CN111833332A - 骨转移瘤和骨岛的能谱ct鉴别模型生成方法及鉴别方法 - Google Patents

骨转移瘤和骨岛的能谱ct鉴别模型生成方法及鉴别方法 Download PDF

Info

Publication number
CN111833332A
CN111833332A CN202010680425.7A CN202010680425A CN111833332A CN 111833332 A CN111833332 A CN 111833332A CN 202010680425 A CN202010680425 A CN 202010680425A CN 111833332 A CN111833332 A CN 111833332A
Authority
CN
China
Prior art keywords
image
energy spectrum
features
training
bone
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
Application number
CN202010680425.7A
Other languages
English (en)
Inventor
袁翠云
刘晨彬
刘周
罗德红
邹丽艳
杨倩
吴式琇
金晶
任骅
王绿化
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cancer Hospital Chinese Academy of Medical Sciences, Shenzhen Center
Original Assignee
Cancer Hospital Chinese Academy of Medical Sciences, Shenzhen Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Cancer Hospital Chinese Academy of Medical Sciences, Shenzhen Center filed Critical Cancer Hospital Chinese Academy of Medical Sciences, Shenzhen Center
Priority to CN202010680425.7A priority Critical patent/CN111833332A/zh
Publication of CN111833332A publication Critical patent/CN111833332A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种骨转移瘤和骨岛的能谱CT鉴别模型生成方法及鉴别方法，该骨转移瘤和骨岛的能谱CT鉴别模型生成方法包括采集携带图像标识的原始能谱CT图，图像标识为骨转移瘤标识或骨岛标识；从原始能谱CT图中勾画出感兴趣区域，获取训练感兴趣能谱CT图；采用特征提取算法对训练感兴趣能谱CT图进行特征提取，获取训练感兴趣能谱CT图的待筛选特征；采用F检验算法对待筛选特征进行筛选，获取目标训练特征；基于目标训练特征和对应的图像标识，形成目标训练样本，采用目标训练样本对预设分类模型进行训练，获取骨转移瘤和骨岛图像鉴别模型。本发明生成一种可以快速鉴别能谱CT图的骨转移瘤和骨岛图像鉴别模型，为医护人员提供有力支持。

Description

骨转移瘤和骨岛的能谱CT鉴别模型生成方法及鉴别方法
技术领域
本发明涉及医学图像鉴别领域，尤其涉及一种骨转移瘤和骨岛的能谱CT鉴别模型生成方法及鉴别方法。
背景技术
近年来，放射组学在肿瘤诊断、治疗和疗效评估等方面应用广泛。放射组学在计算机断层扫描(Computed Tomography,CT)、磁共振成像(Magnetic Resonance Image,MRI)和正电子发射断层扫描(Positron Emission Tomography,PET)等医学图像中提取和分析大量具有高通量的图像特征。
通常情况下，骨为肺癌等肿瘤转移的部位，在实际的能谱CT图像中，骨转移瘤与骨岛的形态相近，医护人员难以直接有效地鉴别CT图像中是骨转移瘤症状还是骨岛症状，导致后续的治疗方案也难以快速地确定，不利于患者的治疗。
发明内容
本发明实施例提供一种骨转移瘤和骨岛的能谱CT鉴别模型生成方法及鉴别方法，以解决骨转移瘤与骨岛的形态相近，医护人员难以直接有效地鉴别CT图像中是骨转移瘤症状还是骨岛症状的问题。
一种骨转移瘤和骨岛的能谱CT鉴别模型生成方法，包括：
采集携带图像标识的原始能谱CT图，所述图像标识为骨转移瘤标识或骨岛标识；
从所述原始能谱CT图中勾画出感兴趣区域，获取训练感兴趣能谱CT图；
采用特征提取算法对所述训练感兴趣能谱CT图进行特征提取，获取所述训练感兴趣能谱CT图的待筛选特征；
采用F检验算法对所述待筛选特征进行筛选，获取目标训练特征；
基于所述目标训练特征和对应的所述图像标识，形成目标训练样本，采用所述目标训练样本对预设分类模型进行训练，获取骨转移瘤和骨岛图像鉴别模型。
一种能谱CT图像鉴别方法，其特征在于，包括：
获取待鉴别能谱CT图；
从所述待鉴别能谱CT图中勾画出感兴趣区域，获取待鉴别感兴趣能谱CT图；
采用特征提取算法对待鉴别感兴趣能谱CT图进行特征提取，获取与目标训练特征相对应的待鉴别特征；
将待鉴别特征输入骨转移瘤和骨岛图像鉴别模型，获取鉴别结果。
上述骨转移瘤和骨岛的能谱CT鉴别模型生成及鉴别方法，采集携带图像标识的原始能谱CT图，所述图像标识为骨转移瘤标识或骨岛标识，以便后续训练出可以自动化识别出能谱CT图对应症状为骨转移瘤还是骨岛的鉴别模型，提高鉴别效率。从所述原始能谱CT图中勾画出感兴趣区域，获取训练感兴趣能谱CT图，勾画出感兴趣区域以获取训练感兴趣能谱CT图，可以使得后续的处理具有针对性，加快处理效率。采用特征提取算法对所述训练感兴趣能谱CT图进行特征提取，获取所述训练感兴趣能谱CT图的待筛选特征，可以完整、全面地表示出训练感兴趣能谱CT图的所有特征，确保生成的骨转移瘤和骨岛图像鉴别模型更加精准。采用F检验算法对所述待筛选特征进行筛选，获取目标训练特征，通过F检验算法对待筛选特征进行筛选出骨转移瘤与骨岛间显著差异性大的待筛选特征形成目标训练特征，确保后续训练的骨转移瘤和骨岛图像鉴别模型能够有效地识别出骨转移瘤与骨岛，提高骨转移瘤和骨岛图像鉴别模型的准确率。基于所述目标训练特征和对应的所述图像标识，形成目标训练样本，采用所述目标训练样本对预设分类模型进行训练，获取骨转移瘤和骨岛图像鉴别模型，实现快速地对能谱CT图进行分类，为医护人员提供有力的支持。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中骨转移瘤和骨岛的能谱CT鉴别模型生成方法的一应用环境示意图；
图2是本发明一实施例中骨转移瘤和骨岛的能谱CT鉴别模型生成方法的一流程图；
图3是本发明一实施例中骨转移瘤和骨岛的能谱CT鉴别模型生成方法的另一流程图；
图4是本发明一实施例中骨转移瘤和骨岛的能谱CT鉴别模型生成方法的另一流程图；
图5是本发明一实施例中骨转移瘤和骨岛的能谱CT鉴别模型生成方法的另一流程图；
图6是本发明一实施例中骨转移瘤和骨岛的能谱CT鉴别模型生成方法的另一流程图；
图7是本发明一实施例中骨转移瘤和骨岛的能谱CT鉴别模型生成方法的另一流程图；
图8是本发明一实施例中能谱CT图像鉴别方法的一流程图；
图9是本发明中接收者操作特征曲线图；
图10是本发明中训练感兴趣能谱CT图和对应的直方图。
具体实施方式
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作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。
本发明实施例提供的骨转移瘤和骨岛的能谱CT鉴别模型生成方法，该骨转移瘤和骨岛的能谱CT鉴别模型生成方法可应用如图1所示的应用环境中。具体地，该骨转移瘤和骨岛的能谱CT鉴别模型生成方法应用在骨转移瘤和骨岛的能谱CT鉴别模型生成系统中，该骨转移瘤和骨岛的能谱CT鉴别模型生成系统包括如图1所示的客户端和服务器，客户端与服务器通过网络进行通信，用于生成准确率高的骨转移瘤和骨岛图像鉴别模型。其中，客户端又称为用户端，是指与服务器相对应,为客户提供本地服务的程序。客户端可安装在但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备上。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种骨转移瘤和骨岛的能谱CT鉴别模型生成方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：
S201：采集携带图像标识的原始能谱CT图，图像标识为骨转移瘤标识或骨岛标识。
其中，原始能谱CT图是采用能谱CT技术获取的图像。能谱CT技术可快速瞬时切换双千伏峰位(kilo volt speak，kVp)能量X线得到采样数据，采用高(140kVp)和低(70kVp)对获得的两组采样数据进行处理，生成体素在40～140千电子伏(kilo electron volt，keV)能量范围内的衰减系数，同时获得不同类型的重建图像或定量分析(例如，101个单能量图像、有效原子序数、基物质图、能谱曲线和加权图像等)。
图像标识是表示原始能谱CT图对应症状的标识，该图像标识为骨转移瘤标识或骨岛标识。例如，原始能谱CT图的图像标识为骨转移瘤标识，则原始能谱CT图为骨转移瘤对应的能谱CT图。
本实施例中图像标识为骨转移瘤标识或骨岛标识，也即原始能谱CT图是骨转移瘤能谱CT图或骨岛能谱CT图进行处理，以便后续训练出可以自动化识别出能谱CT图对应症状为骨转移瘤还是骨岛的骨转移瘤和骨岛图像鉴别模型，提高鉴别效率。
S202：从原始能谱CT图中勾画出感兴趣区域，获取训练感兴趣能谱CT图。
其中，训练感兴趣能谱CT图是指从原始能谱CT图勾勒出骨转移瘤或骨岛的区域形成的图。感兴趣区域是从原始能谱CT图中以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域。本示例中，勾画出感兴趣区域以获取训练感兴趣能谱CT图可以使得后续的处理具有针对性，加快处理效率。
S203：采用特征提取算法对训练感兴趣能谱CT图进行特征提取，获取训练感兴趣能谱CT图的待筛选特征。
其中，待筛选特征是表示训练感兴趣能谱CT图的特征，该待筛选特征包括一阶特征、纹理特征、差异性和自相关性，该一阶特征包括熵、方差、最大值和最小值等；纹理特征包括频度等。本实施例中，提取包括一阶特征和纹理特征、差异性和自相关性的待筛选特征，可以完整、全面地表示出训练感兴趣能谱CT图的所有特征，确保生成的骨转移瘤和骨岛图像鉴别模型更加精准。
特征提取算法是用于提取训练感兴趣能谱CT图的待筛选特征的算法。特征提取算法包括但不限于一阶特征提取算法、统计方法和信号处理法等。
一阶特征提取算法是计算训练感兴趣能谱CT图中各个像素的强度，以便直观地对训练感兴趣能谱CT图的一阶特征特征进行统计的算法。一阶特征提取算法包括但不限于直方图函数、Sobel算法和canny算法等。
统计方法是基于像素及其邻域的灰度属性，来研究纹理区域的统计特性的方法。统计方法通过统计共生矩阵中各种特性，得出灰度共生矩阵中的四个关键特征：能量、惯量、熵和相关性，统计方法具有有较强的适应性与鲁棒性。
信号处理法是建立在时域、频域分析，以及多尺度分析的基础上图像某个区域内实行变换后，再提取出能够保持相对平稳的特征值，并以该特征值作为特征，表示区域内的一致性以及区域之间的相异性。信号处理法包括但不限于灰度共生矩阵、Tamura纹理特征、自回归纹理模型和小波变换等。
S204：采用F检验算法对待筛选特征进行筛选，获取目标训练特征。
其中，F检验算法又叫方差齐性检验，用于计算骨转移瘤的待筛选特征与骨岛的待筛选特征显著差异性的算法。具体地，采用F检验算法计算待筛选特征的特征F值，筛选大于预设F值的特征F值对应的待筛选特征，基于该待筛选特征确定目标训练特征。通常情况下，特征F值大于预设F值，则骨转移瘤的待筛选特征与骨岛的待筛选特征显著差异性较大；特征F值不大于预设F值，则骨转移瘤的待筛选特征与骨岛的待筛选特征的显著差异性较小。
目标训练特征是对待筛选特征进行筛选后，得到的骨转移瘤与骨岛显著差异性较大的特征。
本实施例中通过F检验算法对待筛选特征进行筛选出骨转移瘤与骨岛间显著差异性大的待筛选特征形成目标训练特征，确保后续训练的骨转移瘤和骨岛图像鉴别模型能够有效地识别出骨转移瘤与骨岛，提高骨转移瘤和骨岛图像鉴别模型的准确率。
S205：基于目标训练特征和对应的图像标识，形成目标训练样本，采用目标训练样本对预设分类模型进行训练，获取骨转移瘤和骨岛图像鉴别模型。
其中，骨转移瘤和骨岛图像鉴别模型是用于对能谱CT图进行图像鉴别，以确定能谱CT图对应的症状是骨转移瘤还是骨岛的模型，实现快速地对能谱CT图进行分类，为医护人员提供有力的支持。
本实施例所提供的骨转移瘤和骨岛的能谱CT鉴别模型生成方法，采集携带图像标识的原始能谱CT图，图像标识为骨转移瘤标识或骨岛标识，以便后续训练出可以自动化识别出能谱CT图对应症状为骨转移瘤还是骨岛的鉴别模型，提高鉴别效率。从原始能谱CT图中勾画出感兴趣区域，获取训练感兴趣能谱CT图，勾画出感兴趣区域以获取训练感兴趣能谱CT图，可以使得后续的处理具有针对性，加快处理效率。采用特征提取算法对训练感兴趣能谱CT图进行特征提取，获取训练感兴趣能谱CT图的待筛选特征，可以完整、全面地表示出训练感兴趣能谱CT图的所有特征，确保生成的骨转移瘤和骨岛图像鉴别模型更加精准。采用F检验算法对待筛选特征进行筛选，获取目标训练特征，通过F检验算法对待筛选特征进行筛选出骨转移瘤与骨岛间显著差异性大的待筛选特征形成目标训练特征，确保后续训练的骨转移瘤和骨岛图像鉴别模型能够有效地识别出骨转移瘤与骨岛，提高骨转移瘤和骨岛图像鉴别模型的准确率。基于目标训练特征和对应的图像标识，形成目标训练样本，采用目标训练样本对预设分类模型进行训练，获取骨转移瘤和骨岛图像鉴别模型，实现快速地对能谱CT图进行分类，为医护人员提供有力的支持。
在一实施例中，原始能谱CT图包括钙-水图、水-钙图和碘-钙图。如图3，步骤S201，即采集携带图像标识的原始能谱CT图，包括：
S301：获取平扫能谱CT图，对平扫能谱CT图进行物质分离，获取钙-水图和水-钙图。
其中，物质分离指任何一种物质的X线吸收系数可以转变为相应比例2种不同基物质对的吸收系数，并产生与该物质相同的X线衰减效应，将1种物质的衰减转化为产生同样衰减的2种物质的密度，同时获得匹配的基物质图。例如，钙-水图(即钙基图)和水-钙图(即水基图)。通常情况下，物质分离可以得到不同基物质(水、碘、钙和脂肪等)的图像。
具体地，获取平扫能谱CT图，对平扫能谱CT图进行物质分离即直接采用能谱CT对患者进行扫描获取平扫能谱CT图，然后对平扫能谱CT图进行物质分离处理，以得到钙-水图和水-钙图，以有效地确定骨转移瘤对应的基物质的密度和骨岛的基物质的密度，以根据基物质的密度实现对基物质进行定量分析，以确保生成鉴别效果较好的骨转移瘤和骨岛图像鉴别模型。
S302：获取增强能谱CT图，对增强能谱CT图进行物质分离，获取碘-钙图。
具体地，获取增强能谱CT图，对增强能谱CT图进行物质分离即预先为患者打造影剂，再采用能谱CT对患者进行扫描，获取增强能谱CT图，然后对增强能谱CT图进行物质分离处理，以得到碘-钙图。需要说明地是，碘-钙图可以定量分析组织中碘的分布和浓度，间接反映组织器官的血流动力学情况，实现根据基物质的密度实现对基物质进行定量分析，以确保生成鉴别效果较好的骨转移瘤和骨岛图像鉴别模型。
本实施例所提供的骨转移瘤和骨岛的能谱CT鉴别模型生成方法，获取平扫能谱CT图，对平扫能谱CT图进行物质分离，获取钙-水图和水-钙图，获取增强能谱CT图，对增强能谱CT图进行物质分离，获取碘-钙图，以实现根据钙-水图、水-钙图和碘-钙图有效地确定骨转移瘤对应的基物质的密度和骨岛的基物质的密度，以根据基物质的密度实现对基物质进行定量分析，以确保生成鉴别效果较好的骨转移瘤和骨岛图像鉴别模型。
在一实施例中，待筛选特征为纹理特征和一阶特征。如图4，步骤S203，即采用特征提取算法对训练感兴趣能谱CT图进行特征提取，获取训练感兴趣能谱CT图的待筛选特征，包括：
S401：采用灰度矩阵算法对训练感兴趣能谱CT图进行特征提取，获取训练感兴趣能谱CT图对应的纹理特征。
其中，灰度矩阵算法是通过研究灰度的空间相关特性来描述纹理的算法，该灰度矩阵算法包括但不限于灰度共生矩阵算法、灰度游程矩阵算法、邻域灰度差矩阵算法和邻域灰度差矩阵算法。
纹理特征是一种反映图像中同质现象的视觉特征，它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性。纹理具有三大标志：某种局部序列性不断重复、非随机排列和纹理区域内大致为均匀的统一体。
本实施例中，训练感兴趣能谱CT图指骨转移瘤的钙-水图、水-钙图和碘-钙图中的感兴趣区域对应的图像，或者骨岛的钙-水图、水-钙图和碘-钙图中感兴趣区域对应的图像。
具体地，采用灰度矩阵算法提取训练感兴趣能谱CT图的纹理特征，该纹理特征具有较好的鉴别能力，以区分骨转移瘤的训练感兴趣能谱CT图和骨岛的训练感兴趣能谱CT图的特征，确保后续训练的骨转移瘤和骨岛图像鉴别模型鉴别能谱CT的准确率更高。
S402：根据直方图函数，对训练感兴趣能谱CT图进行处理，获取训练感兴趣能谱CT图对应的目标直方图，基于目标直方图，获取训练感兴趣能谱CT图对应的一阶特征。
其中，直方图函数是用于生成与训练感兴趣能谱CT图对应的直方图的函数，该直方图函数包括但不限于calcHist函数。直方图可以直观地显示图像中不同像素的强度，以便后续进行分析，以得到一阶特征。
目标直方图是与训练感兴趣能谱CT图对应的直方图。具体地，调用直方图函数统计训练感兴趣能谱CT图中的各个像素在整幅图像中所占的比例，得到目标直方图，在统计目标直方图的一阶特征，为后续的模型训练提供数据。本实施例中，如图10所示，图10中包括训练感兴趣能谱CT图和对应的直方图。其中，图10中第1行是图像标识为骨岛的训练感兴趣能谱CT图(即图中的钙(水)图对应钙-水图、水-钙图对应图中的水(钙)图、和碘-钙图对应图中的碘(钙)图)，第2行是图像标识为骨岛的训练感兴趣能谱CT图对应的直方图；图10中第3行是图像标识为骨转移瘤的训练感兴趣能谱CT图(即图中的钙(水)图对应钙-水图、水-钙图对应图中的水(钙)图、和碘-钙图对应图中的碘(钙)图)，第4行是图像标识为骨转移瘤的训练感兴趣能谱CT图对应的直方图。
本实施例中，一阶特征包括10百分位、90百分位、能量、熵、四分位间隔、峰度、最大值、平均值、中值、最小值、值域、平均绝对偏差、鲁棒平均绝对偏差、均方根、偏度、均匀度和方差，本实施例中一阶特征数据更加多样化，确保后续的模型训练更加精准。
本实施例所提供的骨转移瘤和骨岛的能谱CT鉴别模型生成方法，采用灰度矩阵算法对训练感兴趣能谱CT图进行特征提取，获取训练感兴趣能谱CT图对应的纹理特征，该纹理特征具有较好的鉴别能力，以区分骨转移瘤和骨岛训练感兴趣能谱CT图的特征，确保后续训练的骨转移瘤和骨岛图像鉴别模型鉴别能谱CT的准确率更高。根据直方图函数，对训练感兴趣能谱CT图进行处理，获取训练感兴趣能谱CT图对应的目标直方图，基于目标直方图，获取训练感兴趣能谱CT图对应的一阶特征，为后续的模型训练提供数据。
在一实施例中，如图5所示，步骤S401，即采用灰度矩阵算法对训练感兴趣能谱CT图进行特征提取，获取训练感兴趣能谱CT图对应的纹理特征，包括：
S501：采用灰度共生矩阵算法对训练感兴趣能谱CT图进行特征提取，获取灰度共生矩阵特征。
其中，灰度共生矩阵算法(Gray-level co-occurrence matrix，GLCM)，就是通过计算灰度图像得到它的共生矩阵，然后透过计算该共生矩阵得到矩阵的部分特征值，来分别代表图像的纹理特征。灰度共生矩阵特征能反映图像灰度的方向、相邻间隔、变化幅度等综合信息，它是分析图像的局部模式和它们排列规则的基础。
本实施例中，灰度共生矩阵特征包括能量、对比度、相关性、同质性、方差、和方差及熵，采集训练感兴趣能谱CT图的灰度共生矩阵特征，以便计算机可以更好地区分骨转移瘤和骨岛对应训练感兴趣能谱CT图的方差和。
S502：采用灰度游程矩阵算法对训练感兴趣能谱CT图进行特征提取，获取灰度游程矩阵特征。
其中，灰度游程矩阵算法(Gray-Level Run-Length Matrix,GLRLM)就是灰度值游行的长度所组成的矩阵，即GLRLM是在一维方向上记录连续b个像素值a连续相邻的情况的出现的次数。具体地，采集采用预设的灰度共生矩阵为D[a,b,theta]计算训练感兴趣能谱CT图的灰度游程矩阵特征，a表示训练感兴趣能谱CT图中的像素值，a的所有取值为训练感兴趣能谱CT图的灰度级数，b表示像素值所游走的长度，也就是在图像中有b个连续的a出现，theta表示计算的方向，一般有0度、45度、90度和135度。
本实施例中，灰度游程矩阵特征包括短期重点、长期重点、灰度不均匀性、扫描宽度不均匀、运行百分比、低灰度运行的重点、高灰度运行的重点、短期低灰度重点、短期高灰度重点、长期低灰度重点、长期高灰度重点、游程方差和灰度方差。
S503：采用邻域灰度差矩阵算法对训练感兴趣能谱CT图进行特征提取，获取灰度区域大小矩阵特征。
邻域灰度差矩阵算法是(gray-level size zone matrix，GLSZM)统计训练感兴趣能谱CT图中像素值的分布的算法。GLSZM是在二维区域内记录图像区域内有b个a元素相邻的情况的出现的次数或者概率。因此，灰度游程矩阵特征和灰度区域大小矩阵特征可以从不同维度上统计训练感兴趣能谱CT图的纹理特征，以提取骨转移瘤对应的训练感兴趣能谱CT图和骨岛对应的训练感兴趣能谱CT图的纹理区域的不同特性，提高后续模型的准确性。
本实施例中，灰度区域大小矩阵特征包括小区域重点；大区域重点；灰度不均匀性；区域大小不均匀；区域百分比；低灰度区重点；高灰度区重点；小区域低灰度重点；小区域高灰度重点；大区域低灰度重点；大区域高灰度重点；灰度方差；区域大小方差。
S504：采用邻域灰度差矩阵算法对训练感兴趣能谱CT图进行特征提取，获取邻域灰度差矩阵特征。
其中，邻域灰度差矩阵算法(Neighbourhood gray-tone difference matrix，NGTDM)。本实施例中，提取训练感兴趣能谱CT图的邻域灰度差矩阵特征，可以为后续的模型训练提供更多的纹理特征，以提高模型准确性。
邻域灰度差矩阵特征包括粗糙度、对比度、频度、复杂度和纹理强度。
本实施例中，纹理特征包括灰度共生矩阵特征、灰度游程矩阵特征、灰度区域大小矩阵特征和邻域灰度差矩阵特征。
本实施例所提供的骨转移瘤和骨岛的能谱CT鉴别模型生成方法，采用灰度共生矩阵算法对训练感兴趣能谱CT图进行特征提取，获取灰度共生矩阵特征，以便计算机可以更好地区分骨转移瘤和骨岛对应训练感兴趣能谱CT图的方差和。采用灰度游程矩阵算法对训练感兴趣能谱CT图进行特征提取，获取灰度游程矩阵特征，采用邻域灰度差矩阵算法对训练感兴趣能谱CT图进行特征提取，获取灰度区域大小矩阵特征，灰度游程矩阵特征和灰度区域大小矩阵特征可以从不同维度上统计训练感兴趣能谱CT图的纹理特征，以提取骨转移瘤对应的训练感兴趣能谱CT图和骨岛对应的训练感兴趣能谱CT图的纹理区域的不同特性，提高后续模型的准确性。采用邻域灰度差矩阵算法对训练感兴趣能谱CT图进行特征提取，获取邻域灰度差矩阵特征，可以为后续的模型训练提供更多的纹理特征，以提高模型准确性。
在一实施例中，如图6所示，步骤S204，即采用F检验算法对待筛选特征进行筛选，获取目标训练特征，包括：
S601：计算待筛选特征的特征间方差及特征内方差。
具体地，特征内方差是骨转移瘤对应的待筛选特征和骨岛对应的待筛选特征间的方差，其计算公式为
Figure BDA0002585618480000141
特征间方差为骨转移瘤对应的待筛选特征的方差，或者骨岛对应的待筛选特征的方差，其计算公式为
Figure BDA0002585618480000142
其中，k为特征类别，即骨转移瘤对应的待筛选特征和骨岛对应的待筛选特征的特征类别，因此，本实施例中，k＝2；nj为每一训练感兴趣能谱CT图对应的待筛选特征的数量，例如，本实施例中，一阶特征为17个，纹理特征为40个，由于原始能谱CT图包括钙-水图、水-钙图和碘-钙图，训练感兴趣能谱CT图从原始能谱CT图中勾画出感兴趣区域形成的图像，因此，训练感兴趣能谱CT图也包括对应的钙-水图、水-钙图和碘-钙图，训练感兴趣能谱CT图对应的待筛选特征为171个。第j个特征的样本数为nj，xij表示第j(j为非0正整数)个特征的第i(i为非0正整数)个样本，xj表示第j个特征的样本均值，即
Figure BDA0002585618480000143
为总的待筛选特征的数量均值
Figure BDA0002585618480000144
n为总的待筛选特征的数量
Figure BDA0002585618480000145
S602：基于待筛选特征的特征间方差及特征内方差，计算每一待筛选特征的对应的特征F值。
其中，特征F值为特征间方差均值及特征内方差均值的比值，特征F值的计算公式为
Figure BDA0002585618480000151
本实施例中，通过统计每一待筛选特征的对应的特征F值，以便后续筛选出差异性较大的目标训练特征，确保模型训练的数据差异性较大，以提高模型的准确度。其中，k-1是特征间方差的自由度；n-k是特征内方差的自由度。
S603：对特征F值大于预设F值的待筛选特征进行处理，获取目标训练特征。
其中，预设F值是预先设定的阈值，用于从待筛选特征中筛选出目标训练特征。
目标训练特征是用于训练分类模型的特征。本实施例中，对待筛选特征进行筛选，选择出差异性较大的目标训练特征，剔除无关特征和冗余特征，从而提高了骨转移瘤和骨岛图像鉴别模型的准确性，并提高了训练速度。如图9所示，该图为接收者操作特征曲线图，图中曲线分别为采用待筛选特征训练分类模型后获得的骨转移瘤和骨岛图像鉴别模型所检测的第一接收者操作特征曲线，该第一接收者操作特征曲线对应有ROC曲线下的面积(Area Under Curve，AUC)为0.83；采用目标训练特征分类模型后获得的骨转移瘤和骨岛图像鉴别模型所检测的第二接收者操作特征曲线，该第二接收者操作特征曲线对应有ROC曲线下的面积为0.86；由于第一接收者操作特征曲线对应有ROC曲线下的面积小于第二接收者操作特征曲线对应有ROC曲线下的面积，也就是说目标训练特征分类模型后获得的骨转移瘤和骨岛图像鉴别模型的鉴别效果更佳。
本实施例所提供的骨转移瘤和骨岛的能谱CT鉴别模型生成方法，计算待筛选特征的特征间方差及特征内方差，以便后续计算待筛选特征的检验F值。基于待筛选特征的特征间方差及特征内方差，计算每一待筛选特征的对应的特征F值，通过统计每一待筛选特征的对应的特征F值，以便后续筛选出差异性较大的目标训练特征，确保模型训练的数据差异性较大，以提高模型的准确度。对特征F值大于预设F值的待筛选特征进行处理，获取目标训练特征，选择出差异性较大的目标训练特征，从而提高了骨转移瘤和骨岛图像鉴别模型的准确性，并提高了训练速度。
在一实施例中，如图7所示，步骤603，即对特征F值大于预设F值的待筛选特征进行处理，获取目标训练特征，包括：
S701：将特征F值大于预设F值的待筛选特征确定为训练原始特征。
其中，训练原始特征是对待筛选特征进行筛选后获得的特征。
S702：对训练原始特征进行归一化处理，获取目标训练特征。
具体地，采用归一化处理公式
Figure BDA0002585618480000161
对训练原始特征进行归一化处理，以缩短模型训练时间，加快训练速度。具体地，本实施例最终筛选的目标训练特征如下表所示。
Figure BDA0002585618480000162
Figure BDA0002585618480000171
本实施例所提供的骨转移瘤和骨岛的能谱CT鉴别模型生成方法，将特征F值大于预设F值的待筛选特征确定为训练原始特征，对训练原始特征进行归一化处理，获取目标训练特征，以缩短模型训练时间，加快训练速度。
在一实施例中，如图8所示，本发明提供一种能谱CT图像鉴别方法，包括以下步骤：
S801：获取待鉴别能谱CT图。
其中，待鉴别能谱CT图是需要进行识鉴别的能谱CT图，以确保待鉴别能谱CT图的症状是骨转移瘤还是骨岛。
S802：从待鉴别能谱CT图中勾画出感兴趣区域，获取待鉴别感兴趣能谱CT图。
本示例中，步骤S802中勾画出感兴趣区域的处理过程与步骤S202中勾画出感兴趣区域的处理过程相同，为避免重复，此处不一一赘述。
S803：采用特征提取算法对待鉴别感兴趣能谱CT图进行特征提取，获取与上述目标训练特征相对应的待鉴别特征。
可以理解地，由于步骤S204中已经确定了目标训练特征，因此，直接从待鉴别感兴趣能谱CT图提取出待鉴别特征，以加快鉴别效率。
S804：将待鉴别特征输入骨转移瘤和骨岛图像鉴别模型，获取鉴别结果。
其中，鉴别结果是待鉴别能谱CT图的症状是骨转移瘤还是骨岛的结果，通过骨转移瘤和骨岛图像鉴别模型直接得出鉴别结果，以便为医护人员提供技术支持。
本实施例所提供的能谱CT图像鉴别方法，获取待鉴别能谱CT图。从所述获取待鉴别能谱CT图中勾画出感兴趣区域，获取待鉴别感兴趣能谱CT图。采用特征提取算法对待鉴别感兴趣能谱CT图进行特征提取，获取待鉴别特征，以加快鉴别效率。将所述待鉴别特征输入骨转移瘤和骨岛图像鉴别模型，获取鉴别结果，以便为医护人员提供技术支持。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述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，均应包含在本发明的保护范围之内。

Claims (7)

1.一种骨转移瘤和骨岛的能谱CT鉴别模型生成方法，其特征在于，包括：
采集携带图像标识的原始能谱CT图，所述图像标识为骨转移瘤标识或骨岛标识；
从所述原始能谱CT图中勾画出感兴趣区域，获取训练感兴趣能谱CT图；
采用特征提取算法对所述训练感兴趣能谱CT图进行特征提取，获取所述训练感兴趣能谱CT图的待筛选特征；
采用F检验算法对所述待筛选特征进行筛选，获取目标训练特征；
基于所述目标训练特征和对应的所述图像标识，形成目标训练样本，采用所述目标训练样本对预设分类模型进行训练，获取骨转移瘤和骨岛图像鉴别模型。
2.如权利要求1所述的骨转移瘤和骨岛的能谱CT鉴别模型生成方法，其特征在于，所述原始能谱CT图包括钙-水图、水-钙图和碘-钙图；
所述采集携带图像标识的原始能谱CT图，包括：
获取平扫能谱CT图，对所述平扫能谱CT图进行物质分离，获取钙-水图和水-钙图；
获取增强能谱CT图，对所述增强能谱CT图进行物质分离，获取碘-钙图。
3.如权利要求1所述的骨转移瘤和骨岛的能谱CT鉴别模型生成方法，其特征在于，所述待筛选特征为纹理特征和一阶特征，所述采用特征提取算法对所述训练感兴趣能谱CT图进行特征提取，获取所述训练感兴趣能谱CT图的待筛选特征，包括：
采用灰度矩阵算法对所述训练感兴趣能谱CT图进行特征提取，获取所述训练感兴趣能谱CT图对应的纹理特征；
根据直方图函数，对所述训练感兴趣能谱CT图进行处理，获取所述训练感兴趣能谱CT图对应的目标直方图，基于所述目标直方图，获取所述训练感兴趣能谱CT图对应的一阶特征。
4.如权利要求3所述的骨转移瘤和骨岛的能谱CT鉴别模型生成方法，其特征在于，所述采用灰度矩阵算法对所述训练感兴趣能谱CT图进行特征提取，获取所述训练感兴趣能谱CT图对应的纹理特征，包括：
采用灰度共生矩阵算法对所述训练感兴趣能谱CT图进行特征提取，获取灰度共生矩阵特征；
采用灰度游程矩阵算法对所述训练感兴趣能谱CT图进行特征提取，获取灰度游程矩阵特征；
采用邻域灰度差矩阵算法对所述训练感兴趣能谱CT图进行特征提取，获取灰度区域大小矩阵特征；
采用邻域灰度差矩阵算法对所述训练感兴趣能谱CT图进行特征提取，获取邻域灰度差矩阵特征；
其中，所述纹理特征包括灰度共生矩阵特征、灰度游程矩阵特征、灰度区域大小矩阵特征和邻域灰度差矩阵特征。
5.如权利要求1所述的骨转移瘤和骨岛的能谱CT鉴别模型生成方法，其特征在于，所述采用F检验算法对所述待筛选特征进行筛选，获取目标训练特征，包括：
计算待筛选特征的特征间方差及特征内方差；
基于待筛选特征的所述特征间方差及特征内方差，计算每一所述待筛选特征的对应的特征F值；
对所述特征F值大于预设F值的所述待筛选特征进行处理，获取目标训练特征。
6.如权利要求5所述的骨转移瘤和骨岛的能谱CT鉴别模型生成方法，其特征在于，所述对所述特征F值大于预设F值的所述待筛选特征进行处理，获取目标训练特征，包括：
将所述特征F值大于预设F值的所述待筛选特征确定为训练原始特征；
对所述训练原始特征进行归一化处理，获取目标训练特征。
7.一种能谱CT图像鉴别方法，其特征在于，包括：
获取待鉴别能谱CT图；
从所述待鉴别能谱CT图中勾画出感兴趣区域，获取待鉴别感兴趣能谱CT图；
采用特征提取算法对待鉴别感兴趣能谱CT图进行特征提取，获取与权利要求1-6任一项所述目标训练特征相对应的待鉴别特征；
将待鉴别特征输入如权利要求1-6的骨转移瘤和骨岛图像鉴别模型，获取鉴别结果。
CN202010680425.7A 2020-07-15 2020-07-15 骨转移瘤和骨岛的能谱ct鉴别模型生成方法及鉴别方法 Pending CN111833332A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010680425.7A CN111833332A (zh) 2020-07-15 2020-07-15 骨转移瘤和骨岛的能谱ct鉴别模型生成方法及鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010680425.7A CN111833332A (zh) 2020-07-15 2020-07-15 骨转移瘤和骨岛的能谱ct鉴别模型生成方法及鉴别方法

Publications (1)

Publication Number Publication Date
CN111833332A true CN111833332A (zh) 2020-10-27

Family

ID=72924293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010680425.7A Pending CN111833332A (zh) 2020-07-15 2020-07-15 骨转移瘤和骨岛的能谱ct鉴别模型生成方法及鉴别方法

Country Status (1)

Country Link
CN (1) CN111833332A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114529549A (zh) * 2022-04-25 2022-05-24 南通东德纺织科技有限公司 一种基于机器视觉的布匹缺陷标注方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030013951A1 (en) * 2000-09-21 2003-01-16 Dan Stefanescu Database organization and searching
CN101669828A (zh) * 2009-09-24 2010-03-17 复旦大学 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测系统
US20120078099A1 (en) * 2010-04-20 2012-03-29 Suri Jasjit S Imaging Based Symptomatic Classification Using a Combination of Trace Transform, Fuzzy Technique and Multitude of Features
CN108537773A (zh) * 2018-02-11 2018-09-14 中国科学院苏州生物医学工程技术研究所 针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法
US20180350075A1 (en) * 2017-06-01 2018-12-06 Siemens Healthcare Gmbh Comparing medical images
CN110378875A (zh) * 2019-06-18 2019-10-25 中国科学院苏州生物医学工程技术研究所 基于机器学习算法的体内尿路结石成分鉴别方法
CN110796656A (zh) * 2019-11-01 2020-02-14 上海联影智能医疗科技有限公司 图像检测方法、装置、计算机设备和存储介质
CN110969204A (zh) * 2019-11-29 2020-04-07 中国科学院自动化研究所 基于磁共振图像与数字病理图像融合的样本分类系统
CN111105092A (zh) * 2019-12-20 2020-05-05 山大地纬软件股份有限公司 面向医院医保限额分配的数据交互系统及方法
CN111260636A (zh) * 2020-01-19 2020-06-09 郑州大学 模型训练方法及设备、图像处理方法及设备以及介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030013951A1 (en) * 2000-09-21 2003-01-16 Dan Stefanescu Database organization and searching
CN101669828A (zh) * 2009-09-24 2010-03-17 复旦大学 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测系统
US20120078099A1 (en) * 2010-04-20 2012-03-29 Suri Jasjit S Imaging Based Symptomatic Classification Using a Combination of Trace Transform, Fuzzy Technique and Multitude of Features
US20180350075A1 (en) * 2017-06-01 2018-12-06 Siemens Healthcare Gmbh Comparing medical images
CN108537773A (zh) * 2018-02-11 2018-09-14 中国科学院苏州生物医学工程技术研究所 针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法
CN110378875A (zh) * 2019-06-18 2019-10-25 中国科学院苏州生物医学工程技术研究所 基于机器学习算法的体内尿路结石成分鉴别方法
CN110796656A (zh) * 2019-11-01 2020-02-14 上海联影智能医疗科技有限公司 图像检测方法、装置、计算机设备和存储介质
CN110969204A (zh) * 2019-11-29 2020-04-07 中国科学院自动化研究所 基于磁共振图像与数字病理图像融合的样本分类系统
CN111105092A (zh) * 2019-12-20 2020-05-05 山大地纬软件股份有限公司 面向医院医保限额分配的数据交互系统及方法
CN111260636A (zh) * 2020-01-19 2020-06-09 郑州大学 模型训练方法及设备、图像处理方法及设备以及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
裴旭;王平;任建发;任嘉梁;殷小平;樊树梅;邢立红;周欢;: "应用基于增强CT的影像组学模型鉴别高低级别肾透明细胞癌的研究", 临床放射学杂志, no. 03 *
钟毅;刘欣;肖云丹;杨海涛;: "医学影像纹理分析在骨肌系统疾病中的研究进展", 磁共振成像, no. 05 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114529549A (zh) * 2022-04-25 2022-05-24 南通东德纺织科技有限公司 一种基于机器视觉的布匹缺陷标注方法及系统

Similar Documents

Publication Publication Date Title
Khan et al. Lungs nodule detection framework from computed tomography images using support vector machine
US9480439B2 (en) Segmentation and fracture detection in CT images
Eltoukhy et al. A statistical based feature extraction method for breast cancer diagnosis in digital mammogram using multiresolution representation
AlZubi et al. Multiresolution analysis using wavelet, ridgelet, and curvelet transforms for medical image segmentation
EP3207521B1 (en) Image analysis method supporting illness development prediction for a neoplasm in a human or animal body
Kairuddin et al. Texture feature analysis for different resolution level of kidney ultrasound images
CN104751160B (zh) 基于稀疏自动编码深度网络的乳腺图像处理方法
Kaur et al. An automatic CAD system for early detection of lung tumor using back propagation network
Rahouma et al. Lung cancer diagnosis based on Chan-Vese active contour and polynomial neural network
Somwanshi et al. Medical images texture analysis: A review
Jaleel et al. Textural features based computer aided diagnostic system for mammogram mass classification
Anjaiah et al. Effective texture features for segmented mammogram images
CN116740386A (zh) 图像处理方法、装置、设备和计算机可读存储介质
Zhang et al. A novel automatic tumor detection for breast cancer ultrasound images
Faye et al. Digital mammograms classification using a wavelet based feature extraction method
Nageswara Reddy et al. BRAIN MR IMAGE SEGMENTATION BY MODIFIED ACTIVE CONTOURS AND CONTOURLET TRANSFORM.
CN111833332A (zh) 骨转移瘤和骨岛的能谱ct鉴别模型生成方法及鉴别方法
Dovganich et al. Automatic quality control in lung X-ray imaging with deep learning
Anand et al. Architectural distortion detection in mammogram using contourlet transform and texture features
CN109840564B (zh) 一种基于超声造影图像均匀程度的分类系统
CN109800820B (zh) 一种基于超声造影图像均匀程度的分类方法
Aujla et al. Classification of lung pathologies in neonates using dual-tree complex wavelet transform
Pradeep et al. Segmentation and feature extraction of tumors from digital mammograms
Arymurthy Association technique based on classification for classifying microcalcification and mass in mammogram
Sudha et al. Hybrid approach towards feature selection for breast tumour classification from screening mammograms

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

Application publication date: 20201027

RJ01 Rejection of invention patent application after publication