CN108280835A - 一种基于显像剂浓度确定病灶性质的方法与设备 - Google Patents

一种基于显像剂浓度确定病灶性质的方法与设备 Download PDF

Info

Publication number
CN108280835A
CN108280835A CN201810064346.6A CN201810064346A CN108280835A CN 108280835 A CN108280835 A CN 108280835A CN 201810064346 A CN201810064346 A CN 201810064346A CN 108280835 A CN108280835 A CN 108280835A
Authority
CN
China
Prior art keywords
developer
focal area
lesion
segmentation
concentration
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
Application number
CN201810064346.6A
Other languages
English (en)
Inventor
赵亮
王进祥
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.)
Jingjing Information Technology (shanghai) Co Ltd
Original Assignee
Jingjing Information Technology (shanghai) 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 Jingjing Information Technology (shanghai) Co Ltd filed Critical Jingjing Information Technology (shanghai) Co Ltd
Priority to CN201810064346.6A priority Critical patent/CN108280835A/zh
Publication of CN108280835A publication Critical patent/CN108280835A/zh
Pending legal-status Critical Current

Links

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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请的目的是提供一种基于显像剂浓度确定病灶性质的方法与设备。与现有技术相比，本申请通过获取病灶摄取显像剂的摄取图像，然后根据所述摄取图像确定基于显像剂浓度的分割病灶区域，并基于所述不同分割病灶区域的显像剂浓度分布确定病灶性质。这种通过病灶摄取显像剂的分布情况来判断病灶的性质方法，能够很好地揭示出病灶的性质，而且这种方式在本领域具有开创性，能够为医学领域的发展提供研究方向。

Description

一种基于显像剂浓度确定病灶性质的方法与设备
技术领域
本申请涉及计算机技术领域，尤其涉及一种基于显像剂浓度确定病灶性质的技术。
背景技术
正电子发射型计算机断层(PET/CT,positron emission tomography)作为一种新兴的“活体生化”显像技术，能从分子水平提供病灶代谢信息，其在肿瘤中应用的价值已得到临床的广泛认可。目前PET分子影像的主要优势在于肿瘤的临床分期及疗效、预后评估，而其诊断的主要依据是病灶摄取显像剂的标准摄取(standard uptake value，SUV)值，然而SUV值并非肿瘤特异性诊断指标，故其诊断价值受到一定限制。因此，如何利用PET分子影像特性在细胞分子水平上进一步提高肿瘤的诊断价值业已成为目前研究的热门课题。
发明内容
本申请的目的是提供一种基于显像剂浓度确定病灶性质的方法与设备。
根据本申请的一个方面，提供了一种基于显像剂浓度确定病灶性质的方法，其中，所述方法包括：
获取病灶摄取显像剂的摄取图像；
根据所述摄取图像确定基于显像剂浓度的分割病灶区域；
基于所述不同分割病灶区域的显像剂浓度分布确定病灶性质。
进一步地，其中，所述根据所述摄取图像确定基于显像剂浓度的分割病灶区域包括：
确定显像剂浓度高的分割病灶区域以及显像剂浓度低的分割病灶区域；
其中，所述基于所述不同分割病灶区域的显像剂浓度分布确定病灶性质包括：
根据所述显像剂浓度高的分割病灶区域以及显像剂浓度低的分割病灶区域，确定病灶性质。
进一步地，其中，所述步骤基于所述不同分割病灶区域的显像剂浓度分布确定病灶性质包括：
分别计算所述显像剂浓度高的分割病灶区域以及显像剂浓度低的分割病灶区域的几何中心；
根据所述几何中心的分布，确定病灶性质。
进一步地，其中，所述分别计算所述显像剂浓度高的分割病灶区域以及显像剂浓度低的分割病灶区域的几何中心包括：
分别计算所述分割病灶区域内所有点的坐标；
计算所述所有点的坐标的平均坐标；
基于所述平均坐标确定所述分割病灶区域的几何中心。
进一步地，其中，所述方法还包括：
设定所述几何中心的参考点；
分别计算所述显像剂浓度高的分割病灶区域的几何中心以及所述显像剂浓度低的分割病灶区域的几何中心至所述参考点的距离；
其中，所述根据所述几何中心的分布，确定病灶性质包括：
根据所述两个几何中心至所述参考点的距离的比值，确定病灶性质。
进一步地，其中，所述设定所述几何中心的参考点包括：
确定与所述病灶相关的参考区域；
在所述参考区域内确定所述参考点。
进一步地，其中，所述根据所述几何中心的分布，确定病灶性质包括：
将所述比值与预设值进行比较，确定病灶性质。
进一步地，其中，所述确定显像剂浓度高的分割病灶区域以及显像剂浓度低的分割病灶区域包括：
确定所述摄取图像中显像剂浓度为预设高浓度值的像素点，将所述摄取图像中具有相同预设高浓度值的像素点连接形成闭合曲线，以确定显像剂浓度高的分割病灶区域；
确定所述摄取图像中显像剂浓度为预设低浓度值的像素点，将所述摄取图像中具有相同预设低浓度值的像素点连接形成闭合曲线，以确定显像剂浓度高的分割病灶区域，其中，所述预设低浓度值不大于所述预设高浓度值。
根据本申请的另一方面，还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述方法。
根据本申请的再一方面，还提供了一种基于显像剂浓度确定病灶性质的设备，其中，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行以实现前述方法的操作。
与现有技术相比，本申请通过获取病灶摄取显像剂的摄取图像，然后根据所述摄取图像确定基于显像剂浓度的分割病灶区域，并基于所述不同分割病灶区域的显像剂浓度分布确定病灶性质。这种通过病灶摄取显像剂的分布情况来判断病灶的性质方法，能够很好地揭示出病灶的性质，而且这种方式在本领域具有开创性，能够为医学领域的发展提供研究方向。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1示出根据本申请一个方面的一种用于基于显像剂浓度确定病灶性质的方法流程图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
为更进一步阐述本申请所采取的技术手段及取得的效果，下面结合附图及较佳实施例，对本申请的技术方案，进行清楚和完整的描述。
图1示出根据本申请一个方面提供的一种基于显像剂浓度确定病灶性质的方法，其中，该方法包括：
S1获取病灶摄取显像剂的摄取图像；
S2根据所述摄取图像确定基于显像剂浓度的分割病灶区域；
S3基于所述不同分割病灶区域的显像剂浓度分布确定病灶性质。
在该实施例中，在所述步骤S1中，设备1获取病灶摄取显像剂的摄取图像。在此，所述设备1包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云；其中，云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成，进一步地，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟超级计算机，另外，设备1还可以包括但不限于任何一种可与用户进行人机交互的移动电子产品，所述移动电子产品可以采用任意操作系统，如android操作系统、iOS操作系统等。本领域技术人员应能理解上述用户设备1仅为举例，其他现有的或今后可能出现的用户设备如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
在本申请中，所述病灶包括但不限于肿瘤等，所述显像剂可以反映组织细胞的能量代谢水平，例如，所述显像剂可以使用18氟-脱氧葡萄糖(18F-fluorodeoxyglucose，18F-FDG)，这是一种葡萄糖类似物，作为PET显像剂可以反映组织细胞的能量代谢水平。
不同性质病灶间及病灶内不同区域组织细胞由于生长方式、血供状态的不同，其能量代谢水平存在一定差异，因此，在本申请中可以通过研究显像剂的代谢程度，即病灶不同区域摄取显像剂的高低分布来研究病灶性质，例如，良恶性肿瘤间存在差异，利用该差异性对肿瘤良恶性诊断价值较高，因为它从分子水平真实地反映了病灶的病理生理变化及代谢分布情况，因此，通过分析肿瘤不同区域摄取显像剂的浓度可以分析出肿瘤是良性还是恶性。
因此，在本申请的所述步骤S1中，设备1会获取病灶摄取显像剂的摄取图像，具体地，在获取该摄取图像之前，需要先对将要研究的病灶区域进行显像剂注射，然后在预设的时间范围内(例如，通常在30分钟至3小时时间范围内)，使用符合线路系统的影像设备采集显像剂的活性浓度数据，然后根据该活性浓度数据计算显像剂摄取浓度(本申请中简称显像剂浓度)，进而根据显像剂浓度生成摄取图像，在此，所述摄取图像包括dicom格式。
继续在该实施例中，在所述步骤S2中，设备1会根据所述摄取图像确定基于显像剂浓度的分割病灶区域。在该摄取图像中，显像剂浓度的分布可能不同的，有些区域浓度高些，有些区域浓度低一些，因此，可以根据显像剂浓度对所述摄取图像进行分割，从而确定分割病灶区域，在此，可以根据实际需求将所述摄取图像分割成一个或多个分割病灶区域，例如，可以设置多个显像剂浓度范围，从而分割成与显像剂浓度范围对应的分割病灶区域。
继续在该实施例中，在所述步骤S3中，设备1基于所述不同分割病灶区域的显像剂浓度分布确定病灶性质，由于病灶性质与显像剂浓度之间存在关联，因此，可以通过不同分割病灶区域的显像剂浓度分布来确定病灶性质，例如，所述病灶性质包括良性或者恶性等等。在此，可以通过反复试验的方式对显像剂浓度与病灶性质之间进行对比，从而形成对比库，进而在实际应用时，可以将显像剂浓度分布与对比库中的数据进行对比，从而确定病灶性质。
优选地，其中，所述步骤S2包括：设备1确定显像剂浓度高的分割病灶区域以及显像剂浓度低的分割病灶区域，其中，所述步骤S3包括：根据所述显像剂浓度高的分割病灶区域以及显像剂浓度低的分割病灶区域，确定病灶性质。
在该实施例中，设备1会将所述图像分割为显像剂浓度高的分割病灶区域以及显像剂浓度低的分割病灶区域，进而，通过对所述分割病灶区域的分析，确定病灶性质。
优选地，其中，所述将所述图像分割为显像剂浓度高的分割病灶区域以及显像剂浓度低的分割病灶区域包括：确定所述摄取图像中显像剂浓度为预设高浓度值的像素点，将所述摄取图像中具有相同预设高浓度值的像素点连接形成闭合曲线，以确定显像剂浓度高的分割病灶区域；
确定所述摄取图像中显像剂浓度为预设低浓度值的像素点，将所述摄取图像中具有相同预设低浓度值的像素点连接形成闭合曲线，以确定显像剂浓度高的分割病灶区域，其中，所述预设低浓度值不大于所述预设高浓度值。
优选地，其中，所述根据所述显像剂浓度高的分割病灶区域以及显像剂浓度低的分割病灶区域确定病灶性质包括：S31(未示出)设备1分别计算所述显像剂浓度高的分割病灶区域以及显像剂浓度低的分割病灶区域的几何中心；S32(未示出)设备1根据所述几何中心的分布，确定病灶性质。
在该实施例中，在基于显像剂浓度确定出显像剂浓度不同的分割病灶区域后，在所述步骤S31中，设备1会对每个分割病灶区域计算几何中心，优选地，其中，所述步骤S31包括：设备1分别计算所述分割病灶区域内所有点的坐标，并计算所述所有点的坐标的平均坐标，然后基于所述平均坐标确定所述分割病灶区域的几何中心。在此，所述确定几何中心的方式仅为举例，其他现有的或者今后可能出现的计算几何中心的方式如适用于本申请，也应包含在本申请的保护范围内，在此，以引用的方式包含于此。
继续在该实施例中，在所述步骤S32中，设备1根据所述几何中心的分布，确定病灶性质。在此，不同性质的病灶，其几何中心的分布规律可能是不同的，因此，可以通过几何中心的分布来对病灶性质进行判断，例如，可以根据多次的经验数据建立几何中心的分布与病灶性质的关系，然后通过几何中心的分布与该关系的对比，进而确定病灶性质。
优选地，其中，所述方法还包括：S4(未示出)设备1设定所述几何中心的参考点；S5(未示出)设备1分别计算所述显像剂浓度高的分割病灶区域的几何中心以及所述显像剂浓度低的分割病灶区域的几何中心至所述参考点的距离；其中，所述根据所述几何中心的分布，确定病灶性质包括：根据所述两个几何中心至所述参考点的距离的比值，确定病灶性质。
在该实施例中，在所述步骤S4中，设备1设定所述几何中心的参考点，在此，所述几何中心的参考点的设定可以基于经验数据进行设定，或者通过多次试验进行测试从而设定所述参考点，优选地，所述步骤S4包括：设备1确定与所述病灶相关的参考区域，然后在所述参考区域内确定所述参考点。
具体地，设备1确定与病灶相关的参考区域的方式，可以认为设定，例如，可以将医生感兴趣的区域设定为参考区域，或者，设备1随机选择参考区域，又或者设备1可以基于经验数据选择参考区域，进而在所述参考区域内确定参考点，在此，确定所述参考点的方式可以随机选择，也可以将参考区域的中心点确定为参考点等等。
在此，设定所述几何中心的参考点的方式仅为举例，其他现有的或者今后可能出现的设定参考点的方式如适用于本申请，也应包含在本申请的保护范围内，在此，以引用的方式包含于此。
继续，在该实施例中，设备1分别计算所述显像剂浓度高的分割病灶区域的几何中心以及所述显像剂浓度低的分割病灶区域的几何中心至所述参考点的距离，在此，计算所述距离的方式可以根据现有的计算距离的方式进行计算，其他能够应用于本申请的方式，也可以在此应用，不做任何限定。进而根据两个几何中心至所述参考点的距离的比值确定病灶性质。
优选地，其中，根据所述两个几何中心至所述参考点的距离的比值确定病灶性质包括：将所述比值与预设值进行比较，确定病灶性质。
在该实施例中，在确定出显像剂浓度高的分割病灶区域以及显像剂浓度低的分割病灶区域的几何中心与所述参考点的距离后，通过计算该两个距离的比值来确定病灶性质，例如，将所述比值与预设值进行比较来确定病灶性质，例如，预设值设置为1，当显像剂浓度高的分割病灶区域的几何中心与参考点的距离，与显像剂浓度低的分割病灶区域的几何中心与参考点的距离的比值小于1时，确定所述病灶性质为恶性的可能性大，反之，确定病灶性质为良性的可能性大。在此，所述预设值的设定可以基于历史经验数据来设定。
与现有技术相比，本申请通过获取病灶摄取显像剂的摄取图像，然后根据所述摄取图像确定基于显像剂浓度的分割病灶区域，并基于所述不同分割病灶区域的显像剂浓度分布确定病灶性质。这种通过病灶摄取显像剂的分布情况来判断病灶的性质方法，能够很好地揭示出病灶的性质，而且这种方式在本领域具有开创性，能够为医学领域的发展提供研究方向。
此外，本申请实施例还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述方法。
本申请实施例还提供了一种基于显像剂浓度确定病灶性质的设备，其中，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行前述方法的操作。
例如，计算机可读指令在被执行时使所述一个或多个处理器：获取病灶摄取显像剂的摄取图像；根据所述摄取图像确定基于显像剂浓度的分割病灶区域；基于所述不同分割病灶区域的显像剂浓度分布确定病灶性质。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种基于显像剂浓度确定病灶性质的方法，其中，所述方法包括：
获取病灶摄取显像剂的摄取图像；
根据所述摄取图像确定基于显像剂浓度的分割病灶区域；
基于所述不同分割病灶区域的显像剂浓度分布确定病灶性质。
2.根据权利要求1所述的方法，其中，所述根据所述摄取图像确定基于显像剂浓度的分割病灶区域包括：
确定显像剂浓度高的分割病灶区域以及显像剂浓度低的分割病灶区域；
其中，所述基于所述不同分割病灶区域的显像剂浓度分布确定病灶性质包括：
根据所述显像剂浓度高的分割病灶区域以及显像剂浓度低的分割病灶区域，确定病灶性质。
3.根据权利要求2所述的方法，其中，所述根据所述显像剂浓度高的分割病灶区域以及显像剂浓度低的分割病灶区域，确定病灶性质包括：
分别计算所述显像剂浓度高的分割病灶区域以及显像剂浓度低的分割病灶区域的几何中心；
所述几何中心的分布，确定病灶性质。
4.根据权利要求3所述的方法，其中，所述分别计算所述显像剂浓度高的分割病灶区域以及显像剂浓度低的分割病灶区域的几何中心包括：
分别计算所述分割病灶区域内所有点的坐标；
计算所述所有点的坐标的平均坐标；
基于所述平均坐标确定所述分割病灶区域的几何中心。
5.根据权利要求3或4所述的方法，其中，所述方法还包括：
设定所述几何中心的参考点；
分别计算所述显像剂浓度高的分割病灶区域的几何中心以及所述显像剂浓度低的分割病灶区域的几何中心至所述参考点的距离；
其中，所述根据所述几何中心的分布，确定病灶性质包括：
根据所述两个几何中心至所述参考点的距离的比值，确定病灶性质。
6.根据权利要求5所述的方法，其中，所述设定所述几何中心的参考点包括：
确定与所述病灶相关的参考区域；
在所述参考区域内确定所述参考点。
7.根据权利要求5所述的方法，其中，所述根据所述两个几何中心至所述参考点的距离的比值，确定病灶性质包括：
将所述比值与预设值进行比较，确定病灶性质。
8.根据权利要求2至7中任一项所述的方法，其中，所述步骤BB包括：
确定所述摄取图像中显像剂浓度为预设高浓度值的像素点，将所述摄取图像中具有相同预设高浓度值的像素点连接形成闭合曲线，以确定显像剂浓度高的分割病灶区域；
确定所述摄取图像中显像剂浓度为预设低浓度值的像素点，将所述摄取图像中具有相同预设低浓度值的像素点连接形成闭合曲线，以确定显像剂浓度高的分割病灶区域，其中，所述预设低浓度值不大于所述预设高浓度值。
9.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至8中任一项所述的方法。
10.一种基于显像剂浓度确定病灶性质的设备，其中，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如权利要求1至8中任一项所述方法的操作。
CN201810064346.6A 2018-01-23 2018-01-23 一种基于显像剂浓度确定病灶性质的方法与设备 Pending CN108280835A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810064346.6A CN108280835A (zh) 2018-01-23 2018-01-23 一种基于显像剂浓度确定病灶性质的方法与设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810064346.6A CN108280835A (zh) 2018-01-23 2018-01-23 一种基于显像剂浓度确定病灶性质的方法与设备

Publications (1)

Publication Number Publication Date
CN108280835A true CN108280835A (zh) 2018-07-13

Family

ID=62804652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810064346.6A Pending CN108280835A (zh) 2018-01-23 2018-01-23 一种基于显像剂浓度确定病灶性质的方法与设备

Country Status (1)

Country Link
CN (1) CN108280835A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102473302A (zh) * 2009-07-20 2012-05-23 皇家飞利浦电子股份有限公司 用于感兴趣肿瘤区域定义的解剖结构建模
CN104966100A (zh) * 2015-06-17 2015-10-07 北京交通大学 基于纹理基元的图像肿块良恶性的分类方法
WO2016125349A1 (ja) * 2015-02-04 2016-08-11 日本メジフィジックス株式会社 核医学画像解析技術

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102473302A (zh) * 2009-07-20 2012-05-23 皇家飞利浦电子股份有限公司 用于感兴趣肿瘤区域定义的解剖结构建模
WO2016125349A1 (ja) * 2015-02-04 2016-08-11 日本メジフィジックス株式会社 核医学画像解析技術
CN104966100A (zh) * 2015-06-17 2015-10-07 北京交通大学 基于纹理基元的图像肿块良恶性的分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘迎: "《三维适形放射治疗计划系统》", 31 December 2013 *
周俊林: "《影像病例解读》", 31 October 2016 *
孙锋: ""医学科普︱超简单！PET/CT是这样辨别良恶性疾病的……"", 《HTTP://BLOG.SINA.COM.CN/S/BLOG_A2A1DEAA0102XADT.HTML》 *

Similar Documents

Publication Publication Date Title
Apte et al. Extension of CERR for computational radiomics: a comprehensive MATLAB platform for reproducible radiomics research
Quak et al. Harmonizing FDG PET quantification while maintaining optimal lesion detection: prospective multicentre validation in 517 oncology patients
Sasanelli et al. Pretherapy metabolic tumour volume is an independent predictor of outcome in patients with diffuse large B-cell lymphoma
Uribe et al. Accuracy of 177 Lu activity quantification in SPECT imaging: a phantom study
Garin et al. Personalised dosimetry in radioembolisation for HCC: impact on clinical outcome and on trial design
Schmidkonz et al. SPECT/CT with the PSMA ligand 99mTc-MIP-1404 for whole-body primary staging of patients with prostate cancer
US9734600B2 (en) Attenuation map with scattered coincidences in Positron Emission Tomography
Schaefer et al. Impact of consensus contours from multiple PET segmentation methods on the accuracy of functional volume delineation
Murray et al. Time-of-flight PET/CT using low-activity protocols: potential implications for cancer therapy monitoring
Breki et al. Fractal and multifractal analysis of PET/CT images of metastatic melanoma before and after treatment with ipilimumab
Ohkubo et al. Image filtering as an alternative to the application of a different reconstruction kernel in CT imaging: feasibility study in lung cancer screening
Reynés‐Llompart et al. Phantom, clinical, and texture indices evaluation and optimization of a penalized‐likelihood image reconstruction method (Q. Clear) on a BGO PET/CT scanner
Morey et al. Effect of varying number of OSEM subsets on PET lesion detectability
Gallivanone et al. Parameters influencing PET imaging features: a phantom study with irregular and heterogeneous synthetic lesions
Garcia-Vicente et al. Textural features and SUV-based variables assessed by dual time point 18F-FDG PET/CT in locally advanced breast cancer
Nehmeh et al. An iterative technique to segment PET lesions using a Monte Carlo based mathematical model
Fledelius et al. Inter-observer agreement improves with PERCIST 1.0 as opposed to qualitative evaluation in non-small cell lung cancer patients evaluated with F-18-FDG PET/CT early in the course of chemo-radiotherapy
Gu et al. High resolution image reconstruction method for a double-plane PET system with changeable spacing
Pacilio et al. Impact of SPECT corrections on 3D‐dosimetry for liver transarterial radioembolization using the patient relative calibration methodology
Granata et al. Radiomics and machine learning analysis based on magnetic resonance imaging in the assessment of colorectal liver metastases growth pattern
Knogler et al. Three‐dimensional texture analysis of contrast enhanced CT images for treatment response assessment in Hodgkin lymphoma: Comparison with F‐18‐FDG PET
Wangerin et al. Clinical evaluation of 68Ga-PSMA-II and 68Ga-RM2 PET images reconstructed with an improved scatter correction algorithm
Jones et al. Use of quantitative SPECT/CT reconstruction in 99m Tc-sestamibi imaging of patients with renal masses
Kazama et al. Breast cancer subtypes and quantitative magnetic resonance imaging: a systemic review
Granata et al. Magnetic resonance features of liver mucinous colorectal metastases: what the radiologist should know

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
CB02 Change of applicant information

Address after: Room J1839, 1st floor, 1185 Huyi Highway, Jiading District, Shanghai 201800

Applicant after: Research Territory Information Technology (Shanghai) Co., Ltd.

Address before: Room 5C2-9, 15th Building, 481 Guiping Road, Xuhui District, Shanghai, 2003

Applicant before: Jingjing information technology (Shanghai) Co., Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180713