肿瘤图像分割方法技术

本发明专利技术公开了肿瘤图像分割方法

【技术实现步骤摘要】
肿瘤图像分割方法、装置、电子设备和可读存储介质


[0001]本专利技术涉及医学图像处理领域，尤其涉及一种肿瘤图像分割方法
、
装置
、
电子设备和可读存储介质
。

技术介绍

[0002]肿瘤是机体在各种致癌因子作用下，局部组织细胞增生所形成的新生物，根据新生物的细胞特性及对机体的危害性程度，将肿瘤划分为良性肿瘤和恶性肿瘤，是致死率较高的疾病之一
。
[0003]目前，经过治疗的肿瘤，临床对治疗后的效果评估一般比较关注增强肿瘤
(enhanced tumor
，
ET)
区域和全肿瘤区域（
the whole tumor, WT
）的体积变化，因此，准确地分割出
ET
区域和
WT
区域是非常关键的
。
[0004]现有技术在分割肿瘤区域的做法通常都是由经验丰富的专业临床医生手动对核磁共振图像中的肿瘤图像进行分割标注，或者是通过建立和训练用于分割出肿瘤图像的神经网络模型来分割肿瘤图像
。
[0005]但是，人工分割标注不仅效率低，还受标注医生自身水平与精力的限制，无法保证长期稳定性，而神经网络模型的建立和训练需要大量带有标签的数据集，因数据集数量和种类的限制无法获得训练良好的模型，所以神经网络模型稳定性会影响分割精度
。

技术实现思路

[0006]为了解决现有技术中存在的人工分割标注的效率低和神经网络模型因数据集数量和种类的限制而会影响分割精度问题，本专利技术提供了如下技术方案
。
[0007]本专利技术一方面提供了一种肿瘤图像分割方法，包括：获取针对肿瘤的磁共振序列原始图像；根据所述磁共振序列原始图像，得到
T1 CE
三维重构图像和液体衰减反转恢复（
fluid attenuated inversion recovery
，
Flair
）三维重构图像；根据所述
T1 CE
三维重构图像，得到多组对比增强序列减影图像；去除所述对比增强序列减影图像中的噪声，得到多组对比增强区域图像；合并所述多组对比增强区域图像，得到叠加图像；通过全局阈值分割法，对所述叠加图像进行分割，得到
ET
图像；将所述
T1 CE
三维重构图像内的
ET
区域映射到所述
Flair
三维重构图像中，得到所述
ET
区域对应的
Flair
映射区域；在所述
Flair
映射区域内进行多种子点的区域生长分割，得到每个种子点对应的
WT
区域；根据每个种子点对应的
WT
区域，得到待分类的
WT
区域；对所述待分类的
WT
区域进行属性向量的标记
、
校准和分类，得到
WT
图像
。
[0008]优选地，所述
T1 CE
三维重构图像包括
T1 CE
三维重构蒙片图像和
T1 CE
三维重构
增强图像；根据所述
T1 CE
三维重构图像，得到多组对比增强序列减影图像，包括：针对每张
T1 CE
三维重构增强图像，确定每张
T1 CE
三维重构增强图像与所述
T1 CE
三维重构蒙片图像之间对应的像素点，并将对应的像素点做相减处理，得到多组对比增强序列减影图像
。
[0009]优选地，去除所述对比增强序列减影图像中的噪声，得到多组对比增强区域图像，包括：通过所述全局阈值分割法，去掉所述对比增强序列减影图像中的噪声；通过腐蚀的方法，去掉所述对比增强序列减影图像中的杂散高信号；通过膨胀的方法，对所述对比增强序列减影图像进行修复，得到多组对比增强区域图像
。
[0010]优选地，通过全局阈值分割法，对所述叠加图像进行分割，得到
ET
图像，包括：在所述叠加图像中，确定像素值超过预设的第一阈值的像素点；将像素值超过预设的第一阈值的像素点形成的图像，作为
ET
图像
。
[0011]优选地，在所述
Flair
映射区域内进行多种子点的区域生长分割，得到每个种子点对应的
WT
区域，包括：在所述
Flair
映射区域内选取若干个像素点作为种子点；针对每个种子点，以该种子点作为区域生长的起点，分割出该种子点对应的
WT
区域，其中，所述每个种子点对应的
WT
区域之间具有差异化
。
[0012]优选地，在所述
Flair
映射区域内选取若干个像素点作为种子点，包括但不限于：在所述
Flair
映射区域中像素平均值最大的区域内选取中心点作为种子点；在所述
Flair
映射区域中像素标准差最大的区域内选取中心点作为种子点；在所述
Flair
映射区域中像素标准差最小的区域内选取中心点作为种子点
。
[0013]优选地，根据每个种子点对应的
WT
区域，得到待分类的
WT
区域，包括：确定每个种子点对应的
WT
区域之间的交集，得到交集
WT
区域；确定每个种子点对应的
WT
区域之间的并集，得到并集
WT
区域；根据所述交集
WT
区域和所述并集
WT
区域，得到待分类的
WT
区域
。
[0014]优选地，对所述待分类的
WT
区域进行属性向量的标记
、
校准和分类，得到
WT
图像，包括：获取所述待分类的
WT
区域对应的
T2
三维重构图像和
T1
三维重构图像；针对所述待分类的
WT
区域内的每个像素点，确定该像素点在
Flair
三维重构图像
、T1
三维重构图像和
T2
三维重构图像中的属性值，形成属性向量；根据预设的标准属性向量，校准所述属性向量；将所述待分类的
WT
区域内校准后的每个像素点属性向量与预设的水肿属性向量对比，确定水肿区域和正常组织区域；根据所述交集
WT
区域和待分类的
WT
区域内的水肿区域，得到
WT
图像
。
[0015]优选地，确定该像素点在
Flair
三维重构图像
、T1
三维重构图像和
T2
三维重构图像中的属性值，形成属性向量，包括：判断该像素点在
Flair<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种肿瘤图像分割方法，其特征在于，包括：获取针对肿瘤的磁共振序列原始图像；根据所述磁共振序列原始图像，得到
T1 CE
三维重构图像和
Flair
三维重构图像；根据所述
T1 CE
三维重构图像，得到多组对比增强序列减影图像；去除所述对比增强序列减影图像中的噪声，得到多组对比增强区域图像；合并所述多组对比增强区域图像，得到叠加图像；通过全局阈值分割法，对所述叠加图像进行分割，得到
ET
图像；将所述
T1 CE
三维重构图像内的
ET
区域映射到所述
Flair
三维重构图像中，得到所述
ET
区域对应的
Flair
映射区域；在所述
Flair
映射区域内进行多种子点的区域生长分割，得到每个种子点对应的
WT
区域；根据每个种子点对应的
WT
区域，得到待分类的
WT
区域；对所述待分类的
WT
区域进行属性向量的标记
、
校准和分类，得到
WT
图像
。2.
根据权利要求1所述的肿瘤图像分割方法，其特征在于，所述
T1 CE
三维重构图像包括
T1 CE
三维重构蒙片图像和
T1 CE
三维重构增强图像；根据所述
T1 CE
三维重构图像，得到多组对比增强序列减影图像，包括：针对每张
T1 CE
三维重构增强图像，确定该每张
T1 CE
三维重构增强图像与所述
T1 CE
三维重构蒙片图像之间对应的像素点，并将对应的像素点做相减处理，得到多组对比增强序列减影图像
。3.
根据权利要求1所述的肿瘤图像分割方法，其特征在于，去除所述对比增强序列减影图像中的噪声，得到多组对比增强区域图像，包括：通过所述全局阈值分割法，去掉所述对比增强序列减影图像中的噪声；通过腐蚀的方法，去掉所述对比增强序列减影图像中的杂散高信号；通过膨胀的方法，对所述对比增强序列减影图像进行修复，得到多组对比增强区域图像
。4.
根据权利要求2所述的肿瘤图像分割方法，其特征在于，通过全局阈值分割法，对所述叠加图像进行分割，得到
ET
图像，包括：在所述叠加图像中，确定像素值超过预设的第一阈值的像素点；将像素值超过预设的第一阈值的像素点形成的图像，作为
ET
图像
。5.
根据权利要求1所述的肿瘤图像分割方法，其特征在于，在所述
Flair
映射区域内进行多种子点的区域生长分割，得到每个种子点对应的
WT
区域，包括：在所述
Flair
映射区域内选取若干个像素点作为种子点；针对每个种子点，以该种子点作为区域生长的起点，分割出该种子点对应的
WT
区域，其中，所述每个种子点对应的
WT
区域之间具有差异化
。6.
根据权利要求5所述的肿瘤图像分割方法，其特征在于，在所述
Flair
映射区域内选取若干个像素点作为种子点，包括：在所述
Flair
映射区域中像素平均值最大的区域内选取中心点作为种子点；在所述
Flair
映射区域中像素标准差最大的区域内选取中心点作为种子点；在所述
Flair
映射区域中像素标准差最小的区域内选取中心点作为种子点
。
7.
根据权利要求1所述的肿瘤图像分割方法，其特征在于，根据每个种子点对应的
WT
区域，得到待分类的
WT
区域，包括：确定每个种子点对应的
WT
区域之间的交集，得到交集
WT
区域；...

【专利技术属性】
技术研发人员：李鹏宇，
申请(专利权)人：北京智源人工智能研究院，
类型：发明
国别省市：