CN111667460A - Mri影像处理系统、方法、设备及介质 - Google Patents
Mri影像处理系统、方法、设备及介质 Download PDFInfo
- Publication number
- CN111667460A CN111667460A CN202010362538.2A CN202010362538A CN111667460A CN 111667460 A CN111667460 A CN 111667460A CN 202010362538 A CN202010362538 A CN 202010362538A CN 111667460 A CN111667460 A CN 111667460A
- Authority
- CN
- China
- Prior art keywords
- vector
- texture feature
- mri image
- fusion
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 128
- 230000004927 fusion Effects 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000007499 fusion processing Methods 0.000 claims abstract description 8
- 210000003240 portal vein Anatomy 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 20
- 238000003672 processing method Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 230000009545 invasion Effects 0.000 abstract description 16
- 238000002595 magnetic resonance imaging Methods 0.000 description 56
- 238000005516 engineering process Methods 0.000 description 8
- 238000012216 screening Methods 0.000 description 8
- 206010028980 Neoplasm Diseases 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 206010073071 hepatocellular carcinoma Diseases 0.000 description 6
- 231100000844 hepatocellular carcinoma Toxicity 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 208000014018 liver neoplasm Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 201000007270 liver cancer Diseases 0.000 description 4
- 238000001574 biopsy Methods 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 210000004088 microvessel Anatomy 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010011732 Cyst Diseases 0.000 description 1
- 238000012752 Hepatectomy Methods 0.000 description 1
- 206010064390 Tumour invasion Diseases 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009400 cancer invasion Effects 0.000 description 1
- 208000019425 cirrhosis of liver Diseases 0.000 description 1
- 208000031513 cyst Diseases 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000002989 hepatic vein Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种MRI影像处理系统、方法、设备及介质,系统包括:影像获取模块,用于获取MRI影像;预处理模块,用于对MRI影像预处理,分离得到平扫期影像和门脉期影像,并标注病灶区域;特征提取模块,用于对进行病灶区域的纹理特征提取,得到平扫期纹理特征向量和门脉期纹理特征向量;多阶段特征分析模块,用于对平扫期纹理特征向量和门脉期纹理特征向量进行分析,得到多阶段纹理特征差异向量;融合分析模块,用于对平扫期纹理特征向量和多阶段纹理特征差异向量进行融合处理,得到融合向量,并对所述融合向量进行分类,得到分类结果;输出模块,用于输出分类结果。本发明能够提高微血管入侵的预测准确率,降低对医生的依赖性。
Description
技术领域
本发明涉及医学影像处理技术领域,具体地,涉及一种MRI影像处理系统、方法、设备及介质。
背景技术
根据全球癌症统计数据,肝癌在新发癌症病例中位列第7,在癌症致死病例中位列第3,对于人类健康造成了巨大的威胁。在肝癌中最常见的是肝细胞癌(Hepato CellularCarcinoma,HCC),约占肝癌总病例的80%。虽然肝切除技术的发展,使得肝细胞癌患者的生存率有所提高,但肝硬化、门静脉和肝静脉中的肿瘤入侵、微血管入侵等并发病症限制了许多治疗方式的使用,导致肝细胞癌术后的复发风险增加,使得肝细胞癌患者的长期生存率仍不容乐观。因此,在对肝细胞癌患者进行治疗时,需要评估诸如肿瘤大小、包囊肿瘤等病理指标,从而有针对性的定制诊疗方案。
在各项病理指标中,微血管入侵(Microvascular Invasion,MVI)是关键性指标之一,多项研究表明MVI的存在情况与患者的生存期和术后复发情况有着密切的联系。现有的MVI检测采取活体组织切片(biopsy)来对病灶进行病理学的诊断,这对于病人而言是有创伤。除此以外,有限的采样区域的活检无法反映肿瘤整体的性质。随着影像技术的发展,磁共振图像(Magnetic Resonance Imaging,MRI)成像技术迅速发展,这使得部分医生转而通过影像学参数判断MVI的存在。相对于活检,MRI影像技术具有如下优点:非入侵无创伤;成像速度快、分辨率高;全方位呈现肿瘤信息。因此,基于MRI影像判断MVI是否存在,一方面可以降低对病人的创伤,另一方面可以提高判断的准确度。但是,目前通常利用MRI影像对是否存在MVI进行人工判断处理,导致其高度依赖医生的医学图像分析能力,使得该技术局限于少量经验丰富的放射科医生。
发明内容
鉴于以上问题,本发明的目的是提供一种MRI影像处理系统、方法、设备及介质,以解决对MRI影像进行人工判断处理,导致其高度依赖医生的医学图像分析能力的问题。
为了实现上述目的,本发明的第一个方面是提供一种MRI影像处理系统,包括:
影像获取模块,用于获取MRI影像;
预处理模块,用于对获取的MRI影像进行预处理,分离得到平扫期影像和门脉期影像,并标注所述MRI影像中的病灶区域;
特征提取模块,用于对所述平扫期影像和所述门脉期影像进行病灶区域的纹理特征提取,得到平扫期纹理特征向量和门脉期纹理特征向量;
多阶段特征分析模块,用于对所述平扫期纹理特征向量和所述门脉期纹理特征向量进行分析,得到多阶段纹理特征差异向量;
融合分析模块,用于对所述平扫期纹理特征向量和所述多阶段纹理特征差异向量进行融合处理,得到融合向量,并将所述融合向量输入分类器中,对所述融合向量进行分类,得到分类结果;
输出模块,用于输出所述融合向量的分类结果。
优选地,还包括预训练模块,用于对纹理特征组合方式进行预训练。
优选地,所述预训练模块包括第一筛选单元和第二筛选单元,所述第一筛选单元用于获取平扫期影像和门脉期影像的纹理特征组合方式,所述第二筛选单元用于获取平扫期影像的纹理特征向量和多阶段纹理特征差异向量的纹理特征组合方式。
优选地,还包括显示模块,用于显示所述分类结果。
优选地,所述多阶段特征分析模块通过对所述平扫期纹理特征向量和所述门脉期纹理特征向量做差,得到多阶段纹理特征差异向量。
优选地,所述融合分析模块以SVM算法作为分类器。
为了实现上述目的,本发明的第二个方面是提供一种MRI影像处理方法,包括:
获取MRI影像;
对获取的MRI影像进行预处理,分离得到平扫期影像和门脉期影像,并标注所述MRI影像中的病灶区域;
对所述平扫期影像和所述门脉期影像进行病灶区域的纹理特征提取,得到平扫期纹理特征向量和门脉期纹理特征向量;
对所述平扫期纹理特征向量和所述门脉期纹理特征向量进行分析,得到多阶段纹理特征差异向量;
对所述平扫期纹理特征向量和所述多阶段纹理特征差异向量进行融合处理,得到融合向量,并将所述融合向量输入分类器中,对所述融合向量进行分类,得到分类结果;
输出所述融合向量的分类结果。
优选地,还包括:对纹理特征组合方式进行预训练,获取平扫期影像和门脉期影像的纹理特征组合方式,以及平扫期影像的纹理特征向量和多阶段纹理特征差异向量的纹理特征组合方式。
为了实现上述目的,本发明的第三个方面是提供一种电子设备,所述电子设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的MRI影像处理方法。
为了实现上述目的,本发明的第四个方面是提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的MRI影像处理方法。
与现有技术相比,本发明具有以下优点和有益效果:
本发明通过对MRI影像提取平扫期纹理特征和门脉期纹理特征,并对平扫期纹理特征和门脉期纹理特征进行多阶段特征分析后,再将分析结果与平扫期纹理特征进行融合分析,得到分类结果,通过分类结果辅助医生判断微血管入侵是否存在。利用计算机辅助技术,降低了对医生的医学图像分析能力的依赖性,并提升了判断准确率,为医生提供参考。
附图说明
图1是本发明一实施例提供的MRI影像处理方法的流程示意图;
图2是本发明一实施例提供的MRI影像处理系统的功能模块图;
图3是本发明一实施例提供的MRI影像处理方法的电子设备的结构示意图。
具体实施方式
下面将参考附图来描述本发明所述的实施例。本领域的普通技术人员可以认识到,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式或其组合对所描述的实施例进行修正。因此,附图和描述在本质上是说明性的,而不是用于限制权利要求的保护范围。此外,在本说明书中,附图未按比例画出,并且相同的附图标记表示相同的部分。
本发明提供一种MRI影像处理方法。参照图1所示,为本发明一实施例提供的MRI影像处理方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,MRI影像处理方法包括:
获取MRI影像;对获取的MRI影像进行预处理,分离得到平扫期影像和门脉期影像,并标注所述MRI影像中的病灶区域,得到病灶区域图像;对所述平扫期影像和所述门脉期影像进行病灶区域的纹理特征提取,得到平扫期纹理特征向量和门脉期纹理特征向量;对所述平扫期纹理特征向量和所述门脉期纹理特征向量进行分析,得到多阶段纹理特征差异向量;对所述平扫期纹理特征向量和所述多阶段纹理特征差异向量进行融合处理,得到融合向量,并将所述融合向量输入分类器中,对所述融合向量进行分类,得到分类结果;输出所述融合向量的分类结果,通过分类结果预测是否存在微血管入侵,若分类结果呈阳性,则表明所述MRI影像的病灶区域存在微血管入侵,若分类结果呈阴性,则表明所述MRI影像的病灶区域不存在微血管入侵。
对获取的MRI影像预处理时,通过遍历MRI影像DICOM头部信息,分离不同期影像,得到平扫期影像和门脉期影像;通过带有标注信息的.nii格式文件,获取病灶位置并保存。
微血管入侵的形成会导致血液流速减缓,在肝癌“快进快出”特征中体现为门静脉期快出延迟,有额外亮度区域。由于微血管入侵大量重复出现,组织特征形成纹理特征。在一个实施例中,对所述平扫期影像和所述门脉期影像进行病灶区域的纹理特征提取时,采用邻域灰度差分矩阵(neighborhood gray level difference matrix,NGLDM)进行纹理特征提取。
在一个实施例中,通过对所述平扫期纹理特征向量和所述门脉期纹理特征向量做差,得到多阶段纹理特征差异向量。
在一个实施例中,所述MRI影像处理方法还包括:对纹理特征组合方式进行预训练,获取平扫期影像和门脉期影像的纹理特征组合方式,以及平扫期影像的纹理特征向量和多阶段纹理特征差异向量的纹理特征组合方式。在获取平扫期纹理特征向量、门脉期纹理特征向量以及融合向量时,均以预训练得到的最佳纹理特征组合方式提取相应的特征进行组合,形成相应的特征向量。其中,预训练得到的平扫期影像的纹理特征组合方式和门脉期影像的纹理特征组合方式相同。
对纹理特征组合方式的预训练分为两个阶段,第一阶段为平扫期影像和门脉期影像的纹理特征组合方式,筛选平扫期影像特征的最佳特征向量组合,第二阶段在第一阶段最佳特征向量组合的基础上加入多阶段纹理特征差异向量,进行纹理特征的最佳组合筛选,得到结合平扫期纹理特征向量和多阶段纹理特征差异向量的最佳纹理特征组合方式,以该组合方式获取融合向量。
以第一阶段筛选平扫期影像的最佳特征向量组合为例进行说明。对于平扫期影像提取到N个特征来说,在筛选过程中,依次计算保留N个、N-1个…1个特征情况下的最优特征组合结果。具体地,获取保留N个特征时的最优特征组合结果后,随机去掉当前特征组合中的任意一个特征,计算分类预测的准确率,以最高准确率对应的特征组合作为保留N-1个特征时的最优特征组合结果。比较N个特征与N-1个特征情况下的最优特征组合结果,若效率损失低于预设参数(默认为5%,也可以是其他设定数值),则继续进行最优特征组合的筛选,否则,停止特征组合方式的筛选,并以当前N个特征情况下的最优特征组合结果作为最佳组合方式,并以该最佳组合方式提取相应的纹理特征。其中,效率损失指使用N个特征的最佳特征组合的分类准确率与N-1个特征的最佳特征组合的分类准确率差值。由于特征数减少,在一定情况下会出现正确率先下降再上升的情况,因此在损失可接受的情况下,应当认为特征更少的判断方法是更优的组合。
对纹理特征组合方式进行预训练时,以分类结果的准确率作为训练的收敛指标,当分类结果的准确率小于预设准确率时,则继续训练,当分类结果的准确率大于或等于预设准确率时,则结束训练,获取最佳的纹理特征组合方式。其中,预设准确率可以是90%以上,例如,95%。
在一个实施例中,以SVM算法作为分类器,对融合向量进行分类,获取呈阴性/阳性的分类结果。
需要说明的是,本发明中使用的分类器不限于SVM算法的分类器,也可以是其他分类器。
本发明通过对MRI影像提取平扫期纹理特征和门脉期纹理特征,并对平扫期纹理特征和门脉期纹理特征进行多阶段特征分析后,再将分析结果与平扫期纹理特征进行融合分析,得到分类结果,通过分类结果辅助医生判断微血管入侵是否存在。利用计算机辅助技术,降低了对医生的医学图像分析能力的依赖性,并提升了判断准确率,为医生提供参考。并且,本发明将计算机辅助技术应用于微血管入侵的判断预测中,便于无创医疗的发展。
如图2所示,是本发明MRI影像处理系统的功能模块图。
本发明所述MRI影像处理系统100可以安装于电子设备中。根据实现的功能,所述MRI影像处理系统可以包括影像获取模块101、预处理模块102、特征提取模块103、多阶段特征分析模块104、融合分析模块105和输出模块106。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
影像获取模块101用于获取MRI影像;
预处理模块102用于对获取的MRI影像进行预处理,分离得到平扫期影像和门脉期影像,并标注所述MRI影像中的病灶区域;
特征提取模块103用于对所述平扫期影像和所述门脉期影像进行病灶区域的纹理特征提取,得到平扫期纹理特征向量和门脉期纹理特征向量;
多阶段特征分析模块104用于对所述平扫期纹理特征向量和所述门脉期纹理特征向量进行分析,得到多阶段纹理特征差异向量;
融合分析模块105用于对所述平扫期纹理特征向量和所述多阶段纹理特征差异向量进行融合处理,得到融合向量,并将所述融合向量输入分类器中,对所述融合向量进行分类,得到分类结果;
输出模块106用于输出所述融合向量的分类结果,通过分类结果预测是否存在微血管入侵,若分类结果呈阳性,则表明所述MRI影像的病灶区域存在微血管入侵,若分类结果呈阴性,则表明所述MRI影像的病灶区域不存在微血管入侵。
对获取的MRI影像预处理时,通过遍历MRI影像DICOM头部信息,分离不同期影像,得到平扫期影像和门脉期影像;通过带有标注信息的.nii格式文件,获取病灶位置并保存。
微血管入侵的形成会导致血液流速减缓,在肝癌“快进快出”特征中体现为门静脉期快出延迟,有额外亮度区域。由于微血管入侵大量重复出现,组织特征形成纹理特征。在一个实施例中,对所述平扫期影像和所述门脉期影像进行病灶区域的纹理特征提取时,采用邻域灰度差分矩阵(neighborhood gray level difference matrix,NGLDM)进行纹理特征提取。
在一个实施例中,通过对所述平扫期纹理特征向量和所述门脉期纹理特征向量做差,得到多阶段纹理特征差异向量。
在一个实施例中,MRI影像处理系统还包括预训练模块,用于对纹理特征组合方式进行预训练,获取平扫期影像和门脉期影像的纹理特征组合方式,以及平扫期影像的纹理特征向量和多阶段纹理特征差异向量的纹理特征组合方式。在获取平扫期纹理特征向量、门脉期纹理特征向量以及融合向量时,均以预训练得到的最佳纹理特征组合方式提取相应的特征进行组合,形成相应的特征向量。其中,预训练得到的平扫期影像的纹理特征组合方式和门脉期影像的纹理特征组合方式相同。
进一步地,所述预训练模块包括第一筛选单元和第二筛选单元,所述第一筛选单元用于获取平扫期影像和门脉期影像的纹理特征组合方式,所述第二筛选单元用于在平扫期影像纹理特征组合方式的基础上,获取平扫期影像的纹理特征向量和多阶段纹理特征差异向量的纹理特征组合方式。
对纹理特征组合方式进行预训练时,以分类结果的准确率作为训练的收敛指标,当分类结果的准确率小于预设准确率时,则继续训练,当分类结果的准确率大于或等于预设准确率时,则结束训练,获取最佳的纹理特征组合方式。其中,预设准确率可以是90%以上,例如,95%。
在一个实施例中,所述融合分析模块以SVM算法作为分类器,对融合向量进行分类,获取呈阴性/阳性的分类结果。
在一个实施例中,MRI影像处理系统还包括显示模块,用于显示所述分类结果。
如图3所示,是本发明实现MRI影像处理方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如MRI影像处理程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如MRI影像处理程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如MRI影像处理程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的MRI影像处理程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取MRI影像;
对获取的MRI影像进行预处理,分离得到平扫期影像和门脉期影像,并标注所述MRI影像中的病灶区域;
对所述平扫期影像和所述门脉期影像进行病灶区域的纹理特征提取,得到平扫期纹理特征向量和门脉期纹理特征向量;
对所述平扫期纹理特征向量和所述门脉期纹理特征向量进行分析,得到多阶段纹理特征差异向量;
对所述平扫期纹理特征向量和所述多阶段纹理特征差异向量进行融合处理,得到融合向量,并将所述融合向量输入分类器中,对所述融合向量进行分类,得到分类结果;
输出所述融合向量的分类结果。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种MRI影像处理系统,其特征在于,包括:
影像获取模块,用于获取MRI影像;
预处理模块,用于对获取的MRI影像进行预处理,分离得到平扫期影像和门脉期影像,并标注所述MRI影像中的病灶区域;
特征提取模块,用于对所述平扫期影像和所述门脉期影像进行病灶区域的纹理特征提取,得到平扫期纹理特征向量和门脉期纹理特征向量;
多阶段特征分析模块,用于对所述平扫期纹理特征向量和所述门脉期纹理特征向量进行分析,得到多阶段纹理特征差异向量;
融合分析模块,用于对所述平扫期纹理特征向量和所述多阶段纹理特征差异向量进行融合处理,得到融合向量,并将所述融合向量输入分类器中,对所述融合向量进行分类,得到分类结果;
输出模块,用于输出所述融合向量的分类结果。
2.根据权利要求1所述的MRI影像处理系统,其特征在于,还包括预训练模块,用于对纹理特征组合方式进行预训练。
3.根据权利要求2所述的MRI影像处理系统,其特征在于,所述预训练模块包括第一筛选单元和第二筛选单元,所述第一筛选单元用于获取平扫期影像和门脉期影像的纹理特征组合方式,所述第二筛选单元用于获取平扫期影像的纹理特征向量和多阶段纹理特征差异向量的纹理特征组合方式。
4.根据权利要求1所述的MRI影像处理系统,其特征在于,还包括显示模块,用于显示所述分类结果。
5.根据权利要求1所述的MRI影像处理系统,其特征在于,所述多阶段特征分析模块通过对所述平扫期纹理特征向量和所述门脉期纹理特征向量做差,得到多阶段纹理特征差异向量。
6.根据权利要求1所述的MRI影像处理系统,其特征在于,所述融合分析模块以SVM算法作为分类器。
7.一种MRI影像处理方法,其特征在于,包括:
获取MRI影像;
对获取的MRI影像进行预处理,分离得到平扫期影像和门脉期影像,并标注所述MRI影像中的病灶区域;
对所述平扫期影像和所述门脉期影像进行病灶区域的纹理特征提取,得到平扫期纹理特征向量和门脉期纹理特征向量;
对所述平扫期纹理特征向量和所述门脉期纹理特征向量进行分析,得到多阶段纹理特征差异向量;
对所述平扫期纹理特征向量和所述多阶段纹理特征差异向量进行融合处理,得到融合向量,并将所述融合向量输入分类器中,对所述融合向量进行分类,得到分类结果;
输出所述融合向量的分类结果。
8.根据权利要求7所述的MRI影像处理方法,其特征在于,还包括:对纹理特征组合方式进行预训练,获取平扫期影像和门脉期影像的纹理特征组合方式,以及平扫期影像的纹理特征向量和多阶段纹理特征差异向量的纹理特征组合方式。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求7至8中任一所述的MRI影像处理方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求7至8中任一所述的MRI影像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010362538.2A CN111667460A (zh) | 2020-04-30 | 2020-04-30 | Mri影像处理系统、方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010362538.2A CN111667460A (zh) | 2020-04-30 | 2020-04-30 | Mri影像处理系统、方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111667460A true CN111667460A (zh) | 2020-09-15 |
Family
ID=72383107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010362538.2A Pending CN111667460A (zh) | 2020-04-30 | 2020-04-30 | Mri影像处理系统、方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667460A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651951A (zh) * | 2020-12-30 | 2021-04-13 | 深圳高性能医疗器械国家研究院有限公司 | 一种基于dce-mri的乳腺癌分级方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500450A (zh) * | 2013-09-30 | 2014-01-08 | 河海大学 | 一种多光谱遥感影像变化检测方法 |
CN105447872A (zh) * | 2015-12-03 | 2016-03-30 | 中山大学 | 一种在超声影像中自动识别肝脏肿瘤类型的方法 |
US20170053090A1 (en) * | 2015-08-18 | 2017-02-23 | Case Western Reserve University | Treatment planning and evaluation for rectal cancer via image analytics |
CN110246109A (zh) * | 2019-05-15 | 2019-09-17 | 清华大学 | 融合ct影像和个性化信息的分析系统、方法、装置及介质 |
CN110570419A (zh) * | 2019-09-12 | 2019-12-13 | 杭州依图医疗技术有限公司 | 特征信息的获取方法、装置和存储介质 |
CN111046742A (zh) * | 2019-11-20 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 一种眼部行为检测方法、装置以及存储介质 |
-
2020
- 2020-04-30 CN CN202010362538.2A patent/CN111667460A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500450A (zh) * | 2013-09-30 | 2014-01-08 | 河海大学 | 一种多光谱遥感影像变化检测方法 |
US20170053090A1 (en) * | 2015-08-18 | 2017-02-23 | Case Western Reserve University | Treatment planning and evaluation for rectal cancer via image analytics |
CN105447872A (zh) * | 2015-12-03 | 2016-03-30 | 中山大学 | 一种在超声影像中自动识别肝脏肿瘤类型的方法 |
CN110246109A (zh) * | 2019-05-15 | 2019-09-17 | 清华大学 | 融合ct影像和个性化信息的分析系统、方法、装置及介质 |
CN110570419A (zh) * | 2019-09-12 | 2019-12-13 | 杭州依图医疗技术有限公司 | 特征信息的获取方法、装置和存储介质 |
CN111046742A (zh) * | 2019-11-20 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 一种眼部行为检测方法、装置以及存储介质 |
Non-Patent Citations (2)
Title |
---|
YU QIN等: "Predicting Microvascular Invasion of Hepatocellular Carcinoma by texture analysis of multi-phase MR image", 《PROCEEDINGS OF THE 12TH INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND COMPUTATIONAL BIOLOGY》 * |
王齐耀: "基于深度学习的医学影像多特征融合分类算法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651951A (zh) * | 2020-12-30 | 2021-04-13 | 深圳高性能医疗器械国家研究院有限公司 | 一种基于dce-mri的乳腺癌分级方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101857624B1 (ko) | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 | |
US8498492B2 (en) | Methods of analyzing a selected region of interest in medical image data | |
Zhou et al. | Automatic detection and classification of focal liver lesions based on deep convolutional neural networks: a preliminary study | |
US8150192B2 (en) | System and method for feature score mapping and visualization of medical images | |
JP5200101B2 (ja) | Ct画像データにおける出血性脳卒中の検出 | |
CN109716445B (zh) | 类似病例图像检索程序、类似病例图像检索装置以及类似病例图像检索方法 | |
US10984530B1 (en) | Enhanced medical images processing method and computing device | |
US20110144482A1 (en) | Image display device and method, as well as program | |
WO2014113786A1 (en) | Quantitative predictors of tumor severity | |
CN111667468A (zh) | 基于神经网络的oct图像病灶检测方法、装置及介质 | |
Tan et al. | Automated vessel segmentation in lung CT and CTA images via deep neural networks | |
CN111986206A (zh) | 基于UNet网络的肺叶分割方法、装置及计算机可读存储介质 | |
US20220246301A1 (en) | Medical machine learning system | |
US20220004838A1 (en) | Machine learning-based automated abnormality detection in medical images and presentation thereof | |
CN110838114A (zh) | 肺结节检测方法、装置及计算机存储介质 | |
CN111667460A (zh) | Mri影像处理系统、方法、设备及介质 | |
CN110738639B (zh) | 医学图像检测结果的展示方法、装置、设备及存储介质 | |
Pal et al. | A fully connected reproducible SE-UResNet for multiorgan chest radiographs segmentation | |
US11978274B2 (en) | Document creation support apparatus, document creation support method, and document creation support program | |
Chandrasekar et al. | Performance and evaluation of data mining techniques in cancer diagnosis | |
CN114334128A (zh) | 基于ct影像的肿瘤演进过程分析方法、系统及存储介质 | |
Liu et al. | TrEnD: A transformer‐based encoder‐decoder model with adaptive patch embedding for mass segmentation in mammograms | |
Su et al. | CAVE: Cerebral Artery-Vein Segmentation in Digital Subtraction Angiography | |
Cai et al. | Two‐dimensional medical image segmentation based on U‐shaped structure | |
CN111696084B (zh) | 细胞图像分割方法、装置、电子设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200915 |