CN109493328A - 医学图像显示方法、查看设备以及计算机设备 - Google Patents
医学图像显示方法、查看设备以及计算机设备 Download PDFInfo
- Publication number
- CN109493328A CN109493328A CN201811306115.8A CN201811306115A CN109493328A CN 109493328 A CN109493328 A CN 109493328A CN 201811306115 A CN201811306115 A CN 201811306115A CN 109493328 A CN109493328 A CN 109493328A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- area
- interest
- flat
- 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 40
- 238000012549 training Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 11
- 230000003902 lesion Effects 0.000 abstract description 17
- 238000010586 diagram Methods 0.000 description 26
- 210000000038 chest Anatomy 0.000 description 16
- 238000013527 convolutional neural network Methods 0.000 description 15
- 208000020816 lung neoplasm Diseases 0.000 description 13
- 238000013507 mapping Methods 0.000 description 12
- 238000002059 diagnostic imaging Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 6
- 210000000056 organ Anatomy 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 4
- 210000000988 bone and bone Anatomy 0.000 description 4
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 241000406668 Loxodonta cyclotis Species 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 244000000010 microbial pathogen Species 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000009885 systemic effect Effects 0.000 description 2
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T13/00—Animation
- G06T13/80—2D [Two Dimensional] animation, e.g. using sprites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30008—Bone
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Biodiversity & Conservation Biology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种医学图像显示方法、查看设备以及计算机设备。所述方法包括:获取被检测对象的原始图像;获取在所述原始图像中选取的病灶区域;以病灶区域为基准,选取预设范围内的图像作为感兴趣区域图像;在感兴趣区域图像中按照预设获取方式,获取多个平面图像;将多个平面图像按照预设顺序生成动态图像。医师通过观察动态图像确定病灶位置,能够节省医师的工作量,并且能够节省医师用于确定病灶的时间。
Description
技术领域
本申请涉及医学图像技术领域,特别是涉及一种医学图像显示方法、查看设备、计算机设备和存储介质。
背景技术
医学成像设备是指利用各种媒介作为信息载体,将人体内部的结构重现为影像的各种仪器。电子计算机断层扫描(CT)是利用精确准直的X线束、γ射线、超声波等,与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描,最终生成医学图像的设备。为了获取患者特定部位的图像,可以通过CT扫描仪对患者进行扫描,生成扫描数据。根据扫描数据生成图像序列。图像序列包括多个切面图像,每一个切面图像代表患者的一个横断面图像。再根据图像序列生成患者的三维图像。所述横断面图像还可以通过计算机软件的处理重组,获得诊断所需的多平面的断面图像,例如冠状、矢状、斜位、曲面等方位的二维图像,医师通过观察图像序列以及三维图像进一步的确定患者的病灶区域。
目前的传统技术,放射科医师在对某些病灶进行检测和定位时,比如对肺结节和肋骨骨折的检测和定位,需要观察患者的几十到上百层的图像序列,医师手动对几十到上百层的图像序列中疑似病灶区域来回滚动,反复的观察,获得足够的相关背景图像信息,才能最后确定病灶的诊断。这样反复的来回滚动图像序列增大了医师的工作量,并且浪费了大量的时间。
发明内容
基于此,有必要针对上述技术问题,提供一种能够减少医师工作量并节省诊断时间的医学图像显示方法、查看设备、计算机设备和存储介质。
一种医学图像显示方法,所述方法包括:获取被检测对象的原始图像;获取在所述原始图像中选取的病灶区域;以病灶区域为基准,选取预设范围内的图像作为感兴趣区域图像;在感兴趣区域图像中按照预设获取方式,获取多个平面图像;将多个平面图像按照预设顺序生成动态图像;根据预设位置显示所述动态图像。
在其中一个实施例中,所述获取在所述原始图像中选取的病灶区域包括:将所述原始图像输入到基于图像训练集训练得到的神经网络中,得到病灶区域。
在其中一个实施例中,所述在感兴趣区域图像中按照预设获取方式,获取多个平面图像包括:沿预设方向依次在感兴趣区域图像中截取多个与预设方向垂直的切面图像作为平面图像。
在其中一个实施例中,所述在感兴趣区域图像中按照预设获取方式,获取多个平面图像包括:对感兴趣区域图像建立三维直角坐标系;在初始位置对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像;按照预设方向旋转感兴趣区域图像,每旋转预设角度,则对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像,直到感兴趣区域图像旋转至初始位置。
在其中一个实施例中,所述按照预设方向旋转感兴趣区域图像,每旋转预设角度,则对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像,直到感兴趣区域图像旋转至初始位置包括:将感兴趣区域图像绕Y轴在预设方向旋转预设角度后,对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像;将感兴趣区域图像绕X轴在预设方向旋转预设角度后,对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像;交替得到绕Y轴旋转预设角度后的平面图像和绕X轴旋转预设角度后的平面图像,直到感兴趣区域图像旋转至初始位置。
在其中一个实施例中,所述预设方向为:顺时针方向或逆时针方向。
在其中一个实施例中,所述将多个平面图像按照预设顺序生成动态图像包括:将多个平面图像按照获取顺序或与获取顺序相反的顺序生成动态图像。
一种医学图像查看设备,所述设备包括:原始图像获取模块,用于获取被检测对象的原始图像;病灶区域获取模块,用于获取在所述原始图像中选取的病灶区域;感兴趣区域图像选取模块,用于以病灶区域为基准,选取预设范围内的图像作为感兴趣区域图像;平面图像提取模块,用于在感兴趣区域图像中按照预设获取方式,获取多个平面图像;动态图像生成模块,用于将多个平面图像按照预设顺序生成动态图像;显示模块,用于根据预设位置显示所述动态图像。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一种所述方法的步骤。
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,所述计算机程序被处理器执行时实现上述任一种所述的方法的步骤。
上述医学图像显示方法、查看设备、计算机设备和存储介质,通过获取被检测对象原始图像,在原始图像中选取病灶区域,再以病灶区域为中心,选取预设范围内的图像作为感兴趣区域图像,在感兴趣区域图像中以预设方式,获取多个平面图像,将多个平面图像按照预设顺序生成动态图像。医师通过观察动态图像确定病灶位置,能够节省医师的工作量,并且能够节省医师用于确定病灶的时间。
附图说明
图1为一个实施例中医学图像显示方法的流程示意图;
图2为另一个实施例中医学图像显示方法流程示意图;
图3为一个实施例中获取平面图像方法的流程示意图;
图4为一个实施例中肋骨骨折动态显示的第一状态图;
图5为一个实施例中肋骨骨折动态显示的第二状态图;
图6为一个实施例中肋骨骨折动态显示的第三状态图;
图7为另一个实施例中肋骨骨折动态显示的第一状态图;
图8为另一个实施例中肋骨骨折动态显示的第二状态图;
图9为另一个实施例中肋骨骨折动态显示的第三状态图;
图10为一个实施例中肺结节动态显示的第一状态图;
图11为一个实施例中肺结节动态显示的第二状态图;
图12为一个实施例中肺结节动态显示的第三状态图;
图13为另一个实施例中肺结节动态显示的第一状态图;
图14为另一个实施例中肺结节动态显示的第二状态图;
图15为另一个实施例中肺结节动态显示的第三状态图;
图16为一个实施例中医学图像查看设备的结构框图;
图17为一个实施例中平面图像提取模块的结构框图;
图18为另一个实施例中平面图像提取模块的结构框图;
图19为一个实施例中旋转单元的结构框图;
图20为一个实施例中计算机设备的内部结构图。
附图标记:100为原始图像获取模块、200为病灶区域获取模块、300为感兴趣区域图像选取模块、400为平面图像提取模块、410为截取单元、420为坐标系建立单元、430为初始位置最大密度投影单元、440为旋转单元、441为X轴旋转子单元、442为Y轴旋转子单元、443为获取子单元、500为动态图像生成模块、600为显示模块。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
为了获取扫描对象的医学图像,首先需要利用医学成像设备对扫描对象进行扫描,其中扫描对象可以是患者全身器官,也可以是患者需要重点检测的器官、组织或细胞集合等。医学成像设备对扫描对象进行扫描,得到扫描数据,根据扫描数据生成医学图像序列。其中,医学图像序列为扫描对象在扫描方向上的每一个横截面的图像。再根据图像序列最终可以生成扫描对象内部结构的三维图像。其中医学成像设备可以为:X光成像仪器、CT(普通CT、螺旋CT)、正子扫描(PET)、核磁共振成像(MR)、红外扫描设备以及多种扫描设备的组合扫描设备等。
在一个实施例中,如图1所示,提供了一种医学图像显示方法,包括以下步骤:
步骤S102,获取被检测对象的原始图像。
具体地,医学成像设备根据预设的扫描参数对被检测对象进行扫描。得到扫描对象的三维图像。其中,原始图像为医学成像设备扫描生成的三维图像。其中扫描对象可以是人或动物的全身器官,也可以是人或动物需要重点检测的器官、组织或细胞集合等。
步骤S104,获取在原始图像中选取的病灶区域。
具体地,病灶区域为一个局限的并具有病原微生物的病变组织。例如,肺的某部分被结核菌破坏,那么被破坏的这一部分就被称为病灶区域。获取病灶区域的方式可以为,将原始图像输入到基于图像训练集训练得到的神经网络中,进而通过大数据分析得到病灶区域。通过学习特征或变量基于机器学习训练神经网络,将输入数据输入训练完成的神经网络中,通过特征或变量的提取匹配得到输出数据。更具体地,将神经网络训练成检测原始图像中的病灶区域,其中病灶区域通过病灶区域的坐标进行表达。用于训练的图像可以为二维图像也可以为三维图像。首先建立存储大量用于训练神经网络的图像的训练集,训练图像可以为任意医学成像设备得到的二维图像或三维图像。通过对图像训练集训练得到神经网络,通过向神经网络输入原始图像确定病灶区域坐标进一步的确定病灶区域。获取病灶区域的方式也可以为,医师通过观察原始图像,确定原始图像中的病灶区域,接收医师输入,根据医师输入在原始图像中确定病灶区域。所述确定的病灶区域可以通过勾留区域轮廓高亮显示,或者通过边框截取的区域进行显示,边框在本领域中一般称为Bounding Box,还可以标签形式标记,或者,还可以使用文件标识符的形式等标记显示。
步骤S106,以病灶区域为基准,选取预设范围内的图像作为感兴趣区域图像。
具体地,对于原始图像,有一部分图像与确定病灶无关。也就是需要提取病灶区域周围特定的区域作为感兴趣区域进行分析。更具体的,在确定病灶区域之后,以病灶区域为基准,也即以病灶区域为中心区域,选取预设范围内的图像作为感兴趣区域图像。其中,被选取的感兴趣区域图像,既包括病灶区域图像,又包括足够的相关背景图像以及病灶区域医学信息,例如病灶尺寸、位置等,以帮助医师做最后的病灶确认。
步骤S108,在感兴趣区域图像中按照预设获取方式,获取多个平面图像。
具体地,平面图像可以为,在感兴趣区域图像中沿预设方向依次截取多个与预设方向垂直的切面图像作为平面图像。其中,平面图像可以是在感兴趣区域图像的横断面上截取的图像;平面图像也可以是在感兴趣区域图像矢状面上截取的图像;平面图像也可以是在感兴趣区域图像的冠状面上截取的图像;平面图像还可以是在感兴趣区域图像任意一个方向的一端至另一端上截取的图像。将截取到的多个图像作为平面图像。平面图像还可以为,通过在感兴趣区域图像中建立直角坐标系,首先在感兴趣区域图像的初始位置对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像,然后将感兴趣区域图像按照预设的方向旋转,每旋转预设角度,则分别对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像,直到感兴趣区域图像旋转至初始位置,得到多个平面图像。其中,所述直角坐标系可以根据CT扫描过程中的床位位置,将直接坐标系以从左往右为x轴,从上往下为y轴,从脚到头为z轴建立。所述直角坐标系还可以根据感兴趣区域的医学信)建立,比如空间形态,例如肋骨CT图像中,肋骨中轴线的平面为xy轴平面,所属中轴线平面的法线向量为z轴方向。
步骤S110,将多个平面图像按照预设顺序生成动态图像。
具体地,将多个平面图像按照获取顺序或与获取顺序相反的顺序生成动态图像。其中当多个平面图像为通过在感兴趣区域图像的任意一个方向的一端至另一端上截取的图像时,则按照截取的顺序或截取顺序的相反的顺序生成动态图像。所述预设顺序也可以是基于一定图层厚度截取部分平面图像,根据获取顺获取顺序相反的顺序生成动态图像。当多个平面图像是通过在感兴趣区域图像中建立直角坐标系,再通过在预设方向旋转感兴趣区域图像,每旋转预设角度,分别对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像,直到感兴趣区域图像旋转至初始位置时,则按照获取平面图像的顺序或获取平面图像的顺序相反的顺序生成动态图像。生成动态图像可以为,将获取到的多个平面图像输入MPEG4视频压缩格式的视频编码器得到的视频;生成动态图像可以为,将获取到的多个平面图像输入H.264视频压缩格式的视频编码器得到的视频;生成动态图像还可以为,将获取到的多个平面图像压缩为GIF图像互换格式文件。
执行步骤S112:根据预设位置显示所述动态图像。
例如,以一种骨骼CT图像的显示界面为例。在一个是实施例中,所述显示界面布局有多个显示窗口(本领域中通常解释为cell),多个cell中分别显示感兴趣区域为肋骨的曲面重建图像、以及对应的多平面重建图像(例如横断面图像),通过前述步骤获取的肋骨动态图像。所述肋骨动态图像也可以在浮动窗口显示。
此外,还可以根据医师观察肋骨动态图像过程中,进行阅片区域的调整时,在肋骨的曲面重建图像的显示窗口重复步骤S102-S112,在肋骨动态图像显示窗口联动的切换显示调整后的动态图像,以满足医生阅片的操作习惯,提高诊断效率和准确性。
所述显示可以响应医师的输入选择动态图像的播放速度,例如加速播放或者慢放、正向或者逆向回放,无限循环播放或者暂停播放。
上述医学图像显示方法,通过获取被检测对象原始图像,在原始图像中选取病灶区域,再以病灶区域为基准,选取预设范围内的图像作为感兴趣区域图像,在感兴趣区域图像中以预设方式,获取多个平面图像,将多个平面图像按照预设顺序生成动态图像。医师通过观察动态图像确定病灶位置,能够节省医师的工作量,并且能够节省医师用于确定病灶的时间。
在一个实施例中,如图2所示,提供了另一种医学图像显示方法,包括以下步骤:
步骤S202,获取被检测对象的原始图像。
具体地,医学成像设备根据预设的扫描参数对被检测对象进行扫描。得到扫描对象的三维图像。其中,原始图像为医学成像设备扫描生成的三维图像。其中扫描对象可以是人或动物的全身器官,也可以是人或动物需要重点检测的器官、组织或细胞集合等。
步骤S204,获取在原始图像中选取的病灶区域。
具体地,病灶区域为一个局限的并具有病原微生物的病变组织。例如,肺的某部分被结核菌破坏,那么被破坏的这一部分就被称为病灶区域,又例在肋骨中的骨折区域,或者管状结构(例如血管、气管)的狭窄处,还活着是乳腺中的钙化点等。获取得到的原始图像中选取的病灶区域可以为,将原始图像输入到基于图像训练集训练得到的神经网络中,进而通过大数据分析得到病灶区域。通过学习特征或变量基于机器学习训练神经网络,将输入数据输入训练完成的神经网络中,通过特征或变量的提取匹配得到输出数据。更具体地,将神经网络训练成检测原始图像中的病灶区域,其中病灶区域通过病灶区域的坐标进行表达。用于训练的图像可以为二维图像也可以为三维图像。首先建立存储大量用于训练神经网络的图像的训练集,训练图像可以为任意医学成像设备得到的二维图像或三维图像。通过对图像训练集训练得到神经网络,通过向神经网络输入原始图像确定病灶区域坐标进一步的确定病灶区域。获取得到的原始图像中选取的病灶区域也可以为,医师通过观察原始图像,确定原始图像中的病灶区域,接收医师输入,根据医师输入在原始图像中确定病灶区域。
以肋骨图像中检测骨折区域作为目标区域为例。获取医学图像;从所述医学图像中分割出目标图像,所述目标图像为待检测骨骼区域对应的图像;利用骨折检测模型在所述目标图像中检测骨折区域。所述骨折检测模型基于卷积神经网络算法进行学习和训练构建。
在此具体实施例中使用了深度卷积神经网络模型包括5层卷积神经网络模型,该5层卷积神经网络模型包括:卷积层、池化层、卷积层、池化层和全联接层。在此实施例中,对于二维切片图像数据集中的任一个,深度卷积神经网络处理的过程为:
1)二维切片图像输入卷积层,该二维切片图像大小为64×64,使用感知阶段预训练得到36个5×5大小的卷积核对输入图像进行卷积,得到36个64×64大小的特征映射图;
2)池化层,使用3×3大小的窗口对卷积层中的36张特征图池化,得到36个32×32的特征映射图;
3)卷积层,对池化层的36张图像采样得到一个或多个5×5大小的图像块集合,然后使用稀疏自编码网络对这个集合训练得到64个5×5的权值,使用该权值作为卷积核,与池化层的36张图像卷积得到64张24×24大小的特征映射图。本申请中采取的措施是将36张图像每三张作一次卷积,循环两次,第一次选相邻的3张,第二次选相隔2个单位的3张,最终得到特征映射图(36-3+1)+(36-3×2)=64张。
4)池化层,使用3×3大小的窗口池化得到64张8×8的特征映射图。
5)全联接层。本申请中使用的训练数据集合共有1300张图像,经过S4以后,整个网络的特征映射图为1300×64×8×8,表示对于每一张64×64的大小的输入图像来说,可以得到64张8×8大小的映射图。将1300×64×8×8的数据降维得到(1300×64)×(8×8)=83200×64,然后通过输出为64的稀疏自编码网格训练出最终的字典。
本发明实施例提供的图像处理方法,通过对原始肋骨扫描图像经过处理得训练样本选择以及来源:
训练样例数来自于26个的病人(受试者),从每个病人的骨折三维连通域中提取出正样本图像,从非骨折连通区域提取出负样本图像,正负样本图像共10万张左右。可通过数据扩增至100万,数据扩增方式是将二维切片图像进行旋转和平移。正负样本图像的大小为32*32(32-64都可以)个像素的二维图像,所有切片图像的分辨率统一为0.25mm(0.2-0.6之间都可以)。采用图像原始的CT值作为输入,进行训练。
神经网络设置:
神经网络采用卷积神经网络(CNN),优化算法采用随机梯度下降法(SGD)更新权重。该卷积神经网络共12层,其中有三个卷积层,三个非线性映射层,三个池化层,两个全连接层,一个Loss层。
第一层为卷积层,作用是从输入图像中抽取特征,设置64个卷积核,每个卷积核大小为5*5,将输入图像与卷积核进行卷积运算后,得到第一层64个特征图,大小为32*32;
第二层是非线性映射层,作用是给神经网络中加入非线性,并且加快收敛速度。使用修正线性单元函数(Relu)对第一层特征图进行非线性映射,得到第二层特征图;
第三层为池化层,作用是降低图像大小以及降低噪声。池化核的大小为3*3,对第二层特征图进行池化,池化的方法是取3*3像素框中的最大值,得到第三层特征图,大小为16*16个像素,个数为64;
在第四层设置64个卷积核,每个卷积核大小为5*5,得到第四层64个特征图,大小为16*16;
在第五层使用修正线性单元函数对第四层特征图进行非线性映射,得到第五层特征图;
第六层为池化层,每个池化核的大小为3*3,对第五层特征图进行池化,得到第六层特征图,大小为8*8像素,个数为64个;
在第七层设置128个卷积核,每个卷积核大小为5*5,得到第七层特征图;
在第八层使用修正线性单元函数对第七层特征图进行非线性映射,得到第八层特征图;
在第九层设置,每个池化核的大小为3*3,对第八层特征图进行池化,得到第九层特征图,大小为4*4,个数为128;
在第十层设置128个卷积核,每个卷积核的大小为4*4,对第九层特征图进行全连接处理,得到第十层特征图,大小为1*1;
在第十一层设置2个卷积核,每个卷积核的大小为1*1,对第十层特征图进行全连接处理,得到第十一层特征图;
第十二层为softmax loss层,计算预测值与实际值之间的差异,将梯度通过反向传播算法(BP算法)进行回传,更新每一层的权重(weight)和偏置(bias)。
训练过程中,训练集和验证集的Loss值持续降低,当验证集的Loss值不再降低时停止训练,防止过拟合,取出该时刻的神经网络模型作为切片的分类器。测试过程中将第十二层更改为softmax层,将第十一层特征图输入至本层进行分类预测,可得到输入图像是骨折和非骨折的概率,从而得出分类结果。
在一些实施例中,神经网络模型的初始化可以包括基于如下方式构建神经网络模型:卷积神经网络(CNN)、生成对抗网络(GAN)、或类似物,或其组合,如图15及其描述。卷积神经网络(CNN)的示例可包括SRCNN(Super-Resolution Convolutional Neural Network,超分辨率卷积神经网络)、DnCNN(Denoising Convolutional Neural Network,去噪卷积神经网络)、U-net、V-net和FCN(Fully Convolutional Network,全卷积神经网络)。在一些实施例中,神经网络模型可以包括多个层,例如输入层、多个隐藏层和输出层。多个隐藏层可以包括一个或多个卷积层、一个或多个批量归一化层、一个或多个激活层、完全连接层、成本函数层等。多个层中的每一个可以包括多个节点。
步骤S206,以病灶区域为基准,选取预设范围内的图像作为感兴趣区域图像。
具体地,对于原始图像,有一部分图像与确定病灶无关。也就是需要提取病灶区域周围特定的区域作为感兴趣区域进行分析。更具体的,在确定病灶区域之后,以病灶区域为基准,也即以病灶区域为中心区域,选取预设范围内的图像作为感兴趣区域图像。其中,被选取的感兴趣区域图像,既包括病灶区域图像,又包括足够的相关背景图像,以帮助医师做最后的病灶确认。
步骤S208,对感兴趣区域图像建立三维直角坐标系。
具体地,建立直角坐标系的方法可以为,首先以感兴趣区域图像中的病灶区域为中心,选择一个旋转轴作为Y轴,然后在感兴趣区域图像中选取任意一个与Y轴垂直的方向作为X轴,再将同时垂直于X轴和Y轴的方向作为Z轴。建立直角坐标系可以为,首先对感兴趣区域图像中病灶区域的所有坐标点的位置计算协方差矩阵,再计算协方差矩阵的特征值和特征矢量,将最大特征值所对应的特征矢量作为病灶区域的中轴线方向,将中轴线方向作为Y轴,然后在感兴趣区域图像中选取任意一个与Y轴垂直的方向作为X轴,再将同时垂直于X轴和Y轴的方向作为Z轴。
步骤S210,在初始位置对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像。
具体地,以未旋转的位置作为初始位置,在初始位置对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像。其中,最大密度投影为通过计算沿着目标部位每条射线上所遇到的最大密度像素而产生的。即当光线通过感兴趣区域图像时,感兴趣区域图像中密度最大的像素被保留,并被投影到一个二维平面上,从而形成感兴趣区域图像的最大密度投影图像。
步骤S212,按照预设方向旋转感兴趣区域图像,每旋转预设角度,则对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像,直到感兴趣区域图像旋转至初始位置。
具体地,获取平面图像可以为,将感兴趣区域图像绕Y轴在预设方向旋转预设角度后,对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像;再将感兴趣区域图像绕X轴在预设方向旋转预设角度后,对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像;交替得到绕Y轴旋转预设角度后的平面图像和绕X轴旋转预设角度后的平面图像,直到感兴趣区域图像旋转至初始位置。获取平面图像还可以为,将感兴趣区域图像绕X轴在预设方向旋转预设角度后,对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像;再将感兴趣区域图像绕Y轴在预设方向旋转预设角度后,对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像;交替得到绕X轴旋转预设角度后的平面图像和绕Y轴旋转预设角度后的平面图像,直到感兴趣区域图像旋转至初始位置。其中,绕Y轴旋转的预设角度和绕X轴旋转的预设角度可以相同也可以不同。优选的,绕Y轴旋转的预设角度和绕X轴旋转的预设角度相同。绕Y轴的旋转方向与绕X轴的旋转方向相同,可以为顺时针方向旋转,也可以为逆时针方向旋转。
步骤S214,将多个平面图像按照预设顺序生成动态图像。
具体地,按照获取平面图像的顺序或获取平面图像的顺序相反的顺序生成动态图像。生成动态图像可以为,将获取到的多个平面图像输入MPEG4视频压缩格式的视频编码器得到的视频;生成动态图像可以为,将获取到的多个平面图像输入H.264视频压缩格式的视频编码器得到的视频;生成动态图像还可以为,将获取到的多个平面图像压缩为GIF图像互换格式文件。
步骤S216,根据预设位置显示所述动态图像。
例如,以一种骨骼CT图像的显示界面为例。在一个是实施例中,所述显示界面布局有多个显示窗口(本领域中通常解释为cell),多个cell中分别显示感兴趣区域为肋骨的曲面重建图像、以及对应的多平面重建图像(例如横断面图像),通过前述步骤获取的肋骨动态图像。所述肋骨动态图像也可以在浮动窗口显示。
此外,还可以根据医师观察肋骨动态图像过程中,进行阅片区域的调整时,在肋骨的曲面重建图像的显示窗口重复步骤S102-S112,在肋骨动态图像显示窗口联动的切换显示调整后的动态图像,以满足医生阅片的操作习惯,提高诊断效率和准确性。
上述一种医学图像显示方法,通过获取原始图像,在原始图像中选取病灶区域,以病灶区域为基准,选取预设范围内的图像作为感兴趣区域图像。再对感兴趣区域图像建立直角坐标系,首先在初始位置,对感兴趣区域图像在Z轴方向进行最大密度投影,得到最大密度投影图像作为平面图像。再将感兴趣区域图像按照预设方向旋转,每旋转预设角度,则对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像,直到感兴趣区域图像旋转至初始位置。将得到的多个平面图像按照预设顺序生成动态图像,能够准确的获取病灶区域,并精确的将病灶区域图像转换为平面图像,精确显示病灶的平面图像生成的动态图像,能够使医师更加清晰的对病灶区域进行观察,能节省医师的工作量,进一步的节省医师用于确定病灶的时间。
在一个实施例中,如图3所示,提供了一种获取平面图像方法,包括以下步骤:
步骤S302,将感兴趣区域图像绕Y轴在预设方向旋转预设角度后,对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像。
具体地,根据对感兴趣区域图像建立的三维直角坐标系,首先将感兴趣区域图像绕Y轴在预设方向旋转预设角度,其中,预设方向可以为顺时针方向也可以为逆时针方向。为了得到更多的平面图像,以便更清晰的对病灶区域进行观察,预设角度为小角度。旋转预设角度后,对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像。
步骤S304,将感兴趣区域图像绕X轴在预设方向旋转预设角度后,对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像。
具体地,绕Y轴在预设方向旋转预设角度后,再将感兴趣区域图像绕X轴在预设方向旋转预设角度,其中,预设方向可以为顺时针方向也可以为逆时针方向。绕Y轴的旋转方向与绕X轴的旋转方向相同,当绕Y轴为顺时针旋转时,绕X轴也为顺时针旋转;当绕Y轴为逆时针旋转时,绕X轴也为逆时针旋转。为了得到更多的平面图像,以便更清晰的对病灶区域进行观察,预设角度为小角度。绕Y轴旋转的预设角度与绕X轴旋转的预设角度可以相同也可以不同。优选的,绕Y轴旋转的预设角度与绕X轴旋转的预设角度相同。绕X轴旋转预设角度后,对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像。
步骤S306,交替得到绕Y轴旋转预设角度后的平面图像和绕X轴旋转预设角度后的平面图像,直到感兴趣区域图像旋转至初始位置。
具体地,以先绕Y轴旋转预设角度得到平面图像,再绕X轴旋转预设角度得到平面图像的顺序,交替获取绕Y轴旋转预设角度后的平面图像和绕X轴旋转预设角度后的平面图像,直到感兴趣区域图像旋转至初始位置。
上述获取平面图像方法,能够获取精确的显示病灶区域的平面图像,再将获取的平面图像用于生成动态视频,进一步的使病灶区域显示的更加完整,使医师能够准确观察病灶区域,节省医师用于确定病灶的时间。
如图4-6所示,为一种肋骨骨折的动态显示,第一状态图、第二状态图以及第三状态图为当前肋骨骨折的动态显示图像中按照时间顺序截取的三种不同时刻的显示状态。其中,第二状态图的方框中,即为感兴趣区域,也就是肋骨骨折区域。
如图7-9所示,为另一种肋骨骨折的动态显示,第一状态图、第二状态图以及第三状态图为当前肋骨骨折的动态显示图像中按照时间顺序截取的三种不同时刻的显示状态。其中,第二状态图的方框中,即为感兴趣区域,也就是肋骨骨折区域。
如图10-12所示,为一种肺结节的动态显示,第一状态图、第二状态图以及第三状态图为当前肺结节的动态显示图像中按照时间顺序截取的三种不同时刻的显示状态。其中,第二状态图的方框中,即为感兴趣区域,也就是肺结节区域。
如图13-15所示,为另一种肺结节的动态显示,第一状态图、第二状态图以及第三状态图为当前肺结节的动态显示图像中按照时间顺序截取的三种不同时刻的显示状态。其中,第二状态图的方框中,即为感兴趣区域,也就是肺结节区域。
应该理解的是,虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图16所示,提供了一种医学图像查看设备的结构框图,包括:原始图像获取模块100、病灶区域获取模块200、感兴趣区域图像选取模块300、平面图像提取模块400、动态图像生成模块500和显示模块600,其中:
原始图像获取模块100,用于获取被检测对象的原始图像。
病灶区域获取模块200,用于获取在原始图像中选取的病灶区域。
感兴趣区域图像选取模块300,用于以病灶区域为基准,选取预设范围内的图像作为感兴趣区域图像。
平面图像提取模块400,用于在感兴趣区域图像中按照预设获取方式,获取多个平面图像。
动态图像生成模块500,用于将多个平面图像按照预设顺序生成动态图像。
显示模块600,用于根据预设位置显示所述动态图像。
原始图像获取模块100,还用于将原始图像输入到基于图像训练集训练得到的神经网络中,得到病灶区域。
动态图像生成模块500,还用于将多个平面图像按照获取顺序或与获取顺序相反的顺序生成动态图像。
在一个实施例中,如图17所示,提供了一种平面图像提取模块的结构框图,其中平面图像提取模块400包括:截取单元410。
截取单元410,用于沿预设方向依次在感兴趣区域图像中截取多个与预设方向垂直的切面图像作为平面图像。
在一个实施例中,如图18所示,提供了另一种平面图像提取模块的结构框图,其中平面图像提取模块400包括:坐标系建立单元420、初始位置最大密度投影单元430以及旋转单元440。
坐标系建立单元420,用于对感兴趣区域图像建立三维直角坐标系。
初始位置最大密度投影单元430,用于在初始位置对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像。
旋转单元440,用于按照预设方向旋转感兴趣区域图像,每旋转预设角度,则对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像,直到感兴趣区域图像旋转至初始位置。
在一个实施例中,如图19所示,提供了一种旋转单元的结构框图,其中旋转单元440包括:X轴旋转子单元441、Y轴旋转子单元442以及获取子单元443。
X轴旋转子单元441,用于将感兴趣区域图像绕Y轴在预设方向旋转预设角度后,对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像。
Y轴旋转子单元442,将感兴趣区域图像绕X轴在预设方向旋转预设角度后,对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像。
获取子单元443,交替得到绕Y轴旋转预设角度后的平面图像和绕X轴旋转预设角度后的平面图像,直到感兴趣区域图像旋转至初始位置。
关于医学图像查看设备的具体限定可以参见上文中对于医学图像显示的限定,在此不再赘述。上述医学图像查看设备中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图20所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医学图像显示方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图20中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取被检测对象的原始图像。获取在原始图像中选取的病灶区域。以病灶区域为基准,选取预设范围内的图像作为感兴趣区域图像。在感兴趣区域图像中按照预设获取方式,获取多个平面图像。将多个平面图像按照预设顺序生成动态图像。根据预设位置显示所述动态图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取被检测对象的原始图像。获取在原始图像中选取的病灶区域。以病灶区域为基准,选取预设范围内的图像作为感兴趣区域图像。对感兴趣区域图像建立三维直角坐标系。在初始位置对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像。按照预设方向旋转感兴趣区域图像,每旋转预设角度,则对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像,直到感兴趣区域图像旋转至初始位置。将多个平面图像按照预设顺序生成动态图像。根据预设位置显示所述动态图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将感兴趣区域图像绕Y轴在预设方向旋转预设角度后,对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像。将感兴趣区域图像绕X轴在预设方向旋转预设角度后,对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像。交替得到绕Y轴旋转预设角度后的平面图像和绕X轴旋转预设角度后的平面图像,直到感兴趣区域图像旋转至初始位置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取被检测对象的原始图像。获取在原始图像中选取的病灶区域。以病灶区域为基准,选取预设范围内的图像作为感兴趣区域图像。在感兴趣区域图像中按照预设获取方式,获取多个平面图像。将多个平面图像按照预设顺序生成动态图像。根据预设位置显示所述动态图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取被检测对象的原始图像。获取在原始图像中选取的病灶区域。以病灶区域为基准,选取预设范围内的图像作为感兴趣区域图像。对感兴趣区域图像建立三维直角坐标系。在初始位置对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像。按照预设方向旋转感兴趣区域图像,每旋转预设角度,则对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像,直到感兴趣区域图像旋转至初始位置。将多个平面图像按照预设顺序生成动态图像。根据预设位置显示所述动态图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将感兴趣区域图像绕Y轴在预设方向旋转预设角度后,对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像。将感兴趣区域图像绕X轴在预设方向旋转预设角度后,对感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像。交替得到绕Y轴旋转预设角度后的平面图像和绕X轴旋转预设角度后的平面图像,直到感兴趣区域图像旋转至初始位置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种医学图像显示方法,其特征在于,所述方法包括:
获取被检测对象的原始图像;
获取在所述原始图像中选取的病灶区域;
以所述病灶区域为基准,选取预设范围内的图像作为感兴趣区域图像;
在所述感兴趣区域图像中按照预设获取方式,获取多个平面图像;
将多个所述平面图像按照预设顺序生成动态图像;
根据预设位置显示所述动态图像。
2.根据权利要求1所述的方法,其特征在于,所述获取在所述原始图像中选取的病灶区域包括:
将所述原始图像输入到基于图像训练集训练得到的神经网络中,得到病灶区域。
3.根据权利要求1所述的方法,其特征在于,所述在所述感兴趣区域图像中按照预设获取方式,获取多个平面图像包括:
沿预设方向依次在所述感兴趣区域图像中截取多个与预设方向垂直的切面图像作为平面图像。
4.根据权利要求1所述的方法,其特征在于,所述在所述感兴趣区域图像中按照预设获取方式,获取多个平面图像包括:
对所述感兴趣区域图像建立三维直角坐标系;
在初始位置对所述感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像;
按照预设方向旋转所述感兴趣区域图像,每旋转预设角度,则对所述感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像,直到所述感兴趣区域图像旋转至初始位置。
5.根据权利要求4所述的方法,其特征在于,所述按照预设方向旋转所述感兴趣区域图像,每旋转预设角度,则对所述感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像,直到所述感兴趣区域图像旋转至初始位置包括:
将所述感兴趣区域图像绕Y轴在预设方向旋转预设角度后,对所述感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像;
将所述感兴趣区域图像绕X轴在预设方向旋转预设角度后,对所述感兴趣区域图像在Z轴方向进行最大密度投影,将最大密度投影图像作为平面图像;
交替得到绕Y轴旋转预设角度后的平面图像和绕X轴旋转预设角度后的平面图像,直到所述感兴趣区域图像旋转至初始位置。
6.根据权利要求5所述的方法,其特征在于,
所述预设方向为:顺时针方向或逆时针方向。
7.根据权利要求1所述的方法,其特征在于,所述将多个所述平面图像按照预设顺序生成动态图像包括:
将多个所述平面图像按照获取顺序或与获取顺序相反的顺序生成动态图像。
8.一种医学图像查看设备,其特征在于,所述设备包括:原始图像获取模块,用于获取被检测对象的原始图像;
病灶区域获取模块,用于获取在所述原始图像中选取的病灶区域;
感兴趣区域图像选取模块,用于以所述病灶区域为基准,选取预设范围内的图像作为感兴趣区域图像;
平面图像提取模块,用于在所述感兴趣区域图像中按照预设获取方式,获取多个平面图像;
动态图像生成模块,用于将多个所述平面图像按照预设顺序生成动态图像;
显示模块,用于根据预设位置显示所述动态图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010813637.8A CN111932520A (zh) | 2018-08-31 | 2018-11-05 | 医学图像显示方法、查看设备以及计算机设备 |
US16/502,676 US10950026B2 (en) | 2018-08-31 | 2019-07-03 | Systems and methods for displaying a medical image |
PCT/CN2019/115549 WO2020093987A1 (zh) | 2018-11-05 | 2019-11-05 | 医学图像处理方法、***、计算机设备以及可读存储介质 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2018110153938 | 2018-08-31 | ||
CN201811015393 | 2018-08-31 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010813637.8A Division CN111932520A (zh) | 2018-08-31 | 2018-11-05 | 医学图像显示方法、查看设备以及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109493328A true CN109493328A (zh) | 2019-03-19 |
CN109493328B CN109493328B (zh) | 2020-08-04 |
Family
ID=65693831
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010813637.8A Pending CN111932520A (zh) | 2018-08-31 | 2018-11-05 | 医学图像显示方法、查看设备以及计算机设备 |
CN201811306115.8A Active CN109493328B (zh) | 2018-08-31 | 2018-11-05 | 医学图像显示方法、查看设备以及计算机设备 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010813637.8A Pending CN111932520A (zh) | 2018-08-31 | 2018-11-05 | 医学图像显示方法、查看设备以及计算机设备 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10950026B2 (zh) |
CN (2) | CN111932520A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136253A (zh) * | 2019-05-22 | 2019-08-16 | 图兮深维医疗科技(苏州)有限公司 | 一种结节三维立体展示装置及设备 |
CN110136153A (zh) * | 2019-05-14 | 2019-08-16 | 上海商汤智能科技有限公司 | 一种图像处理方法、设备及存储介质 |
CN110148127A (zh) * | 2019-05-23 | 2019-08-20 | 数坤(北京)网络科技有限公司 | 针对血管cta后处理影像的智能选片方法、装置及存储设备 |
CN110176302A (zh) * | 2019-04-17 | 2019-08-27 | 南京医科大学 | 利用生成对抗网络模型的下肢力线智能标定确认方法 |
CN110473610A (zh) * | 2019-07-31 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 医学图像编辑方法、计算机设备及可读存储介质 |
CN110738639A (zh) * | 2019-09-25 | 2020-01-31 | 上海联影智能医疗科技有限公司 | 医学图像检测结果的展示方法、装置、设备及存储介质 |
CN110807770A (zh) * | 2019-10-30 | 2020-02-18 | 杭州依图医疗技术有限公司 | 医学影像的处理、识别、显示方法及存储介质 |
CN111062390A (zh) * | 2019-12-18 | 2020-04-24 | 北京推想科技有限公司 | 感兴趣区域标注方法、装置、设备和存储介质 |
WO2020093987A1 (zh) * | 2018-11-05 | 2020-05-14 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、***、计算机设备以及可读存储介质 |
CN111353407A (zh) * | 2020-02-24 | 2020-06-30 | 中南大学湘雅医院 | 医学图像处理方法、装置、计算机设备和存储介质 |
CN111383328A (zh) * | 2020-02-27 | 2020-07-07 | 西安交通大学 | 一种面向乳腺癌病灶的3d可视化方法及*** |
CN111951321A (zh) * | 2020-08-21 | 2020-11-17 | 上海西门子医疗器械有限公司 | 处理计算机断层扫描的图像的方法及计算机断层扫描设备 |
CN112022213A (zh) * | 2019-10-24 | 2020-12-04 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声图像的处理方法及处理装置 |
CN112150573A (zh) * | 2020-09-30 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 图像显示方法、装置、电子设备及存储介质 |
WO2020258507A1 (zh) * | 2019-06-26 | 2020-12-30 | 平安科技(深圳)有限公司 | X光片的分类方法、装置、终端及存储介质 |
CN112863649A (zh) * | 2020-12-31 | 2021-05-28 | 四川大学华西医院 | 玻璃体内肿瘤影像结果输出***及方法 |
CN113040873A (zh) * | 2019-12-27 | 2021-06-29 | 深圳市理邦精密仪器股份有限公司 | 超声图像的图像处理方法、超声设备以及存储介质 |
WO2021168415A1 (en) * | 2020-02-20 | 2021-08-26 | Align Technology, Inc. | Medical imaging data compression and extraction on client side |
CN113395595A (zh) * | 2020-03-12 | 2021-09-14 | 平湖莱顿光学仪器制造有限公司 | 一种密度相关的智能二维视频播放方法及其视频装置 |
CN113450345A (zh) * | 2021-07-19 | 2021-09-28 | 西门子数字医疗科技(上海)有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN113538298A (zh) * | 2021-09-07 | 2021-10-22 | 北京大学深圳医院 | 病灶高清图像重建方法、装置、设备及存储介质 |
CN113628158A (zh) * | 2020-05-08 | 2021-11-09 | 通用电气精准医疗有限责任公司 | 用于利用生成模型来管理图像质量的方法和*** |
JP2022502739A (ja) * | 2019-04-18 | 2022-01-11 | ベイジン センスタイム テクノロジー デベロップメント カンパニー リミテッド | 画像処理方法及び装置、電子機器並びに記憶媒体 |
TWI754259B (zh) * | 2019-05-22 | 2022-02-01 | 南韓商迪耀股份有限公司 | 神經檢測方法及裝置 |
CN117558417A (zh) * | 2024-01-04 | 2024-02-13 | 卡本(深圳)医疗器械有限公司 | 一种医学图像显示方法、装置、设备及存储介质 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114730476A (zh) * | 2019-12-03 | 2022-07-08 | 美国西门子医疗***股份有限公司 | 有限角度重建的网络确定 |
CN111784705B (zh) * | 2020-06-24 | 2024-04-02 | 上海联影医疗科技股份有限公司 | 感兴趣区域的勾画方法、装置、设备和存储介质 |
US20220012220A1 (en) * | 2020-07-07 | 2022-01-13 | International Business Machines Corporation | Data enlargement for big data analytics and system identification |
CN112687391A (zh) * | 2021-03-15 | 2021-04-20 | 四川大学 | 一种乳腺超声图像病灶智能识别防漏判***的构建方法 |
CN113808101B (zh) * | 2021-09-16 | 2023-11-21 | 什维新智医疗科技(上海)有限公司 | 一种乳腺结节钙化分析装置 |
CN114565611B (zh) * | 2022-04-28 | 2022-07-19 | 武汉大学 | 医学信息获取方法及相关设备 |
CN117115046B (zh) * | 2023-10-24 | 2024-02-09 | 中日友好医院(中日友好临床医学研究所) | 一种放疗cbct稀疏采样影像增强的方法、***及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020065460A1 (en) * | 2000-11-29 | 2002-05-30 | Kohei Murao | Computer readable recording medium recorded with diagnosis supporting program, diagnosis supporting apparatus and diagnosis supporting method |
US20070279435A1 (en) * | 2006-06-02 | 2007-12-06 | Hern Ng | Method and system for selective visualization and interaction with 3D image data |
CN101216938A (zh) * | 2007-12-28 | 2008-07-09 | 深圳市蓝韵实业有限公司 | 一种多序列图像自动定位的方法 |
CN101625766A (zh) * | 2009-08-03 | 2010-01-13 | 深圳先进技术研究院 | 医学图像处理方法 |
US20160180526A1 (en) * | 2014-12-22 | 2016-06-23 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, image processing system, and non-transitory computer-readable storage medium |
CN106780715A (zh) * | 2016-11-08 | 2017-05-31 | 四川大学华西医院 | 一种骨盆ct三维坐标体系的建立方法 |
CN107563378A (zh) * | 2017-07-31 | 2018-01-09 | 上海联影医疗科技有限公司 | 体数据中提取感兴趣区域的方法及其*** |
CN107595390A (zh) * | 2017-10-19 | 2018-01-19 | 青岛大学附属医院 | 一种超声影像与ct影像的实时匹配融合方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5170347A (en) * | 1987-11-27 | 1992-12-08 | Picker International, Inc. | System to reformat images for three-dimensional display using unique spatial encoding and non-planar bisectioning |
US7618451B2 (en) * | 2001-05-25 | 2009-11-17 | Conformis, Inc. | Patient selectable joint arthroplasty devices and surgical tools facilitating increased accuracy, speed and simplicity in performing total and partial joint arthroplasty |
CN100423695C (zh) * | 2006-11-08 | 2008-10-08 | 沈阳东软医疗***有限公司 | 一种确定感兴趣区域的装置及方法 |
US8036435B2 (en) * | 2007-09-28 | 2011-10-11 | Varian Medical Systems, Inc. | Cancer detection, diagnosis, staging, treatment planning, delivery, and monitoring using X-ray attenuation coefficient distributions |
EP2291823A4 (en) * | 2008-05-16 | 2012-08-22 | Dept Of Biotechnology India | MEDICAL IMAGE ENHANCEMENT TECHNIQUE BASED ON IMAGE TRANSFORM RESONANCE |
CN102648485B (zh) * | 2009-10-05 | 2015-10-07 | 皇家飞利浦电子股份有限公司 | 图像中感兴趣体积的交互选择 |
GB201117805D0 (en) * | 2011-10-14 | 2011-11-30 | Siemens Medical Solutions | System and methods for efficient multimodal rib lesion readings |
KR20130109838A (ko) * | 2012-03-28 | 2013-10-08 | 삼성전자주식회사 | 병변 진단 지원 장치와 방법 |
US8977026B2 (en) * | 2012-05-30 | 2015-03-10 | General Electric Company | Methods and systems for locating a region of interest in an object |
CN203591259U (zh) * | 2013-09-24 | 2014-05-14 | 西门子(深圳)磁共振有限公司 | 一种磁共振成像***的模体 |
EP3137917B1 (en) * | 2014-04-28 | 2021-04-07 | Tel Hashomer Medical Research Infrastructure and Services Ltd. | High resolution intraoperative mri images |
KR102096410B1 (ko) * | 2014-05-02 | 2020-04-03 | 삼성전자주식회사 | 의료 영상 장치 및 그 제어 방법 |
CN106256326A (zh) * | 2015-06-19 | 2016-12-28 | 通用电气公司 | 计算机断层扫描切片图像的生成***及方法 |
JP6638230B2 (ja) * | 2015-07-21 | 2020-01-29 | コニカミノルタ株式会社 | 超音波画像処理装置及びプログラム |
CN107330895B (zh) * | 2017-07-04 | 2020-05-19 | 上海联影医疗科技有限公司 | 医学图像的分割方法及装置 |
US10796464B2 (en) * | 2017-08-25 | 2020-10-06 | Siemens Healthcare Gmbh | Selective image reconstruction |
CN107680088A (zh) * | 2017-09-30 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
JP6807820B2 (ja) * | 2017-10-31 | 2021-01-06 | 富士フイルム株式会社 | 画像検索装置、方法およびプログラム |
US10580137B2 (en) * | 2018-01-30 | 2020-03-03 | International Business Machines Corporation | Systems and methods for detecting an indication of malignancy in a sequence of anatomical images |
-
2018
- 2018-11-05 CN CN202010813637.8A patent/CN111932520A/zh active Pending
- 2018-11-05 CN CN201811306115.8A patent/CN109493328B/zh active Active
-
2019
- 2019-07-03 US US16/502,676 patent/US10950026B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020065460A1 (en) * | 2000-11-29 | 2002-05-30 | Kohei Murao | Computer readable recording medium recorded with diagnosis supporting program, diagnosis supporting apparatus and diagnosis supporting method |
US20070279435A1 (en) * | 2006-06-02 | 2007-12-06 | Hern Ng | Method and system for selective visualization and interaction with 3D image data |
CN101216938A (zh) * | 2007-12-28 | 2008-07-09 | 深圳市蓝韵实业有限公司 | 一种多序列图像自动定位的方法 |
CN101625766A (zh) * | 2009-08-03 | 2010-01-13 | 深圳先进技术研究院 | 医学图像处理方法 |
US20160180526A1 (en) * | 2014-12-22 | 2016-06-23 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, image processing system, and non-transitory computer-readable storage medium |
CN106780715A (zh) * | 2016-11-08 | 2017-05-31 | 四川大学华西医院 | 一种骨盆ct三维坐标体系的建立方法 |
CN107563378A (zh) * | 2017-07-31 | 2018-01-09 | 上海联影医疗科技有限公司 | 体数据中提取感兴趣区域的方法及其*** |
CN107595390A (zh) * | 2017-10-19 | 2018-01-19 | 青岛大学附属医院 | 一种超声影像与ct影像的实时匹配融合方法 |
Non-Patent Citations (2)
Title |
---|
杨连海: "《HRCT胸腹部疾病诊断》", 31 July 2007 * |
雷若鸣: ""医学图像三维重建技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020093987A1 (zh) * | 2018-11-05 | 2020-05-14 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、***、计算机设备以及可读存储介质 |
CN110176302A (zh) * | 2019-04-17 | 2019-08-27 | 南京医科大学 | 利用生成对抗网络模型的下肢力线智能标定确认方法 |
JP7186287B2 (ja) | 2019-04-18 | 2022-12-08 | ベイジン センスタイム テクノロジー デベロップメント カンパニー リミテッド | 画像処理方法及び装置、電子機器並びに記憶媒体 |
JP2022502739A (ja) * | 2019-04-18 | 2022-01-11 | ベイジン センスタイム テクノロジー デベロップメント カンパニー リミテッド | 画像処理方法及び装置、電子機器並びに記憶媒体 |
TWI779238B (zh) * | 2019-04-18 | 2022-10-01 | 大陸商北京市商湯科技開發有限公司 | 影像處理方法及裝置、電子設備和電腦可讀取的記錄媒體 |
CN110136153B (zh) * | 2019-05-14 | 2022-03-15 | 上海商汤智能科技有限公司 | 一种图像处理方法、设备及存储介质 |
CN110136153A (zh) * | 2019-05-14 | 2019-08-16 | 上海商汤智能科技有限公司 | 一种图像处理方法、设备及存储介质 |
TWI754259B (zh) * | 2019-05-22 | 2022-02-01 | 南韓商迪耀股份有限公司 | 神經檢測方法及裝置 |
CN110136253A (zh) * | 2019-05-22 | 2019-08-16 | 图兮深维医疗科技(苏州)有限公司 | 一种结节三维立体展示装置及设备 |
CN110148127B (zh) * | 2019-05-23 | 2021-05-11 | 数坤(北京)网络科技有限公司 | 针对血管cta后处理影像的智能选片方法、装置及存储设备 |
CN110148127A (zh) * | 2019-05-23 | 2019-08-20 | 数坤(北京)网络科技有限公司 | 针对血管cta后处理影像的智能选片方法、装置及存储设备 |
WO2020258507A1 (zh) * | 2019-06-26 | 2020-12-30 | 平安科技(深圳)有限公司 | X光片的分类方法、装置、终端及存储介质 |
CN110473610A (zh) * | 2019-07-31 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 医学图像编辑方法、计算机设备及可读存储介质 |
CN110738639A (zh) * | 2019-09-25 | 2020-01-31 | 上海联影智能医疗科技有限公司 | 医学图像检测结果的展示方法、装置、设备及存储介质 |
CN110738639B (zh) * | 2019-09-25 | 2024-03-01 | 上海联影智能医疗科技有限公司 | 医学图像检测结果的展示方法、装置、设备及存储介质 |
CN112022213A (zh) * | 2019-10-24 | 2020-12-04 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声图像的处理方法及处理装置 |
CN112022213B (zh) * | 2019-10-24 | 2021-07-09 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声图像的处理方法及处理装置 |
CN110807770A (zh) * | 2019-10-30 | 2020-02-18 | 杭州依图医疗技术有限公司 | 医学影像的处理、识别、显示方法及存储介质 |
CN111062390A (zh) * | 2019-12-18 | 2020-04-24 | 北京推想科技有限公司 | 感兴趣区域标注方法、装置、设备和存储介质 |
CN113040873A (zh) * | 2019-12-27 | 2021-06-29 | 深圳市理邦精密仪器股份有限公司 | 超声图像的图像处理方法、超声设备以及存储介质 |
WO2021168415A1 (en) * | 2020-02-20 | 2021-08-26 | Align Technology, Inc. | Medical imaging data compression and extraction on client side |
CN111353407A (zh) * | 2020-02-24 | 2020-06-30 | 中南大学湘雅医院 | 医学图像处理方法、装置、计算机设备和存储介质 |
CN111353407B (zh) * | 2020-02-24 | 2023-10-31 | 中南大学湘雅医院 | 医学图像处理方法、装置、计算机设备和存储介质 |
CN111383328A (zh) * | 2020-02-27 | 2020-07-07 | 西安交通大学 | 一种面向乳腺癌病灶的3d可视化方法及*** |
CN111383328B (zh) * | 2020-02-27 | 2022-05-20 | 西安交通大学 | 一种面向乳腺癌病灶的3d可视化方法及*** |
CN113395595A (zh) * | 2020-03-12 | 2021-09-14 | 平湖莱顿光学仪器制造有限公司 | 一种密度相关的智能二维视频播放方法及其视频装置 |
CN113395595B (zh) * | 2020-03-12 | 2023-03-24 | 平湖莱顿光学仪器制造有限公司 | 一种密度相关的智能二维视频播放方法及其视频装置 |
CN113628158A (zh) * | 2020-05-08 | 2021-11-09 | 通用电气精准医疗有限责任公司 | 用于利用生成模型来管理图像质量的方法和*** |
CN111951321A (zh) * | 2020-08-21 | 2020-11-17 | 上海西门子医疗器械有限公司 | 处理计算机断层扫描的图像的方法及计算机断层扫描设备 |
CN112150573A (zh) * | 2020-09-30 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 图像显示方法、装置、电子设备及存储介质 |
CN112150573B (zh) * | 2020-09-30 | 2023-10-20 | 上海联影医疗科技股份有限公司 | 图像显示方法、装置、电子设备及存储介质 |
CN112863649A (zh) * | 2020-12-31 | 2021-05-28 | 四川大学华西医院 | 玻璃体内肿瘤影像结果输出***及方法 |
CN113450345A (zh) * | 2021-07-19 | 2021-09-28 | 西门子数字医疗科技(上海)有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN113538298A (zh) * | 2021-09-07 | 2021-10-22 | 北京大学深圳医院 | 病灶高清图像重建方法、装置、设备及存储介质 |
CN113538298B (zh) * | 2021-09-07 | 2024-01-05 | 北京大学深圳医院 | 病灶高清图像重建方法、装置、设备及存储介质 |
CN117558417A (zh) * | 2024-01-04 | 2024-02-13 | 卡本(深圳)医疗器械有限公司 | 一种医学图像显示方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111932520A (zh) | 2020-11-13 |
US20200074712A1 (en) | 2020-03-05 |
US10950026B2 (en) | 2021-03-16 |
CN109493328B (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493328A (zh) | 医学图像显示方法、查看设备以及计算机设备 | |
US7283652B2 (en) | Method and system for measuring disease relevant tissue changes | |
TWI750583B (zh) | 醫學圖像分割方法、裝置、系統及圖像分割方法 | |
US8538108B2 (en) | Method and apparatus for accelerated elastic registration of multiple scans of internal properties of a body | |
CN109102532A (zh) | 用于医学成像的深度学习的组织变形 | |
AU2016389386B2 (en) | Medical imaging system with a fixed array of X-ray detectors and a fixed array of X-ray emitters for producing a digital 3-dimensional image | |
US20080292164A1 (en) | System and method for coregistration and analysis of non-concurrent diffuse optical and magnetic resonance breast images | |
JP2010119850A (ja) | 統計モデルを用いた医療画像自動セグメンテーションシステム、装置並びにプロセッサ | |
JP6073632B2 (ja) | 医用画像処理装置及び医用画像処理プログラム | |
CN114092475B (zh) | 病灶长径确定方法、图像标注方法、装置及计算机设备 | |
JP2004174241A (ja) | 画像形成方法 | |
Tiago et al. | A data augmentation pipeline to generate synthetic labeled datasets of 3D echocardiography images using a GAN | |
US20110081055A1 (en) | Medical image analysis system using n-way belief propagation for anatomical images subject to deformation and related methods | |
US20110081061A1 (en) | Medical image analysis system for anatomical images subject to deformation and related methods | |
CN108430332A (zh) | 断层扫描设备及其用于重建断层扫描图像的方法 | |
US20110081054A1 (en) | Medical image analysis system for displaying anatomical images subject to deformation and related methods | |
US6463168B1 (en) | Apparatus and method for rapid connectivity processing of images | |
Babaee et al. | Synthetic data generation for X-ray imaging | |
JPH0728976A (ja) | 画像表示装置 | |
Zhan et al. | Three-direction fusion for accurate volumetric liver and tumor segmentation | |
Tina et al. | Analysis of algorithms in medical image processing | |
Benganga et al. | Image Learning And Correction As A Means Of Evaluating And Fault Finding Computer Scanner Image Artefact | |
Wen | RETRACTED ARTICLE: Application of Monte Carlo calculation method based on special graph in medical imaging | |
Hliboký et al. | Deep Semantic Segmentation Models for Lung Ultrasound | |
Marques | Fundamentals of Medical Image Analysis |
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 |