CN112258499A - 淋巴结分区方法、装置、设备及计算机可读存储介质 - Google Patents

淋巴结分区方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN112258499A
CN112258499A CN202011244080.7A CN202011244080A CN112258499A CN 112258499 A CN112258499 A CN 112258499A CN 202011244080 A CN202011244080 A CN 202011244080A CN 112258499 A CN112258499 A CN 112258499A
Authority
CN
China
Prior art keywords
target
mediastinum
organ
lymph node
sample
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
Application number
CN202011244080.7A
Other languages
English (en)
Other versions
CN112258499B (zh
Inventor
王成
高启予
俞益洲
李一鸣
乔昕
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.)
Beijing Shenrui Bolian Technology Co Ltd
Shenzhen Deepwise Bolian Technology Co Ltd
Original Assignee
Beijing Shenrui Bolian Technology Co Ltd
Shenzhen Deepwise Bolian 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 Beijing Shenrui Bolian Technology Co Ltd, Shenzhen Deepwise Bolian Technology Co Ltd filed Critical Beijing Shenrui Bolian Technology Co Ltd
Priority to CN202011244080.7A priority Critical patent/CN112258499B/zh
Publication of CN112258499A publication Critical patent/CN112258499A/zh
Application granted granted Critical
Publication of CN112258499B publication Critical patent/CN112258499B/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
    • G06T7/12—Edge-based segmentation
    • 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
    • G06T2207/20—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
    • G06T2207/30064—Lung nodule
    • 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)
  • 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)

Abstract

本申请提供了一种淋巴结分区方法，包括：确定各个样本器官的轮廓信息以及各个目标器官的轮廓信息，其中，各个样本器官为样本纵膈的两侧胸腔内的各个器官，各个目标器官为目标纵膈的两侧胸腔内的各个器官；生成各个样本器官的轮廓信息到各个目标器官的轮廓信息的变换矩阵；根据变换矩阵，对目标纵膈进行分区，得到目标纵膈分区结果；基于目标纵膈分区结果，对各个目标淋巴结进行分区。可见，本申请可以自动对各个目标淋巴结进行分区，避免了人工分区的弊端，提高了淋巴结分区结果的准确性。

Description

淋巴结分区方法、装置、设备及计算机可读存储介质
技术领域
本申请涉及计算机技术领域，特别涉及一种淋巴结分区方法、装置、设备及计算机可读存储介质。
背景技术
癌症，又称恶性肿瘤，严重威胁着人类健康，其中，肺癌是对人群健康和生命威胁最大的恶性肿瘤之一。根据2018年癌症发病及死亡数据统计表明，中国男性肺癌发病率及死亡率均居榜首，女性发病率占第二位，死亡率占第一位。同时，在世界范围内，肺癌的发病率与死亡率也居于榜首。据统计，90％与癌症相关的死亡病历与恶性肿瘤转移相关，是目前肿瘤研究工作的困境之一。
淋巴结是人体重要的免疫器官，研究肺部淋巴结对于肺部癌症转移研究具有重要意义，淋巴结状况对于肺癌的临床病理分期、治疗方案的选择与评估、患者的预后及治疗，均具有决定性作用。为此，国际肺癌研究协会2009年制定了第七版标准，将胸部淋巴结划分为14个区，以起到指导淋巴结分区、规范检查、便于分析其转移路径等目的，但是该标准并未提出任何自动分区算法，只是从医学的角度对淋巴结进行了分区。
现有的淋巴结分区主要依靠医生手动标注，不仅花费时间较长，还耗费了过多精力；此外，从图像标注的角度来讲，由于淋巴结数目较多、个体间差异较大，并且，存在不同医生对分区理解差异大、不同分区之间具有模糊地带等问题，导致不同医生的标注结果可能千差万别，很难保证标注质量，从而无法保证淋巴结分区结果的准确性。
发明内容
本申请提供了一种淋巴结分区方法、装置、设备及计算机可读存储介质，能够提高淋巴结分区结果的准确性。
第一方面，本申请提供了一种淋巴结分区方法，包括：
确定各个样本器官的轮廓信息以及各个目标器官的轮廓信息，所述各个样本器官为样本纵膈的两侧胸腔内的各个器官，所述各个目标器官为目标纵膈的两侧胸腔内的各个器官；
生成所述各个样本器官的轮廓信息到所述各个目标器官的轮廓信息的变换矩阵；
根据所述变换矩阵，对所述目标纵膈进行分区，得到目标纵膈分区结果；
基于所述目标纵膈分区结果，对各个目标淋巴结进行分区，所述目标纵膈与各个目标淋巴结属于同一个体。
可选的，所述生成各个样本器官的轮廓信息到各个目标器官的轮廓信息的变换矩阵，包括：
采用迭代最近邻算法，生成各个样本器官的轮廓信息到各个目标器官的轮廓信息的变换矩阵。
可选的，所述生成各个样本器官的轮廓信息到各个目标器官的轮廓信息的变换矩阵，包括：
生成样本器官点云空间与目标器官点云空间之间的变换矩阵，所述样本器官点云空间为各个样本器官的轮廓信息对应的点云空间，所述目标器官点云空间是各个目标器官的轮廓信息对应的点云空间。
可选的，所述根据所述变换矩阵，对所述目标纵膈进行分区，包括：
根据所述变换矩阵与样本纵膈点云空间，对所述目标纵膈进行分区；
其中，所述样本纵膈点云空间是预先生成的样本纵膈分区结果对应的点云空间，所述样本纵膈分区结果是由至少一位医生对样本纵膈进行标注而成的。
可选的，所述生成各个样本器官的轮廓信息到各个目标器官的轮廓信息的变换矩阵，包括：
依据各个目标淋巴结与各个目标器官之间的距离、以及各个目标淋巴结与各个目标器官之间的关系，将各个淋巴结进行分组，得到至少一个淋巴分组，其中，所述淋巴分组包括至少一个目标淋巴结、且所述淋巴分组对应至少一个目标器官；
对于每一淋巴分组对应的目标器官，生成该目标器官的轮廓信息与相应样本器官的轮廓信息之间的变换矩阵。
可选的，所述基于所述目标纵膈分区结果，对各个目标淋巴结进行分区，包括：
对于每个目标淋巴结，计算该目标淋巴结与目标纵膈点云空间中的每个点之间的距离，得到该目标淋巴结对应的各个距离值，所述目标纵膈点云空间是所述目标纵膈分区结果对应的点云空间；
根据该目标淋巴结对应的各个距离值，确定该目标淋巴结所属的纵膈分区，作为该目标淋巴结的分区结果。
可选的，所述根据该目标淋巴结对应的各个距离，确定该目标淋巴结所属的纵膈分区，包括：
根据该目标淋巴结对应的各个距离值，在所述目标纵膈点云空间中，选取距离该目标淋巴结最近的k个点，k≥1；
从所述k个点各自所属的纵膈分区中，选择一个纵膈分区，作为该目标淋巴结所属的纵膈分区。
可选的，所述从所述k个点各自所属的纵膈分区中，选择一个纵膈分区，包括：
确定所述k个点中的每一点所属的纵膈分区；
在所确定的各个纵膈分区中，统计每一纵膈分区包括的点数；
选取点数最大的纵膈分区。
第二方面，本申请提供了一种淋巴结分区装置，包括：
信息确定单元，用于确定各个样本器官的轮廓信息以及各个目标器官的轮廓信息，所述各个样本器官为样本纵膈的两侧胸腔内的各个器官，所述各个目标器官为目标纵膈的两侧胸腔内的各个器官；
矩阵生成单元，用于生成所述各个样本器官的轮廓信息到所述各个目标器官的轮廓信息的变换矩阵；
纵膈分区单元，用于根据所述变换矩阵，对所述目标纵膈进行分区，得到目标纵膈分区结果；
淋巴分区单元，用于基于所述目标纵膈分区结果，对各个目标淋巴结进行分区，所述目标纵膈与各个目标淋巴结属于同一个体。
可选的，所述矩阵生成单元，具体用于采用迭代最近邻算法，生成各个样本器官的轮廓信息到各个目标器官的轮廓信息的变换矩阵。
可选的，所述矩阵生成单元，具体用于生成样本器官点云空间与目标器官点云空间之间的变换矩阵，所述样本器官点云空间为各个样本器官的轮廓信息对应的点云空间，所述目标器官点云空间是各个目标器官的轮廓信息对应的点云空间。
可选的，所述纵膈分区单元，具体用于根据所述变换矩阵与样本纵膈点云空间，对所述目标纵膈进行分区；其中，所述样本纵膈点云空间是预先生成的样本纵膈分区结果对应的点云空间，所述样本纵膈分区结果是由至少一位医生对样本纵膈进行标注而成的。
可选的，所述矩阵生成单元，具体用于：
依据各个目标淋巴结与各个目标器官之间的距离、以及各个目标淋巴结与各个目标器官之间的关系，将各个淋巴结进行分组，得到至少一个淋巴分组，其中，所述淋巴分组包括至少一个目标淋巴结、且所述淋巴分组对应至少一个目标器官；
对于每一淋巴分组对应的目标器官，生成该目标器官的轮廓信息与相应样本器官的轮廓信息之间的变换矩阵。
可选的，所述淋巴分区单元，包括：
距离计算子单元，用于对于每个目标淋巴结，计算该目标淋巴结与目标纵膈点云空间中的每个点之间的距离，得到该目标淋巴结对应的各个距离值，所述目标纵膈点云空间是所述目标纵膈分区结果对应的点云空间；
淋巴分区子单元，用于根据该目标淋巴结对应的各个距离值，确定该目标淋巴结所属的纵膈分区，作为该目标淋巴结的分区结果。
可选的，所述淋巴分区子单元，包括：
距离选取子单元，用于根据该目标淋巴结对应的各个距离值，在所述目标纵膈点云空间中，选取距离该目标淋巴结最近的k个点，k≥1；
分区确定子单元，用于从所述k个点各自所属的纵膈分区中，选择一个纵膈分区，作为该目标淋巴结所属的纵膈分区。
可选的，所述分区确定子单元，具体用于：
确定所述k个点中的每一点所属的纵膈分区；
在所确定的各个纵膈分区中，统计每一纵膈分区包括的点数；
选取点数最大的纵膈分区，作为该目标淋巴结所属的纵膈分区。
第三方面，本申请提供了一种电子设备，包括：处理器、存储器；
所述存储器，用于存储计算机程序；
所述处理器，用于通过调用所述计算机程序，执行上述淋巴结分区方法。
第四方面，本申请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上述淋巴结分区方法。
在以上本申请提供的技术方案中，确定各个样本器官的轮廓信息以及各个目标器官的轮廓信息，其中，各个样本器官为样本纵膈的两侧胸腔内的各个器官，各个目标器官为目标纵膈的两侧胸腔内的各个器官；生成各个样本器官的轮廓信息到各个目标器官的轮廓信息的变换矩阵；根据变换矩阵，对目标纵膈进行分区，得到目标纵膈分区结果；基于目标纵膈分区结果，对各个目标淋巴结进行分区。可见，本申请可以自动对各个目标淋巴结进行分区，避免了人工分区的弊端，提高了淋巴结分区结果的准确性。
附图说明
图1为本申请示出的一种淋巴结分区方法的流程示意图；
图2为本申请示出的一种淋巴结分组示意图；
图3为本申请示出的一种分区标注模板示意图；
图4为本申请示出的一种淋巴结分区方法的流程框图；
图5为本申请示出的一种淋巴结分区装置的组成示意图。
图6为本申请示出的一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
随着医学图像处理技术的不断发展，许多以往需要医生手动进行的图像处理都可以由计算机自动完成，但由于淋巴结数目较多、个体间差异较大等原因，利用计算机直接完成淋巴结自动分区仍然存在非常高的难度。而基于图像分割及图像处理的手段，实现纵膈分区和淋巴结分区的方式，往往面临着标注成本高、质量难以把控的问题，同时需要逐层片逐分区实现纵隔分区，程序消耗时间过大。为此，本申请实施例提供了一种淋巴结分区方法，将采用一种基于配准的方法，开发出一套自动进行纵隔分区及淋巴结分区的算法，可以快速实现分区，从而辅助医生提高诊断效率。
本申请实施例主要是依据国际肺癌研究协会第七版的标准，将样本对象(比如某人体)的纵膈区域划分为相应的分区，制作成模板数据，该模板数据即为样本纵膈分区结果；然后，利用迭代最近邻(Iterative Closest Point，简称ICP)算法，计算由样本对象的标注空间到目标对象(比如某人体)的待预测空间的变换矩阵，利用该变换矩阵对样本纵膈分区结果进行配准，以实现对目标对象的目标纵膈进行分区，从而得到目标纵膈分区结果；最后，利用目标对象的淋巴结到目标纵膈分区的映射，获得淋巴结的分区信息。该方法以一种端到端的方式，实现肺部纵隔及淋巴结全自动分区，以实现辅助医生分析肺部肿瘤转移路径、判断其来源、预测其去向的目的，从而减轻医生负担。
下面对本申请实施例提供的淋巴结分区方法进行具体介绍。
参见图1，为本申请实施例提供的一种淋巴结分区方法的流程示意图，该方法包括以下步骤：
S101：确定各个样本器官的轮廓信息以及各个目标器官的轮廓信息，其中，各个样本器官为样本纵膈的两侧胸腔内的各个器官，各个目标器官为目标纵膈的两侧胸腔内的各个器官。
在本申请实施例中，可以选择一个样本对象(比如某人体)，为便于描述，将该样本对象的纵膈区域定义为样本纵膈，将该样本纵膈的两侧胸腔内的各个器官定义为各个样本器官，例如，可以包括心脏、主动脉、肺动脉、气管、食管、肺等样本器官。
同理，对于待检测的目标对象，该目标对象与样本对象属于同一类对象，为便于描述，将该目标对象的纵膈区域定义为目标纵膈，将该目标纵膈的两侧胸腔内的各个器官定义为各个目标器官，例如，可以包括心脏、主动脉、肺动脉、气管、食管、肺等目标器官。
在本申请实施例中，可以使用基于ResUNet的深度学习图像分割算法，提取各个样本器官的轮廓信息，并将这些轮廓信息转换成点云格式保存，具体为
Figure BDA0002769371190000088
Figure BDA0002769371190000081
其中，
Figure BDA0002769371190000082
表示各个样本器官的轮廓信息对应的器官点集；
Figure BDA0002769371190000083
表示空集；U是并集符号；FindContour是图像处理库opencv的一个函数，用于提取各个样本器官的轮廓；FixedOrganMask[:,:,i]表示第i个样本器官，有Z+1个样本器官，Z≥0。
同理，可以使用基于ResUNet的深度学习图像分割算法，提取各个目标器官的轮廓信息，并将这些轮廓信息转换成点云格式保存，具体为
Figure BDA0002769371190000087
Figure BDA0002769371190000084
其中，
Figure BDA0002769371190000085
表示各个目标器官的轮廓信息对应的器官点集；
Figure BDA0002769371190000086
表示空集；U是并集符号；FindContour是图像处理库opencv的一个函数，用于提取各个目标器官的轮廓；MovingOrganMask[:,:,i]表示第i个目标器官，有Z+1个目标器官，Z≥0。
S102：生成各个样本器官的轮廓信息到各个目标器官的轮廓信息的变换矩阵。
如果希望基于各个样本器官的轮廓信息，变换得到各个目标器官的轮廓信息，可以通过一个变换矩阵来实现。基于此思路，在已知“各个样本器官的轮廓信息”以及“各个目标器官的轮廓信息”的前提下，可以计算得到从“各个样本器官的轮廓信息”变换得到“各个目标器官的轮廓信息”所需的变换矩阵。
在本申请实施例的第一种实现方式中，当采用S102生成变换矩阵时，具体可以包括：采用迭代最近邻(Iterative Closest Point，简称ICP)算法，生成各个样本器官的轮廓信息到各个目标器官的轮廓信息的变换矩阵。
在S102及其上述S102的第一种实现方式中，在生成各个样本器官的轮廓信息到各个目标器官的轮廓信息的变换矩阵时，具体可以生成样本器官点云空间与目标器官点云空间之间的变换矩阵，其中，样本器官点云空间为各个样本器官的轮廓信息对应的点云空间，目标器官点云空间是各个目标器官的轮廓信息对应的点云空间。
在上述S101部分，介绍了可以将样本器官和目标器官以点云格式保存，基于此，可以基于各自的点云空间信息生成变换矩阵。
具体地，该变换矩阵的计算公式可以是：
Figure BDA0002769371190000091
其中，变换矩阵包括两个部分，分别是旋转矩阵R和平移矩阵t；argmin表示找到后面函数最小的参数R*,t*；
Figure BDA0002769371190000092
表示各个样本器官的轮廓信息对应的器官点集，可以采用上述公式(1)得到；
Figure BDA0002769371190000093
表示各个目标器官的轮廓信息对应的器官点集，可以采用上述公式(2)得到。
在本申请实施例的第二种实现方式中，当采用S102生成变换矩阵时，具体可以包括以下步骤A1-A2：
步骤A1：依据各个目标淋巴结与各个目标器官之间的距离、以及各个目标淋巴结与各个目标器官之间的关系，将各个淋巴结进行分组，得到至少一个淋巴分组，其中，所述淋巴分组包括至少一个目标淋巴结、且所述淋巴分组对应至少一个目标器官。
在本实现方式中，对于待检测的目标对象，可以将该目标对象的胸腔区域内的每一淋巴结定义为目标淋巴结，从而有多个目标淋巴结。对于每一目标淋巴结，可以计算该目标淋巴结与每一目标器官之间的欧式距离，并且，分析该目标淋巴结与每一目标器官之间的特定关系，然后，根据计算得到的欧式距离以及分析得到的特定关系，将这些目标淋巴结进行分组。具体地，对于每一目标器官，可以将距离该目标器官较近的目标淋巴结、以及属于该目标器官的淋巴结等归属于同一组，从而得到一个或多个淋巴分组。
例如，参见图2所示的淋巴结分组示意图，假设各个目标器官包括主动脉、肺动脉、气管、食管、肺等，在图2中，箭头指向同一目标器官的各个目标淋巴结属于同一淋巴分组、且每一淋巴分组对应一个目标器官。
步骤A2：对于每一淋巴分组对应的目标器官，生成该目标器官的轮廓信息与相应样本器官的轮廓信息之间的变换矩阵。
若采用步骤A1得到N个淋巴分组，便可以生成N个变换矩阵，N≥1。
例如，如图2所示，划分了5个淋巴分组，这5个淋巴分组各自对应的目标器官分别是主动脉、肺动脉、气管、食管和肺；并且，每一目标器官的相应样本器官属于同一器官，比如，目标器官“主动脉”，其相应的样本器官也是“主动脉”。因此，对于每一目标器官，在已知该目标器官对应的点云数据、以及该目标器官的相应样本器官对应的点云数据后，可以计算该样本器官的点云空间到该目标器官的点云空间的变换矩阵，这样，便计算得到5个变换矩阵。
S103：根据生成的变换矩阵，对目标纵膈进行分区，得到目标纵膈分区结果。
当通过S102计算得到多个变换矩阵后，便可以利用这些变换矩阵对目标纵膈进行分区。
在本申请实施例的一种实现方式中，S103具体可以包括：根据生成的变换矩阵与样本纵膈点云空间，对目标纵膈进行分区；其中，样本纵膈点云空间是预先生成的样本纵膈分区结果对应的点云空间，样本纵膈分区结果是由至少一位医生对样本纵膈进行标注而成的。
具体来讲，关于上述内容提到的样本纵膈，可以由多位医生对该样本纵膈进行标注，最终得到一个基于该样本纵膈的分区模板，这里，将该分区模板定义为样本纵膈分区结果。例如，如图3所示的分区标注模板示意图，该分区模板包括25个纵膈分区，左侧图为正视图，右侧图为侧视图。
对于医生标注而成的样本纵膈分区结果，可以将其转换成点云格式保存，这里将基于点云格式的样本纵膈分区结果，定义为样本纵膈点云空间。
在本实现方式中，可以利用S102计算得到多个变换矩阵以及样本纵膈点云空间，对目标纵膈进行分区，从而得到目标纵膈点云空间，即，得到目标纵膈分区结果。具体地，利用这些变换矩阵，从样本纵膈点云空间变换到目标纵膈点云空间，从而实现对目标纵膈的分区，可以采用以下计算公式：
Figure BDA0002769371190000111
其中，
Figure BDA0002769371190000112
表示目标纵膈点云空间的数据
Figure BDA0002769371190000113
表示样本纵膈点云空间的数据，R*和t*是采用上述公式(3)计算得到的变换矩阵的参数。
需要说明的是，基于上述S102可知，可能会计算得到多个变换矩阵，当存在多个变换矩阵时，需要基于各自的变换矩阵，采用公式(4)进行配准计算，从而实现对目标纵膈的分区。
S104：基于目标纵膈分区结果，对各个目标淋巴结进行分区，其中，目标纵膈与各个目标淋巴结属于同一个体。
在本申请实施例中，可以采用k最近邻方法，统计目标纵膈点云空间(即目标纵膈分区结果对应的点云空间)中与每个目标淋巴结最近的k个点的分区标签信息，然后，采用投票法决定各个目标淋巴结的分区结果。
具体地，在本申请实施例的一种实现方式中，S104具体可以包括以下步骤B1-B2：
步骤B1：对于每个目标淋巴结，计算该目标淋巴结与目标纵膈点云空间中的每个点之间的距离，得到该目标淋巴结对应的各个距离值。
将每一个目标淋巴结定义为一个点，那么，各个目标淋巴结将组成一个点集，这里，将该点集记为Ptest；上述
Figure BDA0002769371190000114
表示目标纵膈点云空间，也是一个点集。假设
Figure BDA0002769371190000115
大小为RN ×3,Ptest大小为RM×3，将二者扩展至同一纬度RN×M×3，记为P′test和
Figure BDA0002769371190000116
其中，R表示点集，N*3、M*3以及N*M*3是对应点集的尺寸。
对于每个目标淋巴结，可以计算该目标淋巴结与目标纵膈点云空间中的每个点之间的欧式距离，可以采用以下计算公式：
Figure BDA0002769371190000117
其中，Distance表示距离值的集合，该集合包括每一目标淋巴结与目标纵膈点云空间中的每个点之间的欧式距离。
步骤B2：根据该目标淋巴结对应的各个距离值，确定该目标淋巴结所属的纵膈分区，作为该目标淋巴结的分区结果。
对于每一目标淋巴结，通过上述步骤B1，可以计算得到该目标淋巴结对应的一个或多个距离值，基于这些距离值，可以在目标纵膈分区结果中找出该目标淋巴结所属的纵膈分区，并将该纵膈分区作为该目标淋巴结的分区结果。
在本申请实施例的一种实现方式中，步骤B2具体可以包括以下步骤B21-B22：
步骤B21：根据该目标淋巴结对应的各个距离值，在目标纵膈点云空间中，选取距离该目标淋巴结最近的k个点，k≥1。
需要说明的是，K值可以预设设定，比如k＝5。
可以选取距离该目标淋巴结最近的k个点，相关公式如下所示：
Distance‘＝sort(Distance)[:,∶k]
其中，sort(Distance)[:,∶k]表示，对于每个目标淋巴结，在上述公式(5)得到的距离集合Distance中，选取与该目标淋巴结最近的k个点对应的距离值；Distance‘表示每个淋巴结对应的k个距离值。
例如，对于某个目标淋巴结，假设该目标淋巴结对应的距离值为20个，可以将这些距离值从小到大进行排序，选取排序在前的5个值，这5个值即对应目标纵膈点云空间中的5个点、且这5个点与该目标淋巴结距离最近。
步骤B22：从k个点各自所属的纵膈分区中，选择一个纵膈分区，作为该目标淋巴结所属的纵膈分区。
对于距离该目标淋巴结最近的k个点，这k个点各自属于一个纵膈分区，但需要说明的是，这k个纵膈分区可能是不同的纵膈分区、也可能存在重复的纵膈分区。
在本申请实施例一种实现方式中，步骤B22具体可以包括：确定k个点中的每一点所属的纵膈分区；在所确定的各个纵膈分区中，统计每一纵膈分区包括的点数；选取点数最大的纵膈分区。
例如，假设k＝5，先确定这5个点分别所属的纵膈分区、以及这5个纵膈分区的分区标签，比如分区标签分别为1、1、2、3、4，其中，分区标签1的出现频次最大，因此，可以将标签1对应的纵膈分区，作为对应的目标淋巴结的纵膈分区。当然，如果这5个分区标签不同，可以随机选择任一个标签对应的纵膈分区、或者选择5个点中距离该目标淋巴结最近的点所属的纵膈分区，作为该目标淋巴结的纵膈分区。
为了更直观的了解本申请实施例，请参见图4所示的淋巴结分区方法的流程框图。
本申请实施例提供了一种由计算机自动进行纵膈分区及淋巴结分区的算法，是一种可快速实现的基于ICP配准的纵膈分区及淋巴结分区算法，在该算法中，将淋巴结依据其与器官的生理关系进行分组，以中心器官配准结果指导各分区配准以实现分区。该方案可以辅助医生治疗，提高效率，并且，该方案有利于医生之间相互沟通，提高了实验的可重复性。与现有的由医生手动标注实现分区的方式，本申请实施例是以计算机图像处理手段自动完成纵膈分区和淋巴结分区，可以提高医生诊断效率，便于沟通和交流。
在以上本申请实施例提供的淋巴结分区方法中，确定各个样本器官的轮廓信息以及各个目标器官的轮廓信息，其中，各个样本器官为样本纵膈的两侧胸腔内的各个器官，各个目标器官为目标纵膈的两侧胸腔内的各个器官；生成各个样本器官的轮廓信息到各个目标器官的轮廓信息的变换矩阵；根据变换矩阵，对目标纵膈进行分区，得到目标纵膈分区结果；基于目标纵膈分区结果，对各个目标淋巴结进行分区。可见，本申请实施例可以自动对各个目标淋巴结进行分区，避免了人工分区的弊端，提高了淋巴结分区结果的准确性。
参见图5，为本申请实施例提供的一种淋巴结分区装置的组成示意图，该装置包括：
信息确定单元510，用于确定各个样本器官的轮廓信息以及各个目标器官的轮廓信息，所述各个样本器官为样本纵膈的两侧胸腔内的各个器官，所述各个目标器官为目标纵膈的两侧胸腔内的各个器官；
矩阵生成单元520，用于生成所述各个样本器官的轮廓信息到所述各个目标器官的轮廓信息的变换矩阵；
纵膈分区单元530，用于根据所述变换矩阵，对所述目标纵膈进行分区，得到目标纵膈分区结果；
淋巴分区单元540，用于基于所述目标纵膈分区结果，对各个目标淋巴结进行分区，所述目标纵膈与各个目标淋巴结属于同一个体。
在本申请实施例的一种实现方式中，所述矩阵生成单元520，具体用于采用迭代最近邻算法，生成各个样本器官的轮廓信息到各个目标器官的轮廓信息的变换矩阵。
在本申请实施例的一种实现方式中，所述矩阵生成单元520，具体用于生成样本器官点云空间与目标器官点云空间之间的变换矩阵，所述样本器官点云空间为各个样本器官的轮廓信息对应的点云空间，所述目标器官点云空间是各个目标器官的轮廓信息对应的点云空间。
在本申请实施例的一种实现方式中，所述纵膈分区单元530，具体用于根据所述变换矩阵与样本纵膈点云空间，对所述目标纵膈进行分区；其中，所述样本纵膈点云空间是预先生成的样本纵膈分区结果对应的点云空间，所述样本纵膈分区结果是由至少一位医生对样本纵膈进行标注而成的。
在本申请实施例的一种实现方式中，所述矩阵生成单元520，具体用于：
依据各个目标淋巴结与各个目标器官之间的距离、以及各个目标淋巴结与各个目标器官之间的关系，将各个淋巴结进行分组，得到至少一个淋巴分组，其中，所述淋巴分组包括至少一个目标淋巴结、且所述淋巴分组对应至少一个目标器官；
对于每一淋巴分组对应的目标器官，生成该目标器官的轮廓信息与相应样本器官的轮廓信息之间的变换矩阵。
在本申请实施例的一种实现方式中，所述淋巴分区单元540，包括：
距离计算子单元，用于对于每个目标淋巴结，计算该目标淋巴结与目标纵膈点云空间中的每个点之间的距离，得到该目标淋巴结对应的各个距离值，所述目标纵膈点云空间是所述目标纵膈分区结果对应的点云空间；
淋巴分区子单元，用于根据该目标淋巴结对应的各个距离值，确定该目标淋巴结所属的纵膈分区，作为该目标淋巴结的分区结果。
在本申请实施例的一种实现方式中，所述淋巴分区子单元，包括：
距离选取子单元，用于根据该目标淋巴结对应的各个距离值，在所述目标纵膈点云空间中，选取距离该目标淋巴结最近的k个点，k≥1；
分区确定子单元，用于从所述k个点各自所属的纵膈分区中，选择一个纵膈分区，作为该目标淋巴结所属的纵膈分区。
在本申请实施例的一种实现方式中，所述分区确定子单元，具体用于：
确定所述k个点中的每一点所属的纵膈分区；
在所确定的各个纵膈分区中，统计每一纵膈分区包括的点数；
选取点数最大的纵膈分区，作为该目标淋巴结所属的纵膈分区。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。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申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本申请实施例还提供了一种电子设备，该电子设备的结构示意图如图6所示，该电子设备6000包括至少一个处理器6001、存储器6002和总线6003，至少一个处理器6001均与存储器6002电连接；存储器6002被配置用于存储有至少一个计算机可执行指令，处理器6001被配置用于执行该至少一个计算机可执行指令，从而执行如本申请中任意一个实施例或任意一种可选实施方式提供的任意一种淋巴结分区方法的步骤。
进一步，处理器6001可以是FPGA(Field－Programmable Gate Array，现场可编程门阵列)或者其它具有逻辑处理能力的器件，如MCU(Microcontroller Unit，微控制单元)、CPU(Central Process Unit，中央处理器)。
应用本申请实施例，可以自动对各个目标淋巴结进行分区，避免了人工分区的弊端，提高了淋巴结分区结果的准确性。
本申请实施例还提供了另一种计算机可读存储介质，存储有计算机程序，该计算机程序用于被处理器执行时实现本申请中任意一个实施例或任意一种可选实施方式提供的任意一种淋巴结分区方法的步骤。
本申请实施例提供的计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(RandomAccess Memory，随即存储器)、EPROM(Erasable Programmable Read-Only Memory，可擦写可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，可读存储介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。
应用本申请实施例，可以自动对各个目标淋巴结进行分区，避免了人工分区的弊端，提高了淋巴结分区结果的准确性。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (11)

1.一种淋巴结分区方法，其特征在于，包括：
确定各个样本器官的轮廓信息以及各个目标器官的轮廓信息，所述各个样本器官为样本纵膈的两侧胸腔内的各个器官，所述各个目标器官为目标纵膈的两侧胸腔内的各个器官；
生成所述各个样本器官的轮廓信息到所述各个目标器官的轮廓信息的变换矩阵；
根据所述变换矩阵，对所述目标纵膈进行分区，得到目标纵膈分区结果；
基于所述目标纵膈分区结果，对各个目标淋巴结进行分区，所述目标纵膈与各个目标淋巴结属于同一个体。
2.根据权利要求1所述的方法，其特征在于，所述生成各个样本器官的轮廓信息到各个目标器官的轮廓信息的变换矩阵，包括：
采用迭代最近邻算法，生成各个样本器官的轮廓信息到各个目标器官的轮廓信息的变换矩阵。
3.根据权利要求1所述的方法，其特征在于，所述生成各个样本器官的轮廓信息到各个目标器官的轮廓信息的变换矩阵，包括：
生成样本器官点云空间与目标器官点云空间之间的变换矩阵，所述样本器官点云空间为各个样本器官的轮廓信息对应的点云空间，所述目标器官点云空间是各个目标器官的轮廓信息对应的点云空间。
4.根据权利要求3所述的方法，其特征在于，所述根据所述变换矩阵，对所述目标纵膈进行分区，包括：
根据所述变换矩阵与样本纵膈点云空间，对所述目标纵膈进行分区；
其中，所述样本纵膈点云空间是预先生成的样本纵膈分区结果对应的点云空间，所述样本纵膈分区结果是由至少一位医生对样本纵膈进行标注而成的。
5.根据权利要求1所述的方法，其特征在于，所述生成各个样本器官的轮廓信息到各个目标器官的轮廓信息的变换矩阵，包括：
依据各个目标淋巴结与各个目标器官之间的距离、以及各个目标淋巴结与各个目标器官之间的关系，将各个淋巴结进行分组，得到至少一个淋巴分组，其中，所述淋巴分组包括至少一个目标淋巴结、且所述淋巴分组对应至少一个目标器官；
对于每一淋巴分组对应的目标器官，生成该目标器官的轮廓信息与相应样本器官的轮廓信息之间的变换矩阵。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述基于所述目标纵膈分区结果，对各个目标淋巴结进行分区，包括：
对于每个目标淋巴结，计算该目标淋巴结与目标纵膈点云空间中的每个点之间的距离，得到该目标淋巴结对应的各个距离值，所述目标纵膈点云空间是所述目标纵膈分区结果对应的点云空间；
根据该目标淋巴结对应的各个距离值，确定该目标淋巴结所属的纵膈分区，作为该目标淋巴结的分区结果。
7.根据权利要求6所述的方法，其特征在于，所述根据该目标淋巴结对应的各个距离，确定该目标淋巴结所属的纵膈分区，包括：
根据该目标淋巴结对应的各个距离值，在所述目标纵膈点云空间中，选取距离该目标淋巴结最近的k个点，k≥1；
从所述k个点各自所属的纵膈分区中，选择一个纵膈分区，作为该目标淋巴结所属的纵膈分区。
8.根据权利要求7所述的方法，其特征在于，所述从所述k个点各自所属的纵膈分区中，选择一个纵膈分区，包括：
确定所述k个点中的每一点所属的纵膈分区；
在所确定的各个纵膈分区中，统计每一纵膈分区包括的点数；
选取点数最大的纵膈分区。
9.一种淋巴结分区装置，其特征在于，包括：
信息确定单元，用于确定各个样本器官的轮廓信息以及各个目标器官的轮廓信息，所述各个样本器官为样本纵膈的两侧胸腔内的各个器官，所述各个目标器官为目标纵膈的两侧胸腔内的各个器官；
矩阵生成单元，用于生成所述各个样本器官的轮廓信息到所述各个目标器官的轮廓信息的变换矩阵；
纵膈分区单元，用于根据所述变换矩阵，对所述目标纵膈进行分区，得到目标纵膈分区结果；
淋巴分区单元，用于基于所述目标纵膈分区结果，对各个目标淋巴结进行分区，所述目标纵膈与各个目标淋巴结属于同一个体。
10.一种电子设备，其特征在于，包括：处理器、存储器；
所述存储器，用于存储计算机程序；
所述处理器，用于通过调用所述计算机程序，执行如权利要求1-8中任一项所述的淋巴结分区方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-8任一项所述的淋巴结分区方法。
CN202011244080.7A 2020-11-10 2020-11-10 淋巴结分区方法、装置、设备及计算机可读存储介质 Active CN112258499B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011244080.7A CN112258499B (zh) 2020-11-10 2020-11-10 淋巴结分区方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011244080.7A CN112258499B (zh) 2020-11-10 2020-11-10 淋巴结分区方法、装置、设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112258499A true CN112258499A (zh) 2021-01-22
CN112258499B CN112258499B (zh) 2023-09-26

Family

ID=74266761

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011244080.7A Active CN112258499B (zh) 2020-11-10 2020-11-10 淋巴结分区方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112258499B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017012446A (ja) * 2015-06-30 2017-01-19 キヤノン株式会社 画像処理装置
WO2017210690A1 (en) * 2016-06-03 2017-12-07 Lu Le Spatial aggregation of holistically-nested convolutional neural networks for automated organ localization and segmentation in 3d medical scans
CN107507189A (zh) * 2017-07-04 2017-12-22 西北大学 基于随机森林与统计模型的小鼠ct图像肾脏分割方法
CN110533656A (zh) * 2019-08-30 2019-12-03 杭州依图医疗技术有限公司 一种确定纵隔淋巴结所在分区的方法及装置
WO2020028352A1 (en) * 2018-07-31 2020-02-06 Washington University Methods and systems for segmenting organs in images using a cnn-based correction network
US20200311919A1 (en) * 2019-03-26 2020-10-01 Siemens Healthcare Gmbh Method and data processing system for providing lymph node information
CN111755105A (zh) * 2020-05-18 2020-10-09 杭州依图医疗技术有限公司 一种医学影像的显示方法及装置、计算机可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017012446A (ja) * 2015-06-30 2017-01-19 キヤノン株式会社 画像処理装置
WO2017210690A1 (en) * 2016-06-03 2017-12-07 Lu Le Spatial aggregation of holistically-nested convolutional neural networks for automated organ localization and segmentation in 3d medical scans
CN107507189A (zh) * 2017-07-04 2017-12-22 西北大学 基于随机森林与统计模型的小鼠ct图像肾脏分割方法
WO2020028352A1 (en) * 2018-07-31 2020-02-06 Washington University Methods and systems for segmenting organs in images using a cnn-based correction network
US20200311919A1 (en) * 2019-03-26 2020-10-01 Siemens Healthcare Gmbh Method and data processing system for providing lymph node information
CN110533656A (zh) * 2019-08-30 2019-12-03 杭州依图医疗技术有限公司 一种确定纵隔淋巴结所在分区的方法及装置
CN111755105A (zh) * 2020-05-18 2020-10-09 杭州依图医疗技术有限公司 一种医学影像的显示方法及装置、计算机可读存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YONGQIANG TAN等: "Lymph node segmentation by dynamic programming and active contours", MEDICAL PHYSICS, vol. 45, no. 5, pages 2054 - 2062 *
王素贞;李建彬;张英杰;李奉祥;邵倩;范廷勇;徐敏;戚焕鹏;: "基于4D-CT测定纵隔淋巴结与原发肿瘤位移及脏器体积变化率的相关性研究", 中华肿瘤防治杂志, no. 23 *
韩光辉等: "肺部CT图像病变区域检测方法", 自动化学报, vol. 43, no. 12, pages 2071 - 2090 *

Also Published As

Publication number Publication date
CN112258499B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
Li et al. Thoracic disease identification and localization with limited supervision
CN107016665B (zh) 一种基于深度卷积神经网络的ct肺结节检测方法
CN111784700B (zh) 肺叶分割、模型训练、模型构建与分割方法、系统及设备
CN114730463A (zh) 用于组织图像分类的多实例学习器
Durkee et al. Artificial intelligence and cellular segmentation in tissue microscopy images
CN110807764A (zh) 一种基于神经网络的肺癌筛查方法
Zhou et al. Irnet: Instance relation network for overlapping cervical cell segmentation
CN112085714B (zh) 一种肺结节检测方法、模型训练方法、装置、设备及介质
CN110969623B (zh) 一种肺部ct多征象自动检测方法、系统、终端及存储介质
Nateghi et al. A deep learning approach for mitosis detection: application in tumor proliferation prediction from whole slide images
Wang et al. Identifying neutrophils in H&E staining histology tissue images
CN112132815A (zh) 肺结节检测模型训练方法、检测方法及装置
CN115984622A (zh) 基于多模态和多示例学习分类方法、预测方法及相关装置
Gu et al. Pulmonary nodules detection based on deformable convolution
CN116597985A (zh) 生存率预测模型训练方法、生存期预测方法及装置、设备
CN111275699A (zh) 医学图像的处理方法、装置、设备及存储介质
CN108597589B (zh) 模型生成方法、目标检测方法及医学成像系统
Li et al. Artificial intelligence for histological subtype classification of breast cancer: combining multi‐scale feature maps and the recurrent attention model
Pham et al. Chest x-rays abnormalities localization and classification using an ensemble framework of deep convolutional neural networks
CN112258499A (zh) 淋巴结分区方法、装置、设备及计算机可读存储介质
CN115631387B (zh) 基于图卷积神经网络的肺癌病理高危因素预测方法和装置
CN112258500A (zh) 淋巴结分区方法、装置、设备及计算机可读存储介质
CN111783796A (zh) 一种基于深度特征融合的pet/ct影像识别系统
CN116580017A (zh) 融合双路径通道注意力和空洞空间注意力的改进Mask-R-CNN肺结节辅助检测方法
CN113591791B (zh) 基于自学习人工智能的肺癌自动化识别系统

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