CN109300122A - 图像处理与阈值确定方法、装置及设备 - Google Patents

图像处理与阈值确定方法、装置及设备 Download PDF

Info

Publication number
CN109300122A
CN109300122A CN201811073199.5A CN201811073199A CN109300122A CN 109300122 A CN109300122 A CN 109300122A CN 201811073199 A CN201811073199 A CN 201811073199A CN 109300122 A CN109300122 A CN 109300122A
Authority
CN
China
Prior art keywords
lobe
lung
value
area
lung area
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.)
Granted
Application number
CN201811073199.5A
Other languages
English (en)
Other versions
CN109300122B (zh
Inventor
陈磊
***
康雁
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.)
Neusoft Medical Systems Co Ltd
Original Assignee
Neusoft Medical Systems 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 Neusoft Medical Systems Co Ltd filed Critical Neusoft Medical Systems Co Ltd
Priority to CN201811073199.5A priority Critical patent/CN109300122B/zh
Publication of CN109300122A publication Critical patent/CN109300122A/zh
Priority to US16/569,227 priority patent/US11478163B2/en
Application granted granted Critical
Publication of CN109300122B publication Critical patent/CN109300122B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Pulmonology (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)

Abstract

本申请公开了一种图像处理与阈值确定方法、装置及设备，所述阈值确定方法包括：确定肺部医学图像的各肺叶区；对每个肺叶区的各CT值进行聚类，将该肺叶区划分为两个子区；获取每个肺叶区中两个子区的CT值分布函数的交点对应的CT值，为该肺叶区的肺气肿定位阈值。本申请实施例，每个肺叶区的肺气肿定位阈值由该肺叶区的CT值分布决定，并非由用户根据自身积累的医学经验和医学知识设定，因此，相对于需要用户输入阈值才能检测肺部特征的客户端，可以自动检测阈值，对用户依赖程度较低。

Description

图像处理与阈值确定方法、装置及设备
技术领域
本申请涉及图像处理技术领域，尤其涉及一种图像处理与阈值确定方法、装置及设备。
背景技术
在医疗领域，为了提供用于肺气肿诊断的中间结果，可以通过相关客户端处理肺部医学图像，得到一些肺部特征，如：可能存在肺气肿的区域(以下称为肺气肿候选区域)、肺气肿候选区域的位置参数、肺气肿候选区域的大小、肺部含气量等参数中的至少一项。医生根据这些肺部特征本身不能直接得出疾病的诊断结果或健康状况，但是可以作为一项参考数据。
相关客户端在检测这些肺部特征时，需要用户根据自身掌握的医学知识和积累的医学经验，手动输入用于确定肺气肿候选区域的阈值，然后根据该阈值确定出肺部医学图像中的肺气肿候选区域，针对肺气肿候选区域进行处理，可以测出一项或多项肺气肿参数。这里的用户可以是临床医生或成像设备操作人员等。
由上可知，相关客户端检测肺部特征依赖于相关用户输入的阈值，而该阈值依赖于用户的医学知识与医学经验。所以，相关客户端对用户依赖程度较高，不同用户输入的阈值差距较大时，很可能导致相关客户端针对同一肺部医学图像，测出差距很大的肺部特征，因此，相关客户端的检测肺部特征的准确度有可能非常低。
发明内容
本申请提供一种图像处理与阈值确定方法、装置及设备，以解决检测肺部特征的相关客户端对用户的依赖程度较高，导致特征检测准确度较低的问题。
根据本申请实施例的第一方面，提供一种阈值确定方法，包括步骤：
确定肺部医学图像的各肺叶区；
对每个肺叶区的各CT值进行聚类，将该肺叶区划分为两个子区；
获取每个肺叶区中两个子区的CT值分布函数的交点对应的CT值，为该肺叶区的肺气肿定位阈值。
在一个实施例中，所述确定肺部医学图像的各肺叶区，包括：
提取所述肺部医学图像的肺实质区域；
将所述肺实质区域分割为左肺区域与右肺区域；
确所述左肺区和右肺区中的肺叶裂缝点；
由确定的肺叶裂缝点构造肺叶裂隙面，并根据所述肺叶裂隙面确定所述肺部医学图像的各肺叶区。
在一个实施例中，对每个肺叶区的各CT值进行聚类，将该肺叶区划分为两个子区，包括：
将每个肺叶区内每个像素的CT值分别代入高斯混合模型的概率密度函数，计算该肺叶区内该像素的两个概率；其中，一概率表示该像素属于预定的第一类像素集的概率，另一概率表示该像素属于预定的第二类像素集的概率；
将该肺叶区中每个像素划分到该像素的较高概率表示的一类像素集；
将划分到所述第一类像素集的像素确定为该肺叶区的一子区，将划分到所述第二类像素集的像素确定为该肺叶区的另一子区。
在一个实施例中，获取每个肺叶区中两个子区的CT值分布函数的交点对应的CT值，为该肺叶区的肺气肿定位阈值，包括：
基于每个肺叶区中一子区的各CT值及各CT值的预定分布函数值，获取第一CT值分布函数；
基于每个肺叶区中另一子区的各CT值及各CT值预定分布函数值，获取第二CT值分布函数；
计算所述第一CT值分布函数与所述第二CT分布函数的交点，并以所述交点的横坐标为该肺叶区的肺气肿定位阈值。
在一个实施例中，预定分布函数值为高斯混合模型中的概率密度函数值。
根据本申请实施例的第二方面，提供一种图像处理方法，包括步骤：
确定肺部医学图像的各肺叶区；
获取每个肺叶区的肺气肿定位阈值；其中，所述肺气肿定位阈值为：该肺叶区内两个子区的CT值分布函数的交点对应的CT值；所述两个子区为该肺叶区的CT值聚类结果；
根据每个肺叶区的肺气肿定位阈值，确定每个肺叶区内的肺气肿候选区域。
在一个实施例中，根据每个肺叶区的肺气肿定位阈值，确定每个肺叶区内的肺气肿候选区域，包括：
将每个肺叶区内CT值小于其肺气肿定位阈值的部分，定为肺气肿候选区域。
在一个实施例中，获取每个肺叶区的肺气肿定位阈值，包括：
对每个肺叶区的各CT值进行聚类，将该肺叶区划分为两个子区；
获取每个肺叶区中两个子区的CT值分布函数的交点对应的CT值，为该肺叶区的肺气肿定位阈值。
在一个实施例中，对每个肺叶区的各CT值进行聚类，将该肺叶区划分为两个子区，包括：
将每个肺叶区内每个像素的CT值分别代入高斯混合模型的概率密度函数，计算该肺叶区内该像素的两个概率；其中，一概率表示该像素属于预定的第一类像素集的概率，另一概率表示该像素属于预定的第二类像素集的概率；
将该肺叶区中每个像素划分到该像素的较高概率表示的一类像素集；
将划分到所述第一类像素集的像素确定为该肺叶区的一子区；
将划分到所述第二类像素集的像素确定为该肺叶区的另一子区。
在一个实施例中，获取每个肺叶区中两个子区的CT值分布函数的交点对应的CT值，为该肺叶区的肺气肿定位阈值，包括：
基于每个肺叶区中一子区的各CT值及各CT值的预定分布函数值，获取第一CT值分布函数；
基于每个肺叶区中另一子区的各CT值及各CT值预定分布函数值，获取第二CT值分布函数；
计算所述第一CT值分布函数与所述第二CT分布函数的交点，并以所述交点的横坐标为该肺叶区的肺气肿定位阈值。
在一个实施例中，预定分布函数值为高斯混合模型中的概率密度函数值。
在一个实施例中，所述图像处理方法还包括以下步骤：
采用预先训练好的大数据分析模型，对确定出的肺气肿候选区域进行优化。
在一个实施例中，所述图像处理方法还包括以下步骤：
在肺部的预定医学图像上标记出所确定的肺气肿候选区域；和/或，
根据确定的肺气肿候选区域计算以下至少一项气肿参数：
每个肺气肿候选区域的位置坐标；
每个肺气肿候选区域的体积；
每个肺气肿候选区域的表面积；
肺部的含气量。
在一个实施例中，所述图像处理方法还包括以下步骤：
根据所述肺部医学图像，计算以下至少一项肺部参数：
肺部的CT均值，肺部体积，肺部面积，肺部的组织体积，肺部的组织重量，肺部的组织密度，左肺容积，右肺容积，肺部的气管体积。
根据本申请实施例的第三面，提供一种阈值确定装置，包括：
肺叶确定模块，用于确定肺部医学图像的各肺叶区；
肺叶分类模块，用于对每个肺叶区的各CT值进行聚类，将该肺叶区划分为两个子区；
阈值确定模块，用于获取每个肺叶区中两个子区的CT值分布函数的交点对应的CT值，为该肺叶区的肺气肿定位阈值。
在一个实施例中，所述肺叶区确定模块包括：
肺实质提取模块，用于提取所述肺部医学图像的肺实质区域；
肺实质划分模块，用于将所述肺实质区域分割为左肺区域与右肺区域；
裂缝点确定模块，用于确所述左肺区和右肺区中的肺叶裂缝点；
肺叶分割模块，用于由确定的肺叶裂缝点构造肺叶裂隙面，并根据所述肺叶裂隙面确定所述肺部医学图像的各肺叶区。
在一个实施例中，所述肺叶分类模块被配置为：
将每个肺叶区内每个像素的CT值分别代入高斯混合模型的概率密度函数，计算该肺叶区内该像素的两个概率；其中，一概率表示该像素属于预定的第一类像素集的概率，另一概率表示该像素属于预定的第二类像素集的概率；
将该肺叶区中每个像素划分到该像素的较高概率表示的一类像素集；
将划分到所述第一类像素集的像素确定为该肺叶区的一子区，将划分到所述第二类像素集的像素确定为该肺叶区的另一子区。
在一个实施例中，所述阈值确定模块被配置为：
基于每个肺叶区中一子区的各CT值及各CT值的预定分布函数值，获取第一CT值分布函数；
基于每个肺叶区中另一子区的各CT值及各CT值预定分布函数值，获取第二CT值分布函数；
计算所述第一CT值分布函数与所述第二CT分布函数的交点，并以所述交点的横坐标为该肺叶区的肺气肿定位阈值。
在一个实施例中，预定的CT值分布函数为高斯概率密度函数。
根据本申请实施例的第四方面，提供一种图像处理装置，包括：
肺叶确定模块，用于确定肺部医学图像的各肺叶区；
阈值获取模块，用于获取每个肺叶区的肺气肿定位阈值；其中，所述肺气肿定位阈值为：该肺叶区内两个子区的CT值分布函数的交点对应的CT值；所述两个子区为该肺叶区的CT值聚类结果；
气肿定位模块，用于根据每个肺叶区的肺气肿定位阈值，确定每个肺叶区内的肺气肿候选区域。
在一个实施例中，所述气肿定位模块还被配置为：
将每个肺叶区内CT值小于其肺气肿定位阈值的部分，定为肺气肿候选区域。
在一个实施例中，所述阈值获取模块包括：
肺叶分类模块，用于对每个肺叶区的各CT值进行聚类，将该肺叶区划分为两个子区；
阈值确定模块，用于获取每个肺叶区中两个子区的CT值分布函数的交点对应的CT值，为该肺叶区的肺气肿定位阈值。
在一个实施例中，所述肺叶分类模块被配置为：
将每个肺叶区内每个像素的CT值分别代入高斯混合模型的概率密度函数，计算该肺叶区内该像素的两个概率；其中，一概率表示该像素属于预定的第一类像素集的概率，另一概率表示该像素属于预定的第二类像素集的概率；
将该肺叶区中每个像素划分到该像素的较高概率表示的一类像素集；
将划分到所述第一类像素集的像素确定为该肺叶区的一子区；
将划分到所述第二类像素集的像素确定为该肺叶区的另一子区。
在一个实施例中，所述阈值确定模块被配置为：
基于每个肺叶区中一子区的各CT值及各CT值的预定分布函数值，获取第一CT值分布函数；
基于每个肺叶区中另一子区的各CT值及各CT值预定分布函数值，获取第二CT值分布函数；
计算所述第一CT值分布函数与所述第二CT分布函数的交点，并以所述交点的横坐标为该肺叶区的肺气肿定位阈值。
在一个实施例中，预定分布函数值为高斯混合模型中的概率密度函数值。
在一个实施例中，所述装置还包括气肿筛选模块，用于：
采用预先训练好的大数据分析模型，对确定出的肺气肿候选区域进行优化。
在一个实施例中，所述图像处理装置还包括：
