CN108171709A - 肝占位性病灶区域的检测方法、装置和实现装置 - Google Patents
肝占位性病灶区域的检测方法、装置和实现装置 Download PDFInfo
- Publication number
- CN108171709A CN108171709A CN201810093667.9A CN201810093667A CN108171709A CN 108171709 A CN108171709 A CN 108171709A CN 201810093667 A CN201810093667 A CN 201810093667A CN 108171709 A CN108171709 A CN 108171709A
- Authority
- CN
- China
- Prior art keywords
- phase
- liver
- focal area
- masses
- 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.)
- Pending
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种肝占位性病灶区域的检测方法、装置和实现装置;其中,该方法包括:获取肝部的CT增强图像;CT增强图像包括动脉期、门静脉期和实质期;每期图像包括多帧图片;对动脉期、门静脉期和实质期中,对应帧的图片进行线性叠加处理,得到CT增强图像对应的合成图像;将合成图像输入至预先建立的肝占位性病灶区域检测模型中,根据输出结果检测肝占位性病灶区域;其中,肝占位性病灶区域检测模型通过3D卷积神经网络训练而成。本发明通过将CT增强图像中三期图像进行线性叠加,可以增大病灶区域与正常区域的图像差异,再采用3D卷积神经网络训练得到的模型检测肝占位性病灶区域,从而提高了肝占位性病灶区域识别方式准确性。
Description
技术领域
本发明涉及医学影像技术领域,尤其是涉及一种肝占位性病灶区域的检测方法、装置和实现装置。
背景技术
CT增强扫描通过观察肝癌、周围肝脏、血管的密度的动态变化,可以弥补普通CT扫描的不足。例如,在注射造影剂后早期(动脉期),肝癌主要由肝动脉供血而显著增强、密度增高,周围肝组织主要有门静脉供血增强不明显、密度相对较低;在注射造影剂的后期(静脉期),肝癌不再强化、密度下降,周围肝组织增强明显,密度增高。因而,在注射造影剂后不同时间扫描就可使肝癌更清晰的显示出来。
CT增强扫描可以更加明显地凸显肝部癌变区域的特征,但受限于设备、经验、人眼客观识别能力,外加超负荷工作的影响,医生难免会出现漏诊和误诊,导致肝占位性病灶区域识别方式准确性较低。
发明内容
有鉴于此,本发明的目的在于提供一种肝占位性病灶区域的检测方法、装置和实现装置,以提高肝占位性病灶区域识别方式准确性。
第一方面,本发明实施例提供了一种肝占位性病灶区域的检测方法,包括:获取肝部的CT增强图像;CT增强图像包括动脉期、门静脉期和实质期;每期图像包括多帧图片;对动脉期、门静脉期和实质期中,对应帧的图片进行线性叠加处理,得到CT增强图像对应的合成图像;将合成图像输入至预先建立的肝占位性病灶区域检测模型中,根据输出结果检测肝占位性病灶区域;其中,肝占位性病灶区域检测模型通过3D卷积神经网络训练而成。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,上述对动脉期、门静脉期和实质期中,对应帧的图片进行线性叠加处理,得到CT增强图像对应的合成图像的步骤,包括:设置初始值i=1;执行线性叠加处理步骤:分别获取动脉期、门静脉期和实质期中,第i帧的图片F1i、F2i和F3i;其中,F1i为动脉期中的第i帧图片,F2i为门静脉期中的第i帧图片,F3i为实质期中的第i帧图片;计算各像素位置处的CT值F4i(x,y)=a*F1i(x,y)+b*F2i(x,y)+c*F3i(x,y);其中,F1i(x,y)为F1i中像素位置(x,y)处的CT值;F2i(x,y)为F2i中像素位置(x,y)处的CT值;F3i(x,y)为F3i中像素位置(x,y)处的CT值;a、b和c为预设的线性系数;i=i+1;继续执行上述线性叠加处理步骤,直至i=N,得到合成图像;N为动脉期、门静脉期或实质期的图片帧数。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第二种可能的实施方式,其中,上述预设的线性系数a、b和c,通过下述方式确定:获取设定数量的肝部的CT增强样本图像和对应的标注信息;标注信息包括CT增强样本图像中的肝占位性病灶区域;生成CT增强样本图像对应的掩码图像;掩码图像中,肝占位性病灶区域的像素值为1,正常区域的像素值为0;生成CT增强样本图像中,F1i、F2i和F3i对应的掩码帧Fmi;掩码帧Fmi中,肝占位性病灶区域的像素值为1,正常区域的像素值为-1;根据F1i、F2i、F3i和Fmi建立目标函数,采用凸优化算法,求解目标函数为最优解时,线性系数a、b和c的值。
结合第一方面的第二种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,上述根据F1i、F2i、F3i和Fmi建立目标函数,采用凸优化算法,求解目标函数为最优解时,线性系数a、b和c的值的步骤,包括:建立目标函数 其中,n为第n个CT增强样本图像;Fn mi(x,y)为Fmi中像素位置(x,y)处的像素值;Pi为Fn mi(x,y)=k的概率;k=1或-1;基于条件a+b+c=1,求解目标函数为最大值时,线性系数a、b和c的值。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,上述肝占位性病灶区域检测模型通过下述方式训练获得:获取设定数量的肝部的CT增强样本图像对应的合成图像,以及对应的标注信息;标注信息包括肝占位性病灶区域的三维位置信息;建立3D卷积神经网络的网络结构;将合成图像以及对应的标注信息输入至网络结构中进行训练,生成肝占位性病灶区域检测模型。
