CN106204609A - 共聚焦激光显微内镜肺部影像的处理和分析系统及方法 - Google Patents
共聚焦激光显微内镜肺部影像的处理和分析系统及方法 Download PDFInfo
- Publication number
- CN106204609A CN106204609A CN201610573980.3A CN201610573980A CN106204609A CN 106204609 A CN106204609 A CN 106204609A CN 201610573980 A CN201610573980 A CN 201610573980A CN 106204609 A CN106204609 A CN 106204609A
- Authority
- CN
- China
- Prior art keywords
- image
- tissue
- module
- data
- interest
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 210000004072 lung Anatomy 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 239000003086 colorant Substances 0.000 claims description 10
- 210000004204 blood vessel Anatomy 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 230000002685 pulmonary effect Effects 0.000 claims 4
- 238000001000 micrograph Methods 0.000 claims 2
- 241001270131 Agaricus moelleri Species 0.000 claims 1
- 239000008280 blood Substances 0.000 claims 1
- 210000004369 blood Anatomy 0.000 claims 1
- 230000003993 interaction Effects 0.000 claims 1
- 238000002372 labelling Methods 0.000 claims 1
- 238000005096 rolling process Methods 0.000 claims 1
- 230000009897 systematic effect Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 208000019693 Lung disease Diseases 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 description 7
- 238000010191 image analysis Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10068—Endoscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种针对共聚焦激光显微内镜肺部影像的处理和分析系统及方法，其中包括图像读取模块；系统参数设置模块；基于图像的数据计算和分析模块，包括组织结构间距离计算模块、肺泡腔径计算、组织结构壁厚计算、直方图统计和伪彩色统计。采用以上计算方法获得图像的特征分析进行进一步图像分类和识别。采用该共聚焦激光显微内镜肺部影像的处理和分析系统，能够对共聚焦激光显微内镜图像进行二次细致的分析，获取图像中内在信息，为医生对肺部病症的诊断提供依据，在临床应用范围具有价值。
Description
技术领域
本发明属于医学影像分析技术领域，具体是指一种共聚焦激光显微内镜肺部影像的处理和分析系统及基于该系统的方法。
背景技术
医学影像分析在肺部病症检测领域受到广泛关注，尤其是CT影像的分析。CT是体外检测设备，而共聚焦激光显微内镜影像成像设备是一种新颖的体内检测设备，这种探头式共聚焦激光显微内镜可以灵活插入普通支气管内镜的活检管道，对支气管粘膜及肺泡结构进行实时的、动态的和连续的显微成像，对肺部的观测更加精细。其影像的二次分析和计算对医生的诊断将提供更加可靠的数据依据。目前大多数共聚焦激光显微内镜影像成像设备不提供分析计算功能，使得医生只能根据经验利用观测法进行病灶症状的判断。
发明内容
本发明的目的是对共聚焦激光显微内镜影像进行进一步分析和计算，为医疗工作者提供必要的辅助诊断数据和信息。
为了达到上述目的，本发明的一个技术方案是提供了一种共聚焦激光显微内镜肺部影像的处理和分析系统，其特征在于，包括：
图像读取模块，用以读取共聚焦激光显微内镜影像设备采集的肺部视频或肺部图像，获得待分析的图像数据；
系统参数设置模块，用以对待分析的图像数据的多类参数进行设置，包括图像有效区域、伪彩色区间和像素真值比；
基于图像的数据计算和分析模块，包括组织结构间距离计算模块、肺泡腔径计算模块、组织结构壁厚计算模块、直方图统计和伪彩色统计模块；
图像及数据导出模块，用以提供系统对处理的影像及数据进行数据库存储，数据的导出，便于进一步分析。
本发明的另一个计算方案是提供了一种基于上述的共聚焦激光显微内镜肺部影像的处理和分析系统的处理和分析方法，其特征在于，包括以下步骤：
步骤1、通过所述图像读取模块读取共聚焦激光显微内镜影像设备采集的肺部视频或肺部图像，获得待分析的图像数据；
步骤2、通过所述系统参数设置模块至少对待分析的图像数据的有效区域、伪彩色区间和像素真值比进行参数设置；
步骤3、通过基于图像的数据计算和分析模块进行下列计算：
通过所述组织结构间距离计算模块计算肺部相关组织结构之间的绝对距离；
所述肺泡腔径计算模块用于提供医生勾勒感兴趣组织的轮廓，并在获得轮廓的基础上计算感兴趣组织的长、短径，获得感兴趣组织的大小及轮廓数据信息，便于对感兴趣组织变异情况进行数据分析，并筛选出候选感兴趣组织；
通过所述组织结构壁厚计算模块计算候选感兴趣组织的壁及血管壁的最大厚度、最小厚度及平均厚度；
通过所述直方图统计和伪彩色统计模块根据设置好的参数进行影像有效区域的直方图统计及伪彩色标记；
步骤4、通过所述图像及数据导出模块将所述数据计算和分析模块得到的计算结果导出。
优选地，在所述步骤2中，所述系统参数设置模块还利用图像处理的方法获得影像标记的标尺信息，将像素距离换算为实际肺部的绝对距离，从而获得实际像素比例作为计算绝对距离的参数。
优选地，在所述步骤3中，在获得轮廓的基础上计算感兴趣组织的长、短径包括以下步骤：
步骤3A.1、对初步勾勒出的感兴趣组织轮廓计算多边形的最小外接矩形或外界椭圆；
步骤3A.2、通过旋转目标法和顶点连码法获得最小外接矩形的对角线或外界椭圆的长短轴作为感兴趣组织的腔径；
步骤3A.3、轮廓和计算出的腔径均标记在影像，并同时在数据库中记录该影像的感兴趣组织位置及腔径数据。
优选地，在所述步骤3中，所述组织结构壁厚计算模块的实现步骤包括：
步骤3B.1、获取影像上待测候选感兴趣组织或血管壁左右边界上的像素点坐标，计算每点到右边界上每点的距离；
步骤3B.2、选出最短的距离并记录其长度和起点、终点坐标，得到左边界上每个点到右边界上的最短距离；
步骤3B.3、比较步骤3B.2得到的最短距离的大小，最小的距离为候选感兴趣组织或血管壁的最短径，最长的距离为候选感兴趣组织或血管壁的最长径。
优选地，所述直方图统计和伪彩色统计模块中伪彩色图像处理的过程是在指定灰度阈值的前提下对图像中的不同灰度赋以不同的颜色，根据不同伪彩色表征的阈值区间，计算各组织在影像中的比例信息，并记录于数据库。
本发明的另一个技术方案是提供了一种上述的共聚焦激光显微内镜肺部影像的处理和分析系统的应用，其特征在于，所述共聚焦激光显微内镜肺部影像的处理和分析系统提供医生进行影像分析的交互平台，系统后台关联数据库，便于各类计算数据的存储和恢复。
本发明能够实现基于图像处理方法的辅助诊断平台，对由共聚焦激光显微内镜激光显微内镜肺部成像设备获取的影响信息进行处理分析，并提供给医生交互功能，为肺部病症的有效诊断提供定量分析依据。
附图说明
图1为本发明的共聚焦激光显微内镜肺部影像的处理和分析系统的流程图；
图2为本发明组织结构间距离计算示意图；
图3为本发明肺泡腔径计算示意图；
图4为本发明组织结构壁厚计算示意图。
具体实施方式
为使本发明更明显易懂，兹以优选实施例，并配合附图作详细说明如下。
结合图1，本发明提供的一种利用QT开发平台及C++语言实现的共聚焦激光显微内镜肺部影像的处理和分析系统包括图像读取模块、参数设置模块、图像及数据处理模块及数据库存取模块，其中：
图像读取模块，用于获得共聚焦激光显微内镜影像设备采集的肺部视频及图像。
系统参数设置模块，用于对图像有效区域、伪彩色区间和像素真值比进行参数设置；参数计算还包括利用图像处理的方法获得影像标记的标尺信息，将像素距离换算为实际肺部的绝对距离，从而获得实际像素比例作为计算绝对距离的参数。
图像及数据导出模块，用于提供图像及计算数据可以导出为图像格式或各类数据文件
图像及数据处理模块又包括组织结构间距离计算模块、肺泡腔径计算模块组、织结构壁厚计算模块及直方图统计及伪彩色处理，其中：
组织结构间距离计算模块用于影像中组织的定量分析，需要计算肺部相关组织结构之间的绝对距离，如图2所示。
肺泡腔径计算模块用于提供医生勾勒肺泡等组织轮廓，并在获得轮廓的基础上计算肺泡等组织的长、短径，获得组织的大小及轮廓数据信息，便于对组织变异情况进行数据分析，如图3所示。具体步骤为：医生初步勾勒出肺泡等组织轮廓后，计算长短径过程如下：
(2-1)对初步勾勒出肺泡等组织轮廓计算多边形的最小外接矩形或外界椭圆；
(2-2)通过旋转目标法和顶点连码法获得最小外接矩形的对角线或外界椭圆的长短轴作为肺泡腔径；
(2-3)轮廓和计算出的腔径均标记在影像，并同时在数据库中记录该影像的肺泡位置及腔径数据。
组织结构壁厚计算模块能够对候选肺泡壁及血管壁的厚度获得最大厚度、最小厚度及平均厚度，如图4所示。具体实现过程如下：
(3-1)获取影像上待测血管壁左右边界上的像素点坐标，计算每点到右边界上每点的距离；
(3-2)选出最短的距离并记录其长度和起点、终点坐标，得到左边界上每个点到右边界上的最短距离；
(3-3)比较这些最短距离的大小，最小的距离为血管壁的最短径，最长的距离为血管壁的最长径。
直方图统计及伪彩色处理模块与系统参数设置模块相关联。伪彩色图像处理的过程是在指定灰度阈值的前提下对图像中的不同灰度赋以不同的颜色。根据不同伪彩色表征的阈值区间，计算各组织在影像中的比例信息，并记录于数据库。
本共聚焦激光显微内镜肺部影像的处理和分析系统，提供医生进行影像分析的交互平台，系统后台关联数据库，便于各类计算数据的存储和恢复。本发明为基于共聚焦激光显微内镜影像的分析提供了有效的方法，为医生诊断提供数据定量分析，具有广泛的应用范围。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。
Claims (7)
1.一种共聚焦激光显微内镜肺部影像的处理和分析系统，其特征在于，包括：
图像读取模块，用以读取共聚焦激光显微内镜影像设备采集的肺部视频或肺部图像，获得待分析的图像数据；
系统参数设置模块，用以对待分析的图像数据的多类参数进行设置，包括图像有效区域、伪彩色区间和像素真值比；
基于图像的数据计算和分析模块，包括组织结构间距离计算模块、肺泡腔径计算模块、组织结构壁厚计算模块、直方图统计和伪彩色统计模块；
图像及数据导出模块，用以提供系统对处理的影像及数据进行数据库存储，数据的导出，便于进一步分析。
2.一种基于权利要求1所述的共聚焦激光显微内镜肺部影像的处理和分析系统的处理和分析方法，其特征在于，包括以下步骤：
步骤1、通过所述图像读取模块读取共聚焦激光显微内镜影像设备采集的肺部视频或肺部图像，获得待分析的图像数据；
步骤2、通过所述系统参数设置模块至少对待分析的图像数据的有效区域、伪彩色区间和像素真值比进行参数设置；
步骤3、通过基于图像的数据计算和分析模块进行下列计算：
通过所述组织结构间距离计算模块计算肺部相关组织结构之间的绝对距离；
所述肺泡腔径计算模块用于提供医生勾勒感兴趣组织的轮廓，并在获得轮廓的基础上计算感兴趣组织的长、短径，获得感兴趣组织的大小及轮廓数据信息，便于对感兴趣组织变异情况进行数据分析，并筛选出候选感兴趣组织；
通过所述组织结构壁厚计算模块计算候选感兴趣组织的壁及血管壁的最大厚度、最小厚度及平均厚度；
通过所述直方图统计和伪彩色统计模块根据设置好的参数进行影像有效区域的直方图统计及伪彩色标记；
步骤4、通过所述图像及数据导出模块将所述数据计算和分析模块得到的计算结果导出。
3.如权利要求2所述的一种共聚焦激光显微内镜肺部影像的处理和分析方法，其特征在于，在所述步骤2中，所述系统参数设置模块还利用图像处理的方法获得影像标记的标尺信息，将像素距离换算为实际肺部的绝对距离，从而获得实际像素比例作为计算绝对距离的参数。
4.如权利要求2所述的一种共聚焦激光显微内镜肺部影像的处理和分析方法，其特征在于，在所述步骤3中，在获得轮廓的基础上计算感兴趣组织的长、短径包括以下步骤：
步骤3A.1、对初步勾勒出的感兴趣组织轮廓计算多边形的最小外接矩形或外界椭圆；
步骤3A.2、通过旋转目标法和顶点连码法获得最小外接矩形的对角线或外界椭圆的长短轴作为感兴趣组织的腔径；
步骤3A.3、轮廓和计算出的腔径均标记在影像，并同时在数据库中记录该影像的感兴趣组织位置及腔径数据。
5.如权利要求2所述的一种共聚焦激光显微内镜肺部影像的处理和分析方法，其特征在于，在所述步骤3中，所述组织结构壁厚计算模块的实现步骤包括：
步骤3B.1、获取影像上待测候选感兴趣组织或血管壁左右边界上的像素点坐标，计算每点到右边界上每点的距离；
步骤3B.2、选出最短的距离并记录其长度和起点、终点坐标，得到左边界上每个点到右边界上的最短距离；
步骤3B.3、比较步骤3B.2得到的最短距离的大小，最小的距离为候选感兴趣组织或血管壁的最短径，最长的距离为候选感兴趣组织或血管壁的最长径。
6.如权利要求2所述的一种共聚焦激光显微内镜肺部影像的处理和分析方法，其特征在于，所述直方图统计和伪彩色统计模块中伪彩色图像处理的过程是在指定灰度阈值的前提下对图像中的不同灰度赋以不同的颜色，根据不同伪彩色表征的阈值区间，计算各组织在影像中的比例信息，并记录于数据库。
7.一种如权利要求1所述的共聚焦激光显微内镜肺部影像的处理和分析系统的应用，其特征在于，所述共聚焦激光显微内镜肺部影像的处理和分析系统提供医生进行影像分析的交互平台，系统后台关联数据库，便于各类计算数据的存储和恢复。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610573980.3A CN106204609B (zh) | 2016-07-20 | 2016-07-20 | 共聚焦激光显微内镜肺部影像的处理和分析系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610573980.3A CN106204609B (zh) | 2016-07-20 | 2016-07-20 | 共聚焦激光显微内镜肺部影像的处理和分析系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106204609A true CN106204609A (zh) | 2016-12-07 |
| CN106204609B CN106204609B (zh) | 2019-03-19 |
Family
ID=57494676
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610573980.3A Active CN106204609B (zh) | 2016-07-20 | 2016-07-20 | 共聚焦激光显微内镜肺部影像的处理和分析系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106204609B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111126474A (zh) * | 2019-12-18 | 2020-05-08 | 山东大学齐鲁医院 | 共聚焦激光显微内镜消化道图像识别方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101779947A (zh) * | 2010-02-12 | 2010-07-21 | 广州市番禺区胆囊病研究所 | 一体化共聚焦显微硬质电子关节镜系统 |
| WO2013142366A1 (en) * | 2012-03-19 | 2013-09-26 | Genetic Innovations, Inc. | Devices, systems, and methods for virtual staining |
| EP2957299A1 (en) * | 2014-06-18 | 2015-12-23 | Klinikum rechts der Isar der Technischen Universität München | Peptide-based compounds and their uses for tumor imaging and targeting |
| CN105608707A (zh) * | 2016-01-20 | 2016-05-25 | 华东理工大学 | 针对荧光共聚焦肺部影像的图像处理系统及方法 |
-
2016
- 2016-07-20 CN CN201610573980.3A patent/CN106204609B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101779947A (zh) * | 2010-02-12 | 2010-07-21 | 广州市番禺区胆囊病研究所 | 一体化共聚焦显微硬质电子关节镜系统 |
| WO2013142366A1 (en) * | 2012-03-19 | 2013-09-26 | Genetic Innovations, Inc. | Devices, systems, and methods for virtual staining |
| EP2957299A1 (en) * | 2014-06-18 | 2015-12-23 | Klinikum rechts der Isar der Technischen Universität München | Peptide-based compounds and their uses for tumor imaging and targeting |
| CN105608707A (zh) * | 2016-01-20 | 2016-05-25 | 华东理工大学 | 针对荧光共聚焦肺部影像的图像处理系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李婧: "基于激光扫描共聚焦显微镜的相关图像处理技术研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111126474A (zh) * | 2019-12-18 | 2020-05-08 | 山东大学齐鲁医院 | 共聚焦激光显微内镜消化道图像识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106204609B (zh) | 2019-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9208582B2 (en) | Image analyzing system and method | |
| EP2685881B1 (en) | Medical instrument for examining the cervix | |
| CN108133476B (zh) | 一种肺结节自动检测方法及系统 | |
| CN111374712B (zh) | 一种超声成像方法及超声成像设备 | |
| WO2019000455A1 (zh) | 图像分割的方法及系统 | |
| JP2008259622A (ja) | レポート作成支援装置およびそのプログラム | |
| CN111508016B (zh) | 一种基于图像处理的白癜风区域色度值和面积计算的方法 | |
| CN117877691B (zh) | 一种基于图像识别的智能化伤口信息采集系统 | |
| WO2022048171A1 (zh) | 眼底图像的血管管径的测量方法及测量装置 | |
| CN106803251A (zh) | 由ct影像确定主动脉缩窄处压力差的装置与方法 | |
| CN109727260A (zh) | 一种基于ct影像的三维肺叶分割方法 | |
| CN111311626A (zh) | 基于ct图像的颅骨骨折自动检测方法及电子介质 | |
| CN108596174A (zh) | 一种皮肤病影像的病灶定位方法 | |
| CN112288735A (zh) | 一种基于神经网络的利用牙齿锥形束ct图自动检测牙折裂的方法 | |
| CN104507392A (zh) | 图像处理装置及图像处理方法 | |
| CN113298773A (zh) | 基于深度学习的心脏视图识别与左心室检测装置、系统 | |
| Chang et al. | Automatic facial skin defects detection and recognition system | |
| Li et al. | MVDI25K: A large-scale dataset of microscopic vaginal discharge images | |
| CN106204609A (zh) | 共聚焦激光显微内镜肺部影像的处理和分析系统及方法 | |
| CN113197549A (zh) | 一种通过人脸识别技术诊断疾病的系统 | |
| CN112863699A (zh) | 一种基于移动端的esd术前讨论系统 | |
| US20230214970A1 (en) | Skin surface analysis device and skin surface analysis method | |
| CN118015062A (zh) | 一种基于深度相机与实例分割算法的牲畜体尺测量方法 | |
| CN103561631A (zh) | 图像处理装置和图像处理方法 | |
| CN116563270A (zh) | 一种基于ct影像随机区域的肺气肿量化分析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |