CN111292307A - 一种消化***胆囊结石识别方法及定位方法 - Google Patents
一种消化***胆囊结石识别方法及定位方法 Download PDFInfo
- Publication number
- CN111292307A CN111292307A CN202010084666.5A CN202010084666A CN111292307A CN 111292307 A CN111292307 A CN 111292307A CN 202010084666 A CN202010084666 A CN 202010084666A CN 111292307 A CN111292307 A CN 111292307A
- Authority
- CN
- China
- Prior art keywords
- gallbladder
- gallstone
- image
- cholecystolithiasis
- stone
- 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.)
- Pending
Links
- 208000001130 gallstones Diseases 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 50
- 210000002249 digestive system Anatomy 0.000 title claims abstract description 41
- 210000000232 gallbladder Anatomy 0.000 claims abstract description 113
- 201000001883 cholelithiasis Diseases 0.000 claims abstract description 102
- 208000004845 Cholecystolithiasis Diseases 0.000 claims abstract description 55
- 238000002591 computed tomography Methods 0.000 claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 230000000877 morphologic effect Effects 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims description 13
- 239000004575 stone Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 235000012000 cholesterol Nutrition 0.000 claims description 2
- 230000036541 health Effects 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 20
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010006987 Calculus bladder Diseases 0.000 description 1
- 206010033645 Pancreatitis Diseases 0.000 description 1
- 206010033647 Pancreatitis acute Diseases 0.000 description 1
- 208000006568 Urinary Bladder Calculi Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 201000003229 acute pancreatitis Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003809 bile pigment Substances 0.000 description 1
- 201000000210 bladder calculus Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种消化***胆囊结石识别方法及定位方法。通过将预处理后的CT扫描图像输入训练好的卷积神经网络中,经公共特征提取和独立特征提取后,输出识别到的胆囊图像和胆囊结石图像,并对胆囊结石图像进行特征提取,得到胆囊结石的形态信息和种类信息,本发明能够实现对消化***胆囊结石的高效准确识别。在对消化***胆囊结石进行准确识别的基础上,本发明通过建立胆囊的三维模型,能够准确计算胆囊结石的三维坐标,从而实现对胆囊结石的精准定位。通过上述方式,本发明能够对胆囊和胆囊结石进行同时识别,有效缩短识别时间,提高识别效率;并能够为医生提供结石的形态、种类及准确位置信息,从而有效辅助医生进行诊疗,保障患者健康。
Description
技术领域
本发明涉及结石识别定位技术领域,特别是涉及一种消化***胆囊结石识别方法及定位方法。
背景技术
消化***胆囊结石是由产生在胆囊内的结石所引起的疾病,是外科临床的常见病、多发病。随着人口年龄增长、人们生活节奏的加快及生活水平的提高,消化***胆囊结石的发病率呈上升趋势,若得不到及时有效的治疗,胆囊结石不仅会在发作时引起患者的剧烈疼痛,严重时还可诱发急性胰腺炎、胆囊癌等疾病,威胁患者的生命健康。因此,为保障患者的健康,需要及时对消化***胆囊结石进行有效治疗,而对消化***胆囊结石的准确识别与定位则是有效治疗的前提。
目前,对消化***胆囊结石的识别与定位主要通过分析超声、CT(电子计算机断层扫描)、MRI(磁共振成像)等检查方式得到的医学图像来实现。在各类检查方式中,CT通过围绕待测部位进行一个接一个的断面扫描,具有扫描范围大、扫描时间快、图像清晰等优点,因而被广泛用于消化***胆囊结石的诊断与治疗。然而,当前基于CT图像对消化***胆囊结石的识别与定位主要依赖医生对CT图像的人工分析,存在效率低、主观性大、准确率不高等问题。
同时,随着图像处理技术和机器学习领域的发展,利用模型自动进行图像分析的方式逐渐被应用于消化***胆囊结石的识别与定位,以替代医生的人工分析。公开号为CN110570407A的专利公开了一种图像处理方法,该方法利用第一分割网络对CT图像进行分割,得到胆囊图像,经检测网络进行结石检测后,再利用第二分割网络对胆囊图像进行分割,得到结石图像,并以此进行特征分析,得到结石的形态特征。但该方法需要先识别胆囊,再基于得到的胆囊图像进行结石的识别,不仅效率较低,还容易在识别胆囊时将位于胆囊边缘的结石视作其他组织而剔除,从而降低结石的检出率,使识别结果不够准确;此外,该方法仅对结石的大小、位置等形态信息进行识别,不能判断结石的种类,而不同种类的结石对应的治疗方法具有较大区别;且该方法在对结石进行定位时,仅能通过胆囊与结石的空间距离判断结石处于胆囊的内部还是边缘,定位不够精确,因此难以有效辅助医生进行准确治疗。
有鉴于此,当前仍需要提供一种能够对消化***胆囊结石的形态和种类进行高效准确识别,并对结石进行精确定位的方法,以便为医生提供准确有效的辅助,保障患者的健康。
发明内容
本发明的目的在于针对上述问题,提供一种消化***胆囊结石识别方法及定位方法,通过构造具有双通路卷积神经网络实现对胆囊和胆囊结石的同时识别,有效缩短识别时间,提高识别效率;并通过对胆囊结石图像进行特征提取与分析,识别胆囊结石的形态和种类,有效辅助医生准确制定治疗方案;还通过建立胆囊的三维模型,准确计算胆囊结石的三维坐标,从而实现对胆囊结石的精准定位。
为实现上述目的,本发明提供了一种消化***胆囊结石识别方法,包括如下步骤:
获取待识别的CT扫描图像;
对所述待识别的CT扫描图像进行预处理;
通过训练好的卷积神经网络对所述预处理后的CT扫描图像进行胆囊和结石的同时识别;所述卷积神经网络包括输入、公共特征提取、独立特征提取和输出四个部分;所述公共特征提取部分用于根据胆囊和结石的公共特征识别胆囊和结石,所述独立特征提取部分用于根据胆囊和结石的各自特征分别识别胆囊和胆囊结石,并通过所述输出部分的两条通路分别输出胆囊图像和胆囊结石图像;
对所述胆囊结石图像进行特征提取与分析,得到胆囊结石的形态信息和种类信息。
进一步地,所述预处理包括滤波去噪、图像增强和图像缩放处理。
进一步地,所述卷积神经网络的训练过程为采用损失函数进行的有监督训练;所述损失函数包括胆囊识别损失函数、胆囊结石识别损失函数以及胆囊识别与胆囊结石识别的关联损失函数;所述胆囊识别与胆囊结石识别的关联损失函数用于描述胆囊结石包含于胆囊中的几何关系,其表达式定义如下:
进一步地,所述公共特征提取部分包括若干个顺次相连的卷积层,所述独立特征提取部分包括两个并行的卷积层。
进一步地,对所述胆囊结石图像进行的特征提取包括形态特征、灰度特征和纹理特征;所述形态特征用于表征胆囊结石的形态信息,所述灰度特征和纹理特征用于表征胆囊结石的种类信息。
进一步地,所述形态信息包括胆囊结石的体积和形状。
进一步地,所述种类信息为胆囊结石的类型,包括胆固醇结石、胆色素结石和混合性结石。
为实现上述目的,本发明还提供了一种消化***胆囊结石定位方法,包括如下步骤:
获取待识别的CT扫描图像序列;
按照上述消化***胆囊结石识别方法对所述CT扫描图像序列中的每张CT扫描图像中的胆囊和胆囊结石进行识别,得到胆囊图像序列和胆囊结石图像序列;
根据所述胆囊图像序列和胆囊结石图像序列对胆囊进行三维建模,得到胆囊三维模型;所述胆囊三维模型包括胆囊和位于胆囊中的结石;
基于所述胆囊三维模型建立三维坐标系,并计算胆囊结石的中心点坐标。
进一步地,所述胆囊三维模型基于光线投射算法建立。
更进一步地,所述三维建模包括如下步骤:
读取所述胆囊图像序列和胆囊结石图像序列中各像素点的信息,并为属性不同的像素点赋予不同的颜色值和不透明度;
沿光线方向等距离设置若干个采样点,所述采样点的颜色值和不透明度由距该采样点最近的八个像素点经插值算法计算得到;
对各采样点的颜色值和不透明度分别进行累加,合成投影图像的颜色值和不透明度,即得到三维模型。
与现有技术相比,本发明的有益效果是:
1、本发明提供的消化***胆囊结石识别方法通过构造双通路卷积神经网络实现对胆囊和胆囊结石的同时识别,能够有效缩短识别时间,提高识别效率;并通过对胆囊结石图像进行特征提取与分析,识别胆囊结石的形态和种类,从而有效辅助医生准确制定治疗方案。同时,本发明提供的消化***胆囊结石定位方法在对胆囊结石进行识别的基础上,还通过建立胆囊的三维模型,准确计算胆囊结石的三维坐标,从而实现对胆囊结石的精准定位。
2、本发明构造的卷积神经网络具有两条通路,能够实现对胆囊和胆囊结石的同时识别,与现有的先识别胆囊再识别胆囊结石的两步操作相比,识别时间大幅减少,识别效率高;同时,本发明通过在卷积神经网络中设置公共特征提取部分,使胆囊和胆囊结石的特征提取过程共享部分通路,从而降低卷积神经网络的运算量,不仅能够加快特征提取速度,还能够减少训练卷积神经网络所需的数据量,满足小样本训练的要求。此外,本发明利用胆囊和胆囊结石识别过程的损失函数及其关联损失函数对该卷积神经网络进行有监督训练,能够避免对胆囊外的结石进行误识别或对位于胆囊边缘的结石漏识别的情况,有效提高识别结果的准确性。
3、本发明提供的消化***胆囊结石识别方法能够通过提取胆囊结石图像的形态特征对结石的体积和形状进行判断,并基于不同类型的胆囊结石间密度和纹理的差异,通过提取胆囊结石图像的灰度特征和纹理特征对胆囊结石的种类进行判断,从而为医生提供更为全面的胆囊结石信息,有效辅助其制定准确的治疗方案,保障患者的健康。
4、本发明提供的消化***胆囊结石定位方法基于对胆囊结石的有效识别,通过对胆囊及胆囊结石进行三维建模,得到三维的胆囊模型,从而能够通过建立三维坐标系准确计算出胆囊结石的中心点坐标,实现对胆囊结石的精准定位,辅助医生确定胆囊结石再胆囊中的具***置。此外,本发明采用光线投射算法进行三维建模,能够通过颜色值和不透明度的设置使位于胆囊内部的结石立体呈现,便于直观地观察胆囊结石的位置和结构,为医生提供更加精准有效的辅助。
附图说明
图1是本发明提供的消化***胆囊结石识别方法的流程示意图;
图2是本发明提供的消化***胆囊结石定位方法的流程示意图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
实施例1
请参阅图1,本实施例提供了一种消化***胆囊结石识别方法,包括如下步骤:
S1、获取待识别的CT扫描图像:
所述CT扫描图像为由医院获得的患者胆囊CT扫描图像,所述CT扫描图像中包含胆囊。
S2、对所述待识别的CT扫描图像进行预处理,所述预处理包括滤波去噪、图像增强和图像缩放处理,具体包括如下步骤:
S21、采用二维高斯函数对所述待识别的CT扫描图像进行滤波处理,起到平滑图像、去除噪声的作用;
S22、采用灰度变换增强方法对滤波去噪后的图像进行图像增强,起到提高图像对比度、增强图像视觉效果的作用,便于后续进行图像识别;
S23、对增强后的图像进行缩放处理,使每张图像保持相同的大小。
在本实施例中,限定预处理后的图像大小为512×512,在其他实施例中,可以对该图像大小进行调整,保证一组测试过程中的各图像大小一致即可。
S3、通过训练好的卷积神经网络对所述预处理后的CT扫描图像进行胆囊和结石的同时识别:
所述卷积神经网络包括输入、公共特征提取、独立特征提取和输出四个部分;所述公共特征提取部分包括若干个顺次相连的卷积层,用于根据胆囊和结石的公共特征识别胆囊和结石;所述独立特征提取部分包括两个并行的卷积层,用于根据胆囊和结石的各自特征分别识别胆囊和胆囊结石,并通过所述输出部分的两条通路分别输出胆囊图像和胆囊结石图像。
具体地,在本实施例中,所述公共特征提取部分设有6个卷积层,其输出特征层数依次为512、512、256、256、128、64,各卷积层内使用的卷积核大小为2×2,步长为2×2;所述独立特征提取部分的两个并行卷积层的卷积核大小为3,步长为1×1;所述输出部分的两条通路中包含的卷积层的卷积核大小为1,步长为1×1。
S4、提取所述胆囊结石图像的形态特征、灰度特征和纹理特征,基于所述形态特征得到胆囊结石的形态信息,基于所述灰度特征和纹理特征得到胆囊结石的种类信息。
具体地,所述形态特征包括胆囊结石的掩模像素数s1和离心率s2,分别用于表征胆囊结石的体积和形状。其中,所述胆囊结石的体积由所述胆囊结石图像对应的掩模像素数与所述胆囊结石图像的分辨率相乘得到;所述胆囊结石的形状根据离心率进行判断:若离心率越接近于0,则该胆囊结石的截面越接近圆形;若离心率越接近于1,则该胆囊结石的截面越接近椭圆形。
所述灰度特征通过灰度直方图得到,包括最大灰度值g1、均值g2、方差g3和熵g4。其中,所述灰度直方图表示为g(i)=ni/N;所述最大灰度值用于表示图像中的最大灰度;所述均值用于表示图像中的灰度平均值,表示为 所述方差用于表示图像灰度的分布情况,表示为 所述熵用于表示灰度直方图的分布均匀性,表示为以上各式中,i为灰度级,L为灰度级的数量,N为图像中像素点总数,ni为灰度级为i的像素点数量。
所述纹理特征通过灰度共生矩阵进行提取,提取的特征数据包括角二阶矩v1、对比度v2、逆差矩v3和熵v4。其中,所述角二阶矩用于表示图像的均匀性,表示为v1=∑i∑j[m(i,j)]2;所述对比度用于表示图像的纹理清晰度,表示为v2=∑i∑j(i,j)2m(i,j);所述逆差矩表示为所述熵用于表示图像的随机性,表示为v4=∑i∑jm(i,j)log2m(i,j);以上各式中,(i,j)为图像上任一像素点,m(i,j)为该点的像素值。
由于胆囊结石可分为胆固醇结石、胆色素结石和混合性结石,各类结石具有不同的密度和表面纹理,从而在CT图像中表现出不同的灰度值和纹理情况,因此,本发明能够基于所述灰度特征和纹理特征对胆囊结石进行分类。
通过对上述形态特征、灰度特征和纹理特征进行提取,并组成特征向量(s1,s2,g1,g2,g3,g4,v1,v2,v3,v4),利用神经网络模型对所述特征向量进行识别与分析,从而得到胆囊结石的形态信息和种类信息,为医生提供更为全面的结石信息,以辅助其进行治疗,保障患者的健康。
此外,在本实施例提供的消化***胆囊结石识别方法中,使用的卷积神经网络需要预先进行训练,其训练过程包括如下步骤:
S01、从医院获取10000张含有胆囊的CT扫描图像作为训练样本;
S02、按照步骤S2对所述CT扫描图像进行预处理;
S03、构建卷积神经网络,将预处理后的CT扫描图像从所述卷积神经网络的输入端输入,经公共特征提取和独立特征提取后输出,并采用损失函数进行有监督训练。
具体地,所述损失函数L包括胆囊识别损失函数Lg、胆囊结石识别损失函数Ls以及胆囊识别与胆囊结石识别的关联损失函数Lr,表示为L=a1Lg+a2Ls+Lr,式中,a1、a2分别为胆囊识别损失函数Lg和胆囊结石识别损失函数Ls的影响系数。其中,所述胆囊识别与胆囊结石识别的关联损失函数用于描述胆囊结石包含于胆囊中的几何关系,其表达式定义如下:
基于上述损失函数进行的监督训练能够避免对胆囊外的结石进行误识别或对位于胆囊边缘的结石漏识别的情况,有效提高识别结果的准确性,从而使本发明提供的消化***胆囊结石识别方法实现对胆囊结石的高效准确识别。
实施例2
请参阅图2,本实施例提供了一种消化***胆囊结石定位方法,包括如下步骤:
(1)获取待识别的CT扫描图像序列,所述CT扫描图像序列由多张CT扫描图像按顺序排列而成。
(2)按照实施例1中提供的消化***胆囊结石识别方法对所述CT扫描图像序列中的每张CT扫描图像中的胆囊和胆囊结石进行识别,得到胆囊图像序列和胆囊结石图像序列。
(3)根据所述胆囊图像序列和胆囊结石图像序列,采用光线投射算法对胆囊进行三维建模,得到包括胆囊和位于胆囊中的结石的胆囊三维模型;所述胆囊三维模型的具体建模步骤如下:
(3-1)读取所述胆囊图像序列和胆囊结石图像序列中各像素点的信息,并为属性不同的像素点赋予不同的颜色值和不透明度,使胆囊的不透明度低于结石的不透明度,以便对位于胆囊内部的胆囊结石进行观察;
(3-2)沿光线方向等距离设置n个采样点,每个所述采样点的颜色值和不透明度由距该采样点最近的八个像素点经插值算法计算得到,其计算方法如下:
式中,R表示任一采样点的颜色值或不透明度,ri表示距该采样点最近的八个像素点对应的颜色值或不透明的,ai为该像素点对应的权重,由该像素点与采样点的距离决定,距离越近,权重越大。
(3-3)对各采样点的颜色值和不透明度分别进行累加,合成投影图像的颜色值和不透明度,即在观察屏幕上形成直观的三维模型。
(4)基于所述胆囊三维模型建立三维坐标系:以胆囊的中心为坐标原点,定义从前至后为X轴正方向、从左至右为Y轴正方向、从下至上为Z轴正方向,建立三维直角坐标系;并提取所述胆囊三维模型中的胆囊结石的中心点,将其分别投影至X轴、Y轴和Z轴上,从而得到胆囊结石中心点的三维坐标,实现对胆囊结石的精确定位。
通过上述方式,本发明提供的消化***胆囊结石定位方法基于对胆囊结石的有效识别,能够通过对胆囊及胆囊结石进行三维建模,得到三维的胆囊模型,从而通过建立三维坐标系准确计算出胆囊结石的中心点坐标,实现对胆囊结石的精准定位,辅助医生确定胆囊结石再胆囊中的具***置。此外,本发明采用光线投射算法进行三维建模,能够通过颜色值和不透明度的设置使位于胆囊内部的结石立体呈现,便于直观地观察胆囊结石的位置和结构,为医生提供更加精准有效的辅助。
综上所述,本发明通过将预处理后的CT扫描图像输入训练好的卷积神经网络中,经公共特征提取和独立特征提取后,输出识别到的胆囊图像和胆囊结石图像,并对胆囊结石图像进行特征提取,得到胆囊结石的形态信息和种类信息,本发明能够实现对消化***胆囊结石的高效准确识别。此外,在对消化***胆囊结石进行准确识别的基础上,本发明通过建立胆囊的三维模型,能够准确计算胆囊结石的三维坐标,从而实现对胆囊结石的精准定位。通过上述方式,本发明能够对胆囊和胆囊结石进行同时识别,有效缩短识别时间,提高识别效率;并能够为医生提供结石的形态、种类及准确位置信息,从而有效辅助医生进行诊疗,保障患者健康。
以上所述仅用以说明本发明的技术方案,而非对其进行限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种消化***胆囊结石识别方法,其特征在于,包括如下步骤:
获取待识别的CT扫描图像;
对所述待识别的CT扫描图像进行预处理;
通过训练好的卷积神经网络对所述预处理后的CT扫描图像进行胆囊和结石的同时识别;所述卷积神经网络包括输入、公共特征提取、独立特征提取和输出四个部分;所述公共特征提取部分用于根据胆囊和结石的公共特征识别胆囊和结石,所述独立特征提取部分用于根据胆囊和结石的各自特征分别识别胆囊和胆囊结石,并通过所述输出部分的两条通路分别输出胆囊图像和胆囊结石图像;
对所述胆囊结石图像进行特征提取与分析,得到胆囊结石的形态信息和种类信息。
2.根据权利要求1所述的一种消化***胆囊结石识别方法,其特征在于:所述预处理包括滤波去噪、图像增强和图像缩放处理。
4.根据权利要求1所述的一种消化***胆囊结石识别方法,其特征在于:所述公共特征提取部分包括若干个顺次相连的卷积层,所述独立特征提取部分包括两个并行的卷积层。
5.根据权利要求1所述的一种消化***胆囊结石识别方法,其特征在于:对所述胆囊结石图像进行的特征提取包括形态特征、灰度特征和纹理特征;所述形态特征用于表征胆囊结石的形态信息,所述灰度特征和纹理特征用于表征胆囊结石的种类信息。
6.根据权利要求1所述的一种消化***胆囊结石识别方法,其特征在于:所述形态信息包括胆囊结石的体积和形状。
7.根据权利要求1所述的一种消化***胆囊结石识别方法,其特征在于:所述种类信息为胆囊结石的类型,包括胆固醇结石、胆色素结石和混合性结石。
8.一种消化***胆囊结石定位方法,其特征在于,包括如下步骤:
获取待识别的CT扫描图像序列;
按照权利要求1~7中任一权利要求所述的消化***胆囊结石识别方法对所述CT扫描图像序列中的每张CT扫描图像中的胆囊和胆囊结石进行识别,得到胆囊图像序列和胆囊结石图像序列;
根据所述胆囊图像序列和胆囊结石图像序列对胆囊进行三维建模,得到胆囊三维模型;所述胆囊三维模型包括胆囊和位于胆囊中的结石;
基于所述胆囊三维模型建立三维坐标系,并计算胆囊结石的中心点坐标。
9.根据权利要求8所述的一种消化***胆囊结石定位方法,其特征在于:所述胆囊三维模型基于光线投射算法建立。
10.根据权利要求9所述的一种消化***胆囊结石定位方法,其特征在于:所述三维建模包括如下步骤:
读取所述胆囊图像序列和胆囊结石图像序列中各像素点的信息,并为属性不同的像素点赋予不同的颜色值和不透明度;
沿光线方向等距离设置若干个采样点,所述采样点的颜色值和不透明度由距该采样点最近的八个像素点经插值算法计算得到;
对各采样点的颜色值和不透明度分别进行累加,合成投影图像的颜色值和不透明度,即得到三维模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010084666.5A CN111292307A (zh) | 2020-02-10 | 2020-02-10 | 一种消化***胆囊结石识别方法及定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010084666.5A CN111292307A (zh) | 2020-02-10 | 2020-02-10 | 一种消化***胆囊结石识别方法及定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111292307A true CN111292307A (zh) | 2020-06-16 |
Family
ID=71030012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010084666.5A Pending CN111292307A (zh) | 2020-02-10 | 2020-02-10 | 一种消化***胆囊结石识别方法及定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111292307A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705573A (zh) * | 2021-09-06 | 2021-11-26 | 上海交通大学医学院附属第九人民医院 | 基于颅骨的卵圆孔识别方法、***、设备及存储介质 |
CN113705578A (zh) * | 2021-09-10 | 2021-11-26 | 北京航空航天大学 | 胆管形态识别方法及装置 |
CN114419003A (zh) * | 2022-01-21 | 2022-04-29 | 黑龙江中医药大学 | 一种用于保胆取石的结石多定位管理方法 |
CN116385436A (zh) * | 2023-06-02 | 2023-07-04 | 胜利油田中心医院 | 一种基于ct图像的胆结石辅助检测*** |
CN117788474A (zh) * | 2024-02-27 | 2024-03-29 | 陕西省人民医院(陕西省临床医学研究院) | 一种基于机器视觉的泌尿结石图像识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105147362A (zh) * | 2015-07-17 | 2015-12-16 | 哈尔滨工程大学 | 一种脑肿瘤手术切口及入路规划方法 |
CN106529470A (zh) * | 2016-11-09 | 2017-03-22 | 济南大学 | 一种基于多级深度卷积神经网络的手势识别方法 |
CN106650786A (zh) * | 2016-11-14 | 2017-05-10 | 沈阳工业大学 | 基于多列卷积神经网络模糊评判的图像识别方法 |
CN107784647A (zh) * | 2017-09-29 | 2018-03-09 | 华侨大学 | 基于多任务深度卷积网络的肝脏及其肿瘤分割方法及*** |
CN108784831A (zh) * | 2018-04-14 | 2018-11-13 | 深圳市图智能科技有限公司 | 一种基于三维影像的穿刺参数生成方法 |
CN110570407A (zh) * | 2019-08-29 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 图像处理方法、存储介质及计算机设备 |
-
2020
- 2020-02-10 CN CN202010084666.5A patent/CN111292307A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105147362A (zh) * | 2015-07-17 | 2015-12-16 | 哈尔滨工程大学 | 一种脑肿瘤手术切口及入路规划方法 |
CN106529470A (zh) * | 2016-11-09 | 2017-03-22 | 济南大学 | 一种基于多级深度卷积神经网络的手势识别方法 |
CN106650786A (zh) * | 2016-11-14 | 2017-05-10 | 沈阳工业大学 | 基于多列卷积神经网络模糊评判的图像识别方法 |
CN107784647A (zh) * | 2017-09-29 | 2018-03-09 | 华侨大学 | 基于多任务深度卷积网络的肝脏及其肿瘤分割方法及*** |
CN108784831A (zh) * | 2018-04-14 | 2018-11-13 | 深圳市图智能科技有限公司 | 一种基于三维影像的穿刺参数生成方法 |
CN110570407A (zh) * | 2019-08-29 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 图像处理方法、存储介质及计算机设备 |
Non-Patent Citations (4)
Title |
---|
何中市等: ""肺结节检测中特征提取方法研究"", 《小型微型计算机***》 * |
余传明等: ""基于多任务深度学习的文本情感原因分析"", 《广西师范大学学报(自然科学版)》 * |
王亚楠: ""基于光线投射算法的CT图像三维重建与分割剪取"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
郭天等: ""影像组学在脑胶质瘤分级中的应用研究"", 《磁共振成像》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705573A (zh) * | 2021-09-06 | 2021-11-26 | 上海交通大学医学院附属第九人民医院 | 基于颅骨的卵圆孔识别方法、***、设备及存储介质 |
CN113705578A (zh) * | 2021-09-10 | 2021-11-26 | 北京航空航天大学 | 胆管形态识别方法及装置 |
CN114419003A (zh) * | 2022-01-21 | 2022-04-29 | 黑龙江中医药大学 | 一种用于保胆取石的结石多定位管理方法 |
CN114419003B (zh) * | 2022-01-21 | 2022-10-21 | 黑龙江中医药大学 | 一种用于保胆取石的结石多定位管理方法 |
CN116385436A (zh) * | 2023-06-02 | 2023-07-04 | 胜利油田中心医院 | 一种基于ct图像的胆结石辅助检测*** |
CN116385436B (zh) * | 2023-06-02 | 2023-08-15 | 胜利油田中心医院 | 一种基于ct图像的胆结石辅助检测*** |
CN117788474A (zh) * | 2024-02-27 | 2024-03-29 | 陕西省人民医院(陕西省临床医学研究院) | 一种基于机器视觉的泌尿结石图像识别方法 |
CN117788474B (zh) * | 2024-02-27 | 2024-05-03 | 陕西省人民医院(陕西省临床医学研究院) | 一种基于机器视觉的泌尿结石图像识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292307A (zh) | 一种消化***胆囊结石识别方法及定位方法 | |
JP6570145B2 (ja) | 画像を処理する方法、プログラム、代替的な投影を構築する方法および装置 | |
CN111798425B (zh) | 基于深度学习的胃肠道间质瘤中核***象智能检测方法 | |
WO2004049923A1 (ja) | 画像処理装置および画像処理方法 | |
WO2022105623A1 (zh) | 一种基于迁移学习的颅内血管病灶识别方法 | |
JP6458166B2 (ja) | 医用画像処理方法及び装置及びシステム及びプログラム | |
CN112562058B (zh) | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 | |
CN113160120A (zh) | 基于多模态融合与深度学习的肝脏血管分割方法及*** | |
Hsiao et al. | A deep learning-based precision volume calculation approach for kidney and tumor segmentation on computed tomography images | |
US20240020823A1 (en) | Assistance diagnosis system for lung disease based on deep learning and assistance diagnosis method thereof | |
Chen et al. | Detection of various dental conditions on dental panoramic radiography using Faster R-CNN | |
CN116580033B (zh) | 一种基于图像块相似性匹配的多模态医学图像配准方法 | |
JP2005511177A (ja) | 体の構造の孤立した視覚化されたものを形成する方法及び装置 | |
Delmoral et al. | Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study | |
CN114187299A (zh) | 超声定位肿瘤影像的高效精准划分方法 | |
Mukku et al. | TelsNet: temporal lesion network embedding in a transformer model to detect cervical cancer through colposcope images. | |
CN112766332A (zh) | 医学影像检测模型训练方法、医学影像检测方法及装置 | |
CN112509080A (zh) | 一种基于迁移学习的颅内血管模拟三维模型的建立方法 | |
CN116883803B (zh) | 一种用于胶质瘤边缘获取的图像融合方法及*** | |
CN112669439B (zh) | 基于迁移学习的颅内血管造影增强三维模型的建立方法 | |
CN117809122B (zh) | 一种颅内大血管图像的处理方法、***、电子设备及介质 | |
Fan et al. | Reconstruction of airway tree based on topology and morphological operations | |
CN116934743B (zh) | 医学影像肿瘤恶性风险评估方法、***、设备和存储介质 | |
CN113822904B (zh) | 一种图像标注装置、方法及可读存储介质 | |
Gu et al. | Novel multistage three-dimensional medical image segmentation: Methodology and validation |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200616 |
|
RJ01 | Rejection of invention patent application after publication |