CN101313333A - 创建结构模型的方法 - Google Patents

创建结构模型的方法 Download PDF

Info

Publication number
CN101313333A
CN101313333A CNA200680043336XA CN200680043336A CN101313333A CN 101313333 A CN101313333 A CN 101313333A CN A200680043336X A CNA200680043336X A CN A200680043336XA CN 200680043336 A CN200680043336 A CN 200680043336A CN 101313333 A CN101313333 A CN 101313333A
Authority
CN
China
Prior art keywords
data
model
scan
generate
group
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
Application number
CNA200680043336XA
Other languages
English (en)
Other versions
CN101313333B (zh
Inventor
T·内奇
D·贝斯特罗夫
S·扬
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
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 Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN101313333A publication Critical patent/CN101313333A/zh
Application granted granted Critical
Publication of CN101313333B publication Critical patent/CN101313333B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • 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
    • G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical 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
    • G06V10/70—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
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/0037—Performing a preliminary scan, e.g. a prescan for identifying a region of interest
    • 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
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns

Abstract

描述了一种用于根据多个受检者的扫描数据创建局部解剖结构的模型的方法。该方法包括如下步骤：收集扫描数据；将特征检测器应用于该扫描数据；将该特征检测器的输出转换到公共参考系；以及积累转换后的数据以生成模型。因此，该方法能够自动地根据多个受检者的扫描数据生成模型。该方法还可以包括接收用户输入以选择在最终模型中应该包括哪些累积的数据的任选步骤。这种用户输入所需付出的努力远远少于手动轮廓提取，并且基本上不依赖于创建模型所用到的受检者的数量。

Description

创建结构模型的方法
本发明涉及一种用于创建结构模型的方法和设备。具体而言，本发明涉及创建一种基于多个受检者的训练数据的模型，且其涉及局部解剖结构。
存在各种用于产生局部身体横截面医学图像的扫描技术。这些技术包括：磁共振成像(MRI)、计算机断层摄影(CT)以及正电子发射断层摄影(PET)。自这些扫描技术的输出数据通常是一组强度值(通常称为灰度)的形式。为了能使数据有用，通常需要对扫描的输出进行翻译以建立已经扫描区域的模型。然后可以使用该模型例如计划外科手术或者计划对特定区域进行更详细的扫描。
对于熟练的操作者而言翻译扫描的输出数据以创建模型的一种方法是检查所获得的图像，并手动选择解剖特征之间的边界。这称为轮廓提取(contouring)且可能花费一些时间，特别是当需要三维模型时。为了创建三维模型，需要大量有关不同横截面的、将由操作者进行轮廓提取的二维扫描，然后将其组合成三维模型。
为了能更快地创建用于个体受检者的模型，已经提出了全部或部分自动轮廓提取过程的方法。例如，US 2004/0101184A1涉及一种用于在CT图像中自动对器官和其它解剖结构进行轮廓提取的自动方法。其论述了一种基于边缘的方法，其中确定一点在器官内部并且然后将其用作检测器官边缘的起始点。这种技术仅应用于使用在单个受检者上执行扫描而获得的数据来创建模型，并且在该方法可以使用之前需要预先输入一些关于被扫描区域的一般解剖特征(例如，男性骨盆部位的骨结构)。
因此，本发明的一个目的是改进根据扫描数据生成模型的效率。
根据本发明，本文提供一种使用来自多个受检者的扫描数据生成结构模型的方法，该方法包括：
收集一组扫描数据，其包括针对多个个体中的每个个体的局部解剖结构的扫描数据；
将特征检测器应用于该组扫描数据中的每一项以生成一组特征数据；
将该组特征数据中的每一项转换到公共参考系中以生成一组变换数据；以及
积累该组变换数据中的每一项以生成表示多个个体局部解剖结构的模型。
与US 2004/0101184A1不同，本发明使用来自多个受检者的数据生成模型。最终结果是获得一种模型，其表示在该模型所基于的整个数据集上的结构变化。然后，能够将该模型与未知受检者的搜索(scout)数据结合使用，例如用于计划详细的扫描几何形状。本发明的方法可以在没有任何关于被扫描区域结构的知识的情况下使用；自动生成结构特征。
本发明的自动性质使得其能用于创建基于任意大量受检者(例如，五十以上)的数据的模型。此外，由于其能容易地创建模型从而能够开发出一系列的模型。当需要有一系列模型来降低总体间变化并提高输出模型的精确性时，这可能很有用。
本发明的另一益处在于，可以使用与识别未知受检者的数据中的特征所使用的特征检测算法相同的算法来创建模型。这提高了未知数据与模型之间匹配的精度。
另一个优点在于，由于其具有自动特性，因此可以毫不费力地就能对模型进行提炼(refine)以并入新数据。
在医学成像应用中，结构可能是解剖结构，并且每个受检者可能是患者个体。
本发明的方法可以由包括由数据处理器运行的代码模块的计算机程序实现。计算机程序代码可以收录在计算机可读介质中，例如，诸如磁盘的磁性介质、诸如CD ROM的光学介质、或者诸如闪存的固态介质。在这种情况下，计算机程序能够更新升级到现有的医学成像设备。
该方法可以任选地包括显示模型和用户交互的步骤，如在权利要求2所限定的那样。这使得用户能够选择该模型中最有可能表示包括在最终模型中的部分，并使得能够提高该模型的精度。该步骤所需的用户输入少于在先的手动轮廓提取方法，这是因为用户仅是需要选择应当包括哪些由自动成生成的轮廓。
根据本发明的另一方面，本文提供一种使用来自多个受检者的扫描数据生成结构模型的医学成像设备，该设备包括：
存储装置，用于存储由数据处理器件运行的指令，并用于存储一组针对多个个体中的每个个体的局部解剖结构的扫描数据；以及
数据处理器，其可以通过存储在该存储装置中的指令配置成运行下列步骤：
收集一组数据，该数据包括针对多个受检者中的每个受检者的结构的扫描数据；
将特征检测器应用于该组扫描数据中的每一项以生成一组特征数据；
将该组特征数据中的每一项转换到公共参考系中以生成一组变换数据；以及
积累该组变换数据中的每一项以生成表示多个个体局部解剖结构的模型。
现在将通过举例的方式并参照附图来论述本发明的实施例，在附图中：
图1是示出根据本发明第一实施例的方法的流程图；以及
图2是图1方法中在各阶段经处理的图像的示例。
图1中示出了本发明的第一实施例的流程图。图2中描述了本发明第一实施方式的直观表示，其示出了在每个阶段中经处理的图像表示。为使解释简单起见，将关于二维模型的形成来描述该实施例。然而，本领域普通技术人员应当领会到，其也可以等同地应用于三维模型的形成。
在第一步2中，收集模型将基于的扫描数据20。这包括从多个受检者(为简单起见，在图2中仅示出两个)收集将用于形成模型的数据。在该实施例中，扫描数据是表示通过沿矢状平面MR扫描脑部获得的强度的灰度数据。
在第二步4中，对原始数据应用特征检测器，以便提取关于包含在扫描中的解剖特征的信息。在该实施例中，特征检测器是边缘检测器。这生成一组特征数据22。如在图2中可以看出的，在该阶段产生的特征数据包含大量可能的轮廓定位。
在第三步6中，将该组特征数据22转换到公共参考坐标系中。该公共参考坐标系使该组特征数据中图像间的特征的空间对应关系优化。优选地由自动算法，例如基于刚性灰度值的方法实现转换数据的步骤。在该步骤中还将各个体图像进行对准。优选地将灰度值数据进行配准。或者，特征数据本身可以直接使用。
在第四步8中，将一组变换数据累积成公共空间。在该实施例中，通过在第三步6之后输出的经变换且对准的图像中建立每个像素的“边缘像素计数”直方图来执行该累积过程。例如，如果在经变换且对准的图像的其中三幅中特定像素包括特征(在该实施例中是边缘)，则其直方图将具有等于三的值。这样，建立整个图像的特征分布概率图24。通过在将模型与新数据进行匹配时使用概率边界，该图本身可直接用作模型。
然而，如在图1中可以看出的，该数据缺少一些定义，这是因为在第二步的数据变换过程中没有捕捉到的解剖结构差(anatomical difference)和经变换的图像之间存在配准的不确定性。
为了开发定义明确的模型，该方法任选地包括将流形(manifold)拟合到概率图中具有最高概率的像素的步骤。例如，可以使用2D样条曲线或曲面。
该实施例还包括显示10初始模型的步骤和接收12用户输入的步骤。这使得用户能通过选择最佳表示该模型的那些特征或者与预期应用最相关的那些特征(使用专门知识)来提炼最终模型。尽管在该实施例中任选地包括一些用户交互，但是所需要的努力远远低于手动轮廓提取。向用户显示一组仅需进行选择的可能轮廓，而无需用户手动追踪轮廓。此外，无论在模型创建中使用多少幅图像，仅需执行一次该选择步骤。
在最终步骤14中，输出最终模型26。最终模型26表示整个个体扫描数据上的特征变化，该扫描数据用作第一步2中模型的基础。
最终模型可以用于各种应用。例如，其可以与患者的搜索扫描数据结合使用以计划详细的扫描。
在备选实施例中，变换成公共参考坐标系包括用户输入的步骤。用户可以指示每幅图像内预定“界标”特征的定位。重要的是应注意到，这与完全手动轮廓提取过程是不同的：这仅需一次就能完成且并不依赖于轮廓的选择。因此，当数据不适用于刚性或者弹性的配准方法时可以使用该实施例。
其它的实施例可以在特征检测步骤中使用多维特征。例如，可以使用方向信息。
在备选实施例中还可以使用弹性配准方法以减少解剖变化性。
应当领会到的是，可以根据特定应用来决定所使用的精确特征检测方法和是否需要用户交互。例如，与第一实施例的边缘检测器相比，在特征检测器中使用多维特征在某些情况下可以获得更好的结果。不同的特征检测器将获得针对特定特征检测器的不同的最终模型。其优点在于，通过使用与创建该模型所使用的相同的特征检测来处理未知数据可以更好地将未知数据与该模型匹配。
上述实施例的方法可以用于医学成像设备，在一个实施例中该医学成像设备是MR设备。MR设备包括存储器件，该存储器件例如可以是易失性或者非易失性存储器、例如硬盘驱动器的磁性存储、或者例如CD ROM的光学存储。该存储器件用于存储由数据处理器运行以实现上述实施例的方法的指令。该存储器件还可以存储在该方法的第一步2中收集的扫描数据，并且如果需要，还可以存储最终模型。
本发明的方法还可以通过包括代码模块的计算机程序来实现，其可以由包括存储器件和数据处理器的通用计算机系统运行，如本领域所公知的。
本发明可以用于任何形式的医学成像，其中期望使用来自多个个体的数据创建表示局部解剖结构的模型。这包括MRI、CT和PET扫描设备，以及其它二维和三维医学成像设备。
本发明的优点在于，其能够根据多个受检者的扫描数据自动生成模型。在生成模型之前不需要解剖特征的先验知识，并且减少了用户输入，甚至不需要用户输入。当期望用新数据自动更新模型或者基于大量个体的扫描数据生成模型时，这尤其有用。
各个实施例的特征可以组合起来。本申请中通篇使用“包括”表示包容式的界定，并且并不排除存在其它项目。

Claims (11)

1、一种使用来自多个受检者的扫描数据生成结构模型的方法，所述方法包括如下步骤：
收集(2)一组扫描数据，所述扫描数据包括针对所述多个受检者中的每个受检者的局部解剖结构的扫描数据；
将特征检测器应用(4)到所述组扫描数据的每一项，以生成一组特征数据；
将所述组特征数据中的每一项转换(6)到公共参考系中，以生成一组变换数据；以及
积累(8)所述组变换数据中的每一项，以生成表示多个受检者的结构模型。
2、如权利要求1所述的方法，在所述累积步骤之后，还包括如下步骤：
显示(10)表示多个受检者的所述结构模型；以及
接收(12)用户输入，以指示所显示模型的哪些部分应当形成最终模型的一部分。
3、如权利要求1所述的方法，其中，应用(4)特征检测器的所述步骤包括应用边缘检测器。
4、如权利要求1所述的方法，其中，转换(6)到公共参考系中的所述步骤包括使用配准算法。
5、如权利要求4所述的方法，其中，所述配准算法是基于刚性灰度值的算法。
6、如权利要求1所述的方法，其中，转换(6)到公共参考系中的所述步骤包括用户输入以在所述组特征数据中的每一项内建立预定特征的位置。
7、如权利要求1所述的方法，其中，所述累积(8)步骤包括像素边缘计数，以确定模型特征的定位。
8、一种包括代码模块的计算机程序，当由数据处理器运行时，其指示所述数据处理器执行如权利要求1到7中任一项所述的方法。
9、一种计算机程序产品，其包括收录在计算机可读介质上的如权利要求8所述的计算机程序。
10、一种使用来自多个受检者的扫描数据生成结构模型的医学成像设备，所述设备包括：
存储装置，用于存储由数据处理器件运行的指令，并用于存储一组针对每个所述受检者的结构的扫描数据；以及
数据处理器，其可以通过存储在所述存储装置中的指令配置成运行下列步骤：
收集(2)一组扫描数据，所述数据包括针对所述多个受检者中的每个受检者的局部解剖结构的扫描数据；
将特征检测器应用(4)到所述组扫描数据的每一项，以生成一组特征数据；
将所述组特征数据中的每一项转换(6)到公共参考系，以生成一组变换数据；以及
积累(8)所述组转换数据中的每一项，以生成表示多个受检者的结构模型。
11、如权利要求10所述的医学成像设备，还包括：
显示装置，用于显示表示多个受检者的局部解剖结构的模型；以及
输入装置，用于接收用户输入；
其中，所述数据处理器件还通过存储在所述存储装置中的指令配置成接收用户输入，其指示所显示模型的哪些部分应当形成最终模型的一部分。
CN200680043336XA 2005-11-21 2006-11-08 创建结构模型的方法 Expired - Fee Related CN101313333B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP05111008 2005-11-21
EP05111008.8 2005-11-21
PCT/IB2006/054165 WO2007057816A2 (en) 2005-11-21 2006-11-08 Method for creating a model of a structure

Publications (2)

Publication Number Publication Date
CN101313333A true CN101313333A (zh) 2008-11-26
CN101313333B CN101313333B (zh) 2013-04-24

Family

ID=38049041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200680043336XA Expired - Fee Related CN101313333B (zh) 2005-11-21 2006-11-08 创建结构模型的方法

Country Status (5)

Country Link
US (1) US8369927B2 (zh)
EP (1) EP1955283A2 (zh)
JP (1) JP4991748B2 (zh)
CN (1) CN101313333B (zh)
WO (1) WO2007057816A2 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109933862A (zh) * 2019-02-26 2019-06-25 中国人民解放军军事科学院国防科技创新研究院 一种适用于磁感应谱仿真的电磁模型构建方法及装置
CN113226172A (zh) * 2019-01-21 2021-08-06 莫卡里斯股份有限责任公司 用于确定肢体模型的方法，计算机可读存储介质和系统

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009050676A1 (en) * 2007-10-17 2009-04-23 Koninklijke Philips Electronics N.V. Pathology-related magnetic resonance imaging
US9717298B1 (en) * 2013-08-26 2017-08-01 Raymond Louis Barrett, Jr. MEMS valve actuator system
KR20150098119A (ko) 2014-02-19 2015-08-27 삼성전자주식회사 의료 영상 내 거짓양성 병변후보 제거 시스템 및 방법

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0469646A (ja) * 1990-07-10 1992-03-04 Fuji Photo Film Co Ltd 放射線画像の照射野認識方法
JPH0792651A (ja) * 1993-09-24 1995-04-07 Konica Corp 画像切り抜き装置
US5754708A (en) * 1994-11-16 1998-05-19 Mita Industrial Co. Ltd. Dotted image area detecting apparatus and dotted image area detecting method
US6058322A (en) * 1997-07-25 2000-05-02 Arch Development Corporation Methods for improving the accuracy in differential diagnosis on radiologic examinations
US6597801B1 (en) * 1999-09-16 2003-07-22 Hewlett-Packard Development Company L.P. Method for object registration via selection of models with dynamically ordered features
US7062093B2 (en) * 2000-09-27 2006-06-13 Mvtech Software Gmbh System and method for object recognition
EP1361820B1 (en) * 2001-02-12 2012-12-26 David Roberts Method for the non-invasive imaging of anatomic tissue structures
US7324842B2 (en) * 2002-01-22 2008-01-29 Cortechs Labs, Inc. Atlas and methods for segmentation and alignment of anatomical data
JP4092685B2 (ja) * 2002-08-30 2008-05-28 ソニー株式会社 オブジェクト輪郭抽出装置
US20040101184A1 (en) * 2002-11-26 2004-05-27 Radhika Sivaramakrishna Automatic contouring of tissues in CT images
US7221787B2 (en) 2002-12-10 2007-05-22 Eastman Kodak Company Method for automated analysis of digital chest radiographs
WO2005010699A2 (en) 2003-07-15 2005-02-03 Medical Metrx Solutions, Inc. Generating a computer model using scan data of a patient
WO2005023086A2 (en) 2003-08-25 2005-03-17 University Of North Carolina At Chapel Hill Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surgical planning
US7409108B2 (en) * 2003-09-22 2008-08-05 Siemens Medical Solutions Usa, Inc. Method and system for hybrid rigid registration of 2D/3D medical images

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113226172A (zh) * 2019-01-21 2021-08-06 莫卡里斯股份有限责任公司 用于确定肢体模型的方法，计算机可读存储介质和系统
CN109933862A (zh) * 2019-02-26 2019-06-25 中国人民解放军军事科学院国防科技创新研究院 一种适用于磁感应谱仿真的电磁模型构建方法及装置

Also Published As

Publication number Publication date
CN101313333B (zh) 2013-04-24
EP1955283A2 (en) 2008-08-13
US20080281569A1 (en) 2008-11-13
WO2007057816A2 (en) 2007-05-24
JP4991748B2 (ja) 2012-08-01
WO2007057816A3 (en) 2008-02-14
US8369927B2 (en) 2013-02-05
JP2009516875A (ja) 2009-04-23

Similar Documents

Publication Publication Date Title
USRE47609E1 (en) System for detecting bone cancer metastases
EP2916738B1 (en) Lung, lobe, and fissure imaging systems and methods
CN102203630B (zh) Mr扫描的自动顺序规划
CN107909622B (zh) 模型生成方法、医学成像的扫描规划方法及医学成像系统
KR20190028422A (ko) 해부학적 대상들의 자동 검출, 국부화, 및 의미론적 세그먼트화를 위한 시스템 및 방법
US8948484B2 (en) Method and system for automatic view planning for cardiac magnetic resonance imaging acquisition
CN101542532B (zh) 用于数据处理的方法、设备和计算机程序
US20110058720A1 (en) Systems and Methods for Automatic Vertebra Edge Detection, Segmentation and Identification in 3D Imaging
CN105096310B (zh) 利用多通道特征在磁共振图像中分割肝脏的方法和系统
US9042618B2 (en) Method and system for detection 3D spinal geometry using iterated marginal space learning
JP2018530401A5 (zh)
CN112037200A (zh) 一种医学影像中解剖特征自动识别与模型重建方法
CN111932492B (zh) 一种医学图像处理方法、装置及计算机可读存储介质
CN103294883A (zh) 用于针对经导管主动脉瓣植入进行介入规划的方法和系统
CN103093455A (zh) 一种扩散张量成像大脑白质纤维聚类方法
CN101313333B (zh) 创建结构模型的方法
US9361701B2 (en) Method and system for binary and quasi-binary atlas-based auto-contouring of volume sets in medical images
CN110634554A (zh) 脊椎影像注册方法
CN104915989A (zh) 基于ct影像的血管三维分割方法
AU2020223750A1 (en) Method and System for Image Annotation
Dhalia Sweetlin et al. Patient-Specific Model Based Segmentation of Lung Computed Tomographic Images.
JP2011161104A (ja) 画像生成装置、画像生成方法、及びそのプログラム
CN116433976A (zh) 图像处理方法、装置、设备和存储介质
CN109063208A (zh) 一种融合多种特征信息的医学图像检索方法
Judice et al. A Novel assessment of various bio-imaging methods for lung tumor detection and treatment by using 4-D and 2-D CT images

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20130424

Termination date: 20141108

EXPY Termination of patent right or utility model