CN116309751A - 影像处理方法、装置、电子设备及介质 - Google Patents
影像处理方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN116309751A CN116309751A CN202310271864.6A CN202310271864A CN116309751A CN 116309751 A CN116309751 A CN 116309751A CN 202310271864 A CN202310271864 A CN 202310271864A CN 116309751 A CN116309751 A CN 116309751A
- Authority
- CN
- China
- Prior art keywords
- tissue
- region
- registration
- sample data
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 34
- 210000001519 tissue Anatomy 0.000 claims description 295
- 230000005499 meniscus Effects 0.000 claims description 55
- 238000002372 labelling Methods 0.000 claims description 49
- 210000002303 tibia Anatomy 0.000 claims description 39
- 238000000034 method Methods 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 14
- 238000005481 NMR spectroscopy Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 230000004048 modification Effects 0.000 claims description 11
- 238000012986 modification Methods 0.000 claims description 11
- 210000000629 knee joint Anatomy 0.000 claims description 9
- 210000003127 knee Anatomy 0.000 claims description 6
- 238000001514 detection method Methods 0.000 description 15
- 230000008034 disappearance Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000000451 tissue damage Effects 0.000 description 2
- 231100000827 tissue damage Toxicity 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 208000037974 severe injury Diseases 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 210000004353 tibial menisci Anatomy 0.000 description 1
- 238000002604 ultrasonography 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
- G06T7/30—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
- 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
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/20084—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
- G06T2207/30008—Bone
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开实施例提供了一种影像处理方法、装置、电子设备及介质。该影像处理方法包括获得第一组织先验模型和第二组织先验模型;获得待处理影像;识别所述待处理影像中的第一组织区域和第二组织区域;将所述第一组织区域与所述第一组织先验模型配准,得到第一配准矩阵;基于所述第一配准矩阵处理所述第二组织区域,得到第二组织配准区域;以及基于所述第二组织配准区域和所述第二组织先验模型,确定所述待处理影像的第二组织状态。
Description
技术领域
本说明书涉及医学影像处理领域,尤其涉及一种影像处理方法、装置、电子设备及介质。
背景技术
膝关节组织损伤是一类在老年人和运动人群中常见的疾病。很多病患因为损伤严重或就医不及时出现部分组织吸收消失的情况,其中最常见的是半月板部分消失。半月板随着运动和老化很容易出现磨损,如不及时就医就会出现局部炎症和组织逐渐被损坏吸收的现象。
这种情况下,医生往往要根据经验判断对应影像位置是否应该有组织,进而判断是否有组织消失的情况发生。
然而,这种先验信息很难转化为算法,因为算法无法直接检测已经消失的组织。目前学术界和工程领域都没有相关工作专注于解决这个问题。
发明内容
为解决相关技术中的问题,本公开实施例提供了一种影像处理方法、装置、电子设备及介质。
本公开实施例的一个方面提供了一种影像处理方法,包括获得第一组织先验模型和第二组织先验模型;获得待处理影像;识别待处理影像中的第一组织区域和第二组织区域;将第一组织区域与第一组织先验模型配准,得到第一配准矩阵;基于第一配准矩阵处理第二组织区域,得到第二组织配准区域;以及基于第二组织配准区域和第二组织先验模型,确定待处理影像的第二组织状态。
根据本公开实施例,获得第一组织先验模型包括,获得样本数据,样本数据包括一个第一样本数据和多个第二样本数据,每个样本数据包括医学影像及其对应的第一组织标注区域和第二组织标注区域;基于第一组织标注区域,将每个第二样本数据与第一样本数据配准,得到多个第二配准矩阵;基于第二配准矩阵处理对应的第二样本数据,得到第一组织修正区域;基于第一样本数据的第一组织标注区域和多个第二样本数据的第一组织修正区域,确定第一组织先验模型。
