CN111784664A - 肿瘤淋巴结分布图谱生成方法 - Google Patents
肿瘤淋巴结分布图谱生成方法 Download PDFInfo
- Publication number
- CN111784664A CN111784664A CN202010612850.2A CN202010612850A CN111784664A CN 111784664 A CN111784664 A CN 111784664A CN 202010612850 A CN202010612850 A CN 202010612850A CN 111784664 A CN111784664 A CN 111784664A
- Authority
- CN
- China
- Prior art keywords
- lymph node
- image
- template
- case
- information
- 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
- 210000001165 lymph node Anatomy 0.000 title claims abstract description 204
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000009826 distribution Methods 0.000 title claims abstract description 39
- 238000005192 partition Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 48
- 201000011510 cancer Diseases 0.000 claims description 16
- 238000002591 computed tomography Methods 0.000 claims description 15
- 239000003550 marker Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 206010041823 squamous cell carcinoma Diseases 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 6
- 208000007433 Lymphatic Metastasis Diseases 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 5
- 208000010949 lymph node disease Diseases 0.000 abstract description 4
- 238000009827 uniform distribution Methods 0.000 abstract description 3
- 208000000102 Squamous Cell Carcinoma of Head and Neck Diseases 0.000 description 17
- 208000014829 head and neck neoplasm Diseases 0.000 description 8
- 238000001959 radiotherapy Methods 0.000 description 8
- 206010031112 Oropharyngeal squamous cell carcinoma Diseases 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 208000022698 oropharynx squamous cell carcinoma Diseases 0.000 description 5
- 206010023856 Laryngeal squamous cell carcinoma Diseases 0.000 description 4
- 208000028654 hypopharynx squamous cell carcinoma Diseases 0.000 description 4
- 201000002740 oral squamous cell carcinoma Diseases 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001394 metastastic effect Effects 0.000 description 3
- 206010061289 metastatic neoplasm Diseases 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- MCSXGCZMEPXKIW-UHFFFAOYSA-N 3-hydroxy-4-[(4-methyl-2-nitrophenyl)diazenyl]-N-(3-nitrophenyl)naphthalene-2-carboxamide Chemical compound Cc1ccc(N=Nc2c(O)c(cc3ccccc23)C(=O)Nc2cccc(c2)[N+]([O-])=O)c(c1)[N+]([O-])=O MCSXGCZMEPXKIW-UHFFFAOYSA-N 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 1
- 208000002454 Nasopharyngeal Carcinoma Diseases 0.000 description 1
- 206010061306 Nasopharyngeal cancer Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000002751 lymph Anatomy 0.000 description 1
- 230000001926 lymphatic effect Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 210000004877 mucosa Anatomy 0.000 description 1
- 201000011216 nasopharynx carcinoma Diseases 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种肿瘤淋巴结分布图谱生成方法，在生成肿瘤淋巴结转移风险图时，利用图像配准将病例CT图像中的淋巴结标记信息配准到模板CT图像中，避免医生手动配准的差异性，提高统计时淋巴结位置信息的准确性，可帮助医生更加直观了解肿瘤淋巴结转移风险，为医生诊断勾画靶区提供辅助。而且，通过求解均匀分布函数确定淋巴结密度函数，得到淋巴结密度图，可以较明显的显示出不同淋巴结病发的风险概率，对医生勾画淋巴结以及淋巴结分区边界具有很好的辅助作用。
Description
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种肿瘤淋巴结分布图谱生成方法。
背景技术
肿瘤区域由于其周围的淋巴结可能发生转移，导致其他健康区域也发生病变。以头颈部肿瘤为例，由于头颈部粘膜下广泛分布淋巴管网络，头颈部肿瘤区域的淋巴结转移风险较高，隐匿性转移概率可高达30％。放疗是头颈部肿瘤重要的治疗方式之一，精准的大体肿瘤(Gross tumor volume，GTV)勾画以及合适的选择性照射范围将改善头颈部肿瘤患者放疗后的生活质量。大体肿瘤指临床影像学检查或者体检中可见的大体肿瘤区，包括原发灶(GTVp)和转移淋巴结(GTVn)。选择性照射范围一般为转移淋巴结所在的淋巴结引流区。
目前，临床上转移淋巴结和淋巴结引流区的边界主要是由医生基于通用的淋巴结分区边界指南手动勾画，最后结合具体病例影像学信息得到。但是在真实病例中，不同病人其淋巴引流管的位置存在差异性，导致淋巴结实际分布情况与淋巴结引流区和通用的淋巴结分区边界指南有一定的差异性，因此直接将淋巴结引流区的边界转换为转移淋巴结的边界时，需要进行一定的修改。医生在根据淋巴结分区边界指南手动勾画淋巴结引流区时，仅仅依赖于医生的临床经验，勾画结果较为主观，且不同医生勾画的淋巴结引流区可能存在较大差异，对后续治疗方案的确定，治疗效果的评估带来了不利的影响。
因此，现急需提供一种肿瘤淋巴结分布图谱生成方法。
发明内容
本发明实施例提供一种肿瘤淋巴结分布图谱生成方法，用以解决现有技术中存在的技术缺陷。
本发明实施例提供一种肿瘤淋巴结分布图谱生成方法，包括：
获取待处理的病例CT图像，所述病例CT图像中携带有淋巴结标记信息；
基于目标能量函数，对所述病例CT图像与模板CT图像进行配准，以将所述病例CT图像中的所述淋巴结标记信息配准至所述模板CT图像中；
确定配准后的模板CT图像中每个淋巴结的位置信息，并基于每个淋巴结的位置信息，确定配准后的模板CT图像中淋巴结密度，得到淋巴结密度图。
优选地，所述获取待处理的病例CT图像，具体包括：
获取携带有淋巴结标记信息的癌症患者CT扫描图像，检测所述癌症患者CT扫描图像中的目标区域；
在所述目标区域内截取预设层面的癌症患者CT扫描图像，得到所述病例CT图像。
优选地，所述基于目标能量函数，对所述病例CT图像与模板CT图像进行配准，具体包括：
基于目标能量函数，采用刚性配准方法或非刚性配准方法对所述病例CT图像与模板CT图像进行配准。
优选地，所述目标能量函数具体包括：表示所述病例CT图像与所述模板CT图像中相同位置处的像素灰度值的相互关联程度的归一化互相关系数项以及表示所述病例CT图像与所述模板CT图像中的灰度分布的互信息项。
优选地，所述获取待处理的病例CT图像，还包括：
获取待处理的头颈部不同位置的鳞癌病例CT图像，确定所述鳞癌病例CT图像对应的临床数据；
确定所述临床数据中的原发灶信息，并将所述位置信息与所述原发灶信息进行关联。
优选地，所述位置信息具体包括每个淋巴结的中心点位置；
相应的，所述基于每个淋巴结的位置信息，确定配准后的模板CT图像中淋巴结密度，具体包括：
计算每个淋巴结的中心点位置与匹配后的模板CT图像中的像素中心点之间的距离，并利用均匀分布密度函数，确定配准后的模板CT图像中的淋巴结密度函数；
基于所述淋巴结密度函数，计算所述淋巴结密度。
优选地，所述模板CT图像中携带有淋巴结分区信息；
相应地，还包括：
基于每个淋巴结的位置信息以及所述模板CT图像中携带的淋巴结分区信息，确定每个淋巴结所属的淋巴结分区。
优选地，还包括：
基于所述淋巴结密度图，绘制热力图。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述肿瘤淋巴结分布图谱生成方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述肿瘤淋巴结分布图谱生成方法的步骤。
本发明实施例提供的肿瘤淋巴结分布图谱生成方法，在生成肿瘤淋巴结转移风险图时，利用图像配准将病例CT图像中的淋巴结标记信息配准到模板CT图像中，避免医生手动配准的差异性，提高统计时淋巴结位置信息的准确性，可帮助医生更加直观了解肿瘤淋巴结转移风险，为医生诊断勾画靶区提供辅助。而且，通过求解均匀分布函数确定淋巴结密度函数，得到淋巴结密度图，可以较明显的显示出不同淋巴结病发的风险概率，对医生勾画淋巴结以及淋巴结分区边界具有很好的辅助作用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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是本发明实施例提供的一种肿瘤淋巴结分布图谱生成方法的流程示意图；
图2是本发明实施例提供的一种肿瘤淋巴结分布图谱生成系统的结构示意图；
图3是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种肿瘤淋巴结分布图谱生成方法，包括：
S1，获取待处理的病例CT图像，所述病例CT图像中携带有淋巴结标记信息；
S2，基于目标能量函数，对所述病例CT图像与模板CT图像进行配准，以将所述病例CT图像中的所述淋巴结标记信息配准至所述模板CT图像中；
S3，确定配准后的模板CT图像中每个淋巴结的位置信息，并基于每个淋巴结的位置信息，确定配准后的模板CT图像中淋巴结密度，得到淋巴结密度图。
具体的，本发明实施例中提供的肿瘤淋巴结分布图谱生成方法，其执行主体为处理器，具体可以是本地处理器，也可以是云端处理器，本地处理器具体可以是只能手机、平板电脑以及计算机等，本发明实施例中对此不作具体限定。
首先执行步骤S1。其中，病例CT图像具体可以是头颈部肿瘤的病例CT图像，例如口咽鳞癌(Oropharyngeal squamous cell carcinoma，OR)、口腔鳞癌(Oral squamous cellcarcinoma，OC)、下咽鳞癌(Hypopharyngeal squamous cell carcinoma，HP)以及喉鳞癌(Laryngeal squamous carcinoma，LA)等的病例CT图像。在病例CT图像中携带有淋巴结标记信息，淋巴结标记信息可以是在步骤S1执行前，通过一名具有多年头颈部放疗经验的医生独立标记，并由另一名具有15年以上的头颈部肿瘤放疗经验的医生独立审核得到。
然后执行步骤S2。其中，病例CT图像与模板CT图像的尺寸大小相同。此处，病例CT图像又叫浮动图像，模板CT图像又叫参考图像。基于目标能量函数，对病例CT图像与模板CT图像进行配准的过程，是指通过图像特征搜索和匹配在两幅图像的空间域信息中选择合适的图像特征，建立图像之间的特征空间，然后通过不断迭代优化目标能量函数，当目标能量函数取值最优时，两幅图像的相似性达到最大或者最小。当迭代次数达到阈值时或者目标函数基本稳定时，配准结束。本发明实施例中，目标能量函数取值最优可以是目标能量函数取值最大，相应地，此时两幅图像的相似性达到最大。模板CT图像具体可以通过严格按照挑选条件从多例鼻咽癌患者中随机抽取一例。
最后执行步骤S3。其中，通过读取配准后的模板CT图像即可确定出配准后的模板CT图像中每个淋巴结的位置信息，每个淋巴结的位置信息具体可以包括每个淋巴结的中心点位置。根据每个淋巴结的位置信息，逐层计算配准后的模板CT图像中的淋巴结密度，得到淋巴结密度图。淋巴结密度可以通过每个淋巴结与配准后的模板CT图像中的像素中心点之间的距离表示。淋巴结密度图则可以在确定每个淋巴结密度的基础上，利用均匀分布密度函数进行淋巴结密度函数求解得到。
本发明实施例中提供的肿瘤淋巴结分布图谱生成方法，包括：获取待处理的病例CT图像，所述病例CT图像中携带有淋巴结标记信息；基于目标能量函数，对所述病例CT图像与模板CT图像进行配准，以将所述病例CT图像中的所述淋巴结标记信息配准至所述模板CT图像中；确定配准后的模板CT图像中每个淋巴结的位置信息，并基于每个淋巴结的位置信息，确定配准后的模板CT图像中淋巴结密度，得到淋巴结密度图，淋巴结密度图即肿瘤淋巴结转移风险图。在生成肿瘤淋巴结转移风险图时，利用图像配准将病例CT图像中的淋巴结标记信息配准到模板CT图像中，避免医生手动配准的差异性，提高统计时淋巴结位置信息的准确性，可帮助医生更加直观了解肿瘤淋巴结转移风险，为医生诊断勾画靶区提供辅助。而且，通过求解均匀分布函数确定淋巴结密度函数，得到淋巴结密度图，可以较明显的显示出不同淋巴结病发的风险概率，对医生勾画淋巴结以及淋巴结分区边界具有很好的辅助作用。
在上述实施例的基础上，本发明实施例中提供的肿瘤淋巴结分布图谱生成方法，所述获取待处理的病例CT图像，具体包括：
获取携带有淋巴结标记信息的癌症患者CT扫描图像，检测所述癌症患者CT扫描图像中的目标区域；
在所述目标区域内截取预设层面的癌症患者CT扫描图像，得到所述病例CT图像。
具体的，本发明实施例中，在获取待处理的病例CT图像时，首先获取携带有淋巴结标记信息的癌症患者CT扫描图像，携带的淋巴结标记信息可以通过一名具有多年头颈部放疗经验的医生独立标记，并由另一名具有15年以上的头颈部肿瘤放疗经验的医生独立审核得到。
获取癌症患者CT扫描图像之后，检测癌症患者CT扫描图像中的目标区域。目标区域可以是头颈部区域，具体检测方法可以是在癌症患者CT扫描图像Z轴上进行最大密度投影，根据人体轮廓特征，当最大密度投影面积发生剧烈变化时，此时该层记为颈部起点Z0。
在目标区域内截取预设层面的癌症患者CT扫描图像，具体可以依据得到的颈部起点Z0，沿着Z轴正负方向截取特定层面的图像，然后进行采样得到待处理的病例CT图像。通过检测目标区域，可以明确要处理的头颈部区域，进而减少配准过程中的噪声，并提高配准算法的运行速度，减少程序运行时间，提高配准精度。除此之外，模板CT图像也可以经过上述检测过程以及截取过程得到。
在上述实施例的基础上，本发明实施例中提供的肿瘤淋巴结分布图谱生成方法，所述基于目标能量函数，对所述病例CT图像与模板CT图像进行配准，具体包括：
基于目标能量函数，采用刚性配准方法或非刚性配准方法对所述病例CT图像与模板CT图像进行配准。
具体的，本发明实施例中，在根据目标能量函数，对病例CT图像与模板CT图像进行配准时，关键点在于配准方法和目标能量函数的选择。使用的配准方法可以包括但不限于刚性配准方法以及非刚性配准方法，刚性配准方法可以包括Affine、Rigid、Similarity等，非刚性配准方法可以包括deformable transformation:SyN、diffeomorphism:TVMSQ、Demons等。刚性配准包括平移和旋转变换，非刚性配准则包括仿射等变换。刚性配准速度较快，但精度不高，非刚性配准则反之。
在上述实施例的基础上，本发明实施例中提供的肿瘤淋巴结分布图谱生成方法，所述目标能量函数具体包括：表示所述病例CT图像与所述模板CT图像中相同位置处的像素灰度值的相互关联程度的归一化互相关系数项以及表示所述病例CT图像与所述模板CT图像中的灰度分布的互信息项。
具体的，目标能量函数具体可以是相似性目标能量函数，也是基于归一化互相关(Normalized Correlation Coefficient，NCC)和基于互信息(Mutual Information，MI)的目标能量函数，即包含有两项，第一项是表示病例CT图像与模板CT图像中相同位置处的像素灰度值的相互关联程度的归一化互相关NCC系数项，另一项是表示病例CT图像与模板CT图像中的灰度分布的互信息MI项。其中，NCC系数表示两个随机值之间的相互关联程度，在图像配准中，随机变量则为图像中的像素灰度值，通过计算相同位置处不同像素点的灰度值的相互关联程度可以得到两幅图像NCC系数。MI是表示两个随机变量之间互相关的程度，在医学图像中，当两幅图像的灰度分布相同时，互信息值达到最大。
在上述实施例的基础上，本发明实施例中提供的肿瘤淋巴结分布图谱生成方法，所述获取待处理的病例CT图像，还包括：
获取待处理的头颈部不同位置的鳞癌病例CT图像，确定所述鳞癌病例CT图像对应的临床数据；
确定所述临床数据中的原发灶信息，并将所述位置信息与所述原发灶信息进行关联。
具体的，本发明实施例中，在获取待处理的病例CT图像的同时，还可以获取头颈部不同位置的鳞癌病例CT图像，例如可以获取口咽鳞癌、口腔鳞癌、下咽鳞癌、喉鳞癌患者的CT扫描图像，且保证所有患者扫描前均未接受到放疗或者任何头颈部手术。然后，读取鳞癌病例CT图像对应的临床数据表格得到临床数据，利用临床数据表格中的原发灶、分期等相关信息进行统计分类。然后，读取配准后的模板CT图像，得到每个淋巴结的位置信息，并将其与临床数据中的原发灶等信息关联。最后根据得到的淋巴结的位置信息计算每一个淋巴结的中心点坐标以及淋巴结的尺寸等，根据计算后的淋巴结尺寸并结合淋巴结病理信息，判断淋巴结是否为阳性淋巴结，以实现对淋巴结进行筛选。
由于不同病例淋巴结实际分布情况与引流区定义有一定的差异，本发明实施例中根据大宗病例构建了头颈部各肿瘤的淋巴结转移风险图，可差异性的显示各肿瘤各分区各淋巴结转移风险概率，也就是说，淋巴结密度图可以理解为是一种概率图，可以帮助医生更加直观了解各癌种中各淋巴结转移风险，为医生诊断勾画靶区提供辅助。医生可对病人的选择性照射范围提出一个更加个体化且合理的修改方案。
在上述实施例的基础上，本发明实施例中提供的肿瘤淋巴结分布图谱生成方法，所述位置信息具体包括每个淋巴结的中心点位置；
相应的，所述基于每个淋巴结的位置信息，确定配准后的模板CT图像中淋巴结密度，具体包括：
计算每个淋巴结的中心点位置与匹配后的模板CT图像中的像素中心点之间的距离，并利用均匀分布密度函数，确定配准后的模板CT图像中的淋巴结密度函数；
基于所述淋巴结密度函数，计算所述淋巴结密度。
具体地，本发明实施例中，以口咽鳞癌为例，将各个淋巴结物理坐标转换为图像坐标，并逐层计算淋巴结密度。主要方法为计算每一层每个淋巴结中心点与像素中心点的距离，并利用均匀分布密度函数进行淋巴结密度函数求解，计算淋巴结密度，进而得到淋巴结密度图。
在上述实施例的基础上，本发明实施例中提供的肿瘤淋巴结分布图谱生成方法，所述模板CT图像中携带有淋巴结分区信息；
相应地，还包括：
基于每个淋巴结的位置信息以及所述模板CT图像中携带的淋巴结分区信息，确定每个淋巴结所属的淋巴结分区。
具体地，本发明实施例中，可以根据2013版国际指南推荐的颈部淋巴结分区标准，由一名具有多年头颈部肿瘤放疗经验的医生独立将十个淋巴结分区逐层勾画到模板CT图像上得到模板CT图像中携带的淋巴结分区信息。
然后，根据每个淋巴结的位置信息以及模板CT图像中携带的淋巴结分区信息，判断每个淋巴结归属于哪个淋巴结分区。若淋巴结不在淋巴结分区内，则计算该淋巴结到所有分区的距离最小值，距离最小的分区即为该淋巴结的归属分区。对口咽鳞癌、口腔鳞癌、下咽鳞癌以及喉鳞癌的所有病例进行处理，可分别得到各癌种的淋巴结所属分区的统计信息。
在上述实施例的基础上，本发明实施例中提供的肿瘤淋巴结分布图谱生成方法，还包括：
基于所述淋巴结密度图，绘制热力图。
具体地，本发明实施例中，利用淋巴结密度图绘制热力图，主要步骤为通过密度范围设定不同阈值，在每个阈值上画出填充的区域。利用colormap中的颜色对不同阈值区域进行颜色填充。深红色为密度最大区域，蓝色则为密度最小区域。然后利用B样条函数，对填充区域边界进行平滑，得到最后的密度图，即为风险图谱。颜色由蓝色到深红色，代表该淋巴结病发风险越高。
如图2所示，在上述实施例的基础上，本发明实施例中还提供了一种肿瘤淋巴结分布图谱生成系统，包括：图像获取模块21、配准模块22和淋巴结密度图确定模块23。其中，
图像获取模块21用于获取待处理的病例CT图像，所述病例CT图像中携带有淋巴结标记信息；
配准模块22用于基于目标能量函数，对所述病例CT图像与模板CT图像进行配准，以将所述病例CT图像中的所述淋巴结标记信息配准至所述模板CT图像中；
淋巴结密度图确定模块23用于确定配准后的模板CT图像中每个淋巴结的位置信息，并基于每个淋巴结的位置信息，确定配准后的模板CT图像中淋巴结密度，得到淋巴结密度图。
具体的，本发明实施例中提供的肿瘤淋巴结分布图谱生成系统中各模块的作用与上述方法类实施例中各步骤是一一对应的，实现的效果也是一致的，具体参见上述方法类实施例，本发明实施例中对此不再赘述。
如图3所示，在上述实施例的基础上，本发明实施例中提供了一种电子设备，可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行肿瘤淋巴结分布图谱生成方法，该方法包括：获取待处理的病例CT图像，所述病例CT图像中携带有淋巴结标记信息；基于目标能量函数，对所述病例CT图像与模板CT图像进行配准，以将所述病例CT图像中的所述淋巴结标记信息配准至所述模板CT图像中；确定配准后的模板CT图像中每个淋巴结的位置信息，并基于每个淋巴结的位置信息，确定配准后的模板CT图像中淋巴结密度，得到淋巴结密度图。
此外，上述的存储器330中的逻辑指令可以通过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。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的肿瘤淋巴结分布图谱生成方法，该方法包括：获取待处理的病例CT图像，所述病例CT图像中携带有淋巴结标记信息；基于目标能量函数，对所述病例CT图像与模板CT图像进行配准，以将所述病例CT图像中的所述淋巴结标记信息配准至所述模板CT图像中；确定配准后的模板CT图像中每个淋巴结的位置信息，并基于每个淋巴结的位置信息，确定配准后的模板CT图像中淋巴结密度，得到淋巴结密度图。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的肿瘤淋巴结分布图谱生成方法，该方法包括：获取待处理的病例CT图像，所述病例CT图像中携带有淋巴结标记信息；基于目标能量函数，对所述病例CT图像与模板CT图像进行配准，以将所述病例CT图像中的所述淋巴结标记信息配准至所述模板CT图像中；确定配准后的模板CT图像中每个淋巴结的位置信息，并基于每个淋巴结的位置信息，确定配准后的模板CT图像中淋巴结密度，得到淋巴结密度图。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种肿瘤淋巴结分布图谱生成方法，其特征在于，包括：
获取待处理的病例CT图像，所述病例CT图像中携带有淋巴结标记信息；
基于目标能量函数，对所述病例CT图像与模板CT图像进行配准，以将所述病例CT图像中的所述淋巴结标记信息配准至所述模板CT图像中；
确定配准后的模板CT图像中每个淋巴结的位置信息，并基于每个淋巴结的位置信息，确定配准后的模板CT图像中淋巴结密度，得到淋巴结密度图。
2.根据权利要求1所述的肿瘤淋巴结分布图谱生成方法，其特征在于，所述获取待处理的病例CT图像，具体包括：
获取携带有淋巴结标记信息的癌症患者CT扫描图像，检测所述癌症患者CT扫描图像中的目标区域；
在所述目标区域内截取预设层面的癌症患者CT扫描图像，得到所述病例CT图像。
3.根据权利要求1所述的肿瘤淋巴结分布图谱生成方法，其特征在于，所述基于目标能量函数，对所述病例CT图像与模板CT图像进行配准，具体包括：
基于目标能量函数，采用刚性配准方法或非刚性配准方法对所述病例CT图像与模板CT图像进行配准。
4.根据权利要求1所述的肿瘤淋巴结分布图谱生成方法，其特征在于，所述目标能量函数具体包括：表示所述病例CT图像与所述模板CT图像中相同位置处的像素灰度值的相互关联程度的归一化互相关系数项以及表示所述病例CT图像与所述模板CT图像中的灰度分布的互信息项。
5.根据权利要求1所述的肿瘤淋巴结分布图谱生成方法，其特征在于，所述获取待处理的病例CT图像，还包括：
获取待处理的头颈部不同位置的鳞癌病例CT图像，确定所述鳞癌病例CT图像对应的临床数据；
确定所述临床数据中的原发灶信息，并将所述位置信息与所述原发灶信息进行关联。
6.根据权利要求1所述的肿瘤淋巴结分布图谱生成方法，其特征在于，所述位置信息具体包括每个淋巴结的中心点位置；
相应的，所述基于每个淋巴结的位置信息，确定配准后的模板CT图像中淋巴结密度，具体包括：
计算每个淋巴结的中心点位置与匹配后的模板CT图像中的像素中心点之间的距离，并利用均匀分布密度函数，确定配准后的模板CT图像中的淋巴结密度函数；
基于所述淋巴结密度函数，计算所述淋巴结密度。
7.根据权利要求1所述的肿瘤淋巴结分布图谱生成方法，其特征在于，所述模板CT图像中携带有淋巴结分区信息；
相应地，还包括：
基于每个淋巴结的位置信息以及所述模板CT图像中携带的淋巴结分区信息，确定每个淋巴结所属的淋巴结分区。
8.根据权利要求1-7中任一项所述的肿瘤淋巴结分布图谱生成方法，其特征在于，还包括：
基于所述淋巴结密度图，绘制热力图。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至8任一项所述肿瘤淋巴结分布图谱生成方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至8任一项所述肿瘤淋巴结分布图谱生成方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010612850.2A CN111784664B (zh) | 2020-06-30 | 2020-06-30 | 肿瘤淋巴结分布图谱生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010612850.2A CN111784664B (zh) | 2020-06-30 | 2020-06-30 | 肿瘤淋巴结分布图谱生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111784664A true CN111784664A (zh) | 2020-10-16 |
| CN111784664B CN111784664B (zh) | 2021-07-20 |
Family
ID=72761166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010612850.2A Active CN111784664B (zh) | 2020-06-30 | 2020-06-30 | 肿瘤淋巴结分布图谱生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111784664B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112258500A (zh) * | 2020-11-10 | 2021-01-22 | 北京深睿博联科技有限责任公司 | 淋巴结分区方法、装置、设备及计算机可读存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914823A (zh) * | 2012-12-31 | 2014-07-09 | 复旦大学 | 基于稀疏表示的快速精确非线性配准立体医学影像的方法 |
| CN106875432A (zh) * | 2017-03-09 | 2017-06-20 | 南京医科大学附属口腔医院 | 颞下颌关节运动重建方法及系统 |
| CN107456278A (zh) * | 2016-06-06 | 2017-12-12 | 北京理工大学 | 一种内窥镜手术导航方法和系统 |
| CN107595387A (zh) * | 2017-07-28 | 2018-01-19 | 浙江大学 | 一种基于超声拓片技术的脊椎图像生成系统以及脊柱手术导航定位系统 |
| US20180182103A1 (en) * | 2016-12-23 | 2018-06-28 | International Business Machines Corporation | 3d segmentation reconstruction from 2d slices |
| KR20180101871A (ko) * | 2017-03-06 | 2018-09-14 | 주식회사 디오 | 서지컬 가이드 제조를 위한 영상데이터 정합 시스템 및 방법 |
| CN109272510A (zh) * | 2018-07-24 | 2019-01-25 | 清华大学 | 一种三维医学图像中管状结构的分割方法 |
| US20190029624A1 (en) * | 2017-07-26 | 2019-01-31 | Canon U.S.A., Inc. | Method for co-registering and displaying multiple imaging modalities |
| CN109712176A (zh) * | 2018-11-28 | 2019-05-03 | 众安信息技术服务有限公司 | 一种多序列图像的标注方法及系统 |
| CN109754387A (zh) * | 2018-11-23 | 2019-05-14 | 北京永新医疗设备有限公司 | 医学图像病灶检测定位方法、装置、电子设备及存储介质 |
| CN110533573A (zh) * | 2019-09-04 | 2019-12-03 | 山东华沃医疗科技有限公司 | 一种基于java语言的mri图像并行处理方法及处理系统 |
| US20200170596A1 (en) * | 2018-11-30 | 2020-06-04 | Accuray, Inc. | Optimized scanning methods and tomography system using region of interest data |
-
2020
- 2020-06-30 CN CN202010612850.2A patent/CN111784664B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914823A (zh) * | 2012-12-31 | 2014-07-09 | 复旦大学 | 基于稀疏表示的快速精确非线性配准立体医学影像的方法 |
| CN103914823B (zh) * | 2012-12-31 | 2017-07-11 | 复旦大学 | 基于稀疏表示的快速精确非线性配准立体医学影像的方法 |
| CN107456278A (zh) * | 2016-06-06 | 2017-12-12 | 北京理工大学 | 一种内窥镜手术导航方法和系统 |
| US20180182103A1 (en) * | 2016-12-23 | 2018-06-28 | International Business Machines Corporation | 3d segmentation reconstruction from 2d slices |
| KR20180101871A (ko) * | 2017-03-06 | 2018-09-14 | 주식회사 디오 | 서지컬 가이드 제조를 위한 영상데이터 정합 시스템 및 방법 |
| CN106875432A (zh) * | 2017-03-09 | 2017-06-20 | 南京医科大学附属口腔医院 | 颞下颌关节运动重建方法及系统 |
| US20190029624A1 (en) * | 2017-07-26 | 2019-01-31 | Canon U.S.A., Inc. | Method for co-registering and displaying multiple imaging modalities |
| CN107595387A (zh) * | 2017-07-28 | 2018-01-19 | 浙江大学 | 一种基于超声拓片技术的脊椎图像生成系统以及脊柱手术导航定位系统 |
| CN109272510A (zh) * | 2018-07-24 | 2019-01-25 | 清华大学 | 一种三维医学图像中管状结构的分割方法 |
| CN109754387A (zh) * | 2018-11-23 | 2019-05-14 | 北京永新医疗设备有限公司 | 医学图像病灶检测定位方法、装置、电子设备及存储介质 |
| CN109712176A (zh) * | 2018-11-28 | 2019-05-03 | 众安信息技术服务有限公司 | 一种多序列图像的标注方法及系统 |
| US20200170596A1 (en) * | 2018-11-30 | 2020-06-04 | Accuray, Inc. | Optimized scanning methods and tomography system using region of interest data |
| CN110533573A (zh) * | 2019-09-04 | 2019-12-03 | 山东华沃医疗科技有限公司 | 一种基于java语言的mri图像并行处理方法及处理系统 |
Non-Patent Citations (7)
| Title |
|---|
| ARISTEIDIS SOTIRAS等: "Deformable Medical Image Registration: A Survey", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
| XIAHAI ZHUANG等: "A Nonrigid Registration Framework Using Spatially Encoded Mutual Information and Free-Form Deformations", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
| 刘伟等: "高分辨率颅脑CT图像纹理统计图谱的创建与应用", 《数据采集与处理》 * |
| 周斌等: "联合直方图的刚性配准方法及其在肝脏CT图像配准中的应用", 《厦门大学学报（自然科学版）》 * |
| 张莉等: "基于局部结构张量-互信息的多模态图像配准", 《华南理工大学学报（自然科学版）》 * |
| 王昌等: "基于自适应微分同胚多分辨率 Demons 算法的多模态磁共振图像配准", 《中国生物医学工程学报》 * |
| 郑光远等: "医学影像计算机辅助检测与诊断系统综述", 《软件学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112258500A (zh) * | 2020-11-10 | 2021-01-22 | 北京深睿博联科技有限责任公司 | 淋巴结分区方法、装置、设备及计算机可读存储介质 |
| CN112258500B (zh) * | 2020-11-10 | 2023-08-04 | 北京深睿博联科技有限责任公司 | 淋巴结分区方法、装置、设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111784664B (zh) | 2021-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110326024B (zh) | 用于处理由医学成像装置捕获的组织学图像的方法和装置 | |
| CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
| US8798344B2 (en) | Image processing apparatus, image processing method and computer-readable recording device | |
| Mohammed et al. | Automatic segmentation and automatic seed point selection of nasopharyngeal carcinoma from microscopy images using region growing based approach | |
| Nasor et al. | Detection and Localization of Early‐Stage Multiple Brain Tumors Using a Hybrid Technique of Patch‐Based Processing, k‐means Clustering and Object Counting | |
| JP2012512672A (ja) | 医用画像内病変自動検出方法およびシステム | |
| RU2589461C2 (ru) | Устройство для создания присваиваний между областями изображения и категориями элементов | |
| CN111462115B (zh) | 医学图像显示方法、装置和计算机设备 | |
| CN110706241B (zh) | 一种三维病灶区域提取方法和装置 | |
| CN111127404B (zh) | 一种医疗影像轮廓快速提取方法 | |
| JPH09167238A (ja) | 異常陰影の検出方法 | |
| Yousefi et al. | Esophageal tumor segmentation in CT images using a dilated dense attention Unet (DDAUnet) | |
| CN108629785A (zh) | 基于自步学习的三维磁共振胰腺图像分割方法 | |
| WO2021129324A1 (zh) | 超声图像病灶的分割方法、装置和计算机设备 | |
| WO2022247573A1 (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
| CN116824168B (zh) | 基于图像处理的耳部ct特征提取方法 | |
| JP2001059842A (ja) | 病理診断装置 | |
| Mishra et al. | Automatic lesion border selection in dermoscopy images using morphology and color features | |
| Haq et al. | Dynamic multiatlas selection‐based consensus segmentation of head and neck structures from CT images | |
| Liu et al. | Active cell appearance model induced generative adversarial networks for annotation-efficient cell segmentation and identification on adaptive optics retinal images | |
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| CN111784664B (zh) | 肿瘤淋巴结分布图谱生成方法 | |
| CN111462139A (zh) | 医学图像显示方法、装置、计算机设备和可读存储介质 | |
| CN116091466A (zh) | 图像分析方法、计算机设备和存储介质 | |
| Cabrera et al. | Segmentation of axillary and supraclavicular tumoral lymph nodes in PET/CT: A hybrid CNN/component-tree approach |
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 |