CN114581476A - 一种基于ct图像的肺器官模型自动分叶方法及*** - Google Patents
一种基于ct图像的肺器官模型自动分叶方法及*** Download PDFInfo
- Publication number
- CN114581476A CN114581476A CN202210288254.2A CN202210288254A CN114581476A CN 114581476 A CN114581476 A CN 114581476A CN 202210288254 A CN202210288254 A CN 202210288254A CN 114581476 A CN114581476 A CN 114581476A
- Authority
- CN
- China
- Prior art keywords
- lung
- model
- point cloud
- cutting
- image
- 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
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
- G06T2207/20112—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
- G06T2207/20172—Image enhancement details
-
- 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
本发明公开了一种基于CT图像的肺器官模型自动分叶方法,包括如下步骤:导入胸部序列CT图像原始数据ImageData;采用阈值分割算法提取肺实质区域,得到肺实质的二值图像并记为MASK1,再对检测分割出来的肺实质区域进行三维重建;根据肺实质的二值图像最***边界是否有二值点来计算肺实质的最大包围盒,对片状结构进行增强计算,得到增强后的图像数据MASK2,进一步处理得到二值图像MASK3,提取左、右边二值数据所有点的集合记为左肺点云S1和右肺点云S2;以左肺点云S1作为输入数据进行左肺裁切分段;以右肺点云S2作为输入数据依次进行右肺一级裁切和右肺二级裁切。本发明能减少非肺区域对肺间隙点云提取的干扰,可提高运算效率,且无需人工干预,可显著减少工作量。
Description
技术领域
本发明涉及医学3D图像可视化处理方法,尤其涉及一种基于CT图像的肺器官模型自动分叶方法及***。
背景技术
当前,肺癌已经成为全世界致死率最高的第一大癌症,而提高肺癌生存率最有效的办法就是早发现、早诊断和早治疗。肺器官具有分叶:左二右三,共五叶。肺的分叶是根据肺部血管的走向进行区分,为肺进行分叶,对于肺癌的诊断和治疗具有十分重要的指导意义,对于后期的癌变部位切除以及手术的规划也具有十分重要的临床价值。
随着人工智能技术的发展,现有的肺分叶方法依赖于大量手工勾画的金标准作为训练数据,请参见以下现有文献:
严凯.基于深度学习的肺分叶分段[D].厦门大学,2019;
伍亚军,吴元江,黄言松,郭李云.基于支气管的自动及半自动肺分叶分段的方法及其***[P];
此类方法的不足在于训练数据需要耗费大量的人力物力,而且模型的性能与用于模型训练的数据量存在相关性;同时训练后的模型需要配备高配置的计算机硬件才可运行;再者训练后的模型修改和迭代成本高。此外,传统的肺分叶方法,需要首先获取支气管模型,然后提取中心线,这两项操作需要大量的前置工作,需要较大的工作量和人力投入。
发明内容
本发明要解决的技术问题在于,针对现有技术的不足,提供一种能减少非肺区域对肺间隙点云提取的干扰,可提高运算效率,并且无需人工干预,可显著减少工作量的基于CT图像的肺器官模型自动分叶方法及***。
为解决上述技术问题,本发明采用如下技术方案。
一种基于CT图像的肺器官模型自动分叶方法,其包括有如下步骤:步骤S1,导入胸部序列CT图像原始数据ImageData,并以横断面、矢状面和冠状面三个正交视图显示;步骤S2,采用阈值分割算法提取肺实质区域,得到肺实质的二值图像并记为MASK1,再以肺实质的二值图像作为输入,对检测分割出来的肺实质区域进行三维重建,得到结节的表面模型并记为S;步骤S3,根据肺实质的二值图像最***边界是否有二值点来计算肺实质的最大包围盒,从所述最大包围盒内抽取原始数据ImageData,使用Hessian矩阵增强算法对片状结构进行增强计算,得到增强后的图像数据MASK2,对图像数据MASK2中阈值高于100的体素进行阈值分割,得到二值图像MASK3,执行最联通运算,消除零碎的非片状结构像素点,再根据原始数据ImageData的左右位置关系,提取左边二值数据所有点的集合记为左肺点云S1,提取右边二值数据所有点的集合记为右肺点云S2;步骤S4,以所述步骤S3中得到的所述左肺点云S1作为输入数据进行左肺裁切分段;步骤S5,以所述步骤S3中得到的所述右肺点云S2作为输入数据依次进行右肺一级裁切和右肺二级裁切。
优选地,所述步骤S1中,将符合DICOM 3.0标准的胸部序列CT图像作为原始数据ImageData。
优选地,所述步骤S2中所采用阈值分割算法的阈值范围设置为-1024~-300,在得到肺实质的二值图像之后,利用FlyingEdge三维重建方法对检测分割出来的肺实质区域进行三维重建。
优选地,所述步骤S3中,抽取原始数据ImageData之后,根据二值图像的体素值,把值为0的体素设置为-300。
优选地,所述步骤S3中,所述图像数据MASK2的阈值范围为0~1024。
优选地,所述步骤S3中,执行最联通运算时,将像素点最大的两个联通的片状结构保留。
优选地,所述步骤S4中,左肺裁切分段过程包括:步骤S40,构建网格体:计算所述左肺点云S1的数据包围盒,根据x、y、z轴三个方向上的最小值和最大值得到包围盒B1,在包围盒B1的空间内,对该空间进行三个坐标轴的方向剖分,建立步长为s的网格体G1,所述网格体G1中包含多个相同体积的立方体;步骤S41,点云划分:针对所述左肺点云S1中的每一个点,根据该点的三维坐标位置,将其分配到网格体G1中对应位置的立方体中,以令所述网格体G1的每个立方体中都包含0个、1个或者多个点;步骤S42,点云滤波:设置最大连接距离L,选择任意一个包含点的立方体开始进行邻域搜索,如果某立方体的三个坐标轴方向上半径为L的立方体中都不含顶点,则停止搜索,将该次搜索得到的顶点集合记为Ca;针对所述网格体G1中剩余的立方体重复执行上述操作,得到N个互不联通的顶点集合:Ca、Cb……CN,取上述顶点集合中顶点数量最多的顶点集合作为集合C1,作为输入数据执行步骤S43;步骤S43,分界面提取:在所述网格体G1中,将除所述集合C1中顶点所在的立方体之外的所有立方体中的顶点数值清零,针对所述网格体G1,沿着Y轴方向,对XOZ平面的每个立方体进行自下而上扫描,只保留Y值最小的立方体,将其余立方体中的顶点数值清零,然后沿Z轴方向,对XOY平面内的每个立方体进行自下而上扫描,只保留Z值最小的立方体,将其余立方体中的顶点数值清零,将剩余的顶点集合记为D1;步骤S44,裁切面拟合:针对顶点集合D1,以左肺网格模型的包围盒为边界,拟合生成裁切面P1;步骤S45,裁切:利用裁切面P1对左肺网格模型进行裁切,得到两个左肺叶模型,分别计算两个左肺叶模型的几何中心点,将z坐标值高的模型记为左肺上叶模型,另外一个记为左肺下叶模型。
优选地,所述步骤S5中,进行右肺一级裁切的过程包括:步骤S50,分界面点云获取:以所述右肺点云S2作为输入,按照所述步骤S40至所述步骤S43的方法,分别得到最大联通的点集合C2和右肺一级分界面的顶点集合D2,从点集合C2中移除同时包含在顶点集合D2中的顶点,得到剩余的顶点集合D3;步骤S51,一级裁切面拟合:针对顶点集合D2,以右肺网格模型的包围盒为边界,拟合生成裁切面P2;步骤S52,裁切:利用裁切面P2对右肺网格模型进行裁切得到两个右肺叶模型,分别计算两个右肺叶模型的几何中心点,将z坐标值高的记为右肺上叶模型,另外一个记为右肺下叶模型。
优选地,所述步骤S5中,进行右肺二级裁切的过程包括:步骤S53,二级裁切面拟合:针对顶点集合D3,以所述右肺上叶模型的网格包围盒为边界,拟合生成裁切面P3;步骤S54,裁切:利用裁切面P3,对所述右肺上叶模型的网格进行裁切,裁切得到模型分别为右肺上叶模型和右肺中叶模型,分别计算右肺上叶模型和右肺中叶模型的几何中心点,z坐标值高的为右肺上叶模型,另外一个为右肺中叶模型。
一种基于CT图像的肺器官模型自动分叶***,所述***用于执行上述肺器官模型自动分叶方法。
本发明公开的基于CT图像的肺器官模型自动分叶方法及***中,当胸部序列CT图像原始数据ImageData导入***之后,***从CT图像中依据肺间隙的图像特征,直接提取分界面点云,再通过降噪、聚类等操作,分别提取左肺、右肺一级和二级分界面,并分别对左肺和右肺进行裁切,从而达到肺部自动分叶的目的。在具体的肺分叶处理过程中,先分割出肺实质区域,能够减少非肺区域对肺间隙点云提取的干扰,从而提高运算效率;同时,本发明基于肺CT数据进行计算,结合肺间隙的形态学特征,无需人工干预,可有效减少工作量;再者,本发明基于点云处理和网格裁切的方法进行自动分叶,其生成的中间数据可以用作后续的手动调整,因此灵活性更高;此外,本发明分叶处理后根据几何模型特征自动命名,大大减少了人工操作,较好地满足了CT医学图像智能化处理应用需求。
附图说明
图1为符合DICOM 3.0标准的胸部平扫期CT图像;
图2为肺实质分割结果图像;
图3为针对肺实质二值图像进行三维重建得到的肺部模型图像;
图4为对图像数据提取到的左肺和右肺的原始点云图像;
图5为分界点云过滤及分界面生成结果图示;
图6为肺分叶结果图示;
图7为本发明基于CT图像的肺器官模型自动分叶方法流程图。
具体实施方式
下面结合附图和实施例对本发明作更加详细的描述。
本发明公开了一种基于CT图像的肺器官模型自动分叶方法,请参见图7,其包括有如下步骤:
步骤S1,导入胸部序列CT图像原始数据ImageData,并以横断面、矢状面和冠状面三个正交视图显示;
步骤S2,采用阈值分割算法提取肺实质区域,得到肺实质的二值图像并记为MASK1,再以肺实质的二值图像作为输入,对检测分割出来的肺实质区域进行三维重建,得到结节的表面模型并记为S;
步骤S3,根据肺实质的二值图像最***边界是否有二值点来计算肺实质的最大包围盒,从所述最大包围盒内抽取原始数据ImageData,使用Hessian矩阵增强算法对片状结构进行增强计算,得到增强后的图像数据MASK2,对图像数据MASK2中阈值高于100的体素进行阈值分割,得到二值图像MASK3,执行最联通运算,消除零碎的非片状结构像素点,再根据原始数据ImageData的左右位置关系,提取左边二值数据所有点的集合记为左肺点云S1,提取右边二值数据所有点的集合记为右肺点云S2;
步骤S4,以所述步骤S3中得到的所述左肺点云S1作为输入数据进行左肺裁切分段;
步骤S5,以所述步骤S3中得到的所述右肺点云S2作为输入数据依次进行右肺一级裁切和右肺二级裁切。
上述方法中,当胸部序列CT图像原始数据ImageData导入***之后,***从CT图像中依据肺间隙的图像特征,直接提取分界面点云,再通过降噪、聚类等操作,分别提取左肺、右肺一级和二级分界面,并分别对左肺和右肺进行裁切,从而达到肺部自动分叶的目的。在具体的肺分叶处理过程中,先分割出肺实质区域,能够减少非肺区域对肺间隙点云提取的干扰,从而提高运算效率;同时,本发明基于肺CT数据进行计算,结合肺间隙的形态学特征,无需人工干预,可有效减少工作量;再者,本发明基于点云处理和网格裁切的方法进行自动分叶,其生成的中间数据可以用作后续的手动调整,因此灵活性更高;此外,本发明分叶处理后根据几何模型特征自动命名,大大减少了人工操作,较好地满足了CT医学图像智能化处理应用需求。
关于上述方法的具体处理手段,所述步骤S1中,将符合DICOM 3.0标准的胸部序列CT图像作为原始数据ImageData。其中,加载并显示符合DICOM 3.0标准的胸部平扫期的CT图像,可以分别从横断面、矢状面和管状面三个方向查看导入的图像数据,导入的图像请参见图1。
进一步地,所述步骤S2中,所采用阈值分割算法的阈值范围设置为-1024~-300,在得到肺实质的二值图像之后,利用FlyingEdge三维重建方法对检测分割出来的肺实质区域进行三维重建。基于FlyingEdge三维重建算法获得的左肺及右肺的网格模型请参见图3所示。
关于步骤S3的具体处理手段包括:
所述步骤S3中,抽取原始数据ImageData之后,根据二值图像的体素值,把值为0的体素设置为-300;
所述步骤S3中,所述图像数据MASK2的阈值范围为0~1024;
所述步骤S3中,执行最联通运算时,将像素点最大的两个联通的片状结构保留。
为了实现准确的左肺裁切分段,本实施例的所述步骤S4中,左肺裁切分段过程包括:
步骤S40,构建网格体:计算所述左肺点云S1的数据包围盒,根据x、y、z轴三个方向上的最小值和最大值得到包围盒B1,在包围盒B1的空间内,对该空间进行三个坐标轴的方向剖分,建立步长为s的网格体G1,所述网格体G1中包含多个相同体积的立方体;
步骤S41,点云划分:针对所述左肺点云S1中的每一个点,根据该点的三维坐标位置,将其分配到网格体G1中对应位置的立方体中,以令所述网格体G1的每个立方体中都包含0个、1个或者多个点;
步骤S42,点云滤波:设置最大连接距离L,选择任意一个包含点的立方体开始进行邻域搜索,如果某立方体的三个坐标轴方向上半径为L的立方体中都不含顶点,则停止搜索,将该次搜索得到的顶点集合记为Ca;针对所述网格体G1中剩余的立方体重复执行上述操作,得到N个互不联通的顶点集合:Ca、Cb……CN,取上述顶点集合中顶点数量最多的顶点集合作为集合C1,作为输入数据执行步骤S43;
步骤S43,分界面提取:在所述网格体G1中,将除所述集合C1中顶点所在的立方体之外的所有立方体中的顶点数值清零,针对所述网格体G1,沿着Y轴方向,对XOZ平面的每个立方体进行自下而上扫描,只保留Y值最小的立方体,将其余立方体中的顶点数值清零,然后沿Z轴方向,对XOY平面内的每个立方体进行自下而上扫描,只保留Z值最小的立方体,将其余立方体中的顶点数值清零,将剩余的顶点集合记为D1;
步骤S44,裁切面拟合:针对顶点集合D1,以左肺网格模型的包围盒为边界,拟合生成裁切面P1;
步骤S45,裁切:利用裁切面P1对左肺网格模型进行裁切,得到两个左肺叶模型,分别计算两个左肺叶模型的几何中心点,将z坐标值高的模型记为左肺上叶模型,另外一个记为左肺下叶模型。
在所述左肺裁切分段的基础上,参考其中的构建网格体、点云划分、点云滤波和分界面提取环节,在所述步骤S5中,进行右肺一级裁切的过程包括:
步骤S50,分界面点云获取:以所述右肺点云S2作为输入,按照所述步骤S40至所述步骤S43的方法,分别得到最大联通的点集合C2和右肺一级分界面的顶点集合D2,从点集合C2中移除同时包含在顶点集合D2中的顶点,得到剩余的顶点集合D3;
步骤S51,一级裁切面拟合:针对顶点集合D2,以右肺网格模型的包围盒为边界,拟合生成裁切面P2;
步骤S52,裁切:利用裁切面P2对右肺网格模型进行裁切得到两个右肺叶模型,分别计算两个右肺叶模型的几何中心点,将z坐标值高的记为右肺上叶模型,另外一个记为右肺下叶模型。
进一步地,所述步骤S5中,进行右肺二级裁切的过程包括:
步骤S53,二级裁切面拟合:针对顶点集合D3,以所述右肺上叶模型的网格包围盒为边界,拟合生成裁切面P3;
步骤S54,裁切:利用裁切面P3,对所述右肺上叶模型的网格进行裁切,裁切得到模型分别为右肺上叶模型和右肺中叶模型,分别计算右肺上叶模型和右肺中叶模型的几何中心点,z坐标值高的为右肺上叶模型,另外一个为右肺中叶模型。
实际应用中,本发明可通过一种基于CT图像的肺器官模型自动分叶***来执行上述的肺器官模型自动分叶方法。
本发明公开的基于CT图像的肺器官模型自动分叶方法,其针对现有机器学习和深度学习针对肺部模型进行分叶的方法需要依赖大量金标准数据进行训练的缺陷,以及传统的肺分叶方法依赖支气管分割及其中心线提取等一系列复杂前置工作的问题,提供了一种基于医学图像处理和网格处理的方法,并且结合了阈值分割、曲面拟合、网格裁切等技术手段,实际应用中可以参考如下实施例。
实施例一
本实施例肺器官模型自动分叶方法包括如下步骤:
步骤1,数据准备:将符合DICOM 3.0标准的胸部序列CT图像导入程序中,并以横断面、矢状面和冠状面三个正交视图显示。如果获取的数据包含多个分期时,需要对这些数据先进行分期,再选择合适的分期数据进行处理。定义输入的原始数据为ImageData;导入的图像请参见图1所示;
步骤2,肺实质分割:为了排除其他的图像区域对肺分叶处理处理过程的影响,在导入CT图像数据后,采用阈值分割算法(阈值范围-1024到-300)提取肺实质区域,得到肺实质的二值图像,记为MASK1,然后以肺实质的二值图像为输入,使用FlyingEdge三维重建方法对检测分割出来的肺实质区域进行三维重建,得到结节的表面模型,记为S;肺实质分割的结果请参见图2所示,基于FlyingEdge三维重建算法获得的左肺及右肺的网格模型请参见图3所示;
步骤3,分界面点云提取:根据获取的二值图像的最***边界是否有二值点计算肺实质的最大包围盒,抽取这个包围盒内抽取原始图像ImageData的数据,进一步根据根据二值图像的体素的值,把值为0的体素设置为-300,以排除这些体素对于后面计算的影响,使用Hessian矩阵增强算法对于片状结构进行增强计算,获得增强后的图像数据MASK2(阈值范围为0-1024),对于MASK2数据进行阈值高于100的体素进行阈值分割,得到二值图像MASK3,执行最联通运算(像素点最大的两个联通的片状结构保留),消除零碎的非片状结构的像素点,再根据ImageData图像的左右位置关系,分别提取左边的二值数据所有点的集合记为左肺的点云S1,提取右边的二值数据所有点的集合记为右肺的点云S2;对图像数据提取到的左肺和右肺的原始点云图示请参见图4;
步骤4,左肺裁切分段:该步骤以步骤3中获取到的属于左肺的点云S1作为输入数据,具体包括如下过程:
4.1构建网格体:针对输入点云数据S1,求S1的数据包围盒,即x、y、z轴三个方向上的最小值和最大值形成的包围盒B1.在包围盒B1空间内,将空间进行三个坐标轴的方向剖分,建立步长为s的网格体G1,其中包含着同样体积的立方体;
4.2点云划分:将点云数据S1中的每一个点,根据他的三维坐标位置,将其分配到网格体G1的对应的立方体中。该步骤完成后,网格体G1的每个立方体中都包含0个、1个或者多个点;
4.3点云滤波:设置最大连接距离L,选择任意一个包含点的立方体开始进行邻域搜索,如果某立方体的三个坐标轴方向上半径为L的立方体中都不含顶点,则停止搜索,此次搜索得到的顶点集合为Ca。对G1剩余的立方体重复进行上述操作,会得到N个互不联通的顶点集合:Ca、Cb……CN。取上述顶点集合中顶点数量最多的顶点集合作为集合C1,作为输入数据,传入下一步操作;
4.4分界面提取:将网格体G1中,将除第③步获取的点集合C1中的顶点所在的立方体之外的所有的立方体中的顶点数值清零。对于网格体G1,沿着Y轴方向,对XOZ平面的每个立方体进行自下而上的扫描,只保留Y值最小的立方体,其余的立方体剔除(将其中的顶点清零)。然后沿着Z轴方向,对XOY平面内的每个立方体进行自下而上的扫描,同样只保留Z值最小的立方体,其余的立方体剔除。剩下的顶点集合为D1;
4.5裁切面拟合:对顶点集合D1,以左肺网格模型的包围盒为边界,拟合生成裁切面P1;
4.6裁切:采用裁切面P1对左肺网格模型进行裁切,得到左肺上叶和左肺下叶模型。分别计算两个模型的几何中心点,z坐标值高的为左肺上叶模型,另外一个为左肺下叶模型;分界点云过滤及分界面生成结果请参见图5所示;
步骤5,右肺一级裁切:本步骤以步骤3获得的右肺的分界面点云数据S2为输入。因为右肺分为三段,需要首先提取出一级裁切面,然后再提取二级裁切面,具体包括如下步骤:
5.1分界面点云获取。以右肺的原始点云数据S2为输入,参考执行步骤4步中的4.1-4.4步骤,分别得到最大联通的点集合C2和分界面的顶点集合为D2,将点集合C2中同时包含在点集合D2中的顶点移除,得到点集合D3;
5.2一级裁切面拟合:对顶点集合D2,以右肺网格模型的包围盒为边界,拟合生成裁切面P2;
5.3裁切:采用裁切面P2对右肺网格模型进行裁切,裁切得到的模型为右肺上部分和右肺下叶。分别计算两个网格的几何中心点,z坐标值高的为右肺上部分,另外一个为右肺下叶。
步骤6,右肺二级裁切:以步骤5得到的点集合D2为输入,进行如下操作:
6.1二级裁切面拟合:对顶点集合D3,以第(5)步裁切得到的右肺上部分网格的包围盒为边界,拟合生成裁切面P3;
6.2裁切:采用裁切面P3,对右肺上部分网格进行裁切,裁切得到模型为右肺上叶和右肺中叶。分别计算两个网格的几何中心点,z坐标值高的为右肺上叶,另外一个为右肺下叶;肺分叶结果请参见图6所示。
通过执行上述步骤1至步骤6,本实施例基于CT图像,实现了对左肺和右肺网格模型的自动分叶,通过智能化、自动化分析处理得到了左肺上叶、左肺下叶、右肺上叶、右肺中叶和右肺下叶5个模型,准确地完成了肺器官模型的自动分叶,为计算机医学诊疗辅助和医学图像3D可视化提供了技术基础,特别适合应用于CT医学图像分割和三维重建技术领域中,并具有较佳的应用前景。
以上所述只是本发明较佳的实施例,并不用于限制本发明,凡在本发明的技术范围内所做的修改、等同替换或者改进等,均应包含在本发明所保护的范围内。
Claims (10)
1.一种基于CT图像的肺器官模型自动分叶方法,其特征在于,包括有如下步骤:
步骤S1,导入胸部序列CT图像原始数据ImageData,并以横断面、矢状面和冠状面三个正交视图显示;
步骤S2,采用阈值分割算法提取肺实质区域,得到肺实质的二值图像并记为MASK1,再以肺实质的二值图像作为输入,对检测分割出来的肺实质区域进行三维重建,得到结节的表面模型并记为S;
步骤S3,根据肺实质的二值图像最***边界是否有二值点来计算肺实质的最大包围盒,从所述最大包围盒内抽取原始数据ImageData,使用Hessian矩阵增强算法对片状结构进行增强计算,得到增强后的图像数据MASK2,对图像数据MASK2中阈值高于100的体素进行阈值分割,得到二值图像MASK3,执行最联通运算,消除零碎的非片状结构像素点,再根据原始数据ImageData的左右位置关系,提取左边二值数据所有点的集合记为左肺点云S1,提取右边二值数据所有点的集合记为右肺点云S2;
步骤S4,以所述步骤S3中得到的所述左肺点云S1作为输入数据进行左肺裁切分段;
步骤S5,以所述步骤S3中得到的所述右肺点云S2作为输入数据依次进行右肺一级裁切和右肺二级裁切。
2.如权利要求1所述的基于CT图像的肺器官模型自动分叶方法,其特征在于,所述步骤S1中,将符合DICOM 3.0标准的胸部序列CT图像作为原始数据ImageData。
3.如权利要求1所述的基于CT图像的肺器官模型自动分叶方法,其特征在于,所述步骤S2中所采用阈值分割算法的阈值范围设置为-1024~-300,在得到肺实质的二值图像之后,利用FlyingEdge三维重建方法对检测分割出来的肺实质区域进行三维重建。
4.如权利要求1所述的基于CT图像的肺器官模型自动分叶方法,其特征在于,所述步骤S3中,抽取原始数据ImageData之后,根据二值图像的体素值,把值为0的体素设置为-300。
5.如权利要求1所述的基于CT图像的肺器官模型自动分叶方法,其特征在于,所述步骤S3中,所述图像数据MASK2的阈值范围为0~1024。
6.如权利要求1所述的基于CT图像的肺器官模型自动分叶方法,其特征在于,所述步骤S3中,执行最联通运算时,将像素点最大的两个联通的片状结构保留。
7.如权利要求1所述的基于CT图像的肺器官模型自动分叶方法,其特征在于,所述步骤S4中,左肺裁切分段过程包括:
步骤S40,构建网格体:计算所述左肺点云S1的数据包围盒,根据x、y、z轴三个方向上的最小值和最大值得到包围盒B1,在包围盒B1的空间内,对该空间进行三个坐标轴的方向剖分,建立步长为s的网格体G1,所述网格体G1中包含多个相同体积的立方体;
步骤S41,点云划分:针对所述左肺点云S1中的每一个点,根据该点的三维坐标位置,将其分配到网格体G1中对应位置的立方体中,以令所述网格体G1的每个立方体中都包含0个、1个或者多个点;
步骤S42,点云滤波:设置最大连接距离L,选择任意一个包含点的立方体开始进行邻域搜索,如果某立方体的三个坐标轴方向上半径为L的立方体中都不含顶点,则停止搜索,将该次搜索得到的顶点集合记为Ca;针对所述网格体G1中剩余的立方体重复执行上述操作,得到N个互不联通的顶点集合:Ca、Cb……CN,取上述顶点集合中顶点数量最多的顶点集合作为集合C1,作为输入数据执行步骤S43;
步骤S43,分界面提取:在所述网格体G1中,将除所述集合C1中顶点所在的立方体之外的所有立方体中的顶点数值清零,针对所述网格体G1,沿着Y轴方向,对XOZ平面的每个立方体进行自下而上扫描,只保留Y值最小的立方体,将其余立方体中的顶点数值清零,然后沿Z轴方向,对XOY平面内的每个立方体进行自下而上扫描,只保留Z值最小的立方体,将其余立方体中的顶点数值清零,将剩余的顶点集合记为D1;
步骤S44,裁切面拟合:针对顶点集合D1,以左肺网格模型的包围盒为边界,拟合生成裁切面P1;
步骤S45,裁切:利用裁切面P1对左肺网格模型进行裁切,得到两个左肺叶模型,分别计算两个左肺叶模型的几何中心点,将z坐标值高的模型记为左肺上叶模型,另外一个记为左肺下叶模型。
8.如权利要求7所述的基于CT图像的肺器官模型自动分叶方法,其特征在于,所述步骤S5中,进行右肺一级裁切的过程包括:
步骤S50,分界面点云获取:以所述右肺点云S2作为输入,按照所述步骤S40至所述步骤S43的方法,分别得到最大联通的点集合C2和右肺一级分界面的顶点集合D2,从点集合C2中移除同时包含在顶点集合D2中的顶点,得到剩余的顶点集合D3;
步骤S51,一级裁切面拟合:针对顶点集合D2,以右肺网格模型的包围盒为边界,拟合生成裁切面P2;
步骤S52,裁切:利用裁切面P2对右肺网格模型进行裁切得到两个右肺叶模型,分别计算两个右肺叶模型的几何中心点,将z坐标值高的记为右肺上叶模型,另外一个记为右肺下叶模型。
9.如权利要求8所述的基于CT图像的肺器官模型自动分叶方法,其特征在于,所述步骤S5中,进行右肺二级裁切的过程包括:
步骤S53,二级裁切面拟合:针对顶点集合D3,以所述右肺上叶模型的网格包围盒为边界,拟合生成裁切面P3;
步骤S54,裁切:利用裁切面P3,对所述右肺上叶模型的网格进行裁切,裁切得到模型分别为右肺上叶模型和右肺中叶模型,分别计算右肺上叶模型和右肺中叶模型的几何中心点,z坐标值高的为右肺上叶模型,另外一个为右肺中叶模型。
10.一种基于CT图像的肺器官模型自动分叶***,其特征在于,所述***用于执行权利要求1-9任一项所述的肺器官模型自动分叶方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210288254.2A CN114581476A (zh) | 2022-03-22 | 2022-03-22 | 一种基于ct图像的肺器官模型自动分叶方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210288254.2A CN114581476A (zh) | 2022-03-22 | 2022-03-22 | 一种基于ct图像的肺器官模型自动分叶方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114581476A true CN114581476A (zh) | 2022-06-03 |
Family
ID=81781826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210288254.2A Pending CN114581476A (zh) | 2022-03-22 | 2022-03-22 | 一种基于ct图像的肺器官模型自动分叶方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114581476A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114927202A (zh) * | 2022-06-13 | 2022-08-19 | 上海市胸科医院 | 肺部形变模拟方法、装置及服务器 |
-
2022
- 2022-03-22 CN CN202210288254.2A patent/CN114581476A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114927202A (zh) * | 2022-06-13 | 2022-08-19 | 上海市胸科医院 | 肺部形变模拟方法、装置及服务器 |
CN114927202B (zh) * | 2022-06-13 | 2023-03-24 | 上海市胸科医院 | 肺部形变模拟方法、装置及服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106097305B (zh) | 双行程区域生长结合形态学重建的肺部气管树分割方法 | |
CN107798682B (zh) | 图像分割***、方法、装置和计算机可读存储介质 | |
CN104933709B (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
US8849016B2 (en) | Panoramic image generation from CBCT dental images | |
CN107622492A (zh) | 肺裂分割方法及*** | |
CN108038862B (zh) | 一种交互式医学图像智能分割建模方法 | |
CN110060235A (zh) | 一种基于深度学习的甲状腺结节超声图像分割方法 | |
CN109300136B (zh) | 一种基于卷积神经网络的危及器官自动分割方法 | |
CN109191510B (zh) | 一种病理切片的3d重建方法及其装置 | |
CN114757960B (zh) | 一种基于cbct图像的牙齿分割与重建方法及存储介质 | |
CN103489198A (zh) | 从序列mr图像中自动分割脑干区域的方法 | |
CN112734755A (zh) | 基于3d全卷积神经网络与多任务学习的肺叶分割方法 | |
US8050470B2 (en) | Branch extension method for airway segmentation | |
CN110866905A (zh) | 一种肋骨识别与标注方法 | |
JP2009045286A (ja) | 医用画像処理装置、医用画像診断装置、及びプログラム | |
CN114581476A (zh) | 一种基于ct图像的肺器官模型自动分叶方法及*** | |
CN112712540B (zh) | 一种基于ct影像的肺部支气管提取方法 | |
CN112348826B (zh) | 一种基于测地线距离和V-net的交互式肝脏分割方法 | |
Ben-Hamadou et al. | 3DTeethSeg'22: 3D Teeth Scan Segmentation and Labeling Challenge | |
Tong et al. | Computer-aided lung nodule detection based on CT images | |
CN111145353B (zh) | 通过图像分割和网格特征点提取算法生成3d点云的方法 | |
Xu et al. | A pilot study to utilize a deep convolutional network to segment lungs with complex opacities | |
KR20230092947A (ko) | 의료용 이미지 내에서 적어도 하나의 관상 구조체를 세그멘트화하고 식별하기 위한 방법 및 시스템 | |
CN114418949A (zh) | 基于三维u型网络与通道注意力的肺结节检测方法 | |
CN111489434A (zh) | 一种基于三维图割的医学影像三维重建方法 |
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 |