CN106778005A - 基于多参数mri的前列腺癌计算机辅助检测方法及系统 - Google Patents

基于多参数mri的前列腺癌计算机辅助检测方法及系统 Download PDF

Info

Publication number
CN106778005A
CN106778005A CN201611225668.1A CN201611225668A CN106778005A CN 106778005 A CN106778005 A CN 106778005A CN 201611225668 A CN201611225668 A CN 201611225668A CN 106778005 A CN106778005 A CN 106778005A
Authority
CN
China
Prior art keywords
region
prostate
dwi
adc
image
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
Application number
CN201611225668.1A
Other languages
English (en)
Other versions
CN106778005B (zh
Inventor
谌先敢
刘海华
陆雪松
高智勇
李旭
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.)
South Central Minzu University
Original Assignee
South Central University for Nationalities
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 South Central University for Nationalities filed Critical South Central University for Nationalities
Priority to CN201611225668.1A priority Critical patent/CN106778005B/zh
Publication of CN106778005A publication Critical patent/CN106778005A/zh
Application granted granted Critical
Publication of CN106778005B publication Critical patent/CN106778005B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30081—Prostate

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于多参数MRI的前列腺癌计算机辅助检测方法及系统，涉及医学图像处理领域。该方法包括以下步骤：在训练阶段，首先对病例样本进行预处理，然后自动提取前列腺区域和病灶候选区域，接着计算病灶候选区域的特征，用来训练分类器；在测试阶段，使用训练好的分类器，来对测试病例样本中经过自动提取的病灶候选区域的特征进行分类，得到相应的诊断结果，作为参考意见提供给医生。本发明给放射科医生提供一系列的量化指标及相应的恶性概率值，能有效辅助医生利用MRI图像对前列腺癌进行诊断。

Description

基于多参数MRI的前列腺癌计算机辅助检测方法及系统
技术领域
本发明涉及医学图像处理领域，具体是涉及一种基于多参数MRI的前列腺癌计算机辅助检测方法及系统。
背景技术
PCa(Prostate Cancer，前列腺癌)是世界上男性的第二大癌症，在美国，大约1/6的男人会得前列腺癌，1/36的男人会死于这种疾病。目前，前列腺癌的诊断方法有：TRUS(Trans-rectal Ultrasound，超声引导下经直肠)前列腺穿刺活检术和PSA(Prostate-specific Antigen，前列腺特异抗原)血清检查。前列腺穿刺活检会给病人带来较大不适，可能会发生严重感染。前列腺特异抗原具有前列腺组织特异性，而不具前列腺癌特异性，前列腺癌与良性前列腺增生的血清PSA结果存在相当程度的重叠。
不同于上述两种方法，多参数MRI(Magnetic Resonance Imaging，磁共振成像)能够探测前列腺区域的形态和功能信息，已经成为一种较好的前列腺癌诊断方法。与前列腺癌诊断相关的MRI序列包括T2WI(T2Weight Imaging，T2加权图像)、DWI(Diffusion WeightImaging，弥散加权成像)、DCE(Dynamic Contrast Enhanced，动态增强)、磁共振波谱成像(MR spectroscopy)等等。放射科医生整合这些不同的序列的信息来进行诊断。
由于放射科医生本身的限制和MRI图像数据的复杂性，放射科医生的诊断效率不高，特别是对于经验不足的医生。在前列腺癌的MRI图像诊断过程中，需要经验丰富的放射科医生分析从不同MRI序列提取的数据，劳动量十分巨大。而且，在诊断过程中，人为疏忽和感知错误也会造成一定的误诊，不同放射科医生对同一病例的判断也会由于经验不同而存在一定的差异。对于经验不足的放射科医生来说，从各种不同MRI序列对前列腺癌进行诊断非常具有挑战性。
计算机辅助诊断(CAD)是指使用计算机对医学图像进行分析，得到分析结果作为“参考意见”，由医生进行诊断。目前，比较成熟的CAD系统包括：乳腺X射线摄影CAD系统和胸部X光片CAD系统。在前列腺癌计算机辅助诊断领域，研究者已经设计出一些基于多参数MRI的前列腺癌计算机辅助诊断系统，在训练阶段，这些系统从MRI序列提取各类不同的特征，用来训练分类器，在测试阶段，使用训练好的分类器，来对测试病例的特征进行分类，得到相应的诊断结果。
目前有些方法提取像素点特征，这些方法一般是以某像素点为中心的局部窗口内的统计特征作为该点的特征，这些方法的不足在于：像素点的数目较多，会造成训练的数据量过大，且所用的像素点特征无法描述整个病变区域的全貌，不像区域特征那样容易被医生所理解。另外一些方法提取病灶候选区域的特征，例如：尺寸、形状、纹理、不对称性，不足之处在于：前列腺区域的分割本身就是一个困难的问题，且前列腺区域内的癌症病灶也需要有经验的医生手工分割来获取，同时，还需要更多的有效特征来描述前列腺癌的病灶区域。因此，亟待开发能够帮助放射科医生进行前列腺癌的诊断的技术。
发明内容
本发明的目的是为了帮助放射科医生进行前列腺癌的诊断，提供一种基于多参数MRI的前列腺癌计算机辅助检测方法及系统，给放射科医生提供一系列的量化指标及相应的恶性概率值，能有效辅助医生利用MRI图像对前列腺癌进行诊断。
本发明提供一种基于多参数MRI的前列腺癌计算机辅助检测方法，包括以下步骤：
A、训练阶段：
A1、对训练集合中的每个病例的三种磁共振成像MRI序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素对应人体内的同一部位；
A2、在IDWI上分割出前列腺区域，在IADC上分割出病灶候选区域；
A3、计算IT2、IDWI、IADC的病灶候选区域中每个候选区域的特征；
A4、将步骤A3得到的训练集合中全部病例的特征送入分类器进行训练，生成训练模型；
B、识别阶段：
B1、对测试集合中的病例的三种MRI序列IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素对应人体内的同一部位；
B2、在IDWI上分割出前列腺区域，在IADC上分割出病灶候选区域；
B3、计算IT2、IDWI、IADC的病灶候选区域中每个候选区域的特征；
B4、将步骤B3得到的特征送入步骤A4生成的训练模型进行测试，病例中的每个病灶候选区域都得到一个相应的恶性概率值。
在上述技术方案的基础上，步骤A1、B1中进行预处理的过程如下：
步骤101、对IDWI进行放大和剪切：
放大由扩展插值算子实现，如果要扩展一倍的尺寸，则在水平和垂直两个方向上增强一倍的像素，即每行任意两个像素间需要插入一个值，每两行间需插入一行；插值算子采用双立方插值方法；
放大的倍数为IDWI中的像素间距参数和IT2中的像素间距参数的比值，其中像素间距参数表示图像中两个相邻像素在真实物理空间中的距离；
以放大后的图像的中心点为新图像的中心，对放大后的图像进行剪切，使新图像与IT2的尺寸一致；
步骤102、对IADC也进行放大和剪切：
放大由扩展插值算子实现，如果要扩展一倍的尺寸，则在水平和垂直两个方向上增强一倍的像素，即每行任意两个像素间需要插入一个值，每两行间需插入一行；插值算子采用双立方插值方法；
放大的倍数为IADC中的像素间距参数和IT2中的像素间距参数的比值，其中像素间距参数表示图像中两个相邻像素在真实物理空间中的距离；
以放大后的图像的中心点为新图像的中心，对放大后的图像进行剪切，使新图像与IT2的尺寸一致；
经过步骤101和步骤102的处理，IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素对应人体内的同一部位。
在上述技术方案的基础上，步骤A2、B2中，在IDWI上分割出前列腺区域的过程如下：根据经验设置一个初始阈值，在IDWI图像进行阈值分割，得到二值图，然后找到该二值图中的最大连通子图，进行区域填充，计算经过填充之后的连通子图的外切矩形，判断该矩形的长是否大于宽，若否，则调整阈值，重复以上过程；若是，则判断上述的最大连通子图的质心与图像中心的距离是否大于某一阈值，若是，则说明该连通子图不满足要求，以图像中心为种子点，进行区域生长；若否，则说明该连通子图满足要求；计算最后得到的分割结果的凸包，作为前列腺区域，表示为IPro。
在上述技术方案的基础上，步骤A2、B2中，在IADC上分割出病灶候选区域的过程如下：根据前面得到的前列腺区域IPro，计算IPro中前列腺区域的外切矩形，表示为RectROI；矩形区域RectROI扩展到IADC中，作为进行阈值分割的候选区域，表示为IADCCrop；
根据经验设置一个初始阈值，在IADCCrop图像进行阈值分割，得到二值图，使用前列腺区域IPro对该结构进行约束，分别计算各个病灶候选区域的面积，判断面积和是否大于某一阈值或者阈值的调整次数是否大于n次，n为根据经验得到的值，若否，则调整阈值，重复以上过程；若是，则判断病灶总面积是否小于某一阈值，若是，则表明ADC图像效果不佳，在DWI上进行阈值分割，然后进行下一步；若否，则直接进行下一步；
去掉像素点数小于num的候选区域，45≤num≤55，且num为正整数，为MRI中所能观察到的最小肿瘤所对应的像素点数，之后，计算最大连通子图面积与病灶总面积的比值，若该比值大于某一阈值，则只保留该最大连通子图，作为病灶候选区域所在的位置，然后进行下一步；若否，则直接进行下一步；
将所有连通子图作为病灶候选区域所在位置，使用马尔科夫随机场MRF模型分割算法，对IADCCrop图像进行分割，联合上述的病灶候选区域所在位置和MRF分割结果，得到病灶候选区域的位置和形状，得到的病灶候选区域表示为ILes。
在上述技术方案的基础上，步骤A3、B3中，每个候选区域的特征包括：原始的多参数MRI信号、纹理特征和两类新特征，两类新特征用来表示病灶与周围组织的关系，其中一类特征表示病灶与周围组织差异，表示为Fd；另外一类特征表示病灶在前列腺中的位置，表示为Fl；特征Fd表示病灶与周围组织差异，病灶区域表示为A；病灶区域经过形态学膨胀处理得到的区域表示为B；病灶的周围组织表示为B-A；
病灶周边差异特征包含两类：病灶周边信号强度差异特征和病灶周边纹理差异特征
其中，表示病灶周边信号强度差异特征，SIA表示区域A的平均信号强度，SIB-A表示区域B-A的平均信号强度；
其中，表示病灶周边纹理差异特征，TA表示区域A的纹理特征，TB-A表示区域B-A的纹理特征；
纹理特征的计算步骤为：首先，MRI序列上的信号被缩放到0-256灰度区间；然后，对每个像素点，以该点为中心的5*5的区域内信息的灰度共生矩阵被计算，该共生矩阵的能量、对比度、相关、熵、均匀性作为该像素点的纹理特征；区域A或区域B-A的纹理特征为该区域中全部像素点的纹理特征的平均值；
特征Fl表示病灶在前列腺中的位置，步骤A2已经获取了前列腺区域和病灶候选区域，在此基础上分别提取这两个区域的质心，计算两个区域的质心的相对位置，表明病变部位在前列腺中的位置，椭圆表示前列腺区域，椭圆中的不规则形状表示病灶区域，点C和点D分别为前列腺区域和病灶区域的质心，连接两个质心做直线，与病灶区域和前列腺区域的边界产生两个交点E和F，E和F之间的距离记为LEF，C和F之间的距离记为LCF，这两个距离的比值d记为：
以点C为极点，建立极坐标系，点D的极坐标记为(θD，ρD)，特征Fl由d和(θD，ρD)组成，用来确定病灶在前列腺中的位置。
本发明还提供一种基于多参数MRI的前列腺癌计算机辅助检测系统，该系统包括训练单元和识别单元，训练单元包括第一预处理模块、第一分割模块、第一计算模块和训练模块；
第一预处理子单元用于：在训练阶段，对训练集合中的每个病例的三种磁共振成像MRI序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素对应人体内的同一部位；
第一分割模块用于：在训练阶段，在IDWI上分割出前列腺区域，在IADC上分割出病灶候选区域；
第一计算模块用于：在训练阶段，计算IT2、IDWI、IADC的病灶候选区域中每个候选区域的特征；
训练模块用于：将第一计算模块得到的训练集合中全部病例的特征送入分类器进行训练，生成训练模型；
识别单元包括第二预处理模块、第二分割模块、第二计算模块和测试模块；
第二预处理模块用于：在识别阶段，对测试集合中的病例的三种MRI序列IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素对应人体内的同一部位；
第二分割模块用于：在识别阶段，在IDWI上分割出前列腺区域，在IADC上分割出病灶候选区域；
第二计算模块用于：在识别阶段，计算IT2、IDWI、IADC的病灶候选区域中每个候选区域的特征；
测试模块用于：在识别阶段，将第二计算模块得到的特征送入训练模块生成的训练模型进行测试，病例中的每个病灶候选区域都得到一个相应的恶性概率值。
在上述技术方案的基础上，所述第一预处理模块、第二预处理模块进行预处理的过程如下：
步骤101、对IDWI进行放大和剪切：
放大由扩展插值算子实现，如果要扩展一倍的尺寸，则在水平和垂直两个方向上增强一倍的像素，即每行任意两个像素间需要插入一个值，每两行间需插入一行；插值算子采用双立方插值方法；
放大的倍数为IDWI中的像素间距参数和IT2中的像素间距参数的比值，其中像素间距参数表示图像中两个相邻像素在真实物理空间中的距离；
以放大后的图像的中心点为新图像的中心，对放大后的图像进行剪切，使新图像与IT2的尺寸一致；
步骤102、对IADC也进行放大和剪切：
放大由扩展插值算子实现，如果要扩展一倍的尺寸，则在水平和垂直两个方向上增强一倍的像素，即每行任意两个像素间需要插入一个值，每两行间需插入一行；插值算子采用双立方插值方法；
放大的倍数为IADC中的像素间距参数和IT2中的像素间距参数的比值，其中像素间距参数表示图像中两个相邻像素在真实物理空间中的距离；
以放大后的图像的中心点为新图像的中心，对放大后的图像进行剪切，使新图像与IT2的尺寸一致；
经过步骤101和步骤102的处理，IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素对应人体内的同一部位。
在上述技术方案的基础上，所述第一分割模块、第二分割模块在IDWI上分割出前列腺区域的过程如下：根据经验设置一个初始阈值，在IDWI图像进行阈值分割，得到二值图，然后找到该二值图中的最大连通子图，进行区域填充，计算经过填充之后的连通子图的外切矩形，判断该矩形的长是否大于宽，若否，则调整阈值，重复以上过程；若是，则判断上述的最大连通子图的质心与图像中心的距离是否大于某一阈值，若是，则说明该连通子图不满足要求，以图像中心为种子点，进行区域生长；若否，则说明该连通子图满足要求；计算最后得到的分割结果的凸包，作为前列腺区域，表示为IPro。
在上述技术方案的基础上，所述第一分割模块、第二分割模块在IADC上分割出病灶候选区域的过程如下：根据前面得到的前列腺区域IPro，计算IPro中前列腺区域的外切矩形，表示为RectROI；矩形区域RectROI扩展到IADC中，作为进行阈值分割的候选区域，表示为IADCCrop；
根据经验设置一个初始阈值，在IADCCrop图像进行阈值分割，得到二值图，使用前列腺区域IPro对该结构进行约束，分别计算各个病灶候选区域的面积，判断面积和是否大于某一阈值或者阈值的调整次数是否大于n次，n为根据经验得到的值，若否，则调整阈值，重复以上过程；若是，则判断病灶总面积是否小于某一阈值，若是，则表明ADC图像效果不佳，在DWI上进行阈值分割，然后进行下一步；若否，则直接进行下一步；
去掉像素点数小于num的候选区域，45≤num≤55，且num为正整数，为MRI中所能观察到的最小肿瘤所对应的像素点数，之后，计算最大连通子图面积与病灶总面积的比值，若该比值大于某一阈值，则只保留该最大连通子图，作为病灶候选区域所在的位置，然后进行下一步；若否，则直接进行下一步；
将所有连通子图作为病灶候选区域所在位置，使用马尔科夫随机场MRF模型分割算法，对IADCCrop图像进行分割，联合上述的病灶候选区域所在位置和MRF分割结果，得到病灶候选区域的位置和形状，得到的病灶候选区域表示为ILes。
在上述技术方案的基础上，所述第一计算模块、第二计算模块计算IT2、IDWI、IADC的病灶候选区域中每个候选区域的特征时，每个候选区域的特征包括：原始的多参数MRI信号、纹理特征和两类新特征，两类新特征用来表示病灶与周围组织的关系，其中一类特征表示病灶与周围组织差异，表示为Fd；另外一类特征表示病灶在前列腺中的位置，表示为Fl；特征Fd表示病灶与周围组织差异，病灶区域表示为A；病灶区域经过形态学膨胀处理得到的区域表示为B；病灶的周围组织表示为B-A；
病灶周边差异特征包含两类：病灶周边信号强度差异特征和病灶周边纹理差异特征
其中，表示病灶周边信号强度差异特征，SIA表示区域A的平均信号强度，SIB-A表示区域B-A的平均信号强度；
其中，表示病灶周边纹理差异特征，TA表示区域A的纹理特征，TB-A表示区域B-A的纹理特征；
纹理特征的计算步骤为：首先，MRI序列上的信号被缩放到0-256灰度区间；然后，对每个像素点，以该点为中心的5*5的区域内信息的灰度共生矩阵被计算，该共生矩阵的能量、对比度、相关、熵、均匀性作为该像素点的纹理特征；区域A或区域B-A的纹理特征为该区域中全部像素点的纹理特征的平均值；
特征Fl表示病灶在前列腺中的位置，第一分割模块已经获取了前列腺区域和病灶候选区域，在此基础上分别提取这两个区域的质心，计算两个区域的质心的相对位置，表明病变部位在前列腺中的位置，椭圆表示前列腺区域，椭圆中的不规则形状表示病灶区域，点C和点D分别为前列腺区域和病灶区域的质心，连接两个质心做直线，与病灶区域和前列腺区域的边界产生两个交点E和F，E和F之间的距离记为LEF，C和F之间的距离记为LCF，这两个距离的比值d记为：
以点C为极点，建立极坐标系，点D的极坐标记为(θD，ρD)，特征Fl由d和(θD，ρD)组成，用来确定病灶在前列腺中的位置。
与现有技术相比，本发明的优点如下：
(1)本发明在训练阶段，首先对病例样本进行预处理，然后自动提取前列腺区域和病灶候选区域，接着计算病灶候选区域的特征，用来训练分类器；在测试阶段，使用训练好的分类器，来对测试病例的特征进行分类，得到相应的诊断结果，作为参考意见提供给医生。本发明能有效辅助医生利用MRI图像对前列腺癌进行诊断。
(2)针对T2WI序列上的前列腺区域难以分割的问题，本发明不在T2WI序列上进行前列腺的分割，而在DWI序列上使用阈值分割和区域生长相结合，获取前列腺区域及其外切矩形区域，然后自动扩展到其他序列，使用分割出来的前列腺区域作为约束，以便进行下一步的病灶候选区域的检测。
(3)针对前列腺区域内的病灶候选区域难以自动获取的问题，本发明提出在上述前列腺外切矩形区域内，结合阈值分割和MRF(Markov Random Field，马尔科夫随机场)模型分割算法，来得到病灶候选区域。本发明设计了一种新方法来自动检测病灶候选区域，在ADC(Apparent Diffusion Coefficient，表观扩散系数)图像上使用阈值分割方法，来获取病灶候选区域的位置，在ADC图像上的分割效果不佳时，在DWI图像上使用阈值分割，来获取病灶候选区域的位置，结合阈值分割的结果和马尔科夫随机场模型分割算法的分割结果，使用马尔科夫随机场模型分割算法，来获取病灶候选区域的边缘，联合上述的位置和边缘来得到病灶候选区域最终的形状。
(4)为了更准确地描述病灶，本发明设计了两类新的特征来表征病灶与周围组织的关系，其中一类特征表示病灶与周围组织差异，另外一类特征表示病灶在前列腺中的位置，以提高系统的性能。
附图说明
图1是本发明实施例中基于多参数MRI的前列腺癌计算机辅助检测方法的流程图。
图2是本发明实施例中前列腺区域的分割流程图。
图3是本发明实施例中病灶候选区域的分割流程图。
图4是本发明实施例中病灶周边差异特征的计算示意图。
图5是本发明实施例中病灶在前列腺中的位置特征的计算示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细描述。
参见图1所示，本发明实施例提供一种基于多参数MRI的前列腺癌计算机辅助检测方法，包括以下步骤：
A、训练阶段
A1、对训练集合中的每个病例的三种MRI序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素大致对应人体内的同一部位；
包含全部病例的集合分为训练集合与测试集合，集合中的每个病例都包含三种MRI序列：T2WI、DWI、ADC(Apparent Diffusion Coefficient，表观扩散系数)，其中ADC是由DWI计算得到，同一病例中的三种MRI序列T2WI、DWI、ADC分别表示为IT2、IDWI、IADC。
A2、在IDWI上分割出前列腺区域，在IADC上分割出病灶候选区域；
A3、计算IT2、IDWI、IADC的病灶候选区域中每个候选区域的特征；
A4、将步骤A3得到的训练集合中全部病例的特征送入分类器进行训练，生成训练模型。
B、识别阶段
B1、对测试集合中的病例的三种MRI序列IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素大致对应人体内的同一部位；
B2、在IDWI上分割出前列腺区域，在IADC上分割出病灶候选区域；
B3、计算IT2、IDWI、IADC的病灶候选区域中每个候选区域的特征；
B4、将步骤B3得到的特征送入步骤A4生成的训练模型进行测试，病例中的每个病灶候选区域都得到一个相应的恶性概率值。
步骤A1、B1中进行预处理的过程如下：
步骤101、对IDWI进行放大和剪切。
放大由扩展插值算子实现，如果要扩展一倍的尺寸，则在水平和垂直两个方向上增强一倍的像素，即每行任意两个像素间需要插入一个值，每两行间需插入一行；插值算子采用双立方插值方法。
放大的倍数为IDWI中的像素间距(pixel spacing)参数和IT2中的像素间距参数的比值，其中像素间距参数表示图像中两个相邻像素在真实物理空间中的距离。
以放大后的图像的中心点为新图像的中心，对放大后的图像进行剪切，使新图像与IT2的尺寸一致，例如都为512×512个像素点。
步骤102、对IADC也进行放大和剪切，方法与步骤101一致：
放大由扩展插值算子实现，如果要扩展一倍的尺寸，则在水平和垂直两个方向上增强一倍的像素，即每行任意两个像素间需要插入一个值，每两行间需插入一行；插值算子采用双立方插值方法。
放大的倍数为IADC中的像素间距(pixel spacing)参数和IT2中的像素间距参数的比值，其中像素间距参数表示图像中两个相邻像素在真实物理空间中的距离。
以放大后的图像的中心点为新图像的中心，对放大后的图像进行剪切，使新图像与IT2的尺寸一致，例如都为512×512个像素点。
经过步骤101和步骤102的处理，IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素大致对应人体内的同一部位。
步骤A2、B2中，在IDWI上分割出前列腺区域的过程如下：
参见图2所示，根据经验设置一个初始阈值，在IDWI图像进行阈值分割，得到二值图，然后找到该二值图中的最大连通子图，进行区域填充，计算经过填充之后的连通子图的外切矩形，判断该矩形的长是否大于宽，若否，则调整阈值，重复以上过程；若是，则判断上述的最大连通子图的质心与图像中心的距离是否大于某一阈值，若是，则说明该连通子图不满足要求，以图像中心为种子点，进行区域生长；若否，则说明该连通子图满足要求；计算最后得到的分割结果的凸包，作为前列腺区域，表示为IPro，可扩展到其他序列。
此处使用了两点前列腺的相关知识：
(1)前列腺大致位于人体中心的位置，因此，前列腺区域大致位于横断位图像中心的位置；
(2)前列腺的形状与栗子相似，所以DWI中的前列腺类似一个椭圆，其外切矩形的长一定大于宽。
步骤A2、B2中，在IADC上分割出病灶候选区域的过程如下：
根据前面得到的前列腺区域IPro，计算IPro中前列腺区域的外切矩形，表示为RectROI。由于经过步骤A1处理之后的IT2、IDWI、IADC中的同样位置的像素大致对应人体内的同一部位，矩形区域RectROI扩展到IADC中，作为进行阈值分割的候选区域，表示为IADCCrop，IADC中的矩形区域RectROI以外的像素值被认为不属于前列腺区域，无需处理。
参见图3所示，根据经验设置一个初始阈值，在IADCCrop图像进行阈值分割，得到二值图，使用前列腺区域IPro对该结构进行约束，分别计算各个病灶候选区域的面积，判断面积和是否大于某一阈值或者阈值的调整次数是否大于n次，n为根据经验得到的值，若否，则调整阈值，重复以上过程；若是，则判断病灶总面积是否小于某一阈值，若是，则表明ADC图像效果不佳，在DWI上进行阈值分割，然后进行下一步；若否，则直接进行下一步；
去掉像素点数小于num的候选区域，45≤num≤55，且num为正整数，大致为MRI中所能观察到的最小肿瘤所对应的像素点数，之后，计算最大连通子图面积与病灶总面积的比值，若该比值大于某一阈值，则只保留该最大连通子图，作为病灶候选区域所在的位置，然后进行下一步；若否，则直接进行下一步；
将所有连通子图作为病灶候选区域所在位置，使用马尔科夫随机场模型分割算法，对IADCCrop图像进行分割，联合上述的病灶候选区域所在位置和MRF分割结果，得到病灶候选区域的位置和形状，得到的病灶候选区域表示为ILes，可自动扩展到T2WI和DWI序列。
此处使用了前列腺癌和前列腺增生的相关知识：前列腺癌病灶区域如果很大，通常连成一片，而前列腺增生在ADC序列中的通常有多个低信号区域且这些区域的尺度相近。
步骤A3、B3中，计算IT2、IDWI、IADC的病灶候选区域中每个候选区域的特征。
由于经过步骤A处理之后的IT2、IDWI、IADC中的同样位置的像素大致对应人体内的同一部位，因此，病灶候选区域ILes可由ADC序列扩展到T2WI和DWI序列。每个候选区域的特征包括：原始的多参数MRI信号、纹理特征和两类新特征，两类新特征用来表示病灶与周围组织的关系，其中一类特征表示病灶与周围组织差异，表示为Fd，另外一类特征表示病灶在前列腺中的位置，表示为Fl，这两类新特征都用来提高系统的性能。
特征Fd表示病灶与周围组织差异，将该特征命名为病灶周边差异特征(Difference Feature of Lesion and Surrounding)，参见图4所示，图4中有两条环形的线，内环线内的区域为病灶区域，表示为A，外环线内的区域为病灶区域经过形态学膨胀处理得到的区域，表示为B。内环线和外环线之间的区域则代表病灶的周围组织，表示为B-A。使用多参数MRI诊断前列腺疾病的时候，与前列腺增生相比，前列腺癌病灶与周围组织的差异更大，因此设计一类特征来量化这种差异。可以分别在T2WI、DWI、ADC这三种MRI序列上计算该特征。
病灶周边差异特征包含两类：病灶周边信号强度差异特征(Signal IntensityDifference Feature of Lesion and Surrounding)和病灶周边纹理差异特征(Texture Difference Feature of Lesion and Surrounding)
病灶周边信号强度差异特征用数学公式表示为：
其中，表示病灶周边信号强度差异特征，SIA表示区域A的平均信号强度(SignalIntensity)，SIB-A表示区域B-A的平均信号强度(Signal Intensity)。
病灶周边纹理差异特征用数学公式表示为：
其中，表示病灶周边纹理差异特征，TA表示区域A的纹理特征(Texture)，TB-A表示区域B-A的纹理特征(Texture)。
纹理特征的计算步骤为：首先，MRI序列上的信号被缩放到0-256灰度区间；然后，对每个像素点，以该点为中心的5*5的区域内信息的灰度共生矩阵被计算，该共生矩阵的能量、对比度、相关、熵、均匀性作为该像素点的纹理特征；区域A或区域B-A的纹理特征为该区域中全部像素点的纹理特征的平均值。
特征Fl表示病灶在前列腺中的位置。步骤A2已经获取了前列腺区域和病灶候选区域，在此基础上分别提取这两个区域的质心，计算两个区域的质心的相对位置，表明病变部位在前列腺中的位置。参见图5所示，椭圆表示前列腺区域，椭圆中较小的不规则形状表示病灶区域，点C和点D分别为前列腺区域和病灶区域的质心，连接两个质心做直线，与病灶区域和前列腺区域的边界产生两个交点E和F。E和F之间的距离记为LEF，C和F之间的距离记为LCF，这两个距离的比值d记为：
以点C为极点，建立极坐标系，点D的极坐标记为(θD，ρD)，特征Fl由d和(θD，ρD)这两个成分组成，这两个成分可以用来确定病灶在前列腺中的位置。由于前列腺的不同区域(中央区或者外周区)发生癌症的概率是不一样的，约有80％的癌症发生在前列腺的外周区，发生在前列腺的其他区域的癌症占20％。病灶是处于前列腺的外周区还是中央区在前列腺癌的诊断过程中是重要的，特征Fl就可以用来判断病灶是否处于外周区。
本发明还提供一种基于多参数MRI的前列腺癌计算机辅助检测系统，该系统包括训练单元和识别单元，训练单元包括第一预处理模块、第一分割模块、第一计算模块和训练模块；
第一预处理子单元用于：在训练阶段，对训练集合中的每个病例的三种磁共振成像MRI序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素对应人体内的同一部位；
第一分割模块用于：在训练阶段，在IDWI上分割出前列腺区域，在IADC上分割出病灶候选区域；
第一计算模块用于：在训练阶段，计算IT2、IDWI、IADC的病灶候选区域中每个候选区域的特征；
训练模块用于：将第一计算模块得到的训练集合中全部病例的特征送入分类器进行训练，生成训练模型；
识别单元包括第二预处理模块、第二分割模块、第二计算模块和测试模块；
第二预处理模块用于：在识别阶段，对测试集合中的病例的三种MRI序列IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素对应人体内的同一部位；
第二分割模块用于：在识别阶段，在IDWI上分割出前列腺区域，在IADC上分割出病灶候选区域；
第二计算模块用于：在识别阶段，计算IT2、IDWI、IADC的病灶候选区域中每个候选区域的特征；
测试模块用于：在识别阶段，将第二计算模块得到的特征送入训练模块生成的训练模型进行测试，病例中的每个病灶候选区域都得到一个相应的恶性概率值。
第一预处理模块、第二预处理模块进行预处理的过程如下：
步骤101、对IDWI进行放大和剪切：
放大由扩展插值算子实现，如果要扩展一倍的尺寸，则在水平和垂直两个方向上增强一倍的像素，即每行任意两个像素间需要插入一个值，每两行间需插入一行；插值算子采用双立方插值方法；
放大的倍数为IDWI中的像素间距参数和IT2中的像素间距参数的比值，其中像素间距参数表示图像中两个相邻像素在真实物理空间中的距离；
以放大后的图像的中心点为新图像的中心，对放大后的图像进行剪切，使新图像与IT2的尺寸一致；
步骤102、对IADC也进行放大和剪切：
放大由扩展插值算子实现，如果要扩展一倍的尺寸，则在水平和垂直两个方向上增强一倍的像素，即每行任意两个像素间需要插入一个值，每两行间需插入一行；插值算子采用双立方插值方法；
放大的倍数为IADC中的像素间距参数和IT2中的像素间距参数的比值，其中像素间距参数表示图像中两个相邻像素在真实物理空间中的距离；
以放大后的图像的中心点为新图像的中心，对放大后的图像进行剪切，使新图像与IT2的尺寸一致；
经过步骤101和步骤102的处理，IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素对应人体内的同一部位。
参见图2所示，第一分割模块、第二分割模块在IDWI上分割出前列腺区域的过程如下：根据经验设置一个初始阈值，在IDWI图像进行阈值分割，得到二值图，然后找到该二值图中的最大连通子图，进行区域填充，计算经过填充之后的连通子图的外切矩形，判断该矩形的长是否大于宽，若否，则调整阈值，重复以上过程；若是，则判断上述的最大连通子图的质心与图像中心的距离是否大于某一阈值，若是，则说明该连通子图不满足要求，以图像中心为种子点，进行区域生长；若否，则说明该连通子图满足要求；计算最后得到的分割结果的凸包，作为前列腺区域，表示为IPro。
参见图3所示，第一分割模块、第二分割模块在IADC上分割出病灶候选区域的过程如下：根据前面得到的前列腺区域IPro，计算IPro中前列腺区域的外切矩形，表示为RectROI；矩形区域RectROI扩展到IADC中，作为进行阈值分割的候选区域，表示为IADCCrop；
根据经验设置一个初始阈值，在IADCCrop图像进行阈值分割，得到二值图，使用前列腺区域IPro对该结构进行约束，分别计算各个病灶候选区域的面积，判断面积和是否大于某一阈值或者阈值的调整次数是否大于n次，n为根据经验得到的值，若否，则调整阈值，重复以上过程；若是，则判断病灶总面积是否小于某一阈值，若是，则表明ADC图像效果不佳，在DWI上进行阈值分割，然后进行下一步；若否，则直接进行下一步；
去掉像素点数小于num的候选区域，45≤num≤55，且num为正整数，为MRI中所能观察到的最小肿瘤所对应的像素点数，之后，计算最大连通子图面积与病灶总面积的比值，若该比值大于某一阈值，则只保留该最大连通子图，作为病灶候选区域所在的位置，然后进行下一步；若否，则直接进行下一步；
将所有连通子图作为病灶候选区域所在位置，使用马尔科夫随机场MRF模型分割算法，对IADCCrop图像进行分割，联合上述的病灶候选区域所在位置和MRF分割结果，得到病灶候选区域的位置和形状，得到的病灶候选区域表示为ILes。
第一计算模块、第二计算模块计算IT2、IDWI、IADC的病灶候选区域中每个候选区域的特征时，每个候选区域的特征包括：原始的多参数MRI信号、纹理特征和两类新特征，两类新特征用来表示病灶与周围组织的关系，其中一类特征表示病灶与周围组织差异，表示为Fd；另外一类特征表示病灶在前列腺中的位置，表示为Fl；特征Fd表示病灶与周围组织差异，参见图4所示，病灶区域表示为A；病灶区域经过形态学膨胀处理得到的区域表示为B；病灶的周围组织表示为B-A；
病灶周边差异特征包含两类：病灶周边信号强度差异特征和病灶周边纹理差异特征
其中，表示病灶周边信号强度差异特征，SIA表示区域A的平均信号强度，SIB-A表示区域B-A的平均信号强度；
其中，表示病灶周边纹理差异特征，TA表示区域A的纹理特征，TB-A表示区域B-A的纹理特征；
纹理特征的计算步骤为：首先，MRI序列上的信号被缩放到0-256灰度区间；然后，对每个像素点，以该点为中心的5*5的区域内信息的灰度共生矩阵被计算，该共生矩阵的能量、对比度、相关、熵、均匀性作为该像素点的纹理特征；区域A或区域B-A的纹理特征为该区域中全部像素点的纹理特征的平均值；
特征Fl表示病灶在前列腺中的位置，第一分割模块已经获取了前列腺区域和病灶候选区域，在此基础上分别提取这两个区域的质心，计算两个区域的质心的相对位置，表明病变部位在前列腺中的位置，参见图5所示，椭圆表示前列腺区域，椭圆中的不规则形状表示病灶区域，点C和点D分别为前列腺区域和病灶区域的质心，连接两个质心做直线，与病灶区域和前列腺区域的边界产生两个交点E和F，E和F之间的距离记为LEF，C和F之间的距离记为LCF，这两个距离的比值d记为：
以点C为极点，建立极坐标系，点D的极坐标记为(θD，ρD)，特征F1由d和(θD，ρD)组成，用来确定病灶在前列腺中的位置。
本领域的技术人员可以对本发明实施例进行各种修改和变型，倘若这些修改和变型在本发明权利要求及其等同技术的范围之内，则这些修改和变型也在本发明的保护范围之内。
说明书中未详细描述的内容为本领域技术人员公知的现有技术。

Claims (10)

1.一种基于多参数MRI的前列腺癌计算机辅助检测方法，其特征在于，包括以下步骤：
A、训练阶段：
A1、对训练集合中的每个病例的三种磁共振成像MRI序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素对应人体内的同一部位；
A2、在IDWI上分割出前列腺区域，在IADC上分割出病灶候选区域；
A3、计算IT2、IDWI、IADC的病灶候选区域中每个候选区域的特征；
A4、将步骤A3得到的训练集合中全部病例的特征送入分类器进行训练，生成训练模型；
B、识别阶段：
B1、对测试集合中的病例的三种MRI序列IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素对应人体内的同一部位；
B2、在IDWI上分割出前列腺区域，在IADC上分割出病灶候选区域；
B3、计算IT2、IDWI、IADC的病灶候选区域中每个候选区域的特征；
B4、将步骤B3得到的特征送入步骤A4生成的训练模型进行测试，病例中的每个病灶候选区域都得到一个相应的恶性概率值。
2.如权利要求1所述的基于多参数MRI的前列腺癌计算机辅助检测方法，其特征在于：步骤A1、B1中进行预处理的过程如下：
步骤101、对IDWI进行放大和剪切：
放大由扩展插值算子实现，如果要扩展一倍的尺寸，则在水平和垂直两个方向上增强一倍的像素，即每行任意两个像素间需要插入一个值，每两行间需插入一行；插值算子采用双立方插值方法；
放大的倍数为IDWI中的像素间距参数和IT2中的像素间距参数的比值，其中像素间距参数表示图像中两个相邻像素在真实物理空间中的距离；
以放大后的图像的中心点为新图像的中心，对放大后的图像进行剪切，使新图像与IT2的尺寸一致；
步骤102、对IADC也进行放大和剪切：
放大由扩展插值算子实现，如果要扩展一倍的尺寸，则在水平和垂直两个方向上增强一倍的像素，即每行任意两个像素间需要插入一个值，每两行间需插入一行；插值算子采用双立方插值方法；
放大的倍数为IADC中的像素间距参数和IT2中的像素间距参数的比值，其中像素间距参数表示图像中两个相邻像素在真实物理空间中的距离；
以放大后的图像的中心点为新图像的中心，对放大后的图像进行剪切，使新图像与IT2的尺寸一致；
经过步骤101和步骤102的处理，IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素对应人体内的同一部位。
3.如权利要求1所述的基于多参数MRI的前列腺癌计算机辅助检测方法，其特征在于：步骤A2、B2中，在IDWI上分割出前列腺区域的过程如下：根据经验设置一个初始阈值，在IDWI图像进行阈值分割，得到二值图，然后找到该二值图中的最大连通子图，进行区域填充，计算经过填充之后的连通子图的外切矩形，判断该矩形的长是否大于宽，若否，则调整阈值，重复以上过程；若是，则判断上述的最大连通子图的质心与图像中心的距离是否大于某一阈值，若是，则说明该连通子图不满足要求，以图像中心为种子点，进行区域生长；若否，则说明该连通子图满足要求；计算最后得到的分割结果的凸包，作为前列腺区域，表示为IPro。
4.如权利要求3所述的基于多参数MRI的前列腺癌计算机辅助检测方法，其特征在于：步骤A2、B2中，在IADC上分割出病灶候选区域的过程如下：根据前面得到的前列腺区域IPro，计算IPro中前列腺区域的外切矩形，表示为RectROI；矩形区域RectROI扩展到IADC中，作为进行阈值分割的候选区域，表示为IADCCrop；
根据经验设置一个初始阈值，在IADCCroop图像进行阈值分割，得到二值图，使用前列腺区域IPro对该结构进行约束，分别计算各个病灶候选区域的面积，判断面积和是否大于某一阈值或者阈值的调整次数是否大于n次，n为根据经验得到的值，若否，则调整阈值，重复以上过程；若是，则判断病灶总面积是否小于某一阈值，若是，则表明ADC图像效果不佳，在DWI上进行阈值分割，然后进行下一步；若否，则直接进行下一步；
去掉像素点数小于num的候选区域，45≤num≤55，且num为正整数，为MRI中所能观察到的最小肿瘤所对应的像素点数，之后，计算最大连通子图面积与病灶总面积的比值，若该比值大于某一阈值，则只保留该最大连通子图，作为病灶候选区域所在的位置，然后进行下一步；若否，则直接进行下一步；
将所有连通子图作为病灶候选区域所在位置，使用马尔科夫随机场MRF模型分割算法，对IADCCrop图像进行分割，联合上述的病灶候选区域所在位置和MRF分割结果，得到病灶候选区域的位置和形状，得到的病灶候选区域表示为ILes。
5.如权利要求1所述的基于多参数MRI的前列腺癌计算机辅助检测方法，其特征在于：步骤A3、B3中，每个候选区域的特征包括：原始的多参数MRI信号、纹理特征和两类新特征，两类新特征用来表示病灶与周围组织的关系，其中一类特征表示病灶与周围组织差异，表示为Fd；另外一类特征表示病灶在前列腺中的位置，表示为Fl；特征Fd表示病灶与周围组织差异，病灶区域表示为A；病灶区域经过形态学膨胀处理得到的区域表示为B；病灶的周围组织表示为B-A；
病灶周边差异特征包含两类：病灶周边信号强度差异特征和病灶周边纹理差异特征
F d S I = | SI B - A - SI A | SI B - A ;
其中，表示病灶周边信号强度差异特征，SIA表示区域A的平均信号强度，SIB-A表示区域B-A的平均信号强度；
F d T = | T B - A - T A | T B - A ;
其中，表示病灶周边纹理差异特征，TA表示区域A的纹理特征，TB-A表示区域B-A的纹理特征；
纹理特征的计算步骤为：首先，MRI序列上的信号被缩放到0-256灰度区间；然后，对每个像素点，以该点为中心的5*5的区域内信息的灰度共生矩阵被计算，该共生矩阵的能量、对比度、相关、熵、均匀性作为该像素点的纹理特征；区域A或区域B-A的纹理特征为该区域中全部像素点的纹理特征的平均值；
特征Fl表示病灶在前列腺中的位置，步骤A2已经获取了前列腺区域和病灶候选区域，在此基础上分别提取这两个区域的质心，计算两个区域的质心的相对位置，表明病变部位在前列腺中的位置，椭圆表示前列腺区域，椭圆中的不规则形状表示病灶区域，点C和点D分别为前列腺区域和病灶区域的质心，连接两个质心做直线，与病灶区域和前列腺区域的边界产生两个交点E和F，E和F之间的距离记为LEF，C和F之间的距离记为LCF，这两个距离的比值d记为：
d = L E F L C F ;
以点C为极点，建立极坐标系，点D的极坐标记为(θD，ρD)，特征Fl由d和(θD，ρD)组成，用来确定病灶在前列腺中的位置。
6.一种基于多参数MRI的前列腺癌计算机辅助检测系统，其特征在于：该系统包括训练单元和识别单元，训练单元包括第一预处理模块、第一分割模块、第一计算模块和训练模块；
第一预处理子单元用于：在训练阶段，对训练集合中的每个病例的三种磁共振成像MRI序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素对应人体内的同一部位；
第一分割模块用于：在训练阶段，在IDWI上分割出前列腺区域，在IADC上分割出病灶候选区域；
第一计算模块用于：在训练阶段，计算IT2、IDWI、IADC的病灶候选区域中每个候选区域的特征；
训练模块用于：将第一计算模块得到的训练集合中全部病例的特征送入分类器进行训练，生成训练模型；
识别单元包括第二预处理模块、第二分割模块、第二计算模块和测试模块；
第二预处理模块用于：在识别阶段，对测试集合中的病例的三种MRI序列IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素对应人体内的同一部位；
第二分割模块用于：在识别阶段，在IDWI上分割出前列腺区域，在IADC上分割出病灶候选区域；
第二计算模块用于：在识别阶段，计算IT2、IDWI、IADC的病灶候选区域中每个候选区域的特征；
测试模块用于：在识别阶段，将第二计算模块得到的特征送入训练模块生成的训练模型进行测试，病例中的每个病灶候选区域都得到一个相应的恶性概率值。
7.如权利要求6所述的基于多参数MRI的前列腺癌计算机辅助检测系统，其特征在于：所述第一预处理模块、第二预处理模块进行预处理的过程如下：
步骤101、对IDWI进行放大和剪切：
放大由扩展插值算子实现，如果要扩展一倍的尺寸，则在水平和垂直两个方向上增强一倍的像素，即每行任意两个像素间需要插入一个值，每两行间需插入一行；插值算子采用双立方插值方法；
放大的倍数为IDWI中的像素间距参数和IT2中的像素间距参数的比值，其中像素间距参数表示图像中两个相邻像素在真实物理空间中的距离；
以放大后的图像的中心点为新图像的中心，对放大后的图像进行剪切，使新图像与IT2的尺寸一致；
步骤102、对IADC也进行放大和剪切：
放大由扩展插值算子实现，如果要扩展一倍的尺寸，则在水平和垂直两个方向上增强一倍的像素，即每行任意两个像素间需要插入一个值，每两行间需插入一行；插值算子采用双立方插值方法；
放大的倍数为IADC中的像素间距参数和IT2中的像素间距参数的比值，其中像素间距参数表示图像中两个相邻像素在真实物理空间中的距离；
以放大后的图像的中心点为新图像的中心，对放大后的图像进行剪切，使新图像与IT2的尺寸一致；
经过步骤101和步骤102的处理，IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素对应人体内的同一部位。
8.如权利要求6所述的基于多参数MRI的前列腺癌计算机辅助检测系统，其特征在于：所述第一分割模块、第二分割模块在IDWI上分割出前列腺区域的过程如下：根据经验设置一个初始阈值，在IDWI图像进行阈值分割，得到二值图，然后找到该二值图中的最大连通子图，进行区域填充，计算经过填充之后的连通子图的外切矩形，判断该矩形的长是否大于宽，若否，则调整阈值，重复以上过程；若是，则判断上述的最大连通子图的质心与图像中心的距离是否大于某一阈值，若是，则说明该连通子图不满足要求，以图像中心为种子点，进行区域生长；若否，则说明该连通子图满足要求；计算最后得到的分割结果的凸包，作为前列腺区域，表示为IPro。
9.如权利要求8所述的基于多参数MRI的前列腺癌计算机辅助检测系统，其特征在于：所述第一分割模块、第二分割模块在IADC上分割出病灶候选区域的过程如下：根据前面得到的前列腺区域IPro，计算IPro中前列腺区域的外切矩形，表示为RectROI；矩形区域RectROI扩展到IADC中，作为进行阈值分割的候选区域，表示为IADCCrop；
根据经验设置一个初始阈值，在IADCCrop图像进行阈值分割，得到二值图，使用前列腺区域IPro对该结构进行约束，分别计算各个病灶候选区域的面积，判断面积和是否大于某一阈值或者阈值的调整次数是否大于n次，n为根据经验得到的值，若否，则调整阈值，重复以上过程；若是，则判断病灶总面积是否小于某一阈值，若是，则表明ADC图像效果不佳，在DWI上进行阈值分割，然后进行下一步；若否，则直接进行下一步；
去掉像素点数小于num的候选区域，45≤num≤55，且num为正整数，为MRI中所能观察到的最小肿瘤所对应的像素点数，之后，计算最大连通子图面积与病灶总面积的比值，若该比值大于某一阈值，则只保留该最大连通子图，作为病灶候选区域所在的位置，然后进行下一步；若否，则直接进行下一步；
将所有连通子图作为病灶候选区域所在位置，使用马尔科夫随机场MRF模型分割算法，对IADCCrop图像进行分割，联合上述的病灶候选区域所在位置和MRF分割结果，得到病灶候选区域的位置和形状，得到的病灶候选区域表示为ILes。
10.如权利要求9所述的基于多参数MRI的前列腺癌计算机辅助检测系统，其特征在于：所述第一计算模块、第二计算模块计算IT2、IDWI、IADC的病灶候选区域中每个候选区域的特征时，每个候选区域的特征包括：原始的多参数MRI信号、纹理特征和两类新特征，两类新特征用来表示病灶与周围组织的关系，其中一类特征表示病灶与周围组织差异，表示为Fd；另外一类特征表示病灶在前列腺中的位置，表示为Fl；特征Fd表示病灶与周围组织差异，病灶区域表示为A；病灶区域经过形态学膨胀处理得到的区域表示为B；病灶的周围组织表示为B-A；
病灶周边差异特征包含两类：病灶周边信号强度差异特征和病灶周边纹理差异特征
F d S I = | SI B - A - SI A | SI B - A ;
其中，表示病灶周边信号强度差异特征，SIA表示区域A的平均信号强度，SIB-A表示区域B-A的平均信号强度；
F d T = | T B - A - T A | T B - A ;
其中，表示病灶周边纹理差异特征，TA表示区域A的纹理特征，TB-A表示区域B-A的纹理特征；
纹理特征的计算步骤为：首先，MRI序列上的信号被缩放到0-256灰度区间；然后，对每个像素点，以该点为中心的5*5的区域内信息的灰度共生矩阵被计算，该共生矩阵的能量、对比度、相关、熵、均匀性作为该像素点的纹理特征；区域A或区域B-A的纹理特征为该区域中全部像素点的纹理特征的平均值；
特征Fl表示病灶在前列腺中的位置，第一分割模块已经获取了前列腺区域和病灶候选区域，在此基础上分别提取这两个区域的质心，计算两个区域的质心的相对位置，表明病变部位在前列腺中的位置，椭圆表示前列腺区域，椭圆中的不规则形状表示病灶区域，点C和点D分别为前列腺区域和病灶区域的质心，连接两个质心做直线，与病灶区域和前列腺区域的边界产生两个交点E和F，E和F之间的距离记为LEF，C和F之间的距离记为LCF，这两个距离的比值d记为：
d = L E F L C F ;
以点C为极点，建立极坐标系，点D的极坐标记为(θD，ρD)，特征fl由d和(θD，ρD)组成，用来确定病灶在前列腺中的位置。
CN201611225668.1A 2016-12-27 2016-12-27 基于多参数mri的前列腺癌计算机辅助检测系统 Active CN106778005B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611225668.1A CN106778005B (zh) 2016-12-27 2016-12-27 基于多参数mri的前列腺癌计算机辅助检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611225668.1A CN106778005B (zh) 2016-12-27 2016-12-27 基于多参数mri的前列腺癌计算机辅助检测系统

Publications (2)

Publication Number Publication Date
CN106778005A true CN106778005A (zh) 2017-05-31
CN106778005B CN106778005B (zh) 2019-06-07

Family

ID=58922106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611225668.1A Active CN106778005B (zh) 2016-12-27 2016-12-27 基于多参数mri的前列腺癌计算机辅助检测系统

Country Status (1)

Country Link
CN (1) CN106778005B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107485446A (zh) * 2017-09-07 2017-12-19 安徽紫薇帝星数字科技有限公司 一种可快速定位腹部的手术导向定位系统
CN108508016A (zh) * 2018-04-09 2018-09-07 扬州大学附属医院 一种前列腺癌三维病理构型方法
CN108596894A (zh) * 2018-04-25 2018-09-28 王成彦 一种用于多参数磁共振影像的前列腺自动分区方法
CN109002846A (zh) * 2018-07-04 2018-12-14 腾讯科技（深圳）有限公司 一种图像识别方法、装置和存储介质
CN109087701A (zh) * 2017-06-14 2018-12-25 西门子保健有限责任公司 提供次要参数的方法、决策支持系统、介质、计算机程序
CN109598702A (zh) * 2018-10-30 2019-04-09 南方医科大学南方医院 对比增强能谱乳腺x线摄影的病灶特征量化方法及系统
CN109740600A (zh) * 2019-01-04 2019-05-10 上海联影医疗科技有限公司 高亮病灶区域的定位方法、装置、计算机设备以及存储介质
CN110188792A (zh) * 2019-04-18 2019-08-30 万达信息股份有限公司 前列腺mri三维图像的图像特征获取方法
CN110363802A (zh) * 2018-10-26 2019-10-22 西安电子科技大学 基于自动分割和骨盆对齐的前列腺图像配准系统及方法
CN110782434A (zh) * 2019-10-17 2020-02-11 天津大学 一种脑结核mri图像病灶智能标记定位装置
CN111028206A (zh) * 2019-11-21 2020-04-17 万达信息股份有限公司 一种基于深度学习前列腺癌自动检测和分类系统
CN111507978A (zh) * 2020-05-08 2020-08-07 延安大学 一种泌尿外科用智能数字影像处理系统
CN112633348A (zh) * 2020-12-17 2021-04-09 首都医科大学附属北京天坛医院 一种检测脑动静脉畸形并判断其弥散性的方法和装置
CN113793683A (zh) * 2021-08-23 2021-12-14 广州医科大学附属第一医院（广州呼吸中心） 一种基于psa的前列腺癌辅助决策方法及其系统
US11308611B2 (en) 2019-10-09 2022-04-19 Siemens Healthcare Gmbh Reducing false positive detections of malignant lesions using multi-parametric magnetic resonance imaging
US11631171B2 (en) 2019-01-10 2023-04-18 Regents Of The University Of Minnesota Automated detection and annotation of prostate cancer on histopathology slides
US11633146B2 (en) 2019-01-04 2023-04-25 Regents Of The University Of Minnesota Automated co-registration of prostate MRI data
CN116310352A (zh) * 2023-01-20 2023-06-23 首都医科大学宣武医院 一种阿尔兹海默病mri图像多分类方法及装置

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1912927A (zh) * 2006-08-25 2007-02-14 西安理工大学 肺部ct图像病灶半自动分割方法
CN101517602A (zh) * 2006-09-22 2009-08-26 皇家飞利浦电子股份有限公司 使用基于分类器集成的遗传算法进行特征选择的方法
CN102737382A (zh) * 2012-06-22 2012-10-17 刘怡光 一种前列腺超声图像自动精确分割方法
CN102947840A (zh) * 2010-01-22 2013-02-27 纽约州立大学研究基金会 前列腺可视化和癌症检测的系统和方法
CN103699904A (zh) * 2013-12-25 2014-04-02 大连理工大学 多序列核磁共振影像的图像计算机辅助判断方法
CN104055536A (zh) * 2014-04-25 2014-09-24 深圳大学 一种超声与磁共振图像融合配准方法
CN104217437A (zh) * 2014-09-19 2014-12-17 西安电子科技大学 前列腺kvct图像的病变区域分割方法
CN104424386A (zh) * 2013-08-23 2015-03-18 北京大学 基于多参数磁共振影像的前列腺癌计算机辅助识别系统
CN104599270A (zh) * 2015-01-18 2015-05-06 北京工业大学 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法
CN104794426A (zh) * 2015-01-13 2015-07-22 宁夏医科大学 基于cad系统提高前列腺肿瘤mri图像识别率的方法
CN104809741A (zh) * 2015-05-26 2015-07-29 北京大学 基于图像分析的前列腺疾病分析方法
CN105243283A (zh) * 2015-11-06 2016-01-13 吴志宏 前列腺癌诊疗信息采集系统
CN105931221A (zh) * 2016-04-13 2016-09-07 中国科学院自动化研究所 一种基于影像组学的多模态磁共振图像差异检测方法及装置

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100573581C (zh) * 2006-08-25 2009-12-23 西安理工大学 肺部ct图像病灶半自动分割方法
CN1912927A (zh) * 2006-08-25 2007-02-14 西安理工大学 肺部ct图像病灶半自动分割方法
CN101517602A (zh) * 2006-09-22 2009-08-26 皇家飞利浦电子股份有限公司 使用基于分类器集成的遗传算法进行特征选择的方法
CN102947840A (zh) * 2010-01-22 2013-02-27 纽约州立大学研究基金会 前列腺可视化和癌症检测的系统和方法
CN102737382A (zh) * 2012-06-22 2012-10-17 刘怡光 一种前列腺超声图像自动精确分割方法
CN104424386A (zh) * 2013-08-23 2015-03-18 北京大学 基于多参数磁共振影像的前列腺癌计算机辅助识别系统
CN103699904A (zh) * 2013-12-25 2014-04-02 大连理工大学 多序列核磁共振影像的图像计算机辅助判断方法
CN104055536A (zh) * 2014-04-25 2014-09-24 深圳大学 一种超声与磁共振图像融合配准方法
CN104217437A (zh) * 2014-09-19 2014-12-17 西安电子科技大学 前列腺kvct图像的病变区域分割方法
CN104794426A (zh) * 2015-01-13 2015-07-22 宁夏医科大学 基于cad系统提高前列腺肿瘤mri图像识别率的方法
CN104599270A (zh) * 2015-01-18 2015-05-06 北京工业大学 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法
CN104809741A (zh) * 2015-05-26 2015-07-29 北京大学 基于图像分析的前列腺疾病分析方法
CN105243283A (zh) * 2015-11-06 2016-01-13 吴志宏 前列腺癌诊疗信息采集系统
CN105931221A (zh) * 2016-04-13 2016-09-07 中国科学院自动化研究所 一种基于影像组学的多模态磁共振图像差异检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高歌等: "前列腺癌多参数MRI计算机辅助诊断系统的构建", 《肿瘤影像学》 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087701B (zh) * 2017-06-14 2022-05-13 西门子保健有限责任公司 提供次要参数的方法、决策支持系统、介质、计算机程序
CN109087701A (zh) * 2017-06-14 2018-12-25 西门子保健有限责任公司 提供次要参数的方法、决策支持系统、介质、计算机程序
US11948683B2 (en) 2017-06-14 2024-04-02 Siemens Healthineers Ag Method for providing a secondary parameter, decision support system, computer-readable medium and computer program product
CN107485446A (zh) * 2017-09-07 2017-12-19 安徽紫薇帝星数字科技有限公司 一种可快速定位腹部的手术导向定位系统
CN108508016A (zh) * 2018-04-09 2018-09-07 扬州大学附属医院 一种前列腺癌三维病理构型方法
CN108508016B (zh) * 2018-04-09 2023-08-22 扬州大学附属医院 一种前列腺癌三维病理构型方法
CN108596894A (zh) * 2018-04-25 2018-09-28 王成彦 一种用于多参数磁共振影像的前列腺自动分区方法
CN109002846A (zh) * 2018-07-04 2018-12-14 腾讯科技（深圳）有限公司 一种图像识别方法、装置和存储介质
CN110363802A (zh) * 2018-10-26 2019-10-22 西安电子科技大学 基于自动分割和骨盆对齐的前列腺图像配准系统及方法
CN110363802B (zh) * 2018-10-26 2022-12-06 西安电子科技大学 基于自动分割和骨盆对齐的前列腺图像配准系统及方法
CN109598702A (zh) * 2018-10-30 2019-04-09 南方医科大学南方医院 对比增强能谱乳腺x线摄影的病灶特征量化方法及系统
CN109598702B (zh) * 2018-10-30 2023-04-07 南方医科大学南方医院 对比增强能谱乳腺x线摄影的病灶特征量化方法及系统
CN109740600A (zh) * 2019-01-04 2019-05-10 上海联影医疗科技有限公司 高亮病灶区域的定位方法、装置、计算机设备以及存储介质
US11633146B2 (en) 2019-01-04 2023-04-25 Regents Of The University Of Minnesota Automated co-registration of prostate MRI data
CN109740600B (zh) * 2019-01-04 2020-11-27 上海联影医疗科技股份有限公司 高亮病灶区域的定位方法、装置、计算机设备以及存储介质
US11631171B2 (en) 2019-01-10 2023-04-18 Regents Of The University Of Minnesota Automated detection and annotation of prostate cancer on histopathology slides
CN110188792A (zh) * 2019-04-18 2019-08-30 万达信息股份有限公司 前列腺mri三维图像的图像特征获取方法
CN110188792B (zh) * 2019-04-18 2023-09-08 万达信息股份有限公司 前列腺mri三维图像的图像特征获取方法
US11308611B2 (en) 2019-10-09 2022-04-19 Siemens Healthcare Gmbh Reducing false positive detections of malignant lesions using multi-parametric magnetic resonance imaging
CN110782434B (zh) * 2019-10-17 2023-09-01 天津大学 一种脑结核mri图像病灶智能标记定位装置
CN110782434A (zh) * 2019-10-17 2020-02-11 天津大学 一种脑结核mri图像病灶智能标记定位装置
CN111028206A (zh) * 2019-11-21 2020-04-17 万达信息股份有限公司 一种基于深度学习前列腺癌自动检测和分类系统
CN111507978A (zh) * 2020-05-08 2020-08-07 延安大学 一种泌尿外科用智能数字影像处理系统
CN112633348B (zh) * 2020-12-17 2022-03-15 首都医科大学附属北京天坛医院 一种检测脑动静脉畸形并判断其弥散性的方法和装置
CN112633348A (zh) * 2020-12-17 2021-04-09 首都医科大学附属北京天坛医院 一种检测脑动静脉畸形并判断其弥散性的方法和装置
CN113793683A (zh) * 2021-08-23 2021-12-14 广州医科大学附属第一医院（广州呼吸中心） 一种基于psa的前列腺癌辅助决策方法及其系统
CN113793683B (zh) * 2021-08-23 2024-04-02 广州医科大学附属第一医院（广州呼吸中心） 一种基于psa的前列腺癌辅助决策方法及其系统
CN116310352A (zh) * 2023-01-20 2023-06-23 首都医科大学宣武医院 一种阿尔兹海默病mri图像多分类方法及装置
CN116310352B (zh) * 2023-01-20 2024-04-12 首都医科大学宣武医院 一种阿尔兹海默病mri图像多分类方法及装置

Also Published As

Publication number Publication date
CN106778005B (zh) 2019-06-07

Similar Documents

Publication Publication Date Title
CN106778005B (zh) 基于多参数mri的前列腺癌计算机辅助检测系统
US11937973B2 (en) Systems and media for automatically diagnosing thyroid nodules
CN107133638B (zh) 基于两分类器的多参数mri前列腺癌cad方法及系统
CN109493325B (zh) 基于ct影像的肿瘤异质性分析系统
US10593035B2 (en) Image-based automated measurement model to predict pelvic organ prolapse
ES2914387T3 (es) Estudio inmediato
Ikedo et al. Development of a fully automatic scheme for detection of masses in whole breast ultrasound images
Maitra et al. Identification of abnormal masses in digital mammography images
US20110206250A1 (en) Systems, computer-readable media, and methods for the classification of anomalies in virtual colonography medical image processing
Thein et al. An image preprocessing method for kidney stone segmentation in CT scan images
JP2011517986A (ja) 腹部大動脈瘤の自動検知および正確なセグメント分割
CN114782307A (zh) 基于深度学习的增强ct影像直肠癌分期辅助诊断系统
CN103955912B (zh) 自适应窗的胃部ct图像淋巴结跟踪检测系统及方法
CN110288698B (zh) 基于mri的半月板三维重建系统
CN111481233B (zh) 胎儿颈项透明层厚度测量方法
Bouchebbah et al. 3D automatic levels propagation approach to breast MRI tumor segmentation
CN112489788A (zh) 一种用于癌症诊断的多模态影像分析方法及系统
Sayed et al. Automatic classification of breast tumors using features extracted from magnetic resonance images
Ding et al. A novel wavelet-transform-based convolution classification network for cervical lymph node metastasis of papillary thyroid carcinoma in ultrasound images
Joshi et al. Automatic liver tumour detection in abdominal ct images
CN117152054A (zh) 一种无需纳入临床病理特征的乳癌患者淋巴结转移预测模型
CN113838020B (zh) 一种基于钼靶影像的病变区域量化方法
Sarkar et al. Review of Artificial Intelligence methods for detecting cancer in medical image processing
Schiabel et al. Segmentation technique for detecting suspect masses in dense breast digitized images as a tool for mammography CAD schemes
WO2022153100A1 (en) A method for detecting breast cancer using artificial neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant