CN114581397A - 造血活性骨髓识别方法、系统、装置及存储介质 - Google Patents
造血活性骨髓识别方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN114581397A CN114581397A CN202210192921.7A CN202210192921A CN114581397A CN 114581397 A CN114581397 A CN 114581397A CN 202210192921 A CN202210192921 A CN 202210192921A CN 114581397 A CN114581397 A CN 114581397A
- Authority
- CN
- China
- Prior art keywords
- image
- bone marrow
- marrow
- active
- suv
- 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
- 210000001185 bone marrow Anatomy 0.000 title claims abstract description 138
- 230000003394 haemopoietic effect Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000002503 metabolic effect Effects 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 39
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 35
- 230000011218 segmentation Effects 0.000 claims abstract description 30
- 238000010586 diagram Methods 0.000 claims abstract description 24
- 230000004060 metabolic process Effects 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 21
- 230000000694 effects Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 239000008280 blood Substances 0.000 claims description 9
- 210000004369 blood Anatomy 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 8
- 238000012805 post-processing Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 230000007102 metabolic function Effects 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 210000000056 organ Anatomy 0.000 description 11
- 210000001519 tissue Anatomy 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 4
- 238000001959 radiotherapy Methods 0.000 description 4
- 238000013170 computed tomography imaging Methods 0.000 description 3
- 210000004197 pelvis Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004451 qualitative analysis Methods 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 210000003625 skull Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- 210000000264 venule Anatomy 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000032467 Aplastic anaemia Diseases 0.000 description 1
- 208000005189 Embolism Diseases 0.000 description 1
- 208000034578 Multiple myelomas Diseases 0.000 description 1
- 206010028851 Necrosis Diseases 0.000 description 1
- 206010035226 Plasma cell myeloma Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 208000017733 acquired polycythemia vera Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 210000001736 capillary Anatomy 0.000 description 1
- 230000007681 cardiovascular toxicity Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000004153 glucose metabolism Effects 0.000 description 1
- 210000001564 haversian system Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 208000032839 leukemia Diseases 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 206010028537 myelofibrosis Diseases 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 208000037244 polycythemia vera Diseases 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007723 transport mechanism Effects 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/20084—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
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Computer Graphics (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种造血活性骨髓识别方法、系统、装置及存储介质，涉及医学监测技术领域。其中，造血活性骨髓识别方法包括以下步骤：获取受试者的CT解剖图像和PET功能代谢图像；对所述CT解剖图像进行第一分割处理得到骨性结构图；对所述骨性结构图进行第二分割处理得到骨髓腔掩模图像；根据所述骨髓腔掩模图像对所述PET功能代谢图像进行影像插值和刚性配准得到骨髓腔功能代谢图像；规范化处理所述骨髓腔功能代谢图像中的SUV值；将所述SUV值大于预设SUV阈值的骨髓腔功能代谢图像的区域确定为活性骨髓区。本申请能够提高造血活性骨髓识别的准确性。
Description
技术领域
本发明涉及医学监测技术领域，尤其涉及一种造血活性骨髓识别方法、系统、装置及存储介质。
背景技术
骨髓(bone marrow)存在于骨松质腔隙和长骨骨髓腔内，由多种类型的细胞和网状结缔组织构成，根据其结构不同分为红骨髓和黄骨髓。成年人的骨髓是人体最大组织之一，重约1600～3700克，平均为2800克，占体重的3.5～5.9％。骨髓有造血、免疫和防御机能。红骨髓的成份：水40％、脂肪40％、蛋白质等20％，有丰富的血窦系统。黄骨髓的成份：水15％、脂肪80％、蛋白质等5％，血窦被毛血管、小静脉及薄层静脉代替。红骨髓(即造血活性骨髓，active bone marrow，ABM)是人体的造血组织，分布于骨髓腔内，哈佛氏管内也含有少量，它主要是由血窦和造血组织构成。
目前，临床上对全身各部位骨髓含量、活性程度进行的定量、定性分析、评估具有重要意义，如再生障碍性贫血、白血病、多发性骨髓瘤、骨髓栓塞、股骨头缺血性坏死、骨髓纤维化、真性红细胞增多症的辅助诊断和疗效评估、引导骨髓穿刺部位等。但临床常用的检测技术不能显示红骨髓的分布及其活性程度。放射性核素骨髓显像，例如18F-FDG PET-CT，可以显示全身各部位组织、器官对18F-FDG的摄取程度，反映了该组织、器官对葡萄糖的代谢水平。但由于正常骨髓的摄取呈均匀、弥漫性分布,且摄取程度低于肝脏，在PET-CT显像时，呈现低信号。对盆腹部而言，由于膀胱尿液中有含有大量放射性核素18F-FDG，其SUV值(Standard Uptake Value，标准化摄取值)远高于周围正常组织、器官(如骨盆等)，这时，若按常规全身显示时，无法通过简单的SUV阈值调节达到清晰显示和准确评估骨盆中的骨髓状态的目的，更难以对活性骨髓进行含量、活性程度的定量、定性分析。对于头部而言，由于大脑组织的代谢水平高，在PET-CT显像时，同样呈现高亮度显示，其SUV值远高于周围正常组织、器官(如颅骨)，同样难以对颅骨骨髓活性程度进行分析。参照图2，PET-CT显像时，由于膀胱和大脑等组织器官的高活性、高度显示，影响了周围其它正常组织和骨髓等器官精细显示和评估效果。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种造血活性骨髓识别方法、系统、装置及存储介质，能够提高造血活性骨髓识别的准确性。
一方面，本发明实施例提供了一种造血活性骨髓识别方法，包括以下步骤：
获取受试者的CT解剖图像和PET功能代谢图像；
对所述CT解剖图像进行第一分割处理得到骨性结构图；
对所述骨性结构图进行第二分割处理得到骨髓腔掩模图像；
根据所述骨髓腔掩模图像对所述PET功能代谢图像进行影像插值和刚性配准得到骨髓腔功能代谢图像；
规范化处理所述骨髓腔功能代谢图像中的SUV值；
将所述SUV值大于预设SUV阈值的骨髓腔功能代谢图像的区域确定为活性骨髓区。
根据本发明一些实施例，所述对所述CT解剖图像进行第一分割处理得到骨性结构图包括以下步骤：
获取指定分析部位；
将所述指定分析部分和所述CT解剖图像输入深度学习分割模型得到所述骨性结构图。
根据本发明一些实施例，所述对所述骨性结构图进行第二分割处理得到骨髓腔掩模图像包括以下步骤：
利用高斯平滑算法对所述骨性结构图进行平滑处理，得到平滑处理图像；
基于直方图统计的骨髓腔阈值对所述平滑处理图像进行分割处理得到二值图像；
利用形态学方法和距离变换方法对所述二值图像进行处理得到边缘标记图像；
基于分水岭算法处理所述边缘标记图像得到所述骨髓腔掩模图像。
根据本发明一些实施例，所述规范化处理所述骨髓腔功能代谢图像中的SUV值包括以下步骤：
利用后处理算法去除所述骨髓腔功能代谢图像中的异常SUV值；
根据所述骨髓腔功能代谢图像中的SUV值确定特征值；
根据所述特征值对所述骨髓腔功能代谢图像中的SUV值进行规范化处理。
根据本发明一些实施例，所述造血活性骨髓识别方法还包括以下步骤：
获取预设的多个SUV值区间；
根据所述多个SUV值区间显示所述骨髓腔功能代谢图像中的不同活性程度的活性骨髓分布，其中，所述骨髓腔功能代谢图像的显示方式包括横断面图、冠状面图、矢状面图或者MPR图的至少之一。
另一方面，本发明实施例还提供一种血活性骨髓识别方法，包括以下步骤：
获取受试者的CT解剖图像；
将受试者的CT解剖图像和活性骨髓三维空间分布先验模型进行配准得到受试者的活性骨髓区；
其中，所述活性骨髓三维空间分布先验模型通过以下步骤获得：
获取多个历史受试者的初始影像数据集，其中，所述初始影像数据集包括CT解剖图像和PET功能代谢图像；
分别根据历史受试者的骨骼体积对所述初始影像数据集进行非刚性配准得到配准后的影像数据集，根据配准后的所述影像数据集通过如前面所述的血活性骨髓识别方法确定活性骨髓区；
根据多个所述活性骨髓区确定活性骨髓三维空间分布先验模型。
根据本发明一些实施例，根据多个所述活性骨髓区确定活性骨髓三维空间分布先验模型包括以下步骤：
对多个所述活性骨髓区的点云空间坐标进行主成分分析和异常值去除处理得到活性骨髓三维空间分布先验模型。
另一方面，本发明实施例还提供一种造血活性骨髓识别系统，包括：
第一模块，用于获取受试者的CT解剖图像和PET功能代谢图像；
第二模块，用于对所述CT解剖图像进行第一分割处理得到骨性结构图；
第三模块，用于对所述骨性结构图进行第二分割处理得到骨髓腔掩模图像；
第四模块，用于根据所述骨髓腔掩模图像对所述PET功能代谢图像进行影像插值和刚性配准得到骨髓腔功能代谢图像；
第五模块，用于规范化处理所述骨髓腔功能代谢图像中的SUV值；
第六模块，将所述SUV值大于预设SUV阈值的骨髓腔功能代谢图像的区域确定为活性骨髓区。
另一方面，本发明实施例还提供一种造血活性骨髓识别装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得至少一个所述处理器实现如前面所述的造血活性骨髓识别方法。
另一方面，本发明实施例还提供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可执行指令，所述计算机可执行指令用于使计算机执行如前面所述的造血活性骨髓识别方法。
本发明上述的技术方案至少具有如下优点或有益效果之一：首先获取受试者的CT解剖图像和PET功能代谢图像，然后对CT解剖图像进行第一分割处理得到骨性结构图，再对骨性结构图进行第二分割处理得到骨髓腔掩模图像。根据所骨髓腔掩模图像对PET功能代谢图像进行影像插值和刚性配准得到骨髓腔功能代谢图像，规范化处理骨髓腔功能代谢图像中的SUV值后将SUV值大于预设SUV阈值的骨髓腔功能代谢图像的区域确定为活性骨髓区。通过对骨骼的勾画和骨髓腔的SUV值规范化处理，减少了骨骼外其它高代谢高SUV值组织器官的高亮显示对低SUV值骨髓的掩盖和影响，从而提高了造血活性骨髓识别的准确性。
附图说明
图1是本发明实施例提供的一种造血活性骨髓识别方法流程图；
图2是本发明实施例提供的PET-CT人体检测显示结果示意图；
图3是本发明实施例提供的不同活性程度的活性骨髓区显示结果示意图；
图4是本发明实施例提供的一种造血活性骨髓识别系统示意图；
图5是本发明实施例提供的一种造血活性骨髓识别装置示意图。
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者类似的标号表示相同或者类似的原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。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、左、右等指示的方位或者位置关系为基于附图所示的方位或者位置关系，仅是为了便于描述本发明和简化描述，而不是指示或者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。
本发明的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或者暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明实施例提供了一种造血活性骨髓识别方法，参照图1，本发明实施例的造血活性骨髓识别方法包括但不限于步骤S110、步骤S120、步骤S130、步骤S140、步骤S150和步骤S160。
步骤S110，获取受试者的CT解剖图像和PET功能代谢图像；
步骤S120，对CT解剖图像进行第一分割处理得到骨性结构图；
步骤S130，对骨性结构图进行第二分割处理得到骨髓腔掩模图像；
步骤S140，根据骨髓腔掩模图像对PET功能代谢图像进行影像插值和刚性配准得到骨髓腔功能代谢图像；
步骤S150，规范化处理骨髓腔功能代谢图像中的SUV值；
步骤S160，将SUV值大于预设SUV阈值的骨髓腔功能代谢图像的区域确定为活性骨髓区。
在本实施例中，由于PET功能代谢图像低分辨率和假阳性可能会造成位置错位和误分割，通过先利用CT解剖图像分割出骨髓腔掩模图像，再对骨髓腔掩模图像和PET功能代谢图像采用影像插值和刚性配准的形态学操作以获得较为准确的骨髓腔功能代谢图像。通过对骨骼的勾画和骨髓腔的SUV值规范化处理，减少了骨骼外其它高代谢高SUV值组织器官的高亮显示对低SUV值骨髓的掩盖和影响，从而提高了造血活性骨髓识别的准确性。
进一步地，可以输出活性骨髓区的三维轮廓线，该轮廓线满足放射治疗计划设计系统对组织、器官轮廓线的要求，可作为器官结构导入放疗计划系统，进行放射治疗计划计划设计。此外，还可以根据识别出的受试者的造血活性骨髓区进行3D重建，规划出骨髓穿刺路径，以提高临床上骨髓穿刺的准确性和可靠性。
根据本发明一些具体实施例，步骤S120包括但不限于以下步骤：
获取指定分析部位；
将指定分析部分和CT解剖图像输入深度学习分割模型得到骨性结构图。
具体地，指定分析部位可以是头部、躯干、四肢等部分，以头部为例，将头部和受试者的CT解剖图像输入深度学习分割模型可以得到受试者的头骨结构。
在另外一些实施例中，也可以根据指定分析部分，基于利用阈值分割和填充算法，分割才出对应指定分析部位的骨性结构图。
根据本发明一些具体实施例，步骤S130包括但不限于以下步骤：
利用高斯平滑算法对骨性结构图进行平滑处理，得到平滑处理图像；
基于直方图统计的骨髓腔阈值对平滑处理图像进行分割处理得到二值图像；
利用形态学方法和距离变换方法对二值图像进行处理得到边缘标记图像；
基于分水岭算法处理边缘标记图像得到骨髓腔掩模图像。
具体地，针对导致骨髓区域分布异常的问题，例如，骨皮质存在高代谢问题会对骨髓腔的精确分割存在一定的影响，因此，本发明实施例基于距离变换的分水岭算法，实现骨髓腔的精确分割。首先，利用高斯平滑算法对骨性结构图进行平滑处理得到平滑处理图像，减少出现过分割的情况，然后利用直方图统计的骨髓腔阈值获得初始分割二值图像后，再结合形态学方法和距离变换方法创建边缘标记图像，最后应用分水岭算法处理边缘标记图像得到较精确的骨髓腔掩模图像。
根据本发明一些具体实施例，步骤S150包括但不限于以下步骤：
利用后处理算法去除骨髓腔功能代谢图像中的异常SUV值；
根据骨髓腔功能代谢图像中的SUV值确定特征值；
根据特征值对骨髓腔功能代谢图像中的SUV值进行规范化处理。
具体地，后处理算法可以为直方图抑制方法，利用直方图抑制方法去除骨髓腔功能代谢图像中的异常SUV值，然后统计骨髓腔功能代谢图像内各点的SUV值和特征值，并根据特征值对骨髓腔功能代谢图像中的所有SUV值进行规范化化处理，将规范化后的SUV值大于预设SUV阈值的骨髓腔的区域确定为造血活性骨髓区。
在一些实施例中，特征值可以是骨髓腔功能代谢图像中的所有SUV值的平均SUV值、也可以是其中的中位SUV值、最大SUV值或者最小SUV值。以特征值为平均SUV值(meanSUV)为例，根据骨髓腔功能代谢图像中的所有SUV值计算平均SUV值，以平均SUV值对骨髓腔功能代谢图像中的各个SUV值进行归一化，定义归一化后的SUV值大于1.0meanSUV的区域为造血活性骨髓区。
根据本发明一些具体实施例，本发明实施例的造血活性骨髓识别方法还包括但不限于以下步骤：
获取预设的多个SUV值区间；
根据多个SUV值区间显示骨髓腔功能代谢图像中的不同活性程度的活性骨髓分布，其中，骨髓腔功能代谢图像的显示方式包括横断面图、冠状面图、矢状面图或者MPR图的至少之一。
具体地，参照图3，SUV值区间可以分别为大于1.0meanSUV、大于1.2meanSUV、大于1.5meanSUV的区间，显示方式包括横断面图、冠状面图、矢状面图、PET功能代谢图像和三维图。对应不同活性程度的活性骨髓区可以采用渐进变化的伪彩图显示，也可以是采用轮廓向或者体绘制图像等多种掩模显示方式。
进一步地，基于活性骨髓区可以计算其体积参数，体积参数可以包括活性骨髓区的体积大小、活性骨髓区与骨髓的体积比等。
此外，还可以显示多名不同受试者(或者同一名受试者，不同时间采集)的活性骨髓分布，显示范围可以根据指定分析部分进行对应的横断面图、冠状面图、矢状面图显示，从而进行造血活性骨髓分布差异的比较，进而给出造血活性骨髓的定性和定量发分析结果。
另一方面，本发明实施例还提供一种血活性骨髓识别方法，包括以下步骤：
获取受试者的CT解剖图像；
将受试者的CT解剖图像和活性骨髓三维空间分布先验模型进行配准得到受试者的活性骨髓区；
其中，活性骨髓三维空间分布先验模型通过以下步骤获得：
获取多个历史受试者的初始影像数据集，其中，初始影像数据集包括CT解剖图像和PET功能代谢图像；
分别根据历史受试者的骨骼体积对初始影像数据集进行非刚性配准得到配准后的影像数据集，根据配准后的影像数据集通过如前面实施例所述的血活性骨髓识别方法确定活性骨髓区；
根据多个活性骨髓区确定活性骨髓三维空间分布先验模型。
具体地，可以基于一组受试者的活性骨髓区构建活性骨髓三维分布先验模型，对于当前受试者可以采集其CT解剖图像，然后通过变形配准的方式，将当前受试者的CT解剖图像与活性骨髓三维分布先验模型结合，从而得到当前受试者的先验活性骨髓区的三维分布。通过构建活性骨髓三维空间分布先验模型的方式，在当前受试者未接受PET检测的情况下也能够识别当前受试者的活性骨髓区，从而较准确地获得患者在既往放疗过程中不同活性程度ABM受照射的剂量、体积参数，为评估血液毒性的相关因素提供关键数据。
活性骨髓三维空间分布先验模型的构建过程具体为：获取多个历史受试者的初始影像数据集，利用形变配准算法结合形状约束和关键点空间分布特性，对历史受试者在评估范围的骨骼体积进行规范化和非刚性配准，生成多个历史受试者对应规范化和配准后的影像数据集。根据配准后的影像数据集通过上述步骤S110至步骤S160的方法确定其活性骨髓区，并对多个活性骨髓区的点云空间坐标进行主成分分析和后处理，去除异常点同时保留主要形状拓扑结构，生成活性骨髓三维空间分布先验模型。
进一步地，可以对比分析基于活性骨髓三维空间分布先验模型得出的预测活性骨髓区与基于PET-CT直接勾画的活性骨髓区的三维分布差异，利用DICE系数、ASD距离、HD距离等指标，评价预测两者的重叠关系，从而衡量基于活性骨髓三维空间分布先验模型的性能。
根据本发明一些具体实施例，根据多个活性骨髓区确定活性骨髓三维空间分布先验模型包括以下步骤：
对多个活性骨髓区的点云空间坐标进行主成分分析和异常值去除处理得到活性骨髓三维空间分布先验模型。
另一方面，本发明实施例还提供一种造血活性骨髓识别系统，参照图4，包括：
第一模块，用于获取受试者的CT解剖图像和PET功能代谢图像；
第二模块，用于对CT解剖图像进行第一分割处理得到骨性结构图；
第三模块，用于对骨性结构图进行第二分割处理得到骨髓腔掩模图像；
第四模块，用于根据骨髓腔掩模图像对PET功能代谢图像进行影像插值和刚性配准得到骨髓腔功能代谢图像；
第五模块，用于规范化处理骨髓腔功能代谢图像中的SUV值；
第六模块，将SUV值大于预设SUV阈值的骨髓腔功能代谢图像的区域确定为活性骨髓区。
在本实施例中，由于PET功能代谢图像低分辨率和假阳性可能会造成位置错位和误分割，通过先利用CT解剖图像分割出骨髓腔掩模图像，再对骨髓腔掩模图像和PET功能代谢图像采用影像插值和刚性配准的形态学操作以获得较为准确的骨髓腔功能代谢图像。通过对骨骼的勾画和骨髓腔的SUV值规范化处理，减少了骨骼外其它高代谢高SUV值组织器官的高亮显示对低SUV值骨髓的掩盖和影响，本发明实施例的造血活性骨髓识别系统提高了造血活性骨髓识别的准确性。
参照图5，图5是本发明一个实施例提供的造血活性骨髓识别装置的示意图。本发明实施例的造血活性骨髓识别装置包括一个或多个控制处理器和存储器，图5中以一个控制处理器及一个存储器为例。
控制处理器和存储器可以通过总线或者其他方式连接，图5中以通过总线连接为例。
存储器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以及非暂态性计算机可执行程序。此外，存储器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。在一些实施方式中，存储器可选包括相对于控制处理器远程设置的存储器，这些远程存储器可以通过网络连接至该造血活性骨髓识别装置。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。
本领域技术人员可以理解，图5中示出的装置结构并不构成对造血活性骨髓识别装置的限定，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。
实现上述实施例中应用于造血活性骨髓识别装置的造血活性骨髓识别方法所需的非暂态软件程序以及指令存储在存储器中，当被控制处理器执行时，执行上述实施例中应用于造血活性骨髓识别装置的造血活性骨髓识别方法。
此外，本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，可使得上述一个或多个控制处理器执行上述方法实施例中的造血活性骨髓识别方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种造血活性骨髓识别方法，其特征在于，包括以下步骤：
获取受试者的CT解剖图像和PET功能代谢图像；
对所述CT解剖图像进行第一分割处理得到骨性结构图；
对所述骨性结构图进行第二分割处理得到骨髓腔掩模图像；
根据所述骨髓腔掩模图像对所述PET功能代谢图像进行影像插值和刚性配准得到骨髓腔功能代谢图像；
规范化处理所述骨髓腔功能代谢图像中的SUV值；
将所述SUV值大于预设SUV阈值的骨髓腔功能代谢图像的区域确定为活性骨髓区。
2.根据权利要求1所述的造血活性骨髓识别方法，其特征在于，所述对所述CT解剖图像进行第一分割处理得到骨性结构图包括以下步骤：
获取指定分析部位；
将所述指定分析部分和所述CT解剖图像输入深度学习分割模型得到所述骨性结构图。
3.根据权利要求1所述的造血活性骨髓识别方法，其特征在于，所述对所述骨性结构图进行第二分割处理得到骨髓腔掩模图像包括以下步骤：
利用高斯平滑算法对所述骨性结构图进行平滑处理，得到平滑处理图像；
基于直方图统计的骨髓腔阈值对所述平滑处理图像进行分割处理得到二值图像；
利用形态学方法和距离变换方法对所述二值图像进行处理得到边缘标记图像；
基于分水岭算法处理所述边缘标记图像得到所述骨髓腔掩模图像。
4.根据权利要求1所述的造血活性骨髓识别方法，其特征在于，所述规范化处理所述骨髓腔功能代谢图像中的SUV值包括以下步骤：
利用后处理算法去除所述骨髓腔功能代谢图像中的异常SUV值；
根据所述骨髓腔功能代谢图像中的SUV值确定特征值；
根据所述特征值对所述骨髓腔功能代谢图像中的SUV值进行规范化处理。
5.根据权利要求1所述的造血活性骨髓识别方法，其特征在于，所述造血活性骨髓识别方法还包括以下步骤：
获取预设的多个SUV值区间；
根据所述多个SUV值区间显示所述骨髓腔功能代谢图像中的不同活性程度的活性骨髓分布，其中，所述骨髓腔功能代谢图像的显示方式包括横断面图、冠状面图、矢状面图或者MPR图的至少之一。
6.一种血活性骨髓识别方法，其特征在于，包括以下步骤：
获取受试者的CT解剖图像；
将受试者的CT解剖图像和活性骨髓三维空间分布先验模型进行配准得到受试者的活性骨髓区；
其中，所述活性骨髓三维空间分布先验模型通过以下步骤获得：
获取多个历史受试者的初始影像数据集，其中，所述初始影像数据集包括CT解剖图像和PET功能代谢图像；
分别根据历史受试者的骨骼体积对所述初始影像数据集进行非刚性配准得到配准后的影像数据集，根据配准后的所述影像数据集通过如权利要求1所述的血活性骨髓识别方法确定活性骨髓区；
根据多个所述活性骨髓区确定活性骨髓三维空间分布先验模型。
7.根据权利要求6所述的造血活性骨髓识别方法，其特征在于，根据多个所述活性骨髓区确定活性骨髓三维空间分布先验模型包括以下步骤：
对多个所述活性骨髓区的点云空间坐标进行主成分分析和异常值去除处理得到活性骨髓三维空间分布先验模型。
8.一种造血活性骨髓识别系统，其特征在于，包括：
第一模块，用于获取受试者的CT解剖图像和PET功能代谢图像；
第二模块，用于对所述CT解剖图像进行第一分割处理得到骨性结构图；
第三模块，用于对所述骨性结构图进行第二分割处理得到骨髓腔掩模图像；
第四模块，用于根据所述骨髓腔掩模图像对所述PET功能代谢图像进行影像插值和刚性配准得到骨髓腔功能代谢图像；
第五模块，用于规范化处理所述骨髓腔功能代谢图像中的SUV值；
第六模块，将所述SUV值大于预设SUV阈值的骨髓腔功能代谢图像的区域确定为活性骨髓区。
9.一种造血活性骨髓识别装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得至少一个所述处理器实现如权利要求1至7任一项所述的造血活性骨髓识别方法。
10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序被由所述处理器执行时用于实现如权利要求1至7任一项所述的造血活性骨髓识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210192921.7A CN114581397A (zh) | 2022-02-28 | 2022-02-28 | 造血活性骨髓识别方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210192921.7A CN114581397A (zh) | 2022-02-28 | 2022-02-28 | 造血活性骨髓识别方法、系统、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114581397A true CN114581397A (zh) | 2022-06-03 |
Family
ID=81771324
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210192921.7A Pending CN114581397A (zh) | 2022-02-28 | 2022-02-28 | 造血活性骨髓识别方法、系统、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114581397A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110158494A1 (en) * | 2009-12-30 | 2011-06-30 | Avi Bar-Shalev | Systems and methods for identifying bone marrow in medical images |
| CN102473302A (zh) * | 2009-07-20 | 2012-05-23 | 皇家飞利浦电子股份有限公司 | 用于感兴趣肿瘤区域定义的解剖结构建模 |
| CN104463840A (zh) * | 2014-09-29 | 2015-03-25 | 北京理工大学 | 基于pet/ct影像的发热待查计算机辅助诊断方法 |
| CN110368604A (zh) * | 2019-06-21 | 2019-10-25 | 山东省肿瘤防治研究院（山东省肿瘤医院） | 一种基于suv值的调强放疗监测系统及方法 |
| CN110458859A (zh) * | 2019-07-01 | 2019-11-15 | 南开大学 | 一种基于多序列mri的多发性骨髓瘤病灶的分割系统 |
| CN111312373A (zh) * | 2020-01-19 | 2020-06-19 | 浙江树人学院（浙江树人大学） | 一种pet/ct图像融合自动标注方法 |
-
2022
- 2022-02-28 CN CN202210192921.7A patent/CN114581397A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102473302A (zh) * | 2009-07-20 | 2012-05-23 | 皇家飞利浦电子股份有限公司 | 用于感兴趣肿瘤区域定义的解剖结构建模 |
| US20110158494A1 (en) * | 2009-12-30 | 2011-06-30 | Avi Bar-Shalev | Systems and methods for identifying bone marrow in medical images |
| CN104463840A (zh) * | 2014-09-29 | 2015-03-25 | 北京理工大学 | 基于pet/ct影像的发热待查计算机辅助诊断方法 |
| CN110368604A (zh) * | 2019-06-21 | 2019-10-25 | 山东省肿瘤防治研究院（山东省肿瘤医院） | 一种基于suv值的调强放疗监测系统及方法 |
| CN110458859A (zh) * | 2019-07-01 | 2019-11-15 | 南开大学 | 一种基于多序列mri的多发性骨髓瘤病灶的分割系统 |
| CN111312373A (zh) * | 2020-01-19 | 2020-06-19 | 浙江树人学院（浙江树人大学） | 一种pet/ct图像融合自动标注方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107545584B (zh) | 医学图像中定位感兴趣区域的方法、装置及其系统 | |
| CN106600609B (zh) | 一种医学图像中脊柱的分割方法及系统 | |
| CN109410221B (zh) | 脑灌注图像分割方法、装置、服务器和存储介质 | |
| US9218661B2 (en) | Image analysis for specific objects | |
| US8600135B2 (en) | System and method for automatically generating sample points from a series of medical images and identifying a significant region | |
| US9098912B2 (en) | Method, system and computer readable medium for automatic segmentation of a medical image | |
| US9241634B2 (en) | Analytic morphomics: high speed medical image automated analysis method | |
| RU2589461C2 (ru) | Устройство для создания присваиваний между областями изображения и категориями элементов | |
| CN107292889B (zh) | 一种肿瘤分割的方法、系统和可读介质 | |
| CN111354001B (zh) | 脑肿瘤图像分割方法、装置和存储介质 | |
| CN106709920B (zh) | 血管提取方法及其装置 | |
| US20130303900A1 (en) | Method and apparatus for processing of stroke ct scans | |
| US8938107B2 (en) | System and method for automatic segmentation of organs on MR images using a combined organ and bone atlas | |
| US9466116B2 (en) | Method and system for separating tissue classes in magnetic resonance images | |
| US20150206300A1 (en) | Method and apparatus for extraction and quantification of hematoma from a brain scan such as computed tomography data | |
| CN113826140B (zh) | 血管造影数据分析 | |
| Hennemuth et al. | Mixture-model-based segmentation of myocardial delayed enhancement MRI | |
| JP5961512B2 (ja) | 画像処理装置およびその作動方法並びに画像処理プログラム | |
| US20230115927A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
| CN114581397A (zh) | 造血活性骨髓识别方法、系统、装置及存储介质 | |
| Fabijańska et al. | Assessment of hydrocephalus in children based on digital image processing and analysis | |
| US10182782B2 (en) | Evaluation apparatus, evaluation method, and evaluation program | |
| KR101593380B1 (ko) | 영상 분석 장치, 및 장치를 이용하여 영상을 분석하는 방법 | |
| CN109350062B (zh) | 医学信息获取方法、设备及非易失性计算机存储介质 | |
| CN108852287A (zh) | 一种选择脑对称兴趣区的方法 |
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 |