CN1331454A - 医学数字图象动态监测方法 - Google Patents
医学数字图象动态监测方法 Download PDFInfo
- Publication number
- CN1331454A CN1331454A CN00119134A CN00119134A CN1331454A CN 1331454 A CN1331454 A CN 1331454A CN 00119134 A CN00119134 A CN 00119134A CN 00119134 A CN00119134 A CN 00119134A CN 1331454 A CN1331454 A CN 1331454A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- gray
- phase
- stack
- 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
Links
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明属于医学图象处理方法。本方法是通过前后两个不同时期图象的定位叠加对比来获取人体病变变化的信息,根据计算机能分辨256级灰阶,人眼只能分辨16级灰阶的原理,将这些变化信息进行增强处理,从而达到对早期肉眼难以识别的微小变化进行预览的目的,预警相关的兴趣区,有助于人眼后来对预警区微小病变的早期发现和动态观察(见附图),在大量人群中能提高部分恶性肿瘤的早期发现,对微小病变最后的医生定性诊断具有重要的参考意义。本发明适用于螺旋CT、常规CT、X光数字摄影图像、磁共振(MRI)等医学数字图象的动态监测对比。我国每年患肿瘤的病人众多,本发明的广泛运用必然带来显著的社会效益和经济效益。
Description
本发明属于医学图象处理方法。
目前医院收治的恶性肿瘤病人，绝大多数为中晚期，这种病人的五年生存率明显小于早期发现早期治疗的病人，而且在治疗中将消耗更多的资源和金钱。我国人口众多，每年患恶性肿瘤的病人也很多，他们在进入中晚期以前，很少被发现，因此，早期病变的发现是个很重要的问题。
但早期病变的发现，需要检查医生有很强的医学专业知识，同时受到人眼观察范围的局限，微小病变在早期经常漏诊。据国外文献报道，在具有良好对比度的肺野图象内，公认能发现的最小病灶的直径为7～9毫米，故日常检查中，微小病变极容易漏诊[1]。
目前医学图象处理技术，如多层面重建技术(MPR)、多层面容积重建技术(MPVR)、表面遮盖法重建技术(SSD)、仿真内镜重建技术(VE)和容积重建技术等[2]，多限于对一次检查的图象进行增强、重建处理，使医生能对现有的病变观察得更清楚，而对不同时相医学数字图象进行动态监测以发现微小病变的技术还没有。
同时，由于人眼只能分辨16级灰阶，以CT图像为例，如窗宽为1600，一个灰阶内CT值变化范围就是1600/16等于100汉斯菲尔德(HU)，小于100个HU的变化，人眼无法看见。调节窗宽可以改变一个灰阶内的CT值变化范围，较小的CT值变化，可用人工缩小窗宽来仔细观察[3]，目前这种观察只限于一张图象上进行。而且由于人体不同组织密度相差甚大，一般CT检查时，均根据不同检查部位和组织，而预先设定了固定的窗宽，如肺窗为1600，软组织窗为350，脑窗为80等，故在日常大量检查时，对没有兴趣区的大范围人工调节窗宽是费时和极不方便的。
本方法是通过前后两个不同时期图象的定位叠加对比来获取人体病变变化的信息，利用计算机较人眼分辨信息的能力强的特性，将这些变化信息分辨出来并进行放大，从而达到对早期肉眼无法识别的微小变化进行预览的目的，预警相关的兴趣区，有助于人眼后来对预警区微小病变的早期发现和动态观察，在大量人群中能提高部分恶性肿瘤的早期发现。
本方法的技术路线(见图1)，首先是从工作站读取图象，然后将不同时期的图象在工作站显示屏上进行定位叠加，由计算机进行差值对比运算，得出人体前后动态变化的信息，为了增强可能发生异常病变区域的视觉效果，将经过影像差值后的图象进行增强处理，获得病变变化的图象，最后把图象存储和摄片，供医生随时调用。
1.图象读取：以CT图象为例，本方法从工作站读取的图象是原始数据经窗口技术处理后的灰度图象(含256级灰阶)。
2.定位叠加：在定位叠加前，应最好保证前后对比的影像为人体同一层面。这一点可以在检查病人时，利用平静呼吸时所摄定位片上人体的骨性解剖标志，规定前后扫描范围的起点和终点相同，同时采用相同的扫描层厚、层间隔等扫描参数来实现，这样获取的前后影像叠加效果良好。而对于没有采用本专利技术以前获得的不同时相的影像，由于层面和部位不完全一致，可以采用平移、旋转等算法，调节兴趣区的位置，来进行定位叠加，经过下述的差值对比、图象增强处理，也能提供有价值的变化信息。
3.差值对比：根据波谱理论和遥感动态监测的原理，采用影像差值法(数学关系式①)，对两幅相同窗宽窗位的影像中的同一像素，用后一时相的灰度值减去前一时相的灰度值，即可获得两个时相的灰度值变化。当人体发生病变时，必然反映为影像上的灰度变化，而在没有任何变化的情况下，两者灰度值的差应为零。因此，经过影像的差值逻辑算法后，获得的影像即是两时相间人体的动态变化图象。
Dij＝Dij (2)－Dij (2)＋C ①
式中：Dij为两时相的影像灰度差值；Dij (1)，Dij (2)分别代表第1，2时相的影像灰度值；i，j为像素的行、列数；C为人为选定的常数(可调节)，以消除减法运算中可能出现的负值。
4.图象增强处理：本技术主要是为了早期发现病变，而早期病变的影像变化一般在一定的灰阶范围内。
本技术对此灰阶范围的确定采用如下数学关系式②，在实际工作中也可凭经验进行调整。
△D＝△C÷(窗宽/256级灰阶) ②
式中，△D为最大灰阶变化值，△C为异常组织与正常组织CT值的差值(单位：HU)，窗宽的单位为HU。
如在肺窗定为1600HU时，扫描层厚为8mm，病灶直径为3mm，由于周围肺组织的容积效应，测得的病灶CT值约为-400HU，周围正常肺组织为-700HU，此时△D是48，则病变的灰阶变化范围参考值是0～48级灰阶；对于肝来说，软组织窗设定为350HU时，扫描层厚为8mm，病灶直径为5mm，由于周围正常肝组织的容积效应，测得的病灶CT值约为35HU，周围正常肝组织为55HU，此时△D是14.63，则病变的灰阶变化范围参考值是0～15级灰阶。
根据读取影像的量化信息为8比特(256级灰阶)，而人眼能分辨的量化信息只有4比特(16级灰阶)的原理，本技术通过在不同的阈值范围内调整上式中的C值，把影像中反映早期病变的较小灰阶变化区域进行灰度值放大，使之突出出来；同时对于定位叠加欠佳带来的伪影灰阶变化，也通过调节C值予以消除。最后获得图象，一般的医生就可以根据图象中变化区域的形状、位置，确定预警兴趣区，这对进行大量、快速的病变初筛工作是有益的，有助于病变的早期发现和早期诊断。
5.显示输出和存贮：最后获得的图象在工作站的显示屏上显示和摄片，病人图象资料可存贮在磁带、盒式磁带、光盘、磁光盘、软盘上，供随时调用。
由于引入差值对比的方法，而且计算机能分辨256级灰阶，人眼只能分辨16级灰阶，故在相同窗宽窗位条件下计算机能发现肉眼看不见的微小灰阶变化和形态变化，经过增强处理，实现小病灶的动态观察，并能发现CT平扫不能发现的软组织密度的小肿瘤病灶内的小血管(如图2)和小病灶恶性肿瘤生长方式形状的信息(如图3)，有助于微小病变出现时的早期发现，对微小病变最后的医生定性诊断具有重要的参考意义。
本方法适用于螺旋CT、常规CT、X光数字摄影图像、磁共振(MRI)等医学数字图像的动态监测对比。
参考文献：[1]Kakinuma Ryutaro，Ohmatsu Hironobu，Kaneko Masahiro，et al.Detection Failuresin Spiral CT ScreeningforLung Cancer：Analysis of CT Findings.Radiology，1999，212：61-66。[2]周康荣主编.螺旋CT.上海：上海医科大学出版社，1998年。12-32页。[3]李果珍主编。临床CT诊断学。北京：中国科学技术出版社。1994年。8-9页。
Claims (3)
- 医学数字图象动态监测方法，从工作站读取图象，将不同时期相同病人相同层面、相同扫描参数、相同窗宽窗位的图象在显示屏上进行定位叠加，由计算机进行差值对比运算(如下列数学关系式①)，得出人体前后时相的动态变化灰阶值图象，然后通过调节数学关系式中的C值，对一定灰阶变化区域进行灰度值放大，使之有足够的视觉效果；对由于定位叠加欠佳产生的伪影灰阶区域，予以消除，最后获得前后不同时相病变的灰阶变化图象。其特征在于：(1)对同一病人前后不同时相的图象进行定位叠加；
- (2)应用影像差值法，监测病人前后两次影像的动态变化；
- (3)通过灰阶值放大，把人眼难以识别的微小病变突出出来，对定位欠佳产生的伪影予以尽量消除，获得病变的灰阶变化图。Dij＝Dij (2)－Dij (1)＋C ①(式中：Dij为两时相的影像灰度差值；Dij (1)，Dij (2)分别代表第1，2时相的影像灰度值；i，j为像素的行、列数；C为可调节的常数，用以消除减法运算中可能出现的负值。)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN00119134A CN1331454A (zh) | 2000-06-24 | 2000-06-24 | 医学数字图象动态监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN00119134A CN1331454A (zh) | 2000-06-24 | 2000-06-24 | 医学数字图象动态监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN1331454A true CN1331454A (zh) | 2002-01-16 |
Family
ID=4587512
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN00119134A Pending CN1331454A (zh) | 2000-06-24 | 2000-06-24 | 医学数字图象动态监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN1331454A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100415158C (zh) * | 2006-09-08 | 2008-09-03 | 浙江大学 | 一种扩展光学相干层析成像动态范围的方法 |
| US7423657B2 (en) | 2003-09-03 | 2008-09-09 | Olympus Corporation | Image display apparatus, image display program, image display method, and recording medium for recording the image display program |
| CN100485775C (zh) * | 2003-09-03 | 2009-05-06 | 奥林巴斯株式会社 | 图像显示装置和图像显示方法 |
| CN100565582C (zh) * | 2006-12-31 | 2009-12-02 | 四川大学华西医院 | 一种筛选食管微小病变的图像处理方法 |
| CN1930584B (zh) * | 2004-01-08 | 2012-11-14 | 美国西门子医疗解决公司 | 对医学图像进行滤波的系统和方法 |
| CN101006465B (zh) * | 2004-06-18 | 2013-03-20 | 美国西门子医疗解决公司 | 横跨时间点链接vois以分析疾病进展或者对治疗的响应的系统和方法 |
| CN103499881A (zh) * | 2013-10-16 | 2014-01-08 | 无锡优创生物科技有限公司 | 一种x光片比对系统 |
| US9036945B2 (en) | 2002-11-21 | 2015-05-19 | Canon Kabushiki Kaisha | Medical image handling system and method |
| CN1773538B (zh) * | 2002-11-21 | 2016-08-03 | 佳能株式会社 | 医疗用图像处理系统和方法 |
| CN110264437A (zh) * | 2018-07-13 | 2019-09-20 | 首都医科大学附属北京友谊医院 | 密度数据分析方法、装置及电子设备 |
| CN112401915A (zh) * | 2020-11-19 | 2021-02-26 | 华中科技大学同济医学院附属协和医院 | 一种新冠肺炎ct复查的图像融合比对方法 |
| CN116977320A (zh) * | 2023-08-14 | 2023-10-31 | 中山火炬开发区人民医院 | Ct+mri病变区域突出预估系统 |
-
2000
- 2000-06-24 CN CN00119134A patent/CN1331454A/zh active Pending
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9036945B2 (en) | 2002-11-21 | 2015-05-19 | Canon Kabushiki Kaisha | Medical image handling system and method |
| CN1773538B (zh) * | 2002-11-21 | 2016-08-03 | 佳能株式会社 | 医疗用图像处理系统和方法 |
| US7423657B2 (en) | 2003-09-03 | 2008-09-09 | Olympus Corporation | Image display apparatus, image display program, image display method, and recording medium for recording the image display program |
| CN100485775C (zh) * | 2003-09-03 | 2009-05-06 | 奥林巴斯株式会社 | 图像显示装置和图像显示方法 |
| CN1930584B (zh) * | 2004-01-08 | 2012-11-14 | 美国西门子医疗解决公司 | 对医学图像进行滤波的系统和方法 |
| CN101006465B (zh) * | 2004-06-18 | 2013-03-20 | 美国西门子医疗解决公司 | 横跨时间点链接vois以分析疾病进展或者对治疗的响应的系统和方法 |
| CN100415158C (zh) * | 2006-09-08 | 2008-09-03 | 浙江大学 | 一种扩展光学相干层析成像动态范围的方法 |
| CN100565582C (zh) * | 2006-12-31 | 2009-12-02 | 四川大学华西医院 | 一种筛选食管微小病变的图像处理方法 |
| CN103499881B (zh) * | 2013-10-16 | 2016-01-13 | 无锡优创生物科技有限公司 | 一种x光片比对系统 |
| CN103499881A (zh) * | 2013-10-16 | 2014-01-08 | 无锡优创生物科技有限公司 | 一种x光片比对系统 |
| CN110264437A (zh) * | 2018-07-13 | 2019-09-20 | 首都医科大学附属北京友谊医院 | 密度数据分析方法、装置及电子设备 |
| CN110264437B (zh) * | 2018-07-13 | 2022-04-01 | 首都医科大学附属北京友谊医院 | 密度数据分析方法、装置及电子设备 |
| CN112401915A (zh) * | 2020-11-19 | 2021-02-26 | 华中科技大学同济医学院附属协和医院 | 一种新冠肺炎ct复查的图像融合比对方法 |
| CN116977320A (zh) * | 2023-08-14 | 2023-10-31 | 中山火炬开发区人民医院 | Ct+mri病变区域突出预估系统 |
| CN116977320B (zh) * | 2023-08-14 | 2024-04-26 | 中山火炬开发区人民医院 | Ct+mri病变区域突出预估系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tolonen et al. | Methodology, clinical applications, and future directions of body composition analysis using computed tomography (CT) images: a review | |
| Kom et al. | Automated detection of masses in mammograms by local adaptive thresholding | |
| Chang et al. | A clinically practical radiomics-clinical combined model based on PET/CT data and nomogram predicts EGFR mutation in lung adenocarcinoma | |
| US20060052690A1 (en) | Contrast agent imaging-driven health care system and method | |
| US9439621B2 (en) | Reduced image reading time and improved patient flow in automated breast ultrasound using enchanced, whole breast navigator overview images | |
| US20060228015A1 (en) | System and method for detection and display of diseases and abnormalities using confidence imaging | |
| KR20040024509A (ko) | 단층 촬영 유방 조영상 데이터의 컴퓨터 지원 분석 | |
| EP3552551B1 (en) | Reduced image reading time and improved patient flow in automated breast ultrasound using enhanced, whole-breast navigator overview image | |
| US9147242B2 (en) | Processing system for medical scan images | |
| CN1331454A (zh) | 医学数字图象动态监测方法 | |
| JP2005199057A (ja) | 肺画像データの位置合わせのための方法及び装置 | |
| Busch et al. | Computer aided automatic detection of malignant lesions in diffuse optical mammography | |
| JP5048233B2 (ja) | Ｃａｄシステムにおける解剖学的形状の検出のための方法及びシステム | |
| Song et al. | Hypervascular hepatic focal lesions on dynamic contrast-enhanced CT: preliminary data from arterial phase scans texture analysis for classification | |
| Huang et al. | Multi-parametric magnetic resonance imaging-based radiomics analysis of cervical cancer for preoperative prediction of lymphovascular space invasion | |
| JP2004046594A (ja) | 画像診断支援装置 | |
| Li et al. | Application analysis of ai technology combined with spiral CT scanning in early lung cancer screening | |
| Li et al. | Segmentation and accurate identification of large carious lesions on high quality x-ray images based on Attentional U-Net model. A proof of concept study | |
| US8045779B2 (en) | Method and device for evaluation of an image and/or of a time sequence of images of tissue or tissue samples | |
| Wells et al. | Reducing bladder artifacts in clinical pelvic SPECT images | |
| Hsu et al. | American College of Radiology breast imaging reporting and data system ultrasound: an overview of the second | |
| Kawashita et al. | Development of a deep-learning algorithm for age estimation on CT images of the vertebral column | |
| JP2638631B2 (ja) | 画像処理方法及び装置 | |
| Collins et al. | Computer-aided detection and diagnosis of breast cancer | |
| Li et al. | The concordance in lesion detection and characteristics between the Anatomical Intelligence and conventional breast ultrasound Scan method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |