CN116843647A - 肺野面积确定、肺发育评估方法及装置、电子设备和介质 - Google Patents
肺野面积确定、肺发育评估方法及装置、电子设备和介质 Download PDFInfo
- Publication number
- CN116843647A CN116843647A CN202310807145.1A CN202310807145A CN116843647A CN 116843647 A CN116843647 A CN 116843647A CN 202310807145 A CN202310807145 A CN 202310807145A CN 116843647 A CN116843647 A CN 116843647A
- Authority
- CN
- China
- Prior art keywords
- lung
- area
- image
- dimensional
- right 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.)
- Pending
Links
- 210000004072 lung Anatomy 0.000 title claims abstract description 1194
- 238000000034 method Methods 0.000 title claims abstract description 354
- 230000007040 lung development Effects 0.000 title claims abstract description 88
- 230000008569 process Effects 0.000 claims abstract description 189
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 115
- 230000000241 respiratory effect Effects 0.000 claims abstract description 98
- 238000011156 evaluation Methods 0.000 claims abstract description 85
- 210000000038 chest Anatomy 0.000 claims description 209
- 230000011218 segmentation Effects 0.000 claims description 92
- 210000001370 mediastinum Anatomy 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 24
- 206010058314 Dysplasia Diseases 0.000 claims description 20
- 238000011161 development Methods 0.000 claims description 16
- 230000018109 developmental process Effects 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 230000032994 right lung development Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 abstract description 43
- 230000033001 locomotion Effects 0.000 description 225
- 230000002685 pulmonary effect Effects 0.000 description 92
- 238000010586 diagram Methods 0.000 description 46
- 238000003708 edge detection Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 210000000115 thoracic cavity Anatomy 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 208000035475 disorder Diseases 0.000 description 8
- 230000000877 morphologic effect Effects 0.000 description 8
- 210000003205 muscle Anatomy 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012887 quadratic function Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 208000019693 Lung disease Diseases 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000009760 functional impairment Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 208000010392 Bone Fractures Diseases 0.000 description 2
- 206010017076 Fracture Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开涉及一种肺野面积确定、肺发育评估方法及装置、电子设备和存储介质,涉及DR图像处理技术领域。其中,所述的肺野面积确定方法,包括:获取呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像;分别基于所述呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像,确定所述呼吸过程中左肺面积和/或右肺面积。本公开实施例可实现肺野面积确定及肺发育评估。
Description
技术领域
本公开涉及DR影像定量分析技术领域,尤其涉及一种肺野面积确定、肺发育评估方法及装置、电子设备和存储介质。
背景技术
数字X射线(Digital X-Ray,DR)影像可以提供高分辨率及实时性的X射线图像,已经广泛应用于骨骼系统、胸部、牙科等检查,如骨折诊断、肺部疾病筛查、牙齿拍片等。
在利用肺呼吸的过程中,肺内压降低才能吸气,进而肺内压先降低,低于大气压,空气才能从体外进入肺内;之后,吸气过程中肺内压逐渐升高,直到与大气压一致,然后吸气停止,准备呼气。随着成年人年龄的增长,胸腔的尺寸会逐渐减小,这限制了肺容量,并会改变有助于呼吸的肌肉弹性。另外,出生后,肺组织将继续发育和生长直至成熟,对应的肺泡和肺中的小血管将成倍增加,肺体积也将增大。因此,在呼吸过程中,肺面积的变化是最能体现呼吸过程的一个重要影像参数之一。基于此,有必要确定呼吸过程的肺野面积,进而基于呼吸过程的肺野面积进行肺疾病诊断或发育评价。
发明内容
本公开提出了一种DR图像肺野面积确定、肺发育评估确定方法及装置、电子设备和存储介质技术方案。
根据本公开的一方面,提供了一种DR图像肺野面积的确定方法,包括:
获取呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像;
分别基于所述呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像,确定所述呼吸过程中左肺面积和/或右肺面积。
优选地,所述分别基于所述呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像,确定所述呼吸过程中左肺面积和/或右肺面积的方法,包括:
获取单个像素对应的设定面积;
分别统计所述呼吸过程中多时刻的二维DR左肺图像中左肺像素数目和/或二维DR右肺图像中右肺像素数目;
基于所述设定面积,分别计算所述呼吸过程中多时刻的二维DR左肺图像中左肺像素数目和/或二维DR右肺图像中右肺图像中右肺像素数目对应的左肺面积和/或右肺面积。
优选地,所述基于所述设定面积,分别计算所述呼吸过程中多时刻的二维DR左肺图像中左肺像素数目和/或二维DR右肺图像中右肺图像中右肺像素数目对应的左肺面积和/或右肺面积的方法,包括:
分别利用所述设定面积乘以所述呼吸过程中多时刻的二维DR左肺图像中左肺像素数目,得到所述呼吸过程中对应的左肺面积;和/或,分别利用所述设定面积乘以所述呼吸过程中多时刻的二维DR右肺图像中右肺像素数目,得到所述呼吸过程中对应的右肺面积。
优选地,在所述获取呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像之前,获取所述呼吸过程中多时刻的二维DR肺图像,对所述呼吸过程中多时刻的二维DR肺图像进行左肺及右肺分割,得到多时刻的二维DR左肺图像及二维DR右肺图像。
优选地,所述对所述呼吸过程中多时刻的二维DR肺图像进行左肺及右肺分割,得到多时刻的二维DR左肺图像及二维DR右肺图像的方法,包括:分别对所述呼吸过程中多时刻的二维DR肺图像的左侧胸部图像和右侧胸部图像进行肋缘边界、肺尖边界及纵隔和横隔边缘检测,得到多时刻的二维DR左肺图像及二维DR右肺图像;或,
获取预设卷积神经网络的分割模型及用于训练所述分割模型的DR肺区标签图像;利用所述训练所述分割模型的DR肺区标签图像,对所述分割模型进行训练;基于所述训练后的分割模型,完成所述呼吸过程中多时刻的二维DR肺图像的左肺及右肺分割,得到多时刻的二维DR左肺图像及二维DR右肺图像;以及/或,所述用于训练所述分割模型的DR肺区标签图像的确定方法,包括:分别对多张DR肺区图像的左侧胸部图像和右侧胸部图像进行肋缘边界、肺尖边界及纵隔和横隔边缘检测,得到所述多张DR肺区图像对应的DR肺区标签图像。
根据本公开的一方面,提供了一种肺发育评估方法,包括:应用如上述的确定方法或上述确定装置得到的所述呼吸过程中左肺面积和/或右肺面积;
获取呼吸过程中所述左肺面积和/或右肺面积对应患者的年龄信息、身高信息及性别信息,并根据所述年龄信息、身高信息及性别信息确定呼吸过程中的设定左肺肺野面积及设定右肺肺野面积;
分别根据所述患者呼吸过程中的左肺肺野面积、右肺肺野面积、设定左肺肺野面积及设定右肺肺野面积,对所述患者进行肺发育评估;以及/或,
所述分别根据所述患者呼吸过程中的左肺肺野面积、右肺肺野面积、设定左肺肺野面积及设定右肺肺野面积,对所述患者进行肺发育评估的方法,包括:
若呼吸过程中的所述左肺肺野面积小于对应的所述呼吸过程中的设定左肺肺野面积,则所述患者的左肺发育异常;否则,所述患者的左肺发育正常;或,分别计算呼吸过程中的所述左肺肺野面积对应的左肺平均面积及计算所述呼吸过程中的设定左肺肺野面积对应的设定左肺平均面积;若所述左肺平均面积小于所述设定左肺平均面积,则所述患者的左肺发育异常;否则,所述患者的左肺发育正常;以及/或,
若呼吸过程中的所述右肺肺野面积小于对应的所述呼吸过程中的设定右肺肺野面积,则所述患者的右肺发育异常;否则,所述患者的右肺发育正常;或,分别计算呼吸过程中的所述右肺肺野面积对应的右肺平均面积及计算所述呼吸过程中的设定右肺肺野面积对应的设定右肺平均面积;若所述右肺平均面积小于所述设定右肺平均面积,则所述患者的右肺发育异常;否则,所述患者的右肺发育正常;以及/或,
还包括:在分别根据所述患者呼吸过程中的左肺肺野面积、右肺肺野面积、设定左肺肺野面积及设定右肺肺野面积,对所述患者进行肺发育评估的结果为右肺发育正常和/或右肺发育正常的条件下,
获取呼吸过程中患者在深吸气及深呼气下对应的所述左肺面积和/或右肺面积,并根据所述年龄信息、身高信息及性别信息确定对应的左肺设面积设定值和/或右肺面积设定值;
基于深吸气及深呼气下的所述左肺面积及所述左肺设面积设定值和/或基于所述右肺面积及所述右肺设面积设定值,对所述患者进行肺发育评估;以及/或,
所述基于所述左肺面积及所述左肺设面积设定值的方法,包括:
计算所述深吸气下的左肺面积与所述深呼气下的左肺面积的第一差值;
所述第一差值及左肺设面积设定值,对所述患者进行肺发育评估;以及/或,
所述第一差值及左肺设面积设定值,对所述患者进行肺发育评估的方法,包括:
若所述第一差值大于或等于所述左肺设面积设定值,则所述患者的左肺发育异常;否则,所述患者的左肺发育正常;以及/或,
所述基于所述右肺面积及所述右肺设面积设定值的方法,包括:
计算所述深吸气下的右肺面积与所述深呼气下的右肺面积的第二差值;
所述第二差值及右肺设面积设定值,对所述患者进行肺发育评估;以及/或,
所述第二差值及右肺设面积设定值,对所述患者进行肺发育评估的方法,包括:
若所述第二差值大于或等于所述右肺设面积设定值,则所述患者的右肺发育异常;否则,所述患者的右肺发育正常。
根据本公开的一方面,提供了一种肺野面积确定装置,包括:
第一获取单元,用于获取呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像;
确定单元,用于分别基于所述呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像,确定所述呼吸过程中左肺面积和/或右肺面积;以及/或,
所述确定单元,包括:
设定面积获取单元,用于获取单个像素对应的设定面积;
统计单元,用于分别统计所述呼吸过程中多时刻的二维DR左肺图像中左肺像素数目和/或二维DR右肺图像中右肺像素数目;
面积计算单元,用于基于所述设定面积,分别计算所述呼吸过程中多时刻的二维DR左肺图像中左肺像素数目和/或二维DR右肺图像中右肺图像中右肺像素数目对应的左肺面积和/或右肺面积;以及/或,
所述面积计算单元,包括:左肺面积计算单元和/或右肺面积计算单元;
所述左肺面积计算单元,用于分别利用所述设定面积乘以所述呼吸过程中多时刻的二维DR左肺图像中左肺像素数目,得到所述呼吸过程中对应的左肺面积;和/或,所述右肺面积计算单元,用于分别利用所述设定面积乘以所述呼吸过程中多时刻的二维DR右肺图像中右肺像素数目,得到所述呼吸过程中对应的右肺面积;以及/或,
还包括:分割单元;
所述分割单元,用于在所述获取呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像之前,获取所述呼吸过程中多时刻的二维DR肺图像,对所述呼吸过程中多时刻的二维DR肺图像进行左肺及右肺分割,得到多时刻的二维DR左肺图像及二维DR右肺图像;以及/或,
所述分割单元,包括:检测单元;
所述检测单元,用于分别对所述呼吸过程中多时刻的二维DR肺图像的左侧胸部图像和右侧胸部图像进行肋缘边界、肺尖边界及纵隔和横隔边缘检测,得到多时刻的二维DR左肺图像及二维DR右肺图像;或,
所述分割单元,包括:模型及数据获取单元、训练单元及输出单元;
所述模型及数据获取单元,用于获取预设卷积神经网络的分割模型及用于训练所述分割模型的DR肺区标签图像;
所述训练单元,用于利用所述训练所述分割模型的DR肺区标签图像,对所述分割模型进行训练;
所述输出单元,用于基于所述训练后的分割模型,完成所述呼吸过程中多时刻的二维DR肺图像的左肺及右肺分割,得到多时刻的二维DR左肺图像及二维DR右肺图像;以及/或,
所述分割单元,还包括:标签确定单元;
所述标签确定单元,用于分别对多张DR肺区图像的左侧胸部图像和右侧胸部图像进行肋缘边界、肺尖边界及纵隔和横隔边缘检测,得到所述多张DR肺区图像对应的DR肺区标签图像。
根据本公开的一方面,提供了一种肺发育评估装置,包括:包括或应用如上所述的肺野面积确定方法或如上述的肺野面积确定装置得到的所述呼吸过程中左肺面积和/或右肺面积;得到的所述呼吸过程中左肺面积和/或右肺面积;及,
第二获取单元,用于获取呼吸过程中所述左肺面积和/或右肺面积对应患者的年龄信息、身高信息及性别信息,并根据所述年龄信息、身高信息及性别信息确定呼吸过程中的设定左肺肺野面积及设定右肺肺野面积;
第一评估单元,用于分别根据所述患者呼吸过程中的左肺肺野面积、右肺肺野面积、设定左肺肺野面积及设定右肺肺野面积,对所述患者进行肺发育评估;以及/或,
所述第一评估单元,还包括:左肺评估单元及右肺评估单元;
所述左肺评估单元,用于若呼吸过程中的所述左肺肺野面积小于对应的所述呼吸过程中的设定左肺肺野面积,则所述患者的左肺发育异常;否则,所述患者的左肺发育正常;或,所述左肺评估单元,用于分别计算呼吸过程中的所述左肺肺野面积对应的左肺平均面积及计算所述呼吸过程中的设定左肺肺野面积对应的设定左肺平均面积;若所述左肺平均面积小于所述设定左肺平均面积,则所述患者的左肺发育异常;否则,所述患者的左肺发育正常;以及/或,
所述右肺评估单元,用于若呼吸过程中的所述右肺肺野面积小于对应的所述呼吸过程中的设定右肺肺野面积,则所述患者的右肺发育异常;否则,所述患者的右肺发育正常;或,所述右肺评估单元,用于分别计算呼吸过程中的所述右肺肺野面积对应的右肺平均面积及计算所述呼吸过程中的设定右肺肺野面积对应的设定右肺平均面积;若所述右肺平均面积小于所述设定右肺平均面积,则所述患者的右肺发育异常;否则,所述患者的右肺发育正常;以及/或,
还包括:条件判别单元;
所述条件判别单元,用于在分别根据所述患者呼吸过程中的左肺肺野面积、右肺肺野面积、设定左肺肺野面积及设定右肺肺野面积,对所述患者进行肺发育评估的结果为右肺发育正常和/或右肺发育正常的条件下,
第二获取单元,用于获取呼吸过程中患者在深吸气及深呼气下对应的所述左肺面积和/或右肺面积,并根据所述年龄信息、身高信息及性别信息确定对应的左肺设面积设定值和/或右肺面积设定值;
基于深吸气及深呼气下的所述左肺面积及所述左肺设面积设定值和/或基于所述右肺面积及所述右肺设面积设定值,对所述患者进行肺发育评估;以及/或,
所述第二评估单元,包括:第二左肺评估单元;
所述第二左肺评估单元,用于基于所述左肺面积及所述左肺设面积设定值,对所述患者进行肺发育评估,包括:第一计算单元及第一比较单元;其中,所述第一计算单元,用于计算所述深吸气下的左肺面积与所述深呼气下的左肺面积的第一差值;其中,所述第一比较单元,用于基于所述第一差值及左肺设面积设定值,对所述患者进行肺发育评估;以及/或,
所述第一比较单元,基于所述第一差值及左肺设面积设定值,对所述患者进行肺发育评估,包括:若所述第一差值大于或等于所述左肺设面积设定值,则所述患者的左肺发育异常;否则,所述患者的左肺发育正常;以及/或,
所述第二评估单元,还包括:第二右肺评估单元;
所述第二右肺评估单元,用于基于所述右肺面积及所述右肺设面积设定值,对所述患者进行肺发育评估,包括:第二计算单元及第二比较单元;其中,所述第二计算单元,用于计算所述深吸气下的右肺面积与所述深呼气下的右肺面积的第二差值;所述第二比较单元,用于基于所述第二差值及右肺设面积设定值,对所述患者进行肺发育评估;以及/或,
所述第二比较单元,用于基于所述第二差值及右肺设面积设定值,对所述患者进行肺发育评估,包括:若所述第二差值大于或等于所述右肺设面积设定值,则所述患者的右肺发育异常;否则,所述患者的右肺发育正常。
根据本公开的一方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述DR图像肺野面积确定方法和/或上述肺发育评估方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述DR图像肺野面积确定方法和/或上述肺发育评估方法。
在本公开实施例中,DR图像肺野面积确定、肺发育评估确定方法及装置、电子设备和存储介质技术方案,进而提升DR肺图像的智能评估水平,以解决目前DR肺图像并未广泛应用于肺发育评估的问题。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的肺野面积确定方法的流程图;
图2示出根据本公开实施例的肺发育评估方法的流程图;
图3示出根据本公开实施例的肺野面积确定装置的框图;
图4示出根据本公开实施例的肺发育评估装置的框图;
图5是根据一示例性实施例示出的一种电子设备800的框图;
图6是根据一示例性实施例示出的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了DR图像肺野面积确定装置、肺发育评估装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种DR图像肺野面积确定方法、肺发育评估方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图1示出根据本公开实施例的DR图像肺野面积的确定方法的流程图,如图1所示,所述DR图像肺野面积的确定方法,包括:步骤S101:获取呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像;步骤S102:分别基于所述呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像,确定所述呼吸过程中左肺面积和/或右肺面积。进而提升DR肺图像的智能评估水平,以解决目前DR肺图像并为广泛应用于肺发育评估的问题。
步骤S101:获取呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像。
在本公开的实施例及其他可能的实施例中,数字X射线(Digital X-Ray,DR)影像设备可以提供高分辨率及实时性的X射线图像,已经广泛应用于骨骼系统、胸部、牙科等检查,如骨折诊断、肺部疾病筛查、牙齿拍片等。因此,可以利用DR影像设备,对骨骼系统、胸部、牙科等进行成像。
在本公开的实施例中,在所述获取呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像之前,获取所述呼吸过程中多时刻的二维DR肺图像,对所述呼吸过程中多时刻的二维DR肺图像进行左肺及右肺分割,得到多时刻的二维DR左肺图像及二维DR右肺图像。
在本公开的实施例中,所述对所述呼吸过程中多时刻的二维DR肺图像进行左肺及右肺分割,得到多时刻的二维DR左肺图像及二维DR右肺图像的方法,包括:分别对所述呼吸过程中多时刻的二维DR肺图像的左侧胸部图像和右侧胸部图像进行肋缘边界、肺尖边界及纵隔和横隔边缘检测,得到多时刻的二维DR左肺图像及二维DR右肺图像;或,所述对所述呼吸过程中多时刻的二维DR肺图像进行左肺及右肺分割,得到多时刻的二维DR左肺图像及二维DR右肺图像的方法,包括:获取预设卷积神经网络的分割模型及用于训练所述分割模型的DR肺区标签图像;利用所述训练所述分割模型的DR肺区标签图像,对所述分割模型进行训练;基于所述训练后的分割模型,完成所述呼吸过程中多时刻的二维DR肺图像的左肺及右肺分割,得到多时刻的二维DR左肺图像及二维DR右肺图像;以及/或,所述用于训练所述分割模型的DR肺区标签图像的确定方法,包括:分别对多张DR肺区图像的左侧胸部图像和右侧胸部图像进行肋缘边界、肺尖边界及纵隔和横隔边缘检测,得到所述多张DR肺区图像对应的DR肺区标签图像。
在本公开的实施例及其他可能的实施例中,获取待处理DR图像(呼吸过程中或屏气状态下的多时刻的二维DR左肺图像),并根据所述待处理DR图像确定是否为肺图像;其中,所述肺图像配置为呼吸过程中多时刻的二维DR肺图像;若是所述肺图像,则对所述待处理DR图像进行胸腔检测,去除所述待处理DR图像中所述胸腔之外信息。
在本公开的实施例及其他可能的实施例中,所述根据所述待处理DR图像确定是否为肺图像的方法,包括:计算所述待处理DR图像对应的平均灰度值,根据所述平均灰度值及设定灰度值确定是否为肺图像。其中,本领域技术人员可根据实际需要对所述设定灰度值进行配置。例如,所述设定灰度值可配置为-1000HU至0HU之间任意一个数值或范围。同时,在本公开的实施例及其他可能的实施例中,亦可通过对所述待处理DR图像进行人工判断,以确定所述待处理DR图像确定是否为肺图像。
在本公开的实施例及其他可能的实施例中,所述根据所述平均灰度值及设定灰度值确定是否为肺图像的方法,包括:若所述待处理DR图像未进行取反处理,则若所述平均灰度值小于或等于设定灰度值,则确定所述待处理DR图像为肺图像;若所述待处理DR图像进行了取反处理,则若所述平均灰度值大于或等于设定灰度值,则确定所述待处理DR图像为肺图像。其原理为如果是肺图像,则肺图像内肺一般会充满或含有一定量的空气,而空气对应较小的灰度值(CT值),一般配置为-1000HU;而水的灰度值(CT值)一般配置为0HU,骨头的灰度值(CT值)一般配置为1000HU以上;因此,采用上述技术方案确定所述待处理DR图像是否为肺图像。
在本公开的实施例及其他可能的实施例中,若是所述肺图像,则对所述待处理DR图像进行胸腔检测,去除所述待处理DR图像中所述胸腔之外信息。其中,在本公开的实施例及其他可能的实施例中,所述胸腔之外信息,包括:去除手臂、头部以及空白背景等非必要信息。
在本公开的实施例中,在对所述待处理DR图像(待分割肺图像或呼吸过程中或屏气状态下多时刻的二维DR肺图像)进行胸腔检测之前,对所述待处理DR图像进行滤波,并对所述滤波后的待分割肺图像进行下采样至设定尺寸。
在本公开的实施例中,对所述设定尺寸的待处理DR图像的对数变换进行图像增强,得到增强的待处理DR图像。
(1)待处理DR图像(待分割肺图像或呼吸过程中多时刻的二维DR肺图像)的图像预处理。
在本公开的实施例及其他可能的实施例中,a.待处理DR图像(待分割肺图像),并对待处理DR图像(待分割肺图像)进行低通滤波,对滤波后的待分割肺图像进行缩小(下采样)至设定尺寸,以加快图像的处理速度;进行下采样的待分割肺图像的对数变换进行图像增强,得到增强的待分割肺;其中,设定尺寸值的低通模板高斯滤波或均值滤波,所述设定尺寸值可配置为3×3或5×5。其中,所述缩小(下采样)的范围可以配置为2-6倍。本领域技术人员可根据实际需要对所述设定尺寸值及/或所述缩小(下采样)的范围进行配置。
在本公开的实施例及其他可能的实施例中,b.所述待处理DR图像进行胸腔检测的技术方案采用了根据待分割肺图像的特点自适应判定胸腔轮廓,去除手臂头部以及空白背景等非必要信息。
在本公开的实施例中,步骤1).所述对所述待处理DR图像进行DR图像处理的方法,包括:分别计算所述待处理DR图像中每个像素点的横方向对应的多个第一梯度幅值及每个像素点的纵方向的多个第二梯度幅值;基于所述多个第一梯度幅值及所述多个第二梯度幅值确定多个总梯度幅值;分别对横方向对应的多个第一梯度幅值及纵方向的多个第二梯度幅值沿着垂直于其方向进行积分,得到多个第一积分值及多个第二积分值;分别对所述多个总梯度幅值积分在纵方向及横方向对应的两个方向积分,得到多个第三积分值及多个第四积分值;计算所述多个第一比值对应的多个第一局部极大值,及计算所述多个第一比值及多个第二比值对应的多个第一局部极小值及多个第二局部极小值;根据所述多个第一局部极大值、所述多个第一局部极小值、所述多个第二局部极小值以及胸廓特征确定所述待处理DR图像对应的胸廓图;其中,所述胸廓特征可配置胸廓对应的颈部或肩部的第一分割位置及胸廓两侧的第二分割位置。
在本公开的实施例中,所述分别计算所述待处理DR图像中每个像素点的横方向对应的多个第一梯度幅值及每个像素点的纵方向的多个第二梯度幅值的方法,包括:获取梯度算子;利用所述梯度算子,分别计算所述待处理DR图像中每个像素点的横方向对应的多个第一梯度幅值及每个像素点的纵方向的多个第二梯度幅值。
在本公开的实施例中,所述基于所述多个第一梯度幅值及所述多个第二梯度幅值确定多个总梯度幅值的方法,包括:分别计算所述多个第一梯度幅值对应的多个第一平方和及所述多个第二梯度幅值对应的多个第二平方和,并基于所述多个第一平方和及所述多个第二平方和确定所述多个总梯度幅值;以及/或,所述基于所述多个第一平方和及所述多个第二平方和确定所述多个总梯度幅值的方法,包括:分别对所述多个第一平方和及多个所述第二平方和进行求和,对所述和进行开平方处理,得到所述多个总梯度幅值。
在本公开的实施例及其他可能的实施例中,分别计算待分割肺图像中每个像素点的横方向对应的多个第一梯度幅值及每个像素点的纵方向的多个第二梯度幅值;并基于所述多个第一梯度幅值及所述多个第二梯度幅值确定多个总梯度幅值;其中,所述基于所述多个第一梯度幅值及所述多个第二梯度幅值确定多个总梯度幅值的方法,包括:分别计算所述多个第一梯度幅值对应的多个第一平方和及所述多个第二梯度幅值对应的多个第二平方和,并基于所述多个第一平方和及所述多个第二平方和确定所述多个总梯度幅值。其中,所述基于所述多个第一平方和及所述多个第二平方和确定所述多个总梯度幅值的方法,包括:分别对所述多个第一平方和及多个所述第二平方和进行求和,对所述和进行开平方处理,得到所述多个总梯度幅值。
例如,待分割肺图像每个像素点e及其八邻域矩阵为利用sobel梯度算子/>分别计算待分割肺图像中每个像素点e的横方向对应的多个第一梯度幅值(c+2*f+i-a-2*d-g)及利用sobel梯度算子的转置/>分别计算待分割肺图像中每个像素点e的纵方向的多个第二梯度幅值(g+2*h+i-a-2*b-c)。同时,对于本领域技术人员也可以需要实际需要选择其他梯度算子,例如Roberts梯度算子或Laplace梯度算子。
又例如,基于所述多个第一梯度幅值(h1,h2,...,hn)及所述多个第二梯度幅值(k1,k2,...,kn)确定多个总梯度幅值为
步骤2).分别对横方向对应的多个第一梯度幅值及纵方向的多个第二梯度幅值沿着垂直于其方向进行积分,得到多个第一积分值及多个第二积分值;
其中,对横方向对应的多个第一梯度幅值在纵方向积分,得到多个第一积分值;及,对纵方向对应的多个第一梯度幅值在横方向积分,得到多个第二积分值。
步骤3).分别对所述多个总梯度幅值积分在纵方向及横方向对应的两个方向积分,得到多个第三积分值及多个第四积分值;其中,对所述多个总梯度幅值积分在纵方向积分,得到多个第三积分值;及,对所述多个总梯度幅值积分在横方向积分,得到多个第四积分值。
步骤4).(a)确定多个第一局部极大值时,根据步骤2的结果与步骤3的结果计算比率,当比率小于预设值时,此位置的图像信息视为噪声,需要进行舍弃。其中,所述噪声可配置为手臂头部以及空白背景等非必要信息对应的图像信息。
其中,基于所述多个第一积分值及所述多个第三积分值,确定在所述横方向上所述多个第一积分值与所述多个第三积分值对应的多个第一比值中的每个第一比值是否保留。
其中,所述基于所述多个第一积分值及所述多个第三积分值,确定在所述横方向上所述多个第一积分值与所述多个第三积分值对应的多个第一比值中的每个第一比值是否保留的方法,包括:获取第一预设值;分别计算在所述横方向上的所述多个第一积分值与对应的所述多个第三积分值的多个第一比值;若多个第一比值中某个第一比值小于所述第一预设值,则舍弃所述某个第一比值。在本公开的实施例及其他可能的实施例中,对于本领域技术人员也可以需要实际需要对所述第一预设值进行配置。
(b)确定多个第一局部极小值时,根据步骤2的结果与步骤3的结果计算比率,当比率大于预设值时,此位置的图像信息视为噪声,需要进行舍弃。其中,所述噪声可配置为手臂头部以及空白背景等非必要信息对应的图像信息。
其中,基于所述多个第一积分值及所述多个第三积分值,确定在所述横方向上所述多个第一积分值与所述多个第三积分值对应的多个第一比值中的每个第一比值是否保留。
其中,所述基于所述多个第一积分值及所述多个第三积分值,确定在所述横方向上所述多个第一积分值与所述多个第三积分值对应的多个第一比值中的每个第一比值是否保留的方法,包括:获取第一预设值;分别计算在所述横方向上的所述多个第一积分值与对应的所述多个第三积分值的多个第一比值;若多个第一比值中某个第一比值大于所述第一预设值,则舍弃所述某个第一比值。
其中,基于所述多个第二积分值及所述多个第四积分值,确定在所述纵方向上所述多个第二积分值与所述多个第四积分值对应的多个第二比值中的每个第二比值是否保留。
其中,所述基于所述多个第二积分值及所述多个第四积分值,确定在所述纵方向上所述多个第二积分值与所述多个第四积分值对应的多个第二比值中的每个第二比值是否保留的方法,包括:获取第二预设值;分别计算在所述纵方向上的所述多个第二积分值与对应的所述多个第四积分值的多个第二比值;若多个第二比值中某个第二比值大于所述第二预设值,则舍弃所述某个第二比值。在本公开的实施例及其他可能的实施例中,对于本领域技术人员也可以需要实际需要对所述第二预设值进行配置。
在本公开的实施例中,在所述计算所述多个第一比值对应的多个第一局部极大值,及计算所述多个第一比值及多个第二比值对应的多个第一局部极小值及多个第二局部极小值之前,基于所述多个第一积分值及所述多个第三积分值,确定在所述横方向上所述多个第一积分值与所述多个第三积分值对应的多个第一比值中的每个第一比值是否保留;及,基于所述多个第二积分值及所述多个第四积分值,确定在所述纵方向上所述多个第二积分值与所述多个第四积分值对应的多个第二比值中的每个第二比值是否保留;进而,计算保留的所述多个第一比值对应的多个第一局部极大值,及计算保留的所述多个第一比值及保留的多个第二比值对应的多个第一局部极小值及多个第二局部极小值。
在本公开的实施例中,计算所述多个第一比值对应第一曲线的微分导数,得到所述多个第一局部极大值及所述多个第一局部极小值;及,计算所述多个第二比值对应第二曲线的微分导数,得到所述多个第二局部极小值。
在本公开的实施例中,所述根据多个第一局部极大值、多个第一局部极小值、多个第二局部极小值以及胸廓特征确定所述待分割肺图像对应的胸廓图的方法,包括:基于所述多个第一局部极大值及所述胸廓特征确定胸廓两侧的第二分割位置;基于所述多个第二局部极小值及所述胸廓特征确定颈部或肩部的第一分割位置;根据所述第一分割位置及所述第一分割位置,确定所述待分割肺图像对应的胸廓图。
在本公开的实施例及其他可能的实施例中,5).分别计算步骤4(a)的舍弃后所述多个第一比值对应的多个第一局部极大值及。同理地,分别计算步骤4(b)的舍弃后所述多个第一比值及多个第二比值对应的多个第一局部极小值及多个第二局部极小值。其中,所述舍弃后所述多个第一比值为舍弃后所保留的所述多个第一比值;同理,所述舍弃后多个第二比值为舍弃后所保留的所述多个第二比值。
根据多个第一局部极大值、多个第一局部极小值、多个第二局部极小值以及胸廓特征确定所述待分割肺图像对应的胸廓图,去除手臂、头部以及空白背景等非必要信息。其中,所述胸廓特征可配置胸廓对应的颈部或肩部的第一分割位置及胸廓两侧的第二分割位置。
其中,所述根据多个第一局部极大值、多个第一局部极小值、多个第二局部极小值以及胸廓特征确定所述待分割肺图像对应的胸廓图的方法,包括:基于所述多个第一局部极大值及所述胸廓特征确定胸廓两侧的第二分割位置;基于所述多个第二局部极小值及所述胸廓特征确定颈部或肩部的第一分割位置;根据所述第一分割位置及所述第一分割位置,确定所述待分割肺图像对应的胸廓图。
其中,通过计算舍弃后的多个第一比值对应第一曲线的微分导数,得到所述多个第一局部极大值;其中,所述微分导数可配置为一阶、二阶或其他多阶微分导数。同理地,通过计算舍弃后的多个第一比值对应第一曲线的微分导数,得到所述多个第一局部极小值;其中,所述微分导数可配置为一阶、二阶或其他多阶微分导数。同理地,通过计算舍弃后的多个第二比值对应第二曲线的微分导数,得到所述多个第二局部极小值;其中,所述微分导数可配置为一阶、二阶或其他多阶微分导数。
在本公开的实施例中,所述基于所述多个第一局部极大值及所述胸廓特征确定胸廓两侧的第二分割位置的方法,包括:根据所述待处理DR图像的中心线,确定所述中心线一侧的所有所述多个第一局部极大值中最大值,并将所述最大值对应的位置信息配置为所述胸廓一侧对应的待确定一侧分割位置点;根据所述待处理DR图像的中心线,确定所述中心线另一侧的所有所述多个第一局部极小值中最小值,并将所述最小值对应的位置信息配置为所述胸廓另一侧对应的待确定另一侧分割位置点。
在本公开的实施例中,基于所述多个第二局部极小值及所述胸廓特征确定颈部或肩部的第一分割位置的方法,包括:将所述多个第二局部极小值对应的最小值对应的位置信息配置为所述颈部或肩部的第一分割位置。
在本公开的实施例及其他可能的实施例中,所述基于所述多个第一局部极大值及所述胸廓特征确定胸廓两侧的第二分割位置的方法,包括:根据所述待分分割图像的中心线,确定所述中心线一侧(右侧)的所有所述多个第一局部极大值中最大值,并将所述最大值对应的位置信息配置为所述胸廓一侧对应的待确定一侧分割位置点;根据所述待分分割图像的中心线,确定所述中心线另一侧(左侧)的所有所述多个第一局部极小值中最小值,并将所述最小值对应的位置信息配置为所述胸廓另一侧对应的待确定另一侧分割位置点。
例如,确定所述中心线一侧(右侧)的所有所述多个第一局部极大值(a1,a2,...,an)中最大值am;其中,m小于或等于n;m为所述最大值对应的位置信息(例如,某个横坐标),即所述胸廓一侧对应的待确定一侧分割位置点。同理地,,确定所述中心线另一侧(左侧)的所有所述多个第一局部极小值(b1,b2,...,bn)中最小值br,其中,r小于或等于n;r为所述最小值对应的位置信息(例如,某个横坐标)。
在本公开的实施例及其他可能的实施例中,基于所述多个第二局部极小值及所述胸廓特征确定颈部或肩部的第一分割位置的方法,包括:将所述多个第二局部极小值对应的最小值对应的位置信息(例如,某个纵坐标)配置为所述颈部或肩部的第一分割位置。
(2)肺野分割。
在本公开的实施例中,将所述待处理DR图像进行胸腔检测得到的胸廓图配置为待分割肺图像;并基于所述待分割肺图像,进行左肺及右肺的分割。
在本公开的实施例中,将所述待分割肺图像分割成左侧胸部图像和右侧胸部图像;分别基于所述左侧胸部图像和所述右侧胸部图像,进行左肺及右肺分割。
在本公开的实施例中,将所述待分割肺图像分割成左侧胸部图像和右侧胸部图像;分别基于所述左侧胸部图像和所述右侧胸部图像,进行左肺及右肺分割;或,获取预设卷积神经网络的分割模型、用于训练所述分割模型的DR肺区标签图像及呼吸过程中或屏气状态下多时刻的待分割多张DR肺图像(待分割肺图像);其中,确定所述用于训练所述分割模型的DR肺区标签图像的方法,包括:分别对多张DR肺区图像的左侧胸部图像和右侧胸部图像进行肋缘边界、肺尖边界及纵隔和横隔边缘检测,得到所述多张DR肺区图像对应的DR肺区标签图像;利用所述训练所述分割模型的DR肺区标签图像,对所述分割模型进行训练;基于所述训练后的分割模型,完成所述待分割多张DR肺图像的左肺和/或右肺分割。
在本公开的实施例及其他可能的实施例中,所述预设卷积神经网络的分割模型配置为Unet卷积神经网络或nnUnet卷积神经网络或基于Unet卷积神经网络改进的卷积神经网络或基于nnUnet卷积神经网络改进的卷积神经网络。例如,基于Unet卷积神经网络改进的卷积神经网络可配置为具有残差结构的ResUnet卷积神经网络。
在本公开的实施例及其他可能的实施例中,所述Unet卷积神经网络或nnUnet卷积神经网络或基于Unet卷积神经网络改进的卷积神经网络或基于nnUnet卷积神经网络改进的卷积神经网络,至少包括:下采样的收缩路径、上采样的扩展路径及最后的分类层。
在本公开的实施例及其他可能的实施例中,所述多张DR肺区图像配置为深吸气状态下或屏气状态下采集的多张DR肺区图像。
在本公开的实施例及其他可能的实施例中,在利用所述训练所述分割模型的DR肺区标签图像,对所述分割模型进行训练之前,对所述DR肺区标签图像进行数据增强,得到增强后的DR肺区标签图像;并利用所述增强后的DR肺区标签图像对所述分割模型进行训练。
在本公开的实施例及其他可能的实施例中,所述对所述DR肺区标签图像进行数据增强,得到增强后的DR肺区标签图像的方法,包括:对所述DR肺区标签图像进行空间几何变换和/或翻转和/或旋转和/或剪裁和/或缩放和/或图像移位和/或边缘填充和/或随机擦除和/或随机遮挡操作,得到增强后的DR肺区标签图像。
在本公开的实施例及其他可能的实施例中,所述对所述DR肺区标签图像进行数据增强,得到增强后的DR肺区标签图像的方法,还包括:随机从所述DR肺区标签图像抽取任意两张DR肺区标签图像;对所述任意两张DR肺区标签图像进行配置操作,得到对应的DR肺区标签配准图像;对所述DR肺区标签配准图像进行融合操作,得到增强后的DR肺区标签图像。
在本公开的实施例及其他可能的实施例中,所述对所述DR肺区标签配准图像进行融合操作,得到增强后的DR肺区标签图像的方法,包括:分别对所述DR肺区标签配准图像对应的像素值进行取最小或取最大或取均值操作,得到增强后的DR肺区标签图像。
在本公开的实施例及其他可能的实施例中,本公开使用的所述配准方法,可以采用现有的配准算法或模型,例如SIFT(Scale-invariant feature transform)配准算法或模型、SURF(Speeded Up Robust Features)配准算法或模型、ORB(Oriented FAST andRotated BRIEF)配准算法或模型等的一种或几种,或其他基于卷积神经网络的配准算法或模型。例如,基于卷积神经网络的配准算法或模型可配置为基于VGG网络的配准算法或模型。
c.根据所述待分割肺图像对应的胸廓图,将胸廓图分割成左侧胸部图像和右侧胸部图像两个部分,以此为基础分别对左侧胸部图像进行左肺野的分割和右侧胸部图像进行右肺野的分割。
在本公开的实施例中,分别基于所述左侧胸部图像和所述右侧胸部图像,进行左肺及右肺分割的方法,包括:分别对所述左侧胸部图像和所述右侧胸部图像进行肋缘边界、肺尖边界及纵隔和横隔边缘检测;根据所述左侧胸部图像对应的肋缘边界、肺尖边界及纵隔和横隔边缘,得到左肺分割图像;根据所述右侧胸部图像对应的肋缘边界、肺尖边界及纵隔和横隔边缘,得到右肺分割图像。
在本公开的实施例中,所述对所述左侧胸部图像进行肋缘边界的方法,包括:利用方向导数构建所述左侧胸部图像的方向导数模板,并设置所述方向导数模板的设定加权深度;利用所述设定加权深度对应的方向导数模板,对所述左侧胸部图像进行方向导数的模板遍历,将模板遍历的结果叠加到所述左侧胸部图像中,得到左侧胸部叠加图像;对所述左侧胸部叠加图像进行二值化处理,得到左侧肋缘二值图;根据所述左侧肋缘二值图及所述左侧胸部叠加图像,得到待筛选左侧的肋缘角度图;基于所述待筛选左侧的肋缘角度图及第一设定肋缘角度得到筛选后的左侧肋缘角度图;对所述左侧肋缘角度图进行连通域选择,得到最大连通域对应的肋缘边界。
在本公开的实施例中,所述根据所述左侧肋缘二值图及所述左侧胸部叠加图像,得到待筛选左侧的肋缘角度图的方法,包括:对左侧肋缘二值图进行形态学的开闭运算及细化处理,得到形态学处理后的左侧肋缘二值图;对形态学处理后的左侧肋缘二值图及所述左侧胸部叠加图像中每个像素的梯度方向角度进行做与操作运算,得到待筛选左侧的肋缘角度图。
在本公开的实施例中,在所述利用方向导数构建所述左侧胸部图像的方向导数模板之前,对所述左侧胸部图像进行设定尺度高斯模糊,得到对应的左侧胸部高斯模糊图像;进而,利用方向导数构建所述左侧胸部高斯模糊图像的方向导数模板;在所述对所述左侧胸部图像进行肋缘边界过程中,利用所述设定加权深度对应的方向导数模板,对所述左侧胸部高斯模糊图像进行方向导数的模板遍历,将模板遍历的结果叠加到所述左侧胸部图像中,得到左侧胸部高斯模糊叠加图像;对所述左侧胸部高斯模糊叠加图像进行二值化处理,得到左侧肋缘二值图;根据所述左侧肋缘二值图及所述左侧胸部高斯模糊叠加图像,得到待筛选左侧的肋缘角度图。
a.在本公开的实施例及其他可能的实施例中,以左侧胸部图像为例进行肺野分割步骤如下。例如,左侧胸部图像的肋缘边界检测。
1).对左侧胸部区域(图像)进行设定尺度高斯模糊,降低此左侧胸部区域(图像)细节信息,得到对应的处理后的左侧胸部高斯模糊图像。其中,所述设定尺度可配置为7×7或9×9,同时本领域技术人员可根据实际需要对所述设定尺度进行配置。其中,高斯模糊算法的均方差可配置为2、2.5、3等数值,同时本领域技术人员可根据实际需要对所述高斯模糊算法的均方差σ进行配置。
2).利用方向导数构建处理后左侧胸部高斯模糊图像f(x0,y0)的方向导数模板,并设置所述方向导数模板的设定加权深度。其中,(x0,y0)分别为左侧胸部图像f(x0,y0)对应的坐标点内的横坐标x0及纵坐标y0。
其中,方向导数的计算公式如下:
其中,l为方向上的单位向量,cosα和cosβ是l方向余弦。其中,所述方向可配置为水平方向,α为l方向与水平方向形成的角度,β为l方向与竖直方向形成的角度。
其中,所述利用方向导数构建处理后左侧胸部高斯模糊图像f(x0,y0)的方向导数模板的方法,包括:获取设定模板半径r对应的在x0方向上的第一半径及在y0方向上的第二半径/>;基于所述第一半径/>及所述第二半径/>,利用方向导数构建处理后左侧胸部高斯模糊图像f(x0,y0)的方向导数模板。
其中,
例如,所述设定模板半径可配置为1、2、3、4、5等。本领域技术人员可根据实际需要对所述设定模板半径进行配置。
又例如,在x0方向上的第一半径rx0配置为-1或0或1时,在y0方向上的第二半径ry0的取值范围为-1、0及1。
其中,本领域技术人员可根据实际需要对所述设定加权深度进行配置,例如所述设定加权深度可配置为6。另外,所述设置所述方向导数模板的设定加权深度的方法,包括:获取设定加权深度,所述设定加权深度乘以所述方向导数模板,得到设定加权深度对应的方向导数模板。根据肋缘区域的结构特点,合理设定方向角度范围,带入到方向导数计算公式中,获取模板数组。
3).利用设定加权深度对应的方向导数模板,对步骤a.1的处理后的左侧胸部高斯模糊图像进行方向导数的模板遍历,将模板遍历的结果叠加(对应的像素相加)到步骤1的左侧胸部高斯模糊图像中,得到左侧胸部高斯模糊叠加图像。
例如,左侧胸部高斯模糊图像每个像素点e及其八邻域矩阵为利用设定加权深度对应的方向导数模板/>分别计算每个像素点e叠加值(e+w*(c+2*f+i-a-2*d-g))。
4).对步骤a.3的结果(左侧胸部高斯模糊叠加图像)进行最大类间方差的二值化处理,得到肋缘二值图。
5).对步骤a.4的结果(肋缘二值图)进行形态学的开闭运算及细化处理,得到形态学处理后的肋缘二值图。
6).分别对步骤a.3的结果(左侧胸部高斯模糊叠加图像)进行横向梯度及纵向梯度计算,得到横向梯度图及纵向梯度图;基于横向梯度图及纵向梯度图,计算得到左侧胸部高斯模糊叠加图像中每个像素的梯度方向角度。
7).将步骤a.5的结果(形态学处理后的肋缘二值图)与步骤a.6的结果(左侧胸部高斯模糊叠加图像中每个像素的梯度方向角度)做与操作运算,得到待筛选肋缘角度图。
8).根据肋缘组织的特征设定合理的角度范围(第一设定肋缘角度范围),对步骤a.7中获取的结果(待筛选肋缘角度图)进行角度筛选,得到筛选后的肋缘角度图。
9).根据步骤a.8中的结果(筛选后的肋缘角度图)进行连通域选择,得到最大连通域,则此连通域即为肋缘部分(肋缘边界)。
同理地,在本公开的实施例中,所述对所述右侧胸部图像进行肋缘边界的方法,包括:利用方向导数构建所述右侧胸部图像的方向导数模板,并设置所述方向导数模板的设定加权深度;利用所述设定加权深度对应的方向导数模板,对所述右侧胸部图像进行方向导数的模板遍历,将模板遍历的结果叠加到所述右侧胸部图像中,得到右侧胸部叠加图像;对所述右侧胸部叠加图像进行二值化处理,得到右侧肋缘二值图;根据所述右侧肋缘二值图及所述右侧胸部叠加图像,得到待筛选右侧的肋缘角度图;基于所述待筛选右侧的肋缘角度图及第二设定肋缘角度得到筛选后的右侧肋缘角度图;对所述右侧肋缘角度图进行连通域选择,得到最大连通域对应的肋缘边界。
同理地,在本公开的实施例中,所述根据所述右侧肋缘二值图及所述右侧胸部叠加图像,得到待筛选右侧的肋缘角度图的方法,包括:对右侧肋缘二值图进行形态学的开闭运算及细化处理,得到形态学处理后的右侧肋缘二值图;对形态学处理后的右侧肋缘二值图及所述右侧胸部叠加图像中每个像素的梯度方向角度进行做与操作运算,得到待筛选右侧的肋缘角度图。
同理地,在本公开的实施例中,在所述利用方向导数构建所述右侧胸部图像的方向导数模板之前,对所述右侧胸部图像进行设定尺度高斯模糊,得到对应的右侧胸部高斯模糊图像;进而,利用方向导数构建所述右侧胸部高斯模糊图像的方向导数模板;在所述对所述右侧胸部图像进行肋缘边界过程中,利用所述设定加权深度对应的方向导数模板,对所述右侧胸部高斯模糊图像进行方向导数的模板遍历,将模板遍历的结果叠加到所述右侧胸部图像中,得到右侧胸部高斯模糊叠加图像;对所述右侧胸部高斯模糊叠加图像进行二值化处理,得到右侧肋缘二值图;根据所述右侧肋缘二值图及所述右侧胸部高斯模糊叠加图像,得到待筛选右侧的肋缘角度图。
b.肺尖边界检测。在本公开的实施例中,所述对所述左侧胸部图像进行左肺尖边界检测的方法,包括:根据所述左侧胸部图像确定左肺肺尖检测区域;根据所述左肺肺尖检测区域,确定左肺肺尖边缘二值图;根据所述左肺肺尖边缘二值图,采用二次函数拟合,得到拟合后的左肺尖边界。
在本公开的实施例中,所述根据所述左侧胸部图像确定左肺肺尖检测区域的方法,包括:检测所述左侧胸部图像的肋缘最上侧坐标点对应的第一坐标;所述第一坐标与所述左侧胸部图像最右上角的坐标点组成斜边构成的区域配置为左肺肺尖检测区域。
在本公开的实施例及其他可能的实施例中,1).检测的左侧胸部图像的肋缘部分最上侧坐标点对应的坐标。2).此坐标点与所述左侧胸部图像最右上角的坐标点组成斜边构成的矩形区域为肺尖检测区域。如对右肺对应的肺尖检测区域,则肋缘部分最上侧坐标点对应的坐标与所述右侧胸部图像最左上角的坐标点组成斜边构成的矩形区域为右肺对应肺尖检测区域。3).对步骤b.2中获取的肺尖区域进行设定尺度高斯滤波和对比度增强,得到滤波增强肺尖区域图像。4).根据肺尖边缘的角度特点,基于滤波增强肺尖区域图像,采用与步骤a.2至a.5步骤相同的方法确定左肺肺尖边缘二值图。其中,所述肺尖边缘的角度特点配置为设定角度范围。5).根据肺尖边缘的特征以及左肺肺尖边缘二值图,采用二次函数的霍夫空间参数拟合,得到拟合后的肺尖边缘(线)。其中,所述肺尖边缘的特征为开口向下的二次函数。
同理地,在本公开的实施例中,所述对所述右侧胸部图像进行右肺尖边界检测的方法,包括:根据所述右侧胸部图像确定右肺肺尖检测区域;根据所述右肺肺尖检测区域,确定右肺肺尖边缘二值图;根据所述右肺肺尖边缘二值图,采用二次函数拟合,得到拟合后的右肺尖边界。
同理地,在本公开的实施例中,所述根据所述右侧胸部图像确定右肺肺尖检测区域的方法,包括:检测所述右侧胸部图像的肋缘最上侧坐标点对应的第二坐标;所述第二坐标与所述左侧胸部图像最左上角的坐标点组成斜边构成的区域配置为右肺肺尖检测区域。
c.纵隔和横隔边缘检测。在本公开的实施例中,分别对所述左侧胸部图像进行左肺纵隔和横隔边缘检测的方法,包括:对所述左侧胸部图像进二值化处理,得到左侧胸部二值图像;对所述左侧胸部二值图像进行边缘检测,得到左侧胸部边缘二值图;根据所述左侧胸部二值图像及所述左侧胸部边缘二值图中每个像素的梯度方向角度,得到左侧胸部边缘角度图;根据所述得到左侧胸部边缘角度图及设定横隔和纵隔的边缘角度范围,得到选择后的左侧横隔和纵隔边缘角度图;根据所述选择后的左侧横隔和纵隔边缘角度图进行连通域选择处理,获取最大连通域对应的左肺纵隔和横隔边缘。
在本公开的实施例中,所述对所述左侧胸部图像进二值化处理,得到左侧胸部二值图像的方法,包括:对所述左侧胸部图像对应的左侧胸部高斯模糊图像进行对比度增强处理及最大类间方差处理,得到左侧胸部二值图像。
在本公开的实施例中,确定所述左侧胸部边缘二值图中每个像素的梯度方向角度的方法,包括:对所述左侧胸部图像对应的左侧胸部高斯模糊图像进行横向梯度及纵向梯度计算,得到左侧胸部的横向梯度图及纵向梯度图;基于所述左侧胸部的横向梯度图及纵向梯度图,得到左侧胸部高斯模糊图像中每个像素的梯度方向角度。
在本公开的实施例及其他可能的实施例中,对所述左侧胸部图像进行左肺纵隔和横隔边缘检测方法,包括:1).对步骤a.1中得到的处理后的左侧胸部高斯模糊图像进行对比度增强处理及最大类间方差处理,得到左侧胸部二值图像;2).对步骤c.1的结果(左侧胸部二值图像)依次进行形态学的开闭运算和canny边缘检测,得到左侧胸部边缘二值图;3).对步骤a.1中得到的处理后的左侧胸部高斯模糊图像进行横向梯度及纵向梯度计算,得到横向梯度图及纵向梯度图;基于横向梯度图及纵向梯度图,计算得到左侧胸部高斯模糊图像中每个像素的梯度方向角度;4).对步骤c.1得到的左侧胸部二值图像和c.2得到的左侧胸部边缘二值图进行与操作运算,保留边缘像素点上的角度,得到左侧胸部边缘角度图;5).根据横隔和纵隔的边缘特点选择合适的角度范围(设定横隔和纵隔的边缘角度范围),去除所述左侧胸部边缘角度图中杂散组织边缘信息,得到选择后的左侧横隔和纵隔边缘角度图;6).根据c.5的结果(选择后的左侧横隔和纵隔边缘角度图)进行连通域选择处理,获取最大连通域,即为横隔和纵隔边缘区域。
同理地,在本公开的实施例中,分别对所述右侧胸部图像进行右肺纵隔和横隔边缘检测的方法,包括:对所述右侧胸部图像进二值化处理,得到右侧胸部二值图像;对所述右侧胸部二值图像进行边缘检测,得到右侧胸部边缘二值图;根据所述右侧胸部二值图像及所述右侧胸部边缘二值图中每个像素的梯度方向角度,得到右侧胸部边缘角度图;根据所述得到右侧胸部边缘角度图及设定横隔和纵隔的边缘角度范围,得到选择后的右侧横隔和纵隔边缘角度图;根据所述选择后的右侧横隔和纵隔边缘角度图进行连通域选择处理,获取最大连通域对应的右肺纵隔和横隔边缘。
同理地,在本公开的实施例中,所述对所述右侧胸部图像进二值化处理,得到右侧胸部二值图像的方法,包括:对所述右侧胸部图像对应的右侧胸部高斯模糊图像进行对比度增强处理及最大类间方差处理,得到右侧胸部二值图像。
同理地,在本公开的实施例中,确定所述右侧胸部边缘二值图中每个像素的梯度方向角度的方法,包括:对所述右侧胸部图像对应的右侧胸部高斯模糊图像进行横向梯度及纵向梯度计算,得到右侧胸部的横向梯度图及纵向梯度图;基于所述右侧胸部的横向梯度图及纵向梯度图,得到右侧胸部高斯模糊图像中每个像素的梯度方向角度。
(3)横纵膈边缘,肺尖和肋缘的连接。在本公开的实施例中,所述根据所述左侧胸部图像对应的肋缘边界、肺尖边界及纵隔和横隔边缘,得到左肺分割图像的方法,包括:计算所述左侧胸部图像中肺尖边界与纵隔边缘的最短距离对应的第一左肺尖边缘点及左肺纵隔边缘点;计算所述左侧胸部图像中肺尖边界与肋缘边缘的最短距离对应的第二左肺尖边缘点及第一左肺肋缘边缘点;计算所述左侧胸部图像中肋缘边界与横隔边缘的最短距离对应的第二肋缘边缘点及横膈边缘点;基于所述第一左肺尖边缘点、左肺纵隔边缘点、第二左肺尖边缘点、第一左肺肋缘边缘点、第二肋缘边缘点及横膈边缘点,得到左肺分割图像。
同理地,在本公开的实施例中,所述根据所述右侧胸部图像对应的肋缘边界、肺尖边界及纵隔和横隔边缘,得到右肺分割图像的方法,包括:计算所述右侧胸部图像中肺尖边界与纵隔边缘的最短距离对应的第一右肺尖边缘点及右肺纵隔边缘点;计算所述右侧胸部图像中肺尖边界与肋缘边缘的最短距离对应的第二右肺尖边缘点及第一右肺肋缘边缘点;计算所述右侧胸部图像中肋缘边界与横隔边缘的最短距离对应的第二肋缘边缘点及横膈边缘点;基于所述第一右肺尖边缘点、右肺纵隔边缘点、第二右肺尖边缘点、第一右肺肋缘边缘点、第二肋缘边缘点及横膈边缘点,得到右肺分割图像。
在本公开的实施例及其他可能的实施例中,横纵膈边缘,肺尖和肋缘的连接的方法,包括:a.计算肺尖边缘(线)与纵隔边缘(线)之间欧几里得距离最短的两个点(第一肺尖边缘点及纵隔边缘点),此两点即分别为肺尖和横纵膈边界的端点之一;b.计算获取肺尖边缘(线)与肋缘边缘(线)之间欧几里得距离最短的两个点(第二肺尖边缘点及第一肋缘边缘点),此两点即分别为肺尖和肋缘的端点之一,根据步骤a得到的另一个肺尖端点即可得到肺尖区域边界;c.计算获取肋缘(线)与横膈边缘(线)之间欧几里得距离最短的两个点(第二肋缘边缘点及横膈边缘点),此两点即分别为肋缘与横纵膈的端点之一,根据步骤a得到的另一个横纵膈边界的端点即可获取横纵膈边界区域,根据步骤b得到的另一个肋缘端点即可得到肋缘的边界区域;d.将上述步骤abc获取的三个部分的边缘区域连接起来,即得到闭合的肺野轮廓,根据轮廓边界内外组织的不同,即可分割出肺野区域;e.右侧肺野区域按上述同样方式处理,最后将肺野区域映射到原始图中即可获取原始图的肺野分割。
步骤S102:分别基于所述呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像,确定所述呼吸过程中左肺面积和/或右肺面积。
在本公开的实施例中,所述分别基于所述呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像,确定所述呼吸过程中左肺面积和/或右肺面积的方法,包括:获取单个像素对应的设定面积;分别统计所述呼吸过程中多时刻的二维DR左肺图像中左肺像素数目和/或二维DR右肺图像中右肺像素数目;基于所述设定面积,分别计算所述呼吸过程中多时刻的二维DR左肺图像中左肺像素数目和/或二维DR右肺图像中右肺图像中右肺像素数目对应的左肺面积和/或右肺面积。
其中,在本公开的实施例及其他可能的实施例中,本领域技术人员可根据实际需要对所述单个像素对应的设定面积进行配置。
在本公开的实施例中,所述基于所述设定面积,分别计算所述呼吸过程中多时刻的二维DR左肺图像中左肺像素数目和/或二维DR右肺图像中右肺图像中右肺像素数目对应的左肺面积和/或右肺面积的方法,包括:分别利用所述设定面积乘以所述呼吸过程中多时刻的二维DR左肺图像中左肺像素数目,得到所述呼吸过程中对应的左肺面积;和/或,分别利用所述设定面积乘以所述呼吸过程中多时刻的二维DR右肺图像中右肺像素数目,得到所述呼吸过程中对应的右肺面积。
同时,本公开还提出了一种肺发育评估方法,图2示出根据本公开实施例的肺发育评估方法的流程图。如图2所示,所述的肺发育评估方法,包括:步骤S201:用如上述的确定方法得到的所述呼吸过程中左肺面积和/或右肺面积;及,步骤S202:获取呼吸过程中所述左肺面积和/或右肺面积对应患者的年龄信息、身高信息及性别信息,并根据所述年龄信息、身高信息及性别信息确定呼吸过程中的设定左肺肺野面积及设定右肺肺野面积;步骤S203:分别根据所述患者呼吸过程中的左肺肺野面积、右肺肺野面积、设定左肺肺野面积及设定右肺肺野面积,对所述患者进行肺发育评估。
在本公开的实施例及其他可能的实施例中,本领域技术人员可根据实际需要对所述设定左肺肺野面积及设定右肺肺野面积进行配置。例如,对于所述肺发育评估的患者对应的年龄信息、身高信息及性别信息应与所述设定左肺肺野面积及设定右肺肺野面积对应的年龄信息、身高信息及性别信息一致或基本一致。
例如,在本公开的实施例及其他可能的实施例中,所述设定左肺肺野面积和/或设定右肺肺野面积的确定方法,包括:分别获取肺发育正常的多个年龄信息、身高信息及性别信息对应的左肺肺野面积及右肺肺野面积,分别统计在同一性别、第一设定偏差范围内的身高及第二设定偏差范围内年龄对应的平均左肺肺野面积和/或平均右肺肺野面积,并分别将所述平均左肺肺野面积和/或所述平均右肺肺野面积配置为所述设定左肺肺野面积和/或设定右肺肺野面积。
在本公开的实施例及其他可能的实施例中,本领域技术人员可根据实际需要对所述第一设定偏差范围及第二设定偏差范围进行配置。例如,所述第一设定偏差范围配置为1-2cm,所述第二设定偏差范围配置为1-3年。也就是说,在分别统计在同一性别、第一设定偏差范围内的身高及第二设定偏差范围内年龄对应的平均左肺肺野面积和/或平均右肺肺野面积时,平均左肺肺野面积和/或平均右肺肺野面积对应的肺发育正常的样本的年龄相差在1-3年之内,且身高相差在1-2cm之内。
在本公开的实施例中,所述分别根据所述患者呼吸过程中的左肺肺野面积、右肺肺野面积、设定左肺肺野面积及设定右肺肺野面积,对所述患者进行肺发育评估的方法,包括:若呼吸过程中的所述左肺肺野面积小于对应的所述呼吸过程中的设定左肺肺野面积,则所述患者的左肺发育异常;否则,所述患者的左肺发育正常;或,分别计算呼吸过程中的所述左肺肺野面积对应的左肺平均面积及计算所述呼吸过程中的设定左肺肺野面积对应的设定左肺平均面积;若所述左肺平均面积小于所述设定左肺平均面积,则所述患者的左肺发育异常;否则,所述患者的左肺发育正常。
在本公开的实施例中,若呼吸过程中的所述右肺肺野面积小于对应的所述呼吸过程中的设定右肺肺野面积,则所述患者的右肺发育异常;否则,所述患者的右肺发育正常;或,分别计算呼吸过程中的所述右肺肺野面积对应的右肺平均面积及计算所述呼吸过程中的设定右肺肺野面积对应的设定右肺平均面积;若所述右肺平均面积小于所述设定右肺平均面积,则所述患者的右肺发育异常;否则,所述患者的右肺发育正常。
在本公开的实施例中,还包括:在分别根据所述患者呼吸过程中的左肺肺野面积、右肺肺野面积、设定左肺肺野面积及设定右肺肺野面积,对所述患者进行肺发育评估的结果为右肺发育正常和/或右肺发育正常的条件下,获取呼吸过程中患者在深吸气及深呼气下对应的所述左肺面积和/或右肺面积,并根据所述年龄信息、身高信息及性别信息确定对应的左肺设面积设定值和/或右肺面积设定值;基于深吸气及深呼气下的所述左肺面积及所述左肺设面积设定值和/或基于所述右肺面积及所述右肺设面积设定值,对所述患者进行肺发育评估。
在本公开的实施例及其他可能的实施例中,所述在深吸气及深呼气下对应的设定左肺肺野面积和/或设定右肺肺野面积的确定方法,包括:分别获取肺发育正常的多个年龄信息、身高信息及性别信息在深吸气及深呼气下对应的左肺肺野面积和/或右肺肺野面积,分别统计在同一性别、第一设定偏差范围内的身高及第二设定偏差范围内年龄对应的平均左肺肺野面积和/或平均右肺肺野面积,并分别将所述平均左肺肺野面积和/或所述平均右肺肺野面积配置为所述在深吸气及深呼气下对应的设定左肺肺野面积和/或设定右肺肺野面积。
同样地,在本公开的实施例及其他可能的实施例中,本领域技术人员可根据实际需要对所述第一设定偏差范围及第二设定偏差范围进行配置。例如,所述第一设定偏差范围配置为1-2cm,所述第二设定偏差范围配置为1-3年。也就是说,在分别统计在同一性别、第一设定偏差范围内的身高及第二设定偏差范围内年龄在深吸气及深呼气下对应的平均左肺肺野面积和/或平均右肺肺野面积时,在深吸气及深呼气下平均左肺肺野面积和/或平均右肺肺野面积对应的肺发育正常的样本的年龄相差在1-3年之内,且身高相差在1-2cm之内。
在本公开的实施例中,所述基于所述左肺面积及所述左肺设面积设定值的方法,包括:计算所述深吸气下的左肺面积与所述深呼气下的左肺面积的第一差值;所述第一差值及左肺设面积设定值,对所述患者进行肺发育评估。其中,所述第一差值及左肺设面积设定值,对所述患者进行肺发育评估的方法,包括:若所述第一差值大于或等于所述左肺设面积设定值,则所述患者的左肺发育异常;否则,所述患者的左肺发育正常。
在本公开的实施例中,所述基于所述右肺面积及所述右肺设面积设定值的方法,包括:计算所述深吸气下的右肺面积与所述深呼气下的右肺面积的第二差值;所述第二差值及右肺设面积设定值,对所述患者进行肺发育评估。其中,所述第二差值及右肺设面积设定值,对所述患者进行肺发育评估的方法,包括:若所述第二差值大于或等于所述右肺设面积设定值,则所述患者的右肺发育异常;否则,所述患者的右肺发育正常。
在本公开的实施例及其他可能的实施例中,所述左肺设面积设定值的确定方法,包括:计算所述深吸气下与所述深呼气下的平均左肺肺野面积(设定左肺肺野面积)之间的差值,得到左肺设面积设定值。同样地,所述右肺设面积设定值的确定方法,包括:计算所述深吸气下与所述深呼气下的平均右肺肺野面积(设定右肺肺野面积)之间的差值,得到右肺设面积设定值。
在本公开的实施例及其他可能的实施例中,所述的肺发育评估方法,包括:获取呼吸过程中多时刻的二维DR左肺图像及二维DR右肺图像;分别根据多时刻的所述二维DR左肺图像及所述二维DR右肺图像确定对应的多个左肺运动顶点及多个右肺运动顶点;分别根据多时刻的所述二维DR左肺图像及所述二维DR右肺图像,确定多个左肺膈肌运动点序列及多个右肺膈肌运动点序列;基于所述多个左肺运动顶点及所述多个左肺膈肌运动点序列确定左肺膈肌的运动,及基于所述多个右肺运动顶点及所述多个右肺膈肌运动点序列确定右肺膈肌的运动。
在本公开的实施例中,在所述分别根据多时刻的所述二维DR左肺图像及所述二维DR右肺图像确定对应的多个左肺运动顶点及多个右肺运动顶点及分别根据多时刻的所述二维DR左肺图像及所述二维DR右肺图像,确定多个左肺膈肌运动点序列及多个右肺膈肌运动点序列之前,还包括:分别提取多时刻的所述二维DR左肺图像及所述二维DR右肺图像对应的多个左肺轮廓线及多个右肺轮廓线;根据所述多个左肺轮廓线及所述多个右肺轮廓线,分别确定对应的多个左肺运动顶点、多个右肺运动顶点、多个左肺膈肌运动点序列及多个右肺膈肌运动点序列。
在本公开的实施例及其他可能的实施例中,所述分别提取多时刻的所述二维DR左肺图像及所述二维DR右肺图像对应的多个左肺轮廓线及多个右肺轮廓线的方法,包括:获取边缘检测算法或边缘检测模型;利用所述边缘检测算法或边缘检测模型,分别提取多时刻的所述二维DR左肺图像及所述二维DR右肺图像对应的多个左肺轮廓线及多个右肺轮廓线。
在本公开的实施例及其他可能的实施例中,所述边缘检测算法或边缘检测模型可配置为基于Sobel算子、Prewitt算子、Roberts算子、Canny算子、Marr-Hildreth算子的一种或多种的边缘检测算法或边缘检测模型
在本公开的实施例中,所述根据所述多个左肺轮廓线及所述多个右肺轮廓线,确定对应的多个左肺运动顶点及多个右肺运动顶点的方法,包括:分别检测所述多个左肺轮廓线及所述多个右肺轮廓线对应的多个左肺顶点及多个右肺顶点,并将所述多个左肺顶点及所述多个右肺顶点对应的坐标分别配置为所述多个左肺运动顶点及多个右肺运动顶点。
在本公开的实施例中,所述分别检测所述多个左肺轮廓线及所述多个右肺轮廓线对应的多个左肺顶点及多个右肺顶点的方法,包括:分别确定所述多个左肺轮廓线及所述多个右肺轮廓线对应的多个第一最大纵坐标及多个第二最大纵坐标;分别根据所述多个第一最大纵坐标及所述多个左肺轮廓线,确定所述多个第一最大纵坐标对应的多个第一横坐标;分别根据所述多个第二最大纵坐标及所述多个右肺轮廓线,确定所述多个第二最大纵坐标对应的多个第二横坐标;分别将所述多个第一最大纵坐标及其对应的多个第一横坐标配置为多个左肺顶点;分别将所述多个第二最大纵坐标及其对应的多个第二横坐标配置为多个右肺顶点。
在本公开的实施例及其他可能的实施例中,所述分别确定所述多个左肺轮廓线及所述多个右肺轮廓线对应的多个第一最大纵坐标及多个第二最大纵坐标的方法,包括:建立呼吸过程中多时刻的所述二维DR左肺图像及所述二维DR右肺图像对应的坐标系;在所述坐标系中,分别确定所述多个左肺轮廓线及所述多个右肺轮廓线对应的多个第一最大纵坐标及多个第二最大纵坐标。
在本公开的实施例中,所述根据所述多个左肺轮廓线及所述多个右肺轮廓线,分别确定对应的多个左肺膈肌运动点序列及多个右肺膈肌运动点序列的方法,包括:分别检测所述多个左肺轮廓线及所述多个右肺轮廓线对应的多个左肺最低点及多个右肺最低点,并分别将所述多个左肺最低点及多个右肺最低点配置为所述多个左肺膈肌运动点序列的起点及多个右肺膈肌运动点序列的起点;分别检测所述多个左肺轮廓线及所述多个右肺轮廓线对应的多个左肺顶点及多个右肺顶点,并将所述多个左肺顶点及所述多个右肺顶点对应的坐标分别配置为所述多个左肺膈肌运动点序列的候选终点及多个右肺膈肌运动点序列的候选终点;分别根据所述多个左肺膈肌运动点序列的起点及所述多个左肺膈肌运动点序列的候选终点,确定所述多个左肺膈肌运动点序列;及,分别根据所述多个右肺膈肌运动点序列的起点及所述多个右肺膈肌运动点序列的候选终点,确定所述多个右肺膈肌运动点序列。
同样地,在本公开的实施例及其他可能的实施例中,在所述坐标系中,分别根据所述多个左肺膈肌运动点序列的起点及所述多个左肺膈肌运动点序列的候选终点,确定所述多个左肺膈肌运动点序列。
在本公开的实施例中,所述分别根据所述多个左肺膈肌运动点序列的起点及所述多个左肺膈肌运动点序列的候选终点,确定所述多个左肺膈肌运动点序列的方法,包括:获取第一设定步长;基于所述第一设定步长,分别计算所述多个左肺膈肌运动点序列的起点至所述多个左肺膈肌运动点序列的候选终点对应的多个第一斜率值;根据所述多个第一斜率值确定所述多个左肺膈肌运动点序列的终点;或,分别确定所述多个左肺膈肌运动点序列的起点及所述多个左肺膈肌运动点序列的候选终点之间的左肺轮廓线;在之间的所述左肺轮廓线上,以交互方式分别确定所述多个左肺膈肌运动点序列的终点。
在本公开的实施例及其他可能的实施例中,本领域技术人员可根据实际需要对所述第一设定步长进行配置。例如,所述第一设定步长可配置为1-10之间任意数值或其他数值。
例如,在多个左肺膈肌运动点序列对应的起点中的第一起点(x1,y1),所述第一设定步长配置为n,则所述多个第一斜率值中对应的第一斜率值分别为(y1+n-y1)/[x1+n-x1)、(y1+2*n-y1+n)/[x1+2*n-x1+n)、…。
在本公开的实施例中,所述根据所述多个第一斜率值确定所述多个左肺膈肌运动点序列的终点的方法,包括:将所述多个第一斜率值的符号由负变正对应的候选终点确定为所述多个左肺膈肌运动点序列的终点。
在本公开的实施例及其他可能的实施例中,所述在之间的所述左肺轮廓线上,以交互方式分别确定所述多个左肺膈肌运动点序列的终点的方法,包括:
分别对之间的多个所述左肺轮廓线进行颜色配置,并分别显示所述颜色配置后的多个左肺轮廓线;
在所述显示的多个左肺轮廓线上,分别点击所述多个左肺膈肌运动点序列的终点,进而分别确定所述多个左肺膈肌运动点序列的终点。
在本公开的实施例中,所述分别根据所述多个右肺膈肌运动点序列的起点及所述多个右肺膈肌运动点序列的候选终点,确定所述多个右肺膈肌运动点序列的方法,包括:获取第二设定步长;基于所述第二设定步长,分别计算所述多个右肺膈肌运动点序列的起点至所述多个右肺膈肌运动点序列的候选终点对应的多个第二斜率值;根据所述多个第二斜率值确定所述多个右肺膈肌运动点序列的终点;或,分别确定所述多个右肺膈肌运动点序列的起点及所述多个右肺膈肌运动点序列的候选终点之间的右肺轮廓线;在之间的所述右肺轮廓线上,以交互方式分别确定所述多个右肺膈肌运动点序列的终点。
在本公开的实施例及其他可能的实施例中,本领域技术人员可根据实际需要对所述第二设定步长进行配置。例如,所述第二设定步长可配置为1-10之间任意数值或其他数值。
例如,在多个右肺膈肌运动点序列对应的起点中的第一起点(x2,y2),所述第二设定步长配置为m,则所述多个第二斜率值中对应的第二斜率值分别为(y2+m-y2)/[x2+m-x2)、(y2+2*m-y2+m)/[x2+2*m-x2+m)、…。
在本公开的实施例中,所述根据所述多个第二斜率值确定所述多个右肺膈肌运动点序列的终点的方法,包括:将所述多个第二斜率值的符号由正变负对应的候选终点确定为所述多个右肺膈肌运动点序列的终点。
在本公开的实施例及其他可能的实施例中,所述在之间的所述右肺轮廓线上,以交互方式分别确定所述多个右肺膈肌运动点序列的终点的方法,包括:分别对之间的多个所述右肺轮廓线进行颜色配置,并分别显示所述颜色配置后的多个右肺轮廓线;在所述显示的多个右肺轮廓线上,分别点击所述多个右肺膈肌运动点序列的终点,进而分别确定所述多个右肺膈肌运动点序列的终点。
步骤S104:基于所述多个左肺运动顶点及所述多个左肺膈肌运动点序列确定左肺膈肌的运动,及基于所述多个右肺运动顶点及所述多个右肺膈肌运动点序列确定右肺膈肌的运动。
在本公开的实施例及其他可能的实施例中,所述基于所述多个左肺运动顶点及所述多个左肺膈肌运动点序列确定左肺膈肌的运动的方法,包括:分别将所述多个左肺运动顶点配置为左肺运动基准点;基于所述左肺运动基准点,分别计算多个左肺膈肌运动点序列中每个运动点与所述左肺运动基准点的多个第一距离;或,分别显示以第一颜色线条显示所述多个左肺运动顶点,及分别以第二颜色线条显示多个左肺膈肌运动点序列。
在本公开的实施例及其他可能的实施例中,所述基于所述多个右肺运动顶点及所述多个右肺膈肌运动点序列确定右肺膈肌的运动的方法,包括:分别将所述多个右肺运动顶点配置为右肺运动基准点;基于所述右肺运动基准点,分别计算多个右肺膈肌运动点序列中每个运动点与所述右肺运动基准点的多个第二距离;或,分别显示以第一颜色线条显示所述多个右肺运动顶点,及分别以第二颜色线条显示多个右肺膈肌运动点序列。
在本公开的实施例及其他可能的实施例中,所述以第一颜色线条显示所述多个左肺运动顶点及多个右肺运动顶点,以第二颜色线条显示多个左肺膈肌运动点序列及多个右肺膈肌运动点序列的方法,包括:获取呼吸过程中多时刻的DR左肺图像及DR右肺图像对应的DR肺图像;显示所述呼吸过程中多时刻的DR左肺图像及DR右肺图像对应的DR肺图像;在所述呼吸过程中多时刻的DR左肺图像及DR右肺图像对应的DR肺图像上,以第一颜色线条显示所述多个左肺运动顶点及多个右肺运动顶点,以第二颜色线条显示多个左肺膈肌运动点序列及多个右肺膈肌运动点序列。
在本公开的实施例及其他可能的实施例中,所述以第二颜色线条显示多个左肺膈肌运动点序列及多个右肺膈肌运动点序列的方法,还包括:分别构建多个左肺膈肌运动点序列对应的多个左肺膈肌运动曲线,分别将所述多个左肺膈肌运动曲线中每个左肺膈肌运动曲线斜率最小的运动点配置为呼吸过程中多时刻的待显示左肺膈肌运动点;以所述以第二颜色线条显示所述待显示左肺膈肌运动点;分别构建多个右肺膈肌运动点序列对应的多个右肺膈肌运动曲线,分别将所述多个右肺膈肌运动曲线中每个右肺膈肌运动曲线斜率最小的运动点配置为呼吸过程中多时刻的待显示右肺膈肌运动点;以所述以第二颜色线条显示所述待显示右肺膈肌运动点。
在本公开的实施例及其他可能的实施例中,对所述呼吸过程中多时刻的待显示左肺膈肌运动点进行矫正的方法,包括:获取呼吸过程中的多个左肺面积;分别求取所述多个左肺膈肌运动曲线中每个左肺膈肌运动曲线的第一设定斜率值对应的多个第一坐标点;对所述每个左肺膈肌运动曲线的第一设定斜率值对应的多个第一坐标点从小到大进行排序;根据所述多个左肺面积及排序后的多个第一坐标点对所述多时刻的待显示左肺膈肌运动点进行矫正。
在本公开实施例及其他可能的实施例中,本领域技术人员可根据实际需要对所述第一设定斜率值进行配置。例如,所述第一设定斜率值可配置为-0.2-0之间的任意数值或其他数值。
在本公开的实施例及其他可能的实施例中,所述根据所述多个左肺面积及排序后的多个第一坐标点对所述多时刻的待显示左肺膈肌运动点进行矫正的方法,包括:确定所述多个左肺面积从最大面积到最小面积对应的排序后的多个第一坐标点;其中,所述多个左肺面积从最大面积到最小面积对应的排序后的多个第一坐标点的纵坐标值依次递增;若所述多个左肺面积从最大面积到最小面积对应的所述多时刻的待显示左肺膈肌运动点的纵坐标依次递增,则不对所述多时刻的待显示左肺膈肌运动点进行矫正;否则,对所述多时刻的待显示左肺膈肌运动点中不递增的运动点进行矫正。
在本公开实施例及其他可能的实施例中,所述对所述多时刻的待显示左肺膈肌运动点中不递增的运动点进行矫正的方法,包括:提取所述多时刻的多个待显示左肺膈肌运动点中不递增的运动点对应的第一纵坐标及所述不递增的运动点两侧相邻时刻的2个相邻待显示左肺膈肌运动点对应的第二纵坐标及第三纵坐标;在所述排序后的多个第一坐标点中,确定大于所述第三纵坐标且小于所述第二纵坐标(或,大于所述第二纵坐标且小于所述第三纵坐标)对应的第一待配置纵坐标;并将所述第一待配置纵坐标及其对应的横坐标,配置为所述多时刻的待显示左肺膈肌运动点中不递增的运动点。
在本公开的实施例及其他可能的实施例中,对所述呼吸过程中多时刻的待显示右肺膈肌运动点进行矫正的方法,包括:获取呼吸过程中的多个右肺面积;分别求取所述多个右肺膈肌运动曲线中每个右肺膈肌运动曲线的第二设定斜率值对应的多个第二坐标点;对所述每个右肺膈肌运动曲线的第二设定斜率值对应的多个第二坐标点按照纵坐标从小到大进行排序;根据所述多个右肺面积及排序后的多个第二坐标点对所述多时刻的待显示右肺膈肌运动点进行矫正。
在本公开实施例及其他可能的实施例中,本领域技术人员可根据实际需要对所述第二设定斜率值进行配置。例如,所述第二设定斜率值可配置为0-0.2之间的任意数值或其他数值。
在本公开的实施例及其他可能的实施例中,所述根据所述多个右肺面积及排序后的多个第二坐标点对所述多时刻的待显示右肺膈肌运动点进行矫正的方法,包括:确定所述多个右肺面积从最大面积到最小面积对应的排序后的多个第二坐标点;其中,所述多个右肺面积从最大面积到最小面积对应的排序后的多个第二坐标点的纵坐标值依次递增;若所述多个右肺面积从最大面积到最小面积对应的排序后的多个第二坐标点分别与所述多时刻的待显示右肺膈肌运动点的纵坐标依次递增,则不对所述多时刻的待显示右肺膈肌运动点进行矫正;否则,对所述多时刻的待显示右肺膈肌运动点中不递增的运动点进行矫正。
在本公开实施例及其他可能的实施例中,所述对所述多时刻的待显示右肺膈肌运动点中不递增的运动点进行矫正的方法,包括:提取所述多时刻的多个待显示右肺膈肌运动点中不递增的运动点对应的第一纵坐标及所述不递增的运动点两侧相邻时刻的2个相邻待显示右肺膈肌运动点对应的第二纵坐标及第三纵坐标;在所述排序后的多个第一坐标点中,确定大于所述第三纵坐标且小于所述第二纵坐标(或,大于所述第二纵坐标且小于所述第三纵坐标)对应的第二待配置纵坐标;并将所述第二待配置纵坐标及其对应的横坐标,配置为所述多时刻的待显示右肺膈肌运动点中不递增的运动点。
在本公开的实施例及其他可能的实施例中,所述以第一颜色线条显示所述多个左肺运动顶点及多个右肺运动顶点,以第二颜色线条显示多个左肺膈肌运动点序列及多个右肺膈肌运动点序列的方法,还包括:获取所述第一颜色线条对应的第一配置参数;其中,所述第一配置参数,包括:第一线条长度及第一线条宽度;以第一颜色线条所配置的所述第一配置参数,显示所述多个左肺运动顶点及多个右肺运动顶点;获取所述第二颜色线条对应的第一配置参数;其中,所述第二配置参数,包括:第二线条长度及第二线条宽度;以第二颜色线条所配置的所述第二配置参数,显示所述多个左肺膈肌运动点序列及多个右肺膈肌运动点序列。其中,所述第一颜色配置为红色及所述第二颜色配置为蓝色。另外,所述第一颜色配置及所述第二颜色配置可配置为相同颜色的线条。例如,红色、蓝色或其他颜色。
在本公开的实施例及其他可能的实施例中,还包括:利用上述的膈肌运动检测方法,检测待评估患者对应的膈肌运动轨迹,包括:获取健康人对应的设定运动轨迹;基于所述待评估患者对应的膈肌运动轨迹与所述设定运动轨迹,评估所述待评估患者的膈肌运动是否存在功能性障碍。
在本公开的实施例及其他可能的实施例中,确定所述待评估患者对应的膈肌运动轨迹与所述设定运动轨迹的方法,包括:分别绘制所述待评估患者对应的多个左肺膈肌运动点序列对应的第一膈肌运动轨迹;和/或,分别绘制所述待评估患者对应的多个右肺膈肌运动点序列对应的第二膈肌运动轨迹;进而,确定所述待评估患者对应的膈肌运动轨迹与所述设定运动轨迹。
在本公开的实施例及其他可能的实施例中,在所述获取健康人对应的设定运动轨迹之前,确定所述健康人对应的设定运动轨迹的方法,包括:获取预设数目的所述健康人对应的多个膈肌运动轨迹;
对所述多个膈肌运动轨迹进行拟合,得到所述健康人对应的设定运动轨迹。
同样地,在本公开的实施例及其他可能的实施例中,所述健康人对应的设定运动轨迹,包括:分别绘制健康人左肺对应的第一设定运动轨迹和/或右肺对应的第二设定运动轨迹。
在本公开的实施例及其他可能的实施例中,在所述获取健康人对应的设定运动轨迹之前,确定所述健康人对应的设定运动轨迹的方法,包括:获取预设数目的所述健康人对应的多个左肺膈肌运动轨迹及右肺膈肌运动轨迹;对所述多个左肺膈肌运动轨迹进行拟合,得到所述健康人左肺对应的第一设定运动轨迹;对所述多个右膈肌运动轨迹进行拟合,得到所述健康人左肺对应的第二设定运动轨迹。
在本公开的实施例及其他可能的实施例中,本领域技术人员可根据实际需要对所述预设数目进行配置。同时,所述相似度的计算方法可配置为余弦相似度(CosineSimilarity)、调整余弦相似度(Adjusted Cosine Similarity)、皮尔森相关系数(PearsonCorrelation Coefficient)、Jaccard相似系数(Jaccard Coefficient)Tanimoto系数(广义Jaccard相似系数)、对数似然相似度/对数似然相似率、互信息/信息增益、相对熵/KL散度、信息检索--词频-逆文档频率(TF-IDF)等中的一种或几种。
在本公开的实施例及其他可能的实施例中,基于所述待评估患者对应的膈肌运动轨迹与所述设定运动轨迹,评估所述待评估患者的膈肌运动是否存在功能性障碍所述基于所述待评估患者对应的膈肌运动轨迹与所述设定运动轨迹,评估所述待评估患者的膈肌运动是否存在功能性障碍的方法,包括:基于所述第一膈肌运动轨迹及所述第一设定运动轨迹,评估所述待评估患者的左肺膈肌运动是否存在功能性障碍;和/或,基于所述第二膈肌运动轨迹及所述第二设定运动轨迹,评估所述待评估患者的右肺膈肌运动是否存在功能性障碍。
在本公开的实施例中,所述基于所述待评估患者对应的膈肌运动轨迹与所述设定运动轨迹,评估所述待评估患者的膈肌运动是否存在功能性障碍的方法,包括:计算所述膈肌运动轨迹与所述设定运动轨迹的相似度;若所述相似度小于设定相似度,则所述待评估患者的膈肌运动是存在功能性障碍;否则所述待评估患者的膈肌运动是不存在功能性障碍。
在本公开的实施例及其他可能的实施例中,本领域技术人员可根据实际需要对所述设定运动轨迹的相似度进行配置。例如,所述设定运动轨迹的相似度可配置为0.8或其他数值。
在本公开的实施例及其他可能的实施例中,所述计算所述膈肌运动轨迹与所述设定运动轨迹的相似度;若所述相似度小于设定相似度,则所述待评估患者的膈肌运动是存在功能性障碍;否则所述待评估患者的膈肌运动是不存在功能性障碍的方法,包括:计算所述第一膈肌运动轨迹及所述第一设定运动轨迹的第一相似度,若所述第一相似度小于设定相似度,则所述待评估患者的左肺膈肌运动是存在功能性障碍;否则所述待评估患者的左肺膈肌运动是不存在功能性障碍;和/或,计算所述第二膈肌运动轨迹及所述第二设定运动轨迹的第二相似度,若所述第二相似度小于设定相似度,则所述待评估患者的右肺膈肌运动是存在功能性障碍;否则所述待评估患者的右肺膈肌运动是不存在功能性障碍。
DR图像肺野面积确定、肺发育评估方法的执行主体可以是肺野面积确定、肺发育评估装置,例如,DR图像肺野面积确定、肺发育评估方法可以由终端设备或服务器或其它处理设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该DR图像肺野面积确定、肺发育评估方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
本领域技术人员可以理解,在具体实施方式的上述DR图像肺野面积的确定方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图3示出根据本公开实施例的肺野面积确定装置的框图,如图3所示,所述肺野面积确定装置,包括:第一获取单元101,用于获取呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像;确定单元102,用于分别基于所述呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像,确定所述呼吸过程中左肺面积和/或右肺面积。
在本公开的实施例中,所述确定单元102,包括:设定面积获取单元,用于获取单个像素对应的设定面积;统计单元,用于分别统计所述呼吸过程中多时刻的二维DR左肺图像中左肺像素数目和/或二维DR右肺图像中右肺像素数目;面积计算单元,用于基于所述设定面积,分别计算所述呼吸过程中多时刻的二维DR左肺图像中左肺像素数目和/或二维DR右肺图像中右肺图像中右肺像素数目对应的左肺面积和/或右肺面积。
在本公开的实施例中,所述面积计算单元,包括:左肺面积计算单元和/或右肺面积计算单元;所述左肺面积计算单元,用于分别利用所述设定面积乘以所述呼吸过程中多时刻的二维DR左肺图像中左肺像素数目,得到所述呼吸过程中对应的左肺面积;和/或,所述右肺面积计算单元,用于分别利用所述设定面积乘以所述呼吸过程中多时刻的二维DR右肺图像中右肺像素数目,得到所述呼吸过程中对应的右肺面积。
在本公开的实施例中,还包括:分割单元;所述分割单元,用于在所述获取呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像之前,获取所述呼吸过程中多时刻的二维DR肺图像,对所述呼吸过程中多时刻的二维DR肺图像进行左肺及右肺分割,得到多时刻的二维DR左肺图像及二维DR右肺图像。
在本公开的实施例中,所述分割单元,包括:检测单元;所述检测单元,用于分别对所述呼吸过程中多时刻的二维DR肺图像的左侧胸部图像和右侧胸部图像进行肋缘边界、肺尖边界及纵隔和横隔边缘检测,得到多时刻的二维DR左肺图像及二维DR右肺图像;或,所述分割单元,包括:模型及数据获取单元、训练单元及输出单元;所述模型及数据获取单元,用于获取预设卷积神经网络的分割模型及用于训练所述分割模型的DR肺区标签图像;所述训练单元,用于利用所述训练所述分割模型的DR肺区标签图像,对所述分割模型进行训练;所述输出单元,用于基于所述训练后的分割模型,完成所述呼吸过程中多时刻的二维DR肺图像的左肺及右肺分割,得到多时刻的二维DR左肺图像及二维DR右肺图像。
在本公开的实施例中,所述分割单元,还包括:标签确定单元;所述标签确定单元,用于分别对多张DR肺区图像的左侧胸部图像和右侧胸部图像进行肋缘边界、肺尖边界及纵隔和横隔边缘检测,得到所述多张DR肺区图像对应的DR肺区标签图像。
图4示出根据本公开实施例的肺发育评估装置的框图,如图4所示,所述肺发育评估装置,包括:或应用如上述的肺野面积确定方法或肺野面积确定装置得到的所述呼吸过程中左肺面积和/或右肺面积;及,第二获取单元201,用于获取呼吸过程中所述左肺面积和/或右肺面积对应患者的年龄信息、身高信息及性别信息,并根据所述年龄信息、身高信息及性别信息确定呼吸过程中的设定左肺肺野面积及设定右肺肺野面积;第一评估单元202,用于分别根据所述患者呼吸过程中的左肺肺野面积、右肺肺野面积、设定左肺肺野面积及设定右肺肺野面积,对所述患者进行肺发育评估。
在本公开的实施例中,所述第一评估单元,还包括:左肺评估单元及右肺评估单元;所述左肺评估单元,用于若呼吸过程中的所述左肺肺野面积小于对应的所述呼吸过程中的设定左肺肺野面积,则所述患者的左肺发育异常;否则,所述患者的左肺发育正常;或,所述左肺评估单元,用于分别计算呼吸过程中的所述左肺肺野面积对应的左肺平均面积及计算所述呼吸过程中的设定左肺肺野面积对应的设定左肺平均面积;若所述左肺平均面积小于所述设定左肺平均面积,则所述患者的左肺发育异常;否则,所述患者的左肺发育正常。
在本公开的实施例中,所述右肺评估单元,用于若呼吸过程中的所述右肺肺野面积小于对应的所述呼吸过程中的设定右肺肺野面积,则所述患者的右肺发育异常;否则,所述患者的右肺发育正常;或,所述右肺评估单元,用于分别计算呼吸过程中的所述右肺肺野面积对应的右肺平均面积及计算所述呼吸过程中的设定右肺肺野面积对应的设定右肺平均面积;若所述右肺平均面积小于所述设定右肺平均面积,则所述患者的右肺发育异常;否则,所述患者的右肺发育正常。
在本公开的实施例中,还包括:条件判别单元;所述条件判别单元,用于在分别根据所述患者呼吸过程中的左肺肺野面积、右肺肺野面积、设定左肺肺野面积及设定右肺肺野面积,对所述患者进行肺发育评估的结果为右肺发育正常和/或右肺发育正常的条件下,第二获取单元,用于获取呼吸过程中患者在深吸气及深呼气下对应的所述左肺面积和/或右肺面积,并根据所述年龄信息、身高信息及性别信息确定对应的左肺设面积设定值和/或右肺面积设定值;基于深吸气及深呼气下的所述左肺面积及所述左肺设面积设定值和/或基于所述右肺面积及所述右肺设面积设定值,对所述患者进行肺发育评估。
在本公开的实施例中,所述第二评估单元,包括:第二左肺评估单元;所述第二左肺评估单元,用于基于所述左肺面积及所述左肺设面积设定值,对所述患者进行肺发育评估,包括:第一计算单元及第一比较单元;其中,所述第一计算单元,用于计算所述深吸气下的左肺面积与所述深呼气下的左肺面积的第一差值;其中,所述第一比较单元,用于基于所述第一差值及左肺设面积设定值,对所述患者进行肺发育评估。
在本公开的实施例中,所述第一比较单元,基于所述第一差值及左肺设面积设定值,对所述患者进行肺发育评估,包括:若所述第一差值大于或等于所述左肺设面积设定值,则所述患者的左肺发育异常;否则,所述患者的左肺发育正常。
在本公开的实施例中,所述第二评估单元,还包括:第二右肺评估单元;所述第二右肺评估单元,用于基于所述右肺面积及所述右肺设面积设定值,对所述患者进行肺发育评估,包括:第二计算单元及第二比较单元;其中,所述第二计算单元,用于计算所述深吸气下的右肺面积与所述深呼气下的右肺面积的第二差值;所述第二比较单元,用于基于所述第二差值及右肺设面积设定值,对所述患者进行肺发育评估。
在本公开的实施例中,所述第二比较单元,用于基于所述第二差值及右肺设面积设定值,对所述患者进行肺发育评估,包括:若所述第二差值大于或等于所述右肺设面积设定值,则所述患者的右肺发育异常;否则,所述患者的右肺发育正常。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的DR图像肺野面积确定、肺发育评估方法,其具体实现可以参照上文肺野面积确定、肺发育评估方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述DR图像肺野面积确定、肺发育评估方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述DR图像肺野面积确定、肺发育评估方法。其中,电子设备可以被提供为终端、服务器或其它形态的设备。
图5是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图5,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图6,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种肺野面积确定方法,其特征在于,包括:
获取呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像;
分别基于所述呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像,确定所述呼吸过程中左肺面积和/或右肺面积。
2.根据权利要求1所述的确定方法,其特征在于,所述分别基于所述呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像,确定所述呼吸过程中左肺面积和/或右肺面积的方法,包括:
获取单个像素对应的设定面积;
分别统计所述呼吸过程中多时刻的二维DR左肺图像中左肺像素数目和/或二维DR右肺图像中右肺像素数目;
基于所述设定面积,分别计算所述呼吸过程中多时刻的二维DR左肺图像中左肺像素数目和/或二维DR右肺图像中右肺图像中右肺像素数目对应的左肺面积和/或右肺面积。
3.根据权利要求2所述的确定方法,其特征在于,所述基于所述设定面积,分别计算所述呼吸过程中多时刻的二维DR左肺图像中左肺像素数目和/或二维DR右肺图像中右肺图像中右肺像素数目对应的左肺面积和/或右肺面积的方法,包括:
分别利用所述设定面积乘以所述呼吸过程中多时刻的二维DR左肺图像中左肺像素数目,得到所述呼吸过程中对应的左肺面积;和/或,分别利用所述设定面积乘以所述呼吸过程中多时刻的二维DR右肺图像中右肺像素数目,得到所述呼吸过程中对应的右肺面积。
4.根据权利要求1-3任一项所述的确定方法,其特征在于,在所述获取呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像之前,获取所述呼吸过程中多时刻的二维DR肺图像,对所述呼吸过程中多时刻的二维DR肺图像进行左肺及右肺分割,得到多时刻的二维DR左肺图像及二维DR右肺图像。
5.根据权利要求4所述的DR图像肺野面积的确定方法,所述对所述呼吸过程中多时刻的二维DR肺图像进行左肺及右肺分割,得到多时刻的二维DR左肺图像及二维DR右肺图像的方法,包括:分别对所述呼吸过程中多时刻的二维DR肺图像的左侧胸部图像和右侧胸部图像进行肋缘边界、肺尖边界及纵隔和横隔边缘检测,得到多时刻的二维DR左肺图像及二维DR右肺图像;或,
获取预设卷积神经网络的分割模型及用于训练所述分割模型的DR肺区标签图像;利用所述训练所述分割模型的DR肺区标签图像,对所述分割模型进行训练;基于所述训练后的分割模型,完成所述呼吸过程中多时刻的二维DR肺图像的左肺及右肺分割,得到多时刻的二维DR左肺图像及二维DR右肺图像;以及/或,所述用于训练所述分割模型的DR肺区标签图像的确定方法,包括:分别对多张DR肺区图像的左侧胸部图像和右侧胸部图像进行肋缘边界、肺尖边界及纵隔和横隔边缘检测,得到所述多张DR肺区图像对应的DR肺区标签图像。
6.一种肺发育评估方法,其特征在于,包括:应用如权利要求1-5任一项所述的确定方法得到的所述呼吸过程中左肺面积和/或右肺面积;
获取呼吸过程中所述左肺面积和/或右肺面积对应患者的年龄信息、身高信息及性别信息,并根据所述年龄信息、身高信息及性别信息确定呼吸过程中的设定左肺肺野面积及设定右肺肺野面积;
分别根据所述患者呼吸过程中的左肺肺野面积、右肺肺野面积、设定左肺肺野面积及设定右肺肺野面积,对所述患者进行肺发育评估;以及/或,
所述分别根据所述患者呼吸过程中的左肺肺野面积、右肺肺野面积、设定左肺肺野面积及设定右肺肺野面积,对所述患者进行肺发育评估的方法,包括:
若呼吸过程中的所述左肺肺野面积小于对应的所述呼吸过程中的设定左肺肺野面积,则所述患者的左肺发育异常;否则,所述患者的左肺发育正常;或,分别计算呼吸过程中的所述左肺肺野面积对应的左肺平均面积及计算所述呼吸过程中的设定左肺肺野面积对应的设定左肺平均面积;若所述左肺平均面积小于所述设定左肺平均面积,则所述患者的左肺发育异常;否则,所述患者的左肺发育正常;以及/或,
若呼吸过程中的所述右肺肺野面积小于对应的所述呼吸过程中的设定右肺肺野面积,则所述患者的右肺发育异常;否则,所述患者的右肺发育正常;或,分别计算呼吸过程中的所述右肺肺野面积对应的右肺平均面积及计算所述呼吸过程中的设定右肺肺野面积对应的设定右肺平均面积;若所述右肺平均面积小于所述设定右肺平均面积,则所述患者的右肺发育异常;否则,所述患者的右肺发育正常;以及/或,
还包括:在分别根据所述患者呼吸过程中的左肺肺野面积、右肺肺野面积、设定左肺肺野面积及设定右肺肺野面积,对所述患者进行肺发育评估的结果为右肺发育正常和/或右肺发育正常的条件下,
获取呼吸过程中患者在深吸气及深呼气下对应的所述左肺面积和/或右肺面积,并根据所述年龄信息、身高信息及性别信息确定对应的左肺设面积设定值和/或右肺面积设定值;
基于深吸气及深呼气下的所述左肺面积及所述左肺设面积设定值和/或基于所述右肺面积及所述右肺设面积设定值,对所述患者进行肺发育评估;以及/或,
所述基于所述左肺面积及所述左肺设面积设定值的方法,包括:
计算所述深吸气下的左肺面积与所述深呼气下的左肺面积的第一差值;
所述第一差值及左肺设面积设定值,对所述患者进行肺发育评估;以及/或,
所述第一差值及左肺设面积设定值,对所述患者进行肺发育评估的方法,包括:
若所述第一差值大于或等于所述左肺设面积设定值,则所述患者的左肺发育异常;否则,所述患者的左肺发育正常; 以及/或,
所述基于所述右肺面积及所述右肺设面积设定值的方法,包括:
计算所述深吸气下的右肺面积与所述深呼气下的右肺面积的第二差值;
所述第二差值及右肺设面积设定值,对所述患者进行肺发育评估;以及/或,
所述第二差值及右肺设面积设定值,对所述患者进行肺发育评估的方法,包括:
若所述第二差值大于或等于所述右肺设面积设定值,则所述患者的右肺发育异常;否则,所述患者的右肺发育正常。
7.一种肺野面积确定装置,其特征在于,包括:
第一获取单元,用于获取呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像;
确定单元,用于分别基于所述呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像,确定所述呼吸过程中左肺面积和/或右肺面积;以及/或,
所述确定单元,包括:
设定面积获取单元,用于获取单个像素对应的设定面积;
统计单元,用于分别统计所述呼吸过程中多时刻的二维DR左肺图像中左肺像素数目和/或二维DR右肺图像中右肺像素数目;
面积计算单元,用于基于所述设定面积,分别计算所述呼吸过程中多时刻的二维DR左肺图像中左肺像素数目和/或二维DR右肺图像中右肺图像中右肺像素数目对应的左肺面积和/或右肺面积;以及/或,
所述面积计算单元,包括:左肺面积计算单元和/或右肺面积计算单元;
所述左肺面积计算单元,用于分别利用所述设定面积乘以所述呼吸过程中多时刻的二维DR左肺图像中左肺像素数目,得到所述呼吸过程中对应的左肺面积;和/或,所述右肺面积计算单元,用于分别利用所述设定面积乘以所述呼吸过程中多时刻的二维DR右肺图像中右肺像素数目,得到所述呼吸过程中对应的右肺面积;以及/或,
还包括:分割单元;
所述分割单元,用于在所述获取呼吸过程中多时刻的二维DR左肺图像和/或二维DR右肺图像之前,获取所述呼吸过程中多时刻的二维DR肺图像,对所述呼吸过程中多时刻的二维DR肺图像进行左肺及右肺分割,得到多时刻的二维DR左肺图像及二维DR右肺图像;以及/或,
所述分割单元,包括:检测单元;
所述检测单元,用于分别对所述呼吸过程中多时刻的二维DR肺图像的左侧胸部图像和右侧胸部图像进行肋缘边界、肺尖边界及纵隔和横隔边缘检测,得到多时刻的二维DR左肺图像及二维DR右肺图像;或,
所述分割单元,包括:模型及数据获取单元、训练单元及输出单元;
所述模型及数据获取单元,用于获取预设卷积神经网络的分割模型及用于训练所述分割模型的DR肺区标签图像;
所述训练单元,用于利用所述训练所述分割模型的DR肺区标签图像,对所述分割模型进行训练;
所述输出单元,用于基于所述训练后的分割模型,完成所述呼吸过程中多时刻的二维DR肺图像的左肺及右肺分割,得到多时刻的二维DR左肺图像及二维DR右肺图像;以及/或,
所述分割单元,还包括:标签确定单元;
所述标签确定单元,用于分别对多张DR肺区图像的左侧胸部图像和右侧胸部图像进行肋缘边界、肺尖边界及纵隔和横隔边缘检测,得到所述多张DR肺区图像对应的DR肺区标签图像。
8.一种肺发育评估装置,其特征在于,包括或应用如权利要求1-6任一项所述的肺野面积确定方法或如权利要求7所述的肺野面积确定装置得到的所述呼吸过程中左肺面积和/或右肺面积;及,
第二获取单元,用于获取呼吸过程中所述左肺面积和/或右肺面积对应患者的年龄信息、身高信息及性别信息,并根据所述年龄信息、身高信息及性别信息确定呼吸过程中的设定左肺肺野面积及设定右肺肺野面积;
第一评估单元,用于分别根据所述患者呼吸过程中的左肺肺野面积、右肺肺野面积、设定左肺肺野面积及设定右肺肺野面积,对所述患者进行肺发育评估;以及/或,
所述第一评估单元,还包括:左肺评估单元及右肺评估单元;
所述左肺评估单元,用于若呼吸过程中的所述左肺肺野面积小于对应的所述呼吸过程中的设定左肺肺野面积,则所述患者的左肺发育异常;否则,所述患者的左肺发育正常;或,所述左肺评估单元,用于分别计算呼吸过程中的所述左肺肺野面积对应的左肺平均面积及计算所述呼吸过程中的设定左肺肺野面积对应的设定左肺平均面积;若所述左肺平均面积小于所述设定左肺平均面积,则所述患者的左肺发育异常;否则,所述患者的左肺发育正常;以及/或,
所述右肺评估单元,用于若呼吸过程中的所述右肺肺野面积小于对应的所述呼吸过程中的设定右肺肺野面积,则所述患者的右肺发育异常;否则,所述患者的右肺发育正常;或,所述右肺评估单元,用于分别计算呼吸过程中的所述右肺肺野面积对应的右肺平均面积及计算所述呼吸过程中的设定右肺肺野面积对应的设定右肺平均面积;若所述右肺平均面积小于所述设定右肺平均面积,则所述患者的右肺发育异常;否则,所述患者的右肺发育正常;以及/或,
还包括:条件判别单元;
所述条件判别单元,用于在分别根据所述患者呼吸过程中的左肺肺野面积、右肺肺野面积、设定左肺肺野面积及设定右肺肺野面积,对所述患者进行肺发育评估的结果为右肺发育正常和/或右肺发育正常的条件下,
第二获取单元,用于获取呼吸过程中患者在深吸气及深呼气下对应的所述左肺面积和/或右肺面积,并根据所述年龄信息、身高信息及性别信息确定对应的左肺设面积设定值和/或右肺面积设定值;
基于深吸气及深呼气下的所述左肺面积及所述左肺设面积设定值和/或基于所述右肺面积及所述右肺设面积设定值,对所述患者进行肺发育评估;以及/或,
所述第二评估单元,包括:第二左肺评估单元;
所述第二左肺评估单元,用于基于所述左肺面积及所述左肺设面积设定值,对所述患者进行肺发育评估,包括:第一计算单元及第一比较单元;其中,所述第一计算单元,用于计算所述深吸气下的左肺面积与所述深呼气下的左肺面积的第一差值;其中,所述第一比较单元,用于基于所述第一差值及左肺设面积设定值,对所述患者进行肺发育评估;以及/或,
所述第一比较单元,基于所述第一差值及左肺设面积设定值,对所述患者进行肺发育评估,包括:若所述第一差值大于或等于所述左肺设面积设定值,则所述患者的左肺发育异常;否则,所述患者的左肺发育正常;以及/或,
所述第二评估单元,还包括:第二右肺评估单元;
所述第二右肺评估单元,用于基于所述右肺面积及所述右肺设面积设定值,对所述患者进行肺发育评估,包括:第二计算单元及第二比较单元;其中,所述第二计算单元,用于计算所述深吸气下的右肺面积与所述深呼气下的右肺面积的第二差值;所述第二比较单元,用于基于所述第二差值及右肺设面积设定值,对所述患者进行肺发育评估;以及/或,
所述第二比较单元,用于基于所述第二差值及右肺设面积设定值,对所述患者进行肺发育评估,包括:若所述第二差值大于或等于所述右肺设面积设定值,则所述患者的右肺发育异常;否则,所述患者的右肺发育正常。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至5中任意一项所述的肺野面积确定方法和/或权利要求6所述的肺发育评估方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至5中任意一项所述的肺野面积确定方法和/或权利要求6所述的肺发育评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310807145.1A CN116843647A (zh) | 2023-07-03 | 2023-07-03 | 肺野面积确定、肺发育评估方法及装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310807145.1A CN116843647A (zh) | 2023-07-03 | 2023-07-03 | 肺野面积确定、肺发育评估方法及装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116843647A true CN116843647A (zh) | 2023-10-03 |
Family
ID=88173830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310807145.1A Pending CN116843647A (zh) | 2023-07-03 | 2023-07-03 | 肺野面积确定、肺发育评估方法及装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843647A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237323A (zh) * | 2023-10-12 | 2023-12-15 | 广州医科大学附属第一医院(广州呼吸中心) | 一种图像检测方法和装置 |
-
2023
- 2023-07-03 CN CN202310807145.1A patent/CN116843647A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237323A (zh) * | 2023-10-12 | 2023-12-15 | 广州医科大学附属第一医院(广州呼吸中心) | 一种图像检测方法和装置 |
CN117237323B (zh) * | 2023-10-12 | 2024-04-19 | 广州医科大学附属第一医院(广州呼吸中心) | 一种图像检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10699103B2 (en) | Living body detecting method and apparatus, device and storage medium | |
CN108351961B (zh) | 以图像为基础的生物识别系统及计算机实施方法 | |
CN108230252B (zh) | 图像处理方法、装置以及电子设备 | |
WO2022036972A1 (zh) | 图像分割方法及装置、电子设备和存储介质 | |
CN112767329B (zh) | 图像处理方法及装置、电子设备 | |
CN110874594A (zh) | 基于语义分割网络的人体外表损伤检测方法及相关设备 | |
KR20210107667A (ko) | 이미지 분할 방법 및 장치, 전자 기기 및 저장 매체 | |
CN114820584B (zh) | 肺部病灶定位装置 | |
CN113222038B (zh) | 基于核磁图像的乳腺病灶分类和定位方法及装置 | |
CN111161268B (zh) | 图像处理方法、装置、电子设备及计算机存储介质 | |
WO2023050691A1 (zh) | 图像处理方法及装置、电子设备、存储介质和程序 | |
CN110211086B (zh) | 图像分割方法、装置及存储介质 | |
CN110232318A (zh) | 穴位识别方法、装置、电子设备及存储介质 | |
CN111724364B (zh) | 基于肺叶及气管树的方法及装置、电子设备和存储介质 | |
CN103946865B (zh) | 用于有助于检测图像内的文本的方法和装置 | |
CN116843647A (zh) | 肺野面积确定、肺发育评估方法及装置、电子设备和介质 | |
CN107038704A (zh) | 视网膜图像渗出区域分割方法、装置和计算设备 | |
CN116883426A (zh) | 肺区分割、肺疾病评估方法及装置、电子设备和存储介质 | |
JP2022548453A (ja) | 画像分割方法及び装置、電子デバイス並びに記憶媒体 | |
CN104809425B (zh) | 手部兴趣区域的提取方法及装置 | |
CN111724360A (zh) | 一种肺叶分割方法、装置和存储介质 | |
CN117197405A (zh) | 三维物体的增强现实方法、系统及存储介质 | |
CN108491820B (zh) | 图像中肢体表示信息的识别方法、装置及设备、存储介质 | |
CN116993678A (zh) | 肺粘连检测、分析方法及装置、电子设备和存储介质 | |
US20220157016A1 (en) | System and method for automatically reconstructing 3d model of an object using machine learning model |
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 |