一种CT影像肺部异常组织的自动识别方法与流程

文档序号:16540601发布日期:2019-01-08 20:20阅读:747来源:国知局
一种CT影像肺部异常组织的自动识别方法与流程

本发明涉及在医疗上计算机实现的自动阅片技术,更具体的说,涉及一种采用模板差分比对技术而实现的ct影像肺部异常组织的自动识别方法。



背景技术:

大量的ct影像在医学中的广泛应用,已经造成了两个问题:一方面,对每个病人一次检查所生成的影像的信息量越来越大,医生每日需要阅读的影像信息太多,工作强度越来越大;另一方面,诊断水平非常依赖于诊断医生的经验和能力,误诊时有发生。借助医学影像格式dicom标准和计算机辅助诊断技术的发展,实现ct影像的异常组织的自动化识别,提供阅片诊断的准确率,已越来越重要。

实现ct影像肺部异常组织的自动识别方法的主要应用目标表现在两个方面:①在处理大量的病人ct肺部影像数据的基础上,把可疑的病灶尽可能准确地找出来,重点标注,提供给医生作为进一步诊断的参考,减少医生阅读片的工作量,提供诊断的准确率。②在大量医学影像学处理方法及对某些特殊疾病大量分析的基础上实现建模,把在影像学上容易混淆的正常组织和病灶信息通过模型参数的选择区别开,把真正的病灶甄别出来。



技术实现要素:

针对现有的技术缺陷,本发明涉及在医疗上计算机实现的自动阅片技术,一种采用模板差分比对技术而实现的ct影像肺部异常组织的自动识别方法。主要是运用一组正常标准的ct肺部影像抽取的参数向量作为模板组,与实时动态的ct肺部影像进行比对,快速找到异常组织并自动标注的方法。

首先我们根据男女性别、年龄段、肥胖级别分别筛选出50个健康人的肺部ct图像作为标准模板,共计50个,模板编号,男性从m1、m2…...m25编号,女性从f1、f2…...f25编号,然后按步骤生成模板数据。

本发明涉及构建的ct标准影像模板特征是由多组二维的极坐标、节点类型、曲率、方向性、有效关联点之间距离和伸缩因子等数据来描述每一细节点特征的,并且这些比对模板严格按照分组编号保存在数据库中。

在实际的ct肺部图像比对过程,首先我们要确定患者的年龄和性别,然后进行与模板图像相同的分析处理步骤,直至最终得到其特征数据。然后再找到对应的分组特征模板数据分别进行逐一比对处理。

在模板比对过程中,需要三个主要处理步骤:

(1)我们分别得出与同组5个肺部影像模板数据的差异区块sn(也可能没有)及面积级别βn(按区块面积划分0~10级);

(2)在sn中,对于超过2个以上模板都存在的重叠区域s’(n)分别按区块闭合的有效性进行图像剥离。如果图像闭合无效,则从s’(n)列表中删除;

(3)计算出每个s’(n)的中心点,以最大的边缘距离作为半径r,最终在原始的ct影像上圈记出有效的异常区块。

附图说明

附图1:是本发明ct肺部模板特征生成示意图;

附图2:是本发明ct肺部影像比对运算过程的示意图。

具体实施方式

下面结合附图和实施例对本发明做进一步说明:

首先我们根据男女性别、年龄段、肥胖级别分别筛选出50个健康人的肺部ct图像作为标准模板,共计50个,模板编号,男性从m1、m2…...m25编号,女性从f1、f2…...f25编号,然后按步骤生成模板数据,如图1所示。

附图1中的ct肺部模板特征生成,是根据男女性别分类,按童年(0岁—6岁)、少年(7岁—17岁)、青年(18岁—40岁)、中年(41—65岁)和老年(66岁以后)分组建立。每一模板均有自己的id编号,id为3位:第一位为性别(1:男,2:女);第二位代表组号(1—5);第三位代表同组中的序号。

ct标准影像模板特征细节点是由二维的极坐标、节点类型、曲率、方向性、有效关联点之间距离和伸缩因子等数据来描述每一细节点特征的,并且这些比对模板严格按照分组编号保存在数据库中。

在模板比对过程中,首先对于任何输入的ct肺部图像,均要进行与模板处理步骤相同的预处理来获取细节点的特征数据。然后选择对应模板组,进行逐一比对。最终分别得出与同组5个肺部影像模板数据的差异区块sn(也可能没有)及面积级别βn(按区块面积划分0~10级),然后求出包含sn区块的最小矩形,并保存四个坐标点,对于βn的值也要保存。允许存在多个差异区块,sn∈diff_area,其数据结构如下:

structdiff_area{

shortblock_number;//差异区块序号

structblock_index[block_number];//差异区块坐标

shortscale[block_number];//差异区块面积级别

};

差异区块坐标数据结构如下:

structblock_index{

inttop_x;//区块上x坐标

inttop_y;//区块上y坐标

intdown_x;//区块下x坐标

intdown_y;//区块下y坐标

intleft_x;//区块左x坐标

intleft_y;//区块左y坐标

intright_x;//区块右x坐标

intright_y;//区块右y坐标

};

在本比对算法中,进行的第二步是方法是:分别将五个模板比对出的差异区块之间进行求同运算。在sn中,对于超过2个以上模板都存在的重叠区域s’(n)均视为有效。

对于有效区块,分别进行图像闭合性运算。如果超阈值,则视为闭合无效,则从s’(n)列表中删除。

最后一步是计算出每个s’(n)的中心点,以此最大的边缘距离作为半径r,最终在原始的ct影像上圈记出有效的异常区块,比对算法流程如图2所示。

ct肺部影像标准特征模板的建立是需要专家医生从已有的ct档案库中筛选出兵完成建模工作。对于要检查的ct肺部影像,则通过计算机自动读入并完成比对及标注等所有工作环节,无需人工进行干预。以下的例子,则以ct肺部影像标准特征模板及比对过程为实施对象。

1)建立ct肺部影像标准特征模板的数据结构

模板数据是由二维的极坐标、节点类型、曲率、方向性、有效关联点之间距离和伸缩因子等数据来描述每一细节点特征的,并且这些比对模板严格按照分组编号保存在数据库中。因此其主要数据结构定义如下

structct_bellowsform{

charid[4];//模板编号

intgroupid;//分组编号

charsex;//性别:m:男,f:女

datebirthday;//出生日期

intblock_tot_number;//块总数量

intblock_serial_no;//块序号

structblock_area*parea;//区块指针

structblock_direct*pdir;//区块方向图指针

structblock_curvature*pcur;//区块方向曲率

structblock_keypoint*pkeypoint;//关键节点坐标

structblock_keypoint_distance*pdist;//关键点矢量表

structblock_stretchfactor*pfact;//关键点伸缩因子

int*pscale;//区块面积量级别(1~10)

}

structblock_area{

shortblock_number;//区块序号

structblock_index*pno;//区块坐标

shortscale[block_number];//区块面积级别

}*parea;

差异区块坐标数据结构如下:

structblock_index{

inttop_x;//区块上x坐标

inttop_y;//区块上y坐标

intdown_x;//区块下x坐标

intdown_y;//区块下y坐标

intleft_x;//区块左x坐标

intleft_y;//区块左y坐标

intright_x;//区块右x坐标

intright_y;//区块右y坐标

}*pno;

2)ct肺部影像预处理

l基线漂移处理

l图像

l图像分割

l块划分

l…...

3)比对算法的实现

首先我们需要确定拒认率(far)、误识率(frr)和相似度(similarity)三者匹配的预设量为三组:

0.1%、0.02%、0.75%;

0.05%、0.06%、0.85%;

0.03%、0.08%、0.93%;

同时也需要对影像、块、细节点中的各项重要指标,通过大量测算设立合理的比对阈值,在此不特别说明。

比对算法的ecgwaveverify(wavedata,wavetemplate,verifyparameter);

4)ct影像模板重构

模板重构函数名为:

ecgwavetemplaterefactoring(oldwavetemplate,newwavetemplate,parameter);

5)ct影像模板优化

模板优化函数名为:

ecgwavetemplateoptimize(wavetemplate,parameter);

本发明的效果从ct肺部影像模板的角度来设计,在一定程度上能够提高ct影像模板的精准度和可靠性,提升自动预诊断的准确率。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1