CN109035208A - 高代谢区域的识别方法、装置及pet系统 - Google Patents
高代谢区域的识别方法、装置及pet系统 Download PDFInfo
- Publication number
- CN109035208A CN109035208A CN201810712645.6A CN201810712645A CN109035208A CN 109035208 A CN109035208 A CN 109035208A CN 201810712645 A CN201810712645 A CN 201810712645A CN 109035208 A CN109035208 A CN 109035208A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation threshold
- region
- hypermetabolism
- current operation
- 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
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
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Abstract
本发明实施例公开了一种高代谢区域的识别方法、装置及PET系统,其中,所述方法包括:获取兴趣点或兴趣区域的信号属性信息;根据所述信号属性信息分割图像,得到初始前景图像和初始背景图像;将所述初始前景图像和初始背景图像作为当前操作图像,计算当前操作图像的分割阈值,并根据所述分割阈值重新计算前景图像和背景图像;使用所述分割阈值重新计算前景图像和背景图像作为新的当前操作图像后,返回执行计算当前操作图像的分割阈值的操作,直至所述分割阈值满足预设的收敛条件;根据满足预设的收敛条件的分割阈值识别高代谢区域。对于代谢模糊区域的识别适应性好。提高了高代谢区域的识别准确率。
Description
技术领域
本发明涉及医学影像处理技术领域,尤其涉及一种高代谢区域的识别方法、装置及PET系统。
背景技术
正电子发射型计算机断层显像(Positron Emission Computed Tomography,PET),是核医学领域比较先进的临床检查影像技术。其具体原理为:将生物生命代谢中必须的物质,如:葡萄糖、蛋白质、核酸、脂肪酸,标记上短寿命的放射性核素,如18F,11C等,注入人体后,在衰变过程中释放出正电子,通过高度灵敏的照相机捕捉,并经计算机进行散射和随机信息的校正。经过对不同的正电子进行相同的分析处理,可以得到在生物体内聚集情况的三维图像。PET 是一种反映分子代谢的显像,当疾病早期处于分子水平变化阶段,病变区的形态结构尚未呈现异常,MRI、CT检查还不能明确诊断时,PET检查即可发现病灶所在,并可获得三维影像,还能进行定量分析,达到早期诊断的目的。
通常高代谢区域为疑似病灶区域,在进行定量分析时,通常需要确定高代谢区域的信号属性信息,例如面积等。目前,识别高代谢区域通常计算机自动识别的方式,即按照图像中的信号属性信息按照预设的阈值直接进行划分。上述方法存在如下问题:对于代谢模糊的区域往往不能够正确进行识别,预设的阈值并不一定适用于所有的PET图像,造成识别的高代谢区域误差较大。
发明内容
本发明实施例提供了一种高代谢区域的识别方法、装置及PET系统,以解决现有技术中对于高代谢区域的识别精度差的技术问题。
第一方面,本发明实施例提供了一种高代谢区域的识别方法,包括:
获取兴趣点或兴趣区域的信号属性信息;
根据所述信号属性信息分割图像,得到初始前景图像和初始背景图像;
将所述初始前景图像和初始背景图像作为当前操作图像,计算当前操作图像的分割阈值,并根据所述分割阈值重新计算前景图像和背景图像;
使用所述重新计算前景图像和背景图像作为新的当前操作图像后,返回执行计算当前操作图像的分割阈值的操作,直至所述分割阈值满足预设的收敛条件;
根据满足预设的收敛条件的分割阈值识别高代谢区域。
第二方面,本发明实施例还提供了一种高代谢区域的识别装置,包括:
信号属性信息获取模块,用于获取兴趣点或兴趣区域的信号属性信息;
分割模块,用于根据所述信号属性信息分割图像,得到初始前景图像和初始背景图像;
图像计算模块,用于将所述初始前景图像和初始背景图像作为当前操作图像,计算当前操作图像的分割阈值,并根据所述分割阈值重新计算前景图像和背景图像;
分割阈值计算模块,用于使用所述重新计算前景图像和背景图像作为新的当前操作图像后,返回执行计算当前操作图像的分割阈值的操作,直至所述分割阈值满足预设的收敛条件;
识别模块,用于根据满足预设的收敛条件的分割阈值识别高代谢区域。
第三方面,本发明实施例还提供了一种正电子发射计算机断层显像系统,包括:
用于接收病体内放射性药物发出信号的扫描仪,用于根据所述信号生成影响的成像装置,和图像识别器,其中,所述图像识别器用于:获取兴趣点或兴趣区域的信号属性信息;根据所述信号属性信息分割图像,得到初始前景图像和初始背景图像;将所述初始前景图像和初始背景图像作为当前操作图像,计算当前操作图像的分割阈值,并根据所述分割阈值重新计算前景图像和背景图像;使用所述重新计算前景图像和背景图像作为新的当前操作图像后,返回执行计算当前操作图像的分割阈值的操作,直至所述分割阈值满足预设的收敛条件;根据满足预设的收敛条件的分割阈值识别高代谢区域。
本发明实施例提供的高代谢区域的识别方法、装置及PET系统,通过将选取的兴趣点或者兴趣区域的信号属性信息对图像进行分割,并通过迭代法计算得到最优的分割阈值,并根据最优分割阈值识别高代谢区域。由于采用医生选定的信号属性信息作为初始分割值,对于代谢模糊区域的识别适应性好,此外,通过迭代法生成的最优的分割阈值对于代谢模糊区域识别效果较好,提高了高代谢区域的识别准确率。
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是本发明实施例一提供的高代谢区域的识别方法的流程示意图;
图2是本发明实施例二提供的高代谢区域的识别方法的流程示意图;
图3是本发明实施例三提供的高代谢区域的识别方法的流程示意图;
图4是本发明实施例四提供的高代谢区域的识别方方法的流程示意图;
图5是本发明实施例五提供的高代谢区域的识别装置的结构示意图;
图6是本发明实施例六提供的一种正电子发射计算机断层显像系统的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的高代谢区域的识别方法的流程示意图,本实施例的方法适用于在PET医学图像中识别高代谢区域的情况。可以由高代谢区域的识别装置来执行,该装置可通过硬件和/或软件的方式实现,并一般可以应用于PET系统中。
参见图1,所述高代谢区域的识别方法,包括:
S110,获取兴趣点或兴趣区域的信号属性信息。
兴趣区域(region of interest,ROI),通常是在被处理的图像以方框、圆、椭圆或者不规则多边形等方式勾勒出需要处理的区域。相应的,兴趣点 (Point of Interest,POI)是在被处理的图像中选取的具体的点。在本实施例中,可以通过监听用户在所述图像的显示操作,确定兴趣点或者兴趣区域。
示例性的,所述获取兴趣点或兴趣区域的信号属性信息,可以包括:接收悬停操作或者区域选取操作指令;获取所述悬停操作对应点的信号属性信息, 或获取所述区域的属性平均信息。
目前,通常采用PET-CT融合技术,由PET提供病灶详尽的功能与代谢等分子信息,而CT提供病灶的精确解剖定位。通常在PET-CT中所显示的图像都是根据CT信号和PET信号利用三维重建技术构建对应的三维模型,可以展现被检测物体的三维结构与形态,使医生可以多方位地观察物体的结构。
具体的,由于三维模型由多个截面所组成,因此在需要查看截面信息时,往往选用悬停操作来读取相应的截面信息。因此,可以在检测到悬停操作时,将所述悬停操作对应的点作为兴趣点。相似的,可以在检测到选取操作时,将选取操作对应的区域作为兴趣区域。
兴趣点或者兴趣区域是图像中的一部分,其相应的也具备信号属性信息。在本实施例中,所述信号属性信息包括:SUV值,标准摄取值(standard uptake value,SUV)是pet在肿瘤诊断中常用的半定量指标,是指局部组织摄取的显像剂的放射性活度与全身平均注射活度。SUV=病灶的放射性浓度 (kBq/ml)/注射剂量(MBq)/体重(kg)。SUV值可以用来表征代谢程度。利用SUV 值可以对代谢程度更好的进行区别。
对于兴趣点,可将该兴趣点的SUV值作为兴趣点的信号属性信息。对于兴趣区域则可将该兴趣区域内的所有点的SUV值的特征作为信号属性信息。示例性的,可以将该兴趣区域的SUV平均值、最大和最小SUV值的平均值或者最大和最小SUV值的平方和的平方根等。可以根据实际使用情况进行选择。
S120,根据所述信号属性信息分割图像,得到初始前景图像和初始背景图像。
通常对于前景和背景具有明显对比的图像,可以采用全局阈值分割处理的方法对图像进行分割。以得到初始前景图像和初始背景图像。示例性的,可以将选取的信号属性信息作为阈值,例如,将SUV值小于上述步骤得到的信号属性信息的像素点设置为0,将SUV值小于上述步骤得到的信号属性信息的像素点设置为1。则将设置为1的像素点集合分割为初始前景图像,将设置为0的像素点集合分割为初始背景图像。由于医生所选取的兴趣点或者兴趣区域的图像特征较明显,因此,基于所述信号属性信息可先分割一个较小区域且特征明显的前景图像。
S130,将所述初始前景图像和初始背景图像作为当前操作图像,计算所述当前操作图像的分割阈值,并根据所述分割阈值重新计算前景图像和背景图像。
在按照所述信号属性信息将图像分割为前景图像和背景图像后,明确前景图像和背景图像的区域。基于划分后的前景图像和背景图像在图像中的信号属性信息继续计算一个新的分割阈值。示例性的,可以基于前景图像计算其属性平均值,基于背景图像计算其属性平均值,并计算前景图像的属性平均值与背景图像的属性平均值的平均值,将该平均值作为图像的分割阈值。即
T=(H1+H2)/2;其中,T为分割阈值,H1为前景图像的属性平均值,H2为背景图像的属性平均值。
将上述计算得到的分割阈值按照上述步骤中的前景图像和背景图像的划分方法重新对图像进行划分,得到新的前景图像和背景图像。
S140,使用所述分割阈值重新计算前景图像和背景图像作为新的当前操作图像后,返回执行计算当前操作图像的分割阈值的操作,直至所述分割阈值满足预设的收敛条件。
在按照所述信号属性信息将图像分割为前景图像和背景图像后,明确前景图像和背景图像的区域。基于划分后的前景图像和背景图像在图像中的信号属性信息重复计算一个新的分割阈值。即将当前计算得到的分割阈值计算得到新的前景图像和背景图像。并根据新的前景图像和背景图像再次计算得到一个新的分割阈值。依次迭代,直到计算得到的分割阈值满足预设的收敛条件。迭代法是基于逼近的思想,以期待得到最接近的结果。计算圆周率即是迭代法思想的体现。如果图像目标和背景相差不大,采用迭代法对图像进行分割,可以得到满意的分割结果。迭代法特别适用于代谢模糊区域的识别。
优选的,可以将所述根据所述当前操作图像计算分割阈值,具体优化为:根据预设的权重值计算当前操作图像的分割阈值。示例性的,所述权重值可根据经验得到。可以根据预设的权重值调整前景图像和背景图像所占的比例。并根据调整后的前景图像和背景图像计算分割阈值。例如:可以通过如下方式调整前景图像和背景图像所占的比例:
X1=a*X,Y1=(1-a)*Y,a<1;其中,X为前景图像,Y为背景图像,a为权重值,X1为调整后的前景图像,Y1为调整后的背景图像。预设的权重值可以适用于每次迭代过程,或者也可以为每次迭代过程设定不同的权重值。
其中,预设的收敛条件可以根据所需要的分割结果确定。例如,可以将前次计算得到的分割阈值与当前计算得到的分割阈值之间的差值小于预设的范围作为收敛条件。其中预设的范围可根据设计的分割精度来选择。
S150,根据满足预设的收敛条件的分割阈值识别高代谢区域。
满足预设的收敛条件的分割阈值为最优阈值,根据所述分割阈值划分前景图像和背景图像,其中的前景图像即为高代谢区域。
本发明实施例通过将选取的兴趣点或者兴趣区域的信号属性信息对图像进行分割,并通过迭代法计算得到最优的分割阈值,并根据最优分割阈值识别高代谢区域。由于采用医生选定的信号属性信息作为初始分割值,对于代谢模糊区域的识别适应性好,此外,通过迭代法生成的最优的分割阈值对于代谢模糊区域识别效果较好,提高了高代谢区域的识别准确率。
在本实施例的一个优选实施方式中,在根据满足预设的收敛条件的分割阈值识别高代谢区域之后,还包括:获取并显示所述高代谢区域的参数信息。高代谢区域的参数信息对于医生诊断具有重要的参考价值。在本实施例中,所述高代谢区域的参数信息可以包括:高代谢区域的平均SUV值,最大和最小SUV 值、高代谢区域的横截面面积,以及横截面的长轴和短轴等。基于上述识别的高代谢区域,可获取高代谢区域的参数信息,并将所述高代谢区域进行显示。示例性的,可在图像上生成一个对话框,在对话框中显示参数信息。供医生查看。可以减少医生为查找所述属性信息的操作,提升了医生诊断的效率。
实施例二
图2是本发明实施例二提供的一种高代谢区域的识别方法的流程示意图。本发明实施例在上述实施例的基础上进行优化,具体的,将所述预设的收敛条件具体优化为:当前计算得到的分割阈值小于等于前次计算得到的分割阈值。
参见图2,所述高代谢区域的识别方法,包括:
S210,获取兴趣点或兴趣区域的信号属性信息。
S220,根据所述信号属性信息分割图像,得到初始前景图像和初始背景图像。
S230,将所述初始前景图像和初始背景图像作为当前操作图像,计算当前操作图像的分割阈值,并根据所述分割阈值重新计算前景图像和背景图像。
S240,使用所述分割阈值重新计算前景图像和背景图像作为新的当前操作图像后,返回执行计算当前操作图像的分割阈值的操作,直至当前计算得到的分割阈值小于等于前次计算得到的分割阈值。
在本实施例中,由于是采用迭代思想来计算分割阈值。即不断用变量的旧值递推新值的过程。在何种情况下结束迭代过程,对于迭代最终的结果有着重要的影响。具体对应本实施例,其目的是使所述计算得到的分割阈值尽量接近于理想的分割阈值,同时也尽可能的减少相应的计算量。以尽快识别并显示高代谢区域。即尽可能的以最少的运算次数得到一个相对准确的结果。因此,在本实施例中,可以将当前计算得到的分割阈值小于等于前次计算得到的分割阈值作为预设的收敛条件。在正常的迭代运算中,其分割阈值应该是不断的增大,才能够不断生成新的更大的前景图像区域。因此,分割阈值小于等于前次计算得到的分割阈值,则说明已经不再收敛,当前计算得到的分割阈值是目前迭代法中最接近理想分割阈值的数值。如果需要得到更加精确的分割阈值,也可将上次计算得到的分割阈值增加相应的位数,即将上次计算得到的分割阈值置于更小的区间内进行迭代。以得到更准确的分割阈值。
S250,根据所述前次计算得到的分割阈值识别高代谢区域。
由于当前计算得到的分割阈值已经不符合收敛条件,则利用所述前次计算得到的分割阈值计算前景图像,并将前景图像作为高代谢区域。
本发明实施例通过将所述预设的收敛条件具体优化为:当前计算得到的分割阈值小于等于前次计算得到的分割阈值。可以在相对经济的运算量的前提下,得到较准确的分割阈值。能够减少分割阈值的迭代运算量,节省了运算时间。
实施例三
图3是本发明实施例三提供的一种高代谢区域的识别方法的流程示意图。本发明实施例在上述实施例的基础上进行优化,具体的,在根据所述分割阈值重新计算前景图像和背景图像之后,返回执行计算当前操作图像的分割阈值的操作之前,增加如下步骤:判断分割阈值的当前计算次数是否超过预设的计算次数阈值。相应的,将所述计算当前操作图像的分割阈值,具体优化为:在分割阈值的当前计算次数未超过预设的计算次数阈值时,返回执行计算当前操作图像的分割阈值的操作。
参见图3,所述高代谢区域的识别方法,包括:
S310,获取兴趣点或兴趣区域的信号属性信息。
S320,根据所述信号属性信息分割图像,得到初始前景图像和初始背景图像。
S330,将所述初始前景图像和初始背景图像作为当前操作图像,计算当前操作图像的分割阈值,并根据所述分割阈值重新计算前景图像和背景图像。
S340,判断分割阈值的当前计算次数是否超过预设的计算次数阈值,使用所述重新计算前景图像和背景图像作为新的当前操作图像后,在分割阈值的当前计算次数未超过预设的计算次数阈值时,返回执行计算当前操作图像的分割阈值的操作,直至所述分割阈值满足预设的收敛条件。
由于迭代预算的初始分割阈值是根据医生的选取操作来确定的。如果根据医生选取的初始分割阈值不能表征高代谢区域的图像属性,例如,医生选取的点位于高代谢区域的边缘。那么根据所选取的点进行迭代预算,则会出现每次迭代计算得到的分割阈值与上次计算得到的分割阈值差别较小,即每次迭代的运算结果以较小的步长向理想的分割阈值结果逼近。这样会导致运算量增大,运算时间增长,消耗更多的系统资源。甚至会导致系统崩溃。因此,需要对迭代的次数进行限制。在本实施例中,在每次进行迭代运算之前,需要判断分割阈值的当前计算次数是否超过预设的计算次数阈值。如果没有超过预设的计算次数阈值,则正常进行迭代运算。所述计算次数阈值可以根据经验值来确定。
S350,根据满足预设的收敛条件的分割阈值识别高代谢区域。
本实施例通过在根据所述分割阈值重新计算前景图像和背景图像之后,返回执行计算当前操作图像的分割阈值的操作之前,增加如下步骤:判断分割阈值的当前计算次数是否超过预设的计算次数阈值。相应的,将所述计算当前操作图像的分割阈值,具体优化为:在分割阈值的当前计算次数未超过预设的计算次数阈值时,返回执行计算当前操作图像的分割阈值的操作。可以避免由于医生选取的兴趣点或者兴趣区域错误所产生的迭代计算量过大的问题。能够有效控制计算量和计算时长。
在本实施例的一个优选实施方式中,所述方法还包括:在分割阈值的当前计算次数超过预设的计算次数阈值时,发出错误提示。如上所述,分割阈值的当前计算次数超过预设的计算次数阈值通常都是由医生选取的兴趣点或者兴趣区域错误产生的,因此,需要发出提示,以使得医生重新选取兴趣点或者兴趣区域。并可根据重新选取的兴趣点或者兴趣区域来迭代计算分割阈值。以生成最终的高代谢区域。
实施例四
图4是本发明实施例四提供的一种高代谢区域的识别方法的流程示意图。本发明实施例在上述实施例的基础上进行优化,具体的,在根据满足预设的收敛条件的分割阈值识别高代谢区域之后,增加如下步骤:勾勒所述高代谢区域的边缘;接收对所述高代谢边缘的调整操作,并根据所述调整操作重新勾勒所述高代谢区域的边缘。
参见图4,所述高代谢区域的识别方法,包括:
S410,获取兴趣点或兴趣区域的信号属性信息。
S420,根据所述信号属性信息分割图像,得到初始前景图像和初始背景图像。
S430,将所述初始前景图像和初始背景图像作为当前操作图像,计算当前操作图像的分割阈值,并根据所述分割阈值重新计算前景图像和背景图像。
S440,使用所述分割阈值重新计算前景图像和背景图像作为新的当前操作图像后,返回执行计算所述当前操作图像的分割阈值的操作,直至所述分割阈值满足预设的收敛条件;
S450,根据满足预设的收敛条件的分割阈值识别高代谢区域。
S460,勾勒所述高代谢区域的边缘。
在识别高代谢区域后,可以在图像中勾勒出高代谢区域的边界,以使得医生可以从图像中明确高代谢区域的边界。
S470,接收对所述高代谢边缘的调整操作,并根据所述调整操作重新勾勒所述高代谢区域的边缘。
上述高代谢区域的识别方法对于初始采集得到的信号有一定要求,如果采集到的信号中信号出现断续,那么上述方法识别的高代谢区域可能和实际有偏差。在本实施例中,允许医生通过经验对识别得到的高代谢区域进行调整。示例性的,医生可以通过外接设备例如鼠标或者滚轮等对边缘进行调整,接收接收对所述高代谢边缘的调整操作,并根据所述调整操作重新勾勒所述高代谢区域的边缘。
本实施例通过在根据满足预设的收敛条件的分割阈值识别高代谢区域之后,增加如下步骤:勾勒所述高代谢区域的边缘;接收对所述高代谢边缘的调整操作,并根据所述调整操作重新勾勒所述高代谢区域的边缘。可以在信号不理想的情况下,通过医生手动调整,以更准确的识别高代谢区域。
实施例五
图5是本发明实施例五提供的高代谢区域的识别装置的结构示意图,如图5 所示,所述装置包括:
信号属性信息获取模块510,用于获取兴趣点或兴趣区域的信号属性信息;
分割模块520,用于根据所述信号属性信息分割图像,得到初始前景图像和初始背景图像;
图像计算模块530,用于将所述初始前景图像和初始背景图像作为当前操作图像,计算当前操作图像的分割阈值,并根据所述分割阈值重新计算前景图像和背景图像;
分割阈值计算模块540,用于使用所述重新计算前景图像和背景图像作为新的当前操作图像后,返回执行计算当前操作图像的分割阈值的操作,直至所述分割阈值满足预设的收敛条件;
识别模块550,用于根据满足预设的收敛条件的分割阈值识别高代谢区域。
本发明实施例提供的高代谢区域的识别装置,通过将选取的兴趣点或者兴趣区域的信号属性信息对图像进行分割,并通过迭代法计算得到最优的分割阈值,并根据最优分割阈值识别高代谢区域。由于采用医生选定的信号属性信息作为初始分割值,对于代谢模糊区域的识别适应性好,此外,通过迭代法生成的最优的分割阈值对于代谢模糊区域识别效果较好,提高了高代谢区域的识别准确率。
在上述各实施例的基础上,所述预设的收敛条件包括:
当前计算得到的分割阈值小于等于前次计算得到的分割阈值。
在上述各实施例的基础上,所述装置还包括:
计算阈值判断模块,用于判断分割阈值的当前计算次数是否超过预设的计算次数阈值;
相应的,所述分割阈值计算模块,包括:
操作返回单元,用于在分割阈值的当前计算次数未超过预设的计算次数阈值时,返回执行计算当前操作图像的分割阈值的操作。
在上述各实施例的基础上,所述装置还包括:
提示模块,用于在分割阈值的当前计算次数超过预设的计算次数阈值时,发出错误提示。
在上述各实施例的基础上,所述信号属性信息获取模块用于:
接收悬停操作或者区域选取操作指令;或
获取所述悬停操作对应点的信号属性信息,或获取所述区域的属性平均信息。
在上述各实施例的基础上,所述图像计算模块,包括:
分割阈值计算单元,用于根据预设的权重值计算当前操作图像的分割阈值。
在上述各实施例的基础上,所述装置还包括:
勾勒模块,用于勾勒所述高代谢区域的边缘;
边缘勾勒模块,用于接收对所述高代谢边缘的调整操作,并根据所述调整操作重新勾勒所述高代谢区域的边缘。
在上述各实施例的基础上,所述装置还包括:
参数信息获取模块,用于获取并显示所述高代谢区域的参数信息。
本发明实施例所提供高代谢区域的识别装置可用于执行本发明任意实施例提供的高代谢区域的识别方法,具备相应的功能模块,实现相同的有益效果。
实施例六
图6为本发明实施例六提供的一种正电子发射计算机断层显像系统的结构示意图。图6显示的系统仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,正电子发射计算机断层显像系统,包括:用于接收病体内放射性药物发出信号的扫描仪610,用于根据所述信号生成影像的成像装置620,和图像识别器630,其中,所述图像识别器用于:获取兴趣点或兴趣区域的信号属性信息;根据所述信号属性信息分割图像,得到初始前景图像和初始背景图像;将所述初始前景图像和初始背景图像作为当前操作图像,计算当前操作图像的分割阈值,并根据所述分割阈值重新计算前景图像和背景图像;使用所述重新计算前景图像和背景图像作为新的当前操作图像后,返回执行计算当前操作图像的分割阈值的操作,直至所述分割阈值满足预设的收敛条件;根据满足预设的收敛条件的分割阈值识别高代谢区域。
所述正电子发射计算机断层显像系统可实现上述实施例提供的高代谢区域的识别方法,具备相同的功能,在此不做赘述。
显然,本领域技术人员应该明白,上述本发明的各模块或各步骤可以通过如上所述的设备实施。可选地,本发明实施例可以用计算机装置可执行的程序来实现,从而可以将它们存储在存储装置中由处理器来执行,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等;或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种高代谢区域的识别方法,其特征在于,包括:
获取兴趣点或兴趣区域的信号属性信息;
根据所述信号属性信息分割图像,得到初始前景图像和初始背景图像;
将所述初始前景图像和初始背景图像作为当前操作图像,计算当前操作图像的分割阈值,并根据所述分割阈值重新计算前景图像和背景图像;
使用所述分割阈值重新计算前景图像和背景图像作为新的当前操作图像后,返回执行计算当前操作图像的分割阈值的操作,直至所述分割阈值满足预设的收敛条件;
根据满足预设的收敛条件的分割阈值识别高代谢区域。
2.根据权利要求1所述的方法,其特征在于,所述预设的收敛条件包括:
当前计算得到的分割阈值小于等于前次计算得到的分割阈值。
3.根据权利要求2所述的方法,其特征在于,在根据所述分割阈值重新计算前景图像和背景图像之后,返回执行计算当前操作图像的分割阈值的操作之前,还包括:
判断分割阈值的当前计算次数是否超过预设的计算次数阈值;
所述计算当前操作图像的分割阈值,包括:
在分割阈值的当前计算次数未超过预设的计算次数阈值时,返回执行计算当前操作图像的分割阈值的操作。
4.根据权利要求4所述的方法,其特征在于,所述方法还包括:
在分割阈值的当前计算次数超过预设的计算次数阈值时,发出错误提示。
5.根据权利要求1所述的方法,其特征在于,所述获取兴趣点或兴趣区域的信号属性信息,包括:
接收悬停操作或者区域选取操作指令;或
获取所述悬停操作对应点的信号属性信息,或获取所述区域的属性平均信息。
6.根据权利要求1所述的方法,其特征在于,所述计算当前操作图像的分割阈值,包括:
根据预设的权重值计算当前操作图像的分割阈值。
7.根据权利要求1所述的方法,其特征在于,在根据满足预设的收敛条件的分割阈值识别高代谢区域之后,还包括:
勾勒所述高代谢区域的边缘;
接收对所述高代谢边缘的调整操作,并根据所述调整操作重新勾勒所述高代谢区域的边缘。
8.根据权利要求1所述的方法,其特征在于,在根据满足预设的收敛条件的分割阈值识别高代谢区域之后,还包括:
获取并显示所述高代谢区域的参数信息。
9.一种高代谢区域的识别装置,其特征在于,包括:
信号属性信息获取模块,用于获取兴趣点或兴趣区域的信号属性信息;
分割模块,用于根据所述信号属性信息分割图像,得到初始前景图像和初始背景图像;
图像计算模块,用于将所述初始前景图像和初始背景图像作为当前操作图像,计算当前操作图像的分割阈值,并根据所述分割阈值重新计算前景图像和背景图像;
分割阈值计算模块,用于使用所述重新计算前景图像和背景图像作为新的当前操作图像后,返回执行计算当前操作图像的分割阈值的操作,直至所述分割阈值满足预设的收敛条件;
识别模块,用于根据满足预设的收敛条件的分割阈值识别高代谢区域。
10.一种正电子发射计算机断层显像系统,其特征在于,包括:用于接收病体内放射性药物发出信号的扫描仪,用于根据所述信号生成影像的成像装置,和图像识别器,其中,所述图像识别器用于:获取兴趣点或兴趣区域的信号属性信息;根据所述信号属性信息分割图像,得到初始前景图像和初始背景图像;将所述初始前景图像和初始背景图像作为当前操作图像,计算当前操作图像的分割阈值,并根据所述分割阈值重新计算前景图像和背景图像;使用所述重新计算前景图像和背景图像作为新的当前操作图像后,返回执行计算当前操作图像的分割阈值的操作,直至所述分割阈值满足预设的收敛条件;根据满足预设的收敛条件的分割阈值识别高代谢区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810712645.6A CN109035208A (zh) | 2018-06-29 | 2018-06-29 | 高代谢区域的识别方法、装置及pet系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810712645.6A CN109035208A (zh) | 2018-06-29 | 2018-06-29 | 高代谢区域的识别方法、装置及pet系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109035208A true CN109035208A (zh) | 2018-12-18 |
Family
ID=65522314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810712645.6A Pending CN109035208A (zh) | 2018-06-29 | 2018-06-29 | 高代谢区域的识别方法、装置及pet系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035208A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538500A (zh) * | 2021-09-10 | 2021-10-22 | 科大讯飞(苏州)科技有限公司 | 图像分割方法、装置、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070081712A1 (en) * | 2005-10-06 | 2007-04-12 | Xiaolei Huang | System and method for whole body landmark detection, segmentation and change quantification in digital images |
CN103099634A (zh) * | 2011-10-14 | 2013-05-15 | 美国西门子医疗解决公司 | 用于校正医学成像数据的方法和装置 |
CN103942785A (zh) * | 2014-04-09 | 2014-07-23 | 苏州大学 | 一种基于图割的pet和ct图像的肺肿瘤分割方法 |
CN104715484A (zh) * | 2015-03-20 | 2015-06-17 | 中国科学院自动化研究所 | 基于改进的水平集的自动肿瘤区域分割方法 |
CN107945203A (zh) * | 2017-11-24 | 2018-04-20 | 中国科学院高能物理研究所 | Pet图像处理方法及装置、电子设备、存储介质 |
US20180165808A1 (en) * | 2016-06-27 | 2018-06-14 | University Of Central Florida Research Foundation, Inc. | System and method for image-based quantification of white and brown adipose tissue at the whole-body, organ and body-region levels |
CN108805892A (zh) * | 2018-06-01 | 2018-11-13 | 南方医科大学 | 一种pet图像鼻咽癌瘤内异质性的定量刻画方法 |
-
2018
- 2018-06-29 CN CN201810712645.6A patent/CN109035208A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070081712A1 (en) * | 2005-10-06 | 2007-04-12 | Xiaolei Huang | System and method for whole body landmark detection, segmentation and change quantification in digital images |
CN103099634A (zh) * | 2011-10-14 | 2013-05-15 | 美国西门子医疗解决公司 | 用于校正医学成像数据的方法和装置 |
CN103942785A (zh) * | 2014-04-09 | 2014-07-23 | 苏州大学 | 一种基于图割的pet和ct图像的肺肿瘤分割方法 |
CN104715484A (zh) * | 2015-03-20 | 2015-06-17 | 中国科学院自动化研究所 | 基于改进的水平集的自动肿瘤区域分割方法 |
US20180165808A1 (en) * | 2016-06-27 | 2018-06-14 | University Of Central Florida Research Foundation, Inc. | System and method for image-based quantification of white and brown adipose tissue at the whole-body, organ and body-region levels |
CN107945203A (zh) * | 2017-11-24 | 2018-04-20 | 中国科学院高能物理研究所 | Pet图像处理方法及装置、电子设备、存储介质 |
CN108805892A (zh) * | 2018-06-01 | 2018-11-13 | 南方医科大学 | 一种pet图像鼻咽癌瘤内异质性的定量刻画方法 |
Non-Patent Citations (2)
Title |
---|
WALTER JENTZEN ET AL;: "《Segmentation of PET Volumes by Iterative Image Thresholding》", 《THE JOURNAL OF NUCLEAR MEDICINE》 * |
张晓慧: "《基于PET_CT低剂量扫描的疑似恶性肺结节分割方法研究》", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538500A (zh) * | 2021-09-10 | 2021-10-22 | 科大讯飞(苏州)科技有限公司 | 图像分割方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2545526B1 (en) | Region of interest definition in cardiac imaging | |
Bowsher et al. | Bayesian reconstruction and use of anatomical a priori information for emission tomography | |
Kurgan et al. | Knowledge discovery approach to automated cardiac SPECT diagnosis | |
US8150113B2 (en) | Method for lung lesion location identification | |
RU2413245C2 (ru) | Обработка изображений позитронно-эмиссионной томографии с использованием анатомической маски режима списка | |
US7646903B2 (en) | System and method for path based tree matching | |
US7567696B2 (en) | System and method for detecting the aortic valve using a model-based segmentation technique | |
CN102473302B (zh) | 用于感兴趣肿瘤区域定义的解剖结构建模 | |
US7711160B2 (en) | Automatic optimal view determination for cardiac acquisitions | |
US9098912B2 (en) | Method, system and computer readable medium for automatic segmentation of a medical image | |
JP2013522712A5 (zh) | ||
US9953442B2 (en) | Image construction with multiple clustering realizations | |
Li et al. | DenseX-net: an end-to-end model for lymphoma segmentation in whole-body PET/CT images | |
CN100592336C (zh) | 医学图像配准的系统和方法 | |
CN109035208A (zh) | 高代谢区域的识别方法、装置及pet系统 | |
US9760988B2 (en) | Myocardial clusterification and orientation | |
CN112529977A (zh) | 一种pet图像重建的方法和系统 | |
US20230222771A1 (en) | Method and system for automatic classification of radiographic images having different acquisition characteristics | |
CN108805947B (zh) | Pet数据处理方法和设备、pet成像系统 | |
Salomon et al. | Attenuation corrected cardiac spect imaging using simultaneous reconstruction and a priori information | |
Szűcs et al. | Self-supervised segmentation of myocardial perfusion imaging SPECT left ventricles | |
CN111524201A (zh) | 图像重建速度的检测方法、计算机可读存储介质和设备 | |
Bal et al. | Parametric image formation using clustering for dynamic cardiac SPECT | |
Schretter | Event-by-event image reconstruction from list-mode PET data | |
Sakboonyarat et al. | U-Net for Efficient Liver Segmentation from 3D CT Data |
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: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |