CN114943714A - 医学图像处理***、装置、电子设备及存储介质 - Google Patents

医学图像处理***、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114943714A
CN114943714A CN202210610225.3A CN202210610225A CN114943714A CN 114943714 A CN114943714 A CN 114943714A CN 202210610225 A CN202210610225 A CN 202210610225A CN 114943714 A CN114943714 A CN 114943714A
Authority
CN
China
Prior art keywords
image
metabolism
body part
organ
abnormal
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
Application number
CN202210610225.3A
Other languages
English (en)
Inventor
王超
顾笑悦
马润霞
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN202210610225.3A priority Critical patent/CN114943714A/zh
Publication of CN114943714A publication Critical patent/CN114943714A/zh
Priority to PCT/CN2023/097379 priority patent/WO2023232067A1/en
Pending legal-status Critical Current

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • 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
    • G06T2207/10104—Positron emission tomography [PET]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种医学图像处理***、装置、电子设备及存储介质，***包括处理器和存储器；存储器上存储有可被所述处理器执行的计算机可读程序；所述处理器执行所述计算机可读程序时实现如下步骤：获取目标对象的扫描图像；基于所述扫描图像，获取所述目标对象的代谢检测图像以及器官分割图像和身体部位图像中的至少一个，其中，所述代谢检测图像标识有异常代谢感兴趣区域；根据所述代谢检测图像以及器官分割图像和身体部位图像中的至少一个，确定与所述异常代谢感兴趣区域对应的器官和/或身体部位。本发明解决了现有技术中通过人工进行异常代谢感兴趣区域所对应的器官及器官所属身体部位划分的技术问题。

Description

医学图像处理***、装置、电子设备及存储介质
技术领域
本发明涉及医疗技术领域，具体涉及一种医学图像处理***、装置、电子设备及存储介质。
背景技术
医学图像诊断特别是计算机断层图像诊断(CT，Computed Tomography)、正电子发射断层图像诊断(PET，Positron Emission Tomography)以及磁共振图像诊断(MR，Magnetic Resonance)均是非常重要的医学图像诊断方式，可以无创地提供患者的解剖结构图像，从而为相关疾病诊断提供有效的技术支撑。
目前，经过PET-CT***检查之后，PET-CT***可根据扫描图像自动筛选出异常代谢的感兴趣区域，当医生获取标识有异常代谢感兴趣区域的图像后，通过人工识别，判断出感兴趣区域所属的身体部位以及其具体的器官，然后人工进行图像的身体部位和器官分割，费时费力，效率较低，而且只有专业的人员才能根据图像看出病人的病灶器官和病灶所属身体部位，对专业能力要求较高。
发明内容
本发明的目的在于克服上述技术不足，提供一种医学图像处理***、装置、电子设备及存储介质，解决现有技术中通过人工进行异常代谢感兴趣区域所对应的器官及器官所属身体部位划分的技术问题。
为达到上述技术目的，本发明采取了以下技术方案：
第一方面，本发明提供一种医学图像处理***，
包括处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如下步骤：
获取目标对象的扫描图像；
基于所述扫描图像，获取所述目标对象的代谢检测图像以及器官分割图像和身体部位图像中的至少一个，其中，所述代谢检测图像标识有异常代谢感兴趣区域；
根据所述代谢检测图像以及器官分割图像和身体部位图像中的至少一个，确定与所述异常代谢感兴趣区域对应的器官和/或身体部位。
在其中一些实施例中，所述代谢检测图像基于PET图像或CT图像获取，所述器官分割图像基于CT图像或者MR图像获取，所述身体部位图像基于定位片获取。
在其中一些实施例中，所述基于所述扫描图像，获取所述目标对象的代谢检测图像以及器官分割图像和身体部位图像中的至少一个，其中，所述代谢检测图像标识有异常代谢感兴趣区域，包括：
基于所述PET图像或CT图像，获取所述目标对象的异常代谢感兴趣区域，以得到标识有异常代谢感兴趣区域的代谢检测图像；以及
基于所述CT图像或MR图像，对所述目标对象进行器官分割，以得到所述目标对象的器官分割图像和/或身体部位图像，和/或
基于所述定位片，对所述目标对象进行身体部位分割，以得到所述目标对象的身体部位图像。
在其中一些实施例中，所述根据所述代谢检测图像以及器官分割图像和身体部位图像中的至少一个，确定与所述异常代谢感兴趣区域对应的器官和/或身体部位，包括：
获取图像之间的转换关系；
基于所述图像之间的转换关系，将所述器官分割图像和/或所述身体部位图像与所述代谢检测图像进行配准，以确定与所述异常代谢感兴趣区域对应的器官和/或身体部位。
在其中一些实施例中，所述基于所述图像之间的转换关系，将所述器官分割图像和所述身体部位图像与所述代谢检测图像进行配准，以确定与所述异常代谢感兴趣区域对应的器官和身体部位，包括：
将所述身体部位图像与所述器官分割图像进行融合，以生成第一图像，其中，所述第一图像为对目标对象的身体部位和器官进行分割后的图像；
基于所述图像之间的转换关系，将所述代谢检测图像与所述第一图像进行配准，以生成第二图像后，基于所述第二图像确定与所述异常代谢感兴趣区域对应的器官和身体部位，其中，所述第二图像为对目标对象进行了器官分割以及身体部位分割后，并标识有异常代谢感兴趣区域的图像。
在其中一些实施例中，所述基于所述图像之间的转换关系，将所述代谢检测图像与所述第一图像进行配准，以生成第二图像后，基于所述第二图像确定与所述异常代谢感兴趣区域对应的器官和身体部位，包括：
对所述第一图像进行预处理，得到一组代表所述扫描对象的体素；
根据各个体素的图像坐标以及所述第一图像的标签数据，计算出每个体素在CT物理坐标系中的空间坐标，以得到一初始点云模型；
根据所述CT物理坐标系和PET物理坐标系之间的转换关系，对所述初始点云模型进行转换，以生成第一点云模型后；
根据所述第一图像和所述第一点云模型生成配准图像；
将所述配准图像和所述代谢检测图像进行融合，以得到第二图像。
在其中一些实施例中，所述基于所述图像之间的转换关系，将所述器官分割图像或所述身体部位图像与所述代谢检测图像进行配准，以确定与所述异常代谢感兴趣区域对应的异常器官或身体部位，包括：
基于所述器官分割图像与所述代谢检测图像之间的转换关系，将所述器官分割图像与所述代谢检测图像进行配准，以得到对所述异常代谢感兴趣区域进行了器官分割、并标识有异常代谢感兴趣区域的图像；或者
基于所述身体部位图像与所述代谢检测图像之间的转换关系，将所述身体部位图像与所述代谢检测图像进行配准，以得到对所述异常代谢感兴趣区域进行了身体部位分割、并标识有异常代谢感兴趣区域的图像。
第二方面，本发明还提供一种医学图像处理装置，包括：
图像获取模块，用于获取目标对象的扫描图像；
异常检测模块，用于基于所述扫描图像，获取所述目标对象的代谢检测图像以及器官分割图像和身体部位图像中的至少一个，其中，所述代谢检测图像标识有异常代谢感兴趣区域；
位置确定模块，用于根据所述代谢检测图像以及所述器官分割图像和所述身体部位图像中的至少一个，确定与所述异常代谢感兴趣区域对应的器官和/或身体部位。
第三方面，本发明还提供一种电子设备，包括：处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如下步骤：
获取目标对象的拍摄图像，所述拍摄图像至少包括第一模态图像和第二模态图像；
基于所述第一模态图像获取所述目标对象的代谢检测图像，其中，所述代谢检测图像标识有异常代谢感兴趣区域；
基于所述第二模态图像确定所述器官分割图像和/或身体部位图像；
根据所述代谢检测图像、所述器官分割图像和/或所述身体部位图像，确定与所述异常代谢感兴趣区域对应的器官和/或身体部位，并生成文本诊断报告。
第四方面，本发明还提供了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一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如下步骤：
获取目标对象的扫描图像和光学图像，所述扫描图像至少包括第一模态图像和第二模态图像；
基于所述第一模态图像获取所述目标对象的代谢检测图像，其中，所述代谢检测图像标识有异常代谢感兴趣区域；
基于所述第二模态图像确定所述器官分割图像；
基于所述光学图像确定所述身体部位图像；
根据所述代谢检测图像、所述器官分割图像和所述身体部位图像，确定与所述异常代谢感兴趣区域对应的器官和身体部位，并生成文本诊断报告。
与现有技术相比，本发明提供的医学图像处理***、装置、电子设备及存储介质，首先获取扫描图像，然后基于扫描图像，得到目标对象的代谢检测图像以及器官分割图像和身体部位图像中的至少一个，其中代谢检测图像标识有异常代谢感兴趣区域，器官分割图像对目标对象进行了器官分割，身体部位图像对目标对象进行了身体部位分割，最后将代谢检测图像与器官分割图像和身体部位图像中的至少一个进行融合处理，进而可以确定出与所述异常代谢感兴趣区域对应的器官和/或身体部位，无需医生进行人工判断感兴趣区域所属的身体部位以及其具体的器官后，手动进行图像中感兴趣区域所属的身体部位以及其具体的器官的划分，加快了病灶识别的过程，提高病灶识别效率，减轻了医生的工作，而且，无需专业人员进行图像识别判断，普通人员即可根据最后的融合图像看出目标对象的病灶器官和病灶所属身体部位，给病人也提供了方便。
附图说明
图1是本发明提供的医学图像处理***的一实施例的流程图；
图2是本发明提供的医学图像处理***中，步骤S200的一实施例的流程图；
图3是本发明提供的医学图像处理***中，步骤S300的一实施例的流程图；
图4是本发明提供的医学图像处理***中，步骤S320的一实施例的流程图；
图5本发明提供的医学图像处理装置的一实施例的示意图；
图6是本发明医学图像处理程序的一实施例的运行环境示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明所涉及的医学图像处理***、装置、设备或者计算机可读存储介质可用于医学领域中的X射线计算机断层造影***(CT***)、正电子发射型断层显像***(PET***)、正电子发射计算机断层显像-X射线计算机断层造影多模态混合***(PET-CT***)、单光子发射断层造影***(SPECT-CT***)、正电子发射型断层显像-磁共振成像***(PET-MRI***)等医学成像***中。本发明所涉及的***、装置、设备或者计算机可读存储介质既可以与上述***集成在一起，也可以是相对独立的。
本实施例提供了一种医学图像处理***，可设置于医学成像***中，医学成像***可以为X射线计算机断层造影***(CT***)、正电子发射型断层显像***(PET***)、正电子发射计算机断层显像-X射线计算机断层造影多模态混合***(PET-CT***)、单光子发射断层造影***(SPECT-CT***)、正电子发射型断层显像-磁共振成像***(PET-MRI***)等，医学图像处理***所执行的方法具体可由该***的一个或者多个处理器执行。图1是本发明实施例提供的医学图像处理***执行的方法的流程图，请参阅图1，医学图像处理***处理器和存储器；存储器上存储有可被处理器执行的计算机可读程序；处理器执行计算机可读程序时实现如下步骤：
S100、获取目标对象的扫描图像；
S200、基于扫描图像，获取目标对象的代谢检测图像以及器官分割图像和身体部位图像中的至少一个，其中，代谢检测图像标识有异常代谢感兴趣区域；
S300、根据代谢检测图像以及器官分割图像和身体部位图像中的至少一个，确定与异常代谢感兴趣区域对应的器官和/或身体部位。
本实施例中，首先获取扫描图像，然后基于扫描图像，得到目标对象的代谢检测图像以及器官分割图像和身体部位图像中的至少一个，其中代谢检测图像标识有异常代谢感兴趣区域，器官分割图像对目标对象进行了器官分割，身体部位图像对目标对象进行了身体部位分割，最后将代谢检测图像与器官分割图像和身体部位图像中的至少一个进行融合处理，进而可以确定出与所述异常代谢感兴趣区域对应的器官和/或身体部位，无需医生进行人工判断感兴趣区域所属的身体部位以及其具体的器官后，手动进行图像中感兴趣区域所属的身体部位以及其具体的器官的划分，加快了病灶识别的过程，提高病灶识别效率，减轻了医生的工作，而且，无需专业人员进行图像识别判断，普通人员即可根据最后的融合图像看出目标对象的病灶器官和病灶所属身体部位，给病人也提供了方便。
在一些实施例中，当代谢检测图像与器官分割图像和身体部位图像中的至少一个进行融合处理时，如果图像之间的成像区域不一致，即在一种情况下，PET图像和CT图像重建时，径向范围(FOV，Field ofView)不一致，例如PET扫描径向重建范围为700mm，能够覆盖人体全部区域，但CT径向重建范围为500mm，对于人体胳膊部分不能完全覆盖，但CT扫描仍能采集这一范围的数据，当感兴趣区域在上述CT径向重建范围之外时，可以使用扩展FOV的算法，预测CT扫描中500mm以外区域的重建图像，进而确定感兴趣区域所在的部位。在另一种情况下，当CT在轴向的扫描范围(AFOV，Axial Field of View)与PET扫描不一致时，例如PET扫描范围为头部到膝盖位置，而CT扫描范围为头部到大腿位置，此时扩展FOV功能很难预测到两种扫描方式下不重合区域的CT图像，可通过定位算法推测感兴趣区域所在的部位或器官；对于肝部等比较大的器官，可以仅通过PET图像做定位，确定感兴趣区域所在的器官。
在一些实施例中，获取目标对象的拍摄图像，拍摄图像包括第一模态图像和第二模态图像，其中，第一模态图像为PET图像，第二模态图像为CT图像。基于PET图像获取目标对象标识有异常代谢感兴趣区域的代谢检测图像，根据代谢检测图像与CT成像图像，确定异常代谢感兴趣区域对应的器官，并生成文本诊断报告；根据代谢检测图像与CT定位片图像，确定异常代谢感兴趣区域对应的身体部位，并生成文本诊断报告。
在一些实施例中，获取目标对象的扫描图像和光学图像，拍摄图像包括第一模态图像和第二模态图像，其中，第一模态图像为PET图像，第二模态图像为CT图像。基于PET图像获取目标对象标识有异常代谢感兴趣区域的代谢检测图像，根据代谢检测图像与CT成像图像，确定异常代谢感兴趣区域对应的器官，并生成文本诊断报告；根据代光学图像，确定异常代谢感兴趣区域对应的身体部位，并生成文本诊断报告。
可选的，步骤S100中，目标对象包括但不限于人体、人体的组织器官、动物等。
在一些实施例中，步骤S100中，扫描图像可以包括但不限于PET图像、CT图像、MR图像、定位片中的至少一个。其中，PET图像或CT图像可用于进行代谢检测图像的获取，CT图像或MR图像可用于进行器官分割图像，定位片可用于进行身体部位分割，例如，将CT图像进行器官分割，可得到器官分割图像，CT图像或者MR获取之前的第一张像图为定位片，定位片由于成像组织结构并没有那么清晰，只能看到轮廓，故可用于身体部位分割，进行身体部位图像的获取。PET图像通过PET设备获得，CT图像通过CT设备获得，MR图像通过MR设备获取。其中，定位片一般可以反映患者的整体概略信息，通常可以是患者的冠状位图像或者矢状位图像。定位片的扫描时间短，定位片上一般有定位框，借助定位框和平面图像可判断这一区域涵盖的结构。定位片能够明确扫描范围、角度、扫描参数、延迟时间等,制定出详细的扫描计划,为诊断的准确性提供保障。因此，通过定位片可以方便的对目标对象的身体部位进行分割，例如将人体部位分割为头部、颈部、胸部、腹部、腿部等等。CT图像反应了不同器官的CT值，不同器官的CT值不同，因此，可方便的进行器官分割，例如将人体器官分割为肝(具体到肝分段)、肾、肺(具体到肺分叶)、肋骨(具体到第几肋骨)、椎骨(具体到第几椎骨)等等。需要说明的是，定位片是在CT图像或者MR图像之前获取，定位片的获取方式包括但不限于CT设备拍摄、MR设备拍摄或者深度相机拍摄。
在一些实施例中，为了增加图像识别的准确率，在获取了扫描图像后，对扫描图像进行预处理，预处理的过程包括但不限于降噪、滤波、灰度二值化处理、归一化增强处理等处理过程，以得到更为清晰的图像，以方便后续的代谢异常区域识别、器官分割以及身体部位分割。
步骤S200是为了基于PET图像、CT图像、MR图像和/或定位片来得到目标对象的代谢检测图像以及器官分割图像和身体部位图像中的至少一个。在一些实施例中，代谢检测图像基于PET图像或CT图像获取，器官分割图像基于CT图像或者MR图像获取，身体部位图像基于定位片获取。
在一些实施例中，请参阅图2，步骤S200具体包括：
S210、基于PET图像或CT图像，获取目标对象的异常代谢感兴趣区域，以得到标识有异常代谢感兴趣区域的代谢检测图像；
S220、基于CT图像或MR图像，对目标对象进行器官分割，获取目标对象的器官分割图像和/或身体部位图像；
S230、基于定位片，对目标对象进行身体部位分割，以得到所述目标对象的身体部位图像。
具体的，步骤S210至步骤S230可以同时或者依次进行，本发明实施例对此三个步骤的执行顺序不做限定，图2仅仅示出了一种执行的方式，并不代表本发明实施例必须按照该执行顺序执行。此外，除步骤S210外，步骤S220和步骤S230可以只执行其中任意一个。
步骤S210中，根据PET图像或CT图像检测出目标对象的异常代谢感兴趣区域，异常代谢感兴趣区域可以为发生病变的异常代谢区域，例如肿瘤病灶；异常代谢感兴趣区域还可以为对示踪剂摄取量较高的正常身体组织，如肝、脑、膀胱、肾、心肌等。在药物代谢过程中，异常区域与周围正常的身体组织相比，对药物反应不同。本发明检测异常代谢感兴趣区域的方式有多种，例如，通过药物代谢指标来判断出异常代谢感兴趣区域，其具体过程为：根据药物代谢情况设置阈值，从而得到预设的医学参数阈值，然后根据身体部位对药物的代谢情况与医学参数阈值的对比结果识别出异常代谢感兴趣区域。此外，还可以通过深度学习算法对PET图像或CT图像中的异常位置进行识别。其具体过程为：深度学习算法在经过训练后，可以直接从输入的PET图像或CT图像中识别出异常代谢感兴趣区域，具体的，深度学习算法的训练过程为：获取训练集并构建深度学习模型，其中，训练集包括输入参数和输出参数，输入参数可以为PET图像或CT图像，输出参数可以为经过人工进行异常代谢感兴趣区域划分的代谢检测图像，然后采用所述训练集对深度学习模型进行训练，以得到训练完备的深度学习模型。检测异常代谢感兴趣区域的方式可根据实际情况自由选择，本发明实施例对此不做限定。
步骤S220中，当采用CT图像进行器官分割时，由于人体器官或组织是由多种物质成分和不同的密度构成的，因此在X线穿透人体器官或组织时，各点对X线的吸收系数是不同的。因此反映在CT图像上时不同器官会有不同的HU值，加之CT的分辨率相对较高，因此可以把各个器官分割出来，其具体实现方式有很多，例如，根据预设的CT值阈值来进行器官分割，亦可以通过深度学习算法来进行器官分割，其具体过程为：深度学习算法在经过训练后，可以直接从输入的CT图像中识别出器官。器官分割的方式可根据实际情况自由选择，本发明实施例对此不做限定。
步骤S220中，当采用MR图像进行器官分割时，由于人体不同的组织在不同的磁场中表现出来的信号不一致，因此呈现在MR图像上就会有差异，MR可以设置很多序列，很多参数，在不同的序列和参数中组织体现在MR图像上也不一样，故也可以利用MR图像进行器官分割。
步骤S230中，定位片用于进行身体部位分割。在一些实施例中，可采用图像语义分割模型实现身体部位的分割，例如将目标物体分割为头部、胸部、腹部、盆腔部和下肢部，将定位片根据身体部位分开，其中，图像语义分割模型可采用FCN模型(全卷积网络模型)、U-NET神经网络模型等，本发明对其实现方式不做限定。
步骤S300是为了将代谢检测图像与器官分割图像和/或身体部位图像融合，进而确定出与异常代谢感兴趣区域对应的异常器官和/或身体部位。在一些实施例中，请参阅图3，步骤S300具体包括：
S310、获取图像之间的转换关系；
S320、基于图像之间的转换关系，将器官分割图像和/或身体部位图像与代谢检测图像进行配准，以确定与异常代谢感兴趣区域对应的器官和/或身体部位。
本实施例中，由于代谢检测图像与器官分割图像和/或身体部位图像是由不同的设备获取，因此，在将图像进行融合时，需要先获取图像之间的配准关系，才能在代谢检测图像中标识出目标对象的器官以及身体部位。通过将代谢检测图像与器官分割图像和/或身体部位图像进行配准后，即可得到进行了器官分割和/或身体部位分割并标识有异常代谢感兴趣区域的图像，通过此图像即可快速的确定异常代谢感兴趣区域对应的异常器官，更进一步，可以快速确定异常器官所属的身体部位，例如确定目标对象的异常位置在胸部的左肺上叶上或者在腹部的第五腰椎上。
在一些实施例中，请参阅图4，步骤S320具体包括：
S321、将身体部位图像与器官分割图像进行配准，以生成第一图像，其中，第一图像为对目标对象的身体部位和器官进行分割后的图像；
S322、基于图像之间的转换关系，将代谢检测图像与第一图像进行配准，以生成第二图像后，基于第二图像确定与异常代谢感兴趣区域对应的器官和身体部位，其中，第二图像为对目标对象进行了器官分割以及身体部位分割后，并标识有异常代谢感兴趣区域的图像。
本实施例中，在进行配准融合时，由于身体部位图像和器官分割图像为同一设备获取，因此，可直接进行融合得到第一图像然后将第一图像与代谢检测图像进行配准融合得到第二图像，当然，在其它的实施例中，还可以先将器官分割图像与代谢检测图像融合得到一中间图像后，然后将中间图像与身体部位图像进行融合得到第二图像，本发明实施例对其具体融合的顺序不作限定，只要能够生成第二图像的技术方案均在本发明的保护范围中。
在一些实施例中，步骤S322具体包括：
对第一图像进行预处理，得到一组代表所述扫描对象的体素；
根据各个体素的图像坐标以及第一图像的标签数据，计算出每个体素在CT物理坐标系中的空间坐标，以得到一初始点云模型；
根据CT物理坐标系和PET物理坐标系之间的转换关系，对初始点云模型进行转换，以生成第一点云模型后；
根据第一图像和第一点云模型生成配准图像；
将配准图像和代谢检测图像进行融合，以得到第二图像。
本实施例中，第一图像为通过CT图像获取，为了得到代表扫描对象的点云数据，需先将第一图像进行预处理，然后再通过多个坐标转换后，得到第一点云模型。其中，预处理的过程可以是为了更精准的提取出一组代表扫描对象的体素，具体的，预处理的过程可以为：对器官分割图像至少进行二值化和/或轮廓提取处理，以得到代表扫描对象的体素。其中，二值化处理的过程是为了实现对器官分割图像的灰度处理，轮廓提取处理是为了提取出器官分割图像中扫描对象的轮廓，在具体实施时，可采用图像梯度算法提取出扫描对象的轮廓，进而可以更精准的得到代表扫描对象的体素。
每个体素都有代表其位置的坐标，此坐标为图像坐标系下的坐标，为了和PET图像进行配准，需要先将图像坐标系下的图像坐标转换为PET物理坐标系下的坐标，其需要经过两次坐标转换，即图像坐标—CT坐标—PET坐标。
具体的，图像坐标转换为CT物理坐标系下的坐标可利用第一图像的标签数据进行，第一图像一般以DICOM格式保存，DICOM数据具有标签数据，本实施例采用标签数据中的Patient Position-(0018,5100)、Image Position(Patient)-(0020,0032)和ImageOrientation(Patient)-(0020,0037)三个字段来确定进行坐标的转换，以实现扫描对象的空间定位。其中，Image Position表示图像的左上角在患者坐标系下的空间坐标，ImageOrientation表示图像坐标系与患者坐标系对应坐标轴的夹角余弦值，Image Orientation有6个参数，前三个为图像坐标系的X轴与患者坐标系的三个轴之间的夹角余弦，后三个为图像坐标系的Y轴与患者坐标系的三个轴之间的夹角余弦，如果6个参数里边只有0和1或-1，则图像一定与患者坐标系某个平面平行；如果出现小数，则表示不是完全是3个位面中的一个，会有一定夹角。Patient Position描述患者相对于成像设备的位置，说明了患者摆位和进床方式，患者坐标系和CT物理坐标系的原点重合，但是各坐标轴方向会根据患者摆位和进床方式不同而有区别。Patient Position提供了患者坐标系和CT物理坐标系间的转换关系。通过上述三个字段即可将体素的图像坐标转换为体素在CT物理坐标系下的空间坐标，得到一个初始点云模型。
进一步的，当得到了初始点云模型后，即可进一步根据CT物理坐标系和PET物理坐标系之间的转换关系，将初始点云模型的各个坐标转换为PET物理坐标系下的坐标，得到第一点云模型。其中，CT物理坐标系和PET物理坐标系之间的转换关系为已知，在进行CT设备和PET设备的***校准时，即可获取，例如可通过模体的校准得到该转化关系。本实施例中，通过CT物理坐标系和PET物理坐标系之间的旋转矩阵R和平移矩阵T来进行坐标的转换，具体的，CT物理坐标系和PET物理坐标系的坐标转换关系可通过如下公式获取：
XPET＝R*XCT+T，
其中，XPET表示空间中任一坐标点在PET物理坐标系下的三维坐标，XCT表示空间中同一坐标点在CT物理坐标系下的三维坐标，R表示旋转矩阵，T表示平移矩阵，举例来说，某一体素的空间坐标为(x1,y1,z1)，经过上述公式进行坐标转换后，其被转化为(x2,y2,z2)，多个体素转化后的坐标集合即构成了第一点云模型。
当得到第一点云模型后，即可对第一图像进行转换，根据第一点云模型和第一图像，生成配准图像，此配准图像的各个像素点的坐标即为PET物理坐标系下的坐标，因此可以直接与代谢检测图像进行融合，基于配准图像的身体部位和器官结果，可以相应的在代谢检测图像中实现器官和身体部位的分割，最终得到对目标对象进行了器官分割以及身体部位分割后，并标识有异常代谢感兴趣区域的第二图像。
本发明无需医生进行人工进行异常代谢感兴趣区域所属的身体部位以及其具体的器官的划分，加快了病灶识别的过程，提高病灶识别效率，减轻了医生的工作，而且，无需专业人员进行图像识别判断，普通人员即可根据最后的融合图像看出目标对象的病灶器官和病灶所属身体部位，给病人也提供了方便。
当然，需要说明的是，当第一图像通过MR图像获取时，可直接通过获取PET坐标系和MR坐标系后，将第一图像和代谢检测图像进行配准融合，进而得到对目标对象进行了器官分割以及身体部位分割后，并标识有异常代谢感兴趣区域的第二图像。
由于代谢检测图像还可以直接与器官分割图像或者身体部位图像直接进行融合，得到对异常代谢感兴趣区域进行了器官分割、并标识有异常代谢感兴趣区域的图像或者对异常代谢感兴趣区域进行了身体部位分割、并标识有异常代谢感兴趣区域的图像，因此，在一些实施例中，步骤S320包括：
基于器官分割图像与代谢检测图像之间的转换关系，将器官分割图像与代谢检测图像进行配准，以得到对目标对象进行了器官分割、并标识有异常代谢感兴趣区域的图像；或者
基于身体部位图像与代谢检测图像之间的转换关系，将身体部位图像与代谢检测图像进行配准，以得到对目标对象进行了身体部位分割、并标识有异常代谢感兴趣区域的图像。
本实施例中，得到的图像有两张，分别是进行器官分割后的异常代谢感兴趣区域图像和进行身体部位分割后的异常代谢感兴趣区域图像。即通过两张图像来显示异常代谢感兴趣区域对应的器官和身体部位。其中，器官分割图像与代谢检测图像的配准方法、身体部位图像与代谢检测图像的配准方法与上述第一图像和代谢检测图像的配准方法类似，在此不再赘述。
应该理解的是，虽然图1至图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。
基于上述医学图像处理***，本发明实施例还相应的提供一种医学图像处理装置400，请参阅图5，该医学图像处理装置400包括图像获取模块410、异常检测模块420和位置确定模块430。
图像获取模块410用于获取目标对象的扫描图像。
异常检测模块420用于基于扫描图像，获取目标对象的代谢检测图像以及器官分割图像和身体部位图像中的至少一个，其中，代谢检测图像标识有异常代谢感兴趣区域。
位置确定模块430用于根据代谢检测图像以及器官分割图像和身体部位图像中的至少一个，确定与异常代谢感兴趣区域对应的异常器官和/或身体部位。
本实施例中，首先获取扫描图像，然后基于扫描图像，得到目标对象的代谢检测图像以及器官分割图像和身体部位图像中的至少一个，其中代谢检测图像标识有异常代谢感兴趣区域，器官分割图像对目标对象进行了器官分割，身体部位图像对目标对象进行了身体部位分割，最后将代谢检测图像与器官分割图像和身体部位图像中的至少一个进行融合处理，进而可以确定出与异常代谢感兴趣区域对应的器官和/或身体部位，无需医生进行人工判断感兴趣区域所属的身体部位以及其具体的器官后，手动进行图像中感兴趣区域所属的身体部位以及其具体的器官的划分，加快了病灶识别的过程，提高病灶识别效率，减轻了医生的工作，而且，无需专业人员进行图像识别判断，普通人员即可根据最后的融合图像看出目标对象的病灶器官和病灶所属身体部位，给病人也提供了方便。
在一些实施例中，代谢检测图像基于PET图像或CT图像获取，器官分割图像基于CT图像或者MR图像获取，身体部位图像基于定位片获取。
在一些实施例中，异常检测模块420包括第一图像获取单元、第二图像获取单元以及第三图像获取单元。
第一图像获取单元用于基于PET图像或CT图像，获取目标对象的异常代谢感兴趣区域，以得到标识有异常代谢感兴趣区域的代谢检测图像。
第二图像获取单元用于基于CT图像或MR图像，对所述目标对象进行器官分割，以得到目标对象的器官分割图像；
第三图像获取单元用于基于定位片，对目标对象进行身体部位分割，以得到目标对象的身体部位图像。
在一些实施例中，位置确定模块430包括转换关系获取单元以及确定单元。
转换关系获取单元用于获取图像之间的转换关系；
确定单元用于基于图像之间的转换关系，将器官分割图像和/或身体部位图像与代谢检测图像进行配准，以确定与异常代谢感兴趣区域对应的器官和/或身体部位。
在一些实施例中，确定单元包括第一图像生成子单元和第二图像生成子单元。
第一图像生成子单元用于将身体部位图像与器官分割图像进行融合，以生成第一图像，其中，第一图像为对目标对象的身体部位和器官进行分割后的图像；
第二图像生成子单元用于基于图像之间的转换关系，将代谢检测图像与第一图像进行配准，以生成第二图像后，基于第二图像确定与异常代谢感兴趣区域对应的器官和身体部位，其中，第二图像为对目标对象进行了器官分割以及身体部位分割后，并标识有异常代谢感兴趣区域的图像。
在一些实施例中，第二图像生成子单元具体用于：
对第一图像进行预处理，得到一组代表扫描对象的体素；
根据各个体素的图像坐标以及器官分割图像的标签数据，计算出每个体素在CT物理坐标系中的空间坐标，以得到一初始点云模型；
根据CT物理坐标系和PET物理坐标系之间的转换关系，对初始点云模型进行转换，以生成第一点云模型后；
根据第一图像和第一点云模型生成配准图像；
将配准图像和代谢检测图像进行融合，以得到第二图像。
在一些实施例中，确定单元具体用于：
基于器官分割图像与代谢检测图像之间的转换关系，将器官分割图像与代谢检测图像进行配准，以得到对异常代谢感兴趣区域进行了器官分割、并标识有异常代谢感兴趣区域的图像；或者
基于身体部位图像与代谢检测图像之间的转换关系，将身体部位图像与代谢检测图像进行配准，以得到对异常代谢感兴趣区域进行了身体部位分割、并标识有异常代谢感兴趣区域的图像。
如图6所示，基于上述医学图像处理方法，本发明还相应提供了一种电子设备，该电子设备可以是医学成像***的控制装置、移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子设备包括处理器10、存储器20及显示器30。图6仅示出了电子设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器20在一些实施例中可以是该电子设备的内部存储单元，例如电子设备的硬盘或内存。存储器20在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备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，存储器20还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器20用于存储安装于电子设备的应用软件及各类数据，例如安装电子设备的程序代码等。存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有医学图像处理程序40，该医学图像处理程序40可被处理器10所执行，从而实现本申请各实施例的医学图像处理方法。
处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器20中存储的程序代码或处理数据，例如执行医学图像处理方法等。
显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器30用于显示在所述医学图像异常识别设备的信息以及用于显示可视化的用户界面。电子设备的处理器10、存储器20及显示器30通过***总线相互通信。
在一实施例中，当处理器10执行存储器20中医学图像处理程序40时实现以下步骤：
获取目标对象的扫描图像；
基于扫描图像，获取目标对象的代谢检测图像以及器官分割图像和身体部位图像中的至少一个，其中，代谢检测图像标识有异常代谢感兴趣区域；
根据代谢检测图像以及器官分割图像和身体部位图像中的至少一个，确定与异常代谢感兴趣区域对应的器官和/或身体部位。
在一些实施例中，代谢检测图像基于PET图像或CT图像获取，器官分割图像基于CT图像或者MR图像获取，身体部位图像基于定位片获取。
在一些实施例中，处理器10执行存储器20中医学图像处理程序40时还实现如下步骤：
基于PET图像或CT图像，获取目标对象的异常代谢感兴趣区域，以得到标识有异常代谢感兴趣区域的代谢检测图像；以及
基于CT图像或MR图像对目标对象进行器官分割和/或身体部位分割，以得到目标对象的器官分割图像和/或身体部位图像，和/或
基于所述定位片，对所述目标对象进行身体部位分割，以得到所述目标对象的身体部位图像。
在一些实施例中，处理器10执行存储器20中医学图像处理程序40时还实现如下步骤：
获取图像之间的转换关系；
基于图像之间的转换关系，将器官分割图像和/或身体部位图像与代谢检测图像进行配准，以确定与异常代谢感兴趣区域对应的器官和/或身体部位。
在一些实施例中，处理器10执行存储器20中医学图像异常识别代谢程序40时还实现如下步骤：
将身体部位图像与器官分割图像进行配准，以生成第一图像，其中，第一图像为对目标对象的身体部位和器官进行分割后的图像；
基于图像之间的转换关系，将代谢检测图像与第一图像进行配准，以生成第二图像后，基于第二图像确定与异常代谢感兴趣区域对应的器官和身体部位，其中，第二图像为对目标对象进行了器官分割以及身体部位分割后，并标识有异常代谢感兴趣区域的图像。
在一些实施例中，处理器10执行存储器20中医学图像处理程序40时还实现如下步骤：
对第一图像进行预处理，得到一组代表扫描对象的体素；
根据各个体素的图像坐标以及第一图像的标签数据，计算出每个体素在CT物理坐标系中的空间坐标，以得到一初始点云模型；
根据CT物理坐标系和PET物理坐标系之间的转换关系，对初始点云模型进行转换，以生成第一点云模型后；
根据第一图像和第一点云模型生成配准图像；
将配准图像和所述代谢检测图像进行融合，以得到第二图像。
在一些实施例中，处理器10执行存储器20中医学图像处理程序40时还实现如下步骤：
基于器官分割图像与代谢检测图像之间的转换关系，将器官分割图像与代谢检测图像进行配准，以得到对异常代谢感兴趣区域进行了器官分割、并标识有异常代谢感兴趣区域的图像；或者
基于身体部位图像与代谢检测图像之间的转换关系，将身体部位图像与代谢检测图像进行配准，以得到对异常代谢感兴趣区域进行了身体部位分割、并标识有异常代谢感兴趣区域的图像。
综上所述，本发明提供的医学图像处理***、装置、电子设备及存储介质，首先获取扫描图像，然后基于扫描图像，得到目标对象的代谢检测图像以及器官分割图像和身体部位图像中的至少一个，其中代谢检测图像标识有异常代谢感兴趣区域，器官分割图像对目标对象进行了器官分割，身体部位图像对目标对象进行了身体部位分割，最后将代谢检测图像与器官分割图像和身体部位图像中的至少一个进行融合处理，进而可以确定出与异常代谢感兴趣区域对应的器官和/或身体部位，无需医生进行人工判断感兴趣区域所属的身体部位以及其具体的器官后，手动进行图像中感兴趣区域所属的身体部位以及其具体的器官的划分，加快了病灶识别的过程，提高病灶识别效率，减轻了医生的工作，而且，无需专业人员进行图像识别判断，普通人员即可根据最后的融合图像看出目标对象的病灶器官和病灶所属身体部位，给病人也提供了方便。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的存储介质中，该程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (10)

1.一种医学图像处理***，其特征在于，包括处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如下步骤：
获取目标对象的扫描图像；
基于所述扫描图像，获取所述目标对象的代谢检测图像以及器官分割图像和身体部位图像中的至少一个，其中，所述代谢检测图像标识有异常代谢感兴趣区域；
根据所述代谢检测图像以及所述器官分割图像和所述身体部位图像中的至少一个，确定与所述异常代谢感兴趣区域对应的器官和/或身体部位。
2.根据权利要求1所述的医学图像处理***，其特征在于，所述代谢检测图像基于PET图像或CT图像获取，所述器官分割图像基于CT图像或者MR图像获取，所述身体部位图像基于定位片获取。
3.根据权利要求2所述的医学图像处理***，其特征在于，所述基于所述扫描图像，获取所述目标对象的代谢检测图像以及器官分割图像和身体部位图像中的至少一个，其中，所述代谢检测图像标识有异常代谢感兴趣区域，包括：
基于所述PET图像或CT图像，获取所述目标对象的异常代谢感兴趣区域，以得到标识有所述异常代谢感兴趣区域的代谢检测图像；以及
基于所述CT图像或MR图像，对所述目标对象进行器官分割，以得到所述目标对象的器官分割图像，和/或
基于所述定位片，对所述目标对象进行身体部位分割，以得到所述目标对象的身体部位图像。
4.根据权利要求3所述的医学图像处理***，其特征在于，所述根据所述代谢检测图像以及器官分割图像和身体部位图像中的至少一个，确定与所述异常代谢感兴趣区域对应的器官和/或身体部位，包括：
获取图像之间的转换关系；
基于所述图像之间的转换关系，将所述器官分割图像和/或所述身体部位图像与所述代谢检测图像进行配准，以确定与所述异常代谢感兴趣区域对应的器官和/或身体部位。
5.根据权利要求4所述的医学图像处理***，其特征在于，所述基于所述图像之间的转换关系，将所述器官分割图像和所述身体部位图像与所述代谢检测图像进行配准，以确定与所述异常代谢感兴趣区域对应的器官和身体部位，包括：
将所述身体部位图像与所述器官分割图像进行融合，以生成第一图像，其中，所述第一图像为对目标对象的身体部位和器官进行分割后的图像；
基于所述图像之间的转换关系，将所述代谢检测图像与所述第一图像进行配准，以生成第二图像后，基于所述第二图像确定与所述异常代谢感兴趣区域对应的器官和身体部位，其中，所述第二图像为对目标对象进行了器官分割以及身体部位分割后，并标识有异常代谢感兴趣区域的图像。
6.根据权利要求5所述的医学图像处理***，其特征在于，所述基于所述图像之间的转换关系，将所述代谢检测图像与所述第一图像进行配准，以生成第二图像后，基于所述第二图像确定与所述异常代谢感兴趣区域对应的器官和身体部位，包括：
对所述第一图像进行预处理，得到一组代表所述扫描对象的体素；
根据各个体素的图像坐标以及所述第一图像的标签数据，计算出每个体素在CT物理坐标系中的空间坐标，以得到一初始点云模型；
根据所述CT物理坐标系和PET物理坐标系之间的转换关系，对所述初始点云模型进行转换，以生成第一点云模型后；
根据所述第一图像和所述第一点云模型生成配准图像；
将所述配准图像和所述代谢检测图像进行融合，以得到第二图像。
7.根据权利要求4所述的医学图像处理***，其特征在于，所述基于所述图像之间的转换关系，将所述器官分割图像或所述身体部位图像与所述代谢检测图像进行配准，以确定与所述异常代谢感兴趣区域对应的器官或身体部位，包括：
基于所述器官分割图像与所述代谢检测图像之间的转换关系，将所述器官分割图像与所述代谢检测图像进行配准，以得到对所述异常代谢感兴趣区域进行了器官分割、并标识有异常代谢感兴趣区域的图像；或者
基于所述身体部位图像与所述代谢检测图像之间的转换关系，将所述身体部位图像与所述代谢检测图像进行配准，以得到对所述异常代谢感兴趣区域进行了身体部位分割、并标识有异常代谢感兴趣区域的图像。
8.一种医学图像处理装置，其特征在于，包括：
图像获取模块，用于获取目标对象的扫描图像；
异常检测模块，用于基于所述扫描图像，获取所述目标对象的代谢检测图像以及器官分割图像和身体部位图像中的至少一个，其中，所述代谢检测图像标识有异常代谢感兴趣区域；
位置确定模块，用于根据所述代谢检测图像以及器官分割图像和身体部位图像中的至少一个，确定与所述异常代谢感兴趣区域对应的器官和/或身体部位。
9.一种电子设备，其特征在于，包括：处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如下步骤：
获取目标对象的拍摄图像，所述拍摄图像至少包括第一模态图像和第二模态图像；
基于所述第一模态图像获取所述目标对象的代谢检测图像，其中，所述代谢检测图像标识有异常代谢感兴趣区域；
基于所述第二模态图像确定所述器官分割图像和/或身体部位图像；
根据所述代谢检测图像、所述器官分割图像和/或所述身体部位图像，确定与所述异常代谢感兴趣区域对应的器官和/或身体部位，并生成文本诊断报告。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如下步骤：
获取目标对象的扫描图像和光学图像，所述扫描图像至少包括第一模态图像和第二模态图像；
基于所述第一模态图像获取所述目标对象的代谢检测图像，其中，所述代谢检测图像标识有异常代谢感兴趣区域；
基于所述第二模态图像确定所述器官分割图像；
基于所述光学图像确定所述身体部位图像；
根据所述代谢检测图像、所述器官分割图像和所述身体部位图像，确定与所述异常代谢感兴趣区域对应的器官和身体部位，并生成文本诊断报告。
CN202210610225.3A 2022-05-31 2022-05-31 医学图像处理***、装置、电子设备及存储介质 Pending CN114943714A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210610225.3A CN114943714A (zh) 2022-05-31 2022-05-31 医学图像处理***、装置、电子设备及存储介质
PCT/CN2023/097379 WO2023232067A1 (en) 2022-05-31 2023-05-31 Systems and methods for lesion region identification

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210610225.3A CN114943714A (zh) 2022-05-31 2022-05-31 医学图像处理***、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114943714A true CN114943714A (zh) 2022-08-26

Family

ID=82909233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210610225.3A Pending CN114943714A (zh) 2022-05-31 2022-05-31 医学图像处理***、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114943714A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023232067A1 (en) * 2022-05-31 2023-12-07 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for lesion region identification
CN117689567A (zh) * 2024-01-31 2024-03-12 广州索诺康医疗科技有限公司 一种超声波图像扫描方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023232067A1 (en) * 2022-05-31 2023-12-07 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for lesion region identification
CN117689567A (zh) * 2024-01-31 2024-03-12 广州索诺康医疗科技有限公司 一种超声波图像扫描方法及装置
CN117689567B (zh) * 2024-01-31 2024-05-24 广州索诺康医疗科技有限公司 一种超声波图像扫描方法及装置

Similar Documents

Publication Publication Date Title
US9741131B2 (en) Anatomy aware articulated registration for image segmentation
US9471987B2 (en) Automatic planning for medical imaging
US8787648B2 (en) CT surrogate by auto-segmentation of magnetic resonance images
US9082231B2 (en) Symmetry-based visualization for enhancing anomaly detection
US10803354B2 (en) Cross-modality image synthesis
US9336457B2 (en) Adaptive anatomical region prediction
US8588498B2 (en) System and method for segmenting bones on MR images
CN109152566B (zh) 校正超声融合成像***中的探头引起的变形
US20140294263A1 (en) Synchronized Navigation of Medical Images
US10460508B2 (en) Visualization with anatomical intelligence
CN106709920B (zh) 血管提取方法及其装置
CN114943714A (zh) 医学图像处理***、装置、电子设备及存储介质
US9020215B2 (en) Systems and methods for detecting and visualizing correspondence corridors on two-dimensional and volumetric medical images
CN111904379A (zh) 多模态医学设备的扫描方法和装置
Alam et al. Evaluation of medical image registration techniques based on nature and domain of the transformation
US11495346B2 (en) External device-enabled imaging support
US9286688B2 (en) Automatic segmentation of articulated structures
WO2023232067A1 (en) Systems and methods for lesion region identification
EP3152735B1 (en) Device and method for registration of two images
Li et al. 3D and 4D medical image registration combined with image segmentation and visualization
CN111801705A (zh) 用于加速临床工作流程的***和方法
EP4266252A2 (en) Systems and methods for image generation
Huang et al. Multi-modality registration of preoperative MR and intraoperative long-length tomosynthesis using GAN synthesis and 3D-2D registration
CN113436236B (zh) 一种图像处理方法和***
WO2023020609A1 (en) Systems and methods for medical imaging

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