CN111738980B - 一种医学影像的显示方法、计算机设备及存储介质 - Google Patents
一种医学影像的显示方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111738980B CN111738980B CN202010408474.5A CN202010408474A CN111738980B CN 111738980 B CN111738980 B CN 111738980B CN 202010408474 A CN202010408474 A CN 202010408474A CN 111738980 B CN111738980 B CN 111738980B
- Authority
- CN
- China
- Prior art keywords
- value
- frequency
- parameters
- preset
- values
- 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
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
- 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
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明主要公开了一种医学影像的显示方法、计算机设备及存储介质。所述方法包括:分割目标对象CT影像的肺部区域;基于所述肺部区域,获取N个预设参数;将获取的目标对象的N个预设参数输入至免疫相关性肺炎预测模型中,以获得免疫相关性肺炎预测结果;显示所述免疫相关性肺炎预测结果。采用本发明所提供的方案,使得医生可以迅速知晓患者是否患有免疫相关性肺炎,在一定程度上提高了医生的诊断效率和诊断的准确度。
Description
技术领域
本发明涉及医疗技术领域,特别涉及一种医学影像的显示方法、计算机设备和计算机可读存储介质。
背景技术
肺癌是目前发病率和死亡率最高的恶性肿瘤之一。晚期肺癌占肺癌发病率的60-70%,目前晚期肺癌主要的治疗手段包括化疗、靶向及免疫治疗。对于存在EGFR、ALK、ROS1等基因突变的患者,靶向药物治疗能够给患者带来显著的生存获益。对于没有基因突变的患者,免疫治疗是当前重要的治疗手段,多项研究证实了免疫治疗给患者的生存期带来的获益。
用于临床使用的免疫治疗主要是基于PD1/PD-L1的免疫检查点抑制剂,包括NIVOLUMAB,PEBLIZUMAB等药物,研究表明,这类药物不仅仅显著提高患者生存时间,而且能够较化疗明显降低不良反应。
目前免疫检查点抑制剂已经在临床中广泛用于晚期非小细胞肺癌的治疗以及局部晚期非小细胞肺癌放化疗后的巩固治疗。尽管不良反应发生率低,但是,患者的免疫不良反应存在着不易预测的特点,部分重度免疫相关性肺炎往往是致死性的。故,如何知晓患者是否患有免疫相关性肺炎并加以提示至关重要。
因此,如何能够提供一种医学影像的显示方法,以给出患者是否患有免疫相关性肺炎,成为目前亟待解决的问题之一。
发明内容
本发明提供一种医学影像的显示方法,以使得医生可以迅速知晓患者是否患有免疫相关性肺炎,在一定程度上提高了医生的诊断效率和诊断的准确度。
本发明提供一种医学影像的显示方法,包括:
分割目标对象CT影像的肺部区域;
基于所述肺部区域,获取N个预设参数;
将获取的目标对象的N个预设参数输入至免疫相关性肺炎预测模型中,以获得免疫相关性肺炎预测结果;
显示所述免疫相关性肺炎预测结果。
可选的,所述基于所述肺部区域,获取N个预设参数包括:
基于所述肺部区域生成CT值直方图;
至少基于所述CT值直方图获取N个预设参数中的参数。
可选的,所述基于所述肺部区域生成CT值直方图,包括:
获取所述肺部区域中每个体素的CT值;
统计预设CT值区间内CT值对应的体素的频数;
基于预设CT值区间内CT值及与其对应的体素的频数生成CT值直方图。
可选的,所述预设CT值区间为(-1000HU,0HU),所述基于预设CT值区间内CT值及与其对应的体素的频数生成CT值直方图包括:
将所述预设CT值区间均分为K个子区间,其中,K为大于等于1的自然数;
获取各子区间对应的频数,所述各子区间对应的频数是指该子区间的CT值对应的体素的频数之和;
以各子区间对应的频数为该子区间的各CT值对应的体素的频数生成CT值直方图。
可选的,所述至少基于所述CT值直方图获取N个预设参数中的参数,包括:
获取标准曲线;
基于标准曲线和CT值直方图的分布曲线获取海林格距离参数和IOU参数;
以所述海林格距离参数和IOU参数作为N个预设参数中的参数。
可选的,所述至少基于所述CT值直方图获取N个预设参数中的参数,还包括:
计算所述肺部区域的体积,
分别计算M个CT值区间体素所占体积与所述肺部区域的体积的比值,其中,M为大于等于1的自然数;
以M个比值作为预设参数中的参数。
可选的,所述M个CT值区间为(-1000HU,-900HU)、(-500HU,-400HU)、(-300HU,-200HU)、(-200HU,-100HU)中的一个或多个。
可选的,所述基于所述肺部区域,获取N个预设参数,还包括:
获取所述肺部区域中每个体素的CT值;
以所述肺部区域中所有体素的CT值的平均值、中位数和标准差作为N个预设参数中的参数。
本发明还提供一种医学影像的显示装置,包括:
分割单元,用于分割目标对象CT影像的肺部区域;
获取单元,用于基于所述肺部区域,获取N个预设参数;
免疫相关性肺炎预测模型,用于以获取的目标对象的N个预设参数为输入,输出免疫相关性肺炎预测结果;
显示单元,用于显示所述免疫相关性肺炎预测结果。
本发明还提供一种计算机设备,包括至少一个处理器、以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器能够执行上述的医学影像的显示方法。
本发明还提供一种计算机可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行上述的医学影像的显示方法。
与现有技术相比,本发明的技术方案具有如下有益效果:
先分割目标对象CT影像的肺部区域,然后基于所述肺部区域,获取N个预设参数,将目标对象的N个预设参数输入至免疫相关性肺炎预测模型,以获得免疫相关性肺炎的预测结果,将所述免疫相关性肺炎预测结果进行显示。先获取免疫相关性肺炎预测模型的输入参数,进而基于输入参数和免疫相关性肺炎预测模型输出免疫相关性肺炎的预测结果并显示,使得医生可以迅速知晓患者是否患有免疫相关性肺炎,在一定程度上提高了医生的诊断效率和诊断的准确度。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例的医学影像的显示方法的流程示意图;
图2为本发明实施例的CT值直方图示意图。
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为本发明实施例的医学影像的显示方法的流程示意图。如图1所示,所述医学影像的显示方法包括如下步骤:
S101,分割目标对象CT影像的肺部区域。
S102,基于所述肺部区域,获取N个预设参数。
S103,将获取的目标对象的N个预设参数输入至免疫相关性肺炎预测模型中,以获得免疫相关性肺炎预测结果。
S104,显示所述免疫相关性肺炎预测结果。
执行S101,分割目标对象CT影像中的肺部区域。具体地,本实施例中,分割目标对象CT影像中的肺部区域可以通过阈值法、区域增长法、均值迭代分割法、最大类间方差分割法、基于模式分类的方法,基于图像配准的方法、基于形状模型的方法、AI算法(三维卷积神经网络分割模型等)等分割出肺部(双肺)区域。本实施例中对此不做限定,只要可以从目标对象的CT影像中分割出肺部区域即可。
执行S102,基于所述肺部区域,获取N个预设参数,其中,N为大于等于1的自然数。本实施例中,可以通过如下方式获取N个预设参数:
首先,基于所述肺部区域生成CT值直方图。
本实施例中,首先需获取所述肺部区域中每个体素的CT值,然后,统计预设CT值区间内CT值对应的体素的频数,最后,基于预设CT值区间内CT值及与其对应的体素的频数生成CT值直方图。本领域技术人员知晓,不同的体素对应的CT值可能相同,或者说同一个CT值对应了多个体素,CT值对应的体素的频数是指,对于某一个CT值而言,其对应的体素的个数,举例来说,CT值为100HU时,体素的个数为12个,则与100HU对应的体素的频数为12。本实施例中,预设CT值区间可以为(-1000HU,0HU),基于预设CT值区间内CT值及与其对应的体素的频数生成CT值直方图,具体地,可以通过如下方式获得:
首先,将所述预设CT值区间均分为K个子区间,本实施例中,K为大于等于1的自然数。然后,获取各子区间对应的频数,所述各子区间对应的频数是指该子区间的CT值对应的体素的频数之和。最后,以各子区间的各CT值对应的体素的频数为该子区间对应的频数生成CT值直方图。本实施例中,以预设CT值区间为(-1000HU,0HU),将其均分为100个子区间,每一个子区间包括的CT值的个数为10个,子区间为(-10HU,0HU)为例,若CT值为-10HU时对应的体素的频数为12,CT值为-9HU时对应的体素的频数为15,CT值为-8HU时对应的体素的频数为11,CT值为-7HU时对应的体素的频数为13,CT值为-6HU时对应的体素的频数为14,CT值为-5HU时对应的体素的频数为12,CT值为-4HU时对应的体素的频数为16,CT值为-3HU时对应的体素的频数为17,CT值为-2HU时对应的体素的频数为15,CT值为-1HU时对应的体素的频数为12,CT值为0HU时对应的体素的频数为13,则该子区间(-10HU,0HU)对应的频数为150,将该子区间(-10HU,0HU)对应的频数150作为该子区间(-10HU,0HU)中每一个CT值对应的体素的频数,则可以生成CT值直方图。图2为本发明实施例的CT值直方图示意图,图2中的current曲线及其覆盖的淡蓝色区域为肺部区域的CT值直方图。图2中,横坐标为CT值,纵坐标为与该CT值对应的体素的频数。图2中,将CT值区间(-1000HU,0HU)先均分为10个子区间(-1000HU,-900HU)、(-900HU,-800HU)、(-800HU,-700HU),……,(-100HU,0HU),然后再将这10个子区间中的每一个区间均分为10个子区间,也即将(-1000HU,0HU)均分为100个子区间,每一个子区间中各CT值对应的体素的频数均相同,即为该子区间对应的频数。本实施例中,以预设CT值区间为(-1000HU,0HU),将该预设CT值区间均分为100个子区间为例进行了说明,在其他实施例中,预设CT值区间及子区间的个数可以根据实际的临床需求而定,因此,预设CT值区间为(-1000HU,0HU),子区间个数为100不应作为对本发明技术方案的限定。
至此通过上述过程生成了所述目标对象肺部区域的CT值直方图。
然后,至少基于所述CT值直方图获取N个预设参数中的参数。
本实施例中,具体地,可以通过获取标准曲线。基于标准曲线和CT值直方图的分布曲线获取海林格距离参数和IOU参数。以所述海林格距离参数和IOU参数作为预设参数中的参数。继续参见图2,图2中baseline曲线为标准曲线,所述标准曲线通常是基于正常人肺部区域的CT值获得,具体的可以是对大量正常人肺部区域的CT值中,同一CT值对应的体素的频数取平均值得到。举例来说:目标对象1肺部区域CT值为-700时,对应的体素的频数为50,目标对象2肺部区域CT值为-700时,对应的体素的频数为60,目标对象3肺部区域CT值为-700时,对应的体素的频数为50,目标对象4肺部区域CT值为-700时,对应的体素的频数为80,……,目标对象Y肺部区域CT值为-700时,对应的体素的频数为80,则对于同样的CT值-700,基准曲线上该CT值对应的体素的频数应为目标对象1,……,目标对象Y在CT值为-700时各自对应的频数之和与Y的比值。在确定了每个CT值对应的体素的平均频数之后,以CT值为横坐标,该CT值对应的体素的平均频数为纵坐标即可获得标准曲线。
本实施例中,海林格距离参数通过如下公式获得:
其中,pi为CT值直方图曲线上的点,qi为标准曲线上的点。
当海林格值即H(P,Q)越接近0,则表明目标对象肺部区域的CT值直方图与标准曲线分布的相似性越高。
本实施例中,IOU参数通过如下公式获得:
其中,Area(A)为CT值直方图曲线下的面积,Area(B)为标准曲线下的面积。当IOU越接近1时,则表明目标对象肺部区域的CT值直方图曲线与标准曲线的相似性越高。本实施例中,可以通过IOU的大小来判断目标对象肺部区域的CT值直方图分布与标准曲线之间的相似度。
本实施例中,还可以以所述CT值直方图的分布曲线的熵、能量、峰度、偏度和峰值作为预设参数中的参数。
CT值直方图的分布曲线的熵通过如下公式获得:
CT值直方图的分布曲线的偏度通过如下公式获得:
CT值直方图的分布曲线的峰度通过如下公式获得:
CT值直方图的分布曲线的能量通过如下公式获得:
CT值直方图的分布曲线的峰值通过如下公式获得:
Peak=lmax
其中,l为各体素的CT值,lmin为所有CT值中的最小值,lmax为所有CT值中的最大值,n(l)为每个CT值对应的体素个数,m为所有CT值的平均值,s为所有CT值的标准差,N为所有体素的个数,c为普通常数。
再可以,计算所述肺部区域的体积,分别计算M个CT值区间体素所占体积与所述肺部区域的体积的比值,其中,M为大于等于1的自然数。以M个比值作为预设参数中的参数。具体地,肺部区域的体积可以通过肺部区域中体素的个数和预设比例尺来确定肺部区域的体积。预设比例尺可以依据经验设置。同样地,每一个CT值区间体素所占体积则是该CT值区间的体素的个数与预设比例尺的乘积。而该CT值区间的体素的个数则可以直接由CT值直方图中对应区间的频数获得。本实施例中,M可以取1、2、3、4等,M取不同值时,对应的CT值区间可以为(-1000HU,-900HU)、(-500HU,-400HU)、(-300HU,-200HU)、(-200HU,-100HU)中的一个或多个。如M取3时,CT值区间可以为(-1000HU,-900HU)、(-500HU,-400HU)、(-300HU,-200HU)、(-200HU,-100HU)中的任意三个。若M取4,则可以分别计算CT值区间(-1000HU,-900HU)体素所占的体积、(-500HU,-400HU)体素所占的体积、(-300HU,-200HU)体素所占的体积、(-200HU,-100HU)体素所占的体积。如图2所示的前述4个区间,其分别对应的体素的个数即为该区间对应的频数。在其他实施例中,可以根据临床实际需求对M取不同的值。
本实施例中,除了可以至少基于所述CT值直方图获得N个预设参数中的参数以外,还可以通过如下方式获取N个预设参数:
具体地,获取所述肺部区域中每个体素的CT值。以所述肺部区域中所有体素的CT值的平均值、中位数和标准差作为N个预设参数中的参数。
肺部区域中所有体素的CT值的平均值通过如下公式获得:
肺部区域中所有体素的CT值的标准差通过如下公式获得:
其中,l为各体素的CT值,lmin为所有CT值中的最小值,lmax为所有CT值中的最大值,m为所有CT值的平均值,N为所有体素的个数。
肺部区域中所有体素的CT值的中位数,则是指将所有体素的CT值按照预定顺序进行排列(如:由小至大,或者由大至小),在排序好的队列中,取位于中间位置的体素的CT值作为所有体素的CT值的中位数。若排序好的队列为第1个至第2n+1个体素,则第n+1个体素的CT值为所有体素的CT值的中位数,若排序好的队列为第1个至第2n个体素,则第n个或第n+1个体素的CT值为所有体素的CT值的中位数。举例来说,若n=4,按照CT值由小至大的顺序排列后依次为第1个~第9个体素,则第5个体素的CT值为这9个体素的CT值的中位数。若n=3,按照CT值由小至大的顺序排列后依次为第1个~第6个体素,则第3个体素或第4个体素的CT值为这6个体素的CT值的中位数。
在获取了N个预设参数后,可以将目标对象的N个预设参数输入至免疫相关性肺炎预测模型以获得该目标对象是否患有免疫相关性肺炎的预测结果。本实施例中,上述过程获取的目标对象的N个预设参数可以为目标对象的海林格距离参数、CT值直方图的分布曲线的能量、CT值直方图的分布曲线的峰度、CT值直方图的分布曲线的熵、CT值在(-1000HU,-900HU)的体素所占的体积与肺部体积的比值、CT值在(-500HU,-400HU)的体素所占的体积与肺部体积的比值、CT值在(-300HU,-200HU)的体素所占的体积与肺部体积的比值、CT值在(-200HU,-100HU)的体素所占的体积与肺部体积的比值。其中海林格距离参数、CT值直方图的分布曲线的能量、CT值直方图的分布曲线的峰度、CT值直方图的分布曲线的熵这四个参数,可以用于比较不同目标对象该参数在CT值直方图分布曲线上的差异,如分布曲线的形态、分布曲线的一阶特征等。而剩下的在四个CT值区间的体素所占的体积与肺部体积的比值则可以反映出目标对象的肺部在组织密度分布上的差异,实际应用中,通过对比不同目标对象的上述8个参数,进而可以区分目标对象属于肺炎组还是非肺炎组。
在其他实施例中,N个预设参数可以为其他参数的组合,可以根据实际需求而定,因此,本实施例中上述的8个预设参数不应作为对本发明技术方案的限定。
执行S103,将获取的目标对象的N个预设参数输入至免疫相关性肺炎预测模型中,以获得免疫相关性肺炎预测结果。本实施例中,具体地,可以将最终获得的目标对象的上述8个预设参数输入至免疫相关性肺炎预测模型,进而得到目标对象是否患有免疫相关性肺炎的预测结果。
执行S104,显示所述免疫相关性肺炎预测结果。具体地,可以在任何一个显示终端,如电脑、IPAD、手机等显示该目标对象的免疫相关性肺炎预测结果。
本发明实施例还提供一种医学影像的显示装置,包括:
分割单元,用于分割目标对象CT影像的肺部区域。
获取单元,用于基于所述肺部区域,获取N个预设参数。
免疫相关性肺炎预测模型,用于以获取的目标对象的N个预设参数为输入,输出免疫相关性肺炎预测结果。
显示单元,用于显示所述免疫相关性肺炎预测结果。
本实施例的医学影像的显示装置的实施可以参见上述的医学影像的显示方法的实施,此处不再赘述。
基于相同的技术构思,本发明实施例提供了一种计算机设备,包括至少一个处理器、以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器能够执行上述的医学影像的显示方法。
基于相同的技术构思,本发明实施例提供了一种计算机可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行上述的医学影像的显示方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
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 (8)
1.一种医学影像的显示方法,其特征在于:
分割目标对象CT影像的肺部区域;
基于所述肺部区域,获取N个预设参数;
将获取的目标对象的N个预设参数输入至免疫相关性肺炎预测模型中,以获得免疫相关性肺炎预测结果;
显示所述免疫相关性肺炎预测结果;
所述基于所述肺部区域,获取N个预设参数包括:
基于所述肺部区域生成CT值直方图;
至少基于所述CT值直方图获取N个预设参数中的参数;
所述至少基于所述CT值直方图获取N个预设参数中的参数,包括:
获取标准曲线;
基于标准曲线和CT值直方图的分布曲线获取海林格距离参数和IOU参数;
以所述海林格距离参数和IOU参数作为N个预设参数中的参数;
所述标准曲线是基于正常人肺部区域的CT值获得,具体的,对大量正常人肺部区域的CT值中,同一CT值对应的体素的频数取平均值得到,在确定了每个CT值对应的体素的平均频数之后,以CT值为横坐标,该CT值对应的体素的平均频数为纵坐标即获得标准曲线;
所述海林格距离参数H(P,Q)通过如下公式获得:
其中,pi为CT值直方图曲线上的点,qi为标准曲线上的点;
所述IOU参数通过如下公式获得:
其中,Area(A)为CT值直方图曲线下的面积,Area(B)为标准曲线下的面积。
2.如权利要求1所述的方法,其特征在于,所述基于所述肺部区域生成CT值直方图,包括:
获取所述肺部区域中每个体素的CT值;
统计预设CT值区间内CT值对应的体素的频数;
基于预设CT值区间内CT值及与其对应的体素的频数生成CT值直方图。
3.如权利要求2所述的方法,其特征在于,
所述预设CT值区间为(-1000HU,0HU),所述基于预设CT值区间内CT值及与其对应的体素的频数生成CT值直方图包括:
将所述预设CT值区间均分为K个子区间,其中,K为大于等于1的自然数;
获取各子区间对应的频数,所述各子区间对应的频数是指该子区间的CT值对应的体素的频数之和;
以各子区间对应的频数为该子区间的各CT值对应的体素的频数生成CT值直方图。
4.如权利要求1所述的方法,其特征在于,所述至少基于所述CT值直方图获取N个预设参数中的参数,还包括:
计算所述肺部区域的体积,
分别计算M个CT值区间体素所占体积与所述肺部区域的体积的比值,其中,M为大于等于1的自然数;
以M个比值作为预设参数中的参数。
5.如权利要求4所述的方法,其特征在于,所述M个CT值区间为(-1000HU,-900HU)、(-500HU,-400HU)、(-300HU,-200HU)、(-200HU,-100HU)中的一个或多个。
6.如权利要求1所述的方法,其特征在于,所述基于所述肺部区域,获取N个预设参数,还包括:
获取所述肺部区域中每个体素的CT值;
以所述肺部区域中所有体素的CT值的平均值、中位数和标准差作为N个预设参数中的参数。
7.一种计算机设备,包括至少一个处理器、以及至少一个存储器,其中,所述存储器存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器能够执行权利要求1~6任一项所述的医学影像的显示方法。
8.一种计算机可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行权利要求1~6任一项所述的医学影像的显示方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010408474.5A CN111738980B (zh) | 2020-05-14 | 2020-05-14 | 一种医学影像的显示方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010408474.5A CN111738980B (zh) | 2020-05-14 | 2020-05-14 | 一种医学影像的显示方法、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738980A CN111738980A (zh) | 2020-10-02 |
CN111738980B true CN111738980B (zh) | 2023-08-04 |
Family
ID=72647252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010408474.5A Active CN111738980B (zh) | 2020-05-14 | 2020-05-14 | 一种医学影像的显示方法、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738980B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008054237A1 (fr) * | 2006-11-01 | 2008-05-08 | Sergey Anatolevich Demin | Procédé de régulation de l'état psychophysiologique d'un organisme |
RU2348348C1 (ru) * | 2007-10-26 | 2009-03-10 | Анатолий Сергеевич Димов | Способ прогноза возникновения внебольничной пневмонии тяжелой формы течения |
EP2078732A1 (en) * | 2006-07-10 | 2009-07-15 | Institute for Antibodies Co., Ltd. | Method of classifying antigen, method of identifying antigen, method of obtaining antibody or antibody set, method of constructing antibody panel and antibody or antibody set and use of the same |
DE102009051199A1 (de) * | 2009-10-29 | 2011-05-05 | Siemens Aktiengesellschaft | Vorrichtung zur Diagnoseunterstützung eines Arztes im Bereich von Bronchial- und Lungenparenchym-Erkrankungen |
CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断*** |
CN103310449A (zh) * | 2013-06-13 | 2013-09-18 | 沈阳航空航天大学 | 基于改进形状模型的肺分割方法 |
CN103442628A (zh) * | 2011-03-16 | 2013-12-11 | 皇家飞利浦有限公司 | 用于检查宫颈的医疗器械 |
CN105469419A (zh) * | 2016-01-07 | 2016-04-06 | 于翠妮 | 一种基于ct影像的肺结节检测方法 |
CN107590809A (zh) * | 2017-06-30 | 2018-01-16 | 上海联影医疗科技有限公司 | 肺分割方法及医学成像*** |
CN109035283A (zh) * | 2018-09-05 | 2018-12-18 | 中国医科大学附属盛京医院 | 一种基于随机选取分区的肺气肿精准检测与量化分析方法 |
CN109658411A (zh) * | 2019-01-21 | 2019-04-19 | 杭州英库医疗科技有限公司 | 一种基于ct影像学特征与非小细胞肺癌患者预后情况的相关性分析方法 |
CN110391015A (zh) * | 2019-06-14 | 2019-10-29 | 广东省人民医院(广东省医学科学院) | 一种基于影像组学量化肿瘤免疫状态的方法 |
CN110598533A (zh) * | 2019-07-31 | 2019-12-20 | 平安科技(深圳)有限公司 | 舌象匹配方法、电子装置、计算机设备及存储介质 |
CN110619945A (zh) * | 2018-06-19 | 2019-12-27 | 西门子医疗有限公司 | 针对机器学习网络的输入的训练的量的表征 |
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 |
CN111091115A (zh) * | 2019-12-31 | 2020-05-01 | 深圳中兴网信科技有限公司 | 车辆监控方法、装置、计算机设备及存储介质 |
CN111105414A (zh) * | 2019-12-31 | 2020-05-05 | 杭州依图医疗技术有限公司 | 处理方法、交互方法、显示方法及存储介质 |
-
2020
- 2020-05-14 CN CN202010408474.5A patent/CN111738980B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2078732A1 (en) * | 2006-07-10 | 2009-07-15 | Institute for Antibodies Co., Ltd. | Method of classifying antigen, method of identifying antigen, method of obtaining antibody or antibody set, method of constructing antibody panel and antibody or antibody set and use of the same |
WO2008054237A1 (fr) * | 2006-11-01 | 2008-05-08 | Sergey Anatolevich Demin | Procédé de régulation de l'état psychophysiologique d'un organisme |
RU2348348C1 (ru) * | 2007-10-26 | 2009-03-10 | Анатолий Сергеевич Димов | Способ прогноза возникновения внебольничной пневмонии тяжелой формы течения |
DE102009051199A1 (de) * | 2009-10-29 | 2011-05-05 | Siemens Aktiengesellschaft | Vorrichtung zur Diagnoseunterstützung eines Arztes im Bereich von Bronchial- und Lungenparenchym-Erkrankungen |
CN103442628A (zh) * | 2011-03-16 | 2013-12-11 | 皇家飞利浦有限公司 | 用于检查宫颈的医疗器械 |
CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断*** |
CN103310449A (zh) * | 2013-06-13 | 2013-09-18 | 沈阳航空航天大学 | 基于改进形状模型的肺分割方法 |
CN105469419A (zh) * | 2016-01-07 | 2016-04-06 | 于翠妮 | 一种基于ct影像的肺结节检测方法 |
CN107590809A (zh) * | 2017-06-30 | 2018-01-16 | 上海联影医疗科技有限公司 | 肺分割方法及医学成像*** |
CN110619945A (zh) * | 2018-06-19 | 2019-12-27 | 西门子医疗有限公司 | 针对机器学习网络的输入的训练的量的表征 |
CN109035283A (zh) * | 2018-09-05 | 2018-12-18 | 中国医科大学附属盛京医院 | 一种基于随机选取分区的肺气肿精准检测与量化分析方法 |
CN109658411A (zh) * | 2019-01-21 | 2019-04-19 | 杭州英库医疗科技有限公司 | 一种基于ct影像学特征与非小细胞肺癌患者预后情况的相关性分析方法 |
CN110391015A (zh) * | 2019-06-14 | 2019-10-29 | 广东省人民医院(广东省医学科学院) | 一种基于影像组学量化肿瘤免疫状态的方法 |
CN110598533A (zh) * | 2019-07-31 | 2019-12-20 | 平安科技(深圳)有限公司 | 舌象匹配方法、电子装置、计算机设备及存储介质 |
CN111091115A (zh) * | 2019-12-31 | 2020-05-01 | 深圳中兴网信科技有限公司 | 车辆监控方法、装置、计算机设备及存储介质 |
CN111105414A (zh) * | 2019-12-31 | 2020-05-05 | 杭州依图医疗技术有限公司 | 处理方法、交互方法、显示方法及存储介质 |
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 |
Non-Patent Citations (1)
Title |
---|
黄祥等.螺旋断层和旋转调强技术在小细胞肺癌脑预防放射治疗海马保护的剂量学研究.《中国医学装备》.2018,第第15卷卷(第第15卷期),第22-26页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111738980A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109966662B (zh) | 一种验证放射治疗剂量的*** | |
Gu et al. | Automatic lung nodule detection using a 3D deep convolutional neural network combined with a multi-scale prediction strategy in chest CTs | |
US20210056687A1 (en) | Systems and methods for segmentation of intra-patient medical images | |
CN110785815B (zh) | 胃肠外营养诊断***、设备和方法 | |
US9218661B2 (en) | Image analysis for specific objects | |
CN115554619A (zh) | 辐射治疗交互式规划 | |
US10293179B2 (en) | Physician directed radiation treatment planning | |
CN107077736A (zh) | 依据基于解剖学界标的特征分割医学图像的***和方法 | |
Lo Giudice et al. | Fully automatic segmentation of the mandible based on convolutional neural networks (CNNs) | |
Fick et al. | Fully automatic brain tumor segmentation for 3D evaluation in augmented reality | |
Widiasri et al. | Dental-yolo: Alveolar bone and mandibular canal detection on cone beam computed tomography images for dental implant planning | |
Kano et al. | Automatic contour segmentation of cervical cancer using artificial intelligence | |
Bispo et al. | Computer tomographic differential diagnosis of ameloblastoma and odontogenic keratocyst: classification using a convolutional neural network | |
Dai et al. | Locating anatomical landmarks on 2D lateral cephalograms through adversarial encoder-decoder networks | |
WO2018219818A1 (en) | Quantified aspects of lesions in medical images | |
Xu et al. | A 3D segmentation network of mandible from CT scan with combination of multiple convolutional modules and edge supervision in mandibular reconstruction | |
CN111738980B (zh) | 一种医学影像的显示方法、计算机设备及存储介质 | |
Lartizien et al. | Automatic detection of lung and liver lesions in 3-D positron emission tomography images: A pilot study | |
CN115274119B (zh) | 一种融合多影像组学特征的免疫治疗预测模型的构建方法 | |
CN111739645B (zh) | 一种免疫相关性肺炎预测模型的训练方法 | |
Dickson et al. | A Dual Channel Multiscale Convolution U-Net Methodfor Liver Tumor Segmentation from Abdomen CT Images | |
US11615881B2 (en) | Liver cancer detection | |
He et al. | Anchor Ball Regression Model for large-scale 3D skull landmark detection | |
CN117877691B (zh) | 一种基于图像识别的智能化伤口信息采集*** | |
Whelan et al. | Cancer as a Model System for Testing Metabolic Scaling Theory |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220318 Address after: 100089 area a, 21 / F, block a, No. 8, Haidian Street, Haidian District, Beijing Applicant after: BEIJING SHENRUI BOLIAN TECHNOLOGY Co.,Ltd. Applicant after: SHENZHEN DEEPWISE BOLIAN TECHNOLOGY Co.,Ltd. Address before: 200051 units 06 and 07, 23 / F, 523 Loushanguan Road, Changning District, Shanghai Applicant before: SHANGHAI YIZHI MEDICAL TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |