CN103123666A - 肺灌注和通气断层显像定量分析软件 - Google Patents
肺灌注和通气断层显像定量分析软件 Download PDFInfo
- Publication number
- CN103123666A CN103123666A CN2012105192206A CN201210519220A CN103123666A CN 103123666 A CN103123666 A CN 103123666A CN 2012105192206 A CN2012105192206 A CN 2012105192206A CN 201210519220 A CN201210519220 A CN 201210519220A CN 103123666 A CN103123666 A CN 103123666A
- Authority
- CN
- China
- Prior art keywords
- image
- ventilation
- pulmonary
- perfusion
- tomography
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种放射性核素肺灌注和通气断层显像的图像分析软件,通过新研发的计算机软件,对肺通气显像断层图像和肺灌注显像断层图像进行三维配准,使两者在空间位置上达到较好的对应,因此,可以进行两者不匹配区域和匹配区域的识别及范围程度的确定,从而实现自动鉴别肺栓塞病变的部位,并能够自动识别病变肺组织的范围和体积,可以用于肺栓塞的定性和定量诊断及量化疗效评估。
Description
技术领域
本发明涉及一种放射性核素肺灌注和通气断层显像的定量分析软件,可以用于肺血栓栓塞症的定性诊断和病变范围及程度的定量分析。
背景技术
肺血栓栓塞症(简称肺栓塞)是一种严重危害人类健康的常见的肺血管疾病。未经治疗的肺栓塞患者死亡率高达30%。而经过正确的诊断和治疗,可以使肺栓塞的死亡率下降至2.5%。因此,及时准确的诊断是肺栓塞治愈的关键。肺灌注和通气显像是肺栓塞诊断的最常用的无创性影像学技术之一,广泛应用于临床。近年来,肺灌注和通气显像在技术上已经逐步从平面显像发展为断层显像,提高了诊断的敏感性和特异性。同时,由于断层显像技术的应用,为进一步从单纯的定性诊断向病变范围的定量检测提供了可能。然而,目前尚缺乏断层显像的图像分析软件,使肺栓塞的定量分析和量化疗效评价难以实现。
发明内容
为克服已有技术的缺点,本发明的目的在于提供一种能够自动识别肺栓塞病变并确定其病变范围和程度的肺灌注和通气显像定量分析软件。
为达到上述目的,本发明的主要技术方案如下:通过新研发的计算机软件,对肺通气显像断层图像和肺灌注显像断层图像进行三维配准,使两者在空间位置上达到较好的对应,因此,可以进行两者不匹配区域和匹配区域的识别及范围程度的确定,从而实现病变的定性和定量分析及量化疗效评估。
附图说明
图1 肺灌注和通气断层显像定量分析软件界面图;
图2 defect区域的统计信息结果图,图中数据包括体积和平均密度值。其中volume表示该defect区域的体积,单位cm3。Mean表示该区域的平均密度值。
具体实施方式
一. 软件功能
1.图像配准
通过软件可以对病人的图像进行配准融合,软件提供了两种配准方式:自动配准和手动配准。自动配准需要一段时间由系统根据图像数据进行自动的配准并将配准融合后的图像自动显示在规定的视图显示区域;手动配准是使用者利用自己手动操作的方式,通过手动移动图像的方式根据自己的视觉判断来完成两种视图的配准,然后通过点击完成按钮来结束手动配准的操作。
2.分析编辑
利用控制系统的函数将其进行分析渲染成二维或三维图像。在一定程度上,医生对病人的病情分析、病源查找和病情状况记录都可使用软件进行一些辅助操作,并可将最终的结果通过图片形式保存下来方便下次查阅以及对相同病人的数据比较。
(1)图像分析
在通过自动或者手动的配准之后,软件系统通过系统控制的函数将两张图片信息进行分析计算,融合之后得到分析之后的差异图像序列,并将图像生成并显示出来。此图像可以在后期被医生查阅、编辑或者在图片上进行一些标记的操作。
(2) 数据类型操作
提供多种标记类型的查看模式
a. 不显示任何标记情况下查看模式;
b. 在通气图像(V)中是高灰度,在灌注图像(P)中是低灰度的标记类型查看模式;
c. 在灌注图像(P)中是高灰度,在通气图像(V)中是低灰度的标记类型查看模式;
d. 在灌注和通气图像中都是低灰度的标记类型查看模式;
e. 所有标记类型同时显示的查看模式;
视图类型
a. Axial显示图像的横断面;
b. Coronal显示图像的冠状面;
c. Sagittal显示图像的矢状面;
d. VR 显示对应生成后的三维图像
视图切换
a. 原始通气数据;
b. 配准后通气数据;
c. 残差数据;
d. 灌注数据;
(3) 数据结果
各种标记类型的数据结果查看:
a. 查看通气图像(V)中是高灰度,在灌注图像(P)中是低灰度的标记类型的点信息;
b. 查看灌注图像(P)中是高灰度,在通气图像(V)中是低灰度的标记类型的点信息;
c. 查看灌注通气中都是低灰度的标记类型查看模式类型的点信息;
d. 查看灌注通气都正常的肺的点信息;
e. 查看有效肺的点信息。
其中2D,3D可选项表示查看的结果是单层图像结果还是三维体分析结果。
二. 软件应用的主要算法
1. 通气图像的规整化
由于数据采集原因,通气图像的整体像素值比灌注图像的要低,为了后面自动诊断的准确性,需要规整化通气图像的像素值到灌注图像的像素范围。算法思路:分别求出通气图像和灌注图像的像素直方图,根据直方图均衡化的方法调整通气图像。
具体算法为:
(1) 分别对通气图像和灌注图像统计其直方图,并归一化,公式为,即灰度级为r的像素在整个图像中出现的概率。
(2) 根据统计出的直方图采用累计分布函数作变换,,求变换后的新灰度。
(3) 用新灰度代替通气图像的旧灰度,这就达到对通气图像规整化的目的。
2.自动配准
通过自动算法来诊断肺部问题的前提条件是,通气图像和灌注图像在空间位置上具有精确的匹配度。这需要一个自动的配准算法来完成。三维配准实际上是找到两组空间数据的变换关系,这个变换关系可以用一个变换矩阵表示,如式(1),
(1)
其中,, 、、分别为绕z、x、y轴旋转的矩阵,T为平移向量。
(2)
假设通气和灌注两个体数据分别有两个坐标系Cv和Cp,定义3个角度alpha, beta, gamma,
从Cv坐标系开始,绕其z轴旋转gamma,再绕其x轴旋转alpha,最后绕其y轴旋转beta,得到坐标系Cp,当Cv,Cp给定,此alpha, beta, gamma存在且唯一。对应的坐标变换:
(3)
旋转矩阵。
定义Cp'为与Cp原点同,与Cv方向同的坐标系,已知Cp中的某点坐标,通过旋转矩阵,求出其在Cp'中的坐标,然后通过平移,得到其在Cv中的坐标。求取旋转矩阵和平移向量是配准的关键。本文采取采样旋转角度和平移向量的方法,使得规整化的通气图像和灌注图像的像素差达到最小的方法来求取旋转矩阵和平移向量。
3.自动检测
通气图像和灌注图像经过三维配准之后,两者在空间位置上达到了较好的对应,此时可以进行不匹配区域(mismatch defect)和匹配区域(match defect)的检测。不匹配区域和匹配区域都可通过规整化的通气图像减去灌注图像得到,相减之后得到的差值图像如果灰度值较大,大于一定阈值则认为是第一种不匹配,即在通气图像中是高灰度,在灌注图像中是低灰度;如果差值很小,小于某一阈值则认为是第二种不匹配,即在通气图像中是低灰度,在灌注图像中是高灰度;如果差值在两个阈值之间,则认为是匹配区域,即在通气灌注中都是低灰度。
三.软件使用说明
1 界面简介:见附图1。
2.按钮说明:
图像加载:(1)点击“通气”加载通气图像序列;(2)点击“灌注”加载通气图像序列;(3)点击“读取”加载保存的分析结果;
图像操作:(1)“平移”按钮:点击该按钮后,在右边的图像区域内,按住左键,拖动鼠标, 实现图像平移;(2)“缩放”按钮:点击该按钮后,在右边的图像区域内,按住左键,左右移动鼠标,实现图像的缩放;(3)“还原”按钮:点击后平移缩放变化还原成加载图像后的初始状态,
窗宽窗位:在非VR视图窗口中,按住鼠标右键,移动鼠标,改变当前窗口的窗宽窗位。
图像旋转:在VR视图窗口中,按住鼠标右键,移动鼠标,实现体数据旋转。
图像翻层:使用鼠标滚轮上下滚动实现图像的翻层。
3.图像处理:
图像配准:(1)自动配准:点击“配准”按钮,进行通气和灌注图像的配准,如果勾选“auto”,则用自动配准方式,自动配准需要半分钟时间左右;配准完成后结果会自动显示在左下视图中。(2)手动配准:选择要操作的图像,勾选“V”表示选择了通气图像,勾选“P”表示选择了灌注图像,可以都选,也可以都不选。点击“移动”按钮后,可以在视图区域拖动选择的图像;点击“旋转”按钮后,可以在视图区域旋转选择的图像;点击“完成”按钮后,完成手动配准,自动返回主界面。
图像翻层:使用鼠标滚轮上下滚动进行图像翻层。
窗宽窗位:在视图窗口内,按住鼠标右键,移动鼠标,改变当前窗口的窗宽窗位。
图像分析:进行自动或者手动配准过后,点击“分析”按钮进行对比分析,得到差异图像序列,并自动显示在右下视图区域。
结果保存:在点击“分析”后,可以点击“保存”按钮保存当前的工作状态,包括病人序列信息,配准结果和分析结果等,所保存的结果可以通过“读取”按钮在下一次方便的读出。
4.分析编辑
(1) 数据视图类型
a. none: 不显示任何defect;
b. v_np: 查看mis_match1类型的defect,即在通气图像(V)中是高灰度,在灌注图像(P)中是低灰度;
c. p_nv查看mis_match2类型的defect,即在灌注图像(P)中是高灰度,在通气图像(V)中是低灰度;
d. n_vp:查看Match 类型的defect, 即在灌注通气中都是低灰度;
e. all:查看所有类型的defect。
红色表示v_np,绿色表示p_nv,蓝色表示n_vp。
a. Axial表示横断面图像;
b. Coronal表示冠状面图像;
c. Sagittal表示矢状面图像;
d. VR 表示三维图像。
在左下配准混合视图中,键盘方向键可以用来切换数据
a. 上:原始通气数据;
b. 下:配准后通气数据;
c. 左:残差数据;
d. 右:灌注数据;
点击“添加”按钮后,可以在左下角视图区域添加不同类型的defect点;点击“删除”按钮后,可以在左下角视图区域删除不同类型的defect点;点击“确定”按钮,确认刚才的编辑操作,并更新分析结果。
取消:在左下视图内点击右键,取消上一部的编辑结果。
体删除:当左下视图是选中视图时(视图边框是绿色),在左下视图内,点击defect点,可以得到与该点所在的defect区域的统计信息,包括体积和平均密度值,如附图2所示。
(2)分析结果
分析结果中包含5行3列一共15个值,每一列分别代表点数、体积(cm3),比例;每一行分别表示:
v_np:Mask1类型的点信息;
p_nv:Mask2类型的点信息;
n_vp:Mask3类型的点信息;
普通: 灌注通气都正常的肺信息;
肺: 有效肺的点信息。
其中2D,3D可选项表示查看的结果是单层的结果还是三维体分析结果。
(3)阈值
两个可调的阈值,分别用来控制defect点的自动分类。第一个阈值用来调节v_np类点的分类结果,第二个阈值用来调节p_nv类点的分类结果;阈值被勾选时,表示阈值调节有效,否则不能改变阈值。这样做是为了防止在进行了多次手工分类修复后,误操作导致了自动分类,丢失手工分类结果。第三个滑动条用来改变图像融合的融合比例,可以用于手动配准和配准结果的显示。
5.分析编辑
(1)加载通气灌注图像;
(2)平移,缩放浏览图像,按下鼠标右键拖动能调节窗宽窗位;
(3)配准。
手动步骤:
a. 选择不同的视图类型(横断,冠状,矢状),滚轮查看不同层V,P的图像;
b. 在发现图像之间有位置差异时,勾选“V”和“P”之中的某一个,通过移动,旋转或鼠标滚轮改变图像位置,使其与参考图像位置贴近。
c. 通过移动,旋转,翻层,得到图像间的最佳匹配。可以按住鼠标右键,移动鼠标来调节窗宽窗位,改变两层图的颜色可以使手动配准的效果一目了然。
d. 点击按钮“完成”。
(4)分析:通过“读取”,可以跳过前3步。
(5)图像操作按钮及鼠标配合,选择感兴趣的某层,某个区域。
(6)选择defect类型,查看自动分类的结果。
(7)选择视图类型,查看不同类型视图。
(8)通过调整阈值,查看自动分类的结果。这里右键可以取消对滑动条的选择。
(9)通过添加,删除按钮来编辑自动分类的结果,编辑过程中,会即时看到编辑区域,但是分析结果不会更新,只有在确定以后才会更新。如果不想要当前的编辑,可以右键取消当前编辑的结果。
(10)通过选择模式2D,3D,查看不同defect类型点的点数,体积,比例值。
(11)通过“保存”,保存当前的工作状态。
注意:对分析结果的调整的推荐步骤是:先通过阈值调整,再进行手工编辑。千万不要在手工编辑后,还去调整阈值,这样会丢失手工编辑的结果,而手工编辑的结果应该是最准确的结果。
Claims (2)
1.一种放射性核素肺灌注和通气断层显像的图像分析软件。
2.该软件的主要功能在于能够实现肺灌注和通气图像的融合,自动鉴别肺栓塞病变部位,并能够自动识别病变肺组织的范围和体积,可以用于肺栓塞的定性和定量诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105192206A CN103123666A (zh) | 2012-12-06 | 2012-12-06 | 肺灌注和通气断层显像定量分析软件 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105192206A CN103123666A (zh) | 2012-12-06 | 2012-12-06 | 肺灌注和通气断层显像定量分析软件 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103123666A true CN103123666A (zh) | 2013-05-29 |
Family
ID=48454641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012105192206A Pending CN103123666A (zh) | 2012-12-06 | 2012-12-06 | 肺灌注和通气断层显像定量分析软件 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103123666A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111358484A (zh) * | 2020-03-23 | 2020-07-03 | 广州医科大学附属第一医院(广州呼吸中心) | 核医学肺灌注显像定量分析方法、分析设备及存储介质 |
CN112785588A (zh) * | 2021-02-05 | 2021-05-11 | 南京钺曦医疗科技有限公司 | 一种ct与mr脑灌注数据的运动幅度自动估计方法 |
CN115439478A (zh) * | 2022-11-07 | 2022-12-06 | 四川大学 | 基于肺灌注的肺叶灌注强度评估方法、系统、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE516851C2 (sv) * | 2000-07-05 | 2002-03-12 | Attila Frigyesi | Förfarande för behandling och anpassning av lungbilder |
-
2012
- 2012-12-06 CN CN2012105192206A patent/CN103123666A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE516851C2 (sv) * | 2000-07-05 | 2002-03-12 | Attila Frigyesi | Förfarande för behandling och anpassning av lungbilder |
Non-Patent Citations (2)
Title |
---|
李素晓: "核医学平面图像处理软件系统的设计与定量分析", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
李素晓等: "核素肺通气/灌注显像的分区定量计算", 《中国医学物理学杂志》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111358484A (zh) * | 2020-03-23 | 2020-07-03 | 广州医科大学附属第一医院(广州呼吸中心) | 核医学肺灌注显像定量分析方法、分析设备及存储介质 |
CN111358484B (zh) * | 2020-03-23 | 2021-12-24 | 广州医科大学附属第一医院(广州呼吸中心) | 核医学肺灌注显像定量分析方法、分析设备及存储介质 |
CN112785588A (zh) * | 2021-02-05 | 2021-05-11 | 南京钺曦医疗科技有限公司 | 一种ct与mr脑灌注数据的运动幅度自动估计方法 |
CN112785588B (zh) * | 2021-02-05 | 2021-09-14 | 南京钺曦医疗科技有限公司 | 一种ct与mr脑灌注数据的运动幅度自动估计方法 |
CN115439478A (zh) * | 2022-11-07 | 2022-12-06 | 四川大学 | 基于肺灌注的肺叶灌注强度评估方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111445449B (zh) | 感兴趣区域的分类方法、装置、计算机设备和存储介质 | |
Das et al. | Registration based cortical thickness measurement | |
CN1861002B (zh) | 监视肿瘤负荷的系统 | |
CN101171608A (zh) | 虚拟损伤量化 | |
Gifford | A visual‐search model observer for multislice‐multiview SPECT images | |
Fang et al. | Multi-modal medical image segmentation based on vector-valued active contour models | |
CN105144241A (zh) | 图像质量指数和/或基于其的成像参数推荐 | |
Freiman et al. | Improving CCTA‐based lesions' hemodynamic significance assessment by accounting for partial volume modeling in automatic coronary lumen segmentation | |
CN109498046A (zh) | 基于核素图像与ct冠脉造影融合的心肌梗死定量评估方法 | |
US11182901B2 (en) | Change detection in medical images | |
WO2010097534A1 (fr) | Méthodes de segmentation d'images et de détection de structures particulières | |
CN103123666A (zh) | 肺灌注和通气断层显像定量分析软件 | |
Bartoli et al. | Deep learning–based automated segmentation of left ventricular trabeculations and myocardium on cardiac MR images: a feasibility study | |
Krüger et al. | Infratentorial lesions in multiple sclerosis patients: intra-and inter-rater variability in comparison to a fully automated segmentation using 3D convolutional neural networks | |
Piastra et al. | Estimating the influence of stroke lesions on MEG source reconstruction | |
Ciarmiello et al. | Machine learning model to predict diagnosis of mild cognitive impairment by using radiomic and amyloid brain PET | |
Pfau et al. | Global saliency: aggregating saliency maps to assess dataset artefact bias | |
Astley et al. | Implementable Deep Learning for Multi‐sequence Proton MRI Lung Segmentation: A Multi‐center, Multi‐vendor, and Multi‐disease Study | |
Reiss et al. | Extracting information from functional connectivity maps via function-on-scalar regression | |
Muralidharan et al. | Diffeomorphic shape trajectories for improved longitudinal segmentation and statistics | |
CN107810518A (zh) | 利用相关噪声在图像上的边缘探测 | |
JP2007528763A (ja) | インタラクティブコンピュータ支援診断方法及び装置 | |
Rahmany et al. | A priori knowledge integration for the detection of cerebral aneurysm | |
Cadotte et al. | Spinal cord segmentation by one dimensional normalized template matching: a novel, quantitative technique to analyze advanced magnetic resonance imaging data | |
Arzhaeva et al. | Automated estimation of progression of interstitial lung disease in CT images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20130529 |
|
RJ01 | Rejection of invention patent application after publication |