CN111358484A - 核医学肺灌注显像定量分析方法、分析设备及存储介质 - Google Patents
核医学肺灌注显像定量分析方法、分析设备及存储介质 Download PDFInfo
- Publication number
- CN111358484A CN111358484A CN202010207050.2A CN202010207050A CN111358484A CN 111358484 A CN111358484 A CN 111358484A CN 202010207050 A CN202010207050 A CN 202010207050A CN 111358484 A CN111358484 A CN 111358484A
- Authority
- CN
- China
- Prior art keywords
- lung
- perfusion
- volume
- image
- voxel
- 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
- 210000004072 lung Anatomy 0.000 title claims abstract description 213
- 230000010412 perfusion Effects 0.000 title claims abstract description 100
- 238000003384 imaging method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 23
- 238000009206 nuclear medicine Methods 0.000 title claims abstract description 19
- 238000004458 analytical method Methods 0.000 title claims abstract description 16
- 238000007689 inspection Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 210000003437 trachea Anatomy 0.000 claims description 24
- 210000000621 bronchi Anatomy 0.000 claims description 23
- 238000002603 single-photon emission computed tomography Methods 0.000 claims description 13
- 238000002224 dissection Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 8
- 210000004204 blood vessel Anatomy 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000002685 pulmonary effect Effects 0.000 claims description 2
- 239000003550 marker Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 210000001519 tissue Anatomy 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000007717 exclusion Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 230000037452 priming Effects 0.000 description 3
- 238000003325 tomography Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000008081 blood perfusion Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 102000009027 Albumins Human genes 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 229910010272 inorganic material Inorganic materials 0.000 description 1
- 239000011147 inorganic material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007102 metabolic function Effects 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000007310 pathophysiology Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 229910052713 technetium Inorganic materials 0.000 description 1
- GKLVYJBZJHMRIY-UHFFFAOYSA-N technetium atom Chemical compound [Tc] GKLVYJBZJHMRIY-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- A61B6/02—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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
-
- 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
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- G06T7/11—Region-based segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pulmonology (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明涉及肺容量及肺灌注容量的测量技术，具体为核医学肺灌注显像定量分析方法、分析设备及存储介质，其分析方法包括步骤：对病人的检查图像作预处理，并将影像分类为解剖影像和灌注影像；根据不同类型的影像，选择相应的方式处理检查图像，获得解剖肺净容积和灌注肺净容积，再计算得到灌注有效容积比。本发明可自动识别图像中的肺部区域，准确地进行肺灌注显像的定量分析。
Description
技术领域
本发明涉及肺容量及肺灌注容量的测量技术，具体为核医学肺灌注显像定量分析方法、分析设备及存储介质。
背景技术
核医学肺灌注显像通过判断肺血流灌注功能状况，对肺部疾病的正确诊断及疗效评价均有重要的临床意义。目前肺灌注显像的图像分析主要通过肉眼观察，其直观、简便，但评价具有较大的主观性，耗时较长且观察者间的一致性可能一般。
近年来出现了半自动图像分析获取灌注量的技术，该技术通过手动框取图像，根据框取范围内图像计算高亮度的像素点；由于未能自动框选图像并自动计算，以及缺少对比的功能，使得影像医生依然需要花费大量时间进行操作、计算才能够得到检查结果数据。该半自动分析的技术亦未普及，肺灌注显像的图像分析目前主要还是靠肉眼去观察。
本发明通过肺灌注显像定量分析，可提供真正的定量参数作为中间结果，从而更好的反应疾病的病理生理学状态，对于疾病的疗效评估及预后提供影像学上的数据支撑，具有巨大的应用潜力。
发明内容
为解决现有技术所存在的技术问题，本发明提供核医学肺灌注显像定量分析方法、分析设备及存储介质，可自动识别图像中的肺部区域，准确地进行肺灌注显像的定量分析。
本发明的分析方法采用以下技术方案来实现：核医学肺灌注显像定量分析方法，包括以下步骤：
S1、对病人的检查图像作预处理，并将影像分类为解剖影像和灌注影像；
S2、根据不同类型的影像，选择相应的方式处理检查图像，获得解剖肺净容积和灌注肺净容积，再计算得到灌注有效容积比。
在优选的实施例中，步骤S2包括：
S21、针对解剖影像，通过分析判断体素值所属解剖位置的智能算法，提取人体中的气管、支气管结构；通过分析体素值所在逻辑位置的智能算法，去除图像中的非人体信息，提取人体中的左肺、右肺；根据左右肺与气管、支气管的逻辑关系，分别分离提取左肺、右肺；将所提取的左肺、右肺分别排除不属于肺容器结构的人体组织，计算左肺、右肺的解剖净容积；
S22、针对SPECT灌注影像，通过分析体素值的阈值，提取左肺及右肺的初步灌注容积；结合解剖提取的左肺净容积以求左肺初步灌注容积与左肺解剖净容积的交集，结合解剖提取的右肺净容积以求右肺初步灌注容积与右肺解剖净容积的交集，得到灌注肺初步容积；进一步排除重建误差及部分容积效应所带来的左肺、右肺伪灌注容积；根据灌注肺初步容积，以及左肺、右肺伪灌注容积计算出左肺和右肺的灌注净容积；
S23、计算容积比：针对左肺、右肺，将灌注净容积除以解剖净容积，得到灌注有效容积比。
根据本发明的核医学肺灌注显像定量分析设备，包括存储器和处理器，存储器上有可执行程序，所述处理器执行所述可执行程序时，实现本发明分析方法的步骤。
根据本发明的存储介质，其上存储有计算机指令，所述计算机指令被处理器执行时，实现本发明分析方法的步骤。
本发明与现有技术相比，具有如下优点和有益效果：
1、能够通过人工智能，自动识别图像中的肺部区域，根据设置的阈值计算肺部的代谢功能区域容积，也可以通过前后两次检查的图像数据结果计算差值；能够为临床提供一种清晰、直观的检测手段，得到相应的中间检测结果。
2、提供了解剖和灌注两种容积计算方法，可准确地进行肺灌注显像的定量分析；采用逐体素计算分析方法，针对解剖影像和灌注影像均具有计算精确的优点。
3、实现了针对SPECT肺灌注影像的全自动分析和计算，为医生诊断和研究工作带来了质的飞跃。
附图说明
图1是本发明定量分析的流程图；
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
本发明核医学肺灌注显像定量分析方法，涉及肺灌注体积的测量，能够计算肺灌注显像检查图像中肺部体积以及肺部功能区域体积，并提供稳定的数据。
如图1所示，本发明核医学肺灌注显像定量分析方法包括以下步骤：
S1、对病人的检查图像作预处理，还可按顺序排列整合病人的同一次检查图像序列。预处理过程包括：
S11、导入并分析DICOM影像，获取到进行智能自动处理所需要的完整信息。DICOM影像中包含了进行智能自动处理所需要的完整信息，从设备获取的DICOM影像，再导入到系统中，对其进行分析后，可得到所需的完整信息。
本实施例中，导入SPECT/CT设备产生的肺灌注及CT DICOM图像序列，分析DICOM图像文件，提取其中病人的关键信息、检查设备信息、扫描参数、图像体素信息等。完整信息具体包括：
提取病人的关键信息：包括病人的性别、年龄、身高、体重等，以作为智能判断的一部分条件参数。人体肺部的活性容积，因人而异，主要跟性别、年龄、身高等有关，体重是一个次要的辅助判断参数。个别设备产生的DICOM信息还包括核素药量信息。
检查设备信息：包括检查设备的设备类型及检查描述信息。影像的性质是解剖还是灌注，依赖于检查设备的类型以及检查描述信息。
扫描参数：包括扫描的空间位置信息、图像断层的空间朝向信息，两者组成扫描的空间信息。扫描的空间信息是对解剖和灌注影像进行三维匹配的唯一依据。
图像体素信息：包括体素的三维存储尺寸、体素的三维物理尺寸、体素值等。扫描的空间信息结合图像体素信息，是实现两类影像体素级匹配的必要基础。
S12、根据检查设备信息对DICOM影像进行分类。
通过检查设备的设备类型及检查描述信息判断出来影像的性质，才能进行后续的所有智能化处理流程。本实施例中，可以将影像分为解剖影像和灌注影像。
解剖影像：解剖影像是用断层方法研究和表达人体正常形态结构及其基本功能的科学，断层解剖研究以结合断层影像诊断为其主要特征。SPECT设备包含完整的CT模块，可以产生标准的反映解剖结构的X射线衰减系数影像。
灌注影像：SPECT设备包含完整的ECT模块、可以结合锝99-MAA给病人进行灌注显像。灌注显像呈现肺的有效活性功能区域。
S2、根据不同类型的影像，选择相应的方式处理检查图像，得到灌注有效容积比。
S21、针对解剖影像：通过分析判断体素值所属解剖位置的智能算法，提取人体中的气管、支气管结构；通过分析体素值所在逻辑位置的智能算法，去除图像中的非人体信息，提取人体中的左肺、右肺；然后，根据左右肺与气管、支气管的逻辑关系，分别分离提取左肺、右肺；最后，将所提取的左肺、右肺分别排除血管、结节等组织，计算左肺、右肺的解剖净容积(也叫CT容积)。
提取气管及支气管结构：气管与支气管中是空气，其X射线衰变系数与人体组织存在显著差异。但是人体周围都是空气，单纯从X射线衰变系数上是不可能区分出来的。因此必须先从空气体素的空间位置上，判断和排除人体周围的空气体素，将气管及支气管结构提取出来。
去除非人体信息：排除人体周围的空气体素之后，进一步从X射线衰变系数上判断人体组织信息，从而将肺、气管和支气管周围的人体组织全部排除。排除的条件，是排除所有人体组织范围的体素，但是又要保留接近空气的肺内组织的体素。排除所采用的技术手段为：借鉴已知2D的Flood fill算法(种子填充算法，也称泛洪算法)，升维到3D空间。种子填充算法不侵入目标物体的内部，从而恰好可以用于本发明的人体外部排除，且留存肺部。Flood fill算法有三个参数：起始节点、目标值和替换值，算法遍历所有的节点以寻找和起始节点相连的节点(通过一条目标值的路径相连)，然后改变它们的值为替换值；本发明不考虑当前节点对角线方向的节点。也就是说，Flood fill算法通过遍历的方式，寻找通过一条目标值的路径与起始节点相连的所有节点，并将这些节点的指修改为替换值；目标值是所有小于等于水的X射线衰减系数，即X射线衰减系数≤0的值，替换值是0，即替换为水的X射线衰减系数。所述路径为三维路径，通过Flood fill算法构建。
提取左肺、右肺：去除人体组织后，剩下的是包括左右肺、气管、支气管在内的组织。但是这时候左右肺和气管支气管都并存的。
分离提取左肺、右肺：将所提取的左肺、右肺，减去所提取的气管及支气管结构，从而得到独立的左肺、右肺，也叫解剖肺。这时候获取的气管、支气管、左肺、右肺，均为初始的体素集合体，由于体素均为长方体形状，这时候经过算法所处理出来的结果体素集合，形状不是人体组织器官那种连续平滑结构。因此需要对几个结果体素集合做三维平滑滤波处理，以得到符合人体组织器官自然形状的体素集合。
排除血管、结节等人体组织：针对所获取的左肺和右肺，分别逐体素寻找不属于肺容器结构的血管、结节等人体组织，并予以剔除。人体组织中，脂肪的X射线衰减系数低于水，但是高于空气，血管、结节等组织的X射线衰减系数高于水。由于肺内无脂肪，不考虑脂肪的情况；那么，肺内凡是X射线衰减系数大于0的体素，确定为血管、结节等人体组织，均可予以排除。
计算解剖净容积：针对所排除的血管、结节等组织后获取的左肺和右肺，剩余的体素累积起来，经过计算所获得的容积，即为肺的净容积。
其中，分析判断体素值所属解剖位置的智能算法原理为：人体之外的X射线穿越空气、无机织物的衰减系数确定小于-500；人体之内肺脏的X射线衰减系数确定大于-300；人体之内气管、支气管的X射线衰减系数又确定小于-500；根据上述三种情形下X射线衰减系数的特点，综合判断并提取气管、支气管结构。即将人体之内X射线衰减系数小于-500的组织提取为气管、支气管结构。
分析体素值所在逻辑位置的智能算法原理为：CT设备床板由无机材料或金属构成，且具有一定厚度，能被CT完整清晰重建，X射线衰减系数接近骨骼；但是其几何中心确定远离扫描视野中心，几何中心确定在扫描视野中心之外的30％以外。而人体的几何中心，确定在扫描视野中心的20％以内。根据扫描视野中心与CT设备床板的几何中心、人体的几何中心之间距离的差异，以及CT设备床板的X射线衰减系数特点，去除图像中CT设备床板(包括金属饰物)等非人体信息。上述几何中心为：所涉体素的空间位置坐标(X,Y,Z)的平均值。
左右肺与气管、支气管的逻辑关系为左肺、右肺同时满足：1)几何中心分布于人体两侧、扫描视野中心之外；2)几何中心与视野中心的距离超过10cm；3)容积超过1升。气管、支气管不满足上述三个条件，且气管、支气管位于左右肺中间上部。
S22、针对SPECT灌注影像：通过分析体素值的阈值，提取左肺及右肺的初步灌注容积；然后，结合解剖提取的左肺净容积(即左肺的解剖净容积)以求左肺初步灌注容积与左肺CT容积的交集，结合解剖提取的右肺净容积(即右肺的解剖净容积)以求右肺初步灌注容积与右肺CT容积的交集，得到灌注肺初步容积；进一步排除重建误差及部分容积效应所带来的左肺、右肺伪灌注容积；根据灌注肺初步容积，以及左肺、右肺伪灌注容积计算出左肺和右肺的灌注净容积，也叫灌注肺净容积。
ECT图像有自己独特的特点，肺部的灌注影像，为病人所注射99mTc-聚合白蛋白(MAA)后所采集图像。其中显像体素的计数值的大小，代表着肺内99mTc-MAA的分布浓度。分布浓度的高低，预示着肺内对应部位的灌注效率，也就是血流灌注功能的效率。这一特点是肺灌注的意义，也是我方算法做智能运算的基础。但是由于ECT采集设备自身的特点，显像计数值是没有明确的恒定意义的，因此像CT解剖影像的体素那样，单纯的根据体素计数值大小来判断，是不可能的。
提取初步灌注容积，得到灌注肺：首先根据ECT设备采集特点，没有99mTc-MAA分布的地方，是探测不到计数值的。那么根据三维等高线原理，可以比较容易的将左右肺的大致轮廓给探测出来。探测出来之后的结果三维体素集合，依然是左右肺、气管、支气管都有。其次，在结果集合中，探测到最大值。
将灌注肺与解剖肺求交集：通过提取初步灌注容积得出的肺，由于ECT采集体素较大的原因，以及ECT重建算法的原因，结果体素的边界与实际肺的边界有接近5mm的误差。因此，本发明求取通过提取初步灌注容积得出的灌注肺，与通过步骤21中分离提取得出的解剖肺之交集；交集的结果体素集合，即为灌注肺初步容积。
左肺初步灌注容积与左肺CT容积的交集，和右肺初步灌注容积与右肺CT容积的交集的求取过程相同，均为：设解剖某肺的CT容积为C、灌注某肺的初步灌注容积为P，两者交集结果为J。1)对于CT容积C的每一个体素，获取其空间坐标(x,y,z)；2)将空间坐标(x,y,z)映射到初步灌注容积P的体素空间，如果存在体素P(x,y,z)，则认为C、P存在交集，并产生一个标记结果体素J(x,y,z)；多个标记结果体素构成标记交集结果J。
排除伪灌注容积：将灌注肺与解剖肺求交集所得出的灌注肺初步容积，体素分辨率还是与原始SPECT影像体素分辨率一样，每个体素的宽度接近0.5cm，误差较大。因此，需要按照解剖影像体素的分辨率重新采样，然后再针对采样后的灌注肺做一次滤波平滑，排除SPECT重建精度误差及部分容积效应所带来的伪灌注容积。
对标记交集结果J，逐像素计算容积，得到灌注肺初步容积，再进一步排除重建误差及部分容积效应所带来的左肺、右肺伪灌注容积。本实施例中，排除SPECT灌注影像重建误差及部分容积效应的实施方式为：SPECT影像采集分辨率在4.8mm*4.8mm*4.8mm，而肺部CT影像采集分辨率在0.58mm*0.58mm*1mm，两种设备的图像分辨率差异横向超过800％，Z向超过400％；因此将SPECT灌注影像体素分辨率通过重新采样的方法，提高到了与CT同样的精度，由此排除SPECT重建精度误差及部分容积效应所带来的伪灌注容积。
计算灌注净容积：通过排除伪灌注容积所获取的左肺和右肺，将剩余的体素累积起来，经过计算所获得的容积，即为灌注肺净容积。
S23、计算容积比：针对左肺、右肺，将灌注净容积(即灌注肺净容积)除以解剖净容积(即解剖肺净容积)，得到灌注有效容积比。
基于相同的发明构思，本发明还提出核医学肺灌注显像定量分析设备，其包括存储器和处理器，存储器上有可执行程序，所述处理器执行所述可执行程序时，实现本发明分析方法的各步骤。
同样基于相同的发明构思，本发明还提出存储介质来，其上存储有计算机指令，所述计算机指令被处理器执行时，实现本发明分析方法的步骤。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.核医学肺灌注显像定量分析方法，其特征在于，包括以下步骤：
S1、对病人的检查图像作预处理，并将影像分类为解剖影像和灌注影像；
S2、根据不同类型的影像，选择相应的方式处理检查图像，获得解剖肺净容积和灌注肺净容积，再计算得到灌注有效容积比。
2.根据权利要求1所述的核医学肺灌注显像定量分析方法，其特征在于，步骤S1的预处理过程包括：
S11、导入并分析影像，提取其中病人的关键信息、检查设备信息、扫描参数及图像体素信息；
S12、根据检查设备信息对影像进行分类。
3.根据权利要求2所述的核医学肺灌注显像定量分析方法，其特征在于，所述检查设备信息包括检查设备的设备类型及检查描述信息。
4.根据权利要求1所述的核医学肺灌注显像定量分析方法，其特征在于，所述扫描参数包括扫描的空间位置信息、图像断层的空间朝向信息；所述图像体素信息包括体素的三维存储尺寸、体素的三维物理尺寸、体素值。
5.根据权利要求1所述的核医学肺灌注显像定量分析方法，其特征在于，步骤S2包括：
S21、针对解剖影像，通过分析判断体素值所属解剖位置的智能算法，提取人体中的气管、支气管结构；通过分析体素值所在逻辑位置的智能算法，去除图像中的非人体信息，提取人体中的左肺、右肺；根据左右肺与气管、支气管的逻辑关系，分别分离提取左肺、右肺；将所提取的左肺、右肺分别排除不属于肺容器结构的人体组织，计算左肺、右肺的解剖净容积；
S22、针对SPECT灌注影像，通过分析体素值的阈值，提取左肺及右肺的初步灌注容积；结合解剖提取的左肺净容积以求左肺初步灌注容积与左肺解剖净容积的交集，结合解剖提取的右肺净容积以求右肺初步灌注容积与右肺解剖净容积的交集，得到灌注肺初步容积；进一步排除重建误差及部分容积效应所带来的左肺、右肺伪灌注容积；根据灌注肺初步容积，以及左肺、右肺伪灌注容积计算出左肺和右肺的灌注净容积；
S23、计算容积比：针对左肺、右肺，将灌注净容积除以解剖净容积，得到灌注有效容积比。
6.根据权利要求5所述的核医学肺灌注显像定量分析方法，其特征在于，步骤S21中，先从空气体素的空间位置上，判断和排除人体周围的空气体素，将气管及支气管结构提取出来；然后，从X射线衰变系数上判断人体组织信息，从而将肺、气管和支气管周围的人体组织全部排除。
7.根据权利要求5所述的核医学肺灌注显像定量分析方法，其特征在于，步骤S21中，左右肺与气管、支气管的逻辑关系为气管、支气管位于左右肺中间的上部，而左肺、右肺同时满足：1)几何中心分布于人体两侧、扫描视野中心之外；2)几何中心与视野中心的距离超过10cm；3)容积超过1升；
将所提取的左肺、右肺，减去所提取的气管及支气管结构，从而得到独立的左肺、右肺；针对所获取的左肺和右肺，分别逐体素寻找X射线衰变系数大于0的组织，判别为不属于肺容器结构的人体组织，并予以剔除；所述不属于肺容器结构的人体组织包括血管、结节。
8.根据权利要求5所述的核医学肺灌注显像定量分析方法，其特征在于，步骤S22中，左肺初步灌注容积与左肺解剖净容积的交集，和右肺初步灌注容积与右肺解剖净容积的交集的求取过程相同，均为：设解剖某肺的解剖净容积为C、灌注某肺的初步灌注容积为P，两者交集结果为J；1)对于解剖净容积C的每一个体素，获取其空间坐标(x,y,z)；2)将空间坐标(x,y,z)映射到初步灌注容积P的体素空间，如果存在体素P(x,y,z)，则认为C、P存在交集，并产生一个标记结果体素J(x,y,z)；多个标记结果体素构成标记交集结果J；对标记交集结果J，逐像素计算容积，得到灌注肺初步容积。
9.核医学肺灌注显像定量分析设备，包括存储器和处理器，存储器上有可执行程序，其特征在于，所述处理器执行所述可执行程序时，实现权利要求1-8中任一项所述分析方法的步骤。
10.存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时，实现权利要求1-8中任一项所述分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010207050.2A CN111358484B (zh) | 2020-03-23 | 2020-03-23 | 核医学肺灌注显像定量分析方法、分析设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010207050.2A CN111358484B (zh) | 2020-03-23 | 2020-03-23 | 核医学肺灌注显像定量分析方法、分析设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111358484A true CN111358484A (zh) | 2020-07-03 |
| CN111358484B CN111358484B (zh) | 2021-12-24 |
Family
ID=71198892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010207050.2A Active CN111358484B (zh) | 2020-03-23 | 2020-03-23 | 核医学肺灌注显像定量分析方法、分析设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111358484B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115439478A (zh) * | 2022-11-07 | 2022-12-06 | 四川大学 | 基于肺灌注的肺叶灌注强度评估方法、系统、设备及介质 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1739453A (zh) * | 2004-08-10 | 2006-03-01 | 西门子共同研究公司 | 用于肺灌注或密度的3d显示及其统计分析的系统和方法 |
| CN101542526A (zh) * | 2006-11-13 | 2009-09-23 | 皇家飞利浦电子股份有限公司 | 融合的灌注和功能性3d旋转血管造影绘制 |
| US20100046821A1 (en) * | 2008-05-09 | 2010-02-25 | General Electric Company | Motion correction in tomographic images |
| 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 |
| CN102207991A (zh) * | 2010-03-31 | 2011-10-05 | 富士胶片株式会社 | 医学图像诊断辅助技术 |
| CN102208105A (zh) * | 2010-03-31 | 2011-10-05 | 富士胶片株式会社 | 医学图像处理技术 |
| CN103123666A (zh) * | 2012-12-06 | 2013-05-29 | 首都医科大学附属北京安贞医院 | 肺灌注和通气断层显像定量分析软件 |
| CN103314412A (zh) * | 2011-01-04 | 2013-09-18 | 美国医软科技公司 | 用于spect-ct图像中的柔软器官划分区的功能分析的系统和方法 |
| CN103908276A (zh) * | 2012-12-29 | 2014-07-09 | 北京握奇数据系统有限公司 | 多层容积ct灌注成像源影像的自动化减影处理方法 |
| CN105849775A (zh) * | 2013-12-20 | 2016-08-10 | 皇家飞利浦有限公司 | Pet/mr系统中的密度引导的衰减图生成 |
| CN107230206A (zh) * | 2017-06-02 | 2017-10-03 | 太原理工大学 | 一种基于多模态数据的超体素序列肺部图像的3d肺结节分割方法 |
| CN108171738A (zh) * | 2018-01-25 | 2018-06-15 | 北京雅森科技发展有限公司 | 基于脑功能模板的多模态医学图像配准方法 |
| CN108257134A (zh) * | 2017-12-21 | 2018-07-06 | 深圳大学 | 基于深度学习的鼻咽癌病灶自动分割方法和系统 |
| CN108806776A (zh) * | 2018-06-14 | 2018-11-13 | 暨南大学附属第医院（广州华侨医院） | 一种基于深度学习的多模态医学影像的方法 |
| CN108830028A (zh) * | 2017-05-04 | 2018-11-16 | 戴立言 | 一种设备及非诊断性确定对象功能等效均匀剂量的方法 |
| CN208591469U (zh) * | 2017-10-19 | 2019-03-12 | 大连理工大学 | 一种融合ct和pet双模态图像引导的小动物一体化放疗系统 |
| CN109934861A (zh) * | 2019-01-22 | 2019-06-25 | 广东工业大学 | 一种头颈部多模态医学图像自动配准方法 |
| CN110291537A (zh) * | 2017-02-02 | 2019-09-27 | 医科达公司 | 用于检测脑转移的系统和方法 |
| CN110458813A (zh) * | 2019-03-08 | 2019-11-15 | 腾讯科技（深圳）有限公司 | 图像区域定位方法、装置和医学图像处理设备 |
| CN110706241A (zh) * | 2019-09-30 | 2020-01-17 | 东软医疗系统股份有限公司 | 一种三维病灶区域提取方法和装置 |
-
2020
- 2020-03-23 CN CN202010207050.2A patent/CN111358484B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1739453A (zh) * | 2004-08-10 | 2006-03-01 | 西门子共同研究公司 | 用于肺灌注或密度的3d显示及其统计分析的系统和方法 |
| CN101542526A (zh) * | 2006-11-13 | 2009-09-23 | 皇家飞利浦电子股份有限公司 | 融合的灌注和功能性3d旋转血管造影绘制 |
| US20100046821A1 (en) * | 2008-05-09 | 2010-02-25 | General Electric Company | Motion correction in tomographic images |
| 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 |
| CN102207991A (zh) * | 2010-03-31 | 2011-10-05 | 富士胶片株式会社 | 医学图像诊断辅助技术 |
| CN102208105A (zh) * | 2010-03-31 | 2011-10-05 | 富士胶片株式会社 | 医学图像处理技术 |
| CN103314412A (zh) * | 2011-01-04 | 2013-09-18 | 美国医软科技公司 | 用于spect-ct图像中的柔软器官划分区的功能分析的系统和方法 |
| CN103123666A (zh) * | 2012-12-06 | 2013-05-29 | 首都医科大学附属北京安贞医院 | 肺灌注和通气断层显像定量分析软件 |
| CN103908276A (zh) * | 2012-12-29 | 2014-07-09 | 北京握奇数据系统有限公司 | 多层容积ct灌注成像源影像的自动化减影处理方法 |
| CN105849775A (zh) * | 2013-12-20 | 2016-08-10 | 皇家飞利浦有限公司 | Pet/mr系统中的密度引导的衰减图生成 |
| CN110291537A (zh) * | 2017-02-02 | 2019-09-27 | 医科达公司 | 用于检测脑转移的系统和方法 |
| CN108830028A (zh) * | 2017-05-04 | 2018-11-16 | 戴立言 | 一种设备及非诊断性确定对象功能等效均匀剂量的方法 |
| CN107230206A (zh) * | 2017-06-02 | 2017-10-03 | 太原理工大学 | 一种基于多模态数据的超体素序列肺部图像的3d肺结节分割方法 |
| CN208591469U (zh) * | 2017-10-19 | 2019-03-12 | 大连理工大学 | 一种融合ct和pet双模态图像引导的小动物一体化放疗系统 |
| CN108257134A (zh) * | 2017-12-21 | 2018-07-06 | 深圳大学 | 基于深度学习的鼻咽癌病灶自动分割方法和系统 |
| CN108171738A (zh) * | 2018-01-25 | 2018-06-15 | 北京雅森科技发展有限公司 | 基于脑功能模板的多模态医学图像配准方法 |
| CN108806776A (zh) * | 2018-06-14 | 2018-11-13 | 暨南大学附属第医院（广州华侨医院） | 一种基于深度学习的多模态医学影像的方法 |
| CN109934861A (zh) * | 2019-01-22 | 2019-06-25 | 广东工业大学 | 一种头颈部多模态医学图像自动配准方法 |
| CN110458813A (zh) * | 2019-03-08 | 2019-11-15 | 腾讯科技（深圳）有限公司 | 图像区域定位方法、装置和医学图像处理设备 |
| CN110706241A (zh) * | 2019-09-30 | 2020-01-17 | 东软医疗系统股份有限公司 | 一种三维病灶区域提取方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 石洪成: "《SPECT/诊断CT操作规范与临床应用》", 31 August 2015, 上海科学技术出版社 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115439478A (zh) * | 2022-11-07 | 2022-12-06 | 四川大学 | 基于肺灌注的肺叶灌注强度评估方法、系统、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111358484B (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7315639B2 (en) | Method of lung lobe segmentation and computer system | |
| CN107622492B (zh) | 肺裂分割方法及系统 | |
| CN111047591A (zh) | 基于深度学习的病灶体积测量方法、系统、终端及存储介质 | |
| US8605978B2 (en) | Medical image processing apparatus and method, and computer readable recording medium on which is recorded program for the same | |
| CN109074639B (zh) | 医学成像系统中的图像配准系统和方法 | |
| CN107545584B (zh) | 医学图像中定位感兴趣区域的方法、装置及其系统 | |
| CN111539944B (zh) | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 | |
| US9218661B2 (en) | Image analysis for specific objects | |
| US7447344B2 (en) | System and method for visualization of pulmonary emboli from high-resolution computed tomography images | |
| CN107038728A (zh) | 基于迭代重建的轮廓自动化确定 | |
| US8588498B2 (en) | System and method for segmenting bones on MR images | |
| EP1315125A2 (en) | Method and system for lung disease detection | |
| CN103562960B (zh) | 用于生成图像的图像区域与元素类之间的分配的装置 | |
| CN109300136B (zh) | 一种基于卷积神经网络的危及器官自动分割方法 | |
| CN102782719B (zh) | 用于确定管状结构的拓扑支撑的评估的方法和系统及其在虚拟内窥镜检查中的使用 | |
| CN108961278B (zh) | 基于影像数据的腹壁肌肉分割的方法及其系统 | |
| JP2010500079A (ja) | 画像データセットの対象物における構造体の定量化のための方法、装置、グラフィック・ユーザ・インタフェース、コンピュータ可読媒体、及び使用 | |
| CN111358484B (zh) | 核医学肺灌注显像定量分析方法、分析设备及存储介质 | |
| CN114010215B (zh) | 用于医学影像辅助诊断支气管扩张的方法及装置 | |
| Chiplunkar et al. | Segmentation and quantitation of the primary human airway tree | |
| BR112020014201A2 (pt) | sistema e método de segmentação automática de uma imagem médica 3d por uma ou várias redes neurais através de convolução estruturada de acordo com a geometria anatômica da imagem médica 3d | |
| EP1447772B1 (en) | A method of lung lobe segmentation and computer system | |
| Bauer et al. | Airway tree segmentation in serial block-face cryomicrotome images of rat lungs | |
| Cordes et al. | Pre-operative segmentation of neck CT datasets for the planning of neck dissections | |
| CN108230289A (zh) | 基于x线体检正位胸片的计算机辅助诊断系统和方法 |
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 |