CN106296685A - 基于颅外轮廓特征几何不变量多信息3d医学图像配准方法 - Google Patents
基于颅外轮廓特征几何不变量多信息3d医学图像配准方法 Download PDFInfo
- Publication number
- CN106296685A CN106296685A CN201610650011.3A CN201610650011A CN106296685A CN 106296685 A CN106296685 A CN 106296685A CN 201610650011 A CN201610650011 A CN 201610650011A CN 106296685 A CN106296685 A CN 106296685A
- Authority
- CN
- China
- Prior art keywords
- mode
- floating
- vector
- outline
- point
- 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
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
- G06T7/30—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于颅外轮廓特征几何不变量多信息3D医学图像配准方法,包括分别提取参考图像和浮动图像的外轮廓点云;分别计算参考图像和浮动图像的质心;分别将两模态的质心平移至与原点重合,得到新的参考模态和浮动模态;分别计算得出参考模态和浮动模态的第一根特征轴向量和第二根特征轴向量;根据求得的特征轴向量构造旋转算子,并完成浮动图像的旋转;平移和旋转后完成配准。本发明几何意义简单直观,经过实验和客观参考对比分析,配准精度高,并具有通用性,便于医生对病人病情进行准确地分析。
Description
技术领域
本发明涉及一种基于颅外轮廓特征几何不变量多信息3D医学图像配准方法。
背景技术
医生对就诊者进行诊疗和手术的过程中,往往通过非侵入的方式采集人体内部组织结构的图像,通过相应的成像技术,就诊者体内同一部位的不同方面的状况信息可以通过相应的医学图像观察到。单种的医学图像提供不了全面丰富的病情信息,而不同的医学图像信息为医生对就诊者病情的综合诊断提供了多方面的参考。在实际诊断中,医生需要获得病人多种形式的断层医学图像后,才便于根据疑似病患部位的完整解剖细节和功能状况进行判断。以往这种情况下,医生只能根据经验,对多个单一独立的图像进行判断,在脑海中将这些三维刚体图片或形变信息融合起来。这种方式对医生的经验准确度是很大的考验,而且因人而异,不准确的判断可能会对诊断结果造成不可预知的风险。
发明内容
本发明的目的在于提供一种方便医生在临床观察中更准确的从多种成像方式中观察病人病情的基于颅外轮廓特征几何不变量多信息3D医学图像配准方法。
本发明的技术解决方案是:
一种基于颅外轮廓特征几何不变量多信息3D医学图像配准方法,其特征是:包括下列步骤:
(1)分别提取参考图像和浮动图像的外轮廓点云;
(2)分别计算参考图像和浮动图像的质心;
(3)分别将两模态的质心平移至与原点重合,得到新的参考模态和浮动模态;
(4)分别计算得出参考模态和浮动模态的第一根特征轴向量和第二根特征轴向量;
(5)根据求得的特征轴向量构造旋转算子,并完成浮动图像的旋转;
(6)平移和旋转后完成配准。
步骤(1)的具体方法:根据参考图像与浮动图像的3D模态数据构成的离散点云,提取参考图像和浮动图像的外轮廓点云,分别记作和其中,nr是参考模态外轮廓点的个数,nf是浮动模态外轮廓点的个数,i=1,2,3,...,n,和分别是参考模态和浮动模态外轮廓点云。
步骤(2)中参考图像质心和浮动图像质心分别记作or、of,所述的质心计算公式为:其中o是质心,n是对应模态点的个数,i=1,2,3,...,n,vi是外轮廓点云,代表几何代数空间。
步骤(3)中所述的质心分别为or和of,所述的新的参考模态和浮动模态分别是其中,nr是新的参考模态外轮廓点的个数,nf是新的浮动模态外轮廓点的个数,i=1,2,3,...,nr,和分别是新的参考模态和浮动模态外轮廓点云。
步骤(5)、步骤(6)的具体方法是:所述的旋转算子记作T;
根据参考模态和浮动模态的第一根特征轴向量 首先构造旋转算子T1,如式(3):
所述的 是参考模态的第一根轴向量,是浮动模态的第一根轴向量;
经过T1的旋转操作,构造旋转算子T2,如式(4):
所述的 是参考模态的第二根轴向量,是浮动模态的第二根轴向量;再进行一次旋转配准;
为了使得配准过程简单清晰化,做两次配准处理;算子T1和T2合成一个算子,可以构造一次旋转算子T=T1T2,执行一次旋转操作即可。
步骤(4)的具体方法是:
(1)计算外轮廓点云中各点到质心的欧几里得距离,并找出距离值最大时所对应的点;在得到了外轮廓数据之后,在轮廓点云中找到一个点,该点满足到质心o的欧几里得距离最远;即计算轮廓上任意点到相应质心o的欧几里得距离,取欧几里得距离最远时所对应的轮廓上的点;为了便于计算,此处取欧几里得距离的平方,如式(1):
所述的式(1)中o=xoe1+yoe2+zoe3,Xi=xi·e1+yi·e2+zi·e3,(i=1,2,…,n),n为刚体外轮廓点云总数,xo、yo、zo为常数,xi、yi、zi为常数,e1、e2、e3是几何代数子空间的一组基;
(2)以过所述的质心和所述的最大欧几里得距离对应的外轮廓上的点的矢量作为相应模态的第一根轴向量;刚体的第一根特征轴向量记作参考模态和浮动模态的第一根特征轴向量分别是
(3)以第一根轴向量作为直线方向向量,计算对应模态上所有点到此直线的距离,以映射向量的距离的平方作为距离测度,寻找到该直线距离最大的点;以作为直线方向向量,计算刚体上所有点到此直线的距离,利用映射向量的距离的平方来表示为距离测度,寻找最大值,如式(2):
所述的式(2)中o=xoe1+yoe2+zoe3,Xi=xi·e1+yi·e2+zi·e3,(i=1,2,…,n),n为刚体外轮廓点云总数,xo、yo、zo为常数,xi、yi、zi为常数,e1、e2、e3是几何代数子空间的一组基;
(4)取所述的到第一根轴向量距离最远的点到所述的直线方向向量的映射向量作为第二根特征轴向量;相应模态的第二根特征轴向量记作参考模态和浮动模态的第二根特征轴向量分别是
(5)单位化处理之后的第一根特征轴和第二根特征轴就是所要建立的几何相对特征不变量;参考模态和浮动模态的第一根特征轴向量分别是参考模态和浮动模态的第二根特征轴向量分别是根据计算得到的几何相对特征不变量构造旋转算子。
本发明几何意义简单直观,经过实验和客观参考对比分析,配准精度高,并具有通用性,便于医生对病人病情进行准确地分析。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是配准流程图。
图2是几何相对特征不变量提取步骤。
具体实施方式
一种基于颅外轮廓特征几何不变量多信息3D医学图像配准方法,包括下列步骤:
(1)分别提取参考图像和浮动图像的外轮廓点云;
(2)分别计算参考图像和浮动图像的质心;
(3)分别将两模态的质心平移至与原点重合,得到新的参考模态和浮动模态;
(4)分别计算得出参考模态和浮动模态的第一根特征轴向量和第二根特征轴向量;
(5)根据求得的特征轴向量构造旋转算子,并完成浮动图像的旋转;
(6)平移和旋转后完成配准。
步骤(1)的具体方法:根据参考图像与浮动图像的3D模态数据构成的离散点云,提取参考图像和浮动图像的外轮廓点云,分别记作和其中,nr是参考模态外轮廓点的个数,nf是浮动模态外轮廓点的个数,i=1,2,3,...,n,和分别是参考模态和浮动模态外轮廓点云。
步骤(2)中参考图像质心和浮动图像质心分别记作or、of,所述的质心计算公式为:其中o是质心,n是对应模态点的个数,i=1,2,3,...,n,vi是外轮廓点云,代表几何代数空间。
步骤(3)中所述的质心分别为or和of,所述的新的参考模态和浮动模态分别是其中,nr是新的参考模态外轮廓点的个数,nf是新的浮动模态外轮廓点的个数,i=1,2,3,...,nr,和分别是新的参考模态和浮动模态外轮廓点云。
步骤(5)、步骤(6)的具体方法是:所述的旋转算子记作T;
根据参考模态和浮动模态的第一根特征轴向量 首先构造旋转算子T1,如式(3):
所述的 是参考模态的第一根轴向量,是浮动模态的第一根轴向量;
经过T1的旋转操作,构造旋转算子T2,如式(4):
所述的
是参考模态的第二根轴向量,是浮动模态的第二根轴向量;再进行一次旋转配准;
为了使得配准过程简单清晰化,做两次配准处理;算子T1和T2合成一个算子,可以构造一次旋转算子T=T1T2,执行一次旋转操作即可。
步骤(4)的具体方法是:
(1)计算外轮廓点云中各点到质心的欧几里得距离,并找出距离值最大时所对应的点;在得到了外轮廓数据之后,在轮廓点云中找到一个点,该点满足到质心o的欧几里得距离最远;即计算轮廓上任意点到相应质心o的欧几里得距离,取欧几里得距离最远时所对应的轮廓上的点;为了便于计算,此处取欧几里得距离的平方,如式(1):
所述的式(1)中o=xoe1+yoe2+zoe3,Xi=xi·e1+yi·e2+zi·e3,(i=1,2,…,n),n为刚体外轮廓点云总数,xo、yo、zo为常数,xi、yi、zi为常数,e1、e2、e3是几何代数子空间的一组基;
(2)以过所述的质心和所述的最大欧几里得距离对应的外轮廓上的点的矢量作为相应模态的第一根轴向量;刚体的第一根特征轴向量记作参考模态和浮动模态的第一根特征轴向量分别是
(3)以第一根轴向量作为直线方向向量,计算对应模态上所有点到此直线的距离,以映射向量的距离的平方作为距离测度,寻找到该直线距离最大的点;以作为直线方向向量,计算刚体上所有点到此直线的距离,利用映射向量的距离的平方来表示为距离测度,寻找最大值,如式(2):
所述的式(2)中o=xoe1+yoe2+zoe3,Xi=xi·e1+yi·e2+zi·e3,(i=1,2,…,n),n为刚体外轮廓点云总数,xo、yo、zo为常数,xi、yi、zi为常数,e1、e2、e3是几何代数子空间的一组基;
(4)取所述的到第一根轴向量距离最远的点到所述的直线方向向量的映射向量作为第二根特征轴向量;相应模态的第二根特征轴向量记作参考模态和浮动模态的第二根特征轴向量分别是
(5)单位化处理之后的第一根特征轴和第二根特征轴就是所要建立的几何相对特征不变量;参考模态和浮动模态的第一根特征轴向量分别是参考模态和浮动模态的第二根特征轴向量分别是根据计算得到的几何相对特征不变量构造旋转算子。
本发明提出的方法,采用美国Vanderbilt大学RREP项目数据库中的病人代号为Patient_001的临床数据,选取其中训练用图像数据中的CT图像作为浮动图像,MR_PD作为参考图像,得到最小误差为3.44mm,最大误差为6.07mm,3D图像的配准效果良好。
Claims (6)
1.一种基于颅外轮廓特征几何不变量多信息3D医学图像配准方法,其特征是:包括下列步骤:
(1)分别提取参考图像和浮动图像的外轮廓点云;
(2)分别计算参考图像和浮动图像的质心;
(3)分别将两模态的质心平移至与原点重合,得到新的参考模态和浮动模态;
(4)分别计算得出参考模态和浮动模态的第一根特征轴向量和第二根特征轴向量;
(5)根据求得的特征轴向量构造旋转算子,并完成浮动图像的旋转;
(6)平移和旋转后完成配准。
2.根据权利要求1所述的基于颅外轮廓特征几何不变量多信息3D医学图像配准方法,其特征是:步骤(1)的具体方法:根据参考图像与浮动图像的3D模态数据构成的离散点云,提取参考图像和浮动图像的外轮廓点云,分别记作和其中,nr是参考模态外轮廓点的个数,nf是浮动模态外轮廓点的个数,i=1,2,3,...,n,和分别是参考模态和浮动模态外轮廓点云。
3.根据权利要求1所述的基于颅外轮廓特征几何不变量多信息3D医学图像配准方法,其特征是:步骤(2)中参考图像质心和浮动图像质心分别记作or、of,所述的质心计算公式为:
其中o是质心,n是对应模态点的个数,i=1,2,3,...,n,vi是外轮廓点云,代表几何代数空间。
4.根据权利要求1所述的基于颅外轮廓特征几何不变量多信息3D医学图像配准方法,其特征是:步骤(3)中所述的质心分别为or和of,所述的新的参考模态和浮动模态分别是其中,nr是新的参考模态外轮廓点的个数,nf是新的浮动模态外轮廓点的个数,i=1,2,3,...,nr,和分别是新的参考模态和浮动模态外轮廓点云。
5.根据权利要求1所述的基于颅外轮廓特征几何不变量多信息3D医学图像配准方法,其特征是:步骤(5)、步骤(6)的具体方法是:所述的旋转算子记作T;
根据参考模态和浮动模态的第一根特征轴向量 首先构造旋转算子T1,如式(3):
所述的
是参考模态的第一根轴向量,是浮动模态的第一根轴向量;
经过T1的旋转操作,构造旋转算子T2,如式(4):
所述的 是参考模态的第二根轴向量,是浮动模态的第二根轴向量;再进行一次旋转配准;
为了使得配准过程简单清晰化,做两次配准处理;算子T1和T2合成一个算子,可以构造一次旋转算子T=T1T2,执行一次旋转操作即可。
6.根据权利要求1所述的基于颅外轮廓特征几何不变量多信息3D医学图像配准方法,其特征是:步骤(4)的具体方法是:
(1)计算外轮廓点云中各点到质心的欧几里得距离,并找出距离值最大时所对应的点;在得到了外轮廓数据之后,在轮廓点云中找到一个点,该点满足到质心o的欧几里得距离最远;即计算轮廓上任意点到相应质心o的欧几里得距离,取欧几里得距离最远时所对应的轮廓上的点;为了便于计算,此处取欧几里得距离的平方,如式(1):
所述的式(1)中o=xoe1+yoe2+zoe3,
Xi=xi·e1+yi·e2+zi·e3,(i=1,2,…,n),n为刚体外轮廓点云总数,xo、yo、zo为常数,xi、yi、zi为常数,e1、e2、e3是几何代数子空间的一组基;
(2)以过所述的质心和所述的最大欧几里得距离对应的外轮廓上的点的矢量作为相应模态的第一根轴向量;刚体的第一根特征轴向量记作参考模态和浮动模态的第一根特征轴向量分别是
(3)以第一根轴向量作为直线方向向量,计算对应模态上所有点到此直线的距离,以映射向量的距离的平方作为距离测度,寻找到该直线距离最大的点;以作为直线方向向量,计算刚体上所有点到此直线的距离,利用映射向量的距离的平方来表示为距离测度,寻找最大值,如式(2):
所述的式(2)中o=xoe1+yoe2+zoe3,
Xi=xi·e1+yi·e2+zi·e3,(i=1,2,…,n),n为刚体外轮廓点云总数,xo、yo、zo为常数,xi、yi、zi为常数,e1、e2、e3是几何代数子空间的一组基;
(4)取所述的到第一根轴向量距离最远的点到所述的直线方向向量的映射向量作为第二根特征轴向量;相应模态的第二根特征轴向量记作参考模态和浮动模态的第二根特征轴向量分别是
(5)单位化处理之后的第一根特征轴和第二根特征轴就是所要建立的几何相对特征不变量;参考模态和浮动模态的第一根特征轴向量分别是参考模态和浮动模态的第二根特征轴向量分别是根据计算得到的几何相对特征不变量构造旋转算子。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811282317.3A CN109472782B (zh) | 2016-08-09 | 2016-08-09 | 颅外轮廓图像通用配准方法 |
CN201811282492.2A CN109308717B (zh) | 2016-08-09 | 2016-08-09 | 基于直观几何特征的三维医学图像简化配准方法 |
CN201811282338.5A CN109410257B (zh) | 2016-08-09 | 2016-08-09 | 多信息3d医学图像高精度配准方法 |
CN201610650011.3A CN106296685B (zh) | 2016-08-09 | 2016-08-09 | 基于颅外轮廓特征几何不变量多信息3d医学图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610650011.3A CN106296685B (zh) | 2016-08-09 | 2016-08-09 | 基于颅外轮廓特征几何不变量多信息3d医学图像配准方法 |
Related Child Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811282338.5A Division CN109410257B (zh) | 2016-08-09 | 2016-08-09 | 多信息3d医学图像高精度配准方法 |
CN201811282317.3A Division CN109472782B (zh) | 2016-08-09 | 2016-08-09 | 颅外轮廓图像通用配准方法 |
CN201811282492.2A Division CN109308717B (zh) | 2016-08-09 | 2016-08-09 | 基于直观几何特征的三维医学图像简化配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106296685A true CN106296685A (zh) | 2017-01-04 |
CN106296685B CN106296685B (zh) | 2019-08-06 |
Family
ID=57667744
Family Applications (4)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811282492.2A Active CN109308717B (zh) | 2016-08-09 | 2016-08-09 | 基于直观几何特征的三维医学图像简化配准方法 |
CN201610650011.3A Active CN106296685B (zh) | 2016-08-09 | 2016-08-09 | 基于颅外轮廓特征几何不变量多信息3d医学图像配准方法 |
CN201811282317.3A Active CN109472782B (zh) | 2016-08-09 | 2016-08-09 | 颅外轮廓图像通用配准方法 |
CN201811282338.5A Active CN109410257B (zh) | 2016-08-09 | 2016-08-09 | 多信息3d医学图像高精度配准方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811282492.2A Active CN109308717B (zh) | 2016-08-09 | 2016-08-09 | 基于直观几何特征的三维医学图像简化配准方法 |
Family Applications After (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811282317.3A Active CN109472782B (zh) | 2016-08-09 | 2016-08-09 | 颅外轮廓图像通用配准方法 |
CN201811282338.5A Active CN109410257B (zh) | 2016-08-09 | 2016-08-09 | 多信息3d医学图像高精度配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (4) | CN109308717B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846386A (zh) * | 2017-02-08 | 2017-06-13 | 南通大学 | 基于roi和共形几何代数特征不变量的3d颅部图像配准方法 |
CN108682014A (zh) * | 2018-07-18 | 2018-10-19 | 上海晨光文具股份有限公司 | 图像配准方法、装置、存储介质和图像印刷流水线设备 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112717281B (zh) * | 2021-01-14 | 2022-07-08 | 重庆翰恒医疗科技有限公司 | 一种医疗机器人平台及控制方法 |
CN112717282B (zh) * | 2021-01-14 | 2023-01-10 | 重庆翰恒医疗科技有限公司 | 一种光诊疗装置及全自动光诊疗系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2518690A1 (en) * | 2011-04-28 | 2012-10-31 | Koninklijke Philips Electronics N.V. | Medical image processing system and method |
CN102903117A (zh) * | 2012-10-24 | 2013-01-30 | 深圳大学 | 一种基于共形几何代数的三维图像配准方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050219558A1 (en) * | 2003-12-17 | 2005-10-06 | Zhengyuan Wang | Image registration using the perspective of the image rotation |
CN102622759B (zh) * | 2012-03-19 | 2017-03-15 | 苏州迪凯尔医疗科技有限公司 | 一种结合灰度与几何信息的医学图像配准方法 |
CN104021220B (zh) * | 2014-06-24 | 2017-09-05 | 中国科学院深圳先进技术研究院 | 基于显著性模型的图像检索方法 |
-
2016
- 2016-08-09 CN CN201811282492.2A patent/CN109308717B/zh active Active
- 2016-08-09 CN CN201610650011.3A patent/CN106296685B/zh active Active
- 2016-08-09 CN CN201811282317.3A patent/CN109472782B/zh active Active
- 2016-08-09 CN CN201811282338.5A patent/CN109410257B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2518690A1 (en) * | 2011-04-28 | 2012-10-31 | Koninklijke Philips Electronics N.V. | Medical image processing system and method |
CN102903117A (zh) * | 2012-10-24 | 2013-01-30 | 深圳大学 | 一种基于共形几何代数的三维图像配准方法及装置 |
Non-Patent Citations (1)
Title |
---|
华亮: "基于几何代数理论的医学图像配准研究", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846386A (zh) * | 2017-02-08 | 2017-06-13 | 南通大学 | 基于roi和共形几何代数特征不变量的3d颅部图像配准方法 |
CN106846386B (zh) * | 2017-02-08 | 2019-06-28 | 南通大学 | 基于roi和共形几何代数特征不变量的3d颅部图像配准方法 |
CN108682014A (zh) * | 2018-07-18 | 2018-10-19 | 上海晨光文具股份有限公司 | 图像配准方法、装置、存储介质和图像印刷流水线设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109472782A (zh) | 2019-03-15 |
CN109410257B (zh) | 2022-07-08 |
CN109308717B (zh) | 2022-04-26 |
CN109410257A (zh) | 2019-03-01 |
CN109472782B (zh) | 2022-04-26 |
CN109308717A (zh) | 2019-02-05 |
CN106296685B (zh) | 2019-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7379613B2 (ja) | 診断支援装置、診断支援システム、情報処理方法、及びプログラム | |
US11430140B2 (en) | Medical image generation, localizaton, registration system | |
US8908944B2 (en) | Information processing apparatus, information processing method, and program | |
US9480456B2 (en) | Image processing apparatus that simultaneously displays two regions of interest on a body mark, processing method thereof and storage medium | |
CN106909778A (zh) | 一种基于深度学习的多模态医学影像识别方法及装置 | |
US20200375546A1 (en) | Machine-guided imaging techniques | |
CN106296685A (zh) | 基于颅外轮廓特征几何不变量多信息3d医学图像配准方法 | |
CN108805923B (zh) | 生理参数获取方法和装置 | |
CN103942772A (zh) | 一种多模态多维度的血管融合方法及系统 | |
EP3847956A1 (en) | Method and device for establishing blood vessel section function, blood vessel pressure difference and blood vessel stress | |
US20190236783A1 (en) | Image processing apparatus, image processing method, and program | |
CN108498110A (zh) | 用于检测器官运动的系统和方法 | |
Lorenz et al. | Automated abdominal plane and circumference estimation in 3D US for fetal screening | |
CN106709867A (zh) | 一种基于改进surf和改进互信息的医学图像配准方法 | |
JP5364009B2 (ja) | 画像生成装置、画像生成方法、及びそのプログラム | |
CN106251359A (zh) | 基于Clifford代数几何相对不变量的3D图像配准方法 | |
CN111466952A (zh) | 一种超声内镜与ct三维图像实时转化方法和系统 | |
CN104732540B (zh) | Pet/ct几何配准方法和系统 | |
EP3152735B1 (en) | Device and method for registration of two images | |
CN106446572B (zh) | 基于边界元模型和局部区域修正的肺部呼吸运动获取方法 | |
CN108596900A (zh) | 甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质及终端设备 | |
EP3910597A1 (en) | Body representations | |
EP3759685B1 (en) | System and method for an accelerated clinical workflow | |
WO2022157104A1 (en) | Vessel shape | |
CN111904450A (zh) | 左心室中心和感兴趣区域的提取方法、装置及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |