CN102429679A - 基于胸部ct图像的肺气肿计算机辅助诊断*** - Google Patents
基于胸部ct图像的肺气肿计算机辅助诊断*** Download PDFInfo
- Publication number
- CN102429679A CN102429679A CN2011102671651A CN201110267165A CN102429679A CN 102429679 A CN102429679 A CN 102429679A CN 2011102671651 A CN2011102671651 A CN 2011102671651A CN 201110267165 A CN201110267165 A CN 201110267165A CN 102429679 A CN102429679 A CN 102429679A
- Authority
- CN
- China
- Prior art keywords
- lung
- emphysema
- image
- module
- district
- 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)
Abstract
本发明公开了一种基于胸部CT图像的肺区自动分割与肺气肿计算机辅助诊断***。首先给***输入一组胸部CT断层系列图像,然后,对肺区进行自动分割,共分为三步:(1)利用自动阈值法分离躯干与背景;(2)应用轮廓跟踪法提取肺区轮廓;(3)利用边界扫描与区域填充法提取肺区。最后,应用基于密度分布与体积分数的肺气肿量化诊断标准,对肺区进行统计分析,将统计特征值根据需要显示给放射科医师,确定并重点显示病变区域,对病变程度进行分级,从而实现肺气肿的量化分析与准确诊断。本发明能提高放射科医师对肺气肿诊断的准确性与效率,更客观有效地辅助放射科医师进行临床诊断与制定治疗方案。
Description
技术领域
本发明属于基于医学图像的计算机分析技术的应用领域,具体涉及一种基于胸部CT图像的肺气肿计算机辅助诊断***。
背景技术
慢性阻塞性肺病是一种以呼气气流受限为特征的疾病,包括慢性支气管炎和肺气肿。慢性阻塞性肺病可导致肺功能障碍、肺动脉高压,发展到一定程度即产生低氧血症,随后出现高碳酸血症和呼吸衰竭,导致患者死亡。据统计,中国近年慢性阻塞性肺病患病率9%,现有慢性阻塞性肺病发病人数高达5000万,每年死亡人数130万,慢阻肺已经成为因疾病死亡的第四大病因。
对于患者肺中的多种病变,在影像学的表现特征与范围上较为复杂,即使有经验的放射科医师,要对其做客观、准确地分析与诊断也相当困难。目前,国内外对慢性阻塞性肺病的CT影像征象研究报道较多,但主要集中在病变的定性方面,对于病变的程度即定量方面的研究较少。目前广泛采用的凭借视觉感知与经验进行诊断的方法,主要是以肺内出现大小不等的低密度区、肺血管纹理稀疏及血管分支扭曲等征象作为依据,根据肺气肿范围与严重程度进行评分或诊断。这种定性的诊断方法存在以下不足:
依赖于个人的感知、经验与专业能力,诊断结果会因人而异;
放射科医师的阅片工作强度大,易疲劳,影响工作效率与质量;
无法进行定量分析及对疾病进行准确分级;
不利于治疗或术后疗效的准确评价与跟踪。
针对上述临床定性诊断中的问题,应用影像学处理方法,对肺区进行量化分析,辅助医生做出诊断,可充分利用定性与定量诊断各自的优势,一方面,可以降低放射科医师的诊断工作量与劳动强度,另一方面,可提高诊断的准确性、可靠性与效率。肺气肿的计算辅助诊断,可分为两步,首先是准确提取左右肺区,然后,根据肺气肿的临床量化诊断标准,对肺区进行量化分析,得出诊断结论。
目前胸部CT影像中肺区自动分割方法主要有:
(1)阈值法O.Osman,S.Sahin,“Lung Segmentation Algorithm forCAD System in CTA Images”,World Academy of Science,Engineering andTechnology,77,306-309(2011),以及B.S.Zhao,Y.David,“Two-dimensionalmulti-criterion segmentation of pulmonary nodules on helical CT images”,MedicalPhysics,26(6):889-895(1999)等)。其特点是简单、快速,但不能有效去除躯干外部及气管、支气管等区域,且确定阈值较难,往往根据经验确定。
(2)区域增长。区域生长法虽然能保留具有弥漫性边界的区域,但那些被强梯度边界包围的结构常被排除在外,而且它对种子点及生长合并规则的选取也较敏感。由于区域生长法是一种需要人工参与的半自动分割方法,因此,其应用受到较大的限制(杨加,吴祈耀,田捷等,“几种图像分割算法在CT图像分割上的实现和比较,”北京理工大学学报,20(6):720-724,(2000))。
(3)基于统计先验模型的方法(S.Sun,G.McLennan,E.A.Hoffman,etal.″Model-Based Segmentation of Pathological Lungs in Volumetric CT Data,″TheThird International Workshop on Pulmonary Image Analysis,31-40,(2010))。它通过收集大量样本,建立先验模型,采用点匹配与形变方法,提取肺区轮廓。其优势是能利用样本的形状及密度信息,但建立模型较为困难,点匹配与形变过程花费时间较多,难以满足临床应用的实时性要求。
(4)基于模式分类的方法(H.Wang,J.Zhang,L.Wang,″Segmentation ofthoracic CT image based on FCM clustering,″IEEE 2010 3rd InternationalConference on Advanced Computer Theory and Engineering(ICACTE),V3,405-408(2010),F.Monteiro,″Region-Based Clustering for LungSegmentationin Low-Dose CT Images,″International Conference of NumericalAnalysis and Applied Mathematics(ICNAAM),1281,2061-2064(2010))。该类方法提取有效的图像特征,有的还需要大量的训练样本,分割结果对样本与特征的依赖性很强,其处理时间较长。
综上所述,现有的胸部CT影像中肺区的分割方法,或模型与运算复杂,分割速度较慢;或难以确定控制参数,分割稳定性与可靠性较低,分割结果不准确。即难以快速、准确地提取肺区轮廓与肺实质,无法满足计算机辅助诊断***的要求。
发明内容
本发明的目的在于克服上述现有技术的缺点和不足,提供一种基于胸部CT图像的肺区自动分割与肺气肿计算机辅助诊断***。
本发明的目的通过下述技术方案来实现:一种基于胸部CT图像的肺气肿计算机辅助诊断***,包括:
输入模块(100),用于输入待诊断的胸部CT图像,并传送给提取肺区模块(200);
提取肺区模块(200),用于自动分割左右肺区,并将肺区信息传送给量化参数计算模块(300);
量化参数计算模块(300),用于计算肺区或指定区域的像素密度的统计分布信息,以及几何信息,并将量化参数传送给分类诊断模块(400)和输出模块(500);
分类诊断模块(400),用于分析量化参数计算模块(300)传递的数据,并将分析结果发送给输出模块(500);
输出模块(500),将分类诊断模块(400)的分析结果,定位于用户输入的待诊断胸部CT图像,以特定颜色标记可疑之处,并将分析结果显示给用户。
提取肺区模块(200)按照下述步骤进行处理:
步骤(2.1)采用全局自适应阈值法分离胸部CT图像中的躯干与背景:首先给定一个初始阈值,应用该阈值将图像分为两类;然后求两个平均密度的均值并作为新的阈值,再对图像进行分类,通过迭代算法,逐渐使阈值逼近最优值,最后求出准确的阈值,将背景与躯干分离;
步骤(2.2)采用轮廓跟踪方法提取肺区轮廓:首先根据一定的探测准则检测一个肺轮廓的一个像素点,再用一定的跟踪准则找出目标轮廓的其他像素点,直到找到整个肺轮廓所有像素点;再找另一个肺轮廓的所有像素点;
步骤(2.3)采用一种基于4邻域的背景标记扫描线方法来获取左右肺区域内的像素。
步骤(2.1)中所述初始阈值选择整幅图像密度平均值。
所述步骤(2.3)包括如下步骤:
步骤(2.3.1)求感兴趣区域的外接矩形,生成能覆盖选定区域的最小矩形区域;
步骤(2.3.2)将矩形区域内肺的轮廓点标记为“1”,其它则标记为“0”;
步骤(2.3.3)按从上到下、从左至右顺序,扫描矩形区域,如果当前像素标记为“0”,则在当前行,从当前像素开始自左向右扫描,并置所经过的像素标记为“-1”,直到轮廓点或该行行末结束;
步骤(2.3.4)搜索当前像素的4邻域,找到一个标记为“0”的点,以此作为新的出发点,从左至右扫描,并置经过像素标记为“-1”,直到轮廓点或该行行末结束;
步骤(2.3.5)矩形区域扫描结束后,去除标记为“-1”的像素。
所述量化参数计算模块(300)中的量化参数包括灰度统计参数与几何参数,所述灰度统计参数包括左右肺区或用户指定区域的平均密度、密度方差、密度小于、大于或等于给定阈值的像素百分比;所述几何参数包括:肺容积、区域面积、周长,距离与角度。
所述分类诊断模块(400)包括判断单元,所述判断单元根据肺气肿的量化诊断标准,判断是否存在肺气肿,若判断为肺气肿,则对其进行分类。
所述分类诊断模块(400),根据肺气肿的量化诊断标准,应用体积分数法,扫描每一CT断层图像中的肺区,将肺区内每一像素与指定密度阈值相比较,统计分别大于、小于或等于指定阈值的像素,计算它们分别占整个肺区的百分比;根据肺气肿的分级诊断标准,确定肺区是否正常,如果异常,则进行分级。
本发明的工作原理及过程是:首先给***输入一组待诊断的胸部CT图像,然后对肺区进行自动分割,提取左右肺实质,最后,根据肺气肿的量化诊断标准,进行识别与诊断,并将重点区域以特殊颜色标记,根据需要提供一系列相关密度与几何统计参数,提示放射科医师需要重点关注的区域与相关参数,从而提高放射科医师对肺气肿诊断的准确性、可靠性与效率。
本发明相对于与现有技术,具有如下优点:
(1)自动、快速、准确地提取肺区
现有的肺区分割方法,如传统的阈值分割法,区域增长法,基于形变模型的方法(Snake,Level set)、基于统计模型的方法与基于模式分类的方法,均难以对肺区进行快速准确地分割。而本发明将提取肺区分为三个步骤,采用自动阈值、轮廓跟踪、边界扫描与区域填充标记法,可快速有效地提取肺区。
(2)准确地对肺气肿进行量化分级
提取左右肺区后,根据肺气肿量化诊断标准,本发明可快速计算体积分数,实现肺气肿的量化分级。
(3)统计肺区量化参数,标记病变区域
方便快捷地计算肺区或指定区域的平均密度,密度方差、最大与最小密度等,以及面积、容积、距离、角度等量化参数,还可以特定颜色标记病变区域。
附图说明
图1为发明基于胸部CT图像的肺气肿计算机辅助诊断***的结构示意图;
图2为本发明基于胸部CT图像的肺气肿计算机辅助诊断***的流程图;
图3为本发明实施例胸部CT图像某一断层图像(a)及其直方图(b);
图4为本发明实施例肺区分割与轮廓跟踪结果,其中,(a)全局自适应阈值分割结果;(b)左右轮廓跟踪结果;(c)左右肺实质;
图5为本发明实施例肺区经量化分析后的肺气肿标记,其中,(a)第4层;(b)第8层;(c)第12层;(d)第33层;
图6为本发明实施例经量化分析、计算得到的肺气肿体积分数。
具体实施方式
下面结合实施例和附图对本发明作进一步详细说明,但本发明的实施方式不限于此。
如图1所示,本发明的基于胸部CT图像的肺气肿计算机辅助诊断***包括输入模块100、提取肺区模块200、量化参数计算模块300、分类诊断模块400与输出模块500。其中,
输入模块(100),用于输入待诊断的胸部CT图像,并传送给提取肺区模块(200);
提取肺区模块(200),用于自动分割左右肺区,并将肺区信息传送给量化参数计算模块(300);
量化参数计算模块(300),用于计算肺区或指定区域的像素密度的统计分布信息,以及几何信息,并将量化参数传送给分类诊断模块(400)和输出模块(500);
分类诊断模块(400),用于分析量化参数计算模块(300)传递的数据,并将分析结果发送给输出模块(500);
输出模块(500),将分类诊断模块(400)的分析结果,定位于用户输入的待诊断胸部CT图像,以特定颜色标记可疑之处,并将分析结果显示给用户。
如图2所示,本发明按照以下步骤进行处理:
步骤(1)输入一组待诊断的胸部CT断层图像。
步骤(2)提取左右肺区。从图3中的胸部CT图像及其直方图可知,肺部CT图像主要包括躯干、胸壁软组织、肺实质、气管、支气管、纵膈、床板及衣服等。其灰度直方图有三个主峰,共分三个主要区域:其中低密度区为四角的黑色背景;中密度区为肺实质及躯干外背景;高密度区为胸壁、纵膈、气管、支气管等。低密度区,即黑色背景一般为图像中最小的某一固定密度值,可以很容易地用简单的阈值将此部分去除。中密度与高密度区有较大的分隔区,如果能找到这两个区域之间的分界点,将它作为阈值,即可对图像进行二值化,从而将背景(指中密度区的躯干外背景)与躯干分离。
步骤(2.1)采用全局自适应阈值法将躯干与背景分离。首先给定一个初始阈值(根据肺部CT图像特点,初始阈值可选择整幅图像密度平均值),然后通过迭代算法,逐渐使阈值逼近最优值,最后求出准确的阈值,对图像实施分割。具体过程如下:
应用该阈值将图像分为两类,分别计算两类对象的平均密度,求两个平均密度的均值并作为新的阈值,再对图像进行分类,比较连续两次的阈值之差,或判断迭代次数是否达到最大值,决定是否结束处理过程。其过程可描述为:
步骤(2.1.1)选择初始估计值T0,给定很小的终止值t,及最大迭代次数Nmax;
步骤(2.1.2)用T0作为阈值将图像分为C1与C2两类;
步骤(2.1.3)对C1与C2中所有像素计算平均密度
步骤(2.1.4)计算新阈值
步骤(2.1.5)计算连续二次阈值之差ΔT=|T1-T0|,如果ΔT<t,或迭代次数等于Nmax,则结束;否则,将新阈值T1赋给T0,重复步骤(2.1.2)-(2.1.5)。
步骤(2.2)利用轮廓跟踪法提取肺区轮廓
肺部CT图像经过步骤(2.1)的处理,被有效地分割为躯干(白色表示)和背景(黑色表示)两部分,因而很容易地得到躯干的外轮廓,由于肺实质处于胸内部,因此需要得到躯干内轮廓,躯干内轮廓即肺部外轮廓,本发明采用轮廓跟踪方法提取肺部轮廓。初始点可在行方向从躯干中部出发,按从左向右方向,先找到第一个白色点(躯干),然后从此点出发,依从左至右方向扫描该点所在的行,直至第一个黑色点,即为左肺轮廓点,将该点作为轮廓跟踪的起始点。同样地,按由外向内,从右至左方向,可提取右肺轮廓。
轮廓跟踪法的基本思想是先根据某一“探测准则”检测目标中的轮廓像素,再根据这些像素的某一特征用一定的跟踪准则找出目标轮廓的其它像素。具体跟踪过程描述如下:
步骤(2.1.1)找到左下方的轮廓点,定义初始的搜索方向为左上方;
步骤(2.1.2)如果左上方是黑点,则为边界点,否则将搜索方向顺时针旋转45°,直至找到第一个黑点为止;
步骤(2.1.3)将此黑点作为新的边界点,在当前搜索方向逆时针旋转90°,继续用同样方法搜索下一黑点,直到回到初始的轮廓点。
步骤(2.3)应用边界扫描与区域填充法获取左右肺区。
肺区边界确定后,肺区内部像素的提取,可转化为计算机图形学中多边形的扫描转换与区域填充问题。多边形的扫描转换有扫描线算法、边填充法、栅栏填充法、边标志填充算法与种子填充法等。考虑到是胸部CT图像这一特定对象,任务是提取区域内部像素,并对其进行分析,因此,本发明采用一种基于4邻域的背景标记扫描线方法来获取区域像素。该方法主要过程如下:
步骤(2.1.1)求感兴趣区域的外接矩形,生成能覆盖选定区域的最小矩形区域。由于运算只对此矩形区域,因此可大大减少计算量;
步骤(2.1.2)将矩形区域内的选定区域边界标记为“1”,其它则标记为“0”;
步骤(2.1.3)按从上到下、从左至右顺序,扫描矩形区域,如果当前像素标记为“0”,则在当前行,从当前像素开始自左向右扫描,并置所经过的像素标记为“-1”,直到边界点或该行行末结束;
步骤(2.1.4)搜索当前像素的4邻域,找到一个标记为“0”的点,以此作为新的出发点,从左至右扫描,并置经过像素标记为“-1”,直到边界点或该行行末结束;
步骤(2.1.5)矩形区域扫描结束后,去除标记为“-1”的像素,即为所求的区域。
至此,完成了左右肺区的自动提取过程。如图4为图3(a)中图像的肺区提取结果,其中图4(a)为经自适应阈值分割后的结果,背景与躯干被有效地分离;图4(b)为经轮廓跟踪后的左右肺轮廓;图4(c)为获取的左右肺实质。
步骤(3)量化参数计算,计算肺区或指定任意区域的像素密度与几何统计信息,其中密度参数包括平均密度、密度方差、密度大于(小于或等于)给定阈值的像素百分比;几何参数包括容积、区域面积、周长,距离与角度等。除了计算肺区的相关参数外,本发明还提供用户自定义任意封闭区域,计算区域量化参数。
步骤(4)量化分析与诊断,根据量化诊断标准与步骤(3)计算得到的参数,进行分类诊断。
有关基于CT影像的肺气肿的临床量化诊断标准,国内外已有较多研究,目前公认的方法是肺功能量化参数法(H.M.John,M.D.Austin,”Pulmonaryemphysema:imaging assessment of lung volume reduction surgery”.Radiology,212(1):1-3(1999),牡丹,“肺气肿的影像学定量研究进展”,实用放射学杂志,22(5):610-613(2006),及邵广瑞,柳澄,王涛等,“螺旋CT双相扫描在肺气肿诊断与功能评价中的价值探讨,”中国医学影像技术,17(11):1067-1069,(2001)),它主要利用肺容积、平均肺密度、像素指数及动态肺密度等量化指标作为肺气肿的诊断依据。平均肺密度反映的是通气状况、血液量、血管外液量及肺组织的综合密度,研究表明,肺气肿的平均密度明显低于正常值,CT阈值深吸气相为-953.3HU,深呼气相为-914..62HU。肺容积主要有两种量化方法:(1)根据呼吸两相肺容积的减少百分比确定肺气肿程度;(2)根据肺气肿区域占全肺中的百分比(体积分数)进行分析诊断,在CT定量评估中,常以-910HU与-950HU分别作为阈值来诊断肺气肿,即根据密度小于指定阈值的肺组织占全肺中的百分比来对肺气肿进行分级,对于吸气相,以-950HU作为阈值,体积分数<5%为肺气肿0级;[5%,10%)为1级;[10%,15%)为2级;体积分数≥15%为3级(如果为呼气相,则阈值为-910HU)。肺气肿体积分数还可以作为病情观察、疗效评价、肺减容术术前筛选与术后评价的重要指标。本发明采用肺功能量化参数法中通过统计肺气肿体积分数实现对肺部CT图像进行量化分析与辅助诊断。
当获取左右肺区后,应用前述的体积分数法,扫描每一CT断层图像中肺区,将肺区内每一像素与指定密度阈值相比较,统计分别大于、小于或等于指定阈值的像素,计算它们分别占整个肺区的百分比。根据肺气肿的5级诊断标准,确定肺区是否正常,如果异常,则进行分级。
将分类诊断结果定位于用户输入的待诊断胸部CT图像,以特定颜色标记可疑之处,将分析结果显示给用户,此外,显示步骤(3)中计算得到的相关参数。
如图5为本发明实施例肺区经量化分析后,对其中4个断层图像的重点区域,即肺气肿进行了红色标记;图6为本发明中实施例经量化分析、计算得到的肺气肿体积分数。表1为实施例统计输出的相关参数
本发明提出的基于胸部CT图像的肺气肿计算机辅助诊断***,图3-图6和表1说明了实施例的处理、分析结果,及统计输出的相关参数。本发明中所述的辅助诊断***中,对肺区实施分割时,涉及若干控制参数,这些参数要针对具体的数据特点进行综合调整与设定,以使***性能达到最佳。本发明处理数据集合所设定的参数如下:
步骤(2.1)中的阈值初始估计值T0=图像平均密度;
步骤(2.1)中的终止值t=0.01;
步骤(2.1)中的最大迭代次数Nmax=500。
本发明通过一个基于胸部CT图像的肺气肿计算机辅助诊断***,自动地对待诊断胸部CT图像进行分割,快速准确地提取肺区,进行分析处理,并根据需要提供区域相关的密度与几何统计参数,从而提示放射科医师需要重点关注的区域与区域相关参数,在一定程度上提高了放射科医师对肺气肿诊断的准确性与效率。
上述实施例为本方面较佳的实施方式,但本方明的实施方式并不受上述实施例的限制,其他的任何背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.基于胸部CT图像的肺气肿计算机辅助诊断***,其特征在于,包括:
输入模块(100),用于输入待诊断的胸部CT 图像,并传送给提取肺区模块(200);
提取肺区模块(200),用于自动分割左右肺区,并将肺区信息传送给量化参数计算模块(300);
量化参数计算模块(300),用于计算肺区或指定区域的像素密度的统计分布信息,以及几何信息,并将量化参数传送给分类诊断模块(400)和输出模块(500);
分类诊断模块(400),用于分析量化参数计算模块(300)传递的数据,并将分析结果发送给输出模块(500);
输出模块(500),将分类诊断模块(400)的分析结果,定位于用户输入的待诊断胸部CT图像,以特定颜色标记可疑之处,并将分析结果显示给用户。
2.根据权利要求1所述的基于胸部CT图像的肺气肿计算机辅助诊断***,其特征在于提取肺区模块(200)按照下述步骤进行处理:
步骤 (2.1) 采用全局自适应阈值法分离胸部CT图像中的躯干与背景:首先给定一个初始阈值,应用该阈值将图像分为两类;然后求两个平均密度的均值并作为新的阈值,再对图像进行分类,通过迭代算法,逐渐使阈值逼近最优值,最后求出准确的阈值,将背景与躯干分离;
步骤(2.2) 采用轮廓跟踪方法提取肺区轮廓:首先根据密度与空间位置检测左肺轮廓的一个像素点,然后,从该点出发,应用轮廓跟踪方法搜索目标轮廓的其他像素点,直到找到左肺轮廓所有像素点;类似地, 可得到右肺轮廓所有像素点;
步骤(2.3)采用一种基于4邻域的背景标记扫描线方法来获取左右肺区域内的像素。
3.根据权利要求2所述的基于胸部CT图像的肺气肿计算机辅助诊断***,其特征在于步骤 (2.1)中初始阈值选择整幅图像密度平均值。
4.根据权利要求2所述的基于胸部CT图像的肺气肿计算机辅助诊断***,其特征在于,所述步骤(2.3)包括如下步骤:
步骤(2.3.1)求感兴趣区域的外接矩形,生成能覆盖选定区域的最小矩形区域;
步骤(2.3.2)将矩形区域内肺的轮廓点标记为“1”,其它则标记为“0”;
步骤(2.3.3)按从上到下、从左至右顺序,扫描矩形区域,如果当前像素标记为“0”,则在当前行,从当前像素开始自左向右扫描,并置所经过的像素标记为“-1”,直到轮廓点或该行行末结束;
步骤(2.3.4)搜索当前像素的4邻域,找到一个标记为“0”的点,以此作为新的出发点,从左至右扫描,并置经过像素标记为“-1”,直到轮廓点或该行行末结束;
步骤(2.3.5)矩形区域扫描结束后,去除标记为“-1”的像素。
5.根据权利要求4所述的基于胸部CT图像的肺气肿计算机辅助诊断***,其特征在于:量化参数计算模块(300)中的量化参数包括灰度统计参数与几何参数,所述灰度统计参数包括左右肺区或用户指定区域的平均密度、密度方差、密度小于、大于或等于给定阈值的像素百分比;所述几何参数包括:肺容积、区域面积、周长,距离与角度。
6.根据权利要求5所述的基于胸部CT图像的肺气肿计算机辅助诊断***,其特征在于所述分类诊断模块(400)包括判断单元,所述判断单元根据肺气肿的量化诊断标准,判断是否存在肺气肿,若判断为肺气肿,则对其进行分类。
7.根据权利要求6所述的基于胸部CT图像的肺气肿计算机辅助诊断***,其特征在于:分类诊断模块(400),根据肺气肿的量化诊断标准,应用体积分数法,扫描每一CT断层图像中的肺区,将肺区内每一像素与指定密度阈值相比较,统计分别大于、小于或等于指定阈值的像素,计算它们分别占整个肺区的百分比;根据肺气肿的分级诊断标准,确定肺区是否正常,如果异常,则进行分级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102671651A CN102429679A (zh) | 2011-09-09 | 2011-09-09 | 基于胸部ct图像的肺气肿计算机辅助诊断*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102671651A CN102429679A (zh) | 2011-09-09 | 2011-09-09 | 基于胸部ct图像的肺气肿计算机辅助诊断*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102429679A true CN102429679A (zh) | 2012-05-02 |
Family
ID=45978283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011102671651A Pending CN102429679A (zh) | 2011-09-09 | 2011-09-09 | 基于胸部ct图像的肺气肿计算机辅助诊断*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102429679A (zh) |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103892854A (zh) * | 2012-12-28 | 2014-07-02 | 上海联影医疗科技有限公司 | 数字医疗图像处理方法和装置 |
CN103932727A (zh) * | 2013-01-22 | 2014-07-23 | 上海理工大学 | 基于ct图像纹理触觉的计算机辅助诊断*** |
CN104573309A (zh) * | 2013-10-24 | 2015-04-29 | 三星电子株式会社 | 用于计算机辅助诊断的设备和方法 |
CN105232081A (zh) * | 2014-07-09 | 2016-01-13 | 无锡祥生医学影像有限责任公司 | 医学超声辅助自动诊断装置及方法 |
CN106384342A (zh) * | 2015-07-24 | 2017-02-08 | 富士通株式会社 | 用于图像处理的计算机可读存储介质、设备和方法 |
JP2018151791A (ja) * | 2017-03-10 | 2018-09-27 | 富士通株式会社 | 類似症例画像検索プログラム、類似症例画像検索装置及び類似症例画像検索方法 |
CN108742663A (zh) * | 2018-04-03 | 2018-11-06 | 深圳蓝韵医学影像有限公司 | 曝光剂量评价方法、装置及计算机可读存储介质 |
CN108882907A (zh) * | 2016-04-13 | 2018-11-23 | 日本医事物理股份有限公司 | Ct图像中的骨区域的自动推断方法、装置及计算机程序 |
CN109035283A (zh) * | 2018-09-05 | 2018-12-18 | 中国医科大学附属盛京医院 | 一种基于随机选取分区的肺气肿精准检测与量化分析方法 |
CN109214397A (zh) * | 2018-09-14 | 2019-01-15 | 郑州大学 | 一种肺部ct图像中肺结节的分割方法 |
CN109300122A (zh) * | 2018-09-14 | 2019-02-01 | 沈阳东软医疗***有限公司 | 图像处理与阈值确定方法、装置及设备 |
CN109394268A (zh) * | 2018-12-07 | 2019-03-01 | 余姚市华耀工具科技有限公司 | 息肉危害程度映射平台 |
CN109447969A (zh) * | 2018-10-29 | 2019-03-08 | 北京青燕祥云科技有限公司 | 肝占位性病变识别方法、装置和实现装置 |
CN109448822A (zh) * | 2018-09-21 | 2019-03-08 | 沈阳医学院附属中心医院 | 基于影像报告的ct图像肺气肿自动标注方法 |
CN109754394A (zh) * | 2018-12-28 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 三维医学图像处理装置及方法 |
CN110176009A (zh) * | 2019-05-23 | 2019-08-27 | 复旦大学 | 一种肺部图像分割和跟踪方法和*** |
CN110211104A (zh) * | 2019-05-23 | 2019-09-06 | 复旦大学 | 一种用于肺部肿块计算机辅助检测的图像分析方法和*** |
CN110335281A (zh) * | 2018-03-28 | 2019-10-15 | 北京连心医疗科技有限公司 | 一种肿瘤边界确定方法、设备和存储介质 |
CN110349115A (zh) * | 2019-07-04 | 2019-10-18 | 邃蓝智能科技(上海)有限公司 | Ct图像处理*** |
CN110533658A (zh) * | 2019-09-02 | 2019-12-03 | 山东大学齐鲁医院 | 智能肺气肿诊断信息处理***及方法、信息数据处理终端 |
CN110717915A (zh) * | 2019-09-25 | 2020-01-21 | 武汉联影智融医疗科技有限公司 | 分割方法、装置、计算机设备和存储介质 |
CN111212591A (zh) * | 2017-10-17 | 2020-05-29 | 富士胶片株式会社 | 医疗图像处理装置及内窥镜装置 |
CN111242931A (zh) * | 2020-01-15 | 2020-06-05 | 东北大学 | 一种单肺叶的小气道病变判断方法和装置 |
CN111260627A (zh) * | 2020-01-15 | 2020-06-09 | 东北大学 | 一种基于肺叶的肺气肿区域判断方法和装置 |
CN111598853A (zh) * | 2020-04-30 | 2020-08-28 | 科大讯飞股份有限公司 | 针对肺炎的ct影像评分方法、装置及设备 |
CN111657985A (zh) * | 2020-06-30 | 2020-09-15 | 杭州依图医疗技术有限公司 | 肺部影像信息的处理方法、显示方法及可读存储介质 |
CN111738980A (zh) * | 2020-05-14 | 2020-10-02 | 上海依智医疗技术有限公司 | 一种医学影像的显示方法、计算机设备及存储介质 |
CN111739645A (zh) * | 2020-05-14 | 2020-10-02 | 上海依智医疗技术有限公司 | 一种免疫相关性肺炎预测模型的训练方法 |
WO2020232998A1 (zh) * | 2019-05-22 | 2020-11-26 | 平安国际智慧城市科技股份有限公司 | 医学影像评估方法、装置、计算机设备及存储介质 |
CN112190277A (zh) * | 2020-11-09 | 2021-01-08 | 华中科技大学同济医学院附属协和医院 | 一种新冠肺炎ct复查的数据拟合方法 |
CN113096139A (zh) * | 2021-04-14 | 2021-07-09 | 上海市第一人民医院 | 一种肺实质的图像分割处理方法 |
CN113425319A (zh) * | 2020-03-08 | 2021-09-24 | 广东毓秀科技有限公司 | 面向基层医疗机构的呼吸***疾病智能辅助诊断决策方法 |
CN113469934A (zh) * | 2020-03-31 | 2021-10-01 | 西门子医疗有限公司 | 根据胸部ct图像对与疾病相关联的异常区域的评估 |
US11341734B2 (en) | 2018-12-17 | 2022-05-24 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image segmentation |
CN116958151A (zh) * | 2023-09-21 | 2023-10-27 | 中国医学科学院北京协和医院 | 一种基于ct图像特征区分肾上腺增生与乏脂肪腺瘤的方法、***、设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101103924A (zh) * | 2007-07-13 | 2008-01-16 | 华中科技大学 | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其*** |
-
2011
- 2011-09-09 CN CN2011102671651A patent/CN102429679A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101103924A (zh) * | 2007-07-13 | 2008-01-16 | 华中科技大学 | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其*** |
Non-Patent Citations (4)
Title |
---|
薛以锋等: "基于CT图像的肺结节计算机辅助诊断***", 《中国医学物理学杂志》 * |
郭圣文等: "胸部CT中肺实质的提取与辅助诊断", 《中国生物医学工程学报》 * |
郭圣文等: "胸部CT中肺实质的自动分割与计算机辅助诊断", 《华南理工大学学报(自然科学版)》 * |
陈坚等: "胸部CT图像中感兴趣区域的提取与量化分析", 《中国医学物理学杂志》 * |
Cited By (55)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103892854A (zh) * | 2012-12-28 | 2014-07-02 | 上海联影医疗科技有限公司 | 数字医疗图像处理方法和装置 |
CN103932727A (zh) * | 2013-01-22 | 2014-07-23 | 上海理工大学 | 基于ct图像纹理触觉的计算机辅助诊断*** |
US10147223B2 (en) | 2013-10-24 | 2018-12-04 | Samsung Electronics Co., Ltd. | Apparatus and method for computer-aided diagnosis |
CN104573309A (zh) * | 2013-10-24 | 2015-04-29 | 三星电子株式会社 | 用于计算机辅助诊断的设备和方法 |
CN104573309B (zh) * | 2013-10-24 | 2019-07-19 | 三星电子株式会社 | 用于计算机辅助诊断的设备和方法 |
CN105232081A (zh) * | 2014-07-09 | 2016-01-13 | 无锡祥生医学影像有限责任公司 | 医学超声辅助自动诊断装置及方法 |
CN106384342A (zh) * | 2015-07-24 | 2017-02-08 | 富士通株式会社 | 用于图像处理的计算机可读存储介质、设备和方法 |
CN106384342B (zh) * | 2015-07-24 | 2019-10-25 | 富士通株式会社 | 用于图像处理的设备和方法 |
CN108882907A (zh) * | 2016-04-13 | 2018-11-23 | 日本医事物理股份有限公司 | Ct图像中的骨区域的自动推断方法、装置及计算机程序 |
JP2018151791A (ja) * | 2017-03-10 | 2018-09-27 | 富士通株式会社 | 類似症例画像検索プログラム、類似症例画像検索装置及び類似症例画像検索方法 |
CN111212591B (zh) * | 2017-10-17 | 2022-08-02 | 富士胶片株式会社 | 医疗图像处理装置及内窥镜装置 |
US11574401B2 (en) | 2017-10-17 | 2023-02-07 | Fujifilm Corporation | Medical image processing apparatus and endoscope apparatus |
CN111212591A (zh) * | 2017-10-17 | 2020-05-29 | 富士胶片株式会社 | 医疗图像处理装置及内窥镜装置 |
CN110335281A (zh) * | 2018-03-28 | 2019-10-15 | 北京连心医疗科技有限公司 | 一种肿瘤边界确定方法、设备和存储介质 |
CN108742663A (zh) * | 2018-04-03 | 2018-11-06 | 深圳蓝韵医学影像有限公司 | 曝光剂量评价方法、装置及计算机可读存储介质 |
CN109035283A (zh) * | 2018-09-05 | 2018-12-18 | 中国医科大学附属盛京医院 | 一种基于随机选取分区的肺气肿精准检测与量化分析方法 |
CN109035283B (zh) * | 2018-09-05 | 2021-03-30 | 中国医科大学附属盛京医院 | 一种基于随机选取分区的肺气肿精准检测与量化分析方法 |
CN109300122B (zh) * | 2018-09-14 | 2023-04-07 | 东软医疗***股份有限公司 | 图像处理与阈值确定方法、装置及设备 |
CN109214397A (zh) * | 2018-09-14 | 2019-01-15 | 郑州大学 | 一种肺部ct图像中肺结节的分割方法 |
US11478163B2 (en) | 2018-09-14 | 2022-10-25 | Neusoft Medical Systems Co., Ltd. | Image processing and emphysema threshold determination |
CN109300122A (zh) * | 2018-09-14 | 2019-02-01 | 沈阳东软医疗***有限公司 | 图像处理与阈值确定方法、装置及设备 |
CN109448822A (zh) * | 2018-09-21 | 2019-03-08 | 沈阳医学院附属中心医院 | 基于影像报告的ct图像肺气肿自动标注方法 |
CN109447969A (zh) * | 2018-10-29 | 2019-03-08 | 北京青燕祥云科技有限公司 | 肝占位性病变识别方法、装置和实现装置 |
CN109447969B (zh) * | 2018-10-29 | 2021-08-10 | 北京青燕祥云科技有限公司 | 肝占位性病变识别方法、装置和实现装置 |
CN109394268B (zh) * | 2018-12-07 | 2021-05-11 | 刘志红 | 息肉危害程度映射平台 |
CN109394268A (zh) * | 2018-12-07 | 2019-03-01 | 余姚市华耀工具科技有限公司 | 息肉危害程度映射平台 |
US11341734B2 (en) | 2018-12-17 | 2022-05-24 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image segmentation |
US11836925B2 (en) | 2018-12-17 | 2023-12-05 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image segmentation |
CN109754394B (zh) * | 2018-12-28 | 2021-02-23 | 上海联影智能医疗科技有限公司 | 三维医学图像处理装置及方法 |
CN109754394A (zh) * | 2018-12-28 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 三维医学图像处理装置及方法 |
WO2020232998A1 (zh) * | 2019-05-22 | 2020-11-26 | 平安国际智慧城市科技股份有限公司 | 医学影像评估方法、装置、计算机设备及存储介质 |
CN110176009B (zh) * | 2019-05-23 | 2023-03-07 | 复旦大学 | 一种肺部图像分割和跟踪方法和*** |
CN110211104B (zh) * | 2019-05-23 | 2023-01-06 | 复旦大学 | 一种用于肺部肿块计算机辅助检测的图像分析方法和*** |
CN110211104A (zh) * | 2019-05-23 | 2019-09-06 | 复旦大学 | 一种用于肺部肿块计算机辅助检测的图像分析方法和*** |
CN110176009A (zh) * | 2019-05-23 | 2019-08-27 | 复旦大学 | 一种肺部图像分割和跟踪方法和*** |
CN110349115A (zh) * | 2019-07-04 | 2019-10-18 | 邃蓝智能科技(上海)有限公司 | Ct图像处理*** |
CN110533658A (zh) * | 2019-09-02 | 2019-12-03 | 山东大学齐鲁医院 | 智能肺气肿诊断信息处理***及方法、信息数据处理终端 |
CN110717915A (zh) * | 2019-09-25 | 2020-01-21 | 武汉联影智融医疗科技有限公司 | 分割方法、装置、计算机设备和存储介质 |
CN111260627A (zh) * | 2020-01-15 | 2020-06-09 | 东北大学 | 一种基于肺叶的肺气肿区域判断方法和装置 |
CN111242931A (zh) * | 2020-01-15 | 2020-06-05 | 东北大学 | 一种单肺叶的小气道病变判断方法和装置 |
CN111242931B (zh) * | 2020-01-15 | 2023-08-22 | 东北大学 | 一种单肺叶的小气道病变判断方法和装置 |
CN113425319A (zh) * | 2020-03-08 | 2021-09-24 | 广东毓秀科技有限公司 | 面向基层医疗机构的呼吸***疾病智能辅助诊断决策方法 |
CN113469934A (zh) * | 2020-03-31 | 2021-10-01 | 西门子医疗有限公司 | 根据胸部ct图像对与疾病相关联的异常区域的评估 |
CN111598853A (zh) * | 2020-04-30 | 2020-08-28 | 科大讯飞股份有限公司 | 针对肺炎的ct影像评分方法、装置及设备 |
CN111598853B (zh) * | 2020-04-30 | 2024-02-13 | 讯飞医疗科技股份有限公司 | 针对肺炎的ct影像评分方法、装置及设备 |
CN111739645A (zh) * | 2020-05-14 | 2020-10-02 | 上海依智医疗技术有限公司 | 一种免疫相关性肺炎预测模型的训练方法 |
CN111738980A (zh) * | 2020-05-14 | 2020-10-02 | 上海依智医疗技术有限公司 | 一种医学影像的显示方法、计算机设备及存储介质 |
CN111738980B (zh) * | 2020-05-14 | 2023-08-04 | 北京深睿博联科技有限责任公司 | 一种医学影像的显示方法、计算机设备及存储介质 |
CN111739645B (zh) * | 2020-05-14 | 2024-01-30 | 北京深睿博联科技有限责任公司 | 一种免疫相关性肺炎预测模型的训练方法 |
CN111657985A (zh) * | 2020-06-30 | 2020-09-15 | 杭州依图医疗技术有限公司 | 肺部影像信息的处理方法、显示方法及可读存储介质 |
CN112190277A (zh) * | 2020-11-09 | 2021-01-08 | 华中科技大学同济医学院附属协和医院 | 一种新冠肺炎ct复查的数据拟合方法 |
CN113096139B (zh) * | 2021-04-14 | 2022-09-06 | 上海市第一人民医院 | 一种肺实质的图像分割处理方法 |
CN113096139A (zh) * | 2021-04-14 | 2021-07-09 | 上海市第一人民医院 | 一种肺实质的图像分割处理方法 |
CN116958151A (zh) * | 2023-09-21 | 2023-10-27 | 中国医学科学院北京协和医院 | 一种基于ct图像特征区分肾上腺增生与乏脂肪腺瘤的方法、***、设备 |
CN116958151B (zh) * | 2023-09-21 | 2023-12-12 | 中国医学科学院北京协和医院 | 一种基于ct图像特征区分肾上腺增生与乏脂肪腺瘤的方法、***、设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102429679A (zh) | 基于胸部ct图像的肺气肿计算机辅助诊断*** | |
Gao et al. | Classification of CT brain images based on deep learning networks | |
CN102324109B (zh) | 基于模糊隶属度模型的非实质性肺结节三维分割方法 | |
Aggarwal et al. | Feature extraction and LDA based classification of lung nodules in chest CT scan images | |
Mesanovic et al. | Automatic CT image segmentation of the lungs with region growing algorithm | |
CN100484474C (zh) | 基于乳腺x线摄片的乳腺癌计算机辅助诊断*** | |
CN112184617B (zh) | 一种基于深度学习的脊椎mri影像关键点检测方法 | |
CN105653858A (zh) | 一种基于影像组学的病变组织辅助预后***和方法 | |
CN108897984A (zh) | 基于ct影像组学特征与肺癌基因表达间相关性分析方法 | |
CN105760874A (zh) | 面向尘肺的ct图像处理***及其ct图像处理方法 | |
CN104616289A (zh) | 一种3d ct图像中骨组织的移除方法及*** | |
CN104933709A (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
Jaffar et al. | Fuzzy entropy based optimization of clusters for the segmentation of lungs in CT scanned images | |
Homeyer et al. | Practical quantification of necrosis in histological whole-slide images | |
CN104933701A (zh) | 基于多尺度生长与双策略去粘连模型的乳腺细胞分割方法 | |
CN104182755A (zh) | 基于塔形pca的乳腺钼靶x线图像块特征提取方法 | |
He et al. | Mammographic segmentation and risk classification using a novel binary model based bayes classifier | |
Maitra et al. | Detection of abnormal masses using divide and conquer algorithmin digital mammogram | |
CN102360495A (zh) | 基于平均密度投影和平移高斯模型的肺结节分割方法 | |
Maitra et al. | Accurate breast contour detection algorithms in digital mammogram | |
CN111145185A (zh) | 一种基于聚类关键帧提取ct图像的肺实质分割方法 | |
CN111528907A (zh) | 一种超声影像肺炎辅助诊断方法及*** | |
Roy et al. | Heterogeneity of human brain tumor with lesion identification, localization, and analysis from MRI | |
CN104835155A (zh) | 基于分形的早期乳腺癌钙化点计算机辅助检测方法 | |
JP5640280B2 (ja) | 骨粗鬆症診断支援装置及び骨粗鬆症診断支援プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into 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: 20120502 |