CN115810083A - 胰十二指肠动脉弓的ct影像处理方法及其应用 - Google Patents

胰十二指肠动脉弓的ct影像处理方法及其应用 Download PDF

Info

Publication number
CN115810083A
CN115810083A CN202211283525.1A CN202211283525A CN115810083A CN 115810083 A CN115810083 A CN 115810083A CN 202211283525 A CN202211283525 A CN 202211283525A CN 115810083 A CN115810083 A CN 115810083A
Authority
CN
China
Prior art keywords
image
dimensional reconstruction
pancreas
arch
images
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
Application number
CN202211283525.1A
Other languages
English (en)
Inventor
黄泽弟
冯春香
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.)
Shenzhen Baoan Central Hospital
Original Assignee
Shenzhen Baoan Central Hospital
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 Shenzhen Baoan Central Hospital filed Critical Shenzhen Baoan Central Hospital
Priority to CN202211283525.1A priority Critical patent/CN115810083A/zh
Publication of CN115810083A publication Critical patent/CN115810083A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了胰十二指肠动脉弓的CT影像处理方法及其应用，包括获取多层腹部CT薄层横断面图像；对多层腹部CT薄层横断面图像进行多层面三维重建，获得腹部的三维容积排列；从三维容积排列中分别获取腹部的三维重建水平面图像、三维重建冠状面图像和三维重建矢状面图像；对多幅三维重建水平面图像、三维重建冠状面图像和三维重建矢状面图像并进行小波变换图像增强算法处理；将获取的多幅三维重建水平面增强图像分割和叠加，获得胰十二指肠动脉弓CT水平面三维重建增强影像图片。本发明以CT影像技术作为基础，以胰十二指肠动脉弓的移位和血管有无包埋作为指标，充分地鉴别出PDDU肿瘤的来源；同时本方法可有效提高胰十二指肠的CT图像鉴别指标的精度。

Description

胰十二指肠动脉弓的CT影像处理方法及其应用
技术领域
本发明涉及肿瘤检测技术领域，具体涉及胰十二指肠动脉弓的CT影像处理方法及其应用。
背景技术
胰头-壶腹区也称胆胰管十二指肠连接区(Pancreaticobiliary Ducrsl andDuodenal Union，PDDU)，即胆管、胰管与十二指肠连接的区域，包括胆总管下端、胰管近端、十二指肠乳头区及其周围结构。胰头-壶腹区肿瘤多为恶性病变，主要包括胰头、胆总管和十二指肠壶腹部来源的肿瘤，其组织来源种类较多，以往由于诊断难以分清肿瘤起源而统称为壶腹周围癌。随着影像诊断学发展及临床应用，将肿瘤的起源在术前诊断清楚，对于手术方式选择与患者预后非常重要。
多平面重建(MPR)是CT影像的常用后处理方法之一，其从原始的薄层横轴位(横断面)图像经后处理获得人体组织器官任意的冠状、矢状、横断和斜面的二维图像的处理方法。然而，利用多平面重建获取的冠状、矢状和横断面图像均存在像素损失的问题，因此有必要对多平面重建获取的冠状、矢状和横断面进行再处理以获取目标部位更多的细节，从而获取更加精准的诊断结果。
发明内容
为了有效鉴别PDDU肿瘤的组织来源，本发明结合当前广泛应用的CT影像技术作为基础，以胰十二指肠动脉弓的移位和血管有无包埋作为指标，充分地鉴别出PDDU肿瘤的来源是胰头来源肿瘤、胆总管来源肿瘤或十二指肠壶腹部来源肿瘤；同时本发明还公开了胰十二指肠动脉弓的CT影像的处理方法，该方法可有效提高胰十二指肠的CT图像鉴别指标的精度。
为了达到上述技术效果，本发明通过以下技术方案实现的：
胰十二指肠动脉弓的CT影像处理方法，其特征在于，包括以下步骤：
S1、对腹部进行CT断层扫描，获取多层腹部CT薄层横断面图像；
S2、对多层腹部CT薄层横断面图像进行多层面三维重建，获得腹部的三维容积排列；
S3、从三维容积排列中分别获取腹部的三维重建水平面图像、三维重建冠状面图像和三维重建矢状面图像；
S4、重复步骤S3获取同一截面的多幅三维重建水平面图像、三维重建冠状面图像和三维重建矢状面图像，对获取的多幅三维重建水平面图像、三维重建冠状面图像和三维重建矢状面图像均进行小波变换图像增强算法处理，获取多幅三维重建水平面增强图像、三维重建冠状面增强图像和三维重建矢状面增强图像；
S5、将步骤S4获取的多幅三维重建水平面增强图像分割成若干区域并保留第一幅三维重建水平面增强图像作为背景图层，选取剩下若干幅三维重建水平面增强图像所对应的区域依次叠加至背景图层上，从而获得胰十二指肠动脉弓CT水平面三维重建增强影像图片；
S6、同步骤S5可获得胰十二指肠动脉弓CT冠状面三维重建增强影像图片和胰十二指肠动脉弓CT矢状面三维重建增强影像图片；
S7、观察胰十二指肠动脉弓CT水平面三维重建增强影像图片中胰十二指肠动脉弓的移位情况；
S8、观察胰十二指肠动脉弓CT矢状面三维重建增强影像图片中胰十二指肠血管包埋情况。
进一步的，所述小波变换图像增强算法的步骤如下：
(a)分别对多幅三维重建水平面图像、三维重建冠状面图像和三维重建矢状面图像信号进行N级小波分解；
(b)分别得到高频分量和低频分量；
(c)对高频分量进行阈值处理；
(d)用处理后的分量进行小波重构，分别得到三维重建水平面增强图像、三维重建冠状面增强图像和三维重建矢状面增强图像。
进一步的，所述的阈值选取软阈值，软阈值的取值如下：
Figure SMS_1
此外本发明还公开了胰十二指肠动脉弓的CT影像在胰头-壶腹区肿瘤来源鉴别中的应用，包括：
(1)胰十二指肠动脉弓向右移位且血管存在包埋时，胰头-壶腹区肿瘤来源于胰头肿瘤；
(2)胰十二指肠动脉弓向右移位且血管不存在包埋时，胰头-壶腹区肿瘤来源于胆总管肿瘤；
(3)胰十二指肠动脉弓向左右移位且血管不存在包埋时，胰头-壶腹区肿瘤来源于十二指肠肿瘤。
本发明的有益效果是：本发明结合当前广泛应用的CT影像技术作为基础，以胰十二指肠动脉弓的移位和血管有无包埋作为指标，充分地鉴别出PDDU肿瘤的来源是胰头来源肿瘤、胆总管来源肿瘤或十二指肠壶腹部来源肿瘤；同时本发明还公开了胰十二指肠动脉弓的CT影像的处理方法，通过对多平面重建方式获取的横断面、矢状面影像进行图像降噪可获取更加完整、清晰的后处理图像，该方法可有效提高胰十二指肠的CT图像鉴别指标的精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，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他的附图。
图1是胰头-壶腹区肿瘤来源于胰头肿瘤时胰十二指肠动脉弓CT横断面增强影像图片；
图2是胰头-壶腹区肿瘤来源于胰头肿瘤时胰十二指肠动脉弓CT矢状面增强影像图片；
图3是胰头-壶腹区肿瘤来源于胆总管肿瘤时胰十二指肠动脉弓CT横断面增强影像图片；
图4是胰头-壶腹区肿瘤来源于胆总管肿瘤时胰十二指肠动脉弓CT矢状面增强影像图片；
图5是胰头-壶腹区肿瘤来源于十二指肠壶腹部肿瘤时胰十二指肠动脉弓CT横断面增强影像图片；
图6是是胰头-壶腹区肿瘤来源于十二指肠壶腹部肿瘤时胰十二指肠动脉弓CT矢状面增强影像图片。
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它实施例，都属于本发明保护的范围。
胰十二指肠动脉弓的CT影像处理方法，其特征在于，包括以下步骤：
S1、对腹部进行CT断层扫描，获取多层腹部CT薄层横断面图像；
S2、对多层腹部CT薄层横断面图像进行多层面三维重建，获得腹部的三维容积排列；
S3、从三维容积排列中分别获取腹部的三维重建水平面图像、三维重建冠状面图像和三维重建矢状面图像；
S4、重复步骤S3获取同一截面的多幅三维重建水平面图像、三维重建冠状面图像和三维重建矢状面图像，对获取的多幅三维重建水平面图像、三维重建冠状面图像和三维重建矢状面图像均进行小波变换图像增强算法处理，获取多幅三维重建水平面增强图像、三维重建冠状面增强图像和三维重建矢状面增强图像；
S5、将步骤S4获取的多幅三维重建水平面增强图像分割成若干区域并保留第一幅三维重建水平面增强图像作为背景图层，选取剩下若干幅三维重建水平面增强图像所对应的区域依次叠加至背景图层上，从而获得胰十二指肠动脉弓CT水平面三维重建增强影像图片；
S6、同步骤S5可获得胰十二指肠动脉弓CT冠状面三维重建增强影像图片和胰十二指肠动脉弓CT矢状面三维重建增强影像图片；
S7、观察胰十二指肠动脉弓CT横断面增强影像图片中胰十二指肠动脉弓的移位情况；
S8、观察胰十二指肠动脉弓CT矢状面增强影像图片中胰十二指肠血管包埋情况。
本实施例中，所述小波变换图像增强算法的步骤如下：
(a)分别对腹部CT横断面图像和腹部CT矢状面图像信号进行N级小波分解；
(b)分别得到高频分量和低频分量；
(c)对高频分量进行阈值处理；
(d)用处理后的分量进行小波重构，得到腹部CT横断面增强图像和腹部CT矢状面增强图像。
本实施例中，所述的阈值选取软阈值，软阈值的取值如下：
Figure SMS_2
此外本发明还公开了胰十二指肠动脉弓的CT影像在胰头-壶腹区肿瘤来源鉴别中的应用，包括：
(1)胰十二指肠动脉弓向右移位且血管存在包埋时，胰头-壶腹区肿瘤来源于胰头肿瘤；
(2)胰十二指肠动脉弓向右移位且血管不存在包埋时，胰头-壶腹区肿瘤来源于胆总管肿瘤；
(3)胰十二指肠动脉弓向左右移位且血管不存在包埋时，胰头-壶腹区肿瘤来源于十二指肠肿瘤。
下面以具体的实施例来验证胰十二指肠动脉弓的移位和血管包埋情况对于鉴别胰头-壶腹区肿瘤来源的可靠性：
一、一般资料
收集2009年1月至2018年1月在中山大学附属第一医院术前行64排螺旋CT检查并经手术病理证实的胰头-壶腹区难以鉴别来源肿瘤36例，包括胰头癌10例，胰头神经内分泌肿瘤8例，胰头实性假乳头状瘤2例，胰头淋巴瘤1例，十二指肠乳头癌8例，十二指肠淋巴瘤1例，十二指肠间质瘤1例，胆总管癌5例。其中男性20例，女性16例，年龄35～70岁，平均年龄52岁。
二、检查方法
采用Toshiba Aquilion64排螺旋CT行上腹部平扫和动脉期、静脉期增强扫描。扫描参数:管电压120kV，管电流150～200mAs，扫描层厚0.5～1.25mm，层距0.5～1.25mm。CT平扫后经前臂静脉注射对比剂(优维显300mgI/ml)80ml，注射速率2.5～3ml/s，行双期增强扫描:动脉期为注射对比剂后25～30s、静脉期为60～70s。多平面重组图像层厚1.25～3mm。
三、征象分析
由2名从事消化系统影像诊断工作副高级以职称医师共同阅片，观察肿块与与胰十二指肠动脉弓关系及其它诊断征象。一般将与胰十二指肠动脉弓分为4种征象:(1)胰十二指肠动脉弓向右移位；(2)胰十二指肠动脉弓向左移位；(3)胰十二指肠动脉弓有血管包埋；(4)胰十二指肠动脉弓有无血管包埋。
四、病理对照
所有病例影像征象均与肿瘤病理标本对照分析，以病理诊断为标准。
五、结果
本组36例胰头-壶腹区肿瘤与胰十二指肠动脉弓的关系(表1)，胰头癌10例中9例胰十二指肠动脉弓向右移位且血管包埋(如图1和图2所示)，仅1例血管未移位者为小结节未突出胰头边缘。胰头神经内分泌肿瘤8例中胰十二指肠动脉弓向右移位8例，并血管包埋2例。胰头实性假乳头状瘤2例中胰十二指肠动脉弓均向右移位但无包埋。胰头淋巴瘤1例中胰十二指肠动脉弓无移位，但血管包埋、穿行其中，肿瘤最大径位于胰头区；十二指肠乳头癌8例中6例胰十二指肠动脉弓向左移位，血管无包埋(如图3和图4所示)，另2例为十二乳头小肿瘤，未突出肠壁外膜，十二指肠动脉弓无向左移位，血管无包埋。十二指肠淋巴瘤1例中胰十二指肠动脉弓包埋，但无移位。肿瘤最大径位于十二指肠区。十二指肠间质瘤1例中胰十二指肠动脉弓向左移位，血管无包埋；胆总管癌5例中胰十二指肠动脉弓向右移位，血管无包埋(图5和图6所示)。
表1 36例胰头-壶腹区肿瘤与胰十二指肠动脉弓关系(例)
Figure SMS_3
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

Claims (4)

1.胰十二指肠动脉弓的CT影像处理方法，其特征在于，包括以下步骤：
S1、对腹部进行CT断层扫描，获取多层腹部CT薄层横断面图像；
S2、对多层腹部CT薄层横断面图像进行多层面三维重建，获得腹部的三维容积排列；
S3、从三维容积排列中分别获取腹部的三维重建水平面图像、三维重建冠状面图像和三维重建矢状面图像；
S4、重复步骤S3获取同一截面的多幅三维重建水平面图像、三维重建冠状面图像和三维重建矢状面图像，对获取的多幅三维重建水平面图像、三维重建冠状面图像和三维重建矢状面图像均进行小波变换图像增强算法处理，获取多幅三维重建水平面增强图像、三维重建冠状面增强图像和三维重建矢状面增强图像；
S5、将步骤S4获取的多幅三维重建水平面增强图像分割成若干区域并保留第一幅三维重建水平面增强图像作为背景图层，选取剩下若干幅三维重建水平面增强图像所对应的区域依次叠加至背景图层上，从而获得胰十二指肠动脉弓CT水平面三维重建增强影像图片；
S6、同步骤S5可获得胰十二指肠动脉弓CT冠状面三维重建增强影像图片和胰十二指肠动脉弓CT矢状面三维重建增强影像图片；
S7、观察胰十二指肠动脉弓CT横断面增强影像图片中胰十二指肠动脉弓的移位情况；
S8、观察胰十二指肠动脉弓CT冠状面增强影像图片中胰十二指肠血管包埋情况。
2.根据权利要求1所述的胰十二指肠动脉弓的CT影像处理方法，其特征在于，所述小波变换图像增强算法的步骤如下：
(a)分别对腹部CT横断面图像和腹部CT冠状面图像信号进行N级小波分解；
(b)分别得到高频分量和低频分量；
(c)对高频分量进行阈值处理；
(d)用处理后的分量进行小波重构，得到腹部CT横断面增强图像和腹部CT矢状面增强图像。
3.根据权利要求2所述的胰十二指肠动脉弓的CT影像处理方法，
其特征在于，所述的阈值选取软阈值，软阈值的取值如下：
Figure FDA0003898969340000021
。
4.胰十二指肠动脉弓的CT影像在胰头-壶腹区肿瘤来源鉴别中的应用，其特征在于，包括：
(1)胰十二指肠动脉弓向右移位且血管存在包埋时，胰头-壶腹区肿瘤来源于胰头肿瘤；
(2)胰十二指肠动脉弓向右移位且血管不存在包埋时，胰头-壶腹区肿瘤来源于胆总管肿瘤；
(3)胰十二指肠动脉弓向左右移位且血管不存在包埋时，胰头-壶腹区肿瘤来源于十二指肠肿瘤。
CN202211283525.1A 2022-10-20 2022-10-20 胰十二指肠动脉弓的ct影像处理方法及其应用 Pending CN115810083A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211283525.1A CN115810083A (zh) 2022-10-20 2022-10-20 胰十二指肠动脉弓的ct影像处理方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211283525.1A CN115810083A (zh) 2022-10-20 2022-10-20 胰十二指肠动脉弓的ct影像处理方法及其应用

Publications (1)

Publication Number Publication Date
CN115810083A true CN115810083A (zh) 2023-03-17

Family

ID=85482749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211283525.1A Pending CN115810083A (zh) 2022-10-20 2022-10-20 胰十二指肠动脉弓的ct影像处理方法及其应用

Country Status (1)

Country Link
CN (1) CN115810083A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993628A (zh) * 2023-09-27 2023-11-03 四川大学华西医院 一种用于肿瘤射频消融引导的ct图像增强系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993628A (zh) * 2023-09-27 2023-11-03 四川大学华西医院 一种用于肿瘤射频消融引导的ct图像增强系统
CN116993628B (zh) * 2023-09-27 2023-12-08 四川大学华西医院 一种用于肿瘤射频消融引导的ct图像增强系统

Similar Documents

Publication Publication Date Title
US6754376B1 (en) Method for automatic segmentation of medical images
CN112150524B (zh) 一种基于深度学习的二维和三维医学图像配准方法和系统
Thein et al. An image preprocessing method for kidney stone segmentation in CT scan images
CN107451983A (zh) Ct图像的三维融合方法和系统
CN109350089B (zh) 一种基于ct图像的甲状腺区域自动分割方法
CN111340825A (zh) 一种纵膈淋巴结分割模型的生成方法及系统
CN114758175A (zh) 一种食管胃结合部肿瘤图像分类方法、系统、设备及存储介质
CN115810083A (zh) 胰十二指肠动脉弓的ct影像处理方法及其应用
Jayanthi et al. Extracting the liver and tumor from abdominal CT images
Affane et al. Robust deep 3-D architectures based on vascular patterns for liver vessel segmentation
CN115619943A (zh) 一种外科图像三维重建方法及系统
Ogura et al. Development of High-Precision Three-Dimensional Images for Colonoscopy
Kubo et al. Automatic extraction of pulmonary fissures from multidetector-row CT images
Baima et al. Dense Swin Transformer for Classification of Thyroid Nodules
Amritha et al. Liver tumor segmentation and classification using deep learning
He et al. Automated plaque and stenosis characterization using attention-based deep learning network on coronary CT angiography images
Trombini et al. A digital image processing approach for hepatic diseases staging based on the glisson’s capsule
Abdullah et al. Designation of thorax and non-thorax regions for lung cancer detection in CT scan images using deep learning
Wu et al. A fully automated multi-modal computer aided diagnosis approach to coronary calcium scoring of MSCT images
Gomalavalli et al. Boundary detection of renal using contour segmentation
Sato et al. Computer-aided diagnosis workstation and database system for chest diagnosis based on multihelical CT images
Zhang et al. Nvnet: An enhanced attention network for segmenting neck vascular from ultrasound images
Bhandary et al. Liver Tumor Segmentation using Deep Learning Approach
Bliznakova et al. Image processing tool promoting decision-making in liver surgery of patients with chronic kidney disease
Chakraborty et al. NOISE REMOVAL FROM DIGITAL MAMMOGRAM

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication