CN109377522B - 一种肺结节医学影像配准方法及其装置 - Google Patents
一种肺结节医学影像配准方法及其装置 Download PDFInfo
- Publication number
- CN109377522B CN109377522B CN201811224650.9A CN201811224650A CN109377522B CN 109377522 B CN109377522 B CN 109377522B CN 201811224650 A CN201811224650 A CN 201811224650A CN 109377522 B CN109377522 B CN 109377522B
- Authority
- CN
- China
- Prior art keywords
- tubercle
- image
- lung
- characteristic pattern
- medical image
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- 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
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)
- Image Analysis (AREA)
Abstract
本发明提供了一种肺结节医学影像配准方法及其装置,其中所述方法包括:对患者的不同时间点的肺结节医学影像通过阈值分割方法进行肺区分割,得到肺区分割图像;利用特征采集神经网络模型对所述分割图像进行特征提取,得到每个结节对应的结节特征图;对每个结节特征图进行识别,确定不同时间点的每个结节特征图之间的对应关系;根据对应关系,输出配准结果信息。本发明所提供的方法基于神经网络技术,算法简单,识别效率高,大大减少了配准时间,并且可实现精准配准肺部影像中的结节,提高了准确率。
Description
技术领域
本发明涉及图像识别技术领域,更具体地说,涉及一种肺结节医学影像配准方法及其装置。
背景技术
在做医学图像分析时,经常要将同一患者几幅图像放在一起分析,从而得到该患者的多方面的综合信息,提高医学诊断和治疗的水平。对几幅不同的图像作定量分析,首先要解决这几幅图像的严格对齐问题,这就是所述的图像配准。医学图像配准是指对于一幅医学图像寻求一种(或一系列)空间变换,使它与另一幅医学图像上的对应点达到空间上的一致。这种一致是指人体上的同一解剖点在两张匹配图像上有相同的空间位置。配准的结果应使两幅图像上所有的解剖点,或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配。
现有医学图像配准方法,均为直接对于所获得的患者的医学影像进行识别,识别目标图像中存在有大量的噪声,导致配准时间长,在配准图像的数据运算量较大的情况下,大大降低了整体配准效率。此外,由于肺结节在医学影像中,在对横断面的断层扫描时,每个断层存在有支气管、血管、淋巴管,在医学影像中与结节形态极为相似,导致图像识别时无法对其进行准确分类,所以目前并没有专门针对肺结节的医学影像识别方法,这给医生在临床上对患者的及时准确高效率的诊断带来了巨大的不便。
发明内容
有鉴于此,本发明提供一种肺结节医学影像配准方法及其装置以解决现有技术的不足。
为解决上述问题,本发明提供一种肺结节医学影像配准方法,包括:
对患者的不同时间点的肺结节医学影像通过阈值分割方法进行肺区分割,得到每个肺结节医学影像对应的肺区分割图像;
利用预先训练的特征采集神经网络模型对所述分割图像进行特征提取,得到所述肺区分割图像中每个结节对应的结节特征图;
对每个所述结节特征图进行识别,确定不同时间点的肺结节医学影像对应的肺区分割图像中的每个所述结节特征图之间的对应关系;
根据所述对应关系,输出包括每个结节在不同时间点的变化情况的所述肺结节医学影像的配准结果信息。
优选地,所述“对每个所述结节特征图进行识别,确定不同时间点的肺结节医学影像对应的肺区分割图像中的每个所述结节特征图之间的对应关系”之前,还包括:
对每个所述结节特征图进行识别,获取每个结节特征图的图像特征;并且,获取每个结节特征图在所对应的肺结节医学影像中的相对定位信息,并将所述相对定位信息作为位置特征。
优选地,所述“对每个所述结节特征图进行识别,根据每个所述结节特征图的特征信息确定不同时间点的肺结节医学影像对应的肺区分割图像中的每个所述结节特征图之间的对应关系”包括:
将每两个所述结节特征图作为一个识别组,根据每个所述结节特征图对应的所述图像特征提取所有所述识别组中两个所述结节特征图互相匹配的识别组,作为图像识别关联组;
根据每个结节特征图的所述特征信息中的位置特征,筛选出所述图像识别关联组中两个所述结节特征图的位置相同的所述图像识别关联组,作为位置识别关联组;
构建所述位置识别关联组内的两个结节特征图之间的对应关系。
优选地,所述“将每两个所述结节特征图作为一个识别组,根据每个所述结节特征图对应的所述图像特征提取所有所述识别组中两个所述结节特征图互相匹配的识别组,作为图像识别关联组”包括:
计算每个所述识别组中,两个所述结节特征图的所述图像特征之间的欧氏距离,作为图像特征关系;
根据所述图像特征关系确定每两个所述结节特征图之间的匹配关系;
若所述识别组中的两个所述结节特征图之间的所述匹配关系为相同,则将所述识别组作为图像识别关联组。
优选地,所述“根据每个结节特征图的所述位置特征,筛选出所述图像识别关联组中两个所述结节特征图的位置相同的所述图像识别关联组,作为位置识别关联组”包括:
将每个所述图像识别关联组中的两个所述结节特征图的所述位置特征进行比对;
若所述位置特征对应的定位信息相同,则判定所述图像识别关联组中的两个所述结节特征图具有位置空间关联关系,并将具有位置空间关联关系的所述图像识别关联组作为位置识别关联组。
优选地,所述“根据所述图像特征关系确定每两个所述结节特征图之间的匹配关系”之后,还包括:
若所述识别组中的两个所述结节特征图之间的所述匹配关系为不相同,则将匹配关系为不相同的每个所述识别组中的两个所述结节特征图的所述位置特征进行比对;
若所述位置特征对应的定位信息相同,则判定所述匹配关系为不相同的所述识别组为结节异常组;
所述“根据所述对应关系,输出包括每个结节在不同时间点的变化情况的所述肺结节医学影像的配准结果信息”之后,还包括:
构建所述结节异常组中的两个结节特征图之间的异常对应关系,并将所述异常对应关系对应的结节在不同时间点出现的异常变化情况写入所述肺结节医学影像的配准结果信息。
此外,为解决上述问题,本发明还提供一种肺结节医学影像配准装置,包括:分割模块、提取模块、识别模块和输出模块;
所述分割模块,用于对患者的不同时间点的肺结节医学影像通过阈值分割方法进行肺区分割,得到每个肺结节医学影像对应的肺区分割图像;
所述提取模块,用于利用预先训练的特征采集神经网络模型对所述分割图像进行特征提取,得到所述肺区分割图像中每个结节对应的结节特征图;
所述识别模块,用于对每个所述结节特征图进行识别,确定不同时间点的肺结节医学影像对应的肺区分割图像中的每个所述结节特征图之间的对应关系;
所述输出模块,用于根据所述对应关系,输出包括每个结节在不同时间点的变化情况的所述肺结节医学影像的配准结果信息。
此外,为解决上述问题,本发明还提供一种用户终端,包括存储器以及处理器,所述存储器用于存储肺结节医学影像配准程序,所述处理器运行所述肺结节医学影像配准程序以使所述用户终端执行如上述所述肺结节医学影像配准方法。
此外,为解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有肺结节医学影像配准程序,所述肺结节医学影像配准程序被处理器执行时实现如上述所述肺结节医学影像配准方法。
本发明提供的一种肺结节医学影像配准方法及其装置。其中,本发明所提供的方法包括:对患者的不同时间点的肺结节医学影像通过阈值分割方法进行肺区分割,得到每个肺结节医学影像对应的肺区分割图像;利用预先训练的特征采集神经网络模型对所述分割图像进行特征提取,得到所述肺区分割图像中每个结节对应的结节特征图;对每个所述结节特征图进行识别,确定不同时间点的肺结节医学影像对应的肺区分割图像中的每个所述结节特征图之间的对应关系;根据所述对应关系,输出包括每个结节在不同时间点的变化情况的所述肺结节医学影像的配准结果信息。本发明通过在进行识别配准前,首先对肺结节医学影像进行阈值分割,得到肺区分割图像,进而通过特征采集神经网络模型获得结节特征图,进而通过图像识别找出每个结节特征图之间的对应关系,再通过对应关系实现对于肺结节医学影像的配准。本发明在进行图像识别配准前首先进行阈值分割,大大降低了图像中非肺部结节区域的噪声,减少了图像识别的工作量,提高了工作效率。并且,通过特征采集神经网络模型进行提取每个肺区分割图像中的结节特征图,进行建立相同的结节特征图之间的对应关系,从而确定出相同的结节在不同时间点的变化情况,进而根据对应关系,可进行进一步的对多个肺结节医学影像的配准,本发明所提供的方法基于神经网络技术,算法简单,识别效率高,大大减少了配准时间,并且可实现精准配准肺部影像中的结节,提高了准确率。
附图说明
图1为本发明肺结节医学影像配准方法实施例方案涉及的硬件运行环境的结构示意图;
图2为本发明肺结节医学影像配准方法第一实施例的流程示意图;
图3为本发明肺结节医学影像配准方法第二实施例的流程示意图;
图4为本发明肺结节医学影像配准方法第三实施例的流程示意图;
图5为本发明肺结节医学影像配准方法第三实施例的步骤S510和步骤S520的细化流程示意图;
图6为本发明肺结节医学影像配准方法第四实施例的流程示意图;
图7为本发明肺结节医学影像配准装置的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面详细描述本发明的实施例,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的终端的硬件运行环境的结构示意图。
本发明实施例终端可以是的PC,也可以是智能手机、平板电脑、便携计算机等具有一定运算能力的可移动式终端设备。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏、输入单元比如键盘、遥控器,可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器,例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。可选地,终端还可以包括RF(Radio Frequency,射频)电路、音频电路、WiFi模块等等。此外,移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、数据接口控制程序、网络连接程序以及肺结节医学影像配准程序。
本发明提供的一种肺结节医学影像配准方法及其装置。其中,所述方法基于神经网络技术,算法简单,识别效率高,大大减少了配准时间,并且可实现精准配准肺部影像中的结节,提高了准确率。
实施例1:
参照图2,本发明第一实施例提供一种肺结节医学影像配准方法,包括:
步骤S100,对患者的不同时间点的肺结节医学影像通过阈值分割方法进行肺区分割,得到每个肺结节医学影像对应的肺区分割图像;
上述,肺结节医学影像,即为患者进行的对肺部的CT扫描得到的医学影像,其中可能包含有肺部结节或其他组织。在本实施例中,所针对的为肺部断层扫描图像。
需要说明的是,CT(Computed Tomography),即电子计算机断层扫描,它是利用精确准直的X线束、γ射线、超声波等,与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描,具有扫描时间快,图像清晰等特点,可用于多种疾病的检查;根据所采用的射线不同可分为:X射线CT(X-CT)、超声CT(UCT)以及γ射线CT(γ-CT)等。
上述,患者为了获知肺部情况,在不同的时间点会进行对相同的部位,即肺部进行CT扫描,得到肺部的断层扫描图像,即肺结节医学影像。在进行检视时,需要对每一个相同的位置的结节进行比对,看其在不同的时间点是否发生变化,例如面积是否变大,形态是否发生改变等,从而判断该结节的发展情况,是否癌变,是否有进行进一步治疗的可能。
在进行不同时间点的医学影像的比对时,如果通过医生人工凭借肉眼去观察、查找结节位置,并进行比对,观察生长走势,则会在一定程度上耗费大量时间,增加医生的工作量,并且,比对结果极易发生漏查、多查等误差,为患者的进一步确诊和预防造成安全隐患。
本实施例中,提供一种肺结节医学影像配准方法,通过图像识别技术对肺结节医学影像进行配准,从而为医生对患者肺结节的定位、监测提供了方便。
上述,肺结节医学影像中,包含有人体肺区的图像,也包含有除人体肺区图像以外的区域,为无效识别区域。由于CT扫描根据分辨率的不同,所得到的医学影像可达到几十至二三百张图像,每张医学影像中均包含有无效识别区域,同一患者的不同时间点的肺结节医学影像的数据量较为庞大,在进行进一步的图像识别和配准中,会占用大量的系统资源,造成大大降低识别效率的问题,并且,其中可能含有大量噪声,也会对图像识别的准确度造成影响。
在本实施例中,在进行图像识别和配准之前,首先进行对于肺结节医学影像的阈值分割,通过阈值分割方法进行肺区分割,得到每个肺结节医学影像对应的肺区分割图像;即通过阈值分割,去除每个肺结节医学影像中的无效识别区域,保留可进行进一步识别的肺区,从而达到减少对于无效识别区域的识别所占用的系统资源,提高识别效率,为进一步的图像配准工作提供了方便。即,一方面,避免了肺部结节在肺外的误检出,另一方面大大降低了计算量。
步骤S200,利用预先训练的特征采集神经网络模型对所述分割图像进行特征提取,得到所述肺区分割图像中每个结节对应的结节特征图;
在本实施例中,特征采集神经网络模型为预先通过肺部的CT扫描图像和非肺部的CT扫描图像进行分类训练所得到的。
上述,本实施例中所使用的神经网络为5层神经网络,并将其作为特征采集器,进而通过特征采集器得到结节特征图。
每个肺区分割图像中,可能包含有多个不同的结节,每个结节通过特征采集神经网络模型,识别得到不同的对应的结节特征图。
上述,特征图就是经过神经网络提取出来的特征(feature map),这里要训练分类器来对是相同特征图,或不属于相同特征图进行分类。
步骤S300,对每个所述结节特征图进行识别,确定不同时间点的肺结节医学影像对应的肺区分割图像中的每个所述结节特征图之间的对应关系;
上述,每个肺结节医学影像中,可能包含有不同的结节,对应就有多个不同的结节特征图,不同时间点的肺结节医学影像中,即包含有多个结节特征图,这其中,可能包含有同一结节在不同时间点的发生变化的情况,所以本实施例中,通过图像识别技术,确定不同时间点的肺结节医学影像对应的肺区分割图像中的每个所述结节特征图之间的对应关系。
通过对应关系,可获知同一结节在不同时期的变化,即可通过对比的特征结节图是否为同一结节而实现。
步骤S400,根据所述对应关系,输出包括每个结节在不同时间点的变化情况的所述肺结节医学影像的配准结果信息。
进而输出配准结果信息,以实现对于该患者的不同时间点的肺结节医学影像的根据结节的配准。其中,配准结果信息中包括每个结节在不同时间点的变化情况。
本实施例通过在进行识别配准前,首先对肺结节医学影像进行阈值分割,得到肺区分割图像,进而通过特征采集神经网络模型获得结节特征图,进而通过图像识别找出每个结节特征图之间的对应关系,再通过对应关系实现对于肺结节医学影像的配准。本实施例在进行图像识别配准前首先进行阈值分割,大大降低了图像中非肺部结节区域的噪声,减少了图像识别的工作量,提高了工作效率。并且,通过特征采集神经网络模型进行提取每个肺区分割图像中的结节特征图,进行建立相同的结节特征图之间的对应关系,从而确定出相同的结节在不同时间点的变化情况,进而根据对应关系,可进行进一步的对多个肺结节医学影像的配准,本实施例所提供的方法基于神经网络技术,算法简单,识别效率高,大大减少了配准时间,并且可实现精准配准肺部影像中的结节,提高了准确率。
实施例2:
参照图3,本发明第二实施例提供一种肺结节医学影像配准方法,基于上述图2所示的第一实施例,所述步骤S300,“对每个所述结节特征图进行识别,确定不同时间点的肺结节医学影像对应的肺区分割图像中的每个所述结节特征图之间的对应关系”之前,还包括:
步骤S500,对每个所述结节特征图进行识别,获取每个结节特征图的图像特征;并且,获取每个结节特征图在所对应的肺结节医学影像中的相对定位信息,并将所述相对定位信息作为位置特征。
上述,每个结节特征图对应的通过识别得到一图像特征,并且,每个结节特征图在原肺结节医学影像中具有一对应的定位信息,即位置特征。其中,定位信息,可以为数据化的相对于原肺结节医学影像的坐标数据。
本实施例中,在步骤S300之前,步骤S200之后,即在得到结节特征图后,并且在进行确定结节特征图之间的对应关系之前,首先获取每一个结节特征图对应的图像特征和位置特征。其中,图像特征,可以为图像纹理、图像形态、大小尺寸等特征信息;位置特征,可以为数据坐标特征,或方位坐标特征等等。通过本实施例中所获得的图像特征和位置特征,可进一步进行通过上述特征的对于每个结节特征图的对应关系的确定。
实施例3:
参照图4-5,本发明第三实施例提供一种肺结节医学影像配准方法,基于上述图3所示的第二实施例,所述步骤S500,“对每个所述结节特征图进行识别,根据每个所述结节特征图的特征信息确定不同时间点的肺结节医学影像对应的肺区分割图像中的每个所述结节特征图之间的对应关系”包括:
步骤S510,将每两个所述结节特征图作为一个识别组,根据每个所述结节特征图对应的所述图像特征提取所有所述识别组中两个所述结节特征图互相匹配的识别组,作为图像识别关联组;
上述,不同时间点的肺结节医学影像,可以包含有一定数量的结节特征图,进而可将任意每两个结节特征图,组成一个识别组,根据图像特征,提取所有识别组中,其中包含有两个结节特征图胡相匹配的识别组,作为图像识别关联组,即为在图像中的结节形态层面上的对于所有结节特征图中,是否有相同或相似的结节特征图进行判断。如果改组中两个结节特征图中所包含的结节为疑似的同一个结节,即在图像形态或纹理层面上具有一定的相似性,则将改组作为图像识别关联组。
步骤S520,根据每个结节特征图的所述特征信息中的位置特征,筛选出所述图像识别关联组中两个所述结节特征图的位置相同的所述图像识别关联组,作为位置识别关联组;
在通过图像识别,基于图像特征,提取出所有识别组中两个结节特征图为同一结节的图像识别关联组后,再通过位置特征对每个图像识别关联组中的两个结节特征图的位置是否一致,进行判断,如果两个结节特征图为相同位置,则可判定该图像识别关联组种的两个结节特征图为同一结节。
步骤S530,构建所述位置识别关联组内的两个结节特征图之间的对应关系。
上述,对每个位置识别关联组内的两个结节特征图构建对应关系,以实现定位出每个肺结节医学影像中的每个结节在不同时间点的变化情况。在本实施例中,通过基于图像特征找出识别组中的图像识别关联组,进而通过位置特征提取出图像识别关联组中的位置识别关联组,从而通过两次对是否为同一结节的检验,找出相同的结节特征图,并建立对应关系,从而大大提高了对于结节配准的精确度。
所述步骤S510,“将每两个所述结节特征图作为一个识别组,根据每个所述结节特征图对应的所述图像特征提取所有所述识别组中两个所述结节特征图互相匹配的识别组,作为图像识别关联组”包括:
步骤S511,计算每个所述识别组中,两个所述结节特征图的所述图像特征之间的欧氏距离,作为图像特征关系;
上述,在数学中,欧几里得距离或欧几里得度量是欧几里得空间中两点间“普通”(即直线)距离。使用这个距离,欧氏空间成为度量空间。相关联的范数称为欧几里得范数。欧几里得度量(euclidean metric)(也称欧氏距离)是一个通常采用的距离定义,指在m维空间中两个点之间的真实距离,或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。
步骤S512,根据所述图像特征关系确定每两个所述结节特征图之间的匹配关系;
步骤S513,若所述识别组中的两个所述结节特征图之间的所述匹配关系为相同,则将所述识别组作为图像识别关联组。
上述,计算每个识别组中,两个结节特征图的图像特征间的欧氏距离,作为图像特征关系。通过图像特征关系,确定匹配关系,所述匹配关系包括相同和不同的匹配关系,如果匹配关系为相同,则将识别组作为图像识别关联组,即判断该识别组中两个结节特征图具有相同的匹配关系,即疑似同一结节。
所述步骤S520,“根据每个结节特征图的所述位置特征,筛选出所述图像识别关联组中两个所述结节特征图的位置相同的所述图像识别关联组,作为位置识别关联组”包括:
步骤S521,将每个所述图像识别关联组中的两个所述结节特征图的所述位置特征进行比对;
在提取出所有识别组中的图像识别关联组,进而通过位置特征对图像识别关联组进行第二次检验,找出其中不仅图像特征匹配,并且位置相同的图像识别关联组,作为位置识别关联组。
步骤S522,若所述位置特征对应的定位信息相同,则判定所述图像识别关联组中的两个所述结节特征图具有位置空间关联关系,并将具有位置空间关联关系的所述图像识别关联组作为位置识别关联组。
如果所有的图像识别关联组中,可能包含有一部分图像识别关联组,其中的特征识别图在位置上具有位置空间关联关系,即处于相同位置或其位置的位移在一定阈值范围内(病变的面积可能发生一定变化,但该变化在一定的预设阈值范围内),则将该种情况天的图像识别关联组作为位置识别关联组。
实施例4:
参照图6,本发明第四实施例提供一种肺结节医学影像配准方法,基于上述图5所示的第三实施例,所述步骤S512,“根据所述图像特征关系确定每两个所述结节特征图之间的匹配关系”之后,还包括:
步骤S514,若所述识别组中的两个所述结节特征图之间的所述匹配关系为不相同,则将匹配关系为不相同的每个所述识别组中的两个所述结节特征图的所述位置特征进行比对;
上述,在进行对于肺结节医学图像配准时,首先进行基于图像特征的识别,找出图像特征相似的图像识别关联组,进而再对所筛选出的图像识别关联组进行二次检验,提取出其中位置特征相同的位置识别关联组,从而实现通过两次检验和筛选,可得出出同一结节在不同时间点的变化情况。
但是,也存在同一结节在不同时间点发生突发性的长势变化,即在患者的两次CT扫面间隔内发生病变,并且形态发生较大变化。则在进行图像识别时,由于形态、纹理发生变化,则其得到的前后两个时间点的结节特征图的可能无法在同一识别组中被识别成相同或相似结节,即无法将该组识别成图像识别关联组,进而无法进行进一步的通过位置特征的检测。
在本实施例中,为避免上述情况,造成对较大病变情况的结节的漏检,本实施例中,在步骤S512之后,若所述识别组中的两个所述结节特征图之间的所述匹配关系为不相同,则进一步通过位置特征对该识别组进行比对,以判断是否在空间上两个结节特征图的结节为同一结节。
步骤S515,若所述位置特征对应的定位信息相同,则判定所述匹配关系为不相同的所述识别组为结节异常组;
如果位置特征对应的定位信息相同,则可判断为同一结节在一定时间周期内发生较大形态改变,则将该组作为结节异常组。
所述步骤S400,“根据所述对应关系,输出包括每个结节在不同时间点的变化情况的所述肺结节医学影像的配准结果信息”之后,还包括:
步骤S600,构建所述结节异常组中的两个结节特征图之间的异常对应关系,并将所述异常对应关系对应的结节在不同时间点出现的异常变化情况写入所述肺结节医学影像的配准结果信息。
上述,在生成得到一配准结果信息之后,将结节异常组中具有异常对应关系的两个结节特征图,即不同时间点同一结节出现异常变化情况存入配准结果信息,以提示医生对该异常变化情况进行检视,以便于医生及早发现病变情况,及早进行全方位的诊断。
此外,参考图7,本发明还提供一种肺结节医学影像配准装置,包括:分割模块10、提取模块20、识别模块30和输出模块40;
所述分割模块10,用于对患者的不同时间点的肺结节医学影像通过阈值分割方法进行肺区分割,得到每个肺结节医学影像对应的肺区分割图像;
所述提取模块20,用于利用预先训练的特征采集神经网络模型对所述分割图像进行特征提取,得到所述肺区分割图像中每个结节对应的结节特征图;
所述识别模块30,用于对每个所述结节特征图进行识别,确定不同时间点的肺结节医学影像对应的肺区分割图像中的每个所述结节特征图之间的对应关系;
所述输出模块40,用于根据所述对应关系,输出包括每个结节在不同时间点的变化情况的所述肺结节医学影像的配准结果信息。
此外,本发明还提供一种用户终端,包括存储器以及处理器,所述存储器用于存储肺结节医学影像配准程序,所述处理器运行所述肺结节医学影像配准程序以使所述用户终端执行如上述所述肺结节医学影像配准方法。
此外,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有肺结节医学影像配准程序,所述肺结节医学影像配准程序被处理器执行时实现如上述所述肺结节医学影像配准方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种肺结节医学影像配准方法,其特征在于,包括:
对患者的不同时间点的肺结节医学影像通过阈值分割方法进行肺区分割,得到每个肺结节医学影像对应的肺区分割图像;
利用预先训练的特征采集神经网络模型对所述分割图像进行特征提取,得到所述肺区分割图像中每个结节对应的结节特征图;
对每个所述结节特征图进行识别,获取每个结节特征图的图像特征;并且,获取每个结节特征图在所对应的肺结节医学影像中的相对定位信息,并将所述相对定位信息作为位置特征;
对每个所述结节特征图进行识别,确定不同时间点的肺结节医学影像对应的肺区分割图像中的每个所述结节特征图之间的对应关系;
根据所述对应关系,输出包括每个结节在不同时间点的变化情况的所述肺结节医学影像的配准结果信息;
所述“对每个所述结节特征图进行识别,确定不同时间点的肺结节医学影像对应的肺区分割图像中的每个所述结节特征图之间的对应关系”包括:
将每两个所述结节特征图作为一个识别组,根据每个所述结节特征图对应的所述图像特征提取所有所述识别组中两个所述结节特征图互相匹配的识别组,作为图像识别关联组;
根据每个结节特征图的特征信息中的位置特征,筛选出所述图像识别关联组中两个所述结节特征图的位置相同的所述图像识别关联组,作为位置识别关联组;
构建所述位置识别关联组内的两个结节特征图之间的对应关系。
2.如权利要求1所述肺结节医学影像配准方法,其特征在于,所述“将每两个所述结节特征图作为一个识别组,根据每个所述结节特征图对应的所述图像特征提取所有所述识别组中两个所述结节特征图互相匹配的识别组,作为图像识别关联组”包括:
计算每个所述识别组中,两个所述结节特征图的所述图像特征之间的欧氏距离,作为图像特征关系;
根据所述图像特征关系确定每两个所述结节特征图之间的匹配关系;
若所述识别组中的两个所述结节特征图之间的所述匹配关系为相同,则将所述识别组作为图像识别关联组。
3.如权利要求1所述肺结节医学影像配准方法,其特征在于,所述“根据每个结节特征图的所述位置特征,筛选出所述图像识别关联组中两个所述结节特征图的位置相同的所述图像识别关联组,作为位置识别关联组”包括:
将每个所述图像识别关联组中的两个所述结节特征图的所述位置特征进行比对;
若所述位置特征对应的定位信息相同,则判定所述图像识别关联组中的两个所述结节特征图具有位置空间关联关系,并将具有位置空间关联关系的所述图像识别关联组作为位置识别关联组。
4.如权利要求2所述肺结节医学影像配准方法,其特征在于,所述“根据所述图像特征关系确定每两个所述结节特征图之间的匹配关系”之后,还包括:
若所述识别组中的两个所述结节特征图之间的所述匹配关系为不相同,则将匹配关系为不相同的每个所述识别组中的两个所述结节特征图的所述位置特征进行比对;
若所述位置特征对应的定位信息相同,则判定所述匹配关系为不相同的所述识别组为结节异常组;
所述“根据所述对应关系,输出包括每个结节在不同时间点的变化情况的所述肺结节医学影像的配准结果信息”之后,还包括:
构建所述结节异常组中的两个结节特征图之间的异常对应关系,并将所述异常对应关系对应的结节在不同时间点出现的异常变化情况写入所述肺结节医学影像的配准结果信息。
5.一种肺结节医学影像配准装置,其特征在于,包括:分割模块、提取模块、识别模块和输出模块;
所述分割模块,用于对患者的不同时间点的肺结节医学影像通过阈值分割方法进行肺区分割,得到每个肺结节医学影像对应的肺区分割图像;
所述提取模块,用于利用预先训练的特征采集神经网络模型对所述分割图像进行特征提取,得到所述肺区分割图像中每个结节对应的结节特征图;
所述识别模块,用于对每个所述结节特征图进行识别,获取每个结节特征图的图像特征;并且获取每个结节特征图在所对应的肺结节医学影像中的相对定位信息,并将所述相对定位信息作为位置特征;还用于对每个所述结节特征图进行识别,确定不同时间点的肺结节医学影像对应的肺区分割图像中的每个所述结节特征图之间的对应关系;
所述输出模块,用于根据所述对应关系,输出包括每个结节在不同时间点的变化情况的所述肺结节医学影像的配准结果信息;
所述“对每个所述结节特征图进行识别,确定不同时间点的肺结节医学影像对应的肺区分割图像中的每个所述结节特征图之间的对应关系”包括:
将每两个所述结节特征图作为一个识别组,根据每个所述结节特征图对应的所述图像特征提取所有所述识别组中两个所述结节特征图互相匹配的识别组,作为图像识别关联组;
根据每个结节特征图的特征信息中的位置特征,筛选出所述图像识别关联组中两个所述结节特征图的位置相同的所述图像识别关联组,作为位置识别关联组;
构建所述位置识别关联组内的两个结节特征图之间的对应关系。
6.一种用户终端,其特征在于,包括存储器以及处理器,所述存储器用于存储肺结节医学影像配准程序,所述处理器运行所述肺结节医学影像配准程序以使所述用户终端执行如权利要求1-4中任一项所述肺结节医学影像配准方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有肺结节医学影像配准程序,所述肺结节医学影像配准程序被处理器执行时实现如权利要求1-4中任一项所述肺结节医学影像配准方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811224650.9A CN109377522B (zh) | 2018-10-19 | 2018-10-19 | 一种肺结节医学影像配准方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811224650.9A CN109377522B (zh) | 2018-10-19 | 2018-10-19 | 一种肺结节医学影像配准方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109377522A CN109377522A (zh) | 2019-02-22 |
CN109377522B true CN109377522B (zh) | 2019-10-25 |
Family
ID=65401231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811224650.9A Active CN109377522B (zh) | 2018-10-19 | 2018-10-19 | 一种肺结节医学影像配准方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109377522B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232686A (zh) * | 2019-06-19 | 2019-09-13 | 东软医疗系统股份有限公司 | 肺结节随访图像的获取方法、装置、ct设备和存储介质 |
CN112184613A (zh) * | 2019-07-05 | 2021-01-05 | 深圳市前海安测信息技术有限公司 | 基于人工智能的磁共振肺部影像识别装置及方法 |
CN110766730B (zh) * | 2019-10-18 | 2023-02-28 | 上海联影智能医疗科技有限公司 | 图像配准及随访评估方法、存储介质及计算机设备 |
CN110853082B (zh) * | 2019-10-21 | 2023-12-01 | 科大讯飞股份有限公司 | 医学图像配准方法、装置、电子设备及计算机存储介质 |
CN111553883A (zh) * | 2020-03-31 | 2020-08-18 | 杭州依图医疗技术有限公司 | 一种医学影像的处理方法及装置、计算机设备及存储介质 |
CN111724364B (zh) * | 2020-06-12 | 2023-04-14 | 深圳技术大学 | 基于肺叶及气管树的方法及装置、电子设备和存储介质 |
CN111932492B (zh) * | 2020-06-24 | 2021-05-11 | 数坤(北京)网络科技有限公司 | 一种医学图像处理方法、装置及计算机可读存储介质 |
CN112401915A (zh) * | 2020-11-19 | 2021-02-26 | 华中科技大学同济医学院附属协和医院 | 一种新冠肺炎ct复查的图像融合比对方法 |
CN113298157A (zh) * | 2021-05-28 | 2021-08-24 | 上海商汤智能科技有限公司 | 病灶匹配方法及装置、电子设备和存储介质 |
CN116258717B (zh) * | 2023-05-15 | 2023-09-08 | 广州思德医疗科技有限公司 | 病灶识别方法、装置、设备和存储介质 |
CN117542527B (zh) * | 2024-01-09 | 2024-04-26 | 百洋智能科技集团股份有限公司 | 肺结节跟踪与变化趋势预测方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021547A (zh) * | 2014-05-17 | 2014-09-03 | 清华大学深圳研究生院 | 肺部 ct 的三维配准方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8731255B2 (en) * | 2008-11-05 | 2014-05-20 | University Of Louisville Research Foundation, Inc. | Computer aided diagnostic system incorporating lung segmentation and registration |
CN103345740B (zh) * | 2013-06-13 | 2016-04-13 | 沈阳航空航天大学 | 基于多投影图像配准的肺结节检测方法 |
CN105913442A (zh) * | 2016-04-29 | 2016-08-31 | 上海联影医疗科技有限公司 | 自动匹配肺结节的方法 |
CN106874489B (zh) * | 2017-02-21 | 2020-05-12 | 烟台中科网络技术研究所 | 一种基于卷积神经网络的肺结节图像块检索方法及装置 |
CN107133946B (zh) * | 2017-04-28 | 2020-05-22 | 上海联影医疗科技有限公司 | 医学图像处理方法、装置及设备 |
CN108629803A (zh) * | 2018-04-17 | 2018-10-09 | 杭州依图医疗技术有限公司 | 一种结节倍增时间的确定方法及装置 |
-
2018
- 2018-10-19 CN CN201811224650.9A patent/CN109377522B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021547A (zh) * | 2014-05-17 | 2014-09-03 | 清华大学深圳研究生院 | 肺部 ct 的三维配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109377522A (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109377522B (zh) | 一种肺结节医学影像配准方法及其装置 | |
US7346203B2 (en) | Methods and apparatus for processing image data to aid in detecting disease | |
JP4469594B2 (ja) | 疾患関連組織変化を測定するシステム | |
JP2018081714A (ja) | 自動特徴解析、比較、及び異常検出 | |
JP7218215B2 (ja) | 画像診断装置、画像処理方法及びプログラム | |
US20200193598A1 (en) | Dynamic analysis system | |
JP6885517B1 (ja) | 診断支援装置及びモデル生成装置 | |
US11935656B2 (en) | Systems and methods for audio medical instrument patient measurements | |
US20180110491A1 (en) | Dynamic image processor | |
CN109191451B (zh) | 异常检测方法、装置、设备和介质 | |
KR102321991B1 (ko) | 수면 무호흡증 진단을 위한 기도 형태 분석 방법 및 장치 | |
KR102382872B1 (ko) | 의료용 인공 신경망 기반 대표 영상을 제공하는 의료 영상 판독 지원 장치 및 방법 | |
US20230154620A1 (en) | Apparatus and method for assisting reading of chest medical images | |
WO2020027228A1 (ja) | 診断支援システム及び診断支援方法 | |
US20230363741A1 (en) | Ultrasound diagnostic system | |
CN107252353A (zh) | 医学成像设备的控制方法及医学成像设备 | |
Xing et al. | Automatic detection of A‐line in lung ultrasound images using deep learning and image processing | |
CN108399354A (zh) | 计算机视觉识别肿瘤的方法和装置 | |
CN106510708A (zh) | 用于多对比度脑磁共振数据中异常检测的框架 | |
CN111144163B (zh) | 基于神经网络的静脉与动脉识别系统 | |
CN113610841B (zh) | 一种血管异常图像识别方法、装置、电子设备和存储介质 | |
US11295448B1 (en) | Concurrent display of hemodynamic parameters and damaged brain tissue | |
CN114220534A (zh) | 针对前列腺癌的多模态计算机辅助诊断系统和方法 | |
Horng et al. | The anomaly detection mechanism using deep learning in a limited amount of data for fog networking | |
WO2023032954A1 (ja) | 情報処理方法、プログラム及び画像診断装置 |
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 |