CN110739049A - 图像勾画方法、装置、存储介质及计算机设备 - Google Patents
图像勾画方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN110739049A CN110739049A CN201910958378.5A CN201910958378A CN110739049A CN 110739049 A CN110739049 A CN 110739049A CN 201910958378 A CN201910958378 A CN 201910958378A CN 110739049 A CN110739049 A CN 110739049A
- Authority
- CN
- China
- Prior art keywords
- image
- risk
- image processing
- body part
- organs
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种图像勾画方法、装置、存储介质及计算机设备,首先进行身体部位识别,然后根据识别结果以及患者个体信息来进行危及器官和/或靶区的勾画,得到勾画后图像。本申请不同于现有技术中是通过医生人工来进行勾画的方法,而是通过计算机设备自动实现,其勾画效率较高,因此,本申请可以提高勾画效率;其次,本申请所涉及的处理过程,是利用网络模型实现的,而利用网络模型来进行图像处理,其相对于人工处理,可重复性好;另外,本申请的处理过程中,还考虑到不同个体的危及器官和/或靶区的差异性以及不同部位的危及器官和/或靶区的相似性,结合个体信息以及身体部位类别信息来进行图像勾画,从而进一步提高图像勾画结果的准确性。
Description
技术领域
本申请涉及医疗图像处理技术领域,特别是涉及一种图像勾画方法、装置、存储介质及计算机设备。
背景技术
肿瘤放射治疗(radiation therapy)是利用放射线治疗肿瘤的一种局部治疗方法,大约70%的癌症患者在治疗癌症的过程中需要用放射治疗,约有40%的癌症可以用放疗根治。放射治疗在肿瘤治疗中的作用和地位日益突出,已成为治疗恶性肿瘤的主要手段之一。
在放射治疗的过程中,需要对患者的图像进行危及器官和/或靶区勾画,以标定出放疗过程中需要涉及的危及器官和靶区位置。然而,现有技术中,临床上多为依靠医生人工勾画靶区,勾画效率低,且容易出错。
发明内容
基于此,有必要针对现有技术存在的问题,提供一种效率及准确性更高的图像勾画方法、装置、存储介质及计算机设备。
一种图像勾画方法,包括:
获取待勾画的医疗图像,以及所述医疗图像对应的患者的个体信息;
通过识别网络对所述医疗图像进行身体部位识别,得到所述医疗图像的身体部位类别信息;
结合所述个体信息以及所述身体部位类别信息,对所述医疗图像进行危及器官和/或靶区的勾画,得到勾画后图像。
一种图像勾画装置,包括:
信息获取模块,用于获取待勾画的医疗图像,以及所述医疗图像对应的患者的个体信息;
部位识别模块,用于通过识别网络对所述医疗图像进行身体部位识别,得到所述医疗图像的身体部位类别信息;
图像勾画模块,用于结合所述个体信息以及所述身体部位类别信息,对所述医疗图像进行危及器官和/或靶区的勾画,得到勾画后图像。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
上述图像勾画方法、装置、存储介质及计算机设备,首先进行身体部位识别,然后根据识别结果以及患者个体信息来进行危及器官和/或靶区的勾画,得到勾画后图像。本申请不同于现有技术中是通过医生人工来进行勾画的方法,而是通过计算机设备自动实现,其勾画效率较高,因此,本申请可以提高勾画效率;其次,本申请所涉及的处理过程,是利用网络模型实现的,而利用网络模型来进行图像处理,其相对于人工处理,可重复性好;另外,本申请的处理过程中,还考虑到不同个体的危及器官和/或靶区的差异性以及不同部位的危及器官和/或靶区的相似性,结合个体信息以及身体部位类别信息来进行图像勾画,从而进一步提高图像勾画结果的准确性。
附图说明
图1为一个实施例中图像勾画方法的流程示意图;
图2为一个实施例中身体部位的部位划分示意图;
图3为一个实施例中结合个体信息以及身体部位类别信息,对医疗图像进行危及器官和/或靶区的勾画,得到勾画后图像的流程示意图;
图4为一个实施例中结合个体信息以及身体部位类别信息,通过图像处理网络对医疗图像进行危及器官和/或靶区的图像处理,得到图像处理结果的流程示意图;
图5为另一个实施例中结合个体信息以及身体部位类别信息,通过图像处理网络对医疗图像进行危及器官和/或靶区的图像处理,得到图像处理结果的流程示意图;
图6为一个实施例中图像勾画装置的结构示意图;
图7为另一个实施例中图像勾画装置的结构示意图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供一种图像勾画方法,以该方法应用于可以进行图像勾画的处理器为例进行解释说明,该方法包括以下处理步骤:
步骤S100,获取待勾画的医疗图像,以及医疗图像对应的患者的个体信息。
图像勾画是指用线条描画图像中目标物体轮廓的处理过程,在进行图像勾画时,处理器首先获取待勾画的医疗图像。其中,待勾画的医疗图像可以是通过医疗成像系统得到的图像,例如,PET(Positron Emission Computed Tomography,正电子发射型计算机断层显像)图像、CT(Computed Tomography,电子计算机断层扫描)图像、MRI(MagneticResonance Imaging,磁共振成像)图像、CBCT(cone beam computed tomography,锥形束计算机断层扫描图像)图像等,在此不做具体的类型限定。另外,处理器在获取医疗图像时,可以是直接获取通过医疗成像系统实时扫描得到的医疗图像,也可以是通过网络访问、数据读取等方式获取保存于服务器、存储介质等中的已生成的医疗图像。
可以理解,医疗图像并不仅仅是指代单独一张图像,医疗图像也可以是指代一个图像集,例如,由同一被检查对象对应的、不同成像扫描参数(不同扫描序列、不同模态、不同拍摄体位等)的多张医疗图像组成的图像集等。
本步骤中,处理器除了获取待勾画的医疗图像外,还获取该医疗图像对应的患者的个体信息。由于不同患者个体的身体结构的差异性,可能存在一种情况是:患者X和患者Y体内都存在器官m,然而,患者X体内的器官m和患者Y体内的器官m的图像特征差异较大,在通过现有的勾画方法勾画器官m时,由于未考虑患者的个体差异,可能出现两个患者对应的勾画结果比较类似的情况,从而与实际情况不符,勾画结果准确性低。因此,本申请在进行图像勾画时,并不是仅仅根据医疗图像进行勾画,而是考虑到不同患者的个体差异,进一步获取患者个体信息,并应用于图像勾画过程中,从而有助于提高勾画结果准确性。
可选地,处理器获取患者个体信息的方式,可以是从患者的个人档案等资料中获取,或者是获取医生的人工输入结果等,在此不作具体限定。
步骤S200,通过识别网络对医疗图像进行身体部位识别,得到医疗图像的身体部位类别信息。
处理器在获取医疗图像之后,并不是直接对该医疗图像进行勾画,而是首先通过识别网络识别出医疗图像的身体部位类别信息,再进行图像勾画。由于人体内器官/组织的多样性,可能存在一种情况是:身体部位A存在某一个器官a,身体部位B存在某一个器官b,器官a和器官b是两个不同的器官,但是图像特征比较接近,勾画要求是需要勾画出器官a。在通过现有的勾画方法勾画器官a时,由于未考虑身体部位,可能出现以下几种结果:
情况 | 医疗图像 | 勾画结果 | 正确性 |
1 | 包含A,不包含B | a | 正确 |
2 | 包含A和B | a和b | 错误 |
3 | 不包含A,包含B | b | 错误 |
从上表可以看出,在通过现有的勾画方法进行勾画时,由于器官b和器官a的图像特征比较相似,很容易将器官b勾画出来,从而降低勾画结果的准确度。因此,本申请在进行图像勾画时,并不是直接对医疗图像进行勾画,而是先对医疗图像对应的进行身体部位识别,得到识别结果,并应用于图像勾画过程中,即在包含身体部位A时才勾画出器官a,从而有助于提高勾画结果准确性。
步骤S300,结合个体信息以及身体部位类别信息,对医疗图像进行危及器官和/或靶区的勾画,得到勾画后图像。
处理器在得到医疗图像对应的身体部位类别信息后,结合步骤S100中获取的患者的个体信息来进行危及器官和/或靶区的勾画。即,本申请在进行危及器官和/或靶区勾画的过程中,既考虑了不同个体的体内危及器官和/或靶区的差异性,又考虑了同一个体内不同危及器官和/或靶区的相似性,从而得到更准确的勾画结果。
本实施例提供一种图像勾画方法,不同于现有技术中是通过医生人工来进行勾画的方法,本申请是通过计算机设备自动实现,其勾画效率较高,因此,本申请可以提高勾画效率;其次,本申请所涉及的处理过程,是利用网络模型(识别网络)实现的,而利用网络模型来进行图像处理,其相对于人工处理,可重复性好,不受医生工作经验的限制。例如,对应业务水平为初级或者中级的诊断医师,由于无需人工勾画,本申请的处理速度更快,可重复性好,鲁棒性强,从而可以解放医生人工勾画的重复劳动;另外,本申请的处理过程中,还考虑到不同个体的危及器官和/或靶区的差异性以及不同部位的危及器官和/或靶区的相似性,结合个体信息以及身体部位类别信息来进行图像勾画,从而进一步提高图像勾画结果的准确性。
在一个实施例中,可以将本申请的图像勾画方法应用于具体的医疗处理领域,例如,可以应用于放射治疗处理,该处理需要对处理过程中所涉及的危及器官和/或靶区进行勾画处理,在现有技术中,在得到待治疗对象的医疗图像后,一般是由医生手工勾画,或者需要等待医生手动逐一勾选需要进行勾画的危及器官和靶区,再进行半自动或者自动分割,这一过程需要等待医生进行器官识别并手工操作,比较繁琐,且容易出现误操作。
而在将本申请的图像勾画方法应用于放射治疗处理过程中后,无需医生参与危及器官和/或靶区的识别勾画,而是通过相关设备自动按照本申请的图像勾画方法的处理流程勾画出待治疗对象对应的危及器官和/或靶区,并向医生展示勾画结果,从而,医生可以对勾画结果进行检查和确认,得到检查确认后的勾画结果,然后根据检查确认后的勾画结果计算放射治疗过程中的放射线路径以及放射剂量。因此,本申请可以较好地优化放射治疗处理的工作流,减少医生繁琐的操作流程,提高医生的工作效率,并且可以避免出现操作失误的情况。
可以理解,除了应用于放射治疗处理外,本申请的图像勾画方法也可以是应用于其他处理,例如应用于放射科结构化报告中等。
在一个实施例中,个体信息包括性别、年龄、身高、体重、疾病史中的至少一项。
以性别为例,不同性别的患者个体存在一定的身体结构差异性,例如,膀胱是男性和女性体内都存在的一种器官,然而,女性体内的膀胱由于受到子宫位置的影响,女性的膀胱形态会和男性的膀胱形态存在差别。从而,在考虑到性别因素的前提下,男性患者和女性患者的膀胱勾画结果会存在差别。因此,通过区别对待不同性别的患者,可以有助于提高勾画结果的准确性。
以年龄为例,不同年龄的患者个体存在一定的身体结构差异性,例如,心脏是小孩和成人体内都存在的一种器官,然而,由于小孩的身体发育年龄较短,心脏发育可能不完全,因此,小孩的心脏形态会和成人的心脏形态存在差别。从而,在考虑到年龄因素的前提下,小孩患者和成人患者的心脏勾画结果会存在差别。因此,通过区别对待不同年龄的患者,可以有助于提高勾画结果的准确性。
以身高为例,不同身高的患者个体存在一定的身体结构差异性,例如,肠胃是高个患者和矮个患者体内都存在的一种器官,然而,高个患者的肠胃形态会和矮个患者的肠胃形态存在差别,具体表现为高个患者的肠胃轮廓尺寸更大。从而,在考虑到身高因素的前提下,高个患者和矮个患者的肠胃勾画结果会存在差别。因此,通过区别对待不同身高的患者,可以有助于提高勾画结果的准确性。
以体重为例,不同体重的患者个体存在一定的身体结构差异性,例如,肠胃是肥胖患者和瘦弱患者体内都存在的一种器官,然而,肥胖患者的肠胃形态会和瘦弱患者的肠胃形态存在差别,具体表现为肥胖患者的肠胃轮廓尺寸更大。从而,在考虑到体重因素的前提下,肥胖患者和瘦弱患者的肠胃勾画结果会存在差别。因此,通过区别对待不同体重的患者,可以有助于提高勾画结果的准确性。
以疾病史为例,不同疾病史的患者个体存在一定的身体结构差异性,例如,肝脏是患者体内都存在的一种器官,然而,某患者可能由于某种特殊原因做过肝脏切除手术(全切或者半切等),该患者的肝脏形态会和其他患者的肝脏形态存在差别,具体表现为不存在肝脏(全切),或者,肝脏体型小于其他患者的肝脏体型。另外,由于器官病变也会导致器官形态发生变化,例如,肝硬化的患者和肝正常的患者的肝脏形态存在一定的形态差异,因此对于不同的器官病变情况,也可以进行相应的区别对待。从而,在考虑到疾病史因素的前提下,做过肝脏切除手术的患者和未做过肝脏切除手术的患者的肝脏勾画结果会存在差别,肝硬化的患者和肝正常的患者的肝脏勾画结果也会存在差别。因此,通过区别对待不同疾病史的患者,可以有助于提高勾画结果的准确性。
本实施例在进行图像勾画时,充分考虑到不同患者在多种个体因素上的差异,从而对不同的患者个体进行区别对待,有助于提高勾画结果准确性。
在一个实施例中,身体部位类别包括头颈部、胸部、腹部、盆腔及下肢中的至少一种。
具体地,如图2所示,为身体部位的部位划分示意图,本实施例中将人体部位划分为四个,根据图示4个身体部位类别,可以将医疗图像分为以下10类(其中,1表示医疗图像中包含该身体部位,0表示医疗图像中不包含该身体部位):
例如,上表中第1类图像是指仅包括头颈部的医疗图像;第5类图像是指仅包括胸部的医疗图像;第7类图像是指不包括头颈部、同时包括胸部、腹部、盆腔及下肢的医疗图像;第10类图像是指仅包括盆腔及下肢的医疗图像。
可选地,可以预保存不同身体部位所包含的危及器官及靶区的信息,从而处理器可以针对不同类别的图像来确定该医疗图像中实际上是否包含有待勾画的目标危及器官和/或目标靶区。
对于人体内的结构,不同身体部位的结构可能存在图像特征相似的情况,例如腹部的肝脏在图像上所表现出来的纹理灰度特征,和头颈部的脑组织在图像上所表现出来的纹理灰度特征存在相似之处。因此,在对肝脏进行勾画时,可能会出现误将脑组织勾画出来的情况。
而本申请在进行勾画之前,首先对医疗图像对应的身体部位类别进行识别,从而以便于首先根据识别结果判断医疗图像中是否存在待勾画的目标危及器官和/或目标靶区,从而防止出现误勾画的情况。例如,根据本实施例的图像类别划分标准,若识别出医疗图像对应的身体部位仅包括头颈部,即为第1类图像,在进行肝脏的勾画时,尽管脑组织的纹理灰度等图像特征与肝脏存在相似之处,但是处理器当前已确定医疗图像中实际上并未包含肝脏,从而,处理器不会将脑组织勾画出来,从而避免了出现误勾画的情况,提高勾画结果的准确性。
可以理解,在实际处理过程中,身体部位类别并不仅仅局限于本申请中所提供的4种类别,具体可以是在上述4种类别的基础上进行新增、删除或者拓展,在此不做具体限定。
在一个实施例中,如图3所示,步骤S300结合个体信息以及身体部位类别信息,对医疗图像进行危及器官和/或靶区的勾画,得到勾画后图像,包括步骤S320至步骤S340。
步骤S320,结合个体信息以及身体部位类别信息,通过图像处理网络对医疗图像进行危及器官和/或靶区的图像处理,得到图像处理结果;
步骤S340,基于图像处理结果,对医疗图像进行图像勾画处理,得到勾画后图像。
具体地,在进行勾画时,可以首先通过图像处理网络对医疗图像进行关于危及器官和/或靶区的图像处理,进而再根据图像处理结果进行勾画。本实施例通过对医疗图像进行图像处理,可以优化图像勾画处理的工作流,并且,通过图像处理网络进行图像处理,有助于提高图像处理效率以及准确度。
在一个实施例中,图像处理网络包括检测网络以及分割网络。其中,检测网络是指具备危及器官和/或靶区检测功能的网络;分割网络是指具备危及器官和/或靶区分割功能的网络;检测网络以及分割网络可以是预先训练好的网络模型。
如图4所示,步骤S320结合个体信息以及身体部位类别信息,通过图像处理网络对医疗图像进行危及器官和/或靶区的图像处理,得到图像处理结果,包括步骤S322至步骤S326。
步骤S322,基于个体信息以及身体部位类别信息,通过检测网络对医疗图像进行危及器官和/或靶区检测,得到目标危及器官和/或目标靶区的检测结果;
步骤S324,当检测结果为存在目标危及器官和/或目标靶区时,确定目标危及器官和/或目标靶区的感兴趣区域;
步骤S326,基于个体信息以及身体部位类别信息,通过分割网络对感兴趣区域进行图像分割,得到目标危及器官和/或目标靶区的分割结果。
具体地,本实施例中,对于危及器官和/或靶区的图像处理主要包括检测处理以及分割处理,其中,检测处理可以理解为设定一种“校验机制”,主要用于通过检测来校验医疗图像中是否存在目标危及器官和/或目标靶区。只有在检测结果为存在目标危及器官和/或目标靶区时,才进行后续的目标危及器官和/或目标靶区分割处理,从而可以避免出现错误分割的情况,在不存在目标危及器官和/或目标靶区时,不进行分割处理,也能在一定程度上减少图像处理时间。另外,在检测处理以及分割处理的过程中,也是结合个体信息以及身体部位类别信息进行处理,从而有助于提高图像处理结果的准确性。
在一个实施例中,图像处理网络包括对应不同个体信息以及不同身体部位的多种图像处理模型。具体地,以个体信息为性别,身体部位为盆腔及下肢为例,图像处理网络可以包括用于对男性患者的膀胱进行检测的第一检测模型、对男性患者的膀胱进行分割的第一分割模型,以及,对女性患者的膀胱进行检测的第二检测模型、对女性患者的膀胱进行分割的第二分割模型。另外,对于同一个体,也可以是建立不同切除手术对应的术前模型以及术后模型等,具体例如子宫切除前模型以及子宫切除后模型。也就是说,针对不同的个体信息、不同身体部位的危及器官和/或靶区,都可以预先建立好相应的图像处理模型,从而在进行图像处理时,直接调用相应的图像处理模型即可。
本实施例中,结合个体信息以及身体部位类别信息,通过图像处理网络对医疗图像进行危及器官和/或靶区的图像处理,得到图像处理结果,包括:调用图像处理网络中,个体信息以及身体部位类别信息对应的图像处理模型,对医疗图像进行危及器官和/或靶区的图像处理,得到图像处理结果。
具体地,对于危及器官和/或靶区的图像处理主要包括检测处理以及分割处理,对应地,图像处理模型包括检测网络以及分割网络。其中,检测网络包含对应不同个体信息以及不同身体部位的多个检测模型,分割网络包含对应不同个体信息以及不同身体部位的多个分割模型。
基于此,调用图像处理网络中,个体信息以及身体部位类别信息对应的图像处理模型,对医疗图像进行危及器官和/或靶区的图像处理,得到图像处理结果,包括以下处理步骤:调用检测网络中、个体信息以及身体部位类别信息对应的检测模型,对医疗图像进行危及器官和/或靶区检测,得到目标危及器官和/或目标靶区的检测结果;和/或,调用分割网络中、个体信息以及身体部位类别信息对应的分割模型,对感兴趣区域进行图像分割,得到目标危及器官和/或目标靶区的分割结果。
例如,在获取某一患者的医疗图像以及患者个体信息后,根据该医疗图像确定的身体部位为盆腔及下肢,根据患者个体信息确定该患者为女性,在需要进行膀胱勾画时,则可以通过调用上述第二检测模型检测医疗图像中是否包含有膀胱,并在检测结果为包含有膀胱时,调用上述第二分割模型进行分割,得到膀胱的分割结果。
可以理解,图像处理网络所包含的图像处理模型并不仅仅局限于上述第一检测模型、第一分割模型、第二检测模型、第二分割模型,还可以是包含其他个体信息以及其他身体部位的危及器官和/或靶区的检测模型及分割模型。图像处理网络所包含的多种图像处理模型可以是通过对应条件的训练数据训练得到,具体训练方法可以是采用现有技术中的模型训练方法,在此不作具体限定。
本实施例在对医疗图像进行医疗处理时,通过调用该医疗图像以及患者个体信息对应的图像处理模型进行图像处理,从而可以有针对性地对各种危及器官和/或靶区进行检测及分割,使得检测结果以及分割结果的准确度更高,进而有助于提高勾画结果的准确性。
在一个实施例中,如图5所示,步骤S320还包括:步骤S328,当检测结果为不存在目标危及器官以及目标靶区时,输出对应的提示信息。
具体地,在通过检测网络进行目标危及器官和/或目标靶区的检测时,若未检测到目标危及器官和/或目标靶区,则不进行目标危及器官和/或目标靶区的分割处理,从而避免出现错误分割的情况。另外,通过输出相应的提示信息,例如“XXXX无法识别”、“检测不到XXXX”等,可以有助于医生了解图像处理情况,从而更换医疗图像。
在一个实施例中,本申请所使用的识别网络、检测网络、分割网络可以是神经网络,例如基于深度学习算法的神经网络,或者是其他类型的网络。具体地,识别网络可以采用DenseNet网络,检测网络可以采用FPN(Feature Pyramid Networks,特征金字塔)网络,分割网络可以采用3D V-Net网络,但是本申请中的网络并不仅仅局限于上述三种网络。通过基于深度学习算法的神经网络进行图像处理,可以有效提高处理结果的准确性。
在一个实施例中,在通过检测网络进行检测处理时,可以是依次对各危及器官和/或靶区进行检测,也可以是同时对多个危及器官和/或靶区进行检测,具体可以根据实际情况的实际需要进行选择,在此不做具体限定。
同理,在进行危及器官和/或靶区分割处理时,也可以采用依次进行单项处理的方式或者采用同时进行多项处理的方式。
在合理条件下应当理解,虽然前文各实施例涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供一种图像勾画装置,该装置包括以下模块:
信息获取模块100,用于获取待勾画的医疗图像,以及医疗图像对应的患者的个体信息;
部位识别模块200,用于通过识别网络对医疗图像进行身体部位识别,得到医疗图像的身体部位类别信息;
图像勾画模块300,用于结合个体信息以及身体部位类别信息,对医疗图像进行危及器官和/或靶区的勾画,得到勾画后图像。
在一个实施例中,图像勾画模块300还用于:结合个体信息以及身体部位类别信息,通过图像处理网络对医疗图像进行危及器官和/或靶区的图像处理,得到图像处理结果;基于图像处理结果,对医疗图像进行图像勾画处理,得到勾画后图像。
在一个实施例中,图像勾画模块300还用于:基于个体信息以及身体部位类别信息,通过检测网络对医疗图像进行危及器官和/或靶区检测,得到目标危及器官和/或目标靶区的检测结果;当检测结果为存在目标危及器官和/或目标靶区时,确定目标危及器官和/或目标靶区的感兴趣区域;基于个体信息以及身体部位类别信息,通过分割网络对感兴趣区域进行图像分割,得到目标危及器官和/或目标靶区的分割结果。
在一个实施例中,图像勾画模块300还用于:调用图像处理网络中、个体信息以及身体部位类别信息对应的图像处理模型,对医疗图像进行危及器官和/或靶区的图像处理,得到图像处理结果。
在一个实施例中,如图7所示,图像勾画装置还包括:提示输出模块400,用于当检测结果为不存在目标危及器官以及目标靶区时,输出对应的提示信息。
关于图像勾画装置的具体限定可以参见上文中对于图像勾画方法的限定,在此不再赘述。上述图像勾画装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取待勾画的医疗图像,以及医疗图像对应的患者的个体信息;通过识别网络对医疗图像进行身体部位识别,得到医疗图像的身体部位类别信息;结合个体信息以及身体部位类别信息,对医疗图像进行危及器官和/或靶区的勾画,得到勾画后图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:结合个体信息以及身体部位类别信息,通过图像处理网络对医疗图像进行危及器官和/或靶区的图像处理,得到图像处理结果;基于图像处理结果,对医疗图像进行图像勾画处理,得到勾画后图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于个体信息以及身体部位类别信息,通过检测网络对医疗图像进行危及器官和/或靶区检测,得到目标危及器官和/或目标靶区的检测结果;当检测结果为存在目标危及器官和/或目标靶区时,确定目标危及器官和/或目标靶区的感兴趣区域;基于个体信息以及身体部位类别信息,通过分割网络对感兴趣区域进行图像分割,得到目标危及器官和/或目标靶区的分割结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:调用图像处理网络中、个体信息以及身体部位类别信息对应的图像处理模型,对医疗图像进行危及器官和/或靶区的图像处理,得到图像处理结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:当检测结果为不存在目标危及器官以及目标靶区时,输出对应的提示信息。
图8示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端(或服务器)。如图8所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现图像勾画方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行图像勾画方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取待勾画的医疗图像,以及医疗图像对应的患者的个体信息;通过识别网络对医疗图像进行身体部位识别,得到医疗图像的身体部位类别信息;结合个体信息以及身体部位类别信息,对医疗图像进行危及器官和/或靶区的勾画,得到勾画后图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:结合个体信息以及身体部位类别信息,通过图像处理网络对医疗图像进行危及器官和/或靶区的图像处理,得到图像处理结果;基于图像处理结果,对医疗图像进行图像勾画处理,得到勾画后图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于个体信息以及身体部位类别信息,通过检测网络对医疗图像进行危及器官和/或靶区检测,得到目标危及器官和/或目标靶区的检测结果;当检测结果为存在目标危及器官和/或目标靶区时,确定目标危及器官和/或目标靶区的感兴趣区域;基于个体信息以及身体部位类别信息,通过分割网络对感兴趣区域进行图像分割,得到目标危及器官和/或目标靶区的分割结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:调用图像处理网络中、个体信息以及身体部位类别信息对应的图像处理模型,对医疗图像进行危及器官和/或靶区的图像处理,得到图像处理结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:当检测结果为不存在目标危及器官以及目标靶区时,输出对应的提示信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像勾画方法,其特征在于,包括:
获取待勾画的医疗图像,以及所述医疗图像对应的患者的个体信息;
通过识别网络对所述医疗图像进行身体部位识别,得到所述医疗图像的身体部位类别信息;
结合所述个体信息以及所述身体部位类别信息,对所述医疗图像进行危及器官和/或靶区的勾画,得到勾画后图像。
2.根据权利要求1所述的方法,其特征在于,所述个体信息包括性别、年龄、身高、体重、疾病史中的至少一项。
3.根据权利要求1所述的方法,其特征在于,身体部位类别包括头颈部、胸部、腹部、盆腔及下肢中的至少一种。
4.根据权利要求1所述的方法,其特征在于,结合所述个体信息以及所述身体部位类别信息,对所述医疗图像进行危及器官和/或靶区的勾画,得到勾画后图像,包括:
结合所述个体信息以及所述身体部位类别信息,通过图像处理网络对所述医疗图像进行危及器官和/或靶区的图像处理,得到图像处理结果;
基于所述图像处理结果,对所述医疗图像进行图像勾画处理,得到勾画后图像。
5.根据权利要求4所述的方法,其特征在于,所述图像处理网络包括检测网络以及分割网络;
结合所述个体信息以及所述身体部位类别信息,通过图像处理网络对所述医疗图像进行危及器官和/或靶区的图像处理,得到图像处理结果,包括:
基于所述个体信息以及所述身体部位类别信息,通过所述检测网络对所述医疗图像进行危及器官和/或靶区检测,得到目标危及器官和/或目标靶区的检测结果;
当所述检测结果为存在所述目标危及器官和/或所述目标靶区时,确定所述目标危及器官和/或所述目标靶区的感兴趣区域;
基于所述个体信息以及所述身体部位类别信息,通过所述分割网络对所述感兴趣区域进行图像分割,得到所述目标危及器官和/或所述目标靶区的分割结果。
6.根据权利要求4所述的方法,其特征在于,所述图像处理网络包括对应不同个体信息以及不同身体部位的多种图像处理模型;
结合所述个体信息以及所述身体部位类别信息,通过图像处理网络对所述医疗图像进行危及器官和/或靶区的图像处理,得到图像处理结果,包括:
调用所述图像处理网络中、所述个体信息以及所述身体部位类别信息对应的图像处理模型,对所述医疗图像进行危及器官和/或靶区的图像处理,得到图像处理结果。
7.根据权利要求5所述的方法,其特征在于,还包括:当所述检测结果为不存在所述目标危及器官以及所述目标靶区时,输出对应的提示信息。
8.一种图像勾画装置,其特征在于,包括:
信息获取模块,用于获取待勾画的医疗图像,以及所述医疗图像对应的患者的个体信息;
部位识别模块,用于通过识别网络对所述医疗图像进行身体部位识别,得到所述医疗图像的身体部位类别信息;
图像勾画模块,用于结合所述个体信息以及所述身体部位类别信息,对所述医疗图像进行危及器官和/或靶区的勾画,得到勾画后图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910958378.5A CN110739049A (zh) | 2019-10-10 | 2019-10-10 | 图像勾画方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910958378.5A CN110739049A (zh) | 2019-10-10 | 2019-10-10 | 图像勾画方法、装置、存储介质及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110739049A true CN110739049A (zh) | 2020-01-31 |
Family
ID=69268636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910958378.5A Pending CN110739049A (zh) | 2019-10-10 | 2019-10-10 | 图像勾画方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110739049A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784705A (zh) * | 2020-06-24 | 2020-10-16 | 上海联影医疗科技有限公司 | 感兴趣区域的勾画方法、装置、设备和存储介质 |
CN111882544A (zh) * | 2020-07-30 | 2020-11-03 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的医学影像显示方法及相关装置 |
CN112447277A (zh) * | 2020-11-17 | 2021-03-05 | 北京全域医疗技术集团有限公司 | Dicom文件的勾画方法及装置 |
CN112582048A (zh) * | 2021-03-01 | 2021-03-30 | 四川大学 | 一种基于深度学习的放射治疗靶区自动勾画系统及方法 |
CN113536575A (zh) * | 2021-07-20 | 2021-10-22 | 深圳市联影高端医疗装备创新研究院 | 器官轮廓勾画方法、医学影像系统以及存储介质 |
CN113536575B (zh) * | 2021-07-20 | 2024-09-27 | 深圳市联影高端医疗装备创新研究院 | 器官轮廓勾画方法、医学影像系统以及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170249744A1 (en) * | 2014-12-02 | 2017-08-31 | Shanghai United Imaging Healthcare Co., Ltd. | A Method and System for Image Processing |
CN107392897A (zh) * | 2017-07-17 | 2017-11-24 | 上海联影医疗科技有限公司 | 器官轮廓获取方法、影像设备、放疗计划系统及存储介质 |
CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技(昆山)有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
CN108367161A (zh) * | 2017-06-05 | 2018-08-03 | 西安大医数码科技有限公司 | 放疗系统、数据处理方法及存储介质 |
CN108446730A (zh) * | 2018-03-16 | 2018-08-24 | 北京推想科技有限公司 | 一种基于深度学习的ct肺结节检测方法 |
CN109345517A (zh) * | 2018-09-19 | 2019-02-15 | 上海联影医疗科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN109615642A (zh) * | 2018-11-05 | 2019-04-12 | 北京全域医疗技术有限公司 | 一种放疗计划中的危及器官自动勾画方法及装置 |
CN109671068A (zh) * | 2018-12-14 | 2019-04-23 | 复旦大学附属中山医院 | 一种基于深度学习的腹部肌肉标注方法及装置 |
CN109785306A (zh) * | 2019-01-09 | 2019-05-21 | 上海联影医疗科技有限公司 | 器官勾画方法、装置、计算机设备和存储介质 |
CN110211139A (zh) * | 2019-06-12 | 2019-09-06 | 安徽大学 | 自动分割食管癌放疗靶区和危及器官的方法及系统 |
CN110310287A (zh) * | 2018-03-22 | 2019-10-08 | 北京连心医疗科技有限公司 | 基于神经网络的危及器官自动勾画方法、设备和存储介质 |
-
2019
- 2019-10-10 CN CN201910958378.5A patent/CN110739049A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170249744A1 (en) * | 2014-12-02 | 2017-08-31 | Shanghai United Imaging Healthcare Co., Ltd. | A Method and System for Image Processing |
CN108367161A (zh) * | 2017-06-05 | 2018-08-03 | 西安大医数码科技有限公司 | 放疗系统、数据处理方法及存储介质 |
CN107392897A (zh) * | 2017-07-17 | 2017-11-24 | 上海联影医疗科技有限公司 | 器官轮廓获取方法、影像设备、放疗计划系统及存储介质 |
CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技(昆山)有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
CN108446730A (zh) * | 2018-03-16 | 2018-08-24 | 北京推想科技有限公司 | 一种基于深度学习的ct肺结节检测方法 |
CN110310287A (zh) * | 2018-03-22 | 2019-10-08 | 北京连心医疗科技有限公司 | 基于神经网络的危及器官自动勾画方法、设备和存储介质 |
CN109345517A (zh) * | 2018-09-19 | 2019-02-15 | 上海联影医疗科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN109615642A (zh) * | 2018-11-05 | 2019-04-12 | 北京全域医疗技术有限公司 | 一种放疗计划中的危及器官自动勾画方法及装置 |
CN109671068A (zh) * | 2018-12-14 | 2019-04-23 | 复旦大学附属中山医院 | 一种基于深度学习的腹部肌肉标注方法及装置 |
CN109785306A (zh) * | 2019-01-09 | 2019-05-21 | 上海联影医疗科技有限公司 | 器官勾画方法、装置、计算机设备和存储介质 |
CN110211139A (zh) * | 2019-06-12 | 2019-09-06 | 安徽大学 | 自动分割食管癌放疗靶区和危及器官的方法及系统 |
Non-Patent Citations (1)
Title |
---|
田野 等: "基于CT图像的身体部位自动识别方法", 《计算机工程与设计》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784705A (zh) * | 2020-06-24 | 2020-10-16 | 上海联影医疗科技有限公司 | 感兴趣区域的勾画方法、装置、设备和存储介质 |
CN111784705B (zh) * | 2020-06-24 | 2024-04-02 | 上海联影医疗科技股份有限公司 | 感兴趣区域的勾画方法、装置、设备和存储介质 |
CN111882544A (zh) * | 2020-07-30 | 2020-11-03 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的医学影像显示方法及相关装置 |
CN111882544B (zh) * | 2020-07-30 | 2024-05-14 | 深圳平安智慧医健科技有限公司 | 基于人工智能的医学影像显示方法及相关装置 |
CN112447277A (zh) * | 2020-11-17 | 2021-03-05 | 北京全域医疗技术集团有限公司 | Dicom文件的勾画方法及装置 |
CN112447277B (zh) * | 2020-11-17 | 2023-07-07 | 北京全域医疗技术集团有限公司 | Dicom文件的勾画方法及装置 |
CN112582048A (zh) * | 2021-03-01 | 2021-03-30 | 四川大学 | 一种基于深度学习的放射治疗靶区自动勾画系统及方法 |
CN113536575A (zh) * | 2021-07-20 | 2021-10-22 | 深圳市联影高端医疗装备创新研究院 | 器官轮廓勾画方法、医学影像系统以及存储介质 |
CN113536575B (zh) * | 2021-07-20 | 2024-09-27 | 深圳市联影高端医疗装备创新研究院 | 器官轮廓勾画方法、医学影像系统以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001925B (zh) | 图像的分割方法、放射治疗系统、计算机设备和存储介质 | |
US11455732B2 (en) | Knowledge-based automatic image segmentation | |
JP6567179B2 (ja) | 特徴回帰モデルを用いたmrデータからの疑似ct生成 | |
US9996922B2 (en) | Image processing of organs depending on organ intensity characteristics | |
CN110739049A (zh) | 图像勾画方法、装置、存储介质及计算机设备 | |
CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
US8787648B2 (en) | CT surrogate by auto-segmentation of magnetic resonance images | |
EP3268931B1 (en) | Method and apparatus for assessing image registration | |
CN107563434B (zh) | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 | |
CN111340825B (zh) | 一种纵膈淋巴结分割模型的生成方法及系统 | |
CN109712163B (zh) | 冠脉提取方法、装置、图像处理工作站和可读存储介质 | |
US9727975B2 (en) | Knowledge-based automatic image segmentation | |
CN111568451A (zh) | 一种曝光剂量调节方法和系统 | |
CN111445550A (zh) | Pet图像的迭代重建方法、装置和计算机可读存储介质 | |
US11534623B2 (en) | Determining at least one final two-dimensional image for visualizing an object of interest in a three dimensional ultrasound volume | |
US20080285822A1 (en) | Automated Stool Removal Method For Medical Imaging | |
CN115762724A (zh) | 医学图像的靶区自动勾画方法、装置和系统 | |
CN118302791A (zh) | 医学图像中生物对象的基于机器学习的分割 | |
US20230191157A1 (en) | Automatic estimation of positions of brachytherapy seeds | |
EP4388494A1 (en) | Object reconstruction in digital images | |
KR20240085765A (ko) | 흉부 사진 기반의 근감소증 탐지를 위한 머신 러닝 방법 및 시스템 그리고 근감소증 탐지 방법 및 시스템 | |
Kuo et al. | A dynamic dosimetry system for prostate brachytherapy |
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 |