CN112288843B - 一种病灶的三维构建方法、装置、终端设备及存储介质 - Google Patents

一种病灶的三维构建方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
CN112288843B
CN112288843B CN202010949567.9A CN202010949567A CN112288843B CN 112288843 B CN112288843 B CN 112288843B CN 202010949567 A CN202010949567 A CN 202010949567A CN 112288843 B CN112288843 B CN 112288843B
Authority
CN
China
Prior art keywords
focus
lesion
image
area
determining
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
CN202010949567.9A
Other languages
English (en)
Other versions
CN112288843A (zh
Inventor
钱令军
李宏军
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.)
Shenzhen Zhiying Medical Technology Co ltd
Original Assignee
Shenzhen Zhiying 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 Shenzhen Zhiying Medical Technology Co ltd filed Critical Shenzhen Zhiying Medical Technology Co ltd
Priority to CN202010949567.9A priority Critical patent/CN112288843B/zh
Publication of CN112288843A publication Critical patent/CN112288843A/zh
Application granted granted Critical
Publication of CN112288843B publication Critical patent/CN112288843B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06T7/10—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
    • G06T2207/10072—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

本申请适用于计算机技术领域，提供了一种病灶的三维构建方法、装置、终端设备及存储介质，该方法包括：获取待构建三维病灶的多层初始图像；分别确定各层所述初始图像中多疾病病灶的位置区域，得到标记有多疾病病灶的位置区域的第一图像；基于所述第一图像，确定所述位置区域内病灶的病灶信息；基于多疾病病灶的所述病灶信息，构建所述病灶的三维结构；本申请可以通过病灶信息确定多疾病病灶的三维结构，多疾病病灶的三维结构可以展现病灶的全部结构，通过三维结构可以准确判断病灶的形态，不会造成遗漏或误差。

Description

一种病灶的三维构建方法、装置、终端设备及存储介质
技术领域
本申请属于图像处理技术领域，尤其涉及一种病灶的三维构建方法、装置、终端设备及存储介质。
背景技术
随着人工智能和医疗影像大数据的发展，基于计算机辅助的医疗影像，例如CT影像，快速诊断越来越得到医生的认可。
由于目前医疗影像多为二维影像，医生在根据医疗影像判断病灶时不能看到病灶的全部结构，导致通过二维影像判断病灶的形态时，容易造成遗漏或误差。
发明内容
本申请实施例提供了一种病灶的三维构建方法、装置、终端设备及存储介质，可以解决通过二维影像判断病灶的形态时，容易造成遗漏或误差的问题。
第一方面，本申请实施例提供了一种病灶的三维构建方法，包括：
获取待构建三维病灶的多层初始图像；
分别确定各层所述初始图像中多疾病病灶的位置区域，得到标记有多疾病病灶的位置区域的第一图像；
基于所述第一图像，确定所述位置区域内病灶的病灶信息；
基于多疾病病灶的所述病灶信息，分别构建所述多疾病病灶的三维结构。
第二方面，本申请实施例提供了一种病灶的三维构建装置，包括：
图像获取模块，用于获取待构建三维病灶的多层初始图像；
位置确定模块，用于分别确定各层所述初始图像中多疾病病灶的位置区域，得到标记有多疾病病灶的位置区域的第一图像；
信息确定模块，用于基于所述第一图像，确定所述位置区域内病灶的病灶信息；
三维构建模块，用于基于多疾病病灶的所述病灶信息，分别构建所述多疾病病灶的三维结构。
第三方面，本申请实施例提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述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上述第一方面中任一项所述的病灶的三维构建方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的病灶的三维构建方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的病灶的三维构建方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：本申请首先获取多层初始图像，并分别确定各层初始图像中多疾病病灶的位置区域，得到标记有多疾病病灶的位置区域的第一图像，根据第一图像确定位置区域内病灶的病灶信息，最后根据病灶信息构建多疾病病灶的三维结构；本申请可以通过病灶信息确定病灶的三维结构，病灶的三维结构可以展现病灶的全部结构，通过三维结构可以准确判断病灶的形态，不会造成遗漏或误差。
附图说明
图1是本申请一实施例提供的病灶的三维构建方法的应用场景示意图；
图2是本申请一实施例提供的病灶的三维构建方法的流程示意图；
图3是本申请一实施例提供的三维结构构建方法的流程示意图；
图4是本申请一实施例提供的连通区域的确定方法的流程示意图；
图5是本申请一实施例提供的真实病灶的判断方法的流程示意图；
图6是本申请一实施例提供的病灶的三维构建装置的结构示意图；
图7是本申请一实施例提供的终端设备的结构示意图；
图8是本申请一实施例提供的计算机的部分结构的框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。
图1为本申请实施例提供的病灶的三维构建方法的应用场景示意图，上述病灶的三维构建方法可以用于构建病灶的三维结构。其中，图像采集设备10用于采集病灶的初始图像，服务器20用户获取图像采集设备10中的初始图像，并对初始图像进行分析处理，得到病灶的病灶信息，最后基于病灶信息构建病灶的三维结构。
以下结合图1对本申请实施例的病灶的三维构建方法进行详细说明。
图2示出了本申请提供的病灶的三维构建方法的示意性流程图，参照图2，对该方法的详述如下：
S101，获取待构建三维病灶的多层初始图像。
本发明实施例中，待构建三维结构的病灶可以为多种类型的病灶，如肺气肿、肺结节、肺癌等。需要检测的病灶的类型可以预先设置完成，需要检测的病灶的类型可以为多种类型的病灶。
在本实施例中，初始图像可以是拍摄人体或动物体上某一部分的图像，例如，肺图像、脑图像等，以下举例主要是以肺图像为例进行说明，肺图像只是举例，对本申请并不构成限制。
初始图像可以实时通过拍摄计算机断层影像(Computed Tomography-CT)的方式得到的图像，也可以与其他电子设备通信，接收传输的图像。例如，可以由医院的PACS系统获取CT原始Dicom(Digital Imaging and Communications in Medicine-医学数字成像和通信)数据转为本申请中需要使用的多层待构建三维病灶的图像。具体地说，来自医院PACS系统的Dicom影像存储文件以断点续传的方式向该服务器端上传文件，得到本申请中所需要的多层初始图像。PACS系统采集的图像是以Dicom格式存储的，Dicom格式是一种医学数字成像和通信的国际标准(ISO 12052)存储形式，它定义了质量能满足临床需要的可用于数据交换的医学图像格式。
具体的，可以获取待构建三维病灶的多层初始图像的采集日期，通过获取到的采集日期向存储设备发送请求，若请求成功，产生一次握手交互，获取所述采集日期对应的多个患者多层初始图像。
可选的，实时获取PACS系统传输的患者的信息，以及采集患者的初始图像的时间，其中，患者的信息可以包括患者的姓名、性别和年龄等。然后根据采集患者的初始图像的时间从PACS系统中获取初始图像，并将获取到的初始图像与病人ID关联，以便后续查阅。
S102，分别确定各层所述初始图像中多疾病病灶的位置区域，得到标记有多疾病病灶的位置区域的第一图像。
在本实施例中，病灶的位置区域的形状可以为预先设定的形状，如矩形、圆形等，本申请对此不作具体限定。病灶的位置区域包括病灶及病灶的背景区域。病灶的背景区域是指位置区域内除了真实病灶区域以外的区域。一个病灶对应一个位置区域，一个初始图像中可以包括多个病灶的多个位置区域。一个初始图像对应一个第一图像，初始图像有多少个，第一图像对应的有多少个。
在本实施例中，在对初始图像进行处理之前，还可以在图像处理模型和目标检测网络中设置需要检测的病灶的类型，例如，肺癌、肺结核、肺炎等中的一种或多种。
在本实施例中，可以根据设置的多疾病病灶的多种类型确定各个病灶的位置区域。
具体的，如果病灶的类型为有轮廓的病灶，可以利用训练好的U-net网络模型或者V-net进行图像分割，得到病灶的位置区域。
例如，肺癌或者肺结节等有轮廓的病灶，可以利用已有的已训练好的U-net网络模型或者V-net进行肺癌或者肺结节的分割得到肺癌或者肺结节的位置区域，然后利用多分类网络对肺癌或者肺结节的位置区域进行分类，得到肺癌或者肺结节的等级。可选的，对于有轮廓的病灶，还可以使用图像处理模型和目标检测网络确定病灶的位置区域。
图像处理模型可以包括：区域增长法、聚类算法(如K-Means聚类算法)等。利用预设的图像处理模型对多层初始图像分别进行处理，可以检测出各初始图像内病灶的位置区域。
目标检测网络可以为预先经过训练的能够识别出病灶区域的深度学习网络。其中，目标检测网络可以为卷积神经网络，例如U-net，CNN网络、残差网络，或者其他任意的能够实现目标检测的神经网络。具体的，可以对输入的初始图像进行特征提取(例如至少一层卷积处理)，得到图像特征，再对图像特征进行分类分割检测处理，得到病灶的位置区域。
其中，目标检测网络可以检测出输入的初始图像中的多种类型的病灶的位置区域，例如，可以检测出初始图像中肺结节、肺癌、肺气肿等疾病类型的病灶的所在位置区域(疑似病灶区域)。
具体的，如果病灶的类型为没有轮廓的病灶，可以利用初始图像上的CT值和预设的CT阈值，得到病灶的位置区域，其中，预设的CT阈值根据病灶的类型确定。
不同类型的病灶对用不同的CT阈值，例如，慢阻肺的设定CT值阈值可配置为-950HU，小于-950HU的区域为慢阻肺的位置区域。
具体的，对于没有轮廓的病灶，可以先提取病灶所在器官的区域，然后利用预设的CT阈值确定该器官上是否有对应的病灶。
作为举例，对于肺炎或者慢阻肺病灶的位置区域的提取方法，可以先将肺区域提取出来，然后根据设置的肺炎或者慢阻肺病灶的CT阈值，判断肺区域上是否存在肺炎或者慢阻肺的位置区域。
S103，基于所述第一图像，确定所述位置区域内病灶的病灶信息。
在本实施例中，由于第一图像中标记了病灶的位置区域，因此，基于第一图像可以确定病灶的信息。
在本实施例中，病灶信息包括病灶的轮廓、病灶的等级、病灶的类型和病灶的CT值。
在一种可能的实现方式中，步骤S103的实现过程可以包括：
S1031，确定所述病灶的类型，根据所述类型及所述第一图像确定所述位置区域内多疾病的病灶信息；其中，所述类型包括：第一类型及第二类型，所述第一类型为具有轮廓的所述多疾病病灶，第二类型为不具有轮廓的多疾病病灶。
具体的，根据病灶的类型，将病灶划分为第一类型和第二类型。
作为举例，第一类型可以为肺癌或者肺结节，具体轮廓的所述多疾病病灶。第二类型可以为肺炎或者慢阻肺(肺气肿，慢性阻塞性肺疾病)，不具有具体轮廓的所述多疾病病灶。
在一种可能的实现方式中，步骤S1031的实现过程可以包括：
根据所述第一类型及所述第一图像确定所述位置区域内多疾病病灶的病灶信息的方法，包括：
提取所述第一图像上所述位置区域中病灶的轮廓，得到标记有所述多疾病病灶的轮廓的第二图像；基于所述第二图像得到所述多疾病病灶的等级；对所述第二图像进行掩码处理得到所述第二图像的掩码图像，基于所述多层初始图像及所述掩码图像得到所述病灶的CT值。
在本实施例中，由于第一类型的病灶为有轮廓的病灶，基于边缘特征提取方法提取第一图像上位置区域中病灶的轮廓。具体的，在基于边缘特征提取方法提取第一图像上位置区域中病灶的轮廓之前，还可以对位置区域中病灶进行特征提取，得到病灶的准确位置。对位置区域中病灶进行特征提取可以采用分类网络进行提取。
边缘特征提取方法可为采用Canny算子边缘检测、Sobel算子边缘检测等方法。
在本实施例中，可以利用深度学习网络或分类网络，基于轮廓内病灶的面积或半径确定病灶的等级。不同类型的病灶的等级划分不同。
具体的，深度学习网络可以为神经网络等。分类网络可以用于多种病灶类型的分类检测，分类网络可以包括多个卷积层，通过卷积层的卷积处理得到病灶为各类型的概率，将概率值最大的类型确定为病灶的类型。
可选的，每种病灶可以具有相应的类型标识，例如得到的病灶的表示方式可以为(x1，x2，y1，y2)，或者(lable，x1，x2，y1，y2)，其中，lable表示病灶的类型标识，(x1，y1)和(x2，y2)可以分别表示病灶的位置区域对应的检测框的两个对角顶点的坐标。通过上述信息可以唯一的确定病灶的位置区域以及对应的类型。上述仅为示例性说明，在其他实施例中也可以通过其他方式表示病灶的检测结果，本公开对此不作具体限定。
可选的，还可以采用分类模型确定病灶的等级，分类模型可为VGG-16分类检测模型、Inception-V4分类检测模型、ResNet分类检测模型的一种或几种。具体的，先提取轮廓内病灶的特征，然后根据病灶的特征确定病灶的等级。病灶的特征可以包括病灶的面积等。具体的，可以先进行病灶的特征提取(例如通过残差网络实现)，得到病灶的特征后经过分类网络(多分类器)执行病灶的特征对应的等级的检测。其中，特征提取以及等级检测的网络均为预先经过训练满足设定精度的网络，本领域技术人员可以根据需求选择相应的网络模型进行训练并实现检测。
作为举例，慢阻肺的等级包括：GOLD0级(不存在)、GOLD 1级(轻度)、GOLD 2级(中度)、GOLD 3级(重度)以及GOLD 4级(极重)，其中，慢阻肺的等级在影像上可以按照肺气肿所占双肺的体积来确定，如，不存在肺气肿区域则为GOLD0级，肺气肿所占双肺的体积小于10％为GOLD 1级，肺气肿所占双肺的体积为10％-30％为GOLD 2级，肺气肿所占双肺的体积为40％-60％为GOLD 3级，肺气肿所占双肺的体积大于60％为GOLD 4级。例如，肺癌的等级按照T分期，分别为T0～T4，其中T主要用来描述肿瘤的直径大小，T0意味着没有发现病灶，但有可能意味着在肺内层，存在着癌细胞的区域；T1意味着在肺部内发现了病灶，癌症直径小于等于1-3cm；T2意味着肿瘤的直径介于3cm到5cm之间；T3代表癌症直径介于5cm到7cm之间；T4肿瘤较大，超过7cm。又例如，肺结节分为三类：实性结节、部分实性结节和磨玻璃结节；部分实性结节的恶性概率最高，依次为磨玻璃结节及实性结节；部分实性结节是指其内既包含磨玻璃密度又包含实性软组织密度的结节。又例如，新冠肺炎COVID-19分为四种类型，即：轻型，普通型，重型和危重型；如果轻型患者症状很轻微，影像上没有肺炎的表现。
可选的，还可以提取病灶的类型对应的特征，利用传统的机器学习方法基于类型对应的特征得到病灶的等级。
在本实施例中，还可以包括对深度学习网络或分类网络的训练过程。
具体的，可以对病灶的类型和等级作标注，形成病灶等级标签，将病灶等级标签作为正样本及其他标签的负样本作为训练集，将所述训练集输入预设训练分类网络，对预设分类网络的参数进行训练，得到预设分类网络。
在本实施例中，CT值的确定方法具体可以包括：
基于所述病灶的轮廓和预设的掩码值，得到所述第二图像的掩码图像；将所述第二图像与对应层的所述掩码图像相乘，得到所述多疾病病灶的CT值。
在本实施例中，待检测的病灶的类型往往为多种类型，分别对不同类型的病灶对应的轮廓内的数据进行掩码处理，得到不同类型的病灶对应的多个掩码图像，分别基于多个掩码图像及多个掩码图像对应的第二图像得到病灶的CT值。
在本实施例中，预设的掩码值可以设置多个，可以根据病灶的类型选择不同的掩码值，例如，肺癌、慢阻肺、肺结节、肺炎(包括新冠肺炎COVID-19)的预设的掩码值分别为1、2、3、4。
具体的，得到掩码图像的过程包括：将第二图像上病灶的轮廓内的数据替换成掩码值，轮廓外的数据替换成0，得到掩码图像。
在本实施例中，在进行第二图像与掩码图像相乘之前，可以判断掩码图像中掩码值是否为1，如果掩码值为1，则进行第二图像与掩码图像相乘，得到所述病灶的CT值。
如果掩码值不为1，则先将掩码值转换成1，然后进行第二图像与将掩码值转换成1的掩码图像相乘，得到所述病灶的CT值。
在本实施例中，如果掩码值不为1，在得到CT值后，可以将CT值除以掩码值，得到目标CT值。
作为举例，如果第二图像为掩码图像为/>则则4、5、7、8均为病灶的CT值。
在一种可能的实现方式中，步骤S1031的实现过程可以包括：
根据所述第二类型及所述第一图像确定所述位置区域内多疾病病灶的病灶信息的方法，包括：
确定所述位置区域对应的CT值；根据所述位置区域及所述第二类型对应的病灶所在器官确定所述病灶信息。
在本实施例中，第二类型的病灶为不具有轮廓的病灶。虽然在步骤S102中确定了病灶的位置区域，但是并没有提取或确定位置区域的CT值。例如，慢阻肺最开始只是确定小于-950HU的区域为慢阻肺的位置区域，但是具体的CT值是多少并不知道，如：某一个像素点对应的CT值为-955HU。
具体的，所述根据所述位置区域及所述第二类型对应的病灶所在器官确定所述病灶信息的方法，包括：
分别确定所述第二类型的病灶的第一体积，以及确定所述第二类型对应的病灶所在器官的第二体积；
基于所述第一体积及所述第二体积确定所述病灶信息的等级。
所述基于所述第一体积及所述第二体积确定所述病灶信息的等级的方法，包括：
获取多个预设比值；
确定所述第一体积及所述第二体积的比值；
基于所述比值及所述多个预设比值确定所述病灶信息的等级。
例如，所述第二类型的病灶为肺炎或者慢阻肺，多个预设比值可配置成80％、60％、30％及10％。若所述第一体积及所述第二体积的比值大于或等于80％，则认为肺炎或者慢阻肺的等级为5级别；若所述第一体积及所述第二体积的比值小于10％，则认为肺炎或者慢阻肺的等级为0级别。
同时，在本公开中，也可以利用多分类网络确定第二类型对应的所述病灶信息的等级。
可选的，病灶信息的不同CT值显示为不同颜色，例如，CT值越大则颜色越亮，CT值越小颜色越暗。S104，基于多疾病病灶的所述病灶信息，分别构建所述多疾病病灶的三维结构。
在本实施例中，由于构建的是病灶的三维结构，因此，需要根据各层第一图像中病灶的病灶信息构建病灶的三维结构。并且本申请可以构件多疾病病灶的三维结构，例如，肺癌、肺结节、肺炎及慢阻肺的病灶信息分别进行三维结构，分别得到肺癌、肺结节、肺炎及慢阻肺对应的三维结构。
本申请实施例中，首先获取多层初始图像，并确定各层初始图像中病灶的位置区域，得到标记有位置区域的第一图像，根据第一图像确定位置区域内病灶的病灶信息，最后根据病灶信息构建病灶的三维结构；本申请可以通过病灶信息确定病灶的三维结构，病灶的三维结构可以展现病灶的全部结构，通过三维结构可以准确判断病灶的形态，不会造成遗漏或误差。
如图3所示，在一种可能的实现方式中，步骤S104的实现过程可以包括：
S1041，基于所述病灶的等级、类型和位置区域，确定各层第一图像之间的连通区域，其中，一个连通区域对应一种类型及一个等级的病灶。
在本实施例中，一个连通区域为一种类型一个等级的病灶所在的区域。连通区域为各层第一图像之间的连通区域，是一个三维的区域。
如图4所示，在一种可能的实现方式中，步骤S1041的实现过程可以包括：
S10411，将候选位置区域组成一个区域集合，其中，所述候选位置区域为各层第一图像中类型相同、等级相同、且位置区域相同的病灶所在的位置区域。
在本实施例中，如果构建连通区域，则需要从各层第一图像中选择可以构建为一个连通区域的位置区域。
各层第一图像的相同位置中病灶的类型、等级可能不同。相同位置、相同等级和相同类型的病灶的位置区域可以组成一个连通区域，将相同位置、相同等级和相同类型的病灶的位置区域组合成一个区域集合。同一区域集合中的位置区域可以组成一个连通区域。但是，相同位置、相同等级和相同类型的病灶的位置区域中可能存在不满足要求的位置区域，因此，需要对相同位置、相同等级和相同类型的病灶的位置区域进行筛选，得到满足要求的位置区域。具体的筛选方法参见下述方法。
初始图像或第一图像以图像的左上角为中心建立坐标系，每个病灶所在的位置区域均可以用坐标表示。位置区域相同只各个第一图像中有相同坐标的位置区域。例如，第一个第一图像中病灶A的位置区域是以坐标(2、3)为圆心以5为半径的区域，第三个第一图像中病灶D的位置区域是以坐标(2、3)为圆心以5为半径的区域，则病灶A的位置区域与病灶D的位置区域相同。具体的，位置区域相同还可以是病灶的中心坐标相同。
S10412，计算第一区域集合中第一数量与第二数量的比值，其中，第一区域集合为组成的区域集合中的任一个区域集合，所述第一数量为所述第一区域集合中一个候选位置区域包括的像素的个数，所述第二数量为所述第一区域集合中的所有第一候选位置区域包括的像素的总数。
在本实施例中，由于有多个病灶，且多个病灶可能组成多个区域集合。可以将多个区域集合中任一一个区域集合均作为一个第一区域集合。
作为举例，第一区域集合G中包括候选位置区域H和T，候选位置区域H的像素个数为6，则候选位置区域H对应的第一数量为6，候选位置区域T的像素个数为8，则候选位置区域T对应的第一数量为8，第二数量为6+8＝14.
则第一数量与第二数量的比值分别为6/14＝0.43，8/14＝0.57。
S10413，将比值大于或等于预设阈值的第一候选位置区域作为目标位置区域，其中，预设阈值基于所述病灶的等级和类型确定。
在本申请实施例中，预设阈值可以根据需要进行设置。
比值大于或等于预设阈值，则说明候选位置区域满足要求，可以保留。
S10414，将所述区域集合中所有的目标位置区域组成一个连通区域。
在本实施例中，筛选出的目标位置区域为最终需要的满足要求的位置区域，因此，将同一区域集合中的所有目标位置区域进行连通得到一个连通区域。
S1042，基于所述连通区域中病灶的病灶信息，构建所述病灶的三维结构。
在本实施例中，三维结构可以根据病灶的轮廓或CT值进行构件，连通区域是由病灶所在的位置区域组成的，位置区域中标记有病灶的轮廓或CT值。
具体的，三维结构的构建可以采用多平面成像或曲面成像法。多平面成像法把体素重新排列，在二维屏幕上显示任意方向上的断面；它补偿了CT只提供横断面图像的缺憾，可以得到多角度、多方位的病灶，具有显示快捷、任意断面的有点。曲面成像法把体素重新排列，在三维空间内绘制出同一平面上二维的断面，适用于显示形状多变的病灶及其组织结构。
在一种可能的实现方式中，步骤S1042的实现过程可以包括：
S10421，确定所述连通区域包括的所述第一图像的层数。
在本实施例中，病灶的三维结构的构建需要满足足够的层数才得以构建，因此，需要先判断连通区域包括的所述第一图像的层数。连通区域包括的所述第一图像的层数也就是连通区域中包括了多少个位置区域。
S10422，若所述层数大于或等于预设层数，则基于连通区域中病灶的病灶信息构建所述病灶的三维结构。
在本实施例中，预设层数可以根据需要进行设置。根据病灶的病灶信息可以拟合形成病灶的三维结构。拟合方法可以包括最小二乘法。
S10423，若所述层数小于所述预设层数，基于连通区域构建虚拟连通区域，并基于连通区域中病灶的病灶信息和所述虚拟连通区域中病灶的病灶信息构建所述病灶的三维结构，其中，所述虚拟连通区域的个数基于所述预设层数和所述连通区域包括的第一图像的层数确定。
具体的，可以利用差值法构建虚拟连通区域。如果层数小于所述预设层数，则不可以直接构件三维结构，需要先根据连通区域中病灶的轮廓或CT值，利用差值法得到虚拟连通区域。虚拟连通区域的个数为预设层数与连通区域包括的第一图像的层数的差值。
如图5所示，在一种可能的实现方式中，在步骤S1041之后，还可以包括：
S201，基于所述病灶的轮廓和/或CT值，确定所述连通区域对应的病灶是否为真实病灶。
在本实施例中，由于一个连通区域对应一种病灶，因此在确定了连通区域之后，还可以进一步判断病灶是否为真实病灶。
S202，获取预设的所述连通区域对应的病灶与轮廓的相关性。
在本实施例中，在确定是否为真实病灶之前，可以先确定病灶是否与轮廓相关。也就是病灶的类型和/或等级的确定是否与病灶的轮廓相关。
作为举例，慢阻肺、肺炎是与形状及轮廓无关的肺疾病。肺癌、肺结节是与形状及轮廓有关的肺疾病。
S203，若所述连通区域对应的病灶与轮廓有关，基于连通区域中各目标位置区域中病灶的轮廓，确定连通区域对应的病灶的最大内径，若所述最大内径在第一预设范围内，则确定所述连通区域对应的病灶为真实病灶。
在本实施例中，可以查找连通区域中各层第一图像中病灶的轮廓内的内径，查找内径最大值。如果最大内径在第一预设范围内，则说明该连通区域中的病灶为真实病灶。第一预设范围根据病灶的类型和等级确定。
S204，若所述连通区域对应的病灶与轮廓无关，基于连通区域中各目标位置区域中病灶的CT值，确定连通区域对应的病灶的平均CT值，若所述平均CT值在第二预设范围内，则确定所述连通区域对应的病灶为真实病灶。
在本实施例中，如果病灶与轮廓无关，则可根据CT值确定是否为真实病灶。第二预设范围根据病灶的类型和等级确定，第二预设范围也就是预设CT值范围。
作为举例，不同等级的肺结节和/或肺癌对应的预设CT值范围有所差异。所有等级慢阻肺病灶的预设CT值范围大于或等于-950Hu；而肺结节病灶中的实性结节、部分实性结节和磨玻璃结节的预设CT值范围分别为大于-300Hu、大于100Hu及-400—-700Hu之间；所有等级肺癌病灶的预设CT值范围30—50Hu或30—60Hu之间。
本身申请实施例中，判断病灶是否为真实病灶，有利于病灶的真实情况的判断，同时为后期医生诊断提供参考。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的病灶的三维构建方法，图6示出了本申请实施例提供的病灶的三维构建装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图6，该装置300可以包括：图像获取模块310、位置确定模块320、信息确定模块330和三维构建模块340。
其中，图像获取模块310，用于获取待构建三维病灶的多层初始图像；
位置确定模块320，用于分别确定各层所述初始图像中多疾病病灶的位置区域，得到标记有多疾病病灶的位置区域的第一图像；
信息确定模块330，用于基于所述第一图像，确定所述位置区域内病灶的病灶信息；
三维构建模块340，用于基于多疾病病灶的所述病灶信息，分别构建所述多疾病病灶的三维结构。
在一种可能的实现方式中，信息确定模块330具体可以用于：
确定所述病灶的类型，根据所述病灶的类型及所述第一图像确定所述位置区域内多疾病的病灶信息；
其中，所述病灶的类型包括：第一类型及第二类型，所述第一类型为具有轮廓的病灶，所述第二类型为不具有轮廓的病灶。在一种可能的实现方式中，信息确定模块330具体还可以用于：根据所述第一类型及所述第一图像确定所述位置区域内多疾病病灶的病灶信息的方法，包括：
提取所述第一图像上所述位置区域中病灶的轮廓，得到标记有所述多疾病病灶的轮廓的第二图像；
基于所述第二图像得到所述多疾病病灶的等级；
对所述第二图像进行掩码处理得到所述第二图像的掩码图像，基于所述多层初始图像及所述掩码图像得到所述病灶的CT值；
以及/或，
根据所述第二类型及所述第一图像确定所述位置区域内多疾病病灶的病灶信息的方法，包括：
确定所述位置区域对应的CT值；
根据所述位置区域及所述第二类型对应的病灶所在器官确定所述病灶信息。在一种可能的实现方式中，三维构建模块340具体可以包括：
连通区域确定单元，用于基于所述病灶的等级、类型和位置区域，确定各层第一图像之间的连通区域，其中，一个连通区域对应一种类型及一个等级的病灶；
三维构建单元，用于基于所述连通区域中病灶的病灶信息，构建所述病灶的三维结构。
在一种可能的实现方式中，连通区域确定单元具体可以用于：
将候选位置区域组成一个区域集合，其中，所述候选位置区域为各层第一图像中类型相同、等级相同、且位置区域相同的病灶所在的位置区域；
计算第一区域集合中第一数量与第二数量的比值，其中，第一区域集合为组成的区域集合中的任一个区域集合，所述第一数量为所述第一区域集合中一个候选位置区域包括的像素的个数，所述第二数量为所述第一区域集合中的所有候选位置区域包括的像素的总数；
将比值大于或等于预设阈值的第一候选位置区域作为目标位置区域，其中，预设阈值基于所述病灶的等级和类型确定；
将所述区域集合中所有的目标位置区域组成一个连通区域。
在一种可能的实现方式中，三维构建单元具体可以用于：
确定所述连通区域包括的所述第一图像的层数；
若所述层数大于或等于预设层数，则基于连通区域中病灶的病灶信息构建所述病灶的三维结构；
若所述层数小于所述预设层数，基于连通区域构建虚拟连通区域，并基于连通区域中病灶的病灶信息和所述虚拟连通区域中病灶的病灶信息构建所述病灶的三维结构，其中，所述虚拟连通区域的个数基于所述预设层数和所述连通区域包括的第一图像的层数确定。
在一种可能的实现方式中，与连通区域确定单元相连的还包括：
判断单元，用于基于所述病灶的轮廓和/或CT值，确定所述连通区域对应的病灶是否为真实病灶；
信息获取单元，用于获取预设的所述连通区域对应的病灶与轮廓的相关性；
第一结果输出单元，用于若所述连通区域对应的病灶与轮廓有关，基于连通区域中各目标位置区域中病灶的轮廓，确定连通区域对应的病灶的最大内径，若所述最大内径在第一预设范围内，则确定所述连通区域对应的病灶为真实病灶；
第二结果输出单元，用于若所述连通区域对应的病灶与轮廓无关，基于连通区域中各目标位置区域中病灶的CT值，确定连通区域对应的病灶的平均CT值，若所述平均CT值在第二预设范围内，则确定所述连通区域对应的病灶为真实病灶。需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种终端设备，参见图7，该终端设备400可以包括：至少一个处理器410、存储器420以及存储在所述存储器420中并可在所述至少一个处理器410上运行的计算机程序，所述处理器410执行所述计算机程序时实现上述任意各个方法实施例中的步骤，例如图2所示实施例中的步骤S101至步骤S104。或者，处理器410执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块310至340的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器420中，并由处理器410执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在终端设备400中的执行过程。
本领域技术人员可以理解，图7仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器410可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器420可以是终端设备的内部存储单元，也可以是终端设备的外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。所述存储器420用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器420还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的病灶的三维构建方法可以应用于计算机、平板电脑、笔记本电脑、上网本、个人数字助理(personal digital assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
以所述终端设备为计算机为例。图8示出的是与本申请实施例提供的计算机的部分结构的框图。参考图8，计算机包括：通信电路510、存储器520、输入单元530、显示单元540、音频电路550、无线保真(wireless fidelity，WiFi)模块560、处理器570以及电源580等部件。
下面结合图8对计算机的各个构成部件进行具体的介绍：
通信电路510可用于收发信息或通话过程中，信号的接收和发送，特别地，将图像采集设备发送的图像样本接收后，给处理器570处理；另外，将图像采集指令发送给图像采集设备。通常，通信电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low Noise Amplifier，LNA)、双工器等。此外，通信电路510还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobile communication，GSM)、通用分组无线服务(GeneralPacket Radio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long TermEvolution,LTE))、电子邮件、短消息服务(Short Messaging Service，SMS)等。
存储器520可用于存储软件程序以及模块，处理器570通过运行存储在存储器520的软件程序以及模块，从而执行计算机的各种功能应用以及数据处理。存储器520可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器520可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元530可用于接收输入的数字或字符信息，以及产生与计算机的用户设置以及功能控制有关的键信号输入。具体地，输入单元530可包括触控面板531以及其他输入设备532。触控面板531，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板531上或在触控面板531附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板531可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器570，并能接收处理器570发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板531。除了触控面板531，输入单元530还可以包括其他输入设备532。具体地，其他输入设备532可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元540可用于显示由用户输入的信息或提供给用户的信息以及计算机的各种菜单。显示单元540可包括显示面板541，可选的，可以采用液晶显示器(Liquid CrystalDisplay，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板541。进一步的，触控面板531可覆盖显示面板541，当触控面板531检测到在其上或附近的触摸操作后，传送给处理器570以确定触摸事件的类型，随后处理器570根据触摸事件的类型在显示面板541上提供相应的视觉输出。虽然在图8中，触控面板531与显示面板541是作为两个独立的部件来实现计算机的输入和输入功能，但是在某些实施例中，可以将触控面板531与显示面板541集成而实现计算机的输入和输出功能。
音频电路550可提供用户与计算机之间的音频接口。音频电路550可将接收到的音频数据转换后的电信号，传输到扬声器由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路550接收后转换为音频数据，再将音频数据输出处理器570处理后，经通信电路510以发送给比如另一计算机，或者将音频数据输出至存储器520以便进一步处理。
WiFi属于短距离无线传输技术，计算机通过WiFi模块560可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图8示出了WiFi模块560，但是可以理解的是，其并不属于计算机的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器570是计算机的控制中心，利用各种接口和线路连接整个计算机的各个部分，通过运行或执行存储在存储器520内的软件程序和/或模块，以及调用存储在存储器520内的数据，执行计算机的各种功能和处理数据，从而对计算机进行整体监控。可选的，处理器570可包括一个或多个处理单元；优选的，处理器570可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器570中。
计算机还包括给各个部件供电的电源580(比如电池)，优选的，电源580可以通过电源管理系统与处理器570逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述病灶的三维构建方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述病灶的三维构建方法各个实施例中的步骤。
所述集成的单元如果以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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (8)

1.一种病灶的三维构建方法，其特征在于，包括：
获取待构建三维病灶的多层初始图像；
分别确定各层所述初始图像中多疾病病灶的位置区域，得到标记有多疾病病灶的位置区域的第一图像；
基于所述第一图像，确定所述位置区域内病灶的病灶信息；
基于多疾病病灶的病灶信息，分别构建所述多疾病病灶的三维结构；
其中，所述基于多疾病病灶的病灶信息，分别构建所述多疾病病灶的三维结构，包括：
将候选位置区域组成一个区域集合；其中，所述候选位置区域为各层第一图像中类型相同、等级相同、且位置区域相同的病灶所在的位置区域；
计算第一区域集合中第一数量与第二数量的比值；其中，第一区域集合为组成的区域集合中的任一个区域集合，所述第一数量为所述第一区域集合中一个候选位置区域包括的像素的个数，所述第二数量为所述第一区域集合中的所有候选位置区域包括的像素的总数；
将比值大于或等于预设阈值的第一候选位置区域作为目标位置区域，其中，预设阈值基于所述病灶的等级和类型确定；
将所述区域集合中所有的目标位置区域组成一个连通区域，其中，一个连通区域对应一种类型及一个等级的病灶；
基于连通区域中病灶的病灶信息，构建所述病灶的三维结构。
2.如权利要求1所述的病灶的三维构建方法，其特征在于，所述基于所述第一图像，确定所述位置区域内病灶的病灶信息，包括：确定所述病灶的类型，根据所述病灶的类型及所述第一图像确定所述位置区域内多疾病的病灶信息；
其中，所述病灶的类型包括：第一类型及第二类型，所述第一类型为具有轮廓的病灶，所述第二类型为不具有轮廓的病灶。
3.如权利要求2所述的病灶的三维构建方法，其特征在于，根据所述第一类型及所述第一图像确定所述位置区域内多疾病病灶的病灶信息的方法，包括：
提取所述第一图像上所述位置区域中病灶的轮廓，得到标记有所述多疾病病灶的轮廓的第二图像；
基于所述第二图像得到所述多疾病病灶的等级；
对所述第二图像进行掩码处理得到所述第二图像的掩码图像，基于所述多层初始图像及所述掩码图像得到所述病灶的CT值；
以及/或，
根据所述第二类型及所述第一图像确定所述位置区域内多疾病病灶的病灶信息的方法，包括：
确定所述位置区域对应的CT值；
根据所述位置区域及所述第二类型对应的病灶所在器官确定所述病灶信息。
4.如权利要求1所述的病灶的三维构建方法，其特征在于，所述基于连通区域中病灶的病灶信息，构建所述病灶的三维结构，包括：
确定连通区域包括的所述第一图像的层数；
若所述层数大于或等于预设层数，则基于连通区域中病灶的病灶信息构建所述病灶的三维结构；
若所述层数小于所述预设层数，基于连通区域构建虚拟连通区域，并基于连通区域中病灶的病灶信息和所述虚拟连通区域中病灶的病灶信息构建所述病灶的三维结构，其中，所述虚拟连通区域的个数基于所述预设层数和所述连通区域包括的第一图像的层数确定。
5.如权利要求1-4任一项所述的病灶的三维构建方法，其特征在于，在所述基于所述病灶的等级、类型和位置区域，确定各层第一图像之间的连通区域之后，还包括：
基于所述病灶的轮廓和/或CT值，确定所述连通区域对应的病灶是否为真实病灶；
获取预设的所述连通区域对应的病灶与轮廓的相关性；
若所述连通区域对应的病灶与轮廓有关，基于连通区域中各目标位置区域中病灶的轮廓，确定连通区域对应的病灶的最大内径，若所述最大内径在第一预设范围内，则确定所述连通区域对应的病灶为真实病灶；
若所述连通区域对应的病灶与轮廓无关，基于连通区域中各目标位置区域中病灶的CT值，确定连通区域对应的病灶的平均CT值，若所述平均CT值在第二预设范围内，则确定所述连通区域对应的病灶为真实病灶。
6.一种病灶的三维构建装置，其特征在于，包括：
图像获取模块，用于获取待构建三维病灶的多层初始图像；
位置确定模块，用于分别确定各层所述初始图像中多疾病病灶的位置区域，得到标记有多疾病病灶的位置区域的第一图像；
信息确定模块，用于基于所述第一图像，确定所述位置区域内病灶的病灶信息；
三维构建模块，用于基于多疾病病灶的所述病灶信息，分别构建所述多疾病病灶的三维结构；
三维构建模块具体包括：
连通区域确定单元，用于将候选位置区域组成一个区域集合，其中，所述候选位置区域为各层第一图像中类型相同、等级相同、且位置区域相同的病灶所在的位置区域；计算第一区域集合中第一数量与第二数量的比值，其中，第一区域集合为组成的区域集合中的任一个区域集合，所述第一数量为所述第一区域集合中一个候选位置区域包括的像素的个数，所述第二数量为所述第一区域集合中的所有候选位置区域包括的像素的总数；将比值大于或等于预设阈值的第一候选位置区域作为目标位置区域，其中，预设阈值基于所述病灶的等级和类型确定；将所述区域集合中所有的目标位置区域组成一个连通区域；
三维构建单元，用于基于所述连通区域中病灶的病灶信息，构建所述病灶的三维结构。
7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至5任一项所述的病灶的三维构建方法。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的病灶的三维构建方法。
CN202010949567.9A 2020-09-10 2020-09-10 一种病灶的三维构建方法、装置、终端设备及存储介质 Active CN112288843B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010949567.9A CN112288843B (zh) 2020-09-10 2020-09-10 一种病灶的三维构建方法、装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010949567.9A CN112288843B (zh) 2020-09-10 2020-09-10 一种病灶的三维构建方法、装置、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN112288843A CN112288843A (zh) 2021-01-29
CN112288843B true CN112288843B (zh) 2023-08-01

Family

ID=74420435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010949567.9A Active CN112288843B (zh) 2020-09-10 2020-09-10 一种病灶的三维构建方法、装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN112288843B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538298B (zh) * 2021-09-07 2024-01-05 北京大学深圳医院 病灶高清图像重建方法、装置、设备及存储介质
CN114359114B (zh) * 2022-03-16 2022-08-23 宁波杜比医疗科技有限公司 一种单核病灶色相还原方法、装置、电子设备及存储介质
CN116759052B (zh) * 2023-06-20 2024-04-05 华平祥晟(上海)医疗科技有限公司 一种基于大数据的图像存储管理系统及方法
CN117542527B (zh) * 2024-01-09 2024-04-26 百洋智能科技集团股份有限公司 肺结节跟踪与变化趋势预测方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106652017A (zh) * 2016-09-18 2017-05-10 青岛海信医疗设备股份有限公司 三维重建中判断dicom图像文件完整性的方法及装置
CN107507184A (zh) * 2017-09-26 2017-12-22 上海辉明软件有限公司 病灶模型的建立方法、装置及电子设备
CN109480886A (zh) * 2018-12-13 2019-03-19 上海联影医疗科技有限公司 骨损伤检测方法、装置、计算机设备和存储介质
CN111429446A (zh) * 2020-04-03 2020-07-17 深圳前海微众银行股份有限公司 肺图像处理方法、装置、设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2061376A2 (en) * 2006-09-15 2009-05-27 Imaging Therapeutics, Inc. Method and system for providing fracture/no fracture classification
JP6651402B2 (ja) * 2016-04-12 2020-02-19 キヤノンメディカルシステムズ株式会社 医用画像処理装置、医用画像診断装置およびプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106652017A (zh) * 2016-09-18 2017-05-10 青岛海信医疗设备股份有限公司 三维重建中判断dicom图像文件完整性的方法及装置
CN107507184A (zh) * 2017-09-26 2017-12-22 上海辉明软件有限公司 病灶模型的建立方法、装置及电子设备
CN109480886A (zh) * 2018-12-13 2019-03-19 上海联影医疗科技有限公司 骨损伤检测方法、装置、计算机设备和存储介质
CN111429446A (zh) * 2020-04-03 2020-07-17 深圳前海微众银行股份有限公司 肺图像处理方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
三维重建在拟行子宫动脉栓塞术的妇科疾病中应用的研究进展;曹婧等;中国医师进修杂志;第41卷(第12期);1135-1138 *
二维、三维超声在诊断先天性椎动脉变异中的应用价值及临床意义;李玉丹;董常峰;;中国现代医生(第09期);116-118+175 *
初发腔隙性脑梗死的病灶数量和部位对患者认知功能的影响;韩阅;贾建平;周爱红;薛素芳;;中国脑血管病杂志(第11期);568-572 *

Also Published As

Publication number Publication date
CN112288843A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
CN112288843B (zh) 一种病灶的三维构建方法、装置、终端设备及存储介质
CN109670532B (zh) 生物体器官组织图像的异常识别方法、装置及系统
CN111462036A (zh) 基于深度学习的病理图像处理方法、模型训练方法及装置
CN107895369B (zh) 图像分类方法、装置、存储介质及设备
CN110473186B (zh) 一种基于医学图像的检测方法、模型训练的方法及装置
CN111127466A (zh) 医学图像检测方法、装置、设备及存储介质
US11602302B1 (en) Machine learning based non-invasive diagnosis of thyroid disease
US20070280525A1 (en) Methods and Apparatus for Computer Automated Diagnosis of Mammogram Images
CN111028237B (zh) 图像分割方法、装置及终端设备
Hsu et al. Chronic wound assessment and infection detection method
WO2021021329A1 (en) System and method for interpretation of multiple medical images using deep learning
US11967181B2 (en) Method and device for retinal image recognition, electronic equipment, and storage medium
CN101103924A (zh) 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统
US11684333B2 (en) Medical image analyzing system and method thereof
US20210407637A1 (en) Method to display lesion readings result
Cai et al. Identifying architectural distortion in mammogram images via a se-densenet model and twice transfer learning
Thanoon et al. A Review of Deep Learning Techniques for Lung Cancer Screening and Diagnosis Based on CT Images
Zhang et al. LungSeek: 3D Selective Kernel residual network for pulmonary nodule diagnosis
KR20230157277A (ko) 분류 및 분할을 이용한 뇌 의료 영상 분석 방법, 장치 및 컴퓨터 프로그램
Kim et al. Gastric lesion classification using deep learning based on fast and robust fuzzy C-means and simple linear iterative clustering superpixel algorithms
JP6559353B2 (ja) 自動核セグメンテーション
Shamrat et al. Analysing most efficient deep learning model to detect COVID-19 from computer tomography images
CN111275699A (zh) 医学图像的处理方法、装置、设备及存储介质
Yang et al. 3D multi‐view squeeze‐and‐excitation convolutional neural network for lung nodule classification
Vijaya et al. Automatic detection of lung cancer in CT images

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