图片简介:
本技术介绍了一种肺部CT影像数据分割方法及系统，属于医学图像处理和人工智能技术领域。所述方法包括：标注肺部轮廓与目标区域，并对影像数据作数值裁剪和归一化处理；利用第一神经网络进行训练学习，得到肺部轮廓分割模型；提取出肺部轮廓，确定肺部感兴趣区域，并作数值裁剪和归一化处理；将肺部感兴趣区域裁剪，并利用第二神经网络进行训练学习，得到肺部目标区域分割模型；根据影像数据和肺部目标区域分割模型，分割出肺部目标区域。所述系统包括标注模块、第一裁剪归一化模块、第一训练学习模块、第二裁剪归一化模块、第二训练学习模块和检测模块。本技术提高了肺部CT影像数据的处理效率，可快速地分割出肺部CT影像数据中的目标区域。
技术要求
1.一种肺部CT影像数据分割方法，其特征在于，包括：
在肺部CT平扫影像数据中标注肺部轮廓与目标区域，并对所述影像数据作数值裁剪和归一化处理；
使用归一化处理后的影像数据和已标注的肺部轮廓数据，利用第一神经网络进行训练学习，得到肺部轮廓分割模型；
根据所述肺部轮廓分割模型提取出肺部轮廓，以所述肺部轮廓外接立方体作为肺部感兴趣区域，并对所述肺部感兴趣区域作数值裁剪和归一化处理；
将归一化处理后的肺部感兴趣区域进行裁剪，并使用裁剪后的肺部感兴趣区域数据和已标注的目标区域，利用第二神经网络进行训练学习，得到肺部目标区域分割模型；
根据所述影像数据和肺部目标区域分割模型，分割出肺部目标区域。
2.如权利要求1所述的肺部CT影像数据分割方法，其特征在于，所述在肺部CT平扫影像数据中标注肺部轮廓与目标区域的步骤具体包括：
获取肺部CT平扫影像数据，并清洗所述影像数据；
采用手工勾勒标注法在清洗后的影像数据中标注肺部轮廓与目标区域。
3.如权利要求1所述的肺部CT影像数据分割方法，其特征在于，所述对所述影像数据作数值裁剪和归一化处理的步骤具体包括：
调整所述影像分辨率至第一分辨率统一值；
根据预设的第一灰度值裁剪范围裁剪所述影像的数值矩阵，对所述影像的数值矩阵中的数据进行归一化处理，使裁剪后的所述影像的数值矩阵中所有数值变为0-1之间的一个数值。
4.如权利要求3所述的肺部CT影像数据分割方法，其特征在于，所述对所述肺部感兴趣区域作数值裁剪和归一化处理的步骤具体包括：
调整所述肺部感兴趣区域分辨率至第二分辨率统一值；
根据预设的第二灰度值裁剪范围裁剪所述肺部感兴趣区域数值矩阵，对所述肺部感兴趣区域数值矩阵中的数据进行归一化处理，使裁剪后的所述肺部感兴趣区域数值矩阵中所有数值变为0-1之间的一个数值。
5.如权利要求4所述的肺部CT影像数据分割方法，其特征在于，所述第一和第二分辨率统一值均设定为[1mm，1mm，2.5mm]，所述第一灰度值裁剪范围设定为[-200,400]，所述第二灰度值裁剪范围设定为[-1200,600]。
6.如权利要求1所述的肺部CT影像数据分割方法，其特征在于，所述第一神经网络为3D-Unet网络，所述3D-Unet网络训练过程中使用的损失函数包括dice-loss和Focal-loss；所述第二神经网络为加入attention机制的3D-Unet网络。
7.一种肺部CT影像数据分割系统，其特征在于，包括：
标注模块，用于在肺部CT平扫影像数据中标注肺部轮廓与目标区域；
第一裁剪归一化模块，用于对所述影像数据作数值裁剪和归一化处理；
第一训练学习模块，用于使用所述第一裁剪归一化模块处理后的影像数据和所述标注模块已标注的肺部轮廓数据，利用第一神经网络进行训练学习，得到肺部轮廓分割模型；
第二裁剪归一化模块，用于根据所述第一训练学习模块得到的肺部轮廓分割模型提取出肺部轮廓，以所述肺部轮廓外接立方体作为肺部感兴趣区域，并对所述肺部感兴趣区域作数值裁剪和归一化处理；
第二训练学习模块，用于将所述第二裁剪归一化模块处理后的肺部感兴趣区域进行裁剪，并使用裁剪后的肺部感兴趣区域数据和所述标注模块已标注的目标区域，利用第二神经网络进行训练学习，得到肺部目标区域分割模型；
分割模块，用于根据所述影像数据和肺部目标区域分割模型，分割出肺部目标区域。
8.如权利要求7所述的肺部CT影像数据分割系统，其特征在于，所述标注模块包括：
获取单元，用于获取肺部CT平扫影像数据；
清洗单元，用于清洗所述获取单元获取的影像数据，去除存在伪影和/或扭曲变形的CT平扫影像数据；
标注单元，用于采用手工勾勒标注法在所述清洗单元清洗后的影像数据中标注肺部轮廓与目标区域。
9.如权利要求8所述的肺部CT影像数据分割系统，其特征在于，所述第一裁剪归一化模块包括：
第一设置单元，用于预设第一灰度值裁剪范围；
第一调整单元，用于调整所述影像分辨率至第一分辨率统一值；
第一裁剪单元，根据所述第一设置单元预设的第一灰度值裁剪范围裁剪所述影像的数值矩阵；
第一归一化单元，用于将所述第一裁剪单元裁剪后的所述影像的数值矩阵中所有数值变为0-1之间的一个数值。
10.如权利要求9所述的肺部CT影像数据分割系统，其特征在于，所述第二裁剪归一化模块包括：
提取单元，用于根据所述第一训练学习模块得到的肺部轮廓分割模型提取出肺部轮廓；第二设置单元，用于预设第二灰度值裁剪范围；
建立单元，用于以所述提取单元提取的肺部轮廓外接立方体作为肺部感兴趣区域；
第二调整单元，用于调整所述建立单元确定的肺部感兴趣区域分辨率至第二分辨率统一值；
第二裁剪单元，用于根据所述第二设置单元预设的第二灰度值裁剪范围裁剪所述肺部感兴趣区域数值矩阵；
第二归一化单元，用于将所述第二裁剪单元裁剪后的所述肺部感兴趣区域数值矩阵中所有数值变为0-1之间的一个数值。
技术说明书
一种肺部CT影像数据分割方法及系统
技术领域
本技术涉及医学图像处理和人工智能技术领域，特别涉及一种肺部CT影像数据分割方法及系统。
背景技术
影像是CT设备使用X射线束对人体某部一定厚度的层面进行扫描，由探测器接收透过该层面的X射线，转变为可见光后，由光电转换变为电信号，再经模拟/数字转换器转化为数字信号，输入计算机处理。CT影像技术在医学检查上得到了广泛的应用，尤其对CT影像中的目标检测已经成为多种疾病诊断的前置步骤。
目前，对于肺部CT影像中的目标检测主要是通过医生的肉眼进行查看，这种检测方法依赖医生对目标区域的检测经验，并且医生阅读肺部CT影像耗费时间长、速度慢、效率低，不同医生对目标区域的判断结果各不相同。近期随着新型冠状病毒的快速蔓延，被感染的新冠肺炎患者急剧增加。由于新冠病毒感染者的肺部CT影像表征要早于临床表征，因此普遍采用肺部CT平扫检查为主。新冠疫情环境下，医疗资源紧缺，疫情重灾区每日有近千名患者排队等待肺部CT检查，由于没有足够多的医生来阅读大量的CT影像，并且人工阅读CT影像速度慢、效率低，增加了患者院内排队等候检查时间，容易引发交叉感染，贻误病情。针对新冠肺炎病毒疫情，急需一种能够快速处理肺部CT影像数据的方法，以替代现有人工阅读肺部CT影像数据的方式。
技术内容
为了解决现有人工阅读肺部CT影像数据耗费时间长、速度慢、效率低等问题，本技术提供了一种肺部CT影像数据分割方法，包括：
在肺部CT平扫影像数据中标注肺部轮廓与目标区域，并对所述影像数据作数值裁剪和归一化处理；
使用归一化处理后的影像数据和已标注的肺部轮廓数据，利用第一神经网络进行训练学习，得到肺部轮廓分割模型；
根据所述肺部轮廓分割模型提取出肺部轮廓，以所述肺部轮廓外接立方体作为肺部感兴趣区域，并对所述肺部感兴趣区域作数值裁剪和归一化处理；
将归一化处理后的肺部感兴趣区域进行裁剪，并使用裁剪后的肺部感兴趣区域数据和已标注的目标区域，利用第二神经网络进行训练学习，得到肺部目标区域分割模型；
根据所述影像数据和肺部目标区域分割模型，分割出肺部目标区域。
所述在肺部CT平扫影像数据中标注肺部轮廓与目标区域的步骤具体包括：
获取肺部CT平扫影像数据，并清洗所述影像数据；
采用手工勾勒标注法在清洗后的影像数据中标注肺部轮廓与目标区域。
所述对所述影像数据作数值裁剪和归一化处理的步骤具体包括：
调整所述影像分辨率至第一分辨率统一值；
根据预设的第一灰度值裁剪范围裁剪所述影像的数值矩阵，对所述影像的数值矩阵中的数据进行归一化处理，使裁剪后的所述影像的数值矩阵中所有数值变为0-1之间的一个数值。
所述对所述肺部感兴趣区域作数值裁剪和归一化处理的步骤具体包括：
调整所述肺部感兴趣区域分辨率至第二分辨率统一值；
根据预设的第二灰度值裁剪范围裁剪所述肺部感兴趣区域数值矩阵，对所述肺部感兴趣区域数值矩阵中的数据进行归一化处理，使裁剪后的所述肺部感兴趣区域数值矩阵中所有数值变为0-1之间的一个数值。
所述第一和第二分辨率统一值均设定为[1mm，1mm，2.5mm]，所述第一灰度值裁剪范围设定为[-200,400]，所述第二灰度值裁剪范围设定为[-1200,600]。
所述第一神经网络为3D-Unet网络，所述3D-Unet网络训练过程中使用的损失函数包括dice-loss和Focal-loss；所述第二神经网络为加入attention机制的3D-Unet网络。
本技术还提供了一种肺部CT影像数据分割系统，包括：
标注模块，用于在肺部CT平扫影像数据中标注肺部轮廓与目标区域；
第一裁剪归一化模块，用于对所述影像数据作数值裁剪和归一化处理；
第一训练学习模块，用于使用所述第一裁剪归一化模块处理后的影像数据和所述标注模块已标注的肺部轮廓数据，利用第一神经网络进行训练学习，得到肺部轮廓分割模型；
第二裁剪归一化模块，用于根据所述第一训练学习模块得到的肺部轮廓分割模型提取出肺部轮廓，以所述肺部轮廓外接立方体作为肺部感兴趣区域，并对所述肺部感兴趣区域作数值裁剪和归一化处理；
第二训练学习模块，用于将所述第二裁剪归一化模块处理后的肺部感兴趣区域进行裁剪，并使用裁剪后的肺部感兴趣区域数据和所述标注模块已标注的目标区域，利用第二神经网络进行训练学习，得到肺部目标区域分割模型；
分割模块，用于根据所述影像数据和肺部目标区域分割模型，分割出肺部目标区域。
所述标注模块包括：
获取单元，用于获取肺部CT平扫影像数据；
清洗单元，用于清洗所述获取单元获取的影像数据，去除存在伪影和/或扭曲变形的CT平扫影像数据；
标注单元，用于采用手工勾勒标注法在所述清洗单元清洗后的影像数据中标注肺部轮廓与目标区域。
所述第一裁剪归一化模块包括：
第一设置单元，用于预设第一灰度值裁剪范围；
第一调整单元，用于调整所述影像分辨率至第一分辨率统一值；
第一裁剪单元，根据所述第一设置单元预设的第一灰度值裁剪范围裁剪所述影像的数值矩阵；
第一归一化单元，用于将所述第一裁剪单元裁剪后的所述影像的数值矩阵中所有数值变为0-1之间的一个数值。
所述第二裁剪归一化模块包括：
提取单元，用于根据所述第一训练学习模块得到的肺部轮廓分割模型提取出肺部轮廓；
第二设置单元，用于预设第二灰度值裁剪范围；
建立单元，用于以所述提取单元提取的肺部轮廓外接立方体作为肺部感兴趣区域；
第二调整单元，用于调整所述建立单元确定的肺部感兴趣区域分辨率至第二分辨率统一值；
第二裁剪单元，用于根据所述第二设置单元预设的第二灰度值裁剪范围裁剪所述肺部感兴趣区域数值矩阵；
第二归一化单元，用于将所述第二裁剪单元裁剪后的所述肺部感兴趣区域数值矩阵中所有数值变为0-1之间的一个数值。
本技术提供的肺部CT影像数据分割方法及系统，通过将CT影像与人工智能技术相结合，利用人工智能深度学习技术，使计算机在短期内学习到了大量的肺部CT影像特征，提高了肺部CT影像数据的处理效率。本技术提供的肺部CT影像数据分割方法及系统，可以快速地分割出肺部CT影像数据中的目标区域，进而对分割出的目标区域进行三维重建，便于直观展示，可广泛应用于各种肺部疾病的检查，例如肺结节、肺癌、新冠肺炎等，为医生提供更加清晰准确的目标区域图像。
附图说明
图1是本技术实施例提供的新冠肺炎患者肺部CT影像数据分割方法的流程图；
图2是本技术实施例3D-Unet神经网络的结构示意图；
图3a是本技术实施例一新冠肺炎患者原始肺部CT平扫影像示意图；
图3b是本技术实施例用肺部轮廓分割模型对图3a提取的肺部轮廓示意图；
图4是本技术实施例Attention 3D-Unet神经网络的结构示意图；
图5a是本技术实施例另一新冠肺炎患者肺部CT平扫影像示意图；
图5b是本技术实施例用肺部目标区域分割模型对图5a分割出的肺部目标区域示意图；
图6是本技术实施例提供的肺部CT影像数据分割系统的结构示意图。
具体实施方式
下面结合附图和实施例，对本技术技术方案作进一步描述。
参见图1，本技术实施例以新冠肺炎患者肺部CT影像数据为例，来阐述肺部CT影像数据分割方法，包括如下步骤：
步骤S101、获取新冠肺炎患者肺部CT平扫影像数据。
新冠肺炎患者肺部CT平扫影像数据采集的对象来源于多个被授权医疗中心及地区的不同年龄的新冠肺炎患者。在数据采集过程中，应严格保密新冠肺炎患者的个人信息，以防个人信息在采集过程中的泄露。例如，图3a是本实施例某一新冠肺炎患者原始肺部CT平扫影像示意图。
步骤S102、清洗新冠肺炎患者肺部CT平扫影像数据。
清洗新冠肺炎患者肺部CT平扫影像数据，主要是指去除存在伪影和/或扭曲变形的CT平扫影像数据，以便得到符合神经网络训练要求的数据。
步骤S103、标注CT平扫影像数据中肺部轮廓与目标区域。
在具体应用中，采用手工勾勒标注法分别从矢状位、冠状位和柱状位三个方向进行数据标注，并参考原始二维CT平扫影像数据，对标注的三维结果进行三维修饰，使标注结果更加连续；标注的肺部轮廓和目标区域数据格式保存为nrrd格式。
步骤S104、调整CT平扫影像分辨率至分辨率统一值，并根据预设的第一灰度值裁剪范围裁剪CT平扫影像的数值矩阵，对裁剪后的数据进行归一化处理。
本实施例中，分辨率统一值可设为[1mm，1mm，2.5mm]，第一灰度值裁剪范围为[-200,400]。在裁剪之后，还需要通过如下公式对CT平扫影像的数值矩阵中的数据进行归一化处理，使裁剪后的CT平扫影像的数值矩阵中所有数值变为0-1之间的一个数值：
（1）
其中，k代表裁剪后的CT平扫影像的数值矩阵中像素点的值。
步骤S105、使用归一化处理后的原始CT平扫影像数据和已标注的肺部轮廓数据，并利用第一神经网络进行训练学习，得到肺部轮廓分割模型。
由于新冠肺炎CT影像特征均表现在肺部内，因此排除CT影像中其它脏器器官组织的干扰，可有效地提高目标区域的准确性。由于肺部区域和周围组织有较明显的差异，因此可使用深度学习分割算法，提取出肺部区域。使用归一化处理后的原始CT平扫影像数据和已标注的肺部轮廓数据，并利用第一神经网络进行训练学习，得到一个性能优良的肺部轮廓分割模型。
本实施例中，第一神经网络采用3D-Unet网络，其网络结构如图2所示。3D-Unet网络训练过程中使用的损失函数包括dice-loss和Focal-loss。dice-loss是医学图像分割中常用的损失函数，dice是一种集合相似度度量函数，通常用于计算两个样本的相似度，dice-loss的数学表达式如下：
（2）
其中，代表M和N之间的交集；分别代表M和N的元素个数，M代表GT-分割图像，N代表预测分割图像。
Focal-loss是一个解决分类问题中类别不平衡、分类难度差异的一个loss。分割任务是像素级的分类，因此Focal loss在分割任务中也是有效的。Focal loss 的数学表达式如下：
（3）
其中，γ为聚焦参数，pt为预测样本属于1的概率，为不同类别像素数量的权重。
步骤S106、根据肺部轮廓分割模型提取出肺部轮廓，以肺部轮廓外接立方体作为肺部ROI，并扩大肺部ROI。
图3b是本实施例使用肺部轮廓分割模型对图3a所示的肺部CT平扫影像提取出的肺部轮廓示意图。在具体应用中，需要对肺部ROI（region of interest，感兴趣区域）进行适当的扩大，例如：肺部ROI可在X、Y和Z轴方向上分别扩大10个像素。扩大肺部ROI的作用在于不使外接立方体与肺部轮廓完全相切，使得外接立方体与肺部轮廓之间留有间隔，避免遗漏肺部边界处的目标区域。
步骤S107、调整肺部ROI分辨率至分辨率统一值，并根据预设的第二灰度值裁剪范围裁剪肺部ROI数值矩阵，对裁剪后的数据进行归一化处理。
本实施例中，本步骤的分辨率统一值与步骤S104中的分辨率统一值相同，第二灰度值裁剪范围为[-1200,600]。需要说明的是：裁剪肺部ROI数值矩阵并不是改变肺部ROI的尺寸大小，而是改变肺部ROI数值矩阵中数值的大小；参见表1和表2，假设第二灰度值裁剪范围为[-1200, 600]，如果肺部ROI数值矩阵中某一个像素点的值在[-1200, 600]之间，则该像素点的值不变；如果肺部ROI数值矩阵中某一个像素点的值大于600，则令其等于600；如果肺部ROI数值矩阵中某一像素点的值小于-1200，则令其值等于-1200。
表1
表2
表1为原始肺部ROI数值矩阵（代表原始肺部ROI图像）；表2为根据灰度值裁剪范围裁剪后的肺部ROI数值矩阵（代表裁剪后的肺部ROI图像），其中黑字粗体为改变后的像素点的值。
在裁剪之后，还需要通过如下公式对肺部ROI数值矩阵中的数据进行归一化处理，使裁剪后的肺部ROI数值矩阵中所有数值变为0-1之间的一个数值：
（4）
其中，t代表裁剪后的肺部ROI数值矩阵中像素点的值，即表2中的数值。例如：-1200归一化后变为0，600归一化后变为1，300归一化后变为0.83。
步骤S108、将归一化处理后的肺部ROI进行随机裁剪。
随机裁剪是指在肺部ROI按照裁剪尺寸预设值任意裁剪一块区域，例如任意裁剪一块256?192?128像素点的区域。
步骤S109、使用裁剪后的肺部ROI数据和已标注的目标区域，利用第二神经网络进行训练学习，得到肺部目标区域分割模型。
本实施例中，第二神经网络采用Attention 3D-Unet，其网络结构如图4所示。Attention 3D-Unet网络加入了attention机制，可以使网络学习到更重要的区域信息。
步骤S110、根据新冠肺炎患者肺部CT平扫影像数据和肺部目标区域分割模型，分割出肺部目标区域。
参见表3，本实施例采集了1000例来自多个中心及地区的不同年龄的新冠肺炎患者的肺部CT平扫影像数据，选取800例作为训练数据量，进行神经网络Attention 3D-Unet训练学习，得到肺部目标区域分割模型；选取200例作为测试数据量，输入肺部目标区域分割模型，分割出肺部目标区域。由表3可以看出，训练集损失函数dice和测试集损失函数dice的分数均接近1，且训练集损失函数dice和测试集损失函数dice的分数接近，从而验证了新冠肺炎患者肺部目标区域分割模型的准确性和泛化性。同时，通过肺部CT影像也可验证肺部目标区域分割模型的准确性：图5a和图5b分别是某一测试数据对应的新冠肺炎患者肺部CT平扫影像示意图，以及使用肺部目标区域分割模型分割出的肺部目标区域示意图；由图5a与图5b的比对可以看出，通过肺部目标区域分割模型分割出的肺部目标区域与原始新冠肺炎患者肺部CT平扫影像中标注的目标区域的相近似度极高，从而再次验证了肺部目标区域分割模型的准确性。
表3
本技术实施例提供的肺部CT影像数据分割方法，通过将CT影像与人工智能技术相结合，利用人工智能深度学习技术，使计算机在短期内学习到了大量的肺部CT影像特征，提高了肺部CT影像数据的处理效率。本技术提供的肺部CT影像数据分割方法，可以快速地分割出肺部CT影像数据中的目标区域，进而对分割出的目标区域进行三维重建，便于直观展示，可广泛应用于各种肺部疾病的检查，例如肺结节、肺癌、新冠肺炎等，为医生提供更加清晰准确的目标区域图像。
参见图6，本技术实施例还提供了一种肺部CT影像数据分割系统，该系统包括：
标注模块，用于在肺部CT平扫影像数据中标注肺部轮廓与目标区域；
第一裁剪归一化模块，用于对影像数据作数值裁剪和归一化处理；
第一训练学习模块，用于使用第一裁剪归一化模块处理后的影像数据和标注模块已标注的肺部轮廓数据，利用第一神经网络进行训练学习，得到肺部轮廓分割模型；
第二裁剪归一化模块，用于根据第一训练学习模块得到的肺部轮廓分割模型提取出肺部轮廓，以肺部轮廓外接立方体作为肺部感兴趣区域，并对肺部感兴趣区域作数值裁剪和归一化处理；
第二训练学习模块，用于将第二裁剪归一化模块处理后的肺部感兴趣区域进行裁剪，并使用裁剪后的肺部感兴趣区域数据和标注模块已标注的目标区域，利用第二神经网络进行训练学习，得到肺部目标区域分割模型；
分割模块，用于根据影像数据和肺部目标区域分割模型，分割出肺部目标区域。
其中，标注模块进一步包括：
获取单元，用于获取肺部CT平扫影像数据；
清洗单元，用于清洗获取单元获取的影像数据，去除存在伪影和/或扭曲变形的CT平扫影像数据；
标注单元，用于采用手工勾勒标注法在清洗单元清洗后的影像数据中标注肺部轮廓与目标区域。
其中，第一裁剪归一化模块进一步包括：
第一设置单元，用于预设第一灰度值裁剪范围；
第一调整单元，用于调整影像分辨率至第一分辨率统一值；
第一裁剪单元，根据第一设置单元预设的第一灰度值裁剪范围裁剪影像的数值矩阵；
第一归一化单元，用于将第一裁剪单元裁剪后的影像的数值矩阵中所有数值变为0-1之间的一个数值。
其中，第二裁剪归一化模块进一步包括：
提取单元，用于根据第一训练学习模块得到的肺部轮廓分割模型提取出肺部轮廓；
第二设置单元，用于预设第二灰度值裁剪范围；
建立单元，用于以提取单元提取的肺部轮廓外接立方体作为肺部感兴趣区域；
第二调整单元，用于调整建立单元确定的肺部感兴趣区域分辨率至第二分辨率统一值；
第二裁剪单元，用于根据第二设置单元预设的第二灰度值裁剪范围裁剪肺部感兴趣区域数值矩阵；
第二归一化单元，用于将第二裁剪单元裁剪后的肺部感兴趣区域数值矩阵中所有数值变为0-1之间的一个数值。
本技术实施例提供的肺部CT影像数据分割方法及系统，通过将CT影像与人工智能技术相结合，利用人工智能深度学习技术，使计算机在短期内学习到了大量的肺部CT影像特征，提高了肺部CT影像数据的处理效率。本技术提供的肺部CT影像数据分割方法及系统，可以快速地分割出肺部CT影像数据中的目标区域，进而对分割出的目标区域进行三维重建，便于直观展示，可广泛应用于各种肺部疾病的检查，例如肺结节、肺癌、新冠肺炎等，为医生提供更加清晰准确的目标区域图像。
在实际应用中，本实施例中所涉及的各个功能模块及单元，均可以由运行在计算机硬件上的计算机程序实现，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的硬件指的是包含一个或者多
个处理器和存储介质的服务器或者台式计算机、笔记本电脑等；所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random Access Memory，RAM）等；所述计算机程序由不限于C、C++等计算机语言实现。
以上所述的具体实施例，对本技术的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本技术的具体实施例而已，并不用于限制本技术，凡在本技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
肺结节CT 的征象及显示(综述)(图文) 肺结节(pulmonary nodule) 通常是指直径不超过3cm的肺内类圆形病灶，不超过2cm则 称为小结节，其中不超过1cm可称为微结节(附表)。小结节病变的诊断和鉴别诊断一直是放 射学的一个难题，如何提高小结节的细节(details)显示是其中的关键。俗语巧妇难为无米之炊”对于一个毫无特征可言的肺结节，再高明的医生也难下结论，而对一个特征详尽的肺结节，即使一个初验者也有同样准确的答案。随着螺旋CT的出现，小结节的细节显示和准确诊 断率得到明显的提高。而如何最有效地显示结节特征(characterizatio n) 是提出准确诊断的前提。 此病例肺结节表现小泡征”、胸膜凹陷征”手术病理证实为肺腺癌。 STS-MIP 肺结节检查的CT检查方法众多，包括：簿层扫描、HRCT扫描、螺旋扫描、动态 增强扫描、双能CT扫描、双气相同层面对比扫描以及各种后处理技术等，我们特别推荐靶螺旋扫描一一一种窄准直与小FOV相结合的扫描技术。技术参数：小FOV(包括纵隔和一侧肺， 20 —25cm)，扫描层厚约为结节直径的1/3?1/2，根据结节大小而定，取2?5mm , p=1?2，重叠40 %?100 %重建。若FOV小于20cm，则噪声等的增加将使分辨力不能进一步提高，甚至会降低；若FOV太大，则分辨力下降，将失去靶的意义。 靶扫描一方面提高了分辨力，另一方面有助于详细的密度分析，在靶扫描的基础上，可以更好地完成上述各种扫描，尤其建立时间-密度曲线，同时还可以结合选择性血管造影进行CTBA 和CTPA的研究。缺点是覆盖范围较小，常需与常规扫描同时使用。 靶扫描与靶重建”不同，后者在常规螺旋CT数据的基础上缩小FOV、并重叠重建，虽然图像较常规要好，但较常规螺旋CT并不增加信息，其优点是不需再扫描，对较大而典型的结节应用较好；对小结节或疑难结节仍以靶扫描为佳。视窗的调节是一个看似简单却很重要的小环节， 临床实际使用中五花八门。由于不同的机型和照相机工作状态不同，视窗有所不同；对于一个可疑的肺内小病灶，不适当的视窗会导致误漏诊或延诊。总结我们多年的使用经验，有这样一个原则：病灶的多成分性决定了单一视窗常不能满足需要，要以待显示病灶的密度为轴心进行 调整，作多视窗显示。具体做法为：①常规肺窗要求既有层次，又有对比，一方面要有一定的窗宽，我们通常用1000?1200HU，另一方面将窗中心调至-450?-500HU，可兼顾到大多数病变的显示；②浅淡的病变如磨玻璃影、粟粒结节，密度低于结节，用常规视窗有时不太清楚，需将窗宽及窗中心均作下调； ③显示空泡征或支气管充气征时，窗宽应稍宽，太窄的窗宽因图像太白而可能掩盖低密度的空 泡及支气管； ④结节密度测定时，用纵隔窗，窗宽设为350HU左右，窗中心设定以结节平均密度为佳，常 为45 ?60HU ； ⑤其它特殊情况特殊处理。 对于一个周围性肺结节，特征显示包括三方面：形态学特征、结节-肺界面和邻近改变；血管改变贯穿以上三方面。 一、形态学特征―― 直接而根本的征像，显示原则是“多层面、多方位” 1．形态（morphology ）
1.肺小叶内间质增厚常见于肺纤维化。 肺小叶内间质增厚的病理基础：小叶内细支气管血管周围间质及肺泡间隔的间质增厚。此征象主要位于肺的外围部分。 肺小叶内间质增厚的CT表现：在HRCT上小叶内间质增厚造成细网状影。细线影间隔几毫米，呈现细网状或筛孔状影像。 2.肺实质索带：指粗细一致，长2-5cm的线状致密影。见于肺纤维化和其他原因引起的间质增厚，也称为“长线”。常呈周围性，与胸膜面接触。 肺实质索带的病理基础：在某些患者代表连续增厚的小叶间隔线；也可代表支气管血管周围纤维化区域的粗糙的瘢痕或伴随着肺或胸膜纤维化的肺不张区域。 肺实质索带的CT表现：这种非间隔性的索带常呈数毫米厚、形态不规则，伴随临近肺和血管支气管结构的明显变形。
3.小叶间隔增厚：小叶间隔增厚通常见于间质性肺部疾病，HRCT容易识别。
小叶间隔增厚的病理基础：间质内存在积液，细胞浸润或纤维化。 小叶间隔增厚的CT表现：周围肺野内，增厚的间隔线长约1-2CM，可勾画出整个小叶轮廓，通常延伸至胸膜表面，大致与胸膜垂直。在中心肺野，增厚的小叶间隔勾画出直径 1-2.5CM的小叶。 4. 肺血管造影征主要见于细支气管肺泡癌、原发性肺淋巴瘤、阻塞性肺炎及感染性肺炎所致的肺组织实变。 肺血管造影征病理基础：病变或事变的肺组织未累及肺内血管，所以于增强扫描的CT 图像上可见树枝状的明显强化的肺血管。 肺血管造影征的CT表现：CT增强扫描，于病变的或实变的肺组织内从肺门指向肺外周的树枝状的高密度影，逐渐变细。
5.胸膜下曲线影又称胸膜下线，此征象为在胸膜下1CM内与胸膜平行的线状影像。 胸膜下曲线影的病理基础：细支气管周围纤维化及肺泡萎缩。 胸膜下曲线影的CT表现：最多见于下叶后部，胸膜下几毫米厚，平行于胸膜的2-10CM 的曲线状致密影。 6.蜂窝征：指广泛的肺间质与肺泡纤维化造成肺泡的破裂与细支气管扩张，产生典型的有特征性的蜂窝样表现或蜂窝肺。可见于导致“终末期肺”纤维化的任何疾病过程。 蜂窝征病理基础：病理上蜂窝征的定义是小的囊状气腔存在，通常衬以细支气管上皮，并有致密的纤维组织所构成的厚壁。 蜂窝征CT表现：HRCT上显示为具有特征性的小囊状气腔，大小为2-16mm,有清楚的壁，厚1-3mm,与正常肺组织或小叶内间质增厚区域的肺组织比较，显得更加透亮，多位与胸膜下区域。
串珠样间隔征(beaded septum sign) 肺转移瘤CT检查时，肺间质显示重要改变即间隔不规则增厚和串珠样改变，尤其在肺高分辨CT图像上，在肺野周边部或外1/3的肺内小叶间隔表现为不规则、结节状增厚。并把这一表现称作“串珠样间隔征”。这一表现的病理基础被认为是肿瘤细胞在毛细血管和淋巴管内生长及继发血管周围和间质水肿及纤维化所致。大体病理检查，在CT显示串珠样隔处可见肿瘤不规则伸展性生长及周围毛细管和淋巴管的纤维化，镜检可见在肺泡间毛细管及淋巴管内和其周围有瘤细胞性小结节，病变远端有隔水肿、纤维化和血管扩张。 串珠样间隔征的形成，主要是转移瘤细胞或瘤栓经血型或淋巴播散以及逆行性淋巴管转移在肺周边部的毛细血管或淋巴管内，致使转移灶远测血管或淋巴管扩张；转移灶阻塞引起肺间质水肿；病灶在毛细血管和淋巴管周围不规则生长；长期间质水肿继发纤维增生；周边部毛细血管或淋巴管内肿瘤生长并填充其间。 肺内结节的位置、大小和数目对诊断转移瘤缺乏特异性，然而串珠样隔征主要见于转移瘤，虽然肺水肿和纤维化中可见一些光滑增厚的隔。所以，这一表现是提示肺转移瘤的高度敏感指征，尤其是对小的转移瘤有独特价值。该征主要见于肺转移瘤，其次也见于肺结节病和先天性肺小叶周围纤维化。 双管征(double duct sign) 【影像表现】在磁共振胰胆管成像(MRCP)时，胆总管和胰管同时扩张，称为双管征。此征象在MRCP、CT（特别是曲面重建)及超声检查中亦可见。 【征象解析】通常为胰头肿瘤对胆总管和主胰管阻塞和包埋所致，胆总管和胰管发生双管性狭窄，引起双管同时扩张。
图示CT及MRCP可见“双管征” A,CT增强显示双管征；B，MRCP可见双管征，胆总管和胰管，均见有明显扩张。 查中亦可见，起初被认为是胰腺癌的特有征象。 双管征的2个最主要的原因是胰头癌和壶腹癌，其他的恶性病变包括胆总管远端的胆管痛、淋 巴瘤或转移瘤;良性病变包括慢性胰腺炎和壶腹部狭窄。原发性腹膜后纤维化和Kapo-si肉瘤为 罕见原因，仅有个别病例报道。 因为胰头癌早期症状比较隐匿，可切除性的早期病灶诊断较困难。其特征性的影像表现是胰腺和胆总管的狭窄和阻塞所导致的双管征。大多数胰腺恶性肿瘤为腺癌且为管内生长，通常表现 为胰头的局部肿块。在胰头癌中，62%~77%的病例可以出现双管征，但是胰管不扩张并不能 除外胰头癌诊断，因为20%的胰腺恶性肿瘤胰管管径是正常的。较小的壶腹癌即可引起明显的 胆管扩张，52%的病例可以出现双管征。胰头癌与壶腹癌及胆总管远端癌有时存在鉴别诊断上 的困难。壶腹癌其肿块在增强扫描时与胰头癌有不同强化表现。MRCP显示钩突层面胆总管与 胰管间距离小（肿瘤推移胆总管远端）为壶腹癌的表现，而胰头癌则呈双管征及截断状改变，此 外，壶腹癌很少累及胰后脂肪间隙及肠系膜上动脉间隙与钩突间的脂肪层，胰腺体尾萎缩少见， 可与胰头癌鉴别。 MRCP对胰胆管阻塞的形态和定位较好，导管形态在定性中有用，突然中断的梗阻或狭窄，特别是导管边缘不规则，78%为恶性病变；渐进性中断或渐进性狭窄，特别是管壁边缘光滑多 为良性病变。 总之，若出现双管征，可高度怀疑胰腺恶性肿瘤，但不是绝对诊断。 胃肠细绳征(gastrointestinal string sign) 胃肠细绳征又名胃肠线征、绳征、绞索现象等。 【影像表现】在小肠钡剂检查中，小肠形成类似于粗糙棉线一样的细钡线。