CN111681251B - 组织器官参数确定方法、装置以及计算机设备 - Google Patents
组织器官参数确定方法、装置以及计算机设备 Download PDFInfo
- Publication number
- CN111681251B CN111681251B CN202010477129.7A CN202010477129A CN111681251B CN 111681251 B CN111681251 B CN 111681251B CN 202010477129 A CN202010477129 A CN 202010477129A CN 111681251 B CN111681251 B CN 111681251B
- Authority
- CN
- China
- Prior art keywords
- muscle
- image
- view
- stereoscopic
- tissue
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及一种组织器官参数确定方法、装置以及计算机设备,其中,该组织器官参数确定方法包括:获取扫描对象的扫描视图,所述扫描视图包括第一视图以及第二视图;将所述扫描视图输入组织器官分割网络,得到对应第一视图的第一组织器官分割图像以及对应第二视图的第二组织器官分割图像;根据所述第一组织器官分割图像以及第二组织器官分割图像,得到所述扫描对象的组织器官参数。对扫描视图进行自动化的分割以及计算,得到最终的组织器官参数,减少的人力资源,并且节省了得到组织器官参数的时间,还能够使得到的组织器官参数更加精确。
Description
技术领域
本申请涉及医学成像领域,特别是涉及一种组织器官参数确定方法、装置以及计算机设备。
背景技术
磁共振成像(Magnetic Resonance Imaging,MRI)通过对静磁场中的人体施加某种特定频率的射频脉冲,使人体中的氢质子受到激励而发生磁共振现象。停止脉冲后,质子在弛豫过程中产生MR信号。通过对MR信号的接收、空间编码和图像重建等处理过程的到磁共振图像。在得到磁共振图像之后,通常是需要对磁共振图像进行组织器官分割,其中,器官包括心、肝、肺、胃、肾等,组织包括上皮组织、结缔组织、肌肉组织、神经组织等。
目前的传统技术主要依靠人工手动勾画肌肉组织,医师根据自身的经验去判断肌肉组织的状态,进行肌肉组织参数确定。随着医学影像成像技术的不断发展,成像设备成像速度越来越快,影像累积迅速,费时费力的手动分割模式以及医师经验判断远远不能满足影像科的需求。
发明内容
本申请实施例提供了一种组织器官参数确定方法、装置以及计算机设备,以至少解决相关技术中手动分割模式和医师凭经验进行评估费时费力的问题。
第一方面,本申请实施例提供了一种组织器官参数确定方法,包括:获取扫描对象的扫描视图,所述扫描视图包括第一视图以及第二视图;将所述扫描视图输入组织器官分割网络,得到对应第一视图的第一组织器官分割图像以及对应第二视图的第二组织器官分割图像;根据所述第一组织器官分割图像以及第二组织器官分割图像,得到所述扫描对象的组织器官参数。
在其中一个实施例中,所述将所述扫描视图输入组织器官分割网络,得到对应第一视图的第一组织器官分割图像以及对应第二视图的第二组织器官分割图像包括:所述扫描视图包括第一视图的多角度图像序列以及第二视图的多角度图像序列;将所述第一视图的多角度图像序列输入组织器官分割网络,得到第一肌肉分割图像序列;将所述第二视图的多角度图像序列输入组织器官分割网络,得到第二肌肉分割图像序列。
在其中一个实施例中,所述将所述扫描视图输入组织器官分割网络,得到对应第一视图的第一组织器官分割图像以及对应第二视图的第二组织器官分割图像之后包括:根据第一肌肉分割图像序列,得到第一立体肌肉图像;根据第二肌肉分割图像序列,得到第二立体肌肉图像;分别显示所述第一肌肉分割图像序列、第二肌肉分割图像序列、第一立体肌肉图像以及第二立体肌肉图像。
在其中一个实施例中,所述根据所述第一组织器官分割图像以及第二组织器官分割图像,得到所述扫描对象的组织器官参数包括:根据所述第一立体肌肉图像或第二立体肌肉图像中每个体素点的灰度值以及体素数量,得到体素均值。
在其中一个实施例中,所述方法还包括:根据所述第一立体肌肉图像对应的体素均值以及所述第二立体肌肉图像对应的体素均值,得到脂肪含量。
在其中一个实施例中,所述方法还包括:获取脂肪含量与脂肪含量等级的映射关系;根据所述脂肪含量以及脂肪含量与脂肪含量等级的映射关系,得到扫描对象的脂肪含量等级。
在其中一个实施例中,所述方法还包括:根据所述第一肌肉分割图像序列或第二肌肉分割图像序列中每一张图像的像素数量以及像素间距,得到肌肉面积;根据所述第一立体肌肉图像或第二立体肌肉图像中体素数量、体素间距以及层间距,得到肌肉体积。
在其中一个实施例中,所述方法还包括:根据所述肌肉面积、肌肉体积、脂肪含量以及扫描对象的脂肪含量等级,生成检测报告。
第二方面,本申请实施例提供了一种组织器官参数确定装置,包括:获取模块,用于获取扫描对象的扫描视图,所述扫描视图包括第一视图以及第二视图;组织器官分割模块,用于将所述扫描视图输入组织器官分割网络,得到对应第一视图的第一组织器官分割图像以及对应第二视图的第二组织器官分割图像;组织器官参数计算模块,用于根据所述第一组织器官分割图像以及第二组织器官分割图像,得到所述扫描对象的组织器官参数。
第三方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的组织器官参数确定方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的组织器官参数确定方法。
上述组织器官参数确定方法,通过获取扫描对象的扫描视图,将所述扫描视图输入组织器官分割网络,得到对应第一视图的第一组织器官分割图像以及对应第二视图的第二组织器官分割图像;最后根据该第一组织器官分割图像以及第二组织器官分割图像,得到扫描对象的组织器官参数。对扫描视图进行自动化的分割以及计算,得到最终的组织器官参数,减少人力资源,并且节省了得到组织器官参数的时间,还能够使得到的组织器官参数更加精确。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为一个实施例中组织器官参数确定方法的流程示意图;
图2a为一个实施例中的原始图像;
图2b为一个实施例中的分割结果;
图3为一个实施例中基于组织器官参数进行性肌营养不良症评估的流程图;
图4为一个实施例中组织器官参数确定装置的结构框图;
图5为一个实施例中计算机设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
核磁共振(magnetic resonance,MR)检查,是将人体置于特殊的磁场中,用无线电射频脉冲激发人体内氢原子核,引起氢原子核共振,并吸收能量。在停止射频脉冲后,氢原子核按特定频率发出射电信号,并将吸收的能量释放出来,被体外的接受器收录,经电子计算机处理获得图像,这就叫做核磁共振成像。核磁共振检查彻底摆脱了电离辐射对人体的损害,又有参数多,信息量大,可多方位成像,以及对软组织有高分辨力等突出的特点,被广泛用于临床疾病的诊断,对有些病变成为必不可少的检查方法。
下述实施例以通过磁共振设备获取患者图像,并根据图像对肌肉组织进行分割,最终得到肌肉组织的参数为例进行详细说明。
本实施例还提供了一种组织器官参数确定方法。图1为一个实施例中组织器官参数确定方法的流程示意图,如图1所示,该流程包括如下步骤:
步骤S102,获取扫描对象的扫描视图。
具体地,所述扫描视图包括第一视图以及第二视图。扫描对象为人体,重点扫描区域为人体的腿部。其中,获取扫描对象的扫描视图,可以由磁共振设备对扫描对象进行扫描后直接重建得到扫描视图;也可以由磁共振设备对扫描对象进行扫描,并重建得到扫描图像,将扫描图像存储至存储器,需要使用时,从存储器中获取扫描视图;还可以由磁共振设备对扫描对象进行扫描,将扫描数据存储至存储器,需要使用时,从存储器中获取扫描数据,对扫描数据进行重建得到扫描图像。优选的,磁共振设备通过三点法非对称性水脂分离成像技术,得到扫描视图。其中,三点法非对称性水脂分离成像(iterative decompositionof water and fat with echo asymmetric and least-squares estimation,IDEAL),是MRI检测技术中的一种有效的水脂分离成像技术,此技术最大特点是利用水和脂肪的共振频率的相位差,将水和脂肪的信号单独提取出来进行成像。IDEAL序列一次性扫描可获得4组图像,即水像(IDEAL-water)、脂像(IDEAL-fat)、同相位(IDEAL-in-phase)和反相位(IDEAL-out-of-phase)图像。脂像抑制了水信号,成像结果显示了脂肪信号。同相位图像是指水中氢质子的相位与脂肪中氢质子的相位相差360度时,两者的相位再次重合,此时检测到的信号为水和脂肪信号相加,因此同相位图像显示的是水和脂肪的信号,第一视图为通过IDEAL序列扫描得到的脂像视图,脂像视图为抑制了水信号,成像结果显示了脂肪的视图;第二视图为通过IDEAL序列扫描得到的同相位图像视图,同相位图像视图为显示了脂肪和水的视图。
步骤S104,将所述扫描视图输入组织器官分割网络,得到对应第一视图的第一组织器官分割图像以及对应第二视图的第二组织器官分割图像。
具体地,组织器官分割网络为深度学习分割网络,用于将扫描视图进行肌肉组织分割。组织器官分割网络针对肌肉结构的特点,使用扫描视图的多个不同截面(横断面、冠状面以及矢状面等)的多个切片作为组织器官分割网络的输入,提取肌肉的轮廓特征,将这些特征作为形状先验结合到深度学习分割网络,优化组织器官分割网络,利用优化后的组织器官分割网络分割扫描视图中的多块肌肉,实现MRI多模态、多目标的智能分割,避免了手动分割和传统分割算法的缺陷,提高医生的工作效率。优选的,所述扫描视图包括第一视图的多角度图像序列以及第二视图的多角度图像序列。也即,第一视图和第二视图均包括多个不同截面(横断面、冠状面以及矢状面等)的多个切片图像。将所述第一视图的多角度图像序列输入组织器官分割网络,得到第一肌肉分割图像序列;将所述第二视图的多角度图像序列输入组织器官分割网络,得到第二肌肉分割图像序列。如图2a-2b所示,图2a为一个实施例中的原始图像;图2b为一个实施例中的分割结果。分割的肌肉组织包括但不限于:胫前肌、胫后肌、腓骨长短肌、腓内肌、腓外肌和比目鱼肌。在本实施例中,深度学习分割网络可以使用任一种神经网络,例如:卷积神经网络、循环神经网络等。
步骤S106,根据所述第一组织器官分割图像以及第二组织器官分割图像,得到所述扫描对象的组织器官参数。
具体地,根据第一肌肉分割图像序列,得到第一立体肌肉图像;根据第二肌肉分割图像序列,得到第二立体肌肉图像;分别显示所述第一肌肉分割图像序列、第二肌肉分割图像序列、第一立体肌肉图像以及第二立体肌肉图像。其中,第一肌肉分割图像序列以及第二肌肉分割图像序列为2D图像;第一立体肌肉图像以及第二立体肌肉图像为3D图像。更具体的,首先,分别对第一肌肉分割图像序列以及第二肌肉分割图像序列进行图像重建,得到对应的第一立体肌肉图像以及第二立体肌肉图像;最后,将2D图像的第一肌肉分割图像序列以及第二肌肉分割图像序列和3D图像的第一立体肌肉图像以及第二立体肌肉图像在显示装置的不同区域进行显示。根据所述第一组织器官分割图像以及第二组织器官分割图像,得到所述扫描对象的组织器官参数,其中,组织器官参数包括肌肉面积、肌肉体积以及体素均值等。
在其中一个实施例中,根据所述第一立体肌肉图像或第二立体肌肉图像中每个体素点的灰度值以及体素数量,得到体素均值。更具体的,根据第一立体肌肉图像所有体素点的灰度值之和除以第一立体肌肉图像的体素点的个数,得到对应第一立体肌肉图像的体素均值,也就是得到脂像视图的体素均值;根据第二立体肌肉图像所有体素点的灰度值之和除以第二立体肌肉图像的体素点的个数,得到对应第二立体肌肉图像的体素均值,也就是得到同相位图像视图的体素均值。由于第一立体肌肉图像和第二立体肌肉图像均为肌肉分割图像,因此,可以不同区域的肌肉图像的体素点的灰度值之和除以相应区域肌肉图像的体素个数,能够计算出不同肌肉区域的体素均值。例如,能够计算出胫前肌的体素均值、胫后肌的体素均值、腓骨长短肌的体素均值、腓内肌的体素均值、腓外肌的体素均值和比目鱼肌的体素均值等。
在其中一个实施例中,根据所述第一肌肉分割图像序列或第二肌肉分割图像序列中每一张图像的像素数量以及像素间距,得到肌肉面积。具体地,可以根据第一肌肉分割图像序列中所有图像的像素点个数乘以像素之间的间距,得到肌肉面积;也可以根据第二肌肉分割图像序列中所有图像的像素点个数乘以像素之间的间距,得到肌肉面积。由于第一肌肉分割图像序列或第二肌肉分割图像序列均为肌肉分割图像,因此,可以根据不同区域肌肉图像的像素点个数乘以像素之间的间距,得到不同肌肉区域的肌肉面积。例如,能够计算出胫前肌的肌肉面积、胫后肌的肌肉面积、腓骨长短肌的肌肉面积、腓内肌的肌肉面积、腓外肌的肌肉面积和比目鱼肌的肌肉面积等。
在其中一个实施例中,根据所述第一立体肌肉图像或第二立体肌肉图像中体素数量、体素间距以及层间距,得到肌肉体积。具体地,可以根据第一立体肌肉图像的体素个数乘以体素间距再乘以层间距,得到肌肉体积;也可以根据第二立体肌肉图像的体素个数乘以体素间距再乘以层间距,得到肌肉体积。由于第一立体肌肉图像和第二立体肌肉图像均为肌肉分割图像,因此,可以根据不同区域肌肉图像的体素个数乘以体素间距再乘以层间距,得到不同肌肉区域的肌肉体积。例如,能够计算出胫前肌的肌肉体积、胫后肌的肌肉体积、腓骨长短肌的肌肉体积、腓内肌的肌肉体积、腓外肌的肌肉体积和比目鱼肌的肌肉体积等。
上述组织器官参数确定方法,通过获取扫描对象的扫描视图,将所述扫描视图输入组织器官分割网络,得到对应第一视图的第一组织器官分割图像以及对应第二视图的第二组织器官分割图像;最后根据该第一组织器官分割图像以及第二组织器官分割图像,得到扫描对象的组织器官参数。对扫描视图进行自动化的分割以及计算,得到最终的组织器官参数,减少人力资源,并且节省了得到组织器官参数的时间,并且还能够使得到的组织器官参数更加精确。
在其中一个实施例中,在计算得到体素均值之后,根据所述第一立体肌肉图像对应的体素均值以及所述第二立体肌肉图像对应的体素均值,得到脂肪含量。其中,第一立体肌肉图像对应的体素均值,也就是脂像视图的体素均值;第二立体肌肉图像对应的体素均值,也就是同相位图像视图的体素均值。具体的,用脂像视图对应的体素均值除以同相位图像视图对应的体素均值,得到脂肪含量,脂肪含量以百分比的形式表示,也就是在相应肌肉区域脂肪所占的比例。更具体的,可以根据不同肌肉区域脂像视图对应的体素均值除以相应区域的同相位图像视图对应的体素均值,计算得到相应肌肉区域的脂肪含量。例如,胫前肌的脂肪含量、胫后肌的脂肪含量、腓骨长短肌的脂肪含量、腓内肌的脂肪含量、腓外肌的脂肪含量和比目鱼肌的脂肪含量等。
在其中一个实施例中,在计算得到肌肉含量之后,获取脂肪含量与脂肪含量等级的映射关系;根据所述脂肪含量以及脂肪含量与脂肪含量等级的映射关系,得到扫描对象的脂肪含量等级。具体地,脂肪含量等级可以为医师提供参考,以供医师进行性肌营养不良症的评估。建立脂肪含量与脂肪含量等级的映射关系包括,获取大量的进行性肌营养不良症患者的脂肪含量以及相应的脂肪含量等级,根据大量数据统计得到,不同脂肪含量等级对应的脂肪含量范围,从而得到脂肪含量与脂肪含量等级的映射关系。在实际应用过程中,当得到患者的脂肪含量之后,判断该脂肪含量属于哪个脂肪含量范围,从而确定该患者对应的脂肪含量等级。
上述组织器官参数确定方法,可以通过映射关系得到脂肪含量等级,在后续应用过程中,脂肪含量等级可以辅助医师进行性肌营养不良症的评估,进行性肌营养不良症是一组遗传性骨骼肌变性疾病,病理上以骨骼肌纤维变性、坏死为主要特点,临床上以缓慢进行性发展的肌肉萎缩、肌无力为主要表现,部分类型还可累及心脏、骨骼系统。该疾病多发生于儿童和青少年,Duchenne型(Duchenne muscular dystrophy,DMD)是肌营养不良中发病率最高的一型,其大多数患者会在12岁失去行走能力,并在25岁时开始需要进行辅助呼吸。在心肌保护药物以及呼吸辅助技术被用于治疗DMD患者之前,有80%的患者死于呼吸道并发症,并有接近20%的患者死于心脏并发症,能存活到30岁之后的患者只有极少数。进行性肌营养不良症的严重程度可分为4级,I级:轻度,能自如走动,上下楼无需他人帮助;Ⅱ级:中度,能走动,但上下楼需扶梯或他人帮助;Ⅲ级:重度,基本卧床,但生活尚能自理;Ⅳ级:完全卧床,生活完全需他人料理。进行性肌营养不良症严重程度与肌肉脂肪含量密切相关,肌肉内脂肪含量越高,患者的病情越严重。根据得到的脂肪含量等级与进行性肌营养不良症的严重等级进行对应,为医师对进行性肌营养不良症的诊断提供数据参考。
更具体地,对脂像视图和同相位图像视图分别进行肌肉分割,得到肌肉分割图像,根据肌肉分割图像分别计算肌肉面积、肌肉体积等量化特征,进一步的估计每一区域肌肉的体素均值。通过计算同一人体脂像视图以及同相位图像视图的体素均值比,求得每一区域肌肉的脂肪含量,在通过脂肪含量得到脂肪含量的等级,通过上述脂肪含量以及脂肪含量的等级能够为医师确定进行性肌营养不良症的严重程度提供可靠的数据依据。通过上述方法得到脂肪含量以及脂肪含量对应的脂肪含量等级,不需要医师的干预,能够自动化的,快速准确的得到相应的参数,进一步的提高了医师的工作效率。
在其中一个实施例中,在实际的应用过程中,医师通过交互界面进行智能化评估。面向进行性肌营养不良症,构建智能诊断交互界面。医师可以点击选项按钮,有选择的观看评估得到的病变肌肉组织或正常肌肉组织的分割结果,同时界面会相应的显示所选择肌肉组织的量化特性,其中,量化特性为肌肉组织的肌肉面积、肌肉体积、体素均值、脂肪含量以及脂肪含量等级。医师还可以对算法得到的量化特性进行手动修正,通过上述量化特性为医师的诊断提供参考数据。
在其中一个实施例中,在计算得到严重等级之后,根据所述肌肉面积、肌肉体积、脂肪含量以及扫描对象的严重等级,生成检测报告。具体地,将肌肉组织面积、体积、脂肪百分比和评估结果等信息与分割结果同步显示在图形化界面上,为医师提供结构化报告。
上述组织器官参数确定方法,通过确定得到的肌肉组织参数生成相应的结构化报告,能够清晰简洁的对肌肉组织参数进行显示,进一步的节省医师翻看数据时间。
本申请实施例提供的组织器官参数确定方法,通过核磁共振设备,利用IDEAL序列得到两种视图,一种脂像视图一种同相位视图,对两种图像分别进行组织器官分割,得到分割图像,最终结合两种视图的分割结果得到相应组织器官的参数。通过上述方法能够得到更加精准的得到组织器官参数,并且所有操作自动化,不用过多人为干预,节省了人力成本。
在其中一个实施例中,如图3所示,图3为一个实施例中基于组织器官参数进行性肌营养不良症评估的流程图。具体地,导入患者DICOM数据;对DICOM数据进行肌肉组织分割;分割结果2D/3D显示;分割结果量化分析;生成结构化报告。更具体的,导入患者DICOM数据包括:DICOM数据为医学数字成像系统的标准图像数据;由MRI后处理工作站/PACS系统(影像归档和通信系统)自动获取患者的DICOM数据及患者身份信息,DICOM数据包括脂像和同相位图像。对DICOM数据进行肌肉组织分割包括:自动启动腿部肌肉组织分割功能分别分割患者腿部IDEAL序列脂像、同相位图像,分割的肌肉组织包括但不限于胫前肌、胫后肌、腓骨长短肌、腓内肌、腓外肌和比目鱼肌。分割结果2D/3D显示包括:将分割结果在交互界面显示,用户可以选择显示所有肌肉组织,也可以选择指定肌肉组织。分割结果量化分析包括:计算脂像、同相位图像肌肉分割结果的面积、体积和体素均值;肌肉面积=分割结果像素个数(2D切片)×像素间距;肌肉体积=分割结果体素个数(3D影像)×体素间距×层间距;体素均值=分割结果所有体素点的灰度值之和÷体素个数;根据体素均值计算肌肉脂肪含量,具体计算方法为:其中FF(fat_signalfraction)为脂肪百分比,Mean(Pixel values of IDEAL-fat)为脂像图像指定肌肉组织的体素均值,Mean(Pixel values of IDEAL-in-phase)为同相位图像指定肌肉组织的体素均值。根据脂肪百分比确定脂肪含量等级。生成结构化报告包括:生成结构化报告。将肌肉组织面积、体积、脂肪百分比以及脂肪含量等级等信息与分割结果同步显示在图形化界面上,为医生提供结构化报告。
上述实施例,针对进行性肌营养不良疾病,通过深度学习方法进行肌肉分割,再计算各肌肉组织的量化特性,该量化特性为医师提供进行性肌营养不良症严评估的数据依据,最终根据量化特性得到结构化报告,大大的节省了医师的工作量,提高了医师的工作效率,还能够保证数据的精确程度。
基于上述,本申请实施例提出了一种基于MRI图像的分析量化评估方法,结合腿部肌肉结构特点,利用深度学习技术设计了基于先验形状约束的肌肉分割模型,自动分割腿部MRI多序列图像中的肌肉组织,自动计算肌肉的多种量化特征:包括但不限于肌肉面积、体积、脂肪百分比;根据量化特征建立腿部肌肉脂肪浸润程度的评估模型,确定脂肪含量等级,并在2D/3D视图中标识不同肌肉组织,进而以提示的方式辅助医生,提高医生工作效率。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种组织器官参数确定装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图4为一个实施例中组织器官参数确定装置的结构框图,如图4所示,该装置包括:获取模块100、组织器官分割模块200以及组织器官参数计算模块300。
获取模块100,用于获取扫描对象的扫描视图,所述扫描视图包括第一视图以及第二视图;
组织器官分割模块200,用于将所述扫描视图输入组织器官分割网络,得到对应第一视图的第一组织器官分割图像以及对应第二视图的第二组织器官分割图像;
组织器官参数计算模块300,用于根据所述第一组织器官分割图像以及第二组织器官分割图像,得到所述扫描对象的组织器官参数。
组织器官分割模块200,还用于将所述第一视图的多角度图像序列输入组织器官分割网络,得到第一肌肉分割图像序列;将所述第二视图的多角度图像序列输入组织器官分割网络,得到第二肌肉分割图像序列。
组织器官参数确定装置还包括:图像重建模块。
图像重建模块,用于根据第一肌肉分割图像序列,得到第一立体肌肉图像;根据第二肌肉分割图像序列,得到第二立体肌肉图像;分别显示所述第一肌肉分割图像序列、第二肌肉分割图像序列、第一立体肌肉图像以及第二立体肌肉图像。
组织器官参数计算模块300,还用于根据所述第一立体肌肉图像或第二立体肌肉图像中每个体素点的灰度值以及体素数量,得到体素均值。
组织器官参数计算模块300,还用于根据所述第一立体肌肉图像对应的体素均值以及所述第二立体肌肉图像对应的体素均值,得到脂肪含量。
组织器官参数计算模块300,还用于根据所述第一肌肉分割图像序列或第二肌肉分割图像序列中每一张图像的像素数量以及像素间距,得到肌肉面积;根据所述第一立体肌肉图像或第二立体肌肉图像中体素数量、体素间距以及层间距,得到肌肉体积。
组织器官参数确定装置还包括:脂肪含量等级计算模块。
脂肪含量等级计算模块,用于获取脂肪含量与脂肪含量等级的映射关系;根据所述脂肪含量以及脂肪含量与脂肪含量等级的映射关系,得到扫描对象的脂肪含量等级。
组织器官参数确定装置还包括:检测报告生成模块。
检测报告生成模块,用于根据所述肌肉面积、肌肉体积、脂肪含量以及扫描对象的脂肪含量等级,生成检测报告。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
另外,结合图1描述的本申请实施例组织器官参数确定方法可以由计算机设备来实现。图5为根据本申请实施例的计算机设备的硬件结构示意图。
计算机设备可以包括处理器51以及存储有计算机程序指令的存储器52。
具体地,上述处理器51可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器52可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器52可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器52可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器52可在数据处理装置的内部或外部。在特定实施例中,存储器52是非易失性(Non-Volatile)存储器。在特定实施例中,存储器52包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器52可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器51所执行的可能的计算机程序指令。
处理器51通过读取并执行存储器52中存储的计算机程序指令,以实现上述实施例中的任意一种组织器官参数确定方法。
在其中一些实施例中,计算机设备还可包括通信接口53和总线50。其中,如图5所示,处理器51、存储器52、通信接口53通过总线50连接并完成相互间的通信。
通信接口53用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口53还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线50包括硬件、软件或两者,将计算机设备的部件彼此耦接在一起。总线50包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线50可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(Front Side Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线50可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该计算机设备可以基于获取到的计算机指令,执行本申请实施例中的组织器官参数确定方法,从而实现结合图1描述的组织器官参数确定方法。
另外,结合上述实施例中的组织器官参数确定方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种组织器官参数确定方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种组织器官参数确定方法,其特征在于,包括:
获取扫描对象的扫描视图,所述扫描视图包括第一视图以及第二视图,其中,所述第一视图为脂像视图,所述第二视图为同相位图像视图;
将所述扫描视图输入组织器官分割网络,得到对应第一视图的第一立体肌肉图像以及对应第二视图的第二立体肌肉图像;
根据所述第一立体肌肉图像以及第二立体肌肉图像,得到所述扫描对象的组织器官参数;
所述根据所述第一立体肌肉图像以及第二立体肌肉图像,得到所述扫描对象的组织器官参数包括:
根据所述第一立体肌肉图像或第二立体肌肉图像中每个体素点的灰度值以及体素数量,得到体素均值;
根据所述第一立体肌肉图像对应的体素均值以及所述第二立体肌肉图像对应的体素均值,得到脂肪含量。
2.根据权利要求1所述的组织器官参数确定方法,其特征在于,所述扫描视图包括第一视图的多角度图像序列以及第二视图的多角度图像序列;所述将所述扫描视图输入组织器官分割网络,得到对应第一视图的第一立体肌肉图像以及对应第二视图的第二立体肌肉图像,包括:
将所述第一视图的多角度图像序列输入组织器官分割网络,得到第一肌肉分割图像序列;
根据第一肌肉分割图像序列,得到第一立体肌肉图像;
将所述第二视图的多角度图像序列输入组织器官分割网络,得到第二肌肉分割图像序列;
根据第二肌肉分割图像序列,得到第二立体肌肉图像。
3.根据权利要求2所述的组织器官参数确定方法,其特征在于,所述将所述扫描视图输入组织器官分割网络,得到对应第一视图的第一立体肌肉图像以及对应第二视图的第二立体肌肉图像之后包括:
分别显示所述第一肌肉分割图像序列、第二肌肉分割图像序列、第一立体肌肉图像以及第二立体肌肉图像。
4.根据权利要求1所述的组织器官参数确定方法,其特征在于,所述方法还包括:
获取脂肪含量与脂肪含量等级的映射关系;
根据所述脂肪含量以及脂肪含量与脂肪含量等级的映射关系,得到扫描对象的脂肪含量等级。
5.根据权利要求2所述的组织器官参数确定方法,其特征在于,所述方法还包括:
根据所述第一肌肉分割图像序列或第二肌肉分割图像序列中每一张图像的像素数量以及像素间距,得到肌肉面积;
根据所述第一立体肌肉图像或第二立体肌肉图像中体素数量、体素间距以及层间距,得到肌肉体积。
6.根据权利要求5所述的组织器官参数确定方法,其特征在于,所述方法还包括:
根据所述肌肉面积、肌肉体积、脂肪含量以及扫描对象的脂肪含量等级,生成检测报告。
7.根据权利要求1所述的组织器官参数确定方法,其特征在于,根据所述第一立体肌肉图像或第二立体肌肉图像中每个体素点的灰度值以及体素数量,得到体素均值,包括:
根据所述第一立体肌肉图像所有体素点的灰度值之和除以所述第一立体肌肉图像的体素点的个数,得到对应第一立体肌肉图像的体素均值;
根据所述第二立体肌肉图像所有体素点的灰度值之和除以所述第二立体肌肉图像的体素点的个数,得到对应第二立体肌肉图像的体素均值。
8.根据权利要求1所述的组织器官参数确定方法,其特征在于,所述根据所述第一立体肌肉图像对应的体素均值以及所述第二立体肌肉图像对应的体素均值,得到脂肪含量,包括:
将所述第一立体肌肉图像对应的体素均值除以所述第二立体肌肉图像对应的体素均值,得到脂肪含量。
9.一种组织器官参数确定装置,其特征在于,包括:
获取模块,用于获取扫描对象的扫描视图,所述扫描视图包括第一视图以及第二视图,其中,所述第一视图为脂像视图,所述第二视图为同相位图像视图;
组织器官分割模块,用于将所述扫描视图输入组织器官分割网络,得到对应第一视图的第一立体肌肉图像以及对应第二视图的第二立体肌肉图像;
组织器官参数计算模块,用于根据所述第一立体肌肉图像以及第二立体肌肉图像,得到所述扫描对象的组织器官参数;
所述组织器官参数计算模块具体用于:
根据所述第一立体肌肉图像或第二立体肌肉图像中每个体素点的灰度值以及体素数量,得到体素均值;
根据所述第一立体肌肉图像对应的体素均值以及所述第二立体肌肉图像对应的体素均值,得到脂肪含量。
10.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的组织器官参数确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010477129.7A CN111681251B (zh) | 2020-05-29 | 2020-05-29 | 组织器官参数确定方法、装置以及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010477129.7A CN111681251B (zh) | 2020-05-29 | 2020-05-29 | 组织器官参数确定方法、装置以及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111681251A CN111681251A (zh) | 2020-09-18 |
CN111681251B true CN111681251B (zh) | 2023-09-26 |
Family
ID=72434494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010477129.7A Active CN111681251B (zh) | 2020-05-29 | 2020-05-29 | 组织器官参数确定方法、装置以及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681251B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114141336A (zh) * | 2021-12-01 | 2022-03-04 | 张福生 | 基于mri的人体成分标记方法、系统、设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109308728A (zh) * | 2018-10-25 | 2019-02-05 | 上海联影医疗科技有限公司 | 正电子发射型计算机断层扫描图像处理方法及装置 |
CN109559295A (zh) * | 2018-06-04 | 2019-04-02 | 新影智能科技(昆山)有限公司 | 图像分析系统、方法、计算机可读存储介质、及电子终端 |
CN110517241A (zh) * | 2019-08-23 | 2019-11-29 | 吉林大学第一医院 | 基于核磁成像ideal-iq序列全自动腹部脂肪定量分析的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8019139B2 (en) * | 2005-10-12 | 2011-09-13 | Carestream Health, Inc. | Method and system for processing an image of body tissues |
US8792689B2 (en) * | 2010-03-23 | 2014-07-29 | Hologic, Inc. | Measuring intramuscular fat |
-
2020
- 2020-05-29 CN CN202010477129.7A patent/CN111681251B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109559295A (zh) * | 2018-06-04 | 2019-04-02 | 新影智能科技(昆山)有限公司 | 图像分析系统、方法、计算机可读存储介质、及电子终端 |
CN109308728A (zh) * | 2018-10-25 | 2019-02-05 | 上海联影医疗科技有限公司 | 正电子发射型计算机断层扫描图像处理方法及装置 |
CN110517241A (zh) * | 2019-08-23 | 2019-11-29 | 吉林大学第一医院 | 基于核磁成像ideal-iq序列全自动腹部脂肪定量分析的方法 |
Non-Patent Citations (3)
Title |
---|
bley ta ,et al.Fat and water magnetic resonance imaging.《Journal of Magnetic Resonance Imaging》.2009,第31卷(第01期),4-18页. * |
刘欢 ; 张菁 ; 盛晓兰 ; 熊蝶 ; 戴丽卉 ; 汤翔宇 ; 王秋霞 ; .基于CUBE-FSE-FLEX序列的体外模型脂肪定量研究.临床放射学杂志.2020,第39卷(第01期),169-176页. * |
张旭霞 等.磁共振脂肪测量技术在肌肉病变中的应用进展.《磁共振成像》.2019,第10卷(第06期),474-478页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111681251A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Udupa et al. | A framework for evaluating image segmentation algorithms | |
US9361686B2 (en) | Method and apparatus for the assessment of medical images | |
US7935055B2 (en) | System and method of measuring disease severity of a patient before, during and after treatment | |
US7899231B2 (en) | System and method for splicing medical image datasets | |
Rusinek et al. | Performance of an automated segmentation algorithm for 3D MR renography | |
WO2017048856A1 (en) | Simultaneous ct-mri image reconstruction | |
EP2747658B1 (en) | Method to compute and present brain amyloid in gray matter | |
US8073214B2 (en) | Computer aided lesion assessment in dynamic contrast enhanced breast MRI images | |
JP2022550688A (ja) | 低投与量容積造影mriを改良するためのシステム及び方法 | |
JP5854561B2 (ja) | 画像データのフィルタリング方法、画像データのフィルタリングシステム、及び仮想内視鏡検査における画像データの使用 | |
KR102060895B1 (ko) | 의료 영상 생성 방법 및 디바이스 | |
Rousian et al. | Early pregnancy volume measurements: validation of ultrasound techniques and new perspectives | |
CN105488781A (zh) | 一种基于ct影像肝脏肿瘤病灶的分割方法 | |
CN109191475B (zh) | 椎体终板分割方法、装置及计算机可读存储介质 | |
CN111462885B (zh) | 扫描系统的扫描参数确定方法、装置、设备和存储介质 | |
Wong et al. | A comparison of peripheral imaging technologies for bone and muscle quantification: a review of segmentation techniques | |
CN111681251B (zh) | 组织器官参数确定方法、装置以及计算机设备 | |
Mendonça et al. | Contrast-independent liver-fat quantification from spectral CT exams | |
Loizou et al. | Brain image and lesions registration and 3d reconstruction in dicom MRI images | |
CN114708283A (zh) | 图像目标的分割方法、装置、电子设备及存储介质 | |
Ramos et al. | Fast and accurate 3-D spine MRI segmentation using FastCleverSeg | |
Chacón et al. | Computational assessment of stomach tumor volume from multi-slice computerized tomography images in presence of type 2 cancer [version 2; referees: 1 approved, 1 not approved] | |
Kim et al. | Multiple-phase segmentation approach for blood vessel extraction on cervical MRA image sequence | |
Chacón et al. | from multi-slice computerized tomography images in presence of type 2 cancer [version 2; referees: 2 approved, 1 not approved] | |
Wald et al. | Analysis of adipose tissue distribution using whole-body magnetic resonance imaging |
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 |