CN108280832A - 医学图像分析方法、医学图像分析系统以及存储介质 - Google Patents
医学图像分析方法、医学图像分析系统以及存储介质 Download PDFInfo
- Publication number
- CN108280832A CN108280832A CN201711403347.0A CN201711403347A CN108280832A CN 108280832 A CN108280832 A CN 108280832A CN 201711403347 A CN201711403347 A CN 201711403347A CN 108280832 A CN108280832 A CN 108280832A
- Authority
- CN
- China
- Prior art keywords
- medical image
- medical
- hippocampus
- parameter
- subprovince
- 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
- 238000003703 image analysis method Methods 0.000 title claims abstract description 26
- 238000010191 image analysis Methods 0.000 title claims abstract description 22
- 239000000470 constituent Substances 0.000 claims abstract description 16
- 210000001320 hippocampus Anatomy 0.000 claims description 61
- 238000003384 imaging method Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 17
- 239000003814 drug Substances 0.000 claims description 15
- 238000012512 characterization method Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 6
- 230000007170 pathology Effects 0.000 claims description 5
- 210000001769 parahippocampal gyrus Anatomy 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 1
- 208000024827 Alzheimer disease Diseases 0.000 description 13
- 238000002595 magnetic resonance imaging Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000002224 dissection Methods 0.000 description 4
- 239000004615 ingredient Substances 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000005481 NMR spectroscopy Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000002489 hematologic effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 208000027061 mild cognitive impairment Diseases 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000010855 neuropsychological testing Methods 0.000 description 1
- 230000005311 nuclear magnetism Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 230000003950 pathogenic mechanism Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 108010048734 sclerotin Proteins 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000036301 sexual development Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
-
- 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
- G06T2207/10—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本公开的实施例提供了一种医学图像分析方法，包括下述步骤：获取目标对象的至少第一医学图像和第二医学图像，所述第一医学图像和第二医学图像为对所述目标对象的不同组成成分具有不同加权；分别处理第一医学图像和第二医学图像并获得对应的第一医学参数和第二医学参数；输出所述第一医学参数和第二医学参数。本公开实施例的技术方案，通过对目标对象至少进行两组不同医学图像进行分析，提高了医学图像分析的准确性，有利于对目标对象患病的诊断和治疗。
Description
技术领域
本公开的实施例涉及一种医学图像分析方法、医学图像分析系统以及存储介质。
背景技术
医学图像分析处理，是医学图像用于诊断医学图像中所表征的病理表征的前处理阶段。医学图像分析处理的结果经过专业医疗人员或者计算机辅助医疗系统经过加工、检查、分析等二次处理以后结合临床检查、活检等得到的数据并结合个人医疗经验、医学专家知识库等信息，诊断患者的疾病。
因此，如何从医学图像中获得更广泛的信息依旧是医学图像分析领域的研究热点之一。
发明内容
在本公开的一个方面，本公开的实施例提供了一种医学图像分析方法，包括下述步骤：获取目标对象的至少第一医学图像和第二医学图像，所述第一医学图像和第二医学图像为对所述目标对象的不同组成成分具有不同加权；
分别处理第一医学图像和第二医学图像并获得对应的第一医学参数和第二医学参数；
输出所述第一医学参数和第二医学参数。
在本公开的一些实施例中，通过同样的医学影像成像方法对目标对象成像获得所述第一医学图像和第二医学图像；其中，所述第一医学图像为对目标对象的表征结构的组成成分加权成像，所述第二医学图像为对目标对象的表征病理的组成成分加权成像。
在本公开的一些实施例中，所述医学影像成像方法为MRI成像，所述第一医学图像为T1图像，所述第二医学图像为T2图像；所述目标对象为头部。
在本公开的一些实施例中，处理第一医学图像获得第一医学参数，包括从T1图像中分离海马区域，获取海马头亚区体积作为第一医学参数；以及，处理第二医学图像获得第二医学参数，包括根据从T1图像中分离的海马区域，从T2图像中获取海马头亚区信号强度作为第二医学参数。
在本公开的一些实施例中，从T1图像中分离海马区域，包括根据海马区域的解剖标志点从T1图像中分离获得海马区域并区分海马头亚区。
在本公开的一些实施例中，所述解剖标志点包括第一组、第二组、第三组，分别对应海马区域的头亚区、体亚区和尾亚区，其中第一组解剖标志点包括床室、钩隐窝、杏仁体、侧脑室；第二组解剖标志点包括侧脑室三角、钩顶；第三组解剖标志点包括脑室三角、海马旁回、下托、环池。
在本公开的一些实施例中，处理第二医学图像获得第二医学参数，还包括对从T2图像中获取的海马头亚区信号强度进行去干扰，所述去干扰包括将海马头亚区信号强度进行直方图均衡，通过信号强度差异去干扰。
在本公开的一些实施例中，处理第二医学图像获得第二医学参数，还包括对从T2图像中获取的海马头亚区信号强度进行标准化。
在本公开的另一方面，本公开的实施例提供了一种存储介质，存储有适于由处理器运行的计算机指令，所述计算机指令被处理器运行时可以执行上述的医学图像分析方法。
在本公开的还一方面，本公开的实施例提供了一种医学图像分析系统，执行上述医学图像分析方法，包括：
输入模块，被配置为获取目标对象的至少第一医学图像和第二医学图像，所述第一医学图像和第二医学图像为对所述目标对象的不同组成成分具有不同加权；
分析模块，被配置为分别处理第一医学图像和第二医学图像并获得对应的第一医学参数和第二医学参数；
输出模块，被配置为输出所述第一医学参数和第二医学参数。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本公开的一些实施例，而非对本公开的限制。
图1是本公开一实施例提供的一种医学图像分析方法的示意性流程图；
图2是本公开一实施例提供的一种医学图像分析方法的示意性原理图；
图3是本公开一实施例提供的一种医学图像分析方法中对海马区域分离的解剖标志点定位示意图。
图4为本公开一实施例提供的一种医学图像分析方法中对海马头亚区信号强度进行直方图处理的示意图。
图5是本公开一实施例提供的一种医学图像分析系统的另一示意性框图。
图6是本公开一实施例提供的一种医学图像分析系统的另一示意性框图。
具体实施方式
为了使得本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例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公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
为了保持本公开实施例的以下说明清楚且简明，本公开省略了已知功能和已知部件的详细说明。
在发明人所知的技术中，阿尔茨海默病(AD)是一种起病隐匿、进行性发展的神经系统退行性疾病。由于AD的病因和准确的病理机制描述迄今未明，对于中重度患者尚无有效的治疗方法，早期(轻度AD及轻度认知损害)患者的有效确诊尤为重要。
AD的诊断一般采用神经心理学测验、血液学检查及神经影像学检查三种方法。神经心理学测验可快速评估患者AD的可能性，但准确率易受患者教育程度、年龄及测试者等诸多主客观因素影响，临床一般用于辅助诊断；脑脊液、基因检测存在检测难度高、费用相对昂贵及对身体有创等问题，不适合在国内医疗条件推广；神经影像学检查可用于排除其他潜在疾病和发现AD的特异性影像学表现，灵敏度高，特别是头颅磁共振成像(MRI)检查检测难度低、无辐射且检查设备普及率高，易推广。
相关技术中，将MRI应用于AD的辅助诊断一般是单独通过海马整体体积进行AD的早期诊断，其敏感性和特异性不高，且主观性较强；尽管也有一些研究尝试利用MRI的T2定量信号强度辅助AD的诊断，但未能充分考虑到海马区域的情况，导致其准确率较低，且分析结果与AD关联性不显著。
本公开的实施例提供一种医学图像分析方法、医学图像分析系统以及存储介质，其可以将融合至少两种类型的医学图像，实现多类医学图像的分析。
下面对本公开的实施例进行详细说明，但是本公开并不限于这些具体的实施例。
图1示出了本公开一实施例提供的一种医学图像分析方法的示意性流程图，图2示出了本公开一实施例提供的一种医学图像分析方法的示意性原理图。
参考图1等所示，本公开的至少一个实施例提供的医学图像分析方法可以包括，但不限于，以下步骤：
S10：获取医学图像，所述医学图像包括目标对象的至少第一医学图像和第二医学图像；
S20：分析所获取的医学图像，以确定医学图像对应的医学参数；
S30：将医学参数输出。
在本公开的一些实施例中，在步骤S10中，医学图像可以通过医学图像采集装置获取。医学图像采集装置例如可以包括超声设备、X线设备、核磁共振设备、核医学设备、医用光学设备以及热成像设备等，本公开在此不作限定。
在本公开的一些实施例中，医学图像可以为各种类型的图像。例如，按照获取医学图像的设备划分，医学图像可以包括超声图像、X射线计算机断层摄影(ComputedTomography，CT)、核磁共振(Magnetic Resonance Imaging，MRI)图像、数字血管剪影(Digital Subtraction Angiography，DSA)和正电子断层摄影(Positron EmissionComputed Tomography PET)等。按照医学图像的内容划分，医学图像可以包括脑组织核磁共振图像、脊髓核磁共振图像、眼底图像、血管图像、胰腺CT图像和肺部CT图像等。
在本公开的一些实施例中，医学图像可以为二维图像，也可以为三维图像。医学图像可以为灰度图像，也可以为彩色图像。
在本公开的一些实施例中，第一医学图像和第二医学图像为对目标对象的不同组成成分具有不同加权。由于对目标对象的不同成分在成像时具有不同的加权，使得两类医学图像中包括在医学上不构成强关联的医学信息，有利于抑制系统误差。
在本公开的一些实施例中，第一医学图像和第二医学图像为对目标对象的不同组成成分具有不同加权，可以是第一医学图像和第二医学图像分别对目标对象中的蛋白和水分加权成像、分别对目标对象的脂肪和水分加权成像、分别对目标对象中的不同血液成分加权成像、分别对目标对象中的有机物和无机物加权成像、分别对目标对象中的具有不同电磁信号吸收率的成分加权成像等。
在本公开的一些实施例中，第一医学图像包括对目标对象的表征结构的组成成分加权成像，第二医学图像包括对目标对象的表征病理的组成成分加权成像。
例如，对目标对象的表征结构的组成成分加权成像，包括对目标对象中的骨质、蛋白、脂肪、胆固醇等组成成分加权成像。
例如，对目标对象的表征病理的组成成分加权成像，包括对目标对象中的液体成分，如水分、血液、组织液等组成成分加权成像。
在本公开的一些实施例中，第一医学图像的成像方法和第二医学图像的成像方法可以不同，例如分别为超声波和CT成像，例如分别为CT和MRI成像等；也可以通过同样的医学影像成像方法对目标对象成像获得第一医学图像和第二医学图像，例如均为CT、均为MRI等。
在本公开的一些实施例中，第一医学图像的成像方法和第二医学图像的成像方法为MRI成像，第一医学图像为T1图像，第二医学图像为T2图像。
在本公开的一些实施例中，目标对象可以包括头部、颈部，例如为头部。
在本公开的一些实施例中，在步骤S20中，在对医学图像进行分析以前，可以对其进行预处理，预处理可以消除医学图像中的无关信息或噪声信息，以便于更好地对医学图像进行分析。预处理例如可以包括对医学图像进行缩放、伽玛校正、图像增强或降噪滤波等处理。
在本公开的一些实施例中，在步骤S20中，为了防止无效工作量，还包括确认图像可用性的步骤，例如通过图像逐层检查、图像完整性检查等，确定医学图像是否可进行分析，并抛弃无效图像。
在本公开的一些实施例中，在步骤S20中，分别处理第一医学图像和第二医学图像并获得对应的第一医学参数和第二医学参数，具体包括：
S201：处理第一医学图像获得第一医学参数，包括从T1图像中分离海马区域，获取海马头亚区体积作为第一医学参数；以及，
S202：处理第二医学图像获得第二医学参数，包括根据从T1图像中分离的海马区域，从T2图像中获取海马头亚区信号强度作为第二医学参数。
在本公开的一些实施例中，从T1图像中分离海马区域并获得头亚区的体积，例如可以通过图像识别的方式识别出头部MRI图像中的海马区域及头亚区，例如可以通过人工标注的方式划分出头部MRI图像中的海马区域及头亚区，例如可以基于机器学习进行图像分割的方式分离出头部MRI图像中的海马区域及头亚区，例如可以专业医疗人员基于解剖学认知通过图像标注的方式划分出头部MRI图像中的海马区域及头亚区。
在本公开的一些实施例中，通过机器学习的方式，结合基于解剖学标注的有监督训练，获得了恒定、容易辨认并重复性更高的解剖标志点组作为区分海马区域及头亚区的方法，基于所获得解剖标志点组，标示点显示率高于98％，总体分割成功率高于95％。
在本公开的一些实施例中，机器学习，例如通过神经网络的方法进行的机器学习，能够获得图像中的深层和本质特征，从而有利于准确的对图像进行分类、分组、分割等操作。
在本公开的一些实施例中，所述解剖标志点包括第一组、第二组、第三组，分别对应海马区域的头亚区、体亚区和尾亚区(分别对应图3的A、B、C)，其中第一组解剖标志点包括床室、钩隐窝、杏仁体、侧脑室；第二组解剖标志点包括侧脑室三角、钩顶；第三组解剖标志点包括脑室三角、海马旁回、下托、环池。容易理解，由于三组解剖标志点分别对应海马区域的头、体和尾，因此相邻组在进行海马亚区分离时还包括前一组所获取的亚区。例如，在第一组标志点分离获得了海马头亚区后，第二组解剖标志点进行图像分离时，以对应的解剖标志点结合前一组所分离的头亚区作为分离区域标志。其余同理，反之亦然。
在本公开的一些实施例中，分离出海马区域的操作可以是人工逐层勾画，也可以是基于图像分离的计算机实现。例如通过神经网络，基于前述的解剖标志点组进行目标区域的卷积、池化提取出目标区域的特征图，然后通过全连接或反卷积等方式获得目标区域的分离图像。
在本公开的一些实施例中，根据从T1图像中分离的海马区域及头亚区，从T2图像中获取海马头亚区信号强度作为第二医学参数，包括基于T1图像上的解剖标志点组，在T2图像上获得海马头亚区作为ROI，并计算ROI内的T2信号强度值。
在本公开的一些实施例中，处理第二医学图像获得第二医学参数，还包括对从T2图像中获取的海马头亚区信号强度进行去干扰，所述去干扰包括将海马头亚区信号强度进行直方图均衡，通过信号强度差异去干扰。例如，通过Histogram for ROI软件对所包含ROI的所有信号强度进行直方图显示，根据脑脊液高信号与海马的软组织中等信号之间显著的信号差异，排除包含了脑脊液的ROI，避免海马周围脑脊液T2高信号对测量结果的影响，如图3所示。
在本公开的一些实施例中，处理第二医学图像获得第二医学参数，还包括对从T2图像中获取的海马头亚区信号强度进行标准化。例如，ROI内的T2信号强度值，将数据与脑干中部信号强度相比，进行标准化处理，例如通过同时测量颈部肌肉信号强度，对海马信号强度进行标准化，从而改善信号在统计分析中的可比性。
在本公开的一些实施例中，步骤S30将医学参数输出，例如可以直接将第一医学参数和第二医学参数输出在显示屏上，专业医疗人员基于自身的医疗经验和其它临床检查数据等判断MRI医学图像中所表征的医学现象或病理现象；例如可以将医学参数输出给辅助诊断装置，从而提高解读效率。
辅助诊断装置，又称为计算辅助诊断装置(CAD)，是一种对医学图像进行辅助解读的计算机系统，其可以根据医学图像的内容提供有关医学图像内容的参数或状态描述，专业医疗人员等可以基于这些参数或状态描述，结合临床检查、活检等得到的数据并结合个人医疗经验，诊断患者的疾病。
在本公开的一些实施例中，目标对象可以包括完整的海马区域，也可以包括左侧海马区域等局部区域，申请人进行的大量实验显示，以左侧海马头亚区的体积对早期AD诊断具有重要的参考，其敏感性和特异性均高于86％。
如图5所示，本公开实施例提供的医学图像分析系统，包括相连接的分析模块100、输入模块200、输出模块300连接。
在本公开的一些实施例中，输入模块200被配置为获取医学图像，例如上述各种医学影像成像方法所对应的成像装置。
在本公开的一些实施例中，输入模块200，被配置为获取目标对象的至少第一医学图像和第二医学图像，第一医学图像和第二医学图像为对目标对象的不同组成成分具有不同加权。例如可以是多个不同的成像装置分别同时或依次获取至少第一医学图像和第二医学图像，例如可以是同一成像装置分别同时或依次获取至少第一医学图像和第二医学图像。
在本公开的一些实施例中，分析模块100作为本技术方案的核心，被配置为分别处理第一医学图像和第二医学图像并获得对应的第一医学参数和第二医学参数。
在本公开的一些实施例中，处理第一医学图像和第二医学图像可以同时进行也可以依次进行。
在本公开的一些实施例中，输出模块300被配置为输出所述第一医学参数和第二医学参数，例如可以直接输出到显示屏上，例如输出给辅助诊断装置CAD，例如输出给运算的服务器进行数据分析等，为简便描述，这些可接收输出模块300输出结果的设备称作输出接收装置400。
在本公开的一些实施例中，如图5所示，输出模块300被配置为输出所述第一医学参数和第二医学参数到CAD，CAD对前述获得的所有被检测的海马头部体积和T2信号值的数据汇总，并利用受试者特征曲线方法，统计获得海马头部体积和T2信号值的诊断阈值，以辅助AD的早期诊疗。
图6示出了本公开另一实施例提供一种医学图像分析系统的示意性框图，本公开实施例提供的医学图像分析系统，包括处理器600、存储器700，图6所示的医学图像分析系统的组件只是示例性的，而非限制性的，根据实际应用需要，该医学图像分析系统还可以具有其他组件。
例如，处理器600、存储器700和外部的医学图像采集装置500和用作接受输出的辅助诊断装置CAD或显示屏或服务器等输出接收装置800之间可以通过网络连接进行直接或间接的通信。
例如，网络可以包括无线网络、有线网络、和/或无线网络和有线网络的任意组合。网络可以包括局域网、互联网、电信网、基于互联网和/或电信网的物联网(Internet ofThings)、和/或以上网络的任意组合等。有线网络例如可以采用双绞线、同轴电缆或光纤传输等方式进行通信，无线网络例如可以采用3G/4G/5G移动通信网络、蓝牙、Zigbee或者Wi-Fi等通信方式。本公开对网络的类型和功能在此不作限制。
例如，处理器600可以控制医学图像分析系统中的其它组件以执行期望的功能。处理器600可以是中央处理单元(CPU)或者现场可编程逻辑阵列(FPGA)或者单片机(MCU)或者数字信号处理器(DSP)等具有数据处理能力和/或程序执行能力的器件。
例如，存储器700可以包括一个或多个计算机程序产品的任意组合，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、闪存等。在存储器700上可以存储一个或多个计算机指令，处理器600可以运行所述计算机指令，以实现各种功能。在计算机可读存储介质中还可以存储各种应用程序和各种数据，例如样本图像、训练数据以及应用程序使用和/或产生的各种数据等。
例如，医学图像分析系统还可以包括操作输入设备(未示出)。操作输入设备例如可以为键盘、鼠标、遥控器或带触摸功能的触摸屏等。操作输入设备可被用于从外部计算机设备、从用户(例如医生)等处接收指令。医生可以利用该输入设备实现与医学图像分析系统进行交互。
例如，计算机指令被处理器600执行时可以实现以下操作：获取目标对象的至少第一医学图像和第二医学图像，所述第一医学图像和第二医学图像为对所述目标对象的不同组成成分具有不同加权；分别处理第一医学图像和第二医学图像并获得对应的第一医学参数和第二医学参数；输出所述第一医学参数和第二医学参数。
例如，计算机指令被处理器600执行时可以实现上述的医学图像分析方法。
本公开至少一实施例还提供一种存储介质。该存储介质存储有适于由处理器运行的计算机指令。计算机指令被处理器执行时可以执行根据上文所述医学图像分析方法中的一个或多个步骤。
例如，在本公开实施例的一个示例中，该存储介质可以应用于上述任一实施例所述的医学图像分析系统中，例如，其可以为医学图像分析系统中的存储器700。
对于本公开，还有以下几点需要说明：
(1)本公开实施例附图只涉及到与本公开实施例涉及到的结构，其他结构可参考通常设计。
(2)在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合以得到新的实施例。
以上所述仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，本公开的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种医学图像分析方法，其特征在于，包括下述步骤：获取目标对象的至少第一医学图像和第二医学图像，所述第一医学图像和第二医学图像为对所述目标对象的不同组成成分具有不同加权；分别处理第一医学图像和第二医学图像并获得对应的第一医学参数和第二医学参数；输出所述第一医学参数和第二医学参数。
2.根据权利要求1所述的医学图像分析方法，其特征在于，通过同样的医学影像成像方法对目标对象成像获得所述第一医学图像和第二医学图像；其中，所述第一医学图像为对目标对象的表征结构的组成成分加权成像，所述第二医学图像为对目标对象的表征病理的组成成分加权成像。
3.根据权利要求2所述的医学图像分析方法，其特征在于，所述医学影像成像方法为MRI成像，所述第一医学图像为T1图像，所述第二医学图像为T2图像；所述目标对象为头部。
4.根据权利要求3所述的医学图像分析方法，其特征在于，处理第一医学图像获得第一医学参数，包括从T1图像中分离海马区域，获取海马头亚区的体积作为第一医学参数；以及，处理第二医学图像获得第二医学参数，包括根据从T1图像中分离的海马区域，从T2图像中获取海马头亚区信号强度作为第二医学参数。
5.根据权利要求4所述的医学图像分析方法，其特征在于，从T1图像中分离海马区域，包括根据海马区域的解剖标志点从T1图像中分离获得海马区域并区分海马头亚区。
6.根据权利要求5所述的医学图像分析方法，其特征在于，所述解剖标志点包括第一组、第二组、第三组，分别对应海马区域的头亚区、体亚区和尾亚区，其中第一组解剖标志点包括床室、钩隐窝、杏仁体、侧脑室；第二组解剖标志点包括侧脑室三角、钩顶；第三组解剖标志点包括脑室三角、海马旁回、下托、环池。
7.根据权利要求5所述的医学图像分析方法，其特征在于，处理第二医学图像获得第二医学参数，还包括对从T2图像中获取的海马头亚区信号强度进行去干扰，所述去干扰包括将海马头亚区信号强度进行直方图均衡，通过信号强度差异去干扰。
8.根据权利要求5所述的医学图像分析方法，其特征在于，处理第二医学图像获得第二医学参数，还包括对从T2图像中获取的海马头亚区信号强度进行标准化。
9.一种存储介质，存储有适于由处理器运行的计算机指令，所述计算机指令被处理器运行时可以执行根据权利要求1-8任一所述的医学图像分析方法。
10.一种医学图像分析系统，执行根据权利要求1-8任一所述的医学图像分析方法，包括输入模块，被配置为获取目标对象的至少第一医学图像和第二医学图像，所述第一医学图像和第二医学图像为对所述目标对象的不同组成成分具有不同加权；分析模块，被配置为分别处理第一医学图像和第二医学图像并获得对应的第一医学参数和第二医学参数；输出模块，被配置为输出所述第一医学参数和第二医学参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711403347.0A CN108280832A (zh) | 2017-12-22 | 2017-12-22 | 医学图像分析方法、医学图像分析系统以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711403347.0A CN108280832A (zh) | 2017-12-22 | 2017-12-22 | 医学图像分析方法、医学图像分析系统以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108280832A true CN108280832A (zh) | 2018-07-13 |
Family
ID=62802141
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711403347.0A Pending CN108280832A (zh) | 2017-12-22 | 2017-12-22 | 医学图像分析方法、医学图像分析系统以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108280832A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113269711A (zh) * | 2021-04-06 | 2021-08-17 | 东北大学 | 脑图像的处理方法及装置、电子设备和存储介质 |
| CN114081537A (zh) * | 2021-11-12 | 2022-02-25 | 江西微润芯璟科技有限公司 | 一种基于超声波探测的皮肤组织液定位方法及系统 |
-
2017
- 2017-12-22 CN CN201711403347.0A patent/CN108280832A/zh active Pending
Non-Patent Citations (2)
| Title |
|---|
| 刘瑜 等: ""轻度认知损害及轻中度阿尔茨海默病海马亚区MRI体积的研究"", 《临床放射学杂志》 * |
| 罗一烽 等: ""轻度阿尔茨海默病海马各区磁共振T2信号的研究"", 《中华老年心脑血管病杂志》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113269711A (zh) * | 2021-04-06 | 2021-08-17 | 东北大学 | 脑图像的处理方法及装置、电子设备和存储介质 |
| CN113269711B (zh) * | 2021-04-06 | 2024-01-09 | 东北大学 | 脑图像的处理方法及装置、电子设备和存储介质 |
| CN114081537A (zh) * | 2021-11-12 | 2022-02-25 | 江西微润芯璟科技有限公司 | 一种基于超声波探测的皮肤组织液定位方法及系统 |
| CN114081537B (zh) * | 2021-11-12 | 2023-08-25 | 江西中医药大学 | 一种基于超声波探测的皮肤组织液定位方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Detecting large-scale brain networks using EEG: Impact of electrode density, head modeling and source localization | |
| US11263749B1 (en) | Predictive prognosis based on multimodal analysis | |
| Boespflug et al. | MR imaging–based multimodal autoidentification of perivascular spaces (mMAPS): automated morphologic segmentation of enlarged perivascular spaces at clinical field strength | |
| Fennema-Notestine et al. | Feasibility of multi-site clinical structural neuroimaging studies of aging using legacy data | |
| WO2020075737A1 (ja) | 脳機能結合相関値の調整方法、脳機能結合相関値の調整システム、脳活動分類器のハーモナイズ方法、脳活動分類器のハーモナイズシステム、及び脳活動バイオマーカシステム | |
| WO2018155765A1 (ko) | 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치 | |
| CN103996196A (zh) | 一种基于多变量的dti图像分析方法 | |
| JP2020062369A (ja) | 脳機能結合相関値の調整方法、脳機能結合相関値の調整システム、脳活動分類器のハーモナイズ方法、脳活動分類器のハーモナイズシステム、および脳活動バイオマーカシステム | |
| AU2015332793A1 (en) | Method of analysing the brain activity of a subject | |
| CN116721761A (zh) | 一种放疗数据处理方法、系统、设备及介质 | |
| Kronfeld-Duenias et al. | White matter pathways in persistent developmental stuttering: Lessons from tractography | |
| CN108324244A (zh) | 用于ai+mri影像辅助诊断的自动增广训练样本的构建方法及系统 | |
| Perez-Valero et al. | A review of automated techniques for assisting the early detection of Alzheimer’s disease with a focus on EEG | |
| WO2020179950A1 (ko) | 딥러닝 기반 뇌 질환 진행 예측 방법 및 장치 | |
| CN108280832A (zh) | 医学图像分析方法、医学图像分析系统以及存储介质 | |
| WO2020111534A2 (ko) | 의료 영상으로부터 뇌혈관 나이를 추정하는 방법 및 시스템 | |
| WO2019172181A1 (ja) | 診断支援装置、プログラム、学習済みモデル、および学習装置 | |
| CN112043273B (zh) | 一种脑影像数据处理方法、装置、设备以及存储介质 | |
| Goh et al. | Neuroinformatics challenges to the structural, connectomic, functional and electrophysiological multimodal imaging of human traumatic brain injury | |
| CN116778021A (zh) | 医学图像生成方法、装置、电子设备和存储介质 | |
| Morello et al. | Image-based detection of Kayser-Fleischer ring in patient with Wilson disease | |
| CN112837807B (zh) | 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法 | |
| Kim et al. | The neural correlates of motor intentional disorders in patients with subcortical vascular cognitive impairment | |
| CN113822917A (zh) | 一种肝癌影像组学图像精确配准方法 | |
| CN111035403A (zh) | 一种扫描时机确定方法、装置、设备及存储介质 |
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 |