CN115187521A - 病灶识别方法、装置、计算机设备和存储介质 - Google Patents
病灶识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115187521A CN115187521A CN202210710354.XA CN202210710354A CN115187521A CN 115187521 A CN115187521 A CN 115187521A CN 202210710354 A CN202210710354 A CN 202210710354A CN 115187521 A CN115187521 A CN 115187521A
- Authority
- CN
- China
- Prior art keywords
- image
- suv
- target organ
- threshold
- determining
- 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
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
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及医学影像处理领域,特别是涉及一种病灶识别方法、装置、计算机设备和存储介质,包括:基于获取的第一图像,勾画所述第一图像中的第一目标器官;基于所述第一目标器官,确定获取的第二图像中与所述第一目标器官对应的第二目标器官;其中,第二图像与第一图像为不同模态的图像,且第二图像与第一图像的检测时间及检测部位相同或者部分相同;基于所述第二目标器官中的至少一个SUV采样值,确定SUV阈值;基于所述SUV阈值,确定所述第二图像中的病灶区域。本发明实现病灶区域准确的确定,解决了现有技术中病灶区域确定不准确的技术问题。
Description
技术领域
本申请涉及医学影像处理领域,特别是涉及一种病灶识别方法、装置、计算机设备和存储介质。
背景技术
PET(Positron Emission Tomography,正电子发射型计算机断层显像),是一种在体外利用大型高端显像设备观察注射入体内的显像药物在活体内分布情况的影像检查方法。但是,单独的PET设备存在无法准确的显示解剖结构的问题,为解决这个问题,目前将PET设备分别与CT(Computed Tomography,计算机断层扫描)设备和MR(MagneticResonance,磁共振)设备结合形成了PET-CT设备和PET-MR设备。PET-CT设备和PET-MR设备是将PET分别与CT和MR完美融为一体,由PET提供病灶详尽的功能与代谢等分子信息,而CT和MR提供病灶的精确解剖定位,一次显像可获得全身各方位的断层图像,具有灵敏、准确、特异及定位精确等特点,可一目了然的了解全身整体状况,达到早期发现病灶和诊断疾病的目的。
药物成像在癌症诊断中有突出的效果,医生利用勾画出的图像对肿瘤的信息进行分析。
现有技术中,通常是医生手动进行VOI(Volume Of Interest,感兴趣的容积)勾画,或利用一个经验值作为SUV(standard uptake value,标准摄取值)阈值进行VOI区域选择,从而导致假阳性过高,因此存在VOI区域确定不准确的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种病灶识别方法、装置、计算机设备和存储介质。
第一方面,本发明实施例提出一种病灶识别方法,所述方法包括:
基于获取的第一图像,勾画所述第一图像中的第一目标器官;
基于所述第一目标器官,确定获取的第二图像中与所述第一目标器官对应的第二目标器官;其中,所述第二图像与所述第一图像为不同模态的图像,且第二图像与第一图像的检测时间及检测部位相同或者部分相同
基于所述第二目标器官中的至少一个SUV采样值,确定SUV阈值;
基于所述SUV阈值,确定所述第二图像中的病灶区域。
在一实施例中,所述第一图像为解剖图像,所述第二图像为PET图像。
在一实施例中,所述解剖图像为X射线图像、CT图像或MR图像。
在一实施例中,所述基于获取的第一图像,勾画所述第一图像中的第一目标器官包括:
将所述第一图像输入训练好的器官分类模型,确定所述第一目标器官;
对所述第一目标器官进行勾画。
在一实施例中,所述SUV阈值基于所述第二目标器官中的至少一个SUV采样值以及比较系数所确定;其中,所述比较系数基于所述第二图像剔除非目标器官后,剩余图像与所述第二图像的SUV平均值的比值所确定。
在一实施例中,所述基于所述第二目标器官中的至少一个SUV采样值确定SUV阈值包括:
基于所述至少一个SUV采样值,确定所述第二目标器官的SUV平均值以及标准方差值;
基于所述第二目标器官的SUV平均值、标准方差值以及比较系数,确定SUV阈值。
在一实施例中,所述SUV阈值由以下公式所确定:
threshold=weight×(SUVmean+nSUVSD)
其中,threshold表示SUV阈值;weight表示所述第二图像剔除非目标器官后,剩余图像与所述第二图像的SUV平均值的比值;SUVmean表示SUV平均值;SUVSD表示所述至少一个SUV采样值的标准方差值;n表示调整系数,n>0。
在一实施例中,所述调整系数n基于病灶类型以及病灶类型所对应的药物类型所确定。
在一实施例中,所述方法还包括:
在所确定的病灶区域不满足要求的情况下,对所述调整系数n进行调整,直到满足要求。
第二方面,本发明实施例提出一种病灶识别装置,所述装置包括:
第一确定模块,用于基于获取的第一图像,勾画所述第一图像中的第一目标器官;
第二确定模块,用于基于所述第一目标器官,确定获取的第二图像中与所述第一目标器官对应的第二目标器官;其中,所述第二图像与所述第一图像为不同模态的图像,且第二图像与第一图像的检测时间及检测部位相同或者部分相同;
第三确定模块,用于基于所述第二目标器官中的至少一个SUV采样值,确定SUV阈值;
第四确定模块,用于基于所述SUV阈值,确定所述第二图像中的病灶区域。
第三方面,本发明实施例提出一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行第一方面所述的步骤。
第四方面,本发明实施例提出一种计算机可读存储介质,其上存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面所述的步骤。
相比于现有技术,上述方法、装置、计算机设备和存储介质,基于获取的第一图像,勾画所述第一图像中的第一目标器官,基于所述第一目标器官,确定获取的第二图像中与所述第一目标器官对应的第二目标器官,基于所述第二目标器官中的至少一个SUV采样值,确定SUV阈值,基于所述SUV阈值,确定第二图像中的病灶区域,从而实现病灶区域准确的确定,解决了现有技术中病灶区域确定不准确的技术问题。
附图说明
图1为一实施例中病灶识别方法应用环境的结构示意图;
图2为一实施例中病灶识别方法的流程示意图;
图3为一实施例中第一目标器官勾画方法的流程示意图;
图4为一实施例中SUV阈值确定方法的流程示意图;
图5为一实施例中病灶识别方法的整体流程示意图;
图6为一实施例中病灶识别装置的模块连接示意图;
图7为一实施例中计算机设备的结构示意图。
具体实施方式
为了更清楚地说明本发明的实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本发明的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本发明应用于其他类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
如本发明和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本发明对根据本发明的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在计算设备和/或处理器上。模块仅是说明性的,并且系统和方法的不同方面可以使用不同模块。
应当理解的是,当单元或模块被描述为“连接”、“耦接”其它单元、模块或块时,其可以指直接连接或耦接,或者与其它单元、模块或块通信,或者可以存在中间的单元、模块或块,除非上下文明确指明其它方式。本文所使用的术语“和/或”可包括一个或多个相关列出项目的任意与所有组合。
本申请提供的病灶识别方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。终端102基于获取的第一图像,勾画第一图像中的第一目标器官,基于第一目标器官,确定获取的第二图像中与第一目标器官对应的第二目标器官,基于第二目标器官中的至少一个SUV采样值,确定SUV阈值;基于SUV阈值,确定所述第二图像中的病灶区域。终端102将最终确定结果发送至服务器104。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供了一种器官勾画方法,以该方法应用于图1中的应用环境为例进行说明,包括以下步骤:
S201:基于获取的第一图像,勾画第一图像中的第一目标器官。
在本实施例中,第一图像为解剖图像,可以是X射线图像、CT图像或MR图像。首先,利用对应的扫描设备扫描获取MR序列或CT序列或X射线序列,再对MR序列或CT序列或X射线序列进行重建,得到MR图像或CT图像或X射线图像。
由于肝脏具有更好的参考性,因此通常将肝脏作为第一目标器官。需要说明的是,在一些其他的实施例中,也可以将其他器官作为第一目标器官,并对该器官进行勾画。
在本实施例中,可以利用深度学习算法或其他识别算法,识别第一图像中的第一目标器官,在识别出第一目标器官后就可以对其进行勾画。
S202:基于第一目标器官,确定获取的第二图像中与第一目标器官对应的第二目标器官。
在本实施例中,第二图像为PET图像,第二图像与第一图像为不同模态的图像,且第二图像与第一图像的检测时间及检测部位相同或者部分相同。
具体的讲,不同模态的图像是指因成像机理不同而能从多种层面提供信息形成的医学图像。
基于在第一图像中已经确定了第一目标器官,将第一图像与第二图像配准就可以获得与第一目标器官对应的第二目标器官。
以肝脏为例,将第一图像与第二图像配准,就可以获得第二图像中肝脏的区域,也就是第二目标器官。
S203:基于第二目标器官中的至少一个SUV采样值,确定SUV阈值。
采集第二目标器官中的至少一个SUV采样值,对所采集的SUV采样值进行处理得到SUV阈值,相比于手动VOI勾画或者以经验值作为SUV阈值更加的准确。S204:基于SUV阈值,确定第二图像中的病灶区域。
在确定SUV阈值之后,通过自动勾画的方法自动勾画出第二图像中的病灶区域。
基于步骤S201-S204,基于获取的第一图像,勾画第一图像中的第一目标器官,基于第一目标器官,确定获取的第二图像中与第一目标器官对应的第二目标器官,基于第二目标器官中的至少一个SUV采样值,确定SUV阈值,基于SUV阈值,确定所述第二图像中的病灶区域,从而实现病灶区域准确的确定,解决了现有技术中病灶区域确定不准确的技术问题。
在一实施例中,如图3所示,基于获取的第一图像,勾画第一图像中的第一目标器官的方法为:
S301:将第一图像输入训练好的器官分类模型,确定第一目标器官;
S302:对第一目标器官进行勾画。
其中,器官分类模型基于包含第一目标器官的样本图像训练得到。
具体的,器官分类模型的训练包括以下步骤:
步骤1,获取预训练神经网络模型。
其中,预训练神经网络模型基于初始数据训练得到。
示例性地,根据初始数据对神经网络模型进行训练,得到预训练神经网络模型。
具体的,初始数据可以是大量的带有标注的PET图像,该初始数据可用于对神经网络模型进行训练,得到目标网络模型,其中,初始数据中的标注类型决定目标网络模型的作用。例如,初始数据可以是标注有病灶种类的PET图像,该初始数据可用于对神经网络模型进行训练,得到病灶分类模型,该病灶分类模型用于对待分类的PET图像进行病灶分类。初始数据也可以是标注有病灶位置的PET图像,该初始数据可用于对神经网络模型进行训练,得到病灶分割模型,该病灶分割模型用于对待分割的PET图像进行病灶位置分割。
需要说明的是,本申请实施例中仅以标注类型为病灶种类,目标网络模型用于对PET图像进行病灶分类,以及标注类型为病灶位置,目标网络模型用于对PET图像进行病灶位置分割为例进行说明,在实际应用中,带标注的PET图像也可用于训练其他任务的神经网络模型,在此不做限制。
需要说明的是,本申请实施例中的神经网络模型可以是u-net神经网络,也可以是卷积神经网络(Convolutional neural networks,CNN)、生成式对抗网络(Generativeadversarial networks,GAN)、循环神经网络(Recurrent neural networks,RNN)、深度残差网络(Deep residual networks,DRN)中的一种或多种,也可以是其他类型的神经网络,在此不做限制。
步骤2,获取目标任务数据。
示例性地,目标任务数据可以是少量的标注有病灶位置的PET图像,该目标任务数据可以用于对预训练神经网络模型进行训练,得到病灶分割网络模型。例如,目标任务数据是少量的标注有胃部病灶的PET图像。
具体的,通过PET设备对志愿者身体进行扫描,获得PET图像,进一步的,医护人员对PET图像的肝脏病灶进行标注,获得目标任务数据。通常通过人工对图像进行标注的方式效率较低,获得的标注数据的数据量较少,因此,通过人工标注的方式获取的标注的肝脏病灶PET图像的数据量较小,即目标任务数据的数据量较小。
需要说明的是,本申请实施例中仅以肝脏病灶为例进行说明,在实际应用中,也可以是肺部病灶或胰腺病灶,也可是其他类型的病灶,在此不做限制。
步骤3,基于目标任务数据对预训练神经网络模型进行训练,得到器官分类模型。
示例性地,基于少量的标注有病灶位置的PET图像对预训练神经网络模型进行训练,得到病灶分割网络模型,该病灶分割网络模型用于对待分割的PET图像进行病灶分割。并且,在训练过程中,调整预训练神经网络模型中的部分参数,得到器官分类模型。
以肝脏的区域作为第一目标器官为例,获取多张包含肝脏的样本图像,利用深度学习算法训练得到器官分类模型,该模型能够自动识别出图像中的肝脏。再将第一图像输入训练好的器官分类模型,就可以确定肝脏所在区域。
在一实施例中,SUV阈值基于所述第二目标器官中的至少一个SUV采样值以及比较系数所确定;其中,所述比较系数基于所述第二图像剔除非目标器官后,剩余图像与所述第二图像的SUV平均值的比值所确定。
具体的讲,首先利用深度学习算法或其他识别算法,对第一图像中的器官进行分割,并保存分割后的器官信息,再将第一图像与第二图像进行匹配,剔除非目标器官后,利用剩余图像与第二图像的SUV平均值,确定比较系数。然后再基于第二目标器官中的至少一个SUV采样值以及比较系数,确定SUV阈值,基于上述方法可以得到准确的SUV阈值。
需要说明的是,非目标器官指的是无病灶器官。需要说明的是,目标器官指的是病灶器官。在一实施例中,如图4所示,基于第二目标器官中的至少一个SUV采样值,确定SUV阈值包括以下步骤:
S401:基于至少一个SUV采样值,确定第二目标器官的SUV平均值以及标准方差值;
S402:基于第二目标器官的SUV平均值、标准方差值以及比较系数,确定SUV阈值。
具体的,SUV阈值由以下公式所确定:
threshold=weight×(SUVmean+nSUVSD)
其中,threshold表示SUV阈值;weight表示第二图像剔除非目标器官后,剩余图像与第二图像的SUV平均值的比值;SUVmean表示SUV平均值;SUVSD表示至少一个SUV采样值的标准方差值;n表示调整系数,n>0。
需要说明的是,在本实施例中,将第二目标器官的SUV平均值与标准方差值相加,再利用相加的和乘以比较系数,从而得到准确的SUV阈值。
其中,调整系数n基于病灶类型以及病灶类型所对应的药物类型所确定。
在一示例实施例中,PSMA(Prostate Specific Membrane Antigen,前列腺特异性膜抗原)药物成像在前列腺癌诊断中有突出的效果,经过多次试验,确定当n=3时,能够最准确的确定图像中的病灶区域。
在一实施例中,在所确定的病灶区域不满足要求的情况下,对所述调整系数n进行调整,直到满足要求。
具体来讲,若最终确定的病灶区域过多,则可以增大调整系数n的值;若最终确定的病灶区域过少,则可以减小调整系数n的值,最终准确的确定第二图像中的病灶区域。
病灶识别方法的整体流程图如图5所示。对MR/CT序列重建得到MR/CT图像,对PET序列重建得到PET图像。针对MR/CT图像利用器官分类模型分割器官,并将分割后的器官信息保存,再基于分割后的器官勾画第一目标器官。利用器官信息将MR/CT图像与PET图像进行器官配准,得到配准后的第二目标器官,利用第二目标器官以及配准后的PET图像计算SUV平均值SUVmean,再基于第二图像剔除非目标器官后,剩余图像与第二图像的SUV平均值计算得到SUV阈值,基于所述SUV阈值,确定第二图像中的病灶区域。
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一实施例中,如图6所示,本发明提供了一种病灶识别装置,装置包括:
第一确定模块601,用于基于获取的第一图像,勾画所述第一图像中的第一目标器官;
第二确定模块602,用于基于所述第一目标器官,确定获取的第二图像中与所述第一目标器官对应的第二目标器官;其中,所述第二图像与所述第一图像为不同模态的图像,且第二图像与第一图像的检测时间及检测部位相同或者部分相同;
第三确定模块603,用于基于所述第二目标器官中的至少一个SUV采样值,确定SUV阈值;;
第四确定模块604,用于基于所述SUV阈值,确定所述第二图像中的病灶区域。
在一实施例中,第一图像为解剖图像,所述第二图像为PET图像。
在一实施例中,解剖图像为X射线图像、CT图像或MR图像。
在一实施例中,第一确定模块包括:
第一确定子模块,用于将第一图像输入训练好的器官分类模型,确定第一目标器官;
自动勾画子模块,用于对第一目标器官进行勾画。
在一实施例中,所述SUV阈值基于所述第二目标器官中的至少一个SUV采样值以及比较系数所确定;其中,所述比较系数基于所述第二图像剔除非目标器官后,剩余图像与所述第二图像的SUV平均值的比值所确定。
在一实施例中,第三确定模块具体用于:
基于至少一个SUV采样值,确定第二目标器官的SUV平均值以及标准方差值;
基于第二目标器官的SUV平均值、标准方差值以及比较系数,确定SUV阈值。
在一实施例中,SUV阈值由以下公式所确定:
threshold=weight×(SUVmean+nSUVSD)
其中,threshold表示SUV阈值;weight表示第二图像剔除非目标器官后,剩余图像与第二图像的SUV平均值的比值;SUVmean表示SUV平均值;SUVSD表示至少一个SUV采样值的标准方差值;n表示调整系数,n>0。
在一实施例中,所述调整系数n基于病灶类型以及病灶类型所对应的药物类型所确定。
在一实施例中,装置还包括:
系数调整模块,用于在所确定的病灶区域不满足要求的情况下,对所述调整系数n进行调整,直到满足要求。
关于病灶识别装置的具体限定可以参见上文中对于病灶识别方法的限定,在此不再赘述。上述病灶识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储动作检测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述任一项病灶识别方法实施例中的步骤。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述任一项病灶识别方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一项病灶识别方法实施例中的步骤。
本领域普通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,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(RandomAccessMemory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(StaticRandomAccessMemory,SRAM)或动态随机存取存储器(DynamicRandomAccessMemory,DRAM)等。
以上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。
Claims (10)
1.一种病灶识别方法,其特征在于,所述方法包括:
基于获取的第一图像,勾画所述第一图像中的第一目标器官;
基于所述第一目标器官,确定获取的第二图像中与所述第一目标器官对应的第二目标器官;其中,所述第二图像与所述第一图像为不同模态的图像,且第二图像与第一图像的检测时间及检测部位相同或者部分相同;
基于所述第二目标器官中的至少一个SUV采样值,确定SUV阈值;
基于所述SUV阈值,确定所述第二图像中的病灶区域。
2.根据权利要求1所述的方法,其特征在于,所述第一图像为解剖图像,所述第二图像为PET图像。
3.根据权利要求2所述的方法,其特征在于,所述解剖图像为X射线图像、CT图像或MR图像。
4.根据权利要求1所述的方法,其特征在于,所述基于获取的第一图像,勾画所述第一图像中的第一目标器官包括:
将所述第一图像输入训练好的器官分类模型,确定所述第一目标器官;
对所述第一目标器官进行勾画。
5.根据权利要求1所述的方法,其特征在于,所述SUV阈值基于所述第二目标器官中的至少一个SUV采样值以及比较系数所确定;其中,所述比较系数基于所述第二图像剔除非目标器官后,剩余图像与所述第二图像的SUV平均值的比值所确定。
6.根据权利要求5所述的方法,其特征在于,所述基于所述第二目标器官中的至少一个SUV采样值,确定SUV阈值包括:
基于所述至少一个SUV采样值,确定所述第二目标器官的SUV平均值以及标准方差值;
基于所述第二目标器官的SUV平均值、标准方差值以及比较系数,确定SUV阈值。
7.根据权利要求6所述的方法,其特征在于,所述SUV阈值由以下公式所确定:
threshold=weight×(SUVmean+nSUVSD)
其中,threshold表示SUV阈值;weight表示所述第二图像剔除非目标器官后,剩余图像与所述第二图像的SUV平均值的比值;SUVmean表示SUV平均值;SUVSD表示所述至少一个SUV采样值的标准方差值;n表示调整系数,n>0。
8.一种病灶识别装置,其特征在于,所述装置包括:
第一确定模块,用于基于获取的第一图像,勾画所述第一图像中的第一目标器官;
第二确定模块,用于基于所述第一目标器官,确定获取的第二图像中与所述第一目标器官对应的第二目标器官;其中,所述第二图像与所述第一图像为不同模态的图像,且第二图像与第一图像的检测时间及检测部位相同或者部分相同;
第三确定模块,用于基于所述第二目标器官中的至少一个SUV采样值,确定SUV阈值;
第四确定模块,用于基于所述SUV阈值,确定所述第二图像中的病灶区域。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210710354.XA CN115187521A (zh) | 2022-06-22 | 2022-06-22 | 病灶识别方法、装置、计算机设备和存储介质 |
PCT/CN2023/097379 WO2023232067A1 (en) | 2022-05-31 | 2023-05-31 | Systems and methods for lesion region identification |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210710354.XA CN115187521A (zh) | 2022-06-22 | 2022-06-22 | 病灶识别方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115187521A true CN115187521A (zh) | 2022-10-14 |
Family
ID=83516144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210710354.XA Pending CN115187521A (zh) | 2022-05-31 | 2022-06-22 | 病灶识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115187521A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023232067A1 (en) * | 2022-05-31 | 2023-12-07 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for lesion region identification |
-
2022
- 2022-06-22 CN CN202210710354.XA patent/CN115187521A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023232067A1 (en) * | 2022-05-31 | 2023-12-07 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for lesion region identification |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020238734A1 (zh) | 图像分割模型的训练方法、装置、计算机设备和存储介质 | |
US11900647B2 (en) | Image classification method, apparatus, and device, storage medium, and medical electronic device | |
US10910099B2 (en) | Segmentation, landmark detection and view classification using multi-task learning | |
CN110766730B (zh) | 图像配准及随访评估方法、存储介质及计算机设备 | |
CN111080573B (zh) | 肋骨图像检测方法、计算机设备和存储介质 | |
CN111325714B (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
WO2019223123A1 (zh) | 病变部位识别方法及装置、计算机装置及可读存储介质 | |
CN111383259B (zh) | 图像分析方法、计算机设备和存储介质 | |
CN111488872B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
US10878564B2 (en) | Systems and methods for processing 3D anatomical volumes based on localization of 2D slices thereof | |
CN114445334B (zh) | 图像分析的方法、装置、设备及存储介质 | |
US8306354B2 (en) | Image processing apparatus, method, and program | |
CN111128348B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
Meng et al. | Automatic shadow detection in 2d ultrasound images | |
CN112102235A (zh) | 人体部位识别方法、计算机设备和存储介质 | |
CN115187521A (zh) | 病灶识别方法、装置、计算机设备和存储介质 | |
CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
Gheorghiță et al. | Improving robustness of automatic cardiac function quantification from cine magnetic resonance imaging using synthetic image data | |
CN113096132B (zh) | 图像处理的方法、装置、存储介质和电子设备 | |
CN117911432A (zh) | 图像分割方法、装置及存储介质 | |
Abdelrauof et al. | Light-weight localization and scale-independent multi-gate UNET segmentation of left and right ventricles in MRI images | |
CN111681237B (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
CN115081621A (zh) | 模型训练方法、病灶分割方法、装置、计算机设备和介质 | |
CN111210414B (zh) | 医学图像分析方法、计算机设备和可读存储介质 |
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 |