CN114842003A - 一种医学影像随访目标配对方法、装置及应用 - Google Patents
一种医学影像随访目标配对方法、装置及应用 Download PDFInfo
- Publication number
- CN114842003A CN114842003A CN202210776250.9A CN202210776250A CN114842003A CN 114842003 A CN114842003 A CN 114842003A CN 202210776250 A CN202210776250 A CN 202210776250A CN 114842003 A CN114842003 A CN 114842003A
- Authority
- CN
- China
- Prior art keywords
- target
- medical image
- follow
- feature
- normalized
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000014509 gene expression Effects 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 238000010606 normalization Methods 0.000 abstract description 16
- 238000012549 training Methods 0.000 description 8
- 210000004072 lung Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 206010056342 Pulmonary mass Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本申请提出了一种医学影像随访目标配对方法、装置及应用,所包括:获取满足随访条件的第一医学影像和第二医学影像,提取第一随访目标的第一目标特征信息,其中第一目标特征信息包括第一归一化坐标、第一归一化长短径信息以及第一局部影像块,提取第二随访目标的第二目标特征信息,其中第二目标特征信息包括第二归一化坐标、第二归一化长短径信息以及第二局部影像块;第一目标特征信息/第二目标特征信息输入到深度特征表达模型中得到第一目标深度特征/第二目标深度特征;基于第一目标深度特征和第二目标深度特征判断第一随访目标和第二随访目标的配对情况,通过多个维度的信息来提高配对的精准度。
Description
技术领域
本申请涉及医学影像领域,特别是涉及一种医学影像随访目标配对方法、装置及应用。
背景技术
医学影像指的为了医疗或医学研究,对人体或人体某部分,以非侵入方式取得内部组织影像的技术与处理过程,医学影像所展示的内部组织影像可以很好地帮助医护人员了解病患的真实病理情况。在临床医学中经常需要对医学影像进行随访,进而确定疾病的发展情况以对诊疗方案的进展和预后都做出良好的判断,随访的医学影像往往是间隔一段时间的患者同一部位的影像。
然而由于不同时间段拍摄的医学影像或多或少会存在一些偏差,可能是由于患者的拍摄***的变化造成的偏差,也可能是由于拍摄仪器本身的偏差,也可能是由于组织器官本身的差异造成的偏差。若采取医护人员人为地阅片匹配随访目标的方式将存在工作量繁多,且配准精度存在较大人为误差的缺陷。现有技术CN112686866A提供的一种基于医学影像的随访方法,获取两期目标组织特征的对照性图像对比结果和/或结构化文字比对结果,其在获取对照性图像比对结果时仅是采用了依据第一图像的层级和目标图像区域的体积来进行匹配,然而这种匹配方式首先需要区别不同组目标组织特征的对照性图像的序列是对应的,同时也仅适用于目标区域体积变化不大的情况进行匹配,导致整个方案的适用场景非常有限,同时配对的精准度存在很大的问题。
发明内容
本申请实施例提供了一种医学影像随访目标配对方法、装置及应用,通过随访目标的归一化坐标、归一化长短径以及局部影像块三个维度的信息提取深度特征表达,基于涵盖多维度的深度特征表达来提高随访目标配对的准确度。
第一方面,本申请实施例提供了一种医学影像随访目标配对方法,所述方法包括:
获取满足随访条件的第一医学影像和第二医学影像;
预处理所述第一医学影像和所述第二医学影像,得到第一标准***医学影像和第二标准***医学影像;
提取所述第一标准***医学影像的第一随访目标的第一目标特征信息,其中所述第一目标特征信息包括第一归一化坐标、第一归一化长短径信息以及第一局部影像块,提取所述第二标准***医学影像的第二随访目标的第二目标特征信息,其中所述第二目标特征信息包括第二归一化坐标、第二归一化长短径信息以及第二局部影像块;
所述第一目标特征信息输入到深度特征表达模型中得到第一目标深度特征,所述第二目标特征信息输入到深度特征表达模型中得到第二目标深度特征;
基于所述第一目标深度特征和所述第二目标深度特征判断第一随访目标和第二随访目标的配对情况。
第二方面,本申请实施例提供了一种医学影像随访目标配对装置,包括:医学影像获取单元,用于获取满足随访条件的第一医学影像和第二医学影像;
预处理单元,用于预处理所述第一医学影像和所述第二医学影像,得到第一标准***医学影像和第二标准***医学影像;
信息提取单元,用于提取所述第一标准***医学影像的第一随访目标的第一目标特征信息,其中所述第一目标特征信息包括第一归一化坐标、第一归一化长短径信息以及第一局部影像块,提取所述第二标准***医学影像的第二随访目标的第二目标特征信息,其中所述第二目标特征信息包括第二归一化坐标、第二归一化长短径信息以及第二局部影像块;
深度特征获取单元,用于将所述第一目标特征信息输入到深度特征表达模型中得到第一目标深度特征,所述第二目标特征信息输入到深度特征表达模型中得到第二目标深度特征;
配对单元,用于基于所述第一目标深度特征和所述第二目标深度特征判断第一随访目标和第二随访目标的配对情况。
第三方面,本申请实施例提供了一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述的医学影像随访目标配对方法。
第四方面,本申请实施例提供了一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序包括用于控制过程以执行过程的程序代码,所述过程包括任一所述的医学影像随访目标配对方法。
本发明的主要贡献和创新点如下:
本申请实施例提供了一种医学影像随访目标配对方法、装置及应用,通过对医学影像进行标准***校正以及目标对齐处理后,提取归一化坐标、归一化长短径信息以及局部影像块等多个维度的信息并转换得到目标深度特征,并通过目标深度特征的比对来判断两个医学影像的随访目标是否是配对的,可结合多个维度的信息以得到更精准的随访目标的配对结果。相较其他专利方法,本发明针对拍摄***姿态不统一、患者同部位病灶相邻较近情况,专门设计了标准***校正、深度特征配对、同患者三元组建模训练等关键技术,整体预测效果具有非常高的配对准确性和鲁棒性,配对准确率可高达92%以上,更进一步的该模型训练完成后可进一步扩展到病灶检索领域,相关技术的推广应用具有非常高的临床价值。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的医学影像随访目标配对方法的流程图;
图2是根据本申请一种实施例的深度特征表达提取模型的框架图;
图3是根据本申请一种实施例的医学影像随访目标配对方法的逻辑图;
图4是根据本申请实施例的医学影像随访目标配对装置的结构框图;
图5是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是:在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其他实施例中可能被分解为多个步骤进行描述;而本说明书中所描述的多个步骤,在其他实施例中也可能被合并为单个步骤进行描述。
实施例一
本申请旨在提出一种医学影像随访目标配对方法、装置及应用,可对至少两医学影像进行标准***校正后,提取归一化坐标、归一化长短径和局部影像块三个维度信息的深度表达特征,利用涵盖更全面信息的深度表达特征实现多个医学影像的随访目标的配对。
具体地,参考图1和图3,所述医学影像随访目标配对方法包括:
获取满足随访条件的第一医学影像和第二医学影像;
预处理所述第一医学影像和所述第二医学影像,得到第一标准***医学影像和第二标准***医学影像;
提取所述第一标准***医学影像的第一随访目标的第一目标特征信息,其中所述第一目标特征信息包括第一归一化坐标、第一归一化长短径信息以及第一局部影像块,提取所述第二标准***医学影像的第二随访目标的第二目标特征信息,其中所述第二目标特征信息包括第二归一化坐标、第二归一化长短径信息以及第二局部影像块;
所述第一目标特征信息输入到深度特征表达模型中得到第一目标深度特征,所述第二目标特征信息输入到深度特征表达模型中得到第二目标深度特征;
基于所述第一目标深度特征和所述第二目标深度特征判断第一随访目标和第二随访目标的配对情况。
本方案的一大应用场景是协助医护人员快速且准确地判断随访的多张医学影像中的随访目标是否配对,若配对则可以基于配对结果研究疾病的发展情况。
在“获取满足随访条件的第一医学影像和第二医学影像”步骤中,随访条件为同一患者的同一随访目标在不同时间段的医学影像。不同时间段的时间长短可根据实际需求进行调整,可以是一周、一个月甚至是一年;随访目标选择为任何可被影像获取的组织部位,可以是胸、肺、脊椎等组织部位。医学影像的类型可选择为CT、MRI/fMRI、SPECT等。
值得说明的是,为了方便后续对第一医学影像和第二医学影像进行随访目标的配对,优选的第一医学影像和第二医学影像选择为同一类型的医学影像。
“预处理所述第一医学影像和所述第二医学影像,得到第一标准***医学影像和第二标准***医学影像”步骤包括,对所述第一医学影像和所述第二医学影像进行标准***校正以及目标对齐处理,得到第一标准***医学影像和第二标准***医学影像。
此时,所述第一标准***医学影像和所述第二标准***医学影像中的随访目标处于标准***。标准***校正的具体步骤包括:
获取所述第一医学影像的第一影像扫描参数,基于所述第一影像扫描参数将所述第一医学影像校正至标准***坐标系中;
获取所述第二医学影像的第二影像扫描参数,基于所述第二影像扫描参数将所述第而医学影像校正至标准***坐标系中。
所述第一影像扫描参数和所述第二影像扫描参数至少包括人体摆放方位、扫描方向、起始坐标信息,本方案可基于第一影像扫描参数/第二影像扫描参数将所述第一医学影像/第二医学影像的像素坐标矫正至标准***坐标系中,校正后的第一医学影像/第二医学影像中的患者位于标准***。值得一提的是,本方案通过标准***的校正以确保后续配对的数据的误差尽可能地小。
在一些实施例中采用放射变换的方法将所述第一医学影像/第二医学影像的像素坐标矫正至标准***坐标系中。
当然本方案不仅仅是对第一医学影像和第二医学影像进行标准***校正,本方案还对校正后的医学影像进行目标对齐处理,以使得得到的第一标准***医学影像和第二标准***医学影像的随访目标可处于相同尺度下进行分析。
所述目标对齐处理进一步包括:标准化处理以及区域对齐。其中标准化处理指的是卡窗宽窗位,归一化等操作。区域对齐指的是将随访目标平移缩放到相同大小,并使随访目标近似对齐。示例性的,若随访目标为肺部组织,则区域对齐指的是将第一医学影像和第二医学影像中的肺部组织区域平移缩放到相同大小,直白点就是两个医学影像的肺部组织的肺尖、肺底基本对上。
在“对所述第一医学影像和所述第二医学影像进行标准***校正以及目标对齐处理”步骤中,将经过标准***校正的第一医学影像和第二医学影像输入到分割模型中分割出来对应的前景组织,利用前景组织所在的外接框的顶点坐标计算仿射变换矩阵,根据仿射变换矩阵进行目标对齐处理。
当然,本方案提及的分割模型为经过训练得到,可分割得到第一医学影像/第二医学影像中的随访目标。分割区域包括前景组织和背景区域,本方案获取随访目标所对应的前景组织进行目标对齐处理。
在提取目标特征信息阶段,本方案之所以要提取医学影像中的随访目标的归一化坐标和归一化长短径信息,主要是考虑到归一化坐标可用于确定两个随访目标是不是处于同一个生物解剖位置,归一化长短径可用于确定两个随访目标的中心位置以及长短尺寸是否基本一致。
归一化的目的是为了统一测量刻度,以使得不同医学影像的目标特征信息具有可比性。比如归一化坐标可在确定肺结节时,都以心脏的最中心为坐标原点,获取结节病灶所处的坐标位置,进而确定两个医学影像中的肺结节是否处于同一个肺段上。而归一化长短径可协助确认两个随访目标是否一直,一般而言,若两个随访目标的获取时间间隔较短时,同一个位置的病灶的中心位置以及长短尺寸应当是基本一致的。
也就是说,本方案提及的第一归一化坐标和第二归一化坐标指的是:以同一坐标原点形成的参考坐标系的随访目标的坐标位置。本方案可在第一标准***医学影像和第二标准***医学影像中确定同一坐标原点,并以极坐标表示第一归一化坐标和第二归一化坐标。
本方案提及的第一归一化长短径信息和第二归一化长短径信息指的是:随访目标在以同一坐标原点形成的参考坐标系的同一测量尺度下的长短径。本方案可以第一标准***医学影像和第二标准***医学影像中随访目标对应的前景组织的外接框的宽度作为分母,归一化处理随访目标获取第一归一化长短径信息和第二归一化长短径信息。
在本方案的实施例中,以第一标准***医学影像和第二标准***医学影像的中心为参考坐标系的中心。
在提取所述第一局部影像块和所述第二局部影像块时,以随访目标的中心坐标为中心,若随访目标的长径的1.5倍小于设定长度,则以设定长度为截取长度截取所述随访目标得到局部影像块;若随访目标的长径的1.5倍大于设定长度,则以随访目标的长径的1.5倍为截取长度截取随访目标得到局部影像块。
也就是说,若第一随访目标的长径的1.5倍小于设定长度,则以设定长度为截取长度截取所述第一随访目标得到第一局部影像块;若第一随访目标的长径的1.5倍大于设定长度,则以第一随访目标的长径的1.5倍为截取长度截取第一随访目标得到第一局部影像块。若第二随访目标的长径的1.5倍小于设定长度,则以设定长度为截取长度截取所述第二随访目标得到局部影像块;若第二随访目标的长径的1.5倍大于设定长度,则以第二随访目标的长径的1.5倍为截取长度截取第二随访目标得到第二局部影像块。
值得一提的是,设定长度一般是通过统计训练数据集中随访目标的尺寸分布,并以平均尺寸的1.5倍作为设定长度。故对应不同的随访目标的设定长度是不同的。另外,本方案在此以随访目标的长径为选择标准是保证截取得到的局部影像块可尽可能地完整。
本方案提供的第一目标深度特征和第二目标深度特征可表征三个维度的信息,故使得配对的精准度可更高。本方案适应性地修改了深度特征表达模型的框架结构,深度特征表达模型的框架如图2所示。
深度特征表达模型包括卷积特征提取网络、拼接特征的第一全连接层以及融合特征的第二全连接层,所述卷积特征提取网络、所述第一全连接层以及所述第二全连接层共享网络权重,第一局部影像块/第二局部影像块输入到卷积特征提取网络被卷积后得到卷积特征卷积特征提取网络卷积特征提取网络,第一全连接层将经过全局平均池化处理的所述卷积特征、第一归一化坐标/第二归一化坐标、以及第一归一化长短径信息/第二归一化长短径信息拼接成一维特征向量,第二全连接层加权融合一维特征向量内的信息获取目标深度特征,具体的,第二全连接层加权融合所述卷积特征、第一归一化坐标/第二归一化坐标、以及第一归一化长短径信息/第二归一化长短径信息得到第一目标深度特征/第二目标深度特征。
本方案之所以设置第一全连接层的目的是:第一归一化坐标/第二归一化坐标,和第一归一化长短径信息/第二归一化长短径信息均是一维信息,第一全连接层将卷积特征、第一归一化坐标/第二归一化坐标,以及第一归一化长短径信息/第二归一化长短径信息拼接,以保证第二全连接层可对卷积特征、第一归一化坐标/第二归一化坐标,以及第一归一化长短径信息/第二归一化长短径信息进行加权融合处理。
本方案设计的深度特征表达模型采用三元组训练策略训练得到。在训练数据集中第一标准***医学影像随机选一个第一随访目标,记为锚样本a,然后在第二标准***医学影像中选择与第一随访目标匹配的第二随访目标,记为匹配样本p,最后,从第一标准***医学影像或第二标准***医学影像选择和上述锚样本和匹配样本之外的随访目标作为负样本n,若不存在这类负样本,则从第一标准***医学影像或第二标准***医学影像组织前景内随机位置和大小的样本作为负样本,由此锚样本a、匹配样本p和负样本n构成一个三元组。
三元组的锚样本a、匹配样本p和负样本n分别输入深度特征表达模型中得到对应的特征表达分别记为:f[a]、f[p]、f[n],计算锚样本a对应的特征表达f[a]和匹配样本的特征表达f[p]之间的欧式距离(d(f[a],f[p]));计算锚样本a对应的特征表达f[a]和负样本的特征表达f[n]之间的欧式距离(d(f[a],f[n])),整个深度特征表达模型的损失函数为:
其中d表示特征向量之间的欧式距离,μ=0.1,通过上述损失函数进行深度学习,让a和p特征表达之间的距离尽可能小,而a和n的特征表达之间的距离尽可能大,并且要让a与n之间的距离和a与p之间的距离之间有一个最小的间隔,经过训练后得到深度特征表达模型。
在“基于所述第一目标深度特征和所述第二目标深度特征判断第一随访目标和第二随访目标的配对情况”步骤中,计算所述第一目标深度特征和所述第二目标深度特征的距离和预设阈值的关系,若距离小于预设阈值则判断为配对。
在本方案中,预设阈值通过第一医学影像的第一扫描时间和第二医学影像的第二扫描时间的时间间隔确定。具体的计算公式如下;
T为预设阈值,t1是第一扫描时间,t2是第二扫描时间。当第一扫描时间和第二扫描时间的间隔小于2年时,采用递进的线性递增方式,阈值最大为0.8*2,若第一扫描时间和第二扫描时间超过2年的话可统一用阈值1.6。
所述第一目标深度特征和所述第二目标深度特征的距离是通过以下方式计算得到的:
其中,d特征距离,F1表示第一目标深度特征,F2表示第二目标深度特征,深度特征共n位,i表示深度特征的第i位。具体而言,本方案是通过计算第一目标深度特征和第二目标深度特征的欧式距离。
实施例二
基于相同的构思,参考图4,本申请还提出了一种医学影像随访目标配对装置,包括:
医学影像获取单元,用于获取满足随访条件的第一医学影像和第二医学影像;
预处理单元,用于预处理所述第一医学影像和所述第二医学影像,得到第一标准***医学影像和第二标准***医学影像;
信息提取单元,用于提取所述第一标准***医学影像的第一随访目标的第一目标特征信息,其中所述第一目标特征信息包括第一归一化坐标、第一归一化长短径信息以及第一局部影像块,提取所述第二标准***医学影像的第二随访目标的第二目标特征信息,其中所述第二目标特征信息包括第二归一化坐标、第二归一化长短径信息以及第二局部影像块;
深度特征获取单元,用于将所述第一目标特征信息输入到深度特征表达模型中得到第一目标深度特征,所述第二目标特征信息输入到深度特征表达模型中得到第二目标深度特征;
配对单元,用于基于所述第一目标深度特征和所述第二目标深度特征判断第一随访目标和第二随访目标的配对情况。
关于该实施例二中同于实施例一的技术内容在此不进行累赘说明。
实施例三
本实施例还提供了一种电子装置,参考图5,包括存储器404和处理器402,该存储器404中存储有计算机程序,该处理器402被设置为运行计算机程序以执行上述任一项医学影像随访目标配对方法实施例中的步骤。
具体地,上述处理器402可以包括中央处理器(CPU),或者特定集成电路(ApplicationSpecificIntegratedCircuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制,存储器404可包括硬盘驱动器(HardDiskDrive,简称为HDD)、软盘驱动器、固态驱动器(SolidStateDrive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器404可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器404可在数据处理装置的内部或外部。在特定实施例中,存储器404是非易失性(Non-Volatile)存储器。在特定实施例中,存储器404包括只读存储器(Read-OnlyMemory,简称为ROM)和随机存取存储器(RandomAccessMemory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-OnlyMemory,简称为PROM)、可擦除PROM(ErasableProgrammableRead-OnlyMemory,简称为EPROM)、电可擦除PROM(ElectricallyErasableProgrammableRead-OnlyMemory,简称为EEPROM)、电可改写ROM(ElectricallyAlterableRead-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(StaticRandom-AccessMemory,简称为SRAM)或动态随机存取存储器(DynamicRandomAccessMemory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器404(FastPageModeDynamicRandomAccessMemory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDateOutDynamicRandomAccessMemory,简称为EDODRAM)、同步动态随机存取内存(SynchronousDynamicRandom-AccessMemory,简称SDRAM)等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器402所执行的可能的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令,以实现上述实施例中的任意一种医学影像随访目标配对方法。
可选地,上述电子装置还可以包括传输设备406以及输入输出设备408,其中,该传输设备406和上述处理器402连接,该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中,传输设备包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备406可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中,输入的信息可以是至少两张医学影像等,输出的信息可以是配对结果等。
可选地,在本实施例中,上述处理器402可以被设置为通过计算机程序执行以下步骤:
医学影像随访目标配对方法包括:
获取满足随访条件的第一医学影像和第二医学影像;
预处理所述第一医学影像和所述第二医学影像,得到第一标准***医学影像和第二标准***医学影像;
提取所述第一标准***医学影像的第一随访目标的第一目标特征信息,其中所述第一目标特征信息包括第一归一化坐标、第一归一化长短径信息以及第一局部影像块,提取所述第二标准***医学影像的第二随访目标的第二目标特征信息,其中所述第二目标特征信息包括第二归一化坐标、第二归一化长短径信息以及第二局部影像块;
所述第一目标特征信息输入到深度特征表达模型中得到第一目标深度特征,所述第二目标特征信息输入到深度特征表达模型中得到第二目标深度特征;
基于所述第一目标深度特征和所述第二目标深度特征判断第一随访目标和第二随访目标的配对情况。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
通常,各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现,而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现,但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示,但是应当理解,作为非限制性示例,本文中描述的这些框、装置、***、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现,该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行,或者由硬件来实现,或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中,并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外,在这一点上,应当注意,如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白,以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种医学影像随访目标配对方法,其特征在于,包括:
获取满足随访条件的第一医学影像和第二医学影像;
预处理所述第一医学影像和所述第二医学影像,得到第一标准***医学影像和第二标准***医学影像;
提取所述第一标准***医学影像的第一随访目标的第一目标特征信息,其中所述第一目标特征信息包括第一归一化坐标、第一归一化长短径信息以及第一局部影像块,提取所述第二标准***医学影像的第二随访目标的第二目标特征信息,其中所述第二目标特征信息包括第二归一化坐标、第二归一化长短径信息以及第二局部影像块;
所述第一目标特征信息输入到深度特征表达模型中得到第一目标深度特征,所述第二目标特征信息输入到深度特征表达模型中得到第二目标深度特征;
基于所述第一目标深度特征和所述第二目标深度特征判断第一随访目标和第二随访目标的配对情况。
2.根据权利要求1所述的医学影像随访目标配对方法,其特征在于,“预处理所述第一医学影像和所述第二医学影像,得到第一标准***医学影像和第二标准***医学影像”步骤包括,对所述第一医学影像和所述第二医学影像进行标准***校正以及目标对齐处理,得到第一标准***医学影像和第二标准***医学影像。
3.根据权利要求2所述的医学影像随访目标配对方法,其特征在于,获取所述第一医学影像的第一影像扫描参数,基于所述第一影像扫描参数将所述第一医学影像校正至标准***坐标系中;获取所述第二医学影像的第二影像扫描参数,基于所述第二影像扫描参数将所述第而医学影像校正至标准***坐标系中。
4.根据权利要求2所述的医学影像随访目标配对方法,其特征在于,将经过标准***校正的第一医学影像和第二医学影像输入到分割模型中分割出来对应的前景组织,利用前景组织所在的外接框的顶点坐标计算仿射变换矩阵,根据仿射变换矩阵进行目标对齐处理。
5.根据权利要求1所述的医学影像随访目标配对方法,其特征在于,第一归一化坐标和第二归一化坐标指的是:以同一坐标原点形成的参考坐标系的随访目标的坐标位置;第一归一化长短径信息和第二归一化长短径信息指的是:随访目标在以同一坐标原点形成的参考坐标系的同一测量尺度下的长短径。
6.根据权利要求1所述的医学影像随访目标配对方法,其特征在于,若第一随访目标的长径的1.5倍小于设定长度,则以设定长度为截取长度截取所述第一随访目标得到第一局部影像块;若第一随访目标的长径的1.5倍大于设定长度,则以第一随访目标的长径的1.5倍为截取长度截取第一随访目标得到第一局部影像块;若第二随访目标的长径的1.5倍小于设定长度,则以设定长度为截取长度截取所述第二随访目标得到局部影像块;若第二随访目标的长径的1.5倍大于设定长度,则以第二随访目标的长径的1.5倍为截取长度截取第二随访目标得到第二局部影像块。
7.根据权利要求1所述的医学影像随访目标配对方法,其特征在于,深度特征表达模型包括卷积特征提取网络、拼接特征的第一全连接层以及融合特征的第二全连接层,所述卷积特征提取网络、所述第一全连接层以及所述第二全连接层共享网络权重,第一局部影像块/第二局部影像块输入到卷积特征提取网络卷积特征提取网络被卷积后得到卷积特征,第一全连接层将经过全局平均池化处理的所述卷积特征、第一归一化坐标/第二归一化坐标、以及第一归一化长短径信息/第二归一化长短径信息拼接成一维特征向量,第二全连接层加权融合所述卷积特征、第一归一化坐标/第二归一化坐标、以及第一归一化长短径信息/第二归一化长短径信息得到第一目标深度特征/第二目标深度特征。
8.一种医学影像随访目标配对装置,其特征在于,包括:
医学影像获取单元,用于获取满足随访条件的第一医学影像和第二医学影像;
预处理单元,用于预处理所述第一医学影像和所述第二医学影像,得到第一标准***医学影像和第二标准***医学影像;
信息提取单元,用于提取所述第一标准***医学影像的第一随访目标的第一目标特征信息,其中所述第一目标特征信息包括第一归一化坐标、第一归一化长短径信息以及第一局部影像块,提取所述第二标准***医学影像的第二随访目标的第二目标特征信息,其中所述第二目标特征信息包括第二归一化坐标、第二归一化长短径信息以及第二局部影像块;
深度特征获取单元,用于将所述第一目标特征信息输入到深度特征表达模型中得到第一目标深度特征,所述第二目标特征信息输入到深度特征表达模型中得到第二目标深度特征;
配对单元,用于基于所述第一目标深度特征和所述第二目标深度特征判断第一随访目标和第二随访目标的配对情况。
9.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1到7任一所述的医学影像随访目标配对方法。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序,所述计算机程序包括用于控制过程以执行过程的程序代码,所述过程包括根据权利要求1到7任一所述的医学影像随访目标配对方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210776250.9A CN114842003B (zh) | 2022-07-04 | 2022-07-04 | 一种医学影像随访目标配对方法、装置及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210776250.9A CN114842003B (zh) | 2022-07-04 | 2022-07-04 | 一种医学影像随访目标配对方法、装置及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114842003A true CN114842003A (zh) | 2022-08-02 |
CN114842003B CN114842003B (zh) | 2022-11-01 |
Family
ID=82574242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210776250.9A Active CN114842003B (zh) | 2022-07-04 | 2022-07-04 | 一种医学影像随访目标配对方法、装置及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114842003B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309449A (zh) * | 2023-03-14 | 2023-06-23 | 北京医准智能科技有限公司 | 图像处理方法、装置、设备及存储介质 |
CN117011352A (zh) * | 2023-09-27 | 2023-11-07 | 之江实验室 | 标准脑图谱构建方法、装置和计算机设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102665062A (zh) * | 2012-03-16 | 2012-09-12 | 华为技术有限公司 | 一种使视频中目标物体图像稳定的方法及装置 |
CN103514276A (zh) * | 2013-09-22 | 2014-01-15 | 西安交通大学 | 基于中心估计的图形目标检索定位方法 |
CN105913093A (zh) * | 2016-05-03 | 2016-08-31 | 电子科技大学 | 一种用于文字识别处理的模板匹配方法 |
CN111462201A (zh) * | 2020-04-07 | 2020-07-28 | 广州柏视医疗科技有限公司 | 基于新型冠状病毒肺炎ct影像的随访分析***及方法 |
CN111856445A (zh) * | 2019-04-11 | 2020-10-30 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法、装置、设备及*** |
CN111915584A (zh) * | 2020-07-29 | 2020-11-10 | 杭州健培科技有限公司 | 一种基于ct影像的病灶随访评估方法及*** |
CN112488993A (zh) * | 2020-11-16 | 2021-03-12 | 杭州依图医疗技术有限公司 | 肺癌tnm分期获取方法及装置 |
CN112686866A (zh) * | 2020-12-31 | 2021-04-20 | 安徽科大讯飞医疗信息技术有限公司 | 基于医学影像的随访方法、装置及计算机可读存储介质 |
CN113205523A (zh) * | 2021-04-29 | 2021-08-03 | 浙江大学 | 多尺度表征优化的医学影像分割识别***、终端及存储介质 |
CN113343878A (zh) * | 2021-06-18 | 2021-09-03 | 北京邮电大学 | 基于生成对抗网络的高保真人脸隐私保护方法和*** |
CN113902642A (zh) * | 2021-10-13 | 2022-01-07 | 数坤(北京)网络科技股份有限公司 | 一种医学图像处理方法、装置、电子设备和存储介质 |
CN114693760A (zh) * | 2020-12-25 | 2022-07-01 | 虹软科技股份有限公司 | 图像校正方法、装置及***、电子设备 |
-
2022
- 2022-07-04 CN CN202210776250.9A patent/CN114842003B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102665062A (zh) * | 2012-03-16 | 2012-09-12 | 华为技术有限公司 | 一种使视频中目标物体图像稳定的方法及装置 |
CN103514276A (zh) * | 2013-09-22 | 2014-01-15 | 西安交通大学 | 基于中心估计的图形目标检索定位方法 |
CN105913093A (zh) * | 2016-05-03 | 2016-08-31 | 电子科技大学 | 一种用于文字识别处理的模板匹配方法 |
CN111856445A (zh) * | 2019-04-11 | 2020-10-30 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法、装置、设备及*** |
CN111462201A (zh) * | 2020-04-07 | 2020-07-28 | 广州柏视医疗科技有限公司 | 基于新型冠状病毒肺炎ct影像的随访分析***及方法 |
CN111915584A (zh) * | 2020-07-29 | 2020-11-10 | 杭州健培科技有限公司 | 一种基于ct影像的病灶随访评估方法及*** |
CN112488993A (zh) * | 2020-11-16 | 2021-03-12 | 杭州依图医疗技术有限公司 | 肺癌tnm分期获取方法及装置 |
CN114693760A (zh) * | 2020-12-25 | 2022-07-01 | 虹软科技股份有限公司 | 图像校正方法、装置及***、电子设备 |
CN112686866A (zh) * | 2020-12-31 | 2021-04-20 | 安徽科大讯飞医疗信息技术有限公司 | 基于医学影像的随访方法、装置及计算机可读存储介质 |
CN113205523A (zh) * | 2021-04-29 | 2021-08-03 | 浙江大学 | 多尺度表征优化的医学影像分割识别***、终端及存储介质 |
CN113343878A (zh) * | 2021-06-18 | 2021-09-03 | 北京邮电大学 | 基于生成对抗网络的高保真人脸隐私保护方法和*** |
CN113902642A (zh) * | 2021-10-13 | 2022-01-07 | 数坤(北京)网络科技股份有限公司 | 一种医学图像处理方法、装置、电子设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
L. WEIZMAN等: "Automatic segmentation, internal classification, and follow-up of optic pathway gliomas in MRI", 《MEDICAL IMAGE ANALYSIS》 * |
谷宗运等: "基于SURF和改进的RANSAC算法的医学图像配准", 《中国医学影像学杂志》 * |
龚敬: "基于CT影像的肺结节计算机辅助检", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309449A (zh) * | 2023-03-14 | 2023-06-23 | 北京医准智能科技有限公司 | 图像处理方法、装置、设备及存储介质 |
CN116309449B (zh) * | 2023-03-14 | 2024-04-09 | 浙江医准智能科技有限公司 | 图像处理方法、装置、设备及存储介质 |
CN117011352A (zh) * | 2023-09-27 | 2023-11-07 | 之江实验室 | 标准脑图谱构建方法、装置和计算机设备 |
CN117011352B (zh) * | 2023-09-27 | 2024-01-16 | 之江实验室 | 标准脑图谱构建方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114842003B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114842003B (zh) | 一种医学影像随访目标配对方法、装置及应用 | |
CN111932533B (zh) | Ct图像椎骨定位方法、装置、设备及介质 | |
CN108596904B (zh) | 生成定位模型的方法及对脊柱矢状位图像进行处理的方法 | |
CN111080573B (zh) | 肋骨图像检测方法、计算机设备和存储介质 | |
CN111160367A (zh) | 图像分类方法、装置、计算机设备和可读存储介质 | |
CN109509177B (zh) | 一种脑部影像识别的方法及装置 | |
CN110992370B (zh) | 一种胰腺组织的分割方法、装置及终端设备 | |
CN105303550A (zh) | 图像处理装置及图像处理方法 | |
CN110751187B (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
CN113240661B (zh) | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 | |
US20150302603A1 (en) | Knowledge-based automatic image segmentation | |
CN111311655A (zh) | 多模态图像配准方法、装置、电子设备、存储介质 | |
CN113706559A (zh) | 基于医学图像的血管分段提取方法和装置 | |
WO2022068228A1 (zh) | 病灶标注的验证方法、装置、计算机设备及存储介质 | |
CN108634934B (zh) | 对脊柱矢状位图像进行处理的方法和设备 | |
CN116113986A (zh) | 用于病理器官分割的用户交互快速标注的用户引导域自适应 | |
CN113077499A (zh) | 骨盆配准方法、骨盆配准装置和骨盆配准*** | |
CN110992312B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
CN110378910B (zh) | 基于图谱融合的腹腔多器官分割方法及装置 | |
CN115482231B (zh) | 图像分割方法、装置、存储介质和电子设备 | |
CN115170795A (zh) | 一种图像小目标分割方法、装置、终端及存储介质 | |
CN114372970B (zh) | 一种手术参考信息生成方法及装置 | |
CN115984203A (zh) | 一种眼球突出度测量方法、***、终端及介质 | |
Ajani et al. | Automatic and interactive prostate segmentation in MRI using learned contexts on a sparse graph template | |
US10299864B1 (en) | Co-localization of multiple internal organs based on images obtained during surgery |
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 |