基于体型特异性的CT检查辐射剂量自动分析方法

摘要

本申请涉及一种基于体型特异性的CT检查辐射剂量自动分析方法，通过软件编程的方法自动对CT图像进行分割提取，主要采用pytorch框架中的Dataset进行自动化处理，以及使用numpy、cv2对每个患者进行处理，分割出身体部分。本方法能够更精准地在全体素范围内利用全自动勾画软件进行估算，以克服在CT筛查中常规辐射剂量评价指标CTDIvol严重低估受检者的辐射剂量且随BMI降低CTDIvol低估程度增大的问题，够更好地体现体型差异及组织衰减特性，更加准确地评估CT筛查者的辐射剂量。作为一种新的辐射剂量评价方法，体型特异性扫描剂量评估能更好地估算成人及儿童CT辐射剂量的方法。

说明书

技术领域

本公开涉及CT图像处理技术领域，尤其涉及一种基于体型特异性的CT检查辐射剂量自动分析方法、装置和电子设备。

背景技术

随着人们健康意识的提高，CT筛查者的人群及检查频次逐年增加，且受检者对CT产生的辐射剂量大小及导致的致癌风险关注度越来越高。因此，CT筛查者所接受的辐射剂量水平更需要特别关注。

现有技术中，对于CT辐射剂量估算通常采用容积CT剂量指数(volume CT doseindex，CTDIvol)和剂量长度乘积(dose length product，DLP)作为评价指标，其更多地反映的是设备输出辐射剂量水平，不能真实地反映受检者接受的辐射剂量水平，这是因为在CT筛查中，常规辐射剂量评价指标CTDIvol严重低估受检者的辐射剂量，且随BMI降低，CTDIvol低估的程度反而增大。

在剂量评估计算过程中，WED手工勾画是一个临床应用难题，选择扫描范围中心层面作为胸部体型特异性代表显然不够准确。

因此选择更适合的辐射剂量评估方法来估算LDCT肺癌筛查者的辐射剂量显得尤为重要。

发明内容

为了解决上述问题，本申请提出一种基于体型特异性的CT检查辐射剂量自动分析方法、装置和电子设备。

本申请一方面，提出一种基于体型特异性的CT检查辐射剂量自动分析方法，采用pytorch框架中的Dataset对CT图像进行自动化分割和提取处理，包括如下步骤：

基于pytorch框架，构建Niigz_dataset；

输入CT文件，利用所述Niigz_dataset对输入的所有CT文件进行路径识别并返回CT识别结果；

构建getitem函数，利用所述getitem函数对每个CT文件进行读取和自动化分割，得到身体分割图像；

采用预设的图像预处理方法对所述身体分割图像进行处理，得到CT筛查者的辐射剂量CT图像。

作为本申请的一可选实施方案，可选地，输入CT文件，利用所述Niigz_dataset对输入的所有CT文件进行路径识别并返回CT识别结果，包括：

输入CT文件至所述Niigz_dataset；

进行初始化__init__，获取所述CT文件的属性信息；

根据属性信息获取所述CT文件的文件夹路径；

构建__len__函数，返回所述CT文件的总数。

作为本申请的一可选实施方案，可选地，构建getitem函数，利用所述getitem函数对每个CT文件进行读取和自动化分割，得到身体分割图像，包括：

预设getitem函数构建机制；

基于所述getitem函数构建机制，建立构成所述getitem函数的如下两个函数：

文件读取与预处理函数，用于CT文件读取，得到nii数据；

分割身体区域函数，用于对nii数据中的CT数据进行自动化分割处理，得到身体分割图像。

作为本申请的一可选实施方案，可选地，所述文件读取与预处理函数的应用方法，包括：

从patient_list中获取患者i的Nii文件路径；

用SimpleITK这个包进行读取，得到nii数据。

作为本申请的一可选实施方案，可选地，所述文件读取与预处理函数的应用方法，还包括：

将所述nii数据进行转换，得到numpy.array类型的CT数据；numpy.array类型的CT数据是一个三维矩阵N，形状为[D，H，W]，分别表示深度、长度以及宽度；

根据需求决定是否重新采样，若不需要，则将numpy.array类型的CT数据发送至分割身体区域函数。

作为本申请的一可选实施方案，可选地，所述分割身体区域函数的应用方法，包括：

预设分割阈值；

接收CT数据，并利用threshold，按照所述分割阈值将CT图像分割为前景和背景。

作为本申请的一可选实施方案，可选地，采用预设的图像预处理方法对所述身体分割图像进行处理，得到CT筛查者的辐射剂量CT图像，包括：

预设开闭操作规则；

按照所述开闭操作规则，对所述前景和所述背景的图像进行开闭操作，清除多余的图像杂质；

获取所有前景的最大连通域，得到作为前景的身体组织区域图像，并以空气区域作为背景；

采用洪泛法，对所述身体组织区域图像进行洪泛处理，得到初步的CT筛查者的辐射剂量CT图像。

作为本申请的一可选实施方案，可选地，采用预设的图像预处理方法对所述身体分割图像进行处理，得到CT筛查者的辐射剂量CT图像，还包括：

对所述辐射剂量CT图像的左上角和右下角，分别进行两次洪泛，得到最终的身体区域掩膜；

将所述身体区域掩膜进行保存，得到最终的CT筛查者的辐射剂量CT图像。

本申请另一方面，提出一种实现所述的基于体型特异性的CT检查辐射剂量自动分析方法的装置，包括：

Niigz_dataset构建模块，用于基于pytorch框架，构建Niigz_dataset；

CT识别模块，用于输入CT文件，利用所述Niigz_dataset对输入的所有CT文件进行路径识别并返回CT识别结果；

getitem模块，用于构建getitem函数，利用所述getitem函数对每个CT文件进行读取和自动化分割，得到身体分割图像；

CT图像分割模块，用于采用预设的图像预处理方法对所述身体分割图像进行处理，得到CT筛查者的辐射剂量CT图像。

本申请另一方面，还提出一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述可执行指令时实现所述的一种基于体型特异性的CT检查辐射剂量自动分析方法。

本发明的技术效果：

本申请通过基于pytorch框架，构建Niigz_dataset；输入CT文件，利用所述Niigz_dataset对输入的所有CT文件进行路径识别并返回CT识别结果；构建getitem函数，利用所述getitem函数对每个CT文件进行读取和自动化分割，得到身体分割图像；采用预设的图像预处理方法对所述身体分割图像进行处理，得到CT筛查者的辐射剂量CT图像。通过软件编程的方法自动对CT图像进行分割提取，主要采用pytorch框架中的Dataset进行自动化处理，以及使用numpy、cv2对每个患者进行处理，分割出身体部分。本方法能够更精准地在全体素范围内利用全自动勾画软件进行估算，以克服在CT筛查中常规辐射剂量评价指标CTDIvol严重低估受检者的辐射剂量且随BMI降低CTDIvol低估程度增大的问题，够更好地体现体型差异及组织衰减特性，更加准确地评估CT筛查者的辐射剂量。作为一种新的辐射剂量评价方法，体型特异性扫描剂量评估(Size-Specific Dose Estimates，SSDE)能更好地估算成人及儿童CT辐射剂量的方法。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出为本发明基于体型特异性的CT检查辐射剂量自动分析方法的实施流程示意图；

图2示出为本发明getitem函数的功能模块应用系统组成图；

图3示出为本发明利用阈值将CT分割为前景和背景的效果示意图；

图4示出为本发明利用开闭操作清除多余的肺部组织与床板的效果示意图；

图5示出为本发明采用洪泛法擦除孔洞的效果图示意图；

图6示出为本发明电子设备的应用示意图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

本申请通过软件编程的方法自动对CT图像进行分割提取，主要采用pytorch框架中的Dataset进行自动化处理，以及使用numpy、cv2对每个患者进行处理，分割出身体部分。

本实施例，有关pytorch框架以及pytorch框架中的Dataset应用，本实施例不做描述。

实施例1

如图1所示，本申请一方面，提出一种基于体型特异性的CT检查辐射剂量自动分析方法，采用pytorch框架中的Dataset对CT图像进行自动化分割和提取处理，包括如下步骤：

S1、基于pytorch框架，构建Niigz_dataset；

S2、输入CT文件，利用所述Niigz_dataset对输入的所有CT文件进行路径识别并返回CT识别结果；

S3、构建getitem函数，利用所述getitem函数对每个CT文件进行读取和自动化分割，得到身体分割图像；

S4、采用预设的图像预处理方法对所述身体分割图像进行处理，得到CT筛查者的辐射剂量CT图像。

本方法可以对Dicom文件和Nii文件进行处理，为了方便，示例采用nii文件。

使用软件编程的方法自动对CT图像进行分割提取的过程如下：

作为本申请的一可选实施方案，可选地，输入CT文件，利用所述Niigz_dataset对输入的所有CT文件进行路径识别并返回CT识别结果，包括：

输入CT文件至所述Niigz_dataset；

进行初始化__init__，获取所述CT文件的属性信息；

根据属性信息获取所述CT文件的文件夹路径；

构建__len__函数，返回所述CT文件的总数。

首先，需要构建一个Dataset，用于对CT进行自动化的处理。

具体来说，构建Niigz_dataset这个类别，继承自Dataset类，具体Niigz_dataset的构建程序如下：

Class Niigz_dataset(Dataset):

def_init__(self,root)def->None:

super()._init_()

self.patients list＝os,listdir(root)self.root＝root

def_len_(self):

return len(self.patients_list)。

Niigz_dataset在进行初始化__init__时，需要将所有数据的路径传递给patients_list这个属性，root对应的是所有CT文件所在的文件夹路径。同时，需要构建__len__函数，返回CT的总数。

接下来构建getitem函数，利用getitem函数模块对CT图像进行分割处理。

如图2所示，基于getitem函数构建形成有两个功能模块，分别为文件读取与预处理模块和分割身体区域模块，分别对应文件读取与预处理、分割身体区域等两个函数。

作为本申请的一可选实施方案，可选地，构建getitem函数，利用所述getitem函数对每个CT文件进行读取和自动化分割，得到身体分割图像，包括：

预设getitem函数构建机制；

基于所述getitem函数构建机制，建立构成所述getitem函数的如下两个函数：

文件读取与预处理函数，用于CT文件读取，得到nii数据；

分割身体区域函数，用于对nii数据中的CT数据进行自动化分割处理，得到身体分割图像。

在getitem函数中，每个CT文件都会进行自动化的分割。具体来说，getitem函数由两个部分组成：文件读取与预处理、分割身体区域函数。这两个部分分别负责文件读取和自动化分割身体区域。

在文件读取与预处理部分，先从patient_list中获取患者i的Nii文件路径，再用SimpleITK这个包进行读取，因此可以根据路径读取得到nii数据，即nii格式的CT图像数据。

作为本申请的一可选实施方案，可选地，所述文件读取与预处理函数的应用方法，包括：

从patient_list中获取患者i的Nii文件路径；

用SimpleITK这个包进行读取，得到nii数据。

作为本申请的一可选实施方案，可选地，所述文件读取与预处理函数的应用方法，还包括：

将所述nii数据进行转换，得到numpy.array类型的CT数据；numpy.array类型的CT数据是一个三维矩阵N，形状为[D，H，W]，分别表示深度、长度以及宽度；

根据需求决定是否重新采样，若不需要，则将numpy.array类型的CT数据发送至分割身体区域函数。

为了利用numpy中的方法对图像进行分割，先将nii数据转换为numpy.array类型的数据，并根据需求决定是否进行重采样。numpy.array的数据，是一个三维矩阵N，形状为[D，H，W]，分别表示深度、长度以及宽度。

读取到了array类型的CT数据后，将该数据传入到segment_lung_mask方法中进行身体区域分割。

作为本申请的一可选实施方案，可选地，所述分割身体区域函数的应用方法，包括：

预设分割阈值；

接收CT数据，并利用threshold，按照所述分割阈值将CT图像分割为前景和背景。

如图3所示，在分割函数中，先利用threshold，将CT分为前景和背景。用阈值分割得到前景和背景，在图中，由前景和背景组成的结果中，存在比如多余的肺部组织和床板，因此需要图像预处理，将这些多余的肺部组织和床板清除。

作为本申请的一可选实施方案，可选地，采用预设的图像预处理方法对所述身体分割图像进行处理，得到CT筛查者的辐射剂量CT图像，包括：

预设开闭操作规则；

按照所述开闭操作规则，对所述前景和所述背景的图像进行开闭操作，清除多余的图像杂质；

获取所有前景的最大连通域，得到作为前景的身体组织区域图像，并以空气区域作为背景；

采用洪泛法，对所述身体组织区域图像进行洪泛处理，得到初步的CT筛查者的辐射剂量CT图像。

如图4所示，本方案利用开闭操作清除多余的肺部组织与床板。开闭操作规则由用户进行具体设定。

对于开闭操作的结果，可能仍然会有部分较大的肺部组织或者较厚的床板区域残留，为了去除这些残留的区域，获得所有前景的最大连通域即可。

前景的最大连通域为身体组织区域。

在得到单独的身体组织区域作为前景，空气区域作为背景后，还需要将肺部孔洞擦除。

作为本申请的一可选实施方案，可选地，采用预设的图像预处理方法对所述身体分割图像进行处理，得到CT筛查者的辐射剂量CT图像，还包括：

对所述辐射剂量CT图像的左上角和右下角，分别进行两次洪泛，得到最终的身体区域掩膜；

将所述身体区域掩膜进行保存，得到最终的CT筛查者的辐射剂量CT图像。

本方案，采用洪泛法擦除孔洞。

由于部分前景区域可能会将背景区域分成上下两个不连通的部分，因此，我们需要基于左上角和右下角，分别进行两次洪泛。

如图5所示，在得到最终的身体区域掩膜后，将其进行保存即可，得到CT筛查者的辐射剂量CT图像。

本实施例中，实现Dataset掩膜计算与保存所需要的执行代码，本实施例不做限定。

从辐射剂量CT图像上，可以准确地评估CT筛查者的辐射剂量。

因此，本申请通过pytorch框架中的Dataset进行自动化处理，以及使用numpy、cv2对每个患者进行处理，分割出身体部分。能够更精准地在全体素范围内利用全自动勾画软件进行估算，以克服在CT筛查中常规辐射剂量评价指标CTDIvol严重低估受检者的辐射剂量且随BMI降低CTDIvol低估程度增大的问题，够更好地体现体型差异及组织衰减特性，更加准确地评估CT筛查者的辐射剂量。

显然，本领域的技术人员应该明白，实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各控制的实施例的流程。本领域技术人员可以理解，实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各控制的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。

实施例2

基于实施例1的实施原理，本申请另一方面，提出一种实现所述的基于体型特异性的CT检查辐射剂量自动分析方法的装置，包括：

Niigz_dataset构建模块，用于基于pytorch框架，构建Niigz_dataset；

CT识别模块，用于输入CT文件，利用所述Niigz_dataset对输入的所有CT文件进行路径识别并返回CT识别结果；

getitem模块，用于构建getitem函数，利用所述getitem函数对每个CT文件进行读取和自动化分割，得到身体分割图像；

CT图像分割模块，用于采用预设的图像预处理方法对所述身体分割图像进行处理，得到CT筛查者的辐射剂量CT图像。

上述各个模块的功能和交互，具体参见实施例1的描述。

上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

实施例3

如图6所示，更进一步地，本申请另一方面，还提出一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述可执行指令时实现所述的一种基于体型特异性的CT检查辐射剂量自动分析方法。

本公开实施例来电子设备包括处理器以及用于存储处理器可执行指令的存储器。其中，处理器被配置为执行可执行指令时实现前面任一所述的一种基于体型特异性的CT检查辐射剂量自动分析方法。

此处，应当指出的是，处理器的个数可以为一个或多个。同时，在本公开实施例的电子设备中，还可以包括输入装置和输出装置。其中，处理器、存储器、输入装置和输出装置之间可以通过总线连接，也可以通过其他方式连接，此处不进行具体限定。

存储器作为一计算机可读存储介质，可用于存储软件程序、计算机可执行程序和各种模块，如：本公开实施例的一种基于体型特异性的CT检查辐射剂量自动分析方法所对应的程序或模块。处理器通过运行存储在存储器中的软件程序或模块，从而执行电子设备的各种功能应用及数据处理。

输入装置可用于接收输入的数字或信号。其中，信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置可以包括显示屏等显示设备。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。