气肿标记模块，用于在肺部的预定医学图像上标记出所确定的肺气肿候选区域；和/或，
气肿参数计算模块，用于根据确定的肺气肿候选区域计算以下至少一项气肿参数：
每个肺气肿候选区域的位置坐标；
每个肺气肿候选区域的体积；
每个肺气肿候选区域的表面积；
肺部的含气量。
在一个实施例中，所述图像处理装置还包括肺部参数计算模块，用于根据所述肺部医学图像，计算以下至少一项肺部参数：
肺部的CT均值，肺部体积，肺部面积，肺部的组织体积，肺部的组织重量，肺部的组织密度，左肺容积，右肺容积，肺部的气管体积。
根据本申请实施例的第五方面，提供一种计算机设备，包括：
处理器；
存储处理器可执行指令的存储器；
其中，所述处理器耦合于所述存储器，用于读取所述存储器存储的程序指令，并作为响应，执行如上所述方法中的操作。
根据本申请实施例的第六方面，提供一个或多个机器可读存储介质，其上存储有指令，当由一个或多个处理器执行时，使得计算机设备执行如上所述方法中的操作。
应用本申请实施例，在确定肺部医学图像的各肺叶区后，分别针对每个肺叶区的各CT值进行聚类，将每个肺叶区划分为两个子区；再获取每个肺叶区中两个子区的CT值分布函数的交点对应的CT值，为该肺叶区的肺气肿定位阈值。由于每个肺叶区的肺气肿定位阈值由该肺叶区的CT值分布决定，并非由用户根据自身积累的医学经验和医学知识设定，所以，相对于需要用户输入阈值才能检测肺部特征的客户端，本申请的方案可以自动检测阈值，降低对用户依赖程度。
再者，应用到定位候选肺气肿区域的场景，根据每个肺叶区的肺气肿定位阈值，确定每个肺叶区内的肺气肿候选区域时，即使由不同用户操作执行，也可以针对同一肺部医学图像，确定出相同的肺气肿候选区域，进而测出相同的肺气肿参数或其他肺部参数，提高参数检测准确度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1A与图1B是本申请一示例性实施例示出的CT***的结构示意图；
图2A是本申请一示例性实施例示出的阈值确定方法的流程图；
图2B是本申请一示例性实施例示出的肺实质区域的示意图；
图2C是本申请一示例性实施例示出的各肺叶区的示意图；
图3是本申请另一示例性实施例示出的阈值确定方法的流程图；
图4A是本申请另一示例性实施例示出的阈值确定方法的流程图；
图4B是本申请一示例性实施例示出的肺叶区的两个子区的CT值分布函数；
图4C是本申请另一示例性实施例示出的肺叶区的两个子区的CT值分布函数；
图5是本申请一示例性实施例示出的图像处理方法的流程图；
图6是本申请一示例性实施例示出的计算机设备的硬件结构示意图；
图7是本申请一示例性实施例示出的阈值确定装置的框图；
图8是本申请另一示例性实施例示出的图像处理装置的框图。
具体实施方式
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
在医学领域，肺部疾病中的肺气肿，是一种严重威胁人类健康的慢性阻塞性肺部疾病(chronic obstructive pulmonary disease，COPD)，早期症状不明显，且随着环境的变化，患病人数有日益上升的趋势，因此肺气肿早期诊断及筛查至关重要。
虽然，相关客户端可以依赖于相关用户输入的阈值，通过肺部医学图像检测肺部特征，但是，该阈值依赖于用户的医学知识与医学经验。所以，相关客户端对用户依赖程度较高，不同用户输入的阈值差距较大时，很可能导致相关客户端针对同一肺部医学图像，测出差距很大的肺部特征。有鉴于此，本申请人考虑到用户输入的阈值，除受限于用户的医学知识与经验外，还考虑到肺气肿的类型不单一，单一阈值仅适用于检测病变组织弥漫分布于整个肺区肺叶的情况，对于病变部位局限于肺段或某些肺组织(主要是肺叶)及其他情况，适用性较差。为此，申请人提出一种通过肺部医学图像的处理，自动检测出适用于不同肺叶区的阈值确定方法。
本申请的阈值确定方法，在确定肺部医学图像的各肺叶区后，分别针对每个肺叶区的各CT值进行聚类，将每个肺叶区划分为两个子区；再获取每个肺叶区中两个子区的CT值分布函数的交点对应的CT值，为该肺叶区的肺气肿定位阈值。由于每个肺叶区的肺气肿定位阈值由该肺叶区的CT值分布决定，并非由用户根据自身积累的医学经验和医学知识设定。相对于需要用户输入阈值才能检测肺部特征的客户端，本申请的方案可以自动检测阈值，对用户依赖程度较低。
本申请实施例涉及的阈值，可以用于定位肺部医学图像中可能存在肺气肿的区域，为便于示例描述，本申请实施例将可能存在肺气肿的区域称为肺气肿候选区域。其中，肺部医学图像为肺部的CT图像，可以通过CT***生成，以下结合一实施例介绍下生成CT图像的CT***：
图1A为CT***的结构示意图，图1B详细的示意了图1A中的部分组成部分的结构。可以结合图1A和图1B来看，该CT***100可以包括：机架10、检查床20和计算机***30。
其中，机架10，其作用可以是用来完成特定扫描方式的扫描，以获得被检对象200扫描层面的原始数据，供计算机***30进行图像处理，得到CT图像。
机架10可以包括固定机架11和旋转机架12。固定机架11可以用于控制机架倾斜角度，控制扫描架旋转。如图1B所示，旋转机架12可以安装有球管121，用于在垂直于轴线Z的方向上发射X射线；在旋转机架12上与球管121相对的位置可以安装探测器122，用于检测X射线强度。需要说明的是，某些CT设备的X射线探测器可以位于固定机架上。
检查床20，其作用是准确地把被检对象200送到预定或者适当的位置。此处需要说明的是，在一些CT***中，检查床并不一定是必须的。
计算机***30，可以用于实现三种功能：其一，控制机架10和检查床20：当操作者选用适当的扫描参数启动扫描之后，安排扫描期间内各种事件顺序。其二、数据处理，包括数据预处理和图像重建。其三、图像显示。
为了实现上述的三种功能，该计算机***30可以包括如下组成部分：控制设备13、图像重建设备34、计算机35、显示器31、操作台32和存储设备33。
其中，控制设备13，可以用于控制机架10带动球管121和探测器122绕Z轴旋转，控制球管121在旋转过程中发射X射线。本例中，控制设备13可以包括以下几个模块：
X射线控制器131，用于为球管121提供能量和时序信号。
机架驱动控制器132，用于控制旋转机架的转速和起始位置。
数据采集***133(data acquisition system，DAS)，用于从探测器122中采集模拟信号，并将上述模拟信号转换为用于后续图像处理的数字信号，将所述数字信号输出给与其相连的图像重建设备34。
图像重建设备34，可以用于根据数据采集***133输出的扫描数据进行图像重建，获得CT重建图像。
某些场景下，机架10随时间变化旋转时，可以带动球管121从不同角度向被检对象200的肺部发射X射线，由数据采集***133对应从探测器122中采集模拟信号，并将上述模拟信号转换为用于后续图像处理的数字信号，将所述数字信号输出给与其相连的图像重建设备34，图像重建设备34重建出一系列的CT图像。可以将这一系列的CT图像，称为肺部医学图像序列。
计算机35，可以用于将操作者通过操作台32输入的命令和参数转化为控制信号或信息发送给控制设备13和/或检查床驱动控制器21；该计算机35还可以接收并存储图像重建设备34重建的CT图像。
显示器31，用于显示重建图像和相关数据。
操作台32，用于接收操作者输入的命令和扫描参数。
存储设备33，用于存储重建的CT图像。某些场景下，计算机35还可以将CT图像以DICOM格式或其他格式，发送至存储CT图像的服务器，以便与其他计算机终端共享CT图像。这里提到的DICOM为医学数字成像和通信(Digital Imaging and Communications inMedicine)，是医学图像和相关信息的国际标准(ISO 12052)，定义了质量能满足临床需要的可用于数据交换的医学图像格式。
某些实施例中，本申请的阈值确定方法可以应用于计算机***30，在图像重建设备24重建出肺部CT图像后，由图像重建设备24或计算机35以肺部CT图像为肺部医学图像，确定肺部医学图像的各肺叶区；对每个肺叶区的各CT值进行聚类，将该肺叶区划分为两个子区；获取每个肺叶区中两个子区的CT值分布函数的交点对应的CT值，为该肺叶区的肺气肿定位阈值。在其他实施例中，本申请的阈值确定方法可以应用于计算机***30外的其他计算机设备，该计算机设备可以实时从计算机***30或图像服务器获取肺部CT图像，也可以预存肺部CT图像，然后确定肺气肿定位阈值。以下结合附图详细介绍下本申请实施例的图像处理过程：
请参阅图2A，图2A是本申请一示例性实施例示出的阈值确定方法的流程图，可以应用于计算机设备，包括步骤S201至步骤S203：
步骤S201、确定肺部医学图像的各肺叶区。
步骤S202、对每个肺叶区的各CT值进行聚类，将该肺叶区划分为两个子区。
步骤S203、获取每个肺叶区中两个子区的CT值分布函数的交点对应的CT值，为该肺叶区的肺气肿定位阈值。
本申请实施例应用的计算机设备，如上所述，可以是计算机***30中的图像重建设备24或计算机35，也可以是计算机机***30外具有图像处理能力的计算设备。
在图像重建设备24重建出肺部CT图像，或接收图像重建设备24发出的肺部CT图像，或从图像服务器获取肺部CT图像后，某些情况下，本申请实施例可以对肺部医学图像进行标准化预处理，然后实时以预处理后的肺部CT图像为肺部医学图像，采用相关的肺部分割技术，对肺部医学图像进行分割，得到肺叶区。
针对肺部医学图像的分割需要说明的是，CT***生成肺部CT图像时，直接对胸部进行拍摄，因此，重建出的CT图像中包括肺部以外其他组织的图像，需要从重建的CT图像中提取出肺实质区域，并且确定左肺区域和右肺区域的边界。在确定出左右肺所属区域之后，才可以在左肺区域和右肺区域内进行肺叶分割，其中，提取出的肺实质区域如图2B所示。左肺区域包括两个肺叶，右肺区域包括三个肺叶。
本申请实施例在确定肺叶区时，可以将左肺区域的两个肺叶确定为一个肺叶区，将右肺区域的三个肺叶确定为另一个肺叶区，也可以将每个肺叶作为一个肺叶区，共确定出五个肺叶区，具体确定出的肺叶区的个数，可以根据实际应用需求进行确定，本申请实施例对此不做限制。
一例子中，本申请实施例可以通过以下操作确定肺部医学图像的各肺叶区：
提取所述肺部医学图像的肺实质区域；将所述肺实质区域分割为左肺区域与右肺区域；确所述左肺区和右肺区中的肺叶裂缝点；由确定的肺叶裂缝点构造肺叶裂隙面，并根据所述肺叶裂隙面确定所述肺部医学图像的各肺叶区。
其中，提取肺实质区域时，可以基于肺部的形态、灰度等特征进行提取，也可以采用自动阈值算法或本领域的其他相关方法提取，在此不再赘述。
对于提取出的肺实质区域，某些例子中，为了避免气管对肺叶分割的影响，可以从肺实质区域剔除气管组织，再将剔除肺气管组织的肺实质区域，分割为左肺区域与右肺区域。这里剔除气管组织时，可以采用波前检测和低阈值区域增长算法，也可以采取本领域的其他相关方法剔除，在此不再赘述。
此外，确所述左肺区和右肺区中的肺叶裂缝点时，考虑到CT图像中可能在很多的裂缝局部亮点、血管壁信号点、血管壁附近的裂缝点以及非平面和非曲线状裂缝点，这些点的存在会对提取肺叶裂缝点的过程会产生干扰，降低该干扰的影响，本申请实施例在提取肺叶裂缝点时，可以对裂缝局部亮点、血管壁信号点、血管壁附近的裂缝点以及非平面和非曲线状裂缝点进行抑制。然后由确定的肺叶裂缝点构造肺叶裂隙面，在确定肺叶缝隙面时可以采用海森矩阵，进而确定出肺叶区，其他例子中也可以采用沃尔什变换或其他方法分割出肺叶区。以下简述下通过海森矩阵确肺叶缝隙面的过程：
经过高斯滤波后，对所述左肺区域和右肺区域中的每个像素点构建海森矩阵，并获得所述海森矩阵的三个特征值λ1、λ2和λ3，且|λ1|≤|λ2|≤|λ3|；
按照对应公式提取肺叶裂缝点，将所述F大于预定阈值对应的像素点提取为所述肺叶裂缝点。
提取出肺叶裂缝点后，可以利用曲面拟合算法，将提取出的肺叶裂缝点进行曲面拟合，得到肺叶裂隙面，即由点构造面。拟合出的肺叶裂隙面将肺实质区域划分为不同的肺叶区。确定出的肺叶区可以如图2C所示，共五个肺叶区，包括左肺区域的两个肺叶及右肺区域的三个肺叶。
在其他实施例中，可以预先通过上述确定肺叶区的方式，确定出肺叶区，然后在需要确定肺气肿定位阈值时，直接调取出预先确定的肺叶区。
在确定好肺叶区后，本申请考虑到不同肺叶区，均可能存在肺气肿病灶区域与健康组织区域，而气肿病灶区域含有大量空气，由于图像中空气的CT值通常低于非空气组织的CT值，肺气肿病灶区域的CT值低于健康组织区域CT值。鉴于肺气肿区域与健康组织区域间CT值的不同，本申请实施例可以通过聚类CT值的方式，将每个肺叶区划分为两个子区，其中一个子区代表健康组织区域，另一个子区代表可能含有肺气肿病灶的区域。
再考虑到聚类后得到的每个肺叶区中两个子区，CT值分布很可能存在重叠区域，而重叠区域的存在将影响肺气肿定位精度，难以清晰的分割出肺气肿候选区。本申请为了更好的区分出肺气肿候选区，将两个子区的CT值分布函数的交点对应的CT值，确定为该肺叶区的肺气肿定位阈值，以便区分出肺气肿候选区域。
这里提到的CT值，可以是CT图像中各组织与X线衰减系数相当的对应值。无论是矩阵图像或矩阵数字都是CT值的代表，而CT值又是从人体组织、器官的μ值换算而来的。肺气肿定位阈值可以是交点处的CT值，也可以是交点处的CT值的调整值，调整幅度可以根据实际应用需求决定，如调整1％。
其中，在聚类CT值时，可以采取K均值、模糊C均值、层次聚类等各种聚类方法，将每个肺叶区的各像素点代入聚类公式，分为两类，以下以高斯混合模型(GMM)算法为例，介绍下本申请实施例划分每个肺叶区的过程，具体可以参见图3，图3所示的方法包括步骤S301-S303：
步骤S301、将每个肺叶区内每个像素的CT值分别代入高斯混合模型的概率密度函数，计算该肺叶区内该像素的两个概率；其中，一概率表示该像素属于预定的第一类像素集的概率，另一概率表示该像素属于预定的第二类像素集的概率。
步骤S302、将该肺叶区中每个像素划分到该像素的较高概率表示的一类像素集。
步骤S303、将划分到所述第一类像素集的像素确定为该肺叶区的一子区，将划分到所述第二类像素集的像素确定为该肺叶区的另一子区。
本申请实施例中，肺叶区可以为左肺叶区与右肺叶区中任一个，也可以是五个肺叶区中任一个，在步骤S301中，依次选取左肺叶区与右肺叶区中每个肺叶区，或者五个肺叶区中每个肺叶区，将选取的每个肺叶区内每个像素的CT值分别代入如下公式：
其中，θ＝(μ,σ2)与μ,σ2分别表示样本均值和方差，αk＝P(z＝k|θ)αk，是样本集合中k类被选中的概率，z＝k指的是样本属于k类。
此外，CT值不是绝对不变的数值，它不仅与人体内在因素如呼吸、血流等有关，而且与X线管电压、CT装置、室内温度等外界因素有关，应经常校正。
将每个肺叶区划分为两个子区后，基于每个肺叶区中两个子区的CT值分布情况不同这一特征，本申请实施例可以直接计算出CT值分布函数的交点对应的CT值，确定为该肺叶区的肺气肿定位阈值。以下介绍一种计算CT值分布函数的交点的方式，具体可以参阅图4A，图4A所示方法可以包括步骤S401-S403：
步骤S401、基于每个肺叶区中一子区的各CT值及各CT值的预定分布函数值，获取第一CT值分布函数。
步骤S402、基于每个肺叶区中另一子区的各CT值及各CT值预定分布函数值，获取第二CT值分布函数。
步骤S403、计算所述第一CT值分布函数与所述第二CT分布函数的交点，并以所述交点的横坐标为该肺叶区的肺气肿定位阈值。
本申请实施例中，肺叶区可以为左肺叶区与右肺叶区中任一个，也可以是五个肺叶区中任一个，然后，依次选取左肺叶区与右肺叶区中每个肺叶区，或者五个肺叶区中每个肺叶区，将选取的每个肺叶区内每个像素的CT值分别代入预定的CT值分布函数，进而计算出两个子区域的CT值分布函数的交点为该肺叶区的肺气肿定位阈值。需要说明的是，本实施例以所述交点的横坐标为该肺叶区的肺气肿定位阈值，某些例子中，可以对所述交点的横坐标进行一定幅度的调整后，将调整后的横坐标作为肺叶区的肺气肿定位阈值，本申请实施例对此不做限制。
此外，预定的CT值分布函数可以是以像素点的CT值为横坐标，以CT值相同的像素点的个数为纵坐标的分布函数，也可以是以像素点的CT值为横坐标，其他以CT值为自变量的函数的因变量为纵坐标的分布函数。例如高斯混合模型中的概率密度函数，其中，预定分布函数值为高斯混合模型中的概率密度函数值。以下以左肺叶区与右肺叶区为例，结合附图4B与4C说明下每个肺叶区的肺气肿定位阈值：
图4B所示为左肺叶区的两个子区的CT值分布函数的曲线图，其中，左侧的曲线为可能含有肺气肿的子区域的CT值分布函数的曲线图，右侧的曲线为表示健康区域的子区域的CT值分布函数的曲线图。
两条曲线的交点为左肺叶区的肺气肿定位阈值，某些情况下，左肺叶区的肺气肿定位阈值-940.7亨氏单位。
图4C所示为右肺叶区的两个子区的CT值分布函数的曲线图，其中，左侧的曲线为可能含有肺气肿的子区域的CT值分布函数的曲线图，右侧的曲线为表示健康区域的子区域的CT值分布函数的曲线图。
两条曲线的交点为右肺叶区的肺气肿定位阈值，某些情况下，右肺叶区的肺气肿定位阈值-928亨氏单位。
本申请在通过上述任一实施例，确定好各肺叶区域的肺气肿阈值后，可以将各肺叶区域的肺气肿阈值，应用到定位候选肺气肿区域的场景。
实际应用时，可以存储各肺叶区域的阈值，以便后续确定肺气肿候选区域时使用，也可以确定好肺气肿区域后，即时根据每个肺叶区的肺气肿定位阈值，确定每个肺叶区内的肺气肿候选区域。以下介绍一种确定肺气肿候选区域的图像处理方法。
请参阅图5，图5是本申请一示例性实施例示出的图像处理方法的流程图，可以应用于计算机设备，包括步骤S501至步骤S503：
步骤S501、确定肺部医学图像的各肺叶区。
步骤S502、获取每个肺叶区的肺气肿定位阈值；其中，所述肺气肿定位阈值为：该肺叶区内两个子区的CT值分布函数的交点对应的CT值；所述两个子区为该肺叶区的CT值聚类结果。
步骤S503、根据每个肺叶区的肺气肿定位阈值，确定每个肺叶区内的肺气肿候选区域。
本申请实施例中的部分技术特征与前述阈值确定方法实施例的技术特征相应，在此不再赘述，如：确定各肺叶区的方式，可以参照前述阈值确定方法涉及的实施例，在此不再赘述。
获取每个肺叶区的肺气肿定位阈值时，可以直接调取预先通过前述肺气肿阈值方法确定好的肺气肿定位阈值，也可以实时采用上述阈值确定方法涉及的实施例中的技术手段。区别在于，获取每个肺叶区的肺气肿定位阈值时不需要再次确定肺部医学图像的各肺叶区域。
获取到每个肺叶区的肺气肿定位阈值后，可以根据该肺气肿定位阈值对该肺叶区内进行划分，划分为健康区域与可能含有肺气肿的区域，得到肺气肿候选区域。实际划分时，考虑到结合肺气肿病灶区域的CT值低于健康组织区域CT值的特性，可以将每个肺叶区内CT值小于其肺气肿定位阈值的部分划分为肺气肿候选区域，剩余区域划分为健康区域。在其他实施例中，也可以将每个肺叶区内CT与其肺气肿定位阈值的差值在一定范围内的部分，划分为肺气肿候选区域，具体划分方式在此不再赘述。
此外，本申请考虑到每个被检对象每次做CT扫描时，由于设备和操作者的原因，可能导致每一次CT扫描的CT值不同，为了能更好更准确的得到肺气肿定位阈值，可以通过前期大量CT扫描到大量肺部医学图像，通过本申请的阈值确定方法计算肺气肿定位阈值；然后，整理肺气肿定位阈值后，输入大数据分析模型(如回归、交叉验证等方法对应的模型)，训练得到肺气肿候选区域分类模型。本申请实施例，可以在确定好肺气肿候选区域后，采用预先训练好的大数据分析模型，对确定出的肺气肿候选区域进行优化。
在确定好肺气肿区域后，可以在肺部医学图像上对各肺气肿候选区域进行标记，将肺气肿候选区域在肺部医学图像进行突出显示。可以采用不同的颜色值或灰度值进行标记。
本申请实施例，也可以根据确定的肺气肿候选区域计算以下至少一项气肿参数：
每个肺气肿候选区域的位置坐标；
每个肺气肿候选区域的体积；
每个肺气肿候选区域的表面积；
肺部的含气量。
本申请实施例，还可以根据所述肺部医学图像，计算以下至少一项肺部参数：
肺部的CT均值，肺部体积，肺部面积，肺部的组织体积，肺部的组织重量，肺部的组织密度，左肺容积，右肺容积，肺部的气管体积。
其中，肺部体积的计算公式如下:
其中，第一项为单个像素的面积乘，第二项为肺气肿区域内像素数量，第三项为肺部医学图像的层厚。
表面积的计算公式如下：
其中，第一项为单个像素的边长，第二项为肺气肿候选区域边缘的像素数量，第三项为肺部医学图像的层厚。
肺部的含气量的计算公式如下：：
其中，第一项为各像素的含气量的累加值，第二项为像素的体积。
组织体积的计算公式如下：
(lungNums+lungNumB)*pixelVolume；
其中，第一项为含气的像素的累加值+非含气的像素累加值的和，第二项为单像素的体积。
由上述实施例可知，在确定肺部医学图像的各肺叶区后，分别针对每个肺叶区的各CT值进行聚类，将每个肺叶区划分为两个子区；再获取每个肺叶区中两个子区的CT值分布函数的交点对应的CT值，为该肺叶区的肺气肿定位阈值。由于每个肺叶区的肺气肿定位阈值由该肺叶区的CT值分布决定，并非由用户根据自身积累的医学经验和医学知识设定。相对于需要用户输入阈值才能检测肺部特征的客户端，本申请的方案可以自动检测阈值，对用户依赖程度较低。
再者，应用到定位候选肺气肿区域的场景，根据每个肺叶区的肺气肿定位阈值，确定每个肺叶区内的肺气肿候选区域时，即使由不同用户操作执行，也可以针对同一肺部医学图像，确定出相同的肺气肿候选区域，进而测出相同的肺气肿参数或其他肺部参数，提高参数检测准确度。
此外，需要说明的是，本申请实施例得到的肺气肿候选区域、肺气肿参数或肺部参数，只用于作为肺气肿诊断的中间结果，不能代替医生做出肺气肿诊断，医生需要结合其他信息进行综合诊断，综合诊断依据的信息难以预知，因被检对象与医生而异。
与本申请阈值确定方法/图像处理方法的示例相对应，本申请还提供了阈值确定装置/图像处理装置的示例。阈值确定装置/图像处理装置可以应用于各种计算机设备，如个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、平板计算机、智能交互平板、智能家居设备或者这些设备中的任意几种设备的组合。
如图6所示，为本申请阈值确定装置/图像处理装置应用的计算机设备的硬件结构示意图，该计算机设备可以包括处理器610、内存620、非易失性存储器630。其中，内存620和非易失性存储器630为机器可读存储介质，处理器610和机器可读存储介质620、630可借由内部总线640相互连接。在其他可能的实现方式中，所述计算机设备还可能包括网络接口650，以能够与其他设备或者部件进行通信。除了图6所示的处理器610、内存620、网络接口650、以及非易失性存储器630之外，该设备根据实际功能需要还可以包括其他硬件，图6中不再一一示出。
在不同的例子中，所述机器可读存储介质620、630可以是ROM(Read-Only Memory，只读存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、DVD等)，或者类似的存储介质，或者它们的组合。
进一步，机器可读存储介质、可具体为内存620上存储有与阈值确定装置/图像处理装置对应的机器可执行指令。从功能上划分，如图7所示，阈值确定装置可包括肺叶确定模块710、肺叶分类模块720和阈值确定模块730。
其中，肺叶确定模块710，用于确定肺部医学图像的各肺叶区。
肺叶分类模块720，用于对每个肺叶区的各CT值进行聚类，将该肺叶区划分为两个子区。
阈值确定模块730，用于获取每个肺叶区中两个子区的CT值分布函数的交点对应的CT值，为该肺叶区的肺气肿定位阈值。
一例子中，肺叶区确定模块710可以包括：
肺实质提取模块，用于提取所述肺部医学图像的肺实质区域；
肺实质划分模块，用于将所述肺实质区域分割为左肺区域与右肺区域；
裂缝点确定模块，用于确所述左肺区和右肺区中的肺叶裂缝点；
肺叶分割模块，用于由确定的肺叶裂缝点构造肺叶裂隙面，并根据所述肺叶裂隙面确定所述肺部医学图像的各肺叶区。
另一例子中，肺叶分类模块720可以被配置为：
将每个肺叶区内每个像素的CT值分别代入高斯混合模型的概率密度函数，计算该肺叶区内该像素的两个概率；其中，一概率表示该像素属于预定的第一类像素集的概率，另一概率表示该像素属于预定的第二类像素集的概率；
将该肺叶区中每个像素划分到该像素的较高概率表示的一类像素集；
将划分到所述第一类像素集的像素确定为该肺叶区的一子区，将划分到所述第二类像素集的像素确定为该肺叶区的另一子区。
另一例子中，阈值确定模块730可以被配置为：
基于每个肺叶区中一子区的各CT值及各CT值的预定分布函数值，获取第一CT值分布函数；
基于每个肺叶区中另一子区的各CT值及各CT值预定分布函数值，获取第二CT值分布函数；
计算所述第一CT值分布函数与所述第二CT分布函数的交点，并以所述交点的横坐标为该肺叶区的肺气肿定位阈值。
作为例子，预定的CT值分布函数为高斯概率密度函数。
如图8所示，图像处理装置可包括肺叶确定模块810、阈值获取模块820和气肿定位模块830。
其中，肺叶确定模块810，用于确定肺部医学图像的各肺叶区。
阈值获取模块820，用于获取每个肺叶区的肺气肿定位阈值；其中，所述肺气肿定位阈值为：该肺叶区内两个子区的CT值分布函数的交点对应的CT值；所述两个子区为该肺叶区的CT值聚类结果。
气肿定位模块830，用于根据每个肺叶区的肺气肿定位阈值，确定每个肺叶区内的肺气肿候选区域。
一例子中，气肿定位模块830还可以被配置为：
将每个肺叶区内CT值小于其肺气肿定位阈值的部分，定为肺气肿候选区域。
另一例子中，阈值获取模块520可以包括：
肺叶分类模块，用于对每个肺叶区的各CT值进行聚类，将该肺叶区划分为两个子区；
阈值确定模块，用于获取每个肺叶区中两个子区的CT值分布函数的交点对应的CT值，为该肺叶区的肺气肿定位阈值。
作为例子，所述肺叶分类模块被配置为：
将每个肺叶区内每个像素的CT值分别代入高斯混合模型的概率密度函数，计算该肺叶区内该像素的两个概率；其中，一概率表示该像素属于预定的第一类像素集的概率，另一概率表示该像素属于预定的第二类像素集的概率；
将该肺叶区中每个像素划分到该像素的较高概率表示的一类像素集；
将划分到所述第一类像素集的像素确定为该肺叶区的一子区；
将划分到所述第二类像素集的像素确定为该肺叶区的另一子区。
作为例子，所述阈值确定模块被配置为：
基于每个肺叶区中一子区的各CT值及各CT值的预定分布函数值，获取第一CT值分布函数；
基于每个肺叶区中另一子区的各CT值及各CT值预定分布函数值，获取第二CT值分布函数；
计算所述第一CT值分布函数与所述第二CT分布函数的交点，并以所述交点的横坐标为该肺叶区的肺气肿定位阈值。
作为例子，预定分布函数值为高斯混合模型中的概率密度函数值。
另一例子中，本申请实施例的突显刚处理装置还可以包括气肿筛选模块，用于：
采用预先训练好的大数据分析模型，对确定出的肺气肿候选区域进行优化。
另一例子中，本申请实施例的突显刚处理装置还可以包括：
气肿标记模块，用于在肺部的预定医学图像上标记出所确定的肺气肿候选区域；和/或，
气肿参数计算模块，用于根据确定的肺气肿候选区域计算以下至少一项气肿参数：
每个肺气肿候选区域的位置坐标；
每个肺气肿候选区域的体积；
每个肺气肿候选区域的表面积；
肺部的含气量。
另一例子中，本申请实施例的突显刚处理装置，还可以包括肺部参数计算模块，用于根据所述肺部医学图像，计算以下至少一项肺部参数：
肺部的CT均值，肺部体积，肺部面积，肺部的组织体积，肺部的组织重量，肺部的组织密度，左肺容积，右肺容积，肺部的气管体积。
本实施例的装置中各个单元(或模块)的功能和作用的实现过程，具体详见上述装置中对应的单元或模块，在此不再赘述。
本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (25)

