CN109410217B - 一种图像分割的方法、装置及计算机可读存储介质 - Google Patents

一种图像分割的方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN109410217B
CN109410217B CN201811122176.9A CN201811122176A CN109410217B CN 109410217 B CN109410217 B CN 109410217B CN 201811122176 A CN201811122176 A CN 201811122176A CN 109410217 B CN109410217 B CN 109410217B
Authority
CN
China
Prior art keywords
image
segmentation
layers
segmented
images
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
Application number
CN201811122176.9A
Other languages
English (en)
Other versions
CN109410217A (zh
Inventor
袁新生
刘继敏
黄伟康
莫康信
张典生
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.)
Suzhou Liulian Technology Co.,Ltd.
Original Assignee
Suzhou Liulian Technology Co ltd
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 Suzhou Liulian Technology Co ltd filed Critical Suzhou Liulian Technology Co ltd
Priority to CN201811122176.9A priority Critical patent/CN109410217B/zh
Publication of CN109410217A publication Critical patent/CN109410217A/zh
Application granted granted Critical
Publication of CN109410217B publication Critical patent/CN109410217B/zh
Active 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30056—Liver; Hepatic
    • 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
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种图像分割的方法、装置及计算机可读存储介质，涉及计算机领域，特别医学图像处理领域，该方法包括：获取医学图像；将所述医学图像按不同器官/组织进行分割，得到分割图像；将某器官/组织分割图像分为若干层图像；对所述若干层图像分割训练，得到所述某器官/组织相应层的图像分割器；将需要分割的图像分成若干份；所述需要分割的图像通过图像分割器分割。本发明还提供了一种图像分割装置及计算机可读存储介质。本发明利用图像分割器完成图像的分割，减少医护人员参与分割，极大提高了图像分割效率。

Description

一种图像分割的方法、装置及计算机可读存储介质
【技术领域】
本发明涉及计算机领域，特别是涉及一种图像分割的方法、装置及计算机可读存储介质。
【技术背景】
数字医学图像技术是现代医学最重要的诊断手段之一，随着数字医学图像诊断技术的不断发展及普及，医生对医学图像诊断的要求也越来越高，除了看二维平面图，还要求看三维模型图，更进一步的要进行定量分析、模拟以及与AR/VR结合使用等。医学影像三维重建是将二维影像图片转换为三维模型的重要技术，如需进行定量分析，则需要将不同器官/组织进行分割后再单独重建，才可以对器官或组织进行定量分析或模拟。
由于符合DICOM3.0标准的医学图像是基于灰度值的二维图像，各元素/组织间是通过不同的灰阶来区分，加上噪音的影响，使得有些组织间的边界并不清晰，所以对医学图像进行分割，不管对医护人员还是对科技工作者，都是件麻烦而复杂的事，完成一个完整器官/组织的分割，需要花费大量的时间及精力，而对于非医学背景的工作者，更是难于完成分割的工作。
【发明内容】
有鉴于此，本发明提供一种图像分割的方法、装置及计算机可读存储介质所要解决的问题是：通过本公开发明来解决复杂而费时的医学图像分割工作，提升医护人员的工作效率。
根据本公开的一些实施例，提供的一种图像分割的方法，包括：获取医学图像；将所述医学图像按不同器官/组织进行分割，得到器官/组织分割图像；将器官/组织分割图像分为若干层图像；对所述若干层图像分割训练，得到某个器官/组织相应层的图像分割器；将需要分割的图像分成若干份；所述需要分割的图像通过图像分割器分割。
在一些实施例中，获取的所述医学图像包括电子计算机断层扫描CT图像，或磁共振MRI图像，或B超图像。
在一些实施例中，按不同器官/组织，将每一层图像中所包含的器官/组织分别标识并分割出来，对于不同的器官/组织，其所包含的图像层数N会有所区别，如肝脏图像共有Nliver层，肺图像共有Nlung层，肝脏图像与肺图像所包含的图像层数不同，对任意器官/组织，其第一层对应为所述器官/组织的顶层，其最后一层，对应为所述器官/组织的最底层。
在一些实施例中，所述将器官/组织分割图像分为若干层图像具体为：令所述若干层图像为Q层图像，所述分割图像的分层方法，包括：从N层中抽取Q层(Q≤N)，第1层对应为顶层，第Q层为底层，中间第j层(1<j<Q)平均分布；第j层所对应的所述分割图像的层数为：1+((N-1)/(Q-1))*(j-1),经四舍五入后取整。
在一些实施例中，所述若干层图像的第1，2，…,i,…,(Q-1),Q层用作相应层的训练数据集，分别输入到图像分割器中，利用深度学习网络方法(如Unet)进行相应层的分割器训练，分别得到第1，2，…,i,…,(Q-1),Q层的Q层图像分割器。
在一些实施例中，所述若干份与上面步骤所述若干层的数量相等，即为Q份，所述需要分割的图像分成若干份的方法，包括：第1份包含顶层，第Q份包含底层；令所述需要分割的图像的层数为Ni,中间第j份(1≤j≤Q)所包含的图像Ni’为：Ni’＝N/Q*j，经四舍五入后取整。
在一些实施例中，所述分割器分割图像具体为：将所述若干份需分割图像，输入到对应的Q层图像分割器中，即第1份输入到第1层图像分割器进行分割，第j份输入到第j层图像分割器进行分割，第Q份输入到第Q层图像分割器进行分割。
根据本公开的另一些实施例，提供的一种图像分割的装置，包括：医学图像获取模块，用于获取医学图像；医学图像分割模块，用于对所述医学图像进行分割，以获得第一分割图像；分割图像分层模块，用于将所述第一分割图像分为若干层图像；分割训练模块，用于训练所述不同器官/组织相应层的图像分割器；分份模块，用于将需要分割的图像分成若干份；图像第二分割模块，用于将所述需要分割的图像进行第二次分割。
所述医学图像获取模块获取医学图像后，将所述医学图像传输到所述医学图像分割模块，进行图像分割，以获得第一分割图像，完成分割的图像传输到所述分割图像分层模块，分成若干层图像，并传输到所述分割训练模块，用于训练所述不同器官/组织相应层的图像分割器，并传输到图像分割模块，然后通过分份模块接收需要分割的图像并分成若干份，然后传输到所述图像第二分割模块，完成第二次分割。
根据本公开的另一些实施例，提供的一种图像分割的装置，其特征在于，包括：存储器；以及耦接至所述存储器的处理器，所述存储器通过总线与处理器连接，所述处理器通过总线分别与医学图像获取模块、医学图像第一分割模块、分割图像分层模块、分割训练模块、分份模块和图像第二分割模块连接，所述处理器被配置为基于存储在所述存储器设备中的指令，执行如前述任一项任一个实施例的图像分割的方法。
根据本公开的又一些实施例，提供的一种图像分割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如前述任一项任一个实施例的图像分割的方法的步骤。
本公开发明的有益效果在于：通过训练分层的图像分割器，利用同一层级图像的近似性，能准确快速的分割近似层级的图像，进而提升分割效率。
【附图说明】
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出本公开的一些实施例的图像分割的方法的流程示意图。
图2示出本公开的一些实施例的图像分割的装置的结构示意图。
图3示出本公开的另一些实施例的图像分割的装置的结构示意图。
图4示出本公开的又一些实施例的图像分割的装置的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例，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，都属于本公开保护的范围。
本公开提供的一种图像分割的方法，将结合图1进行描述。
如图1所示的一些实施例的图像分割的方法的流程示意图。包括步骤S101～S106：
S101，获取医学图像；
在一些实施例中，获取的所述医学图像为电子计算机断层扫描CT图像。
在一些实施例中，获取的所述医学图像为磁共振MRI图像。
在一些实施例中，获取的所述医学图像为B超图像。
S102，将所述医学图像按不同器官/组织进行分割，得到分割图像；
在一些实施例中，按不同器官/组织，将每一层图像中所包含的器官/组织分别标识并分割出来，对于不同的器官/组织，其所包含的图像层数N会有所区别，如肝脏图像共有Nliver层(如80层，层间距为2.0mm)，肺图像共有Nlung层(如220层，层间距为1.25mm)，肝脏图像与肺图像所包含的图像层数不同，对任意器官/组织，其第一层对应为所述器官/组织的顶层，其最后一层，对应为所述器官/组织的最底层。
S103，将器官/组织分割图像分为若干层图像；
在一些实施例中，所述器官/组织为肺，则Nlung＝220，令所述若干层图像为Q层图像，Q＝50，所述分割图像的分层方法，包括：从220层中抽取50层，第1层对应为顶层，第50层为底层，中间第j层(1<j<50)平均分布；第j层所对应的所述分割图像的层数为：1+((220-1)/(50-1))*(j-1),经四舍五入后取整。如，若干层图像中的第34层则对应为所述肺分割图像的第180层，即：1+((220-1)/50-1)*(34-1)＝180.49，经四舍五入后取整，即为第180层。
S104，对所述若干层图像分割训练，得到所述某器官/组织相应层的图像分割器；
在一些实施例中，所述若干层图像的第1，2，…,i,…,49,50层用作相应层的训练数据集，分别输入到图像分割器中，利用深度学习网络方法(如Unet)进行相应层的分割器训练，分别得到第1，2，…,i,…,49,50层的50层图像分割器。
S105，将需要分割的图像分成若干份；
在一些实施例中，所述若干份与上面步骤所述若干层的数量相等，即为50份，所述需要分割的图像分成50份的方法，包括：第1份包含顶层，第50份包含底层；令所述需要分割的图像的层数为N’,中间第j份(1≤j≤Q)所包含的图像Ni’为：N’/Q*(j-1)≤Ni’≤N’/Q*j，经四舍五入后取整，如所述需要分割的肺图像的层数N’＝132层，层间距为2mm，则N’/Q*(j-1)≤Ni’≤N’/Q*(j)，当j＝1时，即第1份，则132/50*(1-1)≤Ni’≤132/50*(j)，即0≤Ni’≤2.64，经四舍五入后取整，即0≤Ni’≤3，即所述需要分割的肺图像的第1，2，3层属于第1份；当j＝25时，即第25份，则132/50*(25-1)≤Ni’≤132/50*25，即63.36≤Ni’≤66，经四舍五入后取整，即63≤Ni’≤66，即所述需要分割的肺图像的第63，64，65，66层属于第25份。
S106，所述需要分割的图像通过图像分割器分割；
在一些实施例中，所述分割器分割图像的方法，包括：将所述若干份需分割图像，输入到对应的50层图像分割器中，即第1份输入到第1层图像分割器进行分割，第j份输入到第j层图像分割器进行分割，第50份输入到第50层图像分割器进行分割，完成分割后得到分割结果。
本公开还提供的一种图像分割的装置，结合图2进行描述。
图2为本公开图像分割的装置的一些实施例的结构图，如图2所示，该实施例的图像分割的装置20包括：
医学图像获取模块201，用于获取医学图像；
医学图像第一分割模块202，用于对所述医学图像进行分割，以获第一分割图像；
分割图像分层模块203，用于将所述第一分割图像分为若干层图像；
分割训练模块204，用于训练所述不同器官/组织相应层的图像分割器；
分份模块205，用于将需要分割的图像分成若干份；
图像第二分割模块206，用于将所述需要分割的图像进行第二次分割。
所述医学图像获取模块201获取医学图像后，将所述医学图像传输到所述医学图像分割模块202，进行图像分割，以获得第一分割图像，完成分割的图像传输到所述分割图像分层模块203，分成若干层图像，并传输到所述分割训练模块204，用于训练所述不同器官/组织相应层的图像分割器，并传输到第二图像分割模块206，然后通过分份模块205接收需要分割的图像并分成若干份，然后传输到所述第二图像分割模块206，完成第二次分割。
本公开的实施例中的图像分割的装置可各由各种计算设备或计算机系统来实现，下面结合图3以及图4进行描述。
图3为本公开图像分割的装置的一些实施例的结构图。如图3所示，该实施例的装置30包括：存储器301以及耦接至该存储器301的处理器302，所述存储器301通过总线与处理器302连接，所述处理器302通过总线分别与医学图像获取模块201、医学图像第一分割模块202、分割图像分层模块203、分割训练模块204、分份模块205和图像第二分割模块205连接，处理器302被配置为基于存储在存储器301中的指令，执行本公开中任意一些实施例中的图像分割的方法。
其中，存储器302例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)、数据库以及其他程序等。
图4为本公开图像分割的装置的另一些实施例的结构图。如图4所示，该实施例的装置40包括：总线401，存储器404以及处理器402，分别与存储器301以及处理器302类似。还可以包括输入输出接口403、存储接口405、网络接口406等。这些接口403，405，406以及存储器404和处理器402之间例如可以通过总线401连接。其中，输入输出接口403为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。存储接口405为SD卡、U盘等外置存储设备提供连接接口。网络接口406为各种联网设备提供连接接口，例如可以连接到数据库服务器或者云端存储服务器等。
本公开还提供一种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实现前述任一个实施例的图像分割的方法的步骤。
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (6)

1.一种图像分割的方法，其特征在于，包括：
获取医学图像；
将所述医学图像按不同器官/组织进行分割，得到器官/组织分割图像，所述将医学图像按不同器官/组织进行分割具体过程为：按不同器官/组织，将每一层图像中所包含的器官/组织分别标识并分割出来，对于不同的器官/组织，其所包含的图像层数N会有所区别；
将器官/组织分割图像分为若干层图像，具体为：对任意器官/组织，其第一层对应为所述器官/组织的顶层，其最后一层，对应为所述器官/组织的最底层；
令所述若干层图像为Q层图像，从N层中抽取Q层(Q≤N)，第1层对应为顶层，第Q层为底层，中间第j层(1<j<Q)平均分布；
第j层所对应的所述分割图像的层数为：1+((N-1)/(Q-1))*(j-1),经四舍五入后取整，其中，Q、N、l、j为大于或等于1的自然数；
对所述若干层图像分割训练，得到某个器官/组织相应层的图像分割器，具体为：所述若干层图像的第1，2，…,i,…,(Q-1),Q层用作相应层的训练数据集，分别输入到图像分割器中，利用深度学习网络方法进行相应层的分割器训练，分别得到第1，2，…,i,…,(Q-1),Q层的Q层图像分割器；
将需要分割的图像分成若干份，所述需要分割的图像通过图像分割器分割，具体为：所述分成的若干份需要分割的图像与所述若干层图像的数量相等，即均为Q份，所述需要分割的图像分成若干份的方法具体为：
第1份包含顶层，第Q份包含底层；
令所述需要分割的图像的层数为Ni’,中间第j份(1≤j≤Q)所包含的图像Ni’为：Ni’＝N/Q*j，经四舍五入后取整。
2.如权利要求1所述的图像分割的方法，其特征在于，获取的所述医学图像包括：电子计算机断层扫描CT图像，或磁共振MRI图像，或B超图像。
3.如权利要求1所述的图像分割的方法，其特征在于，所述需要分割的图像通过图像分割器分割具体为：
将需要分割的图像分成若干份，分成的若干份需要分割的图像与所述若干层图像的数量相等，即均为Q份，第1份包含顶层，第Q份包含底层；将分成的若干份需要分割的图像，输入到对应层的图像分割器中，即第1份需要分割的图像输入到第1层图像分割器进行分割，第j份需要分割的图像输入到第j层图像分割器进行分割，第Q份需要分割的图像输入到第Q层图像分割器进行分割。
4.一种采用权利要求3所述图像分割的方法的图像分割的装置，其特征在于，包括：
医学图像获取模块，用于获取医学图像；
医学图像第一分割模块，用于对所述医学图像进行分割，以获得第一分割图像；
分割图像分层模块，用于将所述第一分割图像分为若干层图像；
分割训练模块，用于训练不同器官/组织相应层的图像分割器；
分份模块，用于将需要分割的图像分成若干份；
图像第二分割模块，用于将所述需要分割的图像进行第二次分割。
5.一种图像分割的装置，其特征在于，所述图像分割的装置还包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器设备中的指令，执行权利要求1-3任一项所述的图像分割的方法。
6.一种图像分割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1-3任一项所述方法的步骤。
CN201811122176.9A 2018-09-26 2018-09-26 一种图像分割的方法、装置及计算机可读存储介质 Active CN109410217B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811122176.9A CN109410217B (zh) 2018-09-26 2018-09-26 一种图像分割的方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811122176.9A CN109410217B (zh) 2018-09-26 2018-09-26 一种图像分割的方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109410217A CN109410217A (zh) 2019-03-01
CN109410217B true CN109410217B (zh) 2020-10-27

Family

ID=65465312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811122176.9A Active CN109410217B (zh) 2018-09-26 2018-09-26 一种图像分割的方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN109410217B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104992430B (zh) * 2015-04-14 2017-12-22 杭州奥视图像技术有限公司 基于卷积神经网络的全自动的三维肝脏分割方法
CN105006012B (zh) * 2015-07-14 2018-09-21 山东易创电子有限公司 一种人体断层数据的体渲染方法及系统
WO2017062453A1 (en) * 2015-10-05 2017-04-13 The University Of North Carolina At Chapel Hill Image segmentation of organs depicted in computed tomography images

Also Published As

Publication number Publication date
CN109410217A (zh) 2019-03-01

Similar Documents

Publication Publication Date Title
CN110517238B (zh) Ct医学影像ai三维重建与人机交互可视化网络系统
JP6220310B2 (ja) 医用画像情報システム、医用画像情報処理方法及びプログラム
CN104346821B (zh) 用于医学成像的自动规划
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断系统
Wu et al. Residual attention based network for hand bone age assessment
US10803354B2 (en) Cross-modality image synthesis
JP6768862B2 (ja) 医用画像処理方法、医用画像処理装置、医用画像処理システム及び医用画像処理プログラム
DE102015221998A1 (de) Verfahren zur Unterstützung eines Befunders bei der Ortsbeschreibung einer Zielstruktur in einer Brust, Vorrichtung und Computerprogramm
CN103514597A (zh) 图像处理装置
CN111080584A (zh) 医学图像的质控方法、计算机设备和可读存储介质
US10956635B1 (en) Radiologist-assisted machine learning with interactive, volume subtending 3D cursor
US11238197B1 (en) Generating a 3D dataset containing a simulated surgical device
DE112018004546T5 (de) Künstlich intelligente ejektionsfraktionsbestimmung
CN109447120A (zh) 一种图像自动分割的方法、装置及计算机可读存储介质
Uccheddu et al. 3D printing of cardiac structures from medical images: an overview of methods and interactive tools
JP2020171687A (ja) ３ｄ解剖学的ボリュームをその２ｄスライスの位置特定に基づいて処理するシステムおよび方法
CN106709920A (zh) 血管提取方法及其装置
CN108885781A (zh) 用于根据低剂量或低kV计算机断层扫描图像合成虚拟高剂量或高kV计算机断层扫描图像的方法和系统
CN109523507B (zh) 一种病变图像生成的方法、装置及计算机可读存储介质
Izard et al. NextMed: How to enhance 3D radiological images with Augmented and Virtual Reality
CN109377477B (zh) 一种图像分类的方法、装置及计算机可读存储介质
CN116844734B (zh) 剂量预测模型的生成方法、装置、电子设备及存储介质
CN105844687B (zh) 用于处理医学影像的装置和方法
CN104915989A (zh) 基于ct影像的血管三维分割方法
CN109410217B (zh) 一种图像分割的方法、装置及计算机可读存储介质

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

Effective date of registration: 20200806

Address after: 215028 unit 301, floor 3, No.288, Dongping street, Suzhou Industrial Park, Suzhou area, China (Jiangsu) pilot Free Trade Zone, Suzhou City, Jiangsu Province

Applicant after: Suzhou Liulian Technology Co.,Ltd.

Address before: 523000 Guangdong province Dongguan City Chashan town water Tong Kok Wai Industrial Zone

Applicant before: GUANGDONG EDA TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant