CN113223028A - 一种基于mr和ct的多模态肝脏肿瘤分割方法 - Google Patents
一种基于mr和ct的多模态肝脏肿瘤分割方法 Download PDFInfo
- Publication number
- CN113223028A CN113223028A CN202110493725.9A CN202110493725A CN113223028A CN 113223028 A CN113223028 A CN 113223028A CN 202110493725 A CN202110493725 A CN 202110493725A CN 113223028 A CN113223028 A CN 113223028A
- Authority
- CN
- China
- Prior art keywords
- image sequence
- image
- liver
- modal
- original
- 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.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 29
- 206010019695 Hepatic neoplasm Diseases 0.000 title claims abstract description 25
- 208000014018 liver neoplasm Diseases 0.000 title claims abstract description 25
- 210000001015 abdomen Anatomy 0.000 claims abstract description 33
- 210000004185 liver Anatomy 0.000 claims abstract description 28
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000012952 Resampling Methods 0.000 claims description 16
- 230000003187 abdominal effect Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 230000003902 lesion Effects 0.000 claims description 3
- 206010028980 Neoplasm Diseases 0.000 abstract description 10
- 230000008878 coupling Effects 0.000 abstract description 2
- 238000010168 coupling process Methods 0.000 abstract description 2
- 238000005859 coupling reaction Methods 0.000 abstract description 2
- 238000002591 computed tomography Methods 0.000 description 31
- 238000002595 magnetic resonance imaging Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000003709 image segmentation Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000001356 surgical procedure Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012285 ultrasound imaging Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000013 bile duct Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005426 magnetic field effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于MR和CT的多模态肝脏肿瘤分割方法,首先获取原始腹部MR影像序列和原始腹部CT影像序列,并对原始腹部MR影像序列和原始腹部CT影像序列进行预处理操作得到多模态影像序列,然后构建卷积神经网络模型以及数据集,利用数据集中的训练集对卷积神经网络模型进行训练得到训练完成的卷积神经网络模型,最后将测试集输入到训练完成的神经网络模型中,得到包括了肝脏及肝脏肿瘤的分割结果。本申请使用多模态图像来做肝脏和肝脏肿瘤分割,融合了多模态信息,提高了最终分割结果精度,同时开展肝脏和肝脏肿瘤分割任务,消除了肝脏分割结果与肿瘤分割结果相互耦合的关系。
Description
技术领域
本发明属于医学图像处理领域,具体涉及一种基于MR和CT的多模态肝脏肿瘤分割方法。
背景技术
近年来,医学成像技术得到了快速发展,已经作为一种重要的常规检查手段,在临床检查、诊断、手术方案规划中发挥着重要作用。如利用X光原理的X光成像和计算机断层扫描技术(CT)、利用超声反射原理的超声成像(US)和利用核磁共振技术的磁共振成像(MRI)等医学成像技术给临床医生提供了更丰富、更准确的有关病灶的组织、结构和病例方面的信息。但是,大多数医生在临床诊断时大多采用人工手动的方式,存在信息量大、诊断过程繁琐和效率低等缺陷,因此基于医学图像的计算机处理分析一直是国内外研究的热点。在进行肝脏外科手术时,由于肝脏内的解剖结构复杂,使得肝脏手术存在手术方案复杂、难度高、风险大等问题。
尤其肝脏肿瘤手术治疗领域,需要切除整个包含肝脏肿瘤的部分,这需要医生能够从患者前期的医学影像资料的基础上,精确的定位肝脏与肿瘤的位置。并根据其特点制定手术方案。目前的医学图像分割方法多属于半自动分割方法,比如主动轮廓法就需要手动在肝脏肿瘤边缘预先确定一部分轮廓点,形成一个初始轮廓,算法才会去主动拟合这个肿瘤的边界,这非常依赖操作医生的主观经验和知识,而且实际分割效果也并不理想。另外,传统的机器学习分割方法需要手动设计和选择肝脏肿瘤的特征,这需要非常专业的数学及病理学相关知识,也为开发模型带来了挑战。值得一提的是,为提高肿瘤的分割精度,业界选择先分割出肝脏的轮廓。在此基础上对肿瘤进行分割,因此肿瘤的分割精度会严重受到肝脏分割精度的影响;并且传统的医学图像分割方法图像的来源为单一的MRI或者CT模态,分割的结果精度可能不高。
发明内容
为了解决现有技术的上述问题,本发明提供一种基于MR和CT的多模态肝脏肿瘤分割方法,实现了对MRI和CT的多模态信息融合,并且同时进行肝脏与肝脏肿瘤分割,提升了结果的精度,本发明的技术方案如下:
一种基于MR和CT的多模态肝脏肿瘤分割方法,其特征在于,所述方法包括:
S1、获取原始腹部MR影像序列和原始腹部CT影像序列,并对所述原始腹部MR影像序列和原始腹部CT影像序列进行预处理操作得到多模态影像序列;
所述预处理操作包括对所述原始腹部MR影像序列进行偏置场校正得到第一MR影像序列,对所述原始腹部CT影像序列进行对比度调整得到第一CT影像序列;将所述第一MR影像序列和所述第一CT影像序列进行重采样和配准并进行通道连接得到多模态影像序列;
S2、构建卷积神经网络模型以及数据集,利用所述数据集中的训练集对所述卷积神经网络模型进行训练得到训练完成的卷积神经网络模型;
其中,所述卷积神经网络为3D U-Net网络结构包括包括编码部分和解码部分,所述解码部分包括了第一卷积分支和第二卷积分支,所述第一卷积分支用于还原肝脏轮廓,所述第二卷积分支用于还原肝脏肿瘤轮廓;
构建数据集具体包括:将预处理后的所述多模态影像序列进行人工标注,并进行随机裁剪得到多模态影像序列图像块集,所述多模态影像序列数据块集包括训练集和测试集;
S3、将所述测试集输入到训练完成的神经网络模型中,得到肝脏分割结果及肝脏肿瘤分割结果。
进一步地,所述对原始腹部MR影像序列进行偏置场校正得到第一MR影像序列,包括采用非参数非均匀强度归一化算法来对原始腹部MR影像序列进行偏置场校正。
进一步地,所述对原始腹部CT影像序列进行对比度调整得到第一CT影像序列,包括对原始腹部CT影像序列图像中的像素值进行截断。
进一步地,将所述第一MR影像序列和所述第一CT影像序列进行重采样包括:通过双线性函数将所述第一MR影像序列和所述第一CT影像序列重采样到 [1,1,1],其中所述双线性函数具体为:
其中,(x,y)为重采样后的图像坐标,(x1,y1),(x2,y2)为重采样前的图像坐标, f(Q11),f(Q12),f(Q21),f(Q22)为重采样前图像坐标系中左上角,右上角,左下角,右下角的图像像素值。
进一步地,所述将预处理后的所述多模态影像序列进行人工标注,并进行随机裁剪得到多模态影像序列图像块集,包括:在人工标注后的多模态影响序列中随机选取一个中心点,然后以这个中心点为中心,剪裁出大小相同的图像块集合。
本发明的有益效果在于:
(1)使用多模态图像来做肝脏和肝脏肿瘤分割,融合了多模态信息,提高了最终分割结果精度;
(2)同时开展肝脏和肝脏肿瘤分割任务,消除了肝脏分割结果与肿瘤分割相互耦合的关系。
附图说明
图1是本发明基于深度学习的胆管图像分割方法流程示意图;
图2是本发明3D卷积神经网络模型结构图。
具体实施方式
下面结合附图和实施例,对本发明技术方案作进一步描述:
本实施例中提供了一种基于MR和CT的多模态肝脏肿瘤分割方法,该方法包括:
步骤1、获取原始腹部MR影像序列和原始腹部CT影像序列,并对原始腹部MR影像序列和原始腹部CT影像序列进行预处理操作得到多模态影像序列。
在本申请实施例中,预处理操作包括:对原始腹部MR影像序列进行偏置场校正得到第一MR影像序列,由于在腹部MRI影像序列成像时,磁共振磁场存在不均匀性,磁场的不均匀性是无法避免的磁场效应,它会导致在同一组织内的图像度范围不均匀,为提高后续结果的精度,所以需要对原始的腹部MRI影像序列图像做偏置场校正,本申请实施例采用了非参数非均匀强度归一化(N4)算法来偏置场校正。
同时,对原始腹部CT影像序列进行对比度调整得到第一CT影像序列,具体的在本实施例中对所有腹部CT影像序列进行对比度调整,调整方法为原始腹部CT影像序列的像素值进行截断,目标截断范围为[-150,250]。即,将像素值大于250的像素赋值为250,将像素值小于-150的像素赋值为-15。同时为防止神经网络训练过程中出现梯度***的问题,我们将图像像素值归一化到0到1,归一化公式如公式(1):
其中x为原始像素值,x'为归一化后的像素值,min为最小的图像像素最小值,max为最大的图像像素最小值。
最后将第一MR影像序列和第一CT影像序列进行重采样和配准并进行通道连接得到多模态影像序列。在本申请实施例中,由于腹部MRI影像序列与 CT影像来源于不同的扫描仪,所以同一病人的不同影像序列的空间分辨率不同,所以需要将不同模态的图像重采样到同一分辨率上,为了后续图像处理的方便,本发明选择将腹部MRI影像序列与CT影像重采样到[1,1,1],满足图像的各向同性,其中采用双线性函数作为采样函数,即:
其中,(x,y)为重采样后的图像坐标,(x1,y1),(x2,y2)为重采样前的图像坐标, f(Q11),f(Q12),f(Q21),f(Q22)为重采样前图像坐标系中左上角,右上角,左下角,右下角的图像像素值。
由于腹部MRI影像序列与CT影像来源于不同的扫描仪,两种影像在空间上的对应点不一致,这会对后续的图像分割算法带来混淆,所以需要对两个图像做配准。本实施例中采用MATLAB科学计算软件中的‘imregister’编程接口,其中参考图像选择腹部MRI影像序列,浮动图像选择CT影像,图像变换的类型选择相似性变换,选择互信息作为度量标准。得到配准后的CT影像,最终将配准后的CT影像与腹部MRI影像在图像的第0维度上连接到一起,得到腹部多模态影像序列。
步骤2、构建卷积神经网络模型以及数据集,利用数据集中的训练集对卷积神经网络模型进行训练得到训练完成的卷积神经网络模型;
如图2,卷积神经网络为3D U-Net网络结构包括包括编码部分和解码部分,解码部分包括了第一卷积分支和第二卷积分支,第一卷积分支用于还原肝脏轮廓,第二卷积分支用于还原肝脏肿瘤轮廓。
其中,网络的深度为4层,特征尺度变化分别为[32,64,128,256]。卷积核的个数分别为[32,16,8,2],最终两个预测分支的输出通道数目都为2,其中一个通道代表背景,另外一个通道代表目标(肿瘤或肝脏)。本实施例中的所有卷积模块,都包含一个大小为3x3,步长为1的卷积核,使用卷积核对其输入做卷积;然后使用批归一化,最后经过截断线性激活函数。
在本申请实施例中,将预处理后的多模态影像序列进行人工标注,得到带有人工标注肿瘤区域的标注版的多模态影像序列,并对未标注的多模态影像序列和其对应的标注版的多模态影像序列进行裁剪得到成对的数据集以进行模型训练。
其中,裁剪的具体过程包括在多模态影像序列中随机选取一个中心点,随机选择算法满足均匀分布;然后以这个中心点为中心,剪裁出大小为[196, 196,128]的图像块及其对应的标注图像块。将所有的图像块及其对应的标注图像块划分为训练集与测试集,具体划分比例为80%/20%。
在本申请的训练过程中,选择截断线性函数作为神经网络的激活函数,为了保证激活值的分布稳定性,加快模型收敛,所以选择“kaiming”参数初始化方式。选择使用Adam作为模型的优化器,初始的学习率设置为0.001,选择dice系数作为模型的损失函数。将前面的训练集输入至卷积神经网络模型中,得到肝脏轮廓位置预测结果与肿瘤预测结果,使用dice系数分别计算其与标注图像块的损失,将两种预测结果的损失相加,利用反向传播算法根据损失值计算梯度,对计算出的梯度使用Adam优化器更新卷积神经网络模型的权重。持续训练模型,训练轮数为500轮。
步骤3、将测试集输入到训练完成的神经网络模型中,得到肝脏分割结果及肝脏肿瘤分割结果。
在本申请实施例中,将测试集输入至步骤2中训练完成的神经网络模型中,得到神经网络模型的两个分支对应的输出结果,即肝脏轮廓结果和肝脏肿瘤轮廓结果,并利用softmax函数进行激活,得到两个预测结果,并将两种预测结果按照步骤2中裁剪获取方式进行反向拼接,得到最终包含肝脏与肝脏肿瘤的图像分割结果。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种基于MR和CT的多模态肝脏肿瘤分割方法,其特征在于,所述方法包括:
S1、获取原始腹部MR影像序列和原始腹部CT影像序列,并对所述原始腹部MR影像序列和原始腹部CT影像序列进行预处理操作得到多模态影像序列;
所述预处理操作包括对所述原始腹部MR影像序列进行偏置场校正得到第一MR影像序列,对所述原始腹部CT影像序列进行对比度调整得到第一CT影像序列;将所述第一MR影像序列和所述第一CT影像序列进行重采样和配准并进行通道连接得到多模态影像序列;
S2、构建卷积神经网络模型以及数据集,利用所述数据集中的训练集对所述卷积神经网络模型进行训练得到训练完成的卷积神经网络模型;
其中,所述卷积神经网络为3D U-Net网络结构包括包括编码部分和解码部分,所述解码部分包括了第一卷积分支和第二卷积分支,所述第一卷积分支用于还原肝脏轮廓,所述第二卷积分支用于还原肝脏肿瘤轮廓;
构建数据集具体包括:将预处理后的所述多模态影像序列进行人工标注,并进行随机裁剪得到多模态影像序列图像块集,所述多模态影像序列数据块集包括训练集和测试集;
S3、将所述测试集输入到训练完成的神经网络模型中,得到肝脏分割结果及肝脏肿瘤分割结果。
2.根据权利要求1所述的方法,其特征在于,所述对原始腹部MR影像序列进行偏置场校正得到第一MR影像序列,包括采用非参数非均匀强度归一化算法来对原始腹部MR影像序列进行偏置场校正。
3.根据权利要求1所述的方法,其特征在于,所述对原始腹部CT影像序列进行对比度调整得到第一CT影像序列,包括对原始腹部CT影像序列图像中的像素值进行截断。
5.根据权利要求1所述的方法,其特征在于,所述将预处理后的所述多模态影像序列进行人工标注,并进行随机裁剪得到多模态影像序列图像块集,包括:在人工标注后的多模态影响序列中随机选取一个中心点,然后以这个中心点为中心,剪裁出大小相同的图像块集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110493725.9A CN113223028A (zh) | 2021-05-07 | 2021-05-07 | 一种基于mr和ct的多模态肝脏肿瘤分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110493725.9A CN113223028A (zh) | 2021-05-07 | 2021-05-07 | 一种基于mr和ct的多模态肝脏肿瘤分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113223028A true CN113223028A (zh) | 2021-08-06 |
Family
ID=77091209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110493725.9A Pending CN113223028A (zh) | 2021-05-07 | 2021-05-07 | 一种基于mr和ct的多模态肝脏肿瘤分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113223028A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657503A (zh) * | 2021-08-18 | 2021-11-16 | 上海交通大学 | 一种基于多模态数据融合的恶性肝肿瘤分类方法 |
CN114882051A (zh) * | 2022-04-25 | 2022-08-09 | 大连理工大学 | 一种基于多模态影像的盆腔骨肿瘤的自动分割及三维重建方法 |
CN114881848A (zh) * | 2022-07-01 | 2022-08-09 | 浙江柏视医疗科技有限公司 | 一种多序列mr转ct的方法 |
CN116934754A (zh) * | 2023-09-18 | 2023-10-24 | 四川大学华西第二医院 | 基于图神经网络的肝脏影像识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109903292A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于全卷积神经网络的三维图像分割方法及*** |
CN109949309A (zh) * | 2019-03-18 | 2019-06-28 | 安徽紫薇帝星数字科技有限公司 | 一种基于深度学习的肝脏ct图像分割方法 |
US20200085382A1 (en) * | 2017-05-30 | 2020-03-19 | Arterys Inc. | Automated lesion detection, segmentation, and longitudinal identification |
US20200126236A1 (en) * | 2018-10-22 | 2020-04-23 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and Methods for Image Segmentation using IOU Loss Functions |
-
2021
- 2021-05-07 CN CN202110493725.9A patent/CN113223028A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200085382A1 (en) * | 2017-05-30 | 2020-03-19 | Arterys Inc. | Automated lesion detection, segmentation, and longitudinal identification |
US20200126236A1 (en) * | 2018-10-22 | 2020-04-23 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and Methods for Image Segmentation using IOU Loss Functions |
CN109903292A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于全卷积神经网络的三维图像分割方法及*** |
CN109949309A (zh) * | 2019-03-18 | 2019-06-28 | 安徽紫薇帝星数字科技有限公司 | 一种基于深度学习的肝脏ct图像分割方法 |
Non-Patent Citations (1)
Title |
---|
刘云鹏等: "深度学习结合影像组学的肝脏肿瘤CT分割", 中国图象图形学报, vol. 25, no. 10, 31 October 2020 (2020-10-31) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657503A (zh) * | 2021-08-18 | 2021-11-16 | 上海交通大学 | 一种基于多模态数据融合的恶性肝肿瘤分类方法 |
CN114882051A (zh) * | 2022-04-25 | 2022-08-09 | 大连理工大学 | 一种基于多模态影像的盆腔骨肿瘤的自动分割及三维重建方法 |
CN114881848A (zh) * | 2022-07-01 | 2022-08-09 | 浙江柏视医疗科技有限公司 | 一种多序列mr转ct的方法 |
CN116934754A (zh) * | 2023-09-18 | 2023-10-24 | 四川大学华西第二医院 | 基于图神经网络的肝脏影像识别方法及装置 |
CN116934754B (zh) * | 2023-09-18 | 2023-12-01 | 四川大学华西第二医院 | 基于图神经网络的肝脏影像识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Torosdagli et al. | Deep geodesic learning for segmentation and anatomical landmarking | |
US11869202B2 (en) | Method and system for processing multi-modality image | |
US8698795B2 (en) | Interactive image segmentation | |
CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
CN113223028A (zh) | 一种基于mr和ct的多模态肝脏肿瘤分割方法 | |
US8787648B2 (en) | CT surrogate by auto-segmentation of magnetic resonance images | |
CN112150524B (zh) | 一种基于深度学习的二维和三维医学图像配准方法和*** | |
US20070109299A1 (en) | Surface-based characteristic path generation | |
CN111754553B (zh) | 多模态扫描图像配准方法、装置、计算机设备和存储介质 | |
Fajar et al. | Reconstructing and resizing 3D images from DICOM files | |
CN112785632B (zh) | 基于epid的图像引导放疗中dr和drr影像跨模态自动配准方法 | |
CN112750137B (zh) | 基于深度学习的肝脏肿瘤分割方法及*** | |
CN115830016B (zh) | 医学图像配准模型训练方法及设备 | |
JP5296981B2 (ja) | アフィン変換を用いたモダリティ内医療体積画像の自動位置合わせ | |
CN111127487B (zh) | 一种实时多组织医学图像的分割方法 | |
CN114881914A (zh) | 基于医学影像确定三维功能肝段的***及方法 | |
Ifty et al. | Implementation of liver segmentation from computed tomography (ct) images using deep learning | |
EP4254350A1 (en) | Determination of illumination parameters in medical image rendering | |
CN112767299B (zh) | 一种多模态三维图像配准融合方法 | |
Eichner et al. | MuSIC: Multi-Sequential Interactive Co-Registration for Cancer Imaging Data based on Segmentation Masks | |
CN117670906A (zh) | 一种图像分割方法和*** | |
CN117853543A (zh) | 一种适用于脑部肿瘤图像的联合分割和配准的方法 | |
KR20230156940A (ko) | 적어도 하나의 인터페이스에서 객체의 적어도 하나의 영역을 시각화하는 방법 | |
CN116758276A (zh) | 一种基于迁移学习的器官勾画方法、装置以及电子设备 | |
CN118279327A (zh) | 一种医学影像数据的图像分割方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210922 Address after: 102629 Room 401, building 1, 38 Yongda Road, Daxing biomedical industrial base, Zhongguancun Science and Technology Park, Daxing District, Beijing Applicant after: Beijing precision diagnosis Medical Technology Co.,Ltd. Address before: Room 102, block B2, phase II, software new town, tianguba Road, Yuhua Street office, high tech Zone, Xi'an, Shaanxi 710000 Applicant before: Xi'an Zhizhen Intelligent Technology Co.,Ltd. |