CN113409309B - 肌肉ct影像勾画方法、***、电子设备和机器存储介质 - Google Patents
肌肉ct影像勾画方法、***、电子设备和机器存储介质 Download PDFInfo
- Publication number
- CN113409309B CN113409309B CN202110805189.1A CN202110805189A CN113409309B CN 113409309 B CN113409309 B CN 113409309B CN 202110805189 A CN202110805189 A CN 202110805189A CN 113409309 B CN113409309 B CN 113409309B
- Authority
- CN
- China
- Prior art keywords
- muscle
- image
- positioning
- convolution
- layer
- 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
- 210000003205 muscle Anatomy 0.000 title claims abstract description 321
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000011218 segmentation Effects 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims description 58
- 238000011176 pooling Methods 0.000 claims description 44
- 230000008595 infiltration Effects 0.000 claims description 17
- 238000001764 infiltration Methods 0.000 claims description 17
- 238000012952 Resampling Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 16
- 230000004913 activation Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000004807 localization Effects 0.000 description 6
- 208000001076 sarcopenia Diseases 0.000 description 6
- 210000002027 skeletal muscle Anatomy 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000003187 abdominal effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 210000001139 rectus abdominis Anatomy 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 210000000577 adipose tissue Anatomy 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 210000000115 thoracic cavity Anatomy 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000004220 muscle function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20—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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种肌肉CT影像勾画方法、***、电子设备和机器存储介质,涉及图像处理技术领域,方法包括:将获取的肌肉CT影像进行预处理,得到预处理后的肌肉影像序列;对肌肉影像序列于CT矢状位进行定位识别,得到目标肌肉(包括指定位置的肌肉或肌肉群)的矢状位定位图像;对目标肌肉的矢状位定位图像于轴位水平进行分割处理,得到针对指定位置的肌肉或肌肉群的CT影像的多种结果;分割结果包括多种肌肉参数。本发明可以快速、准确地实现三维医学图像的肌肉分割参数信息自动化测量,从而提升医学影像(图像)肌肉勾画、测量效率,降低人力成本。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种肌肉CT影像勾画方法、***、电子设备和机器存储介质。
背景技术
随着人口老龄化的到来,患有肌少症的人群日益增加,且在未来几十年里肌少症影响人口更会逐年增加。肌少症主要引起生活质量下降、心肺功能受损、跌倒骨折等常见并发症。除此之外,肌少症还和一些重大恶性疾病的治疗效果和预后关系密切。
肌肉参数的获取及记录成为肌少症研究中必不可少的环节,肌肉参数指标主要包括肌肉质量和肌肉功能(肌力或活动能力),其中利用CT影像检查技术,在CT轴位水平进行肌肉勾画是测量肌肉大小的金标准,主要评价参数包括骨骼肌面积(skeletal musclearea,SMA)、骨骼肌指数(skeletal muscle index,SMI)以及肌肉CT值(muscle radiationattenuation,MRA)。
目前利用CT检查技术进行肌肉勾画主要依靠人工或半人工方法进行,此类方法消耗大量人力,且人工操作个体差异大、易疲劳、不同地区标准一致性差,数据量化工作繁重,不利于肌肉勾画测量工作的开展,因此导致肌肉勾画工作进展缓慢,容易出错且效率低下。
发明内容
本发明的目的在于提供一种肌肉CT影像勾画方法、***、电子设备和机器存储介质,可以快速、准确地实现三维医学图像的肌肉分割参数信息测量,从而提升了对于医学影像(图像)的肌肉勾画处理效率,降低人力成本。
第一方面,本发明提供一种肌肉CT影像勾画方法,方法包括:将获取的肌肉CT影像进行预处理,得到预处理后的肌肉影像序列;对肌肉影像序列于CT矢状位进行定位识别,得到目标肌肉的矢状位定位图像;其中,所述目标肌肉包括指定位置的肌肉或肌肉群;对目标肌肉矢状位定位图像于轴位水平进行分割处理,得到针对所述指定位置的肌肉或肌肉群的CT影像的分割结果;分割结果包括多种肌肉参数。
在可选的实施方式中,将获取的肌肉CT影像进行预处理,得到肌肉影像序列的步骤,包括:对肌肉CT影像进行重采样,得到重采样后的肌肉CT影像;肌肉CT影像包括多个椎体水平的影像图像;对重采样后的肌肉CT影像进行感兴趣区域提取,得到肌肉区域图像;其中,肌肉区域图像包括待分割肌肉区域;对肌肉区域图像进行归一化处理,得到肌肉影像序列。
在可选的实施方式中,对肌肉影像序列于CT矢状位进行定位识别,得到目标肌肉的矢状位定位图像的步骤,包括:基于预先训练好的定位神经网络对肌肉影像序列于CT矢状位进行定位识别,得到目标肌肉的矢状位定位图像;其中,预先训练好的定位神经网络包括依次连接的输入层、第一指定数量的第一卷积层、第一最大值池化层、第一指定数量的第二卷积层、第二最大值池化层、第一指定数量的第三卷积层、第三最大值池化层、第二指定数量的第四卷积层、第四最大值池化层、第三指定数量的全连接层及输入层。
在可选的实施方式中,第一指定数量为2;第二指定数量为1;第三指定数量为2。
在可选的实施方式中,对目标肌肉的矢状位定位图像于轴位水平进行分割处理,得到针对指定位置的肌肉或肌肉群的CT影像的分割结果的步骤,包括:将目标肌肉的矢状位定位图像输入至预先训练好的分割神经网络,得到针对指定位置的肌肉或肌肉群的CT影像的分割结果;其中,预先训练好的分割神经网络包括依次连接的输入层、正向分割子网络、反向分割子网络、卷积层和softmax层;其中,正向分割子网络包括第四预设个数的卷积残差模块-池化层对;反向分割子网络包括第五预设个数的卷积残差模块-反池化层对。
在可选的实施方式中,肌肉参数包括肌肉横截面积、肌肉面积指数、平均CT值、肌肉脂肪浸润程度。
在可选的实施方式中,肌肉脂肪浸润程度通过脂肪CT值范围和肌肉CT值范围表征;其中,脂肪CT值范围:-190~-30Hu;肌肉CT值范围:-29~150Hu。
第二方面,本发明提供一种肌肉CT影像勾画***,***包括:预处理模块,用于将获取的肌肉CT影像进行预处理,得到预处理后的肌肉影像序列;定位识别模块,用于对肌肉影像序列于CT矢状位进行定位识别,得到目标肌肉的矢状位定位图像;其中,目标肌肉包括指定位置的肌肉或肌肉群;分割处理模块,用于对目标肌肉的矢状位定位图像于轴位水平进行分割处理,得到针对指定位置的肌肉或肌肉群的CT影像的分割结果;分割结果包括多种肌肉参数。
第三方面,本发明提供一种电子设备,包括处理器和存储器,存储器存储有能够被处理器执行的机器可执行指令,处理器执行机器可执行指令以实现前述实施方式任一项的肌肉CT影像勾画方法。
第四方面,本发明提供一种机器存储介质,机器存储介质存储有机器可执行指令,机器可执行指令在被处理器调用和执行时,机器可执行指令促使处理器实现前述实施方式任一项的肌肉CT影像勾画方法。
本发明提供的肌肉CT影像勾画方法、***、电子设备和机器存储介质,该方法首先将获取的肌肉CT影像进行预处理,得到预处理后的肌肉影像序列,然后对肌肉影像序列于CT矢状位进行定位识别,得到目标肌肉(包括指定位置的肌肉或肌肉群)的矢状位定位图像,并对目标肌肉的矢状位定位图像于轴位水平进行分割处理,得到针对指定位置的肌肉或肌肉群的CT影像的分割结果,分割结果包括多种肌肉参数。上述方式通过对处理后的肌肉影像进行定位识别及分割处理,得到包括多种肌肉参数,诸如肌肉横截面积、肌肉面积指数、平均CT值、肌肉脂肪浸润程度的肌肉参数,可以快速、准确地实现三维医学图像的肌肉分割参数信息测量,从而提升了对于针对肌肉的医学影像(图像)的处理效率,降低了人力成本。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种肌肉CT影像勾画方法的流程示意图;
图2为本发明实施例提供的一种定位神经网络的具体结构示意图;
图3为本发明实施例提供的一种具体的分割神经网络的结构示意图;
图4为本发明实施例提供的一种肌肉CT影像勾画***的结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
考虑到目前利用CT检查技术进行肌肉勾画主要依靠人工或半人工方法进行,此类方法消耗大量人力,且人工操作个体差异大、易疲劳、不同地区标准一致性差,数据量化工作繁重,不利于肌肉勾画测量工作的开展。本发明实施例提供了一种肌肉影像的勾画方法、***、电子设备和机器存储介质,可以快速、准确地实现三维医学图像的肌肉分割参数信息测量,从而提升了对于针对肌肉的医学影像(图像)的处理效率,降低了人力成本。
为便于理解,首先对本发明实施例提供的一种肌肉CT影像勾画方法进行详细说明,参见图1所示的一种肌肉CT影像勾画方法的流程示意图,该方法主要包括以下步骤S102至步骤S106:
步骤S102,将获取的肌肉CT影像进行预处理,得到预处理后的肌肉影像序列。
获取的肌肉CT影像为利用电子计算机断层扫描(Computed Tomography,CT)影像检查技术采集的CT图像,该肌肉CT影像为原始采集的三维医学图像。
为了保证后续肌肉CT影像的定位识别及分割处理的准确性,预处理操作可以包括对获取的肌肉CT影像进行数据采样处理以及对肌肉CT影像中包含有待处理区域的区域提取处理,从而经过预处理后得到的肌肉影像序列可以保证后续定位分割的准确性。
肌肉影像序列为三维医学图像序列,也即是经过预处理操作后的上述三维医学图像。该肌肉影像序列可以为CT三维影像中的切片序列,CT三维影像中的切片序列可以包括多种切片间隔、不同切片数量、多种CT分辨率的医学影像构成的序列。
步骤S104,对肌肉影像序列于CT矢状位进行定位识别,得到目标肌肉的矢状位定位图像。
上述目标肌肉包括指定位置的肌肉或肌肉群。定位识别通过将肌肉影像序列输入至预先训练好的定位神经网络执行。预先训练好的定位神经网络采用卷积+池化+全连接及编码解码的思想,具体的网络结构根据试验和医学图像序列的特点确定。
得到的肌肉定位图像为二维医学图像,该二维医学图像为CT切片,也即通过定位神经网络进行CT切片的确定,以便对该CT切片进行后续的分析处理。
步骤S106,对肌肉定位图像进行分割处理,得到针对肌肉图像的分割结果。
通过将上述方式得到的肌肉定位图像输入到图像分割神经网络中,可以得到精确分割结果。分割神经网络可以包括改进的U-net神经网络,也可以为改进的全卷积网络(fully convolutional network,FCN)。分割结果包括多种肌肉参数,其中,肌肉参数包括肌肉横截面积、肌肉面积指数、平均CT值、肌肉脂肪浸润程度。可以理解的是,分割结果还可以针对肌肉图像的不同肌肉参数进行自动勾画得到各个分割区域的面积。
通过图像分割神经网络分割得到的分割结果可以代替人工肌肉勾画的工作,且由于通过采用上述定位神经网络和图像分割神经网络两个神经网络相结合的方式进行肌肉切片的定位及肌肉的分割,可以提高智能识别的效率和分割的准确性,克服了采用三维神经网络进行端到端识别对于三维医学图像的要求,从而提高了肌肉图像的分割准确率。
本发明实施例提供的肌肉CT影像勾画方法,通过对处理后的肌肉影像进行定位识别及分割处理,得到包括肌肉横截面积、肌肉面积指数、平均CT值、肌肉脂肪浸润程度的肌肉参数,可以快速、准确地实现三维医学图像的肌肉分割参数信息测量,从而提升了对于针对肌肉的医学影像(图像)的处理效率,降低了人力成本。
在一种实施方式中,为了保证输入至上述定位神经网络的质量符合定位分割的要求,首先对获取的肌肉CT影像进行预处理,得到肌肉影像序列。在具体实施时,可以采用以下步骤2.1)至步骤2.3):
步骤2.1),对肌肉CT影像进行重采样,得到重采样后的肌肉CT影像;肌肉CT影像包括多个椎体水平的影像图像;
步骤2.2),对重采样后的肌肉CT影像进行感兴趣区域提取,得到肌肉区域图像;其中,肌肉区域图像包括待分割肌肉区域;
步骤2.3),对肌肉区域图像进行归一化处理,得到肌肉影像序列。
针对上述步骤2.1),在进行重采样时,可以根据预先选定的采样间隔执行,以保证肌肉CT影像的数据采样质量。
此外,采取的CT模式可以为胸部CT、腹部CT、腰椎CT或骨盆CT,多个椎体水平的影像图像的椎体可以为T4(胸椎)、T8-T12(胸椎)、L1-L5(脊椎)、S1(腰椎)。
针对上述步骤2.2),感兴趣区域提取可以为在不同类型的CT影像中选择固定的切片区域的一种方式,通过进行切片区域的提取,可以得到的保证肌肉区域图像中包括待分割肌肉区域。该待分割肌肉区域需包含用于进行分割的精确分割面积,以便于后续分割时可以得到完整、准确的分割结果。
此外,本实施例给出了另一种肌肉CT影像预处理的具体示例,首先对获取的肌肉影像进行处理,确定参考轴。以CT影像为例,以规范化的DICOM影像为起点,对脊柱进行检测及分割,则锥体被分割为独立单位,以颅尾纵轴为方向,可以形成缩放的参考轴,其中包含了阈值范围、形态特征等。形成的该参考轴用于定位到正确的锥体水平,以备用于肌肉分割。
进而,利用医学影像模块处理平台对未压缩的DICOM数据预处理,将其转化为可直接输入至本实施例的定位神经网络进行处理的数据。将收集到的数据提前处理,人为勾画目标肌肉,做出标准数据库,对标准数据库随机分割为5个子集进行分析,其中4个子集设定为训练集,1个子集设定为测试集,采用5-倍交叉试验,训练定位神经网络-分割神经网络构成的深度学***上进行肌肉分割,分析分割精度,衡量手动及自动分割之间的空间重叠程度。
进一步,在得到上述肌肉影像序列后,可以通过将肌肉影像序列输入至预先训练好的定位神经网络,基于预先训练好的定位神经网络对肌肉影像序列于CT矢状位进行定位识别,得到肌肉定位图像。其中,预先训练好的定位神经网络包括依次连接的输入层、第一指定数量的第一卷积层、第一最大值池化层、第一指定数量的第二卷积层、第二最大值池化层、第一指定数量的第三卷积层、第三最大值池化层、第二指定数量的第四卷积层、第四最大值池化层、第三指定数量的全连接层及输入层。图2示出了一种定位神经网络的具体结构,针对图2所示的定位神经网络,上述第一指定数量为2,第二指定数量为1,第三指定数量为2。
进一步,上述定位神经网路中的每个层的具体参数如下:
第一层为输入层,输入为单通道的CT三维影像中的切片序列。
第二层为卷积层Conv1,其卷积核为3*3,输入通道数量为1,输出通道数量为6,移动步长s为1。
第三层为卷积层Conv2,其卷积核为3*3,输入通道数量为6,输出通道数量为6,移动步长s为1,后接ReLU函数激活层。
第四层为最大值池化层MaxP3,采用滤波器为2*2,移动步长s为2。
第五层为卷积层Conv4,其卷积核为3*3,输入通道数量为6,输出通道数量为16,移动步长s为1。
第六层为卷积层Conv5,其卷积核为3*3,输入通道数量为16,输出通道数量为16,移动步长s为1,后接ReLU函数激活层。
第七层为最大值池化层MaxP6,采用滤波器为2*2,移动步长s为2。
第八层为卷积层Conv7,其卷积核为3*3,输入通道数量为16,输出通道数量为16,移动步长s为1。
第九层为卷积层Conv8,其卷积核为3*3,输入通道数量为16,输出通道数量为32,移动步长s为1,后接ReLU函数激活层。
第十层为最大值池化层MaxP9,采用滤波器为2*2,移动步长s为2。
第十一层为卷积层Conv10,其卷积核为3*3,输入通道数量为32,输出通道数量为64,移动步长s为1,后接ReLU函数激活层。
第十二层为最大值池化层MaxP11,采用滤波器为2*2,移动步长s为2。
第十三层为全连接层,输入通道数量为64,输出通道数量为240。
第十四层为全连接层,输入通道数量为240,输出通道数量为84。
第十五层为输出层,采用sigmoid激活函数,进行定位输出。
进一步,对通过预先训练好的定位神经网络输出的肌肉定位图像进行分割处理。在具体实施时,可以通过将目标肌肉的矢状位定位图像输入至预先训练好的分割神经网络,得到针对指定位置的肌肉或肌肉群的CT影像的分割结果。该分割结果主要包括肌肉横截面积、肌肉面积指数、平均CT值、肌肉脂肪浸润程度。优选的,为了便于对各个参数的变化准确的获取,还可以包括四种参数值的时间-动态曲线。
为便于理解,本实施例提供了一种基于改进的U-net神经网路的分割神经网络,该改进的分割神经网络可以包括依次连接的输入层、正向分割子网络、卷积残差模块、反向分割子网络、卷积层和softmax层;其中,正向分割子网络包括第四预设个数的卷积残差模块-池化层对;反向分割子网络包括第五预设个数的卷积残差模块-反池化层对。卷积残差模块-池化层对也即依次连接的卷积残差模块和池化层,卷积残差模块-反池化层对也即依次连接的反池化层和卷积残差模块。图3示出了一种具体的分割神经网络的结构示意图,在该示例中,第四预设个数为4个,第五预设个数为4个。
具体的:分割神经网络的模型层数依次是:
第一层为输入层,输入为单通道的CT二维切片图像,也即通过定位神经网络输出的肌肉定位图像。
第二层为卷积残差模块ResBlock1,输入通道数量为1,输出通道数量为16,后接PReLU函数激活层(图中未示出)。卷积残差模块ResBlock1包含卷积路径和残差路径,卷积路径的卷积核大小为5*5,移动步长s为1,残差路径在卷积路径基础上进行元素相加。
第三层为池化层MaxP2,采用滤波器为2*2,移动步长s为2。
第四层为卷积残差模块ResBlock3,输入通道数量为16,输出通道数量为32,后接PReLU函数激活层(图中未示出)。卷积残差模块ResBlock3包含卷积路径和残差路径,卷积路径的卷积核大小为5*5,移动步长s为1,残差路径在卷积路径基础上进行元素相加。
第五层为池化层MaxP4,采用滤波器为2*2,移动步长s为2。
第六层为卷积残差模块ResBlock5,输入通道数量为32,输出通道数量为64,后接PReLU函数激活层(图中未示出)。卷积残差模块ResBlock5包含卷积路径和残差路径,卷积路径的卷积核大小为5*5,移动步长s为1,采用2层卷积神经网络,残差路径在卷积路径基础上进行元素相加。
第七层为池化层MaxP6,采用滤波器为2*2,移动步长s为2。
第八层为卷积残差模块ResBlock7,输入通道数量为64,输出通道数量为128,后接PReLU函数激活层(图中未示出)。卷积残差模块ResBlock7包含卷积路径和残差路径,卷积路径的卷积核大小为5*5,移动步长s为1,采用3层卷积神经网络,残差路径在卷积路径基础上进行元素相加。
第九层为池化层MaxP8,采用滤波器为2*2,移动步长s为2。
第十层为卷积残差模块ResBlock9,输入通道数量为128,输出通道数量为256,后接PReLU函数激活层(图中未示出)。卷积残差模块ResBlock9包含卷积路径和残差路径,卷积路径的卷积核大小为5*5,移动步长s为1,采用3层卷积神经网络,残差路径在卷积路径基础上进行元素相加。
第十一层为反池化层MaxP10,采用滤波器为2*2,移动步长s为2。
第十二层为卷积残差模块ResBlock11,输入通道数量为256,输出通道数量为256,后接PReLU函数激活层(图中未示出)。卷积残差模块ResBlock11包含卷积路径和残差路径,卷积路径的卷积核大小为5*5,移动步长s为1,采用3层卷积神经网络,残差路径在卷积路径基础上进行元素相加。
第十三层为反池化层MaxP12,采用滤波器为2*2,移动步长s为2。
第十四层为卷积残差模块ResBlock13,输入通道数量为256,输出通道数量为128,后接PReLU函数激活层(图中未示出)。卷积残差模块ResBlock13包含卷积路径和残差路径,卷积路径的卷积核大小为5*5,移动步长s为1,采用2层卷积神经网络,残差路径在卷积路径基础上进行元素相加。
第十五层为反池化层MaxP14,采用滤波器为2*2,移动步长s为2。
第十六层为卷积残差模块ResBlock15,输入通道数量为128,输出通道数量为64,后接PReLU函数激活层(图中未示出)。卷积残差模块ResBlock15包含卷积路径和残差路径,卷积路径的卷积核大小为5*5,移动步长s为1,采用1层卷积神经网络,残差路径在卷积路径基础上进行元素相加。
第十七层为反池化层MaxP16,采用滤波器为2*2,移动步长s为2。
第十八层为卷积残差模块ResBlock17,输入通道数量为64,输出通道数量为32,后接PReLU函数激活层(图中未示出)。卷积残差模块ResBlock17包含卷积路径和残差路径,卷积路径的卷积核大小为5*5,移动步长s为1,采用1层卷积神经网络,残差路径在卷积路径基础上进行元素相加。
第十九层为卷积层Conv18,输入通道数量为32,输出通道数量为7,卷积核大小为5*5,移动步长s为1。
第二十层为SoftMax层,将卷积层Conv18的各通道权重进行归一化,用于输出上述分割结果。
通过上述定位神经网络和分割神经网络,根据人体不同组织CT值的差异,勾画肌肉及肌肉群感兴趣区(ROI),接着从肌肉分割后ROI中计算轴位肌肉及肌肉群面积、面积指数及CT值,之后,控制CT值阈值范围,剔除勾画轮廓内所有脂肪组织,获得单纯肌肉面积,以计算分割区域内肌肉脂肪浸润程度的百分含量。上述肌肉参数,用以准确的评价肌肉质量。
在进行肌肉量化评价时,将肌肉横截面积(muscle cross-sectional area)、经身高矫正获得肌肉面积指数MI(muscle area index,MI)。肌肉横截面积即经过软件自动分割后得到的指定肌肉或肌群面积,接着用身高对肌肉面积值进行标准化转换,以计算肌肉面积指数,面积指数=面积/身高2(cm2/m2)。
在进行肌肉质量评价时,通过阈值处理thresholding,把分割结果内部所有脂肪组织区域面积进行剔除,计算肌肉脂肪浸润程度(muscle fat infiltration,MFI),MFI(%)=剔除所含脂肪后单纯肌肉面积/自动分割获取肌肉横截面积(m2/m2)。
本实施例所适用的上述肌肉影像可以包括指定数量及指定位置的肌肉分组的CT影像。在一种实施方式中,以腹部及腰椎CT为例,可以包括19组数据,具体如下:骨骼肌面积;腰大肌总面积、左侧腰大肌面积、右侧腰大肌面积;脊后肌群总面积、左侧脊后肌群面积、右侧脊后肌群面积;腰方肌总面积、左侧腰方肌面积、右侧腰方肌面积;脊旁肌群总面积、左侧脊旁肌群面积、右侧脊旁肌群面积;腹直肌总面积、左侧腹直肌面积、右侧腹直肌面积;腹部侧壁肌群总面积、左侧腹部侧壁肌群面积、右侧腹部侧壁肌群面积。
连续区域分割后,内部可能包含CT值较低的脂肪组织,通过阈值处理thresholding,把分割结果内部所有脂肪组织区域剔除,计算出肌肉脂肪浸润程度(musclefat infiltration,MFI),可以通过百分比的形式进行表达。其中,脂肪CT值范围:-190~-30Hu;肌肉CT值范围:-29~150Hu。MFI(%)=剔除所含脂肪后单纯肌肉面积/自动分割获取肌肉横截面积(m2/m2)。
综上,本发明基于深度学习的肌肉勾画及特征分析,可以有效建立相关数据库,获取正常健康人群肌肉截断值(cutoff值),实现肌肉参数的量化。进一步可以建立影像及临床***,实现个人肌少症的风险评估。针对肿瘤、糖尿病等重疾,可以通过该方法构成的***进行监测及评估,能更准确预估患者预后情况,进行有限人工干预,提高患者生存率及生活质量。并且,相比人工或半人工操作,可以实现勾画标准的一致性,且速度快、不疲劳,易于数据收集,能够快速获得大量科研数据,获取人群骨肌***参数,获得人群标准参数。
针对上述肌肉CT影像勾画方法,本发明实施例还提供一种肌肉CT影像勾画***,参见图4所示,该***主要包括以下部分:
预处理模块402,用于将获取的肌肉CT影像进行预处理,得到预处理后的肌肉影像序列;
定位识别模块404,用于对肌肉影像序列于CT矢状位进行定位识别,得到目标肌肉的矢状位定位图像;其中,目标肌肉包括指定位置的肌肉或肌肉群;
分割处理模块406,用于对目标肌肉的矢状位定位图像于轴位水平进行分割处理,得到针对指定位置的肌肉或肌肉群的CT影像的分割结果;分割结果包括多种肌肉参数。
本发明实施例提供的肌肉CT影像勾画***,通过对处理后的肌肉影像进行定位识别及分割处理,得到包括肌肉横截面积、肌肉面积指数、平均CT值、肌肉脂肪浸润程度等肌肉参数,可以快速、准确地实现三维医学图像的肌肉分割参数信息测量,从而提升了对于针对肌肉的医学影像(图像)的处理效率,降低了人力成本。
在一些实施方式中,上述预处理模块402,用于对肌肉CT影像进行重采样,得到重采样后的肌肉CT影像;肌肉CT影像包括多个椎体水平的影像图像;对重采样后的肌肉CT影像进行感兴趣区域提取,得到肌肉区域图像;其中,肌肉区域图像包括待分割肌肉区域;对肌肉区域图像进行归一化处理,得到肌肉影像序列。
在一些实施方式中,上述定位识别模块404,还用于基于预先训练好的定位神经网络对肌肉影像序列于CT矢状位进行定位识别,得到肌肉定位图像;其中,预先训练好的定位神经网络包括依次连接的输入层、第一指定数量的第一卷积层、第一最大值池化层、第一指定数量的第二卷积层、第二最大值池化层、第一指定数量的第三卷积层、第三最大值池化层、第二指定数量的第四卷积层、第四最大值池化层、第三指定数量的全连接层及输入层。
在一些实施方式中,第一指定数量为2;第二指定数量为1;第三指定数量为2。
在一些实施方式中,分割处理模块406,还用于将目标肌肉的矢状位定位图像输入至预先训练好的分割神经网络,得到针对指定位置的肌肉或肌肉群的CT影像的分割结果;其中,预先训练好的分割神经网络包括依次连接的输入层、正向分割子网络、反向分割子网络、卷积层和softmax层;其中,正向分割子网络包括第四预设个数的卷积残差模块-池化层对;反向分割子网络包括第五预设个数的卷积残差模块-反池化层对。
在一些实施方式中,上述肌肉参数包括肌肉横截面积、肌肉面积指数、平均CT值、肌肉脂肪浸润程度。
在一些实施方式中,上述肌肉脂肪浸润程度通过脂肪CT值范围和肌肉CT值范围表征;其中,脂肪CT值范围:-190~-30Hu;肌肉CT值范围:-29~150Hu。
本发明实施例所提供的***,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,***实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备,具体的,该电子设备包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。
图5为本发明实施例提供的一种电子设备的结构示意图,该电子设备100包括:处理器50,存储器51,总线52和通信接口53,所述处理器50、通信接口53和存储器51通过总线52连接;处理器50用于执行存储器51中存储的可执行模块,例如计算机程序。
其中,存储器51可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器51用于存储程序,所述处理器50在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的***所执行的方法可以应用于处理器50中,或者由处理器50实现。
处理器50可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51,处理器50读取存储器51中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的肌肉CT影像勾画方法、***、电子设备和机器存储介质的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***具体工作过程,可以参考前述实施例中的对应过程,在此不再赘述。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所述功能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介质中。基于这样的理解,本发明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介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种肌肉CT影像勾画方法,其特征在于,所述方法包括:
将获取的肌肉CT影像进行预处理,得到预处理后的肌肉影像序列;
搭建定位神经网络及分割神经网络,利用医学影像模块处理平台对未压缩的DICOM数据预处理,将其转化为可直接输入定位神经网络及分割神经网络进行处理的数据,将收集到的数据提前处理,人为勾画目标肌肉,做出标准数据库,对标准数据库随机分割为5个子集进行分析,其中4个子集设定为训练集,1个子集设定为测试集,采用5倍交叉试验,对定位神经网络及分割神经网络进行训练;
基于训练好的定位神经网络对所述肌肉影像序列于CT矢状位进行定位识别,得到所述目标肌肉的矢状位定位图像;其中,所述目标肌肉包括指定位置的肌肉或肌肉群;定位神经网络包括依次连接的输入层、2个第一卷积层、第一最大值池化层、2个的第二卷积层、第二最大值池化层、2个的第三卷积层、第三最大值池化层、1个的第四卷积层、第四最大值池化层、2个的全连接层及输入层;
将所述目标肌肉的矢状位定位图像输入至训练好的分割神经网络,得到针对所述指定位置的肌肉或肌肉群的CT影像的分割结果及参数结果;所述分割结果包括多种肌肉参数;其中,分割神经网络为基于改进的U-net神经网络的分割神经网络,包括依次连接的输入层、正向分割子网络、卷积残差模块、反向分割子网络、卷积层和softmax层;其中,正向分割子网络包括4个卷积残差模块-池化层对;反向分割子网络包括4个卷积残差模块-反池化层对,卷积残差模块-池化层对即依次连接的卷积残差模块和池化层,卷积残差模块-反池化层对即依次连接的反池化层和卷积残差模块;
所述将获取的肌肉CT影像进行预处理,得到肌肉影像序列的步骤,包括:对所述肌肉CT影像进行重采样,得到重采样后的肌肉CT影像;所述肌肉CT影像包括多个椎体水平的影像图像;对所述重采样后的肌肉CT影像进行感兴趣区域提取,得到肌肉区域图像;其中,所述肌肉区域图像包括待分割肌肉区域;对所述肌肉区域图像进行归一化处理,得到所述肌肉影像序列。
2.根据权利要求1所述的肌肉CT影像勾画方法,其特征在于,所述肌肉参数包括肌肉横截面积、肌肉面积指数、平均CT值、肌肉脂肪浸润程度。
3.根据权利要求2所述的肌肉CT影像勾画方法,其特征在于,所述肌肉脂肪浸润程度通过脂肪CT值范围和肌肉CT值范围表征;其中,脂肪CT值范围:-190~-30Hu;肌肉CT值范围:-29~150Hu。
4.一种肌肉CT影像勾画***,其特征在于,所述***包括:
预处理模块,用于将获取的肌肉CT影像进行预处理,得到预处理后的肌肉影像序列;
定位识别模块,用于对所述肌肉影像序列于CT矢状位进行定位识别,得到目标肌肉的矢状位定位图像;其中,所述目标肌肉包括指定位置的肌肉或肌肉群;
分割处理模块,用于对所述目标肌肉的矢状位定位图像于轴位水平进行分割处理,得到针对所述指定位置的肌肉或肌肉群的CT影像的分割结果;
所述分割结果包括多种肌肉参数;
所述预处理模块,还用于对所述肌肉CT影像进行重采样,得到重采样后的肌肉CT影像;所述肌肉CT影像包括多个椎体水平的影像图像;对所述重采样后的肌肉CT影像进行感兴趣区域提取,得到肌肉区域图像;其中,所述肌肉区域图像包括待分割肌肉区域;对所述肌肉区域图像进行归一化处理,得到所述肌肉影像序列。
5.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现权利要求1至3任一项所述的肌肉CT影像勾画方法。
6.一种机器存储介质,其特征在于,所述机器存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现权利要求1至3任一项所述的肌肉CT影像勾画方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110805189.1A CN113409309B (zh) | 2021-07-16 | 2021-07-16 | 肌肉ct影像勾画方法、***、电子设备和机器存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110805189.1A CN113409309B (zh) | 2021-07-16 | 2021-07-16 | 肌肉ct影像勾画方法、***、电子设备和机器存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113409309A CN113409309A (zh) | 2021-09-17 |
CN113409309B true CN113409309B (zh) | 2023-10-27 |
Family
ID=77686631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110805189.1A Active CN113409309B (zh) | 2021-07-16 | 2021-07-16 | 肌肉ct影像勾画方法、***、电子设备和机器存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113409309B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114141336A (zh) * | 2021-12-01 | 2022-03-04 | 张福生 | 基于mri的人体成分标记方法、***、设备和存储介质 |
CN114119584A (zh) * | 2021-12-01 | 2022-03-01 | 张福生 | 人体成分ct影像标记方法、***、电子设备和存储介质 |
TWI779963B (zh) * | 2021-12-10 | 2022-10-01 | 長庚醫療財團法人林口長庚紀念醫院 | 營養狀態評估方法及營養狀態評估系統 |
CN115148341B (zh) * | 2022-08-02 | 2023-06-02 | 重庆大学附属三峡医院 | 一种基于***识别的ai结构勾画方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961278A (zh) * | 2018-06-20 | 2018-12-07 | 深圳市旭东数字医学影像技术有限公司 | 基于影像数据的腹壁肌肉分割的方法及其*** |
CN109785306A (zh) * | 2019-01-09 | 2019-05-21 | 上海联影医疗科技有限公司 | 器官勾画方法、装置、计算机设备和存储介质 |
CN109961443A (zh) * | 2019-03-25 | 2019-07-02 | 北京理工大学 | 基于多期ct影像引导的肝脏肿瘤分割方法及装置 |
CN110310287A (zh) * | 2018-03-22 | 2019-10-08 | 北京连心医疗科技有限公司 | 基于神经网络的危及器官自动勾画方法、设备和存储介质 |
CN110648350A (zh) * | 2019-09-26 | 2020-01-03 | 联想(北京)有限公司 | 一种肝脏血管分割方法、装置及电子设备 |
CN111696082A (zh) * | 2020-05-20 | 2020-09-22 | 平安科技(深圳)有限公司 | 图像分割方法、装置、电子设备及计算机可读存储介质 |
CN112750131A (zh) * | 2021-01-31 | 2021-05-04 | 南京信息工程大学 | 基于尺度和序列关系的骨盆核磁共振图像肌肉骨骼分割方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019051358A1 (en) * | 2017-09-08 | 2019-03-14 | The General Hospital Corporation | STRATIFICATION OF PATIENT RISKS ON THE BASIS OF A BODILY COMPOSITION DEDUCTED FROM AUTOMATIC LEARNING TOMODENSITOMETRY IMAGES |
EP3726460B1 (en) * | 2019-04-06 | 2023-08-23 | Kardiolytics Inc. | Autonomous segmentation of contrast filled coronary artery vessels on computed tomography images |
US11526993B2 (en) * | 2019-05-30 | 2022-12-13 | Springbok, Inc. | System and method for automatic segmentation of muscles from high-resolution MRI using 3D deep convolutional neural network |
-
2021
- 2021-07-16 CN CN202110805189.1A patent/CN113409309B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310287A (zh) * | 2018-03-22 | 2019-10-08 | 北京连心医疗科技有限公司 | 基于神经网络的危及器官自动勾画方法、设备和存储介质 |
CN108961278A (zh) * | 2018-06-20 | 2018-12-07 | 深圳市旭东数字医学影像技术有限公司 | 基于影像数据的腹壁肌肉分割的方法及其*** |
CN109785306A (zh) * | 2019-01-09 | 2019-05-21 | 上海联影医疗科技有限公司 | 器官勾画方法、装置、计算机设备和存储介质 |
CN109961443A (zh) * | 2019-03-25 | 2019-07-02 | 北京理工大学 | 基于多期ct影像引导的肝脏肿瘤分割方法及装置 |
CN110648350A (zh) * | 2019-09-26 | 2020-01-03 | 联想(北京)有限公司 | 一种肝脏血管分割方法、装置及电子设备 |
CN111696082A (zh) * | 2020-05-20 | 2020-09-22 | 平安科技(深圳)有限公司 | 图像分割方法、装置、电子设备及计算机可读存储介质 |
CN112750131A (zh) * | 2021-01-31 | 2021-05-04 | 南京信息工程大学 | 基于尺度和序列关系的骨盆核磁共振图像肌肉骨骼分割方法 |
Non-Patent Citations (5)
Title |
---|
Deep learning for automated segmentation of pelvic muscles, fat, and bone from CT studies for body composition assessment;Robert Hemke et.al;《Skeletal Radiology》;第387-395页 * |
Fully-automated deep learning slice-based muscle estimation from CT images for sarcopenia assessment;Kanavati Fahdi et.al;《arXiv:2006.06432v1》;第1-11页 * |
基于U-Net网络的肺部组织分割;程立英;高宣爽;申海;黄丹阳;覃文军;;沈阳师范大学学报(自然科学版)(03);第90-94页 * |
王中和 等.《口腔颌面 头颈肿瘤放射治疗学》.上海世界图书出版公司,2013,第54页. * |
结合MRI多模态信息与SVM参数优化的脑肿瘤分割研究;王晓春;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;第E072-368页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113409309A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113409309B (zh) | 肌肉ct影像勾画方法、***、电子设备和机器存储介质 | |
CN100387196C (zh) | 用于测量与疾病相关的组织变化的方法和*** | |
CN109872325B (zh) | 基于双路三维卷积神经网络的全自动肝脏肿瘤分割方法 | |
CN110796613B (zh) | 一种图像伪影的自动识别方法及装置 | |
CN100463655C (zh) | 一种腹部ct图像自动测量装置 | |
CN113674257B (zh) | 脊柱侧弯角度的测量方法、装置、设备及存储介质 | |
CN110610497B (zh) | 一种基于ct图像处理的活体猪胴体组织含量测定方法 | |
CN103249358B (zh) | 医用图像处理装置 | |
CN109215040B (zh) | 一种基于多尺度加权学习的乳腺肿瘤分割方法 | |
KR102030533B1 (ko) | 근감소증 분석지원을 위한 인공 신경망 기반의 인체 형태 분석법을 채용하는 영상 처리 장치 및 이를 이용한 영상 처리 방법 | |
CN110074809B (zh) | Ct图像的肝静脉压力梯度分类方法以及计算机设备 | |
CN114305473A (zh) | 基于腹部ct图像和深度学习的身体成分自动测量*** | |
CN114119584A (zh) | 人体成分ct影像标记方法、***、电子设备和存储介质 | |
CN110874860A (zh) | 基于混合损失函数的对称监督模型的目标提取方法 | |
CN109191475B (zh) | 椎体终板分割方法、装置及计算机可读存储介质 | |
CN116840214A (zh) | 一种诊断脑肿瘤和脑梗死的方法 | |
CN114549463A (zh) | 一种乳腺癌肝转移抗her-2治疗的疗效预测方法、***、设备及介质 | |
CN110689550B (zh) | 一种腰椎矢状面ct图像高效自动化筛选***及方法 | |
CN113034522B (zh) | 一种基于人工神经网络的ct图像分割方法 | |
CN116433620A (zh) | 基于ct图像的骨密度预测及骨质疏松智能筛查方法和*** | |
CN104915989A (zh) | 基于ct影像的血管三维分割方法 | |
CN111755129A (zh) | 多模态骨质疏松分层预警方法及*** | |
CN113327235B (zh) | 基于ct影像肌少症评估的图像处理方法和装置 | |
CN115841457A (zh) | 一种融合多视图信息的三维医学图像分割方法 | |
CN109615656A (zh) | 一种基于模型搜索的脊柱定位方法 |
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 |