CN109712131A - 肺结节特征的量化方法、装置、电子设备及存储介质 - Google Patents
肺结节特征的量化方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109712131A CN109712131A CN201811614208.7A CN201811614208A CN109712131A CN 109712131 A CN109712131 A CN 109712131A CN 201811614208 A CN201811614208 A CN 201811614208A CN 109712131 A CN109712131 A CN 109712131A
- Authority
- CN
- China
- Prior art keywords
- image
- lung neoplasm
- dimensional
- target
- lung
- 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
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例公开了一种肺结节特征的量化方法、装置、电子设备及存储介质。该方法包括:依据肺部三维图像生成肺结节的目标三维分割图像;从所述目标三维分割图像中提取不同横断面的二维图像,并确定各个所述二维图像中所述肺结节的长径和短径;依据每个所述二维图像对应的所述长径和所述短径,确定所述目标三维分割图像中具有最大截面的目标二维图像;将所述目标二维图像的所述长径和所述短径作为所述肺结节的最长径和最短径。通过上述技术方案,实现了自动确定肺结节的最长径和最短径,从而提高了肺结节的最长径和最短径的确定速度和精度。
Description
技术领域
本发明实施例涉及医学图像处理技术,尤其涉及一种肺结节特征的量化方法、装置、电子设备及存储介质。
背景技术
肺癌是发病率和死亡率最高,对人类健康威胁最大的恶性肿瘤,其死亡率如此高的主要原因之一是发现恶性肺结节非常困难。
目前常采用低剂量计算机断层扫描(Low dose computed tomography,LDCT)技术获取肺部的CT图像,以检查肺部是否有肺结节。对于不确定的肺结节则进一步采用随访方式,以监测肺结节的生长速度,进而识别可疑的恶性病变。上述肺结节的生长评估是通过定期或不定期的对肺结节特征的量化结果进行比较与分析。因此,选择恰当的肺结节特征以及确定精确的特征量化结果便显得尤其重要。
发明内容
本发明实施例提供一种肺结节特征的量化方法、装置、电子设备及存储介质,以实现更加快速且精确地确定肺结节的最长径和最短径,从而提高肺结节生长评估效率。
第一方面,本发明实施例提供了一种肺结节特征的量化方法,包括:
依据肺部三维图像生成肺结节的目标三维分割图像;
从所述目标三维分割图像中提取不同横断面的二维图像,并确定各个所述二维图像中所述肺结节的长径和短径;
依据每个所述二维图像对应的所述长径和所述短径,确定所述目标三维分割图像中具有最大截面的目标二维图像;
将所述目标二维图像的所述长径和所述短径作为所述肺结节的最长径和最短径。
第二方面,本发明实施例还提供了一种肺结节特征的量化装置,该装置包括:
目标三维分割图像生成模块,用于依据肺部三维图像生成肺结节的目标三维分割图像;
长径和短径确定模块,用于从所述目标三维分割图像中提取不同横断面的二维图像,并确定各个所述二维图像中所述肺结节的长径和短径;
目标二维图像确定模块,用于依据每个所述二维图像对应的所述长径和所述短径,确定所述目标三维分割图像中具有最大截面的目标二维图像;
最长径和最短径确定模块,用于将所述目标二维图像的所述长径和所述短径作为所述肺结节的最长径和最短径。
第三方面,本发明实施例还提供了一种设备,该设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例所提供的肺结节特征的量化方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本发明任意实施例所提供的肺结节特征的量化方法。
本发明实施例通过选定肺结节的最长径和最短径作为肺结节量化特征,能够更加清晰地反映肺结节的生长形态,为肺结节的生长评估提供可靠的数据支持。通过确定肺结节的目标三维分割图像中各个二维图像中肺结节的长径和短径,并依据每个二维图像对应的长径和短径,确定目标三维分割图像中具有最大截面的目标二维图像,进而将目标二维图像的长径和短径作为肺结节的最长径和最短径。实现了自动确定肺结节的最长径和最短径,解决了人工选择端点确定最长径和最短径而导致的数据不精确的问题,从而提高了肺结节的最长径和最短径的确定速度和数值精度。
附图说明
图1是本发明实施例一中的一种肺结节特征的量化方法的流程图;
图2是本发明实施例二中的一种肺结节特征的量化方法的流程图;
图3是本发明实施例三中的一种肺结节特征的量化装置的结构示意图;
图4是本发明实施例四中的一种电子设备的结构示意图。
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
本实施例提供的肺结节特征的量化方法可适用于肺结节特征提取及量化的情况。该方法可以由肺结节特征的量化装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在具有图像处理功能的电子设备中,例如台式电脑或服务器等。参见图1,本实施例的方法具体包括如下步骤:
S110、依据肺部三维图像生成肺结节的目标三维分割图像。
其中,肺部三维图像是指肺部的三维医学影像,其可以是通过对病患的肺部进行医学扫描并对扫描数据三维重建获得,也可以是直接从医学系统中获取。目标三维分割图像是指进行肺结节分割提取后获得的肺结节的三维分割结果。
具体地,获取病患的肺部三维图像,并对该肺部三维图像进行肺结节分割,从肺部三维图像中分割出肺结节,获得肺结节的目标三维分割图像。该目标三维分割图像为二值化图像,其中灰度值0表示非肺结节的背景区域,灰度值1表示肺结节区域。
示例性地,依据肺部三维图像生成肺结节的目标三维分割图像包括:依据肺部三维图像,基于预设肺结节分割算法,确定肺结节的初始三维分割图像;依据肺结节形态确定肺结节的立体边框,并依据立体边框从初始三维分割图像中提取肺结节,生成肺结节的目标三维分割图像。
其中,预设肺结节分割算法是指预先确定的,用于进行肺结节分割的算法。例如可以是诸如阈值分割方法或区域生长方法等基于亮度的传统图像处理方法,也可以是基于深度学习的图像处理方法,例如全卷积神经网络模型(Fully convolutional networks,FCN)、基于二维医学图像的全卷积神经网络模型U-net和基于三维医学图像的全卷积神经网络模型V-net等。初始三维分割图像是指直接对肺部三维图像进行肺结节分割所获得的分割结果。
具体地,将肺部三维图像输入预设肺结节分割算法进行肺结节分割,获得肺结节的初始三维分割图像。该初始三维分割图像的图像尺寸与最终输入预设肺结节分割算法的肺部三维图像的图像尺寸一致,只是初始三维分割图像是一个区分肺结节区域和背景区域的二值化图像。由于肺结节在初始三维分割图像中的占比很小,不便于后续观察肺结节的形态,故本实施例进一步对初始三维分割图像进行处理。具体实施时,根据初始三维分割图像中表征肺结节的肺结节体素的分布情况,确定出与该形态最为吻合的立体形状,例如正方体或长方体等,作为该肺结节的立体边框。最后,利用确定的立体边框,对初始三维分割图像进行裁剪,以便从初始三维分割图像中再次提取出包含更少的背景区域的肺结节的三维分割图像,并将该三维分割图像的坐标系转换至肺部三维图像对应的坐标系,获得目标三维分割图像。该目标三维分割图像的图像尺寸要小于初始三维分割图像的图像尺寸,且目标三维分割图像的图像形状与立体边框的形状一致。这样设置的好处在于,能够获得肺结节占比较大的三维分割图像,进一步提高后续图像处理速度。
示例性地,预设肺结节分割算法为预先训练的基于三维医学图像的全卷积神经网络模型V-net。
具体地,为了提高肺结节分割速度,本发明实施例选择了能够处理三维医学图像,且具有更快收敛速度的全卷积神经网络模型V-net。而为了获得更加适用于肺结节分割的V-net模型,本发明实施例中选择了一定数量的肺部三维医学图像作为模型训练样本集,并结合Dice损失函数对V-net模型进行训练,获得肺结节分割的V-net模型。其中,为了进一步提高模型适用性,训练样本集中应当包含具有不同大小、形态和位置的肺结节的三维医学图像,例如肺结节应当包含孤立性结节、胸膜旁结节、内部有黑洞的空洞结节、磨玻璃样结节、钙化性结节以及一些与肺内的血管粘连且灰度相似的结节等。
应当说明的是,鉴于各个三维医学图像的图像分辨率和灰度值等具有差异性,以及配置有肺结节特征的量化装置的电子设备的硬件(如显存GPU)有限,在进行模型训练及模型应用时,可以对肺部三维图像进行预处理操作,例如分辨率重采样、灰度归一化和图像分块裁剪等至少一种预处理,获得预处理肺部三维图像,进而将该预处理肺部三维图像输入预设肺结节分割算法,以便消除上述问题的影响,从而进一步提高V-net模型的肺结节分割速度。
S120、从目标三维分割图像中提取不同横断面的二维图像,并确定各个二维图像中肺结节的长径和短径。
其中,横断面是指横断身体,与地面平行的切面,亦称水平面。
具体地,将目标三维分割图像放置于肺部三维图像对应的x-y-z三维坐标系中,这时横断面便为与x-y平面平行的二维平面,其对应于一个z轴方向的坐标值(即z值)。然后根据预先设置的多个z值,从目标三维分割图像中提取多个x-y平面上的二维图像。可以理解,每一个二维图像中均包含肺结节的一个截面。上述二维图像的数量与z值的设置数量一致。多个z值可以是人为设置的多个数值,也可以是根据目标三维分割图像对应的z值范围自动计算设定。之后,确定每一个提取出来的二维图像中肺结节截面的长径和短径。
S130、依据每个二维图像对应的长径和短径,确定目标三维分割图像中具有最大截面的目标二维图像。
具体地,每一个二维图像均有一个长径和短径(简称为一个数据对),那么多个二维图像便有多个长径和短径组成的数据对。根据多个数据对确定出所有二维图像中具有最大肺结节截面的二维图像,作为目标二维图像。确定目标二维图像的过程可以是建立长径、短径和最大截面之间的统计学关系,进而根据该统计学关系和多个数据对确定出目标二维图像。
S140、将目标二维图像的长径和短径作为肺结节的最长径和最短径。
具体地,由于目标二维图像中具有最大截面积的肺结节,故可以将该目标二维图像的长径和短径作为整个肺结节的最长径和最短径。
本实施例的技术方案,通过选定肺结节的最长径和最短径作为肺结节量化特征,能够更加清晰地反映肺结节的生长形态,为肺结节的生长评估提供可靠的数据支持。通过确定肺结节的目标三维分割图像中各个二维图像中肺结节的长径和短径,并依据每个二维图像对应的长径和短径,确定目标三维分割图像中具有最大截面的目标二维图像,进而将目标二维图像的长径和短径作为肺结节的最长径和最短径。解决了人工选择端点确定最长径和最短径而导致的数据不精确的问题,实现了自动确定肺结节的最长径和最短径,从而提高了肺结节的最长径和最短径的确定速度和数值精度。
实施例二
本实施例在上述实施例一的基础上,对“确定二维图像中肺结节的长径和短径”进行了进一步优化。在此基础上,也可以增加“依据所述目标三维分割图像中的体素体积和肺结节体素个数,确定所述肺结节的体积”的步骤。在上述基础上,还可以进一步对“依据每个二维图像对应的长径和短径,确定目标三维分割图像中具有最大截面的目标二维图像”进行优化。其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图2,本实施例提供的肺结节特征的量化方法包括:
S210、依据肺部三维图像生成肺结节的目标三维分割图像。
S220、依据目标三维分割图像中的体素体积和肺结节体素个数,确定肺结节的体积。
具体地,获得目标三维分割图像之后,根据其中每一个体素的体积和灰度值为1(表示肺结节)的肺结节体素的个数,计算肺结节的体积,以便提供更加直观的肺结节特征,从而进一步提高肺结节生长评估效率。
上述确定肺结节体积的表达式可以是:
V=Vp·n
其中,V表示肺结节体积,Vp表示体素体积,n表示目标三维分割图像中肺结节体素个数。Vp的计算表达式如下:
Vp=spacing_x·spacing_y·spacing_z
其中,spacing_x表示一个体素在x轴方向的长度,可认为是体素的长;spacing_y表示一个体素在y轴方向的长度,可认为是体素的宽;spacing_z表示一个体素在z轴方向的长度,可认为是体素的高。
S230、从目标三维分割图像中提取不同横断面的二维图像。
S240、针对每一个二维图像,从二维图像中提取肺结节的各个轮廓点。
具体地,利用诸如边缘检测等方法从二维图像中提取肺结节边界,进而从肺结节边界中提取各个轮廓点。
示例性地,从二维图像中提取肺结节的各个轮廓点包括:按照设定倍数放大二维图像,生成放大二维图像;对放大二维图像进行滤波和平滑,生成平滑二维图像,并从平滑二维图像中提取肺结节的各个轮廓点。
其中,设定倍数是预先设定的倍数数值,其根据肺结节的大小进行设定。
具体地,由于肺结节通常较小,故目标三维分割图像也较小,基于目标三维分割图像获得的二维图像中的各个坐标值之间的差异较小,不利于后续长径和短径的计算。故本实施例中,在提取各个轮廓点之前,先将二维图像放大设定倍数倍,获得放大二维图像。又由于直接基于肺结节分割算法分割得到的肺结节在二维图像中存在噪声点,故对放大二维图像进行滤波以去噪,同时对去噪后的放大二维图像进行平滑,以获得数据连续性较好的平滑二维图像。最后,从该平滑二维图像中提取肺结节的各个轮廓点。这样设置的好处在于提高各个轮廓点的提取精度。
S250、依据各个轮廓点的坐标确定轮廓点间距离,并依据轮廓点间距离确定肺结节的长径。
具体地,选取二维图像中肺结节截面中具有最大距离的两个轮廓点之间的距离作为该二维图像中肺结节的长径。具体实施时,先依据各个轮廓点的坐标确定任意两个轮廓点之间的距离,获得二维图像中的各个轮廓点间距离。计算任意两个轮廓点(pl1,pl2)之间的距离length的公式如下所示:
之后,将各个轮廓点间距离中的最大轮廓点间距离确定为该二维图像中肺结节的长径,将该最大轮廓点间距离对应的两个轮廓点作为该长径的两个端点。
S260、依据各个轮廓点确定与长径垂直的各个垂线段,并依据各个垂线段的长度确定肺结节的短径。
具体地,在二维图像中,沿着长径对应的线段(即长径线段)的垂直方向,两两连接轮廓点,获得与长径线段垂直的各个垂线段。之后,将各个垂线段中长度最长的垂线段的长度确定为该二维图像中肺结节的短径,该短径对应的两个轮廓点便为短径的两个端点。
需要说明的是,对于每一个二维图像均需执行S240~S260的步骤,从而确定每一个二维图像中肺结节截面的长径和长径端点,以及短径和短径端点。
S270、依据每个二维图像对应的长径和短径,确定每个二维图像中肺结节的平均直径。
具体地,对于每一个二维图像,按照(长径+短径)/2的计算表达式计算该二维图像中肺结节的平均直径,便可获得每个二维图像中肺结节的平均直径。
S280、依据各个平均直径确定最大平均直径,并将目标三维分割图像中与最大平均直径对应的二维图像确定为具有最大截面的目标二维图像。
具体地,比较各个平均直径,确定出平均直径中的最大值作为最大平均直径。之后,将最大平均直径对应的二维图像确定为目标三维分割图像中具有最大截面的目标二维图像。
S290、将目标二维图像的长径和短径作为肺结节的最长径和最短径。
需要说明的是S220可以按序执行,也可以在S290之后执行。在上述操作之后,还可以将每个二维图像中的各个轮廓点、长径线段和短径线段显示在对应的二维图像中。也可以将所有二维图像的各个轮廓点、最长径线段和最短径线段显示在目标三维分割图像或肺部三维图像中。
本实施例的技术方案,通过根据目标三维分割图像中的体素体积和肺结节体素个数确定肺结节的体积,能够提供更加直观的肺结节特征,从而进一步提高肺结节生长评估效率。通过从二维图像中提取肺结节的各个轮廓点,然后根据各个轮廓点的坐标确定每个二维图像中肺结节的长径和短径,之后根据各个二维图像的长径和短径确定各个平均直径,并将最大平均直径对应的二维图像确定为目标二维图像,最后将目标二维图像中的长径和短径确定为肺结节的最长径和最短径,进一步提高了自动确定肺结节最长径和最短径的速度和精度。
以下是本发明实施例提供的肺结节特征的量化装置的实施例,该装置与上述各实施例的肺结节特征的量化方法属于同一个发明构思,在肺结节特征的量化装置的实施例中未详尽描述的细节内容,可以参考上述肺结节特征的量化方法的实施例。
实施例三
本实施例提供一种肺结节特征的量化装置,参见图3,该装置具体包括:
目标三维分割图像生成模块310,用于依据肺部三维图像生成肺结节的目标三维分割图像;
长径和短径确定模块320,用于从目标三维分割图像中提取不同横断面的二维图像,并确定各个二维图像中肺结节的长径和短径;
目标二维图像确定模块330,用于依据每个二维图像对应的长径和短径,确定目标三维分割图像中具有最大截面的目标二维图像;
最长径和最短径确定模块340,用于将目标二维图像的长径和短径作为肺结节的最长径和最短径。
可选地,目标三维分割图像生成模块310具体用于:
依据肺部三维图像,基于预设肺结节分割算法,确定肺结节的初始三维分割图像;
依据肺结节形态确定肺结节的立体边框,并依据立体边框从初始三维分割图像中提取肺结节,生成肺结节的目标三维分割图像。
其中,预设肺结节分割算法为预先训练的基于三维医学图像的全卷积神经网络模型V-net。
可选地,长径和短径确定模块320包括:
轮廓点提取子模块,用于从二维图像中提取肺结节的各个轮廓点;
长径确定子模块,用于依据各个轮廓点的坐标确定轮廓点间距离,并依据轮廓点间距离确定肺结节的长径;
短径确定子模块,用于依据各个轮廓点确定与长径垂直的各个垂线段,并依据各个垂线段的长度确定肺结节的短径。
进一步地,轮廓点提取子模块具体用于:
按照设定倍数放大二维图像,生成放大二维图像;
对放大二维图像进行滤波和平滑,生成平滑二维图像,并从平滑二维图像中提取肺结节的各个轮廓点。
可选地,目标二维图像确定模块330具体用于:
依据每个二维图像对应的长径和短径,确定每个二维图像中肺结节的平均直径;
依据各个平均直径确定最大平均直径,并将目标三维分割图像中与最大平均直径对应的二维图像确定为具有最大截面的目标二维图像。
在上述装置的基础上,该装置还包括肺结节体积确定模块,用于:
在依据肺部三维图像生成肺结节的目标三维分割图像之后,依据目标三维分割图像中的体素体积和肺结节体素个数,确定肺结节的体积。
通过本发明实施例三的一种肺结节特征的量化装置,实现了自动确定肺结节的最长径和最短径,解决了人工选择端点确定最长径和最短径而导致的数据不精确的问题,从而提高了肺结节的最长径和最短径的确定速度和数值精度。
本发明实施例所提供的肺结节特征的量化装置可执行本发明任意实施例所提供的肺结节特征的量化方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述肺结节特征的量化装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例四
参见图4,本实施例提供了一种电子设备400,其包括:一个或多个处理器420;存储装置410,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器420执行,使得一个或多个处理器420实现本发明实施例所提供的肺结节特征的量化方法,包括:
依据肺部三维图像生成肺结节的目标三维分割图像;
从目标三维分割图像中提取不同横断面的二维图像,并确定各个二维图像中肺结节的长径和短径;
依据每个二维图像对应的长径和短径,确定目标三维分割图像中具有最大截面的目标二维图像;
将目标二维图像的长径和短径作为肺结节的最长径和最短径。
当然,本领域技术人员可以理解,处理器420还可以实现本发明任意实施例所提供的肺结节特征的量化方法的技术方案。
图4显示的电子设备400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4所示,该电子设备400包括处理器420、存储装置410、输入装置430和输出装置440;电子设备中处理器420的数量可以是一个或多个,图4中以一个处理器420为例;电子设备中的处理器420、存储装置410、输入装置430和输出装置440可以通过总线或其他方式连接,图4中以通过总线450连接为例。
存储装置410作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的肺结节特征的量化方法对应的程序指令/模块(例如,肺结节特征的量化装置中的目标三维分割图像生成模块、长径和短径确定模块、目标二维图像确定模块和最长径和最短径确定模块)。
存储装置410可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储装置410可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储装置410可进一步包括相对于处理器420远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字、图像或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
实施例五
本实施例提供一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行一种肺结节特征的量化方法,该方法包括:
依据肺部三维图像生成肺结节的目标三维分割图像;
从目标三维分割图像中提取不同横断面的二维图像,并确定各个二维图像中肺结节的长径和短径;
依据每个二维图像对应的长径和短径,确定目标三维分割图像中具有最大截面的目标二维图像;
将目标二维图像的长径和短径作为肺结节的最长径和最短径。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作,还可以执行本发明任意实施例所提供的肺结节特征的量化方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,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,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台电子设备(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提供的肺结节特征的量化方法。
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)
1.一种肺结节特征的量化方法,其特征在于,包括:
依据肺部三维图像生成肺结节的目标三维分割图像;
从所述目标三维分割图像中提取不同横断面的二维图像,并确定各个所述二维图像中所述肺结节的长径和短径;
依据每个所述二维图像对应的所述长径和所述短径,确定所述目标三维分割图像中具有最大截面的目标二维图像;
将所述目标二维图像的所述长径和所述短径作为所述肺结节的最长径和最短径。
2.根据权利要求1所述的方法,其特征在于,依据肺部三维图像生成肺结节的目标三维分割图像包括:
依据所述肺部三维图像,基于预设肺结节分割算法,确定所述肺结节的初始三维分割图像;
依据肺结节形态确定所述肺结节的立体边框,并依据所述立体边框从所述初始三维分割图像中提取肺结节,生成所述肺结节的目标三维分割图像。
3.根据权利要求2所述的方法,其特征在于,所述预设肺结节分割算法为预先训练的基于三维医学图像的全卷积神经网络模型V-net。
4.根据权利要求1所述的方法,其特征在于,确定所述二维图像中所述肺结节的长径和短径包括:
从所述二维图像中提取所述肺结节的各个轮廓点;
依据各个所述轮廓点的坐标确定轮廓点间距离,并依据所述轮廓点间距离确定所述肺结节的长径;
依据各个所述轮廓点确定与所述长径垂直的各个垂线段,并依据各个所述垂线段的长度确定所述肺结节的短径。
5.根据权利要求4所述的方法,其特征在于,从所述二维图像中提取所述肺结节的各个轮廓点包括:
按照设定倍数放大所述二维图像,生成放大二维图像;
对所述放大二维图像进行滤波和平滑,生成平滑二维图像,并从所述平滑二维图像中提取所述肺结节的各个所述轮廓点。
6.根据权利要求1所述的方法,其特征在于,依据每个所述二维图像对应的所述长径和所述短径,确定所述目标三维分割图像中具有最大截面的目标二维图像包括:
依据每个所述二维图像对应的所述长径和所述短径,确定每个所述二维图像中所述肺结节的平均直径;
依据各个所述平均直径确定最大平均直径,并将所述目标三维分割图像中与所述最大平均直径对应的所述二维图像确定为具有最大截面的目标二维图像。
7.根据权利要求1所述的方法,其特征在于,在依据肺部三维图像生成肺结节的目标三维分割图像之后,还包括:
依据所述目标三维分割图像中的体素体积和肺结节体素个数,确定所述肺结节的体积。
8.一种肺结节特征的量化装置,其特征在于,包括:
目标三维分割图像生成模块,用于依据肺部三维图像生成肺结节的目标三维分割图像;
长径和短径确定模块,用于从所述目标三维分割图像中提取不同横断面的二维图像,并确定各个所述二维图像中所述肺结节的长径和短径;
目标二维图像确定模块,用于依据每个所述二维图像对应的所述长径和所述短径,确定所述目标三维分割图像中具有最大截面的目标二维图像;
最长径和最短径确定模块,用于将所述目标二维图像的所述长径和所述短径作为所述肺结节的最长径和最短径。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的肺结节特征的量化方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的肺结节特征的量化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811614208.7A CN109712131B (zh) | 2018-12-27 | 2018-12-27 | 肺结节特征的量化方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811614208.7A CN109712131B (zh) | 2018-12-27 | 2018-12-27 | 肺结节特征的量化方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109712131A true CN109712131A (zh) | 2019-05-03 |
CN109712131B CN109712131B (zh) | 2021-04-16 |
Family
ID=66258799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811614208.7A Active CN109712131B (zh) | 2018-12-27 | 2018-12-27 | 肺结节特征的量化方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109712131B (zh) |
Cited By (9)
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 |
CN110533638A (zh) * | 2019-08-02 | 2019-12-03 | 杭州依图医疗技术有限公司 | 一种测量对象尺寸的方法及装置 |
CN110533120A (zh) * | 2019-09-05 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 器官结节的图像分类方法、装置、终端及存储介质 |
CN110956635A (zh) * | 2019-11-15 | 2020-04-03 | 上海联影智能医疗科技有限公司 | 一种肺段分割方法、装置、设备及存储介质 |
CN111161242A (zh) * | 2019-12-27 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 肺结节hu值确定方法、装置、存储介质及计算机设备 |
CN112750099A (zh) * | 2019-10-16 | 2021-05-04 | 深圳市理邦精密仪器股份有限公司 | 卵泡测量方法、超声设备以及计算机可读存储介质 |
CN112863649A (zh) * | 2020-12-31 | 2021-05-28 | 四川大学华西医院 | 玻璃体内肿瘤影像结果输出系统及方法 |
CN113222946A (zh) * | 2021-05-19 | 2021-08-06 | 浙江卡易智慧医疗科技有限公司 | 一种肺结节尺寸计算的方法 |
CN113393512A (zh) * | 2021-05-19 | 2021-09-14 | 哈尔滨工业大学 | 基于二维超声图像的甲状腺体积自动估算方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102805A (zh) * | 2013-04-15 | 2014-10-15 | 上海联影医疗科技有限公司 | 医疗图像信息处理方法和装置 |
CN104899851A (zh) * | 2014-03-03 | 2015-09-09 | 天津医科大学 | 一种分割肺结节图像的方法 |
CN107480677A (zh) * | 2017-08-07 | 2017-12-15 | 北京深睿博联科技有限责任公司 | 一种识别三维ct图像中感兴趣区域的方法及装置 |
CN108133476A (zh) * | 2017-12-26 | 2018-06-08 | 安徽科大讯飞医疗信息技术有限公司 | 一种肺结节自动检测方法及系统 |
US20180263607A1 (en) * | 2017-03-16 | 2018-09-20 | Boston Scientific Scimed, Inc. | Biopsy needle for accessing peripheral lung nodules |
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 |
CN108648192A (zh) * | 2018-05-17 | 2018-10-12 | 杭州依图医疗技术有限公司 | 一种检测结节的方法及装置 |
CN108717700A (zh) * | 2018-04-09 | 2018-10-30 | 杭州依图医疗技术有限公司 | 一种检测结节长短径长度的方法及装置 |
CN108986085A (zh) * | 2018-06-28 | 2018-12-11 | 深圳视见医疗科技有限公司 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
CN109035187A (zh) * | 2018-07-10 | 2018-12-18 | 杭州依图医疗技术有限公司 | 一种医学图像的标注方法及装置 |
-
2018
- 2018-12-27 CN CN201811614208.7A patent/CN109712131B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102805A (zh) * | 2013-04-15 | 2014-10-15 | 上海联影医疗科技有限公司 | 医疗图像信息处理方法和装置 |
CN104899851A (zh) * | 2014-03-03 | 2015-09-09 | 天津医科大学 | 一种分割肺结节图像的方法 |
US20180263607A1 (en) * | 2017-03-16 | 2018-09-20 | Boston Scientific Scimed, Inc. | Biopsy needle for accessing peripheral lung nodules |
CN107480677A (zh) * | 2017-08-07 | 2017-12-15 | 北京深睿博联科技有限责任公司 | 一种识别三维ct图像中感兴趣区域的方法及装置 |
CN108133476A (zh) * | 2017-12-26 | 2018-06-08 | 安徽科大讯飞医疗信息技术有限公司 | 一种肺结节自动检测方法及系统 |
CN108717700A (zh) * | 2018-04-09 | 2018-10-30 | 杭州依图医疗技术有限公司 | 一种检测结节长短径长度的方法及装置 |
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 |
CN108648192A (zh) * | 2018-05-17 | 2018-10-12 | 杭州依图医疗技术有限公司 | 一种检测结节的方法及装置 |
CN108986085A (zh) * | 2018-06-28 | 2018-12-11 | 深圳视见医疗科技有限公司 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
CN109035187A (zh) * | 2018-07-10 | 2018-12-18 | 杭州依图医疗技术有限公司 | 一种医学图像的标注方法及装置 |
Non-Patent Citations (1)
Title |
---|
周清华 等: "中国肺部结节分类、诊断与治疗指南(2016年版)", 《中国肺癌杂志》 * |
Cited By (12)
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 |
CN110533638A (zh) * | 2019-08-02 | 2019-12-03 | 杭州依图医疗技术有限公司 | 一种测量对象尺寸的方法及装置 |
CN110533120A (zh) * | 2019-09-05 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 器官结节的图像分类方法、装置、终端及存储介质 |
CN110533120B (zh) * | 2019-09-05 | 2023-12-12 | 腾讯科技(深圳)有限公司 | 器官结节的图像分类方法、装置、终端及存储介质 |
CN112750099A (zh) * | 2019-10-16 | 2021-05-04 | 深圳市理邦精密仪器股份有限公司 | 卵泡测量方法、超声设备以及计算机可读存储介质 |
CN110956635A (zh) * | 2019-11-15 | 2020-04-03 | 上海联影智能医疗科技有限公司 | 一种肺段分割方法、装置、设备及存储介质 |
CN110956635B (zh) * | 2019-11-15 | 2023-12-01 | 上海联影智能医疗科技有限公司 | 一种肺段分割方法、装置、设备及存储介质 |
CN111161242A (zh) * | 2019-12-27 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 肺结节hu值确定方法、装置、存储介质及计算机设备 |
CN111161242B (zh) * | 2019-12-27 | 2024-02-27 | 上海联影智能医疗科技有限公司 | 肺结节hu值确定方法、装置、存储介质及计算机设备 |
CN112863649A (zh) * | 2020-12-31 | 2021-05-28 | 四川大学华西医院 | 玻璃体内肿瘤影像结果输出系统及方法 |
CN113222946A (zh) * | 2021-05-19 | 2021-08-06 | 浙江卡易智慧医疗科技有限公司 | 一种肺结节尺寸计算的方法 |
CN113393512A (zh) * | 2021-05-19 | 2021-09-14 | 哈尔滨工业大学 | 基于二维超声图像的甲状腺体积自动估算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109712131B (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109712131A (zh) | 肺结节特征的量化方法、装置、电子设备及存储介质 | |
US10268917B2 (en) | Pre-segment point cloud data to run real-time shape extraction faster | |
KR101392804B1 (ko) | 지상 라이다에서 취득된 포인트 클라우드 기반의 실내공간 3차원 모델 추출 방법 및 이를 구현하기 위한 프로그램이 기록된 기록매체 | |
WO2019071976A1 (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
US10957062B2 (en) | Structure depth-aware weighting in bundle adjustment | |
CN109977952B (zh) | 基于局部最大值的候选目标检测方法 | |
CN110176064B (zh) | 一种摄影测量生成三维模型的主体对象自动识别方法 | |
US11182942B2 (en) | Map generation system and method for generating an accurate building shadow | |
CN115330940B (zh) | 一种三维重建方法、装置、设备和介质 | |
CN114332291A (zh) | 一种倾斜摄影模型建筑物外轮廓规则提取方法 | |
CN114565722A (zh) | 一种三维模型单体化实现方法 | |
CN114821055A (zh) | 房屋模型的构建方法、装置、可读存储介质和电子设备 | |
CN108960012A (zh) | 特征点检测方法、装置及电子设备 | |
CN116051980B (zh) | 基于倾斜摄影的建筑识别方法、系统、电子设备及介质 | |
US8897547B2 (en) | Precision improving device for three dimensional topographical data, precision improving method for three dimensional topographical data and recording medium | |
CN116206302A (zh) | 三维目标检测方法、装置、计算机设备和存储介质 | |
CN111369425B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
KR102531766B1 (ko) | 상세 단계 생성을 위한 밀도 값 기반 사면체 모델 분할 방법 및 장치 | |
CN114748872B (zh) | 一种基于信息融合的游戏渲染更新方法 | |
CN112132845B (zh) | 三维模型的单体化方法、装置、电子设备和可读介质 | |
CN109190457B (zh) | 一种基于大幅面遥感图像的油库集群目标快速检测方法 | |
CN117830540A (zh) | 一种三维模型构建方法、装置、设备及存储介质 | |
CN116758239A (zh) | 激光线处理方法、装置、计算机设备和存储介质 | |
CN117173381A (zh) | 图像校正方法、装置以及数字人自动建模方法、装置 | |
CN118262057A (zh) | 地质界线追踪方法、装置、设备及可读介质 |
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 |