CN111613302B - 基于医学影像的肿瘤Ai处理方法及产品 - Google Patents
基于医学影像的肿瘤Ai处理方法及产品 Download PDFInfo
- Publication number
- CN111613302B CN111613302B CN201910132147.9A CN201910132147A CN111613302B CN 111613302 B CN111613302 B CN 111613302B CN 201910132147 A CN201910132147 A CN 201910132147A CN 111613302 B CN111613302 B CN 111613302B
- Authority
- CN
- China
- Prior art keywords
- data
- target
- tumor
- medical image
- data set
- 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
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 142
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 210000000056 organ Anatomy 0.000 claims abstract description 97
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 91
- 230000002159 abnormal effect Effects 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 50
- 210000004204 blood vessel Anatomy 0.000 claims description 75
- 210000001367 artery Anatomy 0.000 claims description 42
- 210000003462 vein Anatomy 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 37
- 238000012546 transfer Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 201000011510 cancer Diseases 0.000 claims description 5
- 230000005489 elastic deformation Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 238000002591 computed tomography Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 210000003734 kidney Anatomy 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000002598 diffusion tensor imaging Methods 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 210000001835 viscera Anatomy 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- FFUAGWLWBBFQJT-UHFFFAOYSA-N hexamethyldisilazane Chemical compound C[Si](C)(C)N[Si](C)(C)C FFUAGWLWBBFQJT-UHFFFAOYSA-N 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000010361 irregular oscillation Effects 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000004614 tumor growth Effects 0.000 description 1
- 231100000588 tumorigenic Toxicity 0.000 description 1
- 230000000381 tumorigenic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10076—4D tomography; Time-sequential 3D tomography
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
- G06T2207/10092—Diffusion tensor magnetic resonance imaging [DTI]
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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
- G06T2207/30084—Kidney; Renal
-
- 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
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请实施例公开了一种基于医学影像的肿瘤Ai处理方法及产品,应用于医学成像装置;方法包括:根据目标用户的目标器官关联的多张扫描图像确定位图BMP数据源;根据BMP数据源生成目标医学影像数据;确定目标医学影像数据中异常数据;根据异常数据确定目标用户的肿瘤的属性信息;根据目标医学影像数据进行4D医学成像,并输出肿瘤的属性信息。本申请实施例有利于提高肿瘤识别的准确度和效率。
Description
技术领域
本申请涉及医学成像装置技术领域,具体涉及一种基于医学影像的肿瘤 Ai 处理方法及产品。
背景技术
目前,医生通过电子计算机断层扫描(Computed Tomography ,CT)、 磁共振成像( Magnetic Resonance Imaging,MRI)、弥散张量成像(Diffusion Tensor Imaging,DTI)、正电子发射型计算机断层显像( Positron Emission Computed Tomography,PET)等技术获取病变组织的形态、位置、拓扑结构等信息。医生仍然采用观看阅读连续的二维切片扫描图像,以此对患者的病变组织如肿瘤进行判断分析。然而,两维切片扫描图像无法呈现出肿瘤的空间结构特性,影响到医生对疾病的诊断。随着医学成像技术的飞速发展,人们对医学成像提出了新的需求。
发明内容
本申请实施例提供了一种基于医学影像的肿瘤 Ai 处理方法及产品,以期提高医学成像装置进行肿瘤识别的准确度和效率。
第一方面,本申请实施例提供一种基于医学影像的肿瘤 Ai 处理方法,应用于医学成像装置;所述方法包括:
根据目标用户的目标器官关联的多张扫描图像确定位图BMP数据源;
根据所述BMP数据源生成目标医学影像数据,所述目标医学影像数据至少包括所述目标器官的数据集合和所述目标器官周围的血管的数据集合,所述血管的数据集合中包括动脉的数据集合和/或静脉的数据集合,且所述动脉和所述静脉的交叉位置的数据相互独立,所述目标器官的数据集合为所述目标器官表面和所述目标器官内部的组织结构的立方体空间的传递函数结果,所述血管的数据集合为所述血管表面和所述血管内部的组织结构的立方体空间的传递函数结果;
确定所述目标医学影像数据中异常数据;
根据所述异常数据确定目标用户的肿瘤的属性信息;
根据所述目标医学影像数据进行4D医学成像,并输出所述肿瘤的所述属性信息。
第二方面,本申请实施例提供一种基于医学影像的肿瘤处理装置,应用于医学成像装置;所述基于医学影像的肿瘤处理装置包括处理单元和通信单元,其中,
所述处理单元,用于将目标用户的目标器官关联的位图BMP数据源导入预设的医学网络模型,得到第一医学影像数据,所述第一医学影像数据包括所述目标器官的数据集合和所述目标器官周围的血管的数据集合,所述血管的数据集合中包括动脉和静脉的交叉位置的融合数据;以及用于将所述第一医学影像数据与预存的所述目标组织的灰度值模板进行比较,确定所述第一医学影像数据中的正常数据和异常数据,所述目标组织包括所述目标器官和所述血管;以及用于根据所述异常数据确定目标用户的肿瘤的属性信息;以及用于通过所述通信单元根据所述正常数据和异常数据进行4D医学成像,并输出所述肿瘤的所述属性信息。
第三方面,本申请实施例提供一种医学成像装置,包括处理器、存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,上述程序包括用于执行本申请实施例第一方面任一方法中的步骤的指令。
第四方面,本申请实施例提供了一种计算机可读存储介质,其中,上述计算机可读存储介质存储用于电子数据交换的计算机程序,其中,上述计算机程序使得计算机执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤。
第五方面,本申请实施例提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
可以看出,本申请实施例中,医学成像装置首先根据目标用户的目标器官关联的多张扫描图像确定位图BMP数据源,其次,根据BMP数据源生成目标医学影像数据,再次,确定目标医学影像数据中异常数据,再次,根据异常数据确定目标用户的肿瘤的属性信息,最后,根据目标医学影像数据进行4D医学成像,并输出肿瘤的属性信息,其中,目标医学影像数据至少包括目标器官的数据集合和目标器官周围的血管的数据集合,血管的数据集合中包括动脉的数据集合和/或静脉的数据集合,且动脉和静脉的交叉位置的数据相互独立,目标器官的数据集合为目标器官表面和目标器官内部的组织结构的立方体空间的传递函数结果,血管的数据集合为血管表面和血管内部的组织结构的立方体空间的传递函数结果。可见,本申请中的医学成像装置能够识别、定位肿瘤并进行4D医学成像,有利于提高肿瘤识别的准确度和效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,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是本申请实施例提供的一种基于医学影像智能分析处理***的结构示意图;
图2是本申请实施例提供的一种基于医学影像的肿瘤 Ai 处理方法的流程示意图;
图3是本申请实施例提供的一种医学成像装置的结构示意图;
图4是本申请实施例提供的一种基于医学影像的肿瘤处理装置的功能单元组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请实施例所涉及到的医学成像装置是指利用各种不同媒介作为信息载体,将人体内部的结构重现为影像的各种仪器,其影像信息与人体实际结构有着空间和时间分布上的对应关系。“DICOM数据”是指通过医疗设备采集的反映人体内部结构特征的原始图像文件数据,可以包括电子计算机断层扫描CT、核磁共振MRI、弥散张量成像DTI、正电子发射型计算机断层显像PET-CT等信息,“图源”是指解析原始DICOM数据生成的Texture2D/3D图像体数据。
请参阅图1,图1是本申请实施例提供了一种基于医学影像智能分析处理***100的结构示意图,该***100包括医学成像装置110和网络数据库120,其中医学成像装置110可以包括本地医学成像装置111和/或终端医学成像装置112,本地医学成像装置111或终端医学成像装置112用于基于原始DICOM数据,以本申请实施例所呈现的基于医学影像的肿瘤识别算法为基础,进行人体肿瘤区域的识别、定位和四维4D体绘制,实现4D立体成像效果(该4维医学影像具体是指医学影像包括所显示组织的内部空间结构特征及外部空间结构特征,所述内部空间结构特征是指组织内部的切片数据未丢失,即医学成像装置可以呈现目标器官、血管等组织的内部构造,外部空间结构特性是指组织与组织之间的环境特征,包括组织与组织之间的空间位置特性(包括交叉、间隔、融合)等,如肾脏与动脉之间的交叉位置的边缘结构特性等),本地医学成像装置111相对于终端医学成像装置112还可以用于对图源数据进行编辑,形成四维人体图像的传递函数结果,该传递函数结果可以包括人体内脏器官表面和人体内脏器官内的组织结构的传递函数结果,以及立方体空间的传递函数结果,如传递函数所需的立方编辑框与弧线编辑的数组数量、坐标、颜色、透明度等信息。网络数据库120例如可以是云服务器等,该网络数据库120用于存储解析原始DICOM数据生成的图源,以及本地医学成像装置111编辑得到的四维人体图像的传递函数结果,图源可以是来自于多个本地医学成像装置111以实现多个医生的交互诊断。
用户通过上述医学成像装置110进行具体的图像显示时,可以选择显示器和/或虚拟现实VR的头戴式显示器(Head mounted Displays Set,HMDS)结合操作动作进行显示,操作动作是指用户通过医学成像装置的外部摄入设备,如鼠标、键盘等,对四维人体图像进行的操作控制,以实现人机交互,该操作动作包括以下至少一种:(1)改变某个具体器官/组织的颜色和/或透明度,(2)定位缩放视图,(3)旋转视图,实现四维人体图像的多视角360度观察,(4)“进入”人体器官内部观察内部构造,实时剪切效果渲染,(5)上下移动视图。
下面对本申请实施例涉及到的基于医学影像的肿瘤识别算法进行详细介绍。
请参阅图2,图2是本申请实施例提供了一种基于医学影像的肿瘤 Ai 处理方法的流程示意图,应用于如图1所述的医学成像装置;如图所示,本基于医学影像的肿瘤 Ai 处理方法包括:
S201,医学成像装置根据目标用户的目标器官关联的多张扫描图像确定位图BMP数据源;
其中,所述目标器官例如可以是肾脏等器官。所述扫描图像包括以下任意一种:CT图像、MRI图像、DTI图像、PET-CT图像。
S202,所述医学成像装置根据所述BMP数据源生成目标医学影像数据,所述目标医学影像数据至少包括所述目标器官的数据集合和所述目标器官周围的血管的数据集合,所述血管的数据集合中包括动脉的数据集合和/或静脉的数据集合,且所述动脉和所述静脉的交叉位置的数据相互独立,所述目标器官的数据集合为所述目标器官表面和所述目标器官内部的组织结构的立方体空间的传递函数结果,所述血管的数据集合为所述血管表面和所述血管内部的组织结构的立方体空间的传递函数结果;
在本可能的示例中,所述医学成像装置根据所述BMP数据源生成目标医学影像数据,包括:所述医学成像装置将所述BMP数据源导入预设的医学网络模型,得到第一医学影像数据,所述第一医学影像数据包括所述目标器官的数据集合和所述血管的数据集合,所述血管的数据集合中包括动脉和静脉的交叉位置的融合数据;将所述第一医学影像数据导入预设的交叉血管网络模型,得到第二医学影像数据,所述第二医学影像数据包括所述目标器官的数据集合和所述动脉的数据集合以及所述静脉的数据集合,且所述动脉的数据集合中的第一数据和所述静脉的数据集合的第二数据相互独立,所述第一数据为与所述交叉位置关联的数据,所述第二数据为与所述交叉位置关联的数据;针对所述第二医学影像数据执行第一预设处理得到目标医学影像数据,所述第一预设处理包括以下至少一种操作:2D边界优化处理、3D边界优化处理、数据增强处理,所述目标医学影像数据包括所述目标器官的数据集合和所述动脉的数据集合以及所述静脉的数据集合。
其中,所述医学网络模型设置有目标器官的结构特性的传递函数和血管的结构特性的传递函数,BMP数据源通过传递函数的处理得到第一医学影像数据,所述交叉血管网络模型通过以下操作实现动脉和静脉的数据分离:(1)提取交叉位置的融合数据;(2)针对每个融合数据基于预设数据分离算法分离该融合数据,得到相互独立的动脉边界点数据和静脉边界点数据;(3)将处理后得到的多个动脉边界点数据整合为第一数据,将处理后得到的多个静脉边界点数据整合为第二数据。
其中,所述2D边界优化处理包括:多次采样获取低分辨率信息和高分辨率信息,其中,低分辨率信息能够提供分割目标在整个图像中上下文语义信息,即反映目标与环境之间关系的特征,这些特征用于物体类别判断,高分辨率信息用于为分割目标提供更加精细的特征,如梯度等。
所述3D边界优化处理包括:3D卷积、3D最大池化和3D向上卷积层,输入数据的大小为a1、a2、a3,通道数为c,过滤器大小为f,即过滤器维度为f*f*f*c,过滤器数量为n,则3维卷积最终输出为:
(a1-f+1)*(a2-f+1)*(a3-f+1)*n
具有分析路径和合成路径。在分析路径中,每一层包含两个3*3*3的卷积核,每一个都跟随一个激活函数(Relu),然后在每个维度上有2*2*2的最大池化合并两个步长。在合成路径中,每个层由2*2*2的向上卷积组成,每个维度上步长都为2,接着,两个3*3*3的卷积,然后Relu。然后在分析路径中从相等分辨率层的shortcut连接提供了合成路径的基本高分辨特征。在最后一层中,1*1*1卷积减少了输出通道的数量。
其中,所述数据增强处理包括以下任意一种:基于任意角度旋转的数据增强、基于直方图均衡的数据增强、基于白平衡的数据增强、基于镜像操作的数据增强、基于随机剪切的数据增强和基于模拟不同光照变化的数据增强。
可见,本示例中,医学成像装置能够通过医学网络模型、交叉血管网络模型对BMP数据源进行处理,结合边界优化和数据增强处理得到目标影像数据,解决了传统的医学影像无法实现分割动脉和静脉的整体分离的医学领域的问题,提高医学影像显示的真实性、全面性和精细化程度。
在本可能的示例中,所述医学成像装置根据目标用户的目标器官关联的多张扫描图像确定位图BMP数据源,包括:所述医学成像装置获取通过医疗设备采集的反映目标用户的人体内部结构特征的多张扫描图像;从所述多张扫描图像中筛选出包含所述目标器官的至少一张扫描图像,将所述至少一张扫描图像作为目标用户的医学数字成像和通信DICOM数据;解析所述DICOM数据生成目标用户的图源,所述图源包括纹理Texture 2D/3D图像体数据;针对所述图源执行第二预设处理得到所述BMP数据源,所述第二预设处理包括以下至少一种操作:限制对比度自适应直方图均衡、混合偏微分去噪、弹性变形处理。
其中,所述限制对比度自适应直方图均衡包括:区域噪音比度限幅、全局对比度限幅;将图源的局部直方图爱划分多个分区,针对每个分区,根据该分区的邻域的累积直方图的斜度确定变换函数的斜度,根据该变换函数的斜度确定该分区的像素值周边的对比度放大程度,然后根据该对比度放大程度进行限度裁剪处理,产生有效直方图的分布,同时也产生有效可用的邻域大小的取值,将这些裁剪掉的部分直方图均匀的分布到直方图的其他区域。
其中,所述混合偏微分去噪包括:不同于高斯低通滤波(对图像的高频成分不加区别的减弱,去噪的同时会产生图像边缘模糊化),自然图像中的物体所形成的等照度线(包括边缘)应该是足够光滑顺畅的曲线,即这些等照度线的曲率的绝对值应该足够小,当图像受到噪声污染后,图像的局部灰度值会发生随机起伏,导致等照度线的不规则震荡,形成局部曲率很大的等照度线,根据这一原理,设计通过曲率驱动和高阶混合去噪,实现即可保护图像边缘、又可以避免平滑过程中出现阶梯效应的混合偏微分去噪模型。
其中,所述弹性变形处理包括:在原有点阵上,叠加正负向随机距离形成差值位置矩阵,然后在每个差值位置上的灰度,形成新的点阵,可以实现图像内部的扭曲变形,另外再对图像进行旋转、扭曲、平移等操作。
可见,本示例中,医学成像装置通过对原始扫描图像数据的处理,得到BMP数据源,提高了原始数据的信息量,且增加了深度维度信息,最终得到符合4D医学影像显示需求的数据。
S203,所述医学成像装置确定所述目标医学影像数据中异常数据;
具体实现中,所述医学成像装置确定所述目标医学影像数据中异常数据的实现方式可以是:将所述目标医学影像数据与预存的所述目标组织的灰度值模板进行比对,得到比对结果为不匹配的异常数据,所述目标组织包括所述目标器官和所述血管。
S204,所述医学成像装置根据所述异常数据确定目标用户的肿瘤的属性信息;
其中,所述肿瘤的属性信息包括以下任意一种:类型属性、大小属性和位置属性。
在本可能的示例中,所述属性信息包括位置属性;所述医学成像装置根据所述异常数据确定目标用户的肿瘤的属性信息,包括:所述医学成像装置检测所述异常数据所关联的组织;若检测到所述异常数据所关联的组织仅包括所述目标器官,则确定肿瘤的位置属性为内肿瘤;若检测到所述异常数据所关联的组织包括所述目标器官和所述血管,则确定所述肿瘤的位置属性为外肿瘤。
其中,以肾脏为例,若当前的异常数据所关联的组织仅包括肾脏,即异常数据在肾脏的空间范围内,则确定该肿瘤为肾脏内部的肿瘤。
可见,本示例中,医学成像装置能够通过数据所述组织的关联性分析,准确确定肿瘤的位置信息,由于数据比对准确度高,避免医生人眼观察的差异性,提高肿瘤位置识别的准确度和效率。
在本可能的示例中,所述属性信息包括类型属性;所述医学成像装置根据所述异常数据确定目标用户的肿瘤的属性信息,包括:所述医学成像装置确定所述异常数据中的边界异常数据;根据所述边界异常数据确定所述肿瘤的边界特性;若检测到所述边界特性为光滑连续特性,则确定目标用户的肿瘤的类型属性为良性肿瘤;若检测到所述边界特性为非光滑连续特性,则确定目标用户的肿瘤的类型属性为恶性肿瘤。
其中,肿瘤是机体在各种致瘤因素作用下,局部组织的细胞在基因水平上失去对其生长的正常调控导致异常增生与分化而形成的新生物。良性肿瘤(benign tumor)是指无浸润和转移能力的肿瘤。良性肿瘤常具有包膜,边界清楚,呈现光滑连续特性。恶性肿瘤是一种细胞性疾病,其主要特点是遗传基因突发变异,致使细胞持续性异常过度增生形成肿块,由于其向周围组织侵犯和向其他脏器转移,通常边界不清,呈现非光滑连续特性。
可见,本示例中,医学成像装置通过分析肿瘤的边界数据,确定肿瘤的边界特性,并根据边界特性准确确定肿瘤的类型,有利于提高肿瘤类型识别的准确度和效率。
在本可能的示例中,所述属性信息包括大小属性;所述医学成像装置根据所述异常数据确定目标用户的肿瘤的属性信息,包括:所述医学成像装置确定所述常数据中每个异常数据的空间坐标信息;根据所述每个异常数据的空间坐标信息确定目标用户的肿瘤的大小属性。
其中,通过周期性的分析肿瘤的大小,能够准确得到该肿瘤的成长特性,进而为肿瘤的治疗提供精准的信息支撑。
可见,本示例中,医学成像装置能够基于肿瘤的空间坐标信息准确计算其大小,肿瘤大小能够精确反映肿瘤的生长状态,进而为肿瘤的治疗提供准确的信息支撑。
S205,所述医学成像装置根据所述目标医学影像数据进行4D医学成像,并输出所述肿瘤的所述属性信息。
其中,所述4D医学成像是指呈现4维医学影像。
在本可能的示例中,所述医学成像装置根据所述目标医学影像数据进行4D医学成像,包括:所述医学成像装置从所述目标医学影像数据中筛选质量评分大于预设评分的增强数据作为成像数据。
其中,所述质量评分可以从以下维度进行综合评价,平均梯度、信息熵、视觉信息保真度、峰值信噪比PSNR、结构相似性SSIM、均方误差MSE等,具体可以参考图像领域的常见图像质量评分算法,此处不再赘述。
可见,本示例中,医学成像装置通过质量评分进一步进行数据筛选,提高成像效果。
在本可能的示例中,所述医学成像装置输出所述肿瘤的所述属性信息的具体实现方式可以是:所述医学成像装置在检测到针对所述肿瘤位置的选择操作时,在显示所述肿瘤影像的显示屏的预设位置输出所述属性信息。
其中,所述选择操作具体可以由用户通过鼠标选取,或者通过头戴式VR设备控制视角进行选择等,此处不做唯一限定,可见该属性信息的显示的触发过程便捷高效。
可以看出,本申请实施例中,医学成像装置首先根据目标用户的目标器官关联的多张扫描图像确定位图BMP数据源,其次,根据BMP数据源生成目标医学影像数据,再次,确定目标医学影像数据中异常数据,再次,根据异常数据确定目标用户的肿瘤的属性信息,最后,根据目标医学影像数据进行4D医学成像,并输出肿瘤的属性信息,其中,目标医学影像数据至少包括目标器官的数据集合和目标器官周围的血管的数据集合,血管的数据集合中包括动脉的数据集合和/或静脉的数据集合,且动脉和静脉的交叉位置的数据相互独立,目标器官的数据集合为目标器官表面和目标器官内部的组织结构的立方体空间的传递函数结果,血管的数据集合为血管表面和血管内部的组织结构的立方体空间的传递函数结果。可见,本申请中的医学成像装置能够识别、定位肿瘤并进行4D医学成像,有利于提高肿瘤识别的准确度和效率。
与上述图2、图3、图4所示的实施例一致的,请参阅图3,图3是本申请实施例提供的一种医学成像装置300的结构示意图,如图所示,所述医学成像装置300包括处理器310、存储器320、通信接口330以及一个或多个程序321,其中,所述一个或多个程序321被存储在上述存储器320中,并且被配置由上述处理器310执行,所述一个或多个程序321包括用于执行以下步骤的指令;
根据目标用户的目标器官关联的多张扫描图像确定位图BMP数据源;以及根据所述BMP数据源生成目标医学影像数据,所述目标医学影像数据至少包括所述目标器官的数据集合和所述目标器官周围的血管的数据集合,所述血管的数据集合中包括动脉的数据集合和/或静脉的数据集合,且所述动脉和所述静脉的交叉位置的数据相互独立,所述目标器官的数据集合为所述目标器官表面和所述目标器官内部的组织结构的立方体空间的传递函数结果,所述血管的数据集合为所述血管表面和所述血管内部的组织结构的立方体空间的传递函数结果;以及确定所述目标医学影像数据中异常数据;以及根据所述异常数据确定目标用户的肿瘤的属性信息;以及根据所述目标医学影像数据进行4D医学成像,并输出所述肿瘤的所述属性信息。
可以看出,本申请实施例中,医学成像装置首先根据目标用户的目标器官关联的多张扫描图像确定位图BMP数据源,其次,根据BMP数据源生成目标医学影像数据,再次,确定目标医学影像数据中异常数据,再次,根据异常数据确定目标用户的肿瘤的属性信息,最后,根据目标医学影像数据进行4D医学成像,并输出肿瘤的属性信息,其中,目标医学影像数据至少包括目标器官的数据集合和目标器官周围的血管的数据集合,血管的数据集合中包括动脉的数据集合和/或静脉的数据集合,且动脉和静脉的交叉位置的数据相互独立,目标器官的数据集合为目标器官表面和目标器官内部的组织结构的立方体空间的传递函数结果,血管的数据集合为血管表面和血管内部的组织结构的立方体空间的传递函数结果。可见,本申请中的医学成像装置能够识别、定位肿瘤并进行4D医学成像,有利于提高肿瘤识别的准确度和效率。
在一个可能的示例中,在所述属性信息包括位置属性;所述根据所述异常数据确定目标用户的肿瘤的属性信息方面,所述程序中的指令具体用于执行以下操作:检测所述异常数据所关联的组织;以及用于若检测到所述异常数据所关联的组织仅包括所述目标器官,则确定肿瘤的位置属性为内肿瘤;以及用于若检测到所述异常数据所关联的组织包括所述目标器官和所述血管,则确定所述肿瘤的位置属性为外肿瘤。
在一个可能的示例中,所述属性信息包括类型属性;在所述根据所述异常数据确定目标用户的肿瘤的属性信息方面,所述程序中的指令具体用于执行以下操作:确定所述异常数据中的边界异常数据;以及用于根据所述边界异常数据确定所述肿瘤的边界特性;以及用于若检测到所述边界特性为光滑连续特性,则确定目标用户的肿瘤的类型属性为良性肿瘤;以及用于若检测到所述边界特性为非光滑连续特性,则确定目标用户的肿瘤的类型属性为恶性肿瘤。
在一个可能的示例中,所述属性信息包括大小属性;在所述根据所述异常数据确定目标用户的肿瘤的属性信息方面,所述程序中的指令具体用于执行以下操作:确定所述常数据中每个异常数据的空间坐标信息;以及用于根据所述每个异常数据的空间坐标信息确定目标用户的肿瘤的大小属性。
在一个可能的示例中,在所述输出所述肿瘤的所述属性信息方面,所述程序中的指令具体用于执行以下操作:在检测到针对所述肿瘤位置的选择操作时,在显示所述肿瘤影像的显示屏的预设位置输出所述属性信息。
在一个可能的示例中,在所述根据所述BMP数据源生成目标医学影像数据方面,所述程序中的指令具体用于执行以下操作:将所述BMP数据源导入预设的医学网络模型,得到第一医学影像数据,所述第一医学影像数据包括所述目标器官的数据集合和所述血管的数据集合,所述血管的数据集合中包括动脉和静脉的交叉位置的融合数据;以及用于将所述第一医学影像数据导入预设的交叉血管网络模型,得到第二医学影像数据,所述第二医学影像数据包括所述目标器官的数据集合和所述动脉的数据集合以及所述静脉的数据集合,且所述动脉的数据集合中的第一数据和所述静脉的数据集合的第二数据相互独立,所述第一数据为与所述交叉位置关联的数据,所述第二数据为与所述交叉位置关联的数据;以及用于针对所述第二医学影像数据执行第一预设处理得到目标医学影像数据,所述第一预设处理包括以下至少一种操作:2D边界优化处理、3D边界优化处理、数据增强处理,所述目标医学影像数据包括所述目标器官的数据集合和所述动脉的数据集合以及所述静脉的数据集合。
在一个可能的示例中,在所述根据所述目标医学影像数据进行4D医学成像方面,所述程序中的指令具体用于执行以下操作:从所述目标医学影像数据中筛选质量评分大于预设评分的增强数据作为成像数据。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,医学成像装置为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所提供的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对医学成像装置进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。需要说明的是,本申请实施例中对单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
图4是本申请实施例中所涉及的基于医学影像的肿瘤处理装置400的功能单元组成框图。该基于医学影像的肿瘤处理装置400应用于医学成像装置,该基于医学影像的肿瘤处理装置400包括处理单元401和通信单元402,其中,
所述处理单元401,用于将目标用户的目标器官关联的位图BMP数据源导入预设的医学网络模型,得到第一医学影像数据,所述第一医学影像数据包括所述目标器官的数据集合和所述目标器官周围的血管的数据集合,所述血管的数据集合中包括动脉和静脉的交叉位置的融合数据;以及用于将所述第一医学影像数据与预存的所述目标组织的灰度值模板进行比较,确定所述第一医学影像数据中的正常数据和异常数据,所述目标组织包括所述目标器官和所述血管;以及用于根据所述异常数据确定目标用户的肿瘤的属性信息;以及用于通过所述通信单元402根据所述正常数据和异常数据进行4D医学成像,并输出所述肿瘤的所述属性信息。
所述基于医学影像的肿瘤处理装置400还包括存储单元403,所述处理单元401可以是处理器,所述通信单元402可以是收发器,所述存储单元可以是存储器。
可以看出,本申请实施例中,医学成像装置首先根据目标用户的目标器官关联的多张扫描图像确定位图BMP数据源,其次,根据BMP数据源生成目标医学影像数据,再次,确定目标医学影像数据中异常数据,再次,根据异常数据确定目标用户的肿瘤的属性信息,最后,根据目标医学影像数据进行4D医学成像,并输出肿瘤的属性信息,其中,目标医学影像数据至少包括目标器官的数据集合和目标器官周围的血管的数据集合,血管的数据集合中包括动脉的数据集合和/或静脉的数据集合,且动脉和静脉的交叉位置的数据相互独立,目标器官的数据集合为目标器官表面和目标器官内部的组织结构的立方体空间的传递函数结果,血管的数据集合为血管表面和血管内部的组织结构的立方体空间的传递函数结果。可见,本申请中的医学成像装置能够识别、定位肿瘤并进行4D医学成像,有利于提高肿瘤识别的准确度和效率。
在一个可能的示例中,所述属性信息包括位置属性;在所述根据所述异常数据确定目标用户的肿瘤的属性信息方面,所述处理单元401具体用于:检测所述异常数据所关联的组织;以及用于若检测到所述异常数据所关联的组织仅包括所述目标器官,则确定肿瘤的位置属性为内肿瘤;以及用于若检测到所述异常数据所关联的组织包括所述目标器官和所述血管,则确定所述肿瘤的位置属性为外肿瘤。
在一个可能的示例中,所述属性信息包括类型属性;在所述根据所述异常数据确定目标用户的肿瘤的属性信息方面,所述处理单元401具体用于:确定所述异常数据中的边界异常数据;以及用于根据所述边界异常数据确定所述肿瘤的边界特性;以及用于若检测到所述边界特性为光滑连续特性,则确定目标用户的肿瘤的类型属性为良性肿瘤;以及用于若检测到所述边界特性为非光滑连续特性,则确定目标用户的肿瘤的类型属性为恶性肿瘤。
在一个可能的示例中,所述属性信息包括大小属性;在所述根据所述异常数据确定目标用户的肿瘤的属性信息方面,所述处理单元401具体用于:确定所述常数据中每个异常数据的空间坐标信息;以及用于根据所述每个异常数据的空间坐标信息确定目标用户的肿瘤的大小属性。
在一个可能的示例中,在所述输出所述肿瘤的所述属性信息方面,所述处理单元401具体用于:在检测到针对所述肿瘤位置的选择操作时,在显示所述肿瘤影像的显示屏的预设位置输出所述属性信息。
在一个可能的示例中,在所述根据所述BMP数据源生成目标医学影像数据方面,所述处理单元401具体用于:将所述BMP数据源导入预设的医学网络模型,得到第一医学影像数据,所述第一医学影像数据包括所述目标器官的数据集合和所述血管的数据集合,所述血管的数据集合中包括动脉和静脉的交叉位置的融合数据;以及用于将所述第一医学影像数据导入预设的交叉血管网络模型,得到第二医学影像数据,所述第二医学影像数据包括所述目标器官的数据集合和所述动脉的数据集合以及所述静脉的数据集合,且所述动脉的数据集合中的第一数据和所述静脉的数据集合的第二数据相互独立,所述第一数据为与所述交叉位置关联的数据,所述第二数据为与所述交叉位置关联的数据;以及用于针对所述第二医学影像数据执行第一预设处理得到目标医学影像数据,所述第一预设处理包括以下至少一种操作:2D边界优化处理、3D边界优化处理、数据增强处理,所述目标医学影像数据包括所述目标器官的数据集合和所述动脉的数据集合以及所述静脉的数据集合。
在一个可能的示例中,在所述根据所述目标医学影像数据进行4D医学成像方面,所述处理单元401具体用于:从所述目标医学影像数据中筛选质量评分大于预设评分的增强数据作为成像数据。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,上述计算机包括医学成像装置。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,上述计算机包括医学成像装置。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory ,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种基于医学影像的肿瘤Ai处理方法,其特征在于,应用于医学成像装置;所述方法包括:
根据目标用户的目标器官关联的多张扫描图像确定位图BMP数据源,包括:获取通过医疗设备采集的反映目标用户的人体内部结构特征的多张扫描图像;从所述多张扫描图像中筛选出包含所述目标器官的至少一张扫描图像,将所述至少一张扫描图像作为目标用户的医学数字成像和通信DICOM数据;解析所述DICOM数据生成目标用户的图源,所述图源包括纹理Texture2D/3D图像体数据;针对所述图源执行第二预设处理得到所述BMP数据源,所述第二预设处理包括以下至少一种操作:限制对比度自适应直方图均衡、混合偏微分去噪、弹性变形处理;
根据所述BMP数据源生成目标医学影像数据,包括:将所述BMP数据源导入预设的医学网络模型,得到第一医学影像数据,所述第一医学影像数据包括所述目标器官的数据集合和血管的数据集合,所述血管的数据集合中包括动脉和静脉的交叉位置的融合数据,并且,将所述第一医学影像数据导入预设的交叉血管网络模型,得到第二医学影像数据,所述第二医学影像数据包括所述目标器官的数据集合和所述动脉的数据集合以及所述静脉的数据集合,且所述动脉的数据集合中的第一数据和所述静脉的数据集合的第二数据相互独立,所述第一数据为与所述交叉位置关联的数据,所述第二数据为与所述交叉位置关联的数据,并且,针对所述第二医学影像数据执行第一预设处理得到目标医学影像数据,所述第一预设处理包括以下至少一种操作:2D边界优化处理、3D边界优化处理、数据增强处理;所述目标医学影像数据至少包括所述目标器官的数据集合和所述目标器官周围的血管的数据集合,所述血管的数据集合中包括动脉的数据集合和/或静脉的数据集合,且所述动脉和所述静脉的交叉位置的数据相互独立,所述目标器官的数据集合为所述目标器官表面和所述目标器官内部的组织结构的立方体空间的传递函数结果,所述血管的数据集合为所述血管表面和所述血管内部的组织结构的立方体空间的传递函数结果;
确定所述目标医学影像数据中异常数据;
根据所述异常数据确定目标用户的肿瘤的属性信息;
根据所述目标医学影像数据进行4D医学成像,并输出所述肿瘤的所述属性信息,所述4D医学成像是指根据医学影像数据形成显示组织的内部的组织结构和外部的环境特征的影像的过程,所述组织包括所述目标器官和所述血管,所述内部的组织结构包括所述目标器官内部的组织结构和所述血管内部的组织结构,所述外部的环境特征包括所述组织间的位置关系,所述位置关系包括交叉、间隔和融合。
2.根据权利要求1所述的方法,其特征在于,所述属性信息包括位置属性;所述根据所述异常数据确定目标用户的肿瘤的属性信息,包括:
检测所述异常数据所关联的组织;
若检测到所述异常数据所关联的组织仅包括所述目标器官,则确定所述肿瘤的所述位置属性为内肿瘤;
若检测到所述异常数据所关联的组织包括所述目标器官和所述血管,则确定所述肿瘤的所述位置属性为外肿瘤。
3.根据权利要求1所述的方法,其特征在于,所述属性信息包括类型属性;所述根据所述异常数据确定目标用户的肿瘤的属性信息,包括:
确定所述异常数据中的边界异常数据;
根据所述边界异常数据确定所述肿瘤的边界特性;
若检测到所述边界特性为光滑连续特性,则确定目标用户的所述肿瘤的所述类型属性为良性肿瘤;
若检测到所述边界特性为非光滑连续特性,则确定目标用户的所述肿瘤的所述类型属性为恶性肿瘤。
4.根据权利要求1所述的方法,其特征在于,所述属性信息包括大小属性;所述根据所述异常数据确定目标用户的肿瘤的属性信息,包括:
确定所述异常数据中每个异常数据的空间坐标信息;
根据所述每个异常数据的空间坐标信息确定目标用户的所述肿瘤的所述大小属性。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述输出所述肿瘤的所述属性信息,包括:
在检测到针对所述肿瘤位置的选择操作时,在显示肿瘤影像的显示屏的预设位置输出所述属性信息。
6.根据权利要求5所述的方法,其特征在于,所述根据所述目标医学影像数据进行4D医学成像,包括:
从所述目标医学影像数据中筛选质量评分大于预设评分的增强数据作为成像数据。
7.一种基于医学影像的肿瘤处理装置,其特征在于,应用于医学成像装置;所述基于医学影像的肿瘤处理装置包括处理单元和通信单元,其中,
所述处理单元,用于根据目标用户的目标器官关联的多张扫描图像确定位图BMP数据源,包括:获取通过医疗设备采集的反映目标用户的人体内部结构特征的多张扫描图像;从所述多张扫描图像中筛选出包含所述目标器官的至少一张扫描图像,将所述至少一张扫描图像作为目标用户的医学数字成像和通信DICOM数据;解析所述DICOM数据生成目标用户的图源,所述图源包括纹理Texture2D/3D图像体数据;针对所述图源执行第二预设处理得到所述BMP数据源,所述第二预设处理包括以下至少一种操作:限制对比度自适应直方图均衡、混合偏微分去噪、弹性变形处理;以及,根据所述BMP数据源生成目标医学影像数据,包括:将所述BMP数据源导入预设的医学网络模型,得到第一医学影像数据,所述第一医学影像数据包括所述目标器官的数据集合和血管的数据集合,所述血管的数据集合中包括动脉和静脉的交叉位置的融合数据,并且,将所述第一医学影像数据导入预设的交叉血管网络模型,得到第二医学影像数据,所述第二医学影像数据包括所述目标器官的数据集合和所述动脉的数据集合以及所述静脉的数据集合,且所述动脉的数据集合中的第一数据和所述静脉的数据集合的第二数据相互独立,所述第一数据为与所述交叉位置关联的数据,所述第二数据为与所述交叉位置关联的数据,并且,针对所述第二医学影像数据执行第一预设处理得到目标医学影像数据,所述第一预设处理包括以下至少一种操作:2D边界优化处理、3D边界优化处理、数据增强处理;所述目标医学影像数据至少包括所述目标器官的数据集合和所述目标器官周围的血管的数据集合,所述血管的数据集合中包括动脉的数据集合和/或静脉的数据集合,且所述动脉和所述静脉的交叉位置的数据相互独立,所述目标器官的数据集合为所述目标器官表面和所述目标器官内部的组织结构的立方体空间的传递函数结果,所述血管的数据集合为所述血管表面和所述血管内部的组织结构的立方体空间的传递函数结果;以及,确定所述目标医学影像数据中异常数据;以及,根据所述异常数据确定目标用户的肿瘤的属性信息;以及,根据所述目标医学影像数据进行4D医学成像,并输出所述肿瘤的所述属性信息,所述4D医学成像是指根据医学影像数据形成显示组织的内部的组织结构和外部的环境特征的影像的过程,所述组织包括所述目标器官和所述血管,所述内部的组织结构包括所述目标器官内部的组织结构和所述血管内部的组织结构,所述外部的环境特征包括所述组织间的位置关系,所述位置关系包括交叉、间隔和融合。
8.一种医学成像装置,其特征在于,包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-6任一项所述的方法中的步骤的指令。
9.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-6任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910132147.9A CN111613302B (zh) | 2019-02-22 | 2019-02-22 | 基于医学影像的肿瘤Ai处理方法及产品 |
US17/432,507 US20220180507A1 (en) | 2019-02-22 | 2019-08-16 | Method and product for ai processing of tumor based on vrds 4d medical images |
PCT/CN2019/101156 WO2020168694A1 (zh) | 2019-02-22 | 2019-08-16 | 基于VRDS 4D医学影像的肿瘤Ai处理方法及产品 |
EP19916480.7A EP3929935A4 (en) | 2019-02-22 | 2019-08-16 | 4D VRDS MEDICAL IMAGE BASED AI TREATMENT METHOD AND TUMOR PRODUCT |
AU2019430773A AU2019430773B2 (en) | 2019-02-22 | 2019-08-16 | VRDS 4D medical image-based AI processing method and product for tumors |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910132147.9A CN111613302B (zh) | 2019-02-22 | 2019-02-22 | 基于医学影像的肿瘤Ai处理方法及产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111613302A CN111613302A (zh) | 2020-09-01 |
CN111613302B true CN111613302B (zh) | 2024-03-05 |
Family
ID=72143538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910132147.9A Active CN111613302B (zh) | 2019-02-22 | 2019-02-22 | 基于医学影像的肿瘤Ai处理方法及产品 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220180507A1 (zh) |
EP (1) | EP3929935A4 (zh) |
CN (1) | CN111613302B (zh) |
AU (1) | AU2019430773B2 (zh) |
WO (1) | WO2020168694A1 (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1604139A (zh) * | 2004-10-28 | 2005-04-06 | 上海交通大学 | 图像融合评价***的构建方法 |
CN102982238A (zh) * | 2012-11-13 | 2013-03-20 | 深圳市环球博洋机电科技有限公司 | 一种基于ct胶片的三维肾肿瘤手术模拟方法及其平台 |
CN106446515A (zh) * | 2016-08-31 | 2017-02-22 | 上海联影医疗科技有限公司 | 一种三维医学图像显示方法及装置 |
CN106530290A (zh) * | 2016-10-27 | 2017-03-22 | 朱育盼 | 医学图像分析方法和装置 |
CN106991712A (zh) * | 2016-11-25 | 2017-07-28 | 斯图尔特平李 | 一种基于hmds的医学成像*** |
CN107016228A (zh) * | 2016-11-25 | 2017-08-04 | 斯图尔特平李 | 一种基于hmds的医学成像*** |
CN107067409A (zh) * | 2017-05-09 | 2017-08-18 | 上海联影医疗科技有限公司 | 一种血管分离方法及*** |
CN108629816A (zh) * | 2018-05-09 | 2018-10-09 | 复旦大学 | 基于深度学习进行薄层磁共振图像重建的方法 |
CN108877922A (zh) * | 2017-05-15 | 2018-11-23 | 沈渊瑶 | 病变程度判断***及其方法 |
CN109157284A (zh) * | 2018-09-28 | 2019-01-08 | 广州狄卡视觉科技有限公司 | 一种脑肿瘤医学影像三维重建显示交互方法及*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7995810B2 (en) * | 2005-06-24 | 2011-08-09 | The University Of Iowa Research Foundation | System and methods for image segmentation in n-dimensional space |
US7672497B2 (en) * | 2005-12-29 | 2010-03-02 | Carestream Health, Inc. | Computer aided disease detection system for multiple organ systems |
EP2798549B1 (en) * | 2011-12-30 | 2019-02-20 | Koninklijke Philips N.V. | Imaging examination protocol update recommender |
CN108399942A (zh) * | 2018-03-16 | 2018-08-14 | 青岛海信医疗设备股份有限公司 | 三维虚拟器官的显示方法、装置、存储介质及设备 |
CN108573490B (zh) * | 2018-04-25 | 2020-06-05 | 王成彦 | 一种针对肿瘤影像数据的智能读片*** |
CN109166105B (zh) * | 2018-08-01 | 2021-01-26 | 中国人民解放军东部战区总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断*** |
-
2019
- 2019-02-22 CN CN201910132147.9A patent/CN111613302B/zh active Active
- 2019-08-16 EP EP19916480.7A patent/EP3929935A4/en not_active Withdrawn
- 2019-08-16 WO PCT/CN2019/101156 patent/WO2020168694A1/zh unknown
- 2019-08-16 AU AU2019430773A patent/AU2019430773B2/en active Active
- 2019-08-16 US US17/432,507 patent/US20220180507A1/en active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1604139A (zh) * | 2004-10-28 | 2005-04-06 | 上海交通大学 | 图像融合评价***的构建方法 |
CN102982238A (zh) * | 2012-11-13 | 2013-03-20 | 深圳市环球博洋机电科技有限公司 | 一种基于ct胶片的三维肾肿瘤手术模拟方法及其平台 |
CN106446515A (zh) * | 2016-08-31 | 2017-02-22 | 上海联影医疗科技有限公司 | 一种三维医学图像显示方法及装置 |
CN106530290A (zh) * | 2016-10-27 | 2017-03-22 | 朱育盼 | 医学图像分析方法和装置 |
CN106991712A (zh) * | 2016-11-25 | 2017-07-28 | 斯图尔特平李 | 一种基于hmds的医学成像*** |
CN107016228A (zh) * | 2016-11-25 | 2017-08-04 | 斯图尔特平李 | 一种基于hmds的医学成像*** |
CN107067409A (zh) * | 2017-05-09 | 2017-08-18 | 上海联影医疗科技有限公司 | 一种血管分离方法及*** |
CN108877922A (zh) * | 2017-05-15 | 2018-11-23 | 沈渊瑶 | 病变程度判断***及其方法 |
CN108629816A (zh) * | 2018-05-09 | 2018-10-09 | 复旦大学 | 基于深度学习进行薄层磁共振图像重建的方法 |
CN109157284A (zh) * | 2018-09-28 | 2019-01-08 | 广州狄卡视觉科技有限公司 | 一种脑肿瘤医学影像三维重建显示交互方法及*** |
Non-Patent Citations (17)
Title |
---|
A new fully automatic and robust algorithm for fast segmentation of liver tissue and tumors from CT scans;Laurent Massoptier等;European Radiology;第18卷(第8期);第11658-1665页 * |
Automatic Pulmonary Artery-Vein Separation and Classification in Computed Tomography Using Tree Partitioning and Peripheral Vessel Matching;Charbonnier Jean-Paul等;IEEE transactions on Medical Imaging;第35卷(第3期);第882-892页 * |
Vivek Pamulapati等.Liver Segmental Anatomy and Analysis from Vessel and Tumor Segmentation via Optimized Graph Cuts.《Abdominal Imaging2011,LNCS》.Springer,2012,第7029卷第189-197页. * |
刘家锋等.第8张 模式识别应用***实例.《模式识别》.哈尔滨工业大学出版社,2014,第219-220页. * |
奥利维尔•勒卓瑞等.第10章 多表面和多目标图像最优同步分割.《图像处理和分析的图模型理论与应用》.国防工业出版社,2016,第239页. * |
张建保等.利用MITK和支持向量机分割肝脏切片数据.《中国生物医学进展》.西安交通大学出版社,2007,第492-493页. * |
方驰华.第12章 脾脏疾病的可视化仿真手术.《数字化胰腺外科学》.人民军医出版社,2015,第309页. * |
杨杰等.医学影像分析和三维重建及其应用.《医学影像分析和三维重建及其应用》.上海交通大学出版社,2015,第436页. * |
王卫东等.第1章 计算机图形学的发展及应用.《计算机图形学基础》.西安电子科技大学出版社,2009,第13页. * |
王宽全等.7.3 虚拟心脏交互式传递函数设计.《虚拟心脏建模与可视化技术》.哈尔滨工业大学出版社,2014,第114页. * |
王新志等.第五十一章 颅内肿瘤.《中风脑病诊疗全书》.中国中医药出版社,2017,第938-939页. * |
肝脏三维重建及虚拟肝脏手术规划临床应用的研究;林科灿;《中国优秀博士学位论文全文数据库医药卫生科技辑》;第2008卷(第12期);第5-57页 * |
肝脏与肝内血管的分割及可视化研究;马孚骁;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;第2017卷(第3期);摘要、2.1小节、2.4 实验结果与讨论、3.6小节、第4章 * |
闰龙.第4章 图像的立体匹配.《双目视觉测量***相关技术研究》.山东大学出版社,2017,第46-48页. * |
闵秋莎等.第1章 医学图像概述.《医学图像压缩算法与应用研究》.华中师范大学出版社,2018,第27-28页. * |
面向临床肿瘤诊疗决策的多模态医学影像融合;齐守良等;《中国生物医学工程学报》;20130620;第32卷(第03期);第356-362页 * |
首都师范大学装备处等.CT数据的三维高质量体绘制算法研究与实现.《首都师范大学实验室开放基金 立项课题优秀论文集 2014-2015》.首都师范大学出版社,2015,第64-65页. * |
Also Published As
Publication number | Publication date |
---|---|
EP3929935A1 (en) | 2021-12-29 |
US20220180507A1 (en) | 2022-06-09 |
EP3929935A4 (en) | 2023-02-08 |
AU2019430773A1 (en) | 2021-09-16 |
WO2020168694A1 (zh) | 2020-08-27 |
CN111613302A (zh) | 2020-09-01 |
AU2019430773B2 (en) | 2022-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2019430369B2 (en) | VRDS 4D medical image-based vein Ai endoscopic analysis method and product | |
CN114365190A (zh) | 基于vrds 4d医学影像的脾脏肿瘤识别方法及相关装置 | |
WO2021030995A1 (zh) | 基于vrds ai下腔静脉影像的分析方法及产品 | |
CN111613300B (zh) | 基于VRDS 4D医学影像的肿瘤与血管Ai处理方法及产品 | |
CN114340496A (zh) | 基于vrds ai医学影像的心脏冠脉的分析方法和相关装置 | |
CN111612860B (zh) | 基于VRDS 4D医学影像的栓塞的Ai识别方法及产品 | |
CN111613302B (zh) | 基于医学影像的肿瘤Ai处理方法及产品 | |
WO2021081850A1 (zh) | 基于vrds 4d医学影像的脊椎疾病识别方法及相关装置 | |
AU2019431568B2 (en) | Method and product for processing of vrds 4d medical images | |
CN111613301B (zh) | 基于VRDS 4D医学影像的动脉与静脉Ai处理方法及产品 | |
WO2021081842A1 (zh) | 基于vrds ai医学影像的肠肿瘤与血管分析方法和相关装置 | |
WO2021081836A1 (zh) | 基于vrds 4d医学影像的胃肿瘤识别方法及相关产品 | |
WO2021081772A1 (zh) | 基于vrds ai脑部影像的分析方法和相关装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230222 Address after: 423017 Group 6, Taiyangyu Village, Qifengdu Town, Suxian District, Chenzhou City, Hunan Province Applicant after: Cao Sheng Address before: 18C, Hangsheng Science and Technology Building, No. 8, Gaoxin South 6th Road, Yuehai Street, Nanshan District, Shenzhen, Guangdong 518000 Applicant before: WEIAI MEDICAL TECHNOLOGY (SHENZHEN) Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |