CN112869758A - 一种确定胸腔积液的方法及装置 - Google Patents
一种确定胸腔积液的方法及装置 Download PDFInfo
- Publication number
- CN112869758A CN112869758A CN202011634985.5A CN202011634985A CN112869758A CN 112869758 A CN112869758 A CN 112869758A CN 202011634985 A CN202011634985 A CN 202011634985A CN 112869758 A CN112869758 A CN 112869758A
- Authority
- CN
- China
- Prior art keywords
- point
- frame
- cross
- area
- region
- 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
- 208000002151 Pleural effusion Diseases 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 239000004576 sand Substances 0.000 claims description 8
- 210000004072 lung Anatomy 0.000 description 29
- 238000005070 sampling Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000000605 extraction Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 210000000038 chest Anatomy 0.000 description 6
- 210000001562 sternum Anatomy 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000005284 excitation Effects 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000000481 breast Anatomy 0.000 description 2
- 210000000115 thoracic cavity Anatomy 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model 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
- 230000008569 process Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Optics & Photonics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physiology (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种确定胸腔积液的方法及装置,所述方法包括:获取多帧横断面影像。分割每一帧横断面影像中的胸腔积液以获得第一区域。基于每一帧横断面影像中所述第一区域的位置、面积以及第二点与第一区域边界上的第一点之间的位置关系,从所述第一区域中筛选出第二区域,其中,第二点为Y轴负向坐标最大的肋骨点,第一点为Y轴负向坐标最大的第一区域边界上的点。在连续预定帧数的横断面影像中均存在第二区域时,确定预定帧数的横断面影像中的第二区域为胸腔积液。本发明方案提高了在胸部影像中确定胸腔积液的速度和准确度。
Description
技术领域
本发明涉及医疗技术领域,特别涉及一种确定胸腔积液的方法及装置、计算机设备及计算机可读存储介质。
背景技术
胸膜腔内出现的过多液体称之为胸腔积液,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胸腔积液。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胸腔积液。然而采用人工方式确定受检者的肺部是否有胸腔积液,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胸腔积液,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胸腔积液的方法及装置、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胸腔积液时,效率和准确率较低的技术问题。
本发明提供一种确定胸腔积液检的方法,包括:
获取多帧横断面影像;
分割每一帧横断面影像中的胸腔积液以获得第一区域;
基于每一帧横断面影像中所述第一区域的位置、面积以及第二点与第一区域边界上的第一点之间的位置关系,从所述第一区域中筛选出第二区域,其中,第二点为Y轴负向坐标最大的肋骨点,第一点为Y轴负向坐标最大的第一区域边界上的点;
在连续预定帧数的横断面影像中均存在第二区域时,确定预定帧数的横断面影像中的第二区域为胸腔积液。
可选的,所述获取多帧横断面影像包括:
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之间的影像为多帧横断面影像。
可选的,所述获取多帧横断面影像包括:
获取中间帧及与所述中间帧相邻的预设帧数的冠状面影像;
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;
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Z坐标最小的起始点的Z坐标zs;
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之间的影像为多帧横断面影像。
