CN113658106A - 一种基于腹部增强ct的肝脏病灶自动诊断系统 - Google Patents
一种基于腹部增强ct的肝脏病灶自动诊断系统 Download PDFInfo
- Publication number
- CN113658106A CN113658106A CN202110824593.3A CN202110824593A CN113658106A CN 113658106 A CN113658106 A CN 113658106A CN 202110824593 A CN202110824593 A CN 202110824593A CN 113658106 A CN113658106 A CN 113658106A
- Authority
- CN
- China
- Prior art keywords
- focus
- phase
- lesion
- liver
- module
- 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
- 210000004185 liver Anatomy 0.000 title claims abstract description 58
- 238000003745 diagnosis Methods 0.000 title claims abstract description 53
- 210000001015 abdomen Anatomy 0.000 title claims description 3
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 230000003187 abdominal effect Effects 0.000 claims abstract description 13
- 230000003902 lesion Effects 0.000 claims description 114
- 238000000034 method Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims 1
- 238000000605 extraction Methods 0.000 description 5
- 230000001502 supplementing effect Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 208000035126 Facies Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T7/12—Edge-based segmentation
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种基于腹部增强CT的肝脏病灶自动诊断系统。所述系统包括肝脏分割和病灶检测模块、病灶匹配与补全模块和多期相病灶诊断模块。本发明通过设置病灶匹配与补全模块，能够补充病灶在缺失图像的期相上所占的三维空间，有利于获取每个期相上的病灶特征；本发明能够充分利用病灶在多个期相上的表现和征象进行病灶诊断，提高了病灶诊断的准确度；本发明通过在多期相病灶诊断模块中设置病灶信息融合网络，将各个病灶特征联系在一起，充分挖掘各个病灶之间的潜在信息，提高了病灶诊断的准确度。
Description
技术领域
本发明属于医学影像技术领域，具体涉及一种基于腹部增强CT的肝脏病灶自动诊断系统。
背景技术
目前，随着深度学习和医学影像技术的发展，将深度学习技术应用于医学图像已成为一个相对热门的研究领域。将深度学习技术和医学影像相结合构建病灶的自动化检测、分割和诊断系统，在一定程度上能够有效提升相关医生的工作效率。近年来，相关系统在脑卒中、肺结节和乳腺钼靶等部位上已经获得了广泛的应用。相对而言，基于腹部增强CT的肝脏占位性病灶自动化辅助诊断系统目前还相对罕见。
现有的肝脏诊断系统大都集中在检测、分割和诊断中的某一部分，基本没有一个端到端全自动诊断系统。由于只实现了系统的部分功能，医生在使用时还需要结合手动操作，如通过手动标注才能得到辅助诊断结果，工作效率低，在一定程度上增加了医生的工作量。
发明内容
为了解决现有技术中存在的上述问题，本发明提供一种基于腹部增强CT的肝脏病灶自动诊断系统。
为了实现上述目的，本发明采用以下技术方案。
一种基于腹部增强CT的肝脏病灶自动诊断系统，包括肝脏分割和病灶检测模块、病灶匹配与补全模块和多期相病灶诊断模块，肝脏分割和病灶检测模块用于对多期相CT进行肝脏切割和病灶检测，获得每个期相上病灶的位置和大小；病灶匹配与补全模块用于确定多个期相上属于同一病灶的图像，并确定或补充每个病灶在每个期相上所占的三维空间；多期相病灶诊断模块用于抠取病灶并针对每个期相进行病灶特征提取，基于多期相病灶特征融合输出每个病灶所属的类别。
进一步地，所述多期相CT包括平扫期相、动脉期相、静脉期相和延迟期相。
进一步地，所述病灶匹配与补全模块确定病灶所占三维空间的方法包括：
作肝脏轮廓的外接长方体；
以所述长方体的一个顶点为原点、以过所述顶点的三条棱为坐标轴建立三维直角空间坐标系；
将病灶的坐标转换为在新建坐标系中的坐标；
确定病灶在新建坐标系中三个坐标的变化范围，得到病灶的外接长方体，以所述外接长方体所占空间作为病灶所占的三维空间。
更进一步地，所述病灶匹配与补全模块判断不同期相上的两个病灶是否匹配的方法包括：
按下式计算两个病灶的交叠比：
式中，A、B分别为两个病灶的外接长方体；dice(A,B)为两个病灶的交叠比；|A|、|B|分别为A、B的体积；|A∩B|为A、B重合部分的体积；
如果所述交叠比大于设定的阈值，则两个病灶匹配。
更进一步地，所述病灶匹配与补全模块补充病灶在某一期相上所占三维空间的方法包括：
计算所述病灶在其它期相上所占三维空间在新建坐标系中的三个坐标x、y、z的最小值xmin、ymin、zmin和最大值xmax、ymax、zmax；
所述病灶在待补充期相上所占三维空间在新建坐标系中的坐标的变化范围为：[xmin,xmax]，[ymin,ymax]，[zmin,zmax]。
进一步地，所述多期相病灶诊断模块包括一个病灶信息融合网络，用于对多个病灶的特征进行融合，输出包含其它病灶信息的每个病灶的特征。
进一步地，所述系统还包括期相识别与选择模块，用于根据输入的待检测病人的ID号从PACS系统自动获取多期相CT图像。
进一步地，所述系统还包括终端显示与交互模块，用于在终端显示诊断结果，通过人机交互实现医生输入的各种操作指令。
进一步地，所述系统还包括标注模块，用于在模型训练阶段通过算法或由资深医生在获取的多期相CT上，标注出肝脏的分割边界和肝脏上各病灶的检测框。
与现有技术相比，本发明具有以下有益效果。
本发明所述系统通过设置肝脏分割和病灶检测模块、病灶匹配与补全模块和多期相病灶诊断模块，实现了肝脏病灶的多期相自动诊断。本发明通过设置病灶匹配与补全模块，能够补充病灶在缺失图像的期相上所占的三维空间，有利于获取每个期相上的病灶特征；本发明能够充分利用病灶在多个期相上的表现和征象进行病灶诊断，提高了病灶诊断的准确度；本发明通过在多期相病灶诊断模块中设置病灶信息融合网络，将各个病灶特征联系在一起，充分挖掘各个病灶之间的潜在信息，从而提高病灶诊断的精度。
附图说明
图1为本发明的实施例一种基于腹部增强CT的肝脏病灶自动诊断系统的方框图，图中：1-期相识别与选择模块，2-肝脏分割和病灶检测模块，3-病灶匹配与补全模块，4-多期相病灶诊断模块，5-终端显示与交互模块。
图2为本发明另一实施例多期相病灶诊断模块的工作流程示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明白，以下结合附图及具体实施方式对本发明作进一步说明。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做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。
图1为本发明实施例一种基于腹部增强CT的肝脏病灶自动诊断系统，包括肝脏分割和病灶检测模块2、病灶匹配与补全模块3和多期相病灶诊断模块4，肝脏分割和病灶检测模块2用于对多期相CT进行肝脏切割和病灶检测，获得每个期相上病灶的位置和大小；病灶匹配与补全模块3用于确定多个期相上属于同一病灶的图像，并确定或补充每个病灶在每个期相上所占的三维空间；多期相病灶诊断模块4用于抠取病灶并针对每个期相进行病灶特征提取，基于多期相病灶特征融合输出每个病灶所属的类别。
本实施例中，所述系统主要由肝脏分割和病灶检测模块2、病灶匹配与补全模块3和多期相病灶诊断模块4组成。下面分别介绍每个模块的技术原理。
肝脏分割和病灶检测模块2，用于对多期相CT进行肝脏切割和病灶检测，获得每个期相上病灶的位置和大小。首先是对多期相CT进行肝脏分割。肝脏分割可以采用3D U-Net或V-Net等常见的器官分割模型，为了提高肝脏分割精度，可以采用两个分割模型级联。病灶检测可以采用SSD、FasterRCNN、FCOS等常见的目标检测算法。目标检测算法的特征提取部分可以是2D、3D和伪3D的网络。得到病灶的位置后，根据前面预测的肝脏分割滤除肝脏外面的假阳病灶。最后得到每个期相上病灶的位置和大小。
病灶匹配与补全模块3，用于确定多个期相上属于同一病灶的图像，并确定或补充每个病灶在每个期相上所占的三维空间。本实施例基于多个期相的病灶图像进行诊断，而肝脏上的病灶(结节、肿块)往往多于一个，因此需要进行病灶匹配，也就是找到多个期相上属于同一病灶的图像。如果不进行病灶匹配，在后面进行特征融合时很可能将不同期相上不同病灶的特征融合在一起，从而导致诊断出错。病灶匹配一般利用图像处理通过比较不同期相上两个病灶图像的相似程度实现。确定每个病灶在每个期相上所占的三维空间，是为了便于抠取出病灶。对于图像比较清晰完整明显可见的病灶，根据其轮廓很容易确定其所占空间。但有些病灶图像在部分期相上比较清晰完整，而在另一部分期相上则可能没有出现，这就需要在这些缺失病灶图像的期相上补充或画出病灶所占空间，补充方法是根据其它期相上病灶所占的三维空间确定缺失病灶所占的三维空间，其原理是同一病灶在不同期相上所占的三维空间近似相同。这种操作一般简称为补全。
多期相病灶诊断模块4，用于抠取病灶并针对每个期相进行病灶特征提取，基于多期相病灶特征融合输出每个病灶所属的类别。根据已经确定的每个期相上每个病灶所占的三维空间，可方便地从将所述三维空间内的图像抠取下来。由于抠取下来的图像大小不等，为了便于操作，将抠取下来的图像缩放到同一目标尺寸。本实施例采取多组卷积神经网络分别对多个期相进行病灶特征提取，多组卷积神经网络的参数可以共享也可以不共享。多个期相的病灶图像经过各自的特征提取网络之后，输出维度相同的特征。特征提取完成后，对多个期相提取的病灶特征进行融合，融合方法可以是逐点相加、拼接等。融合后的特征经过一个由分类器组成的诊断网络实现对目标病灶的诊断，输出病灶属于的疾病类别。
作为一可选实施例，所述多期相CT包括平扫期相、动脉期相、静脉期相和延迟期相。
本实施例给出了CT图像的4种具体期相。4种具体期相分别为平扫期相、动脉期相、静脉期相和延迟期相。现有技术一般只采用平扫期相进行病灶特征提取和检测，不能充分利用其它期相的病灶信息。本实施例同时对4种期相的CT图像进行处理，可有效提高病灶检测精度。
作为一可选实施例，所述病灶匹配与补全模块3确定病灶所占三维空间的方法包括：
作肝脏轮廓的外接长方体；
以所述长方体的一个顶点为原点、以过所述顶点的三条棱为坐标轴建立三维直角空间坐标系；
将病灶的坐标转换为在新建坐标系中的坐标；
确定病灶在新建坐标系中三个坐标的变化范围，得到病灶的外接长方体，以所述外接长方体所占空间作为病灶所占的三维空间。
本实施例给出了确定病灶所占三维空间的一种技术方案。由于本实施例的诊断对象是肝脏病灶，而且肝脏在每个期相上的位置、大小及形状几乎完全相同，因此以病灶在肝脏上的相对位置作为病灶的坐标进行图像数据处理比较方便。所以本实施例需要重建三维空间直角坐标系：先作出肝脏轮廓的外接长方体(刚好包围肝脏体的三维空间)，然后以长方体的一个顶点为原点、以过该顶点的三个棱为坐标轴建立三维空间直角坐标系。为了简化计算，三个坐标轴的方向一般与原坐标系的三个坐标轴的方向一致，且使肝脏上所有像素点的所有坐标都为正，也就是使肝脏位于第一象限。新坐标系建好后，将病灶的坐标转换为在新建坐标系中的坐标，在新建坐标系中确定病灶在新建坐标系中三个坐标的变化范围即最小值、最大值，也就是作出病灶的外接长方体，以所述外接长方体所占空间作为病灶所占的三维空间。
作为一可选实施例，所述病灶匹配与补全模块3判断不同期相上的两个病灶是否匹配的方法包括：
按下式计算两个病灶的交叠比：
式中，A、B分别为两个病灶的外接长方体；dice(A,B)为两个病灶的交叠比；|A|、|B|分别为A、B的体积；|A∩B|为A、B重合部分的体积；
如果所述交叠比大于设定的阈值，则两个病灶匹配。
本实施例给出了病灶匹配的一种技术方案。本实施例基于两个病灶的交叠比进行病灶匹配。为了简化两个病灶交叠比的计算方法，本实施例用两个病灶的外接长方体代替两个病灶的图像计算交叠比，如上式，分子是两个病灶外接长方体重合部分的体积的2倍，分母是两个病灶外接长方体的体积的和。
作为一可选实施例，所述病灶匹配与补全模块3补充病灶在某一期相上所占三维空间的方法包括：
计算所述病灶在其它期相上所占三维空间在新建坐标系中的三个坐标x、y、z的最小值xmin、ymin、zmin和最大值xmax、ymax、zmax；
所述病灶在待补充期相上所占三维空间在新建坐标系中的坐标的变化范围为：[xmin,xmax]，[ymin,ymax]，[zmin,zmax]。
本实施例给出了补充病灶在某一期相上所占三维空间的一种技术方案。如果某一病灶只有一个期相能够直接确定其所占的三维空间，则以所述病灶在该期相上确定的三维空间作为所述病灶在其它期相上所占的三维空间。如果某一病灶在两个以上的期相上能够直接确定其所占的三维空间，计算它们所占三维空间在新建坐标系中的三个坐标x、y、z的最小值和最大值，由x、y、z的最小值和最大值确定的三维空间就是所述病灶在缺失病灶的期相上所占的三维空间。
作为一可选实施例，所述多期相病灶诊断模块4包括一个病灶信息融合网络，用于对多个病灶的特征进行融合，输出包含其它病灶信息的每个病灶的特征。
本实施例给出了进一步提高病灶诊断精度的一种技术方案。本实施例通过在多期相病灶诊断模块4中增加一个病灶信息融合网络(可以由transformer、RNN或LSTM实现)，使提取的各个病灶的特征进行充分融合，使每一个病灶都能获取到其它病灶的信息，从而提高病灶的诊断精度。尤其是对于一些影像征象不明显的病灶，通过获取其它病灶的特征，可以有效地弥补自身缺陷从而提升该病灶的诊断精度。包含病灶信息融合网络的多期相病灶诊断模块4的工作流程示意图如图2所示，其工作流程如下：先将各期相的病灶图像抠取下来，并进行各期相病灶特征提取；然后针对每一病灶进行多期相特征融合，得到融合了多期相特征的每个病灶的特征；再将所有病灶的特征输入到病灶信息融合网络进行多病灶特征融合，得到融合了其它病灶特征的每个病灶的特征；最后将每个病灶的特征输入一个分类器得到每个病灶所属的病灶类别。
作为一可选实施例，所述系统还包括期相识别与选择模块1，用于根据输入的待检测病人的ID号从PACS(Picture Archiving and Communication Systems，影像归档和通信系统)系统自动获取多期相CT图像。
现有技术一般都是由人工获取待检测病人的多期相CT，非常不方便。本实施例通过设置期相识别与选择模块1，可以实现多期相CT的自动获取。从PACS获取到DICOM数据之后，首先是按照DICOM上的序列号进行分类。然后对每个序列中的DICOM按照层号数进行排序，检查一个序列中层号数和物理位置是否相关，如果出现位置跳变，则从跳变处将该序列拆分成两个序列，并继续检查没有检查的数据。完成序列规整之后，将DICOM张数少于设定值的序列删除。此后，根据序列的拍摄时间、序列描述字段，按照一定规则进行期相判断，将所有序列按照平扫期相、动脉期相、静脉期相和延迟期相进行分类。
作为一可选实施例，所述系统还包括终端显示与交互模块5，用于在终端显示诊断结果，通过人机交互实现医生输入的各种操作指令。
本实施例通过设置终端显示与交互模块5，实现肝脏病灶诊断结果的可视化显示及人机交互，医生可以通过键盘或鼠标输入各种操作指令，如病灶检测、结果查询等。
作为一可选实施例，所述系统还包括标注模块，用于在模型训练阶段通过算法或由资深医生在获取的多期相CT上，标注出肝脏的分割边界和肝脏上各病灶的检测框。
标注模块主要用来标注训练模型所需要的训练数据。得到多期相CT数据之后，首先将各个期相的肝脏分割标注出来。然后利用检测框标注出肝脏内的病灶，一般在各个期相内只标记出明显可见的病灶。最后一般还要根据病理结果将各个病灶的诊断结果标记出来。可以采用算法进行自动标注，也可以由20年以上的肝脏疾病资深医生手工标注。
以上所述，仅为本发明的具体实施方式，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。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种基于腹部增强CT的肝脏病灶自动诊断系统，其特征在于，包括肝脏分割和病灶检测模块、病灶匹配与补全模块和多期相病灶诊断模块，肝脏分割和病灶检测模块用于对多期相CT进行肝脏切割和病灶检测，获得每个期相上病灶的位置和大小；病灶匹配与补全模块用于确定多个期相上属于同一病灶的图像，并确定或补充每个病灶在每个期相上所占的三维空间；多期相病灶诊断模块用于抠取病灶并针对每个期相进行病灶特征提取，基于多期相病灶特征融合输出每个病灶所属的类别。
2.根据权利要求1所述的基于腹部增强CT的肝脏病灶自动诊断系统，其特征在于，所述多期相CT包括平扫期相、动脉期相、静脉期相和延迟期相。
3.根据权利要求1所述的基于腹部增强CT的肝脏病灶自动诊断系统，其特征在于，所述病灶匹配与补全模块确定病灶所占三维空间的方法包括：
作肝脏轮廓的外接长方体；
以所述长方体的一个顶点为原点、以过所述顶点的三条棱为坐标轴建立三维直角空间坐标系；
将病灶的坐标转换为在新建坐标系中的坐标；
确定病灶在新建坐标系中三个坐标的变化范围，得到病灶的外接长方体，以所述外接长方体所占空间作为病灶所占的三维空间。
4.根据权利要求3所述的基于腹部增强CT的肝脏病灶自动诊断系统，其特征在于，所述病灶匹配与补全模块判断不同期相上的两个病灶是否匹配的方法包括：
按下式计算两个病灶的交叠比：
式中，A、B分别为两个病灶的外接长方体；dice(A,B)为两个病灶的交叠比；|A|、|B|分别为A、B的体积；|A∩B|为A、B重合部分的体积；
如果所述交叠比大于设定的阈值，则两个病灶匹配。
5.根据权利要求4所述的基于腹部增强CT的肝脏病灶自动诊断系统，其特征在于，所述病灶匹配与补全模块补充病灶在某一期相上所占三维空间的方法包括：
计算所述病灶在其它期相上所占三维空间在新建坐标系中的三个坐标x、y、z的最小值xmin、ymin、zmin和最大值xmax、ymax、zmax；
所述病灶在待补充期相上所占三维空间在新建坐标系中的坐标的变化范围为：[xmin,xmax]，[ymin,ymax]，[zmin,zmax]。
6.根据权利要求1所述的基于腹部增强CT的肝脏病灶自动诊断系统，其特征在于，所述多期相病灶诊断模块包括一个病灶信息融合网络，用于对多个病灶的特征进行融合，输出包含其它病灶信息的每个病灶的特征。
7.根据权利要求1所述的基于腹部增强CT的肝脏病灶自动诊断系统，其特征在于，所述系统还包括期相识别与选择模块，用于根据输入的待检测病人的ID号从PACS系统自动获取多期相CT图像。
8.根据权利要求1所述的基于腹部增强CT的肝脏病灶自动诊断系统，其特征在于，所述系统还包括终端显示与交互模块，用于在终端显示诊断结果，通过人机交互实现医生输入的各种操作指令。
9.根据权利要求1所述的基于腹部增强CT的肝脏病灶自动诊断系统，其特征在于，所述系统还包括标注模块，用于在模型训练阶段通过算法或由资深医生在获取的多期相CT上，标注出肝脏的分割边界和肝脏上各病灶的检测框。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110824593.3A CN113658106A (zh) | 2021-07-21 | 2021-07-21 | 一种基于腹部增强ct的肝脏病灶自动诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110824593.3A CN113658106A (zh) | 2021-07-21 | 2021-07-21 | 一种基于腹部增强ct的肝脏病灶自动诊断系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113658106A true CN113658106A (zh) | 2021-11-16 |
Family
ID=78477637
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110824593.3A Pending CN113658106A (zh) | 2021-07-21 | 2021-07-21 | 一种基于腹部增强ct的肝脏病灶自动诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113658106A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114119578A (zh) * | 2021-12-01 | 2022-03-01 | 数坤(北京)网络科技股份有限公司 | 一种图像处理方法、装置、计算机设备及存储介质 |
| CN114841914A (zh) * | 2022-03-03 | 2022-08-02 | 北京深睿博联科技有限责任公司 | 一种胰腺囊性病变的检测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447969A (zh) * | 2018-10-29 | 2019-03-08 | 北京青燕祥云科技有限公司 | 肝占位性病变识别方法、装置和实现装置 |
| CN110599447A (zh) * | 2019-07-29 | 2019-12-20 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 一种肝癌病灶数据的处理方法、系统和存储介质 |
| US20200074634A1 (en) * | 2017-04-11 | 2020-03-05 | Kheiron Medical Technologies Ltd | Recist assessment of tumour progression |
| CN112396603A (zh) * | 2020-12-23 | 2021-02-23 | 延安大学 | 一种多柱神经网络医学影像分析方法及装置 |
| US20210133976A1 (en) * | 2019-11-04 | 2021-05-06 | GE Precision Healthcare LLC | Systems and methods for functional imaging follow-up evaluation using deep neural network |
-
2021
- 2021-07-21 CN CN202110824593.3A patent/CN113658106A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200074634A1 (en) * | 2017-04-11 | 2020-03-05 | Kheiron Medical Technologies Ltd | Recist assessment of tumour progression |
| CN109447969A (zh) * | 2018-10-29 | 2019-03-08 | 北京青燕祥云科技有限公司 | 肝占位性病变识别方法、装置和实现装置 |
| CN110599447A (zh) * | 2019-07-29 | 2019-12-20 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 一种肝癌病灶数据的处理方法、系统和存储介质 |
| US20210133976A1 (en) * | 2019-11-04 | 2021-05-06 | GE Precision Healthcare LLC | Systems and methods for functional imaging follow-up evaluation using deep neural network |
| CN112396603A (zh) * | 2020-12-23 | 2021-02-23 | 延安大学 | 一种多柱神经网络医学影像分析方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| RENAUD MORIN等: "3D ULTRASOUND SIMULATION BASED ON A BIOMECHANICAL MODEL OF PRONE MRI IN BREAST CANCER IMAGING", IEEE, 31 December 2015 (2015-12-31) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114119578A (zh) * | 2021-12-01 | 2022-03-01 | 数坤(北京)网络科技股份有限公司 | 一种图像处理方法、装置、计算机设备及存储介质 |
| CN114841914A (zh) * | 2022-03-03 | 2022-08-02 | 北京深睿博联科技有限责任公司 | 一种胰腺囊性病变的检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11101033B2 (en) | Medical image aided diagnosis method and system combining image recognition and report editing | |
| CN111127466B (zh) | 医学图像检测方法、装置、设备及存储介质 | |
| US7907768B2 (en) | Method and apparatus for probabilistic atlas based on shape modeling technique | |
| EP2916738B1 (en) | Lung, lobe, and fissure imaging systems and methods | |
| CN112967236B (zh) | 图像的配准方法、装置、计算机设备和存储介质 | |
| US11954860B2 (en) | Image matching method and device, and storage medium | |
| JP4640845B2 (ja) | 画像処理装置およびそのプログラム | |
| CN112529834A (zh) | 病理图像模式在3d图像数据中的空间分布 | |
| WO2011093921A1 (en) | Automated vascular region separation in medical imaging | |
| CN103942772A (zh) | 一种多模态多维度的血管融合方法及系统 | |
| CN113658106A (zh) | 一种基于腹部增强ct的肝脏病灶自动诊断系统 | |
| US11200443B2 (en) | Image processing apparatus, image processing method, and image processing system | |
| US20210271914A1 (en) | Image processing apparatus, image processing method, and program | |
| CN111340937A (zh) | 一种脑肿瘤医学影像三维重建显示交互方法及系统 | |
| EP4118617A1 (en) | Automated detection of tumors based on image processing | |
| WO2022086910A1 (en) | Anatomically-informed deep learning on contrast-enhanced cardiac mri | |
| CN116091490A (zh) | 一种基于YOLOv4-CA-CBAM-K-means++-SIOU的肺结节检测方法 | |
| CN111563876A (zh) | 一种医学影像的获取方法、显示方法 | |
| CN110992310A (zh) | 一种确定纵隔淋巴结所在分区的方法及装置 | |
| CN112102327A (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
| CN113658107A (zh) | 一种基于ct图像的肝脏病灶诊断方法及装置 | |
| Al et al. | Reinforcement learning-based automatic diagnosis of acute appendicitis in abdominal ct | |
| Chen et al. | Pulmonary nodule segmentation in computed tomography with an encoder-decoder architecture | |
| CN114271763A (zh) | 一种基于Mask RCNN的胃癌早期识别方法、系统、装置 | |
| CN110363738B (zh) | 一种具有仿射不变性的视网膜图像配准方法及其装置 |
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 |