CN111047611A - 病灶体积测量方法和装置 - Google Patents
病灶体积测量方法和装置 Download PDFInfo
- Publication number
- CN111047611A CN111047611A CN202010173232.2A CN202010173232A CN111047611A CN 111047611 A CN111047611 A CN 111047611A CN 202010173232 A CN202010173232 A CN 202010173232A CN 111047611 A CN111047611 A CN 111047611A
- Authority
- CN
- China
- Prior art keywords
- lesion
- volume
- parallel
- pixel
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请实施例提供了一种病灶体积测量方法和装置,解决了现有病灶体积测量方式的准确率低的问题。该病灶体积测量方法包括:基于实例分割模型,获取多个平行层面的医学影像数据中的病灶征象轮廓分布信息;基于所述病灶征象轮廓分布信息计算每个病灶的病灶像素个数;获取所述医学影像数据的像素间距和平行层面间距;以及基于每个病灶的所述病灶像素个数、所述像素间距和所述平行层面间距计算病灶总体积。
Description
技术领域
本申请涉及影像分析技术领域,具体涉及一种病灶体积测量方法、装置、电子设备和计算机可读存储介质。
背景技术
2020年新型冠状病毒肺炎的特点是发展迅速,目前还没有完全制定准确的治疗方式,那么过程中CT影像承担了病灶数量大小等定量的途径,常规医生阅片过程中,由于CT是一种断层影像,一般人无法很好的进行三维状态的体积定量测量,需要计算每层的像素数量和每个像素的体积,人工计算格外困难。但是根据新冠影像学指南表示,病灶的发展中关键因素是体积和密度两个方面,而体积的变化人工无法完成。
现有技术中存在一些获取病灶体积的方式,例如:1、人工勾画轮廓计算每个层面轮廓,从而累加病灶每层的面积,再获取厚度信息进行乘法计算从而得到体积的方式,病灶多为非规则的形状,人工勾画边缘花费时间较高;2、按照CT的原理,成像方式是将一个3D结构切成平行多个图像这个基础,假设病灶为一个规则的柱体,那么从轴位投影到一个2D平面为一个圆形,从冠状位或者矢状位投射到一个2D面为一个矩形,若病灶只是旋转位置,单纯从影像的3D层面无法判断病灶的体积是否变化。
由此可见,利用现有的病灶体积测量方式,医生只能凭主观感觉判断大小的变化,或者最大层面的长短经距离,这个和真实的情况会可能存在较大的差距,而由于患者数量较多的情况下医生没有时间绘制病灶轮廓计算面积从而推演出病灶的体积,因此亟需一种可以准确高效地将病灶的信息以体积的方式呈现的方式。
发明内容
有鉴于此,本申请实施例提供了一种病灶体积测量方法和装置,解决了现有病灶体积测量方式的准确率低的问题。
根据本申请的一个方面,本申请一实施例提供的一种病灶体积测量方法包括:基于实例分割模型,获取多个平行层面的医学影像数据中的病灶征象轮廓分布信息;基于所述病灶征象轮廓分布信息计算每个病灶的病灶像素个数;获取所述医学影像数据的像素间距和平行层面间距;以及基于每个病灶的所述病灶像素个数、所述像素间距和所述平行层面间距计算病灶总体积。
在本申请一实施例中,所述方法进一步包括:基于肺叶轮廓分布信息计算肺叶区域的肺叶像素个数;基于所述肺叶像素个数、所述像素间距和所述平行层面间距计算肺叶体积;以及基于所述病灶总体积和所述肺叶体积计算病灶在肺叶内的体积占比。
在本申请一实施例中,所述基于实例分割模型,获取多个平行层面的医学影像数据中的病灶征象轮廓分布信息包括:将空间上间距等距的三个平行层面的医学影像数据输入所述实例分割模型;将所述实例分割模型输出的分割结果作为所述三个平行层面中位于中间的平行层面的分割结果;以及基于多个所述三个平行层面中位于中间的平行层面各自对应的所述分割结果,通过三维分割区域连接来获取三维病灶分割结果。
在本申请一实施例中,所述实例分割模型通过如下训练过程建立:将包括医生标注病灶区域的医学影像样本输入神经网络;将所述神经网络输出的预测结果与所述医生标注病灶区域对比以计算损失;以及基于所述损失调整所述神经网络的网络参数。
根据本申请的另一个方面,本申请一实施例提供的一种病灶体积测量装置包括:病灶分割模块,配置为基于实例分割模型,获取多个平行层面的医学影像数据中的病灶征象轮廓分布信息;第一像素计算模块,配置为基于所述病灶征象轮廓分布信息计算每个病灶的病灶像素个数;第一获取模块,配置为获取所述医学影像数据的像素间距和平行层面间距;以及第一体积计算模块,配置为基于每个病灶的所述病灶像素个数、所述像素间距和所述平行层面间距计算病灶总体积。
在本申请一实施例中,所述装置进一步包括:第二像素计算模块,配置为基于肺叶轮廓分布信息计算肺叶区域的肺叶像素个数;第二体积计算模块,配置为基于所述肺叶像素个数、所述像素间距和所述平行层面间距计算肺叶体积;以及体积占比计算模块,配置为基于所述病灶总体积和所述肺叶体积计算病灶在肺叶内的体积占比。
在本申请一实施例中,所述病灶分割模块进一步配置为:将空间上间距等距的三个平行层面的医学影像数据输入所述实例分割模型;将所述实例分割模型输出的分割结果作为所述三个平行层面中位于中间的平行层面的分割结果;以及基于多个所述三个平行层面中位于中间的平行层面各自对应的所述分割结果,通过三维分割区域连接来获取三维病灶分割结果。
在本申请一实施例中,所述装置进一步包括:模型训练模块,配置为通过如下训练过程建立实例分割模型:将包括医生标注病灶区域的医学影像样本输入神经网络;将所述神经网络输出的预测结果与所述医生标注病灶区域对比以计算损失;以及基于所述损失调整所述神经网络的网络参数。
根据本申请的另一方面,本申请一实施例提供了一种电子设备,包括:处理器;存储器;以及存储在存储器中的计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行如上述任一项所述的病灶体积测量方法。
根据本申请的另一方面,本申请一实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如前任一所述的病灶体积测量方法。
根据本申请的另一方面,本申请一实施例提供了一种计算机程序产品,包括计算机程序指令,所述计算机程序指令在被处理器运行时使得处理器执行如上述任一所述的病灶体积测量方法。
本申请实施例提供的一种病灶体积测量方法、装置、电子设备和计算机可读存储介质,考虑到医生无法将多张二维图像抽象一个三维环境计算病灶体积从而进行新冠肺炎病灶的定量,从而完成对患者的治疗效果评估,利用经过深度学习的实例分割模型结合影像的理论,实现了病灶的体积计算并计算肺叶的体积,并可进一步求得病灶在肺叶内的占比,从而可有效协助影像科医生进行患者病情分析或者治疗情况的评估。对于医生来说真实的病灶体积的改变是在临床随访评估非常重要的环节,病灶的体积是否有所下降,决定了临床治疗方案的强度。
附图说明
图1所示为本申请一实施例提供的一种病灶体积测量方法的流程示意图。
图2所示为本申请一实施例提供的一种病灶体积测量方法中获取病灶征象轮廓分布信息的流程示意图。
图3所示为本申请一实施例提供的一种病灶体积测量方法的中计算病灶在肺叶内的体积占比的流程示意图。
图4所示为本申请一实施例提供的一种病灶体积测量方法中获取病灶征象轮廓分布信息的流程示意图。
图5所示为本申请一实施例提供的一种病灶体积测量装置的结构示意图。
图6所示为本申请另一实施例提供的一种病灶体积测量装置的结构示意图。
图7所示为本申请一实施例提供的电子设备的结构示意图。
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。
图1所示为本申请一实施例提供的一种病灶体积测量方法的流程示意图。如图1所示,该病灶体积测量方法,包括如下步骤:
步骤101:基于实例分割模型,获取多个平行层面的医学影像数据中的病灶征象轮廓分布信息。
对于实例分割模型的构建,可使用以ResNet50 + FPN(特征金字塔网络,FeaturePyramid Networks)为主干网络的Mask-RCNN进行目标的检测和分割。该实例分割模型可分为训练阶段和预测阶段。训练阶段可包括如下步骤:首先,将包括医生标注病灶区域(例如肺炎区域)的医学影像样本输入神经网络;将神经网络输出的预测结果与医生标注病灶区域对比以计算损失;以及,基于损失调整神经网络的网络参数,例如采用梯度反传算法进行模型参数更新。预测阶段输出的便为分割结果。
病灶征象是从医学影像的层面上表征或反映病灶特征的数据形式。例如,针对新型冠状肺炎,目前医学影像上典型的征象就为磨玻璃影状。应当理解,基于医学影像可能会获取到多个征象的征象闭合轮廓,下面的描述过程其实是针对一个征象的征象闭合轮廓进行的处理过程。
在本申请一实施例中,如图2所示,病灶征象轮廓分布信息可通过如下步骤获取:
步骤201:基于医学影像获取病灶征象轮廓分布信息,其中,病灶征象轮廓分布信息包括多个二维坐标值。
在本申请一实施例中,病灶征象轮廓分布信息可基于实例分割模型获取,二维坐标值即为基于实例分割模型的输出结果获取的例如[[x1,y1],[x2,y2]…[xn,yn]]的分布轮廓数据,其中x,y分别为医学影像的横纵坐标轴数据。
步骤202:在医学影像的画布标签上定位多个二维坐标值,连接多个二维坐标值获取病灶征象轮廓分布信息。
选取第一个征象的轮廓二维坐标值,在医学影像的画布(canvas)标签上将第一坐标点x1,y1进行定位,并逐次连接坐标点,在最后形成闭合图形作为病灶征象轮廓分布信息。
步骤102:基于病灶征象轮廓分布信息计算每个病灶的病灶像素个数。
基于病灶征象轮廓分布信息便可统计出病灶征象轮廓内的像素个数。
步骤103:获取医学影像数据的像素间距和平行层面间距。
像素间距(pixel spacing)为在医学影像数据上像素之间的距离,平行层面间距(slice spacing)则为二维的平行层面的医学影像数据在垂直方向上的间距,利用像素间距和平行层面间距即可计算出每个病灶在三维空间内的体积。
步骤104:基于每个病灶的病灶像素个数、像素间距和平行层面间距计算病灶总体积。
具体而言,通过Vi=病灶像素个数*pixel spacing*pixel spacing*slicespacing的公式即可计算出每个病灶的体积Vi,i用来标记病灶,所有病灶的体积加合即为病灶总体积V1。
图3所示为本申请一实施例提供的一种病灶体积测量方法的中计算病灶在肺叶内的体积占比的流程示意图。如图3所示,
步骤301:基于肺叶轮廓分布信息计算肺叶区域的肺叶像素个数。
步骤302:基于肺叶像素个数、像素间距和平行层面间距计算肺叶体积。
具体而言,通过V2=肺叶像素个数*pixel spacing*pixel spacing*slicespacing的公式即可计算出肺叶体积V2。
步骤303:基于病灶总体积和肺叶体积计算病灶在肺叶内的体积占比。
具体而言,病灶在肺叶内的体积占比便为V1/V2。统计病灶在肺叶内的肺叶占比可直接对比体积,若体积较大的情况下,如:1000cm³,增减个位或十位数对于使用者,统计增减数量是不直观的,而患者的肺叶体积是固定值,当计算出肺叶占比的时候,对比肺叶占比的情况,幅度的大小显而易见。
由此可见,本申请实施例提供的一种病灶体积测量方法,考虑到医生无法将多张二维图像抽象一个三维环境计算病灶体积从而进行新冠肺炎病灶的定量,从而完成对患者的治疗效果评估,利用经过深度学习的实例分割模型结合影像的理论,实现了病灶的体积计算并计算肺叶的体积,并可进一步求得病灶在肺叶内的占比,从而可有效协助影像科医生进行患者病情分析或者治疗情况的评估。对于医生来说真实的病灶体积的改变是在临床随访评估非常重要的环节,病灶的体积是否有所下降,决定了临床治疗方案的强度。
图4所示为本申请一实施例提供的一种病灶体积测量方法中获取病灶征象轮廓分布信息的流程示意图。如图4所示,该获取病灶征象轮廓分布信息的方法可包括如下步骤:
步骤401:将空间上间距等距的三个平行层面的医学影像数据输入实例分割模型。
为了获取更多的空间全局上下文信息,可以整个CT层面作为输入,该CT层面可包括空间上间距等距的多个平行层面。根据病灶每一个层面上(2D slice)医学影像(例如,电子计算机断层扫描(CT)影像)预测出来分割结果。
步骤402:将实例分割模型输出的分割结果作为三个平行层面中位于中间的平行层面的分割结果。
步骤403:基于多个平行层面各自对应的分割结果,通过三维分割区域连接来获取三维病灶分割结果。
图5所示为本申请一实施例提供的一种病灶体积测量装置的结构示意图。如图5所示,该一种病灶体积测量装置50包括:
病灶分割模块501,配置为基于实例分割模型,获取多个平行层面的医学影像数据中的病灶征象轮廓分布信息;
第一像素计算模块502,配置为基于病灶征象轮廓分布信息计算每个病灶的病灶像素个数;
第一获取模块503,配置为获取医学影像数据的像素间距和平行层面间距;以及
第一体积计算模块504,配置为基于每个病灶的病灶像素个数、像素间距和平行层面间距计算病灶总体积。
在本申请一实施例中,如图6所示,装置50进一步包括:
第二像素计算模块505,配置为基于肺叶轮廓分布信息计算肺叶区域的肺叶像素个数;
第二体积计算模块506,配置为基于肺叶像素个数、像素间距和平行层面间距计算肺叶体积;以及
体积占比计算模块507,配置为基于病灶总体积和肺叶体积计算病灶在肺叶内的体积占比。
在本申请一实施例中,病灶分割模块501进一步配置为:
将空间上间距等距的三个平行层面的医学影像数据输入实例分割模型;
将实例分割模型输出的分割结果作为三个平行层面中位于中间的平行层面的分割结果;以及
基于多个平行层面各自对应的分割结果,通过三维分割区域连接来获取三维病灶分割结果。
在本申请一实施例中,装置进一步包括:
模型训练模块,配置为通过如下训练过程建立实例分割模型:
将包括医生标注病灶区域的医学影像样本输入神经网络;将神经网络输出的预测结果与医生标注病灶区域对比以计算损失;以及基于损失调整神经网络的网络参数。
本申请实施例提供的一种病灶体积测量装置50,考虑到医生无法将多张二维图像抽象一个三维环境计算病灶体积从而进行新冠肺炎病灶的定量,从而完成对患者的治疗效果评估,利用经过深度学习的实例分割模型结合影像的理论,实现了病灶的体积计算并计算肺叶的体积,并可进一步求得病灶在肺叶内的占比,从而可有效协助影像科医生进行患者病情分析或者治疗情况的评估。对于医生来说真实的病灶体积的改变是在临床随访评估非常重要的环节,病灶的体积是否有所下降,决定了临床治疗方案的强度。
上述病灶体积测量装置50中的各个模块的具体功能和操作已经在上面参考图1到图4描述的病灶体积测量方法中进行了详细介绍。因此,这里将省略其重复描述。
需要说明的是,根据本申请实施例的病灶体积测量装置50可以作为一个软件模块和/或硬件模块而集成到电子设备70中,换言之,该电子设备70可以包括该病灶体积测量装置50。例如,该病灶体积测量装置50可以是该电子设备70的操作系统中的一个软件模块,或者可以是针对于其所开发的一个应用程序;当然,该病灶体积测量装置50同样可以是该电子设备70的众多硬件模块之一。
在本申请另一实施例中,该病灶体积测量装置50与该电子设备70也可以是分立的设备(例如,服务器),并且该病灶体积测量装置50可以通过有线和/或无线网络连接到该电子设备70,并且按照约定的数据格式来传输交互信息。
图7所示为本申请一实施例提供的电子设备的结构示意图。如图7所示,该电子设备70包括:一个或多个处理器701和存储器702;以及存储在存储器702中的计算机程序指令,计算机程序指令在被处理器701运行时使得处理器701执行如上述任一实施例的病灶体积测量方法。
处理器701可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备中的其他组件以执行期望的功能。
存储器702可以包括一个或多个计算机程序产品,计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器701可以运行程序指令,以实现上文的本申请的各个实施例的病灶体积测量方法中的步骤以及/或者其他期望的功能。在计算机可读存储介质中还可以存储诸如光线强度、补偿光强度、滤光片的位置等信息。
在一个示例中,电子设备70还可以包括:输入装置703和输出装置704,这些组件通过总线系统和/或其他形式的连接机构(图7中未示出)互连。
例如,在该电子设备是如工业生产线上的机器人时,该输入装置703可以是摄像头,用于捕捉待加工零件的位置。在该电子设备是单机设备时,该输入装置703可以是通信网络连接器,用于从外部的可移动设备接收所采集的输入信号。此外,该输入装置703还可以包括例如键盘、鼠标、麦克风等等。
该输出装置704可以向外部输出各种信息,例如可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图7中仅示出了该电子设备70中与本申请有关的组件中的一些,省略了诸如总线、输入装置/输出接口等组件。除此之外,根据具体应用情况,电子设备70还可以包括任何其他适当的组件。
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,包括计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行如上述任一实施例的病灶体积测量方法中的步骤。
计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性病灶体积测量方法”部分中描述的根据本申请各种实施例的病灶体积测量方法中的步骤。
计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器((RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种病灶体积测量方法,其特征在于,包括:
基于实例分割模型,获取多个平行层面的医学影像数据中的病灶征象轮廓分布信息;
基于所述病灶征象轮廓分布信息计算每个病灶的病灶像素个数;
获取所述医学影像数据的像素间距和平行层面间距;以及
基于每个病灶的所述病灶像素个数、所述像素间距和所述平行层面间距计算病灶总体积。
2.根据权利要求1所述的方法,其特征在于,进一步包括:
基于肺叶轮廓分布信息计算肺叶区域的肺叶像素个数;
基于所述肺叶像素个数、所述像素间距和所述平行层面间距计算肺叶体积;以及
基于所述病灶总体积和所述肺叶体积计算病灶在肺叶内的体积占比。
3.根据权利要求1所述的方法,其特征在于,所述基于实例分割模型,获取多个平行层面的医学影像数据中的病灶征象轮廓分布信息包括:
将空间上间距等距的三个平行层面的医学影像数据输入所述实例分割模型;
将所述实例分割模型输出的分割结果作为所述三个平行层面中位于中间的平行层面的分割结果;以及
基于多个所述三个平行层面中位于中间的平行层面各自对应的所述分割结果,通过三维分割区域连接来获取三维病灶分割结果。
4.根据权利要求1所述的方法,其特征在于,所述实例分割模型通过如下训练过程建立:
将包括医生标注病灶区域的医学影像样本输入神经网络;
将所述神经网络输出的预测结果与所述医生标注病灶区域对比以计算损失;以及
基于所述损失调整所述神经网络的网络参数。
5.一种病灶体积测量装置,其特征在于,包括:
病灶分割模块,配置为基于实例分割模型,获取多个平行层面的医学影像数据中的病灶征象轮廓分布信息;
第一像素计算模块,配置为基于所述病灶征象轮廓分布信息计算每个病灶的病灶像素个数;
第一获取模块,配置为获取所述医学影像数据的像素间距和平行层面间距;以及
第一体积计算模块,配置为基于每个病灶的所述病灶像素个数、所述像素间距和所述平行层面间距计算病灶总体积。
6.根据权利要求5所述的装置,其特征在于,进一步包括:
第二像素计算模块,配置为基于肺叶轮廓分布信息计算肺叶区域的肺叶像素个数;
第二体积计算模块,配置为基于所述肺叶像素个数、所述像素间距和所述平行层面间距计算肺叶体积;以及
体积占比计算模块,配置为基于所述病灶总体积和所述肺叶体积计算病灶在肺叶内的体积占比。
7.根据权利要求5所述的装置,其特征在于,所述病灶分割模块进一步配置为:
将空间上间距等距的三个平行层面的医学影像数据输入所述实例分割模型;
将所述实例分割模型输出的分割结果作为所述三个平行层面中位于中间的平行层面的分割结果;以及
基于多个所述三个平行层面中位于中间的平行层面各自对应的所述分割结果,通过三维分割区域连接来获取三维病灶分割结果。
8.根据权利要求5所述的装置,其特征在于,进一步包括:
模型训练模块,配置为通过如下训练过程建立实例分割模型:
将包括医生标注病灶区域的医学影像样本输入神经网络;将所述神经网络输出的预测结果与所述医生标注病灶区域对比以计算损失;以及基于所述损失调整所述神经网络的网络参数。
9.一种电子设备,包括:
处理器;以及
存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1至4中任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010173232.2A CN111047611A (zh) | 2020-03-13 | 2020-03-13 | 病灶体积测量方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010173232.2A CN111047611A (zh) | 2020-03-13 | 2020-03-13 | 病灶体积测量方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111047611A true CN111047611A (zh) | 2020-04-21 |
Family
ID=70230878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010173232.2A Pending CN111047611A (zh) | 2020-03-13 | 2020-03-13 | 病灶体积测量方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047611A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539944A (zh) * | 2020-04-28 | 2020-08-14 | 安徽科大讯飞医疗信息技术有限公司 | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 |
CN111598853A (zh) * | 2020-04-30 | 2020-08-28 | 科大讯飞股份有限公司 | 针对肺炎的ct影像评分方法、装置及设备 |
CN111932495A (zh) * | 2020-06-30 | 2020-11-13 | 数坤(北京)网络科技有限公司 | 一种医学图像检测方法、装置及存储介质 |
CN112037218A (zh) * | 2020-09-15 | 2020-12-04 | 嘉兴市第一医院 | 一种基于ct影像的新冠肺炎量化分析方法 |
CN112489046A (zh) * | 2020-12-25 | 2021-03-12 | 上海深博医疗器械有限公司 | 柔性扫描图像的ai辅助测量体积补偿方法及装置 |
CN113744267A (zh) * | 2021-11-04 | 2021-12-03 | 智洋创新科技股份有限公司 | 一种基于深度学习的输电导线覆冰检测和厚度估计的方法 |
CN113763352A (zh) * | 2021-09-06 | 2021-12-07 | 杭州类脑科技有限公司 | 一种腹腔积液图像处理方法和系统 |
CN116205967A (zh) * | 2023-04-27 | 2023-06-02 | 中国科学院长春光学精密机械与物理研究所 | 医学影像语义分割方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101601585A (zh) * | 2009-07-02 | 2009-12-16 | 厦门强本科技有限公司 | 基于ct增强扫描技术的肝脏分段体积测量方法 |
CN107808156A (zh) * | 2017-07-31 | 2018-03-16 | 上海联影医疗科技有限公司 | 感兴趣区域提取方法 |
CN108376419A (zh) * | 2017-12-11 | 2018-08-07 | 江苏大学 | 一种盆栽生菜的综合长势监测方法及装置 |
CN109389592A (zh) * | 2018-09-30 | 2019-02-26 | 数坤(北京)网络科技有限公司 | 计算冠脉钙化积分的方法、装置及系统 |
CN110288587A (zh) * | 2019-06-28 | 2019-09-27 | 重庆同仁至诚智慧医疗科技股份有限公司 | 一种缺血性脑卒中磁共振影像的病灶识别方法 |
-
2020
- 2020-03-13 CN CN202010173232.2A patent/CN111047611A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101601585A (zh) * | 2009-07-02 | 2009-12-16 | 厦门强本科技有限公司 | 基于ct增强扫描技术的肝脏分段体积测量方法 |
CN107808156A (zh) * | 2017-07-31 | 2018-03-16 | 上海联影医疗科技有限公司 | 感兴趣区域提取方法 |
CN108376419A (zh) * | 2017-12-11 | 2018-08-07 | 江苏大学 | 一种盆栽生菜的综合长势监测方法及装置 |
CN109389592A (zh) * | 2018-09-30 | 2019-02-26 | 数坤(北京)网络科技有限公司 | 计算冠脉钙化积分的方法、装置及系统 |
CN110288587A (zh) * | 2019-06-28 | 2019-09-27 | 重庆同仁至诚智慧医疗科技股份有限公司 | 一种缺血性脑卒中磁共振影像的病灶识别方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539944A (zh) * | 2020-04-28 | 2020-08-14 | 安徽科大讯飞医疗信息技术有限公司 | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 |
CN111539944B (zh) * | 2020-04-28 | 2024-04-09 | 讯飞医疗科技股份有限公司 | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 |
CN111598853A (zh) * | 2020-04-30 | 2020-08-28 | 科大讯飞股份有限公司 | 针对肺炎的ct影像评分方法、装置及设备 |
CN111598853B (zh) * | 2020-04-30 | 2024-02-13 | 讯飞医疗科技股份有限公司 | 针对肺炎的ct影像评分方法、装置及设备 |
CN111932495A (zh) * | 2020-06-30 | 2020-11-13 | 数坤(北京)网络科技有限公司 | 一种医学图像检测方法、装置及存储介质 |
CN111932495B (zh) * | 2020-06-30 | 2021-09-07 | 数坤(北京)网络科技股份有限公司 | 一种医学图像检测方法、装置及存储介质 |
CN112037218A (zh) * | 2020-09-15 | 2020-12-04 | 嘉兴市第一医院 | 一种基于ct影像的新冠肺炎量化分析方法 |
CN112037218B (zh) * | 2020-09-15 | 2022-08-09 | 嘉兴市第一医院 | 一种基于ct影像的新冠肺炎量化分析方法 |
CN112489046A (zh) * | 2020-12-25 | 2021-03-12 | 上海深博医疗器械有限公司 | 柔性扫描图像的ai辅助测量体积补偿方法及装置 |
CN113763352B (zh) * | 2021-09-06 | 2024-04-02 | 杭州类脑科技有限公司 | 一种腹腔积液图像处理方法和系统 |
CN113763352A (zh) * | 2021-09-06 | 2021-12-07 | 杭州类脑科技有限公司 | 一种腹腔积液图像处理方法和系统 |
CN113744267A (zh) * | 2021-11-04 | 2021-12-03 | 智洋创新科技股份有限公司 | 一种基于深度学习的输电导线覆冰检测和厚度估计的方法 |
CN116205967A (zh) * | 2023-04-27 | 2023-06-02 | 中国科学院长春光学精密机械与物理研究所 | 医学影像语义分割方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047611A (zh) | 病灶体积测量方法和装置 | |
WO2020156148A1 (zh) | Smpl参数预测模型的训练方法、计算机设备及存储介质 | |
Eppenhof et al. | Error estimation of deformable image registration of pulmonary CT scans using convolutional neural networks | |
CN110969245B (zh) | 医学图像的目标检测模型训练方法和装置 | |
EP3382642A1 (en) | Highly integrated annotation and segmentation system for medical imaging | |
US8837789B2 (en) | Systems, methods, apparatuses, and computer program products for computer aided lung nodule detection in chest tomosynthesis images | |
Gietzen et al. | A method for automatic forensic facial reconstruction based on dense statistics of soft tissue thickness | |
CN111047609B (zh) | 肺炎病灶分割方法和装置 | |
JP2019530488A (ja) | 深層畳み込みニューラルネットワークを使用した医用画像のためのコンピュータ支援による診断システム | |
JP5837604B2 (ja) | 幾何学的特徴の自動算出方法、非一時的なコンピュータ可読媒体および画像解釈システム | |
US20120027277A1 (en) | Interactive iterative closest point algorithm for organ segmentation | |
CN110969623B (zh) | 一种肺部ct多征象自动检测方法、系统、终端及存储介质 | |
CN111047610A (zh) | 病灶区域呈现方法和装置 | |
Caesarendra et al. | Automated Cobb angle measurement for adolescent idiopathic scoliosis using convolutional neural network | |
Levine et al. | Automatic vertebrae localization in spine CT: a deep-learning approach for image guidance and surgical data science | |
CN114387317B (zh) | Ct图像和mri三维图像的配准方法、装置 | |
US7720271B2 (en) | Estimation of solitary pulmonary nodule diameters with reaction-diffusion segmentation | |
Souto et al. | Quantification of right and left ventricular function in cardiac MR imaging: comparison of semiautomatic and manual segmentation algorithms | |
Yang et al. | Validation and estimation of spleen volume via computer-assisted segmentation on clinically acquired CT scans | |
CN110570425A (zh) | 一种基于深度强化学习算法的肺结节分析方法及装置 | |
WO2006110398A2 (en) | Estimation of solitary pulmonary nodule diameters with a hybrid segmentation approach | |
CN111429406B (zh) | 结合多视图推理的乳腺x射线影像病变检出方法和装置 | |
Bian et al. | LitCall: learning implicit topology for CNN-based aortic landmark localization | |
CN103955610A (zh) | 一种医学影像计算机辅助分析方法 | |
CN113674261B (zh) | 骨骼检测方法、系统、电子设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200421 |