CN114240937A - 一种基于ct切片的肾结石检测方法及系统 - Google Patents
一种基于ct切片的肾结石检测方法及系统 Download PDFInfo
- Publication number
- CN114240937A CN114240937A CN202210168866.8A CN202210168866A CN114240937A CN 114240937 A CN114240937 A CN 114240937A CN 202210168866 A CN202210168866 A CN 202210168866A CN 114240937 A CN114240937 A CN 114240937A
- Authority
- CN
- China
- Prior art keywords
- kidney
- region
- mask
- slice
- stones
- 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
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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30084—Kidney; Renal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种基于CT切片的肾结石检测方法及系统,该方法包括:获取CT扫描设备扫描得到的肾脏CT断层切片,解析所述CT断层切片;通过三维区域生长法获取CT断层切片中所有包含肾结石的区域;根据肾结石的体积约束筛选所述包含肾结石的区域;对所述CT断层切片基于二维区域生长跟踪得到肾脏区域的第一掩膜,并基于深度学习模型得到肾脏区域的第二掩膜;根据肾脏的第一掩膜、第二掩膜从包含肾结石的区域中筛选出肾结石,得到肾结石的CT坐标。通过该方案可以实现肾结石的精准定位,为智能体外碎石机提供可靠的技术支持。
Description
技术领域
本发明属于医学图像处理领域,尤其涉及一种基于CT切片的肾结石检测方法及系统。
背景技术
肾结石作为一种常见的人类疾病,严重影响了患者的正常生活。目前广泛使用的一种治疗手段是利用体外冲击波碎石,就是将超声或电磁波等能量聚集到一个焦点上打击结石,实现不开刀治疗结石。传统的体外粉碎肾结石手术要求医生凭借自身的经验判断肾结石的位置,操作机械臂进行手术,因此研发智能碎石机实现全自动体外碎石手术具备解放医生双手、减少手术时长和增加手术成功率等种种优点,其中智能碎石机最关键的一步是肾结石的定位,定位算法的准确性和稳定性直接影响到整个手术过程。
在肾结石定位中主要存在误检和漏检的问题,误检表现在将不属于肾脏的结石错误认为是肾结石,漏检则导致一些肾结石没有被准确检测到。在肾脏分割中,由于不同人肾脏轮廓、位置会有差异,肾脏周围存在血管和其它组织结构的CT值很接近,且肾脏内部存在血管、肾小球、水和空气,导致肾脏CT值在不同部位会存在差异,不具备连续性。
目前,常见的肾脏分割方法有阈值分割法、形态学分割法、深度学习等,这些方法虽然可以实现肾脏分割和肾结石大致位置判定,但受肾脏结构、CT值等差异的影响,肾结石定位检测精度低,难以满足智能碎石机的定位需求。
发明内容
有鉴于此,本发明实施例提供了一种基于CT切片的肾结石检测方法及系统,用于解决肾结石定位检测精度低的问题。
在本发明实施例的第一方面,提供了一种基于CT切片的肾结石检测方法,包括:
获取CT扫描设备扫描得到的肾脏CT断层切片,解析所述CT断层切片;
通过三维区域生长法获取CT断层切片中所有包含肾结石的区域;
根据肾结石的体积约束筛选所述包含肾结石的区域;
对所述CT断层切片基于二维区域生长跟踪得到肾脏区域的第一掩膜,并基于深度学习模型得到肾脏区域的第二掩膜;
根据肾脏的第一掩膜、第二掩膜从包含肾结石的区域中筛选出肾结石,得到肾结石的CT坐标。
在本发明实施例的第二方面,提供了一种基于CT切片的肾结石检测系统,包括:
切片解析模块,用于获取CT扫描设备扫描得到的肾脏CT断层切片,解析所述CT断层切片;
区域生长模块,用于通过三维区域生长法获取CT断层切片中所有包含肾结石的区域;
区域筛选模块,用于根据肾结石的体积约束筛选所述包含肾结石的区域;
掩膜生成模块,用于基于二维区域生长跟踪得到肾脏区域的第一掩膜,并基于深度学习模型得到肾脏区域的第二掩膜;
肾结石定位模块,用于根据肾脏的第一掩膜、第二掩膜从包含肾结石的区域中筛选出肾结石,得到肾结石的CT坐标。
在本发明实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。
在本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例中,对CT切片通过三维区域生长法得到包含肾结石的区域,基于肾结石体积进行区域筛选后,基于二维区域生长和深度学习模型分别得到肾脏区域的掩膜,根据两组掩膜从包含肾结石的区域中筛选出肾结石,得到肾结石的CT坐标。从而可以实现对肾结石的精准定位,提高了肾结石定位检测精度,能为智能体外碎石机提供可靠的技术支持。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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介绍,显而易见地,下面描述的附图仅仅是本发明的一些实施例,对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获取其他附图。
图1为本发明一个实施例提供的一种基于CT切片的肾结石检测方法的流程示意图;
图2为本发明一个实施例提供的一种基于CT切片的肾结石检测方法的另一流程示意图;
图3为本发明一个实施例提供的神经网络模型结构示意图;
图4为本发明一个实施例提供的一种基于CT切片的肾结石检测系统的结构示意图;
图5为本发明的一个实施例提供的一种电子设备的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
应当理解,本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述,意指覆盖不排他的包含,如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。此外,“第一”“第二”用于区分不同对象,并非用于描述特定顺序。
请参阅图1,本发明实施例提供的一种基于CT切片的肾结石检测方法的流程示意图,包括:
S101、获取CT扫描设备扫描得到的肾脏CT断层切片,解析所述CT断层切片;
通过CT(Computed Tomography,即计算机断层扫描)扫描设备对人身体部位进行扫描可以得到相应的切片。所述CT断层切片即CT切片,一般为DCM格式的文件,DCM格式是医疗影像常用的存储格式,一个.dcm文件将包含单次诊断的全部信息,包括病人信息和图像数据。
其中,获取CT扫描得到的DCM格式切片,解析DCM格式文件得到切片的像素间距、层间距和图像数据。
由于医疗上常用hu单位来表示CT值,因此需要将图像数据转换成以hu为单位,转
换公式为:,其中,slope和intercept可以通过解析DCM
文件得到。解析DCM文件获取切片的像素间距、层间距、图像数据、slope、intercept,根据公
式将图像数据转换成CT值,并存储像素间距、层间距以便后续的体积计算。
S102、通过三维区域生长法获取CT断层切片中所有包含肾结石的区域;
区域生长是按照事先定义的生长准则将一个像素或者子区域逐步聚合成一个完整独立的连通区域过程,所述三维区域生长是对三维空间的肾结石像素点进行生长聚合。
具体的,遍历获取每一个满足CT值要求且未被分类的像素点,将对应的像素点作为种子点进行三维区域生长,以划分出所有包含肾结石的区域。
每一个满足CT值要求且没有被分类的像素点,将该像素点作为种子点进行三维区域生长,直到划分出所有的区域。由于结石具备高CT值的特点,可以和周围的软组织区分开来,会和骨骼混淆,因此需要做进一步的筛选。对于三维区域生长法,生长过程为选中一个像素点作为种子点,遍历种子点的26邻域,如果相邻像素点满足CT值要求,则将其纳入一个区域并且作为新的种子点继续遍历其周围邻域。
S103、根据肾结石的体积约束筛选所述包含肾结石的区域;
一般肾结石的大小在2mm~2cm之间,换算到CT切片中大概占用5至600个像素点,因此可以根据肾结石体积大小信息对三维区域生长得到的区域进行初步筛选,避免误识别区域的影响。
S104、基于二维区域生长跟踪得到肾脏区域的第一掩膜,并基于深度学习模型得到肾脏区域的第二掩膜;
所述第一掩膜、第二掩膜是用来通过选定的图像,对预处理的图像(全部或局部)进行遮挡,即通过肾脏区域的掩膜,对肾结石进行局部处理,掩膜对应于通过区域生长或深度学习模型分割的肾脏区域。
具体的,对CT断层切片进行高斯滤波抑制噪声点,并根据肾脏的窗宽窗位对CT断层切片进行二值化处理,得到二值化图像;通过分水岭算法将二值化图像中的肾脏与周围的血管、肝脏区域分离;基于二维区域生长法跟踪肾脏区域确定第一掩膜。
进一步的,所述通过分水岭算法将二值化图像中的肾脏与周围的血管、肝脏区域分离包括:
对所述二值化图像分别进行膨胀处理和腐蚀处理,将得到的膨胀图像和腐蚀图像相减,得到未知区域,所述腐蚀图像为已知标签的区域;通过分水岭算法对未知区域分类,得到区域的边界,将边界以预定低CT值添加到原始CT切片中,即将分割边界添加到原始CT断层切片中。
进一步的,所述基于二维区域生长法跟踪肾脏区域确定第一掩膜包括:
选择肾脏的初始种子点,基于初始种子点进行二维区域生长得到肾脏的初始轮廓;基于当前CT切片,选择当前CT切片的肾脏中心点作为下一张/上一张图片的初始种子点,依次生长得到切片中的肾脏区域,将所述肾脏区域作为第一掩膜;其中,基于肾脏轮廓的连续性,当肾脏轮廓面积突变,则将利用上一次分割的肾脏轮廓作为当前的分割轮廓,当肾脏的轮廓面积小于预设阈值时,停止追踪肾脏轮廓。
为了增强鲁棒性,排除像素点CT值不符合要求的情况,初始种子点的周围的像素点也纳为生长的种子点,并且利用肾脏轮廓具有连续性的特点,如果肾脏轮廓面积突变,那么将利用上一次分割的轮廓作为此次的分割。最后,当肾脏的轮廓面积小于阈值的时候,停止追踪肾脏的轮廓。
在一个实施例中,如图2所示,对输入的CT切片进行高斯滤波,经二值化处理后,分别进行形态学膨胀和腐蚀,区域相减即可得到位置区域,通过分水岭算法可以得到区域边界。
选择肾脏区域的初始种子点进行二维区域生长得到初始轮廓,持续判断所有生成的轮廓是否有效,若当前轮廓无效,则将上一轮廓作为当前肾脏轮廓分割结果,当所有切片的肾脏轮廓检测判断完毕,则结束肾脏区域的分割,依次可以得到切片中肾脏的区域。
所述深度学习模型为3D U-Net网络模型,其结构如图3所示。3D U-Net模型是根据2D U-Net模型衍生得来,在结构上和2D U-Net类似,是典型的编解码器结构,整个网络的结构前半部分包含及使用如下卷积操作:每一层神经网络都包含两组3 * 3 * 3的卷积层、Batch Normalization层和ReLU层,每层之间用2*2*2的max pool层连接。解码操作包含:每层之间包含两组3*3*3的卷积层,层间用upconvolution层连接,最后一层为1×1×1的卷积层,可以减少输出的通道数。解码器与编码器有三条信息流连接,由此底层的细节信息可以直接流向解码器,细节信息的补充,使得网络对特征图有更好的理解,能够精准地识别并定位出肾脏区域。
具体的,对CT图像预处理,根据肾脏的窗宽窗位,对像素点进行剪裁,保留像素值在特定范围像素点,并采用Z-Score 公式对像素值进行标准化,对数据集进行重采样;对数据集依次进行镜像翻转、对比度增强、伽马变换、加高斯噪声、亮度增强、旋转、缩放、弹性变形处理;构建3D U-Net深度学习模型,对所述3D U-Net深度学习模型进行训练,通过训练后的3D U-Net深度学习模型识别CT图像中的肾脏区域。
图像预处理中,根据肾脏的窗宽窗位,将像素值进行剪裁,保留像素值在[-79,
304]的像素点。采用Z-Score 公式对像素值进行标准化,Z-Score公式为,利用Z-
Score标准化之后的数据具备均值为0,标准差为1的特点;由于采用了3D U-Net模型,而数
据集的像素间距和层间距各不相同,因此将数据集进行重采样来降低不同图像之间的不一
致性,此处采用了最佳重采样参数。
数据增强中,分别对数据集做镜像翻转(mirror augmentation)、对比度增强(contrast augmentation)、伽马变换(gamma augmentation)、加高斯噪声(gaussiannoise augmentation)、亮度增强(brightness augmentation)、旋转(rotation)、缩放(scaling)、弹性变形(elastic deformation)处理,以防止训练过拟合。
网络模型采用了3D U-Net模型进行肾脏区域检测。
S105、根据肾脏的第一掩膜、第二掩膜从包含肾结石的区域中筛选出肾结石,得到肾结石的CT坐标。
具体的,将肾脏的第一掩膜、第二掩膜与所述包含肾结石的区域比对,判断包含肾结石的区域是否同时存在于第一掩膜、第二掩膜对应的肾脏轮廓中,若同时存在,则判定对应包含肾结石的区域为肾结石,若只存在于一个掩膜对应的肾脏轮廓中,则判定为疑似肾结石,并由人工进一步判断。
对于两组肾脏掩膜和人工分割肾脏得到的掩膜,算法的dict系数依次为83%和87%,二维区域生长法由于会概率性地将周围非肾脏区域划分为肾脏区域,而3D U-Net相反会概率性损失肾脏区域,所以将两种方法结合起来,进一步提高肾结石识别的准确性和鲁棒性。
判断包含肾结石的区域是否在掩膜对应的肾脏轮廓范围内,如果包含肾结石的区域同时在两种方法得到的肾脏轮廓中,则认为该区域一定是肾结石,如果只出现在一个肾脏轮廓中,则认为疑似肾结石,将由医生做进一步的判断。
本实施例中,通过结合三维区域生长法、改进的二维区域生长法和3D U-Net深度学习模型等,可以精准定位的肾结石得到位置、体积等信息。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图4为本发明实施例提供的一种基于CT切片的肾结石检测系统的结构示意图,该系统包括:
切片解析模块410,用于获取CT扫描设备扫描得到的肾脏CT断层切片,解析所述CT断层切片;
其中,所述切片解析模块410包括:
解析单元,用于获取CT扫描得到的DCM格式切片,解析DCM格式文件得到切片的像素间距、层间距和图像数据。
区域生长模块420,用于通过三维区域生长法获取CT断层切片中所有包含肾结石的区域;
其中,所述区域生长模块420包括:
区域生长单元,用于遍历获取每一个满足CT值要求且未被分类的像素点,将对应的像素点作为种子点进行三维区域生长,以划分出所有包含肾结石的区域。
区域筛选模块430,用于根据肾结石的体积约束筛选所述包含肾结石的区域;
掩膜生成模块440,用于基于二维区域生长跟踪得到肾脏区域的第一掩膜,并基于深度学习模型得到肾脏区域的第二掩膜;
可选的,所述掩膜生成模块440包括:
滤波单元,对CT断层切片进行高斯滤波抑制噪声点,并根据肾脏的窗宽窗位对CT断层切片进行二值化处理,得到二值化图像;
区域分离单元,通过分水岭算法将二值化图像中的肾脏与周围的血管、肝脏区域分离;
区域跟踪单元,用于基于二维区域生长法跟踪肾脏区域确定第一掩膜。
其中,所述通过分水岭算法将二值化图像中的肾脏与周围的血管、肝脏区域分离包括:
对所述二值化图像分别进行膨胀处理和腐蚀处理,将得到的膨胀图像和腐蚀图像相减,得到未知区域,所述腐蚀图像为已知标签的区域;
通过分水岭算法对未知区域分类,得到区域的边界,将边界以预定低CT值添加到原始CT切片中。
其中,所述基于二维区域生长法跟踪肾脏区域确定第一掩膜包括:
选择肾脏的初始种子点,基于初始种子点进行二维区域生长得到肾脏的初始轮廓;
基于当前CT切片,选择当前CT切片的肾脏中心点作为下一张/上一张图片的初始种子点,依次生长得到切片中的肾脏区域,将所述肾脏区域作为第一掩膜;
其中,基于肾脏轮廓的连续性,当肾脏轮廓面积突变,则将上一次分割的肾脏轮廓作为当前的分割轮廓,当肾脏的轮廓面积小于预设阈值时,停止追踪肾脏轮廓。
可选的,所述掩膜生成模块440还包括:
预处理单元,用于对CT图像预处理,根据肾脏的窗宽窗位,对像素点进行剪裁,保留像素值在特定范围的像素点,并采用Z-Score 公式对像素值进行标准化,对数据集进行重采样。
数据增强单元,用于对数据集依次进行镜像翻转、对比度增强、伽马变换、加高斯噪声、亮度增强、旋转、缩放、弹性变形处理;
模型训练单元,用于构建3D U-Net深度学习模型,对所述3D U-Net深度学习模型进行训练,通过训练后的3D U-Net深度学习模型识别CT图像中的肾脏区域。
肾结石定位模块450,用于根据肾脏的第一掩膜、第二掩膜从包含肾结石的区域中筛选出肾结石,得到肾结石的CT坐标。
具体的,将肾脏的第一掩膜、第二掩膜与所述包含肾结石的区域比对,判断包含肾结石的区域是否同时存在于第一掩膜、第二掩膜对应的肾脏轮廓中,若同时存在,则判定对应包含肾结石的区域为肾结石,若只存在于一个掩膜对应的肾脏轮廓中,则判定为疑似肾结石,并由人工进一步判断。
所述领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和模块的具体工作过程可以参考前述方法实施例中对应的过程,在此不再赘述。
图5是本发明一实施例提供的一种电子设备的结构示意图。所述电子设备用于CT切片中的肾结石检测定位。如图5所示,该实施例的电子设备5包括:存储器510、处理器520以及系统总线530,所述存储器510包括存储其上的可运行的程序5101,本领域技术人员可以理解,图5中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图5对电子设备的各个构成部件进行具体的介绍:
存储器510可用于存储软件程序以及模块,处理器520通过运行存储在存储器510的软件程序以及模块,从而执行电子设备的各种功能应用以及数据处理。存储器510可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据(比如缓存数据)等。此外,存储器510可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在存储器510上包含网络请求方法的可运行程序5101,所述可运行程序5101可以被分割成一个或多个模块/单元,所述一个或多个模块/单元被存储在所述存储器510中,并由处理器520执行,以实现肾结石定位等,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5101在所述电子设备5中的执行过程。例如,所述计算机程序5101可以被分割为切片解析模块、区域生长模块、区域筛选模块、掩膜生成模块和肾结石定位模块。
处理器520是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器510内的软件程序和/或模块,以及调用存储在存储器510内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体状态监控。可选的,处理器520可包括一个或多个处理单元;优选的,处理器520可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器520中。
系统总线530是用来连接计算机内部各功能部件,可以传送数据信息、地址信息、控制信息,其种类可以是例如PCI总线、ISA总线、CAN总线等。处理器520的指令通过总线传递至存储器510,存储器510反馈数据给处理器520,系统总线530负责处理器520与存储器510之间的数据、指令交互。当然系统总线530还可以接入其他设备,例如网络接口、显示设备等。
在本发明实施例中,该电子设备所包括的处理520执行的可运行程序包括:
获取CT扫描设备扫描得到的肾脏CT断层切片,解析所述CT断层切片;
通过三维区域生长法获取CT断层切片中所有包含肾结石的区域;
根据肾结石的体积约束筛选所述包含肾结石的区域;
对所述CT断层切片基于二维区域生长跟踪得到肾脏区域的第一掩膜,并基于深度学习模型得到肾脏区域的第二掩膜;
根据肾脏的第一掩膜、第二掩膜从包含肾结石的区域中筛选出肾结石,得到肾结石的CT坐标。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于CT切片的肾结石检测方法,其特征在于,包括:
获取CT扫描设备扫描得到的肾脏CT断层切片,解析所述CT断层切片;
通过三维区域生长法获取CT断层切片中所有包含肾结石的区域;
根据肾结石的体积约束筛选所述包含肾结石的区域;
对所述CT断层切片基于二维区域生长跟踪得到肾脏区域的第一掩膜,并基于深度学习模型得到肾脏区域的第二掩膜;
根据肾脏的第一掩膜、第二掩膜从包含肾结石的区域中筛选出肾结石,得到肾结石的CT坐标。
2.根据权利要求1所述的方法,其特征在于,所述解析所述CT断层切片包括:
获取CT扫描得到的DCM格式切片,解析DCM格式文件得到切片的像素间距、层间距和图像数据。
3.根据权利要求1所述的方法,其特征在于,所述通过三维区域生长法获取CT断层切片中所有包含肾结石的区域包括:
遍历获取每一个满足CT值要求且未被分类的像素点,将对应的像素点作为种子点进行三维区域生长,以划分出所有包含肾结石的区域。
4.根据权利要求1所述的方法,其特征在于,所述对所述CT断层切片基于二维区域生长跟踪得到肾脏区域的第一掩膜包括:
对CT断层切片进行高斯滤波抑制噪声点,并根据肾脏的窗宽窗位对CT断层切片进行二值化处理,得到二值化图像;
通过分水岭算法将二值化图像中的肾脏与周围的血管、肝脏区域分离;
基于二维区域生长法跟踪肾脏区域确定第一掩膜。
5.根据权利要求4所述的方法,其特征在于,所述通过分水岭算法将二值化图像中的肾脏与周围的血管、肝脏区域分离包括:
对所述二值化图像分别进行膨胀处理和腐蚀处理,将得到的膨胀图像和腐蚀图像相减,得到未知区域,所述腐蚀图像为已知标签的区域;
通过分水岭算法对未知区域分类,得到区域的边界,将边界以预定低CT值添加到原始CT切片中。
6.根据权利要求4所述的方法,其特征在于,所述基于二维区域生长法跟踪肾脏区域确定第一掩膜包括:
选择肾脏的初始种子点,基于初始种子点进行二维区域生长得到肾脏的初始轮廓;
基于当前CT切片,选择当前CT切片的肾脏中心点作为下一张/上一张图片的初始种子点,依次生长得到切片中的肾脏区域,将所述肾脏区域作为第一掩膜;
其中,基于肾脏轮廓的连续性,当肾脏轮廓面积突变,则将上一次分割的肾脏轮廓作为当前的分割轮廓,当肾脏的轮廓面积小于预设阈值时,停止追踪肾脏轮廓。
7.根据权利要求1所述的方法,其特征在于,所述基于深度学习模型得到肾脏区域的第二掩膜包括:
对CT图像预处理,根据肾脏的窗宽窗位,对像素点进行剪裁,保留像素值在特定范围的像素点,并采用Z-Score 公式对像素值进行标准化,对数据集进行重采样;
对数据集依次进行镜像翻转、对比度增强、伽马变换、加高斯噪声、亮度增强、旋转、缩放、弹性变形处理;
构建3D U-Net深度学习模型,对所述3D U-Net深度学习模型进行训练,通过训练后的3D U-Net深度学习模型识别CT图像中的肾脏区域。
8.根据权利要求1所述的方法,其特征在于,所述根据肾脏的第一掩膜、第二掩膜从包含肾结石的区域中筛选出肾结石,得到肾结石的CT坐标包括:
将肾脏的第一掩膜、第二掩膜与所述包含肾结石的区域比对,判断包含肾结石的区域是否同时存在于第一掩膜、第二掩膜对应的肾脏轮廓中,若同时存在,则判定对应包含肾结石的区域为肾结石,若只存在于一个掩膜对应的肾脏轮廓中,则判定为疑似肾结石,并由人工进一步判断。
9.一种基于CT切片的肾结石检测系统,其特征在于,包括:
切片解析模块,用于获取CT扫描设备扫描得到的肾脏CT断层切片,解析所述CT断层切片;
区域生长模块,用于通过三维区域生长法获取CT断层切片中所有包含肾结石的区域;
区域筛选模块,用于根据肾结石的体积约束筛选所述包含肾结石的区域;
掩膜生成模块,用于基于二维区域生长跟踪得到肾脏区域的第一掩膜,并基于深度学习模型得到肾脏区域的第二掩膜;
肾结石定位模块,用于根据肾脏的第一掩膜、第二掩膜从包含肾结石的区域中筛选出肾结石,得到肾结石的CT坐标。
10.一种电子设备,包括存储器、处理器以及存储在所述存储器中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5任一项所述的一种基于CT切片的肾结石检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210168866.8A CN114240937B (zh) | 2022-02-24 | 2022-02-24 | 一种基于ct切片的肾结石检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210168866.8A CN114240937B (zh) | 2022-02-24 | 2022-02-24 | 一种基于ct切片的肾结石检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114240937A true CN114240937A (zh) | 2022-03-25 |
CN114240937B CN114240937B (zh) | 2022-05-27 |
Family
ID=80747916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210168866.8A Active CN114240937B (zh) | 2022-02-24 | 2022-02-24 | 一种基于ct切片的肾结石检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114240937B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550943A (zh) * | 2022-04-21 | 2022-05-27 | 武汉烽火凯卓科技有限公司 | 一种基于医疗影像的冲击波入射点仿真规划方法及系统 |
CN117115166A (zh) * | 2023-10-24 | 2023-11-24 | 北京大学第一医院 | 一种肾脏多期ct影像检测系统及方法、电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080107230A1 (en) * | 2006-11-08 | 2008-05-08 | Shenyang Neusoft Medical Systems Co. | Apparatus, method and system for computer tomography image processing |
CN101727661A (zh) * | 2008-10-10 | 2010-06-09 | 株式会社东芝 | 医用图像处理装置 |
CN108447063A (zh) * | 2017-12-15 | 2018-08-24 | 浙江中医药大学 | 脑胶质母细胞瘤的多模态核磁共振图像分割方法 |
US20190139223A1 (en) * | 2017-07-31 | 2019-05-09 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for extracting a region of interest from volume data |
CN110033432A (zh) * | 2019-03-01 | 2019-07-19 | 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) | 基于机器学习和能谱ct的泌尿结石成分分析方法及系统 |
CN110503699A (zh) * | 2019-07-01 | 2019-11-26 | 天津大学 | 一种ct投影路径减少情况下的ct图像重建方法 |
CN111340130A (zh) * | 2020-03-09 | 2020-06-26 | 江西省人民医院 | 一种基于深度学习和影像组学的泌尿结石检测分类方法 |
CN112651929A (zh) * | 2020-12-09 | 2021-04-13 | 浙江明峰智能医疗科技有限公司 | 基于三维全卷积神经网络及区域生长的医学影像器官分割方法及系统 |
-
2022
- 2022-02-24 CN CN202210168866.8A patent/CN114240937B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080107230A1 (en) * | 2006-11-08 | 2008-05-08 | Shenyang Neusoft Medical Systems Co. | Apparatus, method and system for computer tomography image processing |
CN101727661A (zh) * | 2008-10-10 | 2010-06-09 | 株式会社东芝 | 医用图像处理装置 |
US20190139223A1 (en) * | 2017-07-31 | 2019-05-09 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for extracting a region of interest from volume data |
CN108447063A (zh) * | 2017-12-15 | 2018-08-24 | 浙江中医药大学 | 脑胶质母细胞瘤的多模态核磁共振图像分割方法 |
CN110033432A (zh) * | 2019-03-01 | 2019-07-19 | 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) | 基于机器学习和能谱ct的泌尿结石成分分析方法及系统 |
CN110503699A (zh) * | 2019-07-01 | 2019-11-26 | 天津大学 | 一种ct投影路径减少情况下的ct图像重建方法 |
CN111340130A (zh) * | 2020-03-09 | 2020-06-26 | 江西省人民医院 | 一种基于深度学习和影像组学的泌尿结石检测分类方法 |
CN112651929A (zh) * | 2020-12-09 | 2021-04-13 | 浙江明峰智能医疗科技有限公司 | 基于三维全卷积神经网络及区域生长的医学影像器官分割方法及系统 |
Non-Patent Citations (3)
Title |
---|
SUJATA NAVARATNAM 等: "Automated Kidney Stone Segmentation by Seed Pixel Region Growing Approach:Initial Implementation and Results", 《INTERNATIONAL JOURNAL OF ENGINEERING&TECHNOLOGY》 * |
薛志东 等: "一种SVM与区域生长相结合的图像分割方法", 《计算机应用》 * |
陈倩: "基于局部区域生长和Faster R-CNN的弱监督图像语义分割", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550943A (zh) * | 2022-04-21 | 2022-05-27 | 武汉烽火凯卓科技有限公司 | 一种基于医疗影像的冲击波入射点仿真规划方法及系统 |
CN114550943B (zh) * | 2022-04-21 | 2022-07-29 | 武汉烽火凯卓科技有限公司 | 一种基于医疗影像的冲击波入射点仿真规划方法及系统 |
CN117115166A (zh) * | 2023-10-24 | 2023-11-24 | 北京大学第一医院 | 一种肾脏多期ct影像检测系统及方法、电子设备 |
CN117115166B (zh) * | 2023-10-24 | 2024-03-26 | 北京大学第一医院 | 一种肾脏多期ct影像检测系统及方法、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114240937B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114240937B (zh) | 一种基于ct切片的肾结石检测方法及系统 | |
CN112489005B (zh) | 骨分割方法及装置、骨折检出方法及装置 | |
JP4354737B2 (ja) | 多重エネルギ画像による計算機支援診断 | |
CA3068526A1 (en) | Classification and 3d modelling of 3d dento-maxillofacial structures using deep learning methods | |
US20090060366A1 (en) | Object segmentation in images | |
CN111415743B (zh) | 肺炎分类方法、装置、介质及电子设备 | |
US8165376B2 (en) | System and method for automatic detection of rib metastasis in computed tomography volume | |
CN111166362B (zh) | 医学图像的显示方法及装置、存储介质及电子设备 | |
JP2021525144A (ja) | 画像から歯髄領域をセグメント化するための方法、システム、及びコンピュータプログラム | |
CN112184684A (zh) | 一种改进的YOLO-v3算法及其在肺结节检测中的应用 | |
US8050470B2 (en) | Branch extension method for airway segmentation | |
CN111415356B (zh) | 肺炎征象的分割方法、装置、介质及电子设备 | |
CN114140378A (zh) | 扫描图像处理方法、电子设备和可读介质 | |
KR102182357B1 (ko) | Ct 영상 내 간암 영역 기반으로 3차원 분석을 하는 수술 보조 장치 및 방법 | |
CN112308823B (zh) | 医学图像中感兴趣区域的定位方法及装置 | |
CN117333529A (zh) | 一种基于模板匹配的血管超声内膜自动化测量方法及系统 | |
Jamil et al. | Adaptive thresholding technique for segmentation and juxtapleural nodules inclusion in lung segments | |
JP7456928B2 (ja) | 胸部x線画像の異常表示制御方法、異常表示制御プログラム、異常表示制御装置、及びサーバ装置 | |
CN114332128B (zh) | 医学图像处理方法及其装置、电子设备和计算机存储介质 | |
CN114066885B (zh) | 下肢骨骼模型构造方法、装置、电子设备及存储介质 | |
CN113192099B (zh) | 一种组织提取方法、装置、设备和介质 | |
CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
CN115526824A (zh) | 图像处理方法及相关装置 | |
CN114187320A (zh) | 脊柱ct图像的分割方法、椎体成像的识别方法及装置 | |
CN115775219A (zh) | 医学图像分割方法、系统、电子设备及介质 |
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 |