基于影像组学的病灶分析方法、装置、设备及存储介质与流程

1.本技术实施例涉及医疗图像处理技术，特别涉及一种基于影像组学的病灶分析方法、装置、设备及存储介质。


背景技术：

2.近年来，影像组学作为一种从影像数据中提取大量定量特征并进行进一步数据分析以支持决策的方法，越来越多的应用于影像诊断中。由于目前影像组学基本上是基于整个病灶进行特征提取，缺乏病灶结构异质性的分析，导致病灶中真正具有影响价值的局部区域的特征被整体均和，甚至掩盖。


技术实现要素：

3.本技术实施例提供一种基于影像组学的病灶分析方法、装置、设备及存储介质，以从病灶中找出真正具有影响价值的局部区域，为影像诊断提供条件。
4.第一方面，本技术实施例提供了一种基于影像组学的病灶分析方法，该方法包括：
5.根据原始ct图像序列集，获取病灶区域序列集；
6.根据所述原始ct图像序列集和所述病灶区域序列集，生成三维病灶矩阵，并获取所述三维病灶矩阵的影像组学特征；
7.对所述三维病灶矩阵的影像组学特征进行筛选，得到目标影像组学特征；
8.根据所述目标影像组学特征，对所述三维病灶矩阵进行分割，得到多个三维病灶子矩阵，并获取每个三维病灶子矩阵的影像组学特征；
9.根据每个三维病灶子矩阵的影像组学特征与所述三维病灶矩阵的影像组学特征，确定目标三维病灶子矩阵，将所述目标三维病灶子矩阵对应的三维病灶子区域确定为目标区域。
10.第二方面，本技术实施例提供了一种基于影像组学的病灶分析装置，该装置包括：
11.序列集获取模块，用于根据原始ct图像序列集，获取病灶区域序列集；
12.第一处理模块，用于根据所述原始ct图像序列集和所述病灶区域序列集，生成三维病灶矩阵，并获取所述三维病灶矩阵的影像组学特征；
13.特征筛选模块，用于对所述三维病灶矩阵的影像组学特征进行筛选，得到目标影像组学特征；
14.第二处理模块，用于根据所述目标影像组学特征，对所述三维病灶矩阵进行分割，得到多个三维病灶子矩阵，并获取每个三维病灶子矩阵的影像组学特征；
15.区域确定模块，用于根据每个三维病灶子矩阵的影像组学特征与所述三维病灶矩阵的影像组学特征，确定目标三维病灶子矩阵，将所述目标三维病灶子矩阵对应的三维病灶子区域确定为目标区域。
16.第三方面，本技术实施例提供了一种基于影像组学的病灶分析设备，包括：
17.处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行
所述存储器中存储的计算机程序，以执行第一方面实施例所述的基于影像组学的病灶分析方法。
18.第四方面，本技术实施例提供了一种计算机可读存储介质，用于存储计算机程序，所述计算机程序使得计算机执行第一方面实施例所述的基于影像组学的病灶分析方法。
19.第五方面，本技术实施例提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现第一方面实施例所述的基于影像组学的病灶分析方法。
20.本技术实施例公开的技术方案，具有如下有益效果：
21.通过根据获取的病灶区域序列集和原始ct图像序列集，生成三维病灶矩阵，并对获取的三维病灶矩阵的影像组学特征，得到目标影像组学特征，根据目标影像组学特征，对三维病灶矩阵进行分割，得到多个三维病灶子矩阵，并获取多个三维病灶子矩阵的影像组学特征，根据每个三维病灶子矩阵的影像组学特征与三维病灶矩阵的影像组学特征，确定目标三维病灶子矩阵，将目标三维病灶子矩阵对应的三维病灶子区域确定为目标区域。由此，解决了目前影像组学基于整个病灶进行特征提取，缺乏病灶结构异质性分析，导致病灶中真正具有影响价值的局部特征被整体均和甚至掩盖的问题，从而能够从病灶中找出真正具有影响价值的局部区域，为影像诊断提供了有利条件。
附图说明
22.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
23.图1是本技术实施例提供的一种基于影像组学的病灶分析方法的流程示意图；
24.图2a是本技术实施例提供的一帧原始ct图像的示意图；
25.图2b是本技术实施例提供的对一帧原始ct图像进行病灶区域标注，得到病灶区域图像的示意图；
26.图3是本技术实施例提供的另一种基于影像组学的病灶分析方法的流程示意图；
27.图4a是本技术实施例提供的对三维病灶矩阵进行遍历，得到n个三维病灶子矩阵的示意图；
28.图4b是本技术实施例提供的影像组学特征矩阵的示意图；
29.图4c是是本技术实施例提供的基于影像组学特征矩阵1，融合分割后的三维病灶子矩阵的示意图；
30.图4d是是本技术实施例提供的基于影像组学特征矩阵2，融合分割后的三维病灶子矩阵的示意图；
31.图4e是是本技术实施例提供的基于影像组学特征矩阵3，融合分割后的三维病灶子矩阵的示意图；
32.图5是本技术实施例提供的再一种基于影像组学的病灶分析方法的流程示意图；
33.图6是本技术实施例提供的确定目标三维子矩阵的示意图；
34.图7是本技术实施例提供的一种基于影像组学的病灶分析装置的示意性框图；
35.图8是本技术实施例提供的一种基于影像组学的病灶分析设备的示意性框图。
具体实施方式
36.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
37.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
38.本技术实施例主要针对现有技术中，目前影像组学基于整个病灶进行特征提取，缺乏病灶结构异质性分析，导致病灶中真正具有影响价值的局部特征被整体均和甚至掩盖的问题，提出了一种基于影像组学的病灶分析方法、装置、设备及存储介质。
39.下面结合附图对本技术实施例提供的一种基于影像组学的病灶分析方法、装置、设备及存储介质进行详细描述。
40.首先结合图1，对本技术实施例提供的一种基于影像组学的病灶分析方法进行说明。图1是本技术实施例提供的一种基于影像组学的病灶分析方法的流程示意图。本实施例可适用于从病灶中找出真正具有影响价值的局部区域的场景，该基于影像组学的病灶分析方法，可由基于影像组学的病灶分析装置来执行，以实现对基于影像组学的病灶分析过程进行控制。该基于影像组学的病灶分析装置可由硬件和/或软件组成，并可集成于基于影像组学的病灶分析设备中。
41.其中，该基于影像组学的病灶分析方法包括以下步骤：
42.s101，根据原始ct图像序列集，获取病灶区域序列集。
43.因图像的二值化使得图像变得简单，且数据量减少，更能凸显出感兴趣区域的轮廓。为此，本实施例通过图像采集设备采集到原始ct图像序列集之后，可先对原始ct图像序列集中的每帧图像进行二值化处理，得到二值化图像序列集。然而，基于二值化图像序列集，获取病灶区域序列集。
44.具体的，获取病灶区域序列集时，可通过如下方式实现：
45.方式一，将二值化图像序列集输入至区域检测网络中，以通过区域检测网络获取二值化图像序列集中每帧图像的病灶区域，从而得到病灶区域序列集。其中，区域检测网络为基于ct样本图像训练得到的网络模型。
46.方式二，利用标注平台对二值化图像序列集中每帧图像进行病灶区域标注，以得到病灶区域序列集。
47.例如，如果原始ct图像序列集中的一帧图像为图2a，那么对该帧图像进行二值化处理，并对二值化图像进行病灶区域标注，得到的病灶区域图像为图2b所示。
48.需要说明的是，上述几种获取病灶区域序列集的方式，仅作为本实施例的示例性说明，不作为对本技术的具体限制。
49.s102，根据所述原始ct图像序列集和所述病灶区域序列集，生成三维病灶矩阵，并获取所述三维病灶矩阵的影像组学特征。
50.示例性的，可对原始ct图像序列集进行图像编码处理，以生成第一三维矩阵，并对病灶区域序列集进行图像编码处理，生成第二三维矩阵；或者，基于python解释型脚本语言，对原始ct图像序列集进行转换操作，以生成第一三维矩阵，并基于python解释型脚本语言，对病灶区域序列集进行转换操作，以生成第二三维矩阵等。然后，根据第一三维矩阵和第二三维矩阵，生成三维病灶矩阵。
51.本实施例中，根据第一三维矩阵和第二三维矩阵，生成三维病灶矩阵，具体可基于如下公式生成：
52.image_mask＝image_matrix*mask_matrix
53.其中，image_mask表示三维病灶矩阵，image_matrix表示第一三维矩阵和mask_matrix表示第二三维矩阵。
54.值得注意的是，上述根据图像序列集生成三维图像的具体实现过程为常规技术，此处对其不作过多赘述。
55.得到三维病灶区域的三维病灶矩阵之后，本实施例还可获取该三维病灶矩阵的影像组学特征。具体实现时，可基于深度网络，3d切片软件或pyradiomics工具等方式，从三维病灶矩阵中获取影像组学特征。
56.其中，获取三维病灶矩阵的影像组学特征的具体过程为常规技术，此处对其不作过多赘述。
57.本实施例中从三维病灶矩阵中获取的影像组学特征，具体包括：直方图特征，形态学特征，共生矩阵特征，游程矩阵特征，灰度连通大小矩阵特征和基于小波变换的特征等。这些特征分别用于对病灶区域的信号强度、形态特性、纹理信息等进行描述，能对医学图像的病灶部位主要信息进行比较全面的反映。
58.s103，对所述三维病灶矩阵的影像组学特征进行筛选，得到目标影像组学特征。
59.为了便于获取病灶区域中最具影响价值的局部区域特征，本实施例还可对获取到的三维病灶矩阵的影像组学特征进行筛选操作，以得到有意义的特征子集，即目标影像组学特征。其中，目标影像组学特征可根据病灶部位确定。例如，若病灶部位为脑部，则获取与脑部强关联的特征作为目标影像组学特征等。
60.示例性的，可采用最大相关最小冗余特征选取算法，对三维病灶矩阵的影像组学特征进行筛选，以确定出目标影像组学特征。其中，目标影像组学特征可根据实际影像诊断需求进行设置。例如，将筛选出来的前3个特征作为目标影像组学特征，或者，将筛选出来的前5个特征作为目标影像组学特征等，此处对其不作限制。
61.s104，根据所述目标影像组学特征，对所述三维病灶矩阵进行分割，得到多个三维病灶子矩阵，并获取每个三维病灶子矩阵的影像组学特征。
62.可选的，可根据筛选出来的目标影像组学特征，构建预设大小的三维分割矩阵，并基于每个三维分割矩阵滑动遍历三维病灶矩阵，以对整个三维病灶矩阵进行遍历分割，生成多个第一三维病灶子矩阵。之后，从每个第一三维病灶子矩阵中获取与目标影像组学特
征相同类型的影像组学特征。然后，还可根据获取到的影像组学特征中每种特征的最大特征值和最小特征值生成联合阈值，并基于从所有第一三维病灶子矩阵的影像组学特征，生成影像组学特征矩阵。其中，联合阈值可通过如下公式确定：y＝(max-min)*0.1。
63.进一步的，根据联合阈值，基于三维病灶矩阵对影像组学特征矩阵进行融合分割，得到多个第二三维病灶子矩阵。将第二三维病灶子矩阵作为第一三维病灶子矩阵，继续得到新的第二三维病灶子矩阵，直至新的第二三维病灶子矩阵的数量达到预设数量为止。本实施例中，预设数量根据实际需要进行设置，此处对其不作限制。
64.其中，预设大小的三维分割矩阵可选为3*3*3的三维全值为1的矩阵，当然还可选择其他尺寸的三维矩阵，此处不作限制。
65.也就是说，本实施例通过利用获取到的目标影像组学特征为指标基准，构建病灶分割模型，以通过病灶分割模型对三维病灶矩阵进行分割，从而将整个病灶分割成影像组学特征异质性差异的局部区域。即，利用病灶特征异构算法对三维病灶矩阵进行分割，得到组学特征异质性差异的局部块。
66.下面通过具体示例，对该步骤s104中根据目标影像组学特征，对三维病灶矩阵进行分割，得到多个三维病灶子矩阵的实现过程进行举例说明。
67.例如，若预设数量为6，目标影像组学特征为：特征1、特征2和特征3，预设大小的三维分割矩阵为3*3*3，那么可基于特征1构建3*3*3的特征1三维分割矩阵，基于特征2构建3*3*3的特征2三维分割矩阵以及基于特征3构建3*3*3特征3三维分割矩阵。然后，利用特征1三维分割矩阵、特征2三维分割矩阵和特征3三维分割矩阵分别对三维病灶矩阵分割操作，得到3个第一三维病灶子矩阵。其中，第一三维病灶子矩阵为：z1、z2和z3。之后，分别从z1、z2和z3中，获取特征1、特征2和特征3，得到特征1集合：{特征1
z1
，特征1
z2
和特征1
z3
}、特征2集合：{特征2
z1
，特征2
z2
和特征2
z3
}，以及特征3集合：{特征3
z1
，特征3
z2
和特征3
z3
}。
68.当特征1集合：{特征1
z1
，特征1
z2
和特征1
z3
}中的最大特征值为特征1
z3
，最小特征值为特征1
z1
，那么第一联合阈值为y
特征1
＝(特征1
z3-特征1
z1
)*0.1；当特征2集合：{特征2
z1
，特征2
z2
和特征2
z3
}中的最大特征值为：特征2
z2
，最小特征值为：特征2
z3
，那么第二联合阈值为y
特征2
＝(特征2
z2-特征2
z3
)*0.1；当特征3集合：{特征3
z1
，特征3
z2
和特征3
z3
}中的最大特征值为：特征3
z3
，最小特征值为：特征3
z2
，那么第三联合阈值为y
特征2
＝(特征3
z3-特征3
z2
)*0.1。
69.并且，将特征1集合中的特征1
z1
，特征1
z2
和特征1
z3
，作为第一影像组学特征矩阵的元素，生成第一影像组学特征矩阵；同理，将特征2集合中的特征2
z1
，特征2
z2
和特征2
z3
，作为第二影像组学特征矩阵的元素，生成第二影像组学特征矩阵；同理，将特征3集合中的特征3
z1
，特征3
z2
和特征3
z3
，作为第三影像组学特征矩阵的元素，生成第三影像组学特征矩阵。
70.进一步的，生成第一影像组学特征矩阵、第二影像组学特征矩阵和第三影像组学特征矩阵之后，在三维病灶矩阵中，若与第一影像组学特征矩阵相邻的子矩阵s1和s2的影像组学特征值，与第一影像组学特征矩阵的影像组学特征值的差值小于y
特征1
，则将子矩阵s1、s2和第一影像组学特征矩阵进行融合，形成第二三维病灶子矩阵；同理，若与第二影像组学特征矩阵相邻的子矩阵x2的影像组学特征值，与第二影像组学特征矩阵的影像组学特征值的差值小于y
特征2
，则将子矩阵x2和第二影像组学特征矩阵进行融合，形成第二三维病灶子矩阵；同理，若与第三影像组学特征矩阵相邻的子矩阵w1、w4和w6的影像组学特征值，与第三影像组学特征矩阵的影像组学特征值的差值小于y
特征3
，则将子矩阵w1、w4、w6和第三
影像组学特征矩阵进行融合，形成第二三维病灶子矩阵。然后，将上述多个第二三维病灶子矩阵作为第一三维病灶子矩阵，继续得到新的第二三维病灶子矩阵，直至新的第二三维病灶子矩阵的数量达到预设数量6为止。
71.在得到多个三维病灶矩阵之后，可基于深度网络，3d切片软件或pyradiomics工具等方式，获取每个三维病灶子矩阵的影像组学特征。
72.其中，获取每个三维病灶子矩阵的影像组学特征的具体过程为常规技术，此处对其不作过多赘述。
73.s105，根据每个三维病灶子矩阵的影像组学特征与所述三维病灶矩阵的影像组学特征，确定目标三维病灶子矩阵，将所述目标三维病灶子矩阵对应的三维病灶子区域确定为目标区域。
74.示例性的，通过比对每个三维病灶子矩阵的影像组学特征与三维病灶矩阵的影像组学特征，以确定目标三维病灶子矩阵。由于三维病灶矩阵，与病灶区域序列集确定的三维病灶区域相对应。因此，可根据目标三维病灶子矩阵，在三维病灶矩阵中确定对应的三维病灶子区域，并将该三维病灶子区域确定为目标区域。即该目标区域即为具有最有影响价值的局部区域。
75.本实施例提供的基于影像组学的病灶分析方法，通过根据获取的病灶区域序列集和原始ct图像序列集，生成三维病灶矩阵，并对获取的三维病灶矩阵的影像组学特征，得到目标影像组学特征，根据目标影像组学特征，对三维病灶矩阵进行分割，得到多个三维病灶子矩阵，并获取多个三维病灶子矩阵的影像组学特征，根据每个三维病灶子矩阵的影像组学特征与三维病灶矩阵的影像组学特征，确定目标三维病灶子矩阵，将目标三维病灶子矩阵对应的三维病灶子区域确定为目标区域。由此，解决了目前影像组学基于整个病灶进行特征提取，缺乏病灶结构异质性分析，导致病灶中真正具有影响价值的局部特征被整体均和甚至掩盖的问题，从而能够从病灶中找出真正具有影响价值的局部区域，为影像诊断提供了有利条件。
76.本实施例在上述实施例的基础上，对根据所述目标影像组学特征，对所述三维病灶矩阵进行分割，得到多个三维病灶子矩阵，并获取每个三维病灶子矩阵的影像组学特征进行进一步优化。下面结合图3，对本技术实施例提供的基于影像组学特征的病灶分析方法的上述优化过程进行具体说明。
77.如图3所示，该基于影像组学的病灶分析方法包括以下步骤：
78.s201，根据原始ct图像序列集，获取病灶区域序列集。
79.s202，根据所述原始ct图像序列集和所述病灶区域序列集，生成三维病灶矩阵，并获取所述三维病灶矩阵的影像组学特征。
80.s203，对所述三维病灶矩阵的影像组学特征进行筛选，得到目标影像组学特征。
81.s204，根据所述目标影像组学特征，对所述三维病灶矩阵进行遍历分割，得到多个三维病灶子矩阵，将多个所述三维病灶子矩阵，作为当前三维病灶子矩阵。
82.例如，如图4a所示，根据筛选出来的目标影像组学特征，构建3*3*3的三维全值为1的分割矩阵，并利用分割矩阵对整个三维病灶矩阵进行遍历分割，生成n个三维病灶子矩阵，分别为三维病灶子矩阵11、三维病灶子矩阵12、三维病灶子矩阵13、
…
、三维病灶子矩阵1n，且每个三维病灶子矩阵大小为3*3*3。
83.s205，根据所述目标影像组学特征，获取所述当前三维病灶子矩阵的影像组学特征，并确定所述影像组学特征中的最大值和最小值。
84.继续以上述示例为例进行说明，假设目标影像组学特征为：特征1、特征2和特征3，那么从三维病灶子矩阵11、三维病灶子矩阵12、三维病灶子矩阵13、
…
、三维病灶子矩阵1n中，分别获取特征1、特征2和特征3。具体获取到的影像组学特征，如下表1所示：
85.表1
[0086][0087]
进一步的，根据表1中记录的影像组学特征，确定特征1的最大值为a
31
和最小值为a
n1
，确定特征2的最大值为a
12
和最小值为a
32
，以及确定特征3的最大值为a
33
和最小值为a
23
。
[0088]
s206，生成影像组学特征矩阵，并根据所述影像组学特征中的最大值和最小值，生成联合阈值。
[0089]
可选的，生成影像组学特征矩阵时，可将当前三维病灶子矩阵的影像组学特征，作为矩阵元素，生成影像组学特征矩阵。
[0090]
本实施例中，联合阈值可通过如下公式确定：y＝(max-min)*0.1。
[0091]
继续以上述示例为例进行说明，根据表1中记录的1n个三维病灶子矩阵的三类特征，分别生成影像组学特征矩阵1、影像组学特征矩阵2和影像组学特征矩阵3，具体参见图4b所示。其中每个影像组学特征矩阵中的a1、a2和a3分别表示所在位置的特征值。
[0092]
并且，利用联合阈值公式，根据步骤s205中每个特征的最大值和最小值，计算得到每个特征的联合阈值，具体为y1＝(a
31-a
n1
)*0.1，y2＝(a
12-a
31
)*0.1及y3＝(a
33-a a
23
)*0.1，并基于上述联合阈值对表1进行更新，得到表2。
[0093]
表2具体如下：
[0094]
表2
[0095][0096]
s207，利用所述联合阈值，基于所述三维病灶矩阵对所述影像组学特征矩阵进行融合分割，得到多个下一三维病灶子矩阵，将多个所述下一三维病灶子矩阵作为新的当前
三维病灶子矩阵，继续得到新的下一三维病灶子矩阵，直至新的下一三维病灶子矩阵的数量为预设数量。
[0097]
其中，预设数量可根据实际需求进行设置，此处对其不作限制，例如预设数量为n，n为正整数。
[0098]
可选的，可在三维病灶矩阵中，确定影像组学特征矩阵的邻域三维病灶子矩阵，并确定影像组学特征矩阵和邻域三维病灶子矩阵的影像组学特征差值，是否小于联合阈值；若小于，则将影像组学特征矩阵和邻域三维病灶子矩阵进行融合分割。
[0099]
其中，邻域三维病灶子矩阵为八邻域三维病灶子矩阵。本实施例中八邻域是指以影像组学特征矩阵为中心的上、下、左、右、左上、右上、左下、右下这八个方向。
[0100]
也就是说，通过对影像组学特征矩阵进行融合分割，实现对三维病灶矩阵的第二次分割。
[0101]
继续以上述示例进行说明，假设在三维病灶矩阵中，确定影像组学特征矩阵1的左邻域三维病灶子矩阵的特征1和值，与影像组学特征矩阵1的特征1和值之间的差值，小于联合阈值y1，则将影像组学特征矩阵1和左邻域三维病灶子矩阵进行融合分割，得到下一三维病灶子矩阵。依次类推，直到对整个三维病灶矩阵遍历完为止，得到融合分割后的下一三维病灶子矩阵，具体如图4c所述。
[0102]
同理，假设在三维病灶矩阵中，确定影像组学特征矩阵2的上邻域三维病灶子矩阵的特征2和值和左上邻域三维病灶子矩阵的特征2的和值，分别与影像组学特征矩阵2的特征2和值之间的差值，小于联合阈值y2，则将影像组学特征矩阵1、上邻域三维病灶子和左上邻域三维病灶子矩阵进行融合分割，得到下一三维病灶子矩阵。依次类推，直到对整个三维病灶矩阵遍历完为止，得到融合分割后的下一三维病灶子矩阵，具体如图4d所述。
[0103]
同理，假设在三维病灶矩阵中，确定影像组学特征矩阵3的右上邻域三维病灶子矩阵的特征3和值和左下邻域三维病灶子矩阵的特征3的和值，分别与影像组学特征矩阵3的特征3和值之间的差值，小于联合阈值y3，则将影像组学特征矩阵3、右上邻域三维病灶子矩阵和左下邻域三维病灶子矩阵进行融合分割，得到下一三维病灶子矩阵。依次类推，直到对整个三维病灶矩阵遍历完为止，得到融合分割后的下一三维病灶子矩阵，具体如图4e所述。
[0104]
需要说明的是，本实施例对三维病灶矩阵每进行一次分割之后，生成的三维病灶子矩阵的数量可为多个，那么就会存在三维病灶子矩阵的数量大于预设数量的情况。此时，通过回溯处理将三维病灶子矩阵的数量回溯至预设数量为止。即，每分割一个三维病灶子矩阵之后，自动统计一下分割得到的三维病灶子矩阵总数量，以确定是否需要停止继续分割，避免执行过多的分割操作而延长病灶分析的花费总时长。
[0105]
s208，获取每个三维病灶子矩阵的影像组学特征。
[0106]
继续以上述示例进行说明，分割得到n个三维病灶子矩阵之后，可获取n个三维病灶子矩阵的影像组学特征，基于获取到的影像组学特征可构建如下表3：
[0107]
表3
[0108][0109]
s209，根据每个三维病灶子矩阵的影像组学特征与所述三维病灶矩阵的影像组学特征，确定目标三维病灶子矩阵，将所述目标三维病灶子矩阵对应的三维病灶子区域确定为目标区域。
[0110]
本实施例提供的基于影像组学的病灶分析方法，通过根据获取的病灶区域序列集和原始ct图像序列集，生成三维病灶矩阵，并对获取的三维病灶矩阵的影像组学特征，得到目标影像组学特征，根据目标影像组学特征，对三维病灶矩阵进行分割，得到多个三维病灶子矩阵，并获取多个三维病灶子矩阵的影像组学特征，根据每个三维病灶子矩阵的影像组学特征与三维病灶矩阵的影像组学特征，确定目标三维病灶子矩阵，将目标三维病灶子矩阵对应的三维病灶子区域确定为目标区域。由此，解决了目前影像组学基于整个病灶进行特征提取，缺乏病灶结构异质性分析，导致病灶中真正具有影响价值的局部特征被整体均和甚至掩盖的问题，从而能够从病灶中找出真正具有影响价值的局部区域，为影像诊断提供了有利条件。
[0111]
本实施例在上述实施例的基础上，对根据每个三维病灶子矩阵的影像组学特征与所述三维病灶矩阵的影像组学特征，确定目标三维病灶子矩阵进行进一步优化。下面结合图5，对本技术实施例提供的基于影像组学特征的病灶分析方法的上述优化过程进行具体说明。
[0112]
s301，根据原始ct图像序列集，获取病灶区域序列集。
[0113]
s302，根据所述原始ct图像序列集和所述病灶区域序列集，生成三维病灶矩阵，并获取所述三维病灶矩阵的影像组学特征。
[0114]
s303，对所述三维病灶矩阵的影像组学特征进行筛选，得到目标影像组学特征。
[0115]
s304，根据所述目标影像组学特征，对所述三维病灶矩阵进行分割，得到多个三维病灶子矩阵，并获取每个三维病灶子矩阵的影像组学特征。
[0116]
s305，将每个三维病灶子矩阵的影像组学特征的特征值，映射至三维病灶区域的特征值分布图中。
[0117]
s306，根据三维病灶子矩阵的影像组学特征的特征值值分布情况，确定目标三维病灶子矩阵。
[0118]
s307，将所述目标三维病灶子矩阵对应的三维病灶子区域确定为目标区域。
[0119]
可选的，通过将每个三维病灶子矩阵的影像组学特征的特征值映射至三维病灶区域的特征值分布图中，使得医务人员根据患者病灶部位，在特征值值分布图中，确定出目标三维病灶子矩阵，从而将目标三维病灶子矩阵对应的三维病灶子区域确定为目标区域。
[0120]
例如，如图6所示，将n个三维病灶子矩阵的影像组学特征的特征值，映射至三维病灶区域的特征值分布图后，若医务人员确定分布图中虚线41所对应的三维病灶子矩阵为目标三维子矩阵，则根据虚线41确定目标三维子矩阵为三维子矩阵n2和n3，并将三维子矩阵n2和n3对应的三维病灶子区域t2和t3确定为目标子区域。
[0121]
本实施例提供的基于影像组学的病灶分析方法，通过根据获取的病灶区域序列集和原始ct图像序列集，生成三维病灶矩阵，并对获取的三维病灶矩阵的影像组学特征，得到目标影像组学特征，根据目标影像组学特征，对三维病灶矩阵进行分割，得到多个三维病灶子矩阵，并获取多个三维病灶子矩阵的影像组学特征，根据每个三维病灶子矩阵的影像组学特征与三维病灶矩阵的影像组学特征，确定目标三维病灶子矩阵，将目标三维病灶子矩阵对应的三维病灶子区域确定为目标区域。由此，解决了目前影像组学基于整个病灶进行特征提取，缺乏病灶结构异质性分析，导致病灶中真正具有影响价值的局部特征被整体均和甚至掩盖的问题，从而能够从病灶中找出真正具有影响价值的局部区域，为影像诊断提供了有利条件。此外，因为病灶整体特征均和了显著部分和非显著部分的影像组学特征值，因此通过将分割得到的局部矩阵的影像组学特征与病灶整体影像组学特征相比，局部矩阵特征值更加显著，能够真正的体现出病灶特性。
[0122]
下面参照附图7，对本技术实施例提出的一种基于影像组学的病灶分析装置进行描述。图7是本技术实施例提供的一种基于影像组学的病灶分析装置的示意性框图。
[0123]
其中，该基于影像组学的病灶分析装置500包括：序列集获取模块510、第一处理模块520、特征筛选模块530、第二处理模块540和区域确定模块550。
[0124]
其中，序列集获取模块510，用于根据原始ct图像序列集，获取病灶区域序列集；
[0125]
第一处理模块520，用于根据所述原始ct图像序列集和所述病灶区域序列集，生成三维病灶矩阵，并获取所述三维病灶矩阵的影像组学特征；
[0126]
特征筛选模块530，用于对所述三维病灶矩阵的影像组学特征进行筛选，得到目标影像组学特征；
[0127]
第二处理模块540，用于根据所述目标影像组学特征，对所述三维病灶矩阵进行分割，得到多个三维病灶子矩阵，并获取每个三维病灶子矩阵的影像组学特征；
[0128]
区域确定模块550，用于根据每个三维病灶子矩阵的影像组学特征与所述三维病灶矩阵的影像组学特征，确定目标三维病灶子矩阵，将所述目标三维病灶子矩阵对应的三维病灶子区域确定为目标区域。
[0129]
本技术实施例的一种可选实现方式，第一处理模块520，具体用于：
[0130]
根据所述原始ct图像集，生成第一三维矩阵，并根据所述病灶区域序列集，生成第二三维矩阵；
[0131]
根据所述第一三维矩阵和第二三维矩阵，生成三维病灶矩阵。
[0132]
本技术实施例的一种可选实现方式，第二处理模块540，具体用于：
[0133]
根据所述目标影像组学特征，对所述三维病灶矩阵进行遍历分割，得到多个三维病灶子矩阵，将多个所述三维病灶子矩阵，作为当前三维病灶子矩阵；
[0134]
根据所述目标影像组学特征，获取所述当前三维病灶子矩阵的影像组学特征，并确定所述影像组学特征中每类特征的最大值和最小值；
[0135]
生成影像组学特征矩阵，并根据所述影像组学特征中每类特征的最大值和最小
值，生成联合阈值；
[0136]
利用所述联合阈值，基于所述三维病灶矩阵对所述影像组学特征矩阵进行融合分割，得到多个下一三维病灶子矩阵，将多个所述下一三维病灶子矩阵作为新的当前三维病灶子矩阵，继续得到新的下一三维病灶子矩阵，直至新的下一三维病灶子矩阵的数量为预设数量。
[0137]
本技术实施例的一种可选实现方式，第二处理模块540，还用于：
[0138]
将所述当前三维病灶子矩阵的影像组学特征，作为矩阵元素，生成所述影像组学特征矩阵。
[0139]
本技术实施例的一种可选实现方式，第二处理模块540，还用于：
[0140]
在所述三维病灶矩阵中，确定所述影像组学特征矩阵的邻域三维病灶子矩阵；
[0141]
确定所述影像组学特征矩阵和所述邻域三维病灶子矩阵的影像组学特征差值，是否小于所述联合阈值；
[0142]
若小于，则将所述影像组学特征矩阵和所述邻域三维病灶子矩阵进行融合分割。
[0143]
本技术实施例的一种可选实现方式，所述邻域三维病灶子矩阵为八邻域三维病灶子矩阵。
[0144]
本技术实施例的一种可选实现方式，区域确定模块550，具体用于：
[0145]
将每个三维病灶子矩阵的影像组学特征的特征值，映射至三维病灶区域的特征值分布图中；
[0146]
根据三维病灶子矩阵的影像组学特征的特征值值分布情况，确定目标三维病灶子矩阵。
[0147]
应理解的是，基于影像组学的病灶分析装置实施例与基于影像组学的病灶分析方法实施例可以相互对应，类似的描述可以参照方法实施例。为避免重复，此处不再赘述。具体地，图7所示的基于影像组学的病灶分析装置500可以执行图1对应的方法实施例，并且基于影像组学的病灶分析装置500中的各个模块的前述和其它操作和/或功能分别为了实现图1中的各个方法中的相应流程，为了简洁，在此不再赘述。
[0148]
上文中结合附图从功能模块的角度描述了本技术实施例的基于影像组学的病灶分析装置500。应理解，该功能模块可以通过硬件形式实现，也可以通过软件形式的指令实现，还可以通过硬件和软件模块组合实现。具体地，本技术实施例中的基于影像组学的病灶分析方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成，结合本技术实施例公开的基于影像组学的病灶分析方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。可选地，软件模块可以位于随机存储器，闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法实施例中的步骤。
[0149]
图8是本技术实施例提供的一种基于影像组学的病灶分析设备的示意性框图。
[0150]
如图8所示，该基于影像组学的病灶分析设备600可包括：
[0151]
存储器610和处理器620，该存储器610用于存储计算机程序，并将该程序代码传输给该处理器620。换言之，该处理器620可以从存储器610中调用并运行计算机程序，以实现本技术实施例中的基于影像组学的病灶分析方法。
[0152]
例如，该处理器620可用于根据该计算机程序中的指令执行上述基于影像组学的病灶分析方法实施例。
[0153]
在本技术的一些实施例中，该处理器620可以包括但不限于：
[0154]
通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等等。
[0155]
在本技术的一些实施例中，该存储器610包括但不限于：
[0156]
易失性存储器和/或非易失性存储器。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synch link dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，dr ram)。
[0157]
在本技术的一些实施例中，该计算机程序可以被分割成一个或多个模块，该一个或者多个模块被存储在该存储器610中，并由该处理器620执行，以完成本技术提供的方法。该一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述该计算机程序在该基于影像组学的病灶分析设备中的执行过程。
[0158]
如图8所示，该基于影像组学的病灶分析设备600还可包括：
[0159]
收发器630，该收发器630可连接至该处理器620或存储器610。
[0160]
其中，处理器620可以控制该收发器630与其他设备进行通信，具体地，可以向其他设备发送信息或数据，或接收其他设备发送的信息或数据。收发器630可以包括发射机和接收机。收发器630还可以进一步包括天线，天线的数量可以为一个或多个。
[0161]
应当理解，该基于影像组学的病灶分析设备600中的各个组件通过总线系统相连，其中，总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。
[0162]
本技术还提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被计算机执行时使得该计算机能够执行上述实施例的基于影像组学的病灶分析方法。或者说，本技术实施例还提供一种包含指令的计算机程序产品，该指令被计算机执行时使得计算机执行上述方法实施例的方法。
[0163]
当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本技术实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户
线(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，dvd))、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
[0164]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0165]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，该模块的划分，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，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0166]
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者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者全部模块来实现本实施例方案的目的。例如，在本技术各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
[0167]
以上该，仅为本技术的具体实施方式，但本技术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技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以该权利要求的保护范围为准。