CN113536575A - 器官轮廓勾画方法、医学影像***以及存储介质 - Google Patents
器官轮廓勾画方法、医学影像***以及存储介质 Download PDFInfo
- Publication number
- CN113536575A CN113536575A CN202110817145.0A CN202110817145A CN113536575A CN 113536575 A CN113536575 A CN 113536575A CN 202110817145 A CN202110817145 A CN 202110817145A CN 113536575 A CN113536575 A CN 113536575A
- Authority
- CN
- China
- Prior art keywords
- organ
- delineation
- medical image
- image data
- contour
- 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
- 210000000056 organ Anatomy 0.000 title claims abstract description 338
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000002059 diagnostic imaging Methods 0.000 title claims description 30
- 238000003384 imaging method Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 210000004999 sex organ Anatomy 0.000 claims 1
- 210000000920 organ at risk Anatomy 0.000 description 16
- 238000001959 radiotherapy Methods 0.000 description 12
- 210000001015 abdomen Anatomy 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 210000000038 chest Anatomy 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 5
- 210000004185 liver Anatomy 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 210000000496 pancreas Anatomy 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 210000004291 uterus Anatomy 0.000 description 4
- 210000004394 hip joint Anatomy 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 210000003478 temporal lobe Anatomy 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 210000000133 brain stem Anatomy 0.000 description 2
- 210000000481 breast Anatomy 0.000 description 2
- 210000001072 colon Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000014829 head and neck neoplasm Diseases 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000004373 mandible Anatomy 0.000 description 2
- 210000001328 optic nerve Anatomy 0.000 description 2
- 210000003899 penis Anatomy 0.000 description 2
- 210000002307 prostate Anatomy 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000002271 resection Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 210000000278 spinal cord Anatomy 0.000 description 2
- 210000000952 spleen Anatomy 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000006678 Abdominal Neoplasms Diseases 0.000 description 1
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 1
- 235000011299 Brassica oleracea var botrytis Nutrition 0.000 description 1
- 240000003259 Brassica oleracea var. botrytis Species 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 206010062767 Hypophysitis Diseases 0.000 description 1
- 206010061336 Pelvic neoplasm Diseases 0.000 description 1
- 208000024770 Thyroid neoplasm Diseases 0.000 description 1
- 208000025865 Ulcer Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003238 esophagus Anatomy 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 208000025426 neoplasm of thorax Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000003681 parotid gland Anatomy 0.000 description 1
- 230000001817 pituitary effect Effects 0.000 description 1
- 210000003635 pituitary gland Anatomy 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 210000000813 small intestine Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001738 temporomandibular joint Anatomy 0.000 description 1
- 210000001550 testis Anatomy 0.000 description 1
- 201000003957 thoracic cancer Diseases 0.000 description 1
- 208000013076 thyroid tumor Diseases 0.000 description 1
- 231100000397 ulcer Toxicity 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour 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
- G06T2207/10088—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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明实施例公开了一种器官轮廓勾画方法、医学影像***以及存储介质，该方法包括：获取当前待勾画的医学影像数据，并确定所述医学影像数据中的器官勾画范围；根据所述器官勾画范围确定勾画模板，所述勾画模板包括至少两个器官标识；调用所述勾画模板对应的勾画模型在所述器官勾画范围中进行相应器官的轮廓勾画，以得到所述医学影像数据的器官轮廓数据。解决了现有的器官轮廓勾画方法存在无法兼顾灵活性与时效性的问题。
Description
技术领域
本发明实施例涉及医学图像处理领域，尤其涉及一种器官轮廓勾画方法、医学影像***以及存储介质。
背景技术
临床上，放疗医生在获取到患者的医学影像数据之后，需要浏览该医学影像数据并确定患者信息、癌变区域、危及器官，然后在医学影像数据中完成癌变区域与危及器官的轮廓勾画，并将包含器官轮廓数据的医学影像数据上传至放疗计划***，以由放疗物理师为该医学影像数据制定放疗计划。可见，放疗医生的工作流程较为繁琐，人工勾画器官轮廓虽然具有较高的灵活性，但会耗费放疗医生的很多精力和时间。
随着自动识别技术的发展，基于深度学习的自动勾画模型应运而生，但该自动勾画模型通常对应于某个扫描部位，需要医生手动选择需要勾画的器官，勾画完毕后，由医生进行审核。此过程灵活性较差，无法满足临床的各种需求，而且其建立过程较为复杂，运行过程中需要耗费大量的计算资源，很难保证轮廓勾画的时效性。
综上，现有器官轮廓勾画方法存在无法兼顾灵活性与时效性的问题。
发明内容
本发明实施例提供了一种器官轮廓勾画方法、医学影像***以及存储介质，解决了现有器官轮廓勾画方法存在无法兼顾灵活性与时效性的问题。
第一方面，本发明实施例提供了一种器官轮廓勾画方法，该方法包括：
获取当前待勾画的医学影像数据，并确定所述医学影像数据中的器官勾画范围；
根据所述器官勾画范围确定勾画模板，所述勾画模板包括至少两个器官标识；
调用所述勾画模板对应的勾画模型在所述器官勾画范围中进行相应器官的轮廓勾画，以得到所述医学影像数据的器官轮廓数据。
第二方面，本发明实施例还提供了一种医学影像***，该***包括：CPU、GPU和存储装置；
所述存储装置用于存储一个或多个第一程序以及一个或多个第二程序；
当所述一个或多个第一程序被所述CPU执行，使得所述CPU从相应影像设备获取医学影像数据；
当所述一个或多个第二程序被所述GPU执行，使得所述GPU执行任意实施例所述的器官轮廓勾画方法。
第三方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行任意实施例所述的器官轮廓勾画方法。
本发明实施例提供的器官轮廓勾画方法的技术方案，获取当前待勾画的医学影像数据，并确定医学影像数据中的器官勾画范围；根据器官勾画范围确定勾画模板，勾画模板包括至少两个器官标识；调用该勾画模板对应的勾画模型在器官勾画范围中进行相应器官的轮廓勾画，以得到医学影像数据的器官轮廓数据。通过勾画模板建立器官勾画范围与其对应的至少两个器官的联系，有助于提高确定每个器官勾画范围所对应器官的效率；通过勾画模板调用对应勾画模型进行器官轮廓的勾画，有助于提高器官轮廓勾画的速度和灵活性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明实施例一提供的器官轮廓勾画方法的流程图；
图2是本发明实施例二提供的医学影像***的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下将参照本发明实施例中的附图，通过实施方式清楚、完整地描述本发明的技术方案，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
图1是本发明实施例一提供的器官轮廓勾画方法的流程图。本实施例的技术方案适用于自动完成医学影像数据的器官轮廓勾画的情况。该方法优选由本发明实施例提供的医学影像***的GPU(Graphics Processing Unit，简称GPU)来执行。该医学影像***包括CPU(Central Processing Unit，简称CPU)和GPU，且二者通信连接。该方法具体包括如下步骤：
S101、获取当前待勾画的医学影像数据，并确定该医学影像数据中的器官勾画范围。
其中，医学影像数据可以是CT(Computed Tomography，简称CT，即电子计算机断层扫描)图像、MRI(Magnetic Resonance Imaging，简称MRI，核磁共振成像)图像、PET(Positron Emission Computed Tomography，简称PET，正电子发射型计算机断层成像)图像、超声图像和X光片等临床图像数据。
其中，器官勾画范围为医学影像数据中进行器官轮廓勾画的图像范围。可以理解的是，该器官勾画范围包含的体层数小于或等于医学影像数据包含的体层数。
其中，器官勾画范围的确定方法包括：确定医学影像数据所包含的各个扫描部位的体层数量；根据各个扫描部位的体层数量对应的各个扫描部位的实际尺寸，确定器官勾画范围。或者，基于预先训练的识别模型，确定医学影像数据所包含的各个扫描部位的体层数量，获取包含体层厚度的预设TAG信息，并根据体层厚度和各个扫描部位的体层数量确定各个扫描部位的实际尺寸，然后根据各个扫描部位的实际尺寸确定器官勾画范围。采用本方法能快速、高效得到器官勾画范围，可以快速剔除冗余部位的图像，提高轮廓勾画器官确定的准确性，同时还可以减少器官勾画过程中需要遍历的图像数量。
在一个实施例中，将一肺癌患者的医学影像数据输入预先训练的识别模型，该预先训练的识别模型输出的识别结果为，颈部的体层数量与整个医学影像数据的总体层数量比值为2％，对应实际尺寸为10mm，上腹部的体层数量与整个医学影像数据的总体层数量的比值为2％，对应实际尺寸为10mm，胸部的体层数量与这个医学影像数据的总体层数量的比值为96％，对应实际尺寸为480mm。由此可见，该医学影像数据的目标扫描范围为胸部，而颈部和上腹部为非目标扫描范围，即非器官勾画范围，因此将胸部对应的医学影像数据作为器官勾画范围，在勾画每个器官，如肺部的轮廓时，仅遍历该器官勾画范围内的各个图像即可；或者将颈部和上腹部的体层从医学影像数据中删除以更新医学影像数据，并将更新后的医学影像数据作为器官勾画范围。在另一个实施例中，识别各个扫描部位的体层数量，也可以使用分割、配准等方法或手动方法确定器官勾画范围。
其中，预先训练的识别模型可在医学影像数据的横断面、冠状面或矢状面中的任意层面进行扫描部位的分类，也可以直接对三维数据或重建数据进行扫描部位的分类。本实施例中的识别模型优选采用图像分类或目标检测等深度学习模型实现。
其中，Dicom文件的TAG值基本上包含了一个Dicom文件的所有属性。基于Dicom3.0标准的医学图像中，每一张图像都携带有许多信息，这些信息可以分为patent、study、series和image 4类。每一个TAG都是由两个十六进制数的组合来确定的，分别为Group和Element。比如(0010，0010)，这个TAG值表示的是Patient’s Name，它存储相应图像的患者姓名。基于此，本实施例通过读取医学影像数据的相应TAG信息来获取相应医学影像数据的体层厚度以及其他所需信息。
在一个实施例中，该步骤由医学影像***的GPU完成，且GPU从CPU获取待勾画的医学影像数据。具体地，GPU向CPU发送图像获取请求，CPU在接收到该图像获取请求时，根据该图像获取请求将当前处于第一排位的医学影像数据发送至GPU，GPU接收该医学影像数据。可以理解的是，CPU还用于从各个影像设备接收医学影像数据，并对所接收的医学影像数据进行图像预处理以更新相应的医学影像数据。CPU还可以获取更新后的各个医学影像数据的轮廓勾画时限信息和扫描时间，并根据更新后的各个医学影像数据的轮廓勾画时限信息和扫描时间对当前的各个医学影像数据进行排位，以得到各个医学影像数据的排位结果。其中，轮廓勾画时限信息可通过读取医学影像数据的相应TAG信息获取。根据医学影像数据的排位结果确定各个医学影像数据进行器官轮廓勾画的时机，可以优先完成紧急任务，提高资源分配的效率和准确性。
在一个实施例中，轮廓勾画时限信息可以是具体的时间信息，也可以是用于表示时限信息的标识。示例性的，通过标识“1”表示相应医学影像数据的器官轮廓勾画对时限没有较高的要求，在三天内完成器官轮廓的勾画即可；通过标识“2”表示相应医学影像数据的器官轮廓勾画对时限的要求较高，需在两天内完成器官轮廓的勾画；通过标识“3”表示相应医学影像数据的器官轮廓勾画对时限的要求非常高，需在一天内完成器官轮廓的勾画。
S102、根据器官勾画范围确定勾画模板，该勾画模板包括至少两个器官标识。
在一个实施例中，每个器官勾画范围对应一个勾画模板，每个勾画模板包括至少两个器官标识，该至少两个器官标识包括至少一个用于表示癌变范围的器官标识和至少一个用于表示危及器官的器官标识。因此在确定了器官勾画范围之后，即可确定该器官勾画范围对应的勾画模板，从而确定需要进行轮廓勾画的器官。
不同肿瘤的几何形状相差较大，如头颈部肿瘤一般较小，常见的如甲状腺肿瘤、耳鼻喉肿瘤和口腔颌面部肿瘤，其危及器官也较小，而如胸部肿瘤有小有大、腹部肿瘤一般涉及器官较大，各个不同器官之间的形状差异也较大，如肿瘤有息肉状、***状、绒毛状、结节状、分叶状、囊状、菜花状、蕈状、浸润性包块状、弥漫性肥厚状和溃疡状等，危及器官有块状、条状等等各种形状，因此采用同一模板进行勾画，会出现无法普遍适用和准确率低的问题。
在一个实施例中，可以根据器官勾画范围和至少一项TAG信息或医生输入的附加信息确定勾画模板，TAG信息或医生输入的附加信息可以是性别信息、年龄信息、身高和体重信息、放疗信息、生物信息等。进一步，每个包含预设性别器官的器官扫描范围对应至少两个勾画模板，其中，预设性别器官可以是乳腺、子宫、***等。在确定器官勾画范围的同时，还获取包含性别信息的预设TAG信息，并根据器官勾画范围和该性别信息确定勾画模板。示例性的，对于任一包含下腹部的医学影像数据，在确定了其器官勾画范围之后，还需要获取包含性别信息的预设TAG信息，如果性别信息显示患者为女性，则该器官勾画范围需对应适应于女性患者的勾画模板；如果性别信息显示患者为男性，则该器官勾画范围需对应适应于男性患者的勾画模板。通过用于表示患者性别的TAG信息和器官勾画范围来确定勾画模板，既能简化勾画模板的确定流程，又能提高勾画模板确定的准确性。
在一个实施例中，每个器官勾画范围对应一个预设勾画模板和至少一个自定义勾画模板。其中，预设勾画模板为通用勾画模板，自定义勾画模板优选为医生根据自己的习惯定义的勾画模板。在确定了器官勾画范围之后，获取包含医生信息的预设TAG信息，并根据器官勾画范围和医生信息确定勾画模板。可以理解的是，该勾画模板是由该医生信息对应的医生自定义的。自定义勾画模板的设置可满足不同放疗医生的各种器官勾画需求。
在一个实施例中，每个器官勾画范围对应一个预设勾画模板和至少一个定制勾画模板。示例性的，预设TAG信息包含预设约定信息，根据器官勾画范围和该预设约定信息确定勾画模板。该定制勾画模板时基于预设约定信息定制的。其中，预设约定信息可以是人工关节信息(比如人工髋关节)或器官切除信息(比如胰腺)等非正常器官信息。
在本实施例中，需要考虑器官勾画范围和待勾画器官以及其他如TAG信息等信息，然后选择相应勾画模板，能够根据当前需求选择相应勾画模板，更好地辅助医生进行勾画。根据多种需求选择一个勾画模板进行勾画，省却了医生操作步骤，提高勾画效率。一个勾画模板包括了对至少一个目标器官和危及器官的勾画，因此能同时考虑、同时勾画，比采用多个勾画模板分别勾画更快捷、简便和准确。
综上，放疗医生可以根据不同需求为每个器官勾画范围制定对应不同TAG信息的勾画模板，因此本实施例根据器官勾画范围和预设TAG信息确定勾画模板可提高勾画模板确定的灵活性，从而提高器官勾画范围所对应器官的确定的灵活性。
S103、调用该勾画模板对应的勾画模型在器官勾画范围中进行相应器官的轮廓勾画，以得到医学影像数据的器官轮廓数据。
本实施例中，每个勾画模板可以仅对应一个勾画模型，该勾画模型包含了至少两个器官的勾画算法，可以对目标器官和危及器官进行相关联、但不同方法的勾画；每个勾画模板也可对应至少两个勾画模型，不同勾画模型对应不同器官的勾画算法，且也可以对目标器官和危及器官进行相关联、但不同方法的勾画。
在一个实施例中，每个勾画模板包含的每个器官标识均对应一个勾画模型，因此在确定了勾画模板之后，即可调用该勾画模板所包含的至少两个器官标识分别对应的勾画模型，然后使用该至少两个勾画模型在器官勾画范围中对相应器官进行轮廓勾画，以得到医学影像数据的器官轮廓数据。其中，GPU可以采用该至少两个勾画模型在器官勾画范围内同时对至少两个相应器官进行轮廓勾画，也可以依次采用该至少两个勾画模型中的一个勾画模型在器官勾画范围内对至少两个相应器官依次进行轮廓勾画，本实施例优选前者。可以理解的是，当每个勾画模型仅包含一个器官的勾画算法时，可以降低勾画模型的建立难度以及器官勾画对处理器计算资源的需求。
需要说明的是，勾画模型采用现有的器官轮廓勾画算法即可，本实施例在此不作具体限定。具体的，器官轮廓勾画算法一般是将剂量集中于靶区器官即目标器官，而尽量避免将剂量作用于正常的要害器官即危及器官。根据不同的目标器官，可以有不同的危及器官，如头颈部肿瘤对应颞叶(temporal lobe)、视神经(optical nerve)、晶体(len)、脑干(brain stem)、垂体(pituitary gland)、脊髓(cord)、颞下颌关节(temporomandibularjoint)、腮腺(parotid gland)、下颌骨(mandible)，胸部肿瘤对应肺(lung)、食管(esophagus)、心脏(heart)、肝脏(liver)、脊髓(cord)，腹部盆腔肿瘤对应肝脏(liver)、脾脏(spleen)、肾脏(kidney)、胰腺(pancreas)、小肠(intestine)、结直肠(colon)、膀胱(bladder)、***(penis)、睾丸(testiculus)、子宫(uterus)、髋关节(hip joint)、股骨头(femral head)、脊髓(cord)等等。本实施例中的勾画模板可以根据识别或输入的目标器官，自动选择危及器官，并且可以仅选择当前勾画数据中存在的危及器官。在另一个实施例中，一个目标器官对应的勾画模型包含了此目标器官对应的所有危及器官的分割信息。
在一个实施例中，上述步骤优选由医学影像***的GPU完成，且该GPU在执行完上述步骤得到包含器官轮廓数据的医学影像数据之后，将该医学影像数据发送至另一处理器，以使该另一处理器执行以下的质控步骤：确定该包含器官轮廓数据的医学影像数据是否包含结果为空的器官轮廓数据，若是，则删除结果为空的器官轮廓数据，以更新该包含器官轮廓数据的医学影像数据；确定该包含器官轮廓数据的医学影像数据中的各个器官轮廓数据所限定的器官的位置、形状或体积是否均正确，若否，则输出相应的提示信息。其中，该另一处理器优选为CPU。
具体地，如果该包含器官轮廓数据的医学影像数据不包含结果为空的器官轮廓数据，则直接确定该医学影像数据中的各个器官轮廓数据所限定的器官的位置、形状和体积是否均正确，若否，则输出提示信息；若该包含器官轮廓数据的医学影像数据包含结果为空的器官轮廓数据，则删除结果为空的器官轮廓数据，以更新该包含器官轮廓数据的医学影像数据；确定更新后的医学影像数据中的各个器官轮廓数据所限定的器官的位置、形状和体积是否均正确，若否，则输出相应的提示信息。
本实施例采用器官轮廓自动勾画与人工验证相结合的方式，来生成包含器官轮廓数据的医学影像数据，既能提高器官轮廓勾画的准确性，又能保证器官轮廓数据的准确性。
本实施例中，GPU可以采用串行策略进行医学影像数据的器官轮廓勾画，即任一时刻仅对一个医学影像数据进行器官轮廓勾画，也可以采用并行策略进行医学影像数据的器官轮廓勾画，即同时对至少两个医学影像数据进行器官轮廓勾画。本实施例优选后者，因为通过并行策略可以提高计算资源的利用效率，从而提高器官轮廓勾画效率。
本实施例使用医学影像***的GPU完成医学影像数据的器官轮廓勾画，使用医学影像***的CPU完成除医学影像数据的器官轮廓勾画之外的所有图像处理操作，比如医学影像数据的预处理、医学影像数据的排位等。因此医学影像***可以在几乎不占用CPU资源的情况下，通过GPU完成医学影像数据的器官轮廓勾画，这样器官轮廓勾画几乎不受CPU工作状态的影响，因此可以保证其所接收的医学影像数据的器官轮廓数据勾画的时效性。
本发明实施例提供的器官轮廓勾画方法的技术方案，获取当前待勾画的医学影像数据，并确定医学影像数据中的器官勾画范围；根据器官勾画范围确定勾画模板，勾画模板包括至少两个器官标识；调用该勾画模板对应的勾画模型在器官勾画范围中进行相应器官的轮廓勾画，以得到医学影像数据的器官轮廓数据。通过勾画模板建立器官勾画范围与其对应的至少两个器官的联系，有助于提高确定每个器官勾画范围所对应器官的效率；通过勾画模板调用对应勾画模型进行器官轮廓的勾画，有助于提高器官轮廓勾画的速度和灵活性。
实施例二
图2是本发明实施例二提供的医学影像***的示意图。该***包括CPU 21、GPU 22和存储装置23；存储装置23用于存储一个或多个第一程序以及一个或多个第二程序；当该一个或多个第一程序被CPU 21执行，使得CPU 21从相应影像设备获取医学影像数据；当该一个或多个第二程序被GPU 22执行，使得GPU 22执行前述实施例所述的器官轮廓勾画方法。
其中，影像设备可以是CT设备、MRI设备、超声设备、X设备等医学成像设备。
本实施例中，GPU在检测到当前存在空闲线程时，向CPU发送图像获取请求，CPU在检测到图像获取请求时，根据该图像获取请求将当前处于第一排位的医学影像数据发送至GPU，GPU接收该医学影像数据。
GPU接收到待勾画的医学影像数据之后，确定该医学影像数据中的器官勾画范围。其中，器官勾画范围为医学影像数据中进行器官轮廓勾画的图像范围。可以理解的是，该器官勾画范围包含的体层数小于或等于医学影像数据包含的体层数。
其中，器官勾画范围的确定方法包括：确定医学影像数据所包含的各个扫描部位的体层数量；根据各个扫描部位的体层数量对应的各个扫描部位的实际尺寸，确定器官勾画范围。或者，基于预先训练的识别模型，确定医学影像数据所包含的各个扫描部位的体层数量，获取包含体层厚度的预设TAG信息，并根据体层厚度和各个扫描部位的体层数量确定各个扫描部位的实际尺寸，然后根据各个扫描部位的实际尺寸确定器官勾画范围。
在一个实施例中，将一肺癌患者的医学影像数据输入预先训练的识别模型，该预先训练的识别模型输出的识别结果为，颈部的体层数量与整个医学影像数据的总体层数量比值为2％，对应实际尺寸为10mm，上腹部的体层数量与整个医学影像数据的总体层数量的比值为2％，对应实际尺寸为10mm，胸部的体层数量与这个医学影像数据的总体层数量的比值为96％，对应实际尺寸为480mm，。由此可见，该医学影像数据的目标扫描范围为胸部，而颈部和上腹部为非目标扫描范围，即非器官勾画范围，因此将胸部对应的医学影像数据作为器官勾画范围，在勾画每个器官，如肺部的轮廓时，仅遍历该器官勾画范围内的各个图像即可；或者将颈部和上腹部的体层从医学影像数据中删除以更新医学影像数据，并将更新后的医学影像数据作为器官勾画范围。在另一个实施例中，识别各个扫描部位的体层数量，也可以使用分割、配准等方法或手动方法确定器官勾画范围。
其中，识别模型优选基于机器学习构建，采用现有的机器学习算法构建即可，本实施例在此不作具体限定。
在一个实施例中，该步骤由医学影像***的GPU完成，且GPU从CPU获取待勾画的医学影像数据。具体地，GPU向CPU发送图像获取请求，CPU在接收到该图像获取请求时，根据该图像获取请求将当前处于第一排位的医学影像数据发送至GPU，GPU接收该医学影像数据。可以理解的是，CPU还用于从各个影像设备接收医学影像数据，并对所接收的医学影像数据进行图像预处理以更新相应的医学影像数据。CPU还可以获取更新后的各个医学影像数据的轮廓勾画时限信息和扫描时间，并根据更新后的各个医学影像数据的轮廓勾画时限信息和扫描时间对当前的各个医学影像数据进行排位，以得到各个医学影像数据的排位结果。其中，轮廓勾画时限信息可通过读取医学影像数据的相应TAG信息获取。根据医学影像数据的排位结果确定各个医学影像数据进行器官轮廓勾画的时机，可以优先完成紧急任务，提高资源分配的效率和准确性。
在一个实施例中，轮廓勾画时限信息可以是具体的时间信息，也可以是用于表示时限信息的标识。示例性的，通过标识“1”表示相应医学影像数据的器官轮廓勾画对时限没有较高的要求，在三天内完成器官轮廓的勾画即可；通过标识“2”表示相应医学影像数据的器官轮廓勾画对时限的要求较高，需在两天内完成器官轮廓的勾画；通过标识“3”表示相应医学影像数据的器官轮廓勾画对时限的要求非常高，需在一天内完成器官轮廓的勾画。
GPU在确定完医学影像数据中的器官勾画范围之后，根据器官勾画范围确定勾画模板，勾画模板包括对应器官标识。
在一个实施例中，每个器官勾画范围对应一个勾画模板，每个勾画模板包括至少两个器官标识，该至少两个器官标识包括至少一个用于表示癌变范围的器官标识和至少一个用于表示危及器官的器官标识。因此在确定了器官勾画范围之后，即可确定该器官勾画范围对应的勾画模板，从而确定需要进行轮廓勾画的器官。
在一个实施例中，可以根据器官勾画范围和至少一项TAG信息或医生输入的附加信息确定勾画模板，TAG信息或医生输入的附加信息可以是性别信息、年龄信息、身高和体重信息、放疗信息、生物信息等。进一步，每个包含预设性别器官的器官扫描范围对应至少两个勾画模板，其中，预设性别器官可以是乳腺、子宫、***等。在确定器官勾画范围的同时，还获取包含性别信息的预设TAG信息，并根据器官勾画范围和该性别信息确定勾画模板。示例性的，对于任一包含下腹部的医学影像数据，在确定了其器官勾画范围之后，还需要获取包含性别信息的预设TAG信息，如果性别信息显示患者为女性，则该器官勾画范围对应适应于女性患者的勾画模板，如果性别信息显示患者为男性，则该器官勾画范围对应适应于男性患者的勾画模板。通过用于表示患者性别的TAG信息和器官勾画范围来确定勾画模板，既能简化勾画模板的确定流程，又能提高简化模板确定的准确性。
在一个实施例中，每个器官勾画范围对应一个预设勾画模板和至少一个自定义勾画模板。其中，预设勾画模板为通用勾画模板，自定义勾画模板优选为医生根据自己的习惯定义的勾画模板。在确定了器官勾画范围之后，获取包含医生信息的预设TAG信息，并根据器官勾画范围和医生信息确定勾画模板。可以理解的是，该勾画模板是由该医生信息对应的医生自定义的。自定义勾画模板的设置可满足不同放疗医生的各种器官勾画需求。
在一个实施例中，每个器官勾画范围对应一个预设勾画模板和至少一个定制勾画模板。示例性的，预设TAG信息包含预设约定信息，根据器官勾画范围和该预设约定信息确定勾画模板。该定制勾画模板时基于预设约定信息定制的。其中，预设约定信息可以是人工关节信息(比如人工髋关节)、器官切除信息(比如胰腺)等非正常器官信息。
在本实施例中，需要考虑器官勾画范围和待勾画器官以及其他如TAG信息等信息，然后选择相应勾画模板，能够根据当前需求选择相应勾画模板，更好地辅助医生进行勾画。根据多种需求选择一个勾画模板进行勾画，省却了医生操作步骤，提高勾画效率。一个勾画模板包括了对至少一个目标器官和危及器官的勾画，因此能同时考虑、同时勾画，比采用多个勾画模板分别勾画更快捷、简便和准确。
综上，放疗医生可以根据不同需求为每个器官勾画范围制定对应不同TAG信息的勾画模板，因此本实施例根据器官勾画范围和预设TAG信息确定勾画模板可提高勾画模板确定的灵活性，从而提高器官勾画范围所对应器官的确定的灵活性。
GPU在确定了器官勾画范围的勾画模板之后，调用该勾画模板对应的勾画模型在器官勾画范围中进行相应器官的轮廓勾画，以得到医学影像数据的器官轮廓数据。
本实施例中，每个勾画模板可以仅对应一个勾画模型，该勾画模型包含了至少两个器官的勾画算法，可以对目标器官和危及器官进行相关联、但不同方法的勾画；每个勾画模板也可对应至少两个勾画模型，不同勾画模型对应不同器官的勾画算法，且也可以对目标器官和危及器官进行相关联、但不同方法的勾画。
在一个实施例中，每个勾画模板包含的每个器官标识均对应一个勾画模型，因此在确定了勾画模板之后，即可调用该勾画模板所包含的至少两个器官标识分别对应的勾画模型，然后使用该至少两个勾画模型在器官勾画范围中对相应器官进行轮廓勾画，以得到医学影像数据的器官轮廓数据。其中，GPU可以采用该至少两个勾画模型在器官勾画范围内同时对相应器官进行轮廓勾画，也可以依次采用该至少两个勾画模型中的一个勾画模型在器官勾画范围内对相应器官进行轮廓勾画，本实施例优选前者。可以理解的是，当每个勾画模型仅包含一个器官的勾画算法时，可以降低勾画模型的建立难度以及器官勾画对处理器计算资源的需求。
需要说明的是，勾画模型采用现有的器官轮廓勾画模型即可，本实施例在此不作具体限定。
在一个实施例中，上述步骤优选由医学影像***的GPU完成，且该GPU在执行完上述步骤得到包含器官轮廓数据的医学影像数据之后，将该医学影像数据发送至另一处理器，以使该另一处理器执行以下的质控步骤：确定该包含器官轮廓数据的医学影像数据是否包含结果为空的器官轮廓数据，若是，则删除结果为空的器官轮廓数据，以更新该包含器官轮廓数据的医学影像数据；确定该包含器官轮廓数据的医学影像数据中的各个器官轮廓数据所限定的器官的位置、形状或体积是否均正确，若否，则输出相应的提示信息。其中，该另一处理器优选为CPU。
具体地，如果该包含器官轮廓数据的医学影像数据不包含结果为空的器官轮廓数据，则直接确定该医学影像数据中的各个器官轮廓数据所限定的器官的位置、形状和体积是否均正确，若否，则输出提示信息；若该包含器官轮廓数据的医学影像数据包含结果为空的器官轮廓数据，则删除结果为空的器官轮廓数据，以更新该包含器官轮廓数据的医学影像数据；确定更新后的医学影像数据中的各个器官轮廓数据所限定的器官的位置、形状和体积是否均正确，若否，则输出相应的提示信息。
本实施例采用器官轮廓自动勾画与人工验证相结合的方式，来生成包含器官轮廓数据的医学影像数据，既能提高器官轮廓勾画的准确性，又能保证器官轮廓数据的准确性。
本实施例中，GPU可以采用串行策略进行医学影像数据的器官轮廓勾画，即任一时刻仅对一个医学影像数据进行器官轮廓勾画，也可以采用并行策略进行医学影像数据的器官轮廓勾画，即同时对至少两个医学影像数据进行器官轮廓勾画。本实施例优选后者，因为通过并行策略可以提高计算资源的利用效率，从而提高器官轮廓勾画效率。
本实施例使用医学影像***的GPU完成医学影像数据的器官轮廓勾画，使用医学影像***的CPU完成除医学影像数据的器官轮廓勾画之外的所有图像处理操作，比如医学影像数据的预处理、医学影像数据的排位等。因此医学影像***可以在几乎不占用CPU资源的情况下，通过GPU完成医学影像数据的器官轮廓勾画，这样器官轮廓勾画几乎不受CPU工作状态的影响，因此可以保证其所接收的医学影像数据的器官轮廓数据勾画的时效性。
本发明实施例提供的医学影像***的技术方案，通过勾画模板建立器官勾画范围与其对应的至少两个器官的联系，有助于提高确定每个器官勾画范围所对应器官的效率；通过勾画模板调用对应勾画模型进行器官轮廓的勾画，有助于提高器官轮廓勾画的速度和灵活性；采用GPU完成医学影像图像的器官轮廓勾画，采用CPU完成除医学影像数据之外的其他图像图像处理操作，通过二者的配合，既保证了医学影像***的正常工作，又保证了各个医学影像数据的器官轮廓勾画的时效性，可以很好地满足临床对器官轮廓勾画的需求。
实施例三
本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种器官轮廓勾画方法，该方法包括：
获取当前待勾画的医学影像数据，并确定所述医学影像数据中的器官勾画范围；
根据所述器官勾画范围确定勾画模板，所述勾画模板包括至少两个器官标识；
调用所述勾画模板对应的勾画模型在所述器官勾画范围中进行相应器官的轮廓勾画，以得到所述医学影像数据的器官轮廓数据。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的器官轮廓勾画方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(RandomAccess Memory，简称RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的器官轮廓勾画方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种器官轮廓勾画方法，其特征在于，包括：
获取当前待勾画的医学影像数据，并确定所述医学影像数据中的器官勾画范围；
根据所述器官勾画范围确定勾画模板，所述勾画模板包括至少两个器官标识；
调用所述勾画模板对应的勾画模型在所述器官勾画范围中进行相应器官的轮廓勾画，以得到所述医学影像数据的器官轮廓数据。
2.根据权利要求1所述的方法，其特征在于，所述确定所述医学影像数据中的器官勾画范围，包括：
基于预先训练的识别模型，确定所述医学影像数据所包含的各个扫描部位的体层数量；
根据各个扫描部位的体层数量所对应的实际扫查范围，确定器官勾画范围。
3.根据权利要求1所述的方法，其特征在于，所述根据所述器官勾画范围确定勾画模板之前，还包括：
获取所述医学影像数据的预设TAG信息或附加信息；
相应的，所述根据所述器官勾画范围确定勾画模板，包括：
根据所述器官勾画范围和所述预设TAG信息或附加信息确定勾画模板。
4.根据权利要求3所述的方法，其特征在于，所述获取所述医学影像数据的预设TAG信息，包括：
如果所述器官勾画范围包括预设性别器官，则从所述医学影像数据中获取包含性别信息的预设TAG信息。
5.根据权利要求3所述的方法，其特征在于，
所述预设TAG信息或附加信息包括医生信息，所述勾画模板为所述医生信息对应的医生预先设定的；或者
所述预设TAG信息或附加信息包括用于限定非正常器官的预设约定信息，所述勾画模板是基于所述预设约定信息定制的。
6.根据权利要求1所述的方法，其特征在于，所述得到所述医学影像数据的器官轮廓数据之后，还包括：
将包含所述器官轮廓数据的医学影像数据发送至另一处理器，以由该另一处理器执行以下步骤：
确定该包含器官轮廓数据的医学影像数据是否包含结果为空的器官轮廓数据，若是，则删除结果为空的器官轮廓数据，以更新该包含器官轮廓数据的医学影像数据；
确定该包含器官轮廓数据的医学影像数据中的各个器官轮廓数据所限定的器官的位置、形状和体积是否均正确，若否，则输出相应的提示信息。
7.一种医学影像***，其特征在于，包括：CPU、GPU和存储装置；
所述存储装置用于存储一个或多个第一程序以及一个或多个第二程序；
当所述一个或多个第一程序被所述CPU执行，使得所述CPU从相应影像设备获取医学影像数据；
当所述一个或多个第二程序被所述GPU执行，使得所述GPU执行权利要求1-5任一所述的器官轮廓勾画方法。
8.根据权利要求7所述的医学影像***，其特征在于，所述GPU还用于将包含器官轮廓数据的医学影像数据发送至所述CPU；
所述CPU还用于执行以下步骤：
确定该包含器官轮廓数据的医学影像数据是否包含结果为空的器官轮廓数据，若是，则删除结果为空的器官轮廓数据，以更新该包含器官轮廓数据的医学影像数据；
确定该包含器官轮廓数据的医学影像数据中的各个器官轮廓数据所限定的器官的位置、形状或体积是否均正确，若否，则输出相应的提示信息。
9.根据权利要求7所述的医学影像***，其特征在于，所述CPU还用于：
获取各个医学影像数据的轮廓勾画时限信息和扫描时间；
根据各个医学影像数据的轮廓勾画时限信息和扫描时间对当前的各个医学影像数据进行排位；
在检测到来自GPU用于获取待勾画的医学影像数据的图像获取请求时，将当前第一排位的医学影像数据发送至所述GPU。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6中任一所述的器官轮廓勾画方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110817145.0A CN113536575A (zh) | 2021-07-20 | 2021-07-20 | 器官轮廓勾画方法、医学影像***以及存储介质 |
| PCT/CN2022/106780 WO2023001193A1 (en) | 2021-07-20 | 2022-07-20 | Systems and methods for image segmentation |
| US18/399,618 US20240127438A1 (en) | 2021-07-20 | 2023-12-28 | Systems and methods for image segmentation |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110817145.0A CN113536575A (zh) | 2021-07-20 | 2021-07-20 | 器官轮廓勾画方法、医学影像***以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113536575A true CN113536575A (zh) | 2021-10-22 |
Family
ID=78128879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110817145.0A Pending CN113536575A (zh) | 2021-07-20 | 2021-07-20 | 器官轮廓勾画方法、医学影像***以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113536575A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023001193A1 (en) * | 2021-07-20 | 2023-01-26 | United Imaging Research Institute of Innovative Medical Equipment | Systems and methods for image segmentation |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040101184A1 (en) * | 2002-11-26 | 2004-05-27 | Radhika Sivaramakrishna | Automatic contouring of tissues in CT images |
| CN106462963A (zh) * | 2014-02-27 | 2017-02-22 | 因派克医药***有限公司 | 用于自适应放射治疗中自动勾画轮廓的***和方法 |
| CN106920234A (zh) * | 2017-02-27 | 2017-07-04 | 北京连心医疗科技有限公司 | 一种复合式自动放疗计划的方法 |
| CN107358053A (zh) * | 2017-07-19 | 2017-11-17 | 上海联影医疗科技有限公司 | 一种图像处理方法与装置 |
| CN107392897A (zh) * | 2017-07-17 | 2017-11-24 | 上海联影医疗科技有限公司 | 器官轮廓获取方法、影像设备、放疗计划***及存储介质 |
| CN107491633A (zh) * | 2017-06-30 | 2017-12-19 | 上海联影医疗科技有限公司 | 一种图像处理的方法及装置 |
| CN109461161A (zh) * | 2018-10-22 | 2019-03-12 | 北京连心医疗科技有限公司 | 一种基于神经网络对医学影像中人体器官进行分割的方法 |
| CN109615642A (zh) * | 2018-11-05 | 2019-04-12 | 北京全域医疗技术有限公司 | 一种放疗计划中的危及器官自动勾画方法及装置 |
| CN109727235A (zh) * | 2018-12-26 | 2019-05-07 | 苏州雷泰医疗科技有限公司 | 一种基于深度学习的器官自动勾画算法 |
| CN109785306A (zh) * | 2019-01-09 | 2019-05-21 | 上海联影医疗科技有限公司 | 器官勾画方法、装置、计算机设备和存储介质 |
| CN110739049A (zh) * | 2019-10-10 | 2020-01-31 | 上海联影智能医疗科技有限公司 | 图像勾画方法、装置、存储介质及计算机设备 |
| CN112116989A (zh) * | 2020-09-11 | 2020-12-22 | 海创时代(深圳)医疗科技有限公司 | 一种多器官勾画方法及装置 |
| WO2021115313A1 (zh) * | 2019-12-10 | 2021-06-17 | 广州柏视医疗科技有限公司 | 医学影像中正常器官的轮廓线自动勾画*** |
| CN113034528A (zh) * | 2021-04-01 | 2021-06-25 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 |
-
2021
- 2021-07-20 CN CN202110817145.0A patent/CN113536575A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040101184A1 (en) * | 2002-11-26 | 2004-05-27 | Radhika Sivaramakrishna | Automatic contouring of tissues in CT images |
| CN106462963A (zh) * | 2014-02-27 | 2017-02-22 | 因派克医药***有限公司 | 用于自适应放射治疗中自动勾画轮廓的***和方法 |
| CN106920234A (zh) * | 2017-02-27 | 2017-07-04 | 北京连心医疗科技有限公司 | 一种复合式自动放疗计划的方法 |
| CN107491633A (zh) * | 2017-06-30 | 2017-12-19 | 上海联影医疗科技有限公司 | 一种图像处理的方法及装置 |
| CN107392897A (zh) * | 2017-07-17 | 2017-11-24 | 上海联影医疗科技有限公司 | 器官轮廓获取方法、影像设备、放疗计划***及存储介质 |
| CN107358053A (zh) * | 2017-07-19 | 2017-11-17 | 上海联影医疗科技有限公司 | 一种图像处理方法与装置 |
| CN109461161A (zh) * | 2018-10-22 | 2019-03-12 | 北京连心医疗科技有限公司 | 一种基于神经网络对医学影像中人体器官进行分割的方法 |
| CN109615642A (zh) * | 2018-11-05 | 2019-04-12 | 北京全域医疗技术有限公司 | 一种放疗计划中的危及器官自动勾画方法及装置 |
| CN109727235A (zh) * | 2018-12-26 | 2019-05-07 | 苏州雷泰医疗科技有限公司 | 一种基于深度学习的器官自动勾画算法 |
| CN109785306A (zh) * | 2019-01-09 | 2019-05-21 | 上海联影医疗科技有限公司 | 器官勾画方法、装置、计算机设备和存储介质 |
| CN110739049A (zh) * | 2019-10-10 | 2020-01-31 | 上海联影智能医疗科技有限公司 | 图像勾画方法、装置、存储介质及计算机设备 |
| WO2021115313A1 (zh) * | 2019-12-10 | 2021-06-17 | 广州柏视医疗科技有限公司 | 医学影像中正常器官的轮廓线自动勾画*** |
| CN112116989A (zh) * | 2020-09-11 | 2020-12-22 | 海创时代(深圳)医疗科技有限公司 | 一种多器官勾画方法及装置 |
| CN113034528A (zh) * | 2021-04-01 | 2021-06-25 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023001193A1 (en) * | 2021-07-20 | 2023-01-26 | United Imaging Research Institute of Innovative Medical Equipment | Systems and methods for image segmentation |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11455732B2 (en) | Knowledge-based automatic image segmentation | |
| CN109074500B (zh) | 用于分割同一患者的医学图像的***和方法 | |
| CN112001925B (zh) | 图像的分割方法、放射治疗***、计算机设备和存储介质 | |
| US7817836B2 (en) | Methods for volumetric contouring with expert guidance | |
| Reed et al. | Automatic segmentation of whole breast using atlas approach and deformable image registration | |
| CN107392897B (zh) | 器官轮廓获取方法、影像设备、放疗计划***及存储介质 | |
| US9646229B2 (en) | Method and system for bone segmentation and landmark detection for joint replacement surgery | |
| US9727975B2 (en) | Knowledge-based automatic image segmentation | |
| EP3457356B1 (en) | Method and apparatus for fully automated segmentation of joint using patient-specific optimal thresholding and watershed algorithm | |
| Huyskens et al. | A qualitative and a quantitative analysis of an auto-segmentation module for prostate cancer | |
| CN109615642A (zh) | 一种放疗计划中的危及器官自动勾画方法及装置 | |
| CN111862021B (zh) | 基于深度学习的头颈部***及引流区自动勾画方法 | |
| CN110739049A (zh) | 图像勾画方法、装置、存储介质及计算机设备 | |
| CN110751187A (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
| CN106462974A (zh) | 用于分割图像的参数优化 | |
| Wittenstein et al. | Automatic image segmentation based on synthetic tissue model for delineating organs at risk in spinal metastasis treatment planning | |
| CN113536575A (zh) | 器官轮廓勾画方法、医学影像***以及存储介质 | |
| Vaassen et al. | Real-world analysis of manual editing of deep learning contouring in the thorax region | |
| Rigaud et al. | Modeling complex deformations of the sigmoid colon between external beam radiation therapy and brachytherapy images of cervical cancer | |
| Zahel et al. | Rapid assessment of liver volumetry by a novel automated segmentation algorithm | |
| Rong et al. | NRG Oncology Assessment of Artificial Intelligence Deep Learning–Based Auto-segmentation for Radiation Therapy: Current Developments, Clinical Considerations, and Future Directions | |
| WO2023001193A1 (en) | Systems and methods for image segmentation | |
| WO2023057281A1 (en) | A system and method for quality assurance of medical image segmentation | |
| EP4402692A1 (en) | A system and method for quality assurance of medical image segmentation | |
| Lüddemann | Interactive graph-based segmentation of the rectosigmoid colon in MRI data for image guided gynecological brachytherapy |
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 |