CN109447974B - 体数据处理方法、装置、图像处理工作站和可读存储介质 - Google Patents
体数据处理方法、装置、图像处理工作站和可读存储介质 Download PDFInfo
- Publication number
- CN109447974B CN109447974B CN201811291588.5A CN201811291588A CN109447974B CN 109447974 B CN109447974 B CN 109447974B CN 201811291588 A CN201811291588 A CN 201811291588A CN 109447974 B CN109447974 B CN 109447974B
- Authority
- CN
- China
- Prior art keywords
- volume data
- suspected
- redundant
- original
- target
- 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
Images
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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/30028—Colon; Small intestine
-
- 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
本申请涉及一种体数据处理方法、装置、图像处理工作站和可读存储介质。所述方法包括:从原始体数据中识别疑似冗余体数据;所述原始体数据包括目标体数据,所述疑似冗余体数据包括肺部体数据;从所述原始体数据中剔除所述疑似冗余体数据,得到包括所述目标体数据的待处理体数据,并对所述待处理体数据进行图像分割处理,得到所述目标体数据。采用本方法能够减少从体数据中进行图像分割处理得到目标体数据时的资源占用和处理时间。
Description
技术领域
本申请涉及医学图像处理技术领域,特别是涉及一种体数据处理方法、装置、图像处理工作站和可读存储介质。
背景技术
随着时代的进步,人们对医疗检查的需求逐渐增多。以CT(Computed Tomography,电子计算机断层扫描)为例,它是利用X线束、γ射线、超声波等射线,与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,由探测器接收透过该层面的射线,根据获得的投影数据重建出断层图像,可对人体的多种疾病进行诊断。
示例性地,当需要结肠体数据时进行诊断时,针对输入的CT技术获得的腹部体数据,图像处理工作站可以通过类似区域生长的方法对腹部体数据进行图像分割处理,输出结肠体数据,以便于诊断。
然而,当输入胸腹部体数据进行图像分割处理时,处理过程占用的资源过多且处理的时间过长。
发明内容
基于此,有必要针对上述技术问题,提供一种能够减少资源占用和处理时间的体数据处理方法、装置、图像处理工作站和可读存储介质。
第一方面,一种体数据处理方法,所述方法包括:
从原始体数据中识别疑似冗余体数据;所述原始体数据包括目标体数据,所述疑似冗余体数据包括肺部体数据;
从所述原始体数据中剔除所述疑似冗余体数据,得到包括所述目标体数据的待处理体数据,并对所述待处理体数据进行图像分割处理,得到所述目标体数据。
在其中一个实施例中,所述目标体数据包括但不限于以下内容中的至少一种:结肠体数据、小肠体数据。
在其中一个实施例中,若所述体数据包括横断位图像序列,则所述从原始体数据中识别疑似冗余体数据,包括:
计算原始横断位图像序列中各横断位图像对应的空气占比;
若所述横断位图像对应的空气占比大于预设空气占比阈值,则识别所述横断位图像属于疑似冗余体数据。
在其中一个实施例中,所述计算原始横断位图像序列中各横断位图像对应的空气占比,包括:
获取所述原始横断位图像序列中各横断位图像中各体素的特征值;
若所述体素的特征值小于或等于预设空气特征值,则识别所述体素为空气对应的体素;
根据各所述横断位图像中空气对应的体素的数目和总体素数目,计算得到各所述横断位图像对应的空气占比。
在其中一个实施例中,所述从所述原始体数据中剔除所述疑似冗余体数据,得到包括所述目标体数据的待处理体数据之前,还包括:
检测所述疑似冗余体数据是否满足预设剔除条件;
若所述疑似冗余体数据满足预设剔除条件,则执行所述从所述原始体数据中剔除所述疑似冗余体数据,得到包括所述目标体数据的待处理体数据,并对所述待处理体数据进行图像分割处理,得到所述目标体数据的步骤。
在其中一个实施例中,若所述体数据包括横断位图像序列,则所述检测所述疑似冗余体数据是否满足预设剔除条件,包括:
从所述原始横断位图像序列中获取属于疑似冗余体数据的目标横断位图像的第一数目,以及获取目标横断位图像在预设的人体长轴方向上的平均坐标;
根据所述第一数目和所述平均坐标,确定所述疑似冗余体数据是否满足预设剔除条件。
在其中一个实施例中,根据所述第一数目和所述平均坐标,确定所述疑似冗余体数据是否满足预设剔除条件,包括:
根据所述第一数目和所述原始横断位图像序列的切片间隔,确定第一特征长度,并判断所述第一特征长度是否大于预设的肺部特征长度,得到第一判断结果;
根据所述平均坐标,统计所述原始横断位图像序列中坐标小于或者等于所述平均坐标的横断位图像的第二数目,并判断所述第二数目和所述原始横断位图像序列中横断位图像的总数目的比值是否大于预设比值,得到第二判断结果;
若所述第一判断结果为所述第一特征长度大于预设的肺部特征长度,且所述第二判断结果为所述第二数目和所述总数目的比值大于预设比值,确定所述疑似冗余体数据满足预设剔除条件。
在其中一个实施例中,所述从所述原始体数据中剔除所述疑似冗余体数据,得到包括所述目标体数据的待处理体数据,包括:
从所述原始体数据中剔除目标冗余体数据,得到包括所述目标体数据的待处理体数据;所述目标冗余体数据为所述疑似冗余体数据中坐标大于所述平均坐标的横断位图像。
在其中一个实施例中,所述原始体数据为胸腹部体数据。
第二方面,一种体数据处理装置,所述装置包括:
识别模块,用于从原始体数据中识别疑似冗余体数据;所述原始体数据包括目标体数据,所述疑似冗余体数据包括肺部体数据;
分割模块,用于从所述原始体数据中剔除所述疑似冗余体数据,得到包括所述目标体数据的待处理体数据,并对所述待处理体数据进行图像分割处理,得到所述目标体数据。
第三方面,一种图像处理工作站,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
从原始体数据中识别疑似冗余体数据;所述原始体数据包括目标体数据,所述疑似冗余体数据包括肺部体数据;
从所述原始体数据中剔除所述疑似冗余体数据,得到包括所述目标体数据的待处理体数据,并对所述待处理体数据进行图像分割处理,得到所述目标体数据。
第四方面,一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
从原始体数据中识别疑似冗余体数据;所述原始体数据包括目标体数据,所述疑似冗余体数据包括肺部体数据;
从所述原始体数据中剔除所述疑似冗余体数据,得到包括所述目标体数据的待处理体数据,并对所述待处理体数据进行图像分割处理,得到所述目标体数据。
上述体数据处理方法、装置、图像处理工作站和可读存储介质,通过从胸腹部的原始体数据中识别出包括肺部体数据的疑似冗余体数据,然后从原始体数据中剔除疑似冗余体数据,得到包括目标体数据的待处理体数据,因此后续可以从待处理体数据中分割出目标体数据,相比于原来从原始体数据中分割出目标体数据的处理过程而言,减少了需要处理的数据量,进而减少了资源占用和处理时间。
附图说明
图1为一个实施例中体数据处理方法的应用环境图;
图2为一个实施例中体数据处理方法的流程示意图;
图3a为一个实施例中胸腹部示意图;
图3b为一个实施例中结肠示意图;
图4为另一个实施例中体数据处理方法的流程示意图;
图5a为一个实施例中肺部横断位图像的示意图;
图5b为一个实施例中结肠横断位图像的示意图;
图6为一个实施例中计算横断位图像对应的空气占比的步骤流程示意图;
图7为一个实施例中判断是否满足预设剔除条件的步骤流程示意图;
图8为一个实施例中具体判断是否满足预设剔除条件的步骤流程示意图;
图9a为一个实施例中胸腹部体数据的示意图;
图9b为一个实施例中体数据处理方法的图像处理流程的示意图;
图10为另一个实施例中体数据处理方法的流程示意图;
图11为一个实施例中体数据处理装置的结构框图;
图12为另一个实施例中体数据处理装置的结构框图;
图13为一个实施例中图像处理工作站的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本实施例中,体数据可以理解为CT图像、MRI图像(Magnetic ResonanceImaging,磁共振成象)等三维医学图像数据,一般为沿人体长轴方向上的多层切片图像,即多层横断位图像;人体长轴方向,指的是从人体的脚到头的方向;横断位,指的是沿垂直于人体长轴的方向,将人体切为前后两部分的断面。
本申请提供的体数据方法,可以应用于如图1所示的应用环境中。其中,PACS(Picture Archiving and Communication Systems,影像归档和通信系统)服务器102分别和至少一个医学影像设备103、图像处理工作站101以及阅片终端104连接,连接方式可以为网络连接或者DICOM(Digital Imaging and Communications in Medicine,医学数字成像和通信)连接等。其中,PACS服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现,用于将医学影像设备生成的医学图像以数字化形式进行保存,必要时还可以通过图像处理工作站对医学图像进行图像处理甚至智能标注、诊断,医生等用户可以通过阅片终端阅览医学图像;该医学影像设备可以为CT设备、MRI设备等,本实施例对此并不限制;该图像处理工作站可以为各种图形工作站,也可以为其它可以处理医学图像的计算机设备。
在一个实施例中,如图2所示,提供了一种体数据处理方法,通过识别原始体数据中包括肺部体数据的疑似冗余体数据,并剔除疑似冗余体数据,以减少待处理体数据的数据量,降低从待处理体数据中分割出目标体数据所需的处理资源和处理时间;以该方法应用于图1中的图像处理工作站为例进行说明,可以包括以下步骤:
S201,从原始体数据中识别疑似冗余体数据;原始体数据包括目标体数据,疑似冗余体数据包括肺部体数据。
上述原始体数据可以为胸腹部体数据,可以为包括部分胸部和部分腹部的体数据,也可以为其它体数据;总之,上述原始体数据包括部分肺部体数据,也包括目标体数据;目标体数据包括但不限于以下内容中的至少一种:结肠体数据、小肠体数据,也可以是其它腹部器官的体数据。可以理解的是,当原始体数据包括除胸腹部体数据以外的其它体数据时,可以通过简单的分割处理将胸腹部体数据分割出来。当然,当原始体数据为胸腹部体数据时,可以直接采用本申请的方案。此外,若原始体数据中包括身体外侧背景空气时,可以针对各三维医学图像数据,在各三维医学图像数据中的身体外侧背景空气区域的边缘区域设置种子点,采用区域生长方法,去除属于身体外侧背景空气的体素(voxel,三维空间中定义一个点的图象信息的单位)。
对于原始体数据而言,因为后续需要通过图像分割处理得到目标体数据,因此原始体数据中的肺部体数据会增大后续进行图像分割处理的难度,例如,对于胸腹部体数据而言,肺部体数据在胸腹部体数据中的占比接近甚至超过一半,会极大占用图像处理资源以及图像处理时间。因此图像处理工作站可以先从原始体数据中识别包括肺部体数据的疑似冗余体数据,以将疑似冗余体数据进行剔除。示例性地,图像处理工作站可以通过肺部体数据的各种图像特征识别肺部体数据,例如,肺部体数据中存在大量空气对应的体素。
S202,从原始体数据中剔除疑似冗余体数据,得到包括目标体数据的待处理体数据,并对待处理体数据进行图像分割处理,得到目标体数据。
一种实施方式中,图像处理工作站可以从原始体数据中将疑似冗余体数据全部剔除,得到剩余的体数据,即待处理体数据;然后对待处理体数据进行图像分割处理得到目标体数据。
但是,上述将疑似冗余体数据全部剔除的方式可能会导致包括部分目标体数据的疑似冗余体数据被剔除,导致分割得到的目标体数据不完整;例如,对于结肠而言,因为在人体长轴方向上结肠与肺部下段可能存在接触,因此将疑似冗余体数据全部剔除可能导致部分结肠体数据被剔除。因此在另一种实施方式中,图像处理工作站可以对上述疑似冗余体数据进行进一步地判断,重新进行定位,更精细地进行剔除,仅剔除部分疑似冗余体数据,以达到剔除部分肺部体数据,降低图像处理资源;同时避免对目标体数据的剔除,得到完整的目标体数据的效果。
