[go: up one dir, main page]

CN111899850A - 医学影像的信息处理方法、显示方法及可读存储介质 - Google Patents

医学影像的信息处理方法、显示方法及可读存储介质 Download PDF

Info

Publication number
CN111899850A
CN111899850A CN202010806496.7A CN202010806496A CN111899850A CN 111899850 A CN111899850 A CN 111899850A CN 202010806496 A CN202010806496 A CN 202010806496A CN 111899850 A CN111899850 A CN 111899850A
Authority
CN
China
Prior art keywords
image
medical image
target area
layer
information processing
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
CN202010806496.7A
Other languages
English (en)
Inventor
石磊
程根
史晶
臧璇
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.)
Shanghai Yizhi Medical Technology Co ltd
Original Assignee
Shanghai Yizhi Medical Technology Co ltd
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 Shanghai Yizhi Medical Technology Co ltd filed Critical Shanghai Yizhi Medical Technology Co ltd
Priority to CN202010806496.7A priority Critical patent/CN111899850A/zh
Publication of CN111899850A publication Critical patent/CN111899850A/zh
Pending legal-status Critical Current

Links

Images

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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
    • G06F3/04845—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range for image manipulation, e.g. dragging, rotation, expansion or change of colour
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0487—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本公开涉及医学影像的信息处理方法，包括：提取医学影像中选定层影像的选定区域的影像特征；基于所述选定层的目标区域的影像特征，识别医学影像中靠近于所述选定层影像排列的其他层影像的目标区域；根据识别的目标区域，获得医学影像的信息。医学影像的显示方法，包括：响应于识别出的医学影像中多层影像的目标区域，更新所述目标区域的显示方式，所述显示方式包括渲染。通过本公开的各实施例能够能够补充深度学习算法模型分割的结果，辅助用户高效修改，更准确地量化和评估病灶。

Description

医学影像的信息处理方法、显示方法及可读存储介质
技术领域
本公开涉及智能化辅助医学诊断信息技术领域，具体涉及一种医学影像的信息处理方法、医学影像的显示方法以及计算机可读存储介质。
背景技术
现有技术，存在通过深度学习算法模型对病灶进行识别的方法和装置，但是无法对待识别以及识别的病灶实现编辑。另外，在病灶分析结果和评估结果的输出展示中需要人工重新定义，制约了诊断效率。
发明内容
本公开意图提供一种医学影像的信息处理方法、医学影像的显示方法以及计算机可读存储介质，能够补充深度学习算法模型分割的结果，辅助用户高效修改，更准确地量化和评估病灶。
根据本公开的方案之一，提供一种医学影像的信息处理方法，包括：
提取医学影像中选定层影像的选定区域的影像特征；
基于所述选定层的目标区域的影像特征，识别医学影像中靠近于所述选定层影像排列的其他层影像的目标区域；
根据识别的目标区域，获得医学影像的信息。
在一些实施例中，其中，
所述选定区域的选定方式，包括：
响应于操作体在所述选定层影像上的操作，确定勾勒线；
将勾勒线所围成的影像部分作为选定区域。
在一些实施例中，其中，所述响应于操作体在所述选定层影像上的操作，确定勾勒线，包括：
捕捉操作体的点击动作和/或移动动作；
响应于所述操作体的点击动作和/或移动动作，确定或者修改勾勒线。
在一些实施例中，其中，所述响应于操作体在所述选定层影像上的操作，确定勾勒线，包括：
捕捉操作体的移动轨迹；
基于所述操作体的移动轨迹和选定层影像中不同的对比度，确定勾勒线。
在一些实施例中，其中，所述选定区域的选定方式，包括：
获取选定层影像中不同区域的影像参数；
基于各影像参数的绝对值或者相邻区域的影像参数的相对值，确定勾勒线。
在一些实施例中，其中，所述提取医学影像中选定层影像的选定区域的影像特征，包括：提取选定区域的纹理特征；
所述基于所述选定层的目标区域的影像特征，识别医学影像中靠近于所述选定层影像排列的其他层影像的目标区域，包括：根据选定区域的纹理特征，识别所述目标区域，所述目标区域的纹理特征与所述选定区域的纹理特征相匹配。
在一些实施例中，其中，所述识别医学影像中靠近于所述选定层影像排列的其他层影像的目标区域，包括：识别至少两层所述其他层影像的目标区域；
所述根据识别的目标区域，获得医学影像的信息，包括：
获取至少两层其他层影像的目标区域的影像参数；
基于所述影像参数，获得医学影像中感兴趣区域的信息。
在一些实施例中，其中，所述医学影像包括CT胸部影像，所述医学影像的信息包括CT胸部影像中包含的病灶的信息。
根据本公开的方案之一，提供医学影像的显示方法，包括：
响应于识别出的医学影像中多层影像的目标区域，更新所述目标区域的显示方式，所述显示方式包括渲染。
根据本公开的方案之一，提供计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现：
根据上述的医学影像的信息处理方法；或者
根据上述的医学影像的显示方法。
本公开的各种实施例的医学影像的信息处理方法、医学影像的显示方法以及计算机可读存储介质，通过提取医学影像中选定层影像的选定区域的影像特征；基于所述选定层的目标区域的影像特征，识别医学影像中靠近于所述选定层影像排列的其他层影像的目标区域；根据识别的目标区域，获得医学影像的信息，从而能够通过深度学习算法模型进行病灶分割，在此基础上增加基于手动或半自动边缘修改辅助工具，补充深度学习算法模型分割的结果，辅助用户高效修改，更准确的量化和评估病灶。并且，提供多种修改边缘方式供选择，包含手动勾勒，阈值分割半自动勾勒，套索半自动勾勒，基于单层勾勒病灶特征自动寻找相邻层类似病灶，多种修改方式可以自由组合使用；同时，基于修改勾勒结果，调整病灶分析结果，以及包括新型冠状病毒肺炎(CoronaVirusDisease2019，COVID-19)在内的肺炎评估结果。
应当理解，前面的大体描述以及后续的详细描述只是示例性的和说明性的，并非对所要求保护的本公开的限制。
附图说明
在未必按照比例绘制的附图中，不同视图中相似的附图标记可以表示相似的构件。具有字母后缀的相似附图标记或具有不同字母后缀的相似附图标记可以表示相似构件的不同实例。附图通常作为示例而非限制地图示各种实施例，并且与说明书和权利要求书一起用于解释所公开的实施例。
图1示出本公开一种实施例涉及的医学影像的信息处理方法的一种流程图；
图2示出本公开一种实施例中一种勾勒方式的示意图；
图3示出本公开一种实施例中另一种勾勒方式的示意图；
图4示出本公开一种实施例中又一种勾勒方式的示意图；
图5示出本公开一种实施例中基于多层影像的信息获取示意图；
图6示出本公开一种实施例的医学影像的显示方法的显示界面示意图，其为一种更新后的显示界面。
具体实施方式
为了使得本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
为了保持本公开实施例的以下说明清楚且简明，本公开省略了已知功能和已知部件的详细说明。
针对本公开所涉及医学影像，可以为采用各类医学成像设备获取的人体及身体各部位或器官的立体医学影像，例如：核磁共振成像设备(MRI)获取的三维影像，三维立体医学影像也可以为计算机断层扫描设备(CT)扫描获取的三维影像，或者为对计算机断层扫描设备(CT)扫描的的CT二维切片影像进行重建获取的三维影像，本公开不限于此。二维切片影像是指利用医学成像设备获取的人体及身体各部位或器官的二维序列数字断层影像，例如，计算机断层扫描设备(CT)、核磁共振成像设备(MRI)、正电子发射计算机造影设备(PET)、超声设备(Ultrasound)获取的二维切片影像等，本公开不限于此。二维切片影像也可以指对三维立体医学影像的特征进行提取并重建影像后获得的二维影像。
以CT影像为主要说明示例描述本公开的实施例，应当理解，DICOM影像对于器官的三维影像能够全面、详细地呈现，其中以三个维度影像为主要构建基础。矢状面(sagittalplane)是将人体分切为左右两部分，左右切面就是矢状面,而左右相等的切面被称为正中矢状面，相应的影像可以定义为矢状图。冠状面(coronal plane)是沿左、右方向将人体纵切为前后两部分的断面，通过铅垂轴与横轴的平面及与其平行的所有平面都称为冠状面，这些平面将人体分成前、后两个部分，相应的影像可以定义为冠状图。与矢状面和冠状面对应的即有横断面(transverse plane)。在CT医学影像的分析和诊断过程，对于医学影像中需要分析和诊断的部位、病灶、异物、占位体等等，凡是具有临床分析和诊断意义的对象，在机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域，即ROI(region of interest)。在Halcon、OpenCV、Matlab等机器视觉软件上常用到各种算子(Operator)和函数来求得感兴趣区域ROI，并进行图像的下一步处理。在CT医学影像的分析和诊断过程，对于医学影像中需要分析和诊断的部位、病灶、异物、占位体等等，凡是具有临床分析和诊断意义的感兴趣区域，都符合本公开的各实施例的应用场景。在本公开的各实施例中，以胸部CT影像中包含的关注对象为结节为例，例如肺结节。在胸部CT影像的范畴内，肺结节可以是指表现为小于3mm的局灶性、类椭圆形、密度增高的实型性或亚实性肺部阴影。直径小于5mm的为微小结节，5-10mm的为小结节。肺结节既可以是良性病变，也可以是恶性，或交界性病变。目前可以通过CT来采集胸部影像，并通过AI等方式来辅助诊断胸部影像中可能存在的肺结节。在一些诊断信息显示界面中，会给出检测到的肺结节的相关信息，例如：良恶性、体积、长短径、密度、倍增时间、CT值范围等。肺结节的特征信息可以包括肺结节的体积信息、长/短径信息、密度信息、征象信息等一些可以从胸部影像中获得的结节的特征信息，也可以简单直观的表征基于针对结节的分类规则和肺结节的分类结果，使得临床上可以通过相应的特征信息快速的显示，对该肺结节作出诊断。在临床针对CT胸部图像的判读过程中，病变部分所占肺整体体积的比例为肺部受累及的一个程度指标。而肺部感染的严重程度不仅仅与病灶体积有关，还与病灶密度相关，不同密度的差别对于肺部损伤的严重性有不同的评级。肺部正常组织CT值范围约为-950HU～-700HU，当肺部病变，常常表现为磨玻璃影和实变影，密度增高CT值约为-600HU～-200HU和-100HU～100HU，其中，-600HU～-200HU是对应磨玻璃影；-100HU～100HU是对应实变影，-200HU～-100HU是实性过渡(也可以算成是实性成份，即实变影-200HU～100HU)，而不同密度的磨玻璃影，实变影提示肺炎的不同进展时期和不同严重程度。调整病灶分析结果，以及肺炎评估结果，在需要准确判读诸如新型冠状病毒肺炎(CoronaVirusDisease2019，COVID-19)时，对于公共卫生安全和公众利益具有重大意义。
作为方案之一，如图1所示，本公开的实施例提供了一种医学影像的信息处理方法，包括：
S101：提取医学影像中选定层影像的选定区域的影像特征；
S102：基于所述选定层的目标区域的影像特征，识别医学影像中靠近于所述选定层影像排列的其他层影像的目标区域；
S103：根据识别的目标区域，获得医学影像的信息。
本公开的发明构思之一旨在基于医学影像某一维度的多层影像，例如多层横断面影像、多层矢状面影像、多层冠状面影像，实现多层影像之间通过联动机制确定医学影像中包含的医学信息。在多层影像均指征同一病灶的情况下，本公开实施例能够通过确定单层影像来确定指征该病灶的相邻层影像，从而为获取病灶信息提供准确的信息平台。
在各种具体实施例中，靠近于所述选定层影像排列的其他层影像，可以理解为位于选定层影像附近的至少一层其他层影像，例如，位于选定层影像一侧的至少一层其他层影像，和/或位于选定层影像另一侧的至少一层其他层影像。并且，在识别多层本实施例的其他层影像的过程中，可以是连续的多层影像，也可以是以随机或者预设等方式确定出的间隔的多层影像。当然，在识别其他层影像的过程中，需要符合临床诊断、判读意义。本领域技术人员可以基于识别医学影像中相邻于所述选定层影像的一层或者两层其他层影像的目标区域的实施方案，知晓本公开的主要发明构思。
在一些实施例中，为了至少克服无法对识别的目标区域进行编辑的缺陷，或者替代需要人工重新定义的制约，本公开的实施例通过深度学习算法模型进行病灶分割的基础上，能够增加基于手动或半自动边缘修改辅助工具，补充深度学习算法模型分割的结果，辅助医生高效修改，更准确的量化和评估病灶。
如图2所示，本公开的实施例可以包括但不限于：所述选定区域的选定方式，包括：
响应于操作体在所述选定层影像上的操作，确定勾勒线；
将勾勒线所围成的影像部分作为选定区域。
AI自动勾勒可以提高人工操作的小路，但可能存在性能问题，专业人工判读是影像结果评判的金标准，AI结果如果专业人工认可则默认替代人工勾勒，如果AI结果专业人工认为有问题，仍可以手动修改。针对边缘不规则的目标区域，例如病灶，在AI勾勒方式对于这类不规则轮廓的征象无法进行准确的界定情况下，本公开实施例能够提供手动勾勒解决这一问题。本公开的实施例的操作体，可以是鼠标光标、触控笔、手指等等，例如鼠标光标在医学影像中点击、移动，诊断系统捕捉鼠标的点击动作即可完成边缘勾勒的描点确定；移动鼠标，诊断系统捕捉鼠标的点击动作即可形成描点和鼠标所在位的勾勒线。诊断系统将实时判定鼠标的动作是否合法，即，判断操作体的点击动作和移动动作所确定的路径满足预设条件。一般来讲可以将这一判断过程定义为“判定是否合法”，合法判定条件至少包括该路径不存在交叉，具体实施过程可以为：勾勒线间不相交，和/描点不在勾勒线上。提取由该勾勒线在医学影像上所界定的勾勒区域，以将该勾勒区域提供给用户作为选定区域。在优选方案中，可以提供配置菜单，提供交互操作对象，供用户设置描点密度，例如，病灶标记的描点的密度可在设置中做配置(较密、适中、较稀)。
当判断操作体的点击动作和移动动作所确定的路径可能存在交叉的情况下，本公开的一些实施例中，可以实现通过提示用户，提示方式包括以下至少一种：改变路径颜色；改变路径线型；中止捕捉操作体的点击动作和移动动作，输出提示信息。
作为智能交互的优选方案，基于操作体当前点击动作的次数，响应于操作体的操作，自动完成第一次点击动作对应的描点与最后一次点击动作对应的描点之间的路径，以界定本公开实施例的目标区域。
本公开在一些实施例中，能够通过操作体修改勾勒线，包括：所述响应于操作体在所述选定层影像上的操作，确定勾勒线，包括：
捕捉操作体的点击动作和/或移动动作；
响应于所述操作体的点击动作和/或移动动作，确定或者修改勾勒线。
具体的，基于操作体点击动作在勾勒线上呈现描点，通过操作体移动所述描点的位置，以修改所述勾勒线的形状；或者通过操作体移动所述勾勒线的位置。正常状态，勾勒线为第一颜色，鼠标移动到勾勒线上，勾勒线呈点选状态，勾勒线可以显第二颜色，并显示勾勒描点。鼠标移动到描点，拖拽鼠标可移动描点，从而修改边缘标记的形状；当鼠标移动描点使征象标记不合法时，例如勾勒线间相交、描点在勾勒线上，等等，操作无效，描点回到最初位置，给出相应提示信息。
为了实现半自动勾勒，如图3所示，本公开的一些实施例中可以为：所述响应于操作体在所述选定层影像上的操作，确定勾勒线，包括：
捕捉操作体的移动轨迹；
基于所述操作体的移动轨迹和选定层影像中不同的对比度，确定勾勒线。
具体的，可以通过套索半自动勾勒，步骤可以为：点击诊断系统提供的套索工具图标，按住鼠标在影像中不同对比度区域的交界附近拖拉，套索工具会自动将选取边界吸附到交界上，当鼠标回到起点时，套索工具形成闭环，这时再松开鼠标就会形成一个封闭的选区。使用套索工具，可以较轻松地选取具有相同对比度的区域。
为了实现通过阈值勾勒，如图4所示，本公开的一些实施例可以为：所述选定区域的选定方式，包括：
获取选定层影像中不同区域的影像参数；
基于各影像参数的绝对值或者相邻区域的影像参数的相对值，确定勾勒线。
具体的，针对CT胸部影像，阈值分割可以通过CT值来分割病灶边缘，主要有两种方式：
1.基于各影像参数的绝对值：例如，设置CT值区间，并定义该区间为某种区域类型，如-200HU～100HU，结合前文所述，在临床上该CT值区间的病灶为实性病灶；
2.基于相邻区域的影像参数的相对值：例如，设置相邻CT值对比，相邻区域CT值差大于某一定值，则认为是病灶和肺组织的交界。结合前文所述，在临床上相邻区域CT差大于200HU，则可以认为是实性病灶和肺组织或磨玻璃交界。
作为增加基于手动或半自动边缘修改辅助工具，补充深度学习算法模型分割的结果的基础，本公开各实施例涉及的提取影像特征过程，可以为：所述提取医学影像中选定层影像的选定区域的影像特征，包括：提取选定区域的纹理特征。
本公开的医学影像中各层图像所包含的纹理特征是一种图像全局特征，纹理特征描述了图像或图像区域所对应景物的表面性质。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。作为一种统计特征，纹理特征具有旋转不变性，并且对于噪声有较强的抵抗能力。在针对CT胸部影像的处理过程中，往往在面对具有粗细、疏密等方面较大差别的纹理图像时，利用纹理特征是一种有效的方法。
本公开各实施例中的纹理特征的提取可以通过以下方式实现：
1.直方图特征
CT直方图提供了图像的许多信息和特征，常用的直方图特征有最大值、最小值、均值、中值、值域、熵、方差和熵等。CT直方图特征方法计算简单、具有平移和旋转不变性、对颜色像素的精确空间分布不敏感等；
2.灰度共生矩
从CT影像的图像灰度级为的像素出发，统计与其距离为、灰度级为的像素同时出现的概率。一般取间隔45°的各个方向。灰度共生矩阵反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息，分析CT影像中指征病灶、肺组织的图像基元和排列结构的信息；
3.局部二值模式(LBP)
通过LBP将目标区域中各个像素与其附近的像素进行比较，并把结果保存为二进制数，即它用二进制位表达局部邻域点与中心点的关系，所有邻域点的二进制位用来描述局部结构信息的模式。LBP对诸如光照变化等造成的图像灰度变化具有较强的鲁棒性，计算简单，也可以用于实时检测；
4.自相关函数法
通过对CT影像的图像的能量谱函数的计算，提取纹理的粗细度及方向性等特征参数。对于规则纹理图像，因其自相关函数具有波峰和波谷，从而进行表面检测；
5.信号处理法
将图像当作二维分布的信号，从而可从信号滤波器设计的角度对纹理进行分析。用某种线性变换、滤波器将纹理转到变换域，然后应用相应的能量准则提取纹理特征。例如，傅里叶变换、Gabor滤波器、小波变换、Laws纹理等。
基于纹理特征的提取，本公开实施例中所述基于所述选定层的目标区域的影像特征，识别医学影像中靠近于所述选定层影像排列的其他层影像的目标区域，包括：根据选定区域的纹理特征，识别所述目标区域，所述目标区域的纹理特征与所述选定区域的纹理特征相匹配。
具体的，可以构建目标区域寻找模型，利用包括纹理特征在内的病灶局部特征，如一阶特征、形状特征(2D)、灰度共生矩阵、灰度游程长度矩阵、灰度大小区域矩阵、相邻的灰度色调差异矩阵、灰度依赖矩阵等类别的组学特征，寻找相邻区域具有相同局部特征的病灶。纹理特征描述方法包括：
1.统计方法：例如灰度共生矩阵GLCM的纹理特征分析方法，灰度共生矩阵的四个关键特征：能量、惯量、熵和相关性。统计方法中另一种典型方法，则是从图像的自相关函数(即图像的能量谱函数)提取纹理特征，即通过对图像的能量谱函数的计算，提取纹理的粗细度及方向性等特征参数；
2.几何方法：其基于复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成的理论，例如Voronio棋盘格特征法和结构法等；
3.模型法：以图像的构造模型为基础，采用模型的参数作为纹理特征。典型的方法是随机场CRF模型法，如马尔可夫(Markov)随机场(MRF)模型法和Gibbs随机场模型法；
4.信号处理法：纹理特征的提取与匹配主要有：灰度共生矩阵、Tamura纹理特征、自回归纹理模型、小波变换等。
为了更加准确地获得医学影像信息，本公开各实施例的所述识别医学影像中靠近于所述选定层影像排列的其他层影像的目标区域，包括：识别至少两层所述其他层影像的目标区域；
所述根据识别的目标区域，获得医学影像的信息，包括：
获取至少两层其他层影像的目标区域的影像参数；
基于所述影像参数，获得医学影像中感兴趣区域的信息。
具体的，本公开的实施例以处理横断面影像为例说明，在选定层作为第i层的情况，提取第i层中的选定区域的影像特征，例如提取纹理特征，识别该组横断面影像中包括有第i+j层以及第i-j层的其他层影像的目标区域，j取值大于等于1。进一步的，可以结合前文所述内容，以识别医学影像中相邻于本实施例的选定层影像的至少两层其他层影像的目标区域为例说明，当j＝1时，即识别相邻于第i层图像的上一层图像和下一层图像，如图5所示，通过自动计算上下层目标区域，从而获取医学影像中感兴趣区域(ROI)的信息，包括获取病灶信息、肺组织信息、磨玻璃信息等。
作为方案之一，本公开的实施例提供了一种医学影像的显示方法，包括：
响应于识别出的医学影像中多层影像的目标区域，更新所述目标区域的显示方式，所述显示方式包括渲染。
作为医学影像显示的方案，本实施例中旨在通过界面显示的方式，向用户提供准确的影像诊断信息。
具体可以结合前文所述，本实施例的显示方法涉及的识别出的医学影像中多层影像的目标区域，可以基于：
提取医学影像中选定层影像的选定区域的影像特征；
基于所述选定层的目标区域的影像特征，识别医学影像中靠近于所述选定层影像排列的其他层影像的目标区域。
进一步，如图6所示，通过包括渲染在内的更新显示方式，旨在向用户提供更新后的更为准确的医学影像信息，例如病灶信息、CT直方图、包括新型冠状病毒肺炎(CoronaVirusDisease2019，COVID-19)在内的肺炎评估信息等。该病灶信息的获取方式结合前文所述，可以基于：根据识别的目标区域，获得医学影像的信息。
通过本公开的医学影像显示方法，基于本领域技术人员常识性了解，可以知晓同时公开了：一种显示设备，包括显示单元和处理器，配置为：
响应于识别出的医学影像中多层影像的目标区域，更新所述目标区域的显示方式，所述显示方式包括渲染；
其中：识别医学影像中多层影像的目标区域，包括：
提取医学影像中选定层影像的选定区域的影像特征；
基于所述选定层的目标区域的影像特征，识别医学影像中靠近于所述选定层影像排列的其他层影像的目标区域。
具体来说，本公开的发明构思之一，旨在通过提取医学影像中选定层影像的选定区域的影像特征；基于所述选定层的目标区域的影像特征，识别医学影像中靠近于所述选定层影像排列的其他层影像的目标区域；根据识别的目标区域，获得医学影像的信息，从而能够通过深度学习算法模型进行病灶分割，在此基础上增加基于手动或半自动边缘修改辅助工具，补充深度学习算法模型分割的结果，辅助用户高效修改，更准确的量化和评估病灶。并且，提供多种修改边缘方式供选择，包含手动勾勒，阈值分割半自动勾勒，套索半自动勾勒，基于单层勾勒病灶特征自动寻找相邻层类似病灶，多种修改方式可以自由组合使用；同时，基于修改勾勒结果，调整病灶分析结果，以及包括新型冠状病毒肺炎(CoronaVirusDisease2019，COVID-19)在内的肺炎评估结果。
作为本公开的方案之一，本公开还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，主要实现根据上述的医学影像的信息处理方法，至少包括：
提取医学影像中选定层影像的选定区域的影像特征；
基于所述选定层的目标区域的影像特征，识别医学影像中靠近于所述选定层影像排列的其他层影像的目标区域；
根据识别的目标区域，获得医学影像的信息。
作为本公开的方案之一，本公开还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，主要实现根据上述的医学影像的显示方法，至少包括：
响应于识别出的医学影像中多层影像的目标区域，更新所述目标区域的显示方式，所述显示方式包括渲染；
其中：识别医学影像中多层影像的目标区域，包括：
提取医学影像中选定层影像的选定区域的影像特征；
基于所述选定层的目标区域的影像特征，识别医学影像中靠近于所述选定层影像排列的其他层影像的目标区域。
在一些实施例中，执行算机可执行指令处理器可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等。更具体地，该处理器可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。该处理器还可以是一个以上专用处理设备，诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等。
在一些实施例中，计算机可读存储介质可以为存储器，诸如只读存储器(ROM)、随机存取存储器(RAM)、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、电可擦除可编程只读存储器(EEPROM)、其他类型的随机存取存储器(RAM)、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、光盘只读存储器(CD-ROM)、数字通用光盘(DVD)或其他光学存储器、盒式磁带或其他磁存储设备，或被用于储存能够被计算机设备访问的信息或指令的任何其他可能的非暂时性的介质等。
在一些实施例中，计算机可执行指令可以实现为多个程序模块，多个程序模块共同实现根据本公开中任何一项所述的医学影像的显示方法。
本公开描述了各种操作或功能，其可以实现为软件代码或指令或者定义为软件代码或指令。显示单元可以实现为在存储器上存储的软件代码或指令模块，其由处理器执行时可以实现相应的步骤和方法。
这样的内容可以是可以直接执行(“对象”或“可执行”形式)的源代码或差分代码(“delta”或“patch”代码)。这里描述的实施例的软件实现可以通过其上存储有代码或指令的制品提供，或者通过操作通信接口以通过通信接口发送数据的方法提供。机器或计算机可读存储介质可以使机器执行所描述的功能或操作，并且包括以可由机器(例如，计算显示设备、电子系统等)访问的形式存储信息的任何机制，例如可记录/不可记录介质(例如，只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光存储介质、闪存显示设备等)。通信接口包括与硬连线、无线、光学等介质中的任何一种接口以与其他显示设备通信的任何机制，例如存储器总线接口、处理器总线接口、因特网连接、磁盘控制器等。通信接口可以通过提供配置参数和/或发送信号来配置以准备通信接口，以提供描述软件内容的数据信号。可以通过向通信接口发送一个或多个命令或信号来访问通信接口。
本公开的实施例的计算机可执行指令可以组织成一个或多个计算机可执行组件或模块。可以用这类组件或模块的任何数量和组合来实现本公开的各方面。例如，本公开的各方面不限于附图中示出的和本文描述的特定的计算机可执行指令或特定组件或模块。其他实施例可以包括具有比本文所示出和描述的更多或更少功能的不同的计算机可执行指令或组件。
以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本公开。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本公开的主题可以少于特定的公开的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本公开的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
以上实施例仅为本公开的示例性实施例，不用于限制本公开，本公开的保护范围由权利要求书限定。本领域技术人员可以在本公开的实质和保护范围内，对本公开做出各种修改或等同替换，这种修改或等同替换也应视为落在本公开的保护范围内。

Claims (10)

1.医学影像的信息处理方法，包括：
提取医学影像中选定层影像的选定区域的影像特征；
基于所述选定层的目标区域的影像特征，识别医学影像中靠近于所述选定层影像排列的其他层影像的目标区域；
根据识别的目标区域，获得医学影像的信息。
2.根据权利要求1所述的信息处理方法，其中，所述选定区域的选定方式，包括：
响应于操作体在所述选定层影像上的操作，确定勾勒线；
将勾勒线所围成的影像部分作为选定区域。
3.根据权利要求2所述的信息处理方法，其中，所述响应于操作体在所述选定层影像上的操作，确定勾勒线，包括：
捕捉操作体的点击动作和/或移动动作；
响应于所述操作体的点击动作和/或移动动作，确定或者修改勾勒线。
4.根据权利要求2所述的信息处理方法，其中，所述响应于操作体在所述选定层影像上的操作，确定勾勒线，包括：
捕捉操作体的移动轨迹；
基于所述操作体的移动轨迹和选定层影像中不同的对比度，确定勾勒线。
5.根据权利要求1所述的信息处理方法，其中，所述选定区域的选定方式，包括：
获取选定层影像中不同区域的影像参数；
基于各影像参数的绝对值或者相邻区域的影像参数的相对值，确定勾勒线。
6.根据权利要求1所述的信息处理方法，其中，
所述提取医学影像中选定层影像的选定区域的影像特征，包括：提取选定区域的纹理特征；
所述基于所述选定层的目标区域的影像特征，识别医学影像中靠近于所述选定层影像排列的其他层影像的目标区域，包括：根据选定区域的纹理特征，识别所述目标区域，所述目标区域的纹理特征与所述选定区域的纹理特征相匹配。
7.根据权利要求1所述的信息处理方法，其中，
所述识别医学影像中靠近于所述选定层影像排列的其他层影像的目标区域，包括：识别至少两层所述其他层影像的目标区域；
所述根据识别的目标区域，获得医学影像的信息，包括：
获取至少两层其他层影像的目标区域的影像参数；
基于所述影像参数，获得医学影像中感兴趣区域的信息。
8.根据权利要求1至7中任一项所述的信息处理方法，其中，所述医学影像包括CT胸部影像，所述医学影像的信息包括CT胸部影像中包含的病灶的信息。
9.医学影像的显示方法，包括：
响应于识别出的医学影像中多层影像的目标区域，更新所述目标区域的显示方式，所述显示方式包括渲染。
10.一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现：
根据权利要求1至8中任一项所述的信息处理方法；或者
根据权利要求9所述的显示方法。
CN202010806496.7A 2020-08-12 2020-08-12 医学影像的信息处理方法、显示方法及可读存储介质 Pending CN111899850A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010806496.7A CN111899850A (zh) 2020-08-12 2020-08-12 医学影像的信息处理方法、显示方法及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010806496.7A CN111899850A (zh) 2020-08-12 2020-08-12 医学影像的信息处理方法、显示方法及可读存储介质

Publications (1)

Publication Number Publication Date
CN111899850A true CN111899850A (zh) 2020-11-06

Family

ID=73229990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010806496.7A Pending CN111899850A (zh) 2020-08-12 2020-08-12 医学影像的信息处理方法、显示方法及可读存储介质

Country Status (1)

Country Link
CN (1) CN111899850A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112420169A (zh) * 2020-12-04 2021-02-26 王军帅 一种医院放射科影像传输的数字化信息处理方法
CN113823385A (zh) * 2021-09-03 2021-12-21 青岛海信医疗设备股份有限公司 一种修改dicom图像的方法、装置、设备及介质
CN114067935A (zh) * 2021-11-03 2022-02-18 广西壮族自治区通信产业服务有限公司技术服务分公司 一种流行病调查方法、系统、电子设备及存储介质
CN114764776A (zh) * 2021-01-12 2022-07-19 深圳华大智造云影医疗科技有限公司 影像标注方法及装置、电子设备
CN114974524A (zh) * 2022-06-07 2022-08-30 河南科技大学第一附属医院 医学影像数据的注释方法和装置
CN118570204A (zh) * 2024-08-01 2024-08-30 深圳市龙岗中心医院 一种基于人工智能的医学影像分析系统
WO2025128021A1 (en) * 2023-12-12 2025-06-19 Turkcell Teknoloji Arastirma Ve Gelistirme Anonim Sirketi A system for diagnosing brain tumor via artificial intelligence

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103247046A (zh) * 2013-04-19 2013-08-14 深圳先进技术研究院 一种放射治疗计划中靶区自动勾画的方法和装置
CN107403201A (zh) * 2017-08-11 2017-11-28 强深智能医疗科技（昆山）有限公司 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法
CN110895812A (zh) * 2019-11-28 2020-03-20 北京推想科技有限公司 Ct图像的检测方法、装置、存储介质及电子设备
CN111145877A (zh) * 2019-12-27 2020-05-12 杭州依图医疗技术有限公司 交互方法、信息处理方法、显示方法及存储介质
CN111354006A (zh) * 2018-12-21 2020-06-30 深圳迈瑞生物医疗电子股份有限公司 超声图像中目标组织的描迹方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103247046A (zh) * 2013-04-19 2013-08-14 深圳先进技术研究院 一种放射治疗计划中靶区自动勾画的方法和装置
CN107403201A (zh) * 2017-08-11 2017-11-28 强深智能医疗科技（昆山）有限公司 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法
CN111354006A (zh) * 2018-12-21 2020-06-30 深圳迈瑞生物医疗电子股份有限公司 超声图像中目标组织的描迹方法及装置
CN110895812A (zh) * 2019-11-28 2020-03-20 北京推想科技有限公司 Ct图像的检测方法、装置、存储介质及电子设备
CN111145877A (zh) * 2019-12-27 2020-05-12 杭州依图医疗技术有限公司 交互方法、信息处理方法、显示方法及存储介质

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112420169A (zh) * 2020-12-04 2021-02-26 王军帅 一种医院放射科影像传输的数字化信息处理方法
CN114764776A (zh) * 2021-01-12 2022-07-19 深圳华大智造云影医疗科技有限公司 影像标注方法及装置、电子设备
CN113823385A (zh) * 2021-09-03 2021-12-21 青岛海信医疗设备股份有限公司 一种修改dicom图像的方法、装置、设备及介质
CN113823385B (zh) * 2021-09-03 2024-03-19 青岛海信医疗设备股份有限公司 一种修改dicom图像的方法、装置、设备及介质
CN114067935A (zh) * 2021-11-03 2022-02-18 广西壮族自治区通信产业服务有限公司技术服务分公司 一种流行病调查方法、系统、电子设备及存储介质
CN114067935B (zh) * 2021-11-03 2022-05-20 广西壮族自治区通信产业服务有限公司技术服务分公司 一种流行病调查方法、系统、电子设备及存储介质
CN114974524A (zh) * 2022-06-07 2022-08-30 河南科技大学第一附属医院 医学影像数据的注释方法和装置
WO2025128021A1 (en) * 2023-12-12 2025-06-19 Turkcell Teknoloji Arastirma Ve Gelistirme Anonim Sirketi A system for diagnosing brain tumor via artificial intelligence
CN118570204A (zh) * 2024-08-01 2024-08-30 深圳市龙岗中心医院 一种基于人工智能的医学影像分析系统

Similar Documents

Publication Publication Date Title
CN112529834B (zh) 病理图像模式在3d图像数据中的空间分布
CN111899850A (zh) 医学影像的信息处理方法、显示方法及可读存储介质
Liu et al. Multi-view multi-scale CNNs for lung nodule type classification from CT images
CN109615636B (zh) Ct影像的肺叶段分割中的血管树构造方法、装置
JP6877868B2 (ja) 画像処理装置、画像処理方法および画像処理プログラム
Gong et al. Automatic detection of pulmonary nodules in CT images by incorporating 3D tensor filtering with local image feature analysis
KR102204437B1 (ko) 컴퓨터 보조 진단 방법 및 장치
CN118262875A (zh) 一种医学影像诊断对比阅片方法
CN111553892B (zh) 基于深度学习的肺结节分割计算方法、装置及系统
US20140235998A1 (en) Method and apparatus for performing registration of medical images
US9406146B2 (en) Quantitative perfusion analysis
CN107622492A (zh) 肺裂分割方法及系统
JP2015528372A (ja) 医用画像中の肺結節を自動検出するためのシステム及び方法
US7359538B2 (en) Detection and analysis of lesions in contact with a structural boundary
Wang et al. A method of ultrasonic image recognition for thyroid papillary carcinoma based on deep convolution neural network.
CN111563876B (zh) 一种医学影像的获取方法、显示方法
WO2013151749A1 (en) System, method, and computer accessible medium for volumetric texture analysis for computer aided detection and diagnosis of polyps
CN117876833A (zh) 一种用于机器学习的肺部ct图像特征提取方法
Mastouri et al. A morphological operation-based approach for Sub-pleural lung nodule detection from CT images
Jamil et al. Adaptive thresholding technique for segmentation and juxtapleural nodules inclusion in lung segments
Neha Kidney localization and stone segmentation from a ct scan image
Heeneman et al. Lung nodule detection by using Deep Learning
CN114757894A (zh) 一种骨肿瘤病灶分析系统
KR102332472B1 (ko) 의료 영상에서 듀얼 윈도우 설정에 기반한 딥러닝을 이용한 종양 자동 분할 방법
WO2007033170A1 (en) System and method for polyp detection in tagged or non-tagged stool images

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201106