CN110176009B - 一种肺部图像分割和跟踪方法和*** - Google Patents

一种肺部图像分割和跟踪方法和*** Download PDF

Info

Publication number
CN110176009B
CN110176009B CN201910436108.8A CN201910436108A CN110176009B CN 110176009 B CN110176009 B CN 110176009B CN 201910436108 A CN201910436108 A CN 201910436108A CN 110176009 B CN110176009 B CN 110176009B
Authority
CN
China
Prior art keywords
lung
image
points
region
foreground
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910436108.8A
Other languages
English (en)
Other versions
CN110176009A (zh
Inventor
杨夙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fudan University
Original Assignee
Fudan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fudan University filed Critical Fudan University
Priority to CN201910436108.8A priority Critical patent/CN110176009B/zh
Publication of CN110176009A publication Critical patent/CN110176009A/zh
Application granted granted Critical
Publication of CN110176009B publication Critical patent/CN110176009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—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
    • 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
    • G06T2207/30061—Lung

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

本发明属于模式识别、图像处理、计算机视觉技术领域，具体为一种肺部图像分割和跟踪方法和***。本发明方法包括：通过医疗影像设备对人体扫描获得按顺序排列的CT图像序列；图像中CT值满足一定条件的像素点标记为前景点；通过8邻居区域生长法将前景点聚类为连通区域；采用滤波方法对连通区域进行过滤筛选；顺序扫描每个切片的CT图像，标记出左肺和右肺；分别从左肺和右肺开始沿着起始帧向下扫描，找到与前一帧图像满足一致性检验的当前肺部区域；实验表明，本发明方法可以获得较好的肺部分割与跟踪效果，作为后续计算机辅助诊断的基础。

Description

一种肺部图像分割和跟踪方法和***
技术领域
本发明属于模式识别、图像处理、计算机视觉技术领域，具体涉及一种图像序列中肺部自动分割和跟踪的图像处理方法和***，可以用于CT图像中的肺部分割。
背景技术
医学影像的计算机辅助诊断一直以来受到广泛关注。对于肺部肿块的自动诊断任务，不论采用何种技术方案，如：深度神经网络、图像分割、图像配准等，所有后期辅助诊断技术都依赖于肺部图像的分割，只有通过图像分析自动分割、定位肺部，才能进行后续的分析和处理。
近期流行的肺部图像分割方法包括水平集的方法[1]、基于随机游走的方法[2]等。实际上，所有分割方法都各有优缺点，很难说哪个方法绝对有优势。另一方面，现有方法大都是基于单个切片图像的分割，而医学影像都是由图像序列组成的，包括多个切片，空间临近的切片组成连续帧，基于临近图像帧具有一致性的观察，本发明提出基于图像序列的肺部分割、定位和跟踪方法，根据医学知识找到肺部分割的初始图像帧，然后根据一致性检验分别跟踪左肺和右肺。
根据观察，如果遍历CT图像切片并将其看作是类似视频的图像序列，肺部肿块总是以近乎突变的方式出现，并且持续存在的帧数很短。因此，相比单帧图像的肺部图像分割方法，本发明提出的基于连续帧图像内容一致性检验的肺部分割、定位和跟踪的方法更适用于基于连续帧图像突变检测的肺部肿块计算机辅助诊断方法。
参考文献：
[1]BijjuKranthiVeduruparthi,JayantaMukhopadhyay,ParthaPratim Das,Mandira Sahay,SriramPrasathy,SoumendranathRayy,Raj Kumar Shrimaliy,and SanjoyChatterjee,“Segmentation of Lung Tumor in Cone Beam CT Images based on Level-Sets”,ICIP 2018,IEEE,pp.1398-1402.
[2]Zhe Liu,Yuqing Song,Charlie Maere,Qingfeng Liu,Yan Zhu,Hu Lu,andDeqi Yuan,“A Method for PET-CT Lung Cancer Segmentation based on ImprovedRandom Walk”,201824th International Conference on Pattern Recognition(ICPR),IEEE,pp.1187-1192,Beijing,China,August20-24,2018.。
发明内容
本发明的目的在于提出一种图像序列中肺部自动分割和跟踪的图像处理方法和***，是后续计算机辅助诊断的基础。
本发明提出的图像序列中肺部自动分割和跟踪的图像处理方法，具体步骤如下：
(a)通过医疗影像设备对人体扫描获得按顺序排列的CT图像序列，空间相邻的两个切片对应相邻帧的图像；
(b)根据医学影像学，图像中CT值满足一定条件的像素点可能属于肺，将这些点标记为前景点；
进一步地，具体可有以下2种代表性的计算方法：
(b1)假设每个切片图像分辨率为M×N、像素(x,y)的CT值为I(x,y)，根据医学影像的常识，图像中CT值满足{74≤I(x,y)≤774|x∈[1,M]∧y∈[1,N]}的像素点可能属于肺，将这些点标记为前景点；
(b2)对图像中CT值满足{74≤I(x,y)≤774|x∈[1,M]∧y∈[1,N]}的像素点计算其CT值的均值μ和方差σ，并利用高斯模型N(μ,σ)对所有点进行分类：如果一个点的CT值属于该高斯模型的概率大于某个阈值τ(τ取高斯模型N(μ,σ)在μ+t.σ处的概率密度函数值，这里t∈[3,5])则将该点标记为前景点；
(c)通过8邻居区域生长法将前景点聚类为连通区域，连通性的定义是：如果一个前景点的8个邻居点中的某些点也是前景点，则这些邻居点与该点连通、属于同一个连通区域；
(d)采用滤波方法对连通区域进行过滤筛选；
进一步地，具体可有以下2种代表性的计算方法：
(d1)如果一个前景点构成的连通区域所包含的点数小于一个阈值(取值区间建议为[0,0.01×M×N]，这里M和N表示图像的高和宽)，则从连通区域的集合中将该区域排除；
(d2)对一个前景点构成的连通区域进行主元分析(principal componentanalysis)，所得到的两个特征值中较大的值除以较小的值，如果比值大于一个阈值(取值区间[10,∞])，则从疑似肿块区域的集合中将该区域排除；
(e)顺序扫描(人体从头到脚的方向)每个切片的CT图像，直到发现包含且仅包含2个连通区域的图像，作为肺部图像子序列的起始帧,同时根据位置分别将这两个连通区域标记为左肺和右肺；
(f)分别从左肺和右肺开始沿着起始帧向下扫描，找到与前一帧图像满足一致性检验的当前肺部区域，一致性检验方法为：
令ni表示当前帧(第i帧)图像中肺部区域包含的前景点个数、nOld表示前一帧肺部区域的前景点个数、nMax表示扫描到当前帧为止所记录的最大肺部区域对应的前景点个数；
如果ni<τ1×nOld(τ1取值范围(1,2),建议1.5)，则当前帧通过一致性检测，更新nOld和nMax：
令nOld＝ni；
如果ni>nMax，则令nMax＝ni；
否则，记录当前帧号T，转(h)；
(g)重复步骤(f)直到ni<τ2×nMax(τ2取值范围(0,1)，建议0.5),记录当前帧号T；
(h)从当前帧T开始回溯，直到出现ni≥ni-1，将i-1标记为肺部图像子序列的最后一帧。
基于上述肺部图像分割和跟踪方法，本发明还涉及肺部图像分割和跟踪***。所述***包括6个模块：人体CT图像获取、排序模块，图像中前景点标记模块，图像中前景点聚类为连通区域模块，连通区域过滤筛选模块，左肺和右肺标记模块，肺部区域一致性检验模块；该6个模块对应执行方法中步骤(a)、(b)、(c)、(d)、(e)、(f)-(h)的操作内容。
实验表明，本发明方法可以获得理想的肺部分割与跟踪效果，可以作为后续计算机辅助诊断的基础。
附图说明
图1为肺部分割与跟踪图像处理方法的组成框图。
图2为图像分割和跟踪结果示例：某病例第一帧双肺区域(所有切片第10帧)。
图3为图像分割和跟踪结果示例：某病例最后一帧左肺区域(所有切片第85帧)和右肺区域(所有切片第95帧)。
具体实施方式
本发明的图像处理***由以下几个环节组成，图像采集、前景点标记、前景点聚类、前景区域形态过滤、双肺起始帧发现、基于一致性检验的肺部跟踪、跟踪终止条件检验、肺部图像回溯，整个图像分析***的组成见图1。
实施例1：
本发明的目的在于提出一种图像序列中肺部自动分割和跟踪的图像处理方法，是后续计算机辅助诊断的基础。
本发明提出的图像序列中肺部自动分割和跟踪的图像处理方法，具体计算步骤如下：
(a)通过医疗影像设备对人体扫描获得按顺序排列的CT图像序列，空间相邻的两个切片对应相邻帧的图像；
(b)假设每个切片图像分辨率为M×N、像素(x,y)的CT值为I(x,y)，将图像中CT值满足{74≤I(x,y)≤774|x∈[1,M]∧y∈[1,N]}的像素点标记为前景点；
(c)通过8邻居区域生长法将前景点聚类为连通区域，连通性的定义是：如果一个前景点的8个邻居点中的某些点也是前景点，则这些邻居点与该点连通、属于同一个连通区域；
(d)采用滤波方法对连通区域进行过滤筛选：如果一个前景点构成的连通区域所包含的点数小于0.01×M×N，则从连通区域的集合中将该区域排除；
(e)顺序扫描(人体从头到脚的方向)每个切片的CT图像，直到发现包含且仅包含2个连通区域的图像，作为肺部图像子序列的起始帧,同时根据位置分别将这两个连通区域标记为左肺和右肺；
(f)分别从左肺和右肺开始沿着起始帧向下扫描，找到与前一帧图像满足一致性检验的当前肺部区域，一致性检验方法为：
令ni表示当前帧(第i帧)图像中肺部区域包含的前景点个数、nOld表示前一帧肺部区域的前景点个数、nMax表示扫描到当前帧为止所记录的最大肺部区域对应的前景点个数；
如果ni<1.5×nOld，则当前帧通过一致性检测，更新nOld和nMax：
令nOld＝ni；
如果ni>nMax，则令nMax＝ni；
否则，记录当前帧号T，转步骤(h)；
(g)重复步骤(f)直到ni<0.5×nMax,记录当前帧号T；
(h)从当前帧T开始回溯，直到出现ni≥ni-1，将i-1标记为肺部图像子序列的最后一帧。
上述步骤(c)中，8邻居区域生长法的计算步骤为：
①从尚未扫描过的前景点中随机选取一个作为当前连通区域的种子点；
②扫描当前连通区域包含的每个前景点的8个邻居点并将其中的前景点加入当前连通区域；
③重复步骤②直至找不到更多的与该区域连通的前景点；
④如果所有前景点都被扫描过，则结束；否则转步骤①；
根据实施例1的方法进行了实验，某个病人CT图像的肺部区域分割和跟踪的第一帧和最后一帧图像分别显示于图2和图3。

Claims (5)

1.一种用于肺部图像分割和跟踪方法，其特征在于，基于连续帧图像前景点所构成区域的一致性检测和跟踪肺部，具体步骤为：
（a）通过医疗影像设备对人体扫描获得按顺序排列的CT图像序列，空间相邻的两个切片对应相邻帧的图像；
（b）根据医学影像学，图像中CT值满足一定条件的像素点属于肺，将这些点标记为前景点；
（c）通过8邻居区域生长法将前景点聚类为连通区域，连通性的定义是：如果一个前景点的8个邻居点中的某些点也是前景点，则这些邻居点与该点连通、属于同一个连通区域；
（d）采用滤波方法对连通区域进行过滤筛选；
（e）顺序扫描每个切片的CT图像，直到发现包含且仅包含2个连通区域的图像，作为肺部图像子序列的起始帧，同时根据位置分别将这两个连通区域标记为左肺和右肺；
（f）分别从左肺和右肺开始沿着起始帧向下扫描，找到与前一帧图像满足一致性检验的当前肺部区域；一致性检验方法为：
令ni表示当前第i帧图像中肺部区域包含的前景点个数，nOld表示前一帧肺部区域的前景点个数，nMax表示扫描到当前帧为止所记录的最大肺部区域对应的前景点个数；
如果ni<τ1×nOld，τ1取值范围(1,2)，则当前帧通过一致性检测，更新nOld和nMax：
令nOld=ni；
如果ni>nMax，则令nMax=ni；
否则，记录当前帧号T，转步骤（h）；
（g）重复步骤（f）直到ni<τ2×nMax，τ2取值范围(0,1)，记录当前帧号T；
（h）从当前帧T开始回溯，直到出现ni≥ni-1，将i-1标记为肺部图像子序列的最后一帧；
步骤（b）所述的前景点标记方法为：
对图像中CT值满足{74≤I(x,y)≤774|x∈[1,M]∧y∈[1,N]}的像素点计算其CT值的均值μ和方差σ，并利用高斯模型N(μ,σ)对所有点进行分类：如果一个点的CT值属于该高斯模型的概率大于某个阈值τ，τ取高斯模型N(μ,σ)在μ+t.σ处的概率密度函数值，这里t∈[3,5]，则将该点标记为前景点；M和N表示图像的高和宽。
2.根据权利要求1所述的肺部图像分割和跟踪方法，其特征在于步骤（d）所述的滤波方法为：
如果一个前景点构成的连通区域所包含的点数小于一个阈值δ∈[0,0.01×M×N]，这里M和N表示图像的高和宽，则从连通区域的集合中将该区域排除。
3.根据权利要求1所述的肺部图像分割和跟踪方法，其特征在于步骤（d）所述的滤波方法为：
对一个前景点构成的连通区域进行主元分析，所得到的两个特征值中较大的值除以较小的值，如果比值大于一个阈值，则从疑似肿块区域的集合中将该区域排除。
4.根据权利要求1所述的肺部图像分割和跟踪方法，其特征在于，步骤（c）中所示8邻居区域生长法的计算步骤为：
①从尚未扫描过的前景点中随机选取一个作为当前连通区域的种子点；
②扫描当前连通区域包含的每个前景点的8个邻居点并将其中的前景点加入当前连通区域；
③重复步骤②，直至找不到更多的与该区域连通的前景点；
④如果所有前景点都被扫描过，则结束；否则转步骤①。
5. 基于权利要求1所述肺部图像分割和跟踪方法的肺部图像分割和跟踪***，其特征在于包括6个模块：人体CT图像获取、排序模块，图像中前景点标记模块，图像中前景点聚类为连通区域模块，连通区域过滤筛选模块，左肺和右肺标记模块，肺部区域一致性检验模块；该6个模块对应执行肺部图像分割和跟踪方法中步骤（a）、（b）、（c）、（d）、（e）、（f）-（h）的操作内容。
CN201910436108.8A 2019-05-23 2019-05-23 一种肺部图像分割和跟踪方法和*** Active CN110176009B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910436108.8A CN110176009B (zh) 2019-05-23 2019-05-23 一种肺部图像分割和跟踪方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910436108.8A CN110176009B (zh) 2019-05-23 2019-05-23 一种肺部图像分割和跟踪方法和***

Publications (2)

Publication Number Publication Date
CN110176009A CN110176009A (zh) 2019-08-27
CN110176009B true CN110176009B (zh) 2023-03-07

Family

ID=67692028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910436108.8A Active CN110176009B (zh) 2019-05-23 2019-05-23 一种肺部图像分割和跟踪方法和***

Country Status (1)

Country Link
CN (1) CN110176009B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344855A (zh) * 2021-05-10 2021-09-03 深圳瀚维智能医疗科技有限公司 降低乳腺超声病灶检测假阳率的方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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***
CN105976367A (zh) * 2016-04-29 2016-09-28 上海联影医疗科技有限公司 图像分割方法、肺结节检测方法及其计算机辅助检测***
CN107481251A (zh) * 2017-07-17 2017-12-15 东北大学 一种从肺部ct图像中提取末端支气管树的方法
CN107590809A (zh) * 2017-06-30 2018-01-16 上海联影医疗科技有限公司 肺分割方法及医学成像***
CN107945222A (zh) * 2017-12-15 2018-04-20 东南大学 一种新型的立体匹配代价计算以及视差后处理方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184812B (zh) * 2015-07-21 2018-08-24 复旦大学 一种基于目标跟踪的行人徘徊检测方法
CN108182687A (zh) * 2016-12-08 2018-06-19 复旦大学 一种基于脑肿瘤医学影像的交互式三维分割方法
CN108765409A (zh) * 2018-06-01 2018-11-06 电子科技大学 一种基于ct图像的候选结节的筛选方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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***
CN105976367A (zh) * 2016-04-29 2016-09-28 上海联影医疗科技有限公司 图像分割方法、肺结节检测方法及其计算机辅助检测***
CN107590809A (zh) * 2017-06-30 2018-01-16 上海联影医疗科技有限公司 肺分割方法及医学成像***
CN107481251A (zh) * 2017-07-17 2017-12-15 东北大学 一种从肺部ct图像中提取末端支气管树的方法
CN107945222A (zh) * 2017-12-15 2018-04-20 东南大学 一种新型的立体匹配代价计算以及视差后处理方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Human mobility prediction from region functions with taxi trajectories.;杨夙等;《PloS one》;20171130;全文 *
冠脉CT造影图像的血管分割与斑块祛除;王林;《中国知网硕士电子期刊》;20180315(第3期);全文 *
基于空间定位的经皮肺穿刺图像引导关键技术研究与实现;牛珂楠;《中国知网硕士电子期刊》;20150515(第5期);全文 *

Also Published As

Publication number Publication date
CN110176009A (zh) 2019-08-27

Similar Documents

Publication Publication Date Title
Tariq et al. Lung nodule detection in CT images using neuro fuzzy classifier
CN112150428A (zh) 一种基于深度学习的医学图像分割方法
JP2009291415A (ja) 画像処理装置、画像処理プログラムおよび画像処理方法
Fu et al. Bleeding region detection in WCE images based on color features and neural network
JPH11312234A (ja) 多次元画像のセグメンテ―ション処理を含む画像処理方法及び医用映像装置
CN110458859B (zh) 一种基于多序列mri的多发性骨髓瘤病灶的分割***
US20230005140A1 (en) Automated detection of tumors based on image processing
CN109886170B (zh) 一种钉螺智能检测识别与统计***
Tun et al. Feature extraction and classification of lung cancer nodule using image processing techniques
CN109300136A (zh) 一种基于卷积神经网络的危及器官自动分割方法
Sagar et al. Color channel based segmentation of skin lesion from clinical images for the detection of melanoma
CN114581709A (zh) 识别医学图像中的目标的模型训练、方法、设备及介质
CN110176009B (zh) 一种肺部图像分割和跟踪方法和***
Gopi et al. Lung tumor area recognition and classification using EK-mean clustering and SVM
Wei et al. A novel method for segmentation of CT head images
CN112651930B (zh) 一种基于图像细节保真度的医学图像质量评估方法及***
Heriana et al. Tumor size classification of breast thermal image using fuzzy C-Means algorithm
CN110349662B (zh) 用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和***
Saubhagya et al. ANN based detection of Breast Cancer in mammograph images
Xu et al. Diagnosis of cirrhosis stage via deep neural network
CN110136100B (zh) Ct切片图像的自动分类方法和装置
Macenko et al. Lesion detection using morphological watershed segmentation and modelbased inverse filtering
Sindhu et al. A novel method for automatic detection of inflammatory bowel diseases in wireless capsule endoscopy images
Wulandari et al. Automatic lung cancer detection using color histogram calculation
Kaur et al. Detection of brain tumor using NNE approach

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