CN110664425A - 一种肺原位癌识别方法的关键ct技术 - Google Patents
一种肺原位癌识别方法的关键ct技术 Download PDFInfo
- Publication number
- CN110664425A CN110664425A CN201910963996.9A CN201910963996A CN110664425A CN 110664425 A CN110664425 A CN 110664425A CN 201910963996 A CN201910963996 A CN 201910963996A CN 110664425 A CN110664425 A CN 110664425A
- Authority
- CN
- China
- Prior art keywords
- technology
- key
- identification method
- lung
- 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.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computerised tomographs
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
Abstract
本发明涉及一种肺原位癌识别方法的关键CT技术,包括超高分辨率CT、多体位成像技术、靶扫描技术、结合图像处理技术。其优点表现在:不同于常规扫描所得的原始数据图像进行靶重建,靶扫描并不是简单的几何放大,图像更清晰。而是将靶扫描建立于超高分辨率CT基础上,多体位成像,使所得图像更加清晰,能清晰显示小结节的内部细微结构、密度、边界以及周围征象。且超高分辨率结合多体位成像技术、靶扫描技术可以对磨玻璃结节在形状、边缘、密度、直径、内部实性成分、血管异常、胸膜凹陷征等方面特征性影像表现进行分析,有望对AAH与AIS做出早期精确诊断,进一步指导临床。
Description
技术领域
本发明涉及肺原位癌识别技术领域,具体地说,是一种肺原位癌识别方法的关键CT技术。
背景技术
肺癌是世界上发病率和死亡率最高的恶性肿瘤.据统计肺癌中发病率最高的病理类型是肺腺癌,占被检测出的肺癌的65.4%。而肺腺癌分为浸润前病变(不典型腺瘤样增生,atypical adenomatous hyperplasia,AAH和原位腺癌,adenocarcinoma in situ,AIS)、微浸润腺癌(minimally invasive adenocarcinoma,MIA)、浸润性腺癌以及浸润性腺癌变异型四大类。这四大类型中,浸润前病变与微浸润腺癌、浸润性腺癌的影像表现有一定的特征性,易于诊断,但AAH与AIS是截然不同的两个病理阶段,临床处理方式不同,AAH完全可以CT随访,而AIS,作为肺癌的起点,应当尽早手术。
目前肺癌的筛查主要依赖影像学手段,主要的影像学手段为常规低剂量CT扫描,层厚为5mm。但由于其层厚大,像素大,空间分辨率低,而AAH与AIS的影像学表现差异较小,临床上难以区分,只能通过经验的密度比较及边界情况等进行判断;或者AIS往往以随访的方式来排除AAH的可能,这对肺癌的早发现早诊断是不利的。
为进一步满足临床需求,目前广泛应用的高分辨率CT(HRCT),层厚为1mm。其采用512×512矩阵,对判断1cm以上肺结节的良恶性较为敏感,但对1cm以下的结节的诊断结果却并不可靠,难以正确区分不典型腺瘤样增生和原位腺癌,从而导致误诊。
现有技术的不足和缺点:
影像上AAH通常为0.5cm大小、圆形或类圆形、边缘光滑、无实性成分、无毛刺、无胸膜牵拉或血管聚集的局灶性磨玻璃影。在HRCT上,AIS一般亦为磨玻璃结节,其密度较AAH者稍高,有时表现为部分实性结节,偶为实性结节。但是,浸润前病变的密度有较大的重叠,目前尚未有准确的定量测定的方法来鉴别。因此,目前影像学上的不同表现主要基于不同观察者对病变形态和密度的经验判断,难以形成科学的证据。这也将影响到临床上的处理方式和预后判断。
据研究统计,CT值、磨玻璃结节内实性成分的比例等影像表现对肺腺癌的诊断及分型起关键作用。但肺结节内结构与密度的显示有赖于检查技术。目前传统高分辨率CT,部分磨玻璃结节的内部特征及密度特征并不清晰,达不到诊断要求。因此改善检查技术、提高图像分辨率对诊断能力的提高至关重要。
中国专利文献:CN108875734A,公开日:2018.11.23,公开了一种肝脏癌变定位方法、装置及存储介质,该方法通过获取第一预设数量的CT切片样本图像,每个CT切片样本图像上标注有病变标志点及由病变标志点限定出的病变形状曲线及非癌症标记或者癌症标记,并对获取的各个CT切片样本图像进行预处理,生成对应的预处理图像。接着,分别对各个预处理图像按照预设的形变规则,生成对应的形变图像,将每个预处理图像及其对应的形变图像分别组成一个对应的待训练图像集合,并利用图像集合中的图像对识别模型进行训练。
中国专利文献:CN108537784A,公开日:2018.09.14,公开了一种基于深度学习的CT图肺结节检测方法,包括:S01:获得肺部CT图像,并转换为DICOM格式的图像;S02:获取图像的病人信息及CT图的长和宽及图片像素之间的间隔;同时对图像的CT值进行归一化预处理;S03:对步骤S02预处理完成的CT图像进行肺容积分割,只保留肺部的图像;S04:对图像进行候选结节检测,使用U-net卷积神经网络,找到候选结节的位置,输出一张带有候选结节位置标记的二维图像;S05:在获取到候选结节之后,将候选结节送入消除假阳性的分类器进行二次检测。
但是关于本发明的一种肺原位癌识别方法的关键CT技术目前还未见报道。
发明内容
本发明的目的是,提供一种肺原位癌识别方法的关键CT技术。
为实现上述目的,本发明采取的技术方案是:
一种肺原位癌识别方法的关键CT技术,所述的肺原位癌识别方法的关键CT技术包括超高分辨率CT、多体位成像技术、靶扫描技术、结合图像处理技术;
所述的超高分辨率CT为采用1024×1024矩阵为基础的超高分辨率CT,其分辨率比512×512矩阵为基础的常规CT高4倍;
所述的多体位成像技术为仰卧位、俯卧位、左侧卧位、右侧卧位成像;
所述的靶扫描技术即在矩阵相同的情况下,采用小视野(FOV),以缩小像素、提高空间分辨率;
所述的结合图像处理技术即对磨玻璃结节在形状、边缘、密度、直径、内部实性成分、血管异常、胸膜凹陷等方面特征性影像表现进行分析;
识别方法:采用1024×1024矩阵为基础的超高分辨率CT;在矩阵相同的情况下,采用小视野(FOV),以缩小像素、提高空间分辨率;且使用多体位多角度成像,以使病灶部位远离检查床一侧,最大程度的减轻血管坠积效应的影响,从而增加图像对比度,更清晰的显示病灶;
本发明优点在于:
1、本发明的肺原位癌识别方法的关键CT技术,不同于常规扫描所得的原始数据图像进行靶重建,靶扫描并不是简单的几何放大,图像更清晰。而是将靶扫描建立于超高分辨率CT基础上,多体位成像,使所得图像更加清晰,能清晰显示小结节的内部细微结构、密度、边界以及周围征象。且超高分辨率结合多体位成像技术、靶扫描技术可以对磨玻璃结节在形状、边缘、密度、直径、内部实性成分、血管异常、胸膜凹陷征等方面特征性影像表现进行分析,有望对AAH与AIS做出早期精确诊断,进一步指导临床。
2、随着肺癌发病率的升高以及人们对健康重视程度的提高,肺癌筛查手段也有所提高。美国国立癌症综合网(NCCN)筛查指南中体检采用低剂量CT。对1cm以下磨玻璃密度影、磨玻璃密度结节或其他非实质性结节,采取6-12个月复查,若稳定则每年随访,至少2年;若增大或变实则手术切除。低剂量CT应用于体检使得肺小结节的检出率明显升高,而结节的性质也就成为人们关注的焦点。肺小结节若不能明确诊断,将继续随访。长时间的随访,一方面增加病人心理负担,产生焦虑情绪;另一方面过度检查,辐射等问题也随之出现。若能提高对肺结节的诊断能力,则无论对患者的健康,还是从科技发展或者医疗经济的角度来看,均受益匪浅。
附图说明
附图1是一种肺原位癌识别方法的关键CT技术的平面模块示意图。
具体实施方式
下面结合实施例并参照附图对本发明作进一步描述。
附图中涉及的附图标记和组成部分如下所示:
1、超高分辨率CT
2、多体位成像技术
3、靶扫描技术
4、结合图像处理技术
实施例1
请参照附图1,附图1是本实施例的一种肺原位癌识别方法的关键CT技术的平面模块示意图。所述的肺原位癌识别方法的关键CT技术包括超高分辨率CT1、多体位成像技术2、靶扫描技术3、结合图像处理技术4;
所述的超高分辨率CT1为采用1024×1024矩阵为基础的超高分辨率CT,其分辨率比512×512矩阵为基础的常规CT高4倍;
所述的多体位成像技术2为仰卧位、俯卧位、左侧卧位、右侧卧位成像;
所述的靶扫描技术3即在矩阵相同的情况下,采用小视野(FOV),以缩小像素、提高空间分辨率;
所述的结合图像处理技术4即对磨玻璃结节在形状、边缘、密度、直径、内部实性成分、血管异常、胸膜凹陷等方面特征性影像表现进行分析。
实施例2
所述的肺原位癌识别方法的关键CT技术的具体识别方法及流程:
采用1024×1024矩阵为基础的超高分辨率CT;在矩阵相同的情况下,采用小视野(FOV),以缩小像素、提高空间分辨率;且使用多体位多角度成像,以使病灶部位远离检查床一侧,最大程度的减轻血管坠积效应的影响,从而增加图像对比度,更清晰的显示病灶。
需要说明的是:不同于常规扫描所得的原始数据图像进行靶重建,靶扫描并不是简单的几何放大,图像更清晰。
而是将靶扫描建立于超高分辨率CT基础上,多体位成像,使所得图像更加清晰,能清晰显示小结节的内部细微结构、密度、边界以及周围征象。且超高分辨率结合多体位成像技术、靶扫描技术可以对磨玻璃结节在形状、边缘、密度、直径、内部实性成分、血管异常、胸膜凹陷征等方面特征性影像表现进行分析,有望对AAH与AIS做出早期精确诊断,进一步指导临床;了解肺内小结节的细微形态结构提高AAH与AIS的影像学诊断的正确率,避免漏诊误诊。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以做出若干改进和补充,这些改进和补充也应视为本发明的保护范围。
Claims (6)
1.一种肺原位癌识别方法的关键CT技术,其特征在于,所述的肺原位癌识别方法的关键CT技术包括超高分辨率CT、多体位成像技术、靶扫描技术、结合图像处理技术。
2.根据权利要求1所述的肺原位癌识别方法的关键CT技术,其特征在于,所述的超高分辨率CT为采用1024×1024矩阵为基础的超高分辨率CT,其分辨率比512×512矩阵为基础的常规CT高4倍。
3.根据权利要求1所述的肺原位癌识别方法的关键CT技术,其特征在于,所述的多体位成像技术为仰卧位、俯卧位、左侧卧位、右侧卧位成像。
4.根据权利要求1所述的肺原位癌识别方法的关键CT技术,其特征在于,所述的靶扫描技术即在矩阵相同的情况下,采用小视野(FOV),以缩小像素、提高空间分辨率。
5.根据权利要求1所述的肺原位癌识别方法的关键CT技术,其特征在于,所述的结合图像处理技术即对磨玻璃结节在形状、边缘、密度、直径、内部实性成分、血管异常、胸膜凹陷等方面特征性影像表现进行分析。
6.根据权利要求1所述的肺原位癌识别方法的关键CT技术,其特征在于,识别方法:采用1024×1024矩阵为基础的超高分辨率CT;在矩阵相同的情况下,采用小视野(FOV),以缩小像素、提高空间分辨率;且使用多体位多角度成像,以使病灶部位远离检查床一侧,最大程度的减轻血管坠积效应的影响,从而增加图像对比度,更清晰的显示病灶。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910963996.9A CN110664425A (zh) | 2019-10-11 | 2019-10-11 | 一种肺原位癌识别方法的关键ct技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910963996.9A CN110664425A (zh) | 2019-10-11 | 2019-10-11 | 一种肺原位癌识别方法的关键ct技术 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110664425A true CN110664425A (zh) | 2020-01-10 |
Family
ID=69081587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910963996.9A Pending CN110664425A (zh) | 2019-10-11 | 2019-10-11 | 一种肺原位癌识别方法的关键ct技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110664425A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222805A (zh) * | 2022-09-20 | 2022-10-21 | 威海市博华医疗设备有限公司 | 一种基于肺癌影像的预期成像方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6687332B2 (en) * | 2002-03-08 | 2004-02-03 | Ge Medical Systems Global Technology Company, Llc | Method and apparatus for patient-in-place measurement and real-time control of beam-spot position and shape in a scanning electron beam computed tomographic system |
CN101783856A (zh) * | 2010-03-22 | 2010-07-21 | 新奥博为技术有限公司 | 一种控制成像设备扫描平面的系统及方法 |
CN105852896A (zh) * | 2016-03-25 | 2016-08-17 | 上海世正医学影像诊断中心有限公司 | 低剂量螺旋ct扫描用于pet/mri肺部的检查方法 |
CN107613873A (zh) * | 2015-03-12 | 2018-01-19 | 纳米-X控股有限公司 | 用于物体的原地靶向的方法和系统 |
-
2019
- 2019-10-11 CN CN201910963996.9A patent/CN110664425A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6687332B2 (en) * | 2002-03-08 | 2004-02-03 | Ge Medical Systems Global Technology Company, Llc | Method and apparatus for patient-in-place measurement and real-time control of beam-spot position and shape in a scanning electron beam computed tomographic system |
CN101783856A (zh) * | 2010-03-22 | 2010-07-21 | 新奥博为技术有限公司 | 一种控制成像设备扫描平面的系统及方法 |
CN107613873A (zh) * | 2015-03-12 | 2018-01-19 | 纳米-X控股有限公司 | 用于物体的原地靶向的方法和系统 |
CN105852896A (zh) * | 2016-03-25 | 2016-08-17 | 上海世正医学影像诊断中心有限公司 | 低剂量螺旋ct扫描用于pet/mri肺部的检查方法 |
Non-Patent Citations (4)
Title |
---|
张雪林等主编: "《CT诊断学》", 30 June 1997, 广东高等教育出版社 * |
望云: "《改变体位联合CT靶扫描对特殊部位肺结节的诊断价值》", 《实用放射学杂志》 * |
李建军等主编: "《实用临床CT影像诊断学》", 30 September 2016, 吉林科学技术出版社 * |
黄涛: "《肺部局灶性GGO及GGN超高分辨率CT扫描技术探讨》", 《医学影像学杂志》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222805A (zh) * | 2022-09-20 | 2022-10-21 | 威海市博华医疗设备有限公司 | 一种基于肺癌影像的预期成像方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11682118B2 (en) | Systems and methods for analysis of tissue images | |
US8144963B2 (en) | Method for processing biomedical images | |
CN108027364B (zh) | 用于确定细胞学分析系统中的细胞充分性的系统及方法 | |
US20230410301A1 (en) | Machine learning techniques for tumor identification, classification, and grading | |
US20180012356A1 (en) | Disease characterization from fused pathology and radiology data | |
Jony et al. | Detection of lung cancer from CT scan images using GLCM and SVM | |
CN113855079A (zh) | 基于乳腺超声影像的实时检测和乳腺疾病辅助分析方法 | |
Sengan et al. | A fuzzy based high-resolution multi-view deep CNN for breast cancer diagnosis through SVM classifier on visual analysis | |
Zhang et al. | Comparison of multiple feature extractors on Faster RCNN for breast tumor detection | |
Hu et al. | Early stage oral cavity cancer detection: Anisotropic pre-processing and fuzzy C-means segmentation | |
Roy et al. | Automatic diagnosis of melanoma from dermoscopic image using real-time object detection | |
Liang et al. | Evaluation of the effectiveness of artificial intelligence chest CT lung nodule detection based on deep learning | |
Jansen et al. | Deep learning detection of melanoma metastases in lymph nodes | |
CN110664425A (zh) | 一种肺原位癌识别方法的关键ct技术 | |
Wei et al. | Multi-feature fusion for ultrasound breast image classification of benign and malignant | |
TWI735187B (zh) | 影像識別方法及其系統 | |
Swami et al. | An algorithmic detection of brain tumour using image filtering and segmentation of various radiographs | |
CN113838020A (zh) | 一种基于钼靶影像的病变区域量化方法 | |
Ding et al. | A novel wavelet-transform-based convolution classification network for cervical lymph node metastasis of papillary thyroid carcinoma in ultrasound images | |
Xiong et al. | Deep Ensemble Learning Network for Kidney Lesion Detection | |
Chang et al. | Stellate masses and histologic grades in breast cancer | |
Banerjee et al. | Computerized multiparametric mr image analysis for prostate cancer aggressiveness-assessment | |
KR102620046B1 (ko) | 약지도 딥러닝 인공 지능을 이용한 유방 초음파 진단 방법 및 시스템 | |
CN117542527B (zh) | 肺结节跟踪与变化趋势预测方法、装置、设备及存储介质 | |
Devi et al. | Cancer Detection using Image Processing and Machine Learning |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200110 |