CN113256614B - 一种医学影像处理*** - Google Patents
一种医学影像处理*** Download PDFInfo
- Publication number
- CN113256614B CN113256614B CN202110688500.9A CN202110688500A CN113256614B CN 113256614 B CN113256614 B CN 113256614B CN 202110688500 A CN202110688500 A CN 202110688500A CN 113256614 B CN113256614 B CN 113256614B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- medical image
- analysis result
- analyzed
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
本发明涉及一种医学影像处理***,包括图片获取模块,用于获取待处理的医学影像图像;图片预处理模块,用于从所述待处理医学影像图像中提取待分析区域图像,并将所述待分析区域图像分别发送至第一分析模块和第二分析模块;第一分析模块,用于将所述待分析区域图像进行医学影像分析,得到第一分析结果,并将所述第一分析结果发给至判定模块;第二分析模块,用于将所述待分析区域图像输入预先设置好的影像分类器中,得到第二分析结果,并将所述第二分析结果发给至判定模块;判定模块,用于基于所述第一分析结果和第二分析结果,生成最终分析结果。本发明能够对医学影像做出准确地分析和判断。
Description
技术领域
本发明涉及影像处理技术领域,尤其涉及一种医学影像处理***。
背景技术
随着医学成像技术和计算机技术的不断发展和进步,医学影像分析已成为医学研究、临床疾病诊断和治疗中一个不可或缺的工具和技术手段,其中,通过对医学影像图片进行处理,并得到相应的处理结果,可以为后续治疗提供参考。人工智能特别是深度学习作为大数据处理的有效手段,近年来在医疗影像研究中得到了非常广泛的应用。
但是,对于一些影像学表现上仍存在一定的相似性的疾病共有的图像特征,例如2020年开始的全球大流行病新冠肺炎,与其他病毒性肺炎及机化性肺炎、嗜酸性肺炎等在影像学表现上仍存在一定的相似性,具有一些相同的图像特征,现有医学影像处理技术无法做出准确地分析判断,效率低且可靠性差。
发明内容
本发明目的在于,提供一种医学影像处理***,能够对医学影像做出准确地分析和判断。
一种医学影像处理***,包括:
图片获取模块,用于获取待处理的医学影像图像;
图片预处理模块,用于从所述待处理医学影像图像中提取待分析区域图像,并将所述待分析区域图像分别发送至第一分析模块和第二分析模块;
第一分析模块,用于将所述待分析区域图像进行医学影像分析,得到第一分析结果,并将所述第一分析结果发给至判定模块;
第二分析模块,用于将所述待分析区域图像输入预先设置好的影像分类器中,得到第二分析结果,并将所述第二分析结果发给至判定模块;
判定模块,用于基于所述第一分析结果和第二分析结果,生成最终分析结果。
本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案,本发明提供的一种医学影像处理***可达到相当的技术进步性及实用性,并具有产业上的广泛利用价值,其至少具有下列优点:
本发明能够对医学影像做出准确地分析和判断。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
图1为本发明实施例提供的医学影像处理***示意图。
【符号说明】
1:图片获取模块 2:图片预处理模块
3:第一分析模块 4:第二分析模块
5:判定模块。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种医学影像处理***的具体实施方式及其功效,详细说明如后。
本发明实施例提供了一种医学影像处理***,如图1所示,包括图片获取模块1、图片预处理模块2、第一分析模块3、第二分析模块4和判定模块5,其中,图片获取模块1用于获取待处理的医学影像图像,所述医学影像图像可为人体组织的CT图像、人体组织的核磁图像等等,例如肺部CT图像,脑部核磁图像,在此不做限定。图片预处理模块2用于从所述待处理医学影像图像中提取待分析区域图像,并将所述待分析区域图像分别发送至第一分析模块3和第二分析模块4。第一分析模块3用于将所述待分析区域图像进行医学影像分析,得到第一分析结果,并将所述第一分析结果发给至判定模块5。第二分析模块4用于将所述待分析区域图像输入预先设置好的影像分类器中,得到第二分析结果,并将所述第二分析结果发给至判定模块5。判定模块5用于基于所述第一分析结果和第二分析结果,生成最终分析结果。
作为一种示例,所述图片获取模块1包括第一图像获取单元、第二图像获取单元和第三图像获取单元,其中,第一图像获取单元用于将医学影像图像原始数据进行代码转换处理得到所述待处理的医学影像图像。第二图像获取单元用于采用工具导出或拍照的方式从医学数字成像和通信 (Digital Imaging and Communications in Medicine,简称DICOM)数据中获取所述待处理的医学影像图像。第三图像获取单元用于通过分帧截取或拍照的方式从视频数据中获取所述待处理的医学影像图像。通过设置第一图像获取单元、第二图像获取单元和第三图像获取单元,可以进行多源数据的处理,支持多类型数据的输入。高质量的DICOM数据可以保留亨氏单位(hounsfield unit ,简称HU)等CT数据的原始信息,可反映的细节非常丰富,但数据存储体量较大,难以实现数据的传输与解析。视频数据记录整个CT从顶到底的变化过程,也基本反映了医生CT翻阅诊断的操作过程,但诊断过程多聚焦于特定的特征帧进行分析。图片获取模块1通过将这两类数据转换为图片形式,既能实现相关数据的传输与解析,又能保证尽可能地充分地获取到特征丰富的待处理的医学影像图像,从而提高处理的结果的可靠性。
为了进一步提高医学影像处理的效率和可靠性,所述图片获取模块1还包括图像筛选单元,用于根据预设的过滤规则,将所述图片获取模块1获取的所述待处理的医学影像图像进行过滤,所述过滤规则包括,将所述待分析区域图像占比低于预设的占比阈值的所述待处理的医学影像图像过滤掉、将所述待分析区域图像的方位不满足预设目标方位的所述待处理的医学影像图像过滤掉、将所述待分析区域图像的曝光度不在预设曝光度范围内的所述待处理的医学影像图像过滤掉以及将所述待分析区域图像的像素低于预设像素阈值的所述待处理的医学影像图像过滤掉。
为了避免泄露用户的身份信息等敏感信息,提高处理过程中的安全性,所述图片获取模块1还包括:脱敏单元用于检测所述待处理的医学影像图像中是否存在预设的敏感信息,若存在,则去除所述敏感信息。
作为一种示例,所述图片预处理模块2包括图像获取单元和图像预处理单元,其中,图像获取单元用于获取所述待处理医学影像图像的灰度图;图像预处理单元用于将所述灰度图依次进行图像二值化、填充背景、以及保留预设的目标组织处理,再从中获取包围所述目标组织的矩形区域,然后再从中裁剪出最小的包含所述目标组织的矩形区域图像,再与所述灰度图像叠加,从而得到所述待分析区域图像,即矩形感兴趣区域(region ofinterest,简称ROI),通过显式提取算法,可以增加影像学分析的可解释性。
图像预处理单元用于设定分割阈值M,对于所述灰度图中每一个像素颜色值c,c的范围0-255,若c<M,则令c=0,显示为黑色;否则,令c=255,显示为白色;对所述灰度图的灰度值,以所述分割阈值M为等值线间隔,求取等值线区域,并保留其中闭合面积最大的2个等值线区域A和B;分别获取A和B的最小外接矩形,记作RA和RB,以肺部CT图像为例,A和B 区域对应肺部两个区域的图像。基于RA和RB确定目标外接矩形为R,所述R的左上角坐标需满足(min(xl(RA),xl(RB)),min(yu(RA),yu(RB))),右下角坐标需满足(max(xr(RA),xr(RB)),max(yb(RA),yb(RB))),其中xl(RA)、xr(RA)、yu(RA)、yb(RA)分别表示RA的左边界坐标x值、右边界x值、上边界y值、下边界y值,xl(RB)、xr(RB)、yu(RB)、yb(RB)分别表示RB的左边界坐标x值、右边界x值、上边界y值、下边界y值;以所述R为外框,对所述灰度图进行裁剪,获得所述待分析区域图像,即矩形感兴趣区域(region of interest,简称ROI),通过显式提取算法,可以增加影像学分析的准确性。
作为一种示例,所述***还包括阈值确定模块,用于对所述灰度图中所有的像素进行频率直方图统计,所述频率直方图的区间宽度w取值为3-5,例如,可取值为4。在所述频率直方图中,以灰度颜色值最小值Vmin和最大值Vmax选择上下边界,例如,Vmin取80,Vmax取200,将频数最小的区间确定为所述分割阈值M所在区间,所述分割阈值M=int[0.5*(Vl+Vr)],其中,Vl和Vr分别为频数最小区间的左边界值和右边界值。
现有技术中常采用最大类间方差法(OTSU)来确定分割阈值,但比较适合图像像素统计直方图中只有两个峰的情况。而在本发明实施例的CT灰度图中,经常出现多峰的情况,在这种情况下,该方法就效果较差。本发明实施例基于边界值限定的分割阈值,通过设定阈值区间,使得区间内只出现双峰,并通过频数统计,获取分割阈值,保证了分割阈值的合理性和唯一性,大幅提升了图像分割的准确性。通过大规模图像概率统计,本发明实施例确定80、200作为左右边界,可符合绝大多数CT图像分割要求。以目标疾病的特征为新冠肺炎特征为例,目标组织为肺部,图像获取单元用于获取所述肺部CT的灰度图;图像预处理单元用于将肺部CT的灰度图进行图像二值化、填充白色背景、颜色反转处理、保留预设的面积最大的两个区域,即肺部区域,再从中获取包围所述目标组织的矩形区域,然后再从中裁剪出最小的包含肺部组织的矩形区域图像,再与肺部CT的灰度图叠加,从而得到所述待分析区域图像,即矩形感兴趣区域(region of interest,简称ROI)。
作为一种示例,所述第一分析模块3包括图像外延单元、第一靶区提取单元、第二靶区提取单元、图像叠加单元和图像分析单元,其中,图像外延单元用于根据预设的外延系数,将所述待分析区域图像进行外延处理,得到待分析图像。第一靶区提取单元用于基于预设的第一目标特征从所述待分析图像中提取第一目标靶区图像,所述第一目标特征为预设的目标疾病与同类疾病在医学影像图像上共有的图像特征。第二靶区提取单元用于基于预设的第二目标特征从所述待分析图像提取第二目标靶区图像,所述第二目标特征为所述目标疾病在医学影像图像上独有的图像特征。图像叠加单元用于将所述第一目标靶区图像和第二目标靶区图像进行叠加,得到目标图像。图像分析单元用于判断所述目标图像中是否包含第二目标特征,若包含,则第一分析结果输出为1,否则第一分析结果输出为0。以目标疾病特征为新冠肺炎特征为例,新冠肺炎影像独有的图像特征包括磨玻璃影、浸润影、肺实变等,可将这些图像特征设定为第二目标特征。
其中,所述第一靶区提取单元具体用于:基于阈值分割从所述待分析图像中提取目标组织轮廓,基于多级阈值过滤从所述目标组织轮廓中提取包含第一目标特征的第一目标区域,获取所述第一目标区域的投影,得到所述第一目标靶区图像。
所述第二靶区提取单元具体用于:对所述待分析图像进行溶蚀膨胀处理,从中提取目标组织包络面,对所述目标组织包络面进行空间属性的区域分割,根据预设的特征关系式从中提取所述第二目标特征,得到所述第二目标靶区图像,其中,所述特征关系式根据所述第二目标特征的大小规模、分布形态与目标组织外沿轮廓空间关系确定。
仍以目标组织为肺部为例,第一靶区提取单元具体用于:基于阈值分割从所述待分析图像中提取肺部轮廓,基于多级阈值过滤从所述肺部组织轮廓中提取包含肺炎特征的肺炎区域,获取所述肺炎区域的投影,得到所述第一目标靶区图像。第二靶区提取单元具体用于:对所述待分析图像进行溶蚀膨胀处理,从中提取肺部组织包络面,对所述肺部组织包络面进行空间属性的区域分割,根据预设的特征关系式从中提取所述新冠肺炎显著特征,得到所述第二目标靶区图像,其中,所述特征关系式根据所述第二目标特征的大小规模、分布形态与目标组织外沿轮廓空间关系确定。图像叠加单元用于将所述第一目标靶区图像和第二目标靶区图像进行叠加,得到目标图像。
由于图像分辨率、自身成像、血管等影响,会有较多的离散小区域,通过加入溶蚀膨胀处理循环操作,可以根据分析需要,保证输出肺炎的空间连续性,较好地反映肺炎影像学形态。由于接近于临床医生或放射科医生进行肺炎识别的模式,这种显式肺炎提取的分割算法,具有较好的解释性和动态修改性。由于第二目标特征为所述目标疾病在医学影像图像上独有的图像特征,因此显式地在图像上分割出该区域,亦能为医生辅助诊断提供参考。
以目标疾病特征为新冠肺炎特征为应用场景,以分布于肺轮廓中底部外缘“铺路石”特征为例,可以通过空间不同属性分割结果的空间操作获取,其中新冠肺炎图像区域Kcov的特征关系式可表示为:Kcov= (Kb - Ko) *s*f,其中Kb为阈值分割的肺轮廓,Ko为溶蚀膨胀后肺轮廓的包络面区域,s为离散器,即把分割结果离散成空间上独立的块体,f为空间约束过滤器。f约束了分割得到的区域与肺轮廓的空间接触关系,针对铺路石肺炎块体,其轮廓为Xo,Xo对应的多边形点集X与Ko对应的多边形点集K中,若任意两点之间的距离d(Xi -Ki)<D,且Xo的最小外接矩形的中心点高于Ko的最小外接矩形的中心点高度,则令f=1,否则令f=0,其中,Xi表示X中的任意一点,Ki表示K中的任意一点,D为预设的距离阈值。通过这种叠加过滤的方法,可以实现新冠肺炎典型影像学特征的提取。
作为一种示例,所述分类器用于识别所述待分析区域图像是否具有所述目标疾病对应的图像特征,若是,则所述第二分析结果输出1,否则,所述第二分析结果输出为0。具体可采用Inception来构建所述分类器。
作为一种示例,所述判定模块5具体用于:
若所述第一分析结果和第二分析结果均为1,则输出结果为1;
若所述第一分析结果和第二分析结果一个为1,另一个为0,则输出结果为Nil;
若所述第一分析结果和第二分析结果均为0,则输出结果为0。
通过判定模块5输出的结果可以为医生诊断目标疾病提供有力的帮助。
肺部CT图像是新冠肺炎筛查的主要依据之一,将肺部CT图像输入本发明实施例所述的***中,可通过第一分析模块3、第二分析模块4来输出分析结果,根据分析结果可知肺部CT图像是否具有新冠肺炎对应的图像特征,能避免与同类肺炎对应的图像特征混淆,例如其他病毒性肺炎及机化性肺炎、嗜酸性肺炎对应的图像特征,提高了判断结果的准确性。
本发明实施例能够对医学影像做出准确地分析和判断。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (9)
1.一种医学影像处理***,其特征在于,包括:
图片获取模块,用于获取待处理的医学影像图像;
图片预处理模块,用于从所述待处理医学影像图像中提取待分析区域图像,并将所述待分析区域图像分别发送至第一分析模块和第二分析模块;
第一分析模块,用于将所述待分析区域图像进行医学影像分析,得到第一分析结果,并将所述第一分析结果发给至判定模块;
所述第一分析模块包括:
图像外延单元,用于根据预设的外延系数,将所述待分析区域图像进行外延处理,得到待分析图像;
第一靶区提取单元,用于基于预设的第一目标特征从所述待分析图像中提取第一目标靶区图像,所述第一目标特征为预设的目标疾病与同类疾病在医学影像图像上共有的图像特征;
第二靶区提取单元,用于基于预设的第二目标特征从所述待分析图像提取第二目标靶区图像,所述第二目标特征为所述目标疾病在医学影像图像上独有的图像特征;
图像叠加单元,用于将所述第一目标靶区图像和第二目标靶区图像进行叠加,得到目标图像;
图像分析单元,用于判断所述目标图像中是否包含第二目标特征,若包含,则第一分析结果输出为1,否则第一分析结果输出为0;
第二分析模块,用于将所述待分析区域图像输入预先设置好的影像分类器中,得到第二分析结果,并将所述第二分析结果发给至判定模块;
判定模块,用于基于所述第一分析结果和第二分析结果,生成最终分析结果。
2.根据权利要求1所述的医学影像处理***,其特征在于,
所述图片获取模块包括:
第一图像获取单元,用于将医学影像图像原始数据进行代码转换处理得到所述待处理的医学影像图像;
第二图像获取单元,用于采用工具导出或拍照的方式从DICOM数据中获取所述待处理的医学影像图像;
第三图像获取单元,用于通过分帧截取或拍照的方式从视频数据中获取所述待处理的医学影像图像。
3.根据权利要求2所述的医学影像处理***,其特征在于,
所述图片获取模块还包括:
图像筛选单元,用于根据预设的过滤规则,将所述图片获取模块获取的所述待处理的医学影像图像进行过滤,所述过滤规则包括,将所述待分析区域图像占比低于预设的占比阈值的所述待处理的医学影像图像过滤掉、将所述待分析区域图像的方位不满足预设目标方位的所述待处理的医学影像图像过滤掉、将所述待分析区域图像的曝光度不在预设曝光度范围内的所述待处理的医学影像图像过滤掉以及将所述待分析区域图像的像素低于预设像素阈值的所述待处理的医学影像图像过滤掉。
4.根据权利要求2所述的医学影像处理***,其特征在于,
所述图片获取模块还包括:
脱敏单元,用于检测所述待处理的医学影像图像中是否存在预设的敏感信息,若存在,则去除所述敏感信息。
5.根据权利要求1所述的医学影像处理***,其特征在于,
所述图片预处理模块包括:
图像获取单元,用于获取所述待处理医学影像图像的灰度图;
图像预处理单元,用于设定分割阈值M,对于所述灰度图中每一个像素颜色值c,c的范围0-255,若c<M,则令c=0,显示为黑色;否则,令c=255,显示为白色;
对所述灰度图的灰度值,以所述分割阈值M为等值线间隔,求取等值线区域,并保留其中闭合面积最大的2个等值线区域A和B;
分别获取A和B的最小外接矩形RA和RB,基于RA和RB确定目标外接矩形为R,R的左上角坐标(min(xl(RA),xl(RB)),min(yu(RA),yu(RB))),右下角坐标(max(xr(RA),xr(RB)),max(yb(RA),yb(RB))),其中xl(RA)、xr(RA)、yu(RA)、yb(RA)分别表示RA的左边界坐标x值、右边界x值、上边界y值、下边界y值,xl(RB)、xr(RB)、yu(RB)、yb(RB)分别表示RB的左边界坐标x值、右边界x值、上边界y值、下边界y值;
以R为外框,对所述灰度图进行裁剪,获得所述待分析区域图像。
6.根据权利要求5所述的医学影像处理***,其特征在于,
还包括阈值确定模块,用于对所述灰度图中所有的像素进行频率直方图统计,所述频率直方图的区间宽度w取值为3-5,在所述频率直方图中,以灰度颜色值最小值Vmin和最大值Vmax选择上下边界,将频数最小的区间确定为所述分割阈值M所在区间,所述分割阈值M=int[0.5*(Vl+Vr)],其中,Vl和Vr分别为频数最小区间的左边界值和右边界值。
7.根据权利要求1所述的医学影像处理***,其特征在于,
所述第一靶区提取单元具体用于:基于阈值分割从所述待分析图像中提取目标组织轮廓,基于多级阈值过滤从所述目标组织轮廓中提取包含第一目标特征的第一目标区域,获取所述第一目标区域的投影,得到所述第一目标靶区图像。
8.根据权利要求1所述的医学影像处理***,其特征在于,
所述第二靶区提取单元具体用于:对所述待分析图像进行溶蚀膨胀处理,从中提取目标组织包络面,对所述目标组织包络面进行空间属性的区域分割,根据预设的特征关系式从中提取所述第二目标特征,得到所述第二目标靶区图像,其中,所述特征关系式根据所述第二目标特征的大小规模、分布形态与目标组织外沿轮廓空间关系确定。
9.根据权利要求1所述的医学影像处理***,其特征在于,
所述分类器用于识别所述待分析区域图像是否具有所述目标疾病对应的图像特征,若是,则所述第二分析结果输出1,否则,所述第二分析结果输出为0;
所述判定模块具体用于:
若所述第一分析结果和第二分析结果均为1,则输出结果为1;
若所述第一分析结果和第二分析结果一个为1,另一个为0,则输出结果为Nil;
若所述第一分析结果和第二分析结果均为0,则输出结果为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110688500.9A CN113256614B (zh) | 2021-06-22 | 2021-06-22 | 一种医学影像处理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110688500.9A CN113256614B (zh) | 2021-06-22 | 2021-06-22 | 一种医学影像处理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113256614A CN113256614A (zh) | 2021-08-13 |
CN113256614B true CN113256614B (zh) | 2021-10-01 |
Family
ID=77189044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110688500.9A Active CN113256614B (zh) | 2021-06-22 | 2021-06-22 | 一种医学影像处理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256614B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110207074A1 (en) * | 2009-10-26 | 2011-08-25 | Olaf Andrew Hall-Holt | Dental imaging system and method |
CN107945179A (zh) * | 2017-12-21 | 2018-04-20 | 王华锋 | 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法 |
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 |
CN110458813B (zh) * | 2019-03-08 | 2021-03-02 | 腾讯科技(深圳)有限公司 | 图像区域定位方法、装置和医学图像处理设备 |
CN111507965A (zh) * | 2020-04-17 | 2020-08-07 | 中山仰视科技有限公司 | 新型冠状病毒肺炎病灶检测方法、***、装置和存储介质 |
CN112950643B (zh) * | 2021-02-26 | 2024-04-05 | 东北大学 | 基于特征融合深监督U-Net的新冠肺炎病灶分割方法 |
-
2021
- 2021-06-22 CN CN202110688500.9A patent/CN113256614B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113256614A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9480439B2 (en) | Segmentation and fracture detection in CT images | |
Zhang et al. | Automated semantic segmentation of red blood cells for sickle cell disease | |
EP3391284A1 (en) | Interpretation and quantification of emergency features on head computed tomography | |
CN114757960B (zh) | 一种基于cbct图像的牙齿分割与重建方法及存储介质 | |
CN104766316A (zh) | 中医望诊中新型嘴唇分割算法 | |
Sagar et al. | Color channel based segmentation of skin lesion from clinical images for the detection of melanoma | |
Doyle et al. | Detecting prostatic adenocarcinoma from digitized histology using a multi-scale hierarchical classification approach | |
Choudhary et al. | Skin lesion detection based on deep neural networks | |
TW201726064A (zh) | 醫療影像處理裝置及其***影像處理方法 | |
Lynn et al. | Melanoma classification on dermoscopy skin images using bag tree ensemble classifier | |
CN111340773A (zh) | 一种视网膜图像血管分割方法 | |
Adjei et al. | Brain tumor segmentation using SLIC superpixels and optimized thresholding algorithm | |
CN112258536B (zh) | 一种胼胝体及小脑蚓部的一体化定位及分割方法 | |
CN112258532B (zh) | 一种超声图像中胼胝体的定位及分割方法 | |
CN113256614B (zh) | 一种医学影像处理*** | |
Malathi et al. | Active contour based segmentation and classification for pleura diseases based on Otsu’s thresholding and support vector machine (SVM) | |
CN113112475B (zh) | 一种基于机器学习的中医耳部五脏区域分割方法和装置 | |
Liu et al. | TrEnD: A transformer‐based encoder‐decoder model with adaptive patch embedding for mass segmentation in mammograms | |
CN114049345A (zh) | 一种基于数据集的肝脏ct图像分类方法 | |
CN113222009A (zh) | 一种基于甲状腺超声视频估算结节纵横比的方法 | |
CN116524315A (zh) | 一种基于Mask R-CNN的肺癌病理组织切片识别及分割方法 | |
CN111815591A (zh) | 基于ct图像的肺结节检测方法 | |
Ammar et al. | Learning based segmentation of skin lesion from dermoscopic images | |
Imtiaz et al. | Segmentation of skin lesion using harris corner detection and region growing | |
Supanta et al. | An algorithm for feature extraction and detection of pulmonary nodules in digital radiographic images |
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 |