CN111583177B - 一种医学影像的显示方法及装置、存储介质 - Google Patents
一种医学影像的显示方法及装置、存储介质 Download PDFInfo
- Publication number
- CN111583177B CN111583177B CN202010249051.3A CN202010249051A CN111583177B CN 111583177 B CN111583177 B CN 111583177B CN 202010249051 A CN202010249051 A CN 202010249051A CN 111583177 B CN111583177 B CN 111583177B
- Authority
- CN
- China
- Prior art keywords
- lymph node
- abnormal lymph
- medical image
- current
- 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.)
- Active
Links
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
- 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
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种医学影像的显示方法,包括:响应于第一操作,显示当前切面影像,所述当前切面影像中包括异常淋巴结,所述当前切面影像为沿预设方向切分当前医学影像获得;确定历史医学影像中是否存在与所述当前医学影像中的异常淋巴结匹配的异常淋巴结,其中,所述历史医学影像与所述当前医学影像为不同时间同一受检者同一部位的影像;若存在,则显示历史切面影像,所述历史切面影像包括对匹配的异常淋巴结沿所述预设方向切分时的最大切面。本发明的技术方案,提高了医生的阅片效率且在一定程度上提高了诊断效率和诊断的准确度。
Description
技术领域
本发明实施例涉及智能医疗技术领域,尤其涉及一种医学影像的显示方法及装置、存储介质。
背景技术
肺癌到一定阶段,肿瘤细胞会转移到淋巴结,通常肿瘤转移性淋巴结称之为异常淋巴结,除此之外,良性肿大淋巴结、淋巴瘤、淋巴结形态发生变化、链状淋巴结、淋巴结密度异常升高等也称之为异常淋巴结。实际应用中,医生需要通过查看不同时期受检者胸部影像中异常淋巴结的变化来知晓其病情的变化,因此其需要在不同时期的胸部影像中进行来回的切换的同时还需人工判断不同时期的胸部影像中哪些淋巴结是同一淋巴结,同一淋巴结的状态发生了哪些变化,是否有新增或者消失的异常淋巴结等。
采用上述方式对不同时期的胸部影像中的异常淋巴结进行查看费时费力,在一定程度上降低了医生的阅片效率和诊断效率。
因此,如何能够提供一种医学影像的显示方法使得医生可以直观的看到不同时期同一异常淋巴结的相关信息便于医生阅片,进而提高医生的阅片和诊断的效率,成为目前亟待解决的问题之一。
发明内容
本发明实施例提供一种医学影像的显示方法及装置,以使得医生可以直观的看到不同时期的同一异常淋巴结的相关信息,便于医生阅片的同时也在很大程度上提高医生的诊断效率。
为了解决现有技术中的问题,本发明提供一种医学影像的显示方法,包括:
响应于第一操作,显示当前切面影像,所述当前切面影像中包括异常淋巴结,所述当前切面影像为沿预设方向切分当前医学影像获得;
确定历史医学影像中是否存在与所述当前医学影像中的异常淋巴结匹配的异常淋巴结,其中,所述历史医学影像与所述当前医学影像为不同时间同一受检者同一部位的影像;
若存在,则显示历史切面影像,所述历史切面影像包括对匹配的异常淋巴结沿所述预设方向切分时的最大切面。
可选的,所述当前切面影像中至少包括两个异常淋巴结,所述方法还包括:
确定对所述当前医学影像中的各异常淋巴结沿所述预设方向切分时最大切面所在的各切面影像;
确定各切面影像中与所述当前切面影像距离最近的切面影像,并确定该切面影像中包括的异常淋巴结为所述当前医学影像中待匹配的异常淋巴结;
所述确定历史医学影像中是否存在与所述当前医学影像中的异常淋巴结匹配的异常淋巴结是指确定所述历史医学影像中是否存在与所述当前医学影像中待匹配的异常淋巴结匹配的异常淋巴结。
可选的,所述方法还包括:
显示当前异常淋巴结列表,所述当前异常淋巴结列表是指当前医学影像中的异常淋巴结的列表,所述当前异常淋巴结列表包括:异常淋巴结的位置、大小及相对于匹配的历史医学影像中的异常淋巴结,该异常淋巴结的变化信息。
可选的,所述方法还包括:
响应于第二操作,显示当前异常淋巴结列表中异常淋巴结的当前切面影像及与当前异常淋巴结列表中的异常淋巴结匹配的历史医学影像中的异常淋巴结的历史切面影像。
可选的,所述方法还包括:
显示历史异常淋巴结列表,所述历史异常淋巴结列表是指历史医学影像中的异常淋巴结的列表,所述历史异常淋巴结列表包括:异常淋巴结的位置及大小。
可选的,所述方法还包括:
响应于第三操作,显示历史异常淋巴结列表中异常淋巴结的历史切面影像及与历史异常淋巴结列表中的异常淋巴结匹配的当前医学影像中的异常淋巴结的当前切面影像。
可选的,所述方法还包括:
显示匹配信息,所述匹配信息包括相匹配的当前医学影像中的异常淋巴结和历史医学影像中的异常淋巴结的位置、大小以及变化状态。
可选的,所述方法还包括:
显示异常淋巴结的汇总信息,所述汇总信息基于所述当前医学影像或历史医学影像中异常淋巴结的状态信息获得。
相应的,本发明实施例还提供了一种医学影像的显示装置,包括:
第一显示单元,用于响应于第一操作,显示当前切面影像,所述当前切面影像中包括异常淋巴结,所述当前切面影像为沿预设方向切分当前医学影像获得;
确定单元,用于确定历史医学影像中是否存在与所述当前医学影像中的异常淋巴结匹配的异常淋巴结,所述历史医学影像与所述当前医学影像为不同时间同一受检者同一部位的影像;
第二显示单元,用于在所述确定单元确定历史医学影像中存在与所述当前医学影像中的异常淋巴结匹配的异常淋巴结时,显示历史切面影像。
相应的,本发明还提供一种计算机设备,包括至少一个处理器、以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器能够执行上述的医学影像的显示方法。
相应的,本发明还提供一种计算机可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行上述的医学影像的显示方法。
与现有技术相比,本发明的技术方案具有如下有益效果:
响应于第一操作,显示当前切面影像,所述当前切面影像中包括异常淋巴结,所述当前切面影像为沿预设方向切分当前医学影像获得;在确定历史医学影像中存在与所述当前医学影像中的异常淋巴结匹配的异常淋巴结时,显示历史切面影像,所述历史切面影像包括对所述异常淋巴结沿所述预设方向切分时的最大切面,所述历史医学影像与所述当前医学影像为不同时间同一受检者同一部位的影像。由于先对当前医学影像中的异常淋巴结和历史医学影像中的异常淋巴结进行了匹配,且在确定历史医学影像中存在匹配的异常淋巴结后,显示历史切面影像,使得医生无需再通过人工的方式对异常淋巴结进行匹配,提高了医生的体验度。另外,由于在显示界面显示了历史切面影像,因而使得医生可以在同一个显示界面同时看到当前切面影像和历史切面影像,无需再通过反复查看历史影像来对匹配后的异常淋巴结的变化状态进行查看,提高了医生的阅片效率。另外,由于无需再通过人工的方式对不同时期的异常淋巴结进行匹配,因此在一定程度上也提高了诊断的效率和诊断的准确度。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一种人体基本面和基本轴的示意图;
图2为本发明实施例的医学影像的显示方法的流程图;
图3为本发明实施例的当前切面影像的示意图;
图4为本发明实施例提供的一种主气管分叉点的示意图;
图5为本发明实施例提供的一种左主支气管和右主支气管横切面的示意图;
图6为本发明实施例提供的一种主气管横切面的示意图;
图7(a)为本发明实施例的一种第一动脉汇合成第二动脉的示意图;
图7(b)为本发明实施例的一种第一横切面和第二横切面的示意图;
图8(a)为本发明实施例的第一种异常淋巴结分区的示意图;
图8(b)为本发明实施例的第二种异常淋巴结分区的示意图;
图8(c)为本发明实施例的第三种异常淋巴结分区的示意图;
图9为本发明实施例的当前医学影像和历史医学影像中异常淋巴结匹配过程的示意图;
图10为本发明实施例的历史切面影像的示意图;
图11为本发明实施例的异常淋巴结列表的界面示意图;
图12为本发明实施例的匹配信息显示于显示界面的示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
为了更好的解释本发明,先对本发明实施例中所涉及的方位词解释如下,如图1所示的人体基本面和基本轴的示意图中,人体基本面包括冠状面(额状面)、矢状面(正中面)和水平面(横切面);人体基本轴包括垂直轴、矢状轴和冠状轴(额状轴);人体的立体方位中包括前侧(靠近腹部)、后侧(靠近背部)、上侧(靠近头部)和下侧(靠近脚部)。下述实施例中的所有面、轴、方位均适用于图1。
图2为本发明的医学影像的显示方法的流程图,如图2所示,所述医学影像的显示方法可以被实施为以下步骤S11-S13:
步骤S11,响应于第一操作,显示当前切面影像,所述当前切面影像中包括异常淋巴结,所述当前切面影像为沿预设方向切分当前医学影像获得。
步骤S12,确定历史医学影像中是否存在与所述当前医学影像中的异常淋巴结匹配的异常淋巴结,其中,所述历史医学影像与所述当前医学影像为不同时间同一受检者同一部位的影像。
步骤S13,若存在,则显示历史切面影像,所述历史切面影像包括对所述异常淋巴结沿所述预设方向切分时的最大切面。
执行步骤S11,本实施例中,第一操作可以为触发显示界面中的随访功能键的操作,如单击或者双击所述随访功能键,当医生在需要将当前医学影像和历史医学影像进行对比观察,或者将当前切面影像和历史切面影像进行对比观察时,可以通过鼠标点选显示界面中的“随访”功能键。
本实施例中,所述当前医学影像可以为三维胸部医学影像,所述当前切面影像可以为对所述当前医学影像沿与横断面垂直的方向、或者沿与矢状面垂直的方向、或者沿与冠状面垂直的方向进行切分获得的影像。图3为本发明实施例的当前切面影像的示意图,图3中示出了沿与冠状面垂直的方向切分所述当前医学影像后获得的当前切面影像(横断面影像),同时图3中所示的当前切面影像中包括异常淋巴结。
执行步骤S12,本实施例中,所述历史医学影像也可以为三维胸部医学影像。具体地,所述历史医学影像和当前医学影像为不同时间同一受检者的三维胸部影像。所述当前医学影像可以为当前采集的医学影像也可以为当前需要查看的医学影像,所述历史医学影像为早于当前医学影像采集时间采集到的医学影像,所述历史医学影像可以为一幅,也可以为多幅。实际应用中,可以根据受检者的病历号、ID号等获取受检者的历史医学影像(采集在前的医学影像)和当前医学影像(采集在后的医学影像)。本实施例中,所述历史医学影像、当前医学影像可以是通过CT设备、MRI设备等采集到的影像,在此不作限定。
本实施例中,通过以下步骤S121~S122确定历史医学影像中是否存在与当前医学影像中的异常淋巴结匹配的异常淋巴结。
步骤S121,检测所述历史医学影像和当前医学影像中的异常淋巴结。本实施例中,检测所述历史医学影像和当前医学影像中的异常淋巴结包括:确定所述历史医学影像和当前医学影像中异常淋巴结的位置及所在的分区。
本实施例中,在获取到历史医学影像和当前医学影像后,可以通过预设的检出模型分别对获取的历史医学影像和当前医学影像进行检测,以确定是否存在异常淋巴结,若存在异常淋巴结,则可以将该历史医学影像和当前医学影像分别输入至定位模型中,以确定异常淋巴结的位置。此外,还可以确定异常淋巴结的尺寸和分期,以使得医生根据异常淋巴结的信息给出合理的医学诊断。
本实施例中,所述异常淋巴结包括:(1)淋巴结肿大,如:淋巴结短径大于1cm,具体的地可以为良性肿大淋巴结、肿瘤转移性淋巴结、淋巴瘤等(2)淋巴结形态发生变化(肾形变成圆形)(3)链状淋巴结(4)淋巴结密度异常升高。本实施例中,具体地,所述异常淋巴结可以为:纵隔淋巴结核、结节病、巨大淋巴结增生症、淋巴瘤、转移性淋巴结肿大中的一种。
由上述可知,通过定位模型可以确定当前医学影像和历史医学影像中异常淋巴结的位置,以下以确定医学影像中异常淋巴结的位置为例进行说明,对于历史医学影像或当前医学影像中异常淋巴结位置的确定而言,只需将历史医学影像或当前医学影像输入至定位模型即可。
本实施例中,通过定位模型输出医学影像中异常淋巴结的位置。此时,可以异常淋巴结为目标关键点。具体的,定位模型可以包括第一定位模型和第二定位模型,将医学影像输入至第一定位模型,以获得医学影像的各第一关键点的位置(第一关键点可以为异常淋巴结所在区域的点),将医学影像的至少一个维度的影像层输入至第二定位模型,以获得医学影像在至少一个维度上的各第二关键点的位置(第二关键点可以为异常淋巴结所在区域的点);其中,任一维度的影像层包括以使用维度的切分平面切分医学影像得到的一帧或多帧连续的医学影像;不同维度的切分平面不平行;将各第一关键点和至少一个维度上的各第二关键点中相同的第一关键点和第二关键点作为目标关键点,基于相同的第一关键点和第二关键点的位置,确定目标关键点的位置。
第一定位模型包括第一定位模块和第二定位模块,具体是将医学影像输入至第一定位模块,以获得医学影像的各初始第一关键点的位置;分割医学影像,以获得包括各初始第一关键点的各个粗分割体;将各个粗分割体输入至与其对应的第二定位模块,以获得各个粗分割体包括的各第一关键点的位置。
第二定位模型包括分类器、第三定位模块和第四定位模块,具体是将医学影像的至少一个维度的影像层输入至分类器,以获得医学影像在至少一个维度上的各关键帧影像,将医学影像在至少一个维度上的各关键帧影像输入至第三定位模块,以获得医学影像在至少一个维度上的各初始第二关键点的位置,分割医学影像在至少一个维度上的关键帧影像,以获得包括各初始第二关键点的各个粗分割区域,将各个粗分割区域输入至与其对应的第三定位模块,以获得各个粗分割区域包括的各第二关键点的位置。
本实施例中,通过第一定位模型和第二定位模型所定位出的关键点不仅可以包括关键点的位置,还可以包括关键点的标识。如此,在确定出医学影像的各第一关键点的位置和标识,以及确定出医学影像在至少一个维度上的各第二关键点的位置和标识后,可以根据各第一关键点的标识与至少一个维度上的各第二关键点的标识确定出标识相同的第一关键点和第二关键点,将标识信息相同的第一关键点和第二关键点作为一个目标关键点。然后对标识信息相同的第一关键点和第二关键点的位置进行加权平均,得到所述目标关键点的位置。第一关键点的位置对应的权重和至少一个维度上的各第二关键点的位置对应的权重之和可以为1。第一关键点的位置对应的权重以及至少一个维度上的各第二关键点对应的权重可以由本领域技术人员根据实际场景进行设置,不作限定。
至此通过上述的定位模型可以确定出所述历史医学影像和所述当前医学影像中异常淋巴结的位置。
本实施例中,确定历史医学影像中异常淋巴结所在的分区包括:
将所述历史医学影像输入至关键目标获取模型中,以获得所述历史医学影像中关键目标的信息;
基于所述历史医学影像中异常淋巴结的位置、关键目标的信息,确定所述历史医学影像中异常淋巴结所在的分区;
本实施例中,确定当前医学影像中异常淋巴结所在的分区包括:
将所述当前医学影像输入至关键目标获取模型中,以获得所述当前医学影像中关键目标的信息;
基于所述当前医学影像中所述异常淋巴结的位置、关键目标的信息,确定所述当前医学影像中异常淋巴结所在的分区。
本领域技术人员知晓,历史医学影像或者当前医学影像中异常淋巴结所在分区的确定,与医学影像中异常淋巴结所在分区确定的方式是类似的,不同的是在输入影像时,输入的影像有所不同。以下以医学影像为例,对医学影像中异常淋巴结所在的分区的确定进行相应的说明。
首先:将所述医学影像输入至关键目标获取模型中,以获得所述医学影像中关键目标的信息。
本实施例中,关键目标可以包括:主气管、主气管分叉点、支气管、动脉、肺尖、胸骨柄、脊柱骨、上腔静脉汇合处等,其中,主气管在主气管分叉点处分为左主支气管和右主支气管,示例性的,如图4为主气管分叉点的示意图,主气管分叉点上侧是主气管、主气管分叉点下侧是左主支气管和右主支气管。
主气管的信息可以包括主气管后侧外缘的切线的位置、主气管右侧外缘的切线的位置、左主支气管和右主支气管相邻的外缘的切线的位置、右主支气管分叉点的位置、右中叶支气管后侧外缘的切线的位置,其中,主气管后侧外缘的切线与矢状面垂直,主气管右侧外缘的切线与冠状面垂直,左主支气管和右主支气管相邻的外缘的切线均与冠状面垂直,右中叶支气管后侧外缘的切线与矢状面垂直。如图5为左主支气管和右主支气管相邻的外缘的切线的示意图,如图6为主气管后侧外缘的切线和主气管右侧外缘的切线的示意图。
动脉的信息可以包括第一动脉的信息、第二动脉的信息和主动脉弓的信息,如图7(a)所示,多个第一动脉在主动脉弓处汇合成第二动脉。第一动脉的信息包括第一动脉后侧外缘的切线的位置和第一动脉前侧外缘的切线的位置,第一动脉后侧外缘的切线和第一动脉前侧外缘的切线均与矢状面垂直。第二动脉的信息包括第二动脉后侧外缘的切线的位置、第二动脉左侧外缘的切线的位置和第二动脉右侧外缘的切线的位置;第二动脉后侧外缘的切线与矢状面垂直,第二动脉左侧外缘的切线、第二动脉右侧外缘的切线均与冠状面垂直。主动脉弓的信息可以包括第一横切面的位置和第二横切面的位置,如图7(b)所示,第一横切面是指主动脉弓最下方外缘的横切面,第二横切面是主动脉弓最上方外缘的横切面,第一横切面也可以叫做主动脉弓消失层,第二横切面也可以叫做主动脉弓出现层。
上腔静脉汇合处的信息可以包括第三横切面,第三横切面理解为上腔静脉汇合处的横切面。
需要说明的是,气管外缘切线(包括主气管外缘切线、主支气管外缘切线、支气管外缘切线)指的是横切面上气管外缘上的切线,该气管外缘切线与水平面平行,具体的,气管后侧外缘切线、气管前侧外缘切线与矢状面垂直,气管左侧外缘切线、气管右侧外缘切线与冠状面垂直。动脉外缘切线(包括第一动脉外缘切线、第二动脉外缘切线)指的是横切面上动脉外缘上的切线,该动脉外缘切线与水平面平行,具体的,动脉后侧外缘切线和动脉前侧外缘切线与矢状面垂直,动脉左侧外缘切线和动脉右侧外缘切线与冠状面垂直。
具体实现中,关键目标的信息的获取涉及关键目标定位,而关键目标定位可以分为关键点定位和关键帧定位,其中,关键点定位可以采用关键点定位方法确定各关键点的位置信息,关键点如主气管分叉点、右主支气管分叉点、肺尖、胸骨柄、脊柱骨等。关键点定位方法可以与上述确定异常淋巴结的位置时采用的方法相似,此时将主气管分叉点、右主支气管分叉点、肺尖、胸骨柄、脊柱骨等作为目标关键点即可,在此不再赘述。关键帧定位可以采用关键帧定位方法确定各关键帧的位置信息,关键帧如第一横切面、第二横切面、第三横切面等,可以将医学影像输入至粗定位模块后,细定位模块只进行垂直轴上截取,确定在垂直轴上的位置。
本发明实施例中,还可以根据胸骨和脊柱骨的位置确定中线,具体的,将每帧上胸骨和脊柱骨定位点连线。该中线在后续实施例中,可以用于确定异常淋巴结所在分区时,区分是在左方还是右方。
然后基于所述医学影像中异常淋巴结的位置、关键目标的信息,确定所述医学影像中异常淋巴结所在的分区。
在本实施例中,对所述分区采用国际肺癌研究协会(IASLC)于2009年制定的分区标准。但不限于此,本领域技术人员可知本方案也适用于自定义的其他分区方式。
本实施例中结合图8(a)、图8(b)、图8(c)中淋巴结所在的分区的说明,根据异常淋巴结的位置、关键目标的信息,则可以确定出异常淋巴结所在分区。
本实施例中,可以根据异常淋巴结的位置及主气管的分叉点的位置,确定异常淋巴结与主气管的分叉点的相对位置,具体分两种情况。
情况一:
若异常淋巴结位于主气管分叉点的下方,则基于支气管的信息,确定异常淋巴结所在的分区;
情况二:
若异常淋巴结位于主气管分叉点的上方,则基于主气管的信息和动脉的信息,确定异常淋巴结所在的分区。
需要说明的是,下述实施例中涉及的气管外缘切线(包括主气管外缘切线、主支气管外缘切线、支气管外缘切线)的一侧指的是远离气管的一侧,动脉外缘切线(包括第一动脉外缘切线、第二动脉外缘切线)的一侧指的是远离动脉的一侧,以图5中主气管横切面为例,图5中包括主气管后侧外缘的切线和主气管右侧外缘的切线,主气管后侧外缘的一侧为该主气管后侧外缘的切线下方的一侧;主气管右侧外缘的一侧为该主气管后侧外缘的切线右方的一侧。
针对情况一,在确定异常淋巴结位于主气管分叉点的下方之后,可以进一步基于左主支气管和右主支气管相邻的外缘的切线的位置、右主支气管分叉点的位置、右中叶支气管后侧外缘的切线的位置,确定异常淋巴结所在的分区为7区或8区或10区。具体可以为:
若异常淋巴结位于右主支气管分叉点的上方,且在横切面上异常淋巴结位于左主支气管和右主支气管相邻的外缘的切线之间以及右主支气管后侧外缘的切线的一侧(右主支气管后侧外缘的切线的一侧是指远离右主支气管的一侧),则确定异常淋巴结位于7区;
若异常淋巴结位于右主支气管分叉点的下方,且在横切面上异常淋巴结位于右中叶支气管后侧外缘的切线的一侧(右中叶支气管后侧外缘的切线的一侧是指远离右中叶支气管的一侧),则确定异常淋巴结位于8区;
若在横切面上异常淋巴结未位于左主支气管和右主支气管相邻的外缘的切线之间,则确定异常淋巴结位于10区。
针对情况二,在确定异常淋巴结位于主气管分叉点的上方之后,可以进一步基于主气管后侧外缘的切线的位置、主气管右侧外缘的切线的位置、第一动脉后侧外缘的切线的位置、第一动脉前侧外缘的切线的位置、第一横切面的位置、第二横切面的位置、第三横切面位置,确定异常淋巴结所在的分区为3a区或3p区或2区的左方或2区的右方。具体可以为:
若在横切面上异常淋巴结位于第一动脉前侧外缘的切线的一侧(第一动脉前侧外缘的切线的一侧指远离第一动脉的一侧),则确定异常淋巴结位于3a区;
若在横切面上异常淋巴结位于第一动脉后侧外缘的切线的一侧(第一动脉后侧外缘的切线的一侧指远离第一动脉的一侧),且在横切面上异常淋巴结位于主气管后侧外缘的切线的一侧(主气管后侧外缘的切线的一侧是指远离主气管的一侧),则确定异常淋巴结位于3p区;
若在横切面上异常淋巴结位于第一动脉后侧外缘的切线的一侧,且在横切面上异常淋巴结未位于主气管后侧外缘的切线的一侧,且在横切面上异常淋巴结位于主气管右侧外缘的切线的一侧(主气管右侧外缘的切线的一侧是指远离主气管的一侧),且异常淋巴结未位于第二横切面的下方,则确定异常淋巴结位于2区的左方;
若在横切面上异常淋巴结位于第一动脉后侧外缘的切线的一侧,且在横切面上异常淋巴结未位于主气管后侧外缘的切线的一侧,且在横切面上异常淋巴结未位于主气管右侧外缘的切线的一侧,且异常淋巴结未位于第三横切面的下方,则确定异常淋巴结位于2区的右方;
还可以进一步结合第二动脉后侧外缘的切线的位置、第二动脉左侧外缘的切线的位置、第二动脉右侧外缘的切线的位置,确定出异常淋巴结所在的分区为3p区或4区的左方或4区的右方或5区或6区。具体可以为:
若在横切面上异常淋巴结位于第二动脉后侧外缘的切线的一侧(第二动脉后侧外缘的切线的一侧指远离第二动脉的一侧),且在横切面上异常淋巴结位于主气管后侧外缘的切线的一侧,则确定异常淋巴结位于3p区;
若在横切面上异常淋巴结位于第二动脉后侧外缘的切线的一侧,且在横切面上异常淋巴结未位于主气管后侧外缘的切线的一侧,且在横切面上异常淋巴结位于主气管右侧外缘的切线的一侧,且异常淋巴结位于第二横切面的下方,则确定异常淋巴结位于4区的左方;
若在横切面上异常淋巴结位于第二动脉后侧外缘的切线的一侧,且在横切面上异常淋巴结未位于主气管后侧外缘的切线的一侧,且在横切面上异常淋巴结未位于主气管右侧外缘的切线的一侧,且异常淋巴结位于第三横切面的下方,则确定异常淋巴结位于4区的右方;
若在横切面上异常淋巴结位于第二动脉左侧外缘的切线的一侧(第二动脉左侧外缘的切线的一侧指远离第二动脉的一侧)或第二动脉右侧外缘的切线的一侧(第二动脉右侧外缘的切线的一侧指远离第二动脉的一侧),且异常淋巴结位于第一横切面的下方,则确定异常淋巴结位于5区;
若在横切面上异常淋巴结位于第二动脉左侧外缘的切线的一侧或第二动脉右侧外缘的切线的一侧,且异常淋巴结未位于第一横切面的下方,则确定异常淋巴结位于6区。
情况二中,在确定异常淋巴结在第一动脉前侧外缘的切线的一侧或第一动脉后侧外缘的切线的一侧时,可以将医学影像输入至二分类模型中,以确定异常淋巴结和第一动脉的相对位置,同理,在确定异常淋巴结在第二动脉后侧外缘的切线的一侧或第二动脉左侧外缘的切线的一侧或第二动脉右侧外缘的切线的一侧时,可以将医学影像输入至三分类模型中,以确定异常淋巴结和第二动脉的相对位置。当然,也可以根据该二分类模型和该三分类模型确定一个分类模型,用于确定异常淋巴结相对于第一动脉或第二动脉的位置。
本发明实施例中,还可以综合考虑肺尖的位置和胸骨柄的位置,确定异常淋巴结所在的分区。若异常淋巴结位于主气管分叉点的上方,且未位于肺尖的下方,则异常淋巴结位于1区;若异常淋巴结位于肺尖的下方,且未位于胸骨柄的下方,且在横切面上异常淋巴结未位于主气管后侧外缘的切线的一侧,则异常淋巴结位于1区;若异常淋巴结未位于胸骨柄的下方,且在横切面上异常淋巴结位于主气管后侧外缘的切线的一侧,则异常淋巴结位于3p区。
至此,通过将历史医学影像或当前医学影像输入至定位模型中,确定了历史医学影像或当前医学影像中异常淋巴结的位置,将历史医学影像或当前医学影像输入至关键目标获取模型中,确定了历史医学影像或当前医学影像中关键目标的信息,并根据确定出的历史医学影像中异常淋巴结的位置和历史医学影像中各关键目标的信息,确定历史医学影像中异常淋巴结与各关键目标的相对位置,根据确定出的当前医学影像中异常淋巴结的位置和当前医学影像中各关键目标的信息,确定当前医学影像中异常淋巴结与各关键目标的相对位置。进一步地根据历史医学影像中异常淋巴结与各关键目标的相对位置,确定历史医学影像中异常淋巴结所在的分区。根据当前医学影像中异常淋巴结与各关键目标的相对位置,确定当前医学影像中异常淋巴结所在的分区。
执行步骤S122,对所述历史医学影像和当前医学影像中的异常淋巴结进行匹配。
具体地,
基于所述当前医学影像中第i个异常淋巴结所在的位置,确定所述第i个异常淋巴结与所述当前医学影像中的n个关键目标的距离di1……din;
获取所述历史医学影像中与所述当前医学影像中第i个异常淋巴结所在的分区相同的分区中的k个异常淋巴结与所述历史医学影像中的n个关键目标的距离D11……D1n,……,Dk1……Dkn;
若至少存在一组din与Dkn的差的绝对值小于预设阈值,则确定第i个异常淋巴结和第k个异常淋巴结为匹配的异常淋巴结,其中,i、k、n均为大于等于1的自然数。
由上述可知,在步骤S121中,是通过确定异常淋巴结和所述关键目标之间的相对位置关系进而确定了异常淋巴结所在的分区。关键目标则可以包括:主气管、主气管分叉点、支气管、动脉、肺尖、胸骨柄、脊柱骨、上腔静脉汇合处等。而在确定异常淋巴结所在分区的过程中,可能会涉及多个关键目标。
本实施例中,可以选定只计算异常淋巴结与多个关键目标中的某一个关键目标的距离,还可以选定计算异常淋巴结与多个关键目标中的某几个关键目标的距离,选取的关键目标的个数由实际需求而定,当然,关键目标的个数越多,匹配的精度越高。本实施例中,异常淋巴结与关键目标之间的距离可以为异常淋巴结中心点与关键目标之间的距离。
以下分别以i=1,k=2,n=1以及i=1,k=2,n=2时为例对当前医学影像和历史医学影像中的异常淋巴结的匹配过程进行说明。
n=1时,若当前医学影像中1区存在第一个异常淋巴结,则计算当前医学影像中第1个异常淋巴结与第一个关键目标之间的距离d11。若在历史医学影像中,位于1区的异常淋巴结为2个,分别为第一个异常淋巴结和第二个异常淋巴结,则分别计算这两个异常淋巴结与历史医学影像中的第一关键目标之间的距离D11和D21。计算d11与D11的差的绝对值,计算d11与D21的差的绝对值,若d11与D11的差的绝对值小于预设阈值,则当前医学影像中的第一个异常淋巴结与历史医学影像中的第一个异常淋巴结匹配。若d11与D21的差的绝对值小于预设阈值,则当前医学影像中的第一个异常淋巴结与历史医学影像中的第二个异常淋巴结匹配。
n=2时,若当前医学影像中1区存在第一个异常淋巴结,则计算当前医学影像中第1个异常淋巴结与第一个关键目标之间的距离d11,计算当前医学影像中第1个异常淋巴结与第二个关键目标之间的距离d12。若在历史医学影像中,位于1区的异常淋巴结为2个,分别为第一个异常淋巴结和第二个异常淋巴结,则分别计算这两个异常淋巴结与历史医学影像中的第一关键目标之间的距离D11和D21,分别计算这两个异常淋巴结与历史医学影像中的第二关键目标之间的距离D12和D22。计算d11与D11的差的绝对值,d11与D21的差的绝对值,d12与D12的差的绝对值,d12与D22的差的绝对值,若存在d11与D11的差的绝对值小于预设阈值,且d12与D12的差的绝对值小于预设阈值,则当前医学影像中的第一个异常淋巴结与历史医学影像中的第一个异常淋巴结匹配。若存在d11与D21的差的绝对值小于预设阈值,且d12与D22的差的绝对值小于预设阈值,则当前医学影像中的第一个异常淋巴结与历史医学影像中的第二个异常淋巴结匹配。
当然,在其他实施例中,若关键目标的个数大于等于2,此时也可以仅看当前医学影像中异常淋巴结与第n个关键目标之间的距离,以及历史医学影像中异常淋巴结与第n个关键目标之间的距离,并对距离之差的绝对值进行判断,以确定是否小于预设阈值,进而确定当前医学影像中的第i个异常淋巴结是否与历史影像中的第k个异常淋巴结匹配。
本实施例中,若要对历史医学影像中的异常淋巴结进行匹配,则匹配过程可以包括:
基于所述历史医学影像中第i个异常淋巴结所在的位置,确定所述第i个异常淋巴结与所述历史医学影像中的n个关键目标的距离di1……din;
获取所述当前医学影像中与所述历史医学影像中第i个异常淋巴结所在的分区相同的分区中的k个异常淋巴结与所述当前医学影像中的n个关键目标的距离D11……D1n,……,Dk1……Dkn;
若至少存在一组din与Dkn的差的绝对值小于预设阈值,则确定第i个异常淋巴结和第k个异常淋巴结为匹配的异常淋巴结,其中,i、k、n均为大于等于1的自然数。
对历史医学影像中的异常淋巴结与当前医学影像中的异常淋巴结进行匹配的过程与对当前医学影像中的异常淋巴结与历史医学影像中的异常淋巴结进行匹配的过程相类似,此处不再赘述。本实施例中,所述预设阈值可以为小于等于5mm大于等于0mm之间的任意值,所述预设阈值的具体取值可以根据实际的临床经验而定(同一个异常淋巴结随着时间的变化可能变大或者变小等),当然在异常淋巴结变化不明显时,预设阈值越小,匹配的准确度越高。
参见图9,图9为本发明实施例的当前医学影像和历史医学影像中异常淋巴结匹配过程的示意图。如图9中所示,左侧为历史医学影像、右侧为当前医学影像,其中黄色水平虚线是主气管后侧外缘切线,黄色竖直虚线是主气管左侧外缘切线,是分区规则里面的两条分界线(前述提及的关键目标)。在历史医学影像中第一个异常淋巴结位于2R区,其与第一关键目标的距离为d11,当前医学影像中,2R区中包括两个异常淋巴结,第一异常淋巴结和第二异常淋巴结,分别计算当前医学图像中2R区的两个异常淋巴结与当前医学影像中的第一关键目标的距离D11和D21,如图8(a)、图8(b)、图8(c)所示,d11与D11的差的绝对值明显小于d11与D21的差的绝对值,若预设阈值为0.5mm,则历史医学影像中与第一异常淋巴结与当前医学影像中的第一异常淋巴结相匹配。
在通过上述方式确定历史医学影像中存在与当前医学影像中的异常淋巴结匹配的异常淋巴结后,执行步骤S13,显示历史切面影像。所述历史切面影像包括对匹配的异常淋巴结沿所述预设方向切分时的最大切面。
参见图10,图10为本发明实施例的历史切面影像的示意图,图10中,当前切面影像和历史切面影像位于同一显示界面,当前切面影像中包括第一当前异常淋巴结,历史切面影像中包括第一历史异常淋巴结,第一历史异常淋巴结为与所述第一当前异常淋巴结匹配的异常淋巴结。历史切面影像中包括了对所述第一历史异常淋巴结沿与冠状面垂直的方向切分时的最大切面,也即在对包含了第一历史异常淋巴结的历史医学影像沿与冠状面垂直的方向进行切分时,取切分获得的断面影像中包含了第一历史异常淋巴结的最大断面的历史断面影像作为当前的历史切面影像。
图10中,当前切面影像中仅包括一个异常淋巴结,若当前切面影像中至少包括两个异常淋巴结,本实施例的医学影像的显示方法还包括:
确定对所述当前医学影像中的各异常淋巴结沿所述预设方向切分时最大切面所在的各切面影像;
确定各切面影像中与所述当前切面影像距离最近的切面影像,并确定该切面影像中包括的异常淋巴结为所述当前医学影像中待匹配的异常淋巴结;
所述确定历史医学影像中是否存在与所述当前医学影像中的异常淋巴结匹配的异常淋巴结是指确定所述历史医学影像中是否存在与所述当前医学影像中待匹配的异常淋巴结匹配的异常淋巴结。
本实施例中,以与冠状面垂直的方向为预设方向为例进行说明,对所述当前医学影像沿预设方向进行切分,即获得所述当前医学影像的多张横断面影像,在这多张横断面影像中,存在包括各异常淋巴结断面的断面影像,而这些断面影像中必然存在一张断面影像,在这张断面影像中包括了至少一个异常淋巴结的最大横断面。对于当前医学影像中的每一个异常淋巴结而言,均存在与该异常淋巴结对于对应的一张横断面影像,且在这张横断面影像中包括了该异常淋巴结的最大横断面。
确定各横断面影像中与当前横断面影像距离最近的横断面影像,由上述可知,各个异常淋巴结均具有与其对应的横断面影像,每一张横断面影像与当前横断面影像具有一定的距离,举例来说,若第一异常淋巴结对应的横断面影像为第91层的横断面影像,第二异常淋巴结对应的横断面影像为第98层的横断面影像,第三异常淋巴结对应的横断面影像为第85层的横断面影像,当前横断面影像的层数为第95层,若切分时为等距离切分,则第二异常淋巴结对应的第98层的横断面影像为与当前横断面影像距离最近的断面影像,故,将第二异常淋巴结作为当前医学影像中待匹配的异常淋巴结。
因此,在确定历史医学影像中是否存在与所述当前医学影像中的异常淋巴结匹配的异常淋巴结时,是指确定所述历史医学影像中是否存在与上述确定的当前医学影像中待匹配的异常淋巴结匹配的异常淋巴结,也即确定历史医学影像中是否存在与第二异常淋巴结匹配的淋巴结,若存在,则显示历史切面影像,该历史切面影像中包括了与第二异常淋巴结匹配的异常淋巴结的最大横断面。
本实施例中,还包括显示当前异常淋巴结列表,所述当前异常淋巴结列表是指当前医学影像中的异常淋巴结的列表,所述当前异常淋巴结列表包括:异常淋巴结的位置、大小及相对于匹配的历史医学影像中的异常淋巴结,该异常淋巴结的变化信息。参见图11,图11为本发明实施例的异常淋巴结列表的界面示意图,图11中,给出了异常淋巴结的位置,如在断面影像的第6层有两个异常淋巴结,其中一个位于上支气管旁区或者2R区,另一个位于其他区,相对于历史影像而言,当前医学影像中的一个异常淋巴结存在与其匹配的异常淋巴结,因此该异常淋巴结的变化信息为增大,而当前医学影像中的另一个异常淋巴结不存在与其匹配的异常淋巴结,因此,该异常淋巴结为新增的异常淋巴结。本实施例中,还可以通过标识的方式来表征异常淋巴结状态的变化,如当当前医学影像中异常淋巴结的体积为增大时,可以采用向上的红色箭头来标识异常淋巴结的体积增大;当当前医学影像中异常淋巴结的体积为减小时,可以采用向下的绿色箭头来标识异常淋巴结的体积减小。
本实施例中,响应于第二操作,显示当前异常淋巴结列表中异常淋巴结的当前切面影像及与当前异常淋巴结列表中的异常淋巴结匹配的历史医学影像中的异常淋巴结的历史切面影像。所述第二操作为触发显示当前异常淋巴结列表中的某一异常淋巴结的当前切面影像和与其对应的历史切面影像的操作,如选中当前异常淋巴结列表中的某一异常淋巴结。
本实施例中,还包括显示历史异常淋巴结列表,所述历史异常淋巴结列表是指历史医学影像中的异常淋巴结的列表,同样地,所述历史异常淋巴结列表包括:异常淋巴结的位置及大小,异常淋巴结位于所述历史医学影像的第79层,大小为5×3mm。相应地,本实施例中,还包括响应于第三操作,显示历史异常淋巴结列表中异常淋巴结的历史切面影像及与历史异常淋巴结列表中的异常淋巴结匹配的当前医学影像中的异常淋巴结的当前切面影像。所述第三操作为触发显示历史异常淋巴结列表中的某一异常淋巴结的历史切面影像和与其对应的当前切面影像的操作,如选中历史异常淋巴结列表中的某一异常淋巴结。
本实施例中,还包括:显示匹配信息,所述匹配信息包括相匹配的当前医学影像中的异常淋巴结和历史医学影像中的异常淋巴结的位置、大小以及变化状态。参见图12,图12为本发明实施例的匹配信息显示于显示界面的示意图,图12中,示出了历史切面影像中位于第79层断面影像、上支气管旁区/2R的大小为5×3mm的异常淋巴结与当前切面影像中位于第51层断面影像、上支气管旁区/2R的大小为7×2mm的异常淋巴结匹配,且相对于历史医学影像中的异常淋巴结而言,当前医学影像中与其匹配的异常淋巴结的大小呈减小的趋势。
本实施例中,还包括显示异常淋巴结的汇总信息,所述汇总信息基于所述当前医学影像或历史医学影像中异常淋巴结的状态信息获得。继续参见图12,图12中给出了异常淋巴结的汇总信息,具体地,可以通过点击异常淋巴结汇总栏中的新增、消失、增大、减小等控件来选中相应的异常淋巴结。如,用鼠标点击“增大”控件时,异常淋巴结列表中仅列出该异常淋巴结相对于历史医学影像中与其匹配的异常淋巴结是增大的异常淋巴结的列表。采用异常淋巴结汇总栏来对异常淋巴结列表进行显示,有助于医生快速聚焦在其感兴趣的异常淋巴结。
本发明的技术方案,由于先对当前医学影像中的异常淋巴结和历史医学影像中的异常淋巴结进行了匹配,且在确定历史医学影像中存在匹配的异常淋巴结后,显示历史切面影像,使得医生无需再通过人工的方式对异常淋巴结进行匹配,提高了医生的体验度。另外,由于在显示界面显示了历史切面影像,因而使得医生可以在同一个显示界面同时看到当前切面影像和历史切面影像,无需再通过反复查看历史影像来对匹配后的异常淋巴结的变化状态进行查看,提高了医生的阅片效率。另外,由于无需再通过人工的方式对不同时期的异常淋巴结进行匹配,因此在一定程度上也提高了诊断的效率和诊断的准确度。
本发明还提供一种医学影像的显示装置,包括:
第一显示单元,用于响应于第一操作,显示当前切面影像,所述当前切面影像中包括异常淋巴结,所述当前切面影像为沿预设方向切分当前医学影像获得;
确定单元,用于确定历史医学影像中是否存在与所述当前医学影像中的异常淋巴结匹配的异常淋巴结,所述历史医学影像与所述当前医学影像为不同时间同一受检者同一部位的影像;
第二显示单元,用于在所述确定单元确定历史医学影像中存在与所述当前医学影像中的异常淋巴结匹配的异常淋巴结时,显示历史切面影像。
本实施例的医学影像的显示装置的实施可以参见上述的医学影像的显示方法的实施,此处不再赘述。
基于同一发明构思,本发明实施例还提供了一种计算设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行上述医学影像的显示方法。
基于同一发明构思,本发明实施例还提供了一种计算机可读非易失性存储介质,包括计算机可读指令,当计算机读取并执行所述计算机可读指令时,使得计算机执行上述医学影像的显示方法。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种医学影像的显示方法,其特征在于,包括:
响应于第一操作,显示当前切面影像,所述当前切面影像中包括异常淋巴结,所述当前切面影像为沿预设方向切分当前医学影像获得;
确定历史医学影像中是否存在与所述当前医学影像中的异常淋巴结匹配的异常淋巴结,其中,所述历史医学影像与所述当前医学影像为不同时间同一受检者同一部位的影像;
若存在,则显示历史切面影像,所述历史切面影像包括对匹配的异常淋巴结沿所述预设方向切分时的最大切面;
所述当前切面影像中至少包括两个异常淋巴结,所述方法还包括:
确定对所述当前医学影像中的各异常淋巴结沿所述预设方向切分时最大切面所在的各切面影像;
确定各切面影像中与所述当前切面影像层数距离最近的切面影像,并确定该切面影像中包括的异常淋巴结为所述当前医学影像中待匹配的异常淋巴结;
所述确定历史医学影像中是否存在与所述当前医学影像中的异常淋巴结匹配的异常淋巴结是指确定所述历史医学影像中是否存在与所述当前医学影像中待匹配的异常淋巴结匹配的异常淋巴结。
2.如权利要求1所述的方法,其特征在于,还包括,
显示当前异常淋巴结列表,所述当前异常淋巴结列表是指当前医学影像中的异常淋巴结的列表,所述当前异常淋巴结列表包括:异常淋巴结的位置、大小及相对于匹配的历史医学影像中的异常淋巴结,该异常淋巴结的变化信息。
3.如权利要求2所述的方法,其特征在于,还包括响应于第二操作,显示当前异常淋巴结列表中异常淋巴结的当前切面影像及与当前异常淋巴结列表中的异常淋巴结匹配的历史医学影像中的异常淋巴结的历史切面影像。
4.如权利要求1~3任一项所述的方法,其特征在于,还包括:
显示历史异常淋巴结列表,所述历史异常淋巴结列表是指历史医学影像中的异常淋巴结的列表,所述历史异常淋巴结列表包括:异常淋巴结的位置及大小。
5.如权利要求4所述的方法,其特征在于,还包括响应于第三操作,显示历史异常淋巴结列表中异常淋巴结的历史切面影像及与历史异常淋巴结列表中的异常淋巴结匹配的当前医学影像中的异常淋巴结的当前切面影像。
6.如权利要求1所述的方法,其特征在于,还包括:
显示匹配信息,所述匹配信息包括相匹配的当前医学影像中的异常淋巴结和历史医学影像中的异常淋巴结的位置、大小以及变化状态。
7.如权利要求6所述的方法,其特征在于,还包括:
显示异常淋巴结的汇总信息,所述汇总信息基于所述当前医学影像或历史医学影像中异常淋巴结的状态信息获得。
8.一种医学影像的显示装置,其特征在于,包括:
第一显示单元,用于响应于第一操作,显示当前切面影像,所述当前切面影像中包括异常淋巴结,所述当前切面影像为沿预设方向切分当前医学影像获得;
确定单元,用于确定历史医学影像中是否存在与所述当前医学影像中的异常淋巴结匹配的异常淋巴结,所述历史医学影像与所述当前医学影像为不同时间同一受检者同一部位的影像;
第二显示单元,用于在所述确定单元确定历史医学影像中存在与所述当前医学影像中的异常淋巴结匹配的异常淋巴结时,显示历史切面影像,所述历史切面影像包括对匹配的异常淋巴结沿所述预设方向切分时的最大切面,第一显示单元还用于当所述当前切面影像中至少包括两个异常淋巴结时执行以下步骤:
确定对所述当前医学影像中的各异常淋巴结沿所述预设方向切分时最大切面所在的各切面影像;
确定各切面影像中与所述当前切面影像层数距离最近的切面影像,并确定该切面影像中包括的异常淋巴结为所述当前医学影像中待匹配的异常淋巴结;
所述确定历史医学影像中是否存在与所述当前医学影像中的异常淋巴结匹配的异常淋巴结是指确定所述历史医学影像中是否存在与所述当前医学影像中待匹配的异常淋巴结匹配的异常淋巴结。
9.一种计算机可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行一种医学影像的显示方法,所述方法包括:
权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010249051.3A CN111583177B (zh) | 2020-03-31 | 2020-03-31 | 一种医学影像的显示方法及装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010249051.3A CN111583177B (zh) | 2020-03-31 | 2020-03-31 | 一种医学影像的显示方法及装置、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111583177A CN111583177A (zh) | 2020-08-25 |
CN111583177B true CN111583177B (zh) | 2023-08-04 |
Family
ID=72117425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010249051.3A Active CN111583177B (zh) | 2020-03-31 | 2020-03-31 | 一种医学影像的显示方法及装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111583177B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934807A (zh) * | 2015-12-31 | 2017-07-07 | 深圳迈瑞生物医疗电子股份有限公司 | 一种医学影像分析方法、系统及医疗设备 |
CN107578808A (zh) * | 2017-09-06 | 2018-01-12 | 上海联影医疗科技有限公司 | 基于医疗云系统的影像数据分析方法、云系统及云服务器 |
CN107595390A (zh) * | 2017-10-19 | 2018-01-19 | 青岛大学附属医院 | 一种超声影像与ct影像的实时匹配融合方法 |
CN109223018A (zh) * | 2018-09-18 | 2019-01-18 | 包头市中心医院(内蒙古自治区脑血管病研究所) | 一种人工智能心脏ct自动化诊断系统 |
CN110021025A (zh) * | 2019-03-29 | 2019-07-16 | 上海联影智能医疗科技有限公司 | 感兴趣区域的匹配和显示方法、装置、设备及存储介质 |
CN110533656A (zh) * | 2019-08-30 | 2019-12-03 | 杭州依图医疗技术有限公司 | 一种确定纵隔淋巴结所在分区的方法及装置 |
CN110599476A (zh) * | 2019-09-12 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 基于机器学习的疾病分级方法、装置、设备及介质 |
CN110853743A (zh) * | 2019-11-15 | 2020-02-28 | 杭州依图医疗技术有限公司 | 医学影像的显示方法、信息处理方法及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7804990B2 (en) * | 2006-01-25 | 2010-09-28 | Siemens Medical Solutions Usa, Inc. | System and method for labeling and identifying lymph nodes in medical images |
JP6448356B2 (ja) * | 2014-12-22 | 2019-01-09 | キヤノン株式会社 | 画像処理装置、画像処理方法、画像処理システム、及びプログラム |
-
2020
- 2020-03-31 CN CN202010249051.3A patent/CN111583177B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934807A (zh) * | 2015-12-31 | 2017-07-07 | 深圳迈瑞生物医疗电子股份有限公司 | 一种医学影像分析方法、系统及医疗设备 |
CN107578808A (zh) * | 2017-09-06 | 2018-01-12 | 上海联影医疗科技有限公司 | 基于医疗云系统的影像数据分析方法、云系统及云服务器 |
CN107595390A (zh) * | 2017-10-19 | 2018-01-19 | 青岛大学附属医院 | 一种超声影像与ct影像的实时匹配融合方法 |
CN109223018A (zh) * | 2018-09-18 | 2019-01-18 | 包头市中心医院(内蒙古自治区脑血管病研究所) | 一种人工智能心脏ct自动化诊断系统 |
CN110021025A (zh) * | 2019-03-29 | 2019-07-16 | 上海联影智能医疗科技有限公司 | 感兴趣区域的匹配和显示方法、装置、设备及存储介质 |
CN110533656A (zh) * | 2019-08-30 | 2019-12-03 | 杭州依图医疗技术有限公司 | 一种确定纵隔淋巴结所在分区的方法及装置 |
CN110599476A (zh) * | 2019-09-12 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 基于机器学习的疾病分级方法、装置、设备及介质 |
CN110853743A (zh) * | 2019-11-15 | 2020-02-28 | 杭州依图医疗技术有限公司 | 医学影像的显示方法、信息处理方法及存储介质 |
Non-Patent Citations (1)
Title |
---|
甲状腺良恶性结节的超声增强显像特征与微血管密度的相关性研究;陈萍;医药卫生科技;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111583177A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10650518B2 (en) | Computer aided diagnosis (CAD) apparatus and method | |
US10206646B2 (en) | Method and system for extracting centerline representation of vascular structures in medical images via optimal paths in computational flow fields | |
US9990712B2 (en) | Organ detection and segmentation | |
US10111713B2 (en) | Surgery assistance apparatus, surgery assistance method and non-transitory computer-readable recording medium having stored therein surgery assistance program | |
CN110533656B (zh) | 一种确定纵隔淋巴结所在分区的方法及装置 | |
JP5478171B2 (ja) | 冠動脈画像データの分類のための方法及び装置 | |
JP4914517B2 (ja) | 構造物検出装置および方法ならびにプログラム | |
Sarker et al. | Segmentation and classification of lung tumor from 3D CT image using K-means clustering algorithm | |
CN111553883A (zh) | 一种医学影像的处理方法及装置、计算机设备及存储介质 | |
CN111161241A (zh) | 一种肝脏图像识别方法、电子设备及存储介质 | |
CN110738652A (zh) | 一种肺部动静脉分离方法及装置 | |
KR101625955B1 (ko) | 장기의 동맥 및 정맥의 구분 방법 | |
JP2011250811A (ja) | 医用画像処理装置及びプログラム | |
US9336458B2 (en) | Image processing device, method and program | |
CN111583177B (zh) | 一种医学影像的显示方法及装置、存储介质 | |
CN112381779A (zh) | 肺癌tnm分期获取方法、装置及显示方法 | |
CN112308820B (zh) | 一种肋骨定位方法及装置、计算机设备及存储介质 | |
CN111951309B (zh) | 一种淋巴结配准方法及装置、计算机设备及存储介质 | |
Zhu et al. | A novel lung cancer detection algorithm for CADs based on SSP and Level Set | |
CN110599482B (zh) | 肺裂曲面确定方法、装置、电子设备和存储介质 | |
Thomaz et al. | Non-deterministic optimization using differential evolution algorithm to launch seeds for liver segmentation in MDCT | |
CN111626980A (zh) | 一种医学影像的显示方法及装置、计算设备及存储介质 | |
CN112308821B (zh) | 一种椎骨检测方法及计算机设备 | |
Fiori et al. | A complete system for polyps flagging in virtual colonoscopy | |
Tjahyaningtijas et al. | Identification of Pulmonary Lung Nodules Ce ntroid on CT Scans Using Moment Analysis |
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 |