CN111312373A - 一种pet/ct图像融合自动标注方法 - Google Patents
一种pet/ct图像融合自动标注方法 Download PDFInfo
- Publication number
- CN111312373A CN111312373A CN202010057202.5A CN202010057202A CN111312373A CN 111312373 A CN111312373 A CN 111312373A CN 202010057202 A CN202010057202 A CN 202010057202A CN 111312373 A CN111312373 A CN 111312373A
- Authority
- CN
- China
- Prior art keywords
- image
- pet
- registration
- region
- suvlabel
- 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
- 238000002372 labelling Methods 0.000 title claims abstract description 38
- 230000004927 fusion Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000000694 effects Effects 0.000 claims abstract description 10
- 241000219307 Atriplex rosea Species 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 13
- 238000010521 absorption reaction Methods 0.000 claims description 8
- 210000000056 organ Anatomy 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 230000003902 lesion Effects 0.000 abstract description 12
- 230000007547 defect Effects 0.000 abstract description 7
- 201000010099 disease Diseases 0.000 abstract description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 5
- 230000004060 metabolic process Effects 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 description 11
- 206010028980 Neoplasm Diseases 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 7
- 201000011510 cancer Diseases 0.000 description 7
- 239000008103 glucose Substances 0.000 description 7
- 230000009466 transformation Effects 0.000 description 7
- 230000002503 metabolic effect Effects 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000001727 in vivo Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000002601 radiography Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- AOYNUTHNTBLRMT-SLPGGIOYSA-N 2-deoxy-2-fluoro-aldehydo-D-glucose Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](F)C=O AOYNUTHNTBLRMT-SLPGGIOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 150000001413 amino acids Chemical class 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 235000014113 dietary fatty acids Nutrition 0.000 description 2
- 229930195729 fatty acid Natural products 0.000 description 2
- 239000000194 fatty acid Substances 0.000 description 2
- 150000004665 fatty acids Chemical class 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000012216 imaging agent Substances 0.000 description 2
- 239000003446 ligand Substances 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- ZCXUVYAZINUVJD-UKFBFLRUSA-N 2-deoxy-2-fluoro-alpha-D-glucose Chemical compound OC[C@H]1O[C@H](O)[C@H](F)[C@@H](O)[C@@H]1O ZCXUVYAZINUVJD-UKFBFLRUSA-N 0.000 description 1
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 150000002303 glucose derivatives Chemical class 0.000 description 1
- 230000004153 glucose metabolism Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/12—Arrangements for detecting or locating foreign bodies
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Theoretical Computer Science (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Geometry (AREA)
- Pulmonology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明公开了一种PET/CT图像融合自动标注方法,包括步骤一:CT图和PET图的准备;步骤二:CT、PET图像通过特征点自动配准;步骤三:配准后,在PET图上根据SUV值进行自动定位,找到PET图中分子活动剧烈的区域;步骤四:通过区域生长方法,对PET图中分子活动剧烈的区域进行区域生长,实现对分子活跃区域的标注;步骤五:将CT图、PET图按要求进行融合,同时,将PET图中的轮廓标注到CT图中,最终产生PET/PC融合图和标注过的CT图;将CT、PET图融合后,互补了PET和CT单独使用时各自存在的不足,同时在一幅图像上同时表现出病变的病灶结构和功能代谢情况,便于医生诊断病症以及确定治疗方案。
Description
技术领域
本发明涉及医学数学图像处理技术领域,尤其涉及一种PET/CT图像融合自动标注方法。
背景技术
CT是用X射线束对人体某部一定厚度的层面进行扫描,由探测器接收透过该层面的X射线,转变为可见光后,由光电转换变为电信号,再经模拟/数字转换器(Digital/Analog Converter)转为数字,把数字矩阵中的每个数字转为由黑到白不等灰度的小方块,即像素(Pixel),并按矩阵排列,即构成CT图像,包括数据采集,从X线产生到获得信息数据的过程;数据处理,A/D(Digital/Analog Converter)转化器将模拟信号转换成数字信号,成为原始图像数据,在进行图像重建之前,为了得到准确的重建图像数据,要对这些数据进行处理;图像重建等环节;
PET利用正电子发射体的核素标记一些生理需要的化合物或代谢底物如葡萄糖、脂肪酸、氨基酸、受体的配体及水等,引入体内后,应用正电子扫描机而获得的体内化学影像,它能显示脏器或组织的代谢活性及受体的功能分布,也称之为“活体生化显像”,PET的出现使得医学影像技术达到了一个崭新的水平,能定量评价活体组织或器官在生理状态下及疾病过程中细胞代谢活动的生理、生化改变,获得分子水平的信息,PET广泛应用于临床,已成为肿瘤、冠心病和脑部疾病这三大威胁人类生命疾病诊断和指导治疗的最有效手段;
而现有的CT图像在独立诊断时需要超高薄层扫描及辅助造影的一些检查才能达到确定病变性质的扫描;PET图像在独立诊断时采集到的图像无明显的结构轮廓,仅仅在结节区域代谢旺盛,高亮显示,而且图像分辨率低、周期长等缺点;
因此,急需一种可以实现将CT技术和PET技术相结合的诊断和标注方法,在诊断中,可以将两者的优缺点进行互补,进而实现快速、准确诊断病人病情的目的。
发明内容
针对上述存在的问题,本发明旨在提供一种PET/CT图像融合自动标注方法,通过将CT技术和PET技术相融合,互补了PET和CT单独使用时各自所存在的不足,并且利用PET/CT图像的外框标尺,用SUV特征参数对PET图和CT图进行自动标注,为临床医生辅助诊断、确定治疗方案提供服务,可以实现高精确度定量分析的目的,具有精度高、实用性强的特点。
为了实现上述目的,本发明所采用的技术方案如下:
一种PET/CT图像融合自动标注方法,所述自动标注方法包括以下步骤:
步骤一:进行CT图和PET图的准备,提取n号PET图和CT图;
步骤二:将准备好的CT、PET图像通过特征点进行自动配准,得到配准图像PET(n)_Registration;
步骤三:配准后,在PET图上根据SUV区域的中心值进行自动定位,找到PET图中分子活动较为剧烈的区域,并标注出其质心坐标;
步骤四:再通过区域生长方法,对PET图中分子活动较为剧烈的区域进行区域生长,实现对分子活跃区域的标注;
步骤五:最后将CT图、PET图按放射医学的要求进行融合,同时,将PET图中的轮廓标注到CT图中,最终产生PET/PC融合图以及标注过的CT图。
进一步的,步骤一所述的CT图和PET图准备的具体过程包括以下步骤:
S1.整理CT图和PET图序列,挑选一批有效的图片;
S2.在挑选出的PET图中,根据SUV灰度值的大小,自动提取最大SUV的PET图序号记作PET(n),同时提取与之相应的CT图序号记作CT(n);
其中:所述n为图序号。
进一步的,步骤二所述的对CT图像、PET图像通过特征点进行自动配准的具体步骤包括:
S1.搜索CT(n)的外框红色基准点,如左侧红色标尺左上角(x11,y11)、左侧红色标尺左下角(x12,y12)、下侧红色标尺左下角(x13,y13)、下侧红色标尺右下角(x14,y14),以上述四对坐标作为标准坐标;
S2.然后搜索PET(n)的外框红色基准点,如左侧红色标尺左上角(x21,y21)、左侧红色标尺左下角(x22,y22)、下侧红色标尺左下角(x23,y23)、下侧红色标尺右下角(x24,y24);
S3.将S2的四对坐标与S1的标准坐标进行对比,并根据S2得到的四对坐标开始配准,得到配准图像PET(n)_Registration。
进一步的,步骤三所述的在PET图上根据SUV区域的中心值进行自动定位,找到PET图中分子活动较为剧烈区域的具体过程包括以下步骤:
S1.将PET(n)_Registration图像用18F-FDG吸收值进行标记;
S2.选中PET(n)_Registration图像中一个或多个18F-FDG吸收值较大的区域;
S3.找出这些吸收值较大的质心,并标注出其质心坐标,表明这是PET图中心区域是分子活动较为剧烈的区域。
进一步的,步骤四所述的通过区域生长算法对PET图中分子活动较为剧烈的区域进行区域生长,实现对分子活跃区域的标注的具体过程包括以下步骤:
S1.根据SUV阈值,使用区域生长方法获取PET图像的标注区域PET(n)_Registration_SUVlabel坐标,所述SUV阈值与人体器官有关,不同的人体器官SUV阈值不同;
S2.然后用区域PET(n)_Registration_SUVlabel的坐标值,去标注CT图像CT(n),得到CT(n)的标注图CT(n)_SUVlabel。
进一步的,步骤五所述的将CT图、PET图按要求进行融合并标注的具体过程包括以下步骤:
S1.对CT(n)_SUVlabel的区域特征进行研究,并标注CT(n)_SUVlabel图区域坐标集:CT(n)_SUVlabelXY(红色标注),得到CT(n)_SUVlabelXY是一个封闭的单个像素曲线,并对CT(n)_SUVlabelXY的形态特征进行描述,得到标注好的CT(n)_Registration_SUVlabel图;
S2.得到标注好的PET(n)_Registration_SUVlabel图和CT(n)_Registration_SUVlabel图,将PET(n)_Registration_SUVlabel图和CT(n)_Registration_SUVlabel图进行融合,即得到融合并标注后的PET/CT图像。
本发明的有益效果是:本发明公开了一种PET/CT图像融合自动标注方法,与现有技术相比,本发明的改进之处在于:
(1)运用本发明所述方法将CT、PET图融合,互补了PET和CT单独使用时各自所存在的不足,其利用CT子系统的准确定位及穿透采集大大缩短了衰减校正的时间,极大地减少了扫描时间,提高了扫描精度和衰减校正的准确性,从而进一步提高了融合图像的分辨率;而PET子系统利用其代谢成像对于病变的定性诊断,能取代在CT诊断中需要超高薄层扫描及辅助造影的一些检查才能达到确定病变性质的扫描;高时间分辨的多层螺旋CT的快速容积采集又使PET/CT得以进行采集和衰减校正,实现高精确度定量分析的目的,弥补了PET图像分辨率低的缺点;
(2)同时利用本发明所述方法将CT、PET图进行标注融合后,让一幅图像上同时表现出病灶的形态结构和功能代谢情况,便于医生更好地诊断病症、制定治疗方案,同时也大大减轻放射科医生的工作负担,本发明具有精确度高、实用性强的特点。
附图说明
图1-1为本发明配准前PET图像。
图1-2为本发明配准后PET图像。
图2-1为本发明CT外框定位图。
图2-2为本发明PET外框定位图。
图3-1为本发明PET/CT融合图。
图3-2为本发明PET/CT融合图左标注区放大1次图。
图3-3为本发明PET/CT融合图左标注区放大2次图。
图3-4为本发明PET/CT融合图左标注区放大3次图。
图4-1为本发明CT图。
图4-2为本发明PET图。
图4-3为本发明PET/CT融合图。
图5为本发明PET/CT图像融合自动标注方法的流程图。
其中:图3-3所示的闭合的红色线环是PET(n)_Registration_SUVlabel坐标。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案,下面结合附图和实施例对本发明的技术方案做进一步的描述。
参照附图1-1、图1-2、图2-1、图2-2、图3-1、图3-2、图3-3、图3-4、图4-1、图4-2、图4-3和图5所示,一种PET/CT图像融合自动标注方法,包括以下步骤:
步骤一:进行CT图和PET图的准备,其具体步骤包括:
S1.整理CT图和PET图序列,挑选一批有效的图片;
S2.在挑选出的PET图中,根据SUV灰度值的大小,自动提取最大SUV灰度值的PET图序号,如序号为n的PET图像记为PET(n),此时相应的CT图像记作CT(n);
S3.并以此CT图作为参考标准,即CT(n);
步骤二:将准备好的CT、PET图像通过特征点进行全自动配准,其具体步骤包括:
S1.搜索CT(n)的外框红色基准点,如左侧红色标尺左上角(x11,y11)、左侧红色标尺左下角(x12,y12)、下侧红色标尺左下角(x13,y13)、下侧红色标尺右下角(x14,y14),以上述四对坐标作为标准坐标;
S2.然后搜索PET(n)的外框红色基准点,如左侧红色标尺左上角(x21,y21)、左侧红色标尺左下角(x22,y22)、下侧红色标尺左下角(x23,y23)、下侧红色标尺右下角(x24,y24);
S3.开始配准,得到配准图像PET(n)_Registration。
步骤三:配准后,在PET图上根据SUV值进行自动定位,找到PET图中分子活动较为剧烈的区域,其具体步骤包括:
S1.将PET(n)_Registration图像用显像剂18F-FDG进行标记;
S2.根据灰度值确定SUV区域的中心值选中PET(n)_Registration图像中一个或多个18F-FDG吸收值较大的区域(从最大、次大等几个区域逐次选择);
S3.找出这些吸收值较大的质心,并标注出其质心坐标,表明这是PET图中心区域是分子活动较为剧烈的区域;
步骤四:再通过区域生长方法,对PET图中分子活动较为剧烈的区域进行区域生长(扩增),实现对分子活跃区域的标注,其具体步骤包括:
S1.根据SUV阈值,使用区域生长方法获取PET图像的标注区域PET(n)_Registration_SUVlabel坐标,所述SUV阈值的大小根据人体不同器官及临床经验确定;
S2.用区域PET(n)_Registration_SUVlabel的坐标值,去标注CT图像CT(n),得到CT(n)的标注图CT(n)_SUVlabel;
步骤五:最后将CT图、PET图按放射医学的要求进行融合,同时,将PET图中的轮廓标注到CT图中,最终结果产生PET/PC融合图以及标注过的CT图(其过程如附图3-1—3-4所示)其具体步骤包括:
S1.对CT(n)_SUVlabel的区域特征进行研究,并标注CT(n)_SUVlabel图区域坐标集:CT(n)_SUVlabelXY(红色标注),CT(n)_SUVlabelXY是一个封闭的单个像素曲线,并对CT(n)_SUVlabelXY的形态特征进行描述,得到标注好的CT(n)_Registration_SUVlabel图;
S2.得到标注好的PET(n)_Registration_SUVlabel图和CT(n)_Registration_SUVlabel图,将PET(n)_Registration_SUVlabel图和CT(n)_Registration_SUVlabel图进行融合,即得到融合并标注后的PET/CT图像。
将经步骤一—步骤五得到的PET/CT图像加入存入到PET/CT样本库,并取名为A_LabelBase。以便在进行训练和测试时从样本库中适当选择一定量的样本作为训练集和测试集进行训练和测试,选取时的具体方法为:对A_LabelBase样本库,可以抽取50%作训练集A_LabelBase_TrainSet,剩余抽取25%作验证集A_LabelBase_ValidationSet,余下就是测试集A_LabelBase_TestSet。
在本发明步骤二中,图像配准(Registration)的原理是:由于不同模态图像成像机理不同,空间位置不能完全对应一致,首先需要对图像进行配准,图像配准从根本上来讲就是寻找一幅图像(如附图1-1所示)的(待配准图像或浮动图像)的最优空间变换,使变换后的图像与另一幅图像(如附图1-2所示)(参考图像)在空间位置上的对应一致,可以同时在同一空间坐标系下表达;
对于在不同时间或不同条件下获取的两幅图像和的配准,就是定义一个相似性测度并寻找一个空间变换关系,使得经过该空间变换后两幅图像间的相似性达到最大(或者差异性最小),对于图像A上的每一个点在图像B上都有唯一的点与之对应,并且这两点应对应同一解剖位置,用公式表示:S(T)=S(A(X),B(T(X)))式中,S是相似性测度,配准的过程可归结为寻求最佳空间变换的过程;T^=arg maxS(T)由于空间变换包含多个参数,是一个多参数最优化问题,一般由迭代过程实现:T’=T+ΔT,增量ΔT可以用计算梯度的方法计算;
从附图1-1和附图1-2的对比文可以看出,配准后的PET图1-2相比配准前的PET图1-1无明显的结构轮廓,仅仅在结节区域代谢旺盛。
在本发明步骤三S1中,所述的18F-FDG(Flu deoxy glucose)指氟代脱氧葡萄糖,其完整的化学名称为2-氟-2-脱氧-D-葡萄糖,通常简称为FDG;葡萄糖是人体三大能源物质之一,将可以被PET探测并形成影像的的正电子核素18F标记在葡萄糖上,即18F-脱氧葡萄糖(18FDG),因为18FDG可准确反映体内器官/组织的葡萄糖代谢水平,因此被誉为“世纪分子”,是目前PET-CT显像的主要显像剂;
恶性肿瘤细胞由于代谢旺盛,导致对葡萄糖的需求增加,因此静脉注射葡萄糖类似物——18FDG后,大多数肿瘤病灶会表现为对18FDG的高摄取,因此可应用18FDG PET-CT显像可早期发现全身肿瘤原发及转移病灶,准确判断其良、恶性,从而正确指导临床治疗决策。
步骤四S1所述的SUV值全称为标准摄取值(Standard Uptake Value,SUV),是PET在肿瘤诊断中常用的半定量指标,是指局部组织摄取的显像剂的放射性活度与全身平均注射活度,SUV=病灶的放射性浓度(kBq/ml)/注射剂量(MBq)/体重(kg),目前SUV已被广泛用于肿瘤良恶性鉴别及疗效评价,预后预测;
除了血糖水平、受检者的体格、病灶的大小、感兴趣区的勾画、注射后显像时间、18F-FDG在血循环中的清除率等因素外,SUV还受设备性能,成像条件,采集模式,重建方法,操作方法(例如勾画ROI的大小,ROI即Region OfInterest)、衰减校正等因素都可对SUV有一定的影响;
SUV值,是各种肿瘤组织摄取18F-FDG示踪剂定量指标,人们常常看到PET-CT报告中说某部位摄取量增多,也就在说SUV值相对比较高;
一般情况下,恶性程度高,摄取量就更高,临床通常取SUV值的大小来鉴别恶性肿瘤与良性病变,并提示肿瘤的恶性程度;临床经验参考值(不同器官部位数据不同):如PET-CT检查提示SUV>2.5,要考虑为恶性肿瘤,SUV介于2.0~2.5之间,为临界范围,SUV<2.0可以考虑为良性病变。
本发明步骤四对分子活跃区域的标注的原理为:利用自动标注的功能,在PET图寻找异常的分子活动区域,进行手动输入参数SUV值实现自动标注,在与图像中标注区域周围匹配时计算得到K个相似度,依据K个相似度进行区域生长,实现相似区域的组合排序,最终碰到不同相似度的区域时停止区域生长,同时形成该区域的范围框选,在该区域周围形成一个框选的轮廓实现对PET图像的标注;
本发明步骤五所述的CT图、PET图按要求进行融合并标注的具体过程为:
S1.对CT(n)_SUVlabel的区域特征进行研究,并标注CT(n)_SUVlabel图区域坐标集:CT(n)_SUVlabelXY(红色标注),得到CT(n)_SUVlabelXY是一个封闭的单个像素曲线,根据这条曲线的特征,对CT(n)_SUVlabelXY曲线的形态特征(如曲线的光滑度、曲线围成的区域最大直径、曲线围成区域的长轴与短轴比等)形态特征进行描述,得到标注好的CT(n)_Registration_SUVlabel图,所述CT(n)_SUVlabelXY曲线的形态特征与图像融合没有关系,这条封闭曲线可以提供标注区域的病理的形态描述,便于在治疗过程中医生的诊断和确定病情;
S2.得到标注好的PET(n)_Registration_SUVlabel图和CT(n)_Registration_SUVlabel图,将PET(n)_Registration_SUVlabel图和CT(n)_Registration_SUVlabel图进行融合,即得到融合并标注后的PET/CT图像。
图像融合是指将多源图像传感器所采集到的关于同一目标的图像经过一定的图像处理,提取各自的有用信息,最后综合成同一图像以供观察或进一步处理,也就是融合的结果比任何一个输入信息源包含更多的有用信息;
PET与CT图像的融合是不相同成像方式的图像融合,融合的一般步骤为:
(1)将源图像分别变换至一定的变换域上;
(2)在变换域上设计一定的融合规则;
(3)根据选取的规则在变换域上创建融合图像;
(4)逆变换重建融合图像。
CT图和PET图融合的目的以及融合后所达到的技术效果为:(1)目的,将多模态医学图像(如:CT图像与PET图像)融合,让一幅图像上同时表现出病变的病理结构(CT图像)和功能代谢(如:PET图像)情况,更好地诊断病症,了解病理详情;(2)技术效果,PET/CT并不是PET与CT的简单结合,其优越性在于通过将两种成像系统各自优势结合的方法,该技术互补了PET和CT单独使用时各自所存在的不足,其利用CT子系统的准确定位及穿透采集大大缩短了衰减校正的时间,极大地减少了扫描时间,提高了扫描精度和衰减校正的准确性,从而进一步提高了融合图像的分辨率;而PET子系统利用其代谢成像对于病变的定性诊断,能取代在CT诊断中需要超高薄层扫描及辅助造影的一些检查才能达到确定病变性质的扫描;高时间分辨的多层螺旋CT的快速容积采集又使PET/CT得以进行采集和衰减校正,实现高精确度定量分析的目的,弥补了PET图像分辨率低的缺点(其融合后的效果如附图4-1—4-3所示)。
加标注后的CT图的主要用途是:
(1)为了机器学习或深度学习建立样本;
(2)便于临床医生诊断恶性肿瘤的可能性,为CT判图医生与临床诊断医生提供了有效的辅助手段。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种PET/CT图像融合自动标注方法,其特征在于:所述自动标注方法包括以下步骤:
步骤一:进行CT图和PET图的准备,提取n号PET图和CT图;
步骤二:将准备好的CT、PET图像通过特征点进行自动配准,得到配准图像PET(n)_Registration;
步骤三:配准后,在PET图上根据SUV区域的中心值进行自动定位,找到PET图中分子活动较为剧烈的区域,并标注出其质心坐标;
步骤四:再通过区域生长方法,对PET图中分子活动较为剧烈的区域进行区域生长,实现对分子活跃区域的标注;
步骤五:最后将CT图、PET图按放射医学的要求进行融合,同时,将PET图中的轮廓标注到CT图中,最终产生PET/PC融合图以及标注过的CT图。
2.根据权利要求1所述的一种PET/CT图像融合自动标注方法,其特征在于:步骤一所述的CT图和PET图准备的具体过程包括以下步骤:
S1.整理CT图和PET图序列,挑选一批有效的图片;
S2.在挑选出的PET图中,根据SUV灰度值的大小,自动提取最大SUV的PET图序号记作PET(n),同时提取与之相应的CT图序号记作CT(n);
其中:所述n为图序号。
3.根据权利要求2所述的一种PET/CT图像融合自动标注方法,其特征在于:步骤二所述的对CT图像、PET图像通过特征点进行自动配准的具体步骤包括:
S1.搜索CT(n)的外框红色基准点,如左侧红色标尺左上角(x11,y11)、左侧红色标尺左下角(x12,y12)、下侧红色标尺左下角(x13,y13)、下侧红色标尺右下角(x14,y14),以上述四对坐标作为标准坐标;
S2.然后搜索PET(n)的外框红色基准点,如左侧红色标尺左上角(x21,y21)、左侧红色标尺左下角(x22,y22)、下侧红色标尺左下角(x23,y23)、下侧红色标尺右下角(x24,y24);
S3.将S2的四对坐标与S1的标准坐标进行对比,并根据S2得到的四对坐标开始配准,得到配准图像PET(n)_Registration。
4.根据权利要求3所述的一种PET/CT图像融合自动标注方法,其特征在于:步骤三所述的在PET图上根据SUV区域的中心值进行自动定位,找到PET图中分子活动较为剧烈区域的具体过程包括以下步骤:
S1.将PET(n)_Registration图像用18F-FDG吸收值进行标记;
S2.选中PET(n)_Registration图像中一个或多个18F-FDG吸收值较大的区域;
S3.找出这些吸收值较大的质心,并标注出其质心坐标,表明这是PET图中心区域是分子活动较为剧烈的区域。
5.根据权利要求4所述的一种PET/CT图像融合自动标注方法,其特征在于:步骤四所述的通过区域生长算法对PET图中分子活动较为剧烈的区域进行区域生长,实现对分子活跃区域的标注的具体过程包括以下步骤:
S1.根据SUV阈值,使用区域生长方法获取PET图像的标注区域PET(n)_Registration_SUVlabel坐标,所述SUV阈值与人体器官有关,不同的人体器官SUV阈值不同;
S2.然后用区域PET(n)_Registration_SUVlabel的坐标值,去标注CT图像CT(n),得到CT(n)的标注图CT(n)_SUVlabel。
6.根据权利要求5所述的一种PET/CT图像融合自动标注方法,其特征在于:步骤五所述的将CT图、PET图按要求进行融合并标注的具体过程包括以下步骤:
S1.对CT(n)_SUVlabel的区域特征进行研究,并标注CT(n)_SUVlabel图区域坐标集:CT(n)_SUVlabelXY(红色标注),得到CT(n)_SUVlabelXY是一个封闭的单个像素曲线,并对CT(n)_SUVlabelXY的形态特征进行描述,得到标注好的CT(n)_Registration_SUVlabel图;
S2.得到标注好的PET(n)_Registration_SUVlabel图和CT(n)_Registration_SUVlabel图,将PET(n)_Registration_SUVlabel图和CT(n)_Registration_SUVlabel图进行融合,即得到融合并标注后的PET/CT图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010057202.5A CN111312373B (zh) | 2020-01-19 | 2020-01-19 | 一种pet/ct图像融合自动标注方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010057202.5A CN111312373B (zh) | 2020-01-19 | 2020-01-19 | 一种pet/ct图像融合自动标注方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111312373A true CN111312373A (zh) | 2020-06-19 |
CN111312373B CN111312373B (zh) | 2023-08-18 |
Family
ID=71161430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010057202.5A Active CN111312373B (zh) | 2020-01-19 | 2020-01-19 | 一种pet/ct图像融合自动标注方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111312373B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115177749A (zh) * | 2022-06-22 | 2022-10-14 | 华中科技大学同济医学院附属协和医院 | 共轭碳碘聚合物复合制剂用于制备pet-ct联合成像试剂的应用 |
CN117116433A (zh) * | 2023-10-24 | 2023-11-24 | 万里云医疗信息科技(北京)有限公司 | 一种ct断层扫描切片图像的标注方法、装置以及存储介质 |
CN117557560A (zh) * | 2024-01-11 | 2024-02-13 | 天津医科大学总医院 | 基于pet和ct图像融合的肺结节病灶识别方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070047840A1 (en) * | 2005-08-24 | 2007-03-01 | Siemens Corporate Research Inc | System and method for salient region feature based 3d multi modality registration of medical images |
US20070081712A1 (en) * | 2005-10-06 | 2007-04-12 | Xiaolei Huang | System and method for whole body landmark detection, segmentation and change quantification in digital images |
US20080212859A1 (en) * | 2003-08-25 | 2008-09-04 | Da Silva Angela J | Calibration Image Alignment in a Pet-Ct System |
CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测系统 |
WO2010084390A1 (en) * | 2009-01-22 | 2010-07-29 | Koninklijke Philips Electronics, N.V. | Pixel-feature hybrid fusion for pet/ct images |
CN102361594A (zh) * | 2009-03-26 | 2012-02-22 | 皇家飞利浦电子股份有限公司 | 由临床指南导航器支持的基于pet/ct的治疗监测系统 |
US20120320093A1 (en) * | 2006-06-14 | 2012-12-20 | Koninklijke Philips Electronics N.V. | Multi-modality medical image viewing |
CN104517293A (zh) * | 2014-12-25 | 2015-04-15 | 东南大学 | 小动物多模态医学影像配准及融合系统 |
CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技(昆山)有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
CN107993236A (zh) * | 2017-11-27 | 2018-05-04 | 上海交通大学 | 一种多模态图像处理的方法和平台 |
CN109498046A (zh) * | 2018-11-19 | 2019-03-22 | 西安电子科技大学 | 基于核素图像与ct冠脉造影融合的心肌梗死定量评估方法 |
CN110025327A (zh) * | 2019-05-29 | 2019-07-19 | 明峰医疗系统股份有限公司 | 一种pet/ct的配准装置和方法 |
CN110490971A (zh) * | 2019-08-16 | 2019-11-22 | 浙江树人学院(浙江树人大学) | 一种生物显微镜下细胞动态特征三维图像重建的方法 |
CN110709943A (zh) * | 2017-06-16 | 2020-01-17 | 珀金埃尔默细胞科技德国公司 | 使用沿骨骼的人造界标进行三维图像的自动失真校正和/或共同配准的系统和方法 |
-
2020
- 2020-01-19 CN CN202010057202.5A patent/CN111312373B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080212859A1 (en) * | 2003-08-25 | 2008-09-04 | Da Silva Angela J | Calibration Image Alignment in a Pet-Ct System |
US20070047840A1 (en) * | 2005-08-24 | 2007-03-01 | Siemens Corporate Research Inc | System and method for salient region feature based 3d multi modality registration of medical images |
US20070081712A1 (en) * | 2005-10-06 | 2007-04-12 | Xiaolei Huang | System and method for whole body landmark detection, segmentation and change quantification in digital images |
US20120320093A1 (en) * | 2006-06-14 | 2012-12-20 | Koninklijke Philips Electronics N.V. | Multi-modality medical image viewing |
WO2010084390A1 (en) * | 2009-01-22 | 2010-07-29 | Koninklijke Philips Electronics, N.V. | Pixel-feature hybrid fusion for pet/ct images |
CN102361594A (zh) * | 2009-03-26 | 2012-02-22 | 皇家飞利浦电子股份有限公司 | 由临床指南导航器支持的基于pet/ct的治疗监测系统 |
CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测系统 |
CN104517293A (zh) * | 2014-12-25 | 2015-04-15 | 东南大学 | 小动物多模态医学影像配准及融合系统 |
CN110709943A (zh) * | 2017-06-16 | 2020-01-17 | 珀金埃尔默细胞科技德国公司 | 使用沿骨骼的人造界标进行三维图像的自动失真校正和/或共同配准的系统和方法 |
CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技(昆山)有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
CN107993236A (zh) * | 2017-11-27 | 2018-05-04 | 上海交通大学 | 一种多模态图像处理的方法和平台 |
CN109498046A (zh) * | 2018-11-19 | 2019-03-22 | 西安电子科技大学 | 基于核素图像与ct冠脉造影融合的心肌梗死定量评估方法 |
CN110025327A (zh) * | 2019-05-29 | 2019-07-19 | 明峰医疗系统股份有限公司 | 一种pet/ct的配准装置和方法 |
CN110490971A (zh) * | 2019-08-16 | 2019-11-22 | 浙江树人学院(浙江树人大学) | 一种生物显微镜下细胞动态特征三维图像重建的方法 |
Non-Patent Citations (4)
Title |
---|
MOKRI, SS 等: "Lung Segmentation in CT for Thoracic PET-CT Registration Through Visual Study", 《2012 IEEE EMBS CONFERENCE ON BIOMEDICAL ENGINEERING AND SCIENCES (IECBES)》 * |
白直灿 等: "第二代曲波变换的图像降噪新算法", 《声 学 技 术》 * |
胡峻: "PET/CT图像融合技术及其临床应用", 《医疗装备》 * |
黄中华;杨新;王利生;: "PET-CT双模图像配准", 计算机仿真, no. 08 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115177749A (zh) * | 2022-06-22 | 2022-10-14 | 华中科技大学同济医学院附属协和医院 | 共轭碳碘聚合物复合制剂用于制备pet-ct联合成像试剂的应用 |
CN117116433A (zh) * | 2023-10-24 | 2023-11-24 | 万里云医疗信息科技(北京)有限公司 | 一种ct断层扫描切片图像的标注方法、装置以及存储介质 |
CN117116433B (zh) * | 2023-10-24 | 2024-02-09 | 万里云医疗信息科技(北京)有限公司 | 一种ct断层扫描切片图像的标注方法、装置以及存储介质 |
CN117557560A (zh) * | 2024-01-11 | 2024-02-13 | 天津医科大学总医院 | 基于pet和ct图像融合的肺结节病灶识别方法及系统 |
CN117557560B (zh) * | 2024-01-11 | 2024-03-22 | 天津医科大学总医院 | 基于pet和ct图像融合的肺结节病灶识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111312373B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101503940B1 (ko) | 신경퇴행성 질환의 진단을 돕는 수단 | |
Basu et al. | Novel quantitative techniques for assessing regional and global function and structure based on modern imaging modalities: implications for normal variation, aging and diseased states | |
US10413253B2 (en) | Method and apparatus for processing medical image | |
US7935055B2 (en) | System and method of measuring disease severity of a patient before, during and after treatment | |
EP2399238B1 (en) | Functional imaging | |
JP5068519B2 (ja) | 悪性腫瘍を自動的に特徴評価するルーチンを含む機械読み取り可能な媒体及び装置 | |
JP5404277B2 (ja) | 医用画像データ位置合せ装置、方法およびプログラム | |
US11189374B2 (en) | Method and system for calculating SUV normalization coefficient in a SPECT quantitative tomographic image | |
US20080008366A1 (en) | Simultaneous visualization, analysis and navigation of multi-modality medical imaging data | |
US20120302880A1 (en) | System and method for specificity-based multimodality three- dimensional optical tomography imaging | |
CN104093354B (zh) | 用于评估医学图像的方法和设备 | |
CN111312373B (zh) | 一种pet/ct图像融合自动标注方法 | |
US20100284598A1 (en) | Image registration alignment metric | |
CN110264559B (zh) | 一种骨断层图像重建方法及系统 | |
EP3220826B1 (en) | Method and apparatus for processing medical image | |
WO2021169695A1 (zh) | 一种用于pet图像衰减校正的ct图像生成方法 | |
US20100054559A1 (en) | Image generation based on limited data set | |
CN109498046A (zh) | 基于核素图像与ct冠脉造影融合的心肌梗死定量评估方法 | |
CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 | |
Oh et al. | Segmentation of white matter hyperintensities on 18 F-FDG PET/CT images with a generative adversarial network | |
WO2006006096A1 (en) | Image processing system for the processing of morphological and functional images | |
Sun et al. | Left atrium wall-mapping application for wall thickness visualisation | |
Bagci et al. | Automated computer quantification of breast cancer in small-animal models using PET-guided MR image co-segmentation | |
CN113889261B (zh) | 基于病理特征辅助的pet/ct自动肺癌诊断分类模型训练方法 | |
CN112991478B (zh) | 基于深度学习的影像分析多时相异常特征区域参数的方法 |
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 |