CN113724177A - 肺结节信息融合方法、装置、设备及其存储介质 - Google Patents
肺结节信息融合方法、装置、设备及其存储介质 Download PDFInfo
- Publication number
- CN113724177A CN113724177A CN202111043271.1A CN202111043271A CN113724177A CN 113724177 A CN113724177 A CN 113724177A CN 202111043271 A CN202111043271 A CN 202111043271A CN 113724177 A CN113724177 A CN 113724177A
- Authority
- CN
- China
- Prior art keywords
- lung nodule
- image
- lung
- nodule
- global image
- 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.)
- Granted
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 30
- 230000002685 pulmonary effect Effects 0.000 title claims description 14
- 206010056342 Pulmonary mass Diseases 0.000 claims abstract description 273
- 230000004927 fusion Effects 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 25
- 210000004072 lung Anatomy 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 20
- 238000010586 diagram Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 206010004280 Benign lung neoplasm Diseases 0.000 description 2
- 208000002927 Hamartoma Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 208000017772 hamartoma of lung Diseases 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (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 Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种肺结节信息融合方法、装置、设备及其存储介质,其中,该方法包括获取第一全局图像,第一全局图像为通过CT设备扫描患者的肺部后形成的三维容积图像;对第一全局图像中肺结节所在区域进行小FOV、薄层和小间隔重建,形成肺结节高清图像,以获取肺结节更多的图像细节和诊断信息,增加诊断的准确性;将肺结节高清图像融合至第一全局图像中的肺结节位置,以形成第二全局图像,图像融合后肺结节的诊断准确性和空间定位的准确性均明显增加。根据本发明实施例提供的肺结节信息融合方法、装置、设备及其存储介质,可以解决图像空间分辨率和空间定位的问题,既可以大幅增加肺结节的诊断信息,又可以准确定位。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种肺结节信息融合方法、装置、设备及其存储介质。
背景技术
肺结节为直径的局灶性、类圆形、边界清楚的肺内密度增高影,可单发或多发。孤立性肺结节通常无临床症状,绝大多数由胸部CT检查发现。
胸部CT扫描后重建的薄层(层厚≤1mm)图像可以发现直径大于5mm甚至是3mm的肺结节,通过三维立体显示的肺部全局图像,可以精准确定肺结节位置。然而,全局图像受到容积效应和周围间隙效应的影响,对于直径较小的肺结节往往显示不清晰,可观察到的诊断信息量较少,肺结节的定性诊断较为困难。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的目的在于提出一种肺结节信息融合方法、装置、设备及其存储介质。
为实现上述目的,第一方面,根据本发明实施例的肺结节信息融合方法,包括:
获取第一全局图像,所述第一全局图像为通过CT设备扫描患者的肺部后形成的三维容积图像;
对所述第一全局图像中肺结节所在的局部区域进行小FOV、超薄层和小间隔重建,以形成肺结节高清图像,所述第一全局图像中肺结节具有第一分辨率;
将所述肺结节高清图像融合至所述第一全局图像中的肺结节位置,以形成第二全局图像,使得所述第二全局图像中肺结节具有第二分辨率,所述第二分辨率大于所述第一分辨率。
根据本发明的一个实施例,所述对所述第一全局图像中肺结节位置进行图像重建包括:
检测第一全局图像中的肺结节;
根据第一全局图像确定所述肺结节位置及重建范围;
将所述肺结节位置及重建范围发送至CT设备,以使所述CT设备根据所述肺结节位置及重建范围重建图像,以形成肺结节高清图像。
根据本发明的一个实施例,所述确定所述肺结节位置及重建范围包括:
获取肺结节在三维空间中的X轴方向、Y轴方向及Z轴方向的坐标位置;
以所述坐标位置为圆心,确定肺结节的半径;
以所述肺结节的半径的预定倍数作为边长,形成以所述肺结节为中心的空间区域,所述空间区域确定为所述重建范围。
根据本发明的一个实施例,所述以所述肺结节的半径的预定倍数作为边长,形成以所述肺结节为中心的空间区域之前还包括:
将所述肺结节的半径与预定半径进行对比;
若所述肺结节的半径小于或等于所述预定半径,则执行后续步骤;
若所述肺结节的半径大于所述预定半径,则结束流程,不执行后续步骤。
根据本发明的一个实施例,所述CT设备根据所述肺结节位置及范围重建图像包括:
获取重建参数,所述重建参数包括层厚及FOV值;
根据所述重建参数、肺结节位置及重建范围重建图像,以形成肺结节高清图像。
根据本发明的一个实施例,所述将所述肺结节高清图像融合至所述第一全局图像中的肺结节位置包括:
将所述肺结节高清图像与所述第一全局图像进行配准;
将配准后的所述肺结节高清图像与所述第一全局图像中的肺结节位置进行小波融合;
对融合后的图像进行三维重建,形成所述第二全局图像。
第二方面,根据本发明实施例的肺结节信息融合装置,包括:
获取单元,用于获取第一全局图像,所述第一全局图像为通过CT设备扫描患者的肺部后形成的三维容积图像;
重建单元,用于对所述第一全局图像中肺结节所在的局部区域进行小FOV、超薄层和小间隔重建,以形成肺结节高清图像,所述第一全局图像中肺结节具有第一分辨率;
融合单元,用于将所述肺结节高清图像融合至所述第一全局图像中的肺结节位置,以形成第二全局图像,使得所述第二全局图像中肺结节具有第二分辨率,所述第二分辨率大于所述第一分辨率。
根据本发明的一个实施例,所述重建单元包括:
检测模块,用于检测全局图像中的肺结节;
确定模块,用于确定所述肺结节位置及重建范围;
发送模块,用于将所述肺结节位置及重建范围发送至CT设备,以使所述CT设备根据所述肺结节位置及重建范围重建图像,以形成肺结节高清图像。
第三方面,根据本发明实施例提供的计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的肺结节信息融合方法。
第四方面,根据本发明实施例提供的计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的肺结节信息融合方法。
根据本发明实施例提供的肺结节信息融合方法、装置、设备及其存储介质,获取第一全局图像,对第一全局图像中肺结节位置进行图像重建,以形成肺结节高清图像,第一全局图像中肺结节具有第一分辨率,再将肺结节高清图像融合至第一全局图像中的肺结节位置,以形成第二全局图像,使得所述第二全局图像中肺结节具有第二分辨率,第二分辨率大于第一分辨率,换言之,本发明将肺结节高清图像融合到全局图像中,融合后多个肺结节的多组图像变成了一组图像,融合后的第二全局图像中的肺结节位置具有更高的分辨率,肺结节信息更加完整,解决图像空间分辨率和空间定位的问题,影像科医生在诊断时只需要放大和缩小图像即可在定位和定性之间灵活切换,优化了诊断流程,缩短了诊断时间,提高了诊断的准确性。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1是本发明肺结节信息融合方法一个实施例的流程图;
图2是本发明肺结节信息融合方法中步骤S102的流程图;
图3是本发明肺结节信息融合方法中步骤S202一个实施例的流程图;
图4是本发明肺结节信息融合方法中步骤S202另一个实施例的流程图;
图5是本发明肺结节信息融合方法又一个实施例的流程图;
图6是本发明肺结节信息融合方法中步骤S103的流程图;
图7是本发明肺结节信息融合装置一个实施例的结构示意图;
图8是本发明肺结节信息融合装置中重建单元的结构示意图;
图9是本发明肺结节信息融合装置中确定模块一个实施例的结构示意图;
图10是本发明肺结节信息融合装置中确定模块另一个实施例的结构示意图;
图11是本发明肺结节信息融合装置中融合单元的结构示意图;
图12是本发明计算机设备实施例的结构示意图;
图13为利用本发明实施例方法进行病灶处重建过程VR前后方向的第一全局图像、肺结节局部高清图像及第二全局图像的示意图;
图14为利用本发明实施例方法进行病灶处重建过程VR上下方向的第一全局图像、肺结节局部高清图像及第二全局图像的示意图;
