CN112258511A - 一种基于偏微分方程的患者肺部病变预测方法及系统 - Google Patents
一种基于偏微分方程的患者肺部病变预测方法及系统 Download PDFInfo
- Publication number
- CN112258511A CN112258511A CN202010937118.2A CN202010937118A CN112258511A CN 112258511 A CN112258511 A CN 112258511A CN 202010937118 A CN202010937118 A CN 202010937118A CN 112258511 A CN112258511 A CN 112258511A
- Authority
- CN
- China
- Prior art keywords
- focus
- site
- partial differential
- simulated
- differential equation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000003902 lesion Effects 0.000 title claims abstract description 67
- 210000004072 lung Anatomy 0.000 title claims abstract description 55
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000009471 action Effects 0.000 claims abstract description 7
- 230000007246 mechanism Effects 0.000 claims abstract description 6
- 238000002922 simulated annealing Methods 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims description 15
- 230000018109 developmental process Effects 0.000 claims description 10
- 230000012010 growth Effects 0.000 claims description 9
- 238000009792 diffusion process Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000002685 pulmonary effect Effects 0.000 claims description 5
- 238000000137 annealing Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 201000010099 disease Diseases 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 9
- 229940079593 drug Drugs 0.000 description 7
- 239000003814 drug Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000003325 tomography Methods 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000001143 conditioned effect Effects 0.000 description 3
- 208000019693 Lung disease Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000011278 mitosis Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010261 cell growth Effects 0.000 description 1
- 230000007248 cellular mechanism Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 208000037841 lung tumor Diseases 0.000 description 1
- 230000000394 mitotic effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 210000004879 pulmonary tissue Anatomy 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000003612 virological effect Effects 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
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06T2207/30061—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于偏微分方程的患者肺部病变预测方法及系统，其方法包括：对采集到的各个CT二维图像进行三维重构生成三维图像，并从所述三维图像中分割获取各个原始病灶位点的灰度；结合欧拉方程和细胞作用机理，建立用于描述各个模拟病灶位点的病灶浓度的偏微分方程模型；基于有限元方法和后向欧拉法对所述偏微分方程模型进行求解，获取所述各个模拟病灶位点的病灶浓度；结合所述各个原始病灶位点和所述各个模拟病灶位点，基于并行模拟退火法对所述偏微分方程模型进行优化拟合，获取所述偏微分方程模型中所包含的患者参数，以辅助对患者病灶发展的预测。本发明实施例可辅助医生对患者病程发展的预测，满足日益增长的民生医疗需求。
Description
技术领域
本发明涉及医疗技术领域，尤其涉及一种基于偏微分方程的患者肺部病变预测方法及系统。
背景技术
随着现代科学技术的发展，对于一些肺部疾病患者在治疗过程中的大量数据信息被保存下来，包括CT断层图像数据和胸片图像数据。这些图片信息不但可以直观地反映出患者的肺部症状情况，也可以从中提取出患者所患的具体肺部疾病信息。在此之前由于技术局限性，这些图片信息更多是用来辅助医生判断患者的得病信息，而近年来技术人员更着力于研究如何通过统计学、数学和计算机等学科之间的交叉应用，并结合CT断层图像信息来实现医生对患者疾病走向的有效预测，这也是本发明所解决的问题。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于偏微分方程的患者肺部病变预测方法及系统，可辅助医生对患者病程发展的预测，满足日益增长的民生医疗需求。
为了解决上述问题，本发明提出了一种基于偏微分方程的患者肺部病变预测方法，所述方法包括：
对采集到的各个CT二维图像进行三维重构生成三维图像，并从所述三维图像中分割获取各个原始病灶位点的灰度；
结合欧拉方程和细胞作用机理，建立用于描述各个模拟病灶位点的病灶浓度的偏微分方程模型；
基于有限元方法和后向欧拉法对所述偏微分方程模型进行求解，获取所述各个模拟病灶位点的病灶浓度；
结合所述各个原始病灶位点和所述各个模拟病灶位点，基于并行模拟退火法对所述偏微分方程模型进行优化拟合，获取所述偏微分方程模型中所包含的患者参数，以辅助对患者病灶发展的预测。
可选的，所述对采集到的各个CT二维图像进行三维重构生成三维图像包括：
将所述各个CT二维图像按照各自的既定顺序和纵向位置排列在同一水平线上，生成初始肺部三维图像；
对所述初始肺部三维图像中的各层图像的位图像素点灰度数据进行提取，并基于所述各层图像的位图像素点灰度数据构建三维有限元网格；
基于三次样条插值法对所述三维有限元网格进行插值处理，获取最终肺部三维图像。
可选的，所述从所述三维图像中分割获取各个原始病灶位点的灰度包括：
从所述最终肺部三维图像中分割出各个原始病灶位点，并提取出所述各个原始病灶位点的灰度数据；
对所述各个原始病灶位点的灰度数据进行归一化处理，获取所述各个原始病灶位点所对应的具体数值。
可选的，所述偏微分方程模型为：
其中，n为在t时刻和
位置下所采集到的模拟病灶位点的病灶浓度，D为扩散系数，
为梯度算子，f为n所指代的模拟病灶位点所受到的合力，g(n,v)为n所指代的模拟病灶位点的复杂增长函数，v为外界因素影响参数。
可选的，所述基于有限元方法和后向欧拉法对所述偏微分方程模型进行求解，获取所述各个模拟病灶位点的病灶浓度包括：
以半个时间步长为条件，对所述偏微分方程模型中的线性部分进行求解，获取当前模拟病灶位点的临时病灶浓度；
以一个时间步长为条件，结合所述当前模拟病灶位点的临时病灶浓度对所述偏微分方程模型中的非线性部分进行求解，获取下一个模拟病灶位点的临时病灶浓度；
以半个时间步长为条件，结合所述下一个模拟病灶位点的临时病灶浓度对所述偏微分方程模型中的线性部分进行求解，获取下一个模拟病灶位点的病灶浓度。
另外，本发明实施例还提供了一种基于偏微分方程的患者肺部病变预测系统，所述系统包括：
分割模块，用于对采集到的各个CT二维图像进行三维重构生成三维图像，并从所述三维图像中分割获取各个原始病灶位点的灰度；
建立模块，用于结合欧拉方程和细胞作用机理，建立用于描述各个模拟病灶位点的病灶浓度的偏微分方程模型；
求解模块，用于基于有限元方法和后向欧拉法对所述偏微分方程模型进行求解，获取所述各个模拟病灶位点的病灶浓度；
优化模块，用于结合所述各个原始病灶位点和所述各个模拟病灶位点，基于并行模拟退火法对所述偏微分方程模型进行优化拟合，获取所述偏微分方程模型中所包含的患者参数，以辅助对患者病灶发展的预测。
可选的，所述分割模块包括三维重构单元；
所述三维重构单元用于将所述各个CT二维图像按照各自的既定顺序和纵向位置排列在同一水平线上，生成初始肺部三维图像；对所述初始肺部三维图像中的各层图像的位图像素点灰度数据进行提取，并基于所述各层图像的位图像素点灰度数据构建三维有限元网格；基于三次样条插值法对所述三维有限元网格进行插值处理，获取最终肺部三维图像。
可选的，所述分割模块还包括病灶分割单元；
所述病灶分割单元用于从所述最终肺部三维图像中分割出各个原始病灶位点，并提取出所述各个原始病灶位点的灰度数据；对所述各个原始病灶位点的灰度数据进行归一化处理，获取所述各个原始病灶位点所对应的具体数值。
可选的，所述偏微分方程模型为：
其中，n为在t时刻和
位置下所采集到的模拟病灶位点的病灶浓度，D为扩散系数，
为梯度算子，f为n所指代的模拟病灶位点所受到的合力，g(n,v)为n所指代的模拟病灶位点的复杂增长函数，v为外界因素影响参数。
可选的，所述求解模块用于以半个时间步长为条件，对所述偏微分方程模型中的线性部分进行求解，获取当前模拟病灶位点的临时病灶浓度；以一个时间步长为条件，结合所述当前模拟病灶位点的临时病灶浓度对所述偏微分方程模型中的非线性部分进行求解，获取下一个模拟病灶位点的临时病灶浓度；以半个时间步长为条件，结合所述下一个模拟病灶位点的临时病灶浓度对所述偏微分方程模型中的线性部分进行求解，获取下一个模拟病灶位点的病灶浓度。
在本发明实施例中，利用多个现有CT断层图像所合成的三维成像图作为拟合参考点，以对描述肺部病灶位点增长历程的偏微分方程模型的各个求解值作为拟合初始点，基于所述拟合参考点和所述拟合初始点对所述偏微分方程模型进行优化处理以形成病患的真实参数，可辅助医生对患者病状进行预测，实用性强，同时有助于后续医生针对不同阶段的最优肺部病灶位点进行合理的用药判断。
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，显而易见的，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的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例公开的一种基于偏微分方程的患者肺部病变预测方法的流程示意图；
图2是本发明实施例公开的一种基于偏微分方程的患者肺部病变预测系统的结构组成示意图。
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，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。
图1示出了本发明实施例中的一种基于偏微分方程的患者肺部病变预测方法的流程示意图，所述方法包括如下：
S101、对采集到的各个CT二维图像进行三维重构生成三维图像，并从所述三维图像中分割获取各个原始病灶位点的灰度；
具体实施过程包括：
(1)将所述各个CT二维图像按照各自的既定顺序和纵向位置排列在同一水平线上，生成初始肺部三维图像；
在本发明实施例中，所述各个CT二维图像是通过螺旋式CT扫描设备生成的，该扫描设备由X光断层扫描装置、微型电子计算机和图像显示存储系统组成，通过X光断层扫描装置围绕人体做圆周运动来采集获取扫描数据，并通过所述微型电子计算机和所述图像显示存储系统对所述扫描数据形成CT断层图像，且该CT断层图像具有标定的排列序号，其中排列序号包括采集时间和切片层数，即说明此处所采集到的各个CT二维图像中的每一个CT二维图像均具有唯一序号。在实施过程中，首先根据采集时间对所述各个CT二维图像进行分类，再对每一类别下所包含的各个CT二维图像按照切片层数进行纵向排列之后，将生成空间上的初始肺部三维图像，其包含有不同采样时间下的各个肺部三维图像。
(2)对所述初始肺部三维图像中的各层图像的位图像素点灰度数据进行提取，并基于所述各层图像的位图像素点灰度数据构建三维有限元网格；
在本发明实施例中，通过对所述初始肺部三维图像中的各层图像的位图像素点灰度数据进行提取之后，在相邻两层图像上建立交叉连接关系，即第一层图像上的每一个像素点按照距离较短原则与第二层图像上的两个像素点建立连接关系，以此类推直至各层图像之间均相互连接，以此来构建成所述三维有限元网格。
(3)基于三次样条插值法对所述三维有限元网格进行插值处理，获取最终肺部三维图像；
在本发明实施例中，对所述三维有限元网格进行插值处理实际上相当于对所述三维有限元网格进行噪声与失真的消除，即对所述三维有限元网格进行边界缺陷拟合，以此形成像素度较高的所述最终肺部三维图像。
(4)从所述最终肺部三维图像中分割出各个原始病灶位点，并提取出所述各个原始病灶位点的灰度数据；
在本发明实施例中，根据步骤(1)可知所述最终肺部三维图像中同样包含不同采样时间下的各个最终肺部三维图像，此处利用现有的图像分割工具对所述最终肺部三维图像进行区域分割，可获取各个最终肺部三维图像所对应的各个原始病灶位点，同时提取出各个原始病灶位点的灰度值。
(5)对所述各个原始病灶位点的灰度数据进行归一化处理，获取所述各个原始病灶位点所对应的具体数值。
在本发明实施例中，以其中一个原始病灶位点为例进行说明：首先对该原始病灶位点所包含的多个灰度数据分别进行归一化处理，得到该原始病灶位点的空间位置
同时结合该原始病灶位点的采样时间t，获取该原始病灶位点所对应的具体数值为
S102、结合欧拉方程和细胞作用机理，建立用于描述各个模拟病灶位点的病灶浓度的偏微分方程模型；
具体的，根据描述生物体组织增长方程和质量守恒定律，建立所述偏微分方程模型为：
其中，n为在t时刻和
位置下所采集到的模拟病灶位点的病灶浓度(如癌细胞的浓度)，D为扩散系数，
为梯度算子，f为n所指代的模拟病灶位点所受到的合力，g(n,v)为n所指代的模拟病灶位点的复杂增长函数，v为外界因素影响参数。
在本发明实施例中，欧拉方程作为经典连续介质力学中描述连续介质形变的方程，若不考虑有丝分裂等有量增加的过程，在使用时可直接将所述偏微分方程模型更改为：
针对存在有丝分裂状态的肺部血管和肺部组织结构等，应根据牛顿第三定律来分析细胞处于所在组织中的受力情况f；此外，针对所述偏微分方程模型的反应项g(n,v)，其属于一个受很多因素影响的复杂项，包括细胞本身增长的有丝分裂过程、受到细菌或者病毒侵扰导致的病变项和增生项等因素，此处采用仓室模型的建模思路对影响该反应项g(n,v)的各个可能因素进行分类，并通过查阅相关资料获取各个可能因素之间的逻辑关系来获取该反应项g(n,v)的具体数值。
S103、基于有限元方法和后向欧拉法对所述偏微分方程进行求解，获取所述各个模拟病灶位点的病灶浓度；
在本发明实施例中，利用有限元方法的目的在于针对如肺部病灶位点等具有任意复杂几何形状变形体，利用离散逼近的策略可根据所述偏微分方程模型来完整计算出病灶位点是如何生长的。具体的，根据有限元公式和后向欧拉法的求解思想，其实施过程包括如下：
(1)以半个时间步长dt/2为条件，对所述偏微分方程模型中的线性部分
进行求解为：
此处采用经典的有限元方法，可以通过当前模拟病灶位点的病灶浓度
获取到所述当前模拟病灶位点的临时病灶浓度
(2)以一个时间步长dt为条件，结合所述当前模拟病灶位点的临时病灶浓度
对所述偏微分方程模型中的非线性部分
进行求解为：
此处采用后向欧拉法，可以获取下一个模拟病灶位点的临时病灶浓度
当然此处也可采用更高精度的龙格库塔方法进行求解；
(3)以半个时间步长dt/2为条件，结合所述下一个模拟病灶位点的临时病灶浓度
对所述偏微分方程模型中的线性部分
进行求解，获取下一个模拟病灶位点的病灶浓度
且其求解公式与上述步骤(1)所提出的公式一致。
需要说明的是，通过以上步骤(1)至步骤(3)的循环计算，可得到在所述三维有限元网格的网格点上与相对应的ndt时间步长上的各个模拟病灶位点的病灶浓度。
S104、结合所述各个原始病灶位点和所述各个模拟病灶位点，基于并行模拟退火法对所述偏微分方程模型进行优化拟合，获取所述偏微分方程模型中所包含的患者参数，以辅助对患者病灶发展的预测。
在本发明实施例中，将所述各个原始病灶位点和所述各个模拟病灶位点的数据拟合问题转换为一个无穷维的优化问题为：
其中，
为同一采样时间下所对应的模拟病灶位点和原始病灶位点在空间上的距离函数，可根据最小二乘距离或者贝叶斯公式进行求解，n0为病灶位点的初始病灶浓度，θ为方程中其它参数的集合。在实施过程中，将同一采样时间下的模拟病灶位点和原始病灶位点输入所述偏微分方程模型中进行求解，通过求解所得的θ值和n0值，可以预测出当前模拟病灶位点在未来任一时刻的发展情况，以此作为医生对患者病灶的治疗依据。
此外，针对科研人员为治疗肺部肿瘤所研制出来的药物1、药物2、药物3等，可以根据步骤S104获取未来某一时刻下的模拟肺部病灶位点的病灶浓度，分别利用药物1、药物2和药物3进行治疗试验，以相同剂量作为试验条件，通过现有的药物扩散方程分别观察药物1、药物2和药物3对该模拟肺部病灶位点的消除效果，以此可为该模拟肺部病灶位点选择最佳的治疗药物。
图2示出了本发明实施例中的一种基于偏微分方程的患者肺部病变预测系统的结构组成示意图，所述系统包括：
分割模块201，用于对采集到的各个CT二维图像进行三维重构生成三维图像，并从所述三维图像中分割获取各个原始病灶位点的灰度；
具体的，所述分割模块201包括三维重构单元和病灶分割单元；其中，所述三维重构单元用于将所述各个CT二维图像按照各自的既定顺序和纵向位置排列在同一水平线上，生成初始肺部三维图像；对所述初始肺部三维图像中的各层图像的位图像素点灰度数据进行提取，并基于所述各层图像的位图像素点灰度数据构建三维有限元网格；基于三次样条插值法对所述三维有限元网格进行插值处理，获取最终肺部三维图像；而所述病灶分割单元用于从所述最终肺部三维图像中分割出各个原始病灶位点，并提取出所述各个原始病灶位点的灰度数据；对所述各个原始病灶位点的灰度数据进行归一化处理，获取所述各个原始病灶位点所对应的具体数值。
建立模块202，用于结合欧拉方程和细胞作用机理，建立用于描述各个模拟病灶位点的病灶浓度的偏微分方程模型为：
其中，n为在t时刻和
位置下所采集到的模拟病灶位点的病灶浓度(如癌细胞的浓度)，D为扩散系数，
为梯度，f为n所指代的模拟病灶位点所受到的合力，g(n,v)为n所指代的模拟病灶位点的复杂增长函数，v为外界因素影响参数。
求解模块203，用于基于有限元方法和后向欧拉法对所述偏微分方程模型进行求解，获取所述各个模拟病灶位点的病灶浓度；
具体的，所述求解模块203用于以半个时间步长为条件，对所述偏微分方程模型中的线性部分进行求解，获取当前模拟病灶位点的临时病灶浓度；以一个时间步长为条件，结合所述当前模拟病灶位点的临时病灶浓度对所述偏微分方程模型中的非线性部分进行求解，获取下一个模拟病灶位点的临时病灶浓度；以半个时间步长为条件，结合所述下一个模拟病灶位点的临时病灶浓度对所述偏微分方程模型中的线性部分进行求解，获取下一个模拟病灶位点的病灶浓度。
优化模块204，用于结合所述各个原始病灶位点和所述各个模拟病灶位点，基于并行模拟退火法对所述偏微分方程模型进行优化拟合，获取所述偏微分方程模型中所包含的患者参数，以辅助对患者病灶发展的预测。
其中，所述系统被配置用于执行上述的基于偏微分方程的患者肺部病变预测方法，针对所述系统中的各个模块的具体实施方式请参考图1所示出的方法流程图及具体实施内容，在此不再赘述。
在本发明实施例中，利用多个现有CT断层图像所合成的三维成像图作为拟合参考点，以对描述肺部病灶位点增长历程的偏微分方程模型的各个求解值作为拟合初始点，基于所述拟合参考点和所述拟合初始点对所述偏微分方程模型进行优化处理以形成病患的真实参数，可辅助医生对患者病状进行预测，实用性强，同时有助于后续医生针对不同阶段的最优肺部病灶位点进行合理的用药判断。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
以上对本发明实施例所提供的一种基于偏微分方程的患者肺部病变预测方法及系统进行了详细介绍，本文中采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于偏微分方程的患者肺部病变预测方法，其特征在于，所述方法包括：
对采集到的各个CT二维图像进行三维重构生成三维图像，并从所述三维图像中分割获取各个原始病灶位点的灰度；
结合欧拉方程和细胞作用机理，建立用于描述各个模拟病灶位点的病灶浓度的偏微分方程模型；
基于有限元方法和后向欧拉法对所述偏微分方程模型进行求解，获取所述各个模拟病灶位点的病灶浓度；
结合所述各个原始病灶位点和所述各个模拟病灶位点，基于并行模拟退火法对所述偏微分方程模型进行优化拟合，获取所述偏微分方程模型中所包含的患者参数，以辅助对患者病灶发展的预测。
2.根据权利要求1所述的患者肺部病变预测方法，其特征在于，所述对采集到的各个CT二维图像进行三维重构生成三维图像包括：
将所述各个CT二维图像按照各自的既定顺序和纵向位置排列在同一水平线上，生成初始肺部三维图像；
对所述初始肺部三维图像中的各层图像的位图像素点灰度数据进行提取，并基于所述各层图像的位图像素点灰度数据构建三维有限元网格；
基于三次样条插值法对所述三维有限元网格进行插值处理，获取最终肺部三维图像。
3.根据权利要求2所述的患者肺部病变预测方法，其特征在于，所述从所述三维图像中分割获取各个原始病灶位点的灰度包括：
从所述最终肺部三维图像中分割出各个原始病灶位点，并提取出所述各个原始病灶位点的灰度数据；
对所述各个原始病灶位点的灰度数据进行归一化处理，获取所述各个原始病灶位点所对应的具体数值。
4.根据权利要求1所述的患者肺部病变预测方法，其特征在于，所述偏微分方程模型为：
其中，n为在t时刻和
位置下所采集到的模拟病灶位点的病灶浓度，D为扩散系数，
为梯度算子，f为n所指代的模拟病灶位点所受到的合力，g(n,v)为n所指代的模拟病灶位点的复杂增长函数，v为外界因素影响参数。
5.根据权利要求4所述的患者肺部病变预测方法，其特征在于，所述基于有限元方法和后向欧拉法对所述偏微分方程模型进行求解，获取所述各个模拟病灶位点的病灶浓度包括：
以半个时间步长为条件，对所述偏微分方程模型中的线性部分进行求解，获取当前模拟病灶位点的临时病灶浓度；
以一个时间步长为条件，结合所述当前模拟病灶位点的临时病灶浓度对所述偏微分方程模型中的非线性部分进行求解，获取下一个模拟病灶位点的临时病灶浓度；
以半个时间步长为条件，结合所述下一个模拟病灶位点的临时病灶浓度对所述偏微分方程模型中的线性部分进行求解，获取下一个模拟病灶位点的病灶浓度。
6.一种基于偏微分方程的患者肺部病变预测系统，其特征在于，所述系统包括：
分割模块，用于对采集到的各个CT二维图像进行三维重构生成三维图像，并从所述三维图像中分割获取各个原始病灶位点的灰度；
建立模块，用于结合欧拉方程和细胞作用机理，建立用于描述各个模拟病灶位点的病灶浓度的偏微分方程模型；
求解模块，用于基于有限元方法和后向欧拉法对所述偏微分方程模型进行求解，获取所述各个模拟病灶位点的病灶浓度；
优化模块，用于结合所述各个原始病灶位点和所述各个模拟病灶位点，基于并行模拟退火法对所述偏微分方程模型进行优化拟合，获取所述偏微分方程模型中所包含的患者参数，以辅助对患者病灶发展的预测。
7.根据权利要求6所述的患者肺部病变预测系统，其特征在于，所述分割模块包括三维重构单元；
所述三维重构单元用于将所述各个CT二维图像按照各自的既定顺序和纵向位置排列在同一水平线上，生成初始肺部三维图像；对所述初始肺部三维图像中的各层图像的位图像素点灰度数据进行提取，并基于所述各层图像的位图像素点灰度数据构建三维有限元网格；基于三次样条插值法对所述三维有限元网格进行插值处理，获取最终肺部三维图像。
8.根据权利要求7所述的患者肺部病变预测系统，其特征在于，所述分割模块还包括病灶分割单元；
所述病灶分割单元用于从所述最终肺部三维图像中分割出各个原始病灶位点，并提取出所述各个原始病灶位点的灰度数据；对所述各个原始病灶位点的灰度数据进行归一化处理，获取所述各个原始病灶位点所对应的具体数值。
9.根据权利要求6所述的患者肺部病变预测系统，其特征在于，所述偏微分方程模型为：
其中，n为在t时刻和
位置下所采集到的模拟病灶位点的病灶浓度，D为扩散系数，
为梯度算子，f为n所指代的模拟病灶位点所受到的合力，g(n,v)为n所指代的模拟病灶位点的复杂增长函数，v为外界因素影响参数。
10.根据权利要求6所述的患者肺部病变预测系统，其特征在于，所述求解模块用于以半个时间步长为条件，对所述偏微分方程模型中的线性部分进行求解，获取当前模拟病灶位点的临时病灶浓度；以一个时间步长为条件，结合所述当前模拟病灶位点的临时病灶浓度对所述偏微分方程模型中的非线性部分进行求解，获取下一个模拟病灶位点的临时病灶浓度；以半个时间步长为条件，结合所述下一个模拟病灶位点的临时病灶浓度对所述偏微分方程模型中的线性部分进行求解，获取下一个模拟病灶位点的病灶浓度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010937118.2A CN112258511A (zh) | 2020-09-08 | 2020-09-08 | 一种基于偏微分方程的患者肺部病变预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010937118.2A CN112258511A (zh) | 2020-09-08 | 2020-09-08 | 一种基于偏微分方程的患者肺部病变预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112258511A true CN112258511A (zh) | 2021-01-22 |
Family
ID=74231574
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010937118.2A Pending CN112258511A (zh) | 2020-09-08 | 2020-09-08 | 一种基于偏微分方程的患者肺部病变预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112258511A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115115620A (zh) * | 2022-08-23 | 2022-09-27 | 安徽中医药大学 | 一种基于深度学习的肺炎病变模拟方法及系统 |
| WO2023232129A1 (zh) * | 2022-06-02 | 2023-12-07 | 上海市胸科医院 | 三维模型处理方法、装置和电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101739669A (zh) * | 2010-01-04 | 2010-06-16 | 清华大学 | 图像去噪方法及系统 |
| CN108159136A (zh) * | 2018-02-12 | 2018-06-15 | 于洪亮 | 一种治疗邪浊血瘀型鼻炎的中药组合物及其制备方法和应用 |
| CN109668566A (zh) * | 2018-12-05 | 2019-04-23 | 大连理工大学 | 一种基于鼠脑定位细胞的机器人情景认知地图的构建与导航方法 |
| CN109741349A (zh) * | 2019-01-24 | 2019-05-10 | 桂林航天工业学院 | 一种缺血性脑卒中图像分割的方法 |
| US20190159743A1 (en) * | 2017-11-30 | 2019-05-30 | Shenzhen Keya Medical Technology Corporation | Methods and devices for performing three-dimensional blood vessel reconstruction using angiographic images |
| CN110415820A (zh) * | 2019-08-08 | 2019-11-05 | 中南大学 | 基于大数据的非小细胞肺癌评估方法、装置和电子设备 |
| CN111507965A (zh) * | 2020-04-17 | 2020-08-07 | 中山仰视科技有限公司 | 新型冠状病毒肺炎病灶检测方法、系统、装置和存储介质 |
-
2020
- 2020-09-08 CN CN202010937118.2A patent/CN112258511A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101739669A (zh) * | 2010-01-04 | 2010-06-16 | 清华大学 | 图像去噪方法及系统 |
| US20190159743A1 (en) * | 2017-11-30 | 2019-05-30 | Shenzhen Keya Medical Technology Corporation | Methods and devices for performing three-dimensional blood vessel reconstruction using angiographic images |
| CN108159136A (zh) * | 2018-02-12 | 2018-06-15 | 于洪亮 | 一种治疗邪浊血瘀型鼻炎的中药组合物及其制备方法和应用 |
| CN109668566A (zh) * | 2018-12-05 | 2019-04-23 | 大连理工大学 | 一种基于鼠脑定位细胞的机器人情景认知地图的构建与导航方法 |
| CN109741349A (zh) * | 2019-01-24 | 2019-05-10 | 桂林航天工业学院 | 一种缺血性脑卒中图像分割的方法 |
| CN110415820A (zh) * | 2019-08-08 | 2019-11-05 | 中南大学 | 基于大数据的非小细胞肺癌评估方法、装置和电子设备 |
| CN111507965A (zh) * | 2020-04-17 | 2020-08-07 | 中山仰视科技有限公司 | 新型冠状病毒肺炎病灶检测方法、系统、装置和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 李勇;王珂;张立保;王青竹;: "多断层融合的肺CT肿瘤靶区超分辨率重建", 光学精密工程, no. 05, 15 May 2010 (2010-05-15) * |
| 李杨;梁炜;谈金东;: "患者肺部图像潜在病变区域纹理优化识别仿真", 计算机仿真, no. 09, 15 September 2018 (2018-09-15) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023232129A1 (zh) * | 2022-06-02 | 2023-12-07 | 上海市胸科医院 | 三维模型处理方法、装置和电子设备 |
| CN115115620A (zh) * | 2022-08-23 | 2022-09-27 | 安徽中医药大学 | 一种基于深度学习的肺炎病变模拟方法及系统 |
| CN115115620B (zh) * | 2022-08-23 | 2022-12-13 | 安徽中医药大学 | 一种基于深度学习的肺炎病变模拟方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5785184B2 (ja) | 画像の医療データ及び非画像の医療データの両者の連続的な記憶及び統合された分析のための診断技術 | |
| Li et al. | Methodology for generating a 3D computerized breast phantom from empirical data | |
| CN108257134A (zh) | 基于深度学习的鼻咽癌病灶自动分割方法和系统 | |
| CN108778416A (zh) | 使用组织参数估计根据mr数据的伪ct生成 | |
| CN108770373A (zh) | 使用特征回归模型根据mr数据的伪ct生成 | |
| CN113610845B (zh) | 肿瘤局部控制预测模型的构建方法、预测方法及电子设备 | |
| CN111028223B (zh) | 一种微卫星不稳定肠癌能谱ct碘水图影像组学特征处理方法 | |
| CN111080584A (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
| CN110246109B (zh) | 融合ct影像和个性化信息的分析系统、方法、装置及介质 | |
| CN112690813B (zh) | 基于分形理论的肿瘤异质性分析方法、系统、终端及介质 | |
| CN108766555A (zh) | 胰腺神经内分泌肿瘤恶性程度的计算机诊断方法及系统 | |
| CN112767407B (zh) | 一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法 | |
| CN112258511A (zh) | 一种基于偏微分方程的患者肺部病变预测方法及系统 | |
| CN107368695A (zh) | 基于放射组学的胃肠间质瘤恶性潜能分类模型的构建方法 | |
| CN111260703A (zh) | 一种获取脊柱拉直图像集的方法、系统、介质及存储介质 | |
| CN115908449A (zh) | 一种基于改进UNet模型的2.5D医学CT影像分割方法及装置 | |
| Li et al. | Electrical-impedance-tomography imaging based on a new three-dimensional thorax model for assessing the extent of lung injury | |
| CN113889261B (zh) | 基于病理特征辅助的pet/ct自动肺癌诊断分类模型训练方法 | |
| Sengupta et al. | Computational model of tumor growth for in silico trials | |
| Badano et al. | The stochastic digital human is now enrolling for in silico imaging trials—methods and tools for generating digital cohorts | |
| JP2004340954A (ja) | 脳画像データ処理システム、方法、プログラムおよび記録媒体 | |
| CN112967254A (zh) | 基于胸部ct影像肺部疾病识别和检测方法 | |
| CN116402954A (zh) | 一种基于深度学习的脊柱三维结构的重建方法 | |
| CN116310367A (zh) | 基于Gabor乳腺影像组学特征提取及筛选系统和方法 | |
| Ye et al. | Automated segmentation of mass regions in DBT images using a dilated DCNN 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 |