CN106558045B - 一种肺组织分割方法、装置，医学图像处理系统 - Google Patents
一种肺组织分割方法、装置，医学图像处理系统 Download PDFInfo
- Publication number
- CN106558045B CN106558045B CN201610912654.0A CN201610912654A CN106558045B CN 106558045 B CN106558045 B CN 106558045B CN 201610912654 A CN201610912654 A CN 201610912654A CN 106558045 B CN106558045 B CN 106558045B
- Authority
- CN
- China
- Prior art keywords
- image
- medical image
- connected domain
- segmentation
- cross
- 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.)
- Active
Links
- 210000004072 lung Anatomy 0.000 title claims abstract description 93
- 230000011218 segmentation Effects 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012545 processing Methods 0.000 claims description 31
- 241000446313 Lamella Species 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 25
- 238000003709 image segmentation Methods 0.000 claims description 18
- 239000003814 drug Substances 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 230000014759 maintenance of location Effects 0.000 claims description 7
- 230000000717 retained effect Effects 0.000 claims description 5
- 230000008961 swelling Effects 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000002600 positron emission tomography Methods 0.000 description 53
- 210000001519 tissue Anatomy 0.000 description 48
- 238000012937 correction Methods 0.000 description 18
- 239000000700 radioactive tracer Substances 0.000 description 16
- 238000003384 imaging method Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 210000000988 bone and bone Anatomy 0.000 description 8
- 238000002591 computed tomography Methods 0.000 description 8
- 210000000056 organ Anatomy 0.000 description 8
- 230000009466 transformation Effects 0.000 description 6
- 238000002583 angiography Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000005251 gamma ray Effects 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000011017 operating method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 210000004872 soft tissue Anatomy 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 102000006822 Agouti Signaling Protein Human genes 0.000 description 2
- 108010072151 Agouti Signaling Protein Proteins 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 238000012636 positron electron tomography Methods 0.000 description 2
- 230000002285 radioactive effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 208000018152 Cerebral disease Diseases 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 102000007066 Prostate-Specific Antigen Human genes 0.000 description 1
- 108010072866 Prostate-Specific Antigen Proteins 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 210000003928 nasal cavity Anatomy 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种肺组织分割方法，包括：获取受检者目标区域的第一医学图像，第一医学图像包括若干个片层图像，每个片层图像包含多个像素；对第一医学图像的矢状面进行线性增强，并对第一医学图像和经过线性增强的第一图像对应像素的灰度值相加，生成第二医学图像；确定第二医学图像的矢状面皮肤线，并在矢状面皮肤线确定的第二医学图像上确定第二医学图像的横断面皮肤线；获取矢状面皮肤线和横断面皮肤线围成的连通域，并在连通域内获取肺组织的分割结果。本发明肺组织分割方法可精确获取肺组织的边界区域。同时，本发明还提出一种肺组织分割装置及采用该肺组织分割装置的医学图像处理系统。
Description
技术领域
本发明涉及医学图像处理技术领域，尤其涉及医学图像中肺组织的分割方法、装置以及医学图像处理系统。
背景技术
