CN112712508B - 一种确定气胸的方法及装置 - Google Patents
一种确定气胸的方法及装置 Download PDFInfo
- Publication number
- CN112712508B CN112712508B CN202011634613.2A CN202011634613A CN112712508B CN 112712508 B CN112712508 B CN 112712508B CN 202011634613 A CN202011634613 A CN 202011634613A CN 112712508 B CN112712508 B CN 112712508B
- Authority
- CN
- China
- Prior art keywords
- region
- cross
- interest
- image
- 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.)
- Active
Links
- 201000003144 pneumothorax Diseases 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000004434 saccadic eye movement Effects 0.000 claims abstract description 31
- 239000002775 capsule Substances 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 16
- 210000004072 lung Anatomy 0.000 claims description 84
- 230000011218 segmentation Effects 0.000 claims description 24
- 238000013145 classification model Methods 0.000 claims description 22
- 230000005484 gravity Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 description 18
- 238000000605 extraction Methods 0.000 description 13
- 238000003709 image segmentation Methods 0.000 description 11
- 238000005070 sampling Methods 0.000 description 10
- 210000000038 chest Anatomy 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000001562 sternum Anatomy 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000003281 pleural cavity Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
- G06T2207/20—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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种确定气胸的方法及装置,所述方法包括获取医学影像,所述医学影像包括多帧横断面影像。分割每一帧横断面影像中的气胸以获得第一区域。基于每一帧横断面影像中所述第一区域的位置、面积从所述第一区域中筛选出第二区域。确定多帧横断面影像中的囊状影。去除所述第二区域中的囊状影以获得第三区域。在连续预定帧数的横断面影像中均存在第三区域且第三区域面积之和大于或等于第二阈值时,确定预定帧数的横断面影像中的第三区域为气胸。本发明方案提高了在胸部影像中确定气胸的速度和准确度。
Description
技术领域
本发明涉及医疗技术领域,特别涉及一种确定气胸的方法及装置、计算机设备及计算机可读存储介质。
背景技术
气胸是指气体进入胸膜腔,造成的积气状态。目前通常采用拍摄胸部CT的方式来判断受检者的肺部是否有气胸。具体地,由医生根据自己的经验来判断采集到的横断面影像中是否有气胸。然而采用人工方式确定受检者的肺部是否有气胸,效率较低且存在较大的主观性,可能会出现误判或漏判的情况,进而影响后续的诊断和治疗。
因此,如何能够快速准确的确定受检者的肺部是否有气胸,成为目前亟待解决的问题之一。
发明内容
本发明提供一种确定气胸的方法及装置、计算机设备及计算机可读存储介质,以解决现有技术中采用人工方式确定受检者肺部是否有气胸时,效率和准确率较低的技术问题。
本发明提供一种确定气胸的方法,包括:
获取医学影像,所述医学影像包括多帧横断面影像;
分割每一帧横断面影像中的气胸以获得第一区域;
基于每一帧横断面影像中所述第一区域的位置、面积从所述第一区域中筛选出第二区域;
确定多帧横断面影像中的囊状影;
去除所述第二区域中的囊状影以获得第三区域;
在连续预定帧数的横断面影像中均存在第三区域且第三区域面积之和大于或等于第二阈值时,确定预定帧数的横断面影像中的第三区域为气胸。
可选的,所述获取医学影像包括:
获取多帧冠状面影像;
确定每一帧冠状面影像中起始点和终止点的Z坐标;
确定多帧冠状面影像中Z坐标最小的起始点的Z坐标zs;
确定多帧冠状面影像中Z坐标最大的终止点的Z坐标ze;
确定位于Z=zs和Z=ze之间的影像为所述医学影像。
可选的,基于每一帧横断面影像中所述第一区域的位置、面积从所述第一区域中筛选出第二区域,包括:从所述第一区域中筛选出位于肺内且所述第一区域的面积大于或等于第一阈值的区域为所述第二区域。
可选的,在连续预定帧数的横断面影像中均存在第三区域且第三区域面积之和大于或等于第二阈值时,确定预定帧数的横断面影像中的第三区域为气胸,包括:
在连续预定帧数的横断面影像的左肺或右肺中均存在第三区域,且左肺或右肺中的第三区域面积之和大于或等于第二阈值时,确定预定帧数的横断面影像的左肺或右肺中的第三区域为气胸。
可选的,确定多帧横断面影像中的囊状影,包括:
分割多帧横断面影像中的囊状影以获得第四区域;
基于所述第四区域中的定位点从所述医学影像中获取感兴趣区域,所述感兴趣区域包括囊状影,所述定位点关联于所述第四区域的中心或者重心;
通过分类模型对所述感兴趣区域进行分类以获得所述感兴趣区域为囊状影的置信度;
基于所述感兴趣区域为囊状影的置信度确定横断面影像中的囊状影。
可选的,通过分类模型对所述感兴趣区域进行分类以获得所述感兴趣区域为囊状影的置信度,包括:
将所述感兴趣区域及与其关联的关注区域输入所述分类模型以输出所述感兴趣区域为囊状影的置信度。
可选的,所述关注区域与所述感兴趣区域大小相同,且包括以与其关联的感兴趣区域所对应的第四区域中的定位点为中心,向周围扩展预定距离的几何体。
本发明还提供一种确定气胸的装置,包括:
获取单元,用于获取医学影像,所述医学影像包括多帧横断面影像;
分割单元,用于分割每一帧横断面影像中的气胸以获得第一区域;
筛选单元,用于基于每一帧横断面影像中所述第一区域的位置、面积从所述第一区域中筛选出第二区域;
第一确定单元,用于确定多帧横断面影像中的囊状影;
去除单元,用于去除所述第二区域中的囊状影以获得第三区域;
第二确定单元,用于在连续预定帧数的横断面影像中均存在第三区域且第三区域面积之和大于或等于第二阈值时,确定预定帧数的横断面影像中的第三区域为气胸。
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确定气胸的方法。
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确定气胸的方法。
与现有技术相比,本发明的技术方案具有如下有益效果:
通过获取医学影像,所述医学影像包括多帧横断面影像,并分割每一帧横断面影像中的气胸以获得第一区域。然后基于每一帧横断面影像中所述第一区域的位置、面积从所述第一区域中筛选出第二区域。确定多帧横断面影像中的囊状影,去除所述第二区域中的囊状影以获得第三区域。最后,在连续预定帧数的横断面影像中均存在第三区域且第三区域面积之和大于或等于第二阈值时,确定预定帧数的横断面影像中的第三区域为气胸。由于在确定肺部影像中的气胸时,并未直接将分割横断面影像中的气胸而获得第一区域作为气胸,而是在分割获得的第一区域中,根据第一区域的位置、面积从多个第一区域中筛选出了第二区域,然后再去除第二区域中的囊状影以获得第三区域,最后在连续预定帧数的横断面影像中均存在第三区域且第三区域面积之和大于或等于第二阈值时,确定预定帧数的横断面影像中的第三区域为气胸。因此,在很大程度上提高了最终确定的气胸的准确度。另外,由于无需再通过人工的方式来判断受检者的肺部是否有气胸,因此,也避免了因医生主观判断导致的误判或漏判,提高了在胸部影像中确定气胸的速度和准确度,在一定程度上也提高了医生的诊断效率和诊断的准确度。进而也在一定程度上提高了后续基于已确定的气胸进行相关诊断的精准度。
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是本发明实施例的标准解剖学中人体基本面和基本轴的示意图;
图2是本发明实施例的确定气胸的方法的流程示意图;
图3是本发明实施例的冠状面影像的示意图;
图4是本发明实施例的横断面影像的示意图。
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。
正如现有技术中描述的,目前医生在阅片时,通常需要通过人工的方式来判断受检者的肺部影像中是否有气胸,采用人工方式进行判断,速度慢且容易出现误判和漏判,进而导致医生的阅片、诊断效率较低。
为了更好的说明本发明的技术方案,本实施例中先对标准解剖学中人体基本面和基本轴进行相应的说明。参见图1,图1为本发明实施例的标准解剖学中人体基本面和基本轴的示意图。如图1所示:人体基本面包括冠状面(额状面)、矢状面(正中面)和横切面(横断面、水平面)。人体基本轴包括垂直轴(Z轴,为上自头侧下至尾侧,并与地平面相垂直的轴,头侧为正向尾侧为负向)、矢状轴(Y轴,为从前至后,同时与垂直轴成直角交叉的轴,前侧为正向、后侧为负向)和冠状轴(X轴,也叫额状轴,为左右方向与水平相平行,与前两个轴相垂直的轴,左侧为负向、右侧为正向)。人体的立体方位中包括前侧(靠近腹部)、后侧(靠近背部)、上侧(靠近头部)和下侧(靠近脚部)。本实施例中所有的面、轴、方位均适用于图1。
图2是本发明实施例的确定气胸的方法的流程示意图。如图2所示,本实施例的确定气胸的方法包括:
S11:获取医学影像,所述医学影像包括多帧横断面影像。
S12:分割每一帧横断面影像中的气胸以获得第一区域。
S13:基于每一帧横断面影像中所述第一区域的位置、面积从所述第一区域中筛选出第二区域。
S14:确定多帧横断面影像中的囊状影。
S15:去除所述第二区域中的囊状影以获得第三区域。
S16:在连续预定帧数的横断面影像中均存在第三区域且第三区域面积之和大于或等于第二阈值时,确定预定帧数的横断面影像中的第三区域为气胸。
执行S11,本实施例中,为了确定肺部区域是否有气胸,因此需要先获取医学影像,所述医学影像为包括了肺部区域的多帧横断面影像。通常拍摄CT时,采集到的胸部影像除了包含肺部区域以外还包括了其他的区域,为了从采集到的胸部影像中快速定位出肺部区域所在的横断面影像,本实施例中需要先定位出肺部区域所在的范围,即肺部区域在Z轴的位置。具体地,通过如下方式获得肺部区域在Z轴的位置:
获取多帧冠状面影像。
确定每一帧冠状面影像中起始点和终止点的Z坐标。
确定多帧冠状面影像中Z坐标最小的起始点的Z坐标zs。
确定多帧冠状面影像中Z坐标最大的终止点的Z坐标ze。
确定位于Z=zs和Z=ze之间的影像为所述医学影像。
获取多帧冠状面影像,本实施例中多帧冠状面影像可以通过采集到的胸部CT影像获取,在其他实施例中,也可以通过采集到的胸部MRI影像获取。参见图3,图3是本发明实施例的冠状面影像的示意图,拍摄CT时,采集到的胸部的冠状面影像通常如图3所示,该冠状面影像中除了包括肺部区域外,还包括了其他的区域。为了定位出肺部区域在Z方向上的位置,需要确定冠状面影像中包括肺部区域的区域的起始点和终止点的Z坐标。所述起始点和终止点也可以是肺部区域的起始点和终止点,可根据实际需求而定。继续参见图3,图3中示意出的起始点的Z坐标Z1和终止点的Z坐标Z2则为肺部区域的起始点的Z坐标和肺部区域的终止点的Z坐标。
本实施例中,可以通过神经网络,具体地,如2D回归网络来获取每一帧冠状面影像中起始点和终止点的Z坐标。所述2D回归网络包括特征提取模块和全连接回归模块,特征提取模块的输出为全连接回归模块的输入。其中,特征提取模块包括N个卷积模块和N个最大池化层,卷积模块的输出与最大池化层的输入相连,也即卷积模块和最大池化层交替连接。每一个卷积模块则包括多个卷积块,其中每一个卷积块包括:一个卷积层(Conv2d),一个批归一化层(BN,Batch Normalization)和一个激活层,激活函数可以为线性整流函数(ReLU,Recified Linear Unit)。全连接回归模块包括M个依次连续的全连接层,全连接层和全连接层之间可以为通过率为0.5的dropout层。全连接回归模块最终输出起始点和终止点的Z坐标,起始点和终止点的Z坐标可以是像素点坐标,如起始点或者终止点的Z坐标可以是在一预设坐标系下对应的第几个像素点。
本实施例中,可以以多张冠状面影像(胸部)为训练样本,由标注人员在每张冠状面影像上标注起始点和终止点的Z坐标,起始点和终止点可以为肺部区域的起始点和终止点。然后对训练样本进行数据增强(如:随机旋转一定角度,随机上下左右平移0~30像素,随机缩放0.85~1.15倍,对图像对比度和亮度进行少量抖动等),将数据量增强至原来数据量的10倍。最后再将训练样本输入2D回归网络进行训练。训练时根据标注的起始点和终止点的Z坐标和2D回归网络预测的起始点和终止点的Z坐标计算loss函数,通过反向传播的方法训练,训练的优化算法可以采用带有动量和阶梯衰减的SGD算法。通过训练获得2D回归网络后,则可以将每一帧冠状面影像输入至2D回归网络以获得每一帧冠状面影像中起始点和终止点的Z坐标。
至此通过上述的2D回归网络获得了每一帧冠状面影像中的起始点和终止点的Z坐标,然后在获得的多帧冠状面影像的起始点的Z坐标中,确定Z坐标最小的起始点的Z坐标zs,在获得的多帧冠状面影像的终止点的Z坐标中,确定Z坐标最大的终止点的Z坐标ze。举例来说,若获取了5帧冠状面影像,5帧冠状面影像中起始点的Z坐标分别为z1,z3,z5,z7,z9,终止点的Z坐标分别为z2,z4,z6,z8,z10,若起始点的Z坐标中z5最小,则zs=z5,若终止点的Z坐标中z6最大,则ze=z6。确定了Z坐标最小的起始点的Z坐标zs和Z坐标最大的终止点的Z坐标ze后,位于Z=zs和Z=ze之间的影像则为要获取的医学影像,该医学影像包括了多帧横断面影像。
本实施例中,为了能够更快的获得肺部区域在Z轴的位置,还可以先获取位于人体正中间的那帧冠状面影像(通常称之为中间帧冠状面影像),然后取与中间帧相邻的预设帧数的冠状面影像,如可以是与所述中间帧相邻的前3帧和后3帧的冠状面影像,也可以是与所述中间帧相邻的前5帧和后5帧的冠状面影像。预设帧数可以根据实际需求而定。在获取了中间帧和与中间帧相邻的预设帧数的冠状面影像后,直接确定中间帧及与所述中间帧相邻的预设帧数的冠状面影像中每一帧冠状面影像中起始点和终止点的Z坐标。中间帧及与其相邻的预设帧数的冠状面影像中起始点和终止点的Z坐标的确定同样也可以采用2D回归网络获得,此处不再赘述。在知晓了中间帧和与所述中间帧相邻的预设帧数的冠状面影像中起始点的Z坐标和终止点的Z坐标后,确定起始点的Z坐标中最小的Z坐标zs,终止点的Z坐标中最大的Z坐标ze。位于Z=zs和Z=ze之间的影像即为要获取的医学影像,且该医学影像本包括了多帧横断面影像。采用先获取中间帧及与所述中间帧相邻的预定帧数的冠状面影像来确定肺部区域在Z轴的位置,减少了要获取的冠状面影像的帧数,因此可以较快的确定出起始点中的最小Z坐标和终止点中的最大Z坐标,进而可以较快的确定出肺部区域在Z轴的位置。
通过S11获取了包括多帧横断面影像的医学影像后,执行S12,分割每一帧横断面影像中的气胸以获得第一区域。本实施例中,可以通过传统的图像分割算法如:基于阈值的图像分割方法、基于区域的图像分割方法、分水岭算法等分割横断面影像中的气胸,也可以通过气胸分割模型来对横断面影像中的气胸进行分割,如可以采用以VGG作为backbone的U-NET神经网络模型来对横断面影像中的气胸进行分割,也可采用全卷积神经网络(FCN,Fully Convolutional Network)模型等来进行分割。
本实施例中,具体地,气胸分割模型可以包括依次连接的特征提取模块、下采样模块和上采样模块。其中,特征提取模块可以包括连续的第一卷积单元和第二卷积单元,第一卷积单元可以包括一个2D卷积层、一个批量归一化(BN,Batch Narmalization)层和一个激励函数层,第二卷积单元也可以包括一个2D卷积层、一个批量归一化层和一个激励函数层。本实施例中的激励函数可以为多种类型的激励函数,如,可以为线性整流函数(ReLU,Rectified Linear Unit)。
本实施例中,上采样模块和下采样模块的数量可以由本领域技术人员根据实际经验设定,如可以包括一个下采样模块和一个上采样模块,也可以包括多个(两个或两个以上)上采样模块和下采样模块。其中,每个下采样模块可以包括一个2D下采样层以及一个卷积特征提取模块,2D下采样层的尺寸可以为2╳2。相应地,每个上采样模块可以包括一个2D反卷积上采样层、一个拼接层以及一个卷积特征提取模块,2D反卷积上采样层的尺寸可以为2╳2。本发明实施例中,上采样模块的拼接层可以与下采样模块的下采样层的输出结果相对应,从而可以拼接下采样层的输出结果,得到特征图。最后对特征图进行卷积可以得到分割的结果。本实施例中,输入为横断面影像时,输出为横断面影像中每一个像素点为气胸的置信度。
本实施例中,在采用气胸分割模型分割横断面影像中的气胸时,为了提高分割气胸的准确度,在通过气胸分割模型进行分割时,不是直接将待分割的横断面影像直接输入至气胸分割模型,而是以待分割横断面影像作为中间帧横断面影像,获取位于其前和其后的至少一帧横断面影像,将中间帧横断面影像,位于其前和其后的至少一帧横断面影像所组成的影像层输入至气胸分割模型。同样地,训练初始气胸分割模型时也是将中间帧横断面影像,位于其前和其后的至少一帧横断面影像中标记了气胸的至少三帧横断面影像作为训练样本训练初始气胸分割模型以获得气胸分割模型。举例来说,若中间帧横断面影像为第8帧横断面影像,位于其前的至少一帧可以为第7帧横断面影像,位于其后的至少一帧可以为第9帧横断面影像。位于其前的至少两帧可以为第7帧横断面影像和第6帧横断面影像,位于其后的至少两帧可以为第9帧横断面影像和第10帧横断面影像。本实施例中,将由中间帧横断面影像和位于其前和其后的各一帧横断面影像组成的3帧横断面影像的影像层输入至气胸分割模型以分割出中间帧横断面影像中的气胸。如将第7帧横断面影像、第8帧横断面影像和第9帧横断面影像输入至气胸分割模型以分割出第8帧横断面影像中的气胸。本实施例中,采用将影像层输入至气胸分割模型的方式,使得分割出的中间帧横断面影像中的气胸的信息结合了其前一帧和后一帧的气胸信息,进而可以提高对每一帧横断面影像中气胸分割的准确度。
执行S13,为了提高对气胸识别的准确度,本实施例中,并不是将对横断面影像中的气胸进行分割后获得的第一区域确定为气胸,而是对分割获得的第一区域先进行筛选以获得第二区域。本实施例中可以根据第一区域的位置和面积从多个第一区域中筛选出第二区域。具体地,本实施例中,可以先判断所述第一区域是否位于肺内,若所述第一区域位于肺内且所述第一区域的面积大于或等于第一阈值,则该第一区域为第二区域。本实施例中,第一区域边界上的每一个点的坐标是知晓的,而肺部区域的边界上的每一个点的坐标则可以通过分割肺部区域获得。
本实施例中,可以采用图像分割算法从横断面影像中分割出肺部区域,也可以采用神经网络从横断面影像中分割出肺部区域,具体地,可以先对横断面影像二值化,所述二值化可以是自适应直方图二值化算法,通过二值化以获得横断面影像中的前景区域。然后对所述前景区域进行膨胀腐蚀操作(也称为闭操作)以获得第一图像。接下来,通过漫水法(flood fill)从所述第一图像中提取出多个连通块,然后确定每一个连通块中像素点的个数,以像素点个数最多,也即面积最大的连通块作为第二图像,同时,将其他的连通块删除。
对所述第二图像进行膨胀操作以获得第三图像,最后,基于预定阈值对所述第三图像进行分割以获得肺部区域,也即通过阈值法将肺部区域分割出来。本实施例中,预定阈值可以通过所述第三图像的CT值直方图获得,所述第三图像的CT值直方图,是以CT值为横坐标,与该CT值对应的像素点个数为纵坐标生成的。通过第三图像的CT值直方图,可以得到横断面影像中前景区域的CT值分布,本领域技术人员知晓,肺部区域的CT值要远低于肺部区域以外的区域,因此,反应在CT直方图上,会出现两个峰值,其中CT值高的峰值及其附近为肺部区域以外的区域,CT值低的峰值及其附近为肺内区域,本实施例中可以将两个峰值之间的谷底对应的CT值作为分割阈值,也即以两个峰值之间的谷底对应的CT值作为预定阈值。以确定好的预定阈值对第三图像进行分割即可以获得肺部区域。当然在其他实施例中,还可以采用分水岭算法等其他算法分割横断面影像中的肺部区域,进而获得肺部区域的边界。
在获得了肺部区域的边界上的每一个点的坐标后,可以通过对第一区域边界上的点的坐标与肺部区域的边界上的点的坐标之间的位置关系来确定第一区域位于肺内还是肺外。
在确定了第一区域位于肺内后,判断第一区域的面积是否大于或等于第一阈值,本实施例中第一区域的面积可以由第一区域的像素点的个数而定,如像素点的个数为20,则第一区域的面积可以为20个像素点的大小。本实施例中,所述第一阈值可以根据实际经验而定,如所述第一阈值可以为[20,30]中的任意一个值,当所述第一区域位于肺内且所述第一区域的面积大于或等于第一阈值时,该第一区域为筛选出的第二区域。
至此通过上述过程从多个第一区域中筛选出了第二区域,接下来继续去除第二区域中可能出现的误报。
执行S14:确定多帧横断面影像中的囊状影。由于囊状影像在横断面影像中呈现为黑色的高密度影,与气胸呈现的形式较为相似,因此,筛选获得的多个第二区域中可能存在囊状影,需要去除这些囊状影,以进一步的提高气胸识别的精度。本实施例中,具体地,通过如下方式确定多帧横断面影像中的囊状影。
首先,分割多帧横断面影像中的囊状影以获得第四区域。本实施例中,囊状影的分割可以采用传统的图像分割算法如:基于阈值的图像分割方法、基于区域的图像分割方法、分水岭算法等来分割,也可以通过囊状影分割模型来对横断面影像中的囊状影进行分割,如可以采用以VGG作为backbone的U-NET神经网络模型来对横断面影像中的囊状影进行分割,也可采用全卷积神经网络(FCN,Fully Convolutional Network)模型等来对横断面影像中的囊状影进行分割。本实施例中,囊状影分割模型的结构与气胸分割模型的结构相类似,此处不再赘述。而在采用囊状影分割模型对囊状影进行分割时,为了提高分割囊状影的准确度,也可以以待分割横断面影像作为中间帧横断面影像,获取位于其前和其后的至少一帧横断面影像,将中间帧横断面影像,位于其前和其后的至少一帧横断面影像所组成的影像层输入至囊状影分割模型。本实施例中,具体地,可以将由中间帧横断面影像和位于其前和其后的各一帧横断面影像组成的3帧横断面影像的影像层输入至囊状影分割模型以分割出中间帧横断面影像中的囊状影。如将第7帧横断面影像、第8帧横断面影像和第9帧横断面影像输入至囊状影分割模型以分割出第8帧横断面影像中的囊状影。采用将影像层输入至囊状影分割模型的方式,使得分割出的中间帧横断面影像中的囊状影的信息结合了其前一帧和后一帧的囊状影信息,进而可以提高对每一帧横断面影像中囊状影分割的准确度。
然后,基于所述第四区域中的定位点从所述医学影像中获取感兴趣区域,所述感兴趣区域包括囊状影,所述定位点关联于所述第四区域的中心或者重心。本实施例中,具体地,所述感兴趣区域可以是以所述第四区域的中心为中心,向周围扩展预设距离后获得的几何体,所述几何体可以是立方体,长方体等,本实施例中对此不做限定。
对于每一个第四区域而言,第四区域边界上的点与第四区域的定位点(中心或重心)之间均存在一个最远距离。对于多个第四区域而言,则存在多个最远距离,预设距离则可以是这多个最远距离中距离值最大的最远距离的1.2~1.6倍。若感兴趣区域为立方体,则是以第四区域中的定位点(中心或重心)为中心,以预设距离为立方体边长的二分之一,从所述医学影像中截取立方体。
接下来,通过分类模型对所述感兴趣区域进行分类以获得所述感兴趣区域为囊状影的置信度。由上述可知,感兴趣区域是从医学影像中截取的,因此是三维的,故需要通过三维的分类模型将所述感兴趣区域进行分类。本实施例中,所述分类模型可以为一个二分类的分类模型,分类模型的输出为:囊状影、非囊状影。具体地,本实施例中的分类模型可以包括特征提取模块和全连接分类模块。其中,特征提取模块可以包括多个连续的卷积模块,每个卷积模块可以包括一个3*3的2D卷积层、一个归一化(BN,Batch Normalization)层、一个激活函数层和一个2*2的最大池化(MP,max pooling)层。本实施例中,激活函数可以为多种类型的激活函数,例如,可以为线性整流函数(ReLU,Rectified Linear Unit),此处不做限定。本实施例中,全连接分类模块可以包括第一全连接层、第二全连接层和第三全连接层,多个连续的卷积模块的输出结果通过第一全连接层和第二全连接层进行合并,最终输入第三全连接层,由第三全连接层输出各个类别的置信度。本实施例中,为了降低第二全连接层、第三全连接层的处理数据量,可以在第一全连接层和第二全连接层之间、第二全连接和第三全连接层之间设置通过率为0.5的dropout层,即第一全连接层的输出结果可以通过dropout层进行过滤,输出至第二全连接层,第二全连接层的输出结果可以通过dropout层进行过滤,进而输出至第三全连接层。最后将第三全连接层的输出通过softmax归一化以输出感兴趣区域中属于上述两个分类中的某一个类别的置信度。当某一个类别的置信度大于或等于置信度阈值时,该类别作为分类模型最终的输出结果,本实施例中所述置信度阈值可以为0.5。
本实施例中,为了提高分类模型分类的准确度,分类模型的输入不仅仅只有感兴趣区域,而是将与感兴趣区域关联的关注区域也作为所述分类模型的输入。
所述关注区域与所述感兴趣区域大小相同,且包括以与其关联的感兴趣区域所对应的第四区域中的定位点为中心,向周围扩展预定距离的几何体。本实施例中,所述关注区域可以包括以与所述关注区域关联的感兴趣区域对应的第四区域的中心(或重心)为中心,向周围扩展预定距离的几何体。举例来说,感兴趣区域A是以第四区域A的中心(或重心)为中心,预设距离A为立方体边长的二分之一,从医学影像中截取的立方体。与感兴趣区域A关联的关注区域A,则可以是包括以第四区域A的中心(或重心)为中心,向周围扩展预定距离的几何体,本实施例中,所述几何体可以为球体。所述预定距离的取值以使得所述关注区域A所包括的几何体的大小与感兴趣区域A包括的囊状影的大小相接近为准。具体地,所述预定距离关联于与所述关注区域A关联的感兴趣区域A所对应的第四区域A中的定位点与第四区域A边界上的点之间的距离的最大值。以所述定位点为中心或者重心为例,所述预定距离可以是与所述关注区域A关联的感兴趣区域A所对应的第四区域A的中心(或重心)与第四区域A边界上的点之间的距离的最大值。也可以略大于该最大值或者略小于该最大值。举例来说,第四区域A的中心(或重心)与第四区域A的边界上的a点之间的距离最大,则预定距离可以是第四区域A的中心(或重心)与a点之间的距离。在其他实施例中,所述预定距离也可以略小于第四区域A的中心(或重心)与第四区域A的边界上的点之间距离的最大值。本实施例中,所述关注区域中至少部分区域的灰度值为255。具体地,可以是所述关注区域包括的几何体,如球体的灰度值为255,其余部分的灰度值为0。
在通过上述方式获得与所述感兴趣区域关联的关注区域后,将所述感兴趣区域及与其关联的关注区域输入分类模型,以输出感兴趣区域为囊状影的置信度。通过将感兴趣区域和与其关联的关注区域输入分类模型,可以使得分类模型在分类的过程中,更加关注于囊状影,进而可以提高分类模型对感兴趣区域分类的准确度。
最后,基于所述感兴趣区域为囊状影的置信度确定横断面影像中的囊状影,具体地,若所述感兴趣区域为囊状影的置信度大于或等于置信度阈值,则确定该感兴趣区域为囊状影,与该感兴趣区域对应的横断面影像中的第四区域即为囊状影。本实施例中,所述置信度阈值可以为0.5。
在确定了每一帧横断面影像中的囊状影后,执行S15,去除所述第二区域中的囊状影以获得第三区域,即从位于某一帧横断面影像中的第二区域中,将第二区域中为囊状影的第四区域去除以获得该帧横断面影像中的第三区域(去除了囊状影的第二区域)。
执行S16:在连续预定帧数的横断面影像中均存在第三区域且第三区域面积之和大于或等于第二阈值时,确定预定帧数的横断面影像中的第三区域为气胸。本领域技术人员知晓,通常在判断肺部有无气胸时,会分别判断左肺是否有气胸,右肺是否有气胸,因此,本实施例中,在从第一区域中筛选出第二区域,从第二区域中去除囊状影获得第三区域后,可以分别判断横断面影像的左肺或者右肺是否存在气胸。具体地,
若在连续预定帧数的横断面影像的左肺中存在第三区域,且左肺中的第三区域面积之和大于或等于第二阈值,则确定预定帧数的横断面影像的左肺中的第三区域为气胸。本实施例中,判断第三区域位于左肺还是右肺可以通过判断第三区域的中心(坐标已知)与胸骨椎骨连线(方程已知)的位置来确定,若第三区域的中心位于胸骨椎骨连线的左侧,则所述第三区域位于左肺,若第三区域的中心位于胸骨椎骨连线的右侧,则所述第三区域位于右肺。
本实施例中,胸骨椎骨连线,可以通过检测模型来检测横断面影像中胸骨和椎骨,然后连接胸骨中心和椎骨中心获得。所述检测模型可以包括:特征提取模块和检测框获取模块。检测框获取模块对特征提取模块输出的特征图进行检测。本实施例中,所述特征提取模块可以包括:L个卷积单元、M个最大池化层、N个2╳2的2D反卷积层及张量叠加层。每一个卷积单元包括:一个卷积层(Conv2d),一个批归一化层(BN,Batch Normalization)和一个激活层,激活函数可以为线性整流函数(ReLU,Recified Linear Unit)。本实施例中,特征提取模块可以为特征金字塔网络(FPN,Momenta Paper Reading),检测框获取模块可以为SSD(Single Shot MultiBox Detector)网络。
在确定了连续预定帧数的横断面影像的左肺中存在第三区域后,若预定帧数的横断面影像的左肺中的第三区域面积之和大于或等于第二阈值,则确定预定帧数的横断面影像的左肺中的第三区域为气胸。本实施例中第三区域的面积可以由第三区域的像素点的个数而定,如像素点的个数为100,则第三区域的面积可以是100个像素点的大小。本实施例中,预定帧数可以取[2,4]之间的任意一个值,如预定帧数可以为2帧,当连续2帧的横断面影像的左肺中均存在第三区域,且连续2帧横断面影像的左肺中的第三区域面积之和大于或等于第二阈值时,确定这2帧横断面影像的左肺中的第三区域均为气胸。
本实施例中,所述第二阈值可以根据实际经验来确定,所述第二阈值可以为[800,1200]中的任意一个值,如所述第二阈值可以为1000。仍以预定帧数为2帧为例,则是当连续2帧横断面影像的左肺中的第三区域面积之和大于或等于1000时,确定这2帧横断面影像的左肺中的第三区域均为气胸。
同样地,若在连续预定帧数的横断面影像的右肺中均存在第三区域,且右肺中的第三区域面积之和大于或等于第二阈值,则确定预定帧数的横断面影像的右肺中的第三区域均为气胸。以预定帧数为3帧,第二阈值为1000为例,则是当连续3帧横断面影像的右肺中的第三区域面积之和大于或等于1000时,确定这3帧横断面影像的左肺中的第三区域均为气胸。图4是本发明实施例的横断面影像的示意图,图4中右肺上侧的黑色区域部分即为确定的气胸。
本实施例中,先从横断面影像中分割气胸以获得第一区域,然后基于第一区域的位置、面积从多个第一区域中筛选以获得第二区域,去除第二区域中的囊状影,最后在连续预定帧数的横断面影像中均存在第三区域,且所有第三区域面积之和大于或等于第二阈值时,确定该连续预定帧数的横断面影像中的第三区域为气胸。由于去除了分割获得的多个第一区域中可能存在的误报,因此提高了最终确定的气胸的准确度。另外,由于无需再通过人工的方式确定肺部影像中是否有气胸,因此,提高了阅片准确度的同时也提高了阅片效率。
基于相同的技术构思,本发明实施例提供一种确定气胸的装置,包括:
获取单元,用于获取医学影像,所述医学影像包括多帧横断面影像。
分割单元,用于分割每一帧横断面影像中的气胸以获得第一区域。
筛选单元,用于基于每一帧横断面影像中所述第一区域的位置、面积从所述第一区域中筛选出第二区域。
第一确定单元,用于确定多帧横断面影像中的囊状影。
去除单元,用于去除所述第二区域中的囊状影以获得第三区域。
第二确定单元,用于在连续预定帧数的横断面影像中均存在第三区域且第三区域面积之和大于或等于第二阈值时,确定预定帧数的横断面影像中的第三区域为气胸。
本实施例的确定气胸的装置的实施可以参见上述的确定气胸的方法的实施,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确定气胸的方法。
基于相同的技术构思,本发明实施例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确定气胸的方法。
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 (7)
1.一种确定气胸的方法,其特征在于,包括:
获取医学影像,所述医学影像包括多帧横断面影像;
分割每一帧横断面影像中的气胸以获得第一区域;
基于每一帧横断面影像中所述第一区域的位置、面积从所述第一区域中筛选出第二区域;
确定多帧横断面影像中的囊状影;
去除所述第二区域中的囊状影以获得第三区域;
在连续预定帧数的横断面影像中均存在第三区域且第三区域面积之和大于或等于第二阈值时,确定预定帧数的横断面影像中的第三区域为气胸;
其中:
确定多帧横断面影像中的囊状影,包括:
分割多帧横断面影像中的囊状影以获得第四区域;
基于所述第四区域中的定位点从所述医学影像中获取感兴趣区域,所述感兴趣区域包括囊状影,所述定位点关联于所述第四区域的中心或者重心;
通过分类模型对所述感兴趣区域进行分类以获得所述感兴趣区域为囊状影的置信度;
基于所述感兴趣区域为囊状影的置信度确定横断面影像中的囊状影;
通过分类模型对所述感兴趣区域进行分类以获得所述感兴趣区域为囊状影的置信度,包括:
将所述感兴趣区域及与其关联的关注区域输入所述分类模型以输出所述感兴趣区域为囊状影的置信度;
所述关注区域与所述感兴趣区域大小相同,且包括以与其关联的感兴趣区域所对应的第四区域中的定位点为中心,向周围扩展预定距离的几何体。
2.如权利要求1所述的方法,其特征在于,所述获取医学影像包括:
获取多帧冠状面影像;
确定每一帧冠状面影像中起始点和终止点的Z坐标;
确定多帧冠状面影像中Z坐标最小的起始点的Z坐标zs;
确定多帧冠状面影像中Z坐标最大的终止点的Z坐标ze;
确定位于Z=zs和Z=ze之间的影像为所述医学影像。
3.如权利要求1所述的方法,其特征在于,基于每一帧横断面影像中所述第一区域的位置、面积从所述第一区域中筛选出第二区域,包括:从所述第一区域中筛选出位于肺内且所述第一区域的面积大于或等于第一阈值的区域为所述第二区域。
4.如权利要求1~3任一项所述的方法,其特征在于,在连续预定帧数的横断面影像中均存在第三区域且第三区域面积之和大于或等于第二阈值时,确定预定帧数的横断面影像中的第三区域为气胸,包括:
在连续预定帧数的横断面影像的左肺或右肺中均存在第三区域,且左肺或右肺中的第三区域面积之和大于或等于第二阈值时,确定预定帧数的横断面影像的左肺或右肺中的第三区域为气胸。
5.一种确定气胸的装置,其特征在于,包括:
获取单元,用于获取医学影像,所述医学影像包括多帧横断面影像;
分割单元,用于分割每一帧横断面影像中的气胸以获得第一区域;
筛选单元,用于基于每一帧横断面影像中所述第一区域的位置、面积从所述第一区域中筛选出第二区域;
第一确定单元,用于确定多帧横断面影像中的囊状影;
去除单元,用于去除所述第二区域中的囊状影以获得第三区域;
第二确定单元,用于在连续预定帧数的横断面影像中均存在第三区域且第三区域面积之和大于或等于第二阈值时,确定预定帧数的横断面影像中的第三区域为气胸;
其中:
所述第一确定单元通过如下方式确定多帧横断面影像中的囊状影:
分割多帧横断面影像中的囊状影以获得第四区域;
基于所述第四区域中的定位点从所述医学影像中获取感兴趣区域,所述感兴趣区域包括囊状影,所述定位点关联于所述第四区域的中心或者重心;
通过分类模型对所述感兴趣区域进行分类以获得所述感兴趣区域为囊状影的置信度;
基于所述感兴趣区域为囊状影的置信度确定横断面影像中的囊状影;
所述第一确定单元通过如下方式通过分类模型对所述感兴趣区域进行分类以获得所述感兴趣区域为囊状影的置信度:
将所述感兴趣区域及与其关联的关注区域输入所述分类模型以输出所述感兴趣区域为囊状影的置信度;
所述关注区域与所述感兴趣区域大小相同,且包括以与其关联的感兴趣区域所对应的第四区域中的定位点为中心,向周围扩展预定距离的几何体。
6.一种计算机设备,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1~4任一项所述的方法。
7.一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1~4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011634613.2A CN112712508B (zh) | 2020-12-31 | 2020-12-31 | 一种确定气胸的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011634613.2A CN112712508B (zh) | 2020-12-31 | 2020-12-31 | 一种确定气胸的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112712508A CN112712508A (zh) | 2021-04-27 |
CN112712508B true CN112712508B (zh) | 2024-05-14 |
Family
ID=75547865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011634613.2A Active CN112712508B (zh) | 2020-12-31 | 2020-12-31 | 一种确定气胸的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712508B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10055564A1 (de) * | 2000-11-09 | 2002-06-06 | Siemens Ag | Vorrichtung zur automatischen Erkennung des Pneumothorax |
CN102240212A (zh) * | 2010-05-14 | 2011-11-16 | Ge医疗***环球技术有限公司 | 测量气胸的方法和装置 |
WO2015048767A1 (en) * | 2013-09-30 | 2015-04-02 | Grisell Ronald | Automatic focused assessment with sonography for trauma exams |
CN110782446A (zh) * | 2019-10-25 | 2020-02-11 | 杭州依图医疗技术有限公司 | 一种确定肺结节体积的方法及装置 |
CN110895815A (zh) * | 2019-12-02 | 2020-03-20 | 西南科技大学 | 一种基于深度学习的胸部x线气胸分割方法 |
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 |
WO2020164493A1 (zh) * | 2019-02-14 | 2020-08-20 | 腾讯科技(深圳)有限公司 | 一种医学图像区域过滤方法、装置及存储介质 |
CN111950544A (zh) * | 2020-06-30 | 2020-11-17 | 杭州依图医疗技术有限公司 | 一种确定病理图像中感兴趣区域的方法及装置 |
CN112150406A (zh) * | 2019-06-28 | 2020-12-29 | 复旦大学 | 一种基于ct影像的气胸致肺萎陷程度精确计算方法 |
-
2020
- 2020-12-31 CN CN202011634613.2A patent/CN112712508B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10055564A1 (de) * | 2000-11-09 | 2002-06-06 | Siemens Ag | Vorrichtung zur automatischen Erkennung des Pneumothorax |
CN102240212A (zh) * | 2010-05-14 | 2011-11-16 | Ge医疗***环球技术有限公司 | 测量气胸的方法和装置 |
WO2015048767A1 (en) * | 2013-09-30 | 2015-04-02 | Grisell Ronald | Automatic focused assessment with sonography for trauma exams |
WO2020164493A1 (zh) * | 2019-02-14 | 2020-08-20 | 腾讯科技(深圳)有限公司 | 一种医学图像区域过滤方法、装置及存储介质 |
CN112150406A (zh) * | 2019-06-28 | 2020-12-29 | 复旦大学 | 一种基于ct影像的气胸致肺萎陷程度精确计算方法 |
CN110782446A (zh) * | 2019-10-25 | 2020-02-11 | 杭州依图医疗技术有限公司 | 一种确定肺结节体积的方法及装置 |
CN110895815A (zh) * | 2019-12-02 | 2020-03-20 | 西南科技大学 | 一种基于深度学习的胸部x线气胸分割方法 |
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 |
CN111950544A (zh) * | 2020-06-30 | 2020-11-17 | 杭州依图医疗技术有限公司 | 一种确定病理图像中感兴趣区域的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112712508A (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685060B (zh) | 图像处理方法和装置 | |
US20180116620A1 (en) | Deep Learning Based Bone Removal in Computed Tomography Angiography | |
CN106340021B (zh) | 血管提取方法 | |
CN106372629A (zh) | 一种活体检测方法和装置 | |
US9888896B2 (en) | Determining a three-dimensional model dataset of a blood vessel system with at least one vessel segment | |
CN111507965A (zh) | 新型冠状病毒肺炎病灶检测方法、***、装置和存储介质 | |
CN110992377A (zh) | 图像分割方法、装置、计算机可读存储介质和设备 | |
CN115136189A (zh) | 基于图像处理的肿瘤的自动化检测 | |
CN110992310A (zh) | 一种确定纵隔***所在分区的方法及装置 | |
CN112508858A (zh) | 一种医学影像处理方法及装置、计算机设备 | |
CN112712508B (zh) | 一种确定气胸的方法及装置 | |
CN112712507B (zh) | 一种确定冠状动脉的钙化区域的方法及装置 | |
CN116258671B (zh) | 一种基于mr图像智能勾画方法、***、设备及存储介质 | |
CN112308820B (zh) | 一种肋骨定位方法及装置、计算机设备及存储介质 | |
CN114092470B (zh) | 一种基于深度学习的肺裂自动检测方法及装置 | |
CN112184664B (zh) | 一种椎骨检测方法及计算机设备 | |
CN115330732A (zh) | 一种确定胰腺癌的方法及装置 | |
CN110533637B (zh) | 一种检测对象的方法及装置 | |
CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
CN111462067B (zh) | 图像分割方法及装置 | |
CN112869758A (zh) | 一种确定胸腔积液的方法及装置 | |
Hentschke et al. | Detection of cerebral aneurysms in MRA, CTA and 3D-RA data sets | |
CN112308821B (zh) | 一种椎骨检测方法及计算机设备 | |
CN113222886B (zh) | 颈静脉球窝、乙状窦沟定位方法和智能颞骨影像处理*** |
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 |