医学图像处理_医学图像处理案例(十九)——肺部气管分割案例

在前面的文章中,已经分享过肺部气管分割案例,当时是采用区域生长方法来实现气管分割的,今天我将分享另外一种方法来对肺部气管分割并生成三维模型的案例。

一、VESSEL12挑战赛简介

1b1950233f7f97e24ab8ac3d766fde15.png

今天用到的数据来自公开数据集VESSEL12《VESsel SEgmentation in the Lung 2012》。该挑战赛的任务是从肺部CT图像中采用自动或半自动方法来分割出肺部血管区域图像。但是该挑战赛提供的数据只有原始CT图像和肺部区域Mask图像。详情内容可以访问原文链接。

二、VESSEL12的肺分割

这里可以直接使用挑战赛中提供的Mask来跳过这一步处理操作。但是在这里,我们再回顾一下之前的内容医学图像处理案例(一)——基于CT图像的肺分割,肺分割主要步骤有六步:(1)、观察图像发现有噪声,采用中值滤波器滤除噪声,(2)、采用大津阈值法进行分割,(3)、去除背景目标,(4)、尽量去除噪声信息,(5)、重构肺轮廓边缘,(6)、得到肺组织区域。

医学图像处理_医学图像处理案例(十九)——肺部气管分割案例_第1张图片

从上面原始CT图像上可以看到噪声比较大,对后面肺分割会有影响,这里采用中值滤波的方法来预处理,可以看到噪声基本被抑制了,但是血管信息也被抑制了,不过这没关系,这一步只是为了得到肺部整个区域。

医学图像处理_医学图像处理案例(十九)——肺部气管分割案例_第2张图片

最后得到肺部区域图像如下所示。

医学图像处理_医学图像处理案例(十九)——肺部气管分割案例_第3张图片

三、VESSEL12的肺部气管分割提取

之前文章也说过可以采用Hessian矩阵来增强血管区域,医学图像处理案例(六)——生成血管三维模型所以这里利用Hessian矩阵是多维变量函数的二阶偏导数矩阵,根据其特征值的属性来检测管状类的结构,例如三维Hessian的特征值有lambda_1,lambda_2和lambda_3。 明亮的管状结构有 低的lambda_1和大的lambda_2和lambda_3负值。 相反, 暗管状结构时lambda_1值较低,lambda_2和lambda_3的正值较大。 明亮的板状结构具有较低的lambda_1和lambda_2值以及较大的lambda_3负值。暗的板状结构具有较低的lambda_1和lambda_2值以及较大的lambda_3正值。明亮的球形(斑点)结构具有所有三个特征值都是较大的负数。暗的球形(斑点)结构将具有三个特征值都是较大的正数。所以我们可以通过选择特征值来增强气管区域。 增强后的气管区域还需要阈值分割处理,如下图所示。

医学图像处理_医学图像处理案例(十九)——肺部气管分割案例_第4张图片

四、VESSEL12的肺部气管区域后处理

从上图可以很明显的看到气管区域被明显增强了,但是也有一些不是气管的区域也被增强了,接下来就需要去除这些多余的部分。这一步采用最大连通域方法来对增强后的图像进行处理,结果如下图所示,可以看到只剩下特征明显的气管区域图像了。

医学图像处理_医学图像处理案例(十九)——肺部气管分割案例_第5张图片

最后,我们将该区域与原始图像进行结合,生成肺部气管三维模型结果。

医学图像处理_医学图像处理案例(十九)——肺部气管分割案例_第6张图片

你可能感兴趣的:(医学图像处理)