CN112766314A - 解剖结构的识别方法、电子设备及存储介质 - Google Patents
解剖结构的识别方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112766314A CN112766314A CN202011625657.9A CN202011625657A CN112766314A CN 112766314 A CN112766314 A CN 112766314A CN 202011625657 A CN202011625657 A CN 202011625657A CN 112766314 A CN112766314 A CN 112766314A
- Authority
- CN
- China
- Prior art keywords
- anatomical structure
- medical image
- layer
- target
- image
- 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
- 210000003484 anatomy Anatomy 0.000 title claims abstract description 313
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 4
- 239000010410 layer Substances 0.000 description 169
- 238000002372 labelling Methods 0.000 description 13
- 239000002356 single layer Substances 0.000 description 12
- 210000004072 lung Anatomy 0.000 description 10
- 238000002600 positron emission tomography Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000002591 computed tomography Methods 0.000 description 6
- 210000002216 heart Anatomy 0.000 description 6
- 239000003550 marker Substances 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种解剖结构的识别方法、电子设备及存储介质。其中,识别方法包括:对目标医学影像进行解剖结构识别,得到初始解剖结构类别;对目标医学影像进行部位识别,得到部位类别;确定部位类别对应的候选解剖结构类别;利用候选解剖结构类别校正初始解剖结构类别,得到最终解剖结构类别。本发明在识别医学影像对应的初始解剖结构类别之外,还识别医学影像对应的部位类别,并利用根据部位类别所确定的候选解剖结构类别来对识别得到的初始解剖结构类别进行校正,以得到最终解剖结构类别,由此,实现了对初始解剖结构类别的校验,有利于提高最终解剖结构类别的准确性,进而能够实现医学影像中解剖结构的精确定位,并避免不利后果的发生。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种解剖结构的识别方法、电子设备及存储介质。
背景技术
识别医学影像中解剖结构的常规方法在于,利用训练得到的解剖学结构检测模型来识别医学影像中的解剖学结构,具体地,可以利用解剖学结构标注金标准和已标注解剖学结构的影像数据来训练得到解剖学结构检测模型,例如,可以通过卷积神经网络训练解剖学结构检测模型,也可以通过构建一个传统算法B-spline(B样条)模型来实现。但是,训练得到的解剖学结构检测模型的识别结果存在出错的可能,并可能由此导致不利后果的发生。
发明内容
本发明要解决的技术问题是为了克服现有技术中解剖学结构检测模型的识别结果可能出错的缺陷,提供一种解剖结构的识别方法、电子设备及存储介质。
本发明是通过下述技术方案来解决上述技术问题:
一种解剖结构的识别方法,包括:
对目标医学影像进行解剖结构识别,得到初始解剖结构类别;
对所述目标医学影像进行部位识别,得到部位类别;
确定所述部位类别对应的候选解剖结构类别;
利用所述候选解剖结构类别校正所述初始解剖结构类别,得到最终解剖结构类别。
较佳地,所述利用所述候选解剖结构类别校正所述初始解剖结构类别的步骤包括:
对所述候选解剖结构类别与所述初始解剖结构类别求交集,得到最终解剖结构类别。
较佳地,所述对所述目标医学影像进行部位识别,得到部位类别的步骤包括:
将所述目标医学影像输入部位识别模型,得到目标部位标签范围,其中,所述部位识别模型利用每层影像均标注有部位标签的医学影像训练得到;
所述确定所述部位类别对应的候选解剖结构类别的步骤包括:
利用所述目标部位标签范围查找预设字典,得到候选解剖结构类别;
其中,部位标签与部位类别之间存在第一对应关系,所述预设字典包括部位标签与解剖结构类别之间的第二对应关系。
较佳地,所述对目标医学影像进行解剖结构识别,得到初始解剖结构类别的步骤包括:
将所述目标医学影像输入解剖结构识别模型,得到初始解剖结构类别和与所述初始解剖结构类别对应的初始位置范围,其中,所述解剖结构识别模型利用标注有解剖结构标注框的医学影像训练得到,所述解剖结构标注框的标注信息包括解剖结构类别和所述解剖结构标注框在所述医学影像中的位置范围;
在所述得到目标部位标签范围的步骤之后还包括:
利用与所述最终解剖结构类别对应的目标部位标签范围确定所述最终解剖结构类别在所述目标医学影像中对应的层位置范围;
利用所述最终解剖结构类别在所述目标医学影像中对应的层位置范围确定所述最终解剖结构类别在所述目标医学影像中对应的候选位置范围;
对所述最终解剖结构类别对应的候选位置范围与初始位置范围求交集,得到所述最终解剖结构类别对应的最终位置范围。
较佳地,所述目标医学影像包括多层影像,所述将所述目标医学影像输入部位识别模型,得到目标部位标签的步骤包括:
将所述目标医学影像中的顶层影像输入所述部位识别模型,得到顶层部位标签;
将所述目标医学影像中的底层影像输入所述部位识别模型,得到底层部位标签;
根据所述顶层部位标签和所述底层部位标签得到所述目标部位标签范围。
较佳地,所述目标医学影像包括多层影像,所述将所述目标医学影像输入部位识别模型,得到目标部位标签的步骤包括:
从所述目标医学影像中抽取若干随机层影像;
将若干随机层影像分别输入所述部位识别模型,得到每一随机层影像的随机层部位标签;
将若干随机层影像的随机层部位标签和若干随机层影像在所述目标医学影像中的层位置进行拟合,得到同一层影像的部位标签与层位置之间的第三对应关系;
根据所述第三对应关系获取所述目标医学影像中顶层影像的顶层部位标签以及底层影像的底层部位标签;
根据所述顶层部位标签和所述底层部位标签得到所述目标部位标签范围。
较佳地,所述将若干随机层子影像的随机层部位标签和若干随机层子影像在所述目标医学影像中的层位置进行拟合的步骤包括:
将若干随机层子影像的随机层部位标签和若干随机层子影像在所述目标医学影像中的层位置进行线性拟合或者连续分段线性拟合。
较佳地,在所述得到所述最终解剖结构类别对应的最终位置范围的步骤之后还包括:
根据所述最终解剖结构类别对应的最终位置范围过滤所述目标医学影像,得到所述最终解剖结构类别对应的目标解剖结构影像。
较佳地,在所述得到所述最终解剖结构类别对应的目标解剖结构影像的步骤之后还包括:
利用与所述最终解剖结构类别对应的算法处理所述目标解剖结构影像,得到处理结果。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一种解剖结构的识别方法。
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任一种解剖结构的识别方法的步骤。
本发明的积极进步效果在于:本发明在识别医学影像对应的初始解剖结构类别之外,还识别医学影像对应的部位类别,并利用根据部位类别所确定的候选解剖结构类别来对识别得到的初始解剖结构类别进行校正,以得到最终解剖结构类别,由此,本发明实现了对初始解剖结构类别的校验,有利于提高最终解剖结构类别的准确性,进而能够实现医学影像中解剖结构的精确定位,并避免不利后果的发生。
附图说明
图1为根据本发明实施例1的解剖结构的识别方法的部分流程图。
图2为根据本发明实施例1的解剖结构的识别方法中步骤S1021的一种流程图。
图3为根据本发明实施例1的解剖结构的识别方法中步骤S1021的另一种流程图。
图4为根据本发明实施例1的解剖结构的识别方法的另一部分流程图。
图5为根据本发明实施例2的解剖结构的识别***的模块结构示意图。
图6为根据本发明实施例3的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供一种解剖结构的识别方法,参照图1,本实施例的识别方法包括:
S101、对目标医学影像进行解剖结构识别,得到初始解剖结构类别;
S102、对目标医学影像进行部位识别,得到部位类别;
S103、确定部位类别对应的候选解剖结构类别;
S104、利用候选解剖结构类别校正初始解剖结构类别,得到最终解剖结构类别。
在实施例中,待识别的目标医学影像可以是由单模态的CT(ComputedTomography,计算机断层显像)设备、PET(Positron Emission Computed Tomography,正电子发射型计算机断层显像)设备、MRI(Magnetic Resonance Imaging,磁共振成像)设备、多模态的PET/CT设备、PET/MR设备等采集到的医学影像。在实施例中,解剖结构类别对应器官类别,例如,肺、心脏、胃等,部位类别可以根据实际应用自定义划分,例如,头部、颈部、胸部、腹部等。应当理解,解剖结构类别与部位类别之间的对应关系是相对确定的,例如,胸部对应有肺、心脏等器官类别。
具体地,在本实施例中,分别对目标医学影像进行解剖结构识别与部位识别,以获取目标医学影像所对应解剖结构的初始解剖结构类别与所对应部位的部位类别;继而根据解剖结构类别与部位类别之间的对应关系,确定识别得到的部位类别所对应的候选解剖结构类别;最后利用确定得到的候选解剖结构类别来校正识别得到的初始解剖结构类别。
例如,对目标医学影像进行解剖结构识别得到初始解剖结构类别是肺,进行部位识别得到部位类别是胸部,又有,胸部对应的候选解剖结构类别包括肺、心脏,利用候选解剖结构类别校正初始解剖结构类别以得到最终解剖结构为肺。
较之对目标医学影像仅进行解剖结构的单一识别,本实施例对目标医学影像进行解剖结构与部位的双重识别,其中,解剖结构的识别旨在得到初始解剖结构类别,部位的识别旨在得到部位类别进而校正初始解剖结构类别,有利于提高本实施例的识别方法得到的最终解剖结构类别的准确性和鲁棒性。
在本实施例中,步骤S101与步骤S102既可以同时执行,也可以先后执行,本实施例并不旨在对此进行限定。此外,在本实施例中,可以通过求解候选解剖结构类别与初始候选解剖结构类别的交集的方式来得到最终解剖结构类别,此时,步骤S104可以具体包括对候选解剖结构类别与初始解剖结构类别求交集,得到最终解剖结构类别的步骤。
在本实施例中,步骤S102具体可以包括:
S1021、将目标医学影像输入部位识别模型,得到目标部位标签范围。
在本实施例中,部位识别模型利用每层影像均标注有部位标签的医学影像训练得到。
具体地,在本实施例中,可以利用多个解剖学关键点作为用于划分人体结构的标记点,并对这些标记点进行编号,例如,标记点的数量为N+1(其中,N为整数)时,多个标记点的编号可以记作L0,L1,…,LN-1,LN,以将人体结构划分为N个部位类别。其中,标记点的数量可以根据实际应用自定义设置。
在此基础上,通过大量数据来模拟一个模板人,该模板人上标记有事先设定好的N+1个标记点,以获取N+1个标记点之间的解剖学结构比例(P0:…:PN-1),其中,P0:…:PN-1=L1-L0:…:LN-LN-1,并基于N+1个标记点之间的解剖学结构比例来建立N+1个标记点所对应的部位标签(T0,T1,…,TN-1,TN),其中,T1-T0:…:TN-TN-1=P0:…:PN-1。
进一步地,当医学影像包括多层影像时,每层影像对应的部位标签由相邻标记点对应的部位标签分段线性分配得到。例如,相邻标记点Lx与Lx+1之间包括(K+1)层影像,有每层影像对应的部位标签Tx+(Tx+1-Tx)×(k/K),其中,k=0,…,K。
由此,在本实施例中,对于不同的医学影像来说,标记点对应的部位标签都是固定的,并且部位标签与部位类别之间存在第一对应关系。在此基础上,可以实现对待训练的医学影像的每层影像进行部位标签的标注,进而利用每层影像均标注有部位标签的医学影像训练得到本实施例的部位识别模型,其中,部位识别模型优选采用回归模型,训练过程中所采用的损失函数可以包括但不限于MSE、Huber、Log-Cosh等,此外,部位识别模型既可以通过传统方法建立得到,也可以通过深度学习方法建立得到。
在本实施例中,部位识别模型的输入是目标医学影像,输出是目标医学影像对应的目标部位标签。进一步地,在本实施例中,部位识别模型的输入是目标医学影像所包括的单层影像,输出是该单层影像对应的目标部位标签,也即,部位识别模型的输入可以是2D的医学影像,也可以是2.5D的医学影像。
在本实施例中,当目标医学影像(例如,2D影像或2.5D影像)是单层影像时,将该单层的目标医学影像输入部位识别模型得到的目标部位标签即为该目标医学影像对应的目标部位标签范围。而当目标医学影像(例如,3D影像)包括多层影像时,可以分别将目标医学影像包括的每层影像输入部位识别模型,以得到每层影像所对应的目标部位标签,进而得到目标医学影像所对应的目标部位标签范围,也可以通过获取目标医学影像的顶层影像对应的顶层部位标签和底层影像对应的底层部位标签,来得到目标医学影像所对应的目标部位标签范围。
具体地,一方面,参见图2,步骤S1021可以包括:
S1021-11、将目标医学影像中的顶层影像输入部位识别模型,得到顶层部位标签;
S1021-12、将目标医学影像中的底层影像输入部位识别模型,得到底层部位标签;
S1021-13、根据顶层部位标签和底层部位标签得到目标部位标签范围。
具体地,将位于多层影像的第一层的顶层影像输入部位识别模型后,得到顶层部位标签Ttop,将位于多层影像的最后一层的底层影像输入部位识别模型后,得到底层部位标签Tbottom,有目标医学影像对应目标部位标签范围[Ttop,Tbottom]。
另一方面,参照图3,步骤S1021可以包括:
S1021-21、从目标医学影像中抽取若干随机层影像;
S1021-22、将若干随机层影像分别输入部位识别模型,得到每一随机层影像的随机层部位标签;
S1021-23、将若干随机层影像的随机层部位标签和若干随机层影像在目标医学影像中的层位置进行拟合,得到同一层影像的部位标签与层位置之间的第三对应关系;
S1021-24、根据第三对应关系获取目标医学影像中顶层影像的顶层部位标签以及底层影像的底层部位标签;
S1021-25、根据顶层部位标签和底层部位标签得到目标部位标签范围。
具体地,对于每一随机层影像,其在目标医学影像中的层位置已知,将随机层影像输入部位识别模型后,得到随机层部位标签,进而将所有随机层影像对应的随机层部位标签的列表和层位置的列表进行拟合,以得到同一层影像的部位标签与层位置之间的第三对应关系,并基于该第三对应关系获取顶层影像对应的顶层部位标签Ttop,以及底层影像对应的底层部位标签Tbottom,在此基础上,有目标医学影像对应目标部位标签范围[Ttop,Tbottom]。
在本实施例中,根据实际应用可以将若干随机层子影像的随机层部位标签和若干随机层子影像在目标医学影像中的层位置进行线性拟合或者连续分段线性拟合,本实施例并不旨在对此加以限制。
该种间接获取顶层部位标签与底层部位标签的方式,较之直接将顶层影像与底层影像输入部位识别模型来分别获取顶层部位标签与底层部位标签的实现方式,具有更佳的鲁棒性,使得获取得到的目标部位标签范围也更加准确。
在本实施例中,设定待识别的解剖结构类别的数量为M(其中,M为正整数),通过模拟得到的模板人可以确定每个解剖结构类别Om对应的部位标签范围[Ti,Tj],其中,m=0,…,M-1,Ti表征解剖学结构类别对应的起始端的部位标签,Tj表征解剖学结构类别对应的末端的部位标签,继而,基于部位标签与解剖结构类别之间的第二对应关系建立解剖结构类别部位标签的预设字典。在此基础上,本实施例中步骤S103具体可以包括利用目标部位标签范围查找预设字典,得到候选解剖结构类别的步骤。
基于此,本实施例实现了对目标医学影像对应的初始解剖结构类别与部位类别的双重识别,并基于部位类别对应的候选解剖结构类别校正初始解剖结构类别,有利于提高本实施例的识别方法得到的最终解剖结构类别的准确性和鲁棒性。
进一步地,本实施例除了能够识别出目标医学影像中的解剖结构类别,还可以对识别出来的解剖结构类别所指向的解剖结构进行定位,例如,可以利用标注框(boundingbox)来进行解剖结构的定位,具体地,本实施例中步骤S101可以包括将目标医学影像输入解剖结构识别模型,得到初始解剖结构类别和与初始解剖结构类别对应的初始位置范围的步骤。
在本实施例中,解剖结构识别模型利用标注有解剖结构标注框的医学影像训练得到,其中,解剖结构标注框的标注信息包括解剖结构类别和解剖结构标注框在医学影像中的位置范围。在本实施例中,解剖结构识别模型的输入是目标医学影像,输出是目标医学影像对应的初始解剖结构类别以及与初始解剖结构类别对应的初始解剖结构范围,其中,解剖结构识别模型的输入的可以是2D的医学影像,也可以是3D的医学影像。
在本实施例中,解剖结构识别模型优选采用目标检测模型,以用于执行分类任务与位置回归任务,在解剖结构识别模型的训练过程中,分类任务所采用的损失函数可以包括但不限于Cross Entropy、Focal等,位置回归任务所采用的损失函数可以包括但不限于MAE、MSE、IoU等,此外,解剖结构识别模型既可以通过传统方法建立得到,也可以通过深度学习方法建立得到。应当理解,本实施例中的部位识别模型和解剖结构识别模型是分开训练的。
又有,目标医学影像中的每一层影像均与一部位标签对应,进而,基于最终解剖结构类别所对应的目标部位标签范围,可以确定最终解剖结构类别所指向的解剖结构在目标医学影像中的层位置范围,进而可以确定最终解剖结构类别所指向的解剖结构在目标医学影像中的位置范围。基于此,本实施例实现了对目标医学影像中解剖结构的双重定位,有利于提高最终解剖结构类别所对应的最终位置范围的准确性和鲁棒性。
具体地,参照图4,本实施例在步骤S1021之后还可以包括:
S105、利用与最终解剖结构类别对应的目标部位标签范围确定最终解剖结构类别在目标医学影像中对应的层位置范围;
S106、利用最终解剖结构类别在目标医学影像中对应的层位置范围确定最终解剖结构类别在目标医学影像中对应的候选位置范围;
S107、对最终解剖结构类别对应的候选位置范围与初始位置范围求交集,得到最终解剖结构类别对应的最终位置范围。
在本实施例中,当目标医学影像包括单层影像时,由目标部位标签所确定的候选位置范围即为该单层目标医学影像,而当目标医学影像包括多层影像时,有目标医学影像对应目标部位标签范围[Rtop,Rbottom]且有对应层位置范围[D0,Dtotal](其中,bottom-top=total),进而有最终解剖结构类别对应的目标部位标签范围[Rorigin,Rend](其中,[Rorigin,Rend]∈[Rtop,Rbottom]),继而有目标部位标签范围[Rorigin,Rend]在目标医学影像中的层位置范围[Dstart,Dfinish](其中,[Dstart,Dfinish]∈[D0,Dtotal],且,end-origin=finish-start),最后可以获取最终解剖结构类别对应的候选位置范围,继而,可以对解剖结构识别模型输出的初始解剖结构位置范围进行校正。
参照图4,本实施例在步骤S107之后还包括:
S108、根据最终解剖结构类别对应的最终位置范围过滤目标医学影像,得到最终解剖结构类别对应的目标解剖结构影像;
S109、利用与最终解剖结构类别对应的算法处理目标解剖结构影像,得到处理结果。
具体地,本实施例可以从最终解剖结构类别中确定出目标解剖结构类别,继而基于目标解剖结构类别对应的最终位置范围从目标医学影像中精确拆分出目标解剖结构影像,最大限度地去除与被调用的算法不相关的影像数据,以供后续算法的精准调用。
实施例2
本实施例提供一种解剖结构的识别***,参照图5,本实施例的识别***包括:
第一识别模块101,用于对目标医学影像进行解剖结构识别,得到初始解剖结构类别;
第二识别模块102,用于对目标医学影像进行部位识别,得到部位类别;
第一确定模块103,用于确定部位类别对应的候选解剖结构类别;
第一校正模块104,用于利用候选解剖结构类别校正初始解剖结构类别,得到最终解剖结构类别。
在实施例中,待识别的目标医学影像可以是由单模态的CT(ComputedTomography,计算机断层显像)设备、PET(Positron Emission Computed Tomography,正电子发射型计算机断层显像)设备、MRI(Magnetic Resonance Imaging,磁共振成像)设备、多模态的PET/CT设备、PET/MR设备等采集到的医学影像。在实施例中,解剖结构类别对应器官类别,例如,肺、心脏、胃等,部位类别可以根据实际应用自定义划分,例如,头部、颈部、胸部、腹部等。应当理解,解剖结构类别与部位类别之间的对应关系是相对确定的,例如,胸部对应有肺、心脏等器官类别。
具体地,在本实施例中,分别对目标医学影像进行解剖结构识别与部位识别,以获取目标医学影像所对应解剖结构的初始解剖结构类别与所对应部位的部位类别;继而根据解剖结构类别与部位类别之间的对应关系,确定识别得到的部位类别所对应的候选解剖结构类别;最后利用确定得到的候选解剖结构类别来校正识别得到的初始解剖结构类别。
例如,对目标医学影像进行解剖结构识别得到初始解剖结构类别是肺,进行部位识别得到部位类别是胸部,又有,胸部对应的候选解剖结构类别包括肺、心脏,利用候选解剖结构类别校正初始解剖结构类别以得到最终解剖结构为肺。
较之对目标医学影像仅进行解剖结构的单一识别,本实施例对目标医学影像进行解剖结构与部位的双重识别,其中,解剖结构的识别旨在得到初始解剖结构类别,部位的识别旨在得到部位类别进而校正初始解剖结构类别,有利于提高本实施例的识别***得到的最终解剖结构类别的准确性和鲁棒性。
在本实施例中,第一识别模块101与第二识别模块102既可以同时被调用,也可以先后被调用,本实施例并不旨在对此进行限定。此外,在本实施例中,可以通过求解候选解剖结构类别与初始候选解剖结构类别的交集的方式来得到最终解剖结构类别,此时,校正模块104具体可以用于对候选解剖结构类别与初始解剖结构类别求交集,得到最终解剖结构类别。
在本实施例中,第二识别模块102具体可以用于将目标医学影像输入部位识别模型,得到目标部位标签范围。
在本实施例中,部位识别模型利用每层影像均标注有部位标签的医学影像训练得到。
具体地,在本实施例中,可以利用多个解剖学关键点作为用于划分人体结构的标记点,并对这些标记点进行编号,例如,标记点的数量为N+1(其中,N为整数)时,多个标记点的编号可以记作L0,L1,…,LN-1,LN,以将人体结构划分为N个部位类别。其中,标记点的数量可以根据实际应用自定义设置。
在此基础上,通过大量数据来模拟一个模板人,该模板人上标记有事先设定好的N+1个标记点,以获取N+1个标记点之间的解剖学结构比例(P0:…:PN-1),其中,P0:…:PN-1=L1-L0:…:LN-LN-1,并基于N+1个标记点之间的解剖学结构比例来建立N+1个标记点所对应的部位标签(T0,T1,…,TN-1,TN),其中,T1-T0:…:TN-TN-1=P0:…:PN-1。
进一步地,当医学影像包括多层影像时,每层影像对应的部位标签由相邻标记点对应的部位标签分段线性分配得到。例如,相邻标记点Lx与Lx+1之间包括(K+1)层影像,有每层影像对应的部位标签Tx+(Tx+1-Tx)×(k/K),其中,k=0,…,K。
由此,在本实施例中,对于不同的医学影像来说,标记点对应的部位标签都是固定的,并且部位标签与部位类别之间存在第一对应关系。在此基础上,可以实现对待训练的医学影像的每层影像进行部位标签的标注,进而利用每层影像均标注有部位标签的医学影像训练得到本实施例的部位识别模型,其中,部位识别模型优选采用回归模型,训练过程中所采用的损失函数可以包括但不限于MSE、Huber、Log-Cosh等,此外,部位识别模型既可以通过传统方法建立得到,也可以通过深度学习方法建立得到。
在本实施例中,部位识别模型的输入是目标医学影像,输出是目标医学影像对应的目标部位标签。进一步地,在本实施例中,部位识别模型的输入是目标医学影像所包括的单层影像,输出是该单层影像对应的目标部位标签,也即,部位识别模型的输入可以是2D的医学影像,也可以是2.5D的医学影像。
在本实施例中,当目标医学影像(例如,2D影像或2.5D影像)是单层影像时,将该单层的目标医学影像输入部位识别模型得到的目标部位标签即为该目标医学影像对应的目标部位标签范围。而当目标医学影像(例如,3D影像)包括多层影像时,可以分别将目标医学影像包括的每层影像输入部位识别模型,以得到每层影像所对应的目标部位标签,进而得到目标医学影像所对应的目标部位标签范围,也可以通过获取目标医学影像的顶层影像对应的顶层部位标签和底层影像对应的底层部位标签,来得到目标医学影像所对应的目标部位标签范围。
具体地,一方面,第二识别模块102可以包括:
第一识别单元,用于将目标医学影像中的顶层影像输入部位识别模型,得到顶层部位标签;
第二识别单元,用于将目标医学影像中的底层影像输入部位识别模型,得到底层部位标签;
第一确定单元,用于根据顶层部位标签和底层部位标签得到目标部位标签范围。
具体地,将位于多层影像的第一层的顶层影像输入部位识别模型后,得到顶层部位标签Ttop,将位于多层影像的最后一层的底层影像输入部位识别模型后,得到底层部位标签Tbottom,有目标医学影像对应目标部位标签范围[Ttop,Tbottom]。
另一方面,第二识别模块102可以包括:
抽取单元,用于从目标医学影像中抽取若干随机层影像;
第三识别单元,用于将若干随机层影像分别输入部位识别模型,得到每一随机层影像的随机层部位标签;
拟合单元,用于将若干随机层影像的随机层部位标签和若干随机层影像在目标医学影像中的层位置进行拟合,得到同一层影像的部位标签与层位置之间的第三对应关系;
第二确定单元,用于根据第三对应关系获取目标医学影像中顶层影像的顶层部位标签以及底层影像的底层部位标签;
第三确定单元,用于根据顶层部位标签和底层部位标签得到目标部位标签范围。
具体地,对于每一随机层影像,其在目标医学影像中的层位置已知,将随机层影像输入部位识别模型后,得到随机层部位标签,进而将所有随机层影像对应的随机层部位标签的列表和层位置的列表进行拟合,以得到同一层影像的部位标签与层位置之间的第三对应关系,并基于该第三对应关系获取顶层影像对应的顶层部位标签Ttop,以及底层影像对应的底层部位标签Tbottom,在此基础上,有目标医学影像对应目标部位标签范围[Ttop,Tbottom]。
在本实施例中,根据实际应用可以将若干随机层子影像的随机层部位标签和若干随机层子影像在目标医学影像中的层位置进行线性拟合或者连续分段线性拟合,本实施例并不旨在对此加以限制。
该种间接获取顶层部位标签与底层部位标签的方式,较之直接将顶层影像与底层影像输入部位识别模型来分别获取顶层部位标签与底层部位标签的实现方式,具有更佳的鲁棒性,使得获取得到的目标部位标签范围也更加准确。
在本实施例中,设定待识别的解剖结构类别的数量为M(其中,M为正整数),通过模拟得到的模板人可以确定每个解剖结构类别Om对应的部位标签范围[Ti,Tj],其中,m=0,…,M-1,Ti表征解剖学结构类别对应的起始端的部位标签,Tj表征解剖学结构类别对应的末端的部位标签,继而,基于部位标签与解剖结构类别之间的第二对应关系建立解剖结构类别部位标签的预设字典。在此基础上,本实施例中第一确定模块103具体可以用于利用目标部位标签范围查找预设字典,得到候选解剖结构类别。
基于此,本实施例实现了对目标医学影像对应的初始解剖结构类别与部位类别的双重识别,并基于部位类别对应的候选解剖结构类别校正初始解剖结构类别,有利于提高本实施例的识别***得到的最终解剖结构类别的准确性和鲁棒性。
进一步地,本实施例除了能够识别出目标医学影像中的解剖结构类别,还可以对识别出来的解剖结构类别所指向的解剖结构进行定位,例如,可以利用标注框(boundingbox)来进行解剖结构的定位,具体地,本实施例中第一识别模块101具体可以用于将目标医学影像输入解剖结构识别模型,得到初始解剖结构类别和与初始解剖结构类别对应的初始位置范围。
在本实施例中,解剖结构识别模型利用标注有解剖结构标注框的医学影像训练得到,其中,解剖结构标注框的标注信息包括解剖结构类别和解剖结构标注框在医学影像中的位置范围。在本实施例中,解剖结构识别模型的输入是目标医学影像,输出是目标医学影像对应的初始解剖结构类别以及与初始解剖结构类别对应的初始解剖结构范围,其中,解剖结构识别模型的输入的可以是2D的医学影像,也可以是3D的医学影像。
在本实施例中,解剖结构识别模型优选采用目标检测模型,以用于执行分类任务与位置回归任务,在解剖结构识别模型的训练过程中,分类任务所采用的损失函数可以包括但不限于Cross Entropy、Focal等,位置回归任务所采用的损失函数可以包括但不限于MAE、MSE、IoU等,此外,解剖结构识别模型既可以通过传统方法建立得到,也可以通过深度学习方法建立得到。应当理解,本实施例中的部位识别模型和解剖结构识别模型是分开训练的。
又有,目标医学影像中的每一层影像均与一部位标签对应,进而,基于最终解剖结构类别所对应的目标部位标签范围,可以确定最终解剖结构类别所指向的解剖结构在目标医学影像中的层位置范围,进而可以确定最终解剖结构类别所指向的解剖结构在目标医学影像中的位置范围。基于此,本实施例实现了对目标医学影像中解剖结构的双重定位,有利于提高最终解剖结构类别所对应的最终位置范围的准确性和鲁棒性。
具体地,参照图5,本实施例的识别***还可以包括:
第二确定模块105,用于利用与最终解剖结构类别对应的目标部位标签范围确定最终解剖结构类别在目标医学影像中对应的层位置范围;
第三确定模块106、利用最终解剖结构类别在目标医学影像中对应的层位置范围确定最终解剖结构类别在目标医学影像中对应的候选位置范围;
第二校正模块107,用于对最终解剖结构类别对应的候选位置范围与初始位置范围求交集,得到最终解剖结构类别对应的最终位置范围。
在本实施例中,当目标医学影像包括单层影像时,由目标部位标签所确定的候选位置范围即为该单层目标医学影像,而当目标医学影像包括多层影像时,有目标医学影像对应目标部位标签范围[Rtop,Rbottom]且有对应层位置范围[D0,Dtotal](其中,bottom-top=total),进而有最终解剖结构类别对应的目标部位标签范围[Rorigin,Rend](其中,[Rorigin,Rend]∈[Rtop,Rbottom]),继而有目标部位标签范围[Rorigin,Rend]在目标医学影像中的层位置范围[Dstart,Dfinish](其中,[Dstart,Dfinish]∈[D0,Dtotal],且,end-origin=finish-start),最后可以获取最终解剖结构类别对应的候选位置范围,继而,可以对解剖结构识别模型输出的初始解剖结构位置范围进行校正。
参照图5,本实施例的识别***还包括:
过滤模块108,用于根据最终解剖结构类别对应的最终位置范围过滤目标医学影像,得到最终解剖结构类别对应的目标解剖结构影像;
处理模块109,用于利用与最终解剖结构类别对应的算法处理目标解剖结构影像,得到处理结果。
具体地,本实施例可以从最终解剖结构类别中确定出目标解剖结构类别,继而基于目标解剖结构类别对应的最终位置范围从目标医学影像中精确拆分出目标解剖结构影像,最大限度地去除与被调用的算法不相关的影像数据,以供后续算法的精准调用。
实施例3
本实施例提供一种电子设备,电子设备可以通过计算设备的形式表现(例如可以为服务器设备),包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中处理器执行计算机程序时可以实现实施例1提供的解剖结构的识别方法。
图6示出了本实施例的硬件结构示意图,如图6所示,电子设备9具体包括:
至少一个处理器91、至少一个存储器92以及用于连接不同***组件(包括处理器91和存储器92)的总线93,其中:
总线93包括数据总线、地址总线和控制总线。
存储器92包括易失性存储器,例如随机存取存储器(RAM)921和/或高速缓存存储器922,还可以进一步包括只读存储器(ROM)923。
存储器92还包括具有一组(至少一个)程序模块924的程序/实用工具925,这样的程序模块924包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器91通过运行存储在存储器92中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1所提供的解剖结构的识别方法。
电子设备9进一步可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且,电子设备9还可以通过网络适配器96与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器96通过总线93与电子设备9的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备9使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)***、磁带驱动器以及数据备份存储***等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现实施例1所提供的解剖结构的识别方法的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现实施例1所述的解剖结构的识别方法的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (10)
1.一种解剖结构的识别方法,其特征在于,包括:
对目标医学影像进行解剖结构识别,得到初始解剖结构类别;
对所述目标医学影像进行部位识别,得到部位类别;
确定所述部位类别对应的候选解剖结构类别;
利用所述候选解剖结构类别校正所述初始解剖结构类别,得到最终解剖结构类别。
2.如权利要求1所述的解剖结构的识别方法,其特征在于,所述利用所述候选解剖结构类别校正所述初始解剖结构类别的步骤包括:
对所述候选解剖结构类别与所述初始解剖结构类别求交集,得到最终解剖结构类别。
3.如权利要求1所述的解剖结构的识别方法,其特征在于,所述对所述目标医学影像进行部位识别,得到部位类别的步骤包括:
将所述目标医学影像输入部位识别模型,得到目标部位标签范围,其中,所述部位识别模型利用每层影像均标注有部位标签的医学影像训练得到;
所述确定所述部位类别对应的候选解剖结构类别的步骤包括:
利用所述目标部位标签范围查找预设字典,得到候选解剖结构类别;
其中,部位标签与部位类别之间存在第一对应关系,所述预设字典包括部位标签与解剖结构类别之间的第二对应关系。
4.如权利要求3所述的解剖结构的识别方法,其特征在于,所述对目标医学影像进行解剖结构识别,得到初始解剖结构类别的步骤包括:
将所述目标医学影像输入解剖结构识别模型,得到初始解剖结构类别和与所述初始解剖结构类别对应的初始位置范围,其中,所述解剖结构识别模型利用标注有解剖结构标注框的医学影像训练得到,所述解剖结构标注框的标注信息包括解剖结构类别和所述解剖结构标注框在所述医学影像中的位置范围;
在所述得到目标部位标签范围的步骤之后还包括:
利用与所述最终解剖结构类别对应的目标部位标签范围确定所述最终解剖结构类别在所述目标医学影像中对应的层位置范围;
利用所述最终解剖结构类别在所述目标医学影像中对应的层位置范围确定所述最终解剖结构类别在所述目标医学影像中对应的候选位置范围;
对所述最终解剖结构类别对应的候选位置范围与初始位置范围求交集,得到所述最终解剖结构类别对应的最终位置范围。
5.如权利要求3所述的解剖结构的识别方法,其特征在于,所述目标医学影像包括多层影像,所述将所述目标医学影像输入部位识别模型,得到目标部位标签的步骤包括:
将所述目标医学影像中的顶层影像输入所述部位识别模型,得到顶层部位标签;
将所述目标医学影像中的底层影像输入所述部位识别模型,得到底层部位标签;
根据所述顶层部位标签和所述底层部位标签得到所述目标部位标签范围。
6.如权利要求3所述的解剖结构的识别方法,其特征在于,所述目标医学影像包括多层影像,所述将所述目标医学影像输入部位识别模型,得到目标部位标签的步骤包括:
从所述目标医学影像中抽取若干随机层影像;
将若干随机层影像分别输入所述部位识别模型,得到每一随机层影像的随机层部位标签;
将若干随机层影像的随机层部位标签和若干随机层影像在所述目标医学影像中的层位置进行拟合,得到同一层影像的部位标签与层位置之间的第三对应关系;
根据所述第三对应关系获取所述目标医学影像中顶层影像的顶层部位标签以及底层影像的底层部位标签;
根据所述顶层部位标签和所述底层部位标签得到所述目标部位标签范围。
7.如权利要求6所述的解剖结构的识别方法,其特征在于,所述将若干随机层子影像的随机层部位标签和若干随机层子影像在所述目标医学影像中的层位置进行拟合的步骤包括:
将若干随机层子影像的随机层部位标签和若干随机层子影像在所述目标医学影像中的层位置进行线性拟合或者连续分段线性拟合。
8.如权利要求4所述的解剖结构的识别方法,其特征在于,在所述得到所述最终解剖结构类别对应的最终位置范围的步骤之后还包括:
根据所述最终解剖结构类别对应的最终位置范围过滤所述目标医学影像,得到所述最终解剖结构类别对应的目标解剖结构影像。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的解剖结构的识别方法。
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如权利要求1至8中任一项所述的解剖结构的识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011625657.9A CN112766314B (zh) | 2020-12-31 | 2020-12-31 | 解剖结构的识别方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011625657.9A CN112766314B (zh) | 2020-12-31 | 2020-12-31 | 解剖结构的识别方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766314A true CN112766314A (zh) | 2021-05-07 |
CN112766314B CN112766314B (zh) | 2024-05-28 |
Family
ID=75698928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011625657.9A Active CN112766314B (zh) | 2020-12-31 | 2020-12-31 | 解剖结构的识别方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766314B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344926A (zh) * | 2021-08-05 | 2021-09-03 | 武汉楚精灵医疗科技有限公司 | 胆胰超声图像识别方法、装置、服务器及存储介质 |
CN118096772A (zh) * | 2024-04-29 | 2024-05-28 | 西安交通大学医学院第一附属医院 | 一种解剖部位识别***、控制方法、介质、设备及终端 |
Citations (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070014451A1 (en) * | 2004-11-10 | 2007-01-18 | Jeff Dwyer | Anatomical visualization and measurement system |
CN1906634A (zh) * | 2003-11-19 | 2007-01-31 | 西门子共同研究公司 | 利用外观和形状来检测和匹配解剖结构的***和方法 |
US20070055153A1 (en) * | 2005-08-31 | 2007-03-08 | Constantine Simopoulos | Medical diagnostic imaging optimization based on anatomy recognition |
US20100054525A1 (en) * | 2008-08-27 | 2010-03-04 | Leiguang Gong | System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans |
CN101855649A (zh) * | 2007-11-14 | 2010-10-06 | 皇家飞利浦电子股份有限公司 | 自动地校正医学图像的错误取向的方法 |
US20110311116A1 (en) * | 2010-06-17 | 2011-12-22 | Creighton University | System and methods for anatomical structure labeling |
CN102428469A (zh) * | 2009-05-19 | 2012-04-25 | 皇家飞利浦电子股份有限公司 | 检索和查看医疗图像 |
US20170091574A1 (en) * | 2014-05-16 | 2017-03-30 | The Trustees Of The University Of Pennsylvania | Applications of automatic anatomy recognition in medical tomographic imagery based on fuzzy anatomy models |
US20170270663A1 (en) * | 2016-03-15 | 2017-09-21 | Matthias Hoffmann | Automatic recognition of anatomical landmarks |
US20180060652A1 (en) * | 2016-08-31 | 2018-03-01 | Siemens Healthcare Gmbh | Unsupervised Deep Representation Learning for Fine-grained Body Part Recognition |
CN108542351A (zh) * | 2018-01-26 | 2018-09-18 | 徐州云联医疗科技有限公司 | 一种医学影像断层图像与三维解剖图像的同步显示*** |
CN109074665A (zh) * | 2016-12-02 | 2018-12-21 | 阿文特公司 | 用于在基于医学成像的程序中导航到目标解剖对象的***和方法 |
CN109671036A (zh) * | 2018-12-26 | 2019-04-23 | 上海联影医疗科技有限公司 | 一种图像校正方法、装置、计算机设备及存储介质 |
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 |
CN109800805A (zh) * | 2019-01-14 | 2019-05-24 | 上海联影智能医疗科技有限公司 | 基于人工智能的图像处理***以及计算机设备 |
CN110023995A (zh) * | 2016-11-29 | 2019-07-16 | 皇家飞利浦有限公司 | 用于心脏运动校正的心脏分割方法 |
CN110136103A (zh) * | 2019-04-24 | 2019-08-16 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
CN110335259A (zh) * | 2019-06-25 | 2019-10-15 | 腾讯科技(深圳)有限公司 | 一种医学影像识别方法、装置和存储介质 |
CN110363760A (zh) * | 2019-07-22 | 2019-10-22 | 广东工业大学 | 用于识别医学图像的计算机*** |
CN110378876A (zh) * | 2019-06-18 | 2019-10-25 | 平安科技(深圳)有限公司 | 基于深度学习的影像识别方法、装置、设备及存储介质 |
CN110490841A (zh) * | 2019-07-18 | 2019-11-22 | 上海联影智能医疗科技有限公司 | 计算机辅助影像分析方法、计算机设备和存储介质 |
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*** |
KR20200012707A (ko) * | 2019-02-20 | 2020-02-05 | 김예현 | 해부학적 랜드마크의 예측 방법 및 이를 이용한 디바이스 |
CN110914866A (zh) * | 2017-05-09 | 2020-03-24 | 哈特弗罗公司 | 用于在图像分析中进行解剖结构分割的***和方法 |
CN111160367A (zh) * | 2019-12-23 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 图像分类方法、装置、计算机设备和可读存储介质 |
CN111709485A (zh) * | 2020-06-19 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 医学影像处理方法、装置和计算机设备 |
CN112001925A (zh) * | 2020-06-24 | 2020-11-27 | 上海联影医疗科技股份有限公司 | 图像的分割方法、放射治疗***、计算机设备和存储介质 |
CN112037164A (zh) * | 2019-06-03 | 2020-12-04 | 睿传数据股份有限公司 | 医学影像中身体部位识别方法及装置 |
CN112037200A (zh) * | 2020-08-31 | 2020-12-04 | 上海交通大学 | 一种医学影像中解剖特征自动识别与模型重建方法 |
CN112102235A (zh) * | 2020-08-07 | 2020-12-18 | 上海联影智能医疗科技有限公司 | 人体部位识别方法、计算机设备和存储介质 |
-
2020
- 2020-12-31 CN CN202011625657.9A patent/CN112766314B/zh active Active
Patent Citations (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1906634A (zh) * | 2003-11-19 | 2007-01-31 | 西门子共同研究公司 | 利用外观和形状来检测和匹配解剖结构的***和方法 |
US20070014451A1 (en) * | 2004-11-10 | 2007-01-18 | Jeff Dwyer | Anatomical visualization and measurement system |
US20070055153A1 (en) * | 2005-08-31 | 2007-03-08 | Constantine Simopoulos | Medical diagnostic imaging optimization based on anatomy recognition |
CN101855649A (zh) * | 2007-11-14 | 2010-10-06 | 皇家飞利浦电子股份有限公司 | 自动地校正医学图像的错误取向的方法 |
US20100054525A1 (en) * | 2008-08-27 | 2010-03-04 | Leiguang Gong | System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans |
TW201019905A (en) * | 2008-08-27 | 2010-06-01 | Ibm | System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans |
CN102428469A (zh) * | 2009-05-19 | 2012-04-25 | 皇家飞利浦电子股份有限公司 | 检索和查看医疗图像 |
US20110311116A1 (en) * | 2010-06-17 | 2011-12-22 | Creighton University | System and methods for anatomical structure labeling |
US20170091574A1 (en) * | 2014-05-16 | 2017-03-30 | The Trustees Of The University Of Pennsylvania | Applications of automatic anatomy recognition in medical tomographic imagery based on fuzzy anatomy models |
US20170270663A1 (en) * | 2016-03-15 | 2017-09-21 | Matthias Hoffmann | Automatic recognition of anatomical landmarks |
US20180060652A1 (en) * | 2016-08-31 | 2018-03-01 | Siemens Healthcare Gmbh | Unsupervised Deep Representation Learning for Fine-grained Body Part Recognition |
CN110023995A (zh) * | 2016-11-29 | 2019-07-16 | 皇家飞利浦有限公司 | 用于心脏运动校正的心脏分割方法 |
CN109074665A (zh) * | 2016-12-02 | 2018-12-21 | 阿文特公司 | 用于在基于医学成像的程序中导航到目标解剖对象的***和方法 |
CN110914866A (zh) * | 2017-05-09 | 2020-03-24 | 哈特弗罗公司 | 用于在图像分析中进行解剖结构分割的***和方法 |
CN108542351A (zh) * | 2018-01-26 | 2018-09-18 | 徐州云联医疗科技有限公司 | 一种医学影像断层图像与三维解剖图像的同步显示*** |
CN109671036A (zh) * | 2018-12-26 | 2019-04-23 | 上海联影医疗科技有限公司 | 一种图像校正方法、装置、计算机设备及存储介质 |
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 |
CN109800805A (zh) * | 2019-01-14 | 2019-05-24 | 上海联影智能医疗科技有限公司 | 基于人工智能的图像处理***以及计算机设备 |
KR20200012707A (ko) * | 2019-02-20 | 2020-02-05 | 김예현 | 해부학적 랜드마크의 예측 방법 및 이를 이용한 디바이스 |
CN110136103A (zh) * | 2019-04-24 | 2019-08-16 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
CN112037164A (zh) * | 2019-06-03 | 2020-12-04 | 睿传数据股份有限公司 | 医学影像中身体部位识别方法及装置 |
CN110378876A (zh) * | 2019-06-18 | 2019-10-25 | 平安科技(深圳)有限公司 | 基于深度学习的影像识别方法、装置、设备及存储介质 |
CN110335259A (zh) * | 2019-06-25 | 2019-10-15 | 腾讯科技(深圳)有限公司 | 一种医学影像识别方法、装置和存储介质 |
CN110490841A (zh) * | 2019-07-18 | 2019-11-22 | 上海联影智能医疗科技有限公司 | 计算机辅助影像分析方法、计算机设备和存储介质 |
CN110363760A (zh) * | 2019-07-22 | 2019-10-22 | 广东工业大学 | 用于识别医学图像的计算机*** |
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*** |
CN111160367A (zh) * | 2019-12-23 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 图像分类方法、装置、计算机设备和可读存储介质 |
CN111709485A (zh) * | 2020-06-19 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 医学影像处理方法、装置和计算机设备 |
CN112001925A (zh) * | 2020-06-24 | 2020-11-27 | 上海联影医疗科技股份有限公司 | 图像的分割方法、放射治疗***、计算机设备和存储介质 |
CN112102235A (zh) * | 2020-08-07 | 2020-12-18 | 上海联影智能医疗科技有限公司 | 人体部位识别方法、计算机设备和存储介质 |
CN112037200A (zh) * | 2020-08-31 | 2020-12-04 | 上海交通大学 | 一种医学影像中解剖特征自动识别与模型重建方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344926A (zh) * | 2021-08-05 | 2021-09-03 | 武汉楚精灵医疗科技有限公司 | 胆胰超声图像识别方法、装置、服务器及存储介质 |
CN113344926B (zh) * | 2021-08-05 | 2021-11-02 | 武汉楚精灵医疗科技有限公司 | 胆胰超声图像识别方法、装置、服务器及存储介质 |
CN118096772A (zh) * | 2024-04-29 | 2024-05-28 | 西安交通大学医学院第一附属医院 | 一种解剖部位识别***、控制方法、介质、设备及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN112766314B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160367B (zh) | 图像分类方法、装置、计算机设备和可读存储介质 | |
CN112950651B (zh) | 基于深度学习网络的纵隔淋巴引流区的自动勾画方法 | |
CN110059697B (zh) | 一种基于深度学习的肺结节自动分割方法 | |
US8818057B2 (en) | Methods and apparatus for registration of medical images | |
CN118334070A (zh) | 用于在图像分析中进行解剖结构分割的***和方法 | |
EP1895468A2 (en) | Medical image processing apparatus | |
EP1394727A1 (en) | Hierarchical component based object recognition | |
CN111311655B (zh) | 多模态图像配准方法、装置、电子设备、存储介质 | |
WO2021189913A1 (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
CN112766314B (zh) | 解剖结构的识别方法、电子设备及存储介质 | |
CN112102294A (zh) | 生成对抗网络的训练方法及装置、图像配准方法及装置 | |
JPWO2020110774A1 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN113656706A (zh) | 基于多模态深度学习模型的信息推送方法及装置 | |
CN113159195A (zh) | 一种超声图像分类方法、***、电子装置及存储介质 | |
CN108920661A (zh) | 国际疾病分类标记方法、装置、计算机设备及存储介质 | |
CN115424691A (zh) | 病例匹配方法、***、设备和介质 | |
CN113168914A (zh) | 交互式迭代图像注释 | |
CN114066905A (zh) | 一种基于深度学习的医学图像分割方法、***、装置 | |
CN113313699A (zh) | 基于弱监督学习的x光胸部疾病分类及定位方法、电子设备 | |
Li et al. | Deformation and refined features based lesion detection on chest X-ray | |
CN113177923B (zh) | 医学影像内容识别方法、电子设备及存储介质 | |
CN116052176A (zh) | 一种基于级联多任务学习的文本抽取方法 | |
EP4327333A1 (en) | Methods and systems for automated follow-up reading of medical image data | |
CN115239740A (zh) | 基于GT-UNet的全心分割算法 | |
CN112561894B (zh) | 针对ct图像的电子病历智能生成方法及*** |
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 |