CN110766730A - 图像配准及随访评估方法、存储介质及计算机设备 - Google Patents
图像配准及随访评估方法、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN110766730A CN110766730A CN201910992710.XA CN201910992710A CN110766730A CN 110766730 A CN110766730 A CN 110766730A CN 201910992710 A CN201910992710 A CN 201910992710A CN 110766730 A CN110766730 A CN 110766730A
- Authority
- CN
- China
- Prior art keywords
- image
- current
- registration
- focus
- historical
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及一种图像配准及随访评估方法、存储介质及计算机设备,首先确定图像中包含的图像结构的结构属性信息,在图像配准过程中,并不是通过相似度满足预设要求的特征点对进行配准,而是通过图像结构的结构属性信息进行配准,从而可以在待配准图像存在较大差别的前提下也能实现图像配准,并且,由于是基于相同结构属性信息的图像结构进行配准,从而也能避免出现配准失败或者误配准的情况,提高配准结果的准确性。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图像配准及随访评估方法、存储介质及计算机设备。
背景技术
随访(follow up)是指医院对曾在医院就诊的患者进行定期检查,以了解患者病情变化并指导患者康复的一种方法。基于医学图像的疾病随访分析是指通过将患者的当前检查图像与患者的历史检查图像进行对比分析,从而确定随访结果。在实现基于医学图像的疾病随访分析的过程中,需要通过图像配准技术将不同时间的检查图像进行配准,使得二者解剖结构相匹配,从而便于进行可视化对比分析。
现有技术中,在进行图像配准时,多为通过图像中的特征点进行配准,即首先寻找相似度满足预设要求的特征点对,然后通过计算特征点对的变换关系得到图像配准结果。然而,在疾病随访分析的过程中,当前检查图像与历史检查图像可能因为多种因素而导致图像特征出现差别较大的情况,例如,扫描设备、扫描参数、扫描协议的不同均会导致二者的图像差别较大,从而可能导致配准失败或者误配准的情况,降低图像配准结果的准确性。
发明内容
基于此,有必要针对现有技术存在的问题,提供一种准确性更高的图像配准及随访评估方法、存储介质及计算机设备。
一种图像配准方法,包括:
获取待配准的第一图像以及第二图像;
分别确定所述第一图像以及所述第二图像所包含的图像结构的结构属性信息;
在所述第一图像中选择当前图像结构,并从所述第二图像中查找与所述当前图像结构的结构属性信息相同的目标图像结构;
基于所述第一图像、所述第二图像、所述当前图像结构以及所述目标图像结构进行图像配准,得到所述第一图像与所述第二图像的配准结果。
一种随访评估方法,包括:
获取随访对象对应的当前医学图像以及历史医学图像;
通过上述的图像配准方法,对所述当前医学图像以及所述历史医学图像进行图像配准处理,得到所述历史医学图像与所述当前医学图像的空间变换关系;
根据配准得到的所述空间变换关系,结合所述当前医学图像以及所述历史医学图像,得到所述随访对象的变化信息;
根据所述变化信息确定所述随访对象的随访评估结果。
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,所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
上述图像配准及随访评估方法、存储介质及计算机设备,获取待配准的第一图像以及第二图像;分别确定第一图像以及第二图像所包含的图像结构的结构属性信息;在第一图像中选择当前图像结构,并从第二图像中查找与当前图像结构的结构属性信息相同的目标图像结构;基于第一图像、第二图像、当前图像结构以及目标图像结构,对第一图像以及第二图像进行图像配准,得到第一图像与第二图像的配准结果。本申请首先确定图像中包含的图像结构的结构属性信息,在图像配准过程中,并不是通过相似度满足预设要求的特征点对进行配准,而是通过图像结构的结构属性信息进行配准,从而可以在待配准图像存在较大差别的前提下也能实现图像配准,并且,由于是基于相同结构属性信息的图像结构进行配准,从而也能避免出现配准失败或者误配准的情况,提高配准结果的准确性与鲁棒性。
附图说明
图1为一个实施例中图像配准方法的流程示意图;
图2为一个实施例中分别确定第一图像以及第二图像所包含的图像结构的结构属性信息的流程示意图;
图3为另一个实施例中图像配准方法的流程示意图;
图4为一个实施例中基于第一图像、第二图像、当前图像结构以及目标图像结构进行图像配准,得到第一图像与第二图像的配准结果的流程示意图;
图5为一个实施例中随访评估方法的流程示意图;
图6为一个实施例中根据配准得到的空间变换关系,结合当前医学图像以及历史医学图像,得到随访对象的变化信息的流程示意图;
图7为一个实施例中随访评估方法的应用实例图;
图8为一个实施例中肺结节随访评估的实例图;
图9为一个实施例中图像配准装置的结构示意图;
图10为一个实施例中随访评估装置的结构示意图;
图11为一个实施例中计算机设备的内部结构图。
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。
在一个实施例中,如图1所示,提供一种图像配准方法,以该方法应用于可以进行图像配准的处理器为例进行解释说明,该方法包括以下步骤:
步骤S110,获取待配准的第一图像以及第二图像。
其中,待配准的第一图像以及第二图像可以是针对相同的目标对象所拍摄的图像。基于配准应用场景的不同,目标对象也不同,例如,当应用于风景图像的配准时,目标对象可以是一棵树、一座山、一条河等;当应用于建筑图像的配准时,目标对象可以是一栋高楼、一座桥梁等;当应用于医疗图像的配准时,目标对象可以是人体内的不同组织、器官、结构等。
可以理解,处理器可以是获取实时拍摄的第一图像以及第二图像。第一图像以及第二图像也可以预先拍摄好,并存储在存储器中,当需要对其进行配准处理时,处理器直接从存储器中读取图像即可。当然,第一图像以及第二图像还可以是存储在云端,当需要进行配准处理时,处理器通过网络从云端获取图像即可。本实施例对处理器获取第一图像以及第二图像的方式不做限定。
另外,处理器获取的第一图像以及第二图像可以是指代单独一张图像,也可以是指代一个图像集,例如,当第一图像以及第二图像为医疗图像时,第一图像以及第二图像可以是指代同一患者对应的、不同成像扫描参数(不同扫描序列、不同模态、不同拍摄***等)的多个医疗图像组成的图像集等。
步骤S120,分别确定第一图像以及第二图像所包含的图像结构的结构属性信息。
其中,图像结构可以理解为图像中所包含的“图像元素”,图像元素具体是指图像中的点状要素、线状要素、面状要素等,具体可以是宏观结构,也可以是微观结构。例如,当待配准图像为风景图像时,图像结构可以是树、山、河流等;当待配准图像为医疗图像时,图像结构可以是患者所拍摄的图像中的头部、大脑、脑叶等。图像结构的结构属性信息可以理解为该图像结构本身的语义信息。
在传统的图像配准过程中,在获取待配准的图像后,通常是根据图像灰度信息或者根据从灰度图像中提取的特征来实现图像配准,即通过寻找相似度满足预设要求的特征点对来进行配准,然而,在待配准的图像中,可能会存在图像结构差异较大的情况,因此,传统的基于灰度进行配准的方法很难实现准确鲁棒的配准,甚至直接导致配准的失败。因此,本步骤中,处理器在获取待配准的第一图像以及第二图像之后,并不是直接进行图像的配准,而是首先根据第一图像以及第二图像分别确定图像中所包含的图像结构的结构属性信息,图像结构的数量可以是一个,也可以是多个,具体可以根据实际情况进行调整设置。
步骤S130,在第一图像中选择当前图像结构,并从第二图像中查找与当前图像结构的结构属性信息相同的目标图像结构。
其中,当前图像结构是指从第一图像中选择的、稳定显著的、可以用于作为配准基准的图像结构。处理器在分别确定待配准图像中的图像结构后,从第一图像中选择符合要求的当前图像结构,然后再根据当前图像结构的结构属性信息,从第二图像中查找结构属性信息相同的目标图像结构。例如,第一图像中包含图像结构A,B,C,第二图像中包含图像结构B,D,E,在图像结构B具备一定的稳定性和显著性时,则可以选择第一图像中的图像结构B作为当前图像结构,然后将第二图像中的图像结构B作为对应的目标图像结构。
需要说明的是,本申请中所使用的“第一”、“第二”等术语是用于区分不同对象,而不是用于描述特定顺序。具体地,在本申请各实施例中,采用“第一”、“第二”等来区分待配准的图像,但是待配准的图像并不限定于一定采用这些术语,例如,在不脱离本申请各实施例范围的情况下,“第一图像”也可以被称为“第二图像”,“第二图像”也可以被称为“第一图像”;或者,“第一图像”也可以被称为“第三图像”,“第二图像”也可以被称为“第四图像”等。这些术语仅用来将待配准的图像彼此区分开。
步骤S150,基于第一图像、第二图像、当前图像结构以及目标图像结构进行图像配准,得到第一图像与第二图像的配准结果。
处理器在根据第一图像选择当前图像结构,并在第二图像中查找到相应的目标图像结构后,即可基于当前图像结构以及目标图像结构进行第一图像及第二图像的配准工作,从而得到第一图像及第二图像的配准结果。
本实施例提供一种图像配准方法,首先确定图像中包含的图像结构的结构属性信息,在图像配准过程中,并不是通过相似度满足预设要求的特征点对进行配准,而是通过图像结构的结构属性信息进行配准,从而可以在待配准图像存在较大差别的前提下也能实现图像配准,并且,由于是基于相同结构属性信息的图像结构进行配准,从而也能避免出现配准失败或者误配准的情况,提高配准结果的准确性与鲁棒性。
在一个实施例中,当本申请的图像配准方法应用于医疗领域的图像配准时,图像结构包括:特征点、特征线、特征截面、特征体结构、病灶、器官组织中的至少一种。
在医疗领域,待配准图像通常是患者的医学扫描图像,医学扫描图像结构较为复杂,因此可以选择特征点、特征线、特征截面、病灶、器官组织中的至少一种作为图像结构。其中,特征点、特征线、特征截面、特征体结构为位置关系及形态结构较为稳定显著的图像结构,例如,特征点可以是脊椎骨边缘标记点等,特征线可以是脊椎骨轮廓或者肋骨轮廓等,特征截面可以是肺部截面等,特征体结构可以是脑干结构等。病灶即患者体内发生病变的部位,如肺结节等。器官组织如大脑、胸部等。
本实施例中,当进行医疗领域的图像配准时,通过选择医学扫描图像中位置关系及形态结构较为稳定显著的图像结构,可以提高配准结果的准确性,保证医疗图像配准过程的鲁棒性。
在一个实施例中,如图2所示,步骤S120分别确定第一图像以及第二图像所包含的图像结构的结构属性信息,包括步骤S122至步骤S124。
步骤S122,通过检测网络对第一图像以及第二图像进行图像特征检测处理,或者,通过分割网络对第一图像以及第二图像进行图像分割处理;
步骤S124,根据处理结果得到所述第一图像以及所述第二图像所包含的图像结构以及对应的结构属性信息。
其中,检测网络及分割网络可以是深度学习模型,例如分割网络可以是DNN(DeepNeural Networks,深度神经网络)、CNN(Convolutional Neural Networks,卷积神经网络)或RNN(Recurrent Neural Network,循环神经网络)等,其中,CNN模型具体可以是V-Net分割模型、U-Net分割模型、Link-Net分割模型等。分类方法可以是SVM(Support VectorMachine,支持向量机)、随机森林等,也可采用深度学习网络实现分类。
另外,检测网络及分割网络可以根据不同应用领域对应的样本数据进行训练得到,其中,样本数据包括训练样本图像以及图像中图像结构以及对应属性的金标准。以分割网络的训练过程为例,在分割网络的训练过程中,训练样本图像对应的分割金标准即该图像对应的已标注好的分割结果,处理器将通过初始分割网络得到的训练样本图像的分割结果与分割金标准进行对比,计算两者之间的损失,再根据该损失利用反向传播梯度方法对初始分割网络中的网络参数进行调整,以此循环训练,直至分割网络达到收敛状态。检测网络的训练过程与分割网络的训练过程类似,在此不再赘述。
本实施例通过采用检测网络或者分割网络进行待配准图像的图像处理,从而可以得到准确性较高的图像结构的结构属性信息,进而保证图像配准结果的准确性。
在一个实施例中,如图3所示,图像配准方法还包括:步骤S140,当从第二图像中查找不到与当前图像结构的结构属性信息相同的目标图像结构时,重新选择当前图像结构,直至在第二图像中查找到与新的当前图像结构的结构属性信息相同的目标图像结构。
具体地,在医疗领域,比较常见的一种情况是,第一图像和第二图像为具有一定时间间隔的图像,而在该时间间隔内,患者体内出现结构缺失等情况,例如,患者通过手术切割掉一部分肺叶,或者是进行过其他器官或组织(如肝脏)的切除手术等,从而导致在第一图像中存在的图像结构,在第二图像中并不存在相应的图像结构。此时,若仍根据该图像结构进行配准,则会大大降低配准结果的准确度,甚至导致配准失败。因此,当出现在第二图像中找不到与当前图像结构匹配的目标图像结构时,通过重新选择当前图像结构,并保证第二图像中存在重新选择的当前图像结构对应的目标图像结构,从而可以避免出现配准准确度降低以及配准失败的情况,保证图像配准结果的可靠性。
在一个实施例中,如图4所示,步骤S150基于第一图像、第二图像、当前图像结构以及目标图像结构进行图像配准,得到第一图像与第二图像的配准结果,包括步骤S152至步骤S154。
步骤S152,基于当前图像结构以及目标图像结构,计算第一图像与第二图像的空间变换关系;
步骤S154,根据空间变换关系,对第一图像或第二图像进行空间变换,得到配准后图像。
本实施例中,首先根据待配准图像中的相同的图像结构确定第一图像与第二图像的空间变换关系,由于图像结构是从第一图像以及第二图像中直接得到,图像结构的空间变化关系可以直接应用于两幅图像的图像配准,因此,可以根据该空间变换关系实现待配准图像的图像配准,从而可以减少原始的待配准图像中其他干扰信息的影响,提升配准的准确性和鲁棒性。同时,采用图像结构进行配置也可以大大提高图像配准的效率。
在一个实施例中,如图5所示,提供一种随访评估方法,该方法包括以下步骤:
步骤S210,获取随访对象对应的当前医学图像以及历史医学图像。
患者随访属于医院后医疗管理的重要方式,是医院常规工作的重要组成部分,医院通过对出院患者或患慢性疾病的患者进行医疗追踪服务,医生可及时了解患者的病情变化并给予治疗建议。基于影像的疾病随访分析是指通过将患者的当前检查影像数据与历史检查影像数据进行比对,对相同病灶进行跟踪对比分析,得到随访结果。实现智能随访的前提是通过图像配准技术将不同时间采集到的影像数据进行基于解剖结构的匹配,将目标病灶实现解剖结构和空间位置上对齐,并进行对比可视化和量化分析。因此,在进行随访评估时,首先获取随访对象对应的当前医学图像以及历史医学图像。其中,当前医学图像以及历史医学图像可以是通过医疗成像***得到的图像,例如,PET(Positron EmissionComputed Tomography,正电子发射型计算机断层显像)图像、CT(Computed Tomography,电子计算机断层扫描)图像、MRI(Magnetic Resonance Imaging,磁共振成像)图像等,在此不做具体的类型限定。
具体地,在获取医学图像时,当前医学图像可以是通过对患者进行医学扫描得到,历史医学图像可以是根据当前扫描内容,从相关数据库中对应获取,例如,可以根据患者的***位、图像模态、图像扫描参数等相关信息对患者历史DCM数据进行检索,得到并选择与当前扫描检查相关的历史医学图像。
步骤S220,通过图像配准方法,对当前医学图像以及历史医学图像进行图像配准处理,得到历史医学图像与当前医学图像的空间变换关系。
其中,图像配准方法即本申请之前各实施例中的图像配准方法。现有图像配准算法在处理异质性图像(不同扫描设备、不同重建参数得到的图像)、临床多样化图像(扫描协议不同,层厚不同,扫描设备不同,时间跨度较大)时算法性能不够稳定。同时,在临床随访评估过程中,患者的身体结构可能存在较大的差异,如手术后器官缺失、随访数据伴有其他并发症、经过治疗患者身体与目标病灶发生明显形态与位置变化等。在这种情况下,很难得到准确有效的配准结果,因此也无法实现智能随访评估。而本申请中基于相同结构属性信息的图像结构进行图像配准的方法,可以有效地对异质性图像、临床多样化图像以及存在身体结构差异的图像进行配准,从而便于医生根据配准图像进行随访。
具体地,在进行图像配准时,可以采用点对点、线对线、截面对截面、器官对器官、病灶对病灶等方式进行匹配,即便是对于不同层厚、不同扫描协议的医学图像,或者是存在较大差异(如显著体型变化、手术导致的器官缺失、目标病灶形态位置变化显著等)的医学图像,也可鲁棒的实现图像配准。
步骤S230,根据配准得到的空间变换关系,结合当前医学图像以及历史医学图像,得到随访对象的变化信息。
在得到历史医学图像与当前医学图像的空间变换关系后,即可结合当前医学图像以及历史医学图像对患者的进行变化分析,对已有病灶的对比分析以确定病灶的发展情况等,从而可以实现对不同部位、不同疾病的变化分析,例如,当医学图像为肺部的CT图像时,可以对肺结节进行检测、定位、量化等。
步骤S240,根据变化信息确定随访对象的随访评估结果。
在得到变化信息后,进一步确定随访对象的随访评估结果,变化信息包括病灶变大、变小、病灶新增与病灶消失等,在得到所有病灶的分析结果之后,综合所有病灶的变化分析结果,即可得到完整的随访评估结果。
可以理解,本实施例所提供的随访评估方法,可以是由计算机设备自动实现,在随访评估过程中,可以根据实际需要,结合已有的疾病筛查与辅助诊断***进行随访评估。本实施例通过基于影像进行疾病随访分析,可以大大减轻医生手动阅片的工作量,提高随访效率。同时,在随访评估过程中,采用基于图像结构进行图像配准,可以有效地提高随访评估结果的准确性和可靠性。
在一个实施例中,如图6所示,步骤S230,根据配准得到的空间变换关系,结合当前医学图像以及历史医学图像,得到随访对象的变化信息,包括步骤S232至步骤S234。
步骤S232,根据配准得到的所述空间变换关系,对当前医学图像以及历史医学图像中图像结构进行匹配分析;
步骤S234,根据匹配分析结果得到图像结构的变化信息。
对于在配准后的当前医学图像中检测出的某一病灶,可以根据该病灶在当前医学图像中的当前图像结构以及在历史医学图像中的历史图像结构进行匹配分析。具体地,可以根据该病灶在当前医学图像中的病灶位置、大小、疾病类型、病灶形态等多样化特征,对历史医学图像中检测出的病灶进行匹配,找到相同病灶,进而跟踪分析得到病灶的变化信息。该变化信息包括形态大小的变化、疾病类型的变化等。可通过跟踪相同病灶研究疾病进展情况,或对治疗疗效进行评估等。通过进行病灶匹配并对同一病灶进行变化分析,可以保证随访评估结果的准确性。
在一个实施例中,对当前医学图像以及历史医学图像中图像结构进行匹配分析,包括:当当前医学图像中存在病灶的当前图像结构,且历史医学图像中不存在病灶时,确定病灶为新增病灶。具体地,对于在当前医学图像中检测出的病灶,若在历史医学图像中检测不到对应的病灶,则说明该病灶属于新增病灶,此时可以对新增病灶进行提示,从而便于医生进行诊断分析。
在一个实施例中,对当前医学图像以及历史医学图像中图像结构进行匹配分析,包括:当历史医学图像中存在病灶的历史图像结构,且当前医学图像中不存在病灶时,确定病灶为消失病灶。具体地,对于在历史医学图像中检测出的病灶,若在当前医学图像中检测不到对应的病灶,则说明该病灶属于消失病灶,即该病灶已在患者体内消失,此时可以对消失病灶进行提示,从而便于医生进行诊断分析。
在一个实施例中,对当前医学图像以及历史医学图像中图像结构进行匹配分析,包括:当当前医学图像中存在病灶的当前图像结构、历史医学图像中存在病灶的历史图像结构,且当前图像结构与历史图像结构一致时,确定病灶为稳定病灶。当前图像结构与历史图像结构一致,可以理解为二者在位置以及形态结构上一致,当前图像结构与历史图像结构一致时可以认为该病灶未发生变化,较为稳定。此时可以对稳定病灶进行提示,从而便于医生进行诊断分析。
可以理解,本实施例中的“一致”、“未发生变化”等描述性词语,可以是指完全一致,以及完全未发生变化等情况,也可以是指二者的区别误差在一定的微小范围内,以及发生的变化在可接受的微小范围内。
在一个实施例中,对当前医学图像以及历史医学图像中图像结构进行匹配分析,包括:当当前医学图像中存在病灶的当前图像结构、史医学图像中存在病灶的历史图像结构,且当前图像结构与历史图像结构不一致时,确定病灶为变化病灶。当前图像结构与历史图像结构不一致,即该病灶发生了变化,具体可以理解为病灶的位置或者形态结构发生了变化,例如病灶变大或变小等。此时可以对变化病灶进行提示,从而便于医生进行诊断分析。
在一个实施例中,如图7所示,提供随访评估方法的应用实例。待配准的当前医学图像以及历史医学图像为患者的胸部CT图像,对患者图像的随访评估的前提是实现胸部图像解剖结构的配准,通过采用本申请所提供的基于图像结构的图像配准方法,可以实现当前医学图像以及历史医学图像的图像配准,随后即可根据配准结果完成肺结节的随访评估。具体处理过程包括以下步骤:
(1)对于待配准的当前医学图像以及历史医学图像,通过分割网络或者检测网络提取出两幅图像中的肺部结构,得到两幅肺部结构图像。
(2)根据两幅肺部结构图像进行图像配准,得到两幅肺部结构图像的配准结果,配准结果即两幅肺部结构图像的空间结构变化关系。由于肺部结构是从当前医学图像以及历史医学图像中直接提取得到,因此,两幅肺部结构图像的配准结果可以直接应用于当前医学图像以及历史医学图像的图像配准,从而得到当前医学图像以及历史医学图像的空间结构变化关系。具体地,在进行图像配准时,可采用基于优化的图像配准方法,如Demons(一种非参数化可形变配准方法)、SyN等,或者采用基于深度学习的图像配准方法,在此不做具体限定。
(3)根据当前医学图像以及历史医学图像的空间结构变化关系,结合当前医学图像以及历史医学图像,进行患者的肺部结构的随访评估。
在一个实施例中,如图8所示,为肺结节随访评估的实例图。其中,图8(a)为当前医学图像,图像中包含肺结节A,图8(b)为历史医学图像,图像中包含肺结节A’,且肺结节A和肺结节A’为同一肺结节。通过对比可以看出,肺结节A和肺结节A’的图像位置并不相同,因此,若采用传统的配准方法,并不能完全将肺结节A和肺结节A’对应上,从而降低肺结节随访评估结果的准确性。而在通过本申请的图像配准方法进行配准时,首先是对肺结节A和肺结节A’进行分割分类以得到其结构属性信息,即确认二者对应的是同一肺结节,然后将当前医学图像(a)中的肺结节A作为当前图像结构、将历史医学图像(b)中的肺结节A’作为历史图像结构进行图像配准以及随访评估。从而,本申请可以在病灶位置发生变化时,也能准确找到当前医学图像及历史医学图像中的对应病灶,从而提高肺结节随访评估结果的准确性。
在合理条件下应当理解,虽然前文各实施例涉及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,各流程图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9所示,提供一种图像配准装置,该装置包括以下模块:
图像获取模块110,用于获取待配准的第一图像以及第二图像;
属性确定模块120,用于分别确定第一图像以及第二图像所包含的图像结构的结构属性信息;
结构匹配模块130,用于在第一图像中选择当前图像结构,并从第二图像中查找与当前图像结构的结构属性信息相同的目标图像结构;
图像配准模块140,用于基于第一图像、第二图像、当前图像结构以及目标图像结构进行图像配准,得到第一图像与第二图像的配准结果。
在一个实施例中,属性确定模块120,还用于:通过检测网络对所述第一图像以及所述第二图像进行图像特征检测处理,或者,通过分割网络对所述第一图像以及所述第二图像进行图像分割处理,得到所述第一图像以及所述第二图像所包含的图像结构以及对应的结构属性信息。
在一个实施例中,结构匹配模块130,还用于:当从第二图像中查找不到与当前图像结构的结构属性信息相同的目标图像结构时,重新选择当前图像结构,直至在第二图像中查找到与新的当前图像结构的结构属性信息相同的目标图像结构。
在一个实施例中,图像配准模块140,还用于:基于所述当前图像结构以及所述目标图像结构,计算所述第一图像与所述第二图像的空间变换关系;根据所述空间变换关系,对所述第一图像或所述第二图像进行空间变换,得到配准后图像。
关于图像配准装置的具体限定可以参见上文中对于图像配准方法的限定,在此不再赘述。上述图像配准装置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,如图10所示,提供一种随访评估装置,该装置包括以下模块:
图像获取模块210,用于获取随访对象对应的当前医学图像以及历史医学图像;
图像配准模块220,用于通过图像配准方法,对当前医学图像以及历史医学图像进行图像配准处理,得到所述历史医学图像与所述当前医学图像的空间变换关系;
变化分析模块230,用于根据配准得到的所述空间变换关系,结合所述当前医学图像以及所述历史医学图像,得到所述随访对象的变化信息;
评估确定模块240,用于根据变化信息确定随访对象的随访评估结果。
在一个实施例中,变化分析模块230,还用于:根据配准得到的所述空间变换关系,对所述当前医学图像以及所述历史医学图像中图像结构进行匹配分析,得到图像结构的变化信息。
在一个实施例中,变化分析模块230,还用于:当所述当前医学图像中存在病灶的当前图像结构,且所述历史医学图像中不存在所述病灶时,确定所述病灶为新增病灶。
在一个实施例中,变化分析模块230,还用于:当所述历史医学图像中存在病灶的历史图像结构,且所述当前医学图像中不存在所述病灶时,确定所述病灶为消失病灶。
在一个实施例中,变化分析模块230,还用于:当所述当前医学图像中存在病灶的当前图像结构、所述历史医学图像中存在所述病灶的历史图像结构,且所述当前图像结构与所述历史图像结构一致时,确定所述病灶为稳定病灶。
在一个实施例中,变化分析模块230,还用于:当所述当前医学图像中存在病灶的当前图像结构、所述历史医学图像中存在所述病灶的历史图像结构,且所述当前图像结构与所述历史图像结构不一致时,确定所述病灶为变化病灶。
关于随访评估装置的具体限定可以参见上文中对于随访评估方法的限定,在此不再赘述。上述随访评估装置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,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:获取待配准的第一图像以及第二图像;分别确定第一图像以及第二图像所包含的图像结构的结构属性信息;在第一图像中选择当前图像结构,并从第二图像中查找与当前图像结构的结构属性信息相同的目标图像结构;基于所述第一图像、所述第二图像、所述当前图像结构以及所述目标图像结构进行图像配准,得到所述第一图像与所述第二图像的配准结果。
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:通过检测网络对所述第一图像以及所述第二图像进行图像特征检测处理,或者,通过分割网络对所述第一图像以及所述第二图像进行图像分割处理,得到所述第一图像以及所述第二图像所包含的图像结构以及对应的结构属性信息。
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:当从第二图像中查找不到与当前图像结构的结构属性信息相同的目标图像结构时,重新选择当前图像结构,直至在第二图像中查找到与新的当前图像结构的结构属性信息相同的目标图像结构。
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:基于所述当前图像结构以及所述目标图像结构,计算所述第一图像与所述第二图像的空间变换关系;根据所述空间变换关系,对所述第一图像或所述第二图像进行空间变换,得到配准后图像。
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:获取随访对象对应的当前医学图像以及历史医学图像;通过图像配准方法,对当前医学图像以及历史医学图像进行图像配准处理,得到所述历史医学图像与所述当前医学图像的空间变换关系;根据配准得到的所述空间变换关系,结合所述当前医学图像以及所述历史医学图像,得到所述随访对象的变化信息;根据所述变化信息确定所述随访对象的随访评估结果。
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:根据配准得到的所述空间变换关系,对所述当前医学图像以及所述历史医学图像中图像结构进行匹配分析,得到图像结构的变化信息。
在一个实施例中,处理器执行计算机程序时还实现以下各项中的至少一项:
第一项:当所述当前医学图像中存在病灶的当前图像结构,且所述历史医学图像中不存在所述病灶时,确定所述病灶为新增病灶;
第二项:当所述历史医学图像中存在病灶的历史图像结构,且所述当前医学图像中不存在所述病灶时,确定所述病灶为消失病灶;
第三项:当所述当前医学图像中存在病灶的当前图像结构、所述历史医学图像中存在所述病灶的历史图像结构,且所述当前图像结构与所述历史图像结构一致时,确定所述病灶为稳定病灶;
第四项:当所述当前医学图像中存在病灶的当前图像结构、所述历史医学图像中存在所述病灶的历史图像结构,且所述当前图像结构与所述历史图像结构不一致时,确定所述病灶为变化病灶。
图11示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端(或服务器)。如图11所示,该计算机设备包括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、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作***,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现图像配准及随访评估方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行图像配准及随访评估方法。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,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11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:获取待配准的第一图像以及第二图像;分别确定第一图像以及第二图像所包含的图像结构的结构属性信息;在第一图像中选择当前图像结构,并从第二图像中查找与当前图像结构的结构属性信息相同的目标图像结构;基于所述第一图像、所述第二图像、所述当前图像结构以及所述目标图像结构进行图像配准,得到所述第一图像与所述第二图像的配准结果。
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:通过检测网络对所述第一图像以及所述第二图像进行图像特征检测处理,或者,通过分割网络对所述第一图像以及所述第二图像进行图像分割处理,得到所述第一图像以及所述第二图像所包含的图像结构以及对应的结构属性信息。
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:当从第二图像中查找不到与当前图像结构的结构属性信息相同的目标图像结构时,重新选择当前图像结构,直至在第二图像中查找到与新的当前图像结构的结构属性信息相同的目标图像结构。
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:基于所述当前图像结构以及所述目标图像结构,计算所述第一图像与所述第二图像的空间变换关系;根据所述空间变换关系,对所述第一图像或所述第二图像进行空间变换,得到配准后图像。
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:获取随访对象对应的当前医学图像以及历史医学图像;通过图像配准方法,对当前医学图像以及历史医学图像进行图像配准处理,得到所述历史医学图像与所述当前医学图像的空间变换关系;根据配准得到的所述空间变换关系,结合所述当前医学图像以及所述历史医学图像,得到所述随访对象的变化信息;根据所述变化信息确定所述随访对象的随访评估结果。
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:根据配准得到的所述空间变换关系,对所述当前医学图像以及所述历史医学图像中图像结构进行匹配分析,得到图像结构的变化信息。
在一个实施例中,计算机程序被处理器执行时还实现以下各项中的至少一项:
第一项:当所述当前医学图像中存在病灶的当前图像结构,且所述历史医学图像中不存在所述病灶时,确定所述病灶为新增病灶;
第二项:当所述历史医学图像中存在病灶的历史图像结构,且所述当前医学图像中不存在所述病灶时,确定所述病灶为消失病灶;
第三项:当所述当前医学图像中存在病灶的当前图像结构、所述历史医学图像中存在所述病灶的历史图像结构,且所述当前图像结构与所述历史图像结构一致时,确定所述病灶为稳定病灶;
第四项:当所述当前医学图像中存在病灶的当前图像结构、所述历史医学图像中存在所述病灶的历史图像结构,且所述当前图像结构与所述历史图像结构不一致时,确定所述病灶为变化病灶。
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,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。
以上所述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发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像配准方法,其特征在于,包括:
获取待配准的第一图像以及第二图像;
分别确定所述第一图像以及所述第二图像所包含的图像结构的结构属性信息;
在所述第一图像中选择当前图像结构,并从所述第二图像中查找与所述当前图像结构的结构属性信息相同的目标图像结构;
基于所述第一图像、所述第二图像、所述当前图像结构以及所述目标图像结构进行图像配准,得到所述第一图像与所述第二图像的配准结果。
2.根据权利要求1所述的方法,其特征在于,所述图像结构包括:特征点、特征线、特征截面、特征体结构、病灶、器官组织中的至少一种。
3.根据权利要求1所述的方法,其特征在于,分别确定所述第一图像以及所述第二图像所包含的图像结构的结构属性信息,包括:
通过检测网络对所述第一图像以及所述第二图像进行图像特征检测处理,或者,通过分割网络对所述第一图像以及所述第二图像进行图像分割处理,得到所述第一图像以及所述第二图像所包含的图像结构以及对应的结构属性信息。
4.根据权利要求1所述的方法,其特征在于,还包括:
当从所述第二图像中查找不到与所述当前图像结构的结构属性信息相同的目标图像结构时,重新选择当前图像结构,直至在所述第二图像中查找到与新的当前图像结构的结构属性信息相同的目标图像结构。
5.根据权利要求1所述的方法,其特征在于,基于所述第一图像、所述第二图像、所述当前图像结构以及所述目标图像结构进行图像配准,得到所述第一图像与所述第二图像的配准结果,包括:
基于所述当前图像结构以及所述目标图像结构,计算所述第一图像与所述第二图像的空间变换关系;
根据所述空间变换关系,对所述第一图像或所述第二图像进行空间变换,得到配准后图像。
6.一种随访评估方法,其特征在于,包括:
获取随访对象对应的当前医学图像以及历史医学图像;
通过权利要求1-5任一项所述的图像配准方法,对所述当前医学图像以及所述历史医学图像进行图像配准处理,得到所述历史医学图像与所述当前医学图像的空间变换关系;
根据配准得到的所述空间变换关系,结合所述当前医学图像以及所述历史医学图像,得到所述随访对象的变化信息;
根据所述变化信息确定所述随访对象的随访评估结果。
7.根据权利要求6所述的方法,其特征在于,根据配准得到的所述空间变换关系,结合所述当前医学图像以及所述历史医学图像,得到所述随访对象的变化信息,包括:
根据配准得到的所述空间变换关系,对所述当前医学图像以及所述历史医学图像中图像结构进行匹配分析,得到图像结构的变化信息。
8.根据权利要求6所述的方法,其特征在于,对所述当前医学图像以及所述历史医学图像中图像结构进行匹配分析,得到图像结构的变化信息,包括以下各项中的至少一项:
第一项:当所述当前医学图像中存在病灶的当前图像结构,且所述历史医学图像中不存在所述病灶时,确定所述病灶为新增病灶;
第二项:当所述历史医学图像中存在病灶的历史图像结构,且所述当前医学图像中不存在所述病灶时,确定所述病灶为消失病灶;
第三项:当所述当前医学图像中存在病灶的当前图像结构、所述历史医学图像中存在所述病灶的历史图像结构,且所述当前图像结构与所述历史图像结构一致时,确定所述病灶为稳定病灶;
第四项:当所述当前医学图像中存在病灶的当前图像结构、所述历史医学图像中存在所述病灶的历史图像结构,且所述当前图像结构与所述历史图像结构不一致时,确定所述病灶为变化病灶。
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8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8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910992710.XA CN110766730B (zh) | 2019-10-18 | 2019-10-18 | 图像配准及随访评估方法、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910992710.XA CN110766730B (zh) | 2019-10-18 | 2019-10-18 | 图像配准及随访评估方法、存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110766730A true CN110766730A (zh) | 2020-02-07 |
CN110766730B CN110766730B (zh) | 2023-02-28 |
Family
ID=69332857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910992710.XA Active CN110766730B (zh) | 2019-10-18 | 2019-10-18 | 图像配准及随访评估方法、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766730B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311635A (zh) * | 2020-02-08 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 一种目标定位方法、装置及*** |
CN111932492A (zh) * | 2020-06-24 | 2020-11-13 | 数坤(北京)网络科技有限公司 | 一种医学图像处理方法、装置及计算机可读存储介质 |
CN112686866A (zh) * | 2020-12-31 | 2021-04-20 | 安徽科大讯飞医疗信息技术有限公司 | 基于医学影像的随访方法、装置及计算机可读存储介质 |
CN112734710A (zh) * | 2020-12-30 | 2021-04-30 | 上海睿刀医疗科技有限公司 | 一种基于历史病理信息的病灶识别模型构建装置及*** |
CN113243932A (zh) * | 2020-02-12 | 2021-08-13 | 阿里巴巴集团控股有限公司 | 口腔健康检测***、相关方法、装置及设备 |
CN113257374A (zh) * | 2020-02-12 | 2021-08-13 | 阿里巴巴集团控股有限公司 | 口腔健康管理相关***、方法、装置及设备 |
CN113298157A (zh) * | 2021-05-28 | 2021-08-24 | 上海商汤智能科技有限公司 | 病灶匹配方法及装置、电子设备和存储介质 |
CN113393427A (zh) * | 2021-05-28 | 2021-09-14 | 上海联影医疗科技股份有限公司 | 斑块分析方法、装置、计算机设备和存储介质 |
CN113724820A (zh) * | 2021-08-31 | 2021-11-30 | 苏州复颖医疗科技有限公司 | 医学影像病灶模糊定位方法、***、设备及存储介质 |
CN114305503A (zh) * | 2021-12-09 | 2022-04-12 | 上海杏脉信息科技有限公司 | 乳腺疾病随访***、介质及电子设备 |
CN117542527A (zh) * | 2024-01-09 | 2024-02-09 | 百洋智能科技集团股份有限公司 | 肺结节跟踪与变化趋势预测方法、装置、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012109630A2 (en) * | 2011-02-11 | 2012-08-16 | Microsoft Corporation | Image registration |
CN103020945A (zh) * | 2011-09-21 | 2013-04-03 | 中国科学院电子学研究所 | 一种多源传感器的遥感图像配准方法 |
CN104021568A (zh) * | 2014-06-25 | 2014-09-03 | 山东大学 | 基于轮廓多边形拟合的可见光与红外图像的自动配准方法 |
CN106214272A (zh) * | 2016-08-11 | 2016-12-14 | 中国科学院深圳先进技术研究院 | 一种开颅手术中可视化脑功能结构定位方法 |
US20180218506A1 (en) * | 2014-06-04 | 2018-08-02 | Koninklijke Philips N.V. | Device and method for registration of two images |
CN108416802A (zh) * | 2018-03-05 | 2018-08-17 | 华中科技大学 | 一种基于深度学习的多模医学图像非刚性配准方法及*** |
US20180247412A1 (en) * | 2015-03-12 | 2018-08-30 | Mirada Medical Limited | Method and apparatus for assessing image registration |
CN109377522A (zh) * | 2018-10-19 | 2019-02-22 | 北京青燕祥云科技有限公司 | 一种肺结节医学影像配准方法及其装置 |
CN109754396A (zh) * | 2018-12-29 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 图像的配准方法、装置、计算机设备和存储介质 |
CN109767461A (zh) * | 2018-12-28 | 2019-05-17 | 上海联影智能医疗科技有限公司 | 医学影像配准方法、装置、计算机设备和存储介质 |
CN110021025A (zh) * | 2019-03-29 | 2019-07-16 | 上海联影智能医疗科技有限公司 | 感兴趣区域的匹配和显示方法、装置、设备及存储介质 |
CN110070564A (zh) * | 2019-05-08 | 2019-07-30 | 广州市百果园信息技术有限公司 | 一种特征点匹配方法、装置、设备及存储介质 |
-
2019
- 2019-10-18 CN CN201910992710.XA patent/CN110766730B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012109630A2 (en) * | 2011-02-11 | 2012-08-16 | Microsoft Corporation | Image registration |
CN103020945A (zh) * | 2011-09-21 | 2013-04-03 | 中国科学院电子学研究所 | 一种多源传感器的遥感图像配准方法 |
US20180218506A1 (en) * | 2014-06-04 | 2018-08-02 | Koninklijke Philips N.V. | Device and method for registration of two images |
CN104021568A (zh) * | 2014-06-25 | 2014-09-03 | 山东大学 | 基于轮廓多边形拟合的可见光与红外图像的自动配准方法 |
US20180247412A1 (en) * | 2015-03-12 | 2018-08-30 | Mirada Medical Limited | Method and apparatus for assessing image registration |
CN106214272A (zh) * | 2016-08-11 | 2016-12-14 | 中国科学院深圳先进技术研究院 | 一种开颅手术中可视化脑功能结构定位方法 |
CN108416802A (zh) * | 2018-03-05 | 2018-08-17 | 华中科技大学 | 一种基于深度学习的多模医学图像非刚性配准方法及*** |
CN109377522A (zh) * | 2018-10-19 | 2019-02-22 | 北京青燕祥云科技有限公司 | 一种肺结节医学影像配准方法及其装置 |
CN109767461A (zh) * | 2018-12-28 | 2019-05-17 | 上海联影智能医疗科技有限公司 | 医学影像配准方法、装置、计算机设备和存储介质 |
CN109754396A (zh) * | 2018-12-29 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 图像的配准方法、装置、计算机设备和存储介质 |
CN110021025A (zh) * | 2019-03-29 | 2019-07-16 | 上海联影智能医疗科技有限公司 | 感兴趣区域的匹配和显示方法、装置、设备及存储介质 |
CN110070564A (zh) * | 2019-05-08 | 2019-07-30 | 广州市百果园信息技术有限公司 | 一种特征点匹配方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
LI SUN等: "Deformable MRI-ultrasound registration using 3D convolutional neural network", 《SIMULATION,IMAGE PROCESSING,AND ULTRASOUND SYSTEMS FOR ASSISTED DIAGNOSIS AND NAVIGATION》 * |
周静: "基于互信息的高性能遥感图像配准算法研究与实现", 《中国硕士学位论文全文数据库 (信息科技辑)》 * |
邓勇: "上肢CT-MRI图像信息融合算法研究", 《中国优秀博硕士学位论文全文数据库(硕士) (医药卫生科技辑)》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311635A (zh) * | 2020-02-08 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 一种目标定位方法、装置及*** |
CN113243932A (zh) * | 2020-02-12 | 2021-08-13 | 阿里巴巴集团控股有限公司 | 口腔健康检测***、相关方法、装置及设备 |
CN113257374A (zh) * | 2020-02-12 | 2021-08-13 | 阿里巴巴集团控股有限公司 | 口腔健康管理相关***、方法、装置及设备 |
CN111932492A (zh) * | 2020-06-24 | 2020-11-13 | 数坤(北京)网络科技有限公司 | 一种医学图像处理方法、装置及计算机可读存储介质 |
CN111932492B (zh) * | 2020-06-24 | 2021-05-11 | 数坤(北京)网络科技有限公司 | 一种医学图像处理方法、装置及计算机可读存储介质 |
CN112734710A (zh) * | 2020-12-30 | 2021-04-30 | 上海睿刀医疗科技有限公司 | 一种基于历史病理信息的病灶识别模型构建装置及*** |
CN112686866A (zh) * | 2020-12-31 | 2021-04-20 | 安徽科大讯飞医疗信息技术有限公司 | 基于医学影像的随访方法、装置及计算机可读存储介质 |
CN113298157A (zh) * | 2021-05-28 | 2021-08-24 | 上海商汤智能科技有限公司 | 病灶匹配方法及装置、电子设备和存储介质 |
CN113393427A (zh) * | 2021-05-28 | 2021-09-14 | 上海联影医疗科技股份有限公司 | 斑块分析方法、装置、计算机设备和存储介质 |
CN113724820A (zh) * | 2021-08-31 | 2021-11-30 | 苏州复颖医疗科技有限公司 | 医学影像病灶模糊定位方法、***、设备及存储介质 |
CN114305503A (zh) * | 2021-12-09 | 2022-04-12 | 上海杏脉信息科技有限公司 | 乳腺疾病随访***、介质及电子设备 |
CN114305503B (zh) * | 2021-12-09 | 2024-05-14 | 上海杏脉信息科技有限公司 | 乳腺疾病随访***、介质及电子设备 |
CN117542527A (zh) * | 2024-01-09 | 2024-02-09 | 百洋智能科技集团股份有限公司 | 肺结节跟踪与变化趋势预测方法、装置、设备及存储介质 |
CN117542527B (zh) * | 2024-01-09 | 2024-04-26 | 百洋智能科技集团股份有限公司 | 肺结节跟踪与变化趋势预测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110766730B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766730B (zh) | 图像配准及随访评估方法、存储介质及计算机设备 | |
Shen et al. | Artificial intelligence in ultrasound | |
US11610308B2 (en) | Localization and classification of abnormalities in medical images | |
Alba et al. | Automatic initialization and quality control of large-scale cardiac MRI segmentations | |
Punithakumar et al. | Regional heart motion abnormality detection: An information theoretic approach | |
Nurmaini et al. | Accurate detection of septal defects with fetal ultrasonography images using deep learning-based multiclass instance segmentation | |
CN111080573B (zh) | 肋骨图像检测方法、计算机设备和存储介质 | |
Hammouda et al. | A new framework for performing cardiac strain analysis from cine MRI imaging in mice | |
CN110838104A (zh) | 多时间点的感兴趣区域匹配方法、设备和存储介质 | |
Yao et al. | Advances on pancreas segmentation: a review | |
EP4156096A1 (en) | Method, device and system for automated processing of medical images to output alerts for detected dissimilarities | |
KR101892949B1 (ko) | 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법 및 장치 | |
Peña-Solórzano et al. | Findings from machine learning in clinical medical imaging applications–Lessons for translation to the forensic setting | |
JP5925576B2 (ja) | 画像処理装置、画像処理方法 | |
CN110490841B (zh) | 计算机辅助影像分析方法、计算机设备和存储介质 | |
Guo et al. | Automatic analysis system of calcaneus radiograph: rotation-invariant landmark detection for calcaneal angle measurement, fracture identification and fracture region segmentation | |
Reddy et al. | Anatomical landmark detection using deep appearance-context network | |
Tan et al. | Automatic localization of the left ventricular blood pool centroid in short axis cardiac cine MR images | |
Ding et al. | Combining feature correspondence with parametric chamfer alignment: hybrid two-stage registration for ultra-widefield retinal images | |
Chen et al. | Fully automatic segmentation of AP pelvis X-rays via random forest regression and hierarchical sparse shape composition | |
US10299864B1 (en) | Co-localization of multiple internal organs based on images obtained during surgery | |
CN115049596A (zh) | 模板影像库的生成方法、目标定位方法、装置和存储介质 | |
CN114820483A (zh) | 图像检测方法、装置及计算机设备 | |
CN116205929A (zh) | 一种超声融合成像方法及设备、存储介质 | |
CN116368516A (zh) | 使用联合合成、分割和配准的多模态临床图像对齐方法和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |