CN110400292B - 转移结果评估方法、计算机设备和存储介质 - Google Patents
转移结果评估方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110400292B CN110400292B CN201910597572.5A CN201910597572A CN110400292B CN 110400292 B CN110400292 B CN 110400292B CN 201910597572 A CN201910597572 A CN 201910597572A CN 110400292 B CN110400292 B CN 110400292B
- Authority
- CN
- China
- Prior art keywords
- feature
- target structure
- image
- omics
- medical image
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种转移结果评估方法、计算机设备和存储介质,通过获取目标结构的多个模态的医学影像,然后从各模态医学影像中提取目标结构的综合特征值,基于该综合特征值对目标结构的是否转移进行评估,这样,同时考虑目标结构的多种模态和综合特征值的变化情况,根据目标结构的多个因素评估转移结果,极大地提高了评估结果的精度。
Description
技术领域
本申请涉及医疗检测技术领域,特别是涉及一种转移结果评估方法、计算机设备和存储介质。
背景技术
甲状腺癌是最常见的甲状腺恶性肿瘤,已成为了世界上发病率增长最快的肿瘤之一。其中,以恶性度较低、预后性较好的***状癌最为常见。通常大部分***状癌确诊时已伴有颈部***转移,***转移是局部复发的最重要的风险因子,其危害较原发灶更为严重,因此,术前对***是否转移的准确判断对术式的选择以及肿瘤复发的预测具有重要的意义。
目前国内外对***转移的术前评估,通过一些特异影像学征象对某些组***转移与否进行判断,例如:通过超声(Ultrasound,US)或者计算机断层扫描(ComputedTomography,CT)判断医学影像中是否存在***的征象,然后将最能吻合这些征象的***确定为***转移。
但是,目前对***转移的判断方法存在精度较低的问题。
发明内容
基于此,有必要针对上述目前对***转移的判断方法存在精度较低的技术问题,提供一种转移结果评估方法、计算机设备和存储介质。
第一方面,本申请实施例提供一种转移结果评估方法,该方法包括:
获取目标结构的医学影像;其中,医学影像包括至少两种模态的医学影像和目标结构在各模态医学影像中的分割掩模;
从目标结构的医学影像中提取目标结构的综合特征值;其中,综合特征值包括目标结构的影像组学特征;
根据目标结构的综合特征值评估目标结构的转移结果。
第二方面,本申请实施例提供一种转移结果评估装置,所述装置包括:
获取模块,用于获取目标结构的医学影像;其中,医学影像包括至少两种模态的医学影像和目标结构在各模态医学影像中的分割掩模;
提取模块,用于从目标结构的医学影像中提取目标结构的综合特征值;其中,综合特征值包括目标结构的影像组学特征;
评估模块,用于根据目标结构的综合特征值评估目标结构的转移结果。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述第一方面实施例提供的任一项方法的步骤。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面实施例提供的任一项方法的步骤。
本申请实施例提供的一种转移结果评估方法、计算机设备和存储介质,通过获取目标结构的多个模态的医学影像,然后从各模态医学影像中提取目标结构的综合特征值,基于该综合特征值对目标结构的是否转移进行评估,这样,同时考虑目标结构的多种模态和综合特征值的变化情况,根据目标结构的多个因素评估转移结果,极大地提高了评估结果的精度。
附图说明
图1为一个实施例提供的一种转移结果评估的应用环境图;
图2为一个实施例提供的一种转移结果评估方法的流程示意图;
图3为一个实施例提供的一种转移结果评估方法的流程示意图;
图4为一个实施例提供的一种转移结果评估方法完整示意图;
图5为一个实施例提供的一种转移结果评估方法的流程示意图;
图6为一个实施例提供的一种转移结果评估方法的流程示意图;
图7为一个实施例提供的一种转移结果评估方法的流程示意图;
图8为一个实施例提供的一种转移结果评估装置的结构框图;
图9为一个实施例提供的一种转移结果评估装置的结构框图;
图10为一个实施例提供的一种转移结果评估装置的结构框图;
图11为一个实施例提供的一种转移结果评估装置的结构框图;
图12为一个实施例提供的一种转移结果评估装置的结构框图。
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。
本申请提供的一种转移结果评估方法,可以应用于如图1所示的应用环境中,该计算机设备可以是服务器,其内部结构图可以如图1所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储转移结果评估方法的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种转移结果评估方法。
甲状腺癌是最常见的甲状腺恶性肿瘤,约占全身恶性肿瘤的1%,并且成为了世界上发病率增长最快的肿瘤之一。通常,甲状腺癌包括***状癌、未分化癌、滤泡装癌和髓样癌四种病理类型,其中,以恶性度较低、预后性较好的***状癌最为常见,约占80%-90%。然而,30%-90%的***状癌确诊时已伴有颈部***转移,尤其是中央组***转移。***转移是局部复发的最重要的风险因子,其危害较原发灶更为严重,甚至需要两次及两次以上的手术进行切除,严重影响了患者的生活质量。预防性的***清扫可以减少肿瘤的可能,同时也增加了甲状旁腺及喉返神经损伤等严重并发症的发生率,因此,术前对***是否转移的准确判断对术式的选择以及肿瘤复发的预测具有重要的意义。
目前国内外对颈部***转移的术前评估,影像与病理/细胞学对照仍停留在组-组水平,即通过一些特异影像学征象对某些组***转移与否进行判断,例如超声(Ultrasound,US)发现局灶性或弥漫性的强回声、坏死囊变、最小径/最大径>0.5、周围或混杂血流模式,计算机断层扫描(Computed Tomography,CT)发现微钙化、坏死囊变、均匀或不均匀高增强、最小径/最大径>0.5,最能吻合这些征象的***判读为转移,故影像学上的***转移并非能病理上的一一对应,尽管术前细针穿刺定位可实现影像与病理结-结水平对照,然而会增加临床工作量,且给病人带来一定损伤,故其应用受限,如何实现影像与病理/细胞学结-结水平对照,是临床和影像科医师面临的巨大挑战。因此,US和CT是临床引导穿刺活检的常用方法,其中在甲状腺结节和浅表***方面以前者最为常用,US引导下细针抽吸活检(Fine Needle Aspiration,FNA)定性诊断的准确率超过94%,但当US遇到背景回声杂乱、病灶回声差异小或图像质量差等情况时,FNA成功率受限,此外,在颈部还常受到气管、食管内气体的影响及胸骨和颌面骨的掩盖,限制了FNA对中央组、上纵隔及咽后深部***的应用;虽然CT具有软组织分辨率低、引导过程中患者及操作者受辐射暴露等不足,但却拥有良好的空间分辨率,使得CT-US融合导航下FNA不仅可以克服US的缺点,应用其实时动态图像显示,又可发挥CT清晰显示病灶和邻近重要解剖结构的优势,从而实现***影像与病理/细胞学的结-结水平的对照。但目前的***转移的判断方法存在精度较低,因此,本申请实施例提供一种转移结果评估方法、装置、计算机设备和存储介质,旨在解决目前对***转移的判断方法存在精度较低的技术问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是,本申请提供的一种转移结果评估方法,图2-图7的执行主体为计算机设备,其中,其执行主体还可以是转移结果评估装置,其中该装置可以通过软件、硬件或者软硬件结合的方式实现成为转移结果评估的部分或者全部。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中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申请一部分实施例,而不是全部的实施例。
在一个实施例中,图2提供了一种转移结果评估方法,本实施例涉及的是计算机设备从目标结构的医学影像中提取目标结构的综合特征值,并根据目标结构的综合特征值评估目标结构的转移结果的具体过程,如图2所示,该方法包括:
S101,获取目标结构的医学影像;其中,医学影像包括至少两种模态的医学影像和目标结构在各模态医学影像中的分割掩模。
本实施例中,目标结构的医学影像表示待评估转移结果的医学影像,其中医学影像例如可以是常规CT图像、MRI图像、PET-MRI图像等,本实施例对此不做限定。其中医学影像包括两种模态的医学影像和目标结构在各模态医学影像中的分割掩模,即本步骤中获取的目标结构的医学影像是该目标结构至少两种模态的医学影像,和各模态医学影像中目标结构的分割掩模,其中该各模态医学影像中目标结构的分割掩模可以是,将目标结构的各模态医学影像通过预先训练好的分割模型或者检测模型把目标结构分割出来,或者把目标结构检测出来后,得到目标结构在各模态医学影像中的分割掩模。例如,该目标结构的医学影像可以是颈部***的CT影像。需要说明的是,本申请步骤的目标结构医学影像是目标结构至少两种模态的医学影像,本申请实施例是以两种模态进行举例说明的,但在实际应用中,可以获取更多种模态的目标结构医学影像,本实施例对此不做具体限定。
其中,在实际应用中,计算机设备获取目标结构的医学影像的方式接收用户输入的图像获取指令,并根据图像获取指令获取目标结构的医学影像,其中图像获取指令中包含目标结构标识、医学影像种类或者医学影像数量等可以明确目标结构医学影像的信息。具体地,计算机设备在获取目标结构的医学影像的方式,可以是通过其他专用扫描设备对目标结构进行实时扫描获取,也可以是从内存中获取预先存储的目标结构的医学影像,还可以是从网上下载等,本实施例对此不做限定。
S102,从目标结构的医学影像中提取目标结构的综合特征值;其中,综合特征值包括目标结构的影像组学特征。
基于上述S101步骤中获取的目标结构的医学影像,计算机设备从目标结构的医学影像中提取目标结构的综合特征值,其中综合特征值表示可以综合反映该目标结构特性的特征值,包括目标结构的影像组学特征,可选地,该影像组学特征包括一阶统计特征、形状特征、灰度共生矩阵、灰度级长矩阵、灰度及带矩阵、邻域灰度差分矩阵和灰度独立矩阵中至少一个。示例地,在实际应用中,计算机设备提取目标结构综合特征值的方式可以是通过预设的算法或者预先训练好的用于提取特征值的模型进行提取,本实施例对综合特征值提取的方式不做限定,例如,可以是pyradiomics方法进行特征值、特征分析方法提取特征等。
S103,根据目标结构的综合特征值评估目标结构的转移结果。
本步骤中,基于上述S102步骤中提取的目标结构综合特征值,计算机设备根据目标结构综合特征值评估目标结构的转移结果,例如,通过从***CT影像中提取的***的综合特征值,评估该***是否转移。
可选地,计算机设备根据目标结构的综合特征值评估目标结构的转移结果的方式可以是,将目标结构的综合特征值输入至转移分类器中,得到目标结构的转移结果。其中该分类器为预先训练好的用于区分目标结构是否有转移现象的模型。
本实施例提供的一种转移结果评估方法,通过获取目标结构的多个模态的医学影像,然后从各模态医学影像中提取目标结构的综合特征值,基于该综合特征值对目标结构的是否转移进行评估,这样,同时考虑目标结构的多种模态和综合特征值的变化情况,根据目标结构的多个因素评估转移结果,极大地提高了评估结果的精度。
对于上述实施例中从目标结构的医学影像中提取目标结构的综合特征值的方式,本申请实施例提供两种提取综合特征的方式。则在以上实施例的基础上,第一种方式如图3所示,上述S102步骤包括:
S201,从平扫医学影像中提取目标结构的第一体素平均值、从增强医学影像中提取目标结构的第二体素平均值、从增强医学影像中提取目标结构的影像组学特征。
本实施例为上述医学影像为平扫医学影像和增强医学影像的情况,如图4所示,计算机设备从目标结构的平扫医学影像中提取目标结构的第一体素平均值、从增强医学影像中提取目标结构的第二体素平均值,并从增强医学影像中提取目标结构的影像组学特征。
可选地,上述该S201步骤包括:根据目标结构在平扫医学影像中的分割掩模,从平扫医学影像中提取目标结构的第一体素平均值;根据目标结构在增强医学影像中的分割掩模,从增强医学影像中提取目标结构的第二体素平均值。
其中,在提取目标结构体素平均值时以目标结构的分割掩模精确定位到目标结构所在区域,然后从定位的目标区域中提取目标结构的体素平均值,这样有助于精确地从平扫医学影像和增强医学影像中提取体素平均值。示例地,计算机设备提取第一体素平均值和第二体素平均值的方式可以是先从目标结构区域中获取各点体素值,然后计算该目标结构所在区域的体素平均值,即可得到第一体素平均值和第二体素平均值,当然还可以采用其他方式,例如将该目标结构区域分割出后输入预先训练好的算法模型中,通过该算法模型提取目标结构的第一体素平均值和第二体素平均值,本实施例对此不做限定。基于提取了第一体素平均值和第二体素平均值后,从增强医学影像中提取目标结构的影像组学特征,其中,计算机设备从增强医学影像中提取目标结构的影像组学特征可以是包含一阶统计特征、形状特征、灰度共生矩阵、灰度级长矩阵、灰度及带矩阵、邻域灰度差分矩阵和灰度独立矩阵中至少一个,其中,一阶统计特征反映了病灶的灰度分布,包括:能量、熵、偏度、峰度、方差、平均绝对偏差等;形状特征反应了病灶的整体形状,包括:紧凑性、球形不均衡度、球度、体积、表面积等;纹理特征描述了病灶的灰度强度的空间分布,由灰度共生矩阵特征、灰度游程矩阵特征组成,例如可以总共提取103类特征,在实际应用中,计算机设备提取影像组学特征的方式可以采用常用的pyradiomics方法进行提取,还可以采用特征分析法提取,本实施例对此不做限定。
S202,从影像组学特征中筛选目标描述特征;其中目标描述特征表示与目标结构实际特征之间的相关度大于第一预设阈值的特征。
基于上述S201步骤从增强医学影像中提取的目标结构的影像组学特征,计算机设备从影像组学特征中筛选目标描述特征,其中目标描述特征表示与目标结构实际特征之间的相关度大于第一预设阈值的特征,即,目标描述特征表示与目标结构实际特征最接近、关联性最强的特征,这样从影像组学特征中筛选出最接近、关联性最强的特征可以大大增强特征作为转移评估结果的作用。
可选地,如图5所示,从影像组学特征中筛选目标描述特征的一种可实现方式包括:
S301,将影像组学标签与影像组学特征进行对比,确定影像组学特征与影像组学标签之间的相关度;影像组学标签为预先根据目标结构病理诊断结果获得的标签。
其中,影像组学标签表示预先根据目标结构病理诊断结果构建的影像组学标签,即表示了目标结构实际的特征,基于该预先构建的影像组学标签,计算机设备将影像组学标签与影像组学特征进行对比,确定影像组学特征中各特征与影像组学标签之间的相关度,可得到影像组学特征中各特征对应的相关度。
S302,将影像组学特征中相关度大于第一预设阈值的特征确定为目标描述特征。
基于上述S301步骤中得到的各特征对应的相关度,将相关度大于第一预设阈值的特征确定为目标描述特征。本实施例在实际应用中,可以通过lasso(Least absoluteshrinkage and selection operator,一种压缩估提取法)方法筛选出与影像组学标签相关系最高的10个特征作为目标描述特征。
S203,将第一体素平均值与第二体素平均值之差、目标描述特征确定为目标结构的综合特征值。
本步骤中,将上述步骤中提取的第一体素平均值与第二体素平均值之差、以及上述筛选出的目标描述特征确定为目标结构的综合特征值。示例地,结合上述S302步骤中的举例,在筛选出与影像组学标签相关系最高的10个特征作为目标描述特征后,将增强CT和平扫CT的体素平均值(第一体素平均值和第二体素平均值)之差作为第11个特征,最终将该11个特征作为目标结构的综合特征值。
本实施例提供的一种转移结果评估方法,由于将目标结构的增强CT和平扫CT同时进行了考虑,且分别从平扫CT和增强CT中提取不同特征,最后筛选出综合特征值,这样,将增强CT与平扫CT的体素值的变化情况判断的依据,又从增强CT的影像组学特征中提取与实际特征关联性较强的特征,从多方位角度确定出综合特征值,大大保证了获取的综合特征值的全面性和精确性。
同样,基于图2实施例的基础,从目标结构的医学影像中提取目标结构的综合特征值的第二种方式如图6所示,则上述S102步骤包括:
S401,分别提取各模态医学影像中目标结构的影像组学特征,得到第一影像组学特征和第二影像组学特征。
本实施例为目标结构的医学影像任何两种模态的情况,分别提取各模态医学影像中目标结构的影像组学特征,得到第一影像组学特征和第二影像组学特征,以增强CT和平扫CT为例,即需要从增强CT和平扫CT中均提取影像组学特征。
S402,将第一影像组学特征与第二影像组学特征之间的各特征差值,与影像组学特征标签进行对比,确定各特征差值与影像组学特征标签之间的相关度。
基于上述S401步骤中提取的第一影像组学特征与第二影像组学特征,本步骤中获取这两组影像组学特征中各特征值间的差值,并将各特征差值与影像组学特征标签进行对比,得到各特征差值与影像组学特征标签之间的相关度。
S403,将相关度中大于第二预设阈值的特征差值、与第二影像组学特征中的目标描述特征确定为目标结构的综合特征值;第二影像组学特征中的目标描述特征表示第二影像组学特征中与目标结构实际特征之间的相关度大于预设临界值的特征,其中第二预设阈值、上述第一预设阈值以及预设临界值表示的含义一样,三者均为预先设定的,且三者取值可以一样,也可以不一样,具体的取值可根据实际情况而定,例如80%,90%等均可,本实施例对此不做限定。
基于上述S402步骤得到的各特征值差值与影像组学特征标签之间的相关度,将相关度大于第二预设阈值的特征差值、以及从第二影像组学特征中的目标描述特征确定为目标结构的综合特征值,其中,第二影像组学特征中提取目标描述特征的方式与上述图3所示的第一种方式中提取目标描述特征的方式一致,当然也可以采用其他方式,只要从第二影像组学特征中确定出与目标结构实际特征之间的相关度大于预设临界值的特征即可。需要说明的是,本实施例中的第二影像组学特征表示的各模态医学影像中信息表达较强的模态医学影像,即如果各模态医学影像包括平扫CT和增强CT,则第二影像组学特征为从增强CT中提取的。
另外,对于上述转移分类器的训练过程,本申请实施例提供了一种转移结果评估方法,则如图7所示,上述转移分类器的训练过程包括:
S501,获取多个结构的样本医学图像、各结构的样本医学图像对应的各结构的转移结果。
本实施例中,获取多个结构的样本医学影像,以及各结构的样本医学影像对应的各结构的转移结果,即标准结果,本步骤中获取的数据是作为转移分类器的训练数据的,因此各数据需要大量的、可以代表多种情况的数据。
S502,根据多个结构的样本医学图像和各结构的转移结果,对初始转移分类器进行训练,得到转移分类器。
基于上述S501步骤中获取的训练数据,将该多个结构的样本医学图像和各结构的转移结果,对初始转移分类器进行训练,直到训练好得到转移分类器为止,在实际应用中,由于具有病理诊断结果的结节标注较为少,即想要得到大量结构的转移结果比较困难,因此本方案可以采用高斯过程训练结节转移与否的分类器,高斯过程是基于核函数和概率判别的贝叶斯机器学习模型,可有效地应用于解决回归、分类的问题,相对于其他的核函数分类器来说,高斯过程分类器的优势在于采用概率模型,输出的是概率而不是确定的值,且高斯分类器是无参数模型,即研究者不需要手动选择高斯分类器的参数,高斯过程分类器在运行高斯过程模型时,参数可以在算法的求解过程中自动获得,因此,采用高斯过程分类器可以根据已有样本对结果的预测,这样对于少量样本数据较为有效。
本实施例提供的转移结果评估方法,预先获取训练转移分类器的训练数据,并根据训练数据对转移分类器进行训练,这样,有目的的获取符合实际情景的训练数据对转移分类器进行训练,可以使得得到转移分类器更加符合使用场景,判断的结果也更加精确,且为了避免训练数据较少的情况,采用高斯过程进行训练,进一步地增强了转移分类器的精确性。
应该理解的是,虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-7中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种转移结果评估装置,该装置包括:获取模块10、提取模块11和评估模块12,其中,
获取模块10,用于获取目标结构的医学影像;其中,医学影像包括至少两种模态的医学影像和目标结构在各模态医学影像中的分割掩模;
提取模块11,用于从目标结构的医学影像中提取目标结构的综合特征值;其中,综合特征值包括目标结构的影像组学特征;
评估模块12,用于根据目标结构的综合特征值评估目标结构的转移结果。
上述实施例提供的一种转移结果评估装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,如图9所示,提供了一种转移结果评估装置,上述提取模块11包括:第一提取单元111、筛选单元112和第一综合特征单元113,其中,
第一提取单元111,用于从平扫医学影像中提取目标结构的第一体素平均值、从增强医学影像中提取目标结构的第二体素平均值、从增强医学影像中提取目标结构的影像组学特征;
筛选单元112,用于从影像组学特征中筛选目标描述特征;其中目标描述特征表示与目标结构实际特征之间的相关度大于第一预设阈值的特征;
综合特征单元113,用于将第一体素平均值与第二体素平均值之差、目标描述特征确定为目标结构的综合特征值。
上述实施例提供的一种转移结果评估装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,如图10所示,提供了一种转移结果评估装置,上述筛选单元112包括:相关度子单元1121和目标特征子单元1122,其中,
相关度子单元1121,用于将影像组学标签与影像组学特征进行对比,确定影像组学特征与影像组学标签之间的相关度;影像组学标签为预先根据目标结构病理诊断结果获得的标签;
目标特征子单元1122,用于将影像组学特征中相关度大于第一预设阈值的特征确定为目标描述特征。
上述实施例提供的一种转移结果评估装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,上述提取单元111具体用于根据目标结构在平扫医学影像中的分割掩模,从平扫医学影像中提取目标结构的第一体素平均值;根据目标结构在增强医学影像中的分割掩模,从增强医学影像中提取目标结构的第二体素平均值。
上述实施例提供的一种转移结果评估装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,如图11所示,提供了一种转移结果评估装置,上述提取模块11包括:第二提取单元114、相关度单元115和第二综合特征单元116,其中,
第二提取单元114,用于分别提取各模态医学影像中目标结构的影像组学特征,得到第一影像组学特征和第二影像组学特征;
相关度单元115,用于将第一影像组学特征与第二影像组学特征之间的各特征差值,与影像组学特征标签进行对比,确定各特征差值与影像组学特征标签之间的相关度;
第二综合特征单元116,用于将相关度中大于第二预设阈值的特征差值、与第二影像组学特征中的目标描述特征确定为目标结构的综合特征值;第二影像组学特征中的目标描述特征表示第二影像组学特征中与目标结构实际特征之间的相关度大于预设临界值的特征。
上述实施例提供的一种转移结果评估装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在其中一个实施例中,上述评估模块12具体用于将目标结构的综合特征值输入至转移分类器中,得到目标结构的转移结果。
上述实施例提供的一种转移结果评估装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,如图12所示,提供了一种转移结果评估装置,该装置包括:样本获取模块13和训练模块14,其中,
样本获取模块13,用于获取多个结构的样本医学图像、各结构的样本医学图像对应的各结构的转移结果;
训练模块14,用于根据多个结构的样本医学图像和各结构的转移结果,对初始转移分类器进行训练,得到转移分类器。
在其中一个实施例中,上述影像组学特征包括目标结构的一阶统计特征、形状特征、灰度共生矩阵、灰度级长矩阵、灰度及带矩阵、邻域灰度差分矩阵和灰度独立矩阵中至少一个。
上述实施例提供的一种转移结果评估装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
关于转移结果评估装置的具体限定可以参见上文中对于转移结果评估方法的限定,在此不再赘述。上述转移结果评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图1所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种转移结果评估方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标结构的医学影像;其中,医学影像包括至少两种模态的医学影像和目标结构在各模态医学影像中的分割掩模;
从目标结构的医学影像中提取目标结构的综合特征值;其中,综合特征值包括目标结构的影像组学特征;
根据目标结构的综合特征值评估目标结构的转移结果。
上述实施例提供的一种计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标结构的医学影像;其中,医学影像包括至少两种模态的医学影像和目标结构在各模态医学影像中的分割掩模;
从目标结构的医学影像中提取目标结构的综合特征值;其中,综合特征值包括目标结构的影像组学特征;
根据目标结构的综合特征值评估目标结构的转移结果。
上述实施例提供的一种计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上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)
1.一种转移结果评估方法,其特征在于,所述方法包括:
获取目标结构的医学影像;所述医学影像包括至少两种模态的医学影像和所述目标结构在各模态医学影像中的分割掩模;
若所述医学影像包括平扫医学影像和增强医学影像,则从所述平扫医学影像中提取所述目标结构的第一体素平均值、从所述增强医学影像中提取所述目标结构的第二体素平均值、从所述增强医学影像中提取所述目标结构的影像组学特征;从所述影像组学特征中筛选第一目标描述特征;将所述第一体素平均值与所述第二体素平均值之差、所述第一目标描述特征确定为所述目标结构的综合特征值;所述第一目标描述特征表示与所述目标结构实际特征之间的相关度大于第一预设阈值的特征;或者,
分别提取各模态医学影像中目标结构的影像组学特征,得到第一影像组学特征和第二影像组学特征;将所述第一影像组学特征与所述第二影像组学特征之间的各特征差值,与影像组学特征标签进行对比,确定各特征差值与影像组学特征标签之间的相关度;将所述相关度中大于第二预设阈值的特征差值、第二目标描述特征确定为所述目标结构的综合特征值;所述第二目标描述特征表示所述第二影像组学特征中与所述目标结构实际特征之间的相关度大于预设临界值的特征;
根据所述目标结构的综合特征值评估所述目标结构的转移结果。
2.根据权利要求1所述的方法,其特征在于,所述从所述影像组学特征中筛选第一目标描述特征,包括:
将影像组学标签与所述影像组学特征进行对比,确定所述影像组学特征与所述影像组学标签之间的相关度;所述影像组学标签为预先根据目标结构病理诊断结果获得的标签;
将所述影像组学特征中相关度大于所述第一预设阈值的特征确定为所述第一目标描述特征。
3.根据权利要求1或2所述的方法,其特征在于,所述从所述平扫医学影像中提取所述目标结构的第一体素平均值、从所述增强医学影像中提取所述目标结构的第二体素平均值,包括:
根据所述目标结构在所述平扫医学影像中的分割掩模,从所述平扫医学影像中提取所述目标结构的第一体素平均值;根据所述目标结构在增强医学影像中的分割掩模,从增强医学影像中提取所述目标结构的第二体素平均值。
4.根据权利要求1或2所述的方法,其特征在于,所述根据所述目标结构的综合特征值评估所述目标结构的转移结果,包括:
将所述目标结构的综合特征值输入至转移分类器中,得到所述目标结构的转移结果。
5.根据权利要求4所述的方法,其特征在于,所述转移分类器的训练过程包括:
获取多个结构的样本医学图像、各所述结构的样本医学图像对应的各结构的转移结果;
根据所述多个结构的样本医学图像和所述各结构的转移结果,对初始转移分类器进行训练,得到所述转移分类器。
6.根据权利要求1或2所述的方法,其特征在于,所述影像组学特征包括所述目标结构的一阶统计特征、形状特征、灰度共生矩阵、灰度级长矩阵、灰度及带矩阵、邻域灰度差分矩阵和灰度独立矩阵中至少一个。
7.一种转移结果评估装置,其特征在于,所述装置包括:
获取模块,用于获取目标结构的医学影像;所述医学影像包括至少两种模态的医学影像和所述目标结构在各模态医学影像中的分割掩模;
提取模块,用于若所述医学影像包括平扫医学影像和增强医学影像,则从所述平扫医学影像中提取所述目标结构的第一体素平均值、从所述增强医学影像中提取所述目标结构的第二体素平均值、从所述增强医学影像中提取所述目标结构的影像组学特征;从所述影像组学特征中筛选第一目标描述特征;将所述第一体素平均值与所述第二体素平均值之差、所述第一目标描述特征确定为所述目标结构的综合特征值;所述第一目标描述特征表示与所述目标结构实际特征之间的相关度大于第一预设阈值的特征;或者,
分别提取各模态医学影像中目标结构的影像组学特征,得到第一影像组学特征和第二影像组学特征;将所述第一影像组学特征与所述第二影像组学特征之间的各特征差值,与影像组学特征标签进行对比,确定各特征差值与影像组学特征标签之间的相关度;将所述相关度中大于第二预设阈值的特征差值、第二目标描述特征确定为所述目标结构的综合特征值;所述第二目标描述特征表示所述第二影像组学特征中与所述目标结构实际特征之间的相关度大于预设临界值的特征;
评估模块,用于根据所述目标结构的综合特征值评估所述目标结构的转移结果。
8.根据权利要求7所述的装置 ,其特征在于,所述提取模块包括:
相关度子单元,用于将影像组学标签与所述影像组学特征进行对比,确定所述影像组学特征与所述影像组学标签之间的相关度;所述影像组学标签为预先根据目标结构病理诊断结果获得的标签;
目标特征子单元,用于将所述影像组学特征中相关度大于所述第一预设阈值的特征确定为所述第一目标描述特征。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任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,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910597572.5A CN110400292B (zh) | 2019-07-04 | 2019-07-04 | 转移结果评估方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910597572.5A CN110400292B (zh) | 2019-07-04 | 2019-07-04 | 转移结果评估方法、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110400292A CN110400292A (zh) | 2019-11-01 |
CN110400292B true CN110400292B (zh) | 2021-08-13 |
Family
ID=68323757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910597572.5A Active CN110400292B (zh) | 2019-07-04 | 2019-07-04 | 转移结果评估方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110400292B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583217A (zh) * | 2020-04-30 | 2020-08-25 | 深圳开立生物医疗科技股份有限公司 | 一种肿瘤消融疗效预测方法、装置、设备及计算机介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8472684B1 (en) * | 2010-06-09 | 2013-06-25 | Icad, Inc. | Systems and methods for generating fused medical images from multi-parametric, magnetic resonance image data |
WO2015010745A1 (en) * | 2013-07-26 | 2015-01-29 | Brainlab Ag | Multi-modal segmentation of image data |
CN107248162A (zh) * | 2017-05-18 | 2017-10-13 | 杭州全景医学影像诊断有限公司 | 急性脑缺血图像分割模型的获得方法及急性脑缺血图像分割的方法 |
CN108986106A (zh) * | 2017-12-15 | 2018-12-11 | 浙江中医药大学 | 面向青光眼临床诊断的视网膜血管自动分割方法 |
CN109214451A (zh) * | 2018-08-28 | 2019-01-15 | 北京安德医智科技有限公司 | 一种脑部异常的分类方法及设备 |
CN109273084A (zh) * | 2018-11-06 | 2019-01-25 | 中山大学附属第医院 | 基于多模态超声组学特征建模的方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345638A (zh) * | 2013-06-24 | 2013-10-09 | 清华大学深圳研究生院 | 基于医学影像的腔体病灶计算机辅助检测方法 |
-
2019
- 2019-07-04 CN CN201910597572.5A patent/CN110400292B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8472684B1 (en) * | 2010-06-09 | 2013-06-25 | Icad, Inc. | Systems and methods for generating fused medical images from multi-parametric, magnetic resonance image data |
WO2015010745A1 (en) * | 2013-07-26 | 2015-01-29 | Brainlab Ag | Multi-modal segmentation of image data |
CN107248162A (zh) * | 2017-05-18 | 2017-10-13 | 杭州全景医学影像诊断有限公司 | 急性脑缺血图像分割模型的获得方法及急性脑缺血图像分割的方法 |
CN108986106A (zh) * | 2017-12-15 | 2018-12-11 | 浙江中医药大学 | 面向青光眼临床诊断的视网膜血管自动分割方法 |
CN109214451A (zh) * | 2018-08-28 | 2019-01-15 | 北京安德医智科技有限公司 | 一种脑部异常的分类方法及设备 |
CN109273084A (zh) * | 2018-11-06 | 2019-01-25 | 中山大学附属第医院 | 基于多模态超声组学特征建模的方法及*** |
Non-Patent Citations (1)
Title |
---|
多模态磁共振成像对33例胆管癌腹腔转移的评估价值;张玉琴 等;《中华消化杂志》;20181231;第38卷(第12期);第851-853页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110400292A (zh) | 2019-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11610308B2 (en) | Localization and classification of abnormalities in medical images | |
Horvath et al. | Prospective validation of the ultrasound based TIRADS (Thyroid Imaging Reporting And Data System) classification: results in surgically resected thyroid nodules | |
WO2022141882A1 (zh) | 一种基于历史病理信息的病灶识别模型构建装置及*** | |
US9478022B2 (en) | Method and system for integrated radiological and pathological information for diagnosis, therapy selection, and monitoring | |
Bibicu et al. | Thyroid nodule recognition based on feature selection and pixel classification methods | |
Nowak et al. | Fully automated segmentation of connective tissue compartments for CT-based body composition analysis: a deep learning approach | |
Gitto et al. | A computer-aided diagnosis system for the assessment and characterization of low-to-high suspicion thyroid nodules on ultrasound | |
CN110766730B (zh) | 图像配准及随访评估方法、存储介质及计算机设备 | |
US10424411B2 (en) | Biopsy-free detection and staging of cancer using a virtual staging score | |
CN110415792B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
US11915822B2 (en) | Medical image reading assistant apparatus and method for adjusting threshold of diagnostic assistant information based on follow-up examination | |
US8090172B2 (en) | Robust segmentation of breast and muscle in MRI | |
Qin et al. | Ultrasound image–based radiomics: an innovative method to identify primary tumorous sources of liver metastases | |
KR20230037568A (ko) | 머신 러닝 기법을 이용한 디지털 병리 영상 내 특징의 이질성 평가 | |
Xu et al. | Automated temporal tracking and segmentation of lymphoma on serial CT examinations | |
CN113436150A (zh) | 用于***转移风险预测的超声影像组学模型的构建方法 | |
CN110400292B (zh) | 转移结果评估方法、计算机设备和存储介质 | |
CN117291866A (zh) | 医疗图像的处理方法及处理医疗图像的运算装置 | |
CN111128348A (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
Galimzianova et al. | Quantitative framework for risk stratification of thyroid nodules with ultrasound: a step toward automated triage of thyroid cancer | |
JP5961512B2 (ja) | 画像処理装置およびその作動方法並びに画像処理プログラム | |
WO2022033598A1 (zh) | ***x射线图像获取方法、装置、计算机设备和存储介质 | |
Sanderink et al. | Reliability of MRI tumor size measurements for minimal invasive treatment selection in small breast cancers | |
Chen et al. | Radiomics analysis of lymph nodes with esophageal squamous cell carcinoma based on deep learning | |
Tian et al. | Development and validation of a deep learning algorithm for pattern-based classification system of cervical cancer from pathological sections |
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 |