CN118052896A - 基于ct图像的肝部模型及残肝占比自动生成系统及方法 - Google Patents

基于ct图像的肝部模型及残肝占比自动生成系统及方法 Download PDF

Info

Publication number
CN118052896A
CN118052896A CN202410170507.5A CN202410170507A CN118052896A CN 118052896 A CN118052896 A CN 118052896A CN 202410170507 A CN202410170507 A CN 202410170507A CN 118052896 A CN118052896 A CN 118052896A
Authority
CN
China
Prior art keywords
liver
model
image
region
residual
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
CN202410170507.5A
Other languages
English (en)
Inventor
刘恩宇
于德新
樊昭磊
汤静
尚永生
王奔
胡春晓
齐亚飞
韩晓宇
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.)
Turing Medical Device Technology Shanghai Co ltd
Qilu Hospital of Shandong University
Original Assignee
Turing Medical Device Technology Shanghai Co ltd
Qilu Hospital of Shandong University
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 Turing Medical Device Technology Shanghai Co ltd, Qilu Hospital of Shandong University filed Critical Turing Medical Device Technology Shanghai Co ltd
Priority to CN202410170507.5A priority Critical patent/CN118052896A/zh
Publication of CN118052896A publication Critical patent/CN118052896A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G06T2207/30056—Liver; Hepatic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本公开提供了一种基于CT图像的肝部模型及残肝占比自动生成系统及方法，所述方案包括：获取待测人员腹部CT图像序列，并进行相应预处理；利用预先训练的基于神经网络的全腹脏器分割模型对获得的CT图像序列进行肝部及其周边的掩膜提取，获得肝脏区域以及肝脏周边区域；基于Couinaud八段分区法对肝脏区域进行分段，同时标定病变区域；基于获得的肝部及其周边的掩膜结果，以及肝脏区域的分段和标定结果，生成基于三角网格的肝部模型并进行显示；同时，基于肝脏区域三角网格所构成四面体的体积之和以及待切除肝段区域三角网格所构成四面体的体积之和，获得残肝占比。

Description

基于CT图像的肝部模型及残肝占比自动生成系统及方法
技术领域
本公开属于医疗技术领域，尤其涉及一种基于CT图像的肝部模型及残肝占比自动生成系统及方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
肝脏解剖结构复杂、血管丰富、血管变异多见，肝组织质脆、易出血，较晚期肝癌肿瘤与重要血管及胆管紧密粘连，使肝脏切除手术难度加大。现有的多层螺旋CT重建的肝脏是一组多张独立的二维图像，二维断层图像由于测量指示点选择受限、单一层面评估、图像不清晰等问题，不利于医生精准测量数据和精准诊断病情。发明人发现，经验丰富的外科医生能通过二维CT图像能大致推算出病灶大小、形状、及位置，这种诊断方式会存在主观判断误差，对肝脏手术治疗造成不利的影像。有少部分的外科医生会通过计算机三维重建技术来制定手术设计方案，这种方法需要手动进行图像分割标记肝脏、病灶、残肝等区域，需要大量的人工干预和专业知识，比较耗时耗力；同时，肝脏手术切除病灶的过程中，肝脏切除的组织需要保证残肝占比≥40％，才能够维持肝脏的再生功能和正常的肝功能运作，所以残肝占比对临床医生有着非常实用的临床价值依据；临床医生不能通过患者的二维的CT图像准确的知道肝脏的体积，需要结合摄像系统经繁琐的计算得到肝脏的体积值，运用残肝占比标准计算公式人工计算得出结果，比较耗时。
发明内容
本公开为了解决上述问题，提供了一种基于CT图像的肝部模型及残肝占比自动生成系统及方法，所述方案能够实现肝部CT图像自动生成三维模型，辅助临床医生进行诊断，更直观的观察病灶与血管、肝脏的关系，帮助临床医生提升工作效率和诊疗准确率；同时，所述方案能够基于待切除肝段区域自动生成残肝占比，为手术方案的可行性提供了可靠的数据分析，规避了一定的手术风险，提高手术成功率。
根据本公开实施例的第一个方面，提供了一种基于CT图像的肝部模型及残肝占比自动生成系统，包括：
数据获取单元，其用于获取待测人员腹部CT图像序列，并进行相应预处理；
腹部掩膜范围提取单元，其用于利用预先训练的基于神经网络的全腹脏器分割模型对获得的CT图像序列进行肝部及其周边的掩膜提取，获得肝脏区域以及肝脏周边区域；
肝脏分段与病变标定单元，其用于基于Couinaud八段分区法对肝脏区域进行分段，同时标定病变区域；
肝部模型及残肝占比自动生成单元，其用于基于获得的肝部及其周边的掩膜结果，以及肝脏区域的分段和标定结果，生成基于三角网格的肝部模型并进行显示；同时，基于肝脏区域三角网格所构成四面体的体积之和以及待切除肝段区域三角网格所构成四面体的体积之和，获得残肝占比。
进一步的，所述基于神经网络的全腹脏器分割模型，具体采用nnUNet神经网络模型，该模型以静脉期CT图像作为输入，并输出六分类的三维掩膜数据，其中，所述六分类包括肝脏、胆囊、肝静脉、肝动脉、肝门静脉以及胆总管。
进一步的，所述基于神经网络的全腹脏器分割模型的训练，具体为：预先获取若干腹部CT图像序列；对腹部CT图像序列中的CT图像进行相应预处理，并对CT图像中的肝脏、胆囊、肝静脉、肝动脉、肝门静脉以及胆总管位置进行阈值分割标注；以标注后的腹部CT图像序列按照预设比例划分为训练集和测试集，通过训练集中的样本对基于神经网络的全腹脏器分割模型进行训练，获得训练好的全腹脏器分割模型。
进一步的，所述获得肝脏区域以及肝脏周边区域，具体为：对待测人员腹部CT图像序列中每层CT图像在全腹脏器分割模型的输出结果进行合并，获得三维掩膜数据；基于三维掩膜数据，对各类别对应的掩膜标记所有连通域，取具有最大连通域的各类别掩膜作为各类别对应的区域，获得肝脏区域以及肝脏周边区域。
进一步的，所述生成基于三角网格的肝部模型，具体为：获取全腹脏器分割模型输出的掩膜数据，获得掩膜图像；对掩膜图像进行形态学膨胀操作，并基于曲面生成算法生成模型曲面；对生成的模型曲面进行相应预处理后，生成模型表面的三角网格数据；基于获得的三角网格数据，生成肝部模型，同时，基于掩膜数据的类别对肝部模型进行颜色区分。
进一步的，所述对生成的模型曲面进行相应预处理，包括对模型曲面的平滑操作以及对平滑操作后的数据进行填补孔洞操作。
进一步的，所述标定病变区域，具体为：根据CT图像和影像诊断报告，对肝脏内部的病变区域进行定位。
根据本公开实施例的第二个方面，提供了一种基于CT图像的肝部模型及残肝占比自动生成方法，包括：
获取待测人员腹部CT图像序列，并进行相应预处理；
利用预先训练的基于神经网络的全腹脏器分割模型对获得的CT图像序列进行肝部及其周边的掩膜提取，获得肝脏区域以及肝脏周边区域；
基于Couinaud八段分区法对肝脏区域进行分段，同时标定病变区域；
基于获得的肝部及其周边的掩膜结果，以及肝脏区域的分段和标定结果，生成基于三角网格的肝部模型并进行显示；同时，基于肝脏区域三角网格所构成四面体的体积之和以及待切除肝段区域三角网格所构成四面体的体积之和，获得残肝占比。
根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种基于CT图像的肝部模型及残肝占比自动生成方法。
根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种基于CT图像的肝部模型及残肝占比自动生成方法。
与现有技术相比，本公开的有益效果是：
(1)本公开提供了一种基于CT图像的肝部模型及残肝占比自动生成系统及方法，所述方案能够实现肝部CT图像自动生成三维模型，辅助临床医生进行诊断，更直观的观察病灶与血管、肝脏的关系，精准计算肝脏与肿瘤的体积大小。帮助临床医生提升工作效率和诊疗准确率，能够实现双重审核，避免漏检导致医疗纠纷，提升医院口碑；
(2)所述方案提供的自动生成肝部模型和评估残肝占比的功能经过大量的训练和验证，具有一定的鲁棒性，系统可以自动适应不同的病例和图像特征，提供更可靠的分析结果；
(3)所述方案能够基于待切除肝段区域自动生成残肝占比,为手术方案的可行性提供了可靠的数据分析，规避了一定的手术风险，提高手术成功率。
本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例中所述的基于CT图像的肝部模型及残肝占比自动生成系统的工作流程图；
图2为本公开实施例中所述的肝部模型分割网络结构示意图；
图3为本公开实施例中所述自动生成肝部掩膜的三维示意图；
图4为本公开实施例中所述的肝部模型PC端展示界面示意图；
图5为本公开实施例中所述的采用BSA、SLV金标准公式自动计算残肝占比的评估界面示意图。
具体实施方式
下面结合附图与实施例对本公开做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一：
本实施例的目的是提供一种基于CT图像的肝部模型及残肝占比自动生成系统。
一种基于CT图像的肝部模型及残肝占比自动生成系统，包括：
数据获取单元，其用于获取待测人员腹部CT图像序列，并进行相应预处理；
腹部掩膜范围提取单元，其用于利用预先训练的基于神经网络的全腹脏器分割模型对获得的CT图像序列进行肝部及其周边的掩膜提取，获得肝脏区域以及肝脏周边区域；
肝脏分段与病变标定单元，其用于基于Couinaud八段分区法对肝脏区域进行分段，同时标定病变区域；
肝部模型及残肝占比自动生成单元，其用于基于获得的肝部及其周边的掩膜结果，以及肝脏区域的分段和标定结果，生成基于三角网格的肝部模型并进行显示；同时，基于肝脏区域三角网格所构成四面体的体积之和以及待切除肝段区域三角网格所构成四面体的体积之和，获得残肝占比。
在具体实施中，所述基于神经网络的全腹脏器分割模型，具体采用nnUNet神经网络模型，该模型以静脉期CT图像作为输入，并输出六分类的三维掩膜数据，其中，所述六分类包括肝脏、胆囊、肝静脉、肝动脉、肝门静脉以及胆总管。
在具体实施中，所述基于神经网络的全腹脏器分割模型的训练，具体为：预先获取若干腹部CT图像序列；对腹部CT图像序列中的CT图像进行相应预处理，并对CT图像中的肝脏、胆囊、肝静脉、肝动脉、肝门静脉以及胆总管位置进行阈值分割标注；以标注后的腹部CT图像序列按照预设比例划分为训练集和测试集，通过训练集中的样本对基于神经网络的全腹脏器分割模型进行训练，获得训练好的全腹脏器分割模型。
在具体实施中，所述获得肝脏区域以及肝脏周边区域，具体为：对待测人员腹部CT图像序列中每层CT图像在全腹脏器分割模型的输出结果进行合并，获得三维掩膜数据；基于三维掩膜数据，对各类别对应的掩膜标记所有连通域，取具有最大连通域的各类别掩膜作为各类别对应的区域，获得肝脏区域以及肝脏周边区域。
在具体实施中，所述生成基于三角网格的肝部模型，具体为：获取全腹脏器分割模型输出的掩膜数据，获得掩膜图像；对掩膜图像进行形态学膨胀操作，并基于曲面生成算法生成模型曲面；对生成的模型曲面进行相应预处理后，生成模型表面的三角网格数据；基于获得的三角网格数据，生成肝部模型，同时，基于掩膜数据的类别对肝部模型进行颜色区分。
在具体实施中，所述对生成的模型曲面进行相应预处理，包括对模型曲面的平滑操作以及对平滑操作后的数据进行填补孔洞操作。
具体的，为了便于理解，以下结合附图对本实施例所述方案进行详细说明：
为了解决现有技术存在的问题，本实施例提供了一种基于CT图像的肝部模型及残肝占比自动生成系统，所述系统能辅助外科医生更快速、直观的评估病情，更加精准的测量数据，为肝脏数字化手术设计提供全面的数据支持，从而精准的制定手术设计方案。使手术更加精准安全，辅助医生提升诊疗准确率和手术成功率，提升患者就医满意度。具体的，本实施例所述系统具体包括如下：
(一)数据获取单元
在患者同意的情况下，收集100例肝癌患者的腹部CT图像。首先对收到的CT腹部数据进行序列挑选，并提取出动脉期、静脉期图像作为图像后处理的原始图像。为提高肝部及血管分割的精度，对医学图像进行预处理。其次用3D slicer对肝脏、胆囊、肝静脉、肝动脉、肝门静脉、胆总管位置进行阈值分割标注，生成原始图像序列，把原始图像序列分为训练样本和测试样本，其中用于模型训练的训练样本为80套，用于模型检验的测试样本20套。
进一步的，所述预处理为：为提高肝部血管分割精度，采取多种医学图像预处理策略，如去噪、对比度增强、直线矫正、图像配准、归一化、血管增强滤波等，同时可进行组织分割、数据增强和伪彩色显示等操作，以优化图像质量和血管结构，提升分割结果的准确性。
(二)腹部掩膜范围提取单元
在图像中，定位与分割肝脏的过程中，首先对肝脏进行定位，在对肝脏进行定位的过程中，首先用一固定的阈值T0将三维图像二值化(Binarization)，从而生成一个二值化的三维图像Ibin，该二值化图像中“1”表示三维CT图像中对应像素的灰度高于或等于给定的阈值T0，“0”表示三维CT图像中对应像素的灰度低于的阈值T0，然后对Ibin进行距离变换，求得Ibi n每个为“1”的体素到最近的为“0”的像素的距离，从而得到一个对应的三维距离图像Idist，根据肝脏是人体中体积最大的内脏器官的解剖特征，具有最大距离dmax的像素所在的位置O应该位于肝脏区域之中，从而定位出肝脏的位置；在对肝脏图像进行分割的过程中，首先估计肝脏的灰度范围，以定位肝脏的、具有最大距离dmax的像素所在的位置O为球心，以2/3*dmax为半径，利用该球形区域内的图像灰度估计肝脏的灰度范围[Tlow，Thigh]：
对训练样本，将窗值设置成搭建基于U-Net网络结构的Encoder-Decoder模型的肝胆及血管的分割深度学习网络(即下文中的基于nnUNet的全腹脏器分割模型)。其中，将窗宽(W indow Width)设置为400Hounsfield Units(HU)，并将窗位(Window Level)设置为50Hounsfield Units(HU)，调整医学影像的显示参数，以便在图像上突出显示脏器、血管的组织和结构。在这个设置下，窗宽表示显示的灰度范围，窗位表示显示的中心灰度值。
首先根据series_description关键字(其是对原始图像序列进行预先标记，series_description是医学图像中的一个属性，是用于对图像序列进行描述和标记)筛选出原始CT图像的静脉期图像，并保存成nii.gz格式数据。然后将提取的静脉期图像输入至已训练好的基于nnUNet的全腹脏器分割模型，其中nnUNet利用3D-CNN提取各脏器时空特征，其网络结构包括22个3*3*3的卷积层、5个2*2*2的卷积层以及5个1*1*1的卷积层；从全腹脏器分割模型中输出6分类的掩膜(mask),分别为肝脏、胆囊、肝静脉、肝动脉、肝门静脉、胆总管。静脉期图像输出后，每个静脉期CT数据会获得一个三维的mask，最后通过在三维方向下遍历mask中的每类器官做最大连通域处理。以肝脏为例，三维mask中可能包含多个肝脏连通域，通过对肝脏掩膜按照八联通的方式标记所有连通域，取最大连通域的肝脏掩膜作为肝脏区域。
同理，利用CT扫描的动脉期影像数据，我们能够准确提取出肝动脉的标记。通过将这些标定好的肝动脉用于图像深度学习，我们能够实现对肝动脉的自动分割，从而生成出肝动脉的精准模型。
(三)肝脏分段与病变标定单元：肝脏分段是以肝脏解剖Couinaud八段分区法为依据来区分的。分成9个部分，分别是肝Ⅰ段、肝Ⅱ段、肝Ⅲ段、肝Ⅳa、肝Ⅳb、肝Ⅴ段、肝Ⅵ段、肝Ⅶ段、肝Ⅷ段，用不同颜色标定不同分区，同时甄别出病变区域。其中，所述病变区域使用CT影像数据中的静脉期序列，借助3D Slicer图像分割软件进行区域分割标注，通过阈值、画笔工具准确勾画出病变区域。根据CT图像和影像诊断报告，我们对肝脏内部的病变区域进行了准确定位。这些病变区域的范围涵盖多种情况，如肝血管瘤、肝脂肪瘤、肝细胞腺瘤、原发性肝癌、以及转移性肝癌等，这些病变区域的界定直接来源于影像诊断结果的详细描述。同理，基于动脉期序列，也能够得出相应的结果。
(四)肝部模型及残肝占比自动生成单元：
(1)模型生成
1)读取自动分割的掩膜文件，提取掩膜图像，并记录数据的origin、spacing、direction信息；
2)对掩膜图像进行形态学膨胀操作，其中设置核半径为(1,1,0)；
3)使用Marching Cubes算法生成模型曲面，其中等值面级别设置为0.5；
4)使用Taubin算法对模型曲面进行平滑操作；
5)对平滑后的数据进行填补孔洞及清理操作，并生成模型表面的三角形网格数据，具体使用开源数据库VTK中的vtkvmtkCapPolyData、vtkCleanPolyData及vtkTriangleFilter方法；
6)使用vtkQuadricDecimation对三角网格数据进行三角形数量削减，削减百分比为30％；
7)对网格进行拉普拉斯平滑，设置平滑次数为50；
8)使用vtkSTLWriter函数保存stl模型。
(2)残肝占比生成
1)在患者的CT影像报告单中，获取患者的年龄、性别、身高、体质量信息资料。
2)使用threejs提供的fbxloader载入模型，使用geometry属性中的getAttribute('position')方法获取模型的全部顶点信息。然后循环此顶点信息数组，每九个元素能够获取三个顶点，即对应的三角形的三个点，然后使用公式p1.clone().cross(p2).dot(p3)/6，可以计算出由三角线的三个顶点加坐标系原点构成的四面体。循环所有顶点将四面体的体积累加，结果即为模型的体积。
3)在此表格中，计算参数中除了剩余肝脏(残肝)体积，其他结果都是由身高(cm)、体质量(kg)、肝占位体积、全肝体积(TLV)(包含占位肝脏体积)、剩余肝脏(残肝)体积套用公式计算得出。其中计算公式：体表面积BSA(m2)＝身高(cm)×0.0061+体质量(kg)×0.0124-0.0099，标准肝体积SLV(cm2)＝706.2×体表面积(BSA)+2.4[11-12]；肝占位体积(单位：毫升)＝病变体素数量×体素体积；全肝体积(单位：毫升)＝全肝体素数量×体素体积；剩余肝脏体积(单位：毫升)＝全肝体积-病变所在肝段体积。
4)由于预设编辑器是由tinymce-vue实现，我们需要监听单元格内值得变化，所以首先给editor绑定一个onSelectionChange事件，可以监听到整个编辑区域内htm1得变动，然后给每一个需要参与计算的单元格一个id，在onSelectionChange事件绑定的方法触发的时候中依次使用queryselector方法获取在依次获取剩余肝脏(残肝)体积。其他结果都是由身高(cm)、重量(kg)、肝占位体积、全肝体积(包含占位肝脏体积)、剩余肝脏(残肝)体积单元格内的值这几个dom元素中innerHTML的值，然后运用公式计算得出结果，再将值使用innerHTML赋予需要计算的单元格。
具体的，所述编辑器采用TinyMCE编辑器，其是一款功能强大的富文本编辑器，具有以下主要功能：
1.格式化文本：可以对文本进行字体、字号、颜色、背景色等样式的设置，使文本具有丰富的外观效果。
2.段落样式：可以设置段落的对齐方式(左对齐、居中、右对齐、两端对齐等)，以及段落的缩进和行间距等。
3.列表：支持有序列表和无序列表的创建和编辑，方便进行项目或任务的列举和组织。
4.插入链接和图片：可以插入超链接和图片，使文本内容具有更丰富的媒体展示和引用功能。
5.表格：可以创建和编辑表格，包括行列的添加、删除、合并等操作，方便进行数据的整理和展示。
6.嵌入媒体：支持嵌入视频、音频等多媒体内容，使文本内容更具多样性和互动性。
7.撤销和重做：提供撤销和重做功能，方便对编辑操作进行撤销或恢复。
8.查找和替换：支持在文本中查找指定内容，并可以进行替换操作，提高编辑效率。
9.自动保存：支持自动保存功能，防止意外关闭或丢失编辑内容。
10.全屏模式：提供全屏编辑模式，最大化编辑区域，提升编辑体验。
11.自定义工具栏：可以根据需求自定义编辑器的工具栏，只显示需要的功能按钮，简化界面操作。
12.插件扩展：支持插件扩展，可以根据需求添加额外的功能和定制化需求。
在具体实施中，本实施例所述方案还设置有前端界面显示单元，具体的：
1)服务器接收到腹部DICOM格式的增强CT图像数据后，会自动进行AI分析，并在前端界面进行列表展示，主要包括序号、患者编号、患者姓名、检查时间、序列描述、辅助诊断、AI状态；其中，所述AI分析具体为：服务器接收到的CT图像，经过人工智能(AI)算法处理和分析，从中提取有关患者状况的相关信息。包括患者姓名、检查时间、序列描述、诊断报告等结果。
2)选中静脉期薄层序列，点击某一患者二维码，自动弹出展示界面，待三维模型加载完成后，点击查看模型。
3)PC端自动展示出不同颜色区分的面渲染效果图。界面包含结构目录文字信息内容，分2个层级目录展示。每个结构有单独显示隐藏按钮，可自由控制透明度。每个结构都带有体积信息，更直观观察肝脏体积大小。
实施例二：
本实施例的目的是提供一种基于CT图像的肝部模型及残肝占比自动生成方法。
一种基于CT图像的肝部模型及残肝占比自动生成方法，包括：
获取待测人员腹部CT图像序列，并进行相应预处理；
利用预先训练的基于神经网络的全腹脏器分割模型对获得的CT图像序列进行肝部及其周边的掩膜提取，获得肝脏区域以及肝脏周边区域；
基于Couinaud八段分区法对肝脏区域进行分段，同时标定病变区域；
基于获得的肝部及其周边的掩膜结果，以及肝脏区域的分段和标定结果，生成基于三角网格的肝部模型并进行显示；同时，基于肝脏区域三角网格所构成四面体的体积之和以及待切除肝段区域三角网格所构成四面体的体积之和，获得残肝占比。
进一步的，本实施例所述方法与实施例一中所述系统相对应，其技术细节在实施例一中已经进行了详细说明，故此处不再赘述。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例二中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的二部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例二中所述的方法。
实施例二中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
上述实施例提供的一种基于CT图像的肝部模型及残肝占比自动生成系统及方法可以实现，具有广阔的应用前景。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于CT图像的肝部模型及残肝占比自动生成系统，其特征在于，包括：
数据获取单元，其用于获取待测人员腹部CT图像序列，并进行相应预处理；
腹部掩膜范围提取单元，其用于利用预先训练的基于神经网络的全腹脏器分割模型对获得的CT图像序列进行肝部及其周边的掩膜提取，获得肝脏区域以及肝脏周边区域；
肝脏分段与病变标定单元，其用于基于Couinaud八段分区法对肝脏区域进行分段，同时标定病变区域；
肝部模型及残肝占比自动生成单元，其用于基于获得的肝部及其周边的掩膜结果，以及肝脏区域的分段和标定结果，生成基于三角网格的肝部模型并进行显示；同时，基于肝脏区域三角网格所构成四面体的体积之和以及待切除肝段区域三角网格所构成四面体的体积之和，获得残肝占比。
2.如权利要求1所述的一种基于CT图像的肝部模型及残肝占比自动生成系统，其特征在于，所述基于神经网络的全腹脏器分割模型，具体采用nnUNet神经网络模型，该模型以静脉期CT图像作为输入，并输出六分类的三维掩膜数据，其中，所述六分类包括肝脏、胆囊、肝静脉、肝动脉、肝门静脉以及胆总管。
3.如权利要求1所述的一种基于CT图像的肝部模型及残肝占比自动生成系统，其特征在于，所述基于神经网络的全腹脏器分割模型的训练，具体为：预先获取若干腹部CT图像序列；对腹部CT图像序列中的CT图像进行相应预处理，并对CT图像中的肝脏、胆囊、肝静脉、肝动脉、肝门静脉以及胆总管位置进行阈值分割标注；以标注后的腹部CT图像序列按照预设比例划分为训练集和测试集，通过训练集中的样本对基于神经网络的全腹脏器分割模型进行训练，获得训练好的全腹脏器分割模型。
4.如权利要求1所述的一种基于CT图像的肝部模型及残肝占比自动生成系统，其特征在于，所述获得肝脏区域以及肝脏周边区域，具体为：对待测人员腹部CT图像序列中每层CT图像在全腹脏器分割模型的输出结果进行合并，获得三维掩膜数据；基于三维掩膜数据，对各类别对应的掩膜标记所有连通域，取具有最大连通域的各类别掩膜作为各类别对应的区域，获得肝脏区域以及肝脏周边区域。
5.如权利要求1所述的一种基于CT图像的肝部模型及残肝占比自动生成系统，其特征在于，所述生成基于三角网格的肝部模型，具体为：获取全腹脏器分割模型输出的掩膜数据，获得掩膜图像；对掩膜图像进行形态学膨胀操作，并基于曲面生成算法生成模型曲面；对生成的模型曲面进行相应预处理后，生成模型表面的三角网格数据；基于获得的三角网格数据，生成肝部模型，同时，基于掩膜数据的类别对肝部模型进行颜色区分。
6.如权利要求5所述的一种基于CT图像的肝部模型及残肝占比自动生成系统，其特征在于，所述对生成的模型曲面进行相应预处理，包括对模型曲面的平滑操作以及对平滑操作后的数据进行填补孔洞操作。
7.如权利要求1所述的一种基于CT图像的肝部模型及残肝占比自动生成系统，其特征在于，所述标定病变区域，具体为：根据CT图像和影像诊断报告，对肝脏内部的病变区域进行定位。
8.一种基于CT图像的肝部模型及残肝占比自动生成方法，其特征在于，包括：
获取待测人员腹部CT图像序列，并进行相应预处理；
利用预先训练的基于神经网络的全腹脏器分割模型对获得的CT图像序列进行肝部及其周边的掩膜提取，获得肝脏区域以及肝脏周边区域；
基于Couinaud八段分区法对肝脏区域进行分段，同时标定病变区域；
基于获得的肝部及其周边的掩膜结果，以及肝脏区域的分段和标定结果，生成基于三角网格的肝部模型并进行显示；同时，基于肝脏区域三角网格所构成四面体的体积之和以及待切除肝段区域三角网格所构成四面体的体积之和，获得残肝占比。
9.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求8所述的一种基于CT图像的肝部模型及残肝占比自动生成方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求8所述的一种基于CT图像的肝部模型及残肝占比自动生成方法。
CN202410170507.5A 2024-02-06 2024-02-06 基于ct图像的肝部模型及残肝占比自动生成系统及方法 Pending CN118052896A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410170507.5A CN118052896A (zh) 2024-02-06 2024-02-06 基于ct图像的肝部模型及残肝占比自动生成系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410170507.5A CN118052896A (zh) 2024-02-06 2024-02-06 基于ct图像的肝部模型及残肝占比自动生成系统及方法

Publications (1)

Publication Number Publication Date
CN118052896A true CN118052896A (zh) 2024-05-17

Family

ID=91045804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410170507.5A Pending CN118052896A (zh) 2024-02-06 2024-02-06 基于ct图像的肝部模型及残肝占比自动生成系统及方法

Country Status (1)

Country Link
CN (1) CN118052896A (zh)

Similar Documents

Publication Publication Date Title
CN112885453B (zh) 用于标识后续医学图像中的病理变化的方法和系统
Ritter et al. Medical image analysis
KR20220124217A (ko) 의료 영상 분석, 진단, 위험도 층화, 의사 결정 및/또는 질환 추적을 위한 시스템, 방법 및 디바이스
US7130457B2 (en) Systems and graphical user interface for analyzing body images
US9662083B2 (en) Medical image display apparatus and medical image display system
US8630467B2 (en) Diagnosis assisting system using three dimensional image data, computer readable recording medium having a related diagnosis assisting program recorded thereon, and related diagnosis assisting method
US20030018245A1 (en) Methods for generating a lung report
CN112862833B (zh) 血管分段方法、电子装置和存储介质
US20120176408A1 (en) Image interpretation report generation apparatus, method and program
CN103068313B (zh) 基于图像的诊断辅助设备和方法
US20030028401A1 (en) Customizable lung report generator
US20110060755A1 (en) Method of selectively and interactively processing data sets
WO2011123772A2 (en) Method and system for plaque lesion characterization
CN107004305A (zh) 医学图像编辑
Affane et al. Robust deep 3-D architectures based on vascular patterns for liver vessel segmentation
Feng et al. Multi-stage fully convolutional network for precise prostate segmentation in ultrasound images
Mistelbauer et al. Semi-automatic vessel detection for challenging cases of peripheral arterial disease
Ghaffari et al. Validation of parametric mesh generation for subject-specific cerebroarterial trees using modified Hausdorff distance metrics
CN118052896A (zh) 基于ct图像的肝部模型及残肝占比自动生成系统及方法
Lee et al. Automatic left and right lung separation using free-formed surface fitting on volumetric CT
CN114334128A (zh) 基于ct影像的肿瘤演进过程分析方法、系统及存储介质
Wu et al. Optimal image segmentation protocol for 3D printing of aortic dissection through open-source software
Allgöwer et al. Liver Tumor Segmentation Using Classical Algorithms & Deep Learning
Zhou et al. Automated detection of pulmonary embolism (PE) in computed tomographic pulmonary angiographic (CTPA) images: multiscale hierachical expectation-maximization segmentation of vessels and PEs
KR20230151865A (ko) 의료 영상에서 세기의 분포에 기반한 보조 정보를 생성하고 시각화하는 의료 영상 진단 보조 장치 및 방법

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