CN118097156A - 盆底功能障碍检测方法、装置、计算机设备与存储介质 - Google Patents
盆底功能障碍检测方法、装置、计算机设备与存储介质 Download PDFInfo
- Publication number
- CN118097156A CN118097156A CN202410510251.8A CN202410510251A CN118097156A CN 118097156 A CN118097156 A CN 118097156A CN 202410510251 A CN202410510251 A CN 202410510251A CN 118097156 A CN118097156 A CN 118097156A
- Authority
- CN
- China
- Prior art keywords
- image sequence
- image
- original
- registered
- analyzed
- 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
- 230000004064 dysfunction Effects 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 94
- 210000003903 pelvic floor Anatomy 0.000 claims abstract description 68
- 238000003709 image segmentation Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000006073 displacement reaction Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 38
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 87
- 239000010410 layer Substances 0.000 claims description 54
- 238000010606 normalization Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 26
- 230000004927 fusion Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 18
- 238000002591 computed tomography Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 239000011229 interlayer Substances 0.000 claims description 5
- 210000000056 organ Anatomy 0.000 description 23
- 210000003205 muscle Anatomy 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 210000001519 tissue Anatomy 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000005291 magnetic effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 208000012287 Prolapse Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 206010048475 Bladder prolapse Diseases 0.000 description 1
- 206010046543 Urinary incontinence Diseases 0.000 description 1
- 206010046814 Uterine prolapse Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 210000003679 cervix uteri Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 208000013823 pelvic organ prolapse Diseases 0.000 description 1
- 210000004061 pubic symphysis Anatomy 0.000 description 1
- 201000010727 rectal prolapse Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种盆底功能障碍检测方法、装置、计算机设备与存储介质,包括:对待分析对象的盆底区域的原始CT图像序列和原始MRI的T2图像序列进行预处理与图像融合,得到多模态图像序列;预处理的过程包括:根据原始CT图像序列与原始MRI的T2图像序列的层间距,对原始CT图像序列与原始MRI的T2图像序列进行配准,以及对配准的T2图像序列进行标准化处理;通过基于ConvNeXt模块的UNet++图像分割网络,对多模态图像序列进行图像分割,得到待分析盆底部位图像;通过计算待分析盆底部位图像对应的相对位移,确定待分析对象的盆底情况。本申请提供的盆底功能障碍检测方法,可以对盆底情况进行精确评估,精准度高。
Description
技术领域
本申请涉及医学影像诊断技术领域,尤其涉及一种盆底功能障碍检测方法、装置、计算机设备与存储介质。
背景技术
盆底功能障碍疾病包括尿失禁、盆腔器官脱垂(如子宫脱垂、膀胱脱垂、直肠脱垂等)等。目前,利用人工智能等相关技术可提高盆底功能障碍疾病的诊断效率。
然而,目前的人工智能相关技术通常采用基于单模态的影像数据进行辅助分析,存在精准度低的问题,会造成后续评估盆底情况的结果与实际存在偏差。
发明内容
有鉴于此,本申请至少提供一种盆底功能障碍检测方法、装置、计算机设备与存储介质。
本申请的技术方案是这样实现的:
一方面,本申请提供一种盆底功能障碍检测方法,所述方法包括:
对待分析对象的盆底区域的原始计算机断层扫描CT图像序列和原始磁共振成像MRI的T2图像序列进行预处理与图像融合,得到多模态图像序列;其中,预处理的过程包括:根据原始CT图像序列与原始MRI的T2图像序列的层间距,对所述原始CT图像序列与所述原始MRI的T2图像序列进行配准,以及对配准的T2图像序列进行标准化处理;
通过基于 UNet++结构的图像分割网络,对所述多模态图像序列进行图像分割,得到待分析盆底部位图像;所述基于 UNet++结构的图像分割网络中的网络模块是基于ConvNeXt卷积神经网络构建的;
通过计算所述待分析盆底部位图像对应的相对位移,确定所述待分析对象的盆底情况。
在一些实施例中,所述对待分析对象的盆底区域的原始计算机断层扫描CT图像序列和原始磁共振成像MRI的T2图像序列进行预处理与图像融合,得到多模态图像序列,包括:
根据所述原始CT图像序列与所述原始MRI的T2图像序列的层间距,对所述原始CT图像序列与所述原始MRI的T2图像序列进行配准,得到配准的CT图像序列与配准的T2图像序列;
根据预设截断范围,对所述配准的CT图像序列进行截断处理与归一化处理的预处理过程,得到待融合的CT图像序列;以及,通过计算所述配准的T2图像序列的像素值均值与像素值标准差,对所述配准的T2图像序列进行标准化处理与归一化处理的预处理过程,得到待融合的T2图像序列;
对所述待融合的CT图像序列与所述待融合的T2图像序列进行图像融合,得到所述多模态图像序列。
在一些实施例中,所述通过计算所述配准的T2图像序列的像素值均值与像素值标准差,对所述配准的T2图像序列进行标准化处理与归一化处理的预处理过程,得到待融合的T2图像序列,包括:
计算所述配准的T2图像序列的像素值均值和像素值标准差;
计算所述配准的T2图像序列中的每个像素值与所述像素值均值的第一差值,并计算所述第一差值与所述像素值标准差的第一比值,作为所述配准的T2图像序列中的每个像素值对应的标准化像素值,从而得到标准化的T2图像序列;
对所述标准化的T2图像序列进行归一化处理,得到所述待融合的T2图像序列。
在一些实施例中,所述根据所述原始CT图像序列与所述原始MRI的T2图像序列的层间距,对所述原始CT图像序列与所述原始MRI的T2图像序列进行配准,得到配准的CT图像序列与配准的T2图像序列,包括:
当所述原始CT图像序列对应的第一层间距大于所述原始MRI的T2图像序列对应的第二层间距时,以所述原始MRI的T2图像序列对应的坐标系为基准进行配准,得到所述配准的CT图像序列和所述配准的T2图像序列;
当所述第一层间距小于所述第二层间距时,以所述原始CT图像序列对应的坐标系为基准进行配准,得到所述配准的CT图像序列和所述配准的T2图像序列。
在一些实施例中,所述方法还包括:
通过获取所述原始CT图像序列的第一像素间距和所述原始MRI的T2图像序列的第二像素间距,确定所述第一层间距与所述第二层间距。
在一些实施例中,所述通过计算所述待分析盆底部位图像对应的相对位移,确定所述待分析对象的盆底情况,包括:
以所述待分析对象的耻尾线作为参考线,计算所述待分析盆底部位图像中的参考点至所述耻尾线的纵垂线方向的距离,作为所述相对位移;
基于所述相对位移,确定所述待分析对象的盆底情况。
在一些实施例中,所述基于所述相对位移,确定所述待分析对象的盆底情况,包括:
根据至少一个预设相对位移区间与至少一个预设盆底情况的预设对应关系,确定所述相对位移对应的目标预设盆底情况,作为所述待分析对象的盆底情况。
另一方面,本申请提供一种盆底功能障碍检测装置,所述装置包括:
预处理模块,用于对待分析对象的盆底区域的原始计算机断层扫描CT图像序列和原始磁共振成像MRI的T2图像序列进行预处理与图像融合,得到多模态图像序列;其中,预处理的过程包括:根据原始CT图像序列与原始MRI的T2图像序列的层间距,对所述原始CT图像序列与所述原始MRI的T2图像序列进行配准,以及对配准的T2图像序列进行标准化处理;
图像分割模块,用于通过基于 UNet++结构的图像分割网络,对所述多模态图像序列进行图像分割,得到待分析盆底部位图像;所述基于 UNet++结构的图像分割网络中的网络模块是基于ConvNeXt卷积神经网络构建的;
确定模块,用于通过计算所述待分析盆底部位图像对应的相对位移,确定所述待分析对象的盆底情况。
再一方面,本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法中的部分或全部步骤。
又一方面,本申请实施例提供一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。
本申请对原始CT图像序列和原始MRI的T2图像序列进行预处理与图像融合,实现了对不同来源的多个模态信息的融合,使得融合得到的多模态图像序列包含更全面的信息,相比现有技术中基于单模态的影像数据进行辅助分析所得出的结果,精准度更高。并且,在预处理过程中,由于层间距通常影响图像的分辨率,根据原始CT图像序列与原始MRI的T2图像序列的层间距进行配准,可以获得更准确的配准关系;通过对配准的T2图像序列进行标准化处理,能够平滑配准的T2图像序列中的数据梯度;如此,提高了预处理的数据精确度,进而提高基于预处理过程进行后续处理过程的精确度。进一步地,通过基于UNet++结构的图像分割网络进行图像分割,基于 UNet++结构的图像分割网络中的网络模块基于ConvNeXt卷积神经网络构建,可以进一步提高图像分割结果的准确性,最终提高基于图像分割结果进行相对位移计算与确定盆底情况的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本申请的技术方案。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本申请的实施例,并与说明书一起用于说明本申请的技术方案。
图1为本申请实施例提供的一种盆底功能障碍检测方法的实现流程示意图一;
图2为本申请实施例提供的一种通过辅助分析设备从影像归档和通信***中获取原始CT图像序列和原始MRI的T2图像序列的过程示意图;
图3为本申请实施例提供的基于 UNet++结构的图像分割网络的一种可选的结构示意图;
图4为本申请实施例提供的基于 UNet++结构的图像分割网络中的网络模块的一种可选的结构示意图;
图5为本申请实施例提供的一种盆底功能障碍检测方法的实现流程示意图二;
图6为本申请实施例提供的一种盆底功能障碍检测方法的实现流程示意图三;
图7为本申请实施例提供的通过图像分割得到的盆底的器官和肌肉的示意图;
图8为本申请实施例提供的一种应用于实际场景中的盆底功能障碍检测方法的流程示意图;
图9为本申请实施例提供的一种盆底功能障碍检测装置的组成结构示意图;
图10为本申请实施例提供的一种计算机设备的硬件实体示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图和实施例对本申请的技术方案进一步详细阐述,所描述的实施例不应视为对本申请的限制,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,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请的目的,不是旨在限制本申请。
在本申请的描述中,需要理解的是,术语“中心”、“横向”、“纵向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
本申请实施例提供一种盆底功能障碍检测方法,该方法可以由计算机设备的处理器执行。其中,计算机设备可以包括服务器、笔记本电脑、平板电脑、台式计算机等具备数据处理能力的设备。
图1为本申请实施例提供的一种盆底功能障碍检测方法的实现流程示意图一,如图1所示,该方法包括S101至S103,如下:
S101、对待分析对象的盆底区域的原始计算机断层扫描CT图像序列和原始磁共振成像MRI的T2图像序列进行预处理与图像融合,得到多模态图像序列;其中,预处理的过程包括:根据原始CT图像序列与原始MRI的T2图像序列的层间距,对原始CT图像序列与原始MRI的T2图像序列进行配准,以及对配准的T2图像序列进行标准化处理。
本申请实施例中,获取待分析对象的盆底区域的原始计算机断层扫描(ComputedTomography,CT)图像序列和原始磁共振共像(Magnetic Resonance Imaging,MRI)的T2图像序列,对原始CT图像序列和原始MRI的T2图像序列进行预处理与图像融合,得到多模态图像序列。其中,所获取的原始CT图像序列和原始MRI的T2图像序列是相对应的,也即原始CT图像序列和原始MRI的T2图像序列是对同一待分析对象的相同盆底区域拍摄得到的。示例性地,待分析对象可以是病人。
本申请实施例中,原始CT图像可以通过像素的灰度反映器官和组织对X线的吸收程度,原始MRI的T2图像序列可以反映组织之间的横向弛豫时间(T2)值的差异,T2图像也可称为T2加权成像图像。
在一些实施例中,可以通过辅助分析设备获取原始CT图像序列和原始MRI的T2图像序列。示例性地,如图2所示,可以通过辅助分析设备,从医院的影像归档和通信***(Picture Archiving and Communication System,PACS)中,获取原始CT图像序列和原始MRI的T2图像序列,以保证数据的安全性与隐私性。
本申请实施例中,对原始CT图像序列进行预处理,得到待融合的CT图像序列;对原始MRI的T2图像序列进行预处理,得到待融合的T2图像序列。对待融合的CT图像序列与待融合的T2图像序列进行图像融合,得到多模态图像序列。
在一些实施例中,图像融合可以通过将待融合的CT图像与待融合的T2图像在各个维度的数据对应相加来实现。示例性地,待融合的CT图像的维度和待融合的T2图像的维度均可以表示为n*c*z*y*x。其中,n代表图像块个数;c代表通道数量;z、y、x分别表示影像三维数组的三个维度。将待融合的CT图像与待融合的T2图像在各个维度上的数据对应相加,得到的多模态图像的维度也是n*c*z*y*x。
在一些实施例中,图像融合还可以通过在图像通道维度上,将待融合的CT图像与待融合的T2图像进行图像通道连接来实现。示例性地,对于维度为n*c*z*y*x的待融合的CT图像和待融合的T2图像,在图像通道维度c上进行通道连接,得到n*(c+c)*z*y*x的多模态图像。图像融合也可以包括其他融合方式,具体的根据实际情况进行选择,本申请实施例不作限定。
本申请实施例中,对于预处理过程,根据原始CT图像序列与原始MRI的T2图像序列的层间距,以原始CT图像序列或原始MRI的T2图像序列的坐标系为基准,对原始CT图像序列与原始MRI的T2图像序列进行配准,得到配准的CT图像序列与配准的T2图像序列;然后分别对配准的CT图像序列与配准的T2图像序列继续进行相应的预处理过程,得到待融合的CT图像序列与待融合的T2图像序列。
本申请实施例中,由于原始CT图像序列与原始MRI的T2图像序列来源于不同的扫描仪,所以两者的空间坐标系不同,配准的目的是为了将CT图像序列和MRI的T2图像序列统一到相同的空间坐标***中,这样就可以准确地进行后续的图像融合。
本申请实施例中,层间距表征扫描层片的相邻两层中心之间的距离。扫描同一区域,层间距越小,图像切片数量越多,即层数越多。可以看出,层间距与分辨率成反比,层间距越大,分辨率越低,层间距越小,分辨率越高。为了减少信息丢失,可以通过比较原始CT图像序列和原始MRI的T2图像序列的层间距,对原始CT图像序列和原始MRI的T2图像序列进行配准,得到配准的CT图像序列与配准的T2图像序列。
在一些实施例中,对于MRI的T2图像序列对应的预处理过程,需要对配准的T2图像序列进行标准化处理,以平滑配准的T2图像序列中不同层数据间的梯度,从而进一步提高后续结果的精度。
S102、通过基于 UNet++结构的图像分割网络,对多模态图像序列进行图像分割,得到待分析盆底部位图像;基于 UNet++结构的图像分割网络中的网络模块基于ConvNeXt卷积神经网络构建。
本申请实施例中,将多模态图像序列输入基于 UNet++结构的图像分割网络中进行推理,对多模态图像序列进行目标检测和图像分割,得到待分析对象的盆底区域中待分析的盆底部位对应的图像部分,作为待分析对象的待分析盆底部位图像。示例性地,待分析的盆底部位可以包括盆底的至少一个器官和/或肌肉,待分析盆底部位图像则为基于 UNet++结构的所分割出的盆底的至少一个器官和/或肌肉对应的图像。
本申请实施例中,基于 UNet++结构的图像分割网络为经过网络训练或深度学习的人工智能网络模型,其中,基于 UNet++结构的图像分割网络中的网络模块(也即基础网络单元)是基于ConvNeXt卷积神经网络构建的。示例性地,基于 UNet++结构的图像分割网络可以包括:基于ConvNeXt Block的UNet++模型。
示例性地,基于 UNet++结构的图像分割网络的网络结构可以如图3所示。其中,Xi ,j为UNet++结构中的网络模块,也即基础网络单元(UNet),i,j用于表征该网络模块在UNet++结构中的位置,如i代表第几层,j代表第几个节点。可以看出,UNet++结构通过UNet之间的密集连接可以从不同层次捕获特征,实现了从不同层次和尺度提取特征信息;这些特征被整合到最终的预测中,可以提高图像分割的准确性。
示例性地,基于图3示出的基于 UNet++结构的图像分割网络,其中的网络模块UNet的网络结构可以如图4所示,包括:深度可分离卷积(Depthwise SeparableConvolution,DSC)模块30,层归一化(LayerNormlization,LN)模块31、第一卷积模块32、高斯误差线性单元(Gaussian Error Linerar Units,GELU)激活函数模块33与第二卷积模块34。
在一些实施例中,图4中的深度可分离卷积模块30的卷积核尺寸可以为,通道数可以为96;第一卷积模块32的卷积核尺寸可以为/>,通道数可以为384;第二卷积模块34的卷积核尺寸可以为/>,通道数可以为96。具体的根据实际情况进行选择,本申请实施例不作限定。
需要说明的是,图3和图4示出的UNet++模型以及UNet++模型中基于ConvNeXt卷积神经网络构建的网络模块UNet仅为一种示例,实际应用中可以根据不同的数据集,对图3和/或图4相关的网络参数和/或网络结构进行调整,以适应不同的应用场景,还可以通过增加网络层数和节点数来提升模型的性能以应对更大规模的数据和更复杂的问题,从而提高模型的适应性和可扩展性等等,具体的根据实际情况进行选择,本申请实施例不作限定。
S103、通过计算待分析盆底部位图像对应的相对位移,确定待分析对象的盆底情况。
本申请实施例中,获取图像分割得到的待分析盆底部位图像的位置信息,基于该位置信息,以正常状态下的相应的盆底部位的位置为参考,计算待分析盆底部位图像对应的相对位移。这样,可以通过相对位移反映待分析盆底部位与正常状态下该盆底部位的位置偏移,从而识别待分析盆底部位的脱垂程度,确定待分析对象的盆底情况。也就是说,待分析盆底部位图像对应的相对位移表征待分析盆底部位图像的位置信息相对于正常盆底部位的位置信息的位移。
在一些实施例中,为了能够准确分析盆底情况,待分析盆底部位图像可以包括:左尾骨肌图像、右尾骨肌图像、左髂尾肌图像、右髂尾肌图像、左肛提肌图像、右肛提肌图像、肠道图像、子宫图像和膀胱图像等等,具体的根据实际情况进行选择,本申请实施例不作限定。
可以理解的是,本申请实施例对原始CT图像序列和原始MRI的T2图像序列进行预处理与图像融合,实现了对不同来源的多个模态信息的融合,使得融合得到的多模态图像序列包含更全面的信息,相比现有技术中基于单模态的影像数据进行辅助分析所得出的结果,精准度更高。并且,在预处理过程中,由于层间距通常影响图像的分辨率,根据原始CT图像序列与原始MRI的T2图像序列的层间距进行配准,可以获得更准确的配准关系;通过对配准的T2图像序列进行标准化处理,能够平滑配准的T2图像序列中的数据梯度;如此,提高了预处理的数据精确度,进而提高基于预处理过程进行后续处理过程的精确度。进一步地,通过基于UNet++结构的图像分割网络进行图像分割,基于 UNet++结构的图像分割网络中的网络模块基于ConvNeXt卷积神经网络构建,可以进一步提高图像分割结果的准确性,最终提高基于图像分割结果进行相对位移计算与确定盆底情况的准确性。
在一些实施例中,基于图1,如图5所示,S101可以通过执行S1011-S1013的过程来实现,如下:
S1011、根据原始计算机断层扫描CT图像序列与原始磁共振成像MRI的T2图像序列的层间距,对原始CT图像序列与原始MRI的T2图像序列进行配准,得到配准的CT图像序列与配准的T2图像序列。
本申请实施例中,根据原始CT图像序列与原始MRI的T2图像序列的层间距,确定层间距较小的原始CT图像序列或原始MRI的T2图像序列;以层间距较小的原始CT图像序列或原始MRI的T2图像序列的坐标系为基准,对原始CT图像序列与原始MRI的T2图像序列进行配准,得到配准的CT图像序列与配准的T2图像序列。
也就是说,当原始CT图像序列对应的第一层间距大于原始MRI的T2图像序列对应的第二层间距时,以原始MRI的T2图像序列对应的坐标系为基准进行配准,得到配准的CT图像序列和配准的T2图像序列;当第一层间距小于第二层间距时,以原始CT图像序列对应的坐标系为基准进行配准,得到配准的CT图像序列和配准的T2图像序列。
在一些示例中,在以原始MRI的T2图像序列对应的坐标系为基准进行配准的情况下,将原始MRI的T2图像序列作为配准的T2图像序列,根据原始MRI的T2图像序列对应的坐标系对原始CT图像序列的坐标系进行对齐,得到配准的CT图像序列。在以原始CT图像序列对应的坐标系为基准进行配准的情况下,将原始CT图像序列作为配准的CT图像序列,根据原始CT图像序列对应的坐标系对原始MRI的T2图像序列的坐标系进行对齐,得到配准的T2图像序列。
可理解,以层间距较小的图像序列为基准进行配准,相当于以分辨率较高的图像序列为基准进行配准,如此,可以减少信息丢失,确保后续评估结果的准确性。
在一些实施例中,可以通过获取原始CT图像序列的第一像素间距和原始MRI的T2图像序列的第二像素间距,确定第一层间距与第二层间距。
其中,像素间距(spacing)表征图像中每个像素在物理空间中的实际大小,通常以毫米为单位表示。spacing为[2,2,2]意味着每个像素在x、y和z方向上分别代表2mm的实际空间。而spacing为[1,1,2]则表示在x和y方向上每个像素代表1mm,而在z方向上代表2mm。可以看出,像素间距越大,层间距越大,相应地分辨率越低,像素间距越小,层间距越小,相应地分辨率越高。
S1012、根据预设截断范围,对配准的CT图像序列进行截断处理与归一化处理的预处理过程,得到待融合的CT图像序列;以及,通过计算配准的T2图像序列的像素值均值与像素值标准差,对配准的T2图像序列进行标准化处理与归一化处理的预处理过程,得到待融合的T2图像序列。
本申请实施例中,对配准的CT图像序列进行的截断处理与归一化处理的预处理过程,可以与对配准的T2图像序列进行的标准化处理与归一化处理的预处理过程以任意先后次序执行,或者同步执行,具体的根据实际情况进行选择,本申请实施例不作限定。
在一些实施例中,对于配准的CT图像序列对应的预处理过程,包括:根据预设截断范围,对配准的CT图像序列进行截断处理,得到截断处理的CT图像序列;截断处理的CT图像序列中每一像素点的值位于预设截断范围内;对截断处理的CT图像序列进行归一化处理,得到待融合的CT图像序列。
在一些实施例中,截断处理的作用是减少外部信息对图像分割的干扰。在处理CT图像时,不同的组织或病灶在图像中具有不同的像素值,这些像素值也称为HU值(Hounsfield Unit)。HU值或称亨氏单位,是用于表示CT图像中组织密度的度量单位。不同的组织和病灶在CT扫描中会有不同的HU值范围,这些值反映了X射线穿过组织时的衰减程度。而为了准确分割盆底区域的待分析盆底部位并减少其他组织的干扰,需要对配准的CT图像序列中的像素值进行截断处理。示例性地,可以根据窗宽、窗位,设置预设截断范围为[-1200,600],这种情况下,小于-1200的像素值均被设置为-1200,大于600的像素值均被设置为600。其中,窗宽(WindowWidth,WW)表征CT图像所显示的CT值范围;窗位(WindowLevel,WL)表征窗宽范围内均值或中心值。
在一些实施例中,对于配准的T2图像序列对应的预处理过程,包括:计算配准的T2图像序列的像素值均值和像素值标准差;计算配准的T2图像序列中的每个像素值与像素值均值的第一差值,并计算第一差值与像素值标准差的第一比值,作为配准的T2图像序列中的每个像素值对应的标准化像素值,从而完成标准化处理过程,得到标准化的T2图像序列;最后对标准化的T2图像序列进行归一化处理,得到待融合的T2图像序列。
其中,配准的T2图像序列对应的像素值均值可以通过公式(1)计算,如下:
公式 (1);
其中,、、…为配准的T2图像序列中的具体像素值,为配准的T2图像序
列中具体像素的个数,为配准的T2图像序列对应的像素值均值。
在一些实施例中,配准的T2图像序列对应的像素值标准差可以通过公式(2)计算,如下:
公式(2);
其中,为配准的T2图像序列对应的像素值标准差,为求和操作,为T2图像序
列中至的每个具体像素值,为配准的T2影像序列对应的像素值均值,为配准的T2影
像序列中具体像素的个数。
在一些实施例中,基于公式(1)和公式(2),计算配准的T2图像序列中的每个像素值对应的标准化像素值的过程可以如公式(3)所示,如下:
公式(3);
其中,为配准的T2图像序列中的任意像素值,为配准的T2图像序列对应的像素
值均值,为配准的T2图像序列对应的像素值标准差,为像素值对应的标准化像素值;对应上述的第一差值,对应上述的第一比值。
在一些实施例中,上述对标准化的T2图像序列进行归一化处理,以及对截断处理的CT图像序列进行归一化处理的作用在于将盆底区域图像的数据范围调整到统一的标准,提高数据的可比性和分析的准确性。示例性地,可以采用公式(4)进行归一化处理,如下。
公式(4);
其中,为截断处理的CT图像序列或标准化的T2图像序列中的任意像素值,
为截断处理的CT图像序列或标准化的T2图像序列中的最小像素值,为截断处理的CT
图像序列或标准化的T2图像序列中最大像素值,为经过归一化处理后的结果,也即该像
素值对应的归一化后的像素值。
S1013、对待融合的CT图像序列与待融合的T2图像序列进行图像融合,得到多模态图像序列。
这里,由于待融合的CT图像序列与待融合的T2图像序列是分别基于配准的CT图像序列与配准的T2图像序列得到的,通过之前的配准过程,待融合的CT图像序列中的待融合的CT图像,在待融合的T2图像序列中有对应的待融合的T2图像。在图像融合过程中,将对应的待融合的CT图像与待融合的T2图像进行图像融合,从而实现待融合的CT图像序列与待融合的T2图像序列进行图像融合,得到多模态图像序列。
可以理解的是,本申请实施例中,通过配准的CT图像序列进行截断处理和归一化处理,以及对配准的T2图像序列进行标准化处理与归一化处理,能够进一步优化盆底区域图像的数据质量,使其更符合后续分析的要求。截断处理可以去除盆底区域图像中超出预设范围的数据,减少噪声和异常值的影响;归一化处理则可以将盆底区域图像的数据范围调整到统一的标准,提高数据的可比性和分析的准确性。这些步骤可以有效地提高盆底区域图像的数据质量,为后续的图像融合和图像分割提供更准确、更可靠的数据支持。
在一些实施例中,基于图1或图5,如图6所示,上述S103的过程可以包括S1031与S1032,如下:
S1031、以待分析对象的耻尾线作为参考线,计算待分析盆底部位图像中的参考点至耻尾线的纵垂线方向的距离,作为相对位移。
本申请实施例中,耻尾线(Pubococcygeal Line,PCL)为耻骨联合后下缘与尾骨尖的连线,代表正常盆底。通过测量各器官或肌肉的图像中的参考点至耻尾线纵垂线方向的距离,可以判断各器官或肌肉的情况。
在一些实施例中,可以在待分析盆底部位图像中确定参考点,以耻尾线为参考线,计算参考点到耻尾线的纵垂线方向的距离,作为相对位移。
在一些实施例中,通过图像分割得到的盆底的器官和肌肉的示意图可以如图7所示。获取该图像后,对图像进行测量,采用PCL作为参考线,C、U、A分别代表膀胱颈图像、子宫颈图像和肛直肠图像中的参考点。通过分别计算C、U、A三点到PCL的纵垂线方向的距离,可以确定膀胱颈图像、子宫颈图像和肛直肠图像相对于PCL的相对位移,表征膀胱颈、子宫颈和肛直肠相对于正常盆底的偏移。
S1032、基于相对位移,确定待分析对象的盆底情况。
本申请实施例中,相对位移表征相应的待分析盆底部位相对于正常盆底的位置偏移。基于相对位移,可以评估待分析盆底部位的病理情况,从而确定待分析对象的盆底情况。
在一些实施例中,根据至少一个预设相对位移区间与至少一个预设盆底情况的预设对应关系,确定相对位移对应的目标预设盆底情况,作为待分析对象的盆底情况。
示例性地,至少一个预设相对位移区间与至少一个预设盆底情况的预设对应关系可以如表1所示,如下:表1
表1中,当器官的参考点均位于PCL上或与PCL纵垂线方向的距离小于1cm时,为0度脱垂,即无脱垂;当任一器官的参考点与PCL纵垂线方向的距离在1~3cm时,为I度脱垂;当任一器官的参考点与PCL纵垂线方向的距离在3~6cm时,为Ⅱ度脱垂;当任一器官的参考点与PCL纵垂线方向的距离大于6cm时,为Ⅲ度脱垂。
下面,结合图8,说明本申请实施例提供的盆底功能障碍检测方法在实际场景中的应用。
S801、获取计算机断层扫描CT影像序列和磁共振成像MRI的T2影像序列。
S801中,CT影像序列相当于原始CT图像序列;MRI的T2影像序列相当于原始MRI的T2图像序列。
S802、对CT影像序列和MRI的T2影像序列进行配准,得到配准的CT影像序列与配准的T2影像序列。
S802中,根据层间距,以CT影像序列或T2影像序列为基准对CT影像序列和T2影像序列进行配准,得到配准的CT图像序列与配准的T2图像序列。
S803、对配准的CT影像序列和配准的T2影像序列进行预处理与图像融合,得到多模态图像序列。
S803中,根据窗宽、窗位对配准的CT影像序列进行截断处理,将截断处理后的CT影像序列进行归一化处理,得到待融合的CT影像序列。计算配准的T2影像序列的均值和标准差,然后按照上述的公式(4)进行标准化,对标准化的T2影像序列进行归一化处理,得到待融合的T2影像序列。对待融合的CT影像序列与待融合的T2影像序列进行图像融合,得到多模态图像序列。
S804、对多模态图像序列进行模型推理,分割出盆底的器官和肌肉。
S804中,将多模态图像序列放入基于ConvNeXt Block的UNet++模型中进行推理,分割出盆底的器官和肌肉。
S805、根据器官和肌肉的相对位置变换分析盆底情况。
S805中,相对位置变换相当于上述的相对位移。以正常状态下的盆底的器官和肌肉的位置为参考,计算出在步骤S3中分割出的盆底的器官和肌肉的相对位置变换,根据位置变换的程度,分析盆底情况。为了分析不同的器官或肌肉的情况,可以对CT影像序列和T2影像序列,选取设定阈值(相当于预设相对位移区间),对该设定阈值所对应的器官或肌肉进行分析,从而获取该设定阈值所对应的器官或肌肉情况。
可以理解的是,本申请实施例实现了基于多模态影像的盆底功能障碍辅助分析,由辅助分析设备从不同的影像设备上获取不同模态的影像序列,应用人工智能相关技术分割出盆底主要器官及肌肉的数据信息,进而可以对盆底情况进行精确评估,评估结果精准度高,提高了医生的工作效率,减轻了医疗负担。
基于前述的实施例,本申请实施例提供一种盆底功能障碍检测装置,该装置包括所包括的各单元、以及各单元所包括的各模块,可以通过计算机设备中的处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(CentralProcessing Unit,CPU)、微处理器(Microprocessor Unit,MPU)、数字信号处理器(DigitalSignal Processor,DSP)或现场可编程门阵列(Field Programmable Gate Array,FPGA)等。
图9为本申请实施例提供的一种盆底功能障碍检测装置的组成结构示意图,如图9所示,盆底功能障碍检测装置900包括:预处理模块910、图像分割模块920和确定模块930,其中:
预处理模块910,用于对待分析对象的盆底区域的原始计算机断层扫描CT图像序列和原始磁共振成像MRI的T2图像序列进行预处理与图像融合,得到多模态图像序列;其中,预处理的过程包括:根据所述原始CT图像序列与所述原始MRI的T2图像序列的层间距,对所述原始CT图像序列与所述原始MRI的T2图像序列进行配准,以及对配准的T2图像序列进行标准化处理;
图像分割模块920,用于通过基于 UNet++结构的图像分割网络,对所述多模态图像序列进行图像分割,得到待分析盆底部位图像;所述基于 UNet++结构的图像分割网络中的网络模块基于ConvNeXt卷积神经网络构建;
确定模块930,用于通过计算所述待分析盆底部位图像对应的相对位移,确定所述待分析对象的盆底情况。
在一些实施例中,所述预处理模块910,还用于根据所述原始CT图像序列与所述原始MRI的T2图像序列的层间距,对所述原始CT图像序列与所述原始MRI的T2图像序列进行配准,得到配准的CT图像序列与配准的T2图像序列;根据预设截断范围,对所述配准的CT图像序列进行截断处理与归一化处理的预处理过程,得到待融合的CT图像序列;以及,通过计算所述配准的T2图像序列的像素值均值与像素值标准差,对所述配准的T2图像序列进行标准化处理与归一化处理的预处理过程,得到待融合的T2图像序列;对所述待融合的CT图像序列与所述待融合的T2图像序列进行图像融合,得到所述多模态图像序列。
在一些实施例中,所述预处理模块910,还用于计算所述配准的T2图像序列的像素值均值和像素值标准差;计算所述配准的T2图像序列中的每个像素值与所述像素值均值的第一差值,并计算所述第一差值与所述像素值标准差的第一比值,作为所述配准的T2图像序列中的每个像素值对应的标准化像素值,从而得到标准化的T2图像序列;对所述标准化的T2图像序列进行归一化处理,得到所述待融合的T2图像序列。
在一些实施例中,所述预处理模块910,还用于当所述原始CT图像序列对应的第一层间距大于所述原始MRI的T2图像序列对应的第二层间距时,以所述原始MRI的T2图像序列对应的坐标系为基准进行配准,得到所述配准的CT图像序列和所述配准的T2图像序列;当所述第一层间距小于所述第二层间距时,以所述原始CT图像序列对应的坐标系为基准进行配准,得到所述配准的CT图像序列和所述配准的T2图像序列。
在一些实施例中,所述预处理模块910,还用于通过获取所述原始CT图像序列的第一像素间距和所述原始MRI的T2图像序列的第二像素间距,确定所述第一层间距与所述第二层间距。
在一些实施例中,所述确定模块930,还用于以所述待分析对象的耻尾线作为参考线,计算所述待分析盆底部位图像中的参考点至所述耻尾线的纵垂线方向的距离,作为所述相对位移;基于所述相对位移,确定所述待分析对象的盆底情况。
在一些实施例中,所述确定模块930,还用于根据至少一个预设相对位移区间与至少一个预设盆底情况的预设对应关系,确定所述相对位移对应的目标预设盆底情况,作为所述待分析对象的盆底情况。
需要说明的是,以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。在一些实施例中,本申请实施例提供的装置具有的功能或包含的模块可以用于执行上述方法实施例描述的方法,对于本申请装置实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
需要说明的是,本申请实施例中,如果以软件功能模块的形式实现上述的盆底功能障碍检测方法,并作为独立的产品销售或使用时,也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,本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该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、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ReadOnly Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件、软件或固件,或者硬件、软件、固件三者之间的任意结合。
本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法中的部分或全部步骤。
本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。所述计算机可读存储介质可以是瞬时性的,也可以是非瞬时性的。
本申请实施例提供一种计算机程序,包括计算机可读代码,在所述计算机可读代码在计算机设备中运行的情况下,所述计算机设备中的处理器执行用于实现上述方法中的部分或全部步骤。
本申请实施例提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序被计算机读取并执行时,实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一些实施例中,所述计算机程序产品具体体现为计算机可读存储介质,在另一些实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software DevelopmentKit,SDK)等等。
这里需要指出的是:上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考。以上设备、存储介质、计算机程序及计算机程序产品实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请设备、存储介质、计算机程序及计算机程序产品实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
图10为本申请实施例提供的一种计算机设备的硬件实体示意图,如图10所示,该计算机设备1000的硬件实体包括:处理器1001和存储器1002,其中,存储器1002存储有可在处理器1001上运行的计算机程序,处理器1001执行程序时实现上述任一实施例的方法中的步骤。
存储器1002存储有可在处理器上运行的计算机程序,存储器1002配置为存储由处理器1001可执行的指令和应用,还可以缓存处理器1001以及计算机设备1000中各模块待处理或已经处理的数据(例如,图像数据、音频数据、语音通信数据和视频通信数据),可以通过闪存(FLASH)或随机访问存储器(Random Access Memory,RAM)实现。
处理器1001执行程序时实现上述任一项的盆底功能障碍检测方法的步骤。处理器1001通常控制计算机设备1000的总体操作。
本申请实施例提供一种存储介质,该存储介质为计算机可读存储介质,计算机可读存储介质存储有一个或者多个程序,该一个或者多个程序可被一个或者多个处理器执行,以实现如上任一实施例的盆底功能障碍检测方法的步骤。
这里需要指出的是:以上存储介质和设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
上述处理器可以为目标用途集成电路(Application Specific IntegratedCircuit,ASIC)、数字信号处理器(Digital Signal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(Programmable LogicDevice,PLD)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地,实现上述处理器功能的电子器件还可以为其它,本申请实施例不作具体限定。
上述计算机可读存储介质/存储器可以是只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory,FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory,CD-ROM)等存储器;也可以是包括上述存储器之一或任意组合的各种终端,如移动电话、计算机、平板设备、个人数字助理等。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各步骤/过程的序号的大小并不意味着执行顺序的先后,各步骤/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。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。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、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ReadOnly Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。或者,本申请上述集成的单元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,也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,本申请的技术方案本质上或者说对相关技术做出贡献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、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的实施方式,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。
Claims (10)
1.一种盆底功能障碍检测方法,其特征在于,包括:
对待分析对象的盆底区域的原始计算机断层扫描CT图像序列和原始磁共振成像MRI的T2图像序列进行预处理与图像融合,得到多模态图像序列;其中,预处理的过程包括:根据原始CT图像序列与原始MRI的T2图像序列的层间距,对所述原始CT图像序列与所述原始MRI的T2图像序列进行配准,以及对配准的T2图像序列进行标准化处理;
通过基于 UNet++结构的图像分割网络,对所述多模态图像序列进行图像分割,得到待分析盆底部位图像;所述基于 UNet++结构的图像分割网络中的网络模块是基于ConvNeXt卷积神经网络构建的;
通过计算所述待分析盆底部位图像对应的相对位移,确定所述待分析对象的盆底情况。
2.根据权利要求1所述的方法,其特征在于,所述对待分析对象的盆底区域的原始计算机断层扫描CT图像序列和原始磁共振成像MRI的T2图像序列进行预处理与图像融合,得到多模态图像序列,包括:
根据所述原始CT图像序列与所述原始MRI的T2图像序列的层间距,对所述原始CT图像序列与所述原始MRI的T2图像序列进行配准,得到配准的CT图像序列与配准的T2图像序列;
根据预设截断范围,对所述配准的CT图像序列进行截断处理与归一化处理的预处理过程,得到待融合的CT图像序列;以及,通过计算所述配准的T2图像序列的像素值均值与像素值标准差,对所述配准的T2图像序列进行标准化处理与归一化处理的预处理过程,得到待融合的T2图像序列;
对所述待融合的CT图像序列与所述待融合的T2图像序列进行图像融合,得到所述多模态图像序列。
3.根据权利要求2所述的方法,其特征在于,所述通过计算所述配准的T2图像序列的像素值均值与像素值标准差,对所述配准的T2图像序列进行标准化处理与归一化处理的预处理过程,得到待融合的T2图像序列,包括:
计算所述配准的T2图像序列的像素值均值和像素值标准差;
计算所述配准的T2图像序列中的每个像素值与所述像素值均值的第一差值,并计算所述第一差值与所述像素值标准差的第一比值,作为所述配准的T2图像序列中的每个像素值对应的标准化像素值,从而得到标准化的T2图像序列;
对所述标准化的T2图像序列进行归一化处理,得到所述待融合的T2图像序列。
4.根据权利要求2所述的方法,其特征在于,所述根据所述原始CT图像序列与所述原始MRI的T2图像序列的层间距,对所述原始CT图像序列与所述原始MRI的T2图像序列进行配准,得到配准的CT图像序列与配准的T2图像序列,包括:
当所述原始CT图像序列对应的第一层间距大于所述原始MRI的T2图像序列对应的第二层间距时,以所述原始MRI的T2图像序列对应的坐标系为基准进行配准,得到所述配准的CT图像序列和所述配准的T2图像序列;
当所述第一层间距小于所述第二层间距时,以所述原始CT图像序列对应的坐标系为基准进行配准,得到所述配准的CT图像序列和所述配准的T2图像序列。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
通过获取所述原始CT图像序列的第一像素间距和所述原始MRI的T2图像序列的第二像素间距,确定所述第一层间距与所述第二层间距。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述通过计算所述待分析盆底部位图像对应的相对位移,确定所述待分析对象的盆底情况,包括:
以所述待分析对象的耻尾线作为参考线,计算所述待分析盆底部位图像中的参考点至所述耻尾线的纵垂线方向的距离,作为所述相对位移;
基于所述相对位移,确定所述待分析对象的盆底情况。
7.根据权利要求6所述的方法,其特征在于,所述基于所述相对位移,确定所述待分析对象的盆底情况,包括:
根据至少一个预设相对位移区间与至少一个预设盆底情况的预设对应关系,确定所述相对位移对应的目标预设盆底情况,作为所述待分析对象的盆底情况。
8.一种盆底功能障碍检测装置,其特征在于,所述装置包括:
预处理模块,用于对待分析对象的盆底区域的原始计算机断层扫描CT图像序列和原始磁共振成像MRI的T2图像序列进行预处理与图像融合,得到多模态图像序列;其中,预处理的过程包括:根据原始CT图像序列与原始MRI的T2图像序列的层间距,对所述原始CT图像序列与所述原始MRI的T2图像序列进行配准,以及对配准的T2图像序列进行标准化处理;
图像分割模块,用于通过基于 UNet++结构的图像分割网络,对所述多模态图像序列进行图像分割,得到待分析盆底部位图像;所述基于 UNet++结构的图像分割网络中的网络模块是基于ConvNeXt卷积神经网络构建的;
确定模块,用于通过计算所述待分析盆底部位图像对应的相对位移,确定所述待分析对象的盆底情况。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至7任一项所述方法中的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410510251.8A CN118097156B (zh) | 2024-04-26 | 2024-04-26 | 盆底功能障碍检测方法、装置、计算机设备与存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410510251.8A CN118097156B (zh) | 2024-04-26 | 2024-04-26 | 盆底功能障碍检测方法、装置、计算机设备与存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118097156A true CN118097156A (zh) | 2024-05-28 |
CN118097156B CN118097156B (zh) | 2024-07-23 |
Family
ID=91153741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410510251.8A Active CN118097156B (zh) | 2024-04-26 | 2024-04-26 | 盆底功能障碍检测方法、装置、计算机设备与存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118097156B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070195923A1 (en) * | 2004-04-21 | 2007-08-23 | Koninklijke Philips Electronics N.V. | Cone beam ct apparatus using truncated projections and a previously acquired 3d ct image |
US20160139225A1 (en) * | 2014-11-14 | 2016-05-19 | Beth Israel Deaconess Medical Center, Inc. | Method and apparatus for multi-slice imaging of t2-relaxation time |
CN109460737A (zh) * | 2018-11-13 | 2019-03-12 | 四川大学 | 一种基于增强式残差神经网络的多模态语音情感识别方法 |
US20190311188A1 (en) * | 2018-12-05 | 2019-10-10 | Sichuan University | Face emotion recognition method based on dual-stream convolutional neural network |
CN110363802A (zh) * | 2018-10-26 | 2019-10-22 | 西安电子科技大学 | 基于自动分割和骨盆对齐的***图像配准***及方法 |
CN111915495A (zh) * | 2019-05-08 | 2020-11-10 | 通用电气精准医疗有限责任公司 | 获取截断部分预测图像的方法及装置 |
CN113450294A (zh) * | 2021-06-07 | 2021-09-28 | 刘星宇 | 多模态医学图像配准融合方法、装置及电子设备 |
US20220125326A1 (en) * | 2020-10-22 | 2022-04-28 | Rostak Llc | System and method for imaging and segmentation of cavernous nerves |
WO2022257345A1 (zh) * | 2021-06-07 | 2022-12-15 | 刘星宇 | 医学图像融合方法及***、模型训练方法及存储介质 |
WO2023024441A1 (zh) * | 2021-08-25 | 2023-03-02 | 上海商汤智能科技有限公司 | 模型重建方法及相关装置、电子设备和存储介质 |
CN116309736A (zh) * | 2023-03-08 | 2023-06-23 | 江苏师范大学 | 一种基于深度学习的图像配准方法 |
CN116563190A (zh) * | 2023-07-06 | 2023-08-08 | 深圳市超像素智能科技有限公司 | 图像处理方法、装置、计算机设备及计算机可读存储介质 |
CN116993635A (zh) * | 2022-04-26 | 2023-11-03 | 思特威(上海)电子科技股份有限公司 | 图像融合方法、装置、设备和计算机可读存储介质 |
CN117059232A (zh) * | 2023-07-27 | 2023-11-14 | 西安盈谷网络科技有限公司 | 一种基于多模影像数据体空间的配准方法 |
CN117789081A (zh) * | 2023-12-26 | 2024-03-29 | 淮南市高通科技有限公司 | 一种基于自信息的双重注意力机制小物体识别方法 |
-
2024
- 2024-04-26 CN CN202410510251.8A patent/CN118097156B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070195923A1 (en) * | 2004-04-21 | 2007-08-23 | Koninklijke Philips Electronics N.V. | Cone beam ct apparatus using truncated projections and a previously acquired 3d ct image |
US20160139225A1 (en) * | 2014-11-14 | 2016-05-19 | Beth Israel Deaconess Medical Center, Inc. | Method and apparatus for multi-slice imaging of t2-relaxation time |
CN110363802A (zh) * | 2018-10-26 | 2019-10-22 | 西安电子科技大学 | 基于自动分割和骨盆对齐的***图像配准***及方法 |
CN109460737A (zh) * | 2018-11-13 | 2019-03-12 | 四川大学 | 一种基于增强式残差神经网络的多模态语音情感识别方法 |
US20190311188A1 (en) * | 2018-12-05 | 2019-10-10 | Sichuan University | Face emotion recognition method based on dual-stream convolutional neural network |
CN111915495A (zh) * | 2019-05-08 | 2020-11-10 | 通用电气精准医疗有限责任公司 | 获取截断部分预测图像的方法及装置 |
US20220125326A1 (en) * | 2020-10-22 | 2022-04-28 | Rostak Llc | System and method for imaging and segmentation of cavernous nerves |
CN113450294A (zh) * | 2021-06-07 | 2021-09-28 | 刘星宇 | 多模态医学图像配准融合方法、装置及电子设备 |
WO2022257345A1 (zh) * | 2021-06-07 | 2022-12-15 | 刘星宇 | 医学图像融合方法及***、模型训练方法及存储介质 |
WO2023024441A1 (zh) * | 2021-08-25 | 2023-03-02 | 上海商汤智能科技有限公司 | 模型重建方法及相关装置、电子设备和存储介质 |
CN116993635A (zh) * | 2022-04-26 | 2023-11-03 | 思特威(上海)电子科技股份有限公司 | 图像融合方法、装置、设备和计算机可读存储介质 |
CN116309736A (zh) * | 2023-03-08 | 2023-06-23 | 江苏师范大学 | 一种基于深度学习的图像配准方法 |
CN116563190A (zh) * | 2023-07-06 | 2023-08-08 | 深圳市超像素智能科技有限公司 | 图像处理方法、装置、计算机设备及计算机可读存储介质 |
CN117059232A (zh) * | 2023-07-27 | 2023-11-14 | 西安盈谷网络科技有限公司 | 一种基于多模影像数据体空间的配准方法 |
CN117789081A (zh) * | 2023-12-26 | 2024-03-29 | 淮南市高通科技有限公司 | 一种基于自信息的双重注意力机制小物体识别方法 |
Non-Patent Citations (9)
Title |
---|
SHIWEI YU等: "CT and MR multimodal registration guided by weighted gradient images", 《2011 4TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING》, 12 December 2011 (2011-12-12) * |
URCID, G等: "A Dendritic Lattice Neural Network for Color Image Segmentation", 《APPLICATIONS OF DIGITAL IMAGE PROCESSING XXXVIII》, 31 December 2015 (2015-12-31) * |
刘小燕;王皓浩;孙刚;张谱;刘敏;高玲;: "基于互信息的荧光素眼底血管造影图像序列的自动配准方法", 电子与信息学报, no. 08, 6 June 2018 (2018-06-06) * |
周圆;马文华;徐海水;: "基于图像局部最大中值差和梯度的非线性扩散", 计算机工程与应用, no. 28, 1 October 2012 (2012-10-01) * |
李军伟;汪晓妍;张剑华;何俊丽;管秋;陈胜勇;: "基于颈动脉粥样硬化斑块的多序列MR图像去噪与配准", 中国图象图形学报, no. 07, 16 July 2015 (2015-07-16) * |
林玮源: "基于深度学习的CT图像主动脉夹层分割及中心线提取算法研究", 《硕士电子期刊出版信息》, 15 January 2023 (2023-01-15) * |
王丽芳;成茜;秦品乐;高媛;: "基于多通道稀疏编码的非刚性多模态医学图像配准", 计算机应用, no. 04, 26 December 2017 (2017-12-26) * |
郑兵: "基于体特征点与最大互信息的医学图像配准及其在骨肿瘤手术中的应用", 《硕士电子期刊出版信息》, 15 July 2018 (2018-07-15) * |
马东, 孙永兴, 程敬之: "多模式医学图像的融合和配准技术", 生物医学工程学杂志, no. 02, 25 June 1999 (1999-06-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN118097156B (zh) | 2024-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539930B (zh) | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 | |
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 | |
US8634610B2 (en) | System and method for assessing cancer risk | |
CN112561908B (zh) | 乳腺图像病灶匹配方法、装置及存储介质 | |
US11424021B2 (en) | Medical image analyzing system and method thereof | |
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及*** | |
KR20230059799A (ko) | 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델 | |
CN105809175B (zh) | 一种基于支持向量机算法的脑水肿分割方法及*** | |
CN111340827A (zh) | 一种肺部ct影像数据处理分析方法及*** | |
WO2022099303A1 (en) | Machine learning techniques for tumor identification, classification, and grading | |
US11684333B2 (en) | Medical image analyzing system and method thereof | |
WO2022110525A1 (zh) | 一种癌变区域综合检测装置及方法 | |
US11783476B2 (en) | System and method for analyzing three-dimensional image data | |
CN116091466A (zh) | 图像分析方法、计算机设备和存储介质 | |
CN114332120A (zh) | 图像分割方法、装置、设备及存储介质 | |
CN111899848B (zh) | 图像识别方法及设备 | |
CN118097156B (zh) | 盆底功能障碍检测方法、装置、计算机设备与存储介质 | |
TW202346826A (zh) | 影像處理方法 | |
WO2022033598A1 (zh) | ***x射线图像获取方法、装置、计算机设备和存储介质 | |
KR102332472B1 (ko) | 의료 영상에서 듀얼 윈도우 설정에 기반한 딥러닝을 이용한 종양 자동 분할 방법 | |
TWI745940B (zh) | 醫療影像分析系統及其方法 | |
CN110934565B (zh) | 一种瞳孔直径的测量方法、装置及计算机可读存储介质 | |
CN112512434B (zh) | 一种超声成像的方法及相关设备 | |
CN109907730B (zh) | 一种数据处理方法、装置、及存储介质和计算机设备 | |
CN113362350A (zh) | 癌症病历图像的分割方法、装置、终端设备和存储介质 |
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 | ||
GR01 | Patent grant |