CN108109170A - 医学图像扫描方法及医学影像设备 - Google Patents
医学图像扫描方法及医学影像设备 Download PDFInfo
- Publication number
- CN108109170A CN108109170A CN201711368029.5A CN201711368029A CN108109170A CN 108109170 A CN108109170 A CN 108109170A CN 201711368029 A CN201711368029 A CN 201711368029A CN 108109170 A CN108109170 A CN 108109170A
- Authority
- CN
- China
- Prior art keywords
- line
- boundary
- point
- cut zone
- scan
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000002059 diagnostic imaging Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000007689 inspection Methods 0.000 claims abstract description 37
- 238000013519 translation Methods 0.000 claims description 8
- 230000007935 neutral effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 210000001015 abdomen Anatomy 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010408 sweeping Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/04—Positioning of patients; Tiltable beds or the like
- A61B6/0487—Motor-assisted positioning
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- High Energy & Nuclear Physics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pulmonology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例提供了一种医学图像扫描方法及医学影像设备。一方面,本发明实施例通过获取受检者指定部位的定位图像和指定部位对应的训练模型,通过训练模型,得到定位图像的第一分割区域,获取第一分割区域的指定边界点,作为第一边界点,根据第一边界点,确定受检者指定部位的扫描定位框,实现了由医学影像设备自动确定扫描定位框,减少了扫描检查过程中的人工操作,从而缩短了扫描检查过程所需的时间,进而提高了扫描效率,在一定程度上解决了现有技术中医学影像设备的扫描检查过程用时较长,导致扫描效率较低的问题。
Description
【技术领域】
本方案涉及医学图像扫描领域,尤其涉及一种实现智能扫描的医学图像扫描方法及医学影像设备。
【背景技术】
当前,医学影像设备在医学领域应用广泛。通过医学影像设备获得的扫描数据,可以得到具有医学价值的医学图像。其中,CT(Computed Tomography,计算机断层扫描)设备是一种重要的医学影像设备。CT技术可应用于人体的各个部位,利用CT设备扫描数据得到的医学图像,能够提供多种疾病的研究分析信息。
各种医学影像设备的扫描检查过程基本是相同的。以CT设备为例,目前,CT扫描检查的过程是:首先是摆***,即将受检者按照扫描要求安置在检查床上后送入扫描孔内;然后,操作人员通过人工方式设定扫描定位框;最后,CT设备按照设置的扫描定位框进行扫描,输出扫描数据。
可见,现有技术中,医学影像设备的扫描检查过程中,操作人员的人工操作较多,这使得整个扫描过程用时较长,从而导致扫描效率较低。
【发明内容】
有鉴于此,本方案实施例提供了一种医学图像扫描方法及医学影像设备,用以解决现有技术中医学影像设备的扫描检查过程用时较长,导致扫描效率较低的问题。
第一方面,本发明实施例提供一种医学图像扫描方法,所述方法包括:
获取受检者指定部位的定位图像;
获取所述指定部位对应的训练模型;
通过所述训练模型,得到所述定位图像的第一分割区域;
获取所述第一分割区域的指定边界点,作为第一边界点;
根据所述第一边界点,确定所述受检者指定部位的扫描定位框。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,在螺旋扫描方式下,所述第一边界点包括所述第一分割区域的最高边界点、最低边界点、最左边界点、最右边界点;
根据所述第一边界点,确定所述受检者指定部位的扫描定位框,包括:
根据所述最高边界点,确定穿过所述最高边界点的第一水平线;
根据所述最低边界点,确定穿过所述最低边界点的第二水平线;
根据所述最左边界点,确定穿过所述最左边界点的第一垂直线;
根据所述最右边界点,确定穿过所述最右边界点的第二垂直线;
基于所述第一水平线、所述第二水平线、所述第一垂直线和所述第二垂直线,确定螺旋扫描方式下的扫描定位框。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,基于所述第一水平线、所述第二水平线、所述第一垂直线和所述第二垂直线,确定螺旋扫描方式下的扫描定位框,包括:
将所述第一水平线向上平移第一指定距离,得到第一修正水平线;
将所述第二水平线向下平移所述第二指定距离,得到第二修正水平线;
将所述第一垂直线向左平移第三指定距离,得到第一修正垂直线;
将所述第二垂直线向右平移所述第四指定距离,得到第二修正垂直线;
获取所述第一修正水平线、所述第二修正水平线、所述第一修正垂直线和所述第二修正垂直线所围成的第一矩形,以所述第一矩形作为螺旋扫描方式下的扫描定位框。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,在横断面扫描方式下,所述方法还包括:
通过所述训练模型,得到所述定位图像的第二分割区域;
基于所述第二分割区域,确定扫描倾角;
获取所述第一分割区域的指定边界点,作为第一边界点,包括:
获取所述第一分割区域在所述扫描倾角方向上的最高边界点、在所述扫描倾角方向上的最低边界点、在所述第一分割区域的最左边界点、在所述第一分割区域的最右边界点,作为第一边界点。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,基于所述第二分割区域,确定扫描倾角,包括:
获取所述第二分割区域的指定边界点,作为第二边界点,所述第二边界点包括所述第二分割区域的左上角顶点、左下角顶点和最右侧角的顶点;
确定所述左上角顶点和所述左下角顶点的连线的中点;
将所述中点与所述最右侧角的顶点相连,得到倾斜线;
获取所述倾斜线与水平线的夹角,作为横断面扫描方式下的扫描倾角。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,根据所述第一边界点,确定所述受检者指定部位的扫描定位框,包括:
确定穿过所述第一分割区域在所述扫描倾角方向上的最高边界点、且与水平线之间夹角等于所述扫描倾角的第一准边界线;
确定穿过所述第一分割区域在所述扫描倾角方向上的最低边界点、且与水平线之间夹角等于所述扫描倾角的第二准边界线;
确定穿过所述第一分割区域的最左边界点、且为垂直线的第三准边界线;
确定穿过所述第一分割区域的最右边界点、且为垂直线的第四准边界线;
基于所述第一准边界线、所述第二准边界线、所述第三准边界线和所述第四准边界线,确定横断面扫描方式下的扫描定位框。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,基于所述第一准边界线、所述第二准边界线、所述第三准边界线和所述第四准边界线,确定横断面扫描方式下的扫描定位框,包括:
将所述第一准边界线向上平移第五指定距离,得到第一修正边界线;
将所述第二准边界线向下平移所述第六指定距离,得到第二修正边界线;
将所述第三准边界线向左平移第七指定距离,得到第三修正边界线;
将所述第四准边界线向右平移所述第八指定距离,得到第四修正边界线;
获取所述第一修正边界线、所述第二修正边界线、所述第三修正边界线和所述第四修正边界线所围成的第二矩形,以所述第二矩形作为横断面扫描方式下的扫描定位框。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述获取所述指定部位对应的训练模型,包括:
采集指定数量的所述指定部位的定位图像,作为样本图像;
根据所述样本图像和神经网络,获取所述指定部位对应的训练模型。
第二方面,本发明实施例提供一种医学图像扫描方法,所述方法包括:
获取受检者指定部位的定位图像;
获取所述指定部位对应的训练模型;
通过所述训练模型,得到所述定位图像的指定分割区域;
根据所述指定分割区域,确定受检者指定部位的扫描线方向。
第三方面,本发明实施例提供一种医学影像设备,所述设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述指令被所述处理器执行时,导致所述设备实现第一方面或第二方面任一项所述的方法。
本发明实施例具有以下有益效果:
本发明实施例,通过获取受检者指定部位的定位图像和指定部位对应的训练模型,通过训练模型,得到定位图像的第一分割区域,获取第一分割区域的指定边界点,作为第一边界点,根据第一边界点,确定受检者指定部位的扫描定位框,实现了由医学影像设备自动确定扫描定位框,减少了扫描检查过程中的人工操作,从而缩短了扫描检查过程所需的时间,进而提高了扫描效率。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它的附图。
图1为本发明实施例提供的医学图像扫描方法的第一流程示例图。
图2为本发明实施例提供的头部的定位图像示例图。
图3为本发明实施例提供的手动标记的头部定位图像的分割区域示例图。
图4为本发明实施例提供的头部定位图像通过头部训练模型得到的分割区域示例图。
图5为本发明实施例提供的在螺旋扫描方式下头部定位图像的第一分割区域的第一边界点示例图。
图6为利用图5所示的第一边界点确定的扫描定位框示例图。
图7为本发明实施例提供的头部定位图像的第二分割区域示例图。
图8为本发明实施例提供的在横断面扫描方式下的第一边界点和扫描定位框示例图。
图9为通过图8确定的头部的扫描定位框示例图。
图10为本发明实施例提供的医学图像扫描方法的第二流程示例图。
图11为本发明实施例提供的医学图像扫描方法的第三流程示例图。
图12为本发明实施例提供的MR脊椎扫描中的扫描方向示意图。
图13为图12中椎间盘的三个主方向示意图。
图14是医学影像设备的简化框图。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
实施例一
本发明实施例提供了一种医学图像扫描方法,该医学图像扫描方法可以应用于CT设备等医学影像设备的扫描检查过程中。
图1为本发明实施例提供的医学图像扫描方法的第一流程示例图。如图1所示,本实施例中,医学图像扫描方法包括如下步骤:
S101,获取受检者指定部位的定位图像。
S102,获取指定部位对应的训练模型。
S103,通过训练模型,得到定位图像的第一分割区域。
S104,获取第一分割区域的指定边界点,作为第一边界点。
S105,根据第一边界点,确定受检者指定部位的扫描定位框。
其中,指定部位可以是头部、胸部、腹部、腿部等等。
指定部位通常是待扫描的目标部位。举例说明。对于头部做过手术的正在康复过程中的人来说,需要通过头部的扫描图像来观察头部手术区域的状况,以了解手术效果和其术后恢复情况。因此,对此人来说,头部是其待扫描的部位,即步骤S101中的指定部位。
其中,定位图像可以根据激光定位指示灯获取。例如,可以根据激光定位指示灯照在人体体表的位置来判断定位图像点起始位置。图2为本发明实施例提供的头部的定位图像示例图。
步骤S102中,获取的训练模型是指定部位对应的训练模型。不同的部位对应不同的训练模型。例如,头部对应头部的训练模型,腹部对应腹部的训练模型。
训练模型是预先训练好的。在应用中,可以将训练模型存储在医学影像设备本地的数据库中,也可以存储在能够与医学影像设备进行数据通信的外部设备中,以便医学影像设备中的应用在执行本发明实施例提供的医学图像扫描方法时,能够从外部设备读取训练模型。
其中,第一分割区域可以根据需要确定。例如,对于头部的定位图像来说,第一分割区域可以是能够据以获知头部扫描区域信息的区域。
举例说明。图3为本发明实施例提供的手动标记的头部定位图像的分割区域示例图。参见图3,图3提供了头部定位图像的2个分割区域,即第一分割区域10和第二分割区域20。其中,第一分割区域10的边界点(即第一分割区域10轮廓线上的点)中包含了整个头部的最高点、最低点、最左边的点和最右边的点。因此,可以通过第一分割区域10中的这些边界点,确定头部所覆盖的范围,从而确定头部扫描区域的范围。
训练模型是以一定数量的已标记第一分割区域的定位图像(这些定位图像作为训练样本)训练得到的,将一幅没有标记第一分割区域的定位图像输入训练模型,训练模型就会输出该定位图像的第一分割区域的信息。
举例说明。以标记有图3所示分割区域的头部定位图像作为训练样本,利用神经网络进行训练,可以训练出头部训练模型。将图2所示的头部定位图像输入该头部训练模型,训练模型即可输出图2所示的头部定位图像中的分割区域(该分割区域与训练样本中的分割区域对应),该输出的分割区域如图4所示。
参见图4,图4为本发明实施例提供的头部定位图像通过头部训练模型得到的分割区域示例图。对比图3和图4可知,图4中的第一分割区域10与图3中的第一分割区域10对应,图4中的第二分割区域20与图3中的第二分割区域20对应。
步骤S104中,作为第一边界点的第一分割区域的指定边界点可以包括能够确定步骤S101中的指定部位的扫描区域的点。例如,第一分割区域的指定边界点可以包括第一分割区域的最高边界点、最低边界点、最左边界点、最右边界点。其中,第一分割区域的最高边界点是指定部位的最高点,第一分割区域的最低边界点是指定部位的最低点,第一分割区域的最左边界点是指定部位的最左边的点,第一分割区域的最右边界点是指定部位的最右边的点。
通过第一边界点可以确定指定部位的扫描区域,而指定部位的扫描定位框需要覆盖指定部位的扫描区域,据此,步骤S105中,可以根据第一边界点确定受检者指定部位的扫描定位框。
图1所示实施例,利用受检者指定部位的定位图像及其对应的训练模型,得到定位图像的第一分割区域,再根据第一分割区域的指定边界点确定受检者指定部位的扫描定位框,实现了由医学影像设备自动确定扫描定位框,减少了扫描检查过程中的人工操作,从而缩短了扫描检查过程所需的时间,进而提高了扫描效率。
同时,图1所示实施例使得医学影像设备能够自动确定扫描定位框,减少了操作人员的大量重复操作,不仅减轻了操作人员的操作负担,为操作人员提供了便利,还提高了医学影像设备的智能化程度。
再者,图1所示实施例使得医学影像设备能够自动确定扫描定位框,避免了不同操作人员的操作差异性导致的扫描效果差异,并且减少了误操作,保证了扫描的准确性,从而提高了扫描检查的稳定性和鲁棒性。
在一个示例性的实现过程中,在螺旋扫描方式下,第一边界点包括第一分割区域的最高边界点、最低边界点、最左边界点、最右边界点;根据第一边界点,确定受检者指定部位的扫描定位框,包括:根据最高边界点,确定穿过最高边界点的第一水平线;根据最低边界点,确定穿过最低边界点的第二水平线;根据最左边界点,确定穿过最左边界点的第一垂直线;根据最右边界点,确定穿过最右边界点的第二垂直线;基于第一水平线、第二水平线、第一垂直线和第二垂直线,确定螺旋扫描方式下的扫描定位框。
在一个示例性的实现过程中,基于第一水平线、第二水平线、第一垂直线和第二垂直线,确定螺旋扫描方式下的扫描定位框,包括:将第一水平线向上平移第一指定距离,得到第一修正水平线;将第二水平线向下平移第二指定距离,得到第二修正水平线;将第一垂直线向左平移第三指定距离,得到第一修正垂直线;将第二垂直线向右平移第四指定距离,得到第二修正垂直线;获取第一修正水平线、第二修正水平线、第一修正垂直线和第二修正垂直线所围成的第一矩形,以第一矩形作为螺旋扫描方式下的扫描定位框。
其中,第一指定距离、第二指定距离、第三指定距离、第四指定距离可以相同,也可以不同。
举例说明。图5为本发明实施例提供的在螺旋扫描方式下头部定位图像的第一分割区域的第一边界点示例图。图6为利用图5所示的第一边界点确定的扫描定位框示例图。
参见图5和图6。图5中,点A为第一分割区域的最左边界点,点B为第一分割区域的最高边界点,点C为第一分割区域的最右边界点,点D为第一分割区域的最低边界点。通过点A和点C分别作垂直线,通过点B和点D分别作水平线,通过点A的垂直线、通过点C的垂直线、通过点B的水平线和通过点D的水平线围成一个矩形,该矩形是覆盖头部扫描区域的最小矩形。将该最小矩形的四边所在直线分别向外移动一定距离,移动之后的四条直线(这四条直线分别通过点A1、点B1、点C1和点D1)围成一个新矩形,该新矩形是覆盖头部扫描区域的较大矩形,以该较大矩形作为头部的扫描定位框。
在一个示例性的实现过程中,在横断面扫描方式下,医学图像扫描方法还可以包括:通过训练模型,得到定位图像的第二分割区域;基于第二分割区域,确定扫描倾角;获取第一分割区域的指定边界点,作为第一边界点,包括:获取第一分割区域在扫描倾角方向上的最高边界点(例如图8中的点B2)、第一分割区域在扫描倾角方向上的最低边界点(例如图8中的点D2)、第一分割区域的最左边界点(例如图8中的点A2)、第一分割区域的最右边界点(例如图8中的点C2),作为第一边界点。
举例说明。图4中的第二分割区域20为图2所示头部定位图像的第二分割区域。
在一个示例性的实现过程中,基于第二分割区域,确定扫描倾角,包括:获取第二分割区域的指定边界点,作为第二边界点,第二边界点包括第二分割区域的左上角顶点、左下角顶点和最右侧角的顶点;确定左上角顶点和左下角顶点的连线的中点;将中点与最右侧角的顶点相连,得到倾斜线;获取倾斜线与水平线的夹角,作为横断面扫描方式下的扫描倾角。
举例说明。图7为本发明实施例提供的头部定位图像的第二分割区域示例图。请参见图7,图7中,第二边界点包括第二分割区域20的左上角顶点E、左下角顶点F和最右侧角的顶点G。在确定横断面扫描方式下的扫描倾角时,根据左上角顶点E和左下角顶点F确定点E和点F连线的中点H,将中点H与最右侧角的顶点G相连,得到倾斜线,该倾斜线为线段HG所在直线,该倾斜线与水平线的夹角即为横断面扫描方式下的扫描倾角。
在一个示例性的实现过程中,根据第一边界点,确定受检者指定部位的扫描定位框,包括:确定穿过第一分割区域在扫描倾角方向上的最高边界点、且与水平线之间夹角等于扫描倾角的第一准边界线;确定穿过第一分割区域在扫描倾角方向上的最低边界点、且与水平线之间夹角等于扫描倾角的第二准边界线;确定第一分割区域的最左边界点、且为垂直线的第三准边界线;确定穿过第一分割区域的最右边界点、且为垂直线的第四准边界线;基于第一准边界线、第二准边界线、第三准边界线和第四准边界线,确定横断面扫描方式下的扫描定位框。举例说明。图8为本发明实施例提供的在横断面扫描方式下的第一边界点和扫描定位框示例图。在横断面扫描方式下,第一边界点为图8中的点A2、点B2、点C2和点D2,扫描倾角为图7中线段HG所在直线与水平线的夹角。通过图8中的点A2、点B2、点C2、点D2和图7中的扫描倾角,可以确定四条直线,即:穿过点B2、且与水平线之间夹角等于扫描倾角的第一准边界线(即图8中较小平行四边形的上边框),确定穿过点D2、且与水平线之间夹角等于扫描倾角的第二准边界线(即图8中较小平行四边形的下边框),穿过点A2、且为垂直线的第三准边界线(即图8中较小平行四边形的左边框),以及穿过点C2、且为垂直线的第四准边界线(即图8中较小平行四边形的右边框)。这四条直线围成一个平行四边形(即图8中的较小平行四边形)。
在一个示例性的实现过程中,基于第一准边界线、第二准边界线、第三准边界线和第四准边界线,确定横断面扫描方式下的扫描定位框,可以包括:将第一准边界线向上平移第五指定距离,得到第一修正边界线;将第二准边界线向下平移第六指定距离,得到第二修正边界线;将第三准边界线向左平移第七指定距离,得到第三修正边界线;将第四准边界线向右平移第八指定距离,得到第四修正边界线;获取第一修正边界线、第二修正边界线、第三修正边界线和第四修正边界线所围成的第二平行四边形,以第二平行四边形作为横断面扫描方式下的扫描定位框。
其中,第五指定距离、第六指定距离、第七指定距离、第八指定距离可以相同,也可以不同。
举例说明。请参见图8和图9,图9为通过图8确定的头部的扫描定位框示例图。将前述穿过点B2、且与水平线之间夹角等于扫描倾角的第一准边界线向上平移,得到扫描定位框的上边框(即图8中较大平行四边形的上边框)所在直线,;将前述穿过点D2、且与水平线之间夹角等于扫描倾角的第二准边界线向下平移,得到扫描定位框的下边框(即图8中较大平行四边形的下边框)所在直线;将前述穿过点A2、且为垂直线的第三准边界线向左平移,得到扫描定位框的左边框(即图8中较大平行四边形的左边框)所在直线;将前述穿过点C、且为垂直线的第四准边界线向右平移,得到扫描定位框的右边框(即图8中较大平行四边形的右边框)所在直线。平移之后的四条直线所围成的第二平行四边形(即图8中的较大平行四边形)即为头部在横断面扫描方式下的扫描定位框。将图8中所示的扫描定位框展现在图7所示的头部定位图像中,即为图9所示。
图10为本发明实施例提供的医学图像扫描方法的第二流程示例图。如图10所示,本实施例中,医学图像扫描方法包括如下步骤:
S501,获取受检者指定部位的定位图像。
S502,采集指定数量的指定部位的定位图像,作为样本图像。
S503,根据样本图像和神经网络,获取指定部位对应的训练模型。
S504,通过训练模型,得到定位图像的第一分割区域。
S505,获取第一分割区域的指定边界点,作为第一边界点。
S506,根据第一边界点,确定受检者指定部位的扫描定位框。
由图10所示实施例可见,在一个示例性的实现过程中,获取指定部位对应的训练模型,可以包括:采集指定数量的指定部位的定位图像,作为样本图像;根据样本图像和神经网络,获取指定部位对应的训练模型。
图10所示实施例中,步骤S502和S503可以执行一次,并可以在步骤S503之后将训练模型存储在指定位置。这样,以后在需要获取指定部位对应的训练模型时,直接从该指定位置读取即可,不需要在每次的扫描检查过程中都通过步骤S502和S503获取训练模型。
本发明实施例提供的医学图像扫描方法,通过获取受检者指定部位的定位图像和指定部位对应的训练模型,通过训练模型,得到定位图像的第一分割区域,获取第一分割区域的指定边界点,作为第一边界点,根据第一边界点,确定受检者指定部位的扫描定位框,实现了由医学影像设备自动确定扫描定位框,减少了扫描检查过程中的人工操作,从而缩短了扫描检查过程所需的时间,进而提高了扫描效率。
实施例二
本发明实施例提供了一种医学图像扫描方法,该医学图像扫描方法可以应用于MR(Magnetic Resonance,磁共振)设备等医学影像设备的扫描检查过程中。
图11为本发明实施例提供的医学图像扫描方法的第三流程示例图。如图11所示,本实施例中,医学图像扫描方法包括如下步骤:
S601,获取受检者指定部位的定位图像。
S602,获取指定部位对应的训练模型。
S603,通过训练模型,得到定位图像的指定分割区域。
S604,根据指定分割区域,确定受检者指定部位的扫描线方向。
举例说明。MR脊椎扫描中,医生希望沿着椎间盘的方向(如图12中箭头所示方向)进行横断面图像的扫描。以其中一个椎间盘为例。对于脊椎医学图像扫描过程包括:
首先,获取受检者脊椎的定位图像以及脊椎的训练模型。
通过脊椎的训练模型,从脊椎的定位图像可以分割出椎间盘区域。
然后,利用椎间盘区域得到第一主方向、第二主方向和第三主方向,这三个主方向如图13所示。其中,主方向的计算方式可以是:根据椎间盘区域的点坐标,构建协方差矩阵,然后计算出协方差矩阵的特征值和3个特征向量,其中,3个特征向量对应的方向为三个主方向的候选方向,候选方向中,将与定位图像的X方向夹角最小的方向作为第一主方向,将与定位图像的Y方向夹角最小的方向作为第二主方向,将与定位图像的Z方向夹角最小的方向作为第三主方向。取第一主方向作为该椎盘的扫描方向。
根据椎间盘区域,确定椎间盘区域的重心。经过该重心且垂直于第三主方向的平面即为扫描平面。临床上一般会平行于该扫描平面,扫描若干个通过椎间盘的断层图像。
本发明实施例提供的医学图像扫描方法,在扫描检查过程中,利用受检者指定部位的定位图像自动确定指定部位的扫描线方向,减少了扫描检查过程中的人工操作,从而缩短了扫描检查过程所需的时间,进而提高了扫描效率。
实施例三
本发明实施例提供一种医学影像设备,该设备包括:处理器;用于存储处理器可执行指令的存储器;所述指令被所述处理器执行时,导致医学影像设备实现前述实施例一或实施例二中任一项所述的医学图像扫描方法。
其中,医学影像设备可以是CT设备等。
图14是医学影像设备的简化框图。参见图14,该医学影像设备900可以包括与一个或多个数据存储工具连接的处理器901,该数据存储工具可以包括存储介质906和内存单元904。医学影像设备900还可以包括输入接口905和输出接口907,用于与另一装置或***进行通信。被处理器901的CPU执行的程序代码可存储在内存单元904或存储介质906中。
医学影像设备900中的处理器901调用存储在内存单元904或存储介质906的程序代码,执行下面各步骤:
获取受检者指定部位的定位图像;
获取指定部位对应的训练模型;
通过训练模型,得到定位图像的第一分割区域;
获取第一分割区域的指定边界点,作为第一边界点;
根据第一边界点,确定受检者指定部位的扫描定位框。
或者,医学影像设备900中的处理器901调用存储在内存单元904或存储介质906的程序代码,执行下面各步骤:
获取受检者指定部位的定位图像;
获取指定部位对应的训练模型;
通过训练模型,得到定位图像的指定分割区域;
根据指定分割区域,确定受检者指定部位的扫描线方向。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个模块或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种医学图像扫描方法,其特征在于,所述方法包括:
获取受检者指定部位的定位图像;
获取所述指定部位对应的训练模型;
通过所述训练模型,得到所述定位图像的第一分割区域;
获取所述第一分割区域的指定边界点,作为第一边界点;
根据所述第一边界点,确定所述受检者指定部位的扫描定位框。
2.根据权利要求1所述的方法,其特征在于,在螺旋扫描方式下,所述第一边界点包括所述第一分割区域的最高边界点、最低边界点、最左边界点、最右边界点;
根据所述第一边界点,确定所述受检者指定部位的扫描定位框,包括:
根据所述最高边界点,确定穿过所述最高边界点的第一水平线;
根据所述最低边界点,确定穿过所述最低边界点的第二水平线;
根据所述最左边界点,确定穿过所述最左边界点的第一垂直线;
根据所述最右边界点,确定穿过所述最右边界点的第二垂直线;
基于所述第一水平线、所述第二水平线、所述第一垂直线和所述第二垂直线,确定螺旋扫描方式下的扫描定位框。
3.根据权利要求2所述的方法,其特征在于,基于所述第一水平线、所述第二水平线、所述第一垂直线和所述第二垂直线,确定螺旋扫描方式下的扫描定位框,包括:
将所述第一水平线向上平移第一指定距离,得到第一修正水平线;
将所述第二水平线向下平移所述第二指定距离,得到第二修正水平线;
将所述第一垂直线向左平移第三指定距离,得到第一修正垂直线;
将所述第二垂直线向右平移所述第四指定距离,得到第二修正垂直线;
获取所述第一修正水平线、所述第二修正水平线、所述第一修正垂直线和所述第二修正垂直线所围成的第一矩形,以所述第一矩形作为螺旋扫描方式下的扫描定位框。
4.根据权利要求1所述的方法,其特征在于,在横断面扫描方式下,所述方法还包括:
通过所述训练模型,得到所述定位图像的第二分割区域;
基于所述第二分割区域,确定扫描倾角;
获取所述第一分割区域的指定边界点,作为第一边界点,包括:
获取所述第一分割区域在所述扫描倾角方向上的最高边界点、在所述扫描倾角方向上的最低边界点、第一分割区域的最左边界点、第一分割区域的最右边界点。
5.根据权利要求4所述的方法,其特征在于,基于所述第二分割区域,确定扫描倾角,包括:
获取所述第二分割区域的指定边界点,作为第二边界点,所述第二边界点包括所述第二分割区域的左上角顶点、左下角顶点和最右侧角的顶点;
确定所述左上角顶点和所述左下角顶点的连线的中点;
将所述中点与所述最右侧角的顶点相连,得到倾斜线;
获取所述倾斜线与水平线的夹角,作为横断面扫描方式下的扫描倾角。
6.根据权利要求4所述的方法,其特征在于,根据所述第一边界点,确定所述受检者指定部位的扫描定位框,包括:
确定穿过所述第一分割区域在所述扫描倾角方向上的最高边界点、且与水平线之间夹角等于所述扫描倾角的第一准边界线;
确定穿过所述第一分割区域在所述扫描倾角方向上的最低边界点、且与水平线之间夹角等于所述扫描倾角的第二准边界线;
确定穿过所述第一分割区域的最左边界点、且为垂直线的第三准边界线;
确定穿过所述第一分割区域最右边界点、且为垂直线的第四准边界线;
基于所述第一准边界线、所述第二准边界线、所述第三准边界线和所述第四准边界线,确定横断面扫描方式下的扫描定位框。
7.根据权利要求6所述的方法,其特征在于,基于所述第一准边界线、所述第二准边界线、所述第三准边界线和所述第四准边界线,确定横断面扫描方式下的扫描定位框,包括:
将所述第一准边界线向上平移第五指定距离,得到第一修正边界线;
将所述第二准边界线向下平移所述第六指定距离,得到第二修正边界线;
将所述第三准边界线向左平移第七指定距离,得到第三修正边界线;
将所述第四准边界线向右平移所述第八指定距离,得到第四修正边界线;
获取所述第一修正边界线、所述第二修正边界线、所述第三修正边界线和所述第四修正边界线所围成的第二矩形,以所述第二矩形作为横断面扫描方式下的扫描定位框。
8.根据权利要求1所述的方法,其特征在于,所述获取所述指定部位对应的训练模型,包括:
采集指定数量的所述指定部位的定位图像,作为样本图像;
根据所述样本图像和神经网络,获取所述指定部位对应的训练模型。
9.一种医学图像扫描方法,其特征在于,所述方法包括:
获取受检者指定部位的定位图像;
获取所述指定部位对应的训练模型;
通过所述训练模型,得到所述定位图像的指定分割区域;
根据所述指定分割区域,确定受检者指定部位的扫描线方向。
10.一种医学影像设备,其特征在于,所述设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述指令被所述处理器执行时,导致所述设备实现如权利要求1-9任一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711368029.5A CN108109170B (zh) | 2017-12-18 | 2017-12-18 | 医学图像扫描方法及医学影像设备 |
EP18892748.7A EP3729377A4 (en) | 2017-12-18 | 2018-12-18 | SYSTEMS AND METHODS FOR DETERMINING THE SCANNING PARAMETER IN IMAGING |
PCT/CN2018/121811 WO2019120196A1 (en) | 2017-12-18 | 2018-12-18 | Systems and methods for determining scanning parameter in imaging |
US16/904,596 US11877873B2 (en) | 2017-12-18 | 2020-06-18 | Systems and methods for determining scanning parameter in imaging |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711368029.5A CN108109170B (zh) | 2017-12-18 | 2017-12-18 | 医学图像扫描方法及医学影像设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108109170A true CN108109170A (zh) | 2018-06-01 |
CN108109170B CN108109170B (zh) | 2022-11-08 |
Family
ID=62210075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711368029.5A Active CN108109170B (zh) | 2017-12-18 | 2017-12-18 | 医学图像扫描方法及医学影像设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108109170B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109124635A (zh) * | 2018-09-25 | 2019-01-04 | 上海联影医疗科技有限公司 | 模型生成方法、磁共振成像扫描方法及*** |
CN109872312A (zh) * | 2019-02-15 | 2019-06-11 | 腾讯科技(深圳)有限公司 | 医学图像分割方法、装置、***及图像分割方法 |
WO2019120196A1 (en) * | 2017-12-18 | 2019-06-27 | Shenzhen United Imaging Healthcare Co., Ltd. | Systems and methods for determining scanning parameter in imaging |
CN110301924A (zh) * | 2019-07-08 | 2019-10-08 | 东软医疗***股份有限公司 | 处理图像的方法、装置及设备 |
CN110675444A (zh) * | 2019-09-26 | 2020-01-10 | 东软医疗***股份有限公司 | 头部ct扫描区域的确定方法、装置及图像处理设备 |
CN111493911A (zh) * | 2020-04-30 | 2020-08-07 | 上海联影医疗科技有限公司 | 一种扫描定位框的生成方法、装置和计算机设备 |
TWI755853B (zh) * | 2019-09-20 | 2022-02-21 | 大陸商上海商湯智能科技有限公司 | 圖像處理方法、電子設備和電腦可讀儲存介質 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102760228A (zh) * | 2011-04-27 | 2012-10-31 | 中国林业科学研究院森林生态环境与保护研究所 | 基于标本图像的鳞翅目昆虫种类自动鉴别方法 |
CN103150556A (zh) * | 2013-02-20 | 2013-06-12 | 西安理工大学 | 用于道路交通监控的安全带自动检测方法 |
CN104200521A (zh) * | 2014-09-04 | 2014-12-10 | 中国科学院遥感与数字地球研究所 | 基于模型先验的高分辨率 sar 图像建筑物目标三维重建方法 |
CN104424629A (zh) * | 2013-08-19 | 2015-03-18 | 深圳先进技术研究院 | 一种x光胸片肺部分割方法和装置 |
CN106203237A (zh) * | 2015-05-04 | 2016-12-07 | 杭州海康威视数字技术股份有限公司 | 集装箱拖车编号的识别方法和装置 |
CN106960199A (zh) * | 2017-03-30 | 2017-07-18 | 博奥生物集团有限公司 | 一种真彩色眼象图白睛区域的完整提取方法 |
CN107316307A (zh) * | 2017-06-27 | 2017-11-03 | 北京工业大学 | 一种基于深度卷积神经网络的中医舌图像自动分割方法 |
-
2017
- 2017-12-18 CN CN201711368029.5A patent/CN108109170B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102760228A (zh) * | 2011-04-27 | 2012-10-31 | 中国林业科学研究院森林生态环境与保护研究所 | 基于标本图像的鳞翅目昆虫种类自动鉴别方法 |
CN103150556A (zh) * | 2013-02-20 | 2013-06-12 | 西安理工大学 | 用于道路交通监控的安全带自动检测方法 |
CN104424629A (zh) * | 2013-08-19 | 2015-03-18 | 深圳先进技术研究院 | 一种x光胸片肺部分割方法和装置 |
CN104200521A (zh) * | 2014-09-04 | 2014-12-10 | 中国科学院遥感与数字地球研究所 | 基于模型先验的高分辨率 sar 图像建筑物目标三维重建方法 |
CN106203237A (zh) * | 2015-05-04 | 2016-12-07 | 杭州海康威视数字技术股份有限公司 | 集装箱拖车编号的识别方法和装置 |
CN106960199A (zh) * | 2017-03-30 | 2017-07-18 | 博奥生物集团有限公司 | 一种真彩色眼象图白睛区域的完整提取方法 |
CN107316307A (zh) * | 2017-06-27 | 2017-11-03 | 北京工业大学 | 一种基于深度卷积神经网络的中医舌图像自动分割方法 |
Non-Patent Citations (1)
Title |
---|
LIU YULIANG: ""Deep Matching Prior Network:Toward Tighter Multi-oriented Text Detection"", 《ARXIV:1703.01425》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019120196A1 (en) * | 2017-12-18 | 2019-06-27 | Shenzhen United Imaging Healthcare Co., Ltd. | Systems and methods for determining scanning parameter in imaging |
US11877873B2 (en) | 2017-12-18 | 2024-01-23 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for determining scanning parameter in imaging |
CN109124635A (zh) * | 2018-09-25 | 2019-01-04 | 上海联影医疗科技有限公司 | 模型生成方法、磁共振成像扫描方法及*** |
CN109124635B (zh) * | 2018-09-25 | 2022-09-02 | 上海联影医疗科技股份有限公司 | 模型生成方法、磁共振成像扫描方法及*** |
CN109872312B (zh) * | 2019-02-15 | 2022-12-20 | 腾讯科技(深圳)有限公司 | 医学图像分割方法、装置、***及图像分割方法 |
CN109872312A (zh) * | 2019-02-15 | 2019-06-11 | 腾讯科技(深圳)有限公司 | 医学图像分割方法、装置、***及图像分割方法 |
CN110301924A (zh) * | 2019-07-08 | 2019-10-08 | 东软医疗***股份有限公司 | 处理图像的方法、装置及设备 |
CN110301924B (zh) * | 2019-07-08 | 2023-05-30 | 东软医疗***股份有限公司 | 处理图像的方法、装置及设备 |
TWI755853B (zh) * | 2019-09-20 | 2022-02-21 | 大陸商上海商湯智能科技有限公司 | 圖像處理方法、電子設備和電腦可讀儲存介質 |
CN110675444B (zh) * | 2019-09-26 | 2023-03-31 | 东软医疗***股份有限公司 | 头部ct扫描区域的确定方法、装置及图像处理设备 |
CN110675444A (zh) * | 2019-09-26 | 2020-01-10 | 东软医疗***股份有限公司 | 头部ct扫描区域的确定方法、装置及图像处理设备 |
CN111493911A (zh) * | 2020-04-30 | 2020-08-07 | 上海联影医疗科技有限公司 | 一种扫描定位框的生成方法、装置和计算机设备 |
CN111493911B (zh) * | 2020-04-30 | 2023-11-28 | 上海联影医疗科技股份有限公司 | 一种扫描定位框的生成方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108109170B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108109170A (zh) | 医学图像扫描方法及医学影像设备 | |
CN107909622B (zh) | 模型生成方法、医学成像的扫描规划方法及医学成像*** | |
US7773786B2 (en) | Method and apparatus for three-dimensional interactive tools for semi-automatic segmentation and editing of image objects | |
US10881353B2 (en) | Machine-guided imaging techniques | |
JP5654557B2 (ja) | 患者特異的なモデルを用いた画像誘導による処置のためのコンピュータ化されたシミュレーションを実行するためのシステムおよび方法 | |
CN104346821B (zh) | 用于医学成像的自动规划 | |
KR102450931B1 (ko) | 이미지 정합 방법 및 연관된 모델 훈련 방법, 기기, 장치 | |
CN101542532B (zh) | 用于数据处理的方法、设备和计算机程序 | |
US20040101186A1 (en) | Initializing model-based interpretations of digital radiographs | |
CN1977773A (zh) | 用于支架规划和支架植入过程的计算机化的工作流方法 | |
CN111311655B (zh) | 多模态图像配准方法、装置、电子设备、存储介质 | |
CN113643790A (zh) | 一种脊椎的置换建模方法及*** | |
CN110349236A (zh) | 一种图像校正方法和*** | |
CN1864074A (zh) | 通过一个个性化人体模型来确定有关磁共振图像的位置和方向的患者信息 | |
CN113506331A (zh) | 组织器官的配准方法、装置、计算机设备和存储介质 | |
CN101504727B (zh) | 图像处理设备及其方法 | |
CN107403457A (zh) | 医学成像方法、设备及多模态医学成像方法 | |
CN109754369A (zh) | 确定图像数据集的坐标系之间的变换 | |
CN108876770A (zh) | 一种眼底多光谱图像联合配准方法及*** | |
CN114831729B (zh) | 超声心动图和ct多模态图像融合的左心耳封堵模拟*** | |
CN109350059B (zh) | 用于肘部自动对准的组合的转向引擎和界标引擎 | |
CN103932706B (zh) | 磁共振成像扫描方法及装置 | |
US20210068695A1 (en) | Method Providing ECG Analysis Interface and System | |
CN112927213B (zh) | 一种医学图像分割方法、介质及电子设备 | |
CN107392976A (zh) | 数据处理方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |