CN109598730B - 胸片分割及处理方法、系统及电子设备 - Google Patents
胸片分割及处理方法、系统及电子设备 Download PDFInfo
- Publication number
- CN109598730B CN109598730B CN201811472018.6A CN201811472018A CN109598730B CN 109598730 B CN109598730 B CN 109598730B CN 201811472018 A CN201811472018 A CN 201811472018A CN 109598730 B CN109598730 B CN 109598730B
- Authority
- CN
- China
- Prior art keywords
- image
- chest
- lung
- segmented
- ratio
- 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
- G06T7/10—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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
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)
Abstract
本发明提供了一种胸片分割及处理方法、系统及电子设备,涉及图像处理技术领域,方法包括:获取目标胸片的原始图像及其标注图像,得到图像数据集,标注图像包括标注有肺部实际肺张边缘和胸廓边缘的图像;利用深度学习算法对图像数据集进行训练,得到基于深度学习的图像分割模型;获取目标患者的待分割胸片,并对待分割胸片进行处理,得到待分割图像;通过图像分割模型对待分割图像进行处理,得到分割后的肺部区域和胸廓区域;根据肺部区域和胸廓区域计算肺胸比。本发明基于深度学习算法对胸片的肺部实际肺张边缘进行分割,达到了很好的分割效果,并且还首次对胸片的胸廓边缘进行分割,进而计算出肺胸比,可以作为衡量肺部通气是否异常的重要指征,扩大了肺部分割结果的应用范围。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种胸片分割及处理方法、系统及电子设备。
背景技术
目前,通常采用传统机器学习算法针对成人胸片进行肺部分割,由于成人的肺部形态已经发育成形,没有太大改变,且是站立正位拍摄,胸廓端正;而小儿的肺部形态会随着生长发育而改变,并且由于小于2岁的患儿多是在围手术期拍摄的床边胸片,且不易配合放射医生,易造成胸廓变形;所以,成人胸片的分割算法对小儿胸片分割的效果并不好,多变的小儿肺部形状给小儿胸片的肺部分割带来了很大的困难。其次,目前在对肺部进行标注时,通常是估计肺部的原始形状,不论是正常还是异常状态,都只对肺部的原始形状进行分割标注,导致训练出来的图像分割模型并不能很好地区分肺部的实际肺张部分,这并不符合应用实际,使得肺部分割结果的应用范围较小。
发明内容
有鉴于此,本发明的目的在于提供胸片分割及处理方法、系统及电子设备,以缓解目前算法只适用于成人胸片分割,并且现有的标注数据集只把肺部的原始形状进行分割,导致训练处理的图像分割模型并不能很好的区分肺部的实际肺张部分,不符合应用实际,使得肺部分割结果的应用范围较小的技术问题。
第一方面,本发明实施例提供了一种胸片分割及处理方法,包括:
获取目标胸片的原始图像及其标注图像,得到图像数据集,所述标注图像包括标注有肺部实际肺张边缘和胸廓边缘的图像;
利用深度学习算法对所述图像数据集进行训练,得到基于深度学习的图像分割模型;
获取目标患者的待分割胸片,并对所述待分割胸片进行预处理,得到待分割图像;
通过所述图像分割模型对所述待分割图像进行处理,得到分割后的肺部区域和胸廓区域;
根据所述肺部区域和所述胸廓区域计算肺胸比。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,根据所述肺部区域和所述胸廓区域计算肺胸比的步骤,包括:
将所述肺部区域所占的像素点数量与所述胸廓区域所占的像素点数量之比作为所述肺胸比。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述方法还包括:
分别计算所述目标患者的术前肺胸比和术后肺胸比;
根据所述术前肺胸比和所述术后肺胸比判断并量化术后肺不张程度。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述肺胸比的正常范围为0.35~0.85。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,根据所述术前肺胸比和所述术后肺胸比判断并量化术后肺不张程度的步骤,包括:
根据以下算式计算所述肺不张程度:
肺不张程度=(术前肺胸比-术后肺胸比)/术前肺胸比;
上述算式的限制条件为,如果术前肺胸比-术后肺胸比<0,则所述肺不张程度为0;其中,所述肺不张程度的取值范围为[0,1]。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,获取目标胸片的原始图像及其标注图像,得到图像数据集的步骤,包括:
将所述目标胸片的DICOM数据格式转换成JPG图像格式并进行脱敏处理,得到原始JPG图像;
将所述原始JPG图像中的肺部实际肺张边缘和胸廓边缘进行标注,得到肺部掩模和胸廓掩模,作为标注图像;
将所述原始JPG图像和所述标注图像作为所述图像数据集;
利用深度学习算法对所述图像数据集进行训练的步骤之前,还包括:
对所述图像数据集进行预处理。
第二方面,本发明实施例还提供一种胸片分割及处理系统,包括:
数据集获取模块,用于获取目标胸片的原始图像及其标注图像,得到图像数据集,所述标注图像包括标注有肺部实际肺张边缘和胸廓边缘的图像;
训练模块,用于利用深度学习算法对所述图像数据集进行训练,得到基于深度学习的图像分割模型;
图像处理模块,用于获取目标患者的待分割胸片,并对所述待分割胸片进行处理,得到待分割图像;
分割模块,用于通过所述图像分割模型对所述待分割图像进行处理,得到分割后的肺部区域和胸廓区域;
计算模块,用于根据所述肺部区域和所述胸廓区域计算肺胸比。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,所述计算模块还用于:
将所述肺部区域所占的像素点数量与所述胸廓区域所占的像素点数量之比作为所述肺胸比。
结合第二方面,本发明实施例提供了第二方面的第二种可能的实施方式,其中,还包括判断模块,
所述判断模块,用于分别获取所述目标患者的术前肺胸比和术后肺胸比;并根据所述术前肺胸比和所述术后肺胸比判断并量化肺不张程度。
第三方面,本发明实施例还提供一种电子设备,包括存储器和处理器;
所述存储器中存储有可在所述处理器上运行的计算机程序;
所述处理器执行所述计算机程序时实现如上所述的肺不张程度判断并量化方法的步骤。
本发明带来了以下有益效果:
本发明提供了一种胸片分割及处理方法,方法包括:获取目标胸片的原始图像及其标注图像并进行预处理,得到图像数据集,标注图像包括标注有肺部实际肺张边缘和胸廓边缘的图像;利用深度学习算法对图像数据集进行训练,得到基于深度学习的图像分割模型;获取目标患者的待分割胸片,并对待分割胸片进行预处理,得到待分割图像;通过图像分割模型对待分割图像进行处理,得到分割后的肺部区域和胸廓区域;根据肺部区域和胸廓区域计算肺胸比。基于深度学习算法对胸片的肺部实际肺张边缘进行分割,达到了很好的分割效果,并且还首次对胸片的胸廓边缘进行分割,进而计算出肺胸比,可以作为衡量肺部通气是否异常的重要指征,扩大了肺部分割结果的应用范围。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的胸片分割及处理方法的流程图;
图2为本发明实施例提供的原始JPG图像以及标注得到的肺部掩模和胸廓掩模的示意图;
图3为本发明实施例提供的胸片分割及处理系统的示意图;
图4为本发明实施例提供的电子设备的示意图。
图标:10-数据集获取模块;20-训练模块;30-图像处理模块;40-分割模块;50-计算模块;1000-电子设备;500-处理器;501-存储器;502-总线;503-通信接口。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,现有的标注数据集只把肺部的原始形状进行分割,导致训练处理的图像分割模型并不能很好的区分肺部的实际肺张部分,不符合应用实际,使得肺部分割结果的应用范围较小。基于此,本发明实施例提供的一种胸片分割及处理方法、系统及电子设备,基于深度学习算法对胸片的肺部实际肺张边缘进行分割,达到了很好的分割效果,并且还首次对胸片的胸廓边缘进行分割,进而计算出肺胸比,可以作为衡量肺部通气是否异常的重要指征,扩大了肺部分割结果的应用范围。
其次,目前已有算法都是针对成人胸片开发,由于儿童肺部的多变性,导致已有算法对儿童胸片的分割效果并不好。本实施例则建立儿童胸片数据集,应用深度学习模型,得到比现有算法更好的分割效果。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种胸片分割及处理方法进行详细介绍。
如图1所示,本实施例提供的一种胸片分割及处理方法,包括以下步骤:
步骤S101,获取目标胸片的原始图像及其标注图像,得到图像数据集,标注图像包括标注有肺部实际肺张边缘和胸廓边缘的图像;
本实施例中,目标胸片可以是小儿胸片,也可以是成人胸片,并且既包含正常胸片,也包含异常胸片,从而得到比较全面的标注数据集,即小儿胸片标注数据集或成人胸片标注数据集。将预处理得到的图像数据集作为基于深度学习的图像分割模型的输入数据。进一步地,步骤S101包括:
将目标胸片的DICOM数据格式转换成JPG图像格式并进行脱敏处理,得到原始JPG图像;
由于目标胸片的原始数据是DICOM(Digital Imaging and Communications inMedicine,医学数字成像和通信)格式的,需要转换成JPG格式,数据脱敏是指对某些敏感信息通过脱敏规则进行数据的遮挡或变形,实现敏感隐私数据的可靠保护。
将原始JPG图像中的肺部实际肺张边缘和胸廓边缘进行标注,得到肺部掩模和胸廓掩模,作为标注图像;具体地,如图2所示,对原始JPG图像进行标注,根据标注后的肺部实际肺张边缘和胸廓边缘,得到肺部掩模和胸廓掩模;
将原始JPG图像和标注图像进作为图像数据集。
另外,在步骤S102之前,还需要对图像数据集进行预处理,即裁剪、缩放等图像预处理,从而得到预设尺寸的图像,例如320x320大小的图像,具体可以根据需要设置图像尺寸。
步骤S102,利用深度学习算法对图像数据集进行训练,得到基于深度学习的图像分割模型;这里,深度学习算法采用Deeplab_VGG16,即基于VGG16的Deeplab_V2模型。本实施例首次将在自然图像分割上取得成功的Deeplab_VGG16模型,实现并应用在医学图像分割上。该模型是最初由谷歌团队提出的针对自然图像的语义分割模型,利用了空洞卷积、多尺度视野域在基础网络结构VGG16或Resnet-101上的实现,减少深度卷积神经网络中池化层对图像信息的损失并扩大感受野,最大程度地在卷积变换中保留图像信息实现像素级的分类;并利用全连接条件随机场对分割结果做平滑、去噪等后处理。其中,VGG16是视觉几何组(Visual Geometry Group)开发的一种包含16层网络结构的深度卷积神经网络。由于医学图像需要细粒度分割,最大程度保留细节,因此选择在自然图像上对上述要求已经取得很好结果的Deeplab_VGG16深度学习模型进行医学胸片图像分割。再利用本实施例创建的标注数据集,则能达到量化肺胸比和肺不张程度的医学目的。
步骤S103,获取目标患者的待分割胸片,并对待分割胸片进行处理,得到待分割图像;
本步骤中,对待分割胸片进行处理包括:将待分割胸片的DICOM数据格式转换成JPG图像格式并进行脱敏处理,然后再进行裁剪、缩放等图像预处理,得到预设尺寸的图像。
步骤S104,通过图像分割模型对待分割图像进行处理,得到分割后的肺部区域和胸廓区域;其中,分割得到的肺部区域是肺部的实际肺张部分;
步骤S105,根据肺部区域和胸廓区域计算肺胸比。由于肺部区域是对肺部实际肺张部分进行分割得到,而胸廓形状是基本保持不变的,因此,将分割的胸廓区域作为参照物,可以准确计算肺胸比。
另外,本实施例首次提出针对胸片进行胸廓分割,进而计算肺胸比,以及下述的肺不张程度,进一步满足实际医学应用需求。
本实施例中,步骤S105具体包括:将肺部区域所占的像素点数量与胸廓区域所占的像素点数量之比作为肺胸比,即肺部面积与胸廓面积之比。
肺胸比可以考量肺通气程度。正常情况下,胸廓是由骨性结构和肌肉胸膜组织构建,因此胸腔面积相对固定,而肺部实际扩张面积是随人体的呼吸运动而实时变化的。吸气时,肺张面积增大胸腔面积不变肺胸比增大,而呼气过程恰恰相反。异常情况下,如出现肺部病变(肺不张等),胸腔面积基本不变,但肺部的实际扩张面积会发生改变。因此,当默认吸气相拍摄胸片时,若患者发生肺不张等病理状态,则肺胸比会比其正常状态下要小。
肺胸比与肺通气的关系:肺胸比的正常范围为0.35~0.85。因此,根据单张胸片的肺胸比即可判断肺部通气是否异常。当患者肺胸比为0-0.35时,提示通气不足,常见肺不张、气胸、肿瘤占位等;另外,当患者肺胸比为0.85-1时,提示通气过度,常见肺气肿、慢阻肺等。
进一步地,方法还包括:分别计算目标患者的术前肺胸比和术后肺胸比;根据术前肺胸比和术后肺胸比判断并量化术后肺不张程度。具体包括:
根据以下算式计算肺不张程度:
肺不张程度=(术前肺胸比-术后肺胸比)/术前肺胸比;
上述算式的限制条件为,如果术前肺胸比-术后肺胸比<0,则肺不张程度为0;其中,肺不张程度的取值范围为[0,1]。
通过肺胸比计算肺不张程度时,也包含了精确计算肺不张面积,及其占胸廓面积的比例,即上述算式的分子项(术前肺胸比-术后肺胸比)。放射线医生在查看胸片后对肺不张往往只能给出印象性诊断,无法准确描述肺不张存在部位及面积大小,本实施例通过图像分割算法可明确显示肺不张的具体部位及其占整个胸廓的比例。另外,将肺不张程度结合患者血氧分压进行关联性分析,即可得知肺不张严重程度与低氧血症的关系,因此有助于临床医生了解肺部病变的同时即可得知患者通气氧合的情况。
肺不张程度的量化还具有更广阔的医疗应用场景,如通过得到患者术后发生肺不张程度的量化值,建立麻醉呼吸机参数和术后发生肺不张程度的关联模型,来分析术中麻醉的呼吸机参数效果,因此术后肺不张程度可作为一种为麻醉用药与呼吸机通气策略进行辅助的医学指征。
另外,肺胸比的应用对医疗方面还具有以下帮助:
(1)指导氧疗浓度选择:肺胸比异常时提示通气功能障碍患儿将出现低氧血症,此时提示需要对患儿进行给氧治疗,或在已经进行给氧治疗时提高给氧浓度,避免低氧血症的出现。
(2)辅助分析病因:利用肺胸比的值,可初步判断患儿是否存在通气功能障碍,如存在通气功能障碍,是通气过度还是通气不足,因此对分析病因有方向性的指导。
(3)应用肺胸比作为医学指征,可以节约医疗成本、减少医源性损害:现有技术中,需要通过多张连续的X线胸片进行前后对比,才可得出肺部变化情况,本实施例通过单张胸片即可计算出肺胸比来衡量肺部是否通气异常;另外,通过计算术前肺胸比和术后肺胸比即可量化术后肺不张程度,将肺不张程度和血气血氧分压值进行结合,可以判断患儿是否由于通气障碍导致低氧血症的发生;以上实施在节约医疗成本的同时,也减少了X线这种医源性损害的发生。
需要说明的是,本实施例的胸片分割及处理方法还可以用于分割心脏和胸廓,进而得到心胸比。目前医疗上测量的心胸比只是通过心脏和胸廓的横径之比得到,该测量方法是基于横径的一维数据,而本实施例是基于面积的二维数据,测量结果更加准确。其次,本实施例的胸片分割及处理方法,不仅针对儿童胸片,也可应用于成人胸片。
如图4所示,本实施例还提供了一种胸片分割及处理系统,包括:
数据集获取模块10,用于获取目标胸片的原始图像及其标注图像,得到图像数据集,标注图像包括标注有肺部实际肺张边缘和胸廓边缘的图像;
训练模块20,利用深度学习算法对图像数据集进行训练,得到基于深度学习的图像分割模型;
图像处理模块30,用于获取目标患者的待分割胸片,并对待分割胸片进行处理,得到待分割图像;
分割模块40,用于通过深度学习模型对待分割图像进行处理,得到分割后的肺部区域和胸廓区域;
计算模块50,用于根据肺部区域和胸廓区域计算肺胸比。
进一步地,计算模块50还用于:将肺部区域所占的像素点数量与胸廓区域所占的像素点数量之比作为肺胸比。
进一步地,系统还包括判断模块,判断模块,用于分别获取目标患者的术前肺胸比和术后肺胸比;并根据术前肺胸比和术后肺胸比判断并量化术后肺不张程度。
本发明实施例所提供的系统,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,系统实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例提供的胸片分割及处理系统,与上述实施例提供的胸片分割及处理方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本发明实施例还提供一种电子设备,包括存储器、处理器,存储器中存储有可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例提供的胸片分割及处理方法的步骤。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例的胸片分割及处理方法的步骤。
参见图4,本发明实施例还提供一种电子设备1000,包括:处理器500,存储器501,总线502和通信接口503,处理器500、通信接口503和存储器501通过总线502连接;存储器501用于存储程序;处理器500用于通过总线502调用存储在存储器501中的程序,执行上述实施例的胸片分割及处理方法。
其中,存储器501可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口503(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线502可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器501用于存储程序,处理器500在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器500中,或者由处理器500实现。
处理器500可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器500中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器500可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器501,处理器500读取存储器501中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的进行胸片分割及处理方法的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。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或者该技术方案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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (3)
1.一种胸片分割及处理系统,其特征在于,包括:
数据集获取模块,用于获取目标胸片的原始图像及其标注图像,得到图像数据集,所述标注图像包括标注有肺部实际肺张边缘和胸廓边缘的图像;
训练模块,用于利用深度学习算法对所述图像数据集进行训练,得到基于深度学习的图像分割模型;
图像处理模块,用于获取目标患者的待分割胸片,并对所述待分割胸片进行处理,得到待分割图像;
分割模块,用于通过所述图像分割模型对所述待分割图像进行处理,得到分割后的肺部区域和胸廓区域;
计算模块,用于根据所述肺部区域和所述胸廓区域计算肺胸比。
2.根据权利要求1所述的系统,其特征在于,所述计算模块还用于:
将所述肺部区域所占的像素点数量与所述胸廓区域所占的像素点数量之比作为所述肺胸比。
3.根据权利要求2所述的系统,其特征在于,还包括判断模块,
所述判断模块,用于分别获取所述目标患者的术前肺胸比和术后肺胸比;并根据所述术前肺胸比和所述术后肺胸比判断并量化术后肺不张程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811472018.6A CN109598730B (zh) | 2018-12-03 | 2018-12-03 | 胸片分割及处理方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811472018.6A CN109598730B (zh) | 2018-12-03 | 2018-12-03 | 胸片分割及处理方法、系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109598730A CN109598730A (zh) | 2019-04-09 |
CN109598730B true CN109598730B (zh) | 2019-12-20 |
Family
ID=65960665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811472018.6A Active CN109598730B (zh) | 2018-12-03 | 2018-12-03 | 胸片分割及处理方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109598730B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539961A (zh) * | 2019-12-13 | 2020-08-14 | 山东浪潮人工智能研究院有限公司 | 一种目标分割方法、装置以及设备 |
CN111292309B (zh) * | 2020-02-13 | 2023-08-18 | 中国人民解放军国防科学技术大学 | 一种肺组织异化程度判断方法及装置 |
CN111325758A (zh) * | 2020-02-20 | 2020-06-23 | 北京推想科技有限公司 | 肺部图像分割方法及装置、图像分割模型的训练方法 |
CN111476777B (zh) * | 2020-04-07 | 2023-08-22 | 上海联影智能医疗科技有限公司 | 胸片图像处理方法、系统、可读存储介质和设备 |
CN112329807A (zh) * | 2020-09-08 | 2021-02-05 | 上海思路迪生物医学科技有限公司 | 医用图像诊断装置、图像处理装置和方法、判断单元以及存储介质 |
CN113689425A (zh) * | 2021-09-15 | 2021-11-23 | 心医国际数字医疗系统(大连)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5638458A (en) * | 1993-11-30 | 1997-06-10 | Arch Development Corporation | Automated method and system for the detection of gross abnormalities and asymmetries in chest images |
DE102009030110A1 (de) * | 2009-06-22 | 2010-12-23 | Siemens Aktiengesellschaft | Verfahren zur Ermittlung der Ventilation einer Lunge |
JP6082337B2 (ja) * | 2013-10-30 | 2017-02-15 | 横河電機株式会社 | 心胸郭比算出装置 |
US10653388B2 (en) * | 2014-09-25 | 2020-05-19 | Koninklijke Philips N.V. | Device and method for automatic pneumothorax detection |
CN107665497B (zh) * | 2016-07-29 | 2020-11-20 | 上海联影医疗科技有限公司 | 一种医学图像中计算心胸比的方法 |
CN106875379A (zh) * | 2017-01-10 | 2017-06-20 | 陕西渭南神州德信医学成像技术有限公司 | 肺裂完整度评估方法、装置和系统 |
CN106991697B (zh) * | 2017-04-17 | 2019-08-06 | 心医国际数字医疗系统(大连)有限公司 | 胸部数字影像的心胸比测量方法 |
CN107239666B (zh) * | 2017-06-09 | 2020-10-09 | 孟群 | 一种对医疗影像数据进行脱敏处理的方法及系统 |
CN108171232B (zh) * | 2017-11-15 | 2021-12-28 | 中山大学 | 基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法 |
CN108805923B (zh) * | 2018-06-01 | 2022-04-01 | 东软医疗系统股份有限公司 | 生理参数获取方法和装置 |
CN108898595B (zh) * | 2018-06-27 | 2021-02-19 | 慧影医疗科技(北京)有限公司 | 一种胸部图像中病灶区域的定位模型的构建方法及应用 |
-
2018
- 2018-12-03 CN CN201811472018.6A patent/CN109598730B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109598730A (zh) | 2019-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598730B (zh) | 胸片分割及处理方法、系统及电子设备 | |
US9402565B2 (en) | Method and system for analyzing craniofacial complex images | |
US8189886B2 (en) | Method for detecting anatomical structures | |
Yi et al. | Automatic catheter and tube detection in pediatric x-ray images using a scale-recurrent network and synthetic data | |
WO2021082416A1 (zh) | 网络模型训练方法及装置、病灶区域确定方法及装置 | |
US10699415B2 (en) | Method and system for automatic volumetric-segmentation of human upper respiratory tract | |
WO2021073120A1 (zh) | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 | |
US20160171689A1 (en) | Method for quantifying medical image | |
US7724930B2 (en) | Systems and methods for automatic change quantification for medical decision support | |
Zhang et al. | An automated cobb angle estimation method using convolutional neural network with area limitation | |
CN114176775B (zh) | Ercp选择性胆管插管的校验方法、装置、设备及介质 | |
CN111311612A (zh) | 肺部分割方法、装置、介质及电子设备 | |
KR101685821B1 (ko) | 흉부 X-ray 영상에서 몸체 및 관심영역 분할 방법 및 시스템 | |
CN112381822B (zh) | 一种用于处理肺部病灶区图像的方法和相关产品 | |
EP3971830A1 (en) | Pneumonia sign segmentation method and apparatus, medium and electronic device | |
Chandra et al. | Segmented lung boundary correction in chest radiograph using context-aware adaptive scan algorithm | |
WO2023216947A1 (zh) | 一种用于介入手术的医学影像处理系统和方法 | |
Huang et al. | Persistent mucus plugs in proximal airways are consequential for airflow limitation in asthma | |
CN113538414B (zh) | 肺部图像配准方法和肺部图像配准装置 | |
Ibrahim et al. | Lung Segmentation Using ResUnet++ Powered by Variational Auto Encoder-Based Enhancement in Chest X-ray Images | |
CN111429406B (zh) | 结合多视图推理的乳腺x射线影像病变检出方法和装置 | |
Huidrom et al. | A fast automated lung segmentation method for the diagnosis of lung cancer | |
Zhu et al. | Automatic measurement of scoliosis based on an improved segmentation model | |
Kim et al. | Morphology-aware interactive keypoint estimation | |
JP2020080913A (ja) | 非造影ct画像からの3次元メディアルアクシスモデルに基づく関心臓器画像自動セグメンテーション装置、及び自動セグメンテーション方法 |
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 |