CN108648183A - 一种对spect脑部三维图像分析的方法 - Google Patents
一种对spect脑部三维图像分析的方法 Download PDFInfo
- Publication number
- CN108648183A CN108648183A CN201810420520.6A CN201810420520A CN108648183A CN 108648183 A CN108648183 A CN 108648183A CN 201810420520 A CN201810420520 A CN 201810420520A CN 108648183 A CN108648183 A CN 108648183A
- Authority
- CN
- China
- Prior art keywords
- brain
- image
- spect
- patient
- analysis
- 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.)
- Granted
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/10108—Single photon emission computed tomography [SPECT]
-
- 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)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Graphics (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Architecture (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明公开了一种对SPECT脑部三维图像分析的方法,步骤为:建立脑部形状模型数据库;通过SPECT生成患者的脑部图像;将患者的脑部图像进行空间归一化处理;自动旋转患者的脑部图形,使其与对比模型一致;形成脑部器官的轮廓;借助对比模型形状,将患者的脑部图像与正常人的脑部图像进行对比,得到差异结果;规范化差异结果,得到一组统计差异的量化结果;将量化结果转变成图像特征,形成一个标准正态分布的Z参数图;将图形特征、Z参数图输入解释系统;解释系统解析输入信息,并产生解析结果,输出解释结果。本发明提供的对SPECT脑部三维图像分析的方法,其步骤合理,能够自动分析图像并输出判定结果,具有广泛的市场前景和推广价值。
Description
技术领域
本发明涉及单光子发射断层成像技术领域,尤其涉及一种对SPECT脑部三维图像分析的方法。
背景技术
单光子发射计算机断层成像术(Single-Photon Emission ComputedTomography,SPECT)是核医学的两种CT技术之一,由于是对从病人体内发射的γ射线成像,故统称发射型计算机断层成像术(Emission Computed Tomography,ECT)。
SPECT的成像原理是:在患者病灶处放置放射性同位素药物,由于放射性衰变,药物将从断层处发出γ光子,位于外层的γ照相机探头的每个灵敏点探测沿一条投影线进来的γ光子,通过光电倍增得到的测量值代表人体在该投影线上的放射性之和。
在临床作业中,医生需要分析由SPECT生成的图像并做出诊断。医生必须使用几何模板标记感兴趣的区域,这一过程需要耗费大量时间成本,并且读影结果依赖于图像的分割精度、医生的主观视觉解释及数值量化分析的手段,医生诊断的正确性及便捷性是亟待解决的问题。
发明内容
本发明的目的是针对上述技术问题,提供一种对SPECT脑部三维图像分析的方法,其步骤合理,能够自动分析图像并输出判定结果,具有广泛的市场前景和推广价值。
本发明的技术方案
为解决上述技术问题,本发明提供的一种对SPECT脑部三维图像分析的方法,包括以下步骤:
S1,建立脑部形状模型数据库,并通过SPECT生成患者的脑部图像;
S2,将患者的脑部图像进行空间归一化处理,将其定义在同一个公共坐标系中;
S3,通过算法处理自动旋转患者的脑部图像,使其与脑部形状模型数据库中的对比模型一致;
S4,通过算法处理形成脑部器官的轮廓;
S5,通过算法自动调整脑部的对比模型,使其形状尺寸、位置、旋转角度及形状适合患者的脑部图像;
S6,借助对比模型形状,将患者的脑部图像与正常人的脑部图形进行对比,定义患者的脑部图像与对比模型的差异部分,得出差异结果;
S7,规范化S6中的差异结果,得到一组有统计差异的量化结果;
S8,将S7中的差异结果转变成图像特征,形成一个标准正态分布的Z参数图;
S9,将S8中的图形特征、Z参数图输入解释系统;
S10,解释系统解析输入信息,并产生解析结果,输出解释结果。
进一步地,在步骤S1中建立脑部形状模型数据库的步骤如下;
S1-1,使用SPECT生成患者的脑部图形并收集,收集数量大于20;
S1-2,对脑部图形的血流灌注特征进行统计分析,将收集的SPECT图形归一化至同一个公共坐标系中,形成统一的对比模型,以形成脑部形状模型数据库。
进一步地,在步骤S1-2中,使用SPM方法对脑部图形的血流灌注特征进行统计分析。
进一步地,在步骤S10中,解释系统解析输入信息的过程为:通过特征提取器,从患者的脑部图像、Z参数图中提取多个特征,并将所述特征输入到预训练卷积神经网络的输入节点中;当所述图像的特征的数量被馈送到所述多个输入节点时,所述预训练卷积神经网络将通过分类系统输出节点的输出分类结果。
进一步地,所述分类系统包括第一分类系统及第二分类系统,对于第一分类系统,其中所述多个特征包括大脑图像的脑轮廓内点的总数;对于第二分类系统,其中所述多个特征包括在大脑图像的脑轮廓内在特定阈值以下的最大点集合中的点的数目。
本发明有益效果:
本发明提供的一种对SPECT脑部三维图像分析的方法,其步骤合理,能够自动分析图像并输出判定结果,具有广泛的市场前景和推广价值。具体有益效果如下:
(1)采用本发明所述方法可以更准确地发现血流灌注区域异常区域的轮廓和异常程度;
(2)输出的解析结果可提供给医生更准确的量化分析,以辅助诊断病症;
(3)自动生成一种量化的结构化诊断报告。
附图说明
通过结合以下附图所作的详细描述,本发明的上述优点将变得更清楚和更容易理解,这些附图只是示意性的,并不限制本发明,其中:
图1是本发明所述对SPECT脑部三维图像分析方法的流程图;
图2是本发明之解释系统分析示意图;
图3是预训练卷积神经网络模块示意图。
具体实施方式
下面结合具体实施例和附图对本发明一种对SPECT脑部三维图像分析的方法进行详细说明。
在此记载的实施例为本发明的特定的具体实施方式,用于说明本发明的构思,均是解释性和示例性的,不应解释为对本发明实施方式及本发明范围的限制。除在此记载的实施例外,本领域技术人员还能够基于本申请权利要求书和说明书所公开的内容采用显而易见的其它技术方案,这些技术方案包括采用对在此记载的实施例的做出任何显而易见的替换和修改的技术方案。
本说明书的附图为示意图,辅助说明本发明的构思,示意性地表示各部分的形状及其相互关系。请注意,为了便于清楚地表现出本发明实施例的各部件的结构,各附图之间并未按照相同的比例绘制。相同的参考标记用于表示相同的部分。
下面参照图1所述对SPECT脑部三维图像分析方法的流程图,阐述其具体操作步骤:
S1,建立脑部形状模型数据库,并通过SPECT生成患者的脑部图像;
具体地,在步骤S1中建立脑部形状模型数据库的步骤如下;
S1-1,使用SPECT生成患者的脑部图形并收集,收集数量大于20;
S1-2,对脑部图形的血流灌注特征进行统计分析,将收集的SPECT图形归一化至同一个公共坐标系中,形成统一的对比模型,以形成脑部形状模型数据库。
在步骤S1-2中,使用SPM方法对脑部图形的血流灌注特征进行统计分析。
S2,将患者的脑部图像进行空间归一化处理,将其定义在同一个公共坐标系中;
S3,通过算法处理自动旋转患者的脑部图像,使其与脑部形状模型数据库中的对比模型一致;
S4,通过算法处理形成脑部器官的轮廓;
S5,通过算法自动调整脑部的对比模型,使其形状尺寸、位置、旋转角度及形状适合患者的脑部图像;
S6,借助对比模型形状,将患者的脑部图像与正常人的脑部图形进行对比,定义患者的脑部图像与对比模型的差异部分,得出差异结果;
S7,规范化S6中的差异结果,得到一组统计差异的量化结果,并显示患者的脑部与正常人的脑部图形的差异;
S8,将S7中的差异结果转变成图像特征,形成一个标准正态分布的Z参数图;
S9,将S8中的图形特征、Z参数图输入解释系统;
S10,解释系统解析输入信息,并产生解析结果,输出解释结果。
在步骤S10中,解释系统解析输入信息的过程为:通过特征提取器,从患者的脑部图像、Z参数图中提取多个特征,并将所述特征输入到预训练卷积神经网络的输入节点中;当所述图像的特征的数量被馈送到所述多个输入节点时,所述预训练卷积神经网络将通过分类系统输出节点的输出分类结果。
图2是本发明之解释系统分析示意图,采用训练数据进行机器学习,产生随机森林分类器;再使用测试数据对随机森林分类器进行分类测试,根据多数表决原则,选择图像特征最多的选项,并标示上类别标签。
预训练卷积神经网络的模块示意图,如图3所示。预训练卷积神经网络将通过分类系统输出节点的输出分类结果。分类系统包括第一分类系统及第二分类系统,对于第一分类系统,其中所述多个特征包括大脑图像的脑轮廓内点的总数;对于第二分类系统,其中所述多个特征包括在大脑图像的脑轮廓内在特定阈值以下的最大点集合中的点的数目。
本发明提供的一种对SPECT脑部三维图像分析的方法,其步骤合理,能够自动分析图像并输出判定结果,具有广泛的市场前景和推广价值。
本发明不局限于上述实施方式,任何人在本发明的启示下都可得出其他各种形式的产品,但不论在其形状或结构上作任何变化,凡是具有与本申请相同或相近似的技术方案,均落在本发明的保护范围之内。
Claims (5)
1.一种对SPECT脑部三维图像分析的方法,其特征在于,包括以下步骤:
S1,建立脑部形状模型数据库,并通过SPECT生成患者的脑部图像;
S2,将患者的脑部图像进行空间归一化处理,将其定义在同一个公共坐标系中;
S3,通过算法处理自动旋转患者的脑部图像,使其与脑部形状模型数据库中的对比模型一致;
S4,通过算法处理形成脑部器官的轮廓;
S5,通过算法自动调整脑部的对比模型,使其形状尺寸、位置、旋转角度及形状适合患者的脑部图像;
S6,借助对比模型形状,将患者的脑部图像与正常人的脑部图形进行对比,定义患者的脑部图像与对比模型的差异部分,得出差异结果;
S7,规范化S6中的差异结果,得到一组有统计差异的量化结果;
S8,将S7中的差异结果转变成图像特征,形成一个标准正态分布的Z参数图;
S9,将S8中的图形特征、Z参数图输入解释系统;
S10,解释系统解析输入信息,并产生解析结果,输出解释结果。
2.根据权利要求1所述对SPECT脑部三维图像分析的方法,其特征在于,在步骤S1中建立脑部形状模型数据库的步骤如下:
S1-1,使用SPECT生成患者的脑部图形并收集,收集数量大于20;
S1-2,对脑部图形的血流灌注特征进行统计分析,将收集的SPECT图形归一化至同一个公共坐标系中,形成统一的对比模型,以形成脑部形状模型数据库。
3.根据权利要求2所述对SPECT脑部三维图像分析的方法,其特征在于,在步骤S1-2中,使用SPM方法对脑部图形的血流灌注特征进行统计分析。
4.根据权利要求1所述对SPECT脑部三维图像分析的方法,其特征在于,在步骤S10中,解释系统解析输入信息的过程为:通过特征提取器,从患者的脑部图像、Z参数图中提取多个特征,并将所述特征输入到预训练卷积神经网络的输入节点中;当所述图像的特征的数量被馈送到所述多个输入节点时,所述预训练卷积神经网络将通过分类系统输出各节点的输出分类结果。
5.根据权利要求4所述对SPECT脑部三维图像分析的方法,其特征在于,所述分类系统包括第一分类系统及第二分类系统,对于第一分类系统,其中所述多个特征包括大脑图像的脑轮廓内点的总数;对于第二分类系统,其中所述多个特征包括在大脑图像的脑轮廓内在特定阈值以下的最大点集合中的点的数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810420520.6A CN108648183B (zh) | 2018-05-04 | 2018-05-04 | 一种对spect脑部三维图像分析的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810420520.6A CN108648183B (zh) | 2018-05-04 | 2018-05-04 | 一种对spect脑部三维图像分析的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108648183A true CN108648183A (zh) | 2018-10-12 |
CN108648183B CN108648183B (zh) | 2021-07-27 |
Family
ID=63749344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810420520.6A Expired - Fee Related CN108648183B (zh) | 2018-05-04 | 2018-05-04 | 一种对spect脑部三维图像分析的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108648183B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543623A (zh) * | 2018-11-26 | 2019-03-29 | 微医云(杭州)控股有限公司 | 一种基于核磁共振成像的胎儿发育状况预测装置 |
CN109602443A (zh) * | 2018-12-05 | 2019-04-12 | 余姚市华耀工具科技有限公司 | 胆部规则度分析系统 |
CN111242169A (zh) * | 2019-12-31 | 2020-06-05 | 浙江工业大学 | 一种基于图片相似度计算的脑纤维视角自动选择方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040128164A1 (en) * | 2002-12-31 | 2004-07-01 | Dejarnette Research Systems, Inc. | Breakaway interfacing of radiological images with work orders |
CN1760881A (zh) * | 2005-11-14 | 2006-04-19 | 南京大学 | 在计算机辅助诊断装置中利用未诊断病例的预测建模方法 |
CN103324853A (zh) * | 2013-06-25 | 2013-09-25 | 上海交通大学 | 基于医学图像特征的相似度计算系统及方法 |
CN106897573A (zh) * | 2016-08-01 | 2017-06-27 | 12西格玛控股有限公司 | 使用深度卷积神经网络的用于医学图像的计算机辅助诊断系统 |
US20170344856A1 (en) * | 2016-05-24 | 2017-11-30 | Siemens Healthcare Ag | Apparatus and method for visualizing tissue macro- and microstructure for pathology evaluation in magnetic resonance imaging |
-
2018
- 2018-05-04 CN CN201810420520.6A patent/CN108648183B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040128164A1 (en) * | 2002-12-31 | 2004-07-01 | Dejarnette Research Systems, Inc. | Breakaway interfacing of radiological images with work orders |
CN1760881A (zh) * | 2005-11-14 | 2006-04-19 | 南京大学 | 在计算机辅助诊断装置中利用未诊断病例的预测建模方法 |
CN103324853A (zh) * | 2013-06-25 | 2013-09-25 | 上海交通大学 | 基于医学图像特征的相似度计算系统及方法 |
US20170344856A1 (en) * | 2016-05-24 | 2017-11-30 | Siemens Healthcare Ag | Apparatus and method for visualizing tissue macro- and microstructure for pathology evaluation in magnetic resonance imaging |
CN106897573A (zh) * | 2016-08-01 | 2017-06-27 | 12西格玛控股有限公司 | 使用深度卷积神经网络的用于医学图像的计算机辅助诊断系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543623A (zh) * | 2018-11-26 | 2019-03-29 | 微医云(杭州)控股有限公司 | 一种基于核磁共振成像的胎儿发育状况预测装置 |
CN109602443A (zh) * | 2018-12-05 | 2019-04-12 | 余姚市华耀工具科技有限公司 | 胆部规则度分析系统 |
CN111242169A (zh) * | 2019-12-31 | 2020-06-05 | 浙江工业大学 | 一种基于图片相似度计算的脑纤维视角自动选择方法 |
CN111242169B (zh) * | 2019-12-31 | 2024-03-26 | 浙江工业大学 | 一种基于图片相似度计算的脑纤维视角自动选择方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108648183B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kurgan et al. | Knowledge discovery approach to automated cardiac SPECT diagnosis | |
US8423118B2 (en) | Model-based differential diagnosis of dementia and interactive setting of level of significance | |
US8170347B2 (en) | ROI-based assessment of abnormality using transformation invariant features | |
CN110121749A (zh) | 用于图像采集的深度学习医疗系统和方法 | |
CN1869996B (zh) | 医疗测量数据的后处理 | |
CN108648183A (zh) | 一种对spect脑部三维图像分析的方法 | |
US10521911B2 (en) | Identification of defects in imaging scans | |
DE102007003260A1 (de) | System und Verfahren zum Markieren und Identifizieren von Lymphknoten in medizinischen Bildern | |
CN106062755A (zh) | 用于识别医学图像采集参数的系统和方法 | |
CN107111867A (zh) | 多模态成像系统及方法 | |
CN104125841A (zh) | 控制方法和控制系统 | |
CN1977273A (zh) | 对病人临床趋势进行量化和监视它们的状态进展的系统和方法 | |
Papadimitroulas et al. | Investigation of realistic PET simulations incorporating tumor patientˈs specificity using anthropomorphic models: Creation of an oncology database | |
Sacha et al. | Bayesian learning for cardiac SPECT image interpretation | |
Acton et al. | Automatic segmentation of dynamic neuroreceptor single-photon emission tomography images using fuzzy clustering | |
CN110246580A (zh) | 基于神经网络和随机森林的颅侧面影像分析方法和系统 | |
Benyó | Identification of dental root canals and their medial line from micro-CT and cone-beam CT records | |
US20230410313A1 (en) | Image data processing to increase follow-up analysis fidelity | |
Slomka et al. | Automated three-dimensional quantification of myocardial perfusion and brain SPECT | |
CA2738124A1 (en) | Device for creating database of alternative normal brain | |
WO2021260928A1 (ja) | 吸収係数画像生成方法、核医学診断装置および学習済みモデルの作成方法 | |
CN113378898B (zh) | 基于相对熵损失函数卷积神经网络的脑龄预测方法 | |
US20220122261A1 (en) | Probabilistic Segmentation of Volumetric Images | |
CN112862342A (zh) | 基于人工智能的影像质量关键要素评价的智能判别方法 | |
Alsyed | Positron emission tomography image texture analysis |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210727 |
|
CF01 | Termination of patent right due to non-payment of annual fee |