公开/公告号CN114842038A
专利类型发明专利
公开/公告日2022-08-02
原文格式PDF
申请/专利权人 深圳市医未医疗科技有限公司;
申请/专利号CN202210401401.2
发明设计人 王思伦;
申请日2022-04-14
分类号G06T7/13(2017.01);G06T7/11(2017.01);G06T7/181(2017.01);G06T7/136(2017.01);G06T5/00(2006.01);
代理机构深圳市诺正鑫泽知识产权代理有限公司 44689;
代理人颜燕红
地址 518000 广东省深圳市福田区福保街道福保社区红柳道2号顺丰工业城辅助楼二层
入库时间 2023-06-19 16:14:25
法律状态公告日
法律状态信息
法律状态
2023-05-16
授权
发明专利权授予
2022-08-19
实质审查的生效 IPC(主分类):G06T 7/13 专利申请号:2022104014012 申请日:20220414
实质审查的生效
技术领域
本发明涉及影像组学技术领域,尤其涉及一种基于影像组学的影像数据特征自动生成方法和装置。
背景技术
随着医疗技术的发展,影像组学作为一种非侵入性的图像分析方法,开始成为肿瘤诊断、治疗反应预测以及治疗研究的重要手段之一。影像组学是从医学影像的感兴趣区域中提取大量影像数据特征,来描述肿瘤生物学特征及异质性等信息的定量分析方法。
当前,影像数据特征的获取主要是通过划定感兴趣区域,进而针对感兴趣区域来获取相应的影像数据特征,感兴趣区域的划分主要有手动分割法、半自动分割法及完全自动分割法,但是半自动分割法及完全自动分割法没有统一的方案及标准,手动分割法存在可重复性低、耗时久、效率低的问题。
发明内容
本发明提供一种基于影像组学的影像数据特征自动生成方法、装置及计算机可读存储介质,其主要目的在于解决半自动分割法及完全自动分割法没有统一的方案及标准,手动分割法存在可重复性低、耗时久、效率低的问题。
为实现上述目的,本发明提供的一种基于影像组学的影像数据特征自动生成方法,包括:
获取放射影像图,利用预构建的边缘检测算法,对所述放射影像图进行区块划分,得到初始放射影像区块图;
利用预构建的边缘连接算法,对所述初始放射影像区块图中相邻区块的分段边缘分割线进行连接处理,得到目标放射影像区块图;
接收用户在所述目标放射影像区块图中选定的待定兴趣区块生长点,将所述待定兴趣区块生长点的所在区块,设置为待定兴趣区块;
接收用户对所述待定兴趣区块的区块确定指令,根据所述区块确定指令,将所述待定兴趣区域生长点确定为兴趣区块生长点,将所述待定兴趣区块确定为初始兴趣区块;
利用所述兴趣区块生长点,根据预构建的区域生长算法及所述初始兴趣区块,构建出目标兴趣区块;
计算所述目标兴趣区块的影像组学特征,对所述影像组学特征进行特征选择,得到所述放射影像图的影像数据特征。
可选地,所述利用预构建的边缘检测算法,对所述放射影像图进行区块划分,得到初始放射影像区块图,包括:
利用预构建的高斯函数构建高斯核函数;
根据所述放射影像图中每个像素点的灰度值,构建图像灰度矩阵;
利用所述高斯核函数,对所述图像灰度矩阵的每一个像素点的灰度值进行加权求和,得到高斯滤波灰度矩阵;
构建边缘检测水平算子及边缘检测竖直算子;
利用所述边缘检测水平算子,计算所述高斯滤波灰度矩阵中每个像素点的水平梯度分量;
利用所述边缘检测竖直算子,计算所述高斯滤波灰度矩阵中每个像素点的竖直梯度分量;
根据所述高斯滤波灰度矩阵中,每个像素点的所述水平梯度分量及竖直梯度分量,计算所述像素点的梯度幅值及梯度方向;
根据所述像素点的梯度幅值及梯度方向,对所述放射影像图进行划分,得到所述初始放射影像区块图。
可选地,所述利用预构建的边缘连接算法,对所述初始放射影像区块图中相邻区块的分段边缘分割线进行连接处理,得到目标放射影像区块图,包括:
识别所述初始放射影像区块图中,相邻区块的分段边缘分割线所经过的像素点;
对所述相邻区块的分段边缘分割线所经过的像素点,执行非极大值抑制处理,得到初始边缘像素点;
利用预构建的双阈值算法,根据所述初始边缘像素点,计算出目标边缘像素点;
链接所述目标边缘像素点,得到目标边缘分割线;
利用所述目标边缘分割线,分割所述初始放射影像区块图,得到所述目标放射影像区块图。
可选地,所述对所述相邻区块的分段边缘分割线所经过的像素点,执行非极大值抑制处理,得到初始边缘像素点,包括:
根据预构建的线性插值公式,利用所述分段边缘分割线所经过的像素点的梯度方向,及所述分段边缘分割线所经过的像素点的邻域像素点的梯度幅值,判断所述分段边缘分割线所经过的像素点是否为梯度幅度最大点;
若所述分段边缘分割线所经过的像素点,不是梯度幅度最大点,则判断所述分段边缘分割线所经过的像素点,不是所述初始边缘像素点;
若所述分段边缘分割线所经过的像素点,是梯度幅度最大点,则判断所述分段边缘分割线所经过的像素点,是所述初始边缘像素点。
可选地,所述线性插值公式如下所示:
M(dtmp
ω=distance(dtmp
其中,M(dtmp
可选地,所述利用预构建的双阈值算法,根据所述初始边缘像素点,计算出目标边缘像素点,包括:
按照预定比率大小,设立高阈值及低阈值;
判断所述初始边缘像素点的梯度幅值,是否大于所述高阈值;
若所述初始边缘像素点的梯度幅值,大于所述高阈值,则确定所述初始边缘像素点为所述目标边缘像素点;
若所述初始边缘像素点的梯度幅值,小于等于所述高阈值,则判断所述初始边缘像素点的梯度幅值,是否大于等于所述低阈值;
若所述初始边缘像素点的梯度幅值,大于等于所述低阈值,则在所述初始边缘像素点的8邻域像素点中,提取出最大梯度幅值对应的像素点,并将所述最大梯度幅值对应的像素点,作为所述目标边缘像素点;
若所述初始边缘像素点的梯度幅值,小于所述低阈值,则确定所述初始边缘像素点,不为所述目标边缘像素点。
可选地,所述利用所述兴趣区块生长点,根据预构建的区域生长算法及所述初始兴趣区块,构建出目标兴趣区块,包括:
计算所述目标放射影像区块图的像素点灰度平均值;
计算所述目标放射影像区块图中每个区块的像素点灰度平均值;
利用预构建的生长阈值计算公式,根据所述目标放射影像区块图的像素点灰度平均值及所述每个区块的像素点灰度平均值,计算出生长阈值;
判断所述兴趣区块生长点的四邻域像素点中,是否存在像素点的灰度值与所述兴趣生长区块的灰度值的差值小于所述生长阈值,且未经过所述目标边缘分割线;
若所述四邻域像素点中,存在像素点的灰度值与所述兴趣生长区块的灰度值的差值小于所述生长阈值,且未经过所述目标边缘分割线,则将所述像素点与所述兴趣区块生长点结合为迭代生长区域;
计算所述迭代生长区域的迭代灰度平均值;
判断所述迭代生长区域相邻的像素点中是否存在,灰度值与所述迭代生长区域的迭代灰度平均值的差值,小于所述生长阈值,且未经过所述目标边缘分割线的像素点;
若所述迭代生长区域相邻的像素点中,存在灰度值与所述迭代生长区域的迭代灰度平均值的差值,小于所述生长阈值,且未经过所述目标边缘分割线的像素点,则将所述像素点并入所述迭代生长区域中,并重新计算所述迭代生长区域的迭代灰度平均值;
返回上述计算所述迭代生长区域的迭代灰度平均值的步骤,直至所述迭代生长区域相邻的像素点的灰度值,与所述迭代生长区域的迭代灰度平均值的差值,不小于所述生长阈值,或所述像素点经过所述目标边缘分割线,则停止生长,得到所述目标兴趣区块。
可选地,所述计算所述目标兴趣区块的影像组学特征,包括:
根据所述目标兴趣区块,计算所述目标兴趣区块的形状特征、一阶、二阶以及高阶特征;
根据所述目标兴趣区块的形状特征、一阶、二阶以及高阶特征,构建所述目标兴趣区块的影像组学特征。
可选地,所述对所述影像组学特征进行特征选择,得到所述放射影像图的影像数据特征,包括:
利用预构建的特征选择方法,对所述影像组学特征进行特征选择,得到所述放射影像图的影像数据特征。
为了解决上述问题,本发明还提供一种基于影像组学的影像数据特征自动生成装置,所述装置包括:
初始放射影像区块图获取模块,用于获取放射影像图,利用预构建的边缘检测算法,对所述放射影像图进行区块划分,得到初始放射影像区块图;
目标放射影像区块图获取模块,用于利用预构建的边缘连接算法,对所述初始放射影像区块图中相邻区块的分段边缘分割线进行连接处理,得到目标放射影像区块图;
兴趣区块生长点及初始兴趣区块确定模块,用于接收用户在所述目标放射影像区块图中选定的待定兴趣区块生长点,将所述待定兴趣区块生长点的所在区块,设置为待定兴趣区块;接收用户对所述待定兴趣区块的区块确定指令,根据所述区块确定指令,将所述待定兴趣区域生长点确定为兴趣区块生长点,将所述待定兴趣区块确定为初始兴趣区块;
目标兴趣区块构建模块,用于利用所述兴趣区块生长点,根据预构建的区域生长算法及所述初始兴趣区块,构建出目标兴趣区块;
影像组学特征选择模块,用于计算所述目标兴趣区块的影像组学特征,对所述影像组学特征进行特征选择,得到所述放射影像图的影像数据特征。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
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如权利要求1至9中任意一项所述的基于影像组学的影像数据特征自动生成方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于影像组学的影像数据特征自动生成方法。
相比于背景技术所述:半自动分割法及完全自动分割法没有统一的方案及标准,手动分割法存在可重复性低、耗时久、效率低的现象,本发明实施例首先利用所述边缘检测算法,对所述放射影像图进行划分,得到所述初始放射影像区块图,由于所述初始放射影像区块图的划分曲线存在分段的情况,因此可以利用所述边缘连接算法进行连接,从而得到连续平滑的分割线,实现对目标放射影像区块图的划分,用户可以根据所述目标放射影像图的区块划分情况以及主观上对于目标兴趣区块的判定,选择待定兴趣区块生长点及待定兴趣区块,当得到区块确认指令时,将所述待定兴趣区块生长点及待定兴趣区块分别转为所述兴趣区块生长点及初始兴趣区块,再利用所述区域生长算法,在所述初始兴趣区块中生长出目标兴趣区块,并对所述目标兴趣区块的影像组学特征进行特征选择,得到所述放射影像图的影像数据特征。因此本发明提出的基于影像组学的影像数据特征自动生成方法、装置、电子设备及计算机可读存储介质,可以解决半自动分割法及完全自动分割法没有统一的方案及标准,手动分割法存在可重复性低、耗时久、效率低的问题。
附图说明
图1为本发明一实施例提供的基于影像组学的影像数据特征自动生成方法的流程示意图;
图2为图1中其中一个步骤的详细实施流程示意图;
图3为图1中另一个步骤的详细实施流程示意图;
图4为本发明一实施例提供的基于影像组学的影像数据特征自动生成装置的功能模块图;
图5为本发明一实施例提供的实现所述基于影像组学的影像数据特征自动生成方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于影像组学的影像数据特征自动生成方法。所述基于影像组学的影像数据特征自动生成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于影像组学的影像数据特征自动生成方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1:
参照图1所示,为本发明一实施例提供的基于影像组学的影像数据特征自动生成方法的流程示意图。在本实施例中,所述基于影像组学的影像数据特征自动生成方法包括:
S1、获取放射影像图,利用预构建的边缘检测算法,对所述放射影像图进行区块划分,得到初始放射影像区块图。
可解释的,所述放射影像图指通过CT、MRI及PET-CT等影像扫描方式采集到的人体组织影像。
可选择的,所述边缘检测算法可以为Canny边缘检测算法。所述初始放射影像区块图指利用所述边缘检测算法,根据所述放射影像图中不同像素点的灰度值的大小,对所述放射影像图进行区块划分,得到的区块图。
本发明实施例中,所述利用预构建的边缘检测算法,对所述放射影像图进行区块划分,得到初始放射影像区块图,包括:
利用预构建的高斯函数构建高斯核函数;
根据所述放射影像图中每个像素点的灰度值,构建图像灰度矩阵;
利用所述高斯核函数,对所述图像灰度矩阵的每一个像素点的灰度值进行加权求和,得到高斯滤波灰度矩阵;
构建边缘检测水平算子及边缘检测竖直算子;
利用所述边缘检测水平算子,计算所述高斯滤波灰度矩阵中每个像素点的水平梯度分量;
利用所述边缘检测竖直算子,计算所述高斯滤波灰度矩阵中每个像素点的竖直梯度分量;
根据所述高斯滤波灰度矩阵中,每个像素点的所述水平梯度分量及竖直梯度分量,计算所述像素点的梯度幅值及梯度方向;
根据所述像素点的梯度幅值及梯度方向,对所述放射影像图进行划分,得到所述初始放射影像区块图。
可解释的,在利用所述边缘检测算法,对所述放射影像图进行区块划分之前,需要先使用高斯滤波器,对所述放射影像图进行图像平滑操作,滤出噪声。边缘检测算法主要基于所述放射影像图的一阶和二阶导数进行计算,由于导数对噪声很敏感,因此需要利用滤波器改善边缘检测算法的性能。
应明白的,采用离散化的高斯函数产生一组归一化的高斯核函数,然后基于高斯核函数对所述放射影像图对应的图像灰度矩阵中的每一像素点,进行加权求和,从而完成高斯滤波。
可解释的,所述边缘检测水平算子及边缘检测竖直算子,分别指soble水平算子及soble竖直算子。用所述边缘检测水平算子及边缘检测竖直算子,分别与所述放射影像图中的每个像素点进行卷积操作,得到每个像素点的水平和竖直方向上的梯度分量。再对所述水平和竖直方向上的梯度分量的平方和开根号,即可得到所述像素点的梯度幅值。所述像素点的梯度方向可以根据矢量相加的原则计算。
可理解的,可以根据计算出的像素点的梯度幅值和梯度方向确定所述初始放射影像区块图的划分规则,梯度幅值越大,表示月接近所述初始放射影像区块图的划分分割线。
S2、利用预构建的边缘连接算法,对所述初始放射影像区块图中相邻区块的分段边缘分割线进行连接处理,得到目标放射影像区块图。
应明白的,所述初始放射影像区块图中相邻区块的划分分割线是根据边缘检测算法得到的,划分分割线一般不是单像素组成的,且含有断边和伪边,因此,划分分割线是分段的,即所述分段边缘分割线是分段组成的。
可理解的,所述边缘连接算法指对所述初始放射影像区块图的分段边缘分割线组成像素点进行非极大值抑制后,利用双阈值算法连接所述分段边缘分割线的算法。
详细地,参阅图2所示,所述利用预构建的边缘连接算法,对所述初始放射影像区块图中相邻区块的分段边缘分割线进行连接处理,得到目标放射影像区块图,包括:
S21、识别所述初始放射影像区块图中,相邻区块的分段边缘分割线所经过的像素点;
S22、对所述相邻区块的分段边缘分割线所经过的像素点,执行非极大值抑制处理,得到初始边缘像素点;
S23、利用预构建的双阈值算法,根据所述初始边缘像素点,计算出目标边缘像素点;
S24、链接所述目标边缘像素点,得到目标边缘分割线;
S25、利用所述目标边缘分割线,分割所述初始放射影像区块图,得到所述目标放射影像区块图。
可理解的,可采用非极大值抑制的方法,保留所述分段边缘分割线中梯度幅度最大的像素点,进而达到细化分段边缘分割线的目的。
可解释的,所述双阈值算法指Canny算法中为减少减少假边缘数量,而采用的算法。所述双阈值算法中包含高阈值及低阈值,利用高阈值可以实现链接像素点得到轮廓边缘的目的,当到达边缘断点时,在断点的8邻域像素点中寻找满足低阈值的像素点,再重复收集新的边缘点,直至整个边缘曲线闭合。
本发明实施例中,所述对所述相邻区块的分段边缘分割线所经过的像素点,执行非极大值抑制处理,得到初始边缘像素点,包括:
根据预构建的线性插值公式,利用所述分段边缘分割线所经过的像素点的梯度方向,及所述分段边缘分割线所经过的像素点的邻域像素点的梯度幅值,判断所述分段边缘分割线所经过的像素点是否为梯度幅度最大点;
若所述分段边缘分割线所经过的像素点,不是梯度幅度最大点,则判断所述分段边缘分割线所经过的像素点,不是所述初始边缘像素点;
若所述分段边缘分割线所经过的像素点,是梯度幅度最大点,则判断所述分段边缘分割线所经过的像素点,是所述初始边缘像素点。
本发明实施例中,所述线性插值公式如下所示:
M(dtmp
ω=distance(dtmp
其中,M(dtmp
本发明实施例中,所述利用预构建的双阈值算法,根据所述初始边缘像素点,计算出目标边缘像素点,包括:
按照预定比率大小,设立高阈值及低阈值;
判断所述初始边缘像素点的梯度幅值,是否大于所述高阈值;
若所述初始边缘像素点的梯度幅值,大于所述高阈值,则确定所述初始边缘像素点为所述目标边缘像素点;
若所述初始边缘像素点的梯度幅值,小于等于所述高阈值,则判断所述初始边缘像素点的梯度幅值,是否大于等于所述低阈值;
若所述初始边缘像素点的梯度幅值,大于等于所述低阈值,则在所述初始边缘像素点的8邻域像素点中,提取出最大梯度幅值对应的像素点,并将所述最大梯度幅值对应的像素点,作为所述目标边缘像素点;
若所述初始边缘像素点的梯度幅值,小于所述低阈值,则确定所述初始边缘像素点,不为所述目标边缘像素点。
应明白的,所述预定比率通常为2:1或者3:1,指高阈值与低阈值的比值。所述高阈值一般取TH=0.3或0.2,所述低阈值一般取TL=0.1。
可理解的,为选取合适的目标边缘像素点,需要将像素点的梯度幅度小于所述低阈值的像素点舍去,将像素点的梯度幅度大于所述高阈值的像素点确定为所述目标边缘像素点,当像素点的梯度幅度小于等于高阈值且大于等于低阈值时,需要使用8连通区域确定,并与大于高阈值的像素点连接。
S3、接收用户在所述目标放射影像区块图中选定的待定兴趣区块生长点,将所述待定兴趣区块生长点的所在区块,设置为待定兴趣区块。
本发明实施例中,可以先接收医生等医疗工作者在所述目标放射影像区块图中,选定的像素点,再根据所述像素点所在的区块,生成所述待定兴趣区块,利用所述待定兴趣区块提醒医生所选的像素点是否在感兴趣区域中。
可理解的,由于感兴趣区域可能很小,因此可以将医生所选的像素点所在的区块进行亮化显示,医生即可根据亮化显示的区块,来判断自己所选的像素点是否在感兴趣区域内。
S4、接收用户对所述待定兴趣区块的区块确定指令,根据所述区块确定指令,将所述待定兴趣区域生长点确定为兴趣区块生长点,将所述待定兴趣区块确定为初始兴趣区块。
本发明实施例中,当所述待定兴趣区块选定后,将自动在显示器页面中弹出含有“确定”和“取消”两个选项,当医生确定所述待定兴趣区块为感兴趣区域时,则可以点击“确定”,当医生由于误操作导致所述待定兴趣区块不是感兴趣区域时,即可点击“取消”,重新进行选择。
S5、利用所述兴趣区块生长点,根据预构建的区域生长算法及所述初始兴趣区块,构建出目标兴趣区块。
可理解的,所述目标兴趣区块指感兴趣区域。
本发明实施例中,所述利用所述兴趣区块生长点,根据预构建的区域生长算法及所述初始兴趣区块,构建出目标兴趣区块,包括:
计算所述目标放射影像区块图的像素点灰度平均值;
计算所述目标放射影像区块图中每个区块的像素点灰度平均值;
利用预构建的生长阈值计算公式,根据所述目标放射影像区块图的像素点灰度平均值及所述每个区块的像素点灰度平均值,计算出生长阈值;
判断所述兴趣区块生长点的四邻域像素点中,是否存在像素点的灰度值与所述兴趣生长区块的灰度值的差值小于所述生长阈值,且未经过所述目标边缘分割线;
若所述四邻域像素点中,存在像素点的灰度值与所述兴趣生长区块的灰度值的差值小于所述生长阈值,且未经过所述目标边缘分割线,则将所述像素点与所述兴趣区块生长点结合为迭代生长区域;
计算所述迭代生长区域的迭代灰度平均值;
判断所述迭代生长区域相邻的像素点中是否存在,灰度值与所述迭代生长区域的迭代灰度平均值的差值,小于所述生长阈值,且未经过所述目标边缘分割线的像素点;
若所述迭代生长区域相邻的像素点中,存在灰度值与所述迭代生长区域的迭代灰度平均值的差值,小于所述生长阈值,且未经过所述目标边缘分割线的像素点,则将所述像素点并入所述迭代生长区域中,并重新计算所述迭代生长区域的迭代灰度平均值;
返回上述计算所述迭代生长区域的迭代灰度平均值的步骤,直至所述迭代生长区域相邻的像素点的灰度值,与所述迭代生长区域的迭代灰度平均值的差值,不小于所述生长阈值,或所述像素点经过所述目标边缘分割线,则停止生长,得到所述目标兴趣区块。
可理解的,利用所述兴趣区块生长点作为区域生长算法的种子点,当所述兴趣区块生长点生长出的像素点满足所述生长阈值的限制并且未到达所述目标边缘分割线时,表示可以继续生长。直至某一像素点不满足所述生长阈值的限制,或到达所述目标边缘分割线,则表示该像素点不属于所述目标兴趣区块。
S6、计算所述目标兴趣区块的影像组学特征,对所述影像组学特征进行特征选择,得到所述放射影像图的影像数据特征。
可理解的,所述影像学特征可以分为形状特征、一阶直方图特征、二阶直方图特征、纹理特征、用于获取特定图像的影像组学特征(例如:PET中的SUV度量)以及仅适用于多模式数据集的分形和融合特征。
可解释的,所述特征选择指对高维特征数据进行降维。
详细地,参阅图3所示,所述计算所述目标兴趣区块的影像组学特征,包括:
S61、根据所述目标兴趣区块,计算所述目标兴趣区块的形状特征、一阶、二阶以及高阶特征;
S62、根据所述目标兴趣区块的形状特征、一阶、二阶以及高阶特征,构建所述目标兴趣区块的影像组学特征。
可理解的,所述形状特征包括感兴趣区域的体积、表面积、二维和三维的最大直径(与感兴趣区域具有相同体积的球体直径),以及描述感兴趣区域与球体的相似程度的特征,例如:表面积比、致密度及偏心度等。
应明白的,所述一阶特征指描述与ROI内的体素强度分布有关的特征。所述二阶特征指描述体素空间分布强度等级的特征。所述高阶特征指利用邻域灰度差计算高阶统计量,进而达到研究3个或更多体素间的空间关系特征。
本发明实施例中,所述对所述影像组学特征进行特征选择,得到所述放射影像图的影像数据特征,包括:
利用预构建的特征选择方法,对所述影像组学特征进行特征选择,得到所述放射影像图的影像数据特征。
应明白的,所述特征选择方法包括:LASSO Cox回归模型、最大相关最小冗余(mRNA)、评估特征RE相关性以及主成分分析法(PCA)等方法。
相比于背景技术所述:半自动分割法及完全自动分割法没有统一的方案及标准,手动分割法存在可重复性低、耗时久、效率低的现象,本发明实施例首先利用所述边缘检测算法,对所述放射影像图进行划分,得到所述初始放射影像区块图,由于所述初始放射影像区块图的划分曲线存在分段的情况,因此可以利用所述边缘连接算法进行连接,从而得到连续平滑的分割线,实现对目标放射影像区块图的划分,用户可以根据所述目标放射影像图的区块划分情况以及主观上对于目标兴趣区块的判定,选择待定兴趣区块生长点及待定兴趣区块,当得到区块确认指令时,将所述待定兴趣区块生长点及待定兴趣区块分别转为所述兴趣区块生长点及初始兴趣区块,再利用所述区域生长算法,在所述初始兴趣区块中生长出目标兴趣区块,并对所述目标兴趣区块的影像组学特征进行特征选择,得到所述放射影像图的影像数据特征。因此本发明提出的基于影像组学的影像数据特征自动生成方法、装置、电子设备及计算机可读存储介质,可以解决半自动分割法及完全自动分割法没有统一的方案及标准,手动分割法存在可重复性低、耗时久、效率低的问题。
实施例2:
如图4所示,是本发明一实施例提供的基于影像组学的影像数据特征自动生成装置的功能模块图。
本发明所述基于影像组学的影像数据特征自动生成装置100可以安装于电子设备中。根据实现的功能,所述基于影像组学的影像数据特征自动生成装置100可以初始放射影像区块图获取模块101、目标放射影像区块图获取模块102、兴趣区块生长点及初始兴趣区块确定模块103、目标兴趣区块构建模块104及影像组学特征选择模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
所述初始放射影像区块图获取模块101,用于获取放射影像图,利用预构建的边缘检测算法,对所述放射影像图进行区块划分,得到初始放射影像区块图;
可解释的,所述放射影像图指通过CT、MRI及PET-CT等影像扫描方式采集到的人体组织影像。
可选择的,所述边缘检测算法可以为Canny边缘检测算法。所述初始放射影像区块图指利用所述边缘检测算法,根据所述放射影像图中不同像素点的灰度值的大小,对所述放射影像图进行区块划分,得到的区块图。
本发明实施例中,所述利用预构建的边缘检测算法,对所述放射影像图进行区块划分,得到初始放射影像区块图,包括:
利用预构建的高斯函数构建高斯核函数;
根据所述放射影像图中每个像素点的灰度值,构建图像灰度矩阵;
利用所述高斯核函数,对所述图像灰度矩阵的每一个像素点的灰度值进行加权求和,得到高斯滤波灰度矩阵;
构建边缘检测水平算子及边缘检测竖直算子;
利用所述边缘检测水平算子,计算所述高斯滤波灰度矩阵中每个像素点的水平梯度分量;
利用所述边缘检测竖直算子,计算所述高斯滤波灰度矩阵中每个像素点的竖直梯度分量;
根据所述高斯滤波灰度矩阵中,每个像素点的所述水平梯度分量及竖直梯度分量,计算所述像素点的梯度幅值及梯度方向;
根据所述像素点的梯度幅值及梯度方向,对所述放射影像图进行划分,得到所述初始放射影像区块图。
可解释的,在利用所述边缘检测算法,对所述放射影像图进行区块划分之前,需要先使用高斯滤波器,对所述放射影像图进行图像平滑操作,滤出噪声。边缘检测算法主要基于所述放射影像图的一阶和二阶导数进行计算,由于导数对噪声很敏感,因此需要利用滤波器改善边缘检测算法的性能。
应明白的,采用离散化的高斯函数产生一组归一化的高斯核函数,然后基于高斯核函数对所述放射影像图对应的图像灰度矩阵中的每一像素点,进行加权求和,从而完成高斯滤波。
可解释的,所述边缘检测水平算子及边缘检测竖直算子,分别指soble水平算子及soble竖直算子。用所述边缘检测水平算子及边缘检测竖直算子,分别与所述放射影像图中的每个像素点进行卷积操作,得到每个像素点的水平和竖直方向上的梯度分量。再对所述水平和竖直方向上的梯度分量的平方和开根号,即可得到所述像素点的梯度幅值。所述像素点的梯度方向可以根据矢量相加的原则计算。
可理解的,可以根据计算出的像素点的梯度幅值和梯度方向确定所述初始放射影像区块图的划分规则,梯度幅值越大,表示月接近所述初始放射影像区块图的划分分割线。
所述目标放射影像区块图获取模块102,用于利用预构建的边缘连接算法,对所述初始放射影像区块图中相邻区块的分段边缘分割线进行连接处理,得到目标放射影像区块图;
应明白的,所述初始放射影像区块图中相邻区块的划分分割线是根据边缘检测算法得到的,划分分割线一般不是单像素组成的,且含有断边和伪边,因此,划分分割线是分段的,即所述分段边缘分割线是分段组成的。
可理解的,所述边缘连接算法指对所述初始放射影像区块图的分段边缘分割线组成像素点进行非极大值抑制后,利用双阈值算法连接所述分段边缘分割线的算法。
本发明实施例中,所述利用预构建的边缘连接算法,对所述初始放射影像区块图中相邻区块的分段边缘分割线进行连接处理,得到目标放射影像区块图,包括:
识别所述初始放射影像区块图中,相邻区块的分段边缘分割线所经过的像素点;
对所述相邻区块的分段边缘分割线所经过的像素点,执行非极大值抑制处理,得到初始边缘像素点;
利用预构建的双阈值算法,根据所述初始边缘像素点,计算出目标边缘像素点;
链接所述目标边缘像素点,得到目标边缘分割线;
利用所述目标边缘分割线,分割所述初始放射影像区块图,得到所述目标放射影像区块图。
可理解的,可采用非极大值抑制的方法,保留所述分段边缘分割线中梯度幅度最大的像素点,进而达到细化分段边缘分割线的目的。
可解释的,所述双阈值算法指Canny算法中为减少减少假边缘数量,而采用的算法。所述双阈值算法中包含高阈值及低阈值,利用高阈值可以实现链接像素点得到轮廓边缘的目的,当到达边缘断点时,在断点的8邻域像素点中寻找满足低阈值的像素点,再重复收集新的边缘点,直至整个边缘曲线闭合。
本发明实施例中,所述对所述相邻区块的分段边缘分割线所经过的像素点,执行非极大值抑制处理,得到初始边缘像素点,包括:
根据预构建的线性插值公式,利用所述分段边缘分割线所经过的像素点的梯度方向,及所述分段边缘分割线所经过的像素点的邻域像素点的梯度幅值,判断所述分段边缘分割线所经过的像素点是否为梯度幅度最大点;
若所述分段边缘分割线所经过的像素点,不是梯度幅度最大点,则判断所述分段边缘分割线所经过的像素点,不是所述初始边缘像素点;
若所述分段边缘分割线所经过的像素点,是梯度幅度最大点,则判断所述分段边缘分割线所经过的像素点,是所述初始边缘像素点。
本发明实施例中,所述线性插值公式如下所示:
M(dtmp
ω=distance(dtmp
其中,M(dtmp
本发明实施例中,所述利用预构建的双阈值算法,根据所述初始边缘像素点,计算出目标边缘像素点,包括:
按照预定比率大小,设立高阈值及低阈值;
判断所述初始边缘像素点的梯度幅值,是否大于所述高阈值;
若所述初始边缘像素点的梯度幅值,大于所述高阈值,则确定所述初始边缘像素点为所述目标边缘像素点;
若所述初始边缘像素点的梯度幅值,小于等于所述高阈值,则判断所述初始边缘像素点的梯度幅值,是否大于等于所述低阈值;
若所述初始边缘像素点的梯度幅值,大于等于所述低阈值,则在所述初始边缘像素点的8邻域像素点中,提取出最大梯度幅值对应的像素点,并将所述最大梯度幅值对应的像素点,作为所述目标边缘像素点;
若所述初始边缘像素点的梯度幅值,小于所述低阈值,则确定所述初始边缘像素点,不为所述目标边缘像素点。
应明白的,所述预定比率通常为2:1或者3:1,指高阈值与低阈值的比值。所述高阈值一般取TH=0.3或0.2,所述低阈值一般取TL=0.1。
可理解的,为选取合适的目标边缘像素点,需要将像素点的梯度幅度小于所述低阈值的像素点舍去,将像素点的梯度幅度大于所述高阈值的像素点确定为所述目标边缘像素点,当像素点的梯度幅度小于等于高阈值且大于等于低阈值时,需要使用8连通区域确定,并与大于高阈值的像素点连接。
所述兴趣区块生长点及初始兴趣区块确定模块103,用于接收用户在所述目标放射影像区块图中选定的待定兴趣区块生长点,将所述待定兴趣区块生长点的所在区块,设置为待定兴趣区块;接收用户对所述待定兴趣区块的区块确定指令,根据所述区块确定指令,将所述待定兴趣区域生长点确定为兴趣区块生长点,将所述待定兴趣区块确定为初始兴趣区块;
本发明实施例中,可以先接收医生等医疗工作者在所述目标放射影像区块图中,选定的像素点,再根据所述像素点所在的区块,生成所述待定兴趣区块,利用所述待定兴趣区块提醒医生所选的像素点是否在感兴趣区域中。
可理解的,由于感兴趣区域可能很小,因此可以将医生所选的像素点所在的区块进行亮化显示,医生即可根据亮化显示的区块,来判断自己所选的像素点是否在感兴趣区域内。
本发明实施例中,当所述待定兴趣区块选定后,将自动在显示器页面中弹出含有“确定”和“取消”两个选项,当医生确定所述待定兴趣区块为感兴趣区域时,则可以点击“确定”,当医生由于误操作导致所述待定兴趣区块不是感兴趣区域时,即可点击“取消”,重新进行选择。
所述目标兴趣区块构建模块104,用于利用所述兴趣区块生长点,根据预构建的区域生长算法及所述初始兴趣区块,构建出目标兴趣区块;
可理解的,所述目标兴趣区块指感兴趣区域。
本发明实施例中,所述利用所述兴趣区块生长点,根据预构建的区域生长算法及所述初始兴趣区块,构建出目标兴趣区块,包括:
计算所述目标放射影像区块图的像素点灰度平均值;
计算所述目标放射影像区块图中每个区块的像素点灰度平均值;
利用预构建的生长阈值计算公式,根据所述目标放射影像区块图的像素点灰度平均值及所述每个区块的像素点灰度平均值,计算出生长阈值;
判断所述兴趣区块生长点的四邻域像素点中,是否存在像素点的灰度值与所述兴趣生长区块的灰度值的差值小于所述生长阈值,且未经过所述目标边缘分割线;
若所述四邻域像素点中,存在像素点的灰度值与所述兴趣生长区块的灰度值的差值小于所述生长阈值,且未经过所述目标边缘分割线,则将所述像素点与所述兴趣区块生长点结合为迭代生长区域;
计算所述迭代生长区域的迭代灰度平均值;
判断所述迭代生长区域相邻的像素点中是否存在,灰度值与所述迭代生长区域的迭代灰度平均值的差值,小于所述生长阈值,且未经过所述目标边缘分割线的像素点;
若所述迭代生长区域相邻的像素点中,存在灰度值与所述迭代生长区域的迭代灰度平均值的差值,小于所述生长阈值,且未经过所述目标边缘分割线的像素点,则将所述像素点并入所述迭代生长区域中,并重新计算所述迭代生长区域的迭代灰度平均值;
返回上述计算所述迭代生长区域的迭代灰度平均值的步骤,直至所述迭代生长区域相邻的像素点的灰度值,与所述迭代生长区域的迭代灰度平均值的差值,不小于所述生长阈值,或所述像素点经过所述目标边缘分割线,则停止生长,得到所述目标兴趣区块。
可理解的,利用所述兴趣区块生长点作为区域生长算法的种子点,当所述兴趣区块生长点生长出的像素点满足所述生长阈值的限制并且未到达所述目标边缘分割线时,表示可以继续生长。直至某一像素点不满足所述生长阈值的限制,或到达所述目标边缘分割线,则表示该像素点不属于所述目标兴趣区块。
所述影像组学特征选择模块105,用于计算所述目标兴趣区块的影像组学特征,对所述影像组学特征进行特征选择,得到所述放射影像图的影像数据特征。
可理解的,所述影像学特征可以分为形状特征、一阶直方图特征、二阶直方图特征、纹理特征、用于获取特定图像的影像组学特征(例如:PET中的SUV度量)以及仅适用于多模式数据集的分形和融合特征。
可解释的,所述特征选择指对高维特征数据进行降维。
本发明实施例中,所述计算所述目标兴趣区块的影像组学特征,包括:
根据所述目标兴趣区块,计算所述目标兴趣区块的形状特征、一阶、二阶以及高阶特征;
根据所述目标兴趣区块的形状特征、一阶、二阶以及高阶特征,构建所述目标兴趣区块的影像组学特征。
可理解的,所述形状特征包括感兴趣区域的体积、表面积、二维和三维的最大直径(与感兴趣区域具有相同体积的球体直径),以及描述感兴趣区域与球体的相似程度的特征,例如:表面积比、致密度及偏心度等。
应明白的,所述一阶特征指描述与ROI内的体素强度分布有关的特征。所述二阶特征指描述体素空间分布强度等级的特征。所述高阶特征指利用邻域灰度差计算高阶统计量,进而达到研究3个或更多体素间的空间关系特征。
本发明实施例中,所述对所述影像组学特征进行特征选择,得到所述放射影像图的影像数据特征,包括:
利用预构建的特征选择方法,对所述影像组学特征进行特征选择,得到所述放射影像图的影像数据特征。
应明白的,所述特征选择方法包括:LASSO Cox回归模型、最大相关最小冗余(mRNA)、评估特征RE相关性以及主成分分析法(PCA)等方法。
详细地,本发明实施例中所述基于影像组学的影像数据特征自动生成装置100中能够产生如下技术效果:
相比于背景技术所述:半自动分割法及完全自动分割法没有统一的方案及标准,手动分割法存在可重复性低、耗时久、效率低的现象,本发明实施例首先利用所述边缘检测算法,对所述放射影像图进行划分,得到所述初始放射影像区块图,由于所述初始放射影像区块图的划分曲线存在分段的情况,因此可以利用所述边缘连接算法进行连接,从而得到连续平滑的分割线,实现对目标放射影像区块图的划分,用户可以根据所述目标放射影像图的区块划分情况以及主观上对于目标兴趣区块的判定,选择待定兴趣区块生长点及待定兴趣区块,当得到区块确认指令时,将所述待定兴趣区块生长点及待定兴趣区块分别转为所述兴趣区块生长点及初始兴趣区块,再利用所述区域生长算法,在所述初始兴趣区块中生长出目标兴趣区块,并对所述目标兴趣区块的影像组学特征进行特征选择,得到所述放射影像图的影像数据特征。因此本发明提出的基于影像组学的影像数据特征自动生成方法、装置、电子设备及计算机可读存储介质,可以解决半自动分割法及完全自动分割法没有统一的方案及标准,手动分割法存在可重复性低、耗时久、效率低的问题。
实施例3:
如图5所示,是本发明一实施例提供的实现基于影像组学的影像数据特征自动生成方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、总线12和通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于影像组学的影像数据特征自动生成程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于影像组学的影像数据特征自动生成程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于影像组学的影像数据特征自动生成程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于影像组学的影像数据特征自动生成程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取放射影像图,利用预构建的边缘检测算法,对所述放射影像图进行区块划分,得到初始放射影像区块图;
利用预构建的边缘连接算法,对所述初始放射影像区块图中相邻区块的分段边缘分割线进行连接处理,得到目标放射影像区块图;
接收用户在所述目标放射影像区块图中选定的待定兴趣区块生长点,将所述待定兴趣区块生长点的所在区块,设置为待定兴趣区块;
接收用户对所述待定兴趣区块的区块确定指令,根据所述区块确定指令,将所述待定兴趣区域生长点确定为兴趣区块生长点,将所述待定兴趣区块确定为初始兴趣区块;
利用所述兴趣区块生长点,根据预构建的区域生长算法及所述初始兴趣区块,构建出目标兴趣区块;
计算所述目标兴趣区块的影像组学特征,对所述影像组学特征进行特征选择,得到所述放射影像图的影像数据特征。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图4对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取放射影像图,利用预构建的边缘检测算法,对所述放射影像图进行区块划分,得到初始放射影像区块图;
利用预构建的边缘连接算法,对所述初始放射影像区块图中相邻区块的分段边缘分割线进行连接处理,得到目标放射影像区块图;
接收用户在所述目标放射影像区块图中选定的待定兴趣区块生长点,将所述待定兴趣区块生长点的所在区块,设置为待定兴趣区块;
接收用户对所述待定兴趣区块的区块确定指令,根据所述区块确定指令,将所述待定兴趣区域生长点确定为兴趣区块生长点,将所述待定兴趣区块确定为初始兴趣区块;
利用所述兴趣区块生长点,根据预构建的区域生长算法及所述初始兴趣区块,构建出目标兴趣区块;
计算所述目标兴趣区块的影像组学特征,对所述影像组学特征进行特征选择,得到所述放射影像图的影像数据特征。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,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,所述模块的划分,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。
所述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单元,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。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,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模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
机译: 基于胸腔成像的肺静脉形态学影像学特征预测消融后房颤的风险
机译: 自动生成影像数据表示形式和交互式视觉影像报告(IVIR)的方法
机译: 自动生成影像数据表示形式和交互式视觉影像报告(IVIR)的方法。