CN112184613A - 基于人工智能的磁共振肺部影像识别装置及方法 - Google Patents
基于人工智能的磁共振肺部影像识别装置及方法 Download PDFInfo
- Publication number
- CN112184613A CN112184613A CN201910603487.5A CN201910603487A CN112184613A CN 112184613 A CN112184613 A CN 112184613A CN 201910603487 A CN201910603487 A CN 201910603487A CN 112184613 A CN112184613 A CN 112184613A
- Authority
- CN
- China
- Prior art keywords
- lung
- magnetic resonance
- image
- lobe
- texture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—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
-
- 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
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Abstract
本发明提供一种基于人工智能的磁共振肺部影像识别装置及方法,该方法包括步骤:利用磁共振成像设备获取目标对象的磁共振肺部影像;对磁共振肺部影像进行肺区分割,并将预选的肺叶图谱分别配准到磁共振肺部影像;对肺叶图谱所形成的分割边界进行融合生成磁共振肺部影像的分割结果;将磁共振肺部影像配准到已标注和定位的结构影像,并筛选各序列结构影像对应的特征肺区;对每个特征肺区提取与肺区病变状态的生理特性最相关的肺叶纹理特征;从磁共振肺部影像识别肺叶的肺泡及血管轮廓;将肺叶纹理特征、肺泡信息及血管轮廓信息作为肺叶的多维病理特征。本发明能够提高对肺部疾病所引起的肺部异常检测的敏感性、特异性和检查准确性。
Description
技术领域
本发明涉及基于人工智能的影像处理技术领域,尤其涉及一种基于人工智能的磁共振肺部影像识别装置及方法。
背景技术
随着经济的快速发展和大气环境污染的日益严重,肺癌已经成为发病率和死亡率增长最快,对人群健康和生命威胁最大的恶性肿瘤。磁共振成像(Magnetic ResonanceImaging,简称MRI),是利用核磁共振(Nuclear Magnetic Resonance,简称NMR)原理,依据所释放的能量在物质内部不同结构环境中不同的衰减,进而通过外加梯度磁场检测所发射出的电磁波,了解构成该物质原子核的位置和种类,据此呈现物体内部结构影像的技术。MRI因为其无放射、非侵入等诸多无法比拟的优越性在医学诊断和研究中占据着重要位置,并已经在人类健康和公共卫生事业中发挥了巨大的作用。
MRI是一种常用的医学断层成像方法,它利用磁共振现象从人体中获得电磁信号,并重建出人体信息。这种技术利用核磁共振原理,依据所释放的能量在物质内部不同结构环境中不同的衰减,通过外加梯度磁场检测所发射出的电磁波,即可得知构成这一物体原子核的位置和种类,据此可以绘制成物体内部的结构影像。人体三分之二的重量为水分,而且人体内器官和组织中的水分并不相同,很多疾病的病理过程会导致水分形态的变化,即可由磁共振影像反应出来,但目前医生对磁共振肺部影像的应用主要是根据影像所反映的肺部结构的病变进行主观判别与分类。
现有磁共振肺部影像的阅片及分类完全依赖于医生视觉观察,在经验的基础上进行主观的判断,对病灶的发现过度依赖经验,缺乏可量化的标准。此外,医生在读写磁共振肺部影像报告时的主观性也比较强,缺乏统一的量化标准和话术体系,对电子病历标准化和大数据挖掘造成了瓶颈。
发明内容
本发明的主要目的在于提供一种基于人工智能的磁共振肺部影像识别装置及方法,能够同时以肺叶纹理特征、肺泡及血管轮廓等信息为指标识别磁共振肺部影像,提高对肺部疾病所引起的肺部异常检测的敏感性、特异性和检查准确性。
为实现上述目的,本发明提供一种基于人工智能的磁共振肺部影像识别装置,包括适于实现各种计算机程序指令的处理器以及适于存储多条计算机程序指令的存储器,所述计算机程序指令由处理器加载并执行如下步骤:选取若干健康人和不同肺结节疾病患者作为目标对象,利用磁共振成像设备获取目标对象的磁共振肺部影像;从肺叶图谱库筛选出与磁共振肺部影像匹配度最高的若干套肺叶图谱;对目标对象的磁共振肺部影像进行肺区分割,并将预选的肺叶图谱分别配准到磁共振肺部影像;对多个肺叶图谱所形成的分割边界进行融合生成磁共振肺部影像的分割结果;将磁共振肺部影像配准到已标注和定位的结构影像,并结合不同序列的结构影像之间的对应变化关系筛选出各序列对应的特征肺区;对每个特征肺区的多维信息进行挖掘,并提取出与肺区病变状态的生理特性最相关的肺叶纹理特征;从磁共振肺部影像识别肺叶的肺泡及血管轮廓;将肺叶纹理特征、肺泡信息及血管轮廓信息转换为对应的k空间数据,并筛选k空间数据中的大信号数据作为肺叶的多维病理特征。
进一步地,所述计算机程序指令由处理器加载还执行如下步骤:针对目标对象的磁共振肺部影像选定一个标准肺叶模板,对每一个目标对象相同层面的多序列磁共振肺部影像进行配准。
进一步地,所述对每个特征肺区的多维信息进行挖掘,并提取出与肺区病变状态的生理特性最相关的肺叶纹理特征的步骤包括:根据肺叶纹理的构成建立相似性测度算法,针对目标对象的磁共振肺部影像执行肺叶结构标注和肺叶纹理提取,再与肺叶图谱库进行比对,以相似度最高的肺叶纹理类别作为对该目标对象的纹理识别结果。
进一步地,所述从磁共振肺部影像识别肺叶的肺泡及血管轮廓的步骤包括:通过中值滤波对磁共振肺部影像进行滤波降噪;通过阈值分割与纹理分割相结合的方式提取肺区的肺泡信息及血管轮廓信息。
进一步地,所述将肺叶纹理特征、肺泡信息及血管轮廓信息转换为对应的k空间数据,并筛选k空间数据中的大信号数据作为肺叶的多维病理特征的步骤包括如下步骤:将去除非肺部影像信息但包含纹理特征、肺泡信息及血管轮廓信息的影像进行灰度反转,通过傅里叶变换将影像数据转化为对应的k空间数据;筛选并识别k空间数据中大信号的复数数据a+bi,按照的大小筛选大信号,将获得的k空间数据中大信号数据作为肺叶的多维病理特征。
另一方面,本发明还提供一种基于人工智能的磁共振肺部影像识别方法,应用于计算机装置中,该计算机装置连接有磁共振成像设备,该方法包括如下步骤:选取若干健康人和不同肺结节疾病患者作为目标对象,利用磁共振成像设备获取目标对象的磁共振肺部影像;从肺叶图谱库筛选出与磁共振肺部影像匹配度最高的若干套肺叶图谱;对目标对象的磁共振肺部影像进行肺区分割,并将预选的肺叶图谱分别配准到磁共振肺部影像;对多个肺叶图谱所形成的分割边界进行融合生成磁共振肺部影像的分割结果;将磁共振肺部影像配准到已标注和定位的结构影像,并结合不同序列的结构影像之间的对应变化关系筛选出各序列对应的特征肺区;对每个特征肺区的多维信息进行挖掘,并提取出与肺区病变状态的生理特性最相关的肺叶纹理特征;从磁共振肺部影像识别肺叶的肺泡及血管轮廓;将肺叶纹理特征、肺泡信息及血管轮廓信息转换为对应的k空间数据,并筛选k空间数据中的大信号数据作为肺叶的多维病理特征。
进一步地,所述的基于人工智能的磁共振肺部影像识别方法还包括如下步骤:针对目标对象的磁共振肺部影像选定一个标准肺叶模板,对每一个目标对象相同层面的多序列磁共振肺部影像进行配准。
进一步地,所述对每个特征肺区的多维信息进行挖掘,并提取出与肺区病变状态的生理特性最相关的肺叶纹理特征的步骤包括:根据肺叶纹理的构成建立相似性测度算法,针对目标对象的磁共振肺部影像执行肺叶结构标注和肺叶纹理提取,再与肺叶图谱库进行比对,以相似度最高的肺叶纹理类别作为对该目标对象的纹理识别结果。
进一步地,所述从磁共振肺部影像识别肺叶的肺泡及血管轮廓的步骤包括:通过中值滤波对磁共振肺部影像进行滤波降噪;通过阈值分割与纹理分割相结合的方式提取肺区的肺泡信息及血管轮廓信息。
进一步地,所述将肺叶纹理特征、肺泡信息及血管轮廓信息转换为对应的k空间数据,并筛选k空间数据中的大信号数据作为肺叶的多维病理特征的步骤包括:将去除非肺部影像信息但包含纹理特征、肺泡信息及血管轮廓信息的影像进行灰度反转,通过傅里叶变换将影像数据转化为对应的k空间数据;筛选并识别k空间数据中大信号的复数数据a+bi,按照的大小筛选大信号,将获得的k空间数据中大信号数据作为肺叶的多维病理特征。
相较于现有技术,本发明基于磁共振影像的肺叶病理特征的识别及提取技术,该技术允许对肺部组织的多种重要性质进行非侵入的同步量化检测,并且为肺叶各区域复杂的功能、生理及物理变化和形态变化提供了智能化的检测与识别方法。与人工阅片相比,改善了人体对肺部生理异常描述的话术体系,提高了以磁共振影像为基础的对人体肺部生理、物理和功能特性的检查精度,同时以肺叶纹理特征、肺泡及血管轮廓等信息为指标,提高了对肺部疾病所引起的肺部异常检测的敏感性、特异性和检查准确性,为医生对肺癌的诊断治疗提供医学指导。
附图说明
图1是本发明基于人工智能的磁共振肺部影像识别装置的较佳实施例的结构方框示意图;
图2是本发明基于人工智能的磁共振肺部影像识别方法较佳实施例的方法流程图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对本发明的具体实施方式、结构、特征及其功效,详细说明如下。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1所示,图1是本发明基于人工智能的磁共振肺部影像识别装置的较佳实施例的结构示意图。在本实施例中,所述基于人工智能的磁共振肺部影像识别装置1包括,但不仅限于,适于存储各种计算机程序指令的存储器11、执行各种计算机程序指令的处理器12以及显示器13。所述存储器11和显示器13均通过电连接线与所述处理器12进行电气连接,并通过数据总线与处理器12进行数据传输连接。所述处理器12能够调用存储在所述存储器11中的基于人工智能的磁共振肺部影像识别程序10,并执行该磁共振肺部影像识别程序10从磁共振成像设备2输入的磁共振肺部影像数据,并对磁共振肺部影像进行识别。所述磁共振肺部影像识别装置1可以为安装有本发明所述基于人工智能的磁共振肺部影像识别程序10的个人计算机、笔记本电脑、服务器等计算机装置。
在本实施例中,所述磁共振肺部影像识别装置1连接有磁共振成像设备2,该磁共振成像设备2能够扫描目标对象的人体肺部得到不同序列(例如T1、T2或DTI序列)的影像磁共振肺部影像。所述磁共振肺部影像识别装置1能够从磁共振成像设备2获取不同序列的磁共振肺部影像,并通过处理器12执行磁共振肺部影像识别程序10对不同序列的磁共振肺部影像进行处理,利用人工智能方法对不同序列的磁共振肺部影像快速准确地识别肺叶纹理特征、肺泡信息及血管轮廓信息等多维病理特征。
在本实施例中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是所述磁共振肺部影像识别装置1的内部存储单元,例如该基于人工智能的磁共振肺部影像识别装置1的硬盘、只读存储器ROM,随机存储器RAM、电可擦写存储器EEPROM、快闪存储器FLASH或光盘等。所述存储器11在另一些实施例中也可以是磁共振肺部影像识别装置1的外部存储设备,例如该基于人工智能的磁共振肺部影像识别装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括磁共振肺部影像识别装置1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于磁共振肺部影像识别装置1的应用软件及各类数据,例如存储磁共振肺部影像识别程序10的程序代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
在本实施例中,所述处理器12在一些实施例中可以是一中央处理器(CentralProcessing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于调用并运行存储器11中存储的程序代码或处理数据,例如执行基于人工智能的磁共振肺部影像识别程序10等。所述显示器13可以为触摸显示屏也可以为通用的LED显示屏,能够显示识别出的肺叶纹理特征、肺泡信息及血管轮廓信息等多维病理特征。
可选地,在其他实施例中,所述基于人工智能的磁共振肺部影像识别程序10还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明,本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段,用于描述基于人工智能的磁共振肺部影像识别程序10在所述磁共振肺部影像识别装置1中的执行过程。
在本实施例中,所述基于人工智能的磁共振肺部影像识别程序10由多条计算机程序指令组成的程序模块组成,包括但不局限于,磁共振肺部影像获取模块101、磁共振肺部影像处理模块102、特征肺区筛选模块103、肺叶特征识别模块104以及肺叶特征输出模块105。本发明所称的模块是指一种能够被所述磁共振肺部影像识别装置1的处理器12执行并且能够完成固定功能的一系列计算机程序指令段,其存储在所述磁共振肺部影像识别装置1的存储器11中。
所述磁共振肺部影像获取模块101用于选取若干健康人和不同肺结节疾病患者作为目标对象,利用磁共振成像设备2获取目标对象的磁共振肺部影像;在目标对象呼吸空气的情况下,利用磁共振成像设备对目标对象肺部区域进行磁共振成像获取肺部的氢质子影像。质子成像过程中由于肺部氢质子含量非常少,采用自旋回波(Spin Echo,简称SE)类型的序列与其他类型序列相比有利于提高信噪比,得到更好的影像。在本实施例中,所述磁共振肺部影像包括所有磁共振的序列所能产生的影像以及这些序列产生影像的任意组合,在所指的任意序列影像的组合中,单序列T1、T2或DTI影像是所允许的最小影像集合。
所述磁共振肺部影像处理模块102用于从肺叶图谱库筛选出与磁共振肺部影像匹配度最高的若干套肺叶图谱;在本实施例中,在已有的肺叶图谱库中进行图谱预选,通过图谱匹配算法筛选与磁共振肺部影像匹配度最高的10~20套肺叶图谱,作为分析磁共振肺部影像的参考标准。所述肺叶图谱库建立的步骤:基于大量的肺部影像样本及其病例信息,利用人工智能的方法对不同性别、年龄以及肺结节疾病所对应的肺叶纹理进行分类,再进行人工的鉴别与确认,最后形成不同人群的肺叶图谱数据,该肺叶图谱数据将随着样本量的增加而不断扩张,建立对未知肺结节疾病的肺叶纹理识别的标准库基础。
所述特征肺区筛选模块103用于对磁共振肺部影像进行肺区分割,并将预选的肺叶图谱分别配准到磁共振肺部影像;在本实施例中,针对T1、T2或DTI序列的影像进行基于多肺叶图谱对磁共振肺部影像的分割,将上述预选出来的肺叶图谱分别配准到磁共振肺部影像。针对目标对象的磁共振肺部影像选定一个标准肺叶模板,对每一个目标对象的磁共振肺部影像相同层面的多序列扫描影像进行配准,配准同一个体相同层面的多序列扫描影像以消除头动效应,之后对其进行影像标准化操作以实现不同个体间的影像横向对比。
所述特征肺区筛选模块103还用于对多个肺叶图谱所形成的分割边界进行融合生成磁共振肺部影像的肺区分割结果。在本实施例中,在对多个肺叶图谱所形成的分割边界进行融合,最后生成磁共振肺部影像的肺区分割结果,该肺区分割结果最大的特色就是对每一个肺区进行了标注和定位。
所述特征肺区筛选模块103还用于将不同序列的磁共振肺部影像配准到已标注和定位的结构影像,同时结合不同序列的结构影像之间的对应变化关系筛选出各序列对应的特征肺区。在本实施例中,已完成标注和定位的结构影像是肺叶纹理构建的基础,针对每一个结构标注的区域进行深度的信息挖掘便是肺叶纹理提取;磁共振不同序列的成像结果承载了肺叶纹理的不同特性,不同序列所产生影像的对比度对应了不同的肺叶纹理形状,有病变性敏感度的成像序列会失去解剖结构的对比度,只有将结构影像的标注和定位配准到这些序列的影像上才能完成对每个肺区的信息挖掘和纹理提取。将不同序列的磁共振肺部影像配准到已标注和定位的结构影像,将不同序列的磁共振肺部影像配准到已标注和定位的结构影像,同时结合不同序列的结构影像之间的对应变化关系筛选出各序列对应的特征肺区。
所述肺叶特征识别模块104用于对每个特征肺区的多维信息进行挖掘,并提取出与肺区病变状态的生理特性最相关的肺叶纹理特征。具体包括如下步骤:根据肺叶纹理的构成建立相似性测度算法,针对目标对象的磁共振肺部影像首先执行肺叶结构标注步骤和肺叶纹理提取步骤,从而提取肺叶纹理,再与肺叶图谱库进行比对,以相似度最高的肺叶纹理类别作为对该目标对象的纹理识别结果。在本实施例中,分别对每个特征肺区的多维信息(例如肺叶体积、纹理粗细、规则程度等)进行挖掘,并提取出与特定肺病变(例如,肺结节)的生理特性最相关的多维特征,从而完成肺叶纹理的信息提取。
所述肺叶特征识别模块104还用于从磁共振肺部影像中识别肺叶的肺泡及血管轮廓。具体地,所述肺叶特征识别模块104通过中值滤波对磁共振肺部影像进行滤波降噪;所述中值滤波为非线性滤波方法,和其他线性滤波方法相比,中值滤波在去除噪声的同时能够很好的保留影像中肺部区域和血管轮廓;所述肺叶特征识别模块104通过阈值分割、纹理分割相结合的方式提取肺区的肺泡信息及血管轮廓信息。在本实施例中,同时使用阈值分割或纹理分割可以更加准确的将肺部区域从影像中准确的分割出来,有效降低分割的错误率。
所述肺叶特征识别模块104还用于将肺叶纹理特征、肺泡信息及血管轮廓信息转换为对应的k空间数据,并筛选获取k空间数据中大信号数据作为肺叶的多维病理特征。具体地,所述肺叶特征识别模块104将去除非肺部影像信息但包含肺部肺泡及血管轮廓信息的影像进行灰度反转,通过傅里叶变换将影像数据转化为其对应的k空间数据。在质子影像中肺泡由于含水量少,表现为黑色,而肺部组织含水量多表现为白色。在超极化气体成像过程中这一情况将正好相反,肺部组织表现为黑色,肺泡表现为白色。在这一步中通过对质子影像的灰度反转预测了超极化气体的成像结果,同时通过傅里叶变换得到了可能的k空间数据分布。所述肺叶特征识别模块104筛选并识别k空间数据中大信号数据(k空间数据采用a+bi复数形式表示的数据),按照的大小筛选大信号,将获得的k空间数据中大信号数据作为肺叶的多维病理特征。筛选的过程即按照作为标准对k空间所有的信号值进行排序。其中,表征了成像过程中所针对的原子核自旋密度的大小,将获得的k空间数据中大信号的复数数据a+bi作为肺叶的多维病理特征。
所述肺叶特征输出模块105用于将识别出的肺叶纹理特征、肺泡信息及血管轮廓信息等多维病理特征输出显示在显示器13上,或者输出存在存储器11中,以供医生在肺结节诊断治疗方面提供更加全面的参考。
参考图2所示,是本发明基于人工智能的磁共振肺部影像识别方法较佳实施例的流程图。在本实施例中,所述基于人工智能的磁共振肺部影像识别方法的各种方法步骤通过计算机软件程序来实现,该计算机软件程序以计算机程序指令的形式存储于计算机可读存储介质(例如本实施例的存储器11)中,计算机可读存储介质可以包括:只读存储器、随机存储器、磁盘或光盘等,所述计算机程序指令能够被处理器(例如本实施例的处理器12)加载并执行如下步骤:
步骤S21,选取若干健康人和不同肺结节疾病患者作为目标对象,利用磁共振成像设备2获取目标对象的磁共振肺部影像;在目标对象呼吸空气的情况下,利用磁共振成像设备对目标对象肺部区域进行磁共振成像获取肺部的氢质子影像。质子成像过程中由于肺部氢质子含量非常少,采用自旋回波(SpinEcho,简称SE)类型的序列与其他类型序列相比有利于提高信噪比,得到更好的影像。在本实施例中,所述磁共振肺部影像包括所有磁共振的序列所能产生的影像以及这些序列产生影像的任意组合,在所指的任意序列影像的组合中,单序列T1、T2或DTI影像是所允许的最小影像集合。
步骤S22,从肺叶图谱库筛选出与磁共振肺部影像匹配度最高的若干套肺叶图谱;在本实施例中,在已有的肺叶图谱库中进行图谱预选,通过图谱匹配算法筛选与磁共振肺部影像匹配度最高的10~20套肺叶图谱,作为分析磁共振肺部影像的参考标准。所述肺叶图谱库建立的步骤:基于大量的肺部影像样本及其病例信息,利用人工智能的方法对不同性别、年龄以及肺结节疾病所对应的肺叶纹理进行分类,再进行人工的鉴别与确认,最后形成不同人群的肺叶图谱数据,该肺叶图谱数据将随着样本量的增加而不断扩张,建立对未知肺结节疾病的肺叶纹理识别的标准库基础。
步骤S23,对磁共振肺部影像进行肺区分割,并将预选的肺叶图谱分别配准到磁共振肺部影像;在本实施例中,针对T1、T2或DTI序列的影像进行基于多肺叶图谱对磁共振肺部影像的分割,将上述预选出来的肺叶图谱分别配准到磁共振肺部影像。针对目标对象的磁共振肺部影像选定一个标准肺叶模板,对每一个目标对象的磁共振肺部影像相同层面的多序列扫描影像进行配准,配准同一个体相同层面的多序列扫描影像以消除头动效应,之后对其进行影像标准化操作以实现不同个体间的影像横向对比。
步骤S24,对多个肺叶图谱所形成的分割边界进行融合生成磁共振肺部影像的肺区分割结果。在本实施例中,在对多个肺叶图谱所形成的分割边界进行融合,最后生成磁共振肺部影像的肺区分割结果,该肺区分割结果最大的特色就是对每一个肺区进行了标注和定位。
步骤S25,将不同序列的磁共振肺部影像配准到已标注和定位的结构影像,同时结合不同序列的结构影像之间的对应变化关系筛选出各序列对应的特征肺区。在本实施例中,已完成标注和定位的结构影像是肺叶纹理构建的基础,针对每一个结构标注的区域进行深度的信息挖掘便是肺叶纹理提取;磁共振不同序列的成像结果承载了肺叶纹理的不同特性,不同序列所产生影像的对比度对应了不同的肺叶纹理形状,有病变性敏感度的成像序列会失去解剖结构的对比度,只有将结构影像的标注和定位配准到这些序列的影像上才能完成对每个肺区的信息挖掘和纹理提取。将不同序列的磁共振肺部影像配准到已标注和定位的结构影像,将不同序列的磁共振肺部影像配准到已标注和定位的结构影像,同时结合不同序列的结构影像之间的对应变化关系筛选出各序列对应的特征肺区。
步骤S26,对每个特征肺区的多维信息进行挖掘,并提取出与肺区病变状态的生理特性最相关的肺叶纹理特征。具体包括如下步骤:根据肺叶纹理的构成建立相似性测度算法,针对目标对象的磁共振肺部影像首先执行肺叶结构标注步骤和肺叶纹理提取步骤,从而提取肺叶纹理,再与肺叶图谱库进行比对,以相似度最高的肺叶纹理类别作为对该目标对象的纹理识别结果。在本实施例中,分别对每个特征肺区的多维信息(例如肺叶体积、纹理粗细、规则程度等)进行挖掘,并提取出与特定肺病变(例如,肺结节)的生理特性最相关的多维特征,从而完成肺叶纹理的信息提取。
步骤S27,从磁共振肺部影像中识别肺叶的肺泡及血管轮廓;该步骤S27具体包括如下步骤:通过中值滤波对磁共振肺部影像进行滤波降噪;所述中值滤波为非线性滤波方法,和其他线性滤波方法相比,中值滤波在去除噪声的同时能够很好的保留影像中肺部区域和血管轮廓;通过阈值分割、纹理分割相结合的方式提取肺区的肺泡信息及血管轮廓信息。在本实施例中,同时使用阈值分割或纹理分割可以更加准确的将肺部区域从影像中准确的分割出来,有效降低分割的错误率。
步骤S28,将肺叶纹理特征、肺泡信息及血管轮廓信息转换为对应的k空间数据,并筛选获取k空间数据中大信号数据作为肺叶的多维病理特征。该步骤S28具体包括如下步骤:将去除非肺部影像信息但包含肺部肺泡及血管轮廓信息的影像进行灰度反转,通过傅里叶变换将影像数据转化为其对应的k空间数据。在质子影像中肺泡由于含水量少,表现为黑色,而肺部组织含水量多表现为白色。在超极化气体成像过程中这一情况将正好相反,肺部组织表现为黑色,肺泡表现为白色。在这一步中通过对质子影像的灰度反转预测了超极化气体的成像结果,同时通过傅里叶变换得到了可能的k空间数据分布;筛选并识别k空间数据中大信号数据(k空间数据采用a+bi复数形式表示的数据),按照的大小筛选大信号,将获得的k空间数据中大信号数据作为肺叶的多维病理特征。筛选的过程即按照作为标准对k空间所有的信号值进行排序。其中,表征了成像过程中所针对的原子核自旋密度的大小,将这个步骤所获得的k空间数据中大信号的复数数据a+bi作为肺叶的多维病理特征。
在本实施例中,所述基于人工智能的磁共振肺部影像识别方法还包括如下步骤:将识别出的肺叶纹理特征、肺泡信息及血管轮廓信息等多维病理特征输出显示在显示器13上,或者输出存在存储器11中,以供医生在肺结节诊断治疗方面提供更加全面的参考。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质存储多条计算机程序指令,所述计算机程序指令由计算机装置的处理器加载并执行本发明所述基于人工智能的磁共振肺部影像识别方法的各个步骤。本领域技术人员可以理解,上述实施方式中各种方法的全部或部分步骤可以通过相关程序指令完成,该程序可以存储于计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘或光盘等。
本发明所述基于人工智能的磁共振肺部影像识别装置及方法,基于磁共振影像的肺叶病理特征的识别及提取技术,该技术允许对肺部组织的多种重要性质进行非侵入的同步量化检测,并且为肺叶各区域复杂的功能、生理及物理变化和形态变化提供了智能化的检测与识别方法。与人工阅片相比,改善了人体对肺部生理异常描述的话术体系,提高了以磁共振影像为基础的对人体肺部生理、物理和功能特性的检查精度,同时以肺叶纹理特征、肺泡及血管轮廓等信息为指标,提高了对肺部疾病所引起的肺部异常检测的敏感性、特异性和检查准确性,为医生对肺癌的诊断治疗提供医学指导。
以上仅为本发明的较佳实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于人工智能的磁共振肺部影像识别装置,包括适于实现各种计算机程序指令的处理器以及适于存储多条计算机程序指令的存储器,其特征在于,所述计算机程序指令由处理器加载并执行如下步骤:
选取若干健康人和不同肺结节疾病患者作为目标对象,利用磁共振成像设备获取目标对象的磁共振肺部影像;
从肺叶图谱库筛选出与磁共振肺部影像匹配度最高的若干套肺叶图谱;
对目标对象的磁共振肺部影像进行肺区分割,并将预选的肺叶图谱分别配准到磁共振肺部影像;
对多个肺叶图谱所形成的分割边界进行融合生成磁共振肺部影像的分割结果;
将磁共振肺部影像配准到已标注和定位的结构影像,并结合不同序列的结构影像之间的对应变化关系筛选出各序列对应的特征肺区;
对每个特征肺区的多维信息进行挖掘,并提取出与肺区病变状态的生理特性最相关的肺叶纹理特征;
从磁共振肺部影像识别肺叶的肺泡及血管轮廓;
将肺叶纹理特征、肺泡信息及血管轮廓信息转换为对应的k空间数据,并筛选k空间数据中的大信号数据作为肺叶的多维病理特征。
2.如权利要求1所述的基于人工智能的磁共振肺部影像识别装置,其特征在于,所述计算机程序指令由处理器加载还执行如下步骤:
针对目标对象的磁共振肺部影像选定一个标准肺叶模板,对每一个目标对象相同层面的多序列磁共振肺部影像进行配准。
3.如权利要求1所述的基于人工智能的磁共振肺部影像识别装置,其特征在于,所述对每个特征肺区的多维信息进行挖掘,并提取出与肺区病变状态的生理特性最相关的肺叶纹理特征的步骤包括:
根据肺叶纹理的构成建立相似性测度算法,针对目标对象的磁共振肺部影像执行肺叶结构标注和肺叶纹理提取,再与肺叶图谱库进行比对,以相似度最高的肺叶纹理类别作为对该目标对象的纹理识别结果。
4.如权利要求1所述的基于人工智能的磁共振肺部影像识别装置,其特征在于,所述从磁共振肺部影像识别肺叶的肺泡及血管轮廓的步骤包括:
通过中值滤波对磁共振肺部影像进行滤波降噪;
通过阈值分割与纹理分割相结合的方式提取肺区的肺泡信息及血管轮廓信息。
6.一种基于人工智能的磁共振肺部影像识别方法,应用于计算机装置中,该计算机装置连接有磁共振成像设备,其特征在于,该方法包括如下步骤:
选取若干健康人和不同肺结节疾病患者作为目标对象,利用磁共振成像设备获取目标对象的磁共振肺部影像;
从肺叶图谱库筛选出与磁共振肺部影像匹配度最高的若干套肺叶图谱;
对目标对象的磁共振肺部影像进行肺区分割,并将预选的肺叶图谱分别配准到磁共振肺部影像;
对多个肺叶图谱所形成的分割边界进行融合生成磁共振肺部影像的分割结果;
将磁共振肺部影像配准到已标注和定位的结构影像,并结合不同序列的结构影像之间的对应变化关系筛选出各序列对应的特征肺区;
对每个特征肺区的多维信息进行挖掘,并提取出与肺区病变状态的生理特性最相关的肺叶纹理特征;
从磁共振肺部影像识别肺叶的肺泡及血管轮廓;
将肺叶纹理特征、肺泡信息及血管轮廓信息转换为对应的k空间数据,并筛选k空间数据中的大信号数据作为肺叶的多维病理特征。
7.如权利要求6所述的基于人工智能的磁共振肺部影像识别方法,其特征在于,该方法还包括如下步骤:
针对目标对象的磁共振肺部影像选定一个标准肺叶模板,对每一个目标对象相同层面的多序列磁共振肺部影像进行配准。
8.如权利要求6所述的基于人工智能的磁共振肺部影像识别方法,其特征在于,所述对每个特征肺区的多维信息进行挖掘,并提取出与肺区病变状态的生理特性最相关的肺叶纹理特征的步骤包括:
根据肺叶纹理的构成建立相似性测度算法,针对目标对象的磁共振肺部影像执行肺叶结构标注和肺叶纹理提取,再与肺叶图谱库进行比对,以相似度最高的肺叶纹理类别作为对该目标对象的纹理识别结果。
9.如权利要求6所述的基于人工智能的磁共振肺部影像识别方法,其特征在于,所述从磁共振肺部影像识别肺叶的肺泡及血管轮廓的步骤包括:
通过中值滤波对磁共振肺部影像进行滤波降噪;
通过阈值分割与纹理分割相结合的方式提取肺区的肺泡信息及血管轮廓信息。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910603487.5A CN112184613A (zh) | 2019-07-05 | 2019-07-05 | 基于人工智能的磁共振肺部影像识别装置及方法 |
PCT/CN2020/101519 WO2022006917A1 (zh) | 2019-07-05 | 2020-07-11 | 基于人工智能的磁共振肺部影像识别装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910603487.5A CN112184613A (zh) | 2019-07-05 | 2019-07-05 | 基于人工智能的磁共振肺部影像识别装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112184613A true CN112184613A (zh) | 2021-01-05 |
Family
ID=73916071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910603487.5A Pending CN112184613A (zh) | 2019-07-05 | 2019-07-05 | 基于人工智能的磁共振肺部影像识别装置及方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112184613A (zh) |
WO (1) | WO2022006917A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116297620B (zh) * | 2023-03-27 | 2023-09-26 | 无锡市第五人民医院 | 一种核磁共振仪用磁变量测量方法及系统 |
CN116628457B (zh) * | 2023-07-26 | 2023-09-29 | 武汉华康世纪医疗股份有限公司 | 一种磁共振设备运行中的有害气体检测方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751178B (zh) * | 2015-03-31 | 2018-04-03 | 上海理工大学 | 基于形状模板匹配结合分类器的肺结节检测装置及方法 |
CN107230206B (zh) * | 2017-06-02 | 2020-03-13 | 太原理工大学 | 一种基于多模态数据的超体素序列肺部图像的3d肺结节分割方法 |
CN109377522B (zh) * | 2018-10-19 | 2019-10-25 | 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 |
-
2019
- 2019-07-05 CN CN201910603487.5A patent/CN112184613A/zh active Pending
-
2020
- 2020-07-11 WO PCT/CN2020/101519 patent/WO2022006917A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2022006917A1 (zh) | 2022-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107748900B (zh) | 基于区分性卷积神经网络的乳腺肿瘤分类装置和存储介质 | |
Litjens et al. | Computer-aided detection of prostate cancer in MRI | |
CN108288070B (zh) | 一种神经指纹提取分类方法及系统 | |
CN110827242B (zh) | 一种基于卷积神经网络的颅内动脉瘤检测方法及系统 | |
CN109190690B (zh) | 基于机器学习的swi图像的脑微出血点检测识别方法 | |
Boldsen et al. | Better diffusion segmentation in acute ischemic stroke through automatic tree learning anomaly segmentation | |
EP2791901A1 (en) | Probability mapping for visualisation and analysis of biomedical images | |
Alksas et al. | A novel computer-aided diagnostic system for accurate detection and grading of liver tumors | |
Florez et al. | Emergence of radiomics: novel methodology identifying imaging biomarkers of disease in diagnosis, response, and progression | |
Méndez et al. | DCE-MRI and DWI integration for breast lesions assessment and heterogeneity quantification | |
CN112184613A (zh) | 基于人工智能的磁共振肺部影像识别装置及方法 | |
KR101284388B1 (ko) | 자기공명영상을 분석하는 방법, 장치 그리고 자기공명영상을 분석하기 위한 프로그램이 기록된 기록매체 | |
CN113764101B (zh) | 基于cnn的乳腺癌新辅助化疗多模态超声诊断系统 | |
Nalepa et al. | Deep learning automates bidimensional and volumetric tumor burden measurement from MRI in pre-and post-operative glioblastoma patients | |
Xing et al. | Automatic detection of A‐line in lung ultrasound images using deep learning and image processing | |
Tabnak et al. | MRI-based radiomics methods for predicting Ki-67 expression in breast cancer: A systematic review and meta-analysis | |
CN112990266A (zh) | 多模态脑影像数据处理的方法、装置、设备及存储介质 | |
Wei et al. | Multi-feature fusion for ultrasound breast image classification of benign and malignant | |
Zhang et al. | Harmonizing pathological and normal pixels for pseudo-healthy synthesis | |
Sammouda et al. | Intelligent computer-aided prostate cancer diagnosis systems: state-of-the-art and future directions | |
Wang et al. | Adaptive Weights Integrated Convolutional Neural Network for Alzheimer's Disease Diagnosis | |
Jia | Polyps auto-detection in wireless capsule endoscopy images using improved method based on image segmentation | |
Banerjee et al. | Computerized multiparametric mr image analysis for prostate cancer aggressiveness-assessment | |
Alkadi et al. | Early diagnosis and staging of prostate cancer using magnetic resonance imaging: State of the art and perspectives | |
Alkadi et al. | The classification power of classical and intra-voxel incoherent motion (ivim) fitting models of diffusion-weighted magnetic resonance images: An experimental study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210105 |