CN112288786B - 电子装置及非暂态计算机可读存储介质 - Google Patents

电子装置及非暂态计算机可读存储介质 Download PDF

Info

Publication number
CN112288786B
CN112288786B CN202011337226.2A CN202011337226A CN112288786B CN 112288786 B CN112288786 B CN 112288786B CN 202011337226 A CN202011337226 A CN 202011337226A CN 112288786 B CN112288786 B CN 112288786B
Authority
CN
China
Prior art keywords
lung
point cloud
data
cloud data
nodule
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
CN202011337226.2A
Other languages
English (en)
Other versions
CN112288786A (zh
Inventor
蔡飞跃
赖耀明
罗召洋
余明亮
陈昊
钱东东
秦积涛
魏军
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.)
Guangzhou Baishi Data Technology Co ltd
Perception Vision Medical Technology Co ltd
Original Assignee
Guangzhou Baishi Data Technology Co ltd
Perception Vision Medical 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 Guangzhou Baishi Data Technology Co ltd, Perception Vision Medical Technology Co ltd filed Critical Guangzhou Baishi Data Technology Co ltd
Priority to CN202011337226.2A priority Critical patent/CN112288786B/zh
Priority to PCT/CN2020/133090 priority patent/WO2021109987A1/zh
Publication of CN112288786A publication Critical patent/CN112288786A/zh
Application granted granted Critical
Publication of CN112288786B publication Critical patent/CN112288786B/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
    • G06T7/30—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
    • 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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/30008—Bone
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施例提供一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现的基于CT影像骨骼配准实现肺结节自适应匹配的方法包括以下步骤：数据准备、提取肺部与骨骼点云数据、三维点云数据配准、肺结节自适应匹配。本发明实施例实现了肺结节的自适应匹配，肺结节配准的人工干预少、自动化程度高，配准结果准确；四是通过对CT影像数据进行归一化处理，能够提高算法的鲁棒性，可广泛应用于不同型号的CT设备和不同pixel spacing值的DICOM数据中。

Description

电子装置及非暂态计算机可读存储介质
技术领域
本发明涉及医疗设备技术领域，尤其涉及一种电子装置及非暂态计算机可读存储介质。
背景技术
肺癌是当今对人类健康与生命危害最大的恶性肿瘤之一。恶性肺结节是早期肺癌的一个重要表现，结节的生长特性反映了结节内细胞数量或体积的增加与时间的关系。随着医疗影像学与计算机技术的飞速发展，基于CT影像的计算机辅助检测肺结节已成为肺癌早期诊断的研究热点，通过CT影像随访观察，可以有效评估肺结节在一段时间内的生长特性，从而为肺癌的早期发现与准确诊断提供依据。
采用计算机辅助检测肺结节，首先需要快速准确的匹配分析随访前后的肺结节影像，现有的匹配方法主要包括基于全局的匹配方法和基于局部的匹配方法两类。在实际检测中，受到患者体位差异、呼吸作用等因素的影响，随访前后的肺部组织位置与状态往往不一致，导致随访前后的CT影像之间存在较大差异。由于肺部CT影像的不一致性和结节生长的不可预测性，现有的两类匹配方法的匹配准确度都比较低，严重时还会产生匹配错误。
同时，现有匹配算法的计算复杂度较高，随着CT影像质量的不断提升，主流的硬件平台配置已经无法满足实际应用需求，亟需一种性能更加优异的匹配算法。
发明内容
针对现有技术存在的问题，本发明实施例提供一种电子装置及非暂态计算机可读存储介质。
第一方面，本发明实施例提供一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现的基于CT影像骨骼配准实现肺结节自适应匹配的方法包括以下步骤：
（1）数据准备：准备肺部CT影像，准备肺结节数据；
（2）提取肺部与骨骼点云数据：在CT影像上分割肺部与骨骼区域，提取肺部和骨骼三维点云数据，并进行稀疏采样处理；
（3）三维点云数据配准：配准两组骨骼三维点云数据，利用骨骼配准得到的变换矩阵；评估两组肺部点云数据的配准误差；
（4）肺结节自适应匹配：基于配准误差，采用基于距离的方法匹配肺结节；
所述步骤（1）中进行数据准备的方法为：
（1.1）准备随访前后两组CT影像；
（1.2）准备随访前后两组CT影像的结节数据，包括结节坐标，长短径，体积和属性；
所述步骤（2）中提取肺部与骨骼点云数据的方法为：
（2.1）将两组CT影像的DICOM原始数据转换为CT值数据；
（2.2）将转化后的CT值数据插值到归一化空间；
（2.3）数据重采样；
（2.4）提取肺部区域；
（2.5）根据骨骼CT值范围提取骨骼区域，生成骨骼三维点云数据；
（2.6）根据肺部与骨骼连通区域截取数据，去掉肺部和骨骼之外的区域；
（2.7）提取肺部和骨骼连通区域的边界轮廓；
（2.8）将边界轮廓数据转换为三维点云数据格式；
所述步骤（2.4）中提取肺部区域的方法为：
（2.4.1）根据肺部组织阈值范围，初步提取连通区域；
（2.4.2）剔除肺部组织的边界区域，填充有洞的连通区域；
（2.4.3）根据面积和位置，提取左右肺部；
（2.4.4）合并左右肺部，根据肺部位置剔除不属于肺部的连通区域；
所述步骤（3）中三维点云数据配准的方法为：
（3.1）骨骼三维点云数据预处理，包括：提取骨骼三维点云数据的FPFH特征，对骨骼三维点云数据进行稀疏采样；
（3.2）针对提取的FPFH特征和稀疏采样后的骨骼三维点云数据，采用FGR算法进行点云配准，得到变换矩阵；
（3.3）根据变换矩阵，变换移动肺部点云数据；计算变换后两组肺部点云数据的RMSE作为配准误差；
所述步骤（4）中肺结节自适应匹配的方法为：
（4.1）根据变换矩阵，变换移动肺结节的坐标；
（4.2）遍历寻找并判定肺结节是否匹配；
（4.3）生成匹配结果。
进一步的，步骤（4）中肺结节自适应匹配的方法还包括：
根据变换后两组肺部点云数据的配准误差，自适应设定匹配结节的阈值；
对于遍历寻找并判定的肺结节，若变换移动后的肺结节坐标小于阈值；则判定该肺结节匹配成功；反之，则判定该肺结节匹配不成功。
进一步的，处理器执行所述计算机程序时实现的基于CT影像骨骼配准实现肺结节自适应匹配的方法还包括以下步骤：
（5）肺结节生长特性分析：针对匹配成功的肺结节，计算肺结节的长短径变化、体积变化和属性变化；针对匹配不成功的肺结节，判断该肺结节为消失或者新增。
第二方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现的基于CT影像骨骼配准实现肺结节自适应匹配的方法包括以下步骤：
（1）数据准备：准备肺部CT影像，准备肺结节数据；
（2）提取肺部与骨骼点云数据：在CT影像上分割肺部与骨骼区域，提取肺部和骨骼三维点云数据，并进行稀疏采样处理；
（3）三维点云数据配准：配准两组骨骼三维点云数据，利用骨骼配准得到的变换矩阵；评估两组肺部点云数据的配准误差；
（4）肺结节自适应匹配：基于配准误差，采用基于距离的方法匹配肺结节；
所述步骤（1）中进行数据准备的方法为：
（1.1）准备随访前后两组CT影像；
（1.2）准备随访前后两组CT影像的结节数据，包括结节坐标，长短径，体积和属性；
所述步骤（2）中提取肺部与骨骼点云数据的方法为：
（2.1）将两组CT影像的DICOM原始数据转换为CT值数据；
（2.2）将转化后的CT值数据插值到归一化空间；
（2.3）数据重采样；
（2.4）提取肺部区域；
（2.5）根据骨骼CT值范围提取骨骼区域，生成骨骼三维点云数据；
（2.6）根据肺部与骨骼连通区域截取数据，去掉肺部和骨骼之外的区域；
（2.7）提取肺部和骨骼连通区域的边界轮廓；
（2.8）将边界轮廓数据转换为三维点云数据格式；
所述步骤（2.4）中提取肺部区域的方法为：
（2.4.1）根据肺部组织阈值范围，初步提取连通区域；
（2.4.2）剔除肺部组织的边界区域，填充有洞的连通区域；
（2.4.3）根据面积和位置，提取左右肺部；
（2.4.4）合并左右肺部，根据肺部位置剔除不属于肺部的连通区域；
所述步骤（3）中三维点云数据配准的方法为：
（3.1）骨骼三维点云数据预处理，包括：提取骨骼三维点云数据的FPFH特征，对骨骼三维点云数据进行稀疏采样；
（3.2）针对提取的FPFH特征和稀疏采样后的骨骼三维点云数据，采用FGR算法进行点云配准，得到变换矩阵；
（3.3）根据变换矩阵，变换移动肺部点云数据；计算变换后两组肺部点云数据的RMSE作为配准误差；
所述步骤（4）中肺结节自适应匹配的方法为：
（4.1）根据变换矩阵，变换移动肺结节的坐标；
（4.2）遍历寻找并判定肺结节是否匹配；
（4.3）生成匹配结果。
本发明实施例提供的一种电子装置及非暂态计算机可读存储介质，一是基于人体骨骼变化特性小的特点，采用随访前后CT影像中的骨骼进行配准所得到变换矩阵，对肺部影像数据和肺结节数据进行三维点云刚性变换配准，从而实现了随访前后肺部和肺结节数据的对齐，能够有效克服肺部形变导致的误差；二是采用FGR算法，该算法不涉及迭代采样、模型拟合或局部细化，在运行速度和配准准确性方面，明显优于ICP等局部细化算法；三是采用RMSE作为肺部点云配准误差，实现了肺结节的自适应匹配，肺结节配准的人工干预少、自动化程度高，配准结果准确；四是通过对CT影像数据进行归一化处理，能够提高算法的鲁棒性，可广泛应用于不同型号的CT设备和不同pixel spacing值的DICOM数据中。
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一简单地介绍，显而易见地，下面描述中的附图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他的附图。
图1为本发明实施例提供的一种基于CT影像骨骼配准实现肺结节自适应匹配的方法整体流程示意图；
图2为本发明实施例提供的一种CT影像骨骼点云配准前后对比示意图；
图3为本发明实施例提供的一种CT影像肺部点云配准前后对比示意图；
图4为本发明实施例提供的一种CT影像肺结节匹配结果示意图；
图5为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
一种基于CT影像骨骼配准实现肺结节自适应匹配的方法，如图1所示，包括以下步骤：
（1）数据准备：准备肺部CT影像，准备肺结节数据。具体的，所述CT影像为随访前后的两组CT影像；所述肺结节数据为CT影像所反映出的肺结节数据。
（2）提取肺部与骨骼三维点云数据：利用医学影像处理方法，在CT影像上分割肺部与骨骼区域，提取肺部和骨骼三维点云数据，并进行稀疏采样处理。
（3）三维点云数据配准：配准两组骨骼三维点云数据，利用骨骼配准得到的变换矩阵；评估两组肺部点云数据的配准误差。优选的，所述配准两组骨骼三维点云数据可采用FGR（Fast Global Registration，快速全局配准部分重叠3D表面算法）或ICP（IterativeClosest Point迭代最近点算法）等算法，从而提高变换矩阵的准确度，并降低计算量。
（4）肺结节自适应匹配：基于配准误差，采用基于距离的方法匹配肺结节。
具体的，所述步骤（1）中进行数据准备的方法为：
（1.1）准备随访前后两组CT影像。本方法中，所述CT影像采用DICOM标准数据格式，即符合ISO 12052的国际标准数据格式，可按照DICOM tag中的ImagePosition升序排序。
（1.2）准备随访前后两组CT影像的结节数据，包括结节坐标，长短径，体积和属性。本专利中，所述属性包括但不限于钙化、脂肪、坏死、密度均匀性、CT值等。
具体的，所述步骤（2）中进行数据准备的方法为：
（2.1）将两组CT影像的DICOM原始数据转换为CT值数据。
（2.2）将转化后的CT值数据插值到归一化空间。作为一个具体的实施方式：所述归一化空间为[2.0,2.0,2.0]，将三个方向上的尺寸空间保持一致，从而提高算法泛化能力。
（2.3）数据重采样；作为一个具体的实施方式，所述重采样的区间为[0, 255]。
（2.4）利用形态学等方法，提取肺部区域，具体方法为：
（2.4.1）根据肺部组织阈值范围，利用二值化方法初步提取连通区域。
（2.4.2）剔除肺部组织的边界区域，填充有洞的连通区域。CT影像中肺部组织周围可能会出现一些不干净的区域，一般是CT拍摄时产生的，因此需要将其剔除。此外，采用二值化方法提取连通区域，会导致某些肺部产生变异的组织提取失败而产生空洞，因此需要对其进行填充。
（2.4.3）根据肺部组织的面积和位置，提取左右肺部。
（2.4.4）合并左右肺部，根据位置剔除不属于肺部的连通区域。实际工作中，有些数据通过上述方法，会产生部分腹部组织被提取出来的问题，因此此处还需要进行进一步的优化处理。
（2.5）根据骨骼CT值范围，提取骨骼区域，生成骨骼三维点云数据。所述提取骨骼区域的方法，可以是基于骨骼在CT影像中的特定CT值范围进行提取，因为骨骼的CT值范围与其他器官组织是不同的。
（2.6）根据肺部与骨骼连通区域截取数据，去掉肺部和骨骼之外的区域，从而仅保留肺部和骨骼联通区域。
（2.7）提取肺部和骨骼连通区域的边界轮廓。
（2.8）将边界轮廓数据转换为三维点云数据格式。
具体的，所述步骤（3）中三维点云数据配准的方法为：
（3.1）骨骼三维点云数据预处理：提取骨骼三维点云数据的FPFH（Fast PointFeature Histograms，快速点特征直方图）特征；对骨骼三维点云数据进行稀疏采样。
（3.2）针对提取的FPFH特征和稀疏采样后的骨骼三维点云数据，采用FGR算法进行点云配准，得到变换矩阵。如图2所示，为本步骤CT影像骨骼点云配准前后对比示意图。从图中可以看出：左图为骨骼点云配准前的形态，配准前两个骨骼的影像不一致，无法重合；右图为骨骼点云配准后的形态，配准后两个骨骼的影像一致，基本上完全重合。
（3.3）根据变换矩阵，变换移动肺部点云数据；计算变换后两组肺部点云数据的RMSE（Root Mean Square Error）作为配准误差。所述变换移动肺部点云数据的方法，是将变换矩阵与点云数据矩阵相乘。如图3所示，为本步骤CT影像肺部点云配准前后对比示意图。从图中可以看出：左图为肺部点云配准前的形态，配准前两个肺部的影像不一致，无法重合；右图为肺部点云配准后的形态，配准后两个肺部的影像一致，基本上完全重合。
具体的，所述步骤（4）中肺结节自适应匹配的方法为：
（4.1）根据变换矩阵，变换移动肺结节的坐标。
（4.2）遍历寻找并判定肺结节是否匹配。
（4.3）生成匹配结果。
具体的，所述步骤（4）中肺结节自适应匹配的方法还包括：
根据变换后两组肺部点云数据的配准误差，自适应设定匹配结节的阈值；
所述阈值可以是根据配准误差，按照设定公式或设定规则自动计算匹配获得；通常该阈值与配准误差呈正相关性，从而相对于固定的阈值设定方式，可以针对不同的配准结果以获得更好地适应性。
对于遍历寻找并判定的肺结节，若变换移动后的肺结节坐标小于阈值；则判定该肺结节匹配成功；反之，则判定该肺结节匹配不成功。
如图4所示，是一次CT影像肺结节匹配结果示意图。从图中可以看出：左图为随访前CT中某一结节的位置和坐标，右图为随访CT中某一结节位置和坐标。左右两图是算法确定的配对结节，从图中可以看出，随访前后由于两次拍摄存在一定误差，结节的坐标有一定差别，但从结节所处的位置和周围组织可以判定，两个结节为不同时期的同一结节，可见本方法具有较高的匹配准确性。
优选的，所述基于CT影像骨骼配准实现肺结节自适应匹配的方法，还包括以下步骤：（5）肺结节生长特性分析：针对匹配成功的肺结节，计算肺结节的长短径变化、体积变化和属性变化；针对匹配不成功的肺结节，判断该肺结节为消失或者新增。通过本步骤，可以自动生成肺结节生长特性分析结果，从而为医生快速、准确做出诊断结果提供支撑。
在一次实际实施过程中，通过本方法对随机选择的115例测试样本（包含601个结节，其中378个有匹配、223个无配对）开展实际测试，本方法的单个病例匹配耗时<1s，整体匹配准确率为98.5%。
本发明实施例还提供一种电子装置，如图3所示，该电子装置可以包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储在存储器303上并可在处理器301上运行的计算机程序，以执行上述实施例提供的方法，例如包括：（1）数据准备：准备肺部CT影像，准备肺结节数据；（2）提取肺部与骨骼点云数据：在CT影像上分割肺部与骨骼区域，提取肺部和骨骼三维点云数据，并进行稀疏采样处理；（3）三维点云数据配准：配准两组骨骼三维点云数据，利用骨骼配准得到的变换矩阵；评估两组肺部点云数据的配准误差；（4）肺结节自适应匹配：基于配准误差，采用基于距离的方法匹配肺结节；（5）肺结节生长特性分析：针对匹配成功的肺结节，计算肺结节的长短径变化、体积变化和属性变化；针对匹配不成功的肺结节，判断该肺结节为消失或者新增。
此外，上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，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或者该技术方案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所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：（1）数据准备：准备肺部CT影像，准备肺结节数据；（2）提取肺部与骨骼点云数据：在CT影像上分割肺部与骨骼区域，提取肺部和骨骼三维点云数据，并进行稀疏采样处理；（3）三维点云数据配准：配准两组骨骼三维点云数据，利用骨骼配准得到的变换矩阵；评估两组肺部点云数据的配准误差；（4）肺结节自适应匹配：基于配准误差，采用基于距离的方法匹配肺结节；（5）肺结节生长特性分析：针对匹配成功的肺结节，计算肺结节的长短径变化、体积变化和属性变化；针对匹配不成功的肺结节，判断该肺结节为消失或者新增。
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实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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。

Claims (4)

1.一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现的基于CT影像骨骼配准实现肺结节自适应匹配的方法包括以下步骤：
（1）数据准备：准备肺部CT影像，准备肺结节数据；
（2）提取肺部与骨骼点云数据：在CT影像上分割肺部与骨骼区域，提取肺部和骨骼三维点云数据，并进行稀疏采样处理；
（3）三维点云数据配准：配准两组骨骼三维点云数据，利用骨骼配准得到的变换矩阵；评估两组肺部点云数据的配准误差；
（4）肺结节自适应匹配：基于配准误差，采用基于距离的方法匹配肺结节；
所述步骤（1）中进行数据准备的方法为：
（1.1）准备随访前后两组CT影像；
（1.2）准备随访前后两组CT影像的结节数据，包括结节坐标，长短径，体积和属性；
所述步骤（2）中提取肺部与骨骼点云数据的方法为：
（2.1）将两组CT影像的DICOM原始数据转换为CT值数据；
（2.2）将转化后的CT值数据插值到归一化空间；
（2.3）数据重采样；
（2.4）提取肺部区域；
（2.5）根据骨骼CT值范围提取骨骼区域，生成骨骼三维点云数据；
（2.6）根据肺部与骨骼连通区域截取数据，去掉肺部和骨骼之外的区域；
（2.7）提取肺部和骨骼连通区域的边界轮廓；
（2.8）将边界轮廓数据转换为三维点云数据格式；
所述步骤（2.4）中提取肺部区域的方法为：
（2.4.1）根据肺部组织阈值范围，初步提取连通区域；
（2.4.2）剔除肺部组织的边界区域，填充有洞的连通区域；
（2.4.3）根据面积和位置，提取左右肺部；
（2.4.4）合并左右肺部，根据肺部位置剔除不属于肺部的连通区域；
所述步骤（3）中三维点云数据配准的方法为：
（3.1）骨骼三维点云数据预处理，包括：提取骨骼三维点云数据的FPFH特征，对骨骼三维点云数据进行稀疏采样；
（3.2）针对提取的FPFH特征和稀疏采样后的骨骼三维点云数据，采用FGR算法进行点云配准，得到变换矩阵；
（3.3）根据变换矩阵，变换移动肺部点云数据；计算变换后两组肺部点云数据的RMSE作为配准误差；
所述步骤（4）中肺结节自适应匹配的方法为：
（4.1）根据变换矩阵，变换移动肺结节的坐标；
（4.2）遍历寻找并判定肺结节是否匹配；
（4.3）生成匹配结果。
2.根据权利要求1所述的电子装置，其特征在于：所述步骤（4）中肺结节自适应匹配的方法还包括：
根据变换后两组肺部点云数据的配准误差，自适应设定匹配结节的阈值；
对于遍历寻找并判定的肺结节，若变换移动后的肺结节坐标小于阈值；则判定该肺结节匹配成功；反之，则判定该肺结节匹配不成功。
3.根据权利要求1所述的电子装置，其特征在于：所述处理器执行所述计算机程序时实现的基于CT影像骨骼配准实现肺结节自适应匹配的方法还包括以下步骤：
（5）肺结节生长特性分析：针对匹配成功的肺结节，计算肺结节的长短径变化、体积变化和属性变化；针对匹配不成功的肺结节，判断该肺结节为消失或者新增。
4.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现的基于CT影像骨骼配准实现肺结节自适应匹配的方法包括以下步骤：
（1）数据准备：准备肺部CT影像，准备肺结节数据；
（2）提取肺部与骨骼点云数据：在CT影像上分割肺部与骨骼区域，提取肺部和骨骼三维点云数据，并进行稀疏采样处理；
（3）三维点云数据配准：配准两组骨骼三维点云数据，利用骨骼配准得到的变换矩阵；评估两组肺部点云数据的配准误差；
（4）肺结节自适应匹配：基于配准误差，采用基于距离的方法匹配肺结节；
所述步骤（1）中进行数据准备的方法为：
（1.1）准备随访前后两组CT影像；
（1.2）准备随访前后两组CT影像的结节数据，包括结节坐标，长短径，体积和属性；
所述步骤（2）中提取肺部与骨骼点云数据的方法为：
（2.1）将两组CT影像的DICOM原始数据转换为CT值数据；
（2.2）将转化后的CT值数据插值到归一化空间；
（2.3）数据重采样；
（2.4）提取肺部区域；
（2.5）根据骨骼CT值范围提取骨骼区域，生成骨骼三维点云数据；
（2.6）根据肺部与骨骼连通区域截取数据，去掉肺部和骨骼之外的区域；
（2.7）提取肺部和骨骼连通区域的边界轮廓；
（2.8）将边界轮廓数据转换为三维点云数据格式；
所述步骤（2.4）中提取肺部区域的方法为：
（2.4.1）根据肺部组织阈值范围，初步提取连通区域；
（2.4.2）剔除肺部组织的边界区域，填充有洞的连通区域；
（2.4.3）根据面积和位置，提取左右肺部；
（2.4.4）合并左右肺部，根据肺部位置剔除不属于肺部的连通区域；
所述步骤（3）中三维点云数据配准的方法为：
（3.1）骨骼三维点云数据预处理，包括：提取骨骼三维点云数据的FPFH特征，对骨骼三维点云数据进行稀疏采样；
（3.2）针对提取的FPFH特征和稀疏采样后的骨骼三维点云数据，采用FGR算法进行点云配准，得到变换矩阵；
（3.3）根据变换矩阵，变换移动肺部点云数据；计算变换后两组肺部点云数据的RMSE作为配准误差；
所述步骤（4）中肺结节自适应匹配的方法为：
（4.1）根据变换矩阵，变换移动肺结节的坐标；
（4.2）遍历寻找并判定肺结节是否匹配；
（4.3）生成匹配结果。
CN202011337226.2A 2019-12-06 2019-12-06 电子装置及非暂态计算机可读存储介质 Active CN112288786B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011337226.2A CN112288786B (zh) 2019-12-06 2019-12-06 电子装置及非暂态计算机可读存储介质
PCT/CN2020/133090 WO2021109987A1 (zh) 2019-12-06 2020-12-01 电子装置及非暂态计算机可读存储介质

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201911238297.4A CN111127527B (zh) 2019-12-06 2019-12-06 基于ct影像骨骼配准实现肺结节自适应匹配的方法与装置
CN202011337226.2A CN112288786B (zh) 2019-12-06 2019-12-06 电子装置及非暂态计算机可读存储介质

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201911238297.4A Division CN111127527B (zh) 2019-12-06 2019-12-06 基于ct影像骨骼配准实现肺结节自适应匹配的方法与装置

Publications (2)

Publication Number Publication Date
CN112288786A CN112288786A (zh) 2021-01-29
CN112288786B true CN112288786B (zh) 2022-03-22

Family

ID=70497875

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201911238297.4A Active CN111127527B (zh) 2019-12-06 2019-12-06 基于ct影像骨骼配准实现肺结节自适应匹配的方法与装置
CN202011337226.2A Active CN112288786B (zh) 2019-12-06 2019-12-06 电子装置及非暂态计算机可读存储介质

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201911238297.4A Active CN111127527B (zh) 2019-12-06 2019-12-06 基于ct影像骨骼配准实现肺结节自适应匹配的方法与装置

Country Status (2)

Country Link
CN (2) CN111127527B (zh)
WO (2) WO2021109987A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127527B (zh) * 2019-12-06 2021-02-05 广州柏视医疗科技有限公司 基于ct影像骨骼配准实现肺结节自适应匹配的方法与装置
CN112258449A (zh) * 2020-09-15 2021-01-22 深圳视见医疗科技有限公司 一种基于结节特征的快速结节匹配方法
CN113570648B (zh) * 2021-07-30 2023-09-26 武汉联影智融医疗科技有限公司 多骨骼影像配准方法、电子装置以及医学导航系统
CN114372227B (zh) * 2021-12-31 2023-04-14 浙江大学舟山海洋研究中心 鱿鱼白片智能切割计算方法、装置、设备及存储介质
US11751578B2 (en) 2021-12-31 2023-09-12 Ocean Research Center Of Zhoushan, Zhejiang University Intelligent methods and devices for cutting squid white slices
CN115880469B (zh) * 2023-02-20 2023-05-09 江苏省人民医院（南京医科大学第一附属医院） 一种表面点云数据与三维影像的配准方法
CN117455905B (zh) * 2023-12-20 2024-03-22 深圳大学 模块化集成建筑构件智能检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411781A (zh) * 2011-09-09 2012-04-11 华南理工大学 一种双能减影胸部x射线图像的运动校正系统
CN104021547A (zh) * 2014-05-17 2014-09-03 清华大学深圳研究生院 肺部 ct 的三维配准方法
CA2967003A1 (en) * 2014-11-07 2016-05-12 Joel KULLBERG Whole body image registration method and method for analyzing images thereof
CN105913442A (zh) * 2016-04-29 2016-08-31 上海联影医疗科技有限公司 自动匹配肺结节的方法
CN108717707A (zh) * 2018-04-10 2018-10-30 杭州依图医疗技术有限公司 一种结节匹配方法及装置

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1356419B1 (en) * 2000-11-22 2014-07-16 MeVis Medical Solutions AG Graphical user interface for display of anatomical information
US7499578B2 (en) * 2002-10-18 2009-03-03 Cornell Research Foundation, Inc. System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans
US7486812B2 (en) * 2003-11-25 2009-02-03 Icad, Inc. Shape estimates and temporal registration of lesions and nodules
US7657073B2 (en) * 2004-11-29 2010-02-02 The Board Of Trustees Of The Leland Stanford Junior University Registration system and method for tracking lung nodules in medical images
KR101909125B1 (ko) * 2011-11-23 2018-10-18 삼성전자주식회사 컴퓨터 기반 진단 방법 및 그에 따른 컴퓨터 기반 진단 장치
CN103035009A (zh) * 2012-12-19 2013-04-10 长春工业大学 一种基于ct影像的肺结节边缘重建与分割方法
JP6363575B2 (ja) * 2015-09-29 2018-07-25 富士フイルム株式会社 画像位置合わせ装置および方法並びにプログラム
CA3049662A1 (en) * 2017-01-16 2018-07-19 Philipp K. Lang Optical guidance for surgical, medical, and dental procedures
US10182771B2 (en) * 2017-02-10 2019-01-22 Siemens Healthcare Gmbh Method and system for dose-optimized computed tomography scanning of a target organ
US10621720B2 (en) * 2017-04-27 2020-04-14 Siemens Healthcare Gmbh Deformable registration of magnetic resonance and ultrasound images using biomechanical models
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
CN109009435A (zh) * 2018-08-20 2018-12-18 真健康（北京）医疗科技有限公司 一种肺结节穿刺导航系统
CN109816655B (zh) * 2019-02-01 2021-05-28 华院计算技术(上海)股份有限公司 基于ct图像的肺结节图像特征检测方法
CN110215281B (zh) * 2019-06-11 2020-07-10 北京和华瑞博医疗科技有限公司 一种基于全膝置换手术的股骨或胫骨配准方法及装置
CN111127527B (zh) * 2019-12-06 2021-02-05 广州柏视医疗科技有限公司 基于ct影像骨骼配准实现肺结节自适应匹配的方法与装置
CN111462201B (zh) * 2020-04-07 2023-04-18 广州柏视医疗科技有限公司 基于新型冠状病毒肺炎ct影像的随访分析系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411781A (zh) * 2011-09-09 2012-04-11 华南理工大学 一种双能减影胸部x射线图像的运动校正系统
CN104021547A (zh) * 2014-05-17 2014-09-03 清华大学深圳研究生院 肺部 ct 的三维配准方法
CA2967003A1 (en) * 2014-11-07 2016-05-12 Joel KULLBERG Whole body image registration method and method for analyzing images thereof
CN105913442A (zh) * 2016-04-29 2016-08-31 上海联影医疗科技有限公司 自动匹配肺结节的方法
CN108717707A (zh) * 2018-04-10 2018-10-30 杭州依图医疗技术有限公司 一种结节匹配方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Automatic lung nodule matching on sequential CT images;Hong,helen et.al;《COMPUTERS IN BIOLOGY AND MEDICINE》;20080531;第38卷(第5期);第623-634页 *
基于CT图像的肺部轮廓非刚性配准方法;张春生;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140415(第4期);第I138-931页 *
基于稀疏模型与随机游走算法的肺部大肿瘤分割;王洁;《全国优秀硕士学位论文全文数据库 医药卫生科技辑》;20190815;第E072-179页 *
基于肺部CT的医疗影像处理与识别优化研究;佟宇琪;《全国优秀硕士学位论文全文数据库 医药卫生科技辑》;20191015(第10期);第E076-6页 *

Also Published As

Publication number Publication date
WO2021109987A1 (zh) 2021-06-10
WO2021109988A1 (zh) 2021-06-10
CN111127527B (zh) 2021-02-05
CN112288786A (zh) 2021-01-29
CN111127527A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN112288786B (zh) 电子装置及非暂态计算机可读存储介质
EP3770850B1 (en) Medical image identifying method, model training method, and computer device
EP3879485B1 (en) Tissue nodule detection and model training method and apparatus thereof, device and system
CN107563983B (zh) 图像处理方法以及医学成像设备
CN110232383B (zh) 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
US9968257B1 (en) Volumetric quantification of cardiovascular structures from medical imaging
CN107644420B (zh) 基于中心线提取的血管图像分割方法、核磁共振成像系统
JP6505124B2 (ja) 適応性放射線治療における自動輪郭抽出システム及び方法
CN108615237A (zh) 一种肺部图像处理方法及图像处理设备
CN111105424A (zh) 淋巴结自动勾画方法及装置
WO2018107371A1 (zh) 图像搜索系统及方法
CN109102511A (zh) 一种脑血管分割方法、系统及电子设备
WO2022213654A1 (zh) 一种超声图像的分割方法、装置、终端设备和存储介质
CN112508835A (zh) 一种基于gan的无造影剂医学图像增强建模方法
Song et al. Adaptive fast marching method for automatic liver segmentation from CT images
CN111724389B (zh) 髋关节ct图像分割方法、装置、存储介质和计算机设备
CN114092450A (zh) 一种基于胃镜检查视频的实时图像分割方法、系统、装置
CN110570394A (zh) 医学图像分割方法、装置、设备及存储介质
CN112102351A (zh) 医学图像分析方法、装置、电子设备及可读存储介质
CN111738975B (zh) 图像辨识方法及图像辨识装置
CN109410181B (zh) 一种心脏图像分割方法及装置
CN110428431B (zh) 一种心脏医学图像的分割方法、装置、设备及存储介质
CN109767468B (zh) 脏器体积检测方法及装置
CN113393445B (zh) 乳腺癌影像确定方法及系统
CN115131361A (zh) 目标分割模型的训练、病灶分割方法及装置

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