺点在于其对初始轮廓、噪声较敏感,边缘的检查需依赖于权重的调节,时间的开销也不能满足实时的三维图象分割的要求。
另一类是交叉式轮廓分割,其代表方法是智能剪刀法。其基本思想是:利用拉普拉斯零交叉方法寻找边缘点,确定边缘的位置信息,再利用Robel算子、Canny算子或者Sobel算子求出图像的梯度值来表示边缘强度,根据边缘强度构造能量代价函数,在构造出能量代价函数的基础上使用动态规划算法或者Dijkstra算法求得两个种子点之间的最小能量花费路径(即最优路径)。
其中,拉普拉斯零交叉方法的计算公式如下:应用Marr于1980所提供的高斯核半径的计算方式:W=3.35*σ+0.33;Kernel Size=2*W+1;当Kernel Size=5时,σ=0.5;Kernel Size=9时,σ=1.1。其中,W表示高斯核半径,Kernel Size表示高斯核大小。
假设q为p的4邻域点(垂直,水平方向),根据核大小求得LoG后,p点的拉普拉斯零交叉点的值为: 其中,由于在处理图像时,核越小对细节较敏感,核越大越能抑制噪声,因此,这里使用多个宽度核的方法来建构拉普拉斯零交叉点值。以经验值使用5*5以及9*9的卷积核为例,同时指定两个核的加权效应分别为0.45和0.55,那么得到p点的拉普拉斯零交叉点的公式如下:fZ(p)=0.45*B5Z+0.55*B9Z。
确定边缘的位置信息后,下述将分别介绍利用Robel算子、Canny算子和Sobel算子进行边缘检测的示例。
利用Robel算子进行边缘检测的计算公式如下所示:G(f(x,y))=|[f(x,y)-f(x+1,y+1)]+[f(x+1,y)-f(x,y+1)],其中f(x,y)代表象素(x,y)点的CT值,G(f(x,y))代表象素(x,y)的Robel算子值。
利用Canny算子进行边缘检测的基本原理为:首先,图象边缘检测必须满足两个条件:能有效地抑制噪声和必须尽量精确确定边缘的位置;然后对信噪比与定位乘积进行测度,得到最优化逼近算子。
利用Canny算子进行边缘检测的过程如下:
step1:用高斯滤波器平滑图象;
step2:用一阶偏导的有限差分来计算梯度的幅值和方向;
step3:对梯度幅值进行非极大值抑制;
step4:用双阈值算法检测和连接边缘。
利用Sobel算子进行边缘检测的计算方式如下所示:
该算子包含两组3×3的矩阵,分别为横向及纵向,将之与图像作平面卷积即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像,Gx及Gy分别代表经横向及纵向边缘检测的图像,其公式如下:
图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合来计算梯度的大小:然后可用以下公式计算梯度方向:其中,如果角度Θ等于零,即代表图像该处拥有纵向边缘,左方较右方暗。
通过上述示例能够看出,现有的交叉式轮廓分割方法的优点在于:其提高了算法的灵活性和准确性,其在不同尺度空间中,计算拉普拉斯零交叉点及梯度强度,减少尺度变化对目标检测的影响,增加算法的鲁棒性。
虽然此种交叉式轮廓分割方法存在上述优点,但其也存在不足。一方面,种子点之间短路径的能量值比长路径的能量值占的优势更大,所以最短路径上的点并不能保证是边缘点,如此便无法正确跟踪轮廓,进而使得对组织的轮廓分割准确度不高;另一方面,在利用此交叉式轮廓分割方法进行三维分割时,首先需在两个关键层中进行交互式轮廓分割,然后使用插值算法生成关键层之间的中间层轮廓,但是传统的插值算法又存在噪声敏感、不连续性、时间开销大等不足,如此又进一步影响了图像分割的效果。
发明内容
鉴于上述问题,本发明的目的是提供一种CT图像中组织的分割方法及***,以实现快速、准确地对三维CT图像进行交互式分割。
根据本发明的一个方面,提供一种CT图像中组织的分割方法,包括:
调整CT图像的阻光度,获取CT图像中的组织结构;
在所获取的组织结构中确定待分割组织,选择待分割组织的CT图像的其中一层进行交互式分割,获得待分割组织的CT图像的其中一层图像的轮廓;其中,交互式分割的过程为:利用梯度向量构造阻光度下的CT图像的能量代价函数,在与待分割组织相临近的位置选取种子点,根据能量代价函数生成的当前点到种子点之间的最优路径为待分割组织的CT图像的其中一层图像的轮廓。
其中,本发明提供的CT图像中组织的分割方法还包括:生成与轮廓所在的层相邻的相邻层的轮廓;其中,生成相邻层的轮廓的过程为:将轮廓所在的层作为关键层,根据层间相关性,在与关键层相邻的相邻层上选取种子点,根据能量代价函数生成的每对种子点之间的最优路径为相邻层的轮廓;生成待分割组织的CT图像的每一层图像的轮廓;其中,利用迭代法在每对相邻层之间使用与生成相邻层的轮廓相同的过程生成待分割组织的CT图像的每一层图像的轮廓;组合待分割组织的CT图像的每一层图像的轮廓得到三维的待分割组织。
其中,利用梯度向量构造能量代价函数的过程包括:使用高斯函数在x、y方向的偏导数作为卷积核,提取CT图像中每个像素的梯度向量;利用当前点和与当前点相邻的邻域点的梯度向量在当前点8领域方向上的投影向量之和作为能量代价函数。
另一方面,本发明还提供一种CT图像中组织的分割***,包括:
组织结构获取单元,用于调整CT图像的阻光度,获取CT图像中的组织结构;
