CN113989277A - 用于医用放射诊疗检查的成像方法及装置 - Google Patents

用于医用放射诊疗检查的成像方法及装置 Download PDF

Info

Publication number
CN113989277A
CN113989277A CN202111592150.2A CN202111592150A CN113989277A CN 113989277 A CN113989277 A CN 113989277A CN 202111592150 A CN202111592150 A CN 202111592150A CN 113989277 A CN113989277 A CN 113989277A
Authority
CN
China
Prior art keywords
image
diagnosis
contour
treatment
medical
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
Application number
CN202111592150.2A
Other languages
English (en)
Other versions
CN113989277B (zh
Inventor
赖永航
陈栋栋
曹鸥
冯健
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.)
Qingdao Medcare Digital Engineering Co ltd
Original Assignee
Qingdao Medcare Digital Engineering 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 Qingdao Medcare Digital Engineering Co ltd filed Critical Qingdao Medcare Digital Engineering Co ltd
Priority to CN202111592150.2A priority Critical patent/CN113989277B/zh
Publication of CN113989277A publication Critical patent/CN113989277A/zh
Application granted granted Critical
Publication of CN113989277B publication Critical patent/CN113989277B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5252—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data removing objects from field of view, e.g. removing patient table from a CT image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Veterinary Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Pulmonology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及医学图像处理技术领域，提出一种用于医用放射诊疗检查的成像方法及装置，该用于医用放射诊疗检查的成像方法包括：根据预先训练得到的图像语义分割模型从医用放射诊疗检查的诊疗原始图像中分割出支撑物体的图像区域；根据预先设置的图像轮廓提取算法从诊疗原始图像中提取检查目标的诊疗区域和支撑物体构成的轮廓图像的最大轮廓；根据支撑物体的图像区域和最大轮廓，从诊疗原始图像中去除支撑物体的图像区域，用以生成诊疗目标图像。本发明可以完整去除诊疗原始图像内的支撑物体，有效保证去除诊疗原始图像中支撑物体的成功率，避免遗漏部分支撑物体。

Description

用于医用放射诊疗检查的成像方法及装置
技术领域
本发明涉及医学图像处理领域，特别涉及一种用于医用放射诊疗检查的成像方法及装置。
背景技术
当前医院CT（Computed Tomography，电子计算机断层扫描）检查通常将人体背部以及人体下方的床板一起呈现在一幅CT图像中，在三维重建中人体背部被床板遮住无法直接观察，往往需要人工干预，使用“虚拟手术刀”功能，将支撑物体（床板）区域裁剪掉，降低了医生的工作效率。也有部分技术利用支撑物体的物理属性比人体表皮组织密度大的特点，使用不同CT值过滤的方法或者采用区域生长方法，去除CT图像中支撑物体。但是不同医院采集到的CT 图像中支撑物体的物理属性(包括长度，形状和厚度等)有一定的差别，并且存在CT 图像中支撑物体与人体组织相连的情况，使得支撑物体的准确识别以及完整去除的难度较大。CT属于医用放射诊疗装置。
针对现有CT图像中支撑物体去除方法存在的上述问题，现有技术未给出有效的解决方案。
发明内容
本发明实施例中提供一种用于医用放射诊疗检查的成像方法及装置，用以完整去除诊疗原始图像中支撑物体。
第一方面，本发明实施例提供一种用于医用放射诊疗检查的成像方法，所述用于医用放射诊疗检查的成像方法包括：
根据预先训练得到的图像语义分割模型从医用放射诊疗检查的诊疗原始图像中分割出支撑物体的图像区域；所述支撑物体用于支撑所述诊疗原始图像对应的检查目标；
根据预先设置的图像轮廓提取算法从所述诊疗原始图像中提取所述检查目标的诊疗区域和所述支撑物体构成的轮廓图像的最大轮廓；
根据所述支撑物体的图像区域和所述最大轮廓，从所述诊疗原始图像中去除支撑物体的图像区域，用以生成诊疗目标图像。
可选地，所述根据预先训练得到的图像语义分割模型从医用放射诊疗检查的诊疗原始图像中分割出支撑物体的图像区域之前，包括：
通过预先设置的VNet2D卷积神经网络对诊疗图像样本集进行有监督的语义分割训练，获得所述图像语义分割模型。
可选地，所述通过预先设置的VNet2D卷积神经网络对诊疗图像样本集进行有监督的语义分割训练，获得所述图像语义分割模型，包括：
根据预设窗宽窗位参数将诊疗样本图像集转换成训练图像集；
在所述训练图像集的每幅训练图像中绘制出训练物体的图像区域的第一闭合曲线和训练目标的图像区域的第二闭合曲线；所述训练物体用于支撑所述训练目标；
对所述第一闭合曲线和所述第二闭合曲线进行颜色填充，生成第一掩码图像；
根据所述训练图像集和每幅训练图像对应的第一掩码图像，采用所述VNet2D卷积神经网络进行迭代训练，获得所述图像语义分割模型；并在迭代训练过程中，通过TensorRT模型进行加速。
可选地，所述根据预先设置的图像轮廓提取算法从所述诊疗原始图像中提取所述检查目标的诊疗区域和所述支撑物体构成的轮廓图像的最大轮廓，包括：
根据预设窗宽窗位参数将所述诊疗原始图像转换成诊疗识别图像；
将所述诊疗识别图像转换成二值化图像；
根据所述图像轮廓提取算法从所述二值化图像中提取所述检查目标的诊疗区域和所述支撑物体构成的轮廓图像的最大轮廓。
可选地，所述根据所述图像轮廓提取算法从所述二值化图像中提取所述检查目标的诊疗区域和所述支撑物体构成的轮廓图像的最大轮廓，包括：
在所述二值化图像中，确定所述轮廓图像的各个闭合轮廓的内外边界的像素坐标集合；
对每个闭合轮廓，去除该闭合轮廓的内边界的像素坐标集合，保留该闭合轮廓的外边界的像素坐标集合；
根据各个闭合轮廓的外边界的像素坐标集合，在所述二值化图像中将各个闭合轮廓的内部像素点设为黑色，得到各个闭合轮廓的外边界；
根据各个闭合轮廓的外边界，确定所述轮廓图像的最大轮廓为各个闭合轮廓的最大轮廓。
可选地，所述确定所述轮廓图像的各个闭合轮廓的内外边界的像素坐标集合，包括：
遍历所述二值化图像，对所述二值化图像进行光栅扫描；
通过所述光栅扫描，在所述二值化图像中确定所述轮廓图像的各个闭合轮廓的内外边界；
通过边界跟踪，确定所述二值化图像的内外边界的像素坐标集合。
可选地，根据所述支撑物体的图像区域和所述最大轮廓，从所述诊疗原始图像中去除支撑物体的图像区域，用以生成诊疗目标图像，包括：
在所述二值化图像中，将所述最大轮廓内部的所述检查目标的诊疗区域和所述支撑物体对应的像素点填充为白色，生成第二掩码图像；
将所述支撑物体的图像区域和所述第二掩码图像进行与运算，获得去除所述支撑物体的第三掩码图像；
根据所述诊疗识别图像和所述第三掩码图像，从所述诊疗原始图像中去除支撑物体的图像区域，用以生成所述诊疗目标图像。
可选地，所述根据所述诊疗识别图像和所述第三掩码图像，从所述诊疗原始图像中去除支撑物体的图像区域，包括：
将所述第三掩码图像与所述诊疗识别图像进行像素点匹配，用以从所述诊疗原始图像中去除支撑物体的图像区域，用以生成所述诊疗目标图像。
第二方面，本发明实施例提供一种医用放射诊疗检查装置，所述医用放射诊疗检查装置包括：存储器、处理器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；
所述计算机程序被所述处理器执行时，实现如上任一项所述的用于医用放射诊疗检查的成像方法的步骤。
本发明各个实施例通过图像语义分割模型从医用放射诊疗检查的诊疗原始图像中分割出支撑物体的图像区域，图像语义分割模型有效提高了去除支撑物体的成功率，并根据预先设置的图像轮廓提取算法从所述诊疗原始图像中提取所述检查目标的诊疗区域和所述支撑物体构成的轮廓图像的最大轮廓，从而根据所述支撑物体的图像区域和所述最大轮廓，从所述诊疗原始图像中去除支撑物体图像，从而进行二次验证，进而有效完整去除诊疗原始图像内的支撑物体，有效保证去除诊疗原始图像中支撑物体的成功率，避免遗漏部分支撑物体。
附图说明
图1是根据本发明实施例的用于医用放射诊疗检查的成像方法的流程图；
图2是根据本发明实施例的图像语义分割模型训练过程的颜色填充示意图；
图3是根据本发明实施例的多个闭合轮廓的内部像素设为黑色的效果图；
图4是根据本发明实施例的第二掩码图像的生成效果图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细描述，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
实施例一
本发明实施例提供一种用于医用放射诊疗检查的成像方法，如图1所示，所述用于医用放射诊疗检查的成像方法包括：
S101，根据预先训练得到的图像语义分割模型从医用放射诊疗检查的诊疗原始图像中分割出支撑物体的图像区域；所述支撑物体用于支撑所述诊疗原始图像对应的检查目标；诊疗原始图像可以是CT图像等；检查目标可以是活体目标，例如人体；在图像语义分割中可将输入图像每个像素分配一个初始类别标签，分为不同的类别，包括背景区域、检查目标诊疗区域（例如人体区域）、支撑物体区域（例如床板区域）；诊疗目标图像为检查目标中与诊疗区域对应的检查图像。
S102，根据预先设置的图像轮廓提取算法从所述诊疗原始图像中提取所述检查目标的诊疗区域和所述支撑物体构成的轮廓图像的最大轮廓；轮廓图像包括一个或多个闭合轮廓，面积最大的闭合轮廓为轮廓图像的最大轮廓；
S103，根据所述支撑物体的图像区域和所述最大轮廓，从所述诊疗原始图像中去除支撑物体的图像区域，用以生成诊疗目标图像。
本发明实施例提出的医用放射诊疗检查的成像方法特别适用于医用放射诊疗装置使用，例如对CT成像的处理。
支撑物体由多个部件构成，各个部件有可能构成多个闭合轮廓，闭合轮廓较小部分，由于AI模型推断结果不可能达到100%识别率，有可能遗漏对闭合轮廓较小部分的识别，为了保证去除支撑物体（例如CT床板）的成功率，解决AI模型识别后支撑物体区域识别不准确、遗漏部分支撑物体区域等问题，本发明实施例通过图像语义分割模型从医用放射诊疗检查的诊疗原始图像中分割出支撑物体的图像区域，图像语义分割模型有效提高了去除支撑物体的成功率，并根据预先设置的图像轮廓提取算法从所述诊疗原始图像中提取所述检查目标的诊疗区域和所述支撑物体构成的轮廓图像的最大轮廓，从而根据所述支撑物体的图像区域和所述最大轮廓，从所述诊疗原始图像中去除支撑物体图像，从而进行二次验证，进而有效完整去除诊疗原始图像内的支撑物体，有效保证去除诊疗原始图像中支撑物体的成功率，避免遗漏部分支撑物体。
为了更加有效提高AI模型识别后支撑物体区域识别不准确、遗漏部分支撑物体区域等问题，提高去除支撑物体的成功率，在一些实施方式中，所述根据预先训练得到的图像语义分割模型从医用放射诊疗检查的诊疗原始图像中分割出支撑物体的图像区域之前，包括：
通过预先设置的VNet2D卷积神经网络对诊疗图像样本集进行有监督的语义分割训练，获得所述图像语义分割模型。
可选地，所述通过预先设置的VNet2D卷积神经网络对诊疗图像样本集进行有监督的语义分割训练，获得所述图像语义分割模型，包括：
根据预设窗宽窗位参数将诊疗样本图像集转换成训练图像集；
在所述训练图像集的每幅训练图像中绘制出训练物体的图像区域的第一闭合曲线和训练目标的图像区域的第二闭合曲线；所述训练物体用于支撑所述训练目标；
对所述第一闭合曲线和所述第二闭合曲线进行颜色填充，生成第一掩码图像；
根据所述训练图像集和每幅训练图像对应的第一掩码图像，采用所述VNet2D卷积神经网络进行迭代训练，获得所述图像语义分割模型；并在迭代训练过程中，通过TensorRT模型进行加速。
其中，图像语义分割是计算机视觉中的基本任务，在图像语义分割中需要将输入图像每个像素分配一个初始类别标签，分为不同的类别。本发明实施例采用VNet2D卷积神经网络进行有监督的语义分割，实现将诊疗图像样本（CT图像）分为背景区域、检查目标诊疗区域（例如人体区域）、支撑物体区域。
以下以诊疗图像为CT图像、训练物体为床板、训练目标为人体目标为例，简述迭代训练过程包括：
S1011，标注训练数据
图像语义分割训练前需要标签数据集，生成第一掩码图像，即需要将CT图像序列里每一张图像的每个像素标记为属于类别（背景区域、人体区域、床板区域）。将CT图像序列使用默认窗宽窗位（预设窗宽窗位）转换成8位训练图像，使用标注工具对图像区域进行标注并注明类别，具体的是在支撑物体和人体区域的外轮廓绘制不规则闭合曲线，得到床板和人体区域的坐标集合，然后对外轮廓的坐标集合形成的闭合曲线进行颜色填充，生成训练所需的第一掩码图像，如图2所示，其中，1为床板区域，2为人体区域。
S1012，利用上一步制作的训练图像集，训练VNet2D图像语义分割模型。
VNet是图像分割的卷积神经网络，可以支持3D数据和2D数据，训练过程将CT 8位训练图像和对应的第一掩码图像放到VNet2D卷积神经网络的两个输入层，输入图像大小为512X512，经过2000次迭代训练生成图像语义分割模型，从而取得了良好的效果。
S1013，模型推断及优化加速
推进过程将待识别的CT 8位训练图像放到VNet2D卷积神经网络的输入层，经过预测识别得到生成的8位第一掩码图像，在GTX 1660显卡下推断一张图像耗时50ms。再经过英伟达的TensorRT模型加速后，推断速度提升到30ms。
基于上述的图像语义分割，在一些实施方式中，所述根据预先设置的图像轮廓提取算法从所述诊疗原始图像中提取所述检查目标的诊疗区域和所述支撑物体构成的轮廓图像的最大轮廓，包括：
根据预设窗宽窗位参数将所述诊疗原始图像转换成诊疗识别图像；
将所述诊疗识别图像转换成二值化图像；
根据所述图像轮廓提取算法从所述二值化图像中提取所述检查目标的诊疗区域和所述支撑物体构成的轮廓图像的最大轮廓。
本实施方式中，通过上述图像轮廓提取算法有效解决现有技术中CT 图像中床板与人体组织相连的情况下，AI模型识别后还会遇到床板区域识别不准确、遗漏部分床板区域等问题。
可选地，为了有效、准确提取最大轮廓，所述根据所述图像轮廓提取算法从所述二值化图像中提取所述检查目标的诊疗区域和所述支撑物体构成的轮廓图像的最大轮廓，包括：
在所述二值化图像中，确定所述轮廓图像的各个闭合轮廓的内外边界的像素坐标集合；
对每个闭合轮廓，去除该闭合轮廓的内边界的像素坐标集合，保留该闭合轮廓的外边界的像素坐标集合；
根据各个闭合轮廓的外边界的像素坐标集合，在所述二值化图像中将各个闭合轮廓的内部像素点设为黑色，得到各个闭合轮廓的外边界；
根据各个闭合轮廓的外边界，确定所述轮廓图像的最大轮廓为各个闭合轮廓的最大轮廓。
也就是说，本实施方式可以有效从轮廓图像的一个或多个闭合轮廓中提取最大轮廓。
其中，所述确定所述轮廓图像的各个闭合轮廓的内外边界的像素坐标集合，包括：
遍历所述二值化图像，对所述二值化图像进行光栅扫描；
通过所述光栅扫描，在所述二值化图像中确定所述轮廓图像的各个闭合轮廓的内外边界；
通过边界跟踪，确定所述二值化图像的内外边界的像素坐标集合。
例如，虽然使用图像语义分割模型能够有效解决CT 图像中床板与人体组织相连的情况，本实施方式进一步通过图像轮廓提取算法进行二次验证，从而可以更加有效避免床板区域识别不准确、遗漏部分床板区域等问题。
图像轮廓提取算法可以包括：
S1021，图像预处理过程
预设窗宽窗位参数对16位诊疗原始图像（CT原始图像）进行窗宽窗位调节，转换成诊疗识别图像，例如，设置窗宽：1，窗位：-500。再进行图像二值化处理，得到二值化图像。
S1022，图像轮廓提取过程
根据所述图像轮廓提取算法从所述二值化图像中提取所述检查目标的诊疗区域和所述支撑物体构成的轮廓图像的最大轮廓。例如：
a.遍历所述二值化图像，对所述二值化图像进行光栅扫描；通过所述光栅扫描，在所述二值化图像中确定所述轮廓图像的各个闭合轮廓的内外边界；具体地，先查找图像所有闭合轮廓边界，对二值化图像进行光栅扫描（即从左往右，由上往下，先扫描完一行，再移至下一行起始位置继续扫描）遍历图像，如果发现像素点是白色，并且8个邻域都是白色，则认为该点为内部点，置为黑色。这样取出闭合轮廓的边界点。
b.通过边界跟踪，确定所述二值化图像的内外边界的像素坐标集合。例如，对上一步生成的闭合轮廓进行遍历扫描，首先会找到二值化图像左上方的边界点，这个边界点的左侧及上侧都不存在边界点，因此从左下方逆时针开始探查，如左下方的点是白点，直接跟踪至此边界点，否则探查方向逆时针旋转45度，直至找到第一个白点为止，跟踪至此边界点。找到边界点后，在当前探查方向的基础上顺时针回转90度，继续用上述方法搜索下一个边界点，知道探查又回到初始的边界点，则完成整条边界的跟踪。
c.对每个闭合轮廓，去除该闭合轮廓的内边界的像素坐标集合，保留该闭合轮廓的外边界的像素坐标集合；根据各个闭合轮廓的外边界的像素坐标集合，在所述二值化图像中将各个闭合轮廓的内部像素点设为黑色，得到各个闭合轮廓的外边界；对a步骤获取的轮廓图像进行光栅扫描遍历图像，如果当前像素点坐标在像素坐标集合内部，将该像素点设为黑色，效果如图3所示。
d.根据各个闭合轮廓的外边界，确定所述轮廓图像的各个闭合轮廓的最大轮廓。将上一步得到的轮廓图像再进行b操作得到只包含外边界轮廓的像素坐标集合。从边界轮廓里提取出面积最大的轮廓。对最大轮廓内部坐标点进行像素填充白色，生成第二掩码图像，如图4所示。
基于上述的最大轮廓提取，在一些实施方式中，根据所述支撑物体的图像区域和所述最大轮廓，从所述诊疗原始图像中去除支撑物体的图像区域，用以生成诊疗目标图像，包括：
在所述二值化图像中，将所述最大轮廓内部的所述检查目标的诊疗区域和所述支撑物体对应的像素点填充为白色，生成第二掩码图像；
将所述支撑物体的图像区域和所述第二掩码图像进行与运算，获得去除所述支撑物体的第三掩码图像；
根据所述诊疗识别图像和所述第三掩码图像，从所述诊疗原始图像中去除支撑物体的图像区域，用以生成所述诊疗目标图像。
可选地，所述根据所述诊疗识别图像和所述第三掩码图像，从所述诊疗原始图像中去除支撑物体的图像区域，包括：
将所述第三掩码图像与所述诊疗识别图像进行像素点匹配，用以从所述诊疗原始图像中去除支撑物体的图像区域，用以生成所述诊疗目标图像。
例如，由于诊疗原始图像中支撑物体与检查目标（人体组织）相连，图像轮廓提取算法不能将支撑物体移除。需要调用图像语义分割模型识别的支撑物体区域与第三掩码图像进行像素点匹配，移除支撑物体（与支撑物体对应的区域像素置为最小值）。
再与诊疗原始图像进行像素点匹配，遍历图像，对于掩码图像中像素是非0的图像坐标点设置CT原始数据不变，像素是0的掩码图像坐标所对应的像素值设为最小值。
对诊疗原始图像的Dicom序列里的所有16位图像采用默认窗宽窗位参数转换成8位图像数据，每张图像调用图像语义分割模型、图像轮廓提取算法得到去除床板后的8位掩码数据，再将16位图像与掩码图像进行与运算后得到去除床板的16位图像数据。将这些二维数据依据Dicom信息里的空间排列顺序，组合成三维空间数据。对这些三维空间数据进行体绘制渲染显示去除支撑物体后的效果。体绘制又称三维重建技术，针对不同的CT值设置不同的透明度和伪彩效果，来显示三维空间数据内部不同成分的细节。
本发明实施例基于图像语义分割模型对诊疗原始图像（CT图像）语义分割为基础，识别支撑物体区域进行图像分割处理。为了进一步提高去除支撑物体的成功率，解决AI识别后支撑物体区域识别不准确、遗漏部分支撑物体图像等问题，通过图像轮廓提取算法，获取到图像中面积最大的轮廓。再将识别到的支撑物体区域与面积最大的图像轮廓进行坐标匹配，可以有效地将在轮廓内的支撑物体完整去除掉，避免部分支撑物体遗漏。
实施例二
本发明实施例提供一种医用放射诊疗检查装置，所述医用放射诊疗检查装置包括：存储器、处理器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；
所述计算机程序被所述处理器执行时，实现如实施例一中任一项所述的用于医用放射诊疗检查的成像方法的步骤。
实施例二在具体实现过程中，可以参阅实施例一，具有相应的技术效果。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (9)

1.一种用于医用放射诊疗检查的成像方法，其特征在于，所述用于医用放射诊疗检查的成像方法包括：
根据预先训练得到的图像语义分割模型从医用放射诊疗检查的诊疗原始图像中分割出支撑物体的图像区域；所述支撑物体用于支撑所述诊疗原始图像对应的检查目标；
根据预先设置的图像轮廓提取算法从所述诊疗原始图像中提取所述检查目标的诊疗区域和所述支撑物体构成的轮廓图像的最大轮廓；
根据所述支撑物体的图像区域和所述最大轮廓，从所述诊疗原始图像中去除支撑物体的图像区域，用以生成诊疗目标图像。
2.根据权利要求1所述的用于医用放射诊疗检查的成像方法，其特征在于，所述根据预先训练得到的图像语义分割模型从医用放射诊疗检查的诊疗原始图像中分割出支撑物体的图像区域之前，包括：
通过预先设置的卷积神经网络对诊疗样本图像集进行有监督的语义分割训练，获得所述图像语义分割模型。
3.根据权利要求2所述的用于医用放射诊疗检查的成像方法，其特征在于，所述通过预先设置的卷积神经网络对诊疗图像样本集进行有监督的语义分割训练，获得所述图像语义分割模型，包括：
根据预设窗宽窗位参数将诊疗样本图像集转换成训练图像集；
在所述训练图像集的每幅训练图像中绘制出训练物体的图像区域的第一闭合曲线和训练目标的图像区域的第二闭合曲线；所述训练物体用于支撑所述训练目标；
对所述第一闭合曲线和所述第二闭合曲线进行颜色填充，生成第一掩码图像；
根据所述训练图像集和每幅训练图像对应的第一掩码图像，采用所述卷积神经网络进行迭代训练，获得所述图像语义分割模型。
4.根据权利要求1-3中任意一项所述的用于医用放射诊疗检查的成像方法，其特征在于，所述根据预先设置的图像轮廓提取算法从所述诊疗原始图像中提取所述检查目标的诊疗区域和所述支撑物体构成的轮廓图像的最大轮廓，包括：
根据预设窗宽窗位参数将所述诊疗原始图像转换成诊疗识别图像；
将所述诊疗识别图像转换成二值化图像；
根据所述图像轮廓提取算法从所述二值化图像中提取所述检查目标的诊疗区域和所述支撑物体构成的轮廓图像的最大轮廓。
5.根据权利要求4所述的用于医用放射诊疗检查的成像方法，其特征在于，所述根据所述图像轮廓提取算法从所述二值化图像中提取所述检查目标的诊疗区域和所述支撑物体构成的轮廓图像的最大轮廓，包括：
在所述二值化图像中，确定所述轮廓图像的各个闭合轮廓的内外边界的像素坐标集合；
对每个闭合轮廓，去除该闭合轮廓的内边界的像素坐标集合，保留该闭合轮廓的外边界的像素坐标集合；
根据各个闭合轮廓的外边界的像素坐标集合，在所述二值化图像中将各个闭合轮廓的内部像素点设为黑色，得到各个闭合轮廓的外边界；
根据各个闭合轮廓的外边界，确定所述轮廓图像的最大轮廓为各个闭合轮廓的最大轮廓。
6.根据权利要求5所述的用于医用放射诊疗检查的成像方法，其特征在于，所述确定所述轮廓图像的各个闭合轮廓的内外边界的像素坐标集合，包括：
遍历所述二值化图像，对所述二值化图像进行光栅扫描；
通过所述光栅扫描，在所述二值化图像中确定所述轮廓图像的各个闭合轮廓的内外边界；
通过边界跟踪，确定所述二值化图像的内外边界的像素坐标集合。
7.根据权利要求4所述的用于医用放射诊疗检查的成像方法，其特征在于，根据所述支撑物体的图像区域和所述最大轮廓，从所述诊疗原始图像中去除支撑物体的图像区域，用以生成诊疗目标图像，包括：
在所述二值化图像中，将所述最大轮廓内部的所述检查目标的诊疗区域和所述支撑物体对应的像素点填充为白色，生成第二掩码图像；
将所述支撑物体的图像区域和所述第二掩码图像进行与运算，获得去除所述支撑物体的第三掩码图像；
根据所述诊疗识别图像和所述第三掩码图像，从所述诊疗原始图像中去除支撑物体的图像区域，用以生成所述诊疗目标图像。
8.根据权利要求7所述的用于医用放射诊疗检查的成像方法，其特征在于，所述根据所述诊疗识别图像和所述第三掩码图像，从所述诊疗原始图像中去除支撑物体的图像区域，包括：
将所述第三掩码图像与所述诊疗识别图像进行像素点匹配，用以从所述诊疗原始图像中去除支撑物体的图像区域，用以生成所述诊疗目标图像。
9.一种医用放射诊疗检查装置，其特征在于，所述医用放射诊疗检查装置包括：存储器、处理器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；
所述计算机程序被所述处理器执行时，实现如权利要求1-8中任一项所述的用于医用放射诊疗检查的成像方法的步骤。
CN202111592150.2A 2021-12-24 2021-12-24 用于医用放射诊疗检查的成像方法及装置 Active CN113989277B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111592150.2A CN113989277B (zh) 2021-12-24 2021-12-24 用于医用放射诊疗检查的成像方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111592150.2A CN113989277B (zh) 2021-12-24 2021-12-24 用于医用放射诊疗检查的成像方法及装置

Publications (2)

Publication Number Publication Date
CN113989277A true CN113989277A (zh) 2022-01-28
CN113989277B CN113989277B (zh) 2022-04-08

Family

ID=79734181

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111592150.2A Active CN113989277B (zh) 2021-12-24 2021-12-24 用于医用放射诊疗检查的成像方法及装置

Country Status (1)

Country Link
CN (1) CN113989277B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170046839A1 (en) * 2015-08-14 2017-02-16 Elucid Bioimaging Inc. Systems and methods for analyzing pathologies utilizing quantitative imaging
CN109003672A (zh) * 2018-07-16 2018-12-14 北京睿客邦科技有限公司 一种基于深度学习的早期肺癌检测分类一体化设备及系统
CN109300113A (zh) * 2018-08-28 2019-02-01 东北大学 一种基于改进凸包方法的肺结节辅助检测系统及方法
CN111091527A (zh) * 2018-10-24 2020-05-01 华中科技大学 一种病理组织切片图像中病变区域自动检测方法及系统
CN113160248A (zh) * 2021-04-22 2021-07-23 浙江明峰智能医疗科技有限公司 一种图像处理方法、装置、设备及可读存储介质
CN113177963A (zh) * 2021-04-25 2021-07-27 明峰医疗系统股份有限公司 一种ct去病床方法
CN113538495A (zh) * 2020-04-17 2021-10-22 成都连心医疗科技有限责任公司 一种基于多模态影像的颞叶勾画方法、勾画系统、计算设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170046839A1 (en) * 2015-08-14 2017-02-16 Elucid Bioimaging Inc. Systems and methods for analyzing pathologies utilizing quantitative imaging
CN109003672A (zh) * 2018-07-16 2018-12-14 北京睿客邦科技有限公司 一种基于深度学习的早期肺癌检测分类一体化设备及系统
CN109300113A (zh) * 2018-08-28 2019-02-01 东北大学 一种基于改进凸包方法的肺结节辅助检测系统及方法
CN111091527A (zh) * 2018-10-24 2020-05-01 华中科技大学 一种病理组织切片图像中病变区域自动检测方法及系统
CN113538495A (zh) * 2020-04-17 2021-10-22 成都连心医疗科技有限责任公司 一种基于多模态影像的颞叶勾画方法、勾画系统、计算设备和存储介质
CN113160248A (zh) * 2021-04-22 2021-07-23 浙江明峰智能医疗科技有限公司 一种图像处理方法、装置、设备及可读存储介质
CN113177963A (zh) * 2021-04-25 2021-07-27 明峰医疗系统股份有限公司 一种ct去病床方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIANG PAN ET AL.: "An automated method to quantify the composition of live pigs based on computed tomography segmentation using deep neural networks", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 *
周茂: "基于深度学习的医学CT图像分割技术研究", 《万方》 *
易志武: "多模态医学影像的融合与重建技术的研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *

Also Published As

Publication number Publication date
CN113989277B (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
US11062449B2 (en) Method and system for extracting vasculature
KR102704869B1 (ko) 딥 러닝 방법을 이용한 3d 치아 데이터의 자동 분류 및 분류체계화
US11379975B2 (en) Classification and 3D modelling of 3D dento-maxillofacial structures using deep learning methods
CN113506294B (zh) 一种医疗图像评估方法、系统、计算机设备及存储介质
EP3392832A1 (en) Automated organ risk segmentation machine learning methods and systems
WO2019175870A1 (en) Automated bone segmentation in images
EP2715663B1 (en) Apparatus for generating assignments between image regions of an image and element classes
US20230177698A1 (en) Method for image segmentation, and electronic device
CN114037803B (zh) 医学图像三维重建方法及系统
CN111462139A (zh) 医学图像显示方法、装置、计算机设备和可读存储介质
CN109816665B (zh) 一种光学相干断层扫描图像的快速分割方法及装置
US11715208B2 (en) Image segmentation
Chen et al. Detection of various dental conditions on dental panoramic radiography using Faster R-CNN
CN116309647B (zh) 颅脑病灶图像分割模型构建方法、图像分割方法及设备
CN112200780B (zh) 骨组织定位方法、装置、计算机设备和存储介质
Bharodiya Feature extraction methods for ct-scan images using image processing
CN109712186B (zh) 图像中勾画感兴趣区域的方法、计算机设备和存储介质
CN113989277B (zh) 用于医用放射诊疗检查的成像方法及装置
CN115761226A (zh) 一种口腔影像分割识别方法、装置、电子设备和存储介质
Al Abboodi et al. Supervised Transfer Learning for Multi Organs 3D Segmentation With Registration Tools for Metal Artifact Reduction in CT Images
Sumathi et al. Harnessing Deep Learning (DL) for Image Inpainting in Healthcare System-Methods and Challenges
CN114341996A (zh) 基于vrds 4d的病情分析方法及相关产品
CN113222886B (zh) 颈静脉球窝、乙状窦沟定位方法和智能颞骨影像处理系统
Sumathi et al. 10 Harnessing Deep
WO2023126246A1 (en) Screening for subtle condition sign detection

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