CN104318553A - 基于自适应表面形变模型的ct图像肝脏分割方法 - Google Patents
基于自适应表面形变模型的ct图像肝脏分割方法 Download PDFInfo
- Publication number
- CN104318553A CN104318553A CN201410543371.4A CN201410543371A CN104318553A CN 104318553 A CN104318553 A CN 104318553A CN 201410543371 A CN201410543371 A CN 201410543371A CN 104318553 A CN104318553 A CN 104318553A
- Authority
- CN
- China
- Prior art keywords
- model
- image
- force
- gradient
- liver
- 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
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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
-
- 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
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提出了一种基于自适应表面形变模型的CT图像肝脏分割方法,为肝脏疾病的临床诊断提供了一种便利工具。首先利用各向异性滤波的方法对图像进行预处理,得到初始边界图像;第二步,利用球形简单形变模型(Deformable Simplex Model,DSM)描述肝脏的初始轮廓;第三步根据模型顶点及与其邻域之间的关系计算模型的内力,由原始图像的梯度和边界来计算模型的外力;第四步构建模型的内力、外力的约束模型;第五步三角网格的自适应分解模型;第六步设定迭代次数并在内力、外力和气球力的驱动下逼近目标区域;最后得到精确的分割结果。
Description
技术领域
本发明涉及一种基于自适应表面形变模型的CT图像肝脏分割方法,属于肝脏分割的图像扫描领域。
背景技术
肝脏是人体内最大的代谢器官,人体所需物质和营养素的合成、分解、转化和存储中心。而肝脏分割是计算机辅助诊疗、肿瘤切除、手术规划和活体移植的重要基础。肝脏分割的结果直接影响到肝脏三维重建的精确度,影响医生对肝脏中病灶的诊断和治疗。所以对肝脏分割方法的研究不仅具有重要的学术意义且具有重要的临床应用价值。
然而,在计算机断层扫描(CT)图像中,肝脏组织的灰度值往往与其邻近的心脏、胃等组织相近,使简单的阈值分割和区域增长等方法无法实现肝脏的精确分割,且大多数临床图像中都承载着肝脏组织的严重疾病,如肝脏肿瘤、肝硬化、或部分肝脏切除后的伤疤等信息。所有这些特殊情况的准确诊断和治疗都必须通过提高肝脏分割算法来实现。近年来,许多研究学者尝试不同领域的分割算法应用到肝脏的分割应用中,其主流算法是基于模型的分割算法,主要包括可形变模型(Deformable Models,DM)、概率图谱模型(ProbabilisticAtlas Models,PAM)和统计形状模型(Statistical Shape Models,SSM)等。然而,由于肝脏组织形状的多变性和复杂性,肝脏分割的精确性问题仍然未能得到很好地解决。当今主流的基于模型的分割算法主要存在以下方面的局限性:
1.形变模型的初始位置严重影响最后的分割结果,假如模型初始化太小,则容易产生模型达到局部平衡或缩小为一个点的情况。此时,不能有效分割出肝脏组织。
2.假如模型初始化太大时,则容易使形变模型溢出分割区域,产生过分割。
3.由于形变模型平滑力的影响,致使其不能有效的进入肝脏的细长尖角区域,严重影响分割精度。
发明内容
针对上述问题,本发明提出了一种基于自适应表面形变模型的CT图像肝脏分割方法,能够分割出准确的肝脏区域,避免了人为干扰,显著提高了分割效率。
该基于自适应表面形变模型的CT图像肝脏分割方法,主要包括以下步骤:
第一步:利用各向异性扩散滤波对原始图像进行预处理,并得到初始边界图像;
第二步:模型初始位姿设定:输入肝脏的原始图像,并初始化成基于简单形变模型的球形描述模型,用于表示肝脏组织的初始表面;
第三步:模型内、外力计算:获得原始CT图像的梯度图并利用梯度计算模型的外力,并利用初始化的球形描述模型内部关系获得形变模型的内力;
第四步:构建内、外力的约束模型:利用原始图像的灰度直方图获得包含有分割目标区域的二值图像,并利用此二值图像约束模型的外力;
第五步:三角网格的自适应分解:在模型形变过程中,计算三角网格的面积,如果大于某一个阈值,则在三角网格的重心***新的模型顶点,将原始的三角网格分解为三个面积较小的三角网格;
第六步:模型的迭代形变:设定迭代次数,进行模型的迭代形变,使其有效逼近目标区域,并得到最终分割结果。
本发明的有益效果:
1.利用DSM的球形描述模型表示肝脏的初始表面。
2.提出了模型内力的约束方法,使其能够分割肝脏的细长尖角区域。
3.构建了模型外力的约束方法,使其能够限制模型分割算法的过分割问题。
4.提出了基于模型顶点法向量的气球力计算方法,并将其添加到模型的形变过程中,使模型能够避免达到局部平衡或缩小为一个点的缺陷。
5.提出了模型在形变过程中,三角网格可以自适应的分解,从而保证分割结果的平滑性和准确性。
附图说明
图1是本发明所提出的工作流程图;
图2是本发明所提出的内力计算方法示意图;
图3是本发明所提出的自适应三角网格分解的示意图。
具体实施方式
如附图1所示,本发明的流程图,具体包括以下几个步骤:
步骤S101,图像预处理。
利用各向异性扩散滤波的方法对原始图像进行预处理,得到与原始图像相对应的边界图像。
步骤S102,模型的初始化。
通过输入的原始肝脏CT图像,确定肝脏组织的大概区域,并计算此区域的重心。以此重心为球心,以重心到区域边界的最短距离为半径初始化一个基于DSM描述的球形模型。以此作为肝脏组织的初始表面。
步骤S103,模型内、外力的计算。
如附图2所示,模型的内力分为切向力Ftangent和法向力Fnormal。其中切向力的计算公式如下:
其中,和ωi1+ωi2+ωi3=1是顶点Pi的权重系数,并以此系数来描述顶点与其邻域(Pi1,Pi2,Pi3)的位置关系。αtangent是切向力的权重系数。
法向力的计算公式如下:
其中,是本专利定义的在Pi点处与其邻域(Pi1,Pi2,Pi3)之间的角度,其计算公式如下:
L(ri,di,θi)定义为:
其中,
模型的外力分为梯度力Fgradient和边界力Fedge,其中梯度力的计算公式如下:
其中,是一个在[0,1]内的权重系数,Pi是模型中的一个顶点,Gi是包含顶点Pi的m×m×m区域的中心点。
边界力的计算公式如下:
其中,是一个在[0,1]内的权重系数,Pi是模型中的一个顶点,Ei-Pi是与法向量共线的向量。
模型气球力的计算由原始图像的梯度图确定,其计算公式如下所示:
其中,是Pi点处的法线方向,T(I)是权重系数,其定义如下:
其中,(Imin≤Imax)为包含肝脏组织的灰度阈值。
步骤S104,构建内、外力的约束模型。
1)内力的约束模型
本发明改进了权重系数αtangent,使模型某点的切向力Ftangent根据原始图像的梯度增大而增大,计算公式如下:
其中,“▽”是梯度算子,I(x,y,z)为原始图像。
本发明同时改进了权重系数αnormal,使模型某点的法向力Ftangent根据原始图像的梯度增大而减小,计算公式如下:
2)外力的约束模型
本发明改进了权重系数使模型某点的梯度力Fgradient随着此点与二值图像Ibinary(x,y,z)的边界距离增大而增大,计算公式如下:
其中,K是一个大于0的常量,f根据原始图像的二值图像Ibinary(x,y,z)得到的边界图,其计算公式如下:
其中,“▽”是梯度算子,是方差为σ的高斯核函数。
本发明同时改进了权重系数使模型某点的边界力Fedge随着此点与二值图像Ibinary(x,y,z)的边界距离增大而减小,计算公式如下:
本发明修改了整体外力的权重系数T(I),将其定义如下:
其中,(Imin≤Imax)为包含肝脏组织的灰度阈值。
步骤S105,三角网格的自适应分解。
如图3所示,设定三角网格的面积阈值为S,则在形变的过程中,如果模型中某一个三角网格的面积大于此阈值,则在其重心***新的顶点,将原始三角面片分解为三个面积较小的三角面片。
步骤S106,模型的迭代形变。
设定迭代次数Tend,并利用得到的内力Finternal,外力Fexternal和气球力Fballoon驱动模型的形变,得到精确的三维肝脏组织分割结果。
步骤S107,分割结果。
得到最终的分割结果。
虽然参考优选实施例对本发明进行描述,但以上所述实例并不构成本发明保护范围的限定,任何在本发明的精神及原则内的修改、等同替换和改进等,均应包含在本发明的权利要求保护范围内。
Claims (7)
1.基于自适应表面形变模型的CT图像肝脏分割方法,其特征在于,主要包括以下步骤:
第一步:利用各向异性扩散滤波对原始图像进行预处理,并得到初始边界图像;
第二步:模型初始位姿设定:输入肝脏的原始图像,并初始化成基于简单形变模型的球形描述模型,用于表示肝脏组织的初始表面;
第三步:模型内、外力计算:获得原始CT图像的梯度图并利用梯度计算模型的外力,并利用初始化的球形描述模型内部关系获得形变模型的内力;
第四步:构建内外力的约束模型:利用原始图像的灰度直方图获得包含有分割目标区域的二值图像,并利用此二值图像约束模型的外力;
第五步:三角网格的自适应分解:在模型形变过程中,计算三角网格的面积,如果大于某一个阈值,则在三角网格的重心***新的模型顶点,将原始的三角网格分解为三个面积较小的三角网格;
第六步:模型的迭代形变:设定迭代次数,进行模型的迭代形变,使其有效逼近目标区域,并得到最终分割结果。
2.如权利要求1所述的基于自适应表面形变模型的CT图像肝脏分割方法,其特征在于,所述第三步中,根据图像的梯度和边界信息计算模型的梯度力Fgradient和边界力Fedge,从而构建模型的外力Fexternal=Fgradient+Fedge。
3.如权利要求2所述的基于自适应表面形变模型的CT图像肝脏分割方法,其特征在于,所述第三步中,模型的梯度力Fgradient的计算公式如下:
其中,是一个在[0,1]内的权重系数,Pi是模型中的一个顶点,Gi是包含顶点Pi的m×m×m区域的中心点,是Pi点处的法线方向。
4.如权利要求3所述的基于自适应表面形变模型的CT图像肝脏分割方法,其特征在于,其中权重系数使模型某点的梯度力Fgradient随着此点与二值图像Ibinary(x,y,z)的边界距离增大而增大,计算公式如下:
其中,K是一个大于0的常量,f为根据原始图像的二值图像Ibinary(x,y,z)得到的边界图,其计算公式如下:
其中,“”是梯度算子,是方差为σ的高斯核函数。
5.如权利要求3所述的基于自适应表面形变模型的CT图像肝脏分割方法,其特征在于,所述第三步中,模型的边界力Fedge的计算公式如下:
其中,是一个在[0,1]内的权重系数,Pi是模型中的一个顶点,Ei-Pi是与法向量共线的向量。
6.如权利要求5所述的基于自适应表面形变模型的CT图像肝脏分割方法,其特征在于,权重系数使模型某点的边界力Fedge随着此点与二值图像的边界距离增大而减小,计算公式如下:
其中,K是一个大于0的常量,f为根据原始图像的二值图像Ibinary(x,y,z)得到的边界图,其计算公式如下:
其中,“”是梯度算子,是方差为σ的高斯核函数。
7.如权利要求1所述的基于自适应表面形变模型的CT图像肝脏分割方法,其特征在于,所述第三步中,根据模型某顶点与其邻域的位置关系计算模型的切向力Ftangent和法向力Fnormal,从而构建模型的内力Fint ernal=Ftan gent+Fnormal。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410543371.4A CN104318553B (zh) | 2014-10-15 | 2014-10-15 | 基于自适应表面形变模型的ct图像肝脏分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410543371.4A CN104318553B (zh) | 2014-10-15 | 2014-10-15 | 基于自适应表面形变模型的ct图像肝脏分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104318553A true CN104318553A (zh) | 2015-01-28 |
CN104318553B CN104318553B (zh) | 2017-07-14 |
Family
ID=52373779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410543371.4A Active CN104318553B (zh) | 2014-10-15 | 2014-10-15 | 基于自适应表面形变模型的ct图像肝脏分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104318553B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610121A (zh) * | 2017-09-28 | 2018-01-19 | 河北大学 | 一种肝脏统计形状模型初始位姿设定方法 |
CN107993293A (zh) * | 2017-11-09 | 2018-05-04 | 大连理工大学 | 一种包含中国人群差异的三维可交互式解剖教学方法 |
CN109801255A (zh) * | 2018-12-10 | 2019-05-24 | 艾瑞迈迪科技石家庄有限公司 | 一种腹腔多器官识别建模方法及装置 |
CN113177952A (zh) * | 2021-04-27 | 2021-07-27 | 湖南科技大学 | 基于方向信息的腹部ct图像肝脏区域自动分割方法 |
WO2021213053A1 (zh) * | 2020-10-19 | 2021-10-28 | 浙江省肿瘤医院 | 基于软组织表面形变估计组织内部目标运动的***与方法 |
CN113592890A (zh) * | 2021-05-28 | 2021-11-02 | 北京医准智能科技有限公司 | 一种ct图像肝脏分割方法及装置 |
CN113658193A (zh) * | 2021-07-08 | 2021-11-16 | 西安理工大学 | 基于信息融合的肝脏ct影像肿瘤分割方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101685547A (zh) * | 2008-03-17 | 2010-03-31 | 奥多比公司 | 用于使用曲面法向约束的曲面膨胀的方法和装置 |
CN101807296A (zh) * | 2009-02-16 | 2010-08-18 | 海信集团有限公司 | 医学超声影像三维目标对象的分割方法 |
CN102402788A (zh) * | 2011-12-22 | 2012-04-04 | 华南理工大学 | 一种三维超声图像的分割方法 |
-
2014
- 2014-10-15 CN CN201410543371.4A patent/CN104318553B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101685547A (zh) * | 2008-03-17 | 2010-03-31 | 奥多比公司 | 用于使用曲面法向约束的曲面膨胀的方法和装置 |
CN101807296A (zh) * | 2009-02-16 | 2010-08-18 | 海信集团有限公司 | 医学超声影像三维目标对象的分割方法 |
CN102402788A (zh) * | 2011-12-22 | 2012-04-04 | 华南理工大学 | 一种三维超声图像的分割方法 |
Non-Patent Citations (5)
Title |
---|
HERVE ´ DELINGETTE: "General Object Reconstruction based on Simplex Meshes", 《INRIA》 * |
LEILA BAGHDADI等: "Semi-Automatic segmentation of multiple mouse embryos in MR images", 《BMC BIOINFORMATICS》 * |
丛伟建: "基于造影图像的能量场反投影合成冠脉三维重建", 《中国科学:信息科学》 * |
胡建平: "三角网格曲面的重新网格化", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
陈家新: "《医学图像处理及三维重建技术研究》", 31 May 2010 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610121A (zh) * | 2017-09-28 | 2018-01-19 | 河北大学 | 一种肝脏统计形状模型初始位姿设定方法 |
CN107610121B (zh) * | 2017-09-28 | 2019-11-15 | 河北大学 | 一种肝脏统计形状模型初始位姿设定方法 |
CN107993293A (zh) * | 2017-11-09 | 2018-05-04 | 大连理工大学 | 一种包含中国人群差异的三维可交互式解剖教学方法 |
CN107993293B (zh) * | 2017-11-09 | 2021-01-05 | 大连理工大学 | 一种包含中国人群差异的三维可交互式解剖教学方法 |
CN109801255A (zh) * | 2018-12-10 | 2019-05-24 | 艾瑞迈迪科技石家庄有限公司 | 一种腹腔多器官识别建模方法及装置 |
WO2021213053A1 (zh) * | 2020-10-19 | 2021-10-28 | 浙江省肿瘤医院 | 基于软组织表面形变估计组织内部目标运动的***与方法 |
CN113177952A (zh) * | 2021-04-27 | 2021-07-27 | 湖南科技大学 | 基于方向信息的腹部ct图像肝脏区域自动分割方法 |
CN113592890A (zh) * | 2021-05-28 | 2021-11-02 | 北京医准智能科技有限公司 | 一种ct图像肝脏分割方法及装置 |
CN113592890B (zh) * | 2021-05-28 | 2022-02-11 | 北京医准智能科技有限公司 | 一种ct图像肝脏分割方法及装置 |
CN113658193A (zh) * | 2021-07-08 | 2021-11-16 | 西安理工大学 | 基于信息融合的肝脏ct影像肿瘤分割方法 |
CN113658193B (zh) * | 2021-07-08 | 2024-04-12 | 西安理工大学 | 基于信息融合的肝脏ct影像肿瘤分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104318553B (zh) | 2017-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104318553A (zh) | 基于自适应表面形变模型的ct图像肝脏分割方法 | |
Liu et al. | Deep learning framework based on integration of S-Mask R-CNN and Inception-v3 for ultrasound image-aided diagnosis of prostate cancer | |
US20190355117A1 (en) | Techniques for Segmentation of Lymph Nodes, Lung Lesions and Other Solid or Part-Solid Objects | |
CN102800089B (zh) | 基于颈部超声图像的主颈动脉血管提取和厚度测量方法 | |
CN103353987B (zh) | 一种基于模糊理论的超像素分割方法 | |
CN109903396A (zh) | 一种基于曲面参数化的牙齿三维模型自动分割方法 | |
Xia et al. | Individual tooth segmentation from CT images scanned with contacts of maxillary and mandible teeth | |
CN106204587A (zh) | 基于深度卷积神经网络和区域竞争模型的多器官分割方法 | |
CN105389811A (zh) | 一种基于多级阈值分割的多模态医学图像处理方法 | |
CN104809723A (zh) | 基于超体素和图割算法的三维肝脏ct图像自动分割方法 | |
CN109753997B (zh) | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 | |
CN102609913B (zh) | Cta图像中肝脏血管增强及肝脏与血管同时分割的方法 | |
CN106296675A (zh) | 一种高噪声灰度不均匀图像的分割方法 | |
CN101571951B (zh) | 基于邻域概率密度函数特征的水平集图像分割方法 | |
CN102938027A (zh) | 一种计算机辅助肝脏移植手术规划***的实现方法 | |
CN104408734A (zh) | 联合图像分割与形变配准技术的自适应目标区域转换方法 | |
CN105678747A (zh) | 一种基于主曲率的牙齿网格模型自动分割方法 | |
CN107220965A (zh) | 一种图像分割方法及*** | |
Hu et al. | A 2.5 D cancer segmentation for MRI images based on U-Net | |
CN109166167B (zh) | 一种基于点集体素的多质分界面提取方法 | |
Chen et al. | A generalized asymmetric dual-front model for active contours and image segmentation | |
CN107424162A (zh) | 一种图像分割方法及*** | |
WO2017062453A1 (en) | Image segmentation of organs depicted in computed tomography images | |
Peng et al. | Semi-automatic prostate segmentation from ultrasound images using machine learning and principal curve based on interpretable mathematical model expression | |
CN109829885B (zh) | 一种基于深度语义分割网络的自动识别鼻咽癌原发肿瘤方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20180905 Address after: 100086 Qingyun contemporary building 13, 1306, room 9, mansion court garden, Qingyun Li, Haidian District, Beijing. Patentee after: Ari Mai Di medical technology (Beijing) Co., Ltd. Address before: 100081 No. 5, Zhongguancun South Street, Haidian District, Beijing Patentee before: BEIJING INSTITUTE OF TECHNOLOGY |