交互式分割单元,用于在所获取的组织结构中确定待分割组织,选择待分割组织的CT图像的其中一层进行交互式分割,获得待分割组织的CT图像的其中一层图像的轮廓;其中,交互式分割的过程为:利用梯度向量构造阻光度下的CT图像的能量代价函数,在与待分割组织相临近的位置选取种子点,根据能量代价函数生成的当前点到种子点之间的最优路径为待分割组织的CT图像的其中一层图像的轮廓。
本发明提供的CT图像中组织的分割***进一步包括:相邻层轮廓生成单元,用于生成与轮廓所在的层相邻的相邻层的轮廓;其中,生成相邻层的轮廓的过程为:将轮廓所在的层作为关键层,根据层间相关性,在与关键层相邻的相邻层上选取种子点,根据能量代价函数生成的每对种子点之间的最优路径为相邻层的轮廓;
轮廓生成单元,用于生成待分割组织的CT图像的每一层图像的轮廓;其中,利用迭代法在每对相邻层之间使用与生成相邻层的轮廓相同的过程生成待分割组织的CT图像的每一层图像的轮廓;
组合单元,用于组合待分割组织的CT图像的每一层图像的轮廓得到三维的待分割组织。
利用上述根据本发明的CT图像中组织的分割方法及***,首先通过调节图像的阻光度,将CT图像中体数据的重要组织结构进行显示;其次,在所显示的组织结构中确定待分割组织的其中一层进行交互式分割,并获得待分割组织的其中一层图像的轮廓。其中,在进行交互式分割的过程中,利用梯度向量取代梯度强度来构造能量代价函数,从能够克服种子点之间短路径的能量值比长路径的能量值占的优势更大的缺点,以保证沿着轮廓线能量代价函数是最小的,进而在解决短路径能量占优的同时能更好地识别弱边缘;然后根据层间相关性,使用迭代阀值法、填洞、快速形态学、发射光线等算法快速地从二维套索的结果扩展到三维,从而解决传统插值算法噪声敏感、不连续且时间开销大的问题,进而达到快速、准确地对CT图像进行交互式分割的目的。
为了实现上述以及相关目的,本发明的一个或多个方面包括后面将详细说明并在权利要求中特别指出的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而,这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外,本发明旨在包括所有这些方面以及它们的等同物。
附图说明
通过参考以下结合附图的说明及权利要求书的内容,并且随着对本发明的更全面理解,本发明的其它目的及结果将更加明白及易于理解。在附图中:
图1为根据本发明实施例的CT图像中组织的分割方法流程示意图;
图2a和图2b分别为对CT图像进行预处理之前和进行预处理之后的效果对比示意图;
图3a和图3b分别为使用梯度向量的方向投影之前和使用梯度向量的方向投影之后的效果对比示意图;
图4为根据本发明实施例的设定种子点的示意图;
图5为根据本发明实施例的计算种子点之间的路径示意图;
图6为根据本发明实施例的搜索相邻像素的示意图;
图7为根据本发明实施例的肾脏图像的关键层的分割结果示意图;
图8至图13为根据本发明实施例的肾脏图像的与关键层相邻的相邻层的分割结果示意图;
图14为根据本发明实施例的组合图7至图13所得到的三维的肾脏分割结果示意图;
图15为根据本发明实施列的CT图像中组织的分割***的第一逻辑结构框图;
图16为根据本发明实施列的CT图像中组织的分割***的第二逻辑结构框图。
在所有附图中相同的标号指示相似或相应的特征或功能。
具体实施方式
以下将结合附图对本发明的具体实施例进行详细描述。
由于本发明是在基于阻光度的前提下对CT图像中的组织进行分割的,因此在对本发明进行详细说明之前,先对阻光度的概念进行必要说明。
阻光度,又称阻光率、阻光系数、暗化系数。它是标志光的介质材料阻光能力的数值。阻光度数值越大,说明介质材料透过光线越少。对于CT图像而言,阻光度影响着CT图像的显示清晰度。因此,针对前述现有的交叉式轮廓分割方法对组织的轮廓分割准确度不高,且在分割图像时存在噪声敏感、不连续性和时间开销大的缺点。本发明首先通过调节CT图像的阻光度,以更为清晰地显示CT图像中的体数据的规定的组织结构。
然后,在所显示的组织结构中确定待分割组织的其中一层进行交互式分割,并获得待分割组织的其中一层图像的轮廓。其中,在进行交互式分割的过程中,利用梯度向量取代梯度强度来构造能量代价函数,从能够克服种子点之间短路径的能量值比长路径的能量值占的优势更大的缺点,以保证沿着轮廓线能量代价函数是最小的,进而在解决短路径能量占优的同时能更好地识别弱边缘;然后根据层间相关性,使用迭代阀值法、填洞、快速形态学、发射光线等算法快速地从二维套索的结果扩展到三维,从而解决传统插值算法噪声敏感、不连续且时间开销大的问题,进而达到快速、准确地对CT图像进行交互式分割的目的。
为了说明本发明提供的CT图像中组织的分割方法,图1示出了根据本发明实施例的CT图像中组织的分割方法流程。
如图1所示,本发明提供的CT图像中组织的分割方法包括:
S110:调整CT图像的阻光度,获取CT图像中的组织结构。
具体地,步骤S110属于对CT图像的预处理,其通过调整阻光度,将CT图像中体数据的重要的组织结构进行显示,从而隐藏一些医学检查不需要的组织结构。需要说明的是,调整CT图像的阻光度后所显示的重要的组织结构为需要进行医学检查的某些组织结构。例如,一张CT图像中拍出了人体胃部和肾部的结构,那么在调整该张CT图像的阻光度后,则会将胃部和肾部的结构显示出来,而胃部和肾部周围的部分组织结构(例如肉、血管等组织)则会变为透明。
为了更为直观的理解调整CT图像阻光度的目的,图2a和图2b分别示出了对CT图像进行预处理之前和进行预处理之后的效果对比。如图2a和图2b所示,通过对CT图像的阻光度的改变,能够去除相邻组织的影响,从而加快算法的运算速度。
S120:在所获取的组织结构中确定待分割组织,选择待分割组织的CT图像的其中一层进行交互式分割,获得待分割组织的CT图像的其中一层图像的轮廓;其中,交互式分割的过程为:利用梯度向量构造该阻光度下的CT图像的能量代价函数,在与待分割组织相临近的位置选取种子点,根据能量代价函数生成的当前点到种子点之间的最优路径为待分割组织的CT图像的其中一层图像的轮廓。
其中,利用梯度向量构造能量代价函数的过程包括:使用高斯函数在x、y方向的偏导数作为卷积核,提取CT图像中每个像素的梯度向量;利用当前点和与当前点相邻的邻域点的梯度向量在当前点8领域方向上的投影向量之和作为当前点的能量代价函数。
具体地,为了提高对噪声和离散点的鲁棒性,本发明使用高斯函数在x、y方向的偏导数作为卷积核,提取每个像素的梯度向量。卷积核公式如下所示:
由于传统的智能剪刀方法中种子点之间短路径的能量值比长路径的能量值占的优势更大,无法正确的跟踪图像的轮廓。本发明利用当前点和与当前点相邻的邻域点的梯度向量在当前点8邻域方向上的投影向量之和作为CT图像的能量代价函数,具体方法如下:
梯度向量通常用单位向量表示,轮廓线上点的梯度向量D代表了相邻像素间灰度跳变最大的方向,垂直于向量D的单位向量D’代表了轮廓线上该点的切向量。那么已知一点P以及其8邻域点的梯度向量D和Di(i=1-8),将D和Di的垂直向量D’和Di’在对应的邻域方向进行投影。当梯度向量D在邻域方向投影越大时,其垂直向量D’在邻域方向投影就越小,因此将投影向量最小的邻域点作为下一个轮廓点。使用梯度向量的方向投影使得轮廓线与非轮廓线上的特征值的区别更加明显。这种方法克服了种子点之间短路径的能量值比长路径的能量值占的优势更大的缺点,保证了沿着轮廓线能量代价函数是最小的。
具体地,如点p的梯度向量表示为D(p)=[Ix(p),Iy(p)],p点的8邻域点q的梯度向量表示为D(q)=[Ix(q),Iy(q)]。若边缘的方向和p点到q点的方向L(p,q)越相近,那么D(p)和D(q)在向量L(p,q)上的投影就越大。D(p)的垂直向量D'(p)=[Iy(p),-Ix(p)]和D(q)的垂直向量D'(q)=[Iy(q),-Ix(q)]在向量L(p,q)上的投影就越小。点p在L(p,q)方向的梯度方向特征公式:
fD(p,q)=D'(p)·L(p,q)+D'(q)·L(p,q)
如上所述,本发明利用当前点和与当前点相邻的邻域点的梯度向量在当前点8邻域方向上的投影向量之和作为CT图像的能量代价函数,能够在解决短路径能量占优的同时更好地识别弱边缘。以分割脑血肿的CT图像为例,为了更为直观的理解,图3a和图3b分别示出了使用梯度向量的方向投影之前和使用梯度向量的方向投影之后的效果对比,如图3a和图3b所示,使用本发明后分割的脑血肿的轮廓更贴近血肿的边缘。进一步地,本发明提供的CT图像中组织的分割方法还包括以下步骤:
S130:生成与轮廓所在的层相邻的相邻层的轮廓;其中,生成相邻层的轮廓的过程为:将轮廓所在的层作为关键层,根据层间相关性,在与关键层相邻的相邻层上选取种子点,根据能量代价函数生成的每对种子点之间的最优路径为相邻层的轮廓。
S140:生成待分割组织的CT图像的每一层图像的轮廓;其中,利用迭代法在每对相邻层之间使用与生成相邻层的轮廓相同的过程生成待分割组织的CT图像的每一层图像的轮廓。
其中,生成与步骤S120所生成的轮廓所在的层相邻的相邻层的轮廓的过程包括:在关键层的轮廓上等距地选取轮廓种子点作为相邻层的输入,在与关键层相邻的层上使用迭代阈值法进行粗分割;使用填洞算法填充粗分割的结果(即填充待分割组织内部的细小空洞),然后使用开运算去除待分割组织结构周围伪边缘的影响;将轮廓种子点和关键层的质心点作为相邻层的输入,分别连接轮廓种子点和质心点在相邻层的投影点,形成以质心点为中心的发射光线图,在发射光线图的发射光线方向上设定相邻层的种子点;其中,既是粗分割结果中的点同时又是梯度最大的点才被设定为相邻层的种子点;根据能量代价函数计算每对种子点之间的最优路径,并在关键层的轮廓上标记新的轮廓边界点;使用路径搜索算法将轮廓边界点顺序连接生成相邻层的轮廓。
由于传统插值算法存在噪声敏感、不连续性和时间开销大等不足。为了解决算法对噪声的敏感,本发明在使用迭代阀值法计算分割阀值进行粗分割后,使用填洞算法填充粗分割的结果后使用开运算来填充组织内部细小空洞的同时消除伪边缘的影响。
此外,本发明等距地选择关键层初始轮廓上的点和关键层的质心点作为相邻层的输入,分别连接轮廓种子点和质心点在相邻层的投影点,形成一个以质心为中心的发射光线图,在发射光线的方向上寻找既是粗分割结果中的点又是梯度最大的点作为相邻层的种子点,保证了层间轮廓的连续性。根据梯度向量构造的能量代价函数、计算每对种子点之间的最优路径,标记新的轮廓边界点,使用路径搜索算法,使这些点以正确的顺序连接,并识别单独的轮廓。
具体地,本发明使用以下一系列操作消除伪边缘对检测物体边缘的影响:
首先,使用迭代阈值法求与关键层种子点相邻的(Niblck自适应门限法15*15)邻域内的分割阈值,由于分割的组织内部总是包含均匀的CT值,因此总是能找到一个合适的分割阀值将组织与背景分开;然后,使用求得的分割阀值在相邻层投影邻域内进行区域生长得到粗分割结果;最后,对粗分割结果使用填洞算法和快速形态学操作进行开运算,填充组织内部细小空洞的同时消除伪边缘的影响,平滑其边缘的同时不明显改变其面积。
其中,迭代阀值法具体实施方法如下:
1、获取图像灰度范围iGrayMin和iGrayMax,iGrayRange=m_iGrayMax-m_iGrayMin+1;
2、遍历图像,得到灰度直方图;
3、求得0到iGrayRange-1范围内的灰度平均值iThreshold;
4、求得0到iThreshold范围内的灰度平均值赋值给iThresholdLow;
5、求得iThreshold到iGrayRange-1范围内的灰度平均值赋值给iThresholdHigh;
6、iThresholdMid=(iThresholdLow+iThresholdHigh)/2;
7、如果iThresholdMid等于iThreshold终止迭代,最优阀值等于,否则iThreshold=iThresholdMid,转到4。
在去除相邻层伪边缘的影响后,本发明使用以下方法寻找相邻层的种子点:等距地选择关键层初始轮廓上的点和关键层初始轮廓的质心点作为相邻层的输入。分别连接关键层的质心和轮廓种子点在相邻层的投影点,形成一个以质心为中心的发射光线图,如图4所示。从关键层轮廓种子点在相邻层的投影点开始,沿着质心的方向使用连续点的方法寻找新的种子点,遇到的第一个在粗分割结果内的点作为候选点,在既定的连续点里若没有找到比它梯度值更大的点,那么将它作为新的种子点,否则替换成梯度值更大的点。在寻找到相邻层的种子点之后,每对种子点利用梯度向量构造的能量代价函数、以及Dijkstra算法计算种子间最优成本路径。为了减小误判种子点对分割造成的误差,使用方法如图5所示。第一次求得点1与点3之间的路径,第二次求得点2与点4之间的路径,以此类推标记出新轮廓的边界点,最后本发明使用一个路径搜索算法将这些点以正确的顺序连接起来,并识别出最大的轮廓边界。具体描述如下:
从第一个轮廓点开始,按逆时针方向搜索相邻像素。如图6所示,深灰色是已经访问过的点,浅灰色是未访问的点,已知当前点p,按照图示0到3的逆时针方向访问邻域点。若遇到已经访问过的点,将其判定为一个轮廓,若此轮廓是最大轮廓将其保存,否则丢弃。该算法被重复,直到所有的边界点都被分配给一个轮廓路径,并设置回溯算法来处理由单像素线连接轮廓的情况。
以下是一个示例性的实施:
S150:组合待分割组织的CT图像的每一层图像的轮廓得到三维的待分割组织。
其中,根据需要重新调整该CT图像的阻光度后,使得一部分结构可见,另一部分结构变成透明。算法重新进行计算每一层的种子点和种子点之间的最优路径。在计算过程中不考虑透明像素的影响,每一层CT图像的轮廓会自动拟合到在新的阻光度下组织的轮廓,组合每一层CT图像轮廓得到三维的图像分割结果。
具体地,以分割肾脏的CT图像为例,图7为关键层的二维交互式分割结果,图8至图13为相邻层自动分割的结果。组合图7至图13得到如图14所示的使用本发明算法分割肾脏的三维可视化结果。
与上述方法相对应,本发明还提供一种CT图像中组织的分割***,图15示出了根据本发明实施列的CT图像中组织的分割***的第一逻辑结构。
如图15所示,本发明提供的CT图像中组织的分割***1500包括组织结构获取单元1510和交互式分割单元1520。
其中,组织结构获取单元1510用于调整CT图像的阻光度,获取CT图像中的组织结构。
交互式分割单元1520用于在所获取的组织结构中确定待分割组织,选择待分割组织的CT图像的其中一层进行交互式分割,获得待分割组织的CT图像的其中一层图像的轮廓;其中,交互式分割的过程为:利用梯度向量构造阻光度下的CT图像的能量代价函数,在与待分割组织相临近的位置选取种子点,根据能量代价函数生成的当前点到种子点之间的最优路径为待分割组织的CT图像的其中一层图像的轮廓。
其中,交互式分割单元1520进一步包括:梯度向量提取单元和能量代价函数生成单元(图中均未示出)。其中,梯度向量提取单元,用于使用高斯函数在x、y方向的偏导数作为卷积核,提取CT图像中每个像素的梯度向量;能量代价函数生成单元用于利用当前点和与当前点相邻的邻域点的梯度向量在当前点8领域方向上的投影向量之和作为当前点的能量代价函数。
进一步地,图16示出了根据本发明实施例的CT图像中组织的分割***的第二逻辑结构。如图16所示,本发明提供的CT图像中组织的分割***还包括:相邻层轮廓生成单元1530、轮廓生成单元1540和结果获得单元1550。
其中,相邻层轮廓生成单元1530用于生成与轮廓所在的层相邻的相邻层的轮廓;其中,生成相邻层的轮廓的过程为:将轮廓所在的层作为关键层,根据层间相关性,在与关键层相邻的相邻层上选取种子点,根据能量代价函数生成的每对种子点之间的最优路径为相邻层的轮廓。
其中,相邻层轮廓生成单元进一步包括:粗分割单元、填充单元、种子点设定单元、轮廓边界点标记单元和轮廓边界点连接单元(图中均未示出)。
其中,粗分割单元用于在关键层的轮廓上等距地选取轮廓种子点作为相邻层的输入,在与关键层相邻的层上使用迭代阈值法进行粗分割。
填充单元用于使用填洞算法填充待分割组织内部的细小空洞,然后使用开运算去除待分割组织周围伪边缘的影响。
种子点设定单元用于将轮廓种子点和关键层的质心点作为相邻层的输入,分别连接轮廓种子点和质心点在相邻层的投影点,形成以质心点为中心的发射光线图,在发射光线图的发射光线方向上设定相邻层的种子点;其中,既是粗分割结果中的点同时又是梯度最大的点才被设定为相邻层的种子点。
轮廓边界点标记单元用于根据能量代价函数计算每对种子点之间的最优路径,并在关键层的轮廓上标记新的轮廓边界点。
轮廓边界点连接单元用于使用路径搜索算法将轮廓边界点顺序连接生成相邻层的轮廓。
轮廓生成单元1540用于生成待分割组织的CT图像的每一层图像的轮廓;其中,利用迭代法在每对相邻层之间使用与生成相邻层的轮廓相同的过程生成待分割组织的CT图像的每一层图像的轮廓。
组合单元1550用于组合待分割组织的CT图像的每一层图像的轮廓得到三维的待分割组织。
如上参照附图以示例的方式描述了根据本发明的CT图像中组织的分割方法及***。但是,本领域技术人员应当理解,对于上述本发明所提出的CT图像中组织的分割方法及***,还可以在不脱离本发明内容的基础上做出各种改进。因此,本发明的保护范围应当由所附的权利要求书的内容确定。
Claims (8)
1.一种CT图像中组织的分割方法,包括:
调整CT图像的阻光度,获取所述CT图像中的组织结构;
在所获取的组织结构中确定待分割组织,选择所述待分割组织的CT图像的其中一层进行交互式分割,获得所述待分割组织的CT图像的其中一层图像的轮廓;其中,
所述交互式分割的过程为:利用梯度向量构造所述阻光度下的CT图像的能量代价函数,在与所述待分割组织相临近的位置选取种子点,根据所述能量代价函数生成的当前点到所述种子点之间的最优路径为所述待分割组织的CT图像的其中一层图像的轮廓。
2.如权利要求1所述的CT图像中组织的分割方法,还包括:
生成与所述轮廓所在的层相邻的相邻层的轮廓;其中,生成所述相邻层的轮廓的过程为:将所述轮廓所在的层作为关键层,根据层间相关性,在与所述关键层相邻的相邻层上选取种子点,根据所述能量代价函数生成的每对种子点之间的最优路径为所述相邻层的轮廓;
生成所述待分割组织的CT图像的每一层图像的轮廓;其中,利用迭代法在每对相邻层之间使用与生成所述相邻层的轮廓相同的过程生成所述待分割组织的CT图像的每一层图像的轮廓;
组合所述待分割组织的CT图像的每一层图像的轮廓得到三维的待分割组织。
3.如权利要求2所述的CT图像中组织的分割方法,其中,生成与所述轮廓所在的层相邻的相邻层的轮廓的过程包括:
在所述关键层的轮廓上等距地选取轮廓种子点作为相邻层的输入,在与所述关键层相邻的层上使用迭代阈值法进行粗分割;
使用填洞算法填充所述待分割组织内部的细小空洞,然后使用开运算去除待分割组织周围伪边缘的影响;
将所述轮廓种子点和所述关键层的质心点作为相邻层的输入,分别连接所述轮廓种子点和所述质心点在相邻层的投影点,形成以所述质心点为中心的发射光线图,在所述发射光线图的发射光线方向上设定相邻层的种子点;其中,既是粗分割结果中的点同时又是梯度最大的点才被设定为相邻层的种子点;
根据所述能量代价函数计算每对种子点之间的最优路径,并在所述关键层的轮廓上标记新的轮廓边界点;
使用路径搜索算法将所述轮廓边界点顺序连接生成所述相邻层的轮廓。
4.如权利要求1所述的CT图像中组织的分割方法,其中,利用梯度向量构造能量代价函数的过程包括:
使用高斯函数在x、y方向的偏导数作为卷积核,提取所述CT图像中每个像素的梯度向量;
利用当前点和与所述当前点相邻的邻域点的梯度向量在当前点8领域方向上的投影向量之和作为能量代价函数。
5.一种CT图像中组织的分割***,包括:
组织结构获取单元,用于调整CT图像的阻光度,获取所述CT图像中的组织结构;
交互式分割单元,用于在所获取的组织结构中确定待分割组织,选择所述待分割组织的CT图像的其中一层进行交互式分割,获得所述待分割组织的CT图像的其中一层图像的轮廓;其中,
所述交互式分割的过程为:利用梯度向量构造所述阻光度下的CT图像的能量代价函数,在与所述待分割组织相临近的位置选取种子点,根据所述能量代价函数生成的当前点到所述种子点之间的最优路径为所述待分割组织的CT图像的其中一层图像的轮廓。
6.如权利要求5所述的CT图像中组织的分割***,还包括:
相邻层轮廓生成单元,用于生成与所述轮廓所在的层相邻的相邻层的轮廓;其中,生成所述相邻层的轮廓的过程为:将所述轮廓所在的层作为关键层,根据层间相关性,在与所述关键层相邻的相邻层上选取种子点,根据所述能量代价函数生成的每对种子点之间的最优路径为所述相邻层的轮廓;
轮廓生成单元,用于生成所述待分割组织的CT图像的每一层图像的轮廓;其中,利用迭代法在每对相邻层之间使用与生成所述相邻层的轮廓相同的过程生成所述待分割组织的CT图像的每一层图像的轮廓;
组合单元,用于组合所述待分割组织的CT图像的每一层图像的轮廓得到三维的待分割组织。
7.如权利要求6所述的CT图像中组织的分割***,其中,所述相邻层轮廓生成单元进一步包括:
粗分割单元,用于在所述关键层的轮廓上等距地选取轮廓种子点作为相邻层的输入,在与所述关键层相邻的层上使用迭代阈值法进行粗分割;
填充单元,用于使用填洞算法填充所述待分割组织内部的细小空洞,然后使用开运算去除待分割组织周围伪边缘的影响;
种子点设定单元,用于将所述轮廓种子点和所述关键层的质心点作为相邻层的输入,分别连接所述轮廓种子点和所述质心点在相邻层的投影点,形成以所述质心点为中心的发射光线图,在所述发射光线图的发射光线方向上设定相邻层的种子点;其中,既是粗分割结果中最大的点同时又是梯度最大的点才被设定为相邻层的种子点;
轮廓边界点标记单元,用于根据所述能量代价函数计算每对种子点之间的最优路径,并在所述关键层的轮廓上标记新的轮廓边界点;
轮廓边界点连接单元,用于使用路径搜索算法将所述轮廓边界点顺序连接生成所述相邻层的轮廓。
8.如权利要求5所述的CT图像中组织的分割***,其中,所述交互式分割单元进一步包括:
梯度向量提取单元,用于使用高斯函数在x、y方向的偏导数作为卷积核,提取所述CT图像中每个像素的梯度向量;
能量代价函数生成单元,用于利用当前点和与所述当前点相邻的邻域点的梯度向量在当前点8领域方向上的投影向量之和作为能量代价函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410357152.7A CN104143190B (zh) | 2014-07-24 | 2014-07-24 | Ct图像中组织的分割方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410357152.7A CN104143190B (zh) | 2014-07-24 | 2014-07-24 | Ct图像中组织的分割方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104143190A true CN104143190A (zh) | 2014-11-12 |
CN104143190B CN104143190B (zh) | 2017-06-09 |
Family
ID=51852358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410357152.7A Active CN104143190B (zh) | 2014-07-24 | 2014-07-24 | Ct图像中组织的分割方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104143190B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513055A (zh) * | 2015-11-26 | 2016-04-20 | 东软集团股份有限公司 | Cta图像中分割组织的方法和装置 |
CN105844617A (zh) * | 2016-03-17 | 2016-08-10 | 电子科技大学 | 一种基于改进的阈值分割算法实现对脑实质的分割 |
CN106780470A (zh) * | 2016-12-23 | 2017-05-31 | 浙江大学 | Ct图像***自动化检测方法 |
CN108122240A (zh) * | 2017-12-19 | 2018-06-05 | 东软集团股份有限公司 | 一种三维图像中的目标区域的确定方法、装置及设备 |
CN108682001A (zh) * | 2018-03-30 | 2018-10-19 | 深圳市深图医学影像设备有限公司 | 骨密度的测量方法及装置 |
CN108932716A (zh) * | 2017-05-26 | 2018-12-04 | 无锡时代天使医疗器械科技有限公司 | 用于牙齿图像的图像分割方法 |
CN109118499A (zh) * | 2018-07-11 | 2019-01-01 | 武汉科技大学 | 基于回溯最短路径算法的相干光断层图像的层分割方法 |
CN109272476A (zh) * | 2018-08-03 | 2019-01-25 | 沈阳东软医疗***有限公司 | Pet/ct的图像融合绘制方法、装置、设备及存储介质 |
CN110766693A (zh) * | 2018-09-06 | 2020-02-07 | 北京连心医疗科技有限公司 | 一种基于多模型神经网络联合预测放疗结构位置的方法 |
CN108447063B (zh) * | 2017-12-15 | 2020-06-19 | 浙江中医药大学 | 脑胶质母细胞瘤的多模态核磁共振图像分割方法 |
CN112419340A (zh) * | 2020-12-09 | 2021-02-26 | 沈阳先进医疗设备技术孵化中心有限公司 | 脑脊液分割模型的生成方法、应用方法及装置 |
WO2022036972A1 (zh) * | 2020-08-17 | 2022-02-24 | 上海商汤智能科技有限公司 | 图像分割方法及装置、电子设备和存储介质 |
CN114266789A (zh) * | 2021-12-28 | 2022-04-01 | 沈阳东软智能医疗科技研究院有限公司 | 基于脑部影像的梗死区域分割方法、装置、设备及介质 |
JP2022548453A (ja) * | 2020-08-17 | 2022-11-21 | 上▲海▼商▲湯▼智能科技有限公司 | 画像分割方法及び装置、電子デバイス並びに記憶媒体 |
CN116152274A (zh) * | 2023-04-23 | 2023-05-23 | 之江实验室 | 一种图像分割方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1301494C (zh) * | 2004-06-07 | 2007-02-21 | 东软飞利浦医疗设备***有限责任公司 | 一种医学图像的三维分割方法 |
-
2014
- 2014-07-24 CN CN201410357152.7A patent/CN104143190B/zh active Active
Non-Patent Citations (6)
Title |
---|
GHASSAN HAMARNEH 等: "3D live-wire-based semi-automatic segmentation of medical images", 《MEDICAL IMAGING 2005: IMAGE PROCESSING》 * |
KONGKUO LU 等: "Segmentation of the central-chest lymph nodes in 3D MDCT images", 《COMPUTERS IN BIOLOGY AND MEDICINE》 * |
吴炳荣: "医学图像序列的交互式分割方法研究", 《中国优秀硕士学位论文全文数据库》 * |
杨金柱 等: "序列医学图像三维分割的一种方法", 《***仿真学报》 * |
王卫平 等: "一种医学图像序列的交互式分割方法", 《电子质量》 * |
金勇 等: "基于特征点集搜索的三维序列livewire分割方法", 《合肥工业大学学报(自然科学版)》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513055B (zh) * | 2015-11-26 | 2018-09-14 | 东软集团股份有限公司 | Cta图像中分割组织的方法和装置 |
CN105513055A (zh) * | 2015-11-26 | 2016-04-20 | 东软集团股份有限公司 | Cta图像中分割组织的方法和装置 |
CN105844617A (zh) * | 2016-03-17 | 2016-08-10 | 电子科技大学 | 一种基于改进的阈值分割算法实现对脑实质的分割 |
CN106780470A (zh) * | 2016-12-23 | 2017-05-31 | 浙江大学 | Ct图像***自动化检测方法 |
CN108932716A (zh) * | 2017-05-26 | 2018-12-04 | 无锡时代天使医疗器械科技有限公司 | 用于牙齿图像的图像分割方法 |
CN108932716B (zh) * | 2017-05-26 | 2020-09-22 | 无锡时代天使医疗器械科技有限公司 | 用于牙齿图像的图像分割方法 |
CN108447063B (zh) * | 2017-12-15 | 2020-06-19 | 浙江中医药大学 | 脑胶质母细胞瘤的多模态核磁共振图像分割方法 |
CN108122240B (zh) * | 2017-12-19 | 2020-06-12 | 东软集团股份有限公司 | 一种三维图像中的目标区域的确定方法、装置及设备 |
CN108122240A (zh) * | 2017-12-19 | 2018-06-05 | 东软集团股份有限公司 | 一种三维图像中的目标区域的确定方法、装置及设备 |
CN108682001A (zh) * | 2018-03-30 | 2018-10-19 | 深圳市深图医学影像设备有限公司 | 骨密度的测量方法及装置 |
CN109118499B (zh) * | 2018-07-11 | 2020-06-16 | 武汉科技大学 | 基于回溯最短路径算法的相干光断层图像的层分割方法 |
CN109118499A (zh) * | 2018-07-11 | 2019-01-01 | 武汉科技大学 | 基于回溯最短路径算法的相干光断层图像的层分割方法 |
CN109272476A (zh) * | 2018-08-03 | 2019-01-25 | 沈阳东软医疗***有限公司 | Pet/ct的图像融合绘制方法、装置、设备及存储介质 |
CN109272476B (zh) * | 2018-08-03 | 2021-12-31 | 东软医疗***股份有限公司 | Pet/ct的图像融合绘制方法、装置、设备及存储介质 |
CN110766693A (zh) * | 2018-09-06 | 2020-02-07 | 北京连心医疗科技有限公司 | 一种基于多模型神经网络联合预测放疗结构位置的方法 |
WO2022036972A1 (zh) * | 2020-08-17 | 2022-02-24 | 上海商汤智能科技有限公司 | 图像分割方法及装置、电子设备和存储介质 |
JP2022548453A (ja) * | 2020-08-17 | 2022-11-21 | 上▲海▼商▲湯▼智能科技有限公司 | 画像分割方法及び装置、電子デバイス並びに記憶媒体 |
CN112419340A (zh) * | 2020-12-09 | 2021-02-26 | 沈阳先进医疗设备技术孵化中心有限公司 | 脑脊液分割模型的生成方法、应用方法及装置 |
CN114266789A (zh) * | 2021-12-28 | 2022-04-01 | 沈阳东软智能医疗科技研究院有限公司 | 基于脑部影像的梗死区域分割方法、装置、设备及介质 |
CN116152274A (zh) * | 2023-04-23 | 2023-05-23 | 之江实验室 | 一种图像分割方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104143190B (zh) | 2017-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104143190B (zh) | Ct图像中组织的分割方法及*** | |
US10453200B2 (en) | Automated segmentation using deep learned priors | |
Rebouças Filho et al. | Novel and powerful 3D adaptive crisp active contour method applied in the segmentation of CT lung images | |
Cheng et al. | Accurate vessel segmentation with constrained B-snake | |
EP3128919B1 (en) | Lung segmentation and bone suppression techniques for radiographic images | |
US7672493B2 (en) | Method for analyzing medical image data using level set | |
Mukherjee et al. | Lung nodule segmentation using deep learned prior based graph cut | |
US7787673B2 (en) | Method and apparatus for airway detection and segmentation using 3D morphological operators | |
EP3497669B1 (en) | Method for automatically detecting systemic arteries in arbitrary field-of-view computed tomography angiography (cta). | |
US7764816B2 (en) | Method for analyzing medical image data | |
CN102270342A (zh) | 用于检查图像数据中的结构的分割的方法 | |
US10521906B2 (en) | Method and image processor for evaluating a contrast agent-enhanced magnetic resonance slice image of a heart | |
US7480401B2 (en) | Method for local surface smoothing with application to chest wall nodule segmentation in lung CT data | |
EP3872755B1 (en) | Method for providing airway information | |
CN104751457B (zh) | 一种新的基于变分能量的肝脏分割方法 | |
US7747051B2 (en) | Distance transform based vessel detection for nodule segmentation and analysis | |
He et al. | 3-D B-spline wavelet-based local standard deviation (BWLSD): its application to edge detection and vascular segmentation in magnetic resonance angiography | |
WO2015150320A1 (en) | Segmentation of tubular organ structures | |
KR101251822B1 (ko) | 동적조영증강 폐 전산화단층촬영 영상에서 관류 분석 시스템 및 방법 | |
CN111260673B (zh) | 一种适用边缘破碎脏器造影的脏器实质分割方法及装置 | |
Li et al. | Vessels as 4D curves: Global minimal 4D paths to extract 3D tubular surfaces | |
Fotin et al. | A multiscale Laplacian of Gaussian (LoG) filtering approach to pulmonary nodule detection from whole-lung CT scans | |
Appia et al. | Lung fissure detection in CT images using global minimal paths | |
Subašić et al. | Model-based quantitative AAA image analysis using a priori knowledge | |
Zhao et al. | Automated 4D Segmentation of Aortic Magnetic Resonance Images. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |