CN106780728B - 一种基于医学影像的单个器官拆分方法及*** - Google Patents

一种基于医学影像的单个器官拆分方法及*** Download PDF

Info

Publication number
CN106780728B
CN106780728B CN201710110874.6A CN201710110874A CN106780728B CN 106780728 B CN106780728 B CN 106780728B CN 201710110874 A CN201710110874 A CN 201710110874A CN 106780728 B CN106780728 B CN 106780728B
Authority
CN
China
Prior art keywords
image
organ
liver
brain
region
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
Application number
CN201710110874.6A
Other languages
English (en)
Other versions
CN106780728A (zh
Inventor
曲建明
蒲立新
曲飞寰
范计朋
柏利娅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CHENGDU GOLDISC UESTC MULTIMEDIA TECHNOLOGY CO LTD
Original Assignee
CHENGDU GOLDISC UESTC MULTIMEDIA TECHNOLOGY CO LTD
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CHENGDU GOLDISC UESTC MULTIMEDIA TECHNOLOGY CO LTD filed Critical CHENGDU GOLDISC UESTC MULTIMEDIA TECHNOLOGY CO LTD
Priority to CN201710110874.6A priority Critical patent/CN106780728B/zh
Publication of CN106780728A publication Critical patent/CN106780728A/zh
Application granted granted Critical
Publication of CN106780728B publication Critical patent/CN106780728B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Computer Graphics (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于医学影像的单个器官拆分方法及***，方法包括以下步骤：S01：获取待拆分器官的薄层扫描图像；S02：基于薄层扫描图像，对所述带拆分器官进行三维建模；S03：对三维建模得到的模型进行多区域拆分。本发明将医学图像分割不仅停留在对整个器官与外部非器官部分进行分割，还进一步的对器官的各个区域进行分割，方便后期对患者可能患病器官的观察，以及对于病灶（肿瘤）/靶区位置的分析。

Description

一种基于医学影像的单个器官拆分方法及***
技术领域
本发明涉及医学图像处理领域，尤其涉及一种基于医学影像的单个器官拆分方法及***。
背景技术
医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。它包含以下两个相对独立的研究方向：医学成像***（medical imaging system）和医学图像处理（medical image processing）。前者是指图像形成的过程，包括对成像机理、成像设备、成像***分析等问题的研究；后者是指对已经获得的图像作进一步的处理，其目的是或者是使原来不够清晰的图像复原，或者是为了突出图像中的某些特征信息，或者是对图像做模式分类等等。
现有技术的医学影像的形成方式包括CT(Computed Tomography)，即电子计算机断层扫描；MR〔Magnetic Resonance〕，即磁共振；DSA（Digital subtractionangiography），即数字血管造影。上述方式均会先采集多幅图像而后进行处理。在本申请中均称为薄层扫描图像。
医学图像分割，指的是一个根据区域间的相似或不同把图像分割成若干区域的过程。目前，主要以各种细胞、组织与器官的图像作为处理的对象。例如磁共振颅脑图像的分割，其目的就在于清晰地描绘出颅脑各个解剖结构的边界，如灰质、白质、脑脊液以及 MR图像中的其它组织，从而提高图像的可读性，为医生诊断和治疗疾病提供更直观的影像信息。
然而现有技术对医学图像分割仅仅停留在对整个器官与外部非器官部分进行分割：比如申请号为CN201510729150.0的发明专利，该发明公开了一种医学图像中器官的识别与分割方法，识别方法包括：获取待处理的医学图像，将所述医学图像分别在X、Y 和Z 轴方向拆分成若干二维图像，并根据目标器官的大小设定检测窗口；利用所述检测窗口按照设定的检测步长分别对所述二维图像进行遍历检测，获取在X、Y 和Z 轴方向的检测结果；将所述检测结果进行结果融合，保留在X、Y和Z 轴三个方向上都检测为阳性的像素点，从而确定所述目标器官边界。又比如申请号为CN201510672278.8的发明专利，该发明公开了一种人体解剖结构模型、植入物快速成型方法，其中公开了该方法首先利用医疗成像***、三维扫描仪、摄像摄影设备获取目标结构的图像数据；然后通过软件处理图像得到植入物、解剖结构或解剖结构各个部分、各个层次的三维数字模型。并不对某个器官的各个区域进行分割。比如，脑部就包括额叶、颞叶、顶叶、枕叶及小脑等部分，肝脏包括肝左叶和肝右叶等部分。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于医学影像的单个器官拆分方法及***，将医学图像分割不仅停留在对整个器官与外部非器官部分进行分割，还进一步的对器官的各个区域进行分割，方便后期对病灶（肿瘤）/靶区位置的分析。
本发明的目的是通过以下技术方案来实现的：一种基于医学影像的单个器官拆分方法，包括以下步骤：
S01：获取待拆分器官的薄层扫描图像；
S02：基于薄层扫描图像，对所述带拆分器官进行三维建模；
S03：对三维建模得到的模型进行多区域拆分。
步骤S02包括以下子步骤：
S021：识别器官，将器官周围的非器官部分进行分离；
S022：与多种该器官的标准模板进行比较，判断器官形态，并匹配该形态的标准模板；
S023：对该器官进行三维建模。
当器官形态为坍塌或者萎缩或者不完全，则手动对坍塌或者萎缩或者不完全的器官边界进行划分。
所述的待拆分器官为脑叶，所述的多区域为额叶、颞叶、顶叶、枕叶及小脑；所述的方法包括以下子步骤：
S11：获取脑叶的薄层扫描图像；
S12：对脑叶的薄层扫描图像进行去头皮去骨处理，构建头部模型；所述的构建头部模型采用图像特征子步骤和定位子步骤实现；所述的图像特征子步骤包括对扫描图像的脑部沟壑进行判断，根据灰度的不同得到脑叶的边界；所述的定位子步骤包括根据对器官的标准模板进行十字交叉定位确认脑叶的边界；
S13：对构建的头部模型进行多区域拆分，包括以下子步骤：
S131：针对任意一个图像，将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理，把模板空间的各个脑叶分区图像对应变形到个体脑空间，完成大脑区域分割；
S132：将个体空间脑叶图像进行二值化处理，形成脑叶mask矩阵；
S133：将脑叶mask矩阵转化为***可识别的区域。
所述的待拆分器官为肝脏，所述的多区域为肝左叶和肝右叶；所述的方法包括以下子步骤：
S21：使用DCMTK读取肝脏的DICOM序列图像；
S22：对所述待拆分器官进行三维建模，包括以下子步骤：
S221：采用各向异性扩散滤波算法去掉噪声，强化图像边缘；
S222：采用OTSU算法强化图像特征；
S223：采用形态学算法、或者水平集分割算法、或者自适应区域生长算法和BP神经网络算法的结合，提取肝脏区域；
S224：腐蚀提取后的图像，并采用漫水填充法对图像进行后处理；
S225：将步骤S224得到的图像与原始图像相与，得到最终的肝脏区域；
S23：对得到的肝脏区域进行多区域拆分，包括以下子步骤：
S231：针对任意一个图像，将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理，把模板空间的各个肝脏分区图像对应变形到个体肝脏空间，完成肝脏区域分割；
S232：将个体空间肝脏图像进行二值化处理，形成脑叶mask矩阵；
S233：将肝脏mask矩阵转化为***可识别的区域。
一种基于医学影像的单个器官拆分***，包括：
薄层扫描图像获取模块：用于获取待拆分器官的薄层扫描图像；
三维建模模块：用于基于薄层扫描图像，对所述带拆分器官进行三维建模；
器官拆分模块：对三维建模得到的模型进行多区域拆分。
所述的三维建模模块包括：
器官识别单元：用于将器官周围的非器官部分进行分离；
器官形态比较与匹配单元：用于与多种该器官的标准模板进行比较，判断器官形态，并匹配该形态的标准模板；
器官三维建模单元：用于对该器官进行三维建模。
当器官形态为坍塌或者萎缩或者不完全，则手动对坍塌或者萎缩或者不完全的器官边界进行划分。
所述的待拆分器官为脑叶，所述的多区域为额叶、颞叶、顶叶、枕叶及小脑；
所述的薄层扫描图像获取模块用于获取脑叶的薄层扫描图像；
所述的三维建模模块包括：
预处理单元：用于对脑叶的薄层扫描图像进行去头皮去骨处理；
头部模型构建单元：用于基于预处理后的薄层扫描图像构建头部模型；所述的构建头部模型采用图像特征算法和定位算法实现；所述的图像特征算法包括对扫描图像的脑部沟壑进行判断，根据灰度的不同得到脑叶的边界；所述的定位算法包括根据对器官的标准模板进行十字交叉定位确认脑叶的边界；
所述的器官拆分模块包括：
器官拆分与空间转换单元：用于针对任意一个图像，将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理，把模板空间的各个脑叶分区图像对应变形到个体脑空间，完成大脑区域分割；
二值化单元：用于将个体空间脑叶图像进行二值化处理，形成脑叶mask矩阵；
转换单元：用于将脑叶mask矩阵进行再转化，转化为***可识别的区域。
所述的待拆分器官为肝脏，所述的多区域为肝左叶和肝右叶；
所述的薄层扫描图像获取模块用于使用DCMTK读取肝脏的DICOM序列图像；
所述的三维建模模块包括：
预处理单元：采用各向异性扩散滤波算法去掉噪声，强化图像边缘；
图像特征强化单元：采用OTSU算法强化图像特征；
肝脏区域提取单元：采用形态学算法、或者水平集分割算法、或者自适应区域生长算法和BP神经网络算法的结合，提取肝脏区域；
后处理单元：用于对提取的肝脏区域进行腐蚀处理，并采用漫水填充法对图像进行后处理；
肝脏区域确定单元：将后处理单元得到的图像与原始图像相与，得到最终的肝脏区域；
所述的器官拆分模块用于对得到的肝脏区域进行多区域拆分包括：
器官拆分与空间转换单元：用于针对任意一个图像，将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理，把模板空间的各个肝脏分区图像对应变形到个体肝脏空间，完成肝脏区域分割；
二值化单元：用于将个体空间肝脏图像进行二值化处理，形成肝脏mask矩阵；
转换单元：用于将肝脏mask矩阵进行再转化，转化为***可识别的区域。
本发明的有益效果是：本发明提供了一种基于医学影像的单个器官拆分方法及***，将医学图像分割不仅停留在对整个器官与外部非器官部分进行分割，还进一步的对器官的各个区域进行分割，方便后期对患者可能患病器官的观察，以及对于病灶（肿瘤）/靶区位置的分析。
附图说明
图1为本发明方法流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案：如图1所示，一种基于医学影像的单个器官拆分方法，包括以下步骤：
S01：获取待拆分器官的薄层扫描图像；
S02：基于薄层扫描图像，对所述带拆分器官进行三维建模；
S03：对三维建模得到的模型进行多区域拆分。
在下述任意一个实施例中，薄层扫描图像为CT、MR或DSA中任意一个得到的图像。
其中，由于待拆分器官不一定是通常意义下完整的器官，会与标准模板的器官具有一定差异，因此会有一个预先判断的步骤，具体地：
步骤S02包括以下子步骤：
S021：识别器官，将器官周围的非器官部分进行分离；
S022：与多种该器官的标准模板进行比较，判断器官形态，并匹配该形态的标准模板；
S023：对该器官进行三维建模。
并且进一步地，当器官形态为坍塌或者萎缩或者不完全，则手动对坍塌或者萎缩或者不完全的器官边界进行划分。比如当判断出为颞叶萎缩的脑部，则选择颞叶萎缩的标准模板完成三维建模以及区域划分，对于颞叶的边界则采用手动划分的方式实现。
另外，标准模板的器官为已经划分了区域的模板，便于后期的对照。
实施例1为对脑叶的拆分；在本实施例中，所述的待拆分器官为脑叶，所述的多区域为额叶、颞叶、顶叶、枕叶及小脑。
对应地，所述的方法包括以下子步骤：
S11：获取T1加权成像的脑叶的薄层扫描图像；
T1加权成像（T1-weighted imaging，T1WI）是指这种成像方法重点突出组织纵向弛豫差别，而尽量减少组织其他特性如横向弛豫等对图像的影响。
S12：对脑叶的薄层扫描图像进行去头皮去骨处理，构建头部模型；所述的构建头部模型采用图像特征子步骤和定位子步骤实现；所述的图像特征子步骤包括对扫描图像的脑部沟壑进行判断，根据灰度的不同得到脑叶的边界；所述的定位子步骤包括根据对器官的标准模板进行十字交叉定位确认脑叶的边界；
采用两种方式共同对脑叶边界进行划分，得到的效果更好。
S13：对构建的头部模型进行多区域拆分，包括以下子步骤：
S131：针对任意一个图像，将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理，把模板空间的各个脑叶分区图像对应变形到个体脑空间，完成大脑区域分割；
S132：将个体空间脑叶图像进行二值化处理，形成脑叶mask矩阵；
S133：将脑叶mask矩阵转化为***可识别的区域。
在本实施例中，所述的***可识别的区域为可以通过VR设备或者PC设备识别的区域。其中，对于VR设备，采用Unreal Engine或Unity引擎对模型赋予有物理属性的物体，并添加如拾取、拆分等功能程序模块，实现其可VR内操作的特性。方便后期的操作。
实施例2为对肝脏的拆分。在本实施例中，所述的待拆分器官为肝脏，所述的多区域为肝左叶和肝右叶。
所述的方法包括以下子步骤：
S21：使用DCMTK读取肝脏的DICOM序列图像；
由于现在的医学影像设备的图像存储和传输正在逐渐向DICOM标准靠拢，在我们进行医学图像处理的过程中，经常需要自己编写和DICOM格式的图像相关的各种程序模块，以完成自己处理功能。如果从头开始理解DICOM的协议，然后完全自己编写这些代码来实现这些协议，是一件工程浩大的事情。德国offis公司开发的DCMTK，为我们提供了实现DICOM协议的一个平台，使得我们可以在它的基础上轻松的完成自己的主要工作，而不必把太多的精力放在实现DICOM协议的细节问题上。
S22：对所述待拆分器官进行三维建模，包括以下子步骤：
S221：采用各向异性扩散滤波算法去掉噪声，强化图像边缘；
S222：采用OTSU算法强化图像特征，包括增强所增强部位的特征形态，防止在后续分割中待分割区域与其它区域混淆；
S223：采用形态学算法、或者水平集分割算法、或者自适应区域生长算法和BP神经网络算法的结合，提取肝脏区域；
S224：腐蚀提取后的图像，并采用漫水填充法对图像进行后处理；
S225：将步骤S224得到的图像与原始图像相与，得到最终的肝脏区域；
S23：对得到的肝脏区域进行多区域拆分，包括以下子步骤：
S231：针对任意一个图像，将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理，把模板空间的各个肝脏分区图像对应变形到个体肝脏空间，完成肝脏区域分割；
S232：将个体空间肝脏图像进行二值化处理，形成脑叶mask矩阵；
S233：将肝脏mask矩阵转化为***可识别的区域。
在上述任意一个实施例中，当完成了对器官区域的拆分，可以方便后期对病灶（肿瘤）/靶区位置的分析。比如，肝脏的每个区域均分布有血管，肿瘤通常通过血管进行营养物质的获取；而如果采用现有技术的方式，仅仅将器官之间进行划分，会使得肿瘤位置不一定会方便观察。而采用上述实施例的方法，可以在后期进行分析的时候，手动对器官区域进行拆分（VR/电脑的方式实现），方便对病灶（肿瘤）/靶区位置的分析。
基于上述方法的实现，本申请还提供了一种基于医学影像的单个器官拆分***，包括：
薄层扫描图像获取模块：用于获取待拆分器官的薄层扫描图像；
三维建模模块：用于基于薄层扫描图像，对所述带拆分器官进行三维建模；
器官拆分模块：对三维建模得到的模型进行多区域拆分。
对应的，所述的三维建模模块包括：
器官识别单元：用于将器官周围的非器官部分进行分离；
器官形态比较与匹配单元：用于与多种该器官的标准模板进行比较，判断器官形态，并匹配该形态的标准模板；
器官三维建模单元：用于对该器官进行三维建模。
对应的，当器官形态为坍塌或者萎缩或者不完全，则手动对坍塌或者萎缩或者不完全的器官边界进行划分。
对应的，实施例3为对脑叶拆分的***。在本实施例中，所述的待拆分器官为脑叶，所述的多区域为额叶、颞叶、顶叶、枕叶及小脑；
所述的薄层扫描图像获取模块用于获取脑叶的薄层扫描图像；
所述的三维建模模块包括：
预处理单元：用于对脑叶的T1加权成像的薄层扫描图像进行去头皮去骨处理；
头部模型构建单元：用于基于预处理后的T1加权成像的薄层扫描图像构建头部模型；所述的构建头部模型采用图像特征算法和定位算法实现；所述的图像特征算法包括对扫描图像的脑部沟壑进行判断，根据灰度的不同得到脑叶的边界；所述的定位算法包括根据对器官的标准模板进行十字交叉定位确认脑叶的边界；
所述的器官拆分模块包括：
器官拆分与空间转换单元：用于针对任意一个图像，将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理，把模板空间的各个脑叶分区图像对应变形到个体脑空间，完成大脑区域分割；
二值化单元：用于将个体空间脑叶图像进行二值化处理，形成脑叶mask矩阵；
转换单元：用于将脑叶mask矩阵进行再转化，转化为***可识别的区域。
对应的，实施例4为对肝脏拆分的***。在本实施例中，所述的待拆分器官为肝脏，所述的多区域为肝左叶和肝右叶；
所述的薄层扫描图像获取模块用于使用DCMTK读取肝脏的DICOM序列图像；
所述的三维建模模块包括：
预处理单元：采用各向异性扩散滤波算法去掉噪声，强化图像边缘；
图像特征强化单元：采用OTSU算法强化图像特征；
肝脏区域提取单元：采用形态学算法、或者水平集分割算法、或者自适应区域生长算法和BP神经网络算法的结合，提取肝脏区域；
后处理单元：用于对提取的肝脏区域进行腐蚀处理，并采用漫水填充法对图像进行后处理；
肝脏区域确定单元：将后处理单元得到的图像与原始图像相与，得到最终的肝脏区域；
所述的器官拆分模块用于对得到的肝脏区域进行多区域拆分包括：
器官拆分与空间转换单元：用于针对任意一个图像，将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理，把模板空间的各个肝脏分区图像对应变形到个体肝脏空间，完成肝脏区域分割；
二值化单元：用于将个体空间肝脏图像进行二值化处理，形成肝脏mask矩阵；
转换单元：用于将肝脏mask矩阵进行再转化，转化为***可识别的区域。

Claims (6)

1.一种基于医学影像的单个器官拆分方法，其特征在于：包括以下步骤：
S01：获取待拆分器官的薄层扫描图像；
S02：基于薄层扫描图像，对所述待拆分器官进行三维建模；
S03：对三维建模得到的模型进行多区域拆分；
所述待拆分器官为脑叶或肝脏；
当所述的待拆分器官为脑叶时，所述的多区域为额叶、颞叶、顶叶、枕叶及小脑；所述的方法包括以下子步骤：
S11：获取脑叶的薄层扫描图像；
S12：对脑叶的薄层扫描图像进行去头皮去骨处理，构建头部模型；所述的构建头部模型采用图像特征子步骤和定位子步骤实现；所述的图像特征子步骤包括对扫描图像的脑部沟壑进行判断，根据灰度的不同得到脑叶的边界；所述的定位子步骤包括根据对器官的标准模板进行十字交叉定位确认脑叶的边界；
S13：对构建的头部模型进行多区域拆分，包括以下子步骤：
S131：针对任意一个图像，将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理，把模板空间的各个脑叶分区图像对应变形到个体脑空间，完成大脑区域分割；
S132：将个体空间脑叶图像进行二值化处理，形成脑叶mask矩阵；
S133：将脑叶mask矩阵转化为***可识别的区域；
当所述的待拆分器官为肝脏，所述的多区域为肝左叶和肝右叶；所述的方法包括以下子步骤：
S21：使用DCMTK读取肝脏的DICOM序列图像；
S22：对所述待拆分器官进行三维建模，包括以下子步骤：
S221：采用各向异性扩散滤波算法去掉噪声，强化图像边缘；
S222：采用OTSU算法强化图像特征；
S223：采用形态学算法、或者水平集分割算法、或者自适应区域生长算法和BP神经网络算法的结合，提取肝脏区域；
S224：腐蚀提取后的图像，并采用漫水填充法对图像进行后处理；
S225：将步骤S224得到的图像与原始图像相与，得到最终的肝脏区域；
S23：对得到的肝脏区域进行多区域拆分，包括以下子步骤：
S231：针对任意一个图像，将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理，把模板空间的各个肝脏分区图像对应变形到个体肝脏空间，完成肝脏区域分割；
S232：将个体空间肝脏图像进行二值化处理，形成脑叶mask矩阵；
S233：将肝脏mask矩阵转化为***可识别的区域。
2.根据权利要求1所述的一种基于医学影像的单个器官拆分方法，其特征在于：步骤S02包括以下子步骤：
S021：识别器官，将器官周围的非器官部分进行分离；
S022：与多种该器官的标准模板进行比较，判断器官形态，并匹配该形态的标准模板；
S023：对该器官进行三维建模。
3.根据权利要求2所述的一种基于医学影像的单个器官拆分方法，其特征在于：当器官形态为坍塌或者萎缩或者不完全，则手动对坍塌或者萎缩或者不完全的器官边界进行划分。
4.一种基于医学影像的单个器官拆分***，其特征在于：包括：
薄层扫描图像获取模块：用于获取待拆分器官的薄层扫描图像；
三维建模模块：用于基于薄层扫描图像，对所述待拆分器官进行三维建模；
器官拆分模块：对三维建模得到的模型进行多区域拆分；
所述待拆分器官为脑叶或肝脏；
当所述的待拆分器官为脑叶时，所述的多区域为额叶、颞叶、顶叶、枕叶及小脑；
所述的薄层扫描图像获取模块用于获取脑叶的薄层扫描图像；
所述的三维建模模块包括：
预处理单元：用于对脑叶的薄层扫描图像进行去头皮去骨处理；
头部模型构建单元：用于基于预处理后的薄层扫描图像构建头部模型；所述的构建头部模型采用图像特征算法和定位算法实现；所述的图像特征算法包括对扫描图像的脑部沟壑进行判断，根据灰度的不同得到脑叶的边界；所述的定位算法包括根据对器官的标准模板进行十字交叉定位确认脑叶的边界；
所述的器官拆分模块包括：
器官拆分与空间转换单元：用于针对任意一个图像，将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理，把模板空间的各个脑叶分区图像对应变形到个体脑空间，完成大脑区域分割；
二值化单元：用于将个体空间脑叶图像进行二值化处理，形成脑叶mask矩阵；
转换单元：用于将脑叶mask矩阵进行再转化，转化为***可识别的区域；
当所述的待拆分器官为肝脏时，所述的多区域为肝左叶和肝右叶；
所述的薄层扫描图像获取模块用于使用DCMTK读取肝脏的DICOM序列图像；
所述的三维建模模块包括：
预处理单元：采用各向异性扩散滤波算法去掉噪声，强化图像边缘；
图像特征强化单元：采用OTSU算法强化图像特征；
肝脏区域提取单元：采用形态学算法、或者水平集分割算法、或者自适应区域生长算法和BP神经网络算法的结合，提取肝脏区域；
后处理单元：用于对提取的肝脏区域进行腐蚀处理，并采用漫水填充法对图像进行后处理；
肝脏区域确定单元：将后处理单元得到的图像与原始图像相与，得到最终的肝脏区域；
所述的器官拆分模块用于对得到的肝脏区域进行多区域拆分包括：
器官拆分与空间转换单元：用于针对任意一个图像，将标准模板对应的模板图像的各区域与个体图像进行空间匹配变形处理，把模板空间的各个肝脏分区图像对应变形到个体肝脏空间，完成肝脏区域分割；
二值化单元：用于将个体空间肝脏图像进行二值化处理，形成肝脏mask矩阵；
转换单元：用于将肝脏mask矩阵进行再转化，转化为***可识别的区域。
5.根据权利要求4所述的一种基于医学影像的单个器官拆分***，其特征在于：所述的三维建模模块包括：
器官识别单元：用于将器官周围的非器官部分进行分离；
器官形态比较与匹配单元：用于与多种该器官的标准模板进行比较，判断器官形态，并匹配该形态的标准模板；
器官三维建模单元：用于对该器官进行三维建模。
6.根据权利要求5所述的一种基于医学影像的单个器官拆分***，其特征在于：当器官形态为坍塌或者萎缩或者不完全，则手动对坍塌或者萎缩或者不完全的器官边界进行划分。
CN201710110874.6A 2017-02-28 2017-02-28 一种基于医学影像的单个器官拆分方法及*** Active CN106780728B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710110874.6A CN106780728B (zh) 2017-02-28 2017-02-28 一种基于医学影像的单个器官拆分方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710110874.6A CN106780728B (zh) 2017-02-28 2017-02-28 一种基于医学影像的单个器官拆分方法及***

Publications (2)

Publication Number Publication Date
CN106780728A CN106780728A (zh) 2017-05-31
CN106780728B true CN106780728B (zh) 2020-05-01

Family

ID=58959519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710110874.6A Active CN106780728B (zh) 2017-02-28 2017-02-28 一种基于医学影像的单个器官拆分方法及***

Country Status (1)

Country Link
CN (1) CN106780728B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358600A (zh) * 2017-06-14 2017-11-17 北京全域医疗技术有限公司 放疗计划中的自动勾靶方法、装置和电子设备
CN107134207B (zh) * 2017-06-19 2022-12-13 苏州六莲科技有限公司 一种人体器官三维打印的方法及其模型
CN108447046B (zh) * 2018-02-05 2019-07-26 龙马智芯（珠海横琴）科技有限公司 病灶的检测方法和装置、计算机可读存储介质
CN109785308A (zh) * 2019-01-09 2019-05-21 上海联影医疗科技有限公司 一种心排量求解的方法、装置、设备及存储介质
CN113689355B (zh) * 2021-09-10 2022-07-08 数坤(北京)网络科技股份有限公司 图像处理方法、装置、存储介质及计算机设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010005119A1 (ja) * 2008-07-11 2010-01-14 三菱プレシジョン株式会社 生体データモデル作成方法及びその装置並びに生体データモデルのデータ構造及び生体データモデルのデータ格納装置並びに三次元データモデルの負荷分散方法及びその装置
CN102117378B (zh) * 2009-12-31 2012-07-25 苏州瑞派宁科技有限公司 一种基于三维多模影像的肝肿瘤综合手术规划模拟方法及其***
CN102895031A (zh) * 2012-09-19 2013-01-30 深圳市旭东数字医学影像技术有限公司 肾脏虚拟手术方法及其***
CN104091347A (zh) * 2014-07-26 2014-10-08 刘宇清 一种基于3d打印技术的颅内肿瘤手术规划模拟方法
CN104933729A (zh) * 2014-03-18 2015-09-23 上海联影医疗科技有限公司 一种颅内脑组织的提取方法和装置
CN105139454A (zh) * 2015-08-06 2015-12-09 北京工业大学 一种三维ct图像中肝脏三维感兴趣区域的自动提取方法
CN105139030A (zh) * 2015-08-18 2015-12-09 青岛海信医疗设备股份有限公司 一种肝脏血管的分类方法
CN105354846A (zh) * 2015-11-05 2016-02-24 沈阳东软医疗***有限公司 一种分割三维医疗图像的方法和装置
CN106204733A (zh) * 2016-07-22 2016-12-07 青岛大学附属医院 肝脏和肾脏ct图像联合三维构建***

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010005119A1 (ja) * 2008-07-11 2010-01-14 三菱プレシジョン株式会社 生体データモデル作成方法及びその装置並びに生体データモデルのデータ構造及び生体データモデルのデータ格納装置並びに三次元データモデルの負荷分散方法及びその装置
CN102117378B (zh) * 2009-12-31 2012-07-25 苏州瑞派宁科技有限公司 一种基于三维多模影像的肝肿瘤综合手术规划模拟方法及其***
CN102895031A (zh) * 2012-09-19 2013-01-30 深圳市旭东数字医学影像技术有限公司 肾脏虚拟手术方法及其***
CN104933729A (zh) * 2014-03-18 2015-09-23 上海联影医疗科技有限公司 一种颅内脑组织的提取方法和装置
CN104091347A (zh) * 2014-07-26 2014-10-08 刘宇清 一种基于3d打印技术的颅内肿瘤手术规划模拟方法
CN105139454A (zh) * 2015-08-06 2015-12-09 北京工业大学 一种三维ct图像中肝脏三维感兴趣区域的自动提取方法
CN105139030A (zh) * 2015-08-18 2015-12-09 青岛海信医疗设备股份有限公司 一种肝脏血管的分类方法
CN105354846A (zh) * 2015-11-05 2016-02-24 沈阳东软医疗***有限公司 一种分割三维医疗图像的方法和装置
CN106204733A (zh) * 2016-07-22 2016-12-07 青岛大学附属医院 肝脏和肾脏ct图像联合三维构建***

Also Published As

Publication number Publication date
CN106780728A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
CN106887039B (zh) 一种基于医学影像的器官和病灶的三维成像方法及***
CN106780728B (zh) 一种基于医学影像的单个器官拆分方法及***
CN106898044B (zh) 一种基于医学影像并利用vr技术的器官拆分和操作方法及***
CN109741346B (zh) 感兴趣区域提取方法、装置、设备及存储介质
CN106056595B (zh) 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断***
CN112150428B (zh) 一种基于深度学习的医学图像分割方法
CN107644420B (zh) 基于中心线提取的血管图像分割方法、核磁共振成像***
JP6570145B2 (ja) 画像を処理する方法、プログラム、代替的な投影を構築する方法および装置
KR20090127100A (ko) 초음파 - ｃｔ 영상 정합을 위한 3차원 초음파 간 영상의 해부학적 특징을 추출하는 시스템 및 방법
US20130223711A1 (en) Maching Learning Techniques for Pectoral Muscle Equalization and Segmentation in Digital Mammograms
CN110097557B (zh) 基于3D-UNet的医学图像自动分割方法及***
CN111681230A (zh) 脑白质高信号评分***及其评分方法
CN113223004A (zh) 一种基于深度学习的肝脏图像分割方法
CN106897564B (zh) 一种基于医学影像的病案图像建模***
CN111340780B (zh) 一种基于三维超声图像的病灶检测方法
CN112330561A (zh) 基于交互式前景提取与信息熵分水岭的医学图像分割方法
Soni et al. CT scan based brain tumor recognition and extraction using Prewitt and morphological dilation
CN106887180B (zh) 一种基于医学影像经典病案库的教学***
CN116824168B (zh) 基于图像处理的耳部ct特征提取方法
CN117237322A (zh) 一种基于医学图像的器官分割建模方法及终端
Elmorsy et al. K3. A region growing liver segmentation method with advanced morphological enhancement
CN114862799B (zh) 一种用于flair-mri序列的全自动脑体积分割方法
Ullah et al. Histogram equalization based enhancement and mr brain image skull stripping using mathematical morphology
Judice et al. A novel assessment of various bio-imaging methods for lung tumor detection and treatment by using 4-D and 2-D CT images
CN112102327B (zh) 一种图像处理方法、装置及计算机可读存储介质

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