CN108364297B - 血管图像分割方法、终端、存储介质 - Google Patents
血管图像分割方法、终端、存储介质 Download PDFInfo
- Publication number
- CN108364297B CN108364297B CN201810224722.3A CN201810224722A CN108364297B CN 108364297 B CN108364297 B CN 108364297B CN 201810224722 A CN201810224722 A CN 201810224722A CN 108364297 B CN108364297 B CN 108364297B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- pixel
- medical image
- value
- pipeline
- 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
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000003709 image segmentation Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 48
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000012887 quadratic function Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 15
- 230000002792 vascular Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 28
- 238000009825 accumulation Methods 0.000 description 25
- 239000011159 matrix material Substances 0.000 description 23
- 238000010586 diagram Methods 0.000 description 14
- 238000002591 computed tomography Methods 0.000 description 12
- 238000001914 filtration Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000019553 vascular disease Diseases 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 1
- 210000000702 aorta abdominal Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004738 parenchymal cell Anatomy 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
Images
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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)
Abstract
本发明公开了一种血管图像分割方法、终端、存储介质,属于医学图像处理领域。方法包括:确定对医学图像进行搜索的至少一个起始像素点;基于每个起始像素点在医学图像中进行搜索;当在目标像素点的邻域内进行搜索时,基于医学图像中像素点的管道系数确定目标像素点邻域内每个像素点的能量值,管道系数用于反映第一像素点所在的预设医学图像区域的管道形状特征,像素点的能量值用于反映医学图像的像素值的分布均匀程度和纹理粗细度;基于每个像素点的能量值在医学图像中确定待选像素点;将医学图像中所有目标像素点所表示的图像区域确定为分割后的血管区域。本发明提高了分割得到的血管结构的准确性。本发明用于血管图像分割。
Description
技术领域
本发明涉及医学图像处理领域,特别涉及一种血管图像分割方法、终端、存储介质。
背景技术
血管类疾病为世界范围内较为常见的疾病,对医学图像进行分割以获取医学图像中清晰的血管结构,对于血管类疾病的诊断、治疗和外科手术规划等都有非常重要的意义。
目前,在医学图像处理领域中,可以使用区域生长算法、匹配滤波方法、基于中心线的方法、活动轮廓方法和基于统计的方法等对医学图像进行分割,以获取医学图像中的血管结构。其中,区域生长算法是以预设的种子点的像素值为标准,当像素点的像素值与种子点的像素值之间的关系满足预设生长规则时,将对应像素点划分为种子点所属的区域中。匹配滤波方法是将医学图像中像素点的像素值与预设的滤波模板中的数值进行比较,当像素点的像素值与滤波模板中的数值之间的关系满足预设关系时,确定对应像素点为血管结构中的像素点。
但是,当图像中噪声多或血管亮度不均匀时,使用区域生长算法进行图像分割得到的分割结果会出现空洞和边缘不连续等情况,当使用匹配滤波方法进行图像分割时,分割得到的血管结构的准确性取决于滤波模板的选择,但受到血管结构复杂、个体差异大以及图像成像质量等因素的影响,滤波模板在多个待分割医学图像中的适用性较差,因此,采用相关技术分割得到的血管结构的准确性较低。
发明内容
本发明实施例提供了一种血管图像分割方法、终端、存储介质,可以解决采用相关技术分割得到的血管结构的准确性较低的问题。所述技术方案如下:
第一方面,提供了一种血管图像分割方法,所述方法包括:
确定对医学图像进行搜索的至少一个起始像素点;
基于每个起始像素点在所述医学图像中进行搜索;
当在目标像素点的邻域内进行搜索时,基于所述医学图像中像素点的管道系数确定所述目标像素点邻域内每个像素点的能量值,所述管道系数用于反映第一像素点所在的预设医学图像区域的管道形状特征,所述像素点的能量值用于反映所述医学图像的像素值的分布均匀程度和纹理粗细度,所述第一像素点为所述目标像素点邻域内任一像素点;
基于所述每个像素点的能量值在所述医学图像中确定目标像素点;
将所述医学图像中所有目标像素点所表示的图像区域确定为分割后的血管区域。
第二方面,提供了一种存储介质,所述存储介质中存储有指令,当所述存储介质中的指令由终端的处理组件执行时,使得计算机执行第一方面所提供的血管图像分割方法。
第三方面,提供了一种终端,包括存储器,处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现第一方面所提供的血管图像分割方法。
本发明实施例提供的技术方案带来的有益效果是:
本发明实施例提供的血管图像分割方法、终端、存储介质,通过当在目标像素点的邻域内进行搜索时,基于医学图像中像素点的管道系数确定目标像素点邻域内每个像素点的能量值,并基于每个像素点的能量值在医学图像中确定待选像素点,以实现对医学图像的分割,由于该管道系数用于反映第一像素点所在的预设医学图像区域的管道形状特征,相对于相关技术,在分割医学图像时,能够在对医学图像进行搜索并确定待选像素点的过程中,进一步地根据该管道系数对医学图像中的像素点进行筛选,以更有效地对属于血管区域的像素点和属于非血管区域的像素点进行区分,有效地提高了分割得到的血管结构的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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。
图1是本发明实施例提供的一种血管图像分割方法的流程图;
图2是本发明实施例提供的另一种血管图像分割方法的流程图;
图3是本发明实施例提供的一种获取待分割的医学图像中每个像素点的管道系数的方法流程图;
图4是本发明实施例提供的一种x、y和z在CT图像序列中的示意图;
图5a是本发明实施例提供的一种多尺度卷积运算时,基于每个像素点对应的特征值,分别确定每个像素点的管道系数的方法流程图;
图5b是本发明实施例提供的一种血管上像素点对应的特征值λ1、λ2和λ3的大小规律的示意图;
图6是本发明实施例提供的一种确定对医学图像进行搜索的至少一个起始像素点的方法流程图;
图7a是本发明实施例提供的一种确定医学图像中的目标血管区域的方法流程图;
图7b是本发明实施例提供的一种在医学图像中选取种子点的示意图;
图8a是本发明实施例提供的一种基于灰度值的均值和方差的生长规则的原理示意图;
图8b是本发明实施例提供的一种基于图7b所示的医学图像所在的CT图像序列中的医学图像确定的目标血管区域的示意图;
图9是本发明实施例提供的一种图8b所示的目标血管区域所包含血管的血管中心线的示意图;
图10是本发明实施例提供的一种确定像素点的能量值的方法流程图;
图11是本发明实施例提供的一种获取第一像素点在第一预设方向上的凸性值的原理示意图;
图12是本发明实施例提供的一种基于每个像素点的能量值在医学图像中确定待选像素点的方法流程图;
图13是本发明实施例提供的一种采用相关技术分割得到的血管结构的示意图;
图14是本发明实施例提供的一种采用本发明实施例所提供的血管图像分割方法分割得到的血管结构的示意图;
图15a是本发明实施例提供的一种血管图像分割装置的结构示意图;
图15b是本发明实施例提供的一种第二确定模块的结构示意图;
图15c是本发明实施例提供的一种第一确定模块的结构示意图;
图15d是本发明实施例提供的一种起始像素点确定子模块的结构示意图;
图15e是本发明实施例提供的另一种血管图像分割装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种血管图像分割方法,如图1所示,该方法可以包括:
步骤101、确定对医学图像进行搜索的至少一个起始像素点。
步骤102、基于每个起始像素点在医学图像中进行搜索。
步骤103、当在目标像素点的邻域内进行搜索时,基于医学图像中像素点的管道系数确定目标像素点邻域内每个像素点的能量值。
其中,管道系数用于反映第一像素点所在的预设医学图像区域的管道形状特征,像素点的能量值用于反映医学图像的像素值的分布均匀程度和纹理粗细度,第一像素点为目标像素点邻域内任一像素点,且像素点的邻域可以为8邻域或26邻域,本发明实施例对其不做具体限定。
步骤104、基于每个像素点的能量值在医学图像中确定待选像素点;
步骤105、将医学图像中所有待选像素点所表示的图像区域确定为分割后的血管区域。
综上所述,本发明实施例提供的血管图像分割方法,通过当在目标像素点的邻域内进行搜索时,基于医学图像中像素点的管道系数确定目标像素点邻域内每个像素点的能量值,并基于每个像素点的能量值在医学图像中确定待选像素点,以实现对医学图像的分割,由于该管道系数用于反映第一像素点所在的预设医学图像区域的管道形状特征,相对于相关技术,在分割医学图像时,能够在对医学图像进行搜索并确定待选像素点的过程中,进一步地根据该管道系数对医学图像中的像素点进行筛选,以更有效地对属于血管区域的像素点和属于非血管区域的像素点进行区分,有效地提高了分割得到的血管结构的准确性。
图2是本发明实施例提供的另一种血管图像分割方法,如图2所示,该方法可以包括:
步骤201、获取待分割的医学图像中每个像素点的管道系数。
其中,该医学图像可以为X射线透视图像、核磁共振图像(Magnetic ResonanceImaging;MRI)或计算机断层扫描(Computed Tomography;CT)图像序列中的任一张图像,例如:该医学图像可以为腹部血管的CT图像,该管道系数用于反映像素点所在的预设医学图像区域的管道形状特征,也即是,该管道系数用于反映像素点所在的预设医学图像区域中的多个像素点所表示的图像为管道图像的概率,当该管道系数越大时,表示对应像素点属于血管图像的可能性越大。
可选地,请参考图3,该步骤201的实现过程可以包括:
步骤2011、采用高斯函数对医学图像做卷积运算。
采用高斯函数对医学图像做卷积运算,可以通过使用具有一定尺度的高斯模板在医学图像上以滑窗的形式,对医学图像中的像素点做卷积运算实现,高斯模板对处于高斯模板中心的像素点做卷积运算的卷积结果为:将位于该高斯模板的尺度覆盖范围内的所有像素点的像素值加权和确定为该像素点卷积后的像素值,且在对像素值进行加权时,各个像素点对应的权值为高斯模板中对应位置处的数值。相应的,预设医学图像区域为位于该高斯模板的尺度覆盖范围内的所有像素点所表示的图像区域。需要说明的是,医学图像可以为灰度图像或彩色图像,相应的,该像素值可以为灰度值,或者,可以为采用RGB或HSV等颜色分量表示的像素值,本发明实施例以像素值为灰度值为例,对本发明实施例提供的血管图像分割方法进行说明。
其中,该高斯模板可以为一维或多维的,例如:一维的高斯模板可以为1×3的矩阵,此时高斯模板的尺度为1,二维的高斯模板可以为3×3的矩阵,此时高斯模板的尺度为1,或者,二维的高斯模板可以为5×5的矩阵,此时高斯模板的尺度为2。
示例地,假设对某医学图像做卷积运算的高斯模板为3×3的矩阵,该3×3的高斯模板请参考表1,该医学图像中位于高斯模板的尺度覆盖范围内的像素点的像素值请参考表2,对像素值为150的像素点进行卷积运算后,其卷积结果为表2中所有像素点的像素值加权和,该 即加权后的该像素点的像素值为168.75。
表1
表2
190 | 200 | 110 |
140 | 150 | 220 |
80 | 250 | 100 |
步骤2012、基于卷积后的医学图像获取每个像素点对应的特征值。
可选地,基于卷积后的医学图像获取每个像素点对应的特征值的过程可以包括:基于卷积后的医学图像对应的矩阵,获取该卷积后的医学图像中每个像素点对应的海塞矩阵,并基于每个像素点对应的海塞矩阵获取每个像素点对应的特征值。
该海塞矩阵(Hessian Matrix)是一个由多元函数的二阶偏导数构成的矩阵,当该海塞矩阵应用于医学图像中时,该海塞矩阵为由三元函数的二阶偏导构成的矩阵,该三元函数的三个变量中,x表示第二像素点在第一医学图像中所在的行数,y表示该第二像素点在第一医学图像中所在的列数,z表示第一医学图像在包括有多张医学图像的CT图像序列中的位置(一般表示为该医学图像为CT图像序列中的第几张图像),例如:该x、y和z在CT图像序列中的示意图请参考图4,该第二像素点为第一医学图像中的任一像素点,第一医学图像为CT图像序列中的任一医学图像。对应于该三元函数,该海塞矩阵的形式请参考下式:
其中,可以按照下式(1)确定第二像素点的像素值的一阶导数,按照下式(2)确定第二像素点的像素值的二阶导数:
并且,偏导数的计算方式为:先在x方向(即矩阵的行方向)上计算第二像素点的像素值的一阶导数,然后在y方向(即矩阵的列方向)上计算该一阶导数的导数,其中,计算一阶导数的导数的计算方式可相应参考式(2),以及,计算其他偏导数的计算方式可相应参考偏导数的计算方式。
在获取每个像素点对应的海塞矩阵后,可以根据数学知识计算海塞矩阵的特征值,该计算得到的特征值即为对应像素点所对应的特征值。并且,由于该海塞矩阵为由三元函数的二阶偏导构成的矩阵,根据该海塞矩阵计算得到的特征值的个数为3,且该3个特征值分别与x、y和z方向对应。
需要说明的是,该卷积运算可以为单一尺度的卷积运算或多尺度的卷积运算(即分别采用多个尺度的高斯模板对医学图像做卷积运算),当卷积运算为单一尺度的卷积运算时,在获取卷积结果后,可直接根据卷积后的医学图像对应的矩阵获取每个像素点对应的特征值;当卷积运算为多尺度卷积运算时,对于每个尺度的卷积运算,可以分别基于每个尺度下卷积后的医学图像对应的矩阵获取每个像素点对应的特征值,以得到每个像素点在每个尺度下所对应的特征值。
步骤2013、基于每个像素点对应的特征值,分别确定每个像素点的管道系数。
可选地,请参考图5a,当卷积运算可以为多尺度卷积运算时,该步骤2013的实现过程可以包括:
步骤2013a、基于每个尺度下每个像素点对应的特征值,分别确定每个像素点在每个尺度下的管道系数。
可选地,管道系数V0和每个像素点对应的特征值可以满足:
其中,V0为第二像素点在第一尺度下的管道系数,λ1、λ2和λ3(|λ1|≥|λ2|≥|λ3|)分别为第二像素点在该第一尺度下对应的特征值,R1、R2和R3分别为管道系数的控制参数,且α、β和c分别为R1、R2和R3的灵敏度参数,该α、β和c的取值可以根据实际需要进行设置,例如:α=0.5,β=0.5,c=500,该第一尺度为多个尺度中的任一尺度。
需要说明的是,血管上像素点对应的特征值λ1、λ2和λ3的大小规律请参考图5b,其中,λ1和λ2的大小较相近且较大,λ3的大小较小。
步骤2013b、将每个像素点在多个尺度下的管道系数中的最大值确定为对应像素点的管道系数。
根据实验论证可知:当高斯模板的尺度越接近血管半径时,基于高斯模板对医学图像做卷积运算的卷积结果确定的管道系数越大,即对应像素点属于血管图像的可能性越大,因此,在未知像素点属于血管图像的可能性的情况下,可通过对医学图像做多尺度卷积运算,并将基于多个尺度下的卷积结果确定的管道系数中的最大值,确定为对应像素点的管道系数,以提高确定的管道系数的准确性。
示例地,假设分别采用尺度为尺度S1、尺度S2和尺度S3的高斯模板对医学图像做卷积运算后,根据该尺度S1、尺度S2和尺度S3对应的卷积结果确定的像素点的管道系数分别0.5、0.6和0.66,则可认为该尺度S3为最接近血管半径的尺度,同时,可将0.66确定为该像素点的管道系数。
实际应用中,可以利用基于Cuda(Compute Unified Device Architecture,一种并行运算平台)的图形处理器(Graphics Processing Unit,GPU)计算像素点的管道系数,以提高管道系数的计算速度。
步骤202、确定对医学图像进行搜索的至少一个起始像素点。
可选地,可以基于区域生长算法,确定对医学图像进行搜索的至少一个起始像素点。进一步地,请参考图6,其实现过程可以包括:
步骤2021、基于区域生长算法,根据每个像素点的管道系数,确定医学图像中的目标血管区域。
其中,请参考图7a,该步骤2021的实现过程可以包括:
步骤2021a、获取医学图像中每个像素点的像素值。
步骤2021b、当基于第二像素点的管道系数对第二像素点的像素值进行加权后的像素值符合目标规则时,确定第二像素点为目标血管区域中的像素点。
其中,基于第二像素点的管道系数对其像素值进行加权时,加权后的像素值M1可以为管道系数V0与第二像素点的原始像素值M0的乘积,即M1=V0×M0。
在基于区域生长算法在CT图像序列中的每张医学图像中确定目标血管区域时,需要先在每张医学图像中选取种子点(如图7b所示像素点A1),然后分别以每张医学图像中的种子点的像素值为标准,将医学图像中与该种子点具有相似性质的像素点合并,以构成生长后的图像区域。在本发明实施例中,可以通过判断待生长的第二像素点的像素值进行加权后的像素值是否符合目标规则,以实现对医学图像中具有相似性质的像素点的合并。
其中,目标规则可以为相关技术中区域生长算法的任一种生长规则,本发明实施例以目标规则为基于灰度值的均值和方差的生长规则为例,对该步骤2021b的实现方式进行说明。请参考图8a,假设图8a中白点所示的像素点为根据种子点已生长的像素点,黑点所示的像素点为医学图像中待生长的像素点,该基于灰度值的均值和方差的生长规则为:当已生长的像素点的灰度值均值与待生长像素点的灰度值之差的绝对值小于预设灰度阈值,且该已生长的像素点的灰度值均值与该待生长像素点的灰度值之差的方差小于预设方差阈值时,将该待生长像素点确定为已生长的像素点,即该待生长像素点属于生长后的图像区域。示例地,基于图7b所示的医学图像所在的CT图像序列中的医学图像确定的目标血管区域请参考图8b,从该图8b可以看出该目标血管区域包括腹部主动脉和流向肝脏、脾脏和肾脏等实质性脏器的部分血管分支区域。
相关技术中,对像素点进行区域生长时,是直接根据像素点的像素值判断是否符合生长规则,当像素点的像素值符合生长规则时,确定像素点属于生长后的图像区域。本发明实施例中,是对加权后的像素值判断是否符合生长规则,且对像素值的加权是基于像素点的管道系数进行的,而管道系数用于反映像素点所在的预设医学图像区域的管道形状特征,因此,相较于相关技术,在执行区域生长算法时,对基于管道系数加权后的像素值判断是否符合生长规则,能够基于管道系数进一步地对像素点是否属于生长后的图像区域进行筛选,可以减少由于像素点的灰度值相近而导致的误判断,进而能够提高在医学图像中确定的目标血管区域的准确性。
需要说明的是,为了进一步提高在医学图像中确定的目标血管区域的准确性,在基于第二像素点的管道系数对第二像素点的像素值进行加权之前,还可以对管道系数进行归一化处理,且归一化后的管道系数V1=V0/max(V0(p)),其中,V0表示该第二像素点原始的管道系数,V0(p)表示该医学图像中所有像素点p的管道系数。
实际应用中,在基于区域生长算法确定目标血管区域时,还可以先将待生长像素点的管道系数与预设管道系数阈值进行比较,当待生长像素点的管道系数小于预设管道系数阈值时,确定该待生长像素点不属于生长后的图像区域;当待生长像素点的管道系数不小于预设管道系数阈值时,进一步判断该待生长像素点对应的基于管道系数加权后的像素值是否符合目标规则,当该待生长像素点对应的基于管道系数加权后的像素值符合目标规则时,确定该待生长像素点属于生长后的图像区域。这样以来,在对待生长像素点判断是否符合目标规则前进行粗筛选,当该待生长像素点不满足粗筛选条件时,即可确定该待生长像素点不属于生长后的图像区域,即无需再执行后续判断过程,能够简化执行区域生长算法的计算过程,能够提高对医学图像的分割速度。
步骤2022、获取目标血管区域所包含血管的血管中心线。
可选地,可以采用细化算法、直接中心线追踪算法或最小路径算法等获取血管的血管中心线,本发明实施例对其不做具体限定。
步骤2023、将血管中心线的端点确定为起始像素点。
在获取血管中心线后,可以对血管中心线上各个像素点进行遍历,并统计被遍历到的像素点的邻域像素点(即位于各个像素点的邻域内的像素点)的总数,将邻域像素点的总数为1的像素点确定为血管中心线的端点,直至遍历完血管中心线上的所有像素点,即可获得血管中心线的所有端点,然后可将血管中心线的所有端点均确定为采用最小路径算法对医学图像中的像素点进行搜索的起始像素点。
示例地,图9示出了图8b所示的目标血管区域所包含血管的血管中心线,假设该血管中心线上像素点的个数为N,该N个像素点分别为X1、X2、X3,......,XN,经过遍历,该N个像素点中的像素点X1、像素点X10、像素点X31、像素点X46和像素点X51的邻域像素点总数均为1时,则可以确定该像素点X1、像素点X10、像素点X31、像素点X46和像素点X51为血管中心线的端点,并将该像素点X1、像素点X10、像素点X31、像素点X46和像素点X51均确定为采用最小路径算法对医学图像中的像素点进行搜索的起始像素点。
步骤203、基于每个起始像素点在医学图像中进行搜索,当在目标像素点的邻域内进行搜索时,基于医学图像中像素点的管道系数确定目标像素点邻域内每个像素点的能量值。
其中,医学图像中像素点的能量值用于反映医学图像的像素值的分布均匀程度和纹理粗细度。
可选地,可以基于第一像素点的像素值和管道系数,以及第一像素点在多个预设方向上的凸性值,确定第一像素点的能量值,其中,第一像素点为目标像素点邻域内任一像素点。如图10所示,其实现过程具体可以包括:
步骤2031、基于第一像素点的像素值、管道系数的目标参数值与第一像素点在多个预设方向上的凸性值,分别确定第一像素点在多个预设方向上的管道特征函数。
可选地,该第一像素点在第一预设方向上的管道特征函数F可以为该第一像素点的管道系数的目标参数值G(V0)、该第一像素点的像素值M以及该第一像素点在第一预设方向上的凸性值C(θ)的乘积,即F=G(V0)×C(θ)×M。其中,第一像素点在第一预设方向上的凸性值用于反映目标二次函数在第一像素点处的凹凸性,该目标二次函数用于表征在第一预设方向上,位于第一像素点和预设像素点之间的像素点的像素值的变化情况,也即是,在第一预设方向上,位于第一像素点和预设像素点之间的像素点的像素值的变化情况满足该目标二次函数,第一预设方向为多个预设方向中的任一方向。
实际应用中,获取第一像素点在第一预设方向上的凸性值可以有多种可实现方式,例如:第一像素点在第一预设方向上的凸性值可以为在第一预设方向上,第一像素点到预设像素点的距离与目标二次函数的二次项系数的乘积。示例地,请参考图11,假设在第一预设方向θ上,预设像素点分别为预设像素点P1和预设像素点P2,在第一预设方向θ上,位于第一像素点P、预设像素点P1和预设像素点P2之间的像素点的像素值的变化情况满足目标二次函数f(x)=ax2+bx+c,且第一像素点P到预设像素点P1的距离和第一像素点P到预设像素点P2的距离均为R,则第一像素点P在第一预设方向θ上的凸性值C(θ)=a×R。
并且,管道系数的目标参数值G(V0)可以为管道系数按照预设增函数映射后得到的参数值,例如:该管道系数V0与管道系数的目标参数值G(V0)可以满足:或者,或者, 当该目标参数值G(V0)为管道系数按照该两个函数中的任一函数进行映射后得到的参数值时,由于该目标参数值G(V0)为呈指数增长后的管道系数,且管道特征函数为根据该目标参数值对凸性值和像素值的乘积进行加权后得到的,因此,当两个像素点的管道系数相差较大时(例如:当一个像素点为血管区域中的像素点,另一个像素点为非血管区域的像素点时,两个像素点的管道系数相差较大),即使两个像素点对应的凸性值接近且像素值接近,基于第一像素点的像素值、管道系数和凸性值获取的管道特征函数也具有较大的差别(血管区域中像素点对应的管道特征函数较大,非血管区域中像素点对应的管道特征函数较小),使得基于该方式计算得到的管道特征函数对医学图像进行分割时,能够更好的区分医学图像中的血管区域和非血管区域,以提高分割得到的血管结构的准确性。
需要说明的是,在计算第一像素点的管道特征函数之前,还可以对第一像素点的像素值进行归一化处理,然后基于归一化后的像素值计算管道特征函数,例如:归一化后的像素值可以等于第一像素点的原始像素值与医学图像中所有像素点的像素值中的最大值的比值,即归一化后的像素值M1=M/max(M(p)),其中,M表示该第一像素点的原始像素值,M(p)表示该医学图像中所有像素点p的像素值,max为取最大值函数。相应的,基于归一化后的像素值计算的管道特征函数F为管道系数的目标参数值G(V0)、归一化后的像素值M1以及该第一像素点在第一预设方向上的凸性值C(θ)的乘积,即F=G(V0)×C(θ)×M1。
步骤2032、基于多个预设方向上的管道特征函数,确定第一像素点的能量值。
在一种可实现方式中,可将目标管道特征函数之积的倒数确定为第一像素点的能量值。其中,该目标管道特征函数为多个预设方向对应的管道特征函数中小于预设函数阈值的管道特征函数,该预设函数阈值的取值可以根据实际需要进行调整。
在另一种可实现方式中,可将多个预设方向上的管道特征函数按照由小到大的顺序排序,然后在排序后的管道特征函数中选取数值较小的预设个数个管道特征函数,并将该预设个数个管道特征函数的乘积的倒数确定为第一像素点的能量值,即能量值U、第一预设方向θ上的管道特征函数F(θ)和预设个数n满足其中,该预设个数可以根据实际需要进行调整,例如:该预设个数可以为6,本发明实施例对其不做具体限定。
需要说明的是,在计算像素点的能量值后,可将像素点的能量值存储在预设存储位置中,以便在后续处理过程中需要获取该能量值时,可以基于对应的像素点在该预设存储位置中查找,以获取该对应像素点的能量值。
步骤204、基于每个像素点的能量值在医学图像中确定待选像素点。
可选地,请参考图12,该步骤204的实现过程可以包括:
步骤2041、在搜索过程中,基于每个像素点的能量值在医学图像中确定搜索到的像素点。
基于起始像素点对医学图像进行搜索时,医学图像中任两个像素点之间存在多条路径,该多条路径中每条路径的累加能量值可能不同,且该多条路径中存在一条累加能量值最小的最小路径。并且,路径的累积能量值通常等于该路径中最后搜索到的像素点的累积能量值,且该像素点的累积能量值为该路径中所包括的所有像素点的能量值之和。因此,可以基于最小路径算法的原理在医学图像中确定搜索到的像素点,使搜索到的像素点与起始像素点之间的能量差尽量小,即搜索到的像素点的累积能量值最小。同时,由于像素点的能量值用于反映医学图像中像素值的分布均匀程度和纹理粗细度,并且,由于血管区域中像素点的能量值较小,非血管区域中像素点的能量值较大,在基于最小路径算法的原理在医学图像中确定搜索到的像素点时,其会将多个像素点中具有最小能量的像素点确定为搜索到的像素点,也即是,搜索到的像素点更可能是血管区域中的像素点,因此,当基于最小路径算法的原理在医学图像中确定搜索到的像素点时,可以将像素值较相近且由像素点表示的图像的纹理粗细度大致相同的像素点划分至同一区域,以提高分割得到的血管结构的准确性。
在搜索过程中,基于最小路径算法的原理在医学图像中确定搜索到的像素点的过程一般通过队列的方式实现,从起始像素点开始搜索时,需要先将该起始像素点的所有邻域像素点加入到队列中,然后将该队列中的能量值最小的像素点(即更可能为血管区域中的像素点)确定为搜索到的像素点,并将该搜索到的像素点出队,然后再将该搜索到的像素点的邻域像素点中未加入至队列中的其他邻域像素点加入至队列中,然后继续将该队列所包括的所有像素点中能量值最小的像素点确定为搜索到的像素点,重复执行以上搜索步骤,直至达到预设的最大搜索次数时停止搜索。在该搜索过程中,所有搜索到的像素点按照搜索到的顺序所组成的路径即为最小路径,且由于每个搜索到的像素点均为队列中能量值最小的像素点,因此,该最小路径的累加能量值最小。
需要说明的是,当搜索路径较长时,像素点的累加能量值会非常大,使得最小路径算法出现能量累积问题,导致在搜索过程中确定像素点的效率降低,针对此,在搜索过程中可以通过回溯的方法降低搜索到的像素点的累积能量值,该实现过程可以包括:在搜索到当前像素点时,按照预设回溯步数对该当前像素点进行回溯,并基于回溯到的像素点的累积能量值更新该当前像素点的累积能量值,使得更新后的当前像素点的累积能量值等于该当前像素点的累积能量值与位于回溯路径终点的像素点的累积能量值之差。其中,回溯是指:在搜索到该当前像素点后,以该当前像素点为起点,沿搜索路径回退预设回溯步数,在该搜索路径上被回退到的像素点即为回溯步数为预设回溯步数的回溯点,例如:假设搜索路径依次由像素点P1、像素点P2、像素点P3、像素点P4和像素点P5组成,在搜索到像素点P5时,假设预设回溯步数为1,沿该搜索路径回退1步后,被回退到的像素点为像素点P4,则可将该像素点P4确定为回溯步数为1的回溯点,假设预设回溯步数为2,沿该搜索路径回退2步后,被回退到的像素点为像素点P3,则可将像素点P3确定为回溯步数为2的回溯点,其他步数的回溯过程请相应参考步数为1和2的回溯过程,该位于回溯路径终点的像素点为回溯步数等于预设回溯步数的回溯过程对应的回溯点。
步骤2042、基于搜索到的像素点的能量值确定每个搜索到的像素点的能量累加率。
其中,该能量累加率用于反映对应像素点的能量累加程度。在一种可实现方式中,当基于最小路径算法的原理对医学图像进行搜索时,该能量累加率等于该搜索到的像素点的累加能量值的倒数;在另一种可实现方式中,当通过回溯的方法降低最小路径算法搜索到的像素点的累积能量值时,该能量累加率主要用于反映回溯点的能量累加程度,根据回溯点被回溯到的次数,该能量累加率可通过累加的方式得到,例如:被回溯到n次的回溯点的能量累加率In和回溯点的累积能量值U满足:In=In-1+1/(η+U),其中,n为大于1的整数,In-1为该回溯点第n-1次被回溯到的能量累加率,且该回溯点的能量累加率的初始值I0为0,η为能量累加率的控制参数,其取值可以根据实际需要进行设置,例如:η=20。
步骤2043、将能量累加率大于预设阈值的像素点确定为待选像素点。
根据血管区域中像素点的能量值较小,非血管区域中像素点的能量值较大可得:血管区域中像素点的能量累加率较大,非血管区域中像素点的能量累加率较小,因此,可将搜索路径中能量累加率大于预设阈值的像素点确定为待选像素点。
其中,将搜索路径中能量累加率大于预设阈值的像素点确定为待选像素点的一种实现方式可以为:在确定所有搜索到的像素点的能量累加率后,对所有能量累加率按照由大到小的顺序排序,筛选出排序后的队列中位于前(100×β)%的能量累加率,并将筛选出的能量累加率对应的像素点确定为待选像素点。其中,β为预设的分位数,该β的取值可以根据实际需要进行调整,例如:该β的取值可以为0.7。
步骤205、将医学图像中所有待选像素点所表示的图像区域确定为分割后的血管区域。
由于血管区域中像素点的能量累加率较大,非血管区域中像素点的能量累加率较小,因此,医学图像中所有待选像素点所表示的图像区域即为分割后的血管区域。并且,为了便于查看该该血管区域和非血管区域,在确定血管区域后,还可将非血管区域中的像素点的像素值设置为0。
步骤206、对分割后的医学图像进行三维重建,得到分割后的血管图像。
可选地,对CT图像序列中的每张医学图像进行分割后,可以对分割后的每张医学图像采用移动立方体算法(Marching Cube)进行三维重建,以得到三维的血管图像(即血管结构)。
请参考图13和图14,图13为采用相关技术分割得到的血管结构,图14为采用本发明实施例所提供的血管图像分割方法分割得到的血管结构,从图13与图14的对比可以看出,相对于图13的血管结构,图14中的血管结构具有更光滑的表面,该血管结构更接近真实的血管结构,且未将血管末端与血管结构具有相近灰度的非血管组织(如图13中白色圆圈中的组织)提取出来,由此可知,本发明实施例提供的血管图像分割方法有效地提高了分割得到的血管结构的准确性。
综上所述,本发明实施例提供的血管图像分割方法,通过当在目标像素点的邻域内进行搜索时,基于医学图像中像素点的管道系数确定目标像素点邻域内每个像素点的能量值,并基于每个像素点的能量值在医学图像中确定待选像素点,以实现对医学图像的分割,由于该管道系数用于反映第一像素点所在的预设医学图像区域的管道形状特征,相对于相关技术,在分割医学图像时,能够在对医学图像进行搜索并确定待选像素点的过程中,进一步地根据该管道系数对医学图像中的像素点进行筛选,以更有效地对属于血管区域的像素点和属于非血管区域的像素点进行区分,有效地提高了分割得到的血管结构的准确性。
需要说明的是,本发明实施例提供的血管图像分割方法步骤的先后顺序可以进行适当调整,步骤也可以根据情况进行相应增减,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化的方法,都应涵盖在本申请的保护范围之内,因此不再赘述。
本发明实施例提供一种血管图像分割装置,如图15a所示,该装置900可以包括:
第一确定模块901,用于确定对医学图像进行搜索的至少一个起始像素点。
搜索模块902,用于基于每个起始像素点在医学图像中进行搜索。
第二确定模块903,用于当在目标像素点的邻域内进行搜索时,基于医学图像中像素点的管道系数确定目标像素点邻域内每个像素点的能量值,管道系数用于反映第一像素点所在的预设医学图像区域的管道形状特征,像素点的能量值用于反映医学图像的像素值的分布均匀程度和纹理粗细度,第一像素点为目标像素点邻域内任一像素点。
第三确定模块904,用于基于每个像素点的能量值在医学图像中确定待选像素点。
第四确定模块905,用于将医学图像中所有待选像素点所表示的图像区域确定为分割后的血管区域。
综上所述,本发明实施例提供的血管图像分割装置,当在目标像素点的邻域内进行搜索时,通过第二确定模块基于医学图像中像素点的管道系数确定目标像素点邻域内每个像素点的能量值,第三确定模块基于每个像素点的能量值在医学图像中确定待选像素点,以实现对医学图像的分割,由于该管道系数用于反映第一像素点所在的预设医学图像区域的管道形状特征,相对于相关技术,在分割医学图像时,能够在对医学图像进行搜索并确定待选像素点的过程中,进一步地根据该管道系数对医学图像中的像素点进行筛选,以更有效地对属于血管区域的像素点和属于非血管区域的像素点进行区分,有效地提高了分割得到的血管结构的准确性。
可选地,如图15b所示,第二确定模块903,可以包括:
能量值确定子模块9031,用于基于第一像素点的像素值和管道系数,以及第一像素点在多个预设方向上的凸性值,确定第一像素点的能量值。
其中,第一像素点在第一预设方向上的凸性值用于反映目标二次函数在第一像素点处的凹凸性,目标二次函数用于表征在第一预设方向上,位于第一像素点和预设像素点之间的像素点的像素值的变化情况,第一预设方向为多个预设方向中的任一方向。
可选地,能量值确定子模块9031,用于:
基于第一像素点的像素值、管道系数的目标参数值与第一像素点在多个预设方向上的凸性值,分别确定第一像素点在多个预设方向上的管道特征函数,管道系数的目标参数值为管道系数按照预设增函数映射后得到的参数值。
将目标管道特征函数之积的倒数确定为第一像素点的能量值,目标管道特征函数为多个预设方向对应的管道特征函数中小于预设函数阈值的管道特征函数。
可选地,管道系数V0与管道系数的目标参数值G(V0)满足:
可选地,第一像素点在第一预设方向上的凸性值为在第一预设方向上,第一像素点到预设像素点的距离与目标二次函数的二次项系数的乘积。
可选地,如图15c所示,第一确定模块901,包括:
起始像素点确定子模块9011,用于基于区域生长算法,确定对医学图像进行搜索的至少一个起始像素点。
可选地,如图15d所示,起始像素点确定子模块9011,包括:
血管区域确定单元9011a,用于基于区域生长算法,根据每个像素点的管道系数,确定医学图像中的目标血管区域。
中心线获取单元9011b,用于获取目标血管区域所包含血管的血管中心线。
起始像素点确定单元9011c,将血管中心线的端点确定为起始像素点。
可选地,血管区域确定单元9011a,用于:
获取医学图像中每个像素点的像素值。
当基于第二像素点的管道系数对第二像素点的像素值进行加权后的像素值符合目标规则时,确定第二像素点为目标血管区域中的像素点,目标规则为基于像素值的均值和方差的区域生长规则,第二像素点为医学图像中任一像素点。
可选地,如图15e所示,该装置900还可以包括:
运算模块906,用于采用高斯函数对医学图像做卷积运算。
获取模块907,用于基于卷积后的医学图像获取每个像素点对应的特征值。
第五确定模块908,用于基于每个像素点对应的特征值,分别确定每个像素点的管道系数。
可选地,管道系数V0和每个像素点对应的特征值满足:
其中,λ1、λ2和λ3(|λ1|≥|λ2|≥|λ3|)分别为第二像素点对应的特征值,R1、R2和R3分别为管道系数的控制参数,且α、β和c分别为R1、R2和R3的灵敏度参数,第二像素点为医学图像中任一像素点。
综上所述,本发明实施例提供的血管图像分割装置,当在目标像素点的邻域内进行搜索时,通过第二确定模块基于医学图像中像素点的管道系数确定目标像素点邻域内每个像素点的能量值,第三确定模块基于每个像素点的能量值在医学图像中确定待选像素点,以实现对医学图像的分割,由于该管道系数用于反映第一像素点所在的预设医学图像区域的管道形状特征,相对于相关技术,在分割医学图像时,能够在对医学图像进行搜索并确定待选像素点的过程中,进一步地根据该管道系数对医学图像中的像素点进行筛选,以更有效地对属于血管区域的像素点和属于非血管区域的像素点进行区分,有效地提高了分割得到的血管结构的准确性。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置、模块、子模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例提供了一种存储介质,该存储介质可以为非易失性计算机可读存储介质,该存储介质中存储有指令,当该存储介质中的指令由终端的处理组件执行时,使得计算机执行本发明实施例所提供的血管图像分割方法。
本发明实施例提供了一种终端,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现本发明实施例所提供的血管图像分割方法。
本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行本发明实施例所提供的血管图像分割方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种血管图像分割方法,其特征在于,所述方法包括:
确定对医学图像进行搜索的至少一个起始像素点;
基于每个起始像素点在所述医学图像中进行搜索;
当在目标像素点的邻域内进行搜索时,基于第一像素点的像素值和管道系数,以及所述第一像素点在多个预设方向上的凸性值,确定所述第一像素点的能量值;其中,所述第一像素点在第一预设方向上的凸性值用于反映目标二次函数在所述第一像素点处的凹凸性,所述目标二次函数用于表征在所述第一预设方向上,位于所述第一像素点和预设像素点之间的像素点的像素值的变化情况,所述第一预设方向为所述多个预设方向中的任一方向,所述管道系数用于反映所述第一像素点所在的预设医学图像区域的管道形状特征,所述像素点的能量值用于反映所述医学图像的像素值的分布均匀程度和纹理粗细度,所述第一像素点为所述目标像素点邻域内任一像素点;
基于所述每个像素点的能量值在所述医学图像中确定待选像素点;
将所述医学图像中所有待选像素点所表示的图像区域确定为分割后的血管区域。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一像素点的像素值和管道系数,以及所述第一像素点在多个预设方向上的凸性值,确定所述第一像素点的能量值,包括:
基于所述第一像素点的像素值、管道系数的目标参数值与第一像素点在多个预设方向上的凸性值,分别确定所述第一像素点在多个预设方向上的管道特征函数,所述管道系数的目标参数值为所述管道系数按照预设增函数映射后得到的参数值;
将目标管道特征函数之积的倒数确定为所述第一像素点的能量值,所述目标管道特征函数为所述多个预设方向对应的管道特征函数中小于预设函数阈值的管道特征函数。
4.根据权利要求1至3任一所述的方法,其特征在于,所述第一像素点在第一预设方向上的凸性值为在所述第一预设方向上,所述第一像素点到所述预设像素点的距离与所述目标二次函数的二次项系数的乘积。
5.根据权利要求1至3任一所述的方法,其特征在于,所述确定对医学图像进行搜索的至少一个起始像素点,包括:
基于区域生长算法,确定对所述医学图像进行搜索的至少一个起始像素点。
6.根据权利要求5所述的方法,其特征在于,所述基于区域生长算法,确定对所述医学图像进行搜索的至少一个起始像素点,包括:
基于区域生长算法,根据每个像素点的管道系数,确定所述医学图像中的目标血管区域;
获取所述目标血管区域所包含血管的血管中心线;
将所述血管中心线的端点确定为所述起始像素点。
7.根据权利要求6所述的方法,其特征在于,所述基于区域生长算法,根据每个像素点的管道系数,确定所述医学图像中的目标血管区域,包括:
获取所述医学图像中每个像素点的像素值;
当基于第二像素点的管道系数对所述第二像素点的像素值进行加权后的像素值符合目标规则时,确定所述第二像素点为所述目标血管区域中的像素点,所述目标规则为基于像素值的均值和方差的区域生长规则,所述第二像素点为所述医学图像中任一像素点。
8.根据权利要求1至3任一所述的方法,其特征在于,在所述基于所述医学图像中像素点的管道系数确定所述目标像素点邻域内每个像素点的能量值之前,所述方法还包括:
采用高斯函数对所述医学图像做卷积运算;
基于卷积后的医学图像获取每个像素点对应的特征值;
基于所述每个像素点对应的特征值,分别确定每个像素点的管道系数。
10.一种存储介质,其特征在于,所述存储介质中存储有指令,当所述存储介质中的指令由终端的处理组件执行时,使得计算机执行权利要求1至9任一所述的血管图像分割方法。
11.一种终端,其特征在于,包括存储器,处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现权利要求1至9任一所述的血管图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810224722.3A CN108364297B (zh) | 2018-03-19 | 2018-03-19 | 血管图像分割方法、终端、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810224722.3A CN108364297B (zh) | 2018-03-19 | 2018-03-19 | 血管图像分割方法、终端、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108364297A CN108364297A (zh) | 2018-08-03 |
CN108364297B true CN108364297B (zh) | 2020-08-14 |
Family
ID=63000872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810224722.3A Active CN108364297B (zh) | 2018-03-19 | 2018-03-19 | 血管图像分割方法、终端、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108364297B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109741360B (zh) * | 2019-01-07 | 2022-02-22 | 上海联影医疗科技股份有限公司 | 一种骨关节分割方法、装置、终端及可读介质 |
CN111612792B (zh) * | 2019-02-22 | 2024-03-08 | 曹生 | 基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品 |
CN110956596B (zh) * | 2019-12-09 | 2023-08-29 | 深圳元华医疗设备技术有限公司 | 基于近红外成像的图像处理方法及终端 |
CN111329589A (zh) * | 2020-04-07 | 2020-06-26 | 张海民 | 一种手持式智能融合造影导航*** |
CN113269798A (zh) * | 2021-05-14 | 2021-08-17 | 深圳市嘉骏实业有限公司 | 一种医学图像分割方法、装置、计算机设备及其存储介质 |
CN113538618A (zh) * | 2021-08-30 | 2021-10-22 | 复旦大学附属中山医院 | 多模态多对比度医学图像的快速曲面重建方法及存储介质 |
CN117974692B (zh) * | 2024-03-29 | 2024-06-07 | 贵州毅丹恒瑞医药科技有限公司 | 一种基于区域生长的眼科医学影像处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521873A (zh) * | 2011-11-22 | 2012-06-27 | 中国科学院深圳先进技术研究院 | 血管的建模方法 |
US20140355854A1 (en) * | 2013-05-31 | 2014-12-04 | Siemens Aktiengesellschaft | Segmentation of a structure |
CN105701799A (zh) * | 2015-12-31 | 2016-06-22 | 东软集团股份有限公司 | 从肺部掩膜影像中分割肺血管的方法和装置 |
-
2018
- 2018-03-19 CN CN201810224722.3A patent/CN108364297B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521873A (zh) * | 2011-11-22 | 2012-06-27 | 中国科学院深圳先进技术研究院 | 血管的建模方法 |
US20140355854A1 (en) * | 2013-05-31 | 2014-12-04 | Siemens Aktiengesellschaft | Segmentation of a structure |
CN105701799A (zh) * | 2015-12-31 | 2016-06-22 | 东软集团股份有限公司 | 从肺部掩膜影像中分割肺血管的方法和装置 |
Non-Patent Citations (2)
Title |
---|
"双源CT冠状动脉三维分割算法的研究";赵洁等;《生物医学工程研究》;20160331;第35卷(第3期);论文第5节 * |
"基于数字CT图像的管状结构分析与研究";迟扬等;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170315(第03期);论文第4.2-4.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN108364297A (zh) | 2018-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108364297B (zh) | 血管图像分割方法、终端、存储介质 | |
US11593943B2 (en) | RECIST assessment of tumour progression | |
CN110176012B (zh) | 图像中的目标分割方法、池化方法、装置及存储介质 | |
CN110705555B (zh) | 基于fcn的腹部多器官核磁共振图像分割方法、***及介质 | |
WO2018082084A1 (zh) | 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法 | |
US20230281809A1 (en) | Connected machine-learning models with joint training for lesion detection | |
Sulaiman et al. | Denoising-based clustering algorithms for segmentation of low level salt-and-pepper noise-corrupted images | |
Aranguren et al. | Improving the segmentation of magnetic resonance brain images using the LSHADE optimization algorithm | |
CN100566655C (zh) | 用于处理图像以确定图像特性或分析候补的方法 | |
CN108510478B (zh) | 肺气道图像分割方法、终端、存储介质 | |
CN110176010B (zh) | 一种图像检测方法、装置、设备及存储介质 | |
CN111986262B (zh) | 一种图像区域定位方法及装置 | |
Hamad et al. | Brain's tumor edge detection on low contrast medical images | |
CN112348818B (zh) | 一种图像分割方法、装置、设备以及存储介质 | |
CN109949288A (zh) | 肿瘤类型确定***、方法及存储介质 | |
CN116579954B (zh) | 一种超高清内窥镜图像智能增强方法 | |
Biswas et al. | Chest X-ray enhancement to interpret pneumonia malformation based on fuzzy soft set and Dempster–Shafer theory of evidence | |
Yusoff et al. | Automated two-dimensional K-means clustering algorithm for unsupervised image segmentation | |
CN115564782A (zh) | 3d血管及气管分割方法及*** | |
Bhardwaj et al. | A Novel Method for Despeckling of Ultrasound Images Using Cellular Automata-Based Despeckling Filter | |
CN117115184A (zh) | 一种医疗图像分割模型的训练方法、分割方法及相关产品 | |
CN112529918B (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 | |
Tan et al. | Automatic prostate segmentation based on fusion between deep network and variational methods | |
CN108447066B (zh) | 胆道图像分割方法、终端、存储介质 | |
CN116228753B (zh) | 肿瘤预后评估方法、装置、计算机设备和存储介质 |
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 |