CN110648338B - 图像分割方法、可读存储介质及图像处理装置 - Google Patents
图像分割方法、可读存储介质及图像处理装置 Download PDFInfo
- Publication number
- CN110648338B CN110648338B CN201910913757.2A CN201910913757A CN110648338B CN 110648338 B CN110648338 B CN 110648338B CN 201910913757 A CN201910913757 A CN 201910913757A CN 110648338 B CN110648338 B CN 110648338B
- Authority
- CN
- China
- Prior art keywords
- image
- tissue organ
- region
- tissue
- seed point
- 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
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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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
-
- 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
- G06T2207/30084—Kidney; Renal
-
- 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
本发明提供一种图像分割方法、可读存储介质及图像处理装置,在第一图像的边界区域设置第一种子点,以所述第一种子点为初始点,通过形态学方法区分出所述第二组织器官,得到第二图像;进而对所述第二图像进行最大连通域分析,以最大连通域分析后的图像的中心点坐标作为第二种子点,并以所述第二种子点作为区域生长的初始点,通过迭代合并以得到所述第一组织器官的输出图像。由于在整个图像分割过程中,第一种子点和第二种子点可根据图像的特点位置进行选取,即实现了自动选取种子点,不需要人为输入种子点信息,能够大量节约时间成本,降低医生工作量,减少人机交互操作流程,提高了诊断效率和准确性。
Description
技术领域
本发明涉及图像分割技术领域,特别涉及一种图像分割方法、可读存储介质及图像处理装置。
背景技术
血管疾病尤其是心血管疾病,已经成为威胁人类生命安全的主要疾病之一。在手术过程中,通过血管成像技术来辅助医生诊断各种血管疾病,例如钙化、主动脉夹层、动脉瘤等。血管成像技术主要包括计算机断层血管造影(CTA)、核磁共振血管造影(MRA)等。一般的,血管成像得到的是三维影像,不仅有血管组织同时还包含血管周围其他组织(骨骼,脂肪,肌肉,肺组织等),无法给医生带来精准诊断。所以,从三维影像中提取整个血管区域,并以三维显示技术展示血管的形态,能提高医生诊断的准确率。
虽然目前已经有很多血管分割的技术,但血管分割问题仍然是一个非常具有挑战性的任务。目前血管分割方法主要以手动和半自动为主,已有的半自动血管分割方法大致可以分为两类:自顶向下和自底向上。现有技术中,自顶向下的半自动分割方法需要人为输入种子点作为开始条件,然后基于目标误差迭代合并邻近的区域,最后生成图像,但该方法需要人为输入种子点信息,操作便利性差,交互操作繁琐,效率较低。
发明内容
本发明的目的在于提供一种图像分割方法、可读存储介质及图像处理装置,以解决现有的图像分割方法操作繁琐、效率低的问题。
为解决上述技术问题,本发明提供了一种图像分割方法,用于从图像中分割出一预定的第一组织器官,所述第一组织器官分别与第二组织器官和第三组织器官连接,所述图像分割方法包括:
对一经过预处理的第一图像按照第一阈值进行分割,以得到包括所述第二组织器官的第二图像;
在所述第二图像的边界区域设置第一种子点,以所述第一种子点为初始点,通过形态学方法区分出所述第二组织器官,以得到包含所述第一组织器官和所述第三组织器官的第三图像;
对所述第三图像进行最大连通域分析,以将对所述第三图像进行最大连通域分析后的图像的中心点坐标作为第二种子点;
以所述第二种子点作为区域生长的初始点,通过迭代合并以得到所述第一组织器官的输出图像。
可选的,对所述第一图像进行预处理的过程包括:
采用三维高斯滤波器滤除原始图像中的噪声信息。
可选的,所述原始图像包括CTA体数据图像,所述CTA体数据图像包括人体组织区域的图像和CT床区域的图像,其中所述人体组织区域包括所述第一组织器官、第二组织器官以及所述第三组织器官;对所述第一图像进行预处理的过程还包括:
对经所述三维高斯滤波器滤除噪声信息后的图像按照第二阈值进行分割,以得到包括所述人体组织区域的第四图像;
在所述第四图像的边界区域设置第三种子点,以所述第三种子点为初始点,通过形态学方法区分出CT床区域与所述人体组织区域。
可选的,所述通过形态学方法区分出CT床区域与所述人体组织区域的方法包括形态学连通域操作和/或形态学开操作。
可选的,所述形态学开操作包括:
对所述第四图像进行腐蚀处理;
对进行腐蚀处理后的第四图像进行膨胀处理。
可选的,在通过形态学方法区分出CT床区域与所述人体组织区域后,对所述第一图像进行预处理的过程还包括:采用形态学最大连通域操作,以得到所述人体组织区域的图像,所述人体组织区域的图像即被定义为所述第一图像。
可选的,所述通过形态学方法区分出所述第二组织器官的步骤包括:
以所述第一种子点为初始点,通过形态学水漫金山法,区分出所述第二组织器官的区域。
可选的,所述第二组织器官包括间隔设置的两个部分,且所述第一组织器官和所述第三组织器官均位于所述第二组织器官的两个部分之间,在区分出所述第二组织器官的区域后,所述通过形态学方法区分出所述第二组织器官的步骤还包括:
基于一预设的形态学参数,采用形态学闭操作,以获取所述第二组织器官以及其两个部分之间的连接区域的第五图像。
可选的,在获取所述第五图像后,所述通过形态学方法区分出所述第二组织器官的步骤还包括:
使用二值掩膜所述第五图像,以分离出所述第二组织器官;
使用第三阈值去除使用二值掩膜后的第五图像中所述第二组织器官的图像,以得到所述第三图像。
为解决上述技术问题,本发明还提供了一种可读存储介质,其上存储有计算机程序,所述计算机程序被执行时能实现如上所述的图像分割方法。
为解决上述技术问题,本发明还提供了一种图像处理装置,其包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器运行时,执行如上所述的图像分割方法。
综上所述,本发明提供的图像分割方法、可读存储介质及图像处理装置中,在第一图像的边界区域设置第一种子点,以所述第一种子点为初始点,通过形态学方法区分出第二组织器官,得到第二图像;进而对所述第二图像进行最大连通域分析,以最大连通域分析后的图像的中心点坐标作为第二种子点,并以所述第二种子点作为区域生长的初始点,通过迭代合并以得到第一组织器官的输出图像。由于在整个图像分割过程中,第一种子点和第二种子点可根据图像的特点位置进行选取,即实现了自动选取种子点,不需要人为输入种子点信息,能够大量节约时间成本,降低医生工作量,减少人机交互操作流程,提高了诊断效率和准确性。
附图说明
本领域的普通技术人员将会理解,提供的附图用于更好地理解本发明,而不对本发明的范围构成任何限定。其中:
图1是本发明一实施例提供的图像分割方法中的原始图像的示意图;
图2是本发明一实施例提供的图像分割方法中的第一图像的示意图;
图3是本发明一实施例提供的图像分割方法中的第三图像的示意图;
图4是本发明一实施例提供的图像分割方法中的第二种子点的示意图;
图5是本发明一实施例提供的图像分割方法中的第一组织器官的输出图像;
图6是本发明一实施例提供的图像分割方法的流程图。
附图中:
100-人体组织区域;200-CT床区域;300-第三组织器官;400-第二种子点;500-第一组织器官。
具体实施方式
为使本发明的目的、优点和特征更加清楚,以下结合附图和具体实施例对本发明作进一步详细说明。需说明的是,附图均采用非常简化的形式且未按比例绘制,仅用以方便、明晰地辅助说明本发明实施例的目的。此外,附图所展示的结构往往是实际结构的一部分。特别的,各附图需要展示的侧重点不同,有时会采用不同的比例。
如在本说明书和所附权利要求书中所使用的,单数形式“一”、“一个”以及“该”包括复数对象,除非内容另外明确指出外。如在本说明书和所附权利要求中所使用的,术语“或”通常是以包括“和/或”的含义而进行使用的,除非内容另外明确指出外。
本发明的核心思想在于提供一种图像分割方法、可读存储介质及图像处理装置,以解决现有的图像分割方法操作繁琐、效率低的问题。所述图像分割方法用于从图像中分割出一预定的第一组织器官,所述第一组织器官分别与第二组织器官和第三组织器官连接;所述图像分割方法包括:对一经过预处理的第一图像按照第一阈值进行分割,以得到包括所述第二组织器官的第二图像;在所述第二图像的边界区域设置第一种子点,以所述第一种子点为初始点,通过形态学方法区分出所述第二组织器官,以得到包含所述第一组织器官和所述第二组织器官的第三图像;对所述第三图像进行最大连通域分析,以将对所述第三图像进行最大连通域分析后的图像的中心点坐标作为第二种子点;以所述第二种子点作为区域生长的初始点,通过迭代合并以得到所述第一组织器官的输出图像。由于在整个图像分割过程中,第一种子点和第二种子点可根据图像的特点位置进行选取,即实现了自动选取种子点,不需要人为输入种子点信息,能够大量节约时间成本,降低医生工作量,减少人机交互操作流程,提高了诊断效率和准确性。
以下参考附图进行描述。
请参考图1至图6,其中,图1是本发明一实施例提供的图像分割方法中的原始图像的示意图,图2是本发明一实施例提供的图像分割方法中的第一图像的示意图,图3是本发明一实施例提供的图像分割方法中的第三图像的示意图,图4是本发明一实施例提供的图像分割方法中的第二种子点的示意图,图5是本发明一实施例提供的图像分割方法中的第一组织器官的输出图像,图6是本发明一实施例提供的图像分割方法的流程图。
如图6所示,本发明一实施例提供一种图像分割方法,用于从图像中分割出一预定的第一组织器官,所述第一组织器官分别与第二组织器官和第三组织器官连接。所述图像分割方法包括:
步骤S1:对一经过预处理的第一图像按照第一阈值进行分割,以得到包括第二组织器官的第二图像;
步骤S2:在所述第二图像的边界区域设置第一种子点,以所述第一种子点为初始点,通过形态学方法区分出第二组织器官,以得到包含第一组织器官和第二组织器官的第三图像,如图3所示;
步骤S3:对所述第三图像进行最大连通域分析,以将对所述第三图像进行最大连通域分析后的图像的中心点坐标作为第二种子点,如图4所示;
步骤S4:以所述第二种子点作为区域生长的初始点,通过迭代合并以得到第一组织器官的输出图像,如图5所示。
下面以血管为第一组织器官,肺为第二组织器官,心脏为第三组织器官,作为一示意性的范例,来说明本实施例提供的图像分割方法。需理解,这里作为第一组织器官的血管,特指心肺区域的血管。
步骤S1:首先获取一经过预处理的第一图像,如图2所示,该第一图像如可为经预处理后的人体组织区域100的图像。而该人体组织区域至少包括第一组织器官500(血管)、第二组织器官(肺)以及第三组织器官300(心脏),一般的,第一图像还包括人体的其它组织器官,如骨骼、肌肉、肾脏、肝或脂肪等等。由于本示例主要用于获取第一组织器官500(血管)的输出图像,故其它组织器官的图像均需要被分割处理掉。通常情况下,CT图像经过标定以代表不同区域或组织,例如像素值为0时是代表水,像素值为-600到-400代表的是肺组织,因此可选取肺组织所对应的像素值,作为第一阈值,以对第一图像进行分割。具体的,第一阈值的选定可以根据目标被分割组织而定,如可选为-500,即可将第二组织器官(肺)与其它组织分割开。由此,即可得到包含第二组织器官(肺)的第二图像。
步骤S2:在所述第二图像的边界区域设置第一种子点。一般的,第二图像中,第二组织器官(肺)的图像位于中心部位,此时在第二图像的边界区域设置第一种子点,可确保第一种子点位于肺部区域以外,进而即可通过形态学方法区分出所述第二组织器官(肺),从而得到包含所述第一组织器官(血管)和所述第三组织器官(心脏)的第三图像。可以理解的,该第三图像为包含心脏和血管的初步图像,如图3所示。第一种子点可以选择为第三图像中特殊像素点所在位置,此第一种子点代表非第二组织器官(肺)的区域,作为后续分辨第二组织器官(肺)的输入参数。步骤S2中的形态学方法如可为连通域法,其具体操作为,判断第一种子点的像素与相邻像素是否相同,如果相同则认为是非第二组织器官(肺)的区域,否则确定为第二组织器官(肺)的区域;不断在第三图像中遍历迭代重复此判断,以区分出第二组织器官(肺)的区域。此步骤中的第一种子点无需人为选择,而是预先将图像边界区域设置为种子点,此方式能够大量节约时间成本,降低医生工作量。
步骤S3:在步骤S2获得的第三图像(即初步分割的心脏血管图像)的基础上,进行最大连通域分析。具体操作时,统计每个连通域(一个连通域表示具有相同像素点的集合)的像素点的个数,其中像素点个数最多的即为最大连通域。通过对第三图像进行最大连通域分析,可以去除小目标区域,例如去除与肺部接近的骨骼区域。然后选择体数据(步骤S2所得第三图像的三维数据,例如心脏血管的三维图像)的中间层的二维数据、1/3层和2/3层的二维数据,并进行最大连通域分析,进而以最大连通域分析后的图像的中心点坐标作为第二种子点400,如图4所示。一般的,最大连通域分析后的图像的中心点坐标可以确定是处于第一组织器官(血管)上的,因此可用作后续血管图像进行区域生长的第二种子点400。在步骤S3中,第二种子点的获取为自动计算的,无需人为输入种子点。
步骤S4:区域生长(region growing)是指将成组的像素或区域发展成更大区域的过程,即从种子点的集合开始,从这些点的区域增长是通过将与每个种子点有相似属性像强度、灰度级、纹理颜色等的相邻像素合并到此区域。因此以第二种子点作为区域生长的初始点,通过迭代合并即可得到第一组织器官(血管)的输出图像。
以上所述的示例是以从CT图像中获取血管图像为例,但在具体实施时,不仅限于此应用。本发明还可以应用于任何其他组织器官的图像分割。例如可将第一阈值设定为-900(呼吸道气管在CT图像中的像素值),以分割获取呼吸道气管的图像。
优选的,第一图像的预处理的过程包括:采用三维高斯滤波器滤除原始图像中的噪声信息。这里,原始图像主要包括CTA(计算机断层血管造影)体数据(例如,图像的三维数据)图像,大小例如选择为512x512x130,当然具体实施时该大小可根据具体图像进行选择。进一步的,请参考图1,所述CTA体数据图像包括人体组织区域100的图像和CT床区域200的图像,其中所述人体组织区域100包括所述第一组织器官、第二组织器官以及所述第三组织器官。为了方便后续处理分析,需要去除CT床区域200,只保留人体区域100图像。可通过以下方法将CT床区域200与人体组织区域100的图像分离开:
步骤Sa1:对经所述三维高斯滤波器滤除噪声信息后的图像按照第二阈值进行分割,以得到包括所述人体组织区域100的第四图像。具体地,第二阈值的选取可根据人体组织在CT图像中的像素值与CT床在CT图像中的像素值的差异而进行选择,以分割出CT床区域200的图像,进而即可获得包括所述人体组织区域100的第四图像。
步骤Sa2:在所述第四图像的边界区域设置第三种子点,以所述第三种子点为初始点,通过形态学方法区分出CT床区域200与所述人体组织区域100。这里所采用的形态学方法,可与步骤S2中的连通域法类似,判断第三种子点的像素与相邻像素是否相同,如果相同则认为是非人体组织的区域,否则确定为人体组织的区域;不断在第四图像中遍历迭代重复此判断,以区分出人体组织的区域。此步骤中的第三种子点亦无需人为选择,而是预先将图像边界区域设置为种子点。
可选的,通过形态学方法区分出CT床区域与所述人体组织区域的过程中,所采用的形态学方法还包括形态学开操作,有时CT床区域200与人体组织区域100会连接到一起,为了解决这种情况,采用形态学开操作,设置形态学参数,例如将形态学参数设置为25,这样可以将CT床区域200与人体组织区域100分离开。常见的图像形态学运算包括腐蚀,膨胀,开运算,闭操作等,此处采用的形态学开操作,即先对图像作腐蚀处理然后再对腐蚀后图像进行膨胀处理;所述形态学参数指像素个数,例如对第四图像作腐蚀处理时,将第四图像腐蚀掉25个像素,以将CT床区域和人体组织区域的连接处完全断开;然后对腐蚀处理后的第四图像进行膨胀处理,例如作25个像素膨胀,以将人体组织区域恢复至腐蚀前状态。具体操作时,例如将图像从外向内分为多层,每层即代表1个像素点,将形态学参数设置为25可表示将图像从外到内腐蚀掉25个像素,然后再对腐蚀后图像作25个像素的膨胀。当然,通过形态学方法区分出CT床区域与所述人体组织区域的过程中,所采用的形态学方法还可与连通域操作和形态学开操作共同使用。
进一步,在通过形态学方法区分出CT床区域与所述人体组织区域后,对所述第一图像进行预处理的过程还包括:采用形态学最大连通域操作,以得到所述人体组织区域的图像,所述人体组织区域的图像即被定义为所述第一图像,如图2所示。这里的形态学最大连通域操作与步骤S3中类似,故不再展开描述。
可选的,在步骤S2中,所述通过形态学方法区分出所述第二组织器官的步骤包括:以所述第一种子点为初始点,通过形态学水漫金山法(FloodFill),区分出所述第二组织器官的区域。由第二图像之边界的第一种子点起始,通过形态学水漫金山法得到肺部区域显示为黑色,其他区域显示为白色的图像,对所得图像进行取反操作(例如进行黑白图像颠倒操作,将肺部区域显示为白色,而其他区域显示为黑色),以将肺部区域分割出来;所述的水漫金山法可理解为,通过判断第一种子点与相邻像素是否相同,如果相同则认为是同一个区域,否则是不同区域,然后继续判断第一种子点所在区域与邻近区域是否具有相同属性(例如相同像素值),如果不同,则将该种子点所在区域设置成邻近区域属性,以区分肺部区域与其他区域。
进一步的,所述第二组织器官(肺)包括间隔设置的两个部分(左肺和右肺),且所述第一组织器官(血管)和所述第三组织器官(心脏)均位于所述第二组织器官的两个部分之间,在区分出所述第二组织器官的区域后,所述通过形态学方法区分出所述第二组织器官的步骤还包括:基于一预设的形态学参数,采用形态学闭操作,以获取所述第二组织器官以及其两个部分之间的连接区域的第五图像。一般心脏血管是在人体左右肺之间,为了保留下血管,采用形态学闭操作,并且设置形态学参数,例如设置为25,这样就可以将两肺之间的区域连接在一起;具体地,形态学闭操作中,先对经形态学水漫金山法获得的肺部区域的图像进行膨胀例如25个像素,然后再对膨胀后的图像腐蚀例如25个像素,以得到将两肺之间的区域连接在一起的第五图像。
更进一步的,在获取所述第五图像后,所述通过形态学方法区分出所述第二组织器官的步骤还包括:使用二值(非黑即白图像,黑白图)掩膜所述第五图像,以分离出所述第二组织器官;进而使用第三阈值去除使用二值掩膜后的第五图像中所述第二组织器官的图像,以得到所述第三图像。这里由于要去除和分离的对象主要还是肺,因此第三阈值可选取为-500。基于上述配置,即可得到第三图像(心脏血管的图像),如图3所示。
通过上述方法,即能够自动选取种子点,而自动地对图像进行分割。实际中,可将上述方法编为软件,即可自动地对图像进行分割。基于此,本实施例还提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被执行时能实现如上所述的图像分割方法。此外,也可将上述软件整合入一硬件装置,由此,本实施例还提供一种图像处理装置,其包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器运行时,执行如上所述的图像分割方法。
综上,本发明提供的图像分割方法、可读存储介质及图像处理装置中,在第一图像的边界区域设置第一种子点,以所述第一种子点为初始点,通过形态学方法区分出所述第二组织器官,得到第二图像;进而对所述第二图像进行最大连通域分析,以最大连通域分析后的图像的中心点坐标作为第二种子点,并以所述第二种子点作为区域生长的初始点,通过迭代合并以得到所述第一组织器官的输出图像。由于在整个图像分割过程中,第一种子点和第二种子点可根据图像的特点位置进行选取,即实现了自动选取种子点,不需要人为输入种子点信息,能够大量节约时间成本,降低医生工作量,减少人机交互操作流程,提高了诊断效率和准确性。
上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (9)
1.一种图像分割方法,用于从心肺区域的图像中分割出一预定的第一组织器官,所述第一组织器官分别与第二组织器官和第三组织器官连接,其特征在于,所述第一组织器官为血管,所述第二组织器官为肺,所述第三组织器官为心脏,所述图像分割方法包括:
对一经过预处理的第一图像按照第一阈值进行分割,以得到包括所述第二组织器官的第二图像;
在所述第二图像的边界区域设置第一种子点,以所述第一种子点为初始点,通过形态学方法区分出所述第二组织器官,以得到包含所述第一组织器官和所述第三组织器官的第三图像;
对所述第三图像进行最大连通域分析,以将对所述第三图像进行最大连通域分析后的图像的中心点坐标作为第二种子点;
以所述第二种子点作为区域生长的初始点,通过迭代合并以得到所述第一组织器官的输出图像;
对所述第一图像进行预处理的过程包括,采用三维高斯滤波器滤除原始图像中的噪声信息;
所述原始图像包括CTA体数据图像,所述CTA体数据图像包括人体组织区域的图像和CT床区域的图像,其中所述人体组织区域包括所述第一组织器官、第二组织器官以及所述第三组织器官;对所述第一图像进行预处理的过程还包括:
对经所述三维高斯滤波器滤除噪声信息后的图像按照第二阈值进行分割,以得到包括所述人体组织区域的第四图像;
在所述第四图像的边界区域设置第三种子点,以所述第三种子点为初始点,通过形态学方法区分出CT床区域与所述人体组织区域。
2.根据权利要求1所述的图像分割方法,其特征在于,所述通过形态学方法区分出CT床区域与所述人体组织区域的方法包括形态学连通域操作和/或形态学开操作。
3.根据权利要求2所述的图像分割方法,其特征在于,所述形态学开操作包括:
对所述第四图像进行腐蚀处理;
对进行腐蚀处理后的第四图像进行膨胀处理。
4.根据权利要求1所述的图像分割方法,其特征在于,在通过形态学方法区分出CT床区域与所述人体组织区域后,对所述第一图像进行预处理的过程还包括:采用形态学最大连通域操作,以得到所述人体组织区域的图像,所述人体组织区域的图像即被定义为所述第一图像。
5.根据权利要求1所述的图像分割方法,其特征在于,所述通过形态学方法区分出所述第二组织器官的步骤包括:
以所述第一种子点为初始点,通过形态学水漫金山法,区分出所述第二组织器官的区域。
6.根据权利要求5所述的图像分割方法,其特征在于,所述第二组织器官包括间隔设置的两个部分,且所述第一组织器官和所述第三组织器官均位于所述第二组织器官的两个部分之间,在区分出所述第二组织器官的区域后,所述通过形态学方法区分出所述第二组织器官的步骤还包括:
基于一预设的形态学参数,采用形态学闭操作,以获取所述第二组织器官以及其两个部分之间的连接区域的第五图像。
7.根据权利要求6所述的图像分割方法,其特征在于,在获取所述第五图像后,所述通过形态学方法区分出所述第二组织器官的步骤还包括:
使用二值掩膜所述第五图像,以分离出所述第二组织器官;
使用第三阈值去除使用二值掩膜后的第五图像中所述第二组织器官的图像,以得到所述第三图像。
8.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时能实现如权利要求1~7中任一项所述的图像分割方法。
9.一种图像处理装置,其特征在于,包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器运行时,执行权利要求1至7中任一项所述的图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910913757.2A CN110648338B (zh) | 2019-09-25 | 2019-09-25 | 图像分割方法、可读存储介质及图像处理装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910913757.2A CN110648338B (zh) | 2019-09-25 | 2019-09-25 | 图像分割方法、可读存储介质及图像处理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110648338A CN110648338A (zh) | 2020-01-03 |
CN110648338B true CN110648338B (zh) | 2023-02-17 |
Family
ID=69011372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910913757.2A Active CN110648338B (zh) | 2019-09-25 | 2019-09-25 | 图像分割方法、可读存储介质及图像处理装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110648338B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724264B (zh) * | 2020-05-26 | 2023-08-11 | 上海微创卜算子医疗科技有限公司 | 图像分割方法、***和可读存储介质 |
CN112767332B (zh) * | 2021-01-08 | 2024-05-17 | 心医国际数字医疗***(大连)有限公司 | 一种基于cta影像的血管区域判断方法及*** |
CN112884792B (zh) * | 2021-02-02 | 2022-10-25 | 青岛海信医疗设备股份有限公司 | 肺部图像分割的方法、装置、电子设备及存储介质 |
CN113592819A (zh) * | 2021-07-30 | 2021-11-02 | 上海皓桦科技股份有限公司 | 图像处理***及方法 |
CN113744849B (zh) * | 2021-08-31 | 2024-03-19 | 华中科技大学 | 一种ct图像半自动标注方法和*** |
CN114299081B (zh) * | 2021-12-16 | 2023-02-17 | 北京朗视仪器股份有限公司 | 一种上颌窦cbct图像分割方法、装置、存储介质及电子设备 |
CN115035020A (zh) * | 2021-12-20 | 2022-09-09 | 深圳科亚医疗科技有限公司 | 对医学图像进行对象分析的方法、装置和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143035A (zh) * | 2013-05-10 | 2014-11-12 | 上海联影医疗科技有限公司 | 一种分割乳腺病灶的方法 |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测*** |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992445B (zh) * | 2015-07-20 | 2017-10-20 | 河北大学 | 一种ct图像肺实质的自动分割方法 |
-
2019
- 2019-09-25 CN CN201910913757.2A patent/CN110648338B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143035A (zh) * | 2013-05-10 | 2014-11-12 | 上海联影医疗科技有限公司 | 一种分割乳腺病灶的方法 |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测*** |
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 |
Non-Patent Citations (3)
Title |
---|
基于三维区域生长法的 CT 图像肺部血管分割;冯宗雪;《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》;20180115;第13-24页 * |
基于区域生长的肝脏CT图像肿瘤分割方法研究;郭颖;《中国优秀硕士学位论文全文数据库》;20170715;第24-34页 * |
基于漫水填充算法的肺实质分割方法;冯宗雪等;《电脑知识与技术》;20160630;第205-207页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110648338A (zh) | 2020-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110648338B (zh) | 图像分割方法、可读存储介质及图像处理装置 | |
Rusko et al. | Fully automatic liver segmentation for contrast-enhanced CT images | |
CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
Bauer et al. | Segmentation of interwoven 3d tubular tree structures utilizing shape priors and graph cuts | |
US8761475B2 (en) | System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans | |
Yi et al. | A locally adaptive region growing algorithm for vascular segmentation | |
US20060013482A1 (en) | System and methods of organ segmentation and applications of same | |
JP6570145B2 (ja) | 画像を処理する方法、プログラム、代替的な投影を構築する方法および装置 | |
EP3497669B1 (en) | Method for automatically detecting systemic arteries in arbitrary field-of-view computed tomography angiography (cta). | |
WO2022105623A1 (zh) | 一种基于迁移学习的颅内血管病灶识别方法 | |
US11830193B2 (en) | Recognition method of intracranial vascular lesions based on transfer learning | |
CN111815663A (zh) | 一种基于Hessian矩阵和灰度法的肝血管分割*** | |
Vukadinovic et al. | Segmentation of the outer vessel wall of the common carotid artery in CTA | |
CN114170151A (zh) | 一种基于迁移学习的颅内血管病灶识别方法 | |
CN112562058B (zh) | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 | |
Boskamp et al. | Geometrical and structural analysis of vessel systems in 3D medical image datasets | |
CN113724264B (zh) | 图像分割方法、***和可读存储介质 | |
CN115775219A (zh) | 医学图像分割方法、***、电子设备及介质 | |
CN114170337A (zh) | 一种基于迁移学习的颅内血管增强三维模型的建立方法 | |
CN117078711A (zh) | 医学图像分割方法、***、电子设备和存储介质 | |
CN112634386A (zh) | 一种血管造影增强三维狭窄化分析模型的建立方法 | |
Orkisz et al. | Advances of blood vessel morphology analysis in 3D magnetic resonance images | |
CN112508874A (zh) | 基于智慧医疗的脑血管病变标记与三维显示*** | |
CN112669256A (zh) | 一种基于迁移学习的医学图像分割与显示方法 | |
CN112509080A (zh) | 一种基于迁移学习的颅内血管模拟三维模型的建立方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210812 Address after: 201203 room 1702, building 1, No. 1601, Zhangdong Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai (actual floor 15) Applicant after: Shanghai Weiwei Medical Technology Co.,Ltd. Address before: 201203 No. 1601 Zhangdong Road, Zhangjiang High-tech Park, Pudong New Area, Shanghai Applicant before: SHANGHAI MICROPORT MEDICAL (Group) Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |