肺部影像中肺叶区域的分割方法、系统、装置和介质制造方法及图纸

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

【技术实现步骤摘要】
肺部影像中肺叶区域的分割方法、系统、装置和介质


[0001]本专利技术涉及图像处理
，具体提供一种肺部影像中肺叶区域的分割方法、系统、装置和介质。

技术介绍

[0002]肺是人体最重要的器官之一，也是发病率很高的器官，常见的肺部疾病有肺气肿、肺癌、肺大泡、肺炎等。而临床上，外科医生或放射线研究者一般通过判读肺部影像如肺部的CT(Computed Tomography，电子计算机断层扫描)影像来诊断肺部疾病以及提出治疗方案。人体肺脏可分成五个独立的功能单元，称为肺叶。目前用于肺叶分割的技术方法中，性能较为优异的是基于神经网络方法的肺叶分割技术，尤其是两步法，即先分割肺裂再分割肺叶的方法，对肺裂附近的肺叶分割结果更为精细。这是因为肺裂是肺叶间物理边界，是肺部区域划分、肺病定位和量化评估的基础。但是肺裂并不总是明显而易得的，对于有些患者，由于病变等因素使得其肺裂是模糊不清的，而有些患者存在副裂或肺部纤维化等情况，这些都会产生与肺裂信号相似的噪声，容易被神经网络误判为肺裂。而这些错误的肺裂会导致后续的肺叶分割错误。
[0003]相应地，本领域需要一种新的肺部影像中肺叶区域的分割方案来解决上述问题。

技术实现思路

[0004]为了克服上述缺陷，提出了本专利技术，以提供解决或至少部分地解决在肺裂不清晰的情况下，如何对肺部影像中肺叶进行准确分割的问题。
[0005]在第一方面，本专利技术提供一种肺部影像中肺叶区域的分割方法，所述方法包括：
[0006]获取肺部影像中的肺部区域并获取所述肺部区域中的肺裂区域；
[0007]采用点云神经网络模型对所述肺裂区域在所述肺部影像中的三维坐标进行修正，以去除所述肺裂区域的噪声与补全缺失的肺裂区域；
[0008]根据所述肺部区域与修正后的肺裂区域对所述肺部影像进行肺叶分割，得到肺叶区域。
[0009]在上述肺部影像中肺叶区域的分割方法的一个技术方案中，“采用点云神经网络模型对所述肺裂区域在所述肺部影像中的三维坐标进行修正，以去除所述肺裂区域的噪声与补全缺失的肺裂区域”的步骤具体包括：
[0010]采用训练样本与样本标签对点云神经网络模型进行网络训练，其中，所述训练样本包括不存在坐标数据缺失的第一类肺裂点的三维坐标中x、y和z坐标的坐标值，以及第二类肺裂点的三维坐标中x和y坐标的坐标值，所述样本标签为所述第二类肺裂点的三维坐标中z坐标的坐标值；所述第二肺裂点获取方法为：对所述第一类肺裂点进行随机采样获得一个第一类肺裂点作为第一目标肺裂点；根据所述第一目标肺裂点，从其他第一类肺裂点中获取与所述第一目标肺裂点在三维空间中坐标值连续的多个第一类肺裂点作为第二目标肺裂点；将所述第一目标肺裂点与所述第二目标肺裂点组成所述第二类肺裂点；
[0011]采用训练好的点云神经网络模型分别获取所述肺裂区域中每个肺裂点的三维坐标中z坐标的坐标预测值；
[0012]针对每个肺裂点，若当前肺裂点缺失z坐标的坐标值，则将所述坐标预测值设置为当前肺裂点的z坐标的坐标值；
[0013]若当前肺裂点不缺失z坐标的坐标值且z坐标的坐标实际值与所述坐标预测值不一致，则将所述坐标实际值替换成所述坐标预测值。
[0014]在上述肺部影像中肺叶区域的分割方法的一个技术方案中，“根据所述肺部区域与修正后的肺裂区域对所述肺部影像进行肺叶分割，得到肺叶区域”的步骤具体包括：
[0015]采用卷积神经网络并根据所述肺部区域与修正后的肺裂区域，对所述肺部影像进行肺叶分割，得到所述肺部影像中每个肺叶的肺叶区域并确定每个肺叶区域的肺叶标签；
[0016]分别获取每个肺叶区域中最大的图像连通区域，并获取所述肺部区域中除了所述最大的图像连通区域以外其他图像连通区域；
[0017]针对每个所述其他图像连通区域，确定距离当前所述其他图像连通区域最近的所述最大的图像连通区域，将当前所述其他图像连通区域作为所述最大的图像连通区域所属的肺叶区域的一部分区域，并对当前所述其他图像连通区域设置相应的肺叶标签。
[0018]在上述肺部影像中肺叶区域的分割方法的一个技术方案中，所述点云神经网络模型是基于PointNet网络的模型。
[0019]在第二方面，本专利技术提供一种肺部影像中肺叶区域的分割系统，所述系统包括：
[0020]肺裂区域获取模块，其被配置为获取肺部影像中的肺部区域并获取所述肺部区域中的肺裂区域；
[0021]肺裂区域修正模块，其被配置为采用点云神经网络模型对所述肺裂区域在所述肺部影像中的三维坐标进行修正，以去除所述肺裂区域的噪声与补全缺失的肺裂区域；
[0022]肺叶区域分割模块，其被配置为根据所述肺部区域与修正后的肺裂区域对所述肺部影像进行肺叶分割，得到肺叶区域。
[0023]在上述肺部影像中肺叶区域的分割系统的一个技术方案中，所述肺裂区域修正模块包括：
[0024]点云神经网络训练单元，其被配置为采用训练样本与样本标签对点云神经网络模型进行网络训练，其中，所述训练样本包括不存在坐标数据缺失的第一类肺裂点的三维坐标中x、y和z坐标的坐标值，以及第二类肺裂点的三维坐标中x和y坐标的坐标值，所述样本标签为所述第二类肺裂点的三维坐标中z坐标的坐标值；所述第二肺裂点获取方法为：对所述第一类肺裂点进行随机采样获得一个第一类肺裂点作为第一目标肺裂点；根据所述第一目标肺裂点，从其他第一类肺裂点中获取与所述第一目标肺裂点在三维空间中坐标值连续的多个第一类肺裂点作为第二目标肺裂点；将所述第一目标肺裂点与所述第二目标肺裂点组成所述第二类肺裂点；
[0025]z坐标预测值获取单元，其被配置为采用训练好的点云神经网络模型分别获取所述肺裂区域中每个肺裂点的三维坐标中z坐标的坐标预测值；
[0026]z坐标设置单元，其被配置为针对每个肺裂点，若当前肺裂点缺失z坐标的坐标值，则将所述坐标预测值设置为当前肺裂点的z坐标的坐标值；
[0027]z坐标替换单元，其被配置为若当前肺裂点不缺失z坐标的坐标值且z坐标的坐标
实际值与所述坐标预测值不一致，则将所述坐标实际值替换成所述坐标预测值。
[0028]在上述肺部影像中肺叶区域的分割系统的一个技术方案中，所述肺叶区域分割模块包括：
[0029]肺叶区域和肺叶标签获取单元，其被配置为采用卷积神经网络并根据所述肺部区域与修正后的肺裂区域，对所述肺部影像进行肺叶分割，得到所述肺部影像中每个肺叶的肺叶区域并确定每个肺叶区域的肺叶标签；
[0030]图像连通区域获取单元，其被配置为分别获取每个肺叶区域中最大的图像连通区域，并获取所述肺部区域中除了所述最大的图像连通区域以外其他图像连通区域；
[0031]图像连通区域处理单元，其被配置为针对每个所述其他图像连通区域，确定距离当前所述其他图像连通区域最近的所述最大的图像连通区域，将当前所述其他图像连通区域作为所述最大的图像连通区域所属的肺叶区域的一部分区域，并对当前所述其他图像连通区域设置相应的肺叶标签。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肺部影像中肺叶区域的分割方法，其特征在于，所述方法包括：获取肺部影像中的肺部区域并获取所述肺部区域中的肺裂区域；采用点云神经网络模型对所述肺裂区域在所述肺部影像中的三维坐标进行修正，以去除所述肺裂区域的噪声与补全缺失的肺裂区域；根据所述肺部区域与修正后的肺裂区域对所述肺部影像进行肺叶分割，得到肺叶区域。2.根据权利要求1所述的肺部影像中肺叶区域的分割方法，其特征在于，“采用点云神经网络模型对所述肺裂区域在所述肺部影像中的三维坐标进行修正，以去除所述肺裂区域的噪声与补全缺失的肺裂区域”的步骤具体包括：采用训练样本与样本标签对点云神经网络模型进行网络训练，其中，所述训练样本包括不存在坐标数据缺失的第一类肺裂点的三维坐标中x、y和z坐标的坐标值，以及第二类肺裂点的三维坐标中x和y坐标的坐标值，所述样本标签为所述第二类肺裂点的三维坐标中z坐标的坐标值；所述第二肺裂点获取方法为：对所述第一类肺裂点进行随机采样获得一个第一类肺裂点作为第一目标肺裂点；根据所述第一目标肺裂点，从其他第一类肺裂点中获取与所述第一目标肺裂点在三维空间中坐标值连续的多个第一类肺裂点作为第二目标肺裂点；将所述第一目标肺裂点与所述第二目标肺裂点组成所述第二类肺裂点；采用训练好的点云神经网络模型分别获取所述肺裂区域中每个肺裂点的三维坐标中z坐标的坐标预测值；针对每个肺裂点，若当前肺裂点缺失z坐标的坐标值，则将所述坐标预测值设置为当前肺裂点的z坐标的坐标值；若当前肺裂点不缺失z坐标的坐标值且z坐标的坐标实际值与所述坐标预测值不一致，则将所述坐标实际值替换成所述坐标预测值。3.根据权利要求1所述的肺部影像中肺叶区域的分割方法，其特征在于，“根据所述肺部区域与修正后的肺裂区域对所述肺部影像进行肺叶分割，得到肺叶区域”的步骤具体包括：采用卷积神经网络并根据所述肺部区域与修正后的肺裂区域，对所述肺部影像进行肺叶分割，得到所述肺部影像中每个肺叶的肺叶区域并确定每个肺叶区域的肺叶标签；分别获取每个肺叶区域中最大的图像连通区域，并获取所述肺部区域中除了所述最大的图像连通区域以外其他图像连通区域；针对每个所述其他图像连通区域，确定距离当前所述其他图像连通区域最近的所述最大的图像连通区域，将当前所述其他图像连通区域作为所述最大的图像连通区域所属的肺叶区域的一部分区域，并对当前所述其他图像连通区域设置相应的肺叶标签。4.根据权利要求1所述的肺部影像中肺叶区域的分割方法，其特征在于，所述点云神经网络模型是基于PointNet网络的模型。5.一种肺部影像中肺叶区域的分割系统，其特征在于，所述系统包括：肺裂区域获取模块，其被配置为获取肺部影像中的肺部区域并获取所述肺部区域中的肺裂区域；肺裂区域修正模块，其被配置为采用点云神经网络模型对所述肺裂区域在所述肺部影像中的三维坐标进行修正，以去除...

【专利技术属性】
技术研发人员：范晓晨，徐昕，冯建兴，黄海峡，
申请(专利权)人：华东疗养院，
类型：发明
国别省市：