CN109214397A - 一种肺部ct图像中肺结节的分割方法 - Google Patents
一种肺部ct图像中肺结节的分割方法 Download PDFInfo
- Publication number
- CN109214397A CN109214397A CN201811073727.7A CN201811073727A CN109214397A CN 109214397 A CN109214397 A CN 109214397A CN 201811073727 A CN201811073727 A CN 201811073727A CN 109214397 A CN109214397 A CN 109214397A
- Authority
- CN
- China
- Prior art keywords
- lung
- image
- region
- lung neoplasm
- contour line
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提出了一种肺部CT图像中肺结节的分割方法,包括以下步骤:(1)从肺部图像中提取包含肺结节在内的肺实质轮廓线,获取肺实质图像;(2)对步骤(1)中的肺实质图像采用聚类算法对疑似肺结节的区域进行分割;(3)对步骤(2)疑似肺结节的区域采用图像圆度法去除区域中形状近长条型的部分,排除血管或气管的干扰;(4)根据步骤(3)中疑似肺结节的区域的大小,构建高斯模板,选择相关系数较高的区域完成肺结节的提取。本发明考虑了孤立性肺结节的形状特点以及由肺部CT值的变化形成的图像灰度值分布的特征,减小肺结节分割结果的误差。
Description
技术领域
本发明涉及图像分割技术领域,特别是指一种肺部CT图像中肺结节的分割方法。
背景技术
肺癌是癌症中致死高发原因,因为其早期无症状显示使得疾病很难被检测到,当疾病发现时癌症已经转移,这使得肺癌难以治疗,肺癌病症早期往往会有肺部结节症状,如今肺结节检测多采用胸部CT扫描,扫描结果具有图像清晰,准确等特点,但一个病人的检测结果会有上百张图,在寻找上大量花费放射科医生精力,同时长时间重复工作还可能会产生误诊或漏诊。
计算机辅助诊断技术,是通过研究总结病灶部分的共同特征,对医学图像进行处理,辅助医生对病情进行诊断的技术。通过这一技术可以将医生从大量重复、枯燥的读图过程中解放出来,并进一步提高诊断速度与精度,也为大量病患争取更多的治疗时间。
肺部CT图像的感兴趣区域是肺结节,早期肺结节多表现为孤立性肺结节,本申请针对这类结节的选取进行研究。
发明内容
本发明提出了一种肺部CT图像中肺结节的分割方法,考虑了孤立性肺结节的形状特点以及由肺部CT值的变化形成的图像灰度值分布的特征,减小肺结节分割结果的误差。
本发明的技术方案是这样实现的:一种肺部CT图像中肺结节的分割方法,包括以下步骤:
(1)从肺部图像中提取包含肺结节在内的肺实质轮廓线,获取肺实质图像;
(2)对步骤(1)中的肺实质图像采用聚类算法对疑似肺结节的区域进行分割;
(3)对步骤(2)疑似肺结节的区域采用图像圆度法去除区域中形状近长条型的部分,排除血管或气管的干扰;
(4)根据步骤(3)中疑似肺结节的区域的大小,构建高斯模板,选择相关系数较高的区域完成肺结节的提取。
进一步地,步骤(1)中,对肺部图像通过迭代法或大律法计算阈值,进行阈值分割,得到二值图像;通过形态学方法提取肺部图像中的整体轮廓线,然后利用连通区域标注分出不同的部分,经过轮廓选择,从而得到肺实质轮廓线。
进一步地,轮廓提取中,为获得完整且干扰较少的轮廓线,形态学方法中结构元素设定的形状为方形,大小近似肺部图像长度的1/120。
进一步地,对整体轮廓线进行两次闭运算,填充细小的缝隙使轮廓线连通,然后对肺部图像进行8连通区域标注。
进一步地,得到肺实质轮廓线的方法,包括以下步骤:
1)判断二值图像中间一行像素点上,从左到右或者从右到左的第一点的值;
2)若该值为1,则轮廓图上这一行从左到右或者从右到左的第二段为1的点必为肺实质轮廓线上的点;
3)若该值为0,则轮廓图第一段为1的点必为肺实质轮廓线上的点;
4)找出这两点在图像中的位置,对应连通域标注内容找出肺实质轮廓线。
进一步地,获得肺实质轮廓线后,先将内部填充,利用形态学闭运算去除外部多余的轮廓线,对外部进行修正,修整外部之后,仅选取外部连通区域,然后去除内部干扰,获取完整的肺实质图像。
进一步地,步骤(2)中,采用模糊C均值聚类方法(FCM)对灰度值进行分类,将灰度值作为标准不断更新聚类中心,聚类类别设为4,模糊系数设为2,提取图中灰度值最高的部分为疑似肺结节的区域。
进一步地,步骤(3)中,圆度图像法包括以下步骤:
1)将图像中的像素个数看作是面积,通过matlab中find函数找到连通区域的像素个数,记为m;
2)通过连通区域中的点的位置信息,找出连通区域的列向量最大值ymax最小值ymin,行向量最大值xmax最小值xmin,选择两组差值最大的数作为圆的直径,计算面积,记为M;
3)m/M与1越接近,标示连通区域更接近圆,对提取的灰度值最高的各小部分进行计算,去除圆度明显比较差的部分。
本发明的有益效果:本发明研究了模糊C均值聚类算法,利用其中模糊度的概念降低分割结果的出错率,因为软性的聚类算法能去除分割结果中难以被分类的边缘部分;肺结节一般灰度值较高,将灰度值作为标准不断更新聚类中心,经过类似迭代计算得到分割结果。本发明在实验出了相关参数后,对肺部CT图像进行了分割,获取了可能为结节的部分。由于灰度值高的区域还有可能是血管,而孤立性肺结节多呈现近圆形,血管近条形,本发明利用图像在计算机中是通过像素矩阵进行显示和存储这一点,将像素个数作为面积进行计算,通过连通域与能将该区域完全包围的圆的像素个数之比,判断各部分与圆形的差距,去除可能区域中形状近长条型的部分,排除血管的干扰。
为了提高实验结果的准确性,本发明采用模板匹配方法进行标注。肺结节部分,由于CT扫描过程中不同部分穿透性不同,在肺结节部分,由于CT扫描过程中不同部分穿透性不同,在肺结节部分大致呈现以中间为中心的高斯分布,经过对肺结节部分的图像灰度值分布的研究,判断其近似高斯分布,根据肺结节大小,选择构造高斯模板进行对比,选择相关系数较高的区域完成肺结节提取,算法简单且参数易设。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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为本发明一种肺部CT图像中肺结节的分割方法流程图;
图2为步骤(1)中三种方法的二值图像;
图3为步骤(1)中整体轮廓线的获取图像;
图4为图3中腐蚀后(b)和膨胀后(c)的局部放大图;
图5为步骤(1)中肺实质轮廓线的获取图像;
图6为图5(b)去除干扰后的图像;
图7为步骤(1)中获取的肺实质图像;
图8为步骤(2)中FCM聚类后的图像;
图9为步骤(2)中疑似肺结节区域的提取图像;
图10为步骤(3)中去除圆度过低部分的图像;
图11为步骤(4)中3种不同大小的高斯模板图像;
图12为步骤(4)中高斯模板匹配标记的图像;
图13为本发明的分割方法标准肺结节的图像。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明所用的数据是LIDC-IDRI,这是由胸部医学图像文件及相应的诊断结果组成的数据集,该数据集是由美国科学研究所National Cancer Institute发起收集的。
如图1所示,一种肺部CT图像中肺结节的分割方法,包括以下步骤:
(1)从肺部图像中提取包含肺结节在内的肺实质轮廓线
第一步:图像二值化
由于肺部CT图像边界上灰度值梯度较大,可以采用全局自适应阈值,采用迭代法、双峰法和大律法分别计算阈值T,进行阈值分割,得到二值图像,二值图像指的是灰度只取两个可能值的图像,所取的两个灰度值通常为0和1,取值1的点对应为目标中的点,取值为0的点对应为背景中的点。
如图2所示,对肺部CT原图(a)分别采用双峰法、迭代法和大律法获取阈值及二值化处理,(b)双峰法T=117,(c)迭代法T=89.6,(d)大律法T=91.2,由此可知,三种方法得到的结果差距不大,但是从三种方法得到的阈值来看,迭代法明显比双峰法准确,抗干扰能力更强,大律法结果与双峰法相差不大,对肺部CT图像的分割结果无影响,因此本申请对肺部图像通过迭代法或大律法计算阈值。
第二步:提取整体轮廓线
形态学运算是一种以二值图像为依据,通过数学形态学中的集合论方法实现的图像处理方法,通过设定了形状和尺寸的结构元素,形态学运算可以依据图像中的形状和尺寸与结构元素相似的几何特征将所需部分保留下来,把图像其余特征去除。腐蚀与膨胀是形态学运算的基础操作,开运算是先腐蚀后膨胀的操作,闭运算是先膨胀后腐蚀的操作。开运算用于平滑物体目标的轮廓,去除细小的突出毛刺,截断过于接近但并不相连的部分;闭运算用于消除图像中细小的空洞和沟壑,补足轮廓的缺口。
采用膨胀或者腐蚀对第一步获得的二值图像中亮的部分进行操作,如图3所示,(a)二值图像,(b)腐蚀得到的轮廓,(c)膨胀得到的轮廓,对图像进行膨胀处理后去除原图像,对图像进行腐蚀处理后再将其从原图像中去除都可以得到图像中轮廓。
通过形态学方法获得完整的整体轮廓线,对结构元素的选取最为重要,根据实际图像大小和内容,经过反复实验,设定的形状为方形,大小近似肺部图像长度的1/120,从图3可以看出,这一情况下得到的轮廓线较完整且干扰较少。
第三步:提取肺实质轮廓线
获得图像中全部的整体轮廓线后,只需要确定肺实质部分的轮廓线就可以分割出肺实质。
Ⅰ、连通域标注
在二值图像中,若背景区像素的值为0,目标区域的像素值为1。按照像素点对一幅图像按照从左向右,从上向下的线路进行扫描,同时标记当前正被扫描的像素,检查它与在它之间经过扫描的若干个近邻像素是否具有连通性。
连通域的选取一般有4连通和8连通,假设当前扫描到的像素值X为0,就扫描下一个像素值,若这个像素值为1,检查它连通区域内扫描过的相邻像素值,这两个或者四个像素值会出现四种可能结果:
1)相邻的像素值都为0。说明该位置时新的连通域的开始,设定一个新的标记值。
2)相邻的像素值任意一个为1。说明该像素与相邻像素在同一个连通域里,且他们标记相同。
3)相邻的像素值都为1且标记相同。说明该像素与相邻像素在同一个连通域里,且它们标记相同。
4)相邻的像素值为1且标记不相同。当前像素标记其中较小的标记值。
经过判断之后,再从另一边开始扫描,直到回到区域的开始像素为止。每次回溯都要执行上述四个步骤进行判断。
这样的步骤可以保证所有的连通域都能被标记出来,之后通过不同的标记就可以得到不同的连通域了,可以通过获得的连通域得到轮廓线,但直接获取轮廓线上连通域会导致轮廓不完整,有些细小部分会断开,因此对整体轮廓线进行两次闭运算,填充细小的缝隙使轮廓线连通。如图4所示,(a)腐蚀得到的部分轮廓,即图3中(b)的局部放大图,(b)膨胀得到的部分轮廓,即图3中(c)的局部放大图,膨胀产生的轮廓线在连续性上不如腐蚀产生的轮廓线,同时膨胀方法会给分割结果带来更多的干扰,因此只选择腐蚀得到的整体轮廓线进行连通区域的标注。
对第二步中处理后的图像进行8连通区域标记,将不同的连通区域标为不同数字后,只需要得知肺实质轮廓线所在的数字即可得知想要的轮廓线。
Ⅱ、肺实质轮廓线的选择
要在众多轮廓线中排除干扰得到肺实质的轮廓线,要找到所有肺实质轮廓线的共同部分。对于连通区域标注后的图像,判断得到肺实质轮廓线的方法,包括以下步骤:
1)判断二值图像中间一行像素点上,从左到右或者从右到左的第一点的值;
2)若该值为1,则轮廓图上这一行从左到右或者从右到左的第二段为1的点必为肺实质轮廓线上的点;
3)若该值为0,则轮廓图第一段为1的点必为肺实质轮廓线上的点;
4)找出这两点在图像中的位置,对应连通域标注内容找出肺实质轮廓线。
找出这两点在连通区域标注后的图像中的位置,对应连通域标准的内容找出肺实质轮廓线,如图5所示,(a)整体轮廓线,(b)选出的肺实质轮廓线。
第四步:肺实质分割
在第三步中选择的肺实质轮廓线,有时会有一些干扰,因为与轮廓线离得过近或有相连的部分被保留,这时要将这一部分去除,同时将这一部分填充。
在第三步中对肺实质轮廓图作8连通区域处理,在中心线上比肺实质轮廓上的点再向中心靠近的点必然是肺实质区域的点,同理取得两点坐标,对应位置找出连通区域的标记数字,其对应的像素点即为肺实质的部分。
如图5(b)所示,肺实质轮廓线可以看出有两个主要干扰,内部有一结节与轮廓相连外部有一干扰。如图6所示,(a)去除外部干扰,(b)去除内部干扰,如图6(a)所示,先将内部填充,利用形态学开闭运算去除外部多余的轮廓线,以达到对外部进行修正的目的;如图6(b)修整了外部之后,仅选取外部连通区域,则内部干扰可以去除,从而有了完整的肺实质图像;从原图中将对应区域截取出来,得到肺实质区域的图像,如图7所示,(a)为原图,(b)为肺实质图像。
(2)对步骤(1)中的肺实质采用聚类算法对疑似肺结节的区域进行分割
本申请采用模糊C均值聚类方法(FCM),这种方法的优点主要在于避免法制的设定以及难以通过阈值分割解决的多分支分割问题,当图像中存在模糊或不确定的特点,可通过FCM算法解决。
在FCM算法中需要给出初始隶属度,隶属度函数用于描述对象x隶属于集合A的程度,记作μA(x),其定义域是集合A中所有的点,取值范围是[0,1],其中当μA(x)=1则表示x∈A即x完全隶属于集合A。这个隶属度函数定义在了空间X={x}上就定义了模糊集合A,或者叫做模糊子集,对于有限个对象,模糊集合可以表示为:
A={(μA(xi),xi)|xi∈X} (3-1)
模糊集合的概念使得聚类变成了软性的,将聚类问题中聚类生产的簇看作模糊集合,则其隶属度就在[0,1]里。
FCM通过隶属度来确定每个数据点属于某个聚类的程度,它将n个向量xi(i=1,2,...,n)分为c个模糊组,根据样本与中心的距离进行分类,不断更新每组的聚类中心,使其非相似性指标的价值函数得到最小值。隶属矩阵U取值在区间[0,1],加上归一化规定,一个数据集中的所有隶属度之和等于1:
那么,FCM的价值函数公式就是:
这里的uij介于[0,1]间;ci是模糊组I的聚类中心,dij=||ci-xj||是第i个聚类中心和第j个数据点之间的欧几里德距离,它是一个加权指数。
构造新的目标函数,求使(3-3)式可以达到最小值的必要条件:
对所有输入参量求导,使式(3-3)达到最小的必要条件为
和
则公式(3-5)是聚类中心,公式(3-6)是隶属度,根据上述两个必要条件,可看出模糊C均值聚类算法是迭代过程。
FCM算法流程
根据上述相关内容,对于数据集X,它由N个L维向量组成,若要将其分为C类,首先要自定义隶属度矩阵之后具体步骤如下:
1)设定需要分成的类别数C以及模糊系数m;
2)将隶属度矩阵初始化,确定矩阵满足公式(3-2);
3)由公式(3-5),公式(3-6)的计算结果不断更新隶属度矩阵;
4)将迭代的隶属度矩阵与矩阵范数作比较,若||U(t)-U(t-1)||<ε,迭代停止,否则返回3)。
通过这些步骤,可以看出使用FCM算法要先设定两个参数,一个是聚类数目C,另一个是模糊参数m。在设定时,要求C远远小于聚类样本的总个数,且C>1;要求m要适中,因为m的值决定了算法的软度,过大会影响聚类结果的准确性,过小失去了设置的意义。
算法的输出结果一个是C个聚类中心点的向量,另一个是C×N的模糊划分矩阵,它表示了每个样本点对每个类的隶属度,按照矩阵中隶属度最大的原则对样本点进行聚类,聚类中心表示的是该中心所在类别的平均特征,可以作为该类的代表点。从算法的推导过程中可以得出,满足正态分布的数据比较适合用FCM算法进行聚类,另外,算法对孤立点是敏感的。
FCM算法结果
根据算法流程设记仿真程序,设定类别个数和模糊系数。输入分割后的肺实质图像,根据图像特点,聚类分别设为4,模糊系数设为2,如图8所示,设置的4类聚类按照灰度值从低到高聚类结果分别为背景,肺实质中无用部分,气管等干扰部分,疑似结节部分。将图中灰度值最高的部分提取出来,结果如图9所示。
(3)对步骤(2)疑似肺结节的区域采用图像圆度法去除区域中形状近长条型的部分,排除血管或气管的干扰
对于步骤(2)提取出来的部分,由于其中还有肺部血管或气管的干扰,通过对各连通区域的圆度判断,可以有效去除长型的部分。
若将一个连通区域完全放在一个圆形中,这个连通区域的面积占这个圆的面积越多,可以近似看作这个连通区域越圆。图像圆度法包括以下步骤:
1)为了计算方便将图像中的像素个数看作是面积,通过matlab中find函数找到连通区域的像素个数,记为m;
2)通过连通区域中的点的位置信息,找出连通区域的列向量最大值ymax最小值ymin,行向量最大值xmax最小值xmin,选择两组差值最大的数作为圆的直径,计算面积,记为M;
3)m/M与1越接近,标示连通区域更接近圆。
通过上述方式,对提取的灰度值最高的各小部分进行计算,去除圆度明显比较差的部分,结果如图10所示,(a)疑似肺结节区域的图像,(b)为圆度处理后的图像。
(4)根据步骤(3)中疑似肺结节的区域的大小,构建高斯模板,选择相关系数较高的区域完成肺结节的提取
构建高斯模板的方法(见文献:基于CT图像的肺部疑似病灶区域分割算法研究[D].武威,东北大学,2008,第45-47页):使用传统的模板有时不能正确选择目标,为了解决这一问题,对小目标图像高斯模板进行归一化。
根据成像理论,用于进行比对的小目标的成像用高斯函数近似表示:
其中g0表示目标像中心点的灰度,(x0,y0)是中心点的位置,σx和σy分别是x方向和y方向的标准差;由于肺部结节很小,所以结节半径也很小,相应构造的模板构造出来也比较小,设:Gk=Sk(g(x,y)),式中Sk为采样点数为k的均匀采样函数;模板对应的定义域采样为:
Xk=[-xn-xn-1-xn-2…0…xn-2xn-1xn] (3-8)
如果要生产3×3的高斯模板,则可对矩阵转秩,再互乘,即可得到一个3×3矩阵(即3×3高斯模板)。
由于肺结节的大小不定,在高斯模板的选取上需要适当调节大小,对于大型结节,如图11所示,图像一般选择30×30的模板(a),中型的选择10×10的模板(b),小型的选择3×3的模板(c)。
在众多疑似结节的待选区域里进行模板匹配,选择其中相似度最高的区域,即为肺结节区域,如图12所示,(a)医生标注的肺结节图像,(b)本申请匹配标记的图像。
采用上述方法,从LIDC数据集中随机选取肺CT图像,进行肺结节的分割,结果如图13所示,(a)标注原图,(b)提取的肺实质,(c)肺结节选取结果。
如图13所示,可以看出得到了较好的肺结节分割结果。肺实质的分割上通过形态学的腐蚀和膨胀操作,可以得到相对平滑并且连通的轮廓和边缘,减少了肺结节被分割出肺实质的可能性。肺结节的分割过程中主要考虑了孤立性肺结节的形状特点以及由CT值的变化形成的图像灰度值分布的特征,结果表明,这种方法在肺结节的选取中是可行的。
以上所述仅为本发明的较佳实施例而已,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 (8)
1.一种肺部CT图像中肺结节的分割方法,其特征在于:包括以下步骤:
(1)从肺部图像中提取包含肺结节在内的肺实质轮廓线,获取肺实质图像;
(2)对步骤(1)中的肺实质图像采用聚类算法对疑似肺结节的区域进行分割;
(3)对步骤(2)疑似肺结节的区域采用图像圆度法去除区域中形状近长条型的部分,排除血管或气管的干扰;
(4)根据步骤(3)中疑似肺结节的区域的大小,构建高斯模板,选择相关系数较高的区域完成肺结节的提取。
2.根据权利要求1所述的一种肺部CT图像中肺结节的分割方法,其特征在于:步骤(1)中,通过迭代法对肺部图像计算阈值,进行阈值分割,得到二值图像;通过形态学方法提取肺部图像中的整体轮廓线,然后利用连通区域标注分出不同的部分,经过轮廓选择,从而得到肺实质轮廓线。
3.根据权利要求2所述的一种肺部CT图像中肺结节的分割方法,其特征在于:轮廓提取中,为获得完整且干扰较少的轮廓线,形态学方法中结构元素设定的形状为方形,大小近似肺部图像长度的1/120。
4.根据权利要求2或3所述的一种肺部CT图像中肺结节的分割方法,其特征在于:对整体轮廓线进行两次闭运算,填充细小的缝隙使轮廓线连通,然后对整体轮廓线图进行8连通区域标注。
5.根据权利要求4所述的一种肺部CT图像中肺结节的分割方法,其特征在于:得到肺实质轮廓线的方法包括以下步骤:
1)判断二值图像中间一行像素点上,从左到右或者从右到左的第一点的值;
2)若该值为1,则轮廓图上这一行从左到右或者从右到左的第二段为1的点必为肺实质轮廓线上的点;
3)若该值为0,则轮廓图第一段为1的点必为肺实质轮廓线上的点;
4)找出这两点在图像中的位置,对应连通域标注内容找出肺实质轮廓线。
6.根据权利要求2所述的一种肺部CT图像中肺结节的分割方法,其特征在于:获得肺实质轮廓线后,先将内部填充,利用形态学闭运算去除外部多余的轮廓线,对外部进行修正,修整外部之后,仅选取外部连通区域,然后去除内部干扰,获取完整的肺实质图像。
7.根据权利要求2所述的一种肺部CT图像中肺结节的分割方法,其特征在于:步骤(2)中,采用模糊C均值聚类方法对灰度值进行分类,聚类类别设为4,模糊系数设为2,提取肺实质中灰度值最高的部分为疑似肺结节的区域。
8.根据权利要求2所述的一种肺部CT图像中肺结节的分割方法,其特征在于:步骤(3)中,圆度图像法包括以下步骤:
1)将图像中的像素个数看作是面积,通过matlab中find函数找到连通区域的像素个数,记为m;
2)通过连通区域中的点的位置信息,找出连通区域的列向量最大值ymax最小值ymin,行向量最大值xmax最小值xmin,选择两组差值最大的数作为圆的直径,计算面积,记为M;
3)m/M与1越接近,标示连通区域更接近圆,对提取的灰度值最高的各小部分进行计算,去除圆度明显比较差的部分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811073727.7A CN109214397A (zh) | 2018-09-14 | 2018-09-14 | 一种肺部ct图像中肺结节的分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811073727.7A CN109214397A (zh) | 2018-09-14 | 2018-09-14 | 一种肺部ct图像中肺结节的分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109214397A true CN109214397A (zh) | 2019-01-15 |
Family
ID=64984031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811073727.7A Pending CN109214397A (zh) | 2018-09-14 | 2018-09-14 | 一种肺部ct图像中肺结节的分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214397A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816667A (zh) * | 2019-01-21 | 2019-05-28 | 杭州英库医疗科技有限公司 | 一种基于ct影像的肺结节分割方法 |
CN110898338A (zh) * | 2019-12-16 | 2020-03-24 | 福建师范大学 | 一种基于led阵列的智能光动力治疗光照*** |
CN110930381A (zh) * | 2019-11-19 | 2020-03-27 | 南京大树智能科技股份有限公司 | 一种改善细支烟生产质量的烟片形状测定方法 |
CN111105427A (zh) * | 2019-12-31 | 2020-05-05 | 佛山科学技术学院 | 一种基于连通区域分析的肺部图像分割方法及*** |
CN111145185A (zh) * | 2019-12-17 | 2020-05-12 | 天津市肿瘤医院 | 一种基于聚类关键帧提取ct图像的肺实质分割方法 |
CN113112467A (zh) * | 2021-04-06 | 2021-07-13 | 上海深至信息科技有限公司 | 一种平面图标注*** |
CN113129317A (zh) * | 2021-04-23 | 2021-07-16 | 广东省人民医院 | 一种基于流域分析技术的肺叶自动分段方法 |
CN113657559A (zh) * | 2021-10-18 | 2021-11-16 | 广州天鹏计算机科技有限公司 | 基于机器学习的胸部扫描图像分类方法 |
CN115272376A (zh) * | 2022-09-27 | 2022-11-01 | 山东鑫科来信息技术有限公司 | 基于机器视觉的浮动打磨头控制方法 |
CN116681701A (zh) * | 2023-08-02 | 2023-09-01 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 一种儿童肺部超声图像处理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020028008A1 (en) * | 2000-09-07 | 2002-03-07 | Li Fan | Automatic detection of lung nodules from high resolution CT images |
CN102360495A (zh) * | 2011-10-19 | 2012-02-22 | 西安电子科技大学 | 基于平均密度投影和平移高斯模型的肺结节分割方法 |
CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断*** |
CN103824295A (zh) * | 2014-03-03 | 2014-05-28 | 天津医科大学 | 一种肺部ct图像中粘连血管型肺结节的分割方法 |
CN105469419A (zh) * | 2016-01-07 | 2016-04-06 | 于翠妮 | 一种基于ct影像的肺结节检测方法 |
-
2018
- 2018-09-14 CN CN201811073727.7A patent/CN109214397A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020028008A1 (en) * | 2000-09-07 | 2002-03-07 | Li Fan | Automatic detection of lung nodules from high resolution CT images |
CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断*** |
CN102360495A (zh) * | 2011-10-19 | 2012-02-22 | 西安电子科技大学 | 基于平均密度投影和平移高斯模型的肺结节分割方法 |
CN103824295A (zh) * | 2014-03-03 | 2014-05-28 | 天津医科大学 | 一种肺部ct图像中粘连血管型肺结节的分割方法 |
CN105469419A (zh) * | 2016-01-07 | 2016-04-06 | 于翠妮 | 一种基于ct影像的肺结节检测方法 |
Non-Patent Citations (5)
Title |
---|
刘凤民等: "《岩心扫描及应用》", 30 September 2010 * |
杨恩烈: "《形位公差与技术测量》", 30 November 1981 * |
查宇飞等: "《视频目标跟踪方法》", 31 July 2015 * |
高园园 等: "肺结节检测算法研究", 《临床医学信息学》 * |
魏颖 等: "面向肺癌CAD的CT图像疑似病灶检测算法", 《仪器仪表学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816667A (zh) * | 2019-01-21 | 2019-05-28 | 杭州英库医疗科技有限公司 | 一种基于ct影像的肺结节分割方法 |
CN110930381A (zh) * | 2019-11-19 | 2020-03-27 | 南京大树智能科技股份有限公司 | 一种改善细支烟生产质量的烟片形状测定方法 |
CN110898338A (zh) * | 2019-12-16 | 2020-03-24 | 福建师范大学 | 一种基于led阵列的智能光动力治疗光照*** |
CN111145185A (zh) * | 2019-12-17 | 2020-05-12 | 天津市肿瘤医院 | 一种基于聚类关键帧提取ct图像的肺实质分割方法 |
CN111145185B (zh) * | 2019-12-17 | 2023-12-22 | 天津市肿瘤医院 | 一种基于聚类关键帧提取ct图像的肺实质分割方法 |
CN111105427A (zh) * | 2019-12-31 | 2020-05-05 | 佛山科学技术学院 | 一种基于连通区域分析的肺部图像分割方法及*** |
CN111105427B (zh) * | 2019-12-31 | 2023-04-25 | 佛山科学技术学院 | 一种基于连通区域分析的肺部图像分割方法及*** |
CN113112467B (zh) * | 2021-04-06 | 2023-04-07 | 上海深至信息科技有限公司 | 一种平面图标注*** |
CN113112467A (zh) * | 2021-04-06 | 2021-07-13 | 上海深至信息科技有限公司 | 一种平面图标注*** |
CN113129317A (zh) * | 2021-04-23 | 2021-07-16 | 广东省人民医院 | 一种基于流域分析技术的肺叶自动分段方法 |
CN113657559A (zh) * | 2021-10-18 | 2021-11-16 | 广州天鹏计算机科技有限公司 | 基于机器学习的胸部扫描图像分类方法 |
CN115272376B (zh) * | 2022-09-27 | 2022-12-20 | 山东鑫科来信息技术有限公司 | 基于机器视觉的浮动打磨头控制方法 |
CN115272376A (zh) * | 2022-09-27 | 2022-11-01 | 山东鑫科来信息技术有限公司 | 基于机器视觉的浮动打磨头控制方法 |
CN116681701A (zh) * | 2023-08-02 | 2023-09-01 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 一种儿童肺部超声图像处理方法 |
CN116681701B (zh) * | 2023-08-02 | 2023-11-03 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 一种儿童肺部超声图像处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214397A (zh) | 一种肺部ct图像中肺结节的分割方法 | |
Wang et al. | Weakly supervised deep learning for whole slide lung cancer image analysis | |
CN107886514B (zh) | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 | |
Man et al. | Classification of breast cancer histopathological images using discriminative patches screened by generative adversarial networks | |
CN107506761B (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及*** | |
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*** | |
CN112365464B (zh) | 一种基于gan的医学图像病变区域弱监督定位方法 | |
CN107369160A (zh) | 一种oct图像中脉络膜新生血管分割算法 | |
CN109300113B (zh) | 一种基于改进凸包方法的肺结节辅助检测***及方法 | |
CN111028206A (zh) | 一种基于深度学习***癌自动检测和分类*** | |
CN112101451A (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
CN110390665B (zh) | 基于深度学习多通道与图嵌法的膝关节病症超声诊断方法 | |
Balamurugan et al. | Brain tumor segmentation and classification using hybrid deep CNN with LuNetClassifier | |
CN112215842B (zh) | 基于良性甲状腺模板的恶性结节边缘检测图像处理方法 | |
CN114972341B (zh) | 基于贝叶斯辅助学习的wsi图像分类方法、***及介质 | |
CN111767952A (zh) | 一种可解释的肺结节良恶性分类方法 | |
Chen et al. | Pulmonary nodule detection on chest radiographs using balanced convolutional neural network and classic candidate detection | |
NL2029876B1 (en) | Deep residual network-based classification system for thyroid cancer computed tomography (ct) images | |
US20220028068A1 (en) | Multi-scale tumor cell detection and classification | |
Yonekura et al. | Improving the generalization of disease stage classification with deep CNN for glioma histopathological images | |
Abdelhafeez et al. | Skin cancer detection using neutrosophic c-means and fuzzy c-means clustering algorithms | |
Ananth et al. | Enhancing segmentation approaches from Gaussian mixture model and expected maximization to super pixel division algorithm | |
Liu et al. | Automated classification of cervical Lymph-Node-Level from ultrasound using depthwise separable convolutional swin transformer | |
Li et al. | Structure convolutional extreme learning machine and case-based shape template for HCC nucleus segmentation | |
Saha et al. | SRM superpixel merging framework for precise segmentation of cervical nucleus |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190115 |
|
RJ01 | Rejection of invention patent application after publication |