CN111967462B - 一种获取感兴趣区域的方法及装置 - Google Patents
一种获取感兴趣区域的方法及装置 Download PDFInfo
- Publication number
- CN111967462B CN111967462B CN202010340713.8A CN202010340713A CN111967462B CN 111967462 B CN111967462 B CN 111967462B CN 202010340713 A CN202010340713 A CN 202010340713A CN 111967462 B CN111967462 B CN 111967462B
- Authority
- CN
- China
- Prior art keywords
- dimension
- image
- frame
- medical image
- filtered
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001914 filtration Methods 0.000 claims abstract description 51
- 230000011218 segmentation Effects 0.000 claims abstract description 43
- 238000009826 distribution Methods 0.000 claims description 30
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 8
- 206010035664 Pneumonia Diseases 0.000 description 13
- 238000003745 diagnosis Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000003902 lesion Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 210000004072 lung Anatomy 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 241000711573 Coronaviridae Species 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 239000005337 ground glass Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001926 lymphatic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明主要公开了一种获取感兴趣区域的方法及装置。所述方法包括：以第一维切分平面对三维医学影像进行切分，获得第一维度下的多帧第一医学影像；确定第一维度下每一帧第一医学影像中的感兴趣区域以获得第一维度下的多帧第一影像；以第一维度下的每一帧第一医学影像作为引导图像，对与其对应的第一维度下的每一帧第一影像进行滤波以获得第一维度下的多帧滤波后的第一影像；基于第一维度下的多帧滤波后的第一影像以及第N维度下的多帧第N医学影像以获得感兴趣区域；其中，第N维度下的多帧第N医学影像通过第N维切分平面对三维医学影像进行切分获得，N为大于等于2的自然数。采用本发明所提供的方案，提高了获得的感兴趣区域的准确度。
Description
技术领域
本发明涉及医疗技术领域，特别涉及一种获取感兴趣区域的方法及装置、计算机设备、计算机可读存储介质。
背景技术
在医疗技术领域，通常会涉及从医学影像中提取感兴趣区域，所述感兴趣区域可以是病灶区域、器官所在区域、淋巴区域等。对于病灶区域而言，具体地，可以是肺炎病灶区域(实性病灶和磨玻璃病灶)等。实际应用中，精准的提取或者勾勒出感兴趣区域对于后续的诊断至关重要。如：对于感染肺炎的患者而言，其肺部CT影像上会呈现出多处肺炎区域，精准的勾勒出肺炎区域，进而根据勾勒出的肺炎区域确定肺炎区域占全肺的比例有助于影像科医生快速判断患者是否感染了新型冠状病毒。
因此，如何能够精准的确定感兴趣区域，进而利于医生进行诊断提高诊断效率和诊断的准确度，成为目前亟待解决的问题之一。
发明内容
本发明提供一种获取感兴趣区域的方法、装置、计算机设备及计算机可读存储介质，以精准的确定感兴趣区域，利于医生诊断的同时，也在很大程度上提高了医生的诊断效率和诊断的准确度。
本发明提供一种获取感兴趣区域的方法，包括：
以第一维切分平面对三维医学影像进行切分，获得第一维度下的多帧第一医学影像；
确定第一维度下每一帧第一医学影像中的感兴趣区域以获得第一维度下的多帧第一影像；
以第一维度下的每一帧第一医学影像作为引导图像，对与其对应的第一维度下的每一帧第一影像进行滤波以获得第一维度下的多帧滤波后的第一影像；
基于第一维度下的多帧滤波后的第一影像以及第N维度下的多帧第N医学影像以获得感兴趣区域；其中，第N维度下的多帧第N医学影像通过第N维切分平面对三维医学影像进行切分获得，N为大于等于2的自然数。
可选的，所述基于第一维度下的多帧滤波后的第一影像以及第N维度下的多帧第N医学影像以获得感兴趣区域包括：
以第二维切分平面对第一维度下的多帧滤波后的第一影像组成的三维影像进行切分，获得第二维度下的多帧第二影像；
以第二维度下的每一帧第二医学影像作为引导图像，对与其对应的第二维度下的每一帧第二影像进行滤波以获得第二维度下的多帧滤波后的第二影像；
基于所述第二维度下的多帧滤波后的第二影像获得感兴趣区域。
可选的，所述基于所述第二维度下的多帧滤波后的第二影像获得感兴趣区域包括：
以第M维切分平面对所述第二维度下的多帧滤波后的第二影像组成的三维影像进行切分，获得第M维度下的多帧第M影像；
所述感兴趣区域包含于所述第M维度下的多帧第M影像中；
其中，所述第M维切分平面与所述第二维切分平面不平行，M为大于等于1的自然数。
可选的，所述基于第一维度下的多帧滤波后的第一影像以及第N维度下的多帧第N医学影像以获得感兴趣区域包括：
以第二维切分平面对第一维度下的多帧滤波后的第一影像组成的三维影像进行切分，获得第二维度下的多帧第二影像；
以第二维度下的每一帧第二医学影像作为引导图像，对与其对应的第二维度下的每一帧第二影像进行滤波以获得第二维度下的多帧滤波后的第二影像；
以第三维切分平面对第二维度下的多帧滤波后的第二影像组成的三维影像进行切分，获得第三维度下的多帧第三影像；
以第三维度下的每一帧第三医学影像作为引导图像，对与其对应的第三维度下的每一帧第三影像进行滤波以获得第三维度下的多帧滤波后的第三影像；
基于所述第三维度下的多帧滤波后的第三影像获得感兴趣区域。
可选的，所述基于所述第三维度下的多帧滤波后的第三影像获得感兴趣区域包括：
以第M维切分平面对所述第三维度下的多帧滤波后的第三影像组成的三维影像进行切分，获得第M维度下的多帧第M影像；
所述感兴趣区域包含于所述第M维度下的多帧第M影像中；
其中，所述第M维切分平面与所述第三维切分平面不平行，M为大于等于1的自然数。
可选的，所述第一维切分平面、所述第二维切分平面、所述第三维切分平面，两两之间均不平行。
可选的，所述以第一维度下的每一帧第一医学影像作为引导图像，对与其对应的第一维度下的每一帧第一影像进行滤波以获得第一维度下的多帧滤波后的第一影像包括：通过以下公式获得一帧滤波后的第一影像：
其中，P为第一影像，I为第一医学影像，q为滤波后的第一影像，i和j分别表示像素下标，Wij为和第一医学影像I相关的滤波核。
可选的，所述确定第一维度下每一帧第一医学影像中的感兴趣区域以获得第一维度下的多帧第一影像包括：
将连续的多帧第一医学影像组成的第一医学影像层输入至预设卷积神经网络中，以输出各帧第一医学影像对应的置信度分布图；
根据各帧第一医学影像对应的置信度分布图，以从各帧第一医学影像中确定出感兴趣区域。
本发明还提供一种获取感兴趣区域的装置，包括：
切分单元，用于以第一维切分平面对三维医学影像进行切分，获得第一维度下的多帧第一医学影像；
确定单元，用于确定第一维度下每一帧第一医学影像中的感兴趣区域以获得第一维度下的多帧第一影像；
滤波单元，用于以第一维度下的每一帧第一医学影像作为引导图像，对与其对应的第一维度下的每一帧第一影像进行滤波以获得第一维度下的多帧滤波后的第一影像；
获取单元，用于基于第一维度下的多帧滤波后的第一影像以及第N维度下的多帧第N医学影像以获得感兴趣区域；其中，第N维度下的多帧第N医学影像通过第N维切分平面对三维医学影像进行切分获得，N为大于等于2的自然数。
本发明还提供一种计算机设备，包括至少一个处理器、以及至少一个存储器，其中，所述存储器存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器能够执行上述的获取感兴趣区域的方法。
本发明还提供一种计算机可读存储介质，当所述存储介质中的指令由设备内的处理器执行时，使得所述设备能够执行上述的获取感兴趣区域的方法。
与现有技术相比，本发明的技术方案具有如下有益效果：
首先，通过第一维切分平面对三维医学影像进行切分，获得第一维度下的多帧第一医学影像。确定第一维度下每一帧第一医学影像中的感兴趣区域以获得第一维度下的多帧第一影像。然后，以第一维度下的每一帧第一医学影像作为引导图像，对与其对应的第一维度下的每一帧第一影像进行滤波以获得第一维度下的多帧滤波后的第一影像。最后，基于第一维度下的多帧滤波后的第一影像以及第N维度下的多帧第N医学影像以获得感兴趣区域；其中，第N维度下的多帧第N医学影像通过第N维切分平面对三维医学影像进行切分获得，N为大于等于2的自然数。由于是以第一维度下的每一帧第一医学影像作为引导图像对第一维度下的每一帧第一影像进行滤波以获得第一维度下的多帧滤波后的第一影像，因此，获得的第一维度下的每一帧滤波后的第一影像与第一维度下与其对应的第一影像相似，获得的第一维度下的每一帧滤波后的第一影像的纹理与第一维度下与其对应的每一帧医学影像的纹理相似，进而再基于第一维度下的多帧滤波后的第一影像及第N维度下的多帧第N影像获得感兴趣区域时，提高了获得的感兴趣区域的准确度，在利于医生诊断的同时，也在很大程度上提高了医生的诊断效率和诊断的准确度。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例一的获取感兴趣区域的方法的流程图；
图2为本发明实施例一的第一维度下的第一医学影像的示意图；
图3为本发明实施例一的第一影像的示意图；
图4为本发明实施例一的感兴趣影像；
图5为本发明实施例一的分割出感兴趣区域的横断面影像；
图6为本发明实施例二的获取感兴趣区域的方法的流程图；
图7为本发明的获取感兴趣区域的装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明的获取感兴趣区域的方法，包括：
以第一维切分平面对三维医学影像进行切分，获得第一维度下的多帧第一医学影像；
确定第一维度下每一帧第一医学影像中的感兴趣区域以获得第一维度下的多帧第一影像；
以第一维度下的每一帧第一医学影像作为引导图像，对与其对应的第一维度下的每一帧第一影像进行滤波以获得第一维度下的多帧滤波后的第一影像；
基于第一维度下的多帧滤波后的第一影像以及第N维度下的多帧第N医学影像以获得感兴趣区域；其中，第N维度下的多帧第N医学影像通过第N维切分平面对三维医学影像进行切分获得，N为大于等于2的自然数。
本发明的技术方案中，可以通过不同维度的切分平面对三维医学影像进行切分，如第一维到第N维切分平面对三维医学影像进行切分。第一维切分平面可以是与横断面平行的平面，也可以是与冠状面平行的平面，还可以是与矢状面平行的平面。本发明中，三维医学影像可以为三维胸部医学影像，也可以为三维脑部医学影像等，所述感兴趣区域可以为病灶区域，待诊断的区域、待检区域等。以三维医学影像为三维胸部影像为例，若医生需要查看肺部中的肺炎区域时，感兴趣区域可以为实性病灶区域和磨玻璃病灶区域。实际应用中，感兴趣区域由医生的实际需求而定。
以下以三维医学影像为三维胸部医学影像，感兴趣区域为肺炎区域对本发明的技术方案进行详细的说明。
实施例一
图1为本发明实施例一的获取感兴趣区域的方法的流程图，如图1所示，所述获取感兴趣区域的方法包括如下步骤S11-S16：
S11：以第一维切分平面对三维医学影像进行切分，获得第一维度下的多帧第一医学影像。
S12：确定第一维度下每一帧第一医学影像中的感兴趣区域以获得第一维度下的多帧第一影像。
S13：以第一维度下的每一帧第一医学影像作为引导图像，对与其对应的第一维度下的每一帧第一影像进行滤波以获得第一维度下的多帧滤波后的第一影像。
S14：以第二维切分平面对第一维度下的多帧滤波后的第一影像组成的三维影像进行切分，获得第二维度下的多帧第二影像。
S15：以第二维度下的每一帧第二医学影像作为引导图像，对与其对应的第二维度下的每一帧第二影像进行滤波以获得第二维度下的多帧滤波后的第二影像。
S16：基于所述第二维度下的多帧滤波后的第二影像获得感兴趣区域。
本实施例中，以第一维切分平面为与横断面平行的平面，第二维切分平面为与冠状面平行的平面为例进行说明。在其他实施例中，第一维切分平面可以是与冠状面或矢状面平行的平面，还可以是与人体成一定角度的切分平面，第二维切分平面可以是与横断面或矢状面平行的平面，还可以是与人体成一定角度的切分平面，因此，第一维切分平面为与横断面平行的平面，第二维切分平面为与冠状面平行的平面不应作为对本发明技术方案的限定。
执行S11，以与横断面平行的第一维切分平面对三维胸部医学影像进行切分，获得第一维度下的多帧第一医学影像。参见图3，图3为本发明实施例的第一维度下的第一医学影像的示意图，即三维胸部医学影像的横断面。
执行S12，确定第一维度下每一帧第一医学影像中的感兴趣区域以获得第一维度下的多帧第一影像，也即从每一帧第一医学影像中分割出感兴趣区域。本实施例中，即从每一帧的横断面中分割出肺炎区域。具体地，可以通过神经网络模型分割出感兴趣区域，也可以通过阈值法、区域增长法、基于模式分类的方法等从第一医学影像中分割出感兴趣区域。
本实施例中，以通过预设卷积神经网络模型从每一帧第一医学影像(横断面影像)中分割出感兴趣区域。具体地，
首先，对于每一帧第一医学影像(每一帧横断面影像)，以其及位于其前和其后连续的一帧或多帧第一医学影像组成与其对应的第一医学影像层。举例来说，对于第四帧第一医学影像(第四帧横断面影像)，可以取其和位于其前的三帧第一医学影像(横断面影像)及位于其后的三帧第一医学影像(横断面影像)来组成与第四帧第一医学影像(第四帧横断面影像)对应的第一医学影像层，也即与第四帧第一医学影像(第四帧横断面影像)对应的第一医学影像层包括了第一帧第一医学影像(第一帧横断面影像)、第二帧第一医学影像(第二帧横断面影像)、第三帧第一医学影像(第三帧横断面影像)、第四帧第一医学影像(第四帧横断面影像)、第五帧第一医学影像(第五帧横断面影像)、第六帧第一医学影像(第六帧横断面影像)和第七帧第一医学影像(第七帧横断面影像)。类似地，对于与第五帧第一医学影像(第五帧横断面影像)对应的第一医学影像层则是包括了第二帧第一医学影像(第二帧横断面影像)、第三帧第一医学影像(第三帧横断面影像)、第四帧第一医学影像(第四帧横断面影像)、第五帧第一医学影像(第五帧横断面影像)、第六帧第一医学影像(第六帧横断面影像)、第七帧第一医学影像(第七帧横断面影像)和第八帧第一医学影像(第八帧横断面影像)。若以第一维切分平面对三维医学影像进行切分获得一百帧第一医学影像，则可以获得与第四帧第一医学影像(第四帧横断面影像)对应的第一医学影像层，与第五帧第一医学影像(第五帧横断面影像)对应的第一医学影像层，与第六帧第一医学影像(第六帧横断面影像)对应的第一医学影像层，……，与第九十七帧第一医学影像(第九十七帧横断面影像)对应的第一医学影像层(包括：第九十四帧第一医学影像、第九十五帧第一医学影像、第九十六帧第一医学影像、第九十七帧第一医学影像、第九十八帧第一医学影像、第九十九帧第一医学影像、第一百帧第一医学影像)。
然后，将各第一医学影像层分别输入至预设卷积神经网络模型以获得与各第一医学影像层对应的第一医学影像的置信度分布图。具体地，仍以第一医学影像层包括七帧第一医学影像为例，预设卷积神经网络模型输出的是与七帧第一医学影像对应的七帧置信度分布图，将这七帧置信度分布图中中间帧的置信度分布图作为与第一医学影像层对应的第一医学影像的置信度分布图。如：若第一医学影像层包括：第一～第七帧第一医学影像，则将预设卷积神经网络模型输出的七帧置信度分布图中中间帧的置信度分布图作为第四帧第一医学影像(第四帧横断面影像)的置信度分布图。
本实施例中，采用将影像层输入至预设卷积神经网络模型的方式，使得输出的第N帧第一医学影像的置信度分布结合了其前三帧和后三帧的置信度信息，进而可以提高对每一帧医学影像分割的准确度。
而对于没有可参考的前三帧和后三帧的某一帧第一医学影像而言，如第一帧第一医学影像、第二帧第一医学影像及第三帧第一医学影像，则可以直接以将与第四帧第一医学影像对应的第一医学影像层输入至预设神经网络模型时输出的前三帧的置信度分布图分别作为第一帧第一医学影像的置信度分布图、第二帧第一医学影像的置信度分布图及第三帧第一医学影像的置信度分布图。通过上述的将多帧第一医学影像组成第一医学影像层后将其输入至预设卷积神经网络以获得每一帧第一医学影像的置信度分布图，在很大程度上提高了分割的准确度。
需要说的是，上述是以第一医学影像层包括第M帧第一医学影像的前三帧和后三帧第一医学影像为例进行说明的，实际应用中，第一医学影像层也可以是包括第M帧第一医学影像的前一帧和后一帧第一医学影像(共三帧)，还可以是包括第M帧第一医学影像的前两帧和后两帧第一医学影像(共五帧)等，第一医学影像层具体包括几帧第一医学影像，由分割的精度、处理速度等因素而定。
最后，基于各帧第一医学影像的置信度分布图，从所述各帧第一医学影像中确定出感兴趣区域。具体地，就是根据各帧第一医学影像的置信度分布图，将各帧第一医学影像中置信度大于预设阈值的一个或者多个像素点组成的区域确定为该帧第一医学影像中的感兴趣区域。
在其他实施例中，也可以不采用将影像层输入至预设卷积神经网络模型的方式来分割每一帧第一医学影像中的感兴趣区域。如可以直接将每一帧第一医学影像输入至预设卷积神经网络模型，直接输出该帧第一医学影像的置信度分布图。进一步地，为了提高分割速度，可以仅将多帧第一医学影像中部分帧的第一医学影像输入至预设卷积神经网络模型中，通过部分帧的第一医学影像的置信度分布图来确定其余帧的第一医学影像的置信度分布图。举例来说，若以第一维切分平面对三维医学影像进行切分获得一百帧第一医学影像，则可以将帧号为奇数的第一医学影像输入至预设卷积神经网络模型中，输出帧号为奇数的第一医学影像的置信度分布图，而帧号为偶数的第一医学影像的置信度分布图则可以通过帧号为奇数的第一医学影像的置信度分布图获得。如第二帧第一医学影像的置信度分布图，可以通过第一帧和第三帧第一医学影像的置信度分布图获得，具体地，就是将第一帧第一医学影像中每一个像素点的置信度与第三帧第一医学影像中每一个像素点的置信度做加权平均，将加权平均的置信度作为第二帧第一医学影像中对应像素点的置信度，进而获得第二帧第一医学影像的置信度分布图。
本实施例中，采用的预设卷积神经网络模型可以为以VGG作为backbone的U-NET神经网络模型，也可以是全卷积神经网络模型等。
执行S13，以第一维度下的每一帧第一医学影像作为引导图像，对与其对应的第一维度下的每一帧第一影像进行滤波以获得第一维度下的多帧滤波后的第一影像。本实施例中，即以每一帧横断面影像作为引导图像，对在该横断面影像上分割出感兴趣区域的影像进行滤波。具体地，可以通过如下公式对第一维度下的每一帧第一影像进行滤波：
qi＝∑jWij(I)Pj 公式(1)
其中，P为第一影像，I为第一医学影像，q为滤波后的第一影像，i和j分别表示像素下标，Wij为和第一医学影像I相关的滤波核。
对于通过引导图像第一医学影像I对与其对应的第一影像P进行滤波而言，假设经过滤波后输出的第一影像(滤波后的第一影像q)在滤波窗口ωk上存在局部线性关系：即
qi＝akIi+bk
对于一个以i为半径的确定的窗口ωk，(ak，bk)也将是唯一确定的常量系数。这就保证了在一个局部区域里，如果引导图像I(第一医学影像)有一个边缘的时候，输出图像q(滤波后的第一影像)也保持边缘不变，对于相邻的像素点而言，存在因此只要求解得到系数a,b也就得到了输出q。同时，认为输入图像(第一影像P)中非边缘区域又不平滑的地方为噪声n，则有qi＝pi-ni，最小化该噪声，对于每一个滤波窗口，可以得到最优化的表示如下：
引入一个正则化参数∈以避免ak过大，得到滤波窗口内的损失函数
分别对ak和bk求偏导，最终得到：
其中，μk和分别表示引导图像I(第一医学影像)在窗口ωk中的平均值和方差，|ω|是窗口ωk中像素点的个数，/>是输入图像p(第一影像)在窗口ωk中的平均值。将ak和bk代入qi＝akIi+bk则可以得到输出图像中每一个像素点的灰度值。
至此通过上述公式可以获得滤波后的第一影像中每一个像素点的灰度值也即获得来滤波后的第一影像。对第一维度下的每一帧第一影像通过上述的公式进行滤波进而可以获得多帧滤波后的第一影像。
执行S14：以第二维切分平面对第一维度下的多帧滤波后的第一影像组成的三维影像进行切分，获得第二维度下的多帧第二影像。本实施例中，具体地，可以通过与冠状面平行的平面对多帧滤波后的第一影像组成的三维影像进行切分，也即对经过导向滤波后的多帧分割出感兴趣区域的横断面影像组成三维影像再进行切分，获得多帧冠状面影像。
执行S15：以第二维度下的每一帧第二医学影像作为引导图像，对与其对应的第二维度下的每一帧第二影像进行滤波以获得第二维度下的多帧滤波后的第二影像。本步中，第二维度下的每一帧第二医学影像具体地可以为以与冠状面平行的平面切分三维医学影像后获得。具体地，就是以每一帧冠状面影像为引导图像，对S14中的切分经过导向滤波后的多帧分割出感兴趣区域的横断面影像组成的三维影像后获得多帧冠状面影像进行导向滤波。导向滤波的过程与S13相类似，参见公式(1)，不同的是此时公式中的引导图像I为第二医学影像，P为第二影像，q为滤波后的第二影像，Wij为和第二医学影像I相关的滤波核。另外，ak和bk的求解可以参见公式(2)和公式(3)只要将公式(2)和公式(3)中的引导图像I替换为第二医学影像，输入图像p替换为第二影像即可，此处不再赘述。至此，通过上述公式可以获得第二维度下的多帧滤波后的第二影像。
执行S16，基于所述第二维度下的多帧滤波后的第二影像获得感兴趣区域。通常来讲，为了能够尽可能的看清感兴趣区域，医生可能需要选择不同的视角或者说不同的维度来观察感兴趣区域，因此，在实际应用中，获得第二维度下的多帧滤波后的第二影像后，需要按照实际的需求来获得最终的感兴趣区域。本实施例中，可以以第M维切分平面对所述第二维度下的多帧滤波后的第二影像组成的三维影像进行切分，获得第M维度下的多帧第M影像。感兴趣区域则包含于所述第M维度下的多帧第M影像中。其中，所述第M维切分平面与所述第二维切分平面不平行，M为大于等于1的自然数。
具体地，由上述可知，本实施例中，最终获得的是多帧滤波后的冠状面影像(多帧滤波后的第二影像)，若医生需要从横断面的角度来观察感兴趣区域，此时则需要以与横断面平行的平面来切分由多帧滤波后的冠状面影像组成的三维影像，进而获得多帧横断面影像，也即，M取1，此时的第M维切分平面为与横断面平行的平面，其与第二维切分平面(与冠状面平行的平面)不平行。最终，分割获得的感兴趣区域则会显示在相应的帧的横断面影像中。参见图4，图4为本发明实施例一的感兴趣影像，该影像即为通过与横断面平行的平面将多帧滤波后的影像组成的三维影像进行切分后获得的一帧横断面影像。从图4可以看出，相对于图3，图4中的感兴趣区域边缘光滑，感兴趣区域完整，且图4中去除了图3中存在的噪点。
在其他实施例中，若医生想从其他的维度观察感兴趣区域，则可以采用与上述类似的方法，即采用其他维度的切分平面，如与矢状面平行的平面来对第二维度下的多帧滤波后的第二影像组成的三维影像进行切分。
需要说明的是，若医生选择观察的视角为从冠状面影像上观察感兴趣区域，则在获得第二维度下的多帧滤波后的第二影像后无需再对其组成的三维影像进行不同维度的切分。
本实施例中，通过采用第一维切分平面对三维医学影像进行切分以获得多帧第一医学影像，并从多帧第一医学影像中分割中感兴趣区域以获得多帧第一影像。以第一医学影像作为引导图像对第一影像进行导向滤波，并对导向滤波后获得的多帧第一影像组成的三维影像进行切分，获得第二影像。接下来采用第二维切分平面对三维医学影像进行切分以获得多帧第二医学影像，并以第二医学影像作为引导图像对第二影像继续进行导向滤波，以获得导向滤波后的多帧第二影像。最终根据实际需求，将通过导向滤波后的多帧第二影影像组成的三维影像以第N维切分平面对其进行切分，最终得到感兴趣区域的影像。采用导向滤波的方式在第一维度下对第一影像进行导向滤波后，又对导向滤波后的多帧第一影像组成的三维影像在第二维度下进行切分以获得第二影像，并继续采用导向滤波的方式在第二维度下对第二影像进行导向滤波，进而基于获得的导向滤波后的多帧第二影像来获取感兴趣区域，提高了最终获得的感兴趣区域的准确度。当所要分割的区域为肺炎区域时，也提高了分割获得的肺炎区域的准确度，一方面有利于医生进行诊断，另一方面也在很大的程度上提高了医生的诊断效率和诊断的准确度，此外，在基于该肺炎区域计算肺炎区域占全肺的比例时，也有助于影像科医生快速准确判断患者是否感染了新型冠状病毒。
需要说明的是，在实际应用中，通常是在医学影像上显示出分割出的感兴趣区域，因此，本实施例中，在采用第M维切分平面对所述第二维度下的多帧滤波后的第二影像组成的三维影像进行切分，获得第M维度下的多帧第M影像后，将其与采用第M维切分平面对三维医学影像进行切分获得的第M维度下的多帧第M医学影像进行相应的叠加后显示。参见图5，图5为本发明实施例一的分割出感兴趣区域的横断面影像，也即对第二维度下的多帧滤波后的第二影像组成的三维影像采用与横断面平行的平面进行切分后，再与与该三维医学影像对应的横断面影像进行叠加后获得的影像，所谓对应是指，若对第二维度下的多帧滤波后的第二影像组成的三维影像采用与横断面平行的平面以第一厚度进行切分后获得一百帧影像，对该三维医学影像采用与横断面平行的平面以第一厚度进行切分后获得一百帧影像，对应即指帧号相同。
实施例二
图6为本发明实施例二的获取感兴趣区域的方法的流程图，如图6所示，所述获取感兴趣区域的方法包括如下步骤S21-S28：
S21:以第一维切分平面对三维医学影像进行切分，获得第一维度下的多帧第一医学影像。
S22:确定第一维度下每一帧第一医学影像中的感兴趣区域以获得第一维度下的多帧第一影像。
S23:以第一维度下的每一帧第一医学影像作为引导图像，对与其对应的第一维度下的每一帧第一影像进行滤波以获得第一维度下的多帧滤波后的第一影像。
S24:以第二维切分平面对第一维度下的多帧滤波后的第一影像组成的三维影像进行切分，获得第二维度下的多帧第二影像。
S25:以第二维度下的每一帧第二医学影像作为引导图像，对与其对应的第二维度下的每一帧第二影像进行滤波以获得第二维度下的多帧滤波后的第二影像。
S26:以第三维切分平面对第二维度下的多帧滤波后的第二影像组成的三维影像进行切分，获得第三维度下的多帧第三影像。
S27:以第三维度下的每一帧第三医学影像作为引导图像，对与其对应的第三维度下的每一帧第三影像进行滤波以获得第三维度下的多帧滤波后的第三影像。
S28:基于所述第三维度下的多帧滤波后的第三影像获得感兴趣区域。
本实施例中，S21～S25与实施例一中的S11～S15类似，此处不再赘述。与实施例一不同的是，本实施例中，在通过S25获得第二维度下的多帧滤波后的第二影像后，继续以第三维切分平面对第二维度下的多帧滤波后的第二影像组成的三维影像进行切分，获得第三维度下的多帧第三影像。具体地，本实施例中第三维切分平面可以为与矢状面平行的平面，因此可以获得多帧矢状面影像。
然后，继续以第三维度下的每一帧第三医学影像作为引导图像，对与其对应的第三维度下的每一帧第三影像进行滤波以获得第三维度下的多帧滤波后的第三影像。如何获得第三维度下的多帧滤波后的第三影像，参见实施例一，不同的是此时公式中的引导图像I为第三医学影像，P为第三影像，q为滤波后的第三影像，Wij为和第三医学影像I相关的滤波核。另外，ak和bk的求解可以参见公式(2)和公式(3)只要将公式(2)和公式(3)中的引导图像I替换为第三医学影像，输入图像p替换为第三影像即可，此处不再赘述。至此，通过上述公式可以获得第三维度下的多帧滤波后的第三影像。本实施例中，第一维切分平面、第二维切分平面、第三维切分平面，两两之间不平行。需要说明的是，本实施例中是以第一维切分平面为与横断面平行的平面、第二维切分平面为与冠状面平行的平面、第三维切分平面为与矢状面平行的平面为例进行了说明，但是第一维切分平面为与横断面平行的平面、第二维切分平面为与冠状面平行的平面、第三维切分平面为与矢状面平行的平面不应作为对本发明技术方案的限定，只要第一维切分平面、第二维切分平面、第三维切分平面，两两之间不平行即可。
最后，执行S28，基于所述第三维度下的多帧滤波后的第三影像获得感兴趣区域。同样地，为了能够尽可能的看清感兴趣区域，医生可能需要选择不同的视角或者说不同的维度来观察感兴趣区域，因此，在实际应用中，获得第三维度下的多帧滤波后的第三影像后，需要按照实际的需求来获得最终的感兴趣区域。本实施例中，可以以第M维切分平面对所述第三维度下的多帧滤波后的第三影像组成的三维影像进行切分，获得第M维度下的多帧第M影像。感兴趣区域则包含于所述第M维度下的多帧第M影像中。其中，所述第M维切分平面与所述第三维切分平面不平行，M为大于等于1的自然数。
具体地，由上述可知，本实施例中，最终获得的是多帧滤波后的矢状面影像(多帧滤波后的第三影像)，若医生需要从横断面的角度来观察感兴趣区域，此时则需要以与横断面平行的平面来切分由多帧滤波后的矢状面影像组成的三维影像，进而获得多帧横断面影像，也即，M取1，此时的第M维切分平面为与横断面平行的平面，其与第二维切分平面(与冠状面平行的平面)、第三维切分平面(与矢状面平行的平面)均不平行。最终，分割获得的感兴趣区域则会显示在相应的帧的横断面影像中。
在其他实施例中，若医生想从其他的维度观察感兴趣区域，则可以采用与上述类似的方法，即采用其他维度的切分平面，如与冠状面平行的平面来对第三维度下的多帧滤波后的第三影像组成的三维影像进行切分。
需要说明的是，若医生选择观察的视角为从矢状面影像上观察感兴趣区域，则在获得第三维度下的多帧滤波后的第三影像后无需再对其组成的三维影像进行不同维度的切分。
本实施例中，在基于实施例一的基础上，继续以第三维切分平面对第二维度下的多帧滤波后的第二影像组成的三维影像进行切分，获得第三维度下的多帧第三影像。并以第三维度下的每一帧第三医学影像作为引导图像，对与其对应的第三维度下的每一帧第三影像进行滤波以获得第三维度下的多帧滤波后的第三影像。最终基于所述第三维度下的多帧滤波后的第三影像获得感兴趣区域，在很大程度上提高了最终获得的感兴趣区域的准确度。
需要说明的是，本实施例中，是基于第三维度下的多帧滤波后的第三影像获得感兴趣区域，但是本发明的技术方案不仅仅局限于基于第三维度下的多帧滤波后的第三影像获得感兴趣区域。在获得第三维度下的多帧滤波后的第三影像后，还可以继续以第四维切分平面对第三维度下的多帧滤波后的第三影像组成的三维影像进行切分，获得第四维度下的多帧第四影像。并以第四维度下的每一帧第四医学影像作为引导图像，对与其对应的第四维度下的每一帧第四影像进行滤波以获得第四维度下的多帧滤波后的第四影像，以第五维切分平面对第四维度下的多帧滤波后的第四影像组成的三维影像进行切分，获得第五维度下的多帧第五影像。并以第五维度下的每一帧第五医学影像作为引导图像，对与其对应的第五维度下的每一帧第五影像进行滤波以获得第五维度下的多帧滤波后的第五影像，……，直至以第N维度下的每一帧第N医学影像作为引导图像，对与其对应的第N维度下的每一帧第N影像进行滤波以获得第N维度下的多帧滤波后的第N影像，最终基于所述第N维度下的多帧滤波后的第N影像获得感兴趣区域。N取多少，根据实际需求而定，如最终获得的感兴趣区域的准确度、获取感兴趣区域的速度等。
本发明还提供一种获取感兴趣区域的装置，参见图7，图7为本发明的获取感兴趣区域的装置的结构示意图，如图7所示，所述获取感兴趣区域的装置包括：
切分单元101，用于以第一维切分平面对三维医学影像进行切分，获得第一维度下的多帧第一医学影像；
确定单元102，用于确定第一维度下每一帧第一医学影像中的感兴趣区域以获得第一维度下的多帧第一影像；
滤波单元103，用于以第一维度下的每一帧第一医学影像作为引导图像，对与其对应的第一维度下的每一帧第一影像进行滤波以获得第一维度下的多帧滤波后的第一影像；
获取单元104，用于基于第一维度下的多帧滤波后的第一影像以及第N维度下的多帧第N医学影像以获得感兴趣区域；其中，第N维度下的多帧第N医学影像通过第N维切分平面对三维医学影像进行切分获得，N为大于等于2的自然数。
本实施例的获取感兴趣区域的装置的实施可以参见上述的获取感兴趣区域的方法的实施，此处不再赘述。
基于相同的技术构思，本发明实施例提供了一种计算机设备，包括至少一个处理器、以及至少一个存储器，其中，所述存储器存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器能够执行上述的获取感兴趣区域的方法。
基于相同的技术构思，本发明实施例提供了一种计算机可读存储介质，当所述存储介质中的指令由设备内的处理器执行时，使得所述设备能够执行上述的获取感兴趣区域的方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种获取感兴趣区域的方法，其特征在于，包括：
以第一维切分平面对三维医学影像进行切分，获得第一维度下的多帧第一医学影像；
确定第一维度下每一帧第一医学影像中的感兴趣区域以获得第一维度下的多帧第一影像；
以第一维度下的每一帧第一医学影像作为引导图像，对与其对应的第一维度下的每一帧第一影像进行滤波以获得第一维度下的多帧滤波后的第一影像；
基于第一维度下的多帧滤波后的第一影像以及第N维度下的多帧第N医学影像以获得感兴趣区域；其中，第N维度下的多帧第N医学影像通过第N维切分平面对三维医学影像进行切分获得，N为大于等于2的自然数；
其中：
所述基于第一维度下的多帧滤波后的第一影像以及第N维度下的多帧第N医学影像以获得感兴趣区域包括：
以第二维切分平面对第一维度下的多帧滤波后的第一影像组成的三维影像进行切分，获得第二维度下的多帧第二影像；
以第二维度下的每一帧第二医学影像作为引导图像，对与其对应的第二维度下的每一帧第二影像进行滤波以获得第二维度下的多帧滤波后的第二影像；
基于所述第二维度下的多帧滤波后的第二影像获得感兴趣区域；
或者
所述基于第一维度下的多帧滤波后的第一影像以及第N维度下的多帧第N医学影像以获得感兴趣区域包括：
以第二维切分平面对第一维度下的多帧滤波后的第一影像组成的三维影像进行切分，获得第二维度下的多帧第二影像；
以第二维度下的每一帧第二医学影像作为引导图像，对与其对应的第二维度下的每一帧第二影像进行滤波以获得第二维度下的多帧滤波后的第二影像；
以第三维切分平面对第二维度下的多帧滤波后的第二影像组成的三维影像进行切分，获得第三维度下的多帧第三影像；
以第三维度下的每一帧第三医学影像作为引导图像，对与其对应的第三维度下的每一帧第三影像进行滤波以获得第三维度下的多帧滤波后的第三影像；
基于所述第三维度下的多帧滤波后的第三影像获得感兴趣区域。
2.如权利要求1所述的方法，其特征在于，所述基于所述第二维度下的多帧滤波后的第二影像获得感兴趣区域包括：
以第M维切分平面对所述第二维度下的多帧滤波后的第二影像组成的三维影像进行切分，获得第M维度下的多帧第M影像；
所述感兴趣区域包含于所述第M维度下的多帧第M影像中；
其中，所述第M维切分平面与所述第二维切分平面不平行，M为大于等于1的自然数。
3.如权利要求1所述的方法，其特征在于，所述基于所述第三维度下的多帧滤波后的第三影像获得感兴趣区域包括：
以第M维切分平面对所述第三维度下的多帧滤波后的第三影像组成的三维影像进行切分，获得第M维度下的多帧第M影像；
所述感兴趣区域包含于所述第M维度下的多帧第M影像中；
其中，所述第M维切分平面与所述第三维切分平面不平行，M为大于等于1的自然数。
4.如权利要求1所述的方法，其特征在于，所述第一维切分平面、所述第二维切分平面、所述第三维切分平面，两两之间均不平行。
5.如权利要求1所述的方法，其特征在于，
所述以第一维度下的每一帧第一医学影像作为引导图像，对与其对应的第一维度下的每一帧第一影像进行滤波以获得第一维度下的多帧滤波后的第一影像包括：通过以下公式获得一帧滤波后的第一影像：
其中，P为第一影像，I为第一医学影像，q为滤波后的第一影像，i和j分别表示像素下标，Wij为和第一医学影像I相关的滤波核。
6.如权利要求1所述的方法，其特征在于，所述确定第一维度下每一帧第一医学影像中的感兴趣区域以获得第一维度下的多帧第一影像包括：
对于每一帧第一医学影像，以其及位于其前和其后连续的一帧或多帧第一医学影像组成与其对应的第一医学影像层；
将各第一医学影像层分别输入至预设卷积神经网络模型中以获得与各第一医学影像层对应的第一医学影像的置信度分布图；
基于各帧第一医学影像的置信度分布图，从所述各帧第一医学影像中确定出感兴趣区域。
7.一种获取感兴趣区域的装置，其特征在于，包括：
切分单元，用于以第一维切分平面对三维医学影像进行切分，获得第一维度下的多帧第一医学影像；
确定单元，用于确定第一维度下每一帧第一医学影像中的感兴趣区域以获得第一维度下的多帧第一影像；
滤波单元，用于以第一维度下的每一帧第一医学影像作为引导图像，对与其对应的第一维度下的每一帧第一影像进行滤波以获得第一维度下的多帧滤波后的第一影像；
获取单元，用于基于第一维度下的多帧滤波后的第一影像以及第N维度下的多帧第N医学影像以获得感兴趣区域；其中，第N维度下的多帧第N医学影像通过第N维切分平面对三维医学影像进行切分获得，N为大于等于2的自然数；
所述获取单元通过如下方式基于第一维度下的多帧滤波后的第一影像以及第N维度下的多帧第N医学影像以获得感兴趣区域：
以第二维切分平面对第一维度下的多帧滤波后的第一影像组成的三维影像进行切分，获得第二维度下的多帧第二影像；
以第二维度下的每一帧第二医学影像作为引导图像，对与其对应的第二维度下的每一帧第二影像进行滤波以获得第二维度下的多帧滤波后的第二影像；
基于所述第二维度下的多帧滤波后的第二影像获得感兴趣区域；
或者
所述获取单元通过如下方式基于第一维度下的多帧滤波后的第一影像以及第N维度下的多帧第N医学影像以获得感兴趣区域：
以第二维切分平面对第一维度下的多帧滤波后的第一影像组成的三维影像进行切分，获得第二维度下的多帧第二影像；
以第二维度下的每一帧第二医学影像作为引导图像，对与其对应的第二维度下的每一帧第二影像进行滤波以获得第二维度下的多帧滤波后的第二影像；
以第三维切分平面对第二维度下的多帧滤波后的第二影像组成的三维影像进行切分，获得第三维度下的多帧第三影像；
以第三维度下的每一帧第三医学影像作为引导图像，对与其对应的第三维度下的每一帧第三影像进行滤波以获得第三维度下的多帧滤波后的第三影像；
基于所述第三维度下的多帧滤波后的第三影像获得感兴趣区域。
8.一种计算机可读存储介质，当所述存储介质中的指令由设备内的处理器执行时，使得所述设备能够执行权利要求1～6任一项所述的获取感兴趣区域的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010340713.8A CN111967462B (zh) | 2020-04-26 | 2020-04-26 | 一种获取感兴趣区域的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010340713.8A CN111967462B (zh) | 2020-04-26 | 2020-04-26 | 一种获取感兴趣区域的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111967462A CN111967462A (zh) | 2020-11-20 |
| CN111967462B true CN111967462B (zh) | 2024-02-02 |
Family
ID=73358134
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010340713.8A Active CN111967462B (zh) | 2020-04-26 | 2020-04-26 | 一种获取感兴趣区域的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111967462B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112712507B (zh) * | 2020-12-31 | 2023-12-19 | 杭州依图医疗技术有限公司 | 一种确定冠状动脉的钙化区域的方法及装置 |
| US20240153231A1 (en) * | 2021-05-21 | 2024-05-09 | Qualcomm Incorporated | Face detection based filtering for image processing |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104541289A (zh) * | 2013-07-24 | 2015-04-22 | 华为技术有限公司 | 一种兴趣点判断方法和兴趣点判断装置 |
| CN105844687A (zh) * | 2016-04-07 | 2016-08-10 | 北京雅森科技发展有限公司 | 用于处理医学影像的装置和方法 |
| CN106408576A (zh) * | 2016-09-08 | 2017-02-15 | 飞依诺科技(苏州)有限公司 | 基于三维超声图像的感兴趣区域的自动分割方法及*** |
| CN109145944A (zh) * | 2018-07-11 | 2019-01-04 | 哈尔滨工程大学 | 一种基于纵向三维图像深度学习特征的分类方法 |
| CN109523560A (zh) * | 2018-11-09 | 2019-03-26 | 成都大学 | 一种基于深度学习的三维图像分割方法 |
| CN109543623A (zh) * | 2018-11-26 | 2019-03-29 | 微医云(杭州)控股有限公司 | 一种基于核磁共振成像的胎儿发育状况预测装置 |
| CN110533029A (zh) * | 2019-08-02 | 2019-12-03 | 杭州依图医疗技术有限公司 | 确定影像中目标区域的方法及装置 |
| CN110782446A (zh) * | 2019-10-25 | 2020-02-11 | 杭州依图医疗技术有限公司 | 一种确定肺结节体积的方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11234666B2 (en) * | 2018-05-31 | 2022-02-01 | Canon Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning to improve image quality in position emission tomography (PET) |
| CN109446951B (zh) * | 2018-10-16 | 2019-12-10 | 腾讯科技（深圳）有限公司 | 三维图像的语义分割方法、装置、设备及存储介质 |
-
2020
- 2020-04-26 CN CN202010340713.8A patent/CN111967462B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104541289A (zh) * | 2013-07-24 | 2015-04-22 | 华为技术有限公司 | 一种兴趣点判断方法和兴趣点判断装置 |
| CN105844687A (zh) * | 2016-04-07 | 2016-08-10 | 北京雅森科技发展有限公司 | 用于处理医学影像的装置和方法 |
| CN106408576A (zh) * | 2016-09-08 | 2017-02-15 | 飞依诺科技(苏州)有限公司 | 基于三维超声图像的感兴趣区域的自动分割方法及*** |
| CN109145944A (zh) * | 2018-07-11 | 2019-01-04 | 哈尔滨工程大学 | 一种基于纵向三维图像深度学习特征的分类方法 |
| CN109523560A (zh) * | 2018-11-09 | 2019-03-26 | 成都大学 | 一种基于深度学习的三维图像分割方法 |
| CN109543623A (zh) * | 2018-11-26 | 2019-03-29 | 微医云(杭州)控股有限公司 | 一种基于核磁共振成像的胎儿发育状况预测装置 |
| CN110533029A (zh) * | 2019-08-02 | 2019-12-03 | 杭州依图医疗技术有限公司 | 确定影像中目标区域的方法及装置 |
| CN110782446A (zh) * | 2019-10-25 | 2020-02-11 | 杭州依图医疗技术有限公司 | 一种确定肺结节体积的方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 2D image classification for 3D anatomy localization: employing deep convolutional neural networks;Bob D. de Vos et al.;《Medical Imaging 2016: Image Processing》;第9784卷;第9784Y1-9784Y7页 * |
| 基于DICOM医学图像的虚拟切片提取技术研究与实现;吕晓琪 等;《计算机应用研究》;第30卷(第07期);第2226-2229页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111967462A (zh) | 2020-11-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110796670B (zh) | 一种夹层动脉分割方法及装置 | |
| CN111145206A (zh) | 肝脏图像分割质量评估方法、装置及计算机设备 | |
| CN111967462B (zh) | 一种获取感兴趣区域的方法及装置 | |
| CN113808146B (zh) | 一种医学图像多器官分割方法及*** | |
| CN110782446B (zh) | 一种确定肺结节体积的方法及装置 | |
| CN111696126B (zh) | 一种基于多视角的多任务肝脏肿瘤图像分割方法 | |
| CN111815766A (zh) | 基于2d-dsa图像重建血管三维模型处理方法及*** | |
| CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和*** | |
| CN102419864B (zh) | 一种提取脑部ct图像骨骼方法及装置 | |
| CN111524142B (zh) | 一种脑血管图像自动分割方法 | |
| CN114565763A (zh) | 图像分割方法、装置、设备、介质及程序产品 | |
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| CN116452618A (zh) | 一种三输入脊柱ct图像分割方法 | |
| KR102182357B1 (ko) | Ct 영상 내 간암 영역 기반으로 3차원 분석을 하는 수술 보조 장치 및 방법 | |
| CN117315210A (zh) | 一种基于立体成像的图像虚化方法及相关装置 | |
| CN116725563B (zh) | 眼球突出度测量装置 | |
| CN116030043A (zh) | 一种多模态医学图像分割方法 | |
| Wen et al. | A novel lesion segmentation algorithm based on U-Net network for Tuberculosis CT image | |
| Zhou et al. | Automatic segmentation algorithm of femur and tibia based on Vnet-C network | |
| CN113706541B (zh) | 一种图像处理方法及装置 | |
| CN110533637B (zh) | 一种检测对象的方法及装置 | |
| CN111462067B (zh) | 图像分割方法及装置 | |
| Zhu et al. | Automatic measurement of scoliosis based on an improved segmentation model | |
| CN112712507A (zh) | 一种确定冠状动脉的钙化区域的方法及装置 | |
| CN113362294A (zh) | 含穿刺针超声血管图像的穿刺针识别方法、***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 |