CN109166108B - 一种ct影像肺部异常组织的自动识别方法 - Google Patents
一种ct影像肺部异常组织的自动识别方法 Download PDFInfo
- Publication number
- CN109166108B CN109166108B CN201810922391.0A CN201810922391A CN109166108B CN 109166108 B CN109166108 B CN 109166108B CN 201810922391 A CN201810922391 A CN 201810922391A CN 109166108 B CN109166108 B CN 109166108B
- Authority
- CN
- China
- Prior art keywords
- template
- image
- lung
- block
- group
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及在医疗上计算机实现的自动阅片技术,一种采用模板差分比对技术而实现的CT影像肺部异常组织的自动识别方法。主要是运用一组正常标准的CT肺部影像抽取的参数向量作为模板组,与实时动态的CT肺部影像进行比对,快速找到异常组织并自动标注的方法。
Description
技术领域
本发明涉及在医疗上计算机实现的自动阅片技术,更具体的说,涉及一种采用模板差分比对技术而实现的CT影像肺部异常组织的自动识别方法。
背景技术
大量的CT影像在医学中的广泛应用,已经造成了两个问题:一方面,对每个病人一次检查所生成的影像的信息量越来越大,医生每日需要阅读的影像信息太多,工作强度越来越大;另一方面,诊断水平非常依赖于诊断医生的经验和能力,误诊时有发生。借助医学影像格式 DICOM 标准和计算机辅助诊断技术的发展,实现CT影像的异常组织的自动化识别,提供阅片诊断的准确率,已越来越重要。
实现CT影像肺部异常组织的自动识别方法的主要应用目标表现在两个方面:①在处理大量的病人CT肺部影像数据的基础上,把可疑的病灶尽可能准确地找出来,重点标注,提供给医生作为进一步诊断的参考,减少医生阅读片的工作量,提供诊断的准确率。②在大量医学影像学处理方法及对某些特殊疾病大量分析的基础上实现建模,把在影像学上容易混淆的正常组织和病灶信息通过模型参数的选择区别开,把真正的病灶甄别出来。
发明内容
针对现有的技术缺陷,本发明涉及在医疗上计算机实现的自动阅片技术,一种采用模板差分比对技术而实现的CT影像肺部异常组织的自动识别方法。主要是运用一组正常标准的CT肺部影像抽取的参数向量作为模板组,与实时动态的CT肺部影像进行比对,快速找到异常组织并自动标注的方法。
首先我们根据男女性别、年龄段、肥胖级别分别筛选出50个健康人的肺部CT图像作为标准模板,共计50个,模板编号,男性从M1、M2… ...M25编号,女性从F1、F2… ...F25编号, 然后按步骤生成模板数据。
本发明涉及构建的CT标准影像模板特征是由多组二维的极坐标、节点类型、曲率、方向性、有效关联点之间距离和伸缩因子等数据来描述每一细节点特征的,并且这些比对模板严格按照分组编号保存在数据库中。
在实际的CT肺部图像比对过程,首先我们要确定患者的年龄和性别,然后进行与模板图像相同的分析处理步骤,直至最终得到其特征数据。然后再找到对应的分组特征模板数据分别进行逐一比对处理。
在模板比对过程中,需要三个主要处理步骤:
(1) 我们分别得出与同组5个肺部影像模板数据的差异区块Sn(也可能没有)及面积级别βn(按区块面积划分0~10级);
(2) 在Sn中,对于超过2个以上模板都存在的重叠区域s’(n)分别按区块闭合的有效性进行图像剥离。如果图像闭合无效,则从s’(n)列表中删除;
(3) 计算出每个s’(n)的中心点,以最大的边缘距离作为半径r,最终在原始的CT影像上圈记出有效的异常区块。
附图说明
附图1:是本发明CT肺部模板特征生成示意图;
附图2:是本发明CT肺部影像比对运算过程的示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明:
首先我们根据男女性别、年龄段、肥胖级别分别筛选出50个健康人的肺部CT图像作为标准模板,共计50个,模板编号,男性从M1、M2… ...M25编号,女性从F1、F2… ...F25编号, 然后按步骤生成模板数据,如图1所示。
附图1中的CT肺部模板特征生成,是根据男女性别分类,按童年(0岁—6岁)、少年(7岁—17岁)、青年(18岁—40岁)、中年(41—65岁)和老年(66岁以后)分组建立。每一模板均有自己的ID编号,ID为3位:第一位为性别(1:男,2:女);第二位代表组号(1—5);第三位代表同组中的序号。
CT标准影像模板特征细节点是由二维的极坐标、节点类型、曲率、方向性、有效关联点之间距离和伸缩因子等数据来描述每一细节点特征的,并且这些比对模板严格按照分组编号保存在数据库中。
在模板比对过程中,首先对于任何输入的CT肺部图像,均要进行与模板处理步骤相同的预处理来获取细节点的特征数据。然后选择对应模板组,进行逐一比对。最终分别得出与同组5个肺部影像模板数据的差异区块Sn(也可能没有)及面积级别βn(按区块面积划分0~10级),然后求出包含Sn区块的最小矩形,并保存四个坐标点,对于βn的值也要保存。允许存在多个差异区块,Sn∈Diff_Area, 其数据结构如下:
struct Diff_Area {
Short Block_Number; //差异区块序号
Struct BLOCK_INDEX [Block_Number]; //差异区块坐标
Short Scale[Block_Number]; //差异区块面积级别
};
差异区块坐标数据结构如下:
Struct BLOCK_INDEX {
Int Top_X; //区块上X坐标
Int Top_Y; //区块上Y坐标
Int Down_X; //区块下X坐标
Int Down_Y; //区块下Y坐标
Int Left_X; //区块左X坐标
Int Left_Y; //区块左Y坐标
Int Right_X; //区块右X坐标
Int Right_Y; //区块右Y坐标
};
在本比对算法中,进行的第二步是方法是:分别将五个模板比对出的差异区块之间进行求同运算。在Sn中,对于超过2个以上模板都存在的重叠区域s’(n)均视为有效。
对于有效区块,分别进行图像闭合性运算。如果超阈值,则视为闭合无效,则从s’(n)列表中删除。
最后一步是计算出每个s’(n)的中心点,以此最大的边缘距离作为半径r,最终在原始的CT影像上圈记出有效的异常区块,比对算法流程如图2所示。
CT肺部影像标准特征模板的建立是需要专家医生从已有的CT档案库中筛选出兵完成建模工作。对于要检查的CT肺部影像,则通过计算机自动读入并完成比对及标注等所有工作环节,无需人工进行干预。以下的例子,则以CT肺部影像标准特征模板及比对过程为实施对象。
1) 建立CT肺部影像标准特征模板的数据结构
模板数据是由二维的极坐标、节点类型、曲率、方向性、有效关联点之间距离和伸缩因子等数据来描述每一细节点特征的,并且这些比对模板严格按照分组编号保存在数据库中。因此其主要数据结构定义如下
struct CT_ BellowsForm {
char ID[4]; //模板编号
int GroupID; //分组编号
char Sex; //性别:M:男,F:女
date Birthday; //出生日期
int Block_ToT_Number; //块总数量
int Block_Serial_No; //块序号
struct Block_Area *PArea; //区块指针
struct Block_ Direct *PDir; //区块方向图指针
struct Block_ Curvature *PCur; //区块方向曲率
struct Block_ KeyPoint *PKeyPoint; //关键节点坐标
struct Block_KeyPoint_ Distance *PDist; //关键点矢量表
struct Block_ StretchFactor *PFact; //关键点伸缩因子
int *PScale; //区块面积量级别(1~10)
}
struct Block_Area {
Short Block_Number; //区块序号
Struct BLOCK_INDEX *PNo; //区块坐标
Short Scale[Block_Number]; //区块面积级别
} *PArea;
差异区块坐标数据结构如下:
Struct BLOCK_INDEX {
Int Top_X; //区块上X坐标
Int Top_Y; //区块上Y坐标
Int Down_X; //区块下X坐标
Int Down_Y; //区块下Y坐标
Int Left_X; //区块左X坐标
Int Left_Y; //区块左Y坐标
Int Right_X; //区块右X坐标
Int Right_Y; //区块右Y坐标
} *PNo;
2) CT肺部影像预处理
l 基线漂移处理
l 图像
l 图像分割
l 块划分
l … ...
3) 比对算法的实现
首先我们需要确定拒认率(FAR)、误识率(FRR)和相似度(Similarity)三者匹配的预设量为三组:
0.1%、 0.02%、0.75%;
0.05%、0.06%、0.85%;
0.03%、0.08%、0.93%;
同时也需要对影像、块、细节点中的各项重要指标,通过大量测算设立合理的比对阈值,在此不特别说明。
比对算法的ECGWaveVerify(WaveData, WaveTemplate, VerifyParameter);
4)CT影像模板重构
模板重构函数名为:
ECGWaveTemplateRefactoring(OldWaveTemplate, NewWaveTemplate ,Parameter);
5)CT影像模板优化
模板优化函数名为:
ECGWaveTemplateOptimize (WaveTemplate, Parameter);
本发明的效果从CT肺部影像模板的角度来设计,在一定程度上能够提高CT影像模板的精准度和可靠性,提升自动预诊断的准确率。
Claims (3)
1.一种采用模板差分比对技术而实现的CT影像肺部异常组织的自动识别方法,其特征在于,基于一组正常标准形态的CT肺部影像,抽取其参数向量作为模板组,上述参数向量作为模板特征数据;
模板组与实时采集的CT肺部影像的比对是采用差异区块分割技术进而找出异常区块的方法;
其中,所述基于一组正常标准形态的CT肺部影像,抽取其参数向量作为模板组包括:
根据男女性别、年龄段、肥胖级别分别筛选出设定个数健康人的肺部CT图像作为标准模板,对上述标准模板进行编号,而后按步骤抽取标准模板的参数向量作为模板组;
所述找出异常区块的方法,进一步包括:
S1,分别得出与同组设定个数的肺部影像模板数据的差异区块Sn及面积级别βn;
S2,在Sn中,对于超过2个以上模板都存在的重叠区域s’(n)分别按区块闭合的有效性进行图像剥离,如果图像闭合无效,则从s’(n)列表中删除;
S3,计算出每个s’(n)的中心点,以最大的边缘距离作为半径r,最终在原始的CT影像上圈记出有效的异常区块。
2.根据权利要求1所述的方法,其特征在于,具有CT肺部图像大小的矢量自适应的特征。
3.根据权利要求1所述的方法,其特征在于,所述提取其向量作为模板特征数据包括:将CT影像预处理后得到的多组二维的极坐标、节点类型、曲率、方向图、有效关联点之间距离和伸缩因子,作为肺部周围组织模板特征的参数向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810922391.0A CN109166108B (zh) | 2018-08-14 | 2018-08-14 | 一种ct影像肺部异常组织的自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810922391.0A CN109166108B (zh) | 2018-08-14 | 2018-08-14 | 一种ct影像肺部异常组织的自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109166108A CN109166108A (zh) | 2019-01-08 |
CN109166108B true CN109166108B (zh) | 2022-04-08 |
Family
ID=64895564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810922391.0A Active CN109166108B (zh) | 2018-08-14 | 2018-08-14 | 一种ct影像肺部异常组织的自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109166108B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450899A (zh) * | 2021-06-22 | 2021-09-28 | 上海市第一人民医院 | 基于人工智能的心肺检查影像的智能导诊方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006114003A1 (en) * | 2005-04-27 | 2006-11-02 | The Governors Of The University Of Alberta | A method and system for automatic detection and segmentation of tumors and associated edema (swelling) in magnetic resonance (mri) images |
WO2008107809A2 (en) * | 2007-03-06 | 2008-09-12 | Koninklijke Philips Electronics, N.V. | Automated diagnosis and alignment supplemented with pet/mr flow estimation |
CN106846317A (zh) * | 2017-02-27 | 2017-06-13 | 北京连心医疗科技有限公司 | 一种基于特征提取和相似匹配的医学影像检索方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1934589A (zh) * | 2004-03-23 | 2007-03-21 | 美国西门子医疗解决公司 | 为医学成像提供自动决策支持的***和方法 |
CN101727666B (zh) * | 2008-11-03 | 2013-07-10 | 深圳迈瑞生物医疗电子股份有限公司 | 图像分割方法及装置、图像倒置判断方法 |
JP5962237B2 (ja) * | 2012-06-11 | 2016-08-03 | コニカミノルタ株式会社 | 胸部診断支援情報生成方法 |
-
2018
- 2018-08-14 CN CN201810922391.0A patent/CN109166108B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006114003A1 (en) * | 2005-04-27 | 2006-11-02 | The Governors Of The University Of Alberta | A method and system for automatic detection and segmentation of tumors and associated edema (swelling) in magnetic resonance (mri) images |
WO2008107809A2 (en) * | 2007-03-06 | 2008-09-12 | Koninklijke Philips Electronics, N.V. | Automated diagnosis and alignment supplemented with pet/mr flow estimation |
CN106846317A (zh) * | 2017-02-27 | 2017-06-13 | 北京连心医疗科技有限公司 | 一种基于特征提取和相似匹配的医学影像检索方法 |
Non-Patent Citations (2)
Title |
---|
"Anatomical landmarks for registration of experimental image data to volumetric rodent brain atlasing templates";Marina Sergejeva等;《Journal of Neuroscience Methods》;20150130;第240卷;第161-169页 * |
"基于图形分析方法的函数型数据异常值检验实证研究";米子川;《统计与信息论坛》;20140630;第29卷(第6期);第18-24页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109166108A (zh) | 2019-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vijayarajeswari et al. | Classification of mammogram for early detection of breast cancer using SVM classifier and Hough transform | |
Tilve et al. | Pneumonia detection using deep learning approaches | |
Dharmawan et al. | A new hybrid algorithm for retinal vessels segmentation on fundus images | |
CN108898595B (zh) | 一种胸部图像中病灶区域的定位模型的构建方法及应用 | |
US9355450B2 (en) | Apparatus and method for utilizing mammogram images for verification | |
US20120283574A1 (en) | Diagnosis Support System Providing Guidance to a User by Automated Retrieval of Similar Cancer Images with User Feedback | |
CN109389584A (zh) | 基于cnn的多尺度鼻咽肿瘤分割方法 | |
Chen et al. | Anatomy-aware siamese network: Exploiting semantic asymmetry for accurate pelvic fracture detection in x-ray images | |
Vezzetti et al. | 3D Landmarking in multiexpression face analysis: a preliminary study on eyebrows and mouth | |
CN101103924A (zh) | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其*** | |
Sapate et al. | Breast cancer diagnosis using abnormalities on ipsilateral views of digital mammograms | |
CN101714153A (zh) | 基于视觉感知的交互式乳腺钼靶图像检索方法 | |
CN112862756A (zh) | 识别甲状腺肿瘤病理图像中病变类型及基因突变的方法 | |
Aswathy et al. | Performance analysis of segmentation algorithms for the detection of breast cancer | |
Manikandan et al. | Segmentation and Detection of Pneumothorax using Deep Learning | |
CN109166108B (zh) | 一种ct影像肺部异常组织的自动识别方法 | |
CN112529900B (zh) | 匹配乳腺图像中roi的方法、装置、终端与存储介质 | |
KR102620046B1 (ko) | 약지도 딥러닝 인공 지능을 이용한 유방 초음파 진단 방법 및 시스템 | |
Bessa et al. | Normal breast identification in screening mammography: a study on 18 000 images | |
CN111768845B (zh) | 一种基于最优多尺度感知的肺结节辅助检测方法 | |
Mousavi Moghaddam et al. | Lung parenchyma segmentation from CT images with a fully automatic method | |
Nandanwar et al. | Analysis of pixel intensity variation by performing morphological operations for image segmentation on cervical cancer pap smear image | |
Jadhav et al. | Comparative Study of breast cancer detection methods | |
Nguyen et al. | Combining Deep Learning And Medical Knowledge to Detect Cadiomegaly and Pleural Effusion in Chest X-rays Diagnosis | |
CN117476219B (zh) | 基于大数据分析的定位ct断层图像的辅助方法和辅助*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |