CN115937163A - 一种spect肺灌注成像的目标区域提取方法与系统 - Google Patents
一种spect肺灌注成像的目标区域提取方法与系统 Download PDFInfo
- Publication number
- CN115937163A CN115937163A CN202211629501.7A CN202211629501A CN115937163A CN 115937163 A CN115937163 A CN 115937163A CN 202211629501 A CN202211629501 A CN 202211629501A CN 115937163 A CN115937163 A CN 115937163A
- Authority
- CN
- China
- Prior art keywords
- lung perfusion
- image
- template
- data matrix
- lung
- 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.)
- Granted
Links
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种SPECT肺灌注成像的目标区域提取方法和系统，属于图像处理技术领域。本发明以数据驱动的方式构建出一个与正常肺部形状、大小更符合的具有普适性的模板图像，并基于循环卷积神经网络的无监督模型通过充分利用图像空间信息和网络自动提取的图像深层特征，从而更好的分割肺灌注显像热区。将模板图像与热区通过放缩和平移操作提取出图像感兴趣区域，结合分区模板，确定肺灌注图像目标区域，能够自适应完成每一个肺灌注成像数据中目标区域的有效分割，以实现显像目标区域的精确定位。
Description
技术领域
本发明涉及图像处理技术领域，特别是涉及一种SPECT肺灌注成像的目标区域提取方法与系统。
背景技术
随着医学影像技术的发展，各种模态相继出现，相较于结构成像，核医学图像可以提供解剖结构和功能变异等方面的信息而广泛应用于临床上。其中，医生可以通过观察单光子发射计算机断层成像术(Single-Photon Emission Computed Tomography，SPECT)肺灌注显像的显像情况来做出诊断。所以，临床上对SPECT肺灌注影像的分析方法常采用医生人工阅片的定性评估方式，以阻塞区域的位置和大小作为疾病严重程度的主要判断依据。SPECT肺灌注显像将肺部非阻塞区域成像为热区，而血流阻塞区域与背景有着极其接近的视觉效果，影响医生做出诊断。患者肺血流是否阻塞及阻塞的严重程度很大程度上都依靠医生的临床经验和主观因素，不仅耗时耗力，而且容易出现漏诊、误诊等情况，因此提供清晰的SPECT肺灌注显像图像成为解决上述问题的必要途径。
随着计算机技术的发展，图像成像技术不断改进，使得得到的图像更清晰，可以清楚的识别目标点位置。
但是现有SPECT肺灌注图像依旧存在分辨率低、边界不清晰等问题，这就为热区的分割带来了挑战。传统的分割方法如阈值分割，由于图像像素值存在差异，人工确定最佳阈值困难，无法实现精确分割。对于图像热区，有监督的深度网络架构通常需要提供大量精确标注的训练数据，但医学图像的准确标注困难巨大且非常耗时。
在肺灌注图像中，提取感兴趣区域可通过求解热区关于正常肺部区域的补运算实现，即可转换为二者的配准。在医学图像的处理过程中，图像配准是一项关键技术。图像配准是指通过特定的几何变换，使两个或多个图像的共同部分在空间位置上一致的过程。常用方法包括灰度信息法、变换域法和特征法等。应用在医学领域的图像配准技术可以提高图像重建质量，使得得到的图像更清晰。
从现有工作来看，SPECT肺灌注显像的目标区域获取研究尚处于早期探索阶段，如何准确定位显像目标区域成为本领域亟待解决的技术问题。
发明内容
本发明的目的是提供一种SPECT肺灌注成像的目标区域提取方法与系统，能够精确确定位显像目标区域。
为实现上述目的，本发明提供了如下方案：
一种SPECT肺灌注成像的目标区域提取方法，包括：
获取包含多体位肺灌注显像图像数据的DICOM格式文件，并基于所述DICOM格式文件得到肺灌注多体位数据矩阵；
从所述肺灌注多体位数据矩阵中选取肺灌注前后位数据矩阵；所述肺灌注前后位数据矩阵包括：肺灌注前位数据矩阵和肺灌注后位数据矩阵；
融合所述肺灌注后位数据矩阵得到融合数据矩阵；
对所述融合数据矩阵进行灰度图可视化处理得到灰度图像；
基于所述灰度图像得到模板显像轮廓，并将包含所述模板显像轮廓的图像作为模板图像；
将前后位肺灌注显像图像数据输入至热区提取模型得到肺灌注显像热区图像；所述热区提取模型为训练好的基于循环卷积神经网络的无监督分割网络模型；所述前后位肺灌注显像图像数据基于所述肺灌注前后位数据矩阵获取；
对所述肺灌注显影热区和所述模板图像进行图像配准得到肺灌注显像的感兴趣区域；
根据医学肺部功能结构对所述模板进行划分得到划分区域；
基于所述感兴趣区域和所述划分区域得到目标区域。
优选地，所述融合所述肺灌注后位数据矩阵得到融合数据矩阵，之前还包括：
对所述肺灌注后位数据矩阵进行归一化处理。
优选地，基于所述灰度图像得到模板显像轮廓，具体包括：
采用阈值分割法对所述灰度图像进行分割；
采用Canny边缘检测算法对分割后的灰度图像进行检测得到所述模板显像轮廓。
优选地，所述基于循环卷积神经网络的无监督分割网络模型包括依次连接的三个循环卷积层和一个卷积层；每一所述循环卷积层的时间步长为3。
优选地，采用模板缩放和平移操作对所述肺灌注显影热区和所述模板图像进行图像配准得到肺灌注显像的感兴趣区域。
优选地，采用模板缩放和平移操作对所述肺灌注显影热区和所述模板图像进行图像配准得到肺灌注显像的感兴趣区域，具体包括：
获取所述模板显像轮廓的外接矩形和所述肺灌注显影热区的外接矩形；
基于所述模板显像轮廓的外接矩形和所述肺灌注显影热区的外接矩形确定缩放比例；
根据所述缩放比例对所述模板显像轮廓进行缩放处理；
确定所述肺灌注显影热区的质心和经缩放处理后的模板显像轮廓的质心；
根据所述肺灌注显影热区的质心和经缩放处理后的模板显像轮廓的质心确定平移量；
根据所述平移量进行平移操作实现所述肺灌注显影热区和所述模板图像的图像配准。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的SPECT肺灌注成像的目标区域提取方法，以数据驱动的方式构建出一个与正常肺部形状、大小更符合的具有普适性的模板图像，并基于循环卷积神经网络的无监督模型通过充分利用图像空间信息和网络自动提取的图像深层特征，从而更好的分割肺灌注显像热区。将模板图像与热区通过放缩和平移操作提取出图像感兴趣区域，结合分区模板，确定肺灌注图像目标区域，能够自适应完成每一个肺灌注成像数据中目标区域的有效分割，以实现显像目标区域的精确定位。
本发明还提供了一种SPECT肺灌注成像的目标区域提取系统，该系统包括：
SPECT成像设备，用于获取包含多体位肺灌注显像图像数据的DICOM格式文件，并基于所述DICOM格式文件得到肺灌注多体位数据矩阵；
存储器，用于存储逻辑控制指令；所述逻辑控制指令用于实施上述提供的SPECT肺灌注成像的目标区域提取方法；
处理器，与所述存储器和所述SPECT成像设备连接，用于调取并执行所述逻辑控制指令，以基于所述肺灌注多体位数据矩阵实现SPECT肺灌注成像目标区域的提取。
优选地，所述处理器包括：
数据获取模块，用于获取所述肺灌注多体位数据矩阵；
矩阵选取模块，用于从所述肺灌注多体位数据矩阵中选取肺灌注前后位数据矩阵；所述肺灌注前后位数据矩阵包括：肺灌注前位数据矩阵和肺灌注后位数据矩阵；
矩阵融合模块，用于融合所述肺灌注后位数据矩阵得到融合数据矩阵；
图像转换模块，用于对所述融合数据矩阵进行灰度图可视化处理得到灰度图像；
轮廓提取模块，用于基于所述灰度图像得到模板显像轮廓，并将包含所述模板显像轮廓的图像作为模板图像；
热区提取模块，用于将前后位肺灌注显像图像数据输入至热区提取模型得到肺灌注显像热区图像；所述热区提取模型为训练好的基于循环卷积神经网络的无监督分割网络模型；所述基于循环卷积神经网络的无监督分割网络模型包括依次连接的三个循环卷积层和一个卷积层；每一所述循环卷积层的时间步长为3；所述前后位肺灌注显像图像数据基于所述所述肺灌注前后位数据矩阵获取；
感兴趣区域确定模块，用于对所述肺灌注显影热区和所述模板图像进行图像配准得到肺灌注显像的感兴趣区域；
区域划分模块，用于根据医学肺部功能结构对所述模板进行划分得到划分区域；
目标区域确定模块，用于基于所述感兴趣区域和所述划分区域得到目标区域。
优选地，所述存储器为计算机可读存储介质。
因本发明提供的SPECT肺灌注成像的目标区域提取系统实现的技术效果与上述提供的目标区域提取方法实现的技术效果相同，故在此不再进行赘述。
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，下面将对实施例中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为本发明提供的SPECT肺灌注成像的目标区域提取方法的流程图；
图2为本发明实施例提供的模板构建过程示意图；
图3为本发明实施例提供的无监督分割网络架构图；
图4为本发明实施例提供的感兴趣区域的提取过程示意图；
图5为本发明实施例提供的目标区域确定过程示意图；
图6为本发明实施例提供的SPECT肺灌注成像的目标区域提取方法的实施架构图。
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做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。
本发明的目的是提供一种SPECT肺灌注成像的目标区域提取方法与系统，精确确定位显像目标区域。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的SPECT肺灌注成像的目标区域提取方法，包括：
步骤100：获取包含多体位肺灌注显像图像数据的DICOM格式文件，并基于DICOM格式文件得到肺灌注多体位数据矩阵。具体的，根据SPECT成像设备显像原理，通过核素探测器经过计算设备以及成像算法获取多体位肺灌注显像图像数据，同时得到对应多体位肺灌注显像图像的DICOM格式文件。由于DICOM文件中存储相关信息较多，因此对DICOM文件进行读取和解析得到肺灌注多体位数据矩阵，并保存肺灌注多体位数据矩阵。
步骤101：从肺灌注多体位数据矩阵中选取肺灌注前后位数据矩阵。在该步骤中，需要从肺灌注多体位数据矩阵中选取图像显像正常的若干肺灌注成像后位数据矩阵。例如，从肺灌注多体位数据矩阵中选取18个完整的的肺灌注后位数据矩阵，采用矩阵相加的方式进行图像融合，得到表示完整肺部区域的数据矩阵。
进一步为避免融合后的数据矩阵值过大影响后续图像操作，在进行步骤101之前还需要对选取的18个肺灌注后位数据矩阵进行最大最小值归一化处理。
步骤102：融合肺灌注后位数据矩阵得到融合数据矩阵。其中，gj为肺灌注后位数据矩阵，j＝1,2,...,k。
步骤103：对融合数据矩阵进行灰度图可视化处理得到灰度图像。
步骤104：基于灰度图像得到模板显像轮廓，并将包含模板显像轮廓的图像作为模板图像。对融合数据矩阵进行灰度图可视化处理，能够发现肺灌注图像中显像区域与背景具有较强的对比度，基于此，本发明使用阈值分割这种简单有效的分割方法分割出模板显像轮廓。其中，阈值的设定决定了分割效果，本发明结合其灰度直方图与等高线图，确定在阈值设置40时可得到最佳的完整模板显像轮廓。即对于灰度可视化后的融合图像值小于40时像素置为0，大于40时像素置为255。
其中，在采用分割方法分割出模板显像轮廓后，还可以利用Canny边缘检测算法进行边缘检测，从而勾勒出完整模板显像轮廓，具体过程可参见图2。图2中，沿页面从左到右，第一幅为正常肺灌注图像，第二幅为融合图像，第三幅为显像区域分割结果，第四幅为完整模板显像轮廓。
步骤105：将前后位肺灌注显像图像数据输入至热区提取模型得到肺灌注显像热区图像。热区提取模型为训练好的基于循环卷积神经网络的无监督分割网络模型。在该步骤中，由于医学显像数据矩阵数量较少，且标注困难，所以本发明通过采用无监督的训练方式进行热区分割。此阶段使用热区提取模型对操作后的肺灌注前后位数据矩阵中获得图像进行热区特征提取，基于循环卷积神经网络的无监督网络模型由三个循环卷积层和一个普通卷积层构成，每个循环卷积层都使用T＝3的时间步长。无监督网络模型的整体网络结构如图3所示。
在采用基于循环卷积神经网络的无监督网络模型对前后位肺灌注显像图像数据进行特征提取之后，网络学习到热区的特性。在此阶段利用PReLU函数进行像素分类，从而实现肺灌注图像中热区的分割。本发明以基于能量函数无边缘主动轮廓线(ActiveContours without Edge，ACWE)为无监督网络的损失函数，通过无监督网络训练过程的不断迭代，使用反向传播算法最小化ACWE实现肺灌注图像中热区的准确分割。
若将无监督分割网络抽象为函数fθ(g)，使用PReLU函数进行像素分类时将值大于0的像素分类为热区，表示为fθ(g)>0，否则分类为背景，则简化后的ACWE损失函数可表示为式(1)形式。
其中，θ表示网络参数，g表示输入图像，ν为权重参数并设置为0.004，c1、c2分别为热区轮廓内部和外部区域的像素平均值。
步骤106：对肺灌注显影热区和模板图像进行图像配准得到肺灌注显像的感兴趣区域。针对肺灌注显影热区和模板图像在大小和位置方面存在的差异，本发明通过模板放缩和平移操作实现模板图像和热区的准确配准。首先分别获得模板图像和肺灌注图像热区的外接矩形，按式(2)分别计算左右两部分的放缩比Sl和Sr，以S’＝MIN(Sl,Sr)为实际放缩比例对模板轮廓进行放缩处理。
其中，w和w’分别表示模板轮廓和待配准浮动图像的外接矩形宽度，h和h’为二者外接矩形长度，S为Sl或Sr。
基于上述处理得到放缩后的模板，由于热区形状不规则、位置不固定，难以按照形状匹配的方式完成与模板轮廓的配准，本发明以质心为参照点实现二者配准。首先获得模板区域与热区的质心(xc,yc)，接着根据二者质心计算平移量Δx和Δy，最后通过平移操作使两幅图像质心重合。
对离散的二维图像，函数f(x,y)表示点(x,y)的密度，对均匀区域f(x,y)＝1。
则M×N区域的质心可以通过式(3)计算其几何矩mpq(p,q＝1,2,…)实现。
将第0，1阶矩分别表示为m00，m10，m01，则质心坐标(xc,yc)可由式(4)和(5)获得。
xc＝m10/m00 (4)
yc＝m01/m00 (5)
在感兴趣区域的提取过程中，本发明以模板显像轮廓为浮动图像与肺灌注热区分割图像分别在左右两部分进行配准，这样可以降低水平位置的差异而带来的误差。然而这同时也带来了另一个问题，即少量图像在垂直方向上的相对位置在质心平移后偏差较大，导致产生误差。通过对多组正常肺灌注图像的统计数据发现左右部分图像质心在垂直方向的位置偏差一般在[0,3]像素范围，因此基于这一先验知识，在质心平移操作中增加了配准过程左右两部分在垂直方向的位置偏差最大不超过3个像素的限定条件以矫正不符合实际情况的平移操作。经过平移操作后即实现二者的匹配，结合模板和分割后的热区配准结果从而得到肺灌注图像的感兴趣区域，图4给出肺灌注图像感兴趣区域的提取过程。图4中，沿页面从左到右，第一幅为模板图像，第二幅为显像热区，第三幅为配准结果，第四幅为感兴趣区域。
步骤107：根据医学肺部功能结构对模板进行划分得到划分区域。
步骤108：基于感兴趣区域和划分区域得到目标区域。其中，为进一步提升目标区域对比度，本发明根据医学上肺部功能结构对模板进行划分得到分区模板，再结合确定出的感兴趣区域部分，可以得到目标区域，图5给出目标区域确定过程。图5中，沿页面从左到右，第一幅为感兴趣区域，第二幅为分区模板，第三幅为目标区域。
基于本发明提供的SPECT肺灌注成像的目标区域提取方法得到的目标区域，可以为肺栓塞(Pulmonary Embolism，PE)的确定提供更加有效的技术参考。
综上所述，本发明提供的SPECT肺灌注成像的目标区域提取方法的具体实施架构如图6所示，该目标区域提取方法是通过建立肺模板、热区分割以及基于模板与热区分割结果采用图像配准方式提取肺灌注显像的感兴趣区域、结合医学解剖结构确定肺灌注图像的目标区域，具体的：
首先，从包含患者众多信息的DICOM文件中提取多体位肺灌注显像数据矩阵，以便后续的处理和操作。
然后，利用得到的肺灌注正常后位数据矩阵采用矩阵相加的方式建立肺模板。由于肺灌注目标区域与背景有着极其接近的视觉效果，难以提取，因此确定完整的肺部轮廓，是获得目标区域的基础。由于该模板是由多幅正常肺灌注图像的像素级加性融合得到，具有普适性，所以可以用以表示完整的肺部轮廓。
接着，对患者肺灌注成像热区进行基于循环卷积神经网络的无监督分割。相较于传统分割方法如阈值分割以及深度学习有监督的分割方法，无监督分割既不需要人工确定最佳分割阈值，也无需获取大量样本，无需复杂标记，相对而言，无监督深度模型通过自动学习图像空间信息和深层特征实现热区自动分割并获得更好的分割性能。
继而，基于肺模板与热区分割结果采用图像配准方式提取肺灌注显像的感兴趣区域。放缩操作调整模板至表示不同图像正常模板显像轮廓大小，平移操作降低不同图像两部分间水平位置的误差。而在平移后对于少量图像在垂直方向上的相对位置与实际偏差较大，根据先验知识知限制左右两部分轮廓在垂直方向上的质心位置相差不超过3个像素，以获得符合实际情况的配准结果，从而提取出肺灌注显像的感兴趣区域。
最后，结合医学解剖结构获得分区模板。分区模板可以提高肺灌注目标区域的对比度。
基于此，该方法以数据驱动的方式构建出一个与正常肺部形状、大小更符合的具有普适性模板，并基于循环卷积神经网络的无监督模型通过充分利用图像空间信息和网络自动提取的图像深层特征，从而更好的分割肺灌注显像热区。将模板与热区通过放缩和平移操作提取出图像感兴趣区域，结合分区模板，确定肺灌注图像目标区域。该方法可以自适应完成每一个肺灌注成像数据中目标区域有效分割。本发明提出的目标区域的分割方法同时具有高效性和高分割精度的优势。
此外，本发明还提供了一种SPECT肺灌注成像的目标区域提取系统，该系统包括：SPECT成像设备、存储器和处理器。
SPECT成像设备用于获取包含多体位肺灌注显像图像数据的DICOM格式文件，并基于DICOM格式文件得到肺灌注多体位数据矩阵。
存储器用于存储逻辑控制指令。逻辑控制指令用于实施上述提供的SPECT肺灌注成像的目标区域提取方法。在本发明中，存储器为计算机可读存储介质。
处理器与存储器和SPECT成像设备连接，处理器用于调取并执行逻辑控制指令，以基于肺灌注多体位数据矩阵实现SPECT肺灌注成像目标区域的提取。
其中，本发明采用的处理器可以包括：数据获取模块、矩阵选取模块、矩阵融合模块、图像转换模块、轮廓提取模块、热区提取模块、感兴趣区域确定模块、区域划分模块和目标区域确定模块。
数据获取模块用于获取肺灌注多体位数据矩阵。
矩阵选取模块用于从肺灌注多体位数据矩阵中选取肺灌注前后位数据矩阵。肺灌注前后位数据矩阵包括：肺灌注前位数据矩阵和肺灌注后位数据矩阵。
矩阵融合模块用于融合肺灌注后位数据矩阵得到融合数据矩阵。
图像转换模块用于对融合数据矩阵进行灰度图可视化处理得到灰度图像。
轮廓提取模块用于基于灰度图像得到模板显像轮廓，并将包含模板显像轮廓的图像作为模板图像。
热区提取模块用于将前后位肺灌注显像图像数据输入至热区提取模型得到肺灌注显像热区图像。热区提取模型为训练好的基于循环卷积神经网络的无监督分割网络模型。基于循环卷积神经网络的无监督分割网络模型包括依次连接的三个循环卷积层和一个卷积层。每一循环卷积层的时间步长为3。前后位肺灌注显像图像基于肺灌注前位数据矩阵获取。
感兴趣区域确定模块用于对肺灌注显影热区和模板图像进行图像配准得到肺灌注显像的感兴趣区域。
区域划分模块用于根据医学肺部功能结构对模板进行划分得到划分区域。
目标区域确定模块用于基于感兴趣区域和划分区域得到目标区域。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种SPECT肺灌注成像的目标区域提取方法，其特征在于，包括：
获取包含多体位肺灌注显像图像数据的DICOM格式文件，并基于所述DICOM格式文件得到肺灌注多体位数据矩阵；
从所述肺灌注多体位数据矩阵中选取肺灌注前后位数据矩阵；所述肺灌注前后位数据矩阵包括：肺灌注前位数据矩阵和肺灌注后位数据矩阵；
融合所述肺灌注后位数据矩阵得到融合数据矩阵；
对所述融合数据矩阵进行灰度图可视化处理得到灰度图像；
基于所述灰度图像得到模板显像轮廓，并将包含所述模板显像轮廓的图像作为模板图像；
将所述前后位肺灌注显像图像数据输入至热区提取模型得到肺灌注显像热区图像；所述热区提取模型为训练好的基于循环卷积神经网络的无监督分割网络模型；所述前后位肺灌注显像图像基于所述肺灌注前位数据矩阵获取；
对所述肺灌注显影热区和所述模板图像进行图像配准得到肺灌注显像的感兴趣区域；
根据医学肺部功能结构对所述模板进行划分得到划分区域；
基于所述感兴趣区域和所述划分区域得到目标区域。
2.根据权利要求1所述的SPECT肺灌注成像的目标区域提取方法，其特征在于，所述融合所述肺灌注后位数据矩阵得到融合数据矩阵，之前还包括：
对所述肺灌注后位数据矩阵进行归一化处理。
3.根据权利要求1所述的SPECT肺灌注成像的目标区域提取方法，其特征在于，基于所述灰度图像得到模板显像轮廓，具体包括：
采用阈值分割法对所述灰度图像进行分割；
采用Canny边缘检测算法对分割后的灰度图像进行检测得到所述模板显像轮廓。
4.根据权利要求1所述的SPECT肺灌注成像的目标区域提取方法，其特征在于，所述基于循环卷积神经网络的无监督分割网络模型包括依次连接的三个循环卷积层和一个卷积层；每一所述循环卷积层的时间步长为3。
5.根据权利要求1所述的SPECT肺灌注成像的目标区域提取方法，其特征在于，采用模板缩放和平移操作对所述肺灌注显影热区和所述模板图像进行图像配准得到肺灌注显像的感兴趣区域。
6.根据权利要求5所述的SPECT肺灌注成像的目标区域提取方法，其特征在于，采用模板缩放和平移操作对所述肺灌注显影热区和所述模板图像进行图像配准得到肺灌注显像的感兴趣区域，具体包括：
获取所述模板显像轮廓的外接矩形和所述肺灌注显影热区的外接矩形；
基于所述模板显像轮廓的外接矩形和所述肺灌注显影热区的外接矩形确定缩放比例；
根据所述缩放比例对所述模板显像轮廓进行缩放处理；
确定所述肺灌注显影热区的质心和经缩放处理后的模板显像轮廓的质心；
根据所述肺灌注显影热区的质心和经缩放处理后的模板显像轮廓的质心确定平移量；
根据所述平移量进行平移操作实现所述肺灌注显影热区和所述模板图像的图像配准。
7.一种SPECT肺灌注成像的目标区域提取系统，其特征在于，包括：
SPECT成像设备，用于获取包含多体位肺灌注显像图像数据的DICOM格式文件，并基于所述DICOM格式文件得到肺灌注多体位数据矩阵；
存储器，用于存储逻辑控制指令；所述逻辑控制指令用于实施如权利要求1-6任意一项所述的SPECT肺灌注成像的目标区域提取方法；
处理器，与所述存储器和所述SPECT成像设备连接，用于调取并执行所述逻辑控制指令，以基于所述肺灌注多体位数据矩阵实现SPECT肺灌注成像目标区域的提取。
8.根据权利要求7所述的SPECT肺灌注成像的目标区域提取系统，其特征在于，所述处理器包括：
数据获取模块，用于获取所述肺灌注多体位数据矩阵；
矩阵选取模块，用于从所述肺灌注多体位数据矩阵中选取肺灌注前后位数据矩阵；所述肺灌注前后位数据矩阵包括：肺灌注前位数据矩阵和肺灌注后位数据矩阵；
矩阵融合模块，用于融合所述肺灌注后位数据矩阵得到融合数据矩阵；
图像转换模块，用于对所述融合数据矩阵进行灰度图可视化处理得到灰度图像；
轮廓提取模块，用于基于所述灰度图像得到模板显像轮廓，并将包含所述模板显像轮廓的图像作为模板图像；
热区提取模块，用于将所述前后位肺灌注显像图像数据输入至热区提取模型得到肺灌注显像热区图像；所述热区提取模型为训练好的基于循环卷积神经网络的无监督分割网络模型；所述基于循环卷积神经网络的无监督分割网络模型包括依次连接的三个循环卷积层和一个卷积层；每一所述循环卷积层的时间步长为3；所述前后位肺灌注显像图像基于所述肺灌注前位数据矩阵获取；
感兴趣区域确定模块，用于对所述肺灌注显影热区和所述模板图像进行图像配准得到肺灌注显像的感兴趣区域；
区域划分模块，用于根据医学肺部功能结构对所述模板进行划分得到划分区域；
目标区域确定模块，用于基于所述感兴趣区域和所述划分区域得到目标区域。
9.根据权利要求7所述的SPECT肺灌注成像的目标区域提取系统，其特征在于，所述存储器为计算机可读存储介质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211629501.7A CN115937163B (zh) | 2022-12-19 | 2022-12-19 | 一种spect肺灌注成像的目标区域提取方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211629501.7A CN115937163B (zh) | 2022-12-19 | 2022-12-19 | 一种spect肺灌注成像的目标区域提取方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115937163A true CN115937163A (zh) | 2023-04-07 |
| CN115937163B CN115937163B (zh) | 2023-07-28 |
Family
ID=86653942
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211629501.7A Active CN115937163B (zh) | 2022-12-19 | 2022-12-19 | 一种spect肺灌注成像的目标区域提取方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115937163B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118134873A (zh) * | 2024-03-06 | 2024-06-04 | 西北民族大学 | 一种胸腔spect数据的处理方法、系统、设备及介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120323118A1 (en) * | 2011-06-17 | 2012-12-20 | Carnegie Mellon University | Physics based image processing and evaluation process of perfusion images from radiology imaging |
| CN103069456A (zh) * | 2010-08-25 | 2013-04-24 | 皇家飞利浦电子股份有限公司 | 包括品质度量的双模态成像 |
| CN105025779A (zh) * | 2013-01-24 | 2015-11-04 | 泰勒顿国际控股公司 | 身体结构成像 |
| CN106558045A (zh) * | 2016-10-20 | 2017-04-05 | 上海联影医疗科技有限公司 | 一种肺组织分割方法、装置，医学图像处理系统 |
| CN109215033A (zh) * | 2017-06-30 | 2019-01-15 | 上海联影医疗科技有限公司 | 图像分割的方法及系统 |
| CN109242865A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 基于多图谱的医学图像自动分区系统、方法、装置及存储介质 |
| CN109389587A (zh) * | 2018-09-26 | 2019-02-26 | 上海联影智能医疗科技有限公司 | 一种医学图像分析系统、装置及存储介质 |
| US20190066294A1 (en) * | 2017-08-31 | 2019-02-28 | Shenzhen United Imaging Healthcare Co., Ltd. | System and method for image segmentation |
| CN111062955A (zh) * | 2020-03-18 | 2020-04-24 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据分割方法及系统 |
| CN111340827A (zh) * | 2020-05-18 | 2020-06-26 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据处理分析方法及系统 |
| CN112001925A (zh) * | 2020-06-24 | 2020-11-27 | 上海联影医疗科技股份有限公司 | 图像的分割方法、放射治疗系统、计算机设备和存储介质 |
| CN114073536A (zh) * | 2020-08-12 | 2022-02-22 | 通用电气精准医疗有限责任公司 | 灌注成像系统及方法 |
-
2022
- 2022-12-19 CN CN202211629501.7A patent/CN115937163B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103069456A (zh) * | 2010-08-25 | 2013-04-24 | 皇家飞利浦电子股份有限公司 | 包括品质度量的双模态成像 |
| US20120323118A1 (en) * | 2011-06-17 | 2012-12-20 | Carnegie Mellon University | Physics based image processing and evaluation process of perfusion images from radiology imaging |
| CN105025779A (zh) * | 2013-01-24 | 2015-11-04 | 泰勒顿国际控股公司 | 身体结构成像 |
| CN106558045A (zh) * | 2016-10-20 | 2017-04-05 | 上海联影医疗科技有限公司 | 一种肺组织分割方法、装置，医学图像处理系统 |
| CN109215033A (zh) * | 2017-06-30 | 2019-01-15 | 上海联影医疗科技有限公司 | 图像分割的方法及系统 |
| US20190066294A1 (en) * | 2017-08-31 | 2019-02-28 | Shenzhen United Imaging Healthcare Co., Ltd. | System and method for image segmentation |
| CN109242865A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 基于多图谱的医学图像自动分区系统、方法、装置及存储介质 |
| CN109389587A (zh) * | 2018-09-26 | 2019-02-26 | 上海联影智能医疗科技有限公司 | 一种医学图像分析系统、装置及存储介质 |
| CN111062955A (zh) * | 2020-03-18 | 2020-04-24 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据分割方法及系统 |
| CN111340827A (zh) * | 2020-05-18 | 2020-06-26 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据处理分析方法及系统 |
| CN112001925A (zh) * | 2020-06-24 | 2020-11-27 | 上海联影医疗科技股份有限公司 | 图像的分割方法、放射治疗系统、计算机设备和存储介质 |
| CN114073536A (zh) * | 2020-08-12 | 2022-02-22 | 通用电气精准医疗有限责任公司 | 灌注成像系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李素晓, 赵书俊, 刘力, 刘秀杰: "核素肺通气/灌注显像的分区定量计算", 中国医学物理学杂志, no. 01, pages 11 - 13 * |
| 耿欢;覃文军;杨金柱;曹鹏;赵大哲;: "基于CT影像的肺组织分割方法综述", 计算机应用研究, no. 07, pages 15 - 21 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118134873A (zh) * | 2024-03-06 | 2024-06-04 | 西北民族大学 | 一种胸腔spect数据的处理方法、系统、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115937163B (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
| CN110475505B (zh) | 利用全卷积网络的自动分割 | |
| CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
| US11562491B2 (en) | Automatic pancreas CT segmentation method based on a saliency-aware densely connected dilated convolutional neural network | |
| CN111401480B (zh) | 一种基于融合注意力机制的乳腺mri自动辅助诊断新方法 | |
| CN110930416B (zh) | 一种基于u型网络的mri图像前列腺分割方法 | |
| CN109272510B (zh) | 一种三维医学图像中管状结构的分割方法 | |
| CN111292314B (zh) | 冠脉分段方法、装置、图像处理系统和存储介质 | |
| US20230005140A1 (en) | Automated detection of tumors based on image processing | |
| CN111242959B (zh) | 基于卷积神经网络的多模态医学图像的目标区域提取方法 | |
| CN112435263A (zh) | 医学图像分割方法、装置、设备、系统及计算机存储介质 | |
| KR20230059799A (ko) | 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델 | |
| Tan et al. | Analysis of segmentation of lung parenchyma based on deep learning methods | |
| CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
| CN109886929B (zh) | 一种基于卷积神经网络的mri肿瘤体素检测方法 | |
| CN110648331B (zh) | 用于医学图像分割的检测方法、医学图像分割方法及装置 | |
| WO2022086910A1 (en) | Anatomically-informed deep learning on contrast-enhanced cardiac mri | |
| US20240005494A1 (en) | Methods and systems for image quality assessment | |
| Sivanesan et al. | Unsupervised medical image segmentation with adversarial networks: From edge diagrams to segmentation maps | |
| Cai et al. | Accurate weakly supervised deep lesion segmentation on CT scans: Self-paced 3D mask generation from RECIST | |
| CN117710760B (zh) | 残差的注意神经网络用于胸部x线病灶检测的方法 | |
| CN115937163B (zh) | 一种spect肺灌注成像的目标区域提取方法与系统 | |
| Wen et al. | Pulmonary nodule detection based on convolutional block attention module | |
| CN113538363A (zh) | 一种基于改进U-Net的肺部医学影像分割方法及装置 | |
| CN113269783A (zh) | 一种基于三维注意力机制的肺结节分割方法及装置 |
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 |