CN110880366B - 一种医学影像处理系统 - Google Patents
一种医学影像处理系统 Download PDFInfo
- Publication number
- CN110880366B CN110880366B CN201911221967.1A CN201911221967A CN110880366B CN 110880366 B CN110880366 B CN 110880366B CN 201911221967 A CN201911221967 A CN 201911221967A CN 110880366 B CN110880366 B CN 110880366B
- Authority
- CN
- China
- Prior art keywords
- subject
- organ
- image data
- medical image
- model
- 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
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
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- 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
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Radiology & Medical Imaging (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请实施例公开了一种医学影像处理系统。所述系统包括:人体通用模型构建模块,用于存储至少一个人体器官的通用模型;受试者影像获取模块,用于获取受试者的医学影像数据,所述受试者的医学影像数据包括目标器官的影像数据;受试者影像分析模块,用于基于所述受试者的医学影像数据分析所述受试者的目标器官,生成所述受试者目标器官的影像数据分析结果;受试者健康评估模块,用于基于所述至少一个人体器官的通用模型和所述受试者目标器官的影像数据分析结果进行比对,评估所述受试者的健康状况。
Description
技术领域
本申请涉及医学影像处理技术领域,特别涉及一种医学影像处理系统。
背景技术
随着医疗影像设备的发展,许多疾病的诊断都需要结合医学影像才能进行筛查和诊断。例如,在脑部影像中检查脑出血或者脑肿瘤,在胸部CT中筛查肺结节、气管病变、肿瘤等,在腹部影像中检查肝脏以及其他脏器等。如果疾病在影像中有明显的特征,那么能很好的进行诊断,例如结节、肿瘤、发炎、异物、出血等等会在一些影像中出现很容易发现的图像特征。然而,对于一些慢性的或者在影像中不能发现明显特征的或者需要多种数据同时支持才能进行诊断的疾病,例如心脏肥大、脊椎轻度扭曲、关节病变等。这些病变和一个人的年龄、体重等其他因素都有着一定的关系。例如,临床上,心脏肥大的诊断通常需要同时考虑心脏的体积和肺部的体积两者之间的关系才能做一个诊断。像这种需要同时考虑多种因素且在医学影像上没有明显特征的疾病诊断是非常困难的。
因此,有必要提出一种医学影像处理系统,能够及时有效地评估人体健康状况,以便后续进行持续监测管理。
发明内容
基于此,本申请提出一种医学影像处理系统。
本申请实施例之一提供一种医学影像处理系统。所述系统包括:人体通用模型模块,用于存储至少一个人体器官的通用模型;受试者影像获取模块,用于获取受试者的医学影像数据,所述受试者的医学影像数据包括目标器官的影像数据;受试者影像分析模块,用于基于所述受试者的医学影像数据分析所述受试者的目标器官,生成所述受试者目标器官的影像数据分析结果;受试者健康评估模块,用于对所述至少一个人体器官的通用模型和所述受试者目标器官的影像数据分析结果进行比对,评估所述受试者的健康状况。
本申请实施例之一提供一种医学影像处理装置。所述装置包括至少一个处理器和至少一个存储设备,所述存储设备用于存储指令,当所述至少一个处理器执行所述指令时,实现以下操作:获取至少一个人体器官的通用模型;获取受试者的医学影像数据,所述受试者的医学影像数据包括目标器官的影像数据;基于所述受试者的医学影像数据分析所述受试者的目标器官,生成所述受试者目标器官的影像数据分析结果;对所述至少一个人体器官的通用模型和所述受试者目标器官的影像数据分析结果进行比对,评估所述受试者的健康状况。
本申请实施例之一提供一种计算机可读存储介质。所述存储介质存储计算机指令,当计算机读取所述存储介质中的所述计算机指令后,所述计算机执行以下操作:获取至少一个人体器官的通用模型;获取受试者的医学影像数据,所述受试者的医学影像数据包括目标器官的影像数据;基于所述受试者的医学影像数据分析所述受试者的目标器官,生成所述受试者目标器官的影像数据分析结果;对所述至少一个人体器官的通用模型和所述受试者目标器官的影像数据分析结果进行比对,评估所述受试者的健康状况。
附图说明
本申请将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本申请一些实施例所示的一种示例性成像系统的示意图;
图2是根据本申请一些实施例所示的一种示例性计算设备的硬件和/或软件组件的示意图;
图3是根据本申请一些实施例所示的医学影像处理系统的示例性框图;
图4是根据本申请一些实施例所示的基于医学影像评估心脏肥大疾病风险的示例性流程图;
图5-1是根据本申请一些实施例所示的一种心脏尺寸和胸腔尺寸之比(心胸比)与年龄大小的关系模型;
图5-2是根据本申请一些实施例所示的一种随年龄变化的心胸比阈值以及某受试者的心胸比数据;
图6是根据本申请一些实施例所示的基于医学图像评估脑出血预后疾病风险的示例性流程图;以及
图7是根据本申请一些实施例所示的脑部CT影像。
具体实施方式
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
参照附图并考虑以下描述,本申请的这些和其他特征以及相关的结构元件以及制造的部件和经济的结合的操作和功能的方法可以变得更加明显,且都构成本申请的一部分。然而,应当明确地理解,附图仅仅是为了说明和描述的目的,并不意图限制本申请的范围。应当理解的是,附图不是按比例的。
图1是根据本申请一些实施例所示的一种示例性成像系统100的示意图。
成像系统100可以包括成像设备110、网络120、处理设备140和存储设备150。在一些实施例中,所述成像系统100还可以包括至少一个终端130。该成像系统100中的各个组件之间可以通过网络120互相连接。例如,成像设备110和至少一个终端130可以通过网络120连接或通信。
在一些实施例中,成像设备110可以对检测区域内的对象进行扫描,得到该对象的扫描数据。在一些实施例中,成像设备110可以用于获取医学图像数据,被扫描对象可以是人体或动物的整体或部分器官或组织,如头部、肺部等。在一些实施例中,成像设备110可以是X光成像设备、MRI成像设备、MR成像设备、PET成像设备、SPECT成像设备等。例如,X光成像设备可以包括计算机断层扫描仪(CT)、C-臂机(C-arm)等。
网络120可以包括能够促进成像系统100的信息和/或数据交换的任何合适的网络。在一些实施例中,成像系统100的至少一个组件(例如,成像设备110、处理设备140、存储设备150、至少一个终端130)可以通过网络120与成像系统100中至少一个其他组件交换信息和/或数据。例如,处理设备140可以通过网络120从成像设备110获得输出图像。又例如,处理设备140可以通过网络120从至少一个终端130获得用户(如,医生)指令。网络120可以或包括公共网络(例如,互联网)、专用网络(例如,局部区域网络(LAN))、有线网络、无线网络(例如,802.11网络、Wi-Fi网络)、帧中继网络、虚拟专用网络(VPN)、卫星网络、电话网络、路由器、集线器、交换机、服务器计算机和/或其任意组合。例如,网络120可以包括有线网络、有线网络、光纤网络、电信网络、内联网、无线局部区域网络(WLAN)、城域网(MAN)、公共电话交换网络(PSTN)、蓝牙TM网络、ZigBeeTM网络、近场通信(NFC)网络等或其任意组合。在一些实施例中,网络120可以包括至少一个网络接入点。例如,网络120可以包括有线和/或无线网络接入点,例如基站和/或互联网交换点,成像系统100的至少一个组件可以通过接入点连接到网络120以交换数据和/或信息。
至少一个终端130可以与成像设备110、处理设备140和/或存储设备150通信和/或连接。例如,至少一个终端130可以从处理设备140获得检测图像。又例如,至少一个终端130可以获得通过成像设备110获取的输出图像,并将输出图像发送到处理设备140以进行处理。在一些实施例中,至少一个终端130可以包括移动设备131、平板计算机132、膝上型计算机133等或其任意组合。例如,移动设备131可以包括移动电话、个人数字助理(PDA)、游戏设备、导航设备等或其任意组合。在一些实施例中,至少一个终端130可以包括输入设备、输出设备等。输入设备可以包括字母数字和其他键。输入设备可以选用键盘输入、触摸屏(例如,具有触觉或触觉反馈)输入、语音输入、眼睛跟踪输入、大脑监测系统输入或任何其他类似的输入机制。通过输入设备接收的输入信息可以通过如总线传输到处理设备140,以进行进一步处理。其他类型的输入设备可以包括光标控制装置,例如鼠标、轨迹球或光标方向键等。输出设备可以包括显示器、扬声器、打印机等或其任意组合。在一些实施例中,至少一个终端130可以是处理设备140的一部分。
处理设备140可以处理从成像设备110、存储设备150、至少一个终端130或成像系统100的其他组件获得的数据和/或信息。例如,处理设备140可以从成像设备110中获取受试者的影像,通过将受试者的影像与人体器官的通用模型进行比对,评估受试者的健康状况。在一些实施例中,处理设备140可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中,处理设备140可以是本地或远程的。例如,处理设备140可以通过网络120从成像设备110、存储设备150和/或至少一个终端130访问信息和/或数据。又例如,处理设备140可以直接连接到成像设备110、至少一个终端130和/或存储设备150以访问信息和/或数据。在一些实施例中,处理设备140可以在云平台上实现。例如,云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。在一些实施例中,处理设备140可以由计算设备200实现。
存储设备150可以存储数据、指令和/或任何其他信息。在一些实施例中,存储设备150可以存储成像设备110的输出图像。例如,人体医学影像。在一些实施例中,存储设备150可以存储从成像设备110、至少一个终端130和/或处理设备140获得的数据。在一些实施例中,存储设备150可以存储处理设备140用来执行或使用来完成本申请中描述的示例性方法的数据和/或指令。在一些实施例中,存储设备150可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(RAM)。示例性RAM可以包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中,存储设备150可以在云平台上实现。
在一些实施例中,存储设备150可以连接到网络120以与成像系统100中的至少一个其他组件(例如,处理设备140、至少一个终端130)通信。成像系统100中的至少一个组件可以通过网络120访问存储设备150中存储的数据或指令。在一些实施例中,存储设备150可以是处理设备140的一部分。
应该注意的是,上述描述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域普通技术人员而言,在本申请内容的指导下,可做出多种变化和修改。可以以各种方式组合本申请描述的示例性实施例的特征、结构、方法和其他特征,以获得另外的和/或替代的示例性实施例。例如,存储设备150可以是包括云计算平台的数据存储设备,例如公共云、私有云、社区和混合云等。然而,这些变化与修改不会背离本申请的范围。
图2是根据本申请一些实施例所示的一种示例性计算设备200的硬件和/或软件组件的示意图。
计算设备200可以包括处理器210、存储器220、输入/输出(I/O)230和通信端口240。
处理器210可以执行计算机指令(例如,程序代码),并根据本申请描述的方法执行处理设备140的功能。计算机指令可以包括例如执行本申请描述的特定功能的常规方法、程序、对象、组件、数据结构、过程、模块和功能。例如,处理器210可以处理成像设备110、至少一个终端130、存储设备150和/或成像系统100中的任何其他组件的数据。在一些实施例中,处理器210可以包括至少一个硬件处理器,诸如微控制器、微处理器、精简指令集计算机(RISC)、特定应用集成电路(ASIC)、特定应用指令集处理器(ASIP)、中央处理单元(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高阶RISC机器(ARM)、可编程逻辑器件(PLD)、能够执行至少一个功能的任何电路或处理器或类似物,或其任意组合。
仅为了说明的目的,在计算设备200中仅描述了一个处理器。然而,应该注意的是,本申请中的计算设备200还可以包括多个处理器,由此本申请中描述的由一个处理器执行的操作和/或方法步骤也可以由多个处理器联合地或单独地执行。例如,如果在本申请中,计算设备200的处理器执行操作A和操作B,则应该理解,操作A和操作B也可以由计算设备200中的多个不同的处理器共同地或单独地执行(例如,第一处理器执行操作A并且第二处理器执行操作B、或者第一处理器和第二处理器共同执行操作A和B)。
存储器220可以存储从成像设备110、至少一个终端130、存储设备150和/或成像系统100中的任何其他组件获得的数据/信息。在一些实施例中,存储器220可以包括大容量存储器、可移动存储器、易失性读写内存、只读存储器(ROM)等或其任意组合。例如,大容量存储器可以包括磁盘、光盘、固态硬盘等。可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘和磁带等。易失性读取和写入存储器可以包括随机存取存储器(RAM)。RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM(DDRSDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中,存储器220可以存储至少一个程序和/或指令用来执行在本申请中描述的示例性方法。
输入/输出(I/O)230可以用于输入和/或输出信号、数据、信息等。在一些实施例中,I/O 230可以使用户与处理设备140交互。在一些实施例中,I/O 230可以包括输入设备和输出设备。示例性的输入设备可以包括键盘、鼠标、触摸屏、麦克风等或其任意组合。示例性的输出设备可以包括显示设备、扬声器、打印机、投影仪等或其任意组合。示例性显示设备可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、曲面显示器、电视设备、阴极射线管等或其任意组合。
通信端口240可以连接到网络(例如,网络120)以促进数据通信。通信端口240可以在处理设备140和成像设备110、至少一个终端130和/或存储设备150之间建立连接。连接可以包括有线连接、无线连接。有线连接可以包括例如电缆、光缆、电话线等或其任意组合。无线连接可以包括例如BluetoothTM链路、Wi-FiTM链路、WiMaxTM链路、WLAN链路、ZigBee链路、移动网络链路(例如,3G、4G、5G等)等或其任意组合。在一些实施例中,通信端口240可以是和/或包括标准化的通信端口,诸如RS232、RS485等。在一些实施例中,通信端口240可以是专门设计的通信端口。例如,通信端口240可以根据数字成像和医学通信(DICOM)协议来设计。
图3是根据本申请一些实施例所示的医学影像处理系统的示例性框图。
如图3所示,医学影像处理系统300可以包括人体通用模型模块310、受试者影像获取模块320、受试者影像分析模块330和受试者健康评估模块340。在一些实施例中,系统300可以在图1中的处理设备140和/或图2中的处理器210上实现。
人体通用模型模块310可以用于存储至少一个人体器官的通用模型。
人体器官的通用模型可以基于多个样本人体医学影像数据构建。在一些实施例中,人体医学影像数据可以包括至少一个人体部位的影像数据。在一些实施例中,人体部位可以包括受检者的组织、器官和/或身体部位。具体地,组织可以包括但不限肌肉组织、神经组织、骨组织、上皮组织等;器官可以包括但不限心脏、肝脏、肺部、胃部、肾部等;身体部位可以包括但不限于头、手、手臂、脚、小腿、大腿、腹部、胸部等。在一些实施例中,人体医学影像数据可以包括至少一个人体器官的影像数据。具体的,至少一个人体器官的影像数据可以包括该器官的大小、形状、器官所在位置以及该器官与其他器官之间的相互关系等数据。以人体肺部器官为例,肺部器官属于人体的呼吸系统,包含多个组成成分,如气管、血管、肺叶等。因此肺部器官的影像数据可以包括左右肺叶的形状、体积、位置等数据,还可以包括气管、血管等组成部分的形状及其分布情况等数据,还可以包括肺部器官与附近器官(如心脏等)之间的分布情况等数据。在一些实施例中,人体医学影像数据可以是任意医学影像数据,包括但不限于二维影像(如X-ray影像)、三维影像(如CT等)、四维影像(如多时间点的CT影像等)、五维影像(如多时间点MR的多个序列图像等)。
在一些实施例中,人体通用模型可以包括至少一个人体器官的基本模型。人体中存在非常多的器官,每个器官均有各自的特性,例如器官的大小、形状、器官所在的位置等。对于人体中的每个器官,可以使用不同的基本模型来描述该器官在人体中的大小、形状、所在位置等信息。在一些实施例中,人体通用模型还可以包括至少一个人体器官与其他器官之间的相互关系模型。对于人体中的每个器官,可以用基本模型来描述器官的相关信息,而器官与器官之间也存在着一定的相互依赖关系,因此还可以基于器官与器官之间的相互依赖关系建立器官与器官之间的相互关系模型来描述器官之间的相关信息。
在一些实施例中,人体器官的基本模型可以包括该人体器官的形状统计模型和/或亮度统计模型。形状统计模型是指基于所选择的人体器官图像的形状信息进行刻画的模型,主要有ASM模型(Active Shape Model,主动形状模型)、AAM模型(Active AppearanceModel,活动外观模型)等。形状统计模型可用于描述器官的形状信息。亮度统计模型(或者称为颜色统计模型)是指基于所选择的人体器官图像的亮度信息进行刻画的模型。例如,可以是亮度直方图模型,体现人体器官在图像中的亮度分布。以肺部CT图像为例,肺部中存在许多支气管,这些支气管在CT图像中的亮度最暗,除支气管外,肺部的其他区域也具有与其所含物质相应的亮度,肺部不同物质的含量会影响整个肺部的亮度分布。在一些实施例中,还可以将亮度信息转换为颜色模型,颜色模型主要有RGB(Red,Green,Blue,红、绿、蓝色彩)模型、HIS(Hue,Intensity,Saturation,色调、亮度、色饱和度)或HSL(Hue,Saturation,Lightness,色调、色饱和度、亮度)模型、CMY(Cyan,Magenta,Yellow,青品黄三原色)模型、CMYK(Cyan,Magenta,Yellow,Black,青品黄黑四色)模型等。
在一些实施例中,人体通用模型模块310可以通过构建至少一个人体器官的形状统计模型和/或亮度统计模型,以及通过对各个器官所组成的整体形状统计模型和/或亮度统计模型来描述人体器官的相关信息。在一些实施例中,人体通用模型模块310也可以通过至少一个人体器官与其他器官之间的相互关系模型来刻画人体器官的相关信息。本申请中采用的是同时基于整合和局部的形状统计模型和/或亮度统计模型以及统计建模中多视角(multi-view表示)的建模方法来描述人体器官各自的形状和亮度特征、器官和器官之间的关系特征等。
在一些实施例中,人体通用模型模块310还可以存储基于特定人群的样本人体医学影像数据构建的特定人群的至少一个人体器官的通用模型。例如,针对同年龄层、同胸围、同性别等的特定人群的人体器官通用模型。具体构建过程请参考上述内容,在此不再赘述。
受试者影像获取模块320可以用于获取受试者的医学影像数据,所述受试者的医学影像数据包括目标器官的影像数据。
在一些实施例中,受试者的医学影像数据可以包括至少一个目标器官的影像数据。目标器官可以包括但不限心脏、肝脏、肺部、胃部、肾部等。具体的,目标器官的影像数据可以包括该器官的大小、形状、器官所在位置以及该器官与其他器官之间的相互关系等数据。在一些实施例中,受试者的医学影像数据可以是任意医学影像数据,包括但不限于二维影像(如X-ray影像)、三维影像(如CT等)、四维影像(如多时间点的CT影像等)、五维影像(如多时间点MR的多个序列图像等)。在一些实施例中,受试者的医学影像数据可以是具有明显特征的疾病的影像,也可是难以判别的疾病的影像。
受试者影像分析模块330可以用于基于所述受试者的医学影像数据分析所述受试者的目标器官,生成所述受试者目标器官的影像数据分析结果。
在一些实施例中,受试者影像分析模块330可以包括图像检测单元、图像分割单元和/或图像配准单元。图像检测单元用于检测受试者的医学影像数据中是否存储目标器官。例如,某些受试者由于做过手术摘除了目标器官,其医学影像数据中就不存在该目标器官。图像分割单元可以用于对受试者的医学影像数据中关于目标器官的影像数据进行图像分割处理,获取多个分割好的与目标器官相关的图像序列。在一些实施例中,图像分割单元可以依赖图像检测单元的检测结果进行分割。具体地,当图像检测单元检测到受试者的医学影像数据中存在目标器官时,图像分割单元再从该受试者的医学影像数据中分割出目标器官。在另一些实施例中,图像分割单元的运作并不依赖于图像检测单元的检测结果。例如,图像检测单元可以省略,由图像分割单元直接进行分割。图像分割是一个根据区域间相似或不同将图像分割成若干区域的过程。在一些实施例中,图像分割方法可以包括阈值分割法(如灰度阈值分割法)、区域分割法(如区域生长法、区域分类合并法)、边缘分割法、直方图法等分割方法。图像配准单元可以用于对与目标器官相关的图像与人体通用模型中相应的器官图像进行配准,从而提取目标器官的特征信息。在一些实施例中,图像配准单元可以依赖于图像分割单元的分割结果进行分割。具体地,图像配准单元可以对图像分割单元分割出的与目标器官相关的图像序列与相应的人体器官通用模型进行配准。在另一些实施例中,图像配准单元的运作并不依赖于图像分割单元的分割结果。例如,图像配准单元可以直接将受试者的医学影像数据与相应的人体器官通用模型进行配准。在一些实施例中,图像配准方法可以包括基于灰度信息法、变换域法、基于特征法等配准方法。在一些实施例中,目标器官的特征信息可以包括该器官的形状参数、大小参数等。以肺部器官为例,肺部器官图像经分割处理后,可以将分割后的肺部器官图像序列与人体通用模型中肺部器官相应的图像序列进行配准,从而可以获取肺部器官中肺叶的各个形状参数、左右肺尖的宽度等特征信息。
在一些实施例中,图像配准单元可以执行特征提取、特征匹配、估计变换模型、图像重采样及变换四个过程。具体的,特征提取过程可以用于对分割后的目标器官的图像序列和人体通用模型中目标器官对应的图像序列分别进行特征提取得到特征点;特征匹配过程可以用于通过对分割后的目标器官的图像序列和人体通用模型中目标器官对应的图像序列进行相似性度量找到匹配的特征点对;估计变换模型过程可以用于通过分割后的目标器官的图像序列和人体通用模型中目标器官对应的图像序列之间匹配的特征点对得到图像空间坐标变换参数;图像重采样及变换过程可以用于根据坐标变换参数对分割后的目标器官的图像序列和人体通用模型中目标器官对应的图像序列进行匹配,从而得到与人体通用模型中相匹配的目标器官的特征信息。
在一些实施例中,受试者影像分析模块330还可以用于利用神经网络分析方法分析受试者的医学影像数据,得到与目标器官相关的特征数据。在一些实施例中,神经网络分析方法可以包括但不限于BP神经网络(Back Propagation Neural Network,反向传播神经网络)、RBF神经网络(Radical Basis Function Neural Network,径向基神经网络)、HNN(Hopfield Neural Network,反馈神经网络)、GAN网络(Generative AdversarialNetworks,生成式对抗网络)、自组织特征映射网络。在一些实施例中,可以直接用神经网络处理受试者的医学影像数据,得到与受试者的目标器官特征数据,而无需再对受试者的医学影像数据进行检测、分割或配准。可以预先用大量样本对训练神经网络,每个样本对可以包括医学影像数据和相应的与目标器官相关的特征数据。
受试者健康评估模块340可以用于基于所述至少一个人体器官的通用模型和所述受试者目标器官的影像数据分析结果进行比对,评估所述受试者的健康状况。
在一些实施例中,受试者健康评估模块340可以基于受试者的医学影像数据分析受试者的健康状况。在一些实施例中,受试者的健康状况可体现为目标器官的相关的疾病指标。在一些实施例中,目标器官的相关的疾病指标可以是指某一种疾病所带有的病情的特征指标。例如,心脏肥大的疾病指标可以是CT影像中心脏尺寸和胸腔尺寸之比(心胸比)的比值超过一定的阈值范围(如正常心胸比的比值低于50%)。在一些实施例中,可以确定目标器官相关的疾病指标的预设条件,如果疾病指标满足预设条件,则受试者可能患有相应疾病。预设条件可以为预先设置的阈值。例如,心脏肥大的疾病指标的预设条件可以设置为心胸比大于50%。在一些实施例中,与目标器官相应的疾病风险系数的数值大小可以根据目标器官的疾病指标与预设条件之间的差值确定。例如,与目标器官相应的疾病风险系数的数值大小可以设置在0-1之间、0-10之间或1-100之间,与目标器官相应的疾病风险系数的数值越小,说明目标器官患有疾病的可能性越低,则受试者的健康状况越好。以心脏肥大疾病为例,心脏肥大相关的疾病指标为CT影像中心脏尺寸和胸腔尺寸之比(心胸比),预设条件为心胸比在40%~50%,超过50%可能患有心脏肥大疾病,低于40%则心脏过小,若某一受试者的心胸比为45%,其对应输出的疾病风险系数为0.09,则说明该受试者患有心脏大小适中;若某一受试者的心胸比为30%,其对应输出的疾病风险系数为0.8,表明该受试者的心脏过小;若某一受试者的心胸比为60%,其对应输出的疾病风险系数为0.8,则说明该受试者患有心脏肥大疾病的可能性较高,需重点关注。
在一些实施例中,受试者健康评估模块340可以基于受试者的非医学影像数据分析受试者的健康状况。具体的,受试者的非医学影像数据可以包括受试者的其他检查数据。例如,受试者的年龄、性别、身高、体重、血压、心跳频率、血检参数、尿检参数等检查数据。
在一些实施例中,受试者健康评估模块340还可以用于获取与受试者对应的特定人群的至少一个人体器官的通用模型,并与受试者目标器官的影像数据分析结果进行比对,评估受试者的健康状况。
应当理解,图3所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
应该注意的是,上述关于医学影像处理系统300的描述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的修正和改变。然而,这些修正和改变不会背离本申请的范围。在一些实施例中,可以添加至少一个附加模块,或者可以将医学影像处理系统300的多个模块组合成一个模块。例如,受试者影像分析模块330和受试者健康评估模块340可以合并成一个模块,用于实现对受试者健康状况的分析和评估。
图4是根据本申请一些实施例所示的基于医学影像评估心脏肥大疾病风险的示例性流程图。具体的,心脏肥大评估方法400可以由医学影像处理系统300执行。例如,心脏肥大评估方法400可以以程序或指令的形式存储在存储装置(如存储设备150、存储器220)中,当医学影像处理系统300执行该程序或指令时,可以实现心脏肥大评估方法400。如图4所示,心脏肥大评估方法400可以包括:
步骤410,获取多个样本的肺部器官的医学影像数据。
肺部器官属于人体的呼吸系统,包含有多个组成部分,如气管、血管、肺叶等。因此,多个样本的肺部器官的医学影像数据可以包括肺部器官组成成分的相关影像数据。在一些实施例中,肺部器官的医学影像数据可以包括左右肺叶的形状、数量、体积、位置等信息,可以包括气管、血管的形状及各自的分布情况。在一些实施例中,肺部器官的医学影像数据还可以包括其他器官的形状及其分布情况,如心脏的形状及主动脉的形状。
在一些实施例中,获取多个样本的肺部器官的医学影像数据的指令可以存储在存储装置(如存储设备150、存储器220)中,并可以由处理设备140调用。
步骤420,基于所述多个肺部器官样本的医学影像数据构建肺部器官的通用模型。具体的,步骤420可以由人体通用模型模块310执行。
在一些实施例中,人体的肺野及肺泡组织在CT图像中主要为偏黑色,其对应的灰度值不高。肺野是指充满气体的两个肺叶在胸部CT图像上表现为均匀一致较为透明的区域。肺泡是肺部气体交换的主要部位,是一种半球状囊泡。在一些实施例中,灰度值的范围一般从0到255,白色为255,黑色为0。血管在肺内部与肺泡组织对比度较为明显。在一些实施例中,基于肺部器官的医学影像数据,可以利用不同的图像分割算法对其进行分割处理,获取肺部器官不同组成部分的图像数据。例如,可以利用肺部分割算法,将整个肺部组织(肺野)从CT图像中提取出来,从而可以获得左右肺叶的信息;可以利用肺部气管分割算法,重建肺部内气管的树状结构;可以利用肺部血管分割算法可以获得肺部血管的分布信息。因此,针对不同的关注部位结合不同的算法,可以获得所需要的信息。在一些实施例中,综合所有已获取的信息,可以构建整个肺部器官的三维形状模型。在一些实施例中,模型构建过程中使用的图像数据应该足够的多,才能构建一个较为通用的肺部器官模型。在一些实施例中,也可以针对不同的特性(如年龄、胸围等)来构建更加具体的肺部器官模型。
在一些实施例中,可以参考肺部器官模型的构建过程,为其他的器官构建类似的模型,但每个器官的模型构建过程中供参考的信息种类是不一样的,必要时可以分别进行考虑。在一些实施例中,器官与器官之间也存在一定的相互依赖关系。因此,人体器官模型不能单单考虑自身,也需要综合一部分其他器官的信息。以下举例说明构建器官模型的具体过程:
si=fi(I) (1)
假设利用算法集合中的每种算法对图像进行处理,得到的所有信息集合为S={si,si,…,sk},利用算法集合对图像进行处理可以表示为:
S=Φ(I) (2)
得到的信息集合可以表示为:
S={f1(I),f2(I),…,fk(I)}={si,si,…,sk} (3)
然后对所得到的信息进行进一步的处理或者融合,可以得到肺部器官的模型M:
M=G(S)=G(si,si,…,sk) (4)
基于以上的人体器官模型构建过程,以肺部形状模型构建为范例进行进一步解释说明。在一些实施例中,可以基于肺部器官的医学影像数据,提取一组点数据来表示整个肺部的形状。全肺模型可以由两组点组成,分别是轮廓点和控制点。具体的,轮廓点主要表示肺部表面成分的轮廓,即肺尖、肺顶部、肺叶分隔处的点;控制点是放置在肺部表面或者内部的多个关键位置的特征点,用于制定用于肺部图像变形的三角形单元。基于多个手动标记的训练样本,通过使用降维算法(例如,奇异值分解算法(SVD算法)、主成分分析算法(PCA算法)等)处理获得全肺形状模型的先验分布,并且还构建每个肺部组成单元的轮廓的各自形状模型。这样,不仅可以方便地表示肺部特征的每个组成部分的轮廓单独形状变化,而且可以方便地表示全局形状变化。
在一些实施例中,由于控制点不对应于诸如图像边缘的一些显著特征,因此仅利用全肺形状模型的轮廓点进行匹配。控制点的位置可以基于它们的联合先验分布从轮廓点的位置估计。这种估计是可能的,因为全肺形状模型的点由冗余信息组成。
在一些实施例中,构建肺部器官的通用模型的指令可以存储在存储装置(如存储设备150、存储器220)中,并可以由处理设备140(如人体通用模型模块310)调用。
步骤430,获取受试者的医学影像数据,所述受试者的医学影像数据包括肺部器官的影像数据。具体的,步骤430可以由受试者影像获取模块320执行。
在一些实施例中,受试者的医学影像数据可以包括至少一个受试者人体器官的影像数据。具体的,至少一个受试者人体器官的影像数据可以包括该器官的大小、形状、器官所在位置以及该器官与其他器官之间的相互关系等数据。在一些实施例中,受试者医学影像数据可以是任意医学影像数据,包括但不限于二维影像(如X-ray影像)、三维影像(如CT等)、四维影像(如多时间点的CT影像等)、五维影像(如多时间点MR的多个序列图像等)。
在一些实施例中,获取受试者的医学影像数据的指令可以存储在存储装置(如存储设备150、存储器220)中,并可以由处理设备140(如受试者影像获取模块320)调用。
步骤440,基于所述受试者的医学影像数据分析所述受试者的肺部器官,生成所述受试者肺部器官的影像数据分析结果。具体的,步骤440可以由受试者影像分析模块330执行。
在一些实施例中,当有大量的人体医学影像数据存在时,可以结合人体的病例信息与人体器官通用模型构建疾病与模型的相关关系。在一些实施例中,也可以采用多变量统计模型的方法对人体所有器官以及各个器官分别计算其形状和亮度的统计模型。根据正常病例以及不同的疾病病例在其各个器官以及综合所有器官的统计模型以及不同器官测量所存在的关联性,可以对受试者的医学影像中不正常的器官形状或者不正常的器官之间的关系等多种量化标准进行计算。图5-1列出了一种可能的心脏尺寸和胸腔尺寸之比(心胸比)与年龄大小的关系模型,该关系模型通过构建每个年龄的人群的通用心胸比模型得到。如图5-1所示,随着年龄的增长,人体的心胸比也在不断增大,因此,在对受试者进行心胸肥大疾病分析时,需要综合其他信息进行考虑。
在一些实施例中,肺部器官的医学影像中,肺部的边界比较明显,可以使用比较传统的区域增长方法来进行分割,也可以使用其他的分割算法来进行分割以获取相关的信息,同时结合其他的算法,能获取更多的信息。
在一些实施例中,肺部器官影像分割处理后,可以使用肺部器官的分析模型对其进行分析,以获取肺部中肺叶的各个形状参数。在一些实施例中,因为心脏肥大,主要体现在心脏体积变大,这种病变在一定程度上会挤压肺部器官的空间,从而导致肺部肺叶的分布状态发生一定程度的变化。在一些实施例中,使用肺部器官的分析模型对其进行分析,也可以获取左右肺尖的宽度信信息。
主动脉是人体内最粗大的动脉管,从心脏的左心室发出,向上向右再向下略呈弓状,再沿脊柱向下行,在胸腔和腹腔内分出很多较小的动脉。主动脉是向全身各部输送血液的主要导管。也叫大动脉。冠状动脉是供给心脏血液的动脉,起于主动脉根部主动脉窦内,分左右两支,行于心脏表面。在一些实施例中,心脏肥大的存在,会导致主动脉的曲率发生一定的变化,同时影响冠脉在心脏表面的分布形态。使用血管分割算法并利用相关量化指标将其进行量化,可以获得心脏肥大诊断的支撑信息。在一些实施例中,可以利用神经网络确定主动脉曲率。例如,可以设计一个神经网络,其输入为肺部图像,输出为主动脉部分的图像,对主动脉部分的图像处理分析后可得到主动脉曲率。
在一些实施例中,确定的分析受试者肺部器官的指令可以存储在存储装置(如存储设备150、存储器220)中,并可以由处理设备140(如受试者影像分析模块330)调用。
步骤450,基于所述肺部器官的通用模型和所述受试者肺部器官的影像数据分析结果进行比对,评估所述受试者心脏肥大疾病风险系数。具体的,步骤450可以由受试者健康评估模块340执行。
在一些实施例中,可以基于肺部器官相关的疾病指标评估受试者心脏肥大疾病风险系数。当受试者的肺部疾病指标超过预设条件越多时,受试者患有心脏肥大疾病的风险系数越高,受试者的健康状况越差。在一些实施例中,预设条件可以是根据与肺部器官相关的疾病指标预先设置的阈值,
例如,心脏肥大的疾病指标的预设条件可以设置为在某一年龄段的心胸比大于50%,该受试者可能患有心脏肥大。在一些实施例中,与目标器官相应的疾病风险系数的数值大小可以根据目标器官的疾病指标与预设条件之间的差值确定。具体的,与目标器官相应的疾病风险系数的数值大小可以设置在0-1之间、0-10之间或1-100之间,与目标器官相应的疾病风险系数的数值越小,说明目标器官患有疾病的可能性越低,则受试者的健康状况越好。图5-2示出了一种可能的随年龄变化的心胸比阈值以及某受试者的心胸比数据。图中实心曲线表示随年龄增长而变化的标准心胸比,两条虚曲线表示随年龄增长而变化的心胸比的最大阈值和最小阈值,这两条虚曲线之间为正常心胸比的范围,在该范围内的心胸比可以被认为不具有心胸肥大的风险。五角星表示某受试者的年龄及心胸比,从图中可以看出,该受试者的心胸比超过了其年龄对应的正常心胸比范围,因此可初步估计该受试者具有心胸肥大的风险。
在一些实施例中,还可以结合多种其他数据利用神经网络分析方法分析受试者的健康状况。例如,基于受试者的年龄、身高、体重、肺叶分布量化信息、肺宽、心宽、主动脉曲率、冠脉分布量化指标等诸多参数,可以设计一个神经网络,将这些参数信息作为神经网络的输入对心脏肥大风险系数进行回归分析,从而得到心脏肥大疾病的风险系数。
在一些实施例中,评估受试者心脏肥大疾病风险系数的指令可以存储在存储装置(如存储设备150、存储器220)中,并可以由处理设备140(如受试者健康评估模块340)调用。
应当注意的是,以上关于流程400及其描述,仅出于说明的目的而提供,并非旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的修正和改变。然而,这些修正和改变不会背离本申请的范围。例如,步骤440和步骤450可以合并为一个步骤,用于同时实现对受试者健康状况的分析和评估。
图6是根据本申请一些实施例所示的基于医学图像评估脑出血预后疾病风险的示例性流程图。具体的,脑出血预后评估方法600可以由医学影像处理系统300执行。例如,脑出血预后评估方法600可以以程序或指令的形式存储在存储装置(如存储设备150、存储器220)中,当医学影像处理系统300执行该程序或指令时,可以实现脑出血预后评估方法600。如图6所示,脑出血预后评估方法600可以包括:
步骤610,获取脑部通用模型。具体的,步骤610可以由人体通用模型模块310执行。
人类的大脑是所有器官中最复杂的一部分,并且是所有神经系统的中枢。虽然看起来是一个整体,但其实可以分为很多个子结构。各个子结构都有着自己独自的功能,而且不同子结构的组合能完成更加复杂的功能。例如,听觉区唯一颞叶的颞横回处,属布鲁德曼的第四十一、四十二区。它接受在声音的作用下由耳朵传入的神经冲动,产生初级形式的听觉。如果破坏了大脑两半球的听觉区,即使双耳功能正常,人也将完全丧失听觉。在一些实施例中,脑部通用模型可以是标准脑区分布模型和标准脑区功能模型。具体的,标准脑区通用模型可以是指包含人体大脑脑区结构的模型,例如,大脑按照解剖的角度可以划分为颅骨、脑干、大脑、小脑、左半脑、右半脑、额叶、顶叶、枕叶、颞叶等结构,其中额叶、顶叶、枕叶、颞叶四个脑叶为大脑的脑区,其余部分为大脑的非脑区。标准脑区功能模型可以是指大脑不同脑区所掌管的不同功能的模型。例如,大脑的额叶控制抽象思维,顶叶帮助处理感觉信息,枕叶主管视力,颞叶掌握记忆、听觉和语言功能。应当注意的是,脑部功能分区可能并不是和脑区一一对应的,因为有些功能需要多个脑部结构合作完成。
步骤620,获取受试者的脑部影像数据。具体的,步骤620可以由受试者影像获取模块320执行。
在一些实施例中,受试者的脑部影像数据可以包括脑部MR影像、MRI影像、CT影像等数据。在一些实施例中,受试者的脑部影像数据可以包括受试者各个脑区结构和非脑区结构。
在一些实施例中,获取脑部医学影像数据的指令可以存储在存储装置(如存储设备150、存储器220)中,并可以由处理设备140(如受试者影像获取模块320)调用。
步骤630,使用脑区分割算法,对受试者脑部影像数据中的各个脑区子结构进行分割。具体的,步骤630可以由受试者影像分析模块330执行。
在一些实施例中,脑区分割算法(即图像分割算法)可以包括阈值分割法(如灰度阈值分割法)、区域分割法(如区域生长法、区域分类合并法)、边缘分割法、直方图法等分割方法。在一些实施例中,通常使用脑部MR影像来进行脑区的分割,因为MR对于脑内结构更为清晰,也能更敏感和准确的显示脑内病变。
在一些实施例中,分割受试者脑部影像数据的指令可以存储在存储装置(如存储设备150、存储器220)中,并可以由处理设备140(如受试者影像分析模块330)调用。
步骤640,将受试者的脑区与标准脑区分布模型进行配准。具体的,步骤640可以由受试者影像分析模块330执行。
在一些实施例中,在进行配准的过程中,需要将已有的受试者的脑部图像与标准脑区分布模型进行配准,以获取当前受试者的头部影像与标准脑区分布模型的对应关系。
在一些实施例中,配准受试者的脑区与标准脑区分布模型的指令可以存储在存储装置(如存储设备150、存储器220)中,并可以由处理设备140(如受试者影像分析模块330)调用。
步骤650,使用分割算法,对出血部位和脑部血管进行分割。具体的,步骤650可以由受试者影像分析模块330执行。
在一些实施例中,脑部CT图像可以更为明显的观察急性期的出血和钙化以及骨质结构。正常情况下,脑血管比较细小,以及其部分容积效应的影响,使得血管内的血液在CT图像上不能显示。但是当血管破裂后,血液通过血管破损处流入周围的组织之中,可破坏局部脑组织形成血肿,此时可以被CT显影,在CT图像上显示为高信号,如图7中所示的标记出来的高亮度部分701(图7是根据本申请一些实施例所示的脑部CT影像)。因此,可以利用分割算法对脑部CT图像中的出血部位和脑部血管进行分割,以获取准确的出血部位分割结果。
在一些实施例中,分割出血部位和脑部血管的指令可以存储在存储装置(如存储设备150、存储器220)中,并可以由处理设备140(如受试者影像分析模块330)调用。
步骤660,结合受试者的脑区分割结果、出血部位分割结果、标准脑区分布模型、标准脑区功能模型,定位出血部位影响的脑区集合。具体的,步骤660可以由受试者影像分析模块330执行。
在一些实施例中,可以基于受试者的脑区分割结果、受试者的出血部位分割结果、标准脑区分布模型、标准脑区功能模型以及图像数据之间的配准结果,得到出血区域所能影响到的人体功能集合。
在一些实施例中,定位出血部位影像的脑区集合的指令可以存储在存储装置(如存储设备150、存储器220)中,并可以由处理设备140(如受试者影像分析模块330)调用。
步骤670,结合脑区所能影响的功能,给出相关风险系数。具体的,步骤670可以由受试者健康评估模块340执行。
在一些实施例中,可以根据出血部位在脑中的位置和体积,给出受试者的所影响人体功能的对应风险系数。
在一些实施例中,还可以根据受试者的非医学影像数据给出受试者的所影响人体功能的对应风险系数。例如,受试者的年龄、性别、身高、体重、血压、心跳频率、血检参数、尿检参数等检查数据。
在一些实施例中,给出受试者相关风险系数的指令可以存储在存储装置(如存储设备150、存储器220)中,并可以由处理设备140(如受试者健康评估模块340)调用。
应当注意的是,以上关于流程600及其描述,仅出于说明的目的而提供,并非旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的修正和改变。然而,这些修正和改变不会背离本申请的范围。例如,步骤630和步骤640可以合并为一个步骤,用于基于受试者的脑部影像、标准脑区分布模型分析受试者的脑区,生成受试者的脑区分析结果。
本申请的医学影像处理系统还可以用来对儿童脑发育进行预测和评估。例如,可以构建各年龄儿童的通用脑模型,针对某儿童,可以记录该儿童不同年龄阶段的脑部影像与通用脑模型的比对结果,从而对该儿童的脑发育进行评估,并预测其脑发育的趋势。
本申请实施例可能带来的有益效果包括但不限于:(1)基于人体医学影像数据构建了相关的人体器官通用模型,可以准确、全面地分析医学影像数据;(2)通过比照受试者与人体器官通用模型中设定的通用人体指标,对受试者在通用指标中的相对位置,给出相关疾病的风险系数,在疾病发展的初期,能够及时有效地做出风险评估以便后续进行持续监测管理;(3)还可以支持其他非医学影像数据分析,对于一些慢性的或者在影像中不能发现明显特征的疾病,能够及时有效地做出风险评估。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (10)
1.一种医学影像处理系统,其特征在于,所述系统包括:
人体通用模型模块,用于存储至少一个人体器官的通用模型,所述至少一个人体器官的通用模型基于多个样本人体医学影像数据构建,所述至少一个人体器官的通用模型包括显示目标器官和其他器官之间的相互关系的相互关系模型;
受试者影像获取模块,用于获取受试者的医学影像数据,所述医学影像数据显示所述目标器官和所述其他器官之间的关系;
受试者影像分析模块,用于基于所述受试者的医学影像数据分析所述受试者的所述目标器官和所述其他器官,生成所述受试者目标器官的影像数据分析结果;
受试者健康评估模块,用于对所述至少一个人体器官的通用模型和所述受试者目标器官的影像数据分析结果进行比对,评估所述受试者的健康状况。
2.如权利要求1所述的系统,其特征在于,所述至少一个人体器官的通用模型进一步包括所述目标器官的基本模型。
3.如权利要求2所述的系统,其特征在于,所述至少一个人体器官基本模型包括人体器官的形状统计模型和/或亮度统计模型。
4.如权利要求1所述的系统,其特征在于,所述至少一个人体器官的通用模型通过以下方法构建:
获取多个样本人体医学影像数据,每个样本人体医学影像数据包括至少一个人体器官的影像数据;
基于所述多个样本人体医学影像数据构建所述至少一个人体器官的通用模型。
5.如权利要求1所述的系统,其特征在于,
所述人体通用模型模块还用于存储特定人群的至少一个人体器官的通用模型,所述特定人群的至少一个人体器官的通用模型基于特定人群的样本人体医学影像数据构建;
所述受试者健康评估模块还用于获取与所述受试者对应的特定人群的至少一个人体器官的通用模型,并与所述受试者目标器官的影像数据分析结果进行比对,评估所述受试者的健康状况。
6.如权利要求1所述的系统,其特征在于,所述受试者影像分析模块进一步包括以下至少一个单元:
图像检测单元,用于检测所述受试者的医学影像数据中是否存在所述目标器官;
图像分割单元,用于从所述受试者的医学影像数据中分割出所述目标器官的影像数据;
图像配准单元,用于对所述目标器官的影像数据进行配准,以提取所述目标器官的特征。
7.如权利要求1所述的系统,其特征在于,所述受试者影像分析模块还用于:
利用神经网络分析所述受试者的医学影像数据,得到与所述目标器官相关的特征数据。
8.如权利要求1所述的系统,其特征在于,所述受试者健康评估模块还用于:
结合目标器官疾病的相关指标,根据预设条件输出目标器官相应的疾病风险系数。
9.一种医学影像处理装置,其特征在于,所述装置包括至少一个处理器和至少一个存储设备,所述存储设备用于存储指令,当所述至少一个处理器执行所述指令时,实现以下操作:
获取至少一个人体器官的通用模型,所述至少一个人体器官的通用模型基于多个样本人体医学影像数据构建,所述至少一个人体器官的通用模型包括显示目标器官和其他器官之间的相互关系的相互关系模型;
获取受试者的医学影像数据,所述受试者的医学影像数据包括所述目标器官的影像数据,所述医学影像数据显示所述目标器官和所述其他器官之间的关系;
基于所述受试者的医学影像数据分析所述受试者的目标器官和所述其他器官,生成所述受试者目标器官的影像数据分析结果;
对所述至少一个人体器官的通用模型和所述受试者目标器官的影像数据分析结果进行比对,评估所述受试者的健康状况。
10.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取所述存储介质中的所述计算机指令后,所述计算机执行以下操作:
获取至少一个人体器官的通用模型,所述至少一个人体器官的通用模型基于多个样本人体医学影像数据构建,所述至少一个人体器官的通用模型包括显示目标器官和其他器官之间的相互关系的相互关系模型;
获取受试者的医学影像数据,所述受试者的医学影像数据包括所述目标器官的影像数据;
基于所述受试者的医学影像数据分析所述受试者的目标器官和所述其他器官,生成所述受试者目标器官的影像数据分析结果,所述医学影像数据显示所述目标器官和所述其他器官之间的关系;
对所述至少一个人体器官的通用模型和所述受试者目标器官的影像数据分析结果进行比对,评估所述受试者的健康状况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911221967.1A CN110880366B (zh) | 2019-12-03 | 2019-12-03 | 一种医学影像处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911221967.1A CN110880366B (zh) | 2019-12-03 | 2019-12-03 | 一种医学影像处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110880366A CN110880366A (zh) | 2020-03-13 |
CN110880366B true CN110880366B (zh) | 2022-10-25 |
Family
ID=69730151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911221967.1A Active CN110880366B (zh) | 2019-12-03 | 2019-12-03 | 一种医学影像处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110880366B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539956B (zh) * | 2020-07-07 | 2020-12-29 | 南京安科医疗科技有限公司 | 基于脑部辅助图像的脑出血自动检测方法及电子介质 |
CN113940754B (zh) * | 2020-07-15 | 2024-03-22 | 台北医学大学 | 医疗影像处理系统及方法 |
CN111887813A (zh) * | 2020-08-11 | 2020-11-06 | 南通大学 | 一种鲜活离体组织脑区位置识别的方法及装置 |
CN114529494B (zh) * | 2020-11-05 | 2024-08-27 | 洪明奇 | 心胸比估算方法及心胸比估算系统 |
TWI814307B (zh) * | 2022-03-25 | 2023-09-01 | 英屬開曼群島商百蒂醫股份有限公司 | 醫學影像分析方法 |
CN115798725B (zh) * | 2022-10-27 | 2024-03-26 | 佛山读图科技有限公司 | 用于核医学的带病灶人体仿真影像数据制作方法 |
CN115661149B (zh) * | 2022-12-26 | 2023-03-10 | 天津医科大学总医院 | 一种基于肺部组织数据的肺部影像处理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426695A (zh) * | 2015-12-18 | 2016-03-23 | 北京铭光正讯科技有限公司 | 一种基于虹膜的健康状态检测系统及方法 |
CN105893778A (zh) * | 2016-04-28 | 2016-08-24 | 陕西数字人信息科技有限公司 | 四维数字人体生理数据可视化监测、分析和评估方法和系统 |
CN109559295A (zh) * | 2018-06-04 | 2019-04-02 | 新影智能科技(昆山)有限公司 | 图像分析系统、方法、计算机可读存储介质、及电子终端 |
EP3462461A1 (de) * | 2017-09-28 | 2019-04-03 | Siemens Healthcare GmbH | Personalisiertes patientenmodell |
CN110335358A (zh) * | 2019-06-18 | 2019-10-15 | 大连理工大学 | 可变形数字人解剖学模型的个性化变形方法 |
-
2019
- 2019-12-03 CN CN201911221967.1A patent/CN110880366B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426695A (zh) * | 2015-12-18 | 2016-03-23 | 北京铭光正讯科技有限公司 | 一种基于虹膜的健康状态检测系统及方法 |
CN105893778A (zh) * | 2016-04-28 | 2016-08-24 | 陕西数字人信息科技有限公司 | 四维数字人体生理数据可视化监测、分析和评估方法和系统 |
EP3462461A1 (de) * | 2017-09-28 | 2019-04-03 | Siemens Healthcare GmbH | Personalisiertes patientenmodell |
CN109559295A (zh) * | 2018-06-04 | 2019-04-02 | 新影智能科技(昆山)有限公司 | 图像分析系统、方法、计算机可读存储介质、及电子终端 |
CN110335358A (zh) * | 2019-06-18 | 2019-10-15 | 大连理工大学 | 可变形数字人解剖学模型的个性化变形方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110880366A (zh) | 2020-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110880366B (zh) | 一种医学影像处理系统 | |
US11984217B2 (en) | Method and apparatus for processing histological image captured by medical imaging device | |
JP6947759B2 (ja) | 解剖学的対象物を自動的に検出、位置特定、及びセマンティックセグメンテーションするシステム及び方法 | |
CN109242865B (zh) | 基于多图谱的医学图像自动分区系统、方法、装置及存储介质 | |
Namburete et al. | Learning-based prediction of gestational age from ultrasound images of the fetal brain | |
Liu et al. | Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window | |
US11468570B2 (en) | Method and system for acquiring status of strain and stress of a vessel wall | |
JP6885517B1 (ja) | 診断支援装置及びモデル生成装置 | |
US10650282B2 (en) | Medical image classification apparatus, method, and program | |
CN111602173B (zh) | 脑部断层扫描数据分析方法 | |
US10580181B2 (en) | Method and system for generating color medical image based on combined color table | |
US10918309B2 (en) | Artificial intelligence-based COPD assessment | |
JP2016531709A (ja) | 疾患を診断するための画像解析技術 | |
CN106709920B (zh) | 血管提取方法及其装置 | |
US11854190B2 (en) | Similarity determination apparatus, similarity determination method, and similarity determination program | |
Heyde et al. | Anatomical image registration using volume conservation to assess cardiac deformation from 3D ultrasound recordings | |
Liu et al. | Cardiac magnetic resonance image segmentation based on convolutional neural network | |
CN112669235A (zh) | 调整图像灰度的方法、装置、电子设备和存储介质 | |
CN116091466A (zh) | 图像分析方法、计算机设备和存储介质 | |
Badano et al. | The stochastic digital human is now enrolling for in silico imaging trials—methods and tools for generating digital cohorts | |
Sengan et al. | Echocardiographic image segmentation for diagnosing fetal cardiac rhabdomyoma during pregnancy using deep learning | |
Elkhill et al. | Geometric learning and statistical modeling for surgical outcomes evaluation in craniosynostosis using 3D photogrammetry | |
Zhu et al. | 3D automatic MRI level set segmentation of inner ear based on statistical shape models prior | |
Li et al. | Clinical study of diffusion-weighted imaging in the diagnosis of liver focal lesion | |
US20220222917A1 (en) | Image processing device, image processing method, and image processing program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |