CN118096845A - 医学影像的处理方法、装置、电子设备及存储介质 - Google Patents
医学影像的处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN118096845A CN118096845A CN202410519698.1A CN202410519698A CN118096845A CN 118096845 A CN118096845 A CN 118096845A CN 202410519698 A CN202410519698 A CN 202410519698A CN 118096845 A CN118096845 A CN 118096845A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- ternary diagram
- voxel
- medical 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000010586 diagram Methods 0.000 claims abstract description 201
- 230000003902 lesion Effects 0.000 claims abstract description 144
- 238000012545 processing Methods 0.000 claims abstract description 78
- 238000001959 radiotherapy Methods 0.000 claims abstract description 77
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008602 contraction Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000036285 pathological change Effects 0.000 abstract 2
- 231100000915 pathological change Toxicity 0.000 abstract 2
- 238000002600 positron emission tomography Methods 0.000 description 34
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 210000000920 organ at risk Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 206010060862 Prostate cancer Diseases 0.000 description 1
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种医学影像的处理方法、装置、电子设备及存储介质,涉及医疗科技领域。其中,医学影像的处理方法包括:依据目标对象在放疗之前拍摄的医学影像确定与医学影像对齐的三元图,其中,三元图用于表征医学影像中的体素属于目标对象的病变区域的概率;获取目标对象在放疗期间拍摄的目标影像;通过对医学影像和目标影像进行配准的方式,得到与目标影像对齐的目标三元图;通过计算目标三元图中的不同体素的空间相关性矩阵,确定目标三元图中的体素属于目标对象的病变区域的概率。本申请解决了现有技术中在确定患者放疗期间所拍摄的影像中的病变区域和非病变区域时,存在准确度差的技术问题。
Description
技术领域
本申请涉及医疗科技领域,具体而言,涉及一种医学影像的处理方法、装置、电子设备及存储介质。
背景技术
自适应放疗可以在治疗过程中根据当日的影像观察肿瘤形状、大小和位置的变化,实时调整放疗计划,以提高放疗的精确度和效果。
目前,自适应放疗流程中的一个技术难点是在当日的影像上对靶区进行勾画。主流的方法是MR(Magnetic Resonance,磁共振)引导的自适应放疗。
然而,对于一些边界特别不清晰的靶区与危及器官,例如***内病变区域,该区域是***癌治疗后局部复发最常见的位置,需要专门的勾画从而进行高剂量照射治疗。对于此类边界特别不清晰的靶区,在MR影像上进行精确地勾画依旧是难点,通常需要拍摄额外的PET影像进行辅助勾画,然而PET影像的拍摄十分昂贵,并且具有辐射,出于成本与患者健康考虑通常只能在治疗前进行拍摄,无法获取疗程中每次治疗的当日PET(PositronEmission Tomography,正电子发射断层扫描)影像。所以,在这种情况下,现有的基于MR引导的自适应放疗技术在确定患者放疗期间所拍摄的影像中的病变区域和非病变区域时,存在准确度差的技术问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请提供了一种医学影像的处理方法、装置、电子设备及存储介质,以至少解决现有技术中在确定患者放疗期间所拍摄的影像中的病变区域和非病变区域时,存在准确度差的技术问题。
根据本申请的一个方面,提供了一种医学影像的处理方法,包括:依据目标对象在放疗之前拍摄的医学影像确定与医学影像对齐的三元图,其中,三元图用于表征医学影像中的体素属于目标对象的病变区域的概率;获取目标对象在放疗期间拍摄的目标影像;通过对医学影像和目标影像进行配准的方式,得到与目标影像对齐的目标三元图;通过计算目标三元图中的不同体素的空间相关性矩阵,确定目标三元图中的体素属于目标对象的病变区域的概率。
可选地,医学影像的处理方法还包括:获取目标对象在放疗之前拍摄的医学影像,其中,医学影像包括第一影像和第二影像,其中,第一影像的分辨率高于第二影像的分辨率;以第一影像作为参考,在第二影像中勾画出目标对象的病变区域;通过在第二影像中对勾画得到的目标对象的病变区域进行内缩操作和外扩操作,得到与医学影像对齐的三元图。
可选地,三元图包括背景区域,未知区域以及前景区域,其中,背景区域中的体素属于目标对象的病变区域的概率为0,前景区域中的体素属于目标对象的病变区域的概率为100%,未知区域中的体素属于目标对象的病变区域的概率大于或等于0且小于或等于100%。
可选地,医学影像的处理方法还包括:基于空间相关性矩阵,确定目标三元图的未知区域中的每个体素与目标三元图中除该体素之外的体素的相关性特征值;根据目标三元图的未知区域中的每个体素与目标三元图中除该体素之外的体素的相关性特征值,确定目标三元图的未知区域中的每个体素属于病变区域的概率。
可选地,医学影像的处理方法还包括:将目标三元图的未知区域中的第i个体素与目标三元图的前景区域中的体素之间的相关性特征值作为第一特征值,其中,第i个体素为目标三元图的未知区域中的任意一个体素;将目标三元图的未知区域中的第i个体素与目标三元图的背景区域中的体素之间的相关性特征值作为第二特征值;将目标三元图的未知区域中的第i个体素与目标三元图的未知区域中的其他体素之间的相关性特征值作为第三特征值,其中,其他体素为与第i个体素不同的体素;依据第一特征值对应的权重、第二特征值对应的权重以及第三特征值对应的权重,计算得到第i个体素属于病变区域的概率。
可选地,医学影像的处理方法还包括:在目标影像为多模态影像的情况下,依据多模态影像之间的影像信息作为参考信息计算得到目标三元图中的不同体素的空间相关性矩阵,并确定目标三元图中的体素属于目标对象的病变区域的概率。
可选地,医学影像的处理方法还包括:检测医学影像和目标影像的配准精度是否大于预设阈值;在医学影像和目标影像的配准精度大于预设阈值的情况下,依据医学影像和目标影像计算得到目标三元图中的不同体素的空间相关性矩阵,并确定目标三元图中的体素属于目标对象的病变区域的概率;在医学影像和目标影像的配准精度小于或等于预设阈值的情况下,依据目标影像计算得到目标三元图中的不同体素的空间相关性矩阵,并确定目标三元图中的体素属于目标对象的病变区域的概率。
可选地,医学影像的处理方法还包括:在通过计算目标三元图中的不同体素的空间相关性矩阵,确定目标三元图中的体素属于目标对象的病变区域的概率之后,将目标三元图中属于病变区域的概率大于预设概率的体素使用第一像素值表示;将目标三元图中属于病变区域的概率小于或等于预设概率的体素使用第二像素值表示。
根据本申请的另一方面,还提供了一种医学影像的处理装置,其中,医学影像的处理装置包括:三元图确定单元,用于依据目标对象在放疗之前拍摄的医学影像确定与医学影像对齐的三元图,其中,三元图用于表征医学影像中的体素属于目标对象的病变区域的概率;目标影像获取单元,用于获取目标对象在放疗期间拍摄的目标影像;第一处理单元,用于通过对医学影像和目标影像进行配准的方式,得到与目标影像对齐的目标三元图;第二处理单元,用于通过计算目标三元图中的不同体素的空间相关性矩阵,确定目标三元图中的体素属于目标对象的病变区域的概率。
可选地,三元图确定单元,包括:第一获取子单元、勾画子单元、处理子单元。其中,第一获取子单元,用于获取目标对象在放疗之前拍摄的医学影像,其中,医学影像包括第一影像和第二影像,其中,第一影像的分辨率高于第二影像的分辨率;勾画子单元,用于以第一影像作为参考,在第二影像中勾画出目标对象的病变区域;处理子单元,用于通过在第二影像中对勾画得到的目标对象的病变区域进行内缩操作和外扩操作,得到与医学影像对齐的三元图。
可选地,三元图包括背景区域,未知区域以及前景区域,其中,背景区域中的体素属于目标对象的病变区域的概率为0,前景区域中的体素属于目标对象的病变区域的概率为100%,未知区域中的体素属于目标对象的病变区域的概率大于或等于0且小于或等于100%。
可选地,第二处理单元,包括:第一确定子单元和第二确定子单元。其中,第一确定子单元,用于基于空间相关性矩阵,确定目标三元图的未知区域中的每个体素与目标三元图中除该体素之外的体素的相关性特征值;第二确定子单元,用于根据目标三元图的未知区域中的每个体素与目标三元图中除该体素之外的体素的相关性特征值,确定目标三元图的未知区域中的每个体素属于病变区域的概率。
可选地,第二确定子单元,包括:第一处理子单元、第二处理子单元、第三处理子单元以及计算子单元。其中,第一处理子单元,用于将目标三元图的未知区域中的第i个体素与目标三元图的前景区域中的体素之间的相关性特征值作为第一特征值,其中,第i个体素为目标三元图的未知区域中的任意一个体素;第二处理子单元,用于将目标三元图的未知区域中的第i个体素与目标三元图的背景区域中的体素之间的相关性特征值作为第二特征值;第三处理子单元,用于将目标三元图的未知区域中的第i个体素与目标三元图的未知区域中的其他体素之间的相关性特征值作为第三特征值,其中,其他体素为与第i个体素不同的体素;计算子单元,用于依据第一特征值对应的权重、第二特征值对应的权重以及第三特征值对应的权重,计算得到第i个体素属于病变区域的概率。
可选地,第二处理单元,包括:第三确定子单元,用于在目标影像为多模态影像的情况下,依据多模态影像之间的影像信息作为参考信息计算得到目标三元图中的不同体素的空间相关性矩阵,并确定目标三元图中的体素属于目标对象的病变区域的概率。
可选地,第二处理单元,包括:检测子单元、第四确定子单元、第五确定子单元。其中,检测子单元,用于检测医学影像和目标影像的配准精度是否大于预设阈值;第四确定子单元,用于在医学影像和目标影像的配准精度大于预设阈值的情况下,依据医学影像和目标影像计算得到目标三元图中的不同体素的空间相关性矩阵,并确定目标三元图中的体素属于目标对象的病变区域的概率;第五确定子单元,用于在医学影像和目标影像的配准精度小于或等于预设阈值的情况下,依据目标影像计算得到目标三元图中的不同体素的空间相关性矩阵,并确定目标三元图中的体素属于目标对象的病变区域的概率。
可选地,医学影像的处理装置还包括:第四处理子单元和第五处理子单元。其中,第四处理子单元,用于将目标三元图中属于病变区域的概率大于预设概率的体素使用第一像素值表示;第五处理子单元,用于将目标三元图中属于病变区域的概率小于或等于预设概率的体素使用第二像素值表示。
根据本申请的另一方面,还提供了一种计算机可读存储介质,其中,计算机可读存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行任意一项的医学影像的处理方法。
根据本申请的另一方面,还提供了一种电子设备,其中,电子设备包括一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现用于运行程序,其中,程序被设置为运行时执行上述任意一项的医学影像的处理方法。
在本申请中,采用三元图配准对齐的方式,首先依据目标对象在放疗之前拍摄的医学影像确定与医学影像对齐的三元图,其中,三元图用于表征医学影像中的体素属于目标对象的病变区域的概率。然后在获取目标对象在放疗期间拍摄的目标影像之后,通过对医学影像和目标影像进行配准的方式,得到与目标影像对齐的目标三元图,随后通过计算目标三元图中的不同体素的空间相关性矩阵,确定目标三元图中的体素属于目标对象的病变区域的概率。
