CN115330949B - 一种肝细胞癌侵袭边缘预测方法及系统 - Google Patents
一种肝细胞癌侵袭边缘预测方法及系统 Download PDFInfo
- Publication number
- CN115330949B CN115330949B CN202210982789.XA CN202210982789A CN115330949B CN 115330949 B CN115330949 B CN 115330949B CN 202210982789 A CN202210982789 A CN 202210982789A CN 115330949 B CN115330949 B CN 115330949B
- Authority
- CN
- China
- Prior art keywords
- invasion
- hepatocellular carcinoma
- dimensional
- interest
- region
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000009400 cancer invasion Effects 0.000 title claims abstract description 20
- 210000005229 liver cell Anatomy 0.000 title claims description 6
- 230000009545 invasion Effects 0.000 claims abstract description 172
- 206010073071 hepatocellular carcinoma Diseases 0.000 claims abstract description 137
- 231100000844 hepatocellular carcinoma Toxicity 0.000 claims abstract description 135
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 50
- 238000013210 evaluation model Methods 0.000 claims abstract description 44
- 238000003384 imaging method Methods 0.000 claims abstract description 20
- 201000007270 liver cancer Diseases 0.000 claims abstract description 19
- 208000014018 liver neoplasm Diseases 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 206010064390 Tumour invasion Diseases 0.000 claims abstract description 13
- 230000001575 pathological effect Effects 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 32
- 238000002604 ultrasonography Methods 0.000 claims description 30
- 210000004027 cell Anatomy 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 238000002091 elastography Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 6
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000002679 ablation Methods 0.000 description 12
- 238000005070 sampling Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 210000004881 tumor cell Anatomy 0.000 description 5
- 230000003902 lesion Effects 0.000 description 4
- 210000004185 liver Anatomy 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 210000005228 liver tissue Anatomy 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 230000002980 postoperative effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000008081 blood perfusion Effects 0.000 description 1
- 230000004709 cell invasion Effects 0.000 description 1
- 208000006990 cholangiocarcinoma Diseases 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002961 echo contrast media Substances 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000002366 time-of-flight method Methods 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
- A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/48—Diagnostic techniques
- A61B8/483—Diagnostic techniques involving the acquisition of a 3D volume of data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/10132—Ultrasound image
- G06T2207/10136—3D ultrasound image
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Vascular Medicine (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本申请属于图像处理技术领域,公开了一种肝细胞癌侵袭边缘预测方法及系统。通过获取肝细胞癌患者肿瘤的二维超声图像,在二维超声图像中绘制感兴趣区域,以患者的病理标本的最大侵袭范围为预测标准,基于深度神经网络分析二维超声图像,建立平面肝细胞癌侵袭范围评估模型,预测二维超声图像的感兴趣区域的肝癌细胞的侵袭情况;获取肝细胞癌患者肿瘤的三维超声图像,利用平面肝细胞癌侵袭范围评估模型分析三维超声图像的多个正交平面的图像数据,预测多个正交平面的侵袭范围,基于该侵袭范围生成肝细胞癌侵袭范围的立体三维数据,并通过三维成像技术将侵袭范围的立体三维数据进行可视化。实现对肿瘤侵袭范围的精确评估以及立体可视化展示。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种肝细胞癌侵袭边缘预测方法及系统。
背景技术
肝瘤消融是肝细胞癌(hepatocellular carcinoma,HCC)的三大根治治疗方式之一,在早期肝细胞癌治疗中具有极其重要的临床地位。肝细胞癌具有向周边组织浸润侵袭的生物学特征,其实际边界除了影像学上的大小,还应包括其在周边组织的侵袭范围,根据肝细胞肿瘤在各个方向上的立体侵袭范围设立安全边缘才可以保证消融范围完全覆盖周边的浸润侵袭灶,同时避免损伤过多的正常肝组织。然而目前肝细胞癌的侵袭范围只能通过手术切除标本获得,其侵袭范围在术前难以准确判断。手术切除标本发现分别约有60%和80%的早期肝细胞癌的边缘侵袭范围小于5mm和小于10mm,为使成本利益最大化,肝细胞癌消融的安全边缘常规设定为5-10mm,也即在常规影像检查所示病变大小的基础上外扩5-10mm。目前对肝细胞癌消融安全边缘的判断属于基于常规影像检查的经验判断方法,没有关于肝细胞癌侵袭范围的三维成像技术,无法精确判断侵袭范围。
发明内容
为此,本申请的实施例提供了一种肝细胞癌侵袭边缘预测方法,实现了对肝细胞癌侵袭范围的精确判断。
第一方面,本申请提供一种肝细胞癌侵袭边缘预测方法。
本申请是通过以下技术方案得以实现的:
基于肝细胞癌患者肿瘤的不同模态的二维超声图像,在不同模态的所述二维超声图像中绘制感兴趣区域,以患者的病理标本的最大侵袭范围为预测标准,基于深度神经网络分析不同模态的所述二维超声图像,建立平面肝细胞癌侵袭范围评估模型,基于所述平面肝细胞癌侵袭范围评估模型预测所述感兴趣区域的肝癌细胞的侵袭情况;
基于肝细胞癌患者肿瘤的三维超声图像,利用所述平面肝细胞癌侵袭范围评估模型分析所述三维超声图像的多个正交平面的图像数据,预测多个所述正交平面的侵袭范围,基于多个所述正交平面的侵袭范围生成肝细胞癌侵袭范围的立体三维数据,并通过三维成像技术将侵袭范围的立体三维数据进行可视化。
在本申请一较佳的示例中可以进一步设置为,
在所述不同模态的二维超声图像中绘制感兴趣区域的步骤包括:
将肝细胞癌患者肿瘤的二维超声图像分为四个分析区域,选定其中一个分析区域,在所述分析区域的二维超声图像上绘制感兴趣区域。
在本申请一较佳的示例中可以进一步设置为,所述基于所述平面肝细胞癌侵袭范围评估模型预测所述感兴趣区域的肝癌细胞的侵袭情况的步骤包括:
将二维超声图像输入到所述平面肝细胞癌侵袭范围评估模型中,所述平面肝细胞癌侵袭范围评估模型判断所述肝癌细胞是否存在边缘侵袭;
若所述肝癌细胞存在边缘侵袭,则所述平面肝细胞癌侵袭范围评估模型预测所述肝癌细胞的侵袭范围。
在本申请一较佳的示例中可以进一步设置为,所述基于肝细胞癌患者肿瘤的三维超声图像,利用所述平面肝细胞癌侵袭范围评估模型分析所述三维超声图像的多个正交平面的图像数据,预测多个所述正交平面的侵袭范围的步骤包括:
获取肝细胞癌患者肿瘤的三维超声图像,调取所述三维超声图像的原始图像数据,选定拟进行分析的方向以及在所述拟进行分析的方向上选定一个正交平面,在所述正交平面绘制感兴趣区域,利用所述平面肝细胞癌侵袭范围评估模型预测所述感兴趣区域的侵袭范围。
在本申请一较佳的示例中可以进一步设置为,所述在所述正交平面绘制感兴趣区域的步骤包括:
在每个正交平面上绘制至少4个方向的感兴趣区域。
在本申请一较佳的示例中可以进一步设置为,所述基于肝细胞癌患者肿瘤的三维超声图像,利用所述平面肝细胞癌侵袭范围评估模型分析所述三维超声图像的多个正交平面的图像数据,预测多个所述正交平面的侵袭范围的步骤包括:
基于一个正交平面的感兴趣区域的侵袭范围,将侵袭范围叠加至所述感兴趣区域的肿瘤外缘,勾勒所述正交平面的肿瘤侵袭边缘;
基于多个正交平面的侵袭范围,得到所述多个正交平面的肿瘤侵袭边缘,基于所述多个正交平面的肿瘤侵袭边缘获得肝细胞癌侵袭范围的立体三维数据。
在本申请一较佳的示例中可以进一步设置为,所述肝细胞癌患者肿瘤的不同模态的二维超声图像包括常规超声图像、弹性图像及超声造影图像三种不同模态其中之一或任意组合。
第二方面,本申请提供一种肝细胞癌侵袭边缘预测系统。
本申请是通过以下技术方案得以实现的:
一种肝细胞癌侵袭边缘预测系统,所述系统包括:
平面评估模块,用于基于肝细胞癌患者肿瘤的不同模态的二维超声图像,在不同模态的所述二维超声图像中绘制感兴趣区域,以患者的病理标本的最大侵袭范围为预测标准,基于深度神经网络分析不同模态的所述二维超声图像,建立平面肝细胞癌侵袭范围评估模型,基于所述平面肝细胞癌侵袭范围评估模型预测所述感兴趣区域的肝癌细胞的侵袭情况;
三维成像模块,用于基于肝细胞癌患者肿瘤的三维超声图像,利用所述平面肝细胞癌侵袭范围评估模型分析所述三维超声图像的多个正交平面的图像数据,预测多个所述正交平面的侵袭范围,基于多个所述正交平面的侵袭范围获得肝细胞癌侵袭范围的立体三维数据,并通过三维成像技术将侵袭范围的立体三维数据进行可视化。
第三方面,本申请提供一种肝细胞癌侵袭边缘预测设备。
本申请是通过以下技术方案得以实现的:
一种肝细胞癌侵袭边缘预测设备,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序以实现上述任意一项所述肝细胞癌侵袭边缘预测方法的步骤。
第四方面,本申请提供一种计算机可读存储介质。
本申请是通过以下技术方案得以实现的:
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程序,所述计算机程序被处理器执行时实现上述任意一项所述肝细胞癌侵袭边缘预测方法的步骤。
综上所述,与现有技术相比,本申请实施例提供的技术方案带来的有益效果至少包括:
通过对二维超声图像的分析建立平面肝细胞癌侵袭范围评估模型,利用该模型分析三维超声图像中的肝细胞癌侵袭情况,并通过三维成像技术将各个方向的侵袭范围进行可视化。通过平面肝细胞癌侵袭范围评估模型去判断肝细胞癌的侵袭范围,相比于传统的人眼与病理切片对比估计侵袭范围的方式,结果更加精确,效率更高。将侵袭范围进行可视化可以直观、清晰地显示肝细胞癌侵袭的空间形态、范围及空间关系,从而指导术前消融安全边缘的精确规划,引导术中选择合适的进针路径,提高术后消融疗效评估的准确性,促进肿瘤消融技术精准化。
附图说明
图1为本申请一个示例性实施例提供的肝细胞癌侵袭边缘预测方法的流程示意图;
图2为本申请另一个示例性实施例提供的将肿瘤划分分析区域的示意图;
图3为本申请又一个示例性实施例提供的绘制感兴趣区域ROI的示意图。
具体实施方式
本具体实施例仅仅是对本申请的解释,其并不是对本申请的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中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。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
另外,本申请中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本申请中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
本申请中术语“第一”“第二”等字样用于对作用和功能基本相同的相同项或相似项进行区分,应理解,“第一”、“第二”、“第n”之间不具有逻辑或时序上的依赖关系,也不对数量和执行顺序进行限定。
下面结合说明书附图对本申请实施例作进一步详细描述。
在本申请的一个实施例中,提供一种肝细胞癌侵袭边缘预测方法,如图1所示,主要步骤描述如下:
S10:基于肝细胞癌患者肿瘤的不同模态的二维超声图像,在不同模态的所述二维超声图像中绘制感兴趣区域,以患者的病理标本的最大侵袭范围为预测标准,基于深度神经网络分析不同模态的所述二维超声图像,建立平面肝细胞癌侵袭范围评估模型,基于所述平面肝细胞癌侵袭范围评估模型预测所述感兴趣区域的肝癌细胞的侵袭情况;
优选的,肝细胞癌患者肿瘤的不同模态的二维超声图像包括常规超声图像、弹性图像及超声造影图像三种不同模态其中之一或任意组合。
超声图像是反映介质中声学参数的差异,可得到不同于光学、X射线、y射线等的信息。超声对人体软组织有良好的分辨能力,可以识别生物组织的微小病变。在本实施例中,选用常规超声图像、弹性图像及超声造影图像不同模态的二维超声图像用于图像数据收集。其中常规超声图像是通过常规超声检测形成的图像;超声造影图像是通过超声造影成像得到的图像,利用超声造影剂能够增强超声波的反射,获得的图像分辨率更高。同时造影剂强化超声可以用于观测器官中的血液灌注;弹性图像是通过超声弹性成像得到的图像,超声弹性成像能够利用组织的弹性和硬度来探测病变,拓宽了常规超声的诊断范围。对于肝细胞癌来说,超声引导是肝细胞癌消融过程中最为常用的一种影像引导方式,肝细胞癌与正常肝组织交界区域会出现弹性及血流灌注的变化,综合以上成像技术有利于获取更多判断肿瘤侵袭边界的特征和信息,进一步提高侵袭范围的判断精度。
需要进行说明的是,原发性肝癌按照组织学类型划分主要有三类:肝细胞癌、胆管细胞癌、以及肝细胞与胆管细胞混合型肝癌。其中,肝细胞癌的发病率占到原发性肝癌的90%以上,是目前最常见的肝癌类型。在肿瘤的发生发展过程中会伴随着肿瘤细胞的侵袭与转移,是临床上肝细胞癌患者的主要死因。对肝细胞癌侵袭范围定性及定量分析,术前的精准评估是至关重要的。
在一实施例中,通过在肝细胞癌患者的二维超声图像中绘制感兴趣区域,同时以从该患者的病理标本中实际得到的最大的侵袭范围为预测标准,基于Resnet(Deepresidual network)的深度残差网络分析模型对二维超声图像中的感兴趣区域进行分析处理,基于此过程建立一个平面评估肝细胞癌侵袭范围评估模型。将二维超声图像输入到该平面评估肝细胞癌侵袭范围评估模型中,得到该二维超声图像的感兴趣区域的肝癌细胞点的侵袭情况。
进一步地,将肝细胞癌患者肿瘤的二维超声图像分为四个分析区域,选定其中一个分析区域,在该分析区域的二维超声图像中绘制感兴趣区域。
具体的,分别在不同模态的二维超声图像上描绘感兴趣区域(Region OfInterest,ROI)。感兴趣区域是指从待处理的二维超声图像中以方框、圆形、椭圆形、不规则多边形等方式勾勒出需要处理的区域,即从待处理的二维超声图像中选择一个区域以便进一步的处理。使用感兴趣区域确定肝细胞癌周围可能出现侵袭的范围的分析区域,相比对图像上肝细胞癌周边的所有肝实质都进行分析而言,可以减少分析处理时间,同时增加侵袭范围的精度。
如图2所示,将二维超声图像中的肿瘤视为圆形,以圆形的圆心O为中心将肿瘤等分为四个分析区域,依次选定其中一个分析区域进行后续分析。假定其中第一象限为第一分析区域,第二象限为第二分析区域,第三象限为第三分析区域,第四象限为第四分析区域,需要进行说明的是,象限与区域的对应只是为了描述清晰,并不是对方案的限定。以选定第四象限的第四分析区域为例进行说明。如图3所示,在选定的第四区域的二维超声图像上绘制感兴趣区域,在该分析区域的二维超声图像上勾画长方形取样框,该取样框包含该分析区域内的四分之一的肿瘤以及周边1.0厘米的肝实质。具体的在y轴反向方向上取一点B,OB作为长方形取样框的宽,宽的长度与该肿瘤细胞的半径长度相等,沿x轴正向方向在肿瘤的外缘沿伸1cm取一A点,OA作为长方形取样框的长,长的长度为肿瘤细胞的半径长度加上1cm。长方形取样框OACB划定的区域即为第四分析区域的感兴趣区域。在一个实施例中,可以在x轴正向方向上取一点A′,OA′作为长方形取样框的宽,宽的长度与该肿瘤细胞的半径长度相等,沿y轴反向方向在肿瘤的外缘延伸1cm取一点B′,OB′作为长方形取样框的长,长的长度为肿瘤细胞的半径长度加上1cm,第四分析区域的感兴趣区域为长方形取样框OB′C′A′划定的区域。同理,以相同的方式选择其他分析区域,勾画感兴趣区域,进行侵袭情况的分析。
需要进行说明的是,手术病理标本发现约有80%的早期肝细胞癌患者的肿瘤侵袭范围小于1cm,将感兴趣区域ROI的范围设置为在包括该分析区域的病变肿瘤的基础上,还涵盖外缘1厘米的肝实质,确保设置的感兴趣区域ROI能够覆盖肿瘤可能存在的侵袭范围,同时避免选取过多肝实质范围,可以提高模型的分析计算效率。
同时以该分析区域的病理标本的最大侵袭范围为预测标准,通过ResNet的深度学习网络分析,批量将获取的超声图像中的感兴趣区域ROI输入到网络模型中,使用交叉熵损失函数作为模型的训练目标函数,使用Adam或者SGD作为模型的优化器;在实验探索的过程中不断探索选择合适的网络结构和优化训练的参数;在训练过程中使用各种数据增益、参数正则化、dropout等一系列限制模型过拟合的技术,得到最优模型,最终建立平面肝细胞癌侵袭范围评估模型。对每一个病例,将超声图像的感兴趣区域ROI输入到该平面肝细胞癌侵袭范围评估模型,该模型自动分析并进行整合和量化,可以得到感兴趣区域ROI内肝细胞癌的侵袭情况。相比于通过人工与病理切片进行对照的耗时耗力的分析方法而言,通过人工智能评估模型进行数据处理效率更加高效,同时可以减少人眼对肿瘤实际边界辨识的误差,并可在术前就得到肝细胞癌侵袭范围的信息,以辅助术前治疗决策的制定。平面肝细胞癌侵袭范围评估模型可以准确判断肿瘤是否存在边缘侵袭以及具体侵袭范围的定性和定量评估,实现肝细胞癌侵袭的精确判断。
进一步地,将二维超声图像输入到平面评估肝细胞癌侵袭范围评估模型中,判断该肝癌细胞是否存在边缘侵袭;若肝癌细胞存在边缘侵袭,则采用该平面评估肝细胞癌侵袭范围评估模型预测该肝癌细胞的侵袭范围。
具体的,平面肝细胞癌侵袭范围评估模型首先判断该感兴趣区域是否存在边缘侵袭;针对某一感兴趣区域ROI不存在边缘侵袭的,可以结束对该感兴趣区域ROI的分析,执行对下一感兴趣区域ROI的分析判断。若存在边缘侵袭,再进一步预测侵袭范围。计算出现细胞侵袭的点与该肿瘤边缘的直线距离,将该直线距离加上肿瘤半径长度就可以作为该点的侵袭范围。
S20:基于肝细胞癌患者肿瘤的三维超声图像,利用所述平面肝细胞癌侵袭范围评估模型分析所述三维超声图像的多个正交平面的图像数据,预测多个所述正交平面的侵袭范围,基于所述多个所述正交平面的侵袭范围获得肝细胞癌侵袭范围的立体三维数据,并通过三维成像技术将侵袭范围的立体三维数据进行可视化。
进一步地,获取肝细胞癌患者肿瘤的三维超声图像,调取三维超声图像的原始图像数据,选定拟进行分析的方向以及在方向上选定一个正交平面,在正交平面绘制感兴趣区域,利用平面肝细胞癌侵袭范围评估模型预测该感兴趣区域的侵袭范围。
进一步地,在每个正交平面上绘制至少4个方向的感兴趣区域。
进一步地,基于一个正交平面的感兴趣区域的侵袭范围,将侵袭范围叠加至该感兴趣区域的肿瘤外缘,勾勒该正交平面的肿瘤侵袭边缘;
判断多个正交平面的侵袭范围,得到多个正交平面的肿瘤侵袭边缘,基于多个正交平面的肿瘤侵袭边缘获得肝细胞癌侵袭范围的立体三维数据。
具体的,采集肝细胞癌患者肿瘤的三维超声图像,调取三维超声图像的原始图像数据,三维超声图像的原始图像数据在x,y,z三个方向上都包含8个正交平面的图像信息,首先在x,y,z三个方向中选定一个拟进行分析的方向以及该方向上的一个正交平面,在该正交平面上绘制感兴趣区域ROI,利用平面肝细胞癌侵袭范围评估模型分析该正交平面的图像信息,预测该正交平面的感兴趣区域ROI的是否存在边缘侵袭以及侵袭范围。若存在边缘侵袭,将侵袭范围叠加到目标肿瘤外缘,勾勒出该感兴趣区域ROI的肿瘤侵袭边缘。优选的,在每个正交平面上绘制至少4个方向的感兴趣区域ROI,4个方向按照上、下、左和右不同方向进行分布。在正交平面上增加感兴趣区域ROI,可以得到该正交平面的多个感兴趣区域ROI的侵袭情况,可以对该正交平面的侵袭范围进行更加细致的评估,以及利于后续的三维成像。
以同样的方式,确定该方向上其余正交平面的感兴趣区域ROI,以及感兴趣区域ROI的侵袭范围,勾勒该感兴趣区域ROI的侵袭边缘。根据一个方向的多个正交平面获取的侵袭范围获得肝细胞癌侵袭范围的立体三维数据,据此过程建立肝细胞癌侵袭范围的三维成像技术,并通过三维成像技术将侵袭范围的立体三维数据进行可视化。此过程中,通过选择分析的正交平面的方向和个数、每个正交平面ROI的个数和位置可以对感兴趣部位的侵袭范围进行细致评估和三维成像。其中三维成像技术为飞行时间法、结构光法、立体视觉法、三角测量法和调频连续波法的其中一种。对侵袭范围进行可视化和立体展示,可以直观、清晰地显示肝细胞癌侵袭的空间形态、范围及空间关系,从而指导术前消融安全边缘的精确规划,引导术中选择合适的进针路径,提高术后消融疗效评估的准确性,最终减少消融术后局部肿瘤复发、促进肿瘤消融技术精准化,以满足当今日新月异的临床肿瘤治疗对消融技术进一步发展的要求。
本申请还提供一种肝细胞癌侵袭边缘预测系统,该系统包括:
平面评估模块,用于基于肝细胞癌患者肿瘤的不同模态的二维超声图像,在不同模态的所述二维超声图像中绘制感兴趣区域,以患者的病理标本的最大侵袭范围为预测标准,基于深度神经网络分析不同模态的所述二维超声图像,建立平面肝细胞癌侵袭范围评估模型,基于所述平面肝细胞癌侵袭范围评估模型预测所述感兴趣区域的肝癌细胞的侵袭情况;
三维成像模块,用于基于肝细胞癌患者肿瘤的三维超声图像,利用所述平面肝细胞癌侵袭范围评估模型分析所述三维超声图像的多个正交平面的图像数据,预测多个所述正交平面的侵袭范围,基于多个所述正交平面的侵袭范围生成肝细胞癌侵袭范围的立体三维数据,并通过三维成像技术将侵袭范围的立体三维数据进行可视化。
在一个实施例中,提供了一种肝细胞癌侵袭边缘预测设备可以是服务器。
该肝细胞癌侵袭边缘三维可视化设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该肝细胞癌侵袭边缘三维可视化设备的处理器用于提供计算和控制能力。该肝细胞癌侵袭边缘三维可视化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意一种肝细胞癌侵袭边缘预测方法。
在一个实施例中,提供一种计算机可读存储介质,包括存储器、处理器及存储在存储器上并可以在处理器上执行的计算机程序,处理器执行计算机程序以实现上述任意一种肝细胞癌侵袭边缘预测方法。
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,所述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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)、DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、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单元、模块完成,即将本申请所述系统的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
Claims (9)
1.一种肝细胞癌侵袭边缘预测方法,其特征在于,所述方法包括:
基于肝细胞癌患者肿瘤的不同模态的二维超声图像,在不同模态的所述二维超声图像中绘制感兴趣区域,以患者的病理标本的最大侵袭范围为预测标准,基于深度神经网络分析不同模态的所述二维超声图像,建立平面肝细胞癌侵袭范围评估模型,基于所述平面肝细胞癌侵袭范围评估模型预测所述感兴趣区域的肝癌细胞的侵袭情况;
基于肝细胞癌患者肿瘤的三维超声图像,利用所述平面肝细胞癌侵袭范围评估模型分析所述三维超声图像的多个正交平面的图像数据,预测多个所述正交平面的侵袭范围,基于多个所述正交平面的侵袭范围生成肝细胞癌侵袭范围的立体三维数据,并通过三维成像技术将侵袭范围的立体三维数据进行可视化;
其中,基于肝细胞癌患者肿瘤的三维超声图像,利用所述平面肝细胞癌侵袭范围评估模型分析所述三维超声图像的多个正交平面的图像数据,预测多个所述正交平面的侵袭范围的步骤包括:
获取肝细胞癌患者肿瘤的三维超声图像,调取所述三维超声图像的原始图像数据,选定拟进行分析的方向以及在所述拟进行分析的方向上选定一个正交平面,在所述正交平面绘制感兴趣区域,利用所述平面肝细胞癌侵袭范围评估模型预测所述感兴趣区域的侵袭范围。
2.根据权利要求1所述的肝细胞癌侵袭边缘预测方法,其特征在于,在所述不同模态的二维超声图像中绘制感兴趣区域的步骤包括:
将肝细胞癌患者肿瘤的二维超声图像分为四个分析区域,选定其中一个分析区域,在所述分析区域的二维超声图像上绘制感兴趣区域。
3.根据权利要求1所述的肝细胞癌侵袭边缘预测方法,其特征在于,所述基于所述平面肝细胞癌侵袭范围评估模型预测所述感兴趣区域的肝癌细胞的侵袭情况的步骤包括:
将二维超声图像输入到所述平面肝细胞癌侵袭范围评估模型中,所述平面肝细胞癌侵袭范围评估模型判断所述肝癌细胞是否存在边缘侵袭;
若所述肝癌细胞存在边缘侵袭,则所述平面肝细胞癌侵袭范围评估模型预测所述肝癌细胞的侵袭范围。
4.根据权利要求1所述的肝细胞癌侵袭边缘预测方法,其特征在于,所述在所述正交平面绘制感兴趣区域的步骤包括:
在每个正交平面上绘制至少4个方向的感兴趣区域。
5.根据权利要求1所述的肝细胞癌侵袭边缘预测方法,其特征在于,所述基于肝细胞癌患者肿瘤的三维超声图像,利用所述平面肝细胞癌侵袭范围评估模型分析所述三维超声图像的多个正交平面的图像数据,预测多个所述正交平面的侵袭范围的步骤包括:
基于一个正交平面的感兴趣区域的侵袭范围,将侵袭范围叠加至所述感兴趣区域的肿瘤外缘,勾勒所述正交平面的肿瘤侵袭边缘;
判断多个正交平面的侵袭范围,得到多个所述正交平面的肿瘤侵袭边缘,基于多个所述正交平面的肿瘤侵袭边缘获得肝细胞癌侵袭范围的立体三维数据。
6.根据权利要求1所述的肝细胞癌侵袭边缘预测方法,其特征在于,所述肝细胞癌患者肿瘤的不同模态的二维超声图像包括常规超声图像、弹性图像及超声造影图像三种不同模态其中之一或任意组合。
7.一种肝细胞癌侵袭边缘预测系统,其特征在于,所述系统包括:
平面评估模块,用于基于肝细胞癌患者肿瘤的不同模态的二维超声图像,在不同模态的所述二维超声图像中绘制感兴趣区域,以患者的病理标本的最大侵袭范围为预测标准,基于深度神经网络分析不同模态的所述二维超声图像,建立平面肝细胞癌侵袭范围评估模型,基于所述平面肝细胞癌侵袭范围评估模型预测所述感兴趣区域的肝癌细胞的侵袭情况;
三维成像模块,用于基于肝细胞癌患者肿瘤的三维超声图像,利用所述平面肝细胞癌侵袭范围评估模型分析所述三维超声图像的多个正交平面的图像数据,预测多个所述正交平面的侵袭范围,基于多个所述正交平面的侵袭范围获得肝细胞癌侵袭范围的立体三维数据,并通过三维成像技术将侵袭范围的立体三维数据进行可视化;
其中,所述三维成像模块还用于获取肝细胞癌患者肿瘤的三维超声图像,调取所述三维超声图像的原始图像数据,选定拟进行分析的方向以及在所述拟进行分析的方向上选定一个正交平面,在所述正交平面绘制感兴趣区域,利用所述平面肝细胞癌侵袭范围评估模型预测所述感兴趣区域的侵袭范围。
8.一种肝细胞癌侵袭边缘预测设备,其特征在于,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序以实现权利要求1至6任意一项所述方法的步骤。
9.一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程序,所述计算机程序被处理器执行时实现权利要求1至6任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210982789.XA CN115330949B (zh) | 2022-08-16 | 2022-08-16 | 一种肝细胞癌侵袭边缘预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210982789.XA CN115330949B (zh) | 2022-08-16 | 2022-08-16 | 一种肝细胞癌侵袭边缘预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115330949A CN115330949A (zh) | 2022-11-11 |
CN115330949B true CN115330949B (zh) | 2024-04-05 |
Family
ID=83923590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210982789.XA Active CN115330949B (zh) | 2022-08-16 | 2022-08-16 | 一种肝细胞癌侵袭边缘预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330949B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619635A (zh) * | 2019-07-25 | 2019-12-27 | 深圳大学 | 基于深度学习的肝细胞癌磁共振图像分割系统和方法 |
CN111967465A (zh) * | 2020-07-07 | 2020-11-20 | 广州金域医学检验中心有限公司 | 肿瘤细胞含量评估方法、系统、计算机设备及存储介质 |
CN112651507A (zh) * | 2020-12-22 | 2021-04-13 | 福建医科大学附属第一医院 | 肝细胞癌的微血管侵犯预测模型构建方法与概率预测方法 |
CN113077439A (zh) * | 2021-03-31 | 2021-07-06 | 复旦大学附属中山医院 | 一种新型的预测肝细胞肝癌mvi的超声造影系统 |
CN113077417A (zh) * | 2021-03-16 | 2021-07-06 | 中国人民解放军总医院第一医学中心 | 用于肝细胞癌微血管侵犯预测的方法及系统 |
CN114299069A (zh) * | 2022-03-08 | 2022-04-08 | 南方医科大学南方医院 | 一种结直肠癌胶原评价和预后预测装置和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI668666B (zh) * | 2018-02-14 | 2019-08-11 | China Medical University Hospital | 肝癌分群預測模型、其預測系統以及肝癌分群判斷方法 |
US11182900B2 (en) * | 2020-01-28 | 2021-11-23 | PAIGE.AI, Inc. | Systems and methods for processing electronic images for biomarker localization |
-
2022
- 2022-08-16 CN CN202210982789.XA patent/CN115330949B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619635A (zh) * | 2019-07-25 | 2019-12-27 | 深圳大学 | 基于深度学习的肝细胞癌磁共振图像分割系统和方法 |
CN111967465A (zh) * | 2020-07-07 | 2020-11-20 | 广州金域医学检验中心有限公司 | 肿瘤细胞含量评估方法、系统、计算机设备及存储介质 |
CN112651507A (zh) * | 2020-12-22 | 2021-04-13 | 福建医科大学附属第一医院 | 肝细胞癌的微血管侵犯预测模型构建方法与概率预测方法 |
CN113077417A (zh) * | 2021-03-16 | 2021-07-06 | 中国人民解放军总医院第一医学中心 | 用于肝细胞癌微血管侵犯预测的方法及系统 |
CN113077439A (zh) * | 2021-03-31 | 2021-07-06 | 复旦大学附属中山医院 | 一种新型的预测肝细胞肝癌mvi的超声造影系统 |
CN114299069A (zh) * | 2022-03-08 | 2022-04-08 | 南方医科大学南方医院 | 一种结直肠癌胶原评价和预后预测装置和存储介质 |
Non-Patent Citations (2)
Title |
---|
Haiyi Long等.Safety and Local Efficacy of Laser Ablation for the Extrahepatic Metastasis of Hepatocellular Carcinoma: An Available Treatment Strategy.《Coatings》.2020,全文. * |
预测肝癌肝切除术后肝衰竭的影像组学列线图模型建立;陈志航等;《中华肝脏外科手术学电子杂志》;第8卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115330949A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111127466B (zh) | 医学图像检测方法、装置、设备及存储介质 | |
JP5814504B2 (ja) | 統計モデルを用いた医療画像自動セグメンテーションシステム、装置並びにプロセッサ | |
JP6106259B2 (ja) | 医用イメージングと生検データとを統合する臨床ワークステーション及びこれを使用する方法 | |
US9478022B2 (en) | Method and system for integrated radiological and pathological information for diagnosis, therapy selection, and monitoring | |
Uherčík et al. | Line filtering for surgical tool localization in 3D ultrasound images | |
CN111340825B (zh) | 一种纵膈淋巴结分割模型的生成方法及系统 | |
WO2022099303A1 (en) | Machine learning techniques for tumor identification, classification, and grading | |
CN109712163B (zh) | 冠脉提取方法、装置、图像处理工作站和可读存储介质 | |
EP2601637B1 (en) | System and method for multi-modality segmentation of internal tissue with live feedback | |
US20220101034A1 (en) | Method and system for segmenting interventional device in image | |
JP2019528881A (ja) | インターベンショナルツールを検出する機器および方法 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN114882996B (zh) | 基于多任务学习的肝细胞癌ck19及mvi预测方法 | |
CN111528918B (zh) | 消融术后肿瘤体积变化趋势图生成装置、设备及存储介质 | |
CN115330949B (zh) | 一种肝细胞癌侵袭边缘预测方法及系统 | |
CN111047580A (zh) | 用于超声分子影像研究的声像图定量分析及综合定量分析方法 | |
Povoroznyuk et al. | Development of method of matched morphological filtering of biomedical signals and images | |
US11615881B2 (en) | Liver cancer detection | |
CN110738664B (zh) | 图像定位方法、装置、计算机设备和存储介质 | |
CN114303206A (zh) | 基于放射学的活检得分风险评估 | |
Rojas et al. | Methodology to study the three-dimensional spatial distribution of prostate cancer and their dependence on clinical parameters | |
KR20210069250A (ko) | 의료 영상에서 듀얼 윈도우 설정에 기반한 딥러닝을 이용한 종양 자동 분할 방법 | |
CN117017342A (zh) | 一种超声成像的方法及相关设备 | |
US20230260109A1 (en) | Tumour imaging device | |
CA3232772A1 (en) | Image-guided robotic system for detection and treatment |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |