一种从肺CT图像中分割出肺结节图像的处理方法

摘要

一种从肺CT图像中分割出肺结节图像的处理方法，本发明涉及从肺CT图像中分割肺结节的方法。本发明是要解决现有技术难以通过颜色进行区分连接血管的肺结节、分割精度低和鲁棒性差的问题。本发明是通过一、选择当前分割区域；二、判断当前分割区域中的点是否是直线血管上的点或者是否是血管上的拐点；三、删除待删除的点序列中的所有点；四、判断步骤一中所获得的当前分割区域的随机排序列表中下一个未处理的分割区域是否存在；五、将较小的区域从当前分割区域的随机排序列表中删除；六、判断备选分割区域中的是否有点或整个区域被滤除；七、从肺CT图像初步分割区域中分割出肺结节等步骤实现的。本发明应用于分割肺结节领域。

说明书

技术领域

本发明涉及分割出肺结节的方法，特别涉及一种从肺CT图像中分割出肺结节图像的 处理方法。

背景技术

从肺CT图像中分割肺结节是图像处理技术在医学图像中的重要应用，在计算机辅助 诊断中具有重要意义。

目前，对于孤立的肺结节，可以较好地进行分割和检测，而对于连接血管的肺结节 (如图2所示)，则往往难以进行分割。由于CT图像为灰度图像，肺结节与血管气管等 组织在图像上的亮度接近，故难以通过颜色(灰度值)进行区分。目前已存在的算法主要 基于统计和梯度变化的思想，主要存在分割精度低，鲁棒性差等问题，不能准确的分离结 节与血管。而分割的不精确，会为后续的肺结节检测部分引入问题，进而导致检测失败。

发明内容

本发明的目的是为了解决难以通过颜色(灰度值)进行区分连接血管的肺结节、现有 技术存在分割精度低和鲁棒性差的问题，而提出的一种从肺CT图像中分割出肺结节图像 的处理方法。

上述的发明目的是通过以下技术方案实现的：

步骤一、将已获得的肺CT图像随机排列成当前分割区域的随机排序列表，在当前分 割区域的随机排序列表中选择第一个分割区域作为当前分割区域；

步骤二、判断当前分割区域中的点是否是肺CT图像中的直线血管上的点或者当前分 割区域中的点是否是肺CT图像中的血管上的拐点；若当前分割区域中的点是肺CT图像 中的直线血管上的点或者是肺CT图像中的血管上的拐点，则将当前分割区域中的点加入 待删除的点序列；

步骤三、将待删除的点序列中的所有点从当前分割区域中删除；

步骤四、判断步骤一中所获得的当前分割区域的随机排序列表中下一个未处理的分割 区域是否存在；若存在未处理的分割区域，则将未处理的分割区作为当前分割区域，执行 步骤二；若不存在未处理的分割区域，则执行步骤五；其中，未处理的分割区域具体为： 当前分割区域的随机排序列表中存在的未经过步骤二三处理过的区域；

步骤五、重复步骤一重新建立当前分割区域的随机排序列表，并将较小的区域从重新 建立当前分割区域的随机排序列表中删除；其中，较小的区域的大小小于阈值T个像素 点；

步骤六、判断备选分割区域中是否有点或整个区域被滤除，若有点或整个区域被滤除， 则执行步骤一；若没有点或整个区域被滤除，则执行步骤七；其中，备选分割区域为从重 新建立当前分割区域的随机排序列表中删除后所剩余的区域；

步骤七、将步骤五中重新建立的当前分割区域的随机排序列表中均不能通过两种类圆 形检测的备选分割区域删除后，剩余的备选区域为从肺CT图像中分割出的肺结节；其中， 两种类圆形检测算法包括第一种类圆形检测和第二种类圆形检测。

发明效果

一种从肺CT图像的中进一步分割出肺结节的方法，属于医学图像处理领域，本发明 是为了解决初步分割获得的感兴趣区域中肺CT图像中肺结节与血管器官等组织黏连的 结节难以分割的问题本发明方法包括：一、选择第一个分割区域作为当前区域；二、对当 前分割区域中每一个点做是否在血管上的判断，若是，则加入待删除序列；三、将待删除 序列中的所有点从该区域中删除；四、判断下一个未处理的分割区域是否存在。若是，则 作为当前分割区域，执行步骤二。若否，则执行步骤五；五、滤除较小区域；六、判断在 这次处理中，所有的分割区域是否发生变化。若是，则重新开始一次处理，执行步骤一。 若否，则执行步骤七；七、滤除非类圆形区域。故本发明提出的算法利用形状信息可以准 确的去除血管，有效分割出结节如图2～图4所示，真实的肺结节与血管相连，且在CT 图像上均偏白，仅仅通过颜色信息难以进行准确的分割。然而结节与相连血管的形状是存 在差异；因此本发明自动将结节从相连的血管上分离出来。

因此采用本发明提出的肺结节分割方法，可以作为肺结节自动检测系统中，本发明简 单易行，可靠性高。

附图说明

图1为具体实施方式一提出的一种从肺CT图像中分割出肺结节图像的处理方法的流 程图；

图2是实施例提出的1号结节分割结果示例图；

图3是实施例提出的2号结节分割结果示例图；

图4是实施例提出的3号结节分割结果示例图。

具体实施方式

具体实施方式一：结合图1本实施方式的一种从肺CT图像中分割出肺结节图像的处 理方法，具体是按照以下步骤制备的：

步骤一、将已获得的肺CT图像随机排列成当前分割区域的随机排序列表，在当前分 割区域的随机排序列表中选择第一个分割区域作为当前分割区域；

步骤二、判断当前分割区域中的点是否是肺CT图像中的直线血管上的点或者当前分 割区域中的点是否是肺CT图像中的血管上的拐点；若当前分割区域中的点是肺CT图像 中的直线血管上的点或者是肺CT图像中的血管上的拐点，则将当前分割区域中的点加入 待删除的点序列；

步骤三、将待删除的点序列中的所有点从当前分割区域中删除；

步骤四、判断步骤一中所获得的当前分割区域的随机排序列表中下一个未处理的分割 区域是否存在；若存在未处理的分割区域，则将未处理的分割区作为当前分割区域，执行 步骤二；若不存在未处理的分割区域，则执行步骤五；其中，未处理的分割区域具体为： 当前分割区域的随机排序列表中存在的未经过步骤二三处理过的区域；

步骤五、重复步骤一重新建立当前分割区域的随机排序列表，并将较小的区域从重新 建立当前分割区域的随机排序列表中删除；其中，较小的区域的大小小于阈值T个像素 点；

步骤六、判断在这次处理中，当前分割区域的随机排序列表中的所有区域中的备选分 割区域是否发生变化即判断备选分割区域中的是否有点或整个区域被滤除，若有点或整个 区域被滤除，则执行步骤一；若没有点或整个区域被滤除，则执行步骤七；(备选分割区 域有很多，备选分割区域可以列成一个表，当前区域是备选分割区域中的一个)其中，备 选分割区域为从重新建立当前分割区域的随机排序列表中删除后所剩余的区域；

步骤七、滤除非类圆形区域，将步骤五中重新建立的当前分割区域的随机排序列表中 均不能通过两种类圆形检测的备选分割区域删除后，剩余的备选区域为从肺CT图像中分 割出的肺结节；其中，两种类圆形检测算法包括第一种类圆形检测和第二种类圆形检测； 非类圆形区域为不能通过两种类圆形检测的备选分割区域。

本实施方式效果

一种从肺CT图像的中进一步分割出肺结节的方法，属于医学图像处理领域，本实施 方式是为了解决初步分割获得的感兴趣区域中肺结节与血管器官等组织黏连的问题。本实 施方式方法包括：一、选择第一个分割区域作为当前区域；二、对当前分割区域中每一个 点做是否在血管上的判断，若是，则加入待删除序列；三、将待删除序列中的所有点从该 区域中删除；四、判断下一个未处理的分割区域是否存在。若是，则作为当前分割区域， 执行步骤二。若否，则执行步骤五；五、滤除较小区域；六、判断在这次处理中，所有的 分割区域是否发生变化。若是，则重新开始一次处理，执行步骤一。若否，则执行步骤七； 七、滤除非类圆形区域。故本实施方式提出的算法利用形状信息可以准确的去除血管，分 割出结节。如图2～图4所示，真实的肺结节与血管相连，且在CT图像上均偏白，仅仅 通过颜色信息难以进行准确的分割。然而结节与相连血管的形状是存在差异；因此本实施 方式自动将结节从相连的血管上分离出来。

具体实施方式二：本实施方式与具体实施方式一不同的是：步骤二中判断当前分割区 域中的点是否是肺CT图像中的直线血管上的点具体为：

在当前区域中选择某一个点，该点所在某一个方向上的长度为l₁，与l₁垂直的方向上 的长度为l₂，若l₁与l₂满足下面的关系，则认为当前分割区域中的点是肺CT图像中的直 线血管上的点：

$\left(\begin{array}{c}{l}_1\le T_3\\ l_2\ge f\left(l_1\right)\end{array}\right)---\left(1\right)$

其中，阈值T₃取值3～5，f取f(x)＝x+2或f(x)＝2x+1；某一个方向为水平、竖直、 相对于水平方向顺时针倾斜45度方向或相对于水平方向逆时针倾斜45度方向，只要存在 某一个方向上的l₁和l₂满足公式(1)，就认为当前分割区域中的点是直线血管上的点。其它 步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：步骤二中判断当前分 割区域中的点是否是肺CT图像中的血管上的拐点的方法为：

在当前区域中选择某一个点，，该点所在某一个方向上的长度为l₁，而与l₁垂直的方向 上的长度为l₂，若l₁与l₂满足公式(2)，则认为当前分割区域中的点是肺CT图像中的血管 上的拐点:

$\left(\begin{array}{c}{l}_1\le T_4\\ l_2\ge T_5\end{array}\right)---\left(2\right)$

其中，阈值T₄和T₅取值1～3，阈值T₄和T₅取值1～3。其它步骤及参数与具体实施方式 一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：步骤五中T取 值10～20。其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：步骤七中第一种 类圆形检测方法为：

(1)对于备选分割区域中任意一个区域中所有边界点的坐标集合为 计算坐标的均值：

$\left(\begin{array}{cc}\bar{x}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{x}_i& \bar{y}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{y}_i\end{array}\right)$

(2)计算每个边界点到坐标均值的距离R_i：

$R_i=\sqrt{{(x_i-\bar{x})}^2+{(y_i-\bar{y})}^2}$

(3)计算所有距离的归一化方差：

$\left(\begin{array}{cc}R=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{R}_i& {\sigma }_R^2=\frac{1}{{\mathrm{NR}}^2}\underset{i=1}{\overset{N}{\Sigma }}{(R_i-R)}^2\end{array}\right)$

当时，认为备选分割区域中任意一个区域不能通过类圆形检测；

当时，认为备选分割区域中任意一个区域能通过类圆形检测；

其中，阈值T₁取值0.6～0.8；为归一化方差。其它步骤及参数与具体实施方式一至 四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：步骤七中第二种 类圆形检测方法为：

(1)以备选分割区域中任意一个区域中所有点的集合 中的每个点作为圆心，半径为r做圆，当所作圆覆盖所 有点中存在不在集合中的点时，半径最终取值r_i＝r-1， 圆的面积为S_i，即S_m＝maxS_i；M为备选分割区域中所有点个数；其中，半径r为从1 开始逐渐增加即r＝1,2,3,...,n；(半径每次增加1，即增加一个像素点)

(2)计算P＝S_i/M，即圆的面积所占总面积的值；当P<T₂时，认为备选分割区域中 任意一个区域不能通过类圆形检测；当P≥T₂时，认为备选分割区域中任意一个区域能通 过类圆形检测；其中，阈值T₂取值0.6～0.8。其它步骤及参数与具体实施方式一至五之一 相同。

本实施例一种从肺CT图像中分割出肺结节图像的处理方法，具体是按照以下步骤制 备的：

步骤一、将已获得的肺CT图像随机排列成当前分割区域的随机排序列表，在当前分 割区域的随机排序列表中选择第一个分割区域作为当前分割区域；

步骤二、判断当前分割区域中的点是否是肺CT图像中的直线血管上的点或者当前分 割区域中的点是否是肺CT图像中的血管上的拐点；若当前分割区域中的点是肺CT图像 中的直线血管上的点或者是肺CT图像中的血管上的拐点，则将当前分割区域中的点加入 待删除的点序列；

判断当前分割区域中的点是否是肺CT图像中的直线血管上的点具体为：

在当前区域中选择某一个点，该点所在某一个方向上的长度为l₁，与l₁垂直的方向上 的长度为l₂，若l₁与l₂满足下面的关系，则认为当前分割区域中的点是肺CT图像中的直 线血管上的点：

$\left(\begin{array}{c}{l}_1\le T_3\\ l_2\ge f\left(l_1\right)\end{array}\right)---\left(1\right)$

其中，阈值T₃取值3，f取f(x)＝x+2或f(x)＝2x+1；某一个方向为水平、竖直、相 对于水平方向顺时针倾斜45度方向或相对于水平方向逆时针倾斜45度方向，只要存在某 一个方向上的l₁和l₂满足公式(1)，就认为当前分割区域中的点是直线血管上的点。

判断当前分割区域中的点是否是肺CT图像中的血管上的拐点的方法为：

在当前区域中选择某一个点，，该点所在某一个方向上的长度为l₁，而与l₁垂直的方向 上的长度为l₂，若l₁与l₂满足公式(2)，则认为当前分割区域中的点是肺CT图像中的血管 上的拐点:

$\left(\begin{array}{c}{l}_1\le T_4\\ l_2\ge T_5\end{array}\right)---\left(2\right)$

其中，阈值T₄和T₅取值2，阈值T₄和T₅取值2。

步骤三、将待删除的点序列中的所有点从当前分割区域中删除；

步骤四、判断步骤一中所获得的当前分割区域的随机排序列表中下一个未处理的分割 区域是否存在；若存在未处理的分割区域，则将未处理的分割区作为当前分割区域，执行 步骤二；若不存在未处理的分割区域，则执行步骤五；其中，未处理的分割区域具体为： 当前分割区域的随机排序列表中存在的未经过步骤二三处理过的区域；

步骤五、重复步骤一重新建立当前分割区域的随机排序列表，并将较小的区域从重新 建立当前分割区域的随机排序列表中删除；其中，较小的区域的大小小于阈值20个像素 点；

步骤六、判断在这次处理中，当前分割区域的随机排序列表中的所有区域中的备选分 割区域是否发生变化即步骤六、判断备选分割区域中是否有点或整个区域被滤除，若有点 或整个区域被滤除，则执行步骤一；若没有点或整个区域被滤除，则执行步骤七；其中， 备选分割区域为从重新建立当前分割区域的随机排序列表中删除后所剩余的区域；

(备选分割区域有很多，备选分割区域可以列成一个表，当前区域是备选分割区域中的一 个)

步骤七、滤除非类圆形区域，将步骤五中重新建立的当前分割区域的随机排序列表中 均不能通过两种类圆形检测的备选分割区域删除后，剩余的备选区域为从肺CT图像中分 割出的肺结节；其中，两种类圆形检测算法包括第一种类圆形检测和第二种类圆形检测； 非类圆形区域为不能通过两种类圆形检测的备选分割区域。

其中，第一种类圆形检测方法为：

(1)对于备选分割区域中任意一个区域中所有边界点的坐标集合为 计算坐标的均值：

$\left(\begin{array}{cc}\bar{x}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{x}_i& \bar{y}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{y}_i\end{array}\right)$

(2)计算每个边界点到坐标均值的距离R_i：

$R_i=\sqrt{{(x_i-\bar{x})}^2+{(y_i-\bar{y})}^2}$

(3)计算所有距离的归一化方差：

$\left(\begin{array}{cc}R=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{R}_i& {\sigma }_R^2=\frac{1}{{\mathrm{NR}}^2}\underset{i=1}{\overset{N}{\Sigma }}{(R_i-R)}^2\end{array}\right)$

当时，认为备选分割区域中任意一个区域不能通过类圆形检测；

当时，认为备选分割区域中任意一个区域能通过类圆形检测；

其中，阈值T₁取值0.6；为归一化方差。

第二种类圆形检测方法为：

(1)以备选分割区域中任意一个区域中所有点的集合 中的每个点作为圆心，半径为r做圆，当所作圆覆盖所 有点中存在不在集合中的点时，半径最终取值r_i＝r-1， 圆的面积为S_i，即S_m＝maxS_i；M为备选分割区域中所有点个数；其中，半径r为从1 开始逐渐增加即r＝1,2,3,...,n；(半径每次增加1，即增加一个像素点)

(2)计算P＝S_i/M，即圆的面积所占总面积的值；当P<T₂时，认为备选分割区域中 任意一个区域不能通过类圆形检测；当P≥T₂时，认为备选分割区域中任意一个区域能通 过类圆形检测；其中，阈值T₂取值0.8。

故本实施例提出的算法利用形状信息可以准确的去除血管，分割出的1号、2号和3 号结节。如图2～图4所示，真实的肺结节与血管相连，且在CT图像上均偏白，仅仅通 过颜色信息难以进行准确的分割。然而结节与相连血管的形状是存在差异；因此本实施方 式自动将结节从相连的血管上分离出来。