CN113034508B - 超声图像病灶的分割方法、装置和计算机设备 - Google Patents
超声图像病灶的分割方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN113034508B CN113034508B CN201911358146.2A CN201911358146A CN113034508B CN 113034508 B CN113034508 B CN 113034508B CN 201911358146 A CN201911358146 A CN 201911358146A CN 113034508 B CN113034508 B CN 113034508B
- Authority
- CN
- China
- Prior art keywords
- level set
- region
- target
- zero level
- interest
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000011478 gradient descent method Methods 0.000 claims abstract description 22
- 238000012805 post-processing Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 113
- 230000003902 lesion Effects 0.000 claims description 40
- 238000002604 ultrasonography Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000013519 translation Methods 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 13
- 208000026310 Breast neoplasm Diseases 0.000 description 12
- 206010006187 Breast cancer Diseases 0.000 description 9
- 210000000481 breast Anatomy 0.000 description 4
- 208000031513 cyst Diseases 0.000 description 4
- 206010006272 Breast mass Diseases 0.000 description 2
- 208000026292 Cystic Kidney disease Diseases 0.000 description 2
- 208000009453 Thyroid Nodule Diseases 0.000 description 2
- 208000024770 Thyroid neoplasm Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 210000000952 spleen Anatomy 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000013076 thyroid tumor Diseases 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G06T2207/10132—Ultrasound 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
- G06T2207/30068—Mammography; Breast
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种超声图像病灶的分割方法、装置和计算机设备。其中方法通过对超声图像中的病灶进行识别，以定位对应的感兴趣区域，进而根据感兴趣区域，并基于LBF演化算法构造初始零水平集函数及能量泛函，通过梯度下降法求解能量泛函的最小值，以得到演化终止时刻的目标水平集函数，基于目标水平集函数得到对应的目标零水平集二值图像，对目标零水平集二值图像进行后处理，以得到精确的病灶区域的目标轮廓，从而便于后续诊断工作的进行，不仅能够有效地减少医生的工作量，且能提高诊断效率。
Description
技术领域
本申请涉及医学图像处理技术领域，特别是涉及一种超声图像病灶的分割方法、装置和计算机设备。
背景技术
乳腺癌是女性疾病中常见的恶性肿瘤，已成为严重威胁女性健康的病症之一。早发现、早诊断、早治疗是目前医学上对防治乳腺癌采取的基本原则。超声成像凭借其无创伤、无辐射、费用低廉等优势，已成为乳腺肿瘤临床诊断的主要手段之一。
然而，由于受成像设备的影响，超声图像常常具有较大的噪声、低对比度、灰度不均匀、不同程度的衰减以及浸润效应等，使得乳腺肿瘤在表面上与周围正常组织较为相似，即超声图像对人体器官形态的表达能力较弱，或者说器官在图像中的呈现形式较为模糊与抽象；此外，不同个体间乳腺肿瘤差异也较大。因此，乳腺超声图像中对于病灶区域的判断和阅读需要临床医生具有较高的专业水平和较丰富的经验，一般医生较难在超声图像中用肉眼准确、快速地将乳腺肿瘤区域与其周围的正常组织区分开来并作出病灶描述结果。
发明内容
基于此，有必要针对上述一般医生较难在超声图像中快速准确的定位病灶区域的问题，提供一种超声图像病灶的分割方法、装置和计算机设备。
为了实现上述目的，一方面，本申请实施例提供了一种超声图像病灶的分割方法，所述方法包括：
识别超声图像中的病灶，以得到对应的感兴趣区域；
根据感兴趣区域，构造初始零水平集函数，其中，初始零水平集函数表示病灶区域的初始轮廓；
基于初始零水平集函数利用局部二值拟合演化算法定义能量泛函；
通过梯度下降法求解能量泛函的最小值，以得到演化终止时刻的目标水平集函数；
基于目标水平集函数得到对应的目标零水平集二值图像，对目标零水平集二值图像进行后处理，以得到病灶区域的目标轮廓。
在其中一个实施例中，根据感兴趣区域，构造初始零水平集函数，包括：将感兴趣区域的各顶点坐标确定为参考点，根据设定的平移量对参考点进行平移，以得到相对于各参考点的新的顶点坐标；根据新的顶点坐标得到病灶区域的初始轮廓；基于感兴趣区域以及病灶区域的初始轮廓得到初始零水平集函数。
在其中一个实施例中，通过梯度下降法求解能量泛函的最小值，以得到演化终止时刻的目标水平集函数，包括：通过梯度下降法使得能量泛函最小化，得到水平集活动轮廓演化方程；基于水平集活动轮廓演化方程采用设定的步长和迭代次数迭代计算，以得到演化终止时刻的目标水平集函数。
在其中一个实施例中，步长和迭代次数的设定方法包括：根据感兴趣区域的直方图分布，估计病灶的回声类型；基于回声类型确定对应的步长和迭代次数。
在其中一个实施例中，回声类型包括无回声和低回声，则基于回声类型确定对应的步长和迭代次数，包括：若回声类型为无回声时，则对应的迭代次数为80～260，时间步长为0.1～1；若回声类型为低回声时，则对应的迭代次数为280～320，时间步长为0.1～1。
在其中一个实施例中，对目标零水平集二值图像进行后处理，以得到病灶区域的目标轮廓，包括：对目标零水平集二值图像进行反色处理，以得到待筛选的多个前景区域；对待筛选的多个前景区域进行孔洞填充，以得到填充后的新的目标零水平集二值图像；根据邻域连通准则在新的目标零水平集二值图像中提取各连通分量，并计算各连通分量所在区域的面积；将各连通分量所在区域的面积中面积最大的连通分量所在区域确定为病灶区域，则病灶区域的边界像素为对应的目标轮廓。
在其中一个实施例中，确定病灶区域之后，还包括：基于形态学运算对病灶区域进行处理，确定处理后的病灶区域的边界像素为对应的目标轮廓。
另一方面，本申请实施例还提供了一种超声图像病灶的分割装置，所述装置包括：
感兴趣区域识别模块，用于识别超声图像中的病灶，以得到对应的感兴趣区域；
初始零水平集函数构造模块，用于根据感兴趣区域，构造初始零水平集函数，其中，初始零水平集函数表示病灶区域的初始轮廓；
能量泛函定义模块，用于基于初始零水平集函数利用局部二值拟合演化算法定义能量泛函；
演化模块，用于通过梯度下降法求解能量泛函的最小值，以得到演化终止时刻的目标水平集函数；
病灶分割结果确定模块，用于基于目标水平集函数得到对应的目标零水平集二值图像，对目标零水平集二值图像进行后处理，以得到病灶区域的目标轮廓。
又一方面，本申请实施例还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
再一方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。
上述超声图像病灶的分割方法、装置、计算机设备和存储介质，通过对超声图像中的病灶进行识别，以定位对应的感兴趣区域，进而根据感兴趣区域，并基于局部二值拟合演化算法构造初始零水平集函数及能量泛函，通过梯度下降法求解能量泛函的最小值，以得到演化终止时刻的目标水平集函数，基于目标水平集函数得到对应的目标零水平集二值图像，对目标零水平集二值图像进行后处理，以得到病灶区域的目标轮廓，从而便于后续诊断工作的进行，不仅能够有效地减少医生的工作量，且能提高诊断效率。
附图说明
图1为一个实施例中超声图像病灶的分割方法的应用环境图；
图2为一个实施例中超声图像病灶的分割方法的流程示意图；
图3为原乳腺超声图像示意图；
图4为对图3进行目标检测得到的感兴趣区域的示意图；
图5为一个实施例中构造初始零水平集函数步骤的流程示意图；
图6为初始零水平集函数对应的二值化图像的示意图；
图7为像素点x及其邻域像素y的示意图；
图8为一个实施例中求解目标水平集函数步骤的流程示意图；
图9为目标水平集函数对应的目标零水平集二值图像的示意图；
图10A为低回声灰度直方图的示意图；
图10B为无回声灰度直方图的示意图；
图11为一个实施例中对目标零水平集二值图像进行后处理步骤的流程示意图；
图12为对图9进行处理后得到的新的目标零水平集二值图像的示意图；
图13为对图12进行分析后确定的病灶区域的示意图；
图14为对图13进行形态学运算后得到的示意图；
图15为在原图上显示病灶区域的轮廓示意图；
图16为一个实施例中超声图像病灶的分割装置的结构框图；
图17为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的超声图像病灶的分割方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信，在本实施例中，终端102可以是具有超声图像采集功能的设备，也可以是对采集的超声图像进行存储的设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。具体的，终端102用于采集或存储超声图像，并将采集或存储的超声图像通过网络发送至服务器104，服务器104则对超声图像中的病灶进行识别，以定位对应的感兴趣区域，进而根据感兴趣区域，并基于局部二值拟合(Local Binary Fitting，简称LBF)演化算法构造初始零水平集函数及能量泛函，通过梯度下降法求解能量泛函的最小值，以得到演化终止时刻的目标水平集函数，基于目标水平集函数得到对应的目标零水平集二值图像，对目标零水平集二值图像进行后处理，以得到病灶区域的目标轮廓，从而便于后续诊断工作的进行，不仅能够有效地减少医生的工作量，且能提高诊断效率。
在一个实施例中，如图2所示，提供了一种超声图像病灶的分割方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤202，识别超声图像中的病灶，以得到对应的感兴趣区域。
其中，超声图像为临床上乳腺结节、乳腺肿瘤、甲状腺结节、甲状腺肿瘤、肝脏囊肿、肾脏囊肿、脾囊肿等病灶的超声图像，病灶则是指乳腺结节、乳腺肿瘤、甲状腺结节、甲状腺肿瘤、肝脏囊肿、肾脏囊肿、脾囊肿等病变部分。感兴趣区域(region of interest，简称ROI)是从超声图像中选择的一个需要处理的图像区域，这个区域是进行图像分析所关注的重点。具体的，可以通过目标检测对超声图像中的病灶进行自动识别、定位，从而在超声图像中得到对应的感兴趣区域。以下以病灶为乳腺肿瘤为例进行说明，则对应的超声图像可以为乳腺超声图像(如图3所示)，从而在乳腺超声图像中得到对应的感兴趣区域(如图4所示)。
步骤204，根据感兴趣区域，构造初始零水平集函数。
由于一幅数字图像可以理解为一个二元函数，在本实施例中，基于感兴趣区域的各顶点坐标，得到病灶区域的初始轮廓，进而由感兴趣区域以及病灶区域的初始轮廓确定对应的初始零水平集函数，在本实施例中，初始零水平集函数用于表示病灶区域的初始轮廓，其也是演化算法的初始对象。其中，水平集方法的主要思想是将曲线作为零水平集嵌入到更高一维的曲面上，通过曲面的演化方程得到函数的演化方程。
步骤206，基于初始零水平集函数利用局部二值拟合演化算法定义能量泛函。
其中，泛函是一种特殊的函数，即函数的函数。泛函的自变量既有普通的变量，如x、y，也有函数。而本实施例中的能量泛函(energy functional)的自变量是上述步骤构造的初始零水平集函数，其也可以称为基于局部二值拟合的能量方程。
步骤208，通过梯度下降法求解能量泛函的最小值，以得到演化终止时刻的目标水平集函数。
在本实施例中，基于感兴趣区域，利用局部二值拟合(以下简称LBF)演化算法求解能量泛函的最小值，使得初始零水平集朝目标边界演化，从而得到演化终止时刻的目标水平集函数。其中，零水平集就是将一个封闭的二维曲线表达于三维的空间里。
步骤210，基于目标水平集函数得到对应的目标零水平集二值图像，对目标零水平集二值图像进行后处理，以得到病灶区域的目标轮廓。
其中，目标水平集函数表示病灶区域的目标轮廓。后处理则包括对图像的形态学运算以及筛选等处理。由于一幅数字图像可以理解为一个二元函数，则相应的，一个二元函数也可以表示为一幅数字图像。在本实施例中，基于目标水平集函数可以得到对应的目标零水平集二值图像，进而对该目标零水平集二值图像进行形态学运算以及筛选等处理，从而筛选出精确的病灶区域的目标轮廓。
上述超声图像病灶的分割方法，通过对超声图像中的病灶进行识别，以定位对应的感兴趣区域，进而根据感兴趣区域，并基于LBF演化算法构造初始零水平集函数及能量泛函，通过梯度下降法求解能量泛函的最小值，以得到演化终止时刻的目标水平集函数，基于目标水平集函数得到对应的目标零水平集二值图像，对目标零水平集二值图像进行后处理，以得到精确的病灶区域的目标轮廓，从而便于后续诊断工作的进行，不仅能够有效地减少医生的工作量，且能提高诊断效率。
在一个实施例中，如图5所示，根据感兴趣区域，构造初始零水平集函数，具体可以包括如下步骤：
步骤502，将感兴趣区域的各顶点坐标确定为参考点，根据设定的平移量对参考点进行平移，以得到相对于各参考点的新的顶点坐标。
其中，设定的平移量可以是任意的常数，该常数应小于感兴趣区域的最小边长。在本实施例中，以感兴趣区域的各顶点坐标为参考点，按设定的平移量将各参考点的X、Y坐标分别向感兴趣区域的内部平移，从而得到相对于各参考点的新的顶点坐标，如图4中矩形区域40的各顶点。
步骤504，根据新的顶点坐标得到病灶区域的初始轮廓。
具体的，根据新的顶点坐标将各坐标点依次连接，从而得到对应的闭合曲线(如图4中的矩形区域40)，则该闭合曲线圈定的区域即为乳腺肿瘤病灶的初始区域，该闭合曲线则为病灶区域的初始轮廓。
步骤506，基于感兴趣区域以及病灶区域的初始轮廓得到初始零水平集函数。
具体的，根据感兴趣区域(ROI)以及病灶区域的初始轮廓创建一幅与ROI尺寸相同的初始图像(如图6所示)，其中，图6所示的黑色区域表示的是初始轮廓的内部，即为乳腺肿瘤病灶的初始区域，设定其像素值均为-2；白色区域表示的是初始轮廓的外部，设定其像素值均为2。
由于上述初始图像中水平集初始区域的像素灰度值为-2，而其他区域的像素灰度值为2，因此，该初始图像为二值化图像，该二值化图像即为初始零水平集图像，也是演化算法的初始对象。又由于数字图像可以通过二元函数表示，因此，对于图6所示的二值化图像可通过如下函数(即初始零水平集函数)表示：
式中r为图像中任意一个像素点的行坐标，c为列坐标，R0表示病灶的初始区域。
进一步的，基于上述初始零水平集函数定义能量泛函，具体的，假设x是原图像中的任意一个像素点，y则是与像素点x相邻的任意一个像素点(称为x的邻域像素)，如图7所示，其中，x和y均为二维向量，可表示为x(c,r),y(c,r)。
则定义能量泛函为：
F(φ,f1,f2)＝ELBF(φ,f1,f2)+μP(φ)+υL(φ) (2)
其中，等式右侧的第一项是能量泛函的主体项，第二项中的P是惩罚项，第三项中的L是水平集函数的零水平曲线的长度，μ，υ则是正常数。
在一个实施例中，如图8所示，通过梯度下降法求解能量泛函的最小值，以得到演化终止时刻的目标水平集函数，包括如下步骤：
步骤802，通过梯度下降法使得能量泛函最小化，得到水平集活动轮廓演化方程。
具体的，上式(2)中：
其中，式(3)中的H是Heaviside函数，本文中用正则化的Heaviside函数Hε，近似Heaviside函数，Kσ(x)是标准差为σ的高斯核函数(该函数基于对感兴趣区域进行高斯处理后获得)。I(y)表示如图6所示的二值化图像中任意像素点x的邻域像素y的像素灰度值，λ1、λ2是正的常数，为对应积分项的权重，在本实施例中，λ1＝1(即恒为1)，λ2则可以根据感兴趣区域的回声类型确定。式(4)中▽φ是对零水平集函数φ(c，r)求梯度。式(5)中的Dirac函数δ是Heaviside函数的一阶导数。正则化的Dirac函数表示为δε。则有：
将方程式(2)右侧的第一项和第三项正则化，则可以近似表达为：
Fε(φ,f1,f2)＝Eε LBF(φ,f1,f2)+μP(φ)+υLε(φ) (9)
式(9)中f1(x)和f2(x)恒大于零，其中：
通过梯度下降法计算能量泛函的最小值，具体的，保持f1和f2固定不变，使用标准的梯度下降法将关于φ的能量泛函Fε(φ,f1,f2)最小化，从而得到水平集活动轮廓演化方程：
式(12)中，
e1(x)＝∫ΩKσ(y-x)|I(x)-f1(y)|2dy (13)
e2(x)＝∫ΩKσ(y-x)|I(x)-f2(y)|2dy (14)
步骤804，基于水平集活动轮廓演化方程采用设定的步长和迭代次数迭代计算，以得到演化终止时刻的目标水平集函数。
具体的，将式(12)中的偏微分方程近似转化为离散的有限差分形式：
式中的就是式(12)中的等式的右侧表达式，采用设定的步长Δt和迭代次数k对式(15)进行迭代计算，以得到演化终止时刻的目标水平集函数，即得到当能量泛函Fε(φ,f1,f2)取得最小值时对应的水平集函数φ的零水平集轮廓即为最终结果，如图9所示。
在一个实施例中，上述步长和迭代次数的设定包括：根据感兴趣区域即图4的直方图分布，估计病灶的回声类型，进而根据回声类型确定对应的步长和迭代次数。通常，回声类型包括低回声和无回声，如图10A和图10B所示，分别表示低回声和无回声的灰度直方图。其横轴表示0到255共256个区间(即灰度可能的取值)，纵轴为每个灰度值出现的频数。很显然，无回声的直方图中出现频数最多的灰度值的频数与其它灰度值出现的平均频数相差很大。因此可用直方图的这种分布特征来区分病灶的回声类型。具体可以采用如下公式来定量表示：
ratio＝maxFrequency/mean_num，其中，maxFrequency是直方图中出现频数最多的灰度值的频数，mean_num是其它灰度值出现的平均频数。比值ratio越大，则越可能是无回声病灶。具体的，当比值大于7时，则可以确定为无回声病灶，当比值小于7时，则可以确定为低回声病灶。
在本实施例中，若通过上述方法确定回声类型为无回声时，则对应的迭代次数为80～260，时间步长为0.1～1.0，且对应式(3)中的λ2取值为2.0～3.3，对应式(1)中的V取值为0.003*255*255～0.008*255*255；若回声类型为低回声时，则对应的迭代次数为280～320，时间步长为0.1～1.0，且对应式(3)中的λ2取值为1.5～2.2，对应式(1)中的V取值为10～8。基于回声类型代入对应的参数进行计算，从而得到演化终止时刻的目标水平集函数，该函数对应如图9所示的目标零水平集二值图像。
在一个实施例中，如图11所示，对目标零水平集二值图像进行后处理，以得到病灶区域的目标轮廓，具体可以包括如下步骤：
步骤1102，对目标零水平集二值图像进行反色处理，以得到待筛选的多个前景区域。
具体的，对如图9所示的目标零水平集二值图像进行反色处理，以得到反色处理后的多个待筛选的前景区域，其中，反色处理后的前景区域的像素灰度值为255(即白色)，背景像素灰度值为0(即黑色)。
步骤1104，对待筛选的多个前景区域进行孔洞填充，以得到填充后的新的目标零水平集二值图像。
基于上述反色处理后的多个待筛选的前景区域，对多个待筛选的前景区域进行孔洞填充，从而得到填充后的新的目标零水平集二值图像，如图12所示。
步骤1106，根据邻域连通准则在新的目标零水平集二值图像中提取各连通分量，并计算各连通分量所在区域的面积。
具体的，根据邻域连通准则采用8邻域在新的目标零水平集二值图像中提取各邻域的连通分量，此时图12中有4个连通分量，很显然，图12中的各白色区域与其它白色区域没有连通，即4个彼此独立的白色区域。进而计算各连通分量所在区域的面积(即该连通分量区域所占的像素数)。
步骤1108，将各连通分量所在区域的面积中面积最大的连通分量所在区域确定为病灶区域。
在本实施例中，根据上述计算的各连通分量所在区域的面积，将各连通分量所在区域的面积中面积最大的连通分量所在区域确定为病灶区域，如图13所示，则病灶区域的边界像素为对应的目标轮廓，即图13中前景与背景的边界像素为病灶区域的目标轮廓。
在一个实施例中，为了使得病灶区域的目标轮廓更为精确、平滑，则在确定病灶区域之后，即得到图13后，还可以基于形态学运算对病灶区域进行处理，即对图13进行处理，从而得到处理后的图14，则处理后的图14中前景与背景的边界像素为病灶区域的目标轮廓，以达到病灶区域的目标轮廓更为精确、平滑的目的。进一步的，基于该目标轮廓可以在原感兴趣区域(即图4)上显示乳腺肿瘤病灶区域的轮廓(如图15所示)。
应该理解的是，虽然图1-15的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-15中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图16所示，提供了一种超声图像病灶的分割装置，包括：感兴趣区域识别模块1601、初始零水平集函数构造模块1602、能量泛函定义模块1603、演化模块1604和病灶分割结果确定模块1605，其中：
感兴趣区域识别模块1601，用于识别超声图像中的病灶，以得到对应的感兴趣区域；
初始零水平集函数构造模块1602，用于根据感兴趣区域，构造初始零水平集函数，其中，初始零水平集函数表示病灶区域的初始轮廓；
能量泛函定义模块1603，用于基于初始零水平集函数利用局部二值拟合演化算法定义能量泛函；
演化模块1604，用于通过梯度下降法求解能量泛函的最小值，以得到演化终止时刻的目标水平集函数；
病灶分割结果确定模块1605，用于基于目标平集函数得到对应的目标零水平集二值图像，对目标零水平集二值图像进行后处理，以得到病灶区域的目标轮廓。
在一个实施例中，初始零水平集函数构造模块1602具体用于：将感兴趣区域的各顶点坐标确定为参考点，根据设定的平移量对参考点进行平移，以得到相对于各参考点的新的顶点坐标；根据新的顶点坐标得到病灶区域的初始轮廓；基于感兴趣区域以及病灶区域的初始轮廓得到初始零水平集函数。
在一个实施例中，演化模块1604具体用于：通过梯度下降法使得能量泛函最小化，得到水平集活动轮廓演化方程；基于水平集活动轮廓演化方程采用设定的步长和迭代次数迭代计算，以得到演化终止时刻的目标水平集函数。
在一个实施例中，回声类型包括无回声和低回声，则若回声类型为无回声时，则对应的迭代次数为80～260，时间步长为0.1～1；若回声类型为低回声时，则对应的迭代次数为280～320，时间步长为0.1～1。
在一个实施例中，病灶分割结果确定模块1605具体用于：对目标零水平集二值图像进行反色处理，以得到待筛选的多个前景区域；对待筛选的多个前景区域进行孔洞填充，以得到填充后的新的目标零水平集二值图像；根据邻域连通准则在新的目标零水平集二值图像中提取各连通分量，并计算各连通分量所在区域的面积；将各连通分量所在区域的面积中面积最大的连通分量所在区域确定为病灶区域，则病灶区域的边界像素为对应的目标轮廓。
在一个实施例中，确定病灶区域之后，病灶分割结果确定模块1605还用于：基于形态学运算对病灶区域进行处理，确定处理后的病灶区域的边界像素为对应的目标轮廓。
关于超声图像病灶的分割装置的具体限定可以参见上文中对于超声图像病灶的分割方法的限定，在此不再赘述。上述超声图像病灶的分割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图17所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储超声图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种超声图像病灶的分割方法。
本领域技术人员可以理解，图17中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
识别超声图像中病灶，以得到对应的感兴趣区域；
根据感兴趣区域，构造初始零水平集函数，其中，初始零水平集函数表示病灶区域的初始轮廓；
基于初始零水平集函数利用局部二值拟合演化算法定义能量泛函；
通过梯度下降法求解能量泛函的最小值，以得到演化终止时刻的目标水平集函数；
基于目标水平集函数得到对应的目标零水平集二值图像，对目标零水平集二值图像进行后处理，以得到病灶区域的目标轮廓。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将感兴趣区域的各顶点坐标确定为参考点，根据设定的平移量对参考点进行平移，以得到相对于各参考点的新的顶点坐标；根据新的顶点坐标得到病灶区域的初始轮廓；基于感兴趣区域以及病灶区域的初始轮廓得到初始零水平集函数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过梯度下降法使得能量泛函最小化，得到水平集活动轮廓演化方程；基于水平集活动轮廓演化方程采用设定的步长和迭代次数迭代计算，以得到演化终止时刻的目标水平集函数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据感兴趣区域的直方图分布，估计病灶的回声类型；基于回声类型确定对应的步长和迭代次数。
在一个实施例中，回声类型包括无回声和低回声，则处理器执行计算机程序时还实现以下步骤：若回声类型为无回声时，则对应的迭代次数为80～260，时间步长为0.1～1；若回声类型为低回声时，则对应的迭代次数为280～320，时间步长为0.1～1。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对目标零水平集二值图像进行反色处理，以得到待筛选的多个前景区域；对待筛选的多个前景区域进行孔洞填充，以得到填充后的新的目标零水平集二值图像；根据邻域连通准则在新的目标零水平集二值图像中提取各连通分量，并计算各连通分量所在区域的面积；将各连通分量所在区域的面积中面积最大的连通分量所在区域确定为病灶区域，则病灶区域的边界像素为对应的目标轮廓。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：确定病灶区域之后，基于形态学运算对病灶区域进行处理，确定处理后的病灶区域的边界像素为对应的目标轮廓。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
识别超声图像中的病灶，以得到对应的感兴趣区域；
根据感兴趣区域，构造初始零水平集函数，其中，初始零水平集函数表示病灶区域的初始轮廓；
基于初始零水平集函数利用局部二值拟合演化算法定义能量泛函；
通过梯度下降法求解能量泛函的最小值，以得到演化终止时刻的目标水平集函数；
基于目标水平集函数得到对应的目标零水平集二值图像，对目标零水平集二值图像进行后处理，以得到病灶区域的目标轮廓。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将感兴趣区域的各顶点坐标确定为参考点，根据设定的平移量对参考点进行平移，以得到相对于各参考点的新的顶点坐标；根据新的顶点坐标得到病灶区域的初始轮廓；基于感兴趣区域以及病灶区域的初始轮廓得到初始零水平集函数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过梯度下降法使得能量泛函最小化，得到水平集活动轮廓演化方程；基于水平集活动轮廓演化方程采用设定的步长和迭代次数迭代计算，以得到演化终止时刻的目标水平集函数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据感兴趣区域的直方图分布，估计病灶的回声类型；基于回声类型确定对应的步长和迭代次数。
在一个实施例中，回声类型包括无回声和低回声，则计算机程序被处理器执行时还实现以下步骤：若回声类型为无回声时，则对应的迭代次数为80～260，时间步长为0.1～1；若回声类型为低回声时，则对应的迭代次数为280～320，时间步长为0.1～1。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对目标零水平集二值图像进行反色处理，以得到待筛选的多个前景区域；对待筛选的多个前景区域进行孔洞填充，以得到填充后的新的目标零水平集二值图像；根据邻域连通准则在新的目标零水平集二值图像中提取各连通分量，并计算各连通分量所在区域的面积；将各连通分量所在区域的面积中面积最大的连通分量所在区域确定为病灶区域，则病灶区域的边界像素为对应的目标轮廓。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：确定病灶区域之后，基于形态学运算对病灶区域进行处理，确定处理后的病灶区域的边界像素为对应的目标轮廓。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种超声图像病灶的分割方法，其特征在于，所述方法包括：
识别超声图像中的病灶，以得到对应的感兴趣区域；
根据所述感兴趣区域，构造初始零水平集函数，所述初始零水平集函数表示病灶区域的初始轮廓；
基于所述初始零水平集函数利用局部二值拟合演化算法定义能量泛函；
通过梯度下降法求解所述能量泛函的最小值，以得到演化终止时刻的目标水平集函数；
基于所述目标水平集函数得到对应的目标零水平集二值图像，对所述目标零水平集二值图像进行后处理，以得到病灶区域的目标轮廓；
所述根据所述感兴趣区域，构造初始零水平集函数，包括：
将所述感兴趣区域的各顶点坐标确定为参考点，根据设定的平移量将所述参考点向所述感兴趣区域的内部进行平移，以得到相对于各参考点的新的顶点坐标；对所述新的顶点坐标依次连接，得到所述病灶区域的初始轮廓；根据所述感兴趣区域以及所述病灶区域的初始轮廓创建一幅与所述感兴趣区域尺寸相同的二值化图像，根据所述二值化图像得到所述初始零水平集函数。
2.根据权利要求1所述的方法，其特征在于，所述设定的平移量小于感兴趣区域的最小边长。
3.根据权利要求1所述的方法，其特征在于，所述通过梯度下降法求解所述能量泛函的最小值，以得到演化终止时刻的目标水平集函数，包括：
通过梯度下降法使得所述能量泛函最小化，得到水平集活动轮廓演化方程；
基于所述水平集活动轮廓演化方程采用设定的步长和迭代次数迭代计算，以得到演化终止时刻的目标水平集函数。
4.根据权利要求3所述的方法，其特征在于，所述步长和迭代次数的设定方法包括：
根据所述感兴趣区域的直方图分布，估计所述病灶的回声类型；
基于所述回声类型确定对应的步长和迭代次数。
5.根据权利要求4所述的方法，其特征在于，所述回声类型包括无回声和低回声，所述基于所述回声类型确定对应的步长和迭代次数，包括：
若所述回声类型为无回声时，则对应的迭代次数为80～260，时间步长为0.1～1；
若所述回声类型为低回声时，则对应的迭代次数为280～320，时间步长为0.1～1。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述对所述目标零水平集二值图像进行后处理，以得到病灶区域的目标轮廓，包括：
对所述目标零水平集二值图像进行反色处理，以得到待筛选的多个前景区域；
对所述待筛选的多个前景区域进行孔洞填充，以得到填充后的新的目标零水平集二值图像；
根据邻域连通准则在所述新的目标零水平集二值图像中提取各连通分量，并计算所述各连通分量所在区域的面积；
将所述各连通分量所在区域的面积中面积最大的连通分量所在区域确定为所述病灶区域，则所述病灶区域的边界像素为对应的目标轮廓。
7.根据权利要求6所述的方法，其特征在于，所述确定所述病灶区域之后，还包括：
基于形态学运算对所述病灶区域进行处理，确定处理后的所述病灶区域的边界像素为对应的目标轮廓。
8.一种超声图像病灶的分割装置，其特征在于，所述装置包括：
感兴趣区域识别模块，用于识别超声图像中的病灶，以得到对应的感兴趣区域；
初始零水平集函数构造模块，用于根据所述感兴趣区域，构造初始零水平集函数，所述初始零水平集函数表示病灶区域的初始轮廓；
能量泛函定义模块，用于基于所述初始零水平集函数利用局部二值拟合演化算法定义能量泛函；
演化模块，用于通过梯度下降法求解所述能量泛函的最小值，以得到演化终止时刻的目标水平集函数；
病灶分割结果确定模块，用于基于所述目标水平集函数得到对应的目标零水平集二值图像，对所述目标零水平集二值图像进行后处理，以得到病灶区域的目标轮廓；
所述初始零水平集函数构造模块用于：将所述感兴趣区域的各顶点坐标确定为参考点，根据设定的平移量将所述参考点向所述感兴趣区域的内部进行平移，以得到相对于各参考点的新的顶点坐标；对所述新的顶点坐标依次连接，得到所述病灶区域的初始轮廓；根据所述感兴趣区域以及所述病灶区域的初始轮廓创建一幅与所述感兴趣区域尺寸相同的二值化图像，根据所述二值化图像得到所述初始零水平集函数。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911358146.2A CN113034508B (zh) | 2019-12-25 | 2019-12-25 | 超声图像病灶的分割方法、装置和计算机设备 |
| PCT/CN2020/133028 WO2021129324A1 (zh) | 2019-12-25 | 2020-12-01 | 超声图像病灶的分割方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911358146.2A CN113034508B (zh) | 2019-12-25 | 2019-12-25 | 超声图像病灶的分割方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113034508A CN113034508A (zh) | 2021-06-25 |
| CN113034508B true CN113034508B (zh) | 2024-02-13 |
Family
ID=76458524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911358146.2A Active CN113034508B (zh) | 2019-12-25 | 2019-12-25 | 超声图像病灶的分割方法、装置和计算机设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113034508B (zh) |
| WO (1) | WO2021129324A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657553B (zh) * | 2021-09-01 | 2023-12-26 | 什维新智医疗科技(上海)有限公司 | 一种结节回声类型判断装置 |
| CN114612483A (zh) * | 2022-03-04 | 2022-06-10 | 北京理工大学 | 硬管内窥镜视野区域分割方法及装置 |
| CN117274216B (zh) * | 2023-10-09 | 2024-04-16 | 聆数医疗科技(苏州)有限公司 | 基于水平集分割的超声下颈动脉斑块检测方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732213A (zh) * | 2015-03-23 | 2015-06-24 | 中山大学 | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 |
| CN107481252A (zh) * | 2017-08-24 | 2017-12-15 | 上海术理智能科技有限公司 | 医学图像的分割方法、装置、介质和电子设备 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0818561D0 (en) * | 2008-10-09 | 2008-11-19 | Isis Innovation | Visual tracking of objects in images, and segmentation of images |
| CN102903103B (zh) * | 2012-09-11 | 2014-12-17 | 西安电子科技大学 | 基于迁移活动轮廓模型的胃部ct序列图像分割方法 |
| US9978150B2 (en) * | 2015-08-05 | 2018-05-22 | Algotec Systems Ltd. | Method and system for spatial segmentation of anatomical structures |
| TWI594206B (zh) * | 2016-01-08 | 2017-08-01 | Nat Yang-Ming Univ | Cardiac medical imaging single chamber mapping system and method |
| CN106803250B (zh) * | 2016-12-28 | 2019-08-09 | 辽宁师范大学 | 结合全局和局部区域信息的医学超声图像分割方法 |
-
2019
- 2019-12-25 CN CN201911358146.2A patent/CN113034508B/zh active Active
-
2020
- 2020-12-01 WO PCT/CN2020/133028 patent/WO2021129324A1/zh active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732213A (zh) * | 2015-03-23 | 2015-06-24 | 中山大学 | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 |
| CN107481252A (zh) * | 2017-08-24 | 2017-12-15 | 上海术理智能科技有限公司 | 医学图像的分割方法、装置、介质和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113034508A (zh) | 2021-06-25 |
| WO2021129324A1 (zh) | 2021-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113112443B (zh) | 超声图像病灶的分割方法、装置和计算机设备 | |
| CN113034426B (zh) | 超声图像病灶描述方法、装置、计算机设备和存储介质 | |
| CN113034508B (zh) | 超声图像病灶的分割方法、装置和计算机设备 | |
| CN108010021B (zh) | 一种医学图像处理***和方法 | |
| US10453200B2 (en) | Automated segmentation using deep learned priors | |
| CN110008971B (zh) | 图像处理方法、装置、计算机可读存储介质及计算机设备 | |
| WO2022089221A1 (zh) | 医学图像分割方法、装置、设备、***及计算机存储介质 | |
| US20170148158A1 (en) | Automated analysis of vasculature in coronary angiograms | |
| KR20230059799A (ko) | 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델 | |
| Sreeja et al. | An improved feature based image fusion technique for enhancement of liver lesions | |
| Rehman et al. | RAAGR2-Net: A brain tumor segmentation network using parallel processing of multiple spatial frames | |
| EP3077989B1 (en) | Model-based segmentation of an anatomical structure. | |
| JP2016007270A (ja) | 医用画像処理装置 | |
| KR102332032B1 (ko) | 복부장기 자동분할을 이용한 복부장기 볼륨 변화 분석에 기반한 복부장기 상태 판단 방법 | |
| Anter et al. | Automatic liver parenchyma segmentation system from abdominal CT scans using hybrid techniques | |
| Sethi et al. | Segmentation of cancerous regions in liver using an edge-based and phase congruent region enhancement method | |
| CN111815610B (zh) | 一种病变图像的病灶检测方法及装置 | |
| CN111127373B (zh) | 一种基于局部截面分析的血管图像提取方法及装置 | |
| CN114972209A (zh) | 宫颈病理图像处理方法和装置 | |
| Jain et al. | IFCM based segmentation method for liver ultrasound images | |
| US8805122B1 (en) | System, method, and computer-readable medium for interpolating spatially transformed volumetric medical image data | |
| CN111489318B (zh) | 医学图像增强方法和计算机可读存储介质 | |
| Ravi et al. | A parallel fuzzy c means algorithm for brain tumor segmentation on multiple mri images | |
| JP2019164071A (ja) | コンピュータプログラム、及び画像処理装置 | |
| CN110310314B (zh) | 图像配准方法、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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 215000 5th floor, building a, 4th floor, building C, 27 Xinfa Road, Suzhou Industrial Park, Suzhou City, Jiangsu Province Applicant after: Feiyinuo Technology Co.,Ltd. Address before: 215000 5th floor, building a, 4th floor, building C, 27 Xinfa Road, Suzhou Industrial Park, Suzhou City, Jiangsu Province Applicant before: VINNO TECHNOLOGY (SUZHOU) Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |