CN117994620A - 一种ct图像和mr图像的融合方法、装置、设备和存储介质 - Google Patents
一种ct图像和mr图像的融合方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117994620A CN117994620A CN202410173104.6A CN202410173104A CN117994620A CN 117994620 A CN117994620 A CN 117994620A CN 202410173104 A CN202410173104 A CN 202410173104A CN 117994620 A CN117994620 A CN 117994620A
- Authority
- CN
- China
- Prior art keywords
- focus
- target
- image
- lesion
- information
- 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
- 238000007500 overflow downdraw method Methods 0.000 title abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 55
- 230000003902 lesion Effects 0.000 claims description 217
- 238000004458 analytical method Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 25
- 230000002452 interceptive effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 238000007499 fusion processing Methods 0.000 abstract description 7
- 230000010365 information processing Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000004197 pelvis Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004963 pathophysiological condition Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例公开了一种CT图像和MR图像的融合方法、装置、设备和存储介质,包括:获取目标对象的至少一个待分析CT图像和至少一个MR图像;其中,待分析CT图像是关于目标病灶的靶扫CT图像;获取全部待分析CT图像中关于目标病灶的目标病灶属性信息,并基于目标病灶属性信息,从MR图像中确定目标病灶对应的关联病灶;分别提取目标病灶和关联病灶的病灶特征,并将提取到的病灶特征进行融合,得到目标三维病灶信息。本发明实施例技术方案解决了现有技术在对普通CT图像和MR图像进行融合时出现的信息处理速度过慢的问题,可以将靶扫CT图像中的单个目标病灶的病灶特征与MR图像中对应的病灶进行特征融合,提高图像融合处理速度,进一步提升病灶诊断效率。
Description
技术领域
本发明实施例涉及医学图像数据处理技术领域,尤其涉及一种CT图像和MR图像的融合方法、装置、设备和存储介质。
背景技术
在医学成像中,CT和MR是两种不同的成像技术,它们分别提供了高分辨率的解剖结构图像和生物组织的功能性信息。将这两种图像进行精确配准对于深入了解患者的病理生理情况具有重要意义。
在临床进行诊断时,通常患者将某个身体部位的CT图像和MR图像进行融合对比分析。不过,普通CT的扫描视野较大,通常用于进行大范围的扫描,CT图像中关于病灶的特征信息过多,在和MR图像进行融合时,容易出现信息处理速度过慢的情况。
发明内容
本发明实施例提供了一种CT图像和MR图像的融合方法、装置、设备和存储介质,可以将靶扫CT图像中的单个目标病灶的病灶特征与MR图像中对应的病灶进行特征融合,提高图像融合处理速度,进一步提升病灶诊断效率。
第一方面,本发明实施例提供了一种CT图像和MR图像的融合方法,该方法包括:
获取包括目标部位的至少一个待分析CT图像和至少一个MR图像;其中,所述待分析CT图像为包括目标病灶的靶扫CT图像;
基于所述至少一个待分析CT图像中关于所述目标病灶的目标病灶属性信息,从所述至少一个MR图像中确定所述目标病灶的关联病灶;其中,所述目标病灶属性信息包括:病灶尺寸信息和病灶密度信息中的至少一个;
对提取到的所述目标病灶和所述关联病灶的病灶特征融合处理,得到所述目标病灶的目标三维病灶信息。
第二方面,本发明实施例提供了一种CT图像和MR图像的融合装置,该装置包括:
图像获取模块,用于获取包括目标部位的至少一个待分析CT图像和至少一个MR图像;其中,所述待分析CT图像为包括目标病灶的靶扫CT图像;
关联病灶确定模块,用于基于所述至少一个待分析CT图像中关于所述目标病灶的目标病灶属性信息,从所述至少一个MR图像中确定所述目标病灶的关联病灶;其中,所述目标病灶属性信息包括:病灶尺寸信息和病灶密度信息中的至少一个;
病灶特征融合模块,用于对提取到的所述目标病灶和所述关联病灶的病灶特征融合处理,得到所述目标病灶的目标三维病灶信息。
第三方面,本发明实施例提供了一种计算机设备,该计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现任一实施例所述的CT图像和MR图像的融合方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一实施例所述的CT图像和MR图像的融合方法。
本发明实施例所提供的技术方案,通过获取包括目标部位的至少一个待分析CT图像和至少一个MR图像;其中,所述待分析CT图像为包括目标病灶的靶扫CT图像;基于所述至少一个待分析CT图像中关于所述目标病灶的目标病灶属性信息,从所述至少一个MR图像中确定所述目标病灶的关联病灶;其中,所述目标病灶属性信息包括:病灶尺寸信息和病灶密度信息中的至少一个;对提取到的所述目标病灶和所述关联病灶的病灶特征融合处理,得到所述目标病灶的目标三维病灶信息。本发明实施例的技术方案解决了现有技术在对普通CT图像和MR图像进行融合时出现的信息处理速度过慢的问题,可以将靶扫CT图像中的单个目标病灶的病灶特征与MR图像中对应的病灶进行特征融合,提高图像融合处理速度,进一步提升病灶诊断效率。
附图说明
图1是本发明实施例提供的一种CT图像和MR图像的融合方法流程图;
图2是本发明实施例提供的又一种CT图像和MR图像的融合方法流程图;
图3是本发明实施例提供的一种进行CT图像和MR图像的融合的工作流程图;
图4是本发明实施例提供的一种CT图像和MR图像的融合装置的结构示意图;
图5是本发明实施例提供的一种计算机设备的结构示意图。
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。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。
图1是本发明实施例提供的一种CT图像和MR图像的融合方法流程图,本发明实施例可适用于对靶扫CT图像和MR图像中病灶特征进行融合的场景中,该方法可以由CT图像和MR图像的融合装置执行,该装置可以由软件和/或硬件的方式来实现。
如图1所示,CT图像和MR图像的融合方法包括以下步骤:
S110、获取包括目标部位的至少一个待分析CT图像和至少一个MR图像。
其中,目标部位可以是用于进行病灶分析的身体部位。示例性的,目标部位可以胸腔、盆腔等身体部位。待分析CT图像可以是需要用于病灶分析的CT图像。具体的,待分析CT图像包括目标病灶的靶扫CT图像。示例性的,待分析CT图像可以是针对目标病灶拍摄的一组靶扫CT图像。
靶扫CT采用1024×1024矩阵,一般扫描病灶相关的信息,能够使单位面积内的有效像素提高到常规CT的4倍左右,从而能够显示更多的病灶信息。靶扫描则利用小视野、高矩阵、小螺距技术使图像空间分辨率明显提高,有助于显示肺部小结节更多的影像学特征。
靶扫描和普通CT在扫描方式、目的和作用等方面有一些区别。具体分析如下:
1.目的不同:靶扫描主要是为病灶的定性诊断提供依据。因为它可以提供更高的空间分辨率,所以适用于对组织结构小的器官或病灶进行观察和分析。而普通CT则是一种常规检查,主要用于了解各个不同部位或器官的层厚和层距,以获得更全面的解剖结构信息。
2.扫描方式不同:靶扫描的扫描视野较小,通常用于进行小范围的扫描。这种扫描方式可以提供更高的空间分辨率,能够清晰地显示组织结构小的器官或病灶。而普通CT的扫描视野较大,通常用于进行大范围的扫描,以获取更全面的图像信息。
3.作用不同:靶扫描通常可以在较薄的层厚范围内找到病灶,并放大显示。这样可以更全面、直观、多方位地观察病灶,有助于医生得出更准确的结论。而普通CT的扫描断层较厚,不能提供如此全面的观察。因此,在对疾病进行定性诊断时,靶扫描可能更有优势。
从成像原理上看,靶扫CT使用X射线,MR使用磁场和无线电波,靶扫CT主要用于骨骼和肺部成像,MR适用于全身各个部位的软组织结构,靶扫CT的扫描速度相对较快,MR的扫描速度相对较慢,CT对骨骼结构的对比度较高,MR对软组织结构的对比度较高。在临床进行诊断时,将靶扫CT和MR进行配准能更好的进行对比分析,提升医生工作效率,提高随访质量。
S120、基于所述至少一个待分析CT图像中关于所述目标病灶的目标病灶属性信息,从所述至少一个MR图像中确定所述目标病灶的关联病灶。
其中,目标病灶属性信息可以是关于目标病灶的特征信息。示例性的,目标病灶属性信息包括病灶尺寸信息和病灶密度信息。其中,病灶尺寸信息可以是关于病灶尺寸大小的信息。例如,病灶尺寸信息包括病灶的长度、宽度、面积、形状等信息。病灶密度信息可以是关于病灶密度的信息。具体的,可以对全部待分析CT图像中关于目标病灶的病灶属性信息进行提取,进而得到目标病灶属性信息。
进一步的,关联病灶可以是MR图像中与目标病灶相对应的病灶。可以理解为目标病灶和关联病灶指的是同一病灶,关联病灶是在MR图像中针对目标病灶的名称。具体的,可以识别MR图像中的所有病灶,再提取MR图像中的每个病灶的病灶属性信息,得到待分析病灶属性信息,再计算MR图像中的每个病灶的待分析病灶属性信息和目标病灶属性信息之间的相似度,最后将MR图像中与目标病灶属性信息的最相似的病灶作为关联病灶。
S130、对提取到的所述目标病灶和所述关联病灶的病灶特征融合处理,得到所述目标病灶的目标三维病灶信息。
其中,目标三维病灶信息可以是关于目标病灶的三维特征信息。具体的,可以将提取到的目标病灶和关联病灶的病灶特征融合处理,得到三维病灶特征数据,再将三维病灶特征数据作为目标三维病灶信息。其中,三维病灶特征数据包括:病灶三维形状、病灶体积、病灶密度、病灶表面光滑性等信息。
本发明实施例所提供的技术方案,通过获取包括目标部位的至少一个待分析CT图像和至少一个MR图像;其中,待分析CT图像为包括目标病灶的靶扫CT图像;基于至少一个待分析CT图像中关于目标病灶的目标病灶属性信息,从至少一个MR图像中确定目标病灶的关联病灶;其中,目标病灶属性信息包括:病灶尺寸信息和病灶密度信息中的至少一个;对提取到的目标病灶和关联病灶的病灶特征融合处理,得到目标病灶的目标三维病灶信息。本发明实施例的技术方案解决了现有技术在对普通CT图像和MR图像进行融合时出现的信息处理速度过慢的问题,可以将靶扫CT图像中的单个目标病灶的病灶特征与MR图像中对应的病灶进行特征融合,提高图像融合处理速度,进一步提升病灶诊断效率。
图2是本发明实施例提供的又一种CT图像和MR图像的融合方法流程图,本发明实施例可适用于对靶扫CT图像和MR图像中病灶特征进行融合的场景中,本实施例在上述实施例的基础上,进一步的说明如何基于至少一个待分析CT图像中关于目标病灶的目标病灶属性信息,从至少一个MR图像中确定目标病灶的关联病灶;以及如何对提取到的目标病灶和关联病灶的病灶特征融合处理,得到目标病灶的目标三维病灶信息。该装置可以由软件和/或硬件的方式来实现,集成于具有应用开发功能的计算机设备中。
如图2所示,CT图像和MR图像的融合方法包括以下步骤:
S210、获取包括目标部位的至少一个待分析CT图像和至少一个MR图像。
其中,目标部位可以是用于进行病灶分析的身体部位。示例性的,目标部位可以胸腔、盆腔等身体部位。待分析CT图像可以是需要用于病灶分析的CT图像。具体的,待分析CT图像包括目标病灶的靶扫CT图像。示例性的,待分析CT图像可以是针对目标病灶拍摄的一组靶扫CT图像。
可选的,获取包括目标部位的至少一个待分析CT图像,包括:获取包括目标部位的至少一个待分析CT图像集合,并在预设交互界面中生成待分析CT图像集合对应的CT图像控件;其中,待分析CT图像集合是关于指定病灶区域的靶扫描CT图像集合;响应于针对CT图像控件的选择操作,从待分析CT图像集合中确定目标图像集合,并将目标图像集合中的CT图像作为待分析CT图像。
其中,待分析CT图像集合可以是对目标部位中病灶拍摄的靶扫CT图像的集合。具体的,可以分别对目标部位的每个病灶区域拍摄靶扫CT图像,进而得到该病灶区域对应的待分析CT图像集合。也即每个病灶区域对应一个待分析CT图像集合。
进一步的,CT图像控件可以是在分析CT图像集合对应的交互空间。用户可以通过与CT图像控件进行交互操作,进而实现对待分析CT图像集合的选择。进一步的,目标图像集合可以是选中的一个待分析CT图像集合。具体的,可以获取针对于CT图像控件的选择操作,将选中的CT图像控件对应的待分析CT图像集合作为目标图像集合,最后再将目标图像集合中的CT图像均作为待分析CT图像。
S220、获取所述目标病灶的病灶属性信息,得到目标病灶对应的目标病灶属性信息。
其中,病灶属性信息可以是关于病灶的特性信息。示例性的,病灶属性信息包括病灶尺寸信息和病灶密度信息。其中,病灶尺寸信息可以是关于病灶尺寸大小的信息。例如,病灶尺寸信息包括病灶的长度、宽度、面积、形状等信息。病灶密度信息可以是关于病灶密度的信息。目标病灶属性信息可以是关于目标病灶的特征信息。具体的。目标病灶属性信息包括目标病灶的病灶尺寸信息和病灶密度信息。示例性的,可以对全部待分析CT图像中关于目标病灶的病灶属性信息进行提取,进而得到目标病灶属性信息。
S230、识别所述MR图像中的所有病灶,确定至少一个待分析病灶,分别获取每个所述待分析病灶的病灶属性信息,得到所述待分析病灶对应的待分析病灶属性信息。
其中,待分析病灶可以是在MR图像中存在的病灶。具体的,可以识别MR图像中的所有病灶,并将MR图像中的每个病灶均作为待分析病灶。具体的,识别MR图像中病灶的图像处理方式此处不进行限定。
进一步的,待分析病灶属性信息可以是关于待分析病灶的病灶属性信息。相应的,待分析病灶属性信息也可以包括待分析病灶的病灶尺寸信息和病灶密度信息。具体的,在确定出MR图像中的待分析病灶后,针对每个待分析病灶,可以提取待分析病灶的病灶尺寸信息和病灶密度信息,进而得到待分析病灶对应的待分析病灶属性信息。
S240、确定所述待分析病灶属性信息和所述目标病灶属性信息的信息相似度,并根据所述信息相似度从所述待分析病灶中确定关联病灶。
其中,信息相似度可以是表示待分析病灶和目标病灶之间相似程度的参数。可选的,可以将待分析病灶属性信息和目标病灶属性信息分别转化为对应的向量数据,得到待分析病灶属性向量和目标病灶属性向量,进而再计算待分析病灶属性向量和目标病灶属性向量之间的欧氏距离,再将计算出的欧式距离作为信息相似度。
进一步的,关联病灶可以是MR图像中与目标病灶相对应的病灶。可以理解为目标病灶和关联病灶指的是同一病灶,关联病灶是在MR图像中针对目标病灶的名称。具体的,在确定每个待分析病灶和目标病灶之间的信息相似度,可以将信息相似度最大的待分析病灶作为关联病灶。通过确定待分析病灶属性信息和目标病灶属性信息的信息相似度,可以基于信息相似度将靶扫CT图像中的病灶与MR图像中的病灶进行配准,便于后续针对配准后的病灶进行特征分析,提高病灶分析的速率。
传统的CT和MR配准主要是针对不同时间序列的整套的CT和整套的MR进行配准,整套CT和MR的图像较大,处理起来速度慢,效果较差。而本发明实施例主要解决的是整套MR和病灶局部CT的配准,由于局部病灶图像整体较少,处理速度快,而且病灶信息配准上更加准确,在技术实现上有相关创新。同时在临床应用方面,在进行临床病灶鉴别诊断的时候,传统只能通过医生手动翻动图像进行手工匹配,消耗时间较长,对于同一层病灶的定位不太准确,而采用本发明实施例的技术方案,可以实现秒级精准匹配,提高随访的效率,提升医生诊断的速度。
S250、提取所述待分析CT图像中关于所述目标病灶的病灶特征,得到第一病灶特征。
其中,第一病灶特征可以是关于目标病灶的病灶特征。示例性的,第一病灶特征包括目标病灶的尺寸信息、密度信息等信息。具体的,可以分别提取每个待分析CT图像中关于目标病灶的病灶特征,进而得到第一病灶特征。
S260、提取所述MR图像中关于所述关联病灶的病灶特征,得到第二病灶特征。
其中,第二病灶特征可以是关于关联病灶的病灶特征。示例性的,第二病灶特征包括关联病灶的尺寸信息、密度信息和病灶光滑性等信息。具体的,可以分别提取每个MR图像中关于关联病灶的病灶特征,进而得到第二病灶特征。
S270、根据所述第一病灶特征和所述第二病灶特征确定目标三维病灶特征,根据所述目标三维病灶特征构建目标三维病灶模型,并将所述目标三维病灶特征和所述目标三维病灶模型作为所述目标三维病灶信息。
其中,目标三维病灶特征可以是关于目标病灶的三维病灶特征数据。示例性的,三维病灶特征数据包括:病灶三维形状、病灶体积、病灶密度、病灶表面光滑性等信息。目标三维病灶信息可以是关于目标病灶的三维特征信息。具体的,可以根据目标三维病灶特征构建目标三维病灶模型,并将目标三维病灶特征和目标三维病灶模型作为目标三维病灶信息。其中,目标三维病灶模型可以是关于目标病灶的三维立体模型。通过将第一病灶特征和第二病灶特征进行融合得到目标三维病灶信息,便于后续基于目标三维病灶信息从三维立体角度对目标病灶进行分析,提高病灶分析准确性。
可选的,根据第一病灶特征和第二病灶特征确定目标三维病灶特征,包括将第一病灶特征和第二病灶特征输入至经过预先训练的目标病灶特征融合模型中,得到目标三维病灶特征;其中,目标三维病灶特征包括:病灶三维形状、病灶体积、病灶密度、病灶表面光滑性中的至少一个。
其中,目标病灶特征融合模型可以是用于将CT图像和MR图像中病灶特征融合的模型。通过将第一病灶特征和第二病灶特征输入至经过预先训练的目标病灶特征融合模型中,可以得到目标三维病灶特征。
具体的,目标病灶特征融合模型可以经过预先训练获得。示例性的,可以将卷积神经网络(CNN)作为CT和MR图像融合的初始模型,再对初始模型进行训练得到目标病灶特征融合模型,具体的训练步骤如下所示:1.数据准备:收集并准备带有标签的CT和MR图像对,确保图像对齐和相互对应。这可能涉及到图像配准等预处理步骤。2.网络架构设计:设计用于融合的深度神经网络结构。一般而言,这可以是一个端到端的结构,接受CT和MR图像作为输入,输出融合后的图像。3.输入数据处理:对CT和MR图像进行预处理,例如归一化、去噪或其他增强操作,以确保网络训练的稳定性和收敛性。4.网络训练:使用准备好的图像对,将设计好的网络结构进行训练。训练的目标是最小化融合图像与地面真相之间的差异,通常采用均方误差(MSE)或其他适当的损失函数。5.验证和调整:使用验证集进行网络性能评估,并在需要时进行超参数调整或网络结构调整,以提高性能。6.测试和应用:在未见过的数据上测试经过训练的网络,并将其应用于实际场景中。此外,还可以对深度学习模型的输出进行解释,了解网络在决策过程中的关键特征。确保所设计的深度学习模型符合医学图像处理的相关法规和伦理准则。
在以上步骤中,一些细节可能根据具体的问题和数据集而有所不同。此外,可以考虑使用预训练的模型、迁移学习等技术以提高模型性能,尤其是当可用的训练数据有限时。需要注意的是,深度学习方法在医学图像处理中的应用需要谨慎,因为模型的可解释性、鲁棒性和安全性等方面的问题可能对临床应用产生重要影响。
可选的,在得到目标三维病灶信息之后,还可以将目标三维病灶信息输入至经过预先训练的目标病灶误差分析模型中,得到病灶误差分析结果;根据病灶误差分析结果,调整目标病灶特征融合模型中的模型参数。
其中,目标病灶误差分析模型可以是用于对目标三维病灶信息的误差进行分析的模型。可选的,目标病灶误差分析模型可以与目标病灶特征融合模型相连接,目标病灶误差分析模型可以对目标病灶特征融合模型输出的目标三维病灶信息的进行误差分析,确定目标三维病灶信息与第一病灶特征和第二病灶特征的误差关系,进而得到病灶误差分析结果,进一步的,可以根据病灶误差分析结果调整目标病灶特征融合模型中的模型参数。通过基于病灶融合误差对目标病灶误差分析模型的模型参数进行调整,可以采用自适应的优化策略,通过迭代过程不断优化模型参数,提高模型鲁棒性。
可选的,在得到目标三维病灶信息后,还可以构建目标三维病灶信息和待分析CT图像中目标病灶的对应关系,得到第一对应关系信息;构建目标三维病灶信息和MR图像中关联病灶的对应关系,得到第二对应关系信息;将目标三维病灶信息、第一对应关系信息和第二对应关系信息在预设展示交互界面中进行展示。
其中,第一对应关系信息可以是关于目标三维病灶信息和待分析CT图像中目标病灶之间的对应关系信息。具体的,由于待分析CT图像中仅包括目标病灶一个病灶,因此可以直接在目标三维病灶信息和待分析CT图像中的病灶区域之间建立对应关系,得到第一对应关系信息。示例性的,对应关系可以是目标三维病灶模型中的三维坐标点与待分析CT图像中像素点之间的对应关系。例如,目标病灶特征融合模型的一个三维坐标点,和某张待分析CT图像中的某个像素点的对应关系信息。
相应的,第二对应关系信息可以是关于目标三维病灶信息和MR图像中关联病灶之间的对应关系信息。具体的,由于MR图像中可能不止有关联病灶一个病灶,但是目标三维病灶信息是与关联病灶的病灶相关联的三维特征,因此可以只在目标三维病灶信息和MR图像中关联病灶之间建立对应关系,得到第二对应关系信息,目标三维病灶信息与MR图像中除关联病灶之外的其他病灶之间无关联关系。示例性的,对应关系可以是目标三维病灶模型中的三维坐标点与MR图像中像素点之间的对应关系。例如,关联病灶特征融合模型的一个三维坐标点,和某张MR图像中的某个像素点的对应关系信息。
示例性的,图3是本发明实施例提供的一种进行CT图像和MR图像的融合的工作流程图。具体的,如图3所示,进行CT图像和MR图像的融合的工作流程包括如下步骤:
1.预处理:对靶扫CT和MR图像进行预处理,包括去噪、灰度标准化、图像归一化等,以确保输入图像具有相似的特征范围。
2.特征提取:从CT和MR图像中提取病灶特征,并且进行分割,构建三维病灶信息。
3.多层次配准:利用多尺度策略,将图像金字塔划分为多个层次,从粗到细逐层进行配准。对每个层次,采用配准算法进行初步配准,然后将配准结果用于下一层的初始化。
4.多模态融合:将从CT和MR中提取的三维立体病灶信息,以立体的形式进行多模态融合,以建立多模态图像间的对应关系。
5.优化:采用自适应的优化策略,通过迭代过程不断优化配准参数,确保算法能够在不同情境下鲁棒地工作。
6.评估和验证:对配准结果进行定量和定性评估,可采用均方根误差指标进行验证。
本发明实施例所提供的技术方案,通过获取包括目标部位的至少一个待分析CT图像和至少一个MR图像;识别MR图像中的所有病灶,确定至少一个待分析病灶;分别获取每个待分析病灶的病灶属性信息,得到待分析病灶属性信息;确定待分析病灶属性信息和目标病灶属性信息的信息相似度,并根据信息相似度从待分析病灶中确定关联病灶;提取待分析CT图像中关于目标病灶的病灶特征,得到第一病灶特征;提取MR图像中关于关联病灶的病灶特征,得到第二病灶特征;根据第一病灶特征和第二病灶特征确定目标三维病灶特征,根据目标三维病灶特征构建目标三维病灶模型,并将目标三维病灶特征和目标三维病灶模型作为目标三维病灶信息。本发明实施例的技术方案解决了现有技术在对普通CT图像和MR图像进行融合时出现的信息处理速度过慢的问题,可以将靶扫CT图像中的单个目标病灶的病灶特征与MR图像中对应的病灶进行特征融合,提高图像融合处理速度,进一步提升病灶诊断效率。
图4是本发明实施例提供的一种CT图像和MR图像的融合装置的结构示意图,本发明实施例可适用于对靶扫CT图像和MR图像中病灶特征进行融合的场景中,该装置可以由软件和/或硬件的方式来实现,集成于具有应用开发功能的计算机设备中。
如图4所示,CT图像和MR图像的融合装置包括:图像获取模块310、关联病灶确定模块320和病灶特征融合模块330。
其中,图像获取模块310,用于获取包括目标部位的至少一个待分析CT图像和至少一个MR图像;其中,所述待分析CT图像为包括目标病灶的靶扫CT图像;关联病灶确定模块320,用于基于所述至少一个待分析CT图像中关于所述目标病灶的目标病灶属性信息,从所述至少一个MR图像中确定所述目标病灶的关联病灶;其中,所述目标病灶属性信息包括:病灶尺寸信息和病灶密度信息中的至少一个;病灶特征融合模块330,用于对提取到的所述目标病灶和所述关联病灶的病灶特征融合处理,得到所述目标病灶的目标三维病灶信息。
本发明实施例所提供的技术方案,通过获取包括目标部位的至少一个待分析CT图像和至少一个MR图像;其中,所述待分析CT图像为包括目标病灶的靶扫CT图像;基于所述至少一个待分析CT图像中关于所述目标病灶的目标病灶属性信息,从所述至少一个MR图像中确定所述目标病灶的关联病灶;其中,所述目标病灶属性信息包括:病灶尺寸信息和病灶密度信息中的至少一个;对提取到的所述目标病灶和所述关联病灶的病灶特征融合处理,得到所述目标病灶的目标三维病灶信息。本发明实施例的技术方案解决了现有技术在对普通CT图像和MR图像进行融合时出现的信息处理速度过慢的问题,可以将靶扫CT图像中的单个目标病灶的病灶特征与MR图像中对应的病灶进行特征融合,提高图像融合处理速度,进一步提升病灶诊断效率。
在一种可选的实施方式中,所述关联病灶确定模块320具体用于:识别所述MR图像中的所有病灶,确定至少一个待分析病灶;分别获取每个所述待分析病灶的病灶属性信息,得到待分析病灶属性信息;确定所述待分析病灶属性信息和所述目标病灶属性信息的信息相似度,并根据所述信息相似度从所述待分析病灶中确定所述关联病灶。
在一种可选的实施方式中,所述病灶特征融合模块330具体用于:提取所述待分析CT图像中关于所述目标病灶的病灶特征,得到第一病灶特征;提取所述MR图像中关于所述关联病灶的病灶特征,得到第二病灶特征;根据所述第一病灶特征和所述第二病灶特征确定目标三维病灶特征,根据所述目标三维病灶特征构建目标三维病灶模型,并将所述目标三维病灶特征和所述目标三维病灶模型作为所述目标三维病灶信息。
在一种可选的实施方式中,所述病灶特征融合模块330包括:三维病灶特征确定单元,用于:将所述第一病灶特征和所述第二病灶特征输入至经过预先训练的目标病灶特征融合模型中,得到所述目标三维病灶特征;其中,所述目标三维病灶特征包括:病灶三维形状、病灶体积、病灶密度、病灶表面光滑性中的至少一个。
在一种可选的实施方式中,所述图像获取模块310包括:CT图像获取单元,用于:获取包括目标部位的至少一个待分析CT图像集合,并在预设交互界面中生成所述待分析CT图像集合对应的CT图像控件;其中,所述待分析CT图像集合是关于指定病灶区域的靶扫描CT图像集合;响应于针对所述CT图像控件的选择操作,从所述待分析CT图像集合中确定目标图像集合,并将所述目标图像集合中的CT图像作为所述待分析CT图像。
在一种可选的实施方式中,所述CT图像和MR图像的融合装置还包括:配准关系展示模块,用于:构建所述目标三维病灶信息和所述待分析CT图像中目标病灶的对应关系,得到第一对应关系信息;构建所述目标三维病灶信息和所述MR图像中关联病灶的对应关系,得到第二对应关系信息;将所述目标三维病灶信息、所述第一对应关系信息和所述第二对应关系信息在预设展示交互界面中进行展示。
在一种可选的实施方式中,所述CT图像和MR图像的融合装置还包括:病灶误差反馈模块,用于:将所述目标三维病灶信息输入至经过预先训练的目标病灶误差分析模型中,得到病灶误差分析结果;根据所述病灶误差分析结果,调整所述目标病灶特征融合模型中的模型参数。
本发明实施例所提供的CT图像和MR图像的融合装置可执行本发明任意实施例所提供的CT图像和MR图像的融合方法,具备执行方法相应的功能模块和有益效果。
图5为本发明实施例提供的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图5显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。计算机设备12可以是任意具有计算能力的终端设备,可以配置于CT图像和MR图像的融合设备中。
如图5所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18可以是几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
计算机设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。***存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如***存储器28中,这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图5所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图5中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发实施例所提供的CT图像和MR图像的融合方法,该方法包括:
获取包括目标部位的至少一个待分析CT图像和至少一个MR图像;其中,所述待分析CT图像为包括目标病灶的靶扫CT图像;
基于所述至少一个待分析CT图像中关于所述目标病灶的目标病灶属性信息,从所述至少一个MR图像中确定所述目标病灶的关联病灶;其中,所述目标病灶属性信息包括:病灶尺寸信息和病灶密度信息中的至少一个;
对提取到的所述目标病灶和所述关联病灶的病灶特征融合处理,得到所述目标病灶的目标三维病灶信息。
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的CT图像和MR图像的融合方法,包括:
获取包括目标部位的至少一个待分析CT图像和至少一个MR图像;其中,所述待分析CT图像为包括目标病灶的靶扫CT图像;
基于所述至少一个待分析CT图像中关于所述目标病灶的目标病灶属性信息,从所述至少一个MR图像中确定所述目标病灶的关联病灶;其中,所述目标病灶属性信息包括:病灶尺寸信息和病灶密度信息中的至少一个;
对提取到的所述目标病灶和所述关联病灶的病灶特征融合处理,得到所述目标病灶的目标三维病灶信息。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种CT图像和MR图像的融合方法,其特征在于,包括:
获取包括目标部位的至少一个待分析CT图像和至少一个MR图像;其中,所述待分析CT图像为包括目标病灶的靶扫CT图像;
基于所述至少一个待分析CT图像中关于所述目标病灶的目标病灶属性信息,从所述至少一个MR图像中确定所述目标病灶的关联病灶;其中,所述目标病灶属性信息包括:病灶尺寸信息和病灶密度信息中的至少一个;
对提取到的所述目标病灶和所述关联病灶的病灶特征融合处理,得到所述目标病灶的目标三维病灶信息。
2.根据权利要求1所述的方法,其特征在于,所述基于所述至少一个待分析CT图像中关于所述目标病灶的目标病灶属性信息,从所述至少一个MR图像中确定所述目标病灶的关联病灶,包括:
获取所述目标病灶的病灶属性信息,得到目标病灶对应的目标病灶属性信息,
识别所述MR图像中的所有病灶,确定至少一个待分析病灶,分别获取每个所述待分析病灶的病灶属性信息,得到所述待分析病灶对应的待分析病灶属性信息;
确定所述待分析病灶属性信息和所述目标病灶属性信息的信息相似度,并根据所述信息相似度从所述待分析病灶中确定所述关联病灶。
3.根据权利要求1所述的方法,其特征在于,所述对提取到的所述目标病灶和所述关联病灶的病灶特征融合处理,得到所述目标病灶的目标三维病灶信息,包括:
提取所述待分析CT图像中关于所述目标病灶的病灶特征,得到第一病灶特征;
提取所述MR图像中关于所述关联病灶的病灶特征,得到第二病灶特征;
根据所述第一病灶特征和所述第二病灶特征确定目标三维病灶特征,并根据所述目标三维病灶特征构建目标三维病灶模型,并将所述目标三维病灶特征和所述目标三维病灶模型作为所述目标三维病灶信息。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一病灶特征和所述第二病灶特征确定目标三维病灶特征,包括:
将所述第一病灶特征和所述第二病灶特征输入至经过预先训练的目标病灶特征融合模型中,得到所述目标三维病灶特征;
其中,所述目标三维病灶特征包括:病灶三维形状、病灶体积、病灶密度、病灶表面光滑性中的至少一个。
5.根据权利要求1所述的方法,其特征在于,所述获取包括目标部位的至少一个待分析CT图像,包括:
获取包括目标部位的至少一个待分析CT图像集合,并在预设交互界面中生成所述待分析CT图像集合对应的CT图像控件;其中,所述待分析CT图像集合是关于指定病灶区域的靶扫描CT图像集合;
响应于针对所述CT图像控件的选择操作,从所述待分析CT图像集合中确定目标图像集合,并将所述目标图像集合中的CT图像作为所述待分析CT图像。
6.根据权利要求1所述的方法,其特征在于,在得到目标三维病灶信息后,还包括:
构建所述目标三维病灶信息和所述待分析CT图像中目标病灶的对应关系,得到第一对应关系信息;
构建所述目标三维病灶信息和所述MR图像中关联病灶的对应关系,得到第二对应关系信息;
将所述目标三维病灶信息、所述第一对应关系信息和所述第二对应关系信息在预设展示交互界面中进行展示。
7.根据权利要求4所述的方法,其特征在于,在得到目标三维病灶信息之后,还包括:
将所述目标三维病灶信息输入至经过预先训练的目标病灶误差分析模型中,得到病灶误差分析结果;
根据所述病灶误差分析结果,调整所述目标病灶特征融合模型中的模型参数。
8.一种CT图像和MR图像的融合装置,其特征在于,所述装置包括:
图像获取模块,用于获取包括目标部位的至少一个待分析CT图像和至少一个MR图像;其中,所述待分析CT图像为包括目标病灶的靶扫CT图像;
关联病灶确定模块,用于基于所述至少一个待分析CT图像中关于所述目标病灶的目标病灶属性信息,从所述至少一个MR图像中确定所述目标病灶的关联病灶;其中,所述目标病灶属性信息包括:病灶尺寸信息和病灶密度信息中的至少一个;
病灶特征融合模块,用于对提取到的所述目标病灶和所述关联病灶的病灶特征融合处理,得到所述目标病灶的目标三维病灶信息。
9.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的CT图像和MR图像的融合方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的CT图像和MR图像的融合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410173104.6A CN117994620A (zh) | 2024-02-07 | 2024-02-07 | 一种ct图像和mr图像的融合方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410173104.6A CN117994620A (zh) | 2024-02-07 | 2024-02-07 | 一种ct图像和mr图像的融合方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117994620A true CN117994620A (zh) | 2024-05-07 |
Family
ID=90887200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410173104.6A Pending CN117994620A (zh) | 2024-02-07 | 2024-02-07 | 一种ct图像和mr图像的融合方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117994620A (zh) |
-
2024
- 2024-02-07 CN CN202410173104.6A patent/CN117994620A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3511942B1 (en) | Cross-domain image analysis using deep image-to-image networks and adversarial networks | |
EP3982292B1 (en) | Method for training image recognition model, and method and apparatus for image recognition | |
CN108921851B (zh) | 一种基于3d对抗网络的医学ct图像分割方法 | |
CN111292314B (zh) | 冠脉分段方法、装置、图像处理***和存储介质 | |
CN109741312B (zh) | 一种肺结节鉴别方法、装置、设备及介质 | |
CN110414631B (zh) | 基于医学图像的病灶检测方法、模型训练的方法及装置 | |
CN110473186B (zh) | 一种基于医学图像的检测方法、模型训练的方法及装置 | |
CN110400298B (zh) | 心脏临床指标的检测方法、装置、设备及介质 | |
Li et al. | Automated measurement network for accurate segmentation and parameter modification in fetal head ultrasound images | |
CN111145160B (zh) | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 | |
CN110728673A (zh) | 一种目标部位分析方法、装置、计算机设备及存储介质 | |
CN111340937A (zh) | 一种脑肿瘤医学影像三维重建显示交互方法及*** | |
US20220101034A1 (en) | Method and system for segmenting interventional device in image | |
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 | |
CN113487656B (zh) | 图像配准方法及装置,训练方法及装置,控制方法及装置 | |
CN109087357B (zh) | 扫描定位方法、装置、计算机设备及计算机可读存储介质 | |
CN113724185B (zh) | 用于图像分类的模型处理方法、装置及存储介质 | |
CN116958217B (zh) | 一种mri与ct多模态3d自动配准方法及装置 | |
WO2020253138A1 (zh) | 一种分类方法、装置、设备和存储介质 | |
CN109872353A (zh) | 基于改进迭代最近点算法的白光数据与ct数据配准方法 | |
CN117994620A (zh) | 一种ct图像和mr图像的融合方法、装置、设备和存储介质 | |
CN114037830A (zh) | 增强图像生成模型的训练方法、图像处理方法及装置 | |
CN113222989A (zh) | 一种图像分级方法、装置、存储介质及电子设备 | |
CN112530554A (zh) | 一种扫描定位方法、装置、存储介质及电子设备 | |
CN112581428A (zh) | 一种多模态医学图像辅助诊断方法 |
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 |