CN108335304A - 一种腹部ct扫描序列图像的主动脉瘤分割方法 - Google Patents
一种腹部ct扫描序列图像的主动脉瘤分割方法 Download PDFInfo
- Publication number
- CN108335304A CN108335304A CN201810122546.2A CN201810122546A CN108335304A CN 108335304 A CN108335304 A CN 108335304A CN 201810122546 A CN201810122546 A CN 201810122546A CN 108335304 A CN108335304 A CN 108335304A
- Authority
- CN
- China
- Prior art keywords
- aorta
- image
- aortic aneurysm
- abdominal
- scan sequence
- 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
- G06T7/11—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
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
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)
- Image Analysis (AREA)
Abstract
本发明涉及一种腹部CT扫描序列图像的主动脉瘤分割方法,包括五个部分:图像预处理;主动脉血管内腔提取;主动脉分割;主动脉瘤提取;三维重建主动脉瘤。本发明不需要任何已知标签的样本数据进行学习训练,适用范围广泛;将血管内腔和主动脉轮廓分别使用不同的分割算法提取,然后将得到的主动脉去除血管内腔区域得到空心的主动脉内壁和外壁动脉瘤轮廓,并对主动脉分割提出一种新的基于序列间先验约束的图割算法;充分利用了CT图像序列间特有的关联关系和相似性;能够很好的解决主动脉瘤病变等情况带来的欠分割和过分割影响。本发明可以为体外模拟手术提供3D打印的主动脉瘤模型,方便手术预案的制定和规划,降低主动脉手术的高风险。
Description
技术领域
本发明涉及在线自学习和生物医学图像分析领域,更具体地说,涉及一种腹部CT扫描序列图像的主动脉瘤分割方法,特别涉及通过基于序列间传递先验约束的半自动主动脉分割方法,具体可应用于但不限于医学图像分割任务等。
背景技术
随着人们生活水平的提高和饮食习惯的改变,心血管发病率在疾病类统计中呈上升趋势,而主动脉瘤是目前较为凶险的一类心血管疾病,严重时会导致主动脉破裂引起死亡。主动脉瘤主动脉腔内的血液通过内膜的破裂口进入主动脉壁的中层而形成,以往多称为主动脉瘤动脉瘤,现多改称主动脉瘤血肿或主动脉瘤分离,简称主动脉瘤。主动脉瘤病症发病较急、症状严重、预后差并且手术期死亡率高,是临床常见的容易被漏诊、误诊的疾病之一。
目前该类疾病有效的解决方案以血管腔内放置支架隔离手术治疗为主,主治医生在术前需要清楚掌握主动脉血管腔内的结构信息,如主动脉内壁破口位置、范围大小以及数量等临床信息。鉴于主动脉瘤有关手术的高危险性和复杂性,基于医学影像(如电子计算机断层扫描:CT)的手术预案制定、手术规划、体外模拟手术等方案能够有效地提高手术的成功率,降低手术风险性和医护人员的工作难度。实现这些目的的重要前提是能够从医学图像中准确地分割出主动脉瘤,三维重建主动脉腔体内部动脉瘤膜的立体形态,直观呈现主动脉内壁和外壁间的形态结构关系,各角度、全方位呈现主动脉瘤病变的解剖学特点。
但是,目前现有的医学图像重建软件不能显示主动脉内腔动脉瘤壁的结构,而且由于主动脉形态多变、分支血管众多、血管壁钙化、动脉瘤血肿和动脉间外壁的边界模糊、疾病本身存在的复杂性等因素,对主动脉瘤的分割带来极大的困难,因而,主动脉分割是主动脉瘤分割的技术难点,容易造成主动脉过分割和欠分割结果,给主动脉分割带来了极大的挑战。
发明内容
本发明的目的在于克服现有技术的不足,提供一种能够准确的提取出主动脉血管内腔、主动脉轮廓,并进行主动脉瘤三维重建的腹部CT扫描序列图像的主动脉瘤分割方法。
本发明的技术方案如下:
一种腹部CT扫描序列图像的主动脉瘤分割方法,步骤如下:
1)对腹部CT扫描序列图像进行预处理;包括调整图像的宽窗和宽位、截取感兴趣的图像区域,以及对截取到的图像区域进行重采样到预设尺寸;
2)对预处理后的CT扫描序列图像使用阈值分割算法和三维最大连通区域方法提取出主动脉血管内腔;
3)使用基于序列间传递先验约束的图割算法进行半自动的主动脉分割;
4)将主动脉分割结果剔除血管内腔,得到主动脉瘤及血管壁;
5)根据剔除血管内腔后的主动脉瘤及血管壁的三维轮廓,重建出三维主动脉瘤模型。
作为优选,如果输入的腹部CT扫描序列图像为平扫期CT扫描序列图像,则经过步骤2) 处理后,直接进行步骤3);如果输入的腹部CT扫描序列图像为增强期CT扫描序列图像,则经过步骤2)处理后,对腹部CT扫描序列图像中的主动脉血管内腔进行像素填充。
作为优选,像素填充的方法是使用相邻的像素值进行填充,将待分割的目标区域的像素值符合均匀分布。
作为优选,步骤3)中,基于序列间传递先验约束的图割算法的步骤如下:
3.1)主动脉初始切片层的预分割;
3.2)序列间传递形状先验模板;
3.3)构建并求解基于形状约束的图割模型。
作为优选,步骤3.1)中,选取预设条件的切片层图像作为初始切片层;使用交互式图割算法,人工标记主动脉目标和背景区域,得到前景和背景的直方图模型,结合直方图模型建立基于像素点的S-T图,使用最大流最小割算法求得S-T图的全局最优分割,得到初始层的主动脉分割结果
作为优选,初始切片层中待求解的图割模型描述如下:
其中,向量表示初始切片中所有像素点的标签取值,表示初始切片层中第p个像素点的标签值,表示该像素点属于前景,反之则属于背景;区域项由人工标记前后景区域的直方图模型统计每个像素点标签值分别为0和1的概率值,边界项表示相邻像素点被分配不同标签的惩罚项,控制目标分割边缘平滑度;λ0为非负系数权重,控制能量函数中边界项和区域项取值比例;
当该图割模型函数达到最小时,所有像素点的取值向量为主动脉全局最优分割结果。
作为优选,步骤3.2)中,基于序列间光流配准的方式传递主动脉形状先验模板:通过相邻图像间的光流信息得到所有像素点的位置偏移量ω,将邻近层中已知的主动脉轮廓结合坐标偏移量配准得到当前切片图像的主动脉形状先验模板,为当前图像的主动脉分割提供形状先验信息,降低欠分割或过分割现象。
作为优选,形状先验配准公式如下:
Shapen(x,y)=An-1(x+μ,y+v);
其中,向量Shapen表示第n层图像的主动脉形状先验的二值图像模型,x和y表示第n层图像的像素点坐标,μ和ν分别表示第n层图像中对应像素点的水平和垂直方向的坐标偏移量, An-1为相邻的第n-1层图像的主动脉分割结果。
作为优选,步骤3.3)中,基于形状约束的图割模型如下:
其中,区域项R(An)由初始切片层的主动脉分割结果对应的前后景直方图模型统计;加入形状先验约束项S(An),统计第n层图像上所有像素点属于主动脉前景先验概率之和;λ1和λ2为非负系数权重;使用最大流最小割算法求解该图割模型,当该模型达到最小时,向量为第 n层图像的主动脉分割结果。
作为优选,步骤3)进一步地,还包括步骤3.4)主动脉分割结果的后处理:扩大主动脉区域层数和水平集三维平滑处理,具体为:从初始n0层开始,序列之间迭代求解基于形状约束的图割模型,得到与输入序列对应的主动脉分割轮廓,经过开闭算子、水平集和最大连通区域修正,得到最终的三维主动脉分割结果。
本发明的有益效果如下:
本发明所述的腹部CT扫描序列图像的主动脉瘤分割方法,不需要任何已知标签的样本数据进行学习训练,适用范围广泛;将血管内腔和主动脉轮廓分别使用不同的分割算法提取,然后将得到的主动脉去除血管内腔区域得到空心的主动脉内壁和外壁动脉瘤轮廓,并对主动脉分割提出一种新的基于序列间先验约束的图割算法;充分利用了CT图像序列间特有的关联关系和相似性;能够很好的解决主动脉瘤病变等情况带来的欠分割和过分割影响。本发明可以为体外模拟手术提供3D打印的主动脉瘤模型,方便手术预案的制定和规划,降低主动脉手术的高风险。
本发明所述的基于序列间先验约束的图割算法,只需要人工简单标记初始层的前后景得到初始主动脉分割结果,通过序列间的关联关系传递主动脉形状先验模板,最后求解基于形状先验约束的图割模型得到全局最优主动脉分割结果。相对于传统的图割方法,加入的形状先验信息可以很好的解决边缘模糊、钙化、病灶等因素所带来的影响。由于CT图像序列各组织器官具有连续变化性和相似性,每一层的主动脉形状先验可以通过相邻切片层的主动脉分割轮廓配准得到,不需要预先训练带有标签的数据构建主动脉形状模板库,相对于基于训练样本学习的方法,无需复杂的数据收集和训练,提高了基于序列间先验约束图割算法的适用性。
附图说明
图1是本发明的主动脉瘤分割方法的整体流程示意图;
图2是基于序列间先验约束的图割算法的流程示意图;
图3是对主动脉轮廓进行后处理的结果示意图;
图4是三维重建的主动脉瘤模型示意图;
图5是主动脉分割方法得到的主动脉分割的结果示意图。
具体实施方式
以下结合附图及实施例对本发明进行进一步的详细说明。
本发明为了解决现有技术无法提供有效的主动脉瘤分割的不足,提供一种半自动分割的腹部CT扫描序列图像的主动脉瘤分割方法,不需要任何已知标签的样本数据进行学习训练,将血管内腔和主动脉轮廓分别使用不同的分割算法提取,然后将得到的主动脉去除血管内腔区域得到空心的主动脉内壁和外壁动脉瘤轮廓,最后基于移动立方体(Marching cubes)的面绘制算法得到主动脉瘤内外表面结构模型,3D打印该模型进行体外模拟手术等方案的分析。
一种腹部CT扫描序列图像的主动脉瘤分割方法,主要包括图像预处理;主动脉血管内腔提取;主动脉分割;主动脉瘤提取;三维重建主动脉瘤等步骤,具体如下:
1)对腹部CT扫描序列图像进行预处理;包括调整图像的宽窗和宽位,调整其灰度到一定范围,截取感兴趣的图像区域和层数,以及对截取到的图像区域进行重采样到预设尺寸。
2)对预处理后的CT扫描序列图像使用阈值分割算法和三维最大连通区域方法提取出主动脉血管内腔。
由于在增强期CT扫描序列图像中,造影剂会随血液在血管内腔中流动,血管内腔和其他组织区域在亮度上具有很明显的差异,通过造影剂增强主动脉血管内腔对比度,有利于通过阈值分割算法和三维最大连通区域提取出主动脉血管内腔轮廓。因此,可以使用基于阈值的分割算法提取出主动脉血管内腔轮廓,设置较高的阈值刷选去除其他组织和背景杂质等信息。由于其他组织的血管区域也会影响主动脉血管内腔的提取,使用三维最大连通区域可以去除其他组织不连通的血管区域,经过平滑等后处理得到主动脉血管内腔轮廓。
3)使用基于序列间传递先验约束的图割算法进行半自动的主动脉分割。
基于序列间先验约束的图割算法解决了主动脉分割所面临的边缘模糊、内壁和外壁的钙化、动脉瘤病灶等因素所造成的欠分割和过分割问题,主要步骤如下:
3.1)主动脉初始切片层的预分割;
3.2)序列间传递形状先验模板;
3.3)构建并求解基于形状约束的图割模型。
并可根据具体实施需求,增加如下步骤:
在步骤3.1)前进行主动脉血管内壁像素填充,在步骤3.3)后的步骤3.4)主动脉分割结果的后处理。
其中,如果输入的腹部CT扫描序列图像为平扫期CT扫描序列图像,则经过步骤2)处理后,直接进行步骤3)。
如果输入的腹部CT扫描序列图像为增强期CT扫描序列图像,则经过步骤2)处理后,对腹部CT扫描序列图像中的主动脉血管内腔进行像素填充。由于主动脉壁的厚度较薄,对于带有较亮血管的增强期主动脉图像区域面积占比较小,造成目标区域分布不均匀,影响主动脉分割结果的精确度;因此,可以将较亮的血管内腔通过相邻的主动脉壁的像素值进行填充,将待分割的目标区域的像素值符合均匀分布,提高算法的分割效率。
步骤3.1)中,选取预设条件的切片层图像作为初始切片层,即在经过图像预处理后的 CT扫描序列图像中,选取主动脉轮廓面积较大、边缘清晰并且钙化程度较少的切片层图像作为初始切片层。使用交互式图割算法,人工少量的标记主动脉目标和背景区域,得到前景和背景的直方图模型,结合直方图模型建立基于像素点的S-T图,使用最大流最小割算法求得 S-T图的全局最优分割,得到初始层的主动脉分割结果
初始切片层中待求解的图割模型描述如下:
其中,向量表示初始切片中所有像素点的标签取值,表示初始切片层中第p个像素点的标签值,表示该像素点属于前景,反之则属于背景;区域项由人工标记前后景区域的直方图模型统计每个像素点标签值分别为0和1的概率值,边界项表示相邻像素点被分配不同标签的惩罚项,控制目标分割边缘平滑度;λ0为非负系数权重,控制能量函数中边界项和区域项取值比例;
当该图割模型函数达到最小时,所有像素点的取值向量为主动脉全局最优分割结果。
步骤3.2)中,基于序列间光流配准的方式传递主动脉形状先验模板:由于CT扫描序列图像间的各组织器官具有连续微小变化性和相似性,可以利用图像序列间的邻接关联关系;通过相邻图像间的光流信息得到所有像素点的位置偏移量ω,将邻近层中已知的主动脉轮廓结合坐标偏移量配准得到当前切片图像的主动脉形状先验模板,为当前图像的主动脉分割提供形状先验信息,降低由于主动脉边界模糊或缺失、动脉瘤病变等情况导致的欠分割或过分割现象。
将每一层的主动脉分割轮廓结合坐标偏移量配准后作为邻近层的主动脉形状先验,形状先验配准公式如下:
Shapen(x,y)=An-1(x+μ,y+ν);
其中,向量Shapen表示第n层图像的主动脉形状先验的二值图像模型,x和y表示第n层图像的像素点坐标,μ和ν分别表示第n层图像中对应像素点的水平和垂直方向的坐标偏移量, An-1为相邻的第n-1层图像的主动脉分割结果。
步骤3.3)中,基于形状约束的图割模型如下:
其中,区域项R(An)由初始切片层的主动脉分割结果对应的前后景直方图模型统计;加入形状先验约束项S(An),统计第n层图像上所有像素点属于主动脉前景先验概率之和;λ1和λ2为非负系数权重;使用最大流最小割算法求解该图割模型,当该模型达到最小时,向量为第 n层图像的主动脉分割结果。
步骤3)进一步地,还包括步骤3.4)主动脉分割结果的后处理:扩大主动脉区域层数和水平集三维平滑处理。
由于输入的CT序列图像是断层扫描切片图像,在主动脉弓横断面部分由于横截面角度的切片关系会存在该区域消失的情况,导致三维重建主动脉瘤主动脉弓上下截面部分偏平坦,需要经过扩大主动脉区域层数和水平集三维平滑处理得到最后的主动脉分割结果。
具体为:从初始n0层开始,序列之间迭代求解基于形状约束的图割模型,得到与输入序列对应的主动脉分割轮廓,经过开闭算子、水平集和最大连通区域修正等后处理,得到最终的三维主动脉分割结果。
4)将主动脉分割结果剔除血管内腔,得到主动脉瘤及血管壁。主动脉瘤病变存在于主动脉外壁和内壁之间,不包含主动脉血管内腔,需要对分割出的实心主动脉轮廓剔除血管内腔部分,得到空心的主动脉瘤,方便体外模拟手术的支架植入。
上述步骤分别得到了主动脉血管内腔提取、主动脉轮廓,而主动脉区域包括主动脉血管内腔,主动脉瘤是由血管内腔膜、中膜和外膜组成,则主动脉瘤的提取只需要将提取的主动脉区域去除血管内腔区域。
5)根据剔除血管内腔后的主动脉瘤及血管壁的三维轮廓,重建出三维主动脉瘤模型。使用基于移动立方体的面绘制算法实现主动脉瘤的三维重建,直观呈现主动脉瘤外壁轮廓和内壁间的形态结构关系,各角度、全方位呈现主动脉瘤病变的解剖学特点,为手术预案制定、手术规划和体外模拟手术提供相应的主动脉瘤模型。
实施例
本实施例以输入增强期CT扫描序列图像为例,如图1所示,步骤如下:
步骤1,数据收集和预处理
步骤1.1,数据收集
数据取自某医院心外科四个主动脉瘤病人的CT扫描序列图像数据(增强期),所有CT 扫描序列图像的层间距离为0.625~1.25mm,序列层数范围为257~1025,图像大小为512*512,图像中每个像素点空间大小范围为0.70~0.75mm。
步骤1.2,灰度范围截取、兴趣区域采集和图像放大
根据观察,宽窗和宽位分别设置为45和405,图像中各组织区分度较大且保有其大部分细节,因此将图像灰度在该范围内截取,而后像素值线性变换到[0,255]空间中。进行主动脉兴趣区域截取,即根据输入的CT三维扫描序列图像,分析并截取主动脉的大致区域,有效的主动脉序列层数范围为250~380,可以去除其他无效区域层和组织,提高计算效率。兴趣区域截取图像后重采样放大,将截取的主动脉区域重采样到图像大小为200*200,扩大主动脉区域面积占比,提高目标分割精度。
步骤2,主动脉血管内腔分割
选取CT扫描序列增强期图像,血管内腔由于造影剂的影响呈现出亮度值较大的区域图像,设置阈值为图像最大灰度值的0.7倍,三维提取最大连通区域获取三维主动脉血管内腔,去除其他较亮的血管或组织区域。
步骤3,主动脉分割
步骤3.1,主动脉血管内壁像素填充
选取CT扫描序列增强期图像,将主动脉血管内腔以半径为1的圆形区域进行膨胀后,使用邻近主动脉壁的像素值进行填充该区域,如图2所示。
步骤3.2,初始层的主动脉预分割
从填充后的序列图像中选择初始切片层,使用交互式图割算法,先人工少量的标记主动脉目标和背景区域,得到前景和背景的直方图模型。初始层中建立的图割模型描述如下所示:
所有像素点的取值向量则为主动脉全局最优分割结果,如图2所示。
步骤3.3,光流配准传递形状先验模型
已知初始层的主动脉轮廓则邻近初始层的切片层的主动脉形状先验配准公式如下:
Shapen(x,y)=An-1(x+μ,y+v);
CT扫描图像序列除初始层外,所有其他图像序列的主动脉形状先验轮廓都通过上述光流配准算法迭代求得。
步骤3.4,基于形状约束的图割算法分割主动脉
对填充后的序列图像中除初始切片层,每一层图像使用基于形状约束的图割算法求解主动脉最优分割结果。基于形状约束的图割模型描述如下:
其中,形状先验约束项S(An)描述如下:
An表示序列图像中第n层图像所有像素点标签的向量,P为第n层图像中所有像素点集合。对基于形状约束的图割模型仍然使用最大流最小割方法求解,当该模型达到最小时,向量为第n层图像的主动脉分割结果,如图2所示。
步骤3.5,主动脉分割结果后处理
由于输入的CT序列图像是断层扫描切片图像,在主动脉弓横断面部分由于横截面角度的切片关系会存在该区域消失的情况,导致三维重建主动脉瘤主动脉弓上下截面部分偏平坦 (如图3所示),需要对分割的主动脉弓区域使用水平集上下扩大5层左右。由于人体动脉壁病灶和钙化等因素的影响,需要将整个序列图像分割的主动脉轮廓使用开闭算子、洞填充和最大连通区域等后处理操作,得到比较平滑的主动脉外壁轮廓。
步骤4,主动脉瘤的提取和三维重建
上述步骤分别得到了主动脉血管内腔提取、主动脉轮廓,而主动脉区域包括主动脉血管内腔,主动脉瘤是由血管内腔膜、中膜和外膜组成,则主动脉瘤的提取只需要将提取的主动脉区域去除血管内腔区域。三维重建主动脉瘤,使用基于移动立方体的面绘制算法实现主动脉瘤的三维重建,直观呈现主动脉瘤外壁轮廓和内壁间的形态结构关(如图4所示),通过各角度、全方位呈现主动脉瘤病变的解剖学特点,为手术预案制定、手术规划和体外模拟手术提供相应的主动脉瘤模型。
为了证明本发明对主动脉分割提出的基于序列间先验约束图割算法的可靠性,图5显示了不同病人的主动脉横截面分割结果,结果显示,对于存在多个区域的主动脉(图3中的(a))、动脉壁钙化(图3中的(d)和(e))、模糊边界(图3中的(b)和(c))以及主动脉瘤血肿(图3中的(d),(e)和(f))都得到很好的分割结果。
上述实施例仅是用来说明本发明,而并非用作对本发明的限定。只要是依据本发明的技术实质,对上述实施例进行变化、变型等都将落在本发明的权利要求的范围内。
Claims (10)
1.一种腹部CT扫描序列图像的主动脉瘤分割方法,其特征在于,步骤如下:
1)对腹部CT扫描序列图像进行预处理;包括调整图像的宽窗和宽位、截取感兴趣的图像区域,以及对截取到的图像区域进行重采样到预设尺寸;
2)对预处理后的CT扫描序列图像使用阈值分割算法和三维最大连通区域方法提取出主动脉血管内腔;
3)使用基于序列间传递先验约束的图割算法进行半自动的主动脉分割;
4)将主动脉分割结果剔除血管内腔,得到主动脉瘤及血管壁;
5)根据剔除血管内腔后的主动脉瘤及血管壁的三维轮廓,重建出三维主动脉瘤模型。
2.根据权利要求1所述的腹部CT扫描序列图像的主动脉瘤分割方法,其特征在于,如果输入的腹部CT扫描序列图像为平扫期CT扫描序列图像,则经过步骤2)处理后,直接进行步骤3);如果输入的腹部CT扫描序列图像为增强期CT扫描序列图像,则经过步骤2)处理后,对腹部CT扫描序列图像中的主动脉血管内腔进行像素填充。
3.根据权利要求2所述的腹部CT扫描序列图像的主动脉瘤分割方法,其特征在于,像素填充的方法是使用邻近像素值进行填充,将待分割的目标区域的像素值符合均匀分布。
4.根据权利要求1所述的腹部CT扫描序列图像的主动脉瘤分割方法,其特征在于,步骤3)中,基于序列间传递先验约束的图割算法的步骤如下:
3.1)主动脉初始切片层的预分割;
3.2)序列间传递形状先验模板;
3.3)构建并求解基于形状约束的图割模型。
5.根据权利要求4所述的腹部CT扫描序列图像的主动脉瘤分割方法,其特征在于,步骤3.1)中,选取预设条件的切片层图像作为初始切片层;使用交互式图割算法,人工标记主动脉目标和背景区域,得到前景和背景的直方图模型,结合直方图模型建立基于像素点的S-T图,使用最大流最小割算法求得S-T图的全局最优分割,得到初始层的主动脉分割结果
6.根据权利要求5所述的腹部CT扫描序列图像的主动脉瘤分割方法,其特征在于,初始切片层中待求解的图割模型描述如下:
其中,向量表示初始切片中所有像素点的标签取值,表示初始切片层中第p个像素点的标签值,表示该像素点属于前景,反之则属于背景;区域项由人工标记前后景区域的直方图模型统计每个像素点标签值分别为0和1的概率值,边界项表示相邻像素点被分配不同标签的惩罚项,控制目标分割边缘平滑度;λ0为非负系数权重,控制能量函数中边界项和区域项取值比例;
当该图割模型函数达到最小时,所有像素点的取值向量为主动脉全局最优分割结果。
7.根据权利要求4所述的腹部CT扫描序列图像的主动脉瘤分割方法,其特征在于,步骤3.2)中,基于序列间光流配准的方式传递主动脉形状先验模板:通过相邻图像间的光流信息得到所有像素点的位置偏移量ω,将邻近层中已知的主动脉轮廓结合坐标偏移量配准得到当前切片图像的主动脉形状先验模板,为当前图像的主动脉分割提供形状先验信息,降低欠分割或过分割现象。
8.根据权利要求7所述的腹部CT扫描序列图像的主动脉瘤分割方法,其特征在于,形状先验配准公式如下:
Shapen(x,y)=An-1(x+μ,y+v);
其中,向量Shapen表示第n层图像的主动脉形状先验的二值图像模型,x和y表示第n层图像的像素点坐标,μ和ν分别表示第n层图像中对应像素点的水平和垂直方向的坐标偏移量,An-1为相邻的第n-1层图像的主动脉分割结果。
9.根据权利要求4所述的腹部CT扫描序列图像的主动脉瘤分割方法,其特征在于,步骤3.3)中,基于形状约束的图割模型如下:
其中,区域项R(An)由初始切片层的主动脉分割结果对应的前后景直方图模型统计;加入形状先验约束项S(An),统计第n层图像上所有像素点属于主动脉前景先验概率之和;λ1和λ2为非负系数权重;使用最大流最小割算法求解该图割模型,当该模型达到最小时,向量为第n层图像的主动脉分割结果。
10.根据权利要求9所述的腹部CT扫描序列图像的主动脉瘤分割方法,其特征在于,步骤3)进一步地,还包括步骤3.4)主动脉分割结果的后处理:扩大主动脉区域层数和水平集三维平滑处理,具体为:从初始n0层开始,序列之间迭代求解基于形状约束的图割模型,得到与输入序列对应的主动脉分割轮廓,经过开闭算子、水平集和最大连通区域修正,得到最终的三维主动脉分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810122546.2A CN108335304B (zh) | 2018-02-07 | 2018-02-07 | 一种腹部ct扫描序列图像的主动脉瘤分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810122546.2A CN108335304B (zh) | 2018-02-07 | 2018-02-07 | 一种腹部ct扫描序列图像的主动脉瘤分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108335304A true CN108335304A (zh) | 2018-07-27 |
CN108335304B CN108335304B (zh) | 2021-08-03 |
Family
ID=62928624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810122546.2A Active CN108335304B (zh) | 2018-02-07 | 2018-02-07 | 一种腹部ct扫描序列图像的主动脉瘤分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108335304B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118501A (zh) * | 2018-08-03 | 2019-01-01 | 上海电气集团股份有限公司 | 图像处理方法及*** |
CN109447967A (zh) * | 2018-10-26 | 2019-03-08 | 强联智创(北京)科技有限公司 | 一种颅内动脉瘤图像的分割方法及*** |
CN111445473A (zh) * | 2020-03-31 | 2020-07-24 | 复旦大学 | 基于血管内超声图像序列多角度重建的血管膜精确分割方法及*** |
CN111489434A (zh) * | 2020-03-18 | 2020-08-04 | 创业慧康科技股份有限公司 | 一种基于三维图割的医学影像三维重建方法 |
CN111862304A (zh) * | 2020-06-30 | 2020-10-30 | 西安增材制造国家研究院有限公司 | 基于骨架引导的分割下腔静脉和腹主动脉的方法及装置 |
CN111951277A (zh) * | 2020-07-28 | 2020-11-17 | 杭州电子科技大学 | 一种基于cta图像的冠状动脉分割方法 |
CN112348860A (zh) * | 2020-10-27 | 2021-02-09 | 中国科学院自动化研究所 | 用于血管内动脉瘤手术的血管配准方法、***和装置 |
CN113160265A (zh) * | 2021-05-13 | 2021-07-23 | 四川大学华西医院 | 一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法 |
CN113223704A (zh) * | 2021-05-20 | 2021-08-06 | 吉林大学 | 基于深度学习的计算机断层扫描主动脉瘤的辅助诊断方法 |
CN113516624A (zh) * | 2021-04-28 | 2021-10-19 | 武汉联影智融医疗科技有限公司 | 穿刺禁区的确定、路径规划方法、手术***和计算机设备 |
CN115919464A (zh) * | 2023-03-02 | 2023-04-07 | 四川爱麓智能科技有限公司 | 肿瘤定位方法、***、装置及肿瘤发展预测方法 |
CN117438092A (zh) * | 2023-12-20 | 2024-01-23 | 杭州脉流科技有限公司 | 颅内动脉瘤破裂风险预测装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102573638A (zh) * | 2009-10-13 | 2012-07-11 | 新加坡科技研究局 | 一种用于分割图像中的肝脏对象的方法和*** |
CN103544686A (zh) * | 2013-10-25 | 2014-01-29 | 天津工业大学 | 基于相位一致性的眼底图像微动脉瘤检测方法 |
CN103985123A (zh) * | 2014-05-17 | 2014-08-13 | 清华大学深圳研究生院 | 基于cta图像的腹主动脉瘤外边界分割方法 |
US9358099B2 (en) * | 2009-11-30 | 2016-06-07 | Biflow Medical Ltd. | Method of implanting a stent graft and creating a fenestration therein |
-
2018
- 2018-02-07 CN CN201810122546.2A patent/CN108335304B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102573638A (zh) * | 2009-10-13 | 2012-07-11 | 新加坡科技研究局 | 一种用于分割图像中的肝脏对象的方法和*** |
US9358099B2 (en) * | 2009-11-30 | 2016-06-07 | Biflow Medical Ltd. | Method of implanting a stent graft and creating a fenestration therein |
CN103544686A (zh) * | 2013-10-25 | 2014-01-29 | 天津工业大学 | 基于相位一致性的眼底图像微动脉瘤检测方法 |
CN103985123A (zh) * | 2014-05-17 | 2014-08-13 | 清华大学深圳研究生院 | 基于cta图像的腹主动脉瘤外边界分割方法 |
Non-Patent Citations (2)
Title |
---|
KWON S T 等: "Interaction of expanding abdominal aortic aneurysm with surrounding tissue: Retrospective CT image studies", 《JOURNAL OF NATURE & SCIENCE》 * |
刘耀辉 等: "基于MITK的CT序列图像模糊连接度分割算法研究", 《湘南学院学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118501A (zh) * | 2018-08-03 | 2019-01-01 | 上海电气集团股份有限公司 | 图像处理方法及*** |
CN109447967A (zh) * | 2018-10-26 | 2019-03-08 | 强联智创(北京)科技有限公司 | 一种颅内动脉瘤图像的分割方法及*** |
CN111489434A (zh) * | 2020-03-18 | 2020-08-04 | 创业慧康科技股份有限公司 | 一种基于三维图割的医学影像三维重建方法 |
CN111445473A (zh) * | 2020-03-31 | 2020-07-24 | 复旦大学 | 基于血管内超声图像序列多角度重建的血管膜精确分割方法及*** |
CN111445473B (zh) * | 2020-03-31 | 2023-04-28 | 复旦大学 | 基于血管内超声图像序列多角度重建的血管膜精确分割方法及*** |
CN111862304B (zh) * | 2020-06-30 | 2023-09-05 | 西安增材制造国家研究院有限公司 | 基于骨架引导的分割下腔静脉和腹主动脉的方法及装置 |
CN111862304A (zh) * | 2020-06-30 | 2020-10-30 | 西安增材制造国家研究院有限公司 | 基于骨架引导的分割下腔静脉和腹主动脉的方法及装置 |
CN111951277A (zh) * | 2020-07-28 | 2020-11-17 | 杭州电子科技大学 | 一种基于cta图像的冠状动脉分割方法 |
CN111951277B (zh) * | 2020-07-28 | 2024-03-12 | 杭州电子科技大学 | 一种基于cta图像的冠状动脉分割方法 |
CN112348860A (zh) * | 2020-10-27 | 2021-02-09 | 中国科学院自动化研究所 | 用于血管内动脉瘤手术的血管配准方法、***和装置 |
CN113516624A (zh) * | 2021-04-28 | 2021-10-19 | 武汉联影智融医疗科技有限公司 | 穿刺禁区的确定、路径规划方法、手术***和计算机设备 |
CN113160265A (zh) * | 2021-05-13 | 2021-07-23 | 四川大学华西医院 | 一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法 |
CN113223704A (zh) * | 2021-05-20 | 2021-08-06 | 吉林大学 | 基于深度学习的计算机断层扫描主动脉瘤的辅助诊断方法 |
CN115919464B (zh) * | 2023-03-02 | 2023-06-23 | 四川爱麓智能科技有限公司 | 肿瘤定位方法、***、装置及肿瘤发展预测方法 |
CN115919464A (zh) * | 2023-03-02 | 2023-04-07 | 四川爱麓智能科技有限公司 | 肿瘤定位方法、***、装置及肿瘤发展预测方法 |
CN117438092A (zh) * | 2023-12-20 | 2024-01-23 | 杭州脉流科技有限公司 | 颅内动脉瘤破裂风险预测装置、计算机设备和存储介质 |
CN117438092B (zh) * | 2023-12-20 | 2024-03-22 | 杭州脉流科技有限公司 | 颅内动脉瘤破裂风险预测装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108335304B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108335304A (zh) | 一种腹部ct扫描序列图像的主动脉瘤分割方法 | |
CN109035255B (zh) | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 | |
US11514572B2 (en) | Automatic image segmentation methods and analysis | |
US11783498B2 (en) | Feature-based registration method | |
US6754376B1 (en) | Method for automatic segmentation of medical images | |
Aykac et al. | Segmentation and analysis of the human airway tree from three-dimensional X-ray CT images | |
CN105118056B (zh) | 基于三维形态学的冠脉血管自动提取方法 | |
CN103606152B (zh) | 基于sift特征点聚类及布尔差运算的dsa血管图像分割方法 | |
US20100278403A1 (en) | Lumen Tracking in Computed Tomographic Images | |
CN105279759B (zh) | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 | |
CN102968783B (zh) | 从腹部图像数据中自动分割骨骼的方法及*** | |
CN104851108B (zh) | 基于ct图像的肝动脉分割方法 | |
JP2011517986A (ja) | 腹部大動脈瘤の自動検知および正確なセグメント分割 | |
CN105139377A (zh) | 一种腹部ct序列图像肝脏的快速鲁棒自动分割方法 | |
JP2007202957A (ja) | 壁運動測定装置及び医用画像診断装置 | |
CN110448319A (zh) | 基于造影影像及冠状动脉的血流速度计算方法 | |
CN107527341A (zh) | 血管造影图像的处理方法和*** | |
CN113129317B (zh) | 一种基于流域分析技术的肺叶自动分段方法 | |
Fan et al. | Lung nodule detection based on 3D convolutional neural networks | |
CN107595390A (zh) | 一种超声影像与ct影像的实时匹配融合方法 | |
CN103985123A (zh) | 基于cta图像的腹主动脉瘤外边界分割方法 | |
CN103985122B (zh) | 基于心脏 ct 图像的全心脏提取方法 | |
CN111179298A (zh) | 基于ct图像的三维肺自动分割与左右肺分离方法及其*** | |
Lyu et al. | Dissected aorta segmentation using convolutional neural networks | |
CN104915989B (zh) | 基于ct影像的血管三维分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |