CN112734790B - 一种肿瘤区域标注方法、系统、装置及可读存储介质 - Google Patents

一种肿瘤区域标注方法、系统、装置及可读存储介质 Download PDF

Info

Publication number
CN112734790B
CN112734790B CN202011621341.2A CN202011621341A CN112734790B CN 112734790 B CN112734790 B CN 112734790B CN 202011621341 A CN202011621341 A CN 202011621341A CN 112734790 B CN112734790 B CN 112734790B
Authority
CN
China
Prior art keywords
pixel
value
region
tumor
standard
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
CN202011621341.2A
Other languages
English (en)
Other versions
CN112734790A (zh
Inventor
商国灿
许文挺
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.)
Wuhan United Imaging Life Science Instrument Co Ltd
Original Assignee
Wuhan United Imaging Life Science Instrument 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 Wuhan United Imaging Life Science Instrument Co Ltd filed Critical Wuhan United Imaging Life Science Instrument Co Ltd
Priority to CN202011621341.2A priority Critical patent/CN112734790B/zh
Publication of CN112734790A publication Critical patent/CN112734790A/zh
Application granted granted Critical
Publication of CN112734790B publication Critical patent/CN112734790B/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
    • G06T7/10—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
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/38—Registration of image sequences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

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

Abstract

本发明涉及一种肿瘤区域标注方法、系统、装置及计算机可读存储介质，所述肿瘤区域标注方法包括以下步骤：采集待检测对象的DICOM序列数据及肿瘤标签信息，将所述DICOM序列数据映射为标准摄取值图像序列；根据所述标准摄取值图像序列及所述标签信息，获取肿瘤区域的像素区域大小，根据所述肿瘤区域的像素区域大小在标准摄取值图像序列上搜索，得到三维像素邻域内真实的标准摄取值对应的像素位置；将所述真实的标准摄取值对应的像素位置作为种子点，在设定阈值的范围内进行3D区域生长，得到最终的肿瘤区域。本发明所述肿瘤区域标注方法，提高了肿瘤区域标注的准确度、降低了肿瘤区域标注的时间成本和人工成本。

Description

一种肿瘤区域标注方法、系统、装置及可读存储介质
技术领域
本发明涉及肿瘤标注技术领域，尤其涉及一种肿瘤区域标注方法、系统、装置及计算机可读存储介质。
背景技术
计算机断层扫描图像主要反映的是成像对象的解剖结构，具有分辨率高等特点，但并不能反映成像对象的功能成像；PET(正电子发射计算机断层显像)成像惟一可在活体上显示生物分子代谢、受体及神经介质活动的新型影像技术，现已广泛用于多种疾病诊断、病情判断、疗效评价、脏器功能研究和新药开发等方面。
PET成像能够定量地反映成像对象的代谢情况，因其成像原理具有灵敏度高、特异性高、全身显像和安全性好等特点；PET图像中精准的肿瘤分割是临床肿瘤手术以及放射治疗中的关键步骤，但是PET图像具有空间分辨率低，边缘模糊，以及异质性等缺点，这些都给PET图像的精确分割带来了巨大的阻碍。
而基于AI算法的肿瘤分割需要大量的标注数据，人工标注方法需要有经验的医生或者放射肿瘤学家来标注，耗时耗力，使得标注的时间和人工成本较高，并且不同的标注者给出的分割结果之间会有差异，更为甚者，由于人工标注的主观性，同一标注者在不同时刻对同一图像给出的分割结果之间也存在差异，这些情形都会给标注的数据造成影响，使得标注的准确度较低，从而影响后续的AI算法进行模型训练。
发明内容
有鉴于此，有必要提供一种肿瘤区域标注方法、系统、装置及计算机可读存储介质，用以解决现有技术中肿瘤区域标注的准确度较低及时间、人工成本较高的问题。
本发明提供一种肿瘤区域标注方法，其特征在于，包括以下步骤：
获取待检测对象的DICOM序列数据及肿瘤标签信息，将所述DICOM序列数据映射为标准摄取值图像序列；
根据所述标准摄取值图像序列及所述标签信息，获取肿瘤区域的像素区域大小，根据所述肿瘤区域的像素区域大小在标准摄取值图像序列上搜索，得到三维像素邻域内真实的标准摄取值对应的像素位置；
将所述真实的标准摄取值对应的像素位置作为种子点，在设定阈值的范围内进行3D区域生长，得到最终的肿瘤区域。
本发明一个实施例中，将所述DICOM序列数据映射为标准摄取值图像序列，具体包括，
将所述DICOM序列数据进行逐像素转换，得到对应的标准摄取值图像序列。
本发明一个实施例中，所述肿瘤区域标注方法还包括，通过标准摄取值转换公式获取标准摄取值图像序列中的标准摄取值，所述标准摄取值转换公式为
Figure BDA0002872382380000021
其中，SUV为标准摄取值图像序列中的标准摄取值，AAIR为感兴趣区域内的平均放射性活度，ID为注入待检测对象体内的放射性药物剂量，W为待检测对象的体重。
本发明一个实施例中，所述肿瘤区域标注方法还包括，通过平均放射性活度计算公式获取所述感兴趣区域内的平均放射性活度，所述平均放射性活度计算公式为AAIR＝PV×ISF+IIF；其中，PV为像素位置的像素值，ISF、IIF分别为DICOM序列数据中的缩放斜率和截距。
本发明一个实施例中，根据所述标准摄取值图像序列及所述标签信息，获取肿瘤区域的像素区域大小，具体包括，
获取标准摄取值图像序列像素上的分辨率，根据所述标签信息得到肿瘤区域的物理尺寸，根据所述标准摄取值图像序列像素上的分辨率及肿瘤区域的物理尺寸，获取肿瘤区域的像素区域大小。
本发明一个实施例中，根据所述肿瘤区域的像素区域大小在标准摄取值图像序列上搜索，得到三维像素邻域内真实的标准摄取值对应的像素位置，具体包括，
在标准摄取值图像序列上，比较所述肿瘤区域的像素区域内像素值，获取灰度值的最大值，以所述灰度值的最大值作为三维像素邻域内真实的标准摄取值，根据所述三维像素邻域内真实的标准摄取值得到三维像素邻域内真实的标准摄取值对应的像素位置。
本发明一个实施例中，将所述真实的标准摄取值对应的像素位置作为种子点，在设定阈值的范围内进行3D区域生长，得到最终的肿瘤区域，具体包括，
将所述真实的标准摄取值对应的像素位置作为种子点，以所述种子点的像素值与种子点以外像素位置的像素值之差的绝对值小于或等于设定阈值为限定条件，获取满足该限定条件的种子点以外像素位置，以该限定条件的种子点以外像素位置及种子点作为最终的肿瘤区域。
本发明还提供了一种肿瘤区域标注系统，包括数据采集映射模块、像素位置获取模块及肿瘤区域确定模块；
所述数据采集映射模块，用于采集待检测对象的DICOM序列数据及肿瘤标签信息，将所述DICOM序列数据映射为标准摄取值图像序列；
所述像素位置获取模块，用于根据所述标准摄取值图像序列及所述标签信息，获取肿瘤区域的像素区域大小，根据所述肿瘤区域的像素区域大小在标准摄取值图像序列上搜索，得到三维像素邻域内真实的标准摄取值对应的像素位置；
所述肿瘤区域确定模块，用于将所述真实的标准摄取值对应的像素位置作为种子点，在设定阈值的范围内进行3D区域生长，得到最终的肿瘤区域。
本发明还提供了一种肿瘤区域标注装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一技术方案所述的肿瘤区域标注方法。
本发明还提供了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，所述计算机该程序被处理器执行时，实现如上述任一技术方案所述的肿瘤区域标注方法。
与现有技术相比，本发明的有益效果包括：通过采集待检测对象的DICOM序列数据及肿瘤标签信息，将所述DICOM序列数据映射为标准摄取值图像序列；根据所述标准摄取值图像序列及所述标签信息，获取肿瘤区域的像素区域大小，根据所述肿瘤区域的像素区域大小在标准摄取值图像序列上搜索，得到三维像素邻域内真实的标准摄取值对应的像素位置；将所述真实的标准摄取值对应的像素位置作为种子点，在设定阈值的范围内进行3D区域生长，得到最终的肿瘤区域；提高了肿瘤区域标注的准确度、降低了肿瘤区域标注的时间成本和人工成本。
附图说明
图1为本发明一个实施例提供的肿瘤区域标注方法的流程示意图；
图2为本发明一个实施例提供的待检测人体的DICOM序列数据的横断面示意图；
图3为本发明一个实施例提供的待检测人体的DICOM序列数据的矢状面示意图；
图4为本发明一个实施例提供的待检测人体的DICOM序列数据的冠状面示意图；
图5为本发明一个实施例提供的DICOM序列数据的文件存放格式示意图；
图6为本发明一个实施例提供的肿瘤标签信息的示意图；
图7为本发明一个实施例提供的人体坐标系；
图8为本发明一个实施例提供的最终的肿瘤区域的横断面图像效果图；
图9为本发明一个实施例提供的最终的肿瘤区域的矢状面图像效果图；
图10为本发明一个实施例提供的最终的肿瘤区域的冠状面图像效果图；
图11为本发明一个实施例提供的最终的肿瘤区域的三维可视化图像效果图；
图12为本发明一个实施例提供的肿瘤区域标注系统的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明一个实施例中，提供了一种肿瘤区域标注方法，其流程示意图，如图1所示，所述肿瘤区域标注方法包括以下步骤：
S1、获取待检测对象的DICOM序列数据及肿瘤标签信息，将所述DICOM序列数据映射为标准摄取值图像序列；
S2、根据所述标准摄取值图像序列及所述标签信息，获取肿瘤区域的像素区域大小，根据所述肿瘤区域的像素区域大小在标准摄取值图像序列上搜索，得到三维像素邻域内真实的标准摄取值对应的像素位置；
S3、将所述真实的标准摄取值对应的像素位置作为种子点，在设定阈值的范围内进行3D区域生长，得到最终的肿瘤区域。
通过采集待检测对象的DICOM序列数据及肿瘤标签信息，将所述DICOM序列数据映射为标准摄取值图像序列；根据所述标准摄取值图像序列及所述标签信息，获取肿瘤区域的像素区域大小，根据所述肿瘤区域的像素区域大小在标准摄取值图像序列上搜索，得到三维像素邻域内真实的标准摄取值对应的像素位置；将所述真实的标准摄取值对应的像素位置作为种子点，在设定阈值的范围内进行3D区域生长，得到最终的肿瘤区域；提高了肿瘤区域标注的准确度、降低了肿瘤区域标注的时间成本和人工成本。
在一个实施例中，在进行肿瘤区域标记时，首先采集待检测对象(可为人体或动物)的DICOM(医学数字成像和通信)序列数据及肿瘤标签信息。一个实施例中，利用PET-CT成像设备或者其它PET成像设备采集待检测对象DICOM序列数据，由医生阅完人体医学影像(DICOM序列数据)后给出肿瘤标签信息，如图2所示为待检测人体的DICOM序列数据的横断面示意图，如图3所示为待检测人体的DICOM序列数据的矢状面示意图，如图4所示为待检测人体的DICOM序列数据的冠状面示意图，如图5所示为DICOM序列数据的文件存放格式示意图；所述肿瘤标签信息具体包括肿瘤在体内的大致位置、肿瘤区域的物理区域尺寸及肿瘤中心的RPF坐标等内容。
一个实施例中，将所述DICOM序列数据映射为标准摄取值图像序列，具体包括，将所述DICOM序列数据进行逐像素转换，得到对应的标准摄取值图像序列；
需要说明的是，通过将所述DICOM序列数据进行逐像素转换，得到对应的标准摄取值图像序列，以便于后续在标准摄取值图像序列进行肿瘤区域标注。
一个实施例中，所述肿瘤区域标注方法还包括，通过标准摄取值转换公式获取标准摄取值图像序列中的标准摄取值，所述标准摄取值转换公式为
Figure BDA0002872382380000071
其中，SUV为标准摄取值图像序列中的标准摄取值，AAIR为感兴趣区域内的平均放射性活度，ID为注入待检测对象体内的放射性药物剂量，W为待检测对象体重。
一个实施例中，所述肿瘤区域标注方法还包括，通过平均放射性活度计算公式获取所述感兴趣区域内的平均放射性活度，所述平均放射性活度计算公式为AAIR＝PV×ISF+IIF；其中，PV为像素位置的像素值，ISF、IIF分别为DICOM序列数据中的缩放斜率和截距。
一个实施例中，读取DICOM序列数据，将DICOM序列数据(由PET成像设备采集)映射为标准摄取值(SUV)图像序列，即将所述DICOM序列数据进行逐像素转换，得到对应的标准摄取值图像序列；逐像素转换满足线性关系，即
Figure BDA0002872382380000072
AAIR＝PV×ISF+IIF，
其中，SUV(Standardized update value)为标准摄取值图像序列中的标准摄取值，是指局部组织摄取的显像剂的放射性活度与全身平均注射活度，单位为g/ml，标准摄取值是PET在肿瘤诊断中的半定量指标；AAIR(average activity in ROI)为感兴趣区域内的平均放射性活度，ROI为感兴趣区域，ID(injected dose)为注入待检测对象体内的放射性药物剂量，单位为Bql(贝克勒尔)；W(Weight)为待检测对象体重，单位为g，PV(PixelValue)为像素位置的像素值，ISF(Image.scale_factor，缩放斜率)、IIF(Image.intercept_factor，截距)为PET数据采集过程中的参数，ISF、IIF可以从DICOM序列数据标签中获取；逐像素按照上述公式
Figure BDA0002872382380000081
及AAIR＝PV×ISF+IIF则可得到一张标准摄取值图像，从而将所有的DICOM序列数据映射为标准摄取值图像序列。
一个实施例中，根据所述标准摄取值图像序列及所述标签信息，获取肿瘤区域的像素区域大小，具体包括，获取标准摄取值图像序列像素上的分辨率，根据所述标签信息得到肿瘤区域的物理尺寸，根据所述标准摄取值图像序列像素上的分辨率及肿瘤区域的物理尺寸，获取肿瘤区域的像素区域大小。
一个具体实施例中，ROI_Pixel_Size＝Size/Spacing，Spacing表示标准摄取值图像序列像素上的分辨率，可读取DICOM序列数据标签Tag的字段PixelSpacing得到该值，Size为肿瘤区域的物理尺寸，ROI_Pixel_Size为肿瘤区域的像素区域大小(肿瘤区域在标准摄取值图像上的像素区域大小)。
另一个具体实施例中，如图6所示为一个肿瘤标签信息的示意图。图6中第一列、第二列为标签信息的名称和编号，第三列(Height)为待检测人体身高，第四列(Weight)为待检测人体体重，第七列为肿瘤在体内的大致位置，第八列位肿瘤区域的物理区域尺寸，第十列为肿瘤中心位置的RPF坐标(医生在待检测人体坐标系中标注的可能的灰度值的最大值SUVmax的坐标)，图6中第十一列为RPF坐标对应的XYZ坐标，所述RPF坐标可以通过PET成像设备获得的DICOM序列数据得知。
可以通过坐标转换将肿瘤中心位置的RPF坐标(人体坐标系下的坐标)转为XYZ坐标(像素坐标系下的坐标)，将肿瘤中心位置的坐标从人体坐标系(RPF)变换到像素坐标系(XYZ)的变换关系如下，
Figure BDA0002872382380000091
上式中，X,Y,Z表示由Px,Py,Pz经过上述公式进行转换得到的像素坐标系中的坐标；Px、Py、Pz分别表示医生在待检测人体坐标系中标注的可能的SUVmax的坐标，分别对应X、Y、Z轴；ImagePositionx,ImagePositiony,ImagePositionz分别表示DICOM序列数据的原点；Resolutionx,Resolutiony,Resolutionz表示三个方向上的图像分辨率，可从XOY平面内的分辨率和层厚方向上的分辨率获取。
人体坐标系，如图7所示。以图6所示表格中的第3行为例，可知(Px,Py,Pz)＝(R18.0,A5.9,F743.3,)该坐标由字母开头；R、A、F分别表示人的右侧，前胸和脚部，图7中L、P、H分别表示人的左侧，后背和头部。由于X的坐标正向是从人体的右边到左边，Y的坐标正向是从人体的前胸到后背，Z的坐标正向是从脚到头的方向，则以R、A、F开头的坐标，(Px,Py,Pz)＝(-18.0,-5.9,-743.3)，如果是以L、P、H打头的字母则Px,Py,Pz数值保持不变。
以图6中表格中的第1行为例，右锁骨上LN(肿瘤区域)的像素区域大小ROI_Pixel_Size＝10*[1.9,1.1]/[4.687500,4.687500]＝[4.053,2.346]，为方便计算，可对[4.053,2.346]向上取整，得到[5,3]；需要说明的是，上式中[1.9,1.1]单位为cm，其表示肿瘤区域的物理尺寸，[4.687500,4.687500]表示标准摄取值图像序列像素上的分辨率，10表示由cm到mm的单位换算。
由此，得到右锁骨上LN部位的像素区域大小为5*3，得到右锁骨上LN部位的像素区域厚度方向大小为max(5,3)＝5，因此，可以获取肿瘤区域的像素区域大小为[5,3,5]。
一个实施例中，根据所述肿瘤区域的像素区域大小在标准摄取值图像序列上搜索，得到三维像素邻域内真实的标准摄取值对应的像素位置，具体包括，在标准摄取值图像序列上，比较所述肿瘤区域的像素区域内像素值，获取灰度值的最大值，以所述灰度值的最大值作为三维像素邻域内真实的标准摄取值，根据所述三维像素邻域内真实的标准摄取值得到三维像素邻域内真实的标准摄取值对应的像素位置。
需要说明的是，通过上述方案可以迅速地获取灰度值的最大值，并迅速获取灰度值的最大值对应的像素位置，即三维像素邻域内真实的标准摄取值对应的像素位置。
一个实施例中，根据所述肿瘤区域的像素区域大小的约束，在标准摄取值图像序列上搜索，即在标准摄取值图像序列上，直接比较所述肿瘤区域(Lesion ROI)的像素区域内像素值，求取三维像素邻域内(肿瘤区域的像素区域内)的灰度值的最大值，作为真实的标准摄取值(SUVmax)，获取真实的标准摄取值的像素位置。
一个实施例中，取一个初始的标准摄取值，将该初始的标准摄取值与肿瘤区域的像素区域内其他像素位置的像素值作比较，取较大值，然后该较大值作为基准，与肿瘤区域的像素区域内其他像素位置的像素值作比较，依次类推，可得到灰度值的最大值；如图6中所示，在XYZ坐标系中取(58,65，297)作为初始的标准摄取值，如图6中所示，第9列为真实的标准摄取值(SUVmax)，该真实的标准摄取值是通过在标准摄取值图像序列上搜索得到的。
一个实施例中，将所述真实的标准摄取值对应的像素位置作为种子点，在设定阈值的范围内进行3D区域生长，得到最终的肿瘤区域，具体包括，将所述真实的标准摄取值对应的像素位置作为种子点，以所述种子点的像素值与种子点以外像素位置的像素值之差的绝对值小于或等于设定阈值为限定条件，获取满足该限定条件的种子点以外像素位置，以该限定条件的种子点以外像素位置及种子点作为最终的肿瘤区域。
需要说明的是，以真实的标准摄取值对应的像素位置作为种子点，即以真实的标准摄取值对应的像素位置作为肿瘤区域的中心位置，保证了肿瘤区域标注的准确度。
一个实施例中，将真实的标准摄取值作为种子点，真实的标准摄取值的40％作为设定阈值，在所述种子点和设定阈值基础上并以肿瘤区域的像素区域的整数倍作为约束，在真实的标准摄取值的像素位置邻域进行3D区域生长，得到最终的肿瘤区域；40％真实的标准摄取值是设定阈值较优取值，该取值可以使得肿瘤区域的范围在可接受的范围内。在一个实施例中，设定阈值的取值范围为40％-50％的真实的标准摄取值。
一个实施例中，种子点为肿瘤区域的中心，进行扩展成奇数*奇数的约束区域，种子点位于该邻域的正中心，使得不漏掉种子点相邻的邻域像素，接着将约束扩展成三维约束区域，最后以种子点为中心位置，以种子点处标准摄取值(即真实的标准摄取值)的40％作为生长阈值。
利用公式{abs(I(x,y,z)-SUVmax)≤0.6*SUVmax|(x,y,z)∈Q}，作为3D区域生长的表达式，在3D区域生长的表达式中，abs()表示取绝对值操作，(x,y,z)表示SUVmax所在像素位置的邻域某一个像素位置，I(x,y,z)为该像素位置的像素值，Q表示真实的标准摄取值的邻域点集，即以真实的标准摄取值坐标位置为正中心，以肿瘤区域的像素区域(LesionROI)大小(例如[5,3,5])内的点集。
一个实施例中，标注得到最终的肿瘤区域的横断面图像效果图，如图8所示；最终的肿瘤区域的矢状面图像效果图，如图9所示，该表现为矢状面；最终的肿瘤区域的冠状面图像效果图，如图10所示；最终的肿瘤区域的三维可视化图像效果图，如图11所示。根据图8-11可知，本发明实施例所述的肿瘤区域标注方法，可以达到很好的肿瘤标注效果。
一个实施例中，在所述最终的肿瘤区域的横断面图像效果图、矢状面图像效果图、冠状面图像效果图及三维可视化图像效果图可标注颜色，不同的颜色表示肿瘤区域，以方便向用户展示。
一个实施例中，将所述最终的肿瘤区域结果以3D Mask(掩膜)形式进行存储及展示；要以三维矩阵Mask为最终的掩膜数据，需要将三维矩阵Mask初始化为全零矩阵，全零矩阵的大小与DICOM序列数据的维度一致，则对真实的标准摄取值的邻域点集Q内的每一个点都执行公式{abs(I(x,y,z)-SUVmax)≤0.6*SUVmax|(x,y,z)∈Q}的判断操作，如果满足该条件，则Mask(x,y,z)＝num,num为整数，若待检测对象存在多个肿瘤区域，则对不同的肿瘤区域num取不同的整数值，而对相同的肿瘤区域num取相同的值；num的取值与图8-10中的最终的肿瘤区域的图像效果图的颜色对应，例如，红色对应2，绿色对应3；通过3D Mask形式进行存储及展示，可以节省存储资源。
一个实施例中，图6中有多个条目，即一个人体体内具有多个肿瘤区域，具体包括右锁骨上LN、右锁骨、上纵隔气管右旁LN、T3锥体、气管前腔静后LN3个、右肺门肿块、直肠末结(痔疮/生理性摄取)、左颌下LN(良性摄取)，第1个肿瘤区域(右锁骨上LN)，则num取1；同理，第8个肿瘤区域(左颌下LN(良性摄取))，num取8；如果不满足公式{abs(I(x,y,z)-SUVmax)≤0.6*SUVmax|(x,y,z)∈Q}条件，则Mask(x,y,z)＝0；当执行完3D区域生长，则得到的三维矩阵Mask中的取值有9种，分别为0，1，2，3，4，5，6，7，8，0表示非肿瘤区域，1-8分别表示8个不同的肿瘤区域。
一个实施例中，根据转换关系将人体的PET图像(DICOM序列数据)转化成半定量的SUV图像，然后根据种子点坐标，在邻域内寻找真实的标准摄取值所在的像素位置，得到用于3D区域生长的种子点；将肿瘤标签信息上标记的肿瘤区域转换成像素上的区域，以种子点为该区域的中心，以种子点为中心坐标，在设定阈值条件下，在三维约束区域内进行3D区域生长，可以一次性得到全身多个肿瘤的标记区域；
通过本发明实施例所述方案可以实现多个人体的批量化标注，完全不需要人去手动标注肿瘤区域，能够极大地提高数据标注效率。
本发明实施例所述方案同样适用于动物PET-CT成像设备及其它动物PET成像设备的数据标注工作，即根据转换关系将动物的PET图像转化成半定量的SUV图像，根据种子点坐标，搜索真实的标准摄取值所在的像素位置，得到种子点；将肿瘤标签信息上标记的肿瘤区域转换成像素上的区域，以种子点为该区域的中心，在设定阈值条件下，在三维约束区域内进行3D区域生长。
本发明另一实施例提供了一种肿瘤区域标注系统，所述肿瘤区域标注系统的结构示意图，如图12所示。所述肿瘤区域标注系统包括数据采集映射模块1、像素位置获取模块2及肿瘤区域确定模块3。
所述数据采集映射模块1，用于采集待检测对象的DICOM序列数据及肿瘤标签信息，将所述DICOM序列数据映射为标准摄取值图像序列；
所述像素位置获取模块2，用于根据所述标准摄取值图像序列及所述标签信息，获取肿瘤区域的像素区域大小，根据所述肿瘤区域的像素区域大小在标准摄取值图像序列上搜索，得到三维像素邻域内真实的标准摄取值对应的像素位置；
所述肿瘤区域确定模块3，用于将所述真实的标准摄取值对应的像素位置作为种子点，在设定阈值的范围内进行3D区域生长，得到最终的肿瘤区域。
需要说明的是，通过本发明实施例所述的肿瘤区域标注系统，可以提高肿瘤区域标注的准确度、降低肿瘤区域标注的时间成本和人工成本；本发明实施例所述的肿瘤区域标注系统与上述任一实施例所述的肿瘤区域标注方法相对应，未重复描述之处可相互借鉴。
本发明另一实施例提供了一种肿瘤区域标注装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一实施例所述的肿瘤区域标注方法。
本发明另一实施例提供了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，所述计算机该程序被处理器执行时，实现如上述任一实施例所述的肿瘤区域标注方法。
本发明公开了一种肿瘤区域标注方法、系统、装置及计算机可读存储介质，通过采集待检测对象的DICOM序列数据及肿瘤标签信息，将所述DICOM序列数据映射为标准摄取值图像序列；根据所述标准摄取值图像序列及所述标签信息，获取肿瘤区域的像素区域大小，根据所述肿瘤区域的像素区域大小在标准摄取值图像序列上搜索，得到三维像素邻域内真实的标准摄取值对应的像素位置；将所述真实的标准摄取值对应的像素位置作为种子点，在设定阈值的范围内进行3D区域生长，得到最终的肿瘤区域；提高了肿瘤区域标注的准确度、降低了肿瘤区域标注的时间成本和人工成本。
本发明技术方案通过将所述DICOM序列数据进行逐像素转换，得到对应的标准摄取值图像序列，以便于后续在标准摄取值图像序列进行肿瘤区域标注；通过在标准摄取值图像序列上，比较所述肿瘤区域的像素区域内像素值，获取灰度值的最大值，以所述灰度值的最大值作为三维像素邻域内真实的标准摄取值，根据所述三维像素邻域内真实的标准摄取值得到三维像素邻域内真实的标准摄取值对应的像素位置；以便迅速地获取灰度值的最大值，并迅速获取三维像素邻域内真实的标准摄取值对应的像素位置。
本发明技术方案以真实的标准摄取值对应的像素位置作为种子点，即以真实的标准摄取值对应的像素位置作为肿瘤区域的中心位置，保证了肿瘤区域标注的准确。
本发明技术方案可以实现多个待检测人体的批量化标注，完全不需要人去手动标注肿瘤区域，能够极大地提高数据标注效率，节省数据标注相关地人力、物力和财力同样，本发明实施例所述方案同样适用于动物PET-CT成像及动物PET成像的数据标注工作。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种肿瘤区域标注方法，其特征在于，包括以下步骤：
获取待检测对象的DICOM序列数据及肿瘤标签信息，将所述DICOM序列数据映射为标准摄取值图像序列；
根据所述标准摄取值图像序列及所述标签信息，获取肿瘤区域的像素区域大小，根据所述肿瘤区域的像素区域大小在标准摄取值图像序列上搜索，得到三维像素邻域内真实的标准摄取值对应的像素位置；
将所述真实的标准摄取值对应的像素位置作为种子点，在设定阈值的范围内进行3D区域生长，得到最终的肿瘤区域；
根据所述标准摄取值图像序列及所述标签信息，获取肿瘤区域的像素区域大小，具体包括，
获取标准摄取值图像序列像素上的分辨率，根据所述标签信息得到肿瘤区域的物理尺寸，根据所述标准摄取值图像序列像素上的分辨率及肿瘤区域的物理尺寸，获取肿瘤区域的像素区域大小；
根据所述肿瘤区域的像素区域大小在标准摄取值图像序列上搜索，得到三维像素邻域内真实的标准摄取值对应的像素位置，具体包括，
在标准摄取值图像序列上，比较所述肿瘤区域的像素区域内像素值，获取灰度值的最大值，以所述灰度值的最大值作为三维像素邻域内真实的标准摄取值，根据所述三维像素邻域内真实的标准摄取值得到三维像素邻域内真实的标准摄取值对应的像素位置。
2.根据权利要求1所述的肿瘤区域标注方法，其特征在于，将所述DICOM序列数据映射为标准摄取值图像序列，具体包括，
将所述DICOM序列数据进行逐像素转换，得到对应的标准摄取值图像序列。
3.根据权利要求1所述的肿瘤区域标注方法，其特征在于，还包括，通过标准摄取值转换公式获取标准摄取值图像序列中的标准摄取值，所述标准摄取值转换公式为
Figure QLYQS_1
；其中，SUV为标准摄取值图像序列中的标准摄取值，AAIR为感兴趣区域内的平均放射性活度，ID为注入待检测对象体内的放射性药物剂量，W为待检测对象的体重。
4.根据权利要求3所述的肿瘤区域标注方法，其特征在于，还包括，通过平均放射性活度计算公式获取所述感兴趣区域内的平均放射性活度，所述平均放射性活度计算公式为
Figure QLYQS_2
；其中，PV为像素位置的像素值，ISF、IIF分别为DICOM序列数据中的缩放斜率和截距。
5.根据权利要求1所述的肿瘤区域标注方法，其特征在于，将所述真实的标准摄取值对应的像素位置作为种子点，在设定阈值的范围内进行3D区域生长，得到最终的肿瘤区域，具体包括，
将所述真实的标准摄取值对应的像素位置作为种子点，以所述种子点的像素值与种子点以外像素位置的像素值之差的绝对值小于或等于设定阈值为限定条件，获取满足该限定条件的种子点以外像素位置，以该限定条件的种子点以外像素位置及种子点作为最终的肿瘤区域。
6.一种肿瘤区域标注系统，其特征在于，包括数据采集映射模块、像素位置获取模块及肿瘤区域确定模块；
所述数据采集映射模块，用于采集待检测对象的DICOM序列数据及肿瘤标签信息，将所述DICOM序列数据映射为标准摄取值图像序列；
所述像素位置获取模块，用于根据所述标准摄取值图像序列及所述标签信息，获取肿瘤区域的像素区域大小，根据所述肿瘤区域的像素区域大小在标准摄取值图像序列上搜索，得到三维像素邻域内真实的标准摄取值对应的像素位置；
所述肿瘤区域确定模块，用于将所述真实的标准摄取值对应的像素位置作为种子点，在设定阈值的范围内进行3D区域生长，得到最终的肿瘤区域；
根据所述标准摄取值图像序列及所述标签信息，获取肿瘤区域的像素区域大小，具体包括，
获取标准摄取值图像序列像素上的分辨率，根据所述标签信息得到肿瘤区域的物理尺寸，根据所述标准摄取值图像序列像素上的分辨率及肿瘤区域的物理尺寸，获取肿瘤区域的像素区域大小；
根据所述肿瘤区域的像素区域大小在标准摄取值图像序列上搜索，得到三维像素邻域内真实的标准摄取值对应的像素位置，具体包括，
在标准摄取值图像序列上，比较所述肿瘤区域的像素区域内像素值，获取灰度值的最大值，以所述灰度值的最大值作为三维像素邻域内真实的标准摄取值，根据所述三维像素邻域内真实的标准摄取值得到三维像素邻域内真实的标准摄取值对应的像素位置。
7.一种肿瘤区域标注装置，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-5任一所述的肿瘤区域标注方法。
8.一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，所述计算机程序被处理器执行时，实现如权利要求1-5任一所述的肿瘤区域标注方法。
CN202011621341.2A 2020-12-30 2020-12-30 一种肿瘤区域标注方法、系统、装置及可读存储介质 Active CN112734790B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011621341.2A CN112734790B (zh) 2020-12-30 2020-12-30 一种肿瘤区域标注方法、系统、装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011621341.2A CN112734790B (zh) 2020-12-30 2020-12-30 一种肿瘤区域标注方法、系统、装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN112734790A CN112734790A (zh) 2021-04-30
CN112734790B true CN112734790B (zh) 2023-07-11

Family

ID=75608137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011621341.2A Active CN112734790B (zh) 2020-12-30 2020-12-30 一种肿瘤区域标注方法、系统、装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN112734790B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113744849B (zh) * 2021-08-31 2024-03-19 华中科技大学 一种ct图像半自动标注方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104306011A (zh) * 2014-10-11 2015-01-28 方纬 Spect显像肿瘤摄取定量分析技术及在肿瘤评估中的用途
EP2987141A1 (en) * 2013-04-17 2016-02-24 Dixit S.r.l. Method for the automatic recognition of anatomical structures in images obtained by positron emission tomography, system and computer program for performing said method
CN105427325A (zh) * 2015-12-07 2016-03-23 苏州大学 基于随机森林和单调下降函数的肺肿瘤的自动分割方法
WO2016160538A1 (en) * 2015-03-27 2016-10-06 The Johns Hopkins University Multi-level otsu for positron emission tomography (mo-pet)
CN107403201A (zh) * 2017-08-11 2017-11-28 强深智能医疗科技（昆山）有限公司 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法
CN108596887A (zh) * 2018-04-17 2018-09-28 湖南科技大学 一种腹部ct序列图像肝脏肿瘤自动分割方法
CN110738701A (zh) * 2019-10-23 2020-01-31 左丙丽 一种肿瘤三维定位系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108815721B (zh) * 2018-05-18 2021-06-25 山东省肿瘤防治研究院（山东省肿瘤医院） 一种照射剂量确定方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2987141A1 (en) * 2013-04-17 2016-02-24 Dixit S.r.l. Method for the automatic recognition of anatomical structures in images obtained by positron emission tomography, system and computer program for performing said method
CN104306011A (zh) * 2014-10-11 2015-01-28 方纬 Spect显像肿瘤摄取定量分析技术及在肿瘤评估中的用途
WO2016160538A1 (en) * 2015-03-27 2016-10-06 The Johns Hopkins University Multi-level otsu for positron emission tomography (mo-pet)
CN105427325A (zh) * 2015-12-07 2016-03-23 苏州大学 基于随机森林和单调下降函数的肺肿瘤的自动分割方法
CN107403201A (zh) * 2017-08-11 2017-11-28 强深智能医疗科技（昆山）有限公司 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法
CN108596887A (zh) * 2018-04-17 2018-09-28 湖南科技大学 一种腹部ct序列图像肝脏肿瘤自动分割方法
CN110738701A (zh) * 2019-10-23 2020-01-31 左丙丽 一种肿瘤三维定位系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
头颈部肿瘤PET与MRI融合放疗靶区自适应区域生长勾画;刘国才;胡泽田;朱苏雨;袁媛;刘科;吴峥;赵许平;聂茂;张九堂;莫逸;;中国医学物理学杂志(第03期);全文 *

Also Published As

Publication number Publication date
CN112734790A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN101796544B (zh) 体素数据的可视化方法和系统
CN107230206B (zh) 一种基于多模态数据的超体素序列肺部图像的3d肺结节分割方法
US8787648B2 (en) CT surrogate by auto-segmentation of magnetic resonance images
JP5404277B2 (ja) 医用画像データ位置合せ装置、方法およびプログラム
CN104700438B (zh) 图像重建方法及装置
CN107111867A (zh) 多模态成像系统及方法
CN101947103B (zh) 全光学生物发光断层成像方法
CN110264559A (zh) 一种骨断层图像重建方法及系统
CN110458859A (zh) 一种基于多序列mri的多发性骨髓瘤病灶的分割系统
CN111166332B (zh) 一种基于磁共振波谱和磁共振影像的放疗靶区勾画方法
CN110993067A (zh) 医学影像标注系统
US20110081055A1 (en) Medical image analysis system using n-way belief propagation for anatomical images subject to deformation and related methods
CN112734790B (zh) 一种肿瘤区域标注方法、系统、装置及可读存储介质
US20110081061A1 (en) Medical image analysis system for anatomical images subject to deformation and related methods
CN114943714A (zh) 医学图像处理系统、装置、电子设备及存储介质
CN105678711B (zh) 一种基于图像分割的衰减校正方法
Hawkes et al. Multi-modal data fusion to combine anatomical and physiological information in the head and heart
US20110081054A1 (en) Medical image analysis system for displaying anatomical images subject to deformation and related methods
CN110858412B (zh) 基于图像配准的心脏冠脉cta模型建立方法
CN112991478A (zh) 基于深度学习的影像分析多时相异常特征区域参数的方法
CN108010093A (zh) 一种pet图像重建方法和装置
Little et al. The registration of multiple medical images acquired from a single subject: why, how, what next?
Ackerly et al. Display of positron emission tomography with Cadplan
CN115035166A (zh) 一种基于人脸特征点的ct与mri3d/3d图像配准方法
EP4330923A1 (en) Systems and methods for positron emission computed tomography image reconstruction

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