CN117557560A - 基于pet和ct图像融合的肺结节病灶识别方法及系统 - Google Patents
基于pet和ct图像融合的肺结节病灶识别方法及系统 Download PDFInfo
- Publication number
- CN117557560A CN117557560A CN202410038065.9A CN202410038065A CN117557560A CN 117557560 A CN117557560 A CN 117557560A CN 202410038065 A CN202410038065 A CN 202410038065A CN 117557560 A CN117557560 A CN 117557560A
- Authority
- CN
- China
- Prior art keywords
- focus
- marking
- lung
- pixel
- picture
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 103
- 230000004927 fusion Effects 0.000 title claims abstract description 53
- 206010056342 Pulmonary mass Diseases 0.000 title claims abstract description 35
- 210000004072 lung Anatomy 0.000 claims abstract description 130
- 238000003745 diagnosis Methods 0.000 claims description 18
- 230000003902 lesion Effects 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 5
- 241000669298 Pseudaulacaspis pentagona Species 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 208000017804 lesions in lung Diseases 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 abstract description 10
- 230000006872 improvement Effects 0.000 abstract description 5
- 238000010191 image analysis Methods 0.000 abstract description 3
- 230000001575 pathological effect Effects 0.000 abstract description 3
- 238000012636 positron electron tomography Methods 0.000 description 111
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000037841 lung tumor Diseases 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000011218 segmentation 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
- G06T7/0002—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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/60—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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30064—Lung nodule
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了基于PET和CT图像融合的肺结节病灶识别方法及系统，涉及病灶识别技术领域，包括：使用疑点标记法对肺部CT图片进行疑点标记；获取患者的肺部PET图片，使用高亮标记法在肺部PET图片中标记多个高亮区域；获取高亮区域的邻近数据，在PET/CT融合图像中对病灶待定区域进行标记；使用色彩比对法对病灶待定区域进行筛选得到的病灶区域记为患者的肺结节病灶，本发明用于解决在基于像素点的灰度值以及RGB值对PET/CT图像分析方面缺少有效的改进方法，导致分析过程耗时较长且会将病理图片中的正常区域识别为病灶区域的问题。
Description
技术领域
本发明涉及图像融合识别技术领域，具体为基于PET和CT图像融合的肺结节病灶识别方法及系统。
背景技术
病灶一般指的是身体某个部位出现了病变，可能是良性的，也可能是恶性的病灶识别是指通过医学影像分析技术，自动或半自动地识别病灶。病灶识别技术的发展可以极大提高医生的工作效率，并降低人为误诊的风险；PET-CT是PET和CT两种影像技术的结合，PET-CT融合后的图像既有精细的解剖结构又有丰富的生理、生化功能信息，能为确定和查找肿瘤及其他病灶的精确位置定量以及定性诊断提供依据。
现有的用于基于PET-CT对肺结节病灶识别方面的改进，通常是通过深度学习方法对PET-CT进行自主特征学习，然后基于学习结果对肺结节的良恶性进行识别，比如在申请公开号为CN103942785A的中国专利中，公开了一种基于图割的PET和CT图像的肺肿瘤分割方法，该方案就是通过对PET、CT的信息提取，利用图割算法整合分析提取的PET和CT图像上的信息，对肺肿瘤进行分割，测试，得出最后的检测结果；其他的用于基于PET-CT对肺结节病灶识别方面的改进，通常是在扫描以及识别准确性方面进行改进，而在基于像素点的灰度值以及RGB值对PET/CT图像分析方面缺少有效的改进方法，这会导致通过深度学习或特征融合对PET/CT图像进行分析时，耗时较长且会将病理图片中的正常区域识别为病灶区域，从而需要人工进行进一步分析，整体的分析耗时较长且准确率也不高。
发明内容
本发明旨在至少在一定程度上解决现有技术中的技术问题之一，通过提出基于PET和CT图像融合的肺结节病灶识别方法及系统，用于解决现有技术中在基于像素点的灰度值以及RGB值对PET/CT图像分析方面缺少有效的改进方法，导致通过深度学习或特征融合对PET/CT图像进行分析时，耗时较长且会将病理图片中的正常区域识别为病灶区域，从而需要人工进行进一步分析，增加整体的分析耗时的问题。
为实现上述目的，第一方面，本发明提供基于PET和CT图像融合的肺结节病灶识别方法，包括：
获取患者的肺部CT图片，使用疑点标记法对肺部CT图片进行疑点标记，将标记后的肺部CT图片中的疑点依次记为疑点区域1至疑点区域N；
获取患者的肺部PET图片，基于疑点区域1至疑点区域N使用高亮标记法在肺部PET图片中标记多个高亮区域；
获取高亮区域的邻近数据，基于高亮区域的邻近数据在PET/CT融合图像中对病灶待定区域进行标记；
使用色彩比对法对病灶待定区域进行筛选，将筛选后得到的病灶区域记为患者的肺结节病灶。
进一步地，所述疑点标记法包括：
对患者的肺部CT图片进行像素化处理，将像素化处理后的肺部CT图片记为像素肺部图片；
获取像素肺部图片中像素点的列数，记为k，并将像素肺部图片中的像素点根据所在列的不同从左至右依次记为像素列1至像素列k；
对于像素列1至像素列k中的任意一个像素列k1，获取像素列k1中所有像素点的数量，记为m，获取像素列k1中所有像素点的灰度值，并从上至下依次记为灰度值k1~1至灰度值k1~m，其中，k1小于等于k且大于等于1；
对于灰度值k1~1至灰度值k1~m中的任意一个灰度值k1~m1，当灰度值k1~m1与任意一个相邻的像素点的灰度值k1~m2的差值的绝对值大于标准边缘值时，将灰度值k1~m1以及灰度值k1~m2对应的像素点均记为边缘像素点。
进一步地，疑点标记法还包括：
获取像素肺部图片中所有的边缘像素点；
使用边缘连接子方法对像素肺部图片进行处理，边缘连接子方法为：对于像素肺部图片中的任意一个边缘像素点L1，当边缘像素点L1的八邻域内存在任意一个边缘像素点L2时，将边缘像素点L1与边缘像素点L2相连；
当像素肺部图片使用边缘连接子方法处理后，获取像素肺部图片中通过边缘像素点连接得到的所有的闭合图形，并将所有闭合图形包裹的区域依次记为疑点区域1至疑点区域N。
进一步地，高亮标记法包括：
获取正常人体的肺部PET图片，将正常人体的肺部PET图片进行像素化处理，记为正常像素PET图片，获取正常像素PET图片中所有像素点的灰度值，并建立灰度表格对所有灰度值进行记录，其中，灰度表格为R行×T列的表格，灰度表格的顶行除第一格外依次填入0至255，灰度表格的最右列除第一格外填入数量；
获取灰度表格中小于第一标准值的灰度值中数量最大的灰度值，记为黑色衡量值，获取灰度表格中大于第二标准值的灰度值中数量最大的灰度值，记为白色衡量值；
获取患有肺结节病灶的患者的肺部PET图片，记为病灶参考图片，将病灶参考图片中出现肺结节病灶的区域进行标记，记为参考病灶区域；对病灶参考图片进行像素化处理，并获取像素化处理后的参考病灶区域中所有像素点对应的灰度值，记为病灶灰度值，将病灶灰度值中的众数记为病灶衡量值，将病灶衡量值的第一病灶百分比记为第一病灶值，将病灶衡量值的第二病灶百分比记为第二病灶值。
进一步地，高亮标记法还包括：
获取患者的肺部PET图片，将患者的肺部PET图片进行灰度化处理，将灰度化处理后的患者的肺部PET图片记为像素PET图片；
将像素PET图片中灰度值等于黑色衡量值的像素点记为高亮像素点，将像素PET图片中灰度值小于等于第一病灶值且大于等于第二病灶值的像素点记为高亮像素点；将像素PET图片中灰度值等于白色衡量值或未被标记的像素点记为无关像素点；
将所有高亮像素点构成区域记为待高亮区域1至待高亮区域Q；
将像素PET图片与像素肺部图片重合，当任意一个待高亮区域Q1与疑点区域N1重合时，将待高亮区域Q1与疑点区域N1重合的区域在像素PET图片中记为高亮区域；
获取所有高亮区域。
进一步地，获取高亮区域的邻近数据，基于高亮区域的邻近数据在PET/CT融合图像中对病灶待定区域进行标记包括：
将像素PET图片放入平面直角坐标系中，其中，坐标系中的X轴以及Y轴的单位均为cm；
将像素PET图片中的高亮区域依次记为高亮区域1至高亮区域P；
对于高亮区域1至高亮区域P中的任意一个高亮区域P1，基于旋转卡壳算法获取高亮区域P1的最小外接矩形，记为最小外接矩形P1；
获取最小外接矩形P1的上边、下边、左边以及右边与对应的像素PET图片的上边、下边、左边以及右边之间的最短距离，并记为（top~P1，bel~P1，lef~P1，rig~P1）；
将（top~P1，bel~P1，lef~P1，rig~P1）记为高亮区域P1的邻近数据；
获取所有高亮区域的邻近数据。
进一步地，获取高亮区域的邻近数据，基于高亮区域的邻近数据在PET/CT融合图像中对病灶待定区域进行标记还包括：
获取患者的PET/CT融合图像，记为病灶诊断图像；
基于所有高亮区域的邻近数据，在病灶诊断图像中标记对应的区域，并依次记为病灶待定区域1至病灶待定区域P；
获取正常人体的肺部PET/CT融合图像，记为正常诊断图像，基于所有高亮区域的邻近数据，在正常诊断图像中标记对应的区域，并依次记为正常待定区域1至正常待定区域P。
进一步地，色彩比对法包括：
对病灶待定区域1至病灶待定区域P以及正常待定区域1至正常待定区域P进行逐一比对；
对于任意一个比对组病灶待定区域P2以及正常待定区域P2，将病灶待定区域P2中所有的像素点依次记为彩色病灶点1至彩色病灶点U，并使用相同的标记顺序将正常待定区域P2中所有的像素点依次记为彩色正常点1至彩色正常点U，对彩色病灶点1至彩色病灶点U以及彩色正常点1至彩色正常点U进行逐一比对，当任意一个彩色病灶点U1的RGB值等于彩色正常点U1的RGB值时，将彩色病灶点U1记为彩色标准点，当彩色病灶点1至彩色病灶点U中彩色标准点的数量大于U的第一彩色百分比时，将病灶待定区域P2记为正常区域。
进一步地，所述色彩比对法还包括：
将病灶待定区域1至病灶待定区域P中未被记为正常区域的病灶待定区域记为病灶区域。
第二方面，本发明还提供基于PET和CT图像融合的肺结节病灶识别系统，包括疑点标记模块、高亮获取模块、待定标记模块以及病灶确定模块；
疑点标记模块用于获取患者的肺部CT图片，使用疑点标记法对肺部CT图片进行疑点标记，将标记后的肺部CT图片中的疑点依次记为疑点区域1至疑点区域N；
高亮获取模块用于获取患者的肺部PET图片，基于疑点区域1至疑点区域N使用高亮标记法在肺部PET图片中标记多个高亮区域；
待定标记模块用于获取高亮区域的邻近区域，基于高亮区域的邻近区域在PET/CT融合图像中对病灶待定区域进行标记；
病灶确定模块用于使用色彩比对法对病灶待定区域进行筛选，将筛选后得到的病灶区域记为患者的肺结节病灶。
本发明的有益效果：本发明通过获取患者的肺部CT图片，使用疑点标记法对肺部CT图片进行疑点标记，将标记后的肺部CT图片中的疑点依次记为疑点区域1至疑点区域N，然后获取患者的肺部PET图片，基于疑点区域1至疑点区域N使用高亮标记法在肺部PET图片中标记多个高亮区域，这样的好处在于，通过对肺部CT图片进行疑点标记以及在肺部PET图片中标记多个高亮区域，能够有效对CT图片以及PET图片中病灶可能出现的区域进行划分，从而在后续的分析过程中通过对高亮区域进行分析，能够有效提高整体分析的效率，降低了分析过程的耗时；
本发明还通过获取高亮区域的邻近数据，基于高亮区域的邻近数据在PET/CT融合图像中对病灶待定区域进行标记，最后使用色彩比对法对病灶待定区域进行筛选，将筛选后得到的病灶区域记为患者的肺结节病灶，这样的好处在于，通过使用色彩比对法对病灶待定区域进行筛选，能够将病灶待定区域中的正常区域进行剔除，在提高识别结果的准确性的同时降低整体的分析时间，从而减少人工作业，实现自动化识别。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
图1为本发明的系统的原理框图；
图2为本发明的方法的步骤流程图；
图3为本发明的边缘像素点的连接示意图；
图4为本发明的高亮区域的获取示意图。
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，本领域普通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。
实施例1，请参阅图1所示，第一方面，本申请提供基于PET和CT图像融合的肺结节病灶识别系统，包括疑点标记模块、高亮获取模块、待定标记模块以及病灶确定模块；
疑点标记模块用于获取患者的肺部CT图片，使用疑点标记法对肺部CT图片进行疑点标记，将标记后的肺部CT图片中的疑点依次记为疑点区域1至疑点区域N；
疑点标记法包括：对患者的肺部CT图片进行像素化处理，将像素化处理后的肺部CT图片记为像素肺部图片；
获取像素肺部图片中像素点的列数，记为k，并将像素肺部图片中的像素点根据所在列的不同从左至右依次记为像素列1至像素列k；
对于像素列1至像素列k中的任意一个像素列k1，获取像素列k1中所有像素点的数量，记为m，获取像素列k1中所有像素点的灰度值，并从上至下依次记为灰度值k1~1至灰度值k1~m，其中，k1小于等于k且大于等于1；在具体实施过程中，边缘像素值的取值可根据具体情况而定，在本实施例中将边缘像素值设置为50；
在具体实施过程中，比如在一次检测中，检测到像素列的数量为256，则所有像素列被记为像素列1至像素列256，检测到像素列200中所有像素点的数量为256，则像素列200中所有像素点的灰度值为灰度值200~1至灰度值200~256，检测到灰度值200~156的灰度值为200，灰度值200~155的灰度值为50，则将灰度值200~156以及灰度值200~155均记为边缘像素点；
对于灰度值k1~1至灰度值k1~m中的任意一个灰度值k1~m1，当灰度值k1~m1与任意一个相邻的像素点的灰度值k1~m2的差值的绝对值大于标准边缘值时，将灰度值k1~m1以及灰度值k1~m2对应的像素点均记为边缘像素点。
疑点标记法还包括：获取像素肺部图片中所有的边缘像素点；使用边缘连接子方法对像素肺部图片进行处理，边缘连接子方法为：对于像素肺部图片中的任意一个边缘像素点L1，当边缘像素点L1的八邻域内存在任意一个边缘像素点L2时，将边缘像素点L1与边缘像素点L2相连；
在具体实施过程中，请参阅图3所示，C1至C9为9个像素点且C3、C4、C5以及C9为边缘像素点，则对于边缘像素点C5来说，应当将C5与C3、C4以及C9相连。
当像素肺部图片使用边缘连接子方法处理后，获取像素肺部图片中通过边缘像素点连接得到的所有的闭合图形，并将所有闭合图形包裹的区域依次记为疑点区域1至疑点区域N；
高亮获取模块用于获取患者的肺部PET图片，基于疑点区域1至疑点区域N使用高亮标记法在肺部PET图片中标记多个高亮区域；
高亮标记法包括：获取正常人体的肺部PET图片，将正常人体的肺部PET图片进行像素化处理，记为正常像素PET图片，请参阅表1所示，获取正常像素PET图片中所有像素点的灰度值，并建立灰度表格对所有灰度值进行记录，其中，灰度表格为R行×T列的表格，灰度表格的顶行除第一格外依次填入0至255，灰度表格的最右列除第一格外填入数量；
在具体实施过程中，R设置为2，T设置为256；
表1
获取灰度表格中小于第一标准值的灰度值中数量最大的灰度值，记为黑色衡量值，获取灰度表格中大于第二标准值的灰度值中数量最大的灰度值，记为白色衡量值；
在具体实施过程中，第一标准值以及第二标准值是为了获取正常像素PET图片中偏白色以及偏黑色且面积较大的区域，并将该区域在后续的分析中剔除或区分处理，从而提高整体的分析效率，第一标准值以及第二标准值可根据具体情况而定，在本实施例中将第一标准值设置为16，将第二标准值设置为240；
获取患有肺结节病灶的患者的肺部PET图片，记为病灶参考图片，将病灶参考图片中出现肺结节病灶的区域进行标记，记为参考病灶区域；对病灶参考图片进行像素化处理，并获取像素化处理后的参考病灶区域中所有像素点对应的灰度值，记为病灶灰度值，将病灶灰度值中的众数记为病灶衡量值，将病灶衡量值的第一病灶百分比记为第一病灶值，将病灶衡量值的第二病灶百分比记为第二病灶值；
在具体实施过程中，将第一病灶百分比设置为120%，将病灶第二百分比设置为80%，比如病灶灰度值中的众数为192，则第一病灶值为230.4，第二病灶值为153.6；
高亮标记法还包括：获取患者的肺部PET图片，将患者的肺部PET图片进行灰度化处理，将灰度化处理后的患者的肺部PET图片记为像素PET图片；
将像素PET图片中灰度值等于黑色衡量值的像素点记为高亮像素点，将像素PET图片中灰度值小于等于第一病灶值且大于等于第二病灶值的像素点记为高亮像素点；将像素PET图片中灰度值等于白色衡量值或未被标记的像素点记为无关像素点；
在具体实施过程中，比如像素PET图片中的任意一个像素点E的灰度值为200，第一病灶值为230.4，第二病灶值为153.6，则应当将像素点E记为高亮像素点；
将所有高亮像素点构成区域记为待高亮区域1至待高亮区域Q；
请参阅图4所示，其中，V1为将像素肺部图片，V1内的多边形以及不规则椭圆所覆盖的区域为多个疑点区域，V2为像素PET图片，V2内的多边形以及不规则椭圆所覆盖的区域为多个待高亮区域，V3为 像素PET图片与像素肺部图片重合的图片，V4中的多边形以及不规则椭圆所覆盖的区域为高亮区域，当任意一个待高亮区域Q1与疑点区域N1重合时，将待高亮区域Q1与疑点区域N1重合的区域在像素PET图片中记为高亮区域；
获取所有高亮区域；待定标记模块用于获取高亮区域的邻近区域，基于高亮区域的邻近区域在PET/CT融合图像中对病灶待定区域进行标记；
待定标记模块配置有待定区域标记策略，待定区域标记策略包括：将像素PET图片放入平面直角坐标系中，其中，坐标系中的X轴以及Y轴的单位均为cm；
将像素PET图片中的高亮区域依次记为高亮区域1至高亮区域P；
对于高亮区域1至高亮区域P中的任意一个高亮区域P1，基于旋转卡壳算法获取高亮区域P1的最小外接矩形，记为最小外接矩形P1；
在具体实施过程中，现有的旋转卡壳算法用于对凸多边形的直径的算法，将一个凸多边形上任意两点间的距离的最大值定义为多边形的直径，在通过旋转卡壳算法计算凸多边形的直径过程中，可以获得凸多边形的最小外接矩形，通过现有的旋转卡壳算法获取最小外接矩形的步骤为：1.找到凸包；2.找到凸包上相邻两点；3.以这两点为直径的圆，可以覆盖所有的点；4.让圆旋转，在过凸包上的点的时候，记录圆的面积和长轴长度的最小值；5.继续旋转，直到回到起始位置，得到最小外接矩形的面积和长轴长度；其中，高亮区域对应旋转卡壳算法中的凸多边形；
获取最小外接矩形P1的上边、下边、左边以及右边与对应的像素PET图片的上边、下边、左边以及右边之间的最短距离，并记为（top~P1，bel~P1，lef~P1，rig~P1）；
将（top~P1，bel~P1，lef~P1，rig~P1）记为高亮区域P1的邻近数据；获取所有高亮区域的邻近数据；获取患者的PET/CT融合图像，记为病灶诊断图像；基于所有高亮区域的邻近数据，在病灶诊断图像中标记对应的区域，并依次记为病灶待定区域1至病灶待定区域P；
获取正常人体的肺部PET/CT融合图像，记为正常诊断图像，基于所有高亮区域的邻近数据，在正常诊断图像中标记对应的区域，并依次记为正常待定区域1至正常待定区域P；
在具体实施过程中，通过正常人体的肺部PET/CT融合图像与患者的PET/CT融合图像进行比对，能够将高亮区域中的正常区域进行排除，其中，正常区域为未出现病灶的区域；
病灶确定模块用于使用色彩比对法对病灶待定区域进行筛选，将筛选后得到的病灶区域记为患者的肺结节病灶；
色彩比对法包括：对病灶待定区域1至病灶待定区域P以及正常待定区域1至正常待定区域P进行逐一比对；
对于任意一个比对组病灶待定区域P2以及正常待定区域P2，将病灶待定区域P2中所有的像素点依次记为彩色病灶点1至彩色病灶点U，并使用相同的标记顺序将正常待定区域P2中所有的像素点依次记为彩色正常点1至彩色正常点U，对彩色病灶点1至彩色病灶点U以及彩色正常点1至彩色正常点U进行逐一比对，当任意一个彩色病灶点U1的RGB值等于彩色正常点U1的RGB值时，将彩色病灶点U1记为彩色标准点，当彩色病灶点1至彩色病灶点U中彩色标准点的数量大于U的第一彩色百分比时，将病灶待定区域P2记为正常区域。
在具体实施过程中，将第一彩色百分比设置为85%，比如U的值为200，在彩色病灶点1至彩色病灶点U中，彩色标准点的数量为190，则将彩色病灶点1至彩色病灶点U对应的病灶待定区域记为正常区域；
色彩比对法还包括：将病灶待定区域1至病灶待定区域P中未被记为正常区域的病灶待定区域记为病灶区域；在具体实施过程中，在确定病灶区域后，可对病灶区域进行进一步的病灶诊断。
实施例2，请参阅图2所示，第二方面，本发明还提供基于PET和CT图像融合的肺结节病灶识别方法，其特征在于，包括：
步骤S1，获取患者的肺部CT图片，使用疑点标记法对肺部CT图片进行疑点标记，将标记后的肺部CT图片中的疑点依次记为疑点区域1至疑点区域N；疑点标记法包括：对患者的肺部CT图片进行像素化处理，将像素化处理后的肺部CT图片记为像素肺部图片；
获取像素肺部图片中像素点的列数，记为k，并将像素肺部图片中的像素点根据所在列的不同从左至右依次记为像素列1至像素列k；
对于像素列1至像素列k中的任意一个像素列k1，获取像素列k1中所有像素点的数量，记为m，获取像素列k1中所有像素点的灰度值，并从上至下依次记为灰度值k1~1至灰度值k1~m，其中，k1小于等于k且大于等于1；
对于灰度值k1~1至灰度值k1~m中的任意一个灰度值k1~m1，当灰度值k1~m1与任意一个相邻的像素点的灰度值k1~m2的差值的绝对值大于标准边缘值时，将灰度值k1~m1以及灰度值k1~m2对应的像素点均记为边缘像素点。
疑点标记法还包括：获取像素肺部图片中所有的边缘像素点；使用边缘连接子方法对像素肺部图片进行处理，边缘连接子方法为：对于像素肺部图片中的任意一个边缘像素点L1，当边缘像素点L1的八邻域内存在任意一个边缘像素点L2时，将边缘像素点L1与边缘像素点L2相连；
当像素肺部图片使用边缘连接子方法处理后，获取像素肺部图片中通过边缘像素点连接得到的所有的闭合图形，并将所有闭合图形包裹的区域依次记为疑点区域1至疑点区域N。
步骤S2，获取患者的肺部PET图片，基于疑点区域1至疑点区域N使用高亮标记法在肺部PET图片中标记多个高亮区域；
高亮标记法包括：获取正常人体的肺部PET图片，将正常人体的肺部PET图片进行像素化处理，记为正常像素PET图片，获取正常像素PET图片中所有像素点的灰度值，并建立灰度表格对所有灰度值进行记录，其中，灰度表格为R行×T列的表格，灰度表格的顶行除第一格外依次填入0至255，灰度表格的最右列除第一格外填入数量；
获取灰度表格中小于第一标准值的灰度值中数量最大的灰度值，记为黑色衡量值，获取灰度表格中大于第二标准值的灰度值中数量最大的灰度值，记为白色衡量值；
获取患有肺结节病灶的患者的肺部PET图片，记为病灶参考图片，将病灶参考图片中出现肺结节病灶的区域进行标记，记为参考病灶区域；对病灶参考图片进行像素化处理，并获取像素化处理后的参考病灶区域中所有像素点对应的灰度值，记为病灶灰度值，将病灶灰度值中的众数记为病灶衡量值，将病灶衡量值的第一病灶百分比记为第一病灶值，将病灶衡量值的第二病灶百分比记为第二病灶值。
高亮标记法还包括：获取患者的肺部PET图片，将患者的肺部PET图片进行灰度化处理，将灰度化处理后的患者的肺部PET图片记为像素PET图片；
将像素PET图片中灰度值等于黑色衡量值的像素点记为高亮像素点，将像素PET图片中灰度值小于等于第一病灶值且大于等于第二病灶值的像素点记为高亮像素点；将像素PET图片中灰度值等于白色衡量值或未被标记的像素点记为无关像素点；
将所有高亮像素点构成区域记为待高亮区域1至待高亮区域Q；将像素PET图片与像素肺部图片重合，当任意一个待高亮区域Q1与疑点区域N1重合时，将待高亮区域Q1与疑点区域N1重合的区域在像素PET图片中记为高亮区域；获取所有高亮区域。
步骤S3，获取高亮区域的邻近数据，基于高亮区域的邻近数据在PET/CT融合图像中对病灶待定区域进行标记；步骤S3包括：将像素PET图片放入平面直角坐标系中，其中，坐标系中的X轴以及Y轴的单位均为cm；
将像素PET图片中的高亮区域依次记为高亮区域1至高亮区域P；
对于高亮区域1至高亮区域P中的任意一个高亮区域P1，基于旋转卡壳算法获取高亮区域P1的最小外接矩形，记为最小外接矩形P1；
获取最小外接矩形P1的上边、下边、左边以及右边与对应的像素PET图片的上边、下边、左边以及右边之间的最短距离，并记为（top~P1，bel~P1，lef~P1，rig~P1）；
将（top~P1，bel~P1，lef~P1，rig~P1）记为高亮区域P1的邻近数据；获取所有高亮区域的邻近数据。
步骤S3还包括：获取患者的PET/CT融合图像，记为病灶诊断图像；基于所有高亮区域的邻近数据，在病灶诊断图像中标记对应的区域，并依次记为病灶待定区域1至病灶待定区域P；
获取正常人体的肺部PET/CT融合图像，记为正常诊断图像，基于所有高亮区域的邻近数据，在正常诊断图像中标记对应的区域，并依次记为正常待定区域1至正常待定区域P。
步骤S4，使用色彩比对法对病灶待定区域进行筛选，将筛选后得到的病灶区域记为患者的肺结节病灶；
色彩比对法包括：对病灶待定区域1至病灶待定区域P以及正常待定区域1至正常待定区域P进行逐一比对；
对于任意一个比对组病灶待定区域P2以及正常待定区域P2，将病灶待定区域P2中所有的像素点依次记为彩色病灶点1至彩色病灶点U，并使用相同的标记顺序将正常待定区域P2中所有的像素点依次记为彩色正常点1至彩色正常点U，对彩色病灶点1至彩色病灶点U以及彩色正常点1至彩色正常点U进行逐一比对，当任意一个彩色病灶点U1的RGB值等于彩色正常点U1的RGB值时，将彩色病灶点U1记为彩色标准点，当彩色病灶点1至彩色病灶点U中彩色标准点的数量大于U的第一彩色百分比时，将病灶待定区域P2记为正常区域。
色彩比对法还包括：将病灶待定区域1至病灶待定区域P中未被记为正常区域的病灶待定区域记为病灶区域。
工作原理：首先通过获取患者的肺部CT图片，使用疑点标记法对肺部CT图片进行疑点标记，然后获取患者的肺部PET图片，基于疑点区域1至疑点区域N使用高亮标记法在肺部PET图片中标记多个高亮区域，还通过获取高亮区域的邻近数据，基于高亮区域的邻近数据在PET/CT融合图像中对病灶待定区域进行标记，最后使用色彩比对法对病灶待定区域进行筛选，将筛选后得到的病灶区域记为患者的肺结节病灶。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random AccessMemory，简称SRAM），电可擦除可编程只读存储器（Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM），可擦除可编程只读存储器（Erasable ProgrammableRead Only Memory，简称EPROM），可编程只读存储器（Programmable Red-Only Memory，简称PROM），只读存储器（Read-OnlyMemory，简称ROM），磁存储器，快闪存储器，磁盘或光盘。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，多个单元或组件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通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
Claims (10)
1.基于PET和CT图像融合的肺结节病灶识别方法，其特征在于，包括：
获取患者的肺部CT图片，使用疑点标记法对肺部CT图片进行疑点标记，将标记后的肺部CT图片中的疑点依次记为疑点区域1至疑点区域N；
获取患者的肺部PET图片，基于疑点区域1至疑点区域N使用高亮标记法在肺部PET图片中标记多个高亮区域；
获取高亮区域的邻近数据，基于高亮区域的邻近数据在PET/CT融合图像中对病灶待定区域进行标记；
使用色彩比对法对病灶待定区域进行筛选，将筛选后得到的病灶区域记为患者的肺结节病灶。
2.根据权利要求1所述的基于PET和CT图像融合的肺结节病灶识别方法，其特征在于，所述疑点标记法包括：
对患者的肺部CT图片进行像素化处理，将像素化处理后的肺部CT图片记为像素肺部图片；
获取像素肺部图片中像素点的列数，记为k，并将像素肺部图片中的像素点根据所在列的不同从左至右依次记为像素列1至像素列k；
对于像素列1至像素列k中的任意一个像素列k1，获取像素列k1中所有像素点的数量，记为m，获取像素列k1中所有像素点的灰度值，并从上至下依次记为灰度值k1~1至灰度值k1~m，其中，k1小于等于k且大于等于1；
对于灰度值k1~1至灰度值k1~m中的任意一个灰度值k1~m1，当灰度值k1~m1与任意一个相邻的像素点的灰度值k1~m2的差值的绝对值大于标准边缘值时，将灰度值k1~m1以及灰度值k1~m2对应的像素点均记为边缘像素点。
3.根据权利要求2所述的基于PET和CT图像融合的肺结节病灶识别方法，其特征在于，疑点标记法还包括：
获取像素肺部图片中所有的边缘像素点；
使用边缘连接子方法对像素肺部图片进行处理，边缘连接子方法为：对于像素肺部图片中的任意一个边缘像素点L1，当边缘像素点L1的八邻域内存在任意一个边缘像素点L2时，将边缘像素点L1与边缘像素点L2相连；
当像素肺部图片使用边缘连接子方法处理后，获取像素肺部图片中通过边缘像素点连接得到的所有的闭合图形，并将所有闭合图形包裹的区域依次记为疑点区域1至疑点区域N。
4.根据权利要求3所述的基于PET和CT图像融合的肺结节病灶识别方法，其特征在于，高亮标记法包括：
获取正常人体的肺部PET图片，将正常人体的肺部PET图片进行像素化处理，记为正常像素PET图片，获取正常像素PET图片中所有像素点的灰度值，并建立灰度表格对所有灰度值进行记录，其中，灰度表格为R行×T列的表格，灰度表格的顶行除第一格外依次填入0至255，灰度表格的最右列除第一格外填入数量；
获取灰度表格中小于第一标准值的灰度值中数量最大的灰度值，记为黑色衡量值，获取灰度表格中大于第二标准值的灰度值中数量最大的灰度值，记为白色衡量值；
获取患有肺结节病灶的患者的肺部PET图片，记为病灶参考图片，将病灶参考图片中出现肺结节病灶的区域进行标记，记为参考病灶区域；对病灶参考图片进行像素化处理，并获取像素化处理后的参考病灶区域中所有像素点对应的灰度值，记为病灶灰度值，将病灶灰度值中的众数记为病灶衡量值，将病灶衡量值的第一病灶百分比记为第一病灶值，将病灶衡量值的第二病灶百分比记为第二病灶值。
5.根据权利要求4所述的基于PET和CT图像融合的肺结节病灶识别方法，其特征在于，高亮标记法还包括：
获取患者的肺部PET图片，将患者的肺部PET图片进行灰度化处理，将灰度化处理后的患者的肺部PET图片记为像素PET图片；
将像素PET图片中灰度值等于黑色衡量值的像素点记为高亮像素点，将像素PET图片中灰度值小于等于第一病灶值且大于等于第二病灶值的像素点记为高亮像素点；将像素PET图片中灰度值等于白色衡量值或未被标记的像素点记为无关像素点；
将所有高亮像素点构成区域记为待高亮区域1至待高亮区域Q；
将像素PET图片与像素肺部图片重合，当任意一个待高亮区域Q1与疑点区域N1重合时，将待高亮区域Q1与疑点区域N1重合的区域在像素PET图片中记为高亮区域；
获取所有高亮区域。
6.根据权利要求5所述的基于PET和CT图像融合的肺结节病灶识别方法，其特征在于，获取高亮区域的邻近数据，基于高亮区域的邻近数据在PET/CT融合图像中对病灶待定区域进行标记包括：
将像素PET图片放入平面直角坐标系中，其中，坐标系中的X轴以及Y轴的单位均为cm；
将像素PET图片中的高亮区域依次记为高亮区域1至高亮区域P；
对于高亮区域1至高亮区域P中的任意一个高亮区域P1，基于旋转卡壳算法获取高亮区域P1的最小外接矩形，记为最小外接矩形P1；
获取最小外接矩形P1的上边、下边、左边以及右边与对应的像素PET图片的上边、下边、左边以及右边之间的最短距离，并记为（top~P1，bel~P1，lef~P1，rig~P1）；
将（top~P1，bel~P1，lef~P1，rig~P1）记为高亮区域P1的邻近数据；
获取所有高亮区域的邻近数据。
7.根据权利要求6所述的基于PET和CT图像融合的肺结节病灶识别方法，其特征在于，获取高亮区域的邻近数据，基于高亮区域的邻近数据在PET/CT融合图像中对病灶待定区域进行标记还包括：
获取患者的PET/CT融合图像，记为病灶诊断图像；
基于所有高亮区域的邻近数据，在病灶诊断图像中标记对应的区域，并依次记为病灶待定区域1至病灶待定区域P；
获取正常人体的肺部PET/CT融合图像，记为正常诊断图像，基于所有高亮区域的邻近数据，在正常诊断图像中标记对应的区域，并依次记为正常待定区域1至正常待定区域P。
8.根据权利要求7所述的基于PET和CT图像融合的肺结节病灶识别方法，其特征在于，色彩比对法包括：
对病灶待定区域1至病灶待定区域P以及正常待定区域1至正常待定区域P进行逐一比对；
对于任意一个比对组病灶待定区域P2以及正常待定区域P2，将病灶待定区域P2中所有的像素点依次记为彩色病灶点1至彩色病灶点U，并使用相同的标记顺序将正常待定区域P2中所有的像素点依次记为彩色正常点1至彩色正常点U，对彩色病灶点1至彩色病灶点U以及彩色正常点1至彩色正常点U进行逐一比对，当任意一个彩色病灶点U1的RGB值等于彩色正常点U1的RGB值时，将彩色病灶点U1记为彩色标准点，当彩色病灶点1至彩色病灶点U中彩色标准点的数量大于U的第一彩色百分比时，将病灶待定区域P2记为正常区域。
9.根据权利要求8所述的基于PET和CT图像融合的肺结节病灶识别方法，其特征在于，所述色彩比对法还包括：
将病灶待定区域1至病灶待定区域P中未被记为正常区域的病灶待定区域记为病灶区域。
10.适用于权利要求1-9任意一项所述的基于PET和CT图像融合的肺结节病灶识别方法的系统，其特征在于，包括疑点标记模块、高亮获取模块、待定标记模块以及病灶确定模块；
疑点标记模块用于获取患者的肺部CT图片，使用疑点标记法对肺部CT图片进行疑点标记，将标记后的肺部CT图片中的疑点依次记为疑点区域1至疑点区域N；
高亮获取模块用于获取患者的肺部PET图片，基于疑点区域1至疑点区域N使用高亮标记法在肺部PET图片中标记多个高亮区域；
待定标记模块用于获取高亮区域的邻近区域，基于高亮区域的邻近区域在PET/CT融合图像中对病灶待定区域进行标记；
病灶确定模块用于使用色彩比对法对病灶待定区域进行筛选，将筛选后得到的病灶区域记为患者的肺结节病灶。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410038065.9A CN117557560B (zh) | 2024-01-11 | 2024-01-11 | 基于pet和ct图像融合的肺结节病灶识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410038065.9A CN117557560B (zh) | 2024-01-11 | 2024-01-11 | 基于pet和ct图像融合的肺结节病灶识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117557560A true CN117557560A (zh) | 2024-02-13 |
| CN117557560B CN117557560B (zh) | 2024-03-22 |
Family
ID=89823567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410038065.9A Active CN117557560B (zh) | 2024-01-11 | 2024-01-11 | 基于pet和ct图像融合的肺结节病灶识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117557560B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117934485A (zh) * | 2024-03-25 | 2024-04-26 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 基于ct图像的肺部气管路径特征提取方法、系统及介质 |
| CN117934485B (zh) * | 2024-03-25 | 2024-05-31 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 基于ct图像的肺部气管路径特征提取方法、系统及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测系统 |
| CN103345746A (zh) * | 2013-06-25 | 2013-10-09 | 上海交通大学 | 基于ct-pet的医学影像诊断方法 |
| CN106530296A (zh) * | 2016-11-07 | 2017-03-22 | 首都医科大学 | 一种基于pet/ct图像特征的肺部检测方法和装置 |
| CN111312373A (zh) * | 2020-01-19 | 2020-06-19 | 浙江树人学院（浙江树人大学） | 一种pet/ct图像融合自动标注方法 |
| WO2022063198A1 (zh) * | 2020-09-24 | 2022-03-31 | 上海健康医学院 | 一种肺部图像处理方法、装置及设备 |
| CN116188473A (zh) * | 2023-05-05 | 2023-05-30 | 天津医科大学总医院 | 一种基于图像深度学习的肺部病灶识别方法及系统 |
| CN117372439A (zh) * | 2023-12-08 | 2024-01-09 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 一种基于核磁和ct融合的子宫病变位置识别方法、系统及介质 |
-
2024
- 2024-01-11 CN CN202410038065.9A patent/CN117557560B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测系统 |
| CN103345746A (zh) * | 2013-06-25 | 2013-10-09 | 上海交通大学 | 基于ct-pet的医学影像诊断方法 |
| CN106530296A (zh) * | 2016-11-07 | 2017-03-22 | 首都医科大学 | 一种基于pet/ct图像特征的肺部检测方法和装置 |
| CN111312373A (zh) * | 2020-01-19 | 2020-06-19 | 浙江树人学院（浙江树人大学） | 一种pet/ct图像融合自动标注方法 |
| WO2022063198A1 (zh) * | 2020-09-24 | 2022-03-31 | 上海健康医学院 | 一种肺部图像处理方法、装置及设备 |
| CN116188473A (zh) * | 2023-05-05 | 2023-05-30 | 天津医科大学总医院 | 一种基于图像深度学习的肺部病灶识别方法及系统 |
| CN117372439A (zh) * | 2023-12-08 | 2024-01-09 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 一种基于核磁和ct融合的子宫病变位置识别方法、系统及介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117934485A (zh) * | 2024-03-25 | 2024-04-26 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 基于ct图像的肺部气管路径特征提取方法、系统及介质 |
| CN117934485B (zh) * | 2024-03-25 | 2024-05-31 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 基于ct图像的肺部气管路径特征提取方法、系统及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117557560B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8498492B2 (en) | Methods of analyzing a selected region of interest in medical image data | |
| US20060127880A1 (en) | Computerized image capture of structures of interest within a tissue sample | |
| US8073233B2 (en) | Image processor, microscope system, and area specifying program | |
| US8724865B2 (en) | Method, computer software, and system for tracking, stabilizing, and reporting motion between vertebrae | |
| CA2492071A1 (en) | Computerized image capture of structures of interest within a tissue sample | |
| Temerinac-Ott et al. | Detection of glomeruli in renal pathology by mutual comparison of multiple staining modalities | |
| CN111445478A (zh) | 一种用于cta图像的颅内动脉瘤区域自动检测系统和检测方法 | |
| US20110286654A1 (en) | Segmentation of Biological Image Data | |
| CN110633651B (zh) | 一种基于图像拼接的异常细胞自动识别方法 | |
| CN112348082B (zh) | 深度学习模型构建方法、影像处理方法及可读存储介质 | |
| CN110136153B (zh) | 一种图像处理方法、设备及存储介质 | |
| CN110974306B (zh) | 一种超声内镜下识别和定位胰腺神经内分泌肿瘤的系统 | |
| JP4964171B2 (ja) | 対象領域抽出方法および装置ならびにプログラム | |
| WO2002094097A1 (en) | Boundary finding in dermatological examination | |
| CN112204615A (zh) | 荧光图像配准方法、基因测序仪及系统、存储介质 | |
| KR102349515B1 (ko) | 의료 영상에서 딥러닝에 기반한 종양 자동분할 방법 | |
| Oikawa et al. | Pathological diagnosis of gastric cancers with a novel computerized analysis system | |
| CN114743106B (zh) | 一种图像批处理识别方法及系统 | |
| CN116386902A (zh) | 基于深度学习的大肠癌人工智能辅助病理诊断系统 | |
| US20090310883A1 (en) | Image processing apparatus, method, and program | |
| CN110060246B (zh) | 一种图像处理方法、设备及存储介质 | |
| Häfner et al. | Endoscopic image classification using edge-based features | |
| CN117557560B (zh) | 基于pet和ct图像融合的肺结节病灶识别方法及系统 | |
| CN111127404B (zh) | 一种医疗影像轮廓快速提取方法 | |
| US20210012485A1 (en) | Method for detecting tumor by image analysis, device using method, and non-transitory storage medium |
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 |