一种脑神经医疗影像胶质瘤区域快速标记方法及系统技术方案

本发明专利技术公开了一种脑神经医疗影像胶质瘤区域快速标记方法及系统，包括内嵌于计算机中的医疗影像读取模块、滤波模块、胶质瘤自动识别模型、判定模块和标记区域形成模块；读取包含有单层医疗影像切片的医疗影像数据文件；针对单层医疗影像数据进行滤波，得到其颜色空间集合；采用建立好的胶质瘤自动识别模型对胶质瘤区域自动预测，得到预测胶质瘤区域；选取预测胶质瘤区域中的各标记点，采用逐一对每一标记点向其数据数组四周扩散方法寻找与之匹配的胶质瘤区域中的其余标记点，得到匹配的有效标记点集合即为胶质瘤标记区域。本发明专利技术通过创新算法辅助医生标注方式，自动判断肿瘤范围，不要求精确标注肿瘤边缘，从而实现快速准确标注胶质瘤累及范围。确标注胶质瘤累及范围。确标注胶质瘤累及范围。

【技术实现步骤摘要】
一种脑神经医疗影像胶质瘤区域快速标记方法及系统


[0001]本专利技术属于胶质瘤
，具体涉及一种脑神经医疗影像胶质瘤区域快速标记方法及系统。

技术介绍

[0002]脑胶质瘤的术前临床诊断主要依靠核磁共振成像，在核磁共振不同序列的图像上，可以看到脑胶质瘤呈现异常信号。研究胶质瘤影像学特点时，需要有经验的医生和研究人员手工标注脑胶质瘤的累及区域，从而提取其区域内的影像学特征。传统的标注方法为医生在每一层磁共振图像上，沿肿瘤边缘手工标记出肿瘤累及区域，但是，肿瘤常累及数层至数十层图像，这样逐层的标注操作耗时长、效率低，不利于医学诊疗与研究应用。

技术实现思路

[0003]为了解决上述所存在的技术问题，提高对脑胶质瘤累及区域标注的效率，本专利技术提供了一种脑神经医疗影像胶质瘤区域快速标记方法及系统，采用创新算法辅助医生快速完成脑胶质就累及区域的标记。
[0004]所采用的技术方案如下：
[0005]一方面，本专利技术提供了一种脑神经医疗影像胶质瘤区域快速标记方法，所述方法包括如下步骤：
[0006]步骤1，读取包含有单层医疗影像切片的医疗影像数据文件；
[0007]步骤2，针对单层医疗影像数据S进行滤波，得到其颜色空间集合C；
[0008]步骤3，采用建立好的胶质瘤自动识别模型对滤波后的单层医疗影像数据进行胶质瘤区域自动预测，得到预测胶质瘤区域；
[0009]步骤4，选取预测胶质瘤区域中的各标记点，采用逐一对每一标记点向其数据数组四周扩散方法寻找与之匹配的胶质瘤区域中的其余标记点；
[0010]步骤5，将匹配的有效标记点加入胶质瘤区域的有效标记点集合直至完成预测胶质瘤区域中所有标记点的访问，所得最终集合即为胶质瘤标记区域。
[0011]进一步地，还包括针对多层医疗影像数据S的快速标注方法，具体方法是：
[0012]步骤6，重复步骤1至步骤3，依次完成每层医疗影像切片的读取和滤波，得到C
m
，C
m+1
…
C
n
，m＜n；其中的C
m
为第m层的颜色空间集合；
[0013]步骤7，对每层医疗影像切片中坐标相同的标记点P
m
,P
m+1
…
P
n
，都执行步骤4和步骤5，得到各层医疗影像数据中的胶质瘤标记区域。
[0014]优选地，所述步骤2中所采用的滤波方法是：
[0015]采用遍历单层医疗影像数据S中的每一项s，得到最大值s
max
和最小值s
min
；采用下述滤波函数对单层医疗影像数据S进行滤波处理，得到相应的识别影像：
[0016][0017]其中g为滤波参数，优选取值为2.2，其中的s为医疗影像数据S中的其一元素，包含有颜色和坐标信息。
[0018]进一步优选地，所述步骤3中建立胶质瘤自动识别模型的方法是：
[0019]获取若干例胶质瘤患者数据信息，并进行人工胶质瘤区域标注；
[0020]通过深度学习算法，针对已标注好的胶质瘤进行建模，得到胶质瘤自动识别的UNet模型。
[0021]进一步优选地，所述步骤3中基于BRATS数据库，将训练好的UNet模型进行预测胶质瘤大致区域。
[0022]优选地，所述步骤4中采用逐一对每一标记点向其数据数组四周扩散方法寻找与之匹配的临近标记点，其方法是：在预测胶质瘤区域中选取起始标记点p；从胶质瘤颜色空间集合C中得到标记点p处颜色值c
p
及坐标(x
p
，y
p
)；设置匹配算法阈值k；选取与起始标记点p相对应的四周临近标记点q，根据如下判定公式判定临近标记点q是否为有效标记点：
[0023]k
‑
|c
q
‑
c
p
|＞＝0
[0024]若符合上式关系，则将临近标记点q作为有效标记点加入胶质瘤区域的有效标记点集合否则不加入。
[0025]优选地，所述步骤1中读取的医疗影像数据文件为NIFTI协议文件或DICOM文件。
[0026]另一方面，本专利技术还提供了一种脑神经医疗影像胶质瘤区域快速标记系统，所述系统包括：医疗影像读取模块，用于读取包含有单层医疗影像切片的医疗影像数据文件；
[0027]滤波模块，其对单层医疗影像数据S进行滤波处理，得到颜色空间集合C；
[0028]胶质瘤自动识别模型，其对滤波后的单层医疗影像数据S进行胶质瘤区域预测；
[0029]判定模块，对预测胶质瘤区域中的各标记点是否为有效标记点做出判定；
[0030]标记区域形成模块，集合所有被判定为有效的标记点，形成胶质瘤标记区域。
[0031]优选地，所述胶质瘤自动识别模型为通过Unet方法建立的Unet模型。
[0032]进一步优选地，所述医疗影像读取模块还包括用于读取多层医疗影像切片的医疗影像数据文件。
[0033]本专利技术技术方案具有如下优点：
[0034]A.本专利技术通过创新算法辅助医生标注方式，采用预先训练好的UNet模型对新的医疗影像数据进行胶质瘤大致区域预测，然后在其预测区域内通过选择起始位置点，根据胶质瘤区域信号异常的图像特点，自动判断剩余区域的肿瘤范围，不要求精确标注肿瘤边缘，从而实现快速准确标注胶质瘤累及范围。
[0035]B.本专利技术只需要在单层上选择预测胶质瘤区域内的起始位置，即可在所有层面内寻找肿瘤边界，从而实现多次面三维标注，效率高，大大降低医生的劳动强度。
[0036]C.由于脑胶质瘤的形状多为接近椭球的不规则体，以往的辅助标注通常是半自动化标注，需要医师先标出肿瘤内区域，再标出肿瘤外区域，然后利用图像灰度值的差别寻找肿瘤边界，本专利技术方法利用Unet模型先自动识别肿瘤大致边界，再利用边界识别算法确定最终边界，从而实现从半自动肿瘤标记到全自动肿瘤标记的提升。
附图说明
[0037]为了更清楚地说明本专利技术具体实施方式，下面将对具体实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，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。
[0038]图1是本专利技术所提供的快速标记方法流程图；
[0039]图2是本专利技术所提供的快速标记系统组成图；
[0040]图3是本专利技术中输入的单层医疗影像切片的医疗影像；
[0041]图4是本专利技术中识别并使用默认阈值结果影像；
[0042]图5是调整阈值后的结果影像。
具体实施方式
[0043]下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脑神经医疗影像胶质瘤区域快速标记方法，其特征在于，所述方法包括如下步骤：步骤1，读取包含有单层医疗影像切片的医疗影像数据文件；步骤2，针对单层医疗影像数据S进行滤波，得到其颜色空间集合C；步骤3，采用建立好的胶质瘤自动识别模型对滤波后的单层医疗影像数据进行胶质瘤区域自动预测，得到预测胶质瘤区域；步骤4，选取预测胶质瘤区域中的各标记点，采用逐一对每一标记点向其数据数组四周扩散方法寻找与之匹配的胶质瘤区域中的其余标记点；步骤5，将匹配的有效标记点加入胶质瘤区域的有效标记点集合直至完成预测胶质瘤区域中所有标记点的访问，所得最终集合即为胶质瘤标记区域。2.根据权利要求1所述的脑神经医疗影像胶质瘤区域快速标记方法，其特征在于，还包括针对多层医疗影像数据S的快速标注方法，具体方法是：步骤6，重复步骤1至步骤3，依次完成每层医疗影像切片的读取和滤波，得到C
m
，C
m+1
…
C
n
，m＜n；步骤7，对每层医疗影像切片中坐标相同的标记点P
m
,P
m+1
…
P
n
，都执行步骤4和步骤5，得到各层医疗影像数据中的胶质瘤标记区域。3.根据权利要求1或2所述的脑神经医疗影像胶质瘤区域快速标记方法，其特征在于，所述步骤2中所采用的滤波方法是：采用遍历单层医疗影像数据S中的每一项s，得到最大值s
max
和最小值s
min
；采用下述滤波函数对单层医疗影像数据S进行滤波处理，得到相应的识别影像：其中g为滤波参数，优选取值为2.2。4.根据权利要求3所述的脑神经医疗影像胶质瘤区域快速标记方法，其特征在于，所述步骤3中建立胶质瘤自动识别模型的方法是：获取若干例胶质瘤患者数据信息，并进行人工胶质瘤区域标注；通过深度学习算法，针对已标注好的胶质瘤进行建模，得到胶质瘤自动识别的U...

【专利技术属性】
技术研发人员：王引言，胡杰，李天石，严泽亚，江涛，
申请(专利权)人：北京市神经外科研究所，
类型：发明
国别省市：