CN103530873A - 一种基于三维纹理信息的辅助检测系统及方法 - Google Patents
一种基于三维纹理信息的辅助检测系统及方法 Download PDFInfo
- Publication number
- CN103530873A CN103530873A CN201310430727.9A CN201310430727A CN103530873A CN 103530873 A CN103530873 A CN 103530873A CN 201310430727 A CN201310430727 A CN 201310430727A CN 103530873 A CN103530873 A CN 103530873A
- Authority
- CN
- China
- Prior art keywords
- data
- proper vector
- feature vector
- vector
- detection system
- 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
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于三维纹理信息的辅助检测系统及方法,包括特征向量提取器,接收三维影像学数据,并依据空间上体素值的排列分布模式和/或者体素值计算出来的其他值的分布模式,提取三维纹理特征组成特征向量;分类器,接收特征向量提取器发送的已知分类结果的训练特征向量和待分类的特征向量;分类器首先接收训练特征向量,存储特征向量与分类结果的对应关系;然后根据该对应关系对待分类的特征向量进行分类,并输出相应的值或判断结果;结果输出终端,进行指定形式的显示。本发明对当前无法利用的三维纹理信息进行分析,可以对病灶的良恶性进行判断,从而辅助医生进行进一步的临川诊断和治疗方案的选择。
Description
技术领域
本发明属于计算机辅助检测领域,涉及一种基于三维纹理信息的辅助检测系统及方法。
背景技术
目前传统的病灶良恶性判断手段是病理学活检。病理学检查根据显微镜下形态学观察,依据病理性核分裂来判断病灶的良恶性。这目前也是病灶良恶性判断的金标准。
随着医疗设备和计算机科学技术的进步,每次扫描获得数据量也越来越大,所蕴含的信息量也越来越多。传统的方法靠医生人工阅片,可以得出发现病灶的位置,从而为诊断提供帮助,但是由于影像检查的数据量越来越大,靠人力很难对所有的数据进行检测。比如在基于CT影像数据的检查中,受人眼分辨力、影像输出设备等限制,目前医疗设备所提供的大范围,多采集模式/模态的医学影像数据没有被充分利用。另外传统人工阅片主要是分析二维图像上的灰度变化来进行判断,很难对多层图像之间的关系进行分析,图像的层间相互信息也利用有限。
近些年随着计算机技术的快速发展,计算速度的不断提高,存储容量和数据传输速度也大大增加。为计算机辅助分析提供了可能。很多医疗设备都提供了辅助的计算机检测和分析软件或者系统。
但是目前现有的研究都是基本限于病灶的检测和测量。例如基于超声的病灶检测[苏燕妮等,乳腺肿瘤超声图像中感兴趣区域的自动检测中国生物医学工程学报第29卷2期2010年4月],基于CT图像的病灶检测方法[魏颖等,面向肺癌CAD的CT图像疑似病灶检测方法,仪器仪表学报第30卷第1期2009年1月]。
虽然影像数据的分辨率在不断提高,例如CT的分辨率已经可以小于1mm,但是和放大倍数最高可达千倍的光学镜下图像分辨率相比,仍然有很大差距。考虑到微观的变化在宏观上也会引起一些变化,而且这些变化很可能也是在纹理上的改变。
纹理是一种常见且重要的目标物识别方法。目前纹理特征的提取方法大致可以分为两类:统计分析方法和结构分析方法。前者从图像的有关属性的统计分析出发,根据纹理元素及排列规则来描述纹理结构,反映像素之间的灰度级空间相关规律;后者则着力找出纹理基元,再从结构组成探索纹理的规律,也有直接去探求纹理构成的结构规律。一般来说统计法适用于分析纹理细而且不规则的物体;结构法则适用于纹理基元排列较规则的图像。
发明内容
本发明解决的问题在于提供一种基于三维纹理信息的辅助检测系统及方法,通过对影像体数据内部的内在分布关系和模式规律进行分析,从而起到良好的辅助作用。
本发明是通过以下技术方案来实现:
一种基于三维纹理信息的辅助检测系统,包括:
特征向量提取器,接收三维影像学数据,并依据空间上体素值的排列分布模式和/或者体素值计算出来的其他值的分布模式,提取三维纹理特征组成特征向量;
分类器,接收特征向量提取器发送的已知分类结果的训练特征向量和待分类的特征向量;所述的训练特征向量和待分类的特征向量来自于同一总体;
分类器首先接收训练特征向量,存储特征向量与分类结果的对应关系;然后根据该对应关系对待分类的特征向量进行分类,并输出相应的值或判断结果;
结果输出终端,接收分类器输出的数据,进行指定形式的显示。
所述的三维影像学数据为自动检测或者手工勾勒的病灶部位的三维影像数据,包括超声数据、CT数据或者磁共振数据。
所述的其他值包括体素值计算出来的梯度分布或微分形式。
所述的特征向量的特征值有加权或者无加权。
所述训练特征向量和待分类的特征向量来自于同一总体为:采集三维影像学数据的设备一致,或者标准化的采集三维影像学数据的多个设备其参数设置一致。
所述结果输出终端接收分类器输出的数据后,打印报告或者进行显示屏显示。
该辅助检测系统安装于超声数据采集设备、CT数据采集设备或者磁共振数据采集设备的下游。
一种基于三维纹理信息的辅助检测方法,包括以下步骤:
特征向量提取器接收三维影像学数据,并依据空间上体素值的排列分布模式和/或者体素值计算出来的其他值的分布模式,提取三维纹理特征组成特征向量;
分类器接收特征向量提取器发送的已知分类结果的训练特征向量和待分类的特征向量;所述的训练特征向量和待分类的特征向量来自于同一总体;
分类器首先接收训练特征向量,存储特征向量与分类结果的对应关系;然后根据该对应关系对待分类的特征向量进行分类,并输出相应的值或判断结果;
结果输出终端,接收分类器输出的数据,进行指定形式的显示。
所述在特征向量提取器提取特征向量时,三维影像学数据中的每一个病灶获得一个特征向量。
与现有技术相比,本发明具有以下有益的技术效果:
本发明提供的基于三维纹理信息的辅助检测系统,通过对影像体数据内部的内在分布关系和模式规律进行分析,对当前无法利用的三维纹理信息进行分析,可以对病灶的良恶性进行判断,从而辅助医生进行进一步的临川诊断和治疗方案的选择。
由于以前纹理分析的焦点在于分析物体的表面信息,而在医学影像体数据中,经过三维重建的人体器官表面只包含了部分信息,而器官内部的组织大致走向和相互之间的固定的位置关系会构成一定的三维纹理信息。而此纹理信息也会随着局部的病变而发生变化。本发明基于CAD系统或者手工勾勒而获取的病灶的三维影像学数据,通过分类器判断出病灶属于良性还是恶性病灶,从而辅助医生获得更多的检测和分析信息。
附图说明
图1为本发明的结构及处理流程示意图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
参见图1,本发明提供的一种基于三维纹理信息的辅助检测系统,包括:
特征向量提取器,接收三维影像学数据,并依据空间上体素值的排列分布模式和/或者体素值计算出来的其他值的分布模式,提取三维纹理特征组成特征向量;
分类器,接收特征向量提取器发送的已知分类结果的训练特征向量和待分类的特征向量;所述的训练特征向量和待分类的特征向量来自于同一总体;
分类器首先接收训练特征向量,存储特征向量与分类结果的对应关系;然后根据该对应关系对待分类的特征向量进行分类,并输出相应的值或判断结果;
结果输出终端,接收分类器输出的数据,进行指定形式的显示。
具体的,所述的三维影像学数据为计算机辅助检测所获取的病灶数据或者/和人工勾勒的病灶数据,包括超声数据、CT数据或者磁共振数据。
所述的其他值包括体素值计算出来的梯度分布或微分形式。
而所提取的特征向量的特征值有加权或者无加权。
所述训练特征向量和待分类的特征向量来自于同一总体为:采集三维影像学数据的设备一致,或者标准化的采集三维影像学数据的多个设备其参数设置一致。
在结果输出终端接收分类器输出的数据后,打印报告或者进行显示屏显示。而该辅助检测系统安装于超声数据采集设备、CT数据采集设备或者磁共振数据采集设备的下游。
本发明提供的一种基于三维纹理信息的辅助检测方法,包括以下步骤:
特征向量提取器接收三维影像学数据,并依据空间上体素值的排列分布模式和/或者体素值计算出来的其他值的分布模式,提取三维纹理特征组成特征向量;在特征向量提取器提取特征向量时,三维影像学数据中的每一个病灶获得一个特征向量;
分类器接收特征向量提取器发送的已知分类结果的训练特征向量和待分类的特征向量;所述的训练特征向量和待分类的特征向量来自于同一总体;
分类器首先接收训练特征向量,存储特征向量与分类结果的对应关系;然后根据该对应关系对待分类的特征向量进行分类,并输出相应的值或判断结果(病灶良恶);
结果输出终端,接收分类器输出的数据,进行指定形式的显示。
具体的,特征向量的提取、分析按照申请号为200910219136.0的中国发明专利所公开的“医学影像体数据的三维纹理分析方法”来进行,分类器在进行训练时,所用的数据分类的结果是已知的。
本发明基于CAD系统或者手工勾勒而获取的病灶的三维影像学数据,通过分类器判断出病灶属于良性还是恶性病灶,从而辅助医生获得更多的检测和分析信息。
Claims (9)
1.一种基于三维纹理信息的辅助检测系统,其特征在于,包括:
特征向量提取器,接收三维影像学数据,并依据空间上体素值的排列分布模式和/或者体素值计算出来的其他值的分布模式,提取三维纹理特征组成特征向量;
分类器,接收特征向量提取器发送的已知分类结果的训练特征向量和待分类的特征向量;所述的训练特征向量和待分类的特征向量来自于同一总体;
分类器首先接收训练特征向量,存储特征向量与分类结果的对应关系;然后根据该对应关系对待分类的特征向量进行分类,并输出相应的值或判断结果;
结果输出终端,接收分类器输出的数据,进行指定形式的显示。
2.如权利要求1所述的基于三维纹理信息的辅助检测系统,其特征在于,所述的三维影像学数据为自动检测或者手工勾勒的病灶部位的三维影像数据,包括超声数据、CT数据或者磁共振数据。
3.如权利要求1所述的基于三维纹理信息的辅助检测系统,其特征在于,所述的其他值包括体素值计算出来的梯度分布或微分形式。
4.如权利要求1所述的基于三维纹理信息的辅助检测系统,其特征在于,所述的特征向量的特征值有加权或者无加权。
5.如权利要求1所述的基于三维纹理信息的辅助检测系统,其特征在于,所述训练特征向量和待分类的特征向量来自于同一总体为:采集三维影像学数据的设备一致,或者标准化的采集三维影像学数据的多个设备其参数设置一致。
6.如权利要求1所述的基于三维纹理信息的辅助检测系统,其特征在于,结果输出终端接收分类器输出的数据后,打印报告或者进行显示屏显示。
7.如权利要求1所述的基于三维纹理信息的辅助检测系统,其特征在于,该辅助检测系统安装于超声数据采集设备、CT数据采集设备或者磁共振数据采集设备的下游。
8.一种基于三维纹理信息的辅助检测方法,其特征在于,包括以下步骤:
特征向量提取器接收三维影像学数据,并依据空间上体素值的排列分布模式和/或者体素值计算出来的其他值的分布模式,提取三维纹理特征组成特征向量;
分类器接收特征向量提取器发送的已知分类结果的训练特征向量和待分类的特征向量;所述的训练特征向量和待分类的特征向量来自于同一总体;
分类器首先接收训练特征向量,存储特征向量与分类结果的对应关系;然后根据该对应关系对待分类的特征向量进行分类,并输出相应的值或判断结果;
结果输出终端,接收分类器输出的数据,进行指定形式的显示。
9.如权利要求8所述的基于三维纹理信息的辅助检测方法,其特征在于,在特征向量提取器提取特征向量时,三维影像学数据中的每一个病灶获得一个特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310430727.9A CN103530873A (zh) | 2013-09-18 | 2013-09-18 | 一种基于三维纹理信息的辅助检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310430727.9A CN103530873A (zh) | 2013-09-18 | 2013-09-18 | 一种基于三维纹理信息的辅助检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103530873A true CN103530873A (zh) | 2014-01-22 |
Family
ID=49932852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310430727.9A Pending CN103530873A (zh) | 2013-09-18 | 2013-09-18 | 一种基于三维纹理信息的辅助检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103530873A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 |
CN110070125A (zh) * | 2019-04-19 | 2019-07-30 | 四川大学华西医院 | 一种基于大数据分析的肝胆外科治疗方案筛选方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101203170A (zh) * | 2005-06-02 | 2008-06-18 | 美的派特恩公司 | 计算机辅助检测系统和方法 |
CN101670152A (zh) * | 2009-09-10 | 2010-03-17 | 北京理工大学 | 光动力治疗系统 |
CN101859441A (zh) * | 2010-05-25 | 2010-10-13 | 中国人民解放军第四军医大学 | 基于影像的无创监测肿瘤浸润周围组织程度的计算机辅助分析方法 |
-
2013
- 2013-09-18 CN CN201310430727.9A patent/CN103530873A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101203170A (zh) * | 2005-06-02 | 2008-06-18 | 美的派特恩公司 | 计算机辅助检测系统和方法 |
CN101670152A (zh) * | 2009-09-10 | 2010-03-17 | 北京理工大学 | 光动力治疗系统 |
CN101859441A (zh) * | 2010-05-25 | 2010-10-13 | 中国人民解放军第四军医大学 | 基于影像的无创监测肿瘤浸润周围组织程度的计算机辅助分析方法 |
Non-Patent Citations (5)
Title |
---|
HAN FANGFANG: "A New 3D Texture Feature Based Computer-Aided Diagnosis Approach to Differentiate Pulmonary Nodules", 《MEDICAL IMAGING 2013: COMPUTER-AIDED DIAGNOSIS》 * |
SHI ZHENGXING等: "Characterization of texture features between carcinomatous and normal wall tissue in MR bladder imaging", 《BMEI’09 2ND INTERNATIONAL CONFERENCE ON BIOMEDICAL ENGINEERING AND INFORMATICS,2009》 * |
SONG BOWEN等: "A dimension reduction strategy for improving the efficiency of computer-aided detection for CT colonography", 《MEDICAL IMAGING 2013: COMPUTER-AIDED DIAGNOSIS》 * |
吴智德: "基于纹理特征与高性能分类器的计算机辅助检测", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》 * |
吴智德等: "基于MRI图像纹理特征的膀胱肿瘤浸润深度检测", 《中国生物医学工程学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 |
CN106372390B (zh) * | 2016-08-25 | 2019-04-02 | 汤一平 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 |
CN110070125A (zh) * | 2019-04-19 | 2019-07-30 | 四川大学华西医院 | 一种基于大数据分析的肝胆外科治疗方案筛选方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Multi-view multi-scale CNNs for lung nodule type classification from CT images | |
CN109583440B (zh) | 结合影像识别与报告编辑的医学影像辅助诊断方法及系统 | |
Mesanovic et al. | Automatic CT image segmentation of the lungs with region growing algorithm | |
CN112446862B (zh) | 一种基于人工智能的动态乳腺超声视频全病灶实时检测和分割装置、系统及图像处理方法 | |
Chang et al. | Graph-based learning for segmentation of 3D ultrasound images | |
Dehghani et al. | A method for improve preprocessing images mammography | |
Chen et al. | Alzheimer's disease diagnosis with brain structural mri using multiview-slice attention and 3D convolution neural network | |
Kim et al. | The recent progress in quantitative medical image analysis for computer aided diagnosis systems | |
CN111583385B (zh) | 一种可变形数字人解剖学模型的个性化变形方法及系统 | |
Shareef | Breast cancer detection based on watershed transformation | |
Diao et al. | Weakly supervised framework for cancer region detection of hepatocellular carcinoma in whole-slide pathologic images based on multiscale attention convolutional neural network | |
JP2010207572A (ja) | 障害のコンピュータ支援検出 | |
Nie et al. | Feature extraction for medical CT images of sports tear injury | |
Vishrutha et al. | Early detection and classification of breast cancer | |
Zhao et al. | Adaptive channel and multiscale spatial context network for breast mass segmentation in full-field mammograms | |
Harrison et al. | State-of-the-art of breast cancer diagnosis in medical images via convolutional neural networks (cnns) | |
Pavan et al. | A parallel framework for HCC detection in DCE-MRI sequences with wavelet-based description and SVM classification | |
Li et al. | Architectural distortion detection based on superior–inferior directional context and anatomic prior knowledge in digital breast tomosynthesis | |
CN103530873A (zh) | 一种基于三维纹理信息的辅助检测系统及方法 | |
Zeng et al. | Clinical application of a novel computer-aided detection system based on three-dimensional CT images on pulmonary nodule | |
Famouri et al. | A deep learning approach for efficient registration of dual view mammography | |
Anter et al. | Computer aided diagnosis system for mammogram abnormality | |
Wang et al. | DisAsymNet: Disentanglement of Asymmetrical Abnormality on Bilateral Mammograms Using Self-adversarial Learning | |
CN109840564A (zh) | 一种基于超声造影图像均匀程度的分类系统 | |
CN109800820A (zh) | 一种基于超声造影图像均匀程度的分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140122 |