CN105701799B - 从肺部掩膜影像中分割肺血管的方法和装置 - Google Patents

Abstract

本发明提出一种从肺部掩膜影像中分割肺血管的方法和装置，该从肺部掩膜影像中分割肺血管的方法包括计算肺部掩膜影像中多个体素中的每个体素在血管尺度范围中不同血管尺度下的血管相似性函数的响应值，并将响应值作为每个体素在不同血管尺度下的肺部血管影像；获取肺部掩膜影像中每个体素的目标血管尺度，并获取每个体素的目标血管尺度对应的肺部血管影像，以作为每个体素的目标肺部血管影像；将多个体素的目标肺部血管影像进行融合，并获取融合后的目标肺部血管影像。通过本发明能够有效提升从肺部掩膜影像中分割肺血管的精确度，以及提升从肺部掩膜影像中分割肺血管的效果。

Description

从肺部掩膜影像中分割肺血管的方法和装置

技术领域

本发明涉及分割肺血管技术领域，尤其涉及一种从肺部掩膜影像中分割肺血管的方法和装置。

背景技术

精确的肺血管分割是肺部计算机辅助检测与诊断(CAD)系统中的重要步骤，肺栓塞自动识别与检测中需要先提取肺血管组织以缩小病灶检测的范围，肺癌的早期检测与诊断中去除肺血管干扰以降低肺结节检测的假阳性，手术导航中利用肺血管的分布引导肺叶分割。但是，肺血管呈现错综复杂的树形结构，肺内包含23级分支，管径在20微米至15毫米范围内变化。在CT影像上，肺血管因内部充盈血液而总体上显示高密度影，但灰度分布并不均匀，尤其细小血管受部分容积效应的影响较大。肺血管周围充满粘液的气管、肺结节和一些高密病变都会干扰肺血管提取的准确性。肺血管的几何模型(Geometry Models)是指血管具有细长、管状、树状分布的形状特点的先验知识。Hessian矩阵特征分析方法可有效的识别球形对象、圆柱形对象、片状对象，是一类利用血管的几何模型来进行血管分割的典型方法。

相关技术中的基于Hessian矩阵特征值分析的多尺度血管滤波器，采用所有尺度血管相似函数的最大值作为尺度选择的结果。这种方式下，在肺血管的分叉连接处响应较弱，经阈值化分割后容易造成血管不连续。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种从肺部掩膜影像中分割肺血管的方法，能够有效提升从肺部掩膜影像中分割肺血管的精确度，以及提升从肺部掩膜影像中分割肺血管的效果。

本发明的另一个目的在于提出一种从肺部掩膜影像中分割肺血管的装置。

为达到上述目的，本发明第一方面实施例提出的从肺部掩膜影像中分割肺血管的方法，包括：计算肺部掩膜影像中多个体素中的每个体素在血管尺度范围中不同血管尺度下的血管相似性函数的响应值，并将所述响应值作为所述每个体素在不同血管尺度下的肺部血管影像；获取所述肺部掩膜影像中每个体素的目标血管尺度，并获取所述每个体素的目标血管尺度对应的肺部血管影像，以作为所述每个体素的目标肺部血管影像；将所述多个体素的目标肺部血管影像进行融合，并获取融合后的目标肺部血管影像。

本发明第一方面实施例提出的从肺部掩膜影像中分割肺血管的方法，通过计算肺部掩膜影像中的每个体素在血管尺度范围中不同血管尺度下的血管相似性函数的响应值，将响应值作为肺部血管影像，并获取肺部掩膜影像中每个体素的目标肺部血管影像，以及将多个体素的目标肺部血管影像进行融合，能够有效提升从肺部掩膜影像中分割肺血管的精确度，以及提升从肺部掩膜影像中分割肺血管的效果。

为达到上述目的，本发明第二方面实施例提出的从肺部掩膜影像中分割肺血管的装置，包括：计算模块，用于计算肺部掩膜影像中多个体素中的每个体素在血管尺度范围中不同血管尺度下的血管相似性函数的响应值，并将所述响应值作为所述每个体素在不同血管尺度下的肺部血管影像；获取模块，用于获取所述肺部掩膜影像中每个体素的目标血管尺度，并获取所述每个体素的目标血管尺度对应的肺部血管影像，以作为所述每个体素的目标肺部血管影像；融合模块，用于将所述多个体素的目标肺部血管影像进行融合，并获取融合后的目标肺部血管影像。

本发明第二方面实施例提出的从肺部掩膜影像中分割肺血管的装置，通过计算肺部掩膜影像中的每个体素在血管尺度范围中不同血管尺度下的血管相似性函数的响应值，将响应值作为肺部血管影像，并获取肺部掩膜影像中每个体素的目标肺部血管影像，以及将多个体素的目标肺部血管影像进行融合，能够有效提升从肺部掩膜影像中分割肺血管的精确度，以及提升从肺部掩膜影像中分割肺血管的效果。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明一实施例提出的从肺部掩膜影像中分割肺血管的方法的流程示意图；

图2是本发明另一实施例提出的从肺部掩膜影像中分割肺血管的方法的流程示意图；

图3a是局部肺部掩膜影像原始图像示意图；

图3b是血管尺度σ为0.5mm时滤波后的肺部血管影像示意图；

图3c是血管尺度σ为0.75mm时滤波后的肺部血管影像示意图；

图4是本发明实施例中肺血管分割三维可视化效果图；

图5是本发明另一实施例提出的从肺部掩膜影像中分割肺血管的装置的结构示意图；

图6是本发明另一实施例提出的从肺部掩膜影像中分割肺血管的装置的结构示意图；

图7是本发明另一实施例提出的从肺部掩膜影像中分割肺血管的装置的结构示意图；

图8是本发明另一实施例提出的从肺部掩膜影像中分割肺血管的装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。

图1是本发明一实施例提出的从肺部掩膜影像中分割肺血管的方法的流程示意图，该从肺部掩膜影像中分割肺血管的方法包括：

S101：计算肺部掩膜影像中多个体素中的每个体素在血管尺度范围中不同血管尺度下的血管相似性函数的响应值，并将响应值作为每个体素在不同血管尺度下的肺部血管影像。

可选地，肺部掩膜影像可以采用现有技术对肺部影像进行预处理获取到，在此不再赘述。

在本发明的实施例中，肺部影像可以为肺部的三维CT影像，通过对肺部影像进行预处理得到肺部掩膜影像，并根据肺部掩膜影像中多个体素对肺血管进行分割，能够避免肺部影像中与肺血管不相关的体素的干扰，提升肺血管分割的效率。

其中，肺部的三维CT影像是通过电子计算机断层扫描(Computed Tomography，CT)扫描出的人体肺部的影像。

体素是体积元素的简称，是数字数据于三维空间分割上的最小单位，体素用于三维成像、科学数据与医学影像等领域。

在本发明的实施例中，体素指肺部掩膜影像中肺血管的体积元素。

在本发明的实施例中，血管尺度范围为肺部掩膜影像中的每个体素所在的位置的肺血管可能的尺度，血管尺度范围可以由用户预先指定，例如，血管尺度范围为σ∈{σ₁,...,σ_i,...,σ_k}，i属于1～k，k的取值为1～N，N为正整数。

可选地，可以计算每个体素在血管尺度范围中每个血管尺度下的血管相似性函数的响应值，并将响应值作为每个体素在每个血管尺度下的肺部血管影像。

例如，血管尺度范围为(A，B，C)，则需要计算体素1在A，B，C三种血管尺度下的血管相似性函数的响应值，以及计算体素2在A，B，C三种血管尺度下的血管相似性函数的响应值，以此类推，计算肺部掩膜影像中的每个体素在A，B，C三种血管尺度下的血管相似性函数的响应值。

血管相似性函数也可被称为血管滤波器，血管滤波器例如，Frangi滤波器，或者分数阶微分滤波器，本发明实施例对此不作限制。

S102：获取肺部掩膜影像中的每个体素的目标血管尺度，并获取每个体素的目标血管尺度对应的肺部血管影像，以作为每个体素的目标肺部血管影像。

可选地，可以根据基于多标记马尔科夫随机场(Markov Random Field，MRF)优化方法获取肺部掩膜影像中每个体素的目标血管尺度。

在本发明的实施例中，获取每个体素的目标血管尺度，即血管尺度选择，是为每个体素在血管尺度范围σ∈{σ₁,...,σ_i,...,σ_k}中选择一个最接近该体素所在肺血管真实尺度的血管尺度，作为目标血管尺度，其中，i属于1～k，k的取值为1～N，N为正整数。

其中，基于多标记MRF优化方法对肺部掩膜影像中的每个体素均进行血管尺度选择，基于多标记MRF优化方法是将血管尺度选择问题看作图的划分问题，血管尺度选择问题可以用图论方法(如:最小割)求解。

在本发明的实施例中，基于多标记MRF优化方法是一种基于图论的能量最小化方法，它的主要思想是将肺部掩膜影像的体素映射为加权图的顶点，将邻接体素之间的关系映射为加权图的边，以及将邻接体素之间的相似性映射为边的权值，以得到肺部掩膜影像的加权图，建立加权图的能量模型，通过最小化能量模型完成对图的切割。

在本发明的实施例中，目标血管尺度为用户预先指定的血管尺度范围中的一个血管尺度，每个体素的目标血管尺度最接近当前体素所在位置的肺血管真实尺度，肺部掩膜影像中的每个体素对应一个目标血管尺度，肺部掩膜影像中不同的体素可以对应不同，或者相同的目标血管尺度。

在本发明的实施例中，每个体素的目标肺部血管影像对应该体素的目标血管尺度，每个体素的目标血管尺度对应的目标肺部血管影像由步骤S101获取得到。

S103：将多个体素的目标肺部血管影像进行融合，并获取融合后的目标肺部血管影像。

在本发明的实施例中，可以将肺部掩膜影像中多个体素中每个体素的目标肺部血管影像进行融合，以获取融合后的目标肺部血管影像。

例如，肺部掩膜影像中包含体素1、体素2，以及体素3，且体素1的目标肺部血管影像为P1，体素2的目标肺部血管影像为P2，以及体素3的目标肺部血管影像为P3，则将目标肺部血管影像P1、目标肺部血管影像P2，以及目标肺部血管影像P3进行融合，以获取融合后的目标肺部血管影像P，以此类推。

本实施例中，通过计算肺部掩膜影像中的每个体素在血管尺度范围中不同血管尺度下的血管相似性函数的响应值，将响应值作为肺部血管影像，并获取肺部掩膜影像中每个体素的目标肺部血管影像，以及将多个体素的目标肺部血管影像进行融合，能够有效提升从肺部掩膜影像中分割肺血管的精确度，以及提升从肺部掩膜影像中分割肺血管的效果。

图2是本发明另一实施例提出的从肺部掩膜影像中分割肺血管的方法的流程示意图，该从肺部掩膜影像中分割肺血管的方法包括：

S201：对肺部影像进行预处理，以获取肺部掩膜影像。

可选地，可以采用现有技术对肺部影像进行预处理，以获取肺部掩膜影像。

在本发明的实施例中，肺部影像可以为肺部的三维CT影像，通过对肺部影像进行预处理得到肺部掩膜影像，并根据肺部掩膜影像中多个体素对肺血管进行分割，能够避免肺部影像中与肺血管不相关的体素的干扰，提升肺血管分割的效率。

S202：计算肺部掩膜影像中多个体素中的每个体素在血管尺度范围中不同血管尺度下的血管相似性函数的响应值，并将响应值作为每个体素在不同血管尺度下的肺部血管影像。

可选地，可以采用现有技术对肺部掩膜影像的灰度级函数在某个体素的位置参数p₀处的邻域泰勒展开式来分析得到Hessian矩阵特征值，并根据血管相似性函数计算每个体素在血管尺度范围中不同血管尺度下的血管相似性函数的响应值，并将响应值作为每个体素在不同血管尺度下的肺部血管影像，其中，血管相似性函数也可被称为血管滤波器，血管滤波器例如，Frangi滤波器，或者分数阶微分滤波器，本发明实施例对此不作限制。

图3是不同血管尺度下肺部血管影像滤波效果图，其中，图3a是局部肺部掩膜影像原始图像示意图，图3b是血管尺度σ为0.5mm时滤波后的肺部血管影像示意图，图3c是血管尺度σ为0.75mm时滤波后的肺部血管影像示意图，从图3b、图3c中可以看出当采用较小血管尺度时，血管相似性函数可检测出较细的肺血管，而当采用较大血管尺度时，血管相似性函数可检测出较粗的肺血管，在一定血管尺度范围内，血管相似性函数对不同粗细的肺血管均有响应值。

S203：将肺部掩膜影像的体素映射为加权图的顶点，将邻接体素之间的关系映射为加权图的边，以及将邻接体素之间的相似性映射为边的权值，以得到肺部掩膜影像的加权图。

在本发明的实施例中，可以将肺部掩膜影像I(x,y,z)映射为加权图G(V,E)，加权图中的顶点v∈V对应肺部掩膜影像I(x,y,z)中的体素，加权图中的边标识任意两个体素(p,q)的邻接关系，边的权重标识体素之间的差异性，如灰度、位置等。

通过将肺部掩膜影像映射为加权图，将目标血管尺度选择问题看作加权图的划分问题，对肺部掩膜影像局部区域属性进行空间约束，可获取全局优化的血管尺度分布。

S204：建立加权图的能量模型，并获取使能量模型取得能量最小值时的标记。

在本发明的实施例中，能量模型的表达式如下所示：

其中，为数据项，为光滑项，η为调节分割时体素自身能量和相邻体素连接能量的权重，f_p为分配给肺部掩膜影像中位置参数为p的体素的标记，向量f对应肺部掩膜影像的分割结果。

在本发明的实施例中，数据项设置为：

其中，σ_i为血管尺度范围中的第i个血管尺度，为位置参数为p的体素的血管相似性函数的响应值中，最大的血管相似性函数的响应值，j＝0，…，k，k的取值为1～N，N为正整数，L(p,σ_i)为位置参数为p的体素在血管尺度σ_i下的血管相似性函数的响应值；

光滑项设置为：

其中，f_p为分配给肺部掩膜影像中位置参数为p的体素的标记，f_q为分配给肺部掩膜影像中位置参数为q的体素的标记。

在能量模型中，光滑项定义了相邻体素间的相互作用，可以是标记的函数也可以是基础数据的函数或者，也可以是标记和基础数据的函数由于相邻体素通常分配相似，或者相等的标记，常用的光滑项有标记的函数例如|f_p-f_q|，(f_p-f_q)²，min{T,|f_p-f_q|}，min{T,(f_p-f_q)²}等，基础数据的函数例如exp(-(I(p)-I(q))²)，在min{T,|f_p-f_q|}，min{T,(f_p-f_q)²}中，T为阈值，由用户根据经验选定，本发明实施例对此不作限制。

具体地，根据肺部掩膜影像中位置参数为p的体素在多个血管尺度下的血管相似性函数的响应值中，最大的血管相似性函数的响应值，以及位置参数为p的体素在血管尺度σ_i下的血管相似性函数的响应值获取与血管尺度σ_i对应的数据项，并根据分配给肺部掩膜影像中位置参数为p的体素的标记f_p和分配给位置参数为q的体素的标记f_q获取光滑项，通过计算E(f)，以获取使能量模型取得能量最小值时的标记，i为血管尺度的索引，i＝0，…，k，k的取值为1～N，N为正整数。

S205：将标记对应的血管尺度作为肺部掩膜影像中每个体素的目标血管尺度。

在本发明的实施例中，获取每个体素的目标血管尺度，即血管尺度选择，是为每个体素在血管尺度范围σ∈{σ₁,...,σ_i,...,σ_k}中选择一个最接近该体素所在肺血管真实尺度的血管尺度，作为目标血管尺度，其中，i属于1～k，k的取值为1～N，N为正整数。

基于多标记MRF优化方法是基于最大流最小割方法求解能量最小值，使图的割集的代价正好等于给定的能量模型。最大流最小割方法主要包括两大类：推进重标记(Pushrelabel)方法和增广路径(Augmenting paths)方法，本发明实施例中采用Boykov提出的改进的增广路径方法能够在多项式时间内逼近多标记问题的最优解，本发明实施例对此不作限制。

在本发明的实施例中，步骤S204中定义的能量模型E(f)，求解能量模型E(f)的最小值转化为求图G(V,E)的最小割集。最小割集对应的二值向量所确定的分割结果就是肺部掩膜影像分割结果。

在本发明的实施例中，通过基于多标记MRF优化方法获取每个体素在不同的血管尺度中使肺部掩膜影像的能量模型取得能量最小值的血管尺度，以得到每个体素的目标肺部血管影像，针对邻居体素的关系进行建模，因而具有相似结构邻居体素的血管相似性函数的响应值和目标血管尺度可能不尽相同，有效提升肺血管分割的精确度。

S206：获取每个体素的目标血管尺度对应的肺部血管影像，以作为每个体素的目标肺部血管影像。

在本发明的实施例中，可以在每个体素在不同血管尺度下的肺部血管影像中抽取出与目标血管尺度对应的肺部血管影像，得到每个体素的目标肺部血管影像。

S207：将多个体素的目标肺部血管影像进行融合，并获取融合后的目标肺部血管影像。

具体地，将步骤S206中抽取出的每个体素的目标肺部血管影像进行融合，以获取融合后的目标肺部血管影像。

S208：判断融合后的目标肺部血管影像中的每个体素的血管相似性函数的响应值是否小于预设阈值，若是，则执行步骤S209，否则执行步骤S210。

本步骤中是通过根据血管相似性函数的响应阈值对融合后的目标肺部血管影像进行基于阈值和连通度分析的处理，对于密度低的体素和肺血管的血管相似性函数响应值低时，采用更低的血管相似性函数的响应阈值，可以分割出更多的细支肺血管。

其中，预设阈值通过第二函数计算获得，第二函数为：

其中，p为每个体素的位置参数，σ_p为位置参数为p的体素的目标血管尺度，T(σ_p)为血管相似性函数的响应阈值，t_σ为血管尺度阈值，n为血管尺度范围中血管尺度小于t_σ的血管尺度的个数，i为血管尺度的索引，i＝0，…，k，k的取值为1～N，N为正整数，T_min和T_max为用户指定的管状特征响应强度阈值，T_min例如可以设置为0.05，T_max例如可以设置为0.15。

S209：将体素的第一函数值设置为0。

其中，第一函数为：

其中，p为每个体素的位置参数，σ_p为位置参数为p的体素的目标血管尺度，V_seg(L(p,σ_p),σ_p)为肺血管分割判别函数，L(p,σ_p)为位置参数为p的体素在目标血管尺度σ_p下的血管相似性函数的响应值，T(σ_p)为预设阈值。

S210：将体素的第一函数值设置为1。

在本发明的实施例中，如下表1所示，将肺血管分割结果与金标准比较，分割的准确性由三个定量评估指标描述：ROC(Receiver Operating Characteristic)曲线下的面积(AZ)、特异性(Specificity)和敏感性(Sensitivity)。

表1

本发明实施例中肺血管分割效果如图4所示，图4是本发明实施例中肺血管分割三维可视化效果图，图4可以看出本发明能较好的分割出图像中的细节部分，并且不容易受小噪声的干扰，在肺裂缝部分呈现出血管较少的解剖特点。

本实施例中，通过对肺部影像进行预处理得到肺部掩膜影像，并根据肺部掩膜影像中多个体素对肺血管进行分割，能够避免肺部影像中与肺血管不相关的体素的干扰，提升肺血管分割的效率。通过基于多标记MRF优化方法获取每个体素在不同血管尺度中使肺部掩膜影像的能量模型取得能量最小值的血管尺度，以得到每个体素的目标肺部血管影像，通过将肺部掩膜影像映射为加权图，将目标血管尺度选择问题看作加权图的划分问题，对肺部掩膜影像局部区域属性进行空间约束，可获取全局优化的血管尺度分布。通过根据血管相似性函数的响应阈值对融合后的目标肺部血管影像进行基于阈值和连通度分析的处理，对于密度低的体素和肺血管的血管相似性函数响应值低时，采用更低的血管相似性函数的响应阈值，可以分割出更多的细支肺血管。通过计算肺部掩膜影像中的每个体素在血管尺度范围中不同血管尺度下的血管相似性函数的响应值，将响应值作为肺部血管影像，并获取肺部掩膜影像中每个体素的目标肺部血管影像，以及将多个体素的目标肺部血管影像进行融合，能够有效提升从肺部掩膜影像中分割肺血管的精确度，以及提升从肺部掩膜影像中分割肺血管的效果。

图5是本发明另一实施例提出的从肺部掩膜影像中分割肺血管的装置的结构示意图，该从肺部掩膜影像中分割肺血管的装置50包括计算模块501，用于计算肺部掩膜影像中多个体素中的每个体素在血管尺度范围中不同血管尺度下的血管相似性函数的响应值，并将响应值作为每个体素在不同血管尺度下的肺部血管影像；获取模块502，用于获取肺部掩膜影像中每个体素的目标血管尺度，并获取每个体素的目标血管尺度对应的肺部血管影像，以作为每个体素的目标肺部血管影像；融合模块503，用于将多个体素的目标肺部血管影像进行融合，并获取融合后的目标肺部血管影像。

计算模块501，用于计算肺部掩膜影像中多个体素中的每个体素在血管尺度范围中不同血管尺度下的血管相似性函数的响应值，并将响应值作为每个体素在不同血管尺度下的肺部血管影像。

获取模块502，用于获取肺部掩膜影像中每个体素的目标血管尺度，并获取每个体素的目标血管尺度对应的肺部血管影像，以作为每个体素的目标肺部血管影像。

可选地，如图6所示，获取模块502具体包括：

目标血管尺度获取子模块5021，用于根据基于多标记马尔科夫随机场优化方法获取肺部掩膜影像中每个体素的目标血管尺度。

可选地，如图7所示，目标血管尺度获取子模块5021包括：

加权图映射单元50211，用于对肺部掩膜影像进行加权图映射处理，以得到肺部掩膜影像的加权图。

可选地，加权图映射单元50211具体用于：

将肺部掩膜影像的体素映射为加权图的顶点，将邻接体素之间的关系映射为加权图的边，以及将邻接体素之间的相似性映射为边的权值，以得到肺部掩膜影像的加权图。

能量模型建立单元50212，用于建立加权图的能量模型，并获取使能量模型取得能量最小值时的标记。

可选地，加权图的能量模型为：

其中，为数据项，为光滑项，η为调节分割时体素自身能量和相邻体素连接能量的权重，f_p为分配给肺部掩膜影像中位置参数为p的体素的标记，向量f对应肺部掩膜影像的分割结果。

可选地，数据项设置为：

其中，σ_i为血管尺度范围中的第i个血管尺度，为位置参数为p的体素的血管相似性函数的响应值中，最大的血管相似性函数的响应值，j＝0，…，k，k的取值为1～N，N为正整数，L(p,σ_i)为位置参数为p的体素在血管尺度σ_i下的血管相似性函数的响应值；

光滑项设置为：

其中，f_p为分配给肺部掩膜影像中位置参数为p的体素的标记，f_q为分配给肺部掩膜影像中位置参数为q的体素的标记。

获取单元50213，用于将标记对应的血管尺度作为肺部掩膜影像中每个体素的目标血管尺度。

目标肺部血管影像获取子模块5022，用于获取每个体素的目标血管尺度对应的肺部血管影像，以作为每个体素的目标肺部血管影像。

融合模块503，用于将多个体素的目标肺部血管影像进行融合，并获取融合后的目标肺部血管影像。

可选地，如图8所示，该从肺部掩膜影像中分割肺血管的装置50还包括：

比较模块504，用于将融合后的目标肺部血管影像中的每个体素的血管相似性函数的响应值与预设阈值进行比较。

可选地，预设阈值通过第二函数计算获得，第二函数为：

其中，p为每个体素的位置参数，σ_p为位置参数为p的体素的目标血管尺度，T(σ_p)为血管相似性函数的响应阈值，t_σ为血管尺度阈值，n为血管尺度范围中血管尺度小于t_σ的血管尺度的个数，i为血管尺度的索引，i＝0，…，k，k的取值为1～N，N为正整数，T_min和T_max为用户指定的管状特征响应强度阈值。

设置模块505，用于在目标肺部血管影像中的每个体素的血管相似性函数的响应值小于预设阈值时，将体素的第一函数值设置为0，在目标肺部血管影像中的每个体素的血管相似性函数的响应值大于或等于预设阈值时，将体素的第一函数值设置为1。

可选地，第一函数为：

其中，p为每个体素的位置参数，σ_p为位置参数为p的体素的目标血管尺度，V_seg(L(p,σ_p),σ_p)为肺血管分割判别函数，L(p,σ_p)为位置参数为p的体素在目标血管尺度σ_p下的血管相似性函数的响应值，T(σ_p)为预设阈值。

可选地，如图8所示，该从肺部掩膜影像中分割肺血管的装置50还包括：

预处理模块506，用于对肺部影像进行预处理，以获取肺部掩膜影像。

需要说明的是，前述对肺血管的分割方法实施例的解释说明也适用于该实施例的肺血管的分割装置50，其实现原理类似，此处不再赘述。

本实施例中，通过计算肺部掩膜影像中的每个体素在血管尺度范围中不同血管尺度下的血管相似性函数的响应值，将响应值作为肺部血管影像，并获取肺部掩膜影像中每个体素的目标肺部血管影像，以及将多个体素的目标肺部血管影像进行融合，能够有效提升从肺部掩膜影像中分割肺血管的精确度，以及提升从肺部掩膜影像中分割肺血管的效果。

需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (16)

1.一种从肺部掩膜影像中分割肺血管的方法，其特征在于，包括以下步骤：

计算肺部掩膜影像中多个体素中的每个体素在血管尺度范围中不同血管尺度下的血管相似性函数的响应值，并将所述响应值作为所述每个体素在不同血管尺度下的肺部血管影像；

获取所述肺部掩膜影像中每个体素的目标血管尺度，并获取所述每个体素的目标血管尺度对应的肺部血管影像，以作为所述每个体素的目标肺部血管影像；

将所述多个体素的目标肺部血管影像进行融合，并获取融合后的目标肺部血管影像。

2.如权利要求1所述的从肺部掩膜影像中分割肺血管的方法，其特征在于，其中，根据基于多标记马尔科夫随机场优化方法获取所述肺部掩膜影像中每个体素的目标血管尺度。

3.如权利要求2所述的从肺部掩膜影像中分割肺血管的方法，其特征在于，所述根据基于多标记马尔科夫随机场优化方法获取所述肺部掩膜影像中每个体素的目标血管尺度，包括：

对所述肺部掩膜影像进行加权图映射处理，以得到所述肺部掩膜影像的加权图；

建立所述加权图的能量模型，并获取使所述能量模型取得能量最小值时的标记；

将所述标记对应的血管尺度作为所述肺部掩膜影像中每个体素的目标血管尺度。

4.如权利要求3所述的从肺部掩膜影像中分割肺血管的方法，其特征在于，所述对所述肺部掩膜影像进行加权图映射处理，以得到肺部掩膜影像的加权图，包括：

将所述肺部掩膜影像的体素映射为所述加权图的顶点，将邻接体素之间的关系映射为所述加权图的边，以及将所述邻接体素之间的相似性映射为所述边的权值，以得到所述肺部掩膜影像的加权图。

5.如权利要求3所述的从肺部掩膜影像中分割肺血管的方法，其特征在于，所述加权图的能量模型为：

其中，为数据项，为光滑项，η为调节分割时体素自身能量和相邻体素连接能量的权重，f_p为分配给所述肺部掩膜影像中位置参数为p的体素的标记，向量f对应所述肺部掩膜影像的分割结果。

6.如权利要求5所述的从肺部掩膜影像中分割肺血管的方法，其特征在于，其中，所述数据项设置为：

其中，σ_i为血管尺度范围中的第i个血管尺度，为位置参数为p的体素的血管相似性函数的响应值中，最大的血管相似性函数的响应值，j＝0，…，k，k的取值为1～N，N为正整数，L(p,σ_i)为位置参数为p的体素在血管尺度σ_i下的血管相似性函数的响应值；

所述光滑项设置为：

其中，f_p为分配给所述肺部掩膜影像中位置参数为p的体素的标记，f_q为分配给所述肺部掩膜影像中位置参数为q的体素的标记。

7.如权利要求1所述的从肺部掩膜影像中分割肺血管的方法，其特征在于，在获取融合后的目标肺部血管影像之后，还包括：

将所述融合后的目标肺部血管影像中的每个体素的所述血管相似性函数的响应值与预设阈值进行比较；

如果小于所述预设阈值，则将所述体素的第一函数值设置为0；

如果大于或等于所述预设阈值，则将所述体素的第一函数值设置为1。

8.如权利要求7所述的从肺部掩膜影像中分割肺血管的方法，其特征在于，所述第一函数为：

其中，p为所述每个体素的位置参数，σ_p为位置参数为p的体素的目标血管尺度，V_seg(L(p,σ_p),σ_p)为肺血管分割判别函数，L(p,σ_p)为位置参数为p的体素在目标血管尺度σ_p下的血管相似性函数的响应值，T(σ_p)为所述预设阈值。

9.如权利要求7所述的从肺部掩膜影像中分割肺血管的方法，其特征在于，所述预设阈值通过第二函数计算获得，所述第二函数为：

其中，p为所述每个体素的位置参数，σ_p为位置参数为p的体素的目标血管尺度，T(σ_p)为所述血管相似性函数的响应阈值，t_σ为血管尺度阈值，n为血管尺度范围中血管尺度小于t_σ的血管尺度的个数，i为血管尺度的索引，i＝0，…，k，k的取值为1～N，N为正整数，T_min和T_max为用户指定的管状特征响应强度阈值。

10.如权利要求1所述的从肺部掩膜影像中分割肺血管的方法，其特征在于，在所述计算肺部掩膜影像中多个体素中的每个在血管尺度范围中不同血管尺度下的血管相似性函数的响应值之前，还包括：

对肺部影像进行预处理，以获取所述肺部掩膜影像。

11.一种从肺部掩膜影像中分割肺血管的装置，其特征在于，包括：

计算模块，用于计算肺部掩膜影像中多个体素中的每个体素在血管尺度范围中不同血管尺度下的血管相似性函数的响应值，并将所述响应值作为所述每个体素在不同血管尺度下的肺部血管影像；

获取模块，用于获取所述肺部掩膜影像中每个体素的目标血管尺度，并获取所述每个体素的目标血管尺度对应的肺部血管影像，以作为所述每个体素的目标肺部血管影像；

融合模块，用于将所述多个体素的目标肺部血管影像进行融合，并获取融合后的目标肺部血管影像。

12.如权利要求11所述的从肺部掩膜影像中分割肺血管的装置，其特征在于，所述获取模块具体包括：

目标血管尺度获取子模块，用于根据基于多标记马尔科夫随机场优化方法获取所述肺部掩膜影像中每个体素的目标血管尺度；

目标肺部血管影像获取子模块，用于获取所述每个体素的目标血管尺度对应的肺部血管影像，以作为所述每个体素的目标肺部血管影像。

13.如权利要求12所述的从肺部掩膜影像中分割肺血管的装置，其特征在于，所述目标血管尺度获取子模块包括：

加权图映射单元，用于对所述肺部掩膜影像进行加权图映射处理，以得到所述肺部掩膜影像的加权图；

能量模型建立单元，用于建立所述加权图的能量模型，并获取使所述能量模型取得能量最小值时的标记；

获取单元，用于将所述标记对应的血管尺度作为所述肺部掩膜影像中每个体素的目标血管尺度。

14.如权利要求13所述的从肺部掩膜影像中分割肺血管的装置，其特征在于，所述加权图映射单元具体用于：

将所述肺部掩膜影像的体素映射为所述加权图的顶点，将邻接体素之间的关系映射为所述加权图的边，以及将所述邻接体素之间的相似性映射为所述边的权值，以得到所述肺部掩膜影像的加权图。

15.如权利要求11所述的从肺部掩膜影像中分割肺血管的装置，其特征在于，还包括：

比较模块，用于将所述融合后的目标肺部血管影像中的每个体素的所述血管相似性函数的响应值与预设阈值进行比较；

设置模块，用于在所述目标肺部血管影像中的每个体素的所述血管相似性函数的响应值小于所述预设阈值时，将所述体素的第一函数值设置为0，在所述目标肺部血管影像中的每个体素的所述血管相似性函数的响应值大于或等于所述预设阈值时，将所述体素的第一函数值设置为1。

16.如权利要求11所述的从肺部掩膜影像中分割肺血管的装置，其特征在于，还包括：

预处理模块，用于对肺部影像进行预处理，以获取所述肺部掩膜影像。