发射型计算机断层扫描仪(Emission Computed Tomography，ECT)主要包括单光子发射计算机断层扫描(SPECT)和正电子发射型计算机断层扫描(PET)，其中PET作为当今高层次的核医学技术，已成为肿瘤、心、脑疾病诊断的不可缺少的重要方法。磁共振成像(Magnetic Resonance Imaging，MRI)可提供成像部位的解剖形态和生理功能信息，在反应解剖形态和生理功能信息方法具有无可比拟的优越性，特别是软组织MR图像呈现更好的对比效果，且无辐射。PET与MR检查的结合具有灵敏度好、准确度高等优点。在PET/MR多模态成像系统中，需要对PET图像进行衰减校正，但是由于MR图像像素值仅与组织中的氢核密度和组织的松弛程度有关，而与电子密度相关的质量衰减系数无关，例如骨骼和空气分别具有最高和最低的正电子衰减系数，在MR图像上却同为低信号，所以基于MR图像的衰减校正比较困难。
目前基于MR的衰减校正方法主要分为区域分割方法：把衰减特性不同的组织和器官分成不同的区域，如空气、肺部、脂肪、肌肉和骨骼等，然后再获得分割好的不同区域的511keV下相应组织的衰减系数，进行衰减校正。现有技术中，基于区域分割的方法的精度有待进一步提高，且无法实现多床位磁共振图像中不同组织和器官的分割。鉴于此，有必要对现有医学图像分割方法进行改进。
发明内容
本发明所要解决的技术问题是提出一种精度高且可实现多床位扫描的医学图像分割方法。
本发明解决上述技术问题所采用的技术方案为：一种肺组织分割方法，包括如下步骤：
获取受检者目标区域的第一医学图像，所述第一医学图像包括若干个片层图像，所述每个片层图像包含多个像素；
对所述第一医学图像的矢状面进行线性增强，并对所述第一医学图像和经过线性增强的第一图像对应像素的灰度值相加，生成第二医学图像；
确定所述第二医学图像的矢状面皮肤线，并在所述矢状面皮肤线确定的第二医学图像上确定所述第二医学图像的横断面皮肤线；
获取所述矢状面皮肤线和横断面皮肤线围成的连通域，并在所述连通域内获取肺组织的分割结果。
可选地，所述第一医学图像为CT图像或MR图像。
可选地，所述第二医学图像的矢状面皮肤线通过如下过程获得：
对所述第二医学图像矢状面的每个像素采用设定阈值进行二值化处理；
统计经二值化处理后所述第二医学图像矢状面的每个片层所包含连通域的数量；
判断每个片层所包含连通域的数量是否小于第一设定阈值，若条件满足，则保留所述连通域；否则，在所包含连通域中仅保留面积最大的一个或多个连通域；
根据所述保留的连通域确定所述第二医学图像的矢状面皮肤线。
可选地，还包括获取片层图像边界上像素值为1的点，并根据所述像素值为1的点将保留的连通域闭合。
可选地，所述第二医学图像的横断面皮肤线通过如下过程确定：
获取所述矢状面皮肤线确定的第二医学图像；
对所述矢状面皮肤线确定的第二医学图像横断面的每个片层进行二维腐蚀处理，保留面积大于第一设定面积阈值的连通域；
对所述保留的面积大于第一设定面积阈值的连通域进行二维膨胀处理，并根据二维膨胀处理后的连通域确定所述第二医学图像的横断面皮肤线。
可选地，所述肺组织的分割结果通过如下过程获得：
在所述连通域的横断面获取高灰度值连通域的边界像素点；
在所述边界像素点围成的连通域内获取横断面分割图像和冠状面分割图像，所述横断面分割图像或所述冠状面分割图像为低灰度值区域；
根据所述冠状面分割图像获取中心线；
根据所述中心线在所述横断面分割图像和所述冠状面分割图像的位置确定肺组织对应的连通域。
可选地，所述中心线通过如下过程获取：
计算所述冠状面分割图像每个片层的连通域面积，确定连通域面积最大的片层；
在所述连通域面积最大的片层中确定连通域的起始行和终止行；
根据所述连通域的起始行和终止行确定中心线。
可选地，根据所述中心线在所述横断面分割图像和所述冠状面分割图像的位置确定肺组织对应的连通域的具体步骤为：
在所述冠状面分割图像上保留中心线所在行的连通域；
在所述横断面分割图像上对所述中心线所在行的连通域进行填充，获取肺组织对应的连通域。
根据本发明的另一方面，还提出一种肺组织分割装置，包括图像分割模块，该图像分割模块包括：
第一医学图像获取单元，用于接收受检者目标区域的第一医学图像，所述第一医学图像包括若干个片层图像，所述每个片层图像包含多个像素；
第二医学图像生成单元，用于对所述第一医学图像的矢状面进行线性增强，并对所述第一医学图像和经过线性增强的第一医学图像对应像素的灰度值相加，生成第二医学图像；
皮肤线确定单元，用于确定所述第二医学图像的矢状面皮肤线，并在所述矢状面皮肤线确定的第二医学图像上确定所述第二医学图像的横断面皮肤线；
分割单元，用于获取所述矢状面皮肤线和横断面皮肤线围成的连通域，并在所述连通域内获取肺组织的分割结果。
根据本发明的又一方面，还提出一种医学图像处理系统，所述医学图像处理系统包括肺组织分割装置，还包括：
MR扫描模块，用于扫描受检者目标区域，并获取所述目标区域对应的第一医学图像；
PET扫描模块，用于扫描所述目标区域，并采集所述目标欧区域对应的PET数据；
重建模块，用于获取所述肺组织分割装置获取的肺组织分割结果，并为所述分割的肺组织每个像素分配相应衰减系数，生成衰减图，以及根据所述衰减图迭代重建所述PET数据产生PET图像。
与现有技术相比，本发明的优点在于：结合磁共振图像在矢状面、横断面等不同切面图像的灰度、位置信息，获取矢状面皮肤线和横断面皮肤线围成的连通域，实现医学图像灰度值相似的背景区域和肺部、骨骼等成像组织的有效区分，避免背景区域对肺部分割结果的影响；在矢状面皮肤线和横断面皮肤线围成的连通域横断面内分割获取高灰度值区域，获取肺组织可能包含的连通域，并根据肺组织的结构特征选定中心线对连通域进行筛选，有效排除骨骼对肺组织的影响；无需采用复杂先验匹配模板，可适用于多床位扫描。
附图说明
图1为本发明一实施例的医学图像处理系统结构框图；
图2为本发明一实施例的MR扫描模块结构框图；
图3为本发明一实施例的PET扫描模块结构框图；
图4为本发明一实施例的肺组织分割装置结构框图；
图5为本发明一实施例的肺组织分割方法流程图；
图6a为本发明一实施例获得的第一医学图像的横断面视图；
图6b为本发明一实施例获得的第一医学图像的冠状面视图；
图6c为本发明一实施例获得的第一医学图像的矢状面视图；
图7为本发明一实施例第二医学图像的矢状面皮肤线获取流程图；
图8为本发明一实施例在矢状面皮肤线和横断面皮肤线围成的连通域内获取肺组织的分割结果流程图；
图9a为本发明一实施例获取的横断面皮肤线结果示意图；
图9b为本发明一实施例获取的肺组织分割结果示意图。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的数据处理系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在一个通过网络与该系统连接的客户端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的数据处理系统所执行的操作步骤。应当理解的是，显示在前面或后面的操作步骤不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作步骤添加到这些过程中，或从这些过程移除某一步或数步操作。
在医学图像或数据处理过程中，“图像分割”、“图像提取”、“图像分类”可以相互转化，均表达从大范围区域内选取符合某条件的图像。在一些实施例中，医学图像处理系统可以包括一种或多种形态。所述形态包括但不限于，数字减影血管造影(DSA)、磁共振成像(MRI)、磁共振血管造影(MRA)、计算机断层扫描(CT)、计算机断层扫描血管造影(CTA)、超声波扫描(US),正电子发射断层扫描术(PET)、单光子发射计算机断层扫描(SPECT)、SPECT-MR、CT-PET、CE-SPECT、DSA-MR、PET-MR、PET-US、SPECT-US、TMS-MR、US-CT、US-MR、X射线-CT、X射线-PET、X射线-US、视频-CT、视频-US和/或类似的一种或多种的组合。在一些实施例中，成像扫描的目标区域可以是器官、机体、物体、损伤部位、肿瘤等一种或多种的组合所在的区域。在一些实施例中，成像扫描的目标区域可以是胸腔、腹部、器官、四肢、骨骼、血管等一种或多种的组合所在的区域。在一些实施例中，扫描的目标区域可以为一个或多个部位的组织所在的区域。在一些实施例中，图像可以是二维图像和/或三维图像。在二维图像中，最细微的可分辨元素可以为像素(pixel)。在三维图像中，最细微的可分辨元素可以为体素(voxel)。在三维图像中，图像可由一系列的二维切片或二维片层图像构成。
需要注意的是，以下对于医学图像处理系统的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接，对实施上述方法和系统的应用领域形式和细节上的各种修正和改变。
根据本发明的一些实施例，提出一种肺组织分割装置，包括图像分割模块，该图像分割模块包括：第一医学图像获取单元，用于接收受检者目标区域的第一医学图像，该第一医学图像包括若干个片层图像，每个片层图像包含多个像素；第二医学图像生成单元，用于对第一医学图像的矢状面进行线性增强，并对该第一医学图像和经过线性增强的第一医学图像对应像素的灰度值相加，生成第二医学图像；皮肤线确定单元，用于确定第二医学图像的矢状面皮肤线，并在矢状面皮肤线确定的第二医学图像上确定所述第二医学图像的横断面皮肤线；分割单元，用于获取所述矢状面皮肤线和横断面皮肤线围成的连通域，并在所述连通域内获取肺组织的分割结果。在一实施例中，第一医学图像获取单元可以为具有存储功能的存储器，该存储器可以是软盘、光盘、CD-ROM(紧致盘-只读存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。
在一些实施例中，该肺组织分割装置可以是具有中央处理器(CentralProcessing Unit，CPU)、专门应用集成电路(Application Specific IntegratedCircuit，ASIC)、专用指令处理器(Application Specific Instruction Set Processor，ASIP)、物理处理器(Physics Processing Unit，PPU)、数字信号处理器(DigitalProcessing Processor，DSP)、现场可编程逻辑门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、处理器、微处理器、控制器、微控制器等中的一种或几种的组合的处理器，用于执行上述操作。
在另一些实施例中，肺组织分割装置可包含第一医学图像产生模块，该第一医学图像产生模块可以是与图像分割模块连接的MR扫描仪，且第一医学图像产生模块可对受检者目标区域进行扫描，生成受检者目标区域的解剖图像。示例性地，该第一医学图像产生单元可以是磁共振扫描仪(设备)、磁共振血管造影扫描仪、计算机断层扫描扫描仪、计算机断层扫描血管造影扫描仪等可产生受检者目标区域解剖结构信息的成像设备。
根据本发明的一些实施例，提出一种采用前述肺组织分割装置的医学图像处理系统，以处理多模态医学图像。在一个实施例中，该医学图像处理系统可包括肺组织分割装置，该肺组织分割装置包括图像分割模块，且图像分割模块可实现肺组织的自动化分割。在另一实施例中，该医学图像处理系统可包括图像分割模块以及其他扫描模块。
在本发明一些实施例中，如图1为本发明一些实施例的医学图像处理系统结构框图，该医学图像处理系统包括MR扫描模块100、PET扫描模块200、含有图像分割模块300的肺组织分割装置30、重建模块400、控制模块500、显示模块600。其中，MR扫描模块100中的存储单元103与图像分割模块300的第一医学图像获取单元301连接；图像分割模块300的分割单元304、PET扫描模块200的存储器204分别与重建模块400连接；控制模块500可连接分割单元304、重建模块400或显示模块600。
图2为本发明一实施例的MR扫描模块100结构框图，示例性地，该MR扫描模块100可以是MR扫描仪，包括MR信号产生和采集单元101、MR信号处理单元102、存储单元103和MR控制单元104，且相互之间可连接，该连接可以是无线网络连接或者有限网络连接。
MR信号产生和采集单元101可包括磁体和射频线圈，且磁体包含产生主磁场的主磁体和产生梯度的梯度组件。主磁体可以是永磁体或超导磁体；梯度组件主要包含梯度电流放大器(AMP)、梯度线圈；梯度组件还可包含三个独立通道Gx、Gy、Gz，每个梯度放大器激发梯度线圈组中对应的一个梯度线圈，产生用于生成相应空间编码信号的梯度场，以对磁共振信号进行空间定位；射频线圈可分为射频发射线圈和射频接收线圈，射频发射线圈用于向受检者或人体发射射频脉冲信号，射频接收线圈用于接收从人体采集的磁共振信号。可选地，射频线圈的种类可以是鸟笼形线圈、螺线管形线圈、马鞍形线圈、亥姆霍兹线圈、阵列线圈、回路线圈等。
MR控制单元104可控制MR信号产生和采集单元101、MR信号处理单元102和存储单元103。具体地，MR控制单元104连接有包含脉冲序列发生器、梯度波形发生器、发射机和接收机等，在接受用户从控制台发出的指令后，控制MR信号产生和采集单元101执行相应扫描序列；MR信号处理单元102可接收MR信号产生和采集单元101采集的磁共振信号，且MR控制单元104控制MR信号处理单元102对磁共振信号进行傅里叶变换等操作，生成成像部位的磁共振图像；存储单元103可在MR控制单元104控制下存储该磁共振图像。
存储单元103可以使具有存储功能的存储器，且该存储器包括，但不限于，软盘、光盘、CD-ROM(紧致盘-只读存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。
示例性地，第一医学图像可以是MR图像，本发明一实施例中MR扫描模块100产生第一医学图像的具体过程包括：主磁体产生B0主磁场，受检者体内的原子核在主磁场作用下产生进动频率，该进动频率与主磁场强度呈正比；MR控制单元104存储和发送需要执行的扫描序列(scan sequence)的指令，脉冲序列发生器根据扫描序列指令对梯度波形发生器和发射机进行控制，梯度波形发生器输出具有预定时序和波形的梯度脉冲信号，该信号经过Gx、Gy和Gz梯度电流放大器，再通过梯度组件中的三个独立通道Gx、Gy、Gz，每个梯度放大器激发梯度线圈组中对应的一个梯度线圈，产生用于生成相应空间编码信号的梯度场，以对磁共振信号进行空间定位；脉冲序列发生器还执行扫描序列，输出包括射频发射的射频脉冲的计时、强度、形状等数据以及射频接收的计时和数据采集窗口的长度到发射机，同时发射机将相应射频脉冲发送至包含射频发射线圈的MR信号产生和采集单元101产生B1场，在B1场作用下病人体内被激发的原子核发出的信号被包含射频接收线圈的MR信号产生和采集单元101感知到；然后，通过发送/接收开关传输到MR信号处理单元102，经过放大、解调、过滤、AD转换等数字化处理可形成原始K空间数据，该原始K空间数据经傅里叶变换可重建为第一医学图像(MR图像)，并存储在存储单元103。
如图3为本发明一些实施例的PET扫描模块200结构框图。该PET扫描模块可以是采集受检者目标区域PET数据的PET扫描仪，可包括探测器单元201、PET信号处理单元202、符合计数单元203、存储单元204和PET控制单元205。PET控制单元205可控制其他多个单元工作执行探测命令，探测器单元201包括设置在机架上的多个探测器环，该探测器环具有排列在中心轴圆周上的多个探测器，受检者可处于由多个探测器围成的扫描视野(Field OfView，FOV)内成像。
存储单元204可以是具有存储功能的存储器，该存储器包括，但不限于软盘、光盘、CD-ROM(紧致盘-只读存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。
示例性地，上述PET扫描器获取PET数据的过程为：在PET扫描前，向受检者体内注入放射性同位素标识的药剂(示踪剂)；探测器检测从被检体内部放出的成对湮没伽马射线，生成与检测出的成对湮没伽马射线的光量相应的脉冲状电信号；该脉冲状电信号被供给PET信号处理单元202，该PET信号处理单元202根据电信号生成单事件数据(SingleEvent Data)，实际中PET信号处理单元202通过检出电信号的强度超过阈值这一情况，从而电检测湮没γ射线；单事件数据被供给至符合计数单元203，该符合计数单元203对与多个单事件有关的单事件数据实施同时计数处理，具体情况是，符合计数单元203从重复供给的单事件数据中重复确定容纳在与预先设定的时间范围内的两个单事件有关的事件数据，时间范围被设定为例如6ns～18ns左右，该成对的单事件被推测为由来于从同一成对湮没点产生的成对湮没γ射线，其中成对的单事件概括地被称为符合事件，连结检测出该成对湮没γ射线的成对的探测器的线被称为响应线(Line Of Response,LOR)，与符合响应线对应的符合数据即为PET数据；存储单元204可在PET控制单元205控制下存储PET数据。需要说明的是，由于PET扫描设备和测量过程存在误差，该PET数据还需进行探测器灵敏度校正、同位素时间衰变校正、死时间校正、符合校正、散射校正、衰减校正或几何校正以及其他校正。
上述涉及的放射性同位素标识的药剂可以是可逆示踪剂或不可逆示踪剂，PET扫描的过程可以采用单示踪剂扫描或多示踪剂动态扫描。在一个实施例中PET扫描为双示踪剂动态扫描，包含初始时刻注入的第一示踪剂I1和第T0时刻注入的第二示踪剂I2，且第一示踪剂I1为可逆示踪剂，第二示踪剂为不可逆示踪剂，动态扫描具体为：PET扫描从t＝0开始，且在t＝0向受检者体内注入第一示踪剂I1；在t＝T0时注入第二示踪剂I2，经过时间T1扫描结束，整个扫描过程持续时间为T0+T1。在扫描过程中，采用探测器对注入示踪剂的头部进行实时探测获取受检者头部发出的放射性信号，经过该符合探测和采集系统处理，形成原始的符合数据，采集频率为每单位时刻采集一次，得到T0+T1组符合计数，其中：在T0时间段内采集得到的T0组符合计数对应第一示踪剂I1，在T1时间段内采集得到的T1组符合计数同时对应第一示踪剂I1和第二示踪剂I2。
如图4为本发明一实施例的肺组织分割装置30结构框图。该肺组织分割装置30包括图像分割模块300，该图像分割模块300包括第一医学图像获取单元301、第二医学图像生成单元302、皮肤线确定单元303、分割单元304。示例性地：第一医学图像获取单元301，可连接存储单元103，用于获取受检者扫描部位的第一医学图像，该第一医学图像包括若干个片层图像，且每个片层图像包含多个像素。在一个实施例中，第一医学图像为第一MR图像。
第二医学图像生成单元302，与第一医学图像获取单元301连接，用于对第一医学图像的矢状面进行线性增强，并对第一医学图像和经过线性增强的第一医学图像对应像素的灰度值相加，生成第二医学图像，进一步地，在对第一医学图像的矢状面进行线性增强之前，还可对第一医学图像进行伽马校正处理。在一个实施例中，第二医学图像可以是第一MR图像和经过线性增强的第一MR图像对应像素的灰度值相加获得的第二MR图像。
皮肤线确定单元303，与第二医学图像生成单元302连接，用于确定第二医学图像的矢状面皮肤线，并在矢状面皮肤线确定的第二医学图像上确定第二医学图像的横断面皮肤线；
分割单元304，与皮肤线确定单元303连接，用于获取矢状面皮肤线和横断面皮肤线围成的连通域，并在连通域内获取肺组织的分割结果。进一步，还可根据肺组织的分割结果为各像素分配对应的衰减系数。需要说明的是，在另一实施例中，肺组织分割装置30还可包括骨骼组织分割单元、肌肉组织分割单元、脂肪组织分割单元等，用于将成像区域分为多个子区域，且每个子区域仅包含同一种组织，实现成像部位各组织、器官的精确分割。
在一些实施例中，图像分割装置30可实现肺组织等多个器官或组织的分割，其中肺组织的分割方法如图5所示包括：
步骤510.获取受检者扫描部位的第一医学图像，第一医学图像可包括若干个片层图像，且第一医学图像的每个片层图像包含多个像素或体素。可选地，第一医学图像可以是三维磁共振(MR)序列图像，计算机断层(CT)图像或正电子发射计算机断层(PET)图像等，且第一医学图像包括矢状面(sagittal plane)、冠状面(coronal plane)和横断面(transverse plane)。如图6为本发明一实施例第一医学图像获取单元301获得的第一医学图像，可为MR图像，其中，图6a为横断面视图；图6b为冠状面视图；图6c为矢状面视图。三种视图中不同灰度值分别表示不同的扫描部位，肺部区域、背景区域以及包括鼻腔、口腔等体腔区域的像素具有低灰度值；肌肉、软组织等区域的像素具有高灰度值。因此，仅仅根据灰度值无法将肺部区域从医学图像分割。
步骤520.对第一医学图像的矢状面(灰度值)进行线性增强，并对第一医学图像和经过灰度增强的第一图像对应像素的灰度值相加，生成第二医学图像。第一医学图像的矢状面进行灰度增强可用公式可表示为：
g(x,y)＝T[f(x,y)] (公式1)
其中，(x,y)表示第一医学图像(矢状面)像素的位置，且x表示像素的横坐标，y表示像素的纵坐标；f(x,y)表示第一医学图像变换前坐标为(x,y)的像素的灰度值；g(x,y)表示第一医学图像变换后坐标为(x,y)的像素的灰度值；T表示某种映射关系；第一医学图像变换前灰度的实际范围可表示为[f1,f2]，第一医学图像变换后要求的范围可表示为[g1,g2]。利用如下公式可实现将灰度比例拉伸或压缩，从而达到增强对比的效果。
在又一实施例中，第一医学图像的矢状面进行线性增强可采用基于图像灰度梯度的线性增强方法，使图像前景的轮廓和背景差别变大。可参考文献Weickert,J.1996.Anisotropic Diffusion in Image Processing.Ph.D.Thesis,Dept.ofMathematics,University of Kaiserslautern,Germany,pp.42-43,80-82,107，以实现第一医学图像中目标区域与区域交界处(皮肤线边缘)的增强，可选地所采用两个高斯平滑系数可设定为0.3-0.6之间任意数值。在另一实施例中，可对第一医学图像中的成像器官区域和背景区域分别采用不同的灰度变换，并对成像器官所占据的灰度范围进行拉伸，对背景进行压缩。在本具体实施例中，可在第二医学图像生成单元302中执行如下步骤：遍历第一医学图像所有像素，获取所有像素的最大灰度值fmax和最小灰度值fmin；分别选择灰度阈值对第一医学图像进行分割，获取成像器官区域、背景区域以及界于成像器官区域和背景区域两者之间的过渡区域；对成像器官区域的灰度级采用拉伸变换，过渡区域的灰度级保持不变，而对背景区域的灰度级采用压缩变换。在此具体实施例中，灰度阈值可选择双灰度阈值fth1和fth2，且fmin<fth1<fth2<fmax。当第一医学图像中的任一像素的灰度值f满足fmin<f<fth1，则该像素归类为背景区域；当第一医学图像中的任一像素的灰度值f满足fth1<f<fth2，则该像素归类为过渡区域；当第一医学图像中的任一像素的灰度值f满足fth2<f<fmax，则该像素归类为成像器官区域。对应的，可在第一医学图像变换后要求的范围[g1,g2]内设定两个灰度阈值gth1和gth2，且g1<gth1<gth2<g2。对于成像器官区域、背景区域和过渡区域可分别采用如下灰度变换方式：
通过上述操作，可得到增强的皮肤线的边缘。进一步地，将增强的的第一医学图像和原始第一医学图像对应各像素处的灰度值相加，即可得到第二医学图像。需要说明的是，在对第一医学图像增强处理前，还可对第一医学图像进行伽马校正。更具体地，伽马校正过程中的校正系数可选择1.05-1.45之间。
步骤530.确定第二医学图像的矢状面皮肤线，并在矢状面皮肤线确定的第二医学图像上确定第二医学图像的横断面皮肤线。示例性地，第二医学图像的矢状面皮肤线可通过皮肤线确定单元303获得，且在该单元中执行如图7所示的步骤：
步骤710.对第二医学图像矢状面的每个像素采用设定阈值进行二值化处理；
步骤720.统计第二医学图像矢状面的每个片层所包含连通域的数量；
步骤730.判断每个片层所包含连通域的数量是否小于第一设定阈值，若条件满足，则保留所述连通域，并执行步骤750；否则，执行步骤740；在一些实施例中，该第一设定阈值可设置在1-5之间任意整数值。步骤740.在每个片层所包含连通域中仅保留面积最大的一个或多个连通域，并执行步骤750；可选地，在一个实施例中该第一设定阈值设定为2，即通过上述操作在每个片层最多保留两个连通域，该两个连通域为所有连通域中面积最大的第一连通域和面积仅次第一连通域的第二连通域。
步骤750.根据保留的连通域确定第二医学图像的矢状面皮肤线。
在本发明一个实施例中，在对第二医学图像矢状面的每个像素采用设定像素阈值进行二值化处理之前，可将第二医学图像的三维横断面图像数据转化为三位矢状面图像数据，且设定像素阈值的范围可选择30-60。
示例性地，第二医学图像的矢状面皮肤线通过如下过程获得：获取片层图像边界上像素值为1的点，并根据像素值为1的点将保留的连通域闭合；对闭合的保留连通域进行填充，即将连通域内灰度值为0的位置赋值为1，填充后连通域的边界像素集合即为第二医学图像的矢状面皮肤线。在此具体实施例中，保留的连通域的闭合过程为：对于通过步骤730保留的连通域，如果每个片层层图像上连通域和图像的上边界或下边界有交集，则封闭下边界或上边界。以下边界封闭为例说明，当下边界位于片层图像的第N行，搜索第N-1行上第一个像素值为1位置(N-1，A)和最后一个像素值为1的位置(N-1，B)，然后将第N行从第A列到B列的像素值赋为1，形成一个闭合的连通域，A、B分别表示像素所在的列数。
在获取第二医学图像矢状面的基础上，可以此为基础确定第二医学图像的横断面皮肤线。示例性地，首先，获取所述矢状面皮肤线确定的第二医学图像，该第二医学图像为三维矢状面图像数据；接着，对矢状面皮肤线确定的第二医学图像横断面的每个片层进行二维腐蚀处理，保留面积大于第一设定面积阈值的连通域；对所述保留的面积大于第一设定面积阈值的连通域进行二维膨胀处理，并根据二维膨胀处理后的连通域确定所述第二医学图像的横断面皮肤线。在上述过程中，第一设定面积阈值可设置在100-200之间。在一个实施例中，第一设定面积阈值可设定为150。对矢状面皮肤线确定的第二医学图像横断面的每个片层图像进行二维腐蚀操作可选择参数半径为3-6的圆形；二维膨胀处理可选择参数半径为2-4的圆形。
步骤540.获取矢状面皮肤线和横断面皮肤线围成的连通域，并在连通域内获取肺组织的分割结果。示例性地，如图8所示在肺组织分割单元304中可执行如下过程获取肺组织的分割结果：
步骤810.在连通域(由矢状面皮肤线和横断面皮肤线围成)横断面内获取高灰度值连通域的边界像素点，即在连通域横断面分割高灰度值连通域，获取高灰度值连通域边界上像素值为1的点，像素值为1的点组成的集合为边界像素点。，示例性地，可首先根据矢状面皮肤线和横断面皮肤线确定的三维横断面灰度图像数据进行阈值分割(灰度阈值可选择30-60)，获取二值化图像，即令图像灰度值大于灰度阈值的像素为1，其他像素为0。然后根据肺组织成像的特点筛选连通域，在本具体实施例中，可统计每个片层图像上连通域的个数，如果连通域的个数少于或等于第二设定阈值，则保留所有连通域；如果连通域个数多于第二设定阈值，则保留数量等于第二设定阈值的连通域；对于保留的连通域进一步作填充处理，并计算填充后连通域的面积，去除填充后连通域面积小于第二设定面积阈值的连通域，最终得到高灰度值区域(连通域)。在一些实施例中，第二设定阈值可设置为3-5之间任意数值。可选地，第二设定阈值可设定为3，且保留的连通域为I1、I2和I3。在一个实施例中，令保留的连通域为I1的面积为S1，令保留的连通域为I2的面积为S2令保留的连通域为I3的面积为S3，待去除连通域中面积最大的连通域I4，且领I4的面积为S4，则应满足S1≥S4；S2≥S4；S3≥S4。在另一实施例中，第二设定面积阈值可设置在200-250之间任意数值。
步骤820.在边界像素点围成的连通域内获取横断面分割图像和冠状面分割图像，横断面分割图像或冠状面分割图像为低灰度值区域。在一个实施例中，所有像素值为1的像素点可将保留的连通域闭合。在上述保留的闭合连通域内存在低灰度值区域。可对高灰度值确定的三维横断面灰度图像数据进行阈值分割(灰度阈值可设定为30-60)，获取二值化图像；统计每个片层图像上连通域的个数，如果连通域的个数少于2个，则保留所有连通域；如果连通域个数多于2个，则保留面积最大的2个连通域，经过上述操作获得的连通域即为横断面分割图像。进一步地，对于横断面分割图像确定三维图像区域，在其相应的冠状面上统计每个片层图像上连通域的个数，如果连通域的个数少于2个，则保留所有连通域；如果连通域个数多于2个，则保留面积最大的2个连通域，经过上述操作获得的连通域即为冠状面分割图像。
步骤830.根据冠状面分割图像获取中心线。在一个实施例中，中心线的获取过程可包括：计算冠状面分割图像每个片层的连通域面积，确定连通域面积最大的片层；在连通域面积最大的片层中确定连通域的起始行和终止行；根据连通域的起始行和终止行确定中心线。在本发明一实施例中，对于冠状面分割图像可遍历每个片层图像上连通域的总面积，比较每个片层上连通域的面积即可获得连通域面积最大的片层S。将该连通域面积最大的片层S的二值图像可沿Y轴进行投影，找到连通域的起始行L1和终止行L2，起始行L1即肺组织区域的起始行，终止行L2即为肺组织区域的终止行，L1和L2的平均值即为中心线所在的行数L3。
步骤840.根据中心线在横断面分割图像和冠状面分割图像的位置确定肺组织对应的连通域。示例性地，根据中心线获取肺组织对应的连通域的步骤为：在冠状面分割图像上保留中心线所在行的连通域；在横断面对中心线所在行的连通域进行填充，获取组织对应的连通域。本发明一具体实施例中，可在冠状面分割图像保留经过中心线L3所在行(如：[L3-2，L3+3])或者经过图像下边界所在行(如：[N-3，N])的连通域；对冠状面分割图像，转换到对应的横断面上，对保留连通域进行填充，获取肺组织分割结果。通过上述过程获得的肺组织分割结果能够避免背景区域对肺部分割结果的影响，提高自动化分割的准确性，适用于多床位扫描，提高扫描速度。
在PET/MR多模态成像系统中，通常需要基于MR图像的信息进行PET衰减校正：将MR图像分割或划分为若干个区域，其中每个区域分别包含多个属于同一组织或器官的体素，该若干个区域可分别对应皮肤、肺组织、软组织和骨骼等不同器官或组织的体素；根据先验信息为分割的若干个区域分配不同的衰减系数。
本发明肺组织的分割方法可准确、有效地实现医学图像中肺组织的自动分割。如图9a为本发明一实施例获取的横断面皮肤线结果示意图，通过该皮肤线(肺部区域的外侧轮廓线)可区分医学图像的背景区域和成像组织区域，且成像组织区域内部包含不同灰度值区域，且骨组织和肺组织的空气区域同时表现为高灰度值。图9b为本发明一实施例获取的肺组织分割结果示意图，在上述皮肤线包围的连通域基础上，可精确确认肺组织的区域A和B，实现肺组织包含的空气区域与骨组织的准确识别；结合肺组织在冠状面图像上的灰度分布和位置信息，避免采用复杂先验匹配模板，可适用于多床位扫描。
在本发明另一些实施例中，上述医学图像处理模块可用于PET成像的衰减校正。示例性地，重建模块400可根据图像分割模块300获取的肺组织分割结果，校正PET数据。重建模块400可迭代重建PET数据，并根据迭代重建后的PET数据产生PET图像，其中，在PET数据迭代重建的过程中采用衰减图校正该PET数据，且在PET数据的迭代重建过程中迭代更新上述衰减图。
控制模块500可以是集中式的，例如数据中心；也可以是分布式的，例如一个分布式系统。控制模块500可以是本地的，也可以是远程的。在一些实施例中，控制模块500可以包括中央处理器(Central Processing Unit，CPU)、专门应用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、专用指令处理器(Application SpecificInstruction Set Processor，ASIP)、物理处理器(Physics Processing Unit，PPU)、数字信号处理器(Digital Processing Processor，DSP)、现场可编程逻辑门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、处理器、微处理器、控制器、微控制器等中的一种或几种的组合。
显示模块600还可显示受检者的身高、体重、年龄、成像部位、MR扫描模块100、PET扫描模块200的工作状态、成像部位的磁共振图像或PET图像等。显示模块600的类型可以是阴极射线管(CRT)显示器、液晶显示器(LCD)、有机发光显示器(OLED)、等离子显示器等中的一种或几种的组合。
需要说明的是，本发明的医学图像处理系统各模块或单元相互之间可连接，该连接可以是无线网络连接或者有限网络连接。其中，有线网络可以包括利用金属电缆、混合电缆、一个或多个接口等一种或多种组合的方式。无线网络可以包括利用蓝牙、区域局域网(LAN)、广域局域网(WAN)、近源场通信(Near Field Communication，NFC)等一种或多种组合的方式。
以上对于医学图像处理系统的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接，对实施上述方法和系统的应用领域形式和细节上的各种修正和改变。
在一个实施例中，医学图像处理系统处理多模态医学图像的过程为：采用MR扫描模块100扫描受检者器官区域，获取对应器官区域的MR图像，并存储在存储单元103；采用PET扫描模块200扫描受检者器官区域，获取对应器官区域的PET数据，并存储在存储器204；图像分割模块300从存储单元103获取MR图像，从MR图像获取矢状面皮肤线和横断面皮肤线，并根据皮肤线确定肺组织对应的连通域，以及，在连通域内根据肺组织的结构特征确定肺组织的分割结果；重建模块400与肺组织分割单元304、存储器204连接，可根据肺组织分割单元304获得的分割结果为各像素(或体素)分配相应衰减系数，生成第一衰减图；根据第一衰减图重建PET数据，获得第一PET图像；根据第一PET图像更新第一衰减图，并产生第二衰减图；基于第二衰减图对第一PET图像进行重建，获取第二PET图像；重复上述过程知道产生最终的目标衰减图(衰减图估计)和最终目标PET图像(PET图像估计)。
进一步地，显示模块600可显示PET图像和MR图像融合的多模态图像，且图像的融合可采用光流场方法、基于特征点的配准方法、基于外形轮廓的配准方法或基于灰度值等配准方法。
需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明的部分或全部可借助软件并结合必需的通用硬件平台来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可包括其上存储有机器可执行指令的一个或多个机器可读介质，这些指令在由诸如计算机、计算机网络或其他电子系统等一个或多个机器执行时可使得该一个或多个机器根据本发明的实施例来执行操作。
虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。
Claims (9)
1.一种肺组织分割方法，包括如下步骤：
获取受检者目标区域的第一医学图像，所述第一医学图像包括若干个片层图像，所述每个片层图像包含多个像素；
对所述第一医学图像的矢状面进行线性增强，并对所述第一医学图像和经过线性增强的第一图像对应像素的灰度值相加，生成第二医学图像；
确定所述第二医学图像的矢状面皮肤线，并在所述矢状面皮肤线确定的第二医学图像上确定所述第二医学图像的横断面皮肤线；
获取所述矢状面皮肤线和横断面皮肤线围成的连通域，并在所述连通域内获取肺组织的分割结果；
所述肺组织的分割结果通过如下过程获得：在所述连通域的横断面获取高灰度值连通域的边界像素点；在所述边界像素点围成的连通域内获取横断面分割图像和冠状面分割图像，所述横断面分割图像或所述冠状面分割图像为低灰度值区域；根据所述冠状面分割图像获取中心线；根据所述中心线在所述横断面分割图像和所述冠状面分割图像的位置确定肺组织对应的连通域。
2.根据权利要求1所述的肺组织分割方法，其特征在于，所述第一医学图像为CT图像或MR图像。
3.根据权利要求1所述的肺组织分割方法，其特征在于，所述第二医学图像的矢状面皮肤线通过如下过程获得：
对所述第二医学图像矢状面的每个像素采用设定阈值进行二值化处理；
统计经二值化处理后所述第二医学图像矢状面的每个片层所包含连通域的数量；
判断每个片层所包含连通域的数量是否小于第一设定阈值，若条件满足，则保留所述连通域；否则，在所包含连通域中仅保留面积最大的一个或多个连通域；
根据所述保留的连通域确定所述第二医学图像的矢状面皮肤线。
4.根据权利要求3所述的肺组织分割方法，其特征在于，还包括获取片层图像边界上像素值为1的点，并根据所述像素值为1的点将保留的连通域闭合。
5.根据权利要求1所述的肺组织分割方法，其特征在于，所述第二医学图像的横断面皮肤线通过如下过程确定：
获取所述矢状面皮肤线确定的第二医学图像；
对所述矢状面皮肤线确定的第二医学图像横断面的每个片层进行二维腐蚀处理，保留面积大于第一设定面积阈值的连通域；
对所述保留的面积大于第一设定面积阈值的连通域进行二维膨胀处理，并根据二维膨胀处理后的连通域确定所述第二医学图像的横断面皮肤线。
6.根据权利要求1所述的肺组织分割方法，其特征在于，所述中心线通过如下过程获取：
计算所述冠状面分割图像每个片层的连通域面积，确定连通域面积最大的片层；
在所述连通域面积最大的片层中确定连通域的起始行和终止行；
根据所述连通域的起始行和终止行确定中心线。
7.根据权利要求1所述的肺组织分割方法，其特征在于，根据所述中心线在所述横断面分割图像和所述冠状面分割图像的位置确定肺组织对应的连通域的具体步骤为：
在所述冠状面分割图像上保留中心线所在行的连通域；
在所述横断面分割图像上对所述中心线所在行的连通域进行填充，获取肺组织对应的连通域。
8.一种肺组织分割装置，包括图像分割模块，该图像分割模块包括：
第一医学图像获取单元，用于接收受检者目标区域的第一医学图像，所述第一医学图像包括若干个片层图像，所述每个片层图像包含多个像素；
第二医学图像生成单元，用于对所述第一医学图像的矢状面进行线性增强，并对所述第一医学图像和经过线性增强的第一医学图像对应像素的灰度值相加，生成第二医学图像；
皮肤线确定单元，用于确定所述第二医学图像的矢状面皮肤线，并在所述矢状面皮肤线确定的第二医学图像上确定所述第二医学图像的横断面皮肤线；
分割单元，用于获取所述矢状面皮肤线和横断面皮肤线围成的连通域，并在所述连通域内获取肺组织的分割结果，所述肺组织的分割结果通过如下过程获得：
在所述连通域的横断面获取高灰度值连通域的边界像素点；在所述边界像素点围成的连通域内获取横断面分割图像和冠状面分割图像，所述横断面分割图像或所述冠状面分割图像为低灰度值区域；根据所述冠状面分割图像获取中心线；根据所述中心线在所述横断面分割图像和所述冠状面分割图像的位置确定肺组织对应的连通域。
9.一种医学图像处理系统，其特征在于，所述医学图像处理系统包括如权利要求8所述的肺组织分割装置，还包括：
MR扫描模块，用于扫描受检者目标区域，并获取所述目标区域对应的第一医学图像；
PET扫描模块，用于扫描所述目标区域，并采集所述目标欧区域对应的PET数据；
重建模块，用于获取所述肺组织分割装置获取的肺组织分割结果，并为所述分割的肺组织每个像素分配相应衰减系数，生成衰减图，以及根据所述衰减图迭代重建所述PET数据产生PET图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610912654.0A CN106558045B (zh) | 2016-10-20 | 2016-10-20 | 一种肺组织分割方法、装置，医学图像处理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610912654.0A CN106558045B (zh) | 2016-10-20 | 2016-10-20 | 一种肺组织分割方法、装置，医学图像处理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106558045A CN106558045A (zh) | 2017-04-05 |
| CN106558045B true CN106558045B (zh) | 2019-07-19 |
Family
ID=58443306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610912654.0A Active CN106558045B (zh) | 2016-10-20 | 2016-10-20 | 一种肺组织分割方法、装置，医学图像处理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106558045B (zh) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109844865B (zh) | 2016-10-27 | 2021-03-30 | 普罗热尼奇制药公司 | 用于医学图像分析的网络、决策支持系统和相关图形用户界面(gui)应用 |
| CN107260137A (zh) * | 2017-07-31 | 2017-10-20 | 济南显微智能科技有限公司 | 一种可同时探测icg与亚甲蓝的双示踪检测装置及方法 |
| CN107563998B (zh) * | 2017-08-30 | 2020-02-11 | 上海联影医疗科技有限公司 | 医学图像中心脏图像处理方法 |
| JP7448476B2 (ja) * | 2018-01-08 | 2024-03-12 | プロジェニクス ファーマシューティカルズ， インコーポレイテッド | 高速ニューラルネットワークベースの画像セグメント化および放射性医薬品摂取判定のためのシステムおよび方法 |
| WO2019220825A1 (ja) * | 2018-05-16 | 2019-11-21 | パナソニック株式会社 | 胸部ｘ線画像の階調変換方法、画像階調変換プログラム、画像階調変換装置、サーバ装置、及び変換方法 |
| CN110555860B (zh) * | 2018-06-04 | 2023-11-14 | 青岛海信医疗设备股份有限公司 | 医学图像中肋骨区域标注的方法、电子设备和存储介质 |
| CN109512449A (zh) * | 2018-09-26 | 2019-03-26 | 沈阳东软医疗系统有限公司 | 生理参数输出方法和装置 |
| KR101981202B1 (ko) * | 2018-12-11 | 2019-05-22 | 메디컬아이피 주식회사 | 의료영상 재구성 방법 및 그 장치 |
| AU2020206584B2 (en) | 2019-01-07 | 2024-11-07 | Exini Diagnostics Ab | Systems and methods for platform agnostic whole body image segmentation |
| AU2020261370B2 (en) | 2019-04-24 | 2025-04-10 | Exini Diagnostics Ab | Systems and methods for automated and interactive analysis of bone scan images for detection of metastases |
| CN110363744B (zh) * | 2019-06-10 | 2021-08-06 | 深圳市智影医疗科技有限公司 | 一种肺部年龄检测方法及设备 |
| US11900597B2 (en) | 2019-09-27 | 2024-02-13 | Progenics Pharmaceuticals, Inc. | Systems and methods for artificial intelligence-based image analysis for cancer assessment |
| CN110689550B (zh) * | 2019-10-12 | 2022-06-21 | 嘉应学院 | 一种腰椎矢状面ct图像高效自动化筛选系统及方法 |
| CN111128317A (zh) * | 2019-11-20 | 2020-05-08 | 中国辐射防护研究院 | 一种电离辐射组织等效材料配方设计方法及系统 |
| US11721428B2 (en) | 2020-07-06 | 2023-08-08 | Exini Diagnostics Ab | Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions |
| CN112884792B (zh) * | 2021-02-02 | 2022-10-25 | 青岛海信医疗设备股份有限公司 | 肺部图像分割的方法、装置、电子设备及存储介质 |
| CN114943856B (zh) * | 2021-04-12 | 2024-04-26 | 四川省肿瘤医院 | 一种肺结节区域识别方法、标注方法及识别系统 |
| CN115937163B (zh) * | 2022-12-19 | 2023-07-28 | 西北民族大学 | 一种spect肺灌注成像的目标区域提取方法与系统 |
| CN116205920B (zh) * | 2023-05-05 | 2023-07-18 | 天津医科大学总医院 | 基于肺扫描数据的重点区域检测模型生成方法及系统 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7309867B2 (en) * | 2003-04-18 | 2007-12-18 | Medispectra, Inc. | Methods and apparatus for characterization of tissue samples |
| WO2007092696A2 (en) * | 2006-02-03 | 2007-08-16 | Koninklijke Philips Electronics, N.V. | Accounting for foreign objects when creating ct-based attenuation maps |
| US9597041B2 (en) * | 2007-03-30 | 2017-03-21 | General Electric Company | Sequential image acquisition with updating method and system |
| US20100158332A1 (en) * | 2008-12-22 | 2010-06-24 | Dan Rico | Method and system of automated detection of lesions in medical images |
| JP5804340B2 (ja) * | 2010-06-10 | 2015-11-04 | 株式会社島津製作所 | 放射線画像領域抽出装置、放射線画像領域抽出プログラム、放射線撮影装置および放射線画像領域抽出方法 |
| US9836848B2 (en) * | 2014-07-02 | 2017-12-05 | Covidien Lp | System and method for segmentation of lung |
| CN104992445B (zh) * | 2015-07-20 | 2017-10-20 | 河北大学 | 一种ct图像肺实质的自动分割方法 |
-
2016
- 2016-10-20 CN CN201610912654.0A patent/CN106558045B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106558045A (zh) | 2017-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106558045B (zh) | 一种肺组织分割方法、装置，医学图像处理系统 | |
| CN106600609B (zh) | 一种医学图像中脊柱的分割方法及系统 | |
| CN107644421B (zh) | 医学图像分割方法及系统 | |
| CN109961834B (zh) | 影像诊断报告的生成方法及设备 | |
| CN105263407B (zh) | 使用磁共振成像的对骨组织的探测 | |
| EP2252204B1 (en) | Ct surrogate by auto-segmentation of magnetic resonance images | |
| US9204817B2 (en) | Attenuation correction in positron emission tomography using magnetic resonance imaging | |
| Kartmann et al. | Integrated PET/MR imaging: automatic attenuation correction of flexible RF coils | |
| CN102525466B (zh) | 图像处理装置和磁共振成像装置 | |
| US8218848B2 (en) | System and method for the generation of attenuation correction maps from MR images | |
| US10794979B2 (en) | Removal of image artifacts in sense-MRI | |
| EP2245592B1 (en) | Image registration alignment metric | |
| WO2017048856A1 (en) | Simultaneous ct-mri image reconstruction | |
| US8867814B2 (en) | Methods and systems for generating a positron emission tomography attenuation correction map | |
| CN107292889B (zh) | 一种肿瘤分割的方法、系统和可读介质 | |
| Eldib et al. | Markerless attenuation correction for carotid MRI surface receiver coils in combined PET/MR imaging | |
| WO2020033566A1 (en) | Neural networks for volumetric segmentation and parcellated surface representations | |
| Torrado-Carvajal et al. | PET/MRI: technical and methodological aspects | |
| Rybak et al. | Measurement of the upper respiratory tract aerated space volume using the results of computed tomography | |
| Könik et al. | Digital anthropomorphic phantoms of non-rigid human respiratory and voluntary body motions: A tool-set for investigating motion correction in 3D reconstruction | |
| US20240046535A1 (en) | System and method for pet-ct image artifact evaluation and correction | |
| Haukipuro | 3D geometric correction in 2D multi-slice acquired MR images used in radiation therapy planning | |
| JP2019505253A (ja) | Ｓｅｎｓｅイメージングにおける画像アーチファクトの除去 | |
| Frohwein et al. | Correction of MRI‐induced geometric distortions in whole‐body small animal PET‐MRI | |
| CN103654829A (zh) | 一种正电子发射断层成像图像数据集的方法和装置 |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Patentee after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Patentee before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |