CN107622492B - 肺裂分割方法及系统 - Google Patents
肺裂分割方法及系统 Download PDFInfo
- Publication number
- CN107622492B CN107622492B CN201710557412.9A CN201710557412A CN107622492B CN 107622492 B CN107622492 B CN 107622492B CN 201710557412 A CN201710557412 A CN 201710557412A CN 107622492 B CN107622492 B CN 107622492B
- Authority
- CN
- China
- Prior art keywords
- lung
- candidate
- fissure
- region
- splits
- 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 334
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000011218 segmentation Effects 0.000 title claims description 71
- 230000008569 process Effects 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 51
- 210000003437 trachea Anatomy 0.000 claims description 40
- 230000015654 memory Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 52
- 238000003384 imaging method Methods 0.000 description 34
- 230000003993 interaction Effects 0.000 description 23
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000002285 radioactive effect Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000002685 pulmonary effect Effects 0.000 description 8
- 210000004204 blood vessel Anatomy 0.000 description 7
- 238000002591 computed tomography Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000003709 image segmentation Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 210000000056 organ Anatomy 0.000 description 5
- 230000036961 partial effect Effects 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000002600 positron emission tomography Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 210000000038 chest Anatomy 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 208000019693 Lung disease Diseases 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 206010014561 Emphysema Diseases 0.000 description 1
- 238000012351 Integrated analysis Methods 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000037841 lung tumor Diseases 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012015 optical character recognition Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 208000005069 pulmonary fibrosis Diseases 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 208000006601 tracheal stenosis Diseases 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- 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
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
-
- 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
- G06T2207/10—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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20072—Graph-based image processing
-
- 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
- G06T2207/20116—Active contour; Active surface; Snakes
-
- 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
- G06T2207/20152—Watershed segmentation
-
- 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
- G06T2207/20156—Automatic seed setting
-
- 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
- G06T2207/20161—Level set
-
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种肺裂分割方法及系统，所述方法包括：获取一个与肺部区域有关的目标图像，所述目标图像包括多个片层图像；在所述目标图像中分割出所述肺部区域；在所述肺部区域中识别出多个候选肺裂；基于一个分类过程，将至少部分所述多个候选肺裂分类；以及合并至少部分被分类的候选肺裂。本发明提供的肺裂分割方法及系统把肺裂准确的分割出来。
Description
【技术领域】
本申请涉及一种医学图像的方法及系统，特别地，涉及一种肺裂分割方法及系统。
【背景技术】
随着工业活动的日益增多，自然环境变的越来越恶劣，导致了肺部疾病发病率的逐年升高。其中肺癌已经成为人类健康的主要杀手，同时肺纤维变性、肺气肿、局部气管狭窄等肺部疾病也一直危害着人们的健康。一般对肺部的检查多以胸肺CT为主。
图像分割是指将图像中某种或若干种物体用不同的值标记出来的一种操作。在医学图像处理领域，尤其是三维图像如CT等，经常需要对图像进行分割。这是因为在三维图像中，不同物体之间常常互相遮挡，只有将待观察的物体完整准确的分割出来，才能进行后续的显示、观察、测量、诊断等操作。
在肺部图像处理领域，肺裂的分割是一项非常重要的工作。人体的左右两肺，存在三片肺裂，分别被命名为左肺斜裂，右肺斜裂和右肺水平裂，它们把肺分成左边两个肺叶与右边三个肺叶，分别为左上肺叶，左下肺叶，右上肺叶，右中肺叶和右下肺叶。当对图像上的肺进行分割，使之分为五个肺叶时，最为重要的一个步骤，就是把肺裂准确的分割出来。而肺叶的准确分割，可以对图像的处理、病情的诊断等具有很大的辅助作用。例如，在肺结节自动诊断过程中，可基于肺叶分割结果，自动判断结节属于哪个肺叶，减少医生复核检查的工作量。医生还可对待手术的肺部肿瘤，测量其与肺裂(即肺叶边界)的距离，以判断手术是需要切除一个肺叶还是需要切除全肺。
【发明内容】
本发明所要解决的技术问题是提供一种磁共振波谱交互方法及系统，用以提供一种交互友好，灵活编辑且满足用户诊断需求。
为解决上述技术问题，本发明提供一种可实施在至少一个设备上的肺裂分割方法，所述设备含有至少一个处理器和一个存储器，所述方法包括：
获取一个与肺部区域有关的目标图像，所述目标图像包括多个片层图像；
在所述目标图像中分割出所述肺部区域；
在所述肺部区域中识别出多个候选肺裂；
基于一个分类过程，将至少部分所述多个候选肺裂分类；以及
合并至少部分被分类的候选肺裂。
进一步的，所述在所述肺部区域识别出多个候选肺裂包括：
确定与所述肺部区域中一个体素对应的一个海森矩阵；
确定所述海森矩阵的一个特征值；以及
根据所述特征值，指定所述体素属于所述多个候选肺裂中一个候选肺裂。
进一步的，所述合并至少部分被分类的候选肺裂包括：
确定多个值，所述多个值的一个对应于所述多个候选肺裂中的一个候选肺裂；
根据所述多个值，将所述多个候选肺裂分为至少两类；以及
合并属于同一个类的候选肺裂。
进一步的，所述多个值包括对应于所述多个候选肺裂的多个特征向量或者多个法线方向。
进一步的，所述在所述肺部区域识别出一个或多个肺裂进一步包括根据所述合并的候选肺裂拟合出所述一个或多个肺裂。
为解决上述技术问题，本发明还提供一种肺裂分割系统，包括：
一个肺分割模块，用于获取一个与肺部区域有关的目标图像，所述肺分割模块被配置于在所述目标图像中分割出所述肺部区域；
一个气管识别模块，被配置于识别出一个与所述肺部区域相关的气管结构；
一个肺裂分割模块，被配置于在所述肺部区域识别出一个或多个肺裂；以及
在所述肺部区域中识别出多个候选肺裂；
基于一个分类过程，将至少部分所述多个候选肺裂分类；以及
合并至少部分被分类的候选肺裂。
进一步的，所述在所述肺部区域识别出多个候选肺裂包括：
确定与所述肺部区域中一个体素对应的一个海森矩阵；
确定所述海森矩阵的一个特征值；以及
根据所述特征值，指定所述体素属于所述多个候选肺裂中一个候选肺裂。
进一步的，所述合并至少部分被分类的候选肺裂包括：
确定多个值，所述多个值的一个对应于所述多个候选肺裂中的一个候选肺裂；
根据所述多个值，将所述多个候选肺裂分为至少两类；以及
合并属于同一个类的候选肺裂。
进一步的，所述多个值包括对应于所述多个候选肺裂的多个特征向量或者多个法线方向。
进一步的，所述在所述肺部区域识别出一个或多个肺裂进一步包括根据所述合并的候选肺裂拟合出所述一个或多个肺裂。
本发明对比现有技术有如下的有益效果：1.对海森增强的结果，采用基于散点聚合平面法线方向的新的区域归并方法，相比基于特征向量的区域生长，避免了相邻点特征向量差异化太大的确定，得到的肺裂更完整，更能避免碎片化。2.根据不完整肺裂建立薄板样条的模型，根据已经提取出来的部分肺裂，拟合肺裂曲面，有效弥补肺裂中较大的残缺和孔洞。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1A和1B是根据本申请的一些实施例所示的图像处理系统的工作环境的一个示意图；
图2是根据本申请的一些实施例所示的一个计算设备的硬件和/或软件结构示意图；
图3是根据本申请的一些实施例所示的交互设备的软件/硬件结构示意图；
图4是根据本申请的一些实施例所示数据处理引擎结构示意图；
图5是根据本申请的一些实施例所示的是总的肺部分割的模块示意图；
图6是根据本申请的一些实施例所示的肺分割过程的一种示例性流程图；
图7是根据本申请的一些实施例所示的肺裂分割模块的示意图；
图8是根据本申请的一些实施例所示的获取肺裂过程的一种示例性流程图；
图9A-9C是根据本申请的一些实施例所示的肺裂分割结果示意图。
【具体实施方式】
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
虽然本申请对根据本申请的实施例的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系统所执行的操作。应当理解的是，前面或下面操作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。
在本申请中，对应于一个物体(例如，人体的组织，器官，肿瘤等)的图像或者部分图像(例如，图像中感兴趣区域的部分)可以被称为“图像”，或者“部分图像”，或者该物体本身。例如，一个肺部图像对应的感兴趣区域可以被描述为“所述感兴趣区域包括一个肺部”。再例如，一个肺部或者包含肺部的图像可以被描述为“肺部图像”，或者“肺部”。为简洁起见，处理(例如，提取，分割等)对应于物体的部分图像可以被描述为“处理物体”。例如，从图像中分割出对应于肺裂的部分图像可以被描述为“分割出肺裂”。
图1A和1B是根据本申请的一些实施例所示的成像系统100一个示意图。该成像系统100可以包括一个成像设备110、一个网络120、一个交互设备130、一个数据处理引擎140和一个存储设备150。成像系统100中的一个或多个部件可以通过网络120进行通信。成像系统100可以包括但不限于计算机断层扫描(CT)系统、计算机断层扫描血管造影(CTA)系统、正电子发射断层扫描(PET)系统、单光子发射计算机断层扫描(SPECT)系统、磁共振成像(MRI)系统、数字减影血管造影(DSA)系统、超声波扫描(US系统)、热断层扫描(TTM)系统等。
成像设备110可以包括一个腔体111、一个探测器112、一个检测区域113、一个床架114和一个放射性扫描源115。腔体111可以包括用于产生和检测放射性射线的组件。在一些实施例中，腔体111可以包括一个放射性扫描源115和一个探测器112。床架114可以用于支撑被检测物体。放射性扫描源115可以发射放射性射线照射检测物体。放射性射线透过物体被探测器112接收。例如，所述放射性扫描源115可以是一个X射线管。
成像设备110可以通过扫描目标来采集数据。扫描的目标可以是器官、机体、物体、损伤部位、肿瘤等一种或多种的组合。例如，扫描的目标可以是头部、胸腔、腹部、器官、骨骼、血管等一种或多种的组合。又例如，扫描的目标可以为一个或多个部位的血管组织、肝脏等。成像设备110采集的数据可以是图像数据。所述图像数据可以是二维图像数据和/或三维图像数据。在二维图像中，最细微的可分辨元素可以为像素点(pixel)。在三维图像中，最细微的可分辨元素可以为体素点(voxel)。在三维图像中，图像可由一系列的二维切片或二维断层构成。图像中的一个点(或元素)在三维图像中可以被称为体素，在其所在的二维断层图像中可以被称为像素。体素”和/或“像素”仅为了描述方便，并不对二维和/或三维图像做相应的限定。
在一些实施例中，所述成像设备110可以通过网络120将其所采集的数据发送至数据处理引擎140。网络120可以实现成像系统100内部的通信，例如，网络120可以接收系统外部的信息或向系统外部发送信息等。在一些实施例中，成像设备110、交互设备130、数据处理引擎140和存储设备150等之间可以通过有线连接、无线连接、或其结合的方式接入网络120。例如，数据处理引擎140可以通过网络120从交互设备130获取用户指令。网络120可以是单一网络，也可以是多种网络的组合。网络120可以包括但不限于局域网、广域网、公用网络、专用网络、无线局域网、虚拟网络、都市城域网、公用开关电话网络等中的一种或几种的组合。在一些实施例中，网络120可以包括多种网络接入点，例如有线或无线接入点、基站或网络交换点，通过以上接入点使数据源连接网络120并通过网络传输信息。
数据处理引擎120可以包括但不限于中央处理器(Central Processing Unit(CPU))、专门应用集成电路(Application Specific Integrated Circuit (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(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。
需要注意的是，上述数据处理引擎120可以实际存在于系统中，也可以通过云计算平台完成相应功能。其中，云计算平台包括但不限于以存储数据为主的存储型云平台、以处理数据为主的计算型云平台、以及兼顾数据存储和处理的综合云计算平台等。成像系统100所使用的云平台可以是公共云、私有云、社区云或混合云等。例如，根据实际需要，成像系统100接收的医学图像可以同时通过云平台与本地处理模块和/或系统内部进行计算和/或存储。
交互设备130可以接收、发送、和/或显示数据或信息。在一些实施例中，交互设备130可以具备数据处理引擎140的部分或全部的功能。例如，交互设备130可以对数据处理引擎140处理结果进行进一步处理，或对数据处理引擎140处理后的数据进行显示。在一些实施例中，交互设备130与数据处理引擎140可以是一个集成的设备。所述集成的设备可以同时实现数据处理引擎140和交互设备130的功能。在一些实施例中，交互设备130可以包括但不限于输入设备、输出设备等中的一种或几种的组合。输入设备可以包括但不限于字符输入设备(例如，键盘)、光学阅读设备(例如，光学标记阅读机、光学字符阅读机)、图形输入设备(例如，鼠标器、操作杆、光笔)、图像输入设备(例如，摄像机、扫描仪、传真机)、模拟输入设备(例如，语言模数转换识别系统)等中的一种或几种的组合。输出设备可以包括但不限于显示设备、打印设备、绘图仪、影像输出系统、语音输出系统、磁记录设备等中的一种或几种的组合。在一些实施例中，交互设备130可以是同时具有输入和输出功能的设备，例如，台式电脑、笔记本、智能手机、平板电脑、个人数码助理(Personal Digital Assistance，PDA)等。在一些实施例中，交互设备可以包括移动设备131，平板计算机132，笔记本电脑133等中的一种或多种的组合。在一些实施例中，移动设备131可以包括智能家居设备、可穿戴设备、移动设备、虚拟现实设备、增强现实设备等中的一种或多种的组合。
数据处理引擎140可以对数据进行处理。所述数据可以包括图像数据，用户输入数据等。所述图像数据可以是二维图像数据、三维图像数据等。所述用户输入数据可以包括数据处理参数(例如，图像三维重建层厚、层间距，或层数等)、系统相关指令等。所述数据可以是通过成像设备110采集的数据、从存储设备150中读取的数据、通过网络120从交互设备130设备获得的数据等。在一些实施例中，对数据的处理方式可以包括对数据进行获取、分类、筛选、转换、计算、显示等一种或几种的组合。数据处理引擎140可以将处理后的数据传输至存储设备150进行储存，或传输至交互设备130。例如，数据处理引擎140可以对图像数据进行处理，并将处理后的图像数据传输至交互设备130进行显示。
存储设备150可以配置在具有存储功能的设备上。存储设备150可以存储从成像设备110收集的数据(例如，成像设备110拍摄的图像数据)和数据处理引擎140工作中产生的各种数据。存储设备150也可以存储通过交互设备130输入的数据(用户输入数据)。存储设备150可以是本地的，或远程的。在一些实施例中，存储设备150可以配置在数据处理引擎140中。存储设备150可以包括层次式数据库、网络式数据库和关系式数据库等其中的一种或几种的组合。存储设备150可以将信息数字化后再利用电、磁或光学等方式的存储设备加以存储。存储设备150可以用来存放各种信息，例如，程序、数据等。存储设备150可以配置在利用电能方式存储信息的设备上，例如，各种存储器、随机存取存储器(Random AccessMemory(RAM))、只读存储器(Read Only Memory(ROM))等。
需要说明的是，以上对于成像系统100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。例如，存储设备150可以配置在具有数据存储功能的云计算平台中，包括但不限于公用云、私有云、社区云和混合云等。再例如，成像设备110、数据处理引擎140、存储设备150和交互设备130等中的两个或多个可以不通过网络150通信，而直接配置在一个设备中。诸如此类的变形，均在本申请的保护范围之内。
图2是数据引擎140中计算设备200包含的硬件和/或软件组件的示意图。如图2所示，计算设备200可以包括一个处理器210、一个存储器220、一个输入/输出230和一个通信端口240。
处理器210可以执行与本申请相关的计算机指令或者实施处理引擎140的功能。计算机指令可以程序执行指令、程序终止指令、程序操作指令，程序执行路径等。在一些实施例中，处理器210可以处理从成像设备110、交互设备130、存储设备150、和/或成像系统100的任何其他组件获得的图像数据。在一些实施例中，处理器210可以包括一个或多个硬件处理器，例如微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、中央处理器(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高级RISC机(ARM)、可编程逻辑器件，或任何能够执行一个或多个功能的电路或处理器。
存储器220可以存储从成像设备110、交互设备130、存储设备150和/或成像系统100的任何其他部件获得的数据/信息。在一些实施例中，存储器220可以包括质量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等中的一个或多个的组合。例如，大容量存储器可以包括磁盘、光盘、固态驱动器等。可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。易失性读写存储器可以包括随机存取存储器(RAM)。RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容RAM(Z-RAM)等等。ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)、数字通用盘ROM等。在一些实施例中，存储器220可以存储一个或多个程序和/或指令。
输入/输出230可以输入和/或输出数据等。在一些实施例中，输入/输出230可以使用户能够与数据处理引擎140进行交互。在一些实施例中，输入/输出230可以包括输入装置和输出装置。所述输入设备可以包括键盘、鼠标、触摸屏、麦克风等中的一个或多个的组合。输出设备的示例可以包括显示设备、扬声器、打印机、投影仪等中的一个或多个的组合。显示设备可以包括液晶显示器、基于发光二极管的显示器、平板显示器、弯曲屏幕、电视设备、阴极射线管、触摸屏幕等中的一个或多个的组合。
通信端口240可以连接到网络(例如，网络120)以便于数据通信。通信端口240可以建立数据处理引擎140、成像设备110、交互设备130和/或存储设备150之间的连接。该连接可以是有线连接和/或无线连接。有线连接可以包括例如电缆、光缆、电话线等中的一个或多个的组合。无线连接可以包括例如蓝牙连接、无线网连接、WLAN链路、ZigBee连接、移动网络连接(例如，3G，4G，5G网络等)等中的一个或多个的组合。在一些实施例中，通信端口240可以是和/或包括标准化通信端口，例如RS232、RS485等。在一些实施例中，通信端口240可以是专用通信端口。例如，通信端口240可以根据医学数字成像和通信协议进行设计。
图3是移动设备300的硬件和/软件示例图。在一些实施例中，交互设备130可以应用于移动设备300中。如图3所示，移动设备300可以包括一个通信平台310、一个显示器320、一个图形处理单元330、一个中央处理单元340、一个输入/输出350、一个记忆卡360和一个存储器390。在一些实施例中，移动设备300中可以包括一个总线或者一个控制器。在一些实施例中，移动操作系统370和一个或多个应用程序380可以从存储器390加载到记忆卡360中，并由中央处理单元340执行。所述应用程序380可以包括浏览器。在一些实施例中，应用程序380可以接收和系显示与数据处理引擎140有关的图像处理或其他信息的信息。输入/输出350可以实现用户与成像系统100的交互，并将交互相关信息通过网络120提供给成像系统100中的其他部件，如数据处理引擎140。
根据本申请的一些实施例，图4所示的是生成图像的一种示例性流程图。流程400可以由成像系统100或者成像系统100中的部分组件实施。例如，流程400可以由数据处理引擎140根据成像设备110获取的数据完成。在401中，可以设置一个或多个扫描参数。设置扫描参数的过程可以由成像设备110实现。在一些实施例中，扫描参数可以包括扫描时间、目标定位信息、机架的位置、机架的旋转速度、电压/电流的强度，或者类似的，或者其中多个的组合。作为示例，在扫描过程中，可以根据被检测物的位置，调整传送床架114使得被检测物体到达腔体111中某一特定位置。作为另一个示例，可以移动腔体111上的放射性扫描源115和/或探测器112对被检测物体进行扫描。在一些实施例中，扫描参数可以是系统根据默认设置自动选择，或由用户(例如医生、护士)设定。系统默认设置的扫描参数可以被存储在成像系统100内部或者外部的一个存储设备，例如存储设备150中。用户可以根据被检测物体的位置、大小，以及/或形状等设置扫描参数。所述被检测物体可以包括器官、组织、病变部位、肿瘤部位或者上述部位的任意组合。例如，被测物可以是肺部、头部、胸部、腹部、心脏、肝脏、上肢、下肢、脊椎、骨骼、血管等，或者上述部位的任意组合。
在403中，可以基于所述一个或多个扫描参数对被检测物体进行扫描，获取扫描数据。所述扫描的过程可以由成像设备110完成。在一些实施例中，可以由放射性扫描源115和探测器112共同完成对物体的扫描。放射性扫描源115产生的放射性射线可以透过物体，经过被测物吸收后，由探测器112接收。在一些实施例中，所述扫描数据可以是实时的，也可以是历史的。所述实时的扫描数据可以包括对被检测物体实时扫描的过程中产生的数据。所述历史的扫描数据可以包括外部数据源产生的数据。
在405中，可以根据所述扫描数据，生成一个或多个图像。所述生成的图像可以包括MRI图像、CT图像、PET图像，或类似的，或上述图像的任意组合。所述生成的图像可以包括二维图像或三维图像。所述图像可以由对所述扫描数据进行重建后获得。
在407中，可以处理所述一个或多个图像。在一些实施例中，对图像的处理可以包括对图像的滤波去噪、图像灰度的归一化、图像的水平旋转、图像尺度大小的校正等。在一些实施例中，对图像的处理可以包括对图像中的感兴趣区域进行识别或者分割。进一步地，可以将图像中多个感兴趣区域分别进行识别或者分割，并对识别或者分割后的多个感兴趣区域进行标记。进一步地，可以将所述一个或多个图像传输至任何一个成像系统100内部或者外部的设备，例如，存储设备150等。所述一个或多个图像可以由显示设备160显示。
需要注意的是，以上对于图像形成过程的描述，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，对各个操作进行调换或者任意组合，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。在一些实施例中，可以将获取的扫描数据进行存储备份。该存储备份的操作可以添加至流程图中的任何两个操作之间。例如，可以在获取扫描数据操作403和生成图像操作405之间加入其他的操作或处理条件。
根据本申请的一些实施例，图5是肺部分割引擎的示意图。在一些实施例中，肺部分割引擎可以应用在数据处理引擎140中。肺部分割引擎500可以包括一个肺分割模块510，一个气管识别模块520，一个肺裂分割模块530和一个肺叶分割模块540。
肺分割模块510可以获取与分割包含肺部的图像。例如，肺分割模块510可以获取包含肺部的一个或者多个图像。所述图像可以包括MRI图像、CT图像、PET图像或上述图像的任意组合。所述图像被检测物体进行扫描所得到的。又例如，肺分割模块510可以从所述一个或多个图像中分割出肺部区域。所述肺部区域可以包括左肺区域与右肺区域。关于肺部区域分割的详细描述可以参考本申请中的其他部分，例如图6及所述内容。在一些实施例中，肺分割模块510可以进一步确定与肺部区域有关的片层图像(例如，肺特征层、肺起始层和肺终止层)、左肺区域或右肺区域。关于片层图像、左肺区域与右肺区域的详细描述可以参考本申请中的其他部分，例如图6及所述内容。在一些实施例中，肺分割模块510可以基于一种或多种图像分割方法来进行图像分割。所述一种或多种图像分割方法可以包括但不限于阈值法、聚类算法、区域生长法、基于图像形状模型的图像配准方法、分水岭法、模糊C均值算法等。
气管识别模块520可以识别肺部图像相关的气管结构。所述气管结构中可以包含主气管、左主支气管、右主支气管等的结构。气管识别模块520可以确定气管中心线。所述气管中心线可以包括主气管中心线，左主支气管中心线，右主支气管中心线、左肺上叶中心线、左肺下叶支气管中心线、右肺上叶中心线、右肺中叶中心线、右肺下叶支气管中心线或其中的任意组合。进一步地，气管识别模块520可以基于识别出来的气管中心线标记对应的气管。例如，不同气管中心线所对应的气管可以标记成成不同的值。所述气管标记值可以由用户设定，或是由成像系统中的一个或多个部件决定(例如，数据处理引擎140)。在一些实施例中，气管识别模块520可以确定减掉气管树树中主干附近错误的中心线分叉和短小的叶。气管识别模块520可以提取气管结构相关的信息。所述信息可以包括气管位置、气管中心线、气管中心线长度、气管中心线所对应的节点、气管中心线点间的余弦值等。在一些实施例中，气管识别模块520可以基于肺分割模块510处理过的肺部图像进行气管结构识别。关于气管结构识别的详细描述可以参考本申请中的其他部分，例如，图6所述内容。
肺裂分割模块530可以分割出肺部图像中的肺裂。在一些实施例中，肺裂分割模块530可以从肺部图像相关的若干片层中获取候选肺裂。所述候选肺裂可以通过对肺部图像的增强获得。在一些实施例中，肺裂分割模块530可以根据候选肺裂进行区域生长。例如，可以根据肺裂区域的位置、灰度、颜色、纹理、形状等进行肺裂区域的生长。在一些实施例中，肺裂分割模块530可以合并候选肺裂。所述肺裂合并可以基于分类算法(例如，聚类分析方法)展开。进一步地，可以基于合并的肺裂进行拟合得到肺裂曲面。在一些实施例中，肺裂分割模块530可以基于肺分割模块510和/或气管识别模块520处理过的肺部图像进行肺裂分割。
肺叶分割模块540可以分割出肺叶。所述肺叶的分割可以基于肺部图像中每个点到气管分支的最短距离进行。所述最短距离可以基于迪杰斯特拉(Dijkstra)算法确定。在一些实施例中，肺叶分割模块540可以基于所述最短距离确定点所属于的肺叶。在一些实施例中，肺叶分割模块540可以对肺叶相关的肺裂位置添加标签(例如，颜色标签)。所述肺裂位置可以是肺叶中的没有颜色标签的一层。在一些实施例中，肺叶分割模块540可以基于肺分割模块510、气管识别模块520、或肺裂分割模块530处理过的肺部图像进行肺叶分割。
需要说明的是，以上对于计算设备200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。例如，肺部分割引擎500中各个模块内可以添加一个存储单元，用于存储各模块运行过程中产生的中间数据或处理结果。又例如，肺部分割引擎500中一个或多个模块可以集成在同一个模块中，实现一个或多个模块的功能。
根据本申请的一些实施例，图6所示的是肺分割过程的一种示例性流程图。在一些实施例中，流程600中进行分割的图像可以与流程400中407有关。
在601中，可以获取包括肺部的一个或者多个目标图像。在一些实施例中，601可以由肺部分割模块510实现。所述的目标图像可以包括MRI图像、CT图像、PET图像或上述图像的任意组合。在一些实施例中，可以对目标图像进行图像分割、图像配准、三维重建、结构分析以及运动分析等。进一步地，图像分割方法可以包括自动分割、交互式分割和手动分割等。在一些实施例中，目标图像是对被检测物体进行扫描所得到的。被测物可以是检测对象的整体或其中的一部分。检测对象可以包括人体、动物、非生物物体等。例如，被测物可以包括器官、组织、病变部位、肿瘤部位或者上述部位的任意组合。在一些实施例中，目标图像可以是三维图像。所述目标图像可以是沿着横断面的片层图像。此处横断面指的是垂直于人体的轴心线方向的截面。
在603中，可以在包括肺部的目标图像中分割出肺部区域。在一些实施例中，603可以由肺部分割模块510实现。所述肺部区域可以包括左肺区域和右肺区域。在一些实施例中，可通过多种方法进行分割。所述方法可以包括阈值法、聚类算法、区域生长法、基于图像形状模型的图像配准方法、分水岭法、模糊C均值算法等。例如，阈值法可以包括自适应阈值肺部分割和最优阈值肺部分割。在一些实施例中，可以基于图像的信息对图像进行分割。所述图像的信息包括图像的灰度、图像的梯度、图像沿不同方法的分辨率、图像的边界信息、图像的强度信息或者上述信息的任意组合。在另一些实施中，肺部区域的分割可以利用肺部气管、肺部血管等进行综合分析。在一些实施例中，可以先确定一个肺特征层，再根据肺特征层来获取图像信息。进一步地，可以获取肺起始层和肺终止层。所述获取过程可以通过函数构造来实现。所述函数可以包括三维函数和二维函数。在另一些实施例中，可以判断肺部区域是否同时包含了左肺和右肺，并且判断左右肺是否联通。
在605中，可以提取出肺部图像相关的气管结构。在一些实施例中，605可以由气管识别模块520实现。在一些实施例中，所述肺部区域的图像可以是一个三维图像，所述气管结构是一个三维结构。所述三维结构中可以包含主气管、左主支气管，右主支气管等的结构。在一些实施例中，所述气管结构可以根据不同气管中心线和不同气管的连接关系获取。气管中心线可以包括主气管中心线、左主支气管中心线、右主支气管中心线等。在一些实施例中，提取气管结构可以包括减掉气管树中主干附近错误的中心线分叉或短小的叶。所述错误的中心线或短小的叶可以包括像素个数少于一定阈值的中心线。在一些实施例中，提取气管结构可以包括识别气管树中的一条或多条中心线。所述识别过程可以基于气管树的信息实施。进一步地，该信息可以包括各个气管的中心线所对应的节点、中心线点间的余弦值、中心线的z轴坐标等。所述坐标为解剖学上的坐标(又称为“病人坐标系”)，其中，x轴为沿着人体的右方到左方的方向(例如，从右肺到左肺的方向)，即垂直于矢状面的方向；y轴为沿着人体的前方到后方的方向，即垂直于冠状面的方向；z轴为沿着人体的足部到头部的方向，即垂直于横断面的方向。在一些实施例中，提取气管结构可以包括对识别出来的一条或多条气管中心线对应的气管进行标记。所述标记可以包括对识别出来的气管中心线对应的气管进行分级。
在607中，可以分割出肺部图像相关的肺裂。在一些实施例中，607可以由肺裂分割模块530实现。在一些实施例中，分割出肺裂可以包括在肺部图像相关的若干片层中识别出候选的肺裂。所述候选肺裂可以是经过图像增强而获得的。例如，可以通过海森矩阵进行图像增强。在一些实施例中，分割出肺裂可以包括对候选肺裂进行区域生长。所述的区域生长是基于肺裂的特征向量进行。此处，特征向量可以是基于海森矩阵计算而得到的特征向量。在一些实施例中，肺裂分割可以包括合并候选肺裂。进一步地，可以基于合并的肺裂进行拟合得到肺裂曲面。所述合并的肺裂可以包括方向相同或者方向相同的肺裂。此处，拟合可以通过脑板样条插值进行。
在609中，可以基于肺裂对肺叶进行分割。在一些实施例中，609可以由肺叶分割模块540实现。在一些实施例中，可以获取肺部图像。所述图像可以包括气管和肺裂等信息。在一些实施例中，肺叶的分割可以包括确定图像中的点到气管分支的最短距离。所述最短距离可以基于迪杰斯特拉(Dijkstra)算法确定。迪杰斯特拉(Dijkstra)算法可以基于一个或多个变量确定最短距离。所述变量可以包括气管的分支点、点的标记信息(例如，颜色标记)、肺裂信息(例如，膨胀后的肺裂信息)等。在一些实施例中，可以根据所述点到气管分支的最短距离判断该点所属肺叶。在另一些实施例中，可以对肺叶中间没有标签的区域进行标记。
以上对于肺分割过程的描述仅仅是具体的示例，不应被视为是唯一可行的实施方案。显然，对于本领域的专业人员来说，在了解基本原理后，可能在不背离这一原理的情况下，对具体实施方式与操作进行形式和细节上的各种修正和改变，但是这些修正和改变仍在以上描述的范围之内。作为示例，在操作603和操作605之间，可以添加一个或多个可选步骤。例如，确定气管中心线、气管的位置等。又例如，操作609可以不是必须的。诸如此类的变形，均在本申请的保护范围之内。
据本申请的一些实施例，图7是肺裂分割模块530的示意图。如图7所示，肺裂分割模块530可以包括一个肺裂识别单元710，一个区域生长单元720，一个肺裂合并单元730和一个肺裂拟合单元740。
肺裂识别单元710可以在片层图像中识别出候选的肺裂。所述的候选肺裂可以包括右肺斜裂、右肺水平裂和左肺斜裂等。在一些实施例中，候选的肺裂可以基于肺部片层图像信息获得。所述肺部图像信息可以包括肺部轮廓、气管树、气管结构、肺裂、肺叶和/或血管分布等信息。例如，肺裂识别单元710可以通过对肺部图像进行增强识别图中的肺裂。关于肺裂识别的详细描述可以本申请中的其他部分，例如图8及所述内容。
区域生长单元720中可以基于候选肺裂进行区域生长。在一些实施例中，所述候选肺裂可以是不连贯的。区域生长单元720可以基于所述候选肺裂上像素点或体素点的特征向量，将与所述像素点或体素点特征向量相近的邻域点合并到候选肺裂区域中。这里所述的特征向量是与像素点或者体素点对应的矩阵的特征向量，对特征向量的具体的描述可以参考图8中的内容。在一些实施例中，区域生长可以基于候选肺裂上像素点的特征向量实现。关于区域生长的详细描述可以本申请中的其他部分，例如图8及所述内容。
肺裂合并单元730可以根据对区域生长的候选肺裂区域进行合并。所述合并可以基于候选肺裂区域的平均特征向量与候选肺裂区域的方向实现。在一些实施例中，肺裂合并单元730可以基于根据区域生长后的多个候选肺裂区域的平均特征向量进行聚类分析，并确定属于同一类的区域的平均特征向量。进一步的，肺裂合并单元730可以对属于同一类别的候选肺裂区域进行比较，将法线方向接近(例如，法线方向夹角小于一定阈值)的区域合并。可以将候选肺裂看作是平面的，这里的法线方向指的是候选肺裂的法线方向，即垂直于候选肺裂的方向。关于肺裂合并的详细描述可以参考本申请中的其他部分，例如，图8及相关描述。
肺裂拟合单元740可以获得肺裂曲面。例如，肺裂拟合单元740可以对肺裂合并单元730合并后的候选肺裂区域进行拟合，获得一个或多个肺裂曲面。所述候选肺裂区域的拟合可以基于拟合方法，例如薄板样条插值法。
需要说明的是，以上对于肺裂分割模块530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。例如，一个或多个模块可以集成在同一个模块中，实现一个或多个模块的功能。
根据本申请的一些实施例，图8所示的是获取肺裂过程的一种示例性流程图。在801中，可以在若干片层图像中识别出候选的肺裂。在一些实施例中，801可以由候选肺裂识别单元710实现。在一些实施例中，候选的肺裂可以基于肺部片层图像信息获得。在一些实施例中，肺部图像信息可以包括肺部轮廓、气管树、气管结构、肺裂、肺叶和血管分布等信息。肺裂可以包括右肺斜裂，右肺水平裂和左肺斜裂。所述左肺斜裂将左肺分为左上肺叶和左下肺叶。所述右肺斜裂和右肺水平裂将右肺分为右上肺叶，右中肺叶和右下肺叶。在一些实施例中，可以通过增强算法得到候选的肺裂。例如，对肺部图像进行增强后，肺部图像中增强值在一定阈值之上的，可以被认为是候选的肺裂。此外，在对肺部图像进行增强之前，可以利用灰度信息分割出血管掩模，在肺部图像中去除血管部分。或者对肺部图像进行高斯平滑，屏蔽图像中血管和过于亮的点。出于说明的目的，可以基于海森矩阵(HessianMatrix)对图像进行增强。具体地，可以求出肺部图像中的候选点(例如，去除部分或全部血管后的肺部区域的点)的海森矩阵和对应的特征值Sfissure，并且根据特征值，构造出能区分肺裂和非肺裂区域的函数：
Fstruct＝exp(-pow(abs(fEigenVal[0])-malpha,6)/pow(mbeta,6))，
Fsheet＝exp(-pow(fEigenVal[1],6)/pow(mgamma,6))，
和
Sfissure＝Fstruct×Fsheet， (6)
其中，α,β,γ,Θ均可以为用户或系统设定的值，在一些实施例中，所述设定的值可以是经验参数，fEigenVal为海森矩阵的特征值。根据公式(6)，通过设定Sfissure的范围，例如，筛选出Sfissure大于某个阈值的点，可以获得候选的肺裂图像cmask。
在803中，可以基于候选肺裂进行区域生长，获取候选肺裂区域。在一些实施例中，803可以由区域生长单元720实现。在一些实施例中，候选肺裂可以是不连贯的。所述区域生长的过程可以基于所述候选肺裂上像素点或体素点的特征向量，将与所述像素点或体素点特征向量相近的相邻点合并到候选肺裂区域中。所述相邻点可以是候选肺裂上像素点或体素点特定邻域内(例如，与之距离小于3个像素)的点。所述特征向量相近可以是所述特征向量之间的夹角小于一定阈值。例如，区域生长可以将候选肺裂面上特征向量夹角小于一定阈值的相邻点连接起来。例如，对候选肺裂进行区域生长可以包括以下一个或者多个操作：选取候选肺裂上的A点，在A点的邻域点中选取特征向量方向与A点特征向量方向基本上一致的目标点。例如，可以选择在A点的邻域中选取与该点特征向量内积大于一定阈值，(例如，0.8)的点为目标点。继续选取目标点附近的点进行相似处理，直至遍历候选肺裂上的点。判断整个过程中选取出的目标点的个数是否大于阈值M；若大于M，则将上述选取出的点进行连接；若不大于M，则比较选取出的点的个数是否大于阈值N；若大于N，则进一步判断所有选取出的点的平均向量的内积是否大于阈值L，若内积大于L，则对选取出的点进行连接。在一些实施例中，阈值M，N，L可以是对候选肺裂进行区域生长的选择条件。M，N，L的值可以是用户设定的任意值。
在805中，可以根据一个分类算法对区域生长后的候选肺裂区域进行合并。在一些实施例中，805可以由肺裂合并单元730实现。所述合并可以基于所述候选肺裂区域的平均特征向量与所述候选肺裂的方向实现。在一些实施例中，所述肺裂合并包括根据区域生长后多个候选肺裂区域的平均特征向量进行聚类分析。所述区域的平均特征向量可以是区域中像素点的主特征向量的平均值。所述像素点的主特征向量可以是候选肺裂中像素点最大特征值Sfissure对应的特征向量。聚类分析可将平均特征向量相近的区域聚为一类。可选的，所述肺裂合并还可以包括去除像素点总和数量小于一定阈值的类，并确定像素点数量大于一定阈值的类的平均特征向量。所述像素点数量大于一定阈值的类的平均特征向量可以是属于该类的一个或多个区域点的主特征向量的平均值。可选的，可以进一步将所述经过聚类后得到的同一类的候选肺裂区域进行比较。所述比较可以是对同一类的候选肺裂区域的法线方向进行两两比较，法线方向接近的候选肺裂区域将合并为一个区域。所述法线方向，是指将候选肺裂区域看作是平面，该平面的法线方向即为法线方向。在一些实施例中，如果两个候选肺裂区域的法线方向差别较小(例如，法线方向之间的夹角小于一个阈值)，则可以将两个候选肺裂区域合并。
仅仅作为示例，对区域生长后的候选肺裂区域进行合并，可以包括以下一个或者多个操作：获取区域生长后的候选肺裂区域中每个小块的平均特征向量；将相似小块(例如，平均特征向量内积和大于阈值0.9的两个小块为相似块)加入相似队列；对每一个小块，依次取出其相似队列里的一个小块，求出两个小块的平均特征向量和各自重心点连线的内积，所述内积可以用来判断两个肺裂小块是否在同一个肺裂平面；如果内积小于阈值(例如，可以设为0.05)，则可以将两个小块进行合并(例如，可以是将两个小块标记为同一个值)。在一些实施例中，可以调整上述内积的阈值(例如，可以逐步增加阈值)，直至右肺分得小于4块，和/或左肺小于3块。在一些实施例中，可以对经过不同高斯平滑(例如，选用不同的平滑系数)后的候选肺裂进行区域生长和合并，并将多次合并后产生的肺裂结果进行叠加。在807中，可以根据合并的候选肺裂区域，获得一个或多个肺裂曲面。在一些实施例中，807可以通过肺裂拟合单元740实现。在一些实施例中，可以基于合并的候选肺裂区域进行拟合。所述拟合方法包括薄板样条插值。在一些实施例中，左肺可以进行一次薄板样条插值，右肺可以进行两次薄板样条插值。在一些实施例中，可以将薄板样条插值所获得的肺裂曲面保留在肺部图像的内部，供后续处理。根据本申请的一些实施例，图9A至图9C是肺裂分割结果示意图。图9A所示，为增强后的肺裂。图9B中上图为肺部的横截面图像，下图为增强后的肺裂。图9C中上图为肺部的横截面图像，下图为拟合形成的肺裂图像。
本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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 (8)
1.一种实施在至少一个设备上的肺裂分割方法，所述设备含有至少一个处理器和一个存储器，所述方法包括：
获取一个与肺部区域有关的目标图像，所述目标图像包括多个片层图像；
在所述目标图像中分割出所述肺部区域；
在所述肺部区域中识别出多个候选肺裂；
基于所述候选肺裂上像素点或体素点的特征向量进行区域生长，将所述候选肺裂面上所述特征向量之间的夹角小于一阈值的相邻点连接起来，获取候选肺裂区域；
基于一个分类过程，将至少部分所述多个候选肺裂分类；以及
合并至少部分被分类的候选肺裂；
所述合并至少部分被分类的候选肺裂包括：
根据区域生长后多个所述候选肺裂区域的平均特征向量进行聚类分析，所述平均特征向量为所述候选肺裂区域中像素点的主特征向量的平均值，所述像素点的主特征向量为像素点最大特征值对应的特征向量；
将经过聚类分析得到的同一类的所述候选肺裂区域进行比较，根据同一类的所述候选肺裂区域的法线进行所述候选肺裂区域的合并。
2.如权利要求1所述的方法，其中，所述在所述肺部区域识别出多个候选肺裂包括：
确定与所述肺部区域中一个体素对应的一个海森矩阵；
确定所述海森矩阵的一个特征值；以及
根据所述特征值，指定所述体素属于所述多个候选肺裂中一个候选肺裂。
3.如权利要求1所述的方法，其中，所述根据同一类的所述候选肺裂区域的法线进行所述候选肺裂区域的合并包括：
将同一类的所述候选肺裂区域的法线方向之间的夹角小于一阈值的所述候选肺裂区域合并。
4.如权利要求1所述的方法，进一步包括根据所述合并的候选肺裂拟合出一个或多个肺裂。
5.一种肺裂分割系统，包括：
一个肺分割模块，用于获取一个与肺部区域有关的目标图像，所述肺分割模块被配置于在所述目标图像中分割出所述肺部区域；
一个气管识别模块，被配置于识别出一个与所述肺部区域相关的气管结构；
一个肺裂分割模块，被配置于
在所述肺部区域中识别出多个候选肺裂；
基于所述候选肺裂上像素点或体素点的特征向量进行区域生长，将所述候选肺裂面上所述特征向量之间的夹角小于一阈值的相邻点连接起来，获取候选肺裂区域；基于一个分类过程，将至少部分所述多个候选肺裂分类；以及
合并至少部分被分类的候选肺裂；
所述肺裂分割模块合并至少部分被分类的候选肺裂包括：
根据区域生长后多个所述候选肺裂区域的平均特征向量进行聚类分析，所述平均特征向量为所述候选肺裂区域中像素点的主特征向量的平均值，所述像素点的主特征向量为像素点最大特征值对应的特征向量；
将经过聚类分析得到的同一类的所述候选肺裂区域进行比较，根据同一类的所述候选肺裂区域的法线进行所述候选肺裂区域的合并。
6.如权利要求5所述的系统，其中，所述在所述肺部区域识别出多个候选肺裂包括：
确定与所述肺部区域中一个体素对应的一个海森矩阵；
确定所述海森矩阵的一个特征值；以及
根据所述特征值，指定所述体素属于所述多个候选肺裂中一个候选肺裂。
7.如权利要求5所述的系统，其中，所述根据同一类的所述候选肺裂区域的法线进行所述候选肺裂区域的合并包括：
将同一类的所述候选肺裂区域的法线方向之间的夹角小于一阈值的所述候选肺裂区域合并。
8.如权利要求5所述的系统，其中，所述肺裂分割模块进一步被配置于根据所述合并的候选肺裂拟合出一个或多个肺裂。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2017/091329 WO2019000455A1 (zh) | 2017-06-30 | 2017-06-30 | 图像分割的方法及系统 |
| CNPCT/CN2017/091329 | 2017-06-30 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107622492A CN107622492A (zh) | 2018-01-23 |
| CN107622492B true CN107622492B (zh) | 2020-11-13 |
Family
ID=61043206
Family Applications (4)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710541612.5A Pending CN109215032A (zh) | 2017-06-30 | 2017-07-05 | 图像分割的方法及系统 |
| CN201710541976.3A Pending CN109215033A (zh) | 2017-06-30 | 2017-07-05 | 图像分割的方法及系统 |
| CN201710557412.9A Active CN107622492B (zh) | 2017-06-30 | 2017-07-10 | 肺裂分割方法及系统 |
| CN201710711217.7A Pending CN107590809A (zh) | 2017-06-30 | 2017-08-18 | 肺分割方法及医学成像系统 |
Family Applications Before (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710541612.5A Pending CN109215032A (zh) | 2017-06-30 | 2017-07-05 | 图像分割的方法及系统 |
| CN201710541976.3A Pending CN109215033A (zh) | 2017-06-30 | 2017-07-05 | 图像分割的方法及系统 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710711217.7A Pending CN107590809A (zh) | 2017-06-30 | 2017-08-18 | 肺分割方法及医学成像系统 |
Country Status (4)
| Country | Link |
|---|---|
| US (2) | US10949977B2 (zh) |
| EP (1) | EP3633612A4 (zh) |
| CN (4) | CN109215032A (zh) |
| WO (1) | WO2019000455A1 (zh) |
Families Citing this family (65)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109146854B (zh) * | 2018-08-01 | 2021-10-01 | 东北大学 | 一种肺结节与肺部血管伴生关系的分析方法 |
| US11080902B2 (en) * | 2018-08-03 | 2021-08-03 | Intuitive Surgical Operations, Inc. | Systems and methods for generating anatomical tree structures |
| JP7034306B2 (ja) * | 2018-08-31 | 2022-03-11 | 富士フイルム株式会社 | 領域分割装置、方法およびプログラム、類似度決定装置、方法およびプログラム、並びに特徴量導出装置、方法およびプログラム |
| CN109448822A (zh) * | 2018-09-21 | 2019-03-08 | 沈阳医学院附属中心医院 | 基于影像报告的ct图像肺气肿自动标注方法 |
| US10930386B2 (en) | 2018-12-11 | 2021-02-23 | International Business Machines Corporation | Automated normality scoring of echocardiograms |
| CN109658425B (zh) * | 2018-12-12 | 2021-12-28 | 上海联影医疗科技股份有限公司 | 一种肺叶分割方法、装置、计算机设备及存储介质 |
| CN109859168B (zh) * | 2018-12-28 | 2021-02-19 | 上海联影智能医疗科技有限公司 | 一种x射线胸片图像质量确定方法及装置 |
| CN109740600B (zh) * | 2019-01-04 | 2020-11-27 | 上海联影医疗科技股份有限公司 | 高亮病灶区域的定位方法、装置、计算机设备以及存储介质 |
| CN109872314B (zh) * | 2019-02-20 | 2021-04-16 | 数坤（北京）网络科技有限公司 | 一种基于中心线的优化分割方法及设备 |
| 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 |
| CN110456960B (zh) | 2019-05-09 | 2021-10-01 | 华为技术有限公司 | 图像处理方法、装置及设备 |
| CN110176009B (zh) * | 2019-05-23 | 2023-03-07 | 复旦大学 | 一种肺部图像分割和跟踪方法和系统 |
| 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 |
| CN110211126B (zh) * | 2019-06-12 | 2022-06-03 | 西安邮电大学 | 基于直觉模糊c均值聚类的图像分割方法 |
| 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 |
| CN110458848B (zh) * | 2019-07-05 | 2021-11-26 | 心医国际数字医疗系统(大连)有限公司 | 判断影像的冠脉分割中冠脉分支的方法 |
| CN110400299A (zh) * | 2019-07-23 | 2019-11-01 | 杭州依图医疗技术有限公司 | 一种肺部胸腔积液检出的方法及装置 |
| CN110378923A (zh) * | 2019-07-25 | 2019-10-25 | 杭州健培科技有限公司 | 一种智能肺部气管树分割提取和分级的方法与装置 |
| CN112330686B (zh) * | 2019-08-05 | 2024-12-17 | 罗雄彪 | 肺部支气管的分割及标定方法 |
| CN110599482B (zh) * | 2019-09-18 | 2022-06-03 | 青岛海信医疗设备股份有限公司 | 肺裂曲面确定方法、装置、电子设备和存储介质 |
| CN111161242B (zh) * | 2019-12-27 | 2024-02-27 | 上海联影智能医疗科技有限公司 | 肺结节hu值确定方法、装置、存储介质及计算机设备 |
| US11605164B2 (en) | 2019-10-22 | 2023-03-14 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for lung nodule evaluation |
| US11348250B2 (en) * | 2019-11-11 | 2022-05-31 | Ceevra, Inc. | Image analysis system for identifying lung features |
| CN110956635B (zh) * | 2019-11-15 | 2023-12-01 | 上海联影智能医疗科技有限公司 | 一种肺段分割方法、装置、设备及存储介质 |
| CN112561884B (zh) * | 2020-02-24 | 2024-08-20 | 广州柏视医疗科技有限公司 | 肺气管和血管的分段命名系统 |
| EP3872755B1 (en) * | 2020-02-28 | 2023-03-29 | Siemens Healthcare GmbH | Method for providing airway information |
| CN111415742B (zh) * | 2020-03-17 | 2024-06-04 | 北京青燕祥云科技有限公司 | 通过肺叶预测病灶肺段位置的计算方法 |
| CN111507381B (zh) * | 2020-03-31 | 2024-04-02 | 上海商汤智能科技有限公司 | 图像识别方法及相关装置、设备 |
| CN111598896B (zh) * | 2020-04-28 | 2023-12-05 | 腾讯科技（深圳）有限公司 | 图像检测方法、装置、设备及存储介质 |
| CN111738980B (zh) * | 2020-05-14 | 2023-08-04 | 北京深睿博联科技有限责任公司 | 一种医学影像的显示方法、计算机设备及存储介质 |
| CN113706541B (zh) * | 2020-05-20 | 2024-04-19 | 青岛海信医疗设备股份有限公司 | 一种图像处理方法及装置 |
| CN111627036B (zh) * | 2020-05-22 | 2024-10-29 | 深圳前海微众银行股份有限公司 | 图像区域校正方法、装置、设备及存储介质 |
| CN111627026B (zh) * | 2020-05-22 | 2024-11-05 | 深圳前海微众银行股份有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN111652924B (zh) * | 2020-05-22 | 2024-10-25 | 深圳前海微众银行股份有限公司 | 目标体积确定方法、装置、设备及存储介质 |
| CN111696085B (zh) * | 2020-05-26 | 2023-08-25 | 中国人民解放军陆军特色医学中心 | 一种肺冲击伤伤情现场快速超声评估方法及设备 |
| CN111627059B (zh) * | 2020-05-28 | 2023-05-30 | 桂林市思奇通信设备有限公司 | 一种棉花叶片中心点位置定位方法 |
| CN111861988A (zh) * | 2020-06-09 | 2020-10-30 | 深圳市旭东数字医学影像技术有限公司 | 基于支气管的自动及半自动肺分叶分段的方法及其系统 |
| CN111724364B (zh) * | 2020-06-12 | 2023-04-14 | 深圳技术大学 | 基于肺叶及气管树的方法及装置、电子设备和存储介质 |
| CN111932497B (zh) * | 2020-06-30 | 2021-02-09 | 数坤（北京）网络科技有限公司 | 一种冠状动脉识别方法及装置 |
| CN114081625B (zh) * | 2020-07-31 | 2023-08-25 | 上海微创卜算子医疗科技有限公司 | 导航路径规划方法、系统和可读存储介质 |
| CN112070790B (zh) * | 2020-09-11 | 2023-04-07 | 杭州微引科技有限公司 | 一种基于深度学习和图像处理的混合肺部分割系统 |
| CN112233125B (zh) * | 2020-10-15 | 2023-06-02 | 平安科技（深圳）有限公司 | 图像分割方法、装置、电子设备及计算机可读存储介质 |
| CN112488942B (zh) * | 2020-12-02 | 2024-09-27 | 北京字跳网络技术有限公司 | 修复图像的方法、装置、设备和计算机可读介质 |
| CN114638840A (zh) * | 2020-12-16 | 2022-06-17 | 上海微创卜算子医疗科技有限公司 | 图像分割方法、装置及可读存储介质 |
| CN112598639B (zh) * | 2020-12-23 | 2024-11-15 | 济南国科医工科技发展有限公司 | 一种虚拟支气管镜的拼接点多分支路径规划方法及系统 |
| CN112884714A (zh) * | 2021-01-25 | 2021-06-01 | 上海健康医学院 | 一种淋巴结ct图像自动分割方法及系统 |
| 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 |
| CN113160186B (zh) * | 2021-04-27 | 2022-10-25 | 青岛海信医疗设备股份有限公司 | 一种肺叶分割方法及相关装置 |
| CN113139968B (zh) * | 2021-05-11 | 2023-08-22 | 上海杏脉信息科技有限公司 | 一种医学影像分割装置及方法 |
| CN113313722B (zh) * | 2021-06-10 | 2023-09-12 | 浙江传媒学院 | 一种牙根图像交互标注方法 |
| CN113506216B (zh) * | 2021-06-24 | 2024-03-12 | 煤炭科学研究总院 | 一种全景图像拼接的快速缝合线寻优方法 |
| CN113450277B (zh) * | 2021-06-29 | 2023-08-22 | 上海长征医院 | 一种医学图像处理方法、介质及电子设备 |
| CN114240861A (zh) * | 2021-12-06 | 2022-03-25 | 深圳市旭东数字医学影像技术有限公司 | 基于医学图像的自动肺分叶方法、装置及电子设备 |
| CN114092470B (zh) * | 2021-12-08 | 2022-08-09 | 之江实验室 | 一种基于深度学习的肺裂自动检测方法及装置 |
| CN113903016B (zh) * | 2021-12-09 | 2022-05-13 | 深圳佑驾创新科技有限公司 | 分岔点检测方法、装置、计算机设备和存储介质 |
| CN114037803B (zh) * | 2022-01-11 | 2022-04-15 | 真健康（北京）医疗科技有限公司 | 医学图像三维重建方法及系统 |
| KR102694614B1 (ko) * | 2022-01-17 | 2024-08-13 | (주)휴톰 | 환자의 가상 폐 모델을 생성하는 장치 및 방법 |
| CN114419077B (zh) * | 2022-03-31 | 2022-07-05 | 深圳市一图智能科技有限公司 | 一种基于ct图像的肺支气管自动分割方法及系统 |
| CN115147359B (zh) * | 2022-06-06 | 2023-04-07 | 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 |
| CN114862861B (zh) * | 2022-07-11 | 2022-10-25 | 珠海横琴圣澳云智科技有限公司 | 基于少样本学习的肺叶分割方法和装置 |
| CN115018845B (zh) * | 2022-08-09 | 2022-10-25 | 聊城市泓润能源科技有限公司 | 一种润滑油磨粒质量检测方法 |
| CN115294139B (zh) * | 2022-10-08 | 2022-12-13 | 中国电建集团江西省电力设计院有限公司 | 基于图像的边坡裂缝监测方法 |
| 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 |
| CN117853439B (zh) * | 2023-12-28 | 2025-03-18 | 苏州臻妙境医疗科技有限公司 | 肺叶间裂发育不全的自动识别方法、装置及电子设备 |
| CN118471483B (zh) * | 2024-07-10 | 2024-10-22 | 山东大学齐鲁医院 | 基于深度学习的贲门癌分型辅助诊断系统、介质及设备 |
Family Cites Families (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7315639B2 (en) * | 2004-03-03 | 2008-01-01 | Mevis Gmbh | Method of lung lobe segmentation and computer system |
| WO2006000953A1 (en) * | 2004-06-22 | 2006-01-05 | Koninklijke Philips Electronics N.V. | Displaying a tracheobronchial tree |
| US7809174B2 (en) * | 2005-03-21 | 2010-10-05 | General Electric Company | Method and system for segmentation of computed tomography image data |
| US7711172B2 (en) * | 2005-04-08 | 2010-05-04 | Siemens Medical Solutions Usa, Inc. | Automatic nodule measurements |
| US7711167B2 (en) * | 2005-12-07 | 2010-05-04 | Siemens Medical Solutions Usa, Inc. | Fissure detection methods for lung lobe segmentation |
| CN100573581C (zh) * | 2006-08-25 | 2009-12-23 | 西安理工大学 | 肺部ct图像病灶半自动分割方法 |
| US7876943B2 (en) * | 2007-10-03 | 2011-01-25 | Siemens Medical Solutions Usa, Inc. | System and method for lesion detection using locally adjustable priors |
| US8150113B2 (en) * | 2008-01-23 | 2012-04-03 | Carestream Health, Inc. | Method for lung lesion location identification |
| JP2012223338A (ja) * | 2011-04-19 | 2012-11-15 | Fujifilm Corp | 木構造作成装置および方法ならびにプログラム |
| CN102254097A (zh) | 2011-07-08 | 2011-11-23 | 普建涛 | 肺部ct图像上的肺裂识别方法 |
| US9014445B2 (en) * | 2012-10-11 | 2015-04-21 | Vida Diagnostics, Inc. | Visualization and characterization of pulmonary lobar fissures |
| WO2014087313A1 (en) * | 2012-12-03 | 2014-06-12 | Koninklijke Philips N.V. | Image processing device and method |
| CN104143184B (zh) * | 2013-05-10 | 2017-12-22 | 上海联影医疗科技有限公司 | 一种肺部分割的方法 |
| CN103310449B (zh) | 2013-06-13 | 2016-03-02 | 沈阳航空航天大学 | 基于改进形状模型的肺分割方法 |
| WO2015016481A1 (ko) * | 2013-08-01 | 2015-02-05 | 서울대학교 산학협력단 | 기도와 폐엽을 추출하는 방법 및 그 장치 |
| CN104268893B (zh) * | 2014-10-16 | 2017-02-01 | 太原理工大学 | 一种用左右扫描和四个角旋转扫描对肺实质分割去噪的方法 |
| CN104809730B (zh) * | 2015-05-05 | 2017-10-03 | 上海联影医疗科技有限公司 | 从胸部ct图像提取气管的方法和装置 |
| CN104504737B (zh) * | 2015-01-08 | 2018-01-12 | 深圳大学 | 一种从肺部ct图像获得三维气管树的方法 |
| US10165964B2 (en) * | 2015-05-08 | 2019-01-01 | Vida Diagnostics, Inc. | Systems and methods for quantifying regional fissure features |
| CN105405140B (zh) * | 2015-11-12 | 2018-07-06 | 西安电子科技大学 | 基于初始素描图的胃部ct图像淋巴结检测系统和方法 |
| CN105488796A (zh) * | 2015-11-27 | 2016-04-13 | 上海联影医疗科技有限公司 | 肺分割方法 |
| WO2017136781A1 (en) * | 2016-02-05 | 2017-08-10 | Pulmonx Corporation | Methods, systems, and devices for analyzing lung imaging data |
| CN106097305B (zh) * | 2016-05-31 | 2019-03-01 | 上海理工大学 | 双行程区域生长结合形态学重建的肺部气管树分割方法 |
| US10991102B2 (en) * | 2016-08-12 | 2021-04-27 | Canon Medical Systems Corporation | Image processing apparatus and image processing method |
| CN106875379A (zh) * | 2017-01-10 | 2017-06-20 | 陕西渭南神州德信医学成像技术有限公司 | 肺裂完整度评估方法、装置和系统 |
-
2017
- 2017-06-30 EP EP17915961.1A patent/EP3633612A4/en active Pending
- 2017-06-30 WO PCT/CN2017/091329 patent/WO2019000455A1/zh unknown
- 2017-07-05 CN CN201710541612.5A patent/CN109215032A/zh active Pending
- 2017-07-05 CN CN201710541976.3A patent/CN109215033A/zh active Pending
- 2017-07-10 CN CN201710557412.9A patent/CN107622492B/zh active Active
- 2017-08-18 CN CN201710711217.7A patent/CN107590809A/zh active Pending
-
2018
- 2018-12-31 US US16/236,954 patent/US10949977B2/en active Active
-
2021
- 2021-02-07 US US17/169,480 patent/US11710242B2/en active Active
Non-Patent Citations (2)
| Title |
|---|
| AUTOMATIC SEGMENTATION OF THE PULMONARY LOBES FROM FISSURES,AIRWAYS,AND LUNG BORDERS: EVALUATION OF ROBUSTNESS AGAINST MISSING DATA;VAN RIKXOORT EVA M. 等;《Radiological Society of North America Annual Metting》;20091231;全文 * |
| 基于CT影像的肺组织分割方法综述;耿欢 等;《计算机应用研究》;20160731;第33卷(第7期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107622492A (zh) | 2018-01-23 |
| US20190139227A1 (en) | 2019-05-09 |
| US20210183071A1 (en) | 2021-06-17 |
| CN109215032A (zh) | 2019-01-15 |
| CN107590809A (zh) | 2018-01-16 |
| EP3633612A4 (en) | 2020-06-03 |
| CN109215033A (zh) | 2019-01-15 |
| US10949977B2 (en) | 2021-03-16 |
| WO2019000455A1 (zh) | 2019-01-03 |
| US11710242B2 (en) | 2023-07-25 |
| EP3633612A1 (en) | 2020-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107622492B (zh) | 肺裂分割方法及系统 | |
| CN107798682B (zh) | 图像分割系统、方法、装置和计算机可读存储介质 | |
| Rossi et al. | Combination of low level processing and active contour techniques for semi-automated volumetric lung lesion segmentation from thoracic CT images | |
| US7315639B2 (en) | Method of lung lobe segmentation and computer system | |
| JP6877868B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
| CN101295309B (zh) | 一种医学图像识别的方法 | |
| CN107563998B (zh) | 医学图像中心脏图像处理方法 | |
| Pulagam et al. | Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases | |
| CN109493325A (zh) | 基于ct影像的肿瘤异质性分析系统 | |
| EP3971830B1 (en) | Pneumonia sign segmentation method and apparatus, medium and electronic device | |
| CN109300113A (zh) | 一种基于改进凸包方法的肺结节辅助检测系统及方法 | |
| CN111340756A (zh) | 一种医学图像病变检出合并方法、系统、终端及存储介质 | |
| Liu et al. | Cardiac magnetic resonance image segmentation based on convolutional neural network | |
| CN111311626A (zh) | 基于ct图像的颅骨骨折自动检测方法及电子介质 | |
| CN112116562A (zh) | 基于肺部影像数据检测病灶的方法、装置、设备及介质 | |
| Hong et al. | Automatic lung nodule matching on sequential CT images | |
| CN105761217A (zh) | 图像重建方法及装置 | |
| CN119048694A (zh) | 一种基于多模态的影像三维后处理方法及系统 | |
| CN108399354A (zh) | 计算机视觉识别肿瘤的方法和装置 | |
| Ukil et al. | Smoothing lung segmentation surfaces in three-dimensional x-ray ct images using anatomic guidance1 | |
| Rebouças Filho et al. | 3D segmentation and visualization of lung and its structures using CT images of the thorax | |
| JPWO2017086433A1 (ja) | 医用画像処理方法及び装置及びシステム及びプログラム | |
| Jamil et al. | Adaptive thresholding technique for segmentation and juxtapleural nodules inclusion in lung segments | |
| Dhalia Sweetlin et al. | Patient-Specific Model Based Segmentation of Lung Computed Tomographic Images. | |
| EP1447772B1 (en) | A method of lung lobe segmentation and computer system |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Patentee after: Shanghai Lianying Medical Technology Co., Ltd Address before: No.2258, Chengbei Road, Jiading District, Shanghai, 201807 Patentee before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |