CN110752029B - 一种病灶的定位方法及装置 - Google Patents

一种病灶的定位方法及装置 Download PDF

Info

Publication number
CN110752029B
CN110752029B CN201911002514.XA CN201911002514A CN110752029B CN 110752029 B CN110752029 B CN 110752029B CN 201911002514 A CN201911002514 A CN 201911002514A CN 110752029 B CN110752029 B CN 110752029B
Authority
CN
China
Prior art keywords
point
medical image
spine
target
vertebra
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
Application number
CN201911002514.XA
Other languages
English (en)
Other versions
CN110752029A (zh
Inventor
李玉才
王少康
陈宽
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.)
Infervision Medical Technology Co Ltd
Original Assignee
Beijing Tuoxiang Technology 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 Beijing Tuoxiang Technology Co ltd filed Critical Beijing Tuoxiang Technology Co ltd
Priority to CN201911002514.XA priority Critical patent/CN110752029B/zh
Publication of CN110752029A publication Critical patent/CN110752029A/zh
Application granted granted Critical
Publication of CN110752029B publication Critical patent/CN110752029B/zh
Priority to PCT/CN2020/120627 priority patent/WO2021078040A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06T2207/30008—Bone
    • G06T2207/30012—Spine; Backbone

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请提供一种病灶的定位方法及装置，从医学图像中检测脊椎的位置参数，又在医学图像中，确定脊椎的延长线与躯干的边缘的交点。将中心点与交点的连线，作为医学图像的左区域和右区域的分界线，依据中心点与交点的连线的目标垂线，确定医学图像中躯干在前后方向的分界线。依据分界线，确定病灶所在的区域。基于脊椎的生理结构特点，确定脊椎的延长线与躯干的边缘的交点，进一步确定脊椎所占区域的中心点与交点的连线以及连线的垂线，从而确定不同区域的分界线，实现依据分界线，确定病灶所在的区域的目的，因为脊椎的生理结构特点比较稳定，因此与人为标注相比，具有较高的准确性，又因实现了自动实现，所以与人为标注相比，具有较高的效率。

Description

一种病灶的定位方法及装置
技术领域
本申请涉及医疗诊断技术领域，尤其涉及一种病灶的定位方法及装置。
背景技术
目前，基于深度学习的一些算法，已经能够在医学影像例如CT图像中，确定出病灶的坐标位置。
但除了坐标位置，病灶与躯干的相对位置，即病灶处于躯干的哪个区域(如区域包括前后左右等)，也对于疾病的诊断和治疗方式的选择有重要意义。现有技术中，通常使用人工标注或者借助额外标记物的方式，确定病灶与躯干的相对位置。
但人工标注的方式的效率和准确性均不高。借助额外标记物的方式，需要在拍摄医学影像时将病区固定在标记物的附近，但有些病人因为外伤等原因，无法实现这种特殊位置的固定，所以，借助额外标记物的方式的适用性有限。
发明内容
本申请提供了一种病灶的定位方法及装置，目的在于提供一种高效准确且适用性广的病灶的定位技术。
为了实现上述目的，本申请提供了以下技术方案：
一种病灶的定位方法，包括：
从医学图像中检测脊椎的位置参数，所述脊椎的位置参数包括所述脊椎所占区域的中心点；
在所述医学图像中，确定所述脊椎的延长线与躯干的边缘的交点，所述脊椎的延长线为以所述中心点为起点，向所述脊椎的前向延伸的直线，所述脊椎的前向为所述医学图像中，与棘突的指向相反的方向，所述棘突从第一端指向第二端，所述棘突上距离所述脊椎的椎体较近的端为所述第一端，另一端为所述第二端；
将所述中心点与所述交点的连线，作为所述医学图像的左区域和右区域的分界线；
依据所述中心点与所述交点的连线的目标垂线，确定所述医学图像中所述躯干在前后方向的分界线，所述目标垂线为所述中心点与所述交点的连线的垂线中，经过所述中心点与所述交点的连线上的预设点的垂线；
依据所述分界线，确定病灶所在的区域。
可选的，所述位置参数还包括：
所述脊椎的角度，所述脊椎的角度为所述脊椎的延长线与水平方向的夹角。
可选的，所述确定所述脊椎的延长线与躯干的边缘的交点，包括：
依据所述中心点、所述角度、直线的方程和所述医学图像的尺寸，得到参考点；
将所述中心点作为初始的起点，将所述参考点作为初始的终点，将所述起点与所述终点的中点，作为初始的目标点，按照以下步骤更新目标点，直到所述目标点为所述躯干的边缘上的点：如果所述目标点在所述躯干之内，则将所述目标点作为新的起点，将所述参考点作为终点，更新所述目标点；如果所述目标点在所述躯干之外，则将所述目标点作为新的终点，将所述中心点作为起点，更新所述目标点；
将位于所述躯干的边缘上的目标点作为所述脊椎的延长线与所述躯干的边缘的交点。
可选的，确定所述目标点与躯干的位置关系的过程包括：
如果包括所述目标点的窗口中的点均为目标像素点，则所述目标点在所述躯干之内；
如果包括所述目标点的窗口中的点均为背景像素点，则所述目标点在所述躯干之外；
如果包括所述目标点的窗口中的点包括所述背景像素点和所述目标像素点，则所述目标点在所述躯干的边缘上。
可选的，在所述按照以下步骤更新目标点，直到所述目标点为所述躯干的边缘上的点之前，还包括：
从所述医学图像中分割所述躯干，得到分割图像，所述分割图像中，所述躯干的像素点为所述目标像素点，其它像素点为所述背景像素点。
可选的，所述依据所述中心点、所述角度、直线的方程和所述医学图像的尺寸，得到参考点，包括：
利用所述中心点与所述角度求解直线方程，得到所述延长线的方程；
依据所述延长线的方程与所述医学图像的尺寸，得到所述延长线与所述医学图像的边缘的交点，作为所述参考点。
可选的，所述从医学图像中检测脊椎的位置参数，包括：
将所述医学图像输入预设的模型，得到所述模型输出的所述脊椎的位置参数，作为第一参数；
依据所述第一参数和第二参数，确定所述医学图像中的所述脊椎的位置参数，所述第二参数为，医学图像序列中、所述医学图像之前的各个医学图像中所述脊椎的位置参数。
可选的，所述依据所述第一参数和第二参数，确定所述医学图像中的所述脊椎的位置参数，包括：
将所述第一参数与所述第二参数的加权和，作为所述医学图像中的所述脊椎的位置，其中，所述第一参数的权重小于所述第二参数的权重。
一种病灶的定位装置，包括：
脊椎检测单元，用于从医学图像中检测脊椎的位置参数，所述脊椎的位置参数包括所述脊椎所占区域的中心点；
交点确定单元，用于在所述医学图像中，确定所述脊椎的延长线与躯干的边缘的交点，所述脊椎的延长线为以所述中心点为起点，向所述脊椎的前向延伸的直线，所述脊椎的前向为所述医学图像中，与棘突的指向相反的方向，所述棘突从第一端指向第二端，所述棘突上距离所述脊椎的椎体较近的端为所述第一端，另一端为所述第二端；
第一分界单元，用于将所述中心点与所述交点的连线，作为所述医学图像的左区域和右区域的分界线；
第二分界单元，用于依据所述中心点与所述交点的连线的目标垂线，确定所述医学图像中所述躯干在前后方向的分界线，所述目标垂线为所述中心点与所述交点的连线的垂线中，经过所述中心点与所述交点的连线上的预设点的垂线；
区域确定单元，用于依据所述分界线，确定病灶所在的区域。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述的病灶的定位方法。
一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述的病灶的定位方法。
本申请提供的病灶的定位方法及装置、处理器、以及存储介质，从医学图像中检测脊椎的位置参数，又在医学图像中，确定脊椎的延长线与躯干的边缘的交点。将中心点与交点的连线，作为医学图像的左区域和右区域的分界线，依据中心点与交点的连线的目标垂线，确定医学图像中躯干在前后方向的分界线，其中，目标垂线为中心点与交点的连线的垂线中，经过中心点与交点的连线上的预设点的垂线。依据分界线，确定病灶所在的区域。可见，基于脊椎的生理结构特点，确定脊椎的延长线与躯干的边缘的交点，进一步确定脊椎所占区域的中心点与交点的连线以及连线的垂线，从而确定不同区域的分界线，实现依据分界线，确定病灶所在的区域的目的，因为脊椎的生理结构特点比较稳定，因此，与人为标注相比，具有较高的准确性，并且，因为实现了自动实现，所以与人为标注相比，具有较高的效率，进一步的，因为无需额外的标注物，所以适用范围较广。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的一些实施例，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1a为本申请实施例提供的一种病灶的定位方法的示意图；
图1b为本申请实施例提供的一种CT图像的示意图；
图1c为本申请实施例提供的另一种CT图像的示意图；
图1d为本申请实施例提供的一种医学图像的示意图；
图1e为本申请实施例提供的另一种医学图像的示意图；
图1f为本申请实施例提供的又一种医学图像的示意图；
图2为本申请实施例提供的一种从医学图像中检测脊椎的位置参数的具体实现方式的示意图；
图3为本申请实施例提供的另一种病灶的定位方法的示意图；
图4为本申请实施例提供的一种病灶的定位装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
由背景技术可知，医生为了提高疾病诊断结果的准确性，除了基于医学影像例如腹部或者胸部的CT图像，确定病灶在患者腹部或者胸部的坐标位置之外，还会标注病灶与躯体的相对位置，即病灶处于腹部或者胸部的哪个区域(如区域包括前后左右等)。其中，前后左右区域用于表示真实人体中的前后左右，映射在腹部或者胸部的CT图像中的区域。当然，也可以根据医生的标注习惯，将区域划分为多种(例如前中后左右)。
由于现有技术中病灶与躯干的相对位置的定位技术，定位的效率和准确性均不高。因此，本申请实施例提供了一种高效准确且适用性广的病灶的定位技术。
如图1a所示，为本申请实施例提供的一种病灶的定位方法的示意图，包括如下步骤：
S101：从医学图像中检测脊椎的位置参数。
其中，脊椎的位置参数包括脊椎所占区域的中心点的位置坐标。脊椎所占区域指的是人体脊椎在医学图像(例如CT图像)中的区域，通常情况下，依据医学影像中的横断位(Axial)方向，(即人体的头顶至人体的脚底的观察方向)将人体医学图像的横截面中脊椎的成像像素所占区域的外接多边形区域(例如矩形区域)，作为脊椎所占区域。相应的，中心点则为该外接多边形区域(例如矩形区域)的中心。具体的，多边形区域和中心点可参见图1b示出的CT图像。
在本申请实施例中，可以基于深度学习算法，初步得到脊椎所占区域的中心点在医学图像中的坐标位置。
基于深度学习算法，得到脊椎所占区域的中心点在医学图像中的坐标位置这一过程的具体实现方式，可参见下述图2及图2示出的解释说明，当然，也可以采用现有的其他人体脊椎定位技术手段，得到该脊椎所占区域的中心点的具体位置。
S102：在医学图像中，确定脊椎的延长线与躯干的边缘的交点。
其中，脊椎的延长线为以脊椎所占区域的中心点为起点，向脊椎的前向延伸的直线。脊椎的前向为医学图像中，与棘突的指向相反的方向。棘突从第一端指向第二端，棘突上距离脊椎的椎体较近的端为第一端，另一端为第二端。具体的，脊椎的延长线、以及脊椎的延长线与躯干的边缘的交点，脊椎的前向、棘突的指向等脊椎生理结构，可参见图1c示出的CT图像。
S103：将中心点与交点的连线，作为医学图像的左区域和右区域的分界线。
其中，中心点与交点的连线，将医学图像划分为两个区域，需要说明的是，通常，现有的CT图像中已经标注出左和右，本实施例中，以给出左右区域之间的分界线。也可以，依据医生的标注习惯，将两个区域分别标注为左区域和右区域，这里不做限定。例如，图1d所示出的医学图像。
S104：依据中心点与交点的连线的目标垂线，确定医学图像中躯干在前后方向的分界线。
其中，目标垂线为中心点与交点的连线的垂线中，经过中心点与交点的连线上的预设点的垂线。由于中心点与交点的连线的垂线的数量为多个，本实施例中，可以将过中心点与交点的连线的中点的垂线，作为在前后方向的分界线。在此情况下，中心点与交点的连线的中点的垂线，将已经划分为两个区域的医学图像进一步划分为4个区域，连线作为医学图像中躯干在左右方向的左右分界线，垂线作为医学图像中躯干在前后方向的前后分界线，得到躯干的前左区域、前右区域、后左区域和后右区域这4个区域，例如，图1e所示出的医学图像。当然，预设点不仅仅局限于中心点与交点的连线的中点，也可以是中心点与交点的连线的3/5处的点，预设点的具体位置可由技术人员根据实际情况进行设置，本申请实施例不做限定。
需要说明的是，在将医学图像中躯干划分为4个区域的基础上，还可以进一步的进行区域划分。例如，依据与上述垂线成预设角度(例如45°)的夹角线将医学图像中躯干划分为8个区域，得到躯干的前左区域、前右区域、中前左区域、中前右区域、中后左区域、中后右区域、后左区域和后右区域，具体躯干区域分布图可参见图1f。
S105：依据分界线，确定病灶所在的区域。
其中，可通过现有的病灶识别技术手段，确定医学图像中病灶的具体位置，在确定病灶的具体位置后，依据病灶的具体位置和分界线，便能够确定病灶所在的区域。例如，病灶的具体位置位于左右分界线的左边，并且位于前后分界线的上边，则病灶处于躯干的前左区域。
在本申请实施例中，从医学图像中检测脊椎的位置参数，又在医学图像中，确定脊椎的延长线与躯干的边缘的交点。将中心点与交点的连线，作为医学图像的左区域和右区域的分界线，依据中心点与交点的连线的目标垂线，确定医学图像中躯干在前后方向的分界线，其中，目标垂线为中心点与交点的连线的垂线中，经过中心点与交点的连线上的预设点的垂线。依据分界线，确定病灶所在的区域。可见本申请，基于脊椎的生理结构特点，确定脊椎的延长线与躯干的边缘的交点，进一步确定脊椎所占区域的中心点与交点的连线以及连线的垂线，从而确定不同区域的分界线，实现依据分界线，确定病灶所在的区域的目的，因为脊椎的生理结构特点比较稳定，因此，与人为标注相比，具有较高的准确性，并且，因为实现了自动实现，所以与人为标注相比，具有较高的效率，进一步的，因为无需额外的标注物，所以适用范围较广。
可选的，如图2所示，为本申请实施例提供的一种从医学图像中检测脊椎的位置参数的具体实现方式的示意图，包括如下步骤：
S201：将医学图像输入预设的模型，得到模型输出的脊椎的位置参数，作为第一参数。
其中，预设的模型包括但不限于是目标检测(Single Shot MultiBox Detector，SSD)模型等深度学习模型。通过目标检测模型，对医学图像进行目标检测，得到脊椎位置的具体过程包括：
A1、将医学图像(例如CT图像)作为目标检测模型中特征提取模块的输入，对医学图像进行特征提取，得到医学图像中的脊椎特征。
需要说明的是，可以基于ResNet50+FPN结构构建该特征提取模块。
A2、将脊椎特征作为目标检测模型中预测模块的输入，对脊椎特征进行方向和角度的预测，得到脊椎的方向和角度。其中，脊椎的角度为脊椎的延长线与水平方向的夹角。
需要说明的是，对脊椎特征进行方向的预测的具体过程包括：将脊椎特征进行全局最大池化(Global Max Pooling，GMP)处理，将处理后的脊椎特征作为全连接网络的输入，将该全连接网络输出的结果作为该脊椎特征的方向。
对脊椎特征进行角度的预测的具体过程包括：将脊椎特征进行全局最大池化(Global Max Pooling，GMP)处理，将处理后的脊椎特征作为另一全连接网络的输入，将该全连接网络输出的结果作为该脊椎特征的角度。
A3、将脊椎特征作为目标检测模型中目标检测模块的输入，对脊椎特征进行位置检测，得到脊椎所占区域的中心点的位置坐标。
需要强调的是，上述目标检测模型的训练过程，与上述目标检测模型的检测过程类似，仅使用了样本医学图像和标注具体坐标位置的脊椎特征作为初始目标检测模型的输入。
S202：依据第一参数与第二参数，确定医学图像中的脊椎的位置参数。
其中，第二参数为，医学图像序列中、医学图像之前的各个医学图像中脊椎的位置参数，并且，第一参数的权重小于第二参数的权重。
需要说明的是，在将医学图像输入预设的模型的过程中，医学图像会以图像帧的方式输入到模型中。模型依据医学图像序列中各个图像帧的排列顺序，对各个图像帧进行脊椎检测，得到每个图像帧中的脊椎的位置参数。但深度学习的模型难免会出现错误，并且因为一次拍摄得到的医学图像帧序列中，脊椎的位置参数具有连续性，因此，本实施例中，利用指数加权移动平均(Exponential Weighted Moving Average，EWMA)算法，为每个图像帧中的脊椎位置参数进行优化。
具体的，可以将第一参数和第二参数的加权和，作为医学图像中的脊椎的位置参数。基于EWMA算法的特性，第一参数和第二参数的加权和的计算过程如公式(1)所示。
yt＝γyt-1+(1-γ)xt (1)
在公式(1)中，yt表示第一参数和第二参数的加权和，γ表示第二参数对应的权重，yt-1表示第二参数，(1-γ)表示第一参数对应的权重，xt表示第一参数。
假设模型预测的脊椎所占区域的中心点的位置坐标发生了较大偏差，则通过上述公式，能够减少偏差量，例如，第一参数xt为(70，90)，第二参数yt-1为(40，32)，第二参数对应的权重γ为0.95。则加权和为(40×0.95+(1-0.95)×70，32×0.95+(1-0.95)×90)＝(41.5，34.9)。可见，优化后的位置坐标与上一帧中的脊椎所占区域的位置坐标相比，偏差不大。
此外，不仅仅是脊椎的位置，脊椎的角度也可基于模型得到，并且也可以利用EWMA算法，为每个图像帧的脊椎角度进行优化，从而纠正模型输出脊椎角度的单一层面误差，并平滑最终的输出结果。
假设模型预测的脊椎的角度发生了较大偏差，则通过上述公式，能够减少偏差量，例如，第一角度参数xt为90°，第二角度参数yt-1为32°，第二角度参数对应的权重γ为0.95。相应的，参照公式(1)的计算过程，第一角度参数和第二角度参数的加权和为0.95×32+(1-0.95)×90＝34.9。可见，优化后的角度与上一帧中的脊椎的角度相比，偏差不大。
需要说明的是，加权和仅仅为S202的一种具体实现方式，除了加权和之外，也可以使用其他运算方式，基于第一参数和第二参数确定最终的位置参数。
在本申请实施例中，使用预设的模型，得到模型输出的脊椎的位置参数，作为第一参数。更重要的是，将医学图像序列中、医学图像之前的各个医学图像中脊椎的位置参数，作为第二参数。使用第二参数优化模型得到的第一参数，得到最终的位置参数，有利于提高位置参数的准确性。
可选的，如图3所示，为本申请实施例提供的另一种病灶的定位方法的示意图，包括如下步骤：
S301：从医学图像中检测脊椎的位置参数。
其中，位置参数包括脊椎所占区域的中心点的位置坐标、以及脊椎的角度，脊椎的角度为脊椎的延长线与水平方向的夹角。在本申请实施例中，可以基于上述图2示出的步骤，得到脊椎所占区域的中心点的位置坐标和脊椎的角度，当然，也可以采用现有的其它深度学习模型算法，得到脊椎所占区域的中心点的坐标位置和脊椎的角度。
S302：依据中心点、角度、直线的方程和医学图像的尺寸，得到参考点。
其中，直线的方程为ax+b＝y，利用中心点与角度求解直线方程中的参数a的值和参数b的值，得到脊椎的延长线的方程。需要说明的是，直线方程中的参数a的值通常为tanθ，θ为脊椎的角度。
进一步的，依据脊椎的延长线的方程与医学图像的尺寸，得到延长线与医学图像的边缘的交点，并将交点作为参考点。
具体的，依据医学图像建立直角坐标系，医学图像的两条边缘分别作为直角坐标系的x轴和y轴，医学图像的尺寸的宽度为w、高度为h，脊椎的延长线方程为Ax+B＝y。分别将x＝0,x＝w代入延长线方程中，计算得到延长线与医学图像的边缘(该边缘与y轴平行)的交点(0，B)和交点(w，A*w+B)，并分别判断B的值和A*w+B的值是否处于[0，h]的范围内。若B的值处于[0，h]的范围内，则交点(0，B)作为参考点，若A*w+B的值处于[0，h]的范围内，则交点(w，A*w+B)作为参考点。
此外，分别将y＝0,y＝h代入延长线方程中，计算得到延长线与医学图像的边缘(该边缘与x轴平行)的交点(-B/A，0)和交点((h-B)/A，h)，并分别判断-B/A的值和(h-B)/A的值是否处于[0，w]的范围内。若-B/A的值处于[0，w]的范围内，则交点(-B/A，0)作为参考点，若(h-B)/A的值处于[0，w]的范围内，则交点((h-B)/A，h)作为参考点。
S303：从医学图像中分割躯干，得到分割图像。
其中，在分割图像中，躯干的像素点为目标像素点，其它像素点为背景像素点。以CT图像的分割图像(通常为二值图像)为例，目标像素点在CT图像的分割图像中显示为1，背景像素点在CT图像的分割图像中显示为0。
具体的，通过阈值分割算法将从医学图像中分离出身体部位，并利用最大连通域方法排除身体部位中的其他非躯干部分(例如肩部、手臂)，从而得到仅保留躯干的分割图像。
需要说明的是，上述具体实现过程仅仅用于举例说明，从医学图像中分割躯干的具体实现过程当然还可以采用现有的其他图像分割手段来实现，这里不再赘述。
此外，需要强调的是，S303的执行顺序不仅仅是本申请实施例所提供的执行顺序，S303也可以在S301和/或S302之前执行。
S304：将中心点作为初始的起点，将参考点作为初始的终点，将起点与终点的中点，作为初始的目标点，并按照预设的步骤更新目标点，直到目标点为躯干的边缘上的点。
其中，预设的步骤包括：如果目标点在躯干之内，则将目标点作为新的起点，将参考点作为终点，更新目标点；如果目标点在躯干之外，则将目标点作为新的终点，将中心点作为起点，更新目标点。
可选的，
如果包括目标点的窗口中的点均为目标像素点，则目标点在躯干之内；
如果包括目标点的窗口中的点均为背景像素点，则目标点在躯干之外；
如果包括目标点的窗口中的点包括背景像素点和目标像素点，则目标点在躯干的边缘上。
具体的，以CT图像的分割图像为例，中心点为(xv，yv)，参考点为(xi，yi)，将(xv，yv)作为起点，将(xi，yi)作为终点，计算得到两点之间的中点(xm，ym)。分析(xm，ym)的窗口(例如3×3的像素窗口)中的点的具体分布情况(窗口中的点只由0或1表示)。(xm，ym)的窗口中的点均为1，则(xm，ym)在躯干之内。
接着，将(xm，ym)作为新的起点，将(xi，yi)作为新的终点，计算得到两点之间的中点(xn，yn)。分析(xn，yn)的窗口(例如3×3的像素窗口)中的点的具体分布情况。(xn，yn)的窗口中的点均为0，则(xn，yn)在躯干之外。
其次，将(xm，ym)作为新的起点，将(xn，yn)新的终点，计算得到两点之间的中点(xk，yk)。分析(xk，yk)的窗口(例如3×3的像素窗口)中的点的具体分布情况。(xk，yk)的窗口中的点包括0和1，则(xk，yk)在躯干的边缘上。
需要说明的是，上述具体实现过程仅仅用于举例说明。
需要强调的是，目标点的选取不仅仅是起点和终点之间的中点，也可以是起点和终点之间的预设划分位置点(例如起点和终点之间连线上3/5处的点)。此外，若是起点的坐标和终点的坐标相同，或者是，起点的坐标位置超过终点的坐标位置，则重新选择新的参考点和/或中心点，并执行预设的步骤。
S305：将位于躯干的边缘上的目标点作为脊椎的延长线与躯干的边缘的交点。
S306：将中心点与交点的连线，作为医学图像的左区域和右区域的分界线。
其中，中心点与交点的连线，将医学图像划分为两个区域，并依据医生的标注习惯，将两个区域分别标注为左区域和右区域。
S307：将中心点与交点的连线的目标垂线，确定医学图像中躯干在前后方向的分界线。
其中，中心点与交点的连线的目标垂线，将已经划分为两个区域的医学图像进一步划分为4个区域，连线作为医学图像中躯干在左右方向的左右分界线，目标垂线作为医学图像中躯干在前后方向的前后分界线，得到躯干的前左区域、前右区域、后左区域和后右区域这4个区域。
S308：依据分界线，确定病灶所在区域。
其中，在确定病灶的具体位置后，依据病灶的具体位置和分界线，便能够确定病灶所在的区域。
在本申请实施例中，从医学图像中获取脊椎的位置参数，该位置参数包括脊椎所占区域的中心点和脊椎的角度，并从医学图像中分割出躯干，得到分割图像。依据中心点和角度，得到参考点，依据参考点在分割图像中的位置关系，确定脊椎的延长线与躯干边缘的交点。基于中心点和交点，得到医学图像的分界线。从而依据分界线确定病灶所在区域。可见，无论医学图像中躯干如何摆布，基于脊椎所占区域的中心点和脊椎的角度所得到的参考点，能够准确得到脊椎的延长线与躯干边缘的交点。依据中心点和交点，得到医学图像的分界线，从而实现对病灶所在区域的确定。由于脊椎的生理结构特点比较稳定，依据中心点和交点得到分界线，不会出现区域标注错误或者分界偏差，因此与人未标注相比，具有较高的准确性，并且因为实现了自动实现，所以也认为标注相比，具有较高的效率，进一步的，因为无需额外的标注物，所以适用范围较广。
与上述本申请实施例提供的病灶的定位方法相对应，如图4所示，为本申请实施例提供的一种病灶的定位装置的结构示意图，包括：
脊椎检测单元100，用于从医学图像中检测脊椎的位置参数，脊椎的位置参数包括脊椎所占区域的中心点。
其中，脊椎检测单元100中所提及的位置参数还包括：脊椎的角度，脊椎的角度为脊椎的延长线与水平方向的夹角。
脊椎检测单元100具体用于：将医学图像输入预设的模型，得到模型输出的脊椎的位置参数，作为第一参数。依据第一参数和第二参数，确定医学图像中的脊椎的位置参数，第二参数为，医学图像序列中、医学图像之前的各个医学图像中脊椎的位置参数。
脊椎检测单元100依据第一参数和第二参数，确定医学图像中的脊椎的位置参数的具体实现方式包括：将第一参数与第二参数的加权和，作为医学图像中的脊椎的位置，其中，第一参数的权重小于第二参数的权重。
交点确定单元200，用于在医学图像中，确定脊椎的延长线与躯干的边缘的交点，脊椎的延长线为以中心点为起点，向脊椎的前向延伸的直线，脊椎的前向为医学图像中，与棘突的指向相反的方向，棘突从第一端指向第二端，棘突上距离脊椎的椎体较近的端为第一端，另一端为第二端。
其中，交点确定单元200确定脊椎的延长线与躯干的边缘的交点的具体实现方式包括：依据中心点、角度、直线的方程和医学图像的尺寸，得到参考点。从医学图像中分割躯干，得到分割图像，分割图像中，躯干的像素点为目标像素点，其它像素点为背景像素点。将中心点作为初始的起点，将参考点作为初始的终点，将起点与终点的中点，作为初始的目标点，按照以下步骤更新目标点，直到目标点为躯干的边缘上的点：如果目标点在躯干之内，则将目标点作为新的起点，将参考点作为终点，更新目标点。如果目标点在躯干之外，则将目标点作为新的终点，将中心点作为起点，更新目标点。将位于躯干的边缘上的目标点作为脊椎的延长线与躯干的边缘的交点。
交点确定单元200依据中心点、角度、直线的方程和医学图像的尺寸，得到参考点的具体实现方式包括：利用中心点与角度求解直线方程，得到延长线的方程。依据延长线的方程与医学图像的尺寸，得到延长线与医学图像的边缘的交点，作为参考点。
此外，交点确定单元200中确定目标点与躯干的位置关系的过程包括：如果包括目标点的窗口中的点均为目标像素点，则目标点在躯干之内。如果包括目标点的窗口中的点均为背景像素点，则目标点在躯干之外。如果包括目标点的窗口中的点包括背景像素点和目标像素点，则目标点在躯干的边缘上。
第一分界单元300，用于将中心点与交点的连线，作为医学图像的左区域和右区域的分界线。
第二分界单元400，用于依据中心点与交点的连线的目标垂线，确定医学图像中躯干在前后方向的分界线，所述目标垂线为所述中心点与所述交点的连线的垂线中，经过所述中心点与所述交点的连线上的预设点的垂线。
区域确定单元500，用于依据分界线，确定病灶所在的区域。
在本申请实施例中，从医学图像中检测脊椎的位置参数，又在医学图像中，确定脊椎的延长线与躯干的边缘的交点。将中心点与交点的连线，作为医学图像的左区域和右区域的分界线，依据中心点与交点的连线的目标垂线，确定医学图像中躯干在前后方向的分界线，其中，目标垂线为中心点与交点的连线的垂线中，经过中心点与交点的连线上的预设点的垂线。依据分界线，确定病灶所在的区域。可见本申请，基于脊椎的生理结构特点，确定脊椎的延长线与躯干的边缘的交点，进一步确定脊椎所占区域的中心点与交点的连线以及连线的垂线，从而确定不同区域的分界线，实现依据分界线，确定病灶所在的区域的目的，因为脊椎的生理结构特点比较稳定，因此，与人为标注相比，具有较高的准确性，并且，因为实现了自动实现，所以与人为标注相比，具有较高的效率，进一步的，因为无需额外的标注物，所以适用范围较广。
进一步的，本申请实施例还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述本申请实施例公开的病灶的定位方法。
进一步的，本申请实施例还提供了一种存储介质，其上存储由程序，该程序被处理器执行时实现上述本申请实施例公开的病灶的定位方法。
本申请实施例方法所述的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，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本申请实施例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设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请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。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种病灶的定位方法，其特征在于，包括：
从医学图像中检测脊椎的位置参数，所述脊椎的位置参数包括所述脊椎所占区域的中心点和所述脊椎的角度，所述脊椎的角度为所述脊椎的延长线与水平方向的夹角，所述医学图像为人体的头顶至人体的脚底观察方向的医学图像；
在所述医学图像中，基于脊椎所占区域的中心点和脊椎的角度所得到的参考点，确定所述脊椎的延长线与躯干的边缘的交点，所述脊椎的延长线为以所述中心点为起点，向所述脊椎的前向延伸的直线，所述脊椎的前向为所述医学图像中，与棘突的指向相反的方向，所述棘突从第一端指向第二端，所述棘突上距离所述脊椎的椎体较近的端为所述第一端，另一端为所述第二端；
将所述中心点与所述交点的连线，作为所述医学图像的左区域和右区域的分界线；
依据所述中心点与所述交点的连线的目标垂线，确定所述医学图像中所述躯干在前后方向的分界线，所述目标垂线为所述中心点与所述交点的连线的垂线中，经过所述中心点与所述交点的连线上的预设点的垂线；
依据所述分界线，确定病灶所在的区域。
2.根据权利要求1所述的方法，其特征在于，所述基于脊椎所占区域的中心点和脊椎的角度所得到的参考点，确定所述脊椎的延长线与躯干的边缘的交点，包括：
依据所述中心点、所述角度、直线的方程和所述医学图像的尺寸，得到参考点；
将所述中心点作为初始的起点，将所述参考点作为初始的终点，将所述起点与所述终点的中点，作为初始的目标点，按照以下步骤更新目标点，直到所述目标点为所述躯干的边缘上的点：如果所述目标点在所述躯干之内，则将所述目标点作为新的起点，将所述参考点作为终点，更新所述目标点；如果所述目标点在所述躯干之外，则将所述目标点作为新的终点，将所述中心点作为起点，更新所述目标点；
将位于所述躯干的边缘上的目标点作为所述脊椎的延长线与所述躯干的边缘的交点。
3.根据权利要求2所述的方法，其特征在于，确定所述目标点与躯干的位置关系的过程包括：
如果包括所述目标点的窗口中的点均为目标像素点，则所述目标点在所述躯干之内；
如果包括所述目标点的窗口中的点均为背景像素点，则所述目标点在所述躯干之外；
如果包括所述目标点的窗口中的点包括所述背景像素点和所述目标像素点，则所述目标点在所述躯干的边缘上。
4.根据权利要求3所述的方法，其特征在于，在所述按照以下步骤更新目标点，直到所述目标点为所述躯干的边缘上的点之前，还包括：
从所述医学图像中分割所述躯干，得到分割图像，所述分割图像中，所述躯干的像素点为所述目标像素点，其它像素点为所述背景像素点。
5.根据权利要求2所述的方法，其特征在于，所述依据所述中心点、所述角度、直线的方程和所述医学图像的尺寸，得到参考点，包括：
利用所述中心点与所述角度求解直线方程，得到所述延长线的方程；
依据所述延长线的方程与所述医学图像的尺寸，得到所述延长线与所述医学图像的边缘的交点，作为所述参考点。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述从医学图像中检测脊椎的位置参数，包括：
将所述医学图像输入预设的模型，得到所述模型输出的所述脊椎的位置参数，作为第一参数；
依据所述第一参数和第二参数，确定所述医学图像中的所述脊椎的位置参数，所述第二参数为，医学图像序列中、所述医学图像之前的各个医学图像中所述脊椎的位置参数。
7.根据权利要求6所述的方法，其特征在于，所述依据所述第一参数和第二参数，确定所述医学图像中的所述脊椎的位置参数，包括：
将所述第一参数与所述第二参数的加权和，作为所述医学图像中的所述脊椎的位置，其中，所述第一参数的权重小于所述第二参数的权重。
8.一种病灶的定位装置，其特征在于，包括：
脊椎检测单元，用于从医学图像中检测脊椎的位置参数，所述脊椎的位置参数包括所述脊椎所占区域的中心点和所述脊椎的角度，所述脊椎的角度为所述脊椎的延长线与水平方向的夹角，所述医学图像为人体的头顶至人体的脚底观察方向的医学图像；
交点确定单元，用于在所述医学图像中，基于脊椎所占区域的中心点和脊椎的角度所得到的参考点，确定所述脊椎的延长线与躯干的边缘的交点，所述脊椎的延长线为以所述中心点为起点，向所述脊椎的前向延伸的直线，所述脊椎的前向为所述医学图像中，与棘突的指向相反的方向，所述棘突从第一端指向第二端，所述棘突上距离所述脊椎的椎体较近的端为所述第一端，另一端为所述第二端；
第一分界单元，用于将所述中心点与所述交点的连线，作为所述医学图像的左区域和右区域的分界线；
第二分界单元，用于依据所述中心点与所述交点的连线的目标垂线，确定所述医学图像中所述躯干在前后方向的分界线，所述目标垂线为所述中心点与所述交点的连线的垂线中，经过所述中心点与所述交点的连线上的预设点的垂线；
区域确定单元，用于依据所述分界线，确定病灶所在的区域。
9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1-7中任一项所述的病灶的定位方法。
10.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如权利要求1-7中任一项所述的病灶的定位方法。
CN201911002514.XA 2019-10-21 2019-10-21 一种病灶的定位方法及装置 Active CN110752029B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911002514.XA CN110752029B (zh) 2019-10-21 2019-10-21 一种病灶的定位方法及装置
PCT/CN2020/120627 WO2021078040A1 (zh) 2019-10-21 2020-10-13 一种病灶的定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911002514.XA CN110752029B (zh) 2019-10-21 2019-10-21 一种病灶的定位方法及装置

Publications (2)

Publication Number Publication Date
CN110752029A CN110752029A (zh) 2020-02-04
CN110752029B true CN110752029B (zh) 2020-08-28

Family

ID=69279201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911002514.XA Active CN110752029B (zh) 2019-10-21 2019-10-21 一种病灶的定位方法及装置

Country Status (2)

Country Link
CN (1) CN110752029B (zh)
WO (1) WO2021078040A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110752029B (zh) * 2019-10-21 2020-08-28 北京推想科技有限公司 一种病灶的定位方法及装置
CN113112467B (zh) * 2021-04-06 2023-04-07 上海深至信息科技有限公司 一种平面图标注系统
CN113283361B (zh) * 2021-06-02 2022-08-12 广东电网有限责任公司广州供电局 一种绝缘层破损识别模型训练方法、识别方法和装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4492886B2 (ja) * 2008-04-03 2010-06-30 富士フイルム株式会社 ３次元腹腔内領域検出装置、方法、およびプログラム
US8374892B2 (en) * 2010-01-25 2013-02-12 Amcad Biomed Corporation Method for retrieving a tumor contour of an image processing system
US9058651B2 (en) * 2011-01-04 2015-06-16 Edda Technology, Inc. System and methods for functional analysis of soft organ segments in SPECT-CT images
JP6257092B2 (ja) * 2012-10-23 2018-01-10 株式会社日立製作所 画像処理装置及び脊柱管評価方法
US11179134B2 (en) * 2014-04-15 2021-11-23 Elekta Ab (Publ) Method and system for calibration
KR102233966B1 (ko) * 2014-05-12 2021-03-31 삼성전자주식회사 의료 영상 정합 방법 및 그 장치
CN105496563B (zh) * 2015-12-04 2018-05-04 上海联影医疗科技有限公司 标定脊柱医学图像定位线的方法
CN106600591B (zh) * 2016-12-13 2019-12-03 上海联影医疗科技有限公司 一种医学图像方位显示方法及装置
CN107292928B (zh) * 2017-06-16 2020-07-10 东软医疗系统股份有限公司 一种血管定位的方法及装置
CN107808377B (zh) * 2017-10-31 2019-02-12 北京青燕祥云科技有限公司 一种肺叶中病灶的定位装置
CN109509186B (zh) * 2018-11-09 2020-09-18 北京邮电大学 基于大脑ct图像的缺血性脑卒中病灶检测方法及装置
CN110752029B (zh) * 2019-10-21 2020-08-28 北京推想科技有限公司 一种病灶的定位方法及装置

Also Published As

Publication number Publication date
CN110752029A (zh) 2020-02-04
WO2021078040A1 (zh) 2021-04-29

Similar Documents

Publication Publication Date Title
CN110599508B (zh) 基于人工智能的脊柱影像处理方法及相关设备
CN110752029B (zh) 一种病灶的定位方法及装置
KR101883258B1 (ko) 해부학적 계측점의 검출 방법
US8693753B2 (en) Medical image processing device, method and program
JP6564018B2 (ja) 放射線画像の肺野セグメンテーション技術及び骨減弱技術
US8116544B2 (en) Apparatus, method, and program for detecting three dimensional abdominal cavity regions
US20180144489A1 (en) Registration of fluoroscopic images of the chest and corresponding 3d image data based on the ribs and spine
CN110706791B (zh) 一种医学影像处理方法及装置
CA2602218A1 (en) Method and system for characterization of knee joint morphology
Baka et al. Statistical shape model-based femur kinematics from biplane fluoroscopy
CN111080573A (zh) 肋骨图像检测方法、计算机设备和存储介质
CN113613562A (zh) 对x射线成像系统进行定位
CN108876770B (zh) 一种眼底多光谱图像联合配准方法及系统
Chen et al. Automatic Insall–Salvati ratio measurement on lateral knee x-ray images using model-guided landmark localization
JP2007068715A (ja) 医用画像処理装置及び方法
CN115311258B (zh) 一种spect平面图像中自动分割器官的方法和系统
JP2001118058A (ja) 画像処理装置及び放射線治療計画システム
KR101796111B1 (ko) 3차원 형태 기술자를 이용한 두개골 이형 자동판단시스템 및 이를 이용한 두개골 이형 자동판단방법
CN110349151B (zh) 一种目标识别方法及装置
Pilgram et al. Knowledge-based femur detection in conventional radiographs of the pelvis
CN115880469B (zh) 一种表面点云数据与三维影像的配准方法
CN112085698A (zh) 左右乳腺超声图像自动分析方法及装置
Sargent et al. Cross modality registration of video and magnetic tracker data for 3D appearance and structure modeling
US11430203B2 (en) Computer-implemented method for registering low dimensional images with a high dimensional image, a method for training an aritificial neural network useful in finding landmarks in low dimensional images, a computer program and a system for registering low dimensional images with a high dimensional image
CN112017146B (zh) 一种骨骼分节方法及装置

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
CP03 Change of name, title or address

Address after: Room B401, floor 4, building 1, Shangdi Information 12, Haidian District, Beijing 100085

Patentee after: Tuxiang Medical Technology Co., Ltd

Address before: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085

Patentee before: Beijing Tuoxiang Technology Co.,Ltd.

CP03 Change of name, title or address