CN109934841A - 肝部轮廓的检测方法、***、存储介质、终端及显示*** - Google Patents
肝部轮廓的检测方法、***、存储介质、终端及显示*** Download PDFInfo
- Publication number
- CN109934841A CN109934841A CN201910238363.1A CN201910238363A CN109934841A CN 109934841 A CN109934841 A CN 109934841A CN 201910238363 A CN201910238363 A CN 201910238363A CN 109934841 A CN109934841 A CN 109934841A
- Authority
- CN
- China
- Prior art keywords
- liver
- image
- profile
- patient
- detection method
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种肝部轮廓的检测方法、***、存储介质、终端及显示***,肝部轮廓的检测方法包括:获取已标注肝部轮廓的病人影像;从该已标注肝部轮廓的病人影像识别标注的区域轮廓,对识别的区域轮廓进行训练,以获取用于分割轮廓的关键特征点;从病人的全身影像中读取肝部影像,并判断所提取的肝部影像是否属于肝部;若是,执行下一步骤;若否,重新提取肝部影像;从所述肝部影像中提取肝部轮廓信息;将肝部轮廓信息可视化,并生成肝部的3D模型。本发明为医生提供一种医疗辅助手段,辅助医生精确诊断影像里的肝部轮廓的位置。
Description
技术领域
本发明属于医学图像处理技术领域,涉及一种检测方法和***,特别是涉及一种肝部轮廓的检测方法、***、存储介质、终端及显示***。
背景技术
肝脏是身体内以代谢功能为主的一个器官,并在身体里面起着去氧化、储存肝糖、分泌性蛋白质的合成等作用。肝脏也制造消化***中之胆汁。在医学用字上,常以拉丁语字首Hepato-或Hepatic来描述肝脏或肝脏的。肝脏是人体内脏里最大的器官,位于人体中的腹部位置,在右侧横隔膜之下,位于胆囊之前端且于右边肾脏的前方,胃的上方。肝脏是人体消化***中最大的消化腺,成人肝脏平均重达1.5公斤(约在1-2.5公斤之间;另一说1-1.6公斤),为一红棕色的V字形器官。肝脏是尿素合成的主要器官,又是新陈代谢的重要器官。那么,肝部有肝部轮廓是什么意思呢?其实,这就提示我们肝部出现病变了,可能是肝囊肿、肝血管瘤、肝脓肿或者肝癌等等问题。
但是,现有技术是通过医生肉眼来判断医学图像上的肝部轮廓,导致检测不准确。因此,如何提供一种肝部轮廓的检测方法、***、存储介质、终端及显示***,以解决现有技术缺乏肝部轮廓的医疗辅助手段,无法辅助医生诊断,导致可能会出现肝部轮廓位置检测不精确等缺陷,实已成为本领域技术人员亟待解决的技术手段。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种肝部轮廓的检测方法、***、存储介质及设备,用于解决现有技术缺乏肝部轮廓的医疗辅助手段,无法辅助医生诊断,导致可能会出现肝部轮廓位置检测不精确的问题。
为实现上述目的及其他相关目的,本发明一方面提供一种肝部轮廓的检测方法,包括:获取已标注肝部轮廓的病人影像;从该已标注肝部轮廓的病人影像识别标注的区域轮廓,对识别的区域轮廓进行训练,以获取用于分割肝部轮廓的关键特征点;从病人的全身影像中读取肝部影像,并判断所提取的肝部影像是否属于肝部;若是,执行下一步骤;若否,重新提取肝部影像;从所述肝部影像中提取肝部轮廓信息;将肝部轮廓信息可视化,并生成肝部的3D模型。
于本发明的一实施例中,所述获取已标注肝部轮廓的病人影像,从该已标注肝部轮廓的病人影像识别标注的区域轮廓,对识别的区域轮廓进行训练,以获取肝部轮廓的关键特征点的步骤包括:将已标注肝部轮廓的病人影像的图片数据转换为二维数组;遍历整个已标注肝部轮廓的病人影像,识别红色像素点所围绕的区域轮廓;利用预存的训练模型对识别的区域轮廓进行训练,获取用于预测肝部轮廓的关键特征点。
于本发明的一实施例中,利用训练所得的肝部关键特征参数,来判断所提取的肝部影像是否属于肝部;所述肝部关键特征参数是通过预存的训练模型进行训练所得。
于本发明的一实施例中,在所述遍历整个已标注肝部轮廓的病人影像的步骤之后,所述肝部轮廓的检测方法还包括将所述医学图像文件转化为用于反应像素指数和空间位置、扩展名为nii的信息存储文件;该信息存储文件用于存储7维数据,第一、二、三维度保留给空间维度x,y,z,第四维度留给时间维度t,第五,六、七维度可供用户选择使用。
于本发明的一实施例中,所述从所述肝部影像中提取肝部轮廓信息的步骤包括输入病人影像和关键特征点,利用用于处理医疗影像三维图像分割的神经网络模型从病人影像中检测出肝部的轮廓信息。
于本发明的一实施例中,所述影像里肝部轮廓的检测方法还包括:将检测出的肝部的轮廓信息转换到三维坐标系上,并获取肝部的三维坐标。
于本发明的一实施例中,所述肝部的三维坐标包括:X坐标,图像的X轴的坐标;Y坐标,图像的Y轴的坐标;Z坐标,根据所述医学图像文件中切片位置计算。
本发明另一方面提供一种肝部轮廓的检测,包括获取模块,用于获取已标注肝部轮廓的病人影像;识别模块,用于从该已标注肝部轮廓的病人影像识别标注的区域轮廓,对识别的区域轮廓进行训练,以获取用于预测肝部轮廓的关键特征点;处理模块,用于从病人的全身影像中读取肝部影像,并判断所提取的肝部影像是否属于肝部;若是,从所述肝部影像中提取肝部轮廓信息;若否,重新提取肝部影像;可视化模块,用于将肝部轮廓信息可视化,3D模型生成模块,用于生成肝部的3D模型。
本发明又一方面提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述肝部轮廓的检测方法。
本发明最后一方面提供一种设备,包括:处理器及存储器;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述设备执行如所述影像里肝部轮廓的检测方法。
如上所述,本发明所述的肝部轮廓的检测方法、***、存储介质、终端及显示***,具有以下有益效果:
本发明所述肝部轮廓的检测方法、***、存储介质及设备为医生提供一种医疗辅助手段,辅助医生精确诊断影像里的肝部轮廓的位置。
附图说明
图1显示为本发明的肝部轮廓的检测方法于一实施例中的流程示意图。
图2显示为本发明的肝部轮廓的检测***于一实施例中的原理结构示意图。
元件标号说明
2 | 肝部轮廓的检测*** |
21 | 获取模块 |
22 | 识别模块 |
23 | 处理模块 |
24 | 可视化模块 |
25 | 3D模型生成模块 |
S11~S17 | 步骤 |
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明所述影像里肝部轮廓的检测方法、***、存储介质及设备技术原理如下:
1.医生用画图软件对病人的影像进行肝部轮廓的标注并将标注图片导出保存,再通过程序处理将图片上的标注坐标提出来并进行模型训练。该训练出来的模型主要是用于后面的算法预测中使用。
2.在检测影像里的肝部轮廓时,需要做以下的预处理步骤:
(一)首先利用TensorFlow将影像筛选出来胸腔部分,并且排除掉不符合要求的,同时要求胸腔部分的影像是连续的;
(二)遍历筛选后的影像文件,读取文件信息后转换成nii文件
3.影像预处理后再用V-Net和OpenCV对图像进行肝部轮廓提取
4.将检测出来得轮廓位置转换成x、y、z的坐标;
5.***再将检测出来的肝部轮廓坐标可视化到原始CT影像上,并将医生画的轮廓标注也可视化在CT影像上,并生成肝部的3D模型。
6.将肝部的3D模型导入到VR终端里,用户/病人戴上VR设备就能直观的看到自己的肝部3D模型。
实施例一
本实施例提供一种肝部轮廓的检测方法,包括:
获取已标注肝部轮廓的病人影像;从该已标注肝部轮廓的病人影像识别标注的区域轮廓,对识别的区域轮廓进行训练,以获取用于预测肝部轮廓的关键特征点;
从病人的全身影像中读取肝部影像,并判断所提取的肝部影像是否属于肝部;若是,执行下一步骤;若否,重新提取肝部影像;
从所述肝部影像中提取肝部轮廓信息;
将肝部轮廓信息可视化,并生成肝部的3D模型。
以下将结合图示对本实施例所提供的影像里肝部轮廓的检测方法进行详细描述。请参阅图1,显示为影像里肝部轮廓的检测方法于一实施例中的流程示意图。如图1所示,所述影像里肝部轮廓的检测方法具体包括以下几个步骤:
S11,获取已标注肝部轮廓的病人影像。在本实施例中,已标注肝部轮廓的病人影像是医生通过画图软件对一病人的CT图像上的肝部轮廓进行标注。在本实施例中,病人影像为CT影像。
在本实施例中,所述S11包括:
通过openCV读取病人影像,将已标注肝部轮廓的病人影像的图片数据转换为二维数组,其中,图片的rows则是对应y轴,columns则是对应x轴。
遍历整个已标注肝部轮廓的病人影像,识别红色像素点所围绕的区域轮廓。
具体地,通过x,y的坐标就能定位到图片上的某一点的RGB像素值,通常情况下图像的背景是黑色RGB(0,0,0),标注点是红色像素点RGB(255,0,0),只需遍历整个图片的像素值,就能查找出标注的坐标(x,y),而医生的标注通常都是一个区域轮廓,该区域轮廓呈有圆形、矩形和不规则多边形等形状。
利用预存的训练模型对识别的区域轮廓进行训练,获取用于预测肝部轮廓的关键特征点。
S12,从病人的全身影像中提取肝部影像,并判断所提取的肝部影像是否属于肝部;若是,执行下一步骤;若否,重新提取肝部影像。
在本实施例中,从病人的全身影像里识别出肝部起始结束位置(因为在全身影像里肝部的影像都是连续的,所以只要记下起始结束位置即可)。
在本实施例中,利用训练所得的肝部关键特征参数,来判断所提取的肝部影像是否属于肝部;所述肝部关键特征参数是通过过预存的训练模型进行训练,以排除不符合要求的图像,例如,缺失,错误,无法读取的。在本实施例中,所述训练模型为V-Net网络模型。
S13,将所述病人影像的影像文件(例如,病人影像的影像文件为dicom文件)转化为用于反应像素指数和空间位置、扩展名为nii的信息存储文件。其中,所述信息存储文件用于存储7维数据,第一、二、三维度保留给空间维度x,y,z,第四维度留给时间维度t,第五,六、七维度可供用户选择使用。
具体地,将所述医学图像文件转化信息存储文件的方法为用python的dicom2nifti包将dicom文件转换成nii文件。
S14,从所述肝部影像中提取肝部轮廓信息。
具体地,利用用于处理医疗影像三维图像分割的神经网络模型从病人影像中检测出肝部的轮廓信息。在本实施例中,神经网络模型为V-Net网络模型。
S15,将检测出的肝部的轮廓信息转换到三维坐标系上,并获取肝部的三维坐标。例如,检测出来的肝部的轮廓信息为图像上的一个区域,X,Y值就是区域轮廓上的所有点,其中,X就是图像的X轴的坐标,Y就是图像的Y轴的坐标,Z值可以直接从Dicom信息里的切片位置(slice location)计算出来,把切片号记录成Z值。在本实施例中,所述Dicom信息存了影像检查的信息。该信息主要可以分为Patient,Study,Series和Image四类。每一个DICOMTag都是由两个十六进制数的组合来确定的,分别为Group和Element。例如,(0010,0010)这个Tag表示的是Patient’s Name,它存储着这张DICOM图像的患者姓名。
当前切片位置=原点+切片厚度*当前第几张切片+切片层距*(当前第几张切片-1)。
因此,肝部轮廓的三维坐标为图像的X轴的坐标,图像的Y轴的坐标,当前切片位置。
S16,将肝部轮廓信息可视化,并生成肝部的3D模型。在本实施例中,将肝部轮廓信息可视化在CT影像上,方便对比查看,医生对于正确的检测结果进行打勾确认,方便后期进行算法参数迭代更新优化。在本实施例中,可视化就是将医生标注出的区域重新映射到原始CT图像上。
具体地,再次利用MASK图像里白色区域的边缘点取出来,进行z轴方向叠加,形成3D图像。由于mask图像是2D图片,在z轴叠加,那就成为了3D图像(于实际中,3D图像为obj文件。所述obj格式的文件就是3D软件能处理的文件格式。然后在3D软件里进行模型贴图,给肝部贴上肺的纹理,在第3步里可以知道肝部轮廓的XYZ坐标,通过XYZ坐标就能在3D模型找到对应的位置,然后在该位置上描绘肝部轮廓的模型。完成后将整个模型导入到VR设备里。用户/病人带上VR设备就能看到自己的肝部模型,以及肝部轮廓位置)。
在本实施例中,标注区域就是一系列的点[x1,y1],[x2,y2],[x3,y3]……,原始图像是一个行列组成的二维数组,映射的意思就是在二维数组里找到[x1,y1],[x2,y2],[x3,y3]……,然后把[x1,y1],[x2,y2],[x3,y3]……对应的RGB值改成我想要的颜色,这个项目里是红色。因为CT图像都是黑白的,标注区域改成红色。
S17,再次利用肝部的掩膜图像,形成肝部的3D图像。因为所有的CT图像都是横截面的图像,如果把每一张原始图像的掩膜图像里白色区域的边缘点取出来,进行z轴方向叠加,形成一个3D图像。因为掩膜图像是2D图片,在z轴叠加,那就成为了3D图像。
在本实施例中,先将mask图像的边缘点取出来,然后放入meshlab里进行3D图像生成,最后生成obj文件。这个obj格式的文件就是3D软件能处理的文件格式。然后在3D软件里进行模型贴图,给肝部贴上肝的纹理,完成后将整个模型导入到VR设备里。用户/病人带上VR设备就能看到自己的肝部模型。
本实施例还提供一种存储介质(亦称为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上述肝部轮廓的检测方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例所述肝部轮廓的检测方法为医生提供一种医疗辅助手段,辅助医生精确诊断影像里的肝部轮廓的位置。
实施例二
本实施例提供一种肝部轮廓的检测***,包括:
获取模块,用于获取已标注肝部轮廓的病人影像;
识别模块,用于从该已标注肝部轮廓的病人影像识别标注的区域轮廓,对识别的区域轮廓进行训练,以获取用于预测肝部轮廓的关键特征点;
处理模块,用于从病人的全身影像中读取肝部影像,并判断所提取的肝部影像是否属于肝部;若是,从所述肝部影像中提取肝部轮廓信息;若否,重新提取肝部影像;
可视化模块,用于将肝部轮廓信息可视化;
3D模型生成模块,用于生成肝部的3D模型。
以下将结合图示对本实施例所提供的肝部轮廓的检测***进行详细描述。请参阅图2,显示为肝部轮廓的检测***于一实施例中的原理结构示意图。如图2所示,所述肝部轮廓的检测***2包括获取模块21、识别模块22、处理模块23、可视化模块24及3D模型生成模块25。
所述获取模块21用于获取已标注肝部轮廓的病人影像。在本实施例中,已标注肝部轮廓的病人影像是医生通过画图软件对一病人的CT图像上的肝部轮廓进行标注。在本实施例中,病人影像为CT影像。
在本实施例中,所述获取模块21用于通过openCV读取病人影像,将已标注肝部轮廓的病人影像的图片数据转换为二维数组,其中,图片的rows则是对应y轴,columns则是对应x轴。遍历整个已标注肝部轮廓的病人影像,识别红色像素点所围绕的区域轮廓。利用预存的训练模型对识别的区域轮廓进行训练,获取用于预测肝部轮廓的关键特征点。
具体地,通过x,y的坐标就能定位到图片上的某一点的RGB像素值,通常情况下图像的背景是黑色RGB(0,0,0),标注点是红色像素点RGB(255,0,0),只需遍历整个图片的像素值,就能查找出标注的坐标(x,y),而医生的标注通常都是一个区域轮廓,该区域轮廓呈有圆形、矩形和不规则多边形等形状。
与所述获取模块21耦合的识别模块22用于从病人的全身影像中提取肝部影像,并判断所提取的肝部影像是否属于肝部;若是,从所述肝部影像中提取肝部轮廓信息;若否,重新提取肝部影像。
在本实施例中,从病人的全身影像里识别出肝部起始结束位置(因为在全身影像里肝部的影像都是连续的,所以只要记下起始结束位置即可)。
在本实施例中,所述识别模块22利用训练所得的肝部关键特征参数,来判断所提取的肝部影像是否属于肝部;所述肝部关键特征参数是通过过预存的训练模型进行训练,以排除不符合要求的图像,例如,缺失,错误,无法读取的。在本实施例中,所述训练模型为V-Net网络模型。
与所述识别模块22耦合的处理模块23用于将所述医学图像文件转化为用于反应像素指数和空间位置、扩展名为nii的信息存储文件。其中,所述信息存储文件用于存储7维数据,第一、二、三维度保留给空间维度x,y,z,第四维度留给时间维度t,第五,六、七维度可供用户选择使用。
具体地,将所述医学图像文件转化信息存储文件的方法为用python的dicom2nifti包将dicom文件转换成nii文件。
所述处理模块23还用于从所述肝部影像中提取肝部轮廓信息。
具体地,所述处理模块23利用用于处理医疗影像三维图像分割的神经网络模型从病人影像中检测出肝部的轮廓信息。在本实施例中,神经网络模型为V-Net网络模型。
所述处理模块23还用于将检测出的肝部的轮廓信息转换到三维坐标系上,并获取肝部的三维坐标。例如,检测出来的肝部的轮廓信息为图像上的一个区域,X,Y值就是区域轮廓上的所有点,其中,X就是图像的X轴的坐标,Y就是图像的Y轴的坐标,Z值可以直接从Dicom信息里的切片位置(slice location)计算出来,把切片号记录成Z值。在本实施例中,所述Dicom信息存了影像检查的信息。该信息主要可以分为Patient,Study,Series和Image四类。每一个DICOM Tag都是由两个十六进制数的组合来确定的,分别为Group和Element。例如,(0010,0010)这个Tag表示的是Patient’s Name,它存储着这张DICOM图像的患者姓名。
当前切片位置=原点+切片厚度*当前第几张切片+切片层距*(当前第几张切片-1)。
因此,肝部轮廓的三维坐标为图像的X轴的坐标,图像的Y轴的坐标,当前切片位置。
与所述获取模块21和处理模块23耦合的可视化模块24用于将肝部轮廓信息可视化。在本实施例中,可视化模块24将肝部轮廓信息可视化在CT影像上,方便对比查看,医生对于正确的检测结果进行打勾确认,方便后期进行算法参数迭代更新优化。在本实施例中,可视化就是将医生标注出的区域重新映射到原始CT图像上。
在本实施例中,标注区域就是一系列的点[x1,y1],[x2,y2],[x3,y3]……,原始图像是一个行列组成的二维数组,映射的意思就是在二维数组里找到[x1,y1],[x2,y2],[x3,y3]……,然后把[x1,y1],[x2,y2],[x3,y3]……对应的RGB值改成我想要的颜色,这个项目里是红色。因为CT图像都是黑白的,标注区域改成红色。
所述3D模型生成模块25用于再次利用肝部的掩膜图像,以形成肝部的3D图像。因为所有的CT图像都是横截面的图像,如果把每一张原始图像的掩膜图像里白色区域的边缘点取出来,进行z轴方向叠加,形成一个3D图像。因为掩膜图像是2D图片,在z轴叠加,那就成为了3D图像。
在本实施例中,所述3D模型生成模块25先将mask图像的边缘点取出来,然后放入meshlab里进行3D图像生成,最后生成obj文件。这个obj格式的文件就是3D软件能处理的文件格式。然后在3D软件里进行模型贴图,给肝部贴上肝的纹理,完成后将整个模型导入到VR设备里。用户/病人带上VR设备就能看到自己的肝部模型
需要说明的是,应理解以上***的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现,也可以全部以硬件的形式实现,还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如:x模块可以为单独设立的处理元件,也可以集成在上述***的某一个芯片中实现。此外,x模块也可以以程序代码的形式存储于上述***的存储器中,由上述***的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),一个或多个微处理器(Digital Singnal Processor,简称DSP),一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。这些模块可以集成在一起,以片上***(System-on-a-chip,简称SOC)的形式实现。
实施例三
本实施例提供一种终端,包括:处理器、存储器、收发器、通信接口或/和***总线;存储器和通信接口通过***总线与处理器和收发器连接并完成相互间的通信,存储器用于存储计算机程序,通信接口用于和其他设备进行通信,处理器和收发器用于运行计算机程序,使设备执行如上肝部轮廓的检测方法的各个步骤。
上述提到的***总线可以是外设部件互连标准(Peripheral ComponentInterconne,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchiteure,简称EISA)总线等。该***总线可以分为地址总线、数据总线、控制总线等。通信接口用于实现数据库访问装置与其他设备(如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
实施例四
本实施例提供一种显示***,该显示***包括实施例三所述的终端,所述终端用于输出肝部3D模型;及VR设备,用于展示所述肝部3D模型。
本发明所述的肝部轮廓的检测方法的保护范围不限于本实施例列举的步骤执行顺序,凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本发明还提供一种肝部轮廓的检测***,所述肝部轮廓的检测***可以实现本发明所述的肝部轮廓的检测方法,但本发明所述的肝部轮廓的检测方法的实现装置包括但不限于本实施例列举的肝部轮廓的检测***的结构,凡是根据本发明的原理所做的现有技术的结构变形和替换,都包括在本发明的保护范围内。
综上所述,本发明所述肝部轮廓的检测方法、***、存储介质、终端及显示***为医生提供一种医疗辅助手段,辅助医生精确诊断影像里的肝部轮廓的位置。本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (11)
1.一种肝部轮廓的检测方法,其特征在于,包括:
获取已标注肝部轮廓的病人影像;从该已标注肝部轮廓的病人影像识别标注的区域轮廓,对识别的区域轮廓进行训练,以获取用于分割轮廓的关键特征点;
从病人的全身影像中读取肝部影像,并判断所提取的肝部影像是否属于肝部;若是,执行下一步骤;若否,重新提取肝部影像;
从所述肝部影像中提取肝部轮廓信息;
将肝部轮廓信息可视化,并生成肝部的3D模型。
2.根据权利要求1所述的肝部轮廓的检测方法,其特征在于,所述获取已标注肝部轮廓的病人影像,从该已标注肝部轮廓的病人影像识别标注的区域轮廓,对识别的区域轮廓进行训练,以获取肝部轮廓的关键特征点的步骤包括:
将已标注肝部轮廓的病人影像的图片数据转换为二维数组;
遍历整个已标注肝部轮廓的病人影像,识别红色像素点所围绕的区域轮廓;
利用预存的训练模型对识别的区域轮廓进行训练,获取用于预测肝部轮廓的关键特征点。
3.根据权利要求2所述的肝部轮廓的检测方法,其特征在于,利用训练所得的肝部关键特征参数,来判断所提取的肝部影像是否属于肝部;所述肝部关键特征参数是通过预存的训练模型进行训练所得。
4.根据权利要求2所述的肝部轮廓的检测方法,其特征在于,在执行所述从所述肝部影像中提取肝部轮廓信息的步骤之前,所述肝部轮廓的检测方法还包括将所述病人影像的影像文件转化为用于反应像素指数和空间位置、扩展名为nii的信息存储文件;该信息存储文件用于存储7维数据,第一、二、三维度保留给空间维度x,y,z,第四维度留给时间维度t,第五,六、七维度可供用户选择使用。
5.根据权利要求4所述的肝部轮廓的检测方法,其特征在于,所述从所述肝部影像中提取肝部轮廓信息的步骤包括输入病人影像和关键特征点,利用用于处理医疗影像三维图像分割的神经网络模型从病人影像中检测出肝部的轮廓信息。
6.根据权利要求5所述的肝部轮廓的检测方法,其特征在于,在从所述肝部影像中提取肝部轮廓信息的步骤之后,所述影像里肝部轮廓的检测方法还包括:
将检测出的肝部的轮廓信息转换到三维坐标系上,并获取肝部的三维坐标。
7.根据权利要求6所述的肝部轮廓的检测方法,其特征在于,所述肝部的三维坐标包括:
X坐标,图像的X轴的坐标;
Y坐标,图像的Y轴的坐标;
Z坐标,根据所述医学图像文件中切片位置计算。
8.一种肝部轮廓的检测***,其特征在于,包括:
获取模块,用于获取已标注肝部轮廓的病人影像;
识别模块,用于从该已标注肝部轮廓的病人影像识别标注的区域轮廓,对识别的区域轮廓进行训练,以获取用于预测肝部轮廓的关键特征点;
处理模块,用于从病人的全身影像中读取肝部影像,并判断所提取的肝部影像是否属于肝部;若是,从所述肝部影像中提取肝部轮廓信息;若否,重新提取肝部影像;
可视化模块,用于将肝部轮廓信息可视化;
3D模型生成模块,用于生成肝部的3D模型。
9.一种存储介质,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权利要求1至7中任一项所述肝部轮廓的检测方法。
10.一种终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求1至7中任一项所述肝部轮廓的检测方法。
11.一种显示***,其特征在于,包括:
如权利要求10所述的终端,用于输出肝部3D模型;及
VR设备,用于展示所述肝部3D模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910238363.1A CN109934841A (zh) | 2019-03-27 | 2019-03-27 | 肝部轮廓的检测方法、***、存储介质、终端及显示*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910238363.1A CN109934841A (zh) | 2019-03-27 | 2019-03-27 | 肝部轮廓的检测方法、***、存储介质、终端及显示*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109934841A true CN109934841A (zh) | 2019-06-25 |
Family
ID=66988344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910238363.1A Pending CN109934841A (zh) | 2019-03-27 | 2019-03-27 | 肝部轮廓的检测方法、***、存储介质、终端及显示*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934841A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533639A (zh) * | 2019-08-02 | 2019-12-03 | 杭州依图医疗技术有限公司 | 一种关键点定位方法及装置 |
CN112331311A (zh) * | 2020-11-06 | 2021-02-05 | 青岛海信医疗设备股份有限公司 | 一种腹腔镜手术中视频与术前模型融合显示的方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2840553A1 (en) * | 2012-04-18 | 2015-02-25 | FUJIFILM Corporation | 3d model data generation device, method and program |
CN107808377A (zh) * | 2017-10-31 | 2018-03-16 | 北京青燕祥云科技有限公司 | 一种肺叶中病灶的定位方法及装置 |
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN109035197A (zh) * | 2018-05-31 | 2018-12-18 | 东南大学 | 基于三维卷积神经网络的ct造影图像肾脏肿瘤分割方法及*** |
CN109447969A (zh) * | 2018-10-29 | 2019-03-08 | 北京青燕祥云科技有限公司 | 肝占位性病变识别方法、装置和实现装置 |
CN109461495A (zh) * | 2018-11-01 | 2019-03-12 | 腾讯科技(深圳)有限公司 | 一种医学图像的识别方法、模型训练的方法及服务器 |
-
2019
- 2019-03-27 CN CN201910238363.1A patent/CN109934841A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2840553A1 (en) * | 2012-04-18 | 2015-02-25 | FUJIFILM Corporation | 3d model data generation device, method and program |
CN107808377A (zh) * | 2017-10-31 | 2018-03-16 | 北京青燕祥云科技有限公司 | 一种肺叶中病灶的定位方法及装置 |
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN109035197A (zh) * | 2018-05-31 | 2018-12-18 | 东南大学 | 基于三维卷积神经网络的ct造影图像肾脏肿瘤分割方法及*** |
CN109447969A (zh) * | 2018-10-29 | 2019-03-08 | 北京青燕祥云科技有限公司 | 肝占位性病变识别方法、装置和实现装置 |
CN109461495A (zh) * | 2018-11-01 | 2019-03-12 | 腾讯科技(深圳)有限公司 | 一种医学图像的识别方法、模型训练的方法及服务器 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533639A (zh) * | 2019-08-02 | 2019-12-03 | 杭州依图医疗技术有限公司 | 一种关键点定位方法及装置 |
CN112331311A (zh) * | 2020-11-06 | 2021-02-05 | 青岛海信医疗设备股份有限公司 | 一种腹腔镜手术中视频与术前模型融合显示的方法及装置 |
CN112331311B (zh) * | 2020-11-06 | 2022-06-03 | 青岛海信医疗设备股份有限公司 | 一种腹腔镜手术中视频与术前模型融合显示的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993733A (zh) | 肺部病灶的检测方法、***、存储介质、终端及显示*** | |
Tang et al. | An augmentation strategy for medical image processing based on statistical shape model and 3D thin plate spline for deep learning | |
CN110168619B (zh) | 在虚拟现实或增强现实环境中渲染复杂数据的***和方法 | |
JP7309986B2 (ja) | 医用画像処理方法、医用画像処理装置、医用画像処理システム及び医用画像処理プログラム | |
CN103035022B (zh) | 基于特征点的人脸表情合成方法 | |
CN107067398A (zh) | 用于三维医学模型中缺失血管的补全方法及装置 | |
CN109872296A (zh) | 一种基于深度卷积生成式对抗网络的甲状腺结节病灶区生成的数据增强方法 | |
CN109934841A (zh) | 肝部轮廓的检测方法、***、存储介质、终端及显示*** | |
Shen et al. | Hippocampal shape analysis: surface-based representation and classification | |
Bramon et al. | Information theory-based automatic multimodal transfer function design | |
US7643670B2 (en) | Method and apparatus of processing a time-sequence of separate image data sets | |
Meuschke et al. | Visual analysis of aneurysm data using statistical graphics | |
Han et al. | Cascaded volumetric fully convolutional networks for whole-heart and great vessel 3D segmentation | |
CN107209794A (zh) | 解剖结构的有限元建模 | |
Dou et al. | Tooth instance segmentation based on capturing dependencies and receptive field adjustment in cone beam computed tomography | |
Zheng et al. | Deformable registration of chest CT images using a 3D convolutional neural network based on unsupervised learning | |
Kang et al. | The visible man: three-dimensional interactive musculoskeletal anatomic atlas of the lower extremity | |
CN114494132A (zh) | 基于深度学习和纤维束空间统计分析的疾病分类*** | |
Zhang et al. | [Retracted] Optimal Modeling and Simulation of the Relationship between Athletes’ High‐Intensity Training and Sports Injuries | |
Chambon et al. | CT-PET landmark-based lung registration using a dynamic breathing model | |
CN113592884B (zh) | 一种人体遮罩生成方法 | |
Preim et al. | Visualization, Visual Analytics and Virtual Reality in Medicine: State-of-the-art Techniques and Applications | |
CN116052849A (zh) | 一种模拟tbi脑图像的制备方法 | |
Moreno et al. | Thoracic CT-PET registration using a 3D breathing model | |
RU2639018C2 (ru) | Способ автоматического определения геометрических параметров сердца и торса пациента по флюорографическим снимкам и их визуализации |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190625 |
|
RJ01 | Rejection of invention patent application after publication |