CN111353973A - 一种基于淋巴结医学影像的识别方法和识别装置 - Google Patents
一种基于淋巴结医学影像的识别方法和识别装置 Download PDFInfo
- Publication number
- CN111353973A CN111353973A CN202010085774.4A CN202010085774A CN111353973A CN 111353973 A CN111353973 A CN 111353973A CN 202010085774 A CN202010085774 A CN 202010085774A CN 111353973 A CN111353973 A CN 111353973A
- Authority
- CN
- China
- Prior art keywords
- lymph node
- tumor tissue
- trend
- medical image
- determining
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Abstract
本发明提供了一种基于淋巴结医学影像的识别方法和识别装置,解决现有病程识别过程缺少参考维度的技术问题。方法包括:根据肿瘤组织的医学影像确定肿瘤组织边际空间中的淋巴结;根据所述肿瘤组织的医学影像量化所述淋巴结病理形态的描述特征;根据量化的病理形态确定淋巴结的病理变化趋势;根据量化的病理形态的时序性差别拟合所述肿瘤组织对边际空间中实体的影响趋势;根据所述病理变化趋势和所述影响趋势确定肿瘤组织的参考发展趋势。利用淋巴结的病理变化趋势和淋巴结间的相互影响趋势,参考量化肿瘤组织对肌体各层次的影响过程,为形成准确的医疗诊断提供必要的参考依据。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种基于淋巴结医学影像的识别方法和识别装置。
背景技术
淋巴结的医学形态能够反映肿瘤的发展过程。现有技术中,通过计算机图像技术可以做到医学影像中淋巴结的基本识别。在肿瘤病程中,淋巴结病态反应的形态可以在一定程度上反映肿瘤的扩散过程,但传统的影像诊断准确性还依赖于医师的知识结构和个人经验,一些计算机图像识别技术如决策树分类模型可以辅助进行位置明确的淋巴结特征识别。利用多期相影像和CT横断面的扫面图像可以重建确定器官的基础影像信息,有利于提高淋巴结的影像识别效率,获得肿瘤组织病程发展的新的客观参考维度。
发明内容
鉴于上述问题,本发明实施例提供一种基于淋巴结医学影像的识别方法和识别装置,解决现有病程识别过程缺少参考维度的技术问题。
本发明实施例基于淋巴结医学影像的识别方法,包括:
根据肿瘤组织的医学影像确定肿瘤组织边际空间中的淋巴结;
根据所述肿瘤组织的医学影像量化所述淋巴结病理形态的描述特征;
根据量化的病理形态确定淋巴结的病理变化趋势;
根据量化的病理形态的时序性差别拟合所述肿瘤组织对边际空间中实体的影响趋势;
根据所述病理变化趋势和所述影响趋势确定肿瘤组织的参考发展趋势。
本发明一实施例中,所述根据肿瘤组织的医学影像确定肿瘤组织边际空间中的淋巴结包括:
根据所述肿瘤组织的断面扫描影像确定所述肿瘤组织的轮廓位置;
根据所述肿瘤组织的断面扫描影像确定所述肿瘤组织的重心位置;
根据所述重心位置确定周围主要淋巴结的分布位置;
根据所述分布位置建立所述肿瘤组织的边际空间坐标系,标记所述边际空间内主要淋巴结的初始状态。
本发明一实施例中,所述根据所述肿瘤组织的医学影像量化所述淋巴结病理形态的描述特征包括:
获取确定淋巴结的多期相断层扫描影像集合,形成所述确定淋巴结的内部间质构型;
根据所述内部间质构型确定淋巴结内描述特征;
获取所述确定淋巴结的螺旋断层扫描影像集合,形成所述确定淋巴结的外部表面构型;
根据所述外部表面构型确定淋巴结被膜描述特征;
获取所述确定淋巴结的螺旋断层扫描影像集合,形成边际空间内主要参照对象;
量化每个所述主要参照对象的参照点间的相对位置和量化淋巴结与参照点间的相对位置。
本发明一实施例中,所述根据量化的病理形态确定淋巴结的病理变化趋势包括:
利用标准参考影像的所述内部间质构型形成淋巴结的淋巴结内描述特征的训练集和测试集;
利用所述训练集形成淋巴结内单一特征识别模型;
通过所述淋巴结内单一特征识别模型识别所述确定淋巴结内对应描述特征,根据所述对应描述特征形成所述确定淋巴结的内部评估;
根据所述边际空间中各淋巴结的内部评估形成基于淋巴结的微观病理变化趋势。
本发明一实施例中,所述根据量化的病理形态的时序性差别拟合所述肿瘤组织对边际空间中实体的影响趋势包括:
利用标准参考影像的所述外部表面构型形成淋巴结的淋巴结被膜特征的训练集和测试集;
利用所述训练集形成淋巴结被膜单一特征识别模型;
通过所述淋巴结被膜单一特征识别模型梯次识别确定淋巴结表面对应描述特征,根据所述对应描述特征形成所述确定淋巴结的阶段评估;
累计所述阶段评估进行时序性差别拟合,形成所述边际空间中淋巴结的宏观影响趋势。
本发明一实施例中,所述根据所述病理变化趋势和所述影响趋势确定肿瘤组织的参考发展趋势包括:
根据各所述参照点间的相对位置量化值的变化确定所述边际空间中局部空间的变形量;
根据淋巴结与所述参照点间的相对位置量化值的变化确定所述边际空间的局部空间内淋巴结间的偏移量;
利用所述变形量和所述偏移量修正所述边际空间内的淋巴结的宏观影响趋势;
集合所述宏观影响趋势的各方向上的淋巴结的所述微观病理变化趋势形成所述肿瘤组织的参考发展趋势。
本发明实施例基于淋巴结医学影像的识别装置,包括:
存储器,用于存储上述的基于淋巴结医学影像的识别方法处理步骤对应的程序代码;
处理器,用于运行所述程序代码。
本发明实施例基于淋巴结医学影像的识别装置,包括:
实体识别单元,用于根据肿瘤组织的医学影像确定肿瘤组织边际空间中的淋巴结;
特征识别单元,用于根据所述肿瘤组织的医学影像量化所述淋巴结病理形态的描述特征;
变化获取单元,用于根据量化的病理形态确定淋巴结的病理变化趋势;
拟合获取单元,用于根据量化的病理形态的时序性差别拟合所述肿瘤组织对边际空间中实体的影响趋势;
趋势参考单元,用于根据所述病理变化趋势和所述影响趋势确定肿瘤组织的参考发展趋势。
本发明实施例的基于淋巴结医学影像的识别方法和识别装置利用医学影像形成肿瘤组织相关的三维空间中淋巴结的病理特征和形态的渐变参考趋势,利用淋巴结的病理变化趋势和淋巴结间的相互影响趋势,参考量化肿瘤组织对肌体各层次的影响过程,为形成准确的医疗诊断提供必要的参考依据。
附图说明
图1所示为本发明一实施例基于淋巴结医学影像的识别方法的流程示意图。
图2所示为本发明一实施例基于淋巴结医学影像的识别方法中确定淋巴结的方法流程示意图。
图3所示为本发明一实施例基于淋巴结医学影像的识别方法中确定病理形态的描述特征的流程示意图。
图4所示为本发明一实施例基于淋巴结医学影像的识别方法中确定病理变化趋势的流程示意图。
图5所示为本发明一实施例基于淋巴结医学影像的识别方法中确定影响趋势的流程示意图。
图6所示为本发明一实施例基于淋巴结医学影像的识别方法中确定参考发展趋势的流程示意图。
图7所示为本发明一实施例基于淋巴结医学影像的识别装置架构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明白,以下结合附图及具体实施方式对本发明作进一步说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明一实施例的基于淋巴结医学影像的识别方法如图1所示。在图1中,本实施例包括:
步骤100:根据肿瘤组织的医学影像确定肿瘤组织边际空间中的淋巴结。
本领域技术人员可以理解,通常存在确定的六百至七百个分布在身体浅表或深处的位置确定的淋巴结。正常淋巴结的生理构造和生长位置存在规律性,可以在医学影像中利用计算机图像识别技术辅助定位。利用医学影像可以形成肿瘤组织的空间构型,可以形成淋巴结的空间构型,进而获取肿瘤组织或淋巴结间的立体特征描述。
步骤200:根据肿瘤组织的医学影像量化淋巴结病理形态的描述特征。
本领域技术人员可以理解,对于一个淋巴结进行多期相信息采集可以获得同一器官在相邻时隙内不同内构造组织的增强图像信息,反映组织间的生理特征依存信息。同时断层影像可以反映淋巴结个体间淋巴结形态特征、姿态特征和空间特征的生理特征变化信息。
步骤300:根据量化的病理形态确定淋巴结的病理变化趋势。
病理变化趋势是根据淋巴结内构造结构的多期相描述特征和淋巴结的空间特征形成淋巴结本体的病理变化判断。空间特征是以肿瘤组织为空间基准,确定肿瘤组织边际空间中的淋巴结个体相关特征。
步骤400:根据量化的病理形态的时序性差别拟合肿瘤组织对边际空间中实体的影响趋势。
影响趋势是根据淋巴结形态特征、姿态特征和空间特征等空间特征量化淋巴结与边际空间中实体的相互空间占位影响形成整体病理变化的趋势性。
步骤500:根据病理变化趋势和影响趋势确定肿瘤组织的参考发展趋势。
利用病理变化趋势和影响趋势的量化数据形成肿瘤组织发展对淋巴结本体影响和对肿瘤组织周围空间内各深度器官可能影响的参考趋势数据。
本发明实施例的基于淋巴结医学影像的识别方法利用医学影像形成肿瘤组织相关的三维空间中淋巴结的病理特征和形态的渐变参考趋势,利用淋巴结的病理变化趋势和淋巴结间的相互影响趋势,参考量化肿瘤组织对肌体各层次的影响过程,为形成准确的医疗诊断提供必要的参考依据。
本发明一实施例的基于淋巴结医学影像的识别方法中确定肿瘤组织边际空间中的淋巴结的方法如图2所示。在图2中,确定肿瘤组织边际空间中的淋巴结包括:
步骤110:根据肿瘤组织的断面扫描影像确定肿瘤组织的轮廓位置。
本领域技术人员可以理解,肿瘤组织存在原位形态和扩散初期和稳定性太,可以利用图像识别技术在断层扫描影像集合中进行形态建模和量化。
步骤120:根据肿瘤组织的断面扫描影像确定肿瘤组织的重心位置。
本领域技术人员可以理解,肿瘤组织的增生通常是积累性增生和占位增生,积累性增生具有增生基础位置,占位增生具有明确的增生基础范围。根据肿瘤组织的生长特点可以确定肿瘤组织的重心位置范围。
步骤130:根据重心位置确定周围主要淋巴结的分布位置。
基于淋巴系统中淋巴结分布的广泛性和确定性,围绕肿瘤组织的重心位置通过断面扫描影像标定确定尺度内的主要淋巴结。淋巴结分布与各生理系统间具有离散特性分布,体现一定的随机性,淋巴结分布与肌体各器官间具有一定的相关分布,体现一定的确定性。淋巴结的分布可以反映血液循环系统、淋巴循环系统和神经系统的局部特征。
步骤140:根据分布位置建立肿瘤组织的边际空间坐标系,标记边际空间内主要淋巴结的初始状态。
本领域技术人员可以理解,利用断层扫描影像的图像识别技术可以对平面影像中的闭合图形对象进行识别,利用立体建模技术可以对断层扫描影像集合中确定实体进行立体建模。根据肿瘤组织的位置重心范围可以形成具有一定空间量化误差冗余度的边际空间坐标系,并标定位置重心范围和主要淋巴结的初始位置范围。
本发明实施例的基于淋巴结医学影像的识别方法利用技术及图形技术形成肿瘤组织与位置相关的淋巴结的空间关联特征基础,使得肿瘤组织的影响量化可以通过以淋巴结生理特征为特征标签进行有效量化,避免了根据肿瘤组织本体判断对病程发展的判断局限性。
本发明一实施例的基于淋巴结医学影像的识别方法中确定淋巴结病理形态的方法如图3所示。在图3中,确定淋巴结病理形态包括:
步骤210:获取确定淋巴结的多期相断层扫描影像集合,形成确定淋巴结的内部间质构型。
本领域技术人员可以理解,利用团注法注入对比剂形成5秒左右间隔的注入时延,可以获得确定范围内淋巴结内部不同种类间质中的断面增强影像,例如血管和神经等的突出显现。
步骤220:根据内部间质构型确定淋巴结内描述特征,包括血管、神经和结缔小梁的走向和密度。
淋巴结内描述特征包括但不限于血管平滑度、血管突起和血管密度平均值,神经束膜和神经束膜弯曲度,结缔小梁连接点和结缔组织密度平均值。
步骤230:获取确定淋巴结的螺旋断层扫描影像集合,形成确定淋巴结的外部表面构型。
本领域技术人员可以理解,螺旋断层扫描影像可以获得多断面重建形成的表面轮廓,根据表面轮廓物理特征可以描述较长时间周期内的外部表面。
步骤240:根据外部表面构型确定淋巴结被膜描述特征,包括粗糙度、轴向、体积的量化。
淋巴结被膜描述特征包括但不限于淋巴结表面粗糙度量化值、淋巴结长轴量化值、淋巴结门部凹陷量化值和淋巴结体积量化值。
步骤250:获取确定淋巴结的螺旋断层扫描影像集合,形成边际空间内主要参照对象。
本领域技术人员可以理解,边际空间内在主要淋巴结周围存在着确定器官,确定器官与确定淋巴结存在空间位置的确定相对位置,确定相对位置存在一定可量化的偏移范围。例如大器官分支点或血管窦体作为主要参照对象。
步骤260:量化每个主要参照对象的参照点间的相对位置和量化淋巴结与参照点间的相对位置。
在边际空间内以主要器官的关键特征位为参照点,建立参照点间的相对向量值,根据参照点间的相对向量值形成确定淋巴结与参照点间的相对向量值偏移范围和确定淋巴结间的相对向量值偏移范围。利用偏移范围可以容忍较大的量化误差。
本发明实施例的基于淋巴结医学影像的识别方法利用技术及图形技术形成边际空间内的特征标记和对应特征标记的特征向量,使得基于淋巴结建立肿瘤组织病程发展的新量化体系,提供对肿瘤组织的新的参考评价维度。
本发明一实施例的基于淋巴结医学影像的识别方法中确定病理变化趋势的方法如图4所示。在图4中,确定病理变化趋势包括:
步骤310:利用标准参考影像的内部间质构型形成淋巴结的淋巴结内描述特征的训练集和测试集。
本领域技术人员可以理解,海量的淋巴结断面影像可以形成尺度多样性的全面和局部的淋巴结内部间质构型图案集合。利用淋巴结内部间质构型图案集合的一部分作为训练数据,另一部分经过人工标记可以作为测试数据。训练集和测试集互补,可以进行多尺度划分。
步骤320:利用训练集形成淋巴结内单一特征识别模型。
本领域技术人员可以理解,特征识别模型可以采用成熟的分类模型或算法为基础进行训练形成,利用训练集形成淋巴结内单一特征识别模型的模型内置参数,同时利用测试集对单一特征识别模型进行验证和迭代优化。识别模型可以采用聚类算法、随机森林算法等决策树基本分类模型。为了保证特征识别精度,针对单一特征形成识别模型,利用单一特征的梯次隶属结构或单一特征间的制约结构形成单一特征的复合特征。
步骤330:通过淋巴结内单一特征识别模型识别确定淋巴结内对应描述特征,根据对应描述特征形成确定淋巴结的内部评估。
本领域技术人员可以理解,通过模型对描述特征的识别可以高效获得每一确定淋巴结描述特征的量化数值,例如概率值、向量相似性等,通过设置判断阈值可以对确定描述特征的状态量化评估。例如可以确定血管在被膜内的间质占比、血管分布密度、血管分布畸变率等描述特征,都可以采用设置阈值进行评估。
步骤340:根据边际空间中各淋巴结的内部评估形成基于淋巴结的微观病理变化趋势。
各淋巴结的内部评估表明淋巴结的参考健全状态,根据各淋巴结的参考健全状态,根据各淋巴结的单一描述特征的量化数值和根据判断阈值形成的权重比例,可以形成对淋巴结的微观病理变化趋势的量化值。
本发明实施例的基于淋巴结医学影像的识别方法利用成熟的图形技术基础通过机器学习方法利用成熟的分类模型建立确定位置淋巴结的一种识别模型,通过大量标准参考影像对识别模型进行训练和验证,实现对淋巴结内单一特征的准确识别。利用对淋巴结内部间质构型的医学评估标准量化淋巴结的微观异化程度,进而利用各淋巴结的异化程度实现了通过淋巴结内部特征反映缓慢病理变化趋势。
本发明一实施例的基于淋巴结医学影像的识别方法中确定影响趋势的方法如图5所示。在图5中,确定影响趋势包括:
步骤410:利用标准参考影像的外部表面构型形成淋巴结的淋巴结被膜特征的训练集和测试集。
本领域技术人员可以理解,海量的淋巴结断面影像可以形成尺度多样性的全面和局部的淋巴结外部表面构型图案集合。利用淋巴结外部表面构型图案集合的一部分作为训练数据,另一部分经过人工标记可以作为测试数据。训练集和测试集互补,可以进行多尺度划分。外部表面构型主要表现在被膜形成的结构特征。
步骤420:利用训练集形成淋巴结被膜单一特征识别模型。
本领域技术人员可以理解,特征识别模型可以采用成熟的分类模型或算法为基础进行训练形成,利用训练集形成淋巴结被膜单一特征识别模型的模型内置参数,同时利用测试集对单一特征识别模型进行验证和迭代优化。识别模型可以采用贝叶斯分类算法、聚类算法、随机森林算法等决策树基本分类模型。为了保证特征识别精度,针对单一特征形成识别模型,利用单一特征的梯次隶属结构或单一特征间的制约结构形成单一特征的复合特征。
步骤430:通过淋巴结被膜单一特征识别模型梯次识别确定淋巴结表面对应描述特征,根据对应描述特征形成确定淋巴结的阶段评估。
本领域技术人员可以理解,通过模型对描述特征的识别可以高效获得每一确定淋巴结描述特征的量化数值,例如概率值、向量相似性等,通过设置判断阈值可以对确定描述特征的状态量化评估。例如可以确定被膜突起的粗糙度、被膜突起占比、淋巴结轴向、脐门畸变率等描述特征,都可以采用设置阈值进行评估。
步骤440:累计阶段评估进行时序性差别拟合,形成边际空间中淋巴结的宏观影响趋势。
各淋巴结的被膜评估表明淋巴结的宏观参考健全状态,根据各淋巴结的参考健全状态,根据各淋巴结的单一描述特征的量化数值和根据判断阈值形成的权重比例,以天为尺度的状态差别拟合形成对淋巴结的宏观病理变化趋势的量化值。
本发明实施例的基于淋巴结医学影像的识别方法利用成熟的图形技术基础通过机器学习方法利用成熟的分类模型建立确定位置淋巴结的另一种识别模型,通过大量标准参考影像对识别模型进行训练和验证,实现对淋巴结被膜单一特征的准确识别。利用对淋巴结外部表面构型的医学评估标准量化淋巴结的宏观异化程度,进而利用各淋巴结的异化程度实现了通过淋巴结外部特征反映快速病理变化趋势。
本发明一实施例的基于淋巴结医学影像的识别方法中确定参考发展趋势的方法如图6所示。在图6中,确定参考发展趋势包括:
步骤510:根据各参照点间的相对位置量化值的变化确定边际空间中局部空间的变形量。
参照点间的相对位置可以采用参照点间的向量量化,根据向量变化量化边际空间的局部形变,获得肌体体位和移位变化对边际空间的准确影响。
步骤520:根据淋巴结与参照点间的相对位置量化值的变化确定边际空间的局部空间内淋巴结间的偏移量。
局部空间内淋巴结间的偏移量可以采用初始向量变化量化,根据向量变化获得淋巴结体位和移位变化在边际空间的相对变化。
步骤530:利用变形量和偏移量修正边际空间内的淋巴结的宏观影响趋势。
变形量和偏移量结合可以修正淋巴结在各方向上的累计变化趋势,显现淋巴结在边际空间内的增长趋势,并进一步可以反映淋巴结对边际空间的影响趋势,形成双向的宏观趋势影响。
步骤540:集合宏观影响趋势的各方向上的淋巴结的微观病理变化趋势形成肿瘤组织的参考发展趋势。
在宏观影响趋势基础上结合淋巴结的微观病理变化趋势可以明确在宏观变化过程中淋巴结在各方向上细致病理变化,形成肿瘤组织在确定方向上对特定淋巴结内部特征的影响趋势,为肿瘤组织对特定组织或器官的影响提供参考判断。
本发明实施例的基于淋巴结医学影像的识别方法利用变化量修正边际空间变形和淋巴结特征容忍度,进一步提高宏观趋势判断和微观趋势精度,使得肿瘤组织的参考发展趋势更具有参考价值。
本发明一实施例的基于淋巴结医学影像的识别装置,包括:
存储器,用于存储上述基于淋巴结医学影像的识别方法处理步骤对应的程序代码;
处理器,用于运行上述基于淋巴结医学影像的识别方法处理步骤对应的程序代码。
处理器可以采用DSP(Digital Signal Processing)数字信号处理器、FPGA(Field-Programmable Gate Array)现场可编程门阵列、MCU(MicrocontrollerUnit)系统板、SoC(system on a chip)系统板或包括I/O的PLC(ProgrammableLogic Controller)最小系统。
本发明一实施例的基于淋巴结医学影像的识别装置如图7所示。在图7中,本实施例包括:
实体识别单元10,用于根据肿瘤组织的医学影像确定肿瘤组织边际空间中的淋巴结;
特征识别单元20,用于根据肿瘤组织的医学影像量化淋巴结病理形态的描述特征;
变化获取单元30,用于根据病理形态确定淋巴结的病理变化趋势;
拟合获取单元40,用于根据病理形态的时序性差别拟合肿瘤组织对边际空间中实体的影响趋势;
趋势参考单元50,用于根据病理变化趋势和影响趋势确定肿瘤组织的参考发展趋势。
如图7所示,在本发明一实施例中,实体识别单元10包括:
轮廓识别模块11,用于根据肿瘤组织的断面扫描影像确定肿瘤组织的轮廓位置;
重心识别模块12,用于根据肿瘤组织的断面扫描影像确定肿瘤组织的重心位置;
分布识别模块13,用于根据重心位置确定周围主要淋巴结的分布位置;
空间识别模块14,用于根据分布位置建立肿瘤组织的边际空间坐标系,标记边际空间内主要淋巴结的初始状态。
如图7所示,在本发明一实施例中,特征识别单元20包括:
内部识别模块21,用于获取确定淋巴结的多期相断层扫描影像集合,形成确定淋巴结的内部间质构型;
内部定义模块22,用于根据内部间质构型确定淋巴结内描述特征;
表面识别模块23,用于获取确定淋巴结的螺旋断层扫描影像集合,形成确定淋巴结的外部表面构型;
表面定义模块24,用于根据外部表面构型确定淋巴结被膜描述特征;
外部识别模块25,用于获取确定淋巴结的螺旋断层扫描影像集合,形成边际空间内主要参照对象;
外部定义模块26,用于明确每个主要参照对象的参照点和参照点间的相对位置量化和淋巴结与参照点间的相对位置量化。
如图7所示,在本发明一实施例中,变化获取单元30包括:
第一数据模块31,用于利用标准参考影像的内部间质构型形成淋巴结的淋巴结内描述特征的训练集和测试集;
第一模型模块32,用于利用训练集形成淋巴结内单一特征识别模型;
内部评估模块33,用于通过淋巴结内单一特征识别模型识别确定淋巴结内对应描述特征,根据对应描述特征形成确定淋巴结的内部评估;
微观趋势模块34,用于根据边际空间中各淋巴结的内部评估形成基于淋巴结的微观病理变化趋势。
如图7所示,在本发明一实施例中,拟合获取单元40包括:
第二数据模块41,用于利用标准参考影像的外部表面构型形成淋巴结的淋巴结被膜特征的训练集和测试集;
第二模型模块42,用于利用训练集形成淋巴结被膜单一特征识别模型;
外部评估模块43,用于通过淋巴结被膜单一特征识别模型梯次识别确定淋巴结表面对应描述特征,根据对应描述特征形成确定淋巴结的阶段评估;
宏观趋势模块44,用于累计阶段评估进行时序性差别拟合,形成边际空间中淋巴结的宏观影响趋势。
如图7所示,在本发明一实施例中,趋势参考单元50包括:
变形修正模块51,用于根据各参照点间的相对位置量化值的变化确定边际空间中局部空间的变形量;
偏移修正模块52,用于根据淋巴结与参照点间的相对位置量化值的变化确定边际空间的局部空间内淋巴结间的偏移量;
宏观参考模块53,用于利用变形量和偏移量修正边际空间内的淋巴结的宏观影响趋势;
围观参考模块54,用于集合宏观影响趋势的各方向上的淋巴结的微观病理变化趋势形成肿瘤组织的参考发展趋势。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (8)
1.一种基于淋巴结医学影像的识别方法,其特征在于,包括:
根据肿瘤组织的医学影像确定肿瘤组织边际空间中的淋巴结;
根据所述肿瘤组织的医学影像量化所述淋巴结病理形态的描述特征;
根据量化的病理形态确定淋巴结的病理变化趋势;
根据量化的病理形态的时序性差别拟合所述肿瘤组织对边际空间中实体的影响趋势;
根据所述病理变化趋势和所述影响趋势确定肿瘤组织的参考发展趋势。
2.如权利要求1所述的基于淋巴结医学影像的识别方法,其特征在于,所述根据肿瘤组织的医学影像确定肿瘤组织边际空间中的淋巴结包括:
根据所述肿瘤组织的断面扫描影像确定所述肿瘤组织的轮廓位置;
根据所述肿瘤组织的断面扫描影像确定所述肿瘤组织的重心位置;
根据所述重心位置确定周围主要淋巴结的分布位置;
根据所述分布位置建立所述肿瘤组织的边际空间坐标系,标记所述边际空间内主要淋巴结的初始状态。
3.如权利要求2所述的基于淋巴结医学影像的识别方法,其特征在于,所述根据所述肿瘤组织的医学影像量化所述淋巴结病理形态的描述特征包括:
获取确定淋巴结的多期相断层扫描影像集合,形成所述确定淋巴结的内部间质构型;
根据所述内部间质构型确定淋巴结内描述特征;
获取所述确定淋巴结的螺旋断层扫描影像集合,形成所述确定淋巴结的外部表面构型;
根据所述外部表面构型确定淋巴结被膜描述特征;
获取所述确定淋巴结的螺旋断层扫描影像集合,形成边际空间内主要参照对象;
量化每个所述主要参照对象的参照点间的相对位置和量化淋巴结与参照点间的相对位置。
4.如权利要求3所述的基于淋巴结医学影像的识别方法,其特征在于,所述根据量化的病理形态确定淋巴结的病理变化趋势包括:
利用标准参考影像的所述内部间质构型形成淋巴结的淋巴结内描述特征的训练集和测试集;
利用所述训练集形成淋巴结内单一特征识别模型;
通过所述淋巴结内单一特征识别模型识别所述确定淋巴结内对应描述特征,根据所述对应描述特征形成所述确定淋巴结的内部评估;
根据所述边际空间中各淋巴结的内部评估形成基于淋巴结的微观病理变化趋势。
5.如权利要求4所述的基于淋巴结医学影像的识别方法,其特征在于,所述根据量化的病理形态的时序性差别拟合所述肿瘤组织对边际空间中实体的影响趋势包括:
利用标准参考影像的所述外部表面构型形成淋巴结的淋巴结被膜特征的训练集和测试集;
利用所述训练集形成淋巴结被膜单一特征识别模型;
通过所述淋巴结被膜单一特征识别模型梯次识别确定淋巴结表面对应描述特征,根据所述对应描述特征形成所述确定淋巴结的阶段评估;
累计所述阶段评估进行时序性差别拟合,形成所述边际空间中淋巴结的宏观影响趋势。
6.如权利要求5所述的基于淋巴结医学影像的识别方法,其特征在于,所述根据所述病理变化趋势和所述影响趋势确定肿瘤组织的参考发展趋势包括:
根据各所述参照点间的相对位置量化值的变化确定所述边际空间中局部空间的变形量;
根据淋巴结与所述参照点间的相对位置量化值的变化确定所述边际空间的局部空间内淋巴结间的偏移量;
利用所述变形量和所述偏移量修正所述边际空间内的淋巴结的宏观影响趋势;
集合所述宏观影响趋势的各方向上的淋巴结的所述微观病理变化趋势形成所述肿瘤组织的参考发展趋势。
7.一种基于淋巴结医学影像的识别装置,其特征在于,包括:
存储器,用于存储如权利要求1至6任一所述的基于淋巴结医学影像的识别方法处理步骤对应的程序代码;
处理器,用于运行所述程序代码。
8.一种基于淋巴结医学影像的识别装置,其特征在于,包括:
实体识别单元,用于根据肿瘤组织的医学影像确定肿瘤组织边际空间中的淋巴结;
特征识别单元,用于根据所述肿瘤组织的医学影像量化所述淋巴结病理形态的描述特征;
变化获取单元,用于根据量化的病理形态确定淋巴结的病理变化趋势;
拟合获取单元,用于根据量化的病理形态的时序性差别拟合所述肿瘤组织对边际空间中实体的影响趋势;
趋势参考单元,用于根据所述病理变化趋势和所述影响趋势确定肿瘤组织的参考发展趋势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010085774.4A CN111353973B (zh) | 2020-02-11 | 2020-02-11 | 一种基于淋巴结医学影像的识别方法和识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010085774.4A CN111353973B (zh) | 2020-02-11 | 2020-02-11 | 一种基于淋巴结医学影像的识别方法和识别装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111353973A true CN111353973A (zh) | 2020-06-30 |
CN111353973B CN111353973B (zh) | 2021-01-01 |
Family
ID=71195932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010085774.4A Active CN111353973B (zh) | 2020-02-11 | 2020-02-11 | 一种基于淋巴结医学影像的识别方法和识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353973B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120123253A1 (en) * | 2009-07-17 | 2012-05-17 | Koninklijke Philips Electronics N.V. | Anatomy modeling for tumor region of interest definition |
CN102488493A (zh) * | 2011-11-15 | 2012-06-13 | 西安电子科技大学 | 小动物活体多模态分子成像系统和成像方法 |
WO2013003826A1 (en) * | 2011-06-29 | 2013-01-03 | The Regents Of The University Of Michigan | Analysis of temporal changes in registered tomographic images |
CN105488350A (zh) * | 2015-12-02 | 2016-04-13 | 苏州大学 | 基于反应扩散模型的三维脉络膜新生血管生长预测方法 |
CN108921821A (zh) * | 2018-06-01 | 2018-11-30 | 中国人民解放军战略支援部队信息工程大学 | 基于lasso回归的乳腺癌腋窝淋巴结转移状态的判别方法 |
CN109636819A (zh) * | 2018-12-17 | 2019-04-16 | 郑州云海信息技术有限公司 | 一种基于深度学习的肺结节生长速率预测装置 |
CN209285581U (zh) * | 2018-08-13 | 2019-08-23 | 复旦大学附属肿瘤医院 | 消化道腔外完整淋巴结活检装置及活检系统 |
-
2020
- 2020-02-11 CN CN202010085774.4A patent/CN111353973B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120123253A1 (en) * | 2009-07-17 | 2012-05-17 | Koninklijke Philips Electronics N.V. | Anatomy modeling for tumor region of interest definition |
WO2013003826A1 (en) * | 2011-06-29 | 2013-01-03 | The Regents Of The University Of Michigan | Analysis of temporal changes in registered tomographic images |
CN102488493A (zh) * | 2011-11-15 | 2012-06-13 | 西安电子科技大学 | 小动物活体多模态分子成像系统和成像方法 |
CN105488350A (zh) * | 2015-12-02 | 2016-04-13 | 苏州大学 | 基于反应扩散模型的三维脉络膜新生血管生长预测方法 |
CN108921821A (zh) * | 2018-06-01 | 2018-11-30 | 中国人民解放军战略支援部队信息工程大学 | 基于lasso回归的乳腺癌腋窝淋巴结转移状态的判别方法 |
CN209285581U (zh) * | 2018-08-13 | 2019-08-23 | 复旦大学附属肿瘤医院 | 消化道腔外完整淋巴结活检装置及活检系统 |
CN109636819A (zh) * | 2018-12-17 | 2019-04-16 | 郑州云海信息技术有限公司 | 一种基于深度学习的肺结节生长速率预测装置 |
Non-Patent Citations (4)
Title |
---|
LI-DA CHEN 等: "Multiparametric radiomics improve prediction of lymph node metastasis of rectal cancer compared with conventional radiomics", 《LIFE SCIENCES》 * |
LI-QIANG ZHOU 等: "Lymph Node Metastasis Prediction from Primary Breast Cancer US Images Using Deep Learning", 《RADIOLOGY》 * |
林逸 等: "超声影像技术在诊断淋巴结转移癌方面的新进展", 《罕少疾病杂志》 * |
邵华飞 等: "探讨Bayes判别分析在食管癌淋巴结转移CT诊断中的价值", 《放射学实践》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111353973B (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11455732B2 (en) | Knowledge-based automatic image segmentation | |
US7912260B2 (en) | Multi-component vessel segmentation | |
US8588495B2 (en) | Systems and methods for computer aided diagnosis and decision support in whole-body imaging | |
CN102521873B (zh) | 血管的建模方法 | |
CN110956626B (zh) | 一种基于图像的预后评估方法及装置 | |
CN106447645A (zh) | 增强ct图像中冠脉钙化检测及量化装置和方法 | |
CN112640000A (zh) | 根据医学数据对预测性数字孪生体模型的数据驱动的估计 | |
Peng et al. | Segmentation of lung in chest radiographs using hull and closed polygonal line method | |
JP2011504115A (ja) | 1つの画像データからの解剖学的構造を含む対象物のモデルの領域を、診断的又は治療的介入に用いられる画像にマッピングするための方法、そのシステム及びコンピューター読み取り可能な媒体 | |
US9727975B2 (en) | Knowledge-based automatic image segmentation | |
WO2009146703A2 (en) | System and method for volumetric analysis of medical images | |
CN110751187B (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
Chandrashekara et al. | Analysis of myocardial motion in tagged MR images using nonrigid image registration | |
Orhan et al. | Development and validation of a magnetic resonance imaging-based machine learning model for TMJ pathologies | |
CN112614126A (zh) | 基于机器学习的磁共振图像脑区划分方法、系统和装置 | |
Savaashe et al. | A review on cardiac image segmentation | |
JP2020508709A (ja) | 変形可能なオブジェクトへのデバイス挿入のための応力予測および応力評価 | |
US20230326127A1 (en) | Medical image processing methods and systems for analysis of coronary artery stenoses | |
CN110111354A (zh) | 肝脏医学图像动脉区域分割方法及系统 | |
CN111353973B (zh) | 一种基于淋巴结医学影像的识别方法和识别装置 | |
CN108710690A (zh) | 基于几何验证的医学图像检索方法 | |
Verwaerde et al. | Statistical shape analysis of gravid uteri throughout pregnancy by a ray description technique | |
Li et al. | Back to the roots: Reconstructing large and complex cranial defects using an image-based statistical shape model | |
Cairone et al. | Robustness of radiomics features to varying segmentation algorithms in magnetic resonance images | |
Bulpitt et al. | Spiral CT of abdominal aortic aneurysms: comparison of segmentation with an automatic 3D deformable model and interactive segmentation |
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 |