CN114387257A - 肺部影像中肺叶区域的分割方法、***、装置和介质 - Google Patents

肺部影像中肺叶区域的分割方法、***、装置和介质 Download PDF

Info

Publication number
CN114387257A
CN114387257A CN202210038764.4A CN202210038764A CN114387257A CN 114387257 A CN114387257 A CN 114387257A CN 202210038764 A CN202210038764 A CN 202210038764A CN 114387257 A CN114387257 A CN 114387257A
Authority
CN
China
Prior art keywords
lung
region
fissure
image
coordinate
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
Application number
CN202210038764.4A
Other languages
English (en)
Inventor
范晓晨
徐昕
冯建兴
黄海峡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hua Dongliaoyangyuan
Shanghai Haohua Technology Co ltd
Original Assignee
Hua Dongliaoyangyuan
Shanghai Haohua Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hua Dongliaoyangyuan, Shanghai Haohua Technology Co ltd filed Critical Hua Dongliaoyangyuan
Priority to CN202210038764.4A priority Critical patent/CN114387257A/zh
Publication of CN114387257A publication Critical patent/CN114387257A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/045—Combinations of networks
    • 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
    • G06T7/187—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
    • G06T2207/30—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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体提供一种肺部影像中肺叶区域的分割方法、***、装置和介质，旨在解决如何对肺部影像中肺叶进行准确分割的问题。为此目的，本发明采用点云神经网络模型对肺裂区域在肺部影像中的三维坐标进行修正，根据修正后的肺裂区域对肺部影像进行肺叶分割，以获得肺叶区域。通过上述配置方式，本发明能够针对肺裂模糊不清、存在副裂以及存在肺部纤维化等情况的肺部影像进行肺裂区域在肺部影像中的三维坐标的修正，使得肺裂区域的预测更为完整且准确，进一步使根据修正后的肺裂区域进行肺叶分割获得的肺叶区域也更加准确。

Description

肺部影像中肺叶区域的分割方法、***、装置和介质
技术领域
本发明涉及图像处理技术领域，具体提供一种肺部影像中肺叶区域的分割方法、***、装置和介质。
背景技术
肺是人体最重要的器官之一，也是发病率很高的器官，常见的肺部疾病有肺气肿、肺癌、肺大泡、肺炎等。而临床上，外科医生或放射线研究者一般通过判读肺部影像如肺部的CT(Computed Tomography，电子计算机断层扫描)影像来诊断肺部疾病以及提出治疗方案。人体肺脏可分成五个独立的功能单元，称为肺叶。目前用于肺叶分割的技术方法中，性能较为优异的是基于神经网络方法的肺叶分割技术，尤其是两步法，即先分割肺裂再分割肺叶的方法，对肺裂附近的肺叶分割结果更为精细。这是因为肺裂是肺叶间物理边界，是肺部区域划分、肺病定位和量化评估的基础。但是肺裂并不总是明显而易得的，对于有些患者，由于病变等因素使得其肺裂是模糊不清的，而有些患者存在副裂或肺部纤维化等情况，这些都会产生与肺裂信号相似的噪声，容易被神经网络误判为肺裂。而这些错误的肺裂会导致后续的肺叶分割错误。
相应地，本领域需要一种新的肺部影像中肺叶区域的分割方案来解决上述问题。
发明内容
为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决在肺裂不清晰的情况下，如何对肺部影像中肺叶进行准确分割的问题。
在第一方面，本发明提供一种肺部影像中肺叶区域的分割方法，所述方法包括：
获取肺部影像中的肺部区域并获取所述肺部区域中的肺裂区域；
采用点云神经网络模型对所述肺裂区域在所述肺部影像中的三维坐标进行修正，以去除所述肺裂区域的噪声与补全缺失的肺裂区域；
根据所述肺部区域与修正后的肺裂区域对所述肺部影像进行肺叶分割，得到肺叶区域。
在上述肺部影像中肺叶区域的分割方法的一个技术方案中，“采用点云神经网络模型对所述肺裂区域在所述肺部影像中的三维坐标进行修正，以去除所述肺裂区域的噪声与补全缺失的肺裂区域”的步骤具体包括：
采用训练样本与样本标签对点云神经网络模型进行网络训练，其中，所述训练样本包括不存在坐标数据缺失的第一类肺裂点的三维坐标中x、y和z坐标的坐标值，以及第二类肺裂点的三维坐标中x和y坐标的坐标值，所述样本标签为所述第二类肺裂点的三维坐标中z坐标的坐标值；所述第二肺裂点获取方法为：对所述第一类肺裂点进行随机采样获得一个第一类肺裂点作为第一目标肺裂点；根据所述第一目标肺裂点，从其他第一类肺裂点中获取与所述第一目标肺裂点在三维空间中坐标值连续的多个第一类肺裂点作为第二目标肺裂点；将所述第一目标肺裂点与所述第二目标肺裂点组成所述第二类肺裂点；
采用训练好的点云神经网络模型分别获取所述肺裂区域中每个肺裂点的三维坐标中z坐标的坐标预测值；
针对每个肺裂点，若当前肺裂点缺失z坐标的坐标值，则将所述坐标预测值设置为当前肺裂点的z坐标的坐标值；
若当前肺裂点不缺失z坐标的坐标值且z坐标的坐标实际值与所述坐标预测值不一致，则将所述坐标实际值替换成所述坐标预测值。
在上述肺部影像中肺叶区域的分割方法的一个技术方案中，“根据所述肺部区域与修正后的肺裂区域对所述肺部影像进行肺叶分割，得到肺叶区域”的步骤具体包括：
采用卷积神经网络并根据所述肺部区域与修正后的肺裂区域，对所述肺部影像进行肺叶分割，得到所述肺部影像中每个肺叶的肺叶区域并确定每个肺叶区域的肺叶标签；
分别获取每个肺叶区域中最大的图像连通区域，并获取所述肺部区域中除了所述最大的图像连通区域以外其他图像连通区域；
针对每个所述其他图像连通区域，确定距离当前所述其他图像连通区域最近的所述最大的图像连通区域，将当前所述其他图像连通区域作为所述最大的图像连通区域所属的肺叶区域的一部分区域，并对当前所述其他图像连通区域设置相应的肺叶标签。
在上述肺部影像中肺叶区域的分割方法的一个技术方案中，所述点云神经网络模型是基于PointNet网络的模型。
在第二方面，本发明提供一种肺部影像中肺叶区域的分割***，所述***包括：
肺裂区域获取模块，其被配置为获取肺部影像中的肺部区域并获取所述肺部区域中的肺裂区域；
肺裂区域修正模块，其被配置为采用点云神经网络模型对所述肺裂区域在所述肺部影像中的三维坐标进行修正，以去除所述肺裂区域的噪声与补全缺失的肺裂区域；
肺叶区域分割模块，其被配置为根据所述肺部区域与修正后的肺裂区域对所述肺部影像进行肺叶分割，得到肺叶区域。
在上述肺部影像中肺叶区域的分割***的一个技术方案中，所述肺裂区域修正模块包括：
点云神经网络训练单元，其被配置为采用训练样本与样本标签对点云神经网络模型进行网络训练，其中，所述训练样本包括不存在坐标数据缺失的第一类肺裂点的三维坐标中x、y和z坐标的坐标值，以及第二类肺裂点的三维坐标中x和y坐标的坐标值，所述样本标签为所述第二类肺裂点的三维坐标中z坐标的坐标值；所述第二肺裂点获取方法为：对所述第一类肺裂点进行随机采样获得一个第一类肺裂点作为第一目标肺裂点；根据所述第一目标肺裂点，从其他第一类肺裂点中获取与所述第一目标肺裂点在三维空间中坐标值连续的多个第一类肺裂点作为第二目标肺裂点；将所述第一目标肺裂点与所述第二目标肺裂点组成所述第二类肺裂点；
z坐标预测值获取单元，其被配置为采用训练好的点云神经网络模型分别获取所述肺裂区域中每个肺裂点的三维坐标中z坐标的坐标预测值；
z坐标设置单元，其被配置为针对每个肺裂点，若当前肺裂点缺失z坐标的坐标值，则将所述坐标预测值设置为当前肺裂点的z坐标的坐标值；
z坐标替换单元，其被配置为若当前肺裂点不缺失z坐标的坐标值且z坐标的坐标实际值与所述坐标预测值不一致，则将所述坐标实际值替换成所述坐标预测值。
在上述肺部影像中肺叶区域的分割***的一个技术方案中，所述肺叶区域分割模块包括：
肺叶区域和肺叶标签获取单元，其被配置为采用卷积神经网络并根据所述肺部区域与修正后的肺裂区域，对所述肺部影像进行肺叶分割，得到所述肺部影像中每个肺叶的肺叶区域并确定每个肺叶区域的肺叶标签；
图像连通区域获取单元，其被配置为分别获取每个肺叶区域中最大的图像连通区域，并获取所述肺部区域中除了所述最大的图像连通区域以外其他图像连通区域；
图像连通区域处理单元，其被配置为针对每个所述其他图像连通区域，确定距离当前所述其他图像连通区域最近的所述最大的图像连通区域，将当前所述其他图像连通区域作为所述最大的图像连通区域所属的肺叶区域的一部分区域，并对当前所述其他图像连通区域设置相应的肺叶标签。
在上述肺部影像中肺叶区域的分割***的一个技术方案中，所述点云神经网络模型是基于PointNet网络的模型。
在第三方面，提供一种控制装置，该控制装置包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述肺部影像中肺叶区域的分割方法的技术方案中任一项技术方案所述的肺部影像中肺叶区域的分割方法。
在第四方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述肺部影像中肺叶区域的分割方法的技术方案中任一项技术方案所述的肺部影像中肺叶区域的分割方法。
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
在实施本发明的技术方案中，可以获取肺部影像中的肺部区域以及肺裂区域，采用点云神经网络模型对肺裂区域在肺部影像中的三维坐标进行修正，以去除肺裂区域的噪声与补全缺失的肺裂区域，根据肺部区域与修正后的肺裂区域对肺部影像进行肺叶分割，以获得肺叶区域。通过上述配置方式，本发明能够针对肺裂模糊不清、存在副裂以及存在肺部纤维化等情况的肺部影像进行肺裂区域在肺部影像中的三维坐标的修正，以去除肺裂区域的噪声以及补全缺失的肺裂区域，使得肺裂区域的预测更为完整且准确，进一步使根据修正后的肺裂区域进行肺叶分割获得的肺叶区域也更加准确。
附图说明
参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。其中：
图1是根据本发明的一个实施例的肺部影像中肺叶区域的分割方法的主要步骤流程示意图；
图2是现有技术中仅使用卷积神经网络获取存在干扰的肺部影像中的肺裂区域的结果示意图；
图3是根据本发明实施例的一个实施方式的基于Point Net网络的模型的网络结构示意图；
图4是根据本发明实施例的一个实施方式未进行肺裂区域的三维坐标修正和进行肺裂区域的三维坐标修正的肺裂区域和肺叶区域二维对比示意图；
图5是与图4的二维对比示意图对应的三维对比示意图；
图6是根据本发明实施例的一个实施方式的肺部影像中肺叶区域的分割方法的主要步骤流程示意图；
图7是根据本发明的一个实施例的肺部影像中肺叶区域的分割***的主要结构框图。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合，比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似，可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
肺脏是人体的重要器官之一，人体的肺脏包括左肺和右肺，左肺由斜裂划分为上、下两个肺叶，右肺由水平裂和斜裂划分为上、中、下三个肺叶。左肺的斜裂、右肺的水平裂和斜裂统称为肺裂。目前针对肺部影像中肺叶区域分割的技术方法中，性能较为优异的是基于卷积神经网络的肺叶区域分割方法，尤其是两步法，即先分割肺裂区域，再根据肺裂区域分割肺叶区域的方法，这样对于肺裂区域附近的肺叶区域的分割结果更为精细。这是因为肺裂区域是肺叶区域之间的物理边界，是肺部区域划分的基础。
但是肺裂区域并不是总是明显而易得的，一些患者的肺部由于病变等因素会导致肺裂区域模糊不清，也有一些患者存在副裂或者肺部纤维化等情况，导致副裂和肺部纤维化部分产生与肺裂区域相似的噪声，这些都会导致卷积神经网络对肺裂区域产生误判，肺裂区域的误判会进一步导致后续的肺叶区域的分割错误。其中，副裂是指分割某部分肺组织的额外胸膜结构。参阅附图2，图2是现有技术中仅使用卷积神经网络获取存在干扰的肺部影像中的肺裂区域的结果示意图，其中图2左侧上图为右肺的图像，图2右侧图像为右肺中仅使用卷积神经网络获取的肺裂结果示意图。如图2右侧图像所示，仅使用卷积神经网络获取的右肺的肺裂结果中，斜裂(图2右侧图像中白色区域)尚能够区分，但是水平裂几乎没有，这种情况下缺失的肺裂会导致后续的肺叶区域分割也产生错误，如图2左下图所示，右肺上叶与下叶的分割显然不合理。
在本发明实施例中，提供一种肺部影像中肺叶区域的分割方法以解决上述问题。
参阅附图1，图1是根据本发明的一个实施例的肺部影像中肺叶区域的分割方法的主要步骤流程示意图。如图1所示，本发明实施例中的肺部影像中肺叶区域的分割方法主要包括下列步骤S101-步骤S103。
步骤S101：获取肺部影像中的肺部区域并获取肺部区域中的肺裂区域。
在本实施例中，可以获取肺部影像中的肺部区域，并根据获取的肺部区域获取肺部区域中的肺裂区域。
一个实施方式中，肺部影像可以为肺部的CT(Computed Tomography，电子计算机断层扫描)影像。
一个实施方式中，可以使用传统的图像处理方法，如专利名称为：一种CT图像肺实质的自动分割方法，申请号为：201510426463.9，公开号为：CN104992445A的授权专利中公开的方法从肺部的CT影像中获取肺部区域。
一个实施方式中，可以使用深度学习方法，如文献“Skourt B A,Hassani A E,Majda A.Lung CT Image Segmentation Using Deep Neural Networks[J].ProcediaComputer Science,2018,127:109-113.”中公开的方法从肺部的CT影像中获取肺部区域。
一个实施方式中，可以使用传统图像处理方法，先对肺部区域中的可能的肺区域进行肺裂增强，然后通过能量函数等方法，借助肺裂区域的薄膜3D结构先验知识，从肺部区域中将肺裂区域提取出来，以获得肺裂区域。其中，能量函数是指根据图像中的元素之间的相异程度，进行图像分类的函数，即将图像中的元素的相异程度看成图像中元素之间的能量。
一个实施方式中，可以使用深度学习方法，如文献“Sarah E Gerard,Taylor JPatton,Gary E Christensen,John E Bayouth,Joseph M Reinhardt.FissureNet:A DeepLearning Approach For Pulmonary Fissure Detection in CT Images[J].IEEE TransMed Imaging.2019 Jan；38(1):156-166.”公开的方法，先识别肺部区域中肺裂的大致区域，即ROI(Region Of Interest，感兴趣区域)区域，再对ROI区域内的肺裂区域的位置进行精确分割。
步骤S102：采用点云神经网络模型对肺裂区域在肺部影像中的三维坐标进行修正，以去除肺裂区域的噪声与补全缺失的肺裂区域。
在本实施例中，可以采用点云神经网络模型，对肺裂区域在肺部影像中的三维坐标进行修正，以去除肺裂区域的噪声与补全缺失的肺裂区域。即通过三维坐标的修正，将肺裂区域中由于副裂、血管气管、肺部纤维化等造成的噪声去除，并将由于肺部病变等造成的肺裂缺失的肺裂区域补全。
一个实施方式中，点云神经网络模型是基于PointNet网络的模型。
一个实施方式中，针对右肺的水平裂、右肺的斜裂以及左肺的斜裂，可以分别训练三个点云神经网络模型，并分别应用各自对应的点云神经网络模型对肺裂区域在肺部影像中的三维坐标进行修正。
步骤S103：根据肺部区域与修正后的肺裂区域对肺部影像进行肺叶分割，得到肺叶区域。
在本实施例中，可以根据步骤S101获得的肺部区域以及步骤S102获得的修正后的肺裂区域对肺部影像进行肺叶分割，以获取肺叶区域。
一个实施方式中，可以根据文献“Pulmonary Lobe Segmentation Using ASequence of Convolutional Neural Networks For Marginal Learning，2019 IEEE16th International Symposium on Biomedical Imaging(ISBI 2019)”中公开的方法获得肺叶区域。
基于上述步骤S101-步骤S103，本发明可以获取肺部影像中的肺部区域以及肺裂区域，采用点云神经网络模型对肺裂区域在肺部影像中的三维坐标进行修正，以去除肺裂区域的噪声与补全缺失的肺裂区域，根据肺部区域与修正后的肺裂区域对肺部影像进行肺叶分割，以获得肺叶区域。通过上述配置方式，本发明能够针对肺裂模糊不清、存在副裂以及存在肺部纤维化等情况的肺部影像进行肺裂区域在肺部影像中的三维坐标的修正，以去除肺裂区域的噪声以及补全缺失的肺裂区域，使得肺裂区域的预测更为完整且准确，进一步使根据修正后的肺裂区域进行肺叶分割获得的肺叶区域也更加准确。
下面对步骤S101至步骤S103作进一步地说明。
一个实施方式中，步骤S101可以包括步骤S1011至步骤S1013，可以使用UNet-like卷积神经网络通过以下步骤S1011至步骤S1013从肺部的CT影像中获取肺部区域：
步骤S1011：对肺部的CT影像进行预处理。
在本实施方式中，输入原始的肺部的CT影像，将窗宽设置为1000，窗位设置为-500，以实现肺部的CT影像的预处理。其中，窗宽和窗位是医学图像领域的关键技术窗技术中的参数，关键技术窗技术是CT检查中用于观察不同密度的正常组织或病变的一种显示技术。
步骤S1012：对经过预处理后的肺部的CT影像进行肺部区域的分割。
在本实施方式中，可以对二维UNet-like卷积神经网络模型进行模型训练，获取训练后的二维UNet-like卷积神经网络模型，其中包含4个下采样结构和4个上采样结构。可以使用训练后的二维UNet-like卷积神经网络模型对肺部的CT影像的二维横断位图像进行逐张扫描，二维UNet-like卷积神经网络模型的上采样结构使用1×1的卷积核，经过卷积操作获得二维UNet-like卷积神经网络模型两个通道的卷积结果，并通过Softmax函数对卷积结果进行分类，获得二维UNet-like卷积神经网络模型的两个输出结果，两个输出结果分别为背景和肺部区域。将每张二维横断位图像的输出结果中的肺部区域进行合并，获得三维图像即为肺部区域的分割结果。其中，下采样即为缩小图像，使得图像符合现实区域的大小，并生成对应图像的缩略图；上采样即为放大图像，从而可以显示在更高分辨率的显示设备上。肺部的CT影像的二维横断位图像是指肺部的CT影像中各个水平断层面的二维图像，将所有二维横断位图像进行合并即获得肺部的CT影像。卷积核就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核。Softmax函数是指归一化指数函数，该函数多用于分类问题中。本领域技术人员可以理解的是，对二维UNet-like卷积神经网络模型进行模型训练时，可以使用神经网络领域常用的模型训练方法，为了描述简单，在此不再针对模型训练方法的原理进行详细描述。
步骤S1013：对肺部区域的分割结果进行后处理，获得肺部区域的最终结果。
在本实施方式中，针对步骤S1012中获取的肺部区域的分割结果，获取分割结果的图像连通区域，并进一步获取图像连通区域中最大的图像连通区域，根据最大的图像连通区域获取肺部区域的最终结果。其中，图像连通区域是图像中具有相同像素值且位置相邻的前景像素点组成的图像区域，获取图像连通区域是指从图像中将各个连通区域找出并进行标记。
一个实施方式中，步骤S101可以包括步骤S1014至步骤S1016，可以使用3DUNet-like卷积神经网络，通过以下步骤S1014至步骤S1016从肺部区域中获取肺裂区域：
步骤S1014：对肺部区域进行图像预处理。
在本实施方式中，可以对获取到的肺部区域取最小外接长方形，将肺部区域的像素调整为256×256×256，将窗宽设置为1000，窗位设置为-500，以实现肺部区域的预处理。
步骤S1015：对经过预处理的肺部区域进行肺裂区域的分割。
在本实施方式中，可以应用3DUNet-like卷积神经网络模型进行肺裂区域的分割。可以对3DUNet-like卷积神经网络模型进行模型训练，获取训练后的3DUNet-like卷积神经网络模型，该网络模型包括4个下采样结果和4个上采样结构。将预处理的肺部区域图像输入至训练后3DUNet-like卷积神经网络模型中，上采样结构使用1×1卷积核，通过卷积操作获得2个通道的卷积结果，并通过Softmax函数对卷积结果进行分类获得两个输出结果，两个输出结果分别为背景和肺裂区域的分割结果。
步骤S1016：对肺裂区域的分割结果进行后处理，获得肺部区域中的肺裂区域。
在本实施方式中，将步骤S1015中获得的肺裂区域的分割结果进行图像膨胀，然后计算膨胀后的分割结果的图像连通区域，只保留获得的图像连通区域中的两个最大的图像连通区域，即获得肺部区域中的肺裂区域，其中，两个最大的图像连通区域分别对应的是右肺的肺裂区域和左肺的肺裂区域。图像膨胀是指在图像边缘添加像素值，使得图像整体的像素值扩张，图像膨胀后图像的边界扩大。
在本发明实施例的一个实施方式中，步骤S102可以包括以下步骤S1021至步骤S1024：
步骤S1021：采用训练样本与样本标签对点云神经网络模型进行网络训练，其中，训练样本包括不存在坐标数据缺失的第一类肺裂点的三维坐标中x、y和z坐标的坐标值，以及第二类肺裂点的三维坐标中x和y坐标的坐标值，样本标签为第二类肺裂点的三维坐标中z坐标的坐标值；第二肺裂点获取方法为：对第一类肺裂点进行随机采样获得一个第一类肺裂点作为第一目标肺裂点；根据第一目标肺裂点，从其他第一类肺裂点中获取与第一目标肺裂点在三维空间中坐标值连续的多个第一类肺裂点作为第二目标肺裂点；将第一目标肺裂点与第二目标肺裂点组成第二类肺裂点。
在本实施方式中可以通过下列步骤对点云神经网络模型进行迭代训练：
将训练样本与样本标签同时输入到点云神经网络模型，获取点云神经网络模型预输出的第二类肺裂点的三维坐标中z坐标的坐标预测值；根据该坐标预测值与样本标签中第二类肺裂点的三维坐标中z坐标的坐标值计算点云神经网络模型的模型损失，根据该模型损失计算点云神经网络模型的模型参数的梯度，根据梯度反向传播更新点云神经网络模型的模型参数，完成一次迭代训练。对点云神经网络模型进行多次迭代训练，直至点云神经网络模型满足收敛条件停止训练，得到训练好的点云神经网络模型。其中，收敛条件是迭代训练的次数达到预设的次数阈值或模型损失小于预设的损失阈值。
一个实施方式中，第一类肺裂点可以为肺裂区域在肺部影像中所有的肺裂点。可以对第一类肺裂点进行随机采样，也就是在第一类肺裂点中随机选择一个肺裂点，作为第一目标肺裂点。根据第一目标肺裂点获取第二目标肺裂点方法可以为，根据第一目标肺裂点随机确定包含第一目标肺裂点的一个三维闭合曲面，获取三维闭合曲面内所有的第一类肺裂点以及三维闭合曲面上除去第一目标肺裂点的其他第一类肺裂点作为第二目标肺裂点。根据第一目标肺裂点获取第二目标肺裂点方法也可以为，根据第一目标肺裂点，获取一个内部包含第一目标肺裂点的三维闭合曲面，获取三维闭合曲面上的所有第一类肺裂点和三维闭合曲面内除第一目标肺裂点外的所有其他第一类肺裂点，作为第二目标肺裂点。
步骤S1022：采用训练好的点云神经网络模型分别获取肺裂区域中每个肺裂点的三维坐标中z坐标的坐标预测值。
在本实施方式中，可以采用步骤S1021中训练好的点云神经网络模型分别获取肺裂区域中每个肺裂点的三维坐标中z坐标的坐标预测值。
具体而言，通过下列步骤获取肺裂区域中每个肺裂点的三维坐标中z坐标的坐标预测值：
获取肺裂区域中一部分肺裂点(为描述简洁，以下简称为第三类肺裂点)的三维坐标中x、y和z坐标的坐标值，获取肺裂区域中一部分肺裂点(为描述简洁，以下简称为第四类肺裂点)的三维坐标中x和y坐标的坐标值，将上述第三类肺裂点的三维坐标中x、y和z坐标的坐标值以及第四类肺裂点的三维坐标中x和y坐标的坐标值同时输入到训练好的点云神经网络模型，该点云神经网络模型可以输出第四类肺裂点的三维坐标中z坐标的坐标预测值。通过重复执行上述步骤，获取肺裂区域中每个肺裂点的三维坐标中z坐标的坐标预测值。其中，第三类肺裂点的获取方式可以为有放回随机采样，有放回随机采样指的是对肺裂区域中一部分肺裂点进行随机采样后再将采样得到的肺裂点放回到原来的肺裂区域的肺裂点中，即在进行有放回随机采样后肺裂区域中肺裂点的总数不变。第四类肺裂点的获取方式可以为本领域常用的随机采样方式，为了描述简单在此不再赘述。
步骤S1023：针对每个肺裂点，若当前肺裂点缺失z坐标的坐标值，则将坐标预测值设置为当前肺裂点的z坐标的坐标值。
在本实施方式中，判断当前肺裂点是否缺失z坐标的坐标值，若是，则可以将坐标预测值设置为当前肺裂点的z坐标的坐标值。
步骤S1024：若当前肺裂点不缺失z坐标的坐标值且z坐标的坐标实际值与坐标预测值不一致，则将坐标实际值替换成坐标预测值。
在本实施方式中，若当前肺裂点不缺失z坐标的坐标值，但是z坐标的坐标实际值与坐标预测值不一致，则可以将z坐标的坐标实际值替换成坐标预测值。
一个实施方式中，步骤S102可以包括步骤S1025至步骤S1026，参阅附图3，图3是根据本发明实施例的一个实施方式的基于PointNet网络的模型的网络结构示意图，以右肺的水平裂为例，通过以下步骤S1025至步骤S1026对右肺水平裂的三维坐标进行修正：
步骤S1025：对肺裂区域进行预处理。
在本实施方式中，可以根据右肺的肺部区域的最小外接长方形，在右肺的肺裂区域上截取相应的区域。然后将截取区域的像素调整至160×160×128，在160×160×128区域中，获取右肺的水平裂的所有已预测肺裂点的三维坐标，总共有M个肺裂点，可以将获得的三维坐标矩阵记为(M,3)，对该三维坐标矩阵进行可放回采样，采样1024个肺裂点，记为(N，3)，N＝1024。
步骤S1026：对所有肺裂点的三维坐标进行修正。
在本实施方式中，基于Point Net网络的模型的网络结构如图3所示，其中B为batch_size，每批模型训练的样本数量，其值受GPU(Graphics Processing Unit，图形处理器)影响，在GPU允许情况下，可以为任意非零自然数。基于PointNet网络的模型的网络结构具体为：第一类肺裂点矩阵B×Nin×Din和第二类肺裂点矩阵B×Nun×Dun，其中，B表示样本数量，Nin表示第一类肺裂点的个数(例如1024)，Din表示第一类肺裂点的维度(3)，Nun表示第二类肺裂点的个数(1)，Dun表示第二类肺裂点的维度(2)，即输入肺裂点(Input points)为第一类肺裂点矩阵为B×1024×3，第二类肺裂点矩阵为B×1×2。对第一类肺裂点矩阵和第二类肺裂点矩阵的维度分别进行三个全连接操作(mlp，Multi-layer Perceptron，多层感知器，即包含多层结构的人工神经网络)，每一个全连接层都可以包括相连的BN归一化层和ReLu激活函数层，三个全连接层的通道数分别为64,128和1024，经过三个全连接操作后，第一类肺裂点矩阵转换为B×1024×1024；第二类肺裂点矩阵转换为B×1×1024。经过三个全连接操作第一类肺裂点矩阵和第二类肺裂点矩阵通过最大池化层(Max pooling)可以分别对特征矩阵B×1024×1024和B×1×1024的中间维度进行池化操作，得到两个B×1×1024的特征矩阵。将得到的两个B×1×1024的特征矩阵的最后一维进行拼接(concat)，得到维度为B×2048的矩阵；将B×2048的矩阵经过两层全连接层操作，获取B×1的矩阵，其中两个全连接层的通道数分别为512和256，每个全连接层可以包括相连的BN归一化层和ReLu激活函数层，B×1的矩阵即为第二类肺裂点中坐标数据缺失的z坐标的坐标预测值。
在对基于PointNet网络的模型进行模型训练时，第二类肺裂点的获取方式可以为，在160×160×128的肺裂区域中随机获取若干个连续的肺裂点作为训练样本，而其余肺裂点作为第一类肺裂点。训练过程的损失函数使用L2Loss(均方误差MSE，Mean SquareError)，使用Adam优化器，学习率为1e-4，样本数量为4，迭代100epoch(代)。
在对基于PointNet网络的模型进行测试时，针对一个160×160×128的肺裂区域样本，可以对该肺裂区域样本中的肺裂点的所有的xy坐标都进行预测，也就是说需要预测点的数量为160x160＝25600个。这其中很多点都不是肺裂点，因而需要获取25600个预测点中处于肺部区域的预测点，这些处于肺部区域的预测点才是修正后的肺裂点，根据修正后的肺裂点获取修正后的肺裂区域，将修正后的肺裂区域调整至肺部的CT影像的原始大小，即为最终的修正后的肺裂区域。
在本发明实施例的一个实施方式中，步骤S103可以进一步包括以下步骤S1031至步骤S1033：
步骤S1031：采用卷积神经网络并根据肺部区域与修正后的肺裂区域，对肺部影像进行肺叶分割，得到肺部影像中每个肺叶的肺叶区域并确定每个肺叶区域的肺叶标签。
在本实施方式中，可以将肺部区域和修正后的肺裂区域作为输入，应用卷积神经网络，进行肺部影像的肺叶分割，以获取肺部影像中五个肺叶的肺叶区域，以及五个肺叶区域对应的肺叶标签。
步骤S1032：分别获取每个肺叶区域中最大的图像连通区域，并获取肺部区域中除了最大的图像连通区域以外其他图像连通区域。
在本实施方式中，可以对每个肺叶区域获取最大的图像连通区域，以及肺部区域中除了最大的图像连通区域以外的其他图像连通区域。
步骤S1033：针对每个其他图像连通区域，确定距离当前其他图像连通区域最近的最大的图像连通区域，将当前其他图像连通区域作为最大的图像连通区域所属的肺叶区域的一部分区域，并对当前其他图像连通区域设置相应的肺叶标签。
在本实施方式中，可以确定距离步骤S1032中获取的每个其他图像连通区域最近的最大的图像连通区域，按照就近原则，为每个其他图像连通区域设置与其距离最近的最大的图像连通区域的相同的肺叶标签。
在本实施方式中，可以使用本领域常用的图像连通区域获取方法获取图像连通区域，为了描述简单，在此不再对获取图像连通区域的方法进行赘述。
一个实施方式中，可以使用3D卷积神经网络进行肺部影像中的肺叶分割。步骤S103可以包括以下步骤S1033至步骤S1035，通过步骤S1033至步骤S1035对肺部影像进行肺叶分割：
S1033：对肺部区域图像和修正后的肺裂区域图像进行图像预处理。
在本实施方式中，可以在原始的肺部的CT影像中取肺部区域的最小外接长方形，然后将最小外接长方形的像素调整至256×256×256，设置窗宽为1000，窗位为-500；将肺部区域图像和修正后的肺裂区域也取肺部区域的最小外接长方形，然后将最小外接长方形的像素调整至256×256×256，以实现图像预处理，将经过图像预处理的肺部的CT影像、肺部区域和修正后的肺裂区域作为3D卷积神经网络的输入，即3D卷积神经网络的输入矩阵大小为256×256×256×3。
S1034：训练3D卷积神经网络，应用训练好的3D卷积神经网络对进行肺叶分割。
在本实施方式中，可以对基于3D卷积神经网络的网络模型进行模型训练，其中基于3D卷积神经网络的网络模型包括4个下采样结构和4个上采样结构。训练好的基于3D卷积神经网络的网络模型的上采样结构使用1×1卷积核进行卷积操作，获得6个通道的卷积结果，并通过Softmax函数进行分类，获得6个分割结果，即为背景和5个肺叶。
步骤S1035：对肺叶分割结果进行后处理。
在本实施方式中，可以通过分别获取5个肺叶的图像连通区域，实现对肺叶分割结果进行后处理，以去除肺叶分割结果的噪声，获得最终的肺叶分割结果。
参阅附图4和附图5，图4是根据本发明实施例的一个实施方式未进行肺裂区域的三维坐标修正和进行肺裂区域的三维坐标修正的肺裂区域和肺叶区域二维对比示意图；图5是与图4的二维对比示意图对应的三维对比示意图。其中，图4中左上图为未修正的肺裂区域；右上图为修正后的肺裂区域；左下图为根据未修正的肺裂区域进行肺叶分割，得到的肺叶区域；右下图为根据修正后的肺裂区域进行肺叶分割，得到的肺叶区域。图5中左上图为未修正的肺裂区域的3D展示；右上图为修正后的肺裂区域的3D展示；左下图为根据未修正的肺裂区域进行肺叶分割，得到的肺叶区域的3D展示；右下图为根据修正后的肺裂区域进行肺叶分割，得到的肺叶区域的3D展示。如图4和图5所示，使用修正后的肺裂区域进行肺叶区域的分割的方法获得肺叶区域更为准确。
一个实施方式，参阅附图6，图6是根据本发明实施例的一个实施方式的肺部影像中肺叶区域的分割方法的主要步骤流程示意图。如图6所示，肺部影像中肺叶区域的分割方法可以包括以下步骤S201至步骤S205：
步骤S201：从肺部的CT影像中获取肺部区域；
步骤S202：从肺部区域中获取肺裂区域；
在本实施方式中，步骤S201和步骤S202的方法与前述步骤S101所述的方法类似，为了描述简单，在此不再赘述。
步骤S203：针对获取到的肺裂区域，应用点云神经网络进行肺裂区域的三维坐标修正；
在本实施方式中，步骤S203的方法与前述步骤S102所述的方法类似，为了描述简单，在此不再赘述。
步骤S204：对肺部的CT影像进行肺叶分割；
在本实施方式中，步骤S204所述的方法与前述步骤S1031所述的方法类似，为了描述简单，在此不再赘述。
步骤S205：肺叶分割结果的后处理。
在本实施方式中，步骤S205所述的方法与前述步骤S1032和步骤S1033所述的方法类似，为了描述简单，在此不再赘述。
需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时(并行)执行或以其他顺序执行，这些变化都在本发明的保护范围之内。
进一步，本发明还提供了一种肺部影像中肺叶区域的分割***。
参阅附图7，图7是根据本发明的一个实施例的肺部影像中肺叶区域的分割***的主要结构框图。如图7所示，本发明实施例中的肺部影像中肺叶区域的分割***可以包括肺裂区域获取模块、肺裂区域修正模块和肺叶区域分割模块。在本实施方式中，肺裂区域获取模块可以被配置为获取肺部影像中的肺部区域并获取肺部区域中的肺裂区域。肺裂区域修正模块可以被配置为采用点云神经网络模型对肺裂区域在肺部影像中的三维坐标进行修正，以去除肺裂区域的噪声与补全缺失的肺裂区域。肺叶区域分割模块可以被配置为根据肺部区域与修正后的肺裂区域对肺部影像进行肺叶分割，得到肺叶区域。
在一个实施方式中，肺裂区域修正模块可以包括点云神经网络训练单元、z坐标预测值获取单元、z坐标设置单元和z坐标替换单元。在本实施方式中，点云神经网络训练单元可以被配置为采用训练样本与样本标签对点云神经网络模型进行网络训练，其中，训练样本包括不存在坐标数据缺失的第一类肺裂点的三维坐标中x、y和z坐标的坐标值，以及第二类肺裂点的三维坐标中x和y坐标的坐标值，样本标签为第二类肺裂点的三维坐标中z坐标的坐标值；第二肺裂点获取方法为：对第一类肺裂点进行随机采样获得一个第一类肺裂点作为第一目标肺裂点；根据第一目标肺裂点，从其他第一类肺裂点中获取与第一目标肺裂点在三维空间中坐标值连续的多个第一类肺裂点作为第二目标肺裂点；将第一目标肺裂点与第二目标肺裂点组成第二类肺裂点。z坐标预测值获取单元可以被配置为采用训练好的点云神经网络模型分别获取肺裂区域中每个肺裂点的三维坐标中z坐标的坐标预测值。z坐标设置单元可以被配置为针对每个肺裂点，若当前肺裂点缺失z坐标的坐标值，则将坐标预测值设置为当前肺裂点的z坐标的坐标值。z坐标替换单元可以被配置为若当前肺裂点不缺失z坐标的坐标值且z坐标的坐标实际值与坐标预测值不一致，则将坐标实际值替换成坐标预测值。
在一个实施方式中，肺叶区域分割模块可以包括肺叶区域和肺叶标签获取单元、图像连通区域获取单元和图像连通区域处理单元。在本实施方式中，肺叶区域和肺叶标签获取单元可以被配置为采用卷积神经网络并根据肺部区域与修正后的肺裂区域，对肺部影像进行肺叶分割，得到肺部影像中每个肺叶的肺叶区域并确定每个肺叶区域的肺叶标签。图像连通区域获取单元可以被配置为分别获取每个肺叶区域中最大的图像连通区域，并获取肺部区域中除了最大的图像连通区域以外其他图像连通区域。图像连通区域处理单元可以被配置为针对每个其他图像连通区域，确定距离当前其他图像连通区域最近的最大的图像连通区域，将当前其他图像连通区域作为最大的图像连通区域所属的肺叶区域的一部分区域，并对当前其他图像连通区域设置相应的肺叶标签。
在一个实施方式中，点云神经网络模型可以是基于Point Net网络的模型
上述肺部影像中肺叶区域的分割***以用于执行图1所示的肺部影像中肺叶区域的分割方法实施例，两者的技术原理、所解决的技术问题及产生的技术效果相似，本技术领域技术人员可以清楚地了解到，为了描述的方便和简洁，肺部影像中肺叶区域的分割***的具体工作过程及有关说明，可以参考肺部影像中肺叶区域的分割方法的实施例所描述的内容，此处不再赘述。
本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
进一步，本发明还提供了一种控制装置。在根据本发明的一个控制装置实施例中，控制装置包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的肺部影像中肺叶区域的分割方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的肺部影像中肺叶区域的分割方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备。
进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的肺部影像中肺叶区域的分割方法的程序，该程序可以由处理器加载并运行以实现上述肺部影像中肺叶区域的分割方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
进一步，应该理解的是，由于各个模块的设定仅仅是为了说明本发明的装置的功能单元，这些模块对应的物理器件可以是处理器本身，或者处理器中软件的一部分，硬件的一部分，或者软件和硬件结合的一部分。因此，图中的各个模块的数量仅仅是示意性的。
本领域技术人员能够理解的是，可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理，因此，拆分或合并之后的技术方案都将落入本发明的保护范围内。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种肺部影像中肺叶区域的分割方法，其特征在于，所述方法包括：
获取肺部影像中的肺部区域并获取所述肺部区域中的肺裂区域；
采用点云神经网络模型对所述肺裂区域在所述肺部影像中的三维坐标进行修正，以去除所述肺裂区域的噪声与补全缺失的肺裂区域；
根据所述肺部区域与修正后的肺裂区域对所述肺部影像进行肺叶分割，得到肺叶区域。
2.根据权利要求1所述的肺部影像中肺叶区域的分割方法，其特征在于，“采用点云神经网络模型对所述肺裂区域在所述肺部影像中的三维坐标进行修正，以去除所述肺裂区域的噪声与补全缺失的肺裂区域”的步骤具体包括：
采用训练样本与样本标签对点云神经网络模型进行网络训练，其中，所述训练样本包括不存在坐标数据缺失的第一类肺裂点的三维坐标中x、y和z坐标的坐标值，以及第二类肺裂点的三维坐标中x和y坐标的坐标值，所述样本标签为所述第二类肺裂点的三维坐标中z坐标的坐标值；所述第二肺裂点获取方法为：对所述第一类肺裂点进行随机采样获得一个第一类肺裂点作为第一目标肺裂点；根据所述第一目标肺裂点，从其他第一类肺裂点中获取与所述第一目标肺裂点在三维空间中坐标值连续的多个第一类肺裂点作为第二目标肺裂点；将所述第一目标肺裂点与所述第二目标肺裂点组成所述第二类肺裂点；
采用训练好的点云神经网络模型分别获取所述肺裂区域中每个肺裂点的三维坐标中z坐标的坐标预测值；
针对每个肺裂点，若当前肺裂点缺失z坐标的坐标值，则将所述坐标预测值设置为当前肺裂点的z坐标的坐标值；
若当前肺裂点不缺失z坐标的坐标值且z坐标的坐标实际值与所述坐标预测值不一致，则将所述坐标实际值替换成所述坐标预测值。
3.根据权利要求1所述的肺部影像中肺叶区域的分割方法，其特征在于，“根据所述肺部区域与修正后的肺裂区域对所述肺部影像进行肺叶分割，得到肺叶区域”的步骤具体包括：
采用卷积神经网络并根据所述肺部区域与修正后的肺裂区域，对所述肺部影像进行肺叶分割，得到所述肺部影像中每个肺叶的肺叶区域并确定每个肺叶区域的肺叶标签；
分别获取每个肺叶区域中最大的图像连通区域，并获取所述肺部区域中除了所述最大的图像连通区域以外其他图像连通区域；
针对每个所述其他图像连通区域，确定距离当前所述其他图像连通区域最近的所述最大的图像连通区域，将当前所述其他图像连通区域作为所述最大的图像连通区域所属的肺叶区域的一部分区域，并对当前所述其他图像连通区域设置相应的肺叶标签。
4.根据权利要求1所述的肺部影像中肺叶区域的分割方法，其特征在于，所述点云神经网络模型是基于PointNet网络的模型。
5.一种肺部影像中肺叶区域的分割***，其特征在于，所述***包括：
肺裂区域获取模块，其被配置为获取肺部影像中的肺部区域并获取所述肺部区域中的肺裂区域；
肺裂区域修正模块，其被配置为采用点云神经网络模型对所述肺裂区域在所述肺部影像中的三维坐标进行修正，以去除所述肺裂区域的噪声与补全缺失的肺裂区域；
肺叶区域分割模块，其被配置为根据所述肺部区域与修正后的肺裂区域对所述肺部影像进行肺叶分割，得到肺叶区域。
6.根据权利要求5所述的肺部影像中肺叶区域的分割***，其特征在于，所述肺裂区域修正模块包括：
点云神经网络训练单元，其被配置为采用训练样本与样本标签对点云神经网络模型进行网络训练，其中，所述训练样本包括不存在坐标数据缺失的第一类肺裂点的三维坐标中x、y和z坐标的坐标值，以及第二类肺裂点的三维坐标中x和y坐标的坐标值，所述样本标签为所述第二类肺裂点的三维坐标中z坐标的坐标值；所述第二肺裂点获取方法为：对所述第一类肺裂点进行随机采样获得一个第一类肺裂点作为第一目标肺裂点；根据所述第一目标肺裂点，从其他第一类肺裂点中获取与所述第一目标肺裂点在三维空间中坐标值连续的多个第一类肺裂点作为第二目标肺裂点；将所述第一目标肺裂点与所述第二目标肺裂点组成所述第二类肺裂点；
z坐标预测值获取单元，其被配置为采用训练好的点云神经网络模型分别获取所述肺裂区域中每个肺裂点的三维坐标中z坐标的坐标预测值；
z坐标设置单元，其被配置为针对每个肺裂点，若当前肺裂点缺失z坐标的坐标值，则将所述坐标预测值设置为当前肺裂点的z坐标的坐标值；
z坐标替换单元，其被配置为若当前肺裂点不缺失z坐标的坐标值且z坐标的坐标实际值与所述坐标预测值不一致，则将所述坐标实际值替换成所述坐标预测值。
7.根据权利要求5所述的肺部影像中肺叶区域的分割***，其特征在于，所述肺叶区域分割模块包括：
肺叶区域和肺叶标签获取单元，其被配置为采用卷积神经网络并根据所述肺部区域与修正后的肺裂区域，对所述肺部影像进行肺叶分割，得到所述肺部影像中每个肺叶的肺叶区域并确定每个肺叶区域的肺叶标签；
图像连通区域获取单元，其被配置为分别获取每个肺叶区域中最大的图像连通区域，并获取所述肺部区域中除了所述最大的图像连通区域以外其他图像连通区域；
图像连通区域处理单元，其被配置为针对每个所述其他图像连通区域，确定距离当前所述其他图像连通区域最近的所述最大的图像连通区域，将当前所述其他图像连通区域作为所述最大的图像连通区域所属的肺叶区域的一部分区域，并对当前所述其他图像连通区域设置相应的肺叶标签。
8.根据权利要求5所述的肺部影像中肺叶区域的分割***，其特征在于，所述点云神经网络模型是基于PointNet网络的模型。
9.一种控制装置，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至4中任一项所述的肺部影像中肺叶区域的分割方法。
10.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至4中任一项所述的肺部影像中肺叶区域的分割方法。
CN202210038764.4A 2022-01-13 2022-01-13 肺部影像中肺叶区域的分割方法、***、装置和介质 Pending CN114387257A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210038764.4A CN114387257A (zh) 2022-01-13 2022-01-13 肺部影像中肺叶区域的分割方法、***、装置和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210038764.4A CN114387257A (zh) 2022-01-13 2022-01-13 肺部影像中肺叶区域的分割方法、***、装置和介质

Publications (1)

Publication Number Publication Date
CN114387257A true CN114387257A (zh) 2022-04-22

Family

ID=81200959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210038764.4A Pending CN114387257A (zh) 2022-01-13 2022-01-13 肺部影像中肺叶区域的分割方法、***、装置和介质

Country Status (1)

Country Link
CN (1) CN114387257A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
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

Cited By (1)

* Cited by examiner, † Cited by third party
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

Similar Documents

Publication Publication Date Title
CN109461495B (zh) 一种医学图像的识别方法、模型训练的方法及服务器
WO2022047625A1 (zh) 一种图像处理方法、***和计算机存储介质
US11488021B2 (en) Systems and methods for image segmentation
CN111784671B (zh) 基于多尺度深度学习的病理图像病灶区域检测方法
CN110889853B (zh) 基于残差-注意力深度神经网络的肿瘤分割方法
CN108921851B (zh) 一种基于3d对抗网络的医学ct图像分割方法
CN110889852B (zh) 基于残差-注意力深度神经网络的肝脏分割方法
CN109949276B (zh) 一种于改进SegNet分割网络的***检测方法
CN110544264B (zh) 一种基于3d深监督机制的颞骨关键解剖结构小目标分割方法
CN110998602A (zh) 使用深度学习方法对3d牙颌面结构的分类和3d建模
CN109754403A (zh) 一种ct图像内的肿瘤自动分割方法及***
CN111640120A (zh) 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法
CN111091575B (zh) 一种基于强化学习方法的医学图像分割方法
CN112348769A (zh) 基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置
CN109191468B (zh) 一种血管提取的方法、装置及存储介质
CN110570394A (zh) 医学图像分割方法、装置、设备及存储介质
CN111369574A (zh) 一种胸腔器官的分割方法及装置
CN110599530B (zh) 基于双正则约束的mvct图像纹理增强方法
CN108038840B (zh) 一种图像处理方法、装置、图像处理设备及存储介质
CN114693671B (zh) 基于深度学习的肺结节半自动分割方法、装置、设备及介质
CN113327225A (zh) 用于提供气道信息的方法
CN116452618A (zh) 一种三输入脊柱ct图像分割方法
CN116342444A (zh) 一种双通道多模态图像融合方法及融合成像终端机
Tan et al. Automatic prostate segmentation based on fusion between deep network and variational methods
CN114387257A (zh) 肺部影像中肺叶区域的分割方法、***、装置和介质

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
CB03 Change of inventor or designer information

Inventor after: Fan Xiaochen

Inventor after: Xu Xin

Inventor after: Huang Haixia

Inventor after: Feng Jianxing

Inventor before: Fan Xiaochen

Inventor before: Xu Xin

Inventor before: Feng Jianxing

Inventor before: Huang Haixia

CB03 Change of inventor or designer information