CN110782446A - 一种确定肺结节体积的方法及装置 - Google Patents

一种确定肺结节体积的方法及装置 Download PDF

Info

Publication number
CN110782446A
CN110782446A CN201911024057.4A CN201911024057A CN110782446A CN 110782446 A CN110782446 A CN 110782446A CN 201911024057 A CN201911024057 A CN 201911024057A CN 110782446 A CN110782446 A CN 110782446A
Authority
CN
China
Prior art keywords
image
lung nodule
lung
different dimensions
frame
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
CN201911024057.4A
Other languages
English (en)
Other versions
CN110782446B (zh
Inventor
石磊
魏子昆
王�琦
华铱炜
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.)
According To Hangzhou Medical Technology Co Ltd
Original Assignee
According To Hangzhou Medical Technology 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 According To Hangzhou Medical Technology Co Ltd filed Critical According To Hangzhou Medical Technology Co Ltd
Priority to CN201911024057.4A priority Critical patent/CN110782446B/zh
Publication of CN110782446A publication Critical patent/CN110782446A/zh
Application granted granted Critical
Publication of CN110782446B publication Critical patent/CN110782446B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30064—Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种确定肺结节体积的方法及装置，该方法包括获取胸部3D影像和胸部3D影像上肺结节的三维坐标，根据肺结节的三维坐标，从胸部3D影像上确定出第一ROI，沿不同维度对第一ROI进行切分，确定出多组第一2D影像层，通过卷积神经网络区域分割模型得到不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度，根据不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度，确定肺结节区域，根据肺结节区域，确定肺结节的体积。相比于传统的医生诊断的方式而言，能够降低因医生水平差异导致的对肺结节体积测量的不准确率，进而降低了对肺结节诊断的误差率。

Description

一种确定肺结节体积的方法及装置
技术领域
本发明实施例涉及机器学习技术领域，尤其涉及一种确定肺结节体积的方法及装置、计算设备、计算机可读非易失性存储介质。
背景技术
目前，医生可以凭借医学知识以及医疗经验诊断出各种疾病。也就是说，现有技术中对疾病的诊断大多依靠医生，然而由于各个地区的医疗水平不一致，且医生的个人经验水平也参差不齐，因此，传统的医生诊断疾病的方法容易受到地区医疗水平以及医生个人经验水平的影响，导致诊断误差较大。
以确定肺结节的体积为例，医生通常需要人为地观测肺结节体积的大小，基于肺结节体积变化的程度和时间来确定倍增时间，进而基于倍增时间等其他因素来分析该肺结节的良恶性。肺结节的体积由人工来测量，难免会不准确，进而导致对倍增时间、肺结节的良恶性的诊断有误。
基于此，目前亟需一种确定肺结节体积的方法，用于提高对肺结节体积测量的准确度。
发明内容
本发明实施例提供一种确定肺结节体积的方法及装置，用以提高对肺结节体积测量的准确度。
本发明实施例提供的一种确定肺结节体积的方法，包括：
获取胸部3D影像和所述胸部3D影像上肺结节的三维坐标；
根据所述肺结节的三维坐标，从所述胸部3D影像上确定出第一ROI；
沿不同维度对所述第一ROI进行切分，确定出不同维度对应的多组第一2D影像层；每组2D影像层中包括多帧2D影像；
通过卷积神经网络区域分割模型得到不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度；
根据不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度，确定所述肺结节区域；
根据所述肺结节区域，确定所述肺结节的体积。
上述技术方案中，通过对从胸部3D影像上确定出的第一ROI进行沿不同维度的切分，可以得到不同维度对应的多组第一2D影像层，将不同维度对应的多组第一2D影像层依次输入至卷积神经网络区域分割模型，得到各帧2D影像中像素点属于肺结节区域的置信度，从而可以获得肺结节区域，基于该肺结节区域可以自动确定出肺结节的体积，相比于传统的医生诊断的方式而言，能够降低因医生水平差异导致的对肺结节体积测量的不准确率，进而降低了对肺结节诊断的误差率。
可选的，所述通过卷积神经网络区域分割模型得到不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度，包括：
将不同维度对应的各组第一2D影像层及与其对应的各组第二2D影像层依次作为多通道输入到所述卷积神经网络区域分割模型中，得到不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度，其中，任一维度的任一组第一2D影像层对应的第二2D影像层是指：与第一2D影像层中每一帧2D影像的位置及区域对应的各帧肺部2D影像组成的影像层。
上述技术方案中，通过将不同维度对应的各组第一2D影像层以及与不同维度对应的各组第一2D影像层对应的各组第二2D影像层依次同时输入至卷积神经网络区域分割模型，提高了获得的各帧2D影像中像素点属于肺结节区域的置信度的准确率，避免将非肺结节区域误判为肺结节区域，进而可以降低后续对肺结节诊断的误诊率。
可选的，各帧肺部2D影像通过如下方式获得：
分割所述胸部3D影像中的肺部区域以获得肺部3D影像；
根据所述肺结节的三维坐标，从所述肺部3D影像上确定出第二ROI；
沿不同的维度对所述第二ROI进行切分，确定出不同维度对应的多组第二2D影像层，其中任一维度的第二2D影像层包括多帧肺部2D影像。
可选的，所述根据不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度，确定所述肺结节区域，包括：
对于任一维度的任一像素点，基于各第一2D影像层的各帧2D影像中的所述像素点属于肺结节区域的置信度，确定所述像素点在所述维度下属于肺结节区域的置信度；
基于任一像素点在不同维度下属于肺结节区域的置信度获取第一ROI在预定维度下的每一帧2D影像对应的置信度分布图，其中每一帧2D影像对应的置信度分布图关联于该帧2D影像上每一个像素点在不同维度下属于肺结节区域的置信度；
基于所述预定维度下每一帧2D影像对应的置信度分布图以及第一阈值获得肺结节区域。
上述技术方案中，通过不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度，得到肺结节区域，采用该方式提高了获得的肺结节区域的精度。
可选的，所述根据所述肺结节区域，确定所述肺结节的体积，包括：
获取所述肺结节区域中像素点的数量；
根据所述肺结节区域中像素点的数量和预设的比例尺，确定所述肺结节的体积。
第二方面，本发明实施例提供一种确定肺结节体积的装置，包括：
获取单元，用于获取胸部3D影像和所述胸部3D影像上肺结节的三维坐标；
处理单元，用于根据所述肺结节的三维坐标，从所述胸部3D影像上确定出第一ROI；沿不同维度对所述第一ROI进行切分，确定出不同维度对应的多组第一2D影像层；每组2D影像层中包括多帧2D影像；通过卷积神经网络区域分割模型得到不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度；根据不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度，确定所述肺结节区域；根据所述肺结节区域，确定所述肺结节的体积。
可选的，所述处理单元具体用于：
将不同维度对应的各组第一2D影像层及与其对应的各组第二2D影像层依次作为多通道输入到所述卷积神经网络区域分割模型中，得到不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度，其中，任一维度的任一组第一2D影像层对应的第二2D影像层是指：与第一2D影像层中每一帧2D影像的位置及区域对应的各帧肺部2D影像组成的影像层。
可选的，所述处理单元具体用于：
通过如下方式获得各帧肺部2D影像：
分割所述胸部3D影像中的肺部区域以获得肺部3D影像；
根据所述肺结节的三维坐标，从所述肺部3D影像上确定出第二ROI；
沿不同的维度对所述第二ROI进行切分，确定出不同维度对应的多组第二2D影像层，其中任一维度的第二2D影像层包括多帧肺部2D影像。
可选的，所述处理单元具体用于：
对于任一维度的任一像素点，基于各第一2D影像层的各帧2D影像中的所述像素点属于肺结节区域的置信度，确定所述像素点在所述维度下属于肺结节区域的置信度；
基于任一像素点在不同维度下属于肺结节区域的置信度获取第一ROI在预定维度下的每一帧2D影像对应的置信度分布图，其中每一帧2D影像对应的置信度分布图关联于该帧2D影像上每一个像素点在不同维度下属于肺结节区域的置信度；
基于所述预定维度下每一帧2D影像对应的置信度分布图以及第一阈值获得肺结节区域。
可选的，所述处理单元具体用于：
获取所述肺结节区域中像素点的数量；
根据所述肺结节区域中像素点的数量和预设的比例尺，确定所述肺结节的体积。
第三方面，本发明实施例还提供一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行上述确定肺结节体积的方法。
第四方面，本发明实施例还提供一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行上述确定肺结节体积的方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种***架构的示意图；
图2为本发明实施例提供的一种确定肺结节体积的方法的流程示意图；
图3为本发明实施例提供的一种胸部3D影像的示意图；
图4a和图4b为本发明实施例提供的一种胸部CT影像的示意图；
图5为本发明实施例提供的一种确定肺结节体积的装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种***架构。参考图1所示，该***架构可以为服务器100，包括处理器110、通信接口120和存储器130。
其中，通信接口120用于与医生适用的终端设备进行通信，收发该终端设备传输的信息，实现通信。
处理器110是服务器100的控制中心，利用各种接口和线路连接整个服务器100的各个部分，通过运行或执行存储在存储器130内的软件程序/或模块，以及调用存储在存储器130内的数据，执行服务器100的各种功能和处理数据。可选地，处理器110可以包括一个或多个处理单元。
存储器130可用于存储软件程序以及模块，处理器110通过运行存储在存储器130的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器130可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序等；存储数据区可存储根据业务处理所创建的数据等。此外，存储器130可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需要说明的是，上述图1所示的结构仅是一种示例，本发明实施例对此不做限定。
基于上述描述，图2示例性的示出了本发明实施例提供的一种确定肺结节体积的方法的流程示意图，该流程可以由确定肺结节体积的装置执行，该装置可以位于如图1所示服务器100内，也可以是该服务器100。
如图2所示，该流程具体包括：
步骤201，获取胸部3D影像和所述胸部3D影像上肺结节的三维坐标。
胸部3D影像可以是通过计算机断层摄影(Computed Tomography，CT)设备采集到的影像、磁共振成像(Magnetic Resonance Imaging，MRI)设备采集到的影像等等，为了更清楚的描述胸部3D影像，图3示例性示出了一名患者的胸部CT影像。胸部3D影像上肺结节的三维坐标可以为胸部3D影像上肺结节内的点的三维坐标(比如肺结节中心点的三维坐标)，也可以是肺结节表面的点的三维坐标。
步骤202，根据所述肺结节的三维坐标，从所述胸部3D影像上确定出第一ROI。
具体的，以所述肺结节的三维坐标为中心，从胸部3D影像上截取预设尺寸的包含肺结节区域的立体块为第一ROI。该立体块可以为肺结节的像素立体块。该预设尺寸可以依据经验设置，例如，可以为肺结节的半径的预设倍数。该肺结节的半径可以通过现有的技术方案来确定，本发明实施例对此不作具体限定。
如肺结节半径的2倍，然后截取此像素立方体，并插值缩放到一定的大小。之后再对该像素立方体中每一个像素附加一个空间信息通道，输出第一ROI，空间信息通道为像素立方体与肺结节的三维坐标之间的距离。举例来说，这里可以是以肺结节的三维坐标为中心，向三个坐标轴各方向延伸L像素，就可以选取一个2L*2L*2L大小的像素立方体。如图4a所示，为胸部CT影像的一种示例的示意图。该胸部CT影像中存在肺结节A，且肺结节A的中心坐标为(x0，y0，z0)，肺结节A的半径为r，则可以以中心坐标(x0，y0，z0)为中心点，以半径r的2倍为边长，如图4b所示，所得到的区域(正方体)即为肺结节A对应的第一ROI。
需要说明的是，ROI可以为多种形状，上文所描述的立方体形的胸部CT影像中肺结节A对应的区域仅为一种示例，在其它可能的示例中，ROI也可以为球体或其他形状。
步骤203，沿不同维度对所述第一ROI进行切分，确定出不同维度对应的多组第一2D影像层。
其中，每组2D影像层中包含多帧2D影像。在本发明实施例中，不同维度得到的2D影像一般可以分为横断面2D影像、矢状面2D影像和冠状面2D影像，分别对应着沿着坐标系的Z轴切分的2D影像、沿着坐标系的Y轴切分的2D影像以及沿着坐标系的X轴切分的2D影像。沿着不同维度切分出各帧影像，然后在不同维度上抽取预设数量的多帧2D影像作为不同维度的一组第一2D影像层。该预设数量可以依据经验设置，例如每组2D影像层包括3帧2D影像，其中每组2D影像层可以是连续的多帧2D影像，也可以是不连续的多帧2D影像，例如，连续的多帧2D影像可以包括{第1帧2D影像,第2帧2D影像,第2帧2D影像}，不连续的多帧2D影像可以包括{第1帧2D影像,第3帧2D影像,第5帧2D影像}。进一步的，多组第一2D影像层中任意两组可以是有共同帧的2D影像的第一2D影像层，或者多组第一2D影像层中任意两组可以是没有共同帧的2D影像的第一2D影像层。例如，多组第一2D影像层中任意两组有共同帧的2D影像的第一2D影像层可以为{第1帧2D影像,第2帧2D影像,第3帧2D影像}和{第3帧2D影像,第4帧2D影像,第5帧2D影像}，或{第1帧2D影像,第2帧2D影像,第3帧2D影像}和{第2帧2D影像,第3帧2D影像,第4帧2D影像}，或{第1帧2D影像,第3帧2D影像,第5帧2D影像}和{第3帧2D影像,第5帧2D影像,第7帧2D影像}，或{第1帧2D影像,第2帧2D影像,第3帧2D影像}和{第2帧2D影像,第4帧2D影像,第6帧2D影像}等等。而多组第一2D影像层中任意两组没有共同帧的2D影像的第一2D影像层可以为{第1帧2D影像,第2帧2D影像,第3帧2D影像}和{第4帧2D影像,第5帧2D影像,第6帧2D影像}，或{第1帧2D影像,第3帧2D影像,第5帧2D影像}和{第2帧2D影像,第4帧2D影像,第6帧2D影像}等等。
需要说明的是，本发明实施例并不限定任一维度对应的影像层的数量，其可以相同也可以不相同，具体不作限定。当其相同时，则任一维度包括的第一2D影像层的组数也可以是相同的。例如，每个维度切分得到90帧2D影像，若每组包含3帧2D影像，则每个维度都可以得到30组第一2D影像层。
步骤204，通过卷积神经网络区域分割模型得到不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度。
在本发明实施例中，可以直接将不同维度对应的各组第一2D影像层输入到该卷积神经网络区域分割模型中，得到不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度。
为了更准确的得到不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度，该卷积神经网络区域分割模型的输入还可以包括与不同维度对应的各组第一2D影像层对应的各组第二2D影像层，其中，任一维度的任一组第一2D影像层对应的第二2D影像层是指：与第一2D影像层中每一帧2D影像的位置及区域对应的各帧肺部2D影像组成的影像层。
其中，各帧肺部2D影像可以通过下述方式来获得：首先是分割上述胸部3D影像中的肺部区域来获得肺部3D影像，本发明实施例对分割胸部3D影像中的肺部区域方式不作具体限定。然后基于上述肺结节的三维坐标，从该肺部3D影像上确定出第二ROI，最后沿不同的维度对所述第二ROI进行切分，确定出不同维度对应的多组第二2D影像层。需要说明的是，此处确定第二ROI的方式以及切分第二ROI的方式与上述确定第一ROI的方式以及切分第一ROI的方式相同，不再赘述。其中，任一维度的第二2D影像层包括多帧肺部2D影像。
上述与第一2D影像层中每一帧2D影像的位置及区域对应的各帧肺部2D影像可以是指，在切分第一ROI和切分第二ROI的时候，切分位置相同且属于包含相同肺结节的三维坐标的区域的2D影像及其对应的肺部2D影像。以横断面影像为例，这里的切分位置可以用坐标系中Z轴的坐标来表示。
当同时向卷积神经网络区域分割模型输入不同维度对应的各组第一2D影像层以及与不同维度对应的各组第一2D影像层对应的各组第二2D影像层时，可以将不同维度中切分位置相同的一组第一2D影像层及其对应的第二2D影像层作为多通道输入到该卷积神经网络区域分割模型中，从而可以得到不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度。
将不同维度对应的各组第一2D影像层以及与不同维度对应的各组第一2D影像层对应的各组第二2D影像层同时输入到卷积神经网络区域分割模型，可以提高确定各帧2D影像中像素点属于肺结节区域的置信度的准确率，可以去掉一些非肺结节区域，减少误判，进而可以降低后续对肺结节诊断的误诊率。例如，通过肺部2D影像做掩膜的形式，可以去掉一些位于肺部轮廓之外的结节区域。
需要说明的是，本发明实施例中的卷积神经网络区域分割模型可以是2D卷积神经网络区域分割模型也可以是3D卷积神经网络区域分割模型，如果是2D卷积神经网络区域分割模型，在输入时，可以将一组2D影像一帧一帧的输入，如果是3D卷积神经网络区域分割模型，则在输入时，可以将一组2D影像一起输入，然后通过3D卷积模块进行降维处理。
在本发明实施例中，上述卷积神经网络区域分割模型可以包括特征提取模块、N个上采样模块和N个下采样模块。
将不同维度对应的各组第一2D影像层以及与不同维度对应的各组第一2D影像层对应的各组第二2D影像层同时输入到卷积神经网络区域分割模型时，可以先将不同维度中切分位置相同的一组第一2D影像层及其对应的第二2D影像层作为多通道输入到特征提取模块，来得到不同维度中切分位置相同的一组第一2D影像层中各帧2D影像对应的第一特征影像，然后再将该不同维度中切分位置相同的一组第一2D影像层中各帧2D影像对应的第一特征影像输入至N个下采样模块中，从而得到每个下采样模块对应的采样结果，也就是第二特征影像，其中，每个第二特征影像的尺寸不同。最后再将上述N个下采样模块中的最后一个下采样模块得到的第二特征影像输入至上述N个上采样模块，依次得到每个上采样模块的采样结果，再将每个上采样模块的采样结果与其对应尺寸的下采样模块的采样结果进行拼接后，得到第三特征影像。其中，每个上采样模块的采样结果与相同尺寸的第二特征影像拼接后再输入至下一个上采样模块。
步骤205，根据不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度，确定所述肺结节区域。
在本发明实施例中，针对任一维度的任一像素点，基于上述各第一2D影像层的各帧2D影像中的像素点属于肺结节区域的置信度，可以得到像素点在该维度下属于肺结节区域的置信度，然后再基于任一像素点在不同维度下属于肺结节区域的置信度获取第一ROI在预定维度下的每一帧2D影像对应的置信度分布图，其中每一帧2D影像对应的置信度分布图关联于该帧2D影像上每一个像素点在不同维度下属于肺结节区域的置信度。最后基于该预定维度下每一帧2D影像对应的置信度分布图以及第一阈值就可以获得肺结节区域。其中，该第一阈值可以依据经验设置。
基于上述方式，作为一种可能的实现方式，针对任一维度，对于多组第一2D影像层中任意两组有共同帧的2D影像的第一2D影像层，例如，第一组2D影像层为{第1帧2D影像,第2帧2D影像,第3帧2D影像}、第二组2D影像层为{第2帧2D影像,第3帧2D影像,第4帧2D影像}、第三组2D影像层为{第3帧2D影像,第4帧2D影像,第5帧2D影像}。其中，像素点A位于第3帧2D影像上，此时，像素点A同时属于第一组2D影像层、第二组2D影像层和第三组2D影像层。在同一维度上，对于像素点A，可以得到三个像素点A属于肺结节区域的置信度。该情况下，可以将该三个像素点A属于肺结节区域的置信度分布进行叠加求平均值，从而得到该第3帧2D影像中关于像素点A在该维度下属于肺结节区域的置信度。
若仅有一个维度的情况下，基于相同的方式可以得到第3帧2D影像中任一像素点在该维度下属于肺结节区域的置信度，从而得到该维度下，各帧2D影像中任一像素点属于肺结节区域的置信度分布图，相应的将该维度下各帧2D影像中任一像素点属于肺结节区域的置信度分布图组合在一起，就可以得到上述在该维度下，第一ROI中任一像素点属于肺结节区域的置信度分布图，进而可以得到肺结节区域。例如，以坐标系Z轴方向上为例，将每一帧2D影像中任一像素点属于肺结节区域的置信度分布图组合在一起，就可以得到一个立方体状的任一像素点属于肺结节区域的置信度分布图，也就是三维的任一像素点属于肺结节区域的置信度分布图。当多组第一2D影像层中任意两组没有共同帧的2D影像时，可以直接将一个维度下各2D影像中任一像素点属于肺结节区域的置信度分布图组合在一起，得到肺结节区域。
进一步的，为了提高确定肺结节区域的准确度，本发明实施例不仅考虑了一个维度下各帧2D影像中像素点属于肺结节区域的置信度，还可以综合考虑多个维度下各帧2D影像中像素点属于肺结节区域的置信度。具体的，以像素点A为例，可以通过上述方式得到像素点A在不同维度下属于肺结节区域的置信度，然后将不同维度中像素点A属于肺结节区域的置信度进行叠加求平均值，可以得到像素点A属于肺结节区域的置信度。以任一维度作为预定维度，可以通过将像素点A在除预定维度之外的其他维度下属于肺结节区域的置信度与该预定维度下属于肺结节区域的置信度进行叠加求平均，可以得到预定维度下每一帧2D影像中像素点属于肺结节区域的置信度分布，从而可以得到上述第一ROI在预定维度下的每一帧2D影像对应的置信度分布图。例如，在坐标系Z轴方向上，像素点A属于肺结节区域的置信度为95％，在坐标系X轴方向上，像素点A属于肺结节区域的置信度为96％，在坐标系Y轴方向上，像素点A属于肺结节区域的置信度为97％。以坐标系Z轴方向为预定维度，将该三个置信度进行叠加求平均值后，得到的置信度为96％，即为最终的在坐标系Z轴方向上，该像素点A属于肺结节区域的置信度，对所有的像素点采用上述方式计算其属于肺结节区域的置信度，则可以得到在坐标系Z轴方向上每一帧2D影像对应的置信度分布图。
上述不同维度下像素点A属于肺结节区域的置信度还可以通过另一种方式来确定，例如，在坐标系Z轴方向上，像素点A位于第3帧2D影像上，该第3帧2D影像位于三个不同的第一2D影像层中，这种情况下，可以得到第一置信度、第二置信度和第三置信度。同样，在坐标系X轴方向上，像素点A也在三个不同的第一2D影像层中，可以得到第四置信度、第五置信度和第六置信度，在坐标系Y轴方向上，像素点A也位于三个不同的第一2D影像层中，可以得到第七置信度、第八置信度和第九置信度。这样对于同一个像素点A可以得到九个不同的置信度，此时以坐标系Z轴方向为预定维度，可以将这九个不同的置信度进行叠加后求平均值，从而得到最终的预定维度下像素点A属于肺结节区域的置信度，进一步的就可以得到在坐标系Z轴方向上每一帧2D影像对应的置信度分布图。
基于上述方式，进一步的可以得到上述第一ROI中任一像素点属于肺结节区域的置信度分布图，此时可以通过设置第一阈值的方式，来确定肺结节区域。例如，可以将像素点的置信度大于第一阈值的像素点所在的区域确定为肺结节区域，通过这种方式将像素点置信度大于第一阈值的相邻的像素点联通起来，其中联通的像素点最多的区域即为肺结节区域。此时将联通的像素点进行二值化处理，例如，置信度大于第一阈值的像素点的灰度值为1，置信度小于等于第一阈值的像素点的灰度值为0，就可以很明显的将肺结节区域区分开来，从而得到肺结节区域。
步骤206，根据所述肺结节的分割区域，确定所述肺结节的体积。
当上述步骤205得到肺结节区域之后，就可以计算肺结节的体积，具体的，可以获取肺结节区域中像素点的数量，然后根据肺结节区域中像素点的数量和预设的比例尺，确定肺结节的体积。
其中，该预设的比例尺可以是3D影像上各维度上的预设比例尺，可以依据经验设置。肺结节区域中像素点的数量的获取方式可以是对肺结节区域中像素点进行统计。本发明实施例通过将每个维度上像素点的数量乘以该维度上的预设比例尺就可以得到肺结节的体积。
如此，本发明实施例通过获取胸部3D影像和胸部3D影像上肺结节的三维坐标，根据肺结节的三维坐标，从胸部3D影像上确定出第一ROI，沿不同维度对第一ROI进行切分，确定出不同维度对应的多组第一2D影像层，每组2D影像层中包括多帧2D影像，通过卷积神经网络区域分割模型得到不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度，根据不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度，确定肺结节区域，根据肺结节区域，确定肺结节的体积。通过对从胸部3D影像上确定出的第一ROI进行沿不同维度的切分，可以得到不同维度对应的多组第一2D影像层，将不同维度对应的多组第一2D影像层及与其对应的各组第二2D影像层依次输入至卷积神经网络区域分割模型，得到各帧2D影像中像素点属于肺结节区域的置信度，从而可以获得肺结节区域，基于该肺结节区域可以自动确定出肺结节的体积，相比于传统的医生诊断的方式而言，能够降低因医生水平差异导致的对肺结节体积测量的不准确率，进而降低了对肺结节诊断的误差率。
基于相同的技术构思，图5示例性的示出了本发明实施例提供的一种确定肺结节体积的装置的结构，该装置可以执行确定肺结节体积的流程，该装置可以位于图1所示的服务器100内，也可以是该服务器100。
如图5所示，该装置具体包括：
获取单元501，用于获取胸部3D影像和所述胸部3D影像上肺结节的三维坐标；
处理单元502，用于根据所述肺结节的三维坐标，从所述胸部3D影像上确定出第一ROI；沿不同维度对所述第一ROI进行切分，确定出不同维度对应的多组第一2D影像层；每组2D影像层中包括多帧2D影像；通过卷积神经网络区域分割模型得到不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度；根据不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度，确定所述肺结节区域；根据所述肺结节区域，确定所述肺结节的体积。
可选的，所述处理单元502具体用于：
将不同维度对应的各组第一2D影像层及与其对应的各组第二2D影像层依次作为多通道输入到所述卷积神经网络区域分割模型中，得到不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度，其中，任一维度的任一组第一2D影像层对应的第二2D影像层是指：与第一2D影像层中每一帧2D影像的位置及区域对应的各帧肺部2D影像组成的影像层。
可选的，所述处理单元502具体用于：
通过如下方式获得各帧肺部2D影像：
分割所述胸部3D影像中的肺部区域以获得肺部3D影像；
根据所述肺结节的三维坐标，从所述肺部3D影像上确定出第二ROI；
沿不同的维度对所述第二ROI进行切分，确定出不同维度对应的多组第二2D影像层，其中任一维度的第二2D影像层包括多帧肺部2D影像。
可选的，所述处理单元502具体用于：
对于任一维度的任一像素点，基于各第一2D影像层的各帧2D影像中的所述像素点属于肺结节区域的置信度，确定所述像素点在所述维度下属于肺结节区域的置信度；
基于任一像素点在不同维度下属于肺结节区域的置信度获取第一ROI在预定维度下的每一帧2D影像对应的置信度分布图，其中每一帧2D影像对应的置信度分布图关联于该帧2D影像上每一个像素点在不同维度下属于肺结节区域的置信度；
基于所述预定维度下每一帧2D影像对应的置信度分布图以及第一阈值获得肺结节区域。
可选的，所述处理单元502具体用于：
获取所述肺结节区域中像素点的数量；
根据所述肺结节区域中像素点的数量和预设的比例尺，确定所述肺结节的体积。
基于相同的技术构思，本发明实施例还提供了一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行上述确定肺结节体积的方法。
基于相同的技术构思，本发明实施例还提供了一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行上述确定肺结节体积的方法。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种确定肺结节体积的方法，其特征在于，包括：
获取胸部3D影像和所述胸部3D影像上肺结节的三维坐标；
根据所述肺结节的三维坐标，从所述胸部3D影像上确定出第一ROI；
沿不同维度对所述第一ROI进行切分，确定出不同维度对应的多组第一2D影像层；每组2D影像层中包括多帧2D影像；
通过卷积神经网络区域分割模型得到不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度；
根据不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度，确定所述肺结节区域；
根据所述肺结节区域，确定所述肺结节的体积。
2.如权利要求1所述的方法，其特征在于，所述通过卷积神经网络区域分割模型得到不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度，包括：
将不同维度对应的各组第一2D影像层及与其对应的各组第二2D影像层依次作为多通道输入到所述卷积神经网络区域分割模型中，得到不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度，其中，任一维度的任一组第一2D影像层对应的第二2D影像层是指：与第一2D影像层中每一帧2D影像的位置及区域对应的各帧肺部2D影像组成的影像层。
3.如权利要求2所述的方法，其特征在于，各帧肺部2D影像通过如下方式获得：
分割所述胸部3D影像中的肺部区域以获得肺部3D影像；
根据所述肺结节的三维坐标，从所述肺部3D影像上确定出第二ROI；
沿不同的维度对所述第二ROI进行切分，确定出不同维度对应的多组第二2D影像层，其中任一维度的第二2D影像层包括多帧肺部2D影像。
4.如权利要求1至3任一项所述的方法，其特征在于，所述根据不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度，确定所述肺结节区域，包括：
对于任一维度的任一像素点，基于各第一2D影像层的各帧2D影像中的所述像素点属于肺结节区域的置信度，确定所述像素点在所述维度下属于肺结节区域的置信度；
基于任一像素点在不同维度下属于肺结节区域的置信度获取第一ROI在预定维度下的每一帧2D影像对应的置信度分布图，其中每一帧2D影像对应的置信度分布图关联于该帧2D影像上每一个像素点在不同维度下属于肺结节区域的置信度；
基于所述预定维度下每一帧2D影像对应的置信度分布图以及第一阈值获得肺结节区域。
5.如权利要求1至3任一项所述的方法，其特征在于，所述根据所述肺结节区域，确定所述肺结节的体积，包括：
获取所述肺结节区域中像素点的数量；
根据所述肺结节区域中像素点的数量和预设的比例尺，确定所述肺结节的体积。
6.一种确定肺结节体积的装置，其特征在于，包括：
获取单元，用于获取胸部3D影像和所述胸部3D影像上肺结节的三维坐标；
处理单元，用于根据所述肺结节的三维坐标，从所述胸部3D影像上确定出第一ROI；沿不同维度对所述第一ROI进行切分，确定出不同维度对应的多组第一2D影像层；每组2D影像层中包括多帧2D影像；通过卷积神经网络区域分割模型得到不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度；根据不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度，确定所述肺结节区域；根据所述肺结节区域，确定所述肺结节的体积。
7.如权利要求6所述的装置，其特征在于，所述处理单元具体用于：
将不同维度对应的各组第一2D影像层及与其对应的各组第二2D影像层依次作为多通道输入到所述卷积神经网络区域分割模型中，得到不同维度对应的各组第一2D影像层中各帧2D影像中像素点属于肺结节区域的置信度，其中，任一维度的任一组第一2D影像层对应的第二2D影像层是指：与第一2D影像层中每一帧2D影像的位置及区域对应的各帧肺部2D影像组成的影像层。
8.如权利要求7所述的装置，其特征在于，所述处理单元具体用于：
通过如下方式获得各帧肺部2D影像：
分割所述胸部3D影像中的肺部区域以获得肺部3D影像；
根据所述肺结节的三维坐标，从所述肺部3D影像上确定出第二ROI；
在不同的维度对所述第二ROI进行切分，确定出不同维度对应的多组第二2D影像层，其中任一维度的第二2D影像层包括多帧肺部2D影像。
9.一种计算设备，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行权利要求1至5任一项所述的方法。
10.一种计算机可读非易失性存储介质，其特征在于，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行如权利要求1至5任一项所述的方法。
CN201911024057.4A 2019-10-25 2019-10-25 一种确定肺结节体积的方法及装置 Active CN110782446B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911024057.4A CN110782446B (zh) 2019-10-25 2019-10-25 一种确定肺结节体积的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911024057.4A CN110782446B (zh) 2019-10-25 2019-10-25 一种确定肺结节体积的方法及装置

Publications (2)

Publication Number Publication Date
CN110782446A true CN110782446A (zh) 2020-02-11
CN110782446B CN110782446B (zh) 2022-04-15

Family

ID=69386611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911024057.4A Active CN110782446B (zh) 2019-10-25 2019-10-25 一种确定肺结节体积的方法及装置

Country Status (1)

Country Link
CN (1) CN110782446B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111047591A (zh) * 2020-03-13 2020-04-21 北京深睿博联科技有限责任公司 基于深度学习的病灶体积测量方法、***、终端及存储介质
CN111340756A (zh) * 2020-02-13 2020-06-26 北京深睿博联科技有限责任公司 一种医学图像病变检出合并方法、***、终端及存储介质
CN111402260A (zh) * 2020-02-17 2020-07-10 北京深睿博联科技有限责任公司 一种基于深度学习的医学影像分割方法、***、终端及存储介质
CN111967462A (zh) * 2020-04-26 2020-11-20 杭州依图医疗技术有限公司 一种获取感兴趣区域的方法及装置
CN112712508A (zh) * 2020-12-31 2021-04-27 杭州依图医疗技术有限公司 一种确定气胸的方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108389202A (zh) * 2018-03-16 2018-08-10 青岛海信医疗设备股份有限公司 三维虚拟器官的体积计算方法、装置、存储介质及设备
CN108986085A (zh) * 2018-06-28 2018-12-11 深圳视见医疗科技有限公司 Ct图像肺结节检测方法、装置、设备及可读存储介质
CN109035261A (zh) * 2018-08-09 2018-12-18 北京市商汤科技开发有限公司 医疗影像处理方法及装置、电子设备及存储介质
CN109447963A (zh) * 2018-10-22 2019-03-08 杭州依图医疗技术有限公司 一种脑部影像识别的方法及装置
CN109446951A (zh) * 2018-10-16 2019-03-08 腾讯科技（深圳）有限公司 三维图像的语义分割方法、装置、设备及存储介质
US20190287242A1 (en) * 2018-03-16 2019-09-19 Infervision Computed tomography pulmonary nodule detection method based on deep learning

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108389202A (zh) * 2018-03-16 2018-08-10 青岛海信医疗设备股份有限公司 三维虚拟器官的体积计算方法、装置、存储介质及设备
US20190287242A1 (en) * 2018-03-16 2019-09-19 Infervision Computed tomography pulmonary nodule detection method based on deep learning
CN108986085A (zh) * 2018-06-28 2018-12-11 深圳视见医疗科技有限公司 Ct图像肺结节检测方法、装置、设备及可读存储介质
CN109035261A (zh) * 2018-08-09 2018-12-18 北京市商汤科技开发有限公司 医疗影像处理方法及装置、电子设备及存储介质
CN109446951A (zh) * 2018-10-16 2019-03-08 腾讯科技（深圳）有限公司 三维图像的语义分割方法、装置、设备及存储介质
CN109447963A (zh) * 2018-10-22 2019-03-08 杭州依图医疗技术有限公司 一种脑部影像识别的方法及装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340756A (zh) * 2020-02-13 2020-06-26 北京深睿博联科技有限责任公司 一种医学图像病变检出合并方法、***、终端及存储介质
CN111340756B (zh) * 2020-02-13 2023-11-28 北京深睿博联科技有限责任公司 一种医学图像病变检出合并方法、***、终端及存储介质
CN111402260A (zh) * 2020-02-17 2020-07-10 北京深睿博联科技有限责任公司 一种基于深度学习的医学影像分割方法、***、终端及存储介质
CN111047591A (zh) * 2020-03-13 2020-04-21 北京深睿博联科技有限责任公司 基于深度学习的病灶体积测量方法、***、终端及存储介质
CN111967462A (zh) * 2020-04-26 2020-11-20 杭州依图医疗技术有限公司 一种获取感兴趣区域的方法及装置
CN111967462B (zh) * 2020-04-26 2024-02-02 杭州依图医疗技术有限公司 一种获取感兴趣区域的方法及装置
CN112712508A (zh) * 2020-12-31 2021-04-27 杭州依图医疗技术有限公司 一种确定气胸的方法及装置
CN112712508B (zh) * 2020-12-31 2024-05-14 杭州依图医疗技术有限公司 一种确定气胸的方法及装置

Also Published As

Publication number Publication date
CN110782446B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN110782446B (zh) 一种确定肺结节体积的方法及装置
CN110934606B (zh) 脑卒中早期平扫ct图像评估***及评估方法、可读存储介质
CN109446951B (zh) 三维图像的语义分割方法、装置、设备及存储介质
CN108629784A (zh) 一种基于深度学习的ct图像颅内血管分割方法及***
CN111340756B (zh) 一种医学图像病变检出合并方法、***、终端及存储介质
CN110400299A (zh) 一种肺部胸腔积液检出的方法及装置
CN111028248A (zh) 一种基于ct图像的静动脉分离方法及装置
CN113077479A (zh) 急性缺血性脑卒中病灶自动分割方法、***、终端及介质
EP2415019A1 (en) Interactive iterative closest point algorithm for organ segmentation
EP3722996A2 (en) Systems and methods for processing 3d anatomical volumes based on localization of 2d slices thereof
US11600379B2 (en) Systems and methods for generating classifying and quantitative analysis reports of aneurysms from medical image data
US8306354B2 (en) Image processing apparatus, method, and program
CN114648541A (zh) 非小细胞肺癌大体肿瘤靶区自动分割方法
CN113487536A (zh) 图像分割方法、计算机设备和存储介质
CN110992310A (zh) 一种确定纵隔***所在分区的方法及装置
CN110826557A (zh) 一种骨折检出的方法及装置
CN116758087B (zh) 一种腰椎ct骨窗侧隐窝间隙检测方法及装置
CN113658106A (zh) 一种基于腹部增强ct的肝脏病灶自动诊断***
CN111967462B (zh) 一种获取感兴趣区域的方法及装置
CN109767468B (zh) 脏器体积检测方法及装置
CN116862930A (zh) 适用于多模态的脑血管分割方法、装置、设备和存储介质
CN111105476A (zh) 一种基于Marching Cubes的CT图像三维重建方法
CN112712507B (zh) 一种确定冠状动脉的钙化区域的方法及装置
CN110533637B (zh) 一种检测对象的方法及装置
JP2003265463A (ja) 画像診断支援システム及び画像診断支援プログラム

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