CN112070731B - 应用人工智能引导人体模型图集与病例ct图像配准的方法 - Google Patents

应用人工智能引导人体模型图集与病例ct图像配准的方法 Download PDF

Info

Publication number
CN112070731B
CN112070731B CN202010879567.6A CN202010879567A CN112070731B CN 112070731 B CN112070731 B CN 112070731B CN 202010879567 A CN202010879567 A CN 202010879567A CN 112070731 B CN112070731 B CN 112070731B
Authority
CN
China
Prior art keywords
data
case
registration
model
organ
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
CN202010879567.6A
Other languages
English (en)
Other versions
CN112070731A (zh
Inventor
刘豆豆
陈思
杨雪松
邓晓
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.)
Foshan Map Reading Technology Co ltd
Original Assignee
Foshan Map Reading Technology Co ltd
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 Foshan Map Reading Technology Co ltd filed Critical Foshan Map Reading Technology Co ltd
Priority to CN202010879567.6A priority Critical patent/CN112070731B/zh
Publication of CN112070731A publication Critical patent/CN112070731A/zh
Application granted granted Critical
Publication of CN112070731B publication Critical patent/CN112070731B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

应用人工智能引导人体模型图集与病例CT图像配准的方法，涉及医学图像配准和分割领域，包括以下步骤：S1：建立能够参数化表达CT数据多样性的参数***；S2：制作具有代表性的人体全身模型图集数据集合M{M0、M1…Mn}；S3：自适应地在人体全身模型图集数据集合M{M0、M1…Mn}中找到与病例CT最匹配的模型数据作为候选配准模型数据Mj；S4：引导候选配准模型数据Mj的位置信息更新，得到初始化配准模型数据Mj2；S5：将初始化配准模型数据Mj2配准到病例CT。通过建立参数***并由人工智能引导选择模型和配准初始化的方式进行配准，避免模型形态无法满足真实数据多样性的问题，给出和真实病例数据更接近的模型，获得更好的配准初始化状态以提高配准和分割的精度。

Description

应用人工智能引导人体模型图集与病例CT图像配准的方法
技术领域
本发明涉及医学图像配准和分割领域，特别是应用人工智能引导人体模型图集与病例CT图像配准的方法。
背景技术
医学图像配准指的是对一幅医学图像数据寻求一种或一系列空间变换，使其与另一幅目标数据的感兴趣区域在空间上达到一致的过程，随着医学成像设备的不断发展，要利用越来越丰富的医学数据进行综合分析需要对数据进行器官或感兴趣区域的配准和分割。对于人体医学数据来说，一方面存在大量的组织或器官相互之间边界模糊、梯度复杂难以进行直接分割的情况，另一方面人体内器官或组织的大小、形态以及器官之间的对应结构相对稳定。利用人体结构和组织相对关系的先验知识进行分割可以作为改善器官边界不清晰、梯度复杂情况的有效方法。
对于人体组织和器官，常使用基于Atlas模型集合进行分割的方法来利用人体结构的先验知识进行器官分割任务。Atlas模型集合由人工对多个数据中指定的器官或组织进行标注来建立目标模型，分割过程中模型的选取通常有两类方式：通过依次配准多个模型到病例CT的结果来选取最接近目标的模型或者使用模型集合进行聚类分析方式得到配准模型，最后通过配准和模型标注信息对病例CT进行分割。在实际应用中，基于Atlas模型分割方法本身存在一些不足：一是方法在选取配准模型时使用多次配准选出最优的方式计算量大增加分割时长，而使用聚类方法选取配准模型的方式则会影响配准精度；二是因为人体器官的形态相对稳定而器官和组织之间的相互关系可能会随着病人不同产生明显差异，Atlas分割方法通常针对一个形态相对稳定的特定器官或者组织进行分割，例如宫颈、脾脏和脑部等组织，对于范围更大的目标例如腹部、胸腔、半身数据，由于缺少对人群解剖结构和成像姿态方面的整体性先验知识判断，无法进行有效处理。如图7-10所示，对于临床中范围较大的病例数据分割需求，基于Atlas分割的方法将会面临所选配准模型与目标CT解剖结构差异较大或者配准初始化状态不良导致的失配问题。
发明内容
针对上述缺陷，本发明的目的在于提出一种应用人工智能引导人体模型图集与病例CT图像配准的方法，解决模型形态无法满足真实数据多样性的问题，提供与真实病例数据更接近的模型，获得更好的配准初始化状态以提高配准和分割的精度。
为达此目的，本发明采用以下技术方案：
应用人工智能引导人体模型图集与病例CT图像配准的方法，包括以下步骤：
S1：收集不同年龄段、不同地区的人群医学数据统计信息，建立能够参数化表达CT数据多样性的参数***；
S2：根据所述参数***中各个参数在实际数据上相应的关联性、相互限制性和人群代表性制作一组具有代表性的人体全身模型图集数据集合M{M0、M1…Mn}；
S3：通过人工智能对病例CT进行分析，按照所述参数***中的参数种类分别计算出病例CT的对应的参数值，并根据算出的参数值，自适应地在所述人体全身模型图集数据集合M{M0、M1…Mn}中找到与病例CT最匹配的模型数据作为候选配准模型数据Mj；
S4：通过人工智能对病例CT进行分析，计算出病例CT中所包含的器官、CT成像范围大小和器官对应的位置信息，结合所述候选配准模型数据Mj中对应器官的位置信息，引导所述候选配准模型数据Mj中各对应器官的位置信息进行更新，得到初始化配准模型数据Mj2；
S5：应用非刚性配准，将所述初始化配准模型数据Mj2配准到病例CT，完成人体模型与病例CT之间的图像配准和器官分割。
进一步，所述步骤S1中，所述参数***中包括解剖结构参数、数据成像姿态参数和数据特异信息参数。
进一步，所述步骤S2中，所述人体全身模型图集数据集合M{M0、M1…Mn}中的每一项Mk(k＝0,1，2，…，n)分别代表使用与人群医学数据统计信息中各CT数据相同的所述解剖结构参数、所述数据成像姿态参数和所述数据特异参数建立的模型数据，其中，每一项Mk(k＝0,1，2，…，n)包含两幅相互对应且像素值分别为CT值和器官标签索引的三维模型图像。
进一步，所述步骤S3中，包括以下过程：
通过人工智能对病例CT进行分析，计算出病例CT中的所述解剖结构参数、所述数据成像姿态参数和所述数据特异信息参数；
根据病例CT中算出的所述解剖结构参数、所述数据成像姿态参数和所述数据特异信息参数，自适应地在所述人体全身模型图集数据集合M{M0、M1…Mn}中选取与病例CT最匹配的模型数据作为候选配准模型数据Mj。
进一步，所述步骤S4中，包括以下过程：
通过人工智能对病例CT进行分析，判断病例CT为全身数据还是部分数据，并计算病例CT所包含的器官、CT成像范围大小以及器官对应的位置信息；
根据所述候选配准模型数据Mj中对应器官的位置信息，计算出所述候选配准模型数据Mj和病例CT中各器官之间的相对位移关系；
对所述候选配准模型数据Mj中对应器官进行位置更新，得到初始化配准模型数据Mj2，使得病例CT中的各个器官分别与所述初始化配准模型数据Mj2中对应的器官初步对齐。
进一步，所述步骤S5中，包括以下过程：
提取所述初始化配准模型Mj2中像素值为CT值的三维模型图像，并采用非刚性配准方法配准到病例CT中，使像素值为CT值的三维模型图像和病例CT中的器官在空间上达到一致，并得到配准的转换参数T；
提取所述初始化配准模型Mj2中像素值为器官标签索引的三维模型图像，根据所述转换参数T进行空间变换，得到与病例CT空间位置一致的标签数据。
进一步，还包括应用动态轮廓计算方法对器官分割的结果进行优化。
有益效果：
本发明提供的应用人工智能算法引导的人体模型与病例CT图像配准方法中，根据人群医学数据统计信息建立出能够参数化表达CT数据多样性的参数***，利用人体结构相对关系的先验知识，创建出具有代表性的人体全身模型图集数据集合M，而不再是对真实数据进行标注的模型，避免了模型形态无法满足真实数据多样性的问题，相比于现有的Atlas分割方法，对整体数据和大范围数据更加适应，不受目标数据范围和器官数量的限制。
本发明通过人工智能在人体全身模型图集数据集合M中选取与病例CT最匹配的候选配准模型数据Mj，并引导候选配准模型数据Mj的位置信息进行更新，得到初始化配准模型数据Mj2，使得病例CT中的各个器官分别与所述初始化配准模型数据Mj2中对应的器官初步对齐。相比于其他方法选取固定模型或者选取聚类模型的方式，本方法可以给出和真实病例数据更接近的模型，获得更好的配准初始化状态以提高配准和分割的精度。
本方法应用非刚性配准，将初始状配准模型数据Mj2配准到病例CT，完成人体模型数据与病例CT之间的图像配准和器官分割，实现对局部或整体的病例CT进行全数据直接配准和分割的任务，不需要分别对各个器官分割后再组合的方式得到病例CT的整体分割结果，从而提高图像配准和器官分割的效率。
附图说明
图1是本发明的一个实施例的流程示意图；
图2是本发明的一个实施例一项模型数据中像素值为CT值的三维模型图像；
图3是本发明的一个实施例一项模型数据中像素值为器官标签索引的三维模型图像；
图4是本发明的一个实施例中病例CT的肝脏正位示意图；
图5是图4中病例CT的肝脏配准到初始化配准模型数据Mj2后的正位示意图；
图6是图4中病例CT的肝脏根据肝脏标签索引数据分割后的结果正位示意图，其中灰色区域在实际操作中显示为红色；
图7是背景技术中女性局部病例CT的正位示意图；
图8是图7中的病例CT配准到女性模型的正位示意图；
图9是图7中的病例CT配准到男性模型的正位示意图；
图10是图7中的病例CT配准到手臂朝向错误的女性模型的正位示意图。
具体实施方式
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
参照图1-10所示，应用人工智能引导人体模型图集与病例CT图像配准的方法，包括以下步骤：
S1：收集不同年龄段、不同地区的人群医学数据统计信息，建立能够参数化表达CT数据多样性的参数***；
S2：根据所述参数***中各个参数在实际数据上相应的关联性、相互限制性和人群代表性制作一组具有代表性的人体全身模型图集数据集合M{M0、M1…Mn}；
S3：通过人工智能对病例CT进行分析，按照所述参数***中的参数种类分别计算出病例CT的对应的参数值，并根据算出的参数值，自适应地在所述人体全身模型图集数据集合M{M0、M1…Mn}中找到与病例CT最匹配的模型数据作为候选配准模型数据Mj；
S4：通过人工智能对病例CT进行分析，计算出病例CT中所包含的器官、CT成像范围大小和器官对应的位置信息，结合所述候选配准模型数据Mj中对应器官的位置信息，引导所述候选配准模型数据Mj中各对应器官的位置信息进行更新，得到初始化配准模型数据Mj2；
S5：应用非刚性配准，将所述初始化配准模型数据Mj2配准到病例CT，完成人体模型与病例CT之间的图像配准和器官分割。
本发明提供的应用人工智能算法引导的人体模型与病例CT图像配准方法中，根据人群医学数据统计信息建立出能够参数化表达CT数据多样性的参数***，利用人体结构相对关系的先验知识，创建出具有代表性的人体全身模型图集数据集合M，而不再是对真实数据进行标注的模型，避免了模型形态无法满足真实数据多样性的问题，相比于现有的Atlas分割方法，对整体数据和大范围数据更加适应，不受目标数据范围和器官数量的限制。
本发明通过人工智能在人体全身模型图集数据集合M中选取与病例CT最匹配的候选配准模型数据Mj，并引导候选配准模型数据Mj的位置信息进行更新，得到初始化配准模型数据Mj2，使得病例CT中的各个器官分别与所述初始化配准模型数据Mj2中对应的器官初步对齐。相比于其他方法选取固定模型或者选取聚类模型的方式，本方法可以给出和真实病例数据更接近的模型，获得更好的配准初始化状态以提高配准和分割的精度。
本方法应用非刚性配准，将初始状配准模型数据Mj2配准到病例CT，完成人体模型数据与病例CT之间的图像配准和器官分割，实现对局部或整体的病例CT进行全数据直接配准和分割的任务，不需要分别对各个器官分割后再组合的方式得到病例CT的整体分割结果，从而提高图像配准和器官分割的效率。
具体地，所述步骤S1中，所述参数***中包括解剖结构参数、数据成像姿态参数和数据特异信息参数。
其中，解剖结构参数用于表达能够引起人体解剖结构差异的信息，如性别、所属年龄段、身高、体重、体型(橄榄型、消瘦型、肥胖型、强壮型等)等外形信息以及器官绝对位置、器官间相对位置、器官体积和形态等；
数据成像姿态参数用于表达CT成像过程中病人姿态的差异信息，如人体呼吸状态、成像时人体摆位和朝向，成像时人体姿势，成像范围的大小等信息；
数据特异信息参数用于表达病例CT内存在的特殊情况，如数据中出现器官缺失和对应器官所在位置和范围，是否出现大范围或明显的病变及其位置和范围等特殊情况的信息。
使用上述信息建立一套以人体解剖结构参数、成像姿态参数和特异参数为基础的参数***，实现参数***对病例CT数据的多样性进行参数化表示，对任意一个病例CT，可以用一系列参数代表它的基本解剖结构、成像姿态和特异信息等特征。
具体地，所述步骤S2中，所述人体全身模型图集数据集合M{M0、M1…Mn}中的每一项Mk(k＝0,1，2，…，n)分别代表一组模型数据，其中，每一项Mk(k＝0,1，2，…，n)包含两幅三维模型图像，两幅三维模型图像中的所述解剖结构参数、所述数据成像姿态参数和所述数据特异信息参数分别对应相同，其中，一副三维模型图像的像素值为CT值，另一幅三维模型图像的像素值为器官标签索引。在本发明的部分实施例中，人体全身模型图集数据集合M{M0、M1…Mn}中的每一项Mk(k＝0,1，2，…，n)分别包括Mk.ct、Mk.tag和Mk.par，其中，Mk.ct是指CT数据，是如图2所示的一幅像素值为CT值的三维模型图像。Mk.tag是指器官标签索引数据，是如图3所示的一幅像素值为器官标签索引的三维模型图像，该三维模型图像中器官的像素值分别对应一个器官标签索引。模型数据中的解剖结构参数、数据成像姿态参数和数据特异参数存储在Mk.par。其中，像素值为CT值的三维模型图像用于与病例CT实现图像配准，像素值为器官标签索引的三维模型图像用于对病例CT中的各个像素进行标记，以完成器官分割。
具体地，所述步骤S3中，包括以下过程：
通过人工智能对病例CT进行分析，计算出病例CT中的所述解剖结构参数、所述数据成像姿态参数和所述数据特异信息参数；
根据病例CT中算出的所述解剖结构参数、所述数据成像姿态参数和所述数据特异信息参数，自适应地在所述人体全身模型图集数据集合M{M0、M1…Mn}中选取与病例CT最匹配的模型数据作为候选配准模型数据Mj。
在本发明的部分实施例中，向人工智能网络输入病例CT，由人工智能网络计算病例CT中的解剖结构参数、数据成像姿态参数和数据特异信息参数，实现人工智能计算出病例CT与参数***对应的参数值，然后根据算出病例CT中的解剖结构参数、数据成像姿态参数和数据特异信息参数，自适应地在人体全身模型图集数据集合M中选取与病例CT最匹配的人体全身模型数据作为候选配准模型数据Mj，实现人工智能引导选择模型数据，利于所述方法选出的模型数据能够满足真实数据多样性，提高模型数据与病例CT之间的匹配度。
具体地，所述步骤S4中，包括以下过程：
通过人工智能对病例CT进行分析，判断病例CT为全身数据还是部分数据，并计算病例CT所包含的器官、CT成像范围大小以及器官对应的位置信息；
根据所述候选配准模型数据Mj中对应器官的位置信息，计算出所述候选配准模型数据Mj和病例CT中各器官之间的相对位移关系；
基于候选配准模型数据Mj和病例CT中器官对齐，引导候选配准模型数据Mj的位置信息更新，得到初始化配准模型数据Mj2，使得病例CT中的各个器官分别与所述初始化配准模型数据Mj2中对应的器官初步对齐。实现人工智能对模型数据进行配准初始化，获得更好的配准初始化状态以提高配准和分割的精度，利于初始化配准模型数据Mj2对整体数据和大范围数据更加适应，不受目标数据范围和器官数量的限制。其中，引导候选配准模型数据Mj的位置信息更新，是根据所述候选配准模型数据Mj和病例CT中各器官之间的相对位移关系，更新候选配准模型数据Mj的位置信息，使候选配准模型数据Mj中的各个器官与病例CT中对应的器官空间上基本对齐。
具体地，所述步骤S5中，包括以下过程：
使用所述初始化配准模型Mj2中像素值为CT值的三维模型图像，应用非刚性配准方法配准到病例CT中，使像素值为CT值的三维模型图像和病例CT中的器官在空间上达到一致，并得到配准的转换参数T；
使用所述初始化配准模型Mj2中像素值为器官标签索引的三维模型图像，根据所述转换参数T进行空间变换，得到与病例CT空间位置一致的标签数据。
在本发明的部分实施例中，参照图4和图5所示，采用非刚性配准方法配准到病例CT中，使像素值为CT值的三维模型图像和病例CT中的器官在空间上达到一致，从而完成人体模型数据与病例CT之间图像配准，并得到配准的转换参数T。然后，参照图4和图6所示，像素值为器官标签索引的三维模型图像根据转换参数T进行空间转换，得到与病例CT空间位置一致的标签数据，以明确病例CT中每个像素所属的器官，实现器官分割。其中，应用的非刚性配准包括但不限于affine配准和bspline配准。
进一步，在本发明的部分实施例中，应用动态轮廓计算方法对器官分割的结果进行优化。具体地，完成器官分割后使用动态轮廓计算方法对器官分割结果进行优化，提高器官分割结果的精确度，得到更精确的器官分割结果。其中动态轮廓计算方法可以是水平集方法。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (7)

1.应用人工智能引导人体模型图集与病例CT图像配准的方法，其特征在于，包括以下步骤：
S1：收集不同年龄段和不同地区的人群医学数据统计信息，建立能够参数化表达CT数据多样性的参数***；
S2：根据所述参数***中各个参数在实际数据上相应的关联性、相互限制性和人群代表性制作一组具有代表性的人体全身模型图集数据集合M{M0、M1…Mn}；
S3：通过人工智能对病例CT进行分析，按照所述参数***中的参数种类分别计算出病例CT的对应的参数值，并根据算出的参数值，自适应地在所述人体全身模型图集数据集合M{M0、M1…Mn}中找到与病例CT最匹配的模型数据作为候选配准模型数据Mj；
S4：通过人工智能对病例CT进行分析，计算出病例CT中所包含的器官、CT成像范围大小和器官对应的位置信息，基于候选配准模型数据Mj和病例CT中器官对齐，引导候选配准模型数据Mj的位置信息更新，得到初始化配准模型数据Mj2；
S5：应用非刚性配准，将所述初始化配准模型数据Mj2配准到病例CT，完成人体模型与病例CT之间的图像配准和器官分割。
2.根据权利要求1所述的应用人工智能引导人体模型图集与病例CT图像配准的方法，其特征在于，所述步骤S1中，所述参数***中包括解剖结构参数、数据成像姿态参数和数据特异信息参数。
3.根据权利要求2所述的应用人工智能引导人体模型图集与病例CT图像配准的方法，其特征在于，所述步骤S2中，所述人体全身模型图集数据集合M{M0、M1…Mn}中的每一项Mk(k＝0,1，2，…，n)分别代表一组模型数据，其中，每一项Mk(k＝0,1，2，…，n)包含两幅三维模型图像，两幅三维模型图像中的所述解剖结构参数、所述数据成像姿态参数和所述数据特异信息参数分别对应相同，其中，一副三维模型图像的像素值为CT值，另一幅三维模型图像的像素值为器官标签索引。
4.根据权利要求3所述的应用人工智能引导人体模型图集与病例CT图像配准的方法，其特征在于，所述步骤S3中，包括以下过程：
通过人工智能对病例CT进行分析，计算出病例CT中的所述解剖结构参数、所述数据成像姿态参数和所述数据特异信息参数；
根据病例CT中算出的所述解剖结构参数、所述数据成像姿态参数和所述数据特异信息参数，自适应地在所述人体全身模型图集数据集合M{M0、M1…Mn}中选取与病例CT最匹配的模型数据作为候选配准模型数据Mj。
5.根据权利要求4所述的应用人工智能引导人体模型图集与病例CT图像配准的方法，其特征在于，所述步骤S4中，包括以下过程：
通过人工智能对病例CT进行分析，判断病例CT为全身数据还是部分数据，并计算病例CT所包含的器官、CT成像范围大小以及器官对应的位置信息；
根据所述候选配准模型数据Mj中对应器官的位置信息，计算出所述候选配准模型数据Mj和病例CT中各器官之间的相对位移关系；
基于候选配准模型数据Mj和病例CT中器官对齐，引导候选配准模型数据Mj的位置信息更新，得到初始化配准模型数据Mj2，使得病例CT中的各个器官分别与所述初始化配准模型数据Mj2中对应的器官初步对齐。
6.根据权利要求5所述的应用人工智能引导人体模型图集与病例CT图像配准的方法，其特征在于，所述步骤S5中，包括以下过程：
使用所述初始化配准模型Mj2中像素值为CT值的三维模型图像，并采用非刚性配准方法配准到病例CT中，使像素值为CT值的三维模型图像和病例CT中的器官在空间上达到一致，并得到配准的转换参数T；
使用所述初始化配准模型Mj2中像素值为器官标签索引的三维模型图像，根据所述转换参数T进行空间变换，得到与病例CT空间位置一致的标签数据。
7.根据权利要求1所述的应用人工智能引导人体模型图集与病例CT图像配准的方法，其特征在于，还包括应用动态轮廓计算方法对器官分割的结果进行优化。
CN202010879567.6A 2020-08-27 2020-08-27 应用人工智能引导人体模型图集与病例ct图像配准的方法 Active CN112070731B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010879567.6A CN112070731B (zh) 2020-08-27 2020-08-27 应用人工智能引导人体模型图集与病例ct图像配准的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010879567.6A CN112070731B (zh) 2020-08-27 2020-08-27 应用人工智能引导人体模型图集与病例ct图像配准的方法

Publications (2)

Publication Number Publication Date
CN112070731A CN112070731A (zh) 2020-12-11
CN112070731B true CN112070731B (zh) 2021-05-11

Family

ID=73659990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010879567.6A Active CN112070731B (zh) 2020-08-27 2020-08-27 应用人工智能引导人体模型图集与病例ct图像配准的方法

Country Status (1)

Country Link
CN (1) CN112070731B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104603836A (zh) * 2012-08-06 2015-05-06 范德比尔特大学 用于在图像引导手术期间校正数据变形的改进的方法
CN105118068A (zh) * 2015-09-29 2015-12-02 常熟理工学院 一种小样本条件下医学图像自动标注方法
CN107103207A (zh) * 2017-04-05 2017-08-29 浙江大学 基于病例多组学变异特征的精准医学知识搜索***及实现方法
EP3441939A1 (en) * 2007-01-17 2019-02-13 Mediguide Ltd. A method and system for registering a 3d pre-acquired image coordinates system with a medical positioning system coordinate system and with a 2d image coordinate system
CN110189815A (zh) * 2019-05-29 2019-08-30 成都光魔科技有限公司 一种医学教育用的案例立体对比教学***
CN110335665A (zh) * 2019-04-01 2019-10-15 佛山原子医疗设备有限公司 一种应用于医学图像辅助诊断分析的以图搜图方法及***
CN110335358A (zh) * 2019-06-18 2019-10-15 大连理工大学 可变形数字人解剖学模型的个性化变形方法
CN110689521A (zh) * 2019-08-15 2020-01-14 福建自贸试验区厦门片区Manteia数据科技有限公司 一种医学影像所属人体部位的自动识别方法及***
CN111414393A (zh) * 2020-03-26 2020-07-14 湖南科创信息技术股份有限公司 一种基于医学知识图谱的语义相似病例检索方法及设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8090166B2 (en) * 2006-09-21 2012-01-03 Surgix Ltd. Medical image analysis
CN104866727A (zh) * 2015-06-02 2015-08-26 陈宽 基于深度学习对医疗数据进行分析的方法及其智能分析仪
CN106204520B (zh) * 2015-07-17 2019-05-24 北京大学第一医院 一种磁共振图像选择定位的方法及装置
US11202652B2 (en) * 2017-08-11 2021-12-21 Canon U.S.A., Inc. Registration and motion compensation for patient-mounted needle guide
CN107742538A (zh) * 2017-10-10 2018-02-27 首都医科大学附属北京朝阳医院 病变模拟方法和装置
US11382603B2 (en) * 2018-05-07 2022-07-12 Siemens Healthcare Gmbh System and methods for performing biomechanically driven image registration using ultrasound elastography
CN110097944B (zh) * 2019-04-11 2021-05-07 山东大学齐鲁医院 一种人体器官模型的显示调控方法及***
CN111583385B (zh) * 2020-04-15 2024-02-13 滨州医学院 一种可变形数字人解剖学模型的个性化变形方法及***

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3441939A1 (en) * 2007-01-17 2019-02-13 Mediguide Ltd. A method and system for registering a 3d pre-acquired image coordinates system with a medical positioning system coordinate system and with a 2d image coordinate system
CN104603836A (zh) * 2012-08-06 2015-05-06 范德比尔特大学 用于在图像引导手术期间校正数据变形的改进的方法
CN105118068A (zh) * 2015-09-29 2015-12-02 常熟理工学院 一种小样本条件下医学图像自动标注方法
CN107103207A (zh) * 2017-04-05 2017-08-29 浙江大学 基于病例多组学变异特征的精准医学知识搜索***及实现方法
CN110335665A (zh) * 2019-04-01 2019-10-15 佛山原子医疗设备有限公司 一种应用于医学图像辅助诊断分析的以图搜图方法及***
CN110189815A (zh) * 2019-05-29 2019-08-30 成都光魔科技有限公司 一种医学教育用的案例立体对比教学***
CN110335358A (zh) * 2019-06-18 2019-10-15 大连理工大学 可变形数字人解剖学模型的个性化变形方法
CN110689521A (zh) * 2019-08-15 2020-01-14 福建自贸试验区厦门片区Manteia数据科技有限公司 一种医学影像所属人体部位的自动识别方法及***
CN111414393A (zh) * 2020-03-26 2020-07-14 湖南科创信息技术股份有限公司 一种基于医学知识图谱的语义相似病例检索方法及设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Viktor G＇al 等.Organ Detection in Medical Images with Discriminately Trained Deformable Part Model.《IEEE 9th International Conference on Computational Cybernetics》.2013, *
基于图序列模型的病例近似搜索和疾病辅助诊断算法研究;高楚楚;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20200715(第07期);E054-17 *
基于机器学习的疾病自动诊断研究;刘巧利;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20190915(第09期);E054-31 *

Also Published As

Publication number Publication date
CN112070731A (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
CN111091589B (zh) 基于多尺度监督学习的超声和核磁图像配准方法及装置
CN109166133B (zh) 基于关键点检测和深度学习的软组织器官图像分割方法
CN100528075C (zh) 分割心脏磁共振图像中左心室的***和方法
McInerney et al. Deformable models in medical image analysis
CN108416802B (zh) 一种基于深度学习的多模医学图像非刚性配准方法及***
WO2024021523A1 (zh) 基于图网络的大脑皮层表面全自动分割方法及***
CN110838140A (zh) 基于混合监督学习的超声和核磁图像配准融合方法及装置
CN104318554B (zh) 基于三角剖分优化匹配的医学影像刚性配准方法
CN115457020B (zh) 一种融合残差图像信息的2d医学图像配准方法
CN106327479A (zh) 血管造影中介下先心病术中血管辨识的装置及方法
Jin et al. Object recognition in medical images via anatomy-guided deep learning
US20200357162A1 (en) Modeling method, apparatus, device and storage medium of dynamic cardiovascular system
CN110570430B (zh) 基于体配准的眼眶骨组织分割方法
CN117274599A (zh) 一种基于组合双任务自编码器的脑磁共振分割方法及***
CN112164447B (zh) 图像处理方法、装置、设备及存储介质
CN112070731B (zh) 应用人工智能引导人体模型图集与病例ct图像配准的方法
CN109741439A (zh) 一种二维mri胎儿图像的三维重建方法
CN112598669B (zh) 一种基于数字人技术的肺叶分割方法
Ellingsen et al. Robust deformable image registration using prior shape information for atlas to patient registration
Lötjönen et al. Four-chamber 3-D statistical shape model from cardiac short-axis and long-axis MR images
Kurtek et al. Statistical model for simulation of deformable elastic endometrial tissue shapes
Liu et al. Organ labeling using anatomical model-driven global optimization
CN111667515A (zh) 基于流形正则化的血管3d/2d弹性配准方法及装置
Keleme et al. Three-dimensional model-based segmentation of brain MRI
Kermi et al. 3D-Computerized facial reconstructions from 3D-MRI of human heads using deformable model approach

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