CN107451983A - Ct图像的三维融合方法和系统 - Google Patents
Ct图像的三维融合方法和系统 Download PDFInfo
- Publication number
- CN107451983A CN107451983A CN201710585657.2A CN201710585657A CN107451983A CN 107451983 A CN107451983 A CN 107451983A CN 201710585657 A CN201710585657 A CN 201710585657A CN 107451983 A CN107451983 A CN 107451983A
- Authority
- CN
- China
- Prior art keywords
- image
- point set
- registration
- dimensional
- reference picture
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 239000008280 blood Substances 0.000 claims description 18
- 210000004369 blood Anatomy 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000013519 translation Methods 0.000 claims description 16
- 210000000056 organ Anatomy 0.000 claims description 15
- 230000005484 gravity Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000008520 organization Effects 0.000 claims description 10
- 210000004204 blood vessel Anatomy 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 238000012800 visualization Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 description 6
- 210000001367 artery Anatomy 0.000 description 5
- 239000002872 contrast media Substances 0.000 description 5
- 238000002583 angiography Methods 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000002601 radiography Methods 0.000 description 3
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 229910052740 iodine Inorganic materials 0.000 description 2
- 239000011630 iodine Substances 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- MIKKOBKEXMRYFQ-WZTVWXICSA-N meglumine amidotrizoate Chemical compound C[NH2+]C[C@H](O)[C@@H](O)[C@H](O)[C@H](O)CO.CC(=O)NC1=C(I)C(NC(C)=O)=C(I)C(C([O-])=O)=C1I MIKKOBKEXMRYFQ-WZTVWXICSA-N 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- 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
- 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
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种CT图像的三维融合方法，其方法包括以下步骤：获取多期的二维CT图像；选取多期的二维CT图像中任意一期的二维CT图像为参考图像，其他期的二维CT图像为待配准图像；提取参考图像和待配准图像的特征信息，其中特征信息为血管中心线点集；利用迭代就近点算法对参考图像的血管中心线点集和待配准图像的血管中心线点集进行点集配准；在参考图像的血管中心线点集与待配准图像的血管中心线点集进行点集配准成功时，对参考图像和待配准图像进行融合，建立三维CT图像。本发明对多期二维CT图像进行配准，融合建立三维CT图像，实现了对CT图像的可视化，有利于提高医学诊断的准确性。
Description
技术领域
本发明涉及医学图像处理技术领域，特别是涉及一种CT图像的三维融合方法和系统。
背景技术
随着医学及计算机技术的发展，医学影像已经成为临床医生诊断、治疗或指定手术计划的一种常规的辅助手段。CT(Computed Tomography，电子计算机断层扫描)是一种医学上常用的医学影像，能较清晰地显示股和软组织的轮廓。然而传统的CT图像都是二维图像，单张二维图像蕴含的信息是有限的，不利于医学诊断。
图像融合是指将不同成像设备或同一成像设备不同时间获得的多幅图像综合成一副图像的图像处理技术。这些图像经过必要的变换处理，使他们的空间位置、空间坐标达成匹配，叠加后获得互补信息，增加信息量。
现有图像融合常常是利用一些相关算法将不同的二维影像图像(如二维CT图像和二维MRI图像)或不同时期的二维影像图像(如将同一个病人不同时期的二维CT图像)进行融合，以得到更多的信息。
然而，这些方法主要用于对二维CT图像融合，融合后CT图像还是二维图像，而二维图像的所蕴含的信息比较少，且并不直观，不利于医学诊断。
发明内容
基于此，有必要针对现有二维CT融合方法融合的二维图像的信息量少，不利于医学诊断的问题，提供一种CT图像的三维融合方法和系统。
一种CT图像的三维融合方法，包括以下步骤：
一种CT图像的三维融合方法，其特征在于，包括以下步骤：
获取多期的二维CT图像；
选取所述多期的二维CT图像中中任意一期的二维CT图像为参考图像，其他期的二维CT图像为待配准图像；
提取所述参考图像和所述待配准图像的特征信息，其中所述特征信息为血管中心线点集；
利用迭代就近点算法对所述参考图像的血管中心线点集和所述待配准图像的血管中心线点集进行点集配准；
在所述参考图像的血管中心线点集与所述待配准图像的血管中心线点集进行点集配准成功时，对所述参考图像和所述待配准图像进行融合，建立三维CT图像。
一种CT图像的三维融合系统，包括：
图像获取模块，用于获取多期的二维CT图像；
参考图像选取模块，用于选取所述多期的二维CT图像中任意一期的二维CT图像为参考图像，其他期的二维CT图像为待配准图像；
特征信息提取模块，用于提取所述参考图像和所述待配准图像的特征信息，所述特征信息为血管中心线点集；
点集配准模块，用于利用迭代就近点算法对所述参考图像的血管中心线点集和所述待配准图像的血管中心线点集进行点集配准；
图像构建模块，用于在所述参考图像的血管中心线点集与所述所述待配准图像的血管中心线点集进行点集配准成功时，根据所述参考图像和所述待配准图像建立三维CT图像。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下的步骤：
获取多期的二维CT图像；
选取所述多期的二维CT图像中任意一期的二维CT图像为参考图像，其他期的二维CT图像为待配准图像；
提取所述参考图像和所述待配准图像的特征信息，所述特征信息为血管中心线点集；
利用迭代就近点算法对所述参考图像的血管中心线点集和所述待配准图像 的血管中心线点集进行点集配准；
在所述参考图像的血管中心线点集与所述所述待配准图像的血管中心线点集进行点集配准成功时，根据所述参考图像和所述待配准图像建立三维CT图像。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现以下的步骤：
获取多期的二维CT图像；
选取所述多期的二维CT图像中任意一期的二维CT图像为参考图像，其他期的二维CT图像为待配准图像；
提取所述参考图像和所述待配准图像的特征信息，所述特征信息为血管中心线点集；
利用迭代就近点算法对所述参考图像的血管中心线点集和所述待配准图像的血管中心线点集进行点集配准；
在所述参考图像的血管中心线点集与所述所述待配准图像的血管中心线点集进行点集配准成功时，根据所述参考图像和所述待配准图像建立三维CT图像。
本发明中获取多期(即平扫期、动脉期、静脉期和延时期中的至少两期)的二维CT图像，以任意一期的二维CT图像为参考图像，其他期的二维CT图像为待配准图像，并分别提取参考图像和待配准图像的特征信息，其中特征信息为血管中心线点集；然后利用迭代就近点算法对参考图像的血管中心线点集和待配准图像的血管中心线点集进行点集配准；在参考图像的血管中心线点集与所述待配准图像的血管中心线点集进行点集配准成功时，对参考图像和待配准图像进行融合，建立三维CT图像。本发明对多期二维CT图像进行配准，融合建立三维CT图像，实现了对CT图像的可视化，有利于提高医学诊断的准确性。
附图说明
图1为本发明的CT图像的三维融合方法在其中一个实施例中的流程示意图；
图2为本发明的CT图像的三维融合方法在其中一个实施例中的流程示意图；
图3为本发明的CT图像的三维融合方法在其中一个实施例中的流程示意图；
图4为本发明的CT图像的三维融合方法在其中一个实施例中的流程示意图；
图5为本发明的CT图像的三维融合方法在其中一个实施例中的流程示意图；
图6为本发明的CT图像的三维融合系统在其中一个实施例中的流程示意图；
图7为本发明的计算机设备在一个实施例中的结构示意图。
具体实施方式
下面将结合较佳实施例及附图对本发明的内容作进一步详细描述。显然，下文所描述的实施例仅用于解释本发明，而非对本发明的限定。基于本发明中的实施例，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，都属于本发明保护的范围。应当说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。
图1为本发明的CT图像的三维融合方法在一个实施例中的流程示意图，如图1所示，本发明实施例中的CT图像的三维融合方法，包括以下步骤：
步骤S110，获取多期的二维CT图像。
具体而言，CT(Computed Tomography，即电子计算机断层扫描)是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查。CT有多种扫描，分为平扫、造影增强扫描和造影扫描。平 扫是指不用造影增强或造影的普通扫描。增强扫描是用高压注射器经静脉注入水溶性有机碘剂，如60％～76％泛影葡胺60ml后再行扫描的方法。血内碘浓度增高后，器官与病变内碘的浓度可产生差别，形成密度差，可能使病变显影更为清楚。方法分主要有团注法和静滴法。造影扫描是先作器官或结构的造影，然后再行扫描的方法。根据不同的扫描方法得到的二维CT图像称为多期的CT图像。造影扫描是一种比较常用的扫描方式，其中利用造影扫描得到的多期的CT图像包括平扫期、动脉期、静脉期和延迟期。动脉期是指打了造影剂后，造影剂流动到动脉血管中时扫描的得到二维CT图像。动脉期是指大部分造影剂在静脉期，少量造影剂在动脉和组织里扫描的得到的二维CT图像。延迟期是指大部分造影剂流动到组织里的时候扫描得到的二维CT图像。
应当理解，多期的二维CT图像可以指平扫期、动脉期、静脉期和延迟期的二维CT图像中的两期或两期以上的二维CT图像。
步骤S120，选取多期的二维CT图像中任意一期的二维CT图像为参考图像，其他期的二维CT图像为待配准图像。
步骤S130，提取参考图像和待配准图像的特征信息，其中特征信息为血管中心线点集。
具体地，图像融合是指将不同成像设备或同一成像设备不同时间获得的多幅图像综合成一副图像的图像处理技术。图像融合可以将各种有价值的信息综合在一起，成为临床疾病诊断和医学研究的重要手段。图像融合一般分为特征提取、图像配准和融合显示三大部分。在本实施例中，选取多期的二维CT图像中任意一期的二维CT图像为参考图像，其他期的二维CT图像为待配准图像，分别从参考图像和待配准图像上分别提取特征信息，然后将参考图像上的特征信息与待配准图像上的特征信息进行特征配准。另外，在本实施例中，以血管中心线作为特征信息，即提取血管中心线的点作为特征信息。在二维CT图像上，血管是结构简单且比较清晰的特征，选择血管中心线的点作为特征信息，图像配准的准确率高。
步骤S140，利用迭代就近点算法对参考图像的血管中心线点集和待配准图像的血管中心线点集进行点集配准。
具体地，迭代就近点算法是速度快精确度高的配准算法。在本实施例中，采用迭代就近点算法对参考图像的血管中心线点集和待配准图像的血管中心线点集进行点集配准，可以快速完成点集配准，并且配准准确率较高。
步骤S150，在参考图像的血管中心线点集与待配准图像的血管中心线点集进行点集配准成功时，对参考图像和待配准图像进行融合，建立三维CT图像。
上述的CT图像的三维融合方法，首先获取多期(即平扫期、动脉期、静脉期和延时期中的至少两期)的二维CT图像，以任意一期的二维CT图像为参考图像，其他期的二维CT图像为待配准图像，并分别提取参考图像和待配准图像的特征信息，其中特征信息为血管中心线点集；然后利用迭代就近点算法对参考图像的血管中心线点集和待配准图像的血管中心线点集进行点集配准；在参考图像的血管中心线点集与所述待配准图像的血管中心线点集进行点集配准成功时，对参考图像和待配准图像进行融合，建立三维CT图像。本发明对多期二维CT图像进行配准，融合建立三维CT图像，实现了对CT图像的可视化，有利于提高医学诊断的准确性。
在其中一种实施例中，如图2所示，所述多期的二维CT图像包括平扫期、动脉期、静脉期和延时期的CT二维图像，本发明的CT图像的三维融合方法，还包括：
步骤S160，选取动脉期的二维CT图像为参考图像，平扫期、动脉期、静脉期的二维CT图像为待配准图像。
由于动脉期图像上血管现象最为丰富和清晰，以动脉期图像作为参考图像，可以增强配准的准确性。
在其中一种实施例中，如图2所示，在提取参考图像和待配准图像的特征信息的步骤之前，还包括：
步骤S170，对多期的二维CT图像进行分辨率调整。
具体地，对多期的二维CT图像进行分辨率调整，使多期的二维CT图像的分辨率统一，可以确保后期图像配准以及图像融合的准确性。
另外，在对提取参考在提取参考图像和待配准图像的特征信息之前，往往要对多期的二维CT图像进行图像预处理，图像预处理一般是指对图像的格式、 大小和分辨率进行调整。另外，还包括对图像进行去噪处理、对比度增加处理等等，对图像进行预处理，可以提高图像的质量，进而增加图像配准和图像融合的准确性。
在其中一种实施例中，如图3所示，在提取参考图像和待配准图像的特征信息的步骤的过程中，包括：
步骤S131，利用K-means聚类算法对参考图像和待配准图像的血管中心线进行采样，获得参考图像的血管中心线点集和待配准图像的血管中心线点集。
具体地，对于多期图像，选择血管中心线作为特征信息，首先进行特征配准。根据血管中心线建立配准点集：分别求出待配准图像的血管中心线，这里假设血管中心线的长度近似直接等于血管中心线的点数，由于参考图像和待配准图像都具有相同的空间分辨率，所以不同图像的血管中心线长度单位是相同的，对所有的血管中心线设置相同的采样分辨率，利用K-means聚类算法对血管中心线进行采样。其中K-means聚类算法描述如下：分别从参考图像和待配准图像的血管中心线上随机选择k个对象作为初始聚类中心，对于血管中心线上剩余的其它点，根据它们与k个聚类中心的相似度(距离)，分别将它们分配给与其最相似的(聚类中心所代表的)聚类，并计算每个聚类的均值，并利用每个聚类的均值更新该聚类的新中心值；重复所有k个聚类的新中心值，当所有的K个聚类中心的变化值小于一个阈值，聚类结束，将参考图像上的k的聚类的点记为参考图像的血管中心点集，将待配准图像上的k的聚类的点记为待配准图像的血管中心点集。
在其中一种实施例中，如图4所示，在利用迭代就近点算法对参考图像的血管中心线点集和待配准图像的血管中心线点集进行点集配准的步骤中，还包括：
步骤S141，分别计算参考图像的血管中心线点集和待配准图像的血管中心线点集的重心。
步骤S142，根据参考图像的血管中心线点集、待配准图像的血管中心线点集、参考图像的血管中心线点集的重心和待配准图像的血管中心线点集的重心，构造协方差矩阵。
步骤S143，根据协方差矩阵构造4×4对称矩阵，并计算4×4对称矩阵的最佳特征向量和最佳平移向量。
步骤S144，根据最佳特征向量和最佳平移向量，获得第一坐标变换向量。
步骤S145，获得待配准图像的血管中心线点集根据第一坐标变换向量变换后的点云。
步骤S146，以参考图像的血管中心点集为参考点云，以待配准图像的血管中心线点集根据第一坐标变换向量变换后的点云为目标点云，在目标点云上查找多个特征点，获得特征点集。
步骤S147，计算特征点集中的每一个点在参考点云上的最近点，获得最近点集。
步骤S148，根据最近点集和参考点集计算第二坐标变换向量和误差。
步骤S149，在误差大于设定值时，根据第二坐标变换向量对特征点集进行变换，并根据变换后的特征点集更新最近点集，且根据更新后的最近点集计算第二坐标变换向量和误差，直至误差小于设定值时，根据第二坐标变换向量对目标点云进行变换，并将变换后的目标点云配准到参考点云，获得最终的配准结果。
步骤S1410，在最终的配准结果满足预设的条件时，判定参考图像的血管中心线点集与待配准图像的血管中心线点集进行点集配准成功。
具体而言，对参考图像的血管中心线点集与待配准图像的血管中心线点集进行点集进行配准的步骤如下：
(1)设置参考图像的血管中心点集为X，待配准图像的血管中心点集为P。
(2)计算目标点集P的重心和参考点集X的重心，公式如下所示：
其中μp表示目标点集P的重心，μX表示为参考点集X的重心，Np表示目标点集P中点的个数，Nx表示参考点集X中点的个数。
(3)由点集P和X构造协方差矩阵，公式如下所示：
(4)由协方差矩阵构造4×4对称矩阵，公式如下所示：
其中，I3表示3×3单位矩阵，tr(∑P,X)是矩阵∑P,X的轨迹，Δ＝[A23 A31 A12]T,
(5)计算Q(∑P,X)的特征值和特征向量，其最大特征值对应的特征向量即为最佳旋转向量qR＝[q0q1q2q3]T；
(6)计算最佳平移向量，最佳平移向量的表达式为：qT＝μX-R(qR)μP，设最佳平移向量qT＝[q4q5q6]T，其中
(7)得到第一坐标变换向量q＝[qR|qT]T＝[q0q1q2q3q4q5q6]T，求得最小均方误差
(8)利用公式(q,dms)＝Q(P,X)，求出点集P在点集X坐标下的空间位置，并将点集P根据第一坐标变换向量q变换后，得到点云。
(9)以参考图像的血管中心点集为参考点云P1，以待配准图像的血管中心线点集根据第一坐标变换向量变换后的点云为目标点云X1，在目标点云上查找多个特征点(可以是n个，n为常数，例如n＝100)，获得特征点集F。
(10)初始化，令F0＝F，q0＝[1,0,0,0,0,0,0]T，k＝0。
(11)寻找F在X中的最近点Y。
(12)计算第二坐标变换向量qk＝[qR|qT]T＝[q0q1q2q3q4q5q6]T和误差
(13)对特征点集坐标变换Fk+1＝qk(F0)。
(14)判断误差是否收敛，如果dk-dk+1＜τ，τ为设定值且τ>0，则收敛，否则跳到步骤(11)-(13)。
(15)误差收敛于τ,根据第二坐标变换向量qk对目标点云X1进行变换，并将变换后的目标点云配准到参考点云P1，获得最终的配准结果。
(16)在最终的配准结果满足预设的条件时，判定参考图像的血管中心线点集与待配准图像的血管中心线点集进行点集配准成功。
满足预设的条件可以是目标点云与参考点云中的点大部分能配准时，判定参考图像的血管中心线点集与待配准图像的血管中心线点集进行点集配准成功。
在其中一种实施例中，如图5所示，在对参考图像和待配准图像进行融合，建立三维CT图像的步骤中，还包括：
步骤S151，提取参考图像和待配准图像中的目标血管特征、目标器官特征或目标组织特征；
步骤S152，根据目标血管特征、目标器官特征或目标组织特征在同一三维数据场中建立并显示三维CT图像。
在本实施例中，在三维CT图像重建过程中，可以提取参考图像和待配准图像中的目标血管特征、目标器官特征或目标组织特征重建三维CT图像，并在三维CT图像显示目标血管、目标器官或目标组织，可以方便医疗人员观察图像，便于医学诊断。
在其中一种实施例中，如图5所示，还包括：
步骤S153，利用海森矩阵特征值算法对目标血管、目标器官或目标组织进行增强显示。
具体而言，为了突出显示目标血管、目标组织或目标器官，对图像进行增强。在本实施例中使用Hessian矩阵特征值算法(海森矩阵)来增强目标区域，其中目标区域为要突出显示的区域。。假设λ1与λ2分别为图像上每点像素所求得 的Hessian矩阵的特征值且|λ1|≤|λ2|，则Hessian矩阵特征值算法公式为：
其中RB为λ1和λ2的比值，S为λ1和λ2的F-范数，为了来抑制图像背景中的噪声，参数β和c是调节RB和S作用的加权因子，V(s)为单一尺度下图像增强的数值。
在对各期图像目标血管、器官或者组织提取后，以同一三维数据场融合显示，结合增强处理技术，消除原始图像中除感兴趣区外的其他图像，并对目标区域进行增强显示。同时，该三维数据还以横断面、冠状面和矢状面断层图像的形式同步显示。
根据上述本发明的CT图像的三维融合方法，本发明还提供一种CT图像的三维融合系统，下面结合附图及较佳实施例对本发明的CT图像的三维融合系统进行详细说明。
图为本发明的CT图像的三维融合系统在一个实施例中的结构示意图。如图6所示，该实施例中的CT图像的三维融合系统，包括：
图像获取模块10，用于获取多期的二维CT图像。
参考图像选取模块20，用于选取多期的二维CT图像中任意一期的二维CT图像为参考图像，其他期的二维CT图像为待配准图像。
特征信息提取模块30，用于提取参考图像和待配准图像的特征信息，特征信息为血管中心线点集。
点集配准模块40，用于利用迭代就近点算法对参考图像的血管中心线点集和待配准图像的血管中心线点集进行点集配准。
图像构建模块50，用于在参考图像的血管中心线点集与待配准图像的血管中心线点集进行点集配准成功时，根据参考图像和待配准图像建立三维CT图像。
在其中一个实施例中，多期的二维CT图像包括平扫期、动脉期、静脉期和 延时期的CT二维图像，CT图像的三维融合系统，还包括：
参考图像选取模块20还用于选取动脉期的二维CT图像为参考图像，平扫期、动脉期、静脉期的二维CT图像为待配准图像。
在其中一个实施例中，CT图像的三维融合系统，还包括：
分辨率调整模块60，用于对多期的二维CT图像进行分辨率调整。
在其中一个实施例中，CT图像的三维融合系统，还包括：
血管中心线点集获取模块31，用于利用K-means聚类算法对参考图像和待配准图像的血管中心线进行采样，获得参考图像的血管中心线点集和待配准图像的血管中心线点集。
在其中一个实施例中，CT图像的三维融合系统，还包括：
重心计算模块41，用于分别计算参考图像的血管中心线点集和待配准图像的血管中心线点集的重心。
协方差矩阵构造模块42，用于根据参考图像的血管中心线点集、待配准图像的血管中心线点集、参考图像的血管中心线点集的重心和待配准图像的血管中心线点集的重心，构造协方差矩阵。
最佳特征向量和平移向量计算模块43，用于根据协方差矩阵构造4×4对称矩阵，并计算4×4对称矩阵的最佳特征向量和最佳平移向量。
第二坐标变换向量获取模块44，用于根据最佳特征向量和最佳平移向量，获得第一坐标变换向量。
点云获得模块45，用于获得待配准图像的血管中心线点集根据第一坐标变换向量变换后的点云。
特征点获得模块46，用于以参考图像的血管中心点集为参考点云，以待配准图像的血管中心线点集根据第一坐标变换向量变换后的点云为目标点云，在目标点云上查找多个特征点，获得特征点集。
最近点集获得模块47，用于计算特征点集中的每一个点在参考点云上的最近点，获得最近点集。
第二坐标变换向量和误差计算模块48，用于根据最近点集和参考点集计算第二坐标变换向量和误差；
最终配准结果获得模块49，用于在误差大于设定值时，根据第二坐标变换向量对特征点集进行变换，并根据变换后的特征点集更新最近点集，且根据更新后的最近点集计算第二坐标变换向量和误差，直至误差小于设定值时，根据第二坐标变换向量对目标点云进行变换，并将变换后的目标点云配准到参考点云，获得最终的配准结果。
配准成功判断模块410，用于在最终的配准结果满足预设的条件时，判定参考图像的血管中心线点集与待配准图像的血管中心线点集进行点集配准成功。
在其中一个实施例中，CT图像的三维融合系统，还包括：
目标提取模块51，用于提取参考图像和待配准图像中的目标血管特征、目标器官特征或目标组织特征。
图像构建模块50，用于根据目标血管特征、目标器官特征或目标组织特征在同一三维数据场中建立并显示三维CT图像。
在其中一个实施例中，CT图像的三维融合系统，还包括：
图像增强模块52，用于利用海森矩阵特征值算法对目标血管、目标器官或目标组织进行增强显示。
上述CT图像的三维融合系统可执行本发明实施例所提供的CT图像的三维融合方法，具备执行方法相应的功能模块和有益效果。至于其中各个功能模块所执行的处理方法，例如图像获取模块10、参考图像选取模块20、特征信息提取模块30、点集配准模块40、图像构建模块50等，可参照上述方法实施例中的描述，此处不再进行赘述。
根据上述本发明的CT图像的三维融合方法和系统，本发明还提供一种计算机设备，下面结合附图及较佳实施例对本发明的计算机设备进行详细说明。
图7为本发明的计算机设备在一个实施例中的结构示意图。如图7所示，该实施例中的计算机设备700，包括存储器701、处理器702及存储在存储器上并可在处理器上运行的计算机程序，其中处理器执行程序时可实现本发明方法实施例中的所有方法步骤。
上述计算机设备700中处理器702可执行本发明实施例所提供的CT图像的三维融合方法，具备执行方法相应的有益效果。可参照上述方法实施例中的描 述，此处不再进行赘述。
根据上述本发明的CT图像的三维融合方法、系统和计算机设备，本发明还提供一种计算机可读存储介质，下面结合附图及较佳实施例对本发明的计算机可读存储介质进行详细说明。
本发明实施例中的计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可以实现本发明方法实施例中的所有方法步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等”。
上述计算机可读存储介质用于存储本发明实施例所提供的CT图像的三维融合方法的程序(指令)，其中执行该程序可以执行本发明实施例所提供的CT图像的三维融合方法，具备执行方法相应有益效果。可参照上述方法实施例中的描述，此处不再进行赘述。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于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。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种CT图像的三维融合方法，其特征在于，包括以下步骤：
获取多期的二维CT图像；
选取所述多期的二维CT图像中任意一期的二维CT图像为参考图像，其他期的二维CT图像为待配准图像；
提取所述参考图像和所述待配准图像的特征信息，其中所述特征信息为血管中心线点集；
利用迭代就近点算法对所述参考图像的血管中心线点集和所述待配准图像的血管中心线点集进行点集配准；
在所述参考图像的血管中心线点集与所述待配准图像的血管中心线点集进行点集配准成功时，对所述参考图像和所述待配准图像进行融合，建立三维CT图像。
2.根据权利要求1所述的CT图像的三维融合方法，其特征在于，所述多期的二维CT图像包括平扫期、动脉期、静脉期和延时期的CT二维图像，还包括：
选取所述动脉期的二维CT图像为参考图像，所述平扫期、所述动脉期、所述静脉期的二维CT图像为待配准图像。
3.根据权利要求1所述的CT图像的三维融合方法，其特征在于，在提取所述参考图像和所述待配准图像的特征信息的步骤之前，还包括：
对所述多期的二维CT图像进行分辨率调整。
4.根据权利要求1所述的CT图像的三维融合方法，其特征在于，在提取所述参考图像和所述待配准图像的特征信息的步骤中，包括：
利用K-means聚类算法对所述参考图像和所述待配准图像的血管中心线进行采样，获得所述参考图像的血管中心线点集和所述待配准图像的血管中心线点集。
5.根据权利要求1所述的CT图像的三维融合方法，其特征在于，在利用迭代就近点算法对所述参考图像的血管中心线点集和所述待配准图像的血管中心线点集进行点集配准的步骤中，还包括：
分别计算所述参考图像的血管中心线点集和所述待配准图像的血管中心线点集的重心；
根据所述参考图像的血管中心线点集、所述待配准图像的血管中心线点集、所述参考图像的血管中心线点集的重心和所述待配准图像的血管中心线点集的重心，构造协方差矩阵；
根据所述协方差矩阵构造4×4对称矩阵，并计算所述4×4对称矩阵的最佳特征向量和最佳平移向量；
根据所述最佳特征向量和所述最佳平移向量，获得第一坐标变换向量；
获得所述待配准图像的血管中心线点集根据所述第一坐标变换向量变换后的点云；
以所述参考图像的血管中心点集为参考点云，以所述待配准图像的血管中心线点集根据所述第一坐标变换向量变换后的点云为目标点云，在所述目标点云上查找多个特征点，获得特征点集；
计算所述特征点集中的每一个点在所述参考点云上的最近点，获得最近点集；
根据所述最近点集和所述参考点集计算第二坐标变换向量和误差；
在所述误差大于设定值时，根据所述第二坐标变换向量对所述特征点集进行变换，并根据变换后的所述特征点集更新所述最近点集，且根据更新后的所述最近点集计算所述第二坐标变换向量和所述误差，直至所述误差小于设定值时，根据所述第二坐标变换向量对所述目标点云进行变换，并将变换后的所述目标点云配准到所述参考点云，获得最终的配准结果；
在所述最终的配准结果满足预设的条件时，判定所述参考图像的血管中心线点集与所述待配准图像的血管中心线点集进行点集配准成功。
6.根据权利要求1-5任一项所述的CT图像的三维融合方法，其特征在于，在对所述参考图像和所述待配准图像进行融合，建立三维CT图像的步骤中，还包括：
提取所述参考图像和所述待配准图像中的目标血管特征、目标器官特征或目标组织特征；
根据所述目标血管特征、所述目标器官特征或所述目标组织特征在同一三维数据场中建立并显示所述三维CT图像。
7.根据权利要求6所述的CT图像的三维融合方法，其特征在于，还包括：
利用海森矩阵特征值算法对所述目标血管、所述目标器官或所述目标组织进行增强显示。
8.一种CT图像的三维融合系统，其特征在于，包括：
图像获取模块，用于获取多期的二维CT图像；
参考图像选取模块，用于选取所述多期的二维CT图像中任意一期的二维CT图像为参考图像，其他期的二维CT图像为待配准图像；
特征信息提取模块，用于提取所述参考图像和所述待配准图像的特征信息，所述特征信息为血管中心线点集；
点集配准模块，用于利用迭代就近点算法对所述参考图像的血管中心线点集和所述待配准图像的血管中心线点集进行点集配准；
图像构建模块，用于在所述参考图像的血管中心线点集与所述所述待配准图像的血管中心线点集进行点集配准成功时，根据所述参考图像和所述待配准图像建立三维CT图像。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710585657.2A CN107451983A (zh) | 2017-07-18 | 2017-07-18 | Ct图像的三维融合方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710585657.2A CN107451983A (zh) | 2017-07-18 | 2017-07-18 | Ct图像的三维融合方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107451983A true CN107451983A (zh) | 2017-12-08 |
Family
ID=60487780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710585657.2A Pending CN107451983A (zh) | 2017-07-18 | 2017-07-18 | Ct图像的三维融合方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107451983A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108022230A (zh) * | 2017-12-22 | 2018-05-11 | 青岛大学附属医院 | 肾脏多期ct图像融合系统 |
| CN108182699A (zh) * | 2017-12-28 | 2018-06-19 | 北京天睿空间科技股份有限公司 | 基于二维图像局部变形的三维配准方法 |
| CN109949349A (zh) * | 2019-01-24 | 2019-06-28 | 北京大学第三医院（北京大学第三临床医学院） | 一种多模态三维图像的配准及融合显示方法 |
| CN109965979A (zh) * | 2017-12-27 | 2019-07-05 | 上海复旦数字医疗科技股份有限公司 | 一种无需标志点的稳健的神经导航自动注册方法 |
| CN110858412A (zh) * | 2018-08-24 | 2020-03-03 | 南京邮电大学 | 基于图像配准的心脏冠脉cta模型建立方法 |
| CN111476791A (zh) * | 2019-05-21 | 2020-07-31 | 北京昆仑医云科技有限公司 | 图像处理方法、图像处理装置和非暂时性计算机可读介质 |
| CN111507981A (zh) * | 2019-01-31 | 2020-08-07 | 数坤（北京）网络科技有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
| CN111724363A (zh) * | 2020-06-12 | 2020-09-29 | 中南民族大学 | 四维心脏图像质量评估方法、装置、设备及存储介质 |
| CN111803128A (zh) * | 2020-07-15 | 2020-10-23 | 深圳大学 | 一种乳腺组织弹性成像方法、装置、设备和介质 |
| CN112084840A (zh) * | 2020-07-24 | 2020-12-15 | 浙江工业大学 | 一种基于三维nmi的指静脉识别方法 |
| CN112967236A (zh) * | 2018-12-29 | 2021-06-15 | 上海联影智能医疗科技有限公司 | 图像的配准方法、装置、计算机设备和存储介质 |
| CN113724177A (zh) * | 2021-09-07 | 2021-11-30 | 北京大学深圳医院 | 肺结节信息融合方法、装置、设备及其存储介质 |
| CN113808175A (zh) * | 2021-08-31 | 2021-12-17 | 数坤（北京）网络科技有限公司 | 一种图像配准方法、装置、设备及可读存储介质 |
| WO2023061000A1 (zh) * | 2021-10-13 | 2023-04-20 | 青岛海信医疗设备股份有限公司 | 超声乳腺三维全景图的生成方法和超声设备 |
| CN116664644A (zh) * | 2023-07-28 | 2023-08-29 | 北京清影华康科技有限公司 | 一种基于磁共振图像的血管中心线配准方法及装置 |
| CN116912301A (zh) * | 2023-02-23 | 2023-10-20 | 浙江大学 | 一种肝肿瘤对齐方法、装置、电子设备及介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080192996A1 (en) * | 2005-03-10 | 2008-08-14 | Koninklijke Philips Electronics, N.V. | Image Processing System and Method for Registration of Two-Dimensional with Three-Dimensional Volume Data During Interventional Procedures |
| US20090010507A1 (en) * | 2007-07-02 | 2009-01-08 | Zheng Jason Geng | System and method for generating a 3d model of anatomical structure using a plurality of 2d images |
| US20100290685A1 (en) * | 2009-05-12 | 2010-11-18 | Siemens Corporation | Fusion of 3d volumes with ct reconstruction |
| EP2323101A2 (en) * | 2009-10-11 | 2011-05-18 | Axs Ingenierie | Method for 3D spine and full 3D trunk imaging fusion in standing position |
| CN102982238A (zh) * | 2012-11-13 | 2013-03-20 | 深圳市环球博洋机电科技有限公司 | 一种基于ct胶片的三维肾肿瘤手术模拟方法及其平台 |
| CN103854270A (zh) * | 2012-11-28 | 2014-06-11 | 广州医学院第一附属医院 | 一种ct和mr异机三维图像融合的配准方法及系统 |
| CN103942772A (zh) * | 2014-05-15 | 2014-07-23 | 北京思创贯宇科技开发有限公司 | 一种多模态多维度的血管融合方法及系统 |
| CN104835112A (zh) * | 2015-05-07 | 2015-08-12 | 厦门大学 | 一种肝脏多相期ct图像融合方法 |
| CN106204511A (zh) * | 2016-07-15 | 2016-12-07 | 西安交通大学第附属医院 | 一种二维图像与ct、mr图像的三维融合方法 |
| CN106469449A (zh) * | 2016-08-31 | 2017-03-01 | 上海联影医疗科技有限公司 | 一种医学图像中病灶的显示方法及装置 |
-
2017
- 2017-07-18 CN CN201710585657.2A patent/CN107451983A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080192996A1 (en) * | 2005-03-10 | 2008-08-14 | Koninklijke Philips Electronics, N.V. | Image Processing System and Method for Registration of Two-Dimensional with Three-Dimensional Volume Data During Interventional Procedures |
| US20090010507A1 (en) * | 2007-07-02 | 2009-01-08 | Zheng Jason Geng | System and method for generating a 3d model of anatomical structure using a plurality of 2d images |
| US20100290685A1 (en) * | 2009-05-12 | 2010-11-18 | Siemens Corporation | Fusion of 3d volumes with ct reconstruction |
| EP2323101A2 (en) * | 2009-10-11 | 2011-05-18 | Axs Ingenierie | Method for 3D spine and full 3D trunk imaging fusion in standing position |
| CN102982238A (zh) * | 2012-11-13 | 2013-03-20 | 深圳市环球博洋机电科技有限公司 | 一种基于ct胶片的三维肾肿瘤手术模拟方法及其平台 |
| CN103854270A (zh) * | 2012-11-28 | 2014-06-11 | 广州医学院第一附属医院 | 一种ct和mr异机三维图像融合的配准方法及系统 |
| CN103942772A (zh) * | 2014-05-15 | 2014-07-23 | 北京思创贯宇科技开发有限公司 | 一种多模态多维度的血管融合方法及系统 |
| CN104835112A (zh) * | 2015-05-07 | 2015-08-12 | 厦门大学 | 一种肝脏多相期ct图像融合方法 |
| CN106204511A (zh) * | 2016-07-15 | 2016-12-07 | 西安交通大学第附属医院 | 一种二维图像与ct、mr图像的三维融合方法 |
| CN106469449A (zh) * | 2016-08-31 | 2017-03-01 | 上海联影医疗科技有限公司 | 一种医学图像中病灶的显示方法及装置 |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108022230B (zh) * | 2017-12-22 | 2020-07-31 | 青岛大学附属医院 | 肾脏多期ct图像融合系统 |
| CN108022230A (zh) * | 2017-12-22 | 2018-05-11 | 青岛大学附属医院 | 肾脏多期ct图像融合系统 |
| CN109965979A (zh) * | 2017-12-27 | 2019-07-05 | 上海复旦数字医疗科技股份有限公司 | 一种无需标志点的稳健的神经导航自动注册方法 |
| CN108182699A (zh) * | 2017-12-28 | 2018-06-19 | 北京天睿空间科技股份有限公司 | 基于二维图像局部变形的三维配准方法 |
| CN108182699B (zh) * | 2017-12-28 | 2019-11-08 | 北京天睿空间科技股份有限公司 | 基于二维图像局部变形的三维配准方法 |
| CN110858412B (zh) * | 2018-08-24 | 2023-04-21 | 南京邮电大学 | 基于图像配准的心脏冠脉cta模型建立方法 |
| CN110858412A (zh) * | 2018-08-24 | 2020-03-03 | 南京邮电大学 | 基于图像配准的心脏冠脉cta模型建立方法 |
| CN112967236A (zh) * | 2018-12-29 | 2021-06-15 | 上海联影智能医疗科技有限公司 | 图像的配准方法、装置、计算机设备和存储介质 |
| CN112967236B (zh) * | 2018-12-29 | 2024-02-27 | 上海联影智能医疗科技有限公司 | 图像的配准方法、装置、计算机设备和存储介质 |
| CN109949349A (zh) * | 2019-01-24 | 2019-06-28 | 北京大学第三医院（北京大学第三临床医学院） | 一种多模态三维图像的配准及融合显示方法 |
| CN111507981A (zh) * | 2019-01-31 | 2020-08-07 | 数坤（北京）网络科技有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
| CN111507981B (zh) * | 2019-01-31 | 2021-07-13 | 数坤(北京)网络科技股份有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
| CN111476791B (zh) * | 2019-05-21 | 2024-02-09 | 科亚医疗科技股份有限公司 | 图像处理方法、图像处理装置和非暂时性计算机可读介质 |
| CN111476791A (zh) * | 2019-05-21 | 2020-07-31 | 北京昆仑医云科技有限公司 | 图像处理方法、图像处理装置和非暂时性计算机可读介质 |
| CN111724363B (zh) * | 2020-06-12 | 2023-03-31 | 中南民族大学 | 四维心脏图像质量评估方法、装置、设备及存储介质 |
| CN111724363A (zh) * | 2020-06-12 | 2020-09-29 | 中南民族大学 | 四维心脏图像质量评估方法、装置、设备及存储介质 |
| CN111803128A (zh) * | 2020-07-15 | 2020-10-23 | 深圳大学 | 一种乳腺组织弹性成像方法、装置、设备和介质 |
| CN112084840A (zh) * | 2020-07-24 | 2020-12-15 | 浙江工业大学 | 一种基于三维nmi的指静脉识别方法 |
| CN113808175A (zh) * | 2021-08-31 | 2021-12-17 | 数坤（北京）网络科技有限公司 | 一种图像配准方法、装置、设备及可读存储介质 |
| CN113724177A (zh) * | 2021-09-07 | 2021-11-30 | 北京大学深圳医院 | 肺结节信息融合方法、装置、设备及其存储介质 |
| CN113724177B (zh) * | 2021-09-07 | 2023-12-15 | 北京大学深圳医院 | 肺结节信息融合方法、装置、设备及其存储介质 |
| WO2023061000A1 (zh) * | 2021-10-13 | 2023-04-20 | 青岛海信医疗设备股份有限公司 | 超声乳腺三维全景图的生成方法和超声设备 |
| CN116912301A (zh) * | 2023-02-23 | 2023-10-20 | 浙江大学 | 一种肝肿瘤对齐方法、装置、电子设备及介质 |
| CN116664644A (zh) * | 2023-07-28 | 2023-08-29 | 北京清影华康科技有限公司 | 一种基于磁共振图像的血管中心线配准方法及装置 |
| CN116664644B (zh) * | 2023-07-28 | 2023-11-28 | 北京清影华康科技有限公司 | 一种基于磁共振图像的血管中心线配准方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107451983A (zh) | Ct图像的三维融合方法和系统 | |
| US11896416B2 (en) | Method for calculating coronary artery fractional flow reserve on basis of myocardial blood flow and CT images | |
| Haque et al. | Deep learning approaches to biomedical image segmentation | |
| CN106600609B (zh) | 一种医学图像中脊柱的分割方法及系统 | |
| CN108257134A (zh) | 基于深度学习的鼻咽癌病灶自动分割方法和系统 | |
| US20070116332A1 (en) | Vessel segmentation using vesselness and edgeness | |
| CN107545584A (zh) | 医学图像中定位感兴趣区域的方法、装置及其系统 | |
| CN103889328B (zh) | 灌注成像 | |
| JP2008503303A (ja) | 気管気管支樹を表示する方法及び装置 | |
| CN110522465A (zh) | 基于图像数据的血液动力学参数估计 | |
| CN112862833A (zh) | 血管分段方法、电子装置和存储介质 | |
| CN111260703B (zh) | 一种获取脊柱拉直图像集的方法、系统、介质及存储介质 | |
| CN109498046A (zh) | 基于核素图像与ct冠脉造影融合的心肌梗死定量评估方法 | |
| Kamiya | Deep learning technique for musculoskeletal analysis | |
| CN112419484A (zh) | 三维血管合成方法、系统及冠状动脉分析系统和存储介质 | |
| Affane et al. | Robust deep 3-D architectures based on vascular patterns for liver vessel segmentation | |
| Jiang et al. | Ori-net: Orientation-guided neural network for automated coronary arteries segmentation | |
| CN116630463B (zh) | 一种基于多任务学习的增强ct图像生成方法和系统 | |
| Cui et al. | Fully-automatic segmentation of coronary artery using growing algorithm | |
| Xiao et al. | PET and CT image fusion of lung cancer with siamese pyramid fusion network | |
| CN112669449A (zh) | 基于3d重建技术的cag和ivus精准联动分析方法及系统 | |
| US20230222668A1 (en) | Image processing apparatus, image processing method, and recording medium | |
| Garcia et al. | Coronary vein extraction in MSCT volumes using minimum cost path and geometrical moments | |
| Waldkirch | Methods for three-dimensional Registration of Multimodal Abdominal Image Data | |
| Liu et al. | An Energy Matching Vessel Segmentation Framework in 3D Medical Images |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171208 |
|
| RJ01 | Rejection of invention patent application after publication |