CN115239768A - 图像处理方法及装置、电子设备及计算机存储介质 - Google Patents
图像处理方法及装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN115239768A CN115239768A CN202210635903.1A CN202210635903A CN115239768A CN 115239768 A CN115239768 A CN 115239768A CN 202210635903 A CN202210635903 A CN 202210635903A CN 115239768 A CN115239768 A CN 115239768A
- Authority
- CN
- China
- Prior art keywords
- deformation
- same slice
- organ
- image processing
- interpretation
- 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
- G06T7/20—Analysis of motion
- G06T7/262—Analysis of motion using transform domain methods, e.g. Fourier domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30061—Lung
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开提供了一种图像处理方法,所述方法包括:在器官的一个运动周期内,扫描所述器官并得到所述器官的不同层面的切片的不同时刻的CT扫描图像;基于同一切片位置的相邻两个时刻的CT扫描图像进行计算处理,得到所述同一切片位置的变形位移数据;根据所述变形位移数据,确定所述器官的在对应同一切片位置的形变量以及运动速度;根据同一切片位置的形变量以及运动速度,生成形变分布图像;如此,检查整个器官的一个运动周期内的整体或局部的变化,并且可以对器官结构形变程度进行定量且客观的评估。
Description
技术领域
本公开涉及图像处理领域,具体地,涉及一种图像处理方法及装置、电子设备及计算机存储介质。
背景技术
对于需要观察一些运动的器官病变以及功能评估,会通过吸入/或注入放射性核素标记药物来观察该器官的运作功能。然而放射性核素会衰减,从而导致观察时间窗有限。并且多为前后位图片,图像分辨率差,只能做定性判断而不能做定量判断。而且放射性核素具有一定辐射风险。并且该检查方式中的放射性核素资源有限,使用范围有限。
因此,需要一种能有效地进行定量分析和评估,且适用范围广的图像处理装置。
发明内容
本公开提供一种图像处理方法,所述方法包括:在器官的一个运动周期内,扫描所述器官并得到所述器官的不同层面的切片的不同时刻的CT扫描图像;基于同一切片位置的相邻两个时刻的CT扫描图像进行计算处理,得到所述同一切片位置的变形位移数据;根据所述变形位移数据,确定所述器官的在对应同一切片位置的形变量以及运动速度;根据同一切片位置的形变量以及运动速度,生成形变分布图像。
可选地,所述基于同一切片位置的相邻两个时刻的CT扫描图像进行计算处理,得到所述同一切片位置的变形位移数据,包括:在同一切片位置的相邻两个时刻对应的两个CT扫描图像中,选取相同位置点的对所述两个时刻对应的两个判读区域;其中,所述两个判读区域的尺寸和形状相同,且每个判读区域中有多个像素点形成的像素集合;根据所述两个时刻对应的两个判读区域的像素集合,确定表征所述像素集合从两个时刻的第一时刻到第二时刻的整体运动的变形位移向量;其中,所述第一时刻早于所述第二时刻;根据多个所述两个时刻对应的两个判读区域之间的变形位移向量,得到所述同一切片位置的变形位移数据。
可选地,所述根据所述两个时刻对应的两个判读区域的像素集合,确定表征所述像素集合从两个时刻的第一时刻到第二时刻的整体运动的变形位移向量,包括:统计所述判读区域中像素集合从所述第一时刻到所述第二时刻的多个运动向量;确定所述多个运动向量中可表征所述像素集合从所述第一时刻到所述第二时刻的整体运动的变形位移向量。
可选地,根据所述变形位移数据,确定所述器官的在对应同一切片位置的形变量以及运动速度,包括:根据所述变形位移数据,得到所述运动速度;根据所述运动速度,得到所述同一切片位置的形变量。
可选地,所述根据同一切片位置的形变量以及运动速度,生成形变分布图像,包括:对所述形变量以及所述运动速度进行归一化处理,得到显示参数;根据所述显示参数,生成形变分布图像。
可选地,所述根据所述显示参数,生成形变分布图像,还包括:根据所述显示参数,确定在所述形变分布图像中标识不同形变量大小的显示颜色;根据标识不同形变量大小的显示颜色以及对应切片的初始时刻的CT扫描图像,生成形变分布图像。
本公开第二方面提供一种图像处理装置,所述装置包括:扫描模块,用于在器官的一个运动周期内,扫描所述器官并得到所述器官的不同层面的切片的不同时刻的CT扫描图像;第一确定模块,用于基于同一切片位置的相邻两个时刻的CT扫描图像进行计算处理,得到所述同一切片位置的变形位移数据;第二确定模块,用于根据所述变形位移数据,确定所述器官的在对应同一切片位置的形变量以及运动速度;生成模块,用于根据同一切片位置的形变量以及运动速度,生成形变分布图像。
可选地,所述第一确定模块,配置为:在同一切片位置的相邻两个时刻对应的两个CT扫描图像中,选取相同位置点的对所述两个时刻对应的两个判读区域;其中,所述两个判读区域的尺寸和形状相同,且每个判读区域中有多个像素点形成的像素集合;根据所述两个时刻对应的两个判读区域的像素集合,确定表征所述像素集合从两个时刻的第一时刻到第二时刻的整体运动的变形位移向量;其中,所述第一时刻早于所述第二时刻;根据多个所述两个时刻对应的两个判读区域之间的变形位移向量,得到所述同一切片位置的变形位移数据。
可选地,所述第一确定模块,还配置为:统计所述判读区域中像素集合从所述第一时刻到所述第二时刻的多个运动向量;确定所述多个运动向量中可表征所述像素集合从所述第一时刻到所述第二时刻的整体运动的变形位移向量。
可选地,所述第二确定模块,配置为:根据所述变形位移数据,得到所述运动速度;根据所述运动速度,得到所述同一切片位置的形变量。
可选地,所述生成模块,还配置为:对所述形变量以及所述运动速度进行归一化处理,得到显示参数;根据所述显示参数,生成形变分布图像。
可选地,所述生成模块,还配置为:根据所述显示参数,确定在所述形变分布图像中标识不同形变量大小的显示颜色;根据标识不同形变量大小的显示颜色以及对应切片的初始时刻的CT扫描图像,生成形变分布图像。
本公开第三方面提供一种电子设备,包括:用于存储处理器可执行指令的存储器;处理器,与所述存储器连接;其中,所述处理器被配置为执行如上述实施例的图像处理方法中的步骤。
本公开第四方面提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由计算机的处理器执行时,使得计算机能够执行如上述实施例中的图像处理方法中的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:本公开实施例可以在器官的一个运动周期内,扫描所述器官并得到所述器官的不同层面的切片的不同时刻的CT扫描图像;从而获取所述器官每个时刻的整体的连续切片的CT扫描图像;基于同一切片位置的相邻两个时刻的CT扫描图像进行计算处理,得到所述同一切片位置的变形位移数据,从而可以分析并确定器官的形变量以及运动速度;如此,可以生产形变分布图像,为定量分析提供依据,且推广范围广。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
图1为一示例性实施例示出的图像处理方法的流程示意图;
图2为一示例性实施例示出的图像处理方法的流程示意图;
图3为一示例性实施例示出的图像处理方法的流程示意图;
图4为一示例性实施例示出的图像处理方法的流程示意图;
图5为一示例性实施例示出的图像处理方法的流程示意图;
图6为一示例性实施例示出的图像处理方法的流程示意图;
图7为一示例性实施例示出的图像处理方法的流程示意图;
图8为一示例性实施例示出的图像处理方法的位移向量计算示意图;
图9为一示例性实施例示出的图像处理方法的位移向量计算示意图;
图10为一示例性实施例示出的图像处理方法的位移向量计算示意图;
图11为一示例性实施例示出的图像处理方法的流程示意图;
图12为一示例性实施例示出的图像处理装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开实施例的一些方面相一致的装置和方法的例子。
结合图1所示,本公开实施例提供了一种图像处理方法,所述方法包括:
步骤S101,在器官的一个运动周期内,扫描所述器官并得到所述器官的不同层面的切片的不同时刻的CT扫描图像;
步骤S102,基于同一切片位置的相邻两个时刻的CT扫描图像进行计算处理,得到所述同一切片位置的变形位移数据;
步骤S103,根据所述变形位移数据,确定所述器官的在对应同一切片位置的形变量以及运动速度;
步骤S104,根据同一切片位置的形变量以及运动速度,生成形变分布图像。
本公开实施例中,关于步骤S101,所述器官的一个运动周期,是指:使用所述器官的一个动作回程的时间。
在一些实施例中,所述器官可以是肺、胃等具有一定容积空间的器官。
例如,若所述器官是肺,则肺的一个运动周期为一个完整的呼吸循环。一个呼吸循环包括吸气和呼气的全过程。
在一些实施例中,关于步骤S101,在器官的一个运动周期内的每个间隔时刻,扫描整个器官,得到所述器官的不同层面的切片。
这里,任意相邻两个时刻的时间间隔△t,可以根据一个运动周期时长T以及需要同一切片位置采集的不同时刻CT扫描图像的数量n张来计算得到。
则有△t=T/n。
例如,若采集的一个运动周期时长T为8s,需要的同一切片位置的不同时刻CT扫描图像的数量为80张,则时间间隔为△t=8s/80=0.1s。
关于扫描的方式,可以是:CT容积扫描模式,即CT扫描的轨迹是螺旋式的扫描轨迹。
这里,CT容积扫描模式可以检查全身的各个部位、组织以及器官,扫描速度快、成像速度快,并且可以进行三维处理和成像。
如此,可以获取该器官的一个运动周期内的4DCT图像,所述4DCT图像的含义是指:在空间3维的基础上加上时间维度信息。扫描范围覆盖全器官以及该器官的整个运作周期,以及该器官在整个运作过程中的组织结构的动态形态改变。可以更准确地记录器官内组织结构的变化,便于后续更全面的定量分析。
在一些实施例中,关于步骤S102,所述同一切片位置是指对于同一器官的同一位置层的切片。同一切片位置扫描得到的切片数量,与选择的扫描时刻数量对应。
这里,基于同一切片位置的相邻两个时刻的CT扫描图像进行计算处理是指:基于同一切片位置的多个任意相邻两个时刻的CT扫描图像进行计算处理。
这里,同一切片位置的变形位移数据包括:所有相邻两个时刻之间具有最大变形位移的数据、多个相邻时刻之间的变形位移数据。
在一些实施例中,关于计算处理的方式,可以是结合互相关算法进行卷积运算,确定变形位移数据。
如此,便于后续的变形定量分析。
在一些实施例中,关于步骤S103,所述运动速度可以根据变形位移数据与时间间隔来确定。
例如,对于同一切片位置的判读区域的最大运动速度,可以根据所有相邻两个时刻之间具有最大变形位移的数据与时间间隔的比值来确定。
再例如,对于同一切片位置的判读区域的平均运动速度,则可以根据多个相邻时刻之间的变形位移数据的平均位移数据与时间间隔的比值来确定。
如此,可以获取多方位的运动速度。
在一些实施例中,所述形变量具体可以用力应变量来表征。
因此,所述形变量,可以根据所述变形位移数据、运动速度以及相关的生物力学公式来计算确定。
在一些实施例中,关于步骤S104,包括:根据同一切片位置的多个判读区域的形变量分布以及运动速度分布,生成形变分布图像。
这里,同一切片位置的切片可以划分为多个判读区域。每一个判读区域中都具有形变量分布以及运动速度分布。
如此,综合每一个判读区域中的形变量分布以及运动速度分布,可以得到同一切片位置的切片中的形变分布图像。
在另一些实施例中,在综合每一个判读区域中的形变量分布以及运动速度分布的基础上,还可以结合在一个运动周期内的初始时刻的对应切片位置的CT图像,生成具有整体显示效果的形变分布图像。
如此,可以根据形变分布图像,确定器官的组织结构中是否有发生异常形变的部分。若有,则可以准确地确定。
本公开实施例中,通过对同一切片位置的多个相邻时刻的CT扫描图像进行采集,可以定量地通过形变位移分析,确定准确的形变量。从而生成可供定量以及定性分析的形变分布图像。
结合图2所示,本公开实施例中,所述步骤S102,包括:
步骤S1021,在同一切片位置的相邻两个时刻对应的两个CT扫描图像中,选取相同位置点的对所述两个时刻对应的两个判读区域;其中,所述两个判读区域的尺寸和形状相同,且每个判读区域中有多个像素点形成的像素集合;
步骤S1022,根据所述两个时刻对应的两个判读区域的像素集合,确定表征所述像素集合从两个时刻的第一时刻到第二时刻的整体运动的变形位移向量;其中,所述第一时刻早于所述第二时刻;
步骤S1023,根据多个所述两个时刻对应的两个判读区域之间的变形位移向量,得到所述同一切片位置的变形位移数据。
结合图7所示,关于步骤S1021,在同一切片位置的相邻两个时刻,如第一时刻t0对应的切片具有第一判读区域701,到第二时刻t0+△t对应的切片具有第二判读区域702。
这里,第一判读区域701与第二判读区域702,可以在所属的两张对应切片重合时,第一判读区域701与所述第二判读区域702也重合。
在一些实施例中,每个判读区域中,是由多个像素点形成的像素集合。
例如,可以是k乘以m个像素点形成的像素集合。
这里,所述k、m均属于非0自然数。且k可以等于m,也可以不等于m。
具体地,例如可以是10乘以10个像素点形成的像素集合。
在一些实施例中,由于单个的像素点的运动是无法精准地确定的,因此采用确定像素集合的整体运动的方式,来分析判读区域在不同时刻的形变位移。
例如,关于步骤S1022,可以通过像素集合中多个像素点的统计,确定所述像素集合从第一时刻到第二时刻中的多个位移向量。
再在所述多个位移向量中选择最可能的位移向量,作为表征所述像素集合从第一时刻到第二时刻的整体运动的变形位移向量s。
如此,可以确定该第一判读区域与该第二判读区域内所对应的同一切片位置的同一对应区域的变形位移数据。
在一些实施例中,在执行步骤S1021之前,可以将所述器官的无需计算的区域进行遮罩。在执行步骤S1022时,结合互相关算法计算出第一判读区域与第二判读区域的位移向量s。
这里,关于步骤S1022中通过互相关算法计算变形位移向量s的原理,具体可以结合图8所示。
具体地,在第一时刻t0对应的切片选取第一判读区域701的f(m,n),在第二时刻t0+△t对应的切片选取第二判读区域702的g(m,n)。
这里,m和n表示第一判读区域701和第二判读区域702的坐标一致,位置相同。
这里,判读区f、g与位移向量s之间数字信号传递函数关系如图8所示(图中大写字母分别是对应小写字母傅立叶变换)。
图8中,f(m,n)表示系统输入,g(m,n)表示系统输出,s(m,n)表示空间位移函数,d(m,n)表示附加的噪声,当然f(m,n)和g(m,n)的原始采样也必然包含噪声。图像分析主要任务是计算空间位移函数s(m,n),但噪声d(m,n)的出现使问题变的复杂。整个系统工作关系式为:
g(m,n)=[f(m,n)*s(m,n)]+d(m,n) 公式1.1
*表示f与s的卷积运算,位移除以获取两幅图像的时间间隔Δt就是判读区的平均位移。
为了实现快速计算,假定噪声信号可以忽略,对公式1.1两边分别进行傅立叶运算可得:
为了加速上述步骤运算速度,在进行离散傅立叶变换时,使用快速傅立叶变换(Fast Fourier Transfer:FFT)加快运算速度。系统从图像中分析获得位移的过程如图9所示。
图9中的dx与dy分别是经过傅立叶逆运算后结果最大值相对于中心位置在x和y两个方向上坐标的变化就是位移值。
这里,关于图9,输入第一判读区域的f(m,n)和第二判读区域的g(m,n),分别进行快速傅立叶变换(Fast Fourier Transfer:FFT)得到F(u,v)以及G(u,v),再根据F(u,v)以及G(u,v)确定最大位移向量s(m,n)即图9中的互相关峰值。
如此,可以通过计算出的位移向量s(m,n),定量分析形变量。
结合图3所示,本公开实施例中,所述步骤S1022,包括:
步骤S10221,统计所述判读区域中像素集合从所述第一时刻到所述第二时刻的多个运动向量;
步骤S10222,确定所述多个运动向量中可表征所述像素集合从所述第一时刻到所述第二时刻的整体运动的变形位移向量。
这里,关于通过所述互相关算法计算变形位移向量s的过程,具体可以结合图9所示。
关于步骤S10221,结合图9,输入第一判读区域的f(m,n)和第二判读区域的g(m,n),分别进行快速傅立叶变换(Fast Fourier Transfer:FFT)得到F(u,v)以及G(u,v)。
再将F(u,v)以及G(u,v)进行空间频域内的操作,得到多个运动向量的互相关函数φ’(u,v)=F(u,v)G*(u,v)。
G*(u,v)*表示G的逆卷积运算。
关于步骤S10222,结合图9,通过对φ’(u,v)进行傅立叶逆运算后发现互相关峰值,即所述第一时刻到所述第二时刻的整体运动的变形位移向量s(m,n)。
这里,通过上述计算,可以精确地确定变形位移向量s(m,n)。
结合图4所示,本公开实施例中,所述步骤S103,包括:
步骤S1031,根据所述变形位移数据,得到所述运动速度;
步骤S1032,根据所述运动速度,得到所述同一切片位置的形变量。
结合图9所示,关于所述步骤S1031,根据变形位移向量s(m,n),进行求导,得到x方向的运动速度以及y方向的运动速度vx(i,j)以及vy(i,j)。
这里,再根据得到x方向的运动速度以及y方向的运动速度vx(i,j)以及vy(i,j)得到整体运动速度。
这里,运动速度,具体可以是位移向量的数值除以时间间隔△t
由于有不同相邻时刻具有不同的位移向量和运动速度。从而可以根据多个不同相邻时刻的多个位移向量确定同一切片位置的最大位移向量和平均位移向量;根据多个不同相邻时刻多个运动速度,确定最大运动速度。
关于步骤S1032,需要根据所述运动速度以及生物力学公式,得到同一切片位置的形变量。
例如,根据所述运动速度以及位移向量,确定横向应变、纵向应变以及切应变。
这里,关于形变量,包括:同一切片位置的同一判读区域的最大主应变值(PSmax);平均主应变值(PSmean)以及最大运动速度(Speedmax)]。
在一些实施例中,最大主应变值(PSmax)的计算公式如下:
其中Exx为横向应变,Eyy为纵向应变,Exy及Eyx为切应变。
如此,可以定量确定同一切片的应变量。
结合图5所示,本公开实施例中,所述步骤S104,包括:
步骤S1041,对所述形变量以及所述运动速度进行归一化处理,得到显示参数;
步骤S1042,根据所述显示参数,生成形变分布图像。
本公开实施例中,关于步骤S1041,可以对形变量的最大主应变值、平均主应变值以及最大运动速度进行归一化处理,得到归一化数值。
这里所述归一化数值符合一定数值区间,如:0至1的区间。
再根据归一化数值,得到显示参数。
这里,关于步骤S1042,可以根据所述显示参数,确定形变分布图像中的不同形变量对应的量化数值以及程度标识。
如此,可以较为清楚地显示分布图像。
结合图6所示,所述步骤S1042,包括:
步骤S10421,根据所述显示参数,确定在所述形变分布图像中标识不同形变量大小的显示颜色;
步骤S10422,根据标识不同形变量大小的显示颜色以及对应切片的初始时刻的CT扫描图像,生成形变分布图像。
本公开实施例中,关于步骤10421,可以根据所述显示参数,对应确定显示颜色的色阶;根据显示颜色的色阶,确定所述形变分布图像中标识不同形变量大小的显示颜色。
结合图10所示,关于步骤S10422,将得到的(2)和(5)的显示颜色的图像,与对应位置的初始时刻的CT扫描图像,根据位置坐标重合叠加,得到如图10中的(5)所示的形变分布图像。
并且,在一些实施例中,可以将所有切片的数据及三维应变分布结构按时间顺序排序,则可以得到三维的形变分布图像。
如此,可以对器官的形变进行定量分析,且基于全时刻的动态CT图像的形变分布图像的结果较为客观,可以对目标区域的变化进行动态评价。能简化临床检查操作及流程,尽可能为疾病患者提供“一站式”的检查,即在获取器官结构形变程度的同时提供区域化的器官功能评估,准确的定量分析有利于纵向长期的随访。而且目前医院几乎均安装高端CT设备,用一项检查为临床提供更多的有效信息,提高医疗资源利用率,配套应力分析软件会有更大的临床应用前景。
现结合上述实施例提供以下示例:
示例1:一种图像处理方法。
在受工业发展影响下空气质量的下降及吸烟人群的不断增加,慢性阻塞性肺疾病(下简称慢阻肺)、间质性肺病等慢性肺病已经成为严重危害人类健康的常见病,严重影响患者的生命质量,也是导致死亡的重要病因。2018年王辰院士牵头的“中国成人肺部健康研究”调查结果显示,我国20岁及以上成人慢阻肺患病率为8.6%,40岁以上人群患病率高达13.7%,估算全国患者数近1亿。对这部分患者肺功能定期监测及评估,并及时给予干预治疗,对改善患者生活质量及预后非常重要。目前临床针对肺功能的评估检查方法主要包括肺功能检查及肺通气/灌注显像。
肺功能检查是呼吸系统疾病的必要检查之一。通过肺功能检测仪器完成,肺功能的试验仪器主要由肺量计、气体分析仪及压力计组成,通过它们的组合,可以测出肺功能的大多数指标,如肺容量、通气、弥散、呼吸肌肉力量、氧耗量、二氧化碳产生量等。其主要用于早期检测肺和呼吸道病变、鉴别呼吸困难的原因、判断气道阻塞的部位、评估肺部疾病的严重程度(如慢阻肺严重分级)、术前评估手术(尤其是胸部手术)耐受力及术后并发症发生率。对于长期吸烟患者,定期肺功能检查也能观察肺功能受损的情况,及时给予干预治疗,甚至督促患者戒烟。
目前临床常用的肺功能检查存在一定局限性,具体如下:
1.肺功能检查需要由资质合格、经验丰富的肺功能检查技师指导患者完成,在基层医疗机构不能普遍开展;
2.该项检查需要患者端坐体位,并且很好的配合技师口令才能完成。而部分年老体弱或卧床患者无法配合该项检查。但随着老龄化的进展,这部分患者群体会日趋壮大。
3.肺功能检查结果反映的是双肺整体功能改变,对于肺内病变(如气肿、支气管病变等)分布、具体致病模式不能很好地反映;
4.难以建立影像学上病变与局部肺通气的关系,在肺功能检查上不能同时进行影像学和肺功能的评价,从而精准定量测量区域病变与肺功能。且在影像上即便有很显著的疾病进展,肺功能的变化也可能不明显。
5.肺功能检查需要与患者近距离接触,结合当前新冠疫情,其临床应用受到限制,临床亟需一种可替代且可减少近距离接触的检查方法。
肺通气/灌注显像是通过吸入/静脉注入放射性核素标记药物(如Tc-99m标记白蛋白、气溶胶等)对于肺部病变、肺功能进行评估。临床上多用于肺栓塞诊断及疗效观察、评估呼吸道的通畅情况及各种肺疾病的通气功能,协助手术选择及残留肺功能的估算。
临床应用局限性较肺功能检查更显著:1)该检查动态记录同位素衰减过程,时间窗窄,而且多为前后位摄片,图像分辨率差,不能进行定量评估,仅能做定性判断;2)该检查不仅对患者,对操作的医护人员也有一定辐射风险;3)放射性核素标记药物本身半衰期较短且有针对性,若当前患者放弃或各种原因未进行检查,药品只能作废无法留置储存;4)生产该类药物的厂商需要特定资质,还需防止环境污染,故在基层医院甚至是中小城市开展更加受限。
目前市场上并无针对肺部应变分析的商业软件。
本次发明创造所要解决的问题就是设计出能够针对肺部疾病诊断,区别于传统技术,基于医学影像数据结合相关位移、应变和应力分析算法,对肺部三维形变程度进行定量分析的方法。
结合图11所示,本公开实施例的整体技术方案如下:
步骤S301,采用宽体探测器容积扫描模式完成4D动态通气CT扫描,即原始数据获取采集。
4D-CT是在患者呼吸过程中连续扫描,获取整个呼吸过程中肺部影像信息,即在空间3维基础上加上时间维度信息。扫描范围覆盖全肺,即可完成还原肺部三维结构,以及在呼吸过程中肺内结构组织的动态形态改变。扫描过程中采用容积扫描模式,无需移动检查床,更准确记录肺内组织结构改变。
进行4D-CT扫描时,CT机需要搭配呼吸门控系统,也就是需要检测到呼吸信号,获取患者的呼吸波形。在进行CT检查前对患者进行呼吸训练并拟合呼吸波,预估患者潮气量及最大呼气量。正式检查过程中以前期拟合呼吸波及呼吸幅度作为参照,给予患者呼吸指令(呼气或吸气)并进行CT数据采集,同步记录患者呼吸曲线。采集周期为一个完整的呼吸循环,即包括吸气和呼气全程,总采集时间约8s,后间隔0.1s进行数据拆分重建,获取80个不同时相的数据信息。每一个时相均包含该时相整个肺部的影像信息。根据这80个时相信息,进行容积重建就可以直观展现出一个呼吸循环中(8s期间)肺部从逐渐膨胀扩张至逐渐塌陷缩小的过程。
步骤S302,把采集到的4D-CT数据进行图像提取和格式转换
使用软件分组提取4D-CT数据中不同切片的全时刻DICOM数据。将DICOM格式的医学影像文件转换为适用于图像计算的TIFF或BMP通用格式在硬盘保存用于后续计算;或者也可以直接读取DICOM数据放置于后续计算的数据缓存中,准备后续计算。
步骤S303,先将同一切片位置的全时刻图像序列进行图像前处理数据提取,再进行互相关计算得出位移数据。
基于同一切片位置的前后两个时刻的CT影像,结合互相关算法,可以计算出肺部组织的变形位移信息。把同一切片全时刻数据导入到分析软件中,例如北京立方天地科技的MicroVec(Micorvec Pte Ltd,Beijing,China)分析软件中,先使用Mask功能将非计算的无关区域进行遮罩,再使用互相关算法进行肺部图像互相关计算,计算出肺部图像数据最大位移时刻,并判断结果准确性。
关于互相关理论,在对采集图像进行分析时的判读区:它是指图像中一定位置取一定尺寸的方形图,通过对判读区进行信号处理获取位移的像素值。假设系统在t0以及t0+△t这两个时刻分别获取图7中的701所在切片图像1和702所在切片图像2,在切片图像1和切片图像2中相同位置获取两个同样尺寸大小的判读区f(m,n)以及g(m,n),(m,n)表示f与g分别在切片图像1与切片图像2中的相对位置,对f与g进行处理就可以获得此判读区对应位移s,示意图如图7所示:
判读区f、g与位移向量s之间数字信号传递函数关系如图8所示(图中大写字母分别是对应小写字母傅立叶变换)
图8中f(m,n)表示系统输入,g(m,n)表示系统输出,s(m,n)表示空间位移函数,d(m,n)表示附加的噪声,当然f(m,n)和g(m,n)的原始采样也必然包含噪声。图像分析主要任务是计算空间位移函数s(m,n),但噪声d(m,n)的出现使问题变的复杂。整个系统工作关系式为:
g(m,n)=[f(m,n)*(m,n)]+d(m,n) 公式2.1
*表示f与s的卷积运算,位移除以获取两幅图像的时间间隔Δt就是判读区的平均位移。
为了实现快速计算,假定噪声信号可以忽略,对公式2.1两边分别进行傅立叶运算可得:
大写字母分别代表各自小写字母的离散傅立叶变换。S(u,v)的近似结果可以通过公式2.1获得,如果d(m,n)的作用可以忽略,逆向变换S(u,v)就可以恢复位移函数s(m,n)。
为了加速上述步骤运算速度,在进行离散傅立叶变换时,使用快速傅立叶变换(Fast Fourier Transfer:FFT)加快运算速度,系统从图像中分析获得位移的过程如图9所示。
图9中dx与dy分别是经过傅立叶逆运算后结果最大值相对于中心位置在x和y两个方向上坐标的变化就是位移值。
步骤S304,根据计算得出的数据,进一步通过局部位移计算局部应变值,得出肺部应变数据。
根据变形的位移信息,结合相关的力学公式,我们可以计算出肺部应变的分布。对这种应变分布进行统计学分析,结合临床的病历,就能建立一个全新的肺部疾病分析诊断方案。
根据公式2.3计算出strain相关参数值[最大主应变值(PSmax)、平均主应变值(PSmean)、最大运动速度(Speedmax)],再进行结果归一化处理。
其中Exx为横向应变,Eyy为纵向应变,Exy及Eyx为切应变。
步骤S305,将不同strain相关参数值与原CT图像进行伪彩色融合。
strain分析采用生物力学分析方法,根据像素对气道及肺组织进行划分,将每个像素点视为一个位移矢量,计算宏观矢量总体位移改变进行定量分析,观察肺部力学改变及区域性形变。strain分析能够对呼吸过程中肺实质结构应变程度进行定量提取,有助于进一步探寻肺部结构与功能改变的相关机制。
将计算得到的应变分布和原始CT图像进行叠加显示,可以直观地显示出当前切片的应变分布情况,这样便于医生后期定位病灶。
类似于原始4D-CT重建三维肺部结构,这种叠加显示的图片也可以重建出三维肺部应变分布结构。将所有切片的数据及三维应变分布结构按时间顺序排序起来,则可以得到三维的应变影像。
本公开实施例中,上述技术方案可以带来以下的技术效果:
现有临床肺功能检查反映的是全肺作为一个功能单位的整体改变,对于肺内病变的分布、致病模式无法评估,而基于动态通气CT的肺应变分析,不仅可以反映上述解剖结构的改变,还能够进行定量评估。
基于动态通气CT的肺应变分析可以将定量分析的功能单位进一步缩小,如一个肺叶,甚至是一个肺段,能够更好诠释肺内改变的不均质性(如慢阻肺、哮喘、间质纤维化等)。
动态通气CT检查可在完成常规CT检查的同时完成扫描,操作简便,检查人员与被检查患者无需直接接触(肺功能检查则需要专业技师的全程近距离指导,不利于疫情防控),在目前新冠疫情严峻的形式下,无接触式肺功能评估更有临床意义。
基于动态通气CT的肺应变分析结果相对客观,可以对目标区域的变化进行动态评价。它能简化临床检查操作及流程,尽可能为肺部疾病患者提供“一站式”的检查,即在获取肺部结构形态改变情况得同时提供区域化的肺部功能评估,准确的定量分析有利于纵向长期的随访。而且目前全国县市级医院几乎均安装高端CT设备,用一项检查为临床提供更多的有效信息,提高医疗资源利用率,配套应力分析软件会有更大的临床应用前景。
示例2:一种图像处理方法,包括:
步骤S401,提取肺部应变相关数据与CT合成图像,标记肺内形变异常区域。将4D-CT同一切片下全时刻提取并进行数据准备;
步骤S402,利用Mask功能截取出需要进行互相关计算的肺部区域数据。
步骤S403,将切片数据导入MicroVec软件,使用互相关算法计算出该区域的位移向量数据。
步骤S404,通过生物力学应变计算方法,获取最大主应变、形变最大位移速度等数据。
步骤S405,将应变相关数据数据与原始CT使用图像处理软件进行融合。
示例3:一种图像处理方法的应用。
在一个实施例中,该图像处理方法对于临床患有慢性呼吸系统疾病,需要定期监测肺功能的患者。
对于临床患有慢性呼吸系统疾病,需要定期监测肺功能的患者,包括但不限于慢性阻塞性肺疾病、长期吸烟人群、职业病如尘肺、间质性肺疾病如间质纤维化等。动态通气CT的肺应变分析的优势在于能发现尚未对全局肺功能产生影响的局灶性病变或轻度病变,判断局灶性的肺部病变对于通气功能的影响,敏感性地发现肺通气功能的变化,对肺通气灌注比进行评价并判断影像学上病变与局部肺通气的关系。新冠疫情严峻情况下,作为肺功能检查替代性检查方法,定期监测慢阻肺病患者(或有相关需求的慢性肺病患者)肺功能改变。
示例4:一种图像处理方法的应用。
一个实施例中,可应用于肿瘤切除术前肺功能评估,预测残肺肺功能。
对于较大的肿瘤或合并间质性肺疾病等其他肺疾病的患者,术前预测残肺功能对于治疗方式的选择尤为重要。肺癌是我国第三大死因,除早期肺癌,进展期肺癌的手术切除需考虑残余肺功能情况,而我国大部分患者发现时已经是中晚期,并且化疗、放疗以及靶向药物的治疗均可能引起继发性肺间质性疾病,导致肺功能的损伤。动态通气CT的肺应变分析可用于评估外科手术(特别是胸部手术)耐受力,并进行术前模拟肺叶切除,预估术后发生并发症的可能性。对于已经阻塞性肺疾病或间质性肺疾病合并肺肿瘤需要进行切除的患者,能定量术前肺功能,预测术后残肺功能。
示例5:一种图像处理方法的应用。
一个实施例中,可应用于急性肺损伤后恢复期肺功能评价及危重病人的监护。
急性肺损伤及危重症患者(如新冠感染患者)无法配合完成肺功能检查,但CT检查或复查是临床相对常规检查流程,而且无需考虑近距离接触造成疫情传播问题。在行CT复查过程中评估肺内局部损伤评估、观察肺内病变吸收的同时通过4D动态通气CT对比前后两次肺功能改善情况,对临床治疗有及时回馈,将大大加速临床诊疗进度。无论对患者预后改善还是临床治疗提升都是很大帮助。
示例6:一种图像处理方法的应用。
一个实施例中,可应用于药物副作用或疗效的评价。
在新药研发过程中可能造成的肺内结构改变,如肺内末梢血管结构、肺内间质结构破坏等,在早期阶段常规肺功能检查并不能及时发现异常。常规胸部CT影像检查现在虽然是常规项目,但由于缺少量化指标,权重较小。动态通气CT的肺应变分析对于肺功能存在潜在副作用的药物,尤其是近年来的靶向药物,或作用为治疗阻塞性肺疾病、间质性肺疾病等药物,可进行肺功能的监测,在进行影像学评价的同时能进行肺功能的评价。
结合图12所示,本公开实施例中,提供一种图像处理装置400,所述装置400包括:
扫描模块401,用于在器官的一个运动周期内,扫描所述器官并得到所述器官的不同层面的切片的不同时刻的CT扫描图像;
第一确定模块402,用于基于同一切片位置的相邻两个时刻的CT扫描图像进行计算处理,得到所述同一切片位置的变形位移数据;
第二确定模块403,用于根据所述变形位移数据,确定所述器官的在对应同一切片位置的形变量以及运动速度;
生成模块404,用于根据同一切片位置的形变量以及运动速度,生成形变分布图像。
本公开实施例中,所述第一确定模块402,配置为:
在同一切片位置的相邻两个时刻对应的两个CT扫描图像中,选取相同位置点的对所述两个时刻对应的两个判读区域;其中,所述两个判读区域的尺寸和形状相同,且每个判读区域中有多个像素点形成的像素集合;
根据所述两个时刻对应的两个判读区域的像素集合,确定表征所述像素集合从两个时刻的第一时刻到第二时刻的整体运动的变形位移向量;其中,所述第一时刻早于所述第二时刻;
根据多个所述两个时刻对应的两个判读区域之间的变形位移向量,得到所述同一切片位置的变形位移数据。
本公开实施例中,所述第一确定模块402,还配置为:
统计所述判读区域中像素集合从所述第一时刻到所述第二时刻的多个运动向量;
确定所述多个运动向量中可表征所述像素集合从所述第一时刻到所述第二时刻的整体运动的变形位移向量。
本公开实施例中,所述第二确定模块403,配置为:
根据所述变形位移数据,得到所述运动速度;
根据所述运动速度,得到所述同一切片位置的形变量。
本公开实施例中,所述生成模块404,还配置为:
对所述形变量以及所述运动速度进行归一化处理,得到显示参数;
根据所述显示参数,生成形变分布图像。
本公开实施例中,所述生成模块404,还配置为:
根据所述显示参数,确定在所述形变分布图像中标识不同形变量大小的显示颜色;根据标识不同形变量大小的显示颜色以及对应切片的初始时刻的CT扫描图像,生成形变分布图像。
在本公开实施例中,提供一种电子设备,所述电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中所述处理器用于运行所述计算机服务时,实现上述所述的图像处理方法中的步骤。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本公开实施例中,提供一种存储介质,所述存储介质中有计算机可执行指令,所述计算机可执行指令被处理器执行实现上述所述的图像处理方法中的步骤。
或者,本发明实施例上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (14)
1.一种图像处理方法,其特征在于,所述方法包括:
在器官的一个运动周期内,扫描所述器官并得到所述器官的不同层面的切片的不同时刻的CT扫描图像;
基于同一切片位置的相邻两个时刻的CT扫描图像进行计算处理,得到所述同一切片位置的变形位移数据;
根据所述变形位移数据,确定所述器官的在对应同一切片位置的形变量以及运动速度;
根据同一切片位置的形变量以及运动速度,生成形变分布图像。
2.根据权利要求1所述的图像处理方法,其特征在于,所述基于同一切片位置的相邻两个时刻的CT扫描图像进行计算处理,得到所述同一切片位置的变形位移数据,包括:
在同一切片位置的相邻两个时刻对应的两个CT扫描图像中,选取相同位置点的对所述两个时刻对应的两个判读区域;其中,所述两个判读区域的尺寸和形状相同,且每个判读区域中有多个像素点形成的像素集合;
根据所述两个时刻对应的两个判读区域的像素集合,确定表征所述像素集合从两个时刻的第一时刻到第二时刻的整体运动的变形位移向量;其中,所述第一时刻早于所述第二时刻;
根据多个所述两个时刻对应的两个判读区域之间的变形位移向量,得到所述同一切片位置的变形位移数据。
3.根据权利要求2所述的图像处理方法,其特征在于,所述根据所述两个时刻对应的两个判读区域的像素集合,确定表征所述像素集合从两个时刻的第一时刻到第二时刻的整体运动的变形位移向量,包括:
统计所述判读区域中像素集合从所述第一时刻到所述第二时刻的多个运动向量;
确定所述多个运动向量中可表征所述像素集合从所述第一时刻到所述第二时刻的整体运动的变形位移向量。
4.根据权利要求2所述的图像处理方法,其特征在于,根据所述变形位移数据,确定所述器官的在对应同一切片位置的形变量以及运动速度,包括:
根据所述变形位移数据,得到所述运动速度;
根据所述运动速度,得到所述同一切片位置的形变量。
5.根据权利要求3所述的图像处理方法,其特征在于,所述根据同一切片位置的形变量以及运动速度,生成形变分布图像,包括:
对所述形变量以及所述运动速度进行归一化处理,得到显示参数;
根据所述显示参数,生成形变分布图像。
6.根据权利要求4所述的图像处理方法,其特征在于,所述根据所述显示参数,生成形变分布图像,还包括:
根据所述显示参数,确定在所述形变分布图像中标识不同形变量大小的显示颜色;
根据标识不同形变量大小的显示颜色以及对应切片的初始时刻的CT扫描图像,生成形变分布图像。
7.一种图像处理装置,其特征在于,所述装置包括:
扫描模块,用于在器官的一个运动周期内,扫描所述器官并得到所述器官的不同层面的切片的不同时刻的CT扫描图像;
第一确定模块,用于基于同一切片位置的相邻两个时刻的CT扫描图像进行计算处理,得到所述同一切片位置的变形位移数据;
第二确定模块,用于根据所述变形位移数据,确定所述器官的在对应同一切片位置的形变量以及运动速度;
生成模块,用于根据同一切片位置的形变量以及运动速度,生成形变分布图像。
8.根据权利要求7所述的图像处理装置,其特征在于,所述第一确定模块,配置为:
在同一切片位置的相邻两个时刻对应的两个CT扫描图像中,选取相同位置点的对所述两个时刻对应的两个判读区域;其中,所述两个判读区域的尺寸和形状相同,且每个判读区域中有多个像素点形成的像素集合;
根据所述两个时刻对应的两个判读区域的像素集合,确定表征所述像素集合从两个时刻的第一时刻到第二时刻的整体运动的变形位移向量;其中,所述第一时刻早于所述第二时刻;
根据多个所述两个时刻对应的两个判读区域之间的变形位移向量,得到所述同一切片位置的变形位移数据。
9.根据权利要求8所述的图像处理装置,其特征在于,所述第一确定模块,还配置为:
统计所述判读区域中像素集合从所述第一时刻到所述第二时刻的多个运动向量;
确定所述多个运动向量中可表征所述像素集合从所述第一时刻到所述第二时刻的整体运动的变形位移向量。
10.根据权利要求8所述的图像处理装置,其特征在于,所述第二确定模块,配置为:
根据所述变形位移数据,得到所述运动速度;
根据所述运动速度,得到所述同一切片位置的形变量。
11.根据权利要求9所述的图像处理装置,其特征在于,所述生成模块,还配置为:
对所述形变量以及所述运动速度进行归一化处理,得到显示参数;
根据所述显示参数,生成形变分布图像。
12.根据权利要求11所述的图像处理装置,其特征在于,所述生成模块,还配置为:
根据所述显示参数,确定在所述形变分布图像中标识不同形变量大小的显示颜色;根据标识不同形变量大小的显示颜色以及对应切片的初始时刻的CT扫描图像,生成形变分布图像。
13.一种电子设备,其特征在于,包括:
用于存储处理器可执行指令的存储器;
处理器,与所述存储器连接;
其中,所述处理器被配置为执行如权利要求1至6中任一项提供的图像处理方法。
14.一种非临时性计算机可读存储介质,当所述存储介质中的指令由计算机的处理器执行时,使得计算机能够执行如权利要求1至6中任一项提供的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210635903.1A CN115239768A (zh) | 2022-06-06 | 2022-06-06 | 图像处理方法及装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210635903.1A CN115239768A (zh) | 2022-06-06 | 2022-06-06 | 图像处理方法及装置、电子设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115239768A true CN115239768A (zh) | 2022-10-25 |
Family
ID=83668891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210635903.1A Pending CN115239768A (zh) | 2022-06-06 | 2022-06-06 | 图像处理方法及装置、电子设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115239768A (zh) |
-
2022
- 2022-06-06 CN CN202210635903.1A patent/CN115239768A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12020432B2 (en) | Tissue phasic classification mapping system and method | |
JP5068519B2 (ja) | 悪性腫瘍を自動的に特徴評価するルーチンを含む機械読み取り可能な媒体及び装置 | |
CN100528078C (zh) | 用于气管测量的方法和系统 | |
WO2017150497A1 (ja) | 肺野病変の診断支援装置、該装置の制御方法及びプログラム | |
US7922674B2 (en) | Method and device for real time mechanical imaging of prostate | |
JP2008539897A (ja) | 前立腺の機械的イメージングをリアルタイムで行うための方法、及び二重アレイ式トランスデューサ・プローブ | |
CN108257132A (zh) | 一种基于机器学习的ct图像质量评估的方法 | |
JP6253085B2 (ja) | X線動画像解析装置、x線動画像解析プログラム及びx線動画像撮像装置 | |
Linnane et al. | Role of high-resolution computed tomography in the detection of early cystic fibrosis lung disease | |
Pakzad et al. | Radiology of bronchiectasis | |
Xing et al. | Automatic detection of A‐line in lung ultrasound images using deep learning and image processing | |
CN115239768A (zh) | 图像处理方法及装置、电子设备及计算机存储介质 | |
EP4268729A1 (en) | Method for the automated assessment of lung ultrasound scans and ultrasound machine which implements said method | |
US20130071334A1 (en) | Method and system for identifying, assessing, and managing cancer disease | |
Haider et al. | Quantitative characterization of lung disease | |
van Beek et al. | Artificial intelligence and computer-assisted evaluation of chest pathology | |
Chen et al. | Spatio-temporal classification of lung ventilation patterns using 3d eit images: A general approach for individualized lung function evaluation | |
JP5124852B2 (ja) | 中皮腫とアスベスト肺に関する医用画像診断支援装置と画像診断支援プログラム | |
Kaur et al. | Early Detection of Pneumothorax Using EfficientNet B0 Transfer Learning Model | |
Loizou et al. | Ultrasound diaphragmatic manual and semi-automated motion measurements: Application in simulated and in vivo data of critically ill subjects | |
Santibanez et al. | Dynamic Digital Radiography Pulmonary Function Testing: A Machine Learning Lung Study Alternative | |
Sadiq et al. | Diagnostic Accuracy of Chest X-Ray for the Diagnosis of Interstitial Lung Disease Keeping High Resolution Computed Tomography (HRCT) as Gold Standard | |
Zhang et al. | Identification of B-lines in vivo lung ultrasound by the evaluation of characteristic parameters using raw RF data | |
Xing et al. | Weakly-supervised Segmentation-based Quantitative Characterization of Pulmonary Cavity Lesions in CT Scans | |
Kavuri et al. | Quantitative accuracy of lung function measurement using parametric response mapping: A virtual imaging study |
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 |