1.一种阈值确定方法，其特征在于，包括步骤：
确定肺部医学图像的各肺叶区；
对每个肺叶区的各CT值进行聚类，将该肺叶区划分为两个子区；
获取每个肺叶区中两个子区的CT值分布函数的交点对应的CT值，为该肺叶区的肺气肿定位阈值。
2.根据权利要求1所述的方法，其特征在于，所述确定肺部医学图像的各肺叶区，包括：
提取所述肺部医学图像的肺实质区域；
将所述肺实质区域分割为左肺区域与右肺区域；
确所述左肺区和右肺区中的肺叶裂缝点；
由确定的肺叶裂缝点构造肺叶裂隙面，并根据所述肺叶裂隙面确定所述肺部医学图像的各肺叶区。
3.根据权利要求1所述的方法，其特征在于，对每个肺叶区的各CT值进行聚类，将该肺叶区划分为两个子区，包括：
将每个肺叶区内每个像素的CT值分别代入高斯混合模型的概率密度函数，计算该肺叶区内该像素的两个概率；其中，一概率表示该像素属于预定的第一类像素集的概率，另一概率表示该像素属于预定的第二类像素集的概率；
将该肺叶区中每个像素划分到该像素的较高概率表示的一类像素集；
将划分到所述第一类像素集的像素确定为该肺叶区的一子区，将划分到所述第二类像素集的像素确定为该肺叶区的另一子区。
4.根据权利要求1至3中任一项所述的方法，其特征在于，获取每个肺叶区中两个子区的CT值分布函数的交点对应的CT值，为该肺叶区的肺气肿定位阈值，包括：
基于每个肺叶区中一子区的各CT值及各CT值的预定分布函数值，获取第一CT值分布函数；
基于每个肺叶区中另一子区的各CT值及各CT值预定分布函数值，获取第二CT值分布函数；
计算所述第一CT值分布函数与所述第二CT分布函数的交点，并以所述交点的横坐标为该肺叶区的肺气肿定位阈值。
5.根据权利要求4所述的方法，其特征在于，预定分布函数值为高斯混合模型中的概率密度函数值。
6.一种图像处理方法，其特征在于，包括步骤：
确定肺部医学图像的各肺叶区；
获取每个肺叶区的肺气肿定位阈值；其中，所述肺气肿定位阈值为：该肺叶区内两个子区的CT值分布函数的交点对应的CT值；所述两个子区为该肺叶区的CT值聚类结果；
根据每个肺叶区的肺气肿定位阈值，确定每个肺叶区内的肺气肿候选区域。
7.根据权利要求6所述的方法，其特征在于，根据每个肺叶区的肺气肿定位阈值，确定每个肺叶区内的肺气肿候选区域，包括：
将每个肺叶区内CT值小于其肺气肿定位阈值的部分，定为肺气肿候选区域。
8.根据权利要求6所述的方法，其特征在于，获取每个肺叶区的肺气肿定位阈值，包括：
对每个肺叶区的各CT值进行聚类，将该肺叶区划分为两个子区；
获取每个肺叶区中两个子区的CT值分布函数的交点对应的CT值，为该肺叶区的肺气肿定位阈值。
9.根据权利要求8所述的方法，其特征在于，对每个肺叶区的各CT值进行聚类，将该肺叶区划分为两个子区，包括：
将每个肺叶区内每个像素的CT值分别代入高斯混合模型的概率密度函数，计算该肺叶区内该像素的两个概率；其中，一概率表示该像素属于预定的第一类像素集的概率，另一概率表示该像素属于预定的第二类像素集的概率；
将该肺叶区中每个像素划分到该像素的较高概率表示的一类像素集；
将划分到所述第一类像素集的像素确定为该肺叶区的一子区；
将划分到所述第二类像素集的像素确定为该肺叶区的另一子区。
10.根据权利要求8所述的方法，其特征在于，获取每个肺叶区中两个子区的CT值分布函数的交点对应的CT值，为该肺叶区的肺气肿定位阈值，包括：
基于每个肺叶区中一子区的各CT值及各CT值的预定分布函数值，获取第一CT值分布函数；
基于每个肺叶区中另一子区的各CT值及各CT值预定分布函数值，获取第二CT值分布函数；
计算所述第一CT值分布函数与所述第二CT分布函数的交点，并以所述交点的横坐标为该肺叶区的肺气肿定位阈值。
11.根据权利要求9所述的方法，其特征在于，预定分布函数值为高斯混合模型中的概率密度函数值。
12.根据权利要求6所述的方法，其特征在于，所述方法还包括以下步骤：
采用预先训练好的大数据分析模型，对确定出的肺气肿候选区域进行优化。
13.一种阈值确定装置，其特征在于，包括：
肺叶确定模块，用于确定肺部医学图像的各肺叶区；
肺叶分类模块，用于对每个肺叶区的各CT值进行聚类，将该肺叶区划分为两个子区；
阈值确定模块，用于获取每个肺叶区中两个子区的CT值分布函数的交点对应的CT值，为该肺叶区的肺气肿定位阈值。
14.根据权利要求13所述的装置，其特征在于，所述肺叶区确定模块包括：
肺实质提取模块，用于提取所述肺部医学图像的肺实质区域；
肺实质划分模块，用于将所述肺实质区域分割为左肺区域与右肺区域；
裂缝点确定模块，用于确所述左肺区和右肺区中的肺叶裂缝点；
肺叶分割模块，用于由确定的肺叶裂缝点构造肺叶裂隙面，并根据所述肺叶裂隙面确定所述肺部医学图像的各肺叶区。
15.根据权利要求13所述的装置，其特征在于，所述肺叶分类模块被配置为：
将每个肺叶区内每个像素的CT值分别代入高斯混合模型的概率密度函数，计算该肺叶区内该像素的两个概率；其中，一概率表示该像素属于预定的第一类像素集的概率，另一概率表示该像素属于预定的第二类像素集的概率；
将该肺叶区中每个像素划分到该像素的较高概率表示的一类像素集；
将划分到所述第一类像素集的像素确定为该肺叶区的一子区，将划分到所述第二类像素集的像素确定为该肺叶区的另一子区。
16.根据权利要求13至15中任一项所述的装置，其特征在于，所述阈值确定模块被配置为：
基于每个肺叶区中一子区的各CT值及各CT值的预定分布函数值，获取第一CT值分布函数；
基于每个肺叶区中另一子区的各CT值及各CT值预定分布函数值，获取第二CT值分布函数；
计算所述第一CT值分布函数与所述第二CT分布函数的交点，并以所述交点的横坐标为该肺叶区的肺气肿定位阈值。
17.根据权利要求16所述的装置，其特征在于，预定的CT值分布函数为高斯概率密度函数。
18.一种图像处理装置，其特征在于，包括：
肺叶确定模块，用于确定肺部医学图像的各肺叶区；
阈值获取模块，用于获取每个肺叶区的肺气肿定位阈值；其中，所述肺气肿定位阈值为：该肺叶区内两个子区的CT值分布函数的交点对应的CT值；所述两个子区为该肺叶区的CT值聚类结果；
气肿定位模块，用于根据每个肺叶区的肺气肿定位阈值，确定每个肺叶区内的肺气肿候选区域。
19.根据权利要求18所述的装置，其特征在于，所述气肿定位模块还被配置为：
将每个肺叶区内CT值小于其肺气肿定位阈值的部分，定为肺气肿候选区域。
20.根据权利要求18所述的装置，其特征在于，所述阈值获取模块包括：
肺叶分类模块，用于对每个肺叶区的各CT值进行聚类，将该肺叶区划分为两个子区；
阈值确定模块，用于获取每个肺叶区中两个子区的CT值分布函数的交点对应的CT值，为该肺叶区的肺气肿定位阈值。
21.根据权利要求20所述的装置，其特征在于，所述肺叶分类模块被配置为：
将每个肺叶区内每个像素的CT值分别代入高斯混合模型的概率密度函数，计算该肺叶区内该像素的两个概率；其中，一概率表示该像素属于预定的第一类像素集的概率，另一概率表示该像素属于预定的第二类像素集的概率；
将该肺叶区中每个像素划分到该像素的较高概率表示的一类像素集；
将划分到所述第一类像素集的像素确定为该肺叶区的一子区；
将划分到所述第二类像素集的像素确定为该肺叶区的另一子区。
22.根据权利要求20所述的装置，其特征在于，所述阈值确定模块被配置为：
基于每个肺叶区中一子区的各CT值及各CT值的预定分布函数值，获取第一CT值分布函数；
基于每个肺叶区中另一子区的各CT值及各CT值预定分布函数值，获取第二CT值分布函数；
计算所述第一CT值分布函数与所述第二CT分布函数的交点，并以所述交点的横坐标为该肺叶区的肺气肿定位阈值。
23.根据权利要求22所述的装置，其特征在于，预定分布函数值为高斯混合模型中的概率密度函数值。
24.根据权利要求18所述的装置，其特征在于，所述装置还包括气肿筛选模块，用于：
采用预先训练好的大数据分析模型，对确定出的肺气肿候选区域进行优化。
25.一种计算机设备，其特征在于，包括：
处理器；
存储处理器可执行指令的存储器；
其中，所述处理器耦合于所述存储器，用于读取所述存储器存储的程序指令，并作为响应，执行如权利要求1-12中任一项所述方法中的操作。
CN201811073199.5A 2018-09-14 2018-09-14 图像处理与阈值确定方法、装置及设备 Active CN109300122B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811073199.5A CN109300122B (zh) 2018-09-14 2018-09-14 图像处理与阈值确定方法、装置及设备
US16/569,227 US11478163B2 (en) 2018-09-14 2019-09-12 Image processing and emphysema threshold determination

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811073199.5A CN109300122B (zh) 2018-09-14 2018-09-14 图像处理与阈值确定方法、装置及设备

Publications (2)

Publication Number Publication Date
CN109300122A true CN109300122A (zh) 2019-02-01
CN109300122B CN109300122B (zh) 2023-04-07

Family

ID=65163051

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811073199.5A Active CN109300122B (zh) 2018-09-14 2018-09-14 图像处理与阈值确定方法、装置及设备

Country Status (2)

Country Link
US (1) US11478163B2 (zh)
CN (1) CN109300122B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111803104A (zh) * 2020-07-20 2020-10-23 上海市第六人民医院 一种医学影像显示方法、介质及电子设备

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102188A (zh) * 2020-09-11 2020-12-18 杭州微引科技有限公司 一种基于gpu的分布式计算的多尺度血管增强滤波方法
CN112330708B (zh) * 2020-11-24 2024-04-23 沈阳东软智能医疗科技研究院有限公司 图像处理方法、装置、存储介质及电子设备

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004154175A (ja) * 2002-11-01 2004-06-03 Tadamichi Meguro 健康維持管理のための総合的呼吸機能検査方法および装置
US20070064983A1 (en) * 2005-09-16 2007-03-22 Wen-Chen Huang Method for automatically detecting nasal tumor
US20070092864A1 (en) * 2005-09-30 2007-04-26 The University Of Iowa Research Foundation Treatment planning methods, devices and systems
US20070127802A1 (en) * 2005-12-05 2007-06-07 Siemens Corporate Research, Inc. Method and System for Automatic Lung Segmentation
JP2007289335A (ja) * 2006-04-24 2007-11-08 Hitachi Medical Corp 医用画像診断支援装置
US20080130964A1 (en) * 2004-01-07 2008-06-05 Gil Zwirn Methods and Apparatus for Analysing Ultrasound Images
US20110280457A1 (en) * 2010-05-11 2011-11-17 The University Of Copenhagen Classification of medical diagnostic images
CN102254097A (zh) * 2011-07-08 2011-11-23 普建涛 肺部ct图像上的肺裂识别方法
CN102429679A (zh) * 2011-09-09 2012-05-02 华南理工大学 基于胸部ct图像的肺气肿计算机辅助诊断***
CN102663416A (zh) * 2012-03-20 2012-09-12 苏州迪凯尔医疗科技有限公司 手术规划***中内脏及其内部血管的分割方法
CN104200465A (zh) * 2014-08-20 2014-12-10 沈阳东软医疗***有限公司 心脏三维图像的分割方法和装置
CN104881872A (zh) * 2015-05-27 2015-09-02 浙江大学 一种光学微血管造影图像分割及评价方法
CN104899926A (zh) * 2015-07-06 2015-09-09 上海联影医疗科技有限公司 医学图像分割方法和装置
CN105101878A (zh) * 2013-04-05 2015-11-25 东芝医疗***株式会社 医用图像处理装置以及医用图像处理方法
WO2016059385A1 (en) * 2014-10-17 2016-04-21 University College Cardiff Consultants Limited A method for optimising segmentation of a tumour on an image, and apparatus therefor
CN105701832A (zh) * 2016-01-19 2016-06-22 苏州大学 三维图割算法结合随机游走算法的pet‐ct肺肿瘤分割方法
US20160203263A1 (en) * 2015-01-08 2016-07-14 Imbio Systems and methods for analyzing medical images and creating a report
CN107392910A (zh) * 2017-07-06 2017-11-24 沈阳东软医疗***有限公司 一种基于ct图像的肺叶分割方法及装置
US20170358078A1 (en) * 2016-06-14 2017-12-14 The Regents Of The University Of Michigan Systems and methods for spatial characterization of image data
CN107507197A (zh) * 2017-08-18 2017-12-22 东北大学 一种基于聚类算法和卷积神经网络的肺实质提取方法

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004154175A (ja) * 2002-11-01 2004-06-03 Tadamichi Meguro 健康維持管理のための総合的呼吸機能検査方法および装置
US20080130964A1 (en) * 2004-01-07 2008-06-05 Gil Zwirn Methods and Apparatus for Analysing Ultrasound Images
US20070064983A1 (en) * 2005-09-16 2007-03-22 Wen-Chen Huang Method for automatically detecting nasal tumor
US20070092864A1 (en) * 2005-09-30 2007-04-26 The University Of Iowa Research Foundation Treatment planning methods, devices and systems
US20070127802A1 (en) * 2005-12-05 2007-06-07 Siemens Corporate Research, Inc. Method and System for Automatic Lung Segmentation
JP2007289335A (ja) * 2006-04-24 2007-11-08 Hitachi Medical Corp 医用画像診断支援装置
US20110280457A1 (en) * 2010-05-11 2011-11-17 The University Of Copenhagen Classification of medical diagnostic images
CN102254097A (zh) * 2011-07-08 2011-11-23 普建涛 肺部ct图像上的肺裂识别方法
CN102429679A (zh) * 2011-09-09 2012-05-02 华南理工大学 基于胸部ct图像的肺气肿计算机辅助诊断***
CN102663416A (zh) * 2012-03-20 2012-09-12 苏州迪凯尔医疗科技有限公司 手术规划***中内脏及其内部血管的分割方法
CN105101878A (zh) * 2013-04-05 2015-11-25 东芝医疗***株式会社 医用图像处理装置以及医用图像处理方法
CN104200465A (zh) * 2014-08-20 2014-12-10 沈阳东软医疗***有限公司 心脏三维图像的分割方法和装置
WO2016059385A1 (en) * 2014-10-17 2016-04-21 University College Cardiff Consultants Limited A method for optimising segmentation of a tumour on an image, and apparatus therefor
US20160203263A1 (en) * 2015-01-08 2016-07-14 Imbio Systems and methods for analyzing medical images and creating a report
CN104881872A (zh) * 2015-05-27 2015-09-02 浙江大学 一种光学微血管造影图像分割及评价方法
CN104899926A (zh) * 2015-07-06 2015-09-09 上海联影医疗科技有限公司 医学图像分割方法和装置
CN105701832A (zh) * 2016-01-19 2016-06-22 苏州大学 三维图割算法结合随机游走算法的pet‐ct肺肿瘤分割方法
US20170358078A1 (en) * 2016-06-14 2017-12-14 The Regents Of The University Of Michigan Systems and methods for spatial characterization of image data
CN107392910A (zh) * 2017-07-06 2017-11-24 沈阳东软医疗***有限公司 一种基于ct图像的肺叶分割方法及装置
CN107507197A (zh) * 2017-08-18 2017-12-22 东北大学 一种基于聚类算法和卷积神经网络的肺实质提取方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
AWAIS MANSOOR 等: "Segmentation and Image Analysis of Abnormal Lungs at CT: Current Approaches, Challenges, and Future Trends" *
BAOYOUBI1989: "第七章图像分割技术3", 《HTTPS://WWW.DOCIN.COM/P-2025656846.HTML》 *
MINHO LEE 等: "Size-based emphysema cluster analysis on low attenuation area in 3D volumetric CT: comparison with pulmonary functional test" *
ZHIMIN WANG等: "Optimal Threshold in CT Quantification of Emphysema", 《COMPUTED TOMOGRAPHY》 *
刘军伟: "基于水平集的图像分割方法研究及其在医学图像中的应用" *
宋婉娟 等: "利用Kinect进行地面植被分层覆盖度估算研究", 《北京师范大学学报（自然科学版）》 *
曲彦: "肺部CT图像肺实质分割算法研究" *
李峰 等: "《机载LiDAR***原理与点云处理方法》", 31 August 2017, 煤炭工业出版社 *
王倩: "CT图像中肺部疾病的计算机辅助诊断方法研究" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111803104A (zh) * 2020-07-20 2020-10-23 上海市第六人民医院 一种医学影像显示方法、介质及电子设备

Also Published As

Publication number Publication date
CN109300122B (zh) 2023-04-07
US11478163B2 (en) 2022-10-25
US20200085344A1 (en) 2020-03-19

Similar Documents

Publication Publication Date Title
US11984217B2 (en) Method and apparatus for processing histological image captured by medical imaging device
US10383602B2 (en) Apparatus and method for visualizing anatomical elements in a medical image
JP5814504B2 (ja) 統計モデルを用いた医療画像自動セグメンテーションシステム、装置並びにプロセッサ
El-Baz et al. A novel shape-based diagnostic approach for early diagnosis of lung nodules
El-Baz et al. Appearance analysis for diagnosing malignant lung nodules
US9014456B2 (en) Computer aided diagnostic system incorporating appearance analysis for diagnosing malignant lung nodules
JP2003225231A (ja) 肺疾患検出のための方法及びシステム
CN109791692A (zh) 使用来自感兴趣区域的不同视角的多个图像进行计算机辅助检测以提高检测准确度
CN107038728A (zh) 基于迭代重建的轮廓自动化确定
CN108648178A (zh) 一种影像结节检测的方法及装置
CN109300122A (zh) 图像处理与阈值确定方法、装置及设备
CN113159040B (zh) 医学图像分割模型的生成方法及装置、***
CN113327225B (zh) 用于提供气道信息的方法
CN108885781A (zh) 用于根据低剂量或低kV计算机断层扫描图像合成虚拟高剂量或高kV计算机断层扫描图像的方法和***
CN114332132A (zh) 图像分割方法、装置和计算机设备
JPWO2019146358A1 (ja) 学習システム、方法及びプログラム
CN111630562A (zh) 用于评估肺部图像的***
US11935234B2 (en) Method for detecting abnormality, non-transitory computer-readable recording medium storing program for detecting abnormality, abnormality detection apparatus, server apparatus, and method for processing information
EP3971830B1 (en) Pneumonia sign segmentation method and apparatus, medium and electronic device
CN116580819A (zh) 用于自动化地确定图像序列中的检查结果的方法和***
CN116128819A (zh) 图像处理方法、模型训练方法和装置及电子设备
CN107106106A (zh) 针对具有减小的角范围的旋转c型臂计算机断层摄影的自适应分割
CN113409306A (zh) 一种检测装置、训练方法、训练装置、设备和介质
JP2020113275A (ja) 肺の分析及び報告システム
CN114617533B (zh) 一种基于三维重建的营养状况确定***

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province

Applicant after: Shenyang Neusoft Medical Systems Co.,Ltd.

Address before: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province

Applicant before: SHENYANG NEUSOFT MEDICAL SYSTEMS Co.,Ltd.

GR01 Patent grant
GR01 Patent grant