CN109584995A - Tace治疗结果图像分析方法、系统、设备及存储介质 - Google Patents

Tace治疗结果图像分析方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN109584995A
CN109584995A CN201810634201.5A CN201810634201A CN109584995A CN 109584995 A CN109584995 A CN 109584995A CN 201810634201 A CN201810634201 A CN 201810634201A CN 109584995 A CN109584995 A CN 109584995A
Authority
CN
China
Prior art keywords
image
scan image
internal organs
scan
suppository
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
Application number
CN201810634201.5A
Other languages
English (en)
Other versions
CN109584995B (zh
Inventor
刘桂生
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.)
Xinying Intelligent Technology (kunshan) Co Ltd
Original Assignee
Xinying Intelligent Technology (kunshan) Co Ltd
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 Xinying Intelligent Technology (kunshan) Co Ltd filed Critical Xinying Intelligent Technology (kunshan) Co Ltd
Priority to CN201810634201.5A priority Critical patent/CN109584995B/zh
Publication of CN109584995A publication Critical patent/CN109584995A/zh
Application granted granted Critical
Publication of CN109584995B publication Critical patent/CN109584995B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration

Landscapes

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

Abstract

本发明提供TACE治疗结果图像分析方法、系统、设备及存储介质，通过采集已接受TACE治疗的病变脏器的扫描图像，所述扫描图像包括：三期图像，即在所述治疗部位处于平扫期所采集的第一扫描图像、处于动脉期所采集的第二扫描图像、及处于门脉期所采集的第三扫描图像；识别所述第一扫描图像中所述病变脏器的栓塞剂沉积区域图像；将识别出栓塞剂沉积区域图像的第一扫描图像与所述第二扫描图像及第三扫描图像进行配准，以将所识别的栓塞剂沉积区域图像映射至所述第二扫描图像及第三扫描图像；本发明的方案实现将平扫期的栓塞剂沉积区域的图像通过配准过程映射到第二扫描图像和第三扫描图像，避免了现有技术中的混淆问题。

Description

TACE治疗结果图像分析方法、系统、设备及存储介质
技术领域
本申请涉及智慧医疗技术领域，特别是涉及TACE治疗结果图像分析方法、系统、设备及存储介质。
背景技术
经导管动脉化疗栓塞，TACE(transcatheter arterial chemoembolization)，是较为常见的肝癌治疗方法。其术后的疗效评估通常需要借助CT影像学来观察碘油在病灶中沉积情况。增强CT扫描是肝癌的诊断和随访的常用方法，一般会分为平扫期，动脉期，门脉期，延迟期几个主要的阶段，碘油在这四期CT图像上的沉积都会表现为高亮。而对于原发性肝癌，癌灶在动脉期表现为含有造影剂的高增强。因此，当碘油沉积在原发灶中的时候，单纯凭借动脉期图像，很难区分碘油是否对原发灶完全覆盖。通常医生通过多期图像对比来判断碘油沉积好坏，但是该方法需要对三期图像配准得以实现。
但以往的配准方法将CT图像上高亮区域完全映射，无法区分高亮区域是碘油或者是肿瘤的造影剂增强，对诊断意义不大。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供TACE治疗结果图像分析方法、系统、设备及存储介质，解决现有技术中的问题。
为实现上述目的及其他相关目的，本发明提供一种TACE治疗结果的图像分析方法，包括：采集已接受TACE治疗的病变脏器的扫描图像，所述扫描图像包括：三期图像，即在所述治疗部位处于平扫期所采集的第一扫描图像、处于动脉期所采集的第二扫描图像、及处于门脉期所采集的第三扫描图像；识别所述第一扫描图像中所述病变脏器的栓塞剂沉积区域图像；将识别出栓塞剂沉积区域图像的第一扫描图像与所述第二扫描图像及第三扫描图像进行配准，以将所识别的栓塞剂沉积区域图像映射至所述第二扫描图像及第三扫描图像。
于本发明的一实施例中，所述识别所述第一扫描图像中所述病变脏器的栓塞剂沉积区域图像，包括：从第一扫描图像分割出病变脏器区域图像；从所述病变脏器区域图像识别出栓塞剂沉积区域图像。
于本发明的一实施例中，所述从第一扫描图像分割出病变脏器区域图像，包括：在轴向扫描检测人体以产生各个断面产生扫描图像的情况下，通过2D分类神经网络模型从各断面图像中提取包含病变脏器区域图像的第一扫描图像；通过语义分割神经网络模型从所述第一扫描图像中分割出第一病变脏器区域图像。
于本发明的一实施例中，所述从所述病变脏器区域图像识别出栓塞剂沉积区域图像，包括：在所述病变脏器区域图像中，通过灰度阈值分割方法从所述病变脏器区域图像中识别栓塞剂沉积区域图像。
于本发明的一实施例中，所述将识别出栓塞剂沉积区域图像的第一扫描图像与所述第二扫描图像及第三扫描图像进行配准，包括：将从三期图像分别分割出的第一病变脏器区域图像、第二病变脏器区域图像及第三病变脏器区域图像作为配准计算的对应区域图像；执行配准动作，其包括：利用所述对应区域图像进行三期图像的初步配准；在三期图像提取血管及脏器管路，并对所提取血管及脏器管路进行图像增强；采用弹性配准方法将经所述图像增强的第一扫描图像、第二扫描图像及第三扫描图像中的体素一一对应。
于本发明的一实施例中，所述初步配准包括：基于仿射变换的互信息准则函数进行的线性配准。
为实现上述目的及其他相关目的，本发明提供一种TACE治疗结果的图像分析系统，包括：数据采集模块，用于采集已接受TACE治疗的病变脏器的扫描图像，所述扫描图像包括：在所述治疗部位处于平扫期所采集的第一扫描图像、处于动脉期所采集的第二扫描图像、及处于门脉期所采集的第三扫描图像；沉积区域图像分割模块，用于识别所述第一扫描图像中所述病变脏器的栓塞剂沉积区域图像；残留病灶检测模块，用于将识别出栓塞剂沉积区域图像的第一扫描图像与所述第二扫描图像及第三扫描图像进行配准，以将所识别的栓塞剂沉积区域图像映射至所述第二扫描图像及第三扫描图像。
于本发明的一实施例中，所述识别所述第一扫描图像中所述病变脏器的栓塞剂沉积区域图像，包括：从第一扫描图像分割出病变脏器区域图像；从所述病变脏器区域图像识别出栓塞剂沉积区域图像。
于本发明的一实施例中，所述从第一扫描图像分割出病变脏器区域图像，包括：在轴向扫描检测人体以产生各个断面产生扫描图像的情况下，通过2D分类神经网络模型从各断面图像中提取包含病变脏器区域图像的第一扫描图像；通过语义分割神经网络模型从所述第一扫描图像中分割出第一病变脏器区域图像。
于本发明的一实施例中，所述从所述病变脏器区域图像识别出栓塞剂沉积区域图像，包括：在所述病变脏器区域图像中，通过灰度阈值分割方法从所述病变脏器区域图像中识别栓塞剂沉积区域图像。
于本发明的一实施例中，所述将识别出栓塞剂沉积区域图像的第一扫描图像与所述第二扫描图像及第三扫描图像进行配准，包括：将从三期图像分别分割出的第一病变脏器区域图像、第二病变脏器区域图像及第三病变脏器区域图像作为配准计算的对应区域图像；执行配准动作，其包括：利用所述对应区域图像进行三期图像的初步配准；在三期图像提取血管及脏器管路，并对所提取血管及脏器管路进行图像增强；采用弹性配准方法将经所述图像增强的第一扫描图像、第二扫描图像及第三扫描图像中的体素一一对应。
于本发明的一实施例中，所述初步配准包括：基于仿射变换的互信息准则函数进行的线性配准。
为实现上述目的及其他相关目的，本发明提供一种计算机设备，包括：一或多个处理器及存储器；所述一或多个存储器用于存储计算机软件程序；所述一或多个处理器，用于运行所述计算机软件程序，以执行所述的图像分析方法。
为实现上述目的及其他相关目的，本发明提供一种计算机存储介质，存储有计算机软件程序，所述计算机软件程序被一或多个处理器运行时执行所述的图像分析方法。
如上所述，本发明提供TACE治疗结果图像分析方法、系统、设备及存储介质，通过采集已接受TACE治疗的病变脏器的扫描图像，所述扫描图像包括：三期图像，即在所述治疗部位处于平扫期所采集的第一扫描图像、处于动脉期所采集的第二扫描图像、及处于门脉期所采集的第三扫描图像；识别所述第一扫描图像中所述病变脏器的栓塞剂沉积区域图像；将识别出栓塞剂沉积区域图像的第一扫描图像与所述第二扫描图像及第三扫描图像进行配准，以将所识别的栓塞剂沉积区域图像映射至所述第二扫描图像及第三扫描图像；本发明的方案实现将平扫期的栓塞剂沉积区域的图像通过配准过程映射到第二扫描图像和第三扫描图像，避免了现有技术中的混淆问题。
附图说明
图1显示为本发明一实施例中TACE治疗结果图像分析方法的流程示意图。
图2显示为本发明一实施例中实现栓塞剂沉积区域图像识别的流程示意图。
图3A显示为本发明一实施例中的一个第一扫描图像。
图3B是图3A中分割的栓塞剂沉积区域图像。
图3C显示为本发明一实施例中的另一个第一扫描图像。
图3D是图3C中分割的栓塞剂沉积区域图像。
图3E显示为本发明一实施例中的又一个第一扫描图像。
图3F是图3E中分割的栓塞剂沉积区域图像。
图4显示为本发明一实施例中进行三期图像配准的流程示意图。
图5显示为本发明一实施例中配准动作的流程示意图。
图6A显示为本发明一实施例中对血管及脏器管路进行图像增强的结果示意图。
图6B显示为在对应图6A的原始图像中提取的血管及脏器管路的图像区域。
图7A显示为本发明一实施例中经配准后的平扫期的第一扫描图像的示意图。
图7B显示为本发明一实施例中经配准后的动脉期的第二扫描图像的示意图。
图7C显示为本发明一实施例中经配准后的动脉期的第三扫描图像的示意图。
图8显示为本发明一实施例中TACE治疗结果图像分析系统的模块示意图。
图9显示为本发明一实施例中计算机设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
TACE，全称为transcatheter arterial chemoembolization)，指的是将导管选择性或超选择性插入到肿瘤供血靶动脉后，以适当的速度注入适量的栓塞剂，使靶动脉闭塞，引起肿瘤组织的缺血坏死。使用抗癌药物或药物微球进行栓塞可起到化疗性栓塞的作用。目前最多用于肝癌的治疗，包括：肝动脉插管化疗栓塞，或肝动脉插管化疗灌注。
在对TACE治疗后的例如肝部进行CT检查，以识别残留的，如前述背景技术所述，为了可靠辨别治疗疗效，需结合三期图像(即平扫期、动脉期及门脉期的图像)进行判断，从而需要对三期图像进行配准；在进行配准前，对平扫期中确定的较为准确的栓塞剂沉积区域先进行分割，之后再映射到动脉期和门脉期的图像，从而避免造影剂对栓塞剂的图像干扰。
具体的，如图1所示，展示本发明实施例中的TACE治疗结果的图像分析方法的流程示意图。
所述方法包括：
步骤S101：采集已接受TACE治疗的病变脏器的扫描图像，所述扫描图像包括：三期图像，即在所述治疗部位处于平扫期所采集的第一扫描图像、处于动脉期所采集的第二扫描图像、及处于门脉期所采集的第三扫描图像。
于一或多个实施例中，CT扫描是沿一轴向进行断面扫描，当人体身高方向与该轴向一致时，CT扫描到的即人体的断面图像。
在CT扫描的各个阶段中，平扫是指不注射影剂的扫描，动脉期指的是造影剂流入肝动脉充的时期，门脉期是指造影剂经过门静脉的时期，进一步，还包括：延迟期，是在动脉期和门脉期之后的时期。
步骤S102：识别所述第一扫描图像中所述病变脏器的栓塞剂沉积区域图像。
于本发明的一实施例中，如图2所示，所述识别所述第一扫描图像中所述病变脏器的栓塞剂沉积区域图像，包括：
步骤S201：从第一扫描图像分割出病变脏器区域图像。:
在具体实现上，在轴向扫描检测人体以产生各个断面产生扫描图像的情况下，通过2D分类神经网络模型从各断面图像中提取包含病变脏器区域图像的第一扫描图像，所述2D分类神经网络模型可以是例如Resnet、Densenet、inception等，通过该些神经网络模型对各个断面图像进行对比，查找包含病变脏器的图像特征(例如位于图中特定位置的像素)的一或多幅图像作为第一扫描图像。
举例来说，在沿轴向采集断面的图像中，当某一图像包含肝脏的轮廓特征时，即可认为该图像为第一扫描图像。
如图3A、3C及3E所示，展示多幅例示性的第一扫描图像。
之后，通过语义分割神经网络模型从所述第一扫描图像中分割出第一病变脏器区域图像。具体的，所述语义分割神经网络模型可以是FCN、DeepLabv1～v3+、U-Net、CRF-RNN、SegNet、Dilated Convolution、FC-DenseNet、PSPNet、Multipath-RefineNet、TuSimple、CASIA_IVA_SDN、DW-CNN、或DIS，此处不对该些模型的原理进行展开描述。
举例来说，通过语义分割神经网络模型从所述第一扫描图像中分割出肝脏的轮廓边界，从而得到第一扫描图像中肝脏所在的区域图像。
所述第二扫描图像和第三扫描图像与第一扫描图像的获取方式相似，在动脉期及门脉期通过CT扫描，并可通过与第一扫描图像相似的辨别是否包含病变脏器的方式来得到。
步骤S202：从所述病变脏器区域图像识别出栓塞剂沉积区域图像。
具体实现中，在所述病变脏器区域图像中，通过灰度阈值分割方法从所述病变脏器区域图像中识别栓塞剂沉积区域图像。
由于栓塞剂(例如碘油等)的沉积区域，在CT图像中会显示高亮，因此可以通过灰度阈值分割方法从中识别出高亮的栓塞剂沉积区域图像。
步骤S103：将识别出栓塞剂沉积区域图像的第一扫描图像与所述第二扫描图像及第三扫描图像进行配准，以将所识别的栓塞剂沉积区域图像映射至所述第二扫描图像及第三扫描图像。
于本发明的一实施例中，步骤S103具体包括：
步骤S401：将从三期图像分别分割出的第一病变脏器区域图像、第二病变脏器区域图像及第三病变脏器区域图像作为配准计算的对应区域图像。
所述第二病变脏器区域图像及第三病变脏器区域图像的分割提取方式可以与图2中第一病变脏器区域图像的提取方式相似。
步骤S402：执行配准动作，其具体包括：
步骤S501：利用所述对应区域图像进行三期图像的初步配准。
于本发明的一实施例中，所述初步配准包括：基于仿射变换的互信息准则函数进行的线性配准。
互信息(Mutual Information，MI)是信息论中的重要概念，描述了两个系统之间的相关性，或互相包含信息的多少。在图像配准中，两幅图的互信息是通过它们的熵以及联合熵，来反映它们之间信息的相互包含程度。
仿射变换是在几何上定义为两个向量空间之间的一个仿射变换或者仿射映射(来自拉丁语，affine，“和…相关”)由一个非奇异的线性变换(运用一次函数进行的变换)接上一个平移变换组成。
所述基于仿射变换的互信息准则函数进行的线性配准，即根据图像间的互信息，利用线性变换来令图像相配准，简单来讲，就是利用平移、转动等操作使多幅图像对位。
步骤S502：在三期图像提取血管及脏器管路，并对所提取血管及脏器管路进行图像增强。
于本发明的一实施例中，所述血管及脏器管路(例如肝脏的胆管等)的提取算法可以是血管分割算法，例如基于边界的分割算法，包括：基于几何模型的分割算法、基于边缘检测的分割算法等；又例如基于区域的分割算法，包括：阈值法、区域生长法等；又例如结合特定理论和工具的分割算法，包括：基于小波理论、模糊理论、遗传算法、神经网络等的分割算法。
在一实施例中，如图6A和图6B所示，图6A是对血管及脏器管路进行图像增强的结果，图6B是在对应图6A的原始图像中提取的血管及脏器管路的图像区域。
步骤S503：采用弹性配准方法将经所述图像增强的第一扫描图像、第二扫描图像及第三扫描图像中的体素一一对应。
于本发明的一实施例中，弹性配准是相对于刚性配准而言的，包括：基于互信息的算法，比如将梯度信息和互信息结合用于医学图像配准；或者，基于力学模型的弹性配准算法，其假设配准对象(例如动脉期的第二扫描图像、门脉期的第三扫描图像等)是一各向同性同质的弹性体，先建立对象的物理模型，这一模型在外力F的作用下变形，来实现与参考图像的配准(例如平扫期的第一扫描图像)；又或者，Demons算法，其是一种基于体素的算法，即假定一种含有a微粒和b微粒的混合气体装在一个中间隔有半通透性膜的容器内，设想这个半通透性膜可以选择性地允许特定的微粒从膜的一侧通过到达另一侧。这种试验研究表明这种Demons能反常地降低容器内的熵，相似的，Demons算法即设想在图像的等值轮廓线上有一些允许像素选择性通过的Demons，通过像素的运动达到最终配准两幅图像的目的，实质上是一种基于体素的光流驱动的配准算法；或者，Multiquadic算法，运用于二维图像的弹性配准中，对两幅待配准的图像，分别在x、y方向上建立插值函数在两幅图像上提取对应特征点，得到一一对应的特征点集，代入两式建立方程组，解方程组，即可得到弹性变换的特定系数，将其作用于整幅图像，即实现了弹性配准。
利用弹性配准时候所得到的形变场应用到图像上，即可以产生弹性形变。经过弹性配准，同时也将平扫期的第一扫描图像中未受造影剂干扰的栓塞剂沉积区域图像中的各个体素映射到第二扫描图像及第三扫描图像。
如图7A、7B及7C所示，分别展示一实施例中经配准后的平扫期、动脉期、门脉期的三期图像。
根据平扫期、动脉期、门脉期中的栓塞剂沉积区域的沉积情况，其中，沉积不佳的区域即为残留病灶，从残留病灶的情况可评估治疗疗效。
如图8所示，展示本发明实施例中的TACE治疗结果的图像分析系统，包括：数据采集模块801，用于采集已接受TACE治疗的病变脏器的扫描图像，所述扫描图像包括：在所述治疗部位处于平扫期所采集的第一扫描图像、处于动脉期所采集的第二扫描图像、及处于门脉期所采集的第三扫描图像；沉积区域图像分割模块802，用于识别所述第一扫描图像中所述病变脏器的栓塞剂沉积区域图像；残留病灶检测模块803，用于将识别出栓塞剂沉积区域图像的第一扫描图像与所述第二扫描图像及第三扫描图像进行配准，以将所识别的栓塞剂沉积区域图像映射至所述第二扫描图像及第三扫描图像。
于本发明的一实施例中，所述识别所述第一扫描图像中所述病变脏器的栓塞剂沉积区域图像，包括：从第一扫描图像分割出病变脏器区域图像；从所述病变脏器区域图像识别出栓塞剂沉积区域图像。
于本发明的一实施例中，所述从第一扫描图像分割出病变脏器区域图像，包括：在轴向扫描检测人体以产生各个断面产生扫描图像的情况下，通过2D分类神经网络模型从各断面图像中提取包含病变脏器区域图像的第一扫描图像；通过语义分割神经网络模型从所述第一扫描图像中分割出第一病变脏器区域图像。
于本发明的一实施例中，所述从所述病变脏器区域图像识别出栓塞剂沉积区域图像，包括：在所述病变脏器区域图像中，通过灰度阈值分割方法从所述病变脏器区域图像中识别栓塞剂沉积区域图像。
于本发明的一实施例中，所述将识别出栓塞剂沉积区域图像的第一扫描图像与所述第二扫描图像及第三扫描图像进行配准，包括：将从三期图像分别分割出的第一病变脏器区域图像、第二病变脏器区域图像及第三病变脏器区域图像作为配准计算的对应区域图像；执行配准动作，其包括：利用所述对应区域图像进行三期图像的初步配准；在三期图像提取血管及脏器管路，并对所提取血管及脏器管路进行图像增强；采用弹性配准方法将经所述图像增强的第一扫描图像、第二扫描图像及第三扫描图像中的体素一一对应。
于本发明的一实施例中，所述初步配准包括：基于仿射变换的互信息准则函数进行的线性配准。
需说明的是，所述系统的实现原理与前述方法实施例相似，因此不对相同的技术细节进行重复赘述。
另外，需要说明的是，应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。
此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)，或，一个或多个微处理器(digitalsingnalprocessor，简称DSP)，或，一个或者多个现场可编程门阵列(FieldProgrammableGateArray，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessingUnit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
如图9所示，在本发明的一实施例中，还可以提供一种计算机设备，包括：一或多个处理器901及存储器902；所述一或多个存储器902用于存储计算机软件程序；所述一或多个处理器901，用于运行所述计算机软件程序，以执行所述的图像分析方法。所述计算机设备例如为电脑、智能手机、或平板电脑等。
所述处理器901和存储器902之间可以通过总线903相连，所述总线903可以是外设部件互连标准(PeripheralPomponentInterconnect，简称PCI)总线903或扩展工业标准结构(ExtendedIndustryStandardArchitecture，简称EISA)总线903等。该系统总线903可以分为地址总线903、数据总线903、控制总线903等。
所述处理器901可以是通用处理器901，包括中央处理器901(CentralProcessingUnit，简称CPU)、网络处理器901(NetworkProcessor，简称NP)等；还可以是数字信号处理器901(DigitalSignalProcessing，简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)、现场可编程门阵列(Field－ProgrammableGateArray，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
所述存储器902可能包含随机存取存储器902(RandomAccessMemory，简称RAM)，也可能还包括非易失性存储器902(non-volatilememory)，例如至少一个磁盘存储器902。
在本发明的一实施例中，还可以提供一种计算机存储介质，存储有计算机软件程序，所述计算机软件程序被一或多个处理器运行时执行所述的图像分析方法。所述计算机存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本发明提供TACE治疗结果图像分析方法、系统、设备及存储介质，通过采集已接受TACE治疗的病变脏器的扫描图像，所述扫描图像包括：三期图像，即在所述治疗部位处于平扫期所采集的第一扫描图像、处于动脉期所采集的第二扫描图像、及处于门脉期所采集的第三扫描图像；识别所述第一扫描图像中所述病变脏器的栓塞剂沉积区域图像；将识别出栓塞剂沉积区域图像的第一扫描图像与所述第二扫描图像及第三扫描图像进行配准，以将所识别的栓塞剂沉积区域图像映射至所述第二扫描图像及第三扫描图像；本发明的方案实现将平扫期的栓塞剂沉积区域的图像通过配准过程映射到第二扫描图像和第三扫描图像，避免了现有技术中的混淆问题。
本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (14)

1.一种TACE治疗结果的图像分析方法，其特征在于，包括：
采集已接受TACE治疗的病变脏器的扫描图像，所述扫描图像包括：三期图像，即在所述治疗部位处于平扫期所采集的第一扫描图像、处于动脉期所采集的第二扫描图像、及处于门脉期所采集的第三扫描图像；
识别所述第一扫描图像中所述病变脏器的栓塞剂沉积区域图像；
将识别出栓塞剂沉积区域图像的第一扫描图像与所述第二扫描图像及第三扫描图像进行配准，以将所识别的栓塞剂沉积区域图像映射至所述第二扫描图像及第三扫描图像。
2.根据权利要求1所述的方法，其特征在于，所述识别所述第一扫描图像中所述病变脏器的栓塞剂沉积区域图像，包括：
从第一扫描图像分割出病变脏器区域图像；
从所述病变脏器区域图像识别出栓塞剂沉积区域图像。
3.根据权利要求2所述的方法，其特征在于，所述从第一扫描图像分割出病变脏器区域图像，包括：
在轴向扫描检测人体以产生各个断面产生扫描图像的情况下，通过2D分类神经网络模型从各断面图像中提取包含病变脏器区域图像的第一扫描图像；
通过语义分割神经网络模型从所述第一扫描图像中分割出第一病变脏器区域图像。
4.根据权利要求2所述的方法，其特征在于，所述从所述病变脏器区域图像识别出栓塞剂沉积区域图像，包括：在所述病变脏器区域图像中，通过灰度阈值分割方法从所述病变脏器区域图像中识别栓塞剂沉积区域图像。
5.根据权利要求2所述的方法，其特征在于，所述将识别出栓塞剂沉积区域图像的第一扫描图像与所述第二扫描图像及第三扫描图像进行配准，包括：
将从三期图像分别分割出的第一病变脏器区域图像、第二病变脏器区域图像及第三病变脏器区域图像作为配准计算的对应区域图像；
执行配准动作，其包括：
利用所述对应区域图像进行三期图像的初步配准；
在三期图像提取血管及脏器管路，并对所提取血管及脏器管路进行图像增强；
采用弹性配准方法将经所述图像增强的第一扫描图像、第二扫描图像及第三扫描图像中的体素一一对应。
6.根据权利要求5所述的方法，其特征在于，所述初步配准包括：基于仿射变换的互信息准则函数进行的线性配准。
7.一种TACE治疗结果的图像分析系统，其特征在于，包括：
数据采集模块，用于采集已接受TACE治疗的病变脏器的扫描图像，所述扫描图像包括：在所述治疗部位处于平扫期所采集的第一扫描图像、处于动脉期所采集的第二扫描图像、及处于门脉期所采集的第三扫描图像；
沉积区域图像分割模块，用于识别所述第一扫描图像中所述病变脏器的栓塞剂沉积区域图像；
残留病灶检测模块，用于将识别出栓塞剂沉积区域图像的第一扫描图像与所述第二扫描图像及第三扫描图像进行配准，以将所识别的栓塞剂沉积区域图像映射至所述第二扫描图像及第三扫描图像。
8.根据权利要求7所述的系统，其特征在于，所述识别所述第一扫描图像中所述病变脏器的栓塞剂沉积区域图像，包括：
从第一扫描图像分割出病变脏器区域图像；
从所述病变脏器区域图像识别出栓塞剂沉积区域图像。
9.根据权利要求7所述的系统，其特征在于，所述从第一扫描图像分割出病变脏器区域图像，包括：
在轴向扫描检测人体以产生各个断面产生扫描图像的情况下，通过2D分类神经网络模型从各断面图像中提取包含病变脏器区域图像的第一扫描图像；
通过语义分割神经网络模型从所述第一扫描图像中分割出第一病变脏器区域图像。
10.根据权利要求7所述的系统，其特征在于，所述从所述病变脏器区域图像识别出栓塞剂沉积区域图像，包括：在所述病变脏器区域图像中，通过灰度阈值分割方法从所述病变脏器区域图像中识别栓塞剂沉积区域图像。
11.根据权利要求8所述的系统，其特征在于，所述将识别出栓塞剂沉积区域图像的第一扫描图像与所述第二扫描图像及第三扫描图像进行配准，包括：
将从三期图像分别分割出的第一病变脏器区域图像、第二病变脏器区域图像及第三病变脏器区域图像作为配准计算的对应区域图像；
执行配准动作，其包括：
利用所述对应区域图像进行三期图像的初步配准；
在三期图像提取血管及脏器管路，并对所提取血管及脏器管路进行图像增强；
采用弹性配准方法将经所述图像增强的第一扫描图像、第二扫描图像及第三扫描图像中的体素一一对应。
12.根据权利要求11所述的系统，其特征在于，所述初步配准包括：基于仿射变换的互信息准则函数进行的线性配准。
13.一种计算机设备，其特征在于，包括：一或多个处理器及存储器；所述一或多个存储器用于存储计算机软件程序；所述一或多个处理器，用于运行所述计算机软件程序，以执行如权利要求1至6中任一项所述的方法。
14.一种计算机存储介质，其特征在于，存储有计算机软件程序，所述计算机软件程序被一或多个处理器运行时执行如权利要求1至6中任一项所述的方法。
CN201810634201.5A 2018-06-20 2018-06-20 Tace治疗结果图像分析方法、系统、设备及存储介质 Active CN109584995B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810634201.5A CN109584995B (zh) 2018-06-20 2018-06-20 Tace治疗结果图像分析方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810634201.5A CN109584995B (zh) 2018-06-20 2018-06-20 Tace治疗结果图像分析方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN109584995A true CN109584995A (zh) 2019-04-05
CN109584995B CN109584995B (zh) 2023-07-18

Family

ID=65919521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810634201.5A Active CN109584995B (zh) 2018-06-20 2018-06-20 Tace治疗结果图像分析方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN109584995B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110349170A (zh) * 2019-07-13 2019-10-18 长春工业大学 一种全连接crf级联fcn和k均值脑肿瘤分割算法
CN110432977A (zh) * 2019-08-07 2019-11-12 杭州睿笛生物科技有限公司 一种电脉冲消融设备以及适用其仿真方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101427918A (zh) * 2007-11-06 2009-05-13 中国人民解放军第二军医大学 一种磁共振成像方法及其应用
US20120155738A1 (en) * 2009-09-08 2012-06-21 Koninklijke Philips Electronics N.V. X-ray apparatus
CN102918563A (zh) * 2010-06-02 2013-02-06 皇家飞利浦电子股份有限公司 血管内栓塞化成效的自动量化
CN107067420A (zh) * 2017-04-28 2017-08-18 上海联影医疗科技有限公司 图像处理方法、装置及设备
US20180075597A1 (en) * 2016-09-09 2018-03-15 Siemens Healthcare Gmbh Tissue Characterization Based on Machine Learning in Medical Imaging
CN114343607A (zh) * 2022-01-06 2022-04-15 四川大学华西医院 一种基于肝脏mr检查目的的图像序列展示方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101427918A (zh) * 2007-11-06 2009-05-13 中国人民解放军第二军医大学 一种磁共振成像方法及其应用
US20120155738A1 (en) * 2009-09-08 2012-06-21 Koninklijke Philips Electronics N.V. X-ray apparatus
CN102918563A (zh) * 2010-06-02 2013-02-06 皇家飞利浦电子股份有限公司 血管内栓塞化成效的自动量化
US20180075597A1 (en) * 2016-09-09 2018-03-15 Siemens Healthcare Gmbh Tissue Characterization Based on Machine Learning in Medical Imaging
CN107067420A (zh) * 2017-04-28 2017-08-18 上海联影医疗科技有限公司 图像处理方法、装置及设备
CN114343607A (zh) * 2022-01-06 2022-04-15 四川大学华西医院 一种基于肝脏mr检查目的的图像序列展示方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AVENTINUS NÖRTHEN 等: "Parametric response mapping cut-off values that predict survival of hepatocellular carcinoma patients after TACE", ABDOMINAL RADIOLOGY *
彭绮雯: "CT影像组学标签预测中期肝细胞癌患者肝动脉化疗栓塞术后的生存收益", 中国优秀硕士学位论文全文数据库 (医药卫生科技辑) *
王之龙 等: "CT减影法评价肝细胞癌TACE后残余肿瘤活性的研究", 《介入放射学杂志》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110349170A (zh) * 2019-07-13 2019-10-18 长春工业大学 一种全连接crf级联fcn和k均值脑肿瘤分割算法
CN110349170B (zh) * 2019-07-13 2022-07-08 长春工业大学 一种全连接crf级联fcn和k均值脑肿瘤分割算法
CN110432977A (zh) * 2019-08-07 2019-11-12 杭州睿笛生物科技有限公司 一种电脉冲消融设备以及适用其仿真方法

Also Published As

Publication number Publication date
CN109584995B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
Malhotra et al. [Retracted] Deep Neural Networks for Medical Image Segmentation
Weng et al. INet: convolutional networks for biomedical image segmentation
Zheng et al. Automatic liver tumor segmentation on dynamic contrast enhanced MRI using 4D information: deep learning model based on 3D convolution and convolutional LSTM
Khalifa et al. A comprehensive non‐invasive framework for automated evaluation of acute renal transplant rejection using DCE‐MRI
Pang et al. CTumorGAN: a unified framework for automatic computed tomography tumor segmentation
Zhang et al. Automatic kidney lesion detection for CT images using morphological cascade convolutional neural networks
Zheng et al. CASF-Net: Cross-attention and cross-scale fusion network for medical image segmentation
Dong et al. A combined fully convolutional networks and deformable model for automatic left ventricle segmentation based on 3D echocardiography
CN109035261B (zh) 医疗影像处理方法及装置、电子设备及存储介质
JP2023540910A (ja) 病変検出のための共同訓練を伴う接続機械学習モデル
Parekh et al. Multiparametric deep learning tissue signatures for a radiological biomarker of breast cancer: Preliminary results
Campello et al. Combining multi-sequence and synthetic images for improved segmentation of late gadolinium enhancement cardiac MRI
EP4030385A1 (en) Devices and process for synthesizing images from a source nature to a target nature
Garrucho et al. Domain generalization in deep learning based mass detection in mammography: A large-scale multi-center study
Uus et al. Automated 3D reconstruction of the fetal thorax in the standard atlas space from motion-corrupted MRI stacks for 21–36 weeks GA range
Hille et al. Joint liver and hepatic lesion segmentation in MRI using a hybrid CNN with transformer layers
Li et al. Fully convolutional networks for ultrasound image segmentation of thyroid nodules
Chen et al. MBANet: Multi-branch aware network for kidney ultrasound images segmentation
Wong et al. Brain image segmentation of the corpus callosum by combining Bi-Directional Convolutional LSTM and U-Net using multi-slice CT and MRI
CN109584995A (zh) Tace治疗结果图像分析方法、系统、设备及存储介质
Yang et al. Local linear embedding based interpolation neural network in pancreatic tumor segmentation
Zhuang et al. Tumor classification in automated breast ultrasound (ABUS) based on a modified extracting feature network
Luo et al. An optimized two-stage cascaded deep neural network for adrenal segmentation on CT images
Feng et al. Learning what and where to segment: A new perspective on medical image few-shot segmentation
Lakshmipriya et al. Deep learning techniques in liver tumour diagnosis using CT and MR imaging-A systematic review

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