CN113538414A - 肺部图像配准方法和肺部图像配准装置 - Google Patents
肺部图像配准方法和肺部图像配准装置 Download PDFInfo
- Publication number
- CN113538414A CN113538414A CN202110932280.XA CN202110932280A CN113538414A CN 113538414 A CN113538414 A CN 113538414A CN 202110932280 A CN202110932280 A CN 202110932280A CN 113538414 A CN113538414 A CN 113538414A
- Authority
- CN
- China
- Prior art keywords
- phase
- lung
- expiratory
- inspiratory
- segmentation data
- 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
Links
- 210000004072 lung Anatomy 0.000 title claims abstract description 782
- 238000000034 method Methods 0.000 title claims abstract description 94
- 230000011218 segmentation Effects 0.000 claims abstract description 515
- 230000003434 inspiratory effect Effects 0.000 claims abstract description 300
- 238000013507 mapping Methods 0.000 claims abstract description 33
- 230000002685 pulmonary effect Effects 0.000 claims description 96
- 230000006870 function Effects 0.000 claims description 47
- 230000009466 transformation Effects 0.000 claims description 42
- 238000005192 partition Methods 0.000 claims description 36
- 230000002457 bidirectional effect Effects 0.000 claims description 19
- 206010056342 Pulmonary mass Diseases 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 3
- 238000002591 computed tomography Methods 0.000 description 15
- 230000003902 lesion Effects 0.000 description 10
- 230000029058 respiratory gaseous exchange Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000007667 floating Methods 0.000 description 5
- 210000000621 bronchi Anatomy 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010827 pathological analysis Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 208000037841 lung tumor Diseases 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
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供了一种肺部图像配准方法和肺部图像配准装置,用于配准呼气相肺部图像序列和吸气相肺部图像序列。该肺部图像配准方法包括:基于呼气相肺部图像序列确定呼气相肺叶分割数据和呼气相肺段分割数据;基于吸气相肺部图像序列确定吸气相肺叶分割数据和吸气相肺段分割数据;基于所述呼气相肺叶分割数据、所述呼气相肺段分割数据、所述吸气相肺叶分割数据和所述吸气相肺段分割数据,配准所述呼气相肺部图像序列和所述吸气相肺部图像序列。该方法通过分割的更精准的肺叶分割数据和肺段分割数据,利用肺叶和每个肺段的空间映射关系,精准地配准呼气相肺部图像序列和吸气相肺部图像序列,从而精准确定病灶位置,降低后续穿刺手术失败的概率。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种肺部图像配准方法、肺部图像配准装置、电子设备及计算机可读存储介质。
背景技术
病灶组织的病理学诊断对疾病判断具有重要的指导作用。临床上通常在肺部CT(Computed Tomography,电子计算机断层扫描)图像引导下进行穿刺手术获取病理标本以进行肺部病灶的诊断。
然而,肺部呼吸运动导致病灶在呼气相肺部CT图像和吸气相肺部CT图像中位置存在差异,从而在穿刺手术前无法获得准确的病灶位置导致穿刺失败,继而导致多次穿刺的现象。
发明内容
有鉴于此,本申请实施例提供了一种肺部图像配准方法、肺部图像配准装置、电子设备及计算机可读存储介质,以解决现有技术中肺部呼吸运动影响病灶位置,进而导致穿刺失败的技术问题。
根据本申请的一个方面,本申请一实施例提供的一种肺部图像配准方法,用于配准呼气相肺部图像序列和吸气相肺部图像序列,该肺部图像配准包括:基于所述呼气相肺部图像序列确定呼气相肺叶分割数据和呼气相肺段分割数据;基于所述吸气相肺部图像序列确定吸气相肺叶分割数据和吸气相肺段分割数据;基于所述呼气相肺叶分割数据、所述呼气相肺段分割数据、所述吸气相肺叶分割数据和所述吸气相肺段分割数据,配准所述呼气相肺部图像序列和所述吸气相肺部图像序列。
在一个实施例中,所述基于所述呼气相肺叶分割数据、所述呼气相肺段分割数据、所述吸气相肺叶分割数据和所述吸气相肺段分割数据,配准所述呼气相肺部图像序列和所述吸气相肺部图像序列,包括:基于所述呼气相肺叶分割数据和所述吸气相肺叶分割数据,对所述呼气相肺部图像序列和所述吸气相肺部图像序列进行刚性配准操作;基于所述呼气相肺段分割数据和所述吸气相肺段分割数据,对所述刚性配准操作后的呼气相肺部图像序列和吸气相肺部图像序列进行非刚性配准操作,以配准所述呼气相肺部图像序列和所述吸气相肺部图像序列。
在一个实施例中,所述基于所述呼气相肺段分割数据和所述吸气相肺段分割数据,对所述刚性配准操作后的呼气相肺部图像序列和吸气相肺部图像序列进行非刚性配准操作,以配准所述呼气相肺部图像序列和所述吸气相肺部图像序列,包括:基于对属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据进行双向空间坐标变换,以确定肺段空间映射关系数据;基于所述肺段空间映射关系数据,配准所述刚性配准操作后的呼气相肺部图像序列和吸气相肺部图像序列。
在一个实施例中,所述对属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据进行双向空间坐标变换,以确定肺段空间映射关系数据,包括:基于所述属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据,确定呼气相向吸气相空间坐标变换对应的第一损失函数和吸气相向呼气相空间坐标变换对应的第二损失函数;基于所述第一损失函数与所述第二损失函数,确定所述肺段空间映射关系数据。
在一个实施例中,所述基于所述属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据,确定呼气相向吸气相空间坐标变换对应的第一损失函数和吸气相向呼气相空间坐标变换对应的第二损失函数,包括:针对所述属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据,基于所述呼气相肺段分割数据和所述吸气相肺段分割数据,确定呼气相肺段分割边缘数据和吸气相肺段分割边缘数据;在所述呼气相肺段分割边缘数据和所述吸气相肺段分割边缘数据中选取多组种子点;基于所述吸呼气相肺段分割数据配准到所述吸气段分割数据过程中所述多组种子点的空间坐标变换,采用B样条弹性配准算法,确定所述第一损失函数;基于所述吸气相肺段分割数据配准到所述呼气段分割数据过程中所述多组种子点的空间坐标变换,采用B样条弹性配准算法,确定所述第二损失函数。
在一个实施例中,所述基于所述呼气相肺部图像序列确定呼气相肺叶分割数据和呼气相肺段分割数据,包括:基于所述呼气相肺部图像序列,确定呼气相肺分割数据;基于所述呼气相肺分割数据,确定呼气相支气管分割数据和所述呼气相肺叶分割数据;基于所述呼气相支气管分割数据和所述呼气相肺叶分割数据,确定所述呼气相肺段分割数据;所述基于所述吸气相肺部图像序列确定呼气相肺叶分割数据和吸气相肺段分割数据,包括:基于所述吸气相肺部图像序列,确定吸气相肺分割数据;基于所述吸气相肺分割数据,确定吸气相支气管分割数据和所述吸气相肺叶分割数据;基于所述吸气相支气管分割数据和所述吸气相肺叶分割数据,确定所述吸气相肺段分割数据。
在一个实施例中,所述基于所述呼气相支气管分割数据和所述呼气相肺叶分割数据,确定所述呼气相肺段分割数据,包括:基于所述呼气相支气管分割数据中支气管的拓扑结构,确定呼气相支气管段和呼气相支气管亚段;基于所述呼气相支气管段和所述呼气相肺叶分割数据,确定所述呼气相肺段分割数据;和/或,所述基于所述吸气相支气管分割数据和所述吸气相肺叶分割数据,确定所述吸气相肺段分割数据,包括:基于所述吸气相支气管分割数据中支气管的拓扑结构,确定吸气相支气管段和吸气相支气管亚段;基于所述吸气相支气管段和所述吸气相肺叶分割数据,确定所述吸气相肺段分割数据。
在一个实施例中,所述基于所述呼气相肺分割数据,确定呼气相支气管分割数据和所述呼气相肺叶分割数据,包括:将所述呼气相肺分割数据划分为多个呼气相肺分割块数据;针对所述多个呼气相肺分割块数据中每个呼气相肺分割块数据,确定所述呼气相肺分割块数据对应的呼气相支气管分割块数据和呼气相肺裂分割块数据;基于区域生长的方法,连接所述多个呼气相肺分割块数据对应的呼气相支气管分割块数据,以确定所述呼气相支气管分割数据;基于区域生长的方法,连接所述多个呼气相肺分割块数据对应的呼气相肺裂分割块数据,以确定所述呼气相肺裂分割数据;结合所述呼气相肺分割数据和所述呼气相肺裂分割数据,确定所述呼气相肺叶分割数据;和/或,所述基于所述吸气相肺分割数据,确定吸气相支气管分割数据和所述吸气相肺叶分割数据,包括:将所述吸气相肺分割数据划分为多个吸气相肺分割块数据;针对所述多个吸气相肺分割块数据中每个吸气相肺分割块数据,确定所述吸气相肺分割块数据对应的吸气相支气管分割块数据和吸气相肺裂分割块数据;基于区域生长的方法,连接所述多个吸气相肺分割块数据对应的吸气相支气管分割块数据,以确定所述吸气相支气管分割数据;基于区域生长的方法,连接所述多个吸气相肺分割块数据对应的吸气相肺裂分割块数据,以确定所述吸气相肺裂分割数据;结合所述吸气相肺分割数据和所述吸气相肺裂分割数据,确定所述吸气相肺叶分割数据。
在一个实施例中,确定呼气相肺部图像序列和吸气相肺部图像序列的方法,包括:接收第一肺部图像序列;基于所述第一肺部图像序列,确定与所述第一肺部图像序列对应的病人信息;基于所述病人信息,从医院信息***中筛选与所述病人信息匹配的第二肺部图像序列;基于所述第一肺部图像序列和所述第二肺部图像序列,确定所述呼气相肺部图像序列和所述吸气相肺部图像序列。
在一个实施例中,还包括基于所述呼气相肺部图像序列,确定呼气相肺结节分割数据;基于所述吸气相肺部图像序列,确定吸气相肺结节分割数据;基于所述呼气相肺结节分割数据、所述吸气相肺结节分割数据和配准后的呼气相肺部图像序列和吸气相肺部图像序列,配准呼气相肺结节和吸气相肺结节。
根据本申请的另一个方面,本申请一实施例提供的一种肺部图像配准装置,用于配准呼气相肺部图像序列和吸气相肺部图像序列,该肺部图像配准装置,包括:第一确定模块,配置为确定呼气相肺部图像序列和吸气相肺部图像序列;第二确定模块,配置为针对所述呼气相肺部图像序列和所述吸气相肺部图像序列中的肺部图像序列,确定所述肺部图像序列对应的肺叶分割数据和肺段分割数据集合;配准模块,配置为基于对所述呼气相肺部图像序列和所述吸气相肺部图像序各自对应的肺叶分割数据和肺段分割数据集合进行配准操作,确定所述呼气相肺部图像序列和所述吸气相肺部图像序列对应的配准信息。
根据本申请的又一个方面,本申请一实施例提供的本申请一实施例提供了一种电子设备,包括:处理器;存储器;以及存储在存储器中的计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行如上述任一实施例所述的肺部图像配准方法。
根据本申请的又一方面,本申请一实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上述任一实施例所述的肺部图像配准方法。
本申请实施例提供的一种肺部图像配准方法,用于配准呼气相肺部图像序列和吸气相肺部图像序列。该方法包括:基于呼气相肺部图像序列确定呼气相肺叶分割数据和呼气相肺段分割数据;基于吸气相肺部图像序列确定吸气相肺叶分割数据和吸气相肺段分割数据;基于呼气相肺叶分割数据、呼气相肺段分割数据、吸气相肺叶分割数据和吸气相肺段分割数据,配准呼气相肺部图像序列和吸气相肺部图像序列。该方法通过分割的更精准的肺叶分割数据和肺段分割数据,利用肺叶和每个肺段的空间映射关系,精准地配准呼气相肺部图像序列和吸气相肺部图像序列,从而精准确定病灶位置,降低后续穿刺手术失败的概率。
附图说明
图1所示为本申请一实施例提供的一种的肺部图像配准方法流程示意图。
图2所示为本申请一实施例提供的一种肺部图像配准方法的流程示意图。
图3所示为本申请一实施例提供的一种肺部图像配准方法的流程示意图。
图4所示为本申请一实施例提供的一种肺部图像配准方法的流程示意图。
图5所示为本申请一实施例提供的一种肺部图像配准方法的流程示意图。
图6a所示为本申请一实施例提供的一种肺部图像配准方法的流程示意图。
图6b所示为本申请一实施例提供的一种肺部图像配准方法的流程示意图。
图7所示为本申请一实施例提供的配准呼气相肺部图像序列和吸气相肺部图像序列的流程示意图。
图8所示为本申请一实施例提供的一种肺部图像配准方法的流程示意图。
图9所示为本申请一实施例提供的一种肺部图像配准方法的流程示意图。
图10所示为本申请一实施例提供的一种肺部图像配准装置的结构示意图。
图11所示为本申请一实施例提供的一种肺部图像配准装置的结构示意图。
图12所示为本申请一实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
病灶组织的病理学诊断对疾病判断具有重要的指导作用。临床上通常在肺部CT(Computed Tomography,电子计算机断层扫描)图像引导下进行穿刺手术获取病理标本以进行肺部病灶的诊断。肺部CT图像是瞬时扫描的图像,且基于人体结构的特征,肺部会呼吸运动,肿瘤也会随着呼吸而运动,导致病灶在不同扫描时刻所采集的图像中位置存在差异,即病灶在呼气相肺部CT图像和吸气相肺部CT图像中位置存在差异。穿刺手术时医生根据采集的肺部CT图像预设穿刺进针方向,由于无法避免肺部呼吸运动对病灶位置的影响,无法获得准确的病灶位置,预设穿刺进针方向偏离实际病灶位置,导致穿刺失败,继而导致多次穿刺的现象。
因此,亟需一种图像配准方法,对呼气相肺部CT图像和吸气相肺部CT图像进行配准,降低肺部呼吸运动对获取准确病灶位置的干扰,使预设穿刺进针方向靠近实际病灶位置,从而降低穿刺失败概率。
针对上述的技术问题,本申请的基本构思提供如下所述。
对于一组医学图像数据集中的两幅医学图像,对于一幅医学图像(浮动图像,moving image)寻求一种或者一系列的空间变换,使它与另一幅医学图像(参考图像,fixedimage)上的对应点达到空间上的一致。也可以是一组医学图像数据集中的两套医学图像,即两个图像序列,对于一套医学图像寻求一种或者一系列的空间变换,使它与另一套医学图像上的对应点达到空间上的一致。这种一致是指人体上的同一位置点在两幅匹配的图像上具有相同的空间位置,配准的结果应使两幅图像上所有的位置点,或者至少是所有具有诊断意义的位置点都能够达到匹配。
基于此,本申请实施例提供的一种肺部图像配准方法,用于配准呼气相肺部图像序列和吸气相肺部图像序列。该方法包括:基于呼气相肺部图像序列确定呼气相肺叶分割数据和呼气相肺段分割数据;基于吸气相肺部图像序列确定吸气相肺叶分割数据和吸气相肺段分割数据;基于所述呼气相肺叶分割数据、所述呼气相肺段分割数据、所述吸气相肺叶分割数据和所述吸气相肺段分割数据,配准所述呼气相肺部图像序列和所述吸气相肺部图像序列。该方法通过分割的更精准的肺叶分割数据和肺段分割数据,利用肺叶和每个肺段的空间映射关系,精准地配准呼气相肺部图像序列和吸气相肺部图像序列,从而精准确定病灶位置,降低后续穿刺手术失败的概率。
示例性肺部图像配准方法
图1所示为本申请一实施例提供的一种肺部图像配准方法的流程示意图。该方法用于配准呼气相肺部图像序列和吸气相肺部图像序列。本申请的所有实施例提供的肺部图像配准方法,均用于配准呼气相肺部图像序列和吸气相肺部图像序列,对于本申请提供的肺部图像配准方法的具体应用场景在后续实施例中不在赘述。
此外,呼气相肺部图像序列和吸气相肺部图像序列的确定方法如下所述。接收第一肺部图像序列;基于第一肺部图像序列,确定与第一肺部图像序列对应的病人信息;基于病人信息,从医院信息***中筛选与病人信息匹配的第二肺部图像序列,例如:从PACS(Picture Archiving And Communication System,医学影像存档与通讯***)中筛选与病人信息匹配的第二肺部图像序列;基于第一肺部图像序列和第二肺部图像序列,确定呼气相肺部图像序列和吸气相肺部图像序列。本申请的所有实施例提及的呼气相肺部图像序列和吸气相肺部图像序列,均可以通过上述方法确定,后续不在赘述。
如图1所示,该肺部图像配准方法包括如下步骤。
步骤101:基于呼气相肺部图像序列确定呼气相肺叶分割数据和呼气相肺段分割数据。
步骤102:基于吸气相肺部图像序列确定吸气相肺叶分割数据和吸气相肺段分割数据。
具体而言,由于肺部进行规律性呼吸运动,肺部处于呼气相位时所采集的多帧图像序列为呼气相肺部图像序列。肺部处于吸气相位时所采集的多帧图像序列为肺部在吸气相肺部图像序列。例如呼气相CT肺部图像序列,吸气相CT肺部图像序列。
针对肺部,左肺由斜裂分为上、下二个肺叶,右肺除斜裂外,还有一水平裂将其分为上、中、下三个肺叶,共有5个肺叶,肺叶分割信息,即为将肺叶从背景中分割出来的标记数据。呼气相肺叶分割数据为呼气相位对应的肺叶分割数据;吸气相肺叶分割数据为吸气相位对应的肺叶分割数据。
由于支气管的存在,可以将肺部划分为多个肺段,肺段分割数据为每个肺段上对应的将属于肺部的部分分割出来的标记数据。呼气相肺段分割数据为呼气相位对应的肺段分割数据;吸气相肺段分割数据为吸气相位对应的肺段分割数据。
步骤103:基于呼气相肺叶分割数据、呼气相肺段分割数据、吸气相肺叶分割数据和吸气相肺段分割数据,配准呼气相肺部图像序列和吸气相肺部图像序列。
具体而言,由于呼气相肺叶分割数据与吸气相肺叶分割数据,反映在不同的呼吸相位下的肺叶分割情况,基于呼气相肺叶分割数据与吸气相肺叶分割数,使呼气相肺部图像序列和吸气相肺部图像序列中的肺部轮廓初始适配。由于呼气相肺段分割数据与吸气相肺段分割数据,可以反映在不同的呼吸相位下的每个肺段上的精细分割情况,利用分割的精细的呼气相肺段分割数据与吸气相肺段分割数进行配准,基于每个肺段的映射关系,获得精准的肺部配准结果。
本申请实施例中,通过分割的更精准的肺叶分割数据和肺段分割数据,利用肺叶和每个肺段的空间映射关系,精准地配准呼气相肺部图像序列和吸气相肺部图像序列,从而精准确定病灶位置,降低后续穿刺手术失败的概率。
图2所示为本申请一实施例提供的一种肺部图像配准方法的流程示意图。如图2所示,基于呼气相肺叶分割数据、呼气相肺段分割数据、吸气相肺叶分割数据和吸气相肺段分割数据,配准呼气相肺部图像序列和吸气相肺部图像序列步骤,包括如下步骤。
步骤201:基于呼气相肺叶分割数据和吸气相肺叶分割数据,对呼气相肺部图像序列和吸气相肺部图像序列进行刚性配准操作。
具体而言,刚性配准是指通过对图像的平移、旋转与缩放处理进行配准,不涉及对图像的形变处理。通过呼气相肺叶分割数据和吸气相肺叶分割数据表征的肺叶进行平移和缩放等操作,实现呼气相肺部图像序列和吸气相肺部图像序列的刚性配准,以确定刚性配准操作后的呼气相肺部图像序列和吸气相肺部图像序列。
步骤202:基于呼气相肺段分割数据和吸气相肺段分割数据,对刚性配准操作后的呼气相肺部图像序列和吸气相肺部图像序列进行非刚性配准操作,以配准呼气相肺部图像序列和吸气相肺部图像序列。
具体而言,非刚性配准为基于多模态非刚性图像配准算法进行配准。通过对呼气相肺段分割数据和吸气相肺段分割数据进行非刚性配准操作,实现刚性配准操作后的呼气相肺部图像序列和吸气相肺部图像序列的非刚性配准,从而实现呼气相肺部图像序列和吸气相肺部图像序列的配准。
本申请实施例中,通过对呼气相肺叶分割数据和吸气相肺叶分割数据进行刚性配准操作,对肺部图像的轮廓的初始位置进行刚性配准,为后续非刚性配准操作提供基础。通过对呼气相肺段分割数据和吸气相肺段分割数据进行非刚性配准操作,确定每个肺段上的空间映射关系,从而精准地配准呼气相肺部图像序列和吸气相肺部图像序列。
图3所示为本申请一实施例提供的一种肺部图像配准方法的流程示意图。如图3所示,基于呼气相肺段分割数据和吸气相肺段分割数据,对刚性配准操作后的呼气相肺部图像序列和吸气相肺部图像序列进行非刚性配准操作,以配准呼气相肺部图像序列和吸气相肺部图像序列步骤,包括如下步骤。
步骤301:基于对属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据进行双向空间坐标变换,以确定肺段空间映射关系数据。
具体而言,由于肺部被划分为多个肺段,分别将每个肺段进行配准,即可实现整个肺部的配准。对属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据进行双向空间坐标变换,确定肺段空间映射关系数据。双向空间坐标变换为以吸气相肺段分割数据为参考图像,呼气相肺段分割数据为浮动图像,呼气相肺段分割数据配准到吸气相肺段分割数据;以呼气相肺段分割数据为参考图像,以吸气相肺段分割数据为浮动图像,吸气相肺段分割数据配准到呼气相肺段分割数据的两个方向的坐标变换。
步骤302:基于肺段空间映射关系数据,配准刚性配准操作后的呼气相肺部图像序列和吸气相肺部图像序列。
具体而言,通过肺段空间映射关系数据,可以获得刚性配准操作后的呼气相肺段分割数据和吸气相肺段分割数据进行非刚性配准时的位移量,从而实现肺段的配准,对属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据进行非刚性配准,以配准刚性配准操作后的呼气相肺部图像序列和吸气相肺部图像序列。
本申请实施例中,通过对属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据进行双向非刚性配准操作,获取每个肺段上的双向的配准映射关系,通过每个肺段上的双向精准匹配,实现呼气相肺部图像序列和吸气相肺部图像序列的精准匹配。
图4所示为本申请一实施例提供的一种肺部图像配准方法的流程示意图。如图4所示,对属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据进行双向空间坐标变换,以确定肺段空间映射关系数据步骤,包括如下步骤。
步骤401:基于属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据,确定呼气相向吸气相空间坐标变换对应的第一损失函数和吸气相向呼气相空间坐标变换对应的第二损失函数。
对属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据,以吸气相肺段分割数据为参考图像,呼气相肺段分割数据为浮动图像,呼气相肺段分割数据经过空间坐标变换配准到吸气相肺段分割数据,此过程中获得第一损失函数。以呼气相肺段分割数据为参考图像,以吸气相肺段分割数据为浮动图像,吸气相肺段分割数据经过空间坐标变换配准到呼气相肺段分割数据,此过程中获得第二损失函数。
步骤402:基于第一损失函数与第二损失函数,确定肺段空间映射关系数据。
具体而言,当第一损失函数和第二损失函数的损失和最小,属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据被认为处于配准位置,基于此,确定肺段空间映射关系数据。
本申请实施例中,呼气相肺段分割数据经过空间坐标变换配准到吸气相肺段分割数据,确定第一损失函数;吸气相肺段分割数据经过空间坐标变换配准到呼气相肺段分割数据,确定第二损失函数,当第一损失函数和第二损失函数的损失和最小,保证属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据的配准映射关系是双向,双向匹配进一步提高肺段配准的精度。
图5所示为本申请一实施例提供的一种肺部图像配准方法的流程示意图。如图5所示,基于属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据,确定呼气相向吸气相空间坐标变换对应的第一损失函数和吸气相向呼气相空间坐标变换对应的第二损失函数步骤,包括如下步骤。
步骤501:针对属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据,基于呼气相肺段分割数据和吸气相肺段分割数据,确定呼气相肺段分割边缘数据和吸气相肺段分割边缘数据。
具体而言,考虑到病灶形变大概率发生在肺段边缘区域,且相比于整个肺部上的像素点均选取为控制点进行配准,对肺段分割边缘数据进行配准,在不降低配准精度的前提下可以提高配准速度。基于呼气相肺段分割数据和吸气相肺段分割数据,确定呼气相肺段分割边缘数据和吸气相肺段分割边缘数据,基于呼气相肺段分割边缘数据和吸气相肺段分割边缘数据的双向非刚性配准,实现属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据的双向非刚性配准。
步骤502:在呼气相肺段分割边缘数据和吸气相肺段分割边缘数据中选取多组种子点。
具体而言,种子点就是进行配准时的控制点,在呼气相肺段分割边缘数据和吸气相肺段分割边缘数据中选取多组种子点,基于多组控制点的空间坐标变换实现双向非刚性弹性配准。
步骤503:基于吸呼气相肺段分割数据配准到吸气段分割数据过程中多组种子点的空间坐标变换,采用B样条弹性配准算法,确定第一损失函数。
具体而言,基于吸呼气相肺段分割数据配准到吸气段分割数据过程中多组种子点的空间坐标变换,采用B样条插值算法将离散像素点插值为空间坐标点,从而确定第一损失函数。
步骤504:基于吸气相肺段分割数据配准到呼气段分割数据过程中多组种子点的空间坐标变换,采用B样条弹性配准算法,确定第二损失函数。
具体而言,基于吸气相肺段分割数据配准到呼气段分割数据过程中多组种子点的空间坐标变换,采用B样条插值算法将离散像素点插值为空间坐标点,从而确定第二损失函数。
本申请实施例中,通过在肺段边缘选中多组种子点进行双向空间坐标变换,采用双B样条弹性配准算法,确定损失函数,从而确定肺段空间映射关系数据,进而基于该肺段空间映射关系数据,实现针对属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据的双向非刚性配准。基于上述方法,既提供配准速度,又实现双向精准配准。
图6a所示为本申请一实施例提供的一种肺部图像配准方法的流程示意图。如图6a所示,基于呼气相肺部图像序列确定呼气相肺叶分割数据和呼气相肺段分割数据步骤,包括如下步骤。
步骤601:基于呼气相肺部图像序列,确定呼气相肺分割数据。
具体而言,将呼气相肺部图像序列输入到预先训练好的神经网络模型中,获得呼气相肺分割数据。
步骤602:基于呼气相肺分割数据,确定呼气相支气管分割数据和呼气相肺叶分割数据。
具体而言,支气管分割数据为将支气管分割出来的标记数据。呼气相支气管分割数据为呼气相位对应的支气管分割数据;吸气相支气管分割数据为吸气相位对应的支气管分割数据。
可选地,基于呼气相肺分割数据,确定与呼气相支气管分割数据和呼气相肺叶分割数据步骤,包括下列步骤。将呼气相肺分割数据划分为多个呼气相肺分割块数据。针对多个呼气相肺分割块数据中每个呼气相肺分割块数据,确定呼气相肺分割块数据对应的呼气相支气管分割块数据和呼气相肺裂分割块数据。基于区域生长的方法,连接多个呼气相肺分割块数据对应的呼气相支气管分割块数据,以确定呼气相支气管分割数据。基于区域生长的方法,连接多个呼气相肺分割块数据对应的呼气相肺裂分割块数据,以确定呼气相肺裂分割数据。结合呼气相肺分割数据和呼气相肺裂分割数据,确定呼气相肺叶分割数据。
步骤603:基于呼气相支气管分割数据和呼气相肺叶分割数据,确定呼气相肺段分割数据。
可选地,基于呼气相支气管分割数据和呼气相肺叶分割数据,确定呼气相肺段分割数据步骤,包括如下步骤。基于呼气相支气管分割数据中支气管的拓扑结构,确定呼气相支气管段和呼气相支气管亚段。基于呼气相支气管段和呼气相肺叶分割数据,确定呼气相肺段分割数据。
本申请实施例中,通过上述步骤,基于呼气相肺部图像序列确定呼气相肺叶分割数据和呼气相肺段分割数据,为后续配准提供基础。
图6b所示为本申请一实施例提供的一种肺部图像配准方法的流程示意图。如图6b所示,基于吸气相肺部图像序列确定吸气相肺叶分割数据和吸气相肺段分割数据步骤,包括如下步骤。
步骤604:基于吸气相肺部图像序列,确定吸气相肺分割数据。
具体而言,将吸气相肺部图像序列输入到预先训练好的神经网络模型中,获得吸气相肺分割数据。
步骤605:基于吸气相肺分割数据,确定吸气相支气管分割数据和吸气相肺叶分割数据。
可选地,基于吸气相肺分割数据,确定吸气相支气管分割数据和吸气相肺叶分割数据步骤,包括下列步骤。将吸气相肺分割数据划分为多个吸气相肺分割块数据。针对多个吸气相肺分割块数据中每个吸气相肺分割块数据,确定吸气相肺分割块数据对应的吸气相支气管分割块数据和吸气相肺裂分割块数据。基于区域生长的方法,连接多个吸气相肺分割块数据对应的吸气相支气管分割块数据,以确定吸气相支气管分割数据。基于区域生长的方法,连接多个吸气相肺分割块数据对应的吸气相肺裂分割块数据,以确定吸气相肺裂分割数据。结合吸气相肺分割数据和吸气相肺裂分割数据,确定吸气相肺叶分割数据。
步骤606:基于吸气相支气管分割数据和吸气相肺叶分割数据,确定吸气相肺段分割数据。
可选地,基于吸气相支气管分割数据和吸气相肺叶分割数据,确定吸气相肺段分割数据步骤,包括如下步骤。基于吸气相支气管分割数据中支气管的拓扑结构,确定吸气相支气管段和吸气相支气管亚段。基于吸气相支气管段和吸气相肺叶分割数据,确定吸气相肺段分割数据。
本申请实施例中,通过上述步骤,基于吸气相肺部图像序列确定吸气相肺叶分割数据和吸气相肺段分割数据,为后续配准提供基础。
图7所示为本申请一实施例提供的配准呼气相肺部图像序列和吸气相肺部图像序列的流程示意图。如图7所示,基于吸气相肺部图像序列,确定吸气相肺分割数据。基于吸气相肺分割数据,确定吸气相支气管分割数据和吸气相肺裂分割数据。结合吸气相肺分割数据和吸气相肺裂分割数据,获取呼气相肺叶分割数据。基于吸气相支气管分割数据和吸气相肺叶分割数据,确定吸气相肺段分割数据。基于呼气相肺部图像序列,确定呼气相肺分割数据。基于呼气相肺分割数据,确定呼气相支气管分割数据和呼气相肺裂分割数据。结合呼气相肺分割数据和呼气相肺裂分割数据,获取呼气相肺叶分割数据。基于呼气相支气管分割数据和呼气相肺叶分割数据,确定呼气相肺段分割数据。基于呼气相肺叶分割数据和吸气相肺叶分割数据,对呼气相肺部图像序列和吸气相肺部图像序列进行刚性配准操作,基于呼气相肺段分割数据和吸气相肺段分割数据,对刚性配准操作后的呼气相肺部图像序列和吸气相肺部图像序列进行非刚性配准操作,以配准呼气相肺部图像序列和吸气相肺部图像序列。
图8所示为本申请一实施例提供的一种肺部图像配准方法的流程示意图。如图8所示,肺部图像配准方法还包括如下步骤。
步骤801:基于呼气相肺部图像序列,确定呼气相肺结节分割数据。
具体而言,将呼气相肺部图像序列输入到预先训练好的神经网络模型中,获得呼气相肺结节分割数据。
步骤802:基于吸气相肺部图像序列,确定吸气相肺结节分割数据。
具体而言,将吸气相肺部图像序列输入到预先训练好的神经网络模型中,获得吸气相肺结节分割数据。
步骤803:基于呼气相肺结节分割数据、吸气相肺结节分割数据和配准后的呼气相肺部图像序列和吸气相肺部图像序列,配准呼气相肺结节和吸气相肺结节。
具体而言,肺部呼吸运动导致肺结节在呼气相肺部图像和吸气相肺部图像中位置存在差异,通过配准呼气相肺部图像序列和吸气相肺部图像序列,可以将肺结节配准,以获得准确的肺结节位置,提供正确穿刺引导,降低穿刺失败导致的多次穿刺发生概率。
本申请实施例中,基于吸气相肺部图像序列,确定吸气相肺结节分割数据,基于吸气相肺部图像序列,确定吸气相肺结节分割数据,通过配准呼气相肺部图像序列和吸气相肺部图像序列,可以将肺结节配准,以获得准确的肺结节位置,提供正确穿刺引导,降低穿刺失败导致的多次穿刺发生概率。
图9所示为本申请一实施例提供的一种肺部图像配准方法的流程示意图。如图9所示,肺部图像配准方法还包括如下步骤。
步骤901:预设配准后的肺结节数据与呼气相肺部图像序列和吸气相肺部图像序列的关联关系。
具体而言,当呼气相肺部图像序列和吸气相肺部图像序列配准后,肺结节也被配准,预设配准后的肺结节数据与呼气相肺部图像序列和吸气相肺部图像序列的关联关系。
步骤902:基于关联关系,发送与显示区显示的呼气相肺部图像序列和/或吸气相肺部图像序列关联的配准后的肺结节数据给显示区,以供医生参考。
当医生在显示区观看呼气相肺部图像序列吸气相肺部图像序列中的至少一个图像序列时,根据预先建立的关联关系,将配准后的肺结节数据发送医生,以备引导穿刺。
本申请实施例中,预设配准后的肺结节与呼气相肺部图像序列和吸气相肺部图像序列的关联关系,根据预先建立的关联关系,将配准后的肺结节发送医生,以备引导穿刺,提供一种准确快捷的穿刺引导信息。
示例性肺部图像配准装置
图10所示为本申请一实施例提供的一种肺部图像配准装置的结构示意图。如图10所示,该肺部图像配准装置100包括:第一确定模块101,配置为基于呼气相肺部图像序列确定呼气相肺叶分割数据和呼气相肺段分割数据;第二确定模块102,配置为基于吸气相肺部图像序列确定吸气相肺叶分割数据和吸气相肺段分割数据;配准模块103,配置为基于呼气相肺叶分割数据、呼气相肺段分割数据、吸气相肺叶分割数据和吸气相肺段分割数据,配准呼气相肺部图像序列和吸气相肺部图像序列。
本申请实施例中,第一确定模块101基于呼气相肺部图像序列确定呼气相肺叶分割数据和呼气相肺段分割数据,第二确定模块102基于吸气相肺部图像序列确定吸气相肺叶分割数据和吸气相肺段分割数据,配准模块103基于呼气相肺叶分割数据、呼气相肺段分割数据、吸气相肺叶分割数据和吸气相肺段分割数据,配准呼气相肺部图像序列和吸气相肺部图像序列。通过分割的更精准的肺叶分割数据和肺段分割数据,利用肺叶和每个肺段的空间映射关系,精准地配准呼气相肺部图像序列和吸气相肺部图像序列,从而精准确定病灶位置,降低后续穿刺手术失败的概率。
图11所示为本申请一实施例提供的一种肺部图像配准装置的结构示意图。如图11所示,配准模块103进一步包括:刚性配准单元1031,基于呼气相肺叶分割数据和吸气相肺叶分割数据,对呼气相肺部图像序列和吸气相肺部图像序列进行刚性配准操作;非刚性配准单元1032,配置为基于呼气相肺段分割数据和吸气相肺段分割数据,对刚性配准操作后的呼气相肺部图像序列和吸气相肺部图像序列进行非刚性配准操作,以配准呼气相肺部图像序列和吸气相肺部图像序列。
在一个实施例中,如图11所示,非刚性配准单元1032进一步包括:肺段空间映射关系数据确定子单元10321,配置为基于对属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据进行双向空间坐标变换,以确定肺段空间映射关系数据;非刚性配准单元子单元10322,配置为基于肺段空间映射关系数据,配准刚性配准操作后的呼气相肺部图像序列和刚性配准操作后的吸气相肺部图像序列。
在一个实施例中,肺段空间映射关系数据确定子单元10321进一步配置为基于属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据,确定呼气相向吸气相空间坐标变换对应的第一损失函数和吸气相向呼气相空间坐标变换对应的第二损失函数;基于第一损失函数与第二损失函数,确定肺段空间映射关系数据。
在一个实施例中,肺段空间映射关系数据确定子单元10321进一步配置为针对属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据,基于呼气相肺段分割数据和吸气相肺段分割数据,确定呼气相肺段分割边缘数据和吸气相肺段分割边缘数据;在呼气相肺段分割边缘数据和吸气相肺段分割边缘数据中选取多组种子点;基于吸呼气相肺段分割数据配准到吸气段分割数据过程中多组种子点的空间坐标变换,采用B样条弹性配准算法,确定第一损失函数,基于吸气相肺段分割数据配准到呼气段分割数据过程中多组种子点的空间坐标变换,采用B样条弹性配准算法,确定第二损失函数,基于第一损失函数与第二损失函数,确定肺段空间映射关系数据。
在一个实施例中,如图11所示,第一确定模块101进一步包括:呼气相肺分割数据确定单元1011,配置为基于呼气相肺部图像序列,确定与呼气相肺部图像序列的呼气相肺分割数据;呼气相支气管和肺叶分割数据确定单元1012,配置为基于呼气相肺分割数据,确定与呼气相肺分割数据对应的呼气相支气管分割数据和呼气相肺叶分割数据;呼气相肺段分割数据确定单元1013,配置为基于呼气相支气管分割数据和呼气相肺叶分割数据,确定呼气相肺段分割数据。
在一个实施例中,如图11所示,第二确定模块102进一步包括:吸气相肺分割数据确定单元1021,配置为基于吸气相肺部图像序列,确定与吸气相肺部图像序列的吸气相肺分割数据;吸气相支气管和肺叶分割数据确定单元1022,配置为基于吸气相肺分割数据,确定与吸气相肺分割数据对应的吸气相支气管分割数据和吸气相肺叶分割数据;吸气相肺段分割数据确定单元1023,配置为基于吸气相支气管分割数据和吸气相肺叶分割数据,确定吸气相肺段分割数据。
在一个实施例中,呼气相肺段分割数据确定单元1013进一步配置为基于呼气相支气管分割数据中支气管的拓扑结构,确定呼气相支气管段和呼气相支气管亚段。基于呼气相支气管段和呼气相肺叶分割数据,确定呼气相肺段分割数据。
在一个实施例中,吸气相肺段分割数据确定单元1023进一步配置为基于吸气相支气管分割数据中支气管的拓扑结构,确定吸气相支气管段和吸气相支气管亚段。基于吸气相支气管段和吸气相肺叶分割数据,确定吸气相肺段分割数据。
在一个实施例中,呼气相支气管和肺叶分割数据确定单元1012进一步配置为将呼气相肺分割数据划分为多个呼气相肺分割块数据。针对多个呼气相肺分割块数据中每个呼气相肺分割块数据,确定呼气相肺分割块数据对应的呼气相支气管分割块数据和呼气相肺裂分割块数据。基于区域生长的方法,连接多个呼气相肺分割块数据对应的呼气相支气管分割块数据,以确定呼气相支气管分割数据。基于区域生长的方法,连接多个呼气相肺分割块数据对应的呼气相肺裂分割块数据,以确定呼气相肺裂分割数据。结合呼气相肺分割数据和呼气相肺裂分割数据,确定呼气相肺叶分割数据。
在一个实施例中,吸气相支气管和肺叶分割数据确定单元1022进一步配置为将吸气相肺分割数据划分为多个吸气相肺分割块数据。针对多个吸气相肺分割块数据中每个吸气相肺分割块数据,确定吸气相肺分割块数据对应的吸气相支气管分割块数据和吸气相肺裂分割块数据。基于区域生长的方法,连接多个吸气相肺分割块数据对应的吸气相支气管分割块数据,以确定吸气相支气管分割数据。基于区域生长的方法,连接多个吸气相肺分割块数据对应的吸气相肺裂分割块数据,以确定吸气相肺裂分割数据。结合吸气相肺分割数据和吸气相肺裂分割数据,确定吸气相肺叶分割数据。
在一个实施例中,如图11所示,该肺部图像配准装置100,还包括:呼气相肺结节分割数据确定模块104,配置为基于呼气相肺部图像序列,确定呼气相肺结节分割数据,吸气相肺结节分割数据确定模块105,置为基于吸气相肺部图像序列,确定吸气相肺结节分割数据;肺结节配准模块106,配置为基于呼气相肺结节分割数据、吸气相肺结节分割数据和配准后的呼气相肺部图像序列和吸气相肺部图像序列,配准呼气相肺结节和吸气相肺结节。
在一个实施例中,如图11所示,该肺部图像配准装置100,关联模块107,配置为预设配准后的肺结节数据与呼气相肺部图像序列和吸气相肺部图像序列的关联关系;显示模块108,配置为基于关联关系,发送与显示区显示的呼气相肺部图像序列和/或吸气相肺部图像序列关联的配准后的肺结节数据给显示区,以供医生参考。
示例性电子设备
图12所示为本申请一实施例提供的电子设备的结构示意图。如图12所示,电子设备300包括一个或多个处理器310和存储器320。
处理器310可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备300中的其他组件以执行期望的功能。
存储器320可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器310可以运行所述程序指令,以实现上文所述的本申请的各个实施例的肺部图像配准方法以及/或者其他期望的功能。
在一个示例中,电子设备300还可以包括:输入装置330和输出装置340,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
例如,该输入装置330可以是上述的CT设备。在该电子设备300是单机设备时,该输入装置330可以是显示屏或通信网络连接器。
该输出装置340可以向外部输出各种信息,肺部肿瘤信息,穿刺控制相位信息等等。
当然,为了简化,图12中仅示出了该电子设备300中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备300还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性肺部图像配准方法”部分中描述的根据本申请各个实施例的肺部图像配准方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的步骤式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性肺部图像配准方法”部分中描述的根据本申请各个实施例的肺部图像配准方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (13)
1.一种肺部图像配准方法,其特征在于,用于配准呼气相肺部图像序列和吸气相肺部图像序列,包括:
基于所述呼气相肺部图像序列确定呼气相肺叶分割数据和呼气相肺段分割数据;
基于所述吸气相肺部图像序列确定吸气相肺叶分割数据和吸气相肺段分割数据;
基于所述呼气相肺叶分割数据、所述呼气相肺段分割数据、所述吸气相肺叶分割数据和所述吸气相肺段分割数据,配准所述呼气相肺部图像序列和所述吸气相肺部图像序列。
2.根据权利要求1所述的肺部图像配准方法,其特征在于,所述基于所述呼气相肺叶分割数据、所述呼气相肺段分割数据、所述吸气相肺叶分割数据和所述吸气相肺段分割数据,配准所述呼气相肺部图像序列和所述吸气相肺部图像序列,包括:
基于所述呼气相肺叶分割数据和所述吸气相肺叶分割数据,对所述呼气相肺部图像序列和所述吸气相肺部图像序列进行刚性配准操作;
基于所述呼气相肺段分割数据和所述吸气相肺段分割数据,对所述刚性配准操作后的呼气相肺部图像序列和吸气相肺部图像序列进行非刚性配准操作,以配准所述呼气相肺部图像序列和所述吸气相肺部图像序列。
3.根据权利要求2所述的肺部图像配准方法,其特征在于,所述基于所述呼气相肺段分割数据和所述吸气相肺段分割数据,对所述刚性配准操作后的呼气相肺部图像序列和吸气相肺部图像序列进行非刚性配准操作,以配准所述呼气相肺部图像序列和所述吸气相肺部图像序列,包括:
对属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据进行双向空间坐标变换,以确定肺段空间映射关系数据;
基于所述肺段空间映射关系数据,配准所述刚性配准操作后的呼气相肺部图像序列和吸气相肺部图像序列。
4.根据权利要求3所述的肺部图像配准方法,其特征在于,所述对属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据进行双向空间坐标变换,以确定肺段空间映射关系数据,包括:
基于所述属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据,确定呼气相向吸气相空间坐标变换对应的第一损失函数和吸气相向呼气相空间坐标变换对应的第二损失函数;
基于所述第一损失函数与所述第二损失函数,确定所述肺段空间映射关系数据。
5.根据权利要求4所述的肺部图像配准方法,其特征在于,所述基于所述属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据,确定呼气相向吸气相空间坐标变换对应的第一损失函数和吸气相向呼气相空间坐标变换对应的第二损失函数,包括:
针对所述属于同一肺段的呼气相肺段分割数据和吸气相肺段分割数据,基于所述呼气相肺段分割数据和所述吸气相肺段分割数据,确定呼气相肺段分割边缘数据和吸气相肺段分割边缘数据;
在所述呼气相肺段分割边缘数据和所述吸气相肺段分割边缘数据中选取多组种子点;
基于所述吸呼气相肺段分割数据配准到所述吸气段分割数据过程中所述多组种子点的空间坐标变换,采用B样条弹性配准算法,确定所述第一损失函数;
基于所述吸气相肺段分割数据配准到所述呼气段分割数据过程中所述多组种子点的空间坐标变换,采用B样条弹性配准算法,确定所述第二损失函数。
6.根据权利要求1至5中任一项所述的肺部图像配准方法,其特征在于,所述基于所述呼气相肺部图像序列确定呼气相肺叶分割数据和呼气相肺段分割数据,包括:
基于所述呼气相肺部图像序列,确定呼气相肺分割数据;
基于所述呼气相肺分割数据,确定呼气相支气管分割数据和所述呼气相肺叶分割数据;
基于所述呼气相支气管分割数据和所述呼气相肺叶分割数据,确定所述呼气相肺段分割数据;
和,
所述基于所述吸气相肺部图像序列确定呼气相肺叶分割数据和吸气相肺段分割数据,包括:
基于所述吸气相肺部图像序列,确定吸气相肺分割数据;
基于所述吸气相肺分割数据,确定吸气相支气管分割数据和所述吸气相肺叶分割数据;
基于所述吸气相支气管分割数据和所述吸气相肺叶分割数据,确定所述吸气相肺段分割数据。
7.根据权利要求6所述的肺部图像配准方法,其特征在于,所述基于所述呼气相支气管分割数据和所述呼气相肺叶分割数据,确定所述呼气相肺段分割数据,包括:
基于所述呼气相支气管分割数据中支气管的拓扑结构,确定呼气相支气管段和呼气相支气管亚段;
基于所述呼气相支气管段和所述呼气相肺叶分割数据,确定所述呼气相肺段分割数据;
和/或,
所述基于所述吸气相支气管分割数据和所述吸气相肺叶分割数据,确定所述吸气相肺段分割数据,包括:
基于所述吸气相支气管分割数据中支气管的拓扑结构,确定吸气相支气管段和吸气相支气管亚段;
基于所述吸气相支气管段和所述吸气相肺叶分割数据,确定所述吸气相肺段分割数据。
8.根据权利要求6所述的肺部图像配准方法,其特征在于,所述基于所述呼气相肺分割数据,确定呼气相支气管分割数据和所述呼气相肺叶分割数据,包括:
将所述呼气相肺分割数据划分为多个呼气相肺分割块数据;
针对所述多个呼气相肺分割块数据中每个呼气相肺分割块数据,确定所述呼气相肺分割块数据对应的呼气相支气管分割块数据和呼气相肺裂分割块数据;
基于区域生长的方法,连接所述多个呼气相肺分割块数据对应的呼气相支气管分割块数据,以确定所述呼气相支气管分割数据;
基于区域生长的方法,连接所述多个呼气相肺分割块数据对应的呼气相肺裂分割块数据,以确定所述呼气相肺裂分割数据;
结合所述呼气相肺分割数据和所述呼气相肺裂分割数据,确定所述呼气相肺叶分割数据;
和/或,
所述基于所述吸气相肺分割数据,确定吸气相支气管分割数据和所述吸气相肺叶分割数据,包括:
将所述吸气相肺分割数据划分为多个吸气相肺分割块数据;
针对所述多个吸气相肺分割块数据中每个吸气相肺分割块数据,确定所述吸气相肺分割块数据对应的吸气相支气管分割块数据和吸气相肺裂分割块数据;
基于区域生长的方法,连接所述多个吸气相肺分割块数据对应的吸气相支气管分割块数据,以确定所述吸气相支气管分割数据;
基于区域生长的方法,连接所述多个吸气相肺分割块数据对应的吸气相肺裂分割块数据,以确定所述吸气相肺裂分割数据;
结合所述吸气相肺分割数据和所述吸气相肺裂分割数据,确定所述吸气相肺叶分割数据。
9.根据权利要求1至5中任一项所述肺部图像配准方法,其特征在于,确定呼气相肺部图像序列和吸气相肺部图像序列的方法,包括:
接收第一肺部图像序列;
基于所述第一肺部图像序列,确定与所述第一肺部图像序列对应的病人信息;
基于所述病人信息,从医院信息***中筛选与所述病人信息匹配的第二肺部图像序列;
基于所述第一肺部图像序列和所述第二肺部图像序列,确定所述呼气相肺部图像序列和所述吸气相肺部图像序列。
10.根据权利要求1至5中任一项所述肺部图像配准方法,其特征在于,还包括:
基于所述呼气相肺部图像序列,确定呼气相肺结节分割数据;
基于所述吸气相肺部图像序列,确定吸气相肺结节分割数据;
基于所述呼气相肺结节分割数据、所述吸气相肺结节分割数据和配准后的呼气相肺部图像序列和吸气相肺部图像序列,配准呼气相肺结节和吸气相肺结节。
11.一种肺部图像配准装置,其特征在于,用于配准呼气相肺部图像序列和吸气相肺部图像序列,包括:
第一确定模块,配置为基于所述呼气相肺部图像序列确定呼气相肺叶分割数据和呼气相肺段分割数据;
第二确定模块,配置基于所述吸气相肺部图像序列确定吸气相肺叶分割数据和吸气相肺段分割数据;
配准模块,配置为基于所述呼气相肺叶分割数据、所述呼气相肺段分割数据、所述吸气相肺叶分割数据和所述吸气相肺段分割数据,配准所述呼气相肺部图像序列和所述吸气相肺部图像序列。
12.一种电子设备,包括:
处理器;以及
存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1至10中任一项所述的肺部图像配准方法。
13.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1至10中任一项所述的肺部图像配准方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110932280.XA CN113538414B (zh) | 2021-08-13 | 2021-08-13 | 肺部图像配准方法和肺部图像配准装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110932280.XA CN113538414B (zh) | 2021-08-13 | 2021-08-13 | 肺部图像配准方法和肺部图像配准装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113538414A true CN113538414A (zh) | 2021-10-22 |
CN113538414B CN113538414B (zh) | 2022-03-08 |
Family
ID=78091592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110932280.XA Active CN113538414B (zh) | 2021-08-13 | 2021-08-13 | 肺部图像配准方法和肺部图像配准装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113538414B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511599A (zh) * | 2022-01-20 | 2022-05-17 | 推想医疗科技股份有限公司 | 模型训练方法及其装置、医学图像配准方法及其装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110018573A (ko) * | 2009-08-18 | 2011-02-24 | 서울여자대학교 산학협력단 | 호기 및 흡기 컴퓨터 단층촬영 영상의 비강체 폐 영상 정합 장치 및 방법 |
CN102722890A (zh) * | 2012-06-07 | 2012-10-10 | 内蒙古科技大学 | 基于光流场模型的非刚性心脏图像分级配准方法 |
CN104021547A (zh) * | 2014-05-17 | 2014-09-03 | 清华大学深圳研究生院 | 肺部 ct 的三维配准方法 |
CN104361568A (zh) * | 2014-09-18 | 2015-02-18 | 南方医科大学 | 基于配准的肺4d-ct图像呼气过程中间相位图像的重建方法 |
US20150201910A1 (en) * | 2014-01-17 | 2015-07-23 | Centre For Imaging Technology Commercialization (Cimtec) | 2d-3d rigid registration method to compensate for organ motion during an interventional procedure |
CN105913442A (zh) * | 2016-04-29 | 2016-08-31 | 上海联影医疗科技有限公司 | 自动匹配肺结节的方法 |
CN107194956A (zh) * | 2017-05-16 | 2017-09-22 | 山东大学 | 一种非刚性医学图像配准方法 |
CN107230223A (zh) * | 2017-06-09 | 2017-10-03 | 中国科学院苏州生物医学工程技术研究所 | 基于不连续运动的肝部三维多模态图像配准方法 |
CN108428245A (zh) * | 2018-02-11 | 2018-08-21 | 中国科学院苏州生物医学工程技术研究所 | 基于自适应正则项的滑移图像配准方法 |
CN111242931A (zh) * | 2020-01-15 | 2020-06-05 | 东北大学 | 一种单肺叶的小气道病变判断方法和装置 |
CN111311612A (zh) * | 2020-02-17 | 2020-06-19 | 北京推想科技有限公司 | 肺部分割方法、装置、介质及电子设备 |
CN111445463A (zh) * | 2020-03-31 | 2020-07-24 | 上海联影智能医疗科技有限公司 | 相似肺部疾病病例的检索方法、装置和计算机设备 |
CN111539944A (zh) * | 2020-04-28 | 2020-08-14 | 安徽科大讯飞医疗信息技术有限公司 | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 |
CN111681247A (zh) * | 2020-04-29 | 2020-09-18 | 杭州深睿博联科技有限公司 | 肺叶肺段分割模型训练方法和装置 |
CN111724364A (zh) * | 2020-06-12 | 2020-09-29 | 深圳技术大学 | 基于肺叶及气管树的方法及装置、电子设备和存储介质 |
-
2021
- 2021-08-13 CN CN202110932280.XA patent/CN113538414B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110018573A (ko) * | 2009-08-18 | 2011-02-24 | 서울여자대학교 산학협력단 | 호기 및 흡기 컴퓨터 단층촬영 영상의 비강체 폐 영상 정합 장치 및 방법 |
CN102722890A (zh) * | 2012-06-07 | 2012-10-10 | 内蒙古科技大学 | 基于光流场模型的非刚性心脏图像分级配准方法 |
US20150201910A1 (en) * | 2014-01-17 | 2015-07-23 | Centre For Imaging Technology Commercialization (Cimtec) | 2d-3d rigid registration method to compensate for organ motion during an interventional procedure |
CN104021547A (zh) * | 2014-05-17 | 2014-09-03 | 清华大学深圳研究生院 | 肺部 ct 的三维配准方法 |
CN104361568A (zh) * | 2014-09-18 | 2015-02-18 | 南方医科大学 | 基于配准的肺4d-ct图像呼气过程中间相位图像的重建方法 |
CN105913442A (zh) * | 2016-04-29 | 2016-08-31 | 上海联影医疗科技有限公司 | 自动匹配肺结节的方法 |
CN107194956A (zh) * | 2017-05-16 | 2017-09-22 | 山东大学 | 一种非刚性医学图像配准方法 |
CN107230223A (zh) * | 2017-06-09 | 2017-10-03 | 中国科学院苏州生物医学工程技术研究所 | 基于不连续运动的肝部三维多模态图像配准方法 |
CN108428245A (zh) * | 2018-02-11 | 2018-08-21 | 中国科学院苏州生物医学工程技术研究所 | 基于自适应正则项的滑移图像配准方法 |
CN111242931A (zh) * | 2020-01-15 | 2020-06-05 | 东北大学 | 一种单肺叶的小气道病变判断方法和装置 |
CN111311612A (zh) * | 2020-02-17 | 2020-06-19 | 北京推想科技有限公司 | 肺部分割方法、装置、介质及电子设备 |
CN111445463A (zh) * | 2020-03-31 | 2020-07-24 | 上海联影智能医疗科技有限公司 | 相似肺部疾病病例的检索方法、装置和计算机设备 |
CN111539944A (zh) * | 2020-04-28 | 2020-08-14 | 安徽科大讯飞医疗信息技术有限公司 | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 |
CN111681247A (zh) * | 2020-04-29 | 2020-09-18 | 杭州深睿博联科技有限公司 | 肺叶肺段分割模型训练方法和装置 |
CN111724364A (zh) * | 2020-06-12 | 2020-09-29 | 深圳技术大学 | 基于肺叶及气管树的方法及装置、电子设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
BABAK HAGHIGHI等: "A GPU-based symmetric non-rigid image registration method in human lung", 《MEDICAL & BIOLOGICAL ENGINEERING & COMPUTING》 * |
边子健等: "肺部CT图像中的解剖结构分割方法综述", 《中国图象图形学报》 * |
金晨望等: "基于体素的空气潴留定量测量方法的建立及初步临床应用", 《中华放射学杂志》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511599A (zh) * | 2022-01-20 | 2022-05-17 | 推想医疗科技股份有限公司 | 模型训练方法及其装置、医学图像配准方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113538414B (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4374234B2 (ja) | 医療的侵襲処置計画の方法及び装置 | |
US10460441B2 (en) | Trachea marking | |
JP4800129B2 (ja) | 医用画像表示処理装置、及び、医用画像表示処理プログラム | |
US10825190B2 (en) | Dynamic image processing apparatus for aligning frame images obtained by photographing dynamic state of chest based on movement of lung-field region | |
EP2375378A1 (en) | Medical image diagnosis assisting apparatus and method, and computer readable recording medium on which is recorded program for the same | |
JP2006051359A (ja) | 医療的侵襲処置計画、並びに侵襲型器具の位置決定及び進路誘導のための方法並びに装置 | |
JP2012115635A (ja) | 画像処理方法、画像処理装置、画像システム及びプログラムコード | |
CN110301883B (zh) | 用于导航管状网络的基于图像的向导 | |
CN113538414B (zh) | 肺部图像配准方法和肺部图像配准装置 | |
CN114943714A (zh) | 医学图像处理***、装置、电子设备及存储介质 | |
US11783477B2 (en) | Medical image process apparatus, medical image learning method, and medical image process method | |
JP5558793B2 (ja) | 画像処理方法、画像処理装置及びプログラム | |
JP3404675B2 (ja) | 3次元断層画像読影方法、自動照合方法、及びその装置並びにそのプログラムを記録した記録媒体 | |
WO2020235461A1 (ja) | 異常検出方法、異常検出プログラム、異常検出装置、サーバ装置及び情報処理方法 | |
WO2023216947A1 (zh) | 一种用于介入手术的医学影像处理***和方法 | |
KR20100025431A (ko) | 다중 페이즈 간 ct영상들의 정합을 이용한 간세포암 검출방법 | |
US9367893B2 (en) | Diagnosis assistance apparatus, method and program | |
CN114596275A (zh) | 肺血管分割方法、装置、存储介质及电子设备 | |
WO2021103316A1 (zh) | 图像目标区域的确定方法、装置和*** | |
US20160310094A1 (en) | Medical image processing apparatus | |
JP7153261B2 (ja) | 画像処理装置および画像処理装置の作動方法並びに画像処理プログラム | |
US20240005503A1 (en) | Method for processing medical images | |
WO2023103975A1 (zh) | 医学影像的移动检测和校正方法、***和计算机可读介质 | |
JP2009018029A (ja) | 医用画像処理装置及び医用画像診断装置 | |
JP4786184B2 (ja) | コンピュータ支援画像診断システム |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240219 Address after: No. 288 Xingcheng Avenue, Hannan District, Wuhan City, Hubei Province (019) Patentee after: Wuhan Longdianjing Intelligent Technology Co.,Ltd. Country or region after: China Address before: Room B401, 4 / F, building 1, No. 12, shangdixin Road, Haidian District, Beijing 100085 Patentee before: Tuxiang Medical Technology Co.,Ltd. Country or region before: China |