CN116030118A - 病灶短径确定方法和装置、电子设备和存储介质 - Google Patents
病灶短径确定方法和装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116030118A CN116030118A CN202310318019.XA CN202310318019A CN116030118A CN 116030118 A CN116030118 A CN 116030118A CN 202310318019 A CN202310318019 A CN 202310318019A CN 116030118 A CN116030118 A CN 116030118A
- Authority
- CN
- China
- Prior art keywords
- target
- diameter
- short
- intersection point
- pixel
- 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)
- Image Analysis (AREA)
Abstract
本申请公开了一种病灶短径确定方法和装置、电子设备和存储介质,该方法包括:获取目标图像,目标图像中包括确定有长径的病灶区域;确定长径上各像素的短径目标区域,各像素的短径目标区域由穿过对应像素且病灶区域边缘相交的目标线段组成,目标线段包括与长径夹呈目标范围角度的线段,目标范围角度基于长径在笛卡尔坐标系中的角度确定;遍历各像素的短径目标区域,以在目标线段中确定病灶的短径。如此,避免像素层面病灶长径为非直线的情况下,以与长径垂直为目标寻找不到病灶的短径,或确定的病灶的短径并非是合适的目标的问题,提高图像标注信息的准确性。
Description
技术领域
本申请属于计算机技术领域,具体涉及一种病灶短径确定方法和装置、电子设备和存储介质。
背景技术
在肿瘤药物研发过程中需要招募受试者进行药物评估,经过筛选的受试者可以服用研发的药物以辅助研究者执行临床研究试验。在临床研究试验的过程中,通过医学成像设备对采集受试者在不同时期的医学图像,医生对不同时期的医学图像进行阅片和人工标注,以得在医学图像上标注出肿瘤的尺寸大小。然而,传统技术中图像的标注信息的准确性有待提升。
公开于该背景技术部分的信息仅仅旨在增加对本申请的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本申请的目的在于提供一种病灶短径确定方法,其用于解决医学图像标准准确性不高的问题。
为实现上述目的,本申请提供了一种病灶短径确定方法,所述方法包括:
获取目标图像,其中,所述目标图像中包括确定有长径的病灶区域;
确定所述长径上各像素的短径目标区域,其中,所述各像素的短径目标区域由笛卡尔坐标系中穿过对应像素且与所述病灶区域边缘相交的目标线段组成,所述目标线段包括与所述长径夹呈目标范围角度的线段,所述目标范围角度基于所述长径在笛卡尔坐标系中的角度确定;
遍历所述各像素的短径目标区域,以在所述目标线段中确定病灶的短径。
一实施例中,确定所述长径上各像素的短径目标区域,具体包括:
确定所述长径在笛卡尔坐标系中的参考角度,其中,所述参考角度为所述长径与笛卡尔坐标系水平轴和垂直轴的最小夹角的角度;
将所述参考角度代入预设补偿函数计算补偿角,其中,所述预设补偿函数的周期为π/4,所述预设补偿函数在0~π/8周期范围内取值由0趋向极大值,且在π/8~π/4周期范围内取值由所述极大值趋向于0;
基于所述补偿角确定所述目标范围角度。
一实施例中,所述目标范围角度表示为:
P=90°± A;
其中,A为所述补偿角度。
一实施例中,所述预设补偿函数为正弦函数;或,
所述预设补偿函数表示为:
y = αsin(4β)
其中,α为初始补偿角度,β为所述参考角度。
一实施例中,遍历所述各像素的短径目标区域,以在所述目标线段中确定病灶的短径,具体包括:
将所述各短径目标区域中的像素在笛卡尔坐标系中的位置信息进行霍夫变换,得到在霍夫空间中与各所述各短径目标区域像素对应的函数关系,其中,所述函数关系在所述霍夫空间中为直线,所述直线的目标交点在所述笛卡尔坐标系中对应有病灶直线;
计算与所述病灶直线重合的目标线段两端之间的欧氏距离;
基于所述欧氏距离,在所述目标线段中确定病灶的短径。
一实施例中,所述方法还包括:
基于所述直线在所述霍夫空间中的相交情况,确定满足预设条件的所述目标交点;
对所述目标交点进行霍夫变换的逆变换,得到在所述笛卡尔坐标系中与所述目标交点对应的所述病灶直线。
一实施例中,所述短径目标区域各像素在霍夫空间中的交点对应有直线数量,其中,所述直线数量为在所述霍夫空间中经过所述交点的直线的数量;
基于所述直线在所述霍夫空间中的相交情况,确定满足预设条件的所述目标交点,具体包括:
获取所述短径目标区域各像素在霍夫空间中交点对应的直线数量;
在各所述交点中,将直线数量达到预设数量阈值的交点确定为所述目标交点。
本申请还提供病灶短径确定方法的又一实施例,包括:
获取目标图像,其中,所述目标图像中包括确定有长径的病灶区域;
将所述病灶区域各像素在极坐标系中的位置信息进行霍夫变换,得到在霍夫空间中与所述病灶区域各像素对应的函数关系,其中,所述函数关系在所述霍夫空间中为曲线,所述长径上各像素对应的曲线在所述霍夫空间中具有第一目标交点;
确定所述霍夫空间中与所述第一目标交点距离为目标范围角度的区域为短径目标区域,其中,所述目标范围角度基于所述长径在笛卡尔坐标系中的角度确定,所述病灶区域各像素对应的曲线在所述短径目标区域中具有第二目标交点;
基于所述第二目标交点,确定病灶的短径。
一实施例中,所述第二目标交点在笛卡尔坐标系中对应有病灶直线,所述病灶直线与所述病灶区域的边缘相交以生成目标线段;
基于所述第二目标交点,确定病灶的短径,具体包括:
基于所述目标线段两端之间的欧氏距离,确定所述病灶的短径。
一实施例中,所述方法还包括:
基于所述长径上各像素对应的曲线在所述霍夫空间中的相交情况,确定满足第一预设条件的所述第一目标交点;
和/或,
基于所述病灶区域各像素对应的曲线在所述短径目标区域中的相交情况,确定满足第二预设条件的所述第二目标交点;
对所述第二目标交点进行霍夫变换的逆变换,得到在所述笛卡尔坐标系中与所述第二目标交点对应的所述病灶直线。
一实施例中,所述长径上各像素在霍夫空间中的交点对应有第一曲线数量,其中,所述第一曲线数量为在所述霍夫空间中经过所述长径上各像素在霍夫空间中交点的曲线的数量;
基于所述长径上各像素对应的曲线在所述霍夫空间中的相交情况,确定满足第一预设条件的所述第一目标交点,具体包括:
获取所述长径上各像素在霍夫空间中交点对应的第一曲线数量;
在所述长径上各像素在霍夫空间中的交点中,将第一曲线数量达到第一预设数量阈值的交点确定为所述第一目标交点;
和/或,
所述病灶区域各像素在霍夫空间中的交点对应有第二曲线数量,其中,所述第二曲线数量为在所述霍夫空间中经过所述病灶区域各像素在霍夫空间中交点的曲线的数量;
基于所述病灶区域各像素对应的曲线在所述短径目标区域中的相交情况,确定满足第二预设条件的所述第二目标交点,具体包括:
获取所述病灶区域各像素在霍夫空间中交点对应的第二曲线数量;
在所述病灶区域各像素在霍夫空间中的交点中,将第二曲线数量达到第二预设数量阈值的交点确定为所述第二目标交点。
本申请还提供一种病灶短径确定装置,包括:
第一获取模块,用于获取目标图像,其中,所述目标图像中包括确定有长径的病灶区域;
第一区域确定模块,用于确定所述长径上各像素的短径目标区域,其中,所述各像素的短径目标区域由笛卡尔坐标系中穿过对应像素且与所述病灶区域边缘相交的目标线段组成,所述目标线段包括与所述长径夹呈目标范围角度的线段,所述目标范围角度基于所述长径在笛卡尔坐标系中的角度确定;
第一短径确定模块,用于遍历所述各像素的短径目标区域,以在所述目标线段中确定病灶的短径。
本申请还提供一种病灶短径确定装置的又一实施例,包括:
第二获取模块,用于获取目标图像,其中,所述目标图像中包括确定有长径的病灶区域;
霍夫变换模块,用于将所述病灶区域各像素在极坐标系中的位置信息进行霍夫变换,得到在霍夫空间中与所述病灶区域各像素对应的函数关系,其中,所述函数关系在所述霍夫空间中为曲线,所述长径上各像素对应的曲线在所述霍夫空间中具有第一目标交点;
第二区域确定模块,用于确定所述霍夫空间中与所述第一目标交点距离为目标范围角度的区域为短径目标区域,其中,所述目标范围角度基于所述长径在笛卡尔坐标系中的角度确定,所述病灶区域各像素对应的曲线在所述短径目标区域中具有第二目标交点;
第二短径确定模块,用于基于所述第二目标交点,确定病灶的短径。
本申请还提供一种电子设备,包括:
至少一个处理器;以及
存储器,所述存储器存储指令,当所述指令被所述至少一个处理器执行时,使得所述至少一个处理器执行如上所述的病灶短径确定方法。
本申请还提供一种机器可读存储介质,其存储有可执行指令,所述指令当被执行时使得所述机器执行如上所述的病灶短径确定方法。
与现有技术相比,根据本申请的病灶短径确定方法,基于目标图像中已经确定的病灶区域长径,通过确定长径上各像素的短径目标区域,并在短径目标区域范围内的目标线段中确定病灶的短径,可以避免像素层面病灶长径为非直线的情况下,以与长径垂直为目标寻找不到病灶的短径,或确定的病灶的短径并非是合适的目标的问题,提高了图像标注信息的准确性。
在另一个方面,在短径目标区域中确定病灶的短径时,基于短径目标区域中像素的霍夫变换,得到霍夫空间中与各短径目标区域像素对应的函数关系,通过筛选函数关系的交点确定经过像素数量较多的病灶直线,进而可以计算与病灶直线重合的目标线段两端之间的欧氏距离,确定病灶的短径,这样,可以避免直接计算并比较目标线段的长度,提升病灶短径的确定效率。
在另一个方面,根据本申请的病灶短径确定方法,还可以基于病灶区域各像素在极坐标系中的位置信息进行霍夫变换,从而在霍夫空间中基于病灶长径对应的第一目标交点,确定短径目标区域,并在短径目标区域范围内寻找可能对应病灶短径的第二目标交点,同样可以提高寻找到合适病灶短径的可能性。
附图说明
图1是根据本申请一实施例病灶短径确定方法的应用场景示意图;
图2是根据本申请一实施例病灶短径确定方法的流程图;
图3是根据本申请一实施例病灶短径确定方法中,从原始医学图像分割得到目标图像的示意图;
图4是根据本申请一实施例病灶短径确定方法中,基于病灶长径确定病灶短径的示意图;
图5是根据本申请一实施例病灶短径确定方法中,病灶长径和短径放大后显示像素的示意图;
图6是根据本申请一实施例病灶短径确定方法中像素排布示意图,其中(a)至(d)分别是像素水平、垂直、倾斜45°角、倾斜非45°角直线的排布示意图;
图7是根据本申请一实施例病灶短径确定方法中,短径目标区域的示意图;
图8是根据本申请一实施例病灶短径确定方法中,参考角度的确定示意图;
图9是根据本申请一实施例病灶短径确定方法中,各预设补偿函数的图形示意图;
图10是根据本申请一实施例病灶短径确定方法中,霍夫变换及其逆变换的示意图;
图11是根据本申请又一实施例病灶短径确定方法的流程图;
图12是根据本申请又一实施例病灶短径确定方法中,以极坐标系表示的长径进行霍夫变换的示意图;
图13是根据本申请一实施例病灶短径确定装置的模块图;
图14是根据本申请又一实施例病灶短径确定装置的模块图;
图15是根据本申请一实施方式电子设备的硬件结构图。
具体实施方式
以下将结合附图所示的各实施方式对本申请进行详细描述。但该等实施方式并不限制本申请,本领域的普通技术人员根据该等实施方式所做出的结构、方法、或功能上的变换均包含在本申请的保护范围内。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“对应于”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
药物的临床试验指的是在人体进行的药物系统性研究,以确定药物的疗效和安全性。药物临床试验阶段分为I期、II期、III期临床试验、IV期临床试验。I期主要是涉及初步的临床药理学及人体安全性评价试验。II期可以理解为治疗作用初步评价阶段,主要涉及初步评价药物对目标适应症患者的治疗作用和安全性,也包括为III期临床试验研究设计和给药剂量方案的确定提供依据。III期可以理解为治疗作用确证阶段,主要进一步验证药物对目标适应症患者的治疗作用和安全性,评价利益与风险关系,最终为药物注册申请的审查提供充分的依据。IV期主要是药物上市后的临床试验,在药物上市后,可以继续追踪在广泛使用条件下的药物的疗效和不良反应,以评价在普通或者特殊人群中使用的利益与风险关系以及改进给药剂量等。
患者招募就是临床试验研究项目的申办者药企,委托医院或者临床试验服务机构,通过各种方式,招募合适的患者参与到临床试验项目中。通常地,可以通过收集患者最新的出院记录、病历报告、CT/核磁等影像学、基因报告等疾病信息,筛选符合临床试验研究项目的患者,并推荐到对应的试验开展医院就诊。
参图1,在一个实施环境场景示例中,一个临床试验点准备进行一种肺癌新药X的临床试验,通过受试者招募和筛选,确定可以参加到该临床实验研究的肺癌病人A。病人A在服用新药X之前,需要接收一次医学影像检查(比如CT(Computed Tomography,电子计算机断层扫描)、MRI(Magnetic Resonance Imaging,磁共振成像))。此次借助于学影像检查系统对病人A的肺部进行医学影像检查,生成病灶图像序列并存储至服务器。服务器与终端网络连接,在医生需要查阅医学影像时,终端可以从服务器获取病灶图像序列。
病灶图像序列通常包括若干病灶图像,病灶图像中包括病灶区域。服务器通过运行本申请实施例提供的病灶短径确定方法,可以为病灶图像中的病灶区域确定病灶的短径。在服务器确定病灶的短径之前,病灶图像中的病灶区域应当已经确定有长径。本申请实施例提供的病灶短径确定方法在被服务器运行时,可以是基于任何现有确定病灶长径的公知技术,又或者病灶图像中的长径可以是被人工确定,本申请对此不作限制。
服务器在确定病灶的长径和短径后,还可以由服务器或终端对病灶的长径和短径进行标注,并由终端展示给医生进行查阅。这其中,病灶图像的标注信息中可以包括病灶长径和短径的具体尺寸。
以上实施环境中,终端与服务器之间通过通信网络进行数据通信,可选地,通信网络可以是有线网络也可以是无线网络,且该通信网络可以是局域网、城域网以及广域网中的至少一种。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。服务器以及终端设备可以为彼此独立的设备,也可以是集成于同一个系统内,此处不做限定。
参图2,介绍本申请病灶短径确定方法的一实施例。在本实施例中,该方法包括:
S11、获取目标图像。
目标图像可以是对患者身体部位进行影像检查得到的原始医学图像,并且其中可以标注有病灶区域。目标图像也可以是对原始医学图像进行裁剪或者分割等处理得到的医学图像,例如肺部、肝脏、眼睛等身体器官的医学图像,面部、四肢、腹部等身体部位的医学图像等。
配合参图3,具体的实施例中,可以由服务器获取原始医学图像,并对原始医学图像进行裁剪,得到包括病灶区域的病灶图像;再对病灶图像进行分割,得到包括病灶区域的目标图像。可以理解的,这样的目标图像是由若干的像素组成,以灰度图像为例,每个像素分别具有相应的灰度值,从而将病灶区域在目标图像中进行显示。
配合参图4,在本申请的各实施例中,病灶区域中病灶的长径已经被确定,而病灶的短径定义为与病灶的长径垂直、与病灶区域边缘相交且取得最大长度值的线段。
S12、确定长径上各像素的短径目标区域。
配合参图4和图5,图5示出的为图4中病灶区域的放大图。在图5所示的图像放大倍数下,可以看到确定的病灶长径和短径的像素排列。可以看出,在像素排列层面,病灶的长径可能并非是“严格”的直线。究其原因,以opencv为例,其在图像显示时,会根据实际的情况对图像进行抗锯齿填充,这种情况通常发生在图像为非水平/竖直/倾斜45°角直线的情况下。
配合参图6,一个常见的填充方式是对相应位置的图像像素进行换行/周围像素插值。分别如图6中的(a)至(c)所示,在图像为水平/竖直/倾斜45°角直线的情况下,图像像素可以没有换行/周围像素插值;如图6中的(d)所示,而在图像为倾斜非45°角直线时,可以看到图像两端的像素发生了换行,并且存在周围像素的插值(图中阴影部分所示的像素),且插值部分的像素可能与周围原像素的值不同。基于这些原因可知,在多种情况下,若以与长径垂直为目标寻找病灶的短径可能不存在符合定义的结果,又或者,被确定的病灶的短径并非是一个合适的目标。
因此,本申请提出:病灶长径和短径的垂直关系在实际图像中可能与“数学定义”并非严格一致。在实际的应用场景中,为了基于病灶的长径确定病灶的短径,可以为病灶的短径设置一个“容差”,即:在像素的层面,病灶的短径可以是偏离垂直于病灶长径一定角度范围内。
配合参图7,本实施例中,对于病灶区域长径的每个像素,可以分别确定对应的短径目标区域。其中,各像素的短径目标区域由笛卡尔坐标系中穿过对应像素且与病灶区域边缘相交的目标线段组成,目标线段包括与长径夹呈目标范围角度的线段,并且该目标范围角度基于长径在笛卡尔坐标系中的角度确定。
目标范围角度可以理解为在每个像素处寻找短径时可以容差的角度范围,其可以表示为P=90°± A,其中,A为补偿角度。例如,可以在与长径夹角为90°±0.5°的范围内寻找短径,又或者可以在与长径夹角为90°±1°的范围内寻找短径,这里的±0.5°、±1°即可视为对应的容差,本申请对于容差的最大角度可以根据实际场景的需要进行设置。而对于病灶区域中一个确定的长径,在确定对应的短径时,其目标范围角度应当是根据长径在笛卡尔坐标系中的角度确定的。例如,若长径在笛卡尔坐标系中为偏离水平方向30°角,则可以设置目标范围角度为90°±0.4°;若长径在笛卡尔坐标系中为偏离水平方向35°角,则可以设置目标范围角度为90°±0.45°;若长径在笛卡尔坐标系中为偏离水平方向25°角,则可以设置目标范围角度为90°±0.35°。
本实施例中,服务器可以通过确定长径在笛卡尔坐标系中的参考角度,并将参考角度代入预设补偿函数计算补偿角,进而基于补偿角确定目标范围角度。其中,参考角度为长径与笛卡尔坐标系水平轴和垂直轴的最小夹角的角度。
笛卡尔坐标系(Cartesian Cordinates)可以是笛卡尔直角坐标系,其是由相交于原点的两条数轴(水平轴和垂直轴),构成的平面仿射坐标系。笛卡尔坐标系具有原函数,例如y=kx+q。笛卡尔坐标系的两条数轴可以分别表示为x和y。在笛卡尔坐标系内,一条直线可由两个点A(x1,y1)和B(x2,y2)确定,对应地,长径即可以视为已经确定了两个端点的直线片段,长径与笛卡尔坐标系的水平轴和垂直轴的夹角也可以通过上述的函数表达式进行计算。
配合参图8,笛卡尔坐标系中一条长径对应的直线可以表示为y=2x+1,该长径与水平轴的夹角为α1,与垂直轴的夹角为α2。从函数关系可以看出,tanα1=2,tanα2=1/2,进而可以分别确定α1≈63.435°,α2≈26.565°。对应地,此时的参考角度即为26.565°。
可以看出,参考角度的取值范围为0~45°,因此,补偿函数可以只需要在该角度取值范围内存在定义。本实施例中,预设补偿函数的周期为π/4,并且,预设补偿函数在0~π/8周期范围内取值由0趋向极大值,在π/8~π/4周期范围内取值由极大值趋向于0。也即,参考角度在π/8时,补偿角将取到极大值,参考角度在偏离π/8时,补偿角都将相应地减小。
基于以上定义,预设补偿函数可以根据需要确定为多种形式。例如,图9所示的预设补偿函数在笛卡尔坐标系中的图形,图9中的(a)为关于x=π/8的对称函数,且预设补偿函数在x=π/8两侧表现为比例函数;图9中的(b)同样为关于x=π/8的对称函数,但预设补偿函数为正弦函数;图9中的(c)为非对称函数,且预设补偿函数在x=π/8两侧分别表现为比例函数和正弦函数。在本申请的实施例中,将以预设补偿函数为正弦函数为例,对本申请的病灶短径确定方法进行说明。
一实施例中,预设补偿函数表示为:
y = αsin(4β)
其中,α为初始补偿角度,β为参考角度。当β为π/8时,预设补偿函数取得极大值α(即A=α)。当β为0和π/4时,预设补偿函数取得极小值0。对应到本申请病灶短径确定方法的应用场景中,当β为π/8时,将在与病灶区域长径的夹角为90°±α的角度范围内确定病灶的短径;而当β为0或π/4时,认为病灶区域的长径上不存在像素的换行或插值,可以直接在与病灶区域长径的夹角为90°的角度上确定病灶的短径。
S13、遍历各像素的短径目标区域,以在目标线段中确定病灶的短径。
对于任意一个像素而言,其对应的短径目标区域实质上限定了基于该像素可能确定的短径范围。一个实施例中,服务器可以分别确定每个像素的短径目标区域中最长的一条目标线段,进而比较确定病灶长径所有像素的短径目标区域中最长的一条目标线段,而该目标线段也即为病灶的短径。
一个实施例中,服务器可以是以直接计算目标线段两端之间的欧氏距离的方式,确定各短径目标区域中最长的目标线段。例如,病灶区域的长径上有N个像素,并对应N个短径目标区域,每个短径目标区域包括对应数量的目标线段。服务器可以从各短径目标区域中分别确定最长的N个目标线段,进而将N个目标线段中最长的线段确定为病灶的短径。
本申请提供的另一实施例中,服务器还可以将各短径目标区域中的像素在笛卡尔坐标系中的位置信息进行霍夫变换,得到在霍夫空间中与各短径目标区域像素对应的函数关系。
还是以笛卡尔坐标系中的原函数y=kx+q为例,其中k和q作为参数可以组成空间,即为霍夫空间。因此,从某种程度上看,霍夫空间可以理解为原函数的参数空间。霍夫变换可以理解为将笛卡尔坐标系中的点或者直线转换至霍夫空间中的操作。霍夫变换的逆变换可以理解为将霍夫空间中的点或者直线转换至笛卡尔坐标系中的操作。对于短径目标区域中的像素而言,其在经过霍夫变换后,在霍夫空间中表现的函数关系为直线,直线的数量与短径目标区域中像素的数量对应。霍夫空间中的这些直线可能会相交,进而产生一定数量的交点。若对这些交点进行霍夫空间的逆变换,则可以理解为在笛卡尔坐标系中,经过该交点的线段的像素的数量。可以理解地,通常经过一个交点的像素的数量越多,代表对应的线段包括越多的像素,也更可能具有更大的线段长度。基于此对这些交点进行筛选,可以获得一定数量的目标交点,本实施例中,将目标交点在笛卡尔坐标系中对应的直线称为病灶直线。
一实施例中,服务器可以基于上述直线在霍夫空间中的相交情况,确定满足预设条件的目标交点,再对目标交点进行霍夫变换的逆变换,得到在笛卡尔坐标系中与目标交点对应的病灶直线。例如,服务器可以通过图像识别的方式确定各交点附近的直线密度,从而得到各直线在霍夫空间中的相交情况。预设条件可以与交点附近的直线密度有关。将直线密度超过预设密度阈值,则可以将对应的交点确定为目标交点。
一实施例中,服务器可以获取各交点对应的直线数量,按照从高到底的顺序对各交点对应的直线数量进行排序,从这些交点中,获取排列在前的预设百分比的交点,并将其确定为目标交点。例如,若霍夫空间中存在M个交点,则根据直线数量对M个交点自高向低进行排序,并从中获取前30%M个交点作为目标交点。
一实施例中,服务器可以获取各交点对应的直线数量,并在各交点中,将直线数量达到预设数量阈值的交点确定为目标交点。预设数量阈值可以基于医生的经验值设定,也可以病人的历次检查结果而确定。例如,获取病例历次检查过程病灶长径所占用的历史像素数量,基于历史像素数量设定预设数量阈值。
本申请实施例中,通过在各交点中筛选得到目标交点,有针对性地对目标交点进行霍夫变换的逆变换,无需将所有交点进行霍夫变换的逆变换,减少了计算量。另一方面,由于计算量小,本实施例提供的病灶短径确定方法可以部署在系统前端,辅助医生更高效的进行阅片和药物质量的评估。
示范性地,请参阅图10,笛卡尔坐标系中具有像素(1,0)、(1,1)、(2,1)、(4,1)、(3,2)。将这些像素进行霍夫变换,得到对应的五条直线。这些直线存在相交的情况,在霍夫空间中产生交点,比如交点A和B。在霍夫空间中,交点A和B分别有三根直线经过。将交点A进行霍夫变换的逆变换,得到经过像素(1,1)、(2,1)、(4,1)的直线1。将交点B进行霍夫变换的逆变换,得到经过像素(3,2)、(2,1)、(1,0)的直线2。直线1经过的像素(3,2)、(1,0)之间可以形成线段1。直线2经过的像素(1,1)、(4,1)之间可以形成线段2。若将预设数量阈值确定为3,则可以筛选出交点A和交点B为目标交点。
进一步地分析,图10中,线段1和线段2分别经过三个像素,若按照线段在笛卡尔坐标系中所占的像素数量进行比较,线段1和线段2的长度一致。线段2是水平线段,线段1是具有一定倾斜度的斜线段,实际上,线段1的长度长于线段2。可见,基于线段1和线段2经过的像素的数量并不能准确地确定线段长度。因此,本实施例中提供基于像素间的欧式距离(或者说是直线距离)确定病灶区域的病灶短径。
具体地,服务器可以计算与病灶直线重合的目标线段两端之间的欧氏距离,并基于欧氏距离,在目标线段中确定病灶的短径。可以理解地,可以将欧氏距离最大的目标线段确定为病灶的短径。
参图11,介绍本申请又一实施例的病灶短径确定方法。本实施例中,该方法包括:
S21、获取目标图像。
S22、将病灶区域各像素在极坐标系中的位置信息进行霍夫变换,得到在霍夫空间中与病灶区域各像素对应的函数关系。
配合参图12,在极坐标系中,表示直线的方程为ρ=xcosθ+ysinθ,其中,ρ为极坐标系原点到直线的距离,θ为该距离直线与水平轴的夹角。将直线看作紧密连接的多个像素点,则每个像素点的位置信息进行霍夫变换后,都会在霍夫空间中得到对应的一条曲线。各条曲线的交点经过霍夫变换的逆变换后,即对应到极坐标系中的该条直线。而在与极坐标系对应的霍夫空间中,水平轴表示θ,垂直轴表示ρ。
在图像显示中,例如终端需要展示病灶区域的长径,通常可以基于服务器中保存的长径在笛卡尔坐标系中的位置信息进行,而直线在笛卡尔坐标系和极坐标系中的位置信息可以相互转换。类似地,本实施例中,目标图像的病灶区域的长径已经被确定。
对应到本实施例中,病灶区域各像素在极坐标系中的位置信息进行霍夫变换后,得到的在霍夫空间中与病灶区域各像素对应的函数关系为曲线。其中,长径上各像素对应的曲线在霍夫空间中具有第一目标交点。
一实施例中,服务器可以基于长径上各像素对应的曲线在霍夫空间中的相交情况,确定满足第一预设条件的第一目标交点。例如,服务器可以通过图像识别的方式,确定长径上各像素对应的曲线在霍夫空间各交点附近的曲线密度,从而得到各曲线在霍夫空间中的相交情况。第一预设条件可以与交点附近的曲线密度有关。曲线密度超过第一预设密度阈值,则可以将对应的交点确定为第一目标交点。
一实施例中,服务器可以获取长径上各像素对应的曲线在霍夫空间各交点对应的第一曲线数量,按照从高到底的顺序对各交点对应的第一曲线数量进行排序,从这些交点中,获取排列在前的预设百分比的交点,并将其确定为第一目标交点。
一实施例中,服务器可以获取长径上各像素对应的曲线在霍夫空间各交点对应的第一曲线数量,并在各交点中,将第一曲线数量达到预设数量阈值的交点确定为第一目标交点。
在先的实施例中,已经说明了病灶区域长径在笛卡尔坐标系中的不同角度时,其上的像素可能存在的“换行”和“插值”等情况。因此,本实施例中通过对第一目标交点的筛选,可以确保第一目标交点与笛卡尔坐标系中的长径对应,这也将为下述实施例中基于第一目标交点确定短径目标区域提供准确性的基础。
S23、确定霍夫空间中与第一目标交点距离为目标范围角度的区域为短径目标区域。
在极坐标系转换的霍夫空间中,点A相对另一个点B水平轴方向的偏移,即代表笛卡尔坐标系内,点A对应的直线相对点B对应的直线的夹角。因此,在极坐标系转换的霍夫空间中得到病灶区域长径对应的第一目标交点后,可以将与第一目标交点距离为目标范围角度的区域确定为短径目标区域。
配合图,霍夫空间中与第一目标交点距离为目标范围角度,即在水平轴方向上偏移第一目标交点目标范围角度。本实施例中,目标范围角度的确定方法可以部分或者全部地参考在先的实施例,在此不再赘述。
在不考虑补偿角度的容差时,霍夫空间水平轴方向上距离第一目标交点π/2的直线L1和L2(即θ±π/2)上,被认为应当存在病灶区域的短径对应的第二目标交点。接着,同样考虑补偿角度的容差,也即病灶区域的短径可能是相对直线L1和L2在水平轴方向有偏离。表现在霍夫空间中,可以对应至包围直线L1和L2的区域A1和A2。这样,与病灶区域的短径对应的第二目标交点的确定范围可以限定在区域A1和A2中。可以看出,示范的区域A1和A2即对应短径目标区域,在区域A1和A2中确定出与病灶短径对应的第二目标交点的概率,必然大于仅在直线L1和L2上进行确定的概率。由此,本申请实施例提供的病灶短径确定方法可以更大概率地避免病灶区域的病灶短径无法确定或确定不精准。
一实施例中,服务器可以基于病灶区域各像素对应的曲线在霍夫空间中的相交情况,确定满足第二预设条件的第二目标交点。例如,服务器可以通过图像识别的方式,确定病灶区域各像素对应的曲线在霍夫空间各交点附近的曲线密度,从而得到各曲线在霍夫空间中的相交情况。第二预设条件可以与交点附近的曲线密度有关。曲线密度超过第二预设密度阈值,则可以将对应的交点确定为第二目标交点。
一实施例中,服务器可以获取病灶区域各像素对应的曲线在霍夫空间各交点对应的第二曲线数量,按照从高到底的顺序对各交点对应的第二曲线数量进行排序,从这些交点中,获取排列在前的预设百分比的交点,并将其确定为第二目标交点。
一实施例中,服务器可以获取病灶区域各像素对应的曲线在霍夫空间各交点对应的第二曲线数量,并在各交点中,将第二曲线数量达到预设数量阈值的交点确定为第二目标交点。
S24、基于第二目标交点,确定病灶的短径。
本实施例中,服务器可以对第二目标交点进行霍夫变换的逆变换,得到在笛卡尔坐标系中与第二目标交点对应的病灶直线。病灶直线与病灶区域的边缘相交以生成目标线段,进而可以基于目标线段两端之间的欧氏距离,确定病灶的短径。
类似地,通过对第二目标交点的筛选,可以先确定经过像素数量较多的病灶直线。同时,为了避免经过像素的数量并不能准确地确定线段的长度,进一步计算这些病灶直线与病灶区域边缘相交生成的目标线段两端之间的欧式距离,并可以将欧氏距离最大的目标线段确定为病灶的短径。
本申请通过以上实施例提供方法,在确定病灶区域的病灶长径和短径后,可以满足用户用十字标注的需求,更详细地标注病灶区域。
参图13,介绍本申请病灶短径确定装置的一实施例。在本实施例中,该病灶短径确定装置包括第一获取模块31、第一区域确定模块32和第一短径确定模块33。
第一获取模块31用于获取目标图像,其中,所述目标图像中包括确定有长径的病灶区域;第一区域确定模块32用于确定所述长径上各像素的短径目标区域,其中,所述各像素的短径目标区域由笛卡尔坐标系中穿过对应像素且与所述病灶区域边缘相交的目标线段组成,所述目标线段包括与所述长径夹呈目标范围角度的线段,所述目标范围角度基于所述长径在笛卡尔坐标系中的角度确定;第一短径确定模块33用于遍历所述各像素的短径目标区域,以在所述目标线段中确定病灶的短径。
一实施例中,第一区域确定模块32具体用于确定所述长径在笛卡尔坐标系中的参考角度,其中,所述参考角度为所述长径与笛卡尔坐标系水平轴和垂直轴的最小夹角的角度;将所述参考角度代入预设补偿函数计算补偿角,其中,所述预设补偿函数的周期为π/4,所述预设补偿函数在0~π/8周期范围内取值由0趋向极大值,且在π/8~π/4周期范围内取值由所述极大值趋向于0;基于所述补偿角确定所述目标范围角度。
一实施例中,第一短径确定模块33具体用于将所述各短径目标区域中的像素在笛卡尔坐标系中的位置信息进行霍夫变换,得到在霍夫空间中与各所述各短径目标区域像素对应的函数关系,其中,所述函数关系在所述霍夫空间中为直线,所述直线的目标交点在所述笛卡尔坐标系中对应有病灶直线;计算与所述病灶直线重合的目标线段两端之间的欧氏距离;基于所述欧氏距离,在所述目标线段中确定病灶的短径。
一实施例中,第一区域确定模块32还用于基于所述直线在所述霍夫空间中的相交情况,确定满足预设条件的所述目标交点;对所述目标交点进行霍夫变换的逆变换,得到在所述笛卡尔坐标系中与所述目标交点对应的所述病灶直线。
一实施例中,所述交点对应有直线数量,其中,所述直线数量为在所述霍夫空间中经过所述交点的直线的数量;第一区域确定模块32具体用于获取各所述交点对应的直线数量;在各所述交点中,将直线数量达到预设数量阈值的交点确定为所述目标交点。
参图14,本申请还提供病灶短径确定装置的又一实施例,包括第二获取模块41、霍夫变换模块44、第二区域确定模块42和第二短径确定模块43。
第二获取模块41用于获取目标图像,其中,所述目标图像中包括确定有长径的病灶区域;霍夫变换模块44用于将所述病灶区域各像素在极坐标系中的位置信息进行霍夫变换,得到在霍夫空间中与所述病灶区域各像素对应的函数关系,其中,所述函数关系在所述霍夫空间中为曲线,所述长径上各像素对应的曲线在所述霍夫空间中具有第一目标交点;第二区域确定模块42用于确定所述霍夫空间中与所述第一目标交点距离为目标范围角度的区域为短径目标区域,其中,所述目标范围角度基于所述长径在笛卡尔坐标系中的角度确定,所述病灶区域各像素对应的曲线在所述短径目标区域中具有第二目标交点;第二短径确定模块43用于基于所述第二目标交点,确定病灶的短径。
一实施例中,所述第二目标交点在笛卡尔坐标系中对应有病灶直线,所述病灶直线与所述病灶区域的边缘相交以生成目标线段;第二短径确定模块43具体用于基于所述目标线段两端之间的欧氏距离,确定所述病灶的短径。
一实施例中,霍夫变换模块44还用于基于所述长径上各像素对应的曲线在所述霍夫空间中的相交情况,确定满足第一预设条件的所述第一目标交点;
一实施例中,霍夫变换模块44还用于基于所述病灶区域各像素对应的曲线在所述短径目标区域中的相交情况,确定满足第二预设条件的所述第二目标交点;对所述第二目标交点进行霍夫变换的逆变换,得到在所述笛卡尔坐标系中与所述第二目标交点对应的所述病灶直线。
一实施例中,所述长径上各像素在霍夫空间中的交点对应有第一曲线数量,其中,所述第一曲线数量为在所述霍夫空间中经过所述长径上各像素在霍夫空间中交点的曲线的数量;霍夫变换模块44具体用于获取所述长径上各像素在霍夫空间中交点对应的第一曲线数量;在所述长径上各像素在霍夫空间中的交点中,将第一曲线数量达到第一预设数量阈值的交点确定为所述第一目标交点。
一实施例中,所述病灶区域各像素在霍夫空间中的交点对应有第二曲线数量,其中,所述第二曲线数量为在所述霍夫空间中经过所述病灶区域各像素在霍夫空间中交点的曲线的数量;霍夫变换模块44具体用于获取所述病灶区域各像素在霍夫空间中交点对应的第二曲线数量;在所述病灶区域各像素在霍夫空间中的交点中,将第二曲线数量达到第二预设数量阈值的交点确定为所述第二目标交点。
如上参照图1到图12,对根据本说明书实施例病灶短径确定方法进行了描述。在以上对方法实施例的描述中所提及的细节,同样适用于本说明书实施例的病灶短径确定装置。上面的病灶短径确定装置可以采用硬件实现,也可以采用软件或者硬件和软件的组合来实现。
图15示出了根据本说明书的实施例的电子设备的硬件结构图。如图15所示,电子设备50可以包括至少一个处理器51、存储器52(例如非易失性存储器)、内存53和通信接口54,并且至少一个处理器51、存储器52、内存53和通信接口54经由总线55连接在一起。至少一个处理器51执行在存储器52中存储或编码的至少一个计算机可读指令。
应该理解,在存储器52中存储的计算机可执行指令当执行时使得至少一个处理器51进行本说明书的各个实施例中以上结合图1到图12描述的各种操作和功能。
在本说明书的实施例中,电子设备50可以包括但不限于:个人计算机、服务器计算机、工作站、桌面型计算机、膝上型计算机、笔记本计算机、移动电子设备、智能电话、平板计算机、蜂窝电话、个人数字助理(PDA)、手持装置、消息收发设备、可佩戴电子设备、消费电子设备等等。
根据一个实施例,提供了一种比如机器可读介质的程序产品。机器可读介质可以具有指令(即,上述以软件形式实现的元素),该指令当被机器执行时,使得机器执行本说明书的各个实施例中以上结合图1到图12描述的各种操作和功能。具体地,可以提供配有可读存储介质的系统或者装置,在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。
在这种情况下,从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此机器可读代码和存储机器可读代码的可读存储介质构成了本说明书的一部分。
可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上或云上下载程序代码。
本领域技术人员应当理解,上面公开的各个实施例可以在不偏离发明实质的情况下做出各种变形和修改。因此,本说明书的保护范围应当由所附的权利要求书来限定。
需要说明的是,上述各流程和各系统结构图中不是所有的步骤和单元都是必须的,可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺序不是固定的,可以根据需要进行确定。上述各实施例中描述的装置结构可以是物理结构,也可以是逻辑结构,即,有些单元可能由同一物理客户实现,或者,有些单元可能分由多个物理客户实现,或者,可以由多个独立设备中的某些部件共同实现。
以上各实施例中,硬件单元或模块可以通过机械方式或电气方式实现。例如,一个硬件单元、模块或处理器可以包括永久性专用的电路或逻辑(如专门的处理器,FPGA或ASIC)来完成相应操作。硬件单元或处理器还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器),可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
上面结合附图阐述的具体实施方式描述了示例性实施例,但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”,并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的,具体实施方式包括具体细节。然而,可以在没有这些具体细节的情况下实施这些技术。在一些实例中,为了避免对所描述的实施例的概念造成难以理解,公知的结构和装置以框图形式示出。
本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说,对本公开内容进行的各种修改是显而易见的,并且,也可以在不脱离本公开内容的保护范围的情况下,将本文所对应的一般性原理应用于其它变型。因此,本公开内容并不限于本文所描述的示例和设计,而是与符合本文公开的原理和新颖性特征的最广范围相一致。
Claims (15)
1.一种病灶短径确定方法,其特征在于,所述方法包括:
获取目标图像,其中,所述目标图像中包括确定有长径的病灶区域;
确定所述长径上各像素的短径目标区域,其中,所述各像素的短径目标区域由笛卡尔坐标系中穿过对应像素且与所述病灶区域边缘相交的目标线段组成,所述目标线段包括与所述长径夹呈目标范围角度的线段,所述目标范围角度基于所述长径在笛卡尔坐标系中的角度确定;
遍历所述各像素的短径目标区域,以在所述目标线段中确定病灶的短径。
2.根据权利要求1所述的病灶短径确定方法,其特征在于,遍历所述各像素的短径目标区域,以在所述目标线段中确定病灶的短径,具体包括:
将所述各短径目标区域中的像素在笛卡尔坐标系中的位置信息进行霍夫变换,得到在霍夫空间中与各所述各短径目标区域像素对应的函数关系,其中,所述函数关系在所述霍夫空间中为直线,所述直线的目标交点在所述笛卡尔坐标系中对应有病灶直线;
计算与所述病灶直线重合的目标线段两端之间的欧氏距离;
基于所述欧氏距离,在所述目标线段中确定病灶的短径。
3.根据权利要求2所述的病灶短径确定方法,其特征在于,所述方法还包括:
基于所述直线在所述霍夫空间中的相交情况,确定满足预设条件的所述目标交点;
对所述目标交点进行霍夫变换的逆变换,得到在所述笛卡尔坐标系中与所述目标交点对应的所述病灶直线。
4.根据权利要求3所述的病灶短径确定方法,其特征在于,所述短径目标区域各像素在霍夫空间中的交点对应有直线数量,其中,所述直线数量为在所述霍夫空间中经过所述交点的直线的数量;
基于所述直线在所述霍夫空间中的相交情况,确定满足预设条件的所述目标交点,具体包括:
获取所述短径目标区域各像素在霍夫空间中交点对应的直线数量;
在各所述交点中,将直线数量达到预设数量阈值的交点确定为所述目标交点。
5.一种病灶短径确定方法,其特征在于,包括:
获取目标图像,其中,所述目标图像中包括确定有长径的病灶区域;
将所述病灶区域各像素在极坐标系中的位置信息进行霍夫变换,得到在霍夫空间中与所述病灶区域各像素对应的函数关系,其中,所述函数关系在所述霍夫空间中为曲线,所述长径上各像素对应的曲线在所述霍夫空间中具有第一目标交点;
确定所述霍夫空间中与所述第一目标交点距离为目标范围角度的区域为短径目标区域,其中,所述目标范围角度基于所述长径在笛卡尔坐标系中的角度确定,所述病灶区域各像素对应的曲线在所述短径目标区域中具有第二目标交点;
基于所述第二目标交点,确定病灶的短径。
6.根据权利要求5所述的病灶短径确定方法,其特征在于,所述第二目标交点在笛卡尔坐标系中对应有病灶直线,所述病灶直线与所述病灶区域的边缘相交以生成目标线段;
基于所述第二目标交点,确定病灶的短径,具体包括:
基于所述目标线段两端之间的欧氏距离,确定所述病灶的短径。
7.根据权利要求6所述的病灶短径确定方法,其特征在于,所述方法还包括:
基于所述长径上各像素对应的曲线在所述霍夫空间中的相交情况,确定满足第一预设条件的所述第一目标交点;
和/或,
基于所述病灶区域各像素对应的曲线在所述短径目标区域中的相交情况,确定满足第二预设条件的所述第二目标交点;
对所述第二目标交点进行霍夫变换的逆变换,得到在所述笛卡尔坐标系中与所述第二目标交点对应的所述病灶直线。
8.根据权利要求7所述的病灶短径确定方法,其特征在于,所述长径上各像素在霍夫空间中的交点对应有第一曲线数量,其中,所述第一曲线数量为在所述霍夫空间中经过所述长径上各像素在霍夫空间中交点的曲线的数量;
基于所述长径上各像素对应的曲线在所述霍夫空间中的相交情况,确定满足第一预设条件的所述第一目标交点,具体包括:
获取所述长径上各像素在霍夫空间中交点对应的第一曲线数量;
在所述长径上各像素在霍夫空间中的交点中,将第一曲线数量达到第一预设数量阈值的交点确定为所述第一目标交点;
和/或,
所述病灶区域各像素在霍夫空间中的交点对应有第二曲线数量,其中,所述第二曲线数量为在所述霍夫空间中经过所述病灶区域各像素在霍夫空间中交点的曲线的数量;
基于所述病灶区域各像素对应的曲线在所述短径目标区域中的相交情况,确定满足第二预设条件的所述第二目标交点,具体包括:
获取所述病灶区域各像素在霍夫空间中交点对应的第二曲线数量;
在所述病灶区域各像素在霍夫空间中的交点中,将第二曲线数量达到第二预设数量阈值的交点确定为所述第二目标交点。
9.根据权利要求1至8任一项所述的病灶短径确定方法,其特征在于,所述方法具体包括:
确定所述长径在笛卡尔坐标系中的参考角度,其中,所述参考角度为所述长径与笛卡尔坐标系水平轴和垂直轴的最小夹角的角度;
将所述参考角度代入预设补偿函数计算补偿角,其中,所述预设补偿函数的周期为π/4,所述预设补偿函数在0~π/8周期范围内取值由0趋向极大值,且在π/8~π/4周期范围内取值由所述极大值趋向于0;
基于所述补偿角确定所述目标范围角度。
10.根据权利要求9所述的病灶短径确定方法,其特征在于,所述目标范围角度表示为:
P=90°± A;
其中,A为所述补偿角度。
11.根据权利要求10所述的病灶短径确定方法,其特征在于,所述预设补偿函数为正弦函数;
或,
所述预设补偿函数表示为:
y = αsin(4β)
其中,α为初始补偿角度,β为所述参考角度。
12.一种病灶短径确定装置,其特征在于,包括:
第一获取模块,用于获取目标图像,其中,所述目标图像中包括确定有长径的病灶区域;
第一区域确定模块,用于确定所述长径上各像素的短径目标区域,其中,所述各像素的短径目标区域由笛卡尔坐标系中穿过对应像素且与所述病灶区域边缘相交的目标线段组成,所述目标线段包括与所述长径夹呈目标范围角度的线段,所述目标范围角度基于所述长径在笛卡尔坐标系中的角度确定;
第一短径确定模块,用于遍历所述各像素的短径目标区域,以在所述目标线段中确定病灶的短径。
13.一种病灶短径确定装置,其特征在于,包括:
第二获取模块,用于获取目标图像,其中,所述目标图像中包括确定有长径的病灶区域;
霍夫变换模块,用于将所述病灶区域各像素在极坐标系中的位置信息进行霍夫变换,得到在霍夫空间中与所述病灶区域各像素对应的函数关系,其中,所述函数关系在所述霍夫空间中为曲线,所述长径上各像素对应的曲线在所述霍夫空间中具有第一目标交点;
第二区域确定模块,用于确定所述霍夫空间中与所述第一目标交点距离为目标范围角度的区域为短径目标区域,其中,所述目标范围角度基于所述长径在笛卡尔坐标系中的角度确定,所述病灶区域各像素对应的曲线在所述短径目标区域中具有第二目标交点;
第二短径确定模块,用于基于所述第二目标交点,确定病灶的短径。
14. 一种电子设备,包括:
至少一个处理器;以及
存储器,所述存储器存储指令,当所述指令被所述至少一个处理器执行时,使得所述至少一个处理器执行如权利要求1至8任一项所述的病灶短径确定方法。
15.一种机器可读存储介质,其存储有可执行指令,所述指令当被执行时使得所述机器执行如权利要求1至8任一项所述的病灶短径确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310318019.XA CN116030118B (zh) | 2023-03-29 | 2023-03-29 | 病灶短径确定方法和装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310318019.XA CN116030118B (zh) | 2023-03-29 | 2023-03-29 | 病灶短径确定方法和装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116030118A true CN116030118A (zh) | 2023-04-28 |
CN116030118B CN116030118B (zh) | 2023-06-20 |
Family
ID=86072649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310318019.XA Active CN116030118B (zh) | 2023-03-29 | 2023-03-29 | 病灶短径确定方法和装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116030118B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599451A (zh) * | 2019-08-05 | 2019-12-20 | 平安科技(深圳)有限公司 | 医学图像病灶检测定位方法、装置、设备及存储介质 |
CN112184653A (zh) * | 2020-09-23 | 2021-01-05 | 之江实验室 | 一种基于双目内窥镜的病灶三维尺寸测量及显示方法 |
US20210169349A1 (en) * | 2019-12-09 | 2021-06-10 | Case Western Reserve University | Tumor characterization and outcome prediction through quantitative measurements of tumor-associated vasculature |
CN113706473A (zh) * | 2021-08-04 | 2021-11-26 | 青岛海信医疗设备股份有限公司 | 超声图像中病灶区域的长短轴确定方法和超声设备 |
CN114092475A (zh) * | 2022-01-19 | 2022-02-25 | 浙江太美医疗科技股份有限公司 | 病灶长径确定方法、图像标注方法、装置及计算机设备 |
-
2023
- 2023-03-29 CN CN202310318019.XA patent/CN116030118B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599451A (zh) * | 2019-08-05 | 2019-12-20 | 平安科技(深圳)有限公司 | 医学图像病灶检测定位方法、装置、设备及存储介质 |
US20210169349A1 (en) * | 2019-12-09 | 2021-06-10 | Case Western Reserve University | Tumor characterization and outcome prediction through quantitative measurements of tumor-associated vasculature |
CN112184653A (zh) * | 2020-09-23 | 2021-01-05 | 之江实验室 | 一种基于双目内窥镜的病灶三维尺寸测量及显示方法 |
CN113706473A (zh) * | 2021-08-04 | 2021-11-26 | 青岛海信医疗设备股份有限公司 | 超声图像中病灶区域的长短轴确定方法和超声设备 |
CN114092475A (zh) * | 2022-01-19 | 2022-02-25 | 浙江太美医疗科技股份有限公司 | 病灶长径确定方法、图像标注方法、装置及计算机设备 |
Non-Patent Citations (2)
Title |
---|
R.PFLANZER ET AL: "Advanced 3D-Sonographic Imaging as a Precise Technique to Evaluate Tumor Volume", 《TRANSLATIONAL ONCOLOGY》, vol. 7, no. 6, pages 681 - 686 * |
郑德磊: "基于医学影像三维二维配准的肺部肿瘤定位方法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》, vol. 2021, no. 02 * |
Also Published As
Publication number | Publication date |
---|---|
CN116030118B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2905660T3 (es) | Procedimiento y sistema para el triaje asistido por ordenador | |
Damas et al. | Forensic identification by computer-aided craniofacial superimposition: a survey | |
US20210158531A1 (en) | Patient Management Based On Anatomic Measurements | |
US12070343B2 (en) | Determining rotational orientation of a deep brain stimulation electrode in a three-dimensional image | |
Neelapu et al. | Automatic localization of three-dimensional cephalometric landmarks on CBCT images by extracting symmetry features of the skull | |
CN111696083B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
Vučinić et al. | Automatic landmarking of cephalograms using active appearance models | |
Jin et al. | A review of the methods on cobb angle measurements for spinal curvature | |
CN110533676B (zh) | 肿瘤图像分割方法、装置及终端设备 | |
Dot et al. | Automatic 3-dimensional cephalometric landmarking via deep learning | |
Jung et al. | Deep learning for osteoarthritis classification in temporomandibular joint | |
CN113614790A (zh) | 用于生成患者特定解剖的3d可打印模型的方法 | |
CN111080573B (zh) | 肋骨图像检测方法、计算机设备和存储介质 | |
CN111160367A (zh) | 图像分类方法、装置、计算机设备和可读存储介质 | |
EP3722996A2 (en) | Systems and methods for processing 3d anatomical volumes based on localization of 2d slices thereof | |
JP7346553B2 (ja) | 深層学習を使用する3dデータセット内のオブジェクトの成長率の決定 | |
Kim et al. | Automation of spine curve assessment in frontal radiographs using deep learning of vertebral-tilt vector | |
Margeta et al. | A web-based automated image processing research platform for cochlear implantation-related studies | |
CN108073676A (zh) | 图像检索设备以及图像检索方法 | |
Melinska et al. | Statistical, morphometric, anatomical shape model (atlas) of calcaneus | |
Li et al. | End-to-end coordinate regression model with attention-guided mechanism for landmark localization in 3D medical images | |
Jiang et al. | Artificial intelligence system for automated landmark localization and analysis of cephalometry | |
Shen et al. | Using artificial intelligence to diagnose osteoporotic vertebral fractures on plain radiographs | |
CN111918611A (zh) | 胸部x线图像的异常显示控制方法、异常显示控制程序、异常显示控制装置以及服务器装置 | |
CN116030118B (zh) | 病灶短径确定方法和装置、电子设备和存储介质 |
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 |