CN107481252A - 医学图像的分割方法、装置、介质和电子设备 - Google Patents
医学图像的分割方法、装置、介质和电子设备 Download PDFInfo
- Publication number
- CN107481252A CN107481252A CN201710733452.4A CN201710733452A CN107481252A CN 107481252 A CN107481252 A CN 107481252A CN 201710733452 A CN201710733452 A CN 201710733452A CN 107481252 A CN107481252 A CN 107481252A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- profile curve
- medical image
- sub
- 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.)
- Pending
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种医学图像的分割方法、装置、介质和电子设备。该医学图像的分割方法包括:获取待分割的医学图像序列;基于区域生长算法对所述医学图像序列中的第一张图像进行处理,得到用于标识所述第一张图像的分割区域的初始轮廓曲线;基于所述初始轮廓曲线,根据水平集函数对所述第一张图像进行处理,得到所述第一张图像的最终轮廓曲线;针对所述医学图像序列中的每张图像,将前一张图像的最终轮廓曲线作为下一张图像的初始轮廓曲线,并基于水平集函数对所述每张图像进行处理,以得到所述每张图像的最终轮廓曲线;基于所述每张图像的最终轮廓曲线对所述每张图像进行分割。本发明实施例的技术方案可以提高图像分割的效率和准确性。
Description
技术领域
本发明涉及医学图像处理技术领域,具体而言,涉及一种医学图像的分割方法、装置、介质和电子设备。
背景技术
医学图像分割技术是医学图像处理和分析中的关键技术。医学图像分割是一个根据区域内的相似性以及区域间的不同来分离图像中有关结构(或感兴趣区域)的过程。早期的图像分割完全是靠人工完成的,完全的人工分割方法是医学专家在数以百计的切片图像上进行边界的人工描绘工作,根据边界的人工描绘结果构思病灶与其周围组织的三维结构及空间关系,并以此作为制定治疗计划的基础。
随着计算机断层成像(Computed Tomography,简称CT)、核磁共振成像(MagneticResonance Image,简称MRI)和超声成像(Ultrasound Image)等医学成像技术在医疗诊断、术前规划、术后检测等各个环节的广泛应用,人工分割这种费时费力的方法已经很难满足人们对医学图像分割的高需求。因此,研究实用的自动分割方法并最终取代繁琐的人工分割和主观性很强的半自动分割一直是人们追求的目标。
目前,针对图像分割的算法主要有区域生长算法和水平集算法等。其中,区域生长算法是从某个种子像素点出发,按照一定的生长准则,逐步加入邻近像素,当无邻近像素加入时,区域生长终止。区域生长算法的优点是原理简单,实现起来较为容易,但是区域生长算法无法自动处理复杂的三维结构,例如血管分叉处,而且此方法对噪声较敏感,噪声和灰度不均匀性可能会产生空洞或过分割。
水平集算法的基本思想是将闭合轮廓表示为高维曲面等值点的集合,在一系列内力和外力的作用下,通过演化水平集函数并跟踪它的零水平集得到轮廓的演化过程。水平集算法具备相当强的拓扑可变性,可以应对复杂的三维结构,但是水平集算法对初始闭合轮廓较为敏感,不合适的初始轮廓可能会导致过分割、闭合曲线不收敛或泄露。
由于医学图像常表现为对比度低、组织特性的可变性及不同软组织之间或软组织与病灶之间边界模糊性,以及形状结构和微细结构(血管)分布的复杂性,因此单独使用区域生长算法和水平集算法均难以完成对医学图像的自动分割。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于提供一种医学图像的分割方法、装置、介质和电子设备,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明实施例的第一方面,提供一种医学图像的分割方法,包括:获取待分割的医学图像序列;基于区域生长算法对所述医学图像序列中的第一张图像进行处理,得到用于标识所述第一张图像的分割区域的初始轮廓曲线;基于所述初始轮廓曲线,根据水平集函数对所述第一张图像进行处理,得到所述第一张图像的最终轮廓曲线;针对所述医学图像序列中的每张图像,将前一张图像的最终轮廓曲线作为下一张图像的初始轮廓曲线,并基于水平集函数对所述每张图像进行处理,以得到所述每张图像的最终轮廓曲线;基于所述每张图像的最终轮廓曲线对所述每张图像进行分割。
在本发明的一些实施例中,基于前述方案,基于区域生长算法对所述医学图像序列中的第一张图像进行处理,包括:获取用户在所述第一张图像的目标区域中设置的种子像素;建立堆栈,并将所述种子像素存入所述堆栈中;依次从所述堆栈中取出种子像素,其中,对于从所述堆栈中取出的任一种子像素,若所述任一种子像素的任一邻域像素满足区域生长准则,则将所述任一邻域像素作为种子像素存入所述堆栈中;在所述堆栈为空时,根据所有种子像素形成的区域确定所述初始轮廓曲线。
在本发明的一些实施例中,基于前述方案,还包括:根据所述种子像素的灰度值和所述种子像素的邻域像素的灰度值,计算所述区域生长准则的阈值参数。
在本发明的一些实施例中,基于前述方案,根据所述种子像素的灰度值和所述种子像素的邻域像素的灰度值,计算所述区域生长准则的阈值参数,包括:根据所述种子像素的灰度值和所述种子像素的邻域像素的灰度值,计算所述种子像素的灰度值与所述种子像素的邻域像素的灰度值之间的方差;根据所述方差,确定所述区域生长准则的阈值参数。
在本发明的一些实施例中,基于前述方案,还包括:计算所述任一种子像素的灰度值与所述任一种子像素的邻域像素的灰度值之间的变化量;若所述任一种子像素的邻域内的任一像素的灰度值与所述任一种子像素的灰度值之间的变化量小于所述区域生长准则的阈值参数,则确定所述任一像素满足所述区域生长准则。
在本发明的一些实施例中,基于前述方案,所述邻域像素为:四邻域像素或八邻域像素。
在本发明的一些实施例中,基于前述方案,基于所述水平集函数和任一图像的初始轮廓曲线,对所述任一图像进行处理,包括:在所述任一图像中设置所述初始轮廓曲线;基于所述初始轮廓曲线和设置的演化参数,对所述水平集函数进行演化;在所述水平集函数进行演化时的迭代次数达到预定次数时,从所述水平集函数中提取零水平集,以作为所述任一图像的最终轮廓曲线。
在本发明的一些实施例中,基于前述方案,基于所述初始轮廓曲线和设置的演化参数,对所述水平集函数进行演化,包括:基于所述初始轮廓曲线,构建能量泛函模型;通过水平集函数替换所述能量泛函模型中的初始轮廓曲线;基于设置的演化参数,对所述能量泛函模型对应的方程进行求解,以对所述水平集函数进行演化。
在本发明的一些实施例中,基于前述方案,所述能量泛函模型如下:
E=α·ECV+β·EL+ER
其中,E表示所述能量泛函模型;ECV表示CV模型的能量函数;EL表示局部项的能量函数;ER表示规则项的能量函数;α和β表示控制参数。
在本发明的一些实施例中,基于前述方案,通过如下公式计算所述CV模型的能量函数:
ECV(C,c1,c2)=λ1∫outside(C)|I(x)-c1|2dx+λ2∫inside(C)|I(x)-c2|2dx+v|C|
其中,C表示所述初始轮廓曲线;outside(C)和inside(C)分别代表所述初始轮廓曲线C的外区域和内区域;c1和c2表示常量;λ1、λ2和v表示控制参数;I(x)表示所述任一图像中的像素点x的灰度值。
在本发明的一些实施例中,基于前述方案,通过如下公式计算所述局部项的能量函数:
EL=∫Ωεx(C,f1,f2)dx
其中,εx(C,f1,f2)=λ1∫inside(C)gσ(x-y)(I(υ)-f1(x))2dy+λ2∫outside(C)gσ(x-y)(I(υ)-f2(x))2dy;λ1和λ2表示控制参数;f1(x)和f2(x)为初始轮廓曲线C两侧局部图像灰度的理想近似值;gσ表示高斯核函数;I(υ)表示所述任一图像中的像素点υ的灰度值。
在本发明的一些实施例中,基于前述方案,通过以下公式计算所述高斯核函数:
其中,u表示常量;σ表示尺度参数;n表示迭代次数。
在本发明的一些实施例中,基于前述方案,通过如下公式计算所述规则项的能量函数:
ER(φ)=μ·L(φ=0)+P(φ)
其中,φ表示水平集函数;μ表示控制参数;L(φ=0)表示长度惩罚项,H(z)和δ(z)分别表示Heaviside函数和Dirac函数;P(φ)表示能量惩罚项,
在本发明的一些实施例中,基于前述方案,还包括:基于对所述医学图像序列中的每张图像的分割结果,进行医学图像的三维建模。
根据本发明实施例的第二方面,提供了一种医学图像的分割装置,包括:获取单元,用于获取待分割的医学图像序列;第一处理单元,用于基于区域生长算法对所述医学图像序列中的第一张图像进行处理,得到用于标识所述第一张图像的分割区域的初始轮廓曲线;第二处理单元,用于基于所述初始轮廓曲线,根据水平集函数对所述第一张图像进行处理,得到所述第一张图像的最终轮廓曲线,并用于针对所述医学图像序列中的每张图像,将前一张图像的最终轮廓曲线作为下一张图像的初始轮廓曲线,并基于水平集函数对所述每张图像进行处理,以得到所述每张图像的最终轮廓曲线;分割单元,用于基于所述每张图像的最终轮廓曲线对所述每张图像进行分割。
根据本发明实施例的第三方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述实施例中第一方面所述的医学图像的分割方法。
根据本发明实施例的第四方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中第一方面所述的医学图像的分割方法。
在本发明的一些实施例所提供的技术方案中,通过基于区域生长算法对医学图像序列中的第一张图像进行处理,以得到第一张图像的初始轮廓曲线,然后基于水平集函数和得到的初始轮廓曲线对第一张图像处理得到最终轮廓曲线,使得能够先基于区域生长算法获取到第一张图像的初始轮廓曲线,进而在得到的初始轮廓曲线的基础上,可以提高水平集函数的演化速度和精确度,避免了在使用水平集函数时由于初始轮廓曲线选取不合适导致过分割、闭合曲线不收敛或泄露的问题。由于医学图像序列中的相邻图像具有极强的相关性,因此通过将医学图像序列中前一张图像的最终轮廓曲线作为下一张图像的初始轮廓曲线,不仅能够缩短算法的处理时间,并且能够保证水平集算法具有较为精确的结果。
在本发明的一些实施例所提供的技术方案中,通过建立堆栈来处理种子像素,使得能够有序地释放和存储种子像素,提高了区域生长算法的运算效率,并且能够消除区域生长算法对某个或某些种子像素的重复运算。
在本发明的一些实施例所提供的技术方案中,通过根据种子像素的灰度值和种子像素的邻域像素的灰度值来计算区域生长准则的阈值参数,使得能够考虑图像的局部信息来计算区域生长准则的阈值参数,消除了人工干涉带来的主观性,提高了区域生长算法的处理效率和准确性。
在本发明的一些实施例所提供的技术方案中,通过在能量泛函模型中加入局部项的能量函数,降低了水平集函数对图像灰度不均匀特性的敏感度。通过在能量泛函模型中加入规则项的能量函数,使得水平集函数在演化过程中能够保持光滑,并避免重新初始化,加快了水平集算法的运算效率,减少了处理时间。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示意性示出了根据本发明的实施例的医学图像的分割方法的流程图;
图2示意性示出了根据本发明的实施例的基于区域生长算法对图像序列的第一张图像进行处理的流程图;
图3示意性示出了根据本发明的实施例的基于水平集函数对图像进行处理的流程图;
图4示意性示出了根据本发明的实施例的基于区域生长算法和水平集算法进行图像分割的流程图;
图5示出了根据本发明的实施例的应用区域生长算法得到的血管根部的初始轮廓线的效果示意图;
图6示出了根据本发明的实施例的从已处理的图像中随机选取的已经得到轮廓线的图像示意图;
图7示出了根据本发明的实施例的水平集函数的拓扑可变性示意图;
图8示出了根据本发明的实施例的基于目标轮廓的三维坐标重建得到的颈动脉的三维模型示意图;
图9示意性示出了根据本发明的实施例的医学图像的分割装置的框图;
图10示意性示出了适于用来实现本发明实施例的电子设备的计算机***的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示意性示出了根据本发明的实施例的医学图像的分割方法的流程图。
参照图1,根据本发明的实施例的医学图像的分割方法,包括:
步骤S10,获取待分割的医学图像序列。
需要说明的是,待分割的医学图像序列可以是各种类型的图像,比如可以是基于计算机断层成像技术、核磁共振成像技术和超声成像技术等获得的医学图像。
步骤S12,基于区域生长算法对所述医学图像序列中的第一张图像进行处理,得到用于标识所述第一张图像的分割区域的初始轮廓曲线。
在步骤S12中,通过基于区域生长算法对医学图像序列中的第一张图像进行处理,得到初始轮廓曲线,使得后续在使用水平集函数进行演化时,可以提高水平集函数的演化速度和精确度,避免了在使用水平集函数时由于初始轮廓曲线选取不合适导致过分割、闭合曲线不收敛或泄露的问题。
在本发明的示例性实施例中,步骤S12具体包括:获取用户在第一张图像的目标区域中设置的种子像素;建立堆栈,并将所述种子像素存入所述堆栈中;依次从所述堆栈中取出种子像素,其中,对于从所述堆栈中取出的任一种子像素,若所述任一种子像素的任一邻域像素满足区域生长准则,则将所述任一邻域像素作为种子像素存入所述堆栈中;在所述堆栈为空时,根据所有种子像素形成的区域确定所述初始轮廓曲线。
在该实施例中,通过建立堆栈来处理种子像素,使得能够有序地释放和存储种子像素,提高了区域生长算法的运算效率,并且能够消除区域生长算法对某个或某些种子像素的重复运算。
进一步地,在上述实施例的技术方案的基础上,还包括:根据所述种子像素的灰度值和所述种子像素的邻域像素的灰度值,计算所述区域生长准则的阈值参数。
在本发明的示例性实施例中,具体地,上述的根据所述种子像素的灰度值和所述种子像素的邻域像素的灰度值,计算所述区域生长准则的阈值参数,包括:根据所述种子像素的灰度值和所述种子像素的邻域像素的灰度值,计算所述种子像素的灰度值与所述种子像素的邻域像素的灰度值之间的方差;根据所述方差,确定所述区域生长准则的阈值参数。
在该实施例中,通过根据种子像素的灰度值和种子像素的邻域像素的灰度值来计算区域生长准则的阈值参数,使得能够考虑图像的局部信息来计算区域生长准则的阈值参数,提高了区域生长算法的准确性。
在本发明的一些实施例中,基于前述方案,还包括:计算所述任一种子像素的灰度值与所述任一种子像素的邻域像素的灰度值之间的变化量;若所述任一种子像素的邻域内的任一像素的灰度值与所述任一种子像素的灰度值之间的变化量小于所述区域生长准则的阈值参数,则确定所述任一像素满足所述区域生长准则。
需要说明的是,在本发明的实施例中,上述的邻域像素既可以是四邻域像素,也可以是八邻域像素。
继续参照图1,所示的医学图像的分割方法还包括:
步骤S14,基于所述初始轮廓曲线,根据水平集函数对所述第一张图像进行处理,得到所述第一张图像的最终轮廓曲线。
步骤S16,针对所述医学图像序列中的每张图像,将前一张图像的最终轮廓曲线作为下一张图像的初始轮廓曲线,并基于水平集函数对所述每张图像进行处理,以得到所述每张图像的最终轮廓曲线。
其中,在步骤S14和步骤S16中都涉及到根据水平集函数来对图像进行处理的过程,在本发明的示例性实施例中,基于水平集函数和任一图像的初始轮廓曲线,对所述任一图像进行处理包括:在所述任一图像中设置所述初始轮廓曲线;基于所述初始轮廓曲线和设置的演化参数,对所述水平集函数进行演化;在所述水平集函数进行演化时的迭代次数达到预定次数时,从所述水平集函数中提取零水平集,以作为所述任一图像的最终轮廓曲线。
在本发明的一些实施例中,基于前述方案,基于所述初始轮廓曲线和设置的演化参数,对所述水平集函数进行演化,包括:基于所述初始轮廓曲线,构建能量泛函模型;通过水平集函数替换所述能量泛函模型中的初始轮廓曲线;基于设置的演化参数,对所述能量泛函模型对应的方程进行求解,以对所述水平集函数进行演化。
在本发明的一些实施例中,基于前述方案,所述能量泛函模型如下:
E=α·ECV+β·EL+ER
其中,E表示所述能量泛函模型;ECV表示CV模型的能量函数;EL表示局部项的能量函数;ER表示规则项的能量函数;α和β表示控制参数。
在本发明的实施例中,通过在能量泛函模型中加入局部项的能量函数,降低了水平集函数对图像灰度不均匀特性的敏感度。而通过在能量泛函模型中加入规则项的能量函数,使得水平集函数在演化过程中能够保持光滑,并避免重新初始化,加快了水平集算法的运算效率,减少了处理时间。
在本发明的一些实施例中,基于前述方案,通过如下公式计算所述CV模型的能量函数:
ECV(C,c1,c2)=λ1∫outside(C)|I(x)-c1|2dx+λ2∫inside(C)|I(x)-c2|2dx+v|C|
其中,C表示所述初始轮廓曲线;outside(C)和inside(C)分别代表所述初始轮廓曲线C的外区域和内区域;c1和c2表示常量;λ1、λ2和v表示控制参数;I(x)表示所述任一图像中的像素点x的灰度值。
在本发明的一些实施例中,基于前述方案,通过如下公式计算所述局部项的能量函数:
EL=∫Ωεx(C,f1,f2)dx
其中,εx(C,f1,f2)=λ1∫inside(C)gσ(x-y)(I(υ)-f1(x))2dy+λ2∫outside(C)gσ(x-y)(I(υ)-f2(x))2dy;λ1和λ2表示控制参数;f1(x)和f2(x)为初始轮廓曲线C两侧局部图像灰度的理想近似值;gσ表示高斯核函数;I(υ)表示所述任一图像中的像素点υ的灰度值。
在本发明的一些实施例中,基于前述方案,通过以下公式计算所述高斯核函数:
其中,u表示常量;σ表示尺度参数;n表示迭代次数。
在本发明的一些实施例中,基于前述方案,通过如下公式计算所述规则项的能量函数:
ER(φ)=μ·L(φ=0)+P(φ)
其中,φ表示水平集函数;μ表示控制参数;L(φ=0)表示长度惩罚项,H(z)和δ(z)分别表示Heaviside函数和Dirac函数;P(φ)表示能量惩罚项,
继续参照图1,所示的医学图像的分割方法还包括:
步骤S18,基于所述每张图像的最终轮廓曲线对所述每张图像进行分割。
在本发明的实施例中,当对医学图像进行分割之后,还可以基于对医学图像序列中的每张图像的分割结果,进行医学图像的三维建模。
综上所述,为了克服单一图像分割方法应用在医学图像分割上的不足和应对医学图像的复杂性,本发明的实施例提出了将区域生长算法和水平集函数相结合的图像分割算法,实现了对医学图像中的血管、骨头和部分组织器官的自动分割。
其中,本发明实施例中提出的区域生长算法是将感兴趣区域(Region ofInterest)的灰度值的相似性作为区域生长准则,即根据设定的阈值参数来合并相似灰度值的像素。由于传统的区域生长算法的阈值参数一般是人工根据感兴趣区域的灰度值范围进行设定,具有较强的主观性,容易出现区域内空洞或过分割的问题,因此本发明的实施例提出了阈值参数是由种子像素的灰度值与其八邻域(或四邻域)像素灰度值之间的方差来确立,消除了人工干涉,提高了算法的准确性。同时,区域生长算法是一种串行算法,当目标区域很大时,分割速度较慢,因此在本发明的实施例中引入了堆栈的原理来设计区域生长算法,实现了有序释放和存储种子像素,既提高了算法的处理效率,也消除了重复并入种子像素的错误发生。
此外,传统的水平集方法是在假设图像灰度在统计学上是保持一定均匀性的基础上,对目标轮廓曲线的内外区域进行全局能量拟合,这种方法显然对灰度不均匀且内容复杂的医学影像是不适合的,很容易在水平集演化的过程中出现大规模泄露的问题。因此在本发明实施例中对水平集方法提出如下改进:
1、加入局部信息能量拟合项,用来解决图像灰度不均匀的问题;
2、加入规则项,保持了水平集函数在演化过程中的光滑性,并避免重新初始化。
此外,本发明的实施例使用区域生长算法得到的轮廓曲线作为水平集函数的初始化曲线,降低了水平集函数对初始化曲线的敏感度,提高了水平集函数的演化速度和精确度。
具体地,在本发明的实施例中,基于改进的区域生长算法和水平集算法的进行图像分割的过程主要包括以下步骤:
步骤S1:读取原始图像序列;
步骤S2:使用区域生长算法对图像序列的第一张图像进行处理,得到初始轮廓线;
步骤S3:使用水平集函数和步骤S2得到的初始轮廓线对第一张图像进行处理,得到第一张图的最终轮廓线;
步骤S4:把上一张图像的最终轮廓线作为下一张图的初始轮廓线,并使用水平集函数对下一张图像进行处理;
步骤S5:重复步骤S4,直到整个图像序列全部被处理完成;
步骤S6:基于对整个图像序列的处理结果进行图像分割。当图像分割完成之后可以进行三维建模,得到目标组织的三维模型。
对于上述步骤S2,具体地,在本发明的一个实施例中,参照图2,具体包括如下步骤:
步骤S201,读取图像序列中的第一张图像。
步骤S202,获取用户在目标区域内设置的一个或多个种子像素。
步骤S203,计算区域生长算法的阈值参数T。
具体地,可以根据种子像素的灰度值和其八邻域像素的灰度值的方差计算阈值参数T,如公式1所示:
在公式1中,x表示种子像素的八邻域像素的灰度值的均值,xi表示种子像素的八邻域像素中第i个像素的灰度值。
需要说明的是,在本发明的其他实施例中,也可以根据种子像素的灰度值和其四邻域像素的灰度值的方差来计算阈值参数T。
步骤S204,建立堆栈。
步骤S205,将种子像素压入堆栈。
步骤S206,堆栈弹出一个种子像素。
步骤S207,判断种子像素的八邻域像素是否满足生长规则,若任一八邻域像素满足生长规则,则该像素并入目标区域,并设为种子像素压入堆栈,返回步骤S205。其中,生长规则由公式2定义,如下所示:
在公式2中,I表示原始图像,I1表示与原始图像相对应的阈值图像,N为阈值图像的灰度值,初始轮廓线内的灰度值为N,轮廓线外的灰度值为-N。用户需根据不同的目标区域设置不同的N的值,一般来说,根据组织区域不同可设置为100-200之间,过小的N值会导致水平集函数泄露。
上述公式2表示的含义可以理解为,若种子像素的任一八邻域像素的灰度值与该种子像素的灰度值之间的变化量小于阈值参数T,则确定该八邻域像素满足区域生长规则。
步骤S208,判断堆栈是否为空,若堆栈为空,则停止生长;如果堆栈不为空,则返回步骤S206。
在介绍步骤S3之前,对本发明实施例的水平集函数的改进内容进行说明:
水平集函数的演化过程是能量泛函的最小化过程,本发明实施例中使用的能量泛函是对传统CV模型的改进,传统CV模型的公式如公式3所示:
ECV(C,c1,c2)=
λ1∫outside(C)|I(x)-c1|2dx+λ2∫inside(C)|I(x)-c2|2dx+v|C| 公式3
在公式3中,outside(C)和inside(C)分别代表轮廓线C的外区域和内区域。c1和c2是两个常量近似outside(C)和inside(C)的区域灰度值。理想状态下用来最小化能量泛函的常量c1和c2分别是outside(C)和inside(C)的区域灰度平均值,但是当图像的灰度不均匀时,c1和c2会偏离原始图像数据,而且不包含任何局部灰度信息,因此传统CV模型很难处理灰度不均匀的医学图像。在本发明的实施例中,对传统CV模型的改进如下:
1、加入局部项EL,将全局和局部信息融合在一起,从而使得分割过程不受灰度不均匀的影响;
2、加入规则项ER,保持零水平集的光滑,避免分割结果中出现较小和孤立区域。
因此本发明实施例中的能量泛函模型如公式4所示:
E=α·ECV+β·EL+ER 公式4
本发明实施例提出的改进的水平集模型之所以能成功分割灰度不均匀的图像,关键就在于引入了使用局部统计信息的局部项EL。局部项的思想是局部窗内像素值的加权平均逼近该点的能量值,因此得到单点的能量函数如公式5所示:
εx(C,f1,f2)=λ1∫inside(C)gσ(x-y)(I(υ)-f1(x))2dy+λ2∫outside(C)gσ(x-y)(I(υ)-f2(x))2dy 公式5
由于能量εx是定义在图像中的每个点线x上,因此在整个空间Ω上进行积分,则得到总能量函数EL,如公式6所示:
EL=∫Ωεx(C,f1,f2)dx 公式6
在公式5和公式6中,λ1和λ2表示控制参数;f1(x)和f2(x)为轮廓线C两侧的局部图像灰度的理想近似值;gσ表示高斯核函数;I(υ)表示医学图像中的像素点υ的灰度值。
函数gσ的局部化特性在局部能量项中起到至关重要的作用,其公式如公式7所示:
高斯核函数的作用是可以把拟合能量函数局限在一定的范围内,这个范围由尺度参数σ控制,较大的尺度参数可使水平集初始化的鲁棒性更好,但是结果可能没有使用较小的参数精确,一般尺度参数的数值设置在1-3之间。
能量泛函中的规则项ER包括长度惩罚项和能量惩罚项,长度惩罚项的作用是对曲线的长度变化有着约束作用,使得轮廓线C在总能量泛函达到最小时保持尽可能短。长度惩罚项的公式如公式8所示:
其中水平集函数φ(x,y)的零水平集代替轮廓线C,H(z)和δ(z)分别是Heaviside函数和Dirac函数。H(z)和δ(z)的公式如公式9所示:
能量惩罚项的作用是使水平集函数在演化过程中保持近似的符号距离函数,避免CV模型采用的重新初始化的方式来保持水平集函数演化过程中光滑性和距离函数特性,并且能够减少计算量。能量惩罚项如公式10所示:
这样,本发明实施例提出的改进的水平集模型中的规则化项ER就由长度惩罚项和能量惩罚项所组成,如公式11所示:
ER(φ)=μ·L(φ=0)+P(φ) 公式11
在公式11中,μ表示控制长度惩罚项的参数,如果μ比较小,则水平集函数能分割出面积较小的目标,反之则用于检测面积较大的目标。
由于演化曲线C可被Lipschitz(利普希茨)函数φ的零水平集所替换,因此公式4中描述的总能量泛函可进一步表示为公式12所示:
E(c1,c2,f1,f2,φ)=α·ECV(c1,c2,φ)+β·EL(f1,f2,φ)+ER(φ) 公式12
在公式12中,α和β是权衡全局项和局部项的两个正值参数。在实际应用过程中,α和β的数值应根据图像中呈现的灰度分布情况来设定。
通过演化水平集函数φ,图像分割过程转换为能量泛函E的最小化过程,其中,水平集的演化方程可以通过引入变分法得到。
以上即为本发明实施例中对传统水平集算法的CV模型进行改进的核心思想,基于上述实施例中的水平集算法,以下结合图3对上述步骤S3进行详细说明:
参照图2,步骤S3进一步包括以下步骤
步骤S301,读取原始图像u0。
步骤S302,在原始图像u0中设置初始曲线C,初始曲线即区域生长得到的初始轮廓线,设置如下参数的数值:迭代次数n、高斯核函数参数σ、全局项的控制参数α、局部项的控制参数β、长度惩罚项参数μ和控制参数λ1和λ2。需要注意的是,在上述步骤S4中,初始轮廓线为上一幅图像的最终轮廓线。
步骤S303,演化水平集函数φ。
步骤S304,判断水平集函数是否达到迭代次数,若达到迭代次数,则执行步骤S305;否则,返回步骤S303继续演化水平集函数。
步骤S305,从水平集函数φ中提取出零水平集,即为演化得到的最终轮廓线。
上述结合图2和图3分别说明了根据本发明的实施例的区域生长算法和水平集算法,以下结合图4,对本发明实施例的基于区域生长算法和水平集算法进行图像分割的具体流程图。
参照图4,根据本发明的实施例的基于区域生长算法和水平集算法进行图像分割的流程,包括:
步骤S401,读取图像序列。
步骤S402,基于本发明实施例的区域生长算法得到第一张图像的初始轮廓线。本发明实施例中基于区域生长算法得到第一张图像的初始轮廓线的方案相较于人工绘制的方式,可以降低水平集函数对初始轮廓曲线的敏感度,进而能够提高分割的精确度。
步骤S403,基于初始轮廓线进行水平集演化得到第一张图像的最终轮廓线。
步骤S404,将上一张图像的最终轮廓线作为下一张图像的初始轮廓线。本发明实施例中通过使用上一张图像的最终轮廓线作为下一张图像的初始轮廓线,既最大化的使用了已得到的先验知识,又提高了演化的效率和精确度。
步骤S405,基于水平集函数进行演化得到下一张图像的最终轮廓线。
步骤S406,判断图像序列中的图像是否全部处理,若是,则执行步骤S407;否则,返回步骤S405。
步骤S407,读取所有图像的最终轮廓曲线的三维坐标。
步骤S408,基于三维坐标进行三维重建。
以下介绍本发明的一个具体应用实例:
在本发明的应用实例中,比如基于上述的医学图像分割方法来分割得到颈动脉的血管,如图5所示为应用区域生长算法得到的血管根部的初始轮廓线(如图5中所示的轮廓线502),用来初始化第一张图像的水平集函数,图6为在已处理的两百张图像的结果中,随机选取的四张图像,都能很准确的分割出颈动脉的轮廓(如图6中所示的轮廓线602、604、606和608)。图7显示了水平集的拓扑可变性,可以自动处理血管的分叉处并自动***(图7中所示的702、704、706和708为水平集演化的轮廓线)。图8示出了根据目标轮廓的三维坐标重建的颈动脉的三维模型示意图。
图9示意性示出了根据本发明的实施例的医学图像的分割装置的框图。
参照图9,根据本发明的实施例的医学图像的分割装置900,包括:获取单元902、第一处理单元904、第二处理单元906和分割单元908。
具体地,获取单元902用于获取待分割的医学图像序列;第一处理单元904用于基于区域生长算法对所述医学图像序列中的第一张图像进行处理,得到用于标识所述第一张图像的分割区域的初始轮廓曲线;第二处理单元906用于基于所述初始轮廓曲线,根据水平集函数对所述第一张图像进行处理,得到所述第一张图像的最终轮廓曲线,并用于针对所述医学图像序列中的每张图像,将前一张图像的最终轮廓曲线作为下一张图像的初始轮廓曲线,并基于水平集函数对所述每张图像进行处理,以得到所述每张图像的最终轮廓曲线;分割单元908用于基于所述每张图像的最终轮廓曲线对所述每张图像进行分割。
需要说明的是,上述医学图像的分割装置900中包含的各模块/单元的具体细节已经在对应的医学图像的分割方法中进行了详细的描述,因此此处不再赘述。
下面参考图10,其示出了适于用来实现本发明实施例的电子设备的计算机***1000的结构示意图。图10示出的电子设备的计算机***1000仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示,计算机***1000包括中央处理单元(CPU)1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分608加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中,还存储有***操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时,执行本申请的***中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如上述实施例中所述的医学图像的分割方法。
例如,可以实现如图1中所示的:步骤S10,获取待分割的医学图像序列;步骤S12,基于区域生长算法对所述医学图像序列中的第一张图像进行处理,得到用于标识所述第一张图像的分割区域的初始轮廓曲线;步骤S14,基于所述初始轮廓曲线,根据水平集函数对所述第一张图像进行处理,得到所述第一张图像的最终轮廓曲线;步骤S16,针对所述医学图像序列中的每张图像,将前一张图像的最终轮廓曲线作为下一张图像的初始轮廓曲线,并基于水平集函数对所述每张图像进行处理,以得到所述每张图像的最终轮廓曲线;步骤S18,基于所述每张图像的最终轮廓曲线对所述每张图像进行分割。
又如,所述的电子设备可以实现如图2至图4中所示的各个步骤。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (17)
1.一种医学图像的分割方法,其特征在于,包括:
获取待分割的医学图像序列;
基于区域生长算法对所述医学图像序列中的第一张图像进行处理,得到用于标识所述第一张图像的分割区域的初始轮廓曲线;
基于所述初始轮廓曲线,根据水平集函数对所述第一张图像进行处理,得到所述第一张图像的最终轮廓曲线;
针对所述医学图像序列中的每张图像,将前一张图像的最终轮廓曲线作为下一张图像的初始轮廓曲线,并基于水平集函数对所述每张图像进行处理,以得到所述每张图像的最终轮廓曲线;
基于所述每张图像的最终轮廓曲线对所述每张图像进行分割。
2.根据权利要求1所述的医学图像的分割方法,其特征在于,基于区域生长算法对所述医学图像序列中的第一张图像进行处理,包括:
获取用户在所述第一张图像的目标区域中设置的种子像素;
建立堆栈,并将所述种子像素存入所述堆栈中;
依次从所述堆栈中取出种子像素,其中,对于从所述堆栈中取出的任一种子像素,若所述任一种子像素的任一邻域像素满足区域生长准则,则将所述任一邻域像素作为种子像素存入所述堆栈中;
在所述堆栈为空时,根据所有种子像素形成的区域确定所述初始轮廓曲线。
3.根据权利要求2所述的医学图像的分割方法,其特征在于,还包括:
根据所述种子像素的灰度值和所述种子像素的邻域像素的灰度值,计算所述区域生长准则的阈值参数。
4.根据权利要求3所述的医学图像的分割方法,其特征在于,根据所述种子像素的灰度值和所述种子像素的邻域像素的灰度值,计算所述区域生长准则的阈值参数,包括:
根据所述种子像素的灰度值和所述种子像素的邻域像素的灰度值,计算所述种子像素的灰度值与所述种子像素的邻域像素的灰度值之间的方差;
根据所述方差,确定所述区域生长准则的阈值参数。
5.根据权利要求2所述的医学图像的分割方法,其特征在于,还包括:
计算所述任一种子像素的灰度值与所述任一种子像素的邻域像素的灰度值之间的变化量;
若所述任一种子像素的邻域内的任一像素的灰度值与所述任一种子像素的灰度值之间的变化量小于所述区域生长准则的阈值参数,则确定所述任一像素满足所述区域生长准则。
6.根据权利要求2至5中任一项所述的医学图像的分割方法,其特征在于,所述邻域像素为:四邻域像素或八邻域像素。
7.根据权利要求1所述的医学图像的分割方法,其特征在于,基于所述水平集函数和任一图像的初始轮廓曲线,对所述任一图像进行处理,包括:
在所述任一图像中设置所述初始轮廓曲线;
基于所述初始轮廓曲线和设置的演化参数,对所述水平集函数进行演化;
在所述水平集函数进行演化时的迭代次数达到预定次数时,从所述水平集函数中提取零水平集,以作为所述任一图像的最终轮廓曲线。
8.根据权利要求7所述的医学图像的分割方法,其特征在于,基于所述初始轮廓曲线和设置的演化参数,对所述水平集函数进行演化,包括:
基于所述初始轮廓曲线,构建能量泛函模型;
通过水平集函数替换所述能量泛函模型中的初始轮廓曲线;
基于设置的演化参数,对所述能量泛函模型对应的方程进行求解,以对所述水平集函数进行演化。
9.根据权利要求8所述的医学图像的分割方法,其特征在于,所述能量泛函模型如下:
E=α·ECV+β·EL+ER
其中,E表示所述能量泛函模型;ECV表示CV模型的能量函数;EL表示局部项的能量函数;ER表示规则项的能量函数;α和β表示控制参数。
10.根据权利要求9所述的医学图像的分割方法,其特征在于,通过如下公式计算所述CV模型的能量函数:
ECV(C,c1,c2)=λ1∫outside(C)|I(x)-c1|2dx+λ2∫inside(C)|I(x)-c2|2dx+v|C|
其中,C表示所述初始轮廓曲线;outside(C)和inside(C)分别代表所述初始轮廓曲线C的外区域和内区域;c1和c2表示常量;λ1、λ2和v表示控制参数;I(x)表示所述任一图像中的像素点x的灰度值。
11.根据权利要求9所述的医学图像的分割方法,其特征在于,通过如下公式计算所述局部项的能量函数:
EL=∫Ωεx(C,f1,f2)dx
其中,εx(C,f1,f2)=λ1∫inside(C)gσ(x-y)(I(v)-f1(x))2dy+λ2∫outside(C)gσ(x-y)(I(v)-f2(x))2dy;λ1和λ2表示控制参数;f1(x)和f2(x)为初始轮廓曲线C两侧局部图像灰度的理想近似值;gσ表示高斯核函数;I(v)表示所述任一图像中的像素点υ的灰度值。
12.根据权利要求11所述的医学图像的分割方法,其特征在于,通过以下公式计算所述高斯核函数:
<mrow>
<msub>
<mi>g</mi>
<mi>&sigma;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>&pi;</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>n</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<msup>
<mi>&sigma;</mi>
<mi>n</mi>
</msup>
</mrow>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mo>|</mo>
<mi>u</mi>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>/</mo>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</msup>
</mrow>
其中,u表示常量;σ表示尺度参数;n表示迭代次数。
13.根据权利要求9所述的医学图像的分割方法,其特征在于,通过如下公式计算所述规则项的能量函数:
ER(φ)=μ·L(φ=0)+P(φ)
其中,φ表示水平集函数;μ表示控制参数;L(φ=0)表示长度惩罚项,H(z)和δ(z)分别表示Heaviside函数和Dirac函数;P(φ)表示能量惩罚项,
14.根据权利要求1至13中任一项所述的医学图像的分割方法,其特征在于,还包括:
基于对所述医学图像序列中的每张图像的分割结果,进行医学图像的三维建模。
15.一种医学图像的分割装置,其特征在于,包括:
获取单元,用于获取待分割的医学图像序列;
第一处理单元,用于基于区域生长算法对所述医学图像序列中的第一张图像进行处理,得到用于标识所述第一张图像的分割区域的初始轮廓曲线;
第二处理单元,用于基于所述初始轮廓曲线,根据水平集函数对所述第一张图像进行处理,得到所述第一张图像的最终轮廓曲线,并用于针对所述医学图像序列中的每张图像,将前一张图像的最终轮廓曲线作为下一张图像的初始轮廓曲线,并基于水平集函数对所述每张图像进行处理,以得到所述每张图像的最终轮廓曲线;
分割单元,用于基于所述每张图像的最终轮廓曲线对所述每张图像进行分割。
16.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至14中任一项所述的医学图像的分割方法。
17.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至14中任一项所述的医学图像的分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710733452.4A CN107481252A (zh) | 2017-08-24 | 2017-08-24 | 医学图像的分割方法、装置、介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710733452.4A CN107481252A (zh) | 2017-08-24 | 2017-08-24 | 医学图像的分割方法、装置、介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107481252A true CN107481252A (zh) | 2017-12-15 |
Family
ID=60602512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710733452.4A Pending CN107481252A (zh) | 2017-08-24 | 2017-08-24 | 医学图像的分割方法、装置、介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107481252A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447066A (zh) * | 2018-03-19 | 2018-08-24 | 青岛海信医疗设备股份有限公司 | 胆道图像分割方法、终端、存储介质 |
CN108596935A (zh) * | 2018-04-24 | 2018-09-28 | 安徽锐捷信息科技有限公司 | 一种磁共振图像的分割方法及装置 |
CN108830859A (zh) * | 2018-04-13 | 2018-11-16 | 中国科学院深圳先进技术研究院 | 基于超声图像的内中膜分割方法、装置、设备及存储介质 |
CN108961278A (zh) * | 2018-06-20 | 2018-12-07 | 深圳市旭东数字医学影像技术有限公司 | 基于影像数据的腹壁肌肉分割的方法及其*** |
CN109740600A (zh) * | 2019-01-04 | 2019-05-10 | 上海联影医疗科技有限公司 | 高亮病灶区域的定位方法、装置、计算机设备以及存储介质 |
CN109785293A (zh) * | 2018-12-22 | 2019-05-21 | 昆明理工大学 | 一种基于全局和局部活动轮廓模型的超声图像病灶自动分割的方法 |
CN110390667A (zh) * | 2019-06-18 | 2019-10-29 | 平安科技(深圳)有限公司 | 基于眼底oct影像的病灶提取方法、装置、设备及存储介质 |
CN110705576A (zh) * | 2019-09-29 | 2020-01-17 | 慧影医疗科技(北京)有限公司 | 区域轮廓确定方法、装置及图像显示设备 |
CN110992370A (zh) * | 2019-11-19 | 2020-04-10 | 东软医疗***股份有限公司 | 一种胰腺组织的分割方法、装置及终端设备 |
CN111080642A (zh) * | 2019-12-31 | 2020-04-28 | 北京推想科技有限公司 | 基于医学图像的组织分型方法及装置、电子设备 |
CN111105400A (zh) * | 2019-12-20 | 2020-05-05 | 中国医学科学院阜外医院 | 瓣膜图像处理方法、瓣膜图像处理装置及电子设备 |
CN111161289A (zh) * | 2019-12-26 | 2020-05-15 | 杭州格像科技有限公司 | 图像中物体轮廓精度提升方法、装置和计算机程序产品 |
CN111429351A (zh) * | 2020-03-24 | 2020-07-17 | 珠海嘉润医用影像科技有限公司 | 一种图像插值处理方法及*** |
CN111784716A (zh) * | 2020-06-04 | 2020-10-16 | 华中科技大学 | 一种基于超声ct的序列图图像分割方法及*** |
CN111862112A (zh) * | 2020-07-08 | 2020-10-30 | 哈尔滨工业大学(深圳) | 一种基于深度学***集方法的医学图像分割方法 |
CN113034508A (zh) * | 2019-12-25 | 2021-06-25 | 飞依诺科技(苏州)有限公司 | 超声图像病灶的分割方法、装置和计算机设备 |
CN115171204A (zh) * | 2022-09-06 | 2022-10-11 | 北京鹰瞳科技发展股份有限公司 | 对预测视网膜年龄的预测模型进行训练的方法和相关产品 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504708A (zh) * | 2014-12-26 | 2015-04-08 | 大连理工大学 | 一种基于毗邻图像特征点集的dsa脑血管图像自动分割方法 |
CN104599270A (zh) * | 2015-01-18 | 2015-05-06 | 北京工业大学 | 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法 |
CN107016683A (zh) * | 2017-04-07 | 2017-08-04 | 衢州学院 | 基于区域生长初始化的水平集海马图像分割方法 |
-
2017
- 2017-08-24 CN CN201710733452.4A patent/CN107481252A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504708A (zh) * | 2014-12-26 | 2015-04-08 | 大连理工大学 | 一种基于毗邻图像特征点集的dsa脑血管图像自动分割方法 |
CN104599270A (zh) * | 2015-01-18 | 2015-05-06 | 北京工业大学 | 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法 |
CN107016683A (zh) * | 2017-04-07 | 2017-08-04 | 衢州学院 | 基于区域生长初始化的水平集海马图像分割方法 |
Non-Patent Citations (3)
Title |
---|
于广婷,等: "基于改进水平集的人脑海马图像分割方法", 《计算机工程》 * |
吴珊: "基于活动轮廓模型的肝脏分割算法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
王文峰: "腹部CT图像的三维重构与手术规划", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447066B (zh) * | 2018-03-19 | 2021-03-09 | 青岛海信医疗设备股份有限公司 | 胆道图像分割方法、终端、存储介质 |
CN108447066A (zh) * | 2018-03-19 | 2018-08-24 | 青岛海信医疗设备股份有限公司 | 胆道图像分割方法、终端、存储介质 |
CN108830859A (zh) * | 2018-04-13 | 2018-11-16 | 中国科学院深圳先进技术研究院 | 基于超声图像的内中膜分割方法、装置、设备及存储介质 |
CN108830859B (zh) * | 2018-04-13 | 2022-03-04 | 中国科学院深圳先进技术研究院 | 基于超声图像的内中膜分割方法、装置、设备及存储介质 |
CN108596935A (zh) * | 2018-04-24 | 2018-09-28 | 安徽锐捷信息科技有限公司 | 一种磁共振图像的分割方法及装置 |
CN108961278B (zh) * | 2018-06-20 | 2023-01-31 | 深圳市旭东数字医学影像技术有限公司 | 基于影像数据的腹壁肌肉分割的方法及其*** |
CN108961278A (zh) * | 2018-06-20 | 2018-12-07 | 深圳市旭东数字医学影像技术有限公司 | 基于影像数据的腹壁肌肉分割的方法及其*** |
CN109785293A (zh) * | 2018-12-22 | 2019-05-21 | 昆明理工大学 | 一种基于全局和局部活动轮廓模型的超声图像病灶自动分割的方法 |
CN109785293B (zh) * | 2018-12-22 | 2022-09-27 | 昆明理工大学 | 基于全局和局部活动轮廓模型的超声图像病灶分割方法 |
CN109740600A (zh) * | 2019-01-04 | 2019-05-10 | 上海联影医疗科技有限公司 | 高亮病灶区域的定位方法、装置、计算机设备以及存储介质 |
CN110390667B (zh) * | 2019-06-18 | 2023-10-20 | 平安科技(深圳)有限公司 | 基于眼底oct影像的病灶提取方法、装置、设备及存储介质 |
WO2020252900A1 (zh) * | 2019-06-18 | 2020-12-24 | 平安科技(深圳)有限公司 | 基于眼底oct影像的病灶提取方法、装置、设备及存储介质 |
CN110390667A (zh) * | 2019-06-18 | 2019-10-29 | 平安科技(深圳)有限公司 | 基于眼底oct影像的病灶提取方法、装置、设备及存储介质 |
CN110705576B (zh) * | 2019-09-29 | 2020-09-22 | 慧影医疗科技(北京)有限公司 | 区域轮廓确定方法、装置及图像显示设备 |
CN110705576A (zh) * | 2019-09-29 | 2020-01-17 | 慧影医疗科技(北京)有限公司 | 区域轮廓确定方法、装置及图像显示设备 |
CN110992370B (zh) * | 2019-11-19 | 2023-07-04 | 东软医疗***股份有限公司 | 一种胰腺组织的分割方法、装置及终端设备 |
CN110992370A (zh) * | 2019-11-19 | 2020-04-10 | 东软医疗***股份有限公司 | 一种胰腺组织的分割方法、装置及终端设备 |
CN111105400A (zh) * | 2019-12-20 | 2020-05-05 | 中国医学科学院阜外医院 | 瓣膜图像处理方法、瓣膜图像处理装置及电子设备 |
CN111105400B (zh) * | 2019-12-20 | 2023-09-19 | 中国医学科学院阜外医院 | 瓣膜图像处理方法、瓣膜图像处理装置及电子设备 |
CN113034508A (zh) * | 2019-12-25 | 2021-06-25 | 飞依诺科技(苏州)有限公司 | 超声图像病灶的分割方法、装置和计算机设备 |
CN113034508B (zh) * | 2019-12-25 | 2024-02-13 | 飞依诺科技股份有限公司 | 超声图像病灶的分割方法、装置和计算机设备 |
CN111161289B (zh) * | 2019-12-26 | 2023-08-08 | 杭州格像科技有限公司 | 图像中物体轮廓精度提升方法、装置 |
CN111161289A (zh) * | 2019-12-26 | 2020-05-15 | 杭州格像科技有限公司 | 图像中物体轮廓精度提升方法、装置和计算机程序产品 |
CN111080642A (zh) * | 2019-12-31 | 2020-04-28 | 北京推想科技有限公司 | 基于医学图像的组织分型方法及装置、电子设备 |
CN111429351A (zh) * | 2020-03-24 | 2020-07-17 | 珠海嘉润医用影像科技有限公司 | 一种图像插值处理方法及*** |
CN111784716A (zh) * | 2020-06-04 | 2020-10-16 | 华中科技大学 | 一种基于超声ct的序列图图像分割方法及*** |
CN111862112A (zh) * | 2020-07-08 | 2020-10-30 | 哈尔滨工业大学(深圳) | 一种基于深度学***集方法的医学图像分割方法 |
CN115171204B (zh) * | 2022-09-06 | 2023-02-21 | 北京鹰瞳科技发展股份有限公司 | 对预测视网膜年龄的预测模型进行训练的方法和相关产品 |
CN115171204A (zh) * | 2022-09-06 | 2022-10-11 | 北京鹰瞳科技发展股份有限公司 | 对预测视网膜年龄的预测模型进行训练的方法和相关产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107481252A (zh) | 医学图像的分割方法、装置、介质和电子设备 | |
CN109242844B (zh) | 基于深度学习的胰腺癌肿瘤自动识别***、计算机设备、存储介质 | |
CN109409503B (zh) | 神经网络的训练方法、图像转换方法、装置、设备及介质 | |
CN106887000B (zh) | 医学图像的网格化处理方法及其*** | |
CN111047594A (zh) | 肿瘤mri弱监督学习分析建模方法及其模型 | |
CN111105424A (zh) | ***自动勾画方法及装置 | |
CN109166133A (zh) | 基于关键点检测和深度学习的软组织器官图像分割方法 | |
CN107481254A (zh) | 医学图像的处理方法、装置、介质和电子设备 | |
Nasor et al. | Detection and Localization of Early‐Stage Multiple Brain Tumors Using a Hybrid Technique of Patch‐Based Processing, k‐means Clustering and Object Counting | |
CN107680107B (zh) | 一种基于多图谱的扩散张量磁共振图像的自动分割方法 | |
CN112508965A (zh) | 医学影像中正常器官的轮廓线自动勾画*** | |
CN107004268A (zh) | 结直肠肿瘤的动态对比增强图像的自动感兴趣区域分割及配准 | |
CN105224764B (zh) | 骨骼建模与仿真方法 | |
CN109508787A (zh) | 用于超声位移估计的神经网络模型训练方法及*** | |
CN107507189A (zh) | 基于随机森林与统计模型的小鼠ct图像肾脏分割方法 | |
CN113096137B (zh) | 一种oct视网膜图像领域适应分割方法及*** | |
CN111815593B (zh) | 基于对抗学习的肺结节域适应分割方法、装置及存储介质 | |
CN109300147A (zh) | 血管二维中心线和三维中心线配准的方法及装置 | |
CN112927799A (zh) | 融合多示例学习和多任务深度影像组学的生存期分析*** | |
JP2024515635A (ja) | 超音波及びカメラ画像から3d画像を再構成するためのシステム及び方法 | |
CN112017161A (zh) | 一种基于中心点回归的肺结节检测方法和检测装置 | |
CN116309571A (zh) | 一种基于半监督学习的三维脑血管分割方法和装置 | |
Nowinski et al. | A 3D model of human cerebrovasculature derived from 3T magnetic resonance angiography | |
CN113160120A (zh) | 基于多模态融合与深度学习的肝脏血管分割方法及*** | |
CN110458842B (zh) | 基于双通道三维密集连接网络的脑肿瘤分割方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171215 |