一种胸部CT图像肺结节微小血管定量分析方法和装置制造方法及图纸

本发明专利技术属于医疗图像处理技术领域，具体涉及一种胸部CT图像肺结节微小血管定量分析方法和装置。本发明专利技术的分析方法包括如下步骤：步骤1，对胸部CT图像进行预处理；步骤2，采用卷积神经网络模型分割所述胸部CT图像，得到肺气道、肺血管和肺组织的图像；步骤3，采用所述卷积神经网络模型检测所述胸部CT图像中的肺结节，并提取病灶，对所述病灶周围和肺结节内的微小血管进行提取；步骤4，根据步骤3的提取结果计算得到微小血管密度值。本发明专利技术还提供了适用于上述分析方法的装置。本发明专利技术能够无创、快速、准确三维可视化显示肺结节中及病灶周围的微小血管密度值，并提供精准定量化的数据。具有重要的临床和社会经济学价值。有重要的临床和社会经济学价值。有重要的临床和社会经济学价值。

【技术实现步骤摘要】
一种胸部CT图像肺结节微小血管定量分析方法和装置


[0001]本专利技术属于医疗图像处理
，具体涉及一种胸部CT图像肺结节微小血管定量分析方法和装置。

技术介绍

[0002]肺癌是当今死亡率最高的恶性肿瘤，提高肺癌诊疗水平是肿瘤诊疗最重要的课题之一。计算机X线横断体层扫描(computed tomography,CT)技术已经成为迄今肺癌无创性、常规检查的主要手段之一。CT成像技术具有成像速度快、胸部图像分辨率高和低剂量扫描，通过成像后图像的后处理技术能够为临床提供丰富的信息。特别是最近几年，随着人工智能技术的快速发展，采用深度学习自动检测CT图像肺结节并对其良恶性进行判断的方法得到不断完善和提高，极大推动肺结节临床诊断和进一步深入研究。
[0003]胸部CT图像能够提供肺结节大小、位置、形态，以及与周围组织的关系，为肺结节鉴别诊断提供临床信息。但是，仅仅从这些视觉可见的形态学信息很难对肺结节进行精准的鉴别诊断。肺癌发生和发展过程中伴随组织内新生血管的异常增长，检出和监测肺结节组织中微血管分别和数量变化对于肺结节鉴别诊断，肺癌疗效评估具有重要的临床价值。临床工作中可以通过CT增强获得肺结节血管信息，但是目前这些都是通过非常繁琐流程仅仅获得定性分析的参数结果。影像组学可以提取肺结节血管的特征，但是无法直接获得肺结节血管形态学和精准定量化的信息。一些针对血管内皮细胞靶点的分子探针可以在活体显示组织小血管，但是分子影像技术无法提供血管形态的信息，而且受到成本和分子探针供应的限制无法普及化试用。
[0004]微小血管密度值(Microvessel Density,MVD)是一种定量表征微小血管分布密度的参数。目前，获得肺结节MVD结果都是从组织病理获得，但是，很难在术中获得整体肺癌组织，对于治疗监测过程获得肿瘤组织学信息更加困难。因此，如何快速、精准通过获得肺结节可视化、精准定量化MVD在技术和方法上是均面临巨大的挑战。
[0005]机器学习技术目前已经较为广泛地应用于医疗领域，辅助医生进行疾病的诊断和治疗方案的选取。对于医学图像中血管的分割和处理等任务，目前已有相关研究。中国专利技术专利申请“CN113205524A基于U
‑
Net的血管图像分割方法、装置和设备”公开了利用卷积神经网络模型对医学图像的血管进行分割的方法。然而，目前的机器学习方法还无法对医学图像中的微小血管进行分割和定量。因此，如何采用合适的模型和方法实现对微小血管的定量分析，计算得到MVD等参数，这仍然是本领域亟需解决的问题。

技术实现思路

[0006]针对现有技术的问题，本专利技术提供一种胸部CT图像肺结节微小血管定量分析方法和装置，目的在于实现无创、快速、准确三维可视化显示肺结节MVD的技术。
[0007]一种基于卷积神经网络的胸部CT图像肺结节微小血管精准定量分析方法，包括如下步骤：
[0008]步骤1，对胸部CT图像进行预处理；
[0009]步骤2，采用卷积神经网络模型分割所述胸部CT图像，得到肺气道、肺血管和肺组织的图像；
[0010]步骤3，采用所述卷积神经网络模型检测所述胸部CT图像中的肺结节，并提取病灶，对所述病灶周围和肺结节内的微小血管进行提取；
[0011]步骤4，根据步骤3的提取结果计算得到微小血管密度值。
[0012]优选的，所述胸部CT图像为平扫描图像或增强图像。
[0013]优选的，步骤1中，所述预处理的方法包括裁剪、重采样和降低噪音处理中的至少一种。
[0014]优选的，步骤2中，分割出肺气道、血管和肺组织后，进行空洞填充、腐蚀和膨胀处理，得到所述肺气道、血管和肺组织的图像。
[0015]优选的，步骤2和步骤3中，所述卷积神经网络模型选自Dense
‑
Vnet神经网络。
[0016]优选的，步骤4中，计算所述微小血管密度值的方法包括如下步骤：
[0017]步骤4.1，对步骤3得到的肺结节的图像进行影像组学处理，获得一阶体素特征；
[0018]步骤4.2，在分割的肺组织中，得到结节位置，根据种子点分割肺结节对应区域感兴趣区；
[0019]步骤4.3，按照肺结节组织实性比例，选择阈值对肺血管、肺结节、肺结节一阶体素影像特征图像进行运算获得肺结节周围的微小血管密度值和/或肺结节中的微小血管密度值。
[0020]优选的，步骤4.2中，所述结节位置采用3D Deep Leaky Noisy模型计算得到。
[0021]优选的，步骤4中还包括如下步骤：
[0022]步骤4.4，根据步骤4.3的计算结果，得到肺结节MVD平均值、MVD中心值、MVD周边值、MVD边缘值。
[0023]本专利技术还提供一种基于卷积神经网络的胸部CT图像肺结节微小血管精准定量分析装置，用于实现上述分析方法，包括：
[0024]第一获得单元，用于通过从CT设备或医疗单位网络系统获得胸部CT扫描的图像数据；
[0025]第一执行单元，用于对胸部CT图像进行预处理；
[0026]第二执行获得单元，用于采用卷积神经网络模型分割所述胸部CT图像，获得肺血管、肺结节和病灶的图像；
[0027]第三执行单元，用于计算得到微小血管密度值。
[0028]本专利技术还提供一种计算机可读存储介质，其上存储有用于实现上述分析方法的计算机程序。
[0029]本专利技术中，参数命名的含义如下：
[0030]“肺结节MVD平均值”代表实际病灶体积的平均MVD值。
[0031]“肺结节MVD中心值”和“肺结节MVD周边值”：如果结节直径小于20mm，则周边和中心的边缘将位于结节半径的中间，即1/4直径处；如果结节直径大于等于20mm，则周边和中心的边缘将位于结节边界向内收缩10mm处。MVD中心值和周边值以百分比表示，加起来为100％。
[0032]“MVD边缘值”指结节外扩2mm部分加上扣除结节中心的部分。
[0033]本专利技术提供一种基于神经网络技术对胸部CT图像进行分析的方法，具体步骤包括预处理，然后对胸部解剖结构(气道、血管和肺组织)进行分割，检测和分割肺部结节，并提取肺结节微小血管，然后计算肺结节微小血管密度。该方法适用于所有的多排螺旋CT扫描设备，可用于平扫描或增强CT图像，能够无创、快速、准确三维可视化显示肺结节MVD，并提供精准定量化的数据。具有重要的临床和社会经济学价值。
[0034]显然，根据本专利技术的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本专利技术上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
[0035]以下通过实施例形式的具体实施方式，对本专利技术的上述内容再作进一步的详细说明。但不应将此理解为本专利技术上述主题的范围仅限于以下的实例。凡基于本专利技术上述内容所实现的技术均属于本专利技术的范围。
附图说明
[0036]图1为本专利技术实施例1中分析方法的流程示意图；
[0037]图2为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的胸部CT图像肺结节微小血管精准定量分析方法，其特征在于，包括如下步骤：步骤1，对胸部CT图像进行预处理；步骤2，采用卷积神经网络模型分割所述胸部CT图像，得到肺气道、肺血管和肺组织的图像；步骤3，采用所述卷积神经网络模型检测所述胸部CT图像中的肺结节，并提取病灶，对所述病灶周围和肺结节内的微小血管进行提取；步骤4，根据步骤3的提取结果计算得到微小血管密度值。2.按照权利要求1所述的分析方法，其特征在于：所述胸部CT图像为平扫描图像或增强图像。3.按照权利要求1所述的分析方法，其特征在于：步骤1中，所述预处理的方法包括裁剪、重采样和降低噪音处理中的至少一种。4.按照权利要求1所述的分析方法，其特征在于：步骤2中，分割出肺气道、血管和肺组织后，进行空洞填充、腐蚀和膨胀处理，得到所述肺气道、血管和肺组织的图像。5.按照权利要求1所述的分析方法，其特征在于：步骤2和步骤3中，所述卷积神经网络模型选自Dense
‑
Vnet神经网络。6.按照权利要求1所述的分析方法，其特征在于：步骤4中，计算所述微小血管密度值的方法包括如下步骤：步骤4.1，对步骤3得到的肺结节的图像进行影像组学处理，获得一阶体素特征；步骤4.2，在分割的肺组织...

【专利技术属性】
技术研发人员：张瑞，李为民，陈勃江，
申请(专利权)人：四川大学华西医院，
类型：发明
国别省市：