CN106447650B - 基于spect平面显像的人体甲状腺测重方法 - Google Patents

基于spect平面显像的人体甲状腺测重方法 Download PDF

Info

Publication number
CN106447650B
CN106447650B CN201610739445.0A CN201610739445A CN106447650B CN 106447650 B CN106447650 B CN 106447650B CN 201610739445 A CN201610739445 A CN 201610739445A CN 106447650 B CN106447650 B CN 106447650B
Authority
CN
China
Prior art keywords
planar imaging
thyroid gland
area
interest
thyroid
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.)
Active
Application number
CN201610739445.0A
Other languages
English (en)
Other versions
CN106447650A (zh
Inventor
王俊平
邓晟
宁宁
禹舟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201610739445.0A priority Critical patent/CN106447650B/zh
Publication of CN106447650A publication Critical patent/CN106447650A/zh
Application granted granted Critical
Publication of CN106447650B publication Critical patent/CN106447650B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10108—Single photon emission computed tomography [SPECT]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine (AREA)

Abstract

一种基于SPECT平面显像的人体甲状腺测重方法，主要解决现有甲状腺测重方法中手工勾画感兴趣区域误差大效率低的问题。其实现步骤是：(1)输入甲状腺平面显像图；(2)对甲状腺平面显像图进行灰度化；(3)对甲状腺平面显像图进行二值化；(4)提取感兴趣区域；(5)计算感兴趣区域面积；(6)计算感兴趣区域左右半叶最长径；(7)计算甲状腺质量。本发明具有保证SPECT平面显像图完整性，有效地分割感兴趣区域并提取特征信息，快速地计算甲状腺重量的优点，能够在保证精度的情况下高效地完成甲状腺测重，可用于临床甲状腺疾病治疗中根据甲状腺重量估算用药剂量。

Description

基于SPECT平面显像的人体甲状腺测重方法
技术领域
本发明属于电子计算技术领域，更进一步涉及图像数据处理技术领域中的一种基于单光子发射计算机断层显像SPECT(Single-Photon Emission Computed Tomography)平面显像的人体甲状腺测重方法。本发明通过将临床甲状腺疾病治疗过程中人体甲状腺单光子发射计算机断层显像SPECT平面显像图灰度化，采用阈值分割法进行二值化，再利用数学形态学运算进行滤波后提取感兴趣区域，以此计算甲状腺特征值，实现人体甲状腺重量的估测。
背景技术
临床在甲状腺疾病治疗过程中的治疗效果跟药物剂量密切相关，在决定药物剂量的过程中，需要参考患者的甲状腺重量。
目前，常用的人体甲状腺测重方法有触诊法、彩超法、单光子发射计算机断层显像SPECT法等，但是到目前为止还不存在一个通用的方法。计算机断层显像SPECT法对人体甲状腺做体积积分能够构建人体甲状腺三维模型，但他仍然无法精确提取每个横断面感兴趣区域，并且计算量大、成像时间长对病人负担大。
目前，单光子发射计算机断层显像SPECT被广泛应用于甲状腺测重中，基于单光子发射计算机断层显像SPECT平面显像图的甲状腺测重算法是最简单、使用最普遍的方法之一。
单东风、张新弟、李卫娟在其发表的论文“Graves病131I治疗中甲状腺CT和SPECT两种不同测重方法疗效对比评价”(《临床放射学杂志》2013年第32卷第1期第33-36页)中公开了一种基于单光子发射计算机断层显像SPECT平面显像的甲状腺测重算法。该方法对输入的单光子发射计算机断层显像SPECT平面显像图直接人工勾画感兴趣区域，积分计算感兴趣区域面积，人工目测、手工勾画左右半叶最长径，进而求出甲状腺重量。该方法的不足之处是，在提取感兴趣区域的过程中，需要医生人工勾画感兴趣区域，而单光子发射计算机断层显像SPECT平面显像图因其成像特性，感兴趣边缘由于散射模糊不清，难以准确把握，人为误差较大。
上海市第六人民医院在其申请的专利文献“一种用于治疗甲状腺功能亢进症的系统”(专利申请号CN201610014778.7，公布号CN105447335A)中公开了一种针对Graves病所致的甲状腺功能亢进症的治疗系统。该系统中使用了一种人体甲状腺重量的计算方法，该方法根据患者超声检查图测出人体甲状腺左右半叶的左右径、前后径、上下径，利用公式求出人体甲状腺重量。这种计算人体甲状腺重量的方法存在的不足之处是，处理过程中需要手工勾勒人体甲状腺左右径、前后径、上下径，处理效率低，且精度无法保证。
发明内容
本发明的目的在于克服上述已有技术的不足，提出一种基于SPECT平面显像的甲状腺测重方法，通过将灰度处理后的甲状腺显像图二值化，利用数学形态学运算进行滤波并提取感兴趣区域，以此计算甲状腺特征值并估算出甲状腺重量，提高了甲状腺测重的效率和准确性。·
实现本发明目的的具体步骤如下：
(1)输入甲状腺平面显像图：
输入待处理的单光子发射计算机断层显像SPECT的甲状腺平面显像图；
(2)对甲状腺平面显像图进行灰度化：
(2a)利用灰度值计算公式，计算甲状腺平面显像图中每个像素点的灰度值；
(2b)将计算后所有像素点的灰度值，组成灰度化后的甲状腺平面显像图；
(3)对灰度化后的甲状腺平面显像图进行二值化；
(3a)使用最大类间方差法，计算灰度化后甲状腺平面显像图的全局阈值；
(3b)利用二值计算公式，计算甲状腺平面显像图中每个像素点的二值；
(3c)将计算的所有像素点的二值，组成二值化后的甲状腺平面显像图；
(4)提取甲状腺平面显像图的感兴趣区域：
(4a)从二值化后的甲状腺平面显像图中，滤除区域内像素总数小于2000个像素点的八邻域连通区域，得到第一次滤波后的甲状腺平面显像图；
(4b)选取半径为2的平坦型圆盘结构算子，对第一次滤波后的甲状腺平面显像图执行形态学膨胀运算，对运算结果执行形态学腐蚀运算，得到的第二次滤波后的甲状腺平面显像图；
(4c)将第二次滤波后的甲状腺平面显像图中，所有二值为0的像素点组成的区域作为甲状腺平面显像图的感兴趣区域；
(5)利用区域面积计算公式，计算甲状腺平面显像图的感兴趣区域的面积；
(6)计算甲状腺左右半叶最长径：
(6a)利用重心横坐标计算公式，计算甲状腺平面显像图的感兴趣区域的重心所对应的横坐标值；
(6b)在以重心的横坐标为中心，半径为100个像素点的水平邻域内，搜索感兴趣区域内垂直于水平方向的最短线段，以该最短线段为界，将感兴趣区域分为左右两部分，分别作为感兴趣区域的左半叶图像和感兴趣区域的右半叶图像；
(6c)选取半径为2的平坦型圆盘结构算子，对感兴趣区域的左半叶执行形态学腐蚀运算，得到的运算结果作为腐蚀后的左半叶图像，计算感兴趣区域的左半叶图像与腐蚀后的左半叶图像的对应像素点的二值的差，将得到的图像作为感兴趣区域的左半叶的边界图像；
(6d)在感兴趣区域的左半叶的边界图像中，任意选取两个二值为0的像素点组成线段，在所有可能组成的线段中，将最长的线段作为甲状腺的左半叶的最长径，将该最长径的长度作为甲状腺的左半叶的最长径值；
(6e)选取半径为2的平坦型圆盘结构算子，对感兴趣区域的右半叶执行形态学腐蚀运算，得到的运算结果作为腐蚀后的右半叶图像，计算感兴趣区域的右半叶图像与腐蚀后的右半叶图像的对应像素点的二值的差，将得到的图像作为感兴趣区域的右半叶的边界图像；
(6f)在感兴趣区域的右半叶的边界图像中，任意选取两个二值为0的像素点组成线段，在所有可能组成的线段中，将最长的线段作为甲状腺的右半叶的最长径，将该最长径的长度作为甲状腺的右半叶的最长径值；
(7)按照下式，计算待处理的单光子发射计算机断层显像SPECT的甲状腺平面显像图中甲状腺的重量：
W＝(HL+HR)×S×k
其中，W表示待处理的单光子发射计算机断层显像SPECT的甲状腺平面显像图中甲状腺的重量，HL表示甲状腺的左半叶的最长径值，HR表示甲状腺的右半叶的最长径值，S表示甲状腺平面显像图的感兴趣区域的面积，k表示常数0.32。
本发明与现有技术相比具有如下优点：
第一，由于本发明引入了提取感兴趣区域，通过面积像素阈值滤除多余面积并通过数学形态学运算滤除感兴趣区域内部噪点，自动提取出正确的感兴趣区域，克服了现有技术中需要医生人工勾画感兴趣区域，而单光子发射计算机断层显像SPECT平面显像图因其成像特性，感兴趣边缘由于散射模糊不清，难以准确把握，人为误差较大的问题，使得本发明能够在较好保证图像信息的完整性的情况下快速准确地提取感兴趣区域。
第二，由于本发明引入计算甲状腺左右半叶最长径，在数学形态学边缘提取的基础上分别求出甲状腺左右半叶最长径，克服了现有技术中需要手工勾勒人体甲状腺左右径、前后径、上下径，处理效率低，且精度无法保证的问题，使得本发明能够精确计算出感兴趣区域特征值，保证甲状腺重量计算的准确性。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图，对本发明的具体实施步骤做进一步的详细描述。
参照附图1，本发明的具体步骤如下。
步骤1.输入甲状腺平面显像图。
输入待处理的单光子发射计算机断层显像SPECT的甲状腺平面显像图。
步骤2.对甲状腺平面显像图进行灰度化。
第1步，利用灰度值计算公式，计算甲状腺平面显像图中每个像素点的灰度值。
本发明实施例中，所述的灰度值计算公式如下：
Li＝0.299×Ri+0.587×Gi+0.114×Bi
其中，Li表示甲状腺平面显像图中第i个像素点的灰度值，Ri表示甲状腺平面显像图中的第i个像素点的红色分量，Gi表示甲状腺平面显像图中的第i个像素点的绿色分量，Bi表示甲状腺平面显像图中的第i个像素点的蓝色分量。
第2步，将计算后所有像素点的灰度值，组成灰度化后的甲状腺平面显像图。
步骤3.对灰度化后的甲状腺平面显像图进行二值化。
第1步，使用最大类间方差法，计算灰度化后甲状腺平面显像图的全局阈值。
本发明实施例中，所述的使用最大类间方差法计算灰度化后甲状腺平面显像图的全局阈值的具体步骤如下：
第1步，从灰度化后甲状腺平面显像图中，任选一个未被使用过的像素点的灰度值作为参考灰度值。
第2步，将灰度值大于参考灰度值的灰度化后甲状腺平面显像图的像素点，作为前景像素点；将灰度值小于参考灰度值的灰度化后甲状腺平面显像图的像素点，作为背景像素点。
第3步，将背景像素点在灰度化后甲状腺平面显像图的所有像素点中所占的比例，作为背景像素点比例；将前景像素点在灰度化后甲状腺平面显像图的所有像素点中所占的比例，作为前景像素点比例。
第4步，将背景像素点灰度均值，作为背景平均灰度；将前景像素点灰度均值，作为前景平均灰度。
第5步，按照下式，计算灰度化后甲状腺平面显像图的前景和背景之间的类间方差值：
g＝ω0×ω1×(μ0-μ1)2
其中，g表示灰度化后甲状腺平面显像图的前景和背景之间的类间方差值，ω0表示背景像素点比例，ω1表示前景像素点比例，μ0表示背景平均灰度，μ1表示前景平均灰度。
第6步，判断灰度化后甲状腺平面显像图中的未被使用过的像素点中是否还存在灰度与已使用过的所有参考灰度值都不同的像素点，若是，则执行第1步，否则，执行第7步。
第7步，将类间方差中最大的类间方差所使用的参考灰度值，作为灰度化后甲状腺平面显像图的全局阈值。
第2步，利用二值计算公式，计算甲状腺平面显像图中每个像素点的二值。
本发明实施例中，所述的二值计算公式如下：
其中，BWi表示灰度化后甲状腺平面显像图中第i个像素点的二值，Li表示灰度化后甲状腺平面显像图中第i个像素点的灰度值，T表示灰度化后甲状腺平面显像图的全局阈值。
第3步，将计算的所有像素点的二值，组成二值化后的甲状腺平面显像图。
步骤4.提取甲状腺平面显像图的感兴趣区域。
第1步，从二值化后的甲状腺平面显像图中，滤除区域内像素总数小于2000个像素点的八邻域连通区域，得到第一次滤波后的甲状腺平面显像图。
第2步，选取半径为2的平坦型圆盘结构算子，对第一次滤波后的甲状腺平面显像图执行形态学膨胀运算，对运算结果执行形态学腐蚀运算，得到的第二次滤波后的甲状腺平面显像图。
第3步，将第二次滤波后的甲状腺平面显像图中，所有二值为0的像素点组成的区域作为甲状腺平面显像图的感兴趣区域。
步骤5.利用区域面积计算公式，计算甲状腺平面显像图的感兴趣区域的面积；
本发明实施例中，所述的区域面积计算公式如下：
其中，S表示甲状腺平面显像图的感兴趣区域的面积，P表示甲状腺平面显像图的感兴趣区域内的像素点总数，表示单光子发射计算机断层显像SPECT仪的放大倍数，n表示单光子发射计算机断层显像SPECT的平面显像图中每英寸包含像素点数。
步骤6.计算甲状腺左右半叶最长径。
第1步，利用重心横坐标计算公式，计算甲状腺平面显像图的感兴趣区域的重心所对应的横坐标值。
本发明实施例中，所述的重心横坐标计算公式如下：
其中，表示甲状腺平面显像图的感兴趣区域的重心的横坐标值，P表示甲状腺平面显像图的感兴趣区域内的像素点总数，∑表示求和操作，xi表示甲状腺平面显像图的感兴趣区域内的第i个像素点的横坐标值。
第2步，在以重心的横坐标为中心，半径为100个像素点的水平邻域内，搜索感兴趣区域内垂直于水平方向的最短线段，以该最短线段为界，将感兴趣区域分为左右两部分，分别作为感兴趣区域的左半叶图像和感兴趣区域的右半叶图像。
第3步，选取半径为2的平坦型圆盘结构算子，对感兴趣区域的左半叶执行形态学腐蚀运算，得到的运算结果作为腐蚀后的左半叶图像，计算感兴趣区域的左半叶图像与腐蚀后的左半叶图像的对应像素点的二值的差，将得到的图像作为感兴趣区域的左半叶的边界图像。
第4步，在感兴趣区域的左半叶的边界图像中，任意选取两个二值为0的像素点组成线段，在所有可能组成的线段中，将最长的线段作为甲状腺的左半叶的最长径，将该最长径的长度作为甲状腺的左半叶的最长径值。
第5步，选取半径为2的平坦型圆盘结构算子，对感兴趣区域的右半叶执行形态学腐蚀运算，得到的运算结果作为腐蚀后的右半叶图像，计算感兴趣区域的右半叶图像与腐蚀后的右半叶图像的对应像素点的二值的差，将得到的图像作为感兴趣区域的右半叶的边界图像。
第6步，在感兴趣区域的右半叶的边界图像中，任意选取两个二值为0的像素点组成线段，在所有可能组成的线段中，将最长的线段作为甲状腺的右半叶的最长径，将该最长径的长度作为甲状腺的右半叶的最长径值。
步骤7.按照下式，计算待处理的单光子发射计算机断层显像SPECT的甲状腺平面显像图中甲状腺的重量：
W＝(HL+HR)×S×k
其中，W表示待处理的单光子发射计算机断层显像SPECT的甲状腺平面显像图中甲状腺的重量，HL表示甲状腺的左半叶的最长径值，HR表示甲状腺的右半叶的最长径值，S表示甲状腺平面显像图的感兴趣区域的面积，k表示常数0.32。
下面结合仿真实验对本发明的效果做进一步的描述。
1.仿真条件：
在CPU为Pentium(R)Dual-Core 3.20GHZ、内存4G、WINDOWS 7旗舰版64位操作系统上使用MATLAB R2014a编程环境进行仿真。
2.仿真内容：
用本发明方法和现有手工勾画感兴趣区域和甲状腺左右半叶最长径方法分别对一组单光子发射计算机断层显像SPECT的甲状腺平面显像图做甲状腺测重，并比较其结果。
3.仿真实验结果分析：
本发明的仿真实验是采用本发明方法和现有技术手工勾画感兴趣区域和甲状腺左右半叶最长径方法，分别对30张SPECT甲状腺平面显像图做甲状腺测重，所有甲状腺测重的结果如表1所示。
表1仿真实验的结果一览表
对现有手工勾画感兴趣区域和甲状腺左右半叶最长径方法求出甲状腺重量做统计学分析，两种方法所求得的甲状腺重量之间的相关性系数为0.982，具有高度相关性。
现有手工勾画感兴趣区域和甲状腺左右半叶最长径方法求出甲状腺重量平均每张SPECT甲状腺平面显像图耗时1分钟，而本发明方法只需要5秒钟，处理速度明显优于现有方法。
从表1中可以看出，采用基于单光子发射计算机断层显像SPECT(Single-PhotonEmission Computed Tomography)平面显像的人体甲状腺测重方法，能够在较好的保证图像信息的完整性的情况下快速准确地提取感兴趣区域，精确计算出感兴趣区域特征值，保证甲状腺重量计算的准确性的同时大幅度提高了处理速度。

Claims (4)

1.一种基于SPECT平面显像的人体甲状腺测重方法，具体步骤如下：
(1)输入甲状腺平面显像图：
输入待处理的单光子发射计算机断层显像SPECT的甲状腺平面显像图；
(2)对甲状腺平面显像图进行灰度化：
(2a)利用灰度值计算公式，计算甲状腺平面显像图中每个像素点的灰度值；
(2b)将计算后所有像素点的灰度值，组成灰度化后的甲状腺平面显像图；
(3)对灰度化后的甲状腺平面显像图进行二值化；
(3a)使用最大类间方差法，计算灰度化后甲状腺平面显像图的全局阈值；
所述的使用最大类间方差法计算灰度化后甲状腺平面显像图的全局阈值的具体步骤如下：
第1步，从灰度化后甲状腺平面显像图中，任选一个未被使用过的像素点的灰度值作为参考灰度值；
第2步，将灰度值大于参考灰度值的灰度化后甲状腺平面显像图的像素点，作为前景像素点；将灰度值小于参考灰度值的灰度化后甲状腺平面显像图的像素点，作为背景像素点；
第3步，将背景像素点在灰度化后甲状腺平面显像图的所有像素点中所占的比例，作为背景像素点比例；将前景像素点在灰度化后甲状腺平面显像图的所有像素点中所占的比例，作为前景像素点比例；
第4步，将背景像素点灰度均值，作为背景平均灰度；将前景像素点灰度均值，作为前景平均灰度；
第5步，按照下式，计算灰度化后甲状腺平面显像图的前景和背景之间的类间方差值：
g＝ω0×ω1×(μ0-μ1)2
其中，g表示灰度化后甲状腺平面显像图的前景和背景之间的类间方差值，ω0表示背景像素点比例，ω1表示前景像素点比例，μ0表示背景平均灰度，μ1表示前景平均灰度；
第6步，判断灰度化后甲状腺平面显像图中的未被使用过的像素点中是否还存在灰度与已使用过的所有参考灰度值都不同的像素点，若是，则执行第1步，否则，执行第7步；
第7步，将类间方差中最大的类间方差所使用的参考灰度值，作为灰度化后甲状腺平面显像图的全局阈值；
(3b)利用二值计算公式，计算甲状腺平面显像图中每个像素点的二值；
(3c)将计算的所有像素点的二值，组成二值化后的甲状腺平面显像图；
(4)提取甲状腺平面显像图的感兴趣区域：
(4a)从二值化后的甲状腺平面显像图中，滤除区域内像素总数小于2000个像素点的八邻域连通区域，得到第一次滤波后的甲状腺平面显像图；
(4b)选取半径为2的平坦型圆盘结构算子，对第一次滤波后的甲状腺平面显像图执行形态学膨胀运算，对运算结果执行形态学腐蚀运算，得到的第二次滤波后的甲状腺平面显像图；
(4c)将第二次滤波后的甲状腺平面显像图中，所有二值为0的像素点组成的区域作为甲状腺平面显像图的感兴趣区域；
(5)利用区域面积计算公式，计算甲状腺平面显像图的感兴趣区域的面积；
所述的区域面积计算公式如下：
其中，S表示甲状腺平面显像图的感兴趣区域的面积，P表示甲状腺平面显像图的感兴趣区域内的像素点总数，表示单光子发射计算机断层显像SPECT仪的放大倍数，n表示单光子发射计算机断层显像SPECT的平面显像图中每英寸包含像素点数；
(6)计算甲状腺左右半叶最长径：
(6a)利用重心横坐标计算公式，计算甲状腺平面显像图的感兴趣区域的重心所对应的横坐标值；
(6b)在以重心的横坐标为中心，半径为100个像素点的水平邻域内，搜索感兴趣区域内垂直于水平方向的最短线段，以该最短线段为界，将感兴趣区域分为左右两部分，分别作为感兴趣区域的左半叶图像和感兴趣区域的右半叶图像；
(6c)选取半径为2的平坦型圆盘结构算子，对感兴趣区域的左半叶执行形态学腐蚀运算，得到的运算结果作为腐蚀后的左半叶图像，计算感兴趣区域的左半叶图像与腐蚀后的左半叶图像的对应像素点的二值的差，将得到的图像作为感兴趣区域的左半叶的边界图像；
(6d)在感兴趣区域的左半叶的边界图像中，任意选取两个二值为0的像素点组成线段，在所有可能组成的线段中，将最长的线段作为甲状腺的左半叶的最长径，将该最长径的长度作为甲状腺的左半叶的最长径值；
(6e)选取半径为2的平坦型圆盘结构算子，对感兴趣区域的右半叶执行形态学腐蚀运算，得到的运算结果作为腐蚀后的右半叶图像，计算感兴趣区域的右半叶图像与腐蚀后的右半叶图像的对应像素点的二值的差，将得到的图像作为感兴趣区域的右半叶的边界图像；
(6f)在感兴趣区域的右半叶的边界图像中，任意选取两个二值为0的像素点组成线段，在所有可能组成的线段中，将最长的线段作为甲状腺的右半叶的最长径，将该最长径的长度作为甲状腺的右半叶的最长径值；
(7)按照下式，计算待处理的单光子发射计算机断层显像SPECT的甲状腺平面显像图中甲状腺的重量：
W＝(HL+HR)×S×k
其中，W表示待处理的单光子发射计算机断层显像SPECT的甲状腺平面显像图中甲状腺的重量，HL表示甲状腺的左半叶的最长径值，HR表示甲状腺的右半叶的最长径值，S表示甲状腺平面显像图的感兴趣区域的面积，k表示常数0.32。
2.根据权利要求1所述的基于SPECT平面显像的人体甲状腺测重方法，其特征在于，步骤(2a)所述的灰度值计算公式如下：
Li＝0.299×Ri+0.587×Gi+0.114×Bi
其中，Li表示甲状腺平面显像图中第i个像素点的灰度值，Ri表示甲状腺平面显像图中的第i个像素点的红色分量，Gi表示甲状腺平面显像图中的第i个像素点的绿色分量，Bi表示甲状腺平面显像图中的第i个像素点的蓝色分量。
3.根据权利要求1所述的基于SPECT平面显像的人体甲状腺测重方法，其特征在于，步骤(3b)所述的二值计算公式如下：
其中，BWi表示灰度化后甲状腺平面显像图中第i个像素点的二值，Li表示灰度化后甲状腺平面显像图中第i个像素点的灰度值，T表示灰度化后甲状腺平面显像图的全局阈值。
4.根据权利要求1所述的基于SPECT平面显像的人体甲状腺测重方法，其特征在于，步骤(6a)所述的重心横坐标计算公式如下：
其中，表示甲状腺平面显像图的感兴趣区域的重心的横坐标值，P表示甲状腺平面显像图的感兴趣区域内的像素点总数，∑表示求和操作，xi表示甲状腺平面显像图的感兴趣区域内的第i个像素点的横坐标值。
CN201610739445.0A 2016-08-26 2016-08-26 基于spect平面显像的人体甲状腺测重方法 Active CN106447650B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610739445.0A CN106447650B (zh) 2016-08-26 2016-08-26 基于spect平面显像的人体甲状腺测重方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610739445.0A CN106447650B (zh) 2016-08-26 2016-08-26 基于spect平面显像的人体甲状腺测重方法

Publications (2)

Publication Number Publication Date
CN106447650A CN106447650A (zh) 2017-02-22
CN106447650B true CN106447650B (zh) 2019-07-02

Family

ID=58182266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610739445.0A Active CN106447650B (zh) 2016-08-26 2016-08-26 基于spect平面显像的人体甲状腺测重方法

Country Status (1)

Country Link
CN (1) CN106447650B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108831532B (zh) * 2018-06-15 2022-03-29 北京大学第一医院 一种核医学甲状腺显像图像处理方法及系统
CN111904450B (zh) * 2020-09-07 2023-11-07 北京永新医疗设备有限公司 左心室中心和感兴趣区域的提取方法、装置及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751437A (zh) * 2013-12-30 2015-07-01 蓝网科技有限公司 基于胸部ct图像的肺部自动提取方法
CN105335967A (zh) * 2015-10-16 2016-02-17 中国人民解放军国防科学技术大学 基于局部最大类间方差和数学形态学的手背静脉纹路提取方法
CN105447335A (zh) * 2016-01-11 2016-03-30 上海市第六人民医院 一种用于治疗甲状腺功能亢进症的系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751437A (zh) * 2013-12-30 2015-07-01 蓝网科技有限公司 基于胸部ct图像的肺部自动提取方法
CN105335967A (zh) * 2015-10-16 2016-02-17 中国人民解放军国防科学技术大学 基于局部最大类间方差和数学形态学的手背静脉纹路提取方法
CN105447335A (zh) * 2016-01-11 2016-03-30 上海市第六人民医院 一种用于治疗甲状腺功能亢进症的系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"SPECT断层显像和平面显像测算甲状腺重量准确性的比较";邓波等;《广东医学院学报》;20040229;第22卷(第1期);第20页第1.3节
"Study on ROI extraction and weighing in thyroid SPECT scintigraphy";Deng Cheng等;《Asia Oceania Journal of Nuclear Medicine & Bioligy》;20160715;第4卷;第S22页左栏

Also Published As

Publication number Publication date
CN106447650A (zh) 2017-02-22

Similar Documents

Publication Publication Date Title
CN107622492B (zh) 肺裂分割方法及系统
Berssenbrügge et al. 2D and 3D analysis methods of facial asymmetry in comparison
Shui et al. Densely calculated facial soft tissue thickness for craniofacial reconstruction in Chinese adults
CN106340015B (zh) 一种关键点的定位方法和装置
Henseler et al. Investigation into accuracy and reproducibility of a 3D breast imaging system using multiple stereo cameras
CN109003299A (zh) 一种基于深度学习的计算脑出血量的方法
KR20130136519A (ko) 파노라마 엑스선 사진을 이용한 진단 지원 시스템, 및 파노라마 엑스선 사진을 이용한 진단 지원 프로그램
CN109903277A (zh) 一种基于多项式曲线拟合的脊柱侧弯检测方法
Lee et al. Deep learning based cephalometric landmark identification using landmark-dependent multi-scale patches
Bedalov et al. Sex estimation of the sternum by automatic image processing of multi-slice computed tomography images in a Croatian population sample: a retrospective study
Rueda et al. An approach for the automatic cephalometric landmark detection using mathematical morphology and active appearance models
Ebrahimi et al. Vertebral rotation estimation from frontal X-rays using a quasi-automated pedicle detection method
CN106447650B (zh) 基于spect平面显像的人体甲状腺测重方法
CN107862699A (zh) 骨骼ct图像的骨骼边缘提取方法、装置、设备及存储介质
CN111723836A (zh) 图像相似度的计算方法及装置、电子设备、存储介质
Gunz Computed tools for paleoneurology
CN109285176A (zh) 一种基于正则化图割的大脑组织分割方法
CN105184741A (zh) 基于改进非局部均值的三维cbct图像除噪方法
CN116725563B (zh) 眼球突出度测量装置
Giannoglou et al. Review of advances in Cobb angle calculation and image-based modelling techniques for spinal deformities
CN116778559A (zh) 基于高斯过程与随机变换的面部皱纹三维评价方法及系统
Myint et al. Effective kidney segmentation using gradient based approach in abdominal CT images
CN115953359A (zh) 一种数字化口腔模型标志点识别方法、装置及电子设备
Choi et al. Automatic initialization active contour model for the segmentation of the chest wall on chest CT
WO2021103048A1 (zh) 测量肌肉肌纤维束线斜率和羽状角的方法及终端设备

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