CN114241198A - 获取局部影像组学特征的方法、装置、设备以及存储介质 - Google Patents
获取局部影像组学特征的方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN114241198A CN114241198A CN202111585040.3A CN202111585040A CN114241198A CN 114241198 A CN114241198 A CN 114241198A CN 202111585040 A CN202111585040 A CN 202111585040A CN 114241198 A CN114241198 A CN 114241198A
- Authority
- CN
- China
- Prior art keywords
- matrix
- dimensional
- target
- sequence set
- image sequence
- 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
Images
Classifications
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本申请提供了一种获取局部影像组学特征的方法、装置、设备以及存储介质,涉及医学影像处理领域。该方法包括:确定病灶感兴趣区域ROI的三维矩阵;对该三维矩阵进行分块,得到分块矩阵,该分块矩阵包括多个三维子矩阵;将该分块矩阵映射至多个图层,该图层包括区域的标识,该区域的标识用于指示该区域对应的三维子矩阵,该多个三维子矩阵包括该区域对应的三维子矩阵;在该多个图层中,确定目标区域;基于该目标区域的标识,确定目标三维子矩阵,该目标三维子矩阵用于提取局部病灶的影像组学特征。该方法能够使获取的局部病灶更加完整、更加准确,从而获取更加丰富的影像组学特征,以挖掘出局部病灶内的特征价值。
Description
技术领域
本申请实施例涉及医学影像处理领域,并且更具体地,涉及一种获取局部影像组学特征的方法、装置、设备以及存储介质。
背景技术
近年来,随着影像设备和采集技术的发展,影像组学的概念越来越多地应用于影像诊断中,它将传统的影像转换为可挖掘的数据信息,并对之进行高通量定量分析,可以提取到人类肉眼难以观察的特征。
目前影像组学均是基于整个病灶进行特征提取,但由于整个病灶中不同的局部病灶可能病变程度不同,局部病灶的异构性特征对病灶研究显得尤为重要。而目前缺乏准确完整的获取整个病灶中的局部病灶的方法,进而无法准确提取局部病灶内的影像组学特征进行特征分析。
发明内容
本申请实施例提供了一种获取局部影像组学特征的方法、装置、设备以及存储介质,能够使获取的局部病灶更加完整、更加准确,从而获取更加丰富的影像组学特征,以挖掘出局部病灶内的特征价值。
第一方面,提供了一种获取局部影像组学特征的方法,包括:
确定病灶感兴趣区域ROI的三维矩阵;
对该三维矩阵进行分块,得到分块矩阵,该分块矩阵包括多个三维子矩阵;
将该分块矩阵映射至多个图层,该图层包括区域的标识,该区域的标识用于指示该区域对应的三维子矩阵,该多个三维子矩阵包括该区域对应的三维子矩阵;
在该多个图层中,确定目标区域;
基于该目标区域的标识,确定目标三维子矩阵,该目标三维子矩阵用于提取局部病灶的影像组学特征。
第二方面,提供了一种获取局部影像组学特征的装置,包括:
第一确定单元,用于确定病灶感兴趣区域ROI的三维矩阵;
分块单元,用于对该三维矩阵进行分块,得到分块矩阵,该分块矩阵包括多个三维子矩阵;
映射单元,用于将该分块矩阵映射至多个图层,该图层包括区域的标识,该区域的标识用于指示该区域对应的三维子矩阵,该多个三维子矩阵包括该区域对应的三维子矩阵;
第二确定单元,用于在该多个图层中,确定目标区域;
第三确定单元,用于基于该目标区域的标识,确定目标三维子矩阵,该目标三维子矩阵用于提取局部病灶的影像组学特征。
第三方面,提供了一种电子设备,包括:
处理器,适于执行计算机程序;
计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,该计算机程序被该处理器执行时,实现上述第一方面的方法。
第四方面,提供了一种计算机可读存储介质,用于存储计算机程序,该计算机程序使得计算机执行上述第一方面的方法。
第五方面,提供了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现上述第一方面的方法。
基于以上技术方案,首先,通过对病灶感兴趣区域ROI的三维矩阵进行分块,得到分块矩阵,相当于,对全局病灶进行分割,得到用于表征各个局部病灶的三维子矩阵;其次,将该分块矩阵映射至多个图层,相当于,考虑到二维空间比三维空间在选取局部病灶时,操作更加简易;最后,定义图层包括区域的标识,该区域的标识用于指示该区域对应的三维子矩阵,相当于,将区域和三维子矩阵之间建立关联关系,基于此,再基于该目标区域的标识,确定目标三维子矩阵,实现将目标区域代表的局部病灶进行三维重构,以使最终获取的局部病灶更加准确和完整。
此外,由于获取的局部病灶更加准确和完整,所以从该局部病灶中提取的影像组学特征更加丰富,从而基于丰富的影像组学特征对局部病灶的异构性进行充分研究,有利于提高医疗诊断的准确性和可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例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申请的一些实施例,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是本申请实施例提供的获取局部影像组学特征的方法的示意性流程图。
图2为本申请实施例提供的分块矩阵映射至多个图层的示意图。
图3为本申请实施例提供的用户在目标图层的点击操作的示意图。
图4为本申请实施例提供的第一影像序列集和经二值化处理后的第二影像序列集的示意图。
图5为本申请实施例提供的将该目标三维子矩阵以外的其他三维子矩阵中的非零元素置换为第一元素的过程示意图。
图6为本申请实施例提供的展示局部病灶的位置的示意图。
图7是本申请实施例提供的获取局部影像组学特征的方法的另一示意性流程图。
图8是本申请实施例提供的获取局部影像组学特征的装置的示意性框图。
图9是本申请实施例提供的电子设备的示意结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请提供的方案可涉及人工智能技术。
其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
随着人工智能技术研究和进步,人工智能在智能医疗领域得到应用,并发挥越来越重要的价值。
本申请实施例可涉及人工智能技术中的计算机视觉(Computer Vision,CV)技术,计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图,作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能***。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术。
具体的,本申请实施例可涉及计算机视觉中的图像处理技术,更具体的,该图像处理技术可为医学影像处理技术;该影像处理技术可包括病变检测、图像分割、图像配准及图像融合等技术。
此外,本申请实施例还可涉及影像组学技术。
影像组学源于计算机辅助检测或诊断(computer-aided detection ordiagnosis,CAD),是将影像定量分析与机器学习方法结合起来。目前,影像组学的基本作用是通过大量的影像组学特征对病灶感兴趣区进行定量分析,从而可以提供有价值的诊断、预后或预测信息。影像组学的目的是探索和利用这些信息资源来开发诊断、辅助预测或得到影像组学模型,以支持个性化的临床决策和改善个体化的治疗选择。影像组学的工作流程可包括:图像采集、图像分割、图像特征提取和量化、特征选择以及建立基于影像组学特征的预测和分类模型,从而服务于辅助检测或诊断。
由于目前影像组学均是基于整个病灶进行特征提取,缺乏准确获取整个病灶中的局部病灶的方法,进而无法准确提取局部病灶内的影像组学特征进行特征分析。
基于此,本申请提供了一种获取局部影像组学特征的方法、装置、设备以及存储介质,能够使获取的局部病灶更加完整、更加准确,从而提取更加丰富的影像组学特征,以挖掘出局部病灶内的特征价值。
图1是本申请实施例提供的获取局部影像组学特征的方法100的示意性流程图。需要说明的是,本申请实施例提供的方案可通过任何具有数据处理能力的电子设备执行。例如,该电子设备可实施为服务器。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、以及大数据和人工智能平台等基础云计算服务的云服务器,服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。又如,该电子设备可实施为终端设备。该终端设备可以是平板电脑、笔记本电脑或台式电脑等。再如,该电子设备可实施为服务器和终端设备的组合;其中,该服务器和终端设备可通过无线或有线的方式基于互联网协议进行通信,本申请对该电子设备不作具体限制。
下边将以该电子设备为终端设备为例,对本申请实施例提供的方案进行详细说明。
如图1所示,该方法100可包括以下中的部分或全部内容:
S101,确定病灶感兴趣区域ROI的三维矩阵;
S102,对该三维矩阵进行分块,得到分块矩阵,该分块矩阵包括多个三维子矩阵;
S103,将该分块矩阵映射至多个图层,该图层包括区域的标识,该区域的标识用于指示该区域对应的三维子矩阵,该多个三维子矩阵包括该区域对应的三维子矩阵;
S104,在该多个图层中,确定目标区域;
S105,基于该目标区域的标识,确定目标三维子矩阵,该目标三维子矩阵用于提取局部病灶的影像组学特征。
换言之,首先,确定病灶感兴趣区域ROI的三维矩阵,并对该病灶感兴趣区域ROI的三维矩阵进行三维分割,得到分块矩阵;其次,将该分块矩阵映射至多个图层,该分块矩阵中的三维子矩阵和该图层中区域的标识对应;最后,在多个图层中,确定与意向获取的局部病灶相关的目标区域,并根据目标区域的标识得到与该目标区域的标识对应的三维子矩阵,即得到用于提取局部病灶的影像组学特征的三维子矩阵。
示例性的,利用三维分割算法,对病灶感兴趣区域ROI的三维矩阵进行N次三维分割,生成分块矩阵,其中N为大于或等于1的正整数。例如,该三维分割算法可以是八叉树的***合并算法,也可以是基于自适应包围盒的***合并算法,又可以是一些传统的三维分割算法,本申请不局限于某一种三维分割算法,对三维分割算法不作具体限制。
示例性的,在进行三维分割时,可根据病灶中不同局部病灶的异构性,对病灶进行N次分割。例如,根据病灶中区域间的相似度对病灶进行分割;又如,利用病灶中的梯度信息,确定分割边界,实现对病灶进行分割。再如,在分割过程中导入一些先验知识,对病灶进行分割。
需要说明的是,该图层为二维图层。
基于以上技术方案,首先,通过对病灶感兴趣区域ROI的三维矩阵进行分块,得到分块矩阵,相当于,对全局病灶进行分割,得到用于表征各个局部病灶的三维子矩阵;其次,将该分块矩阵映射至多个图层,相当于,考虑到二维空间比三维空间在选取局部病灶时,操作更加简易;最后,定义图层包括区域的标识,该区域的标识用于指示该区域对应的三维子矩阵,相当于,将区域和三维子矩阵之间建立关联关系,基于此,再基于该目标区域的标识,确定目标三维子矩阵,实现将目标区域代表的局部病灶进行三维重构,以使最终获取的局部病灶更加准确和完整。
此外,由于获取的局部病灶更加准确和完整,所以从该局部病灶中提取的影像组学特征更加丰富,从而基于丰富的影像组学特征对局部病灶的异构性进行充分研究,有利于提高医疗诊断的准确性和可靠性。
下边将结合图2,对将该分块矩阵映射至多个图层进行示意性说明。
图2为本申请实施例提供的分块矩阵映射至多个图层的示意图。
如图2所示,左侧为分块矩阵,右侧为多个图层。
其中,如图2所示,该分块矩阵中不同分割区域的标识不同,该多个图层中的每一个图层显示的区域的标识与该区域的标识指示的三维子矩阵的标识相同。
需要说明的是,图2中对分块矩阵的分割次数仅仅是示意性的,对多个图层的展示个数(N-2~N+2)也是示意性的,不应成为对本申请的限制。
在本申请的一些实施例中,S104可包括:
响应于用户在该多个图层中的目标图层的点击操作,确定该目标区域。
示例性的,终端设备响应于用户在该目标图层中的点击操作,确定目标区域,并基于该目标区域的标识,确定该用于表征该局部病灶的目标三维子矩阵。
需要说明的是,该目标图层可以是多个图层中的至少一个图层;相应的,该目标区域可以是目标图层中的一个区域或多个区域。
需要说明的是,该用户可以是医护人员,也可以是普通病人。
通过响应于用户自主式的在目标区域的点击操作,确定目标区域,并根据用户选取的目标区域的标识,确定目标三维矩阵,一方面,实现了用户灵活选取局部病灶的目的,其次,基于目标区域的标识,确定目标三维矩阵,相当于,将多个图层中与二维目标区域的标识相同的区域进行反向映射到三维,使得获取的局部病灶更加准确和完整。
此外,基于准确完整的局部病灶,自动提取影像组学特征,进而实现用户对局部病灶的特征价值分析。
当然,在其他可替代的实施例中,该目标区域可以是将多个图层中,相同标识最多的任一区域,确定为目标区域;也可以是将多个图层中,相同标识最少的任一区域,确定为目标区域;或是对某一指标进行分析后,预测得到的目标区域,本申请对此不作具体限制。
下边将结合图3,对用户在目标图层的点击操作进行示意性说明。
图3为本申请实施例提供的用户在目标图层的点击操作的示意图。
如图3所示,用户在第N个图层中点击目标区域,终端设备响应于用户在目标图层的点击操作,确定目标区域。
在本申请的一些实施例中,S101可包括:
获取原始的第一影像序列集,该第一影像序列集包括该病灶ROI;
对该第一影像序列集中的该病灶ROI进行标注,确定第二影像序列集;
基于该第一影像序列集和该第二影像序列集,确定该病灶感兴趣区域ROI的三维矩阵。
示例性的,该第一影像序列集可以是射线成像(Computed Tomography,CT)、也可以是核磁共振成像(Megnetic Resonace Imaging,MRI)、或核医学成像(NMI)、或超声波成像(UI),本申请对第一影像序列集的影像格式不作具体限制。
示例性的,若该第一影像序列集为CT序列集,则该病灶感兴趣区域ROI的三维矩阵中的元素为病灶感兴趣区域ROI的CT值,其单位为亨氏单位(hounsfield unit,Hu)。
示例性的,可以在第一影像序列集中指定矩形的坐标和矩形的长宽,以标注第一影像序列集中的病灶ROI;也可以指定病灶ROI行和列的范围,以标注第一影像序列集中的病灶ROI,本申请对病灶ROI的标注方法不作具体限制。
在本申请的一些实施例中,对该第一影像序列集中的该病灶ROI进行标注,得到标注后的影像序列集;对该标注后的影像序列集中的每一个影像序列进行二值化处理,得到该第二影像序列集。
示例性的,若第一影像序列集为CT影像序列集,下边将结合图4,对第一影像序列集和经二值化处理后的第二影像序列集进行示意性说明。
图4为本申请实施例提供的第一影像序列集和经二值化处理后的第二影像序列集的示意图。
如图4所示,左侧为原始CT影像,右侧为病灶感兴趣区域(ROI)。应理解,该CT影像可包括多个影像序列;具体的,运用标注平台,对图4中左侧的原始CT影像进行病灶ROI跨层标注,得到标注后的影像序列集,再对标注后的影像序列集进行二值化处理,得到如图4中右侧所示的病灶感兴趣区域(ROI)。
需要说明的是,二值化处理就是将256个亮度等级的灰度图像通过适当的阈值选取,从而获得仍然可以反映图像整体和局部特征的二值化图像。
通过对标注后的影像序列集进行二值化处理,使得第二影像序列集中除病灶ROI以外的其他区域作为背景,且凸显病灶ROI,为后续针对病灶ROI进行研究做好铺垫。
在本申请的一些实施例中,读取该第一影像序列集,生成该第一影像序列集对应的三维矩阵;读取该第二影像序列集,生成该第二影像序列集对应的三维矩阵;将该第一影像序列集对应的三维矩阵与该第二影像序列集对应的三维矩阵的乘积,确定为该病灶感兴趣区域ROI的三维矩阵。
示例性的,若该第一影像序列集为CT序列集,则第一影像序列集对应的三维矩阵中的元素为该CT序列集中的CT值。
示例性的,若该第二影像序列集为进行二值化处理后的序列集,则该第二影像序列集对应的三维矩阵为掩膜矩阵(Mask_matrix);基于此,由于该第一影像序列集对应的三维矩阵为影像矩阵(Image_matrix),通过将影像矩阵与掩膜矩阵相乘,相当于,利用掩膜矩阵将病灶中的非感兴趣区域进行屏蔽,得到病灶感兴趣区域ROI的三维矩阵。
当然,在其他一些可替代的实施例中,第二影像序列集可为标注后的影像序列集,可直接基于标注后的影像序列集,读取该标注后的影像序列集中的病灶ROI,生成该病灶ROI对应的三维矩阵。
在本申请的一些实施例中,S105可包括:
将该多个图层经反向映射,得到该分块矩阵;
将该分块矩阵中该目标区域的标识指示的三维子矩阵,确定为该目标三维子矩阵。
通过将多个图层反向映射,相当于,考虑到目标区域代表的局部病灶是不完整的、不准确的,需要在三维空间确定更加完整准确的局部病灶,即将多个图层反向映射是为确定更加完整准确的局部病灶做铺垫;将该分块矩阵中该目标区域的标识指示的三维子矩阵,确定为该目标三维子矩阵,相当于,将多个图层中,与该目标区域的标识相同的所有区域进行三维重构后得到的三维子矩阵,确定为目标三维子矩阵,相比于目标区域代表的局部病灶,即得到了更加完整准确的局部病灶。
在本申请的一些实施例中,方法100还可包括:
将该分块矩阵中,除该目标三维子矩阵以外的其他三维子矩阵中的非零元素置换为第一元素,以得到新的分块矩阵,该第一元素和该目标三维子矩阵中的元素不同,该新的分块矩阵用于展示该局部病灶的位置。
示例性的,若对病灶感兴趣区域ROI的三维矩阵进行N次分割,分割后的三维子矩阵的标识分别为1~N+1;对应的多个图层中的区域标识也分别为1~N+1,且当用户在目标图层中点击标识为N的目标区域后,则将该分块矩阵中与该区域标识N对应的第N个三维子矩阵以外的其他三维子矩阵中的大于0的元素置换为第一元素;例如,第N个三维子矩阵中的元素为2,则该第一元素可以为不是2的任何数。
基于此,下边将结合图5对该目标三维子矩阵以外的其他三维子矩阵中的非零元素置换为第一元素的过程进行示意性说明。
图5为本申请实施例提供的将该目标三维子矩阵以外的其他三维子矩阵中的非零元素置换为第一元素的过程示意图。
如图5所示,左侧为对病灶感兴趣区域ROI的三维矩阵进行分割,得到的分块矩阵,若用户点击的目标区域的标识为N,则将左侧三维矩阵中标识为N的三维子矩阵中的元素不变,将该分块矩阵中,除该标识为N的三维子矩阵以外的其他三维子矩阵中的非零元素置换为1,其中,标识为N的三维子矩阵中的元素不等于1,最终得到新的分块矩阵。
基于此,对新的分块矩阵通过三维重建,实现可视化展示,展示目标三维子矩阵代表的局部病灶的位置。
下边将结合图6对局部病灶的位置进行示意性展示。
图6为本申请实施例提供的展示局部病灶的位置的示意图。
如图6所示,箭头所指向的标识表征局部病灶的位置,其他标识的三维子矩阵为局部病灶的周边病变区域,空白为非病变区域。
通过将除该目标三维子矩阵以外的其他三维子矩阵中的非零元素置换为第一元素,相当于,将除该目标三维子矩阵以外的其他三维子矩阵确定为目标三维子矩阵的背景,以更加凸显局部病灶在病灶ROI中的位置。
当然,在其他可替代的实施例中,可将分块矩阵中目标三维子矩阵的元素置换为a1,将该分块矩阵中,除该目标三维子矩阵以外的其他三维子矩阵中的非零元素置换为a2,a1和a2都大于0,且不同。
在本申请的一些实施例中,方法100还可包括:
基于该目标三维子矩阵,提取该局部病灶的影像组学特征;
其中,该影像组学特征包括以下中的至少一项:
形态特征、灰度直方图特征、纹理特征、小波变换特征。
需要说明的是,该灰度直方图特征可以是一阶灰度直方图特征,也可以是二阶灰度直方图特征,本申请对此不作具体限制。应理解,影像组学特征还可包括基于清晰度或锐利度的特征,以量化局部病灶中不同病变位置间的密度关系,本申请对影像组学的具体特征不作具体限制。
在获取完整准确的局部病灶的基础上,再自动对该局部病灶提取影像组学特征,使得该局部病灶中提取的影像组学特征更加丰富,从而基于丰富的影像组学特征对局部病灶的异构性进行充分研究,解决了目前无法针对病灶内部的局部病灶进行影像组学分析的瓶颈,实现用户对局部病灶的特征价值分析,从而提高医疗诊断的准确性和可靠性。
图7是本申请实施例提供的获取局部影像组学特征的方法700的另一示意性流程图。
如图7所示,该方法700可包括:
S701,确定病灶感兴趣区域ROI的三维矩阵;
在一种实现方式中,获取原始的第一影像序列集,该第一影像序列集包括该病灶ROI;对该第一影像序列集中的该病灶ROI进行标注,确定第二影像序列集;基于该第一影像序列集和该第二影像序列集,确定该病灶感兴趣区域ROI的三维矩阵。
示例性的,对该第一影像序列集中的该病灶ROI进行标注,得到标注后的影像序列集;对该标注后的影像序列集中的每一个影像序列进行二值化处理,得到该第二影像序列集。
示例性的,读取该第一影像序列集,生成该第一影像序列集对应的三维矩阵;读取该第二影像序列集,生成该第二影像序列集对应的三维矩阵;将该第一影像序列集对应的三维矩阵与该第二影像序列集对应的三维矩阵的乘积,确定为该病灶感兴趣区域ROI的三维矩阵。
S702,对该三维矩阵进行分块,得到分块矩阵,该分块矩阵包括多个三维子矩阵;
S703,将该分块矩阵映射至多个图层,该图层包括区域的标识,该区域的标识用于指示该区域对应的三维子矩阵,该多个三维子矩阵包括该区域对应的三维子矩阵;
S704,响应于用户在该多个图层中的目标图层的点击操作,确定该目标区域;
S705,基于该目标区域的标识,确定目标三维子矩阵,该目标三维子矩阵用于提取局部病灶的影像组学特征;
在一种实现方式中,将该多个图层经反向映射,得到该分块矩阵;将该分块矩阵中该目标区域的标识指示的三维子矩阵,确定为该目标三维子矩阵。
S706,将该分块矩阵中,除该目标三维子矩阵以外的其他三维子矩阵中的非零元素置换为第一元素,以得到新的分块矩阵,该第一元素和该目标三维子矩阵中的元素不同,该新的分块矩阵用于展示该局部病灶的位置;
S707,基于该新的分块矩阵中的目标三维子矩阵,提取该局部病灶的影像组学特征。
需要说明的是,该影像组学特征包括以下中的至少一项:
形态特征、灰度直方图特征、纹理特征、小波变换特征。
以上结合附图详细描述了本申请的优选实施方式,但是,本申请并不限于上述实施方式中的具体细节,在本申请的技术构思范围内,可以对本申请的技术方案进行多种简单变型,这些简单变型均属于本申请的保护范围。例如,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本申请对各种可能的组合方式不再另行说明。又例如,本申请的各种不同的实施方式之间也可以进行任意组合,只要其不违背本申请的思想,其同样应当视为本申请所公开的内容。还应理解,在本申请的各种方法实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
上文对本申请实施例提供的方法进行了说明,下面对本申请实施例提供的获取局部影像组学特征的装置进行说明。
图8是本申请实施例提供的获取局部影像组学特征的装置的框图800的示例。
如图8所示,该获取局部影像组学特征的装置800可包括以下中部分或全部内容:
第一确定单元810,用于确定病灶感兴趣区域ROI的三维矩阵;
分块单元820,用于对该三维矩阵进行分块,得到分块矩阵,该分块矩阵包括多个三维子矩阵;
映射单元830,用于将该分块矩阵映射至多个图层,该图层包括区域的标识,该区域的标识用于指示该区域对应的三维子矩阵,该多个三维子矩阵包括该区域对应的三维子矩阵;
第二确定单元840,用于在该多个图层中,确定目标区域;
第三确定单元850,用于基于该目标区域的标识,确定目标三维子矩阵,该目标三维子矩阵用于提取局部病灶的影像组学特征。
在本申请的一些实施例中,第一确定单元810可具体用于:
获取原始的第一影像序列集,该第一影像序列集包括该病灶ROI;
对该第一影像序列集中的该病灶ROI进行标注,确定第二影像序列集;
基于该第一影像序列集和该第二影像序列集,确定该病灶感兴趣区域ROI的三维矩阵。
在本申请的一些实施例中,对该第一影像序列集中的该病灶ROI进行标注,得到标注后的影像序列集;对该标注后的影像序列集中的每一个影像序列进行二值化处理,得到该第二影像序列集。
在本申请的一些实施例中,第一确定单元810还可具体用于:
读取该第一影像序列集,生成该第一影像序列集对应的三维矩阵;
读取该第二影像序列集,生成该第二影像序列集对应的三维矩阵;
将该第一影像序列集对应的三维矩阵与该第二影像序列集对应的三维矩阵的乘积,确定为该病灶感兴趣区域ROI的三维矩阵。
在本申请的一些实施例中,第二确定单元840可具体用于:
响应于用户在该多个图层中的目标图层的点击操作,确定该目标区域。
在本申请的一些实施例中,第三确定单元850可具体用于:
将该多个图层经反向映射,得到该分块矩阵;
将该分块矩阵中该目标区域的标识指示的三维子矩阵,确定为该目标三维子矩阵。
在本申请的一些实施例中,第三确定单元850可具体用于:
将该分块矩阵中,除该目标三维子矩阵以外的其他三维子矩阵中的非零元素置换为第一元素,以得到新的分块矩阵,该第一元素和该目标三维子矩阵中的元素不同,该新的分块矩阵用于展示该局部病灶的位置。
在本申请的一些实施例中,装置800还可包括提取单元,该提取单元可具体用于:
基于该目标三维子矩阵,提取该局部病灶的影像组学特征;
其中,该影像组学特征包括以下中的至少一项:
形态特征、灰度直方图特征、纹理特征、小波变换特征。
应理解,获取局部影像组学特征的装置实施例与方法实施例可以相互对应,类似的描述可以参照方法实施例。为避免重复,此处不再赘述。具体地,该获取局部影像组学特征的装置800可以对应于执行本申请实施例的方法100和方法700中的相应主体,并且该获取局部影像组学特征的装置800中的各个单元分别为了实现方法100和方法700中的相应流程,为了简洁,在此不再赘述。
还应当理解,本申请实施例涉及的该获取局部影像组学特征的装置800中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成,这可以实现同样的操作,而不影响本申请的实施例的技术效果的实现。上述单元是基于逻辑功能划分的,在实际应用中,一个单元的功能也可以由多个单元来实现,或者多个单元的功能由一个单元实现。在本申请的其它实施例中,该获取局部影像组学特征的装置800也可以包括其它单元,在实际应用中,这些功能也可以由其它单元协助实现,并且可以由多个单元协作实现。根据本申请的另一个实施例,可以通过在包括例如中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件的通用计算机的通用计算设备上运行能够执行相应方法所涉及的各步骤的计算机程序(包括程序代码),来构造本申请实施例涉及的该获取局部影像组学特征的装置800,以及来实现本申请实施例的获取局部影像组学特征的方法。其中,计算机程序可以记载于例如计算机可读存储介质上,并通过计算机可读存储介质装载于电子设备中,并在其中运行,来实现本申请实施例的相应方法。
换言之,上文涉及的单元可以通过硬件形式实现,也可以通过软件形式的指令实现,还可以通过软硬件结合的形式实现。具体地,本申请实施例中的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成,结合本申请实施例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组合执行完成。可选地,软件可以位于随机存储器,闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法实施例中的步骤。
图9是本申请实施例提供的电子设备900的示意结构图。
如图9所示,该电子设备900至少包括处理器910以及计算机可读存储介质920。其中,处理器910以及计算机可读存储介质920可通过总线或者其它方式连接。计算机可读存储介质920用于存储计算机程序921,计算机程序921包括计算机指令,处理器910用于执行计算机可读存储介质920存储的计算机指令。处理器910是电子设备900的计算核心以及控制核心,其适于实现一条或多条计算机指令,具体适于加载并执行一条或多条计算机指令从而实现相应方法流程或相应功能。
作为示例,处理器910也可称为中央处理器(Central Processing Unit,CPU)。处理器910可以包括但不限于:通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等等。
作为示例,计算机可读存储介质920可以是高速RAM存储器,也可以是非不稳定的存储器(Non-Volatile Memory),例如至少一个磁盘存储器;可选的,还可以是至少一个位于远离前述处理器910的计算机可读存储介质。具体而言,计算机可读存储介质920包括但不限于:易失性存储器和/或非易失性存储器。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DR RAM)。
在一种实现方式中,该电子设备900可以是图8所示的获取局部影像组学特征的装置800;该计算机可读存储介质920中存储有计算机指令;由处理器910加载并执行计算机可读存储介质920中存放的计算机指令,以实现图1和图7所示方法实施例中的相应步骤;具体实现中,计算机可读存储介质920中的计算机指令由处理器910加载并执行相应步骤,为避免重复,此处不再赘述。
根据本申请的另一方面,本申请实施例还提供了一种计算机可读存储介质(Memory),计算机可读存储介质是电子设备900中的记忆设备,用于存放程序和数据。例如,计算机可读存储介质920。可以理解的是,此处的计算机可读存储介质920既可以包括电子设备900中的内置存储介质,当然也可以包括电子设备900所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了电子设备900的操作***。并且,在该存储空间中还存放了适于被处理器910加载并执行的一条或多条的计算机指令,这些计算机指令可以是一个或多个的计算机程序921(包括程序代码)。
该电子设备900还可包括:收发器930,该收发器930可连接至该处理器910或计算机可读存储介质920。
其中,计算机可读存储介质920可以控制该收发器930与其他设备进行通信,具体地,可以向其他设备发送信息或数据,或接收其他设备发送的信息或数据。收发器930可以包括发射机和接收机。收发器930还可以进一步包括天线,天线的数量可以为一个或多个。
根据本申请的另一方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。例如,计算机程序921。此时,电子设备900可以是计算机,处理器910从计算机可读存储介质920读取该计算机指令,处理器910执行该计算机指令,使得该计算机执行上述各种可选方式中提供的获取局部影像组学特征的方法。
换言之,当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地运行本申请实施例的流程或实现本申请实施例的功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质进行传输,例如,该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元以及流程步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
最后需要说明的是,以上实施例仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种获取局部影像组学特征的方法,其特征在于,包括:
确定病灶感兴趣区域ROI的三维矩阵;
对所述三维矩阵进行分块,得到分块矩阵,所述分块矩阵包括多个三维子矩阵;
将所述分块矩阵映射至多个图层,所述图层包括区域的标识,所述区域的标识用于指示所述区域对应的三维子矩阵,所述多个三维子矩阵包括所述区域对应的三维子矩阵;
在所述多个图层中,确定目标区域;
基于所述目标区域的标识,确定目标三维子矩阵,所述目标三维子矩阵用于提取局部病灶的影像组学特征。
2.根据权利要求1所述的方法,其特征在于,所述确定病灶感兴趣区域ROI的三维矩阵,包括:
获取原始的第一影像序列集,所述第一影像序列集包括所述病灶ROI;
对所述第一影像序列集中的所述病灶ROI进行标注,确定第二影像序列集;
基于所述第一影像序列集和所述第二影像序列集,确定所述病灶感兴趣区域ROI的三维矩阵。
3.根据权利要求2所述的方法,其特征在于,所述对所述第一影像序列集中的所述病灶ROI进行标注,确定第二影像序列集,包括:
对所述第一影像序列集中的所述病灶ROI进行标注,得到标注后的影像序列集;
对所述标注后的影像序列集中的每一个影像序列进行二值化处理,得到所述第二影像序列集。
4.根据权利要求2所述的方法,其特征在于,所述基于所述第一影像序列集和所述第二影像序列集,确定所述病灶感兴趣区域ROI的三维矩阵,包括:
读取所述第一影像序列集,生成所述第一影像序列集对应的三维矩阵;
读取所述第二影像序列集,生成所述第二影像序列集对应的三维矩阵;
将所述第一影像序列集对应的三维矩阵与所述第二影像序列集对应的三维矩阵的乘积,确定为所述病灶感兴趣区域ROI的三维矩阵。
5.根据权利要求1所述的方法,其特征在于,所述基于所述目标区域的标识,确定目标三维子矩阵,包括:
将所述多个图层经反向映射,得到所述分块矩阵;
将所述分块矩阵中所述目标区域的标识指示的三维子矩阵,确定为所述目标三维子矩阵。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述分块矩阵中,除所述目标三维子矩阵以外的其他三维子矩阵中的非零元素置换为第一元素,以得到新的分块矩阵,所述第一元素和所述目标三维子矩阵中的元素不同,所述新的分块矩阵用于展示所述局部病灶的位置。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述目标三维子矩阵,提取所述局部病灶的影像组学特征;
其中,所述影像组学特征包括以下中的至少一项:
形态特征、灰度直方图特征、纹理特征、小波变换特征。
8.一种获取局部影像组学特征的装置,其特征在于,包括:
第一确定单元,用于确定病灶感兴趣区域ROI的三维矩阵;
分块单元,用于对所述三维矩阵进行分块,得到分块矩阵,所述分块矩阵包括多个三维子矩阵;
映射单元,用于将所述分块矩阵映射至多个图层,所述图层包括区域的标识,所述区域的标识用于指示所述区域对应的三维子矩阵,所述多个三维子矩阵包括所述区域对应的三维子矩阵;
第二确定单元,用于在所述多个图层中,确定目标区域;
第三确定单元,用于基于所述目标区域的标识,确定目标三维子矩阵,所述目标三维子矩阵用于提取局部病灶的影像组学特征。
9.一种电子设备,其特征在于,包括:
处理器,适于执行计算机程序;
计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序,所述计算机程序使得计算机执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111585040.3A CN114241198A (zh) | 2021-12-22 | 2021-12-22 | 获取局部影像组学特征的方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111585040.3A CN114241198A (zh) | 2021-12-22 | 2021-12-22 | 获取局部影像组学特征的方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114241198A true CN114241198A (zh) | 2022-03-25 |
Family
ID=80761617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111585040.3A Pending CN114241198A (zh) | 2021-12-22 | 2021-12-22 | 获取局部影像组学特征的方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241198A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115409835A (zh) * | 2022-10-31 | 2022-11-29 | 成都浩目科技有限公司 | 三维成像方法、装置、电子设备、***和可读存储介质 |
-
2021
- 2021-12-22 CN CN202111585040.3A patent/CN114241198A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115409835A (zh) * | 2022-10-31 | 2022-11-29 | 成都浩目科技有限公司 | 三维成像方法、装置、电子设备、***和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110617B (zh) | 医学影像分割方法、装置、电子设备和存储介质 | |
Usman et al. | Volumetric lung nodule segmentation using adaptive roi with multi-view residual learning | |
CN109003267B (zh) | 从3d图像自动检测目标对象的计算机实现方法和*** | |
Shen et al. | Unsupervised domain adaptation with adversarial learning for mass detection in mammogram | |
JP2019076699A (ja) | 偽陽性低減での小結節検出 | |
US10706534B2 (en) | Method and apparatus for classifying a data point in imaging data | |
An et al. | Medical image segmentation algorithm based on multilayer boundary perception-self attention deep learning model | |
CN111488872B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN111667459B (zh) | 一种基于3d可变卷积和时序特征融合的医学征象检测方法、***、终端及存储介质 | |
CN112396606B (zh) | 一种基于用户交互的医学图像分割方法、***和装置 | |
CN112102294A (zh) | 生成对抗网络的训练方法及装置、图像配准方法及装置 | |
CN113168912A (zh) | 使用深度学习确定3d数据集中对象的增长速度 | |
CN114549462A (zh) | 基于视角解耦Transformer模型的病灶检测方法、装置、设备及介质 | |
CN115861248A (zh) | 医学图像分割方法、医学模型训练方法、装置和存储介质 | |
CN113706442A (zh) | 基于人工智能的医疗图像处理方法、装置及电子设备 | |
CN110738702B (zh) | 一种三维超声图像的处理方法、装置、设备及存储介质 | |
CN115861656A (zh) | 用于自动处理医学图像以输出警报的方法、设备和*** | |
CN112102235A (zh) | 人体部位识别方法、计算机设备和存储介质 | |
CN113724185B (zh) | 用于图像分类的模型处理方法、装置及存储介质 | |
CN110992310A (zh) | 一种确定纵隔***所在分区的方法及装置 | |
CN114241198A (zh) | 获取局部影像组学特征的方法、装置、设备以及存储介质 | |
CN113822846A (zh) | 医学图像中确定感兴趣区域的方法、装置、设备及介质 | |
CN116342986B (zh) | 模型训练方法、目标器官的分割方法及相关产品 | |
CN113192031A (zh) | 血管分析方法、装置、计算机设备和存储介质 | |
CN115115570A (zh) | 医学图像分析方法和装置、计算机设备及存储介质 |
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 |