CN107657622A - 放射性核素断层影像与放射性浓集水平关系的分析方法 - Google Patents
放射性核素断层影像与放射性浓集水平关系的分析方法 Download PDFInfo
- Publication number
- CN107657622A CN107657622A CN201710790273.4A CN201710790273A CN107657622A CN 107657622 A CN107657622 A CN 107657622A CN 201710790273 A CN201710790273 A CN 201710790273A CN 107657622 A CN107657622 A CN 107657622A
- Authority
- CN
- China
- Prior art keywords
- radionuclide
- value
- fault image
- analysis method
- chart
- 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
Classifications
-
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
- G06T2207/10128—Scintigraphy
-
- 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
- G06T2207/30008—Bone
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Nuclear Medicine (AREA)
- Image Processing (AREA)
Abstract
本发明涉及核医学领域的放射性核素断层影像分析,具体为一种放射性核素断层影像与放射性浓集水平关系的分析方法。本发明的放射性核素断层影像与放射性浓集水平关系的分析方法包括步骤S1获取常规放射性核素断层影像,步骤S2调整色阶窗宽与阈值,步骤S3图形转换与计算径线,步骤S4图表显示数据,步骤S5图表分型,步骤S6图表分型与疾病诊断之间的关系确定等步骤。本发明建立了一种新的图像分析方法,使放射性核素断层影像在提供常规信息之外,还能进一步提供其它额外信息,以有助于病灶的诊断与鉴别诊断,对于放射性核素断层影像的智能化自动诊断技术的发展也能提供重要的辅助价值。
Description
技术领域
本发明涉及核医学领域的放射性核素断层影像分析,具体为一种放射性核素断层影像与放射性浓集水平关系的分析方法。
背景技术
目前放射性核素断层影像的分析主要包括视觉分析与定量分析。其中,视觉分析主要是判断病灶的放射性浓集水平是否高于、等于或低于正常机体的放射性浓集水平,依靠视觉判断对病灶的放射性分布情况简单分为浓聚、稀疏或无明显变化三种情况。放射性核素断层影像的定量分析,主要通过人为设置感兴趣区,由计算机软件自动获取反应感兴趣区内的反映放射性分布浓集水平的定量或半定量值。其中常见的包括PET图像中的标准化摄取值(SUV)以及SPECT图像中的靶/非靶(T/N)摄取比值。目前一般都是通过计算机软件自动获取的感兴趣区的定量或半定量值,可同时获得感兴趣区内的平均值、最大值、最小值、标准差等统计数据。在SPECT/CT或PET/CT等的融合显像中,大都是通过CT进一步提供病灶的定位、形态、面积、径线等精确定量信息,而放射性核素断层影像仅是提供病灶的相关代谢水平的信息。由于放射性核素影像大都图像分辨率低,边缘不清晰不明确,无法像CT图像那样对病灶影像进行精确的面积、经线等方面的定量测量与分析。
放射性核素断层影像一般都是采用色阶的明亮程度来表示不同的放射性浓集水平。色阶的明亮度越高,表示该处的放射性浓集水平越高;反之色阶明亮度越低,则表示浓集水平越低。在分析影像时,为了提高图像的视觉对比度,以利于图像分析,影像分析者还可以手动或预设色阶的窗宽,使位于窗宽上下界内的放射性浓集水平可通过不同的色阶明亮度进行显示。但是,高于窗宽上界的放射性浓集水平均采用一致的最高色阶表示而无法相互区分,低于窗宽下界的放射性浓集水平则都采用最低色阶表示而与无放射性浓集区域无法区分。就视觉观察习惯而言,最低色阶也可以理解为不显影,即低于窗宽下界的放射性浓集水平均在图像上不显示,因此窗宽下界也可理解为图像显示的阈值。目前在放射性核素断层影像的分析中,调整色阶窗宽通常仅是用于简单的视觉判断,即分析病灶的放射性浓集水平是否与周围正常组织或本底不同。尚未见通过调节窗宽或阈值的方式对病灶影像的面积或径线进行定量测量,以及分析这些面积或径线与放射性浓集水平之间关系的相关文献报道。
临床上诊断医师对放射性核素显像影像的分析,一般都是通过简单的视觉分析判断病灶对放射性药物的摄取是否存在异常,继而通过测定感兴趣区内的定量或半定量值来反应病灶对放射性药物摄取浓集的程度。除此之外,几乎不对放射性核素影像进行详细的形态、边缘、面积、径线等方面的确定性与定量分析,这就造成单独的放射性核素断层影像对于诊断与鉴别诊断能提供的参考信息相对有限。因此,开发一种放射性核素断层影像与放射性浓集水平关系的分析方法具有重要意义。
发明内容
本发明的目的在于提供一种放射性核素断层影像与放射性浓集水平关系的分析方法,以解决上述背景技术中的问题。为实现上述目的,提供如下技术方案:
放射性核素断层影像与放射性浓集水平关系的分析方法,其特征在于,包括以下步骤:
步骤S1、获取常规放射性核素断层影像:通过目前临床常规检查程序,获取放射性核素断层影像,采用色阶明亮度来反应放射性分布的浓集水平,通过视觉判断确定需要分析的病灶;
步骤S2、调整色阶窗宽与阈值:原始影像的色阶窗宽下界,也即阈值和上界分别为0和1,相对最高放射性浓集水平,此时的窗宽的宽度最大为1;然后将阈值由0向上依次等跨度上升直至1,将窗宽缩窄为一固定值,接着依据阈值每上升一个跨度而显示的病灶影像边缘勾画感兴趣区,并利用计算机得到感兴趣区的面积;
步骤S3、图形转换与计算径线:假设所有的感兴趣区为标准图形,然后利用步骤S2获得的面积值,通过标准图形的面积计算公式计算出每个感兴趣区对应的径线值;
步骤S4、图表显示数据:分析步骤S3获得面积值、径线值等定量数据与阈值变化之间关系:即当阈值等跨度变化时,面积值或径线值分别变化了多少,将这些变化值之间的比例关系通过相关图表的形式表现出来;
步骤S5、图表分型:依据图表的特点对图表进行分型,将图表分型与病灶定性结果进行对比分析,明确阈值即放射性浓集水平等跨度变化时,影像面积或径线的变化特点;
步骤S6、通过样本数据积累,明确图表各分型与疾病诊断之间的关系。
优选的,所述的步骤S2中,等跨度变化的值和固定的窗宽值为0-1之间的任意值。
优选的,所述的步骤S3中,标准图形包括圆形,正方形和其他正多边形。
优选的,所述的步骤S4中,相关图表包括曲线图、直方图和其它数据图表形式。
与现有技术相比,本发明的有益效果是:本发明建立了一种新的图像分析方法,使放射性核素断层影像在提供上述常规信息之外,还能进一步提供其它额外信息,有助于病灶的诊断与鉴别诊断。通过定量的样本分析,发现放射性核素断层影像与色阶阈值变化之间的关系对于病灶的诊断可以提供一些额外的参考信息,因此特总结归纳为本发明内容。由于放射性核素断层影像图像分辨率低,存在辐射伪影,不同阈值对应的图形之间变化大,很难确定是以哪条径线进行定量。而本发明通过采取图像转换的形式,对病灶影像进行统一图形如圆形转换,然后计算径线如半径的变化,并通过图表显示这种变化关系,再根据图表特点进行分型,最终通过样本积累明确分析各型与诊断之间的关系,从而为病灶诊断提供额外有益信息,对于放射性核素断层影像的智能化自动诊断技术的发展也能提供一定的辅助价值。
附图说明
图1为本发明实施例中的示意图;
图2为本发明实施例中的示意图;
图3为本发明实施例中的示意图;
图4为本发明实施例中的示意图;
图5为本发明实施例中的示意图;
图6为本发明实施例中的示意图。
具体实施方式
下面将结合本发明实施例对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
放射性核素断层影像与放射性浓集水平关系的分析方法,其特征在于,包括以下步骤:
步骤S1、获取常规放射性核素断层影像:通过目前临床常规检查程序,获取放射性核素断层影像,采用色阶明亮度来反应放射性分布的浓集水平,通过视觉判断确定需要分析的病灶;
步骤S2、调整色阶窗宽与阈值:原始影像的色阶窗宽下界,也即阈值和上界分别为0和1,相对最高放射性浓集水平,此时的窗宽的宽度最大为1;然后将阈值由0向上依次等跨度上升直至1,将窗宽缩窄为一固定值,接着依据阈值每上升一个跨度而显示的病灶影像边缘勾画感兴趣区,并利用计算机得到感兴趣区的面积;
步骤S3、图形转换与计算径线:假设所有的感兴趣区为标准图形,然后利用步骤S2获得的面积值,通过标准图形的面积计算公式计算出每个感兴趣区对应的径线值;
步骤S4、图表显示数据:分析步骤S3获得面积值、径线值等定量数据与阈值变化之间关系:即当阈值等跨度变化时,面积值或径线值分别变化了多少,将这些变化值之间的比例关系通过相关图表的形式表现出来;
步骤S5、图表分型:依据图表的特点对图表进行分型,将图表分型与病灶定性结果进行对比分析,明确阈值即放射性浓集水平等跨度变化时,影像面积或径线的变化特点;
步骤S6、通过样本数据积累,明确图表各分型与疾病诊断之间的关系。
进一步的,所述的步骤S2中,等跨度变化的值和固定的窗宽值为0-1之间的任意值。
进一步的,所述的步骤S3中,标准图形包括圆形,正方形和其他正多边形。
进一步的,所述的步骤S4中,相关图表包括曲线图、直方图和其它数据图表形式。
下面给出本发明的一个具体实施例。
步骤S1、获取常规99mTc-MDP SPECT/CT扫描的图像,包括CT图1A、SPECT/CT图1B、SPECT图1C,可见右侧肋骨局部骨质破坏及密度增高影,放射性分布浓聚。对右肋骨病灶局部放大,获取CT图1D、SPECT/CT图1E、SPECT图1F。CT灰阶的窗宽、窗位设置为机器预设的骨窗,见图1G。SPECT色阶的窗宽、窗位设置见图1H,窗宽为1.0,阈值为0。
步骤S2、将SPECT色阶的窗宽调整为0.2,阈值上调一个跨度至0.2,如图2E所示;CT灰阶窗宽不变。此时SPECT/CT、SPECT改变为图2A、图2B所示。沿SPECT图所示影像边缘勾画感兴趣区,即为图2C中的实线外圈。将SPECT色阶的窗宽固定为0.2,阈值依次上调一个跨度分别至0.4、0.6、0.8,如图3所示,则SPECT/CT图分别改变为图3A1、图3B1、图3C1所示,SPECT图分别改变为图3A2、图3B2、图3C2所示。分别沿SPECT所示影像边缘勾画感兴趣区,则分别获得图3D1和图3D2中的内部的三个圈,对应的色阶阈值由外向内依次为0.4、0.6、0.8;而外圈对应的阈值为0.2。这4个感兴趣区排列呈同心圆状。由计算机自动获取上述4个感兴趣区的面积,由内向外分别为0.06519cm2、0.45244cm2、1.27773cm2、2.99280cm2。
步骤S3、由于4个感兴趣区由内向外呈同心圆状排列,因此对感兴趣区的形状进行圆形转换,即假设4个感兴趣区均为圆形。再通过圆形面积计算公式其对应的半径分别为0.14409cm、0.37959cm、0.63790cm、0.97628cm。
步骤S4、通过上述半径值,可以计算出色阶阈值由0.8降到0.6时,半径增加了0.23550(0.37959-0.14409);阈值由0.6降到0.4,半径增加了0.25831 (0.63790-0.37959);阈值由0.4降到0.2,半径增加了0.33838 (0.97628-0.63790)。这些半径变化值表示如曲线图4;它们之间的比例为1:1.096851:1.43682,直方图表示如图5。针对数据及图像特点分析,可以得出:随着色阶阈值的降低,病灶影像半径的增加呈“加速递增”样表现。而这个病灶最终确诊为骨转移瘤。
步骤S5、收集的34例病灶的相关数据,它们的半径变化的比例关系采用直方图显示于图6。其中16例(第1、6、7、8、10、11、13、16、17、21、23、24、25、28、30、33例)为骨转移灶,50%(共8例)表现为“加速递增”表现;其中10例(第1、6、7、8、13、14、20、28、30、33例)表现为“加速递增”改变,共有80%(8例)为骨转移灶。因此,认为“加速递增”与骨转移之间是存在相关性的。
上述直方图的特点,除了“加速递增”外,还存在“减速递增”(第4、5、12、29例)、“匀速递增”(第16、34例)、“小减大增”(第9、10、15、17、18、22、23、25、27、32例)、“大减小增”(第3、15例)、“大增小减”(第11、24、21、31例)、“小增大减”(第2、21例)、“小减小增”(第19例)、“递减”(第26例)等多种分型。
本发明的图像分析方法为临床骨转移瘤的诊断与鉴别诊断,在提供常规信息的基础上进一步提供了额外的辅助诊断信息,开拓了新的分析思路。而这些过程亦可通过设计相应的计算机软件自动实现,对于智能化自动诊断技术的发展也有一定的促进作用。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.放射性核素断层影像与放射性浓集水平关系的分析方法,其特征在于,包括以下步骤:
步骤S1、获取常规放射性核素断层影像:通过目前临床常规检查程序,获取放射性核素断层影像,采用色阶明亮度来反应放射性分布的浓集水平,通过视觉判断确定需要分析的病灶;
步骤S2、调整色阶窗宽与阈值:原始影像的色阶窗宽下界,也即阈值和上界分别为0和1,相对最高放射性浓集水平,此时的窗宽的宽度最大为1;然后将阈值由0向上依次等跨度上升直至1,将窗宽缩窄为一固定值,接着依据阈值每上升一个跨度而显示的病灶影像边缘勾画感兴趣区,并利用计算机得到感兴趣区的面积;
步骤S3、图形转换与计算径线:假设所有的感兴趣区为标准图形,然后利用步骤S2获得的面积值,通过标准图形的面积计算公式计算出每个感兴趣区对应的径线值;
步骤S4、图表显示数据:分析步骤S3获得面积值、径线值等定量数据与阈值变化之间关系:即当阈值等跨度变化时,面积值或径线值分别变化了多少,将这些变化值之间的比例关系通过相关图表的形式表现出来;
步骤S5、图表分型:依据图表的特点对图表进行分型,将图表分型与病灶定性结果进行对比分析,明确阈值即放射性浓集水平等跨度变化时,影像面积或径线的变化特点;
步骤S6、通过样本数据积累,明确图表各分型与疾病诊断之间的关系。
2.根据权利要求1中所述的放射性核素断层影像与放射性浓集水平关系的分析方法,其特征在于,所述的步骤S2中,等跨度变化的值和固定的窗宽值为0-1之间的任意值。
3.根据权利要求1中所述的放射性核素断层影像与放射性浓集水平关系的分析方法,其特征在于,所述的步骤S3中,标准图形包括圆形,正方形和其它正多边形。
4.根据权利要求1中所述的放射性核素断层影像与放射性浓集水平关系的分析方法,其特征在于,所述的步骤S4中,相关图表包括曲线图、直方图和其它数据图表形式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710790273.4A CN107657622B (zh) | 2017-09-05 | 2017-09-05 | 放射性核素断层影像与放射性浓集水平关系的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710790273.4A CN107657622B (zh) | 2017-09-05 | 2017-09-05 | 放射性核素断层影像与放射性浓集水平关系的分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107657622A true CN107657622A (zh) | 2018-02-02 |
CN107657622B CN107657622B (zh) | 2021-02-05 |
Family
ID=61129098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710790273.4A Expired - Fee Related CN107657622B (zh) | 2017-09-05 | 2017-09-05 | 放射性核素断层影像与放射性浓集水平关系的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107657622B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5440135A (en) * | 1993-09-01 | 1995-08-08 | Shonka Research Associates, Inc. | Self-calibrating radiation detectors for measuring the areal extent of contamination |
CN102914644A (zh) * | 2011-08-04 | 2013-02-06 | 优普生物科技股份有限公司 | 血清淀粉a用于评估放射线治疗的方法及其用途 |
CN103337074A (zh) * | 2013-06-18 | 2013-10-02 | 大连理工大学 | 一种基于主动轮廓模型分割乳腺dce-mri病灶的方法 |
CN103393433A (zh) * | 2013-07-30 | 2013-11-20 | 米度(南京)生物技术有限公司 | 基于pet图像判断药物有效性的方法 |
WO2014153965A1 (zh) * | 2013-03-28 | 2014-10-02 | 南京大学宜兴环保研究院 | 一种处理核电废水中放射性元素铁、钴、锰和银的复合絮凝剂及处理方法 |
CN104504687A (zh) * | 2014-12-05 | 2015-04-08 | 上海申维影像科技有限公司 | 一种超声造影图像分析方法及其系统 |
CN105785418A (zh) * | 2016-03-07 | 2016-07-20 | 中国水产科学研究院东海水产研究所 | 一种检测北太平洋柔鱼体内放射性核辐射元素的方法 |
-
2017
- 2017-09-05 CN CN201710790273.4A patent/CN107657622B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5440135A (en) * | 1993-09-01 | 1995-08-08 | Shonka Research Associates, Inc. | Self-calibrating radiation detectors for measuring the areal extent of contamination |
CN102914644A (zh) * | 2011-08-04 | 2013-02-06 | 优普生物科技股份有限公司 | 血清淀粉a用于评估放射线治疗的方法及其用途 |
WO2014153965A1 (zh) * | 2013-03-28 | 2014-10-02 | 南京大学宜兴环保研究院 | 一种处理核电废水中放射性元素铁、钴、锰和银的复合絮凝剂及处理方法 |
CN103337074A (zh) * | 2013-06-18 | 2013-10-02 | 大连理工大学 | 一种基于主动轮廓模型分割乳腺dce-mri病灶的方法 |
CN103393433A (zh) * | 2013-07-30 | 2013-11-20 | 米度(南京)生物技术有限公司 | 基于pet图像判断药物有效性的方法 |
CN104504687A (zh) * | 2014-12-05 | 2015-04-08 | 上海申维影像科技有限公司 | 一种超声造影图像分析方法及其系统 |
CN105785418A (zh) * | 2016-03-07 | 2016-07-20 | 中国水产科学研究院东海水产研究所 | 一种检测北太平洋柔鱼体内放射性核辐射元素的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107657622B (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Varghese et al. | Texture analysis of imaging: what radiologists need to know | |
JP5997185B2 (ja) | 明細書微生物増殖を分析する方法およびソフトウェア | |
El-Baz et al. | Appearance analysis for diagnosing malignant lung nodules | |
CN109447065A (zh) | 一种乳腺影像识别的方法及装置 | |
US7315640B1 (en) | X-ray image processing | |
US20050265588A1 (en) | Method and system for digital image based flourescent in situ hybridization (FISH) analysis | |
US9367915B2 (en) | Method and system for analyzing optical coherence tomography (OCT) results using color reflectivity discretization analysis | |
GB2472313A (en) | Analyzing A Selected Region Of Interest In Medical Image Data | |
CN104619257A (zh) | 用于医学图像中的肺结节的自动化检测的系统和方法 | |
US10296808B2 (en) | Method and X-ray system for computer aided detection of structures in X-ray images | |
CN109363699A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
CN104363815A (zh) | 图像处理装置、图像处理方法以及图像处理程序 | |
US7693320B2 (en) | Three time point lung cancer detection, diagnosis and assessment of prognosis | |
CN101984916A (zh) | 基于数字图像处理技术的血管管径测量方法 | |
KR102307995B1 (ko) | 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템 및 이의 동작 방법 | |
CN108027364A (zh) | 用于确定细胞学分析系统中的细胞充分性的系统及方法 | |
Faziloglu et al. | Colour histogram analysis for melanoma discrimination in clinical images | |
JP2004254742A (ja) | 医用画像処理装置及び悪性度の判定方法 | |
CN104615915A (zh) | 一种针对医疗放射影像的计算机辅助图像质量分析控制方法及系统 | |
Alsheh Ali et al. | Detection of potential microcalcification clusters using multivendor for‐presentation digital mammograms for short‐term breast cancer risk estimation | |
CN101989351A (zh) | 一种肺部疑似结节图像增强方向尺度滤波方法 | |
WO2005076216A2 (en) | Method and system for automaticed digital image based flourescent in situ hybridization (fish) analysis | |
CN117727441A (zh) | 基于临床-融合影像计算机模型预测肺癌免疫疗效方法 | |
CN107657622A (zh) | 放射性核素断层影像与放射性浓集水平关系的分析方法 | |
JP2007202811A (ja) | 照射野認識装置、照射野認識方法およびそのプログラム |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210205 Termination date: 20210905 |
|
CF01 | Termination of patent right due to non-payment of annual fee |