CN116912301A - 一种肝肿瘤对齐方法、装置、电子设备及介质 - Google Patents
一种肝肿瘤对齐方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN116912301A CN116912301A CN202310157970.1A CN202310157970A CN116912301A CN 116912301 A CN116912301 A CN 116912301A CN 202310157970 A CN202310157970 A CN 202310157970A CN 116912301 A CN116912301 A CN 116912301A
- Authority
- CN
- China
- Prior art keywords
- liver tumor
- data
- phase
- liver
- focus
- 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
- 208000014018 liver neoplasm Diseases 0.000 title claims abstract description 402
- 206010019695 Hepatic neoplasm Diseases 0.000 title claims abstract description 400
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 210000004185 liver Anatomy 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 69
- 238000003062 neural network model Methods 0.000 claims description 52
- 230000011218 segmentation Effects 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 21
- 238000013519 translation Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 12
- 239000000439 tumor marker Substances 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 206010028980 Neoplasm Diseases 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000002156 mixing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000003111 delayed effect Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000011068 loading method Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 7
- 230000036039 immunity Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 6
- 239000002872 contrast media Substances 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 201000007270 liver cancer Diseases 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/38—Registration of image sequences
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种肝肿瘤对齐方法、装置、电子设备及介质,包括对病灶CT数据进行肝肿瘤分割,得到病灶CT数据分割后的肝肿瘤标记数据;基于肝肿瘤标记数据,获取肝肿瘤的质心位置以及肝肿瘤的体积;将肝肿瘤的质心位置作为肝肿瘤的空间坐标,基于肝肿瘤的体积以及肝肿瘤的空间坐标得到待配准点云数据;利用迭代最近点算法对待配准点云数据进行不同期之间的肝肿瘤对齐。本发明具有好的抗噪性和鲁棒性,获得的分割肝肝肿瘤图像更加精准,本发明能有效地实现病灶增强三期的肝肿瘤自动配准,方便影像科医生去做动脉期、门脉期和延迟期CT的比较查看,进而实现更加精准的肝肿瘤识别和肝肿瘤类别的辨识。
Description
技术领域
本发明主要涉及图像处理领域,特别涉及一种肝肿瘤对齐方法、装置、电子设备及介质。
背景技术
肝癌是全球第六大最常见的癌症和第三大癌症死亡原因。早期准确的诊断是非常重要的,通过提供最佳的干预措施来提高生存率。活检仍然是目前肝癌诊断的金标准,并且严重依赖于传统的CADx(Computer-aided diagnosis,计算机辅助诊断)方法。然而,活检是一种侵入性检查方法,会给人体带来创伤,并且很容易地引起其他不良反应。因此,基于CT的诊断技术已成为最重要的无创方法之一。
医学上经常会借助医疗影像的方式来完成对疾病的鉴定,而基于人工智能方法的医学影像辅助诊断可以通过对大量有标签的数据训练的算法模型,来辅助医生完成疾病的诊断。在肝肿瘤诊断过程中,医生往往需要通过对增强三期的肝肿瘤CT数据做对比而得出肝肿瘤的性质,但是人工进行肝肿瘤对齐效率低,因此亟需一种能够有效地实现了在医学上不同期CT数据中的肝肿瘤自动配准的肝肿瘤对齐方法。
发明内容
本申请的目的在于提供一种肝肿瘤对齐方法、装置、电子设备及介质,有效地实现了在医学上不同期CT数据中的肝肿瘤自动配准。
第一方面,本申请提供一种肝肿瘤对齐方法,包括:对病灶CT数据进行肝肿瘤分割,得到病灶CT数据分割后的肝肿瘤标记数据;基于肝肿瘤标记数据,获取肝肿瘤的质心位置以及肝肿瘤的体积;将肝肿瘤的质心位置作为肝肿瘤的空间坐标,基于肝肿瘤的体积以及肝肿瘤的空间坐标得到待配准点云数据;利用迭代最近点算法对待配准点云数据进行不同期之间的肝肿瘤对齐。
在第一方面的一种实现方式中,对病灶CT数据进行肝肿瘤分割,得到病灶CT数据分割后的肝肿瘤标记数据,包括:获取病灶CT数据,病灶CT数据包括动脉期、门脉期和延迟期分别对应的病灶CT数据;利用特征提取方法对动脉期、门脉期和延迟期分别对应的病灶CT数据进行肝肿瘤对象的分割。
在第一方面的一种实现方式中,利用特征提取方法对动脉期、门脉期和延迟期分别对应的病灶CT数据进行肝肿瘤分割,包括:对病灶CT数据进行预处理,得到预处理后的病灶CT数据;基于训练好的Unet神经网络模型,对预处理后的病灶CT数据进行肝肿瘤对象的分割,得到病灶CT数据分割后的肝肿瘤标记数据。
在第一方面的一种实现方式中,基于训练好的Unet神经网络模型,对预处理后的病灶CT数据进行肝肿瘤对象的分割,得到病灶CT数据分割后的肝肿瘤标记数据之前,还包括:获取病灶CT数据样本集;对病灶CT数据样本集的各个病灶CT数据进行预处理,预处理包括对病灶CT数据进行格式转换、像素裁剪处理和/或灰度化处理,得到预处理后的病灶CT数据样本集;对预处理后的病灶CT数据样本集中的肝窗影像肿瘤区域进行标注,得到标注后的病灶CT数据样本集;对标注后的病灶CT数据样本集中各个图像进行增样处理,增样处理包括旋转和/或平移操作,生成训练样本数据集;建立Unet神经网络模型,利用训练样本数据集对Unet神经网络模型进行训练,得到训练好的Unet神经网络模型。
在第一方面的一种实现方式中,建立Unet神经网络模型,利用训练样本数据集对Unet神经网络模型进行训练,得到训练好的Unet神经网络模型,对Unet神经网络模型进行训练过程中使用的损失函数包括dice-loss函数和Focal-loss函数。
在第一方面的一种实现方式中,建立Unet神经网络模型,Unet神经网络模型为Attention-UNet模型,包括:建立通道注意力模块,通道注意力模块用于通过若干个大小不同的一维卷积核执行卷积;建立空间注意力模块,空间注意力模块用于采用并联空洞卷积的方法获取上下文的语义信息;将通道注意力模块和空间注意力模块进行混合,生成混合注意力模块;将混合注意力模块集成到Unet神经网络模型中。
在第一方面的一种实现方式中,基于肝肿瘤标记数据,获取肝肿瘤的质心位置,包括:根据肝肿瘤标记数据得到肝肿瘤集合;获取肝肿瘤集合中任意一个肝肿瘤质心: 其中,(x,y,z)坐标表示任意一个肝肿瘤的质心,Hui为任意一个肝肿瘤中像素序号为i的密度值,Xi为任意一个肝肿瘤中像素序号为i的第一坐标值,Yi为任意一个肝肿瘤中像素序号为i的第二坐标值,Zi为任意一个肝肿瘤中像素序号为i的第三坐标值。
在第一方面的一种实现方式中,利用迭代最近点算法对待配准点云数据进行不同期之间的肝肿瘤对齐,包括:基于肝肿瘤的体积,去除点云的配准数据中体积小于体积阈值的肝肿瘤,得到有效肝肿瘤集合,有效肝肿瘤集合包括动脉期对应的有效肝肿瘤集合、门脉期对应的有效肝肿瘤集合以及延迟期对应的有效肝肿瘤集合;基于有效肝肿瘤集合,进行动脉期、门脉期、延迟期中任意两期之间的刚体变换,得到任意两期之间的变化参数;基于任意两期之间的变化参数,建立任意两期之间肝肿瘤质心平均距离最小的对齐优化函数;对对齐优化函数进行求解,当对齐优化函数达到最优时,得到任意两期之间最优的变化参数,完成对点云的配准数据在任意两期之间的肝肿瘤对齐。
在第一方面的一种实现方式中,基于有效肝肿瘤集合,进行动脉期、门脉期、延迟期中任意两期之间的刚体变换,得到任意两期之间的变化参数,包括:获取动脉期、门脉期、延迟期中任意两期的肝肿瘤质心;将任意两期中的一期记为P,任意两期中的另一期记为Q,任意两期中的一期P对应的有效肝肿瘤集合的一个肝肿瘤质心pi的坐标记为 任意两期中的另一期Q对应的有效肝肿瘤集合的一个肝肿瘤质心qi的坐标记为qi=n为有效肝肿瘤集合的肝肿瘤质心总数;基于刚体变换,建立任意两期的肝肿瘤质心之间的刚体变换方程qi=Rpi+T,通过刚体变换方程得到任意两期之间的变化参数;任意两期之间的变化参数包括任意两期中的另一期Q相对于任意两期中的一期P的旋转缩放矩阵R和平移矩阵T,qi为任意两期中的另一期Q对应的有效肝肿瘤集合的肝肿瘤质心,pi为任意两期中的一期P对应的有效肝肿瘤集合的肝肿瘤质心。
在第一方面的一种实现方式中,基于任意两期之间的变化参数,建立任意两期之间肝肿瘤质心平均距离最小的对齐优化函数,对齐优化函数为 ε为损失函数,q质心为任意两期中的另一期Q对应的有效肝肿瘤集合的质心点,p质心为任意两期中的一期P对应的有效肝肿瘤集合的质心点,/> q'i为任意两期中的另一期Q对应的有效肝肿瘤集合的一个肝肿瘤质心qi与任意两期中的另一期Q对应的有效肝肿瘤集合的质心点q质心之差,q'i=qi-q质心;p'i为任意两期中的一期P对应的有效肝肿瘤集合的一个肝肿瘤质心pi与任意两期中的一期P对应的有效肝肿瘤集合的质心点P质心之差,p'i=pi-P质心。
在第一方面的一种实现方式中,对对齐优化函数进行求解,当对齐优化函数达到最优时,得到任意两期之间最优的变化参数,完成对点云的配准数据在任意两期之间的肝肿瘤对齐,包括:当损失函数ε小于预设阈值时,得到最优的旋转缩放矩阵R和平移矩阵T。
第二方面,本申请提供一种肝肿瘤对齐装置,包括:分割模块,用于对病灶CT数据进行肝肿瘤对象的分割,得到病灶CT数据分割后的肝肿瘤标记数据;质心获取模块,用于基于肝肿瘤标记数据,获取肝肿瘤的质心位置以及肝肿瘤的体积;点云数据获取模块,用于将肝肿瘤的质心位置作为肝肿瘤的空间坐标,基于肝肿瘤的体积以及肝肿瘤的空间坐标得到待配准点云数据;对齐模块,用于利用迭代最近点算法对待配准点云数据进行不同期之间的肝肿瘤对齐。
第三方面,本申请提供了一种电子设备,电子设备包括:存储器,存储器存储有多条指令;处理器,处理器从存储器中加载指令,以执行如上述任一种肝肿瘤对齐方法中的步骤。
第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被电子设备执行时实现上述任一种肝肿瘤对齐方法中的步骤。
本申请能够对病灶CT数据进行肝肿瘤分割,得到病灶CT数据分割后的肝肿瘤标记数据;然后基于肝肿瘤标记数据,获取肝肿瘤的质心位置以及肝肿瘤的体积;接着将肝肿瘤的质心位置作为肝肿瘤的空间坐标,基于肝肿瘤的体积以及肝肿瘤的空间坐标得到待配准点云数据;最后利用迭代最近点算法对待配准点云数据进行不同期之间的肝肿瘤对齐。本发明改进了传统的通道注意力机制和空间注意力机制,具有良好的抗噪性和鲁棒性,采用本发明的分割方法,获得的分割肝肝肿瘤图像更加精准,使后续的病灶增强三期的肝肿瘤自动配准的准确性大大提高。本发明可以有效地实现病灶增强三期的肝肿瘤自动配准,方便影像科医生去做动脉期,门脉期和延迟期CT的比较查看,进而实现更加精准的肝肿瘤识别和肝肿瘤类别的辨识,无论是对人工智能辅助判断还是对于医生的影像学诊断有着重要的作用。
附图说明
图1为本申请一实施例的应用场景示意图。
图2为本申请一实施例的肝肿瘤对齐方法的流程示意图。
图3为本申请一实施例的肝肿瘤对齐装置的结构示意图。
图4为本申请一实施例的电子设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本申请的基本构想,遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本申请以下实施例提供了一种肝肿瘤对齐方法、装置、电子设备及介质,其中,该肝肿瘤对齐装置具体可以集成在电子设备中,该电子设备可以为终端、服务器等设备。其中,终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(PersonalComputer,PC)等设备;服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群。
在一些实施例中,该肝肿瘤对齐装置还可以集成在多个电子设备中,比如,该肝肿瘤对齐装置可以集成在多个服务器中,由多个服务器来实现本申请的该肝肿瘤对齐方法。
在一些实施例中,服务器也可以以终端的形式来实现。
例如,图1为本申请一实施例的应用场景示意图,该应用场景中可以包括CT设备10、存储终端11和服务器12等,CT设备10可以用于采集病灶CT数据,存储终端11可以用于对病灶CT数据进行存储等等,CT设备10、存储终端11和服务器12之间相互通信连接,在此不再赘述。
其中,服务器12可以包括处理器和存储器等。服务器12可以对病灶CT数据进行肝肿瘤分割,得到病灶CT数据分割后的肝肿瘤标记数据;基于肝肿瘤标记数据,获取肝肿瘤的质心位置以及肝肿瘤的体积;将肝肿瘤的质心位置作为肝肿瘤的空间坐标,基于肝肿瘤的体积以及肝肿瘤的空间坐标得到待配准点云数据;利用迭代最近点算法对待配准点云数据进行不同期之间的肝肿瘤对齐等。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行详细描述。
如图2所示,以服务器12为执行主体,本实施例提供一种肝肿瘤对齐方法,包括步骤S210至步骤S240,如下:
S210、服务器12对病灶CT数据进行肝肿瘤分割,得到病灶CT数据分割后的肝肿瘤标记数据。
本实施例中,病灶CT数据可以为肝脏病灶CT数据,在其他实施例中,病灶CT数据也可以为其他部位的CT数据,本申请对病灶的类型不做任何限制。
在一实施例中,对病灶CT数据进行肝肿瘤分割,得到病灶CT数据分割后的肝肿瘤标记数据,包括:获取病灶CT数据,病灶CT数据包括动脉期、门脉期和延迟期分别对应的病灶CT数据;利用特征提取方法对动脉期、门脉期和延迟期分别对应的病灶CT数据进行肝肿瘤对象的分割。
在一实施例中,利用特征提取方法对动脉期、门脉期和延迟期分别对应的病灶CT数据进行肝肿瘤分割,包括:对病灶CT数据进行预处理,得到预处理后的病灶CT数据;基于训练好的Unet神经网络模型,对预处理后的病灶CT数据进行肝肿瘤对象的分割,得到病灶CT数据分割后的肝肿瘤标记数据。
本实施例中,动脉期是造影剂在动脉中的一段时间,引起动脉的充盈和发育,在此期间动脉血管相对清晰。静脉期是指静脉充满造影剂的时间段,在此期间可以清晰地看到静脉。延迟期是指随着时间的推移,血管内造影剂逐渐减少。在这一时期,观察肝肿瘤等血管丰富的组织,由于造影剂衰减缓慢,在这一时期会有较清楚的显影。
本实施例可以对病灶CT数据进行预处理,得到预处理后的病灶CT数据;然后基于训练好的Unet神经网络模型,对预处理后的病灶CT数据进行肝肿瘤对象的分割,从而得到病灶CT数据分割后的肝肿瘤标记数据。
Unet神经网络模型是一种卷积网络结构,用于快速、精确地分割图像。本申请可以通过Unet神经网络模型将病灶从病灶CT数据中分割出来,以便后续肝肿瘤自动对齐处理。
在一实施例中,基于训练好的Unet神经网络模型,对预处理后的病灶CT数据进行肝肿瘤对象的分割,得到病灶CT数据分割后的肝肿瘤标记数据之前,还包括:获取病灶CT数据样本集;对病灶CT数据样本集的各个病灶CT数据进行预处理,预处理包括对病灶CT数据进行格式转换、像素裁剪处理和/或灰度化处理,得到预处理后的病灶CT数据样本集;对预处理后的病灶CT数据样本集中的肝窗影像肿瘤区域进行标注,得到标注后的病灶CT数据样本集;对标注后的病灶CT数据样本集中各个图像进行增样处理,增样处理包括旋转和/或平移操作,生成训练样本数据集;建立Unet神经网络模型,利用训练样本数据集对Unet神经网络模型进行训练,得到训练好的Unet神经网络模型。
本实施例中,可以对病灶CT数据样本集的各个病灶CT数据进行预处理,比如,对病灶CT数据样本集的各个病灶CT数据对应原始图像进行预处理,将原数据集中的图片格式转换为.png,转换后的每张CT图片像素大小为512×512,灰度值范围为0到255之间。本实施例可以标注肝窗影像肿瘤区域,形成标注后的病灶CT数据样本集,对标注后的病灶CT数据样本集中的图像进行旋转、平移步骤,增加训练样本的多样性,生成训练样本数据集,训练样本数据集可以分为训练集、验证集和测试集;利用训练集、验证集和测试集分别对Unet神经网络模型进行训练、验证及测试,得到训练好的Unet神经网络模型。
在一实施例中,建立Unet神经网络模型,利用训练样本数据集对Unet神经网络模型进行训练,得到训练好的Unet神经网络模型,对Unet神经网络模型进行训练过程中使用的损失函数包括dice-loss函数和Focal-loss函数。
本实施例中,Unet神经网络模型训练过程中使用的损失函数包括dice-loss函数和Focal-loss函数,dice-loss函数是一种集合相似度度量函数,通常用于计算两个样本的相似度,Focal-loss函数是一个解决分类问题中类别不平衡、分类难度差异的一个loss函数。分割任务是像素级的分类,因此Focal-loss函数在分割任务中也是有效的。
在一实施例中,建立Unet神经网络模型,Unet神经网络模型为Attention-UNet模型,包括:建立通道注意力模块,通道注意力模块用于通过若干个大小不同的一维卷积核执行卷积;建立空间注意力模块,空间注意力模块用于采用并联空洞卷积的方法获取上下文的语义信息;将通道注意力模块和空间注意力模块进行混合,生成混合注意力模块;将混合注意力模块集成到Unet神经网络模型中。
本实施例中,Unet神经网络模型的搭建过程可以包括构造通道注意力模块,使用多个大小不同的1D卷积核执行卷积;然后构造空间注意力模块,采用并联空洞卷积的方法引入到空间注意力模块中,获取上下文的语义信息;再将通道注意力模块和空间注意力模块进行混合,生成混合注意力模块;将混合注意力模块集成到基础模型中。
S220、基于肝肿瘤标记数据,获取肝肿瘤的质心位置以及肝肿瘤的体积。
在一实施例中,基于肝肿瘤标记数据,获取肝肿瘤的质心位置,包括:根据肝肿瘤标记数据得到肝肿瘤集合;获取肝肿瘤集合中任意一个肝肿瘤质心: 其中,(x,y,z)坐标表示任意一个肝肿瘤的质心,Hui为任意一个肝肿瘤中像素序号为i的密度值,Xi为任意一个肝肿瘤中像素序号为i的第一坐标值,Yi为任意一个肝肿瘤中像素序号为i的第二坐标值,Zi为任意一个肝肿瘤中像素序号为i的第三坐标值。
本实施例中,质心位置计算方法具体包括:令肝中存在肝肿瘤集合K,取其中一个肝肿瘤,令i为该肝肿瘤k中的一个像素,/>肝肿瘤k的质心Barycenter(x,y,z)为:/>其中使用(x,y,z)坐标表示一个肝肿瘤,Hui为肝肿瘤k的像素序号为i的密度Hu值,Yi为肝肿瘤k的像素序号为i的y值,Xi为肝肿瘤k的像素序号为i的x值,Zi为肝肿瘤k的像素序号为i的z值。
S230、将肝肿瘤的质心位置作为肝肿瘤的空间坐标,基于肝肿瘤的体积以及肝肿瘤的空间坐标得到待配准点云数据。
S240、利用迭代最近点算法对待配准点云数据进行不同期之间的肝肿瘤对齐。
在一实施例中,利用迭代最近点算法对待配准点云数据进行不同期之间的肝肿瘤对齐,包括:基于肝肿瘤的体积,去除点云的配准数据中体积小于体积阈值的肝肿瘤,得到有效肝肿瘤集合,有效肝肿瘤集合包括动脉期对应的有效肝肿瘤集合、门脉期对应的有效肝肿瘤集合以及延迟期对应的有效肝肿瘤集合;基于有效肝肿瘤集合,进行动脉期、门脉期、延迟期中任意两期之间的刚体变换,得到任意两期之间的变化参数;基于任意两期之间的变化参数,建立任意两期之间肝肿瘤质心平均距离最小的对齐优化函数;对对齐优化函数进行求解,当对齐优化函数达到最优时,得到任意两期之间最优的变化参数,完成对点云的配准数据在任意两期之间的肝肿瘤对齐。
在一实施例中,基于有效肝肿瘤集合,进行动脉期、门脉期、延迟期中任意两期之间的刚体变换,得到任意两期之间的变化参数,包括:获取动脉期、门脉期、延迟期中任意两期的肝肿瘤质心;将任意两期中的一期记为P,任意两期中的另一期记为Q,任意两期中的一期P对应的有效肝肿瘤集合的一个肝肿瘤质心pi的坐标记为任意两期中的另一期Q对应的有效肝肿瘤集合的一个肝肿瘤质心qi的坐标记为/> n为有效肝肿瘤集合的肝肿瘤质心总数;基于刚体变换,建立任意两期的肝肿瘤质心之间的刚体变换方程qi=Rpi+T,通过刚体变换方程得到任意两期之间的变化参数;任意两期之间的变化参数包括任意两期中的另一期Q相对于任意两期中的一期P的旋转缩放矩阵R和平移矩阵T,qi为任意两期中的另一期Q对应的有效肝肿瘤集合的肝肿瘤质心,pi为任意两期中的一期P对应的有效肝肿瘤集合的肝肿瘤质心。
在一实施例中,基于任意两期之间的变化参数,建立任意两期之间肝肿瘤质心平均距离最小的对齐优化函数,对齐优化函数为ε为损失函数,q质心为任意两期中的另一期Q对应的有效肝肿瘤集合的质心点,/> p质心为任意两期中的一期P对应的有效肝肿瘤集合的质心点,/>'
q i为任意两期中的另一期Q对应的有效肝肿瘤集合的一个肝肿瘤质心qi与任意两期中的另一期Q对应的有效肝肿瘤集合的质心点q质心之差,q'i=qi-q质心;p'i为任意两期中的一期P对应的有效肝肿瘤集合的一个肝肿瘤质心pi与任意两期中的一期P对应的有效肝肿瘤集合的质心点P质心之差,p'i=pi-P质心。
在一实施例中,对对齐优化函数进行求解,当对齐优化函数达到最优时,得到任意两期之间最优的变化参数,完成对点云的配准数据在任意两期之间的肝肿瘤对齐,包括:当损失函数ε小于预设阈值时,得到最优的旋转缩放矩阵R和平移矩阵T。
本申请采用了加权的ICP方法进行肝肝肿瘤对齐,针对同一个用户的多期肝肝肿瘤数据(动脉CT,门脉CT和延迟期CT)中的配准,由于每个期中CT呈现的肝肿瘤特征不一样,所以算法或则人工标注出来的肝肿瘤分割和个数都不一样,所以多期肝肿瘤数据的配准的过程是一个稠密点和稀疏点的匹配关系,ICP算法即简化成一个最小二乘问题,可以通过解方程的方法得到解析解,使用优化方式迭代求解则一定可以得到全局最优解。若没有确定的匹配关系,纯粹的迭代最近点方法也能得到一个极值结果。
本实施例中,通过三期影像的待配准点云数据,以动脉期为基准期,使用迭代最近点方法ICP(Iterative Closest Point)进行肝肝肿瘤对齐。迭代最近点方法ICP(Iterative Closest Point)具体包括:
S241、首先计算每个肝肿瘤的立体坐标,对于单层厚度的肝肿瘤,按照厚度为一个CT层厚来处理,计算其质心的位置,并使用(x,y,z)坐标表示一个肝肿瘤,并计算其体积:
S242、去除小于体积v<100立方毫米以下的肝肿瘤,有效肝肿瘤的集合为:{k|vk<100mm3}。
S243、调整对应点云权重,当肝肿瘤体积v满足1000mm3<v<800mm3时,权重为2,当肝肿瘤体积v不满足1000mm3<v<800mm3时,权重为1。
S244、选择动脉期、门脉期、延迟期中任意两期为动脉期P及门脉期Q,进行动脉期P及门脉期Q之间肝肿瘤质心平均距离最小的刚体变换,求得平移矩阵T和旋转和缩放矩阵R。在其他实施例中,任意两期还可以为除动脉期和门脉期外的其他组合,本实施例在此不作任何限制。
具体地,令动脉期P及门脉期Q的CT数据上肝肿瘤质心的集合分别为第一集合和第二集合,p、q分别为第一集合和第二集合上的像素点:计算得到动脉期、门脉期之间的的肝肿瘤质心之间欧拉距离;再计算从动脉期、门脉期两期之间的变化参数;令R为旋转缩放矩阵,T为平移矩阵,利用最小二乘法,得到损失函数,对平移矩阵T进行初始估算,具体时分别得到第一集合和第二集合的质心点(即中心点),分别将第一集合和第二集合的各个元素平移至中心点处,得到优化函数ε。
本实施例中,使优化函数最小的旋转缩放矩阵R和平移矩阵T即为所求变换参数,以动脉期和门脉期为例,动脉期和门脉期的肝肿瘤质心之间欧拉距离为 令R为门脉期Q相对于动脉期P的旋转缩放矩阵,T为平移矩阵,得到qi=Rpi+T,i∈{1…n}。由于有噪声的存在,不可能所有点都完全重合,本实施例利用最小二乘法,得到损失函数为:/>接下来对平移矩阵T进行初始估算,具体时分别得到第一集合和第二集合的质心点:/> 分别将第一集合和第二集合平移至中心点处,得到平移后的第一集合P'和平移后的第二集合Q',其中,平移后的第一集合P'中的像素点坐标p'=p-p质心,平移后的第二集合Q'中的像素点坐标q'=q-q质心,然后优化函数可以转化成/> 最后,进行算法收敛判断,从得到的损失函数ε,设定一个阈值E,如果得到的损失函数ε≤E,则得到最优的旋转缩放矩阵R和平移矩阵T,如果ε>E,重复步骤S240,直到ε≤E。根据上述加权的ICP算法,得到了动脉期CT肝肿瘤和门脉期CT肝肿瘤的配准关系,同理在其他实施例还可以得到动脉期CT肝肿瘤和延迟期CT肝肿瘤的配准关系,或者门脉期CT肝肿瘤和延迟期CT肝肿瘤的配准关系,在其他实施例的配准过程与本实施例相同或相似,本实施例在此不再赘述。
本申请能够对病灶CT数据进行肝肿瘤分割,得到病灶CT数据分割后的肝肿瘤标记数据;然后基于肝肿瘤标记数据,获取肝肿瘤的质心位置以及肝肿瘤的体积;接着将肝肿瘤的质心位置作为肝肿瘤的空间坐标,基于肝肿瘤的体积以及肝肿瘤的空间坐标得到待配准点云数据;最后利用迭代最近点算法对待配准点云数据进行不同期之间的肝肿瘤对齐。本发明改进了传统的通道注意力机制和空间注意力机制,具有良好的抗噪性和鲁棒性,采用本发明的分割方法,获得的分割肝肝肿瘤图像更加精准,使后续的病灶增强三期的肝肿瘤自动配准的准确性大大提高。本发明可以有效地实现病灶增强三期的肝肿瘤自动配准,方便影像科医生去做动脉期,门脉期和延迟期CT的比较查看,进而实现更加精准的肝肿瘤识别和肝肿瘤类别的辨识,无论是对人工智能辅助判断还是对于医生的影像学诊断有着重要的作用。
本申请实施例的肝肿瘤对齐方法的保护范围不限于本实施例列举的步骤执行顺序,凡是根据本申请的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本申请的保护范围内。
本申请实施例还提供一种肝肿瘤对齐装置,肝肿瘤对齐装置可以实现本申请的肝肿瘤对齐方法,但本申请的肝肿瘤对齐方法的实现装置包括但不限于本实施例列举的肝肿瘤对齐装置的结构,凡是根据本申请的原理所做的现有技术的结构变形和替换,都包括在本申请的保护范围内。
如图3所示,本申请还提供了一种肝肿瘤对齐装置,包括:分割模块310、质心获取模块320、点云数据获取模块330和对齐模块340。其中,分割模块310,被配置于对病灶CT数据进行肝肿瘤对象的分割,得到病灶CT数据分割后的肝肿瘤标记数据;质心获取模块320,被配置于基于肝肿瘤标记数据,获取肝肿瘤的质心位置以及肝肿瘤的体积;点云数据获取模块330,被配置于将肝肿瘤的质心位置作为肝肿瘤的空间坐标,基于肝肿瘤的体积以及肝肿瘤的空间坐标得到待配准点云数据;对齐模块340,被配置于利用迭代最近点算法对待配准点云数据进行不同期之间的肝肿瘤对齐。
在一实施例中,分割模块310包括分割子模块,分割子模块被配置于:获取病灶CT数据,病灶CT数据包括动脉期、门脉期和延迟期分别对应的病灶CT数据;利用特征提取方法对动脉期、门脉期和延迟期分别对应的病灶CT数据进行肝肿瘤对象的分割。
在一实施例中,分割子模块包括特征提取模块,特征提取模块被配置于:对病灶CT数据进行预处理,得到预处理后的病灶CT数据;基于训练好的Unet神经网络模型,对预处理后的病灶CT数据进行肝肿瘤对象的分割,得到病灶CT数据分割后的肝肿瘤标记数据。
在一实施例中,特征提取模块包括模型训练模块,模型训练模块被配置于:获取病灶CT数据样本集;对病灶CT数据样本集的各个病灶CT数据进行预处理,预处理包括对病灶CT数据进行格式转换、像素裁剪处理和/或灰度化处理,得到预处理后的病灶CT数据样本集;对预处理后的病灶CT数据样本集中的肝窗影像肿瘤区域进行标注,得到标注后的病灶CT数据样本集;对标注后的病灶CT数据样本集中各个图像进行增样处理,增样处理包括旋转和/或平移操作,生成训练样本数据集;建立Unet神经网络模型,利用训练样本数据集对Unet神经网络模型进行训练,得到训练好的Unet神经网络模型。
在一实施例中,建立Unet神经网络模型,利用训练样本数据集对Unet神经网络模型进行训练,得到训练好的Unet神经网络模型,对Unet神经网络模型进行训练过程中使用的损失函数包括dice-loss函数和Focal-loss函数。
在一实施例中,模型训练模块包括模型训练子模块,模型训练子模块被配置于:建立通道注意力模块,通道注意力模块用于通过若干个大小不同的一维卷积核执行卷积;建立空间注意力模块,空间注意力模块用于采用并联空洞卷积的方法获取上下文的语义信息;将通道注意力模块和空间注意力模块进行混合,生成混合注意力模块;将混合注意力模块集成到Unet神经网络模型中。
在一实施例中,质心获取模块320包括质心计算模块,质心计算模块被配置于:根据肝肿瘤标记数据得到肝肿瘤集合;获取肝肿瘤集合中任意一个肝肿瘤质心: 其中,(x,y,z)坐标表示任意一个肝肿瘤的质心,Hui为任意一个肝肿瘤中像素序号为i的密度值,Xi为任意一个肝肿瘤中像素序号为i的第一坐标值,Yi为任意一个肝肿瘤中像素序号为i的第二坐标值,Zi为任意一个肝肿瘤中像素序号为i的第三坐标值。
在一实施例中,对齐模块340包括对齐子模块,对齐子模块被配置于:基于肝肿瘤的体积,去除点云的配准数据中体积小于体积阈值的肝肿瘤,得到有效肝肿瘤集合,有效肝肿瘤集合包括动脉期对应的有效肝肿瘤集合、门脉期对应的有效肝肿瘤集合以及延迟期对应的有效肝肿瘤集合;基于有效肝肿瘤集合,进行动脉期、门脉期、延迟期中任意两期之间的刚体变换,得到任意两期之间的变化参数;基于任意两期之间的变化参数,建立任意两期之间肝肿瘤质心平均距离最小的对齐优化函数;对对齐优化函数进行求解,当对齐优化函数达到最优时,得到任意两期之间最优的变化参数,完成对点云的配准数据在任意两期之间的肝肿瘤对齐。
在一实施例中,对齐子模块包括变化参数获取模块,变化参数获取模块被配置于:获取动脉期、门脉期、延迟期中任意两期的肝肿瘤质心;将任意两期中的一期记为P,任意两期中的另一期记为Q,任意两期中的一期P对应的有效肝肿瘤集合的一个肝肿瘤质心pi的坐标记为任意两期中的另一期Q对应的有效肝肿瘤集合的一个肝肿瘤质心qi的坐标记为/>n为有效肝肿瘤集合的肝肿瘤质心总数;基于刚体变换,建立任意两期的肝肿瘤质心之间的刚体变换方程qi=Rpi+T,通过刚体变换方程得到任意两期之间的变化参数;任意两期之间的变化参数包括任意两期中的另一期Q相对于任意两期中的一期P的旋转缩放矩阵R和平移矩阵T,qi为任意两期中的另一期Q对应的有效肝肿瘤集合的肝肿瘤质心,pi为任意两期中的一期P对应的有效肝肿瘤集合的肝肿瘤质心。
在一实施例中,基于任意两期之间的变化参数,建立任意两期之间肝肿瘤质心平均距离最小的对齐优化函数,对齐优化函数为ε为损失函数,q质心为任意两期中的另一期Q对应的有效肝肿瘤集合的质心点,/> p质心为任意两期中的一期P对应的有效肝肿瘤集合的质心点,/>为任意两期中的另一期Q对应的有效肝肿瘤集合的一个肝肿瘤质心qi与任意两期中的另一期Q对应的有效肝肿瘤集合的质心点q质心之差,q'i=qi-q质心;p'i为任意两期中的一期P对应的有效肝肿瘤集合的一个肝肿瘤质心pi与任意两期中的一期P对应的有效肝肿瘤集合的质心点P质心之差,p'i=pi-P质心。
在一实施例中,对齐子模块包括收敛判断模块,收敛判断模块被配置于:当损失函数ε小于预设阈值时,得到最优的旋转缩放矩阵R和平移矩阵T。
具体实施时,以上各个模块可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个模块的具体实施可参见前面的方法实施例,在此不再赘述。
由上可知,本申请能够对病灶CT数据进行肝肿瘤分割,得到病灶CT数据分割后的肝肿瘤标记数据;然后基于肝肿瘤标记数据,获取肝肿瘤的质心位置以及肝肿瘤的体积;接着将肝肿瘤的质心位置作为肝肿瘤的空间坐标,基于肝肿瘤的体积以及肝肿瘤的空间坐标得到待配准点云数据;最后利用迭代最近点算法对待配准点云数据进行不同期之间的肝肿瘤对齐。本发明改进了传统的通道注意力机制和空间注意力机制,具有良好的抗噪性和鲁棒性,采用本发明的分割方法,获得的分割肝肝肿瘤图像更加精准,使后续的病灶增强三期的肝肿瘤自动配准的准确性大大提高。本发明可以有效地实现病灶增强三期的肝肿瘤自动配准,方便影像科医生去做动脉期,门脉期和延迟期CT的比较查看,进而实现更加精准的肝肿瘤识别和肝肿瘤类别的辨识,无论是对人工智能辅助判断还是对于医生的影像学诊断有着重要的作用。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置或方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅是示意性的,例如,模块/单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或单元可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块/单元可以是或者也可以不是物理上分开的,作为模块/单元显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块/单元来实现本申请实施例的目的。例如,在本申请各个实施例中的各功能模块/单元可以集成在一个处理模块中,也可以是各个模块/单元单独物理存在,也可以两个或两个以上模块/单元集成在一个模块/单元中。
本领域普通技术人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例还提供一种电子设备,该电子设备可以为终端、服务器等设备。其中,终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑,等等;服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群,等等。
在一些实施例中,本申请提供的肝肿瘤对齐装置还可以集成在多个电子设备中,比如,肝肿瘤对齐装置可以集成在多个服务器中,由多个服务器来实现本申请的肝肿瘤对齐方法。
在本实施例中,将以本实施例的电子设备是服务器为例进行详细描述,比如,如图4所示,其示出了本申请实施例所涉及的服务器的结构示意图,具体来讲:
该服务器可以包括一个或者一个以上处理核心的处理器410、一个或一个以上计算机可读存储介质的存储器420、电源430、输入模块440以及通信模块450等部件。本领域技术人员可以理解,图4中示出的服务器结构并不构成对服务器的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器410是该服务器的控制中心,利用各种接口和线路连接整个服务器的各个部分,通过运行或执行存储在存储器420内的软件程序和/或模块,以及调用存储在存储器420内的数据,执行服务器的各种功能和处理数据,从而对服务器进行整体监控。在一些实施例中,处理器410可包括一个或多个处理核心;在一些实施例中,处理器410可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器410中。
存储器420可用于存储软件程序以及模块,处理器410通过运行存储在存储器420的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器420可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据服务器的使用所创建的数据等。此外,存储器420可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器420还可以包括存储器控制器,以提供处理器410对存储器420的访问。
服务器还包括给各个部件供电的电源430,在一些实施例中,电源430可以通过电源管理系统与处理器410逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源430还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该服务器还可包括输入模块440,该输入模块440可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
该服务器还可包括通信模块450,在一些实施例中通信模块450可以包括无线模块,服务器可以通过该通信模块450的无线模块进行短距离无线传输,从而为用户提供了无线的宽带互联网访问。比如,该通信模块450可以用于帮助用户收发电子邮件、浏览网页和访问流式媒体等。
尽管未示出,服务器还可以包括显示单元等,在此不再赘述。具体在本实施例中,服务器中的处理器410会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器420中,并由处理器410来运行存储在存储器420中的应用程序,从而实现肝肿瘤对齐装置的各种功能。
在一些实施例中,本申请还提供了一种计算机可读存储介质。本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分步骤是可以通过程序来指令处理器完成,的程序可以存储于计算机可读存储介质中,存储介质是非短暂性(non-transitory)介质,例如随机存取存储器,只读存储器,快闪存储器,硬盘,固态硬盘,磁带(magnetictape),软盘(floppy disk),光盘(optical disc)及其任意组合。上述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本申请实施例还可以提供一种计算机程序产品,计算机程序产品包括一个或多个计算机指令。在计算设备上加载和执行计算机指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机或数据中心进行传输。
计算机程序产品被计算机执行时,计算机执行前述方法实施例的方法。该计算机程序产品可以为一个软件安装包,在需要使用前述方法的情况下,可以下载该计算机程序产品并在计算机上执行该计算机程序产品。
上述各个附图对应的流程或结构的描述各有侧重,某个流程或结构中没有详述的部分,可以参见其他流程或结构的相关描述。
上述实施例仅例示性说明本申请的原理及其功效,而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本申请的权利要求所涵盖。
Claims (14)
1.一种肝肿瘤对齐方法,其特征在于,所述方法包括:
对病灶CT数据进行肝肿瘤分割,得到所述病灶CT数据分割后的肝肿瘤标记数据;
基于所述肝肿瘤标记数据,获取所述肝肿瘤的质心位置以及所述肝肿瘤的体积;
将所述肝肿瘤的质心位置作为所述肝肿瘤的空间坐标,基于所述肝肿瘤的体积以及所述肝肿瘤的空间坐标得到待配准点云数据;
利用迭代最近点算法对所述待配准点云数据进行不同期之间的肝肿瘤对齐。
2.根据权利要求1所述的方法,其特征在于,所述对病灶CT数据进行肝肿瘤分割,得到所述病灶CT数据分割后的肝肿瘤标记数据,包括:
获取病灶CT数据,所述病灶CT数据包括动脉期、门脉期和延迟期分别对应的病灶CT数据;
利用特征提取方法对所述动脉期、门脉期和延迟期分别对应的病灶CT数据进行肝肿瘤对象的分割。
3.根据权利要求2所述的方法,其特征在于,所述利用特征提取方法对所述动脉期、门脉期和延迟期分别对应的病灶CT数据进行肝肿瘤分割,包括:
对所述病灶CT数据进行预处理,得到预处理后的病灶CT数据;
基于训练好的Unet神经网络模型,对所述预处理后的病灶CT数据进行肝肿瘤对象的分割,得到所述病灶CT数据分割后的肝肿瘤标记数据。
4.根据权利要求1或2所述的方法,其特征在于,所述基于训练好的Unet神经网络模型,对所述预处理后的病灶CT数据进行肝肿瘤对象的分割,得到所述病灶CT数据分割后的肝肿瘤标记数据之前,还包括:
获取病灶CT数据样本集;
对所述病灶CT数据样本集的各个病灶CT数据进行预处理,所述预处理包括对所述病灶CT数据进行格式转换、像素裁剪处理和/或灰度化处理,得到预处理后的病灶CT数据样本集;
对所述预处理后的病灶CT数据样本集中的肝窗影像肿瘤区域进行标注,得到标注后的病灶CT数据样本集;
对所述标注后的病灶CT数据样本集中各个图像进行增样处理,所述增样处理包括旋转和/或平移操作,生成训练样本数据集;
建立Unet神经网络模型,利用所述训练样本数据集对所述Unet神经网络模型进行训练,得到训练好的Unet神经网络模型。
5.根据权利要求4所述的方法,其特征在于,所述建立Unet神经网络模型,利用所述训练样本数据集对所述Unet神经网络模型进行训练,得到训练好的Unet神经网络模型,所述对Unet神经网络模型进行训练过程中使用的损失函数包括dice-loss函数和Focal-loss函数。
6.根据权利要求4所述的方法,其特征在于,所述建立Unet神经网络模型,所述Unet神经网络模型为Attention-UNet模型,包括:
建立通道注意力模块,所述通道注意力模块用于通过若干个大小不同的一维卷积核执行卷积;
建立空间注意力模块,所述空间注意力模块用于采用并联空洞卷积的方法获取上下文的语义信息;
将所述通道注意力模块和所述空间注意力模块进行混合,生成混合注意力模块;
将所述混合注意力模块集成到所述Unet神经网络模型中。
7.根据权利要求1所述的方法,其特征在于,所述基于所述肝肿瘤标记数据,获取所述肝肿瘤的质心位置,包括:
根据所述肝肿瘤标记数据得到肝肿瘤集合;
获取所述肝肿瘤集合中任意一个肝肿瘤质心:其中,(x,y,z)坐标表示任意一个肝肿瘤的质心,Hui为任意一个肝肿瘤中像素序号为i的密度值,Xi为任意一个肝肿瘤中像素序号为i的第一坐标值,Yi为任意一个肝肿瘤中像素序号为i的第二坐标值,Zi为任意一个肝肿瘤中像素序号为i的第三坐标值。
8.根据权利要求7所述的方法,其特征在于,所述利用迭代最近点算法对所述待配准点云数据进行不同期之间的肝肿瘤对齐,包括:
基于所述肝肿瘤的体积,去除所述点云的配准数据中体积小于体积阈值的肝肿瘤,得到有效肝肿瘤集合,所述有效肝肿瘤集合包括动脉期对应的有效肝肿瘤集合、门脉期对应的有效肝肿瘤集合以及延迟期对应的有效肝肿瘤集合;
基于所述有效肝肿瘤集合,进行所述动脉期、所述门脉期、所述延迟期中任意两期之间的刚体变换,得到所述任意两期之间的变化参数;
基于所述任意两期之间的变化参数,建立所述任意两期之间肝肿瘤质心平均距离最小的对齐优化函数;
对所述对齐优化函数进行求解,当所述对齐优化函数达到最优时,得到所述任意两期之间最优的变化参数,完成对所述点云的配准数据在所述任意两期之间的肝肿瘤对齐。
9.根据权利要求8所述的方法,其特征在于,所述基于所述有效肝肿瘤集合,进行所述动脉期、所述门脉期、所述延迟期中任意两期之间的刚体变换,得到所述任意两期之间的变化参数,包括:
获取所述动脉期、所述门脉期、所述延迟期中任意两期的肝肿瘤质心;
将所述任意两期中的一期记为P,所述任意两期中的另一期记为Q,所述任意两期中的一期P对应的有效肝肿瘤集合的一个肝肿瘤质心pi的坐标记为所述任意两期中的另一期Q对应的有效肝肿瘤集合的一个肝肿瘤质心qi的坐标记为/> n为有效肝肿瘤集合的肝肿瘤质心总数;
基于刚体变换,建立所述任意两期的肝肿瘤质心之间的刚体变换方程qi=Rpi+T,通过所述刚体变换方程得到所述任意两期之间的变化参数;所述任意两期之间的变化参数包括所述任意两期中的另一期Q相对于所述任意两期中的一期P的旋转缩放矩阵R和平移矩阵T,qi为所述任意两期中的另一期Q对应的有效肝肿瘤集合的肝肿瘤质心,pi为所述任意两期中的一期P对应的有效肝肿瘤集合的肝肿瘤质心。
10.根据权利要求9所述的方法,其特征在于,所述基于所述任意两期之间的变化参数,建立所述任意两期之间肝肿瘤质心平均距离最小的对齐优化函数,所述对齐优化函数为ε为损失函数,q质心为所述任意两期中的另一期Q对应的有效肝肿瘤集合的质心点,/>p质心为所述任意两期中的一期P对应的有效肝肿瘤集合的质心点,/>q'i为所述任意两期中的另一期Q对应的有效肝肿瘤集合的一个肝肿瘤质心qi与所述任意两期中的另一期Q对应的有效肝肿瘤集合的质心点q质心之差,q'i=qi-q质心;p'i为所述任意两期中的一期P对应的有效肝肿瘤集合的一个肝肿瘤质心pi与所述任意两期中的一期P对应的有效肝肿瘤集合的质心点P质心之差,p'i=pi-P质心。
11.根据权利要求10所述的方法,其特征在于,所述对所述对齐优化函数进行求解,当所述对齐优化函数达到最优时,得到所述任意两期之间最优的变化参数,完成对所述点云的配准数据在所述任意两期之间的肝肿瘤对齐,包括:
当损失函数ε小于预设阈值时,得到最优的旋转缩放矩阵R和平移矩阵T。
12.一种肝肿瘤对齐装置,其特征在于,所述装置包括:
分割模块,用于对病灶CT数据进行肝肿瘤对象的分割,得到所述病灶CT数据分割后的肝肿瘤标记数据;
质心获取模块,用于基于所述肝肿瘤标记数据,获取所述肝肿瘤的质心位置以及所述肝肿瘤的体积;
点云数据获取模块,用于将所述肝肿瘤的质心位置作为所述肝肿瘤的空间坐标,基于所述肝肿瘤的体积以及所述肝肿瘤的空间坐标得到待配准点云数据;
对齐模块,用于利用迭代最近点算法对所述待配准点云数据进行不同期之间的肝肿瘤对齐。
13.一种电子设备,其特征在于,所述电子设备包括:
存储器,所述存储器存储有多条指令;
处理器,所述处理器从所述存储器中加载指令,以执行如权利要求1~11任一项所述的方法中的步骤。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被电子设备执行时实现权利要求1~11任一项所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310157970.1A CN116912301A (zh) | 2023-02-23 | 2023-02-23 | 一种肝肿瘤对齐方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310157970.1A CN116912301A (zh) | 2023-02-23 | 2023-02-23 | 一种肝肿瘤对齐方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116912301A true CN116912301A (zh) | 2023-10-20 |
Family
ID=88357089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310157970.1A Pending CN116912301A (zh) | 2023-02-23 | 2023-02-23 | 一种肝肿瘤对齐方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912301A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680533A (zh) * | 2015-03-04 | 2015-06-03 | 福建师范大学 | 一种基于断层影像重建的器官的定位方法 |
CN107330929A (zh) * | 2017-06-08 | 2017-11-07 | 三峡大学 | 一种基于几何重心和质心距离比不变性的多尺度点云配准方法 |
CN107451983A (zh) * | 2017-07-18 | 2017-12-08 | 中山大学附属第六医院 | Ct图像的三维融合方法和系统 |
CN111736167A (zh) * | 2019-03-25 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 一种获取激光点云密度的方法和装置 |
CN113379824A (zh) * | 2021-06-10 | 2021-09-10 | 浙江大学 | 一种基于双视角点云配准的类圆形水果纵横径测量方法 |
CN114331942A (zh) * | 2020-09-25 | 2022-04-12 | 杭州普健医疗科技有限公司 | 多期医学图像的处理方法、系统、计算机存储介质及设备 |
CN114972248A (zh) * | 2022-05-24 | 2022-08-30 | 广州市华奕电子科技有限公司 | 基于注意力机制改进的U-net肝肿瘤分割方法 |
CN114998265A (zh) * | 2022-06-06 | 2022-09-02 | 长春工业大学 | 一种基于改进U-Net的肝脏肿瘤分割方法 |
CN115272356A (zh) * | 2022-07-13 | 2022-11-01 | 同心智医科技(北京)有限公司 | Ct图像的多模态融合方法、装置、设备及可读存储介质 |
-
2023
- 2023-02-23 CN CN202310157970.1A patent/CN116912301A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680533A (zh) * | 2015-03-04 | 2015-06-03 | 福建师范大学 | 一种基于断层影像重建的器官的定位方法 |
CN107330929A (zh) * | 2017-06-08 | 2017-11-07 | 三峡大学 | 一种基于几何重心和质心距离比不变性的多尺度点云配准方法 |
CN107451983A (zh) * | 2017-07-18 | 2017-12-08 | 中山大学附属第六医院 | Ct图像的三维融合方法和系统 |
CN111736167A (zh) * | 2019-03-25 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 一种获取激光点云密度的方法和装置 |
CN114331942A (zh) * | 2020-09-25 | 2022-04-12 | 杭州普健医疗科技有限公司 | 多期医学图像的处理方法、系统、计算机存储介质及设备 |
CN113379824A (zh) * | 2021-06-10 | 2021-09-10 | 浙江大学 | 一种基于双视角点云配准的类圆形水果纵横径测量方法 |
CN114972248A (zh) * | 2022-05-24 | 2022-08-30 | 广州市华奕电子科技有限公司 | 基于注意力机制改进的U-net肝肿瘤分割方法 |
CN114998265A (zh) * | 2022-06-06 | 2022-09-02 | 长春工业大学 | 一种基于改进U-Net的肝脏肿瘤分割方法 |
CN115272356A (zh) * | 2022-07-13 | 2022-11-01 | 同心智医科技(北京)有限公司 | Ct图像的多模态融合方法、装置、设备及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
汪晓妍 等: "基于空间对齐和轮廓匹配的颈动脉多对比MRI三维配准方法", 计算机科学, vol. 46, no. 05, pages 241 - 246 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101857624B1 (ko) | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 | |
CN110473186B (zh) | 一种基于医学图像的检测方法、模型训练的方法及装置 | |
Wu et al. | Skin cancer classification with deep learning: a systematic review | |
CN111709485B (zh) | 医学影像处理方法、装置和计算机设备 | |
KR101968144B1 (ko) | 척추 및 경추의 경사각 자동 진단 장치 및 방법 | |
Liu et al. | Accurate colorectal tumor segmentation for CT scans based on the label assignment generative adversarial network | |
CN110246109B (zh) | 融合ct影像和个性化信息的分析系统、方法、装置及介质 | |
CN112288843B (zh) | 一种病灶的三维构建方法、装置、终端设备及存储介质 | |
US20210204898A1 (en) | Medical image analyzing system and method thereof | |
EP3111373A1 (en) | Unsupervised training for an atlas-based registration | |
CN113469981B (zh) | 图像处理方法、装置及存储介质 | |
CN111325714A (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
CN112150472A (zh) | 基于cbct的三维颌骨图像分割方法、装置及终端设备 | |
CN111798424B (zh) | 一种基于医学图像的结节检测方法、装置及电子设备 | |
Zhang et al. | LungSeek: 3D Selective Kernel residual network for pulmonary nodule diagnosis | |
Yang et al. | AX-Unet: A deep learning framework for image segmentation to assist pancreatic tumor diagnosis | |
CN111260636A (zh) | 模型训练方法及设备、图像处理方法及设备以及介质 | |
CN116912301A (zh) | 一种肝肿瘤对齐方法、装置、电子设备及介质 | |
Yang et al. | 3D multi‐view squeeze‐and‐excitation convolutional neural network for lung nodule classification | |
Zhang et al. | CCS-net: cascade detection network with the convolution kernel switch block and statistics optimal anchors block in hypopharyngeal cancer MRI | |
CN114999613A (zh) | 用于提供与医学图像相关联的至少一个元数据属性的方法 | |
Sinzinger et al. | Spherical convolutional neural networks for survival rate prediction in cancer patients | |
CN112288683A (zh) | 基于多模态融合的肺结核病判定装置和方法 | |
Devi et al. | Hybrid convolutional neural network based segmentation of visceral and subcutaneous adipose tissue from abdominal magnetic resonance images | |
Wang et al. | Enhanced three‐dimensional U‐Net with graph‐based refining for segmentation of gastrointestinal stromal tumours |
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 |