CN116630326B - 一种基于鼻颅镜系统的颅内肿瘤定位系统 - Google Patents
一种基于鼻颅镜系统的颅内肿瘤定位系统 Download PDFInfo
- Publication number
- CN116630326B CN116630326B CN202310912830.0A CN202310912830A CN116630326B CN 116630326 B CN116630326 B CN 116630326B CN 202310912830 A CN202310912830 A CN 202310912830A CN 116630326 B CN116630326 B CN 116630326B
- Authority
- CN
- China
- Prior art keywords
- gray
- tumor
- image
- tissue
- microscopic
- 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
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 266
- 238000007917 intracranial administration Methods 0.000 title claims abstract description 71
- 210000003625 skull Anatomy 0.000 claims abstract description 94
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000010191 image analysis Methods 0.000 claims abstract description 8
- 210000001519 tissue Anatomy 0.000 claims description 164
- 238000000034 method Methods 0.000 claims description 68
- 238000012545 processing Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 14
- 208000005623 Carcinogenesis Diseases 0.000 claims description 12
- 230000036952 cancer formation Effects 0.000 claims description 12
- 231100000504 carcinogenesis Toxicity 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 238000005192 partition Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000037311 normal skin Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000008520 organization Effects 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract 1
- 210000001331 nose Anatomy 0.000 description 42
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 210000003928 nasal cavity Anatomy 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001000 micrograph Methods 0.000 description 2
- 210000003695 paranasal sinus Anatomy 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000037062 Polyps Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000005337 ground glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000002601 intratumoral effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000011164 ossification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明属于颅骨内肿瘤定位技术领域,本发明公开了一种基于鼻颅镜系统的颅内肿瘤定位系统,包括图像采集模块、图像定位模块、图像分析模块和输出控制模块;图像采集模块通过鼻颅镜采集鼻颅骨图像以及颅内不同深度的显微图像;图像定位模块根据鼻颅骨图像构建鼻颅骨三维空间模型,图像分析模块对所述显微图像进行灰度预处理,生成灰度显微图像,对所述灰度显微图像进行纹理分析,通过灰度共生矩阵对肿瘤纹理特征提取,获得肿瘤纹理特征关联量;根据预设归一化计算公式计算相似度可获取疑似肿瘤所在比对图像块中的疑似肿瘤灰度值矩阵,将不同深度的所有疑似肿瘤灰度值矩阵整合生成疑似肿瘤灰度值坐标集。
Description
技术领域
本发明涉及颅骨内肿瘤定位技术领域,更具体地说,本发明涉及一种基于鼻颅镜系统的颅内肿瘤定位系统。
背景技术
鼻颅镜系统是由鼻颅镜、光源、图像传输系统和工作器械组成的一套完整的医疗设备。鼻颅镜是一种用于检查和治疗鼻腔和鼻窦问题的医疗工具,它是一根长而细的柔性管子,上面装有光学系统和摄像头,可以通过鼻腔进入鼻窦区域,将显微镜下的图像传输到显示屏上;可以利用不同角度的镜头,观察到直视下不能观察到的部位。对瘤体的术中切除起到一个重要的帮助,其主要通过鼻镜成像原理展示技术观察颅内肿瘤情况,帮助医生定位和治疗颅内肿瘤,由于颅内肿瘤一般在显微图像上表现为圆形或圆形高密度红肿区域,边缘和瘤内骨化或钙化,病变组织呈毛玻璃样改变,中央可伴有囊性改变,因此瘤体本身边界多清晰光滑,因此通过鼻颅镜常规平扫即可获取显像清晰显微图像。
但是在实际医疗应用中肿瘤的形态并不是单一的,而目前所采用的显微图像往往都局限于对工作区域内单一肿瘤的识别,如果所选区域内存在一个以上的肿瘤,则不能准确地实现对全部肿瘤的识别,进而对肿瘤的手术切除造成限制,给病人疾病的复发留下隐患。而且当前肿瘤的识别与定位主要还是依靠医师的工作经验来获取肿瘤的位置,该方法过于依赖医师的工作经验。
鉴于此,本申请发明人发明了一种基于鼻颅镜系统的颅内肿瘤定位系统,以实现多个肿瘤的快速识别与定位。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供一种基于鼻颅镜系统的颅内肿瘤定位系统。
为实现上述目的,本发明提供如下技术方案:一种基于鼻颅镜系统的颅内肿瘤定位系统,包括图像采集模块、图像定位模块、图像分析模块和输出控制模块;
图像采集模块,通过鼻颅镜采集鼻颅骨图像以及颅内不同深度的显微图像;
图像定位模块,根据鼻颅骨图像构建鼻颅骨三维空间模型,根据鼻颅骨三维空间模型获取鼻颅骨尺寸信息,将患者鼻颅骨图像读入计算机,通过三维建模软件对患者显微图像进行处理合成为一个完整的鼻颅骨三维空间模型,从而获取显微图像在颅内的方位信息;所述显微图像在颅内的方位信息包括显微图像的中心坐标以及分界面的边缘坐标;
图像分析模块,对所述显微图像进行灰度预处理,生成灰度显微图像,将所述灰度显微图像划分为若干个比对图像块,将若干个比对图像块和皮肤灰度阈值进行分析,生成图像块标识,根据图像块标识输出所述图像块标识对应在灰度显微图像的灰度标签;
对所述灰度显微图像进行纹理分析,通过灰度共生矩阵对肿瘤纹理特征提取,获得肿瘤纹理特征关联量;
根据肿瘤纹理特征关联量与医学数据库中定义的肿瘤纹理特征通过归一化计算公式计算相似度Q,将相似度Q高于相似度阈值的肿瘤纹理特征对应的比对图像块定义为疑似肿瘤所在比对图像块,由此获取疑似肿瘤所在比对图像块中的疑似肿瘤灰度值矩阵;
将不同深度的所有疑似肿瘤灰度值矩阵整合,并通过对所有的疑似肿瘤所在比对图像块进行插值法处理,得到相邻疑似肿瘤所在比对图像块之间区域的疑似肿瘤灰度值坐标集;
将疑似肿瘤灰度值坐标集中所述疑似肿瘤所在比对图像块和所述相邻疑似肿瘤所在比对图像块之间区域的疑似肿瘤灰度值坐标集转化为像素点,通过灰度显微图像在颅内的方位信息获得所述疑似肿瘤的方位信息;
所述疑似肿瘤的方位信息通过概率赋值法对所述疑似肿瘤的方位信息中的肿瘤发生概率进行赋值,所述概率赋值越大,发生概率越大,将疑似肿瘤确定为肿瘤的概率越大,从而输出肿瘤的方位信息;
对所述肿瘤的方位信息进行3D滤波,以去除比对图像块中的噪声,并通过聚合来重建整个灰度显微图像,获取不含噪声的所述肿瘤的方位信息;
输出控制模块,用于输出所述肿瘤的方位信息。
优选的,显微图像在颅内的方位信息的分析逻辑如下:
根据鼻颅骨三维空间模型确定鼻颅骨的三维坐标系,通过鼻颅骨三维坐标系获取鼻颅骨边缘轮廓线;
提取颅内不同深度的显微图像的图像极限轮廓线,并将所有的所述图像极限轮廓线叠加地显示在所述鼻颅骨三维坐标系上,如果叠加后的所有所述图像极限轮廓线与鼻颅骨边缘轮廓线完全重叠,则将叠加地显示在所述鼻颅骨三维坐标系上的显微图像进行坐标指示,否则重新获取颅内不同深度显微图像的图像极限轮廓线;
所有的所述显微图像根据其在颅内的深度不同进行依次排列,将第一张显微图像的Z轴坐标记为0,则深度为D的显微图像的Z轴坐标记为D;
从Z轴坐标记为0对应的所有显微图像中选取一显微图像作为X轴和Y轴坐标平面;并取X轴和Y轴坐标平面对应的显微图像所处位置的中心点为中心坐标,根据所述中心坐标确定显微图像在颅内的方位信息。
优选的,生成比对图像块的逻辑如下所示:
根据BM3D算法中相似块原理将灰度显微图像设置为n个像素为3的比对图像块,n表示像素为3比对图像块的序号,其中,,且每个比对图像块大小相等。
优选的,所述灰度标签包括常规组织灰度标签、低灰度组织标签和高灰度组织标签;生成常规组织灰度标签、低灰度组织标签和高灰度组织标签的逻辑为:
所述图像块标识包括常规组织块、低灰度组织块和高灰度组织块;
获取n个比对图像块的灰度值,并设置皮肤灰度阈值区间/>,大于/>,其中皮肤灰度阈值区间为正常皮肤组织在颅内对应的灰度值区间,若灰度值/>大于或等于PF1且小于或等于PF2,则对对应的划分区域标识为常规组织块;将常规组织块对应的比对图像块生成常规组织灰度标签;
若灰度值小于PF1,则对对应的划分区域标识为低灰度组织块;将低灰度组织块对应的比对图像块生成低灰度组织标签;
若灰度值大于PF2,则对对应的划分区域标识为高灰度组织块;将高灰度组织块对应的比对图像块生成高灰度组织标签。
优选的,对灰度显微图像进行纹理分析的逻辑如下:
首先选取灰度显微图像中任一比对图像块,设该对比图像块大小为,灰度级别为/>,根据图像中相距为d的两个灰度像素同时出现的联合概率分布,由灰度共生矩阵函数:
;
其中,#(x)表示集合x中的元素个数,为/>的矩阵,若/>与/>间距离为d,两者与坐标横轴的夹角为θ,则可以得到各种间距及角度的灰度共生矩阵/>;其中,元素/>的值表示一个灰度为i,/>的值表示另一个灰度为j的两个相距为d的像素对在角/>的方向上出现的次数;采用反差、能量、熵、相关性4种统计量来提取肿瘤纹理特征关联量。
优选的,所述插值法采用基于灰度值的插值方法,对第一张和最后一张比对图像块采用线性插值形成断层比对图像块,对第一张和最后一张比对图像之间的比对图像块采用基于Z方向上的4个点的三次样条插值。
优选的,所述疑似肿瘤的方位信息的处理逻辑如下所示:
步骤一:所述灰度标签包括常规组织灰度标签、低灰度组织标签与高灰度组织标签对应标记为、/>与/>;常规组织灰度标签、低灰度组织标签与高灰度组织标签对应权重标记为/>、c2、c3,其中/>,且;依据公式分别求得常规组织灰度标签对应的常规组织灰度系数、低灰度组织标签对应的低灰度组织灰度系数/>、高灰度组织标签对应的高灰度组织灰度系数/>,其中:
;
;
;
因此,根据常规组织灰度系数、低灰度组织灰度系数/>与高灰度组织灰度系数/>生成灰度标签影响系数/>,灰度标签影响系数;将灰度标签影响系数/>与医学数据库中定义的肿瘤灰度预设比对系数zlx1进行比对分析,若灰度标签影响系数/>大于或等于预设比对系数zlx1,则对相应的肿瘤发生概率赋值+1,若灰度标签影响系数/>小于预设比对系数zlx1,则不对相应的肿瘤发生的概率赋值进行赋值,I表示常规组织灰度标签个数,J表示低灰度组织标签个数,K表示高灰度组织标签个数;
步骤二:当灰度标签影响系数大于或等于预设比对系数zlx1时,计算灰度标签影响系数/>、/>与/>对应的占比空间系数/>、/>与/>,其中,具体公式为:
;
;
;
将占比空间系数、/>与/>分别与预设比对系数zlx2进行比对分析,若占比空间系数/>、/>与/>中任一系数大于或等于预设比对系数zlx2,则在步骤一概率赋值基础上继续+1;若占比空间系数/>、/>与/>中任一系数小于预设比对系数zlx2,则在步骤一概率赋值基础上继续+2,占比空间系数/>、/>与/>中系数均大于或等于预设比对系数zlx2,则在步骤一概率赋值基础上继续+4,,占比空间系数/>、与/>中系数均小于预设比对系数zlx2,则不对相应的肿瘤发生的概率赋值进行赋值;
步骤三,输出肿瘤发生的概率以及与其对应的概率赋值。
一种基于鼻颅镜系统的颅内肿瘤定位方法,包括
通过鼻颅镜采集鼻颅骨图像以及颅内不同深度的显微图像;
根据鼻颅骨图像构建鼻颅骨三维空间模型,根据鼻颅骨三维空间模型的获取鼻颅骨尺寸信息,将患者鼻颅骨图像读入计算机,通过三维建模软件对患者显微图像进行处理合成为一个完整的鼻颅骨三维空间模型,从而获取显微图像在颅内的方位信息;所述显微图像在颅内的方位信息包括显微图像的中心坐标以及分界面的边缘坐标;
对所述显微图像进行灰度预处理,生成灰度显微图像,将所述灰度显微图像划分为若干个比对图像块,将若干个比对图像块和皮肤灰度阈值进行分析,生成图像块标识,根据图像块标识输出所述图像块标识对应在灰度显微图像的灰度标签;灰度标签包括常规组织灰度标签、低灰度组织标签和高灰度组织标签;
对所述灰度显微图像进行纹理分析,通过灰度共生矩阵对肿瘤纹理特征提取,获得肿瘤纹理特征关联量;
根据肿瘤纹理特征关联量与医学数据库中定义的肿瘤纹理特征通过归一化计算公式计算相似度Q,将相似度Q高于相似度阈值的肿瘤纹理特征对应的比对图像块定义为疑似肿瘤所在比对图像块,由此可获取疑似肿瘤所在比对图像块中的疑似肿瘤灰度值矩阵,
将不同深度的所有疑似肿瘤灰度值矩阵整合,并通过对所有的疑似肿瘤所在比对图像块进行插值法处理,得到相邻疑似肿瘤所在比对图像块之间区域的疑似肿瘤灰度值坐标集;
疑似肿瘤灰度值坐标集中所述疑似肿瘤所在比对图像块和所述相邻疑似肿瘤所在比对图像块之间区域的疑似肿瘤灰度值坐标集转化为像素点,并按坐标集排列,通过灰度显微图像在颅内的方位信息获得所述疑似肿瘤的方位信息;
所述疑似肿瘤的方位信息通过概率赋值法对所述疑似肿瘤的方位信息中的肿瘤发生概率进行赋值,所述概率赋值越大,发生概率越大,将疑似肿瘤确定为肿瘤的概率越大,从而输出肿瘤对应的方位信息;
对所述肿瘤的方位信息进行3D滤波,以去除比对图像块中的噪声,并通过聚合来重建整个灰度显微图像,获取不含噪声的所述肿瘤的方位信息;
输出所述肿瘤的方位信息。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,以实现所述的基于鼻颅镜系统的颅内肿瘤定位方法中的步骤。
一种可读存储介质,其特征在于,所述可读存储介质存储有计算机程序,所述计算机程序适于处理器进行加载,以执行所述的基于鼻颅镜系统的颅内肿瘤定位方法中的步骤。
本发明一种基于鼻颅镜系统的颅内肿瘤定位系统的技术效果和优点:
鼻颅镜系统提供了一种非侵入性技术手段,在某些特殊脑疾病情况下,可以避免使用术中皮层电刺激,通过将显微图像和鼻颅骨分别建立三维图纸,将显微图像上的虚拟影像叠加在现实物体之上,从而显示人肉眼无法看到的东西,可以提供高清晰度、高放大倍数的图像,避免过于依赖医师的工作经验,帮助医生准确定位和处理手术区域。
显微图像通过BM3D使用块匹配和3D滤波来处理图像,首先将显微图像分成许多比对图像块,对于每个比对图像块进行相似块匹配分析,找到与该比对图像块相似的其他块,从而对显微图像进行分类;然后对这些比对图像块进行3D滤波,以去除比对图像块中的噪声;最后通过对所有比对图像块的结果进行聚合来重建整个灰度显微图像,获取不含噪声的灰度显微图像。
当前肿瘤的识别与定位都是通过算法利用灰度显微图像识别病变特征,并构建病变特征分布区域,通过图像边缘处理对病变特征分布区域进行估计,采用了多角度融合的定位机制检测实现对肿瘤的识别与定位。
附图说明
图1为本发明的一种基于鼻颅镜系统的颅内肿瘤定位系统示意图;
图2为本发明的一种基于鼻颅镜系统的颅内肿瘤定位方法示意图;
图3是本发明实施例3提供的电子设备示意图;
图4是本发明实施例4提供的计算机可读存储介质结构示意图。
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。
实施例一
请参阅图1所示,本实施例所述一种基于鼻颅镜系统的颅内肿瘤定位系统,包括图像采集模块10、图像定位模块20、图像分析模块30和输出控制模块40;
其中,图像采集模块10,通过鼻颅镜采集鼻颅骨图像以及颅内不同深度的显微图像;鼻颅镜通过光源和光纤将光线引导到镜头处,然后利用透镜将反射或散射的光线聚焦到观察口,实现颅内的显微成像;
这里需要说明的是:显微图像中首先通过对图像颜色和图像纹理进行分类标识,图像颜色并不是一成不变,但是颜色可以直接通过灰度值的大小即可获取颜色的变化,图像纹理表现为图像中的重复性和局部变化,其纹理特征也是多样变化的,在计算机中通常使用灰度共生矩阵对图像纹理进行分析。
图像定位模块20,根据鼻颅骨图像构建鼻颅骨三维空间模型,根据鼻颅骨三维空间模型的获取鼻颅骨尺寸信息,将患者鼻颅骨图像读入计算机,通过三维建模软件对患者显微图像进行处理合成为一个完整的鼻颅骨三维空间模型,从而获取显微图像在颅内的方位信息;所述显微图像在颅内的方位信息包括显微图像的中心坐标以及分界面的边缘坐标;上述三维建模软件为医学系统自带软件,专业度更高。
显微图像在颅内的方位信息的分析逻辑如下:
构建鼻颅骨三维空间模型,根据鼻颅骨三维空间模型确定鼻颅骨的鼻颅骨三维坐标系,通过鼻颅骨三维坐标系获取鼻颅骨边缘轮廓线;
提取颅内不同深度显微图像的图像极限轮廓线,并将所有的所述图像极限轮廓线叠加显示在所述鼻颅骨三维坐标系上,在获取颅内不同深度显微图像时,不同深度显微图像对应的图像极限轮廓线,由图像极限轮廓线构成鼻颅骨形状,在构建鼻颅骨三维空间模型时,鼻颅骨三维空间模型构建基准面与图像极限轮廓线基准面一致。即所有的图像极限轮廓线叠加在一起会构成一完整的鼻颅骨边缘轮廓线。
如果叠加后的所有所述图像极限轮廓线与鼻颅骨边缘轮廓线能完全重叠,则将叠加地显示在所述鼻颅骨三维坐标系上的显微图像进行坐标指示,否则重新获取颅内不同深度显微图像的图像极限轮廓线;
所有的所述显微图像根据其在颅内的深度不同进行排列,将第一张显微图像的Z轴坐标记为0,则深度为D的显微图像的Z轴坐标记为D,第一张显微图像为鼻颅镜初始进入鼻腔内获取的第一张显微图像。
从Z轴坐标记为0对应的所有显微图像中选取一显微图像作为X轴和Y轴坐标平面;并取X轴和Y轴坐标平面对应的显微图像所处位置的中心点为中心坐标,根据所述中心坐标确定为显微图像在颅内的方位信息。
这里需要说明的是:鼻颅骨图像可以通过鼻颅镜获得,首先通过鼻颅骨图像获取整个颅内的空间信息,构建鼻颅骨三维坐标系,随后将所有的显微图像的图像极限轮廓线与鼻颅骨三维坐标系的鼻颅骨边缘轮廓线进行重合,完全重合后,获取对应的显微图像的三维坐标,在显微图像采集准确情况下,显微图像的图像极限轮廓线与鼻颅骨三维坐标系的鼻颅骨边缘轮廓线是完全重合的,如果不能重合,说明才采集的显微图像不完整,无法对颅内肿瘤进行准确定位。
图像分析模块30,对所述显微图像进行灰度预处理,生成灰度显微图像,将所述灰度显微图像划分为若干个比对图像块,将若干个比对图像块和皮肤灰度阈值进行分析,生成图像块标识,根据图像块标识输出所述图像块标识对应在灰度显微图像的灰度标签;
生成比对图像块的逻辑如下所示
所述显微图像进行灰度预处理,生成灰度显微图像,根据BM3D算法中相似块原理将灰度显微图像设置为n个像素为3的比对图像块,n表示像素为3的比对图像块的序号,其中,,且每个比对图像块大小相等。
这里需要说明的是:首先BM3D是一种图像去噪算法,可以有效地降低图像的噪声,并保留图像的细节和结构。它在图像去噪领域有很高的声誉,已经广泛应用在医学成像领域,这个技术在图像去噪上是比较成熟的现有技术,因此我们在他的基础上使用相似块原理,将显微图像分成许多比对图像块,对于每个比对图像块进行相似块原理匹配分析,找到与该比对图像块相似的其他块,从而对显微图像进行分类。
生成常规组织灰度标签、低灰度组织标签和高灰度组织标签的逻辑为:
所述图像块标识包括常规组织块、低灰度组织块和高灰度组织块;
所述灰度标签包括常规组织灰度标签、低灰度组织标签和高灰度组织标签;
获取n个比对图像块的灰度值,并设置皮肤灰度阈值区间/>,大于/>,其中皮肤灰度阈值区间为正常皮肤组织在颅内对应的灰度值区间,若灰度值/>大于或等于PF1且小于或等于PF2,则对对应的划分区域标识为常规组织块;将常规组织块对应的比对图像块生成常规组织灰度标签;
若灰度值小于PF1,则对对应的划分区域标识为低灰度组织块;将低灰度组织块对应的比对图像块生成低灰度组织标签;
若灰度值大于PF2,则对对应的划分区域标识为高灰度组织块;将高灰度组织块对应的比对图像块生成高灰度组织标签。
这里需要说明的是:常规组织块就是常规意义上人体正常的细胞组织;由于肿瘤组织通常具有更高的细胞密度和更多的血管供应,这些因素都可以导致组织的密度和灰度值增加,此外,肿瘤组织可能会出现坏死、囊变或出血等现象,这些都可能导致像素的灰度值增加,鼻颅内肿瘤的像素灰度值会比正常像素灰度值高;因此将高于正常皮肤阈值最高值的判定为高灰度组织块。但不同类型的肿瘤和其所处的位置都可能会对灰度值产生不同的影响。因此,将低于正常皮肤阈值最低值的判定为低灰度组织块,这些都需要结合临床症状和其他影像学特征进行综合分析和判断。
对所述灰度显微图像进行纹理分析,通过灰度共生矩阵对肿瘤纹理特征提取,获得肿瘤纹理特征关联量;
对灰度显微图像进行纹理分析的逻辑如下:
首先选取灰度显微图像中任一比对图像块,设该对比图像块大小为,灰度级别为/>,根据图像中相距为d的两个灰度像素同时出现的联合概率分布,由灰度共生矩阵函数:
;
其中,#(x)表示集合x中的元素个数,为/>的矩阵,若/>与/>间距离为d,两者与坐标横轴的夹角为θ,则可以得到各种间距及角度的灰度共生矩阵/>;其中,元素/>的值表示一个灰度为i,/>的值表示另一个灰度为j的两个相距为d的像素对在角/>的方向上出现的次数;采用反差、能量、熵、相关性4种统计量来提取肿瘤纹理特征关联量。
这里需要说明的是:通过反差、能量、熵、相关性4种统计量来计算肿瘤纹理特征的正确率是最高的,可以提取很多隐性的肿瘤纹理特征,从而更精确的获取肿瘤纹理特征关联量。
根据肿瘤纹理特征关联量与医学数据库中定义的肿瘤纹理特征通过归一化计算公式计算相似度Q,将相似度Q高于相似度阈值的肿瘤纹理特征对应的比对图像块定义为疑似肿瘤所在比对图像块,由此可获取疑似肿瘤所在比对图像块中的疑似肿瘤灰度值矩阵,
这里需要说明的是:医学数据库中定义的肿瘤纹理特征是根据以往肿瘤治疗中提取的重要肿瘤纹理特征知识,其本身具有参考价值,因此将灰度共生矩阵求取的肿瘤纹理特征带入比较分析,可检测所述肿瘤纹理特征的预测准确性,其相似度越高,说明低灰度组织坐标集或高灰度组织坐标集中肿瘤信息越明确,并通过预设归一化计算公式计算相似度Q,该相似度Q的预设条件是结合当前医疗水平以及各方权威医师多年工作经验进行条件限制,并结合计算机通过归一化计算,原则上来说肿瘤组织也是细胞组织的一部分,因此区分时会产生一定的难度,仅仅依靠计算机还会存在很多突发情况,因此,在进行处理和预设条件还需要结合权威医师的意见,并结合计算机模型对其反复训练和结果学习,不断更新完善;当前通过预设归一化计算公式计算相似度Q,将相似度比较高于的Q的肿瘤纹理特征对应的比对图像块定义为疑似肿瘤所在比对图像块,由此可获取疑似肿瘤所在比对图像块中的疑似肿瘤灰度值矩阵,将不同深度的所有疑似肿瘤灰度值矩阵整合,并通过对所有的疑似肿瘤所在比对图像块进行插值法处理,得到相邻疑似肿瘤所在比对图像块之间区域的疑似肿瘤灰度值坐标集;疑似肿瘤灰度值坐标集中所述疑似肿瘤所在比对图像块和所述相邻疑似肿瘤所在比对图像块之间区域的疑似肿瘤灰度值坐标集转化为像素点,并按坐标集排列,通过灰度显微图像在颅内的方位信息获得所述疑似肿瘤的方位信息。
这里需要说明的是:通过插值法是在我们图像计算过程中,可能存在图像模糊或者找不到比对图像块之间的对应关系时,可以通过比对图像块中任一图示快速准确地推导处理,获取相邻疑似肿瘤所在比对图像块的位置,而且采用的系数公式可以直接套用,简单有效还不出错,一定程度上可以完善疑似肿瘤所在比对图像块之间区域的疑似肿瘤灰度值坐标集,从而提高疑似肿瘤的方位信息的准确率。
将不同深度的所有疑似肿瘤灰度值矩阵整合,并通过对所有的疑似肿瘤所在比对图像块进行插值法处理,得到相邻疑似肿瘤所在比对图像块之间区域的疑似肿瘤灰度值坐标集;
所述插值法采用基于灰度值的插值方法,对第一张和最后一张比对图像块采用线性插值形成断层比对图像块,对第一张和最后一张比对图像之间的比对图像块采用基于Z方向上的4个点的三次样条插值。
这里需要说明的是:针对不同情况的比对图像块,采用不同的计算方法,一定程度上可以更快更高效的确定疑似肿瘤的方位信息。
疑似肿瘤灰度值坐标集中所述疑似肿瘤所在比对图像块和所述相邻疑似肿瘤所在比对图像块之间区域的疑似肿瘤灰度值坐标集转化为像素点,并按坐标集排列,通过灰度显微图像在颅内的方位信息获得所述疑似肿瘤的方位信息;
所述疑似肿瘤的方位信息通过概率赋值法对所述疑似肿瘤的方位信息中的肿瘤发生概率进行赋值,所述概率赋值越大,发生概率越大,将疑似肿瘤确定为肿瘤的概率越大,从而输出肿瘤对应的方位信息;
这里需要说明的是:本申请中涉及的肿瘤并不是医疗系统中定义的真实肿瘤,只是我们对肿瘤分析过程中,比较接近真实肿瘤的特征,其判定以及治疗方案都需要咨询专业医师。
所述疑似肿瘤的方位信息的处理逻辑如下所示:
步骤一:所述灰度标签包括常规组织灰度标签、低灰度组织标签与高灰度组织标签对应标记为、/>与/>;常规组织灰度标签、低灰度组织标签与高灰度组织标签对应权重标记为/>、c2、c3,其中/>,且;依据公式分别求得常规组织灰度标签对应的常规组织灰度系数、低灰度组织标签对应的低灰度组织灰度系数/>、高灰度组织标签对应的高灰度组织灰度系数/>,其中:
;
;
;
因此,根据常规组织灰度系数、低灰度组织灰度系数/>与高灰度组织灰度系数/>生成灰度标签影响系数/>,灰度标签影响系数;将灰度标签影响系数/>与医学数据库中定义的肿瘤灰度预设比对系数zlx1进行比对分析,若灰度标签影响系数/>大于或等于预设比对系数zlx1,则对相应的肿瘤发生概率赋值+1,若灰度标签影响系数/>小于预设比对系数zlx1,则不对相应的肿瘤发生的概率赋值进行赋值,I表示常规组织灰度标签个数,J表示低灰度组织标签个数,K表示高灰度组织标签个数;
步骤二:当灰度标签影响系数大于或等于预设比对系数zlx1时,计算灰度标签影响系数/>、/>与/>对应的占比空间系数/>、/>与/>,其中,具体公式为:
;
;
;/>
将占比空间系数、/>与/>分别与预设比对系数zlx2进行比对分析,若占比空间系数/>、/>与/>中任一系数大于或等于预设比对系数zlx2,则在步骤一概率赋值基础上继续+1;若占比空间系数/>、/>与/>中任一系数小于预设比对系数zlx2,则在步骤一概率赋值基础上继续+2,占比空间系数/>、/>与/>中系数均大于或等于预设比对系数zlx2,则在步骤一概率赋值基础上继续+4,,占比空间系数/>、与/>中系数均小于预设比对系数zlx2,则不对相应的肿瘤发生的概率赋值进行赋值;
步骤三,输出肿瘤发生的概率以及与其对应的概率赋值。
需要说明的是,概率赋值越大,对应比对图像块中肿瘤发生的概率越大,反之越小,当肿瘤发生没有概率赋值时,即为0时,则说明此次疑似肿瘤的方位信息可能是颅内炎症或是息肉引发的图像纹理变化,不具备肿瘤发生的主要条件,可初步确定疑似肿瘤并不能确诊为肿瘤,即对疑似肿瘤的方位信息为后续定期观察处置,此次疑似肿瘤的方位信息可作为下一次检查的对照信息。
对所述肿瘤的方位信息进行3D滤波,以去除比对图像块中的噪声,并通过聚合来重建整个灰度显微图像,获取不含噪声的所述肿瘤的方位信息。
这里需要说明的是:将已经确定为肿瘤的方位信息对应的所有比对图像块进行3D滤波,以去除肿瘤的方位信息中噪声。最后通过对肿瘤的方位信息对应的所有比对图像块的结果进行聚合来重建整个图像,获取不含噪声的灰度显微图像,从而获取更加精准的肿瘤的方位信息。
输出控制模块40,用于输出所述肿瘤的方位信息。
实施例二
请参阅图2所示,本实施例未详细叙述部分见实施例一描述内容,本实施例提供一种基于鼻颅镜系统的颅内肿瘤定位方法,包括:
通过鼻颅镜采集鼻颅骨图像以及颅内不同深度的显微图像;
根据鼻颅骨图像构建鼻颅骨三维空间模型,根据鼻颅骨三维空间模型的获取鼻颅骨尺寸信息,将患者鼻颅骨图像读入计算机,通过三维建模软件对患者显微图像进行处理合成为一个完整的鼻颅骨三维空间模型,从而获取显微图像在颅内的方位信息;所述显微图像在颅内的方位信息包括显微图像的中心坐标以及分界面的边缘坐标;
对所述显微图像进行灰度预处理,生成灰度显微图像,将所述灰度显微图像划分为若干个比对图像块,将若干个比对图像块和皮肤灰度阈值进行分析,生成图像块标识,根据图像块标识输出所述图像块标识对应在灰度显微图像的灰度标签;灰度标签包括常规组织灰度标签、低灰度组织标签和高灰度组织标签;
对所述灰度显微图像进行纹理分析,通过灰度共生矩阵对肿瘤纹理特征提取,获得肿瘤纹理特征关联量;
根据肿瘤纹理特征关联量与医学数据库中定义的肿瘤纹理特征通过归一化计算公式计算相似度Q,将相似度Q高于相似度阈值的肿瘤纹理特征对应的比对图像块定义为疑似肿瘤所在比对图像块,由此可获取疑似肿瘤所在比对图像块中的疑似肿瘤灰度值矩阵,
将不同深度的所有疑似肿瘤灰度值矩阵整合,并通过对所有的疑似肿瘤所在比对图像块进行插值法处理,得到相邻疑似肿瘤所在比对图像块之间区域的疑似肿瘤灰度值坐标集;
疑似肿瘤灰度值坐标集中所述疑似肿瘤所在比对图像块和所述相邻疑似肿瘤所在比对图像块之间区域的疑似肿瘤灰度值坐标集转化为像素点,并按坐标集排列,通过灰度显微图像在颅内的方位信息获得所述疑似肿瘤的方位信息;
所述疑似肿瘤的方位信息通过概率赋值法对所述疑似肿瘤的方位信息中的肿瘤发生概率进行赋值,所述概率赋值越大,发生概率越大,将疑似肿瘤确定为肿瘤的概率越大,从而输出肿瘤对应的方位信息;
对所述肿瘤的方位信息进行3D滤波,以去除比对图像块中的噪声,并通过聚合来重建整个灰度显微图像,获取不含噪声的所述肿瘤的方位信息;
输出所述肿瘤的方位信息。
显微图像在颅内的方位信息的分析逻辑如下:
根据鼻颅骨三维空间模型确定鼻颅骨的鼻颅骨三维坐标系,通过鼻颅骨三维坐标系获取鼻颅骨边缘轮廓线;
提取颅内不同深度的显微图像的图像极限轮廓线,并将所有的所述图像极限轮廓线叠加地显示在所述鼻颅骨三维坐标系上,如果叠加后的所有所述图像极限轮廓线与鼻颅骨边缘轮廓线能完全重叠,则将叠加地显示在所述鼻颅骨三维坐标系上的显微图像进行坐标指示,否则重新获取颅内不同深度显微图像的图像极限轮廓线;
所有的所述显微图像根据其在颅内的深度不同进行依次排列,将第一张显微图像的Z轴坐标记为0,则深度为D的显微图像的Z轴坐标记为D;
从Z轴坐标记为0对应的所有显微图像中选取一显微图像作为X轴和Y轴坐标平面;并取X轴和Y轴坐标平面对应的显微图像所处位置的中心点为中心坐标,根据所述中心坐标确定为显微图像在颅内的方位信息。
生成比对图像块的逻辑如下所示:
根据BM3D算法中相似块原理将灰度显微图像设置为n个像素为3的比对图像块,n表示像素为3比对图像块的序号,其中,,且每个比对图像块大小相等。
生成常规组织灰度标签、低灰度组织标签和高灰度组织标签的逻辑为:
所述图像块标识包括常规组织块、低灰度组织块和高灰度组织块;
所述灰度标签包括常规组织灰度标签、低灰度组织标签和高灰度组织标签;
获取n个比对图像块的灰度值,并设置皮肤灰度阈值区间/>,大于/>,其中皮肤灰度阈值区间为正常皮肤组织在颅内对应的灰度值区间,若灰度值/>大于或等于PF1且小于或等于PF2,则对对应的划分区域标识为常规组织块;将常规组织块对应的比对图像块生成常规组织灰度标签;/>
若灰度值小于PF1,则对对应的划分区域标识为低灰度组织块;将低灰度组织块对应的比对图像块生成低灰度组织标签;
若灰度值大于PF2,则对对应的划分区域标识为高灰度组织块;将高灰度组织块对应的比对图像块生成高灰度组织标签。
对灰度显微图像进行纹理分析的逻辑如下:
首先选取灰度显微图像中任一比对图像块,设该对比图像块大小为,灰度级别为/>,根据图像中相距为d的两个灰度像素同时出现的联合概率分布,由灰度共生矩阵函数:
;
其中,#(x)表示集合x中的元素个数,为/>的矩阵,若/>与/>间距离为d,两者与坐标横轴的夹角为θ,则可以得到各种间距及角度的灰度共生矩阵/>;其中,元素/>的值表示一个灰度为i,/>的值表示另一个灰度为j的两个相距为d的像素对在角/>的方向上出现的次数;采用反差、能量、熵、相关性4种统计量来提取肿瘤纹理特征关联量。
所述插值法采用基于灰度值的插值方法,对第一张和最后一张比对图像块采用线性插值形成断层比对图像块,对第一张和最后一张比对图像之间的比对图像块采用基于Z方向上的4个点的三次样条插值。
所述疑似肿瘤的方位信息的处理逻辑如下所示:
步骤一:所述灰度标签包括常规组织灰度标签、低灰度组织标签与高灰度组织标签对应标记为、/>与/>;常规组织灰度标签、低灰度组织标签与高灰度组织标签对应权重标记为/>、c2、c3,其中/>,且;依据公式分别求得常规组织灰度标签对应的常规组织灰度系数、低灰度组织标签对应的低灰度组织灰度系数/>、高灰度组织标签对应的高灰度组织灰度系数/>,其中:
;
;/>
;
因此,根据常规组织灰度系数、低灰度组织灰度系数/>与高灰度组织灰度系数/>生成灰度标签影响系数/>,灰度标签影响系数;将灰度标签影响系数/>与医学数据库中定义的肿瘤灰度预设比对系数zlx1进行比对分析,若灰度标签影响系数/>大于或等于预设比对系数zlx1,则对相应的肿瘤发生概率赋值+1,若灰度标签影响系数/>小于预设比对系数zlx1,则不对相应的肿瘤发生的概率赋值进行赋值,I表示常规组织灰度标签个数,J表示低灰度组织标签个数,K表示高灰度组织标签个数;
步骤二:当灰度标签影响系数大于或等于预设比对系数zlx1时,计算灰度标签影响系数/>、/>与/>对应的占比空间系数/>、/>与/>,其中,具体公式为:
;
;
;
将占比空间系数、/>与/>分别与预设比对系数zlx2进行比对分析,若占比空间系数/>、/>与/>中任一系数大于或等于预设比对系数zlx2,则在步骤一概率赋值基础上继续+1;若占比空间系数/>、/>与/>中任一系数小于预设比对系数zlx2,则在步骤一概率赋值基础上继续+2,占比空间系数/>、/>与/>中系数均大于或等于预设比对系数zlx2,则在步骤一概率赋值基础上继续+4,,占比空间系数/>、与/>中系数均小于预设比对系数zlx2,则不对相应的肿瘤发生的概率赋值进行赋值;
步骤三,输出肿瘤发生的概率以及与其对应的概率赋值。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。
实施例三
图3是本申请一个实施例提供的电子设备结构示意图。如图3所示,根据本申请的又一方面还提供了一种电子设备300。该电子设备300可包括一个或多个处理器以及一个或多个存储器。其中,存储器中存储有计算机可读代码,计算机可读代码当由一个或多个处理器运行时,可以执行如上所述的基于鼻颅镜系统的颅内肿瘤定位方法。
根据本申请实施方式的方法或系统也可以借助于图3所示的电子设备的架构来实现。如图3所示,电子设备300可包括总线301、一个或多个CPU302、只读存储器(ROM)303、随机存取存储器(RAM)304、连接到网络的通信端口305、输入/输出组件306、硬盘307等。电子设备300中的存储设备,例如ROM303或硬盘307可存储本申请提供的颅内肿瘤定位方法。进一步地,电子设备300还可包括用户界面308。当然,图3所示的架构只是示例性的,在实现不同的设备时,根据实际需要,可以省略图3示出的电子设备中的一个或多个组件。
实施例四
图4是本申请一个实施例提供的计算机可读存储介质结构示意图。如图4所示,是根据本申请一个实施方式的计算机可读存储介质400。计算机可读存储介质400上存储有计算机可读指令。当计算机可读指令由处理器运行时,可执行参照以上附图描述的根据本申请实施方式的基于鼻颅镜系统的颅内肿瘤定位方法。存储介质400包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外,根据本申请的实施方式,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请提供了一种非暂时性机器可读存储介质,所述非暂时性机器可读存储介质存储有机器可读指令,所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令。在该计算机程序被中央处理单元(CPU)执行时,执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的方法和装置、设备。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明,本申请的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本申请实施为记录在记录介质中的程序,这些程序包括用于实现根据本申请的方法的机器可读指令。因而,本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外,本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
如上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是,以上所述仅为本发明的具体实施方式,并不用于限制本发明。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 (10)
1.一种基于鼻颅镜系统的颅内肿瘤定位系统,其特征在于,包括图像采集模块(10)、图像定位模块(20)、图像分析模块(30)和输出控制模块(40);
图像采集模块(10),通过鼻颅镜采集鼻颅骨图像以及颅内不同深度的显微图像;
图像定位模块(20),根据鼻颅骨图像构建鼻颅骨三维空间模型,根据鼻颅骨三维空间模型获取鼻颅骨尺寸信息,将患者鼻颅骨图像读入计算机,通过三维建模软件对患者显微图像进行处理合成为一个完整的鼻颅骨三维空间模型,从而获取显微图像在颅内的方位信息;所述显微图像在颅内的方位信息包括显微图像的中心坐标以及分界面的边缘坐标;
图像分析模块(30),对所述显微图像进行灰度预处理,生成灰度显微图像,将所述灰度显微图像划分为若干个比对图像块,将若干个比对图像块和皮肤灰度阈值进行分析,生成图像块标识,根据图像块标识输出所述图像块标识对应在灰度显微图像的灰度标签;
对所述灰度显微图像进行纹理分析,通过灰度共生矩阵对肿瘤纹理特征提取,获得肿瘤纹理特征关联量;
根据肿瘤纹理特征关联量与医学数据库中定义的肿瘤纹理特征通过归一化计算公式计算相似度Q,将相似度Q高于相似度阈值的肿瘤纹理特征对应的比对图像块定义为疑似肿瘤所在比对图像块,由此获取疑似肿瘤所在比对图像块中的疑似肿瘤灰度值矩阵;
将不同深度的所有疑似肿瘤灰度值矩阵整合,并通过对所有的疑似肿瘤所在比对图像块进行插值法处理,得到相邻疑似肿瘤所在比对图像块之间区域的疑似肿瘤灰度值坐标集;
将疑似肿瘤灰度值坐标集中所述疑似肿瘤所在比对图像块和所述相邻疑似肿瘤所在比对图像块之间区域的疑似肿瘤灰度值坐标集转化为像素点,通过灰度显微图像在颅内的方位信息获得所述疑似肿瘤的方位信息;
所述疑似肿瘤的方位信息通过概率赋值法对所述疑似肿瘤的方位信息中的肿瘤发生概率进行赋值,所述概率赋值越大,发生概率越大,将疑似肿瘤确定为肿瘤的概率越大,从而输出肿瘤的方位信息;
对所述肿瘤的方位信息进行3D滤波,以去除比对图像块中的噪声,并通过聚合来重建整个灰度显微图像,获取不含噪声的所述肿瘤的方位信息;
输出控制模块(40),用于输出所述肿瘤的方位信息。
2.根据权利要求1所述的一种基于鼻颅镜系统的颅内肿瘤定位系统,其特征在于,显微图像在颅内的方位信息的分析逻辑如下:
根据鼻颅骨三维空间模型确定鼻颅骨的三维坐标系,通过鼻颅骨三维坐标系获取鼻颅骨边缘轮廓线;
提取颅内不同深度的显微图像的图像极限轮廓线,并将所有的所述图像极限轮廓线叠加地显示在所述鼻颅骨三维坐标系上,若叠加后的所有所述图像极限轮廓线与鼻颅骨边缘轮廓线完全重叠,则将叠加地显示在所述鼻颅骨三维坐标系上的显微图像进行坐标指示,否则重新获取颅内不同深度显微图像的图像极限轮廓线;
所有的所述显微图像根据其在颅内的深度不同进行依次排列,将第一张显微图像的Z轴坐标记为0,则深度为D的显微图像的Z轴坐标记为D;
从Z轴坐标记为0对应的所有显微图像中选取一显微图像作为X轴和Y轴坐标平面;并取X轴和Y轴坐标平面对应的显微图像所处位置的中心点为中心坐标,根据所述中心坐标确定显微图像在颅内的方位信息。
3.根据权利要求2所述的一种基于鼻颅镜系统的颅内肿瘤定位系统,其特征在于,生成比对图像块的逻辑如下:
根据BM3D算法中相似块原理将灰度显微图像设置为n个像素为3的比对图像块,n表示像素为3比对图像块的序号,其中,,且每个比对图像块大小相等。
4.根据权利要求3所述的一种基于鼻颅镜系统的颅内肿瘤定位系统,其特征在于,所述灰度标签包括常规组织灰度标签、低灰度组织标签和高灰度组织标签;生成常规组织灰度标签、低灰度组织标签和高灰度组织标签的逻辑为:
所述图像块标识包括常规组织块、低灰度组织块和高灰度组织块;
获取n个比对图像块的灰度值,并设置皮肤灰度阈值区间/>,/>大于/>,其中皮肤灰度阈值区间为正常皮肤组织在颅内对应的灰度值区间,若灰度值/>大于或等于PF1且小于或等于PF2,则对对应的划分区域标识为常规组织块;将常规组织块对应的比对图像块生成常规组织灰度标签;
若灰度值小于PF1,则对对应的划分区域标识为低灰度组织块;将低灰度组织块对应的比对图像块生成低灰度组织标签;
若灰度值大于PF2,则对对应的划分区域标识为高灰度组织块;将高灰度组织块对应的比对图像块生成高灰度组织标签。
5.根据权利要求4所述的一种基于鼻颅镜系统的颅内肿瘤定位系统,其特征在于,对灰度显微图像进行纹理分析的逻辑如下:
选取灰度显微图像中任一比对图像块,设该对比图像块大小为,灰度级别为,根据图像中相距为d的两个灰度像素同时出现的联合概率分布,由灰度共生矩阵函数:
;
其中,#(x)表示集合x中的元素个数,为/>的矩阵,若/>与间距离为d,两者与坐标横轴的夹角为θ,则可以得到各种间距及角度的灰度共生矩阵/>;其中,元素/>的值表示一个灰度为i,/>的值表示另一个灰度为j的两个相距为d的像素对在角/>的方向上出现的次数;采用反差、能量、熵、相关性4种统计量来提取肿瘤纹理特征关联量。
6.根据权利要求1所述的一种基于鼻颅镜系统的颅内肿瘤定位系统,其特征在于,所述插值法采用基于灰度值的插值方法,对第一张和最后一张比对图像块采用线性插值形成断层比对图像块,对第一张和最后一张比对图像之间的比对图像块采用基于Z方向上的4个点的三次样条插值。
7.根据权利要求1所述的一种基于鼻颅镜系统的颅内肿瘤定位系统,其特征在于,疑似肿瘤的方位信息通过概率赋值法对所述疑似肿瘤的方位信息中的肿瘤发生概率进行赋值的逻辑如下:
步骤一:所述灰度标签包括常规组织灰度标签、低灰度组织标签与高灰度组织标签对应标记为、/>与/>;常规组织灰度标签、低灰度组织标签与高灰度组织标签对应权重标记为/>、c2、c3,其中/>,且;依据公式分别求得常规组织灰度标签对应的常规组织灰度系数、低灰度组织标签对应的低灰度组织灰度系数/>、高灰度组织标签对应的高灰度组织灰度系数/>,其中:
;
;
;
因此,根据常规组织灰度系数、低灰度组织灰度系数/>与高灰度组织灰度系数/>生成灰度标签影响系数/>,灰度标签影响系数;将灰度标签影响系数/>与医学数据库中定义的肿瘤灰度预设比对系数zlx1进行比对分析,若灰度标签影响系数/>大于或等于预设比对系数zlx1,则对相应的肿瘤发生概率赋值+1,若灰度标签影响系数/>小于预设比对系数zlx1,则不对相应的肿瘤发生的概率赋值进行赋值,I表示常规组织灰度标签个数,J表示低灰度组织标签个数,K表示高灰度组织标签个数;
步骤二:当灰度标签影响系数大于或等于预设比对系数zlx1时,计算灰度标签影响系数/>、/>与/>对应的占比空间系数/>、/>与/>,其中,具体公式为:
;
;
;
将占比空间系数、/>与/>分别与预设比对系数zlx2进行比对分析,若占比空间系数/>、/>与/>中任一系数大于或等于预设比对系数zlx2,则在步骤一概率赋值基础上继续+1;若占比空间系数/>、/>与/>中任一系数小于预设比对系数zlx2,则在步骤一概率赋值基础上继续+2,占比空间系数/>、/>与/>中系数均大于或等于预设比对系数zlx2,则在步骤一概率赋值基础上继续+4,占比空间系数/>、与/>中系数均小于预设比对系数zlx2,则不对相应的肿瘤发生的概率赋值进行赋值;
步骤三,输出肿瘤发生的概率以及与其对应的概率赋值。
8.一种基于鼻颅镜系统的颅内肿瘤定位方法,其基于权利要求1-7中任一项所述的一种基于鼻颅镜系统的颅内肿瘤定位系统实现,其特征在于,包括
通过鼻颅镜采集鼻颅骨图像以及颅内不同深度的显微图像;
根据鼻颅骨图像构建鼻颅骨三维空间模型,根据鼻颅骨三维空间模型的获取鼻颅骨尺寸信息,将患者鼻颅骨图像读入计算机,通过三维建模软件对患者显微图像进行处理合成为一个完整的鼻颅骨三维空间模型,从而获取显微图像在颅内的方位信息;所述显微图像在颅内的方位信息包括显微图像的中心坐标以及分界面的边缘坐标;
对所述显微图像进行灰度预处理,生成灰度显微图像,将所述灰度显微图像划分为若干个比对图像块,将若干个比对图像块和皮肤灰度阈值进行分析,生成图像块标识,根据图像块标识输出所述图像块标识对应在灰度显微图像的灰度标签;灰度标签包括常规组织灰度标签、低灰度组织标签和高灰度组织标签;
对所述灰度显微图像进行纹理分析,通过灰度共生矩阵对肿瘤纹理特征提取,获得肿瘤纹理特征关联量;
根据肿瘤纹理特征关联量与医学数据库中定义的肿瘤纹理特征通过归一化计算公式计算相似度Q,将相似度Q高于相似度阈值的肿瘤纹理特征对应的比对图像块定义为疑似肿瘤所在比对图像块,由此可获取疑似肿瘤所在比对图像块中的疑似肿瘤灰度值矩阵,
将不同深度的所有疑似肿瘤灰度值矩阵整合,并通过对所有的疑似肿瘤所在比对图像块进行插值法处理,得到相邻疑似肿瘤所在比对图像块之间区域的疑似肿瘤灰度值坐标集;
将疑似肿瘤灰度值坐标集中所述疑似肿瘤所在比对图像块和所述相邻疑似肿瘤所在比对图像块之间区域的疑似肿瘤灰度值坐标集转化为像素点,通过灰度显微图像在颅内的方位信息获得所述疑似肿瘤的方位信息;
所述疑似肿瘤的方位信息通过概率赋值法对所述疑似肿瘤的方位信息中的肿瘤发生概率进行赋值,所述概率赋值越大,发生概率越大,将疑似肿瘤确定为肿瘤的概率越大,从而输出肿瘤的方位信息;
对所述肿瘤的方位信息进行3D滤波,以去除比对图像块中的噪声,并通过聚合来重建整个灰度显微图像,获取不含噪声的所述肿瘤的方位信息;
输出所述肿瘤的方位信息。
9.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,以实现权利要求8所述的一种基于鼻颅镜系统的颅内肿瘤定位方法中的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质存储有计算机程序,所述计算机程序适于处理器进行加载,以执行权利要求8所述的一种基于鼻颅镜系统的颅内肿瘤定位方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310912830.0A CN116630326B (zh) | 2023-07-25 | 2023-07-25 | 一种基于鼻颅镜系统的颅内肿瘤定位系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310912830.0A CN116630326B (zh) | 2023-07-25 | 2023-07-25 | 一种基于鼻颅镜系统的颅内肿瘤定位系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116630326A CN116630326A (zh) | 2023-08-22 |
CN116630326B true CN116630326B (zh) | 2023-09-19 |
Family
ID=87603100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310912830.0A Active CN116630326B (zh) | 2023-07-25 | 2023-07-25 | 一种基于鼻颅镜系统的颅内肿瘤定位系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116630326B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091347A (zh) * | 2014-07-26 | 2014-10-08 | 刘宇清 | 一种基于3d打印技术的颅内肿瘤手术规划模拟方法 |
CN106097325A (zh) * | 2016-06-06 | 2016-11-09 | 厦门铭微科技有限公司 | 一种基于三维重建图像的定位指示生成方法及装置 |
CN110738701A (zh) * | 2019-10-23 | 2020-01-31 | 左丙丽 | 一种肿瘤三维定位系统 |
CN112515764A (zh) * | 2020-12-01 | 2021-03-19 | 江门市中心医院 | 颅内肿瘤三维打印方法、三维打印装置及可读存储介质 |
CN115564892A (zh) * | 2022-09-26 | 2023-01-03 | 徐远志 | 一种高分辨率经鼻神经内镜解剖标本三维扫描重建方法 |
CN115700755A (zh) * | 2022-10-31 | 2023-02-07 | 中南大学湘雅医院 | 一种基于深度学习的颅内肿瘤细胞的分类方法和系统 |
-
2023
- 2023-07-25 CN CN202310912830.0A patent/CN116630326B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091347A (zh) * | 2014-07-26 | 2014-10-08 | 刘宇清 | 一种基于3d打印技术的颅内肿瘤手术规划模拟方法 |
CN106097325A (zh) * | 2016-06-06 | 2016-11-09 | 厦门铭微科技有限公司 | 一种基于三维重建图像的定位指示生成方法及装置 |
CN110738701A (zh) * | 2019-10-23 | 2020-01-31 | 左丙丽 | 一种肿瘤三维定位系统 |
CN112515764A (zh) * | 2020-12-01 | 2021-03-19 | 江门市中心医院 | 颅内肿瘤三维打印方法、三维打印装置及可读存储介质 |
CN115564892A (zh) * | 2022-09-26 | 2023-01-03 | 徐远志 | 一种高分辨率经鼻神经内镜解剖标本三维扫描重建方法 |
CN115700755A (zh) * | 2022-10-31 | 2023-02-07 | 中南大学湘雅医院 | 一种基于深度学习的颅内肿瘤细胞的分类方法和系统 |
Non-Patent Citations (4)
Title |
---|
3D打印技术在复杂鼻颅底肿瘤手术中应用的初探索;李笑秋;《中国优秀硕士学位论文全文数据库_医药卫生科技辑》;E070-40 * |
fNIRS对颅内占位性病变的功能区定位和神经可塑性研究;史洁;《中国博士学位论文全文数据库_医药卫生科技辑》;E072-39 * |
Image Analysis for MRI Based Brain Tumor Detection and Feature Extraction Using Biologically Inspired BWT and SVM;Nilesh Bhaskarrao Bahadure等;《International Journal of Biomedical Imaging》;1-13 * |
Transnasal endoscopic surgery in selected nasal‐ethmoidal cancer with suspected brain invasion: Indications, technique, and outcomes;Davide Mattavelli MD等;《HEAD NECK》;第41卷(第6期);1854-1862 * |
Also Published As
Publication number | Publication date |
---|---|
CN116630326A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Costa et al. | Towards adversarial retinal image synthesis | |
CN107067398B (zh) | 用于三维医学模型中缺失血管的补全方法及装置 | |
CN111161241B (zh) | 一种肝脏图像识别方法、电子设备及存储介质 | |
CN108618749B (zh) | 基于便携式数字化眼底照相机的视网膜血管三维重建方法 | |
KR20130023735A (ko) | 장기 모델 영상 생성 방법 및 장치 | |
Pepe et al. | Pattern recognition and mixed reality for computer-aided maxillofacial surgery and oncological assessment | |
WO2021030995A1 (zh) | 基于vrds ai下腔静脉影像的分析方法及产品 | |
CN109771052B (zh) | 基于多目成像和多偏振态成像的三维图像建立方法及系统 | |
CN111445575A (zh) | 威利斯环的图像重建方法、装置、电子设备、存储介质 | |
Clark et al. | Developing and testing an algorithm for automatic segmentation of the fetal face from three-dimensional ultrasound images | |
Cazañas-Gordón et al. | 3D modeling of the optic nerve head of glaucomatous eyes using fundus stereo images | |
Xu et al. | RUnT: A network combining residual U-Net and transformer for vertebral edge feature fusion constrained spine CT image segmentation | |
CN116630326B (zh) | 一种基于鼻颅镜系统的颅内肿瘤定位系统 | |
WO2021081771A1 (zh) | 基于vrds ai医学影像的心脏冠脉的分析方法和相关装置 | |
CN116958094A (zh) | 一种动态增强磁共振影像特征生成病理图像特征的方法 | |
CN115018825B (zh) | 一种冠脉优势型的分类方法、分类装置及存储介质 | |
Lange et al. | Computer-aided-diagnosis (CAD) for colposcopy | |
van Dixhoorn et al. | BrainCove: A Tool for Voxel-wise fMRI Brain Connectivity Visualization. | |
WO2021081839A1 (zh) | 基于vrds 4d的病情分析方法及相关产品 | |
CN112669256B (zh) | 一种基于迁移学习的医学图像分割与显示方法 | |
CN112137693B (zh) | 四维超声引导穿刺的成像方法及装置 | |
CN111402277B (zh) | 一种医学影像的物体外轮廓分割方法及装置 | |
Malinda et al. | Lumbar vertebrae synthetic segmentation in computed tomography images using hybrid deep generative adversarial networks | |
WO2021081850A1 (zh) | 基于vrds 4d医学影像的脊椎疾病识别方法及相关装置 | |
WO2020168695A1 (zh) | 基于VRDS 4D医学影像的肿瘤与血管Ai处理方法及产品 |
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 |