CN108389240B - 一种采用影像组学技术进行低辐射剂量肺结节筛查的方法 - Google Patents

一种采用影像组学技术进行低辐射剂量肺结节筛查的方法 Download PDF

Info

Publication number
CN108389240B
CN108389240B CN201810165489.6A CN201810165489A CN108389240B CN 108389240 B CN108389240 B CN 108389240B CN 201810165489 A CN201810165489 A CN 201810165489A CN 108389240 B CN108389240 B CN 108389240B
Authority
CN
China
Prior art keywords
radiation
dose
nodule
scanning
low
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
CN201810165489.6A
Other languages
English (en)
Other versions
CN108389240A (zh
Inventor
高志鹏
叶兆祥
赵洪伟
李海洁
王一更
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.)
Tianjin cancer hospital
Original Assignee
Tianjin cancer hospital
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 Tianjin cancer hospital filed Critical Tianjin cancer hospital
Priority to CN201810165489.6A priority Critical patent/CN108389240B/zh
Publication of CN108389240A publication Critical patent/CN108389240A/zh
Application granted granted Critical
Publication of CN108389240B publication Critical patent/CN108389240B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • 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
    • 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
    • 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
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种采用影像组学技术进行低辐射剂量肺结节筛查的方法，步骤如下：⑴对体模进行扫描，得扫描数据；⑵将扫描数据导入影像组学分析软件，选择结节层面，勾画结节轮廓，计算得到该结节基于直方图的统计学特征、灰度共生矩阵的纹理统计特征和灰度游程纹理特征；⑶将特征数据导入到R语言进行统计分析，计算出每个影响因素变量的曲线拐点；⑷综合所有曲线变量的拐点，得到该体模的低辐射剂量的数学模型；⑸根据受检者的信息修正上述数学模型，进而完成低辐射剂量肺结节筛查。本方法能够降低受检患者电离辐射剂量，使患者受益；成果的推广将使得这些人群在接受最少辐射剂量的同时能得到较好的CT图像质量，满足影像诊断的需要。

Description

一种采用影像组学技术进行低辐射剂量肺结节筛查的方法
技术领域
本发明属于医学影像筛查技术领域，尤其是一种采用影像组学技术进行低辐射剂量肺结节筛查的方法。
背景技术
目前，肺癌已经跃居我国恶性肿瘤发病率和死亡率的首位，而孤立性肺结节(solitary pulmonary nodule,SPN)一般是肺癌的早期表现，肺结节早发现、早诊断、早治疗，这对改善病人预后至关重要。临床研究发现用CT诊断肺结节的准确率高。但是，进行CT检查时CT机对人体组织产生的电离辐射比较高。一次普通的CT胸部平扫辐射剂量约为3-5msv，而正常情况下每个成年人每年接受的安全辐射剂量是1msv，同时胸部检查时对放射线敏感的器官如甲状腺、胸腺、女性乳腺更是需要特别注意，因此减少CT检查的辐射剂量可有效减少人体损伤，降低致癌的危险。低辐射剂量CT检查能有效地减少受检者所受辐射剂量，在肺结节的筛查中发挥着重要作用，已经是当前肺结节筛查中普遍采用的方法。然而辐射剂量与CT图像质量密切相关，较低的辐射剂量所获得的图像质量较差。
目前国内外对CT图像质量的评价都是通过主观评价和客观评价来进行。主观评价方法是通过2名以上不同年资的医师通过双盲法根据评分标准对CT图像进行评价，再使用统计方法对评分的一致性进行分析。客观评价方法是通过测量CT图像上感兴趣区域(ROI)的CT值和噪声来计算相应的信噪比(signal-to-noise ratio,SNR)(图1)，通过比较SNR来判断图像质量，噪声(SD)值越大，信噪比越低，图像质量下降。
主观评价与客观评价是现有CT图像评价的方法，存在很多缺陷。主观评价由于是从个人的角度去评价，虽然采用双盲法但仍可能带有个人的感情色彩，有时是片面的、武断的，不能对细小的差别做出准确评断。客观评价是通过计算CT图像上ROI中CT值与噪声的比值来判断图像的质量，这种方法并不能客观反映真实的信噪比，SD值本身是描述ROI中所有点与平均值的标准方差，并不能直接反映噪声。当被测的ROI(例如肺结节，密度不均匀)中所有数据点不均匀，这个信噪比计算的数值是不真实的。同时由于评价的参数过少，准确性也不高。现有这种CT图像质量评价方法缺乏精准定量化的技术和方法，对于低辐射剂量下CT图像质量的评价更难以保证准确性，导致无法获得真正低剂量扫描参数，无法实现真正的低辐射剂量CT筛查。
自动曝光控制是CT上使用的一种有效的降低辐射剂量的方法，此方法根据人体的体型自动调节X线球管的电流或电压，达到降低辐射剂量的目的。自动曝光控制虽然能在降低辐射剂量上起到作用，但由于这种方法是根据患者体型以及用户设定的图像质量系数自动调整X线球管电流或电压，不能够精确地降低辐射剂量，无法使用最低的辐射剂量。
迭代重建算法是在CT图像重建时加入了降低噪声的数学算法来改善图像质量的方法。这种方法可以相对的降低辐射剂量。虽然迭代重建算法可以相对降低辐射剂量，但这种方法是被动方法，无法实现真正意义的低辐射剂量，而且加入抑制噪声的数学算法可能会改变肺结节的形态，影响到诊断。
通过检索，尚未发现与本发明申请相关的专利公开文献。
发明内容
本发明的目的在于克服现有技术的不足之处，提供一种采用影像组学技术进行采用影像组学技术进行低辐射剂量肺结节筛查的方法，该方法能够降低受检患者电离辐射剂量，使患者受益；CT低辐射肺结节筛查是早期发现肺癌的主要手段，每年有几十万或更多人群在进行该项检查，成果的推广将使得这些人群在接受最少辐射剂量的同时能得到较好的CT图像质量，满足影像诊断的需要。
本发明解决其技术问题是采取以下技术方案实现的：
一种采用影像组学技术进行采用影像组学技术进行低辐射剂量肺结节筛查的方法，步骤如下：
⑴对体模进行扫描，得扫描数据；
⑵将扫描数据导入影像组学分析软件，选择结节层面，勾画结节轮廓，计算得到该结节基于直方图的统计学特征、灰度共生矩阵的纹理统计特征和灰度游程纹理特征，得特征数据；
⑶将特征数据导入到R语言进行统计分析，找出特征值中影响最大的5个影响因素变量，再通过统计分别计算出每个影响因素变量的曲线拐点；
⑷综合所有曲线变量的拐点，得到该体模的低辐射剂量的数学模型；
⑸根据受检者的信息修正上述数学模型，修正后的数学模型能够为受检者提供个性化的低辐射剂量肺结节筛查CT扫描参数，进而完成低辐射剂量肺结节筛查。
而且，所述步骤⑴中体模为中国人仿真肺结节胸部人体模型。
而且，所述中国人仿真肺结节胸部人体模型是根据标准的中国人体型制作的仿真模型，身高1.75cm，体重70kg。
而且，所述步骤⑸中受检者的信息为身高和/或体重和/或性别和/或年龄和/或体型。
而且，具体步骤如下：
⑴使用64排Discovery CT750 HD CT机对中国人仿真肺结节胸部人体模型进行各种不同辐射剂量的扫描参数进行静态扫描，取得不同辐射剂量下体模扫描数据；
其中，所述扫描参数为：管电压：80kVp、100kVp、120kVp、140kVp；管电流：30mA、60mA、90mA、120mA、150mA、180mA、210mA、240mA、270mA、300mA。
⑵采集体模CT图像的扫描数据，导入影像组学分析软件，在软件上找到体模上肺结节的层面，包括：实性结节、磨玻璃样结节及实性与磨玻璃样混合结节，在结节上沿结节边缘勾画感兴趣区域ROI；分别提取所有扫描条件下所有ROI的特征值，得到基于直方图的统计学特征、基于灰度共生矩阵的纹理统计特征和基于灰度游程纹理特征，每个ROI有34个特征值，将所有特征值导出；
⑶所有特征数据导入R语言统计分析软件，通过主成分分析，找出34个特征值中影响最大的5个影响因素变量，分别做出这5个影响因素变量在不同管电压、管电流下图像质量的曲线，分别找出5个影响因素变量在曲线上的拐点，综合5个拐点数值，计算出CT图像质量的临界点；
⑷得到的CT图像质量的临界点就是以此体模做标准，建立一个数学模型；
⑸根据实际人体的信息对上述数学模型进行修正，修正后的数学模型能够为受检者提供个性化的低辐射剂量肺结节筛查CT扫描参数，进而完成低辐射剂量肺结节筛查，使受检者在CT肺结节筛查时能够得到个性化的最低辐射剂量的扫描。
本发明取得的优点和积极效果是：
1、本发明方法采用影像组学技术能够降低受检患者电离辐射剂量，使患者受益；CT低辐射肺结节筛查是早期发现肺癌的主要手段，每年有几十万或更多人群在进行该项检查，成果的推广将使得这些人群在接受最少辐射剂量的同时能得到较好的CT图像质量，满足影像诊断的需要。
2、影像组学(radiomics)在CT肺结节诊断上应用日趋成熟和完善。影像组学是从海量影像数据中采用统计学方法特征提取与精准量化分析，得到基于直方图(一阶)的统计学特征、灰度共生矩阵的纹理(二阶)统计特征和灰度游程纹理(高阶)特征。通过对这些特征的统计分析找到影响CT图像质量的主要因素，再经过统计分析找到CT图像质量变化的拐点，解决传统CT图像质量评价方法缺乏精准定量化的缺陷。本发明方法正是采用影像组学技术、统计学习和人工智能方法，通过提取和优化低剂量CT肺部扫描特征参数建立一个数学模型，在此模型基础上产生低辐射剂量扫描参数，实现真正的低剂量扫描。
附图说明
图1为现有技术中CT值的一种测量图；其中，1(圆圈)：测量的区域(ROI)；
max：ROI中最大的值(最大CT值)；
av：ROI中的平均值(平均CT值)；
sd：ROI中的噪声(是统计学中的方差，也就是ROI中所有点与平均值的标准方差)；
a：ROI的面积；
信噪比＝av/sd；
图1可以为现有技术中评价图像质量的方法的例子，能够说明SNR是如何从图像上计算出来的；
图2为本发明方法的流程框图；
图3为本发明中检测实施例中勾画结节轮廓示意图；
图4为本发明中检测实施例中计算特征值示意图；
图5为本发明影像组学方法得到的一个影响因素变量的曲线；
图6现有方法得到的SNR的曲线。
具体实施方式
下面结合实施例，对本发明进一步说明；下述实施例是说明性的，不是限定性的，不能以下述实施例来限定本发明的保护范围。
本发明中所使用的原料，如无特殊说明，均为常规的市售产品；本发明中所使用的方法，如无特殊说明，均为本领域的常规方法。
实施例1
一种采用影像组学技术采用影像组学技术进行低辐射剂量肺结节筛查的方法，步骤如下：
⑴对体模进行扫描，得扫描数据；
⑵将扫描数据导入影像组学分析软件，选择结节层面，勾画结节轮廓，计算得到该结节基于直方图的统计学特征、基于灰度共生矩阵的纹理统计特征和基于灰度游程纹理特征，得特征数据；
⑶将特征数据导入到R语言进行统计分析，找出特征值中影响最大的5个影响因素变量，再通过统计分别计算出每个影响因素变量的曲线拐点；
⑷综合所有曲线变量的拐点，得到该体模的低辐射剂量的数学模型；
⑸根据受检者的信息修正上述数学模型，修正后的数学模型能够为受检者提供个性化的低辐射剂量肺结节筛查CT扫描参数，进而完成低辐射剂量肺结节筛查。
较优地，所述步骤⑴中体模为中国人仿真肺结节胸部人体模型。
较优地，所述中国人仿真肺结节胸部人体模型是根据标准的中国人体型制作的仿真模型，身高1.75cm，体重70kg。
较优地，所述步骤⑸中受检者的信息为身高和/或体重和/或性别和/或年龄和/或体型。
较优地，具体步骤如下：
⑴使用64排Discovery CT750 HD CT机对中国人仿真肺结节胸部人体模型进行各种不同辐射剂量的扫描参数进行静态扫描，取得不同辐射剂量下体模扫描数据；
其中，所述扫描参数为：管电压：80kVp、100kVp、120kVp、140kVp；管电流：30mA、60mA、90mA、120mA、150mA、180mA、210mA、240mA、270mA、300mA。
⑵采集体模CT图像的扫描数据，导入影像组学分析软件，在软件上找到体模上肺结节的层面，包括：实性结节、磨玻璃样结节及实性与磨玻璃样混合结节，在结节上沿结节边缘勾画感兴趣区域ROI；分别提取所有扫描条件下所有ROI的特征值，得到基于直方图的统计学特征、基于灰度共生矩阵的纹理统计特征和基于灰度游程纹理特征，每个ROI有34个特征值，将所有特征值导出；
⑶所有特征数据导入R语言统计分析软件，通过主成分分析，找出34个特征值中影响最大的5个影响因素变量，分别做出这5个影响因素变量在不同管电压、管电流下图像质量的曲线，分别找出5个影响因素变量在曲线上的拐点，综合5个拐点数值，计算出CT图像质量的临界点；
⑷得到的CT图像质量的临界点就是以此体模做标准，建立一个数学模型；
⑸根据实际人体的信息对上述数学模型进行修正，修正后的数学模型能够为受检者提供个性化的低辐射剂量肺结节筛查CT扫描参数，进而完成低辐射剂量肺结节筛查，使受检者在CT肺结节筛查时能够得到个性化的最低辐射剂量的扫描。
上述采用影像组学技术采用影像组学技术进行低辐射剂量肺结节筛查的方法的流程框图也可以如图2所示。
实施例2
一种采用影像组学技术采用影像组学技术进行低辐射剂量肺结节筛查的方法，步骤如下：
⑴使用64排Discovery CT750 HD CT机对“中国人仿真肺结节胸部人体模型”进行各种不同辐射剂量的扫描参数进行静态扫描，取得不同辐射剂量下体模扫描数据。扫描参数：管电压80kVp、100kVp、120kVp、140kVp、管电流30mA、60mA、90mA、120mA、150mA、180mA、210mA、240mA、270mA、300mA。
⑵采集体模CT图像的数据，导入影像组学分析软件。在软件上找到体模上肺结节的层面，包括：实性结节、磨玻璃样结节及实性与磨玻璃样混合结节。在结节上沿结节边缘勾画感兴趣区域ROI。分别提取所有扫描条件下所有ROI的特征值，得到基于直方图(一阶)的统计学特征、基于灰度共生矩阵的纹理(二阶)统计特征和基于灰度游程纹理(高阶)特征，每个ROI有34个特征值。将所有特征值导出。
⑶所有特征数据导入R语言统计分析软件，通过主成分分析，找出34个特征值中影响最大的5个主要特征变量。分别做出这5个主要特征变量在不同管电压、管电流下图像质量的曲线，分别找出5个主要特征变量在曲线上的拐点。综合5个拐点数值，计算出CT图像质量的临界点。
⑷“中国人仿真肺结节胸部人体模型”是根据标准的中国人体型制作的仿真模型，身高1.75cm，体重70kg。得到的CT图像质量的临界点就是以此体模做标准，建立一个数学模型。
⑸根据实际人体的身高、体重、性别、年龄、体型等因素对数学模型进行修正，使受检者在CT肺结节筛查时能够得到个性化的最低辐射剂量的扫描。
使用本发明方法进行低辐射剂量肺结节筛查的检测实施例：
采用影像组学采用影像组学技术进行低辐射剂量肺结节筛查的方法，步骤如下：
⑴体模扫描。
⑵将扫描数据导入影像组学分析软件。选择结节层面，勾画结节轮廓(图3)，计算得到该结节基于直方图(一阶)的统计学特征、基于灰度共生矩阵的纹理(二阶)统计特征和基于灰度游程纹理(高阶)特征(图4)。
⑶特征数据导入到R语言进行统计分析(表1)，找出最重要的5个影响因素变量(表2)，再通过统计分别计算出每个影响因素变量的曲线拐点(表3)。
⑷综合所有曲线变量的拐点，得到该病例的低辐射剂量的数学模型(表4)
⑸根据受检者身高、体重、性别、年龄、体型等修正数学模型，为受检者提供个性化的低辐射剂量肺结节筛查CT扫描参数。
通过影像组学分析法得到影响因素曲线(图5)与现有方法得到的SNR曲线(图6)比较，很容易得到影响因素的曲线拐点，从而找到图像质量的下限。
表1特征数据导入到R语言进行统计分析的统计分析结果
Figure GDA0003124608640000071
表2最重要的5个影响因素变量
Figure GDA0003124608640000072
表3一个影响因素变量的曲线拐点
Figure GDA0003124608640000073
表4一个病例的数学模型
Figure GDA0003124608640000081

Claims (4)

1.一种采用影像组学技术进行低辐射剂量肺结节筛查的方法，其特征在于：步骤如下：
⑴对体模进行扫描，得扫描数据；
⑵将扫描数据导入影像组学分析软件，选择结节层面，勾画结节轮廓，计算得到该结节基于直方图的统计学特征、灰度共生矩阵的纹理统计特征和灰度游程纹理特征，得到图像特征数据；
⑶将特征数据导入到R语言进行统计分析，找出特征值中影响最大的5个影响因素变量，再通过统计分别计算出每个影响因素变量的曲线拐点；
⑷综合所有曲线变量的拐点，得到该体模的低辐射剂量的数学模型；
⑸根据受检者的信息修正上述数学模型，修正后的数学模型能够为受检者提供个性化的低辐射剂量肺结节筛查CT扫描参数，进而完成低辐射剂量肺结节筛查；
具体步骤如下：
⑴使用64排Discovery CT750 HD CT机对中国人仿真肺结节胸部人体模型进行各种不同辐射剂量的扫描参数进行静态扫描，取得不同辐射剂量下体模扫描数据；
其中，所述扫描参数为：管电压：80kVp、100kVp、120kVp、140kVp；管电流：30mA、60mA、90mA、120mA、150mA、180mA、210mA、240mA、270mA、300mA；
⑵采集体模CT图像的扫描数据，导入影像组学分析软件，在软件上找到体模上肺结节的层面，包括：实性结节、磨玻璃样结节及实性与磨玻璃样混合结节，在结节上沿结节边缘勾画感兴趣区域ROI；分别提取所有扫描条件下所有ROI的特征值，得到基于直方图的统计学特征、基于灰度共生矩阵的纹理统计特征和基于灰度游程纹理特征，每个ROI有34个特征值，将所有特征值导出；
⑶所有特征数据导入R语言统计分析软件，通过主成分分析，找出34个特征值中影响最大的5个影响因素变量，分别做出这5个影响因素变量在不同管电压、管电流下图像质量的曲线，分别找出5个影响因素变量在曲线上的拐点，综合5个拐点数值，计算出CT图像质量的临界点；
⑷得到的CT图像质量的临界点就是以此体模做标准，建立一个数学模型；
⑸根据实际人体的信息对上述数学模型进行修正，修正后的数学模型能够为受检者提供个性化的低辐射剂量肺结节筛查CT扫描参数，进而完成低辐射剂量肺结节筛查，使受检者在CT肺结节筛查时能够得到个性化的最低辐射剂量的扫描。
2.根据权利要求1所述的采用影像组学技术进行低辐射剂量肺结节筛查的方法，其特征在于：所述步骤⑴中体模为中国人仿真肺结节胸部人体模型。
3.根据权利要求2所述的采用影像组学技术进行低辐射剂量肺结节筛查的方法，其特征在于：所述中国人仿真肺结节胸部人体模型是根据标准的中国人体型制作的仿真模型，身高1.75cm，体重70kg。
4.根据权利要求1所述的采用影像组学技术进行低辐射剂量肺结节筛查的方法，其特征在于：所述步骤⑸中受检者的信息为身高和/或体重和/或性别和/或年龄和/或体型。
CN201810165489.6A 2018-02-28 2018-02-28 一种采用影像组学技术进行低辐射剂量肺结节筛查的方法 Active CN108389240B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810165489.6A CN108389240B (zh) 2018-02-28 2018-02-28 一种采用影像组学技术进行低辐射剂量肺结节筛查的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810165489.6A CN108389240B (zh) 2018-02-28 2018-02-28 一种采用影像组学技术进行低辐射剂量肺结节筛查的方法

Publications (2)

Publication Number Publication Date
CN108389240A CN108389240A (zh) 2018-08-10
CN108389240B true CN108389240B (zh) 2021-08-13

Family

ID=63069051

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810165489.6A Active CN108389240B (zh) 2018-02-28 2018-02-28 一种采用影像组学技术进行低辐射剂量肺结节筛查的方法

Country Status (1)

Country Link
CN (1) CN108389240B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7545965B2 (en) * 2003-11-10 2009-06-09 The University Of Chicago Image modification and detection using massive training artificial neural networks (MTANN)
AU2011287430A1 (en) * 2010-08-04 2013-03-21 Cizzle Biotechnology Limited Methods and compounds for the diagnosis and treatment of cancer
CN105469419A (zh) * 2016-01-07 2016-04-06 于翠妮 一种基于ct影像的肺结节检测方法
CN105852896A (zh) * 2016-03-25 2016-08-17 上海世正医学影像诊断中心有限公司 低剂量螺旋ct扫描用于pet/mri肺部的检查方法
CN105976367A (zh) * 2016-04-29 2016-09-28 上海联影医疗科技有限公司 图像分割方法、肺结节检测方法及其计算机辅助检测系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7545965B2 (en) * 2003-11-10 2009-06-09 The University Of Chicago Image modification and detection using massive training artificial neural networks (MTANN)
AU2011287430A1 (en) * 2010-08-04 2013-03-21 Cizzle Biotechnology Limited Methods and compounds for the diagnosis and treatment of cancer
CN105469419A (zh) * 2016-01-07 2016-04-06 于翠妮 一种基于ct影像的肺结节检测方法
CN105852896A (zh) * 2016-03-25 2016-08-17 上海世正医学影像诊断中心有限公司 低剂量螺旋ct扫描用于pet/mri肺部的检查方法
CN105976367A (zh) * 2016-04-29 2016-09-28 上海联影医疗科技有限公司 图像分割方法、肺结节检测方法及其计算机辅助检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CT灰度直方图对实性肺结节的鉴别诊断价值;迟淑萍;《放射学实践》;20160930;第31卷(第9期);第866-869页 *
碘克沙醇联合低电压CT扫描孤立性肺结节成像质量的评价;叶兆祥等;《实用医学杂事》;20171231;第33卷(第24期);第4141-4144页 *

Also Published As

Publication number Publication date
CN108389240A (zh) 2018-08-10

Similar Documents

Publication Publication Date Title
US11276166B2 (en) Systems and methods for patient structure estimation during medical imaging
US11322259B2 (en) Patient risk stratification based on body composition derived from computed tomography images using machine learning
US6154560A (en) System and method for staging regional lymph nodes using quantitative analysis of endoscopic ultrasound images
US8605979B2 (en) Automatic detection and quantification of plaque in the coronary arteries of subjects from CT scans
US7774041B2 (en) Method and apparatus for calculating index concerning local blood flow circulations
El-Baz et al. Appearance analysis for diagnosing malignant lung nodules
CN107563998B (zh) 医学图像中心脏图像处理方法
Kurugol et al. Aorta segmentation with a 3D level set approach and quantification of aortic calcifications in non-contrast chest CT
CN105139377B (zh) 一种腹部ct序列图像肝脏的快速鲁棒自动分割方法
US8831319B2 (en) Method and system for calibrating CT images
CN109919254B (zh) 乳腺密度分类方法、系统、可读存储介质和计算机设备
US11478163B2 (en) Image processing and emphysema threshold determination
CN107292889A (zh) 一种肿瘤分割的方法、系统和可读介质
CN110021022A (zh) 一种基于深度学习的甲状腺核医学图像诊断方法
CN112767393A (zh) 一种基于机器学习的双模态影像组学磨玻璃结节分类方法
US7330576B2 (en) Quantification method of vessel calcification
Chiplunkar et al. Segmentation and quantitation of the primary human airway tree
CN116580037B (zh) 一种基于深度学习的鼻咽癌图像分割方法及系统
Ukil et al. Smoothing lung segmentation surfaces in 3D X-ray CT images using anatomic guidance
JP4302180B2 (ja) 局所血流動態に関するインデックスを演算する方法及び装置
CN108389240B (zh) 一种采用影像组学技术进行低辐射剂量肺结节筛查的方法
CN110179484A (zh) 用于自动管电流调制模式的ct性能检测模体及其测试方法
CN114742753A (zh) 基于神经网络的图像评估方法和装置
CN114494952A (zh) 一种基于感知损失的乳腺mri影像时间序列生成方法
CN109646036B (zh) 一种胸部低剂量ct扫描参数的优化方法

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