CN115393301B - 一种肝脏二维剪切波弹性图像的影像组学分析方法和装置 - Google Patents

一种肝脏二维剪切波弹性图像的影像组学分析方法和装置 Download PDF

Info

Publication number
CN115393301B
CN115393301B CN202210982547.0A CN202210982547A CN115393301B CN 115393301 B CN115393301 B CN 115393301B CN 202210982547 A CN202210982547 A CN 202210982547A CN 115393301 B CN115393301 B CN 115393301B
Authority
CN
China
Prior art keywords
image
elastic
interest
color
shear wave
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
Application number
CN202210982547.0A
Other languages
English (en)
Other versions
CN115393301A (zh
Inventor
钟娴
林满霞
徐旺
刘明
李晓菊
匡铭
谢晓燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
First Affiliated Hospital of Sun Yat Sen University
Original Assignee
First Affiliated Hospital of Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by First Affiliated Hospital of Sun Yat Sen University filed Critical First Affiliated Hospital of Sun Yat Sen University
Priority to CN202210982547.0A priority Critical patent/CN115393301B/zh
Publication of CN115393301A publication Critical patent/CN115393301A/zh
Application granted granted Critical
Publication of CN115393301B publication Critical patent/CN115393301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06V10/77—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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明提供了一种肝脏二维剪切波弹性图像的影像组学分析方法和装置，所述方法包括：获取肝脏的二维剪切波弹性图像；将该图像从混合图像中提取出彩色弹性图像；基于色调匹配，逐像素地重建弹性值数据，获得弹性值灰度图；进行多尺度的感兴趣区域的选取，并提取影像组学特征，获得特征集合，进而构建辅助分析决策系统，获得分析结果。相比于现有技术，通过多尺度的感兴趣区域的选取，并对其进行特征提取，实现对二维剪切波弹性图像的全面分析，兼顾了图像的局部和全局的特征信息，提高了图像的利用率；基于图像的局部和全面分析，并对硬度的分析做进一步量化，提高了分析结果的准确性。

Description

一种肝脏二维剪切波弹性图像的影像组学分析方法和装置
技术领域
本发明涉及影像组学领域，尤其涉及一种肝脏二维剪切波弹性图像的影像组学分析方法和装置。
背景技术
二维剪切波弹性成像(Two-dimensional shear wave elastography,2D-SWE)是一种肝脏硬度测量技术。其通过探头发射声辐射脉冲，在组织的不同深度进行连续聚焦，产生“马赫锥”效应。被聚焦的组织因高效振动而产生横向的剪切波，然后则是通过高速纵波来采集和定量分析低速剪切波，以彩色编码技术显示出实时的组织弹性图，以此反映组织的硬度。
目前，现有技术主要将2cm左右的感兴趣区域置于2D-SWE图像中相对均质的区域，以获得目标区域的硬度值。而这种方法存在以下不足：
不同的观察者可能会设置不同大小的感兴趣区域，或将感兴趣区域放置于图像不同的区域，因此硬度值的测量在不同观察者之间具有差异性，影响到测量结果的准确性；
感兴趣区域只占整个2D-SWE图像的一部分，因此无法对整个2D-SWE图像进行全面分析，2D-SWE图像的利用率低下；
基于局部区域的硬度值测量会影响对图像全局的判断结果，判断结果具有片面性，且该方法的图像分析耗费时间较长。
发明内容
本发明提供了一种肝脏二维剪切波弹性图像的影像组学分析方法和装置，提高了测量结果的准确性和全面性。
为了解决上述技术问题，本发明实施例提供了一种肝脏二维剪切波弹性图像的影像组学分析方法，包括：
获取肝脏的二维剪切波弹性图像；
从所述二维剪切波弹性图像的混合图像中提取出彩色弹性图像；
基于色调匹配，针对所述彩色弹性图像，逐像素地重建弹性值数据，获得弹性值灰度图；
对所述弹性值灰度图进行多尺度的感兴趣区域的选取，并对各不同尺度的感兴趣区域进行影像组学特征提取，获得特征集合；
基于所述特征集合，构建辅助分析决策系统，并通过所述辅助分析决策系统获得分析结果。
作为优选方案，所述对所述弹性值灰度图进行多尺度的感兴趣区域的选取，具体为：
设定若干种感兴趣区域尺寸；
将所述弹性值灰度图标准化为统一尺寸；
分别针对所有所述感兴趣区域尺寸，在所述弹性值灰度图上以1像素为间距，移动生成一组所述感兴趣区域尺寸的矩形感兴趣区域；
计算各矩形感兴趣区域中所有像素的标准差，筛选出每种尺寸中标准差最小的矩形感兴趣区域，实现所述多尺度的感兴趣区域的选取。
作为优选方案，所述对各不同尺度的感兴趣区域进行影像组学特征提取，获得特征集合，具体为：
对所述各不同尺度的感兴趣区域提取一阶灰度特征和纹理特征；将提取的特征进行拼接，获得所述特征集合。
作为优选方案，
所述从所述二维剪切波弹性图像的混合图像中提取出彩色弹性图像，具体为：
(Rmix,Gmix,Bmix)＝(αRswe+βT1,αGswe+βT2,αBswe+βT3)；
其中，(Rswe,Gswe,Bswe)为所述彩色弹性图像的像素的RGB值，(T1,T2,T3)为灰阶超声图像的像素的RGB值，(Rmix,Gmix,Bmix)为所述混合图像的像素的RGB值，α和β均为混合系数，a为混合系数α的估计值，b为混合系数β的估计值。
作为优选方案，所述混合系数α的估计值a和所述混合系数β的估计值b通过下式获得：
其中，下标kij表示第k张图片第i行第j列的像素点，(t1,t2,t3)为预设的灰阶值，表示求和时仅考虑所述灰阶超声图像中等于该预设灰阶值的像素点，/>为所述混合图像中像素点kij的RGB值，Γ为标准颜色条在RGB颜色空间中对应的曲线，dist()为欧氏距离运算。
作为优选方案，所述基于色调匹配，针对所述彩色弹性图像，逐像素地重建弹性值数据，获得弹性值灰度图，具体为：
预设的标准颜色条第k个颜色等级的色调值Hk为：
其中，(Rk,Gk,Bk)为所述标准颜色条第k个颜色等级的RGB值；
所述彩色弹性图像任一像素点的色调值H为：
其中，(R,G,B)为所述彩色弹性图像所述任一像素点的RGB值；
根据所述标准颜色条的色调值和所述彩色弹性图像的色调值，选取使|Hk-H|最小的k，根据所述使|Hk-H|最小的k，计算所述弹性值数据中每一像素的弹性值，进而逐像素地重建所述弹性值数据，获得弹性值灰度图。
作为优选方案，在所述构建辅助分析决策系统之前，还包括：
在所述特征集合中，通过过滤法、包装法和嵌入法，筛选出与结局变量相关度最高的特征，获得经过筛选的所述特征集合。
作为优选方案，所述基于所述特征集合，构建辅助分析决策系统，具体为：
基于所述特征集合，结合患者的临床信息和检验指标，通过机器学习建模方法，构建所述辅助分析决策系统。
作为优选方案，在所述获取肝脏的二维剪切波弹性图像之前，还包括：
获取肝脏肝实质的Dicom格式标准二维剪切波弹性图像，从所述Dicom格式标准二维剪切波弹性图像中识别出标准颜色条，读取所述标准颜色条每个色阶的RGB值和所述标准颜色条对应的最大弹性量程，并基于Dicom头文件信息的测量框坐标，从所述Dicom格式标准二维剪切波弹性图像中截取弹性测量框内的混合图像，作为经过预处理的所述肝脏的二维剪切波弹性图像；其中，所述弹性测量框内的混合图像由超声系统将原始弹性值数据按照预设的标准颜色条编码成彩色弹性图像，并按一定比例与对应区域的灰阶超声图像混合而成。
相应的，本发明实施例还提供了一种肝脏二维剪切波弹性图像的影像组学分析装置，包括：
图像获取模块，用于获取肝脏的二维剪切波弹性图像；
彩色弹性图像提取模块，用于从所述二维剪切波弹性图像的混合图像中提取出彩色弹性图像；
重建模块，用于基于色调匹配，针对所述彩色弹性图像，逐像素地重建弹性值数据，获得弹性值灰度图；
特征提取模块，用于对所述弹性值灰度图进行多尺度的感兴趣区域的选取，并对各不同尺度的感兴趣区域进行影像组学特征提取，获得特征集合；
分析模块，用于基于所述特征集合，构建辅助分析决策系统，并通过所述辅助分析决策系统获得分析结果。
相比于现有技术，本发明实施例具有如下有益效果：
本发明实施例提供了一种肝脏二维剪切波弹性图像的影像组学分析方法和装置，所述方法包括：获取肝脏的二维剪切波弹性图像；从二维剪切波弹性图像的混合图像中提取出彩色弹性图像；基于色调匹配，针对所述彩色弹性图像，逐像素地重建弹性值数据，获得弹性值灰度图；对所述弹性值灰度图进行多尺度的感兴趣区域的选取，并对各不同尺度的感兴趣区域进行影像组学特征提取，获得特征集合；基于所述特征集合，构建辅助分析决策系统，并通过所述辅助分析决策系统获得分析结果。相比于现有技术，通过多尺度的感兴趣区域的选取，并对其进行特征提取，实现对二维剪切波弹性图像的全面分析，兼顾了图像的局部和全局的特征信息，提高了图像的利用率；基于图像的局部和全面分析，并对硬度的分析做进一步量化，提高了分析结果的准确性。
附图说明
图1：为本发明提供的肝脏二维剪切波弹性图像的影像组学分析方法的一种实施例的流程示意图。
图2：为本发明提供的肝脏二维剪切波弹性图像的影像组学分析装置的一种实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一:
请参照图1，图1为本发明实施例提供的一种肝脏二维剪切波弹性图像的影像组学分析方法，包括步骤S1至S5，其中，
步骤S1，获取肝脏的二维剪切波弹性图像。
在本实施例中，获取肝脏肝实质的标准二维剪切波弹性图像，该图像为Dicom格式。从上述的Dicom格式的标准二维剪切波弹性图像中识别出标准颜色条，以及该标准颜色条对应的最大弹性量程M和该标准颜色条对应的每个色阶的RGB值。
基于Dicom头文件信息的测量框坐标，从所述Dicom格式标准二维剪切波弹性图像中截取弹性测量框内的混合图像，作为经过预处理的所述肝脏的二维剪切波弹性图像；其中，所述弹性测量框内的混合图像由超声系统将原始弹性值数据按照预设的标准颜色条编码成彩色弹性图像，并按一定比例与对应区域的灰阶超声图像混合而成。
步骤S2，从所述二维剪切波弹性图像的混合图像中提取出彩色弹性图像。
在本实施例中，具体地，分别以(Rswe,Gswe,Bswe)、(T1,T2,T3)和(Rmix,Gmix,Bmix)表示彩色弹性图像、灰阶超声图像、混合图像的对应像素的RGB颜色值，则有：
(Rmix,Gmix,Bmix)＝(αRswe+βT1,αGswe+βT2,αBswe+βT3)；
其中，α和β均为依赖于灰阶值的混合系数。优选地，混合系数α和β可以通过统计样本图像中(T1,T2,T3,Rmix,Gmix,Bmix)在RGB颜色空间中的联合分布，先验地得到相应的估计值a和b。通过混合系数的估计值，可以复原彩色图像的RGB颜色值：
进一步地，混合系数的估算方法具体为：
对于一个固定的灰阶值(t1,t2,t3)，识别出灰阶图像中所有取该灰阶值的像素点。这些像素点满足同时，记录混合图像中对应像素点的颜色值，通过求解如下的最小化问题，获得对应于灰阶值(t1,t2,t3)的混合系数α的估计值a以及混合系数β的估计值b：
其中，下标kij表示第k张图片第i行第j列的像素点，(t1,t2,t3)为预设的灰阶值，表示求和时仅考虑所述灰阶超声图像中等于该预设灰阶值的像素点，/>为所述混合图像中像素点kij的RGB值，Γ为标准颜色条在RGB颜色空间中对应的曲线，dist()为欧氏距离运算。
步骤S3，基于色调匹配，针对所述彩色弹性图像，逐像素地重建弹性值数据，获得弹性值灰度图。
示例性地，标准颜色条从纯蓝到纯红共有220个颜色等级，对应表示弹性值范围0～M(单位：kPa)。本实施例将颜色条进一步线性细分为2200个颜色等级。对于标准颜色条的第k个等级，(Rk,Gk,Bk)为其RGB值，因此所述标准颜色条第k个颜色等级的色调值Hk可以按下式计算得到：
同样地，对于彩色弹性图像，任一像素点的色调值H为：
其中，(R,G,B)为所述彩色弹性图像任一像素点的RGB值。
根据所述标准颜色条的色调值和所述彩色弹性图像的色调值，选取使|Hk-H|最小的k(1≤k≤2200)，根据min|Hk-H|对应的k，计算所述弹性值数据中每一像素对应的重建弹性值为进而逐像素地重建弹性值数据，将RGB彩色图像转换为取值0～M的数值矩阵，并将数值矩阵转换为弹性值灰度图。本实施例采用了色调匹配的方法，从混合图像中重建了彩色弹性图，将RGB编码的彩色弹性图重建为弹性值灰度图，可以适用于不同的弹性量程，提高了分析的泛化能力。其次，将彩色图像转换为了弹性灰度图，灰度图中每一个像素点的像素值均代表该点的弹性测量值，相当于将彩色图像的每一像素置于同一标准下，可以直接对比不同点的弹性测量值。
步骤S4，对所述弹性值灰度图进行多尺度的感兴趣区域的选取，并对各不同尺度的感兴趣区域进行影像组学特征提取，获得特征集合。
优选地，对所述弹性值灰度图进行标准化处理，标准化为同一尺寸，譬如将弹性值灰度图处理为128×128像素，并设定若干种感兴趣区域尺寸。分别针对所有所述感兴趣区域尺寸，在所述弹性值灰度图上以1像素为间距，移动生成一组所述感兴趣区域尺寸的矩形感兴趣区域；
计算各矩形感兴趣区域中所有像素的标准差，筛选出每种尺寸中标准差最小的矩形感兴趣区域，实现所述多尺度的感兴趣区域的选取，例如：
在灰度图像上以1像素为间距移动生成不同的32×32像素的矩形感兴趣区域，计算不同矩形感兴趣区域内所有像素的标准差，选择标准差最小的矩形感兴趣区域作为32×32像素的感兴趣区域。
在灰度图像上以1像素为间距移动生成不同的64×64像素的矩形感兴趣区域，计算不同矩形感兴趣区域内所有像素的标准差，选择标准差最小的矩形感兴趣区域作为64×64像素的感兴趣区域。
在灰度图像上以1像素为间距移动生成不同的96×96像素的矩形感兴趣区域，计算不同矩形感兴趣区域内所有像素的标准差，选择标准差最小的矩形感兴趣区域作为96×96像素的感兴趣区域。
筛选出每种尺寸中标准差最小的矩形感兴趣区域，则实现了所述多尺度的感兴趣区域的选取。然后对各不同尺度的感兴趣区域进行影像组学特征提取，提取的特征包括一阶灰度特征和纹理特征，将不同尺寸的特征进行拼接，获得了特征集合。实施本申请实施例，可以同时关注在32×32像素、64×64像素、96×96像素、128×128像素多个尺寸层面的图像特征，提升图像信息的利用率；另外，本实施例同时关注到了图像的局部特征和全局特征，实现全面、系统的分析，基于该方法获得的特征集合，进而构建的辅助分析决策系统，其性能能够进一步提高，同时具备较好的稳定性和预测效果。
在获得所述特征集合之后，构建所述辅助分析决策系统之前，还包括：在所述特征集合中，通过过滤法、包装法和嵌入法等特征选择方法，筛选出与结局变量相关度最高的特征，获得经过筛选的所述特征集合。
其中，所述过滤法包括但不限于Pearson相关系数、卡方检验和方差选择法等；所述包装法譬如前向搜索、后向搜索和递归特征消除法等；嵌入法包括正则化及基于树的特征选择等。通过选择与结局变量相关度最高的特征，获得经过筛选的特征集合。通过筛选，可以有效减少步骤S5构建的辅助分析决策系统的模型复杂度和计算量，提高模型的运算速度，其次避免了过拟合的情况，显著提高泛化能力。
步骤S5，基于所述特征集合，构建辅助分析决策系统，并通过所述辅助分析决策系统获得分析结果。
在本实施例中，基于所述特征集合，结合患者的临床信息和检验指标，通过机器学习建模方法(包括但不限于神经网络等方法)，构建所述辅助分析决策系统。将影像组学特征与患者的临床信息和检验指标相结合，相比于现有技术不再局限于单一的影像特征，提高了辅助分析决策系统的预测性能。
相应的，参照图2，本发明实施例还提供了一种肝脏二维剪切波弹性图像的影像组学分析装置，包括：
图像获取模块101，用于获取肝脏的二维剪切波弹性图像；
彩色弹性图像提取模块102，用于从所述二维剪切波弹性图像的混合图像中提取出彩色弹性图像；
重建模块103，用于基于色调匹配，针对所述彩色弹性图像，逐像素地重建弹性值数据，获得弹性值灰度图；
特征提取模块104，用于对所述弹性值灰度图进行多尺度的感兴趣区域的选取，并对各不同尺度的感兴趣区域进行影像组学特征提取，获得特征集合；
分析模块105，用于基于所述特征集合，构建辅助分析决策系统，并通过所述辅助分析决策系统获得分析结果。
相比于现有技术，本发明实施例具有如下有益效果：
本发明实施例提供了一种肝脏二维剪切波弹性图像的影像组学分析方法和装置，所述方法包括：获取肝脏的二维剪切波弹性图像；从所述二维剪切波弹性图像的混合图像中提取出彩色弹性图像；基于色调匹配，针对所述彩色弹性图像，逐像素地重建弹性值数据，获得弹性值灰度图；对所述弹性值灰度图进行多尺度的感兴趣区域的选取，并对各不同尺度的感兴趣区域进行影像组学特征提取，获得特征集合；基于所述特征集合，构建辅助分析决策系统，并通过所述辅助分析决策系统获得分析结果。相比于现有技术，通过多尺度的感兴趣区域的选取，并对其进行特征提取，实现对二维剪切波弹性图像的全面分析，兼顾了图像的局部和全局的特征信息，提高了图像的利用率；基于图像的局部和全面分析，并对硬度的分析做进一步量化，提高了分析结果的准确性。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种肝脏二维剪切波弹性图像的影像组学分析方法，其特征在于，包括：
获取肝脏的二维剪切波弹性图像；
从所述二维剪切波弹性图像的混合图像中提取出彩色弹性图像；
基于色调匹配，针对所述彩色弹性图像，逐像素地重建弹性值数据，获得弹性值灰度图；
对所述弹性值灰度图进行多尺度的感兴趣区域的选取，并对各不同尺度的感兴趣区域进行影像组学特征提取，获得特征集合；
基于所述特征集合，构建辅助分析决策系统，并通过所述辅助分析决策系统获得分析结果；
所述对所述弹性值灰度图进行多尺度的感兴趣区域的选取，具体为：
设定若干种感兴趣区域尺寸；
将所述弹性值灰度图标准化为统一尺寸；
分别针对所有所述感兴趣区域尺寸，在所述弹性值灰度图上以1像素为间距，移动生成一组所述感兴趣区域尺寸的矩形感兴趣区域；
计算各矩形感兴趣区域中所有像素的标准差，筛选出每种尺寸中标准差最小的矩形感兴趣区域，实现所述多尺度的感兴趣区域的选取。
2.如权利要求1所述的一种肝脏二维剪切波弹性图像的影像组学分析方法，其特征在于，所述对各不同尺度的感兴趣区域进行影像组学特征提取，获得特征集合，具体为：
对所述各不同尺度的感兴趣区域提取一阶灰度特征和纹理特征；将提取的特征进行拼接，获得所述特征集合。
3.如权利要求1所述的一种肝脏二维剪切波弹性图像的影像组学分析方法，其特征在于，所述从所述二维剪切波弹性图像的混合图像中提取出彩色弹性图像，具体为：
；
；
其中，为所述彩色弹性图像的像素的RGB值，/>为灰阶超声图像的像素的RGB值，/>为所述混合图像的像素的RGB值，α和β均为混合系数，a为混合系数α的估计值，b为混合系数β的估计值。
4.如权利要求3所述的一种肝脏二维剪切波弹性图像的影像组学分析方法，其特征在于，所述混合系数α的估计值a和所述混合系数β的估计值b通过下式获得：
；
；
其中，下标kij表示第k张图片第i行第j列的像素点，为预设的灰阶值，表示求和时仅考虑所述灰阶超声图像中等于该预设灰阶值的像素点，/>为所述混合图像中像素点kij的RGB值，/>为标准颜色条在RGB颜色空间中对应的曲线，dist（）为欧氏距离运算。
5.如权利要求1所述的一种肝脏二维剪切波弹性图像的影像组学分析方法，其特征在于，所述基于色调匹配，针对所述彩色弹性图像，逐像素地重建弹性值数据，获得弹性值灰度图，具体为：
预设的标准颜色条第k个颜色等级的色调值Hk为：
；
其中，(R k , G k , B k)为所述标准颜色条第k个颜色等级的RGB值；
所述彩色弹性图像任一像素点的色调值H为：
；
其中，（R, G, B）为所述彩色弹性图像所述任一像素点的RGB值；
根据所述标准颜色条的色调值和所述彩色弹性图像的色调值，选取使最小的k，根据所述使/>最小的k，计算所述弹性值数据中每一像素的弹性值，进而逐像素地重建所述弹性值数据，获得弹性值灰度图。
6.如权利要求1至5任意一项所述的一种肝脏二维剪切波弹性图像的影像组学分析方法，其特征在于，在所述构建辅助分析决策系统之前，还包括：
在所述特征集合中，通过过滤法、包装法和嵌入法，筛选出与结局变量相关度最高的特征，获得经过筛选的所述特征集合。
7.如权利要求1至5任意一项所述的一种肝脏二维剪切波弹性图像的影像组学分析方法，其特征在于，所述基于所述特征集合，构建辅助分析决策系统，具体为：
基于所述特征集合，结合患者的临床信息和检验指标，通过机器学习建模方法，构建所述辅助分析决策系统。
8.如权利要求1至5任意一项所述的一种肝脏二维剪切波弹性图像的影像组学分析方法，其特征在于，在所述获取肝脏的二维剪切波弹性图像之前，还包括：
获取肝脏肝实质的Dicom格式标准二维剪切波弹性图像，从所述Dicom格式标准二维剪切波弹性图像中识别出标准颜色条，读取所述标准颜色条每个色阶的RGB值和所述标准颜色条对应的最大弹性量程，并基于Dicom头文件信息的测量框坐标，从所述Dicom格式标准二维剪切波弹性图像中截取弹性测量框内的混合图像，作为经过预处理的所述肝脏的二维剪切波弹性图像；其中，所述弹性测量框内的混合图像由超声系统将原始弹性值数据按照预设的标准颜色条编码成彩色弹性图像，并按一定比例与对应区域的灰阶超声图像混合而成。
9.一种肝脏二维剪切波弹性图像的影像组学分析装置，其特征在于，包括：
图像获取模块，用于获取肝脏的二维剪切波弹性图像；
彩色弹性图像提取模块，用于从所述二维剪切波弹性图像的混合图像中提取出彩色弹性图像；
重建模块，用于基于色调匹配，针对所述彩色弹性图像，逐像素地重建弹性值数据，获得弹性值灰度图；
特征提取模块，用于对所述弹性值灰度图进行多尺度的感兴趣区域的选取，并对各不同尺度的感兴趣区域进行影像组学特征提取，获得特征集合；
分析模块，用于基于所述特征集合，构建辅助分析决策系统，并通过所述辅助分析决策系统获得分析结果；
所述特征提取模块对所述弹性值灰度图进行多尺度的感兴趣区域的选取，具体为：
所述特征提取模块设定若干种感兴趣区域尺寸；
将所述弹性值灰度图标准化为统一尺寸；
分别针对所有所述感兴趣区域尺寸，在所述弹性值灰度图上以1像素为间距，移动生成一组所述感兴趣区域尺寸的矩形感兴趣区域；
计算各矩形感兴趣区域中所有像素的标准差，筛选出每种尺寸中标准差最小的矩形感兴趣区域，实现所述多尺度的感兴趣区域的选取。
CN202210982547.0A 2022-08-16 2022-08-16 一种肝脏二维剪切波弹性图像的影像组学分析方法和装置 Active CN115393301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210982547.0A CN115393301B (zh) 2022-08-16 2022-08-16 一种肝脏二维剪切波弹性图像的影像组学分析方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210982547.0A CN115393301B (zh) 2022-08-16 2022-08-16 一种肝脏二维剪切波弹性图像的影像组学分析方法和装置

Publications (2)

Publication Number Publication Date
CN115393301A CN115393301A (zh) 2022-11-25
CN115393301B true CN115393301B (zh) 2024-03-12

Family

ID=84121417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210982547.0A Active CN115393301B (zh) 2022-08-16 2022-08-16 一种肝脏二维剪切波弹性图像的影像组学分析方法和装置

Country Status (1)

Country Link
CN (1) CN115393301B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108268870A (zh) * 2018-01-29 2018-07-10 重庆理工大学 基于对抗学习的多尺度特征融合超声图像语义分割方法
RU2715440C1 (ru) * 2019-06-28 2020-02-28 Федеральное государственное бюджетное образовательное учреждение высшего образования "Смоленский государственный медицинский университет" министерства здравоохранения Российской Федерации Способ дифференциальной диагностики очагового жирового гепатоза и кист печени
CN110852350A (zh) * 2019-10-21 2020-02-28 北京航空航天大学 一种基于多尺度迁移学习的肺结节良恶性分类方法和系统
CN111275706A (zh) * 2020-03-04 2020-06-12 中山大学附属第一医院 一种基于剪切波弹性成像超声组学深度分析方法及系统
CN111803128A (zh) * 2020-07-15 2020-10-23 深圳大学 一种乳腺组织弹性成像方法、装置、设备和介质
CN114601496A (zh) * 2022-04-08 2022-06-10 南京大学 一种基于线性阵列的三维超声剪切波弹性成像方法
CN114693933A (zh) * 2022-04-07 2022-07-01 天津大学 基于生成对抗网络和多尺度特征融合的医学影像分割装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6601320B2 (ja) * 2016-06-16 2019-11-06 コニカミノルタ株式会社 超音波診断装置、及び超音波診断装置の制御方法
EP3563769A1 (en) * 2018-04-30 2019-11-06 Esaote S.p.A. Method and ultrasound system for shear wave elasticity imaging
CN110222700A (zh) * 2019-05-30 2019-09-10 五邑大学 基于多尺度特征与宽度学习的sar图像识别方法及装置
CN111772677B (zh) * 2020-07-07 2023-06-13 意领科技有限公司 具有维度的生物组织弹性检测方法，检测系统和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108268870A (zh) * 2018-01-29 2018-07-10 重庆理工大学 基于对抗学习的多尺度特征融合超声图像语义分割方法
RU2715440C1 (ru) * 2019-06-28 2020-02-28 Федеральное государственное бюджетное образовательное учреждение высшего образования "Смоленский государственный медицинский университет" министерства здравоохранения Российской Федерации Способ дифференциальной диагностики очагового жирового гепатоза и кист печени
CN110852350A (zh) * 2019-10-21 2020-02-28 北京航空航天大学 一种基于多尺度迁移学习的肺结节良恶性分类方法和系统
CN111275706A (zh) * 2020-03-04 2020-06-12 中山大学附属第一医院 一种基于剪切波弹性成像超声组学深度分析方法及系统
CN111803128A (zh) * 2020-07-15 2020-10-23 深圳大学 一种乳腺组织弹性成像方法、装置、设备和介质
CN114693933A (zh) * 2022-04-07 2022-07-01 天津大学 基于生成对抗网络和多尺度特征融合的医学影像分割装置
CN114601496A (zh) * 2022-04-08 2022-06-10 南京大学 一种基于线性阵列的三维超声剪切波弹性成像方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Liver Stiffness Measured by Two-Dimensional Shear Wave Elastography for Predicting Symptomatic Post-hepatectomy Liver Failure in Patients with Hepatocellular Carcinoma;Haiyi Long等;《SURGUCAL ONCOLOGY》;第327–336页 *
剪切波弹性成像彩色图像评分法诊断良恶性乳腺实性病变的应用;刘晓玲等;《昆明医科大学学报》;第39卷(第2期);第80-83页 *

Also Published As

Publication number Publication date
CN115393301A (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN109978037B (zh) 图像处理方法、模型训练方法、装置、和存储介质
CN113393469A (zh) 基于循环残差卷积神经网络的医学图像分割方法和装置
US12106484B2 (en) Three-dimensional medical image segmentation method and system based on short-term and long-term memory self-attention model
CN101082983A (zh) 基于感兴趣区域的自适应医学序列图像插值方法
CN111754485A (zh) 一种用于肝脏的人工智能超声辅助系统
CN109965905B (zh) 一种基于深度学习的造影区域检测成像方法
CN116503548A (zh) 牙齿和牙槽骨图像分割重构方法及系统
CN118470036A (zh) 一种HL-UNet图像分割模型及心脏动态磁共振成像分割方法
CN112785540B (zh) 一种扩散加权图像的生成系统及方法
CN117876690A (zh) 一种基于异构UNet的超声影像多组织分割方法和系统
Xie et al. A Structure-Affinity Dual Attention-based Network to Segment Spine for Scoliosis Assessment
Liu et al. Progressive residual learning with memory upgrade for ultrasound image blind super-resolution
CN113112469A (zh) 一种b超图像选取方法及系统
CN115393301B (zh) 一种肝脏二维剪切波弹性图像的影像组学分析方法和装置
CN117934499A (zh) 一种基于改进UNet++的肾肿瘤超声图像分割方法
CN116664587A (zh) 基于伪彩色增强的混合注意力UNet超声图像分割方法与装置
CN117095813A (zh) 一种肌少症自动诊断模型构建方法、系统、设备及介质
CN112150360A (zh) 一种基于稠密残差网络的ivus图像超分辨率重建方法
Chilukuri et al. Analysing Of Image Quality Computation Models Through Convolutional Neural Network
CN112967295B (zh) 一种基于残差网络和注意力机制的图像处理方法及系统
Shi et al. Ultrasound image denoising autoencoder model based on lightweight attention mechanism
CN114972266A (zh) 基于自注意机制和稳定学习的淋巴瘤超声图像语义分割方法
CN114494952A (zh) 一种基于感知损失的乳腺mri影像时间序列生成方法
CN111062935B (zh) 一种乳腺肿瘤检测方法、存储介质及终端设备
CN104182935B (zh) 一种基于层次分析法选取小波基的图像去噪方法

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
GR01 Patent grant
GR01 Patent grant