示例性地,对待处理体数据进行图像分割处理,得到目标体数据,可以按照从CT技术获得的腹部体数据中分割得到结肠体数据的方法进行处理,可以包括:图像处理工作站可以在待处理体数据中定位目标体数据的种子点,通过区域生长方法进行分割,得到目标体数据。本申请以胸腹部体数据为原始体数据,以结肠体数据为目标体数据,示例性地进行说明,但本申请同样适用于其它原始体数据和目标体数据。参照图3a所示,为胸腹部的示意图,图3b为分割得到的结肠的示意图。
上述体数据处理方法中,通过从原始体数据中识别出包括肺部体数据的疑似冗余体数据,然后从原始体数据中剔除疑似冗余体数据,得到包括目标体数据的待处理体数据,因此后续可以从待处理体数据中分割出目标体数据,相比于原来从原始体数据中分割出目标体数据的处理过程而言,减少了需要处理的数据量,进而减少了资源占用和处理时间。
在一个实施例中,如图4所示,提供了一种体数据处理方法,通过计算原始横断位图像序列中各横断位图像对应的空气占比来识别疑似冗余体数据,并在确定疑似冗余体数据满足预设剔除条件后,剔除疑似冗余体数据,以减少待处理体数据的数据量,降低从待处理体数据中分割出目标体数据所需的处理资源和处理时间,同时降低在剔除疑似冗余体数据同时剔除掉部分目标体数据的可能性;以该方法应用于图1中的图像处理工作站为例进行说明,可以包括以下步骤:
S401,计算原始横断位图像序列中各横断位图像对应的空气占比。
其中,体数据包括横断位图像序列;原始体数据为胸腹部体数据,其包括结肠体数据;疑似冗余体数据包括肺部体数据。参照图5a所示的肺部横断位图像的示意图,以及图5b所示的结肠横断位图像的示意图,可以看出,肺部和结肠类似,都是体内充斥空气的器官,但是肺部的空气部分占比要明显大于结肠,因此可以通过原始横断位图像序列中各横断位图像对应的空气占比来识别疑似冗余体数据。
可选地,参照图6所示,S401可以包括:
S601,获取原始横断位图像序列中各横断位图像中各体素的特征值。
上述横断位图像可以是CT图像,也可以是MRI图像,或者其它医学图像。以CT图像为例,各体素的特征值为CT值,表征该体素对应的物质的密度大小,与该体素对应的物质对检测射线的衰减系数有关,其单位为HU(hounsfield unit,亨氏单位);示例性地,一般空气的CT值为-1000HU,致密骨的CT值为1000。示例性地,图像处理工作站可以获取原始横断位图像序列中各CT横断位图像中各体素的CT值。当然,对于CT图像而言,各横断位图像中各体素的特征值也可以为各体素对应的二维像素的灰度值,空气对应的体素的灰度值接近0;同样地,对于MRI图像而言,各横断位图像中各体素的特征值可以为各体素对应的二维像素的灰度值,因为空气不显影,因此空气对应的体素的灰度值接近0。
S602,若体素的特征值小于或等于预设空气特征值,则识别体素为空气对应的体素。
因为各横断位图像中属于空气区域的体素的特征值与其它器官组织的特征值相差极大,可以通过各体素的特征值来判断该体素是否属于空气对应的体素。因此,通过设置空气特征值,若某一体素的特征值小于或等于预设空气特征值,则识别该体素为空气对应的体素;若某一体素的特征值大于预设空气特征值,则识别该体素不是空气对应的体素。示例性地,当特征值为CT值时,空气特征值可以为-800,也可以为-1000,-900,-750等其它可以将空气对应的体素从一般体素中区别的数值。
S603,根据各横断位图像中空气对应的体素的数目和总体素数目,计算得到各横断位图像对应的空气占比。
示例性地,原始横断位图像序列由N个横断位图像沿人体长轴方向按顺序排列,编号分别为1~N,最接近脚的方向的横断位图像编号为1,最接近头的方向的横断位图像编号为N。需要说明的是,上述空气占比的计算是在去除了背景的情况下计算得到的。在本实施例中,针对某一去除背景的横断位图像i,可以统计该横断位图像i中空气对应的体素数目ki,以及该横断位图像的总体素数目Ki,则该横断位图像i对应的空气占比为ki/Ki,其中i=1,2,...,N。综上,图像处理工作站可以获得原始横断位图像序列中各横断位图像对应的空气占比。
S402,若横断位图像对应的空气占比大于预设空气占比阈值,则识别横断位图像属于疑似冗余体数据。
因为肺部中存在大量空气,因此属于疑似冗余体数据的横断位图像对应的空气占比偏大,因此设置预设空气占比阈值,可以从原始横断位图像序列中识别出属于疑似冗余体数据的横断位图像;若横断位图像i对应的空气占比大于预设空气占比阈值,则识别横断位图像i属于疑似冗余体数据;若横断位图像i对应的空气占比小于或等于预设空气占比阈值,则识别横断位图像i不属于疑似冗余体数据;因此遍历从i=1~N的横断位图像,可以从所有横断位图像中识别出属于疑似冗余体数据的横断位图像。示例性地,预设空气占比阈值可以为0.1,也可以为0.15、0.08等其它可以将包括肺部体数据的横断位图像从一般横断位图像中区别的数值。
S403,检测疑似冗余体数据是否满足预设剔除条件。
在本实施例中,满足该预设剔除条件指的是疑似冗余体数据在整个原始体数据中占比过大,也就是说存在较大比例的肺部体数据;而且疑似冗余体数据对应的肺部体数据在整个原始体数据中的相对位置符合医学认知,可以认为该疑似冗余体数据可能识别正确,疑似冗余体数据中包括目标体数据的可能性较小。而当疑似冗余体数据满足预设剔除条件时,则意味着此时肺部体数据偏多,且疑似冗余体数据可能识别正确,疑似冗余体数据中包括目标体数据的可能性较小,可以进行剔除操作。
可选地,参照图7所示,S403可以包括:
S701,从原始横断位图像序列中获取属于疑似冗余体数据的目标横断位图像的第一数目,以及获取目标横断位图像在预设的人体长轴方向上的平均坐标。
在本实施例中,目标横断位图像为属于疑似冗余体数据的各横断位图像;上述平均坐标为目标横断位图像中各横断位图像在预设的人体长轴方向上的坐标的平均值。在一种实施方式中,各横断位图像在预设的人体长轴方向上的坐标可以为各横断位图像的编号,当然也可以为能够表征各横断位图像在原始横断位图像序列中的位置信息的其它类型坐标。示例性地,N=10,图像处理工作站可以识别属于疑似冗余体数据的各横断位图像,例如目标横断位图像为编号分别为7,8,9,10的横断位图像,则统计得到目标横断位图像的第一数目为4,目标横断位图像在预设的人体长轴方向上的平均坐标为8.5。
在本实施例中,上述平均坐标是用来表征疑似冗余体数据在整个原始体数据中的位置。为目标横断位图像在预设的人体长轴方向上的1/2处的坐标;因此同样地,可以采用其它特征坐标来表征疑似冗余体数据在整个原始体数据中的位置,因此在本实施例的一种方式中,可以采用特征坐标来代替上述平均坐标,例如该特征坐标可以是目标横断位图像在预设的人体长轴方向上的1/3处的坐标(接近脚的方向)、1/4处的坐标(接近脚的方向)。
S702,根据第一数目和平均坐标,确定疑似冗余体数据是否满足预设剔除条件。
上述第一数目可以表征疑似冗余体数据在整个原始体数据中的占比,而上述平均坐标可以表征疑似冗余体数据在整个原始体数据中的位置,因此可以根据第一数目和平均坐标,确定疑似冗余体数据是否满足预设剔除条件。
具体地,参照图8所示,S702可以包括:
S801,根据第一数目和原始横断位图像序列的切片间隔,确定第一特征长度,并判断第一特征长度是否大于预设的肺部特征长度,得到第一判断结果。
可以理解的是,上述第一特征长度为原始体数据中肺部体数据在人体长轴方向上的特征长度,可以通过第一数目和切片间隔的乘积获得,当然也可以对属于疑似冗余体数据的各目标横断位图像对应的切片间隔求和得到;上述预设的肺部特征长度为本实施例中一种实施方式所处理的原始体数据中肺部体数据的特征长度的下限值;也就是说当该第一特征长度大于预设的肺部特征长度时,意味着疑似冗余体数据在整个原始体数据中占比较大,即存在较大比例的肺部体数据,则需要进行剔除操作,减少待处理体数据的数据量;当该第一特征长度小于或等于预设的肺部特征长度时,意味着疑似冗余体数据在整个原始体数据中占比较小,可以不进行剔除操作。示例性地,预设的肺部特征长度可以为110mm;此外,因为目前通过CT技术获得的腹部体数据常常包含肺部下段体数据,因此该预设的肺部特征长度可以按照该腹部体数据中肺部下段体数据在人体长轴方向上的特征长度来设置。
S802,根据平均坐标,统计原始横断位图像序列中坐标小于或者等于平均坐标的横断位图像的第二数目,并判断第二数目和原始横断位图像序列中横断位图像的总数目的比值是否大于预设比值,得到第二判断结果。
可以理解的是,上述平均坐标相当于在人体长轴方向上肺部区域的中间位置的坐标,因此上述第二数目与上述总数目的比值可以理解为在人体长轴方向上肺部体数据相对于原始体数据中的相对位置的值,具体地,为在人体长轴方向上肺部区域相对于胸腹部区域的相对位置。而通过大量医学图像可以计算得到,在人体长轴方向上肺部区域相对于胸腹部区域的相对位置的标准值,即肺部区域的中间位置到胸腹部区域的底层在人体长轴方向上的长度与胸腹部区域在人体长轴方向上的长度的比值。因此可以将上述相对位置的标准值作为上述预设比值,例如为0.6;此时,意味着该平均坐标对应的位置在人体长轴方向上位于腹部体数据上方,与肺部位于腹部上方的认知一致。示例性地,参照上述示例中平均坐标为8.5的情况,此时第二数目为8,总数目为10,则此时第二判断结果为第二数目和总数目的比值0.8大于预设比值0.6。
S803,若第一判断结果为第一特征长度大于预设的肺部特征长度,且第二判断结果为第二数目和总数目的比值大于预设比值,确定疑似冗余体数据满足预设剔除条件。
若第一判断结果为第一特征长度小于或等于预设的肺部特征长度,则不满足预设剔除条件;也就是说,肺部体数据偏少,可以不进行剔除操作。若第二判断结果为第二数目和总数目的比值小于或等于预设比值,则不满足预设剔除条件;也就是说,肺部体数据相对于原始体数据中的相对位置定位错误,与医学认知不符,疑似冗余体数据可能识别错误,可能包括部分目标体数据,因此可以不进行剔除操作,避免剔除掉部分目标体数据。
S404,若疑似冗余体数据满足预设剔除条件,从原始体数据中剔除疑似冗余体数据,得到包括目标体数据的待处理体数据,并对待处理体数据进行图像分割处理,得到目标体数据。
需要说明的是,在疑似冗余体数据满足预设剔除条件之后,图像处理工作站才从原始体数据中剔除疑似冗余体数据,降低了在剔除疑似冗余体数据同时剔除掉部分目标体数据的可能性,提高了得到完整目标体数据的概率。
可选地,从原始体数据中剔除疑似冗余体数据,得到包括目标体数据的待处理体数据,包括:从原始体数据中剔除目标冗余体数据,得到包括目标体数据的待处理体数据;目标冗余体数据为疑似冗余体数据中坐标大于平均坐标的横断位图像。可以理解的是,上述目标冗余体数据相当于在人体长轴方向肺部体数据中位于肺部中间区域以上的肺部体数据,而不会包括目标体数据,因此为确定的冗余体数据,而非疑似冗余体数据。因此,上述实施方式可以达到剔除部分肺部体数据,降低图像处理资源的效果;同时避免了对目标体数据的剔除,可以得到完整的目标体数据。相当于采用上述平均坐标作为分割位,参照图9b中第一幅图中的分割位所示的分割线,将在人体长轴方向上位于分割位以上的横断位图像作为确定的目标冗余体数据,并进行剔除,如图9b中第二幅图所示,得到相当于腹部体数据的待处理体数据,最后对待处理体数据进行图像分割处理,如图9b中第三幅图所示,得到结肠体数据。
在本实施方式中,参照图9a、图9b,以及图10所示,针对图9a所示的胸腹部体数据,图像处理工作站可以利用在胸腹部体数据中各横断位图像的左右上下4个边缘设置空气种子点,通过区域生长方法,剔除体外空气;然后通过统计各横断位图像中空气对应的体素与各图像大小(即各图像的总体素数目)的比值,统计该比值大于预设空气占比阈值a的目标横断位图像的第一数目,以及目标横断位图像在z方向(人体长轴方向)所占的高度(第一特征长度);当第一特征长度大于预设的肺部特征长度b时,则可以进一步计算目标横断位图像的平均z坐标Z,并判断Z是否位于图像volume(即腹部体数据)上方,即是否满足医学认知;当满足医学认知时,可以根据Z截取z坐标小于Z的横断位图像作为待处理体数据,按照正常结肠分割流程进行分割,得到结肠体数据,然后根据该结肠体数据可以进行后续的结肠诊断、电子清肠等操作。而当疑似冗余体数据不满足预设剔除条件时,则图像处理工作站可以对原始体数据进行图像分割处理,得到目标体数据。
上述体数据处理方法中,通过计算原始横断位图像序列中各横断位图像对应的空气占比,若横断位图像对应的空气占比大于预设空气占比阈值,则识别横断位图像属于疑似冗余体数据,然后检测疑似冗余体数据是否满足预设剔除条件,若疑似冗余体数据满足预设剔除条件,则从原始体数据中剔除疑似冗余体数据,得到包括目标体数据的待处理体数据,因此后续可以从待处理体数据中分割出目标体数据,相比于原来从原始体数据中分割出目标体数据的处理过程而言,减少了需要处理的数据量,进而减少了资源占用和处理时间;同时,疑似冗余体数据满足预设剔除条件,意味着此时肺部体数据偏多,且疑似冗余体数据可能识别正确,疑似冗余体数据中包括目标体数据的可能性较小,可以进行剔除操作,因此降低了在剔除疑似冗余体数据同时剔除掉部分目标体数据的可能性,提高了得到完整目标体数据的概率;进一步地,在本实施例中,可以计算属于疑似冗余体数据的目标横断位图像在预设的人体长轴方向上的平均坐标,以该平均坐标作为分割位,剔除确定属于目标冗余体数据的横断位图像,在降低图像处理资源的同时,可以保证得到完整的目标体数据。
应该理解的是,虽然图2,4,6-8的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2,4,6-8中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图11所示,提供了一种体数据处理装置11,可以包括:识别模块111和分割模块112,其中:
识别模块111,用于从原始体数据中识别疑似冗余体数据;原始体数据包括目标体数据,疑似冗余体数据包括肺部体数据;
分割模块112,用于从原始体数据中剔除疑似冗余体数据,得到包括目标体数据的待处理体数据,并对待处理体数据进行图像分割处理,得到目标体数据。
可选地,目标体数据包括但不限于以下内容中的至少一种:结肠体数据、小肠体数据。
可选地,参照图12所示,在上述图11的基础上,若体数据包括横断位图像序列,则识别模块111,可以包括:
空气占比计算单元1111,用于计算原始横断位图像序列中各横断位图像对应的空气占比;
识别单元1112,用于若横断位图像对应的空气占比大于预设空气占比阈值,则识别横断位图像属于疑似冗余体数据。
具体地,空气占比计算单元1111可以用于获取原始横断位图像序列中各横断位图像中各体素的特征值;若体素的特征值小于或等于预设空气特征值,则识别体素为空气对应的体素;根据各横断位图像中空气对应的体素的数目和总体素数目,计算得到各横断位图像对应的空气占比。
可选地,参照图12所示,上述装置还可以包括:
检测模块113,用于检测疑似冗余体数据是否满足预设剔除条件;
判断执行模块114,用于若疑似冗余体数据满足预设剔除条件,则执行从原始体数据中剔除疑似冗余体数据,得到包括目标体数据的待处理体数据,并对待处理体数据进行图像分割处理,得到目标体数据的步骤。
可选地,参照图12所示,若体数据包括横断位图像序列,则检测模块113可以包括:
检测参数计算单元1131,用于从原始横断位图像序列中获取属于疑似冗余体数据的目标横断位图像的第一数目,以及获取目标横断位图像在预设的人体长轴方向上的平均坐标;
检测参数判断单元1132,根据第一数目和平均坐标,确定疑似冗余体数据是否满足预设剔除条件。
具体地,检测参数判断单元1132可以用于根据第一数目和原始横断位图像序列的切片间隔,确定第一特征长度,并判断第一特征长度是否大于预设的肺部特征长度,得到第一判断结果;根据平均坐标,统计原始横断位图像序列中坐标小于或者等于平均坐标的横断位图像的第二数目,并判断第二数目和原始横断位图像序列中横断位图像的总数目的比值是否大于预设比值,得到第二判断结果;若第一判断结果为第一特征长度大于预设的肺部特征长度,且第二判断结果为第二数目和总数目的比值大于预设比值,确定疑似冗余体数据满足预设剔除条件。
具体地,参照图12所示,分割模块112可以包括:分割单元1121,用于从原始体数据中剔除目标冗余体数据,得到包括目标体数据的待处理体数据;目标冗余体数据为疑似冗余体数据中坐标大于平均坐标的横断位图像。
可选地,原始体数据为胸腹部体数据。
上述体数据处理装置中,通过从原始体数据中识别出包括肺部体数据的疑似冗余体数据,然后从原始体数据中剔除疑似冗余体数据,得到包括目标体数据的待处理体数据,因此后续可以从待处理体数据中分割出目标体数据,相比于原来从原始体数据中分割出目标体数据的处理过程而言,减少了需要处理的数据量,进而减少了资源占用和处理时间。
关于体数据处理装置的具体限定可以参见上文中对于体数据处理方法的限定,在此不再赘述。上述体数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种图像处理工作站,该图像处理工作站可以是终端,其内部结构图可以如图13所示。该图像处理工作站包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该图像处理工作站的处理器用于提供计算和控制能力。该图像处理工作站的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该图像处理工作站的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种体数据处理方法。该图像处理工作站的显示屏可以是液晶显示屏或者电子墨水显示屏,该图像处理工作站的输入装置可以是显示屏上覆盖的触摸层,也可以是图像处理工作站外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图13中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种图像处理工作站,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
从原始体数据中识别疑似冗余体数据;原始体数据包括目标体数据,疑似冗余体数据包括肺部体数据;
从原始体数据中剔除疑似冗余体数据,得到包括目标体数据的待处理体数据,并对待处理体数据进行图像分割处理,得到目标体数据。
在一个实施例中,目标体数据包括但不限于以下内容中的至少一种:结肠体数据、小肠体数据。
在一个实施例中,若体数据包括横断位图像序列,处理器执行计算机程序时还实现以下步骤:计算原始横断位图像序列中各横断位图像对应的空气占比;若横断位图像对应的空气占比大于预设空气占比阈值,则识别横断位图像属于疑似冗余体数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取原始横断位图像序列中各横断位图像中各体素的特征值;若体素的特征值小于或等于预设空气特征值,则识别体素为空气对应的体素;根据各横断位图像中空气对应的体素的数目和总体素数目,计算得到各横断位图像对应的空气占比。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:检测疑似冗余体数据是否满足预设剔除条件;若疑似冗余体数据满足预设剔除条件,则执行从原始体数据中剔除疑似冗余体数据,得到包括目标体数据的待处理体数据,并对待处理体数据进行图像分割处理,得到目标体数据的步骤。
在一个实施例中,若体数据包括横断位图像序列,处理器执行计算机程序时还实现以下步骤:从原始横断位图像序列中获取属于疑似冗余体数据的目标横断位图像的第一数目,以及获取目标横断位图像在预设的人体长轴方向上的平均坐标;根据第一数目和平均坐标,确定疑似冗余体数据是否满足预设剔除条件。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据第一数目和原始横断位图像序列的切片间隔,确定第一特征长度,并判断第一特征长度是否大于预设的肺部特征长度,得到第一判断结果;根据平均坐标,统计原始横断位图像序列中坐标小于或者等于平均坐标的横断位图像的第二数目,并判断第二数目和原始横断位图像序列中横断位图像的总数目的比值是否大于预设比值,得到第二判断结果;若第一判断结果为第一特征长度大于预设的肺部特征长度,且第二判断结果为第二数目和总数目的比值大于预设比值,确定疑似冗余体数据满足预设剔除条件。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:从原始体数据中剔除目标冗余体数据,得到包括目标体数据的待处理体数据;目标冗余体数据为疑似冗余体数据中坐标大于平均坐标的横断位图像。
在一个实施例中,原始体数据为胸腹部体数据。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
从原始体数据中识别疑似冗余体数据;原始体数据包括目标体数据,疑似冗余体数据包括肺部体数据;
从原始体数据中剔除疑似冗余体数据,得到包括目标体数据的待处理体数据,并对待处理体数据进行图像分割处理,得到目标体数据。
在一个实施例中,目标体数据包括但不限于以下内容中的至少一种:结肠体数据、小肠体数据。
在一个实施例中,若体数据包括横断位图像序列,计算机程序被处理器执行时还实现以下步骤:计算原始横断位图像序列中各横断位图像对应的空气占比;若横断位图像对应的空气占比大于预设空气占比阈值,则识别横断位图像属于疑似冗余体数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取原始横断位图像序列中各横断位图像中各体素的特征值;若体素的特征值小于或等于预设空气特征值,则识别体素为空气对应的体素;根据各横断位图像中空气对应的体素的数目和总体素数目,计算得到各横断位图像对应的空气占比。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:检测疑似冗余体数据是否满足预设剔除条件;若疑似冗余体数据满足预设剔除条件,则执行从原始体数据中剔除疑似冗余体数据,得到包括目标体数据的待处理体数据,并对待处理体数据进行图像分割处理,得到目标体数据的步骤。
在一个实施例中,若体数据包括横断位图像序列,计算机程序被处理器执行时还实现以下步骤:从原始横断位图像序列中获取属于疑似冗余体数据的目标横断位图像的第一数目,以及获取目标横断位图像在预设的人体长轴方向上的平均坐标;根据第一数目和平均坐标,确定疑似冗余体数据是否满足预设剔除条件。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据第一数目和原始横断位图像序列的切片间隔,确定第一特征长度,并判断第一特征长度是否大于预设的肺部特征长度,得到第一判断结果;根据平均坐标,统计原始横断位图像序列中坐标小于或者等于平均坐标的横断位图像的第二数目,并判断第二数目和原始横断位图像序列中横断位图像的总数目的比值是否大于预设比值,得到第二判断结果;若第一判断结果为第一特征长度大于预设的肺部特征长度,且第二判断结果为第二数目和总数目的比值大于预设比值,确定疑似冗余体数据满足预设剔除条件。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:从原始体数据中剔除目标冗余体数据,得到包括目标体数据的待处理体数据;目标冗余体数据为疑似冗余体数据中坐标大于平均坐标的横断位图像。
在一个实施例中,原始体数据为胸腹部体数据。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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。
以上所述实施例仅表达了本申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种体数据处理方法,其特征在于,所述方法包括:
从原始体数据中识别疑似冗余体数据;所述原始体数据包括目标体数据,所述疑似冗余体数据包括肺部体数据;
从原始横断位图像序列中获取属于所述疑似冗余体数据的目标横断位图像的第一数目,以及获取所述目标横断位图像在预设的人体长轴方向上的平均坐标;
根据所述第一数目和所述平均坐标,检测所述疑似冗余体数据是否满足预设剔除条件;
若所述疑似冗余体数据满足所述预设剔除条件,则从所述原始体数据中剔除所述疑似冗余体数据,得到包括所述目标体数据的待处理体数据,并对所述待处理体数据进行图像分割处理,得到所述目标体数据。
2.根据权利要求1所述的方法,其特征在于,所述目标体数据包括但不限于以下内容中的至少一种:结肠体数据、小肠体数据。
3.根据权利要求1或2所述的方法,其特征在于,若所述体数据包括横断位图像序列,则所述从原始体数据中识别疑似冗余体数据,包括:
计算所述原始横断位图像序列中各横断位图像对应的空气占比;
若所述横断位图像对应的空气占比大于预设空气占比阈值,则识别所述横断位图像属于疑似冗余体数据。
4.根据权利要求3所述的方法,其特征在于,所述计算原始横断位图像序列中各横断位图像对应的空气占比,包括:
获取所述原始横断位图像序列中各横断位图像中各体素的特征值;
若所述体素的特征值小于或等于预设空气特征值,则识别所述体素为空气对应的体素;
根据各所述横断位图像中空气对应的体素的数目和总体素数目,计算得到各所述横断位图像对应的空气占比。
5.根据权利要求1所述的方法,其特征在于,根据所述第一数目和所述平均坐标,确定所述疑似冗余体数据是否满足预设剔除条件,包括:
根据所述第一数目和所述原始横断位图像序列的切片间隔,确定第一特征长度,并判断所述第一特征长度是否大于预设的肺部特征长度,得到第一判断结果;
根据所述平均坐标,统计所述原始横断位图像序列中坐标小于或者等于所述平均坐标的横断位图像的第二数目,并判断所述第二数目和所述原始横断位图像序列中横断位图像的总数目的比值是否大于预设比值,得到第二判断结果;
若所述第一判断结果为所述第一特征长度大于预设的肺部特征长度,且所述第二判断结果为所述第二数目和所述总数目的比值大于预设比值,确定所述疑似冗余体数据满足所述预设剔除条件。
6.根据权利要求5所述的方法,其特征在于,所述从所述原始体数据中剔除满足所述预设剔除条件的所述疑似冗余体数据,得到包括所述目标体数据的待处理体数据,包括:
从所述原始体数据中剔除满足所述预设剔除条件的目标冗余体数据,得到包括所述目标体数据的待处理体数据;所述目标冗余体数据为所述疑似冗余体数据中坐标大于所述平均坐标的横断位图像。
7.根据权利要求1所述的方法,其特征在于,所述原始体数据为胸腹部体数据。
8.一种体数据处理装置,其特征在于,所述装置包括:
识别模块,用于从原始体数据中识别疑似冗余体数据;所述原始体数据包括目标体数据,所述疑似冗余体数据包括肺部体数据;
检测模块,用于从原始横断位图像序列中获取属于所述疑似冗余体数据的目标横断位图像的第一数目,以及获取所述目标横断位图像在预设的人体长轴方向上的平均坐标;根据所述第一数目和所述平均坐标,检测所述疑似冗余体数据是否满足预设剔除条件;
分割模块,用于若所述疑似冗余体数据满足所述预设剔除条件,则从所述原始体数据中剔除所述疑似冗余体数据,得到包括所述目标体数据的待处理体数据,并对所述待处理体数据进行图像分割处理,得到所述目标体数据。
9.一种图像处理工作站,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811291588.5A CN109447974B (zh) | 2018-10-31 | 2018-10-31 | 体数据处理方法、装置、图像处理工作站和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811291588.5A CN109447974B (zh) | 2018-10-31 | 2018-10-31 | 体数据处理方法、装置、图像处理工作站和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109447974A CN109447974A (zh) | 2019-03-08 |
CN109447974B true CN109447974B (zh) | 2022-01-25 |
Family
ID=65549523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811291588.5A Active CN109447974B (zh) | 2018-10-31 | 2018-10-31 | 体数据处理方法、装置、图像处理工作站和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447974B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111358492A (zh) * | 2020-02-28 | 2020-07-03 | 深圳开立生物医疗科技股份有限公司 | 一种四维造影图像生成方法、装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7751607B2 (en) * | 2002-10-18 | 2010-07-06 | Cornell Research Foundation, Inc. | System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans |
CN102208105A (zh) * | 2010-03-31 | 2011-10-05 | 富士胶片株式会社 | 医学图像处理技术 |
CN103222876A (zh) * | 2012-01-30 | 2013-07-31 | 株式会社东芝 | 医用图像处理装置、图像诊断装置、计算机系统以及医用图像处理方法 |
CN103985122A (zh) * | 2014-05-17 | 2014-08-13 | 清华大学深圳研究生院 | 基于心脏ct图像的全心脏提取方法 |
CN104112265A (zh) * | 2013-04-16 | 2014-10-22 | 上海联影医疗科技有限公司 | 结肠图像分割方法及装置 |
CN104143184A (zh) * | 2013-05-10 | 2014-11-12 | 上海联影医疗科技有限公司 | 一种肺部分割的方法 |
CN105678746A (zh) * | 2015-12-30 | 2016-06-15 | 上海联影医疗科技有限公司 | 一种医学图像中肝脏范围的定位方法及装置 |
CN105828875A (zh) * | 2013-10-16 | 2016-08-03 | 皇家飞利浦有限公司 | 利用生物机械模型估计器官的位置 |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
CN107392976A (zh) * | 2017-07-31 | 2017-11-24 | 上海联影医疗科技有限公司 | 数据处理方法、装置及设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292351B (zh) * | 2017-08-07 | 2019-09-13 | 北京深睿博联科技有限责任公司 | 一种结节的匹配方法及装置 |
CN108257134B (zh) * | 2017-12-21 | 2022-08-23 | 深圳大学 | 基于深度学习的鼻咽癌病灶自动分割方法和系统 |
-
2018
- 2018-10-31 CN CN201811291588.5A patent/CN109447974B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7751607B2 (en) * | 2002-10-18 | 2010-07-06 | Cornell Research Foundation, Inc. | System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans |
CN102208105A (zh) * | 2010-03-31 | 2011-10-05 | 富士胶片株式会社 | 医学图像处理技术 |
CN103222876A (zh) * | 2012-01-30 | 2013-07-31 | 株式会社东芝 | 医用图像处理装置、图像诊断装置、计算机系统以及医用图像处理方法 |
CN104112265A (zh) * | 2013-04-16 | 2014-10-22 | 上海联影医疗科技有限公司 | 结肠图像分割方法及装置 |
CN104143184A (zh) * | 2013-05-10 | 2014-11-12 | 上海联影医疗科技有限公司 | 一种肺部分割的方法 |
CN105828875A (zh) * | 2013-10-16 | 2016-08-03 | 皇家飞利浦有限公司 | 利用生物机械模型估计器官的位置 |
CN103985122A (zh) * | 2014-05-17 | 2014-08-13 | 清华大学深圳研究生院 | 基于心脏ct图像的全心脏提取方法 |
CN105678746A (zh) * | 2015-12-30 | 2016-06-15 | 上海联影医疗科技有限公司 | 一种医学图像中肝脏范围的定位方法及装置 |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
CN107392976A (zh) * | 2017-07-31 | 2017-11-24 | 上海联影医疗科技有限公司 | 数据处理方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
医学影像计算机辅助检测与诊断系统综述;郑光远,刘峡壁,韩光辉;《软件学报》;20180111;第1471-1514页 * |
基于CT影像的肺叶自动分割算法研究;翁馨;《万方数据》;20150817;第2-3章 * |
Also Published As
Publication number | Publication date |
---|---|
CN109447974A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993726B (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
CN111080584B (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
US9996922B2 (en) | Image processing of organs depending on organ intensity characteristics | |
CN110459319B (zh) | 基于人工智能的乳腺钼靶图像的辅助诊断系统 | |
US8218848B2 (en) | System and method for the generation of attenuation correction maps from MR images | |
US8229200B2 (en) | Methods and systems for monitoring tumor burden | |
CN113610845B (zh) | 肿瘤局部控制预测模型的构建方法、预测方法及电子设备 | |
CN111047591A (zh) | 基于深度学习的病灶体积测量方法、系统、终端及存储介质 | |
US20150356730A1 (en) | Quantitative predictors of tumor severity | |
EP2620909B1 (en) | Method, system and computer readable medium for automatic segmentation of a medical image | |
CN111340825B (zh) | 一种纵膈淋巴结分割模型的生成方法及系统 | |
CN108564044B (zh) | 一种确定肺结节密度的方法及装置 | |
US20090016589A1 (en) | Computer-Assisted Detection of Colonic Polyps Using Convex Hull | |
EP3722996A2 (en) | Systems and methods for processing 3d anatomical volumes based on localization of 2d slices thereof | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
US7835555B2 (en) | System and method for airway detection | |
CN111260636A (zh) | 模型训练方法及设备、图像处理方法及设备以及介质 | |
US11935234B2 (en) | Method for detecting abnormality, non-transitory computer-readable recording medium storing program for detecting abnormality, abnormality detection apparatus, server apparatus, and method for processing information | |
CN109447974B (zh) | 体数据处理方法、装置、图像处理工作站和可读存储介质 | |
CN111145140B (zh) | 使用深度学习确定肺结节的恶性程度 | |
CN110992312B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
Dovganich et al. | Automatic quality control in lung X-ray imaging with deep learning | |
CN114037775B (zh) | 骨骼结构生长方法、装置、电子设备及存储介质 | |
CN111210897B (zh) | 处理医学图像 | |
Zimeras | Brain segmentation tools under uncertain conditions for radiotherapy treatment planning |
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 | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |