CN111932492B - 一种医学图像处理方法、装置及计算机可读存储介质 - Google Patents

一种医学图像处理方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN111932492B
CN111932492B CN202010592369.1A CN202010592369A CN111932492B CN 111932492 B CN111932492 B CN 111932492B CN 202010592369 A CN202010592369 A CN 202010592369A CN 111932492 B CN111932492 B CN 111932492B
Authority
CN
China
Prior art keywords
medical image
region
target
feature vector
focus
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
Application number
CN202010592369.1A
Other languages
English (en)
Other versions
CN111932492A (zh
Inventor
刘仙伟
阳光
肖乾江
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.)
Yukun Beijing Network Technology Co ltd
Original Assignee
Shukun Beijing Network Technology Co Ltd
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 Shukun Beijing Network Technology Co Ltd filed Critical Shukun Beijing Network Technology Co Ltd
Priority to CN202010592369.1A priority Critical patent/CN111932492B/zh
Publication of CN111932492A publication Critical patent/CN111932492A/zh
Application granted granted Critical
Publication of CN111932492B publication Critical patent/CN111932492B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung

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)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种医学图像处理方法、装置及可读存储介质，所述方法包括：分别获取待检测对象基于第一时间的第一医学影像图和基于第二时间的第二医学影像图；并分别针对两组医学影像图进行肺叶区域分割，得到肺叶分割结果；根据对两组医学影像图的分割结果，确定两组医学影像图的变化信息；以及分别根据两组医学影像图的分割结果、变化信息进行特征提取，得到三组特征提取的特征向量，并进行特征向量合并；根据合并后的特征向量，确定基于两组医学影像图的检测结果。综合考虑历史医学图像数据和随访的医学图像数据，有效避免了单次医学图像检测结果的偶然性，提高了医学图像检测结果的精度。

Description

一种医学图像处理方法、装置及计算机可读存储介质
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种医学图像处理方法、装置及计算机可读存储介质。
背景技术
肺炎是一种常见的肺部疾病，利用医学影像图来检测肺炎是一种常用手段，但是目前的检测主要是通过一次检测的医学影像图来进行检测结果的判断。如果需要多次检测结果的综合判断，通常是依赖于医生或者专家们对两次或者多次检测的医学影像图进行比对，完全依赖于人工。
发明内容
本发明实施例为了解决医学图像检测过程中存在的上述问题，创造性地提供一种医学图像处理方法、装置及计算机可读存储介质。
根据本发明第一方面，提供了一种医学图像处理方法，所述方法包括：分别获取待检测对象基于第一时间的第一医学影像图和基于第二时间的第二医学影像图；分别对所述第一医学影像图和所述第二医学影像图进行肺叶区域分割，得到肺叶分割结果；对所述第一医学影像图进行图像分割，定位第一目标病灶区域；对所述第二医学影像图进行图像分割，定位第二目标病灶区域；根据所述肺叶分割结果、所述第一目标病灶区域和所述第二目标病灶区域，确定所述第一医学影像图和所述第二医学影像图的变化信息；根据所述第一目标病灶区域、所述第二目标病灶区域、所述变化信息，确定对应于所述第一医学图像和所述第二医学图像的合并特征向量；根据所述合并特征向量，确定基于所述第一医学影像图和所述第二医学影像图的检测结果。
根据本发明一实施方式，根据所述肺叶分割结果、所述第一目标病灶区域和所述第二目标病灶区域，确定所述第一医学影像图和所述第二医学影像图的变化信息，包括：根据所述第一目标病灶区域和所述肺叶分割结果，确定第一目标病灶区域中第1病灶区域、第2病灶区域……第n病灶区域对应的肺叶区域；根据每一病灶区域对应的肺叶区域，将所述第二目标病灶区域中每一病灶区域分别与第1区域、第2区域……第n区域进行配对，得到第一目标病灶区域和第二目标病灶区域中每一病灶区域的一一对应的病灶配准结果；根据所述病灶配准结果，确定所述变化信息；其中，n为正整数，肺叶区域包括：左上区域、左下区域、右上区域、右中区域、右下区域。
根据本发明一实施方式，所述变化信息包括以下至少一者：所述第一目标病灶区域平均CT值与所述第二目标病灶区域的平均CT值的差值；所述第一目标病灶区域的病灶直方图与所述第二目标病灶区域的病灶直方图的匹配结果。
根据本发明一实施方式，所述确定对应于所述第一医学图像和所述第二医学图像的合并特征向量，包括：根据所述第一目标病灶区域进行特征提取，得到第一特征向量；根据所述第二目标病灶区域进行特征提取，得到第二特征向量；根据所述变化信息进行特征提取，得到第三特征向量；对所述第一特征向量、第二特征向量和第三特征向量进行向量拼接，得到所述合并特征向量。
根据本发明一实施方式，所述根据所述合并特征向量，确定基于所述第一医学影像图和所述第二医学影像图的检测结果，包括：根据所述合并特征向量，利用分类模型，确定所述待检测对象的病灶类型。
根据本发明实施例第二方面，还提供了一种医学图像处理装置，所述装置包括：图像获取模块，用于分别获取待检测对象基于第一时间的第一医学影像图和基于第二时间的第二医学影像图；肺叶分割模块，用于分别对所述第一医学影像图和所述第二医学影像图进行肺叶区域分割，得到肺叶分割结果；第一分割模块，用于对所述第一医学影像图进行图像分割，定位第一目标病灶区域；第二分割模块，用于对所述第二医学影像图进行图像分割，定位第二目标病灶区域；变化确定模块，用于根据所述肺叶分割结果、所述第一目标病灶区域和所述第二目标病灶区域，确定所述第一医学影像图和所述第二医学影像图的变化信息；合并特征模块，用于根据所述第一目标病灶区域、所述第二目标病灶区域、所述变化信息，确定对应于所述第一医学图像和所述第二医学图像的合并特征向量；结果确定模块，用于根据所述合并特征向量，确定基于所述第一医学影像图和所述第二医学影像图的检测结果。
根据本发明一实施方式，所述变化确定模块包括：第一肺叶确定子模块，用于根据所述第一目标病灶区域和所述肺叶分割结果，确定第一目标病灶区域中第1病灶区域、第2病灶区域……第n病灶区域对应的肺叶区域；配准子模块，用于根据每一病灶区域对应的肺叶区域，将所述第二目标病灶区域中每一病灶区域分别与第1区域、第2区域……第n区域进行配对，得到第一目标病灶区域和第二目标病灶区域中每一病灶区域的一一对应的病灶配准结果；变化确定子模块，用于根据所述病灶配准结果，确定所述变化信息；其中，n为正整数，肺叶区域包括：左上区域、左下区域、右上区域、右中区域、右下区域。
根据本发明一实施方式，所述变化信息包括以下至少一者：所述第一目标病灶区域平均CT值与所述第二目标病灶区域的平均CT值的差值；所述第一目标病灶区域的病灶直方图与所述第二目标病灶区域的病灶直方图的匹配结果。
根据本发明一实施方式，所述合并特征模块包括：第一提取子模块，用于根据所述第一目标病灶区域进行特征提取，得到第一特征向量；第二提取子模块，用于根据所述第二目标病灶区域进行特征提取，得到第二特征向量；第三提取子模块，用于根据所述变化信息进行特征提取，得到第三特征向量；合并子模块，用于对所述第一特征向量、第二特征向量和第三特征向量进行向量拼接，得到所述合并特征向量。
根据本发明第三方面，又提供了一种计算机可读存储介质，所述存储介质包括一组计算机可执行指令，当所述指令被执行时用于执行上述任意所述医学图像处理方法。
本发明实施例医学图像处理方法、装置及计算机可读存储介质，将待检测对象的历史CT数据和随访CT数据分别进行图像分割以及特征提取，并对两者图像分割的结果进行比对的变化信息进行特征提取。三次特征提取的结果进行特征向量合并；根据特征向量的合并结果，确定基于所述第一医学影像图和所述第二医学影像图的检测结果。如此，综合考虑历史医学图像数据和随访的医学图像数据，有效避免了单次医学图像检测结果的偶然性，提高了医学图像检测结果的精度，并能根据两次医学图像的数据变化进行特征提取，有效排除单次医学图像分割和特征提取过程中的数据误差。
需要理解的是，本发明的教导并不需要实现上面所述的全部有益效果，而是特定的技术方案可以实现特定的技术效果，并且本发明的其他实施方式还能够实现上面未提到的有益效果。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
在附图中，相同或对应的标号表示相同或对应的部分。
图1示出了本发明实施例医学图像处理方法的实现流程示意图；
图2示出了本发明实施例医学图像处理方法具体应用示例的实现流程示意图；
图3示出了本发明实施例医学图像处理装置的组成结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为使本发明更加透彻和完整，并能够将本发明的范围完整地传达给本领域的技术人员。
下面结合附图和具体实施例对本发明的技术方案进一步详细阐述。
图1示出了本发明医学图像处理方法的实现流程示意图。
参考图1，本发明实施例医学图像处理方法，至少包括如下操作流程：操作101，分别获取待检测对象基于第一时间的第一医学影像图和基于第二时间的第二医学影像图；操作102，分别对第一医学影像图和第二医学影像图进行肺叶区域分割，得到肺叶分割结果；操作103，对第一医学影像图进行图像分割，定位第一目标病灶区域；操作104，对第二医学影像图进行图像分割，定位第二目标病灶区域；操作105，根据肺叶分割结果、第一目标病灶区域和第二目标病灶区域，确定第一医学影像图和第二医学影像图的变化信息；操作106，根据第一目标病灶区域、第二目标病灶区域、变化信息，确定对应于第一医学图像和第二医学图像的合并特征向量；操作107，根据合并特征向量，确定基于第一医学影像图和第二医学影像图的检测结果。
在操作101，分别获取待检测对象基于第一时间的第一医学影像图和基于第二时间的第二医学影像图。
在本发明一实施例中，医学影像图数据可以是CT(Computed Tomography，计算机断层扫描)扫描的影像图数据，例如：肺部CT数据。CT是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查。
在本发明实施例中所获取的CT图像主要是指肺部CT图像，根据所获取的肺部CT图像，进行图像分割、识别等操作。
在本发明的一实施方式中，可以是与CT扫描仪器直接连接，随时接收CT扫描仪器即时获取的CT图像的数据并存储，或者通过云存储设备进行数据共享，还可以通过移动存储设备将通过CT扫描仪器的获取的CT图像数据进行存储后，再进行CT图像数据的处理。
举例说明，待检测对象基于第一时间的第一医学影像图可以是待检测对象的历史检测数据，基于第二时间的第二医学影像图可以是待检测对象的随访检测数据。例如：某人进行了两次肺部CT检测，第一医学影像图可以是第一次进行CT检测所获取的医学影像图，而第二医学影像图则是随访时获取的医学影像图。可以是在同一医院的云存储平台存储，也可以是某城市三甲级别以上医院的检测结果电子数据共享云存储平台上进行存储，患者再次就医时，直接从云存储平台调取。还可以是通过存储介质进行医学影像图的存储，例如：光盘、U盘等，在需要对两组医学影像图数据进行检测时，接收存储介质上存储的医学影像图的数据。还可以是其他合理的医学影像图获取方式，例如：通过网络即时通讯、网盘或者邮箱等连接方式接收医学影像图等。
在操作102，分别对第一医学影像图和第二医学影像图进行肺叶区域分割，得到肺叶分割结果。
在本发明的一实施方式中，采用深度学习算法进行图像分割，具体地，可以利用深度学习算法进行神经网络训练，得到多分类3D分割网络，以对医学影像图进行图像分割，例如：对肺部CT影像图进行图像分割，得到对应于五个肺叶的肺叶区域掩膜mask。需要说明的是，肺部通常分为左肺和右肺，其中，左肺由斜裂分为上、下二个肺叶，右肺除斜裂外，还有一水平裂，斜裂和水平裂将右肺分为上、中、下三个肺叶，因此，可以将肺部分为五个肺叶区域。在本发明实施例中，如无特别说明，均以将肺部分为左上、左下、右上、右中、右下五个肺叶区域为例，对本发明实施例方案进行说明。
在操作103～操作104，对第一医学影像图进行图像分割，定位第一目标病灶区域，对第二医学影像图进行图像分割，定位第二目标病灶区域。
在本发明的一实施方式中，采用神经网络算法中的深度学习算法，对医学影像图进行图像分割。
举例说明，首先根据大量医学影像图数据训练3D深度神经网络，之后，根据训练得到的3D深度神经网络进行图像分割，得到病灶区域掩膜mask。例如：可以根据大量的肺部CT图像数据进行3D分割网络训练，其中包括存在肺炎病灶区域的肺部CT图像和无肺炎病灶区域的正常肺部CT图像，利用训练得到的3D分割网络，对医学影像图进行检测，得到肺炎病灶区域掩膜mask。
在本发明的一实施方式中，结合操作102中得到的五个肺叶区域的分割结果，可以分别定位第一目标病灶区域中各个病灶区域所对应的肺叶区域和第二目标病灶区域中各个病灶区域所对应的肺叶区域。
在操作105，根据肺叶分割结果、第一目标病灶区域和第二目标病灶区域，确定第一医学影像图和第二医学影像图的变化信息。
在本发明一实施方式中，变化信息包括以下至少一者：第一目标病灶区域平均CT值与第二目标病灶区域的平均CT值的差值；第一目标病灶区域的病灶直方图与第二目标病灶区域的病灶直方图的匹配结果。
在本发明一实施方式中，根据肺叶分割结果、第一目标病灶区域和第二目标病灶区域，确定第一医学影像图和第二医学影像图的变化信息，包括：根据第一目标病灶区域和肺叶分割结果，确定第一目标病灶区域中第1病灶区域、第2病灶区域……第n病灶区域对应的肺叶区域；根据每一病灶区域对应的肺叶区域，将第二目标病灶区域中每一病灶区域分别与第1区域、第2区域……第n区域进行配对，得到第一目标病灶区域和第二目标病灶区域中每一病灶区域的一一对应的病灶配准结果；根据病灶配准结果，确定变化信息；其中，n为正整数，肺叶区域包括：左上区域、左下区域、右上区域、右中区域、右下区域。
举例说明，对于针对某一个人的历史CT图像和随访CT图像，分别进行图像分割后，得到历史CT图像中具有3处病灶区域，分别位于肺叶的左上区域、左下区域和右中区域，随访CT图像中同样具有3处病灶区域，分别位于肺叶的左上区域、左下区域和右中区域。将位于左上区域的两组病灶区域对应的原始CT图像数据进行对比，得到一组变化信息数据，同样地，将位于左下区域的两组病灶区域对应的原始CT图像数据进行对比、将位于右中区域的两组病灶区域对应的原始CT图像数据进行对比，由此，又得到两组变化信息数据，三出病灶区域的变化信息数据合并在一起，作为最终的变化信息。
在操作106，根据第一目标病灶区域、第二目标病灶区域、变化信息，确定对应于第一医学图像和第二医学图像的合并特征向量。
在本发明一实施方式中，根据以下操作，确定对应于第一医学图像和第二医学图像的合并特征向量：根据第一目标病灶区域进行特征提取，得到第一特征向量；根据第二目标病灶区域进行特征提取，得到第二特征向量；根据变化信息进行特征提取，得到第三特征向量；对第一特征向量、第二特征向量和第三特征向量进行向量拼接，得到合并特征向量。
举例来讲，对医学图像进行特征提取的过程主要通过医学图像的形状、颜色、纹理以及与周围组织的关系等数据信息的处理，来对图像进行准确的分析，以此区别出正常和异常的医学图像。对于图像形状特征的提取主要通过提取图像对象的边缘信息来获取，主要方法为Roberts、Prewitt、Sobel算子等一阶微分算法、二阶微分算法Laplacian边缘检测算子以及基于最优方法的Cannv算子等。对于图像的纹理特征，主要通过统计、结构灰度共生矩阵和小波变换等方法进行提取。例如：一阶统计量中常用的一阶灰度直方图，在实际应用中，取整个直方图作为纹理特征是没有必要的，通常提取几个重要特征，主要包括关于原点的r阶矩、关于均值的r阶中心矩、扭曲度、峰度、熵；二阶统计量灰度共生矩阵，是考虑处于几何位置的一对像素的灰度相关性并以这一对像素出现某种灰度的条件概率来表征纹理，可以定量的描述特征，能量、熵、惯性矩、相关、局部平稳。
在本发明一实施方式中，根据第一目标病灶区域进行特征提取得到的第一特征向量可以为病灶区域的平均CT值、病灶直方图各个参数组成的特征向量。实际应用中，特征向量还可以包括任意合适的其他特征参数，特征向量可以采用一维数据序列描述。
第二特征向量、第三特征向量的组成和表达方式类似于上述第一特征向量。得到的三个特征向量，其实是三个一维数据序列，进行简单的数据拼接，即可得到合并后的合并特征向量。
在操作107，根据合并特征向量，确定基于第一医学影像图和第二医学影像图的检测结果。
在本发明一实施方式中，采用以下方式实现根据合并特征向量，确定基于第一医学影像图和第二医学影像图的检测结果：根据合并特征向量，利用分类模型，确定待检测对象的病灶类型。
在本发明一实施方式中，病灶类型包括普通肺炎和新型肺炎，其中，新型肺炎可以是新型冠状病毒引起的肺炎，普通肺炎为临床医学中常见的肺炎。此处，分类模型可以是利用神经网络算法进行训练的分类模型，例如：根据大量的普通肺炎和新型肺炎的医学影像图数据进行训练得到的分类模型。利用该分类模型，可以确定病灶区域为普通肺炎区域还是新型肺炎区域。
图2示出了本发明实施例医学图像处理方法具体应用示例的实现流程图。
参考图2，本发明实施例医学图像处理方法具体应用示例，至少包括如下操作流程：
操作201，获取历史CT影像数据。
操作202，获取随访CT影像数据。
操作201～202的具体实现过程与图1所示实施例中操作101的具体实现过程相类似，这里不再赘述。
操作203，根据历史CT影像数据，进行图像分割，得到第一分割结果。
操作204，根据随访CT影像数据，进行图像分割，得到第二分割结果。
在操作203～操作204中，首先分别对历史CT影像数据和随访CT影像数据进行肺叶区域分割，其次，分别对历史CT影像数据和随访CT影像数据进行病灶区域分割。之后，针对历史CT影像数据，确认病灶区域分割结果中每一病灶区域对应的肺叶区域分割结果中的肺叶区域，并对随访CT影像数据执行类似的操作。最后，将历史CT影像数据和随访CT影像数据的分割结果进行配准。其具体实现过程与图1所示实施例中操作102～操作104的具体实现过程相类似，这里不再赘述。
操作205，根据第一分割结果，进行肺炎区域特征提取，得到第一特征提取结果。
操作206，根据第二分割结果，进行肺炎区域特征提取，得到第二特征提取结果。
操作207，根据第一分割结果、第二分割结果，对于肺炎分割区域对应的原始CT数据，提取变化信息。
操作208，根据变化信息，进行肺炎区域特征提取，得到第三特征提取结果。
操作205～208的具体实现过程与图1所示实施例中操作105～106的具体实现过程相类似，这里不再赘述。
操作209，合并特征。
操作210，肺炎分类。
操作209～210的具体实现过程与图1所示实施例中操作107的具体实现过程相类似，这里不再赘述。
本发明实施例医学图像处理方法、装置及计算机可读存储介质，将待检测对象的历史CT数据和随访CT数据分别进行图像分割以及特征提取，并对两者图像分割的结果进行比对的变化信息进行特征提取。三次特征提取的结果进行特征向量合并；根据特征向量的合并结果，确定基于所述第一医学影像图和所述第二医学影像图的检测结果。如此，综合考虑历史医学图像数据和随访的医学图像数据，有效避免了单次医学图像检测结果的偶然性，提高了医学图像检测结果的精度，并能根据两次医学图像的数据变化进行特征提取，有效排除单次医学图像分割和特征提取过程中的数据误差。
同理，基于上文医学图像处理方法，本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有程序，当程序被处理器执行时，使得处理器至少执行如下的操作步骤：操作101，分别获取待检测对象基于第一时间的第一医学影像图和基于第二时间的第二医学影像图；操作102，分别对第一医学影像图和第二医学影像图进行肺叶区域分割，得到肺叶分割结果；操作103，对第一医学影像图进行图像分割，定位第一目标病灶区域；操作104，对第二医学影像图进行图像分割，定位第二目标病灶区域；操作105，根据肺叶分割结果、第一目标病灶区域和第二目标病灶区域，确定第一医学影像图和第二医学影像图的变化信息；操作106，根据第一目标病灶区域、第二目标病灶区域、变化信息，确定对应于第一医学图像和第二医学图像的合并特征向量；操作107，根据合并特征向量，确定基于第一医学影像图和第二医学影像图的检测结果。
进一步，基于如上文医学图像处理方法，本发明实施例还提供一种医学图像处理装置，如图3，该装置30包括：图像获取模块301，用于分别获取待检测对象基于第一时间的第一医学影像图和基于第二时间的第二医学影像图；肺叶分割模块302，用于分别对第一医学影像图和第二医学影像图进行肺叶区域分割，得到肺叶分割结果；第一分割模块303，用于对第一医学影像图进行图像分割，定位第一目标病灶区域；第二分割模块304，用于对第二医学影像图进行图像分割，定位第二目标病灶区域；变化确定模块305，用于根据肺叶分割结果、第一目标病灶区域和第二目标病灶区域，确定第一医学影像图和第二医学影像图的变化信息；合并特征模块306，用于根据第一目标病灶区域、第二目标病灶区域、变化信息，确定对应于第一医学图像和第二医学图像的合并特征向量；结果确定模块307，用于根据合并特征向量，确定基于第一医学影像图和第二医学影像图的检测结果。
根据本发明一实施方式，变化确定模块305包括：第一肺叶确定子模块，用于根据第一目标病灶区域和肺叶分割结果，确定第一目标病灶区域中第1病灶区域、第2病灶区域……第n病灶区域对应的肺叶区域；配准子模块，用于根据每一病灶区域对应的肺叶区域，将第二目标病灶区域中每一病灶区域分别与第1区域、第2区域……第n区域进行配对，得到第一目标病灶区域和第二目标病灶区域中每一病灶区域的一一对应的病灶配准结果；变化确定子模块，用于根据病灶配准结果，确定变化信息；其中，n为正整数，肺叶区域包括：左上区域、左下区域、右上区域、右中区域、右下区域。
根据本发明一实施方式，变化信息包括以下至少一者：第一目标病灶区域平均CT值与第二目标病灶区域的平均CT值的差值；第一目标病灶区域的病灶直方图与第二目标病灶区域的病灶直方图的匹配结果。
根据本发明一实施方式，合并特征模块306包括：第一提取子模块，用于根据第一目标病灶区域进行特征提取，得到第一特征向量；第二提取子模块，用于根据第二目标病灶区域进行特征提取，得到第二特征向量；第三提取子模块，用于根据变化信息进行特征提取，得到第三特征向量；合并子模块，用于对第一特征向量、第二特征向量和第三特征向量进行向量拼接，得到合并特征向量。
这里需要指出的是：以上对针对医学图像处理装置实施例的描述，与前述图1至2所示的方法实施例的描述是类似的，具有同前述图1至2所示的方法实施例相似的有益效果，因此不做赘述。对于本发明医学图像处理装置实施例中未披露的技术细节，请参照本发明前述图1至2所示的方法实施例的描述而理解，为节约篇幅，因此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的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方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种医学图像处理方法，其特征在于，所述方法包括：
分别获取待检测对象基于第一时间的第一医学影像图和基于第二时间的第二医学影像图；
分别对所述第一医学影像图和所述第二医学影像图进行肺叶区域分割，得到肺叶分割结果；
对所述第一医学影像图进行图像分割，定位第一目标病灶区域；
对所述第二医学影像图进行图像分割，定位第二目标病灶区域；
根据所述肺叶分割结果、所述第一目标病灶区域和所述第二目标病灶区域，确定所述第一医学影像图和所述第二医学影像图的变化信息；
根据所述第一目标病灶区域、所述第二目标病灶区域、所述变化信息，确定对应于所述第一医学图像和所述第二医学图像的合并特征向量；
所述确定对应于所述第一医学图像和所述第二医学图像的合并特征向量，包括：
根据所述第一目标病灶区域进行特征提取，得到第一特征向量；
根据所述第二目标病灶区域进行特征提取，得到第二特征向量；
根据所述变化信息进行特征提取，得到第三特征向量；
对所述第一特征向量、第二特征向量和第三特征向量进行向量拼接，得到所述合并特征向量；
根据所述合并特征向量，确定基于所述第一医学影像图和所述第二医学影像图的检测结果。
2.根据权利要求1所述的方法，其特征在于，根据所述肺叶分割结果、所述第一目标病灶区域和所述第二目标病灶区域，确定所述第一医学影像图和所述第二医学影像图的变化信息，包括：
根据所述第一目标病灶区域和所述肺叶分割结果，确定第一目标病灶区域中第1病灶区域、第2病灶区域……第n病灶区域对应的肺叶区域；
根据每一病灶区域对应的肺叶区域，将所述第二目标病灶区域中每一病灶区域分别与第1区域、第2区域……第n区域进行配对，得到第一目标病灶区域和第二目标病灶区域中每一病灶区域的一一对应的病灶配准结果；
根据所述病灶配准结果，确定所述变化信息；
其中，n为正整数，肺叶区域包括：左上区域、左下区域、右上区域、右中区域、右下区域。
3.根据权利要求1所述的方法，其特征在于，所述变化信息包括以下至少一者：
所述第一目标病灶区域平均CT值与所述第二目标病灶区域的平均CT值的差值；
所述第一目标病灶区域的病灶直方图与所述第二目标病灶区域的病灶直方图的匹配结果。
4.根据权利要求1所述的方法，其特征在于，所述根据所述合并特征向量，确定基于所述第一医学影像图和所述第二医学影像图的检测结果，包括：根据所述合并特征向量，利用分类模型，确定所述待检测对象的病灶类型。
5.一种医学图像处理装置，其特征在于，所述装置包括：
图像获取模块，用于分别获取待检测对象基于第一时间的第一医学影像图和基于第二时间的第二医学影像图；
肺叶分割模块，用于分别对所述第一医学影像图和所述第二医学影像图进行肺叶区域分割，得到肺叶分割结果；
第一分割模块，用于对所述第一医学影像图进行图像分割，定位第一目标病灶区域；
第二分割模块，用于对所述第二医学影像图进行图像分割，定位第二目标病灶区域；
变化确定模块，用于根据所述肺叶分割结果、所述第一目标病灶区域和所述第二目标病灶区域，确定所述第一医学影像图和所述第二医学影像图的变化信息；
合并特征模块，用于根据所述第一目标病灶区域、所述第二目标病灶区域、所述变化信息，确定对应于所述第一医学图像和所述第二医学图像的合并特征向量；
所述合并特征模块包括：
第一提取子模块，用于根据所述第一目标病灶区域进行特征提取，得到第一特征向量；
第二提取子模块，用于根据所述第二目标病灶区域进行特征提取，得到第二特征向量；
第三提取子模块，用于根据所述变化信息进行特征提取，得到第三特征向量；
合并子模块，用于对所述第一特征向量、第二特征向量和第三特征向量进行向量拼接，得到所述合并特征向量；
结果确定模块，用于根据所述合并特征向量，确定基于所述第一医学影像图和所述第二医学影像图的检测结果。
6.根据权利要求5所述的装置，其特征在于，所述变化确定模块包括：
第一肺叶确定子模块，用于根据所述第一目标病灶区域和所述肺叶分割结果，确定第一目标病灶区域中第1病灶区域、第2病灶区域……第n病灶区域对应的肺叶区域；
配准子模块，用于根据每一病灶区域对应的肺叶区域，将所述第二目标病灶区域中每一病灶区域分别与第1区域、第2区域……第n区域进行配对，得到第一目标病灶区域和第二目标病灶区域中每一病灶区域的一一对应的病灶配准结果；
变化确定子模块，用于根据所述病灶配准结果，确定所述变化信息；
其中，n为正整数，肺叶区域包括：左上区域、左下区域、右上区域、右中区域、右下区域。
7.根据权利要求5所述的装置，其特征在于，所述变化信息包括以下至少一者：
所述第一目标病灶区域平均CT值与所述第二目标病灶区域的平均CT值的差值；
所述第一目标病灶区域的病灶直方图与所述第二目标病灶区域的病灶直方图的匹配结果。
8.一种计算机可读存储介质，其特征在于，所述存储介质包括一组计算机可执行指令，当所述指令被执行时用于执行权利要求1-4中任一项所述的医学图像处理方法。
CN202010592369.1A 2020-06-24 2020-06-24 一种医学图像处理方法、装置及计算机可读存储介质 Active CN111932492B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010592369.1A CN111932492B (zh) 2020-06-24 2020-06-24 一种医学图像处理方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010592369.1A CN111932492B (zh) 2020-06-24 2020-06-24 一种医学图像处理方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111932492A CN111932492A (zh) 2020-11-13
CN111932492B true CN111932492B (zh) 2021-05-11

Family

ID=73317434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010592369.1A Active CN111932492B (zh) 2020-06-24 2020-06-24 一种医学图像处理方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111932492B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686866A (zh) * 2020-12-31 2021-04-20 安徽科大讯飞医疗信息技术有限公司 基于医学影像的随访方法、装置及计算机可读存储介质
CN113349810B (zh) * 2021-05-27 2022-03-01 北京安德医智科技有限公司 脑出血病灶识别及血肿扩大预测系统及装置
CN113298157A (zh) * 2021-05-28 2021-08-24 上海商汤智能科技有限公司 病灶匹配方法及装置、电子设备和存储介质
CN114820584B (zh) * 2022-05-27 2023-02-21 北京安德医智科技有限公司 肺部病灶定位装置
CN117036376B (zh) * 2023-10-10 2024-01-30 四川大学 基于人工智能的病变图像分割方法、装置及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107137107A (zh) * 2017-05-09 2017-09-08 上海联影医疗科技有限公司 多模态医学图像获取方法及多模态医学图像成像系统
CN108877925A (zh) * 2018-03-30 2018-11-23 杭州依图医疗技术有限公司 一种肺炎病原的确定方法及装置
CN109377522A (zh) * 2018-10-19 2019-02-22 北京青燕祥云科技有限公司 一种肺结节医学影像配准方法及其装置
CN110766730A (zh) * 2019-10-18 2020-02-07 上海联影智能医疗科技有限公司 图像配准及随访评估方法、存储介质及计算机设备
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
CN111127467A (zh) * 2020-03-31 2020-05-08 上海联影智能医疗科技有限公司 图像量化方法、计算机设备和存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11147459B2 (en) * 2018-01-05 2021-10-19 CareBand Inc. Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health
CN109886243B (zh) * 2019-03-01 2021-03-26 腾讯医疗健康(深圳)有限公司 图像处理方法、装置、存储介质、设备以及系统
CN109948671B (zh) * 2019-03-04 2021-11-30 腾讯医疗健康(深圳)有限公司 图像分类方法、装置、存储介质以及内窥镜成像设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107137107A (zh) * 2017-05-09 2017-09-08 上海联影医疗科技有限公司 多模态医学图像获取方法及多模态医学图像成像系统
CN108877925A (zh) * 2018-03-30 2018-11-23 杭州依图医疗技术有限公司 一种肺炎病原的确定方法及装置
CN109377522A (zh) * 2018-10-19 2019-02-22 北京青燕祥云科技有限公司 一种肺结节医学影像配准方法及其装置
CN110766730A (zh) * 2019-10-18 2020-02-07 上海联影智能医疗科技有限公司 图像配准及随访评估方法、存储介质及计算机设备
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
CN111127467A (zh) * 2020-03-31 2020-05-08 上海联影智能医疗科技有限公司 图像量化方法、计算机设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Development of a Machine-Learning System to Classify Lung CT Scan Images into Normal/COVID-19 Class;Seifedine Kadry等;《Image and Video Processing》;20200424;第1-16页 *
视网膜图像中结构与病灶的分割及变化检测;傅迎华;《中国博士学位论文全文数据库 医药卫生科技辑》;20200115(第01期);正文第8-9页第1.2.3节 *

Also Published As

Publication number Publication date
CN111932492A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN111932492B (zh) 一种医学图像处理方法、装置及计算机可读存储介质
US20240221162A1 (en) Three dimensional object segmentation of medical images localized with object detection
KR101740464B1 (ko) 뇌졸중 진단 및 예후 예측 방법 및 시스템
Al-Kafri et al. Boundary delineation of MRI images for lumbar spinal stenosis detection through semantic segmentation using deep neural networks
CN111862249A (zh) 使用深度学习生成用于医学图像处理的规范成像数据的系统和方法
EP2365471B1 (en) Diagnosis assisting apparatus, coronary artery analyzing method and recording medium having a coronary artery analzying program stored therein
CN111417980A (zh) 用于椎骨骨折的识别的三维医学图像分析方法和系统
Abramoff et al. The automatic detection of the optic disc location in retinal images using optic disc location regression
CN103020976B (zh) 一种基于带权模糊互信息的三维医学图像配准方法及系统
EP2987114B1 (en) Method and system for determining a phenotype of a neoplasm in a human or animal body
JP5626202B2 (ja) 正中線決定装置およびプログラム
US10390726B2 (en) System and method for next-generation MRI spine evaluation
CN111462071B (zh) 一种图像处理方法和系统
WO2019111339A1 (ja) 学習装置、検査システム、学習方法、検査方法およびプログラム
CN113989407B (zh) Ct影像中肢体部位识别模型训练方法及系统
Widodo et al. Lung diseases detection caused by smoking using support vector machine
Arega et al. Leveraging uncertainty estimates to improve segmentation performance in cardiac MR
Mohammed et al. Digital medical image segmentation using fuzzy C-means clustering
CN114119546A (zh) 检测mri影像的方法及装置
JP5364009B2 (ja) 画像生成装置、画像生成方法、及びそのプログラム
Baheerathan et al. Registration of serial sections of mouse liver cell nuclei
Xu et al. Deep learning model for grading and localization of lumbar disc herniation on magnetic resonance imaging
US9449383B2 (en) Determination of a physically-varying anatomical structure
CN116433976A (zh) 图像处理方法、装置、设备和存储介质
JP4709290B2 (ja) 画像処理装置および方法並びにプログラム

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
CP01 Change in the name or title of a patent holder

Address after: Rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing

Patentee after: Shukun (Beijing) Network Technology Co.,Ltd.

Address before: Rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing

Patentee before: SHUKUN (BEIJING) NETWORK TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: Rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing

Patentee after: Shukun Technology Co.,Ltd.

Address before: Rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing

Patentee before: Shukun (Beijing) Network Technology Co.,Ltd.

CP01 Change in the name or title of a patent holder
TR01 Transfer of patent right

Effective date of registration: 20241008

Address after: Room 313 and 315, Building No. 11, Innovation Road, Changping District, Beijing 102200

Patentee after: YUKUN (BEIJING) NETWORK TECHNOLOGY Co.,Ltd.

Country or region after: China

Address before: Rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing

Patentee before: Shukun Technology Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right