CN115100132A - 断层合成图像的分析方法、装置、计算机设备及存储介质 - Google Patents

断层合成图像的分析方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN115100132A
CN115100132A CN202210689683.0A CN202210689683A CN115100132A CN 115100132 A CN115100132 A CN 115100132A CN 202210689683 A CN202210689683 A CN 202210689683A CN 115100132 A CN115100132 A CN 115100132A
Authority
CN
China
Prior art keywords
image
maximum density
density projection
tomosynthesis
analyzing
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
Application number
CN202210689683.0A
Other languages
English (en)
Inventor
程钊
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.)
Shenzhen Nanuoai Medical Technology Co ltd
Original Assignee
Shenzhen Nanuoai Medical Technology Co ltd
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 Shenzhen Nanuoai Medical Technology Co ltd filed Critical Shenzhen Nanuoai Medical Technology Co ltd
Priority to CN202210689683.0A priority Critical patent/CN115100132A/zh
Publication of CN115100132A publication Critical patent/CN115100132A/zh
Pending legal-status Critical Current

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
    • A61B6/5241—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT combining overlapping images of the same imaging modality, e.g. by stitching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/08—Volume rendering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/10112—Digital tomosynthesis [DTS]
    • 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
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • 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
    • G06T2207/30204—Marker

Abstract

本申请公开了一种断层合成图像的分析方法，包括：获取断层合成图像；对所述断层合成图像对应的多张切片图像进行最大密度投影处理，生成最大密度投影图像；利用机器学习模型分析所述最大密度投影图像是否存在异常区域，得到分析结果，其中，所述机器学习模型基于多个最大密度投影图像样本训练完成，所述最大密度投影图像样本标注有异常区域。本申请还公开了一种计算机设备以及计算机可读存储介质。本申请旨在提高医生利用断层合成图像诊断受检者身体是否存在病变情况的效率。

Description

断层合成图像的分析方法、装置、计算机设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种断层合成图像的分析方法、断层合成图像的分析装置、计算机设备以及计算机可读存储介质。
背景技术
数字断层合成技术是使用X光管和数字探测器来获取一组低辐射剂量的投影图像，这些图像被组合用以合成患者体内的任何平面。与传统的断层扫描不同，断层合成不限于重建单个平面，而是可以在患者的整个体积内生成任意数量的切片图像。由于在断层合成图像中各切片图像间的显像互不影响，因而解决了传统单投影X射线成像的主要弱点之一，即X光图像中各器官部位的叠加，可能导致感兴趣的部位模糊或产生类似疾病的结构，从而影响医生对受检者的诊断的问题。
目前断层合成技术已经应用于一些临床，以提供胸部、腹部、***、头部和颈部的图像。但由于断层合成图像中包含多张切片图像，在医生基于断层合成图像为受检者做诊断时，需要一张张翻阅切片图像，且由于单张切片图像的图像质量低，用肉眼查阅时并不方便，这些都导致医生难以基于断层合成图像快速找到受检者身体中的病变区域。
上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。
发明内容
本申请提供一种断层合成图像的分析方法、断层合成图像的分析装置、计算机设备以及计算机可读存储介质，旨在提高医生利用断层合成图像诊断受检者身体是否存在病变情况的效率的问题。
为实现上述目的，本申请提供一种断层合成图像的分析方法，包括以下步骤：
获取断层合成图像；
对所述断层合成图像对应的多张切片图像进行最大密度投影处理，生成最大密度投影图像；
利用机器学习模型分析所述最大密度投影图像是否存在异常区域，得到分析结果，其中，所述机器学习模型基于多个最大密度投影图像样本训练完成，所述最大密度投影图像样本标注有异常区域。
可选的，所述断层合成图像的分析方法还包括：
若所述分析结果为所述最大密度投影图像存在异常区域，则在所述最大密度投影图像中标记所述异常区域，以生成医用图像。
可选的，所述最大密度投影图像样本还标注有感兴趣区域；所述断层合成图像的分析方法还包括：
根据所述分析结果，采用预设的第一标记方式在所述医用图像中标记所述感兴趣区域；
其中，若所述最大密度投影图像存在异常区域，则所述医用图像中标记的所述异常区域采用预设的第二标记方式标记。
可选的，所述若所述分析结果为所述最大密度投影图像存在异常区域，则在所述最大密度投影图像中标记所述异常区域，以生成医用图像的步骤之后，还包括：
将所述医用图像转换为医用X光图像。
可选的，所述若所述分析结果为所述最大密度投影图像存在异常区域，则在所述最大密度投影图像中标记所述异常区域，以生成医用图像的步骤之后，还包括：
接收到所述医用图像的确认指令时，基于所述医用图像更新所述机器学习模型。
可选的，所述对所述断层合成图像对应的多张切片图像进行最大密度投影处理，生成最大密度投影图像的步骤包括：
从所述断层合成图像对应的所有切片图像中，选取预设图层范围内的多张所述切片图像作为目标图像；
对多张所述目标图像进行最大密度投影处理，生成最大密度投影图像；
其中，所述预设图层范围根据预设数值范围确定；
或者，所述预设图层范围根据所述断层合成图像关联的目标器官部位确定。
可选的，所述利用机器学习模型分析所述最大密度投影图像是否存在异常区域，得到分析结果的步骤之前，还包括：
增强所述最大密度投影图像的对比度。
为实现上述目的，本申请还提供一种断层合成图像的分析装置，包括：
获取模块，用于获取断层合成图像；
处理模块，用于对所述断层合成图像对应的多张切片图像进行最大密度投影处理，生成最大密度投影图像；
分析模块，用于利用机器学习模型分析所述最大密度投影图像是否存在异常区域，得到分析结果，其中，所述机器学习模型基于多个最大密度投影图像样本训练完成，所述最大密度投影图像样本标注有异常区域。
为实现上述目的，本申请还提供一种计算机设备，所述计算机设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的断层合成图像的分析程序，所述断层合成图像的分析程序被所述处理器执行时实现如上述断层合成图像的分析方法的步骤。
为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有断层合成图像的分析程序，所述断层合成图像的分析程序被处理器执行时实现如上述断层合成图像的分析方法的步骤。
本申请提供的断层合成图像的分析方法、断层合成图像的分析装置、计算机设备以及计算机可读存储介质，利用受检者的断层合成图像生成最大密度投影图像，以使图像能更好地显示受检者被拍摄的器官部位，并利用预先训练好的机器学习模型对最大密度投影图像进行分析处理，以快速检测图像中是否存在异常区域(如病变区域)，这样医生就可以利用机器学习模型的分析结果，快速诊断受检者身体中是否存在病变情况。
附图说明
图1为本申请一实施例中断层合成图像的分析方法步骤示意图；
图2为本申请另一实施例中断层合成图像的分析方法步骤示意图；
图3为本申请一实施例的断层合成图像的分析装置结构示意框图；
图4为本申请一实施例的计算机设备的内部结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制，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。
参照图1，在一实施例中，所述断层合成图像的分析方法包括：
步骤S10、获取断层合成图像；
步骤S20、对所述断层合成图像对应的多张切片图像进行最大密度投影处理，生成最大密度投影图像；
步骤S30、利用机器学习模型分析所述最大密度投影图像是否存在异常区域，得到分析结果，其中，所述机器学习模型基于多个最大密度投影图像样本训练完成，所述最大密度投影图像样本标注有异常区域。
本实施例中，实施例终端可以是一种计算机设备(如医用脊椎图像的生成装置、服务器等)。
如步骤S10所述，终端与断层扫描装置建立有通信连接，终端可利用断层扫描装置获取受检者身体中目标部位的断层合成图像。其中，所述受检者可以是人，或者猫、狗等动物；所述目标部位可以是受检者身体的任一部位，如胸部、腹部、***、头部、颈部等。以下以受检者为人类，受检的目标部位为人体胸部为例进行说明。
可选的，所述断层扫描装置包括X光管和大型数字平板探测器，在断层合成图像采集过程中，X光管和大型数字平板探测器都在由终端控制的运动模组预先设定的轨迹上移动，以从不同角度针对受检者的目标部位拍摄多张低辐射剂量的投影图像，这些图像被组合用以合成受检者体内的任何平面，从而生成断层合成图像。
如步骤S20所述，终端获取到的断层合成图像中包括多张切片图像，即在生成断层合成图像时，会利用对从受检者处拍摄得到的多张投影图像进行断层合成重建，从而得到一组相应的切片图像。例如在拍摄人体胸部时，若大型数字平板探测器对应的探测范围为43cm*43cm，关注区域为20cm厚(可对应人体侧身的宽度)，那么最终生成的断层合成图像就可包括厚度为1mm、切片大小为43cm*43cm的200张切片图像，而这200张切片图像就可以相应组合成人体胸部。
其中，每张切片图像均有相应的图层次序(如200张切片图像，则可对应有200个图层)，并依相应的图层次序进行排列。
可选的，终端在得到断层合成图像对应的多张切片图像后，可以利用所有切片图像进行最大密度投影(maximal intensity projection，MIP)处理(或者选取预设图层范围内的切片图像进行最大密度投影处理)，从而生成最大密度投影图像。
可选的，利用最大密度投影，可运用透视法将一系列连贯的切片图像，整合为二维图像。即沿着从视点到投影平面的平行光线，当光纤束通过一段组织的原始图像时，图像中密度最大的像素被保留，并被投影到一个二维平面上，从而重建图像，形成最大密度投影图像。
需要说明的是，最大密度投影能反应相应像素的X线衰减值，较小的密度变化也能在最大密度投影图像上显示，能很好地显示各器官组织的轮廓信息，如血管的狭窄、扩张、充盈缺损及区分血管壁上的钙化与血管腔内的对比剂。
如步骤S30所述，终端预先人工智能技术构建有机器学习模型，相关工程师可预先采集多个最大密度投影图像(如上千张最大密度投影图像)，并标注出图像中的异常区域，以及将标注后的最大密度投影图像作为最大密度投影图像样本输入到机器学习模型中进行训练，以使机器学习模型可以不断学习异常区域内显示的图像与所标注的区域范围的关联性，即训练机器学习模型在最大密度投影图像中识别异常区域的能力。其中，这些用于作为训练样本的最大密度投影图像，同样可以是基于断层合成图像生成，即通过采集受检者的断层合成图像生成最大密度投影图像，再对这些最大密度投影图像进行标注，以生成最大密度投影图像样本；所述异常区域可以是最大密度投影图像所属的受检者身体中的病变区域(如肺部的患癌区域，且病变因素不限于肿瘤，可以是除肿瘤外的其他病变因素，如肺结核、气胸等)。
当机器学习模型基于多个最大密度投影图像进行多次迭代训练，直至模型达到收敛后，则机器学习模型训练完成。其中，机器学习模块可以是基于EfficientNet-B7架构构建，并在ImageNet上进行预训练。
可选的，在终端执行步骤S10-S20，得到当前的受检者对应的最大密度投影图像后(例如在本实施例的方案投入实际应用中后，获取到当前有诊断需求的受检者相应目标部位的最大密度投影图像时)，则可以将该最大密度投影图像输入到训练完成的机器学习模型中作进一步分析处理。这样就可以利用机器学习模块自动检测并分析最大密度投影图像中是否存在异常区域。
可选的，在利用机器学习模型对所述最大密度投影图像进行分析处理，以检测最大密度投影图像中是否存在异常区域，并得到相应的分析结果。例如，若检测到最大密度投影图像中存在异常区域，则输出断层合成图像异常的提示信息作为分析结果；若检测到最大密度投影图像中不存在异常区域，则输出断层合成图像正常的提示信息作为分析结果。
或者，若所述分析结果为所述最大密度投影图像存在异常区域，则在所述最大密度投影图像中标记所述异常区域，并可将标记后的最大密度投影图像作为输出医用图像；若所述分析结果为所述最大密度投影图像不存在异常区域，则可直接将最大密度投影图像作为输出的医用图像。需要说明的是，医用图像也可以是作为分析结果进行输出(即得到的分析结果可以是通过生成相应的医用图像来体现)。
应当理解的是，若最大密度投影图像存在多个异常区域，则利用机器学习模型可分别标记出各个异常区域。
可选的，相关工程师在标注最大密度投影图像样本时，除了标注出图像中的异常区域，还可以根据已知疾病的相关信息，以及异常区域中具体的病变情况，标注出异常区域中相应的器官部位可能患有的疾病。这样当利用这些最大密度投影图像样本训练机器学习模型时，就还可以让机器学习模型学习到识别异常区域中可能患有某种疾病的能力。
可选的，在终端执行步骤S30的过程中，机器学习模型除了分析最大密度投影图像中是否存在异常区域外，当检测到存在异常区域时，还可进一步分析异常区域发生病变的原因(即分析异常区域对应的器官部位患有相关疾病的概率)，并且在生成分析结果时，还可以同步输出异常区域对应的器官部位相应患病的概率。当然，若分析结果为所述最大密度投影图像不存在异常区域，则可同步输出检测正常的提示信息(如“未发现身体有异样”)。如此一来，就可以辅助医生基于医用图像对受检者的身体情况进行诊断。
这样，利用受检者的断层合成图像生成最大密度投影图像，以使图像能更好地显示受检者被拍摄的器官部位，并利用预先训练好的机器学习模型对最大密度投影图像进行分析处理，以快速检测图像中是否存在异常区域(如病变区域)，这样医生就可以利用机器学习模型的分析结果，快速诊断受检者身体中是否存在病变情况。
在一实施例中，在上述实施例的基础上，所述最大密度投影图像样本还标注有感兴趣区域；所述断层合成图像的分析方法还包括：
步骤S40、根据所述分析结果，采用预设的第一标记方式在所述医用图像中标记所述感兴趣区域；其中，若所述最大密度投影图像存在异常区域，则所述医用图像中标记的所述异常区域采用预设的第二标记方式标记。
本实施例中，相关工程师在标注最大密度投影图像样本时，除了标注出图像中的异常区域，还可以根据各器官组织的位置(如脊椎位置、肺部位置等)，在图像中标注出相应的感兴趣区域。这样当利用这些最大密度投影图像样本训练机器学习模型时，就还可以让机器学习模型学习到识别图像中的感兴趣区域的能力。
可选的，在终端执行步骤S30的过程中，还会自动识别最大密度投影图像中的感兴趣区域，并基于此生成医用图像时，还会在医用图像中标记出感兴趣区域，即无论最大密度投影图像中是否存在异常区域，生成的医用图像中均可以标记有相应的感兴趣区域。
其中，终端可以采用预设的第一标记方式在医用图像中标记出感兴趣区域；且若最大密度投影图像中存在异常区域时，还可以采用预设的第二标记方式标记出其中的异常区域。
可选的，第一标记方式和第二标记方式的区别可以是标记颜色的不同，如第一标记方式为采用黄色线条勾勒出图像中的感兴趣区域，而第二标记方式则为采用红色线条勾勒出图像中的异常区域。
这样就可以方便医生基于医用图像快速分辨出其中的感兴趣区域和异常区域之间的关联性。
在一实施例中，在上述实施例基础上，所述若所述分析结果为所述最大密度投影图像存在异常区域，则在所述最大密度投影图像中标记所述异常区域，以生成医用图像的步骤之后，还包括：
步骤S50、将所述医用图像转换为医用X光图像。
本实施例中，终端预置有AI(Artificial Intelligence)算法，该AI算法用于将最大密度投影图像对应的图像格式，转换为X光图像对应的图像格式。该AI算法可以是一个独立的可调用的算法模型(即该模型同样可基于人工智能技术构建)，也可以是集成在所述机器学习模型中。
可选的，当终端生成医用图像时(图像格式与最大密度投影图像对应的图像格式一致)，可以利用相应的AI算法，将医用图像转换为医用X光图像，再将医用X光图像进行输出，以便于医生查看。这样就可以使得输出的医用X光图像可以结合X光图像和最大密度投影图像的优点，即既可以利用最大密度投影将断层合成图像中的异常区域清晰地显示并标记出来，而且最终输出的图像，还是一般医生习惯观看的X光图像，从而更好地辅助医生做诊断分析。
在一实施例中，在上述实施例基础上，所述若所述分析结果为所述最大密度投影图像存在异常区域，则在所述最大密度投影图像中标记所述异常区域，以生成医用图像的步骤之后，还包括：
步骤S60、接收到所述医用图像的确认指令时，基于所述医用图像更新所述机器学习模型。
本实施例中，在终端得到医用图像，并输出医用图像，以供医生查阅之后，当医生确认医用图像和机器学习模型相应的分析结果无误后，则可以使用与终端关联的设备或终端提供的控制面板，向终端输入确认医用图像无误的确认指令。
当终端接收到医用图像对应的确认指令时，则判定机器学习模型针对最大密度投影图像的分析结果无误，并将相应的医用图像(可结合分析结果(分析结果可作为表示图像异常或正常的标注信息))更新为最大密度投影图像样本，以将医用图像作为机器学习模型的训练样本加入到机器学习模型中进行更新迭代训练，从而更新并优化机器学习模型。
其中，可用作训练样本的医用图像，除了标记有异常区域的医用图像(即检测异常的医用图像)，也可以是无异常区域的医用图像(即检测正常的医用图像)。而且在初始用于训练机器学习模型的最大密度投影图像样本中，除了是标注有异常区域的最大密度投影图像之外，还可不带异常区域的最大密度投影图像(可从身体健康的受检者处采集得来)。并且通过利用带有异常区域的最大密度投影图像，以及不带异常区域的最大密度投影图像共同做对抗训练，不仅可以减少训练机器学习模型时所需的带有异常区域的最大密度投影图像的样本数，还可以提高机器学习模型分析正常的最大密度投影图像和异常的最大密度投影图像的准确率。
在一实施例中，参照图2，在上述实施例基础上，所述对所述断层合成图像对应的多张切片图像进行最大密度投影处理，生成最大密度投影图像的步骤包括：
步骤S21、从所述断层合成图像对应的所有切片图像中，选取预设图层范围内的多张所述切片图像作为目标图像；
步骤S22、对多张所述目标图像进行最大密度投影处理，生成最大密度投影图像。
本实施例中，终端在得到断层合成图像对应的多张切片图像后，可以先从中选出预设图层范围内的多张连续的所述切片图像作为目标图像。
其中，所述预设图层范围根据预设数值范围确定；或者，所述预设图层范围根据所述断层合成图像关联的目标器官部位确定。
可选的，所述预设数值范围可以是由相关工程师或医生根据实际的检查需要预先设置的，如在200张切片图像中，设定预设数值范围为20-180，然后终端即可根据预设数值范围，从200张切片图像中选出预设图层范围为第20图层至第180图层范围之中的切片图像，作为目标图像。
或者，鉴于断层合成图像的深度分辨率有限，所述预设数值范围也可以是根据扫描装置的拍摄图像时的焦点位置决定的，即选取焦点平面的附近图层(如第50图层至第150图层)对应的切片图像，作为目标图像。
或者，所述预设图层范围根据所述断层合成图像关联的目标器官部位确定。例如，由于人体胸部的各个器官组织在人体中的位置不同，也就导致在各拍摄的断层合成图像中，各器官组织所显像的图层不同(例如在200张连续的切片图像对应的胸部断层合成图像中，胸脯(或***)显示在第1图层至第70图层之间，心脏显示在第70图层至第110图层之间(仅为举例说明，并非真实数据))，因此可以预先设定各器官组织所关联的预设图层范围，并在执行步骤S20的过程中，根据医生或相关工作人员预先为受检者选定的当前所需检查的目标器官部位(检查的器官部位可一个、可多个)，然后查询与相应目标器官部位所关联的预设图层范围，并从所有切片图像中选出关联的预设图层范围内的切片图像，作为目标图像。
可选的，在终端选出多张目标图像后，则对所有目标图像进行最大密度投影(maximal intensity projection，MIP)处理，从而生成最大密度投影图像。
这样，通过从所有切片图像中选取预设图层范围内的切片图像生成最大密度投影图像，从而使得生成的最大密度投影图像可以更为清晰地显示图像中器官组织的轮廓。
在一实施例中，在上述实施例基础上，所述利用机器学习模型分析所述最大密度投影图像是否存在异常区域，得到分析结果的步骤之前，还包括：
步骤S70、增强所述最大密度投影图像的对比度。
本实施例中，终端通过执行步骤S20，得到生成最大密度投影图像之后，在执行步骤S30之前，可以先对最大密度投影图像进行图像对比度的增强处理，以增强所述最大密度投影图像的对比度，从而使得最大密度投影图像可以更清晰地显示图像中器官组织的轮廓，进而提高利用机器学习模型得到最大密度投影图像对应的分析结果的准确率。
参照图3，本申请实施例中还提供一种断层合成图像的分析装置Z10，包括：
获取模块Z11，用于获取断层合成图像；
处理模块Z12，用于对所述断层合成图像对应的多张切片图像进行最大密度投影处理，生成最大密度投影图像；
分析模块Z13，用于利用机器学习模型分析所述最大密度投影图像是否存在异常区域，得到分析结果，其中，所述机器学习模型基于多个最大密度投影图像样本训练完成，所述最大密度投影图像样本标注有异常区域。
参照图4，本申请实施例中还提供一种计算机设备，该计算机设备内部结构可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于断层合成图像的分析程序。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机设备的输入装置用于接收外部设备输入的信号。该计算机程序被处理器执行时以实现一种如以上实施例所述的断层合成图像的分析方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
此外，本申请还提出一种计算机可读存储介质，所述计算机可读存储介质包括断层合成图像的分析程序，所述断层合成图像的分析程序被处理器执行时实现如以上实施例所述的断层合成图像的分析方法的步骤。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。
综上所述，为本申请实施例中提供的断层合成图像的分析方法、断层合成图像的分析装置、计算机设备和计算机可读存储介质，利用受检者的断层合成图像生成最大密度投影图像，以使图像能更好地显示受检者被拍摄的器官部位，并利用预先训练好的机器学习模型对最大密度投影图像进行分析处理，以快速检测图像中是否存在异常区域(如病变区域)，这样医生就可以根据经机器学习模块所分析生成的医用图像，快速诊断受检者身体中是否存在病变情况。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种断层合成图像的分析方法，其特征在于，包括：
获取断层合成图像；
对所述断层合成图像对应的多张切片图像进行最大密度投影处理，生成最大密度投影图像；
利用机器学习模型分析所述最大密度投影图像是否存在异常区域，得到分析结果，其中，所述机器学习模型基于多个最大密度投影图像样本训练完成，所述最大密度投影图像样本标注有异常区域。
2.根据权利要求1所述的断层合成图像的分析方法，其特征在于，所述断层合成图像的分析方法还包括：
若所述分析结果为所述最大密度投影图像存在异常区域，则在所述最大密度投影图像中标记所述异常区域，以生成医用图像。
3.根据权利要求2所述的断层合成图像的分析方法，其特征在于，所述最大密度投影图像样本还标注有感兴趣区域；所述断层合成图像的分析方法还包括：
根据所述分析结果，采用预设的第一标记方式在所述医用图像中标记所述感兴趣区域；
其中，若所述最大密度投影图像存在异常区域，则所述医用图像中标记的所述异常区域采用预设的第二标记方式标记。
4.根据权利要求2或3所述的断层合成图像的分析方法，其特征在于，所述若所述分析结果为所述最大密度投影图像存在异常区域，则在所述最大密度投影图像中标记所述异常区域，以生成医用图像的步骤之后，还包括：
将所述医用图像转换为医用X光图像。
5.根据权利要求2或3所述的断层合成图像的分析方法，其特征在于，所述若所述分析结果为所述最大密度投影图像存在异常区域，则在所述最大密度投影图像中标记所述异常区域，以生成医用图像的步骤之后，还包括：
接收到所述医用图像的确认指令时，基于所述医用图像更新所述机器学习模型。
6.根据权利要求1所述的断层合成图像的分析方法，其特征在于，所述对所述断层合成图像对应的多张切片图像进行最大密度投影处理，生成最大密度投影图像的步骤包括：
从所述断层合成图像对应的所有切片图像中，选取预设图层范围内的多张所述切片图像作为目标图像；
对多张所述目标图像进行最大密度投影处理，生成最大密度投影图像；
其中，所述预设图层范围根据预设数值范围确定；
或者，所述预设图层范围根据所述断层合成图像关联的目标器官部位确定。
7.根据权利要求1-3中任一项所述的断层合成图像的分析方法，其特征在于，所述利用机器学习模型分析所述最大密度投影图像是否存在异常区域，得到分析结果的步骤之前，还包括：
增强所述最大密度投影图像的对比度。
8.一种断层合成图像的分析装置，其特征在于，包括：
获取模块，用于获取断层合成图像；
处理模块，用于对所述断层合成图像对应的多张切片图像进行最大密度投影处理，生成最大密度投影图像；
分析模块，用于利用机器学习模型分析所述最大密度投影图像是否存在异常区域，得到分析结果，其中，所述机器学习模型基于多个最大密度投影图像样本训练完成，所述最大密度投影图像样本标注有异常区域。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的断层合成图像的分析程序，所述断层合成图像的分析程序被所述处理器执行时实现如权利要求1至7中任一项所述的断层合成图像的分析方法的步骤。
10.一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上存储有断层合成图像的分析程序，所述断层合成图像的分析程序被处理器执行时实现如权利要求1至7中任一项所述的断层合成图像的分析方法的步骤。
CN202210689683.0A 2022-06-17 2022-06-17 断层合成图像的分析方法、装置、计算机设备及存储介质 Pending CN115100132A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210689683.0A CN115100132A (zh) 2022-06-17 2022-06-17 断层合成图像的分析方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210689683.0A CN115100132A (zh) 2022-06-17 2022-06-17 断层合成图像的分析方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN115100132A true CN115100132A (zh) 2022-09-23

Family

ID=83291034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210689683.0A Pending CN115100132A (zh) 2022-06-17 2022-06-17 断层合成图像的分析方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN115100132A (zh)

Similar Documents

Publication Publication Date Title
JP6567179B2 (ja) 特徴回帰モデルを用いたｍｒデータからの疑似ｃｔ生成
EP3355273B1 (en) Coarse orientation detection in image data
EP4131160A1 (en) Image obtaining method and system, image quality determination method and system, and medical image acquisition method and system
CN101273919B (zh) 使用更新方法和***的连续图像采集
JP7051307B2 (ja) 医用画像診断装置
CN111915696B (zh) 三维图像数据辅助的低剂量扫描数据重建方法及电子介质
US10540764B2 (en) Medical image capturing apparatus and method
US10803354B2 (en) Cross-modality image synthesis
CN104011773A (zh) 序列图像采集方法
US20100260394A1 (en) Image analysis of brain image data
JP7027046B2 (ja) 医用画像撮像装置及び方法
TWI717589B (zh) 診斷畫像系統
CN110264559B (zh) 一种骨断层图像重建方法及***
CN107115119A (zh) Pet图像衰减系数的获取方法、衰减校正的方法及***
CN111199566A (zh) 医疗图像处理方法、装置、存储介质及计算机设备
US7773719B2 (en) Model-based heart reconstruction and navigation
CN111904379A (zh) 多模态医学设备的扫描方法和装置
JP2006102353A (ja) 関節動作解析装置、関節動作解析方法及び関節動作解析プログラム
CN110223247B (zh) 图像衰减校正方法、装置、计算机设备和存储介质
CN110738633A (zh) 一种机体组织的三维图像处理方法及相关设备
CN104217423A (zh) 选出图像数据组的自动产生
CN111179373B (zh) 医学图像去骨模型构建方法与骨信息去除方法
CN109350059A (zh) 用于肘部自动对准的组合的转向引擎和界标引擎
JP5363962B2 (ja) 診断支援システム、診断支援プログラムおよび診断支援方法
CN115300809B (zh) 图像处理方法及装置、计算机设备和存储介质

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