CN109801271B - 钙化簇的定位方法、装置、计算机设备以及存储介质 - Google Patents
钙化簇的定位方法、装置、计算机设备以及存储介质 Download PDFInfo
- Publication number
- CN109801271B CN109801271B CN201910008632.5A CN201910008632A CN109801271B CN 109801271 B CN109801271 B CN 109801271B CN 201910008632 A CN201910008632 A CN 201910008632A CN 109801271 B CN109801271 B CN 109801271B
- Authority
- CN
- China
- Prior art keywords
- calcifications
- candidate
- calcification
- image
- region
- 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
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种钙化簇的定位方法、装置、计算机设备以及存储介质,一种钙化簇的定位方法,应用于乳腺三维断层图像中,包括:在所述乳腺三维断层图像中获取感兴趣空间;对所述感兴趣空间进行分割以得到候选钙化点;在所述候选钙化点中筛选出确定钙化点;对所述确定钙化点进行聚簇以得到钙化簇区域。上述钙化簇的定位方法在乳腺三维断层图像中选取感兴趣空间后,可以对感兴趣空间进行分割和筛选,得到钙化点后进行聚簇,从而实现钙化簇的定位,定位过程中只需要使用重建后的乳腺三维断层图像数据,无需用到扫描的原始数据,减少了处理的数据量,使得钙化簇的定位较为快速准确。
Description
技术领域
本发明涉及医疗器械领域,特别是涉及一种钙化簇的定位方法、装置、计算机设备以及存储介质。
背景技术
乳腺三维断层摄影图像(Digital Breast Tomsynthesis,简称DBT)可以显著减少***组织的重叠,能够更好的观察乳腺组织的病变,也被越来越多的应用到临床,但是乳腺三维图像中,钙化可能只存在于图像中的部分层,对钙化区域进行定位可以帮助更快的阅片。
传统的对于乳腺三维断层摄影图像中钙化区域的检测方法,在处理的时候,有的需要用到扫描的原始图像,结合原始图像和重建后的图像一起检测,有的是在单张图像上处理,最后再合成到3D图像中,这样的方法比较复杂,运算数据量较大,影响定位的速度和准确度。
发明内容
基于此,有必要针对上述技术问题,提供一种钙化簇的定位方法、装置、计算机设备以及存储介质,可以根据乳腺三维断层图像定位钙化簇区域,且定位过程较为快速准确。
一种钙化簇的定位方法,应用于乳腺三维断层图像中,包括:
在所述乳腺三维断层图像中获取感兴趣空间;
对所述感兴趣空间进行分割以得到候选钙化点;
在所述候选钙化点中筛选出确定钙化点;
对所述确定钙化点进行聚簇以得到钙化簇区域。
上述钙化簇的定位方法,在乳腺三维断层图像中选取感兴趣空间后,可以对感兴趣空间进行分割和筛选,得到钙化点后进行聚簇,从而实现钙化簇的定位,定位过程中只需要使用重建后的乳腺三维断层图像数据,无需用到扫描的原始数据,减少了处理的数据量,使得钙化簇的定位较为快速准确。
在其中一个实施例中,所述方法还包括:
基于乳腺三维图像的各层乳腺三维断层图像中的钙化簇区域,以得到所述乳腺三维图像中的确定钙化簇区域。
在其中一个实施例中,所述对所述感兴趣区域进行分割以得到候选钙化点包括:
对所述感兴趣空间分别进行海森增强与高通滤波增强以得到海森增强图像与高通增强图像;
将所述海森增强图像与所述高通增强图像进行叠加;
对叠加的图像进行区域生长以得到第一候选钙化点。
在其中一个实施例中,所述方法还包括:
分析所述第一候选钙化点中的连通区域,以对所述第一候选钙化点进行修正。
在其中一个实施例中,所述分析所述第一候选钙化点中的连通区域,以对所述第一候选钙化点进行修正包括:
对所述高通增强图像进行区域生长及孔洞填充以得到第二候选钙化点;
获取所述第二候选钙化点中与所述第一候选钙化点的连通区域相重叠的区域;
判断与所述相重叠的区域对应的所述第一候选钙化点中是否存在多个连通区域;
在与所述相重叠的区域对应的所述第一候选钙化点中存在多个连通区域的情况下,将所述第一候选钙化点中的多个连通区域与所述第二候选钙化点中的相重叠的区域进行合并。
在其中一个实施例中,所述在所述候选钙化点中筛选出确定钙化点包括:
获取钙化点模型;
根据所述钙化点模型对所述候选钙化点进行判断;
若所述候选钙化点满足所述钙化点模型,则将该候选钙化点作为所述确定钙化点。
在其中一个实施例中,所述对所述确定钙化点进行聚簇以得到钙化簇区域包括:
对所述确定钙化点进行聚簇以得到至少一个聚簇区域;
若一个所述聚簇区域中所述确定钙化点的数量超过预设阈值,则将该聚簇区域作为所述钙化簇区域。
一种钙化簇的定位装置,应用于乳腺三维断层图像中,包括:
获取模块,用于在所述乳腺三维断层图像中获取感兴趣空间;
分割模块,用于对所述感兴趣空间进行分割以得到候选钙化点;
筛选模块,用于在所述候选钙化点中筛选出确定钙化点;
聚簇模块,用于对所述确定钙化点进行聚簇以得到钙化簇区域。
上述钙化簇的定位装置,在乳腺三维断层图像中选取感兴趣空间后,可以对感兴趣空间进行分割和筛选,得到钙化点后进行聚簇,从而实现钙化簇的定位,定位过程中只需要使用重建后的乳腺三维断层图像数据,无需用到扫描的原始数据,减少了处理的数据量,使得钙化簇的定位较为快速准确。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
附图说明
图1为一个实施例中钙化簇的定位方法的流程示意图;
图2为一个实施例中钙化簇的定位方法中步骤S140的流程示意图;
图3为另一个实施例中钙化簇的定位方法中步骤S148的流程示意图;
图4为一个实施例中钙化簇的定位方法中步骤S160的流程示意图;
图5为一个实施例中钙化簇的定位方法中步骤S180的流程示意图;
图6为另一个实施例中钙化簇的定位方法的流程示意图;
图7为一个实施例中第一候选钙化点的示意图;
图8为图7实施例中修正后的第一候选钙化点的示意图;
图9为一个实施例中聚簇区域的示意图;
图10为一个实施例中乳腺二维融合图像和乳腺三位断层图像的示意图;
图11为一个实施例中钙化簇的定位装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
图1为一个实施例中钙化簇的定位方法的流程示意图,如图1所示,一种钙化簇的定位方法,应用于乳腺三维断层图像中,包括:
步骤S120:在乳腺三维断层图像中获取感兴趣空间。
具体地,在进行钙化簇的检测和定位时,首先可以通过乳腺三维断层摄影(Digital Breast Tomsynthesis,简称DBT)技术,即每隔一定角度对固定的乳腺进行曝光,从而获得多幅乳腺三维断层图像,在乳腺三维断层图像中获取感兴趣空间(Volume ofInterest,简称VOI)。感兴趣空间的获取方式可以根据交互的方式实现,交互方式可包括画圈、标出直径或者打点等方式。医生或操作人员一般可以在多幅乳腺三维断层图像中钙化簇呈现比较多或比较明显的一层进行交互,或者也可以直接在乳腺二维融合图像上进行交互,选取钙化簇的最大截面,从而得到较为精确的感兴趣空间。选取感兴趣空间可以减少后续需要处理的数据量,提升定位的速度及准确性。
步骤S140:对感兴趣空间进行分割以得到候选钙化点。
具体地,在获取感兴趣空间后,可以对感兴趣空间进行分割以选出候选钙化点。钙化点的分割可以通过图像增强的方式实现图像增强方式的种类可以根据实际需求确定,例如可以通过海森增强(Hessian Matrix)或高通滤波(Gauss filter)等方式对感兴趣空间进行图像增强,或者也可以分别使用多种不同的增强方式对感兴趣空间进行处理,并将得到的结果进行叠加,以使得分割结果更为准确。进行图像增强后可以使钙化点的轮廓边界更加清晰,与周围其他组织结构能够更明显的区分。
步骤S160:在候选钙化点中筛选出确定钙化点。
具体地,由于可能存在其他异常组织干扰,或者在进行钙化点分割过程中存在误差,分割得到的钙化点中可能存在假阳性钙化点,从而导致钙化簇的判断及定位不够准确,因此需要对分割得到的候选钙化点进行筛选。钙化点的筛选可以根据目前已知的钙化点图像特征对所有候选钙化点进行判断,或者建立一个钙化点的数字模型,通过该数字模型对候选钙化点进行判断。对候选钙化点进行判断后,删除不符合的假阳性钙化点,将剩余通过筛选的钙化点作为确定钙化点,基于这些确定钙化点进行聚簇可以减小误差和干扰,实现更好的钙化簇定位。
步骤S180:对确定钙化点进行聚簇以得到钙化簇区域。
具体地,得到确定钙化点之后,对确定钙化点进行聚簇,可以按照设定的条件例如尺寸等得到多个包括确定钙化点的聚簇区域,在得到聚簇区域后还可以对其进行进一步判断,例如判断每个聚簇区域中确定钙化点的数量或密度等是否符合钙化簇的条件,若符合则将该聚簇区域确定为钙化簇区域。医生或操作人员在某层乳腺三维断层图像或乳腺二维融合图像上选取感兴趣空间后,经过上述定位步骤,其他层的钙化簇也被分割出来,最终可以将乳腺三维图像中的钙化簇区域或者每层乳腺三维断层图像中的钙化簇中心显示给医生或操作人员,从而实现乳腺三维断层图像中钙化簇区域的层内定位,以及基于乳腺二维融合图像向乳腺三维图像中钙化簇区域的导航。
上述钙化簇的定位方法,在乳腺三维断层图像中选取感兴趣空间后,可以对感兴趣空间进行分割和筛选,得到钙化点后进行聚簇,从而实现钙化簇的定位,定位过程中只需要使用重建后的乳腺三维断层图像数据,无需用到扫描的原始数据,减少了处理的数据量,使得钙化簇的定位较为快速准确。
图2为一个实施例中钙化簇的定位方法中步骤S140的流程示意图,在一个实施例中,如图2所示,上述步骤S140具体可以包括:
步骤S142:对感兴趣空间分别进行海森增强与高通滤波增强以得到海森增强图像与高通增强图像。
步骤S144:将海森增强图像与高通增强图像进行叠加。
步骤S146:对叠加的图像进行区域生长以得到第一候选钙化点。
具体地,在获取感兴趣空间后,可以对感兴趣空间分别进行海森矩阵增强和高通滤波增强,从而分别得到感兴趣空间的海森增强图像与高通增强图像。将这两个增强图像进行叠加,在叠加得到的图像选出高亮的点,然后对这些高亮的点作为种子点进行区域生长,即将与每个种子点有相似属性例如强度、灰度级、纹理等的相邻像素合并到此区域,从而将得到的分割结果作为第一候选钙化点。
在一个实施例中,上述步骤S140具体还可以包括:
步骤S148:分析第一候选钙化点中的连通区域,以对第一候选钙化点进行修正。
具体地,图7为一个实施例中第一候选钙化点的示意图,如7图所示,当钙化点较大时,通过上述方法进行分割得到的第一候选钙化点可能会不完整,第一候选钙化点被分割为多个零散的连通区域,而不是被分割为整体的较大的钙化点,因此需要对第一候选钙化点进行修正,例如可以对第一候选钙化点中的每个连通域进行分析,从而重新进行区域增长和分割,若重新生长的结果与第一候选钙化点有重叠区域,则将重叠区域与第一候选钙化点进行合并,从而使第一候选钙化点中零散分布的连通区域得到整合,若整合后第一候选钙化点仍不完整,则可以继续对其进行修正,直至第一候选钙化点的分割结果符合钙化簇的定位需求。
图3为一个实施例中上钙化簇的定位方法中步骤S148的流程示意图,在一个实施例中,如图3所示,上述步骤S148具体可以包括:
步骤S1482:对高通增强图像进行区域生长及孔洞填充以得到第二候选钙化点。
步骤S1484:获取第二候选钙化点中与第一候选钙化点的连通区域相重叠的区域。
步骤S1486:判断与相重叠的区域对应的第一候选钙化点中是否存在多个连通区域;
步骤S1488:在与相重叠的区域对应的第一候选钙化点中存在多个连通区域的情况下,将第一候选钙化点中的多个连通区域与第二候选钙化点中的相重叠的区域进行合并。
具体地,对第一候选钙化点进行修正,可以通过单独对高通增强图像进行区域生长及孔洞填充,将得到的分割结果作为第二候选钙化点,从而基于第二候选钙化点,对第一候选钙化点进行修正,将第一候选钙化点的零散部分进行整合,从而得到较为完整的候选钙化点。
进一步地,在获取第二候选钙化点后,可以对第一候选钙化点中的每个连通区域进行判断,判断第二候选钙化点中是否有区域与第一候选钙化点的连通区域相重叠,若第二候选钙化点中有区域与第一候选钙化点的连通区域相重叠,则查看第二候选钙化点中该重叠的区域所对应的第一候选钙化点中是否具有多个连通区域,若第一候选分钙化点的对应区域内具有多个连通区域,则将第一候选钙化点中的该多个连通区域与第二候选钙化点的重叠区域进行合并,图8即为图7实施例中的第一候选钙化点进行上述步骤修正后的示意图,在基于第二候选钙化点对第一候选钙化点的各个连通区域进行整合后,得到一个完整的较大的候选钙化点。
图4为一个实施例中钙化簇的定位方法中步骤S160的流程示意图,在一个实施例中,如图4所示,上述步骤S160具体可以包括:
步骤S162:获取钙化点模型。
步骤S164:根据钙化点模型对候选钙化点进行判断。
步骤S166:若候选钙化点满足钙化点模型,则将该候选钙化点作为确定钙化点。
具体地,由于候选钙化点中并不都是真正的钙化点,可能存在假阳性钙化点等,因此需要对分割得到的候选钙化点进行筛选,可以通过学习的方法建立一个钙化点模型,基于该钙化点模型对所有候选钙化点进行判断,若一个候选钙化点不满足该钙化点模型,则将该候选钙化点删除;若一个候选钙化点满足该钙化点模型,则将该候选钙化点作为确定钙化点,将所有钙化点判断完成后,便可对筛选出的确定钙化点进行聚簇从而实现钙化簇的定位。
进一步地,上述钙化点模型的种类和获取方式可以根据实际定位需求判断。例如钙化点模型可以为深度学习模型。医生或操作人员可以手动标注乳腺图像中的真正钙化点,并以这些真正钙化点的数据作为训练数据,经过深度学习后建立钙化点模型,可以根据钙化点的图像特征等对候选钙化点进行判断。
可以理解的是,除了通过深度学习的方法获取钙化点模型,也可以通过其他传统的机器学习方法获取钙化点模型,例如支持向量机(Support Vector Machines,简称SVM),自适应增强(Adaptive Boosting,简称AdaBoost),线性判别分析(Linear DiscriminantAnalysis,简称LDA)学习方法。还可以通过多种不同的学习方法得到多个钙化点模型,对每个候选钙化点进行多重判断,从而提高确定钙化点筛选结果的准确性。
图5为一个实施例中上述钙化簇的定位方法中步骤S180的流程示意图,如图5所示,在一个实施例中,步骤S180具体可以包括:
步骤S182:对确定钙化点进行聚簇以得到至少一个聚簇区域。
步骤S184:若一个聚簇区域中确定钙化点的数量超过预设阈值,则将该聚簇区域作为钙化簇区域。
具体地,通过钙化点模型筛选后,对得到的确定钙化点进行聚簇处理,可以根据预设尺寸等标准将所有确定钙化点划分成至少一个聚簇区域,并计算每个聚簇区域中确定钙化点的数量,若一个聚簇区域中确定钙化点的数量未超过预设的阈值,则认为该聚簇区域不是钙化簇区域;若一个聚簇区域中确定钙化点的数量超过预设的阈值,则将该聚簇区域作为确定的钙化簇区域。其中,钙化簇区域中确定钙化点的阈值数量可以根据实际情况确定。例如在一个可选的是实施例中,上述预设的阈值可以为5,即如果一个聚簇区域中确定钙化点的数量超过5个,则认为该聚簇区域满足钙化簇的条件。
图9为一个实施例中聚簇区域的示意图,在本实施例中,如图9所示,在本实施例中对一乳腺三维断层图像的钙化簇进行检测,检测到的钙化簇为三维的,层数是三维断层图像中的第15层至第28层,其中显示了部分层进行展示,分别为第15层、第20层、第26层以及第28层,每层的上图中高亮点即为确定钙化点,在下图中通过不同灰度表示出来。
图6为另一个实施例中钙化簇的定位方法的流程示意图,如图6所示,其中步骤S220、S240、S260以及S280可以与以上实施例中的相应步骤分别相同。该实施例的钙化簇的定位方法还可以包括:
步骤S290:基于乳腺三维图像的各层乳腺三维断层图像中的钙化簇区域,以得到乳腺三维图像中的确定钙化簇区域。
具体地,通过乳腺三维图像中三维断层图像的钙化簇区域,可以得到该三维图像中的确定钙化簇区域。并且,还可以通过乳腺二维融合图像对乳腺三维图像中的钙化簇区域进行导航。图10为一个实施例中乳腺二维融合图像和乳腺三位断层图像的示意图,如图10所示,乳腺二维融合图像在二维方向上的尺寸与三维图像的尺寸相一致。首先可以在二维融合图像上进行交互,例如对钙化簇最大截面画直径或画圈,以得到一个感兴趣区域(Region of Interest,简称ROI),同时在三维图像也截取对应的感兴趣空间,并将二维融合图像中感兴趣区域的中心点映射到三维图像的感兴趣空间中,然后在基于上述乳腺三维图像的层内钙化簇区域定位的方法,便可以分割出乳腺三维图像中的钙化簇区域并进行显示,从而实现乳腺二维图像到三维图像的导航。
图11为一个实施例中钙化簇的定位装置的结构示意图,如图11所示,在一个实施例中,钙化簇的定位装置500包括:获取模块520,用于在乳腺三维断层图像中获取感兴趣空间;分割模块540,用于对感兴趣空间进行分割以得到候选钙化点;筛选模块560,用于在候选钙化点中筛选出确定钙化点;聚簇模块580,用于对确定钙化点进行聚簇以得到钙化簇区域。
具体地,获取模块520在乳腺三维断层图像中获取感兴趣空间,感兴趣空间具体可由医生或操作人员通过获取模块520在三维断层图像上进行交互实现,确定感兴趣空间后,获取模块520将感兴趣空间发送给分割模块540;分割模块540对接收的感兴趣空间进行分割,分割模块540可以对感兴趣区域进行图像增强等处理,以分割出候选钙化点并将其发送给筛选模块560;筛选模块560,接收候选钙化点后可以通过钙化点模型对其进行判断,将满足钙化点模型的候选钙化点作为确定钙化点发送给聚簇模块580;聚簇模块580接受确定钙化点后对其进行聚簇处理,将所有确定钙化点划分为至少一个聚簇区域,并对各个聚簇区域进行判断,将符合预设条件的聚簇区域作为钙化簇区域,并可以将钙化簇区域显示给医生或操作人员。
进一步地,在一个可选的实施例中,钙化簇的定位装置500还可以包括:二维模块(图中未标示)以及确定模块(图中未标示),其中,二维模块可以根据乳腺二维融合图像确定乳腺三维图像的各层乳腺三维断层图像中的感兴趣空间,确定模块可以基于各层乳腺三维断层图像中的钙化簇区域,以得到乳腺三维图像中的确定钙化簇区域。二维模块在乳腺而为融合图像上进行交互选取感兴趣区域后,确定模块可以分割出乳腺三维图像中的钙化簇区域并进行显示,从而实现乳腺二维图像到三维图像的导航。
上述钙化簇的定位装置500,在乳腺三维断层图像中选取感兴趣空间后,可以对感兴趣空间进行分割和筛选,得到钙化点后进行聚簇,从而实现钙化簇的定位,定位过程中只需要使用重建后的乳腺三维断层图像数据,无需用到扫描的原始数据,减少了处理的数据量,使得钙化簇的定位较为快速准确。
在一个实施例中,提供一种医学设备,包括存储器、处理器及存储在存储器上并可以在处理器上运行的计算机程序,处理器执行该程序时可以执行如下步骤:在乳腺三维断层图像中获取感兴趣空间;对感兴趣空间进行分割以得到候选钙化点;在候选钙化点中筛选出确定钙化点;对确定钙化点进行聚簇以得到钙化簇区域。
在一个实施例中,提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时可以使得处理器执行如下步骤:在乳腺三维断层图像中获取感兴趣空间;对感兴趣空间进行分割以得到候选钙化点;在候选钙化点中筛选出确定钙化点;对确定钙化点进行聚簇以得到钙化簇区域。
上述对于计算机可读存存储介质及计算机设备的限定可以参见上文中对于方法的具体限定,在此不再赘述。
需要说明的是,本领域普通技术人员可以理解实现上述方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该程序可存储于一计算机可读取存储介质中;上述的程序在执行时,可包括如上述各方法的实施例的流程。其中,上述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,简称ROM)或随机存储记忆体(Random Access Memory,简称RAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种钙化簇的定位方法,应用于乳腺三维断层图像中,其特征在于,包括:
在所述乳腺三维断层图像中获取感兴趣空间;
对所述感兴趣空间分别进行海森增强与高通滤波增强以得到海森增强图像与高通增强图像;
将所述海森增强图像与所述高通增强图像进行叠加;
对叠加的图像进行区域生长以得到第一候选钙化点,对所述高通增强图像进行区域生长及孔洞填充得到第二候选钙化点,基于所述第二候选钙化点对所述第一候选钙化点进行修正;
在修正后的所述第一候选钙化点中筛选出确定钙化点;
对所述确定钙化点进行聚簇以得到钙化簇区域。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于乳腺三维图像的各层乳腺三维断层图像中的钙化簇区域,以得到所述乳腺三维图像中的确定钙化簇区域。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
分析所述第一候选钙化点中的连通区域,以对所述第一候选钙化点进行修正。
4.根据权利要求3所述的方法,其特征在于,所述基于所述第二候选钙化点对所述第一候选钙化点进行修正包括:
获取所述第二候选钙化点中与所述第一候选钙化点的连通区域相重叠的区域;
判断与所述相重叠的区域对应的所述第一候选钙化点中是否存在多个连通区域;
在与所述相重叠的区域对应的所述第一候选钙化点中存在多个连通区域的情况下,将所述第一候选钙化点中的多个连通区域与所述第二候选钙化点中的相重叠的区域进行合并。
5.根据权利要求1所述的方法,其特征在于,所述在所述第一候选钙化点中筛选出确定钙化点包括:
获取钙化点模型;
根据所述钙化点模型对所述第一候选钙化点进行判断;
若所述第一候选钙化点满足所述钙化点模型,则将所述第一候选钙化点作为所述确定钙化点。
6.根据权利要求1所述的方法,其特征在于,所述对所述确定钙化点进行聚簇以得到钙化簇区域包括:
对所述确定钙化点进行聚簇以得到至少一个聚簇区域;
若一个所述聚簇区域中所述确定钙化点的数量超过预设阈值,则将该聚簇区域作为所述钙化簇区域。
7.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
基于乳腺三维图像的乳腺二维融合图像中的感兴趣区域,以得到所述乳腺三维图像中的确定钙化簇区域。
8.一种钙化簇的定位装置,应用于乳腺三维断层图像中,其特征在于,包括:
获取模块,用于在所述乳腺三维断层图像中获取感兴趣空间;
分割模块,用于对所述感兴趣空间分别进行海森增强与高通滤波增强以得到海森增强图像与高通增强图像,将所述海森增强图像与所述高通增强图像进行叠加,并对叠加的图像进行区域生长以得到第一候选钙化点,对所述高通增强图像进行区域生长及孔洞填充得到第二候选钙化点,基于所述第二候选钙化点对所述第一候选钙化点进行修正;
筛选模块,用于在修正后的所述第一候选钙化点中筛选出确定钙化点;
聚簇模块,用于对所述确定钙化点进行聚簇以得到钙化簇区域。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至7中任意一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至7中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910008632.5A CN109801271B (zh) | 2019-01-04 | 2019-01-04 | 钙化簇的定位方法、装置、计算机设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910008632.5A CN109801271B (zh) | 2019-01-04 | 2019-01-04 | 钙化簇的定位方法、装置、计算机设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109801271A CN109801271A (zh) | 2019-05-24 |
CN109801271B true CN109801271B (zh) | 2021-11-23 |
Family
ID=66558502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910008632.5A Active CN109801271B (zh) | 2019-01-04 | 2019-01-04 | 钙化簇的定位方法、装置、计算机设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109801271B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220074927A (ko) * | 2019-10-31 | 2022-06-03 | 칼 짜이스 에스엠테 게엠베하 | 고형상비 구조의 형상 편차를 측정하기 위한 fib-sem 3d 단층 촬영 |
CN111275719B (zh) * | 2020-01-19 | 2023-04-07 | 推想医疗科技股份有限公司 | 钙化假阳识别及其模型训练的方法、装置、终端及介质 |
CN113822864B (zh) * | 2021-09-16 | 2023-10-31 | 什维新智医疗科技(上海)有限公司 | 一种乳腺结节钙化检测装置 |
CN114820591B (zh) * | 2022-06-06 | 2023-02-21 | 北京医准智能科技有限公司 | 图像处理方法、装置、电子设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101484916A (zh) * | 2006-05-15 | 2009-07-15 | Im3D有限公司 | 基于改进的区域生长分割的自动识别解剖结构中的癌前期异常的方法和***及由此得到的计算机程序 |
CN101727537A (zh) * | 2009-11-16 | 2010-06-09 | 杭州电子科技大学 | 基于双视角信息融合的乳腺cr图像的计算机确定方法 |
CN103713329A (zh) * | 2012-09-29 | 2014-04-09 | 清华大学 | Ct成像中定位物体的方法以及设备 |
CN106558057A (zh) * | 2016-11-21 | 2017-04-05 | 上海联影医疗科技有限公司 | 一种医学图像分割方法 |
CN107240103A (zh) * | 2017-04-20 | 2017-10-10 | 东南大学 | 一种基于图像分割的数字体积相关算法中边界处理方法 |
CN108734771A (zh) * | 2018-05-14 | 2018-11-02 | 合肥融视信息科技有限公司 | 基于三维医学影像的血管提取***及分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015044711A1 (en) * | 2013-09-24 | 2015-04-02 | General Electric Company | Method of processing x-ray images of a breast |
-
2019
- 2019-01-04 CN CN201910008632.5A patent/CN109801271B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101484916A (zh) * | 2006-05-15 | 2009-07-15 | Im3D有限公司 | 基于改进的区域生长分割的自动识别解剖结构中的癌前期异常的方法和***及由此得到的计算机程序 |
CN101727537A (zh) * | 2009-11-16 | 2010-06-09 | 杭州电子科技大学 | 基于双视角信息融合的乳腺cr图像的计算机确定方法 |
CN103713329A (zh) * | 2012-09-29 | 2014-04-09 | 清华大学 | Ct成像中定位物体的方法以及设备 |
CN106558057A (zh) * | 2016-11-21 | 2017-04-05 | 上海联影医疗科技有限公司 | 一种医学图像分割方法 |
CN107240103A (zh) * | 2017-04-20 | 2017-10-10 | 东南大学 | 一种基于图像分割的数字体积相关算法中边界处理方法 |
CN108734771A (zh) * | 2018-05-14 | 2018-11-02 | 合肥融视信息科技有限公司 | 基于三维医学影像的血管提取***及分析方法 |
Non-Patent Citations (1)
Title |
---|
糖尿病视网膜病变图像的血管提取方法研究;单玲玉;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160615;摘要,第4.1节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109801271A (zh) | 2019-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109801271B (zh) | 钙化簇的定位方法、装置、计算机设备以及存储介质 | |
CN109740600B (zh) | 高亮病灶区域的定位方法、装置、计算机设备以及存储介质 | |
CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
EP3267894B1 (en) | Retrieval of corresponding structures in pairs of medical images | |
US7529396B2 (en) | Method, computer program product, and apparatus for designating region of interest | |
US7339585B2 (en) | Method and apparatus for visualization of biological structures with use of 3D position information from segmentation results | |
CN105913432B (zh) | 基于ct序列图像的主动脉提取方法及装置 | |
US8989468B2 (en) | Generating an anatomical model using a rule-based segmentation and classification process | |
US9773325B2 (en) | Medical imaging data processing apparatus and method | |
US10127654B2 (en) | Medical image processing apparatus and method | |
CN103547902B (zh) | 生成用于对样本进行切片的切片方案的装置及方法 | |
JP2008521461A (ja) | 知識構造のマッピングを使用した管状器官を測定する方法 | |
JP5635980B2 (ja) | 画像処理、特に医療画像を処理するための方法及び装置 | |
CN107633514B (zh) | 一种肺结节周边血管量化评估***及方法 | |
CN107045721A (zh) | 一种从胸部ct图像中提取肺血管的方法及装置 | |
EP1755457A1 (en) | Nodule detection | |
JP4964171B2 (ja) | 対象領域抽出方法および装置ならびにプログラム | |
JP5105997B2 (ja) | 医用画像処理装置、医用画像診断装置、及びプログラム | |
JP2015066311A (ja) | 画像処理装置、画像処理方法、画像処理装置の制御プログラム、記録媒体 | |
CN107103605A (zh) | 一种***组织的分割方法 | |
KR102349515B1 (ko) | 의료 영상에서 딥러닝에 기반한 종양 자동분할 방법 | |
US10019794B2 (en) | Method and apparatus for breast lesion diagnosis | |
CN106780718A (zh) | 一种古生物化石的三维重建方法 | |
CN110738633B (zh) | 一种机体组织的三维图像处理方法及相关设备 | |
JP2022502177A (ja) | 高密度要素抑制による合成***組織画像発生のためのシステムおよび方法 |
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 |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |