CN113112499B - 肝脏内部组织的位移预测方法、装置、***及电子设备 - Google Patents

肝脏内部组织的位移预测方法、装置、***及电子设备 Download PDF

Info

Publication number
CN113112499B
CN113112499B CN202110489024.8A CN202110489024A CN113112499B CN 113112499 B CN113112499 B CN 113112499B CN 202110489024 A CN202110489024 A CN 202110489024A CN 113112499 B CN113112499 B CN 113112499B
Authority
CN
China
Prior art keywords
liver
image
processed
target object
displacement
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
CN202110489024.8A
Other languages
English (en)
Other versions
CN113112499A (zh
Inventor
司伟鑫
施扬阳
王平安
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202110489024.8A priority Critical patent/CN113112499B/zh
Publication of CN113112499A publication Critical patent/CN113112499A/zh
Priority to PCT/CN2021/137934 priority patent/WO2022227597A1/zh
Application granted granted Critical
Publication of CN113112499B publication Critical patent/CN113112499B/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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30056—Liver; Hepatic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请公开了一种肝脏内部组织的位移预测方法、装置、***、电子设备以及计算机可读存储介质，用于实现呼吸运动下肝脏内部组织(例如，肿瘤和血管)的位移预测。该方法包括：获取第一待处理图像，第一待处理图像为在目标对象处于呼吸运动下，针对目标对象的腹部区域采集的图像，腹部区域设置有体表标记物，体表标记物和肝脏表面处于同一呼吸状态；根据第一待处理图像，得到体表标记物的第一位置信息；根据第一位置信息，得到预测肝脏表面；基于预测肝脏表面和肝脏体积模型，得到体素化的输入网格；将体素化的输入网格输入至卷积神经网络，得到肝脏位移场；根据肝脏位移场，得到肝脏内部的感兴趣组织的位移，感兴趣组织包括肿瘤和/或目标组织。

Description

肝脏内部组织的位移预测方法、装置、***及电子设备
技术领域
本申请属于医学图像处理技术领域，尤其涉及一种肝脏内部组织的位移预测方法、装置、***、电子设备以及计算机可读存储介质。
背景技术
目前，射频消融(Radiofrequency Ablation,RFA)被广泛地应用于肝癌治疗的手术中，传统的RFA穿刺手术在超声和计算机断层扫描(computer tomography,CT)的引导下将针头***靶肿瘤，以消融靶肿瘤。
RFA穿刺手术中需要准确定位呼吸运动下肿瘤的位置。现有技术中，可以根据表面标记物来预测内部肿瘤的位移，以确定出呼吸运动下肿瘤的实时位置。
但是，现有技术中只考虑表面标记物和肿瘤之间的相关性，无法确定呼吸运动下其他组织结构(例如血管)的位移。这样可能会在穿刺时对周围重要组织造成伤害。例如，RFA手术时，由于无法确定术中肝脏内部血管的位置，导致穿刺时刺破血管，进而对患者造成二次伤害。
发明内容
本申请实施例提供一种肝脏内部组织的位移预测方法、装置、***、电子设备以及计算机可读存储介质，可以解决现有技术中只考虑体表标记物和肿瘤之间的关系，忽略周围重要组织(如血管)的位移，从而导致穿刺时对周围重要组织造成伤害的问题。
第一方面，本申请实施例提供了一种肝脏内部组织的位移预测方法，应用于电子设备，该方法包括：
获取目标对象的第一待处理图像，第一待处理图像为医学图像采集设备在目标对象处于呼吸运动下，针对目标对象的腹部区域采集的图像，目标对象的腹部区域设置有体表标记物，体表标记物和肝脏表面处于同一呼吸状态；
根据第一待处理图像，得到体表标记物的第一位置信息；
根据第一位置信息，得到预测肝脏表面；
基于预测肝脏表面和预先建立的肝脏体积模型，得到体素化的输入网格；
将体素化的输入网格输入至预先训练完成的卷积神经网络，得到卷积神经网络输出的肝脏位移场；
根据肝脏位移场，得到肝脏内部的感兴趣组织的位移，感兴趣组织包括肿瘤和/或目标组织。
本申请实施例中，基于体表标记物和肝脏表面处于同一呼吸状态，即体表标记物运动和肝脏表面运动有关联，通过更新体表标记物的位置来预测肝脏表面；再使用卷积神经网络，对术前肝脏体积模型和术中预测的肝脏表面进行非刚性配准，得到肝脏位移场，最后根据肝脏位移场，预测肝脏内部的感兴趣组织的位移，实现了对呼吸运动下肝脏内部感兴趣组织的位移预测。这样，不仅考虑了呼吸运动下肿瘤的位移，还考虑了呼吸运动下周围组织的位移，避免或者降低了穿刺时对周围重要组织造成伤害的可能性。
示例性地，感兴趣组织包括肿瘤和血管，这样，不仅可以在RFA手中准确预测肿瘤位置，还可以确定肝脏内部血管的位置，避免穿刺手术因刺破血管而造成二次伤害，达到肿瘤消融的目的。
在第一方面的一些可能的实现方式中，目标组织包括血管。
在第一方面的一些可能的实现方式中，基于预测肝脏表面和预先建立的肝脏体积模型，得到体素化的输入网格，包括：
确定预先建立的肝脏体积模型的符号距离场；
确定预测肝脏表面的无符号距离场；
将符号距离场和无符号距离场加入网格，得到体素化的输入网格。
在第一方面的一些可能的实现方式中，根据第一位置信息，得到预测肝脏表面，包括：
根据第一位置信息，通过移动最小二乘法公式
Figure BDA0003046438160000031
Figure BDA0003046438160000032
得到预测肝脏表面；
其中，W(t-ti)为权函数，SMi(t)为第i组的第一位置信息，SLi(t)为预测肝脏表面，i大于或等于2；当i＝1时，SL1(t)为参考肝脏表面。
在该实现方式中，预测肝脏表面可以是部分肝脏表面，参考肝脏表面可以是部分肝脏表面。相较于重建完整肝脏表面，重建部分肝脏表面的耗时较短。在RFA消融手术中，数据是实时传输的，故对实时性要求较高，这种情况通常是采用重建部分肝脏表面的方式。另外，本申请实施例所采用的卷积神经网络可以做到在只有部分术中表面已知的情况下，准确进行术前术中肝脏的非刚性配准，使得得到的肝脏位移场是正确的，根据肝脏位移场可以预测肝脏内部兴趣组织的位移。在第一方面的一些可能的实现方式中，在获取目标对象的第一待处理图像之前，方法还包括：
获取目标对象的第二待处理图像，第二待处理图像为医学图像采集设备在目标对象处于呼吸运动下，针对目标对象的腹部区域采集的图像，第二待处理图像包括腹部区域和肝脏区域；
对第二待处理图像进行处理，建立肝脏体积模型；
根据第二待处理图像，得到体表标记物的第二位置信息；
提取肝脏体积模型中预设面积的目标区域作为参考肝脏表面。
第二方面，本申请实施例提供一种肝脏内部组织的位移预测装置，，包括：
第一图像获取模块，用于获取目标对象的第一待处理图像，第一待处理图像为医学图像采集设备在目标对象处于呼吸运动下，针对目标对象的腹部区域采集的图像，目标对象的腹部区域设置有体表标记物，体表标记物和肝脏表面处于同一呼吸状态；
第一位置获取模块，用于根据第一待处理图像，得到体表标记物的第一位置信息；
肝脏表面预测模块，用于根据第一位置信息，得到预测肝脏表面；
输入网格获取模块，用于基于预测肝脏表面和预先建立的肝脏体积模型，得到体素化的输入网格；
肝脏位移场预测模块，用于将体素化的输入网格输入至预先训练完成的卷积神经网络，得到卷积神经网络输出的肝脏位移场；
组织位移预测模块，用于根据肝脏位移场，得到肝脏内部的感兴趣组织的位移，感兴趣组织包括肿瘤和/或目标组织。
在第二方面的一些可能的实现方式中，目标组织包括血管。
在第二方面的一些可能的实现方式中，输入网格获取模块具体用于：
确定预先建立的肝脏体积模型的符号距离场；
确定预测肝脏表面的无符号距离场；
将符号距离场和无符号距离场加入网格，得到体素化的输入网格。
在第二方面的一些可能的实现方式中，肝脏表面预测模块具体用于：
根据第一位置信息，通过移动最小二乘法公式
Figure BDA0003046438160000041
Figure BDA0003046438160000042
得到预测肝脏表面；
其中，W(t-ti)为权函数，SMi(t)为第i组的第一位置信息，SLi(t)为预测肝脏表面，i大于或等于2；当i＝1时，SL1(t)为参考肝脏表面。
在第二方面的一些可能的实现方式中，该装置还可以包括：
第二图像获取模块，用于获取目标对象的第二待处理图像，第二待处理图像为医学图像采集设备在目标对象处于呼吸运动下，针对目标对象的腹部区域采集的图像，第二待处理图像包括腹部区域和肝脏区域；
肝脏模型建立模块，用于对第二待处理图像进行处理，建立肝脏体积模型；
第二位置获取模块，用于根据第二待处理图像，得到体表标记物的第二位置信息；
提取模块，用于提取肝脏体积模型中预设面积的目标区域作为参考肝脏表面。
第三方面，本申请实施例提供一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述第一方面任一项的方法。
第四方面，本申请实施例提供一种肝脏内部组织的位移预测***，包括医学图像采集设备和电子设备，医学图像采集设备用于当目标对象处于呼吸运动下，采集针对目标对象的腹部区域的医学图像；该电子设备为如上述第三方面的电子设备。
第五方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述第一方面任一项的方法。
第六方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面中任一项所述的肝脏内部组织的位移预测方法。
可以理解的是，上述第二方面至第六方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的肝脏内部组织的位移预测方法的一种流程示意框图；
图2为本申请实施例提供的提取参考肝脏表面的流程示意图；
图3为本身申请实施例提供的比格犬腹部三维模型示意图；
图4为本申请实施例提供的呼吸运动下的肝脏位移估计流程示意图；
图5为本申请实施例提供的肝脏内部组织的位移预测装置的结构框图；
图6为本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。
本申请实施例提供的肝脏内部组织的位移预测方法可以应用于电子设备，该电子设备可以例如为但不限于电脑、笔记本电脑、超级移动个人计算机(ultra-mobilepersonal computer，UMPC)、上网本以及服务器等电子设备上，本申请实施例对电子设备的具体类型不作任何限制。
参见图1，示出了本申请实施例提供的肝脏内部组织的位移预测方法的一种流程示意框图，该方法可以包括以下步骤：
步骤S101、获取目标对象的第一待处理图像，第一待处理图像为医学图像采集设备在目标对象处于呼吸运动下，针对目标对象的腹部区域采集的图像，目标对象的腹部区域设置有体表标记物，体表标记物和肝脏表面处于同一呼吸状态。
需要说明的是，上述目标对象可以为人，例如，该目标对象为肝癌患者；也可以为动物，例如，该目标对象为狗或猫。
目标对象的腹部设置有体表标记物，体表标记物设置于腹部皮肤表面，具体数量和具体设置位置可以根据需要进行设定。例如，在狗的腹部皮肤表面设置6个标记物。
第一待处理图像是针对目标对象的腹部区域采集的图像，该图像包括腹部区域和肝脏区域。该第一待处理图像是在目标对象处于自由呼吸运动下采集的图像。
医学图像采集设备可以为但不限于4D-CT扫描仪，此时，第一待处理图像为4D-CT扫描仪采集的CT图像。例如，在对患者进行RFA手术时，先在患者的腹部皮肤表面设置多个标记物，然后通过4D-CT扫描仪针对患者的腹部区域，采集患者自由呼吸运动下的CT图像。4D-CT扫描仪采集到CT图像之后，将CT图像传输至用于进行数据处理的电子设备。
步骤S102、根据第一待处理图像，得到体表标记物的第一位置信息。
上述第一位置信息可以具体体现为标记物的三维坐标，例如，第一位置信息具体为SM(t)＝(s1(t),...,sn(t)|si(t)∈R3,t∈R+)(n＝6)，此时，一共有6个体表标记物。
可以理解的是，体表标记物并不是一个点，但可以将体表标记物的中心点的坐标作为该体表标记物的坐标。
示例性地，第一待处理图像为4D-CT扫描仪采集的CT图像，根据该CT图像即可得知设置于腹部区域的体表标记物的三维坐标。
步骤S103、根据第一位置信息，得到预测肝脏表面。
其中，预测肝脏表面包括重建的肝脏表面和肝脏表面位置信息。呼吸运动会导致肝脏变形，肝脏变形会使得肝脏表面发生位移，此处的肝脏表面位置信息是指肝脏表面变形后的位置。
本申请实施例中，体表标记物和肝脏表面的呼吸是处于同一状态，即体表标记物的运动和肝脏表面运动存在关联关系，故可以通过体表标记物的位移预测肝脏表面的位移。
也就是说，本申请实施例设定体表标记物和肝脏处于同一呼吸状态。基于此，将体表标记物的运动和肝脏表面运动关联起来，以通过体表标记物的位移，预测肝脏表面的位移，从而可以通过更新体表标记物的位置，来预测肝脏表面的位置，并基于预测的肝脏表面位置进行肝脏表面重建。
在一些实施例中，可以通过移动最小二乘法来进行肝脏表面的重建和位移预测。移动最小二乘法公式可以为
Figure BDA0003046438160000071
其中，W(t-ti)为权函数，SMi(t)为第i组的第一位置信息，SLi(t)为预测肝脏表面，i大于或等于2；当i＝1时，SL1(t)为参考肝脏表面。ti表示计算节点，t表示计算时间点。
在移动最小二乘法公式中，W(t-ti)和SMi(t)已知，计算出使得上述最小二乘法公式最小的拟合函数Sii(t)，即可得出预测肝脏表面。
需要说明的是，当i＝1时，SL1(t)为参考肝脏表面，SM1(t)则为对应的体表标记物坐标。参考肝脏表面可以是从肝脏体积模型中提取的部分肝脏表面，通常情况下，提取肝脏呼吸运动变形最大的区域作为参考肝脏表面，且该参考肝脏表面的面积约占完整肝脏表面的面积的30％。
其中，完整的肝脏表面重建耗时较长，导致术中重建完整肝脏表面几乎不可能。因此，提取部分肝脏表面作为参考肝脏表面，预测肝脏表面也是部分肝脏表面。但是，在一些实施例中，参考肝脏表面也可以是完整肝脏表面，预测肝脏表面也是完整肝脏表面。相较而言，重建部分肝脏表面的速度较快，故一般是术中重建部分肝脏表面。
另外，本申请实施例所采用的卷积神经网络可以做到在只有部分术中肝脏表面已知的情况下，准确进行术前和术中肝脏的非刚性配准，使得得到的肝脏位移场是正确的，进而可以根据肝脏位移场可以预测肝脏内部兴趣组织的位移。参考肝脏表面和预测肝脏表面是肝脏的同一部分，例如，选择完整肝脏表面的A区域作为参考肝脏表面，预测肝脏表面也是A区域的肝脏表面。参考肝脏表面的位置和预测肝脏表面的位置不同。具体应用中，可以通过体表标记物的位移，得到预测肝脏表面的位置，然后基于预测的肝脏位置和参考肝脏表面的模型，进行肝脏表面重建。也就是说，SLi(t)包括重建的肝脏表面和预测的肝脏表面位置。肝脏体积模型是预先建立的，其可以是基于采集的CT图像重建出来的。
步骤S104、基于预测肝脏表面和预先建立的肝脏体积模型，得到体素化的输入网格。
需要说明的是，肝脏内部组织的运动是由于自由呼吸运动时肝脏的挤压引起的。假设体表标记物、肝脏表面和肝脏内部组织均处于同样的自由呼吸状态，在得到预测肝脏表面之后，可以通过非刚性配准的方式估计肝脏内部组织的位移。
在一些实施例中，体素化的输入网格内的每个点包括三个组成部分，分别为带符号的距离场
Figure BDA0003046438160000091
无符号的距离场
Figure BDA0003046438160000092
和从u用一个高斯核插值的插值域U，U为位移场。示例性地，
Figure BDA0003046438160000093
体素化的输入网格示例性可以为包括643个点的规则网格。
此时，先确定预先建立的肝脏体积模型的符号距离场，再确定预测肝脏表面的无符号距离场，然后将符号距离场和无符号距离场加入网格，得到体素化的输入网格。
步骤S105、将体素化的输入网格输入至预先训练完成的卷积神经网络，得到卷积神经网络输出的肝脏位移场。
需要说明的是，本申请实施例提供的卷积神经网络可以为类似U-net结构的全卷积神经网络，该卷积神经网络包括编码和解码器，编码器用于降低分辨率以获取高纬度信息，解码器用于通过相应的层次结构重构信息。跳跃连接层用于复制高维特性，让解码器可以合并这些高维特性来计算输出。
该卷积神经网络输出的位移字段Ur,est由多个分辨率r∈(8,16,32,64)组成。
该卷积神经网络的最终的网络损失误差L为：
Figure BDA0003046438160000094
L＝10L64+L32+L16+L8
其中，Ur表示目标位移，Lr表示绝对误差。目标位移是指实际位移。
具体应用中，首先生成训练数据，然后再使用训练数据训练预先建立的卷积神经网络，得到训练完成的卷积神经网络。在生成训练数据过程中，首先使用有限元工具生成随机等边网格；再获取术前肝脏体积模型的体积Vp，通过Gmsh软件将肝脏四面体元素填补至随机等边网格；然后，确定零点位移边界条件，此时，零点位移边界条件可以由三个随机力(例如，1.5N)组成；接着，基于填补后随机等边网格和零点位移边界条件，使用Elmer来模拟呼吸运动下的肝脏变形，得到肝脏表面L。最后，根据模拟的肝脏表面L计算目标位移场U。
其中，在实际呼吸运动中过大的变形可以忽略或不记录，因此随机变形大于20cm的网格将被剔除。
步骤S106、根据肝脏位移场，得到肝脏内部的感兴趣组织的位移。该肝脏体积模型是术前体积模型。
感兴趣组织包括肿瘤和/或目标组织，目标组织可以是肝脏内部除肿瘤外的任意组织，例如，该目标组织包括血管组织。
具体地，基于肝脏体积模型内的肝脏内部组织，可以将卷积神经网络输出的肝脏位移场插值(例如，插值核为高斯核，半径0.1cm)到肝脏内部的感兴趣组织，以估计感兴趣组织的位移。
以目标组织包括血管为例，通过上述过程预测出呼吸运动下肝脏内肿瘤和血管的位移，以准确定位肝脏内部血管的位置，这样，在对肝脏内肿瘤消融时，避免了穿刺手术时将血管刺破，从而对患者造成二次伤害。
本申请实施例中，基于体表标记物和肝脏表面处于同一呼吸状态，即体表标记物运动和肝脏表面运动有关联，通过更新体表标记物的位置来预测肝脏表面；再使用卷积神经网络，根据预测肝脏表面和肝脏体积模型，得到肝脏位移场，最后根据肝脏位移场，预测肝脏内部的感兴趣组织的位移，实现了对呼吸运动下肝脏内部感兴趣组织的位移预测。
本申请实施例可以只预测呼吸运动下肿瘤的位移，即感兴趣组织只包括肿瘤，此时，相较于现有技术中根据体表标记物的位移直接判断肿瘤的位置的方式，本申请实施例先通过体表标记物的位移预测术中肝脏表面，然后再应用卷积神经网络，对术中预测肝脏表面和术前肝脏体积模型进行非刚性配准，以得到肿瘤的位置；也可以预测呼吸运动下肿瘤和周围组织的位移，即感兴趣组织包括肿瘤和目标组织，此时，本申请实施例不仅考虑了呼吸运动下肿瘤的位移，还考虑了呼吸运动下周围组织的位移，避免或者降低了穿刺时对周边重要组织造成伤害的可靠性。
当然，本申请实施例也可以只预测呼吸运动下周边组织的位移，此时，感兴趣组织包括目标组织，此时，本申请实施例可以准确地预测出呼吸运动下肝脏内部的目标组织的位移，避免或者降低了穿刺时对周边重要组织造成伤害的可靠性。此时，呼吸运动下的肿瘤位移预测可以是采用现有方法，也可以是采用本申请实施例提供的方法。
为了更好地介绍肝脏体积模型和参考肝脏表面的建立，结合图2示出的本申请实施例提供的提取参考肝脏表面的流程示意图进行介绍。如图2所示，该过程可以包括以下步骤：
步骤S201、获取目标对象的第二待处理图像，第二待处理图像为医学图像采集设备在目标对象处于呼吸运动下，针对目标对象的腹部区域采集的图像，第二待处理图像包括腹部区域和肝脏区域。
示例性地，电子设备接收4D-CT扫描仪采集的CT图像，以获得上述第二待处理图像。
可以理解的是，目标对象的腹部皮肤表面也设置有标记物。具体可以参见上文步骤S101的内容，在此不再赘述。
步骤S202、对第二待处理图像进行处理，建立肝脏体积模型。
具体地，可以对第二待处理图像进行分割重建，以得到肝脏体积模型，该肝脏体积模型可以包括完整肝脏表面以及肝脏内部的结构，例如，肝脏内部的血管。
以第二待处理图像为CT图像，目标对象为比格犬为例，此时，在比格犬的腹部设置有6个体表标记物。通过CT图像重建出腹部三维模型，该腹部三维模型包括肝脏、血管、肿瘤和体表标记物。例如，该比格犬的腹部三维模型如图3所示，图3包括体表31、体表31上的体表标记物32，以及肝脏表面33和肝脏内部的感兴趣结构34。肝脏内部的感兴趣结构34可以包括血管和肿瘤。
基于腹部三维模型，可以分割重建出完整的肝脏体积模型、以及肝脏内部的血管和肿瘤等。
步骤S203、根据第二待处理图像，得到体表标记物的第二位置信息。
可以理解的是，第二位置信息可以具体表现为三维坐标，具体可以参见上文的步骤S102的内容，在此不再赘述。
步骤S204、提取肝脏体积模型中预设面积的目标区域作为参考肝脏表面。
需要说明的是，预设面积和目标区域可以根据需要设定。通常情况下，目标区域为呼吸运动变形最大的区域，即提取呼吸运动变形最大的区域作为参考肝脏表面。预设面积为完整肝脏表面的30％。
参考肝脏表面和预测肝脏表面为肝脏的同一个部分，此时，提取目标区域作为参考肝脏表面，预测肝脏表面也为目标区域。
图2的流程在图1的流程之前，即在获取目标对象的第一待处理图像之前，先通过图2的流程，提取出参考肝脏表面，建立肝脏体积模型，该肝脏体积模型也可以称为术前肝脏体积模型。
本申请实施例中，将图2示出的流程称为术前阶段，即在手术之前，先基于CT图像建立肝脏体积模型，提取参考肝脏表面。
为了更好地对本申请实施例提供的技术方案进行介绍，下面将结合图5进行介绍。
图4示出了本申请实施例提供的呼吸运动下的肝脏位移估计流程示意图，如图4所示，本申请实施例可以包括a、b、c、d四个阶段，分别为预处理(Pre-processing)、肝脏表面预测(Liver surface predicition)、体素化(voxelization)和网络和预测(Network andestimation)。
在预处理阶段，通过4D-扫描仪(4D-CT scanner)进行原始数据的获取(raw dataacquisition)，得到CT图像(CT-images)。然后基于CT图像可以得到肝脏模型(Livermodel)和体表标记物(surface markers)的坐标。在y预处理阶段还包括从肝脏模型提取出参考肝脏表面。
在肝脏表面预测阶段，根据采集的CT图像得到体表标记物的坐标，然后采用移动最小二乘法(Moving Least Square，MLS)，通过更新体表标记物的位置以进行肝脏表面预测，得到预测肝脏表面(MLS predicted surface)。
然后，根据预测肝脏表面和肝脏模型，得到体素化的输入网格。
最后，将体素化的输入网格输入卷积神经网络(Convolutional NeuralNetworks,CNN)。此时，卷积神经网络具体为U-net神经网络，具体可以参见图4，在此不再赘述。卷积神经网络输出估计的肝脏位移场(displacement field)，再根据肝脏位移场得到肝脏内部的感兴趣组织的位移估计结果(Estimated result)。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的肝脏内部组织的位移预测方法，图5示出了本申请实施例提供的肝脏内部组织的位移预测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图5，该装置包括：
第一图像获取模块51，用于获取目标对象的第一待处理图像，第一待处理图像为医学图像采集设备在目标对象处于呼吸运动下，针对目标对象的腹部区域采集的图像，目标对象的腹部区域设置有体表标记物，体表标记物和肝脏表面处于同一呼吸状态；
第一位置获取模块52，用于根据第一待处理图像，得到体表标记物的第一位置信息；
肝脏表面预测模块53，用于根据第一位置信息，得到预测肝脏表面；
输入网格获取模块54，用于基于预测肝脏表面和预先建立的肝脏体积模型，得到体素化的输入网格；
肝脏位移场预测模块55，用于将体素化的输入网格输入至预先训练完成的卷积神经网络，得到卷积神经网络输出的肝脏位移场；
组织位移预测模块56，用于根据肝脏位移场，得到肝脏内部的感兴趣组织的位移，感兴趣组织包括肿瘤和/或目标组织。
在一些可能的实现方式中，目标组织包括血管。
在一些可能的实现方式中，输入网格获取模块具体用于：
确定预先建立的肝脏体积模型的符号距离场；
确定预测肝脏表面的无符号距离场；
将符号距离场和无符号距离场加入网格，得到体素化的输入网格。
在一些可能的实现方式中，肝脏表面预测模块具体用于：
根据第一位置信息，通过移动最小二乘法公式
Figure BDA0003046438160000141
Figure BDA0003046438160000142
得到预测肝脏表面；
其中，W(t-ti)为权函数，SMi(t)为第i组的第一位置信息，SLi(t)为预测肝脏表面，i大于或等于2；当i＝1时，SL1(t)为参考肝脏表面。
在一些可能的实现方式中，该装置还可以包括：
第二图像获取模块，用于获取目标对象的第二待处理图像，第二待处理图像为医学图像采集设备在目标对象处于呼吸运动下，针对目标对象的腹部区域采集的图像，第二待处理图像包括腹部区域和肝脏区域；
肝脏模型建立模块，用于对第二待处理图像进行处理，建立肝脏体积模型；
第二位置获取模块，用于根据第二待处理图像，得到体表标记物的第二位置信息；
提取模块，用于提取肝脏体积模型中预设面积的目标区域作为参考肝脏表面。
需要说明的是，上述装置之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图6为本申请一实施例提供的电子设备的结构示意图。如图6所示，该实施例的电子设备6包括：至少一个处理器60(图6中仅示出一个)处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意各个肝脏表面预测方法实施例中的步骤。
所述电子设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该电子设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是电子设备6的举例，并不构成对电子设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，该处理器60还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61在一些实施例中可以是所述电子设备6的内部存储单元，例如电子设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述电子设备6的外部存储设备，例如所述电子设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述电子设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到电子设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (13)

1.一种肝脏内部组织的位移预测方法，其特征在于，应用于电子设备，所述方法包括：
获取目标对象的第一待处理图像，所述第一待处理图像为医学图像采集设备在目标对象处于呼吸运动下，针对所述目标对象的腹部区域采集的图像，所述目标对象的腹部区域设置有体表标记物，所述体表标记物和肝脏表面处于同一呼吸状态；
根据所述第一待处理图像，得到所述体表标记物的第一位置信息；
根据所述第一位置信息，得到预测肝脏表面，所述预测肝脏表面包括重建的肝脏表面和肝脏表面位置信息，所述肝脏表面位置信息是指肝脏表面变形后的位置；
基于所述预测肝脏表面和预先建立的肝脏体积模型，得到体素化的输入网格；
将所述体素化的输入网格输入至预先训练完成的卷积神经网络，得到所述卷积神经网络输出的肝脏位移场；
根据所述肝脏位移场，得到肝脏内部的感兴趣组织的位移，所述感兴趣组织包括肿瘤和/或目标组织。
2.如权利要求1所述的方法，其特征在于，所述目标组织包括血管。
3.如权利要求1所述的方法，其特征在于，基于所述预测肝脏表面和预先建立的肝脏体积模型，得到体素化的输入网格，包括：
确定预先建立的肝脏体积模型的符号距离场；
确定所述预测肝脏表面的无符号距离场；
将所述符号距离场和所述无符号距离场加入网格，得到所述体素化的输入网格。
4.如权利要求1至3任一项所述的方法，其特征在于，根据所述第一位置信息，得到预测肝脏表面，包括：
根据所述第一位置信息，通过移动最小二乘法公式
Figure FDA0003457440110000021
Figure FDA0003457440110000022
得到所述预测肝脏表面；
其中，W(t-ti)为权函数，SMi(t)为第i组的第一位置信息，SLi(t)为所述预测肝脏表面，i大于或等于2；当i＝1时，SL1(t)为参考肝脏表面。
5.如权利要求4所述的方法，其特征在于，在获取目标对象的第一待处理图像之前，所述方法还包括：
获取所述目标对象的第二待处理图像，所述第二待处理图像为医学图像采集设备在所述目标对象处于呼吸运动下，针对所述目标对象的腹部区域采集的图像，所述第二待处理图像包括所述腹部区域和肝脏区域；
对所述第二待处理图像进行处理，建立所述肝脏体积模型；
根据所述第二待处理图像，得到所述体表标记物的第二位置信息；
提取所述肝脏体积模型中预设面积的目标区域作为所述参考肝脏表面。
6.一种肝脏内部组织的位移预测装置，其特征在于，包括：
第一图像获取模块，用于获取目标对象的第一待处理图像，所述第一待处理图像为医学图像采集设备在目标对象处于呼吸运动下，针对所述目标对象的腹部区域采集的图像，所述目标对象的腹部区域设置有体表标记物，所述体表标记物和肝脏表面处于同一呼吸状态；
第一位置获取模块，用于根据所述第一待处理图像，得到所述体表标记物的第一位置信息；
肝脏表面预测模块，用于根据所述第一位置信息，得到预测肝脏表面，所述预测肝脏表面包括重建的肝脏表面和肝脏表面位置信息，所述肝脏表面位置信息是指肝脏表面变形后的位置；
输入网格获取模块，用于基于所述预测肝脏表面和预先建立的肝脏体积模型，得到体素化的输入网格；
肝脏位移场预测模块，用于将所述体素化的输入网格输入至预先训练完成的卷积神经网络，得到所述卷积神经网络输出的肝脏位移场；
组织位移预测模块，用于根据所述肝脏位移场，得到肝脏内部的感兴趣组织的位移，所述感兴趣组织包括肿瘤和/或目标组织。
7.如权利要求6所述的装置，其特征在于，所述目标组织包括血管。
8.如权利要求6所述的装置，其特征在于，所述输入网格获取模块具体用于：
确定预先建立的肝脏体积模型的符号距离场；
确定所述预测肝脏表面的无符号距离场；
将所述符号距离场和所述无符号距离场加入网格，得到所述体素化的输入网格。
9.如权利要求6至8任一项所述的装置，其特征在于，所述肝脏表面预测模块具体用于：
根据所述第一位置信息，通过移动最小二乘法公式
Figure FDA0003457440110000041
Figure FDA0003457440110000042
得到所述预测肝脏表面；
其中，W(t-ti)为权函数，SMi(t)为第i组的第一位置信息，SLi(t)为所述预测肝脏表面，i大于或等于2；当i＝1时，SL1(t)为参考肝脏表面。
10.如权利要求9所述的装置，其特征在于，所述装置还包括：
第二图像获取模块，用于获取所述目标对象的第二待处理图像，所述第二待处理图像为医学图像采集设备在所述目标对象处于呼吸运动下，针对所述目标对象的腹部区域采集的图像，所述第二待处理图像包括所述腹部区域和肝脏区域；
肝脏模型建立模块，用于对所述第二待处理图像进行处理，建立所述肝脏体积模型；
第二位置获取模块，用于根据所述第二待处理图像，得到所述体表标记物的第二位置信息；
提取模块，用于提取所述肝脏体积模型中预设面积的目标区域作为所述参考肝脏表面。
11.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述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5任一项所述的方法。
12.一种肝脏内部组织的位移预测***，其特征在于，包括医学图像采集设备和电子设备，所述医学图像采集设备用于当目标对象处于呼吸运动下，采集针对所述目标对象的腹部区域的医学图像；
所述电子设备为如权利要求11所述的电子设备。
13.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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5任一项所述的方法。
CN202110489024.8A 2021-04-29 2021-04-29 肝脏内部组织的位移预测方法、装置、***及电子设备 Active CN113112499B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110489024.8A CN113112499B (zh) 2021-04-29 2021-04-29 肝脏内部组织的位移预测方法、装置、***及电子设备
PCT/CN2021/137934 WO2022227597A1 (zh) 2021-04-29 2021-12-14 肝脏内部组织的位移预测方法、装置、***及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110489024.8A CN113112499B (zh) 2021-04-29 2021-04-29 肝脏内部组织的位移预测方法、装置、***及电子设备

Publications (2)

Publication Number Publication Date
CN113112499A CN113112499A (zh) 2021-07-13
CN113112499B true CN113112499B (zh) 2022-04-12

Family

ID=76720958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110489024.8A Active CN113112499B (zh) 2021-04-29 2021-04-29 肝脏内部组织的位移预测方法、装置、***及电子设备

Country Status (2)

Country Link
CN (1) CN113112499B (zh)
WO (1) WO2022227597A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112499B (zh) * 2021-04-29 2022-04-12 中国科学院深圳先进技术研究院 肝脏内部组织的位移预测方法、装置、***及电子设备
WO2023067587A1 (en) * 2021-10-20 2023-04-27 Xact Robotics Ltd. Respiration analysis and synchronization of the operation of automated medical devices therewith
CN116138817B (zh) * 2023-04-24 2023-08-15 北京大学第三医院（北京大学第三临床医学院） 一种超声引导下穿刺活检呼吸门控方法及***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106097437A (zh) * 2016-06-14 2016-11-09 中国科学院自动化研究所 基于纯光学***的生物自发光三维成像方法
CN109584368A (zh) * 2018-10-18 2019-04-05 中国科学院自动化研究所 生物样品三维结构的构建方法及装置
CN109767495A (zh) * 2017-11-09 2019-05-17 达索***公司 3d部件的增材制造
CN110400283A (zh) * 2018-04-20 2019-11-01 西门子医疗有限公司 实时且准确的软组织变形预测
CN110459301A (zh) * 2019-07-29 2019-11-15 清华大学 基于热力图和面部关键点的脑部神经外科导航配准方法
CN111063441A (zh) * 2019-11-26 2020-04-24 中国科学院深圳先进技术研究院 一种肝脏变形预测方法、***及电子设备
CN112515763A (zh) * 2020-11-27 2021-03-19 中国科学院深圳先进技术研究院 目标物的定位显示方法、***、装置和电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111161333B (zh) * 2019-12-12 2023-04-18 中国科学院深圳先进技术研究院 一种肝脏呼吸运动模型的预测方法、装置及存储介质
CN113112499B (zh) * 2021-04-29 2022-04-12 中国科学院深圳先进技术研究院 肝脏内部组织的位移预测方法、装置、***及电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106097437A (zh) * 2016-06-14 2016-11-09 中国科学院自动化研究所 基于纯光学***的生物自发光三维成像方法
CN109767495A (zh) * 2017-11-09 2019-05-17 达索***公司 3d部件的增材制造
CN110400283A (zh) * 2018-04-20 2019-11-01 西门子医疗有限公司 实时且准确的软组织变形预测
CN109584368A (zh) * 2018-10-18 2019-04-05 中国科学院自动化研究所 生物样品三维结构的构建方法及装置
CN110459301A (zh) * 2019-07-29 2019-11-15 清华大学 基于热力图和面部关键点的脑部神经外科导航配准方法
CN111063441A (zh) * 2019-11-26 2020-04-24 中国科学院深圳先进技术研究院 一种肝脏变形预测方法、***及电子设备
CN112515763A (zh) * 2020-11-27 2021-03-19 中国科学院深圳先进技术研究院 目标物的定位显示方法、***、装置和电子设备

Also Published As

Publication number Publication date
WO2022227597A1 (zh) 2022-11-03
CN113112499A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN113112499B (zh) 肝脏内部组织的位移预测方法、装置、***及电子设备
CN110956635B (zh) 一种肺段分割方法、装置、设备及存储介质
CN107220933B (zh) 一种参考线确定方法和***
US10607420B2 (en) Methods of using an imaging apparatus in augmented reality, in medical imaging and nonmedical imaging
US20150029184A1 (en) Three-dimensional model data generation device, method and program
CN103987324A (zh) 穿刺辅助装置
US9972081B2 (en) Method and system for estimating a deflated lung shape for video assisted thoracic surgery
CN110946652B (zh) 一种骨螺钉的钉道规划方法和装置
US20120287131A1 (en) Image processing apparatus and image registration method
EP3788596B1 (en) Lower to higher resolution image fusion
Lang et al. Multi-modal registration of speckle-tracked freehand 3D ultrasound to CT in the lumbar spine
CN112515767B (zh) 手术导航装置、设备及计算机可读存储介质
Zhang et al. 3-D reconstruction of the spine from biplanar radiographs based on contour matching using the hough transform
CN113693725B (zh) 进针路径规划方法、装置、设备及存储介质
CN103678837A (zh) 一种确定目标区域处理余量的方法和装置
CN113506331A (zh) 组织器官的配准方法、装置、计算机设备和存储介质
CN115526929A (zh) 基于图像的配准方法和装置
CN113129418B (zh) 基于三维影像的目标表面重建方法、装置、设备和介质
CN116309647B (zh) 颅脑病灶图像分割模型构建方法、图像分割方法及设备
CN116012522B (zh) 头颈颌面部软组织、骨骼及血管的三维成像***
CN111899273A (zh) 图像分割方法、计算机设备和存储介质
US20140032180A1 (en) Method and apparatus for computing deformation of an object
US20210256741A1 (en) Region correction apparatus, region correction method, and region correction program
JP5491237B2 (ja) 医用画像表示装置及び医用画像表示方法
CN113628260A (zh) 一种图像配准方法、装置、终端设备和存储介质

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