基于CT影像和超声影像的肺大疱定位方法和装置与流程

摘要: 本申请涉及医学图像处理,尤其涉及一种基于ct影像和超声影像的肺大疱定位方法和装置。背景技术:1、慢性阻塞性肺疾病(copd)是以持续气流受限为特征的慢性呼吸系统...
基于CT影像和超声影像的肺大疱定位方法和装置与流程

本申请涉及医学图像处理,尤其涉及一种基于ct影像和超声影像的肺大疱定位方法和装置。

背景技术:

1、慢性阻塞性肺疾病(copd)是以持续气流受限为特征的慢性呼吸系统疾病,肺大疱是copd患者常见的肺部结构性病变。

2、胸部ct是评估肺大疱的主要影像手段,可清晰显示肺大疱的位置、大小、壁厚及与周围组织的关系;超声则因实时成像、无辐射、可床旁操作等优势被广泛应用于影像引导。但现阶段没有将ct影像和超声影像结合进行定位引导判断的技术手段。

技术实现思路

1、为实现上述目的,本申请的第一方面提出了一种基于ct影像和超声影像的肺大疱定位方法,所述方法包括:

2、获取胸部ct影像和对应超声影像;

3、对所述胸部ct影像进行肺实质分割得到肺实质掩膜,并基于所述肺实质掩膜生成肺实质感兴趣区域;

4、基于所述肺实质掩膜和低密度区域候选检测,从所述肺实质感兴趣区域中获得肺大疱候选区域;

5、从所述肺大疱候选区域中提取影像组学特征,对所述影像组学特征进行特征筛选得到关键特征;

6、将所述关键特征输入训练完成的机器学习分类模型,输出肺大疱定位结果;

7、根据所述肺大疱定位结果,采用深度学习检测模型对所述肺实质感兴趣区域内的肺大疱进行三维检测,输出肺大疱定位框和三维空间坐标,并指定目标肺大疱;

8、将所述目标肺大疱的定位框及三维空间坐标与所述超声影像进行配准叠加,生成目标肺大疱定位引导影像。

9、本申请提供的上述方法,至少具有如下的有益效果:

10、本方法首先利用获取胸部ct影像和对应超声影像;对胸部ct影像进行肺实质感兴趣区域提取,然后基于肺实质掩膜和低密度区域候选检测,从肺实质感兴趣区域中获得肺大疱候选区域,并从中提取关键特征,将关键特征输入机器学习分类模型,输出肺大疱定位结果,然后将目标肺大疱的定位框及三维空间坐标与超声影像进行配准叠加,提供肺大疱在整个超声影像内的视觉引导,这极大的提升了在超声影像中识别对应目标的效率和准确度,克服了现有技术中ct定位静态、超声视野有限且对含气肺组织显示不充分的局限性。

11、为实现上述目的,本申请的第二方面提出了一种基于ct影像和超声影像的肺大疱定位装置,所述装置包括:

12、数据获取模块,用于获取胸部ct影像和对应超声影像;

13、感兴趣区域获取模块,用于对所述胸部ct影像进行肺实质分割得到肺实质掩膜,并基于所述肺实质掩膜生成肺实质感兴趣区域;

14、候选区域确定模块,用于基于所述肺实质掩膜和低密度区域候选检测,从所述肺实质感兴趣区域中获得肺大疱候选区域;

15、关键特征提取模块,用于从所述肺大疱候选区域中提取影像组学特征,对所述影像组学特征进行特征筛选得到关键特征;

16、肺大疱预测模块,用于将所述关键特征输入训练完成的机器学习分类模型,输出肺大疱定位结果;

17、目标肺大疱选取模块,用于根据所述肺大疱定位结果,采用深度学习检测模型对所述肺实质感兴趣区域内的肺大疱进行三维检测,输出肺大疱定位框和三维空间坐标,并指定目标肺大疱;

18、目标肺大疱定位引导影像生成模块,用于将所述目标肺大疱的定位框及三维空间坐标与所述超声影像进行配准叠加,生成目标肺大疱定位引导影像。

19、为实现上述目的,本申请的第三方面提出了一种电子设备,包括至少一个处理器和用于与所述处理器通信连接的存储器;所述存储器存储有能够被所述至少一个处理器执行的指令,所述指令被至少一个所述处理器执行,以使至少一个所述处理器执行:如第一方面所述的一种基于ct影像和超声影像的肺大疱定位方法。

20、为实现上述目的,本申请的第四方面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存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行:如第一方面所述的一种基于ct影像和超声影像的肺大疱定位方法。

21、可以理解的是,上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同,可以参见上述第一方面中的相关描述,在此不再赘述。

1.一种基于ct影像和超声影像的肺大疱定位方法,其特征在于,所述方法包括:

2.根据权利要求1所述的一种基于ct影像和超声影像的肺大疱定位方法,其特征在于,所述从肺大疱候选区域中提取影像组学特征,包括:

3.根据权利要求1所述的一种基于ct影像和超声影像的肺大疱定位方法,其特征在于,所述对影像组学特征进行特征筛选得到关键特征,包括:

4.根据权利要求1所述的一种基于ct影像和超声影像的肺大疱定位方法,其特征在于,所述机器学习分类模型包括:xgboost、random forest、extra trees、gbdt、adaboost、lda、knn、svm、logistic regression和naive bayes中的至少一种;

5.根据权利要求1所述的一种基于ct影像和超声影像的肺大疱定位方法,其特征在于,所述深度学习检测模型采用3d retinanet、3d faster r-cnn或nndetection框架;

6.根据权利要求1所述的一种基于ct影像和超声影像的肺大疱定位方法,其特征在于,将所述目标肺大疱的定位框及三维空间坐标与所述超声影像进行配准叠加,生成目标肺大疱定位引导影像,包括:

7.根据权利要求6所述的一种基于ct影像和超声影像的肺大疱定位方法,其特征在于,在所述将所述目标肺大疱的定位框及三维空间坐标与所述超声影像进行配准叠加,生成目标肺大疱定位引导影像之后,所述方法还包括:

8.一种基于ct影像和超声影像的肺大疱定位装置,其特征在于,所述装置包括:

9.一种电子设备,其特征在于,包括:至少一个处理器和用于与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7任一项所述的一种基于ct影像和超声影像的肺大疱定位方法。

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存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行权利要求1至7任一项所述的一种基于ct影像和超声影像的肺大疱定位方法。