CN110223774B - 一种实体肿瘤三维病理诊断图像与三维影像诊断图像融合方法 - Google Patents

一种实体肿瘤三维病理诊断图像与三维影像诊断图像融合方法 Download PDF

Info

Publication number
CN110223774B
CN110223774B CN201910603287.XA CN201910603287A CN110223774B CN 110223774 B CN110223774 B CN 110223774B CN 201910603287 A CN201910603287 A CN 201910603287A CN 110223774 B CN110223774 B CN 110223774B
Authority
CN
China
Prior art keywords
solid tumor
dimensional
image
pathological
diagnosis
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.)
Active
Application number
CN201910603287.XA
Other languages
English (en)
Other versions
CN110223774A (zh
Inventor
王磊
龚开政
戚庭月
李福东
张勇
袁保锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Affiliated Hospital of Yangzhou University
Original Assignee
Affiliated Hospital of Yangzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Affiliated Hospital of Yangzhou University filed Critical Affiliated Hospital of Yangzhou University
Priority to CN201910603287.XA priority Critical patent/CN110223774B/zh
Publication of CN110223774A publication Critical patent/CN110223774A/zh
Application granted granted Critical
Publication of CN110223774B publication Critical patent/CN110223774B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/10—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/10132—Ultrasound image
    • G06T2207/10136—3D ultrasound image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了电脑模型构建技术领域内的一种实体肿瘤三维病理诊断与三维影像诊断融合方法，其采用离体实体肿瘤标本，于实体肿瘤一侧间隔插上标记针并标记顺序，再经描仪进行扫描，生成实体肿瘤三维图像模型，再于标记针标记处按横切面将实体肿瘤分层切开并拍照，然后制作成病理切片，诊断并勾勒并记录病灶信息，再将病灶信息标注在打印的图片上，然后将标注好病理诊断信息的各层切片***到之前经彩色三维扫描仪扫描所得的实体肿瘤三维模型中，最后将CT、MRI、DSA、超声影像学转变成三维影像学图像，将与三维影像学图像进行融合。该方法可提高临床影像学诊断水平，为病理学诊断与影像学诊断AI技术的发展，提供前期研究基础。

Description

一种实体肿瘤三维病理诊断图像与三维影像诊断图像融合 方法
技术领域
本发明涉及一种离体组织的电脑模型的构建方法，特别涉及手术切除实体肿瘤的三维病理诊断与三维影像诊断融合方法。
背景技术
病理诊断在肿瘤患者的临床诊治过程中具有指导性作用。目前临床上病理诊断结果均是采用病理诊断结果书写+配图的方式，此种方式从病理学开始之初就沿袭至今，其不足逐渐显现，如：病理诊断“见有肿瘤组织侵犯包膜与血管”，但肿瘤侵犯病灶游离缘还是深部的包膜与血管，这并不能体现；再如病理免疫组化检查，现行传统免疫组化检查只能对某一个蜡块进行检测，但因肿瘤具有异质性的特点，不同蜡块的免疫组化结果表达不同，这样有可能造成诊断结果的不准确等等情况。通过三维病理诊断方法，可以将病理诊断结果进行三维体现，令临床医师更形象客观的判读病理诊断结果；同时通过三维病理诊断方法，可以解决现有一些病理诊断结果不够全面的不足，如免疫组化结果，可通过显示该指标的三维表达分布，准确评判其在肿瘤组织中的表达；还可通过三维病理诊断方法，研究肿瘤中如病灶空间分布特点等问题，用于分析研究。同时，病理诊断作为金标准，影像学医师可通过与病理诊断结果直观对比，在大样本回顾性研究基础上，发现新的影像学诊断特征图像，提高临床影像学诊断水平；通过此方法，可为病理学诊断与影像学诊断AI技术的发展，提供前期研究基础。
发明内容
本发明的目的是提供一种实体肿瘤三维病理诊断图像与三维影像诊断图像融合方法，着重解决三维病理诊断结果与临床现行的三维影像学诊断图像相匹配融合问题。影像学医师可通过与病理诊断结果直观对比，在大样本回顾性研究基础上，发现新的影像学诊断特征图像，提高临床影像学诊断水平；同时通过此方法，可为病理学诊断与影像学诊断AI技术的发展，提供前期研究基础。
本发明的目的是这样实现的：一种实体肿瘤三维病理诊断图像与三维影像图像诊断融合方法，包括如下步骤：
（1）将经手术切除后的离体实体肿瘤标本用中性甲醛固定，固定后将标本取出晾干后备用；
（2）参照离体实体肿瘤的解剖位置，于实体肿瘤一侧按照预定间隔插上标记针，并标记序号；
（3）将实体肿瘤用Ein Scan Pro 2X Pluse彩色三维扫描仪进行扫描，连续扫描并经电脑程序生成实体肿瘤三维图像模型；
（4）于每处标记针标记处按横切面将实体肿瘤分层切开，切开后的若干层按统一方向置于同一平面拍照，拍照时放置标准厘米刻度尺以保证组织大小比例；
（5）将若干层切片按现行方法制作成病理切片，于显微镜下诊断并勾勒并记录病灶信息，再将病灶信息标注在打印的图片上，备注的信息包括病灶大小、肿瘤细胞的分化程度、有无血管及***侵犯、有无神经侵犯、免疫组化结果、分子检查结果的病理诊断信息；
（6）将标注好病理诊断信息的各层切片***到之前经彩色三维扫描仪扫描所得的实体肿瘤三维模型中，***顺序依标记针标注顺序，***算法的流程如下：
①OpenGL中在标记针标志处进行平面切割保存切割面图像，并提取切割面图像边缘轮廓作为模板；使用sobel边缘检测算子检测切片轮廓边缘点并记录对应梯度方向（Sx，Sy）；
sobel边缘检测横向和纵向的卷积模板分别为：
Figure 383016DEST_PATH_IMAGE001
②对①中提取的轮廓边缘以2°为步长进行360度旋转，并保存所有旋转模板；
③为减少切片图像中的噪声干扰，对切片图像进行高斯滤波
二维高斯滤波函数为：
Figure 434017DEST_PATH_IMAGE002
，其中，x、y为纵横坐 标值，σ为均方差；
离散5*5 (σ=1.4) 的归一化高斯滤波卷积模板如下：
Figure 169761DEST_PATH_IMAGE003
④使用sobel边缘检测算子，对切片图像进行边缘点检测，并保存梯度图像；
⑤使用LineMod模板匹配算法，将360°旋转的模板与
Figure 650946DEST_PATH_IMAGE004
中的梯度图像进行匹配， 得到匹配中心点坐标（x，y）与旋转角度θ；
（7）将CT、MRI、DSA、超声影像学数据中的至少一种转变成三维影像学图像，将三维病理诊断图像与三维影像学图像融合，在OpenGL编程中实现图像融合功能，具体操作是：
①设置融入3D人体器官环境模型的坐标（x，y，z），设置3D病理模型的旋转角度（a，b，c），按照设置参数将3D病理模型融入3D人体器官环境模型；
②手动使用鼠标或者键盘对融入人体器官环境的3D病理模型的位置和姿态进行微调，使其符合在正常人体中的合理位置；
③根据3D病理模型在3D人体器官环境模型中的展示，观察3D病理模型与人体器官环境模型中的干涉情况。
其进一步改进在于，步骤（1）中离体实体肿瘤标本用10%中性甲醛固定8-12小时，步骤（1）中晾干时间为0.5-1小时。
进一步地，步骤（2）中参照离体实体肿瘤的解剖位置是指，依据实体肿瘤自身结构特点，若实体肿瘤为均质组织，无结构特征，则以实体肿瘤最长径为计；若实体肿瘤为非均质组织，则沿特定非均质组织的走向。所述特定非均质组织的走向包括输尿管方向、血管方向、神经方向。步骤（2）中按照预定间隔是指，依据离体实体肿瘤的大小选择，若离体实体肿瘤最长大于1cm的，间隔距离为5mm；若离体实体肿瘤最长径小于等于1cm，间隔距离为最长径的1/2。
进一步地，步骤（7）中融合时依据实体肿瘤的外观特征或重要的解剖结构进行匹配，所述外观特征包括弧度和切迹；重要的解剖结构包括动脉和静脉。
本发明进一步的改进在于，所述标记针为大头针，通过大头针的颜色或者***深度的不同作为标记序号。
与现有技术相比，本发明的有益效果在于：
一、通过离体实体肿瘤的三维病理构型，可以将肿瘤内各病灶的空间分布、病灶间的解剖关系、病灶内肿瘤细胞的分化程度、血管及***侵犯情况、神经侵犯及肿瘤被膜侵犯情况立体的表示出来。与现有的二维病理诊断相比，三维病理诊断更加全面反映实体肿瘤真实情况，有利于临床医师制定更恰当的治疗方案。
二、临床工作中，有部分肿瘤病例的影像学（如超声、CT、MRI）检查不能反映出病灶的大小、分布等信息，通过离体实体肿瘤的三维病理诊断方法，可以反映出各病灶的空间分布，有利于临床医师对这类病例的病灶空间分布规律的研究，通过此种方法来提高临床诊断的阳性率。
三、目前某些病理检查项目，如病理免疫组化检查、基因检测、分子检测等，现行的检查方法只时对肿瘤某一个蜡块进行检测，但因肿瘤具有异质性的特点，不同蜡块的检查结果表达不同，这样有可能造成诊断结果的不准确。通过三维病理诊断方法，可以通过将实体肿瘤多层面病理诊断结果进行三维体现，得出更准确的病理诊断结果。
四、三维诊断技术目前在超声、CT、MRI中逐步开展，属于新兴技术范畴。通过实体肿瘤的三维病理诊断可以将传统的病理诊断结果与上述三维诊断技术进行融合，有利于对实体肿瘤整体诊断技术水平的提高与实体肿瘤诊断信息的数字化传输。
五、影像学医师可通过与病理诊断结果直观对比，在大样本回顾性研究基础上，发现新的影像学诊断特征图像，提高临床影像学诊断水平；同时通过此方法，可为病理学诊断与影像学诊断AI技术的发展，提供前期研究基础。
具体实施方式
一种实体肿瘤三维病理诊断与三维影像诊断融合方法，包括如下步骤：
（1）将经手术切除后的离体实体肿瘤标本用中性甲醛固定，固定后将标本取出晾干后备用；离体实体肿瘤标本用10%中性甲醛固定8-12小时，步骤（1）中晾干时间为0.5-1小时；
（2）参照离体实体肿瘤的解剖位置，于实体肿瘤一侧按照预定间隔插上标记针，并标记序号；标记针可以采用大头针，通过大头针的颜色或者***深度的不同作为标记序号。
（3）将实体肿瘤用Ein Scan Pro 2X Pluse彩色三维扫描仪进行扫描，连续扫描并经电脑程序生成实体肿瘤三维图像模型；
（4）于每处标记针标记处按横切面将实体肿瘤分层切开，切开后的若干层按统一方向置于同一平面拍照，拍照时放置标准厘米刻度尺以保证组织大小比例；
（5）将若干层切片按现行方法制作成病理切片，于显微镜下诊断并勾勒并记录病灶信息，再将病灶信息标注在打印的图片上，备注的信息包括病灶大小、肿瘤细胞的分化程度、有无血管及***侵犯、有无神经侵犯、免疫组化结果、分子检查结果的病理诊断信息；
（6）将标注好病理诊断信息的各层切片***到之前经彩色三维扫描仪扫描所得的实体肿瘤三维模型中，***顺序依标记针标注顺序，***算法的流程如下：
①OpenGL中在标记针标志处进行平面切割保存切割面图像，并提取切割面图像边缘轮廓作为模板；使用sobel边缘检测算子检测切片轮廓边缘点并记录对应梯度方向（Sx，Sy）；
sobel边缘检测横向和纵向的卷积模板分别为：
Figure 42613DEST_PATH_IMAGE005
②对①中提取的轮廓边缘以2°为步长进行360度旋转，并保存所有旋转模板；
③为减少切片图像中的噪声干扰，对切片图像进行高斯滤波
二维高斯滤波函数为：
Figure 648037DEST_PATH_IMAGE002
，其中，x、y为纵横坐 标值，σ为均方差；
离散5*5 (σ =1.4) 的归一化高斯滤波卷积模板如下：
Figure 972708DEST_PATH_IMAGE006
④使用sobel边缘检测算子，对切片图像进行边缘点检测，并保存梯度图像；
⑤使用LineMod模板匹配算法，将360°旋转的模板与
Figure 90706DEST_PATH_IMAGE004
中的梯度图像进行匹配， 得到匹配中心点坐标（x，y）与旋转角度θ；
（7）将CT、MRI、DSA、超声影像学数据中的一种或一种以上自动转变成三维影像学图像，将三维病理诊断图像与三维影像学图像融合，在OpenGL编程中实现图像融合功能，融合时依据实体肿瘤的外观特征或重要的解剖结构进行匹配，所述外观特征包括弧度、切迹；重要的解剖结构包括动脉、静脉等，具体操作是：
①设置融入3D人体器官环境模型的坐标（x，y，z），设置3D病理模型的旋转角度（a，b，c），按照设置参数将3D病理模型融入3D人体器官环境模型
②手动使用鼠标或者键盘对融入人体器官环境的3D病理模型的位置和姿态进行微调，使其符合在正常人体中的合理位置；
③根据3D病理模型在3D人体器官环境模型中的展示，观察3D病理模型与人体器官环境模型中的干涉情况。
步骤（2）中参照离体实体肿瘤的解剖位置是指，依据实体肿瘤自身结构特点，若实体肿瘤为均质组织，无结构特征，则以实体肿瘤最长径为计；若实体肿瘤为非均质组织，则沿特定非均质组织的走向；所述特定非均质组织的走向包括输尿管方向、血管方向、神经方向。步骤（2）中按照预定间隔是指，依据离体实体肿瘤的大小选择，若离体实体肿瘤最长大于1cm的，间隔距离为5mm；若离体实体肿瘤最长径小于等于1cm，间隔距离为最长径的1/2。
本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。

Claims (7)

1.一种实体肿瘤三维病理诊断图像与三维影像诊断图像融合方法，其特征在于包括如下步骤：
(1)将经手术切除后的离体实体肿瘤标本用中性甲醛固定，固定后将标本取出晾干后备用；
(2)参照离体实体肿瘤的解剖位置，于实体肿瘤一侧按照预定间隔插上标记针，并标记序号；
(3)将实体肿瘤用Ein Scan Pro 2X Pluse彩色三维扫描仪进行扫描，连续扫描并经电脑程序生成实体肿瘤三维图像模型；
(4)于每处标记针标记处按横切面将实体肿瘤分层切开，切开后的若干层按统一方向置于同一平面拍照，拍照时放置标准厘米刻度尺以保证组织大小比例；
(5)将若干层切片按现行方法制作成病理切片，于显微镜下诊断并勾勒并记录病灶信息，再将病灶信息标注在打印的图片上，备注的信息包括病灶大小、肿瘤细胞的分化程度、有无血管及***侵犯、有无神经侵犯、免疫组化结果、分子检查结果的病理诊断信息；
(6)将标注好病理诊断信息的各层切片***到之前经彩色三维扫描仪扫描所得的实体肿瘤三维模型中，***顺序依标记针标注顺序，***算法的流程如下：
①OpenGL中在标记针标志处进行平面切割保存切割面图像，并提取切割面图像边缘轮廓作为模板；使用sobel边缘检测算子检测切片轮廓边缘点并记录对应梯度方向(Sx，Sy)；
sobel边缘检测横向和纵向的卷积模板分别为：
Figure FDA0003911906400000011
②对①中提取的轮廓边缘以2°为步长进行360度旋转，并保存所有旋转模板；
③为减少切片图像中的噪声干扰，对切片图像进行高斯滤波
二维高斯滤波函数为：
Figure FDA0003911906400000012
其中，x、y为纵横坐标值，σ为均方差；
离散5*5，σ＝1.4的归一化高斯滤波卷积模板如下：
Figure FDA0003911906400000021
④使用sobel边缘检测算子，对切片图像进行边缘点检测，并保存梯度图像；
⑤使用LineMod模板匹配算法，将360°旋转的模板与④中的梯度图像进行匹配，得到匹配中心点坐标(x，y)与旋转角度θ；
(7)将CT、MRI、DSA、超声影像学数据中的至少一种在设备上自动转变成三维影像学图像，将三维病理诊断图像与三维影像学图像融合，在OpenGL编程中实现图像融合功能，具体操作是：
①设置融入3D人体器官环境模型的坐标(x，y，z)，设置3D病理模型的旋转角度(a，b，c)，按照设置参数将3D病理模型融入3D人体器官环境模型；
②手动使用鼠标或者键盘对融入人体器官环境的3D病理模型的位置和姿态进行微调，使其符合在正常人体中的合理位置；
③根据3D病理模型在3D人体器官环境模型中的展示，观察3D病理模型与人体器官环境模型中的干涉情况。
2.根据权利要求1所述的一种实体肿瘤三维病理诊断图像与三维影像诊断图像融合方法，其特征在于：步骤(1)中离体实体肿瘤标本用10％中性甲醛固定8-12小时，步骤(1)中晾干时间为0.5-1小时。
3.根据权利要求1所述的一种实体肿瘤三维病理诊断图像与三维影像诊断图像融合方法，其特征在于：步骤(2)中参照离体实体肿瘤的解剖位置是指，依据实体肿瘤自身结构特点，若实体肿瘤为均质组织，无结构特征，则以实体肿瘤最长径为计；若实体肿瘤为非均质组织，则沿特定非均质组织的走向。
4.根据权利要求3所述的一种实体肿瘤三维病理诊断图像与三维影像诊断图像融合方法，其特征在于：所述特定非均质组织的走向包括输尿管方向、血管方向和神经方向。
5.根据权利要求1所述的一种实体肿瘤三维病理诊断图像与三维影像诊断图像融合方法，其特征在于：步骤(2)中按照预定间隔是指，依据离体实体肿瘤的大小选择，若离体实体肿瘤最长大于1cm的，间隔距离为5mm；若离体实体肿瘤最长径小于等于1cm，间隔距离为最长径的1/2。
6.根据权利要求1所述的一种实体肿瘤三维病理诊断图像与三维影像诊断图像融合方法，其特征在于：步骤(7)中融合时依据实体肿瘤的外观特征或重要的解剖结构进行匹配，所述外观特征包括弧度和切迹；重要的解剖结构包括动脉和静脉。
7.根据权利要求1所述的一种实体肿瘤三维病理诊断图像与三维影像诊断图像融合方法，其特征在于：所述标记针为大头针，通过大头针的颜色或者***深度的不同作为标记序号。
CN201910603287.XA 2019-07-05 2019-07-05 一种实体肿瘤三维病理诊断图像与三维影像诊断图像融合方法 Active CN110223774B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910603287.XA CN110223774B (zh) 2019-07-05 2019-07-05 一种实体肿瘤三维病理诊断图像与三维影像诊断图像融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910603287.XA CN110223774B (zh) 2019-07-05 2019-07-05 一种实体肿瘤三维病理诊断图像与三维影像诊断图像融合方法

Publications (2)

Publication Number Publication Date
CN110223774A CN110223774A (zh) 2019-09-10
CN110223774B true CN110223774B (zh) 2022-12-13

Family

ID=67812707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910603287.XA Active CN110223774B (zh) 2019-07-05 2019-07-05 一种实体肿瘤三维病理诊断图像与三维影像诊断图像融合方法

Country Status (1)

Country Link
CN (1) CN110223774B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102906784A (zh) * 2010-05-19 2013-01-30 皇家飞利浦电子股份有限公司 处理样本图像
CN105615831A (zh) * 2015-12-18 2016-06-01 李占和 医学影像全息ar显示***
CN105719278A (zh) * 2016-01-13 2016-06-29 西北大学 一种基于统计形变模型的器官辅助定位分割方法
CN107527361A (zh) * 2017-08-28 2017-12-29 合肥融视信息科技有限公司 基于磁共振影像融合显示的图像显示***及显示方法
CN108564578A (zh) * 2018-04-13 2018-09-21 上海商汤智能科技有限公司 病理诊断辅助方法、装置及***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10638949B2 (en) * 2016-04-22 2020-05-05 New York Society For The Ruptured And Crippled Maintaining The Hospital For Special Surgery System and apparatus for assessing metallosis using magnetic resonance imaging

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102906784A (zh) * 2010-05-19 2013-01-30 皇家飞利浦电子股份有限公司 处理样本图像
CN105615831A (zh) * 2015-12-18 2016-06-01 李占和 医学影像全息ar显示***
CN105719278A (zh) * 2016-01-13 2016-06-29 西北大学 一种基于统计形变模型的器官辅助定位分割方法
CN107527361A (zh) * 2017-08-28 2017-12-29 合肥融视信息科技有限公司 基于磁共振影像融合显示的图像显示***及显示方法
CN108564578A (zh) * 2018-04-13 2018-09-21 上海商汤智能科技有限公司 病理诊断辅助方法、装置及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"CT/MRI图像融合在肿瘤三维适形放射治疗中的应用";张利伟 等;《现代肿瘤医学》;20091025;第17卷(第10期);第2029-2030页 *
"Edge detection in MRI brain tumor images based on fuzzy C-means clustering";Alexander Zotin 等;《Procedia Computer Science》;20181231;第126卷;第1261-1270页 *

Also Published As

Publication number Publication date
CN110223774A (zh) 2019-09-10

Similar Documents

Publication Publication Date Title
CN107622492B (zh) 肺裂分割方法及***
CN105719324B (zh) 图像处理装置以及图像处理方法
CN109493325B (zh) 基于ct影像的肿瘤异质性分析***
US9713458B2 (en) Ultrasonic imaging system with body marker annotations
WO2015161728A1 (zh) 三维模型的构建方法及装置、图像监控方法及装置
US20230177696A1 (en) Method and system for generating guide information, and computer-readable storage medium
CN110013306B (zh) Ct引导肝肿瘤热消融治疗穿刺路径规划方法
JP2007534447A (ja) 標的病変における変化の精密な測定評価のための医療用撮像システム
CN107563998A (zh) 医学图像中心脏图像处理方法
CN110400286A (zh) 一种x射线ct图像中金属针的检测定位方法
CN111374712B (zh) 一种超声成像方法及超声成像设备
CN110503652A (zh) 下颌智齿与邻牙及下颌管关系确定方法、装置、存储介质及终端
JP2009018005A (ja) ブルズアイマップ作成装置、ブルズアイマップ作成方法、及び画像処理装置
US20040161144A1 (en) Method for producing an image
CN107527379A (zh) 医用图像诊断装置及医用图像处理装置
EP2484286B1 (en) Device and method for displaying medical image and program
CN113470060B (zh) 基于ct影像的冠状动脉多角度曲面重建可视化方法
CN112022345B (zh) 腹壁缺损重建的三维可视化术前规划方法、***及终端
CN110223774B (zh) 一种实体肿瘤三维病理诊断图像与三维影像诊断图像融合方法
CN110296935B (zh) 一种实体肿瘤三维图像构建方法
CN111275617B (zh) 一种abus乳腺超声全景图的自动拼接方法、***和存储介质
CN108508016B (zh) 一种***癌三维病理构型方法
CN115429327A (zh) 一种甲状腺全自动超声智能扫描方法及平台
US20040171931A1 (en) Method to produce a volume data set
CN109993754B (zh) 从图像上进行颅骨分割的方法和***

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