由上述内容可知,本申请基于放疗之前的医学影像(例如放疗前的PET影像和MR影像)确定与医学影像对齐的三元图,然后在获取目标对象在放疗期间拍摄的目标影像之后,通过配准医学影像和目标影像,可以得到与目标影像对齐的目标三元图,由于放疗前的医学影像可以只需要获取一次,因此在获取放疗前的医学影像时的成本可以有效控制,而且患者不会受到过多的辐射。
另外,在本申请中,放疗前的医学影像可以是MR影像和比MR影像更高分辨率的PET影像,因此通过PET影像和MR影像的配准以及勾画,可以得到一个精准的三元图(因为PET影像的分辨率很高,不存在模糊区域),在此基础上,在通过对医学影像和目标影像进行配准的方式得到与目标影像对齐的目标三元图之后,相当于在目标影像上也对病变区域进行了精准定位(因为目标三元图作为一种图像区域的配准结果,其可信度是能够得到充分保证的),从而本申请可以在不需要对勾画影像进行配准或者人工在目标影像上进行勾画的情况下,便能够依据目标三元图确定每个体素属于病变区域的概率(也相当于得到了每个体素属于非病变区域的概率),既解决了现有技术中在确定患者放疗期间所拍摄的影像中的病变区域和非病变区域时,存在准确度差的技术问题,也降低了在确定病变区域时的成本。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种可选的医学影像的处理方法的流程图;
图2是根据本申请实施例的一种可选的三元图的示意图;
图3是根据本申请实施例的一种可选的确定体素属于病变区域的概率的流程图;
图4是根据本申请实施例的一种可选的医学影像的处理装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
还需要说明的是,本申请采集的信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),是经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理,均遵守相关地区的相关法律法规和标准,采取了必要保密措施,不违背公序良俗,并提供有相应的操作入口,供用户选择授权或者拒绝。例如,本***和相关用户或机构间设置有接口,在获取相关信息之前,需要通过接口向前述的用户或机构发送获取请求,并在接收到前述的用户或机构反馈的同意信息后,获取相关信息。
另外,本申请中在采集客户信息,分析客户信息,为用户提供相应的操作入口,供用户选择同意或者拒绝自动化决策结果;若用户选择拒绝,则进入专家决策流程。
根据本申请实施例,提供了一种医学影像的处理方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的医学影像的处理方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,依据目标对象在放疗之前拍摄的医学影像确定与医学影像对齐的三元图。
在步骤S101中,三元图用于表征医学影像中的体素属于目标对象的病变区域的概率。
在一种可选的实施例中,一种医学影像的处理***(以下简称为处理***)可以作为本申请实施例中的医学影像的处理方法的执行主体。其中,处理***可以是一种软件***,也可以是一种软硬件相结合的嵌入式***。
可选地,目标对象在放疗之前拍摄的医学影像可以是不同类型的多张医学影像,例如,目标对象在放疗前拍摄的MR影像和PET影像,其中,PET影像为比MR影像分辨率更高的影像。
可选地,以目标对象在放疗之前拍摄的MR影像和PET影像为例,处理***可以对目标对象在放疗之前拍摄的MR影像和PET影像进行配准操作和勾画操作,从而得到目标对象的病变区域,其中,由于PET影像的分辨率很高,因此勾画的精度可以得到保证,也就是说可以得到清晰准确的病变区域。随后,处理***可以对三元图进行适应性地内缩和外扩,以得到与医学影像对齐的三元图,其中,由于针对放疗前的MR影像和PET影像执行过配准操作,因此放疗前的MR影像和PET影像实际上已经完成了对齐,在此基础上得到的三元图也是与放疗前的MR影像和PET影像相互对齐的。
需要说明的是,三元图用于表征医学影像中的体素属于目标对象的病变区域的概率,例如,三元图包括:背景区域、未知区域以及前景区域,其中,背景区域中的体素属于目标对象的病变区域的概率为0,前景区域中的体素属于目标对象的病变区域的概率为100%,未知区域中的体素属于目标对象的病变区域的概率大于或等于0且小于或等于100%。
步骤S102,获取目标对象在放疗期间拍摄的目标影像。
可选地,目标影像通常是分辨率受限的影像,例如,目标影像为当日MR影像,其中,之所以目标影像通常采用MR影像,而不是采用PET影像,这是因为PET影像的拍摄十分昂贵,而且具有较强的辐射,由于在放疗期间,目标对象通常需要拍摄多张目标影像以方便医生随时跟进了解肿瘤的变化情况和治疗效果,因此出于成本和患者的健康考虑,通常只会在放疗之前拍摄PET影像,而不会在放疗期间拍摄PET影像。
但是,受限于当日MR影像的分辨率不足并且没有当日的PET影像的情况,对于***内病变区域等病变区域的边界在MR影像上的清晰度不够,因此在当日MR影像上进行自动勾画的精度不会很高。即使是放疗科医生人工去校验勾画结果,也很难客观分辨边界不清晰的靶区与危及器官的勾画准确性,另外人工成本也很高。此外,通过配准的方式将治疗前的勾画影像转移到当日MR影像上的方案必然会存在配准误差,导致勾画信息在当日MR影像上精确度不够的问题。
为了解决上述问题,本申请提出了通过将三元图进行配准转移的方式,详细说明可见下述步骤S103和步骤S104。
另外,需要说明的是,上述医学影像为MR影像和PET影像仅是一种示例,在实际应用中,医学影像还可以是其他类型的影像,一种可选的通用实施场景为:目标对象在放疗之前有丰富的影像可以进行精准的勾画(例如,对PET影像进行勾画),治疗期间的当日影像(例如治疗期间的MR影像)由于图像分辨率的限制对于勾画难度高的肿瘤或危及器官无法进行精准的勾画。因此,不局限于具体的医学影像的类型以及目标影像的类型,只要对应于上述通用实施场景,都可以采用本申请的技术方案解决在确定患者放疗期间所拍摄的影像中的病变区域和非病变区域时存在的准确度差的技术问题。
步骤S103,通过对医学影像和目标影像进行配准的方式,得到与目标影像对齐的目标三元图。
可选地,为了方便说明本申请实施例的方案,以下以医学影像为目标对象放疗前拍摄的MR影像和PET影像、目标影像为目标对象放疗期间拍摄的当日MR影像为例进行说明。
可选地,在目标对象的放疗期间,只有当日MR影像,没有当日PET影像,此时,处理***应用配准算法将放疗前拍摄的MR影像和当日MR影像进行配准,由于三元图本身是与放疗前拍摄的MR影像对齐的,因此在配准之后,就得到了与当日MR影像对应的目标三元图,在获取了目标三元图之后,便相当于实现了在当日MR影像上对目标对象的病变区域进行了精准定位。
需要说明的是,前文提到了现有技术中有一种技术方案是通过配准的方式将治疗前的勾画信息转移到当日MR影像上,这种方案的实质内容是把勾画信息直接配准到当日MR影像上进行使用,这种方案要求需要非常精准地完成配准,不能允许有较多的配准误差。而本申请的方案只是把三元图配准到目标影像上作为病变区域的定位,不需要非常精准的配准,因此本申请的技术方案大大降低了配准难度,提高了方案实施的容错率。
步骤S104,通过计算目标三元图中的不同体素的空间相关性矩阵,确定目标三元图中的体素属于目标对象的病变区域的概率。
可选地,本申请还提供了一种多模态语义软分割算法,其中,处理***通过该算法可以计算特征空间中体素与体素之间的三维空间相关性矩阵。对于目标三元图中的一个体素,通过计算该体素与目标三元图中除了该体素之外的体素之间的相关性,可以确定该体素属于目标对象的病变区域的概率。
需要说明的是,虽然也可以引入深度学习神经网络模型来解决当日MR影像对于病变区域和非病变区域确定不清晰的问题,但是深度学习需要大量标注数据训练模型,而由于治疗期间当日影像分辨率的局限性,对于边界不清晰的目标很难获取高精度的人工勾画,所以获取大量标注数据训练模型是困难的,而基于语义软分割的方法不需要训练模型,有数学解析解,因此不存在需要准备高质量的模型样本的问题。
另外,深度学习算法在模型部署时,训练数据和实际数据之间的差异也会导致算法精度下降,而放射治疗对于精度要求很高。由于本方案的核心算法为语义软分割,不需要训练模型,所以不存在此问题。流程中虽然用到了配准算法,但是这个配准的步骤不需要特别高的精度,甚至可以用传统的刚性配准算法,也不需要训练模型。总体上,本申请的技术方案相比于训练部署深度学习神经网络模型的方法上更有优势。
基于上述步骤S101至步骤S104的内容可知,在本申请中,采用三元图配准对齐的方式,首先依据目标对象在放疗之前拍摄的医学影像确定与医学影像对齐的三元图,其中,三元图用于表征医学影像中的体素属于目标对象的病变区域的概率。然后在获取目标对象在放疗期间拍摄的目标影像之后,通过对医学影像和目标影像进行配准的方式,得到与目标影像对齐的目标三元图,随后通过计算目标三元图中的不同体素的空间相关性矩阵,确定目标三元图中的体素属于目标对象的病变区域的概率。
由上述内容可知,本申请基于放疗之前的医学影像(例如放疗前的PET影像和MR影像)确定与医学影像对齐的三元图,然后在获取目标对象在放疗期间拍摄的目标影像之后,通过配准医学影像和目标影像,可以得到与目标影像对齐的目标三元图,由于放疗前的医学影像可以只需要获取一次,因此在获取放疗前的医学影像时的成本可以有效控制,而且患者不会受到过多的辐射。
另外,在本申请中,放疗前的医学影像可以是MR影像和比MR影像更高分辨率的PET影像,因此通过PET影像和MR影像的配准以及勾画,可以得到一个精准的三元图(因为PET影像的分辨率很高,不存在模糊区域),在此基础上,在通过对医学影像和目标影像进行配准的方式得到与目标影像对齐的目标三元图之后,相当于在目标影像上也对病变区域进行了精准定位(因为目标三元图作为一种图像区域的配准结果,其可信度是能够得到充分保证的),从而本申请可以在不需要对勾画影像进行配准或者人工在目标影像上进行勾画的情况下,便能够依据目标三元图确定每个体素属于病变区域的概率(也相当于得到了每个体素属于非病变区域的概率),既解决了现有技术中在确定患者放疗期间所拍摄的影像中的病变区域和非病变区域时,存在准确度差的技术问题,也降低了在确定病变区域时的成本。
在一种可选的实施例中,处理***可以获取目标对象在放疗之前拍摄的医学影像,其中,医学影像包括第一影像和第二影像,其中,第一影像的分辨率高于第二影像的分辨率。然后,处理***以第一影像作为参考,在第二影像中勾画出目标对象的病变区域,通过在第二影像中对勾画得到的目标对象的病变区域进行内缩操作和外扩操作,得到与医学影像对应的三元图。
可选地,第一影像可以是目标对象在放疗之前拍摄的PET影像,第二影像可以是目标对象在放疗之前拍摄的MR影像,其中,可以参考治疗前的PET影像与治疗前的MR影像对病变区域进行勾画操作。勾画操作可以使用人工勾画的方式或者自动勾画的方式,因为有PET影像,所以勾画精度可以得到保证。
可选地,处理***可以对勾画得到的病变区域进行内缩操作和外扩操作,从而得到与医学影像对齐的三元图。
可选地,三元图包括:背景区域、未知区域以及前景区域,其中,背景区域中的体素属于目标对象的病变区域的概率为0,前景区域中的体素属于目标对象的病变区域的概率为100%,未知区域中的体素属于目标对象的病变区域的概率大于或等于0且小于或等于100%。
其中,图2是根据本申请实施例的一种可选的三元图的示意图,如图2所示,三元图包括背景区域、未知区域、前景区域,其中,位于背景区域的体素一定不属于病变区域;位于位置区域的部分体素属于目标区域,部分体素不属于目标区域,需要算法来确定每个体素的归属;位于前景区域的体素一定属于病变区域。
需要说明的是,无论是内缩操作还是外扩操作,缩放的比例都可以自定义设置,例如,基于从医学影像中勾画得到的病变区域的大小确定缩放比例,如果病变区域的体积较小,便设置一个较小的缩放比例,如果病变区域的体积较大,便设置一个较大的缩放比例。
还需要说明的是,通过获取与医学影像对齐的三元图,相当于利用三元图确定了病变区域和非病变区域的边界,换言之,相当于在医学影像的基础上对病变区域进行了精准的定位。
在一种可选的实施例中,处理***还可以基于空间相关性矩阵,确定目标三元图的未知区域中的每个体素与目标三元图中除该体素之外的体素的相关性特征值,根据目标三元图的未知区域中的每个体素与目标三元图中除该体素之外的体素的相关性特征值,确定目标三元图的未知区域中的每个体素属于病变区域的概率。
可选地,目标三元图实质上是三元图配准到目标影像上的结果,因此,目标三元图也包括未知区域、背景区域以及前景区域,并且目标三元图的未知区域、背景区域、前景区域分别与三元图的未知区域、背景区域、前景区域一一对应。
可选地,对于目标三元图的未知区域中的每一个体素,处理***会根据该体素与目标三元图中的未知区域的其他体素、前景区域的体素、背景区域的体素的相关性来计算它属于病变区域的置信度。其中,置信度即表征上述的相关性特征值。
可选地,置信度的取值范围为[0,1],0表示100%不属于病变区域,1表示100%属于病变区域。通过计算目标三元图的未知区域中的每个体素的置信度,可以客观地呈现每个体素属于病变区域的概率,这个呈现方式可以很好地表征肿瘤对身体组织的侵犯程度。
在一种可选的实施例中,图3是根据本申请实施例的一种可选的确定体素属于病变区域的概率的流程图,如图3所示,包括如下步骤:
步骤S301,将目标三元图的未知区域中的第i个体素与目标三元图的前景区域中的体素之间的相关性特征值作为第一特征值。
在步骤S301中,第i个体素为目标三元图的未知区域中的任意一个体素。
步骤S302,将目标三元图的未知区域中的第i个体素与目标三元图的背景区域中的体素之间的相关性特征值作为第二特征值。
步骤S303,将目标三元图的未知区域中的第i个体素与目标三元图的未知区域中的其他体素之间的相关性特征值作为第三特征值。
在步骤S303中,其他体素为与第i个体素不同的体素。
步骤S304,依据第一特征值对应的权重、第二特征值对应的权重以及第三特征值对应的权重,计算得到第i个体素属于病变区域的概率。
可选地,对于上述的第一特征值、第二特征值以及第三特征值分别设置对应的权重,可以提高概率计算的准确度,例如,未知区域中的第i个体素与目标三元图的前景区域中的体素之间的相关性特征值作为第一特征值,第i个体素与目标三元图的背景区域中的体素之间的相关性特征值作为第二特征值,这两个特征值对应的权重可以相等,并且设置的可以比第三特征值对应的权重大一些,这是因为相比于未知区域而言,前景区域和背景区域是已经明确的区域,将其作为参考信息时所得到的计算结果的可信度更高一些,所以权重可以设置的更大一些。当然,三个特征值的权重值还可以设置为相同的。
在一种可选的实施例中,在目标影像为多模态影像的情况下,依据多模态影像之间的影像信息作为参考信息计算得到目标三元图中的不同体素的空间相关性矩阵,并确定目标三元图中的体素属于目标对象的病变区域的概率。
可选地,在本申请实施例中,目标影像可以是多模态的,例如,当日MR影像可以包括:MR T1加权成像、MR T1增强成像、MR T2加权成像等等,各MR模态图像上的影像信息存在互补,因此在将多模态的目标影像配准对齐之后,可以一同作为多模态语义软分割算法的输入信息,处理***可以对多模态的目标影像进行影像信息融合之后计算得到目标三元图中的不同体素的空间相关性矩阵,并确定目标三元图中的体素属于目标对象的病变区域的概率。
需要说明的是,多模态的目标影像之间的影像信息可以进行互补,从而可以提高对目标三元图的空间相关性矩阵的计算准确度。
在一种可选的实施例中,处理***可以检测医学影像和目标影像的配准精度是否大于预设阈值,在医学影像和目标影像的配准精度大于预设阈值的情况下,依据医学影像和目标影像计算得到目标三元图中的不同体素的空间相关性矩阵,并确定目标三元图中的体素属于目标对象的病变区域的概率;在医学影像和目标影像的配准精度小于或等于预设阈值的情况下,依据目标影像计算得到目标三元图中的不同体素的空间相关性矩阵,并确定目标三元图中的体素属于目标对象的病变区域的概率。
可选地,如果治疗前的医学影像与治疗期间的目标影像配准精度较高,则处理***也可以加入治疗前的医学影像作为多模态语义软分割算法的输入信息,从而获取更多的补充信息,以得到精度更高的软分割结果。因此,本申请在医学影像和目标影像的配准精度大于预设阈值的情况下,依据医学影像和目标影像计算得到目标三元图中的不同体素的空间相关性矩阵,并确定目标三元图中的体素属于目标对象的病变区域的概率;在医学影像和目标影像的配准精度小于或等于预设阈值的情况下,则只是依据目标影像计算得到目标三元图中的不同体素的空间相关性矩阵,并确定目标三元图中的体素属于目标对象的病变区域的概率。
在一种可选的实施例中,在通过计算目标三元图中的不同体素的空间相关性矩阵,确定目标三元图中的体素属于目标对象的病变区域的概率之后,处理***可以将目标三元图中属于病变区域的概率大于预设概率的体素使用第一像素值表示,然后将目标三元图中属于病变区域的概率小于或等于预设概率的体素使用第二像素值表示。
可选地,语义软分割的结果可以用来定性分析分割的准确性,用于医生检查分割的精度。在本申请实施例中,处理***可以对语义软分割的结果做二值化处理,采用某个阈值(对应上述的预设概率,例如0.5)将每个体素的像素值转换成0或1,得到常规分割的格式(二值化),用于后续放疗流程。例如,将目标三元图中属于病变区域的概率大于预设概率(例如0.5)的体素使用第一像素值(例如0)表示,然后将目标三元图中属于病变区域的概率小于或等于预设概率(例如0.5)的体素使用第二像素值(例如1)表示。
由上述内容可知,本申请基于放疗之前的医学影像(例如放疗前的PET影像和MR影像)确定与医学影像对齐的三元图,然后在获取目标对象在放疗期间拍摄的目标影像之后,通过配准医学影像和目标影像,可以得到与目标影像对齐的目标三元图,由于放疗前的医学影像可以只需要获取一次,因此在获取放疗前的医学影像时的成本可以有效控制,而且患者不会受到过多的辐射。
另外,在本申请中,放疗前的医学影像可以是MR影像和比MR影像更高分辨率的PET影像,因此通过PET影像和MR影像的配准以及勾画,可以得到一个精准的三元图(因为PET影像的分辨率很高,不存在模糊区域),在此基础上,在通过对医学影像和目标影像进行配准的方式得到与目标影像对齐的目标三元图之后,相当于在目标影像上也对病变区域进行了精准定位(因为目标三元图作为一种图像区域的配准结果,其可信度是能够得到充分保证的),从而本申请可以在不需要对勾画影像进行配准或者人工在目标影像上进行勾画的情况下,便能够依据目标三元图确定每个体素属于病变区域的概率(也相当于得到了每个体素属于非病变区域的概率),既解决了现有技术中在确定患者放疗期间所拍摄的影像中的病变区域和非病变区域时,存在准确度差的技术问题,也降低了在确定病变区域时的成本。
根据本申请的另一方面,还提供了一种医学影像的处理装置,其中,如图4所示,医学影像的处理装置包括:三元图确定单元401,用于依据目标对象在放疗之前拍摄的医学影像确定与医学影像对齐的三元图,其中,三元图用于表征医学影像中的体素属于目标对象的病变区域的概率;目标影像获取单元402,用于获取目标对象在放疗期间拍摄的目标影像;第一处理单元403,用于通过对医学影像和目标影像进行配准的方式,得到与目标影像对齐的目标三元图;第二处理单元404,用于通过计算目标三元图中的不同体素的空间相关性矩阵,确定目标三元图中的体素属于目标对象的病变区域的概率。
可选地,三元图确定单元401,包括:第一获取子单元、勾画子单元、处理子单元。其中,第一获取子单元,用于获取目标对象在放疗之前拍摄的医学影像,其中,医学影像包括第一影像和第二影像,其中,第一影像的分辨率高于第二影像的分辨率;勾画子单元,用于以第一影像作为参考,在第二影像中勾画出目标对象的病变区域;处理子单元,用于通过在第二影像中对勾画得到的目标对象的病变区域进行内缩操作和外扩操作,得到与医学影像对齐的三元图。
可选地,三元图包括背景区域,未知区域以及前景区域,其中,背景区域中的体素属于目标对象的病变区域的概率为0,前景区域中的体素属于目标对象的病变区域的概率为100%,未知区域中的体素属于目标对象的病变区域的概率大于或等于0且小于或等于100%。
可选地,第二处理单元404,包括:第一确定子单元和第二确定子单元。其中,第一确定子单元,用于基于空间相关性矩阵,确定目标三元图的未知区域中的每个体素与目标三元图中除该体素之外的体素的相关性特征值;第二确定子单元,用于根据目标三元图的未知区域中的每个体素与目标三元图中除该体素之外的体素的相关性特征值,确定目标三元图的未知区域中的每个体素属于病变区域的概率。
可选地,第二确定子单元,包括:第一处理子单元、第二处理子单元、第三处理子单元以及计算子单元。其中,第一处理子单元,用于将目标三元图的未知区域中的第i个体素与目标三元图的前景区域中的体素之间的相关性特征值作为第一特征值,其中,第i个体素为目标三元图的未知区域中的任意一个体素;第二处理子单元,用于将目标三元图的未知区域中的第i个体素与目标三元图的背景区域中的体素之间的相关性特征值作为第二特征值;第三处理子单元,用于将目标三元图的未知区域中的第i个体素与目标三元图的未知区域中的其他体素之间的相关性特征值作为第三特征值,其中,其他体素为与第i个体素不同的体素;计算子单元,用于依据第一特征值对应的权重、第二特征值对应的权重以及第三特征值对应的权重,计算得到第i个体素属于病变区域的概率。
可选地,第二处理单元404,包括:第三确定子单元,用于在目标影像为多模态影像的情况下,依据多模态影像之间的影像信息作为参考信息计算得到目标三元图中的不同体素的空间相关性矩阵,并确定目标三元图中的体素属于目标对象的病变区域的概率。
可选地,第二处理单元404,包括:检测子单元、第四确定子单元、第五确定子单元。其中,检测子单元,用于检测医学影像和目标影像的配准精度是否大于预设阈值;第四确定子单元,用于在医学影像和目标影像的配准精度大于预设阈值的情况下,依据医学影像和目标影像计算得到目标三元图中的不同体素的空间相关性矩阵,并确定目标三元图中的体素属于目标对象的病变区域的概率;第五确定子单元,用于在医学影像和目标影像的配准精度小于或等于预设阈值的情况下,依据目标影像计算得到目标三元图中的不同体素的空间相关性矩阵,并确定目标三元图中的体素属于目标对象的病变区域的概率。
可选地,医学影像的处理装置还包括:第四处理子单元和第五处理子单元。其中,第四处理子单元,用于将目标三元图中属于病变区域的概率大于预设概率的体素使用第一像素值表示;第五处理子单元,用于将目标三元图中属于病变区域的概率小于或等于预设概率的体素使用第二像素值表示。
根据本申请实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的计算机程序,其中,在计算机程序运行时控制计算机可读存储介质所在设备执行上述任意一项的医学影像的处理方法。
根据本申请实施例的另一方面,还提供了一种电子设备,包括:处理器;以及存储器,用于存储处理器的可执行指令;其中,处理器配置为经由执行可执行指令来执行上述任意一项的医学影像的处理方法。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (11)
1.一种医学影像的处理方法,其特征在于,包括:
依据目标对象在放疗之前拍摄的医学影像确定与所述医学影像对齐的三元图,其中,所述三元图用于表征所述医学影像中的体素属于所述目标对象的病变区域的概率;
获取目标对象在放疗期间拍摄的目标影像;
通过对所述医学影像和所述目标影像进行配准的方式,得到与所述目标影像对齐的目标三元图;
通过计算所述目标三元图中的不同体素的空间相关性矩阵,确定所述目标三元图中的体素属于所述目标对象的病变区域的概率。
2.根据权利要求1所述的医学影像的处理方法,其特征在于,依据目标对象在放疗之前拍摄的医学影像确定与所述医学影像对齐的三元图,包括:
获取所述目标对象在放疗之前拍摄的医学影像,其中,所述医学影像包括第一影像和第二影像,其中,所述第一影像的分辨率高于所述第二影像的分辨率;
以所述第一影像作为参考,在所述第二影像中勾画出所述目标对象的病变区域;
通过在所述第二影像中对勾画得到的所述目标对象的病变区域进行内缩操作和外扩操作,得到与所述医学影像对齐的三元图。
3.根据权利要求1所述的医学影像的处理方法,其特征在于,所述三元图包括背景区域、未知区域以及前景区域,其中,所述背景区域中的体素属于所述目标对象的病变区域的概率为0,所述前景区域中的体素属于所述目标对象的病变区域的概率为100%,未知区域中的体素属于所述目标对象的病变区域的概率大于或等于0且小于或等于100%。
4.根据权利要求3所述的医学影像的处理方法,其特征在于,通过计算所述目标三元图中的不同体素的空间相关性矩阵,确定所述目标三元图中的体素属于所述目标对象的病变区域的概率,包括:
基于空间相关性矩阵,确定所述目标三元图的未知区域中的每个体素与所述目标三元图中除该体素之外的体素的相关性特征值;
根据所述目标三元图的未知区域中的每个体素与所述目标三元图中除该体素之外的体素的相关性特征值,确定所述目标三元图的未知区域中的每个体素属于所述病变区域的概率。
5.根据权利要求4所述的医学影像的处理方法,其特征在于,在根据所述目标三元图的未知区域中的每个体素与所述目标三元图中除该体素之外的体素的相关性,确定所述目标三元图的未知区域中的每个体素属于所述病变区域的概率的过程中,所述医学影像的处理方法还包括:
将所述目标三元图的未知区域中的第i个体素与所述目标三元图的前景区域中的体素之间的相关性特征值作为第一特征值,其中,所述第i个体素为所述目标三元图的未知区域中的任意一个体素;
将所述目标三元图的未知区域中的第i个体素与所述目标三元图的背景区域中的体素之间的相关性特征值作为第二特征值;
将所述目标三元图的未知区域中的第i个体素与所述目标三元图的未知区域中的其他体素之间的相关性特征值作为第三特征值,其中,所述其他体素为与所述第i个体素不同的体素;
依据所述第一特征值对应的权重、所述第二特征值对应的权重以及所述第三特征值对应的权重,计算得到所述第i个体素属于所述病变区域的概率。
6.根据权利要求1所述的医学影像的处理方法,其特征在于,通过计算所述目标三元图中的不同体素的空间相关性矩阵,确定所述目标三元图中的体素属于所述目标对象的病变区域的概率,包括:
在所述目标影像为多模态影像的情况下,依据所述多模态影像之间的影像信息作为参考信息计算得到所述目标三元图中的不同体素的空间相关性矩阵,并确定所述目标三元图中的体素属于所述目标对象的病变区域的概率。
7.根据权利要求1所述的医学影像的处理方法,其特征在于,通过计算所述目标三元图中的不同体素的空间相关性矩阵,确定所述目标三元图中的体素属于所述目标对象的病变区域的概率,包括:
检测所述医学影像和所述目标影像的配准精度是否大于预设阈值;
在所述医学影像和所述目标影像的配准精度大于所述预设阈值的情况下,依据所述医学影像和所述目标影像计算得到所述目标三元图中的不同体素的空间相关性矩阵,并确定所述目标三元图中的体素属于所述目标对象的病变区域的概率;
在所述医学影像和所述目标影像的配准精度小于或等于所述预设阈值的情况下,依据所述目标影像计算得到所述目标三元图中的不同体素的空间相关性矩阵,并确定所述目标三元图中的体素属于所述目标对象的病变区域的概率。
8.根据权利要求1所述的医学影像的处理方法,其特征在于,在通过计算所述目标三元图中的不同体素的空间相关性矩阵,确定所述目标三元图中的体素属于所述目标对象的病变区域的概率之后,所述医学影像的处理方法还包括:
将所述目标三元图中属于所述病变区域的概率大于预设概率的体素使用第一像素值表示;
将所述目标三元图中属于所述病变区域的概率小于或等于所述预设概率的体素使用第二像素值表示。
9.一种医学影像的处理装置,其特征在于,包括:
三元图确定单元,用于依据目标对象在放疗之前拍摄的医学影像确定与所述医学影像对齐的三元图,其中,所述三元图用于表征所述医学影像中的体素属于所述目标对象的病变区域的概率;
目标影像获取单元,用于获取目标对象在放疗期间拍摄的目标影像;
第一处理单元,用于通过对所述医学影像和所述目标影像进行配准的方式,得到与所述目标影像对齐的目标三元图;
第二处理单元,用于通过计算所述目标三元图中的不同体素的空间相关性矩阵,确定所述目标三元图中的体素属于所述目标对象的病变区域的概率。
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中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至8中任意一项所述的医学影像的处理方法。
11.一种电子设备,其特征在于,所述电子设备包括一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现用于运行程序,其中,所述程序被设置为运行时执行所述权利要求1至8中任意一项所述的医学影像的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410519698.1A CN118096845A (zh) | 2024-04-28 | 2024-04-28 | 医学影像的处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410519698.1A CN118096845A (zh) | 2024-04-28 | 2024-04-28 | 医学影像的处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118096845A true CN118096845A (zh) | 2024-05-28 |
Family
ID=91148034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410519698.1A Pending CN118096845A (zh) | 2024-04-28 | 2024-04-28 | 医学影像的处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118096845A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115136189A (zh) * | 2020-03-13 | 2022-09-30 | 基因泰克公司 | 基于图像处理的肿瘤的自动化检测 |
US20230078011A1 (en) * | 2021-09-13 | 2023-03-16 | Northwestern University | Method and system for labeling medical images |
CN116258725A (zh) * | 2023-05-16 | 2023-06-13 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于特征影像的医学图像处理方法、装置以及存储介质 |
-
2024
- 2024-04-28 CN CN202410519698.1A patent/CN118096845A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115136189A (zh) * | 2020-03-13 | 2022-09-30 | 基因泰克公司 | 基于图像处理的肿瘤的自动化检测 |
US20230005140A1 (en) * | 2020-03-13 | 2023-01-05 | Genentech, Inc. | Automated detection of tumors based on image processing |
US20230078011A1 (en) * | 2021-09-13 | 2023-03-16 | Northwestern University | Method and system for labeling medical images |
CN116258725A (zh) * | 2023-05-16 | 2023-06-13 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于特征影像的医学图像处理方法、装置以及存储介质 |
Non-Patent Citations (1)
Title |
---|
殷恺铭;闫士举;宋成利;: "基于改进局部三元模式的乳腺癌预测模型", 中国医学影像技术, no. 04, 20 April 2018 (2018-04-20) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10769791B2 (en) | Systems and methods for cross-modality image segmentation | |
US20230267611A1 (en) | Optimization of a deep learning model for performing a medical imaging analysis task | |
EP3123443B1 (en) | Method and device for generating one or more computer tomography images based on magnetic resonance images with the help of tissue class separation | |
Pasquier et al. | Automatic segmentation of pelvic structures from magnetic resonance images for prostate cancer radiotherapy | |
RU2436161C2 (ru) | Регистрация изображений при деформации для лучевой терапии с управлением по изображениям | |
JP2023507109A (ja) | 医用画像による自動化された腫瘍識別およびセグメンテーション | |
US20160016007A1 (en) | Method for improved surface tracking-based motion management and dynamic planning in adaptive external beam radiation therapy | |
US20040071325A1 (en) | Registration of multi-modality data in imaging | |
Chen et al. | Combining registration and active shape models for the automatic segmentation of the lymph node regions in head and neck CT images | |
Kalinosky et al. | White matter structural connectivity is associated with sensorimotor function in stroke survivors | |
US20110148861A1 (en) | Pet data processing system, an arrangement, a method and a computer program product for determining a distribution of a tracer uptake | |
EP2689344B1 (en) | Knowledge-based automatic image segmentation | |
Paganelli et al. | Quantification of organ motion based on an adaptive image‐based scale invariant feature method | |
CN114881848A (zh) | 一种多序列mr转ct的方法 | |
Sanaat et al. | A cycle-consistent adversarial network for brain PET partial volume correction without prior anatomical information | |
CN118096845A (zh) | 医学影像的处理方法、装置、电子设备及存储介质 | |
CN118302791A (zh) | 医学图像中生物对象的基于机器学习的分割 | |
Kim et al. | Co-registration of MRI and autoradiography of rat brain in three-dimensions following automatic reconstruction of 2D data set | |
Liu et al. | Employing symmetry features for automatic misalignment correction in neuroimages | |
CN112465739A (zh) | 基于医学图像数据产生替代指标的方法和提供*** | |
Costa et al. | A maximum-likelihood approach to PET emission/attenuation image registration | |
US11823399B2 (en) | Multi-scan image processing | |
Thieu et al. | Segmentation by a local and global fuzzy Gaussian distribution energy minimization of an active contour model | |
Schäfer et al. | Local similarity measures for lesion registration in DCE-MRI of the breast | |
Tang et al. | Corpus callosum segmentation in MS studies using normal atlases and optimal hybridization of extrinsic and intrinsic image cues |
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 |