CN103345746B - 对ct图片重建出三维图形的方法 - Google Patents
对ct图片重建出三维图形的方法 Download PDFInfo
- Publication number
- CN103345746B CN103345746B CN201310256791.XA CN201310256791A CN103345746B CN 103345746 B CN103345746 B CN 103345746B CN 201310256791 A CN201310256791 A CN 201310256791A CN 103345746 B CN103345746 B CN 103345746B
- Authority
- CN
- China
- Prior art keywords
- image
- affected areas
- reconstruction
- picture
- pet
- 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.)
- Active
Links
Abstract
本发明提供一种对CT图片重建出三维图形的方法,首先读取CT、PET图像数据,提取头文件信息并将两者统一到一个水平基线上;根据统一后的PET图像划分患病区域,并查找患病区域的中心分割线为患病区域的水平基线;通过PET患病区域的水平基线查找CT图像中对应的高度和层数,查找到对应的n层CT数据进行处理,定位CT图像中的患病区域;插值重建出待分析的患病区域的CT图形;对重建出的患病区域的CT图形进行目标的分割与提取;提取患病区域特征向量与疾病特征库中的特征向量组进行匹配,得到匹配结果;最后,通过CT图像重建出三维图形并显示。本发明具有准确度高,误诊、漏诊率小的优点,具有广阔的应用前景。
Description
技术领域
本发明涉及医学图像诊断技术领域,具体地,涉及一种对CT图片重建出三维图形的方法。
背景技术
CT、PET图像是对病人的疾病进行诊断的重要依据,由于CT、PET检查通常是对患者的全身进行检查,因此获得的图像数据量很大。目前,对于拍摄完成的CT、PET图像,都是由医生直接通过肉眼观察进行疾病诊断,医生在进行诊断时,由于图像数据量大,加上人眼对图像的识别能力有限,不可避免的会出现误诊、漏诊等各种情况,对患者治疗的准确性留下了很大的隐患。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种对CT图片重建出三维图形的方法。
根据本发明的一个方面,提供一种对CT图片重建出三维图形的方法,包括以下步骤:
步骤1:读取CT图像、PET图像数据,并提取头文件信息;
步骤2:根据CT图像和PET图像的重建角度,将两者统一到一个水平基线上;
步骤3:根据统一后的PET图像划分患病区域,并查找患病区域的中心分割线为患病区域的水平基线;
步骤4:通过PET图像患病区域的水平基线查找CT图像中对应的高度和层数,根据PET图像和CT图像的映射关系,查找到对应的多层CT数据进行处理,定位CT图像中的患病区域;
步骤5:根据找到的多层CT数据,插值重建出待分析的患病区域的CT图形;
步骤6:对重建出的患病区域的CT图形进行目标的分割与提取,首先对图形进行自适应的动态二值化处理,然后分析连通区域的形态特征,找出患病区域;
步骤7:提取患病区域的面积、周长、圆率、最小外接矩形的长宽比以及连通区域的面积和最小外接矩形的面积比,构建特征向量与疾病特征库中的特征向量组进行匹配,找出平方差和最小值,若该值小于预先设定的平方差和门限值,则判定和该特征库病例匹配,否则没有匹配的病例;
步骤8:对读取的所有CT源图片进行重建操作,重建出三维图形并且显示。
优选地,步骤三中,患病区域的划分是通过设置一个亮度的门限阈值,把患病区域高亮显示出来,具体为:PET图像患病区域的亮度较高,设置亮度的门限阈值,将亮度值大于门限阈值的区域标记为1,否则标记为0,从上到下遍历PET图片,把每层中标记值为1的点累加起来,找到累加值最大的PET图像,从而得出患病区域PET图像所在的层数,将该区域高亮显示出来。
优选地,门限阈值默认为200。
优选地,步骤4中的多层CT数据具体为6层CT数据。
优选地,步骤5中,假设6张图片分别为I1,I2,I3,I4,I5,I6,则插值重建出待分析的患病区域的CT图形具体包括以下步骤:
步骤5.1:由I1,I2插值成一张图像G1,具体为:
首先,均值图像M1=(I1+I2)*0.5;
其次,对M1进行高斯二维高斯滤波,滤除高频噪声,具体使用一个标准差为1.4的尺度为5×5的高斯卷积模版,模版为kernel=[2,4,5,4,2;4,9,12,9,4;5,12,15,12,5;4,9,12,9,4;2,4,5,4,2],用该模版对图像进行卷积操作,对于图像上某个像素点(i,j),卷积后的值为:G1(i,j)=M1(i-2,j-2)*2+M1(i-1,j-2)*4+M1(i,j-2)*5+M1(i+1,j-2)*4+M1(i+2,j-2)*2+M1(i-2,j-1)*4+M1(i-1,j-1)*9+M1(i,j-1)*12+M1(i+1,j-1)*9+M1(i+2,j-1)*4+M1(i-2,j)*5+M1(i-1,j)*12+M1(i,j)*15+M1(i+1,j)*12+M1(i+2,j)*5+M1(i-2,j+1)*4+M1(i-1,j+1)*9+M1(i,j+1)*12+M1(i+1,j+1)*9+M1(i+2,j+1)*4+M1(i-2,j+2)*2+M1(i-1,j+2)*4+M1(i,j+2)*5+M1(i+1,j+2)*4+M1(i+2,j+2)*2;卷积后的均值图像G1为G1=G1(i,j)/159;
步骤5.2:采用步骤5.1同样的方法通过I2,I3插值成一张图像G2;I3,I4插值成一张图像G3;I4,I5插值成一张图像G4;I5,I6插值成一张图像G5;
步骤5.3:求出合成的CT图形ICT:ICT=0.1*G1+0.2*G2+0.4*G3+0.2*G4+0.1*G5。
优选地,平方差和门限值为0.14。
优选地,步骤1中的头文件信息包括:病人姓名、性别、年龄、病人编号、扫描日期、扫描持续时间、层厚(mm)、Slice图像高度、层数、重建角度、投影线个数、病人扫描直径、ECT探头号、床行程、以及床位数信息。
优选地,步骤8具体包括以下步骤:
步骤8.1:假设一共有N层CT图片,对N层CT图片进行插值操作,具体为:假设某一层源CT图片为I1,下一层为I2,均值图像M1=(I1+I2)*0.5,对M1进行高斯二维高斯滤波,滤除高频噪声,具体使用的是一个标准差为1.4的尺度为5×5的高斯卷积模版,模版为kernel=[2,4,5,4,2;4,9,12,9,4;5,12,15,12,5;4,9,12,9,4;2,4,5,4,2],用该模版对图像进行卷积操作,对于图像上某个像素点(i,j),卷积后的值为G1(i,j)=M1(i-2,j-2)*2+M1(i-1,j-2)*4+M1(i,j-2)*5+M1(i+1,j-2)*4+M1(i+2,j-2)*2+M1(i-2,j-1)*4+M1(i-1,j-1)*9+M1(i,j-1)*12+M1(i+1,j-1)*9+M1(i+2,j-1)*4+M1(i-2,j)*5+M1(i-1,j)*12+M1(i,j)*15+M1(i+1,j)*12+M1(i+2,j)*5+M1(i-2,j+1)*4+M1(i-1,j+1)*9+M1(i,j+1)*12+M1(i+1,j+1)*9+M1(i+2,j+1)*4+M1(i-2,j+2)*2+M1(i-1,j+2)*4+M1(i,j+2)*5+M1(i+1,j+2)*4+M1(i+2,j+2)*2;则插值重建图像I‘为I‘=G1/159;
步骤8.2:采用步骤8.1的方法共得到2N-1层CT图像;
步骤8.3:每层CT图像的高度信息已知,设计一个阈值T,如果该层CT图像的阈值大于门限值,则计算该三维点,否则不计算;三维点的X,Y坐标为CT图像的二维坐标,Z坐标为高度值,生成不同部位的三维重建图形。
与现有技术相比,本发明具有如下的有益效果:本发明依据PET图划分患病区域,依据患病区域定位CT图像患病区域,并对CT患病区域进行插值重建、目标分割与识别以及特征提取与匹配操作判定病例库匹配情况,确诊患病情况,并最终进行三维重建并显示确诊结果。本发明充分利用计算机系统建立高精度医学影像诊断系统,弥补了人工诊断的诸多缺陷。具备准确度高,误诊、漏诊率小的优点,具有广阔的应用前景。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明基于对CT图片重建出三维图形的方法的流程原理图;
图2为本发明实施例中提取的一层CT图像;
图3本发明实施例中提取的一层PET图像;
图4为本发明实施例中CT患病区域的提取示意图;
图5为本发明实施例的三维重建的效果图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
请参阅图1,一种对CT图片重建出三维图形的方法,包括以下步骤:
步骤1:读取CT图像、PET图像数据,并提取头文件信息。
头文件信息包括:病人姓名、性别、年龄、病人编号、扫描日期、扫描持续时间、层厚(mm)、Slice图像高度、层数、重建角度、投影线个数、病人扫描直径、ECT探头号、床行程、以及床位数信息。
步骤2:根据CT图像和PET图像的重建角度,将两者统一到一个水平基线上。
步骤3:根据统一后的PET图像划分患病区域,并查找患病区域的中心分割线为患病区域的水平基线。
患病区域的划分是通过设置一个亮度的门限阈值,把患病区域高亮显示出来,具体为:PET图像患病区域的亮度较高,设置亮度的门限阈值,将亮度值大于门限阈值的区域标记为1,否则标记为0,从上到下遍历PET图片,把每层中标记值为1的点累加起来,找到累加值最大的PET图像,从而得出患病区域PET图像所在的层数,将该区域高亮显示出来。具体地,门限阈值默认为200。
步骤4:通过PET图像患病区域的水平基线查找CT图像中对应的高度和层数,根据PET和CT图像的映射关系,查找到对应的多层CT数据进行处理,定位CT图像中的患病区域。
多层CT数据具体为6层CT数据,6层CT数据的选取方式如下:通过PET图像找到关联的CT图像的某层,然后在这周围取6层数据来插值计算。具体地,如在PET图像中查找到患病区域所在的层数为第N层,对应CT图像中的第M层,则从CT图像中查找对应的M-2,M-1,M,M+1,M+2,M+3共6层定位为CT图像中的患病区域。步骤5:根据找到的6层CT数据,插值重建出待分析的患病区域的CT图形。
因为需要对患病区域的CT图像进行图像分割,以便找出相应的特征值,那么必须要从6层CT图像中拟合成一张待分析的图像,如果直接对6层CT图像求取均值,那么得到的CT图像会出现很多噪点,且边界不清晰。本发明采用插值重建出待分析的患病区域的CT图形,假设6张图片分别为I1,I2,I3,I4,I5,I6,插值重建出待分析的患病区域的CT图形具体包括以下步骤:
步骤5.1:由I1,I2插值成一张图像G1,具体为:首先,均值图像M1=(I1+I2)*0.5,其次,对M1进行高斯二维高斯滤波,滤除高频噪声,具体使用一个标准差为1.4的尺度为5×5的高斯卷积模版,模版为kernel=[2,4,5,4,2;4,9,12,9,4;5,12,15,12,5;4,9,12,9,4;2,4,5,4,2],用该模版对图像进行卷积操作,对于图像上某个像素点(i,j),卷积后的值为:G1(i,j)=M1(i-2,j-2)*2+M1(i-1,j-2)*4+M1(i,j-2)*5+M1(i+1,j-2)*4+M1(i+2,j-2)*2+M1(i-2,j-1)*4+M1(i-1,j-1)*9+M1(i,j-1)*12+M1(i+1,j-1)*9+M1(i+2,j-1)*4+M1(i-2,j)*5+M1(i-1,j)*12+M1(i,j)*15+M1(i+1,j)*12+M1(i+2,j)*5+M1(i-2,j+1)*4+M1(i-1,j+1)*9+M1(i,j+1)*12+M1(i+1,j+1)*9+M1(i+2,j+1)*4+M1(i-2,j+2)*2+M1(i-1,j+2)*4+M1(i,j+2)*5+M1(i+1,j+2)*4+M1(i+2,j+2)*2;卷积后的均值图像G1为G1=G1(i,j)/159;
步骤5.2:采用步骤5.1同样的方法通过I2,I3插值成一张图像G2;I3,I4插值成一张图像G3;I4,I5插值成一张图像G4;I5,I6插值成一张图像G5。
步骤5.3:求出合成的CT图形ICT:ICT=0.1*G1+0.2*G2+0.4*G3+0.2*G4+0.1*G5。
步骤6:对重建出的患病区域的CT图形进行目标的分割与提取,首先对图形进行自适应的动态二值化处理,然后分析连通区域的形态特征,找出患病区域。
步骤7:提取患病区域的面积、周长、圆率、最小外接矩形的长宽比以及连通区域的面积和最小外接矩形的面积比,构建特征向量与疾病特征库中的特征向量组进行匹配,找出平方差和最小值,若该值小于预先设定的平方差和门限值,则判定和该特征库病例匹配,患病结果为该病例(比如如果跟肺结核的病例特征库匹配则为肺结核),否则没有匹配的病例,患病结果没有判断出来,需提醒医生人工判断。具体地,平方差和门限值为0.14。
步骤8:对读取的所有CT源图片进行重建操作,重建出三维图形并且显示。
对读取的所有CT源图片进行重建操作,是为了显示出CT的三维造影,方便医生观察,具体包括以下步骤:
步骤8.1:假设一共有N层CT图片,对N层CT图片进行插值操作,具体为:假设某一层源CT图片为I1,下一层为I2,均值图像M1=(I1+I2)*0.5,对M1进行高斯二维高斯滤波,滤除高频噪声,具体使用的是一个标准差为1.4的尺度为5×5的高斯卷积模版,模版为kernel=[2,4,5,4,2;4,9,12,9,4;5,12,15,12,5;4,9,12,9,4;2,4,5,4,2],用该模版对图像进行卷积操作,对于图像上某个像素点(i,j),卷积后的值为G1(i,j)=M1(i-2,j-2)*2+M1(i-1,j-2)*4+M1(i,j-2)*5+M1(i+1,j-2)*4+M1(i+2,j-2)*2+M1(i-2,j-1)*4+M1(i-1,j-1)*9+M1(i,j-1)*12+M1(i+1,j-1)*9+M1(i+2,j-1)*4+M1(i-2,j)*5+M1(i-1,j)*12+M1(i,j)*15+M1(i+1,j)*12+M1(i+2,j)*5+M1(i-2,j+1)*4+M1(i-1,j+1)*9+M1(i,j+1)*12+M1(i+1,j+1)*9+M1(i+2,j+1)*4+M1(i-2,j+2)*2+M1(i-1,j+2)*4+M1(i,j+2)*5+M1(i+1,j+2)*4+M1(i+2,j+2)*2;则插值重建图像I‘为I‘=G1/159;
步骤8.2:采用步骤8.1的方法共得到2N-1层CT图像;
步骤8.3:每层CT图像的高度信息已知,设计一个阈值T,如果该层CT图像的阈值大于门限值,则计算该三维点,否则不计算;三维点的X,Y坐标为CT图像的二维坐标,Z坐标为高度值,生成不同部位的三维重建图形。
该步骤起到的作用是方便医生进行观察查看,这样可以生成不同部位的三维重建图形,方便医生观察或者生成相应的报告并且能够有的医生想看三维的CT图形的要求。
具体地,采用本发明对CT图片重建出三维图形的方法进行诊断的工作过程如下:
1、首先读取CT、PET的图像,从.ima文件中读取CT和PET图像数据,并且提取文件头中的病人姓名、性别、年龄、病人编号、扫描日期、扫描持续时间、层厚(mm)、Slice图像高度、层数、重建角度、投影线个数、病人扫描直径、ECT探头号、床行程、床位数等相关信息。从中提取一层信息显示如图2、图3所示。
2、CT-PET图像的校正,是根据CT和PET图像的重建角度,把两者统一到一个水平基线上来。这样有利于通过PET的患病高亮区域找到对应匹配的CT患病区域。
3、PET患病区域的划分,设置一个门限阈值为200,把患病区域高亮显示出来,如图3所示的区域即为患病区域,查找该区域的中心分割线即为患病区域的水平基线。
PET图像如图3所示,患病区域的亮度较高,设置亮度的门限阈值为200,如果亮度值大于门限阈值的区域则标记为1,否则标记为0,从上到下遍历PET图片,把每层的标记值为1的点累加起来,找到累加值最大的PET图像,这样就可以得出患病区域PET图像所在的层数。
4、CT患病区域的定位,通过PET患病区域的水平基线找到CT图像中的对应的高度和层数,根据PET和CT图像的映射关系,找到对应的5层CT数据进行处理。
5、CT患病区域的重建,根据找到的6层CT数据,插值重建出待分析的CT图形。假设6层CT数据分别为I1,I2,I3,I4,I5,I6,则插值重建出的CT图像ICT=0.1*G1+0.2*G2+0.4*G3+0.2*G4+0.1*G5。
插值重建方法的具体步骤如下:假设6张图片分别为I1,I2,I3,I4,I5,I6,那么首先由I1,I2插值成一张图像G1,具体步骤如下均值图像M1=(I1+I2)*0.5,对M1进行高斯二维高斯滤波,滤除高频噪声,这里使用的是一个标准差为1.4的尺度为5×5的高斯卷积模版,模版为kernel=[2,4,5,4,2;4,9,12,9,4;5,12,15,12,5;4,9,12,9,4;2,4,5,4,2],用该模版对图像进行卷积操作,对于图像上某个像素点(i,j),卷积后的值为G1(i,j)=M1(i-2,j-2)*2+M1(i-1,j-2)*4+M1(i,j-2)*5+M1(i+1,j-2)*4+M1(i+2,j-2)*2+M1(i-2,j-1)*4+M1(i-1,j-1)*9+M1(i,j-1)*12+M1(i+1,j-1)*9+M1(i+2,j-1)*4+M1(i-2,j)*5+M1(i-1,j)*12+M1(i,j)*15+M1(i+1,j)*12+M1(i+2,j)*5+M1(i-2,j+1)*4+M1(i-1,j+1)*9+M1(i,j+1)*12+M1(i+1,j+1)*9+M1(i+2,j+1)*4+M1(i-2,j+2)*2+M1(i-1,j+2)*4+M1(i,j+2)*5+M1(i+1,j+2)*4+M1(i+2,j+2)*2;卷积后的均值图像G1=G1(i,j)/159;同样方法通过I2,I3插值成一张图像G2,I3,I4插值成一张图像G3,I4,I5插值成一张图像G4,I5,I6插值成一张图像G5,然后求出合成的CT图形ICT=0.1*G1+0.2*G2+0.4*G3+0.2*G4+0.1*G5。
6、CT患病区域的目标分割与识别,对重建出的患病区域的CT图形进行目标的分割与提取。首先对图形进行自适应的动态二值化,然后分析连通区域的形态特征,找出患病的区域,如图4所示,黑色线圈即为提取的患病区域。
7、患病区域的特征提取与匹配,提取患病区域的面积、周长、圆率、最小外接矩形的长宽比以及连通区域的面积和最小外接矩形的面积比。构建特征向量进行匹配操作,与疾病特征库中的向量组进行匹配,找出平方差和最小值,若该值小于门限值,则判定和该特征库病例匹配,否则没有匹配的病例。
8、CT-PET的三维重建,通过CT图像重建出三维图形并且显示。
具体的重建方法如下,假定一共有N层CT图片,首先对这N层CT图片进行插值操作,具体的操作流程:假设某一层源CT图片为I1,下一层为I2,均值图像M1=(I1+I2)*0.5,对M1进行高斯二维高斯滤波,滤除高频噪声,这里使用的是一个标准差为1.4的尺度为5×5的高斯卷积模版,模版为kernel=[2,4,5,4,2;4,9,12,9,4;5,12,15,12,5;4,9,12,9,4;2,4,5,4,2],用该模版对图像进行卷积操作,对于图像上某个像素点(i,j),卷积后的值为G1(i,j)=M1(i-2,j-2)*2+M1(i-1,j-2)*4+M1(i,j-2)*5+M1(i+1,j-2)*4+M1(i+2,j-2)*2+M1(i-2,j-1)*4+M1(i-1,j-1)*9+M1(i,j-1)*12+M1(i+1,j-1)*9+M1(i+2,j-1)*4+M1(i-2,j)*5+M1(i-1,j)*12+M1(i,j)*15+M1(i+1,j)*12+M1(i+2,j)*5+M1(i-2,j+1)*4+M1(i-1,j+1)*9+M1(i,j+1)*12+M1(i+1,j+1)*9+M1(i+2,j+1)*4+M1(i-2,j+2)*2+M1(i-1,j+2)*4+M1(i,j+2)*5+M1(i+1,j+2)*4+M1(i+2,j+2)*2;则插值重建图像为I‘=G1/159;这样一共得到了2N-1层CT图像,每层CT图像的高度信息已知,设计一个阈值T(根据需要重建不同的部位,阈值不同,比如说重建肺部阈值为150),如果该层CT图像的阈值大于门限值,则计算该三维点,否则不计算。三维点的X,Y坐标为CT图像的二维坐标,Z坐标为高度值。这样可以生成不同部位的三维重建图形,方便医生观察或者生成相应的报告。重建的三维图形如图5所示。
本发明依据PET图划分患病区域,依据患病区域定位CT图像患病区域,并对CT患病区域进行插值重建、目标分割与识别以及特征提取与匹配操作判定病例库匹配情况,确诊患病情况,并最终进行三维重建并显示确诊结果。本发明充分利用计算机系统建立高精度医学影像诊断系统,弥补了人工诊断的诸多缺陷。具备准确度高,误诊、漏诊率小的优点,具有广阔的应用前景。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (1)
1.一种对CT图片重建出三维图形的方法,其特征在于,包括:
对读取的所有CT图片进行重建操作,重建出三维图形并且显示,具体包括:
假定一共有N层CT图片,首先对这N层CT图片进行插值操作,具体的操作流程:假设某一层源CT图片为I1,下一层为I2,均值图像M1=(I1+I2)*0.5,对M1进行高斯二维高斯滤波,滤除高频噪声,这里使用的是一个标准差为1.4的尺度为5×5的高斯卷积模版,模版为kernel=[2,4,5,4,2;4,9,12,9,4;5,12,15,12,5;4,9,12,9,4;2,4,5,4,2],用该模版对图像进行卷积操作,对于图像上某个像素点(i,j),卷积后的值为G1(i,j)=M1(i-2,j-2)*2+M1(i-1,j-2)*4+M1(i,j-2)*5+M1(i+1,j-2)*4+M1(i+2,j-2)*2+M1(i-2,j-1)*4+M1(i-1,j-1)*9+M1(i,j-1)*12+M1(i+1,j-1)*9+M1(i+2,j-1)*4+M1(i-2,j)*5+M1(i-1,j)*12+M1(i,j)*15+M1(i+1,j)*12+M1(i+2,j)*5+M1(i-2,j+1)*4+M1(i-1,j+1)*9+M1(i,j+1)*12+M1(i+1,j+1)*9+M1(i+2,j+1)*4+M1(i-2,j+2)*2+M1(i-1,j+2)*4+M1(i,j+2)*5+M1(i+1,j+2)*4+M1(i+2,j+2)*2;则插值重建图像为I‘=G1/159;这样一共得到了N-1层CT图像,每层CT图像的高度信息已知,设计一个阈值T,如果该层CT图像的阈值大于门限值,则计算该三维点,否则不计算;三维点的X,Y坐标为CT图像的二维坐标,Z坐标为高度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310256791.XA CN103345746B (zh) | 2013-06-25 | 2013-06-25 | 对ct图片重建出三维图形的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310256791.XA CN103345746B (zh) | 2013-06-25 | 2013-06-25 | 对ct图片重建出三维图形的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103345746A CN103345746A (zh) | 2013-10-09 |
CN103345746B true CN103345746B (zh) | 2016-12-28 |
Family
ID=49280539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310256791.XA Active CN103345746B (zh) | 2013-06-25 | 2013-06-25 | 对ct图片重建出三维图形的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103345746B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513036B (zh) * | 2014-09-26 | 2019-05-31 | 上海联影医疗科技有限公司 | 三维ct图像的分割方法及装置 |
CN105374023B (zh) * | 2015-08-25 | 2020-06-26 | 上海联影医疗科技有限公司 | 一种分割目标区域方法,及其图像重建方法和装置 |
CN106846317B (zh) * | 2017-02-27 | 2021-09-17 | 北京连心医疗科技有限公司 | 一种基于特征提取和相似匹配的医学影像检索方法 |
CN108846876B (zh) * | 2018-06-04 | 2022-05-17 | 湖北锐世数字医学影像科技有限公司 | 一种用于pet衰减校正的ct图像的定位方法 |
CN110349151B (zh) * | 2019-07-16 | 2021-12-03 | 科大讯飞华南人工智能研究院(广州)有限公司 | 一种目标识别方法及装置 |
CN111583209B (zh) * | 2020-04-29 | 2021-11-02 | 上海杏脉信息科技有限公司 | 一种脑灌注图像特征点选取方法、介质及电子设备 |
CN117557560B (zh) * | 2024-01-11 | 2024-03-22 | 天津医科大学总医院 | 基于pet和ct图像融合的肺结节病灶识别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1862596A (zh) * | 2005-04-19 | 2006-11-15 | 西门子共同研究公司 | 针对心脏展开的所融合的pet-ct可视化的系统和方法 |
DE102006025761A1 (de) * | 2006-05-31 | 2007-12-20 | Siemens Ag | Verfahren und Vorrichtung zur bildunterstützten Analyse von miteinander korrelierten Bilddatensätzen eines Computertomographen (CT) und eines Positronenmissionstomographen (PTE) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7117026B2 (en) * | 2002-06-12 | 2006-10-03 | Koninklijke Philips Electronics N.V. | Physiological model based non-rigid image registration |
JP4267598B2 (ja) * | 2005-07-11 | 2009-05-27 | ザイオソフト株式会社 | 画像融合処理方法、画像融合処理プログラム、画像融合処理装置 |
-
2013
- 2013-06-25 CN CN201310256791.XA patent/CN103345746B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1862596A (zh) * | 2005-04-19 | 2006-11-15 | 西门子共同研究公司 | 针对心脏展开的所融合的pet-ct可视化的系统和方法 |
DE102006025761A1 (de) * | 2006-05-31 | 2007-12-20 | Siemens Ag | Verfahren und Vorrichtung zur bildunterstützten Analyse von miteinander korrelierten Bilddatensätzen eines Computertomographen (CT) und eines Positronenmissionstomographen (PTE) |
Also Published As
Publication number | Publication date |
---|---|
CN103345746A (zh) | 2013-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103345746B (zh) | 对ct图片重建出三维图形的方法 | |
Van Rikxoort et al. | Automated segmentation of pulmonary structures in thoracic computed tomography scans: a review | |
Danthurebandara et al. | Enhanced structure–function relationship in glaucoma with an anatomically and geometrically accurate neuroretinal rim measurement | |
CN104271031B (zh) | Oct血管造影数据的分析和可视化 | |
CN107590809A (zh) | 肺分割方法及医学成像系统 | |
CN102968783B (zh) | 从腹部图像数据中自动分割骨骼的方法及系统 | |
CN105120738B (zh) | 狭窄治疗规划 | |
CN109166104A (zh) | 一种病变检测方法、装置及设备 | |
KR102060895B1 (ko) | 의료 영상 생성 방법 및 디바이스 | |
US20200020435A1 (en) | Method and system for identification of cerebrovascular abnormalities | |
JP7406892B2 (ja) | 医用画像処理装置、医用画像処理方法及びプログラム | |
US20120121064A1 (en) | Procedure for processing patient radiological images | |
TW201219013A (en) | Method for generating bone mask | |
CN110264559A (zh) | 一种骨断层图像重建方法及系统 | |
Lundsgaard Hansen et al. | Computed tomography (CT) Perfusion in abdominal cancer: technical aspects | |
CN107789056B (zh) | 一种医学影像匹配融合方法 | |
CN108182434B (zh) | 一种图像处理方法及装置 | |
CN110021022A (zh) | 一种基于深度学习的甲状腺核医学图像诊断方法 | |
CN105825519B (zh) | 用于处理医学影像的方法和装置 | |
Luisi et al. | Spatial-temporal speckle variance in the en-face view as a contrast for optical coherence tomography angiography (OCTA) | |
CN103284749B (zh) | 医用图像处理装置 | |
WO2021081771A1 (zh) | 基于vrds ai医学影像的心脏冠脉的分析方法和相关装置 | |
CN113256754B (zh) | 一种分割后小面积肿瘤块的堆叠投影重建方法 | |
CN107274429A (zh) | 用于在图像体积中分割小特征的方法 | |
CN111242850A (zh) | 一种广域眼底光学相干血流成像分辨率提升方法 |
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 |