骨扫描中肿瘤骨转移的图像识别方法技术

一种图像处理技术领域的骨扫描中肿瘤骨转移的图像识别方法，通过提取人体全身骨扫描图像，检测正反面信息。根据图像信息找到参考点，定位人体关键部位，将图像分成多个主要大块。在每个区域中采用各自的ARC热点检测算法，将热点区域提取出来。针对热点检测结果和原始图像，提取特征向量。然后针对提取的特征向量使用SVM训练模型。测试和修改所得的分类模型，同时对识别结果进行检验匹配和人体校准。从而得出正确的诊断报告。本发明专利技术与其他肿瘤骨转移的图像识别方法相比，提高了热点检测精确度和病患识别的准确度，弥补了国内在这一新兴领域的空白，同时为国内肿瘤骨转移诊断确立统一的诊断标准。

【技术实现步骤摘要】

本专利技术涉及一种图像处理
的方法，具体是一种骨扫描中肿瘤骨转移的图 像识别方法。
技术介绍
肿瘤研究以及治愈肿瘤病患是世界各个政府目前非常重视的问题，也是我国建设 和谐社会的一个重要方面。每年我国发生肿瘤新病例约160万，死亡130万。在死亡的每 100人中，约有18个人死于恶性肿瘤。肿瘤骨转移是恶性肿瘤最严重的危害之一，也是肿瘤 病人临床死亡的主要原因。骨转移是晚期肿瘤的常见疾病，许多类型的恶性肿瘤都可能发 生骨转移，一旦发生骨转移，多数病人无法有效医治。由于临床常规骨扫描流程中，操作流程和患者个体间差异性，基于不同医师读图 经验的肉眼判断标准不确定性，使得骨转移诊断准确率受限。同时大流量的患者使临床医 生的工作量不断上升，临床上迫切需要一种辅助诊断的图像识别系统，将骨转移诊疗标准 化的同时，提高诊疗的准确性和效率。经国内外专利和论文的检索发现，国内尚未发现该方面综合研究的报道，国外 部分国家刚开展这方面的研究。May Sadik等人于2009年发表于Nuclear Medical Jl 的 ife t improved classification of planar whole body bone scans using a computer-assisted diagnosis system(改进的基于计算机辅助诊断系统的平面全身骨 扫描识别方法)开发了一套全自动的骨扫描图像分析软件。主要工作是利用主动形状模 型方法对全身图像进行分割为4个区域、通过区域阈值获得可疑病灶并提取45个特征向 量输入到两组人工神经网络进行分类识别，但是该算法对假阴性的识别存在严重问题。 Jia-YannHuang 等人于 2007 年发表在 IEEE Transactions on Nuclear Science 上的论文 A Set of Image Processing Algorithms for Computer-Aided Diagnosis in Nuclear Medicine Whole Body Bone Scan Images (—组基于核医学全身骨扫描图像的计算机辅 助诊断图像处理算法)，提出了简易的区域定位方法利用灰度统计方法将人体分为23 个区域，并对每个区域进行热点检测进行了初步尝试。Luka Mjn等人于2007年发表于 Computerized Medical Imaging and Graphics 上的论文Computerized segmentation and diagnostics of whole-body bone scintigrams (基于全身骨扫描的分割与诊断)提出了 一种模板修正的方法，找到身体参考点和头部定位点，建立人体模板。通过调整某些身体畸 形的病患模型，从而更好地适于热点检测。但是并没有提出有效的热点检测和识别方法。
技术实现思路
本专利技术的目的在于针对现有技术的不足，提出一种在骨扫描中肿瘤骨转移的图像 识别方法，建立自动的CADs系统，结合肿瘤骨转移的图像诊断标准，定位人体区域，定位病 灶并区分病灶的良恶性，快速精确提取病灶点特征，自动对骨转移图像进行识别，以弥补国 内目前对骨扫描识别的空白。为实现上述目的，本专利技术首先提取人体全身骨扫描图像，检测正反面信息。根据图 像信息找到参考点，定位人体关键部位，将图像分成五个主要大块。在每个区域中采用各自 的 ARC 热点检测算法(Adaptive Region-Specific and Characteristic-Maximum-Based Hot Spot Detection Algorithm)，将热点区域提取出来。针对热点检测结果和原始图像，提 取特征向量。然后针对提取的特征向量使用SVM训练模型。测试和修改所得的分类模型， 同时对识别结果进行检验匹配和人体校准。从而得出正确的诊断报告，为医生提供一个准 确的参考，有效缩短了医生诊断时间，减轻了病人的痛苦。本专利技术是通过以下技术方案实现的，本专利技术包括以下步骤第一步，把医院PET-CT扫描得到的初始影像数据传入到计算机，确认前身扫描图 像和后身扫描图像，然后使用高斯滤波函数对骨扫描影像去噪，并对数据进行标准归一化， 使灰度变化在指定的范围内；第二步，对第一步处理后得到的骨扫描影像数据，利用前身扫描图像和后身扫描 图像的对称关系和人体特征关系，使用自适应的人体定位方法对骨扫描影像数据按照头 部、胸腔、脊柱、肩膀、盆腔和四肢共六个人体区块进行标定；第三步，对第二步所得到的各个区域的骨扫描影像数据进行遍历并寻找局部最大 值点作为可疑热点的候选点，然后对所有的候选点进行八邻域递归搜索，即将其周围像素 大于给定值的连通域初步标记为可疑热点，再对得到的可疑热点进行筛选，将连通域面积 低于特定阈值和位于干扰区域的可疑热点移除，得到热点区域的相关信息；第四步，对初始影像数据和第三步得到的热点区域的相关信息进行特征描述，并 根据可疑热点的空间信息，纹理信息和颜色信息提取特征向量后采用SVM分类方法学习训 练分类器并建立模型，然后根据标准模型来实现对热点区域的分类识别；当模型识别出热 点区域之后，对诊断出的热点区域进行体位校准，且当校准正确时确定准确的肿瘤骨转移 病变位置。所述的高斯滤波函数具体为权利要求1.一种，其特征在于，包括如下具体步骤第一步，把医院PET-CT扫描得到的初始影像数据传入到计算机，确认前身扫描图像和 后身扫描图像，然后使用高斯滤波函数对骨扫描影像去噪，并对数据进行标准归一化，使灰 度变化在指定的范围内；第二步，对第一步处理后得到的骨扫描影像数据，利用前身扫描图像和后身扫描图像 的对称关系和人体特征关系，使用自适应的人体定位方法对骨扫描影像数据按照头部、胸 腔、脊柱、肩膀、盆腔和四肢共六个人体区块进行标定；第三步，对第二步所得到的各个区域的骨扫描影像数据进行遍历并寻找局部最大值点 作为可疑热点的候选点，然后对所有的候选点进行八邻域递归搜索，即将其周围像素大于 给定值的连通域初步标记为可疑热点，再对得到的可疑热点进行筛选，将连通域面积低于 特定阈值和位于干扰区域的可疑热点移除，得到热点区域的相关信息；第四步，对初始影像数据和第三步得到的热点区域的相关信息进行特征描述，并根据 可疑热点的空间信息，纹理信息和颜色信息提取特征向量后采用SVM分类方法学习训练分 类器并建立模型，然后根据标准模型来实现对热点区域的分类识别；当模型识别出热点区 域之后，对诊断出的热点区域进行体位校准，且当校准正确时确定准确的肿瘤骨转移病变 位置。2.根据权利要求1所述的，其特征是，所述的高 斯滤波函数具体为G(u,T7) =^6_("2+”2)/(2〃2)，其中r是模糊半径r2 = u2+v2, σ是正态 分布的标准偏差。3.根据权利要求1所述的，其特征是，所述的自 适应的人体定位方法具体包括以下步骤2. 1)定位头顶参考线从上到下遍历图像数据P (χ，y)，将不为零的第一行为头顶参考线 Lhead ‘2. 2)定位脖子参考线从Lhead往下遍历的15% H，从左边和右边分别找到第一个不 为零的点l(x，y)和r(x，y)，其中H为图像高度，数组distanced，!·)本文档来自技高网...

【技术保护点】
一种骨扫描中肿瘤骨转移的图像识别方法，其特征在于，包括如下具体步骤：第一步，把医院ＰＥＴ－ＣＴ扫描得到的初始影像数据传入到计算机，确认前身扫描图像和后身扫描图像，然后使用高斯滤波函数对骨扫描影像去噪，并对数据进行标准归一化，使灰度变化在指定的范围内；第二步，对第一步处理后得到的骨扫描影像数据，利用前身扫描图像和后身扫描图像的对称关系和人体特征关系，使用自适应的人体定位方法对骨扫描影像数据按照：头部、胸腔、脊柱、肩膀、盆腔和四肢共六个人体区块进行标定；第三步，对第二步所得到的各个区域的骨扫描影像数据进行遍历并寻找局部最大值点作为可疑热点的候选点，然后对所有的候选点进行八邻域递归搜索，即将其周围像素大于给定值的连通域初步标记为可疑热点，再对得到的可疑热点进行筛选，将连通域面积低于特定阈值和位于干扰区域的可疑热点移除，得到热点区域的相关信息；第四步，对初始影像数据和第三步得到的热点区域的相关信息进行特征描述，并根据可疑热点的空间信息，纹理信息和颜色信息提取特征向量后采用ＳＶＭ分类方法学习训练分类器并建立模型，然后根据标准模型来实现对热点区域的分类识别；当模型识别出热点区域之后，对诊断出的热点区域进行体位校准，且当校准正确时确定准确的肿瘤骨转移病变位置。...

【技术特征摘要】

【专利技术属性】
技术研发人员：康飞龙，杨杰，黄钢，朱羽苑，王强，常青青，戴嘉境，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：31