CN111311744A - 标识肺部结节的候选框过滤、融合和自动更新方法、***及存储介质 - Google Patents

标识肺部结节的候选框过滤、融合和自动更新方法、***及存储介质 Download PDF

Info

Publication number
CN111311744A
CN111311744A CN202010252924.6A CN202010252924A CN111311744A CN 111311744 A CN111311744 A CN 111311744A CN 202010252924 A CN202010252924 A CN 202010252924A CN 111311744 A CN111311744 A CN 111311744A
Authority
CN
China
Prior art keywords
nodule
candidate
frame
filtering
candidate frame
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
Application number
CN202010252924.6A
Other languages
English (en)
Other versions
CN111311744B (zh
Inventor
严朝煜
李伟忠
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.)
Li Weizhong
Original Assignee
Foshan Universal Medical Technology Co Ltd
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 Foshan Universal Medical Technology Co Ltd filed Critical Foshan Universal Medical Technology Co Ltd
Priority to CN202010252924.6A priority Critical patent/CN111311744B/zh
Publication of CN111311744A publication Critical patent/CN111311744A/zh
Application granted granted Critical
Publication of CN111311744B publication Critical patent/CN111311744B/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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及一种标识肺部结节的候选框过滤、融合和自动更新方法，包括以下步骤：S1.生成肺部胸膜和支气管树的双阈值三维重建mask；S2.对候选框的三维连通域进行分类；S3.对中心出界的候选框进行过滤；S4.对候选框进行融合；S5.对相邻但不相交的候选框进行自动更新；S6.对磨玻璃影假阳性的候选框进行去除；S7.对更新后出界的候选框进行去除；S8.对假阳性的支气管树的候选框进行排除。

Description

标识肺部结节的候选框过滤、融合和自动更新方法、***及存 储介质
技术领域
本发明涉及医学图像技术领域，更具体地，涉及一种标识肺部结节的候选框过滤、融合和自动更新方法、***及存储介质。
背景技术
目前肺部结节的识别和分割主流使用卷积神经网络。但是其预测后并无对结节候选框进行假阳性的过滤，而且预测后的结节存在命中但不精准、相邻但不命中的情况。而对于重复的候选框也只是简单的求平均输出，对于候选框总体精确度依赖性较高，容易被个别偏差严重候选框带偏。
发明内容
本发明根据双阈值三维重建mask的生成，并且根据大于9毫米的结节不会出现在支气管树靠近气管根部这一规律，有效的排除了支气管树带来的假阳性干扰；根据去噪处理和均值阈值判断，去除了磨玻璃影假阳性的干扰；根据自动区域生长算法，使得结节候选框能自动更新到结节真实位置，并自动更新大小；对于相交和邻近的结节候选框，根据候选框内的所含结节部分的体积比进行加权平均融合，使得预测出来的目标框更加准确。
为实现以上发明目的，采用的技术方案是：
标识肺部结节的候选框过滤、融合和自动更新方法，包括以下步骤：
S1.生成肺部胸膜和支气管树的双阈值三维重建mask；
S2.对候选框的三维连通域进行分类；
S3.对中心出界的候选框进行过滤；
S4.对候选框进行融合；
S5.对相邻但不相交的候选框进行自动更新；
S6.对磨玻璃影假阳性的候选框进行去除；
S7.对更新后出界的候选框进行去除；
S8.对假阳性的支气管树的候选框进行排除。
优选地，所述步骤S1的具体执行过程如下：
一、生成肺部胸膜的双阈值三维重建mask
S11.在区间[-450,-350]中取一个值作为阈值对每一张切片中的每一个像素进行标注，小于该阈值的为1，其余为0；
S12.把二值图中连接图像边框的像素块标签置为0；
S13.用全连通域标记方法标记二值图；
S14.保留像素总数最大的两个连通域，即左右肺区域；
S15.运用形态学方法对图像进行腐蚀和闭运算，将连接胸膜的肺结节保留在mask内部；
S16.去除肺区域内孤立的黑色块；
7)把等于1的像素值换成是255输出；
二、生成支气管树的双阈值三维重建mask
S17.把所有CT图片按顺序堆起来，形成像素立方体；
S18.在区间[-290,-350]中取一个值作为阈值对像素立方体中的每一个像素进行标注，小于该阈值的为1，其余为0；
S19.用全连通域标记方法标记二值立方体；
S110.把围在病人周围的空气和床作为背景，标注为0；
S111.保留立方体内像素总数最大的连通域，即带有气管连接的肺部区域；
S112.把等于1的像素值换成是255逐层输出。
优选地，所述步骤S2对候选框的三维连通域进行分类的具体过程如下：
S21.用列表读取结节候选框位置、大小信息；
S22.依次取列表尾部结节信息并作为新的列表头部，判断其是否与列表剩余任意结节相邻或重合。
优选地，所述步骤S3对中心出界的候选框进行过滤的具体过程如下：
S31.设置出界标签，默认为False；
S32.根据结节列表依次在肺部胸膜的双阈值三维重建mask中读取结节z轴所在Zi层以及Zi-1、Zi+1层的mask，判断结节中心是否在mask内部，如果不在则判定为出界，并将出界标签更新为True；
S33.将出界标签为True的结节舍弃并重新排列结节信息列表。
优选地，所述步骤S4对候选框进行融合的具体过程如下：
S41.在每一个重合或相邻结节列表中，依次循环步骤S2；
S42.记结节空间为N，每一个结节内所含像素总和为V，融合后的结节坐标为Xnew、Ynew、Znew，直径为Dnew，则结节信息更新公式如下：
Xnew＝∑NWi·Xi,i∈N
Ynew＝∑NWi·Yi,i∈N
Znew＝∑NWi·Zi,i∈N
Dnew＝∑NWi·Di,i∈N
Figure BDA0002436135510000031
其中，i是结节空间N中的任意一个结节，Xi表示结节i在X轴上的坐标，Yi表示结节i在Y轴上的坐标，Zi表示结节i在Z轴上的坐标，Wi表示结节i对应的权值；融合后的结节的每一维坐标等于结节空间中的每一个结节在该维与其对应的权值的乘积的总和；其中，结节空间中的每一个结节对应的权值的总和等于1；在结节空间中的任意两个结节对应的权值之比等于其结节内所含像素总和V之比。
优选地，所述步骤S5对相邻但不相交的候选框进行自动更新的具体过程如下：
S51.将CT图片堆叠起来形成像素立方体，检查候选框内是否含有27个超过50像素值的全连通像素，若有则跳转至步骤S53，若没有则跳转至步骤S52；
S52.把候选框递归放大并依次计算框内全连通域，直到框内超过50像素值的全连通像素个数等于27才停止放大；
S53.以连通域内的中心位置作为种子，使用区域生长算法以像素值和纹理特征作为生长准则进行区域生长；若生长区域出界或生长后体积大于8000个像素则停止生长；
S54.生长后区域中心为新的结节候选框的中心，在Z轴中心所在层用OpenCV库的最小面积相切矩形算法得到与结节区域相切的矩形，矩形的长边即为结节的直径。
优选地，所述步骤S6对磨玻璃影假阳性的候选框进行去除的具体过程如下：
S61.依次遍历每一个结节，对于每一个结节，把结节Z轴坐标Zi所在层以及Zi-1、Zi+1层堆起来形成一个像素立方体，把候选框所在区域的立方体用非局部均值去噪法去除肺间质中个别钙化程度高的像素；
S62.计算去噪后区域的平均值，若平均值小于50，则判定该候选框为密度较高的肺间质而并非磨玻璃影，并舍弃该候选框。
优选地，所述步骤S8对假阳性的支气管树的候选框进行排除的具体过程如下：
S81.对于每一个结节候选框进行判断，设定若Z轴为70到160区间，X轴为总长度的中心向两边各延申1/4，Y轴为总宽度的中心向两边各延申1/8，且结节直径大于9毫米的，如果和支气管树的双阈值三维重建mask重合，则判定为假阳性，舍弃；
S82.设定若Z轴为161到232区间，X轴为总长度的中心向两边各延申1/4，Y轴为总宽度的1/1.7处向两边各延申0.15的总宽度，且结节直径大于9毫米的，如果和支气管树的双阈值三维重建mask重合，则判定为假阳性，舍弃；
S83.重新排序结节候选框列表并输出。
同时，本发明还提供了一种应用以上方法的***，其具体的方案如下：包括生成模块、分类模块、过滤模块、融合模块、更新模块、假阳性候选框去除模块、出界候选框去除模块和排除模块；
其中，生成模块用于生成肺部胸膜和支气管树的双阈值三维重建mask；
分类模块用于对候选框的三维连通域进行分类；
过滤模块用于对中心出界的候选框进行过滤；
融合模块用于对候选框进行融合；
更新模块用于对相邻但不相交的候选框进行自动更新；
假阳性候选框去除模块用于对磨玻璃影假阳性的候选框进行去除；
出界候选框去除模块用于对对更新后出界的候选框进行去除；
排除模块用于对假阳性的支气管树的候选框进行排除。
另外，本发明还提供了一种存储介质，该存储介质内部存储有程序，该程序运行时执行以上的方法步骤。
与现有技术相比，本发明的有益效果是：
现有的技术基于卷积神经网络进行图像分割，对于候选框的位置和大小的精确度只能依赖于深度模型和训练量，而本发明不依赖训练网络，属于后处理，能够完美对接各种模型，从本质上进一步提高输出的精确度。
特别地，在肺部结节领域，由于结节种类和大小的多变性和与肺间质和肺实质之间的相似性，传统的卷积神经网络模型不可避免的会产生很多假阳性结节，而本发明通过三维重建双阈值过滤和均值过滤可以过滤掉绝大多数假阳性结节，为医务人员节约大量时间。
此外，传统模型对于相邻但不命中，命中但不精确的肺部结节候选框要么舍弃，从而造成了浪费；要么原样输出，从而降低了输出的精确度；而本发明采用自动生长算法做到相邻但不命中的候选框自动更新到实际位置和大小。
附图说明
图1为本发明提供的方法的流程示意图。
图2为相邻但不相交的候选框的自动更新的示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
本发明提供的标识肺部结节的候选框过滤、融合和自动更新方法包括有八步，如图1所示，分别如下：
第一步，生成双阈值三维重建mask，实现肺部胸膜和支气管树的勾画，具体步骤如下。
专注于胸膜的肺部mask的生成如下：
步骤1：在区间[-450,-350]中取一个值作为阈值对每一张切片中的每一个像素进行标注，小于该阈值的为1，其余为0。
步骤2：把二值图中连接图像边框的像素块标签置为0。
步骤3：用全连通域标记方法标记二值图。
步骤4：保留像素总数最大的两个连通域，即左右肺区域。
步骤5：运用形态学方法对图像进行腐蚀和闭运算，将连接胸膜的肺结节保留在mask内部。
步骤6：去除肺区域内孤立的黑色块。
步骤7：把等于1的像素值换成是255输出。
专注于支气管树的肺部mask的生成如下：
步骤1：把所有CT图片按顺序堆起来，形成像素立方体。
步骤2：在区间[-290,-350]中取一个值作为阈值对像素立方体中的每一个像素进行标注，小于该阈值的为1，其余为0。
步骤3：用全连通域标记方法标记二值立方体。
步骤4：把围在病人周围的空气和床作为背景，标注为0。
步骤5：保留立方体内像素总数最大的连通域，即带有气管连接的肺部区域。
步骤6：把等于1的像素值换成是255逐层输出。这样每一张图片中的mask内部黑块就是肺野中的支气管-血管束在所在平面上的交集。
第二步为候选框三维连通域的分类，具体步骤如下：
步骤1：用列表读取结节候选框位置、大小信息。
步骤2：依次取列表尾部结节信息(对应地，尾部结节的三维坐标、半径分别记为：Xend,Yend,Zend,Dend)并作为新的列表头部，判断其是否与列表剩余任意结节相邻或重合(对应地，剩余任意结节三维坐标、半径分别记为：Xi,Yi,Zi,Di)。其中，相邻或重合的依据为结节中心之间的距离小于等于1.3倍的半径和，数学表达式为
Figure BDA0002436135510000061
若重合或相邻，则把该结节信息移动到列表尾部新的列表尾部。
第三步为中心出界的候选框的过滤，运用专注于胸膜的肺部mask过滤出界明显的假阳性候选框，具体步骤如下：
步骤1：设置出界标签，默认为False。
步骤2：根据结节列表依次在专注于胸膜的肺部mask中读取结节z轴所在Zi层以及Zi-1、Zi+1层的mask，判断结节中心是否在mask内部，如果不在则判定为出界，并将出界标签更新为True。
步骤3：将出界标签为True的结节舍弃并重新排列结节信息列表。
第四步为候选框的融合，根据候选框内像素值总数比例加权平均，具体步骤如下：
步骤1：在每一个重合或相邻结节列表中，依次循环步骤二。
步骤2：记结节空间为N，每一个结节内所含像素总和为V，融合后的结节坐标为Xnew,Ynew,Znew,直径为Dnew,则结节信息更新公式如下。
Xnew＝∑NWi·Xi,i∈N
Ynew＝∑NWi·Yi,i∈N
Znew＝∑NWi·Zi,i∈N
Dnew＝∑NWi·Di,i∈N
Figure BDA0002436135510000071
公式解释说明如下：i是结节空间N中的任意一个结节。Xi表示结节i在X轴上的坐标，Yi表示结节i在Y轴上的坐标，Zi表示结节i在Z轴上的坐标，Wi表示结节i对应的权值。融合后的结节的每一维坐标等于结节空间中的每一个结节在该维与其对应的权值的乘积的总和。其中，结节空间中的每一个结节对应的权值的总和等于1。在结节空间中的任意两个结节对应的权值之比等于其结节内所含像素总和V之比。
第五步为相邻但不相交的候选框的自动更新，具体步骤如下，示意图见图2。
步骤1：把CT图片堆叠起来形成像素立方体，检查候选框内是否含有27(3*3*3)个超过50像素值的全连通像素，若有则跳转至步骤3，若没有则继续。
步骤2：把候选框递归放大并依次计算框内全连通域，直到框内超过50像素值的全连通像素个数等于27才停止放大。
步骤3：以连通域内的中心位置作为种子，使用区域生长算法，以像素值和纹理特征作为生长准则进行区域生长。若生长区域出界或生长后体积大于8000(20*20*20)个像素则停止生长。
步骤4：生长后区域中心为新的结节候选框的中心，在Z轴中心所在层用OpenCV库的最小面积相切矩形算法得到与结节区域相切的矩形，矩形的长边即为结节的直径。
第六步为磨玻璃影假阳性的去除，具体步骤如下：
步骤1：依次遍历每一个结节。对于每一个结节，把结节Z轴坐标Zi所在层以及Zi-1、Zi+1层堆起来形成一个像素立方体，把候选框所在区域的立方体用非局部均值去噪法(NonLocal MeansDenoising)去除肺间质中个别钙化程度高的像素。
步骤2：计算去噪后区域的平均值，若平均值小于50，则判定该候选框为密度较高的肺间质而并非磨玻璃影，并舍弃该候选框。
第七步为更新后出界候选框的去除，具体步骤与第三步相同。再一次用专注于胸膜的肺部mask来过滤候选框，以此来防止因为初始候选框与实际结节位置和大小偏差过大而造成的融合后候选框出界情况的发生。
第八步为支气管树假阳性的排除。由于在心脏大血管、支气管附近的肺野里不会出现大于9毫米的结节，所以把结节候选框再进行一次过滤，具体步骤如下：
步骤1：对于每一个结节候选框进行判断，设定若Z轴为70到160区间，X轴为总长度的中心向两边各延申1/4，Y轴为总宽度的中心向两边各延申1/8，且结节直径大于9毫米的，如果和专注于支气管树的肺部mask重合，则判定为假阳性，舍弃。
步骤2：设定若Z轴为161到232区间，X轴为总长度的中心向两边各延申1/4，Y轴为总宽度的1/1.7处向两边各延申0.15的总宽度，且结节直径大于9毫米的，如果和专注于支气管树的肺部mask重合，则判定为假阳性，舍弃。
步骤3：重新排序结节候选框列表并输出。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.标识肺部结节的候选框过滤、融合和自动更新方法，其特征在于：包括以下步骤：
S1.生成肺部胸膜和支气管树的双阈值三维重建mask；
S2.对候选框的三维连通域进行分类；
S3.对中心出界的候选框进行过滤；
S4.对候选框进行融合；
S5.对相邻但不相交的候选框进行自动更新；
S6.对磨玻璃影假阳性的候选框进行去除；
S7.对更新后出界的候选框进行去除；
S8.对假阳性的支气管树的候选框进行排除。
2.根据权利要求1所述的标识肺部结节的候选框过滤、融合和自动更新方法，其特征在于：所述步骤S1的具体执行过程如下：
一、生成肺部胸膜的双阈值三维重建mask
S11.在区间[-450,-350]中取一个值作为阈值对每一张切片中的每一个像素进行标注，小于该阈值的为1，其余为0；
S12.把二值图中连接图像边框的像素块标签置为0；
S13.用全连通域标记方法标记二值图；
S14.保留像素总数最大的两个连通域，即左右肺区域；
S15.运用形态学方法对图像进行腐蚀和闭运算，将连接胸膜的肺结节保留在mask内部；
S16.去除肺区域内孤立的黑色块；
7)把等于1的像素值换成是255输出；
二、生成支气管树的双阈值三维重建mask
S17.把所有CT图片按顺序堆起来，形成像素立方体；
S18.在区间[-290,-350]中取一个值作为阈值对像素立方体中的每一个像素进行标注，小于该阈值的为1，其余为0；
S19.用全连通域标记方法标记二值立方体；
S110.把围在病人周围的空气和床作为背景，标注为0；
S111.保留立方体内像素总数最大的连通域，即带有气管连接的肺部区域；
S112.把等于1的像素值换成是255逐层输出。
3.根据权利要求2所述的标识肺部结节的候选框过滤、融合和自动更新方法，其特征在于：所述步骤S2对候选框的三维连通域进行分类的具体过程如下：
S21.用列表读取结节候选框位置、大小信息；
S22.依次取列表尾部结节信息并作为新的列表头部，判断其是否与列表剩余任意结节相邻或重合。
4.根据权利要求3所述的标识肺部结节的候选框过滤、融合和自动更新方法，其特征在于：所述步骤S3对中心出界的候选框进行过滤的具体过程如下：
S31.设置出界标签，默认为False；
S32.根据结节列表依次在肺部胸膜的双阈值三维重建mask中读取结节z轴所在Zi层以及Zi-1、Zi+1层的mask，判断结节中心是否在mask内部，如果不在则判定为出界，并将出界标签更新为True；
S33.将出界标签为True的结节舍弃并重新排列结节信息列表。
5.根据权利要求4所述的标识肺部结节的候选框过滤、融合和自动更新方法，其特征在于：所述步骤S4对候选框进行融合的具体过程如下：
S41.在每一个重合或相邻结节列表中，依次循环步骤S2；
S42.记结节空间为N，每一个结节内所含像素总和为V，融合后的结节坐标为Xnew、Ynew、Znew，直径为Dnew，则结节信息更新公式如下：
Xnew＝∑NWi·Xi，i∈N
Ynew＝∑NWi·Yi，i∈N
Znew＝∑NWi·Zi，i∈N
Dnew＝∑NWi·Di，i∈N
Figure FDA0002436135500000021
其中，i是结节空间N中的任意一个结节，Xi表示结节i在X轴上的坐标，Yi表示结节i在Y轴上的坐标，Zi表示结节i在Z轴上的坐标，Wi表示结节i对应的权值；融合后的结节的每一维坐标等于结节空间中的每一个结节在该维与其对应的权值的乘积的总和；其中，结节空间中的每一个结节对应的权值的总和等于1；在结节空间中的任意两个结节对应的权值之比等于其结节内所含像素总和V之比。
6.根据权利要求5所述的标识肺部结节的候选框过滤、融合和自动更新方法，其特征在于：所述步骤S5对相邻但不相交的候选框进行自动更新的具体过程如下：
S51.将CT图片堆叠起来形成像素立方体，检查候选框内是否含有27个超过50像素值的全连通像素，若有则跳转至步骤S53，若没有则跳转至步骤S52；
S52.把候选框递归放大并依次计算框内全连通域，直到框内超过50像素值的全连通像素个数等于27才停止放大；
S53.以连通域内的中心位置作为种子，使用区域生长算法以像素值和纹理特征作为生长准则进行区域生长；若生长区域出界或生长后体积大于8000个像素则停止生长；
S54.生长后区域中心为新的结节候选框的中心，在Z轴中心所在层用OpenCV库的最小面积相切矩形算法得到与结节区域相切的矩形，矩形的长边即为结节的直径。
7.根据权利要求6所述的标识肺部结节的候选框过滤、融合和自动更新方法，其特征在于：所述步骤S6对磨玻璃影假阳性的候选框进行去除的具体过程如下：
S61.依次遍历每一个结节，对于每一个结节，把结节Z轴坐标Zi所在层以及Zi-1、Zi+1层堆起来形成一个像素立方体，把候选框所在区域的立方体用非局部均值去噪法去除肺间质中个别钙化程度高的像素；
S62.计算去噪后区域的平均值，若平均值小于50，则判定该候选框为密度较高的肺间质而并非磨玻璃影，并舍弃该候选框。
8.根据权利要求7所述的标识肺部结节的候选框过滤、融合和自动更新方法，其特征在于：所述步骤S8对假阳性的支气管树的候选框进行排除的具体过程如下：
S81.对于每一个结节候选框进行判断，设定若Z轴为70到160区间，X轴为总长度的中心向两边各延申1/4，Y轴为总宽度的中心向两边各延申1/8，且结节直径大于9毫米的，如果和支气管树的双阈值三维重建mask重合，则判定为假阳性，舍弃；
S82.设定若Z轴为161到232区间，X轴为总长度的中心向两边各延申1/4，Y轴为总宽度的1/1.7处向两边各延申0.15的总宽度，且结节直径大于9毫米的，如果和支气管树的双阈值三维重建mask重合，则判定为假阳性，舍弃；
S83.重新排序结节候选框列表并输出。
9.一种应用权利要求1～8任一项所述候选框过滤、融合和自动更新方法的***，其特征在于：包括生成模块、分类模块、过滤模块、融合模块、更新模块、假阳性候选框去除模块、出界候选框去除模块和排除模块；
其中，生成模块用于生成肺部胸膜和支气管树的双阈值三维重建mask；
分类模块用于对候选框的三维连通域进行分类；
过滤模块用于对中心出界的候选框进行过滤；
融合模块用于对候选框进行融合；
更新模块用于对相邻但不相交的候选框进行自动更新；
假阳性候选框去除模块用于对磨玻璃影假阳性的候选框进行去除；
出界候选框去除模块用于对对更新后出界的候选框进行去除；
排除模块用于对假阳性的支气管树的候选框进行排除。
10.一种存储介质，其内部存储有程序，其特征在于：所述程序运行时执行权利要求1～8的方法步骤。
CN202010252924.6A 2020-04-02 2020-04-02 标识肺部结节的候选框过滤、融合和自动更新方法、***及存储介质 Active CN111311744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010252924.6A CN111311744B (zh) 2020-04-02 2020-04-02 标识肺部结节的候选框过滤、融合和自动更新方法、***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010252924.6A CN111311744B (zh) 2020-04-02 2020-04-02 标识肺部结节的候选框过滤、融合和自动更新方法、***及存储介质

Publications (2)

Publication Number Publication Date
CN111311744A true CN111311744A (zh) 2020-06-19
CN111311744B CN111311744B (zh) 2023-04-07

Family

ID=71157643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010252924.6A Active CN111311744B (zh) 2020-04-02 2020-04-02 标识肺部结节的候选框过滤、融合和自动更新方法、***及存储介质

Country Status (1)

Country Link
CN (1) CN111311744B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581436A (zh) * 2020-12-11 2021-03-30 佛山市普世医学科技有限责任公司 基于深度学习的肺结节识别与分割方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040252870A1 (en) * 2000-04-11 2004-12-16 Reeves Anthony P. System and method for three-dimensional image rendering and analysis
CN104751437A (zh) * 2013-12-30 2015-07-01 蓝网科技有限公司 基于胸部ct图像的肺部自动提取方法
CN105118056A (zh) * 2015-08-13 2015-12-02 重庆大学 基于三维形态学的冠脉血管自动提取方法
CN108986073A (zh) * 2018-06-04 2018-12-11 东南大学 一种基于改进的Faster R-CNN框架的CT图像肺结节检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040252870A1 (en) * 2000-04-11 2004-12-16 Reeves Anthony P. System and method for three-dimensional image rendering and analysis
CN104751437A (zh) * 2013-12-30 2015-07-01 蓝网科技有限公司 基于胸部ct图像的肺部自动提取方法
CN105118056A (zh) * 2015-08-13 2015-12-02 重庆大学 基于三维形态学的冠脉血管自动提取方法
CN108986073A (zh) * 2018-06-04 2018-12-11 东南大学 一种基于改进的Faster R-CNN框架的CT图像肺结节检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581436A (zh) * 2020-12-11 2021-03-30 佛山市普世医学科技有限责任公司 基于深度学习的肺结节识别与分割方法及***

Also Published As

Publication number Publication date
CN111311744B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Li et al. Contour knowledge transfer for salient object detection
CN110309687B (zh) 一种二维码图像的校正方法及校正装置
CN107886086B (zh) 一种基于图像视频的目标动物检测方法及装置
US11640714B2 (en) Video panoptic segmentation
Li et al. An overlapping-free leaf segmentation method for plant point clouds
CN110309808B (zh) 一种大范围尺度空间下的自适应烟雾根节点检测方法
CN113362306B (zh) 一种基于深度学习的封装芯片缺陷检测方法
WO2020125057A1 (zh) 牲畜个数的识别方法及装置
CN109460735B (zh) 基于图半监督学习的文档二值化处理方法、***、装置
CN110992381A (zh) 一种基于改进Vibe+算法的运动目标背景分割方法
JP2004164624A (ja) 低被写界深度画像セグメンテーションの方法及び機器
CN111460927B (zh) 对房产证图像进行结构化信息提取的方法
US20090147992A1 (en) Three-level scheme for efficient ball tracking
CN106340016A (zh) 一种基于细胞显微镜图像的dna定量分析方法
CN109685045A (zh) 一种运动目标视频跟踪方法及***
CN111340881B (zh) 一种动态场景下基于语义分割的直接法视觉定位方法
CN107194929B (zh) 一种对肺部ct图像感兴趣区域的追踪方法
Gleason et al. A Fusion Approach for Tree Crown Delineation from Lidar Data.
CN111311744B (zh) 标识肺部结节的候选框过滤、融合和自动更新方法、***及存储介质
CN114565675A (zh) 一种在视觉slam前端去除动态特征点的方法
Zohar et al. Accurate detection of out of body segments in surgical video using semi-supervised learning
CN109472294A (zh) 一种城市水体的识别方法、装置、储存介质及设备
CN117809379B (zh) 一种基于监控摄像机的智能人形识别报警***及方法
CN113298768B (zh) 棉花检测分割计数方法及***
CN108108700B (zh) 一种基于弦轴变换的猪的特征区域识别方法

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: 20221221

Address after: Room 804, No. 4, Ruikang Road, Xingang Middle Road, Haizhu District, Guangzhou, Guangdong 510000 (office only)

Applicant after: GUANGZHOU PUSHI MEDICAL TECHNOLOGY Co.,Ltd.

Address before: 528000 Room 4, Room 501, Building 2, Block 3, No. 28, Jihua 1st Road, Chancheng District, Foshan City, Guangdong Province (application for residence)

Applicant before: Foshan Universal Medical Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240425

Address after: D-904, Sun Yat sen University Teacher Apartment, No. 71 Yile Road, Haizhu District, Guangzhou City, Guangdong Province, 510000

Patentee after: Li Weizhong

Country or region after: China

Address before: Room 804, No. 4, Ruikang Road, Xingang Middle Road, Haizhu District, Guangzhou, Guangdong 510000 (office only)

Patentee before: GUANGZHOU PUSHI MEDICAL TECHNOLOGY Co.,Ltd.

Country or region before: China