CN113658107A - 一种基于ct图像的肝脏病灶诊断方法及装置 - Google Patents
一种基于ct图像的肝脏病灶诊断方法及装置 Download PDFInfo
- Publication number
- CN113658107A CN113658107A CN202110824596.7A CN202110824596A CN113658107A CN 113658107 A CN113658107 A CN 113658107A CN 202110824596 A CN202110824596 A CN 202110824596A CN 113658107 A CN113658107 A CN 113658107A
- Authority
- CN
- China
- Prior art keywords
- focus
- phase
- liver
- space occupied
- lesions
- 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 62
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003745 diagnosis Methods 0.000 title claims abstract description 22
- 210000001367 artery Anatomy 0.000 claims abstract description 7
- 210000003462 vein Anatomy 0.000 claims abstract description 7
- 230000003902 lesion Effects 0.000 claims description 136
- 238000002372 labelling Methods 0.000 claims description 11
- 208000035126 Facies Diseases 0.000 claims description 9
- 238000000605 extraction Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 208000024891 symptom Diseases 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
- G06T7/60—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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于CT图像的肝脏病灶诊断方法及装置。所述方法包括:在同一病例CT图像的平扫、动脉和静脉三个期相上,通过肝脏病灶匹配在三个期相上找到属于同一病灶的图像;在三个期相上分别确定每个病灶所占的三维空间,如果一个期相上缺少某一病灶的图像,基于其它期相上所述病灶所占的三维空间确定所述病灶在所述期相上所占的三维空间;将病灶从每个期相上抠取下来,并缩放到同一目标尺寸;针对每个期相分别进行病灶特征提取,对三个期相提取的病灶特征进行融合,将融合后的特征输入到分类器,得到每个病灶所属的类别。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。
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CT图像的肝脏病灶诊断方法及装置。
背景技术
近年来,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。目前,深度学习技术已经在肺、乳腺和脑等部位的相关图像处理上取得了较好的成绩。
一个完整的CT图像至少包含平扫、动脉和静脉3个期相的数据。目前,利用CT图像进行肝脏病灶的诊断技术主要根据平扫CT来做病灶的一个性质诊断。一般是首先利用肝脏分割模型得到肝脏的分割区域,然后再将平扫上的肝脏区域抠下来作为分类模型的输入,并对整个肝脏进行诊断。基于单个期相(如平扫)做诊断,不能充分利用其它期相的病灶信息,因此很难准确诊断病灶类型,尤其是同影不同病的情况。
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CT图像的肝脏病灶诊断方法及装置。
为了实现上述目的,本发明采用以下技术方案。
第一方面,本发明提供一种基于CT图像的肝脏病灶诊断方法,包括以下步骤:
在同一病例CT图像的平扫、动脉和静脉三个期相上,通过肝脏病灶匹配在三个期相上找到属于同一病灶的图像;
在三个期相上分别确定每个病灶所占的三维空间,如果一个期相上缺少某一病灶的图像,基于其它期相上所述病灶所占的三维空间确定所述病灶在所述期相上所占的三维空间;
根据每个病灶所占的三维空间将病灶从每个期相上抠取下来,并缩放到同一目标尺寸;
针对每个期相分别进行病灶特征提取,对三个期相提取的病灶特征进行融合,将融合后的特征输入到分类器,得到每个病灶所属的类别。
进一步地,所述方法在肝脏病灶匹配之前还包括在每个期相上标注肝脏的轮廓和明显可见的肝脏病灶的位置。
进一步地,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,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分别为两个病灶像素点的集合;dice(A,B)为两个病灶的交叠比;|A|、|B|分别为集合A、B的元素个数,即两个病灶中像素点的数量;|A∩B|为集合A、B交集的元素个数,即两个病灶中坐标相同的像素点的数量;
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,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,C、D分别为两个病灶的外接长方体;dice(C,D)为两个病灶的交叠比;|C|、|D|分别为C、D的体积;|C∩D|为C、D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,基于同一病灶在第一期相和第二期相上所占的三维空间确定所述病灶在第三个期相上所占三维空间的方法包括:
计算病灶在第一期相和第二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;
所述病灶在第三个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]。
第二方面,本发明提供一种基于CT图像的肝脏病灶诊断装置,包括:
病灶匹配模块,用于在同一病例CT图像的平扫、动脉和静脉三个期相上,通过肝脏病灶匹配在三个期相上找到属于同一病灶的图像;
位置补全模块,用于在三个期相上分别确定每个病灶所占的三维空间,如果一个期相上缺少某一病灶的图像,基于其它期相上所述病灶所占的三维空间确定所述病灶在所述期相上所占的三维空间;
病灶抠取模块,用于根据每个病灶所占的三维空间将病灶从每个期相上抠取下来,并缩放到同一目标尺寸;
病灶诊断模块,用于针对每个期相分别进行病灶特征提取,对三个期相提取的病灶特征进行融合,将融合后的特征输入到分类器,得到每个病灶所属的类别。
进一步地,所述装置还包括标注模块,用于在肝脏病灶匹配之前在每个期相上标注肝脏的轮廓和明显可见的肝脏病灶的位置。
进一步地,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,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分别为两个病灶像素点的集合;dice(A,B)为两个病灶的交叠比;|A|、|B|分别为集合A、B的元素个数,即两个病灶中像素点的数量;|A∩B|为集合A、B交集的元素个数,即两个病灶中坐标相同的像素点的数量;
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,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,C、D分别为两个病灶的外接长方体;dice(C,D)为两个病灶的交叠比;|C|、|D|分别为C、D的体积;|C∩D|为C、D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。
与现有技术相比,本发明具有以下有益效果。
本发明通过获取CT图像的三个不同期相,在三个不同期相上进行肝脏病灶匹配,利用同一病灶在其它期相上所占的三维空间确定其在缺失该病灶的期相上所占的三维空间,根据病灶所占的三维空间从每个期相上抠取出病灶区域,针对每个期相分别进行病灶特征提取,对三个期相提取的病灶特征进行融合,将融合后的特征输入到分类器,得到每个病灶所属的类别,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。
附图说明
图1为本发明的实施例一种基于CT图像的肝脏病灶诊断方法的流程图。
图2为本发明的实施例一种基于CT图像的肝脏病灶诊断装置的方框图。
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CT图像的肝脏病灶诊断方法的流程图,包括以下步骤:
步骤101,在同一病例CT图像的平扫、动脉和静脉三个期相上,通过肝脏病灶匹配在三个期相上找到属于同一病灶的图像;
步骤102,在三个期相上分别确定每个病灶所占的三维空间,如果一个期相上缺少某一病灶的图像,基于其它期相上所述病灶所占的三维空间确定所述病灶在所述期相上所占的三维空间;
步骤103,根据每个病灶所占的三维空间将病灶从每个期相上抠取下来,并缩放到同一目标尺寸;
步骤104,针对每个期相分别进行病灶特征提取,对三个期相提取的病灶特征进行融合,将融合后的特征输入到分类器,得到每个病灶所属的类别。
本实施例中,步骤101主要用于进行肝脏病灶匹配。由于本实施例基于三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,也就是分别找到三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。
本实施例中,步骤102主要用于确定每个病灶在三个期相上所占的三维空间,以便后面抠取出病灶。对于图像比较清晰完整明显可见的病灶,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是残缺不全的,甚至完全没有出现,对于这样的病灶图像很难准确确定其所占的三维空间,这就需要根据清晰完整的病灶在其期相上所占的三维空间确定所述病灶在其它期相上所占的三维空间,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。
本实施例中,步骤103主要用于将病灶从每个期相上抠取下来。步骤102已经确定了每个期相上每个病灶所占的三维空间,只需将所述三维空间内的图像抠取下来即可。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。
本实施例中,步骤104主要用于通过特征提取和特征融合诊断病灶所属的类别。本实施例采取三组卷积神经网络分别对三个期相进行病灶特征提取,三组卷积神经网络的参数可以共享也可以不共享。三个期相的病灶图像经过各自的特征提取网络之后,输出的特征维度相同。特征提取完成后,对三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。所述诊断网络一般主要由多个全联接网络和卷积网络组成。
作为一可选实施例,所述方法在病灶匹配之前还包括在每个期相上标注肝脏的轮廓和明显可见的肝脏病灶的位置。
本实施例用于病灶匹配之前,实现肝脏轮廓的标注和病灶位置的标注。病灶位置由病灶检测算法自动标记或者由医生手工标记。病灶位置的标注一般只针对清晰完整、明显可见的病灶进行,如前述,这样处理便于准确地进行病灶匹配和确定病灶所占空间。而对于图像残缺或完全缺失的病灶,在确定其所占空间时,利用其它期相上同一病灶所占的空间补全。
作为一可选实施例,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,而且肝脏在三个期相上的位置、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,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分别为两个病灶像素点的集合;dice(A,B)为两个病灶的交叠比;|A|、|B|分别为集合A、B的元素个数,即两个病灶中像素点的数量;|A∩B|为集合A、B交集的元素个数,即两个病灶中坐标相同的像素点的数量;
如果所述交叠比大于设定的阈值,则所述两个病灶匹配。
本实施例给出了病灶匹配的一种技术方案。判断两个病灶是否匹配,也就是判断不同期相上的两个病灶是否属于同一病灶。本实施例基于两个病灶的交叠比进行判断,如果所述交叠比大于设定的阈值,则认为两个病灶匹配。交叠比的计算公式如上式,分子是两个病灶像素点集合的交集的元素个数的2倍,所述元素个数就是将两个病灶放在同一平面时重合的像素点的数量,或者两个病灶在各自期相新建坐标下坐标相同的像素点的数量。分母是两个病灶像素点集合的元素个数的和,即两个病灶像素点数量的和。
作为一可选实施例,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,C、D分别为两个病灶的外接长方体;dice(C,D)为两个病灶的交叠比;|C|、|D|分别为C、D的体积;|C∩D|为C、D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另一种技术方案。本实施例同样基于两个病灶的交叠比进行病灶匹配,与上一实施例不同的是计算交叠比的方法不同。本实施例是一种简化的近似计算方法,具体地说就是,以两个病灶的外接长方体C、D替换上一实施例的像素点集合A、B,以体积替换像素点数量,比如分子是两个外接长方体C、D重合部分的体积的2倍。
作为一可选实施例,基于同一病灶在第一期相和第二期相上所占的三维空间确定所述病灶在第三个期相上所占三维空间的方法包括:
计算病灶在第一期相和第二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;
所述病灶在第三个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]。
本实施例给出了补全的一种技术方案。所谓补全是指当本期相上缺少病灶图像或病灶图像不完整时,利用其它期相上同一病灶所占的三维空间确定其在本期相上所占的三维空间。如果病灶只有一个期相上的图像完整可见,则以该期相上确定的病灶所占的三维空间补全其它两个期相。本实施例是有两个期相上的图像完整可见的情况,补全方法是将病灶在这两个期相上的外接长方体投影到第三个期相上,得到完全或部分重叠的两个外接长方体,针对这两个外接长方体作一个大的外接长方体,这个大的外接长方体就是需要补全的三维空间。具体求解方法是如上。
图2为本发明实施例一种基于CT图像的肝脏病灶诊断装置的组成示意图,所述装置包括:
病灶匹配模块11,用于在同一病例CT图像的平扫、动脉和静脉三个期相上,通过肝脏病灶匹配在三个期相上找到属于同一病灶的图像;
位置补全模块12,用于在三个期相上分别确定每个病灶所占的三维空间,如果一个期相上缺少某一病灶的图像,基于其它期相上所述病灶所占的三维空间确定所述病灶在所述期相上所占的三维空间;
病灶抠取模块13,用于根据每个病灶所占的三维空间将病灶从每个期相上抠取下来,并缩放到同一目标尺寸;
病灶诊断模块14,用于针对每个期相分别进行病灶特征提取,对三个期相提取的病灶特征进行融合,将融合后的特征输入到分类器,得到每个病灶所属的类别。
本实施例的装置,可以用于执行图1所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。后面的实施例也是如此,均不再展开说明。
作为一可选实施例,所述装置还包括标注模块,用于在肝脏病灶匹配之前在每个期相上标注肝脏的轮廓和明显可见的肝脏病灶的位置。
作为一可选实施例,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。
作为一可选实施例,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分别为两个病灶像素点的集合;dice(A,B)为两个病灶的交叠比;|A|、|B|分别为集合A、B的元素个数,即两个病灶中像素点的数量;|A∩B|为集合A、B交集的元素个数,即两个病灶中坐标相同的像素点的数量;
如果所述交叠比大于设定的阈值,则两个病灶匹配。
作为一可选实施例,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,C、D分别为两个病灶的外接长方体;dice(C,D)为两个病灶的交叠比;|C|、|D|分别为C、D的体积;|C∩D|为C、D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。
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 (10)
1.一种基于CT图像的肝脏病灶诊断方法,其特征在于,包括以下步骤:
在同一病例CT图像的平扫、动脉和静脉三个期相上,通过肝脏病灶匹配在三个期相上找到属于同一病灶的图像;
在三个期相上分别确定每个病灶所占的三维空间,如果一个期相上缺少某一病灶的图像,基于其它期相上所述病灶所占的三维空间确定所述病灶在所述期相上所占的三维空间;
根据每个病灶所占的三维空间将病灶从每个期相上抠取下来,并缩放到同一目标尺寸;
针对每个期相分别进行病灶特征提取,对三个期相提取的病灶特征进行融合,将融合后的特征输入到分类器,得到每个病灶所属的类别。
2.根据权利要求1所述的基于CT图像的肝脏病灶诊断方法,其特征在于,所述方法在肝脏病灶匹配之前还包括在每个期相上标注肝脏的轮廓和明显可见的肝脏病灶的位置。
3.根据权利要求1所述的基于CT图像的肝脏病灶诊断方法,其特征在于,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。
6.根据权利要求3所述的基于CT图像的肝脏病灶诊断方法,其特征在于,基于同一病灶在第一期相和第二期相上所占的三维空间确定所述病灶在第三个期相上所占三维空间的方法包括:
计算病灶在第一期相和第二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;
所述病灶在第三个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]。
7.一种基于CT图像的肝脏病灶诊断装置,其特征在于,包括:
病灶匹配模块,用于在同一病例CT图像的平扫、动脉和静脉三个期相上,通过肝脏病灶匹配在三个期相上找到属于同一病灶的图像;
位置补全模块,用于在三个期相上分别确定每个病灶所占的三维空间,如果一个期相上缺少某一病灶的图像,基于其它期相上所述病灶所占的三维空间确定所述病灶在所述期相上所占的三维空间;
病灶抠取模块,用于根据每个病灶所占的三维空间将病灶从每个期相上抠取下来,并缩放到同一目标尺寸;
病灶诊断模块,用于针对每个期相分别进行病灶特征提取,对三个期相提取的病灶特征进行融合,将融合后的特征输入到分类器,得到每个病灶所属的类别。
8.根据权利要求7所述的基于CT图像的肝脏病灶诊断装置,其特征在于,所述装置还包括标注模块,用于在肝脏病灶匹配之前在每个期相上标注肝脏的轮廓和明显可见的肝脏病灶的位置。
9.根据权利要求7所述的基于CT图像的肝脏病灶诊断装置,其特征在于,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110824596.7A CN113658107A (zh) | 2021-07-21 | 2021-07-21 | 一种基于ct图像的肝脏病灶诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110824596.7A CN113658107A (zh) | 2021-07-21 | 2021-07-21 | 一种基于ct图像的肝脏病灶诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113658107A true CN113658107A (zh) | 2021-11-16 |
Family
ID=78478078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110824596.7A Pending CN113658107A (zh) | 2021-07-21 | 2021-07-21 | 一种基于ct图像的肝脏病灶诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658107A (zh) |
Cited By (1)
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011119960A1 (en) * | 2010-03-25 | 2011-09-29 | Beth Israel Deaconess Medical Center | System and method for frameless stereotactic radiosurgery of arteriovenous malformations |
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 |
CN109583440A (zh) * | 2017-09-28 | 2019-04-05 | 北京西格码列顿信息技术有限公司 | 结合影像识别与报告编辑的医学影像辅助诊断方法及系统 |
CN111402221A (zh) * | 2020-03-11 | 2020-07-10 | 联想(北京)有限公司 | 一种图像处理方法、装置及电子设备 |
CN112150524A (zh) * | 2020-09-29 | 2020-12-29 | 武汉大学 | 一种基于深度学习的二维和三维医学图像配准方法和系统 |
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 |
-
2021
- 2021-07-21 CN CN202110824596.7A patent/CN113658107A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011119960A1 (en) * | 2010-03-25 | 2011-09-29 | Beth Israel Deaconess Medical Center | System and method for frameless stereotactic radiosurgery of arteriovenous malformations |
CN109583440A (zh) * | 2017-09-28 | 2019-04-05 | 北京西格码列顿信息技术有限公司 | 结合影像识别与报告编辑的医学影像辅助诊断方法及系统 |
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 |
CN111402221A (zh) * | 2020-03-11 | 2020-07-10 | 联想(北京)有限公司 | 一种图像处理方法、装置及电子设备 |
CN112150524A (zh) * | 2020-09-29 | 2020-12-29 | 武汉大学 | 一种基于深度学习的二维和三维医学图像配准方法和系统 |
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 |
---|
梁栋: "基于多期相CT影像的肝脏病灶检测和分类算法研究", 硕士论文, 31 August 2020 (2020-08-31) * |
Cited By (1)
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110675487B (zh) | 基于多角度二维人脸的三维人脸建模、识别方法及装置 | |
Xu et al. | Multi-task joint learning model for segmenting and classifying tongue images using a deep neural network | |
CN108765363B (zh) | 一种基于人工智能的冠脉cta自动后处理系统 | |
CN112967236B (zh) | 图像的配准方法、装置、计算机设备和存储介质 | |
US8194936B2 (en) | Optimal registration of multiple deformed images using a physical model of the imaging distortion | |
Wannous et al. | Enhanced assessment of the wound-healing process by accurate multiview tissue classification | |
Motta et al. | Vessel optimal transport for automated alignment of retinal fundus images | |
CN110136153B (zh) | 一种图像处理方法、设备及存储介质 | |
JP2018522622A (ja) | 内視鏡および腹腔鏡のナビゲーションのためにシーン解析とモデル融合とを同時に行う方法およびシステム | |
Ali et al. | Skin lesion segmentation and classification for ISIC 2018 by combining deep CNN and handcrafted features | |
CN113989293A (zh) | 图像分割方法及相关模型的训练方法和装置、设备 | |
CN111401157A (zh) | 一种基于三维特征的人脸识别方法和系统 | |
CN107993277B (zh) | 基于先验知识的损伤部位人造骨骼修补模型重建方法 | |
US10832420B2 (en) | Dynamic local registration system and method | |
CN116258813A (zh) | 三维血管模型的构建方法、装置、设备及存储介质 | |
CN115222878A (zh) | 一种应用于肺支气管镜手术机器人的场景重建方法 | |
CN113658106A (zh) | 一种基于腹部增强ct的肝脏病灶自动诊断系统 | |
CN113658107A (zh) | 一种基于ct图像的肝脏病灶诊断方法及装置 | |
Lin et al. | A comprehensive review of image line segment detection and description: Taxonomies, comparisons, and challenges | |
CN117745850A (zh) | 地图矢量化生成方法、装置和服务器 | |
Kanawong et al. | An automatic tongue detection and segmentation framework for computer–aided tongue image analysis | |
US20230110263A1 (en) | Computer-implemented systems and methods for analyzing examination quality for an endoscopic procedure | |
CN113012030A (zh) | 图像拼接方法、装置及设备 | |
CN116228709A (zh) | 一种胰腺实性占位病灶的交互式超声内镜图像识别方法 | |
Aonty et al. | Multi-Person Pose Estimation Using Group-Based Convolutional Neural Network Model |
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 |