CN108573490A - 一种针对肿瘤影像数据的智能读片系统 - Google Patents

Abstract

本发明公开了一种针对肿瘤影像数据的智能读片系统，本系统实现一键式的读片报告书写，由计算机自动完成影像数据的预处理、病灶识别、定量参数测量、诊断评分和可视化等步骤，简化了操作步骤和诊断流程，最大限度地发挥医生和计算机各自的优势，显著提高了目前影像读片的工作效率，且读片结果客观、准确，可重复性高。

Description

一种针对肿瘤影像数据的智能读片系统

技术领域

本发明涉及医学图像的计算机辅助分析技术领域，具体涉及一种针对肿瘤影像数据的智能读片系统。

背景技术

医学影像是肿瘤诊断的重要工具。目前，医学图像的采集、处理、显示和存储等均已实现了数字化，完成了从“模拟”到“数字”的全面转变。然而，影像检查的最终成果(诊断报告)的生成和信息传递过程在多年的影像技术发展过程中并未发生实质性的改变，极大地阻碍了医学影像的发展。

常规的影像报告形式包括自由文本和结构式文本两种，在近百年来的影像发展过程中，自由文本式的报告占据了主导地位。但随着计算机技术的大力发展，影像检查的使用范围得到极大地拓展，伴随而来的是影像科医师处理的图像数据指数增长。常规的文本式报告效率太低，已经无法满足临床的需求。在新的技术条件下，为了满足临床对医学影像报告质量的更高要求，结构式报告日益受到关注。

结构式报告有利于规范化报告内容，报告信息应表述清晰、准确、易读，提高了影像科医师与临床医师之间沟通的效率和准确性。除此之外，结构式报告还是理想的教学媒介，其标准化的读片顺序，可帮助学习者建立严谨的读片习惯。每种结构式报告代表了相应疾病影像诊断的思路及临床处理原则的精华，学习这些基本知识，有助于报告使用者形成对该疾病的影像诊断思路。然而，结构式报告在信息填写过程中，其整体的录入效率远低于自由文本式报告，医生需要严格对照评分指南完成读片，步骤相当繁杂，这也是结构式报告推广不利的主要原因。因此，在目前结构式报告的基础上，整合电子病例信息，开展数据挖掘和分析，引入更多先沿知识，以灵活多样的推送方式发布结果等将极大地推动结构式报告的发展。

总结来说，目前已有的读片报告系统存在以下不足：

1.现有的影像学报告多是以自由文字叙述的方式来描述病灶或正常组织信号，缺乏客观、定量、直观的描述，导致影像科医师和临床医生的沟通效率低下。

2.正在发展中的结构式报告虽然可以规范化报告的内容，但录入信息的内容繁杂，严重降低了读片医生的工作效率，且容易引起疲劳感并进一步降低了读片的准确性。

3.无论是自由文本式报告还是结构式报告，都具有很强的主观性，缺乏客观定量的指标。且目前的报告系统都只使用了孤立的病人个体数据，没有充分挖掘数据库中已有的信息，报告系统也不能迭代更新，在临床诊断指南更新后需要重新读片，效率非常低。

发明内容

本发明的目的在于克服现有技术中存在的上述问题，提供一种针对肿瘤影像数据的智能读片系统。

为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现的：

一种针对肿瘤影像数据的智能读片系统，其特征在于，包括以下步骤：

(1)数据加载：

加载病人的当前影像检查数据，包括超声数据，多参数磁共振数据，具体包括冠状位、轴位、矢状位的T1加权图像、T2加权图像、DWI图像、DCE图像和MRS图像；

本系统安装在医院影像科工作站上，连入医院信息系统(HIS)和影像传输与存储系统(PACS)，可实现对检查病人的所有信息做自动搜索和匹配，通过输入病人的姓名和编号信息，系统自动从临床数据库中提取包括患者的性别、年龄、常规血检指标、尿检指标、病理穿刺结果等信息，调出该病人的历史检查数据，并依次录入报告单，进一步调出其他相关病史记录，包括手术、药物治疗或放疗等治疗史，以备读片医生参照；

(2)数据预处理：

通过读取影像数据头文件信息对影像数据按照扫描类型分类，通过与标准扫描序列比较检查是否有漏扫、错扫现象，如存在以上现象就停止读片并以对话框形式报告错误；

使用图像信噪比来评价扫描质量，若扫描质量较差、信噪比过低，则停止读片并以对话框形式报告错误；

对原始图像数据进行图像信号均匀化和标准化处理，改善图像的质量，为下一步图像特征提取和分析做准备，通过预处理，矫正成像过程中由于脉冲序列和线圈不完善、操作环境及MRI设备自身原因所致的图像信号灰度均值和方差的偏差，避免图像灰度值的不均匀性对后期图像分割和病灶识别的影响，对所有的影像数据层面匹配、图像配准等步骤，消除被检者体位改变造成的位置变动，纠正不同成像序列的图像变形，解决不同序列之间显示野不一致的问题；

在DWI和T2加权图像中同时分割感兴趣区域，采用结合边缘检测和区域生长的方法作为初始分割方法，在找到大致感兴趣区域轮廓后使用主动轮廓法修正分割边缘；对照不同组织的分区标准，对检查部位进行精细分区，并自动标记不同分区，为下一步信号检测和评分做准备；

(3)病灶识别：

使用机器学习的方法，对所有影像的特征进行分析，完成对疑似肿瘤病灶的自动识别和标记，为下一步的测量和评分做准备，具体是采用3层结构的前馈性人工神经网络作为分类器，该分类器提前在数据库中完成训练，并在每个月完成一次重训练，更新分类器的参数，将进行了均匀化矫正和标准化处理的MRI图像特征和临床信息作为输入参数，输入节点数为3～300，经过分类器输出为肿瘤的预测结果，其中2分类为疑似肿瘤和正常组织，5分类为不同恶性程度的肿瘤，在计算机输出疑似病灶区域轮廓后，医生可以根据自己的经验手动调整区域位置和大小，以保证病灶的位置准确；

(4)信号测量：

在冠状位、轴位、矢状位的T1加权图像、T2加权图像中提取疑似病灶的几何参数，包括病灶的三维尺寸、体积、分区位置等；在所有图像中提取信号的平均强度、中位数、标准差、最小值、最大值、偏态、丰度、复杂度等信息；提取DCE曲线的流入斜率、流出斜率、达峰时间、峰下面积、峰高等指标，并设置阈值自动判断曲线类型，以不同曲线类型判断DCE图像中病灶的局灶、弥散百分比；所有测量结果以数值显示在报告中，并同时以百分位图的形式展现在数值之后，该百分位图代表测量值在同类肿瘤患者中的分布位置，不同的颜色代表风险程度，红色代表该测量值高于风险阈值，蓝色代表该测量值接近风险阈值，绿色代表该测量值低于风险阈值；

(5)影像评分：

依据临床影像诊断指南对疑似病灶进行打分，判断依据为：5分，影像表现典型，异常信号显著；4分，影像表现近似典型，异常信号较显著；3分，介于2分和4分之间；2分，影像上表现模糊，但信号特征倾向于正常；1分，影像上无异常表现，评分时，计算机会根据提前录入的不同检查部位的指南标准进行信号比对，对当前测量结果做分类，并综合利用多参数的定量信息，给出不同序列的打分结果和所有成像序列的整体评分结果，并生成报告的结论文字，影像科医生如果对自动评分结果存在疑虑，可根据经验修改打分结果并作为最终报告生成的结果，同时该结果会自动反馈到后台数据库中，用于下次的迭代学习；

(6)数据可视化：

在确定了肿瘤病灶位置和形状后，使用移动立方体法对病灶轮廓做三维表面重建，并与结构图像进行图像融合显示，显示透明度可以手动调节，该可视化结果可以CAD软件支持的数据格式保存，或保存为pdf格式，用于病理穿刺的参照；

(7)扩展功能：

在对肿瘤完成诊断结论后，根据不同肿瘤的特点扩展报告的文字，对肿瘤的包膜侵犯情况、周围组织受累情况等进行影像学定性描述，根据临床工作中执行的其它诊断标准对肿瘤的进行客观评价，在完成并确认了所有报告内容后，所有的当前分析结果均自动录入到数据库中，并与历史数据一同作为之后的系统迭代数据，用于更新机器学习的训练样本。

本发明的有益效果为：

1.本发明实现一键式的读片报告书写，由计算机自动完成影像数据的预处理、病灶识别、定量参数测量、诊断评分和可视化等步骤，简化了操作步骤和诊断流程，最大限度地发挥医生和计算机各自的优势，显著提高了了目前影像读片的工作效率，且读片结果客观、准确，可重复性高；

2.本发明融入了机器学习的方法，相比传统的文本或结构式报告，提取的信息量更大，并可以不断学习和迭代智能读片的能力，通过不断回溯和训练样本库的数据，持续提高读片的准确性；

3.本发明除了能输出常规报告的文字描述信息以外，还能够以融合图、三维重建图、直方图、百分比图等形式直观地呈现报告内容，无需医生手动标注肿瘤区域，高效直观，容易在不同科室的医生间达成共识。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明的系统流程图；

图2为智能读片系统自动生成的病人的基本信息和临床指标；

图3为智能读片系统自动调用的影像数据和进行的预处理；

图4为智能读片系统自动对前列腺癌病灶进行识别和标注；

图5为智能读片系统自动输出的信号测量结果；

图6为智能读片系统自动输出的评分结果；

图7为典型前列腺癌的三维可视化结果；

图8为可扩展模块内容。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面将结合本发明实施例中的附图，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例以一例典型的外周代前列腺癌为例介绍本发明的实施方式：系统流程图如图1所示，具体步骤如下：

(1)数据加载：输入病人的姓名即可检索出相关信息，通过在医院信息系统(HIS)和影像传输与存储系统(PACS)中的自动检索可以调出所有病人数据，智能报告会自动生成病人的基本信息和临床指标，如图2所示。

(2)数据预处理：通过读取影像数据头文件信息对影像数据按照扫描类型分类，通过与标准扫描序列比较检查是否有漏扫、错扫现象，并报告图像的质量(优、良、差三等)。对原始图像数据进行图像信号均匀化和标准化处理，并对前列腺在DWI和T2加权图像中同时分割感兴趣区域，并依照PI-RADS标准划分39分区，如图3所示。

(3)病灶识别：使用机器学习的方法，由计算机自动在判断疑似病灶区域的轮廓，医生可以根据自己的经验手动调整区域位置和大小，以保证病灶的位置准确，如图4所示。

(4)信号测量：在结构图像(冠状位、轴位、矢状位的T1加权图像、T2加权图像)中提取疑似病灶的几何参数，包括病灶的三维尺寸、体积、分区位置等；在所有图像中提取信号的平均强度(均值)、中位数、标准差、最小值、最大值、偏态、丰度、复杂度等信息；提取DCE曲线的流入斜率、流出斜率、达峰时间、峰下面积、峰高等指标，并设置阈值自动判断曲线类型(流入型、流出型、平台型)，以不同曲线类型判断DCE图像中病灶的局灶、弥散百分比；所有测量结果以数值显示在报告中，并同时以百分位图的形式展现在数值之后，该百分位图代表测量值在同类肿瘤患者中的分布位置，不同的颜色代表风险程度(红色代表该测量值高于风险阈值，蓝色代表该测量值接近风险阈值，绿色代表该测量值低于风险阈值)，如图5所示。

(5)影像评分：依据PI-RADS V2临床指南，使用5分法对前列腺癌的恶性程度进行评分，如图6所示。根据前列腺多参数MRI在T2WI、DWI及DCE图像上的综合表现，对病灶是前列腺临床显著癌的可能性给出了评分方法(表1～4)。

表1.DWI的PI-RADS评分标准(外周带和移行带)

表2.T2加权图的PI-RADS评分标准(外周带)

表3.T2加权图的PI-RADS评分标准(移行带)

表4.DCE的PI-RADS评分标准(外周带和移行带)

具体的评分办法为：如果病灶位于外周带，则以DWI及ADC图结果为主，当DWI及ADC评分为1、2、4、5时，该分即为病灶的最终评分。当DWI评分为3分时，应加上DCE图像的评估：DCE表现为阳性者，最终的评分为4分；DCE表现为阴性者，最终评分仍维持3分。如果病灶位于移行带，则以T2WI评分为主。当T2WI评分为1、2、4、5时，该分即为病灶的最终评分。当T2WI评分为3分时，应进行DWI评分：只有DWI评分为5分时，总分才改为4分；否则总分仍为3分。PI-RADS评分≥3分的病灶(最多3个)，在分区图上单独标出，并注明最具标志性的前列腺内病灶，即PI-RADS评分最高的病灶。

(6)数据可视化：在确定了前列腺癌位置和形状后，使用移动立方体法对病灶轮廓做三维表面重建，并与结构图像进行图像融合显示，显示透明度可以手动调节。该可视化结果可以CAD软件支持的数据格式保存，或保存为pdf格式，用于病理穿刺的参照，如图7所示。

(7)扩展功能：除了完成肿瘤的基本诊断结论外，本发明还提供了可扩展的模块。针对前列腺癌，可扩展模块包含包膜情况、精囊腺受累、尿道外括约肌、盆腔壁受累、神经血管束受累、膀胱受累、直肠受累等影响观察点，如图8所示。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (1)

1.一种针对肿瘤影像数据的智能读片系统，其特征在于，包括以下步骤：

(1)数据加载：

加载病人的当前影像检查数据，包括超声数据，多参数磁共振数据，具体包括冠状位、轴位、矢状位的T1加权图像、T2加权图像、DWI图像、DCE图像和MRS图像；

本系统安装在医院影像科工作站上，连入医院信息系统(HIS)和影像传输与存储系统(PACS)，可实现对检查病人的所有信息做自动搜索和匹配，通过输入病人的姓名和编号信息，系统自动从临床数据库中提取包括患者的性别、年龄、常规血检指标、尿检指标、病理穿刺结果等信息，调出该病人的历史检查数据，并依次录入报告单，进一步调出其他相关病史记录，包括手术、药物治疗或放疗等治疗史，以备读片医生参照；

(2)数据预处理：

通过读取影像数据头文件信息对影像数据按照扫描类型分类，通过与标准扫描序列比较检查是否有漏扫、错扫现象，如存在以上现象就停止读片并以对话框形式报告错误；

使用图像信噪比来评价扫描质量，若扫描质量较差、信噪比过低，则停止读片并以对话框形式报告错误；

对原始图像数据进行图像信号均匀化和标准化处理，改善图像的质量，为下一步图像特征提取和分析做准备，通过预处理，矫正成像过程中由于脉冲序列和线圈不完善、操作环境及MRI设备自身原因所致的图像信号灰度均值和方差的偏差，避免图像灰度值的不均匀性对后期图像分割和病灶识别的影响，对所有的影像数据层面匹配、图像配准等步骤，消除被检者体位改变造成的位置变动，纠正不同成像序列的图像变形，解决不同序列之间显示野不一致的问题；

在DWI和T2加权图像中同时分割感兴趣区域，采用结合边缘检测和区域生长的方法作为初始分割方法，在找到大致感兴趣区域轮廓后使用主动轮廓法修正分割边缘；对照不同组织的分区标准，对检查部位进行精细分区，并自动标记不同分区，为下一步信号检测和评分做准备；

(3)病灶识别：

使用机器学习的方法，对所有影像的特征进行分析，完成对疑似肿瘤病灶的自动识别和标记，为下一步的测量和评分做准备，具体是采用3层结构的前馈性人工神经网络作为分类器，该分类器提前在数据库中完成训练，并在每个月完成一次重训练，更新分类器的参数，将进行了均匀化矫正和标准化处理的MRI图像特征和临床信息作为输入参数，输入节点数为3～300，经过分类器输出为肿瘤的预测结果，其中2分类为疑似肿瘤和正常组织，5分类为不同恶性程度的肿瘤，在计算机输出疑似病灶区域轮廓后，医生可以根据自己的经验手动调整区域位置和大小，以保证病灶的位置准确；

(4)信号测量：

在冠状位、轴位、矢状位的T1加权图像、T2加权图像中提取疑似病灶的几何参数，包括病灶的三维尺寸、体积、分区位置等；在所有图像中提取信号的平均强度、中位数、标准差、最小值、最大值、偏态、丰度、复杂度等信息；提取DCE曲线的流入斜率、流出斜率、达峰时间、峰下面积、峰高等指标，并设置阈值自动判断曲线类型，以不同曲线类型判断DCE图像中病灶的局灶、弥散百分比；所有测量结果以数值显示在报告中，并同时以百分位图的形式展现在数值之后，该百分位图代表测量值在同类肿瘤患者中的分布位置，不同的颜色代表风险程度，红色代表该测量值高于风险阈值，蓝色代表该测量值接近风险阈值，绿色代表该测量值低于风险阈值；

(5)影像评分：

依据临床影像诊断指南对疑似病灶进行打分，判断依据为：5分，影像表现典型，异常信号显著；4分，影像表现近似典型，异常信号较显著；3分，介于2分和4分之间；2分，影像上表现模糊，但信号特征倾向于正常；1分，影像上无异常表现，评分时，计算机会根据提前录入的不同检查部位的指南标准进行信号比对，对当前测量结果做分类，并综合利用多参数的定量信息，给出不同序列的打分结果和所有成像序列的整体评分结果，并生成报告的结论文字，影像科医生如果对自动评分结果存在疑虑，可根据经验修改打分结果并作为最终报告生成的结果，同时该结果会自动反馈到后台数据库中，用于下次的迭代学习；

(6)数据可视化：

在确定了肿瘤病灶位置和形状后，使用移动立方体法对病灶轮廓做三维表面重建，并与结构图像进行图像融合显示，显示透明度可以手动调节，该可视化结果可以CAD软件支持的数据格式保存，或保存为pdf格式，用于病理穿刺的参照；

(7)扩展功能：

在对肿瘤完成诊断结论后，根据不同肿瘤的特点扩展报告的文字，对肿瘤的包膜侵犯情况、周围组织受累情况等进行影像学定性描述，根据临床工作中执行的其它诊断标准对肿瘤的进行客观评价，在完成并确认了所有报告内容后，所有的当前分析结果均自动录入到数据库中，并与历史数据一同作为之后的系统迭代数据，用于更新机器学习的训练样本。