根据本公开实施例,基于第一组织标注区域,将每个第二样本数据与第一样本数据配准,得到多个第二配准矩阵包括,使用第一组织标注区域的掩膜处理对应的医学影像,得到第一组织提取结果;将每个第二样本数据的第一组织提取结果与第一样本数据的第一组织提取结果配准,得到多个第二配准矩阵。
根据本公开实施例,基于第一样本数据的第一组织标注区域和多个第二样本数据的第一组织修正区域,确定第一组织先验模型包括,获得第一样本数据的医学影像在第一组织标注区域内的第一体素信息;获得第二样本数据经配准矩阵处理的医学影像在第一组织修正区域内的第二体素信息;对第一体素信息和多个第二体素信息平均处理,得到第一组织先验模型。
根据本公开实施例,获得第二组织先验模型包括,基于多个第二配准矩阵处理对应的第二样本数据,得到第二组织修正区域;通过第一样本数据的第二组织标注区域和多个第二样本数据的第二组织修正区域对每个体素投票;基于投票高于阈值的体素生成第二组织先验模型。
根据本公开实施例,该影像处理方法还包括获得第三样本数据,每个第三样本数据包括医学影像及其对应的第一组织标注区域和第二组织标注区域;使用第一组织标注区域的掩膜处理对应的第三样本数据的医学影像,得到第一组织提取结果;通过配准模型处理第一组织提取结果,得到配准矩阵;基于配准矩阵、第一组织先验模型和第一组织标注区域确定第一损失项;基于配准矩阵、第二组织先验模型和第二组织标注区域确定第二损失项;优化第一损失项和第二损失项以训练配准模型。
本公开实施例的另一个方面提供了一种影像处理方法,包括获得先验胫骨模型和先验半月板区域;获得膝关节核磁共振影像;从膝关节核磁共振影像中识别胫骨区域和半月板区域;基于胫骨区域,将膝关节核磁共振影像与先验胫骨模型配准,得到配准矩阵;基于配准矩阵处理半月板区域,得到半月板配准区域;以及基于半月板配准区域和先验半月板区域,确定半月板状态。
本公开实施例的另一个方面提供了一种影像处理装置,包括先验模型获得模块、影像获得模块、区域识别模块、配准矩阵获得模块、第二组织配准模块以及状态确定模块。先验模型获得模块,被配置为获得第一组织先验模型和第二组织先验模型;影像获得模块,被配置为获得待处理影像;区域识别模块,被配置为识别待处理影像中的第一组织区域和第二组织区域;配准矩阵获得模块,被配置为将第一组织区域与第一组织先验模型配准,得到配准矩阵;第二组织配准模块,被配置为基于配准矩阵处理第二组织区域,得到第二组织配准区域;状态确定模块,被配置为基于第二组织配准区域和第二组织先验模型,确定待处理影像的第二组织状态。
本公开实施例的另一个方面提供了一种电子设备,包括至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使得处理器实现如上所述的影像处理方法。
本公开实施例的另一个方面提供了一种计算机可读存储介质,其上存储有计算机可读指令,指令被处理器执行时使得处理器实现如上所述的影像处理方法。
本公开实施例的另一个方面提供了一种计算机程序,其被处理器执行时使得处理器实现如上所述的影像处理方法。
根据本公开实施例的技术方案,通过将待处理影像中的第一组织区域与第一组织先验模型配准,得到第一配准矩阵,进而获得第二组织配准区域,基于第二组织配准区域和第二组织先验模型确定待处理影像的第二组织状态,从而利用第一组织和第二组织的位置关系,将组织消失检测转化成一个配准的问题来融入先验知识,以实现组织消失检测,解决了组织消失检测的难点问题。
附图说明
结合附图,通过以下非限制性实施方式的详细描述,本公开的其它特征、目的和优点将变得更加明显。在附图中:
图1示意性示出应用本公开实施例的影像处理方法的***架构示意图;
图2示意性示出本公开实施例的影像处理方法的流程图;
图3示意性示出本公开实施例的获得第一组织先验模型的流程图;
图4示意性示出本公开实施例的得到第二配准矩阵的流程图;
图5示意性示出本公开实施例的确定第一组织先验模型的流程图;
图6示意性示出本公开实施例的获得第二组织先验模型的流程图;
图7示意性示出本公开实施例的训练配准模型的流程图;
图8示意性示出本公开实施例的配准模型的示意图;
图9示意性示出本公开另一实施例的影像处理方法的流程图;
图10示意性示出本公开实施例的影像处理装置的框图;以及
图11示意性示出适于实现本公开实施例的影像处理方法和装置的计算机***的结构示意图。
具体实施方式
下文中,将参考附图详细描述本公开的示例性实施例,以使本领域技术人员更容易地实现它们。此外,为了清楚起见,在附图中省略了与描述示例性实施例无关的部分。
在本公开中,应理解,诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在,并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
应当注意的是,本公开中数据的获取或展示均经用户授权、确认、或由用户主动选择。
本公开实施例提供了一种影像处理方法,包括获得第一组织先验模型和第二组织先验模型;获得待处理影像;识别所述待处理影像中的第一组织区域和第二组织区域;将所述第一组织区域与所述第一组织先验模型配准,得到第一配准矩阵;基于所述第一配准矩阵处理所述第二组织区域,得到第二组织配准区域;以及基于所述第二组织配准区域和所述第二组织先验模型,确定所述待处理影像的第二组织状态。
根据本公开实施例的技术方案,通过将待处理影像中的第一组织区域与第一组织先验模型配准,得到第一配准矩阵,进而获得第二组织配准区域,基于第二组织配准区域和第二组织先验模型确定待处理影像的第二组织状态,从而利用第一组织和第二组织的位置关系,将组织消失检测转化成一个配准的问题来融入先验知识,以实现组织消失检测,解决了组织消失检测的难点问题。
例如,在膝关节核磁共振影像中,半月板和胫骨相连,只要知道胫骨的确切位置和姿态就能依据医生经验推算出半月板所在位置。针对上述特点,本公开实施例的方法首先基于大量已标记胫骨轮廓和半月板轮廓的数据,生成一个胫骨标准模板,这个标准模板表示哪个位置应该有半月板。当一个需要分析的数据到来时,将该数据与胫骨标准模板进行配准即可获得该数据哪些部分应该有半月板。若出现在相应位置没有检测到半月板的情况即可以判定半月板出现部分消失,从而解决了膝关节组织消失诊断的难点问题。
以下结合附图,详细说明本公开各实施例提供的技术方案。
图1示意性示出应用本公开实施例的影像处理方法的***架构示意图。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用。例如具有医学影像显示、病灶显示和编辑、报告生成等功能的专用应用程序。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种专用或通用的电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。
