CN114445377A - 一种心胸比计算方法及心脏肥大辨别方法、装置 - Google Patents
一种心胸比计算方法及心脏肥大辨别方法、装置 Download PDFInfo
- Publication number
- CN114445377A CN114445377A CN202210104577.1A CN202210104577A CN114445377A CN 114445377 A CN114445377 A CN 114445377A CN 202210104577 A CN202210104577 A CN 202210104577A CN 114445377 A CN114445377 A CN 114445377A
- Authority
- CN
- China
- Prior art keywords
- region
- heart
- image
- outer contour
- cardiothoracic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 208000006029 Cardiomegaly Diseases 0.000 title claims abstract description 45
- 238000004364 calculation method Methods 0.000 title claims abstract description 24
- 206010007572 Cardiac hypertrophy Diseases 0.000 title claims description 41
- 210000004072 lung Anatomy 0.000 claims abstract description 143
- 230000015654 memory Effects 0.000 claims description 17
- 238000002601 radiography Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 19
- 238000012545 processing Methods 0.000 abstract description 11
- 210000000038 chest Anatomy 0.000 description 48
- 230000011218 segmentation Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000011976 chest X-ray Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002746 orthostatic effect Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 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
- 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
- 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
- G06T7/13—Edge detection
-
- 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
-
- 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
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种心胸比计算方法及心脏肥大辨别方法、装置,其中,心胸比计算方法包括:获取目标患者的心胸区域图像;从心胸区域图像中提取心脏外轮廓和左右肺实质区域外轮廓;基于心脏外轮廓和左右肺实质区域外轮廓,分别计算心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离;基于心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离,计算得到心胸比结果。通过利用患者的心胸区域图像分别计算心脏和左右肺区域外轮廓纵向距离,根据心脏和左右肺区域外轮廓纵向距离计算得到心胸比结果,大幅减少了人工测量心胸比中手动测量步骤,采用图像识别处理的方式对心脏区域和左右肺区域的数据进行获取和计算,保证了心胸比结果的准确性。
Description
技术领域
本发明涉及医学影像领域,具体涉及一种心胸比计算方法及心脏肥大辨别方法、装置。
背景技术
心脏肥大症是由于高血压或其他心肺相关疾病引起的心脏超出正常大小的一种疾病,目前判别心脏肥大症主要是通过影像学方法评估,通过正位胸片图像计算最大水平心脏直径与最大水平胸腔直径(肋骨内缘/胸膜边缘)之比,得到心胸比(CardiothoracicRatio,CTR)结果,当心胸比结果大于0.5通常被认为是心脏肥大,但是由于人工测量心胸比需要医学影像解剖的背景知识和大量手动测量步骤,以找到心胸两个最大水平直径,但由于人的主观视觉评估的误差或错误,结果较容易出错,造成漏诊。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中的人工测量心胸比中含有大量手动测量步骤导致心胸比结果不准确,进而导致无法准确判别患者是否为心脏肥大的缺陷,从而提供一种心胸比计算方法及心脏肥大辨别方法、装置。
根据第一方面,本发明实施例提供了一种心胸比计算方法,所述方法包括:
获取目标患者的心胸区域图像;
从所述心胸区域图像中提取心脏外轮廓和左右肺实质区域外轮廓;
基于所述心脏外轮廓和所述左右肺实质区域外轮廓,分别计算心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离;
基于所述心脏区域外轮廓纵向距离和所述左右肺区域外轮廓纵向距离,计算得到心胸比结果。
可选地,在所述提取心脏外轮廓和左右肺实质区域外轮廓之后,所述方法还包括:
获取目标患者的原始胸片图像;
基于所述原始胸片图像,判断提取的心脏外轮廓和左右肺实质区域外轮廓是否准确;
当提取的所述心脏外轮廓和左右肺实质区域外轮廓准确时,分别计算所述心脏区域外轮廓纵向距离和所述左右肺区域外轮廓纵向距离。
可选地,在所述基于所述心脏区域外轮廓纵向距离和所述左右肺区域外轮廓纵向距离,计算得到心胸比结果之前,所述方法还包括:
基于原始胸片图像,分别判断计算的所述心脏区域外轮廓纵向距离和所述左右肺区域外轮廓纵向距离是否准确;
当获取的所述心脏区域外轮廓纵向距离和所述左右肺区域外轮廓纵向距离准确时,基于所述心脏区域外轮廓纵向距离和所述左右肺区域外轮廓纵向距离,计算得到心胸比结果。
可选地,所述获取目标患者的心胸区域图像,包括:
获取目标患者的原始胸片图像;
基于所述原始胸片的图像特征,从原始胸片图像中分割出所述目标患者的心胸区域图像,所述心胸区域图像包括:心脏区域图像、左肺区域图像及右肺区域图像。
可选地,在基于所述原始胸片的图像特征,从原始胸片图像中分割出所述目标患者的心胸区域图像之前,所述方法还包括:
对所述原始胸片图像进行格式转换;
调节格式转换后的原始胸片图像的图像对比度。
根据第二方面,本发明实施例提供了一种心脏肥大辨别方法,所述方法包括:
采用如第一方面,或者第一方面任意一种可选实施方式中所述的心胸比计算方法得到目标患者的心胸比结果;
基于所述心胸比结果与预设心胸比阈值的关系,确定所述目标患者的心脏肥大辨别结果。
根据第三方面,本发明实施例提供了一种心胸比计算装置,所述装置包括:
第一获取模块,用于获取目标患者的心胸区域图像;
提取模块,用于从所述心胸区域图像中提取心脏外轮廓和左右肺实质区域外轮廓;
第一计算模块,用于基于所述心脏外轮廓和所述左右肺实质区域外轮廓,分别计算心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离;
第二计算模块,用于基于所述心脏区域外轮廓纵向距离和所述左右肺区域外轮廓纵向距离,计算得到心胸比结果。
根据第四方面,本发明实施例提供了一种心脏肥大辨别装置,所述装置包括:
第二获取模块,用于采用如第三方面所述的心胸比计算装置得到目标患者的心胸比结果;
评估模块,用于基于所述心胸比结果与预设心胸比阈值的关系,确定所述目标患者的心脏肥大辨别结果。
根据第五方面,本发明实施例提供了一种电子设备,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一\二方面,或者第一\二方面任意一种可选实施方式中所述的方法。
根据第六方面,本发明实施例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指令,所述计算机指令用于使所述计算机执行第一\二方面,或者第一\二方面任意一种可选实施方式中所述的方法。
本发明技术方案,具有如下优点:
本发明提供的一种心胸比计算方法及装置,通过获取目标患者的心胸区域图像;从所述心胸区域图像中提取心脏外轮廓和左右肺实质区域外轮廓;基于所述心脏外轮廓和所述左右肺实质区域外轮廓,分别计算心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离;基于所述心脏区域外轮廓纵向距离和所述左右肺区域外轮廓纵向距离,计算得到心胸比结果。通过利用患者的心胸区域图像分别计算心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离,根据心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离计算得到心胸比结果,大幅减少了人工测量心胸比中手动测量步骤,采用图像识别处理的方式对心脏区域和左右肺区域的数据进行获取和计算,保证了心胸比结果的准确性。
本发明提供的一种心脏肥大辨别方法及装置,通过采用如第一方面,或者第一方面任意一种可选实施方式中所述的心胸比计算方法得到目标患者的心胸比结果;基于所述心胸比结果与预设心胸比阈值的关系,确定所述目标患者的心脏肥大辨别结果。通过大幅减少了人工测量心胸比中手动测量步骤,采用图像识别处理的方式对心脏区域和左右肺区域的数据进行获取和计算,在保证心胸比结果的准确性的同时,进而提高了判别患者是否为心脏肥大辨别的准确性,为医生的诊断和治疗提供辅助。
附图说明
为了更清楚地说明本发明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,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明实施例的一种心胸比计算方法的流程图;
图2为本发明实施例的基于RESNET基础架构并结合UNET网络的CTR混合模型结构图;
图3为本发明实施例的一种心脏肥大辨别方法的流程图;
图4为本发明实施例的一种心胸比计算装置的结构示意图;
图5为本发明实施例的一种心脏肥大辨别装置的结构示意图;
图6为本发明实施例的一种电子设备的结构示意图。
具体实施方式
下面将结合附图对本发明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。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供了一种心胸比计算方法,如图1所示,该心胸比计算方法具体包括如下步骤:
步骤S101:获取目标患者的心胸区域图像。在实际应用中,如图2所示,本发明实施例提供了一种基于RESNET基础架构并结合UNET网络的CTR混合模型,基于CTR混合模型获取目标患者的心胸区域图像。
具体地,在一实施例中,上述步骤S101具体包括如下步骤:
步骤S201:获取目标患者的原始胸片图像。
步骤S202:基于原始胸片的图像特征,从原始胸片图像中分割出目标患者的心胸区域图像,心胸区域图像包括:心脏区域图像、左肺区域图像及右肺区域图像。
具体地,在实际应用中,如图2所示,本发明实施例提供的一种基于RESNET基础架构并结合UNET网络的CTR混合模型,该CTR混合模型的构建是基于深度残差网络(ResidualNetwork,RESNET)基础架构的同时结合了U型网络(UNET),由输入模块(input)和心胸比模型(Cardiothoracic Ratio Model)构成,其中,心胸比模型由三部分构成,分别是深度残差网络34-体部(Resnet34-Body)模块、U型网络模块(Unet-Block)和心胸比阈值判断模块(CTR-Thresholder)。
具体地,心胸比模型具有心胸区域分割和分类功能,其中,心胸区域分割功能是通过采用编码器-解码器(Encoder-Decoder))的基本架构,实现将心胸区域图像进行2D分割的功能;心胸区域分类功能包括心胸区域外轮廓提取、心胸比估算和阈值分类三个部分。
具体地,在实际应用中,基于心胸比模型可对心胸区域的外轮廓进行提取和心胸比估算,通过采用编码器-解码器(Encoder-Decoder))的基本架构,实现将心胸区域图像进行2D分割的功能。
其中,本发明实施例心胸比模型中的编码器具有自动提取原始胸片图像特征的功能,具体地,编码器以RESNET为基础特征进行构建,由Resnet34深度残差网络结构构成(深度为34),其中的初始权重由在Imagenet数据集上训练的Resnet34模型得到,编码器中只使用Resnet34模型中的由残差网络结构构成的4个特征提取结构。
本发明实施例心胸比模型中的解码器具有根据编码器模块提取的特征来生成三值分割膜版图像的功能,具体地,解码器以UNET为基础架构,利用不同深度编码器提取的特征和不同维度原始图像直接生成的特征整合共同生成最终的心胸区域分割膜版图像,解码器输出为4值掩模图(其中0表示背景,1表示左肺,2表示右肺,3表示心脏)。
具体地,在一实施例中,在执行上述步骤S202之前,还包括如下步骤:
步骤S301:对原始胸片图像进行格式转换。
步骤S302:调节格式转换后的原始胸片图像的图像对比度。
如图2所示,基于RESNET基础架构并结合UNET网络的CTR混合模型的输入模块具有自动处理图像格式转化及对比度增强的功能,其中图像格式转换指将原始的医学数字成像和通信标准(Digital Imaging and Communications in Medicine,DICOM)图像格式转换为NIFTI格式图像,并根据DICOM头信息判断原始胸片图像是否需要灰度反转,自动根据原始图像灰度分布直方图,调整图像对比。
具体地,在临床实际保存DICOM图像时,会根据实际情况在DICOM数据的Header里面保存相应的图像辅助信息,其中Presentation LUT Shape或PhotometricInterpretation中保存了原始胸片图像是否需要进行灰度反转的信息,通过输入模块,快速对原始胸片的图像做出判断,对于图像不清楚的胸片可自动调整图像对比,为后续识别心胸外轮廓奠定基础。
步骤S102:从心胸区域图像中提取心脏外轮廓和左右肺实质区域外轮廓。
具体地,在一实施例中,在执行上述步骤S102之后,上述的心胸比计算方法还包括如下步骤:
步骤S401:获取目标患者的原始胸片图像。
步骤S402:基于原始胸片图像,判断提取的心脏外轮廓和左右肺实质区域外轮廓是否准确。
具体地,在实际应用中,本发明实施例采用的基于RESNET基础架构并结合UNET网络的CTR混合模型可自动将心胸两种外轮廓以不同颜色叠加至原始胸片上显示,以可解释性的图示判断该心胸比是否准确。
步骤S403:当提取的心脏外轮廓和左右肺实质区域外轮廓准确时,分别计算心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离。
具体地,当本发明实施例提供的基于RESNET基础架构并结合UNET网络的CTR混合模型将心脏外轮廓和左右肺实质区域外轮廓提取后,医生将根据原始胸片图像,对提取到的心胸外轮廓的准确性进行判断,当提取的心脏外轮廓和左右肺实质区域外轮廓准确时,再分别计算心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离。通过在进行心胸比计算之前由人工确定提取的外轮廓区域的准确性,不仅保证了提取外轮廓区域的准确性,而且相比于全部靠人工进行外轮廓识别的过程,减少了人工识别的步骤,从而大幅提高了识别速度。
优选地,本发明实施例还具有结果图示修改功能,即通过将心脏外轮廓和肺部区域外轮廓与原始胸片进行融合显示,以方便医生检查,如果自动分割结果有误,支持医生手动修改相关外轮廓线,后续将自动获得心胸比评估结果。
步骤S103:基于心脏外轮廓和左右肺实质区域外轮廓,分别计算心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离。
步骤S104:基于心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离,计算得到心胸比结果。
具体地,在实际应用中,在进行外轮廓提取时,首先得到左右肺实质区域和心脏区域的4值分割掩模图,转换为三个二值掩模图;然后将左右肺区域的分割掩模整合一起(通过左右肺二值图或操作得到),在该整合的二值图上通过取x,y坐标的最小和最大值得到左右肺实质区域的外轮廓;最后将心脏区域分割掩模二值图,通过取其x,y坐标的最小和最大值得到心脏区域外轮廓;心胸比估算部分,心胸比CTR=心脏外轮廓宽度/左右肺外轮廓宽度(心脏区域外轮廓纵向(Y轴方向)两边的距离与左右肺实质区域外轮廓纵向(Y轴方向)两边的距离之比得到相应的心胸比(CTR)值)。
具体地,在一实施例中,在执行上述步骤S104之前,上述的心胸比计算方法还包括如下步骤:
步骤S501:基于原始胸片图像,分别判断计算的心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离是否准确。
步骤S502:当获取的心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离准确时,基于心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离,计算得到心胸比结果。
通过医生基于原始胸片对心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离的准确性进行判断,在保证模型识别计算准确性的同时,大幅减少了人工测量产生的误差,为准确提供心胸比结果提供保障。
通过执行上述步骤,本发明实施例提供的心胸比计算方法,通过获取目标患者的心胸区域图像;从心胸区域图像中提取心脏外轮廓和左右肺实质区域外轮廓;基于心脏外轮廓和左右肺实质区域外轮廓,分别计算心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离;基于心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离,计算得到心胸比结果。通过利用患者的心胸区域图像分别计算心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离,根据心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离计算得到心胸比结果,大幅减少了人工测量心胸比中手动测量步骤,采用图像识别处理的方式对心脏区域和左右肺区域的数据进行获取和计算,保证了心胸比结果的准确性。
下面将结合具体应用示例,对本发明实施例提供的心胸比计算方法进行详细的说明。
结合图1和图2所示,首先获取目标患者的X线胸片(Chest X-Ray),将X线胸片图像输入至输入模块,通过心胸比模型对X线胸片图像进行分割(Segmentation)处理,分别获取心脏、左肺和右肺区域的外轮廓图像和纵向距离,基于心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离计算得到心胸比结果。通过本发明实施例提供的方法,对X线胸片图像的心胸解剖部位分割、心胸外轮廓的定位和心胸比估算,不仅大幅减少了手动测量的步骤,防止由于人的主观视觉评估误差导致心胸比结果较出错,进一步地,通过采用图像识别的方式对原始胸片图像进行处理,医生对于识别的外轮廓和纵向距离进行判断,在关键步骤进行人工判断,在保证识别速度的同时,提高了识别的准确度。
本发明实施例提供了一种心脏肥大辨别方法,如图3所示,该心脏肥大辨别方法具体包括如下步骤:
步骤S601:采用如上述的心胸比计算方法得到目标患者的心胸比结果。
步骤S602:基于心胸比结果与预设心胸比阈值的关系,确定目标患者的心脏肥大辨别结果。
具体地,在实际应用中,如图2所示,本发明实施例在结合上述心胸比计算方法中的可解释性CTR图示的基础上,根据CTR的具体评估值和阈值确定目标患者的心脏肥大辨别结果。
具体地,本发明实施例将预设心胸比阈值设置为0.5,实际情况包括但不限于此,为准确地确定目标患者的心脏肥大辨别结果而改变预设心胸比阈值的方法也在本发明实施例提供的一种心脏肥大辨别方法的保护范围之内。
具体地,在实际应用中,如图2所示,本发明实施例提供的基于RESNET基础架构并结合UNET网络的CTR混合模型中,包括输入模块和心胸比模型,通过心胸比模型实现肺部区域外轮廓(Lung BoundingBox)识别、心脏区域外轮廓(Heart BoundingBox)识别、心胸比计算(Cartiothoracic Ratio)和心脏肥大症/正常判别(Cardiomegaly/Normal)。
具体地,本发明实施例通过在心胸比模型中设置CTR阈值分类模块,判别该目标患者的心脏为心脏肥大或是正常,从而实现心脏肥大症自动分类的功能。
通过执行上述步骤,本发明实施例提供的心脏肥大辨别方法,通过采用上述的心胸比计算方法得到目标患者的心胸比结果;基于心胸比结果与预设心胸比阈值的关系,确定目标患者的心脏肥大辨别结果。通过大幅减少了人工测量心胸比中手动测量步骤,采用图像识别处理的方式对心脏区域和左右肺区域的数据进行获取和计算,在保证心胸比结果的准确性的同时,进而提高了判别患者是否为心脏肥大辨别的准确性,为医生的诊断和治疗提供辅助。
下面将结合具体应用示例,对本发明实施例提供的心脏肥大辨别方法进行详细的说明。
结合图1-图3所示,获取目标患者的X线胸片(Chest X-Ray),将X线胸片图像输入至输入模块,通过心胸比模型对X线胸片图像进行分割(Segmentation)处理,分别获取心脏、左肺和右肺区域的外轮廓图像和纵向距离,基于心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离计算得到心胸比结果,将心胸比结果与预设心胸比阈值进行比较,确定目标患者的心脏肥大辨别结果。
本发明实施例提供了一种心胸比计算装置,如图4所示,该心胸比计算装置包括:
第一获取模块101,用于获取目标患者的心胸区域图像。详细内容参见上述方法实施例中步骤S101的相关描述,在此不再进行赘述。
提取模块102,用于从心胸区域图像中提取心脏外轮廓和左右肺实质区域外轮廓。详细内容参见上述方法实施例中步骤S102的相关描述,在此不再进行赘述。
第一计算模块103,用于基于心脏外轮廓和左右肺实质区域外轮廓,分别计算心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离。详细内容参见上述方法实施例中步骤S103的相关描述,在此不再进行赘述。
第二计算模块104,用于基于心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离,计算得到心胸比结果。详细内容参见上述方法实施例中步骤S104的相关描述,在此不再进行赘述。
上述的心胸比计算装置的更进一步描述参见上述心胸比计算方法实施例的相关描述,在此不再进行赘述。
通过上述各个组成部分的协同合作,本发明实施例提供的心胸比计算装置,通过利用患者的心胸区域图像分别计算心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离,根据心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离计算得到心胸比结果,大幅减少了人工测量心胸比中手动测量步骤,采用图像识别处理的方式对心脏区域和左右肺区域的数据进行获取和计算,保证了心胸比结果的准确性。
本发明实施例提供了一种心脏肥大辨别装置,如图5所示,该心脏肥大辨别装置包括:
第二获取模块601,用于采用如上述的心胸比计算装置得到目标患者的心胸比结果。详细内容参见上述方法实施例中步骤S601的相关描述,在此不再进行赘述。
评估模块602,用于基于心胸比结果与预设心胸比阈值的关系,确定目标患者的心脏肥大辨别结果。详细内容参见上述方法实施例中步骤S602的相关描述,在此不再进行赘述。
上述的心脏肥大辨别装置的更进一步描述参见上述心脏肥大辨别方法实施例的相关描述,在此不再进行赘述。
通过上述各个组成部分的协同合作,本发明实施例提供的心脏肥大辨别装置,通过大幅减少了人工测量心胸比中手动测量步骤,采用图像识别处理的方式对心脏区域和左右肺区域的数据进行获取和计算,在保证心胸比结果的准确性的同时,进而提高了判别患者是否为心脏肥大辨别的准确性,为医生的诊断和治疗提供辅助。
本发明实施例提供了一种电子设备,如图6所示,该电子设备包括处理器901和存储器902,存储器902和处理器901之间互相通信连接,其中处理器901和存储器902可以通过总线或者其他方式连接,图6中以通过总线连接为例。
处理器901可以为中央处理器(Central Processing Unit,CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、图形处理器(Graphics Processing Unit,GPU)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器902作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块,从而执行处理器901的各种功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器902可以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、至少一个功能所需要的应用程序;存储数据区可存储处理器901所创建的数据等。此外,存储器902可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器902可选包括相对于处理器901远程设置的存储器,这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器902中,当被处理器901执行时,执行上述方法实施例中的方法。
上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,实现的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种心胸比计算方法,其特征在于,包括:
获取目标患者的心胸区域图像;
从所述心胸区域图像中提取心脏外轮廓和左右肺实质区域外轮廓;
基于所述心脏外轮廓和所述左右肺实质区域外轮廓,分别计算心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离;
基于所述心脏区域外轮廓纵向距离和所述左右肺区域外轮廓纵向距离,计算得到心胸比结果。
2.根据权利要求1所述的方法,其特征在于,在所述提取心脏外轮廓和左右肺实质区域外轮廓之后,所述方法还包括:
获取目标患者的原始胸片图像;
基于所述原始胸片图像,判断提取的心脏外轮廓和左右肺实质区域外轮廓是否准确;
当提取的所述心脏外轮廓和左右肺实质区域外轮廓准确时,分别计算所述心脏区域外轮廓纵向距离和所述左右肺区域外轮廓纵向距离。
3.根据权利要求1所述的方法,其特征在于,在所述基于所述心脏区域外轮廓纵向距离和所述左右肺区域外轮廓纵向距离,计算得到心胸比结果之前,所述方法还包括:
基于原始胸片图像,分别判断计算的所述心脏区域外轮廓纵向距离和所述左右肺区域外轮廓纵向距离是否准确;
当获取的所述心脏区域外轮廓纵向距离和所述左右肺区域外轮廓纵向距离准确时,基于所述心脏区域外轮廓纵向距离和所述左右肺区域外轮廓纵向距离,计算得到心胸比结果。
4.根据权利要求1所述的方法,其特征在于,所述获取目标患者的心胸区域图像,包括:
获取目标患者的原始胸片图像;
基于所述原始胸片的图像特征,从原始胸片图像中分割出所述目标患者的心胸区域图像,所述心胸区域图像包括:心脏区域图像、左肺区域图像及右肺区域图像。
5.根据权利要求4所述的方法,其特征在于,在基于所述原始胸片的图像特征,从原始胸片图像中分割出所述目标患者的心胸区域图像之前,所述方法还包括:
对所述原始胸片图像进行格式转换;
调节格式转换后的原始胸片图像的图像对比度。
6.一种心脏肥大辨别方法,其特征在于,包括:
采用如权利要求1-5任一项所述的心胸比计算方法得到目标患者的心胸比结果;
基于所述心胸比结果与预设心胸比阈值的关系,确定所述目标患者的心脏肥大辨别结果。
7.一种心胸比计算装置,其特征在于,包括:
第一获取模块,用于获取目标患者的心胸区域图像;
提取模块,用于从所述心胸区域图像中提取心脏外轮廓和左右肺实质区域外轮廓;
第一计算模块,用于基于所述心脏外轮廓和所述左右肺实质区域外轮廓,分别计算心脏区域外轮廓纵向距离和左右肺区域外轮廓纵向距离;
第二计算模块,用于基于所述心脏区域外轮廓纵向距离和所述左右肺区域外轮廓纵向距离,计算得到心胸比结果。
8.一种心脏肥大辨别装置,其特征在于,包括:
第二获取模块,用于采用如权利要求7所述的心胸比计算装置得到目标患者的心胸比结果;
评估模块,用于基于所述心胸比结果与预设心胸比阈值的关系,确定所述目标患者的心脏肥大辨别结果。
9.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机从而执行如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210104577.1A CN114445377A (zh) | 2022-01-28 | 2022-01-28 | 一种心胸比计算方法及心脏肥大辨别方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210104577.1A CN114445377A (zh) | 2022-01-28 | 2022-01-28 | 一种心胸比计算方法及心脏肥大辨别方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114445377A true CN114445377A (zh) | 2022-05-06 |
Family
ID=81369205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210104577.1A Pending CN114445377A (zh) | 2022-01-28 | 2022-01-28 | 一种心胸比计算方法及心脏肥大辨别方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114445377A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665497A (zh) * | 2016-07-29 | 2018-02-06 | 上海联影医疗科技有限公司 | 一种医学图像中计算心胸比的方法 |
CN113450399A (zh) * | 2021-05-28 | 2021-09-28 | 北京医准智能科技有限公司 | 一种正位胸片心胸比测量方法及装置 |
-
2022
- 2022-01-28 CN CN202210104577.1A patent/CN114445377A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665497A (zh) * | 2016-07-29 | 2018-02-06 | 上海联影医疗科技有限公司 | 一种医学图像中计算心胸比的方法 |
CN113450399A (zh) * | 2021-05-28 | 2021-09-28 | 北京医准智能科技有限公司 | 一种正位胸片心胸比测量方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
WO2020182036A1 (zh) | 图像处理方法、装置、服务器及存储介质 | |
CN107665497B (zh) | 一种医学图像中计算心胸比的方法 | |
JP6564018B2 (ja) | 放射線画像の肺野セグメンテーション技術及び骨減弱技術 | |
CN111047609B (zh) | 肺炎病灶分割方法和装置 | |
US7881508B2 (en) | Method, apparatus, and program for judging medical images | |
US10004448B2 (en) | Osteoporosis diagnostic support apparatus | |
KR20130136519A (ko) | 파노라마 엑스선 사진을 이용한 진단 지원 시스템, 및 파노라마 엑스선 사진을 이용한 진단 지원 프로그램 | |
US11475568B2 (en) | Method for controlling display of abnormality in chest x-ray image, storage medium, abnormality display control apparatus, and server apparatus | |
CN111161268B (zh) | 图像处理方法、装置、电子设备及计算机存储介质 | |
EP3722996A2 (en) | Systems and methods for processing 3d anatomical volumes based on localization of 2d slices thereof | |
US20210271914A1 (en) | Image processing apparatus, image processing method, and program | |
CN111275707A (zh) | 肺炎病灶分割方法和装置 | |
CN111863204A (zh) | 基于钼靶x线摄影检查的乳腺疾病ai辅助诊断方法及系统 | |
CN116312986A (zh) | 三维医学影像标注方法、装置、电子设备及可读存储介质 | |
US11151715B2 (en) | Dynamic analysis system | |
CN111369598B (zh) | 深度学习模型的训练方法及装置、应用方法及装置 | |
CN113012127A (zh) | 基于胸部医学影像的心胸比测量方法 | |
CN116109570B (zh) | 骨密度测量方法、装置、设备及存储介质 | |
CN114375461A (zh) | 针对胸部x射线图像的吸气度量标准 | |
EP4167184A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
CN114445377A (zh) | 一种心胸比计算方法及心脏肥大辨别方法、装置 | |
KR20230050253A (ko) | 흉막 삼출의 검출 방법 및 이를 위한 장치 | |
CN114708283A (zh) | 图像目标的分割方法、装置、电子设备及存储介质 | |
CN115690498B (zh) | 椎体骨密度确认方法、装置、电子设备及存储介质 |
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 |