可选的,基于每一帧横断面影像中所述第一区域的位置、面积以及第二点与第一区域边界上的第一点之间的位置关系从所述第一区域中筛选出第二区域,包括:
在所述第一区域位于肋骨轮廓之内的第一侧且所述第一区域的面积大于或等于第一阈值时,
若位于所述第一区域边界上的第一点的Y坐标与第二点的Y坐标之差小于或等于第二阈值,则确定该第一区域为第二区域,其中,所述第二点为位于第一侧的Y轴负方向坐标最大的肋骨点。
可选的,基于每一帧横断面影像中所述第一区域的位置、面积以及第二点与第一区域边界上的第一点之间的位置关系从所述第一区域中筛选出第二区域,包括:
在所述第一区域位于肋骨轮廓之内的第二侧且所述第一区域的面积大于或等于第一阈值时,
若位于所述第一区域边界上的第一点的Y坐标与第二点的Y坐标之差小于或等于第二阈值,则确定该第一区域为第二区域,其中,所述第二点为位于第二侧的Y轴负方向坐标最大的肋骨点。
可选的,所述第一阈值为[500,800]中的任意一个值。
可选的,分割每一帧横断面影像中的胸腔积液以获得第一区域包括:
获取以待分割横断面影像所在帧为中间帧,位于其前和其后的至少一帧横断面影像;
将中间帧及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胸腔积液分割模型,以在待分割横断面影像中分割出第一区域。
本发明还提供一种确定胸腔积的装置,包括:
获取单元,用于获取多帧横断面影像;
分割单元,用于分割每一帧横断面影像中的胸腔积液以获得第一区域;
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、面积以及第二点与第一区域边界上的第一点之间的位置关系,从所述第一区域中筛选出第二区域,其中,第二点为Y轴负向坐标最大的肋骨点,第一点为Y轴负向坐标最大的第一区域边界上的点;
确定单元,用于在连续预定帧数的横断面影像中均存在第二区域时,确定预定帧数的横断面影像中的第二区域为胸腔积液。
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胸腔积液的方法。
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胸腔积液的方法。
与现有技术相比,本发明的技术方案具有如下有益效果:
通过获取多帧横断面影像,并分割每一帧横断面影像中的胸腔积液以获得第一区域。进而基于每一帧横断面影像中所述第一区域的位置、面积以及第二点与第一区域边界上的第一点之间的位置关系,从所述第一区域中筛选出第二区域,其中,第二点为Y轴负向坐标最大的肋骨点,第一点为Y轴负向坐标最大的第一区域边界上的点。最后,在连续预定帧数的横断面影像中均存在第二区域时,确定预定帧数的横断面影像中的第二区域为胸腔积液。由于在确定肺部影像中的胸腔积液时,并未直接将分割横断面影像中的胸腔积液而获得第一区域作为胸腔积液,而是在分割获得的第一区域中,根据第一区域的位置、面积以及第一区域边界上的点与肋骨点之间的关系,从多个第一区域中筛选出了第二区域,再通过判断连续的多帧横断面影像中是否均存在第二区域来确定横断面影像中的第二区域是否为胸腔积液。因此,在很大程度上提高了最终确定的胸腔积液的准确度。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胸腔积液,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胸腔积液的速度和准确度,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胸腔积液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胸腔积液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胸腔积液,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胸腔积液的方法的流程示意图。如图2所示,本实施例的确定胸腔积液的方法包括:
S11:获取多帧横断面影像。
S12:分割每一帧横断面影像中的胸腔积液以获得第一区域。
S13:基于每一帧横断面影像中所述第一区域的位置、面积以及第二点与第一区域边界上的第一点之间的位置关系,从所述第一区域中筛选出第二区域,其中,第二点为Y轴负向坐标最大的肋骨点,第一点为Y轴负向坐标最大的第一区域边界上的点。
S14:在连续预定帧数的横断面影像中均存在第二区域时,确定预定帧数的横断面影像中的第二区域为胸腔积液。
执行S11,本实施例中,为了确定肺部区域是否有胸腔积液,因此需要先获取包括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之间的影像为多帧横断面影像。
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轴上的位置,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轴上的位置,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轴上的位置。
通过S11获取多帧横断面影像后,执行S12,分割每一帧横断面影像中的胸腔积液以获得第一区域。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胸前积液,也可以通过胸腔积液分割模型来对横断面影像中的胸腔积液进行分割,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胸腔积液进行分割,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,胸腔积液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胸腔积液的置信度。
本实施例中,在采用胸腔积液分割模型分割横断面影像中的胸腔积液时,为了提高分割胸腔积液的准确度,在通过胸腔积液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胸腔积液分割模型,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胸腔积液分割模型。同样地,训练初始胸腔积液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胸腔积液的至少三帧横断面影像作为训练样本训练初始胸腔积液分割模型以获得胸腔积液分割模型。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胸腔积液分割模型以分割出中间帧横断面影像中的胸腔积液。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胸腔积液分割模型以分割出第8帧横断面影像中的胸腔积液。本实施例中,采用将影像层输入至胸腔积液分割模型的方式,使得分割出的中间帧横断面影像中的胸腔积液的信息结合了其前一帧和后一帧的胸腔积液信息,进而可以提高对每一帧横断面影像中胸腔积液分割的准确度。
执行S13,为了提高对胸腔积液识别的准确度,本实施例中,并不是将对横断面影像中的胸腔积液进行分割后获得的第一区域确定为胸腔积液,而是对分割获得的第一区域进行筛选以获得第二区域,进而再判断第二区域是否为胸腔积液。本实施例中可以根据第一区域的位置和面积,以及第一区域边界上的第一点和肋骨轮廓上的肋骨点之间的位置关系来从多个第一区域中筛选出第二区域。本领域技术人员知晓,通常在判断肺部有无胸腔积液时,会分别判断左肺是否有胸腔积液,右肺是否有胸腔积液,因此,本实施例中,可以先确定第一区域是否位于肋骨轮廓之内,在确定第一区域位于肋骨轮廓之内后再判断第一区域是否位于肋骨轮廓之内的第一侧,如左侧,是否位于肋骨轮廓之内的第二侧,如右侧。
本实施例中,肋骨轮廓可以由多个肋骨点(肋骨上的点或者肋骨附近的点)组成,判断第一区域是否位于肋骨轮廓之内,则可以通过判断第一区域边界上的点与肋骨点之间的位置关系获得。而第一区域边界上的点的坐标是已知的,肋骨点的坐标则可以通过关键点检测模型知晓。
本实施例中,关键点检测模型可以为2D回归网络,其结构与获取冠状面影像中起始点和终止点的Z坐标的2D回归网络的结构相类似,此处不再赘述。不同的是关键点检测模型输入的是横断面影像,输出的是肋骨点的坐标。在确定第一区域位于肋骨轮廓之内后,继续判断第一区域位于肋骨轮廓之内的哪一侧。如是位于肋骨轮廓之内的第一侧还是第二侧,本实施例中,第一侧可以为左侧,第二侧可以为右侧。因此,在从分割得到的多个第一区域中筛选第二区域时,也可以分别对位于肋骨轮廓之内的第一侧的第一区域进行筛选,对位于肋骨轮廓之内的第二侧的第一区域进行筛选以获得第二区域。
而判断第一区域是位于肋骨轮廓之内的第一侧还是第二侧则可以通过判断第一区域的中心(坐标已知)与胸骨椎骨连线(方程已知)的位置来确定,若第一区域的中心位于胸骨椎骨连线的第一侧(左侧),则所述第一区域位于肋骨轮廓之内的第一侧(左侧),若第一区域的中心位于胸骨椎骨连线的第二侧(右侧),则所述第一区域位于肋骨轮廓之内的第二侧(右侧)。
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。
在确定了第一区域位于肋骨轮廓之内的第一侧后,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600,则第一区域的面积可以是600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来确定,如所述第一阈值可以为[500,800]中的任意一个值。
在确定了所述第一区域位于肋骨轮廓之内的第一侧且所述第一区域的面积大于或等于第一阈值后,继续判断第一区域边界上的点和肋骨点之间的位置关系,具体地:
若位于所述第一区域边界上的第一点的Y坐标与第二点的Y坐标之差小于或等于第二阈值,则确定该第一区域为第二区域,其中,所述第二点为位于第一侧的Y轴负方向坐标最大的肋骨点。参见图4,图4是本发明实施例的横断面影像的示意图,图4中示意出的黑色的点为肋骨点(可以是肋骨上的点也可以是肋骨附近的点),且图4中示意出了位于左肺的第一区域边界上的第一点L1,其为第一区域边界上Y轴负方向坐标最大的点,第二点L2为左侧肋骨点中Y轴负方向坐标最大的点,若第一点L1的Y坐标(像素坐标)和第二点L2的Y坐标(像素坐标)之差小于或等于第二阈值,本实施例中第二阈值可以为[15,30]之间的任意一个值,如所述第二阈值可以为15,即若第一点L1的Y坐标(像素坐标)和第二点L2的Y坐标之差小于或等于15,则可以确定该第一区域为第二区域,图4中所示的第一区域满足位于肋骨轮廓内侧,面积大于或等于第一阈值,且其边界上的第一点L1的Y坐标和第二点L2的Y坐标之差小于或等于第二阈值,因此图4中所示的第一区域即为通过筛选获得的第二区域。
同样地,对于位于肋骨轮廓之内的第二侧且面积大于或等于第一阈值的第一区域而言,继续判断第一区域边界上的点和肋骨点之间的位置关系,具体地:
若位于所述第一区域边界上的第一点的Y坐标与第二点的Y坐标之差小于或等于第二阈值,则确定该第一区域为第二区域,其中,所述第二点为位于第二侧的Y轴负方向坐标最大的肋骨点。继续参见图4,图4中示意出了位于右肺的第一区域边界上的第一点R1,其为第一区域边界上Y轴负方向坐标最大的点,第二点R2为右侧肋骨点中Y轴负方向坐标最大的点,若第一点R1的Y坐标(像素坐标)和第二点R2的Y坐标(像素坐标)之差小于或等于第二阈值,本实施例中第二阈值可以为[15,30]之间的任意一个值,如所述第二阈值可以为15,即若第一点R1的Y坐标和第二点R2的Y坐标之差小于或等于15,则可以确定该第一区域为第二区域,同样地,图4中所示的右肺内的第一区域即为通过筛选获得的第二区域。
至此,通过上述的方式从多个第一区域中筛选出了第二区域,接下来,执行S14,在连续预定帧数的横断面影像中均存在第二区域时,确定预定帧数的横断面影像中的第二区域为胸腔积液。本实施例中,预定帧数可以取[3,6]之间的任意一个值,如预定帧数可以为5帧,当连续5帧的横断面影像中均存在第二区域时,则确定这5帧横断面影像中的第二区域均为胸腔积液。
本实施例中,先从横断面影像中分割胸腔积液以获得第一区域,然后基于第一区域的位置、面积以及第一区域边界上的第一点与肋骨点之间的位置关系,对获得的多个第一区域进行筛选以获得第二区域,最后在连续预定帧数的横断面影像中均存在第二区域时,确定该连续预定帧数的横断面影像中的第二区域为胸腔积液。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胸腔积液的准确度。另外,由于无需再通过人工的方式确定肺部影像中是否有胸腔积液,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胸腔积液的装置,包括:
获取单元,用于获取多帧横断面影像。
分割单元,用于分割每一帧横断面影像中的胸腔积液以获得第一区域。
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、面积以及第二点与第一区域边界上的第一点之间的位置关系,从所述第一区域中筛选出第二区域,其中,第二点为Y轴负向坐标最大的肋骨点,第一点为Y轴负向坐标最大的第一区域边界上的点。
确定单元,用于在连续预定帧数的横断面影像中均存在第二区域时,确定预定帧数的横断面影像中的第二区域为胸腔积液。
本实施例的装置的实施可以参见上述的确定胸腔积液的方法的实施,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胸腔积液的方法。
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胸腔积液的方法。
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 (10)
1.一种确定胸腔积液的方法,其特征在于,包括:
获取多帧横断面影像;
分割每一帧横断面影像中的胸腔积液以获得第一区域;
基于每一帧横断面影像中所述第一区域的位置、面积以及第二点与第一区域边界上的第一点之间的位置关系,从所述第一区域中筛选出第二区域,其中,第二点为Y轴负向坐标最大的肋骨点,第一点为Y轴负向坐标最大的第一区域边界上的点;
在连续预定帧数的横断面影像中均存在第二区域时,确定预定帧数的横断面影像中的第二区域为胸腔积液。
2.如权利要求1所述的方法,其特征在于,所述获取多帧横断面影像包括:
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之间的影像为多帧横断面影像。
3.如权利要求1所述的方法,其特征在于,所述获取多帧横断面影像包括:
获取中间帧及与所述中间帧相邻的预设帧数的冠状面影像;
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;
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Z坐标最小的起始点的Z坐标zs;
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之间的影像为多帧横断面影像。
4.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、面积以及第二点与第一区域边界上的第一点之间的位置关系从所述第一区域中筛选出第二区域,包括:
在所述第一区域位于肋骨轮廓之内的第一侧且所述第一区域的面积大于或等于第一阈值时,
若位于所述第一区域边界上的第一点的Y坐标与第二点的Y坐标之差小于或等于第二阈值,则确定该第一区域为第二区域,其中,所述第二点为位于第一侧的Y轴负方向坐标最大的肋骨点。
5.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、面积以及第二点与第一区域边界上的第一点之间的位置关系从所述第一区域中筛选出第二区域,包括:
在所述第一区域位于肋骨轮廓之内的第二侧且所述第一区域的面积大于或等于第一阈值时,
若位于所述第一区域边界上的第一点的Y坐标与第二点的Y坐标之差小于或等于第二阈值,则确定该第一区域为第二区域,其中,所述第二点为位于第二侧的Y轴负方向坐标最大的肋骨点。
6.如权利要求4或5所述的方法,其特征在于,所述第一阈值为[500,800]中的任意一个值。
7.如权利要求1所述的方法,其特征在于,分割每一帧横断面影像中的胸腔积液以获得第一区域包括:
获取以待分割横断面影像所在帧为中间帧,位于其前和其后的至少一帧横断面影像;
将中间帧及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胸腔积液分割模型,以在待分割横断面影像中分割出第一区域。
8.一种确定胸腔积液的装置,其特征在于,包括:
获取单元,用于获取多帧横断面影像;
分割单元,用于分割每一帧横断面影像中的胸腔积液以获得第一区域;
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、面积以及第二点与第一区域边界上的第一点之间的位置关系,从所述第一区域中筛选出第二区域,其中,第二点为Y轴负向坐标最大的肋骨点,第一点为Y轴负向坐标最大的第一区域边界上的点;
确定单元,用于在连续预定帧数的横断面影像中均存在第二区域时,确定预定帧数的横断面影像中的第二区域为胸腔积液。
9.一种计算机设备,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1~7任一项所述的的方法。
10.一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1~7任一项所述的的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011634985.5A CN112869758A (zh) | 2020-12-31 | 2020-12-31 | 一种确定胸腔积液的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011634985.5A CN112869758A (zh) | 2020-12-31 | 2020-12-31 | 一种确定胸腔积液的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112869758A true CN112869758A (zh) | 2021-06-01 |
Family
ID=76046587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011634985.5A Pending CN112869758A (zh) | 2020-12-31 | 2020-12-31 | 一种确定胸腔积液的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112869758A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978860A (zh) * | 2019-03-27 | 2019-07-05 | 北京青燕祥云科技有限公司 | 胸水判别方法、装置和计算机设备 |
CN110400299A (zh) * | 2019-07-23 | 2019-11-01 | 杭州依图医疗技术有限公司 | 一种肺部胸腔积液检出的方法及装置 |
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 |
CN111861984A (zh) * | 2020-06-08 | 2020-10-30 | 上海依智医疗技术有限公司 | 一种确定肺部区域的方法及装置、计算机设备及存储介质 |
-
2020
- 2020-12-31 CN CN202011634985.5A patent/CN112869758A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978860A (zh) * | 2019-03-27 | 2019-07-05 | 北京青燕祥云科技有限公司 | 胸水判别方法、装置和计算机设备 |
CN110400299A (zh) * | 2019-07-23 | 2019-11-01 | 杭州依图医疗技术有限公司 | 一种肺部胸腔积液检出的方法及装置 |
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 |
CN111861984A (zh) * | 2020-06-08 | 2020-10-30 | 上海依智医疗技术有限公司 | 一种确定肺部区域的方法及装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
于学林等: "《现代急诊影像诊断手册》", 30 April 2018 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8233684B2 (en) | Systems and methods for automated diagnosis | |
KR101967357B1 (ko) | 이미징 데이터 내에서 잠재적인 이형을 분리하기 위한 방법 및 장치 그리고 의료 영상에의 응용 | |
EP2375379A2 (en) | Medical image processing apparatus and method, and computer readable recording medium on which is recorded program for the same | |
EP2059165B1 (en) | Detection and localization of vascular occlusion from angiography data | |
CN110533656B (zh) | 一种确定纵隔***所在分区的方法及装置 | |
CN110782446B (zh) | 一种确定肺结节体积的方法及装置 | |
CN113077479A (zh) | 急性缺血性脑卒中病灶自动分割方法、***、终端及介质 | |
CN110189307B (zh) | 一种基于多模型融合的肺结节检测方法及*** | |
CN110400299A (zh) | 一种肺部胸腔积液检出的方法及装置 | |
CA2719885C (en) | Method and device for segmenting medical image data | |
CN112381805B (zh) | 一种医学影像处理方法 | |
CN102573640B (zh) | 医用图像处理装置及医用图像处理方法 | |
CN112508858B (zh) | 一种医学影像处理方法及装置、计算机设备 | |
CN111429457B (zh) | 图像局部区域亮度智能评价方法、装置、设备及介质 | |
CN111967462A (zh) | 一种获取感兴趣区域的方法及装置 | |
CN112712507B (zh) | 一种确定冠状动脉的钙化区域的方法及装置 | |
US9536314B2 (en) | Image reconstruction | |
CN116258671B (zh) | 一种基于mr图像智能勾画方法、***、设备及存储介质 | |
CN115631194B (zh) | 颅内动脉瘤识别检测的方法、装置、设备及介质 | |
CN115330732A (zh) | 一种确定胰腺癌的方法及装置 | |
CN112869758A (zh) | 一种确定胸腔积液的方法及装置 | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
CN110533637B (zh) | 一种检测对象的方法及装置 | |
CN112308820B (zh) | 一种肋骨定位方法及装置、计算机设备及存储介质 | |
CN112712508B (zh) | 一种确定气胸的方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210601 |