CN114299009A - 基于医学图像的消融区域确定方法、设备及存储介质 - Google Patents

基于医学图像的消融区域确定方法、设备及存储介质 Download PDF

Info

Publication number
CN114299009A
CN114299009A CN202111609774.0A CN202111609774A CN114299009A CN 114299009 A CN114299009 A CN 114299009A CN 202111609774 A CN202111609774 A CN 202111609774A CN 114299009 A CN114299009 A CN 114299009A
Authority
CN
China
Prior art keywords
voxel
region
ablation
aggregation
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.)
Pending
Application number
CN202111609774.0A
Other languages
English (en)
Inventor
贾泽宇
夏良道
黄宁
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.)
Hangzhou Jialiang Medical Technology Co ltd
Original Assignee
Hangzhou Jialiang Medical Technology 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 Hangzhou Jialiang Medical Technology Co ltd filed Critical Hangzhou Jialiang Medical Technology Co ltd
Priority to CN202111609774.0A priority Critical patent/CN114299009A/zh
Publication of CN114299009A publication Critical patent/CN114299009A/zh
Priority to PCT/CN2022/141121 priority patent/WO2023125247A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/187Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本申请公开一种基于医学图像的消融区域确定方法、设备及存储介质,属于图像处理技术领域。其通过获取对目标区域病灶组织进行消融前的术前影像、和进行消融后的术后影像;对术前影像和术后影像进行配准及三维建模,得到三维术前影像和三维术后影像;基于三维术前影像和三维术后影像上各个体素的体素差值,对各个体素进行区域聚合,得到至少一个聚合区域;在显示界面显示聚合区域,以供操作者确定聚合区域是否为消融区域;在操作者确定聚合区域为消融区域的情况下,按照预设显示方式显示消融区域;可以解决机器识别消融区域时识别结果可能不准确的问题;可以提高消融区域识别的准确性。

Description

基于医学图像的消融区域确定方法、设备及存储介质
技术领域
本申请属于图像处理技术领域,具体涉及一种基于医学图像的消融区域确定方法、设备及存储介质。
背景技术
热消融术(Thermal Ablation Therapy)是利用热效应引起病变组织凝固、坏死或汽化、炭化而达到消融灭活治疗目的的技术。热消融术包括激光、高频电刀、氩等离子体凝固及微波治疗、射频治疗等。以热消融术中的激光间质热疗(Laser Interstitial ThermalTherapy,简称LITT)技术为例,该LITT是一种针对多种颅内病变的新型微创技术,已被用于治疗颅内深部、较难以切除的颅内病变,如肿瘤、放射性坏死、脑内或深部核和白质的癫痫病灶等。该技术使用激光尖端探针插入脑部病变的内部,通过加热周围组织来产生可控的热损伤。术中实时磁共振成像(MRI)测温允许对消融区域进行连续监控,并且消融可随时停止。
为确保热消融治疗的有效性,还需要依赖现代医学影像技术对治疗后病灶组织的消融情况进行准确评估,而图像识别技术在激光消融治疗的术后疗效评估中发挥着至关重要的作用。如何快速、精准的识别出术后消融区域是进行术后评估的重要前提。现阶段,已有的消融区域识别方法主要包含深度学习和人工勾画。其中:①,深度学习是将术前影像和术后影像输入深度学习网络模型进行消融区域的识别。其中,深度学习网络模型是使用数据集预先训练得到的。数据集包括样本术前影像、该样本术前影像对应的样本术后影像、以及标注出的该样本术后影像中消融区域。但是深度学习的缺陷在于需要大量样本来进行训练才能达到较好的泛化。然而,目前某些部位(比如:脑部)的数据集数量可能较少,此时,深度学习网络模型的训练过程缺乏足够的数据集来进行深度学习。再者,基于深度学习的图像识别技术并不能快速且精准的将消融区域识别出,如遇到伪影、噪点等,该识别方法仍较难取得理想的效果。②,人工勾画的消融区域识别方法所花费的时间较长,且高度依赖于工作者的临床经验,具有一定的局限性。③,此外,针对多肿瘤需要使用多根光纤在多处进行消融的情况,目前尚无一种有效的识别方法能做到对多肿瘤区域或是多消融区域的一次性快速而精准的识别。
现有的消融区域识别方法在快速性和精准性方面有较大欠缺,无法满足实际需求,因此如何快速、准确的识别出消融区域是本领域技术人员亟待解决的问题。
发明内容
本申请所要解决的技术问题包括机器识别消融区域时识别结果可能不准确的问题。
为解决上述技术问题,本申请提供一种基于医学图像的消融区域确定方法,所述方法包括:
获取对目标区域病灶组织进行消融前的术前影像、和进行消融后的术后影像;
对所述术前影像和所述术后影像进行配准及三维建模,得到三维术前影像和三维术后影像;
基于所述三维术前影像和所述三维术后影像上各个体素的体素差值,对各个体素进行区域聚合,得到至少一个聚合区域;
在显示界面显示所述聚合区域,以供操作者确定所述聚合区域是否为消融区域;
在操作者确定所述聚合区域为消融区域的情况下,按照预设显示方式显示所述消融区域。
可选地,所述基于所述三维术前影像和所述三维术后影像上各个体素的体素差值,对各个体素进行区域聚合,得到至少一个聚合区域,包括:
计算所述三维术前影像和所述三维术后影像上各个体素的体素差值;
获取区域聚合阈值;
对于所述各个体素中未聚合的目标体素,在所述目标体素的第一相邻体素的体素差值小于所述区域聚合阈值的情况下,将所述第一相邻体素与所述目标体素聚合为同一区域,并确定所述第一相邻体素的第二相邻体素的体素差值是否小于所述区域聚合阈值;
在所述第二相邻体素的体素差值小于所述区域聚合阈值的情况下,将所述第二相邻体素与所述目标体素聚合为同一区域,并将所述第二相邻体素作为所述第一相邻体素,再次执行所述确定所述第一相邻体素的第二相邻体素的体素差值是否小于所述区域聚合阈值的步骤,得到所述目标体素对应的聚合区域。
可选地,所述获取区域聚合阈值,包括:
基于所述各个体素的体素差值生成体素差值列表;所述体素差值列表包括各个体素对应的体素差值,每个体素差值对应至少一个体素的位置信息;所述体素差值列表中的体素差值由大至小排列;
计算所述目标体素对应的目标体素差值、以及所述体素差值列表中位于所述目标体素差值之后的第n个体素差值之差,得到所述区域聚合阈值;所述n为正整数。
可选地,所述方法还包括:
确定病灶进行消融时的靶点,得到所述目标体素,所述靶点是指对所有病灶进行消融时光纤出光的空间坐标的集合。
可选地,所述方法还包括:
从各个体素中确定未聚合、且体素差值最大的体素,得到所述目标体素。
可选地,所述在显示界面显示所述聚合区域,包括:
确定所述聚合区域的最大边缘距离是否大于预设阈值,所述预设阈值基于消融直径确定;
在所述最大边缘距离大于所述预设阈值的情况下,在显示界面显示所述聚合区域。
可选地,所述在操作者确定所述聚合区域为消融区域的情况下,按照预设显示方式显示所述消融区域,包括:
响应于接收到所述操作者输入的确认操作,按照预设显示方式显示所述消融区域。
可选地,在操作者确定所述聚合区域为消融区域的情况下,所述按照预设显示方式显示所述消融区域,包括:
对所述消融区域进行三维建模,得到三维消融区域;
按照所述预设显示方式显示所述三维消融区域。
另一方面,本申请还提供一种电子设备,所述电子设备包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现上述基于医学图像的消融区域确定方法。
另一方面,本申请还提供一种计算机可读存储介质,所述存储介质中存储有程序,所述程序被处理器执行时用于实现上述基于医学图像的消融区域确定方法。
本申请提供的技术方案,具有以下优点:
通过获取对目标区域病灶组织进行消融前的术前影像、和进行消融后的术后影像;对术前影像和术后影像进行配准及三维建模,得到三维术前影像和三维术后影像;基于三维术前影像和三维术后影像上各个体素的体素差值,对各个体素进行区域聚合,得到至少一个聚合区域;在显示界面显示聚合区域,以供操作者确定聚合区域是否为消融区域;在操作者确定聚合区域为消融区域的情况下,按照预设显示方式显示消融区域;可以解决机器识别消融区域时识别结果可能不准确的问题;通过对各个体素进行区域聚合,并得到的聚合区域推送给操作者进行消融区域的判断,可以提高消融区域识别的准确性。
另外,通过基于目标体素的体素差值在体素差值列表中的位置来确定区域聚合阈值,使得区域聚合阈值可以自适应动态变化,可以提高区域聚合的准确性。
另外,由于体素差值大的体素属于消融区域的概率大,因此,通过按照体素差值由大到小的顺序优先对体素差值大的体素进行聚合,并优先推荐,可以尽可能地优先推荐消融区域,提高区域推荐效果。
另外,由于靶点存在消融区域的概率大,因此,通过优先推荐靶点的消融区域,可以尽可能地优先推荐消融区域,进一步提高区域推荐效果。
另外,由于聚合区域的推送是为了供操作者选择出消融区域,而消融区域的尺寸往往会满足预设尺寸条件。因此,通过在最大边缘距离大于预设阈值的情况下,在显示界面显示聚合区域,可以减少操作者所需判断的聚合区域的数量,从而提高判断效率。
更进一步的,针对多肿瘤需要使用多根光纤在多处进行消融的情况,通过在最大边缘距离大于预设阈值的情况下,在显示界面显示聚合区域,使用本发明的识别方法实现了一次性可量化地将预计已发生消融的区域识别出或是先推荐给医护工作者,再由医护工作者确认推荐区域是否是消融区域,避免了误判情况的发生。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本申请的一些实施方式,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获得其他的附图。
图1是本申请一个实施例提供的基于医学图像的消融区域确定方法的流程图;
图2是本申请一个实施例提供的基于医学图像的消融区域确定装置的框图;
图3是本申请一个实施例提供的电子设备的框图。
具体实施方式
下面将结合附图对本申请的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。下文中将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
在本申请中,在未作相反说明的情况下,使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的,或者是针对部件本身在竖直、垂直或重力方向上而言的;同样地,为便于理解和描述,“内、外”是指相对于各部件本身的轮廓的内、外,但上述方位词并不用于限制本申请。
本申请中,以各个实施例的执行主体为电子设备为例进行说明,该电子设备具有图像处理功能,该电子设备可以是计算机、平板电脑、医学成像设备等,本实施例不对电子设备的实现方式作限定。
图1是本申请一个实施例提供的基于医学图像的消融区域确定方法的流程图,该方法至少包括以下几个步骤:
步骤101,获取对目标区域病灶组织进行消融前的术前影像、和进行消融后的术后影像。
可选地,术前影像和术后影像包括核磁共振(Magnetic Resonance Imaging,MRI)影像。在其它实施例中,术前影像和术后影像也可以包括电子计算机断层扫描(ComputedTomography,CT)图像,本实施例不对术前影像和术后影像的图像类型作限定。
可选地,术前影像和术后影像可以为视频流中的一帧图像,或者为一张单独的图像,本实施例不对术前影像和术后影像的来源作限定。
可选地,术前影像和术后影像可以为电子设备采集的,或者是与电子设备通信相连的其它设备发送的,本实施例不对电子设备获取术前影像和术后影像的方式作限定。
步骤102,对术前影像和术后影像进行配准及三维建模,得到三维术前影像和三维术后影像。
可选地,电子设备对术前影像和术后影像进行配准,之后对配准后的影像分别进行三维建模;或者,电子设备对术前影像和术后影像进行三维建模,之后对三维建模后的影像进行配准,本实施例不对配准和三维建模之间的执行顺序作限定。
对影像进行配准的方式包括:使用点集配准技术对影像进行配准。其中,点集配准技术包括但不限于:迭代最近点算法(Iterative closest point,ICP)、基于粒子群优化(Robust point matching,RPM)算法、核相关(Kernel correlation,KC)算法、或者一致性点漂移(Coherent point drift,CPD)算法等,本实施例不对影像的配准方式作限定。
对影像进行三维建模可以是基于面绘制的重建算法、或者也可以是基于体绘制的重建算法,本实施例不对三维建模的方式作限定。
步骤103,基于三维术前影像和三维术后影像上各个体素的体素差值,对各个体素进行区域聚合,得到至少一个聚合区域。
由于消融区域的体素差值较大、而非消融区域的体素差值较小,因此,本实施例中,通过体素差值对各个体素进行区域聚合,可以将消融区域和非消融区域区别开,以供操作者从各个聚合区域中选择出消融区域。
在一个示例中,基于三维术前影像和三维术后影像上各个体素的体素差值,对各个体素进行区域聚合,得到至少一个聚合区域,包括以下几个步骤:
步骤1,计算三维术前影像和三维术后影像上各个体素的体素差值。
示意性地,若灰度值的取值范围为0~255,则体素差值可以为0~255中的任意数值。或者,若灰度值的取值范围为0~65535,则体素差值可以为0~65535中的任意数值。
步骤2,获取区域聚合阈值。
可选地,获取区域聚合阈值,包括:基于各个体素的体素差值生成体素差值列表;对于各个体素中未聚合的目标体素,计算目标体素对应的目标体素差值、以及体素差值列表中位于目标体素差值之后的第n个体素差值之差,得到区域聚合阈值。n为正整数。
其中,体素差值列表包括各个体素对应的体素差值,每个体素差值对应至少一个体素的位置信息;体素差值列表中的体素差值由大至小排列。
比如:体素差值列表通过下表一所示,根据表一可知,体素差值按照由大到小的顺序排列,且每个体素差值对应至少一个体素的位置信息。
表一:
Figure BDA0003435003650000071
Figure BDA0003435003650000081
可选地,目标体素为病灶进行消融时的靶点位置。此时,在步骤2之前,还需要确定进行消融时的靶点位置,得到目标体素。其中,靶点位置为一个或至少两个或多个。靶点位置即为消融能量源所作用的位置。以LITT为例,靶点位置即为光纤所作用的位置。更具体地,靶点是光纤的出光部在脑内所发生的消融的位置。优选的,靶点为所有病灶组织进行消融时光纤出光的空间坐标的集合。更进一步的,靶点还可以是光纤出光部位的中心位置或者是光纤的端部位置。在激光消融术后,可以根据靶点位置信息和体素差值矩阵优先或是仅仅聚合判断靶点位置处的消融区域情况,加快了消融区域识别的速度和精准性。
或者,目标体素为各个体素中确定未聚合、且体素差值最大的体素。此时,在步骤2之前,还需要从各个体素中确定未聚合、且体素差值最大的体素,得到目标体素。
在实际实现时,电子设备可以优先确定靶点对应的聚合区域、再确定体素差值最大的体素对应的聚合区域,本实施例不对聚合区域的划分顺序作限定。
可选地,n的取值为定值,或者基于体素差值的取值范围确定。在n基于体素差值的取值范围确定的情况下,n的值为体素差值的取值范围与预设百分比的乘积。
更进一步地,预设百分比的值如果过小,会导致消融区域推荐不完全,如果过大会导致系统推荐过多的聚合,识别不精准,因此合适的预设百分比的设置是极为重要的。预设百分比还可以根据MRI设备的型号、运行参数、和/或运行环境等进行适应性调整,以使本申请提供的消融区域确定方法适用于任何MRI设备,且避免对图像数据本身的校正过程,从而加快了消融区域识别的速度。
在本申请的另一实施例中,预设百分比可以为10%或者15%或者10%~15%之间的任意值,还或者是操作者自己设置的其他值,例如是5%或者21%等,本实施例不对预设百分比的取值作限定。
假设,目标体素V1在体素差值列表中的体素为X1,其位置后10%的体素在体素差值列表中的体素为X2。那么,区域聚合阈值DeltaX=V(X2)-V(X1)。其中,V(X2),V(X1)分别代表两个体素的体素差值。
在其它实施例中,区域聚合阈值也可以为预设的固定值,本实施例不对区域聚合阈值的设置方式作限定。
步骤3,对于各个体素中未聚合的目标体素,在目标体素的第一相邻体素的体素差值小于区域聚合阈值的情况下,将第一相邻体素与目标体素聚合为同一区域,并确定第一相邻体素的第二相邻体素的体素差值是否小于区域聚合阈值。
可选地,在目标体素的第一相邻体素的体素差值大于或等于区域聚合阈值的情况下,确定第一相邻体素与目标体素不属于同一聚合区域。在第二相邻体素的体素差值大于或等于区域聚合阈值的情况下,确定第二相邻体素与目标体素不属于同一聚合区域。其中,所述第一相邻体素和所述第二相邻体素均为所述目标体素周围或邻近的任一体素。更进一步地,所述目标体素的体素差值大于所述第一相邻体素的体素差值,所述第一相邻体素的体素差值大于所述第二相邻体素的体素差值,在此不对第一相邻体素、第二相邻体素的选取或定义不作限制。
步骤4,在第二相邻体素的体素差值小于区域聚合阈值的情况下,将第二相邻体素与目标体素聚合为同一区域,并将第二相邻体素作为第一相邻体素,再次执行确定第一相邻体素的第二相邻体素的体素差值是否小于区域聚合阈值的步骤,得到目标体素对应的聚合区域。
在其它示例中,基于各个体素的体素差值,对各个体素进行区域聚合,得到至少一个聚合区域的方式也可以是:确定体素差值发生突变的体素,将该体素作为聚合区域的边缘,得到至少一个聚合区域,本实施例不对区域聚合的方式作限定。
其中,体素差值发生突变是指相邻两个体素的体素差值之差大于预设阈值。
步骤104,在显示界面显示聚合区域,以供操作者确定聚合区域是否为消融区域。
在一个示例中,电子设备在显示界面显示所有的聚合区域。
在另一个示例中,由于聚合区域的推送是为了供操作者选择出消融区域,而消融区域的尺寸往往会满足预设尺寸条件。基于此,为了避免将所有的聚合区域都推送给操作者时,操作者需要判断的聚合区域的数量较多,导致判断效率较低的问题,本示例中,电子设备可以在显示界面显示聚合区域之前,先确定该聚合区域的尺寸是否满足预设尺寸条件;在满足预设尺寸条件的情况下,在显示界面显示该聚合区域;在不满足预设尺寸条件的情况下,确定聚合区域不是消融区域,不在显示界面显示该聚合区域以供操作者判断。这样,可以减少操作者所需判断的聚合区域的数量,从而提高判断效率。
另外,图像中绝大多数噪点是不会产生聚合的,因此,在本申请的聚合区域判断阶段,可以很好的将噪点产生的影像除去,而伪影虽然会发生聚合,但伪影显示的图像与消融区域图像区别较大,操作者完全可以识别,因此,可以将伪影显示的图像去除。
示意性地,预设尺寸条件包括但不限于:聚合区域的最大边缘距离大于预设阈值;和/或,面积大于预设面积阈值;和/或,体积大于预设体积阈值。
本实施例中,以预设尺寸条件为聚合区域的最大边缘距离大于预设阈值为例进行说明。此时,在显示界面显示聚合区域,包括:确定聚合区域的最大边缘距离是否大于预设阈值,预设阈值基于消融直径确定;在最大边缘距离大于预设阈值的情况下,在显示界面显示聚合区域。
其中,预设阈值与消融直径相等,或者小于消融直径。更进一步地,预设阈值可以是根据肿瘤大小和/或术中消融监测系统进行设置,预设阈值一般为小于消融直径的一个值,例如肿瘤直径为2cm,预设阈值可以为1cm。
可选地,在确定出待显示的聚合区域后,显示聚合区域的方式包括但不限于以下几种中的一种:
第一种:一次性全部显示出聚合区域,再由操作者确认该些聚合区域中哪些是消融区域。
第二种:每次显示x个聚合区域,由操作者确认当前显示的聚合区域是否为消融区域,并执行步骤105;确定是否存在未显示的聚合区域;若存在,则再次执行每次显示x个聚合区域,由操作者确认当前显示的聚合区域是否为消融区域的步骤,直至不存在未显示的聚合区域时停止。
其中,x为1或者大于1的整数,本实施例不对x的取值作限定。
需要补充说明的是,在存在未显示的聚合区域、且未显示的聚合区域的数量小于x的情况下,可以在最后一次显示聚合区域时将剩余未显示的聚合区域全部显示,即,最后一次显示的聚合区域的数量可以小于x。
步骤105,在操作者确定聚合区域为消融区域的情况下,按照预设显示方式显示消融区域。
示意性地,在操作者确定聚合区域为消融区域的情况下,按照预设显示方式显示消融区域,包括:响应于接收到操作者输入的确认操作,按照预设显示方式显示消融区域。
可选地,操作者输入确认操作的方式包括但不限于:使用鼠标、键盘、触摸显示屏等方式输入,本实施例不对确认操作的输入方式作限定。
可选地,预设显示方式包括但不限于:高亮显示、以预设颜色显示、或者边缘加粗显示等,本实施例不对预设显示方式的实现方式作限定。
由于消融区域需要供操作者判断消融效果,基于此,为了提高消融区域的显示效果,本实施例中,在操作者确定聚合区域为消融区域的情况下,按照预设显示方式显示消融区域,包括:对消融区域进行三维建模,得到三维消融区域;按照预设显示方式显示三维消融区域。
综上所述,本实施例提供的基于医学图像的消融区域确定方法,通过获取对目标区域病灶组织进行消融前的术前影像、和进行消融后的术后影像;对术前影像和术后影像进行配准及三维建模,得到三维术前影像和三维术后影像;基于三维术前影像和三维术后影像上各个体素的体素差值,对各个体素进行区域聚合,得到至少一个聚合区域;在显示界面显示聚合区域,以供操作者确定聚合区域是否为消融区域;在操作者确定聚合区域为消融区域的情况下,按照预设显示方式显示消融区域;可以解决机器识别消融区域时识别结果可能不准确的问题;通过对各个体素进行区域聚合,并得到的聚合区域推送给操作者进行消融区域的判断,可以提高消融区域识别的准确性。
另外,通过基于目标体素的体素差值在体素差值列表中的位置来确定区域聚合阈值,使得区域聚合阈值可以自适应动态变化,可以提高区域聚合的准确性。
另外,由于体素差值大的体素属于消融区域的概率大,因此,通过按照体素差值由大到小的顺序优先对体素差值大的体素进行聚合,并优先推荐,可以尽可能地优先推荐消融区域,提高区域推荐效果。
另外,由于靶点存在消融区域的概率大,因此,通过优先推荐靶点的消融区域,可以尽可能地优先推荐消融区域,进一步提高区域推荐效果。
另外,由于聚合区域的推送是为了供操作者选择出消融区域,而消融区域的尺寸往往会满足预设尺寸条件。因此,通过在最大边缘距离大于预设阈值的情况下,在显示界面显示聚合区域,可以减少操作者所需判断的聚合区域的数量,从而提高判断效率。
更进一步的,针对多肿瘤需要使用多根光纤在多处进行消融的情况,通过在最大边缘距离大于预设阈值的情况下,在显示界面显示聚合区域,使用本发明的识别方法实现了一次性可量化地将预计已发生消融的区域识别出或是先推荐给医护工作者,再由医护工作者确认推荐区域是否是消融区域,避免了误判情况的发生。
图2是本申请一个实施例提供的基于医学图像的消融区域确定装置的框图。该装置至少包括以下几个模块:影像获取模块210、影像处理模块220、区域聚合模块230、第一显示模块240和第二显示模块250。
影像获取模块210,用于获取对目标区域病灶组织进行消融前的术前影像、和进行消融后的术后影像;
影像处理模块220,用于对所述术前影像和所述术后影像进行配准及三维建模,得到三维术前影像和三维术后影像;
区域聚合模块230,用于基于所述三维术前影像和所述三维术后影像上各个体素的体素差值,对各个体素进行区域聚合,得到至少一个聚合区域;
第一显示模块240,用于在显示界面显示所述聚合区域,以供操作者确定所述聚合区域是否为消融区域;
第二显示模块250,用于在操作者确定所述聚合区域为消融区域的情况下,按照预设显示方式显示所述消融区域。
相关细节参考上述方法实施例。
需要说明的是:上述实施例中提供的基于医学图像的消融区域确定装置在进行基于医学图像的消融区域确定时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将基于医学图像的消融区域确定装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的基于医学图像的消融区域确定装置与基于医学图像的消融区域确定方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图3是本申请一个实施例提供的电子设备的框图。该设备可以是图1所述的电子设备,该设备至少包括处理器301和存储器302。
处理器301可以包括一个或多个处理核心,比如:4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器301可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器301还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器302可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器301所执行以实现本申请中方法实施例提供的基于医学图像的消融区域确定方法。
在一些实施例中,外参标定设备还可选包括有:外围设备接口和至少一个外围设备。处理器301、存储器302和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地,外围设备包括但不限于:射频电路、触摸显示屏、音频电路、和电源等。
当然,外参标定设备还可以包括更少或更多的组件,本实施例对此不作限定。
可选地,本申请还提供有一种计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的基于医学图像的消融区域确定方法。
可选地,本申请还提供有一种计算机产品,该计算机产品包括计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的基于医学图像的消融区域确定方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
显然,上述所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,可以做出其它不同形式的变化或变动,都应当属于本申请保护的范围。

Claims (10)

1.一种基于医学图像的消融区域确定方法,其特征在于,所述方法包括:
获取对目标区域病灶组织进行消融前的术前影像、和进行消融后的术后影像;
对所述术前影像和所述术后影像进行配准及三维建模,得到三维术前影像和三维术后影像;
基于所述三维术前影像和所述三维术后影像上各个体素的体素差值,对各个体素进行区域聚合,得到至少一个聚合区域;
在显示界面显示所述聚合区域,以供操作者确定所述聚合区域是否为消融区域;
在操作者确定所述聚合区域为消融区域的情况下,按照预设显示方式显示所述消融区域。
2.根据权利要求1所述的方法,其特征在于,基于所述三维术前影像和所述三维术后影像上各个体素的体素差值,对各个体素进行区域聚合,得到至少一个聚合区域,包括:
计算所述三维术前影像和所述三维术后影像上各个体素的体素差值;
获取区域聚合阈值;
对于所述各个体素中未聚合的目标体素,在所述目标体素的第一相邻体素的体素差值小于所述区域聚合阈值的情况下,将所述第一相邻体素与所述目标体素聚合为同一区域,并确定所述第一相邻体素的第二相邻体素的体素差值是否小于所述区域聚合阈值;
在所述第二相邻体素的体素差值小于所述区域聚合阈值的情况下,将所述第二相邻体素与所述目标体素聚合为同一区域,并将所述第二相邻体素作为所述第一相邻体素,再次执行所述确定所述第一相邻体素的第二相邻体素的体素差值是否小于所述区域聚合阈值的步骤,得到所述目标体素对应的聚合区域。
3.根据权利要求2所述的方法,其特征在于,获取区域聚合阈值,包括:
基于所述各个体素的体素差值生成体素差值列表;所述体素差值列表包括各个体素对应的体素差值,每个体素差值对应至少一个体素的位置信息;所述体素差值列表中的体素差值由大至小排列;
计算所述目标体素对应的目标体素差值、以及所述体素差值列表中位于所述目标体素差值之后的第n个体素差值之差,得到所述区域聚合阈值;所述n为正整数。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
确定病灶进行消融时的靶点,得到所述目标体素,所述靶点是指对所有病灶进行消融时光纤出光的空间坐标的集合。
5.根据权利要求2所述的方法,其特征在于,所述方法还包括:
从各个体素中确定未聚合、且体素差值最大的体素,得到所述目标体素。
6.根据权利要求1所述的方法,其特征在于,在显示界面显示所述聚合区域,包括:
确定所述聚合区域的最大边缘距离是否大于预设阈值,所述预设阈值基于消融直径确定;
在所述最大边缘距离大于所述预设阈值的情况下,在显示界面显示所述聚合区域。
7.根据权利要求1所述的方法,其特征在于,所述在操作者确定所述聚合区域为消融区域的情况下,按照预设显示方式显示所述消融区域,包括:
响应于接收到所述操作者输入的确认操作,按照预设显示方式显示所述消融区域。
8.根据权利要求1至7任一所述的方法,其特征在于,在操作者确定所述聚合区域为消融区域的情况下,所述按照预设显示方式显示所述消融区域,包括:
对所述消融区域进行三维建模,得到三维消融区域;
按照所述预设显示方式显示所述三维消融区域。
9.一种电子设备,其特征在于,所述设备包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现如权利要求1至8任一所述的基于医学图像的消融区域确定方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有程序,所述程序被处理器执行时用于实现如权利要求1至8任一所述的基于医学图像的消融区域确定方法。
CN202111609774.0A 2021-12-27 2021-12-27 基于医学图像的消融区域确定方法、设备及存储介质 Pending CN114299009A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111609774.0A CN114299009A (zh) 2021-12-27 2021-12-27 基于医学图像的消融区域确定方法、设备及存储介质
PCT/CN2022/141121 WO2023125247A1 (zh) 2021-12-27 2022-12-22 基于医学图像的消融区域确定方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111609774.0A CN114299009A (zh) 2021-12-27 2021-12-27 基于医学图像的消融区域确定方法、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114299009A true CN114299009A (zh) 2022-04-08

Family

ID=80970419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111609774.0A Pending CN114299009A (zh) 2021-12-27 2021-12-27 基于医学图像的消融区域确定方法、设备及存储介质

Country Status (2)

Country Link
CN (1) CN114299009A (zh)
WO (1) WO2023125247A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115965629A (zh) * 2023-03-17 2023-04-14 杭州堃博生物科技有限公司 消融区域确定方法、装置、设备及非易失性存储介质
WO2023125247A1 (zh) * 2021-12-27 2023-07-06 杭州佳量医疗科技有限公司 基于医学图像的消融区域确定方法、设备及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5478832B2 (ja) * 2008-03-21 2014-04-23 株式会社東芝 医用画像処理装置、及び医用画像処理プログラム
WO2013078370A1 (en) * 2011-11-23 2013-05-30 The Regents Of The University Of Michigan Voxel-based approach for disease detection and evolution
CN107049475A (zh) * 2017-04-19 2017-08-18 纪建松 肝癌局部消融方法及系统
FR3091348A1 (fr) * 2018-12-27 2020-07-03 Universite de Bordeaux Méthode de prédiction du risque de récidive après un traitement d’une tumeur par rayonnement
CN110458813B (zh) * 2019-03-08 2021-03-02 腾讯科技(深圳)有限公司 图像区域定位方法、装置和医学图像处理设备
CN114299009A (zh) * 2021-12-27 2022-04-08 杭州佳量医疗科技有限公司 基于医学图像的消融区域确定方法、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023125247A1 (zh) * 2021-12-27 2023-07-06 杭州佳量医疗科技有限公司 基于医学图像的消融区域确定方法、设备及存储介质
CN115965629A (zh) * 2023-03-17 2023-04-14 杭州堃博生物科技有限公司 消融区域确定方法、装置、设备及非易失性存储介质

Also Published As

Publication number Publication date
WO2023125247A1 (zh) 2023-07-06

Similar Documents

Publication Publication Date Title
US11020613B2 (en) Physician directed radiation treatment planning
US11984217B2 (en) Method and apparatus for processing histological image captured by medical imaging device
US10074176B2 (en) Method, system and apparatus for displaying surgical engagement paths
WO2023125247A1 (zh) 基于医学图像的消融区域确定方法、设备及存储介质
Tan et al. Optimization of breast mass classification using sequential forward floating selection (SFFS) and a support vector machine (SVM) model
Kashyap et al. Energy-based active contour method for image segmentation
EP2437218B1 (en) Medical system
US10083278B2 (en) Method and system for displaying a timing signal for surgical instrument insertion in surgical procedures
EP2810217B1 (en) Graph cuts-based interactive segmentation of teeth in 3-d ct volumetric data
JP2010000133A (ja) 画像表示装置、画像表示方法及びプログラム
JP6458166B2 (ja) 医用画像処理方法及び装置及びシステム及びプログラム
TW202128247A (zh) 將介電性質與患者模型相關聯的方法,系統和設備
Egger et al. Interactive volumetry of liver ablation zones
WO2011163414A2 (en) Mechanism for advanced structure generation and editing
Zhang et al. A Clustering‐Based Automatic Transfer Function Design for Volume Visualization
Kim et al. Deep-learning-based cerebral artery semantic segmentation in neurosurgical operating microscope vision using indocyanine green fluorescence videoangiography
JP6827707B2 (ja) 情報処理装置および情報処理システム
US20230097224A1 (en) Ai-based atlas mapping slice localizer for deep learning autosegmentation
JP2020505092A (ja) 皮質奇形識別
Schwaiger et al. Risk analysis for intraoperative liver surgery
Miao et al. CoWRadar: Visual Quantification of the Circle of Willis in Stroke Patients.
WO2021081839A1 (zh) 基于vrds 4d的病情分析方法及相关产品
CN112884714A (zh) 一种淋巴结ct图像自动分割方法及系统
US10438368B2 (en) Apparatus, method, and system for calculating diameters of three-dimensional medical imaging subject
JPWO2010035517A1 (ja) 医用画像処理装置及びプログラム

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