图15为右肺错构瘤病例的全局图像(上排)和局部高清图像(下排)分辨率的比较示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
参照图1所示,图1示出了本发明实施例提供的肺结节信息融合方法一个实施例的流程图,为了便于描述,仅示出了与本发明实施例相关的部分。
具体的,该肺结节信息融合方法可以由CT工作站执行,具体包括:
S101、获取第一全局图像,所述第一全局图像为通过CT设备扫描患者的肺部后形成的三维容积图像。CT设备在对患者进行扫描之后得到原始图像数据,该原始图像数据发送至CT工作站,通过CT工作站处理后形成第一全局图像,该全局图像是指肺部的完整图像,并且,该第一全局图像为三维容积图像。
S102、对所述第一全局图像中肺结节所在的局部区域进行小FOV、薄层和小间隔重建,以形成肺结节局部高清图像,所述第一全局图像中肺结节具有第一分辨率。
由于第一全局图像的分辨率(第一分辨率)较低,对于肺结节位置而言,信息不全,在放大后,仍然难以清晰观察分析肺结节,所以,该步骤S102对第一全局图像中肺结节位置进行图像重建,形成肺结节高清图像,该肺结节高清图像具有更高的分辨率。
S103、将所述肺结节高清图像融合至所述第一全局图像中的肺结节位置,以形成第二全局图像,使得所述第二全局图像中肺结节具有第二分辨率,所述第二分辨率大于所述第一分辨率。图像融合后肺结节的诊断准确性和空间定位的准确性均明显增加。
也就是说,在重建肺结节高清图像之后,将该肺结节高清图像通过图像融合算法融合至第一全局图像中的肺结节位置,如此,形成的第二全局图像中在肺结节位置具有更高的分辨率(第二分辨率),肺结节信息更全面,医生可以通过对第二全局图像进行操作,例如在找到肺结节之后,通过放大肺结节位置,对肺结节进行观察分析。
需要说明的是,全局图像中可以准确显示肺结节所在的位置和周围结构的关系,但肺结节的诊断信息严重不足,很难对结节性质做出准确诊断。而肺结节局部高清图像大幅增加了诊断信息,但局部图像无法确定病灶所在的位置。本申请的肺结节信息融合方法,将肺结节局部高清图像融合到全局图像中,融合后多个肺结节的多组图像变成了一组图像(即第二全局图像),解决图像空间分辨率和空间定位的问题,既可以大幅增加肺结节的诊断信息,又可以准确定位,具体效果可以参见图13至图15所示。
图13中,VR前后方向显示的第一全局图像(左)、肺结节局部高清图像(中)和第二全局图像(右,也即是融合图像)。
图14中,VR上下方向显示的第一全局图像(左)、肺结节局部高清图像(中)和第二全局图像(右,也即是融合图像)。
图15中,右肺错构瘤病例的全局图像(上排)和局部高清图像(下排)分辨力的比较。全局图像错构瘤边界和病灶内均模糊,其内密度大致均匀。局部高清图像显示错构瘤边界清晰,病灶内密度不均匀,可见明显脂肪密度。
根据本发明实施例提供的肺结节信息融合方法,获取第一全局图像,对第一全局图像中肺结节位置进行图像重建,以形成肺结节高清图像,第一全局图像中肺结节具有第一分辨率,再将肺结节高清图像融合至第一全局图像中的肺结节位置,以形成第二全局图像,使得所述第二全局图像中肺结节具有第二分辨率,第二分辨率大于第一分辨率,换言之,本发明将肺结节高清图像融合到全局图像中,融合后多个肺结节的多组图像变成了一组图像,融合后的第二全局图像中的肺结节位置具有更高的分辨率,肺结节信息更加完整,解决图像空间分辨率和空间定位的问题,影像科医生在诊断时只需要放大和缩小图像即可在定位和定性之间灵活切换,优化了诊断流程,缩短了诊断时间,提高了诊断的准确性。
参照图2所示,在本发明的一个实施例中,步骤S102包括:
S201、检测第一全局图像中的肺结节。也即是,在获取第一全局图像之后,可以对第一全局图像之后进行图像识别,以检测第一全局图像中的肺结节。可以理解的是,该步骤也可以有人工辅助完成,也即是,由技师或医生通过观察第一全局图像而找到肺结节,再通过设备进行标记。
S202、根据第一全局图像确定所述肺结节位置及重建范围。
也就是说,在检测到第一全局图像中的肺结节之后,由于三维容积图像具有空间坐标系,所以,可以在三维容积图像中确定出肺结节的空间位置,并且,可以根据肺结节的大小来确定重建范围。
S203、将所述肺结节位置及重建范围发送至CT设备,以使所述CT设备根据所述肺结节位置及重建范围重建图像,以形成肺结节高清图像。该肺结节高清图像是小FOV图像,FOV(Field Of View图像视野)是指重建图像的范围。
也就是说,在确定肺结节位置和重建范围之后,CT工作站可以将肺结节的位置及重建范围发送给CT设备,CT设备即可根据肺结节的位置及重建范围对并肺结节出的图像进行图像重建,可以理解的是,重建形成的肺结节高清图像也是三维VR图像。
本实施例中,检测第一全局图像中的肺结节,再确定所述肺结节的位置及重建范围,将所述肺结节的位置及重建范围发送至CT设备,以使所述CT设备根据所述肺结节的位置及重建范围重建图像,以形成肺结节高清图像,如此,可以实现肺结节位置三维容积图像的自动重建,不需要人工在CT设备上进行繁琐的操作,提高了效率,降低了医生或技师的工作量,同时,不占用CT设备,提高了机器使用的效率。
参照图3所示,在本发明的一个实施例中,步骤S202包括:
S301、获取肺结节在三维空间中的X轴方向、Y轴方向及Z轴方向的坐标位置。
S302、以所述坐标位置为圆心,确定肺结节的半径。
S303、以所述肺结节的半径的预定倍数作为边长,形成以所述肺结节为中心的空间区域,所述空间区域确定为所述重建范围。
也就是说,在第一全局图像中检测到肺结节之后,计算肺结节在三维空间中的X轴方向、Y轴方向及Z轴方向的坐标位置,即(x,y,z),该坐标位置位于肺结节的中心,再以该坐标位置为圆心,确定肺结节的半径,由于肺结节可能并不规则,所以,可以通过检测肺结节外轮廓至坐标位置之间的最大距离作为半径,防止肺结节缺失。此外,在确定肺结节的半径之后,为了便于医生观察该肺结节周边的关联信息,同时,也为进一步防止肺结节缺失,可以以肺结节的半径的预定倍数(例如3倍或5倍等)作为边长,提取一个立体的空间区域,该空间局域可以是立方体、多面体等,肺结节则位于该空间区域的中心,以该空间区域作为重建范围即可。
本实施例中,通过上步骤,可以确定肺结节的位置及重建范围,并且,可以确保肺结节不会缺失,且肺结节位于重建范围的中心,肺结节的周围也具有肺结节的关联信息,可以方便于观察分析。
参照图4所示,在本发明的一个实施例中,步骤S303之前还包括:
S401、将所述肺结节的半径与预定半径进行对比。
S402、若所述肺结节的半径小于或等于所述预定半径,则执行后续步骤;若所述肺结节的半径大于所述预定半径,则结束流程,不执行后续步骤。
由于不同的患者,肺结节的大小不同,而对于肺结节尺寸本身比较大时,医生在进行观察分析时,直接可以通过放大肺结节位置即可清晰观察到相关信息,所以,对于尺寸较大的肺结节没有必要进行图像重建。在本实施例中,在确定肺结节的半径之后,可以将肺结节的半径与预定半径进行比较,若肺结节的半径小于或等于预定半径,则说明肺结节较小,此时,可以继续执行后续步骤,确定肺结节的重建范围,完成后续的图像重建。若肺结节的半径大于预定半径,则说明肺结节较大,此时,医生可以通过放大操作,即可清晰的观察肺结节的相关信息,则结束重建流程,不用进行图像重建及图像融合。
由此,本实施例中,通过将肺结节的半径与预定半径进行对比,进而在肺结节的半径满足条件时才进行图像重建及融合,确保CT设备及CT工作站的资源使用更加合理。
参照图5所示,在本发明的一个实施例中,所述CT设备根据所述肺结节位置及范围重建图像包括:
S501、获取重建参数,所述重建参数包括层厚及FOV值。
S502、根据所述重建参数、肺结节位置及重建范围重建图像,以形成肺结节高清图像。
其中,获取重建参数,可以是医生或技术在CT设备上进行设置,输入重建参数,CT设备在接收输入的重建参数之后,再根据重建参数、病灶的位置及重建范围进行重建。此外,获取重建参数,也可以是由CT工作站或CT设备根据重建范围自动生成重建参数,自动生成重建参数的过程无需人工参与,效率更高。
本实施例中,通过层厚及FOV值等重建参数重建图像,可以确保重建后形成的肺结节高清图像的信息更加完整,以便于观察分析。
参照图6所示,在本发明的一个实施例中,步骤S103包括:
S601、将所述肺结节高清图像与所述第一全局图像进行配准。
S602、将配准后的所述肺结节高清图像与所述第一全局图像中的肺结节位置进行小波融合。
S603、对融合后的图像进行三维重建,形成所述第二全局图像。
也就是说,先将肺结节高清图像及第一全局图像的肺结节位置分别进行灰度提取、空间变换处理,使得肺结节高清图像及第一全局图像的肺结节位置的质心及空间位置相匹配。再将待融合的肺结节高清图像及第一全局图像中肺结节位置分解成一系列的低频子图像和不同方向上的高频子图像,并对低频子图像和高频子图像进行特征选择及筛选,再进行小波逆变换得到所需的融合图像,最后将融合图像进行三维重建得到第二全局图像。
本实施例中,通过配准、小波融合及三维重建,可以融合得到第二全局图像上,确保第二全局图像上的肺结节位置具有更高的分辨率,且融合的效果更好,便于观察分析。
参照图7所示,图7示出了本发明实施例提供的肺结节信息融合装置一个实施例的结构示意图,为了便于描述,仅示出了与本发明实施例相关的部分。具体的,该肺结节信息融合装置包括:
获取单元701,用于获取第一全局图像,所述第一全局图像为通过CT设备扫描患者的肺部后形成的三维容积图像。
重建单元702,用于对所述第一全局图像中肺结节所在的局部区域进行小FOV、薄层和小间隔重建,以形成肺结节高清图像,所述第一全局图像中肺结节具有第一分辨率。
融合单元703,用于将所述肺结节高清图像融合至所述第一全局图像中的肺结节位置,以形成第二全局图像,使得所述第二全局图像中肺结节具有第二分辨率,所述第二分辨率大于所述第一分辨率。
参照图8所示,在本发明的一个实施例中,所述重建单元702包括:
检测模块801,用于检测全局图像中的肺结节。
确定模块802,用于根据第一全局图像你确定所述肺结节位置及重建范围。
发送模块803,用于将所述肺结节位置及重建范围发送至CT设备,以使所述CT设备根据所述肺结节位置及重建范围重建图像,以形成肺结节高清图像。
参照图9所示,在本发明的一个实施例中,所述确定模块802包括:
第一获取模块8021,用于获取肺结节在三维空间中的X轴方向、Y轴方向及Z轴方向的坐标位置。
第一确定模块8022,用于以所述坐标位置为圆心,确定肺结节的半径。
第二确定模块8023,用于以所述肺结节的半径的预定倍数作为边长,形成以所述肺结节为中心的空间区域,所述空间区域确定为所述重建范围。
参照图10所示,在本发明的一个实施例中,所述确定模块802还包括:
对比模块8024,用于将所述肺结节的半径与预定半径进行对比。
执行模块8025,用于当所述肺结节的半径小于或等于所述预定半径时,执行后续步骤,以及当所述肺结节的半径大于所述预定半径时,结束流程,不执行后续步骤。
参照图11所示,在本发明的一个实施例中,所述融合单元703包括:
配准模块901,用于将所述肺结节高清图像与所述第一全局图像进行配准。
融合模块902,用于将配准后的所述肺结节高清图像与所述第一全局图像中的肺结节位置进行小波融合。
重建模块903,用于对融合后的图像进行三维重建,形成所述第二全局图像。
根据本发明实施例提供的肺结节信息融合装置,获取第一全局图像,对第一全局图像中肺结节位置进行图像重建,以形成肺结节高清图像,第一全局图像中肺结节具有第一分辨率,再将肺结节高清图像融合至第一全局图像中的肺结节位置,以形成第二全局图像,使得所述第二全局图像中肺结节具有第二分辨率,第二分辨率大于第一分辨率,换言之,本发明将肺结节高清图像融合到全局图像中,融合后多个肺结节的多组图像变成了一组图像,融合后的第二全局图像中的肺结节位置具有更高的分辨率,肺结节信息更加完整,解决图像空间分辨率和空间定位的问题,影像科医生在诊断时只需要放大和缩小图像即可在定位和定性之间灵活切换,优化了诊断流程,缩短了诊断时间,提高了诊断的准确性。
本发明实施例还提供了一种计算机设备100,包括存储器102、处理器101以及存储在所述存储器102上并可在所述处理器101上运行的计算机程序1021,所述处理器101执行所述计算机程序1021时实现如上所述的肺结节信息融合方法。
示例性的,所述计算机程序1021可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器102中,并由所述处理器101执行,以完成本发明。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指令段,该指令段用于描述所述计算机程序1021在所述计算机设备100中的执行过程。
本发明实施例还提供一种计算机存储介质,其上存储有计算机程序1021,该程序被处理器101执行时实现如上所述的肺结节信息融合方法。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置或系统类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种肺结节信息融合方法,其特征在于,包括:
获取第一全局图像,所述第一全局图像为通过CT设备扫描患者的肺部后形成的三维容积图像;
对所述第一全局图像中肺结节所在的局部区域进行小FOV、薄层和小间隔重建,以形成肺结节高清图像,所述第一全局图像中肺结节具有第一分辨率;
将所述肺结节高清图像融合至所述第一全局图像中的肺结节位置,以形成第二全局图像,使得所述第二全局图像中肺结节具有第二分辨率,所述第二分辨率大于所述第一分辨率。
2.根据权利要求1所述的肺结节信息融合方法,其特征在于,所述对所述第一全局图像中肺结节位置进行图像重建包括:
检测第一全局图像中的肺结节;
根据第一全局图像确定所述肺结节位置及重建范围;
将所述肺结节位置及重建范围发送至CT设备,以使所述CT设备根据所述肺结节位置及重建范围重建图像,以形成肺结节高清图像。
3.根据权利要求2所述的肺结节信息融合方法,其特征在于,所述确定所述肺结节位置及重建范围包括:
获取肺结节在三维空间中的X轴方向、Y轴方向及Z轴方向的坐标位置;
以所述坐标位置为圆心,确定肺结节的半径;
以所述肺结节的半径的预定倍数作为边长,形成以所述肺结节为中心的空间区域,所述空间区域确定为所述重建范围。
4.根据权利要求3所述的肺结节信息融合方法,其特征在于,所述以所述肺结节的半径的预定倍数作为边长,形成以所述肺结节为中心的空间区域之前还包括:
将所述肺结节的半径与预定半径进行对比;
若所述肺结节的半径小于或等于所述预定半径,则执行后续步骤;
若所述肺结节的半径大于所述预定半径,则结束流程,不执行后续步骤。
5.根据权利要求1所述的肺结节信息融合方法,其特征在于,所述CT设备根据所述肺结节位置及范围重建图像包括:
获取重建参数,所述重建参数包括层厚及FOV值;
根据所述重建参数、肺结节位置及重建范围重建图像,以形成肺结节高清图像。
6.根据权利要求1所述的肺结节信息融合方法,其特征在于,所述将所述肺结节高清图像融合至所述第一全局图像中的肺结节位置包括:
将所述肺结节高清图像与所述第一全局图像进行配准;
将配准后的所述肺结节高清图像与所述第一全局图像中的肺结节位置进行小波融合;
对融合后的图像进行三维重建,形成所述第二全局图像。
7.一种肺结节信息融合装置,其特征在于,包括:
获取单元,用于获取第一全局图像,所述第一全局图像为通过CT设备扫描患者的肺部后形成的三维容积图像;
重建单元,用于对所述第一全局图像中肺结节所在的局部区域进行小FOV、薄层和小间隔重建,以形成肺结节高清图像,所述第一全局图像中肺结节具有第一分辨率;
融合单元,用于将所述肺结节高清图像融合至所述第一全局图像中的肺结节位置,以形成第二全局图像,使得所述第二全局图像中肺结节具有第二分辨率,所述第二分辨率大于所述第一分辨率。
8.根据权利要求7所述的肺结节信息融合装置,其特征在于,所述重建单元包括:
检测模块,用于检测第一全局图像中的肺结节;
确定模块,用于确定所述肺结节位置及重建范围;
发送模块,用于将所述肺结节位置及重建范围发送至CT设备,以使所述CT设备根据所述肺结节位置及重建范围重建图像,以形成肺结节高清图像。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器上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6任意一项所述的肺结节信息融合方法。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至6任意一项所述的肺结节信息融合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111043271.1A CN113724177B (zh) | 2021-09-07 | 2021-09-07 | 肺结节信息融合方法、装置、设备及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111043271.1A CN113724177B (zh) | 2021-09-07 | 2021-09-07 | 肺结节信息融合方法、装置、设备及其存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113724177A true CN113724177A (zh) | 2021-11-30 |
CN113724177B CN113724177B (zh) | 2023-12-15 |
Family
ID=78682133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111043271.1A Active CN113724177B (zh) | 2021-09-07 | 2021-09-07 | 肺结节信息融合方法、装置、设备及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724177B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020136439A1 (en) * | 2001-03-09 | 2002-09-26 | Ruchala Kenneth J. | System and method for fusion-aligned reprojection of incomplete data |
WO2003105069A1 (en) * | 2002-06-11 | 2003-12-18 | Tomotherapy Incorporated | Method for reconstruction of limited data images using fusion-aligned reprojection and normal-error-aligned reprojection |
US20120263371A1 (en) * | 2011-04-12 | 2012-10-18 | Semeion Centro Ricerche | Method of image fusion |
CN102855649A (zh) * | 2012-08-23 | 2013-01-02 | 山东电力集团公司电力科学研究院 | 基于orb特征点的高压杆塔高清图像全景拼接方法 |
CN103035009A (zh) * | 2012-12-19 | 2013-04-10 | 长春工业大学 | 一种基于ct影像的肺结节边缘重建与分割方法 |
CN103913472A (zh) * | 2012-12-31 | 2014-07-09 | 同方威视技术股份有限公司 | Ct成像系统和方法 |
US8837860B1 (en) * | 2014-03-28 | 2014-09-16 | Heartflow, Inc. | Systems and methods for data and model-driven image reconstruction and enhancement |
CN107451983A (zh) * | 2017-07-18 | 2017-12-08 | 中山大学附属第六医院 | Ct图像的三维融合方法和系统 |
CN109242921A (zh) * | 2018-07-31 | 2019-01-18 | 安徽尼古拉电子科技有限公司 | 一种计算机断层图像处理方法和装置 |
CN109523525A (zh) * | 2018-11-07 | 2019-03-26 | 广州大学 | 图像融合的恶性肺结节识别方法、装置、设备及存储介质 |
CN109712133A (zh) * | 2018-12-28 | 2019-05-03 | 上海联影医疗科技有限公司 | 病灶定位方法、装置以及磁共振波谱分析系统 |
CN111161369A (zh) * | 2019-12-20 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 图像重建存储方法、装置、计算机设备和存储介质 |
CN111199566A (zh) * | 2019-12-31 | 2020-05-26 | 上海联影智能医疗科技有限公司 | 医疗图像处理方法、装置、存储介质及计算机设备 |
CN111815735A (zh) * | 2020-09-09 | 2020-10-23 | 南京安科医疗科技有限公司 | 一种人体组织自适应的ct重建方法及重建系统 |
-
2021
- 2021-09-07 CN CN202111043271.1A patent/CN113724177B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020136439A1 (en) * | 2001-03-09 | 2002-09-26 | Ruchala Kenneth J. | System and method for fusion-aligned reprojection of incomplete data |
WO2003105069A1 (en) * | 2002-06-11 | 2003-12-18 | Tomotherapy Incorporated | Method for reconstruction of limited data images using fusion-aligned reprojection and normal-error-aligned reprojection |
US20120263371A1 (en) * | 2011-04-12 | 2012-10-18 | Semeion Centro Ricerche | Method of image fusion |
CN102855649A (zh) * | 2012-08-23 | 2013-01-02 | 山东电力集团公司电力科学研究院 | 基于orb特征点的高压杆塔高清图像全景拼接方法 |
CN103035009A (zh) * | 2012-12-19 | 2013-04-10 | 长春工业大学 | 一种基于ct影像的肺结节边缘重建与分割方法 |
CN103913472A (zh) * | 2012-12-31 | 2014-07-09 | 同方威视技术股份有限公司 | Ct成像系统和方法 |
US8837860B1 (en) * | 2014-03-28 | 2014-09-16 | Heartflow, Inc. | Systems and methods for data and model-driven image reconstruction and enhancement |
CN107451983A (zh) * | 2017-07-18 | 2017-12-08 | 中山大学附属第六医院 | Ct图像的三维融合方法和系统 |
CN109242921A (zh) * | 2018-07-31 | 2019-01-18 | 安徽尼古拉电子科技有限公司 | 一种计算机断层图像处理方法和装置 |
CN109523525A (zh) * | 2018-11-07 | 2019-03-26 | 广州大学 | 图像融合的恶性肺结节识别方法、装置、设备及存储介质 |
CN109712133A (zh) * | 2018-12-28 | 2019-05-03 | 上海联影医疗科技有限公司 | 病灶定位方法、装置以及磁共振波谱分析系统 |
CN111161369A (zh) * | 2019-12-20 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 图像重建存储方法、装置、计算机设备和存储介质 |
CN111199566A (zh) * | 2019-12-31 | 2020-05-26 | 上海联影智能医疗科技有限公司 | 医疗图像处理方法、装置、存储介质及计算机设备 |
CN111815735A (zh) * | 2020-09-09 | 2020-10-23 | 南京安科医疗科技有限公司 | 一种人体组织自适应的ct重建方法及重建系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113724177B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190355174A1 (en) | Information processing apparatus, information processing system, information processing method, and computer-readable recording medium | |
JP5970766B2 (ja) | 医用画像処理装置、医用画像処理方法、プログラム | |
CN101032423B (zh) | 实时交互式数据分析管理工具 | |
US7933440B2 (en) | Method and system for evaluating two time-separated medical images | |
US20090010540A1 (en) | Method and system for performing image registration | |
US11660061B2 (en) | Method and system for motion assessment and correction in digital breast tomosynthesis | |
JP4528322B2 (ja) | 画像表示装置、画像表示方法、および画像表示プログラム | |
JP5226974B2 (ja) | 画像診断支援装置、方法及びプログラム | |
CN109715070B (zh) | 图像处理装置、图像处理方法和程序 | |
US20120166211A1 (en) | Method and apparatus for aiding imaging diagnosis using medical image, and image diagnosis aiding system for performing the method | |
JP2001008928A (ja) | 画像を表示する方法および装置 | |
US5509084A (en) | Method and apparatus for postprocessing medical images | |
US11200443B2 (en) | Image processing apparatus, image processing method, and image processing system | |
JP2010042065A (ja) | 医用画像処理装置、処理方法 | |
JP2022173245A (ja) | 画像処理装置、画像診断システム、画像処理方法およびプログラム | |
US20080246756A1 (en) | Pictorial representation of three-dimensional data records | |
US20040022425A1 (en) | Temporal image comparison method | |
KR101203047B1 (ko) | 뇌 자기공명영상 기반의 정량 분석 시스템 | |
US20190066280A1 (en) | Image processing apparatus, image processing method, and image processing system | |
CN111696113B (zh) | 用于监视生物过程的方法和系统 | |
CN113724177B (zh) | 肺结节信息融合方法、装置、设备及其存储介质 | |
CN115661152B (zh) | 基于模型预测的目标发展情况分析方法 | |
CN111275617A (zh) | 一种abus乳腺超声全景图的自动拼接方法、系统和存储介质 | |
JP2022179433A (ja) | 画像処理装置及び画像処理方法 | |
CN110349151B (zh) | 一种目标识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |