CN118136237A - 一种基于图像处理的食管癌筛查系统及方法 - Google Patents

一种基于图像处理的食管癌筛查系统及方法 Download PDF

Info

Publication number
CN118136237A
CN118136237A CN202410323005.1A CN202410323005A CN118136237A CN 118136237 A CN118136237 A CN 118136237A CN 202410323005 A CN202410323005 A CN 202410323005A CN 118136237 A CN118136237 A CN 118136237A
Authority
CN
China
Prior art keywords
image
esophagus
focus
esophageal cancer
flat
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
CN202410323005.1A
Other languages
English (en)
Inventor
李印
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.)
Henan Institute Of Modern Medical Technology
Cancer Hospital and Institute of CAMS and PUMC
Original Assignee
Henan Institute Of Modern Medical Technology
Cancer Hospital and Institute of CAMS and PUMC
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 Henan Institute Of Modern Medical Technology, Cancer Hospital and Institute of CAMS and PUMC filed Critical Henan Institute Of Modern Medical Technology
Priority to CN202410323005.1A priority Critical patent/CN118136237A/zh
Publication of CN118136237A publication Critical patent/CN118136237A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • 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
    • 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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G06T2207/20084—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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Surgery (AREA)
  • Software Systems (AREA)
  • Optics & Photonics (AREA)
  • Artificial Intelligence (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Dentistry (AREA)
  • Neurosurgery (AREA)
  • Neurology (AREA)
  • Quality & Reliability (AREA)
  • Physiology (AREA)

Abstract

本发明涉及食管癌图像处理技术领域，尤其涉及一种基于图像处理的食管癌筛查系统及方法，本发明提出以下方案，首先将食道平扫CT图像序列转化为食道增强CT图像序列，其次从食道增强CT图像序列中筛选出疑似食管癌图像，最后提取疑似病灶图像，通过食管癌分期诊断网络对疑似病灶图像进行训练，输出筛查结果，提高食管癌筛查的普适性和准确性。

Description

一种基于图像处理的食管癌筛查系统及方法
技术领域
本发明涉及食管癌图像处理技术领域，尤其涉及一种基于图像处理的食管癌筛查系统及方法。
背景技术
食管癌是起源于食管黏膜上皮的消化道恶性肿瘤，全世界每年约有30万人死于食管癌。目前我国超过90％的食管癌患者确诊时已进展至中晚期，预后较差，生活质量低，各分期食管癌总的5年生存率大概在14％左右，严重威胁着患者的身体健康和生命安全。而早期食管癌通常经内镜下微创治疗即可根治，取得与外科手术相当的疗效，患者5年生存率可超过95％。因此，对早期食管癌的临床表现及病理进行分析，做到早诊断、早治疗，是临床研究的重点之一，对提高生存率十分重要。
例如授权公告号为109410194B的中国专利公开了基于深度学习的食管癌病理图像处理方法，包括：a).病理切片扫描；b).圈注上皮区类型，将上皮区的正常区域、低级别和高级别癌前病变区域圈注出来；c).图像预处理，获取上皮小图像；d).卷积神经网络将每个上皮小图像沿其纵向均分为n个图像块，对每个图像块进行特征提取；e).长短期记忆网络LSTM，获取上皮小图像的特征向量；f).分类器分类；g).模型建立和调优，h).准确率计算。本发明的食管癌病理图像处理方法，经CNN、LSTM网络和分类器的处理后，获取每个上皮小图像为正常、低级别和高级别癌前病变类型的概率，为病理科食管癌全切片的科学利用提供了一种行之有效的数字图像处理方法，有益效果显著，适于应用推广。
以上专利均存在本背景技术提出的问题：临床诊断过程中，部分患者因试剂过敏、身体问题等因素无法获取对比增强CT图像，食管癌分期过程中，仅以病灶肿瘤体积、浸润情况进行分期会导致分期的准确率较低，为解决以上问题，本申请设计了一种基于图像处理的食管癌筛查系统及方法。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供了一种基于图像处理的食管癌筛查系统及方法，首先将食道平扫CT图像序列转化为食道增强CT图像序列，其次从食道增强CT图像序列中筛选出疑似食管癌图像，最后提取疑似病灶图像，通过食管癌分期诊断网络对疑似病灶图像进行训练，输出筛查结果。
为实现上述目的，本发明提供如下技术方案：
一种基于图像处理的食管癌筛查方法，包括以下步骤；
S1：获取待筛查人员的食道平扫CT图像序列，通过CT图像增强策略将食道平扫CT图像序列转化为食道增强CT图像序列；
S2：通过小波变换对食道增强CT图像序列中每一张食道增强CT图像进行时频分析，提取食道增强CT图像的纹理细节信息，根据基于SVM的食道图像分类算法对所述食道增强CT图像的纹理细节信息进行分类，输出食道增强CT图像的类别，所述类别包括正常食道图像和疑似食管癌图像；
S3：对属于食管癌图像类别的食道增强CT图像序列进行区域裁剪，提取食道增强CT图像序列的疑似病灶图像序列；
S4：构建食管癌分期诊断网络，将所述疑似病灶图像序列作为所述食管癌分期诊断网络的输入参数，通过食管癌分期诊断网络对输入参数进行训练，输出疑似食管癌图像序列的筛查结果；
所述S1中所述CT图像增强策略具体步骤如下：
S1.1：遍历食道平扫CT图像序列中单张食道平扫CT图像的每一个像素点，以该像素点作为中心点，中心点周围3x3大小的像素矩阵作为窗口模版，计算窗口模版中每一个像素点与中心点的灰色关联度，将灰色关联度与关联阈值进行对比，如果灰色关联度大于关联阈值，将像素点标记为关联点；
S1.2：统计窗口模版中关联点的数量，如果小于四个，将该中心点标记为噪声点，并通过灰色微分预测对噪声点进行去噪；
S1.3：根据去噪后的食道平扫CT图像，计算食道平扫CT图像的能量梯度，根据能量梯度确定食道平扫CT图像的分块数，对食道平扫CT图像进行分块，获取食道平扫CT图像每个子块的直方图，通过直方图均衡化生成每个子块的均衡化直方图，获取食道平扫CT均衡图像，其中，食道平扫CT图像的分块数的计算公式为：
其中，Q表示食道平扫CT图像的分块数，m{·}表示向下取整函数，i表示食道平扫CT图像的单个像素点，I表示食道平扫CT图像的像素点总数量，Fi表示第i个像素点的能量梯度，F表示能量梯度总和，M表示食道平扫CT图像的长度，N表示食道平扫CT图像的宽度，q表示比例系数，其中，第i个像素点的能量梯度的计算公式为：
Fi＝Eix·[fi(x+1，y)-fi(x，y)]2+Eiy·[fi(x，y+1)-fi(x，y)]2，
其中，Eix表示第i个像素点在横向方向的能量分量，(x，y)表示第i个像素点的坐标，fi(x，y)表示第i个像素点的像素值，Eiy第i个像素点在纵向方向的能量分量；
S1.4：对食道平扫CT均衡图像进行离散小波变换，获取食道平扫CT均衡图像的低频分量与高频分量，通过归一化细节系数对低频分量和高频分量进行增强，获取食道CT增强图像，重复步骤获取食道CT增强图像序列；
所述纹理细节信息包括食道CT增强图像的低频信息、水平高频信息、垂直高频信息和对角线高频信息；
所述基于SVM的食道图像分类算法通过径向量基核函数将所述食道增强CT图像的纹理细节信息映射至高维特征空间，根据结构风险最小化原则在高维特征空间内构造纹理细节信息的最优分类超平面；
所述S3具体步骤如下：
S3.1：提取属于食管癌图像类别的食道增强CT图像的总像素值，计算目标病灶部分像素概率和背景部分像素概率，确定目标病灶部分的中心点；
S3.2：根据目标病灶部分像素概率和背景部分像素概率计算裁剪阈值，裁剪阈值的计算公式为：
其中，H表示裁剪阈值，P表示目标病灶部分和背景部分的交叉概率，ω0表示目标病灶部分像素概率，ω1表示背景部分像素概率，μ0表示目标病灶部分灰度均值，μ1表示背景部分灰度均值，δ0表示目标病灶部分类内均方差，δ1表示背景部分类内均方差；
S3.3：根据目标病灶部分的中心点和裁剪阈值，对食道增强CT图像进行区域裁剪，获取食道增强CT图像的疑似病灶图像；
所述食管癌分期诊断网络包括特征提取层、感知层和输出层；
所述特征提取层包括病灶空间特征提取模块和病灶时序语义特征提取模块，所述病灶空间特征提取模块用于根据正则化和维度变换将疑似病灶图像的4C通道数缩减至2C，提取疑似病灶图像的影像组学信息，对影像组学信息进行度量，通过残差连接提取完成度量后的影像组学信息的病灶空间特征，所述病灶时序语义特征提取模块用于对疑似病灶图像进行三次插值和通道编码，按CT扫描时间为时间轴，逐张输入VGG16网络，通过卷积和池化提取病灶时序语义特征；
所述感知层，用于对所述病灶空间特征和所述病灶时序语义特征进行自乘和逆运算，获取相关性权重，根据相关性权重将病灶空间特征和病灶时序语义特征按位相加，并进行通道融合，通过sigmoid激活函数输出感知层的感知特征；
所述输入层，用于根据相似性匹配寻找与感知特征最佳匹配的神经元，根据最佳匹配的神经元确定疑似病灶图像的食管癌分期类型并输出结果；
其中，所述影像组学信息包括病灶形态学信息、病灶统计量信息和病灶纹理矩阵信息，所述度量包括最大相关性度量和最小冗余度度量，所述食管癌分期类型包括无食管癌、食管癌早期、食管癌中期和食管癌末期；
一种基于图像处理的食管癌筛查系统，所述系统包括CT图像增强模块、食管癌区分模块和疑似食管癌筛查模块；
所述CT图像增强模块，用于对待筛查人员的食道平扫CT图像进行增强，将食道平扫CT图像转化为食道增强CT图像；
所述食管癌区分模块用于对食道增强CT图像进行时频分析，将食道增强CT图像区分为正常食道图像和疑似食管癌图像；
所述疑似食管癌筛查模块，用于对属于食管癌图像类别的食道增强CT图像进行区域裁剪，提取食道增强CT图像的疑似病灶图像，并通过食管癌分期诊断网络对输入参数进行训练，输出疑似食管癌图像的筛查结果；
所述CT图像增强模块包括：
关联点区分单元，用于遍历食道平扫CT图像的每一个像素点，以该像素点作为中心点，中心点周围3x3大小的像素矩阵作为窗口模版，计算窗口模版中每一个像素点与中心点的灰色关联度，确定该像素点是否是中心点的关联点；
噪声点去噪单元，用于对标记为噪声点的中心点进行去噪；
均衡图像增强单元，用于计算食道平扫CT图像的能量梯度，根据能量梯度确定食道平扫CT图像的分块数，对食道平扫CT图像进行分块，获取食道平扫CT图像每个子块的直方图，通过直方图均衡化生成每个子块的均衡化直方图，获取食道平扫CT均衡图像，对食道平扫CT均衡图像进行离散小波变换，获取食道平扫CT均衡图像的低频分量与高频分量，通过归一化细节系数对低频分类和高频分量进行增强，获取食道CT增强图像；
所述食管癌筛查模块包括：
病灶裁剪单元，用于对属于食管癌图像类别的食道增强CT图像进行区域裁剪，提取食道增强CT图像的疑似病灶图像；
食管癌诊断单元，用于构建食管癌分期诊断网络，通过食管癌分期诊断网络对输入参数进行训练，输出疑似食管癌图像的筛查结果。
与现有技术相比，本发明的有益效果是：
1.本发明针对食管癌临床影像诊断过程中，部分人无法做CT增强图像的情况，提出一种平扫CT图像的增强方法，生成的增强图像包含更多食道部位的细节信息，提高食管癌筛查的普适性：
2.本发明针对食管癌图像分类工作量大的问题，以增强后的CT图像为基础，通过SVM分类算法对食道增强CT图像的纹理细节信息进行分类，提取疑似食管癌图像，并对疑似食管癌图像进行病灶区域裁剪，降低对食管癌分期工作的复杂度；
3.本发明针对食管癌分期准确率低的问题，通过构建食管癌分期诊断网络，提取疑似病灶图像的病灶空间特征和所述病灶时序语义特征，增加食管癌病灶部位的特征信息，通过感知器注意力机制实现食管癌的精准分期。
附图说明
通过阅读参照以下附图所作的对非限制性实施例的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例1一种基于图像处理的食管癌筛查方法的流程示意图；
图2为本发明实施例1食道平扫CT图像去噪流程图；
图3为本发明实施例1小波变换的分解示意图；
图4为本发明实施例2一种基于图像处理的食管癌筛查系统模块图。
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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。
实施例1：
请参阅图1，本发明提供的一种实施例：一种基于图像处理的食管癌筛查方法，包括以下步骤；
S1：获取待筛查人员的食道平扫CT图像序列，通过CT图像增强策略将食道平扫CT图像序列转化为食道增强CT图像序列；
S2：通过小波变换对食道增强CT图像序列中每一张食道增强CT图像进行时频分析，提取食道增强CT图像的纹理细节信息，根据基于SVM的食道图像分类算法对所述食道增强CT图像的纹理细节信息进行分类，输出食道增强CT图像的类别，所述类别包括正常食道图像和疑似食管癌图像；
S3：对属于食管癌图像类别的食道增强CT图像序列进行区域裁剪，提取食道增强CT图像序列的疑似病灶图像序列；
S4：构建食管癌分期诊断网络，将所述疑似病灶图像序列作为所述食管癌分期诊断网络的输入参数，通过食管癌分期诊断网络对输入参数进行训练，输出疑似食管癌图像序列的筛查结果；
所述S1中所述CT图像增强策略具体步骤如下：
S1.1：遍历食道平扫CT图像序列中单张食道平扫CT图像的每一个像素点，以该像素点作为中心点，中心点周围3x3大小的像素矩阵作为窗口模版，计算窗口模版中每一个像素点与中心点的灰色关联度，将灰色关联度与关联阈值进行对比，如果灰色关联度大于关联阈值，将像素点标记为关联点，像素点与中心点的灰色关联度计算公式为：
其中，Gc表示像素点与中心点的灰色关联度，min表示求最小值函数，|·|表示绝对值函数，max表示求最大值函数，ED(i，c)表示像素点与中心点之间的欧氏距离，Xi表示像素点的灰度值，Xe表示像素矩阵中其他像素点的灰度值，λ表示关联系数，e表示像素矩阵中单个像素点；
S1.2：统计窗口模版中关联点的数量，如果小于四个，将该中心点标记为噪声点，并通过灰色微分预测对噪声点进行去噪；
S1.3：根据去噪后的食道平扫CT图像，计算食道平扫CT图像的能量梯度，根据能量梯度确定食道平扫CT图像的分块数，对食道平扫CT图像进行分块，获取食道平扫CT图像每个子块的直方图，通过直方图均衡化生成每个子块的均衡化直方图，获取食道平扫CT均衡图像，其中，食道平扫CT图像的分块数的计算公式为：
其中，Q表示食道平扫CT图像的分块数，m{·}表示向下取整函数，i表示食道平扫CT图像的单个像素点，I表示食道平扫CT图像的像素点总数量，Fi表示第i个像素点的能量梯度，F表示能量梯度总和，M表示食道平扫CT图像的长度，N表示食道平扫CT图像的宽度，q表示比例系数，其中，第i个像素点的能量梯度的计算公式为：
Fi＝Eix·[fi(x+1，y)-fi(x，y)]2+Eiy·[fi(x，y+1)-fi(x，y)]2，
其中，Eix表示第i个像素点在横向方向的能量分量，(x，y)表示第i个像素点的坐标，fi(x，y)表示第i个像素点的像素值，Eiy第i个像素点在纵向方向的能量分量；
S1.4：对食道平扫CT均衡图像进行离散小波变换，获取食道平扫CT均衡图像的低频分量与高频分量，运行线性运算对食道平扫CT均衡图像的两层高频信息进行增强，并通过归一化细节系数对高频部分和低频部分进行加权，再通过小波逆运算恢复为原来大小的食道平扫CT均衡图像，获取食道CT增强图像，重复步骤获取食道CT增强图像序列；
请参阅图2，本发明实施例食道平扫CT图像去噪流程图，遍历食道平扫CT图像的每一个像素点，根据像素点周围像素矩阵中的关联度数量判断像素点是否为噪声点，对噪声点进行去噪；
所述纹理细节信息包括食道CT增强图像的水平低频信息、垂直高频信息和对角线高频信息；
请参阅图3，本发明实施例小波变换的分解示意图，通过低通滤波器和高通滤波器分别从行和列两个方向上对食道平扫CT均衡图像进行处理，分解为高频部分和低频部分，其中，低频部分是低频信息，高频部分是/>水平方向高频信息、/>垂直方向高频信息和/>对角线高频信息，/>用于反映食道平扫CT均衡图像的全貌，/>知/>用于反映食道平扫CT均衡图像的细节部分，对低频信息再进行一次小波变换，获取下一层的低频信息/>高频部分信息/>知/>
所述基于SVM的食道图像分类算法通过径向量基核函数将所述食道增强CT图像的纹理细节信息映射至高维特征空间，根据结构风险最小化原则在高维特征空间内构造纹理细节信息的最优分类超平面；
所述S3具体步骤如下：
S3.1：提取属于食管癌图像类别的食道增强CT图像的总像素值，计算目标病灶部分像素概率和背景部分像素概率，确定目标病灶部分的中心点；
S3.2：根据目标病灶部分像素概率和背景部分像素概率计算裁剪阈值，裁剪阈值的计算公式为：
其中，H表示裁剪阈值，P表示目标病灶部分和背景部分的交叉概率，ω0表示目标病灶部分像素概率，ω1表示背景部分像素概率，μ0表示目标病灶部分灰度均值，μ1表示背景部分灰度均值，δ0表示目标病灶部分类内均方差，δ1表示背景部分类内均方差；
S3.3：根据目标病灶部分的中心点和裁剪阈值，对食道增强CT图像进行区域裁剪，获取食道增强CT图像的疑似病灶图像；
所述食管癌分期诊断网络包括特征提取层、感知层和输出层；
所述特征提取层包括病灶空间特征提取模块和病灶时序语义特征提取模块，所述病灶空间特征提取模块用于根据正则化和维度变换将疑似病灶图像的4C通道数缩减至2C，提取疑似病灶图像的影像组学信息，对影像组学信息进行度量，通过残差连接提取完成度量后的影像组学信息的病灶空间特征，所述病灶时序语义特征提取模块用于对疑似病灶图像进行三次插值和通道编码，按CT扫描时间为时间轴，逐张输入VGG16网络，通过卷积和池化提取病灶时序语义特征；
所述感知层，用于对所述病灶空间特征和所述病灶时序语义特征进行自乘和逆运算，获取相关性权重，根据相关性权重将病灶空间特征和病灶时序语义特征按位相加，并进行通道融合，通过sigmoid激活函数输出感知层的感知特征；
所述输入层，用于根据相似性匹配寻找与感知特征最佳匹配的神经元，根据最佳匹配的神经元确定疑似病灶图像的食管癌分期类型并输出结果；
其中，所述影像组学信息包括病灶形态学信息、病灶统计量信息和病灶纹理矩阵信息，所述度量包括最大相关性度量和最小冗余度度量，所述食管癌分期类型包括无食管癌、食管癌早期、食管癌中期和食管癌末期。
实施例2：
请参阅图2，本发明提供一种实施例：一种基于图像处理的食管癌筛查系统，所述系统包括CT图像增强模块、食管癌区分模块和疑似食管癌筛查模块；
所述CT图像增强模块，用于对待筛查人员的食道平扫CT图像进行增强，将食道平扫CT图像转化为食道增强CT图像；
所述食管癌区分模块用于对食道增强CT图像进行时频分析，将食道增强CT图像区分为正常食道图像和疑似食管癌图像；
所述疑似食管癌筛查模块，用于对属于食管癌图像类别的食道增强CT图像进行区域裁剪，提取食道增强CT图像的疑似病灶图像，并通过食管癌分期诊断网络对输入参数进行训练，输出疑似食管癌图像的筛查结果；
所述CT图像增强模块包括：
关联点区分单元，用于遍历食道平扫CT图像的每一个像素点，以该像素点作为中心点，中心点周围3x3大小的像素矩阵作为窗口模版，计算窗口模版中每一个像素点与中心点的灰色关联度，确定该像素点是否是中心点的关联点；
噪声点去噪单元，用于对标记为噪声点的中心点进行去噪；
均衡图像增强单元，用于计算食道平扫CT图像的能量梯度，根据能量梯度确定食道平扫CT图像的分块数，对食道平扫CT图像进行分块，获取食道平扫CT图像每个子块的直方图，通过直方图均衡化生成每个子块的均衡化直方图，获取食道平扫CT均衡图像，对食道平扫CT均衡图像进行离散小波变换，获取食道平扫CT均衡图像的低频分量与高频分量，通过归一化细节系数对低频分量和高频分量进行增强，获取食道CT增强图像；
所述食管癌筛查模块包括：
病灶裁剪单元，用于对属于食管癌图像类别的食道增强CT图像进行区域裁剪，提取食道增强CT图像的疑似病灶图像；
食管癌诊断单元，用于构建食管癌分期诊断网络，通过食管癌分期诊断网络对输入参数进行训练，输出疑似食管癌图像的筛查结果。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (7)

1.一种基于图像处理的食管癌筛查方法，其特征在于，包括以下步骤；
S1：获取待筛查人员的食道平扫CT图像序列，通过CT图像增强策略将食道平扫CT图像序列转化为食道增强CT图像序列；
S2：通过小波变换对食道增强CT图像序列中每一张食道增强CT图像进行时频分析，提取食道增强CT图像的纹理细节信息，根据基于SVM的食道图像分类算法对所述食道增强CT图像的纹理细节信息进行分类，输出食道增强CT图像的类别，所述类别包括正常食道图像和疑似食管癌图像；
S3：对属于食管癌图像类别的食道增强CT图像序列进行区域裁剪，提取食道增强CT图像序列的疑似病灶图像序列；
S4：构建食管癌分期诊断网络，将所述疑似病灶图像序列作为所述食管癌分期诊断网络的输入参数，通过食管癌分期诊断网络对输入参数进行训练，输出疑似食管癌图像序列的筛查结果。
2.根据权利要求1所述一种基于图像处理的食管癌筛查方法，其特征在于，所述S1中所述CT图像增强策略具体步骤如下：
S1.1：遍历食道平扫CT图像序列中单张食道平扫CT图像的每一个像素点，以该像素点作为中心点，中心点周围3x3大小的像素矩阵作为窗口模版，计算窗口模版中每一个像素点与中心点的灰色关联度，将灰色关联度与关联阈值进行对比，如果灰色关联度大于关联阈值，将像素点标记为关联点；
S1.2：统计窗口模版中关联点的数量，如果小于四个，将该中心点标记为噪声点，并通过灰色微分预测对噪声点进行去噪；
S1.3：根据去噪后的食道平扫CT图像，计算食道平扫CT图像的能量梯度，根据能量梯度确定食道平扫CT图像的分块数，对食道平扫CT图像进行分块，获取食道平扫CT图像每个子块的直方图，通过直方图均衡化生成每个子块的均衡化直方图，获取食道平扫CT均衡图像，其中，食道平扫CT图像的分块数的计算公式为：
其中，Q表示食道平扫CT图像的分块数，m{·}表示向下取整函数，i表示食道平扫CT图像的单个像素点，I表示食道平扫CT图像的像素点总数量，Fi表示第i个像素点的能量梯度，F表示能量梯度总和，M表示食道平扫CT图像的长度，N表示食道平扫CT图像的宽度，q表示比例系数，其中，第i个像素点的能量梯度的计算公式为：
Fi＝Eix·[fi(x+1，y)-fi(x，y)]2+Eiy·[fi(x，y+1)-fi(x，y)]2，
其中，Eix表示第i个像素点在横向方向的能量分量，(x，y)表示第i个像素点的坐标，fi(x，y)表示第i个像素点的像素值，Eiy第i个像素点在纵向方向的能量分量；
S1.4：对食道平扫CT均衡图像进行离散小波变换，获取食道平扫CT均衡图像的低频分量与高频分量，通过归一化细节系数对低频分量和高频分量进行增强，获取食道CT增强图像，重复步骤获取食道CT增强图像序列。
3.根据权利要求2所述一种基于图像处理的食管癌筛查方法，其特征在于，所述纹理细节信息包括食道CT增强图像的低频信息、水平高频信息、垂直高频信息和对角线高频信息。
4.根据权利要求3所述一种基于图像处理的食管癌筛查方法，其特征在于，所述基于SVM的食道图像分类算法通过径向量基核函数将所述食道增强CT图像的纹理细节信息映射至高维特征空间，根据结构风险最小化原则在高维特征空间内构造纹理细节信息的最优分类超平面。
5.根据权利要求4所述一种基于图像处理的食管癌筛查方法，其特征在于，所述S3具体步骤如下：
S3.1：提取属于食管癌图像类别的食道增强CT图像的总像素值，计算目标病灶部分像素概率和背景部分像素概率，确定目标病灶部分的中心点；
S3.2：根据目标病灶部分像素概率和背景部分像素概率计算裁剪阈值，裁剪阈值的计算公式为：
其中，H表示裁剪阈值，P表示目标病灶部分和背景部分的交叉概率，ω0表示目标病灶部分像素概率，ω1表示背景部分像素概率，μ0表示目标病灶部分灰度均值，μ1表示背景部分灰度均值，δ0表示目标病灶部分类内均方差，δ1表示背景部分类内均方差；
S3.3：根据目标病灶部分的中心点和裁剪阈值，对食道增强CT图像进行区域裁剪，获取食道增强CT图像的疑似病灶图像。
6.根据权利要求5所述一种基于图像处理的食管癌筛查方法，其特征在于，所述食管癌分期诊断网络包括特征提取层、感知层和输出层；
所述特征提取层包括病灶空间特征提取模块和病灶时序语义特征提取模块，所述病灶空间特征提取模块用于根据正则化和维度变换将疑似病灶图像的4C通道数缩减至2C，提取疑似病灶图像的影像组学信息，对影像组学信息进行度量，通过残差连接提取完成度量后的影像组学信息的病灶空间特征，所述病灶时序语义特征提取模块用于对疑似病灶图像进行三次插值和通道编码，按CT扫描时间为时间轴，逐张输入VGG16网络，通过卷积和池化提取病灶时序语义特征；
所述感知层，用于对所述病灶空间特征和所述病灶时序语义特征进行自乘和逆运算，获取相关性权重，根据相关性权重将病灶空间特征和病灶时序语义特征按位相加，并进行通道融合，通过sigmoid激活函数输出感知层的感知特征；
所述输入层，用于根据相似性匹配寻找与感知特征最佳匹配的神经元，根据最佳匹配的神经元确定疑似病灶图像的食管癌分期类型并输出结果；
其中，所述影像组学信息包括病灶形态学信息、病灶统计量信息和病灶纹理矩阵信息，所述度量包括最大相关性度量和最小冗余度度量，所述食管癌分期类型包括无食管癌、食管癌早期、食管癌中期和食管癌末期。
7.一种基于图像处理的食管癌筛查系统，基于如权利要求1-6任一项所述的一种基于图像处理的食管癌筛查方法实现，其特征在于，所述系统包括CT图像增强模块、食管癌区分模块和疑似食管癌筛查模块；
所述CT图像增强模块，用于对待筛查人员的食道平扫CT图像进行增强，将食道平扫CT图像转化为食道增强CT图像；
所述食管癌区分模块用于对食道增强CT图像进行时频分析，将食道增强CT图像区分为正常食道图像和疑似食管癌图像；
所述疑似食管癌筛查模块，用于对属于食管癌图像类别的食道增强CT图像进行区域裁剪，提取食道增强CT图像的疑似病灶图像，并通过食管癌分期诊断网络对输入参数进行训练，输出疑似食管癌图像的筛查结果。
CN202410323005.1A 2024-03-20 2024-03-20 一种基于图像处理的食管癌筛查系统及方法 Pending CN118136237A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410323005.1A CN118136237A (zh) 2024-03-20 2024-03-20 一种基于图像处理的食管癌筛查系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410323005.1A CN118136237A (zh) 2024-03-20 2024-03-20 一种基于图像处理的食管癌筛查系统及方法

Publications (1)

Publication Number Publication Date
CN118136237A true CN118136237A (zh) 2024-06-04

Family

ID=91245397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410323005.1A Pending CN118136237A (zh) 2024-03-20 2024-03-20 一种基于图像处理的食管癌筛查系统及方法

Country Status (1)

Country Link
CN (1) CN118136237A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118522466A (zh) * 2024-07-19 2024-08-20 江南大学附属医院 腹膜疾病风险预测方法、系统、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114664444A (zh) * 2022-03-18 2022-06-24 南京亨达生物科技有限公司 一种慢性乙肝肝硬化预测模型的构建方法及其预测方法
CN114758032A (zh) * 2022-06-15 2022-07-15 之江实验室 基于时空注意力模型的多相期ct图像分类系统及构建方法
CN114782307A (zh) * 2022-02-11 2022-07-22 安徽医科大学第一附属医院 基于深度学习的增强ct影像直肠癌分期辅助诊断系统
CN114897094A (zh) * 2022-06-01 2022-08-12 西南科技大学 一种基于注意力双支路特征融合的食管早癌病灶分割方法
CN115131290A (zh) * 2022-05-24 2022-09-30 阿里巴巴（中国）有限公司 图像处理方法
DE202023103114U1 (de) * 2023-06-06 2023-06-19 Ayan Kumar Das Ein IoT-fähiges System zur Erkennung von Hirntumoren, das ein Kapselnetzwerk und einen Aufmerksamkeitsmechanismus nutzt
CN116385720A (zh) * 2023-03-09 2023-07-04 江苏师范大学 一种乳腺癌病灶超声波图像分割算法
CN117218129A (zh) * 2023-11-09 2023-12-12 四川大学 食道癌图像识别分类方法、系统、设备及介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114782307A (zh) * 2022-02-11 2022-07-22 安徽医科大学第一附属医院 基于深度学习的增强ct影像直肠癌分期辅助诊断系统
CN114664444A (zh) * 2022-03-18 2022-06-24 南京亨达生物科技有限公司 一种慢性乙肝肝硬化预测模型的构建方法及其预测方法
CN115131290A (zh) * 2022-05-24 2022-09-30 阿里巴巴（中国）有限公司 图像处理方法
CN114897094A (zh) * 2022-06-01 2022-08-12 西南科技大学 一种基于注意力双支路特征融合的食管早癌病灶分割方法
CN114758032A (zh) * 2022-06-15 2022-07-15 之江实验室 基于时空注意力模型的多相期ct图像分类系统及构建方法
CN116385720A (zh) * 2023-03-09 2023-07-04 江苏师范大学 一种乳腺癌病灶超声波图像分割算法
DE202023103114U1 (de) * 2023-06-06 2023-06-19 Ayan Kumar Das Ein IoT-fähiges System zur Erkennung von Hirntumoren, das ein Kapselnetzwerk und einen Aufmerksamkeitsmechanismus nutzt
CN117218129A (zh) * 2023-11-09 2023-12-12 四川大学 食道癌图像识别分类方法、系统、设备及介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHEN LI，等: "Radiomics Analysis of Lymph Nodes with Esophageal Squamous Cell Carcinoma Based on Deep Learning", JOURNAL OF ONCOLOGY, vol. 2022, no. 1, 21 October 2022 (2022-10-21), pages 1 - 11 *
严妍, 李印, 等: "机器人食管Ivor Lewis手术的临床应用", 机器人外科学杂志, 10 September 2024 (2024-09-10), pages 1 - 14 *
刘筠，等: "《当代医学影像误诊学》", 31 October 2021, 天津科学技术出版社, pages: 704 - 706 *
颜蕾;杨光杰;聂佩;苗文杰;龚爱迪;赵钰鋆;崔景景;贾妍;华闻达;王振光;: "基于CT影像组学模型鉴别肾乏脂肪血管平滑肌脂肪瘤与均质肾透明细胞癌", 中国医学影像技术, no. 05, 20 May 2020 (2020-05-20), pages 98 - 103 *
高晨;王世威;许茂盛;: "肺癌影像的人工智能研究", 中国中西医结合影像学杂志, no. 03, 21 May 2020 (2020-05-21), pages 5 - 9 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118522466A (zh) * 2024-07-19 2024-08-20 江南大学附属医院 腹膜疾病风险预测方法、系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Shorfuzzaman An explainable stacked ensemble of deep learning models for improved melanoma skin cancer detection
Ahammed et al. A machine learning approach for skin disease detection and classification using image segmentation
CN118136237A (zh) 一种基于图像处理的食管癌筛查系统及方法
AR et al. A deep learning-based lung cancer classification of CT images using augmented convolutional neural networks
Rahmawaty et al. Classification of breast ultrasound images based on texture analysis
CN112614093A (zh) 基于多尺度空间注意力网络的乳腺病理图像分类方法
Ibraheem et al. A non-invasive automatic skin cancer detection system for characterizing malignant melanoma from seborrheic keratosis
CN115511882A (zh) 一种基于病变权重特征图的黑色素瘤识别方法
Kumar et al. Genetic Algorithm Based Feature Selection Brain Tumour Segmentation and Classification.
Altaei et al. Brain tumor detection and classification using SIFT in MRI images
Van Der Sommen et al. Computer-aided detection of early cancer in the esophagus using HD endoscopy images
CN114565786A (zh) 基于通道注意力机制的断层扫描图像分类装置和方法
Genc et al. Automated abnormality classification of chest radiographs using MobileNetV2
Shobarani et al. Melanoma Malignancy Prognosis Using Deep Transfer Learning
Xu Comparison of CNN Models in Non-small Lung Cancer Diagnosis
CN116310569A (zh) 一种基于鲁棒纹理特征的乳腺病变检测与分类装置
CN116168228A (zh) 多维特征联合的肿瘤高光谱图像分类方法及系统
Sahu et al. Segmentation of encephalon tumor by applying soft computing methodologies from magnetic resonance images
Sonawane et al. Identification of Skin Disease Using Machine Learning
CN113920071A (zh) 一种基于卷积神经网络算法的新冠病毒图像识别方法
Mahersia et al. CAD system for lung nodules detection using wavelet-based approach and intelligent classifiers
Goel et al. Improved detection of brain tumor & classification using CNN
Singh et al. Two-level combined classification technique using ranklet transformation for the detection of MRI brain tumor
Patibandla et al. CT Image Precise Denoising Model with Edge Based Segmentation with Labeled Pixel Extraction Using CNN Based Feature Extraction for Oral Cancer Detection
Barbhuiya et al. Hybrid image segmentation model using KM, FCM, Wavelet KM and Wavelet FCM Techniques

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