最优阈值生长和形态学结合的肺气道树分割方法

在肺气道树分割的过程中,由于部分容积效应和噪声污染的影响,容易出现支气管断裂和分割泄漏现象,因此不能分割出精确肺部气道树。为此本文提出一种最优阈值生长和形态学结合的气道树分割方法。首先利用最优阈值生长算法分割初略的肺部气道树,利用灰度重建的形态学算子提取潜在的精细肺气管区域,然后将上述两种分割结果合成一个完整的肺部气道树,最后利用种子点区域生长法去除结果中的伪气管区域,得到包含第5级以及约60%第6级的支气管。本方法有效解决了高精度肺气道树分割中的支气管断裂和泄漏问题,有较好的鲁棒性。

基于CT影像的肺组织分割方法综述

CT影像具有空间分辨率高的优点,是肺部疾病影像学诊断的首选方式。肺部病灶的检测和测量、肺功能的定量分析均需要精确的肺组织分割。为解决CT影像由于噪声、伪影、部分容积效应等干扰而导致的肺部各组织之间灰度交叠、边界模糊、难以分离的问题,系统地综述了针对肺部各个分割对象的有效解决方法。从肺实质分割、肺血管分割、肺气道分割、肺叶分割、肺结节分割以及肺部病变组织的分割等方面,详细分析了面临的挑战性问题和当前研究进展,并阐述了肺组织分割方法的发展趋势。

基于CT影像的肺组织分割及其功能定量分析

高精度的肺组织分割是肺功能定量分析的前提和基础,有利于慢性阻塞性肺病的辅助诊断.传统的肺组织分割方法没有去除肺轮廓内部的细支气管,且无法处理严重粘连的肺气肿病例.本文提出一种全自动的三维肺组织分割方法:首先采用带有错误检测机制的二维图像阈值选取和三维区域增长进行粗分割,得到肺气道和肺实质组成的肺部充气区域;然后结合阈值和气管形态分析分割肺气道树,在防止泄露的同时提取更多肺内细支气管;最后通过扫描线粘连定位和动态规划,实现前、后联合粘连的定位及左右肺分离.实验中分别采用20组EXACT09数据和20组VESSEL12数据对所提出的方法进行评价,结果显示提取的气道树平均分支数为131个,与医生标记的金标准比较分支检出率为54.09%;肺实质分割结果与数据集提供肺轮廓M ark比较,Jaccard系数为95.35%,平均绝对边界距离为0.89mm.结果表明,本文方法能够有效的提取肺组织,运行时间与传统方法相比在临床实际应用中具有一定优势.

基于并行空洞卷积的2.5D胸腔CT气道自动分割

目的构建一种基于人工神经网络深度学习的胸腔CT气道的自动分割方法,以提高临床诊疗效率并减轻放射医师工作负担。方法对公开的60例胸腔CT数据集随机选取11000张气道CT图像进行处理,构建并行空洞卷积的浅层U-Net的神经网络模型,融合胸腔CT的横断面、矢状面和冠状面三个维度的解剖信息和全局结构连通性实现对胸腔气道CT图像端到端的自动分割。在此基础上,将三个断面分割概率图三维重构后,通过搭建的2.5D网络模型来学习每个断面体素概率图的加权系数,融合三维信息,得到最终分割的气道树。随机选取7000张CT图作为训练集建立分割模型,1800张为验证集,2200张作为测试集进行预测,计算预测结果与真实标签的分割相似度(DSC)、准确率(TPR)、假阳性率(FPR)以及网络参数数量。结果该气道自动分割算法DSC为0.935,TPR为0.948,FPR为0.0001,网络参数数量为482,149;该方法的精确度均优于传统U-Net网络和现有的一些其他神经网络气道分割方法。结论本文提出的气道自动分割算法能有效的完成胸腔CT的气道自动分割,提高了自动分割的准确率,为胸部气道辅助诊断和自动化分割提供了参考。