CN107292351B - 一种结节的匹配方法及装置 - Google Patents

一种结节的匹配方法及装置 Download PDF

Info

Publication number
CN107292351B
CN107292351B CN201710666440.4A CN201710666440A CN107292351B CN 107292351 B CN107292351 B CN 107292351B CN 201710666440 A CN201710666440 A CN 201710666440A CN 107292351 B CN107292351 B CN 107292351B
Authority
CN
China
Prior art keywords
difference
dimensional
tubercle
centre coordinate
target object
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
CN201710666440.4A
Other languages
English (en)
Other versions
CN107292351A (zh
Inventor
张番栋
何哲琪
周振
庞亮
张树
孔明
王洪振
李一鸣
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.)
Hangzhou Shenrui Bolian Technology Co., Ltd.
Beijing Shenrui Bolian Technology Co Ltd
Original Assignee
Hangzhou Shenrui Bolian Technology Co Ltd
Beijing Shenrui Bolian Technology Co Ltd
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 Hangzhou Shenrui Bolian Technology Co Ltd, Beijing Shenrui Bolian Technology Co Ltd filed Critical Hangzhou Shenrui Bolian Technology Co Ltd
Priority to CN201710666440.4A priority Critical patent/CN107292351B/zh
Publication of CN107292351A publication Critical patent/CN107292351A/zh
Application granted granted Critical
Publication of CN107292351B publication Critical patent/CN107292351B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/30064—Lung nodule
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请提供了一种结节的匹配方法及装置，其中方法包括：获取差值对，任意一个差值对为第一差值集合中的任意一个差值与第二差值集合中的任意一个差值形成的组合，第一差值集合包括第一医学图像中各结节的三维中心坐标与目标对象的三维中心坐标间的差值，第二差值集合包括第二医学图像中各结节的三维中心坐标与目标对象的三维中心坐标间的差值，本申请实施例中的目标对象表示结节所在的器官，例如肺、肝等；在获取差值对后，将满足预设条件的差值对确定为目标差值对；将形成所述目标差值对中两个差值的结节，确定为匹配的结节对；显示所述相匹配的结节对。通过本申请实施例，可以保证对结节进行匹配的准确性的前提下，实现自动对结节进行匹配。

Description

一种结节的匹配方法及装置
技术领域
本申请涉及数字图像处理技术领域，特别是涉及一种结节的匹配方法及装置。
背景技术
目前，结节已引起广泛关注，例如肺结节、甲状腺结节等等，医生一般通过医学影像手段观察患者结节的情况。由于随着时间的增长，患者的结节可能发生变化，例如，增大、减小，或者，长出新的结节等等。为了确定患者结节的活动情况，需要对比不同时期拍摄的医学图像，例如，对后拍摄的第一医学图像与之前拍摄的第二医学图像上的结节进行匹配，确定出第一医学图像与第二医学图像中哪两个结节是在不同时期的同一结节，进而确定出第一医学图像中，哪些结节是新增的结节，哪些结节消失了，以及，与第二医学图像所匹配的结节的变化情况，进一步确定出患者的病情发展情况，以便制定合理的治疗方案。
医生根据患者的两幅医学图像对结节进行匹配，需要耗费大量的时间，并且存在较大的主观性，因此，需要一种自动匹配结节的方法。
发明内容
基于此，本申请提供了一种结节的匹配方法，用以自动对两幅医学图像中的结节进行匹配。
本申请还提供了一种结节的匹配装置，用以保证上述方法在实际中的实现及应用。
本申请解决上述问题的技术方案为：
本申请公开了一种结节的匹配方法，该方法包括：
获取差值对，任意一个差值对为第一差值集合中的任意一个差值与第二差值集合中的任意一个差值形成的组合，第一差值集合包括第一医学图像中各结节的三维中心坐标与目标对象的三维中心坐标间的差值，第二差值集合包括第二医学图像中各结节的三维中心坐标与目标对象的三维中心坐标间的差值；
将满足预设条件的差值对确定为目标差值对；
将形成所述目标差值对中两个差值的结节，确定为匹配的结节对，其中，任意一个医学图像中的结节的三维中心坐标与目标对象的三维中心坐标之差形成该医学图像的差值集合中的差值；
显示所述相匹配的结节对。
其中，所述获取差值对包括：
获取医学图像；
计算所述医学图像中目标对象的三维中心坐标，以及，每个结节的三维中心坐标；
分别计算每个结节的三维中心坐标与目标对象的三维中心坐标间的差值，得到差值集合；
将第一医学图像的第一差值集合中的任意一个差值，与，第二医学图像的第二差值集合中的任意一个差值进行组合，得到差值对。
其中，所述计算所述医学图像中目标对象的三维中心坐标，包括：
从所述医学图像中提取目标对象的轮廓；
计算所述医学图像中各断层图像中所述目标对象的面积；
将所述各断层图像中的目标对象面积作为一个一维向量；
根据所述一维向量中的数值分布，确定所述目标对象的三维中心坐标。
其中，该方法在所述根据所述一维向量中的数值分布，确定所述目标对象的三维中心坐标之前，还包括：
对所述一维向量进行平滑滤波；
所述根据所述一维向量中的数值分布，确定所述目标对象的三维中心坐标，包括：
依据平滑滤波后的一维向量中的数值分布，确定目标对象的三维中心坐标。
其中，所述预设条件包括：
所述第一差值集合中的任意一个差值与第二差值集合中的任意一个差值间的距离小于预设的阈值。
本申请还公开一种结节的匹配装置，该装置包括：
获取单元，用于获取差值对，任意一个差值对为第一差值集合中的任意一个差值与第二差值集合中的任意一个差值形成的组合，第一差值集合包括第一医学图像中各结节的三维中心坐标与目标对象的三维中心坐标间的差值，第二差值集合包括第二医学图像中各结节的三维中心坐标与目标对象的三维中心坐标间的差值；
第一确定单元，用于将满足预设条件的差值对确定为目标差值对；
第二确定单元，用于将形成所述目标差值对中两个差值的结节，确定为匹配的结节对，其中，任意一个医学图像中的结节的三维中心坐标与目标对象的三维中心坐标之差形成该医学图像的差值集合中的差值；
显示单元，用于显示所述相匹配的结节对。
其中，所述获取单元包括：
第一获取子单元，用于获取医学图像；
第一计算子单元，用于计算所述医学图像中目标对象的三维中心坐标，以及，每个结节的三维中心坐标；
第二计算子单元，用于分别计算每个结节的三维中心坐标与目标对象的三维中心坐标间的差值，得到差值集合；
第二获取子单元，用于将第一医学图像的第一差值集合中的任意一个差值，与，第二医学图像的第二差值集合中的任意一个差值进行组合，得到差值对。
其中，所述第一计算子单元，包括：
提取模块，用于从所述医学图像中提取目标对象的轮廓；
计算模块，用于计算所述医学图像中各断层图像中所述目标对象的面积；
第一确定模块，用于将所述各断层图像中的目标对象面积作为一个一维向量；
第二确定模块，用于根据所述一维向量中的数值分布，确定所述目标对象的三维中心坐标。
其中，所述第一计算子单元，还包括：
滤波模块，用于在根据所述一维向量中的数值分布，确定所述目标对象的三维中心坐标之前，对所述一维向量进行平滑滤波；
所述第二确定模块，具体用于依据平滑滤波后的一维向量中的数值分布，确定目标对象的三维中心坐标。
其中，所述第一确定单元，具体用于：
将第一差值集合中的任意一个差值与第二差值集合中的任意一个差值间的距离小于预设的阈值的差值对确定为目标差值对。
与现有技术相比，本申请包括以下优点：
本申请的实施例，确定了任意一幅医学图像中目标对象的三维中心坐标，以及，各结节的三维中心坐标与目标对象的三维中心坐标间的差值，每个差值反映了结节相对于目标对象的距离。接着，比较来自不同医学图像的两个结节的差值间的距离，该距离越小表示两个结节的差值越接近，也就是两个结节分别与对应的目标对象间的距离越接近，由于两幅医学图像中的目标对象相同，因此，两个结节为不同时期的同一结节的概率越大，因此，本实施例可以在保证对结节进行匹配的准确性的前提下，实现自动对结节进行匹配的目的。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1是本申请中一种结节的匹配方法实施例的流程图；
图2是本申请中又一种结节的匹配方法流程图；
图3是本申请中一种结节的匹配装置实施例的流程图。
具体实施方式
本申请实施例提出的结节的匹配方法应用于医学图像，目的在于实现自动从医学图像中确定出相匹配的结节对。
本申请实施例所述的“医学图像”，从类型划分，可以包括X-Ray图像、电子计算机断层扫描(Computed Tomography,CT)图像、磁共振图像(Magnetic Resonance Imageing，MRI)等。本申请实施例所述的结节的匹配方法可以由结节的匹配装置执行，所述装置可以集成在现有的医学影像设备上，也可以独立设置，既可以设置在服务器上，也可以设置在客户端，例如PC机，都从现有的医学影像设备获取医学图像。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参考图1，示出了本申请的一种结节匹配的方法实施例的流程图，具体可以包括以下步骤：
步骤101：获取医学图像。
在本实施例中，医学图像为三维图像。本步骤以一幅肺部的三维CT图像为例进行介绍，当然，本实施例中的结节匹配方法不止适用于肺部的三维CT图像，对于其他器官其他类型的三维图像同样适用。
在实际中，电子计算机断层扫描仪利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断层扫描，可以得到肺部的断层图像序列，也可以得到肺部的立体图像。
步骤102：从获取的医学图像中提取目标对象的轮廓。
在本步骤中，目标对象可以为待诊断对象，例如，对于所获取的肺部三维CT图像，目标对象可以为肺部。即需要提取出肺的边缘。可以根据边缘像素点的像素值与非边缘像素点的像素值，确定边缘像素点所对应的灰阶范围，进而根据该灰阶范围来获取边缘像素点。
具体的，可以通过预先完成训练的图像分割模型来提取三维CT图像中肺的边缘像素点，图像分割模型的功能为：将肺的三维CT图像中任意像素点的像素值与边缘像素点所对应的灰阶范围进行比较，如果该像素点的像素值在边缘像素点对应的灰阶范围内，则该像素点为边缘像素点，相反，该像素点不在边缘像素点对应的灰阶范围内，则该像素点为非边缘像素点。因此，可以确定出肺部的三维CT图像中，肺的边缘像素点，进而得到肺的轮廓。
可以使用人工标记目标对象例如肺的边缘的正样本以及非目标对象的边缘的负样本训练图像分割模型，具体的训练过程可以参见现有技术，这里不再赘述。
步骤103：计算获取的医学图像中各断层图像中目标对象的面积。
本实施例中，医学图像为三维图像，该三维图像的断层图像序列，该断层图像序列包括多幅断层图像，每幅断层图像为二维图像。本步骤中，计算每幅断层图像中目标对象的面积。
具体的，对于获取的肺部三维CT图像，本步骤需要计算每幅断层图像中肺轮廓的面积。由于肺部三维CT图像对应的断层图像序列，是电子计算机断层扫描仪按照人体的肺部从上到下的方向进行扫描所得到的多幅二维图像，在实际中，为了全面的对肺部进行扫描，对肺顶以上的非肺部部分以及对肺底以下的非肺部部分进行扫描，因此，在该断层图像序列中，开始的多幅断层图像以及最后的多幅断层图像中可能不存在肺像素点。
因此，在计算各断层图像中肺部的面积时，对于不存在肺部像素点的断层图像，肺部的面积为0；对于存在肺部像素点的断层图像，每个断层图像中显示肺部轮廓，根据已确定出的三维CT图像中肺部的轮廓信息，进而可以得到肺部在该断层图像中的像素数。由于该断层图像的分辨率是已知的，即单位面积内的像素数是已知的，因此，可以将该断层图像中肺部的像素数目除以分辨率，即可得到该断层图像中肺部轮廓所占的面积。
需要说明的是，利用轮廓信息计算每幅断层图像中肺部的面积的方法仅为本实施例提供的一种计算肺部的面积的具体实现方式，当然，在实际的应用中，还可以采用其他的方法来计算每个断层图像中肺部的面积，本实施不对具体的计算方法作限定。
步骤104：将各断层图像中的目标对象面积作为一个一维向量。
在得到各断层图像中肺部轮廓的面积后，按照肺部从上到下的顺序，将该断层图像序列中的各断层图像中肺部的面积顺序排列，得到一个一维向量。例如，肺部的三维CT图像所对应的断层图像的数量为100，接着，按照肺部从上到下的顺序，将100个肺部的面积值顺序排列得到一个一维向量。
步骤105：对确定的一维向量进行平滑滤波。
为了滤出一维向量中的噪声等，在本步骤中，对该一维向量进行平滑滤波，以达到去噪的目的。具体的，可以采用低通滤波器分别对一维向量进行平滑滤波，也可以采用中值滤波器分别对一维向量进行平滑滤波。在实际应用中，由于低通滤波器的输入信号为频域信号，因此，本步骤若采用低通滤波器进行平滑滤波，需要将一维向量变换为频域信号，复杂性较高；但是，中值滤波器的输入信号为时域信号，因此，可以直接对一维向量进行平滑滤波，复杂性较低，因此，在本步骤中采用中值滤波器一维向量进行滤波，得到滤波后的一维向量，以达到对一维向量去噪的目的。当然，在实际应用中，也可以采用其他的平滑滤波方法对一维向量进行平滑滤波，本实施例不对具体的平滑滤波方式做限定。
步骤106：依据平滑滤波后的一维向量中的数值分布，确定目标对象的三维中心坐标。
在确定出平滑滤波后的一维向量后，本步骤中，根据该一维向量中各断层图像中肺部轮廓的面积的分布，确定肺的三维中心坐标，即整个肺部的上下、左右，以及，前后三个方向上的中心坐标。
具体的，可以首先根据滤波后的一维向量中的数值分布，确定上下方向上的中心坐标。
分别针对滤波后的一维向量中的数值分布，将第一个不为零的数值所对应的断层图像作为肺的顶部图像，并且，将最后一个不为零的数值所对应的断层图像作为肺的底部图像，接着，将顶部图像中肺的轮廓在三维坐标系中的坐标作为肺的顶部坐标z1，同理，将底部图像中肺的轮廓在三维坐标系中的坐标作为肺的底部坐标z2。因此，在上下方向上肺的中心坐标为
接着，可以从断层图像序列中，根据以中心坐标z为中心的多幅断层图像，分别确定左右与前后方向上的中心坐标。根据肺的实际形状，肺的中部在左右以及前后方向上所形成的平面面积较大，因此，本步骤根据以中心坐标z为中心的30幅断层图像，计算肺在左右与前后方向上的中心坐标。
具体的，根据三维CT图像中肺轮廓中各点的三维坐标，确定30幅断层图像中每幅图像中肺轮廓中各点的坐标，分别确定左右方向上左侧绝对值取最大值的左边界坐标x1，以及，右侧绝对值取最大值的右边界坐标x2，则左右方向上的中心坐标同理，分别确定前后方向上前侧绝对值取最大值的前边界坐标y1，以及，后侧绝对值取最大值的后边界坐标y2，则前后方向上的中心坐标
按照上述计算上下、左右，以及，前后三个方向上肺的中心坐标后，可以得到肺的三维CT图像中肺的三维中心坐标为(x,y,z)。
步骤107：保存获取的医学图像中目标对象的三维中心坐标。
在得到肺的三维CT图像中肺的三维中心坐标后，将肺部的三维CT图像与对应的三维中心坐标保存在数据库中。
上述步骤101～步骤107的目的是：计算医学图像中目标对象的三维中心坐标。
步骤108：计算所获取的医学图像的坐标集合，所述坐标集合包括每个结节的三维中心坐标。
一般在肺部的三维CT图像中存在多个结节，本步骤分别计算每个肺结节的三维中心坐标，以一个肺结节为例进行介绍，具体的，首先从肺的三维CT图像中提取出肺结节的轮廓，得到肺结节的轮廓像素的三维坐标；然后，根据该轮廓像素的三维坐标得到该肺结节分别在上下、左右，以及，前后六个方向上，绝对值取最大值的六个数值；最后，根据上下两个方向上的两个坐标值计算出该肺结节在上下方向的中心坐标，同理，计算出该肺结节分别在左右以及前后方向上的中心坐标，进而得到该肺结节的三维中心坐标。
针对肺部的三维CT图像，计算出每个肺结节的三维中心坐标后，将肺部三维CT图像中所有的结节所对应的三维中心坐标作为一个坐标集合。例如，肺部的三维CT图像中有5个肺结节，在本步骤中分别计算5个肺结节对应的5个三维中心坐标，将5个三维中心坐标作为坐标集合。
步骤109：针对坐标集合，分别计算每个结节的三维中心坐标与目标对象的三维中心坐标间的差值，得到差值集合。
还以步骤108中的例子为例，目标对象的三维中心坐标为三维CT图像中肺部的三维中心坐标，接着，将坐标集合中的各坐标值分别与肺的三维中心坐标相减，将相减后的差值作为差值集合。
上述步骤102～步骤109介绍了对一幅医学图像来计算目标对象的三维中心坐标，以及，该医学图像中各结节的三维中心坐标与目标对象的三维中心坐标间差值的过程，对于多幅医学图像中的每幅医学图像同样按照步骤102～步骤109来执行。
上述步骤101～步骤109的目的是：获取差值对。
步骤110：将满足预设条件的差值对确定为目标差值对。
其中，第一差值集合包括第一医学图像中各结节的三维中心坐标与目标对象的三维中心坐标间的差值，第二差值集合包括第二医学图像中各结节的三维中心坐标与目标对象的三维中心坐标间的差值，第一差值为第一差值集合中的任意一个差值，第二差值为第二差值集合中的任意一个差值。
在本步骤中，任意一个差值对为第一差值集合中的任意一个差值与第二差值集合中的任意一个差值形成的组合。举例说明，假设两幅医学图像分别为1号肺部的三维CT图像和2号肺部的三维CT图像，其中，1号CT图像对应第一差值集合，2号CT图像对应第二差值集合。将第一差值集合中的每个数值称为第一差值，将第二差值集合中的每个数值称为第二差值。假设第一差值集合中有5个第一差值，分别为a，b，c，d，e，第二差值集合中有3个第二差值，分别为A，B，C。
接着，计算第一差值集合中的第一差值与第二差值集合中的第二差值间的欧式距离。即分别计算a与A，a与B，a与C，b与A，b与B，b与C，c与A，c与B，c与C，d与A，d与B，d与C，e与A，e与B，e与C中每种组合对应的欧式距离。接着，比较每种组合对应的欧式距离，将满足预设条件的组合所对应的结节对作为目标差值对。例如，a与A，b与B，以及，c与C这三个组合对应的三个距离在所有组合对应的距离中最小且三个距离都小于45像素，则确定出的a与A，b与B，以及，c与C分别确定为目标差值对。
步骤111：将形成目标差值对中两个差值的结节，作为匹配的结节，其中，任意一个医学图像中的结节的三维中心坐标与目标对象的三维中心坐标之差形成该医学图像的差值集合中的差值。
在本步骤中，目标差值对中的一个差值表示一幅医学图像中一个结节的三维中心坐标与肺的三维中心坐标间的差值，另一个差值表示另一幅医学图像中一个结节的三维中心坐标与肺的三维中心坐标间的差值，因此，目标差值对中的一个差值对应一幅医学图像中的一个结节，另一个差值对应另一幅医学图像中的一个结节。在本步骤中，将目标差值对中的两个差值所对应的结节，作为两幅医学图像中匹配的结节。
例如，a与A，b与B，c与C分别为三个目标差值对，即a对应的一幅医学图像中的一个结节，同时，A对应的另一幅医学图像中的一个结节，将a与A所对应的两个结节作为相匹配的结节；同理，b与B分别对应的结节作为匹配的结节，c与C分别对应的结节作为匹配的结节。
步骤112：显示相匹配的结节对。
确定出多幅医学图像中相匹配的结节后，将相匹配的结节进行显示。例如，确定出两幅肺部的三维CT图像中相匹配的肺结节对以后，将匹配结果进行显示。
上述步骤110～步骤112的目的是：基于获取的差值对来自动对结节进行匹配，具体流程如图2所示。
图1中所示的方法确定了任意一幅医学图像中目标对象的三维中心坐标，以及，各结节的三维中心坐标与目标对象的三维中心坐标间的差值，每个差值反映了结节相对于目标对象的距离。接着，比较来自不同医学图像的两个结节的差值间的距离，该距离越小表示两个结节的差值越接近，也就是两个结节分别与对应的目标对象间的距离越接近，由于两幅医学图像中的目标对象相同，因此，两个结节为不同时期的同一结节的概率越大，因此，本实施例可以在保证对结节进行匹配的准确性的前提下，实现自动对结节进行匹配的目的。
参考图3，示出了本申请:一种结节的匹配装置实施例的结构示意图，具体可以包括：
获取单元301，用于获取差值对，任意一个差值对为第一差值集合中的任意一个差值与第二差值集合中的任意一个差值形成的组合，第一差值集合包括第一医学图像中各结节的三维中心坐标与目标对象的三维中心坐标间的差值，第二差值集合包括第二医学图像中各结节的三维中心坐标与目标对象的三维中心坐标间的差值；
其中，获取单元301可以包括：
第一获取子单元，用于获取医学图像；
第一计算子单元，用于计算所述医学图像中目标对象的三维中心坐标，以及，每个结节的三维中心坐标；
其中，第一计算子单元，可以包括：
提取模块，用于从所述医学图像中提取目标对象的轮廓；
计算模块，用于计算所述医学图像中各断层图像中所述目标对象的面积；
第一确定模块，用于将所述各断层图像中的目标对象面积作为一个一维向量；
第二确定模块，用于根据所述一维向量中的数值分布，确定所述目标对象的三维中心坐标。
其中，第一计算子单元，还可以包括：
滤波模块，用于在根据所述一维向量中的数值分布，确定所述目标对象的三维中心坐标之前，对所述一维向量进行平滑滤波；
所述第二确定模块，具体用于依据平滑滤波后的一维向量中的数值分布，确定目标对象的三维中心坐标。
第二计算子单元，用于分别计算每个结节的三维中心坐标与目标对象的三维中心坐标间的差值，得到差值集合；
第二获取子单元，用于将第一医学图像的第一差值集合中的任意一个差值，与，第二医学图像的第二差值集合中的任意一个差值进行组合，得到差值对。
第一确定单元302，用于将满足预设条件的差值对确定为目标差值对；
第二确定单元303，用于将形成所述目标差值对中两个差值的结节，确定为匹配的结节对，其中，任意一个医学图像中的结节的三维中心坐标与目标对象的三维中心坐标之差形成该医学图像的差值集合中的差值；
显示单元304，用于显示所述相匹配的结节对。
其中，所述第一确定单元，还可以具体用于：将第一差值集合中的任意一个差值与第二差值集合中的任意一个差值间的距离小于预设的阈值的差值对确定为目标差值对。
图3所示的装置实施例，确定了任意一幅医学图像中目标对象的三维中心坐标，以及，各结节的三维中心坐标与目标对象的三维中心坐标间的差值，每个差值反映了结节相对于目标对象的距离。接着，比较来自不同医学图像的两个结节的差值间的距离，该距离越小表示两个结节的差值越接近，也就是两个结节分别与对应的目标对象间的距离越接近，由于两幅医学图像中的目标对象相同，因此，两个结节为不同时期的同一结节的概率越大，因此，本实施例可以在保证对结节进行匹配的准确性的前提下，实现自动对结节进行匹配的目的。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种结节的匹配方法，其特征在于，所述方法包括：
获取差值对，任意一个差值对为第一差值集合中的任意一个差值与第二差值集合中的任意一个差值形成的组合，第一差值集合包括第一医学图像中各结节的三维中心坐标与目标对象的三维中心坐标间的差值，第二差值集合包括第二医学图像中各结节的三维中心坐标与目标对象的三维中心坐标间的差值；
将满足预设条件的差值对确定为目标差值对；
将形成所述目标差值对中两个差值的结节，确定为匹配的结节对，其中，任意一个医学图像中的结节的三维中心坐标与目标对象的三维中心坐标之差形成该医学图像的差值集合中的差值；
显示相匹配的结节对；
所述预设条件包括：
所述第一差值集合中的任意一个差值与第二差值集合中的任意一个差值间的距离小于预设的阈值。
2.根据权利要求1所述的方法，其特征在于，所述获取差值对包括：
获取医学图像；
计算所述医学图像中目标对象的三维中心坐标，以及，每个结节的三维中心坐标；
分别计算每个结节的三维中心坐标与目标对象的三维中心坐标间的差值，得到差值集合；
将第一医学图像的第一差值集合中的任意一个差值，与，第二医学图像的第二差值集合中的任意一个差值进行组合，得到差值对。
3.根据权利要求2所述的方法，其特征在于，所述计算所述医学图像中目标对象的三维中心坐标，包括：
从所述医学图像中提取目标对象的轮廓；
计算所述医学图像中各断层图像中所述目标对象的面积；
将所述各断层图像中的目标对象面积作为一个一维向量；
根据所述一维向量中的数值分布，确定所述目标对象的三维中心坐标。
4.根据权利要求3所述的方法，其特征在于，在所述根据所述一维向量中的数值分布，确定所述目标对象的三维中心坐标之前，还包括：
对所述一维向量进行平滑滤波；
所述根据所述一维向量中的数值分布，确定所述目标对象的三维中心坐标，包括：
依据平滑滤波后的一维向量中的数值分布，确定目标对象的三维中心坐标。
5.一种结节的匹配装置，其特征在于，所述装置包括：
获取单元，用于获取差值对，任意一个差值对为第一差值集合中的任意一个差值与第二差值集合中的任意一个差值形成的组合，第一差值集合包括第一医学图像中各结节的三维中心坐标与目标对象的三维中心坐标间的差值，第二差值集合包括第二医学图像中各结节的三维中心坐标与目标对象的三维中心坐标间的差值；
第一确定单元，用于将第一差值集合中的任意一个差值与第二差值集合中的任意一个差值间的距离小于预设的阈值的差值对确定为目标差值对；
第二确定单元，用于将形成所述目标差值对中两个差值的结节，确定为匹配的结节对，其中，任意一个医学图像中的结节的三维中心坐标与目标对象的三维中心坐标之差形成该医学图像的差值集合中的差值；
显示单元，用于显示相匹配的结节对。
6.根据权利要求5所述的装置，其特征在于，所述获取单元包括：
第一获取子单元，用于获取医学图像；
第一计算子单元，用于计算所述医学图像中目标对象的三维中心坐标，以及，每个结节的三维中心坐标；
第二计算子单元，用于分别计算每个结节的三维中心坐标与目标对象的三维中心坐标间的差值，得到差值集合；
第二获取子单元，用于将第一医学图像的第一差值集合中的任意一个差值，与，第二医学图像的第二差值集合中的任意一个差值进行组合，得到差值对。
7.根据权利要求6所述的装置，其特征在于，所述第一计算子单元，包括：
提取模块，用于从所述医学图像中提取目标对象的轮廓；
计算模块，用于计算所述医学图像中各断层图像中所述目标对象的面积；
第一确定模块，用于将所述各断层图像中的目标对象面积作为一个一维向量；
第二确定模块，用于根据所述一维向量中的数值分布，确定所述目标对象的三维中心坐标。
8.根据权利要求7所述的装置，其特征在于，所述第一计算子单元，还包括：
滤波模块，用于在根据所述一维向量中的数值分布，确定所述目标对象的三维中心坐标之前，对所述一维向量进行平滑滤波；
所述第二确定模块，具体用于依据平滑滤波后的一维向量中的数值分布，确定目标对象的三维中心坐标。
CN201710666440.4A 2017-08-07 2017-08-07 一种结节的匹配方法及装置 Active CN107292351B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710666440.4A CN107292351B (zh) 2017-08-07 2017-08-07 一种结节的匹配方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710666440.4A CN107292351B (zh) 2017-08-07 2017-08-07 一种结节的匹配方法及装置

Publications (2)

Publication Number Publication Date
CN107292351A CN107292351A (zh) 2017-10-24
CN107292351B true CN107292351B (zh) 2019-09-13

Family

ID=60104523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710666440.4A Active CN107292351B (zh) 2017-08-07 2017-08-07 一种结节的匹配方法及装置

Country Status (1)

Country Link
CN (1) CN107292351B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447974B (zh) * 2018-10-31 2022-01-25 上海联影医疗科技股份有限公司 体数据处理方法、装置、图像处理工作站和可读存储介质
CN111553883A (zh) * 2020-03-31 2020-08-18 杭州依图医疗技术有限公司 一种医学影像的处理方法及装置、计算机设备及存储介质
CN112258449A (zh) * 2020-09-15 2021-01-22 深圳视见医疗科技有限公司 一种基于结节特征的快速结节匹配方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021547A (zh) * 2014-05-17 2014-09-03 清华大学深圳研究生院 肺部 ct 的三维配准方法
CN104751178A (zh) * 2015-03-31 2015-07-01 上海理工大学 基于形状模板匹配结合分类器的肺结节检测装置及方法
CN105913442A (zh) * 2016-04-29 2016-08-31 上海联影医疗科技有限公司 自动匹配肺结节的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050002548A1 (en) * 2003-06-20 2005-01-06 Novak Carol L. Automatic detection of growing nodules

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021547A (zh) * 2014-05-17 2014-09-03 清华大学深圳研究生院 肺部 ct 的三维配准方法
CN104751178A (zh) * 2015-03-31 2015-07-01 上海理工大学 基于形状模板匹配结合分类器的肺结节检测装置及方法
CN105913442A (zh) * 2016-04-29 2016-08-31 上海联影医疗科技有限公司 自动匹配肺结节的方法

Also Published As

Publication number Publication date
CN107292351A (zh) 2017-10-24

Similar Documents

Publication Publication Date Title
US10679347B2 (en) Systems and methods for ultrasound imaging
EP2916738B1 (en) Lung, lobe, and fissure imaging systems and methods
EP1779289B1 (en) Diagnostic system for multimodality mammography
CN107909622B (zh) 模型生成方法、医学成像的扫描规划方法及医学成像系统
US20100322496A1 (en) Method and system for anatomy structure segmentation and modeling in an image
US8948484B2 (en) Method and system for automatic view planning for cardiac magnetic resonance imaging acquisition
US11672505B2 (en) Correcting probe induced deformation in an ultrasound fusing imaging system
CN107292351B (zh) 一种结节的匹配方法及装置
US10667786B2 (en) Ultrasound imaging apparatus and method for segmenting anatomical objects
Hong et al. Automatic lung nodule matching on sequential CT images
WO2011041475A1 (en) Medical image analysis system using n-way belief propagation for anatomical images subject to deformation and related methods
WO2011041473A1 (en) Medical image analysis system for anatomical images subject to deformation and related methods
CN109938768A (zh) 超声成像方法、装置、计算机设备及存储介质
CN109671131B (zh) 影像校正方法、装置、医疗影像设备及存储介质
US20080137928A1 (en) Method and System for Registering CT Data Sets
Sindel et al. Respiratory motion compensation for C-arm CT liver imaging
Fayad et al. Towards a generic respiratory motion model for 4D CT imaging of the thorax
Haque et al. Automated registration of 3d ultrasound and ct/mr images for liver
Muller et al. Contour detection of short axis slice mr images for contraction irregularity assessment
Huang et al. Registration of different phases of contrast-enhanced liver CT data
Wang et al. An adaptive approach for image subtraction
Phillips et al. Automatic MR‐PET registration algorithm
CN111643082A (zh) 一种乳腺mri成像呼吸伪影抑制方法
CN116703882A (zh) 一种非接触式心脏三维标测方法及系统
CN114757951A (zh) 体征数据的融合方法、数据融合设备以及可读存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20190725

Address after: 100080 Haidian Street, Haidian District, Beijing

Applicant after: Beijing deep Rui Bolian technology limited liability company

Applicant after: Hangzhou Shenrui Bolian Technology Co., Ltd.

Address before: 100080 Tianchuang Science and Technology Building 1106, No. 8 Caihefang Road, Haidian District, Beijing

Applicant before: Beijing deep Rui Bolian technology limited liability company

GR01 Patent grant
GR01 Patent grant