服务器105可以是提供各种服务的服务器,例如为终端设备101、102、103上所安装的客户端应用提供服务的后端服务器。例如,服务器可以训练并运行配准模型,实现组织配准功能,以便将自动检测的结果显示在终端设备101、102、103上。
服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现为多个服务器组成的分布式服务器集群,也可以实现为单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。
本公开实施例提供的影像处理方法例如可以由服务器105执行,也可以由终端设备101、102、103执行。或者,本公开实施例的影像处理方法可以部分地由终端设备101、102、103执行,其他部分由服务器105执行。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出本公开实施例的影像处理方法的流程图。
如图2所示,该影像处理方法包括操作S210-S260。
在操作S210,获得第一组织先验模型和第二组织先验模型。
在操作S220,获得待处理影像。
在操作S230,识别所述待处理影像中的第一组织区域和第二组织区域。
在操作S240,将所述第一组织区域与所述第一组织先验模型配准,得到第一配准矩阵。
在操作S250,基于所述第一配准矩阵处理所述第二组织区域,得到第二组织配准区域。
在操作S260,基于所述第二组织配准区域和所述第二组织先验模型,确定所述待处理影像的第二组织状态。
根据本公开实施例,第一组织为稳定的组织,第二组织为可能消失的组织。第一组织和第二组织具有相对固定的位置关系,也就是说,根据先验知识和第一组织的位置,可以推断第二组织的位置。例如,第一组织可以是胫骨,第二组织可以是半月板。
根据本公开实施例,第一组织先验模型和第二组织先验模型是通过一定数量已标注的样本产生的。第一组织先验模型和第二组织先验模型用于预测哪个位置应该出现第二组织。在待处理影像的第一组织与该第一组织先验模型配准的情况下,可以推断待处理影像的第二组织应当出现在第二组织先验模型的位置。若待处理影像在该位置没有检测到第二组织,则表明第二组织可能存在消失的情况。
在本文中,体素图像是指由多个体素的测量值构成的图像,其在显示时可以带有灰度信息。掩膜或掩膜图像是指某些区域表示为1,其他区域表示为0的图像,通常用于表示图像某一特定区域的分割结果。
根据本公开实施例,第一组织先验模型可以是体素图像,也可以是掩膜图像。第二组织先验模型可以是体素图像,也可以是掩膜图像。示例性地,第一组织先验模型为体素图像,第二组织先验模型为掩膜图像。
根据本公开实施例,待处理影像可以是各种可能的医学影像,例如核磁共振影像(MRI)、电子计算机断层扫描影像(CT)、超声影像等。对于胫骨和半月板的检测,待处理影像可以选用膝关节核磁共振影像。
通常地,临床上核磁共振影像会使用较大的扫描层厚,以降低对患者的影响并提高扫描效率。根据本公开实施例,可以使用较小的重建层厚进行重建,生成薄层数据,以满足算法要求。重建的方法可以参考已有的技术。
根据本公开实施例,可以采用各种图像识别技术,例如可以针对性地训练神经网络模型,以识别待处理影像中的第一组织区域和第二组织区域。
根据本公开实施例,可以提取待处理图像在第一组织区域的体素图像,与第一组织先验模型配准,得到第一配准矩阵。第一配准矩阵可以用于处理待处理图像,使得处理后的图像中的第一组织所在的区域与第一组织先验模型相匹配。配准可以采用预先训练的配准模型,示例性的配准模型及训练方法将在后文图7和图8的部分进行描述。
根据本公开实施例,使用第一配准矩阵处理待处理图像,尤其是其中的第二组织区域,得到第二组织配准区域。其目的是将待处理图像中检测到的第二组织所在的区域与第二组织先验模型匹配,从而可以相互比较,以便找出是否存在缺失区域。如果存在缺失区域,或缺失区域的比例或体素数量大于阈值,则确定第二组织状态为部分消失或全部消失;如果不存在缺失区域,或缺失区域的比例或体素数量不大于阈值,则确定第二组织状态为完整。
下面以第一组织为胫骨,第二组织为半月板作为示例,说明确定第二组织状态的过程。
记待处理图像为Voxelmoving,识别出的胫骨区域为Maskmovingtibia,半月板区域为Maskmovingmeniscus,其中胫骨区域和半月板区域表示为掩膜图像。定义Regtibia为配准模型,其输入为体素图像,输出为配准矩阵MatrixReg,该配准矩阵用于将输入的体素图像与胫骨模型VoxelAtlas配准。定义仿射变换的插值处理函数为Affine,其接受配准矩阵MatrixReg和体素图像为输入,输出仿射变换后的图像。
首先,可以将待处理图像Voxelmoving和胫骨区域Maskmovingtibia相乘,获得胫骨提取区域。而后将胫骨提取区域输入配准模型Regtibia,得到配准矩阵MatrixReg。进而,基于配准矩阵MatrixReg处理半月板区域Maskmovingmeniscus,得到仿射变换后的半月板区域Maskmovedmeniscus。处理过程表示如下:
Maskmovedmeniscus=Affine(Regtibia(Voxelmoving*Maskmovingtibia),Maskmovingmeniscus)
最后,通过对比仿射变换后的半月板区域Maskmovedmeniscus与半月板先验模型Maskmeniscus,即可以判断哪部分半月板出现消失,此处的对比方法不做限制。
根据本公开实施例的技术方案,通过将待处理影像中的第一组织区域与第一组织先验模型配准,得到第一配准矩阵,进而获得第二组织配准区域,基于第二组织配准区域和第二组织先验模型确定待处理影像的第二组织状态,从而利用第一组织和第二组织的位置关系,将组织消失检测转化成一个配准的问题来融入先验知识,以实现组织消失检测,解决了组织消失检测的难点问题。
图3示意性示出本公开实施例的获得第一组织先验模型的流程图。
如图3所示,操作S210可以包括操作S310-S340。
在操作S310,获得样本数据,所述样本数据包括一个第一样本数据和多个第二样本数据,每个所述样本数据包括医学影像及其对应的第一组织标注区域和第二组织标注区域。
在操作S320,基于所述第一组织标注区域,将每个所述第二样本数据与所述第一样本数据配准,得到多个第二配准矩阵。
在操作S330,基于所述第二配准矩阵处理对应的第二样本数据,得到第一组织修正区域。
在操作S340,基于所述第一样本数据的第一组织标注区域和多个第二样本数据的第一组织修正区域,确定第一组织先验模型。
根据本公开实施例,第一样本数据和第二样本数据为筛选出来的影像清晰质量较高的医学影像和它们对应的第一组织标注区域和第二组织标注区域。第一组织标注区域和第二组织标注区域可以是掩膜图像。
根据本公开实施例,从上述影像清晰质量较高的医学影像中选择一例作为第一样本数据,其他的作为第二样本数据。第一样本数据作为模板,第二样本数据用于与第一样本数据配准。例如,可以从100例筛选出来的影像清晰质量较高的医学影像中选择一例作为第一样本数据,其余99例为第二样本数据。
根据本公开实施例,可以基于第一样本数据的第一组织标注区域,将每个第二样本数据的第一组织标注区域与之配准,得到每个第二样本数据的第二配准矩阵。该步骤可以单独训练一个配准模型,但该配准模型仅用于处理第二样本数据。
根据本公开实施例,使用第二配准矩阵处理对应的第二样本数据的医学影像,或者使用第二配准矩阵处理对应的第二样本数据的第一组织标注区域,可以得到每个第二样本数据的第一组织修正区域。此时,每个第二样本的第一组织修正区域与第一样本数据的第一组织标注区域是大致对齐的,由此可以确定第一组织先验模型。
根据本公开实施例的技术方案,通过第一样本数据和第二样本数据可以生成第一组织先验模型,有利于实现组织消失检测。
图4示意性示出本公开实施例的得到第二配准矩阵的流程图。
如图4所示,操作S320可以包括操作S410和S420。
在操作S410,使用所述第一组织标注区域的掩膜处理对应的医学影像,得到第一组织提取结果。
在操作S420,将每个所述第二样本数据的第一组织提取结果与所述第一样本数据的第一组织提取结果配准,得到多个第二配准矩阵。
在一些场景中,第一组织以外的其他组织存在较大的个体差异,对于第二组织的定位帮助不大。本公开实施例可以使用第一组织标注区域的掩膜图像和医学影像相乘,过滤掉不相关组织,避免了这些组织对配准过程产生不利影响。例如,膝关节中骨骼跨个体间差异较小,且除胫骨外组织对定位半月板帮助不大,除胫骨外组织个人差异较大不利于配准模型的训练。
图5示意性示出本公开实施例的确定第一组织先验模型的流程图。
如图5所示,操作S340可以包括操作S510-S530。
在操作S510,获得所述第一样本数据的医学影像在所述第一组织标注区域内的第一体素信息。
在操作S520,获得所述第二样本数据经所述配准矩阵处理的医学影像在所述第一组织修正区域内的第二体素信息。
在操作S530,对所述第一体素信息和多个所述第二体素信息平均处理,得到第一组织先验模型。
根据本公开实施例,以胫骨半月板场景为例,获得第一样本数据的医学影像VoxelAtlas在第一组织标注区域Masktibia内的第一体素信息Voxeltibia,可以通过上文描述的方式实现,即:
Voxeltibia=VoxelAtlas*Masktibia
获得第二样本数据经所述配准矩阵处理的医学影像Voxelmoved在第一组织修正区域Maskmovedtibia内的第二体素信息Voxelmovedtibia,可以通过类似的方式实现,即:
Voxelmovedtibia=Voxelmoved*Maskmovedtibia
根据本公开实施例,可以对第一体素信息Voxeltibia和多个第二体素信息Voxelmovedtibia平均处理,得到第一组织先验模型。
根据本公开实施例的技术方案,通过平均化第一体素信息和第二体素信息,可以得到带有体素信息的第一组织先验模型,相对于掩膜形式的先验模型,带有体素信息的第一组织先验模型携带更多信息,有利于更加精确地配准,也便于扩展其他功能。
图6示意性示出本公开实施例的获得第二组织先验模型的流程图。
如图6所示,操作S210可以包括操作S610-S630。
在操作S610,基于多个所述第二配准矩阵处理对应的第二样本数据,得到第二组织修正区域。
在操作S620,通过所述第一样本数据的第二组织标注区域和多个第二样本数据的第二组织修正区域对每个体素投票。
在操作S630,基于投票高于阈值的体素生成第二组织先验模型。
根据本公开实施例,第二配准矩阵可以用于修正第二样本数据的第二组织标注区域,得到第二组织修正区域,第二组织修正区域可以表示为掩膜图像。如此,在第一样本数据的第二组织标注区域和第二样本数据的第二组织修正区域中,每个体素可以被表示为0或1的值,进而可以对每个体素投票,以确定第二组织先验模型。
例如,在1个第一样本数据和99个第二样本数据的示例中,可以设定阈值为80,通过对这100个掩膜图像进行逐体素地投票,若某个体素被80个以上的掩膜图像标记为第二组织,则该体素被认为属于第二组织区域,获得最终的的第二组织先验模型。
根据本公开实施例的技术方案,通过投票的方式快速确定掩膜图像形式的第二组织先验模型,存储空间占用少,使用方便,有利于准确识别消失的第二组织。
图7示意性示出本公开实施例的训练配准模型的流程图。
如图7所示,该方法在图2-图6所示意的实施例的基础上,还可以包括操作S710-S760。
在操作S710,获得第三样本数据,每个所述第三样本数据包括医学影像及其对应的第一组织标注区域和第二组织标注区域。
在操作S720,使用所述第一组织标注区域的掩膜处理对应的第三样本数据的医学影像,得到第一组织提取结果。
在操作S730,通过配准模型处理所述第一组织提取结果,得到配准矩阵。
在操作S740,基于所述配准矩阵、第一组织先验模型和第一组织标注区域确定第一损失项。
在操作S750,基于所述配准矩阵、第二组织先验模型和第二组织标注区域确定第二损失项。
在操作S760,优化所述第一损失项和第二损失项以训练所述配准模型。
根据本公开实施例,第三样本数据与第一样本数据、第二样本数据类似,第三样本数据的数量可以比第二样本数据的数量更多。例如,第三样本数据可以包括第一样本数据和第二样本数据,并包括更多的其他样本数据。
根据本公开实施例,可以使用第一组织标注区域的掩膜图像与对应的医学影像逐体素地相乘,得到第一组织提取结果。
图8示意性示出本公开实施例的配准模型的示意图。
如图8所示,该配准模型包括一个ResNet50模型,将ResNet50模型将最后一层全连接层特征映射到1024维,随后将1024维向量通过全连接层映射为12维,这12维向量可以构成3×4的配准矩阵,用于对输入图像进行仿射变换。
根据本公开实施例,配准的方式选用刚性配准,因为第一组织较为稳定,不同人之间的第一组织的结构变化不会太大,使用刚性配准既能满足对齐的需求也能减少计算量。
未经训练的配准模型无法实现配准的功能。根据本公开实施例,可以循环执行上述操作S730-S760,实现对配准模型的训练。
接下来,以胫骨和半月板场景为例,定义一些变量来通过公式展示计算和训练的过程,我们定义配准模型为Reg,选定的配准模板的胫骨先验模型为Maskatlastibia,半月板先验模型为Maskatlasmeniscus。除模板之外需要配准的待处理影像为Voxelmoving以及对应的胫骨标注区域Maskmovingtibia和半月板标注区域Maskmovingmeniscus。定义仿射变换的插值处理函数为Affine,其接受配准矩阵和医学影像为输入,输出仿射变换后的医学影像。操作S720-S750表示如下。
在操作S720,确定胫骨提取结果Voxelmovingtibia:
Voxelmovingtibia=Voxelmoving*Maskmovingtibia
在操作S730,确定配准矩阵MatrixReg:
MatrixReg=Reg(Voxelmovingtibia)
在操作S740,确定第一损失项loss1:
在操作S750,确定第二损失项loss2:
以上第一损失项和第二损失项的定义是示意性的,本公开实施例也可以采用其他的方法确定第一损失项和第二损失项。
最后,在操作S760,可以以第一损失项和第二损失项求和作为最终的损失,通过优化损失更新参数,并不断迭代直至训练结束。
根据本公开实施例的技术方案,通过掩膜处理对应的医学影像得到第一组织提取结果,并基于第一组织的第一损失项和第二组织的第二损失项训练配准模型,得到的模型配准性能较好,有利于缺失组织的检测。
图9示意性示出本公开另一实施例的影像处理方法的流程图。
如图9所示,该影像处理方法包括操作S910-S960。
在操作S910,获得先验胫骨模型和先验半月板区域。
在操作S920,获得膝关节核磁共振影像。
在操作S930,从所述膝关节核磁共振影像中识别胫骨区域和半月板区域。
在操作S940,基于所述胫骨区域,将所述膝关节核磁共振影像与先验胫骨模型配准,得到配准矩阵。
在操作S950,基于所述配准矩阵处理所述半月板区域,得到半月板配准区域。
在操作S960,基于所述半月板配准区域和先验半月板区域,确定半月板状态。
根据本公开实施例的技术方案,通过将待处理影像中的胫骨区域与先验胫骨模型配准,得到配准矩阵,进而获得半月板配准区域,基于半月板配准区域和先验半月板区域确定膝关节核磁共振影像的半月板状态,从而利用胫骨和半月板的位置关系,将组织消失检测转化成一个配准的问题来融入先验知识,以实现半月板消失检测。
基于同一发明构思,本公开还提供了一种影像处理装置,下面参照图10对本公开实施例的影像处理装置进行说明。
图10示意性示出本公开实施例的影像处理装置1000的框图。其中,该装置1000可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
如图10所示,该影像处理装置1000包括先验模型获得模块1010、影像获得模块1020、区域识别模块1030、配准矩阵获得模块1040、第二组织配准模块1050和状态确定模块1060。该影像处理装置1000可以执行上文描述的各种方法。
先验模型获得模块1010,被配置为获得第一组织先验模型和第二组织先验模型。
影像获得模块1020,被配置为获得待处理影像。
区域识别模块1030,被配置为识别所述待处理影像中的第一组织区域和第二组织区域。
配准矩阵获得模块1040,被配置为将所述第一组织区域与所述第一组织先验模型配准,得到配准矩阵。
第二组织配准模块1050,被配置为基于所述配准矩阵处理所述第二组织区域,得到第二组织配准区域。
状态确定模块1060,被配置为基于所述第二组织配准区域和所述第二组织先验模型,确定所述待处理影像的第二组织状态。
图11示意性示出适于实现本公开实施例的影像处理方法和装置的计算机***的结构示意图。
如图11所示,计算机***1100包括处理单元1101,其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行上述实施例中的各种处理。在RAM 1103中,还存储有***1100操作所需的各种程序和数据。处理单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
以下部件连接至I/O接口1105:包括键盘、鼠标等的输入部分1106;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1107;包括硬盘等的存储部分1108;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1110上,以便于从其上读出的计算机程序根据需要被安装入存储部分1108。其中,所述处理单元1101可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地,根据本公开的实施例,上文描述的方法可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包含用于执行上述方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中电子设备或计算机***中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行本公开实施例的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种影像处理方法,其特征在于,包括:
获得第一组织先验模型和第二组织先验模型;
获得待处理影像;
识别所述待处理影像中的第一组织区域和第二组织区域;
将所述第一组织区域与所述第一组织先验模型配准,得到第一配准矩阵;
基于所述第一配准矩阵处理所述第二组织区域,得到第二组织配准区域;以及
基于所述第二组织配准区域和所述第二组织先验模型,确定所述待处理影像的第二组织状态。
2.根据权利要求1所述的方法,其特征在于,所述获得第一组织先验模型,包括:
获得样本数据,所述样本数据包括一个第一样本数据和多个第二样本数据,每个所述样本数据包括医学影像及其对应的第一组织标注区域和第二组织标注区域;
基于所述第一组织标注区域,将每个所述第二样本数据与所述第一样本数据配准,得到多个第二配准矩阵;
基于所述第二配准矩阵处理对应的第二样本数据,得到第一组织修正区域;
基于所述第一样本数据的第一组织标注区域和多个第二样本数据的第一组织修正区域,确定第一组织先验模型。
3.根据权利要求2所述的方法,其特征在于,所述基于所述第一组织标注区域,将每个所述第二样本数据与所述第一样本数据配准,得到多个第二配准矩阵,包括:
使用所述第一组织标注区域的掩膜处理对应的医学影像,得到第一组织提取结果;
将每个所述第二样本数据的第一组织提取结果与所述第一样本数据的第一组织提取结果配准,得到多个第二配准矩阵。
4.根据权利要求2所述的方法,其特征在于,所述基于所述第一样本数据的第一组织标注区域和多个第二样本数据的第一组织修正区域,确定第一组织先验模型,包括:
获得所述第一样本数据的医学影像在所述第一组织标注区域内的第一体素信息;
获得所述第二样本数据经所述配准矩阵处理的医学影像在所述第一组织修正区域内的第二体素信息;
对所述第一体素信息和多个所述第二体素信息平均处理,得到第一组织先验模型。
5.根据权利要求2-4任一项所述的方法,其特征在于,所述获得第二组织先验模型,包括:
基于多个所述第二配准矩阵处理对应的第二样本数据,得到第二组织修正区域;
通过所述第一样本数据的第二组织标注区域和多个第二样本数据的第二组织修正区域对每个体素投票;
基于投票高于阈值的体素生成第二组织先验模型。
6.根据权利要求1-4任一项所述的方法,其特征在于,还包括:
获得第三样本数据,每个所述第三样本数据包括医学影像及其对应的第一组织标注区域和第二组织标注区域;
使用所述第一组织标注区域的掩膜处理对应的第三样本数据的医学影像,得到第一组织提取结果;
通过配准模型处理所述第一组织提取结果,得到配准矩阵;
基于所述配准矩阵、第一组织先验模型和第一组织标注区域确定第一损失项;
基于所述配准矩阵、第二组织先验模型和第二组织标注区域确定第二损失项;
优化所述第一损失项和第二损失项以训练所述配准模型。
7.一种影像处理方法,其特征在于,包括:
获得先验胫骨模型和先验半月板区域;
获得膝关节核磁共振影像;
从所述膝关节核磁共振影像中识别胫骨区域和半月板区域;
基于所述胫骨区域,将所述膝关节核磁共振影像与先验胫骨模型配准,得到配准矩阵;
基于所述配准矩阵处理所述半月板区域,得到半月板配准区域;以及
基于所述半月板配准区域和先验半月板区域,确定半月板状态。
8.一种影像处理装置,其特征在于,包括:
先验模型获得模块,被配置为获得第一组织先验模型和第二组织先验模型;
影像获得模块,被配置为获得待处理影像;
区域识别模块,被配置为识别所述待处理影像中的第一组织区域和第二组织区域;
配准矩阵获得模块,被配置为将所述第一组织区域与所述第一组织先验模型配准,得到配准矩阵;
第二组织配准模块,被配置为基于所述配准矩阵处理所述第二组织区域,得到第二组织配准区域;以及
状态确定模块,被配置为基于所述第二组织配准区域和所述第二组织先验模型,确定所述待处理影像的第二组织状态。
9.一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机可读指令,所述指令被处理器执行时使得处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310271864.6A CN116309751B (zh) | 2023-03-15 | 2023-03-15 | 影像处理方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310271864.6A CN116309751B (zh) | 2023-03-15 | 2023-03-15 | 影像处理方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116309751A true CN116309751A (zh) | 2023-06-23 |
CN116309751B CN116309751B (zh) | 2023-12-19 |
Family
ID=86801008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310271864.6A Active CN116309751B (zh) | 2023-03-15 | 2023-03-15 | 影像处理方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309751B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009065079A2 (en) * | 2007-11-14 | 2009-05-22 | The Regents Of The University Of California | Longitudinal registration of anatomy in magnetic resonance imaging |
CN109741379A (zh) * | 2018-12-19 | 2019-05-10 | 上海商汤智能科技有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN110288698A (zh) * | 2019-06-25 | 2019-09-27 | 诸暨市人民医院 | 基于mri的半月板三维重建*** |
CN110458869A (zh) * | 2019-05-10 | 2019-11-15 | 珠海慧脑云计算有限公司 | 一种新生儿磁共振结构脑影像的配准方法及其*** |
CN111028278A (zh) * | 2018-10-09 | 2020-04-17 | 武汉大学中南医院 | 一种基于断层成像技术提供人体关节数据的方法 |
KR20200065777A (ko) * | 2018-11-30 | 2020-06-09 | 서울여자대학교 산학협력단 | 무릎 자기공명 영상에서의 반월상 연골 분할 방법 및 장치 |
CN112419338A (zh) * | 2020-12-08 | 2021-02-26 | 深圳大学 | 一种基于解剖先验知识的头颈部危及器官的分割方法 |
CN113516758A (zh) * | 2021-07-07 | 2021-10-19 | 上海商汤智能科技有限公司 | 图像显示方法及相关装置和电子设备、存储介质 |
CN113822917A (zh) * | 2021-09-28 | 2021-12-21 | 山东大学第二医院 | 一种肝癌影像组学图像精确配准方法 |
CN114677436A (zh) * | 2022-03-14 | 2022-06-28 | 南京邮电大学 | 基于模型配准的脑部cta图像中的脑血管自动定位方法 |
CN114972461A (zh) * | 2022-06-06 | 2022-08-30 | 透彻影像(北京)科技有限公司 | 一种适用于多分辨率数字病理图像配准方法及*** |
CN114972376A (zh) * | 2022-05-16 | 2022-08-30 | 北京医准智能科技有限公司 | 冠脉钙化斑块的分割方法、分割模型训练方法、相关装置 |
CN114998374A (zh) * | 2022-06-24 | 2022-09-02 | 深圳市联影高端医疗装备创新研究院 | 基于位置先验的图像分割方法、装置、设备和存储介质 |
US20220335613A1 (en) * | 2019-12-31 | 2022-10-20 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
CN115375714A (zh) * | 2021-05-18 | 2022-11-22 | 中国医学科学院基础医学研究所 | 基于深度学习的耳软骨及其子结构的图像分割方法及*** |
WO2022257344A1 (zh) * | 2021-06-07 | 2022-12-15 | 刘星宇 | 图像配准融合方法及装置、模型训练方法及电子设备 |
CN115761226A (zh) * | 2022-11-08 | 2023-03-07 | 北京大学口腔医学院 | 一种口腔影像分割识别方法、装置、电子设备和存储介质 |
-
2023
- 2023-03-15 CN CN202310271864.6A patent/CN116309751B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009065079A2 (en) * | 2007-11-14 | 2009-05-22 | The Regents Of The University Of California | Longitudinal registration of anatomy in magnetic resonance imaging |
CN111028278A (zh) * | 2018-10-09 | 2020-04-17 | 武汉大学中南医院 | 一种基于断层成像技术提供人体关节数据的方法 |
CN111105385A (zh) * | 2018-10-09 | 2020-05-05 | 武汉大学中南医院 | 一种对基于断层成像技术提供的人体关节数据进行处理的方法 |
KR20200065777A (ko) * | 2018-11-30 | 2020-06-09 | 서울여자대학교 산학협력단 | 무릎 자기공명 영상에서의 반월상 연골 분할 방법 및 장치 |
CN109741379A (zh) * | 2018-12-19 | 2019-05-10 | 上海商汤智能科技有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN110458869A (zh) * | 2019-05-10 | 2019-11-15 | 珠海慧脑云计算有限公司 | 一种新生儿磁共振结构脑影像的配准方法及其*** |
CN110288698A (zh) * | 2019-06-25 | 2019-09-27 | 诸暨市人民医院 | 基于mri的半月板三维重建*** |
US20220335613A1 (en) * | 2019-12-31 | 2022-10-20 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
CN112419338A (zh) * | 2020-12-08 | 2021-02-26 | 深圳大学 | 一种基于解剖先验知识的头颈部危及器官的分割方法 |
CN115375714A (zh) * | 2021-05-18 | 2022-11-22 | 中国医学科学院基础医学研究所 | 基于深度学习的耳软骨及其子结构的图像分割方法及*** |
WO2022257344A1 (zh) * | 2021-06-07 | 2022-12-15 | 刘星宇 | 图像配准融合方法及装置、模型训练方法及电子设备 |
CN113516758A (zh) * | 2021-07-07 | 2021-10-19 | 上海商汤智能科技有限公司 | 图像显示方法及相关装置和电子设备、存储介质 |
CN113822917A (zh) * | 2021-09-28 | 2021-12-21 | 山东大学第二医院 | 一种肝癌影像组学图像精确配准方法 |
CN114677436A (zh) * | 2022-03-14 | 2022-06-28 | 南京邮电大学 | 基于模型配准的脑部cta图像中的脑血管自动定位方法 |
CN114972376A (zh) * | 2022-05-16 | 2022-08-30 | 北京医准智能科技有限公司 | 冠脉钙化斑块的分割方法、分割模型训练方法、相关装置 |
CN114972461A (zh) * | 2022-06-06 | 2022-08-30 | 透彻影像(北京)科技有限公司 | 一种适用于多分辨率数字病理图像配准方法及*** |
CN114998374A (zh) * | 2022-06-24 | 2022-09-02 | 深圳市联影高端医疗装备创新研究院 | 基于位置先验的图像分割方法、装置、设备和存储介质 |
CN115761226A (zh) * | 2022-11-08 | 2023-03-07 | 北京大学口腔医学院 | 一种口腔影像分割识别方法、装置、电子设备和存储介质 |
Non-Patent Citations (7)
Title |
---|
"基于深度学习的MRI诊断半月板损伤的研究进展_检测_图像_模型", pages 1 - 13, Retrieved from the Internet <URL:https://www.sohu.com/a/559004649_121065696> * |
ERIK B. DAM ET AL.: "Automatic segmentation of high- and low-field knee MRIs using knee image quantification with data from the osteoarthritis initiative", JOURNAL OF MEDICAL IMAGING, vol. 02, no. 02, pages 1 - 14 * |
V. GRAU* ET AL.: "Improved watershed transform for medical image segmentation using prior information", IEEE TRANSACTIONS ON MEDICAL IMAGING, vol. 23, no. 04, pages 447 - 458 * |
吴辉群;严培培;耿兴云;张远鹏;吕广明;韩笑;季达峰;蒋葵;董建成;: "基于Mimics软件虚拟人膝关节三维图像融合实验", 中国组织工程研究与临床康复, no. 48, pages 8943 - 8946 * |
张万;刘刚;朱凯;廖恒旭;: "基于多参数配准模型的脑核磁影像分割算法", 电子学报, no. 09 * |
漆兴盛: "基于模型配准的脑血管自动定位算法研究", 中国优秀硕士学位论文全文数据库 (医药卫生科技辑), no. 02, pages 070 - 693 * |
郑光远;刘峡壁;韩光辉;: "医学影像计算机辅助检测与诊断***综述", 软件学报, no. 05, pages 1471 - 1514 * |
Also Published As
Publication number | Publication date |
---|---|
CN116309751B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7822291B2 (en) | Non-rigid multi-modal registration using statistical learning methods | |
EP2916738B1 (en) | Lung, lobe, and fissure imaging systems and methods | |
Yan et al. | MRI manufacturer shift and adaptation: increasing the generalizability of deep learning segmentation for MR images acquired with different scanners | |
US7616789B2 (en) | Method and apparatus for forming images and image furnishing service system | |
US20220351501A1 (en) | Three-dimensional target detection and model training method and device, and storage medium | |
Kapur et al. | Model-based segmentation of clinical knee MRI | |
EP2796089A1 (en) | Image processing device and image processing method, and image processing program | |
US8244007B2 (en) | System and method for registration of medical images based on insufficiently similar image areas | |
Mangalagiri et al. | Toward generating synthetic CT volumes using a 3D-conditional generative adversarial network | |
CN116309751B (zh) | 影像处理方法、装置、电子设备及介质 | |
CN116091469B (zh) | 骨折检测方法、装置、电子设备及介质 | |
Sanchez et al. | FetMRQC: Automated Quality Control for Fetal Brain MRI | |
CN116433976A (zh) | 图像处理方法、装置、设备和存储介质 | |
JP4571378B2 (ja) | 画像処理方法および装置並びにプログラム | |
Yu et al. | Deep conditional generative model for longitudinal single-slice abdominal computed tomography harmonization | |
US11138736B2 (en) | Information processing apparatus and information processing method | |
CN116934657A (zh) | 医用图像处理装置和医用图像处理方法 | |
Onal et al. | Automatic vertebra segmentation on dynamic magnetic resonance imaging | |
CN115004225A (zh) | 弱监督病灶分割 | |
CN112233126A (zh) | 医学图像的加窗方法及装置 | |
Ridhma et al. | Automated measurement of sulcus angle on axial knee magnetic resonance images | |
Maggia et al. | Assessment of tissue injury in severe brain trauma | |
Jagadeeshwar et al. | Medical Image Contrast Enhancement using Tuned Fuzzy Logic Intensification for COVID-19 Detection Applications | |
Natrajan et al. | A comparative scrutinization on diversified needle bandanna segmentation methodologies | |
Longuefosse et al. | Lung CT Synthesis Using GANs with Conditional Normalization on Registered Ultrashort Echo-Time MRI |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000 Applicant after: Zhejiang Yizhun Intelligent Technology Co.,Ltd. Address before: No. 301, 3rd Floor, Zhizhen Building, No. 7 Zhichun Road, Haidian District, Beijing, 100000 Applicant before: Beijing Yizhun Intelligent Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |