CN110992312A - 医学图像处理方法、装置、存储介质及计算机设备 - Google Patents
医学图像处理方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN110992312A CN110992312A CN201911120244.2A CN201911120244A CN110992312A CN 110992312 A CN110992312 A CN 110992312A CN 201911120244 A CN201911120244 A CN 201911120244A CN 110992312 A CN110992312 A CN 110992312A
- Authority
- CN
- China
- Prior art keywords
- nodule
- lung
- information
- lung nodule
- medical 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims description 15
- 206010056342 Pulmonary mass Diseases 0.000 claims abstract description 181
- 201000011510 cancer Diseases 0.000 claims abstract description 128
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 98
- 230000036210 malignancy Effects 0.000 claims abstract description 98
- 238000012545 processing Methods 0.000 claims abstract description 62
- 208000024891 symptom Diseases 0.000 claims abstract description 59
- 210000004072 lung Anatomy 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 230000002685 pulmonary effect Effects 0.000 claims description 72
- 238000001514 detection method Methods 0.000 claims description 47
- 238000004590 computer program Methods 0.000 claims description 23
- 238000011161 development Methods 0.000 claims description 21
- 230000018109 developmental process Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 16
- 239000007787 solid Substances 0.000 claims description 14
- 230000000391 smoking effect Effects 0.000 claims description 10
- 239000005337 ground glass Substances 0.000 claims description 7
- 230000003211 malignant effect Effects 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 206010054107 Nodule Diseases 0.000 description 46
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 15
- 201000005202 lung cancer Diseases 0.000 description 15
- 208000020816 lung neoplasm Diseases 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 238000002591 computed tomography Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002308 calcification Effects 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 210000003123 bronchiole Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及一种医学图像处理方法、装置、存储介质及计算机设备,本申请提供的方法,可以在获取肺部医学图像后,自动进行肺结节分割处理以及肺结节征象分类处理,再根据处理得到的肺结节尺寸信息以及征象信息自动确定肺结节的恶性等级信息,相比于人工观察的方法,本申请的处理效率更高;另外,本申请是通过综合底层特征(即尺寸信息)以及高级语义信息(即征象信息)等多方面信息来进行,能够得到准确的肺结节恶性等级,可以有效支持后期进一步诊断与确诊,显著降低后期误诊风险。
Description
技术领域
本申请涉及医疗技术领域,特别是涉及一种医学图像处理方法、装置、存储介质及计算机设备。
背景技术
肺癌是发病率最高、死亡率增长最快、对人群健康和生命威胁最大的恶性肿瘤疾病。肺癌早期的表现为结节形式,发现越早,治疗越早,目标对象患肺癌的几率越小,因此肺结节的恶性等级检测对降低肺癌的死亡率具有重要意义。
现有技术中,通常使用计算机断层扫描(computed tomography,CT)进行肺癌筛查,医生根据得到的医学图像进行观察分析,从而确定肺结节的良恶性发展状态。
然而,人工观察分析的效率较低,且容易出错,从而在根据错误的肺结节的恶性等级进行目标对象的疾病诊断时,会加重误诊的风险。
发明内容
基于此,有必要针对现有技术存在的问题,提供一种能够得到准确的肺结节恶性等级信息,以支持后期准确确诊的医学图像处理方法、装置、存储介质及计算机设备。
一种医学图像处理方法,包括:
获取目标对象的肺部医学图像;
对所述肺部医学图像进行肺结节检测,获得肺结节检测结果;
根据所述肺结节检测结果对所述肺部医学图像进行肺结节分割处理,基于得到的分割结果确定肺结节的尺寸信息;
根据所述肺结节检测结果对所述肺部医学图像进行肺结节征象分类处理,得到所述肺结节的征象信息;
基于所述尺寸信息以及所述征象信息确定所述目标对象的肺结节恶性等级。
一种医学图像处理装置,包括:
图像获取模块,用于获取目标对象的肺部医学图像;
肺结节检测模块,用于对所述肺部医学图像进行肺结节检测,获得肺结节检测结果;
尺寸确定模块,用于根据所述肺结节检测结果对所述肺部医学图像进行肺结节分割处理,基于得到的分割结果确定肺结节的尺寸信息;
征象确定模块,用于根据所述肺结节检测结果对所述肺部医学图像进行肺结节征象分类处理,得到所述肺结节的征象信息;
等级确定模块,用于基于所述尺寸信息以及所述征象信息确定所述目标对象的肺结节恶性等级。
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。
上述医学图像处理方法、装置、存储介质及计算机设备,获取目标对象的肺部医学图像;对肺部医学图像进行肺结节检测,获得肺结节检测结果;根据肺结节检测结果对肺部医学图像进行肺结节分割处理,基于得到的分割结果确定肺结节的尺寸信息;根据肺结节检测结果对肺部医学图像进行肺结节征象分类处理,得到肺结节的征象信息;基于尺寸信息以及征象信息确定目标对象的肺结节恶性等级。本申请提供的方法,可以在获取肺部医学图像后,自动进行肺结节分割处理以及肺结节征象分类处理,再根据处理得到的肺结节尺寸信息以及征象信息自动确定肺结节的恶性等级信息,相比于人工观察的方法,本申请的处理效率更高;另外,本申请是通过综合底层特征(即尺寸信息)以及高级语义信息(即征象信息)等多方面信息来进行,能够得到准确的肺结节恶性等级,可以有效支持后期进一步诊断与确诊,显著降低后期误诊风险。
附图说明
图1为一个实施例中医学图像处理方法的流程示意图;
图2为另一个实施例中医学图像处理方法的流程示意图;
图3为又一个实施例中医学图像处理方法的流程示意图;
图4为再一个实施例中医学图像处理方法的流程示意图;
图5为一个实施例中医学图像处理装置的结构示意图;
图6为另一个实施例中医学图像处理装置的结构示意图;
图7为又一个实施例中医学图像处理装置的结构示意图;
图8为再一个实施例中医学图像处理装置的结构示意图;
图9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,提供一种医学图像处理方法,以该方法应用于可以进行医学图像处理的处理器为例进行解释说明,该方法主要包括以下步骤:
步骤S100,获取目标对象的肺部医学图像。
具体地,处理器可以通过对医学扫描设备采集到的扫描数据进行图像重建和校正,从而得到目标对象的肺部医学图像。当然,医学图像也可以预先重建和校正好,存储在存储器中,当需要对其进行处理时,处理器直接从存储器中读取医学图像。当然,处理器也可以从外部设备中获取医学图像。比如,将目标对象的肺部医学图像存储在云端,当需要进行处理操作时,处理器从云端获取该目标对象的肺部医学图像。此外,外部设备也可以是外部的存储介质等,本实施例对获取医学图像的获取方式不做限定。
另外,目标对象的肺部医学图像的类型具体可以是PET(Positron EmissionComputed 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(Magnetic Resonance Imaging,磁共振成像)图像等;另外也可以是PET-CT图像、PET-MR图像等,在此不作限定。
可以理解,肺部医学图像并不仅仅是指代单独一张图像,肺部医学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。
步骤S200,对肺部医学图像进行肺结节检测,获得肺结节检测结果。
肺癌早起表现形式多为肺结节,因此本实施例中,处理器在得到肺部医学图像后,首先进行肺结节的检测,当检测到肺结节时,则表示目标对象为患病对象,需要对肺部医学图像进行后续的图像处理流程。若未检测到肺结节,则表明目标对象为正常对象,无需进行后续处理。
步骤S300,根据肺结节检测结果对肺部医学图像进行肺结节分割处理,基于得到的分割结果确定肺结节的尺寸信息。
处理器在对肺部医学图像进行肺结节检测之后,若检测到肺结节,则根据检测结果进行肺结节的分割处理,从而得到肺结节分割结果,然后根据肺结节分割结果确定肺结节的尺寸信息。
其中,肺结节分割处理具体可以是通过训练好的分割模型实现,分割模型可以通过包含肺结节的训练样本图像以及对应的分割金标准训练得到,在实际处理过程中,根据当前训练阶段的模型得到模型输出结果,然后将该模型输出结果与分割金标准比较并计算损失值Loss,再根据该损失值利用反向传播方法对当前训练阶段的模型中的网络参数进行调整,以此循环训练,直至分割网络达到收敛状态。分割模型具体可以是深度学习模型,例如DNN(Deep Neural Networks,深度神经网络)、CNN(Convolutional Neural Networks,卷积神经网络)或RNN(Recurrent Neural Network,循环神经网络)等,其中,CNN模型可以是V-Net分割模型、U-Net分割模型、Link-Net分割模型等。
本步骤中,当肺部医学图像为三维图像时,得到的尺寸信息包括体积、三维最长径以及最大二维横截面直径中的至少一种。其中,体积是指肺结节的大小体积信息,三维最长径是指三维图像中的肺结节内部最长的内径,最大二维横截面直径是指肺结节的各层截面上最大的直径。
步骤S400,根据肺结节检测结果对肺部医学图像进行肺结节征象分类处理,得到肺结节的征象信息。
处理器在对肺部医学图像进行肺结节检测之后,若检测到肺结节,还包括对肺结节的征象进行分类,从而确定肺结节的征象信息。
具体地,征象信息包括良性征象以及恶性征象。其中,良性征象包括:钙化征、脂肪、胸膜、叶间裂等;恶性征象包括:分叶、毛刺、胸膜牵拉、含气细支气管征和小泡征以及偏心厚壁空洞等。
步骤S600,基于尺寸信息以及征象信息确定目标对象的肺结节恶性等级。
处理器在基于得到的分割结果确定肺结节的尺寸信息以及通过肺结节征象分类处理得到肺结节的征象信息之后,基于尺寸信息以及征象信息确定目标对象的肺结节恶性等级。具体地,肺结节恶性等级包括低危结节、中危结节以及高危结节。
本实施例提供一种医学图像处理方法,可以在获取肺部医学图像后,自动进行肺结节分割处理以及肺结节征象分类处理,再根据处理得到的肺结节尺寸信息以及征象信息自动确定肺结节的恶性等级信息,相比于人工观察的方法,本申请的处理效率更高;另外,本申请是通过综合底层特征(即尺寸信息)以及高级语义信息(即征象信息)等多方面信息来进行,能够得到准确的肺结节恶性等级,可以有效支持后期进一步诊断与确诊,显著降低后期误诊风险。
在一个实施例中,如图2所示,医学图像处理方法还包括:步骤S510,根据肺结节检测结果进行肺结节密度分类处理,基于得到的分类处理结果确定肺结节的密度分类类别。
具体地,以CT图像为例进行说明,按照CT图像上结节密度的不同,肺结节的密度分类类别包括实性结节、部分实性结节、磨玻璃结节以及钙化结节。其中,实性结节是指看起来和人体软组织密度相似的病灶;部分实性结节是指其内既有模糊的部分又有较高密度部分的病灶;磨玻璃结节是指肺内模糊的、半透明的结节影;钙化结节是指肺结节内部出现钙化的情况。通过进行肺结节密度分类,可以有助于提高肺结节恶性等级确定结果的准确性。
在一个实施例中,参考图2,步骤S600基于尺寸信息以及征象信息确定目标对象的肺结节恶性等级包括:步骤S610,基于尺寸信息、征象信息以及密度分类类别确定目标对象的肺结节恶性等级。
具体地,对于实性结节,当肺结节的最大二维横截面直径大于15mm,或者,肺结节表现为恶性征象,且最大二维横截面直径介于8mm-15mm之间时,确定肺结节恶性等级为高危结节;当肺结节的最大二维横截面直径介于5mm-15mm之间且无明显恶性征象时,确定肺结节恶性等级为中危结节;当肺结节的最大二维横截面直径小于5mm时,确定肺结节恶性等级为低危结节。
对于部分实性结节,当肺结节的最大二维横截面直径大于8mm时,确定肺结节恶性等级为高危结节;当肺结节的最大二维横截面直径小于或者等于8mm时,确定肺结节恶性等级为中危结节。
对于磨玻璃结节,当肺结节的最大二维横截面直径大于5mm时,确定肺结节恶性等级为中危结节;当肺结节的最大二维横截面直径小于或者等于5mm时,确定肺结节恶性等级为低危结节。
对于钙化结节,肺部结节出现钙化,多提示良性结节,因此可以确定肺结节恶性等级为低危结节。
可以理解,本实施例中主要是根据尺寸信息中的最大二维横截面直径来确定肺结节恶性等级,在实际应用过程中,也可以是根据尺寸信息中的体积以及三维最长径来确定,具体可以根据相关的医学标准来确定,在此不再赘述。
本实施例在确定目标对象的肺结节恶性等级时,综合了尺寸信息、征象信息以及密度分类类别等多类信息,从而可以有助于提高肺结节恶性等级确定结果的准确性。
在一个实施例中,如图3所示,医学图像处理方法还包括:步骤S520,获取目标对象的临床相关信息以及肺结节的位置信息。对应的,步骤S600基于尺寸信息以及征象信息确定目标对象的肺结节恶性等级包括:步骤S620,根据临床相关信息、尺寸信息、征象信息以及位置信息,得到目标对象的恶性肿瘤概率;根据恶性肿瘤概率确定目标对象的肺结节恶性等级。
对于肺结节,并不是所有的肺结节都会发展成为肺癌,肺癌的发生是由多种因素参与其中的,因此,本实施例中,除了考虑肺部医学图像中肺结节的影像学信息之外,还考虑了其他可能导致肺癌的危险因素来综合评估肺结节恶性等级。
具体地,临床相关信息包括年龄信息、吸烟史信息以及恶性肿瘤史信息。通常来说,在其他指标相同的情况下,年龄越大,肺结节发展为肺癌的几率也越大;此外,在其他指标相同的情况下,目标对象的吸烟史越长,肺结节发展为肺癌的几率也越大;另外,在其他指标相同的情况下,具有恶性肿瘤史的目标对象相比于不具有恶性肿瘤史的目标对象来说,具有恶性肿瘤史的目标对象的肺结节发展为肺癌的几率更高。肺结节的位置信息具体可以是指肺结节在肺部的具体位置,例如肺部的上叶位置、中叶位置、下叶位置等。
本实施例中,除了考虑肺部医学图像中肺结节的影像学信息之外,还考虑了其他可能导致肺癌的危险因素来综合评估肺结节恶性等级,从而可以进一步提高肺结节恶性等级确定结果的准确性。
在一个实施例中,步骤S620中根据临床相关信息、尺寸信息、征象信息以及位置信息,得到目标对象的恶性肿瘤概率包括:根据年龄信息、吸烟史信息、恶性肿瘤史信息、尺寸信息、征象信息以及位置信息进行加权求和,得到加权求和结果;以自然对数为底数,以加权求和结果为指数进行幂运算,得到计算因子;以计算因子为分子,以计算因子加一得到的值为分母进行除法运算,得到目标对象的恶性肿瘤概率。
具体地,恶性肿瘤概率可以通过以下公式计算得到:
x=m+A*a%+B*b%+C*c%+D*d%+E*e%+F*f%
其中,x表示加权求和结果,m表示常数项,A-F分别表示年龄信息、吸烟史信息、恶性肿瘤史信息、尺寸信息、征象信息以及位置信息,a%-f%分别表示年龄信息、吸烟史信息、恶性肿瘤史信息、尺寸信息、征象信息以及位置信息对应的权重,e表示自然对数,P表示恶性肿瘤概率。
在一个具体实例中,在计算加权求和结果时,上述参数具体取值可以为:
x=-6.8272+A*0.0391+B*0.7919+C*1.3388+
D*0.1274+E*1.0407+F*0.7838
A=目标对象年龄(岁)
D=肺结节的最大二维横截面直径(毫米)
在一个实施例中,根据恶性肿瘤概率得到目标对象的肺结节恶性等级包括:当恶性肿瘤概率低于第一预设概率时,确定肺结节的发展状态为低危结节;当恶性肿瘤概率介于第一预设概率以及第二预设概率之间时,确定肺结节的发展状态为中危结节;当恶性肿瘤概率高于第二预设概率时,确定肺结节的发展状态为高危结节。
在一个具体实例中,第一预设概率可以设置为5%,第二预设概率可以设置为65%,即,当P<5%时,确定肺结节的发展状态为低危结节;当5%≤P≤65%时,确定肺结节的发展状态为中危结节;当P>65%时,确定肺结节的发展状态为高危结节。
本实施例中,在考虑其他可能导致肺癌的危险因素来综合评估肺结节恶性等级时,通过采用加权计算的方法确定恶性肿瘤概率,然后根据恶性肿瘤概率以及区分不同发展状态的预设概率来确定肺结节的发展状态,从而可以进一步提高肺结节恶性等级确定结果的准确性。
在另一个实施例中,如图4所示,将通过步骤S610,基于尺寸信息、征象信息以及密度分类类别确定目标对象的肺结节恶性等级作为第一肺结节恶性等级,将通过步骤S620,根据临床相关信息、尺寸信息、征象信息以及位置信息得到的肺结节恶性等级作为第二肺结节恶性等级,医学图像处理方法还包括:步骤S700,基于第一肺结节恶性等级以及第二肺结节恶性等级确定目标对象的第三肺结节恶性等级。具体地,可以采用加权等方法来实现。例如,可以分别设置第一肺结节恶性等级以及第二肺结节恶性等级对应的置信度,然后根据第一肺结节恶性等级、第二肺结节恶性等级以及二者对应的置信度来得到第三肺结节恶性等级。通过进行多方面的肺结节恶性等级评估,从而可以进一步提高肺结节恶性等级确定结果的准确性。
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5所示,提供一种医学图像处理装置,该装置主要包括以下模块:
图像获取模块100,用于获取目标对象的肺部医学图像;
肺结节检测模块200,用于对肺部医学图像进行肺结节检测,获得肺结节检测结果;
尺寸确定模块300,用于根据肺结节检测结果对肺部医学图像进行肺结节分割处理,基于得到的分割结果确定肺结节的尺寸信息;
征象确定模块400,用于根据肺结节检测结果对肺部医学图像进行肺结节征象分类处理,得到肺结节的征象信息;
等级确定模块600,用于基于尺寸信息以及征象信息确定目标对象的肺结节恶性等级。
本实施例提供一种医学图像处理装置,可以在获取肺部医学图像后,自动进行肺结节分割处理以及肺结节征象分类处理,再根据处理得到的肺结节尺寸信息以及征象信息自动确定肺结节的恶性等级信息,相比于人工观察的方法,本申请的处理效率更高;另外,本申请是通过综合底层特征(即尺寸信息)以及高级语义信息(即征象信息)等多方面信息来进行,能够得到准确的肺结节恶性等级,可以有效支持后期进一步诊断与确诊,显著降低后期误诊风险。
在一个实施例中,如图6所示,医学图像处理装置还包括:密度分类模块510,用于根据肺结节检测结果进行肺结节密度分类处理,基于得到的分类处理结果确定肺结节的密度分类类别,密度分类类别包括实性结节、部分实性结节、磨玻璃结节以及钙化结节。对应的,等级确定模块600可以为第一等级确定模块610,第一等级确定模块610用于:基于尺寸信息、征象信息以及密度分类类别确定目标对象的肺结节恶性等级,肺结节恶性等级包括低危结节、中危结节以及高危结节。
在一个实施例中,如图7所示,医学图像处理装置还包括:第二获取模块520,用于获取目标对象的临床相关信息以及肺结节的位置信息。对应的,等级确定模块600可以为第二等级确定模块620,第二等级确定模块620用于根据临床相关信息、尺寸信息、征象信息以及位置信息,得到目标对象的恶性肿瘤概率;根据恶性肿瘤概率确定目标对象的第二肺结节恶性等级。
在一个实施例中,如图8所示,医学图像处理装置还包括:第三等级确定模块700,用于基于第一肺结节恶性等级以及第二肺结节恶性等级确定目标对象的第三肺结节恶性等级。
在一个实施例中,第二等级确定模块620还用于:根据年龄信息、吸烟史信息、恶性肿瘤史信息、尺寸信息、征象信息以及位置信息进行加权求和,得到加权求和结果;以自然对数为底数,以加权求和结果为指数进行幂运算,得到计算因子;以计算因子为分子,以计算因子加一得到的值为分母进行除法运算,得到目标对象的恶性肿瘤概率。
在一个实施例中,第二等级确定模块620还用于:当恶性肿瘤概率低于第一预设概率时,确定肺结节的发展状态为低危结节;当恶性肿瘤概率介于第一预设概率以及第二预设概率之间时,确定肺结节的发展状态为中危结节;当恶性肿瘤概率高于第二预设概率时,确定肺结节的发展状态为高危结节。
关于医学图像处理装置的具体限定可以参见上文中对于医学图像处理方法的限定,在此不再赘述。上述医学图像处理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:获取目标对象的肺部医学图像;对肺部医学图像进行肺结节检测,获得肺结节检测结果;根据肺结节检测结果对肺部医学图像进行肺结节分割处理,基于得到的分割结果确定肺结节的尺寸信息;根据肺结节检测结果对肺部医学图像进行肺结节征象分类处理,得到肺结节的征象信息;基于尺寸信息以及征象信息确定目标对象的肺结节恶性等级。
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:根据肺结节检测结果进行肺结节密度分类处理,基于得到的分类处理结果确定肺结节的密度分类类别,密度分类类别包括实性结节、部分实性结节、磨玻璃结节以及钙化结节。
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:基于尺寸信息、征象信息以及密度分类类别确定目标对象的肺结节恶性等级,肺结节恶性等级包括低危结节、中危结节以及高危结节。
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:获取目标对象的临床相关信息以及肺结节的位置信息;根据临床相关信息、尺寸信息、征象信息以及位置信息,得到目标对象的恶性肿瘤概率;根据恶性肿瘤概率确定目标对象的肺结节恶性等级。
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:根据年龄信息、吸烟史信息、恶性肿瘤史信息、尺寸信息、征象信息以及位置信息进行加权求和,得到加权求和结果;以自然对数为底数,以加权求和结果为指数进行幂运算,得到计算因子;以计算因子为分子,以计算因子加一得到的值为分母进行除法运算,得到目标对象的恶性肿瘤概率。
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:当恶性肿瘤概率低于第一预设概率时,确定肺结节的发展状态为低危结节;当恶性肿瘤概率介于第一预设概率以及第二预设概率之间时,确定肺结节的发展状态为中危结节;当恶性肿瘤概率高于第二预设概率时,确定肺结节的发展状态为高危结节。
图9为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9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,可使得处理器实现医学图像处理方法。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,可使得处理器执行医学图像处理方法。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9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:获取目标对象的肺部医学图像;对肺部医学图像进行肺结节检测,获得肺结节检测结果;根据肺结节检测结果对肺部医学图像进行肺结节分割处理,基于得到的分割结果确定肺结节的尺寸信息;根据肺结节检测结果对肺部医学图像进行肺结节征象分类处理,得到肺结节的征象信息;基于尺寸信息以及征象信息确定目标对象的肺结节恶性等级。
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:根据肺结节检测结果进行肺结节密度分类处理,基于得到的分类处理结果确定肺结节的密度分类类别,密度分类类别包括实性结节、部分实性结节、磨玻璃结节以及钙化结节。
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:基于尺寸信息、征象信息以及密度分类类别确定目标对象的肺结节恶性等级,肺结节恶性等级包括低危结节、中危结节以及高危结节。
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:获取目标对象的临床相关信息以及肺结节的位置信息;根据临床相关信息、尺寸信息、征象信息以及位置信息,得到目标对象的恶性肿瘤概率;根据恶性肿瘤概率确定目标对象的肺结节恶性等级。
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:根据年龄信息、吸烟史信息、恶性肿瘤史信息、尺寸信息、征象信息以及位置信息进行加权求和,得到加权求和结果;以自然对数为底数,以加权求和结果为指数进行幂运算,得到计算因子;以计算因子为分子,以计算因子加一得到的值为分母进行除法运算,得到目标对象的恶性肿瘤概率。
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:当恶性肿瘤概率低于第一预设概率时,确定肺结节的发展状态为低危结节;当恶性肿瘤概率介于第一预设概率以及第二预设概率之间时,确定肺结节的发展状态为中危结节;当恶性肿瘤概率高于第二预设概率时,确定肺结节的发展状态为高危结节。
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)
1.一种医学图像处理方法,其特征在于,包括:
获取目标对象的肺部医学图像;
对所述肺部医学图像进行肺结节检测,获得肺结节检测结果;
根据所述肺结节检测结果对所述肺部医学图像进行肺结节分割处理,基于得到的分割结果确定肺结节的尺寸信息;
根据所述肺结节检测结果对所述肺部医学图像进行肺结节征象分类处理,得到所述肺结节的征象信息;
基于所述尺寸信息以及所述征象信息确定所述目标对象的肺结节恶性等级。
2.根据权利要求1所述的方法,其特征在于,所述尺寸信息包括体积、三维最长径以及最大二维横截面直径中的至少一种;
所述征象信息包括良性征象以及恶性征象。
3.根据权利要求1所述的方法,其特征在于,还包括:
根据所述肺结节检测结果进行肺结节密度分类处理,基于得到的分类处理结果确定所述肺结节的密度分类类别,所述密度分类类别包括实性结节、部分实性结节、磨玻璃结节以及钙化结节。
4.根据权利要求3所述的方法,其特征在于,基于所述尺寸信息以及所述征象信息确定所述目标对象的肺结节恶性等级包括:
基于所述尺寸信息、所述征象信息以及所述密度分类类别确定所述目标对象的肺结节恶性等级,所述肺结节恶性等级包括低危结节、中危结节以及高危结节。
5.根据权利要求1所述的方法,其特征在于,还包括:
获取所述目标对象的临床相关信息以及所述肺结节的位置信息;
基于所述尺寸信息以及所述征象信息确定所述目标对象的肺结节恶性等级,包括:
根据所述临床相关信息、所述尺寸信息、所述征象信息以及所述位置信息,得到所述目标对象的恶性肿瘤概率;
根据所述恶性肿瘤概率确定所述目标对象的肺结节恶性等级。
6.根据权利要求5所述的方法,其特征在于,所述临床相关信息包括年龄信息、吸烟史信息以及恶性肿瘤史信息;
根据所述临床相关信息、所述尺寸信息、所述征象信息以及所述位置信息,得到所述目标对象的恶性肿瘤概率包括:
根据所述年龄信息、所述吸烟史信息、所述恶性肿瘤史信息、所述尺寸信息、所述征象信息以及位置信息进行加权求和,得到加权求和结果;
以自然对数为底数,以所述加权求和结果为指数进行幂运算,得到计算因子;
以所述计算因子为分子,以所述计算因子加一得到的值为分母进行除法运算,得到所述目标对象的恶性肿瘤概率。
7.根据权利要求5所述的方法,其特征在于,根据所述恶性肿瘤概率得到所述目标对象的肺结节恶性等级包括:
当所述恶性肿瘤概率低于第一预设概率时,确定所述肺结节的发展状态为低危结节;
当所述恶性肿瘤概率介于所述第一预设概率以及第二预设概率之间时,确定所述肺结节的发展状态为中危结节;
当所述恶性肿瘤概率高于所述第二预设概率时,确定所述肺结节的发展状态为高危结节。
8.一种医学图像处理装置,其特征在于,包括:
图像获取模块,用于获取目标对象的肺部医学图像;
肺结节检测模块,用于对所述肺部医学图像进行肺结节检测,获得肺结节检测结果;
尺寸确定模块,用于根据所述肺结节检测结果对所述肺部医学图像进行肺结节分割处理,基于得到的分割结果确定肺结节的尺寸信息;
征象确定模块,用于根据所述肺结节检测结果对所述肺部医学图像进行肺结节征象分类处理,得到所述肺结节的征象信息;
等级确定模块,用于基于所述尺寸信息以及所述征象信息确定所述目标对象的肺结节恶性等级。
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 (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911120244.2A CN110992312B (zh) | 2019-11-15 | 2019-11-15 | 医学图像处理方法、装置、存储介质及计算机设备 |
US17/072,180 US11605164B2 (en) | 2019-10-22 | 2020-10-16 | Systems and methods for lung nodule evaluation |
US18/157,068 US20230157659A1 (en) | 2019-10-22 | 2023-01-19 | Systems and methods for lung nodule evaluation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911120244.2A CN110992312B (zh) | 2019-11-15 | 2019-11-15 | 医学图像处理方法、装置、存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110992312A true CN110992312A (zh) | 2020-04-10 |
CN110992312B CN110992312B (zh) | 2024-02-27 |
Family
ID=70084563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911120244.2A Active CN110992312B (zh) | 2019-10-22 | 2019-11-15 | 医学图像处理方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110992312B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508942A (zh) * | 2020-12-25 | 2021-03-16 | 上海深博医疗器械有限公司 | 一种获取bi-rads等级的方法和系统 |
CN112651960A (zh) * | 2020-12-31 | 2021-04-13 | 上海联影智能医疗科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030099387A1 (en) * | 2001-11-23 | 2003-05-29 | University Of Chicago | Computerized method for determination of the likelihood of malignancy fo pulmonary nodules on low-dose CT |
JP2009195380A (ja) * | 2008-02-20 | 2009-09-03 | Toshiba Corp | 医用画像撮影装置、医用画像処理装置および医用画像処理プログラム |
CN106650830A (zh) * | 2017-01-06 | 2017-05-10 | 西北工业大学 | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 |
CN107247887A (zh) * | 2017-07-27 | 2017-10-13 | 点内(上海)生物科技有限公司 | 基于人工智能帮助肺癌筛查的方法及系统 |
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN108629764A (zh) * | 2018-04-17 | 2018-10-09 | 杭州依图医疗技术有限公司 | 一种确定肺结节良恶性的方法及装置 |
CN109003260A (zh) * | 2018-06-28 | 2018-12-14 | 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 |
CN110189307A (zh) * | 2019-05-14 | 2019-08-30 | 慧影医疗科技(北京)有限公司 | 一种基于多模型融合的肺结节检测方法及系统 |
CN110223775A (zh) * | 2019-07-15 | 2019-09-10 | 四川大学华西医院 | 一种肺癌风险预测系统 |
US20190287242A1 (en) * | 2018-03-16 | 2019-09-19 | Infervision | Computed tomography pulmonary nodule detection method based on deep learning |
WO2019200740A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技(深圳)有限公司 | 肺结节的检测方法、装置、计算机设备和存储介质 |
-
2019
- 2019-11-15 CN CN201911120244.2A patent/CN110992312B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030099387A1 (en) * | 2001-11-23 | 2003-05-29 | University Of Chicago | Computerized method for determination of the likelihood of malignancy fo pulmonary nodules on low-dose CT |
JP2009195380A (ja) * | 2008-02-20 | 2009-09-03 | Toshiba Corp | 医用画像撮影装置、医用画像処理装置および医用画像処理プログラム |
CN106650830A (zh) * | 2017-01-06 | 2017-05-10 | 西北工业大学 | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 |
CN107247887A (zh) * | 2017-07-27 | 2017-10-13 | 点内(上海)生物科技有限公司 | 基于人工智能帮助肺癌筛查的方法及系统 |
US20190287242A1 (en) * | 2018-03-16 | 2019-09-19 | Infervision | Computed tomography pulmonary nodule detection method based on deep learning |
CN108629764A (zh) * | 2018-04-17 | 2018-10-09 | 杭州依图医疗技术有限公司 | 一种确定肺结节良恶性的方法及装置 |
WO2019200740A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技(深圳)有限公司 | 肺结节的检测方法、装置、计算机设备和存储介质 |
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN109003260A (zh) * | 2018-06-28 | 2018-12-14 | 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 |
CN110189307A (zh) * | 2019-05-14 | 2019-08-30 | 慧影医疗科技(北京)有限公司 | 一种基于多模型融合的肺结节检测方法及系统 |
CN110223775A (zh) * | 2019-07-15 | 2019-09-10 | 四川大学华西医院 | 一种肺癌风险预测系统 |
Non-Patent Citations (4)
Title |
---|
JASON L.CAUSEY 等: "Highly accurate model for prediction of lung nodule malignancy with CT scans", SCIENTIFIC REPORTS, pages 1 - 12 * |
李星;郝小光;: "320排CT灌注成像在肺结节的良恶性鉴别诊断中的价值", 影像研究与医学应用, no. 22, pages 76 - 77 * |
第2701-2705+2708页: "从痰瘀窠囊论治肺结节", pages 2701 - 2705 * |
郭薇 等: "基于多维图像信息的肺结节良恶性鉴别方法", pages 69 - 74 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508942A (zh) * | 2020-12-25 | 2021-03-16 | 上海深博医疗器械有限公司 | 一种获取bi-rads等级的方法和系统 |
CN112508942B (zh) * | 2020-12-25 | 2023-04-28 | 上海深博医疗器械有限公司 | 一种获取bi-rads等级的方法和系统 |
CN112651960A (zh) * | 2020-12-31 | 2021-04-13 | 上海联影智能医疗科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110992312B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689038B (zh) | 神经网络模型的训练方法、装置和医学图像处理系统 | |
CN111080584B (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
JP2021520568A (ja) | 組織結節検出方法及びそのモデルトレーニング方法、装置、機器、システム、並びにそのコンピュータプログラム | |
EP3824477A1 (en) | Data-driven estimation of predictive digital twin models from medical data | |
JP6885517B1 (ja) | 診断支援装置及びモデル生成装置 | |
EP3570288A1 (en) | Method for obtaining at least one feature of interest | |
CN110443268B (zh) | 一种基于深度学习的肝部ct图像良性恶性分类方法 | |
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 | |
CN113164142B (zh) | 相似度确定装置、方法及程序 | |
CN114298234B (zh) | 脑部医学影像分类方法、装置、计算机设备和存储介质 | |
WO2023020366A1 (zh) | 一种医学图像信息计算方法、装置、边缘计算设备和存储介质 | |
CN112561869B (zh) | 一种胰腺神经内分泌肿瘤术后复发风险预测方法 | |
US20210327583A1 (en) | Determination of a growth rate of an object in 3d data sets using deep learning | |
CN111325714A (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
CN110992312B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
CN110916666B (zh) | 一种预测手术切除肝细胞癌复发的影像组学特征处理方法 | |
CN111128348B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
CN114693671B (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
CN116703880A (zh) | 一种免疫状态预测模型构建方法、预测方法及构建装置 | |
Chacón et al. | Computational assessment of stomach tumor volume from multi-slice computerized tomography images in presence of type 2 cancer | |
CN115375787A (zh) | 伪影校正方法、计算机设备及可读存储介质 | |
KR20230040484A (ko) | 흉부 의료 영상 객체 검출 시스템 및 그 방법 | |
CN112365504A (zh) | Ct左心室分割方法、装置、设备和存储介质 | |
CN116798611B (zh) | 肝硬化结节的良恶性质预测装置、方法、设备及介质 |
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 |