CN116993713A - 一种外凸型肾肿瘤切除难度评估方法及装置 - Google Patents

一种外凸型肾肿瘤切除难度评估方法及装置 Download PDF

Info

Publication number
CN116993713A
CN116993713A CN202311064869.8A CN202311064869A CN116993713A CN 116993713 A CN116993713 A CN 116993713A CN 202311064869 A CN202311064869 A CN 202311064869A CN 116993713 A CN116993713 A CN 116993713A
Authority
CN
China
Prior art keywords
tumor
kidney
renal
determining
shortest distance
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
Application number
CN202311064869.8A
Other languages
English (en)
Inventor
郭李云
伍亚军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Yorktal Dmit Co ltd
Original Assignee
Shenzhen Yorktal Dmit Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Yorktal Dmit Co ltd filed Critical Shenzhen Yorktal Dmit Co ltd
Priority to CN202311064869.8A priority Critical patent/CN116993713A/zh
Publication of CN116993713A publication Critical patent/CN116993713A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
    • 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
    • G06T2207/20—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
    • G06T2207/30084—Kidney; Renal

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Bioethics (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Surgery (AREA)
  • Urology & Nephrology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供了一种外凸型肾肿瘤切除难度评估方法及装置，其方法包括：获取CT造影图像，对所述CT造影图像进行图像分割处理以及三维重建处理得到器官三维模型；根据所述器官三维模型中肾脏、肿瘤、动脉血管以及肾集合系统之间的距离关系确定评估指标；根据所述评估指标对所述CT造影图像的肾肿瘤切除难度进行区分。本发明采用计算机图像学和计算机图形学的方法，自动计算ADDD评分系统的四项指标，针对外凸型肾肿瘤可以根据不同手术方式进行术前评估肾脏肿瘤的手术难度，相较于其他评分系统能更适合外凸型肾肿瘤的术前评估和多样化的手术需求，为临床医生提供参考建议。

Description

一种外凸型肾肿瘤切除难度评估方法及装置
技术领域
本发明涉及医学图像处理技术领域，具体涉及一种外凸型肾肿瘤切除难度评估方法、装置、电子设备及存储介质。
背景技术
近年来，研究发现保留肾单位的肾部分切除术和根治性肾切除术相比对于小肾癌的肿瘤疗效相似，而对于患者的长期生存更有益。因此，术前制定完整的手术计划非常重要，这主要依赖于手术者根据影像学资料，对肾脏和肿瘤解剖进行细致深入的分析和判断。CT(Computer Tomography)影像学检查结果能够评估血管、肾脏、肿瘤解剖结构，为术前计划的制订提供依据。随着2009年第一个肾脏肿瘤评分系统RENAL肾脏肿瘤评估系统出现以来，已经陆续有很多基于CT的肾脏肿瘤评分系统出现，这些评分系统都采用一种量化的方法描述肿瘤的解剖学特征。
ADDD肾肿瘤评分方法是北京大学第一医院泌尿外科医生们通过大量的临床数据实践总结出对肾肿瘤手术有重要指导意义的四项参考指标。研究表明，ADDD肾肿瘤评分方法是一种直观简便的描述肾肿瘤解剖特征的综合评估体系，具有良好的稳定性，可以反映肾肿瘤手术的难度，协助临床医师进行肾肿瘤手术决策。
ADDD肾肿瘤评分方法，主要针对外凸型肾肿瘤进行评分。该评分方法通过计算肿瘤与肾脏接触面积A，肿瘤侵入肾脏的最大深度D1，肿瘤距离动脉血管在肾实质内一级分支的最短距离D2，肿瘤距离集合系统的最短距离D3，四项指标综合评估肾肿瘤切除的难易程度。
专利申请号“202210229367.5”名为“一种基于CT影像的肾肿瘤剜除术难度自动评估方法”的专利公开了一种基于CT影像的肾肿瘤剜除术难度自动评估方法。 该方法主要采用RENAL评分系统和MAP评分对肾肿瘤进行自动评分，评估肿瘤切除的难易度。但是上述两个评估方式没有充分考虑到外凸型肾肿瘤的特异性，导致评估方案不够精准。
发明内容
有鉴于此，有必要提供一种外凸型肾肿瘤切除难度评估方法、装置及电子设备，能够解决现有技术中没有充分考虑到外凸型肾肿瘤的特异性，导致评估方案不够精准的技术问题。
为了解决上述技术问题，本发明提供了一种外凸型肾肿瘤切除难度评估方法，包括：
获取CT造影图像，对所述CT造影图像进行图像分割处理以及三维重建处理得到器官三维模型；
根据所述器官三维模型中肾脏、肿瘤、动脉血管以及肾集合系统之间的距离关系确定评估指标；
根据所述评估指标对所述CT造影图像的肾肿瘤切除难度进行区分。
在可能的一些实施方式中，对所述CT造影图像进行图像分割处理以及三维重建处理得到器官三维模型，包括：
利用预设的插值方法将CT造影图像中二维图像序列重构成各方向等分辨率的三维图像；
采用主动轮廓模型的水平集算法进行肾脏、肾肿瘤、肾盏肾盂的分割，并基于区域生长算法进行脉管分割以分割肾动脉；
采用三维重建方法将所述肾脏、肾肿瘤、肾盏肾盂以及肾动脉的三维体数据重建成三维模型数据。
在可能的一些实施方式中，采用主动轮廓模型的水平集算法进行肾脏、肾肿瘤、肾盏肾盂的分割，包括：
对所述三维图像进行高斯平滑处理；
采用动态区域生长算法，通过输入一个或多个种子点，设置第一阈值变化范围，获得目标区域内部的点集；
所述动态区域生长算法的输出结果为初始输入数据，采用主动轮廓模型的水平集算法进行肾脏、肾肿瘤、肾盏肾盂的分割。
在可能的一些实施方式中，基于区域生长算法进行脉管分割以分割肾动脉，包括：
采用HESSIAN矩阵脉管增强算法对所述三维图像进行增强处理；
对增强后的图像采用区域生长算法进行脉管分割，得到肾动脉分割结果。
在可能的一些实施方式中，根据所述器官三维模型中肾脏、肿瘤、动脉血管以及肾集合系统之间的距离关系确定评估指标，包括：
确定肿瘤与肾脏的接触面积，并对所述接触面积进行分类；
确定肿瘤侵入肾脏的最大深度，并对所述最大深度进行分类；
确定肿瘤距离动脉血管在肾实质内一级分支的第一最短距离，并对所述第一最短距离进行分类；
确定肿瘤距离集合系统的第二最短距离，并对所述第二最短距离进行分类。
在可能的一些实施方式中，确定肿瘤与肾脏的接触面积，并对所述接触面积进行分类，包括：
基于外凸型肿瘤的外凸部分与肾脏边缘的贴合情况，计算肿瘤到肾脏的最短距离；
若所述最短距离小于预设距离值，确定所述外凸部分中在肾脏的接触面上的所有点；
将所述所有点组成一个面模型，计算所述面模型的表面积，确定为肿瘤与肾脏的接触面积；
以10cm2为分类标准将所述肿瘤与肾脏的接触面积分为三类。
在可能的一些实施方式中，确定肿瘤侵入肾脏的最大深度，并所述最大深度进行分类，包括：
将肾脏的面模型数据去除外凸部分接触面上的点，再采用模型修复方法，生成一个新的正常的肾脏面模型；
对于肿瘤数据中每一个顶点，判断该点是否在新的肾面模型内部，如果该点在新的肾面模型内部，计算该点到新的肾面的最短距离，确定为肿瘤顶点侵入肾脏的深度；
计算肿瘤数据的所有顶点侵入肾脏的深度，选取最大的深度作为肿瘤侵入肾脏的最大深度；
以1.5cm为分类标准将所述肿瘤侵入肾脏的最大深度分为三类。
在可能的一些实施方式中，确定肿瘤距离动脉血管在肾实质内一级分支的第一最短距离，并所述第一最短距离进行分类，包括：
在动脉血管与肾脏外侧任意选取一点作为种子点，进行动脉血管的中心线提取；
根据中心线提取的结果，建立动脉血管的血管树，血管树中每个点称为节点；
以种子点作为树形结构的根节点，从根节点沿着肾脏方向搜索，依次在中心线数据中寻找符合预设满足条件的点，直到无法找到符合预设满足条件的点，完成血管树的标记；
以肾脏为包围盒，寻找血管树与肾脏边界相交的所有节点集合P；
获得所述节点集合P中每个节点在所属分支结构的所有节点的集合Q，根据半径信息，对Q中所有节点进行管状重建，获得动脉血管在肾实质内的一级分支的面模型数据；
计算肿瘤到所述一级分支数据的最短距离，确定为肿瘤距离动脉血管在肾实质内一级分支的最短距离；
以5mm为分类标准将所述肿瘤距离动脉血管在肾实质内一级分支的第一最短距离分为三类。
在可能的一些实施方式中，确定肿瘤距离集合系统的第二最短距离，并所述第二最短距离进行分类，包括：
分别计算肿瘤中的每个顶点到集合系统的最短距离，并从所有的最短距离中寻找最小的值，确定为肿瘤到集合系统的最短距离；
以5mm为分类标准将所述肿瘤到集合系统的最短距离分为两类。
本发明还提供一种外凸型肾肿瘤切除难度评估装置，包括：
三维模型构建模块，用于获取CT造影图像，对所述CT造影图像进行图像分割处理以及三维重建处理得到器官三维模型；
评估指标确定模块，用于根据所述器官三维模型中肾脏、肿瘤、动脉血管以及肾集合系统之间的距离关系确定评估指标；
难度区分模块，用于根据所述评估指标对所述CT造影图像的肾肿瘤切除难度进行区分。
本发明还提供了一种电子设备，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述任一种实现方式中的所述外凸型肾肿瘤切除难度评估方法中的步骤。
本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述任一种实现方式中的所述外凸型肾肿瘤切除难度评估方法中的步骤。
采用上述实施例的有益效果是：
本发明通过采用计算机图像学和计算机图形学的方法，自动计算ADDD评分系统的四项指标，针对外凸型肾肿瘤可以根据不同手术方式进行术前评估肾脏肿瘤的手术难度，相较于其他评分系统能更适合外凸型肾肿瘤的术前评估和多样化的手术需求，为临床医生提供参考建议。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的外凸型肾肿瘤切除难度评估方法的一个实施例流程示意图；
图2为本发明提供的外凸型肾肿瘤的不同距离关系的一个实施例的结构示意图；
图3为本发明提供的外凸型肾肿瘤切除难度评估装置的一个实施例结构示意图；
图4为本发明提供的电子设备的一个实施例结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种外凸型肾肿瘤切除难度评估方法、装置、电子设备以及存储介质，以下分别进行说明。
如图1所示，为本发明提供的外凸型肾肿瘤切除难度评估方法的一个实施例流程示意图，该方法包括：
步骤S101、获取CT造影图像，对所述CT造影图像进行图像分割处理以及三维重建处理得到器官三维模型；
步骤S102、根据所述器官三维模型中肾脏、肿瘤、动脉血管以及肾集合系统之间的距离关系确定评估指标；
步骤S103、根据所述评估指标对所述CT造影图像的肾肿瘤切除难度进行区分。
需要说明的是，在对CT造影图像的肾肿瘤切除难度进行区分之前，还包括：将患者信息导入数据库，一般的，数据库包括患者的基本信息，如姓名、性别、年龄，医院信息等。通过对导入到数据库的患者信息对应的CT造影图像应用到本申请实施例中，可以理解，通过大量的图像数量的规律寻找，能够为器官三维模型的构建提供足够的素材。
与现有技术相比，本发明通过采用计算机图像学和计算机图形学的方法，自动计算ADDD评分系统的四项指标，针对外凸型肾肿瘤可以根据不同手术方式进行术前评估肾脏肿瘤的手术难度，相较于其他评分系统能更适合外凸型肾肿瘤的术前评估和多样化的手术需求，为临床医生提供参考建议。
在本发明的一些实施方式中，对所述CT造影图像进行图像分割处理以及三维重建处理得到器官三维模型，包括：
利用预设的插值方法将CT造影图像中二维图像序列重构成各方向等分辨率的三维图像；
采用主动轮廓模型的水平集算法进行肾脏、肾肿瘤、肾盏肾盂的分割，并基于区域生长算法进行脉管分割以分割肾动脉；
采用三维重建方法将所述肾脏、肾肿瘤、肾盏肾盂以及肾动脉的三维体数据重建成三维模型数据，其中，三维模型数据可以进行旋转，放大等操作，全方位各角度观察肾脏，肿瘤，血管和集合系统的空间位置关系。
在本发明的一些实施方式中，采用主动轮廓模型的水平集算法进行肾脏、肾肿瘤、肾盏肾盂的分割，包括：
对所述三维图像进行高斯平滑处理；
采用动态区域生长算法，通过输入一个或多个种子点，设置第一阈值变化范围，获得目标区域内部的点集；
但是由于动态区域生长算法的边界不平滑，内部空洞较多的问题，所以，以所述动态区域生长算法的输出结果为初始输入数据，采用主动轮廓模型的水平集算法进行肾脏、肾肿瘤、肾盏肾盂的分割。
在本发明的一些实施方式中，基于区域生长算法进行脉管分割以分割肾动脉，包括：
采用HESSIAN矩阵脉管增强算法对所述三维图像进行增强处理；
对增强后的图像采用区域生长算法进行脉管分割，得到肾动脉分割结果。
在本发明的一些实施方式中，具体参阅图2，根据所述器官三维模型中肾脏、肿瘤、动脉血管以及肾集合系统之间的距离关系确定评估指标，包括：
确定肿瘤与肾脏的接触面积A，并对所述接触面积进行分类；
确定肿瘤侵入肾脏的最大深度D1，并对所述最大深度进行分类；
确定肿瘤距离动脉血管在肾实质内一级分支的第一最短距离D2，并对所述第一最短距离进行分类；
确定肿瘤距离集合系统的第二最短距离D3，并对所述第二最短距离进行分类。
在本发明的一些实施方式中，确定肿瘤与肾脏的接触面积A，并对所述接触面积进行分类，包括：
基于外凸型肿瘤的外凸部分与肾脏边缘的贴合情况，计算肿瘤到肾脏的最短距离，需要说明的是，当外凸型肿瘤的外凸部分与肾脏的边缘贴合时，能够计算肿瘤到肾脏的最短距离；
若所述最短距离小于预设距离值，确定所述外凸部分中在肾脏的接触面上的所有点；
将所述所有点组成一个面模型，计算所述面模型的表面积，确定为肿瘤与肾脏的接触面积A；
以10cm2为分类标准将所述肿瘤与肾脏的接触面积分为三类，具体的：当A小于10cm2，该项指标分值是1分；当A大于等于10cm2，并且小于20cm2，该项指标的分值是2分；当A大于等于20cm2，该项指标的分值是3分。
在本发明的一些实施方式中，确定肿瘤侵入肾脏的最大深度D1，并所述最大深度进行分类，包括：
将肾脏的面模型数据去除外凸部分接触面上的点，再采用模型修复方法，生成一个新的正常的肾脏面模型；
对于肿瘤数据中每一个顶点，判断该点是否在新的肾面模型内部，如果该点在新的肾面模型内部，计算该点到新的肾面的最短距离，确定为肿瘤顶点侵入肾脏的深度；
计算肿瘤数据的所有顶点侵入肾脏的深度，选取最大的深度作为肿瘤侵入肾脏的最大深度D1；
以1.5cm为分类标准将所述肿瘤侵入肾脏的最大深度分为三类，具体的：当D1小于1.5cm，该项指标分值是1分；当D1大于等于1.5cm，并且小于3cm，该项指标分值是2分；当D1大于等于3cm，该项指标分值是3分。
在本发明的一些实施方式中，确定肿瘤距离动脉血管在肾实质内一级分支的第一最短距离D2，并所述第一最短距离进行分类，包括：
在动脉血管与肾脏外侧任意选取一点作为种子点，进行动脉血管的中心线提取；
根据中心线提取的结果，建立动脉血管的血管树，血管树中每个点称为节点，其中，节点含有属性值：节点类型，位置，半径，标记值，所属分支点，前后节点等信息；
以种子点作为树形结构的根节点，从根节点沿着肾脏方向搜索，依次在中心线数据中寻找符合预设满足条件的点，直到无法找到符合预设满足条件的点，完成血管树的标记；
以肾脏为包围盒，寻找血管树与肾脏边界相交的所有节点集合P；
获得所述节点集合P中每个节点在所属分支结构的所有节点的集合Q，根据半径信息，对Q中所有节点进行管状重建，获得动脉血管在肾实质内的一级分支的面模型数据；
计算肿瘤到所述一级分支数据的最短距离，确定为肿瘤距离动脉血管在肾实质内一级分支的最短距离D2；
以5mm为分类标准将所述肿瘤距离动脉血管在肾实质内一级分支的第一最短距离分为三类，具体的：当D2大于10mm，该项指标分值是1分；当D2大于5mm， 并且小于等于10mm，该项指标分值是2分；当D2小于等于5mm，该项指标分值是3分。
在本发明的一些实施方式中，确定肿瘤距离集合系统的第二最短距离D3，并所述第二最短距离进行分类，包括：
分别计算肿瘤中的每个顶点到集合系统的最短距离，并从所有的最短距离中寻找最小的值，确定为肿瘤到集合系统的最短距离D3；
以5mm为分类标准将所述肿瘤到集合系统的最短距离分为两类，具体的：肿瘤距集合系统的最短距离大于5mm，该项指标分值是2分；肿瘤距集合系统的最短距离小于5mm，该项指标分值是3。
其中，集合系统是指肾盂肾盏等组织，特殊的应用可以计算肿瘤距皮髓质交界的最短距离大于5mm，该项指标分值是1。皮髓质交界是指皮质组织和髓质组织的相交面，可以采用上述的指标分类方案进行具体分值的确定，在此不赘述。
在本发明的一些实施方式中，根据所述评估指标对所述CT造影图像的肾肿瘤切除难度进行区分，包括：
根据上述不同指标分值之间的匹配性进行肾肿瘤切除难度的区分，如，其中一种情况为：A为15cm2（即：2分）、D1为1.5cm（即：2分）、D2为4mm（即：3分）以及D3为4mm（即：3分），那么可以针对这些分值的大小对难度进行区分，可以理解的是，这些分值能够较大范围的体现外凸型肾肿瘤切除的不同难度，通过这种评估方案后能够为临床医生提供参考建议。
为了更好实施本发明实施例中的外凸型肾肿瘤切除难度评估方法，在外凸型肾肿瘤切除难度评估方法基础之上，对应的，如图3所示，本发明实施例还提供了一种外凸型肾肿瘤切除难度评估装置300，包括：
三维模型构建模块301，用于获取CT造影图像，对所述CT造影图像进行图像分割处理以及三维重建处理得到器官三维模型；
评估指标确定模块302，用于根据所述器官三维模型中肾脏、肿瘤、动脉血管以及肾集合系统之间的距离关系确定评估指标；
难度区分模块303，用于根据所述评估指标对所述CT造影图像的肾肿瘤切除难度进行区分。
这里需要说明的是：上述实施例提供的外凸型肾肿瘤切除难度评估装置300可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
如图4所示，基于上述外凸型肾肿瘤切除难度评估方法，本发明还相应提供了一种电子设备400。该电子设备400包括处理器401、存储器402及显示器403。图4仅示出了电子设备400的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器402在一些实施例中可以是所述电子设备400的内部存储单元，例如电子设备400的硬盘或内存。所述存储器402在另一些实施例中也可以是所述电子设备400的外部存储设备，例如所述电子设备400上配备的插接式硬盘，智能存储卡（Smart MediaCard，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。
进一步地，所述存储器402还可既包括电子设备400的内部储存单元也包括外部存储设备。所述存储器402用于存储安装所述电子设备400的应用软件及各类数据，
所述处理器401在一些实施例中可以是一中央处理器（Central ProcessingUnit，CPU），微处理器或其他数据处理芯片，用于运行所述存储器402中存储的程序代码或处理数据，例如本发明中的外凸型肾肿瘤切除难度评估方法。
所述显示器403在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。所述显示器403用于显示在所述电子设备400的信息以及用于显示可视化的用户界面。所述电子设备400的部件401-403通过系统总线相互通信。
在一实施例中，当所述处理器401执行所述存储器402中的外凸型肾肿瘤切除难度评估程序404时，可实现以下步骤：
获取CT造影图像，对所述CT造影图像进行图像分割处理以及三维重建处理得到器官三维模型；
根据所述器官三维模型中肾脏、肿瘤、动脉血管以及肾集合系统之间的距离关系确定评估指标；
根据所述评估指标对所述CT造影图像的肾肿瘤切除难度进行区分。
应当理解的是：处理器402在执行存储器401中的外凸型肾肿瘤切除难度评估程序404时，除了上面的功能之外，还可实现其他功能，具体可参见前面相应方法实施例的描述。
进一步地，本发明实施例对提及的电子设备400的类型不做具体限定，电子设备400可以为手机、平板电脑、个人数字助理(personal digital assistant，PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载iOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备400也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。
相应地，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述各方法实施例提供的方法步骤或功能。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的外凸型肾肿瘤切除难度评估方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种外凸型肾肿瘤切除难度评估方法，其特征在于，包括：
获取CT造影图像，对所述CT造影图像进行图像分割处理以及三维重建处理得到器官三维模型；
根据所述器官三维模型中肾脏、肿瘤、动脉血管以及肾集合系统之间的距离关系确定评估指标；
根据所述评估指标对所述CT造影图像的肾肿瘤切除难度进行区分。
2.根据权利要求1所述的外凸型肾肿瘤切除难度评估方法，其特征在于，对所述CT造影图像进行图像分割处理以及三维重建处理得到器官三维模型，包括：
利用预设的插值方法将CT造影图像中二维图像序列重构成各方向等分辨率的三维图像；
采用主动轮廓模型的水平集算法进行肾脏、肾肿瘤、肾盏肾盂的分割，并基于区域生长算法进行脉管分割以分割肾动脉；
采用三维重建方法将所述肾脏、肾肿瘤、肾盏肾盂以及肾动脉的三维体数据重建成三维模型数据。
3.根据权利要求2所述的外凸型肾肿瘤切除难度评估方法，其特征在于，采用主动轮廓模型的水平集算法进行肾脏、肾肿瘤、肾盏肾盂的分割，包括：
对所述三维图像进行高斯平滑处理；
采用动态区域生长算法，通过输入一个或多个种子点，设置第一阈值变化范围，获得目标区域内部的点集；
所述动态区域生长算法的输出结果为初始输入数据，采用主动轮廓模型的水平集算法进行肾脏、肾肿瘤、肾盏肾盂的分割。
4.根据权利要求2所述的外凸型肾肿瘤切除难度评估方法，其特征在于，基于区域生长算法进行脉管分割以分割肾动脉，包括：
采用HESSIAN矩阵脉管增强算法对所述三维图像进行增强处理；
对增强后的图像采用区域生长算法进行脉管分割，得到肾动脉分割结果。
5.根据权利要求1所述的外凸型肾肿瘤切除难度评估方法，其特征在于，根据所述器官三维模型中肾脏、肿瘤、动脉血管以及肾集合系统之间的距离关系确定评估指标，包括：
确定肿瘤与肾脏的接触面积，并对所述接触面积进行分类；
确定肿瘤侵入肾脏的最大深度，并对所述最大深度进行分类；
确定肿瘤距离动脉血管在肾实质内一级分支的第一最短距离，并对所述第一最短距离进行分类；
确定肿瘤距离集合系统的第二最短距离，并对所述第二最短距离进行分类。
6.根据权利要求5所述的外凸型肾肿瘤切除难度评估方法，其特征在于，确定肿瘤与肾脏的接触面积，并对所述接触面积进行分类，包括：
基于外凸型肿瘤的外凸部分与肾脏边缘的贴合情况，计算肿瘤到肾脏的最短距离；
若所述最短距离小于预设距离值，确定所述外凸部分中在肾脏的接触面上的所有点；
将所述所有点组成一个面模型，计算所述面模型的表面积，确定为肿瘤与肾脏的接触面积；
以10cm2为分类标准将所述肿瘤与肾脏的接触面积分为三类。
7.根据权利要求5所述的外凸型肾肿瘤切除难度评估方法，其特征在于，确定肿瘤侵入肾脏的最大深度，并所述最大深度进行分类，包括：
将肾脏的面模型数据去除外凸部分接触面上的点，再采用模型修复方法，生成一个新的正常的肾脏面模型；
对于肿瘤数据中每一个顶点，判断该点是否在新的肾面模型内部，如果该点在新的肾面模型内部，计算该点到新的肾面的最短距离，确定为肿瘤顶点侵入肾脏的深度；
计算肿瘤数据的所有顶点侵入肾脏的深度，选取最大的深度作为肿瘤侵入肾脏的最大深度；
以1.5cm为分类标准将所述肿瘤侵入肾脏的最大深度分为三类。
8.根据权利要求5所述的外凸型肾肿瘤切除难度评估方法，其特征在于，确定肿瘤距离动脉血管在肾实质内一级分支的第一最短距离，并所述第一最短距离进行分类，包括：
在动脉血管与肾脏外侧任意选取一点作为种子点，进行动脉血管的中心线提取；
根据中心线提取的结果，建立动脉血管的血管树，血管树中每个点称为节点；
以种子点作为树形结构的根节点，从根节点沿着肾脏方向搜索，依次在中心线数据中寻找符合预设满足条件的点，直到无法找到符合预设满足条件的点，完成血管树的标记；
以肾脏为包围盒，寻找血管树与肾脏边界相交的所有节点集合P；
获得所述节点集合P中每个节点在所属分支结构的所有节点的集合Q，根据半径信息，对Q中所有节点进行管状重建，获得动脉血管在肾实质内的一级分支的面模型数据；
计算肿瘤到所述一级分支数据的最短距离，确定为肿瘤距离动脉血管在肾实质内一级分支的最短距离；
以5mm为分类标准将所述肿瘤距离动脉血管在肾实质内一级分支的第一最短距离分为三类。
9.根据权利要求5所述的外凸型肾肿瘤切除难度评估方法，其特征在于，确定肿瘤距离集合系统的第二最短距离，并所述第二最短距离进行分类，包括：
分别计算肿瘤中的每个顶点到集合系统的最短距离，并从所有的最短距离中寻找最小的值，确定为肿瘤到集合系统的最短距离；
以5mm为分类标准将所述肿瘤到集合系统的最短距离分为两类。
10.一种外凸型肾肿瘤切除难度评估装置，其特征在于，包括：
三维模型构建模块，用于获取CT造影图像，对所述CT造影图像进行图像分割处理以及三维重建处理得到器官三维模型；
评估指标确定模块，用于根据所述器官三维模型中肾脏、肿瘤、动脉血管以及肾集合系统之间的距离关系确定评估指标；
难度区分模块，用于根据所述评估指标对所述CT造影图像的肾肿瘤切除难度进行区分。
CN202311064869.8A 2023-08-23 2023-08-23 一种外凸型肾肿瘤切除难度评估方法及装置 Pending CN116993713A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311064869.8A CN116993713A (zh) 2023-08-23 2023-08-23 一种外凸型肾肿瘤切除难度评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311064869.8A CN116993713A (zh) 2023-08-23 2023-08-23 一种外凸型肾肿瘤切除难度评估方法及装置

Publications (1)

Publication Number Publication Date
CN116993713A true CN116993713A (zh) 2023-11-03

Family

ID=88521341

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311064869.8A Pending CN116993713A (zh) 2023-08-23 2023-08-23 一种外凸型肾肿瘤切除难度评估方法及装置

Country Status (1)

Country Link
CN (1) CN116993713A (zh)

Similar Documents

Publication Publication Date Title
WO2021238438A1 (zh) 肿瘤图像的处理方法和装置、电子设备、存储介质
Yang et al. Segmentation of liver and vessels from CT images and classification of liver segments for preoperative liver surgical planning in living donor liver transplantation
JP5814504B2 (ja) 統計モデルを用いた医療画像自動セグメンテーションシステム、装置並びにプロセッサ
CN106355582B (zh) 一种基于形状先验的肝脏医学图像分割的方法
CN102693540B (zh) 一种肝脏分段的方法及其系统
CA2975089A1 (en) Touchless advanced image processing and visualization
CN107481254A (zh) 医学图像的处理方法、装置、介质和电子设备
CN106709920B (zh) 血管提取方法及其装置
Li et al. The clinical application value of mixed‐reality‐assisted surgical navigation for laparoscopic nephrectomy
CN116313028A (zh) 医疗辅助设备、方法及计算机可读存储介质
CN115565667A (zh) Cto介入治疗成功率的预测方法、装置、设备及介质
EP1814050A2 (en) Methods and systems for facilitating planning of surgical procedures
Affane et al. Robust deep 3-D architectures based on vascular patterns for liver vessel segmentation
JP2013052245A (ja) 情報処理装置および情報処理方法
CN112489051A (zh) 基于血管及病变区域的肝脏裁切方法及系统
Liu et al. Path planning for percutaneous lung biopsy based on the loose-Pareto and adaptive heptagonal optimization method
CN115147360B (zh) 一种斑块分割方法、装置、电子设备及可读存储介质
CN111329589A (zh) 一种手持式智能融合造影导航系统
WO2022223042A1 (zh) 手术路径处理系统、方法、装置、设备及存储介质
Klein et al. Visual computing for medical diagnosis and treatment
Pan et al. Automatic annotation of liver computed tomography images based on a vessel‐skeletonization method
CN116993713A (zh) 一种外凸型肾肿瘤切除难度评估方法及装置
Amini Head circumference measurement with deep learning approach based on multi-scale ultrasound images
Chen et al. Computer-aided liver surgical planning system using CT volumes
Schwaiger et al. Risk analysis for intraoperative liver surgery

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