第二方面,本发明实施例提供了一种肝占位性病灶区域的检测装置,包括:图像获取模块,用于获取肝部的CT增强图像;CT增强图像包括动脉期、门静脉期和实质期;每期图像包括多帧图片;线性叠加处理模块,用于对动脉期、门静脉期和实质期中,对应帧的图片进行线性叠加处理,得到CT增强图像对应的合成图像;病灶区域检测模块,用于将合成图像输入至预先建立的肝占位性病灶区域检测模型中,根据输出结果检测肝占位性病灶区域;其中,肝占位性病灶区域检测模型通过3D卷积神经网络训练而成。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,上述线性叠加处理模块,还用于:设置初始值i=1;执行线性叠加处理步骤:分别获取动脉期、门静脉期和实质期中,第i帧的图片F1i、F2i和F3i;其中,F1i为动脉期中的第i帧图片,F2i为门静脉期中的第i帧图片,F3i为实质期中的第i帧图片;计算各像素位置处的CT值F4i(x,y)=a*F1i(x,y)+b*F2i(x,y)+c*F3i(x,y);其中,F1i(x,y)为F1i中像素位置(x,y)处的CT值;F2i(x,y)为F2i中像素位置(x,y)处的CT值;F3i(x,y)为F3i中像素位置(x,y)处的CT值;a、b和c为预设的线性系数;i=i+1;继续执行上述线性叠加处理步骤,直至i=N,得到合成图像;N为动脉期、门静脉期或实质期的图片帧数。
结合第二方面的第一种可能的实施方式,本发明实施例提供了第二方面的第二种可能的实施方式,其中,上述预设的线性系数a、b和c,通过下述方式确定:获取设定数量的肝部的CT增强样本图像和对应的标注信息;标注信息包括CT增强样本图像中的肝占位性病灶区域;生成CT增强样本图像对应的掩码图像;掩码图像中,肝占位性病灶区域的像素值为1,正常区域的像素值为0;生成CT增强样本图像中,F1i、F2i和F3i对应的掩码帧Fmi;掩码帧Fmi中,肝占位性病灶区域的像素值为1,正常区域的像素值为-1;根据F1i、F2i、F3i和Fmi建立目标函数,采用凸优化算法,求解目标函数为最优解时,线性系数a、b和c的值。
结合第二方面,本发明实施例提供了第二方面的第三种可能的实施方式,其中,上述肝占位性病灶区域检测模型通过下述方式训练获得:获取设定数量的肝部的CT增强样本图像对应的合成图像,以及对应的标注信息;标注信息包括肝占位性病灶区域的三维位置信息;建立3D卷积神经网络的网络结构;将合成图像以及对应的标注信息输入至网络结构中进行训练,生成肝占位性病灶区域检测模型。
第三方面,本发明实施例提供了一种肝占位性病灶区域的检测实现装置,包括存储器和处理器,其中,存储器用于存储一条或多条计算机指令,所述一条或多条计算机指令被所述处理器执行,以实现上述肝占位性病灶区域的检测方法。
本发明实施例带来了以下有益效果:
本发明实施例提供的一种肝占位性病灶区域的检测方法、装置和实现装置,获取到肝部的CT增强图像后,对动脉期、门静脉期和实质期中对应帧的图片进行线性叠加处理,得到CT增强图像对应的合成图像;再将合成图像输入至预先建立的肝占位性病灶区域检测模型中,根据输出结果检测肝占位性病灶区域;该方式通过将CT增强图像中三期图像进行线性叠加,可以增大病灶区域与正常区域的图像差异,再采用3D卷积神经网络训练得到的模型检测肝占位性病灶区域,从而提高了肝占位性病灶区域识别方式准确性。
本发明的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本发明的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施方式,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种肝占位性病灶区域的检测方法的流程图;
图2为本发明实施例提供的一种肝占位性病灶区域的检测方法中,对动脉期、门静脉期和实质期中对应帧的图片进行线性叠加处理,得到CT增强图像对应的合成图像的步骤流程图;
图3为本发明实施例提供的一种肝占位性病灶区域的检测方法中,线性系数a、b和c确定方法流程图;
图4为本发明实施例提供的一种肝占位性病灶区域的检测装置的结构示意图;
图5为本发明实施例提供的一种肝占位性病灶区域的检测实现装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
通常,肝部癌变区域或其他肝占位性病变区域在进行普通CT扫描时,显示比周围正常肝组织低的密度,能显示出病变区域的大小和形态。但有少数肝癌的密度和周围肝组织密度差别不大,普通扫描就不能显示出肝癌;由于血液的密度和肝癌的密度相差不大,血管的断面就可能被误认为是肝癌,如果肝癌侵犯或转移到血管内,普通CT扫描也不能显示出来。
CT增强扫描通过观察肝癌、周围肝脏、血管的密度的动态变化,很容易弥补普通CT扫描的不足。例如,在注射造影剂后早期(动脉期),肝癌主要由肝动脉供血而显著增强、密度增高,周围肝组织主要有门静脉供血增强不明显、密度相对较低;在注射造影剂的后期(静脉期),肝癌不再强化、密度下降,周围肝组织增强明显,密度增高。因而,在注射造影剂后不同时间扫描就可使肝癌更清晰的显示出来。增强扫描能够是肝内的血管充盈造影剂而清晰显示出血管的形态,可以鉴别血管断面和肝癌;如门静脉内有癌栓,经注射造影剂后门静脉内会显示出造影剂的充盈缺损而显示出癌栓。
由上述可知,CT增强扫描可以更加明显地凸显肝部癌变区域的特征,但受限于设备、经验、人眼客观识别能力,外加超负荷工作的影响,医生难免会出现漏诊和误诊,导致肝占位性病灶区域识别方式准确性较低。基于此,本发明实施例提供了一种肝占位性病灶区域的检测方法、装置和实现装置;该技术可以应用于肝部良性肿瘤、恶性肿瘤或其他肿瘤样病变的检测识别中;尤其可以应用于通过CT(Computed Tomography,电子计算机断层扫描)增强扫描自动识别肝占位性病灶区域的过程中;该技术可以采用相关的软件或硬件实现,下面通过实施例进行描述。
参见图1所示的一种肝占位性病灶区域的检测方法的流程图;该方法包括如下步骤:
步骤S102,获取肝部的CT增强图像;该CT增强图像包括动脉期、门静脉期和实质期;每期图像包括多帧图片;
CT增强图像是在CT平扫基础上,对可疑部位在静脉注射造影剂后继续进行扫描而获得的。开始CT扫描后,按照增强后的时间顺序,CT扫描图像可以分为三期图像,即动脉期、门静脉期和实质期,其中,实质期也可以称为平衡期。
步骤S104,对动脉期、门静脉期和实质期中,对应帧的图片进行线性叠加处理,得到CT增强图像对应的合成图像;
例如,每期图像包含N帧图片;首先对各期图像的第一帧图片进行线性叠加,得到合成图像的第一帧图片;再对各期图像的第二帧图片进行线性叠加,得到合成图像的第二帧图片;以此类推,直至得到合成图像的第N帧图片。
步骤S106,将合成图像输入至预先建立的肝占位性病灶区域检测模型中,根据输出结果检测肝占位性病灶区域;其中,肝占位性病灶区域检测模型通过3D卷积神经网络训练而成。
在实际实现时,上述肝占位性病灶区域检测模型可以对输入的合成图像进行筛查,从而检测出可疑病灶区域的3D位置。
本发明实施例提供的一种肝占位性病灶区域的检测方法,获取到肝部的CT增强图像后,对动脉期、门静脉期和实质期中对应帧的图片进行线性叠加处理,得到CT增强图像对应的合成图像;再将合成图像输入至预先建立的肝占位性病灶区域检测模型中,根据输出结果检测肝占位性病灶区域;该方式通过将CT增强图像中三期图像进行线性叠加,可以增大病灶区域与正常区域的图像差异,再采用3D卷积神经网络训练得到的模型检测肝占位性病灶区域,从而提高了肝占位性病灶区域识别方式准确性。
本发明实施例还提供了另一种肝占位性病灶区域的检测方法的流程图;该方法在图1中所示方法基础上实现;参见图2所示的一种肝占位性病灶区域的检测方法中,对动脉期、门静脉期和实质期中对应帧的图片进行线性叠加处理,得到CT增强图像对应的合成图像的步骤流程图;
步骤S202,设置初始值i=1;
步骤S204,分别获取动脉期、门静脉期和实质期中,第i帧的图片F1i、F2i和F3i;其中,F1i为动脉期中的第i帧图片,F2i为门静脉期中的第i帧图片,F3i为实质期中的第i帧图片;
步骤S206,计算各像素位置处的CT值F4i(x,y)=a*F1i(x,y)+b*F2i(x,y)+c*F3i(x,y);其中,F1i(x,y)为F1i中像素位置(x,y)处的CT值;F2i(x,y)为F2i中像素位置(x,y)处的CT值;F3i(x,y)为F3i中像素位置(x,y)处的CT值;a、b和c为预设的线性系数;上述CT值的单位为Hu;
步骤S208,判断i=N是否成立;如果是,结束;如果否,i=i+1,执行上述步骤S204;当i=N时,线性叠加处理步骤结束,得到合成图像;其中,N为动脉期、门静脉期或实质期的图片帧数。
每期图像包括多帧图片;各期图像的帧数可以相同也可以不同;当各期图像的帧数相同时,N为各期图像的帧数;如果各期图像的帧数不同,N可以取各期图像帧数的最小值,同时作为合成图像的总帧数,再进行上述线性叠加处理。
CT增强图像中,动脉期、门静脉期和实质期可以展现器官不同特征;以肝部癌变病灶区域为例,癌变病灶区域在动脉期会快速增强,区域密度显著高于正常区域肝实质的密度;而在门静脉期,癌变病灶区域的密度确比正常区域肝实质的密度低;到了实质期,癌变病灶区域恢复到了CT平扫时的表现。
基于上述原因,为了最大化地提高病灶区域与正常区域的差异程度,上述线性叠加过程在实现时,需要预先合理确定线性系数a、b和c;参见图3所示的一种肝占位性病灶区域的检测方法中,线性系数a、b和c确定方法流程图;该方法包括如下步骤:
步骤S302,获取设定数量的肝部的CT增强样本图像和对应的标注信息;该标注信息包括CT增强样本图像中的肝占位性病灶区域;该标注信息可以通过专家标注获得;
步骤S304,生成CT增强样本图像对应的掩码图像;掩码图像中,肝占位性病灶区域的像素值为1,正常区域的像素值为0;
在实际实现时,可以通过对CT增强样本图像进行掩码操作,从而生成掩码图像;具体地,图像的掩码操作是指:通过掩码核算子重新计算图像中各个像素的值,掩码核算子刻画领域像素点对新像素值的影响程度,同时根据掩码算子中权重因子对像素点进行加权平均。
步骤S306,生成CT增强样本图像中,F1i、F2i和F3i对应的掩码帧Fmi;掩码帧Fmi中,肝占位性病灶区域的像素值为1,正常区域的像素值为-1;
上述掩码图像包括与CT增强样本图像中每帧图片对应的掩码图片,也即,动脉期、门静脉期和实质期中,每期的第i帧的图片F1i、F2i和F3i均对应有各自的掩码图片;为了获取F1i、F2i和F3i对应的掩码帧Fmi,可以通过对动脉期、门静脉期和实质期中,对应帧的掩码图片进行线性叠加处理得到。
例如,每期图像对应有包含M帧掩码图片;首先对各期图像的第一帧掩码图片进行线性叠加,得到掩码帧的第一帧图片;再对各期图像的第二帧掩码图片进行线性叠加,得到掩码帧的第二帧图片;以此类推,直至得到掩码帧的第M帧图片。
步骤S308,根据F1i、F2i、F3i和Fmi建立目标函数,采用凸优化算法,求解目标函数为最优解时,线性系数a、b和c的值。该凸优化算法可以为梯度下降算法,也可以为其他凸优化算法。
上述步骤S308,具体可以通过下述步骤实现:
步骤(1),建立目标函数 其中,n为第n个CT增强样本图像;Fn mi(x,y)为Fmi中像素位置(x,y)处的像素值;Pi为Fn mi(x,y)=k的概率;k=1或-1;
步骤(2),基于条件a+b+c=1,求解目标函数为最大值时,线性系数a、b和c的值。
通过上述方式可以确定出线性系数a、b和c的值,将线性系数a、b和c代入上述步骤S206中的公式中后,可以将肝部CT增强图像中的三期增强图像合并为一期合成图像,该合成图像可以最大化体现出肝部病灶区域与正常区域的CT值的差异。
进一步地,上述肝占位性病灶区域检测模型通过下述方式训练获得:
步骤(1),获取设定数量的肝部的CT增强样本图像对应的合成图像,以及对应的标注信息;标注信息包括肝占位性病灶区域的三维位置信息;
步骤(2),建立3D卷积深度神经网络的网络结构;
步骤(3),将合成图像以及对应的标注信息输入至网络结构中进行训练,生成肝占位性病灶区域检测模型。
3D卷积深度神经网络(3D CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,较为适合处理大型图像。通常,3D CNN基本结构包括两层,其一为特征提取层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征。一旦该局部特征被提取后,它与其它特征间的位置关系也随之确定下来;其二是特征映射层,网络的每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性。此外,由于一个映射面上的神经元共享权值,因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层,这种特有的两次特征提取结构减小了特征分辨率。
由于3D CNN的特征检测层通过训练数据进行学习,所以在使用3D CNN时,避免了显示的特征抽取,而隐式地从训练数据中进行学习;再者由于同一特征映射面上的神经元权值相同,所以网络可以并行学习,这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性,其布局更接近于实际的生物神经网络,权值共享降低了网络的复杂性,特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。
对应于上述方法实施例,参见图4所示的一种肝占位性病灶区域的检测装置的结构示意图;该装置包括:
图像获取模块40,用于获取肝部的CT增强图像;CT增强图像包括动脉期、门静脉期和实质期;每期图像包括多帧图片;
线性叠加处理模块41,用于对动脉期、门静脉期和实质期中,对应帧的图片进行线性叠加处理,得到CT增强图像对应的合成图像;
病灶区域检测模块42,用于将合成图像输入至预先建立的肝占位性病灶区域检测模型中,根据输出结果检测肝占位性病灶区域;其中,肝占位性病灶区域检测模型通过3D卷积神经网络训练而成。
上述线性叠加处理模块,还用于:设置初始值i=1;执行线性叠加处理步骤:分别获取动脉期、门静脉期和实质期中,第i帧的图片F1i、F2i和F3i;其中,F1i为动脉期中的第i帧图片,F2i为门静脉期中的第i帧图片,F3i为实质期中的第i帧图片;计算各像素位置处的CT值F4i(x,y)=a*F1i(x,y)+b*F2i(x,y)+c*F3i(x,y);其中,F1i(x,y)为F1i中像素位置(x,y)处的CT值;F2i(x,y)为F2i中像素位置(x,y)处的CT值;F3i(x,y)为F3i中像素位置(x,y)处的CT值;a、b和c为预设的线性系数;i=i+1;继续执行上述线性叠加处理步骤,直至i=N,得到合成图像;N为动脉期、门静脉期或实质期的图片帧数。
上述预设的线性系数a、b和c,通过下述方式确定:获取设定数量的肝部的CT增强样本图像和对应的标注信息;标注信息包括CT增强样本图像中的肝占位性病灶区域;生成CT增强样本图像对应的掩码图像;掩码图像中,肝占位性病灶区域的像素值为1,正常区域的像素值为0;生成CT增强样本图像中,F1i、F2i和F3i对应的掩码帧Fmi;掩码帧Fmi中,肝占位性病灶区域的像素值为1,正常区域的像素值为-1;根据F1i、F2i、F3i和Fmi建立目标函数,采用凸优化算法,求解目标函数为最优解时,线性系数a、b和c的值。
上述肝占位性病灶区域检测模型通过下述方式训练获得:获取设定数量的肝部的CT增强样本图像对应的合成图像,以及对应的标注信息;标注信息包括肝占位性病灶区域的三维位置信息;建立3D卷积神经网络的网络结构;将合成图像以及对应的标注信息输入至网络结构中进行训练,生成肝占位性病灶区域检测模型。
本发明实施例提供的肝占位性病灶区域的检测装置,与上述实施例提供的肝占位性病灶区域的检测方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
参见图5所示的一种肝占位性病灶区域的检测实现装置的结构示意图;该实现装置包括存储器100和处理器101;其中,存储器100用于存储一条或多条计算机指令,一条或多条计算机指令被处理器执行,以实现上述肝占位性病灶区域的检测,该方法可以包括以上方法中的一种或多种。
进一步,图5所示的网管设备还包括总线102和通信接口103,处理器101、通信接口103和存储器100通过总线102连接。
其中,存储器100可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线102可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器101可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施方式中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施方式所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器100,处理器101读取存储器100中的信息,结合其硬件完成前述实施方式的方法的步骤。
进一步,本发明实施方式还提供了一种机器可读存储介质,该机器可读存储介质存储有机器可执行指令,该机器可执行指令在被处理器调用和执行时,机器可执行指令促使处理器实现上述肝占位性病灶区域的检测方法,该方法的实现可以包括以上方法中的一种或多种。
本发明实施例所提供的肝占位性病灶区域的检测方法、装置和实现装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种肝占位性病灶区域的检测方法,其特征在于,包括:
获取肝部的CT增强图像;所述CT增强图像包括动脉期、门静脉期和实质期;每期图像包括多帧图片;
对所述动脉期、所述门静脉期和所述实质期中,对应帧的图片进行线性叠加处理,得到所述CT增强图像对应的合成图像;
将所述合成图像输入至预先建立的肝占位性病灶区域检测模型中,根据输出结果检测肝占位性病灶区域;其中,所述肝占位性病灶区域检测模型通过3D卷积神经网络训练而成。
2.根据权利要求1所述的方法,其特征在于,所述对所述动脉期、所述门静脉期和所述实质期中,对应帧的图片进行线性叠加处理,得到所述CT增强图像对应的合成图像的步骤,包括:
设置初始值i=1;
执行线性叠加处理步骤:分别获取所述动脉期、所述门静脉期和所述实质期中,第i帧的图片F1i、F2i和F3i;其中,F1i为所述动脉期中的第i帧图片,F2i为所述门静脉期中的第i帧图片,F3i为所述实质期中的第i帧图片;
计算各像素位置处的CT值F4i(x,y)=a*F1i(x,y)+b*F2i(x,y)+c*F3i(x,y);其中,F1i(x,y)为F1i中像素位置(x,y)处的CT值;F2i(x,y)为F2i中像素位置(x,y)处的CT值;F3i(x,y)为F3i中像素位置(x,y)处的CT值;a、b和c为预设的线性系数;
i=i+1;继续执行上述线性叠加处理步骤,直至i=N,得到合成图像;N为所述动脉期、所述门静脉期或所述实质期的图片帧数。
3.根据权利要求2所述的方法,其特征在于,所述预设的线性系数a、b和c,通过下述方式确定:
获取设定数量的肝部的CT增强样本图像和对应的标注信息;所述标注信息包括所述CT增强样本图像中的肝占位性病灶区域;
生成所述CT增强样本图像对应的掩码图像;所述掩码图像中,所述肝占位性病灶区域的像素值为1,正常区域的像素值为0;
生成所述CT增强样本图像中,F1i、F2i和F3i对应的掩码帧Fmi;所述掩码帧Fmi中,所述肝占位性病灶区域的像素值为1,正常区域的像素值为-1;
根据所述F1i、F2i、F3i和Fmi建立目标函数,采用凸优化算法,求解所述目标函数为最优解时,线性系数a、b和c的值。
4.根据权利要求3所述的方法,其特征在于,所述根据所述F1i、F2i、F3i和Fmi建立目标函数,采用凸优化算法,求解所述目标函数为最优解时,线性系数a、b和c的值的步骤,包括:
建立目标函数 其中,n为第n个CT增强样本图像;Fn mi(x,y)为Fmi中像素位置(x,y)处的像素值;Pi为Fn mi(x,y)=k的概率;k=1或-1;
基于条件a+b+c=1,求解所述目标函数为最大值时,线性系数a、b和c的值。
5.根据权利要求1所述的方法,其特征在于,所述肝占位性病灶区域检测模型通过下述方式训练获得:
获取设定数量的肝部的CT增强样本图像对应的合成图像,以及对应的标注信息;所述标注信息包括肝占位性病灶区域的三维位置信息;
建立3D卷积神经网络的网络结构;
将所述合成图像以及对应的标注信息输入至所述网络结构中进行训练,生成肝占位性病灶区域检测模型。
6.一种肝占位性病灶区域的检测装置,其特征在于,包括:
图像获取模块,用于获取肝部的CT增强图像;所述CT增强图像包括动脉期、门静脉期和实质期;每期图像包括多帧图片;
线性叠加处理模块,用于对所述动脉期、所述门静脉期和所述实质期中,对应帧的图片进行线性叠加处理,得到所述CT增强图像对应的合成图像;
病灶区域检测模块,用于将所述合成图像输入至预先建立的肝占位性病灶区域检测模型中,根据输出结果检测肝占位性病灶区域;其中,所述肝占位性病灶区域检测模型通过3D卷积神经网络训练而成。
7.根据权利要求6所述的装置,其特征在于,所述线性叠加处理模块,还用于:
设置初始值i=1;
执行线性叠加处理步骤:分别获取所述动脉期、所述门静脉期和所述实质期中,第i帧的图片F1i、F2i和F3i;其中,F1i为所述动脉期中的第i帧图片,F2i为所述门静脉期中的第i帧图片,F3i为所述实质期中的第i帧图片;
计算各像素位置处的CT值F4i(x,y)=a*F1i(x,y)+b*F2i(x,y)+c*F3i(x,y);其中,F1i(x,y)为F1i中像素位置(x,y)处的CT值;F2i(x,y)为F2i中像素位置(x,y)处的CT值;F3i(x,y)为F3i中像素位置(x,y)处的CT值;a、b和c为预设的线性系数;
i=i+1;继续执行上述线性叠加处理步骤,直至i=N,得到合成图像;N为所述动脉期、所述门静脉期或所述实质期的图片帧数。
8.根据权利要求7所述的装置,其特征在于,所述预设的线性系数a、b和c,通过下述方式确定:
获取设定数量的肝部的CT增强样本图像和对应的标注信息;所述标注信息包括所述CT增强样本图像中的肝占位性病灶区域;
生成所述CT增强样本图像对应的掩码图像;所述掩码图像中,所述肝占位性病灶区域的像素值为1,正常区域的像素值为0;
生成所述CT增强样本图像中,F1i、F2i和F3i对应的掩码帧Fmi;所述掩码帧Fmi中,所述肝占位性病灶区域的像素值为1,正常区域的像素值为-1;
根据所述F1i、F2i、F3i和Fmi建立目标函数,采用凸优化算法,求解所述目标函数为最优解时,线性系数a、b和c的值。
9.根据权利要求6所述的装置,其特征在于,所述肝占位性病灶区域检测模型通过下述方式训练获得:
获取设定数量的肝部的CT增强样本图像对应的合成图像,以及对应的标注信息;所述标注信息包括肝占位性病灶区域的三维位置信息;
建立3D卷积神经网络的网络结构;
将所述合成图像以及对应的标注信息输入至所述网络结构中进行训练,生成肝占位性病灶区域检测模型。
10.一种肝占位性病灶区域的检测实现装置,其特征在于,包括存储器和处理器,其中,所述存储器用于存储一条或多条计算机指令,所述一条或多条计算机指令被所述处理器执行,以实现权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810093667.9A CN108171709A (zh) | 2018-01-30 | 2018-01-30 | 肝占位性病灶区域的检测方法、装置和实现装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810093667.9A CN108171709A (zh) | 2018-01-30 | 2018-01-30 | 肝占位性病灶区域的检测方法、装置和实现装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108171709A true CN108171709A (zh) | 2018-06-15 |
Family
ID=62512277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810093667.9A Pending CN108171709A (zh) | 2018-01-30 | 2018-01-30 | 肝占位性病灶区域的检测方法、装置和实现装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171709A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109346159A (zh) * | 2018-11-13 | 2019-02-15 | 平安科技(深圳)有限公司 | 病例图像分类方法、装置、计算机设备及存储介质 |
CN109636788A (zh) * | 2018-12-11 | 2019-04-16 | 中国石油大学(华东) | 一种基于深度神经网络的ct图像胆结石智能检测模型 |
CN109741299A (zh) * | 2018-12-14 | 2019-05-10 | 首都医科大学附属北京天坛医院 | 一种基于头颅ct影像的目标区域的错误检测方法及系统 |
CN109758136A (zh) * | 2019-02-28 | 2019-05-17 | 四川大学华西医院 | 基于门脉血管特征的肝静脉压力梯度测量方法 |
CN109817310A (zh) * | 2018-12-19 | 2019-05-28 | 中国石油大学(华东) | 一种基于yolo卷积神经网络的胆石病ct医疗图像数据增强方法 |
CN110009599A (zh) * | 2019-02-01 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 肝占位检测方法、装置、设备及存储介质 |
CN110264437A (zh) * | 2018-07-13 | 2019-09-20 | 首都医科大学附属北京友谊医院 | 密度数据分析方法、装置及电子设备 |
WO2020114158A1 (zh) * | 2018-12-07 | 2020-06-11 | 北京市商汤科技开发有限公司 | 一种病灶检测方法、装置、设备及存储介质 |
CN113420826A (zh) * | 2020-07-14 | 2021-09-21 | 十堰市太和医院 | 一种肝脏病灶图像处理系统及图像处理方法 |
CN113793301A (zh) * | 2021-08-19 | 2021-12-14 | 首都医科大学附属北京同仁医院 | 基于稠密卷积网络模型的眼底影像分析模型的训练方法 |
CN116452464A (zh) * | 2023-06-09 | 2023-07-18 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于深度学习的胸部图像增强处理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101904753A (zh) * | 2009-06-08 | 2010-12-08 | 株式会社东芝 | 超声波诊断装置、图像处理的装置及方法和图像显示方法 |
WO2016094330A2 (en) * | 2014-12-08 | 2016-06-16 | 20/20 Genesystems, Inc | Methods and machine learning systems for predicting the liklihood or risk of having cancer |
CN106940816A (zh) * | 2017-03-22 | 2017-07-11 | 杭州健培科技有限公司 | 基于3d全连接卷积神经网络的ct图像肺结节检测系统 |
CN107274402A (zh) * | 2017-06-27 | 2017-10-20 | 北京深睿博联科技有限责任公司 | 一种基于胸部ct影像的肺结节自动检测方法及系统 |
CN107480677A (zh) * | 2017-08-07 | 2017-12-15 | 北京深睿博联科技有限责任公司 | 一种识别三维ct图像中感兴趣区域的方法及装置 |
-
2018
- 2018-01-30 CN CN201810093667.9A patent/CN108171709A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101904753A (zh) * | 2009-06-08 | 2010-12-08 | 株式会社东芝 | 超声波诊断装置、图像处理的装置及方法和图像显示方法 |
WO2016094330A2 (en) * | 2014-12-08 | 2016-06-16 | 20/20 Genesystems, Inc | Methods and machine learning systems for predicting the liklihood or risk of having cancer |
CN106940816A (zh) * | 2017-03-22 | 2017-07-11 | 杭州健培科技有限公司 | 基于3d全连接卷积神经网络的ct图像肺结节检测系统 |
CN107274402A (zh) * | 2017-06-27 | 2017-10-20 | 北京深睿博联科技有限责任公司 | 一种基于胸部ct影像的肺结节自动检测方法及系统 |
CN107480677A (zh) * | 2017-08-07 | 2017-12-15 | 北京深睿博联科技有限责任公司 | 一种识别三维ct图像中感兴趣区域的方法及装置 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264437A (zh) * | 2018-07-13 | 2019-09-20 | 首都医科大学附属北京友谊医院 | 密度数据分析方法、装置及电子设备 |
CN110264437B (zh) * | 2018-07-13 | 2022-04-01 | 首都医科大学附属北京友谊医院 | 密度数据分析方法、装置及电子设备 |
CN109346159B (zh) * | 2018-11-13 | 2024-02-13 | 平安科技(深圳)有限公司 | 病例图像分类方法、装置、计算机设备及存储介质 |
CN109346159A (zh) * | 2018-11-13 | 2019-02-15 | 平安科技(深圳)有限公司 | 病例图像分类方法、装置、计算机设备及存储介质 |
TWI724669B (zh) * | 2018-12-07 | 2021-04-11 | 大陸商北京市商湯科技開發有限公司 | 病灶檢測方法及其裝置及其設備及儲存媒體 |
WO2020114158A1 (zh) * | 2018-12-07 | 2020-06-11 | 北京市商汤科技开发有限公司 | 一种病灶检测方法、装置、设备及存储介质 |
JP2021531565A (ja) * | 2018-12-07 | 2021-11-18 | ベイジン センスタイム テクノロジー デベロップメント カンパニー, リミテッド | 病巣検出方法、装置、機器および記憶媒体 |
JP7061225B2 (ja) | 2018-12-07 | 2022-04-27 | ベイジン センスタイム テクノロジー デベロップメント カンパニー, リミテッド | 病巣検出方法、装置、機器および記憶媒体 |
CN109636788A (zh) * | 2018-12-11 | 2019-04-16 | 中国石油大学(华东) | 一种基于深度神经网络的ct图像胆结石智能检测模型 |
CN109741299B (zh) * | 2018-12-14 | 2023-10-24 | 首都医科大学附属北京天坛医院 | 一种基于头颅ct影像的目标区域的错误检测方法及系统 |
CN109741299A (zh) * | 2018-12-14 | 2019-05-10 | 首都医科大学附属北京天坛医院 | 一种基于头颅ct影像的目标区域的错误检测方法及系统 |
CN109817310A (zh) * | 2018-12-19 | 2019-05-28 | 中国石油大学(华东) | 一种基于yolo卷积神经网络的胆石病ct医疗图像数据增强方法 |
CN110009599A (zh) * | 2019-02-01 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 肝占位检测方法、装置、设备及存储介质 |
CN109758136A (zh) * | 2019-02-28 | 2019-05-17 | 四川大学华西医院 | 基于门脉血管特征的肝静脉压力梯度测量方法 |
CN113420826A (zh) * | 2020-07-14 | 2021-09-21 | 十堰市太和医院 | 一种肝脏病灶图像处理系统及图像处理方法 |
CN113793301A (zh) * | 2021-08-19 | 2021-12-14 | 首都医科大学附属北京同仁医院 | 基于稠密卷积网络模型的眼底影像分析模型的训练方法 |
CN113793301B (zh) * | 2021-08-19 | 2023-07-21 | 首都医科大学附属北京同仁医院 | 基于稠密卷积网络模型的眼底影像分析模型的训练方法 |
CN116452464B (zh) * | 2023-06-09 | 2023-08-22 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于深度学习的胸部图像增强处理方法 |
CN116452464A (zh) * | 2023-06-09 | 2023-07-18 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于深度学习的胸部图像增强处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171709A (zh) | 肝占位性病灶区域的检测方法、装置和实现装置 | |
Vesal et al. | Dilated convolutions in neural networks for left atrial segmentation in 3D gadolinium enhanced-MRI | |
US20190069802A1 (en) | Apparatus, methods and articles for four dimensional (4d) flow magnetic resonance imaging | |
JP4499090B2 (ja) | 画像領域セグメント化システムおよびその方法 | |
CN104899876B (zh) | 一种基于自适应高斯差分的眼底图像血管分割方法 | |
CN108268870A (zh) | 基于对抗学习的多尺度特征融合超声图像语义分割方法 | |
CN107644225A (zh) | 肺部病灶识别方法、装置和实现装置 | |
Liu et al. | Spatial feature fusion convolutional network for liver and liver tumor segmentation from CT images | |
CN106127849B (zh) | 三维精细血管重建方法及其系统 | |
Zeng et al. | Automatic diagnosis based on spatial information fusion feature for intracranial aneurysm | |
CN107145756A (zh) | 一种脑卒中类型预测方法以及装置 | |
CN108846829A (zh) | 病变部位识别方法及装置、计算机装置及可读存储介质 | |
KR102220109B1 (ko) | 심층 신경망을 이용하여 영상을 분류하는 방법 및 이를 이용한 장치 | |
CN107977963A (zh) | 肺结节的判定方法、装置和实现装置 | |
CN111598989B (zh) | 一种图像渲染参数设置方法、装置、电子设备及存储介质 | |
CN109447963A (zh) | 一种脑部影像识别的方法及装置 | |
US20060211940A1 (en) | Blood vessel structure segmentation system and method | |
JPH1094538A (ja) | 異常陰影候補の検出方法および装置 | |
CN109886973A (zh) | 一种血管提取方法、装置及计算机可读存储介质 | |
CN116091466A (zh) | 图像分析方法、计算机设备和存储介质 | |
CN112419340A (zh) | 脑脊液分割模型的生成方法、应用方法及装置 | |
CN109658377A (zh) | 一种基于多维度信息融合的乳腺mri病变区域检测方法 | |
Torrents-Barrena et al. | TTTS-STgan: stacked generative adversarial networks for TTTS fetal surgery planning based on 3D ultrasound | |
CN107689041A (zh) | 一种用于图像相似度比对的方法、装置及存储介质 | |
CN116128895A (zh) | 医学图像分割方法、装置和计算机可读存储介质 |
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 | ||
CB02 | Change of applicant information |
Address after: 100043 10, 1001, 1002, 1 building, 54 Shijingshan Road, Shijingshan District, Beijing. Applicant after: Beijing Qing Yan Xiangyun Technology Co., Ltd. Address before: 100000 12, 1208, 4 building, 26 Tong Street, Shijingshan District, Beijing. Applicant before: Beijing Qing Yan Xiangyun Technology Co., Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180615 |
|
RJ01 | Rejection of invention patent application after publication |