CN113538481A - 肺轮廓特征点的确定方法及装置、电子设备和存储介质 - Google Patents
肺轮廓特征点的确定方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113538481A CN113538481A CN202110677295.6A CN202110677295A CN113538481A CN 113538481 A CN113538481 A CN 113538481A CN 202110677295 A CN202110677295 A CN 202110677295A CN 113538481 A CN113538481 A CN 113538481A
- Authority
- CN
- China
- Prior art keywords
- lung
- contour
- determining
- phase
- phases
- 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 482
- 238000000034 method Methods 0.000 title claims abstract description 113
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 230000009466 transformation Effects 0.000 claims abstract description 97
- 239000011159 matrix material Substances 0.000 claims abstract description 96
- 238000006073 displacement reaction Methods 0.000 claims abstract description 79
- 230000000241 respiratory effect Effects 0.000 claims abstract description 78
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 75
- 230000002051 biphasic effect Effects 0.000 claims abstract description 18
- 230000003434 inspiratory effect Effects 0.000 claims description 118
- 238000013507 mapping Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 8
- 230000033001 locomotion Effects 0.000 abstract description 18
- 238000012545 processing Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 18
- 230000002685 pulmonary effect Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 239000002245 particle Substances 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 210000000038 chest Anatomy 0.000 description 4
- 238000005247 gettering Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003601 intercostal effect Effects 0.000 description 1
- 210000000876 intercostal muscle Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开涉及一种肺轮廓特征点的确定方法及装置、电子设备及存储介质。涉及呼吸技术领域，所述的肺轮廓特征点的确定方法，包括：获取呼吸两相的肺实质图像；分别根据所述呼吸两相的肺实质图像确定呼吸两相的肺表面轮廓，分别基于所述呼吸两相的肺表面轮廓的形态确定呼吸两相的肺轮廓候选关键特征点；确定所述呼吸两相的肺实质图像对应的变换矩阵，基于所述变换矩阵确定所述肺轮廓候选关键特征点的坐标对应的第一位移；基于所述第一位移及获取的第一设定位移值的设定关系确定肺轮廓特征点。本公开实施例可以解决目前并不能确定肺轮廓的关键特征点，以至于不能描述整个肺的运动趋势或规律的问题。
Description
技术领域
本公开涉及肺图像处理技术领域，尤其涉及一种肺轮廓特征点的确定方法及装置、电子设备和存储介质。
背景技术
在呼吸过程中，吸气时，肋间外肌收缩，胸廓前后左右径增大，膈肌收缩，膈顶下降，胸廓的上下径增大，肺扩张，外界气体进入肺；呼气时，肋间外肌舒张，胸廓前后左右径减小，膈肌舒张，膈顶回升，胸廓的上下径减小，肺回缩，肺内气体排出，完成呼气。
在做呼吸运动时，肺的运动并不是刚性运动，而且一个扭曲变形的一个过程，其直观的表现就是肺轮廓的改变，然后对于肺轮廓的改变必然存在着一些关键的特征点，这些特征点既可以描述整个肺的运动趋势或规律。
发明内容
本公开提出了一种肺轮廓特征点的确定方法及装置、电子设备及存储介质技术方案。
根据本公开的一方面，提供了一种肺轮廓特征点的确定方法，包括：
获取呼吸两相的肺实质图像；
分别根据所述呼吸两相的肺实质图像确定呼吸两相的肺表面轮廓，分别基于所述呼吸两相的肺表面轮廓的形态确定呼吸两相的肺轮廓候选关键特征点；
确定所述呼吸两相的肺实质图像对应的变换矩阵，基于所述变换矩阵确定所述肺轮廓候选关键特征点的坐标对应的第一位移；
基于所述第一位移及获取的第一设定位移值的设定关系确定肺轮廓特征点。
优选地，所述分别根据所述肺实质图像确定呼吸两相的肺表面轮廓的方法，包括：
分别将所述呼吸两相的肺实质图像中肺内按照第一设定值进行填充，肺外按照第二设定值进行填充，得到所述呼吸两相的填充图像；
分别基于所述呼吸两相的填充图像进行三维重建，得到所述呼吸两相的三维肺实质图像；
基于所述第一设定值及所述第二设定值对所述呼吸两相的三维肺实质图像进行肺表面轮廓提取，得到呼气相及吸气相的肺表面轮廓；
以及/或，
所述分别基于所述呼吸两相的肺表面轮廓的形态确定呼吸两相的肺轮廓候选关键特征点的方法，包括：
分别计算所述呼吸两相肺表面轮廓的各个坐标点与其邻域的肺表面轮廓点的多个呼气相夹角及多个吸气相夹角；
根据所述多个呼气相夹角与呼气相预设夹角值的设定关系确定呼气相的肺表面轮廓的形态，并根据所述呼气相的肺表面轮廓的形态确定所述呼气相的肺轮廓候选关键特征点；
根据所述多个吸气相夹角与吸气相预设夹角值的设定关系确定吸气相的肺表面轮廓的形态，并根据所述吸气相的肺表面轮廓的形态确定所述吸气相的肺轮廓候选关键特征点。
优选地，所述根据所述呼气相的肺表面轮廓的形态确定所述呼气相的肺轮廓候选关键特征点的方法，包括：
若满足所述呼气相夹角与呼气相预设夹角值的设定关系确定呼气相的肺表面轮廓的形态为尖端，则将所述尖端及其设定邻域的点确定为所述呼气相的肺轮廓候选关键特征点；
以及/或，
所述根据所述吸气相的肺表面轮廓的形态确定所述吸气相的肺轮廓候选关键特征点的方法，包括：
若满足所述吸气相夹角与吸气相预设夹角值的设定关系确定吸气相的肺表面轮廓的形态为尖端，则将所述尖端及其设定邻域的点确定为所述吸气相的肺轮廓候选关键特征点。
优选地，所述确定所述呼吸两相的肺实质图像对应的变换矩阵的方法，包括：
对呼气相的肺实质图像到吸气相的肺实质图像执行配准操作，得到第一变换矩阵；
对吸气相的肺实质图像到呼气相的肺实质图像执行配准操作，得到第二变换矩阵；
对所述第一变换矩阵及所述第二变换矩阵进行融合操作，确定所述呼吸两相的肺实质图像对应的变换矩阵；
以及/或，
所述基于所述变换矩阵确定所述肺轮廓候选关键特征点的坐标对应的第一位移的方法，包括：
提取所述肺轮廓候选关键特征点的坐标；
分别根据所述坐标及所述变换矩阵确定所述吸气相到所述吸气相以及/或所述吸气相到吸气相的第一位移；
以及/或，
所述基于所述第一位移及获取的第一设定位移值的设定关系确定肺轮廓特征点的方法，包括：
获取第一设定位移值；
若所述第一位移大于或者等于所述第一设定位移值，则将所述第一位移对应的所述肺轮廓候选关键特征点确定为肺轮廓特征点；
以及/或，
在所述基于所述第一位移及第一设定位移值的设定关系确定肺轮廓特征点之后，还包括：
获取设定灰度阈值；
分别确定所述呼吸两相的肺轮廓特征点的灰度值；
分别基于所述呼吸两相的肺轮廓特征点的灰度值及所述灰度阈值确定最终的肺轮廓特征点。
优选地，所述肺轮廓特征点还包括：由肺内特征点引起的肺轮廓特征点，确定所述由肺轮廓特征点引起的肺轮廓特征点的方法，包括：
根据所述变换矩阵及所述呼吸两相的肺实质图像确定肺实质内部点的坐标对应的第二位移；
分别基于所述第二位移及获取的第二设定位移值的设定关系确定所述呼吸两相的肺内特征点；
分别根据所述呼吸两相的肺内特征点确定其到最近肺轮廓的肺轮廓特征点。
优选地，所述确定所述由肺轮廓特征点引起的肺轮廓特征点的方法，还包括：
获取设定灰度阈值；
分别确定所述呼吸两相的最近肺轮廓的肺轮廓特征点的灰度值；
分别基于所述呼吸两相的最近肺轮廓的肺轮廓特征点的灰度值及所述设定灰度阈值确定最终的肺轮廓特征点。
优选地，在确定所述肺轮廓特征点或最终的肺轮廓特征点之后，还包括：
将呼气对应的所述肺轮廓特征点或最终的肺轮廓特征点映射到吸气相，得到所述吸气相的肺轮廓特征点；
以及/或，
将吸气对应的所述肺轮廓特征点或最终的肺轮廓特征点映射到呼气相，得到所述呼气相的肺轮廓特征点。
根据本公开的一方面，提供了一种肺轮廓特征点的确定装置，包括：
根据本公开的一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述肺轮廓特征点的确定方法。
根据本公开的一方面，提供了一种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被处理器执行时实现上述肺轮廓特征点的确定方法。
在本公开实施例中，所述的肺轮廓特征点的确定方法及装置、电子设备及存储介质，可以解决目前并不能确定肺轮廓的关键特征点，以至于不能描述整个肺的运动趋势或规律的问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的肺轮廓特征点的确定方法的流程图；
图2示出根据本公开实施例的基于所述吸气相的填充图像得到所述吸气相的三维肺实质图像的示意图；
图3是根据一示例性实施例示出的一种电子设备800的框图；
图4是根据一示例性实施例示出的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了肺轮廓特征点的确定装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种肺轮廓特征点的确定方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图1示出根据本公开实施例的肺轮廓特征点的确定方法的流程图，如图1所示，所述肺轮廓特征点的确定方法，包括：步骤S101：获取呼吸两相的肺实质图像；步骤S102：分别根据所述呼吸两相的肺实质图像确定呼吸两相的肺表面轮廓，分别基于所述呼吸两相的肺表面轮廓的形态确定呼吸两相的肺轮廓候选关键特征点；步骤S103：确定所述呼吸两相的肺实质图像对应的变换矩阵，基于所述变换矩阵确定所述肺轮廓候选关键特征点的坐标对应的第一位移；步骤S104：基于所述第一位移及获取的第一设定位移值的设定关系确定肺轮廓特征点。以解决目前并不能确定肺轮廓的关键特征点，以至于不能描述整个肺的运动趋势或规律的问题。
步骤S101：获取呼吸两相的肺实质图像。
在本公开的实施例中，可以采用CT装置分别获取深吸相的CT图像及深呼相的CT图像。
在本公开的实施例中，在所述获取呼吸两相的肺实质图像之前，需要分别对所述呼吸两相的图像进行肺区域分割，得到呼吸两相的肺实质图像。肺区域分割方法可以利用现有传统的肺区域分割方法，也可以利用深度学习的网络模型，例如ResU-Net神经网络模型，其具体网络结构图可以参考我们已经公开的论文：Lung parenchyma parametersmeasure of rats from pulmonary window computed tomography images based onResU-Net model for medical respiratory researches。其中，所述的ResU-Net神经网络模型为已经训练好的神经网络模型，将深吸相的CT图像及深呼相的CT图像分别输入所述ResU-Net神经网络模即可得到呼吸两相的肺实质图像。
具体地说，分别对所述呼吸两相的图像进行肺区域分割，得到呼吸两相的肺区域掩码图像，根据所述呼吸两相的肺区域掩码图像及所述呼吸两相的图像得到所述呼吸两相的肺实质图像。其中，所述根据所述呼吸两相的肺区域掩码图像及所述呼吸两相的图像得到所述呼吸两相的肺实质图像的方法，包括：所述深吸相的图像乘以对应深吸相的肺区域掩码图像得到深吸相的肺实质图像；所述深呼相的图像乘以对应深呼相的肺区域掩码图像得到深呼相的肺实质图像。其中，所述呼吸两相的肺区域掩码图像的肺区域的掩码值配置为1，其他区域的掩码配置为0。通过上述方法得到的呼吸两相的肺实质图像为具有CT值的图像。
例如，所述深呼相的图像为
相应深呼相的肺区域掩码图像为
则通过上述方法得到的深呼相的肺实质图像为
在本公开的具体实施例中，深吸相的CT图像及深呼相的CT图像为多层图像，其深吸相的肺区域掩码图像及深呼相的肺区域掩码图像也分别与所述深吸相的CT图像及深呼相的CT图像对应的多层肺区域掩码图像。
步骤S102：分别根据所述呼吸两相的肺实质图像确定呼吸两相的肺表面轮廓，分别基于所述呼吸两相的肺表面轮廓的形态确定呼吸两相的肺轮廓候选关键特征点。
在本公开中，所述分别根据所述肺实质图像确定呼吸两相的肺表面轮廓的方法，包括：分别将所述呼吸两相的肺实质图像中肺内按照第一设定值进行填充，肺外按照第二设定值进行填充，得到所述呼吸两相的填充图像；分别基于所述呼吸两相的填充图像进行三维重建，得到所述呼吸两相的三维肺实质图像；基于所述第一设定值及所述第二设定值对所述呼吸两相的三维肺实质图像进行肺表面轮廓提取，得到呼气相及吸气相的肺表面轮廓。
例如，在本公开实施例中，利用ResU-Net神经网络模型可以分割得到所述呼吸两相的肺实质图像。分别利用所述呼吸两相的肺区域掩码图像将所述呼吸两相的肺实质图像中肺区域内按照第一设定值进行填充，肺区域外按照第二设定值进行填充，得到所述呼吸两相的填充图像。其中，呼吸两相的第一设定值可以分别取所述呼吸两相的肺区域掩码图像的掩码值，即肺区域的掩码值配置为1，其他区域的掩码配置为0。
在本公开的具体实施例中，分别对所述呼吸两相的填充图像进行三维重建，得到所述呼吸两相的三维肺实质图像。例如，三维重建使用的重建算法，可以为Kintinuous或ElasticFusion三维重建算法。
图2示出根据本公开实施例的基于所述吸气相的填充图像得到所述吸气相的三维肺实质图像的示意图。如图2所示，所述吸气相的填充图像的肺实质区域的掩码值配置为1，其他区域的掩码配置为0，通过三维重建算法得到了相应的所述吸气相的三维肺实质图像。
在本公开的具体实施例中，基于所述第一设定值及所述第二设定值对所述呼吸两相的三维肺实质图像进行肺表面轮廓提取，得到呼气相及吸气相的肺表面轮廓的方法，包括：分别在所述呼吸两相的三维肺实质图像内设置多个粒子，所述多个粒子按照设定步长向多个设定方向运动，所述多个粒子在运动过程中的取值由所述第一设定值变为所述第二设定值或所述第二设定值变为所述第一设定值，则记录所述运动方向、所述第一设定值的第一位置及所述第二设定值的第二位置；基于所述第一位置及所述第二位置，按照三维肺实质图像像素步长及记录的运动方向确定由所述第一设定值变为所述第二设定值或所述第二设定值变为所述第一设定值的位置点，将所述位置点作为呼气相或吸气相的肺表面轮廓。
在本公开的具体实施例中，应该上述方法分别确定呼气相及吸气相的肺表面轮廓，其确定方法详见上述详细说明。其中，三维肺实质图像像素步长为三维肺实质图像的像素值。其原理为先按照设定步长进行大致确定呼气相或吸气相的肺表面轮廓的位置，然后在大致位置内，按照三维肺实质图像像素步长及记录的运动方向，从所述第一位置到所述第二位置精细地确定呼气相或吸气相的肺表面轮廓的位置。在本公开的实施例中，多个粒子的数目可以为5000000-80000000个，所述设定步长为三维肺实质图像像素步长的100-500倍；同时，基于上述，所述第一设定值可配置为1，而所述第二设定值可配置为0；多个设定方向运动设置为三维邻域方向，三维邻域为某一粒子在三维图像内的多邻域，即在三维空间内所有与其相邻的所有邻域。
在本公开中，所述分别基于所述呼吸两相的肺表面轮廓的形态确定呼吸两相的肺轮廓候选关键特征点的方法，包括：分别计算所述呼吸两相肺表面轮廓的各个坐标点与其邻域的肺表面轮廓点的多个呼气相夹角及多个吸气相夹角；根据所述多个呼气相夹角与呼气相预设夹角值的设定关系确定呼气相的肺表面轮廓的形态，并根据所述呼气相的肺表面轮廓的形态确定所述呼气相的肺轮廓候选关键特征点；根据所述多个吸气相夹角与吸气相预设夹角值的设定关系确定吸气相的肺表面轮廓的形态，并根据所述吸气相的肺表面轮廓的形态确定所述吸气相的肺轮廓候选关键特征点。
在本公开的实施例中，考虑到肺的扭转运动，分别计算所述呼吸两相肺表面轮廓的各个坐标点与其邻域的肺表面轮廓点的多个呼气相夹角及多个吸气相夹角的方法，包括：确定所述呼吸两相肺表面轮廓的各个坐标点的邻域类型，分别根据所述呼吸两相肺表面轮廓的各个坐标点及其邻域的类型确定呼吸两相肺表面轮廓点的多个呼气相夹角及多个吸气相夹角；其中，所述邻域类型为三维邻域的多邻域，即在三维空间内所有与其相邻的所有邻域。，三维邻域的多邻域，即在三维空间内所有与其相邻的所有邻域。为坐标点在三维图像内的多邻域，即在三维空间内所有与其相邻的所有邻域。
也就是说，首先确定呼气相及吸气相的肺表面轮廓满足设定条件的突变点，将所述呼气相及吸气相的肺表面轮廓的突变点作为呼气相及吸气相的肺轮廓候选关键特征点。确定呼气相及吸气相的肺表面轮廓满足设定条件的突变点的方法，包括：分别计算所述呼吸两相肺表面轮廓的各个坐标点与其邻域的肺表面轮廓点的多个呼气相夹角及多个吸气相夹角，分别对多个呼气相夹角及多个吸气相夹角与呼气相预设夹角值及吸气相预设夹角值进行比较，得到所述呼气相及吸气相的肺轮廓候选关键特征点。
在本公开的实施例中，所述根据所述呼气相的肺表面轮廓的形态确定所述呼气相的肺轮廓候选关键特征点的方法，包括：若满足所述呼气相夹角与呼气相预设夹角值的设定关系确定呼气相的肺表面轮廓的形态为尖端，则将所述尖端及其设定邻域的点确定为所述呼气相的肺轮廓候选关键特征点。其中，所述呼气相夹角与吸气相预设夹角值的设定关系为所述呼气相夹角大于或者等于呼气相预设夹角值。所述呼气相预设夹角值可以设置为30°，所述尖端及其设定邻域同样可以设置为3维邻域的多邻域，即在三维空间内所有与其相邻的所有邻域。
同样地，在本公开的实施例中，所述根据所述吸气相的肺表面轮廓的形态确定所述吸气相的肺轮廓候选关键特征点的方法，包括：若满足所述吸气相夹角与吸气相预设夹角值的设定关系确定吸气相的肺表面轮廓的形态为尖端，则将所述尖端及其设定邻域的点确定为所述吸气相的肺轮廓候选关键特征点。其中，所述吸气相夹角与吸气相预设夹角值的设定关系为所述吸气相夹角大于或者等于吸气相预设夹角值。所述吸气相预设夹角值可以设置为30°，所述尖端及其设定邻域同样可以设置为3维邻域的多邻域，即在三维空间内所有与其相邻的所有邻域。
步骤S103：确定所述呼吸两相的肺实质图像对应的变换矩阵，基于所述变换矩阵确定所述肺轮廓候选关键特征点的坐标对应的第一位移。
在本公开中，所述确定所述呼吸两相的肺实质图像对应的变换矩阵的方法，包括：对呼气相的肺实质图像到吸气相的肺实质图像执行配准操作，得到第一变换矩阵；对吸气相的肺实质图像到呼气相的肺实质图像执行配准操作，得到第二变换矩阵；对所述第一变换矩阵及所述第二变换矩阵进行融合操作，确定所述呼吸两相的肺实质图像对应的变换矩阵。
在本公开的实施例中，对吸气相的肺实质图像到呼气相的肺实质图像执行配准操作为对吸气相的肺实质图像到呼气相的肺实质图像执行3D配准操作；同样的，对吸气相的肺实质图像到呼气相的肺实质图像执行配准操作为对吸气相的肺实质图像到呼气相的肺实质图像执行3D配准操作。其中，3D配准操作的方法采用SIFT 3D配准方法，SIFT 3D配准方法为Blaine Rister(2021).bbrister/SIFT3D(https://github.com/bbrister/SIFT3D),GitHub.Retrieved June 7,2021。
在本公开的实施例中，考虑到了对呼气相的肺实质图像到吸气相的肺实质图像执行配准操作得到的第一变换矩阵与对吸气相的肺实质图像到呼气相的肺实质图像执行配准操作得到的第二变换矩阵的差异性，对所述第一变换矩阵及所述第二变换矩阵进行融合操作，确定所述呼吸两相的肺实质图像对应的变换矩阵。
在本公开的实施例中，可以对分别对呼气相的肺实质图像与吸气相的肺实质图像的整体肺区域进行配准，得到的所述第一变换矩阵及所述第二变换矩阵为非区域的第一变换矩阵及第二变换矩阵。所述对所述第一变换矩阵及所述第二变换矩阵进行融合操作的方法，包括：对所述第一变换矩阵及所述第二变换矩阵进行相加，得到叠加变换矩阵；对所述叠加变换矩阵乘以设定系数，得到所述呼吸两相的肺实质图像对应的(优化)变换矩阵。其中，所述设定系数可配置为0.5，所述设定系数配置为0.5是因为有2个变换矩阵(所述第一变换矩阵及所述第二变换矩阵)。
例如，所述第一变换矩阵为3*4的矩阵
相应深呼相的肺区域掩码图像为3*4的矩阵
所述设定系数配置为0.5，则通过上述方法得到的最终的(优化)变换矩阵为3*4的矩阵
同时，在本公开的实施例中，还根据肺叶进行配准，即呼气相与吸气相的肺叶进行相互配准，得到多个第一变换矩阵及多个第二变换矩。具体地说，正常人的肺叶为5个，呼气相与吸气相的5个肺叶进行相互配准，得到5个第一变换矩阵及5个第二变换矩。
在本公开中，所述对所述第一变换矩阵及所述第二变换矩阵进行融合操作，确定所述呼吸两相的肺实质图像对应的变换矩阵的方法，包括：分别获取所述呼吸两相的肺实质图像对应的呼吸两相的肺叶分割图像；分别根据所述呼吸两相的肺叶分割图像提取呼吸两相的肺叶；分别对所述呼气相的肺叶到吸气相的肺叶执行配准操作，得到每个肺叶对应第一变换矩阵；以及，分别对所述吸气相的肺叶到呼气相的肺叶执行配准操作，得到每个肺叶对应第二变换矩阵；分别对每个肺叶对应第一变换矩阵及二变换矩阵进行融合操作，确定所述呼吸两相的每个肺叶对应的变换矩阵。
具体地说，按照结构学结构，左肺分为左上肺叶、左下肺叶；右肺分为右上肺叶、右中肺叶、右肺叶。分别对所述呼气相的肺叶到吸气相相应的肺叶执行配准操作，得到每个肺叶对应第一变换矩阵；例如分别对所述呼气相的左上肺叶到吸气相的左上肺叶执行配准操作，得到左上肺叶对应第一变换矩阵；其他肺叶对应第一变换矩阵与上述方式相同，不再进行赘述。同样的，分别对所述吸气相的肺叶到吸气相的肺叶执行配准操作，得到每个肺叶对应第二变换矩阵；例如分别对所述呼气相的左上肺叶到吸气相的左上肺叶执行配准操作，得到左上肺叶对应第而变换矩阵；其他肺叶对应第二变换矩阵与上述方式相同，不再进行赘述。其中，配准操作可为3D配准操作，3D配准操作的方法采用SIFT 3D配准方法。显然，按照肺叶得到的(优化)变换矩阵比根据肺区域(左肺及右肺)得到的(优化)变换矩阵更为说明其运动规律或运动意义。
在本公开中，所述基于所述变换矩阵确定所述肺轮廓候选关键特征点的坐标对应的第一位移的方法，包括：提取所述肺轮廓候选关键特征点的坐标；分别根据所述坐标及所述变换矩阵确定所述吸气相到所述吸气相以及/或所述吸气相到吸气相的第一位移。
由于变换矩阵已经优化，可利用所述呼气相的肺轮廓候选关键特征点乘以所述(优化)变换矩阵，得到所述呼气相的肺轮廓候选关键特征点对应的吸气相特征点；基于所述呼气相的肺轮廓候选关键特征点及对应的吸气相特征点，得到吸气相到所述吸气相第一位移。同理，可利用所述吸气相的肺轮廓候选关键特征点乘以所述(优化)变换矩阵，得到所述吸气相的肺轮廓候选关键特征点对应的呼气相特征点，基于所述吸气相的肺轮廓候选关键特征点及对应的呼气相特征点得到所述吸气相到呼气相的第一位移。
具体地说，所述分别根据所述坐标及所述变换矩阵确定所述吸气相到所述吸气相以及/或所述吸气相到吸气相的第一位移的方法，包括：在所述坐标形成的向量后添加一个数值为1的元素，得到坐标向量，分别根据所述坐标向量及所述变换矩阵乘以所述(优化)变换矩阵的转置T，得到对应相的特征点，根据所述吸气相以及/或所述吸气相的肺轮廓候选关键特征点及对应的特征点确定所述吸气相到所述吸气相以及/或所述吸气相到吸气相的第一位移。其中，所述根据所述吸气相以及/或所述吸气相的肺轮廓候选关键特征点及对应的特征点确定所述吸气相到所述吸气相以及/或所述吸气相到吸气相的第一位移的方法，包括：求取所述吸气相以及/或所述吸气相的肺轮廓候选关键特征点及对应的特征点的距离，确定所述吸气相到所述吸气相以及/或所述吸气相到吸气相的第一位移。更具体地说，所述距离为欧式距离。
例如，所述(优化)变换矩阵为3*4的矩阵
例如所述呼气相的一个肺轮廓候选关键特征点(x,y,z)，在所述坐标形成的向量后添加一个数值为1的元素得到1*4的坐标向量[x,y,z,1]，分别根据所述坐标向量及所述变换矩阵乘以所述变换矩阵的转置(T)，即
得到呼气相到所述吸气相的三个方向的变化分量，即所述呼气相的肺轮廓候选关键特征点及对应的吸气相特征点为[x+y+z+1,2x+2y+2z+2,3x+3y+3z+2]，第一位移为吸气相的肺轮廓候选关键特征点(x,y,z)与对应的吸气相特征点为[x+y+z+1,2x+2y+2z+2,3x+3y+3z+2]的欧式距离。
步骤S104：基于所述第一位移及获取的第一设定位移值的设定关系确定肺轮廓特征点。
在本公开中，所述基于所述第一位移及获取的第一设定位移值的设定关系确定肺轮廓特征点的方法，包括：获取第一设定位移值；若所述第一位移大于或者等于所述第一设定位移值，则将所述第一位移对应的所述肺轮廓候选关键特征点确定为肺轮廓特征点。其中，所述定位移值可配置为0.5。
本公开考虑到了肺呼吸过程中会收缩或者扩张，肺的灰度值(CT值)也会产生变化，肺轮廓的也会相应变化，因此在考虑到运动的第一位置基础上，进一步根据灰度值的变化确定最终的肺轮廓特征点。
在本公开中，在所述基于所述第一位移及第一设定位移值的设定关系确定肺轮廓特征点之后，还包括：获取设定灰度阈值；分别确定所述第一位移对应的所述呼吸两相的肺轮廓特征点的灰度值；分别基于所述呼吸两相的肺轮廓特征点的灰度值及所述灰度阈值确定最终的肺轮廓特征点。其中，所述设定灰度阈值可配置为80。
在本公开的具体实施例中，所述基于所述第一位移对应的所述呼吸两相的肺轮廓特征点的灰度值及所述灰度阈值确定最终的肺轮廓特征点的方法，包括：将所述第一位移对应的所述呼吸两相的肺轮廓特征点的灰度值进行做差处理，得到差值；若所述差值的绝对值大于或等于所述设定灰度阈值，则将所述肺轮廓特征点确定为最终的肺轮廓特征点。
由于肺内具有气管和血管，特别是1-3级的气管的进气及出气，会带动肺实质运动，因此本公开还考虑了由肺内特征点引起的肺轮廓特征点。
在本公开中，所述肺轮廓特征点还包括：由肺内特征点引起的肺轮廓特征点，确定所述由肺轮廓特征点引起的肺轮廓特征点的方法，包括：根据所述(优化的)变换矩阵及所述呼吸两相的肺实质图像确定肺实质内部点的坐标对应的第二位移；分别基于所述第二位移及获取的第二设定位移值的设定关系确定所述呼吸两相的肺内特征点；分别根据所述呼吸两相的肺内特征点确定其到最近肺轮廓的肺轮廓特征点。其中，所述第二位移的计算方法可以参考第一位移的计算方法，再此不进行赘述。
在本公开的具体实施例中，所述分别基于所述第二位移及获取的第二设定位移值的设定关系确定所述呼吸两相的肺内特征点的方法，包括：若所述第二位移大于或等于所述第二设定位移值，则将所述第二位移对应的呼气及吸气的特征点确定为所述呼吸两相的肺内特征点。其中，所述第二位移可配置为0.3。
在本公开的具体实施例中，分别根据所述呼吸两相的肺内特征点确定其到最近肺轮廓的肺轮廓特征点的方法，包括：确定最近肺轮廓的范围；分别计算所述范围内的肺轮廓坐标点到呼气相及吸气相的肺内特征点的多个距离；确定所述多个距离的最短距离，将所述最短距离对应的肺轮廓点作为肺轮廓特征点。
其中，所述确定最近肺轮廓的范围的方法，包括：获取肺内特征点的三维坐标值及三维设定增量；根据所述三维坐标值及三维设定增量确定最近肺轮廓的范围。
具体地说，所述根据所述三维坐标值及三维设定增量去确定最近肺轮廓的范围的方法，包括：根据所述三维坐标值确定所述肺内特征点所在的位置，所述位置为左肺或右肺，或所述位置为具体的肺叶；确定所述肺叶在所述左肺或右肺及所述肺叶的轮廓；根据所述三维坐标值及三维设定增量确定与其最近的所述左肺或右肺及所述肺叶的轮廓范围。
例如，如果所述肺内特征点在左上肺叶上，所述三维坐标值为(x,y,z),三维设定增量为(Δx,Δy,Δz)，此时肺轮廓的范围为(x+Δx,y+Δy,z+Δz)，其空间范围可能落到其他肺叶上，因此用左上肺叶对空间范围进行限定，其只能在左上肺叶的轮廓上。
在本公开中，所述确定所述由肺轮廓特征点引起的肺轮廓特征点的方法，还包括：获取设定灰度阈值；分别确定所述呼吸两相的最近肺轮廓的肺轮廓特征点的灰度值；分别基于所述呼吸两相的最近肺轮廓的肺轮廓特征点的灰度值及所述设定灰度阈值确定最终的肺轮廓特征点。
在本公开的具体实施例中，同时也考虑了肺轮廓的灰度值。所述分别基于所述呼吸两相的最近肺轮廓的肺轮廓特征点的灰度值及所述设定灰度阈值确定最终的肺轮廓特征点，包括：若所述呼吸两相的最近肺轮廓的肺轮廓特征点的灰度值大于所述设定灰度阈值，则将所述呼吸两相的最近肺轮廓的肺轮廓特征点确定为呼吸两相的最近肺轮廓的肺轮廓特征点。其中，所述设定灰度阈值可配置为80。
在本公开中，在确定所述肺轮廓特征点或最终的肺轮廓特征点之后，还包括：将呼气对应的所述肺轮廓特征点或最终的肺轮廓特征点映射到吸气相，得到所述吸气相的肺轮廓特征点；以及/或，将吸气对应的所述肺轮廓特征点或最终的肺轮廓特征点映射到呼气相，得到所述呼气相的肺轮廓特征点。
在本公开的具体实施例中，通过上述方法已经分别找到了呼吸两相的所述肺轮廓特征点或最终的肺轮廓特征点，利用(优化的)变换矩阵可以得到呼气相的肺轮廓特征点或最终的肺轮廓特征点对应的吸气相的映射肺轮廓特征点或映射最终的肺轮廓特征点；同理，利用(优化的)变换矩阵可以得到吸的肺轮廓特征点或最终的肺轮廓特征点对应的呼气相的映射肺轮廓特征点或映射最终的肺轮廓特征点。将呼气相的映射肺轮廓特征点或映射最终的肺轮廓特征点及非映射肺轮廓特征点或映射最终的肺轮廓特征点作为呼气相的特征点集合；将吸气相的映射肺轮廓特征点或映射最终的肺轮廓特征点及非映射肺轮廓特征点或映射最终的肺轮廓特征点作为吸气的特征点集合。
在本公开的具体实施例中，所述利用(优化的)变换矩阵可以得到呼气相的肺轮廓特征点或最终的肺轮廓特征点对应的吸气相的映射肺轮廓特征点或映射最终的肺轮廓特征点的方法，包括：在所述呼气相的肺轮廓特征点坐标或最终的肺轮廓特征点坐标形成的向量后添加一个数值为1的元素，得到坐标向量；分别根据所述坐标向量及所述变换矩阵乘以所述(优化)变换矩阵的转置T，得到对应相的映射肺轮廓特征点或映射最终的肺轮廓特征点。同理，所述利用(优化的)变换矩阵可以得到吸气相的肺轮廓特征点或最终的肺轮廓特征点对应的呼气相的映射肺轮廓特征点或映射最终的肺轮廓特征点的方法，包括：在所述吸气相的肺轮廓特征点坐标或最终的肺轮廓特征点坐标形成的向量后添加一个数值为1的元素，得到坐标向量；分别根据所述坐标向量及所述变换矩阵乘以所述(优化)变换矩阵的转置T，得到对应相的映射肺轮廓特征点或映射最终的肺轮廓特征点。具体详见所述分别根据所述坐标及所述变换矩阵确定所述吸气相到所述吸气相以及/或所述吸气相到吸气相的第一位移的方法的详细说明。
肺轮廓特征点的确定方法的执行主体可以是肺轮廓特征点的确定装置，例如，肺轮廓特征点的确定方法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该肺轮廓特征点的确定方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本公开还提出了一种肺轮廓特征点的确定装置的框图，所述肺轮廓特征点的确定装置，包括：获取单元，用于获取呼吸两相的肺实质图像；第一确定单元，用于分别根据所述呼吸两相的肺实质图像确定呼吸两相的肺表面轮廓，分别基于所述呼吸两相的肺表面轮廓的形态确定呼吸两相的肺轮廓候选关键特征点；第二确定单元，用于确定所述呼吸两相的肺实质图像对应的变换矩阵，基于所述变换矩阵确定所述肺轮廓候选关键特征点的坐标对应的第一位移；第三确定单元，用于基于所述第一位移及第一设定位移值的设定关系确定肺轮廓特征点。以解决目前并不能确定肺轮廓的关键特征点，以至于不能描述整个肺的运动趋势或规律的问题。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的肺轮廓特征点的确定方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种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被处理器执行时实现上述肺轮廓特征点的确定方法。以解决目前并不能确定肺轮廓的关键特征点，以至于不能描述整个肺的运动趋势或规律的问题。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述肺轮廓特征点的确定方法。以解决目前并不能确定肺轮廓的关键特征点，以至于不能描述整个肺的运动趋势或规律的问题。电子设备可以被提供为终端、服务器或其它形态的设备。
图3是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图3，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图4是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图4，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种肺轮廓特征点的确定方法，其特征在于，包括：
获取呼吸两相的肺实质图像；
分别根据所述呼吸两相的肺实质图像确定呼吸两相的肺表面轮廓，分别基于所述呼吸两相的肺表面轮廓的形态确定呼吸两相的肺轮廓候选关键特征点；
确定所述呼吸两相的肺实质图像对应的变换矩阵，基于所述变换矩阵确定所述肺轮廓候选关键特征点的坐标对应的第一位移；
基于所述第一位移及获取的第一设定位移值的设定关系确定肺轮廓特征点。
2.根据权利要求1所述的确定方法，其特征在于，所述分别根据所述肺实质图像确定呼吸两相的肺表面轮廓的方法，包括：
分别将所述呼吸两相的肺实质图像中肺内按照第一设定值进行填充，肺外按照第二设定值进行填充，得到所述呼吸两相的填充图像；
分别基于所述呼吸两相的填充图像进行三维重建，得到所述呼吸两相的三维肺实质图像；
基于所述第一设定值及所述第二设定值对所述呼吸两相的三维肺实质图像进行肺表面轮廓提取，得到呼气相及吸气相的肺表面轮廓；
以及/或，
所述分别基于所述呼吸两相的肺表面轮廓的形态确定呼吸两相的肺轮廓候选关键特征点的方法，包括：
分别计算所述呼吸两相肺表面轮廓的各个坐标点与其邻域的肺表面轮廓点的多个呼气相夹角及多个吸气相夹角；
根据所述多个呼气相夹角与呼气相预设夹角值的设定关系确定呼气相的肺表面轮廓的形态，并根据所述呼气相的肺表面轮廓的形态确定所述呼气相的肺轮廓候选关键特征点；
根据所述多个吸气相夹角与吸气相预设夹角值的设定关系确定吸气相的肺表面轮廓的形态，并根据所述吸气相的肺表面轮廓的形态确定所述吸气相的肺轮廓候选关键特征点。
3.根据权利要求2所述的确定方法，其特征在于，所述根据所述呼气相的肺表面轮廓的形态确定所述呼气相的肺轮廓候选关键特征点的方法，包括：
若满足所述呼气相夹角与呼气相预设夹角值的设定关系确定呼气相的肺表面轮廓的形态为尖端，则将所述尖端及其设定邻域的点确定为所述呼气相的肺轮廓候选关键特征点；
以及/或，
所述根据所述吸气相的肺表面轮廓的形态确定所述吸气相的肺轮廓候选关键特征点的方法，包括：
若满足所述吸气相夹角与吸气相预设夹角值的设定关系确定吸气相的肺表面轮廓的形态为尖端，则将所述尖端及其设定邻域的点确定为所述吸气相的肺轮廓候选关键特征点。
4.根据权利要求1-3任一项所述的确定方法，其特征在于，所述确定所述呼吸两相的肺实质图像对应的变换矩阵的方法，包括：
对呼气相的肺实质图像到吸气相的肺实质图像执行配准操作，得到第一变换矩阵；
对吸气相的肺实质图像到呼气相的肺实质图像执行配准操作，得到第二变换矩阵；
对所述第一变换矩阵及所述第二变换矩阵进行融合操作，确定所述呼吸两相的肺实质图像对应的变换矩阵；
以及/或，
所述基于所述变换矩阵确定所述肺轮廓候选关键特征点的坐标对应的第一位移的方法，包括：
提取所述肺轮廓候选关键特征点的坐标；
分别根据所述坐标及所述变换矩阵确定所述吸气相到所述吸气相以及/或所述吸气相到吸气相的第一位移；
以及/或，
所述基于所述第一位移及获取的第一设定位移值的设定关系确定肺轮廓特征点的方法，包括：
获取第一设定位移值；
若所述第一位移大于或者等于所述第一设定位移值，则将所述第一位移对应的所述肺轮廓候选关键特征点确定为肺轮廓特征点；
以及/或，
在所述基于所述第一位移及第一设定位移值的设定关系确定肺轮廓特征点之后，还包括：
获取设定灰度阈值；
分别确定所述呼吸两相的肺轮廓特征点的灰度值；
分别基于所述呼吸两相的肺轮廓特征点的灰度值及所述灰度阈值确定最终的肺轮廓特征点。
5.根据权利要求1-3任一项所述的确定方法，其特征在于，所述肺轮廓特征点还包括：由肺内特征点引起的肺轮廓特征点，确定所述由肺轮廓特征点引起的肺轮廓特征点的方法，包括：
根据所述变换矩阵及所述呼吸两相的肺实质图像确定肺实质内部点的坐标对应的第二位移；
分别基于所述第二位移及获取的第二设定位移值的设定关系确定所述呼吸两相的肺内特征点；
分别根据所述呼吸两相的肺内特征点确定其到最近肺轮廓的肺轮廓特征点。
6.根据权利要求5所述的确定方法，其特征在于，所述确定所述由肺轮廓特征点引起的肺轮廓特征点的方法，还包括：
获取设定灰度阈值；
分别确定所述呼吸两相的最近肺轮廓的肺轮廓特征点的灰度值；
分别基于所述呼吸两相的最近肺轮廓的肺轮廓特征点的灰度值及所述设定灰度阈值确定最终的肺轮廓特征点。
7.根据权利要求1-6任一项所述的确定方法，其特征在于，在确定所述肺轮廓特征点或最终的肺轮廓特征点之后，还包括：
将呼气对应的所述肺轮廓特征点或最终的肺轮廓特征点映射到吸气相，得到所述吸气相的肺轮廓特征点；
以及/或，
将吸气对应的所述肺轮廓特征点或最终的肺轮廓特征点映射到呼气相，得到所述呼气相的肺轮廓特征点。
8.一种肺轮廓特征点的确定装置，其特征在于
获取单元，用于获取呼吸两相的肺实质图像；
第一确定单元，用于分别根据所述呼吸两相的肺实质图像确定呼吸两相的肺表面轮廓，分别基于所述呼吸两相的肺表面轮廓的形态确定呼吸两相的肺轮廓候选关键特征点；
第二确定单元，用于确定所述呼吸两相的肺实质图像对应的变换矩阵，基于所述变换矩阵确定所述肺轮廓候选关键特征点的坐标对应的第一位移；
第三确定单元，用于基于所述第一位移及第一设定位移值的设定关系确定肺轮廓特征点。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的确定方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110677295.6A CN113538481B (zh) | 2021-06-18 | 2021-06-18 | 肺轮廓特征点的确定方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110677295.6A CN113538481B (zh) | 2021-06-18 | 2021-06-18 | 肺轮廓特征点的确定方法及装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113538481A true CN113538481A (zh) | 2021-10-22 |
| CN113538481B CN113538481B (zh) | 2023-06-23 |
Family
ID=78096319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110677295.6A Active CN113538481B (zh) | 2021-06-18 | 2021-06-18 | 肺轮廓特征点的确定方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113538481B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080181481A1 (en) * | 2006-12-11 | 2008-07-31 | Siemens Corporation Research, Inc. | Method and System for Locating Opaque Regions in Chest X-Ray Radiographs |
| CN104751178A (zh) * | 2015-03-31 | 2015-07-01 | 上海理工大学 | 基于形状模板匹配结合分类器的肺结节检测装置及方法 |
| CN105550637A (zh) * | 2015-12-04 | 2016-05-04 | 小米科技有限责任公司 | 轮廓点定位方法及装置 |
| CN106952285A (zh) * | 2017-02-15 | 2017-07-14 | 上海交通大学 | 基于先验统计运动模型及自适应配准的肺部运动估计方法 |
| CN110197504A (zh) * | 2019-06-05 | 2019-09-03 | 首都师范大学 | 图像配准方法、装置、电子设备及计算机可读存储介质 |
| CN111145226A (zh) * | 2019-11-28 | 2020-05-12 | 南京理工大学 | 基于ct影像的三维肺部特征提取方法 |
| 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 |
| CN111260671A (zh) * | 2020-05-07 | 2020-06-09 | 北京精诊医疗科技有限公司 | 一种ct影像肺部分叶方法及*** |
| CN111862130A (zh) * | 2020-07-21 | 2020-10-30 | 北京肿瘤医院(北京大学肿瘤医院) | 一种用于医学成像的体表轮廓估算方法 |
-
2021
- 2021-06-18 CN CN202110677295.6A patent/CN113538481B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080181481A1 (en) * | 2006-12-11 | 2008-07-31 | Siemens Corporation Research, Inc. | Method and System for Locating Opaque Regions in Chest X-Ray Radiographs |
| CN104751178A (zh) * | 2015-03-31 | 2015-07-01 | 上海理工大学 | 基于形状模板匹配结合分类器的肺结节检测装置及方法 |
| CN105550637A (zh) * | 2015-12-04 | 2016-05-04 | 小米科技有限责任公司 | 轮廓点定位方法及装置 |
| CN106952285A (zh) * | 2017-02-15 | 2017-07-14 | 上海交通大学 | 基于先验统计运动模型及自适应配准的肺部运动估计方法 |
| CN110197504A (zh) * | 2019-06-05 | 2019-09-03 | 首都师范大学 | 图像配准方法、装置、电子设备及计算机可读存储介质 |
| CN111145226A (zh) * | 2019-11-28 | 2020-05-12 | 南京理工大学 | 基于ct影像的三维肺部特征提取方法 |
| 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 |
| CN111260671A (zh) * | 2020-05-07 | 2020-06-09 | 北京精诊医疗科技有限公司 | 一种ct影像肺部分叶方法及*** |
| CN111862130A (zh) * | 2020-07-21 | 2020-10-30 | 北京肿瘤医院(北京大学肿瘤医院) | 一种用于医学成像的体表轮廓估算方法 |
Non-Patent Citations (4)
| Title |
|---|
| ALDÍSIO G. MEDEIROS等: "A new fast morphological geodesic active contour method for lung CT image segmentation", 《MEASUREMENT》 * |
| SAAD NADEEM: "LDeform: Longitudinal deformation analysis for adaptive radiotherapy of lung cancer", 《MEDICAL PHYSICS》 * |
| 周颖玥等: "同体呼气相和吸气相肺部高分辨率CT体积图像的配准", 《航天医学与医学工程》 * |
| 王群: "基于图谱的微型CT小鼠器官分割方法", 《中国优秀硕士学位论文全文数据库：信息科技辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113538481B (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110647834B (zh) | 人脸和人手关联检测方法及装置、电子设备和存储介质 | |
| CN109978886B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN110674719B (zh) | 目标对象匹配方法及装置、电子设备和存储介质 | |
| US20210097715A1 (en) | Image generation method and device, electronic device and storage medium | |
| JP6134446B2 (ja) | 画像分割方法、画像分割装置、画像分割デバイス、プログラム及び記録媒体 | |
| CN113569798A (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
| CN111899268B (zh) | 图像分割方法及装置、电子设备和存储介质 | |
| CN109584362B (zh) | 三维模型构建方法及装置、电子设备和存储介质 | |
| CN109446912B (zh) | 人脸图像的处理方法及装置、电子设备和存储介质 | |
| CN107944367B (zh) | 人脸关键点检测方法及装置 | |
| CN110705626A (zh) | 一种图像处理方法及装置、电子设备和存储介质 | |
| CN110706339B (zh) | 三维人脸重建方法及装置、电子设备和存储介质 | |
| CN110933334B (zh) | 视频降噪方法、装置、终端及存储介质 | |
| CN108648280B (zh) | 虚拟角色驱动方法及装置、电子设备和存储介质 | |
| CN109840939A (zh) | 三维重建方法、装置、电子设备及存储介质 | |
| CN111241887A (zh) | 目标对象关键点识别方法及装置、电子设备和存储介质 | |
| CN109377446A (zh) | 人脸图像的处理方法及装置、电子设备和存储介质 | |
| WO2023051356A1 (zh) | 一种虚拟对象的显示方法及装置、电子设备和存储介质 | |
| CN112581358A (zh) | 图像处理模型的训练方法、图像处理方法及装置 | |
| CN111724361B (zh) | 实时显示病灶的方法及装置、电子设备和存储介质 | |
| CN110929616B (zh) | 一种人手识别方法、装置、电子设备和存储介质 | |
| CN110807769B (zh) | 图像显示控制方法及装置 | |
| US20150371367A1 (en) | Method and terminal device for retargeting images | |
| CN111724364B (zh) | 基于肺叶及气管树的方法及装置、电子设备和存储介质 | |
| WO2020078102A1 (zh) | 图像增强方法、装置和计算机可读存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |