CN113870167A - 用于对肺部图像进行分割的方法、***以及存储介质 - Google Patents
用于对肺部图像进行分割的方法、***以及存储介质 Download PDFInfo
- Publication number
- CN113870167A CN113870167A CN202010530332.6A CN202010530332A CN113870167A CN 113870167 A CN113870167 A CN 113870167A CN 202010530332 A CN202010530332 A CN 202010530332A CN 113870167 A CN113870167 A CN 113870167A
- Authority
- CN
- China
- Prior art keywords
- image data
- lung
- segmentation
- updated
- lung lobe
- 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.)
- Pending
Links
- 210000004072 lung Anatomy 0.000 title claims abstract description 255
- 238000000034 method Methods 0.000 title claims abstract description 123
- 230000011218 segmentation Effects 0.000 claims abstract description 191
- 230000003902 lesion Effects 0.000 claims abstract description 80
- 206010035664 Pneumonia Diseases 0.000 claims abstract description 55
- 238000013135 deep learning Methods 0.000 claims description 42
- 230000000877 morphologic effect Effects 0.000 claims description 39
- 210000004204 blood vessel Anatomy 0.000 claims description 18
- 238000002059 diagnostic imaging Methods 0.000 claims description 18
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000003628 erosive effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000010339 dilation Effects 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000002685 pulmonary effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 13
- 238000002591 computed tomography Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000013170 computed tomography imaging Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 201000001178 Bacterial Pneumonia Diseases 0.000 description 3
- 206010035737 Pneumonia viral Diseases 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 208000009421 viral pneumonia Diseases 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000005022 packaging material Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
-
- 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
- G06T2207/30064—Lung nodule
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及用于对肺部图像进行分割的方法、***以及存储介质。用于对肺部图像进行分割的方法,包括:获取包含肺部区域的医学图像数据;对所述医学图像数据进行肺叶分割,以生成多个肺叶数据子集;基于所述多个肺叶数据子集中的一个或多个肺叶数据子集,生成更新的肺部图像数据;以及对所述更新的肺部图像数据进行病灶分割,以生成标识肺炎病灶的分割图像。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及用于对肺部图像进行分割的方法和***。本发明还特别涉及执行上述方法的处理器以及存储有能够实现上述方法的计算机程序的计算机可读存储介质。
背景技术
计算机断层扫描(CT)是诊断肺部疾病(例如肺炎)的一种重要手段,在患者较多的情形下有必要利用人工智能技术改进扫描的图像质量和提升扫描效率,其中一种方式包括基于CT影像快速并准确的分割病灶。随着计算机的发展,不断涌现出了一些的病灶图像分割方法,如双边阈值、分水岭、水平集、图割等。近年来,基于深度学习的病灶分割方也广泛地应用在医学图像处理领域中。然而,以上这些方法对于一些肺部症状的CT图像分割均存在需要改进之处,例如传统方法往往适应于特定的数据、分割速度比较慢、分割的准确性也不足,基于深度学习的方法存在因为数据量不足导致漏分割的情况。
因此,有必要设计新的肺部图像分割的方法及***,以提高病灶分割的准确度和精确度。
发明内容
根据本发明的第一方面,提供一种用于对肺部图像进行分割的方法,该方法包括:获取包含肺部区域的医学图像数据;对所述医学图像数据进行肺叶分割,以生成多个肺叶数据子集;基于所述多个肺叶数据子集中的一个或多个肺叶数据子集,生成更新的肺部图像数据;以及对所述更新的肺部图像数据进行病灶分割,以生成标识肺炎病灶的分割图像。
根据本发明的第二方面,提供一种用于对肺部图像进行分割的***,该***包括:获取模块,用于获取包含肺部区域的医学图像数据;肺叶分割模块,用于对所述医学图像数据进行肺叶分割,以在所述医学图像数据中限定多个边界;肺部图像更新模块,用于基于所述医学图像数据的所述多个边界中的一个或多个边界内的图像数据,生成更新的肺部图像数据;以及病灶分割模块,用于对所述更新的肺部图像数据进行病灶分割,以生成标识肺炎病灶的分割图像。
与现有方法和***(在不进行肺叶分割的情况下直接针对肺炎病灶对CT图像进行分割)不同的是,本发明的方法和***通过在获取到包含肺部区域的CT图像之后,先进行肺叶分割,由此得到感兴趣区域的分割图像,最后在感兴趣区域中分割肺炎病灶,从而得到准确标识肺炎病灶的分割图像。
较佳地,在对所述医学图像数据进行肺叶分割之前,对所述医学图像数据进行预处理,其中对所述医学图像数据进行预处理包括以下中的至少一项:对所述医学图像数据进行裁剪;对所述医学图像数据进行重采样;以及对所述医学图像数据进行去噪。
较佳地,对所述医学图像数据进行肺叶分割包括:利用深度学习网络或阈值算法对所述医学图像数据进行肺叶分割。优选地,对所述医学图像数据进行肺叶分割还包括:对利用所述深度学习网络或所述阈值算法进行肺叶分割的医学图像数据执行区域生长算法。优选地,对所述医学图像数据进行肺叶分割还包括:对经历所述区域生长算法的所述医学图像数据进行形态学闭操作。
较佳地,生成所述更新的肺部图像数据包括:对所述多个肺叶数据子集中的至少两个肺叶数据子集或所述多个边界中的至少两个边界内的图像数据进行合并。优选地。生成所述更新的肺部图像数据还包括:对所合并的肺叶数据子集进行形态学闭操作。
较佳地,所述多个肺叶数据子集或所述多个边界内的图像数据包括对应于右肺上叶、右肺中叶、右肺下叶、左肺上叶、左肺下叶和气道的数据子集或图像数据。优选地,所述更新的肺部图像数据是基于右肺上叶、右肺中叶、右肺下叶、左肺上叶和左肺下叶的数据子集或图像数据生成的肺分割图像数据。
较佳地,所述多个肺叶数据子集或所述多个边界内的图像数据包括对应于血管的数据子集或图像数据,并且所述更新的肺部图像数据是基于血管的数据子集或图像数据生成的血管分割图像数据。
较佳地,对所述更新的肺部图像数据进行病灶分割包括:利用深度学习分割方法对所述更新的肺部图像数据进行病灶分割,以得到第一分割图像数据;利用阈值算法对所述更新的肺部图像数据进行病灶分割,以得到第二分割图像数据;以及对所述第一分割图像数据和所述第二分割图像数据进行融合以生成融合的图像数据。优选地,利用深度学习分割方法对所述更新的肺部图像数据进行病灶分割包括:对所述更新的肺部图像数据进行数据切块,以生成多个数据块;以及利用深度学习分割网络对所述多个数据块中的每个数据块进行病灶分割。优选地,对所述更新的肺部图像数据进行病灶分割进一步包括对所述融合的图像数据进行形态学操作,该形态学操作包括形态学腐蚀与膨胀操作中的至少一种。
根据本发明的第三方面,提供了一种***,其包括用于执行上述方法的处理器。较佳地,所述***还包括:医学成像***,用于进行成像扫描以生成医学图像数据;存储装置,用于存储所述医学图像数据;以及医学成像工作站或医学图像云平台分析***,通信地连接至所述存储装置,其中所述处理器被包含在所述医学成像工作站或医学图像云平台分析***中。
根据本发明的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的方法的步骤。
通过下面的详细描述、附图以及权利要求,其他特征和方面会变得清楚。
附图说明
通过结合附图对于本发明的示例性实施例进行描述,可以更好地理解本发明,在附图中:
图1示出根据本发明示例性实施例的方法所适用的CT成像***10;
图2是图1所示的示例CT成像***的示意性框图;
图3是根据本发明的示例性实施例的对肺部图像进行分割的方法300的流程图;
图4示出根据本发明的方法所得的肺叶分割结果的示例;
图5示出图像在进行形态学闭操作前后的示例比较图;
图6示出了根据本发明的示例性实施例的肺炎病灶分割步骤的流程图;
图7示出了根据本发明的示例性实施例的肺炎病灶分割过程的示意图;
图8分别示出肺炎病灶分割过程中利用深度学习分割法、阈值分割法和形态学操作的分割结果的示例效果图;
图9和图10分别示出了原始CT图像与经预处理的CT图像的示例;
图11和图12是根据本发明的示例性实施例的对肺部图像进行分割的***1100、1200的示意性框图;
图13示出了根据利用本发明的方法和***对CT图像进行分割所得到的分割图像生成的3D视图的示例;以及
图14示出根据本发明实施例的电子设备1400的示例。
具体实施方式
以下将描述本发明的具体实施方式,需要指出的是,在这些实施方式的具体描述过程中,为了进行简明扼要的描述,本说明书不可能对实际的实施方式的所有特征均作详尽的描述。应当可以理解的是,在任意一种实施方式的实际实施过程中,正如在任意一个工程项目或者设计项目的过程中,为了实现开发者的具体目标,为了满足***相关的或者商业相关的限制,常常会做出各种各样的具体决策,而这也会从一种实施方式到另一种实施方式之间发生改变。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本发明公开的内容相关的本领域的普通技术人员而言,在本公开揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本公开的内容不充分。
除非另作定义,权利要求书和说明书中使用的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“一个”或者“一”等类似词语并不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同元件,并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,也不限于是直接的还是间接的连接。
针对X射线计算机断层摄影(CT)***描述本发明的操作环境。本领域技术人员将理解,本发明适用于其他放射线成像***或基于其他高频电磁能的成像***。
图1示出根据本发明示例性实施例的方法所适用的CT成像***10。图2是图1所示的示例CT成像***的示意性框图。
参见图1,CT成像***10被示出为包括扫描架12。扫描架12具有X射线源14,X射线源14朝向扫描架12的相对侧上的检测器组件或准直器18投射X射线束。
参见图2,检测器组件18包括多个检测器单元20和数据采集***(DAS)32。多个检测器单元20感测穿过对象22的经投射的X射线16。
DAS 32根据检测器单元20的感测,将收集到的信息转换为投影数据以供后续处理。在采集X射线投影数据的扫描期间,扫描架12以及安装于其上的部件绕着旋转中心24旋转。
扫描架12的旋转和X射线源14的操作由CT***10的控制机构26控制。控制机构26包括向X射线源14提供功率和定时信号的X射线控制器28以及控制扫描架12的旋转速度和位置的扫描架电机控制器30。图像重建装置34从DAS 32接收投影数据并且执行图像重建。重建的图像作为输入传输至计算机36,计算机36将图像存储在大容量存储装置38中。
计算机36还通过控制台40从操作员接收命令和扫描参数,控制台40具有某种形式的操作员界面,例如键盘、鼠标、语音激活控制器或任何其他合适的输入装置。相关联的显示器42允许操作员观察来自计算机36的重建图像和其他数据。操作者提供的命令和参数由计算机36使用,以向DAS 32、X射线控制器28和扫描架电机控制器30提供控制信号和信息。另外,计算机36操作工作台电机控制器44,其控制工作台46以定位对象22和扫描架12。特别地,工作台46使对象22全部或部分地移动通过图1的扫描架开口48。
上面仅描述了适于应用本发明的方法的成像***的一个示例,本领域技术人员将认识到,本发明的方法同样可以适用于任何基于其他放射线或高频电磁能的成像***或设备。
根据本发明的实施例,提供了一种用于对肺部图像进行分割的方法。参考图3,图3是根据本发明的示例性实施例的用于对肺部图像进行分割的方法300的流程图。该第一实施例以该方法300应用于图1所示的CT成像***来举例说明。如图3所示,根据第一实施例的用于对肺部图像进行分割的方法300可以包括以下步骤S310至S370。
在步骤S310中,获取包含肺部区域的医学图像数据。医学图像数据可以来自于成像设备的图像重建装置,也可以被预先保存在存储器中。在本发明的一些实施例中,医学图像数据可以是通过对对象的身体(包括胸部)进行扫描而获取的医学图像数据。或者,在本发明的其他实施例中,医学图像数据可以是通过对包含胸部扫描的原始医学图像数据进行一个或多个处理而得到的图像数据。如此,医学图像数据可以包括对应于对象的肺部区域的图像数据。
在步骤S330中,对所述医学图像数据进行肺叶分割,以生成多个肺叶数据子集。
在本发明的一些实施例中,多个肺叶数据子集可以包括对应于右肺上叶R1、右肺中叶R2、右肺下叶R3、左肺上叶L1、左肺下叶L2和气道A的数据子集。在本发明的其他实施例中,多个肺叶数据子集可以包括对应于血管的数据子集。
在本发明的一些实施例中,可以利用特定的深度学习网络或阈值算法对医学图像数据进行肺叶分割,以得到多个初始肺叶数据子集。深度学习网络可以是传统神经网络(CNN)、全卷积神经网络(FCN)、深度卷积神经网络(DCNN)、Dense-VNet网络、U-net网络等等。阈值算法可以是双边阈值算法、OStu大津算法、自适应阈值算法等等。
可选地,可以针对利用深度学习网络或阈值算法进行肺叶分割的医学图像数据执行区域生长算法。例如,可以分别针对对应于R1、R2、R3、L1、L2、A和/或BV的初始数据子集自动选择种子点,使用最大连通算法来去除分离的噪声点以优化分割结果,从而得到对应于R1、R2、R3、L1、L2、A和/或BV的中间数据子集。注意,区域生长算法的执行是可选的,而非必须。例如,可以直接将前述的多个初始肺叶数据子集用作肺叶分割的结果,即多个肺叶数据子集。
可选地,可以对经历区域生长算法的医学图像数据进行形态学闭操作。例如,针对对应于R1、R2、R3、L1、L2、A和/或BV的中间数据子集,可以分别进行形态学闭操作,从而得到对应于R1、R2、R3、L1、L2、A和/或BV的最终肺叶数据子集,作为肺叶分割结果。注意,形态学闭操作是可选的,而非必须。例如,可以直接将前述的多个中间数据子集用作肺叶分割的结果,即多个肺叶数据子集。
参考图4,其中示出了示例肺叶分割结果,其中肺叶分割结果(多个肺叶数据子集)包括对应于R1、R2、R3、L1、L2和A的数据子集。
返回参考图3,在步骤S350中,基于所述多个肺叶数据子集中的一个或多个肺叶数据子集,生成更新的肺部图像数据。
在本发明的一些实施例中,如果只关注医学图像数据中的肺部区域中的一个部分(例如,R1、R2、R3、L1、L2和BV中的一者),那么可以仅针对该部分生成更新的肺部图像数据。也就是说,可以直接将多个肺叶数据子集中的一个数据子集用作更新的肺部图像数据以进行后续处理。例如,在一些肺炎早期阶段,肺炎病灶可能只存在于肺内血管处,而没有扩散至肺组织,在此情况下,本公开的方法可以被使用来仅针对血管来进行病灶分割,从而得到肺内血管的病灶分割结果。因此,作为示例,可以仅基于肺叶数据子集BV来得到肺内血管的分割图像数据,作为上述更新的肺部图像数据。
在本发明的一些实施例中,如果关注医学图像中的肺部区域中的多个部分(例如,R1、R2、R3、L1和L2),那么可以针对这些部分生成更新的肺部图像数据。具体地,可以将对应于感兴趣的多个部分的肺叶数据子集进行合并,以生成合并的图像数据。例如,可以合并肺叶数据子集R1、R2、R3、L1和L2来得到整肺的分割图像数据。或者,可以仅合并肺叶数据子集R1、R2和R3来得到右肺的分割图像数据,也可以仅合并肺叶数据子集L1和L2来得到左肺的分割图像数据。合并的方式可以包括、但不限于图像并操作。
可选地,可以对合并的图像数据(即,所合并的肺叶数据子集)进行形态学闭操作,得到所需的分割结果(即,更新的肺部图像数据)。对图像数据进行形态学闭操作可以弥合图像中的狭窄间断,填充小的空洞。参考图5,其中示出了图像在进行形态学闭操作前后的示例比较图。在图5中的方框所指示的区域内,进行形态学闭操作后的图像的完整性/连贯性得以改善。
返回参考图3,在步骤S370中,对所述更新的肺部图像数据进行病灶分割,以生成标识肺炎病灶的分割图像。
以上描述了根据本发明示例性实施例的用于对肺部图像进行分割的方法。与现有方法(在不进行肺叶分割的情况下直接对医学图像进行病灶分割)不同的是,本发明的方法通过在获取到包含肺部区域的医学图像数据之后,先进行肺叶分割,由此得到感兴趣区域的分割图像,最后在感兴趣区域中分割肺炎病灶,从而得到肺炎病灶的分割图像。本公开的方法特别适合于解决一些肺炎病灶的精准分割的问题,在后续的一些病灶的精准定量分析方面具有重要意义。不过,本领域技术人员能够意识到,本公开的方法不仅适用于一些肺炎病灶的分割,还适合于其他的病毒性肺炎、细菌性肺炎以及非他肺部炎症区域的分割。
在本发明的可选实施方式中,步骤S370可以进一步包括如下子步骤S610至S670,如图6所示。在子步骤S610,可以利用深度学习分割方法对更新的肺部图像数据进行病灶分割,以得到基于深度学习的第一分割图像数据。
在本发明的一些实施例中,可选地,可以首先在更新的肺部图像数据中限定包围肺部区域的三维包围盒。例如,三维包围盒可以是包围肺部区域的最小立方体包围盒。然后,可以对三维包围盒内的图像数据进行数据切块,以生成多个数据块。多个数据块各自可以具有预定大小。例如,假设包围肺部区域的三维包围盒的数据矩阵大小为128*128*128,那么可以将其滑动剪裁成8个64*64*64大小的数据块。注意,本公开并不意在限制数据块的大小和数量,只要数据块的大小能够满足后续分割步骤期间所采用的深度学习网络的输入要求即可。例如,数据块的尺寸可以根据实际GPU的显存和深度学习网络的复杂度来设定。另外,如果的三维包围盒的数据矩阵大小无法被数据块的预定大小整除,那么就按照最大化数据块的数量的方式来自动补全。为了简化描述,以二维图来举例说明,假设原图尺寸为574(H)x 437(W),而用100*100去进行裁剪,那么按照最大分割来就要裁剪成6*5共30张,即数量=(H/100取整后+1)×(W/100取整后+1)。也就是说,即使原图的H为501,也要在H方向上裁成6段(501/100取整为5然后+1)。
接着,利用深度学习分割网络对多个数据块中的每个数据块进行病灶分割,以得到多个相应的分割结果。例如,可以将每个数据块输入到深度学习网络中进行针对肺炎病灶的分割,从而得到每个数据块的分割结果。深度学习网络可以是传统神经网络(CNN)、全卷积神经网络(FCN)、深度卷积神经网络(DCNN)、Dense-VNet网络、U-net网络等等。随后,可以对多个相应的分割结果进行拼接。例如,可以将每个数据块的分割结果拼接在一起,从而得到基于深度学习的分割图像数据(即,第一分割图像数据)。注意,上述的数据切块过程是可选的,而非必须。例如,可以直接对更新的肺部图像数据进行基于深度学习的病灶分割。
图7是示出利用深度学习分割方法对更新的肺部图像数据进行病灶分割的示意图。如上所述,首先在更新的肺部图像数据中限定包围肺部区域的三维包围盒,然后,对三维包围盒内的图像数据进行数据切块,以生成多个数据块。每一个数据块被输入深度学习网络(特别是基于卷积网络的分割模型),该深度学习网络然后输出每一个数据块的分割结果。将每一个数据块的分割结果按照数据块的原始次序重新拼接在一起,从而得到更新的肺部图像数据的基于深度学习的分割结果。在图7中示出更新的肺部图像数据701、经切块的肺部图像数据702、切块过程703以及分割结果704,其中分割结果704中的由不规则实线所包围的区域为分割的病灶图像。
重新参考图6,在子步骤S630中,可以利用阈值算法对更新的肺部图像数据进行分割以得到第二分割图像数据。在本发明的一些实施例中,可以利用双边阈值方法在更新的肺部图像数据中将肺炎病灶与正常肺组织区别开来。例如,可以通过阈值分割将肺炎病灶从周围的肺组织中提取出来,从而得到基于阈值法的分割图像数据(即,第二分割图像数据)。注意,阈值算法不限于特定的算法,并且还可以为OStu大津算法、自适应阈值算法等。
在子步骤S650中,可以对第一分割图像数据和第二分割图像数据进行融合以生成融合的图像数据。在本发明的一些实施例中,可以通过对第一分割图像数据和第二分割图像数据进行并操作来实现融合。
在可选的子步骤S670中,可以进一步对融合的图像数据进行形态学操作。可选地,在本发明的一些实施例中,对融合的图像数据进行的形态学操作可以包括形态学腐蚀与膨胀操作中的至少一种,从而使得肺炎病灶的分割图像不包括直径小于预定阈值的病灶。例如,可以利用形态学腐蚀操作来剔除直径小于5mm的病灶,因为直径小于5mm的某些器官可能会被误分割为病灶,而且临床医师在查看肺炎病灶图像时可能较不关心相对较小的病灶。
图8分别示出肺炎病灶分割过程中利用深度学习分割法、阈值分割法和形态学操作的示例效果图。在输入图像(对应于更新的肺部图像数据)L中分别采用深度学习网络(例如,基于神经网络的分割模型)和阈值分割算法针对肺炎病灶进行分割,从而得到基于深度学习分割法的分割图像D和基于阈值分割法的分割图像T。如图所示,在分割图像D中,方框内的部分病灶未被分割出,而这部分病灶在分割图像T中被分割出。对基于深度学习分割法的分割图像D和基于阈值分割法的分割图像T采取图像并操作从而得到融合的图像I。如此,在融合的分割图像I中,基于深度学习分割法标识的病灶与基于阈值法标识的病灶都被标识出了。最后,可以任选地对融合的图像I进行形态学操作(例如,形态学腐蚀和膨胀操作)来得到最终的病灶分割结果。
通过上述组合过程,可以在对包含肺部区域的医学图像数据进行预分割之后,分别采用深度学习分割法和阈值分割法来针对肺炎病灶进行分割并且对通过这两者分割方式所得的分割结果进行融合,可选地利用形态学操作对融合的分割结果进行优化来得到肺炎病灶的分割图像。通过上述组合过程得到的分割图像表现出比通过单一分割方式得到的分割图像更好的效果。基于深度学习的分割方法对于面积较大的病灶分割具有优势,而肺炎病灶(特别是,一些肺炎病灶)大都是弥散性的,范围较大,所以基于深度学习的分割优势得以体现;但是,基于深度学习的分割方法对于小病灶的分割效能较差,会出现漏分割的情况(例如,在图8的图像D中的方框所示的区域内,部分病灶并未被识别/分割出)。而在阈值分割法中,如果增加阈值范围,可以提高对病灶的敏感性;但是,阈值分割法的假阳性较多,诸如肺血管之类的组织会被误分割为病灶。上述可选实施方式通过结合这两种分割方法,能够很大程度上提高肺炎病灶分割的敏感性和精度,并且结合形态学操作来去除一些不相关(或不感兴趣)的组织,从而进一步提高肺炎病灶分割的准确度。
可选地,在本发明的一些实施例中,为了进一步提高肺炎病灶分割的准确度并且改进肺炎病灶分割的三维可视化效果,在对医学图像数据进行肺叶分割之前,可以对医学图像数据进行预处理。对医学图像数据进行预处理可以包括图像裁剪、图像采样和/或图像去噪。
在本发明的一些实施例中,可以通过判断医学图像数据是否仅包括胸部扫描图像数据来确定是否进行图像裁剪。例如,如果除了肺部区域之外,医学图像还包括其他身体部位、或者背景(诸如,扫描架的一部分),那么可以对医学图像数据进行裁剪,以去除医学图像中的除肺部区域以外的身体区域或背景的图像数据的至少一部分。在图像采样过程中,可以对医学图像数据进行重采样以重新限定其像素间距。此外,可以对原始医学图像数据或经裁剪的医学图像数据采用线性插值以使图像体素为期望的尺寸,例如1*1*1。另外,可以对原始医学图像数据或经裁剪/重采样的图像进行去噪(例如,经由高斯滤波器、全变分滤波器、中值滤波器、深度学***滑化。注意,本领域技术人员可以理解到,预处理不要求对医学图像数据进行全部上述操作,而是可以进行其中一项或多项。另外,本领域技术人员也可以根据需要进行其他预处理操作。
图9-图10分别示出了原始医学图像与经预处理的医学图像的示例。如图所示,原始医学图像数据经预处理(包括图像裁剪、图像采样和图像去噪)之后,图像数据尺寸由512*512*249被裁剪为416*362*311,图像的像素间距由0.814*0.814*1.25被重采样为1*1*1,图像的信噪比由0.37/0.26/0.31被降低为0.36/0.22/0.31。
与上述方法类似,本发明还提供了相应的***。
图11是根据本发明的示例性实施例的对肺部图像进行分割的***1100的示意性框图。参见图11,用于对肺部图像进行分割的***1100可以包括:获取模块1101,用于获取包含肺部区域的医学图像数据;肺叶分割模块1102,用于对医学图像数据进行肺叶分割,以在医学图像数据中限定多个边界;肺部图像更新模块1103,用于基于医学图像数据的多个边界中的一个或多个边界内的图像数据,生成更新的肺部图像数据;病灶分割模块1104,用于对更新的肺部图像数据进行病灶分割,以生成标识肺炎病灶的分割图像。
多个边界内的图像数据可以包括对应于包括右肺上叶R1、右肺中叶R2、右肺下叶R3、左肺上叶L1、左肺下叶L2和气道的图像数据。或者,多个边界内的图像数据可以包括对应于血管的图像数据。
在本发明的一些实施例中,如果只关注医学图像数据中的肺部区域中的一个部分(例如,R1、R2、R3、L1、L2和BV中的一者),那么可以仅针对该部分生成更新的肺部图像数据。也就是说,可以直接将多个边界中的一个边界内的图像数据用作更新的肺部图像数据以进行后续处理。作为示例,可以仅基于血管BV边界内的图像数据来得到肺内血管的分割图像数据,作为上述更新的肺部图像数据。
在本发明的一些实施例中,如果关注医学图像中的肺部区域中的多个部分(例如,R1、R2、R3、L1和L2),那么可以针对这些部分生成更新的肺部图像数据。具体地,可以将对应于感兴趣的多个部分的边界内的图像数据进行合并,以生成合并的图像数据。例如,可以合并肺叶R1、R2、R3、L1和L2的边界内的图像数据来得到整肺的分割图像数据。或者,可以仅合并肺叶R1、R2和R3的边界内的图像数据来得到右肺的分割图像数据,也可以仅合并肺叶L1和L2的边界内的图像数据来得到左肺的分割图像数据。合并的方式可以包括、但不限于图像并操作。
在本发明的一些实施例中,***1100还可以包括预处理模块1105(可选的,因此在图11中以虚线框示出),用于对获取的医学图像数据进行包括以下中的至少一项的操作:对医学图像数据进行裁剪;对医学图像数据进行重采样;以及对医学图像数据进行去噪。
在本发明的一些实施例中,肺叶分割模块1102还可以用于利用深度学习网络或阈值算法对医学图像数据进行肺叶分割;针对利用深度学习网络或阈值算法进行肺叶分割的医学图像数据执行区域生长算法;和/或对经历区域生长算法的医学图像数据进行形态学闭操作。
在本发明的一些实施例中,更新的肺部图像数据生成模块1103还用于对多个边界中的至少两个边界内的图像数据进行合并。
在本发明的一些实施例中,肺炎病灶分割模块1104还用于:利用深度学习分割方法对更新的肺部图像数据进行病灶分割,以得到第一分割图像数据;利用阈值算法对更新的肺部图像数据进行病灶分割,以得到第二分割图像数据;对第一分割图像数据和第二分割图像数据进行融合以生成融合的图像数据;和/或对融合的图像数据进行形态学操作。
以上结合图11描述了根据本发明示例性实施例的用于对肺部图像进行分割的***1100。采用了该***,可以通过在获取到包含肺部区域的医学图像数据之后,先进行肺叶分割,由此得到感兴趣区域的分割图像,最后在感兴趣区域中分割肺炎病灶,从而得到肺炎病灶的分割图像。本公开的***特别适合于解决一些肺炎病灶的精准分割的问题,在后续的一些肺炎的精准定量分析方面具有重要意义。不过,本领域技术人员能够意识到,本公开的***不仅适用于一些肺炎病灶的分割,还适合于其他的病毒性肺炎、细菌性肺炎以及非他肺部炎症区域的分割。进一步地,***1100还可以通过结合两种分割方法(深度学习分割方法和阈值分割方法),很大程度上提高肺炎病灶分割的敏感性和精度,并且可选地结合形态学操作来去除一些不相关(或不感兴趣)的组织,从而进一步提高肺炎病灶分割的准确度。
图12是根据本发明的另一个示例性实施例的***1200的示意性框图。参见图12,用于对肺部图像进行分割的***1200可以包括用于进行成像扫描以生成医学图像数据的医学成像***1201、用于存储医学图像数据的存储装置1202以及通信地连接至存储装置1202的医学成像工作站1203或医学图像云平台分析***1204。处理器1205可以被包含在医学成像工作站1203或医学图像云平台分析***1204中,并且用于执行本公开中描述的用于对肺部图像进行分割的方法。
医学图像数据医学成像***1201可以是如关于图1和图2描述的CT成像***,也可以是基于其他放射线或高频电磁能的成像***或设备。存储装置1202可以是在医学成像***1201、医学成像***1201外部的服务器内、独立的医学影像存储***(诸如,PACS)或远程的云存储***内的存储装置。医学成像工作站1203可以设置在医学成像***1201本地,而医学图像云平台分析***1204可以远离医学成像***1201定位,例如设置在与医学成像***1201通信的云端处。作为示例,在医疗机构利用医学成像***1201完成成像扫描之后,扫描得到的数据被存储在存储装置1202内;医学成像工作站1203可以直接获取扫描得到的数据,并且通过其处理器使用本发明的方法进行后续分析。作为另一个示例,医学图像云平台分析***1204可以通过远程通信获取存储装置1202内的医学图像数据,以提供“软件即服务(SAAS)”。SAAS可以存在于医院与医院之间、医院与影像中心之间,也可以存在于医院与第三方在线诊疗服务平台之间。
参考图13,其中示出了根据利用本发明的方法和***对医学图像数据进行分割所得到的分割图像生成的3D视图的示例。在该示例中,更新的肺部图像数据所基于的肺叶数据子集或图像数据为对应于右肺上叶R1、右肺中叶R2、右肺下叶R3、左肺上叶L1的左肺下叶L2的数据子集或图像数据。因此,在所得的分割图像中,右肺上叶R1、右肺中叶R2、右肺下叶R3、左肺上叶L1的左肺下叶L2中的肺炎病灶被标识,即与非肺炎病灶区域区分开。
以上描述的技术和/或实施例中的一个或多个可采用硬件和/或软件实现或包括硬件和/或软件,例如,在一个或多个计算设备(例如,计算机36)上执行的模块或装置。当然,本文所描述的模块或装置示出了各种功能并且不限于限制任何实施例的结构和功能。相反,可通过根据各种设计考虑的更多或更少的模块或装置不同地划分并执行各个模块或装置的功能。
示例性计算设备
图14示出根据本发明实施例的电子设备1400的示例。电子设备1400包括:一个或多个处理器1420;存储装置1410,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器1420执行,使得所述一个或多个处理器1420实现本发明实施例所提供的分割方法。处理器诸如例如,数字信号处理器(DSP)、微控制器、专用集成电路(ASIC)或微处理器。
图14所示的电子设备1400仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图14所示,电子设备1400以通用计算设备的形式表现。电子设备1400的组件可以包括但不限于:一个或者多个处理器1420,存储装置1410,连接不同***组件(包括存储装置1410和处理器1420)的总线1450。
总线1450表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外国总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外国组件互连(PCI)总线。
电子设备1400典型地包括多种计算机***可读介质。这些介质可以是任何能够被电子设备1400访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储装置1410可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)1411和/或高速缓存存储器1412。电子设备1400可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***1413可以用于读写不可移动的、非易失性磁介质(图14未显示,通常称为“硬盘驱动器”)。尽管图14中未示出,可以提供用于对可移动非易失性磁盘(例如"软盘")读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线1450相连。存储装置1410可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块1415的程序/实用工具1414,可以存储在例如存储装置1410中,这样的程序模块1415包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块1415通常执行本发明所描述的任意实施例中的功能和/或方法。
电子设备1400也可以与一个或多个外部设备1460(例如键盘、指向设备、显示器1470等)通信,还可与一个或者多个使得用户能与该电子设备1400交互的设备通信,和/或与使得该电子设备1400能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1430进行。并且,电子设备1400还可以通过网络适配器1440与一个或者多个网络(例如局域网(LAN)、广域网(WAN)和/或公共网络,例如因特网)通信。如图14所示,网络适配器1440通过总线1450与电子设备1400的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1400使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理器1420通过运行存储在存储装置1410中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种用于对肺部图像进行分割的方法。
本文描述的技术可以用硬件、软件、固件或其任何组合来实现,除非具体描述为以特定方式实现。描述为模块或部件的任何特征也可以一起实现在集成逻辑设备中,或单独实现为离散但可互操作的逻辑设备。如果用软件实现,可以至少部分地通过包括指令的非瞬态处理器可读存储介质来实现该技术,当指令被执行时,执行上述方法中的一个或多个。非暂态处理器可读数据存储介质可以形成可包括封装材料的计算机程序产品的一部分。程序代码可以用高级过程编程语言或面向对象的编程语言来实现,以便与处理***通信。如果需要,也可用汇编语言或机器语言来实现程序代码。事实上,本文中所描述的机制不限于任何特定的编程语言的范围。在任何情况下,该语言可以是编译语言或解释语言。
至少一些实施例的一个或多个方面可由存储在机器可读介质上的表示处理器中的各种逻辑的表示性指令来实现,该表示性指令在由机器获取时使得该机器制造用于执行本文中所描述的技术的逻辑。
此类机器可读存储介质可以包括但不限于通过机器或设备制造或形成的物品的非暂态的有形安排,其包括存储介质,诸如:硬盘;任何其他类型的盘,包括软盘、光盘、紧致盘只读存储器(CD-ROM)、紧致盘可重写(CD-RW)以及磁光盘;半导体器件,诸如只读存储器(ROM)、诸如动态随机存取存储器(DRAM)和静态随机存取存储器(SRAM)之类的随机存取存储器(RAM)、可擦除可编程只读存储器(EPROM)、闪存、电可擦除可编程只读存储器(EEPROM);相变存储器(PCM);磁卡或光卡;或适于存储电子指令的任何其他类型的介质。
还可以经由利用许多传输协议(例如,帧中继、网际协议(IP)、传输控制协议(TCP)、用户数据报协议(UDP)、超文本传输协议(HTTP)等等)中的任何一种协议的网络接口设备,通过使用传输介质的通信网络来进一步发送或接收指令。
示例通信网络可包括局域网(LAN)、广域网(WAN)、分组数据网络(例如,因特网)、移动电话网络(例如,蜂窝网络)、普通老式电话(POTS)网络、以及无线数据网络(例如,称为的电气与电子工程师协会(IEEE)802.11系列标准、称为的IEEE 802.16系列标准)、IEEE 802.15.4系列标准、对等(P2P)网络等。在示例中,网络接口设备可包括用于连接到通信网络的一个或多个物理插口(jack)(例如,以太网、同轴、或电话插口)或者一根或多根天线。在示例中,网络接口设备可包括使用单输入多输出(SIMO)、多输入多输出(MIMO)、或多输入单输出(MISO)技术中的至少一种技术来无线地通信的多根天线。
术语“传输介质”应当认为包括能够存储、编码或承载供由机器执行的指令的任何无形介质,并且“传输介质”包括数字或模拟通信信号或者用于促进此类软件的通信的其他无形的介质。
至此,描述了根据本发明的用于对肺部图像进行分割的方法和***,还介绍了能够实现所述方法的计算机可读存储介质。
通过本发明,可以在获取到包含肺部区域的医学图像数据之后,先进行肺叶分割,由此得到感兴趣区域的分割图像,最后在感兴趣区域中分割肺炎病灶,从而得到肺炎病灶的分割图像。本公开的方法或***特别适合于解决一些病灶的精准分割的问题,在后续的一些病灶的精准定量分析方面具有重要意义。不过,本领域技术人员能够意识到,本公开的方法或***不仅适用于一些肺炎病灶的分割,还适合于其他的病毒性肺炎、细菌性肺炎以及非他肺部炎症区域的分割。
此外,根据本发明的可选或优选实施例,本发明通过利用深度学习分割法、阈值分割法和形态学操作的组合过程,可以在对包含肺部区域的医学图像数据进行预分割之后,分别采用深度学习分割法和阈值分割法来针对肺炎病灶进行分割并且对通过这两者分割方式所得的分割结果进行融合,最后利用形态学操作对融合的分割结果进行优化来得到肺炎病灶的分割图像。通过上述组合过程得到的分割图像表现出比通过单一分割方式得到的分割图像更好的效果。具体地,通过结合这两种分割方法,能够很大程度上提高肺炎病灶分割的敏感性和精度,同时结合形态学操作来去除一些不相关的组织,从而进一步提高肺炎病灶分割的准确度。
上面已经描述了一些示例性实施例。然而,应该理解的是,在不脱离本发明精神和范围的情况下,还可以对上述示例性实施例做出各种修改。例如,如果所描述的技术以不同的顺序执行和/或如果所描述的***、架构、设备或电路中的组件以不同方式被组合和/或被另外的组件或其等同物替代或补充,也可以实现合适的结果,那么相应地,这些修改后的其它实施方式也落入权利要求书的保护范围内。
Claims (29)
1.一种用于对肺部图像进行分割的方法,包括:
获取包含肺部区域的医学图像数据;
对所述医学图像数据进行肺叶分割,以生成多个肺叶数据子集;
基于所述多个肺叶数据子集中的一个或多个肺叶数据子集,生成更新的肺部图像数据;以及
对所述更新的肺部图像数据进行病灶分割,以生成标识肺炎病灶的分割图像。
2.如权利要求1所述的方法,其特征在于,在对所述医学图像数据进行肺叶分割之前,对所述医学图像数据进行预处理,其中对所述医学图像数据进行预处理包括以下中的至少一项:对所述医学图像数据进行裁剪;对所述医学图像数据进行重采样;以及对所述医学图像数据进行去噪。
3.如权利要求1所述的方法,其特征在于,对所述医学图像数据进行肺叶分割包括:利用深度学习网络或阈值算法对所述医学图像数据进行肺叶分割。
4.如权利要求3所述的方法,其特征在于,对所述医学图像数据进行肺叶分割还包括:对利用所述深度学习网络或所述阈值算法进行肺叶分割的医学图像数据执行区域生长算法。
5.如权利要求4所述的方法,其特征在于,对所述医学图像数据进行肺叶分割还包括:对经历所述区域生长算法的所述医学图像数据进行形态学闭操作。
6.如权利要求1所述的方法,其特征在于,生成所述更新的肺部图像数据包括:对所述多个肺叶数据子集中的至少两个肺叶数据子集进行合并。
7.如权利要求6所述的方法,其特征在于,生成所述更新的肺部图像数据还包括:对所合并的肺叶数据子集进行形态学闭操作。
8.如权利要求1所述的方法,其特征在于,所述多个肺叶数据子集包括对应于右肺上叶、右肺中叶、右肺下叶、左肺上叶、左肺下叶和气道的数据子集。
9.如权利要求8所述的方法,其特征在于,所述更新的肺部图像数据是基于右肺上叶、右肺中叶、右肺下叶、左肺上叶和左肺下叶的数据子集生成的肺分割图像数据。
10.如权利要求1所述的方法,其特征在于,所述多个肺叶数据子集包括对应于血管的数据子集,并且所述更新的肺部图像数据是基于血管的数据子集生成的血管分割图像数据。
11.如权利要求1所述的方法,其特征在于,对所述更新的肺部图像数据进行病灶分割包括:
利用深度学习分割方法对所述更新的肺部图像数据进行病灶分割,以得到第一分割图像数据;
利用阈值算法对所述更新的肺部图像数据进行病灶分割,以得到第二分割图像数据;以及
对所述第一分割图像数据和所述第二分割图像数据进行融合以生成融合的图像数据。
12.如权利要求11所述的方法,其特征在于,利用深度学习分割方法对所述更新的肺部图像数据进行病灶分割包括:
对所述更新的肺部图像数据进行数据切块,以生成多个数据块;以及
利用深度学习分割网络对所述多个数据块中的每个数据块进行病灶分割。
13.如权利要求11所述的方法,其特征在于,对所述更新的肺部图像数据进行病灶分割进一步包括对所述融合的图像数据进行形态学操作,该形态学操作包括形态学腐蚀与膨胀操作中的至少一种。
14.一种用于对肺部图像进行分割的***,包括:
获取模块,用于获取包含肺部区域的医学图像数据;
肺叶分割模块,用于对所述医学图像数据进行肺叶分割,以在所述医学图像数据中限定多个边界;
肺部图像更新模块,用于基于所述医学图像数据的所述多个边界中的一个或多个边界内的图像数据,生成更新的肺部图像数据;以及
病灶分割模块,用于对所述更新的肺部图像数据进行病灶分割,以生成标识肺炎病灶的分割图像。
15.如权利要求14所述的***,还包括预处理模块,用于对所述医学图像数据进行包括以下中的至少一项的操作:对所述医学图像数据进行裁剪;对所述医学图像数据进行重采样;以及对所述医学图像数据进行去噪。
16.如权利要求14所述的***,其特征在于,对所述医学图像数据进行肺叶分割包括:利用深度学习网络或阈值算法对所述医学图像数据进行肺叶分割。
17.如权利要求16所述的***,其特征在于,对所述医学图像数据进行肺叶分割还包括:对利用所述深度学习网络或所述阈值算法进行肺叶分割的医学图像数据执行区域生长算法。
18.如权利要求17所述的***,其特征在于,对所述医学图像数据进行肺叶分割还包括:对经历所述区域生长算法的所述医学图像数据进行形态学闭操作。
19.如权利要求14所述的***,其特征在于,生成所述更新的肺部图像数据包括:对所述多个边界中的至少两个边界内的图像数据进行合并。
20.如权利要求19所述的***,其特征在于,生成所述更新的肺部图像数据还包括:对所合并的图像数据进行形态学闭操作。
21.如权利要求14所述的***,其特征在于,所述多个边界内的图像数据包括对应于包括右肺上叶、右肺中叶、右肺下叶、左肺上叶、左肺下叶和气道的图像数据。
22.如权利要求21所述的***,其特征在于,所述更新的肺部图像数据是基于右肺上叶、右肺中叶、右肺下叶、左肺上叶和左肺下叶的图像数据生成的肺分割图像数据。
23.如权利要求14所述的***,其特征在于,所述多个边界内的图像数据包括对应于血管的图像数据,并且所述更新的肺部图像数据是基于所述血管的图像数据生成的血管分割图像数据。
24.如权利要求14所述的***,其特征在于,对所述更新的肺部图像数据进行病灶分割包括:
利用深度学习分割方法对所述更新的肺部图像数据进行病灶分割,以得到第一分割图像数据;
利用阈值算法对所述更新的肺部图像数据进行病灶分割,以得到第二分割图像数据;以及
对所述第一分割图像数据和所述第二分割图像数据进行融合以生成融合的图像数据。
25.如权利要求24所述的***,其特征在于,利用深度学习分割方法对所述更新的肺部图像数据进行病灶分割包括:
对所述更新的肺部图像数据进行数据切块,以生成多个数据块;以及
利用深度学习分割网络对所述多个数据块中的每个数据块进行病灶分割。
26.如权利要求24所述的***,其特征在于,对所述更新的肺部图像数据进行病灶分割进一步包括:对所述融合的图像数据进行形态学操作,该形态学操作包括形态学腐蚀与膨胀操作中的至少一种。
27.一种***,包括用于执行如权利要求1至13中任一项所述的方法的处理器。
28.如权利要求27所述的***,其特征在于,所述***还包括:
医学成像***,用于进行成像扫描以生成医学图像数据;
存储装置,用于存储所述医学图像数据;以及
医学成像工作站或医学图像云平台分析***,通信地连接至所述存储装置,其中所述处理器被包含在所述医学成像工作站或医学图像云平台分析***中。
29.一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-13所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010530332.6A CN113870167A (zh) | 2020-06-11 | 2020-06-11 | 用于对肺部图像进行分割的方法、***以及存储介质 |
US17/342,192 US11948305B2 (en) | 2020-06-11 | 2021-06-08 | Method and system for segmenting lung image, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010530332.6A CN113870167A (zh) | 2020-06-11 | 2020-06-11 | 用于对肺部图像进行分割的方法、***以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113870167A true CN113870167A (zh) | 2021-12-31 |
Family
ID=78826579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010530332.6A Pending CN113870167A (zh) | 2020-06-11 | 2020-06-11 | 用于对肺部图像进行分割的方法、***以及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11948305B2 (zh) |
CN (1) | CN113870167A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147359A (zh) * | 2022-06-06 | 2022-10-04 | 北京医准智能科技有限公司 | 肺叶分割网络模型训练方法、装置、电子设备及存储介质 |
CN117078686A (zh) * | 2023-10-17 | 2023-11-17 | 万里云医疗信息科技(北京)有限公司 | 构建用于训练骨抑制模型的样本的方法、装置及存储介质 |
CN117541733A (zh) * | 2024-01-10 | 2024-02-09 | 广东欧谱曼迪科技股份有限公司 | 胸肺重建方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100041949A1 (en) * | 2007-03-12 | 2010-02-18 | David Tolkowsky | Devices and methods for performing medical procedures in tree-like luminal structures |
KR101514003B1 (ko) * | 2013-10-17 | 2015-04-24 | 서울대학교산학협력단 | 폐엽 추출 방법 및 그 장치 |
CN104899926A (zh) * | 2015-07-06 | 2015-09-09 | 上海联影医疗科技有限公司 | 医学图像分割方法和装置 |
CN107909581A (zh) * | 2017-11-03 | 2018-04-13 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割方法、装置、***、存储介质及设备 |
US20180260989A1 (en) * | 2017-03-07 | 2018-09-13 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for generating color medical image |
CN109727260A (zh) * | 2019-01-24 | 2019-05-07 | 杭州英库医疗科技有限公司 | 一种基于ct影像的三维肺叶分割方法 |
CN110060262A (zh) * | 2019-04-18 | 2019-07-26 | 北京市商汤科技开发有限公司 | 一种图像分割方法及装置、电子设备和存储介质 |
CN110969622A (zh) * | 2020-02-28 | 2020-04-07 | 南京安科医疗科技有限公司 | 用于辅助肺炎诊断的图像处理方法和*** |
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 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10182771B2 (en) * | 2017-02-10 | 2019-01-22 | Siemens Healthcare Gmbh | Method and system for dose-optimized computed tomography scanning of a target organ |
CN109636808B (zh) | 2018-11-27 | 2022-08-12 | 杭州健培科技有限公司 | 一种基于全卷积神经网络的肺叶分割方法 |
US11436720B2 (en) * | 2018-12-28 | 2022-09-06 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for generating image metric |
CN109886967A (zh) | 2019-01-16 | 2019-06-14 | 成都蓝景信息技术有限公司 | 基于深度学习技术的肺部解剖学位置定位算法 |
CN110211695B (zh) | 2019-06-14 | 2021-08-06 | 上海市肺科医院 | 一种肺纤维化严重度评估方法 |
US11475562B2 (en) * | 2019-06-27 | 2022-10-18 | University Of Iowa Research Foundation | Fissurenet: a deep learning approach for pulmonary fissure detection in CT images |
-
2020
- 2020-06-11 CN CN202010530332.6A patent/CN113870167A/zh active Pending
-
2021
- 2021-06-08 US US17/342,192 patent/US11948305B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100041949A1 (en) * | 2007-03-12 | 2010-02-18 | David Tolkowsky | Devices and methods for performing medical procedures in tree-like luminal structures |
KR101514003B1 (ko) * | 2013-10-17 | 2015-04-24 | 서울대학교산학협력단 | 폐엽 추출 방법 및 그 장치 |
CN104899926A (zh) * | 2015-07-06 | 2015-09-09 | 上海联影医疗科技有限公司 | 医学图像分割方法和装置 |
US20180260989A1 (en) * | 2017-03-07 | 2018-09-13 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for generating color medical image |
CN107909581A (zh) * | 2017-11-03 | 2018-04-13 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割方法、装置、***、存储介质及设备 |
CN109727260A (zh) * | 2019-01-24 | 2019-05-07 | 杭州英库医疗科技有限公司 | 一种基于ct影像的三维肺叶分割方法 |
CN110060262A (zh) * | 2019-04-18 | 2019-07-26 | 北京市商汤科技开发有限公司 | 一种图像分割方法及装置、电子设备和存储介质 |
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 |
CN110969622A (zh) * | 2020-02-28 | 2020-04-07 | 南京安科医疗科技有限公司 | 用于辅助肺炎诊断的图像处理方法和*** |
Non-Patent Citations (3)
Title |
---|
JIANTAO PU ET.AL: "Pulmonary Lobe Segmentation in CT Examinations Using Implicit Surface Fitting", 《 IEEE TRANSACTIONS ON MEDICAL IMAGING》, vol. 28, no. 12, 21 July 2009 (2009-07-21), pages 1986, XP011282058, DOI: 10.1109/TMI.2009.2027117 * |
KEVIN GEORGE ET.AL: "Pathological Pulmonary Lobe Segmentation from CT Images using Progressive Holistically Nested Neural Networks and Random Walker", 《ARXIV:1708.04503V1》, 15 August 2017 (2017-08-15), pages 1 - 8 * |
杨安荣 等: "一种基于模糊连接度和维诺图的混合分割方法", 《计算机应用与软件》, vol. 28, no. 1, 20 April 2011 (2011-04-20), pages 105 - 108 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147359A (zh) * | 2022-06-06 | 2022-10-04 | 北京医准智能科技有限公司 | 肺叶分割网络模型训练方法、装置、电子设备及存储介质 |
CN117078686A (zh) * | 2023-10-17 | 2023-11-17 | 万里云医疗信息科技(北京)有限公司 | 构建用于训练骨抑制模型的样本的方法、装置及存储介质 |
CN117078686B (zh) * | 2023-10-17 | 2024-01-23 | 万里云医疗信息科技(北京)有限公司 | 构建用于训练骨抑制模型的样本的方法、装置及存储介质 |
CN117541733A (zh) * | 2024-01-10 | 2024-02-09 | 广东欧谱曼迪科技股份有限公司 | 胸肺重建方法、装置、电子设备及存储介质 |
CN117541733B (zh) * | 2024-01-10 | 2024-05-14 | 广东欧谱曼迪科技股份有限公司 | 胸肺重建方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20210390703A1 (en) | 2021-12-16 |
US11948305B2 (en) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3449421B1 (en) | Classification and 3d modelling of 3d dento-maxillofacial structures using deep learning methods | |
US11455774B2 (en) | Automated 3D root shape prediction using deep learning methods | |
US11568533B2 (en) | Automated classification and taxonomy of 3D teeth data using deep learning methods | |
US11948305B2 (en) | Method and system for segmenting lung image, and storage medium | |
US20220318956A1 (en) | Sct image generation using cyclegan with deformable layers | |
US7903856B2 (en) | Method for post-processing a three-dimensional image data set of vessel structure | |
JP7237809B2 (ja) | 深層学習ベースの画像再構成のためのシステムおよび方法 | |
EP1623386A2 (en) | Adaptive volume visualization | |
US20230377314A1 (en) | Out-of-distribution detection of input instances to a model | |
WO2023117509A1 (en) | 3d dsa image reconstruction | |
CN111626973A (zh) | 医学成像设备的图像质量检测方法及***、存储介质 | |
EP4202838A1 (en) | 3d dsa image reconstruction | |
EP4216160A1 (en) | Methods and systems for real-time image 3d segmentation regularization | |
CN112927196A (zh) | 钙化积分方法及装置 | |
CN116542876A (zh) | 扫描图像的伪影去除方法、装置、计算机设备及存储介质 |
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 |