CN109087357A - 扫描定位方法、装置、计算机设备及计算机可读存储介质 - Google Patents
扫描定位方法、装置、计算机设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109087357A CN109087357A CN201810835317.5A CN201810835317A CN109087357A CN 109087357 A CN109087357 A CN 109087357A CN 201810835317 A CN201810835317 A CN 201810835317A CN 109087357 A CN109087357 A CN 109087357A
- Authority
- CN
- China
- Prior art keywords
- plane
- image data
- point
- history
- distance
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种扫描定位方法、装置、计算机设备及计算机可读存储介质,方法包括:获取待定位部位的三维图像数据;将三维图像数据输入至预先训练好的位置点特征模型中,获得位置点特征模型输出的各位置点特征数据;根据各位置点特征数据确定平面拟合点,并根据平面拟合点确定待定位的平面方程。本发明实施例所提供的方法仅通过待定位部位的三维图像数据即可实现扫描平面的定位,可适用于通过不同的扫描模态对不同扫描部位进行扫描定位时的情形,使得扫描平面的定位更加快速、准确,减小了扫描过程所需时间,提高了扫描图像的准确度,并且克服了根据解剖学标记点进行定位的不准确性,在预扫描范围不全时,仍能较好的实现扫描平面的定位。
Description
技术领域
本发明实施例涉及医学图像扫描技术领域,尤其涉及一种扫描定位方法、装置、计算机设备及计算机可读存储介质。
背景技术
医学成像检查在疾病的临床诊断中有着非常重要的辅助作用,在进行医学扫描时,常常需要对受检者目标区域进行固定位置/平面的扫描,以辅助疾病的诊断、治疗等。
以磁共振成像为例,对于常规的磁共振扫描过程,通常首先由医生通过预扫描图像识别出解剖学位置后手工标定参考定位线,根据参考定位线对解剖学位置施加扫描序列进行精确扫描。
以心脏磁共振扫描为例,心脏磁共振定位扫描最少需要病人5次屏气,分别为三断面、多层轴位、假二腔、假四腔及多层短轴,屏气扫描时间最少需要4~5分钟,中间还需要医生六次手工定位,每次定位结果都会影响后续的扫描结果,如果技师经验不足,则可能需要重复扫描,重复定位,定位时间长而且最后的定位结果可能会难以满足临床诊断的需要。同时,通过手工定位方式进行心脏定位扫描时结果不统一,对同一个受试者,不同操作者之间和同一个操作者不同的时间的定位结果可能都会有很大差别。由此可见,现有的扫描定位方式效率较低,延长了整个扫描过程所需要的时间,并且由于人工差异、经验差异,可能会造成识别结果、标定结果不一致,扫描参数的精度无法保证。
目前,还可以根据待定位部位的解剖学位置点进行扫描平面的定位。具体的,通过对待定位部位的3D侦查图像进行各个解剖学位置的检测,通过解剖学的固定位置点确定扫描平面。例如,通过3D侦查图像确定心脏区域的二尖瓣点,心尖点,左室到主动脉流出点,右室最大角点等位置点,将特定位置点所组成的平面确定为扫描平面。如短轴面垂直于二尖瓣点和心尖的连线,经过左心室中心,四腔面经过二尖瓣和心尖连线,并经过右室最大径点。但这些点是根据医生经验总结出来的大概位置点,实际扫描时,根据解剖学位置点所确定的面可能不是最佳的面,并且某些预扫描图像可能范围不足导致某些解刨学位置点缺失,使得扫描平面的定位不准确。
发明内容
本发明实施例提供了一种扫描定位方法、装置、计算机设备及计算机可读存储介质,以实现快速、准确的实现扫描平面的定位。
第一方面,本发明实施例提供了一种扫描定位方法,包括:
获取待定位部位的三维图像数据;
将所述三维图像数据输入至预先训练好的位置点特征模型中,获得所述位置点特征模型输出的各位置点特征数据;
根据各所述位置点特征数据从各所述位置点中提取出平面拟合点,并根据所述平面拟合点确定待定位的平面方程。
第二方面,本发明实施例还提供了一种扫描定位装置,包括:
数据获取模块,用于获取待定位部位的三维图像数据;
特征数据模块,用于将所述三维图像数据输入至预先训练好的位置点特征模型中,获得所述位置点特征模型输出的各位置点特征数据;
平面确定模块,用于根据各位置点特征数据确定平面拟合点,并根据平面拟合点确定待定位的平面方程。
第三方面,本发明实施例还提供了一种计算机设备,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任意实施例所提供的扫描定位方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的扫描定位方法。
本发明实施例通过获取待定位部位的三维图像数据;将所述三维图像数据输入至预先训练好的位置点特征模型中,获得所述位置点特征模型输出的各位置点特征数据;根据各位置点特征数据确定平面拟合点,并根据平面拟合点确定待定位的平面方程,本发明实施例所提供的扫描定位方法仅通过待定位部位的三维图像数据即可实现待定位部位扫描平面的定位,可适用于通过不同的扫描模态对不同扫描部位进行扫描定位时的情形,使得扫描平面的定位更加快速、准确,进而减小了扫描过程所需时间,提高了扫描图像的准确度,并且克服了根据解剖学标记点进行定位的不准确性,在预扫描范围不全时,仍能较好的实现扫描平面的定位。
附图说明
图1是本发明实施例一所提供的扫描定位方法的流程图;
图2a是本发明实施例二所提供的扫描定位方法的流程图;
图2b是本发明实施例所提供的扫描定位方法中使用距离计算模型进行扫描定位的示意图;
图3a是本发明实施例三所提供的扫描定位方法的流程图;
图3b是本发明实施例三所提供的扫描定位方法中距离场计算模型的训练过程示意图;
图3c是本发明实施例所提供的扫描定位方法中对距离计算模型进行训练的示意图;
图4a是本发明实施例四所提供的扫描定位方法的流程图;
图4b是本发明实施例所提供的扫描定位方法中使用面分割模型进行扫描定位的示意图;
图5a是本发明实施例五所提供的扫描定位方法的流程图;
图5b是本发明实施例所提供的扫描定位方法中对面分割模型进行训练的示意图;
图6是本发明实施例六所提供的扫描定位装置的结构示意图;
图7是本发明实施例七所提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一所提供的扫描定位方法的流程图,本实施例可适用于通过各种扫描模态对各医学成像部位进行定位扫描时的情形,尤其适用于使用心脏磁共振成像***对心脏进行扫描定位时的情形。该方法可以由扫描定位装置执行,该扫描定位装置可以采用软件和/或硬件的方式实现,例如,该扫描定位装置可配置于计算机设备中。如图1所示,该方法具体包括:
S110、获取待定位部位的三维图像数据。
在本实施例中,通过待定位部位的三维图像数据进行扫描平面的定位。可选的,待定位部位的三维图像数据为对待定位部位进行预扫描所形成的3D侦查数据。示例性的,当待定位部位为心脏区域时,三维图像数据为心脏区域的3D侦查数据。
可选的,待定位部位的三维图像数据的获取方式包括:获取扫描区域内同一方向的多层图像数据,将多层图像数据进行图像重建形成扫描区域的三维图像数据,使用预设的图像提取算法从扫描区域的三维图像数据中提取出待定位部位的三维图像数据。可选的,可以采用自动阈值算法对扫描区域的三维图像数据进行分割,将扫描区域的三维图像数据分割为前景数据和背景数据,然后采用形态学方法提取出待定位部位的三维图像数据。
示例性的,可以沿z轴方向进行多层扫描,获得z轴方向上的多层图像数据,使用图像重建算法对z轴方向上多层图像数据进行图像重建后获得扫描区域的三维图像数据,然后从扫描区域的三维图像数据中提取出待定位部位的三维图像数据。当待定位部位为心脏区域时,可以采用自动阈值分割算法对扫描区域的三维图像数据进行前景和背景的分割,然后采用形态学方法提取出心脏区域的三维图像数据。
S120、将三维图像数据输入至预先训练好的位置点特征模型中,获得位置点特征模型输出的各位置点特征数据。
在本实施例中,获得待定位部位的三维图像数据后,将待定位部位的三维图像数据输入至预先训练好的位置点特征模型中,获得待定位部位三维图像数据中各位置点的特征数据。
可选的,各位置点的特征数据包括各位置点坐标及各位置点与待定位平面之间的距离参数。其中,各位置点与待定位平面的距离参数可以为各位置点与待定位平面之间的距离值,也可以为各位置点与待定位平面之间的距离相关值。
可选的,在将三维图像数据输入至预先训练好的位置点特征模型之前,还包括:
通过预先设置的图像数据归一化算法对待定位部位的三维图像数据进行归一化,获得图像归一化数据。
在本实施例中,在将待定位部位的三维图像数据输入位置点特征模型之前,对三维图像数据进行归一化处理。对三维图像数据进行归一化处理是将三维图像数据按设定规则进行比例缩放,使其落在小的特定区间内,方便后续数据处理过程中的数据处理过程。其中,对三维图像数据进行归一化的算法在此不做限制。例如,归一化算法可以为最小-最大规范化算法、零-均值规范化算法或小数定标规范化算法。其中,最小-最大规范化算法是通过数据的最大值与最小值对数据进行归一化处理,零-均值规范化算法是通过数据的平均值与标准差对数据进行归一化处理,小数定标规范化算法是通过移动数据的小数点位置对数据进行归一化处理。
可选的,图像数据归一化算法为最小-最大规范化算法,即可以通过最小-最大规范化算法对待定位部位的三维图像数据进行归一化处理。若待定位部位各位置点的像素值最大值为Imax,最小值为Imin,待定位部位某位置点像素值为Ic,该位置点像素值归一化后为I,则待定位部位各位置点像素值归一化计算公式为:I=(Ic-Imin)/(Imax-Imin)。
可选的,图像数据归一化算法为零-均值规范化算法,即可以通过零-均值规范化算法对待定位部位的三维图像数据进行归一化处理。若待定位部位各位置点的像素值均值为标准差为σ,待定位部位某位置点像素值为Ic,该位置点像素值归一化后为I,则待定位部位各位置点像素值归一化计算公式为:
S130、根据各位置点特征数据确定平面拟合点,并根据平面拟合点确定待定位的平面方程。
在本实施例中,可以从各位置点特征数据中筛选出部分位置点作为平面拟合点,根据筛选出的平面拟合点确定待定位的平面方程;也可以不对各位置点进行筛选,直接根据全部位置点或随机选取部分位置点作为平面拟合点,根据平面拟合点确定待定位的平面方程。
可选的,根据平面拟合点确定待定位的平面方程包括:根据各位置点特征参数从各位置点中筛选出平面拟合点,采用预设的拟合算法对各平面拟合点坐标值进行拟合,得到待定位的平面方程。
可选的,根据预设距离参数范围及待定位部位三维图像数据各位置点与待定位平面之间的距离参数对各位置点进行筛选,将满足预设距离参数范围条件的距离参数所对应的位置点作为平面拟合点,再根据各平面拟合点的坐标值拟合出待定位的平面方程。示例性的,可以采用最小二乘拟合算法对各平面拟合点的坐标值进行拟合,计算出待定位的平面方程。
可选的,根据平面拟合点确定待定位的平面方程包括:通过最优化算法根据各平面拟合点的坐标值确定待定位的平面方程。可选的,通过最优化算法确定待定位的平面方程时,平面拟合点可以为待定位部位三维图像数据中的所有位置点,也可以为三维图像数据中的部分位置点。
示例性的,可以采用最优化算法计算出待定位平面方程的参数。在本实施例中,对最优化算法不做限制。例如,最优化算法可以为梯度下降法、牛顿法、共轭方向法或共轭梯度法等算法。
示例性的,通过确定待定位平面方程的参数。其中,n为待定位部位中所有平面拟合点的个数,xi为待定位平面第i个平面拟合点的x轴坐标值,yi为待定位平面第i个平面拟合点的y轴坐标值,zi为待定位平面第i个平面拟合点的z轴坐标值,Di为当待定位平面方程为ax+by+cz+d=0时,待定位部位第i个平面拟合点与待定位平面之间的距离值,将满足待定位部位中所有平面拟合点与ax+by+cz+d=0平面之间的距离值与通过距离场计算模型获得的距离值之间的差值的和最小,且满足a2+b2+c2=1的a、b、c、d值作为待定位平面的参数。
可选的,根据平面拟合点确定待定位的平面方程包括:通过投票方式根据各平面拟合点的坐标值确定待定位的平面方程。可选的,通过投票方式确定待定位的平面方程时,平面拟合点可以为待定位部位三维图像数据中的所有位置点,也可以为三维图像数据中的部分位置点。即可以选用全部或部分平面拟合点进行投票,将概率最大的参数组合确定为待定位平面方程的参数。
本发明实施例通过获取待定位部位的三维图像数据;将所述三维图像数据输入至预先训练好的位置点特征模型中,获得所述位置点特征模型输出的各位置点特征数据;根据各位置点特征数据确定平面拟合点,并根据平面拟合点确定待定位的平面方程,本发明实施例所提供的扫描定位方法仅通过待定位部位的三维图像数据即可实现扫描平面的定位,可适用于通过不同的扫描模态对不同扫描部位进行扫描定位时的情形,使得扫描平面的定位更加快速、准确,进而减小了扫描过程所需时间,提高了扫描图像的准确度,并且克服了根据解剖学标记点进行定位的不准确性,在预扫描范围不全时,仍能较好的实现扫描平面的定位。
实施例二
图2a是本发明实施例二所提供的扫描定位方法的流程图,本实施例在上述实施例的基础上进行进一步地优化。如图2a所示,所述方法包括:
S210、获取待定位部位的三维图像数据。
S220、将三维图像数据输入至预先训练好的距离场计算模型中,获得距离场计算模型输出的距离矩阵。
在本实施例中,将预先训练好的位置点特征模型具体化为距离场计算模型,将各位置点特征数据具体化为各位置点与待定位平面之间的距离值,通过距离场计算模型计算待定位部位三维图像数据中各位置点与待定位平面之间的距离值,各位置点与待定位平面之间的距离值组成距离矩阵。
需要说明的是,若在将待定位部位的三维图像数据输入距离场计算模型之前,对数据进行了归一化处理,则距离场计算模型输出的距离矩阵中包含的距离值可以为归一化处理之后的距离值,也可以为各位置点与待定位平面之间的实际距离值。优选的,将归一化处理之后的距离值作为距离场计算模型输出的距离矩阵中的距离值,使待定位平面的定位更加准确。
S230、根据预设距离范围及各距离值对各位置点进行筛选,将满足拟合条件的位置点作为平面拟合点,并根据平面拟合点确定待定位的平面方程。
可选的,将在预设距离范围内的距离值所对应的位置点作为平面拟合点,采用预设的拟合算法对各平面拟合进行拟合,计算得到待定位的平面方程。可选的,预设距离范围可以根据待定位部位的具体情况决定。示例性的,当待定位部位为心脏时,预设距离范围可以为(0,0.1)。可选的,预设的拟合算法可以为最小二乘拟合算法。
在本发明的另一种实施方式中,还可以不对各位置点进行筛选,直接根据全部位置点或随机选取部分位置点作为平面拟合点,通过最优化算法或投票方式根据平面拟合点确定待定位的平面方程。
可选的,通过预设的拟合算法、最优化算法或投票方式根据各平面拟合点确定待定位的平面方程的更加详细的内容可参见上述实施例,在此不再赘述。
图2b是本发明实施例所提供的扫描定位方法中使用距离计算模型进行扫描定位的示意图。图中示意性的示出了通过预先训练好的距离场计算模型进行扫描平面的定位的过程。如图2b所示,将从预扫描图中提取的待定位部位的三维图像数据输入至预先训练好的距离场计算模型中,获得距离场计算模型输出的距离场,根据距离场确定待定位平面的平面参数。
需要说明的是,采用本发明实施例所提供的扫描定位方法,对57例受试者进行了心脏磁共振成像的测试,测试结果如表1所示。表1中示出了在不同的扫描平面时,使用本发明实施例所提供的扫描定位方法所确定的扫描定位平面的法向量平均误差及距离场的平均误差。从表1中可以获得各扫描定位平面所对应的法向量平均误差及距离场平均误差值。并且使用本发明实施例所提供的扫描定位方法对不同的受试者的各心脏扫描平面进行心脏磁共振成像,成像结果经过医生的评估,只有一例需要医生微调,其他临床均可接受。
表1
短轴面 | 二腔面 | 三腔面 | 四腔面 | |
法向量平均误差(°) | 5.7 | 5.4 | 7.2 | 5.4 |
距离场平均误差(mm) | 5.4 | 3.7 | 4.7 | 6.1 |
其中,法向量角度误差计算方式为:
其中,为手工标注面的法向量,为本发明实施例所提供的扫描定定位方法所确定的扫描平面的法向量。在本实施例中,每个测试数据均对应有一个短轴面,一个二腔面,一个三腔面及一个四腔面,表1中每个扫描平面的法向量平均误差是指所有测试数据所对应的该扫描定位平面的法向量的角度误差的平均值。
距离场误差计算方式为:其中,D0为心脏部位各位置点与手工标注面之间的距离,D1为心脏部位各位置点与本发明实施例所提供的扫描定位方法所确定的扫描平面之间的实际距离。可选的,可以根据距离场计算模型输出的距离矩阵确定各位置点与扫描平面之间的实际距离。
可选的,若距离场计算模型输出的距离矩阵中的距离值为未归一化之后的距离值,则直接将距离场计算模型输出的距离矩阵中的距离值作为对应的各位置点与扫描平面之间的实际距离。若距离场计算模型输出的距离矩阵中的距离值为归一化之后的距离值,则可以对距离场计算模型输出的各位置点与扫描平面之间的距离进行反向计算,得到心脏部位各位置点与扫描平面之间的实际距离。具体的,将距离场计算模型输出的各距离值与对距离矩阵进行归一化时所采用的预设阈值之间的乘积作为各位置点与扫描平面之间的真实距离。表1中距离场平均误差是指在预设阈值以内的各距离值所对应的各位置点的距离值误差的平均值。
本发明实施例的技术方案,在上述实施例的基础上对将所述三维图像数据输入至预先训练好的位置点特征模型中,获得所述位置点特征模型输出的各位置点特征数据,根据各位置点特征数据确定平面拟合点进行了具体化,通过预先训练好的距离场计算模型计算待定位部位各位置点与待定位平面之间的距离值,并根据各距离值确定平面拟合点,使得平面拟合点的确定更加准确,进而使待定位平面的定位更加准确。
实施例三
图3a是本发明实施例三所提供的扫描定位方法的流程图,本实施例在上述实施例的基础上进行进一步地优化。如图3a所示,所述方法包括:
S310、获取历史三维图像数据和历史三维图像数据对应的待定位平面的平面参数。
在本实施例中,基于历史三维图像数据和历史三维图像数据对应的待定位平面的平面参数对预先建立好的距离场计算模型进行训练。其中,历史三维图像数据和历史三维图像数据对应的待定位平面的平面参数均为用于训练的数据。可选的,历史三维图像数据可以为待定位部位的历史扫描数据所提取出的三维图像数据,历史三维图像数据对应的待定位平面的平面参数可以为待定位平面的法向量或待定位平面的平面方程。
可选的,历史三维图像数据对应的待定位平面的平面参数的获取方式包括:
通过图像处理软件,从历史三维图像数据中使用定位线定位各待定位平面,获得各待定位平面的平面参数。可选的,可以人工通过图像处理软件对待定位平面使用定位线定位,获得对应的待定位平面的平面参数。
可选的,历史三维图像数据对应的待定位平面的平面参数的获取方式包括:
根据历史三维图像数据所对应的扫描图像信息中待定位部位各子部位图像的图像信息计算待定位平面的平面参数。
可选的,扫描图像信息为对待定位部位进行正式扫描时获得的高分辨率扫描图像信息。可选的,从扫描时真实的高分辨率扫描图像信息中获取历史三维图像数据对应的待定位平面的平面参数。一般的,对待定位部位进行扫描时正式的扫描数据较一般的预扫描数据的信息量更加丰富,并且正式的扫描数据中包含有医生在对扫描区域正式扫描的数据进行的标注信息(例如,待定位部位的各种断面、腔室等定位处理),将正式扫描数据及医生的标注信息作为训练模型过程中的“金标准”,对预先建立好的距离场计算模型进行训练。
可选的,预扫描图像为DICOM格式的图像,每幅DICOM图像中均包含有当前层的图像信息,例如,当前层的左上角坐标位置和当前层x轴单位向量vx和y轴单位向量vy,将与vx和vy垂直的单位向量作为待定位平面的单位法向量,将确定的单位法向量(a,b,c)作为待定位平面的平面参数。另外,结合当前层左上角坐标信息(x0,y0,z0),确定参数d=-ax0-by0-cz0,最终得到待定位平面的平面参数为(a,b,c,d),待定位平面的平面方程为ax+by+cz+d=0。
优选的,通过人工定位的方式,使用图像处理软件对待定位平面使用定位线定位,获得对应的待定位平面的平面参数。使用图像处理软件进行待定位平面的平面参数的获取更方便、准确。
S320、根据历史三维图像数据和平面参数计算出历史三维图像数据对应的历史距离矩阵。
可选的,通过预设的距离计算算法计算出历史三维图像数据中各位置点与待定位平面之间的历史距离值,各位置点与待定位平面之间的历史距离值组成历史三维图像数据对应的历史距离矩阵。可选的,距离计算算法可以为欧式距离算法。示例性的,若待定位平面方程为ax+by+cz+d=0,则历史三维图像数据中任意位置点(xi,yi,zi)与待定位平面之间的距离为:
S330、基于历史三维图像数据和历史距离矩阵生成训练样本集,使用训练样本集对预先建立好的距离场计算模型进行训练,得到训练好的距离场计算模型。
在本实施例中,使用历史三维图像数据和历史三维图像数据所对应的历史距离矩阵作为样本对对预先建立好的距离场计算模型进行训练。可选的,预先建立好的距离场计算模型为卷积神经网络模型。
图3b是本发明实施例三所提供的扫描定位方法中距离场计算模型的训练过程示意图。示例性的,本发明实施例所采用的卷积神经网络如图3b所示。其中,实线(短)直箭头表示箭头前的通道经卷积层、块均一化层及relu激活层的运算得到箭头之后的通道,虚线弯箭头和加号代表叠加和relu激活层,实线(长)弯箭头代表concat层,即将前面的通道与后面的通道并排。
示例性的,由1通道A得到16通道A的运算过程为:将1通道A经卷积层、块均一化层及relu激活层运算得到16通道A。由16通道A及16通道B得到32通道A的运算过程为:将16通道A与16通道B叠加之后经relu激活层运算,经relu激活层得到的运算结果再经卷积层、块均一化层及relu激活层运算得到32通道A。由16通道B及64通道C得到32通道C的运算过程为:将64通道C经卷积层、块均一化层及relu激活层运算后得到16通道D,将16通道B并排至16通道D之后,得到32通道C。由64通道A、64通道B及32通道B得到64通道C的运算过程为:将64通道A与64通道B叠加之后经relu激活层运算,经relu激活层得到的运算结果再经卷积层、块均一化层及relu激活层运算得到32通道E,将32通道B并排至32通道E之后,得到64通道C。由32通道C及32通道D运算得到1通道B的运算过程为:将32通道C与32通道D叠加之后经relu激活层运算,经relu激活层得到的运算结果再经卷积层、块均一化层及relu激活层运算得到1通道B。
可选的,对距离场计算模型训练的方法在此不做限制。示例性的,对距离场计算模型的训练方法可以为反向传播算法、随机梯度下降法或随机优化方法。在本实施例中,可以采用随机优化方法(adam方法)作为距离场计算模型的训练方法。
可选的,将距离场计算模型输出Iout与金标准Ilabel之间的1范数作为距离场计算模型训练过程中的代价函数。其中,金标准Ilabel为历史三维图像数据所对应的历史距离矩阵,即将历史三维图像数据输入至距离场计算模型中时,应输出的标准距离矩阵。示例性的,代价函数loss=|Iout-Ilabel|。可选的,距离场计算模型训练过程中的代价函数还可以为距离场计算模型输出Iout与金标准Ilabel之间的2范数、加权1范数或加权2范数,在此不做限制。
可选的,为了使得训练好的距离场计算模型适用于多种类型的三维图像数据。可以对训练数据进行扩增,对历史三维图像数据及对应的历史距离矩阵进行变形,将变形后的数据也作为距离场计算模型的训练数据。示例性的,可以对历史三维图像数据及对应的历史距离矩阵进行平移(如沿x、y或z三个方向上随机平移,平移范围为±50mm)、旋转(如绕随机旋转轴旋转随机角度,角度范围为±20°)、缩放(如随机缩放0.7-1.3倍)等处理,将处理后的数据作为训练样本,对距离场计算模型进行训练。对训练数据进行变形后作为训练数据可以将有限的训练数据扩增,增大了距离场计算模型的训练样本,使训练出的距离场计算模型在输入的三维图像数据不准确、产生偏移时,仍能够输出准确的距离矩阵。
可选的,在使用历史三维图像数据和历史三维图像数据所对应的历史距离矩阵生成训练样本集之前,还包括:
根据预设取块规则对历史三维图像数据和历史三维图像数据所对应的历史距离矩阵进行取块,使用取块后的历史三维数据和历史三维图像数据所对应的历史距离矩阵生成训练样本集。
可选的,采用滑动窗口或者随机选取的方式提取相同大小的图像块,图像块的物理范围可以为50mm*50mm*50mm-120mm*120mm*120mm,图像块的空间分辨率范围可以为2mm*2mm*2mm-5mm*5mm*5mm。示例性的,图像块的大小为100mm*100mm*100mm,空间分辨率为3mm*3mm*3mm。使用取块后的历史三维数据和历史三维图像数据所对应的历史距离矩阵生成训练样本集,减小了每个训练样本对的大小,使得基于训练样本集的训练过程速度更快。
可选的,在使用历史三维图像数据及历史距离矩阵生成训练样本之前,还包括:
分别对历史三维图像数据及历史距离矩阵数据进行归一化处理,形成历史图像归一化数据及历史距离归一化矩阵。
可选的,对历史三维图像数据进行归一化的更加详细的内容可参见上述实施例,在此不再赘述。
可选的,可以使用与历史三维图像数据相同的归一化算法对历史距离矩阵进行归一化处理,也可以使用与历史三维图像数据不同的归一化算法对历史距离矩阵进行归一化处理。在本实施例中,历史三维图像数据与历史距离矩阵的数据分布规律不同,采用不同于历史三维图像数据的归一化算法对历史距离矩阵进行归一化处理。
示例性的,可以预先设置距离阈值T1,根据距离矩阵对历史距离矩阵进行截断和归一化。具体的,若历史距离矩阵内任一距离值为Di,则将Di>T1的距离值设置为T1,然后将历史距离矩阵内所有的距离值除以T1,得到历史距离归一化矩阵。由此可见,历史距离归一化矩阵内的历史距离归一化值在0-1之间。可选的,距离阈值T1取值范围为(30mm,200mm)。归一化后的历史距离归一化矩阵大小与历史三维图像数据大小相同,历史距离归一化矩阵中每个值为对应位置点到待定位平面的归一化的距离。
图3c是本发明实施例所提供的扫描定位方法中对距离计算模型进行训练的示意图。图中示意性的示出了对距离计算模型进行训练的过程。如图3c所示,根据待定位平面的平面参数计算三维图像数据所对应的距离场,将距离场及从预扫描图中提取的待定位部位的三维图像数据作为训练样本对对距离计算模型进行训练,获得训练好的距离计算模型。
S340、获取待定位部位的三维图像数据。
S350、将三维图像数据输入至预先训练好的距离场计算模型中,获得距离场计算模型输出的距离矩阵。
S360、根据预设距离范围及各距离值对各位置点进行筛选,将满足拟合条件的位置点作为距离平面拟合点,并根据距离平面拟合点确定待定位的平面方程。
需要说明的是,本发明实施例所提供的距离场计算模型的训练方法可单独执行。也就是说,可以单独使用本发明实施例所提供的S310-S330中的操作步骤完成对距离场计算模型的训练,不再执行后续步骤S340-S360中基于待定位部位的三维图像数据通过距离计算模型确定待定位的平面方程的操作。
本发明实施例的技术方案,在上述实施例的基础上增加了对距离场计算模型进行训练的操作,通过获取历史三维图像数据和历史三维图像数据对应的待定位平面的平面参数;根据历史三维图像数据和平面参数计算出历史三维图像数据对应的历史距离矩阵;基于历史三维图像数据和历史距离矩阵生成训练样本集,使用训练样本集对预先建立好的距离场计算模型进行训练,得到训练好的距离场计算模型,使得训练所得到的距离计算模型更加准确。
实施例四
图4a是本发明实施例四所提供的扫描定位方法的流程图,本实施例在上述实施例的基础上进行进一步地优化。如图4a所示,所述方法包括:
S410、获取待定位部位的三维图像数据。
S420、将三维图像数据输入至预先训练好的面分割模型中,获得面分割模型输出的距离分割矩阵。
在本实施例中,将预先训练好的位置点特征模型具体化为面分割模型,将各位置点特征数据具体化为各位置点与待定位平面之间的距离分割值,通过面分割模型计算待定位部位三维图像数据中各位置点与待定位平面之间的距离分割值,各位置点与待定位平面之间的距离分割值组成距离分割矩阵。
可选的,面分割模型为分类模型,其输出包括前景输出通道和背景输出通道,获取前景输出通道输出的数据,将其作为待定位部位三维图像数据所对应的距离分割矩阵。
S430、根据预设第一分割阈值及各距离分割值对各位置点进行筛选,将满足分割条件的位置点作为平面拟合点。
可选的,获得面分割模型输出的距离分割矩阵后,根据预设第一分割阈值及距离分割矩阵中各位置点与待定位平面之间的距离分割值对待定位部位三维图像数据中的各位置点进行筛选,将大于预设第一分割阈值的距离分割值所对应的位置点作为平面拟合点。可选的,预设第一分割阈值可以根据具体的待定位部位进行调整。示意性的,当待定位部位为心脏区域时,预设第一分割阈值可以为0.5。
S440、通过预设的拟合算法将各平面拟合点拟合,得到待定位的平面方程。
在本实施例中,使用拟合算法将各平面拟合点进行拟合,获得待定位的平面方程。可选的,根据各平面拟合点拟合形成待定位平面方程的与上述实施例中根据平面拟合点确定待定位的平面方程的方式类似,其更加详细的内容可参见上述实施例,在此不再赘述。
图4b是本发明实施例所提供的扫描定位方法中使用面分割模型进行扫描定位的示意图。图中示意性的示出了通过预先训练好的面分割模型进行扫描平面的定位的过程。如图4b所示,将从预扫描图中提取的待定位部位的三维图像数据输入至预先训练好的面分割模型中,获得面分割模型输出的距离分割矩阵,根据距离分割矩阵确定待定位平面的平面参数。
本发明实施例的技术方案,在上述实施例的基础上对将所述三维图像数据输入至预先训练好的位置点特征模型中,获得所述位置点特征模型输出的各位置点特征数据,根据各位置点特征数据确定平面拟合点进行了具体化,通过预先训练好的面分割模型计算待定位部位各位置点与待定位平面之间的距离分割值,并通过预设第一分割阈值将满足预设分割条件的距离分割值所对应的位置点作为分割平面拟合点,使得分割平面拟合点的确定更加准确,进而使待定位平面的定位更加准确,并且从各位置点中筛选出部分位置点作为分割平面拟合点使得待定位平面的拟合速度更快,减小了扫描过程所需时间。
实施例五
图5a是本发明实施例五所提供的扫描定位方法的流程图,本实施例在上述实施例的基础上进行进一步地优化。如图5a所示,所述方法包括:
S510、获取历史三维图像数据和历史三维图像数据对应的待定位平面的平面参数。
S520、根据历史三维图像数据和平面参数计算出历史三维图像数据对应的历史距离矩阵。
在本实施例中,获取历史三维图像数据和历史三维图像数据对应的待定位平面的平面参数的方式,及计算历史距离矩阵的方式与上述实施例中类似,具体详细内容可参见上述实施例,在此不再赘述。
S530、根据预设的第二分割阈值对历史距离矩阵进行分割,获得历史距离分割矩阵。
在本实施例中,根据预设的第二分割阈值对历史距离矩阵进行分割后,使用分割得到的历史距离分割矩阵进行面分割模型的训练。可选的,历史距离分割矩阵由历史三维图像数据中各位置点与待定位平面的分割距离值组成。
可选的,根据预设的第二分割阈值对历史距离矩阵进行分割,获得历史距离分割矩阵,包括:
根据预设的第二分割阈值对历史距离矩阵中各历史距离值进行调整,将调整后的历史距离值所组成的矩阵作为历史距离分割矩阵。
示例性的,若第二分割阈值为T,则根据第二分割阈值T对历史距离矩阵中各历史距离值进行调整。可选的,若历史距离矩阵中任一历史距离值为Di,则将Di<T的历史距离值调整为1,将其他历史距离值调整为0。可选的,第二分割阈值的取值可以根据待定位部位进行调整。示例性的,当待定位部位为心脏区域时,第二分割阈值可以为5mm。
S540、基于历史三维图像数据及历史分割距离矩阵生成训练样本集,使用训练样本集对预先建立好的面分割模型进行训练,得到训练好的面分割模型。
可选的,面分割模型训练过程中的代价函数可以为焦点损失函数focalloss、dice等用于分类的代价函数。在本实施例中,对面分割模型的训练方式与上述实施例中对距离计算模型的训练方式类似,更加详细的内容可参见上述实施例,在此不再赘述。
图5b是本发明实施例所提供的扫描定位方法中对面分割模型进行训练的示意图。图中示意性的示出了对面分割模型进行训练的过程。如图5b所示,根据待定位平面的平面参数计算三维图像数据所对应的距离分割矩阵,将距离分割矩阵及从预扫描图中提取的待定位部位的三维图像数据作为训练样本对对面分割模型进行训练,获得训练好的面分割模型。
S550、获取待定位部位的三维图像数据。
S560、将三维图像数据输入至预先训练好的面分割模型中,获得面分割模型输出的距离分割矩阵。
S570、根据预设第一分割阈值及各距离分割值对各位置点进行筛选,将满足分割条件的位置点作为平面拟合点。
S580、通过预设的拟合算法将各平面拟合点拟合,得到待定位的平面方程。
需要说明的是,本发明实施例所提供的面分割模型的训练方法可单独执行。也就是说,可以单独使用本发明实施例所提供的S510-S540中的操作步骤完成对面分割模型的训练,不再执行后续步骤S550-S580中基于待定位部位的三维图像数据通过面分割模型确定待定位的平面方程的操作。
本发明实施例的技术方案,在上述实施例的基础上增加了对面分割模型进行训练的操作,通过获取历史三维图像数据和历史三维图像数据对应的待定位平面的平面参数;根据历史三维图像数据和平面参数计算出历史三维图像数据对应的历史距离矩阵;根据预设的第二分割阈值对历史距离矩阵进行分割,获得历史距离分割矩阵;基于历史三维图像数据及历史分割距离矩阵生成训练样本集,使用训练样本集对预先建立好的面分割模型进行训练,得到训练好的面分割模型,使得训练所得到的面分割模型更加准确。
在本发明的另一种实施方式中,还可以直接根据历史三维图像数据及历史三维图像数据所对应的平面参数对预先建立好的平面确定模型进行训练;当需要进行扫描定位时,直接将待定位部位三维图像数据和待定位部位三维图像数据的x、y、z轴的坐标矩阵输入至训练好的平面确定模型中,获得平面确定模型输出的待定位平面的平面参数。可选的,对平面模型的训练方式及数据处理方式可参见上述实施例,在此不再赘述。
实施例六
图6是本发明实施例六所提供的扫描定位装置的结构示意图。该扫描定位装置可以采用软件和/或硬件的方式实现,例如该扫描定位装置可以配置于计算机设备中,如图6所示,所述装置包括:数据获取模块610、特征数据模块620和平面确定模块630,其中:
数据获取模块610,用于获取待定位部位的三维图像数据;
特征数据模块620,用于将所述三维图像数据输入至预先训练好的位置点特征模型中,获得所述位置点特征模型输出的各位置点特征数据;
平面确定模块630,用于根据各位置点特征数据确定平面拟合点,并根据平面拟合点确定待定位的平面方程。
本发明实施例通过数据获取模块获取待定位部位的三维图像数据;特征数据模块将所述三维图像数据输入至预先训练好的位置点特征模型中,获得所述位置点特征模型输出的各位置点特征数据;平面确定模块根据各位置点特征数据确定平面拟合点,并根据平面拟合点确定待定位的平面方程,本发明实施例所提供的扫描定位方法仅通过待定位部位的三维图像数据即可实现扫描平面的定位,可适用于通过不同的扫描模态对不同扫描部位进行扫描定位时的情形,使得扫描平面的定位更加快速、准确,进而减小了扫描过程所需时间,提高了扫描图像的准确度,并且克服了根据解剖学标记点进行定位的不准确性,在预扫描范围不全时,仍能较好的实现扫描平面的定位。
在上述方案的基础上,所述特征数据模块620具体用于:
将所述三维图像数据输入至预先训练好的距离场计算模型中,获得所述距离场计算模型输出的距离矩阵,所述距离矩阵由各所述位置点与所述待定位平面的距离值组成。
在上述方案的基础上,所述平面确定模块630具体用于:
根据预设距离范围及各所述距离值对各所述位置点进行筛选,将满足拟合条件的位置点作为平面拟合点,并根据所述平面拟合点确定待定位的平面方程。
在上述方案的基础上,所述装置还包括:
历史数据获取单元,用于在获取待定位部位的三维图像数据之前,获取历史三维图像数据和所述历史三维图像数据对应的待定位平面的平面参数;
距离矩阵确定单元,用于根据所述历史三维图像数据和所述平面参数计算出所述历史三维图像数据对应的历史距离矩阵,所述距离矩阵由历史三维图像数据中各位置点与所述待定位平面的距离值组成;
距离场模型训练单元,用于基于所述历史三维图像数据和所述历史距离矩阵生成训练样本集,使用所述训练样本集对预先建立好的距离场计算模型进行训练,得到训练好的距离场计算模型。
在上述方案的基础上,所述特征数据模块620具体用于:
将所述三维图像数据输入至预先训练好的面分割模型中,获得所述面分割模型输出的距离分割矩阵,所述距离分割矩阵由各所述位置点与待定位平面的距离分割值组成。
在上述方案的基础上,所述平面确定模块630包括:
拟合点确定单元,用于根据预设第一分割阈值及各距离分割值对各位置点进行筛选,将满足分割条件的位置点作为平面拟合点;
平面拟合单元,用于通过预设的拟合算法将各平面拟合点拟合,得到待定位的平面方程。
在上述方案的基础上,所述装置还包括:
历史数据获取单元,用于在获取待定位部位的三维图像数据之前,获取历史三维图像数据和所述历史三维图像数据对应的待定位平面的平面参数;
距离矩阵确定单元,用于根据所述历史三维图像数据和所述平面参数计算出所述历史三维图像数据对应的历史距离矩阵,所述历史距离矩阵由所述历史三维图像数据中各位置点与所述待定位平面的距离值组成;
分割矩阵确定单元,用于根据预设的第二分割阈值对所述历史距离矩阵进行分割,获得历史距离分割矩阵,所述历史距离分割矩阵由所述历史三维图像数据中各位置点与所述待定位平面的分割距离值组成;
面分割模型训练单元,用于基于所述历史三维图像数据及所述历史分割距离矩阵生成训练样本集,使用所述训练样本集对预先建立好的面分割模型进行训练,得到训练好的面分割模型。
本发明实施例所提供的扫描定位装置可执行任意实施例所提供的扫描定位方法,具备执行方法相应的功能模块和有益效果。
实施例七
图7是本发明实施例七所提供的计算机设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性计算机设备712的框图。图7显示的计算机设备712仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机设备712以通用计算设备的形式表现。计算机设备712的组件可以包括但不限于:一个或者多个处理器716,***存储器728,连接不同***组件(包括***存储器728和处理器716)的总线718。
总线718表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器716或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
计算机设备712典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备712访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器728可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)730和/或高速缓存存储器732。计算机设备712可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储装置734可以用于读写不可移动的、非易失性磁介质(图7未显示,通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线718相连。存储器728可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块742的程序/实用工具740,可以存储在例如存储器728中,这样的程序模块742包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块742通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备712也可以与一个或多个外部设备714(例如键盘、指向设备、显示器724等)通信,还可与一个或者多个使得用户能与该计算机设备712交互的设备通信,和/或与使得该计算机设备712能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口722进行。并且,计算机设备712还可以通过网络适配器720与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器720通过总线718与计算机设备712的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备712使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理器716通过运行存储在***存储器728中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的扫描定位方法,该方法包括:
获取待定位部位的三维图像数据;
将所述三维图像数据输入至预先训练好的位置点特征模型中,获得所述位置点特征模型输出的各位置点特征数据;
根据各位置点特征数据确定平面拟合点,并根据平面拟合点确定待定位的平面方程。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供的扫描定位方法的技术方案。
实施例八
本发明实施例八还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的扫描定位方法,该方法包括:
获取待定位部位的三维图像数据;
将所述三维图像数据输入至预先训练好的位置点特征模型中,获得所述位置点特征模型输出的各位置点特征数据;
根据各位置点特征数据确定平面拟合点,并根据平面拟合点确定待定位的平面方程。
当然,本发明实施例所提供的一种计算机可读存储介质,其上存储的计算机程序不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的扫描定位方法中的相关操作。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种扫描定位方法,其特征在于,包括:
获取待定位部位的三维图像数据;
将所述三维图像数据输入至预先训练好的位置点特征模型中,获得所述位置点特征模型输出的各位置点特征数据;
根据各位置点特征数据确定平面拟合点,并根据平面拟合点确定待定位的平面方程。
2.根据权利要求1所述的方法,其特征在于,所述将所述三维图像数据输入至预先训练好的位置点特征模型中,获得所述位置点特征模型输出的各位置点特征数据,包括:
将所述三维图像数据输入至预先训练好的距离场计算模型中,获得所述距离场计算模型输出的距离矩阵,所述距离矩阵由各所述位置点与所述待定位平面的距离值组成。
3.根据权利要求2所述的方法,其特征在于,所述根据各位置点特征数据确定平面拟合点,并根据平面拟合点确定待定位的平面方程,包括:
根据预设距离范围及各所述距离值对各所述位置点进行筛选,将满足拟合条件的位置点作为平面拟合点,并根据所述平面拟合点确定待定位的平面方程。
4.根据权利要求2所述的方法,其特征在于,在获取待定位部位的三维图像数据之前,还包括:
获取历史三维图像数据和所述历史三维图像数据对应的待定位平面的平面参数;
根据所述历史三维图像数据和所述平面参数计算出所述历史三维图像数据对应的历史距离矩阵,所述距离矩阵由历史三维图像数据中各位置点与所述待定位平面的距离值组成;
基于所述历史三维图像数据和所述历史距离矩阵生成训练样本集,使用所述训练样本集对预先建立好的距离场计算模型进行训练,得到训练好的距离场计算模型。
5.根据权利要求1所述的方法,其特征在于,所述将所述三维图像数据输入至预先训练好的位置点特征模型中,获得所述位置点特征模型输出的各位置点特征数据,包括:
将所述三维图像数据输入至预先训练好的面分割模型中,获得所述面分割模型输出的距离分割矩阵,所述距离分割矩阵由各所述位置点与待定位平面的距离分割值组成。
6.根据权利要求5所述的方法,其特征在于,所述根据各位置点特征数据确定平面拟合点,并根据平面拟合点确定待定位的平面方程,包括:
根据预设第一分割阈值及各距离分割值对各位置点进行筛选,将满足分割条件的位置点作为平面拟合点;
通过预设的拟合算法将各平面拟合点拟合,得到待定位的平面方程。
7.根据权利要求5所述的方法,其特征在于,在获取待定位部位的三维图像数据之前,还包括:
获取历史三维图像数据和所述历史三维图像数据对应的待定位平面的平面参数;
根据所述历史三维图像数据和所述平面参数计算出所述历史三维图像数据对应的历史距离矩阵,所述历史距离矩阵由所述历史三维图像数据中各位置点与所述待定位平面的距离值组成;
根据预设的第二分割阈值对所述历史距离矩阵进行分割,获得历史距离分割矩阵,所述历史距离分割矩阵由所述历史三维图像数据中各位置点与所述待定位平面的分割距离值组成;
基于所述历史三维图像数据及所述历史分割距离矩阵生成训练样本集,使用所述训练样本集对预先建立好的面分割模型进行训练,得到训练好的面分割模型。
8.一种扫描定位装置,其特征在于,包括:
数据获取模块,用于获取待定位部位的三维图像数据;
特征数据模块,用于将所述三维图像数据输入至预先训练好的位置点特征模型中,获得所述位置点特征模型输出的各位置点特征数据;
平面确定模块,用于根据各位置点特征数据确定平面拟合点,并根据平面拟合点确定待定位的平面方程。
9.一种计算机设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的扫描定位方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的扫描定位方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810835317.5A CN109087357B (zh) | 2018-07-26 | 2018-07-26 | 扫描定位方法、装置、计算机设备及计算机可读存储介质 |
CN202110943320.0A CN113610923A (zh) | 2018-07-26 | 2018-07-26 | 扫描定位方法、装置、计算机设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810835317.5A CN109087357B (zh) | 2018-07-26 | 2018-07-26 | 扫描定位方法、装置、计算机设备及计算机可读存储介质 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110943320.0A Division CN113610923A (zh) | 2018-07-26 | 2018-07-26 | 扫描定位方法、装置、计算机设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109087357A true CN109087357A (zh) | 2018-12-25 |
CN109087357B CN109087357B (zh) | 2021-06-29 |
Family
ID=64830863
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110943320.0A Pending CN113610923A (zh) | 2018-07-26 | 2018-07-26 | 扫描定位方法、装置、计算机设备及计算机可读存储介质 |
CN201810835317.5A Active CN109087357B (zh) | 2018-07-26 | 2018-07-26 | 扫描定位方法、装置、计算机设备及计算机可读存储介质 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110943320.0A Pending CN113610923A (zh) | 2018-07-26 | 2018-07-26 | 扫描定位方法、装置、计算机设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113610923A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163857A (zh) * | 2019-05-24 | 2019-08-23 | 上海联影医疗科技有限公司 | 图像背景区域的检测方法、装置、存储介质及x射线*** |
CN110223352A (zh) * | 2019-06-14 | 2019-09-10 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的医学图像扫描自动定位方法 |
CN111443318A (zh) * | 2019-01-16 | 2020-07-24 | 上海联影医疗科技有限公司 | 磁共振图像处理方法、装置、存储介质和磁共振成像*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101034480A (zh) * | 2007-04-05 | 2007-09-12 | 上海交通大学 | 心脏二尖瓣环计算机辅助重建的方法 |
CN101315661A (zh) * | 2008-07-18 | 2008-12-03 | 东南大学 | 一种减小表情影响的快速三维人脸识别方法 |
CN101344373A (zh) * | 2008-08-14 | 2009-01-14 | 中国人民解放军总后勤部军需装备研究所 | 一种基于三维头面部曲面建模的标准化处理方法 |
CN101836235A (zh) * | 2007-08-16 | 2010-09-15 | 皇家飞利浦电子股份有限公司 | 用于对三维(3d)图像数据体积中的横截平面进行采样的成像方法 |
JP2014127788A (ja) * | 2012-12-26 | 2014-07-07 | Nippon Hoso Kyokai <Nhk> | 立体画像補正装置及びそのプログラム |
CN104166978A (zh) * | 2013-12-27 | 2014-11-26 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN105389813A (zh) * | 2015-10-30 | 2016-03-09 | 上海联影医疗科技有限公司 | 医学图像中器官的识别方法及分割方法 |
CN105900140A (zh) * | 2013-11-05 | 2016-08-24 | 皇家飞利浦有限公司 | 用于实时超声成像的三平面图像的自动分割 |
CN106204514A (zh) * | 2015-04-30 | 2016-12-07 | 中国科学院深圳先进技术研究院 | 一种基于三维ct图像的肝脏定位方法及装置 |
-
2018
- 2018-07-26 CN CN202110943320.0A patent/CN113610923A/zh active Pending
- 2018-07-26 CN CN201810835317.5A patent/CN109087357B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101034480A (zh) * | 2007-04-05 | 2007-09-12 | 上海交通大学 | 心脏二尖瓣环计算机辅助重建的方法 |
CN101836235A (zh) * | 2007-08-16 | 2010-09-15 | 皇家飞利浦电子股份有限公司 | 用于对三维(3d)图像数据体积中的横截平面进行采样的成像方法 |
CN101315661A (zh) * | 2008-07-18 | 2008-12-03 | 东南大学 | 一种减小表情影响的快速三维人脸识别方法 |
CN101344373A (zh) * | 2008-08-14 | 2009-01-14 | 中国人民解放军总后勤部军需装备研究所 | 一种基于三维头面部曲面建模的标准化处理方法 |
JP2014127788A (ja) * | 2012-12-26 | 2014-07-07 | Nippon Hoso Kyokai <Nhk> | 立体画像補正装置及びそのプログラム |
CN105900140A (zh) * | 2013-11-05 | 2016-08-24 | 皇家飞利浦有限公司 | 用于实时超声成像的三平面图像的自动分割 |
CN104166978A (zh) * | 2013-12-27 | 2014-11-26 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN106204514A (zh) * | 2015-04-30 | 2016-12-07 | 中国科学院深圳先进技术研究院 | 一种基于三维ct图像的肝脏定位方法及装置 |
CN105389813A (zh) * | 2015-10-30 | 2016-03-09 | 上海联影医疗科技有限公司 | 医学图像中器官的识别方法及分割方法 |
Non-Patent Citations (1)
Title |
---|
张波: "基于三维人体骨架模型的动作识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111443318A (zh) * | 2019-01-16 | 2020-07-24 | 上海联影医疗科技有限公司 | 磁共振图像处理方法、装置、存储介质和磁共振成像*** |
CN111443318B (zh) * | 2019-01-16 | 2022-08-02 | 上海联影智能医疗科技有限公司 | 磁共振图像处理方法、装置、存储介质和磁共振成像*** |
CN110163857A (zh) * | 2019-05-24 | 2019-08-23 | 上海联影医疗科技有限公司 | 图像背景区域的检测方法、装置、存储介质及x射线*** |
CN110223352A (zh) * | 2019-06-14 | 2019-09-10 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的医学图像扫描自动定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113610923A (zh) | 2021-11-05 |
CN109087357B (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956635B (zh) | 一种肺段分割方法、装置、设备及存储介质 | |
US11576645B2 (en) | Systems and methods for scanning a patient in an imaging system | |
CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
CN107909622B (zh) | 模型生成方法、医学成像的扫描规划方法及医学成像*** | |
US20200268251A1 (en) | System and method for patient positioning | |
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及*** | |
Jones | Facial Reconstruction Using Volumetric Data. | |
US10275895B2 (en) | Mechanism for advanced structure generation and editing | |
CN109741312A (zh) | 一种肺结节鉴别方法、装置、设备及介质 | |
Li et al. | Automatic lumbar vertebrae detection based on feature fusion deep learning for partial occluded C-arm X-ray images | |
CN109087357A (zh) | 扫描定位方法、装置、计算机设备及计算机可读存储介质 | |
US20210271914A1 (en) | Image processing apparatus, image processing method, and program | |
CN111738989A (zh) | 一种器官勾画方法及装置 | |
EP3047455B1 (en) | Method and system for spine position detection | |
CN112950648A (zh) | 确定磁共振图像中的正中矢状平面的方法和设备 | |
WO2011163414A2 (en) | Mechanism for advanced structure generation and editing | |
WO2015040547A1 (en) | Method and system for spine position detection | |
Yang et al. | A multi-stage progressive learning strategy for COVID-19 diagnosis using chest computed tomography with imbalanced data | |
CN113706514B (zh) | 基于模板图像的病灶定位方法、装置、设备及存储介质 | |
TWI697010B (zh) | 醫療矢面影像的取得方法、神經網路的訓練方法及計算機裝置 | |
WO2013132407A1 (en) | Stereo x-ray tube based suppression of outside body high contrast objects | |
EP4167184A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
US9401051B2 (en) | Mechanism for dynamically propagating real-time alterations of medical images | |
Cheng et al. | Ground truth delineation for medical image segmentation based on Local Consistency and Distribution Map analysis | |
CN113657420A (zh) | 身体表示 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |