CN113421272B - 一种肿瘤浸润深度的监测方法、装置、设备和存储介质 - Google Patents

一种肿瘤浸润深度的监测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN113421272B
CN113421272B CN202110694157.9A CN202110694157A CN113421272B CN 113421272 B CN113421272 B CN 113421272B CN 202110694157 A CN202110694157 A CN 202110694157A CN 113421272 B CN113421272 B CN 113421272B
Authority
CN
China
Prior art keywords
model
uterine
contour
tumor
infiltration depth
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
Application number
CN202110694157.9A
Other languages
English (en)
Other versions
CN113421272A (zh
Inventor
林永平
毛威
高华超
陈春霞
徐子萌
韩冬梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University of Technology
Original Assignee
Xiamen University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen University of Technology filed Critical Xiamen University of Technology
Priority to CN202110694157.9A priority Critical patent/CN113421272B/zh
Publication of CN113421272A publication Critical patent/CN113421272A/zh
Application granted granted Critical
Publication of CN113421272B publication Critical patent/CN113421272B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种肿瘤浸润深度的监测方法、装置、设备和存储介质，涉及医学图像处理技术领域。其中，这种监测方法包含以下步骤：S1、获取磁共振图像；S2、通过分割模型识别所述磁共振图像中的子宫轮廓和肿瘤轮廓，并从所述磁共振图像中提取包含所述子宫轮廓和所述肿瘤轮廓的目标图像；S3、根据所述目标图像，通过分类模型匹配合适的浸润深度识别模型；S4、通过匹配到的浸润深度识别模型分析所述目标图像，以获得所述磁共振图像所对应的肿瘤浸润深度。通过分割模型将子宫轮廓和肿瘤轮廓识别出来，然后匹配合适的浸润深度识别模型，并通过匹配到的浸润深度识别模型准确的识别浸润深度，不仅效率高，而且准确率高。

Description

一种肿瘤浸润深度的监测方法、装置、设备和存储介质
技术领域
本发明涉及医学图像处理技术领域，具体而言，涉及一种肿瘤浸润深度的监测方法、装置、设备和存储介质。
背景技术
恶性的子宫肿瘤主要发生在子宫内层，称子宫内膜癌，因为92％的子宫癌发生在子宫内膜，所以子宫内膜癌也常被直接称为子宫癌。在我们国家，根据2015中国癌症统计数据，子宫癌的发病率在2000～2011年期间呈显著上升的趋势。如果能够更早的发现子宫肌瘤，就能够为患者争取到更多的治愈机会。
在先技术中，肿瘤浸润深度(Myometrial invasion)是用于判断子宫内膜癌的标准之一。肿瘤浸润深度需要通过磁共振图像来进行判断，但目前反应患者病灶信息的医学影像通常通过放射科医生根据他们的临床经验做出解释，而这种解释容易受到人的主观性影响，不仅效率低下，而且容易出现判断误差，两个放射科医生可能会对同一张医学影像做出不同的解释。
有鉴于此，申请人在研究了现有的技术后特提出本申请。
发明内容
本发明提供了一种肿瘤浸润深度的监测方法、装置、设备和存储介质，以改善相关技术中的通过磁共振图像判断肿瘤浸润深度效率低下的问题。
第一方面、
本发明实施例提供了一种肿瘤浸润深度的监测方法，其包含以下步骤：
S1、获取磁共振图像；其中，所述磁共振图像包含有子宫和肿瘤的图像；
S2、通过分割模型识别所述磁共振图像中的子宫轮廓和肿瘤轮廓，并从所述磁共振图像中提取包含所述子宫轮廓和所述肿瘤轮廓的目标图像；
S3、根据所述目标图像，通过分类模型匹配合适的浸润深度识别模型；其中，所述分类模型根据多层卷积神经网络和softmax层构建得到；
S4、通过匹配到的浸润深度识别模型分析所述目标图像，以获得所述磁共振图像所对应的肿瘤浸润深度。
可选地，所述浸润深度识别模型至少包括快速细化模型、极点模型、拟合椭圆模型和面积比例模型；
可选地，当匹配到的浸润深度识别模型为所述快速细化模型、所述极点模型或所述拟合椭圆模型时，步骤S4具体包括：
S41、根据所述快速细化模型、所述极点模型或所述拟合椭圆模型识别所述目标图像中的所述子宫区域的子宫腔线；
S42、计算所述子宫腔线上各个点的梯度方向，并检测各个点沿着所述梯度方向的垂线方向到所述肿瘤轮廓的第一距离和到所述子宫轮廓的第二距离，以获得所述第一距离和所述第二距离的比值；
S43、选取最大的所述比值作为所述肿瘤浸润深度；
可选地，当匹配到的浸润深度识别模型为面积比例模型时，步骤S4具体包括：
S44、获取所述子宫轮廓中的第一像素点个数和所述肿瘤轮廓中的第二像素点个数；
S45、计算所述第二像素点个数和所述第一像素点个数的比例；其中，所述比例即为所述肿瘤浸润深度。
可选地，步骤S41具体包括：
根据所述快速细化模型识别所述子宫腔线，具体包括：
S41A、获取所述目标图像中的所述子宫轮廓的骨架线，并以所述骨架线作为所述子宫腔线；
根据所述极点模型识别所述子宫腔线，具体包括：
S41B1、获取所述子宫轮廓的上下左右四个端点，并分别连接上下两个端点和左右两个端点，以获得两根极轴；
S41B2、提取两根所述极轴中，较长的一根作为所述子宫腔线；
根据所述拟合椭圆模型识别所述子宫腔线，具体包括：
S41C1、基于最小二乘法拟合得到与所述子宫轮廓相适配的椭圆；
S41C2、提取所述椭圆的长轴作为所述子宫腔线。
可选地，所述分类模型的结构包括依次连接的：两层卷积核为3x3卷积步长为1x1的卷积层；一层卷积核为2x2卷积步长为2x2的最大池化层；两层卷积核为3x3卷积步长为1x1的卷积层；一层卷积核为2x2卷积步长为2x2的最大池化层；两层卷积核为3x3卷积步长为1x1的卷积层；一层卷积核为2x2卷积步长为2x2的最大池化层；一层压平层；两层全连接层；一层softmax分类层。
可选地，所述分割模型为U-net模型；
可选地，步骤S3具体包括：
S31、将所述多层卷积神经网络接入所述softmax层以获得初始模型；
S32、获取多张磁共振图像，并分别通过深度学习图像标签标注软件进行标注，以获得多张标签图；
S33、分别通过所述快速细化模型、所述极点模型、所述拟合椭圆模型和所述面积比例模型识别各个所述标签图的肿瘤浸润深度；
S34、将识别结果最接近真实情况的模型作为对应的标签图的标签，以获得多个标签；
S35、将多张所述标签图作为训练数据集，将多个所述标签作为验证集，训练所述初始模型，以获得所述分类模型。
第二方面、
本发明实施例提供一种肿瘤浸润深度的监测装置，其包含：
图像获取模块，用于获取磁共振图像；其中，所述磁共振图像包含有子宫和肿瘤的图像；
图像分割模块，用于通过分割模型识别所述磁共振图像中的子宫轮廓和肿瘤轮廓，并从所述磁共振图像中提取包含所述子宫轮廓和所述肿瘤轮廓的目标图像；
模型匹配模块，用于根据所述目标图像，通过分类模型匹配合适的浸润深度识别模型；其中，所述分类模型根据多层卷积神经网络和softmax层构建得到；
深度获取模块，用于通过匹配到的浸润深度识别模型分析所述目标图像，以获得所述磁共振图像所对应的肿瘤浸润深度。
可选地，所述浸润深度识别模型至少包括快速细化模型、极点模型、拟合椭圆模型和面积比例模型；
可选地，当匹配到的浸润深度识别模型为所述快速细化模型、所述极点模型或所述拟合椭圆模型时，所述深度获取模块，包括：
腔线识别单元，用于根据所述快速细化模型、所述极点模型或所述拟合椭圆模型识别所述目标图像中的所述子宫区域的子宫腔线；
比值获取单元，用于计算所述子宫腔线上各个点的梯度方向，并检测各个点沿着所述梯度方向的垂线方向到所述肿瘤轮廓的第一距离和到所述子宫轮廓的第二距离，以获得所述第一距离和所述第二距离的比值；
第一深度单元，用于选取最大的所述比值作为所述肿瘤浸润深度；
可选地，当匹配到的浸润深度识别模型为面积比例模型时，所述深度获取模块，包括：
像素获取单元，用于获取所述子宫轮廓中的第一像素点个数和所述肿瘤轮廓中的第二像素点个数；
第二深度单元，用于计算所述第二像素点个数和所述第一像素点个数的比例；其中，所述比例即为所述肿瘤浸润深度。
可选地，腔线识别单元，用于根据所述快速细化模型、所述极点模型或所述拟合椭圆模型识别所述目标图像中的所述子宫区域的子宫腔线；
可选地，腔线识别单元，具体包括：
第一腔线子单元，用于获取所述目标图像中的所述子宫轮廓的骨架线，并以所述骨架线作为所述子宫腔线；
极轴子单元，用于获取所述子宫轮廓的上下左右四个端点，并分别连接上下两个端点和左右两个端点，以获得两根极轴；
第二腔线子单元，用于提取两根所述极轴中，较长的一根作为所述子宫腔线；
椭圆子单元，用于基于最小二乘法拟合得到与所述子宫轮廓相适配的椭圆；
第三腔线子单元，用于提取所述椭圆的长轴作为所述子宫腔线。
可选地，所述分类模型的结构包括依次连接的：两层卷积核为3x3卷积步长为1x1的卷积层；一层卷积核为2x2卷积步长为2x2的最大池化层；两层卷积核为3x3卷积步长为1x1的卷积层；一层卷积核为2x2卷积步长为2x2的最大池化层；两层卷积核为3x3卷积步长为1x1的卷积层；一层卷积核为2x2卷积步长为2x2的最大池化层；一层压平层；两层全连接层；一层softmax分类层。
可选地，所述分割模型为U-net模型；
可选地，所述模型匹配模块具体包括：
初始模型获取单元，用于将所述多层卷积神经网络接入所述softmax层以获得初始模型；
标签图获取单元，用于获取多张磁共振图像，并分别通过深度学习图像标签标注软件进行标注，以获得多张标签图；
深度识别单元，用于分别通过所述快速细化模型、所述极点模型、所述拟合椭圆模型和所述面积比例模型识别各个所述标签图的肿瘤浸润深度；
标签单元，用于将识别结果最接近真实情况的模型作为对应的标签图的标签，以获得多个标签；
训练单元，用于将多张所述标签图作为训练数据集，将多个所述标签作为验证集，训练所述初始模型，以获得所述分类模型。
第三方面、
本发明实施例提供一种肿瘤浸润深度的监测设备，其包括处理器、存储器，以及存储在所述存储器内的计算机程序；所述计算机程序能够被所述处理器执行，以实现如第一方面所说的肿瘤浸润深度的监测方法。
第四方面、
本发明实施例提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面所说的肿瘤浸润深度的监测方法。
通过采用上述技术方案，本发明可以取得以下技术效果：
本发明实施例通过分割模型将子宫轮廓和肿瘤轮廓识别出来，然后分类模型根据这两个轮廓匹配合适的浸润深度识别模型，并通过浸润深度识别模型准确的识别浸润深度，不仅效率高，而且准确率高，具有很好的实际意义。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明第一实施例提供的肿瘤浸润深度的监测方法的流程示意图1。
图2是本发明第一实施例提供的肿瘤浸润深度的监测方法的流程示意图2。
图3是本发明分类模型的框架图。
图4是不同浸润深度识别模型对不同类型的形状的子宫图的识别效果图。
图5是本发明第二实施例提供的肿瘤浸润深度的监测装置的结构示意图。
具体实施方式
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他实施例，都属于本发明保护的范围。
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，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。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
实施例中提及的“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的实施例能够以除了在这里图示或描述的那些内容以外的顺序实施。
下面结合附图与具体实施方式对本发明作进一步详细描述：
实施例一：
请参阅图1和图2，本发明第一实施例提供的一种肿瘤浸润深度的监测方法，其可由磁共振图像识别装置来执行。特别地，由磁共振图像识别装置中的一个或多个处理器来执行，以实现如下步骤：
S1、获取磁共振图像。其中，磁共振图像包含有子宫和肿瘤的图像。
可以理解的是，磁共振图像识别装置可以是本地的计算机、笔记本电脑，也可以是云端的服务器，本发明对此不做具体限定。磁共振图像(以下简称：MRI图像)由磁共振设备拍摄得到，然后通过局域网、广域网等方式传送到磁共振图像识别装置中，以对磁共振图像识别，子宫肌瘤的浸润深度。
S2、通过分割模型识别磁共振图像中的子宫轮廓和肿瘤轮廓，并从磁共振图像中提取包含子宫轮廓和肿瘤轮廓的目标图像。
具体地，通过分割模型对磁共振图像进行预测分割，用鲜艳的纯色表示子宫区域和肿瘤的区域，其他区域信息用同一种灰度的灰色表示，得到预测分割图。并从预测分割图中，将包含子宫轮廓的目标图像提取出来。
可选地，在本实施例中，分割模型为U-net模型。在其它实施例中，还可以使用其它现有的图像分割模型或者目标识别模型，本发明对此不做具体限定。
S3、根据目标图像，通过分类模型匹配合适的浸润深度识别模型。其中，分类模型根据多层卷积神经网络和softmax层构建得到。
通过分类模型为输入的磁共振图像匹配合适的浸润深度识别模型，能够大大提高识别的准确率，避免单个识别模型无法适应多种多样的实际情况。
可以理解的是，步骤S3包含分割模型的搭建和训练两个部分。
搭建部分：步骤S3具体包括：
S31、将多层卷积神经网络接入softmax层以获得初始模型。
具体地，如图3所示，搭建好的初始模型的结构包括依次连接的：两层卷积核为3x3卷积步长为1x1的卷积层。一层卷积核为2x2卷积步长为2x2的最大池化层。两层卷积核为3x3卷积步长为1x1的卷积层。一层卷积核为2x2卷积步长为2x2的最大池化层。两层卷积核为3x3卷积步长为1x1的卷积层。一层卷积核为2x2卷积步长为2x2的最大池化层。一层压平层。两层全连接层。一层softmax分类层。
训练部分：步骤S3具体包括：
S32、获取多张磁共振图像，并分别通过深度学习图像标签标注软件进行标注，以获得多张标签图。
S33、分别通过快速细化模型、极点模型、拟合椭圆模型和面积比例模型识别各个标签图的肿瘤浸润深度。
S34、将识别结果最接近真实情况的模型作为对应的标签图的标签，以获得多个标签。
如图4所示，横向为三种不同的子宫轮廓，纵向为三种模型分别对子宫轮廓进行识别后的子宫腔线。其中，虚线为子宫轮廓真实的子宫腔线，实线为通过模型识别出来的子宫腔线。可以看出的是，第一个子宫轮廓通过快速细化算法进行识别最为贴近真实的子宫腔线。第二个子宫轮廓通过拟合椭圆算法进行识别最为贴近真实的子宫腔线。第三个轮廓通过几点算法进行识别最为贴近真实的子宫腔线。因此，第一个子宫轮廓的标签为快速细化算法；第二个子宫轮廓的标签为拟合椭圆算法；第三个子宫轮廓的标签为几点算法。
S35、将多张标签图作为训练数据集，将多个标签作为验证集，训练初始模型，以获得分类模型。
可以理解的是，训练的包括以下步骤：
首先，由放射科医生对EC患者的MRI图像进行标注，得到label图。
然后，对label图用快速细化模型、极点模型、拟合椭圆模型和面积比例模型四种算法进行计算得到的相应MI深度。
再然后，由放射科医生进行评估，挑选出针对该label图的最佳算法，作为该label图的标签。
最后，将上一子步骤得到的label图以及对应的算法标签，作为训练数据集对分类模型进行训练。具体地，将label图作为训练数据集，将标签作为验证集对初始模型进行训练，以获得一个能够根据图像特征自动匹配最佳的浸润深度识别模型的分类模型。
通过大量真实数据，辅以人工设置标签，对分类模型进行训练，能够大大提高分类模型分类时的准确率。具有很好的实际意思。
S4、通过匹配到的浸润深度识别模型分析目标图像，以获得磁共振图像所对应的肿瘤浸润深度。可选地，浸润深度识别模型至少包括快速细化模型、极点模型、拟合椭圆模型和面积比例模型。
在上述实施例的基础上，本发明一可选实施例中，当匹配到的浸润深度识别模型为快速细化模型、极点模型或拟合椭圆模型时，步骤S4具体包括：
S41、根据快速细化模型、极点模型或拟合椭圆模型识别目标图像中的子宫区域的子宫腔线。具体地，在本实施例中识别子宫腔线，具体包括以下步骤：
根据快速细化模型识别子宫腔线，步骤S41具体包括：
S41A、获取目标图像中的子宫轮廓的骨架线，并以骨架线作为子宫腔线。
具体地，快速细化算法主要作用是能够提取图片中某个轮廓的骨架，其核心思想为将轮廓内所有非骨架线的点都移除，仅保留骨架线上的点。将该算法应用在图像中子宫的轮廓上，找到子宫区域的骨架线，视为子宫腔线。
根据极点模型识别子宫腔线，步骤S41具体包括：
S41B1、获取子宫轮廓的上下左右四个端点，并分别连接上下两个端点和左右两个端点，以获得两根极轴。
S41B2、提取两根极轴中，较长的一根作为子宫腔线。
极点算法会找出图像中某个轮廓的四个极端点(最左，最右，最上，最下)，连接最左和最右点，最上和最下点，得到两根极轴。将该算法应用在图像中子宫的轮廓上，将两根极轴中较长的那根视为子宫腔线。
根据拟合椭圆模型识别子宫腔线，步骤S41具体包括：
S41C1、基于最小二乘法拟合得到与子宫轮廓相适配的椭圆。
S41C2、提取椭圆的长轴作为子宫腔线。
拟合椭圆算法主要作用是将图片中某个轮廓最大程度拟合进一个椭圆当中，其核心思想为在给定一个约束条件下利用最小二乘法找到散乱数据相对于椭圆的代数距离，使约束条件达到最小的代数距离即为拟合得到的椭圆。将该算法应用在图像中子宫的轮廓上，将拟合得到的椭圆长轴视为子宫腔线。
在本实施例中，用以识别子宫腔线的模型包括快速细化模型、极点模型或拟合椭圆模型，在其它实施例中，还可以使用其它现有的模型，本发明对此不做具体限定。
S42、计算子宫腔线上各个点的梯度方向，并检测各个点沿着梯度方向的垂线方向到肿瘤轮廓的第一距离和到子宫轮廓的第二距离，以获得第一距离和第二距离的比值。
S43、选取最大的比值作为肿瘤浸润深度。
具体地，在本实施例中，根据上一步骤中三种算法得到的子宫腔线，计算子宫腔线上每一个点的梯度方向，选择与梯度方向相交为0的方向(垂直)，进行逐点检测，当检测到肿瘤的轮廓边界时记录点的位置，当检测到子宫轮廓边界时再一次记录位置。根据上述记录的两点位置计算出相对于子宫腔线上出发点的距离，两距离之比视为肿瘤的MI深度。遍历完子宫腔线上的点后，将得到的最大MI深度视为该EC患者肿瘤MI深度。
在上述实施例的基础上，本发明一可选实施例中，当匹配到的浸润深度识别模型为面积比例模型时，步骤S4具体包括：
S44、获取子宫轮廓中的第一像素点个数和肿瘤轮廓中的第二像素点个数。
S45、计算第二像素点个数和第一像素点个数的比例。其中，比例即为肿瘤浸润深度。
通过深度学习分类模型自动选择出最佳的浸润深度识别算法，浸润深度识别算法自动计算肿瘤的MI深度，通过两阶段的预测和计算，可以做到很好的监测该EC患者的肿瘤MI深度。可以用于监测早期EC的MI，帮助早期EC患者做出更好的决策，也可以作为监视成像工具或CAD***的一部分，帮助医生制定更好的治疗策略。
本发明实施例通过分割模型将子宫轮廓和肿瘤轮廓识别出来，然后分类模型根据这两个轮廓匹配合适的浸润深度识别模型，并通过浸润深度识别模型准确的识别浸润深度，不仅效率高，而且准确率高，具有很好的实际意义。
第二方面、
本发明实施例提供一种肿瘤浸润深度的监测装置，其包含：
图像获取模块1，用于获取磁共振图像。其中，磁共振图像包含有子宫和肿瘤的图像。
图像分割模块2，用于通过分割模型识别磁共振图像中的子宫轮廓和肿瘤轮廓，并从磁共振图像中提取包含子宫轮廓和肿瘤轮廓的目标图像。
模型匹配模块3，用于根据目标图像，通过分类模型匹配合适的浸润深度识别模型。其中，分类模型根据多层卷积神经网络和softmax层构建得到。
深度获取模块4，用于通过匹配到的浸润深度识别模型分析目标图像，以获得磁共振图像所对应的肿瘤浸润深度。
通过深度学习分类模型自动选择出最佳的浸润深度识别算法，浸润深度识别算法自动计算肿瘤的MI深度，通过两阶段的预测和计算，可以做到很好的监测该EC患者的肿瘤MI深度。可以用于监测早期EC的MI，帮助早期EC患者做出更好的决策，也可以作为监视成像工具或CAD***的一部分，帮助医生制定更好的治疗策略。
本发明实施例通过分割模型将子宫轮廓和肿瘤轮廓识别出来，然后分类模型根据这两个轮廓匹配合适的浸润深度识别模型，并通过浸润深度识别模型准确的识别浸润深度，不仅效率高，而且准确率高，具有很好的实际意义。
可选地，浸润深度识别模型至少包括快速细化模型、极点模型、拟合椭圆模型和面积比例模型。
可选地，当匹配到的浸润深度识别模型为快速细化模型、极点模型或拟合椭圆模型时，深度获取模块4，包括：
腔线识别单元，用于根据快速细化模型、极点模型或拟合椭圆模型识别目标图像中的子宫区域的子宫腔线。
比值获取单元，用于计算子宫腔线上各个点的梯度方向，并检测各个点沿着梯度方向的垂线方向到肿瘤轮廓的第一距离和到子宫轮廓的第二距离，以获得第一距离和第二距离的比值。
第一深度单元，用于选取最大的比值作为肿瘤浸润深度。
可选地，当匹配到的浸润深度识别模型为面积比例模型时，深度获取模块4，包括：
像素获取单元，用于获取子宫轮廓中的第一像素点个数和肿瘤轮廓中的第二像素点个数。
第二深度单元，用于计算第二像素点个数和第一像素点个数的比例。其中，比例即为肿瘤浸润深度。
可选地，腔线识别单元，用于根据快速细化模型、极点模型或拟合椭圆模型识别目标图像中的子宫区域的子宫腔线。
可选地，腔线识别单元，具体包括：
第一腔线子单元，用于获取目标图像中的子宫轮廓的骨架线，并以骨架线作为子宫腔线。
极轴子单元，用于获取子宫轮廓的上下左右四个端点，并分别连接上下两个端点和左右两个端点，以获得两根极轴。
第二腔线子单元，用于提取两根极轴中，较长的一根作为子宫腔线。
椭圆子单元，用于基于最小二乘法拟合得到与子宫轮廓相适配的椭圆。
第三腔线子单元，用于提取椭圆的长轴作为子宫腔线。
可选地，分类模型的结构包括依次连接的：两层卷积核为3x3卷积步长为1x1的卷积层。一层卷积核为2x2卷积步长为2x2的最大池化层。两层卷积核为3x3卷积步长为1x1的卷积层。一层卷积核为2x2卷积步长为2x2的最大池化层。两层卷积核为3x3卷积步长为1x1的卷积层。一层卷积核为2x2卷积步长为2x2的最大池化层。一层压平层。两层全连接层。一层softmax分类层。
可选地，分割模型为U-net模型。
可选地，模型匹配模块3具体包括：
初始模型获取单元，用于将多层卷积神经网络接入softmax层以获得初始模型。
标签图获取单元，用于获取多张磁共振图像，并分别通过深度学习图像标签标注软件进行标注，以获得多张标签图。
深度识别单元，用于分别通过快速细化模型、极点模型、拟合椭圆模型和面积比例模型识别各个标签图的肿瘤浸润深度。
标签单元，用于将识别结果最接近真实情况的模型作为对应的标签图的标签，以获得多个标签。
训练单元，用于将多张标签图作为训练数据集，将多个标签作为验证集，训练初始模型，以获得分类模型。
第三方面、
本发明实施例提供一种肿瘤浸润深度的监测设备，其包括处理器、存储器，以及存储在存储器内的计算机程序。计算机程序能够被处理器执行，以实现如第一方面所说的肿瘤浸润深度的监测方法。
第四方面、
本发明实施例提供一种计算机可读存储介质，其特征在于，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如第一方面所说的肿瘤浸润深度的监测方法。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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，电子设备，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。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种肿瘤浸润深度的监测方法，其特征在于，包含：
获取磁共振图像；其中，所述磁共振图像包含有子宫和肿瘤的图像；
通过分割模型识别所述磁共振图像中的子宫轮廓和肿瘤轮廓，并从所述磁共振图像中提取包含所述子宫轮廓和所述肿瘤轮廓的目标图像；
根据所述目标图像，通过分类模型匹配合适的浸润深度识别模型；其中，所述分类模型根据多层卷积神经网络和softmax层构建得到；
通过匹配到的浸润深度识别模型分析所述目标图像，以获得所述磁共振图像所对应的肿瘤浸润深度；
所述浸润深度识别模型至少包括快速细化模型、极点模型、拟合椭圆模型和面积比例模型；
当匹配到的浸润深度识别模型为所述快速细化模型、所述极点模型或所述拟合椭圆模型时，所述通过匹配到的浸润深度识别模型分析所述目标图像，以获得所述磁共振图像所对应的肿瘤浸润深度，具体包括：
根据所述快速细化模型、所述极点模型或所述拟合椭圆模型识别所述目标图像中的子宫区域的子宫腔线；
计算所述子宫腔线上各个点的梯度方向，并检测各个点沿着所述梯度方向的垂线方向到所述肿瘤轮廓的第一距离和到所述子宫轮廓的第二距离，以获得所述第一距离和所述第二距离的比值；
选取最大的所述比值作为所述肿瘤浸润深度；
当匹配到的浸润深度识别模型为面积比例模型时，所述通过匹配到的浸润深度识别模型分析所述目标图像，以获得所述磁共振图像所对应的肿瘤浸润深度，具体包括：
获取所述子宫轮廓中的第一像素点个数和所述肿瘤轮廓中的第二像素点个数；
计算所述第二像素点个数和所述第一像素点个数的比例；其中，所述比例即为所述肿瘤浸润深度。
2.根据权利要求1所述的监测方法，其特征在于，
根据所述快速细化模型识别所述子宫腔线，具体包括：
获取所述目标图像中的所述子宫轮廓的骨架线，并以所述骨架线作为所述子宫腔线；
根据所述极点模型识别所述子宫腔线，具体包括：
获取所述子宫轮廓的上下左右四个端点，并分别连接上下两个端点和左右两个端点，以获得两根极轴；
提取两根所述极轴中，较长的一根作为所述子宫腔线；
根据所述拟合椭圆模型识别所述子宫腔线，具体包括：
基于最小二乘法拟合得到与所述子宫轮廓相适配的椭圆；
提取所述椭圆的长轴作为所述子宫腔线。
3.根据权利要求1所述的监测方法，其特征在于，所述分类模型的结构包括依次连接的：
两层卷积核为3x3卷积步长为1x1的卷积层；
一层卷积核为2x2卷积步长为2x2的最大池化层；
两层卷积核为3x3卷积步长为1x1的卷积层；
一层卷积核为2x2卷积步长为2x2的最大池化层；
两层卷积核为3x3卷积步长为1x1的卷积层；
一层卷积核为2x2卷积步长为2x2的最大池化层；
一层压平层；
两层全连接层；
一层softmax分类层。
4.根据权利要求3所述的监测方法，其特征在于，所述分割模型为U-net模型；
根据所述多层卷积神经网络和所述softmax层构建得到所述分类模型，具体包括：
将所述多层卷积神经网络接入所述softmax层以获得初始模型；
获取多张磁共振图像，并分别通过深度学习图像标签标注软件进行标注，以获得多张标签图；
分别通过所述快速细化模型、所述极点模型、所述拟合椭圆模型和所述面积比例模型识别各个所述标签图的肿瘤浸润深度；
将识别结果最接近真实情况的模型作为对应的标签图的标签，以获得多个标签；
将多张所述标签图作为训练数据集，将多个所述标签作为验证集，训练所述初始模型，以获得所述分类模型。
5.一种肿瘤浸润深度的监测装置，其特征在于，包含：
图像获取模块，用于获取磁共振图像；其中，所述磁共振图像包含有子宫和肿瘤的图像；
图像分割模块，用于通过分割模型识别所述磁共振图像中的子宫轮廓和肿瘤轮廓，并从所述磁共振图像中提取包含所述子宫轮廓和所述肿瘤轮廓的目标图像；
模型匹配模块，用于根据所述目标图像，通过分类模型匹配合适的浸润深度识别模型；其中，所述分类模型根据多层卷积神经网络和softmax层构建得到；
深度获取模块，用于通过匹配到的浸润深度识别模型分析所述目标图像，以获得所述磁共振图像所对应的肿瘤浸润深度；
所述浸润深度识别模型至少包括快速细化模型、极点模型、拟合椭圆模型和面积比例模型；
当匹配到的浸润深度识别模型为所述快速细化模型、所述极点模型或所述拟合椭圆模型时，所述深度获取模块，包括：
腔线识别单元，用于根据所述快速细化模型、所述极点模型或所述拟合椭圆模型识别所述目标图像中的子宫区域的子宫腔线；
比值获取单元，用于计算所述子宫腔线上各个点的梯度方向，并检测各个点沿着所述梯度方向的垂线方向到所述肿瘤轮廓的第一距离和到所述子宫轮廓的第二距离，以获得所述第一距离和所述第二距离的比值；
第一深度单元，用于选取最大的所述比值作为所述肿瘤浸润深度；
当匹配到的浸润深度识别模型为面积比例模型时，所述深度获取模块，包括：
像素获取单元，用于获取所述子宫轮廓中的第一像素点个数和所述肿瘤轮廓中的第二像素点个数；
第二深度单元，用于计算所述第二像素点个数和所述第一像素点个数的比例；其中，所述比例即为所述肿瘤浸润深度。
6.根据权利要求5所述的监测装置，其特征在于，
腔线识别单元，用于根据所述快速细化模型、所述极点模型或所述拟合椭圆模型识别所述目标图像中的所述子宫区域的子宫腔线；
腔线识别单元，具体包括：
第一腔线子单元，用于获取所述目标图像中的所述子宫轮廓的骨架线，并以所述骨架线作为所述子宫腔线；
极轴子单元，用于获取所述子宫轮廓的上下左右四个端点，并分别连接上下两个端点和左右两个端点，以获得两根极轴；
第二腔线子单元，用于提取两根所述极轴中，较长的一根作为所述子宫腔线；
椭圆子单元，用于基于最小二乘法拟合得到与所述子宫轮廓相适配的椭圆；
第三腔线子单元，用于提取所述椭圆的长轴作为所述子宫腔线。
7.一种肿瘤浸润深度的监测设备，其特征在于，包括处理器、存储器，以及存储在所述存储器内的计算机程序；所述计算机程序能够被所述处理器执行，以实现如权利要求1至4任意一项所述的肿瘤浸润深度的监测方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4任意一项所述的肿瘤浸润深度的监测方法。
CN202110694157.9A 2021-06-22 2021-06-22 一种肿瘤浸润深度的监测方法、装置、设备和存储介质 Active CN113421272B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110694157.9A CN113421272B (zh) 2021-06-22 2021-06-22 一种肿瘤浸润深度的监测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110694157.9A CN113421272B (zh) 2021-06-22 2021-06-22 一种肿瘤浸润深度的监测方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN113421272A CN113421272A (zh) 2021-09-21
CN113421272B true CN113421272B (zh) 2023-05-23

Family

ID=77716102

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110694157.9A Active CN113421272B (zh) 2021-06-22 2021-06-22 一种肿瘤浸润深度的监测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113421272B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109559A (zh) * 2022-11-22 2023-05-12 武汉楚精灵医疗科技有限公司 胃部标志物的浸润深度检测方法、装置及存储介质
CN116740768B (zh) * 2023-08-11 2023-10-20 南京诺源医疗器械有限公司 基于鼻颅镜的导航可视化方法、***、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3511901A1 (en) * 2018-01-16 2019-07-17 Universität Bern Method of rendering spatially-correlated image data
CN110533683A (zh) * 2019-08-30 2019-12-03 东南大学 一种融合传统特征与深度特征的影像组学分析方法
CN111242174A (zh) * 2019-12-31 2020-06-05 浙江大学 一种基于影像组学的肝癌图像特征提取与病理分类方法和装置
CN112184579A (zh) * 2020-09-24 2021-01-05 武汉千屏影像技术有限责任公司 一种组织病变区域图像辅助复原***和方法
CN112270676A (zh) * 2020-11-13 2021-01-26 上海理工大学 一种mri图像子宫内膜癌肌层浸润深度计算机辅助判断方法
CN112585696A (zh) * 2018-08-30 2021-03-30 应用材料公司 用于自动肿瘤检测和分类的***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3511901A1 (en) * 2018-01-16 2019-07-17 Universität Bern Method of rendering spatially-correlated image data
CN112585696A (zh) * 2018-08-30 2021-03-30 应用材料公司 用于自动肿瘤检测和分类的***
CN110533683A (zh) * 2019-08-30 2019-12-03 东南大学 一种融合传统特征与深度特征的影像组学分析方法
CN111242174A (zh) * 2019-12-31 2020-06-05 浙江大学 一种基于影像组学的肝癌图像特征提取与病理分类方法和装置
CN112184579A (zh) * 2020-09-24 2021-01-05 武汉千屏影像技术有限责任公司 一种组织病变区域图像辅助复原***和方法
CN112270676A (zh) * 2020-11-13 2021-01-26 上海理工大学 一种mri图像子宫内膜癌肌层浸润深度计算机辅助判断方法

Also Published As

Publication number Publication date
CN113421272A (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
US10910099B2 (en) Segmentation, landmark detection and view classification using multi-task learning
CN113421272B (zh) 一种肿瘤浸润深度的监测方法、装置、设备和存储介质
CN112633144A (zh) 人脸遮挡检测方法、***、设备及存储介质
US7382907B2 (en) Segmenting occluded anatomical structures in medical images
US20120114251A1 (en) 3D Object Recognition
Zhang et al. Intelligent scanning: Automated standard plane selection and biometric measurement of early gestational sac in routine ultrasound examination
US20220020152A1 (en) Apparatus for identifying regions in a brain image
JP6223189B2 (ja) 組織内の対象に対する移動の少なくとも１つの適用可能な経路を決定する方法
KR102045223B1 (ko) 골 연령 분석 방법, 장치 및 컴퓨터 프로그램
CN112150442A (zh) 基于深度卷积神经网络及多实例学习的新冠诊断***
KR20160020918A (ko) 적응형 컴퓨터 보조 진단 장치 및 방법
US20130303900A1 (en) Method and apparatus for processing of stroke ct scans
CN110956636A (zh) 一种图像处理方法及装置
CN110738702B (zh) 一种三维超声图像的处理方法、装置、设备及存储介质
CN111401102B (zh) 深度学习模型训练方法及装置、电子设备及存储介质
CN114299057A (zh) 血管中心线的提取方法和存储介质
US9436889B2 (en) Image processing device, method, and program
CN116862930B (zh) 适用于多模态的脑血管分割方法、装置、设备和存储介质
CN117274278B (zh) 基于模拟感受野的视网膜图像病灶部位分割方法及***
CN116528770A (zh) 用于分析超声图像的方法和***
EP4076207B1 (en) A method and system for improved ultrasound plane acquisition
CN111612749B (zh) 基于肺部影像的病灶检测方法和装置
KR102389067B1 (ko) 척추 측만증 평가 방법 및 이를 이용한 척추 측만증 평가용 디바이스
CN112633404A (zh) 基于DenseNet的COVID-19患者的CT影像分类方法及装置
CN111784646A (zh) 图像处理装置及电子设备

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