CN107657989A - 基于稀疏学习与互信息的多模态医学图像平台 - Google Patents
基于稀疏学习与互信息的多模态医学图像平台 Download PDFInfo
- Publication number
- CN107657989A CN107657989A CN201710839168.5A CN201710839168A CN107657989A CN 107657989 A CN107657989 A CN 107657989A CN 201710839168 A CN201710839168 A CN 201710839168A CN 107657989 A CN107657989 A CN 107657989A
- Authority
- CN
- China
- Prior art keywords
- detector
- information
- track
- real
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 238000004088 simulation Methods 0.000 claims abstract description 22
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000012546 transfer Methods 0.000 claims abstract description 13
- 238000003331 infrared imaging Methods 0.000 claims abstract description 7
- 238000007689 inspection Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 1
- 210000000056 organ Anatomy 0.000 abstract description 11
- 238000011282 treatment Methods 0.000 abstract description 10
- 238000000799 fluorescence microscopy Methods 0.000 abstract description 6
- 230000001575 pathological effect Effects 0.000 abstract description 6
- 238000002603 single-photon emission computed tomography Methods 0.000 abstract description 5
- 238000003384 imaging method Methods 0.000 abstract description 4
- 230000007170 pathology Effects 0.000 abstract description 4
- 230000002503 metabolic effect Effects 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 18
- 230000003902 lesion Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000001356 surgical procedure Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 239000003814 drug Substances 0.000 description 7
- 238000012984 biological imaging Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 238000011524 similarity measure Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000004060 metabolic process Effects 0.000 description 3
- 108010022579 ATP dependent 26S protease Proteins 0.000 description 2
- 229910001208 Crucible steel Inorganic materials 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000011221 initial treatment Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000035800 maturation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 229910001220 stainless steel Inorganic materials 0.000 description 2
- 239000010935 stainless steel Substances 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于稀疏学习与互信息的多模态医学图像平台，其特征在于，包含基本信息系统，模拟系统和实时监测系统；基本信息系统和模拟系统通过数据传输网线进行连接，基本信息系统与实时监测系统通过数据传输网线进行连接，模拟系统与实时监测系统通过数据传输网线进行连接。本发明的实时监测系统，通过红外成像与荧光成像，生物显像以及激光和红外测距等检测手段的结合，并与数据中心以及基本信息系统中的CT、MRI解剖图像，SPECT、PET器官的新陈代谢信息图像进行比对与调用，通过对病灶的病理信息进行比对，从而指导手术操作者的工作，以及医生的检测和病理判断。提高医生对于重大以及疑难杂症的治疗与诊断工作的实时准确性。
Description
【技术领域】
本发明涉及医学技术领域，具体为一种基于稀疏学习与互信息的多模态医学图像平台。
【背景技术】
医学图像包括解剖图像和功能图像。解剖图像分辨率较高，能够清晰的显示器官的解剖结构，但无法提供器官的功能信息；功能图像能够提供人体的新陈代谢等功能变化信息，但分辨率较低，无法清晰的显示出器官的解剖结构或病灶细节信息。多模态医学图像的配准与融合技术可使医疗人员有效、便捷的利用不同模态图像中的解剖信息和功能信息。本专利针对多模态医学图像配准的以下几个方面进行研究：①相似性测度方面，将互信息与像素灰度分布的结构特征、邻域信息、位置关系和梯度等空间信息结合，采用混合测度方法提高配准的鲁棒性；②维数约简方面，合理描述待配准图像中的高维特征的稀疏表示结构，研究基于稀疏学习的降维方法，将稀疏表示结构融入到正则项中，并与流形学习结合起来实现维数约简；③多尺度配准方面，对待配准图像进行金字塔式分层，在不同尺度上考虑图像的几何结构信息，实现分层策略与特征信息结合，融入图像的结构信息的特征约束。
对医学图像来说，CT、MRI等解剖图像分辨率较高，能清晰地提供器官的解剖形态；SPECT、PET等功能图像能准确地提供器官的新陈代谢信息。多模态医学图像的配准与融合技术可使医疗人员有效、便捷的利用不同模态图像中的解剖信息和功能信息。由于图像模态间的差异，大多数成功的单模态图像配准方法不能直接应用于多模态配准领域。进一步研究、利用单模态医学图像配准方法中快速、简单、高效的相似性测度函数以提高多模态医学图像配准的准确性和鲁棒性。有效地表示多模态医学图像中的高维特征信息，并通过维数约简和多尺度几何变换等方法提高图像配准与融合的性能。
基于互信息的相似性测度忽略了像素灰度分布的结构特征、邻域信息和位置关系等空间信息。导致了配准过程中出现过多的局部最大或最小值，对噪声、异常值比较敏感，影响了配准的精确度。将图像灰度信息与结构特征相结合，采用混合熵测度两幅图像对应灰度信息与空间信息的一致性。根据对应像素的梯度值和相位信息，计算配准的整体相似性系数。同时充分考虑待配准图像中各个像素与其邻域像素的灰度关系，引入区域互信息的概念。使相似性测度准则更加平滑、准确，从而提高多模态医学图像配准的鲁棒性和精确度。
获取多模态医学影像的高维特征信息，有效地表示待配准图像中的高维特征。对基于稀疏学习的降维方法进行研究，寻找一个最优判别子空间并保持数据的稀疏表示结构。设计合适的字典降低学习稀疏表示结构的计算复杂度并进一步提高判别效率。将数据的稀疏表示结构融入半监督维数约简的正则项中。将稀疏表示和流形学习结合起来，提高单标记图像训练样本的识别率。将类标传播算法和稀疏保持判别的思想结合起来，提高半监督维数约简的效率。设计新的判别函数，提高现有Fisher准则判别效率。
利用图像金字塔的思想，对待配准图像进行分层，同时在不同尺度上考虑图像的几何结构信息。配准过程中实现分层策略与特征信息结合，融入图像的结构信息的特征约束。在特定的尺度上，选择的结构特征为基于互信息的相似性测度准则提供丰富的空间结构信息。在不同层次上，根据图像的尺度和精细程度，选择相应的特征信息和自由形变参数，由粗到精的进行配准。粗层的配准结果作为细层的初始条件，避免优化算法陷入局部最大或最小值；细层的配准可采用快速的优化算法来确定配准参数，从而提高算法的精度和速度。
【发明内容】
本发明的目的在于克服现有技术的不足，提供一种基于稀疏学习与互信息的多模态医学图像平台。
本发明的目的是通过以下技术方案来实现的：
一种基于稀疏学习与互信息的多模态医学图像平台，包含基本信息系统，模拟系统和实时监测系统；基本信息系统和模拟系统通过数据传输网线进行连接，基本信息系统与实时监测系统通过数据传输网线进行连接，模拟系统与实时监测系统通过数据传输网线进行连接。
所述的基本信息系统为患者数据库，可以通过查看和调用患者以往病历，此次治疗的基本检测数据，同时基本信息系统包括由患者治疗过程医生诊断、开药、用药、检测数据；为成熟的数据库。
所述的模拟系统通过医生对患者的初步治疗方案，经过计算机的模拟计算导出相关的检测数据，并对实时的检测数据进行比对，从而指导后续治疗方案的优选；同时对患者检测的数据进行医学计算，从而指导病情的筛选与排查工作；已有成熟的相应模拟软件。
所述的实时监测系统包含第一轨道，第二轨道，轨道支撑板，数据信息中心，支撑箱体，伸缩器，伸缩支撑板，转动板，支撑杆，转动器和检测器；第一轨道和第二轨道固定在地面，轨道支撑板的低端与第一轨道和第二轨道以滑动连接，轨道支撑板的顶端与支撑箱体的底部通过螺丝固定，支撑箱体的顶部与伸缩器的一端连接固定，伸缩器的另一端与伸缩支撑板的底端连接固定，伸缩支撑板的顶端通过螺丝与转动板的一端连接固定，转动板的另一端与支撑杆的一端连接，支撑杆的另一端与转动器连接，转动器上设置检测器，所述的数据信息中心设置在支撑箱体内部。
所述的第一轨道为钢轨，且第一轨道上设置有位置定位和自动运动轮，通过位置定位实现在平面上位置设定，同时通过自动运动轮，实现前后的运动，轨道的长度为75～200cm。
所述的第二轨道与第一轨道具有相同的结构和功能，且第一轨道和第二轨道的间距为15～30cm。
所述的轨道支撑板为矩形体，其长30～45cm，宽15～30cm，厚度为5～10cm；且轨道支撑板为铸钢结构。
所述的支撑箱体为不锈钢的立方体结构，且其边长为25～35cm；
所述的伸缩器能够进行上下伸缩，从而实现设备检测器的上下高度的变动；所述的伸缩器的竖直方向移动距离为-75～100cm。
所述的伸缩支撑板为矩形体，其长20～25cm，宽15～30cm，厚度为5～10cm。
所述的转动板上设置有平面转动器，且转动器能够在水平面上进行360°的转动，从而带动支撑杆的转动，进而实现检测器的转动。
所述的支撑杆上设置水平伸缩器，能够在水平方向进行伸缩运动，从而实现检测器的伸长与缩短，所述的水平伸缩器伸缩距离为-20～20cm的运动。
所述的检测器转动板能够进行旋转，其旋转角度为-60°～60°，通过检测器转动板的转动可以实现检测器角度的变化，从而更好的对患者病灶位置的检测，尤其是需要精确测距和对焦的检测。
所述的检测器包含数据接口，检测器转动板和检测照明系统；检测器转动板的顶部的中心位置设置有数据接口，检测器转动板的底部通过螺丝固定检测照明系统。
所述的数据接口能够与外界的网络与信息数据进行分享与沟通，通过外接的显示设备进行投影，实现数据的显示。
所述的检测照明系统包含照明系统，检测系统；所述的检测照明系统的截面为圆形，且检测系统设置在检测照明系统的内部中心位置，照明系统设置环绕在检测照明系统的周围。
所述的检测照明系统的圆形半径为20～45cm，所述的检测系统为圆形，其圆形半径为15～30cm。
所述的照明系统均匀设置12个无影冷管灯，且12个无影冷管灯呈环形把检测系统分成12等份；所述的无影冷管灯能够进行强度与角度的调节；
所述的检测系统包含第一检测器，第二检测器，第三检测器；所述的第一检测器，第二检测器，第三检测器设置在检测系统的内部，且第一检测器的中心，第二检测器的中心，第三检测器的中心形成等边三角形。
所述的第一检测器为圆形，且圆形与检测系统内切，所述的第一检测器上均匀设置三组相同的激光与红外测距检测器；
所述的激光与红外测距检测器能够对距离进行精确的测量，同时通过红外与激光的相互检测与互补，实现距离的精确测量与自检，避免了在手术过程中，由于患者以及医生操作，导致手术位置的偏移；同时三组激光与红外测距检测器，能够实现三维距离的立体分布与扫描，从而提高更为精确的位置与距离的定位。避免了现有的手术辅助设备中，难以对患者的位置进行实时测量与更正，同时通过三组既具有激光又具有红外测距的检测器，从而实现患者以及手术操作者的位置实时精准的跟踪与测量，同时指导手术者的操作。尤其是对于病灶面积小、位置小以及精微小部位等需要进行精确位置的跟踪与测量。
所述的第二检测器为圆形，且圆形与检测系统内切，所述的第二检测器为红外成像与荧光成像检测器。
所述的红外成像与荧光成像检测器中，红外成像能够对患者病灶位置温度进行面积的扫描以及局部的扫描，并且能够通过实时的跟踪手术过程中患者病灶位置的温度情况，通过温度的变换情况，从而保证手术操作过程中手术的深浅以及手术患者的自身体感情况，避免了由于手术操作过程中，用药以及手术对患者病情的转换难以实时监控；同时荧光成像检测器能够对病灶的生物显像信息进行实时的跟踪与检测，通过对生物显像信息的检测，可以实时的跟踪病灶位置药物以及细胞活性的情况，从而达到对手术过程中患者的治疗实时监测尤其是病灶位置生物细胞情况的实时跟踪与检测；避免了现有的成像检测手段单一，且成像检测难以实时监测，尤其是手术过程中的实时监控，指导手术医生对患者病情以及手术的质量的判定。
所述的第三检测器为圆形，且圆形与检测系统内切，所述的第三检测器为视频摄像检测器；
所述的视频摄像检测器为光学视频摄像系统，能够对整个手术过程中进行拍摄检测；
所述的第一检测器，第二检测器，第三检测器通过数据传输把数据传输给数据信息中心；所述的数据中心能够收集第一轨道，第二轨道，伸缩器，水平伸缩器，转动板，检测器转动板的位移和角度转动信息，并指导控制第一轨道，第二轨道，伸缩器，水平伸缩器，转动板，检测器转动板设备的运动，从而实现检测病灶的精确测量与设备的运动；同时可以接收第一检测器，第二检测器，第三检测器的数据信号，通过数据信号的收集、运算、处理与控制，利用稀疏学习与互信息的多模态医学图像技术，通过距离信号，成像信号，摄像信号的比对，利用数据中心的运输处理能力，通过对病灶位置病理信息、手术操作信息、细胞活性信息、体表温度信息以及生物显像信息的大数据运算与模拟，对病灶的实时信息进行预测，从而指导病灶手术的操作过程；利用数据信息中心的数据库，对CT、MRI等解剖图像得到相关清晰地器官的解剖形态，以及对SPECT、PET等功能图像能准确地提供器官的新陈代谢信息。通过对病灶的病理信息进行比对，从而指导手术操作者的工作，以及医生的检测和病理判断。并且通过检测器的数据接口与外接显示信息以及医院的数据中心进行连接，并且实时的把手术信息与相关专家和医生进行互动，尤其是对于重大以及疑难杂症的治疗与诊断工作。
与现有技术相比，本发明的积极效果是：
本申请基于稀疏学习与互信息的多模态医学图像平台通过相互连接的基本信息系统，模拟系统和实时监测系统进行信息与数据的分享，既可以把患者的基本信息与手术过程中的监测信息实时查询与比对服务，同时通过模拟系统对基本信息中的病历以及实时监测的监测数据进行比对以及模拟，进而提高手术过程中信息的准确性和实时性，尽可能的避免手术过程的失误；同时实时监测系统，通过红外成像与荧光成像，生物显像以及激光和红外测距等检测手段的结合，并与数据中心以及基本信息系统中的CT、MRI解剖图像，SPECT、PET器官的新陈代谢信息图像进行比对与调用，通过对病灶的病理信息进行比对，从而指导手术操作者的工作，以及医生的检测和病理判断。提高医生对于重大以及疑难杂症的治疗与诊断工作的实时准确性。
【附图说明】
图1为本申请实时监测系统的结构示意图；
图2为本申请实时监测系统中检测照明系统结构示意图；
附图中的标记为：1为第一轨道，2为第二轨道，3为轨道支撑板，4为数据信息中心，5为支撑箱体，6为伸缩器，7为伸缩支撑板，8为转动板，9为支撑杆，10为转动器，11为检测器，1101为数据接口，1102为检测器转动板，1103为照明系统，1104为检测系统；11031为无影冷管灯，11041为第一检测器，11042为第二检测器，11043为第三检测器。
【具体实施方式】
以下提供本发明一种基于稀疏学习与互信息的多模态医学图像平台。
实施例1
请参见附图1，图2，一种基于稀疏学习与互信息的多模态医学图像平台，包含基本信息系统，模拟系统和实时监测系统；基本信息系统和模拟系统通过数据传输网线进行连接，基本信息系统与实时监测系统通过数据传输网线进行连接，模拟系统与实时监测系统通过数据传输网线进行连接。
所述的基本信息系统为患者数据库，可以通过查看和调用患者以往病历，此次治疗的基本检测数据，同时基本信息系统包括由患者治疗过程医生诊断、开药、用药、检测数据；为成熟的数据库。
所述的模拟系统通过医生对患者的初步治疗方案，经过计算机的模拟计算导出相关的检测数据，并对实时的检测数据进行比对，从而指导后续治疗方案的优选；同时对患者检测的数据进行医学计算，从而指导病情的筛选与排查工作；已有成熟的相应模拟软件。
所述的实时监测系统包含第一轨道1，第二轨道2，轨道支撑板3，数据信息中心4，支撑箱体5，伸缩器6，伸缩支撑板7，转动板8，支撑杆9，转动器10，检测器11；第一轨道和第二轨道固定在地面，轨道支撑板的低端与第一轨道和第二轨道以滑动连接，轨道支撑板的顶端与支撑箱体的底部通过螺丝固定，支撑箱体的顶部与伸缩器的一端连接固定，伸缩器的另一端与伸缩支撑板的底端连接固定，伸缩支撑板的顶端通过螺丝与转动板的一端连接固定，转动板的另一端与支撑杆的一端连接，支撑杆的另一端与转动器连接，转动器上设置检测器，所述的数据信息中心设置在支撑箱体内部。
所述的第一轨道为钢轨，且第一轨道上设置有位置定位和自动运动轮，通过位置定位实现在平面上位置设定，同时通过自动运动轮，实现前后的运动，轨道的长度为75～200cm。
所述的第二轨道与第一轨道具有相同的结构和功能，且第一轨道和第二轨道的间距为15～30cm。
所述的轨道支撑板为矩形体，其长30～45cm，宽15～30cm，厚度为5～10cm；且轨道支撑板为铸钢结构。
所述的支撑箱体为不锈钢的立方体结构，且其边长为25～35cm；
所述的伸缩器能够进行上下伸缩，从而实现设备检测器的上下高度的变动；所述的伸缩器的竖直方向移动距离为-75～100cm。
所述的伸缩支撑板为矩形体，其长20～25cm，宽15～30cm，厚度为5～10cm。
所述的转动板上设置有平面转动器，且转动器能够在水平面上进行360°的转动，从而带动支撑杆的转动，进而实现检测器的转动。
所述的支撑杆上设置水平伸缩器，能够在水平方向进行伸缩运动，从而实现检测器的伸长与缩短，所述的水平伸缩器伸缩距离为-20～20cm的运动。
所述的检测器转动板能够进行旋转，其旋转角度为-60°～60°，通过检测器转动板的转动可以实现检测器角度的变化，从而更好的对患者病灶位置的检测，尤其是需要精确测距和对焦的检测。
所述的检测器包含数据接口1101，检测器转动板1102和检测照明系统；检测器转动板的顶部的中心位置设置有数据接口，检测器转动板的底部通过螺丝固定检测照明系统。
所述的数据接口能够与外界的网络与信息数据进行分享与沟通，通过外接的显示设备进行投影，实现数据的显示。
所述的检测照明系统包含照明系统1103，检测系统1104；所述的检测照明系统的截面为圆形，且检测系统设置在检测照明系统的内部中心位置，照明系统设置环绕在检测照明系统的周围。
所述的检测照明系统的圆形半径为20～45cm，所述的检测系统为圆形，其圆形半径为15～30cm。
所述的照明系统均匀设置12个无影冷管灯1101，且12个无影冷管灯呈环形把检测系统分成12等份；所述的无影冷管灯能够进行强度与角度的调节；
所述的检测系统包含第一检测器11041，第二检测器11042，第三检测器11043；所述的第一检测器11041，第二检测器11042，第三检测器11043设置在检测系统的内部，且第一检测器11041的中心，第二检测器11042的中心，第三检测器11043的中心形成等边三角形。
所述的第一检测器为圆形，且圆形与检测系统内切，所述的第一检测器上均匀设置三组相同的激光与红外测距检测器；
所述的激光与红外测距检测器能够对距离进行精确的测量，同时通过红外与激光的相互检测与互补，实现距离的精确测量与自检，避免了在手术过程中，由于患者以及医生操作，导致手术位置的偏移；同时三组激光与红外测距检测器，能够实现三维距离的立体分布与扫描，从而提高更为精确的位置与距离的定位。避免了现有的手术辅助设备中，难以对患者的位置进行实时测量与更正，同时通过三组既具有激光又具有红外测距的检测器，从而实现患者以及手术操作者的位置实时精准的跟踪与测量，同时指导手术者的操作。尤其是对于病灶面积小、位置小以及精微小部位等需要进行精确位置的跟踪与测量。
所述的第二检测器为圆形，且圆形与检测系统内切，所述的第二检测器为红外成像与荧光成像检测器。
所述的红外成像与荧光成像检测器中，红外成像能够对患者病灶位置温度进行面积的扫描以及局部的扫描，并且能够通过实时的跟踪手术过程中患者病灶位置的温度情况，通过温度的变换情况，从而保证手术操作过程中手术的深浅以及手术患者的自身体感情况，避免了由于手术操作过程中，用药以及手术对患者病情的转换难以实时监控；同时荧光成像检测器能够对病灶的生物显像信息进行实时的跟踪与检测，通过对生物显像信息的检测，可以实时的跟踪病灶位置药物以及细胞活性的情况，从而达到对手术过程中患者的治疗实时监测尤其是病灶位置生物细胞情况的实时跟踪与检测；避免了现有的成像检测手段单一，且成像检测难以实时监测，尤其是手术过程中的实时监控，指导手术医生对患者病情以及手术的质量的判定。
所述的第三检测器为圆形，且圆形与检测系统内切，所述的第三检测器为视频摄像检测器；
所述的视频摄像检测器为光学视频摄像系统，能够对整个手术过程中进行拍摄检测；
所述的第一检测器，第二检测器，第三检测器通过数据传输把数据传输给数据信息中心；所述的数据中心能够收集第一轨道，第二轨道，伸缩器，水平伸缩器，转动板，检测器转动板的位移和角度转动信息，并指导控制第一轨道，第二轨道，伸缩器，水平伸缩器，转动板，检测器转动板设备的运动，从而实现检测病灶的精确测量与设备的运动；同时可以接收第一检测器，第二检测器，第三检测器的数据信号，通过数据信号的收集、运算、处理与控制，利用稀疏学习与互信息的多模态医学图像技术，通过距离信号，成像信号，摄像信号的比对，利用数据中心的运输处理能力，通过对病灶位置病理信息、手术操作信息、细胞活性信息、体表温度信息以及生物显像信息的大数据运算与模拟，对病灶的实时信息进行预测，从而指导病灶手术的操作过程；利用数据信息中心的数据库，对CT、MRI等解剖图像得到相关清晰地器官的解剖形态，以及对SPECT、PET等功能图像能准确地提供器官的新陈代谢信息。通过对病灶的病理信息进行比对，从而指导手术操作者的工作，以及医生的检测和病理判断。并且通过检测器的数据接口与外接显示信息以及医院的数据中心进行连接，并且实时的把手术信息与相关专家和医生进行互动，尤其是对于重大以及疑难杂症的治疗与诊断工作。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明构思的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围内。
Claims (8)
1.一种基于稀疏学习与互信息的多模态医学图像平台，其特征在于，包含基本信息系统，模拟系统和实时监测系统；基本信息系统和模拟系统通过数据传输网线进行连接，基本信息系统与实时监测系统通过数据传输网线进行连接，模拟系统与实时监测系统通过数据传输网线进行连接。
2.如权利要求1所述的一种基于稀疏学习与互信息的多模态医学图像平台，其特征在于，所述的实时监测系统包含第一轨道，第二轨道，轨道支撑板，数据信息中心，支撑箱体，伸缩器，伸缩支撑板，转动板，支撑杆，转动器和检测器；第一轨道和第二轨道固定在地面，轨道支撑板的低端与第一轨道和第二轨道以滑动连接，轨道支撑板的顶端与支撑箱体的底部通过螺丝固定，支撑箱体的顶部与伸缩器的一端连接固定，伸缩器的另一端与伸缩支撑板的底端连接固定，伸缩支撑板的顶端通过螺丝与转动板的一端连接固定，转动板的另一端与支撑杆的一端连接，支撑杆的另一端与转动器连接，转动器上设置检测器，所述的数据信息中心设置在支撑箱体内部。
3.如权利要求1所述的一种基于稀疏学习与互信息的多模态医学图像平台，其特征在于，所述的检测器包含数据接口，检测器转动板和检测照明系统；检测器转动板的顶部的中心位置设置数据接口，检测器转动板的底部通过螺丝固定检测照明系统。
4.如权利要求1所述的一种基于稀疏学习与互信息的多模态医学图像平台，其特征在于，所述的检测照明系统包含照明系统，检测系统；检测照明系统的截面为圆形，且检测系统设置在检测照明系统的内部中心位置，照明系统设置环绕在检测照明系统的周围。
5.如权利要求4所述的一种基于稀疏学习与互信息的多模态医学图像平台，其特征在于，所述的检测系统包含第一检测器，第二检测器，第三检测器；所述的第一检测器，第二检测器，第三检测器设置在检测系统的内部，且第一检测器的中心，第二检测器的中心，第三检测器的中心形成等边三角形。
6.如权利要求5所述的一种基于稀疏学习与互信息的多模态医学图像平台，其特征在于，所述的第一检测器为圆形，且圆形与检测系统内切，所述的第一检测器上均匀设置三组相同的激光与红外测距检测器。
7.如权利要求5所述的一种基于稀疏学习与互信息的多模态医学图像平台，其特征在于，所述的第二检测器为圆形，且圆形与检测系统内切，所述的第二检测器为红外成像与荧光成像检测器。
8.如权利要求5所述的一种基于稀疏学习与互信息的多模态医学图像平台，其特征在于，所述的第三检测器为圆形，且圆形与检测系统内切，所述的第三检测器为视频摄像检测器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710839168.5A CN107657989B (zh) | 2017-09-11 | 2017-09-11 | 基于稀疏学习与互信息的多模态医学图像平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710839168.5A CN107657989B (zh) | 2017-09-11 | 2017-09-11 | 基于稀疏学习与互信息的多模态医学图像平台 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107657989A true CN107657989A (zh) | 2018-02-02 |
| CN107657989B CN107657989B (zh) | 2021-05-28 |
Family
ID=61130662
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710839168.5A Active CN107657989B (zh) | 2017-09-11 | 2017-09-11 | 基于稀疏学习与互信息的多模态医学图像平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107657989B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110706771A (zh) * | 2019-10-10 | 2020-01-17 | 复旦大学附属中山医院 | 多模态患教内容的生成方法、装置、服务器及存储介质 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1631321A (zh) * | 2003-12-23 | 2005-06-29 | 中国科学院自动化研究所 | 一种基于互信息敏感区域的多模态医学图像配准方法 |
| CN1931093A (zh) * | 2005-09-15 | 2007-03-21 | 吴大怡 | 颅颌面锥束计算机断层成像装置 |
| CN101616635A (zh) * | 2007-01-25 | 2009-12-30 | 华沙整形外科股份有限公司 | 手术导航和神经监视集成系统 |
| CN103281968A (zh) * | 2010-12-22 | 2013-09-04 | 优瑞公司 | 用于在医疗过程中进行图像引导的系统和方法 |
| CN103714536A (zh) * | 2013-12-17 | 2014-04-09 | 深圳先进技术研究院 | 基于稀疏表示的多模态磁共振图像的分割方法及装置 |
| CN103767787A (zh) * | 2014-01-24 | 2014-05-07 | 上海魅丽纬叶医疗科技有限公司 | 用于神经消融的射频消融方法和射频消融系统 |
| CN103800076A (zh) * | 2014-01-14 | 2014-05-21 | 中国科学院自动化研究所 | 一种结构-光学-核素多模态成像系统与方法 |
| CN104323859A (zh) * | 2014-11-10 | 2015-02-04 | 上海速介机器人科技有限公司 | 血管介入手术机器人导丝阻力触觉还原装置及其控制方法 |
| CN104484886A (zh) * | 2014-12-31 | 2015-04-01 | 深圳先进技术研究院 | 一种mr图像的分割方法及装置 |
| CN104548383A (zh) * | 2014-12-04 | 2015-04-29 | 南京航空航天大学 | 一种针对深部肿瘤的光动力治疗系统及治疗方法 |
| CN105828727A (zh) * | 2013-12-18 | 2016-08-03 | 株式会社岛津制作所 | 红外光成像装置 |
| US20160283858A1 (en) * | 2015-03-24 | 2016-09-29 | International Business Machines Corporation | Multimodal Data Fusion by Hierarchical Multi-View Dictionary Learning |
| CN106955121A (zh) * | 2017-03-14 | 2017-07-18 | 杭州电子科技大学 | X射线调制的x射线激发发光成像系统及其成像方法 |
| CN107028626A (zh) * | 2017-05-26 | 2017-08-11 | 北京龙慧珩医疗科技发展有限公司 | 一种前列腺术弹性配准方法及装置 |
| CN107137107A (zh) * | 2017-05-09 | 2017-09-08 | 上海联影医疗科技有限公司 | 多模态医学图像获取方法及多模态医学图像成像系统 |
-
2017
- 2017-09-11 CN CN201710839168.5A patent/CN107657989B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1631321A (zh) * | 2003-12-23 | 2005-06-29 | 中国科学院自动化研究所 | 一种基于互信息敏感区域的多模态医学图像配准方法 |
| CN1931093A (zh) * | 2005-09-15 | 2007-03-21 | 吴大怡 | 颅颌面锥束计算机断层成像装置 |
| CN101616635A (zh) * | 2007-01-25 | 2009-12-30 | 华沙整形外科股份有限公司 | 手术导航和神经监视集成系统 |
| CN103281968A (zh) * | 2010-12-22 | 2013-09-04 | 优瑞公司 | 用于在医疗过程中进行图像引导的系统和方法 |
| CN103714536A (zh) * | 2013-12-17 | 2014-04-09 | 深圳先进技术研究院 | 基于稀疏表示的多模态磁共振图像的分割方法及装置 |
| CN105828727A (zh) * | 2013-12-18 | 2016-08-03 | 株式会社岛津制作所 | 红外光成像装置 |
| CN103800076A (zh) * | 2014-01-14 | 2014-05-21 | 中国科学院自动化研究所 | 一种结构-光学-核素多模态成像系统与方法 |
| CN103767787A (zh) * | 2014-01-24 | 2014-05-07 | 上海魅丽纬叶医疗科技有限公司 | 用于神经消融的射频消融方法和射频消融系统 |
| CN104323859A (zh) * | 2014-11-10 | 2015-02-04 | 上海速介机器人科技有限公司 | 血管介入手术机器人导丝阻力触觉还原装置及其控制方法 |
| CN104548383A (zh) * | 2014-12-04 | 2015-04-29 | 南京航空航天大学 | 一种针对深部肿瘤的光动力治疗系统及治疗方法 |
| CN104484886A (zh) * | 2014-12-31 | 2015-04-01 | 深圳先进技术研究院 | 一种mr图像的分割方法及装置 |
| US20160283858A1 (en) * | 2015-03-24 | 2016-09-29 | International Business Machines Corporation | Multimodal Data Fusion by Hierarchical Multi-View Dictionary Learning |
| CN106955121A (zh) * | 2017-03-14 | 2017-07-18 | 杭州电子科技大学 | X射线调制的x射线激发发光成像系统及其成像方法 |
| CN107137107A (zh) * | 2017-05-09 | 2017-09-08 | 上海联影医疗科技有限公司 | 多模态医学图像获取方法及多模态医学图像成像系统 |
| CN107028626A (zh) * | 2017-05-26 | 2017-08-11 | 北京龙慧珩医疗科技发展有限公司 | 一种前列腺术弹性配准方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110706771A (zh) * | 2019-10-10 | 2020-01-17 | 复旦大学附属中山医院 | 多模态患教内容的生成方法、装置、服务器及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107657989B (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111047594B (zh) | 肿瘤mri弱监督学习分析建模方法及其模型 | |
| US9754371B2 (en) | Multi modality brain mapping system (MBMS) using artificial intelligence and pattern recognition | |
| KR102209086B1 (ko) | 요로결석 정보제공 방법, 장치 및 컴퓨터 판독가능 매체 | |
| Nie et al. | Automatic detection of standard sagittal plane in the first trimester of pregnancy using 3-D ultrasound data | |
| JP2013545520A (ja) | 画像検索エンジン | |
| Ye et al. | Severity assessment of COVID-19 based on feature extraction and V-descriptors | |
| Diniz et al. | Deep learning strategies for ultrasound in pregnancy | |
| CN113920114B (zh) | 图像处理方法、装置、计算机设备、存储介质及程序产品 | |
| Wang et al. | Deep transfer learning-based multi-modal digital twins for enhancement and diagnostic analysis of brain mri image | |
| CN107657989A (zh) | 基于稀疏学习与互信息的多模态医学图像平台 | |
| Das et al. | Corpus callosum atrophy in detection of mild and moderate Alzheimer’s disease using brain magnetic resonance image processing and machine learning techniques | |
| Liu et al. | MPS-FFA: a multiplane and multiscale feature fusion attention network for Alzheimer’s disease prediction with structural MRI | |
| Kofler et al. | The Brain Tumor Segmentation (BraTS) Challenge 2023: Local Synthesis of Healthy Brain Tissue via Inpainting | |
| Kumaraswamy et al. | A review on cancer detection strategies with help of biomedical images using machine learning techniques | |
| Dai et al. | More reliable AI solution: Breast ultrasound diagnosis using multi-AI combination | |
| Huang et al. | Image-matching as a medical diagnostic support tool (DST) for brain diseases in children | |
| Wang et al. | Automatic localization of the center of fiducial markers in 3D CT/MRI images for image-guided neurosurgery | |
| Chen et al. | Automatic and visualized grading of dental caries using deep learning on panoramic radiographs | |
| Chen et al. | Development of Automatic Assessment Framework for Spine Deformity using Freehand 3D Ultrasound Imaging System | |
| CN111466952B (zh) | 一种超声内镜与ct三维图像实时转化方法和系统 | |
| Lee et al. | Measurement of laryngeal elevation by automated segmentation using Mask R-CNN | |
| Maurya et al. | Simultaneous breathing monitoring of multiple persons using thermal and visible imaging | |
| Guo et al. | Deep convolution neural network discriminator for distinguishing seborrheic keratosis and flat warts | |
| Li et al. | Automatic Diagnosis of Carotid Atherosclerosis Using a Portable Freehand 3D Ultrasound Imaging System | |
| Eswaran et al. | Applying Machine Learning for Medical Image Processing |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210422 Address after: 250012 No. 18877 Jingshi Road, Jinan City, Shandong Province Applicant after: Shandong First Medical University (Shandong Academy of Medical Sciences) Address before: 271016 No. 619, the Great Wall Road, Tai'an, Shandong Applicant before: TAISHAN MEDICAL University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240125 Address after: C416, Building 1, Overseas Students Pioneer Park, No. 69 Huayang Road, Lixia District, Jinan, Shandong 250000 Patentee after: Shandong Kaige Intelligent Machine Co.,Ltd. Country or region after: China Address before: 250012 no.18877 Jingshi Road, Jinan City, Shandong Province Patentee before: Shandong First Medical University (Shandong Academy of Medical Sciences) Country or region before: China |