CN117115166B - 一种肾脏多期ct影像检测系统及方法、电子设备 - Google Patents

一种肾脏多期ct影像检测系统及方法、电子设备 Download PDF

Info

Publication number
CN117115166B
CN117115166B CN202311377857.0A CN202311377857A CN117115166B CN 117115166 B CN117115166 B CN 117115166B CN 202311377857 A CN202311377857 A CN 202311377857A CN 117115166 B CN117115166 B CN 117115166B
Authority
CN
China
Prior art keywords
kidney
mask
image
focus
phase
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311377857.0A
Other languages
English (en)
Other versions
CN117115166A (zh
Inventor
孙晓伟
王霄英
郭小超
王可
朱晓瑾
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.)
Peking University First Hospital
Original Assignee
Peking University First Hospital
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 Peking University First Hospital filed Critical Peking University First Hospital
Priority to CN202311377857.0A priority Critical patent/CN117115166B/zh
Publication of CN117115166A publication Critical patent/CN117115166A/zh
Application granted granted Critical
Publication of CN117115166B publication Critical patent/CN117115166B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06T2207/30084—Kidney; Renal

Abstract

本公开涉及计算机技术领域，公开了一种肾脏多期CT影像检测系统及方法、电子设备，包括：图像确定模块用于确定待检测肾脏对应的目标肾脏多期CT影像；第一分割模块用于根据平扫期CT影像确定第一肾脏器官掩膜、肾结石掩膜和肾积水掩膜；第二分割模块用于对静脉期CT影像进行肾脏病灶分割确定肾脏病灶掩膜；病灶分类模块用于根据动脉期CT影像、静脉期CT影像和肾脏病灶掩膜对多个病灶区域进行病灶分类，确定每个病灶区域对应的病灶分类结果；检测结果确定模块用于将肾脏结石掩膜、肾脏积水掩膜、肾脏病灶掩膜和病灶分类结果确定为肾脏CT检测结果。通过本公开实施例，可利用肾脏多期CT影像中全面的医学特征，确定肾脏CT检测结果。

Description

一种肾脏多期CT影像检测系统及方法、电子设备
技术领域
本公开涉及计算机技术领域，尤其涉及一种肾脏多期CT影像检测系统及方法、电子设备。
背景技术
肾脏CT影像是通过计算机断层扫描（Computed Tomography，CT）技术获取的关于肾脏的高分辨率三维图像，可以提供肾脏的解剖结构和组织信息。不同期的肾脏CT影像，可以显示不同医学特征。但是，现有技术中的肾脏CT影像检测技术，通常只能对单期的肾脏CT影像进行检测和分析，无法获取全面准确的医学特征和病灶信息。
发明内容
本公开提出了一种肾脏多期CT影像检测系统及方法、电子设备的技术方案。
根据本公开的一方面，提供了一种肾脏多期CT影像检测系统，包括：图像确定模块，用于确定待检测肾脏对应的目标肾脏多期CT影像，其中，所述目标肾脏多期CT影像包括：平扫期CT影像、动脉期CT影像和静脉期CT影像；第一分割模块，用于根据所述平扫期CT影像，确定第一肾脏器官掩膜、肾结石掩膜和肾积水掩膜，其中，所述第一肾脏器官掩膜用于指示所述平扫期CT影像中的肾脏区域，所述肾结石掩膜用于指示所述肾脏区域中的结石区域，所述肾积水掩膜用于指示所述肾脏区域中的积水区域；第二分割模块，用于对所述静脉期CT影像进行肾脏病灶分割，确定肾脏病灶掩膜，其中，所述肾脏病灶掩膜中包括多个病灶区域；病灶分类模块，用于根据所述动脉期CT影像、所述静脉期CT影像和所述肾脏病灶掩膜，对所述多个病灶区域进行病灶分类，分别确定每个病灶区域对应的病灶分类结果，其中，每个病灶区域对应的病灶分类结果用于指示该病灶区域的病灶类型；检测结果确定模块，用于将所述肾脏结石掩膜、所述肾脏积水掩膜、所述肾脏病灶掩膜和所述病灶分类结果，确定为所述待检测肾脏的肾脏CT检测结果。
在一种可能的实现方式中，所述第一分割模块，用于：将所述平扫期CT影像输入肾脏器官分割模型，进行肾脏器官分割，确定所述第一肾脏器官掩膜；将所述平扫期CT影像输入肾结石分割模型，进行肾结石分割，确定初始肾结石掩膜；将所述平扫期CT影像输入肾积水分割模型，进行肾积水分割，确定初始肾积水掩膜；根据所述第一肾脏器官掩膜，去除所述初始肾结石掩膜和所述肾积水掩膜中超出所述肾脏区域的部分，确定所述肾结石掩膜和所述肾积水掩膜。
在一种可能的实现方式中，所述系统还包括：第三分割模块，用于将所述静脉期CT影像输入所述肾脏器官分割模型，进行肾脏器官分割，确定第二肾脏器官掩膜，其中，所述第二肾脏器官掩膜用于指示所述静脉期CT影像中的肾脏区域。
在一种可能的实现方式中，所述第二分割模块，用于：将所述静脉期CT影像输入肾脏病灶分割模型，进行肾脏病灶分割，确定初始病灶掩膜；根据所述第一肾脏器官掩膜，或所述第二肾脏器官掩膜，去除所述初始病灶掩膜中超出所述肾脏区域的部分，确定所述肾脏病灶掩膜。
在一种可能的实现方式中，所述病灶分类模块，用于：对所述动脉期CT影像和所述静脉期CT影像进行图像位置配准，得到配准后的动脉期CT影像和配准后的静脉期CT影像；对所述肾脏病灶掩膜中的每个所述病灶区域进行标记，得到标记后的肾脏病灶掩膜；将所述配准后的动脉期CT影像、所述配准后的静脉期CT影像和所述标记后的肾脏病灶掩膜，输入肾脏病灶分类模型，分别判断每个所述病灶区域的病灶类型，确定每个所述病灶区域对应的病灶分类结果。
在一种可能的实现方式中，所述系统还包括：掩膜优化模块，用于对所述第一肾脏器官掩膜、所述第二肾脏器官掩膜、所述肾结石掩膜、所述肾积水掩膜和所述肾脏病灶掩膜进行优化处理，其中，所述优化处理包括：尺寸调整、影像层数补齐、二值化、阈值处理、掩膜优化和去除噪声中的至少一项。
在一种可能的实现方式中，所述系统还包括：预处理模块，用于获取所述待检测肾脏对应的原始肾脏多期CT影像，对所述原始肾脏多期CT影像进行图像预处理，得到所述目标肾脏多期CT影像，其中，所述图像预处理包括：窗宽窗位调整、归一化、扫描深度裁剪和尺寸调整中的至少一项。
根据本公开的一方面，提供了一种肾脏多期CT影像检测方法，包括：确定待检测肾脏对应的目标肾脏多期CT影像，其中，所述目标肾脏多期CT影像包括：平扫期CT影像、动脉期CT影像和静脉期CT影像；根据所述平扫期CT影像，确定第一肾脏器官掩膜、肾结石掩膜和肾积水掩膜，其中，所述第一肾脏器官掩膜用于指示所述平扫期CT影像中的肾脏区域，所述肾结石掩膜用于指示所述肾脏区域中的结石区域，所述肾积水掩膜用于指示所述肾脏区域中的积水区域；对所述静脉期CT影像进行肾脏病灶分割，确定肾脏病灶掩膜，其中，所述肾脏病灶掩膜中包括多个病灶区域；根据所述动脉期CT影像、所述静脉期CT影像和所述肾脏病灶掩膜，对所述多个病灶区域进行病灶分类，分别确定每个病灶区域对应的病灶分类结果，其中，每个病灶区域对应的病灶分类结果用于指示该病灶区域的病灶类型；将所述肾脏结石掩膜、所述肾脏积水掩膜、所述肾脏病灶掩膜和所述病灶分类结果，确定为所述待检测肾脏的肾脏CT检测结果。
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调用所述存储器存储的指令，以执行上述方法。
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方法。
根据本公开的实施例的肾脏多期CT影像检测系统，通过图像确定模块确定待检测肾脏对应的目标肾脏多期CT影像，包括：平扫期CT影像、动脉期CT影像和静脉期CT影像。第一分割模块可以根据平扫期CT影像，确定第一肾脏器官掩膜、肾结石掩膜和肾积水掩膜，第一肾脏器官掩膜可以用于指示平扫期CT影像中的肾脏区域，肾结石掩膜可以用于指示肾脏区域中的结石区域，肾积水掩膜可以用于指示肾脏区域中的积水区域；第二分割模块可以对静脉期CT影像进行肾脏病灶分割，确定肾脏病灶掩膜，肾脏病灶掩膜中包括多个病灶区域，可以指示每个病灶区域的位置和范围。病灶分类模块可以根据动脉期CT影像、静脉期CT影像和肾脏病灶掩膜，对多个病灶区域进行病灶分类，分别确定每个病灶区域对应的病灶分类结果，每个病灶区域对应的病灶分类结果用于指示该病灶区域的病灶类型；检测结果确定模块可以将肾脏结石掩膜、肾脏积水掩膜、肾脏病灶掩膜和病灶分类结果，确定为待检测肾脏的肾脏CT检测结果，从而实现基于肾脏多期CT影像，充分利用肾脏多期CT影像中全面准确的医学特征和病灶信息，自动完成对肾脏多种病灶的检测和分析，无需任何人工操作干预。
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一种肾脏多期CT影像检测系统的框图。
图2示出根据本公开实施例的一种基于平扫期CT影像确定的第一肾脏器官掩膜的示意图。
图3示出根据本公开实施例的一种基于平扫期CT影像确定的肾结石掩膜的示意图。
图4示出根据本公开实施例的一种基于平扫期CT影像确定的肾积水掩膜的示意图。
图5示出根据本公开实施例的一种基于静脉期CT影像确定的肾脏病灶掩膜的示意图。
图6示出根据本公开实施例的一种肾脏多期CT影像检测方法的流程图。
图7示出根据本公开实施例的一种电子设备的框图。
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。
计算机断层扫描（Computed Tomography，CT）技术利用X射线束围绕患者的身体旋转，基于不同组织器官对X射线的吸收程度不同，实现对人体不同组织器官的扫描和检测，并生成对应的横截面图像（切片），最终重建成三维图像，从而提供人体组织器官的详细解剖结构和组织信息。肾脏是人体泌尿系统中最重要的器官，在血液循环系统中，承担着滤过代谢废物并排出体外，以及重吸收各种营养物质的功能。肾脏CT影像是通过CT扫描获取的关于肾脏的高分辨率三维图像，不同期的肾脏CT影像，可以显示不同的医学特征，对于肾脏结构和病变的分析和诊断十分重要。
现有技术中对肾脏CT影像进行检测和分析的方法，通常依赖于手工设计的特征提取和图像处理算法，这些方法的检测性能受到手工选择的特征和规则的复杂性限制。并且，现有技术中对肾脏CT影像进行检测和分析的方法，主要用于肾脏单期CT影像的检测和分析，无法充分利用肾脏多期CT影像中全面准确的医学特征和病灶信息。
本公开实施例提供了一种肾脏多期CT影像检测系统，可以用于对肾脏多期CT影像进行检测和分析，充分利用肾脏多期CT影像中全面准确的医学特征和病灶信息，自动确定肾脏CT检测结果。下面对本公开实施例提供的肾脏多期CT影像检测系统进行详细说明。
图1示出根据本公开实施例的一种肾脏多期CT影像检测系统的框图。如图1所示，系统100包括：
图像确定模块101，用于确定待检测肾脏对应的目标肾脏多期CT影像，其中，目标肾脏多期CT影像包括：平扫期CT影像、动脉期CT影像和静脉期CT影像。
这里的待检测肾脏，可以表示患者需要进行病理分析和病灶诊断的肾脏器官，可以是两个肾脏，也可以是一个肾脏，取决于实际的诊断需求，本公开对此不做具体限定。
待检测肾脏对应的目标肾脏多期CT影像，可以包括平扫期CT影像、动脉期CT影像和静脉期CT影像。具体的，平扫期CT影像，可以表示没有对待检测肾脏推注造影剂时，对待检测肾脏进行CT扫描获取的CT影像；动脉期CT影像，可以表示对待检测肾脏推注造影剂后，造影剂进入肾脏的动脉时，对待检测肾脏进行CT扫描获取的CT影像；静脉期CT影像，可以表示对待检测肾脏推注造影剂后，造影剂进入肾脏的静脉时，对待检测肾脏进行CT影像进行CT扫描获取的CT影像。其中，目标肾脏多期CT影像的总数量、平扫期CT影像的数量、动脉期CT影像的数量和静脉期CT影像的数量，可以根据实际的使用需求灵活设置，本公开对此不做具体限定。
除了上述的平扫期CT影像、动脉期CT影像和静脉期CT影像以外，目标肾脏多期CT影像还可以包括其他CT影像，例如排泌期CT影像等，可以根据实际的使用需求灵活设置，本公开对此不做具体限定。
图像确定模块101确定目标肾脏多期CT影像的具体方式，可以参考相关技术中的实施方式，例如，由用户手动输入目标肾脏多期CT影像，或者由系统100根据预设的图像选择标准，在待检测肾脏的多个CT扫描影像中自动确定目标肾脏多期CT影像等，本公开对此不做具体限定。
第一分割模块102，用于根据平扫期CT影像，确定第一肾脏器官掩膜、肾结石掩膜和肾积水掩膜，其中，第一肾脏器官掩膜用于指示平扫期CT影像中的肾脏区域，肾结石掩膜用于指示肾脏区域中的结石区域，肾积水掩膜用于指示肾脏区域中的积水区域。
通常情况下，在待检测肾脏的平扫期CT影像中，肾脏呈现为边缘清楚、轮廓光滑的圆形或椭圆形软组织影像，具有肾脏实质密度均匀的特点。当肾脏中出现肾结石病变时，由于肾结石的主要成分为磷酸钙和草酸钙，其密度高于肾脏实质的密度；而当肾脏中出现肾积水病变时，由于肾积水的主要成分为水，其密度低于肾脏实质的密度。因此，根据平扫期CT影像显示的肾脏实质的密度，可以快速确定肾脏区域中的肾结石区域和肾积水区域。
基于上述原理，可以通过第一分割模块102，根据平扫期CT影像，进行肾脏器官分割、肾结石分割和肾积水分割，确定待检测肾脏对应的第一肾脏器官掩膜、肾结石掩膜和肾积水掩膜。
图2示出根据本公开实施例的一种基于平扫期CT影像确定的第一肾脏器官掩膜的示意图。如图2所示，肾脏在平扫期CT影像中呈现为边缘清楚、轮廓光滑的椭圆形软组织影像，第一肾脏器官掩膜可以用于指示平扫期CT影像中的肾脏区域。
图3示出根据本公开实施例的一种基于平扫期CT影像确定的肾结石掩膜的示意图。如图3所示，肾结石在平扫期CT影像中呈现高密度、边缘清楚、轮廓光滑的圆形影像，肾结石掩膜可以用于指示肾脏区域中的结石区域。
图4示出根据本公开实施例的一种基于平扫期CT影像确定的肾积水掩膜的示意图。如图4所示，肾积水在平扫期CT影像中呈现为低密度、边缘清晰、形状不规则的影像，肾积水掩膜可以用于指示肾脏区域中的积水区域。
除了上述的肾结石分割和肾积水分割以外，还可以进行其他能够基于肾脏实质密度和软组织分辨率进行辨别的其他病灶的识别及分割，例如肾钙化、肾盂内新鲜血肿、肾盂内肿瘤等，可以根据实际的使用需求灵活设置，本公开对此不做具体限定。
后文会结合本公开可能的实现方式，对第一分割模块102进行详细描述，此处不做赘述。
第二分割模块103，用于对静脉期CT影像进行肾脏病灶分割，确定肾脏病灶掩膜，其中，肾脏病灶掩膜中包括多个病灶区域。
静脉期CT影像中肾脏器官的髓质显影，与肾脏器官的皮质的密度一致或略超过肾脏器官的皮质的密度，肾脏器官的髓质和皮质的分界消失，静脉期CT影像可以清晰显示肾脏病灶的大小和范围。通过第二分割模块103，可以对静脉期CT影像进行肾脏病灶分割，确定待检测肾脏对应的肾脏病灶掩膜。
图5示出根据本公开实施例的一种基于静脉期CT影像确定的肾脏病灶掩膜的示意图。如图5所示，肾脏病灶掩膜中包括至少一个病灶区域，每个病灶区域可以表示一种病灶在肾脏区域中的位置和范围。
肾脏病灶分割过程中识别的肾脏病灶，可以根据实际的使用需求灵活设置，例如：不明原因异常密度、IV型肾囊肿、黄色肉芽肿、肾结核、肾脓肿、肾盂尿道上皮细胞癌、肾转移瘤、嫌色细胞癌、肾结石、肾积水、多囊肾、嗜酸细胞腺瘤、乳头状肾细胞癌等，本公开对此不做具体限定。
后文会结合本公开可能的实现方式，对第二分割模块103进行详细描述，此处不做赘述。
病灶分类模块104，用于根据动脉期CT影像、静脉期CT影像和肾脏病灶掩膜，对多个病灶区域进行病灶分类，分别确定每个病灶区域对应的病灶分类结果，其中，每个病灶区域对应的病灶分类结果用于指示该病灶区域的病灶类型。
动脉期CT影像中肾脏器官的皮质和肾柱的密度较高，而肾脏器官的髓质还没有被显影剂强化，肾脏器官的髓质和皮质的分界明显，能够显示与静脉期CT影像不同的肾脏特征。通过病灶分类模块104，可以基于动脉期CT影像和静脉期CT影像显示的肾脏特征，分别对肾脏病灶掩膜中的每个病灶区域进行分类，确定每个病灶区域对应的病灶分类结果，以指示每个病灶区域的病灶类型。这里病灶类型，可以表示每个病灶区域对应的病灶是良性病灶，还是恶性病灶。
后文会结合本公开可能的实现方式，对病灶分类模块104进行详细描述，此处不做赘述。
检测结果确定模块105，用于将肾脏结石掩膜、肾脏积水掩膜、肾脏病灶掩膜和病灶分类结果，确定为待检测肾脏的肾脏CT检测结果。
获取待检测肾脏对应的肾脏结石掩膜、肾脏积水掩膜、肾脏病灶掩膜和病灶分类结果后，可以通过检测结果确定模块105，将肾脏结石掩膜、肾脏积水掩膜、肾脏病灶掩膜和病灶分类结果确定为待检测肾脏的肾脏CT检测结果，实现通过系统100对待检测肾脏的目标肾脏多期CT影像进行的全自动检测和分析。
根据本公开的实施例的肾脏多期CT影像检测系统，通过图像确定模块确定待检测肾脏对应的目标肾脏多期CT影像，包括：平扫期CT影像、动脉期CT影像和静脉期CT影像。第一分割模块可以根据平扫期CT影像，确定第一肾脏器官掩膜、肾结石掩膜和肾积水掩膜，第一肾脏器官掩膜可以用于指示平扫期CT影像中的肾脏区域，肾结石掩膜可以用于指示肾脏区域中的结石区域，肾积水掩膜可以用于指示肾脏区域中的积水区域；第二分割模块可以对静脉期CT影像进行肾脏病灶分割，确定肾脏病灶掩膜，肾脏病灶掩膜中包括多个病灶区域，可以指示每个病灶区域的位置和范围。病灶分类模块可以根据动脉期CT影像、静脉期CT影像和肾脏病灶掩膜，对多个病灶区域进行病灶分类，分别确定每个病灶区域对应的病灶分类结果，每个病灶区域对应的病灶分类结果用于指示该病灶区域的病灶类型；检测结果确定模块可以将肾脏结石掩膜、肾脏积水掩膜、肾脏病灶掩膜和病灶分类结果，确定为待检测肾脏的肾脏CT检测结果，从而实现基于肾脏多期CT影像，充分利用肾脏多期CT影像中全面准确的医学特征和病灶信息，自动完成对肾脏多种病灶的检测和分析，无需任何人工操作干预。
在一种可能的实现方式中，系统100还包括：预处理模块，用于获取待检测肾脏对应的原始肾脏多期CT影像，对原始肾脏多期CT影像进行图像预处理，得到目标肾脏多期CT影像，其中，图像预处理包括：窗宽窗位调整、归一化、扫描深度裁剪和尺寸调整中的至少一项。
由于对待检测肾脏进行CT扫描获取的原始肾脏多期CT影像，可以是在不同时间，基于不同的医疗设备或扫描参数获取的CT影像，因此，待检测肾脏在不同期的CT影像，或不同时间获取的同一期的CT影像之间，窗宽窗位、扫描深度、图像尺寸等图像参数可能存在不同。因此，系统100还可以包括预处理模块，利用预处理模块，可以对待检测肾脏的原始肾脏多期CT影像进行图像预处理，得到符合使用需求的、图像参数统一的目标肾脏多期CT影像。其中，图像预处理可以包括：窗宽窗位调整、归一化、扫描深度裁剪和尺寸调整中的至少一项，取决于原始肾脏多期CT影像的类型，以及实际的使用需求。
在一示例中，在通过第一分割模块102对目标肾脏多期CT影像中的平扫期CT影像进行肾脏器官分割之前，预处理模块可以对原始肾脏多期CT影像中的平扫期CT影像进行图像预处理，包括：进行窗宽窗位调整，采用窗宽400、窗位40将原始肾脏多期CT影像中的平扫期CT影像调整至最佳观察范围；将原始肾脏多期CT影像中的平扫期CT影像的CT值归一化到0至255之间；将原始肾脏多期CT影像中的平扫期CT影像中扫描深度大于400的CT影像裁剪至400；将三维的原始肾脏多期CT影像中的平扫期CT影像的尺寸调整为64×256×256大小。
在一示例中，在通过第一分割模块102对目标肾脏多期CT影像中的平扫期CT影像进行肾结石分割或肾积水分割之前，预处理模块可以对原始肾脏多期CT影像中的平扫期CT影像进行图像预处理，包括：进行窗宽窗位调整，采用窗宽400、窗位40将原始肾脏多期CT影像中的平扫期CT影像调整至最佳观察范围；通过min-max方法，对原始肾脏多期CT影像中的平扫期CT影像的CT值进行线性变换，使原始肾脏多期CT影像中的平扫期CT影像的CT值归一化到0至1之间，其中，min-max方法的转换函数可以表示为公式（1）：
其中，表示归一化的CT值；/>表示原始肾脏多期CT影像中的平扫期CT影像的CT值；/>表示原始肾脏多期CT影像中的平扫期CT影像的最大CT值；/>表示原始肾脏多期CT影像中的平扫期CT影像的最小CT值。
以及将原始肾脏多期CT影像中的平扫期CT影像中扫描深度大于400的CT影像裁剪至400；将原始肾脏多期CT影像中的平扫期CT影像的每一层的尺寸调整为256×256大小。
在一示例中，在通过第二分割模块103对目标肾脏多期CT影像中的静脉期CT影像进行肾脏病灶分割之前，预处理模块可以对原始肾脏多期CT影像中的静脉期CT影像进行图像预处理，包括：进行窗宽窗位调整，采用窗宽400、窗位40将原始肾脏多期CT影像中的静脉期CT影像调整至最佳观察范围；将原始肾脏多期CT影像中的静脉期CT影像的CT值归一化到0至255之间；将三维的原始肾脏多期CT影像中的平扫期CT影像的每一层的尺寸调整为256×256大小。
在一示例中，在通过病灶分类模块104对肾脏病灶掩膜进行病灶分类之前，预处理模块可以对静脉期CT影像、动脉期CT影像和肾脏病灶掩膜进行图像预处理，包括：进行窗宽窗位调整，采用窗宽400、窗位40将原始肾脏多期CT影像中的静脉期CT影像和动脉期CT影像调整至最佳观察范围；将三维的肾脏病灶掩膜中每一个病灶区域的尺寸调整为8×128×128大小；通过min-max方法，对原始肾脏多期CT影像中的静脉期CT影像和动脉期CT影像的CT值进行线性变换，使原始肾脏多期CT影像中的静脉期CT影像和动脉期CT影像的CT值归一化到0至1之间。
利用预处理模块，可以对图像参数存在差异的原始肾脏多期CT影像进行图像预处理，得到图像参数统一且符合使用需求的目标肾脏多期CT影像，便于系统100根据目标肾脏多期CT影像进行检测和分析，并提高确定的肾脏CT检测结果的准确性。
在一种可能的实现方式中，第一分割模块102，用于：将平扫期CT影像输入肾脏器官分割模型，进行肾脏器官分割，确定第一肾脏器官掩膜；将平扫期CT影像输入肾结石分割模型，进行肾结石分割，确定初始肾结石掩膜；将平扫期CT影像输入肾积水分割模型，进行肾积水分割，确定初始肾积水掩膜；根据第一肾脏器官掩膜，去除初始肾结石掩膜和肾积水掩膜中超出肾脏区域的部分，确定肾结石掩膜和肾积水掩膜。
确定平扫期CT影像后，可以通过第一分割模块102将平扫期CT影像输入肾脏器官分割模型，进行肾脏器官分割，确定第一肾脏器官掩膜。其中，肾脏器官分割模型的具体的网络结构，可以参考相关技术中的实施方式，例如全卷积神经网络（Fully ConvolutionalNetworks，FCN）、用于医学图像分割的卷积神经网络（U-net）和深度监督神经网络（Deeply-Supervised Nets，DSN）等，本公开对此不做具体限定。
在一示例中，本公开实施例的肾脏器官分割模型采用的网络结构为Atrous-U-net神经网络。Atrous-U-net神经网络参考U-net神经网络的基本U型结构，并针对本公开实施例的肾脏器官分割任务进行了改进。Atrous-U-net神经网络的主体架构包括编码器和解码器两部分，编码器部分包含3个下采样块，解码器部分包含3个上采样块，编码器和解码器通过跳跃连接（skip-connection）进行信息融合，每个下采样块包含一个3d池化层和一个卷积块，卷积块包含两个串联的Conv3d-BatchNorm3d-LeakyReLU结构。每个上采样块由一个Upsampling-Conv3d-BatchNorm3d-LeakyReLU结构和一个卷积块组成。
相对于现有技术中传统的U-net神经网络，Atrous-U-net神经网络引入了空洞卷积（Dilated Convolutions）以增加网络的感受野（Receptive Filed）。空洞卷积，也称为扩张卷积（Atrous Convolution），可以在卷积核中引入孔，使Atrous-U-net神经网络能够捕获平扫期CT影像中不同尺度的特征，并且不会影响输出的第一肾脏器官掩膜的分辨率。
第一分割模块102，还可以将平扫期CT影像输入肾结石分割模型，对平扫期CT影像的每一层分别进行肾结石分割，确定初始肾结石掩膜。其中，肾结石分割模型的具体的网络结构，可以参考相关技术中的实施方式，例如全卷积神经网络（Fully ConvolutionalNetworks，FCN）、用于医学图像分割的卷积神经网络（U-net）和深度监督网络（Deeply-Supervised Nets，DSN）等，本公开对此不做具体限定。
在一示例中，本公开实施例的肾结石分割模型采用的网络结构为2D多尺度注意力U-net（MAU-net）。MAUNet的架构由编码器-解码器模型和跳跃连接组成。编码器部分使用卷积层从输入的平扫期CT影像中提取特征，而解码器部分可以通过上采样特征映射重构平扫期CT影像。跳跃连接用于连接网络的编码器和解码器部分，可以使解码器使用编码器的早期层信息，从而能够更精确地预测肾结石区域的边界。
进一步的，MAU-net神经网络中还包括多尺度特征融合和注意力门。MAU-net神经网络的多尺度特征融合，可以将来自平扫期CT影像的多个尺度的特征组合起来，以提高分割得到的初始肾结石掩膜的准确性。MAU-net神经网络的注意力门，可以通过有选择地加权平扫期CT影像中不同特征的重要性，使肾结石分割模型集中于平扫期CT影像中与肾结石区域最相关的部分。
MAU-net神经网络中的注意力机制，可以首先为平扫期CT影像中每个尺度的特征映射生成注意力图。然后，利用注意力图计算特征映射中每个空间位置的关注权重。在将平扫期CT影像的特征传递给解码器之前，会使用这些关注权重对平扫期CT影像的特征进行缩放，以使肾结石分割模型能够选择性地放大或抑制平扫期CT影像中不同尺度和位置的信息，从而更好地获取肾结石区域的细节和边界。
利用MAU-net神经网络的肾结石分割模型，可以基于注意力机制，有选择地在不同分辨率下专注于平扫期CT影像的不同部分，从而利用来自平扫期CT影像的多个尺度特征，更加准确地预测平扫期CT影像中肾结石区域的位置和边界。
第一分割模块102，还可以将平扫期CT影像输入肾积水分割模型，对平扫期CT影像的每一层分别进行肾积水分割，确定初始肾积水掩膜。其中，肾积水分割模型的具体的网络结构，可以参考相关技术中的实施方式，例如全卷积神经网络（Fully ConvolutionalNetworks，FCN）、用于医学图像分割的卷积神经网络（U-net）和深度监督网络（Deeply-Supervised Nets，DSN）等，本公开对此不做具体限定。
通过肾结石分割模型对平扫期CT影像进行肾结石分割时，以及通过肾积水分割模型对平扫期CT影像进行肾积水分割时，可能将平扫期CT影像中的肾脏区域以外的生物组织错误识别为肾结石区域或肾积水区域，即超过肾脏区域的假阳区域。因此，确定第一肾脏器官掩膜、肾结石掩膜和肾积水掩膜后，还可以通过第一分割模块102，基于第一肾脏器官掩膜，去除初始肾结石掩膜和肾积水掩膜中超出肾脏区域的假阳区域，得到准确的肾结石掩膜和肾积水掩膜。
利用第一分割模块102，可以自动对平扫期CT影像进行识别和分割，得到能够准确指示平扫期CT影像中的肾脏区域、肾结石区域和肾积水区域的第一肾脏器官掩膜、肾结石掩膜和肾积水掩膜。
在一种可能的实现方式中，系统100还包括：第三分割模块，用于将静脉期CT影像输入肾脏器官分割模型，进行肾脏器官分割，确定第二肾脏器官掩膜，其中，第二肾脏器官掩膜用于指示静脉期CT影像中的肾脏区域。
由于待检测肾脏的平扫期CT影像和静脉期CT影像，通常情况是通过两次不同的CT扫描分别获取的，因此，平扫期CT影像和静脉期CT影像中待检测肾脏的位置、尺寸等可能不同，导致基于平扫期CT影像进行肾脏器官分割确定的第一肾脏器官掩膜，无法准确指示静脉期CT影像中的肾脏区域。
因此，系统100中还可以包括第三分割模块。通过第三分割模块，可以将静脉期CT影像也输入肾脏器官分割模型，进行肾脏器官分割，确定第二肾脏器官掩膜，以准确指示静脉期CT影像中的肾脏区域。
在一种可能的实现方式中，第二分割模块103，用于：将静脉期CT影像输入肾脏病灶分割模型，进行肾脏病灶分割，确定初始病灶掩膜；根据第一肾脏器官掩膜，或第二肾脏器官掩膜，去除初始病灶掩膜中超出肾脏区域的部分，确定肾脏病灶掩膜。
通过第二分割模块103，可以将静脉期CT影像输入肾脏病灶分割模型，进行肾脏病灶分割，确定初始病灶掩膜。其中，病灶分割模型的具体的网络结构，可以参考相关技术中的实施方式，例如全卷积神经网络（Fully Convolutional Networks，FCN）、用于医学图像分割的卷积神经网络（U-net）和深度监督网络（Deeply-Supervised Nets，DSN）等，本公开对此不做具体限定。
在一示例中，本公开实施例的肾脏病灶分割模型采用的网络结构，可以是与肾结石分割模型、肾积水分割模型相同的2D多尺度注意力U-net神经网络（MAU-net）。
由于肾脏病灶分割模型在识别静脉期CT影像中的病灶区域时，可能将静脉期CT影像中的肾脏区域以外的生物组织错误识别为病灶区域，即超过肾脏区域的假阳区域。因此，第二分割模块103确定初始病灶掩膜后，还需要去除超过肾脏区域的假阳区域。
具体的，在第一肾脏器官掩膜能够准确指示静脉期CT影像中的肾脏区域，或对第一肾脏器官掩膜和静脉期CT影像进行了图像位置配准的情况下，可以直接根据第一肾脏器官掩膜，去除初始病灶掩膜中超出肾脏区域的部分，得到能够准确指示肾脏区域中的病灶区域的肾脏病灶掩膜。
在第一肾脏器官掩膜无法准确指示静脉期CT影像中的肾脏区域，或没有对第一肾脏器官掩膜和静脉期CT影像进行图像位置配准的情况下，可以通过前述的第三分割模块，利用肾脏器官分割模型，对静脉期CT影像进行肾脏器官分割，确定第二肾脏器官掩膜；再根据第二肾脏器官掩膜，去除初始病灶掩膜中超出肾脏区域的部分，得到能够准确指示肾脏区域中的病灶区域的肾脏病灶掩膜。
利用第二分割模块103，可以自动对静脉期CT影像进行识别和分割，得到能够准确指示静脉期CT影像中的病灶区域的肾脏病灶掩膜。
在一种可能的实现方式中，系统100还包括：掩膜优化模块，用于对第一肾脏器官掩膜、第二肾脏器官掩膜、肾结石掩膜、肾积水掩膜和肾脏病灶掩膜进行优化处理，其中，优化处理包括：尺寸调整、影像层数补齐、二值化、阈值处理、掩膜优化和去除噪声中的至少一项。
获得肾结石掩膜、肾积水掩膜和肾脏病灶掩膜后，为了提高肾结石掩膜、肾积水掩膜和肾脏病灶掩膜的质量和准确性，可以分别对肾结石掩膜、肾积水掩膜和肾脏病灶掩膜进行优化处理。其中，优化处理可以包括尺寸调整、影像层数补齐、二值化、阈值处理、掩膜优化和去除噪声中的至少一项，取决于掩膜的类型、预处理模块对平扫期CT影像、静脉期CT影像和动脉期CT影像的预处理操作类型，以及实际的使用需求等。
在一示例中，在对平扫期CT影像和静脉期CT影像进行肾脏器官分割前，通过预处理模块对平扫期CT影像和静脉期CT影像进行了包括尺寸调整、扫描深度裁剪的图像预处理。获取第一肾脏器官掩膜和第二肾脏器官掩膜后，可以对第一肾脏器官掩膜和第二肾脏器官掩膜进行尺寸调整的优化处理，使第一肾脏器官掩膜和第二肾脏器官掩膜的尺寸，与对应的平扫期CT影像和静脉期CT影像的尺寸相同；并对第一肾脏器官掩膜和第二肾脏器官掩膜进行影像层数补齐，在第一肾脏器官掩膜和第二肾脏器官掩膜的两端进行补零，使第一肾脏器官掩膜和第二肾脏器官掩膜的影像层数，与对应的平扫期CT影像和静脉期CT影像的影像层数相同。
为了能够清晰显示第一肾脏器官掩膜和第二肾脏器官掩膜中，肾脏区域与非肾脏区域的边界，还可以对第一肾脏器官掩膜和第二肾脏器官掩膜进行二值化的优化处理。具体的，可以将第一肾脏器官掩膜和第二肾脏器官掩膜中输出概率值大于第一预设阈值的区域二值化为1，表示肾脏区域；将第一肾脏器官掩膜和第二肾脏器官掩膜中输出概率值小于第一预设阈值的区域二值化为0，表示非肾脏区域。其中，第一预设阈值的具体取值，可以根据实际的使用需求灵活设置，例如0.6，本公开对此不做具体限定。
为了使第一肾脏器官掩膜和第二肾脏器官掩膜中肾脏全区域与非肾脏区域的边界光滑，还可以对第一肾脏器官掩膜和第二肾脏器官掩膜进行掩膜优化的优化处理。具体的，掩膜优化可以包括平滑、补洞、去除小于区域尺寸阈值的分割区域，保留最大的两个连通域（左肾和右肾）等。其中，区域尺寸阈值的具体取值，可以根据实际的使用需求灵活设置，本公开对此不做具体限定。
在一示例中，在对平扫期CT影像进行肾结石分割前，通过预处理模块对平扫期CT影像进行了包括尺寸调整的图像预处理。获取肾结石掩膜后，可以对肾结石掩膜进行尺寸调整的优化处理，使肾结石掩膜的尺寸与对应的平扫期CT影像的尺寸相同。
为了能够清晰显示肾结石区域的边界，还可以对肾结石掩膜进行二值化的优化处理。具体的，可以将肾结石掩膜中输出概率值大于第二预设阈值的区域二值化为1，表示肾结石区域；将肾结石掩膜中输出概率值小于第二预设阈值的区域二值化为0，表示非肾结石区域。其中，第二预设阈值的具体取值，可以根据实际的使用需求灵活设置，例如0.5，本公开对此不做具体限定。
为了提高肾结石掩膜指示肾结石区域的准确性，还可以对肾结石掩膜进行阈值处理的优化处理。具体的，可以通过逻辑与的方式，将肾结石掩膜中二值化的肾结石区域，与采用阈值分割得到的高密度区域进行合并，确定优化后的肾结石区域。其中，阈值分割使用的阈值具体取值，可以根据实际的使用需求灵活设置，例如200，本公开对此不做具体限定。
在一示例中，在对平扫期CT影像进行肾积水分割前，通过预处理模块对平扫期CT影像进行了包括尺寸调整的图像预处理。获取肾积水掩膜后，可以对肾积水掩膜进行尺寸调整的优化处理，使肾积水掩膜的尺寸与对应的平扫期CT影像的尺寸相同。
为了能够清晰显示肾积水区域的边界，还可以对肾积水掩膜进行二值化的优化处理。具体的，可以将肾积水掩膜中输出概率值大于第三预设阈值的区域二值化为1，表示肾积水区域；将肾积水掩膜中输出概率值小于第三预设阈值的区域二值化为0，表示非肾积水区域。其中，第三预设阈值的具体取值，可以根据实际的使用需求灵活设置，例如0.5，本公开对此不做具体限定。
为了提高肾积水掩膜指示肾结石区域的准确性，还可以对肾结石掩膜进行掩膜优化的优化处理。具体的，可以去除肾积水掩膜中体素小于第一预设体素阈值，或影像层数小于预设层数阈值的肾积水区域。其中，第一预设体素阈值和预设层数阈值的具体取值，可以根据实际的使用需求灵活设置，例如预设层数阈值可以为2，本公开对此不做具体限定。
在一示例中，在对静脉期CT影像进行肾脏病灶分割前，通过预处理模块对静脉期CT影像进行了包括尺寸调整的图像预处理。获取肾脏病灶掩膜后，可以对肾脏病灶掩膜进行尺寸调整的优化处理，使肾脏病灶掩膜的尺寸与对应的静脉期CT影像的尺寸相同。
为了能够清晰显示肾脏病灶区域的边界，还可以对肾脏病灶掩膜进行二值化的优化处理。具体的，可以将肾脏病灶掩膜中输出概率值大于第四预设阈值的区域二值化为1，表示肾脏病灶区域；将肾脏病灶掩膜中输出概率值小于第四预设阈值的区域二值化为0，表示非肾脏病灶区域。其中，第四预设阈值的具体取值，可以根据实际的使用需求灵活设置，例如0.35，本公开对此不做具体限定。
为了提高肾脏病灶掩膜指示肾脏病灶区域的准确性，还可以对肾脏病灶掩膜进行掩膜优化和去除噪声的优化处理。具体的，可以对肾脏病灶掩膜的每一层通过中值滤波的方式进行平滑处理以及补洞，并去除肾脏病灶掩膜的每一层中体素小于第二预设体素阈值的肾脏病灶区域。其中，第二预设体素阈值的具体取值，可以根据实际的使用需求灵活设置，本公开对此不做具体限定。
利用掩膜优化模块，可以对分割得到的第一肾脏器官掩膜、第二肾脏器官掩膜、肾结石掩膜、肾积水掩膜和肾脏病灶掩膜进行优化处理，提高各个掩膜的质量和准确性。
在一种可能的实现方式中，病灶分类模块104，用于：对动脉期CT影像和静脉期CT影像进行图像位置配准，得到配准后的动脉期CT影像和配准后的静脉期CT影像；对肾脏病灶掩膜中的每个病灶区域进行标记，得到标记后的肾脏病灶掩膜；将配准后的动脉期CT影像、配准后的静脉期CT影像和标记后的肾脏病灶掩膜，输入肾脏病灶分类模型，分别判断每个病灶区域的病灶类型，确定每个病灶区域对应的病灶分类结果。
由于动脉期CT影像和静脉期CT影像中，待检测肾脏的位置、尺寸等可能存在差异，会影响肾脏病灶分类的准确性。因此，病灶分类模块104可以先对动脉期CT影像和静脉期CT影像进行图像位置配准，使配准后的动脉期CT影像和配准后的静脉期CT影像中，待检测肾脏的位置和尺寸等一致，以保证肾脏病灶分类的准确性。
在对肾脏病灶掩膜进行病灶分类时，为了能够准确地识别每个独立的肾脏病灶区域，并分别对每个肾脏病灶区域进行分类，病灶分类模块104可以预先对肾脏病灶掩膜中的每个病灶区域（即连通域）进行标记，确定标记后的肾脏病灶掩膜。其中，对每个病灶区域标记的具体方式，可以根据实际的使用需求灵活设置，例如，为每个病灶区域设置对应的数字编号等，本公开对此不做具体限定。
完成上述处理后，病灶分类模块104可以将配准后的动脉期CT影像、配准后的静脉期CT影像和标记后的肾脏病灶掩膜，输入肾脏病灶分类模型；通过肾脏病灶分类模型分别对每个病灶区域的病灶类型进行识别并判断对应的病灶类型，确定每个病灶区域对应的病灶分类结果。其中，肾脏病灶分类模型的网络结构，可以参考相关技术中的实施方式，例如ResNet神经网络、AlexNet神经网络、VGG神经网络等，本公开对此不做具体限定。
在一示例中，本公开实施例的肾脏病灶分类模型采用的网络结构为34层的3DResNet神经网络。相对于现有技术中常用的ResNet神经网络，本公开实施例采用的34层的3D ResNet神经网络的肾脏病灶分类模型，引入了注意力机制SE-block。在SE-block中，可以通过全局平均池化操作将肾脏病灶分类模型的每个通道的空间维度（宽度和高度）降为1，得到每个通道的全局特征图。再通过两个完全连接的层（squeeze和excitation layers）对每个通道的全局特征图进行处理，以生成对应的标量权重值，并将该权重值应用于输入特征映射，从而使肾脏病灶分类模型可以自适应地调整每个特征通道的重要性，从而提高肾脏病灶分类模型对肾脏病灶掩膜中的每个病灶区域进行分类的性能。
肾脏病灶分类模型输出的每个病灶区域对应的病灶分类结果，可以根据实际的使用需求进行设置，本公开对此不做具体限定。
在一示例中，肾脏病灶分类模型输出的每个病灶区域对应的病灶分类结果为0或1，其中，当病灶区域对应的病灶分类结果为0时，可以表示该病灶区域对应的病灶为良性病灶；当病灶区域对应的病灶分类结果为1时，可以表示该病灶区域对应的病灶为恶性病灶。
利用病灶分类模块104，可以结合动脉期CT影像和静脉期CT影像中的肾脏特征，对肾脏病灶掩膜进行病灶分类，充分利用肾脏在不同期的医学特征和病灶信息，实现自动的病灶分析和分类。
根据本公开的实施例的肾脏多期CT影像检测系统，通过图像确定模块确定待检测肾脏对应的目标肾脏多期CT影像，包括：平扫期CT影像、动脉期CT影像和静脉期CT影像。第一分割模块可以根据平扫期CT影像，确定第一肾脏器官掩膜、肾结石掩膜和肾积水掩膜，第一肾脏器官掩膜可以用于指示平扫期CT影像中的肾脏区域，肾结石掩膜可以用于指示肾脏区域中的结石区域，肾积水掩膜可以用于指示肾脏区域中的积水区域；第二分割模块可以对静脉期CT影像进行肾脏病灶分割，确定肾脏病灶掩膜，肾脏病灶掩膜中包括多个病灶区域，可以指示每个病灶区域的位置和范围。病灶分类模块可以根据动脉期CT影像、静脉期CT影像和肾脏病灶掩膜，对多个病灶区域进行病灶分类，分别确定每个病灶区域对应的病灶分类结果，每个病灶区域对应的病灶分类结果用于指示该病灶区域的病灶类型；检测结果确定模块可以将肾脏结石掩膜、肾脏积水掩膜、肾脏病灶掩膜和病灶分类结果，确定为待检测肾脏的肾脏CT检测结果，从而实现基于肾脏多期CT影像，充分利用肾脏多期CT影像中全面准确的医学特征和病灶信息，自动完成对肾脏多种病灶的检测和分析，无需任何人工操作干预。
可以理解，本公开提及的上述各个实施例，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，本公开还提供了一种肾脏多期CT影像检测方法，可以基于上述系统100，对肾脏多期CT影像进行检测和分析。
图6示出根据本公开实施例的一种肾脏多期CT影像检测方法的流程图。该肾脏多期CT影像检测方法可以由终端设备或服务器等电子设备执行，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、个人数字助理（Personal Digital Assistant，PDA）、手持设备、计算设备、车载设备、可穿戴设备等，该肾脏多期CT影像检测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。或者，可通过服务器执行该肾脏多期CT影像检测方法。如图6所示，该肾脏多期CT影像检测方法包括：
在步骤S601中，确定待检测肾脏对应的目标肾脏多期CT影像，其中，目标肾脏多期CT影像包括：平扫期CT影像、动脉期CT影像和静脉期CT影像。
在步骤S602中，根据平扫期CT影像，确定第一肾脏器官掩膜、肾结石掩膜和肾积水掩膜，其中，第一肾脏器官掩膜用于指示平扫期CT影像中的肾脏区域，肾结石掩膜用于指示肾脏区域中的结石区域，肾积水掩膜用于指示肾脏区域中的积水区域。
在步骤S603中，对静脉期CT影像进行肾脏病灶分割，确定肾脏病灶掩膜，其中，肾脏病灶掩膜中包括多个病灶区域。
在步骤S604中，根据动脉期CT影像、静脉期CT影像和肾脏病灶掩膜，对多个病灶区域进行病灶分类，分别确定每个病灶区域对应的病灶分类结果，其中，每个病灶区域对应的病灶分类结果用于指示该病灶区域的病灶类型。
在步骤S605中，将肾脏结石掩膜、肾脏积水掩膜、肾脏病灶掩膜和病灶分类结果，确定为待检测肾脏的肾脏CT检测结果。
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。本领域技术人员可以理解，在具体实施方式的上述方法中，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。
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方法。计算机可读存储介质可以是易失性或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调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7示出根据本公开实施例的一种电子设备的框图。例如，电子设备1900可以被提供为一服务器或终端设备。参照图7，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，例如微软服务器操作系统（Windows ServerTM），苹果公司推出的基于图形用户界面操作系统(Mac OS XTM)，多用户多进程的计算机操作系统（UnixTM）, 自由和开放原代码的类Unix操作系统（LinuxTM），开放原代码的类Unix操作系统（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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，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。
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的技术的改进，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 (8)

1.一种肾脏多期CT影像检测系统，其特征在于，包括：
图像确定模块，用于确定待检测肾脏对应的目标肾脏多期CT影像，其中，所述目标肾脏多期CT影像包括：平扫期CT影像、动脉期CT影像和静脉期CT影像；
第一分割模块，用于根据所述平扫期CT影像，确定第一肾脏器官掩膜、肾结石掩膜和肾积水掩膜，其中，所述第一肾脏器官掩膜用于指示所述平扫期CT影像中的肾脏区域，所述肾结石掩膜用于指示所述肾脏区域中的结石区域，所述肾积水掩膜用于指示所述肾脏区域中的积水区域；
第二分割模块，用于对所述静脉期CT影像进行肾脏病灶分割，确定肾脏病灶掩膜，其中，所述肾脏病灶掩膜中包括多个病灶区域；
病灶分类模块，用于根据所述动脉期CT影像、所述静脉期CT影像和所述肾脏病灶掩膜，对所述多个病灶区域进行病灶分类，分别确定每个病灶区域对应的病灶分类结果，其中，每个病灶区域对应的病灶分类结果用于指示该病灶区域的病灶类型；
检测结果确定模块，用于将所述肾结石掩膜、所述肾积水掩膜、所述肾脏病灶掩膜和所述病灶分类结果，确定为所述待检测肾脏的肾脏CT检测结果；
其中，所述第一分割模块，用于：
将所述平扫期CT影像输入肾脏器官分割模型，进行肾脏器官分割，确定所述第一肾脏器官掩膜；
将所述平扫期CT影像输入肾结石分割模型，进行肾结石分割，确定初始肾结石掩膜；
将所述平扫期CT影像输入肾积水分割模型，进行肾积水分割，确定初始肾积水掩膜；
根据所述第一肾脏器官掩膜，去除所述初始肾结石掩膜和所述肾积水掩膜中超出所述肾脏区域的部分，确定所述肾结石掩膜和所述肾积水掩膜；
所述病灶分类模块，用于：
对所述动脉期CT影像和所述静脉期CT影像进行图像位置配准，得到配准后的动脉期CT影像和配准后的静脉期CT影像；
对所述肾脏病灶掩膜中的每个所述病灶区域进行标记，得到标记后的肾脏病灶掩膜；
将所述配准后的动脉期CT影像、所述配准后的静脉期CT影像和所述标记后的肾脏病灶掩膜，输入肾脏病灶分类模型，分别判断每个所述病灶区域的病灶类型，确定每个所述病灶区域对应的病灶分类结果。
2.根据权利要求1所述的系统，其特征在于，所述系统还包括：
第三分割模块，用于将所述静脉期CT影像输入所述肾脏器官分割模型，进行肾脏器官分割，确定第二肾脏器官掩膜，其中，所述第二肾脏器官掩膜用于指示所述静脉期CT影像中的肾脏区域。
3.根据权利要求2所述的系统，其特征在于，所述第二分割模块，用于：
将所述静脉期CT影像输入肾脏病灶分割模型，进行肾脏病灶分割，确定初始病灶掩膜；
根据所述第一肾脏器官掩膜，或所述第二肾脏器官掩膜，去除所述初始病灶掩膜中超出所述肾脏区域的部分，确定所述肾脏病灶掩膜。
4.根据权利要求2或3所述的系统，其特征在于，所述系统还包括：
掩膜优化模块，用于对所述第一肾脏器官掩膜、所述第二肾脏器官掩膜、所述肾结石掩膜、所述肾积水掩膜和所述肾脏病灶掩膜进行优化处理，其中，所述优化处理包括：尺寸调整、影像层数补齐、二值化、阈值处理、掩膜优化和去除噪声中的至少一项。
5.根据权利要求1至3中任意一项所述的系统，其特征在于，所述系统还包括：
预处理模块，用于获取所述待检测肾脏对应的原始肾脏多期CT影像，对所述原始肾脏多期CT影像进行图像预处理，得到所述目标肾脏多期CT影像，其中，所述图像预处理包括：窗宽窗位调整、归一化、扫描深度裁剪和尺寸调整中的至少一项。
6.一种肾脏多期CT影像检测方法，其特征在于，包括：
确定待检测肾脏对应的目标肾脏多期CT影像，其中，所述目标肾脏多期CT影像包括：平扫期CT影像、动脉期CT影像和静脉期CT影像；
根据所述平扫期CT影像，确定第一肾脏器官掩膜、肾结石掩膜和肾积水掩膜，其中，所述第一肾脏器官掩膜用于指示所述平扫期CT影像中的肾脏区域，所述肾结石掩膜用于指示所述肾脏区域中的结石区域，所述肾积水掩膜用于指示所述肾脏区域中的积水区域；
对所述静脉期CT影像进行肾脏病灶分割，确定肾脏病灶掩膜，其中，所述肾脏病灶掩膜中包括多个病灶区域；
根据所述动脉期CT影像、所述静脉期CT影像和所述肾脏病灶掩膜，对所述多个病灶区域进行病灶分类，分别确定每个病灶区域对应的病灶分类结果，其中，每个病灶区域对应的病灶分类结果用于指示该病灶区域的病灶类型；
将所述肾结石掩膜、所述肾积水掩膜、所述肾脏病灶掩膜和所述病灶分类结果，确定为所述待检测肾脏的肾脏CT检测结果；
其中，所述根据所述平扫期CT影像，确定第一肾脏器官掩膜、肾结石掩膜和肾积水掩膜，包括：
将所述平扫期CT影像输入肾脏器官分割模型，进行肾脏器官分割，确定所述第一肾脏器官掩膜；
将所述平扫期CT影像输入肾结石分割模型，进行肾结石分割，确定初始肾结石掩膜；
将所述平扫期CT影像输入肾积水分割模型，进行肾积水分割，确定初始肾积水掩膜；
根据所述第一肾脏器官掩膜，去除所述初始肾结石掩膜和所述肾积水掩膜中超出所述肾脏区域的部分，确定所述肾结石掩膜和所述肾积水掩膜；
所述根据所述动脉期CT影像、所述静脉期CT影像和所述肾脏病灶掩膜，对所述多个病灶区域进行病灶分类，分别确定每个病灶区域对应的病灶分类结果，包括：
对所述动脉期CT影像和所述静脉期CT影像进行图像位置配准，得到配准后的动脉期CT影像和配准后的静脉期CT影像；
对所述肾脏病灶掩膜中的每个所述病灶区域进行标记，得到标记后的肾脏病灶掩膜；
将所述配准后的动脉期CT影像、所述配准后的静脉期CT影像和所述标记后的肾脏病灶掩膜，输入肾脏病灶分类模型，分别判断每个所述病灶区域的病灶类型，确定每个所述病灶区域对应的病灶分类结果。
7.一种电子设备，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6所述的方法。
8.一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6所述的方法。
CN202311377857.0A 2023-10-24 2023-10-24 一种肾脏多期ct影像检测系统及方法、电子设备 Active CN117115166B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311377857.0A CN117115166B (zh) 2023-10-24 2023-10-24 一种肾脏多期ct影像检测系统及方法、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311377857.0A CN117115166B (zh) 2023-10-24 2023-10-24 一种肾脏多期ct影像检测系统及方法、电子设备

Publications (2)

Publication Number Publication Date
CN117115166A CN117115166A (zh) 2023-11-24
CN117115166B true CN117115166B (zh) 2024-03-26

Family

ID=88809556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311377857.0A Active CN117115166B (zh) 2023-10-24 2023-10-24 一种肾脏多期ct影像检测系统及方法、电子设备

Country Status (1)

Country Link
CN (1) CN117115166B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117152442B (zh) * 2023-10-27 2024-02-02 吉林大学 影像靶区自动勾画方法、装置、电子设备和可读存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100025431A (ko) * 2008-08-27 2010-03-09 울산대학교 산학협력단 다중 페이즈 간 ｃｔ영상들의 정합을 이용한 간세포암 검출방법
CN112102317A (zh) * 2020-11-13 2020-12-18 之江实验室 一种基于无锚框的多期相肝脏病灶检测方法及系统
CN113349810A (zh) * 2021-05-27 2021-09-07 北京安德医智科技有限公司 脑出血病灶识别及血肿扩大预测方法及装置
CN114240937A (zh) * 2022-02-24 2022-03-25 武汉烽火凯卓科技有限公司 一种基于ct切片的肾结石检测方法及系统
CN114627129A (zh) * 2022-02-16 2022-06-14 浙江大学 一种用于非对齐多期ct的肝脏病灶分割的图像处理方法
CN114841914A (zh) * 2022-03-03 2022-08-02 北京深睿博联科技有限责任公司 一种胰腺囊性病变的检测方法及装置
CN116129184A (zh) * 2023-01-16 2023-05-16 杭州深睿博联科技有限公司 多期相病灶分类方法、装置、设备及可读存储介质
CN116188485A (zh) * 2022-12-12 2023-05-30 上海联影智能医疗科技有限公司 图像处理方法、装置、计算机设备和存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100025431A (ko) * 2008-08-27 2010-03-09 울산대학교 산학협력단 다중 페이즈 간 ｃｔ영상들의 정합을 이용한 간세포암 검출방법
CN112102317A (zh) * 2020-11-13 2020-12-18 之江实验室 一种基于无锚框的多期相肝脏病灶检测方法及系统
CN113349810A (zh) * 2021-05-27 2021-09-07 北京安德医智科技有限公司 脑出血病灶识别及血肿扩大预测方法及装置
CN114627129A (zh) * 2022-02-16 2022-06-14 浙江大学 一种用于非对齐多期ct的肝脏病灶分割的图像处理方法
CN114240937A (zh) * 2022-02-24 2022-03-25 武汉烽火凯卓科技有限公司 一种基于ct切片的肾结石检测方法及系统
CN114841914A (zh) * 2022-03-03 2022-08-02 北京深睿博联科技有限责任公司 一种胰腺囊性病变的检测方法及装置
CN116188485A (zh) * 2022-12-12 2023-05-30 上海联影智能医疗科技有限公司 图像处理方法、装置、计算机设备和存储介质
CN116129184A (zh) * 2023-01-16 2023-05-16 杭州深睿博联科技有限公司 多期相病灶分类方法、装置、设备及可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CT三期动态增强扫描在肾癌诊断中的临床价值研究;张秋峰;;中国CT和MRI杂志(第04期);全文 *
多层螺旋CT多期动态扫描用于肝癌的诊断价值;蔡才本;徐敬锋;;现代实用医学(第07期);全文 *

Also Published As

Publication number Publication date
CN117115166A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN108010021B (zh) 一种医学图像处理系统和方法
Zhang et al. Boundary finding based multi-focus image fusion through multi-scale morphological focus-measure
Yap et al. A novel algorithm for initial lesion detection in ultrasound breast images
CN111428709B (zh) 图像处理方法、装置、计算机设备和存储介质
JP4999163B2 (ja) 画像処理方法および装置ならびにプログラム
JP4767957B2 (ja) 結合空間強度尤度比検定を使用する体積腫瘍分断
Santos et al. Ultrasound image despeckling using stochastic distance-based BM3D
Shan et al. A novel automatic seed point selection algorithm for breast ultrasound images
CN117115166B (zh) 一种肾脏多期ct影像检测系统及方法、电子设备
Bandyopadhyay Pre-processing of mammogram images
KR102332032B1 (ko) 복부장기 자동분할을 이용한 복부장기 볼륨 변화 분석에 기반한 복부장기 상태 판단 방법
Cheng et al. ACCOMP: Augmented cell competition algorithm for breast lesion demarcation in sonography
Osman et al. The effect of filtering algorithms for breast ultrasound lesions segmentation
Khordehchi et al. Automatic lung nodule detection based on statistical region merging and support vector machines
El‐Hag et al. Utilization of image interpolation and fusion in brain tumor segmentation
CN102855483B (zh) 处理超声图像的方法和装置以及乳腺癌诊断设备
CN116630225A (zh) 一种铁路桥梁水下基础损伤识别方法、装置以及处理设备
Gulame et al. Thyroid nodules segmentation methods in clinical ultrasound images: a review
Choudhary et al. An entropy based multi-thresholding method for semi-automatic segmentation of liver tumors
George et al. Preprocessing filters for mammogram images: a review
US10380736B1 (en) MIP determination of solid cancer size and size changes based on contrast enhanced MRI and CT imaging
CN112529900A (zh) 匹配乳腺图像中roi的方法、装置、终端与存储介质
Shahedi et al. Accurate breast region detection in digital mammograms using a local adaptive thresholding method
Isa et al. Automatic segmentation and detection of mass in digital mammograms
Mudrakola et al. Removal of noise on mammogram breast images using filtering methods

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant