CN116977322A - 一种胸部ct图像肺结节微小血管定量分析方法和装置 - Google Patents
一种胸部ct图像肺结节微小血管定量分析方法和装置 Download PDFInfo
- Publication number
- CN116977322A CN116977322A CN202311018961.0A CN202311018961A CN116977322A CN 116977322 A CN116977322 A CN 116977322A CN 202311018961 A CN202311018961 A CN 202311018961A CN 116977322 A CN116977322 A CN 116977322A
- Authority
- CN
- China
- Prior art keywords
- lung
- chest
- image
- nodule
- blood vessels
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000002685 pulmonary effect Effects 0.000 title claims abstract description 17
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 12
- 206010056342 Pulmonary mass Diseases 0.000 claims abstract description 55
- 210000004072 lung Anatomy 0.000 claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000003902 lesion Effects 0.000 claims description 7
- 238000002591 computed tomography Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 210000000038 chest Anatomy 0.000 description 30
- 230000011218 segmentation Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 8
- 230000002093 peripheral effect Effects 0.000 description 7
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 6
- 201000005202 lung cancer Diseases 0.000 description 6
- 208000020816 lung neoplasm Diseases 0.000 description 6
- 239000008280 blood Substances 0.000 description 5
- 210000003484 anatomy Anatomy 0.000 description 4
- 230000002792 vascular Effects 0.000 description 4
- 210000004088 microvessel Anatomy 0.000 description 3
- 230000007170 pathology Effects 0.000 description 3
- 210000001147 pulmonary artery Anatomy 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000003748 differential diagnosis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000003068 molecular probe Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 102100031573 Hematopoietic progenitor cell antigen CD34 Human genes 0.000 description 1
- 101000777663 Homo sapiens Hematopoietic progenitor cell antigen CD34 Proteins 0.000 description 1
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011532 immunohistochemical staining Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000011285 therapeutic regimen Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 210000003556 vascular endothelial cell Anatomy 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/30061—Lung
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明属于医疗图像处理技术领域,具体涉及一种胸部CT图像肺结节微小血管定量分析方法和装置。本发明的分析方法包括如下步骤:步骤1,对胸部CT图像进行预处理;步骤2,采用卷积神经网络模型分割所述胸部CT图像,得到肺气道、肺血管和肺组织的图像;步骤3,采用所述卷积神经网络模型检测所述胸部CT图像中的肺结节,并提取病灶,对所述病灶周围和肺结节内的微小血管进行提取;步骤4,根据步骤3的提取结果计算得到微小血管密度值。本发明还提供了适用于上述分析方法的装置。本发明能够无创、快速、准确三维可视化显示肺结节中及病灶周围的微小血管密度值,并提供精准定量化的数据。具有重要的临床和社会经济学价值。
Description
技术领域
本发明属于医疗图像处理技术领域,具体涉及一种胸部CT图像肺结节微小血管定量分析方法和装置。
背景技术
肺癌是当今死亡率最高的恶性肿瘤,提高肺癌诊疗水平是肿瘤诊疗最重要的课题之一。计算机X线横断体层扫描(computed tomography,CT)技术已经成为迄今肺癌无创性、常规检查的主要手段之一。CT成像技术具有成像速度快、胸部图像分辨率高和低剂量扫描,通过成像后图像的后处理技术能够为临床提供丰富的信息。特别是最近几年,随着人工智能技术的快速发展,采用深度学习自动检测CT图像肺结节并对其良恶性进行判断的方法得到不断完善和提高,极大推动肺结节临床诊断和进一步深入研究。
胸部CT图像能够提供肺结节大小、位置、形态,以及与周围组织的关系,为肺结节鉴别诊断提供临床信息。但是,仅仅从这些视觉可见的形态学信息很难对肺结节进行精准的鉴别诊断。肺癌发生和发展过程中伴随组织内新生血管的异常增长,检出和监测肺结节组织中微血管分别和数量变化对于肺结节鉴别诊断,肺癌疗效评估具有重要的临床价值。临床工作中可以通过CT增强获得肺结节血管信息,但是目前这些都是通过非常繁琐流程仅仅获得定性分析的参数结果。影像组学可以提取肺结节血管的特征,但是无法直接获得肺结节血管形态学和精准定量化的信息。一些针对血管内皮细胞靶点的分子探针可以在活体显示组织小血管,但是分子影像技术无法提供血管形态的信息,而且受到成本和分子探针供应的限制无法普及化试用。
微小血管密度值(Microvessel Density,MVD)是一种定量表征微小血管分布密度的参数。目前,获得肺结节MVD结果都是从组织病理获得,但是,很难在术中获得整体肺癌组织,对于治疗监测过程获得肿瘤组织学信息更加困难。因此,如何快速、精准通过获得肺结节可视化、精准定量化MVD在技术和方法上是均面临巨大的挑战。
机器学习技术目前已经较为广泛地应用于医疗领域,辅助医生进行疾病的诊断和治疗方案的选取。对于医学图像中血管的分割和处理等任务,目前已有相关研究。中国发明专利申请“CN113205524A基于U-Net的血管图像分割方法、装置和设备”公开了利用卷积神经网络模型对医学图像的血管进行分割的方法。然而,目前的机器学习方法还无法对医学图像中的微小血管进行分割和定量。因此,如何采用合适的模型和方法实现对微小血管的定量分析,计算得到MVD等参数,这仍然是本领域亟需解决的问题。
发明内容
针对现有技术的问题,本发明提供一种胸部CT图像肺结节微小血管定量分析方法和装置,目的在于实现无创、快速、准确三维可视化显示肺结节MVD的技术。
一种基于卷积神经网络的胸部CT图像肺结节微小血管精准定量分析方法,包括如下步骤:
步骤1,对胸部CT图像进行预处理;
步骤2,采用卷积神经网络模型分割所述胸部CT图像,得到肺气道、肺血管和肺组织的图像;
步骤3,采用所述卷积神经网络模型检测所述胸部CT图像中的肺结节,并提取病灶,对所述病灶周围和肺结节内的微小血管进行提取;
步骤4,根据步骤3的提取结果计算得到微小血管密度值。
优选的,所述胸部CT图像为平扫描图像或增强图像。
优选的,步骤1中,所述预处理的方法包括裁剪、重采样和降低噪音处理中的至少一种。
优选的,步骤2中,分割出肺气道、血管和肺组织后,进行空洞填充、腐蚀和膨胀处理,得到所述肺气道、血管和肺组织的图像。
优选的,步骤2和步骤3中,所述卷积神经网络模型选自Dense-Vnet神经网络。
优选的,步骤4中,计算所述微小血管密度值的方法包括如下步骤:
步骤4.1,对步骤3得到的肺结节的图像进行影像组学处理,获得一阶体素特征;
步骤4.2,在分割的肺组织中,得到结节位置,根据种子点分割肺结节对应区域感兴趣区;
步骤4.3,按照肺结节组织实性比例,选择阈值对肺血管、肺结节、肺结节一阶体素影像特征图像进行运算获得肺结节周围的微小血管密度值和/或肺结节中的微小血管密度值。
优选的,步骤4.2中,所述结节位置采用3D Deep Leaky Noisy模型计算得到。
优选的,步骤4中还包括如下步骤:
步骤4.4,根据步骤4.3的计算结果,得到肺结节MVD平均值、MVD中心值、MVD周边值、MVD边缘值。
本发明还提供一种基于卷积神经网络的胸部CT图像肺结节微小血管精准定量分析装置,用于实现上述分析方法,包括:
第一获得单元,用于通过从CT设备或医疗单位网络系统获得胸部CT扫描的图像数据;
第一执行单元,用于对胸部CT图像进行预处理;
第二执行获得单元,用于采用卷积神经网络模型分割所述胸部CT图像,获得肺血管、肺结节和病灶的图像;
第三执行单元,用于计算得到微小血管密度值。
本发明还提供一种计算机可读存储介质,其上存储有用于实现上述分析方法的计算机程序。
本发明中,参数命名的含义如下:
“肺结节MVD平均值”代表实际病灶体积的平均MVD值。
“肺结节MVD中心值”和“肺结节MVD周边值”:如果结节直径小于20mm,则周边和中心的边缘将位于结节半径的中间,即1/4直径处;如果结节直径大于等于20mm,则周边和中心的边缘将位于结节边界向内收缩10mm处。MVD中心值和周边值以百分比表示,加起来为100%。
“MVD边缘值”指结节外扩2mm部分加上扣除结节中心的部分。
本发明提供一种基于神经网络技术对胸部CT图像进行分析的方法,具体步骤包括预处理,然后对胸部解剖结构(气道、血管和肺组织)进行分割,检测和分割肺部结节,并提取肺结节微小血管,然后计算肺结节微小血管密度。该方法适用于所有的多排螺旋CT扫描设备,可用于平扫描或增强CT图像,能够无创、快速、准确三维可视化显示肺结节MVD,并提供精准定量化的数据。具有重要的临床和社会经济学价值。
显然,根据本发明的上述内容,按照本领域的普通技术知识和惯用手段,在不脱离本发明上述基本技术思想前提下,还可以做出其它多种形式的修改、替换或变更。
以下通过实施例形式的具体实施方式,对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
图1为本发明实施例1中分析方法的流程示意图;
图2为本发明实施例1中基于卷积神经网络分割肺血管的流程示意图和分割结果示例;
图3为本发明实施例1中肺结节微小血管提取流程示意图和提取结果示例;
图4为本发明实施例1中MVD中心值和周边值计算方法示意图。
图5为本发明实施例1中对照实验方法的示例,其中,A:低倍视野下浏览全片,选血管密度最高的区域(热点区域)拍照,每个切片选取三个热点区域;B:用Photoshop打开热点区域图片,通过快速选择工具对微血管进行标记(红色);C:用IPP6.0对标记血管进行统计,包括血管最小面积、最大面积、总值、均值、标准差等;D:导出三个热点区域统计数据,求血管含量平均值并计算组织中血管阳性占比。
具体实施方式
需要特别说明的是,实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法,以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。
实施例1胸部CT图像肺结节微小血管定量分析方法和装置
本实施例的装置包括:
第一获得单元,用于通过从CT设备或医疗单位网络系统获得胸部CT扫描的图像数据;
第一执行单元,用于对胸部CT图像进行预处理;
第二执行获得单元,用于采用卷积神经网络模型分割所述胸部CT图像,获得肺血管、肺结节和病灶的图像;
第三执行单元,用于计算得到微小血管密度值。
采用上述装置,对胸部CT图像肺结节微小血管进行定量分析的方法如图1所示,包括如下步骤:
步骤一,通过一次扫描获得胸部CT图像,将图像直接或通过网络传输到图像处理装置。图像处理装置对胸部CT图像进行预处理,对胸部图像进行裁剪、重采样和降低噪音处理。具体流程如下:
1)对获得胸部图像按照规范要求裁剪成为规范化的胸部CT图像;图像裁剪可以选择手动或采用神经网络进行;
2)按照体素大小(1.0mm×1.0mm×1.0mm)对裁剪后的图像进行重采用;
3)然后采用高斯滤波对图像降噪.
步骤二,对胸部CT图像采用神经网络模型进行解剖结构分割,包括对气道、肺血管和肺组织的分割,检测肺结节并提取肺结节。在解剖结构分割后对分割结构组织进行空洞填充、腐蚀和膨胀处理,以提高分割组织的准确性。如图2、3所示,具体流程如下:
1)采用Dense-Vnet神经网络对肺组织、肺血管和气道进行分割,采用传统双边阈值分割方法对肺结节进行分割。
对胸部解剖结构和肺血管的分割采用Dense-Vnet神经网络。其中针对胸部解剖结构训练是直接对原图和勾画的label进行重采样到200×200×200大小输入Dense-Vnet网络中进行训练,而肺血管因为体素较小,直接重采样会导致血管分割精度不好,所以是滑动裁剪肺部(Lung)区域成64×64×64大小的Patch后再用Dense-Vnet进行训练。Dense-Vnet神经网络获得解剖结构和血管分割后,需要对分割的组织进行填充,并采用双阈值进一步消除噪音,提高胸部解剖结构分割精度;
2)采用阈值方法对分割的脏器组织中空洞进行填充;进一步完善分割的脏器和组织。
步骤三,根据提取结果计算与MVD相关的参数,如图3所示,具体流程如下:
1)对肺结节进行影像组学处理,获得一阶体素特征,以精准获得血管壁、血管腔的信息,以提高微小血管分割的精准度;
2)在分割的肺组织中,采用3D Deep Leaky Noisy模型得到结节位置并根据种子点分割肺结节对应区域感兴趣区(Region of Interest,ROI);
3)按照肺结节实性比例,选择阈值对肺血管和肺结节一阶体素影像特征图像进行运算获得MVD值。“肺结节MVD平均值”代表实际病灶体积的平均MVD值。“肺结节MVD中心值和周边值”:如果结节直径小于20mm,则周边和中心的边缘将位于结节半径的中间,即1/4直径处;如果结节直径大于等于20mm,则周边和中心的边缘将位于结节边界向内收缩10mm处。MVD中心值和周边值以百分比表示,加起来为100%。“MVD边缘值”指结节外扩2mm部分加上扣除结节中心的部分。4)在上述运算的基础上,最后获得可视化精准定量化肺结节MVD平均值、MVD中心值、MVD周边值、和MVD边缘值。
为验证本实施例提供的方法获得的结果与实际病理结果的一致性,选取了10例肺结节患者病理切片进行常规苏木精-伊红染色及免疫组化染色(采用CD34抗体标记血管)并计算组织中血管阳性占比(血管面积/总面积),该过程示例如图5所示。同时按照本实施例的方法,基于胸部薄层高分辨CT计算结节平均MVD值。10例肺结节患者的结果如表1所示,将平均MVD值和病理染色血管阳性占比两个结果进行Pearson相关性分析。结果显示病理组织中血管阳性占比与影像MVD值具有较好的一致性,Pearson相关系数为0.63。这表明本实施例的方法结果可靠,准确性高。
表1
患者 | 平均MVD值 | 病理染色血管阳性占比(%)* |
1 | 0.112 | 1.19 |
2 | 0.266 | 3.91 |
3 | 0.25 | 3.20 |
4 | 0.187 | 0.91 |
5 | 0.135 | 2.26 |
6 | 0.209 | 1.40 |
7 | 0.216 | 1.37 |
8 | 0.094 | 0.79 |
9 | 0.275 | 2.43 |
10 | 0.204 | 0.82 |
*病理染色血管面积÷病灶总面积
通过上述实施例可以看到,本发明构建了一种新的分析方法和装置,能够在分割出病灶周围和肺结节中的微小血管后定量计算MVD。本发明具有无创、快速、准确以及能够三维可视化等优点,在临床中具有很好的应用前景。
Claims (10)
1.一种基于卷积神经网络的胸部CT图像肺结节微小血管精准定量分析方法,其特征在于,包括如下步骤:
步骤1,对胸部CT图像进行预处理;
步骤2,采用卷积神经网络模型分割所述胸部CT图像,得到肺气道、肺血管和肺组织的图像;
步骤3,采用所述卷积神经网络模型检测所述胸部CT图像中的肺结节,并提取病灶,对所述病灶周围和肺结节内的微小血管进行提取;
步骤4,根据步骤3的提取结果计算得到微小血管密度值。
2.按照权利要求1所述的分析方法,其特征在于:所述胸部CT图像为平扫描图像或增强图像。
3.按照权利要求1所述的分析方法,其特征在于:步骤1中,所述预处理的方法包括裁剪、重采样和降低噪音处理中的至少一种。
4.按照权利要求1所述的分析方法,其特征在于:步骤2中,分割出肺气道、血管和肺组织后,进行空洞填充、腐蚀和膨胀处理,得到所述肺气道、血管和肺组织的图像。
5.按照权利要求1所述的分析方法,其特征在于:步骤2和步骤3中,所述卷积神经网络模型选自Dense-Vnet神经网络。
6.按照权利要求1所述的分析方法,其特征在于:步骤4中,计算所述微小血管密度值的方法包括如下步骤:
步骤4.1,对步骤3得到的肺结节的图像进行影像组学处理,获得一阶体素特征;
步骤4.2,在分割的肺组织中,得到结节位置,根据种子点分割肺结节对应区域感兴趣区;
步骤4.3,按照肺结节组织实性比例,选择阈值对肺血管、肺结节、肺结节一阶体素影像特征图像进行运算获得肺结节周围的微小血管密度值和/或肺结节中的微小血管密度值。
7.按照权利要求6所述的分析方法,其特征在于:步骤4.2中,所述结节位置采用3DDeep Leaky Noisy模型计算得到。
8.按照权利要求6所述的分析方法,其特征在于:步骤4中还包括如下步骤:
步骤4.4,根据步骤4.3的计算结果,得到肺结节MVD平均值、MVD中心值、MVD周边值、MVD边缘值。
9.一种基于卷积神经网络的胸部CT图像肺结节微小血管精准定量分析装置,用于实现权利要求1-8任一项所述的分析方法,其特征在于,包括:
第一获得单元,用于通过从CT设备或医疗单位网络系统获得胸部CT扫描的图像数据;
第一执行单元,用于对胸部CT图像进行预处理;
第二执行获得单元,用于采用卷积神经网络模型分割所述胸部CT图像,获得肺血管、肺结节和病灶的图像;
第三执行单元,用于计算得到微小血管密度值。
10.一种计算机可读存储介质,其特征在于:其上存储有用于实现权利要求1-8任一项所述的分析方法的计算机程序。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2022110216647 | 2022-08-24 | ||
CN202211021664 | 2022-08-24 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116977322A true CN116977322A (zh) | 2023-10-31 |
Family
ID=88473086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311018961.0A Pending CN116977322A (zh) | 2022-08-24 | 2023-08-11 | 一种胸部ct图像肺结节微小血管定量分析方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116977322A (zh) |
-
2023
- 2023-08-11 CN CN202311018961.0A patent/CN116977322A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7567696B2 (en) | System and method for detecting the aortic valve using a model-based segmentation technique | |
Aykac et al. | Segmentation and analysis of the human airway tree from three-dimensional X-ray CT images | |
JP4728627B2 (ja) | Ct血管造影法における構造を領域分割する方法及び装置 | |
JP3486615B2 (ja) | 医療用画像の領域抽出方法 | |
US20070053562A1 (en) | Methods of smoothing segmented regions and related devices | |
JP2011517986A (ja) | 腹部大動脈瘤の自動検知および正確なセグメント分割 | |
US8073214B2 (en) | Computer aided lesion assessment in dynamic contrast enhanced breast MRI images | |
CN109934829B (zh) | 一种基于三维图割算法的肝脏分割方法 | |
Park | Connectivity-based local adaptive thresholding for carotid artery segmentation using MRA images | |
CN111311626A (zh) | 基于ct图像的颅骨骨折自动检测方法及电子介质 | |
Abdel-massieh et al. | A fully automatic and efficient technique for liver segmentation from abdominal CT images | |
CN111369537A (zh) | 一种肺磨玻璃结节的自动分割系统及方法 | |
CN113470060B (zh) | 基于ct影像的冠状动脉多角度曲面重建可视化方法 | |
Ukil et al. | Smoothing lung segmentation surfaces in 3D X-ray CT images using anatomic guidance | |
Ukil et al. | Smoothing lung segmentation surfaces in three-dimensional x-ray ct images using anatomic guidance1 | |
Kiraly et al. | 3D human airway segmentation for virtual bronchoscopy | |
Radaelli et al. | On the segmentation of vascular geometries from medical images | |
CN115516498A (zh) | 由非侵入性放射学成像对肝病严重程度自动分类 | |
US20140094679A1 (en) | Systems and methods for performing organ detection | |
CN113838020B (zh) | 一种基于钼靶影像的病变区域量化方法 | |
CN116977322A (zh) | 一种胸部ct图像肺结节微小血管定量分析方法和装置 | |
Fu et al. | Segmentation of spinal canal region in CT images using 3D region growing technique | |
Tan et al. | A novel method for automated segmentation of airway tree | |
Zhu et al. | Automatic 3d segmentation of human airway tree in ct image | |
Mughal et al. | Early lung cancer detection by classifying chest CT images: a survey |
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 |