CN115568944B - 一种肿瘤治疗仪的模拟消融方法及系统 - Google Patents
一种肿瘤治疗仪的模拟消融方法及系统 Download PDFInfo
- Publication number
- CN115568944B CN115568944B CN202211453560.3A CN202211453560A CN115568944B CN 115568944 B CN115568944 B CN 115568944B CN 202211453560 A CN202211453560 A CN 202211453560A CN 115568944 B CN115568944 B CN 115568944B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- target pixel
- target
- tumor
- image
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/70—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/102—Modelling of surgical devices, implants or prosthesis
- A61B2034/104—Modelling the effect of the tool, e.g. the effect of an implanted prosthesis or for predicting the effect of ablation or burring
-
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Robotics (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及生物医药诊断和鉴定技术领域,具体涉及一种肿瘤治疗仪的模拟消融方法及系统,该方法包括:获取待消融肿瘤的超声波影像;对超声波影像中的目标像素点进行自适应划分;确定目标像素点对应的初始隶属度;确定目标像素点对应的优化隶属度;确定目标像素点对应的显著值;对显著效果图进行肿瘤区域提取;通过目标肿瘤治疗仪,对目标肿瘤区域进行模拟消融。本发明通过目标肿瘤治疗仪,对提取的目标肿瘤区域进行模拟消融,解决了通过肿瘤治疗仪进行模拟消融的准确度低下的技术问题,提高了通过肿瘤治疗仪进行模拟消融的准确度,主要应用于通过肿瘤治疗仪进行模拟消融。
Description
技术领域
本发明涉及生物医药诊断和鉴定技术领域,具体涉及一种肿瘤治疗仪的模拟消融方法及系统。
背景技术
随着科学技术的快速发展,肿瘤治疗仪的应用越来越广泛。其中,肿瘤治疗仪可以应用于对肿瘤进行模拟消融。由于肿瘤治疗仪的这项应用对肿瘤治疗十分有利,所以通过肿瘤治疗仪进行模拟消融至关重要。目前,通过肿瘤治疗仪进行模拟消融时,通常采用的方式为:提取肿瘤区域,对肿瘤区域进行模拟消融。其中,提取肿瘤区域常用的方法可以为:获取拍摄有肿瘤区域的目标图像,通过深度学习语义分割,得到肿瘤区域。
然而,当采用上述方式时,经常会存在如下技术问题:
由于多种因素的影响,目标图像包括的肿瘤区域的边缘轮廓往往并不清晰,此时直接采用深度学习语义分割,对目标图像进行分类判断,往往导致对目标图像进行分类判断的准确度低下,从而导致提取肿瘤区域的准确度低下,进而导致通过肿瘤治疗仪进行模拟消融的准确度低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决通过肿瘤治疗仪进行模拟消融的准确度低下的技术问题,本发明提出了一种肿瘤治疗仪的模拟消融方法及系统。
第一方面,本发明提供了一种肿瘤治疗仪的模拟消融方法,该方法包括:
获取待消融肿瘤的超声波影像;
对所述超声波影像中的目标像素点进行自适应划分,得到目标像素点类别集合;
确定所述目标像素点类别集合中的每个目标像素点类别中的目标像素点对应的初始隶属度;
对于所述目标像素点类别集合中的每个目标像素点类别中的目标像素点,根据预先设置的目标像素点对应的局部窗口区域和初始隶属度,确定目标像素点对应的优化隶属度;
根据所述目标像素点类别集合中的每个目标像素点类别中的目标像素点对应的优化隶属度,确定目标像素点对应的显著值,得到显著效果图;
对所述显著效果图进行肿瘤区域提取,得到目标肿瘤区域;
通过目标肿瘤治疗仪,对所述目标肿瘤区域进行模拟消融。
进一步的,所述目标像素点类别集合中的目标像素点类别的数量为4;
所述对所述超声波影像中的目标像素点进行自适应划分,得到目标像素点类别集合,包括:
对所述超声波影像进行灰度化,得到灰度化影像;
当所述灰度化影像中的目标像素点对应的灰度值属于预先设置的第一范围时,将目标像素点划分到目标像素点类别集合中的第一个目标像素点类别;
当所述灰度化影像中的目标像素点对应的灰度值属于预先设置的第二范围时,将目标像素点划分到目标像素点类别集合中的第二个目标像素点类别;
当所述灰度化影像中的目标像素点对应的灰度值属于预先设置的第三范围时,将目标像素点划分到目标像素点类别集合中的第三个目标像素点类别;
当所述灰度化影像中的目标像素点对应的灰度值属于预先设置的第四范围时,将目标像素点划分到目标像素点类别集合中的第四个目标像素点类别。
进一步的,所述确定所述目标像素点类别集合中的每个目标像素点类别中的目标像素点对应的初始隶属度,包括:
将所述目标像素点类别集合中的第一个目标像素点类别中的各个目标像素点对应的初始隶属度,确定为0;
对于所述目标像素点类别集合中的第二个目标像素点类别或第三个目标像素点类别中的目标像素点,根据目标像素点对应的灰度值、第一范围、第二范围、第三范围和第四范围,确定目标像素点对应的初始隶属度;
将所述目标像素点类别集合中的第四个目标像素点类别中的各个目标像素点对应的初始隶属度,确定为1。
进一步的,所述根据预先设置的目标像素点对应的局部窗口区域和初始隶属度,确定目标像素点对应的优化隶属度,包括:
对目标像素点对应的局部窗口区域进行边缘检测,得到目标像素点对应的局部窗口区域内的像素点对应的边缘检测值;
确定目标像素点对应的局部窗口区域内的像素点对应的初始隶属度;
根据目标像素点对应的局部窗口区域内的像素点的数量、目标像素点对应的局部窗口区域内的像素点对应的边缘检测值和初始隶属度,确定目标像素点对应的局部窗口隶属度均值;
根据目标像素点对应的局部窗口隶属度均值和初始隶属度,确定目标像素点对应的局部灰度变化指标;
根据目标像素点对应的局部窗口区域内的像素点对应的初始隶属度和边缘检测值,确定目标像素点对应的局部分布熵指标;
根据目标像素点对应的局部分布熵指标,确定目标像素点对应的显著因子;
根据目标像素点对应的显著因子、局部灰度变化指标和局部窗口隶属度均值,确定目标像素点对应的优化隶属度。
进一步的,所述确定目标像素点对应的显著值,包括:
当目标像素点对应的优化隶属度为0时,将所述超声波影像中的像素点对应的像素值中最小的像素值,确定为目标像素点对应的显著值;
当目标像素点对应的优化隶属度大于0且小于1时,根据所述超声波影像中的像素点对应的像素值中最小的像素值、所述超声波影像中的像素点对应的像素值中最大的像素值、目标像素点对应的优化隶属度、第一范围、第二范围和第三范围,确定目标像素点对应的显著值;
当目标像素点对应的优化隶属度为1时,将所述超声波影像中的像素点对应的像素值中最大的像素值,确定为目标像素点对应的显著值。
进一步的,所述当目标像素点对应的优化隶属度大于0且小于1时,根据所述超声波影像中的像素点对应的像素值中最小的像素值、所述超声波影像中的像素点对应的像素值中最大的像素值、目标像素点对应的优化隶属度、第一范围、第二范围和第三范围,确定目标像素点对应的显著值,包括:
当目标像素点对应的优化隶属度大于预先设置的参考隶属度且小于1时,根据所述超声波影像中的像素点对应的像素值中最小的像素值、所述超声波影像中的像素点对应的像素值中最大的像素值、目标像素点对应的优化隶属度、第一范围、第二范围和第三范围,确定目标像素点对应的显著值对应的公式为:
其中,是目标像素点对应的显著值,是所述超声波影像中的像素点对应
的像素值中最小的像素值,是所述超声波影像中的像素点对应的像素值中最大的像
素值,是第一范围的端点值中最大的端点值,是第二范围的端点值中最大的端点值,
是第三范围的端点值中最大的端点值,是目标像素点对应的优化隶属度;
当目标像素点对应的优化隶属度大于0,并且小于或等于参考隶属度时,根据所述超声波影像中的像素点对应的像素值中最小的像素值、所述超声波影像中的像素点对应的像素值中最大的像素值、目标像素点对应的优化隶属度、第一范围、第二范围和第三范围,确定目标像素点对应的显著值对应的公式为:
其中,是目标像素点对应的显著值,是所述超声波影像中的像素点对应
的像素值中最小的像素值,是所述超声波影像中的像素点对应的像素值中最大的像
素值,是第一范围的端点值中最大的端点值,是第二范围的端点值中最大的端点值,
是第三范围的端点值中最大的端点值,是目标像素点对应的优化隶属度。
进一步的,所述对所述显著效果图进行肿瘤区域提取,得到目标肿瘤区域,包括:
对所述显著效果图进行边缘检测,得到边缘图像;
将所述边缘图像输入到训练完成的肿瘤区域识别网络,通过肿瘤区域识别网络,得到目标肿瘤区域。
进一步的,所述肿瘤区域识别网络的训练过程,包括:
构建肿瘤区域识别网络;
获取样本肿瘤图像集合,其中,所述样本肿瘤图像集合中的样本肿瘤图像中的肿瘤区域已知;
确定所述样本肿瘤图像集合中的样本肿瘤图像对应的样本显著效果图;
对所述样本肿瘤图像集合中的每个样本肿瘤图像对应的样本显著效果图进行边缘检测,得到所述样本肿瘤图像对应的样本边缘图像;
利用所述样本肿瘤图像集合中的样本肿瘤图像对应的样本边缘图像,对肿瘤区域识别网络进行训练,得到训练完成的肿瘤区域识别网络。
进一步的,所述通过目标肿瘤治疗仪,对所述目标肿瘤区域进行模拟消融,包括:
根据预先获取的安全距离,生成所述目标肿瘤区域对应的待消融区域;
在所述目标肿瘤区域添加模拟探针组,并对所述模拟探针组施加电压;
对所述电压进行建模,得到拉普拉斯方程及其求解条件,并对所述拉普拉斯方程进行求解,得到所述电压的电势分布模型,且基于场强电势关系处理所述电势分布模型,得到电场强度分布模型;
基于等值线绘制算法处理所述电场强度分布模型,得到初始消融区域;
移动所述模拟探针组,直至所述初始消融区域与所述目标肿瘤区域的重合区域最大、并且所述初始消融区域与所述待消融区域的重合区域最大;
当所述初始消融区域落入到所述待消融区域内时,判断所述初始消融区域是否完全覆盖所述目标肿瘤区域;
当所述初始消融区域完全覆盖所述目标肿瘤区域时,确认模拟消融完成;
当所述初始消融区域未完全覆盖所述目标肿瘤区域时,以预设步进值增加或减小所述电压,直至所述初始消融区域覆盖目标肿瘤区域,且落入到所述待消融区域内。
第二方面,本发明提供了一种肿瘤治疗仪的模拟消融系统,包括处理器和存储器,上述处理器用于处理存储在上述存储器中的指令以实现上述的一种肿瘤治疗仪的模拟消融方法。
本发明具有如下有益效果:
本发明的一种肿瘤治疗仪的模拟消融方法,通过目标肿瘤治疗仪,对提取的目标肿瘤区域进行模拟消融,解决了通过肿瘤治疗仪进行模拟消融的准确度低下的技术问题,提高了通过肿瘤治疗仪进行模拟消融的准确度。首先,获取待消融肿瘤的超声波影像。实际情况中,超声是肿瘤检查中常用的手段。获取待消融肿瘤的超声波影像,可以便于后续通过对拍摄有待消融肿瘤的超声波影像进行分析,确定待消融肿瘤在超声波影像中对应的区域。接着,对上述超声波影像中的目标像素点进行自适应划分,得到目标像素点类别集合。实际情况中,超声波影像往往不仅包括待消融肿瘤所在的区域,还有待消融肿瘤所在的区域之外的区域。由于不同的区域的特点(如,灰度值)可能不同,因此,将超声波影像中的目标像素点初步划分为目标像素点类别集合,可以便于后续准确提取出超声波影像包括待消融肿瘤所在的区域。然后,确定上述目标像素点类别集合中的每个目标像素点类别中的目标像素点对应的初始隶属度。实际情况中,为了使超声波影像中的多个区域的边缘更清晰,往往需要对超声波影像中的目标像素点对应的像素值进行调整。因此,确定目标像素点对应的初始隶属度可以便于后续对超声波影像中的目标像素点对应的像素值进行调整。继续,对于上述目标像素点类别集合中的每个目标像素点类别中的目标像素点,根据预先设置的目标像素点对应的局部窗口区域和初始隶属度,确定目标像素点对应的优化隶属度。实际情况中,为了使超声波影像中的多个区域的边缘更清晰,目标像素点对应的像素值的调整程度,往往受目标像素点相邻的区域的影响。由于目标像素点对应的局部窗口区域可以是与该目标像素点相邻的区域,所以综合考虑目标像素点对应的局部窗口区域和初始隶属度,确定目标像素点对应的优化隶属度,可以提高目标像素点对应的优化隶属度确定的准确度,可以提高后续确定的目标像素点对应的像素值的调整程度的准确度,从而可以提高后续确定的目标像素点对应的调整像素值的准确度。其中,调整像素值可以是调整后的像素值。之后,根据上述目标像素点类别集合中的每个目标像素点类别中的目标像素点对应的优化隶属度,确定目标像素点对应的显著值,得到显著效果图。考虑目标像素点对应的优化隶属度,确定目标像素点对应的显著值,可以提高目标像素点对应的显著值确定的准确度。由于目标像素点对应的显著值可以表征调整后的像素值,显著效果图可以是对各个目标像素点对应的像素值调整后的超声波影像,所以,提高了显著效果图确定的准确度。从而,提高了超声波影像中的多个区域的边缘的清晰度。而后,对上述显著效果图进行肿瘤区域提取,得到目标肿瘤区域。当包括目标肿瘤区域的图像越清晰时,提取的目标肿瘤区域往往越准确。由于显著效果图往往比拍摄有肿瘤区域的目标图像更清晰。因此,相比于直接对目标图像进行肿瘤区域提取,对显著效果图进行肿瘤区域提取,得到的提取结果往往更精确。最后,通过目标肿瘤治疗仪,对上述目标肿瘤区域进行模拟消融。因此,本发明通过目标肿瘤治疗仪,对提取的目标肿瘤区域进行模拟消融,解决了通过肿瘤治疗仪进行模拟消融的准确度低下的技术问题,提高了通过肿瘤治疗仪进行模拟消融的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术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实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明的一种肿瘤治疗仪的模拟消融方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明提供了一种肿瘤治疗仪的模拟消融方法,该方法包括以下步骤:
获取待消融肿瘤的超声波影像;
对超声波影像中的目标像素点进行自适应划分,得到目标像素点类别集合;
确定目标像素点类别集合中的每个目标像素点类别中的目标像素点对应的初始隶属度;
对于目标像素点类别集合中的每个目标像素点类别中的目标像素点,根据预先设置的目标像素点对应的局部窗口区域和初始隶属度,确定目标像素点对应的优化隶属度;
根据目标像素点类别集合中的每个目标像素点类别中的目标像素点对应的优化隶属度,确定目标像素点对应的显著值,得到显著效果图;
对显著效果图进行肿瘤区域提取,得到目标肿瘤区域;
通过目标肿瘤治疗仪,对目标肿瘤区域进行模拟消融。
下面对上述各个步骤进行详细展开:
参考图1,示出了根据本发明的一种肿瘤治疗仪的模拟消融方法的一些实施例的流程。该肿瘤治疗仪的模拟消融方法,包括以下步骤:
步骤S1,获取待消融肿瘤的超声波影像。
在一些实施例中,可以获取待消融肿瘤的超声波影像。
其中,待消融肿瘤可以是需要被消融的肿瘤。
作为示例,可以通过超声波仪器,获取待消融肿瘤的超声波影像。
步骤S2,对超声波影像中的目标像素点进行自适应划分,得到目标像素点类别集合。
在一些实施例中,可以对上述超声波影像中的目标像素点进行自适应划分,得到目标像素点类别集合。
其中,上述目标像素点类别集合中的目标像素点类别的数量可以为4。目标像素点类别集合中的目标像素点可以是超声波影像中的像素点。
作为示例,本步骤可以包括以下步骤:
第一步,对上述超声波影像进行灰度化,得到灰度化影像。
第二步,当上述灰度化影像中的目标像素点对应的灰度值属于预先设置的第一范围时,将目标像素点划分到目标像素点类别集合中的第一个目标像素点类别。
例如,第一范围可以是[0,64]。
第三步,当上述灰度化影像中的目标像素点对应的灰度值属于预先设置的第二范围时,将目标像素点划分到目标像素点类别集合中的第二个目标像素点类别。
例如,第二范围可以是(64,128]。
第四步,当上述灰度化影像中的目标像素点对应的灰度值属于预先设置的第三范围时,将目标像素点划分到目标像素点类别集合中的第三个目标像素点类别。
例如,第三范围可以是(128,192]。
第五步,当上述灰度化影像中的目标像素点对应的灰度值属于预先设置的第四范围时,将目标像素点划分到目标像素点类别集合中的第四个目标像素点类别。
例如,第四范围可以是(192,255]。
步骤S3,确定目标像素点类别集合中的每个目标像素点类别中的目标像素点对应的初始隶属度。
在一些实施例中,可以确定上述目标像素点类别集合中的每个目标像素点类别中的目标像素点对应的初始隶属度。
作为示例,本步骤可以包括以下步骤:
第一步,将上述目标像素点类别集合中的第一个目标像素点类别中的各个目标像素点对应的初始隶属度,确定为0。
第二步,对于上述目标像素点类别集合中的第二个目标像素点类别或第三个目标像素点类别中的目标像素点,根据目标像素点对应的灰度值、第一范围、第二范围、第三范围和第四范围,确定目标像素点对应的初始隶属度。
例如,本步骤可以包括以下子步骤:
第一子步骤,对于上述目标像素点类别集合中的第二个目标像素点类别中的目标像素点,根据目标像素点对应的灰度值、第一范围、第二范围、第三范围和第四范围,确定目标像素点对应的初始隶属度对应的公式可以为:
实际情况中,由于可以表征第二范围的大小。可以表征第二范围与第
三范围总体的大小。所以可以使目标像素点类别集合中的第二个目标像素点类
别中的目标像素点对应的灰度值越大时,目标像素点对应的初始隶属度u越大,并且使目标
像素点类别集合中的第二个目标像素点类别中的目标像素点对应的初始隶属度u的取值范
围可以为[0,0.5],可以使目标像素点类别集合中的第二个目标像素点类别中的目标像素
点对应的初始隶属度可以不同。相比于直接将目标像素点类别集合中的第二个目标像素点
类别中的目标像素点对应的初始隶属度,设置为一个固定的值,本子步骤可以便于后续对
目标像素点类别集合中的第二个目标像素点类别中的目标像素点对应的像素值进行调整
时,更有层次性,避免导致一些边缘信息遗漏。
第二子步骤,对于上述目标像素点类别集合中的第三个目标像素点类别中的目标像素点,根据目标像素点对应的灰度值、第一范围、第二范围、第三范围和第四范围,确定目标像素点对应的初始隶属度对应的公式可以为:
实际情况中,由于可以表征第二范围与第三范围总体的大小。可以表
征第三范围的大小。所以可以使目标像素点类别集合中的第三个目标像素
点类别中的目标像素点对应的灰度值越大时,目标像素点对应的初始隶属度u越小,并且使
目标像素点类别集合中的第二个目标像素点类别中的目标像素点对应的初始隶属度u的取
值范围可以为[0,0.5],可以使目标像素点类别集合中的第三个目标像素点类别中的目标
像素点对应的初始隶属度可以不同。相比于直接将目标像素点类别集合中的第三个目标像
素点类别中的目标像素点对应的初始隶属度,设置为一个固定的值,本子步骤可以便于后
续对目标像素点类别集合中的第三个目标像素点类别中的目标像素点对应的像素值进行
调整时,更有层次性,避免导致一些边缘信息遗漏。
第三步,将上述目标像素点类别集合中的第四个目标像素点类别中的各个目标像素点对应的初始隶属度,确定为1。
步骤S4,对于目标像素点类别集合中的每个目标像素点类别中的目标像素点,根据预先设置的目标像素点对应的局部窗口区域和初始隶属度,确定目标像素点对应的优化隶属度。
在一些实施例中,对于上述目标像素点类别集合中的每个目标像素点类别中的目标像素点,可以根据预先设置的目标像素点对应的局部窗口区域和初始隶属度,确定目标像素点对应的优化隶属度。
其中,目标像素点对应的局部窗口区域可以是该目标像素点的邻域。如,目标像素点对应的局部窗口区域可以是该目标像素点的5×5邻域。
作为示例,本步骤可以包括以下步骤:
第一步,对目标像素点对应的局部窗口区域进行边缘检测,得到目标像素点对应的局部窗口区域内的像素点对应的边缘检测值。
其中,边缘检测值可以为0或1。当局部窗口区域内的像素点是边缘像素点时,像素点对应的边缘检测值可以为1。当局部窗口区域内的像素点不是边缘像素点时,像素点对应的边缘检测值可以为0。
第二步,确定目标像素点对应的局部窗口区域内的像素点对应的初始隶属度。
本步骤的具体实现方式可以参考步骤S3,可以将目标像素点对应的局部窗口区域内的像素点,作为目标像素点,执行步骤S3,即可得到目标像素点对应的局部窗口区域内的像素点对应的初始隶属度。
第三步,根据目标像素点对应的局部窗口区域内的像素点的数量、目标像素点对应的局部窗口区域内的像素点对应的边缘检测值和初始隶属度,确定目标像素点对应的局部窗口隶属度均值。
例如,确定目标像素点对应的局部窗口隶属度均值对应的公式可以为:
其中,是目标像素点对应的局部窗口隶属度均值。是预先设置的大于0的数。M
是目标像素点对应的局部窗口区域内的像素点的数量。是目标像素点对应的局部窗口区
域内的第m个像素点对应的边缘检测值。是目标像素点对应的局部窗口区域内的第m个
像素点对应的初始隶属度。
主要是为了防止分母为0。实际情况中,应该尽可能小。由于可以是0或1。
所以当为1或越大时,目标像素点对应的局部窗口隶属度均值往往越大。并且可以使的取值范围为[0,1],可以便于后续处理。目标像素点对
应的局部窗口隶属度均值可以表征目标像素点对应的局部窗口区域内的像素点对应的边
缘平均隶属度。
又如,确定目标像素点对应的局部窗口隶属度均值对应的公式可以为:
其中,是目标像素点对应的局部窗口隶属度均值。M是目标像素点对应的局部窗
口区域内的像素点的数量。是目标像素点对应的局部窗口区域内的第m个像素点对应的
边缘检测值。是目标像素点对应的局部窗口区域内的第m个像素点对应的初始隶属度。
由于可以是0或1。所以当为1或越大时,目标像素点对应的局部窗口隶属
度均值往往越大。并且可以使的取值范围为[0,1],可以便于后续处理。目标
像素点对应的局部窗口隶属度均值可以表征目标像素点对应的局部窗口区域内的像素点
对应的边缘平均隶属度。
第四步,根据目标像素点对应的局部窗口隶属度均值和初始隶属度,确定目标像素点对应的局部灰度变化指标。
例如,确定目标像素点对应的局部灰度变化指标对应的公式可以为:
实际情况中,由于的取值范围为[0,1],初始隶属度u的取值范围为[0,1],所以当越大时,目标像素点对应的局部灰度变化指标G往往越大。目标像素点对应的初始隶
属度u与局部窗口隶属度均值之间的差异往往越大。可以使目标像素点对应的局部灰
度变化指标G的取值范围为[0,1],可以便于后续处理。
第五步,根据目标像素点对应的局部窗口区域内的像素点对应的初始隶属度和边缘检测值,确定目标像素点对应的局部分布熵指标。
例如,确定目标像素点对应的局部分布熵指标对应的公式可以为:
其中,Dis是目标像素点对应的局部分布熵指标。M是目标像素点对应的局部窗口
区域内的像素点的数量。是目标像素点对应的局部窗口区域内的第m个像素点对应的边
缘检测值和初始隶属度乘积的平均水平。是目标像素点对应的局部窗口区域内的第m个
像素点对应的边缘检测值。是目标像素点对应的局部窗口区域内的第m个像素点对应的
初始隶属度。是预先设置的大于0的数。是以自然常数为底数的对数。
实际情况中,由于,并且
,综合考虑了目标像素点对应的局部窗口区域内的像素点对应的灰度水平,所以,目标像素
点对应的局部分布熵指标Dis可以表征该目标像素点对应的局部窗口区域内的像素点灰度
分布状况。目标像素点对应的局部分布熵指标Dis越大时,该目标像素点对应的局部窗口区
域内的像素点对应的灰度值变化往往越平缓。目标像素点对应的局部分布熵指标Dis越小
时,该目标像素点对应的局部窗口区域内的像素点对应的灰度值变化往往越剧烈。
第六步,根据目标像素点对应的局部分布熵指标,确定目标像素点对应的显著因子。
例如,确定目标像素点对应的显著因子对应的公式可以为:
其中,是目标像素点对应的显著因子。Dis是目标像素点对应的局部分布熵指标。是超声波影像中的各个目标像素点对应的局部分布熵指标中最小的局部分布熵指
标。是超声波影像中的各个目标像素点对应的局部分布熵指标中最大的局部分布熵
指标。
实际情况中,当目标像素点对应的局部分布熵指标Dis越小时,该目标像素点对应
的局部窗口区域内的灰度变化往往越剧烈,则该目标像素点需要更高的显著处理程度,即
该目标像素点对应的显著性往往应该更高,应设置较小的显著因子。当目标像素点对应的
局部分布熵指标Dis越大时,该目标像素点对应的局部窗口区域内的灰度变化往往较为均
匀平缓,几乎不存在梯度差异及边缘细节信息,所以应对该目标像素点设置较大的显著因
子。并且可以使显著因子的取值范围为[0,1],可以便于后续处理。对于显著
因子,若通过人为主观定义其数值,往往会忽略很多潜在关联,且人为设置的显著因子往
往多为固定的数据,往往没有考虑邻域特征,往往是不合理的,难以准确对像素点的显著处
理效果进行把控,因此,本发明将基于目标像素点对应的局部窗口区域内的像素点分布状
况,对显著因子进行自适应设置。对局部窗口区域内灰度分布较为杂乱的像素点进行增强
处理,以提高该像素点的显著性。对对局部窗口区域内灰度变化较为平缓的像素点进行较
低程度的显著处理,可以实现对目标像素点的针对性显著处理。
第七步,根据目标像素点对应的显著因子、局部灰度变化指标和局部窗口隶属度均值,确定目标像素点对应的优化隶属度。
例如,确定目标像素点对应的优化隶属度对应的公式可以为:
实际情况中,由于显著因子的取值范围为[0,1],所以目标像素点对应的局部灰
度变化指标G越小时,往往越小。当目标像素点对应的初始隶属度u小于或等于目标像素
点对应的局部窗口隶属度均值时,目标像素点对应的局部窗口隶属度均值越大或越
小,目标像素点对应的优化隶属度越大。当目标像素点对应的初始隶属度u大于目标像素
点对应的局部窗口隶属度均值时,目标像素点对应的局部窗口隶属度均值越大或越
大,目标像素点对应的优化隶属度越大。
步骤S5,根据目标像素点类别集合中的每个目标像素点类别中的目标像素点对应的优化隶属度,确定目标像素点对应的显著值,得到显著效果图。
在一些实施例中,可以根据上述目标像素点类别集合中的每个目标像素点类别中的目标像素点对应的优化隶属度,确定目标像素点对应的显著值,得到显著效果图。
作为示例,本步骤可以包括以下步骤:
第一步,当目标像素点对应的优化隶属度为0时,将上述超声波影像中的像素点对应的像素值中最小的像素值,确定为目标像素点对应的显著值。
第二步,当目标像素点对应的优化隶属度大于0且小于1时,根据上述超声波影像中的像素点对应的像素值中最小的像素值、上述超声波影像中的像素点对应的像素值中最大的像素值、目标像素点对应的优化隶属度、第一范围、第二范围和第三范围,确定目标像素点对应的显著值。
例如,本步骤可以包括以下子步骤:
第一子步骤,当目标像素点对应的优化隶属度大于预先设置的参考隶属度且小于1时,根据上述超声波影像中的像素点对应的像素值中最小的像素值、上述超声波影像中的像素点对应的像素值中最大的像素值、目标像素点对应的优化隶属度、第一范围、第二范围和第三范围,确定目标像素点对应的显著值对应的公式可以为:
其中,是目标像素点对应的显著值。是上述超声波影像中的像素点对应
的像素值中最小的像素值。是上述超声波影像中的像素点对应的像素值中最大的像
素值。是第一范围的端点值中最大的端点值。是第二范围的端点值中最大的端点值。
是第三范围的端点值中最大的端点值。是目标像素点对应的优化隶属度。参考隶属度可
以为。
实际情况中,由于可以表征第二范围与第三范围总体的大小。可以表
征第三范围的大小。所以当目标像素点对应的优化隶属度大于参考隶属度且小于1时,可以使目标像素点对应的显著
值进行精确确定,本子步骤可以对目标像素点对应的像素值进行调整时,更有层次性,避免
导致一些边缘信息遗漏。
第二子步骤,当目标像素点对应的优化隶属度大于0,并且小于或等于参考隶属度时,根据上述超声波影像中的像素点对应的像素值中最小的像素值、上述超声波影像中的像素点对应的像素值中最大的像素值、目标像素点对应的优化隶属度、第一范围、第二范围和第三范围,确定目标像素点对应的显著值对应的公式可以为:
其中,是目标像素点对应的显著值。是上述超声波影像中的像素点对应
的像素值中最小的像素值。是上述超声波影像中的像素点对应的像素值中最大的像
素值。是第一范围的端点值中最大的端点值。是第二范围的端点值中最大的端点值。
是第三范围的端点值中最大的端点值。是目标像素点对应的优化隶属度。
实际情况中,由于可以表征第二范围与第三范围总体的大小。可以表
征第二范围的大小。所以当目标像素点对应的优化隶属度大于0,并且小于或等于参考隶属
度时,可以使目标像素点对应的显著值进行
精确确定,本子步骤可以对目标像素点对应的像素值进行调整时,更有层次性,避免导致一
些边缘信息遗漏。
第三步,当目标像素点对应的优化隶属度为1时,将上述超声波影像中的像素点对应的像素值中最大的像素值,确定为目标像素点对应的显著值。
步骤S6,对显著效果图进行肿瘤区域提取,得到目标肿瘤区域。
在一些实施例中,可以对上述显著效果图进行肿瘤区域提取,得到目标肿瘤区域。
其中,目标肿瘤区域可以是显著效果图上拍摄的待消融肿瘤所在的区域。
作为示例,本步骤可以包括以下步骤:
第一步,对上述显著效果图进行边缘检测,得到边缘图像。
其中,边缘图像可以是对显著效果图进行边缘检测后的图像。
第二步,将上述边缘图像输入到训练完成的肿瘤区域识别网络,通过肿瘤区域识别网络,得到目标肿瘤区域。
其中,肿瘤区域识别网络可以用于识别肿瘤区域。肿瘤区域识别网络可以是分类网络。
可选地,上述肿瘤区域识别网络的训练过程,可以包括以下步骤:
第一步,构建肿瘤区域识别网络。
本步骤可以通过现有技术实现,在此不再赘述。
第二步,获取样本肿瘤图像集合。
其中,上述样本肿瘤图像集合中的样本肿瘤图像中的肿瘤区域可以已知。
第三步,确定上述样本肿瘤图像集合中的样本肿瘤图像对应的样本显著效果图。
本步骤的具体实现方式可以参考步骤S2至步骤S5,可以将样本肿瘤图像,作为超声波影像,执行步骤S2至步骤S5,得到的显著效果图,即为样本显著效果图。
第四步,对上述样本肿瘤图像集合中的每个样本肿瘤图像对应的样本显著效果图进行边缘检测,得到上述样本肿瘤图像对应的样本边缘图像。
第五步,利用上述样本肿瘤图像集合中的样本肿瘤图像对应的样本边缘图像,对肿瘤区域识别网络进行训练,得到训练完成的肿瘤区域识别网络。
例如,可以将样本肿瘤图像集合中的各个样本肿瘤图像对应的样本边缘图像,作为肿瘤区域识别网络的训练集。可以将样本边缘图像中的肿瘤区域内的像素点对应的像素值,更新为1,将样本边缘图像中除了肿瘤区域之外的区域内的像素点对应的像素值,更新为0,并将更新后的样本边缘图像,作为样本边缘图像对应的训练标签,其中,更新后的样本边缘图像可以表征更新前的样本边缘图像中的肿瘤区域。可以将交叉熵损失函数,作为肿瘤区域识别网络的损失函数。
可选地,可以通过人工观察样本边缘图像,确定样本边缘图像中的肿瘤区域。
步骤S7,通过目标肿瘤治疗仪,对目标肿瘤区域进行模拟消融。
在一些实施例中,可以通过目标肿瘤治疗仪,对上述目标肿瘤区域进行模拟消融。
其中,目标肿瘤治疗仪可以是用于对待消融肿瘤进行模拟消融的肿瘤治疗仪。
本步骤可以通过现有技术实现。
可选地,本步骤可以包括以下步骤:
第一步,根据预先获取的安全距离,生成上述目标肿瘤区域对应的待消融区域。
其中,安全距离可以是根据实际情况预先设置的。一般情况下,安全距离小于1厘米。如,安全距离可以是0.5厘米。
例如,当安全距离是0.5厘米时,可以将目标肿瘤区域等比例向周围扩大0.5厘米,得到待消融区域。
第二步,在上述目标肿瘤区域添加模拟探针组,并对上述模拟探针组施加电压。
第三步,对上述电压进行建模,得到拉普拉斯方程及其求解条件,并对上述拉普拉斯方程进行求解,得到上述电压的电势分布模型,且基于场强电势关系处理上述电势分布模型,得到电场强度分布模型。
第四步,基于等值线绘制算法处理上述电场强度分布模型,得到初始消融区域。
例如,基于等值线绘制算法处理上述电场强度分布模型,得到的电场强度分布模型的等值线图,可以作为初始消融区域。其中,初始消融区域的面积可以与待消融区域的面积相等。
第五步,移动上述模拟探针组,直至上述初始消融区域与上述目标肿瘤区域的重合区域最大、并且上述初始消融区域与上述待消融区域的重合区域最大。
第六步,当上述初始消融区域落入到上述待消融区域内时,判断上述初始消融区域是否完全覆盖上述目标肿瘤区域。
例如,首先,可以将目标交集和目标并集的比值,确定为待消融区域与初始消融区域之间的重叠关系指标。其中,目标交集可以是待消融区域与初始消融区域之间的交集。目标并集可以是待消融区域与初始消融区域之间的并集。当重叠关系指标等于目标比值时,则判定初始消融区域落入到待消融区域内。其中,目标比值可以是初始消融区域的面积与待消融区域的面积的比值。
第七步,当上述初始消融区域完全覆盖上述目标肿瘤区域时,确认模拟消融完成。
第八步,当上述初始消融区域未完全覆盖上述目标肿瘤区域时,以预设步进值增加或减小上述电压,直至上述初始消融区域覆盖目标肿瘤区域,且落入到上述待消融区域内。
基于与上述方法实施例相同的发明构思,本实施例提供了一种肿瘤治疗仪的模拟消融系统,该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,上述计算机程序被处理器执行时实现一种肿瘤治疗仪的模拟消融方法的步骤。
本发明的一种肿瘤治疗仪的模拟消融方法,通过目标肿瘤治疗仪,对提取的目标肿瘤区域进行模拟消融,解决了通过肿瘤治疗仪进行模拟消融的准确度低下的技术问题,提高了通过肿瘤治疗仪进行模拟消融的准确度。首先,获取待消融肿瘤的超声波影像。实际情况中,超声是肿瘤检查中常用的手段。获取待消融肿瘤的超声波影像,可以便于后续通过对拍摄有待消融肿瘤的超声波影像进行分析,确定待消融肿瘤在超声波影像中对应的区域。接着,对上述超声波影像中的目标像素点进行自适应划分,得到目标像素点类别集合。实际情况中,超声波影像往往不仅包括待消融肿瘤所在的区域,还有待消融肿瘤所在的区域之外的区域。由于不同的区域的特点(如,灰度值)可能不同,因此,将超声波影像中的目标像素点初步划分为目标像素点类别集合,可以便于后续准确提取出超声波影像包括待消融肿瘤所在的区域。然后,确定上述目标像素点类别集合中的每个目标像素点类别中的目标像素点对应的初始隶属度。实际情况中,为了使超声波影像中的多个区域的边缘更清晰,往往需要对超声波影像中的目标像素点对应的像素值进行调整。因此,确定目标像素点对应的初始隶属度可以便于后续对超声波影像中的目标像素点对应的像素值进行调整。继续,对于上述目标像素点类别集合中的每个目标像素点类别中的目标像素点,根据预先设置的目标像素点对应的局部窗口区域和初始隶属度,确定目标像素点对应的优化隶属度。实际情况中,为了使超声波影像中的多个区域的边缘更清晰,目标像素点对应的像素值的调整程度,往往受目标像素点相邻的区域的影响。由于目标像素点对应的局部窗口区域可以是与该目标像素点相邻的区域,所以综合考虑目标像素点对应的局部窗口区域和初始隶属度,确定目标像素点对应的优化隶属度,可以提高目标像素点对应的优化隶属度确定的准确度,可以提高后续确定的目标像素点对应的像素值的调整程度的准确度,从而可以提高后续确定的目标像素点对应的调整像素值的准确度。其中,调整像素值可以是调整后的像素值。之后,根据上述目标像素点类别集合中的每个目标像素点类别中的目标像素点对应的优化隶属度,确定目标像素点对应的显著值,得到显著效果图。考虑目标像素点对应的优化隶属度,确定目标像素点对应的显著值,可以提高目标像素点对应的显著值确定的准确度。由于目标像素点对应的显著值可以表征调整后的像素值,显著效果图可以是对各个目标像素点对应的像素值调整后的超声波影像,所以,提高了显著效果图确定的准确度。从而,提高了超声波影像中的多个区域的边缘的清晰度。而后,对上述显著效果图进行肿瘤区域提取,得到目标肿瘤区域。当包括目标肿瘤区域的图像越清晰时,提取的目标肿瘤区域往往越准确。由于显著效果图往往比拍摄有肿瘤区域的目标图像更清晰。因此,相比于直接对目标图像进行肿瘤区域提取,对显著效果图进行肿瘤区域提取,得到的提取结果往往更精确。最后,通过目标肿瘤治疗仪,对上述目标肿瘤区域进行模拟消融。因此,本发明通过目标肿瘤治疗仪,对提取的目标肿瘤区域进行模拟消融,解决了通过肿瘤治疗仪进行模拟消融的准确度低下的技术问题,提高了通过肿瘤治疗仪进行模拟消融的准确度。
以上上述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (7)
1.一种肿瘤治疗仪的模拟消融方法,其特征在于,包括以下步骤:
获取待消融肿瘤的超声波影像;
对所述超声波影像中的目标像素点进行自适应划分,得到目标像素点类别集合,其中,所述目标像素点类别集合中的目标像素点类别的数量为4;
确定所述目标像素点类别集合中的每个目标像素点类别中的目标像素点对应的初始隶属度;
对于所述目标像素点类别集合中的每个目标像素点类别中的目标像素点,根据预先设置的目标像素点对应的局部窗口区域和初始隶属度,确定目标像素点对应的优化隶属度;
根据所述目标像素点类别集合中的每个目标像素点类别中的目标像素点对应的优化隶属度,确定目标像素点对应的显著值,得到显著效果图;
对所述显著效果图进行肿瘤区域提取,得到目标肿瘤区域;
通过目标肿瘤治疗仪,对所述目标肿瘤区域进行模拟消融;
所述对所述超声波影像中的目标像素点进行自适应划分,得到目标像素点类别集合,包括:
对所述超声波影像进行灰度化,得到灰度化影像;
当所述灰度化影像中的目标像素点对应的灰度值属于预先设置的第一范围时,将目标像素点划分到目标像素点类别集合中的第一个目标像素点类别;
当所述灰度化影像中的目标像素点对应的灰度值属于预先设置的第二范围时,将目标像素点划分到目标像素点类别集合中的第二个目标像素点类别;
当所述灰度化影像中的目标像素点对应的灰度值属于预先设置的第三范围时,将目标像素点划分到目标像素点类别集合中的第三个目标像素点类别;
当所述灰度化影像中的目标像素点对应的灰度值属于预先设置的第四范围时,将目标像素点划分到目标像素点类别集合中的第四个目标像素点类别;
所述根据预先设置的目标像素点对应的局部窗口区域和初始隶属度,确定目标像素点对应的优化隶属度,包括:
对目标像素点对应的局部窗口区域进行边缘检测,得到目标像素点对应的局部窗口区域内的像素点对应的边缘检测值;
确定目标像素点对应的局部窗口区域内的像素点对应的初始隶属度;
根据目标像素点对应的局部窗口区域内的像素点的数量、目标像素点对应的局部窗口区域内的像素点对应的边缘检测值和初始隶属度,确定目标像素点对应的局部窗口隶属度均值;
根据目标像素点对应的局部窗口隶属度均值和初始隶属度,确定目标像素点对应的局部灰度变化指标;
根据目标像素点对应的局部窗口区域内的像素点对应的初始隶属度和边缘检测值,确定目标像素点对应的局部分布熵指标;
根据目标像素点对应的局部分布熵指标,确定目标像素点对应的显著因子;
根据目标像素点对应的显著因子、局部灰度变化指标和局部窗口隶属度均值,确定目标像素点对应的优化隶属度;
所述确定目标像素点对应的显著值,包括:
当目标像素点对应的优化隶属度为0时,将所述超声波影像中的像素点对应的像素值中最小的像素值,确定为目标像素点对应的显著值;
当目标像素点对应的优化隶属度大于0且小于1时,根据所述超声波影像中的像素点对应的像素值中最小的像素值、所述超声波影像中的像素点对应的像素值中最大的像素值、目标像素点对应的优化隶属度、第一范围、第二范围和第三范围,确定目标像素点对应的显著值;
当目标像素点对应的优化隶属度为1时,将所述超声波影像中的像素点对应的像素值中最大的像素值,确定为目标像素点对应的显著值。
2.根据权利要求1所述的一种肿瘤治疗仪的模拟消融方法,其特征在于,所述确定所述目标像素点类别集合中的每个目标像素点类别中的目标像素点对应的初始隶属度,包括:
将所述目标像素点类别集合中的第一个目标像素点类别中的各个目标像素点对应的初始隶属度,确定为0;
对于所述目标像素点类别集合中的第二个目标像素点类别或第三个目标像素点类别中的目标像素点,根据目标像素点对应的灰度值、第一范围、第二范围、第三范围和第四范围,确定目标像素点对应的初始隶属度;
将所述目标像素点类别集合中的第四个目标像素点类别中的各个目标像素点对应的初始隶属度,确定为1。
3.根据权利要求1所述的一种肿瘤治疗仪的模拟消融方法,其特征在于,所述当目标像素点对应的优化隶属度大于0且小于1时,根据所述超声波影像中的像素点对应的像素值中最小的像素值、所述超声波影像中的像素点对应的像素值中最大的像素值、目标像素点对应的优化隶属度、第一范围、第二范围和第三范围,确定目标像素点对应的显著值,包括:
当目标像素点对应的优化隶属度大于预先设置的参考隶属度且小于1时,根据所述超声波影像中的像素点对应的像素值中最小的像素值、所述超声波影像中的像素点对应的像素值中最大的像素值、目标像素点对应的优化隶属度、第一范围、第二范围和第三范围,确定目标像素点对应的显著值对应的公式为:
其中,是目标像素点对应的显著值,是所述超声波影像中的像素点对应的像素值中最小的像素值,是所述超声波影像中的像素点对应的像素值中最大的像素值,是第一范围的端点值中最大的端点值,是第二范围的端点值中最大的端点值,是第三范围的端点值中最大的端点值,是目标像素点对应的优化隶属度;
当目标像素点对应的优化隶属度大于0,并且小于或等于参考隶属度时,根据所述超声波影像中的像素点对应的像素值中最小的像素值、所述超声波影像中的像素点对应的像素值中最大的像素值、目标像素点对应的优化隶属度、第一范围、第二范围和第三范围,确定目标像素点对应的显著值对应的公式为:
4.根据权利要求1所述的一种肿瘤治疗仪的模拟消融方法,其特征在于,所述对所述显著效果图进行肿瘤区域提取,得到目标肿瘤区域,包括:
对所述显著效果图进行边缘检测,得到边缘图像;
将所述边缘图像输入到训练完成的肿瘤区域识别网络,通过肿瘤区域识别网络,得到目标肿瘤区域。
5.根据权利要求4所述的一种肿瘤治疗仪的模拟消融方法,其特征在于,所述肿瘤区域识别网络的训练过程,包括:
构建肿瘤区域识别网络;
获取样本肿瘤图像集合,其中,所述样本肿瘤图像集合中的样本肿瘤图像中的肿瘤区域已知;
确定所述样本肿瘤图像集合中的样本肿瘤图像对应的样本显著效果图;
对所述样本肿瘤图像集合中的每个样本肿瘤图像对应的样本显著效果图进行边缘检测,得到所述样本肿瘤图像对应的样本边缘图像;
利用所述样本肿瘤图像集合中的样本肿瘤图像对应的样本边缘图像,对肿瘤区域识别网络进行训练,得到训练完成的肿瘤区域识别网络。
6.根据权利要求1所述的一种肿瘤治疗仪的模拟消融方法,其特征在于,所述通过目标肿瘤治疗仪,对所述目标肿瘤区域进行模拟消融,包括:
根据预先获取的安全距离,生成所述目标肿瘤区域对应的待消融区域;
在所述目标肿瘤区域添加模拟探针组,并对所述模拟探针组施加电压;
对所述电压进行建模,得到拉普拉斯方程及其求解条件,并对所述拉普拉斯方程进行求解,得到所述电压的电势分布模型,且基于场强电势关系处理所述电势分布模型,得到电场强度分布模型;
基于等值线绘制算法处理所述电场强度分布模型,得到初始消融区域;
移动所述模拟探针组,直至所述初始消融区域与所述目标肿瘤区域的重合区域最大、并且所述初始消融区域与所述待消融区域的重合区域最大;
当所述初始消融区域落入到所述待消融区域内时,判断所述初始消融区域是否完全覆盖所述目标肿瘤区域;
当所述初始消融区域完全覆盖所述目标肿瘤区域时,确认模拟消融完成;
当所述初始消融区域未完全覆盖所述目标肿瘤区域时,以预设步进值增加或减小所述电压,直至所述初始消融区域覆盖目标肿瘤区域,且落入到所述待消融区域内。
7.一种肿瘤治疗仪的模拟消融系统,其特征在于,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令以实现所述权利要求1-6中任一项所述的一种肿瘤治疗仪的模拟消融方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211453560.3A CN115568944B (zh) | 2022-11-21 | 2022-11-21 | 一种肿瘤治疗仪的模拟消融方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211453560.3A CN115568944B (zh) | 2022-11-21 | 2022-11-21 | 一种肿瘤治疗仪的模拟消融方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115568944A CN115568944A (zh) | 2023-01-06 |
CN115568944B true CN115568944B (zh) | 2023-02-24 |
Family
ID=84588540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211453560.3A Active CN115568944B (zh) | 2022-11-21 | 2022-11-21 | 一种肿瘤治疗仪的模拟消融方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115568944B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542115B (zh) * | 2023-07-06 | 2023-10-20 | 湖南安泰康成生物科技有限公司 | 生物体目标区域电场强度模的确定方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105997245A (zh) * | 2016-01-28 | 2016-10-12 | 杭州奥视图像技术有限公司 | 一种利用椭球覆盖肿瘤精确模拟射频消融技术的方法 |
CN106780515A (zh) * | 2017-01-04 | 2017-05-31 | 南京审计大学 | 一种脑部核磁共振图像中脑胶质瘤区域提取方法 |
CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技(昆山)有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
US10115197B1 (en) * | 2017-06-06 | 2018-10-30 | Imam Abdulrahman Bin Faisal University | Apparatus and method for lesions segmentation |
CN111374761A (zh) * | 2019-08-06 | 2020-07-07 | 深圳钮迈科技有限公司 | 肿瘤治疗仪的模拟消融系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8908948B2 (en) * | 2011-12-21 | 2014-12-09 | Institute Of Automation, Chinese Academy Of Sciences | Method for brain tumor segmentation in multi-parametric image based on statistical information and multi-scale structure information |
-
2022
- 2022-11-21 CN CN202211453560.3A patent/CN115568944B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105997245A (zh) * | 2016-01-28 | 2016-10-12 | 杭州奥视图像技术有限公司 | 一种利用椭球覆盖肿瘤精确模拟射频消融技术的方法 |
CN106780515A (zh) * | 2017-01-04 | 2017-05-31 | 南京审计大学 | 一种脑部核磁共振图像中脑胶质瘤区域提取方法 |
US10115197B1 (en) * | 2017-06-06 | 2018-10-30 | Imam Abdulrahman Bin Faisal University | Apparatus and method for lesions segmentation |
CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技(昆山)有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
CN111374761A (zh) * | 2019-08-06 | 2020-07-07 | 深圳钮迈科技有限公司 | 肿瘤治疗仪的模拟消融系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115568944A (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723860B (zh) | 一种目标检测方法及装置 | |
CN108154192B (zh) | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 | |
CN112270660B (zh) | 基于深度神经网络的鼻咽癌放疗靶区自动分割方法 | |
CN107016681B (zh) | 基于全卷积网络的脑部mri肿瘤分割方法 | |
CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
CN112102237A (zh) | 基于半监督学习的脑部肿瘤识别模型的训练方法及装置 | |
US10229493B2 (en) | Joint segmentation and characteristics estimation in medical images | |
CN113313234A (zh) | 用于图像分割的神经网络系统和方法 | |
CN111462042B (zh) | 癌症预后分析方法及系统 | |
CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
CN110599505A (zh) | 一种器官图像分割方法、装置、电子设备和存储介质 | |
Ayed et al. | Unsupervised variational image segmentation/classification using a Weibull observation model | |
CN111080592B (zh) | 一种基于深度学习的肋骨提取方法及装置 | |
CN112233777A (zh) | 基于深度学习的胆结石自动识别及分割系统、计算机设备、存储介质 | |
CN115568944B (zh) | 一种肿瘤治疗仪的模拟消融方法及系统 | |
Badoual et al. | Multiresolution subdivision snakes | |
Popescu et al. | Retinal blood vessel segmentation using pix2pix gan | |
CN110880177A (zh) | 一种图像识别方法及装置 | |
Wang et al. | Segmenting retinal vessels with revised top-bottom-hat transformation and flattening of minimum circumscribed ellipse | |
Singh et al. | Deep attention network for pneumonia detection using chest X-ray images | |
Xu et al. | Retinal vessel segmentation via multiscaled deep-guidance | |
CN108447066B (zh) | 胆道图像分割方法、终端、存储介质 | |
Mehidi et al. | Comparative analysis of improved FCM algorithms for the segmentation of retinal blood vessels | |
CN115546185A (zh) | 血管图像的轮廓提取方法、装置、设备及存储介质 | |
CN113920137B (zh) | 淋巴结转移预测方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |