CN109598745B - 图像配准方法、装置和计算机设备 - Google Patents
图像配准方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN109598745B CN109598745B CN201811586820.8A CN201811586820A CN109598745B CN 109598745 B CN109598745 B CN 109598745B CN 201811586820 A CN201811586820 A CN 201811586820A CN 109598745 B CN109598745 B CN 109598745B
- Authority
- CN
- China
- Prior art keywords
- registration
- image
- floating image
- modality
- floating
- 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
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- 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
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明涉及一种图像配准方法、装置、计算机设备和可读存储介质。该方法可以包括：获取待配准的浮动图像和参考图像；所述浮动图像和所述参考图像为两个不同模态的图像；根据所述浮动图像、所述参考图像和预先训练的配准模型，获取配准结果；所述配准模型用于对不同模态的图像进行配准。利用该图像配准方法，计算机设备可以根据预先训练的用于对不同模态的图像进行配准的配准模型，解决了现有图像配准技术中无法对跨模态图像进行配准的问题；另外，利用预先训练的配准模型对两个不同模态的图像进行配准，不需要额外的参数调节，提高了图像配准的配准效率与鲁棒性，同时根据配准模型对图像配准也提高了配准图像的配准准确度。
Description
技术领域
本发明涉及图像领域，特别是涉及一种图像配准方法、装置和计算机设备。
背景技术
不同的医学图像能够反映出不同的人体解剖结构信息，医学临床上通常需要对不同的医学图像进行准确有效的配准，将不同的医学图像信息进行有效的融合，使得在临床疾病诊断或治疗上能够充分考虑不同的医学图像中互补的解剖结构信息。不同的医学图像配准对临床诊疗的精准化和智能化发展具有重要意义。根据不同的临床应用，需要实现图像配准的图像模态包含但不局限于计算机断层扫描(Computed Tomography,CT)图像，磁共振(Magnetic Resonance Imaging,MRI)图像，正电子发射计算机断层扫描(PositronEmission Tomography,PET)图像，超声(Ultrasound)图像，功能磁共振(functionalMagnetic Resonance Imaging,fMRI)图像等。
现有的图像配准技术采用基于深度学习的无监督学习模型，在无监督学习模型中引入空间变换网络，将浮动图像通过模型输出的变形场进行空间变换得到配准后的图像，通过评估配准后的图像与参考图像间的非相似度定义损失函数，实现配准模型的训练，根据训练模型估计出变形场，实现相同模态图像的配准，其中，参考图像与配准后图像的非相似度是根据参考图像与配准后图像的相似度得到的。
但是，现有的图像配准技术存在无法解决非线性跨模态图像的配准问题。
发明内容
基于此，有必要针对现有的图像配准技术，存在无法解决非线性跨模态图像的配准问题，提供一种图像配准方法、装置和计算机设备。
第一方面，本发明实施例提供一种图像配准方法，所述方法包括：
获取待配准的浮动图像和参考图像；所述浮动图像和所述参考图像为两个不同模态的图像；
根据所述浮动图像、所述参考图像和预先训练的配准模型，获取配准结果；所述配准模型用于对不同模态的图像进行配准。
在其中一个实施例中，所述方法还包括：
采用预设的无监督方法或半监督方法，对预设的前向配准网络和预设的后向配准网络进行迭代训练，得到所述配准模型。
在其中一个实施例中，所述采用预设的无监督方法，对预设的前向配准网络和预设的后向配准网络进行迭代训练，得到所述配准模型，包括：
采用预设的第一训练模式和第二训练模式，对预设的前向配准网络和预设的后向配准网络进行迭代训练，得到所述配准模型；
其中，所述第一训练模式为先前向配准网络再后向配准网络的训练方式，所述第二训练模式为先后向配准网络再前向配准网络的训练方式。
在其中一个实施例中，所述采用预设的第一训练模式，对预设的前向配准网络和预设的后向配准网络进行训练，包括：
将第一浮动图像和第一参考图像输入所述前向配准网络，得到第一配准浮动图像；所述第一参考图像的模态为模态一，所述第一浮动图像的模态为模态二；所述第一配准浮动图像的模态与所述第一浮动图像的模态相同；
将所述第一配准浮动图像确定为所述后向配准网络的第二参考图像；
将所述第二参考图像和第二浮动图像输入所述后向配准网络，得到第二配准浮动图像；所述第二浮动图像的模态为模态一；所述第二配准浮动图像的模态与所述第二浮动图像的模态相同；
根据所述第二配准浮动图像和所述第一参考图像，获取所述第二配准浮动图像与所述第一参考图像间的第一相似度，根据所述第一相似度对所述前向配准网络、所述后向配准网络进行训练。
在其中一个实施例中，所述根据所述第一相似度对所述前向配准网络、所述后向配准网络进行训练，包括：
将所述第一相似度确定为所述第二配准浮动图像的第一准确度，根据所述第一准确度指导所述前向配准网络和所述后向配准网络的训练。
在其中一个实施例中，所述采用预设的第二训练模式，对预设的前向配准网络和预设的后向配准网络进行训练，包括：
将所述第一浮动图像确定为所述后向配准网络的第三参考图像、将所述第一参考图像确定为所述后向配准网络的第三浮动图像，将所述第三浮动图像和所述第三参考图像输入所述后向配准网络，得到第三配准浮动图像；所述第三参考图像的模态为模态二，所述第三浮动图像的模态为模态一；所述第三配准浮动图像的模态与所述第三浮动图像的模态相同；
将所述第三配准浮动图像确定为所述前向配准网络的第四参考图像；
将所述第四参考图像和第四浮动图像输入所述前向配准网络，得到第四配准浮动图像；所述第四浮动图像的模态为模态二；所述第四配准浮动图像的模态与所述第四浮动图像的模态相同；
根据所述第四配准浮动图像和所述第三参考图像，获取所述第四配准浮动图像与所述第三参考图像间的第二相似度，根据所述第二相似度对所述后向配准网络、所述前向配准网络进行训练。
在其中一个实施例中，所述根据所述第二相似度对所述后向配准网络、所述前向配准网络进行训练，包括：
将所述第二相似度确定为所述第四配准浮动图像的第二准确度，根据所述第二准确度指导所述后向配准网络和所述前向配准网络的训练。
在其中一个实施例中，所述采用预设的第一训练模式和第二训练模式，对预设的前向配准网络和预设的后向配准网络进行迭代训练，得到所述配准模型，还包括：
根据所述第一相似度获取所述第一训练模式的第一损失函数的值，根据所述第二相似度获取所述第二训练模式的第二损失函数的值；
将所述第一损失函数的值和所述第二损失函数的值达到稳定值时对应的前向配准网络和后向配准网络，确定为所述配准模型。
第二方面，本发明实施例提供一种图像配准装置，所述装置包括：
第一获取模块，用于获取待配准的浮动图像和参考图像；所述浮动图像和所述参考图像为两个不同模态的图像；
第二获取模块，用于根据所述浮动图像、所述第一参考图像和预先训练的配准模型，获取配准参数与配准后的图像；所述配准模型用于对不同模态的图像进行配准。
第三方面，本发明实施例提供一种计算机设备，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：
获取待配准的浮动图像和参考图像；所述浮动图像和所述参考图像为两个不同模态的图像；
根据所述浮动图像、所述参考图像和预先训练的配准模型，获取配准结果；所述配准模型用于对不同模态的图像进行配准。
上述实施例提供的图像配准方法、装置和计算机设备中，计算机设备获取待配准的浮动图像和参考图像；所述浮动图像和所述参考图像为两个不同模态的图像；根据所述浮动图像、所述参考图像和预先训练的配准模型，获取配准结果；所述配准模型用于对不同模态的图像进行配准。利用该图像配准方法，计算机设备可以根据预先训练的用于对不同模态的图像进行配准的配准模型，对两个不同模态的浮动图像和参考图像进行配准，解决了现有图像配准技术中无法对跨模态图像进行配准的问题；另外，利用预先训练的配准模型对两个不同模态的图像进行配准，不需要额外的参数调节，提高了图像配准的配准效率与鲁棒性，同时根据配准模型对图像配准也提高了配准准确度。
附图说明
图1为一个实施例提供的计算机设备的内部结构示意图；
图2为一个实施例提供的图像配准方法的流程示意图；
图3为另一个实施例提供的图像配准方法的流程示意图；
图4为一个实施例提供的第一训练模式的训练过程示意图；
图5为另一个实施例提供的图像配准方法的流程示意图；
图6为一个实施例提供的第二训练模式的训练过程示意图；
图7为另一个实施例提供的图像配准方法的流程示意图；
图8为一个实施例提供的图像配准装置结构示意图；
图9为一个实施例提供的图像配准装置结构示意图；
图10为一个实施例提供的图像配准装置结构示意图；
图11为一个实施例提供的图像配准装置结构示意图；
图12为一个实施例提供的图像配准装置结构示意图。
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。
本申请实施例提供的图像配准方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备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。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是服务器，可以是PC，还可以是个人数字助理，还可以是其他的终端设备，例如PAD、手机等等，还可以是云端或者远程服务器，具体的，该计算机设备可以设置至少一个显卡。本申请实施例对计算机设备的具体形式并不做限定。
需要说明的是，本申请实施例提供的图像配准方法，其执行主体可以是图像配准装置，该图像配准装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。
下面以具体的实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为一个实施例提供的图像配准方法的流程示意图。本实施例涉及的是计算机设备对不同模态的图形进行配准的具体实现过程。如图2所示，该方法可以包括：
S201，获取待配准的浮动图像和参考图像；所述浮动图像和所述参考图像为两个不同模态的图像。
其中，不同模态的图像是指利用不同成像原理、设备得到的图像，例如，利用计算机断层扫描(Computed Tomography,CT)，核磁共振(Magnetic Resonance Imaging,MRI)，正电子发射计算机断层扫描(Positron Emission Tomography,PET)，超声(Ultrasound)，功能磁共振(functional Magnetic Resonance Imaging,fMRI)等得到的任意两个模态的图像均是不同模态的图像，上述浮动图像指的是待配准的图像，参考图像指的是浮动图像要配准过去的图像空间。在本实施例中，可选的，计算机设备可以从PACS(PictureArchiving and Communication Systems，影像归档和通信系统)服务器中获取不同模态的待配准的浮动图像和参考图像，也可以直接从不同的医学影像设备中获取不同模态的待配准的浮动图像和参考图像。
S202，根据所述浮动图像、所述参考图像和预先训练的配准模型，获取配准结果；所述配准模型用于对不同模态的图像进行配准。
具体的，在获取了上述待配准的浮动图像和参考图像的基础上，计算机设备将浮动图像、参考图像输入预先训练的用于对不同模态的图像进行配准的配准模型中，得到配准结果。可选的，配准结果可以是配准后的浮动图像，也可以是浮动图像和参考图像之间的配准参数，之后计算机设备根据配准参数对浮动图像进行变换，得到配准后浮动图像。例如，对CT图像和MRI图像进行配准时，将CT图像作为浮动图像，将MRI图像作为参考图像，计算机设备将CT图像、MRI图像输入预先训练的配准模型中，得到配准结果，可选的，计算机设备可以直接获取配准后的CT图像，也可以获取CT图像和MRI图像间的配准参数，之后根据配准参数对CT图像进行变换，得到配准后的CT图像。可以理解的是，上述根据预先训练的配准模型获取配准结果的过程，实际为一种非线性配准过程，不同于旋转、平移、缩放及剪切变换等线性配准过程。
在本实施例中，计算机设备可以根据预先训练的用于对不同模态的图像进行配准的配准模型，对两个不同模态的浮动图像和参考图像进行配准，解决了现有图像配准技术中无法准确有效的对跨模态图像进行配准的问题；另外，利用预先训练的配准模型对两个不同模态的图像进行配准，不用每次对图像配准时都进行训练，提高了图像配准的配准效率，同时根据配准模型对图像配准也提高了配准图像的配准准确度。
在上述实施例的基础上，作为一种可选的实施方式，所述方法还包括：采用预设的无监督方法或半监督方法，对预设的前向配准网络和预设的后向配准网络进行迭代训练，得到所述配准模型。
其中，无监督方法是指利用无标注的医学图像作为训练样本图像，根据训练样本图像学习图像的分布或图像与图像间的关系；半监督方法是指利用一部分已标注的医学图像和一部分没有标注的医学图像作为训练样本图像，根据训练样本图像学习图像的分布或图像与图像间的关系。具体的，计算机设备可以采用预设的无监督方法，利用无标注的医学图像作为训练样本，对预设的前向配准网络和预设的后向配准网络进行迭代训练，学习图像的分布或图像与图像间的关系，得到用于对不同模态的图像进行配准的配准模型；或者，计算机设备可以采用预设的半监督方法，利用一部分已标注的医学图像和一部分没有标注的医学图像作为训练样本，对预设的前向配准网络和预设的后向配准网络进行迭代训练，学习图像的分布或图像与图像间的关系，用无标注的图像对模型的准确度与泛化能力进行进一步提升，得到用于对不同模态的图像进行配准的配准模型。
在本实施例中，计算机设备采用预设的无监督方法或半监督方法，对预设的前向配准网络和预设的后向配准网络进行迭代训练的训练过程十分有效，当医学图像没有标注的时候，也可以有效地完成模型的训练，提高了得到配准模型的效率，进而提高了对浮动图像进行配准的配准效率。
在上述实施例的基础上，作为一种可选的实施方式，所述采用预设的无监督方法，对预设的前向配准网络和预设的后向配准网络进行迭代训练，得到所述配准模型，包括：采用预设的第一训练模式和第二训练模式，对预设的前向配准网络和预设的后向配准网络进行迭代训练，得到所述配准模型；其中，所述第一训练模式为先前向配准网络再后向配准网络的训练方式，所述第二训练模式为先后向配准网络再前向配准网络的训练方式。
具体的，计算机设备采用预设的先训练前向配准网络再训练后向配准网络的第一训练模式和预设的先训练后向配准网络再训练前向配准网络的第二训练模式，对预设的前向配准网络和预设的后向配准网络进行迭代训练，得到配准模型。其中，前向配准网络、后向配准网络为深度学习中的卷积神经网络(Con volutional Neural Networks，CNN)。
在本实施例中，计算机设备采用预设的第一训练模式和第二训练模式，对预设的前向配准网络和后向配准网络进行迭代训练，通过迭代训练能够提高得到的用于对不同模态图像进行配准的配准模型的准确度，进而提高了根据配准模型对待配准图像进行配准的配准准确度。
图3为另一个实施例提供的图像配准方法的流程示意图。图4为一个实施例提供的第一训练模式的训练过程示意图。本实施例涉及的是计算机设备采用预设的第一训练模式，对预设的前向配准网络和预设的后向配准网络进行训练的具体实现过程。如图3所示，在上述实施例的基础上，作为一种可选的实施方式，所述采用预设的第一训练模式，对预设的前向配准网络和预设的后向配准网络进行训练，包括：
S301，将第一浮动图像和第一参考图像输入所述前向配准网络，得到第一配准浮动图像；所述第一参考图像的模态为模态一，所述第一浮动图像的模态为模态二；所述第一配准浮动图像的模态与所述第一浮动图像的模态相同。
具体的，如图4所示，计算机设备将模态一的第一参考图像和模态二的第一浮动图像输入前向配准网络，得到与第一浮动图像模态相同的第一配准浮动图像。可选的，第一参考图像和第一浮动图像可以从PACS服务器中获取，也可以直接从不同的医学影像设备中获取。例如，将MRI图像与CT图像进行配准时，将CT图像作为第一参考图像，MRI图像作为第一浮动图像输入前向配准网络，得到第一配准浮动图像，也就是配准后的MRI图像。
S302，将所述第一配准浮动图像确定为所述后向配准网络的第二参考图像。
具体的，如图4所示，计算机设备将上述第一配准浮动图像确定为后向配准网络的第二参考图像，也就是，第二参考图像的模态为模态二。对应到上述示例中，第一配准浮动图像为配准后的MRI图像。
S303，将所述第二参考图像和第二浮动图像输入所述后向配准网络，得到第二配准浮动图像；所述第二浮动图像的模态为模态一；所述第二配准浮动图像的模态与所述第二浮动图像的模态相同。
具体的，如图4所示，计算机设备先获取一幅模态为模态一的图像作为第二浮动图像，将第一配准浮动图像作为第二参考图像，再将第二参考图像和和第二浮动图像输入后向配准网络，得到与第二浮动图像模态相同的第二配准浮动图像。可选的，计算机设备可以从PACS服务器中获取第二浮动图像，也可以直接从与模态一为相同模态的医学影像设备中获取第二浮动图像。继续以上述例子为例，也就是将上述配准后的MRI图像作为第二参考图像，再获取一幅CT图像作为第二浮动图像，将MRI图像和CT图像输入后向配准网络，得到配准后的CT图像。
S304，根据所述第二配准浮动图像和所述第一参考图像，获取所述第二配准浮动图像与所述第一参考图像间的第一相似度，根据所述第一相似度对所述前向配准网络、所述后向配准网络进行训练。
具体的，计算机设备根据第二配准浮动图像和第一参考图像，获取第二配准浮动图像和第一参考图像间的第一相似度，根据第一相似度对前向配准网络和后向配准网络进行训练。其中，第一相似度为第二配准浮动图像和第一参考图像间的相似度测度。可选的，第一相似度可以是第二配准浮动图像与第一参考图像间的互相关、均方差、互信息或相关性系数等，也可是一个判别器网络，用于自动判别图像间的相似度。其中，判别器网络可以是一个简单的卷积神经网络。可选的，计算机设备可以根据第一相似度的值调整前向配准网络和后向配准网络中的参数值，对前向配准网络和后向配准网络进行训练。
在本实施例中，计算机设备将第一浮动图像和第一参考图像输入前向配准网络，得到与第一浮动图像模态相同的第一配准浮动图像，再将第一配准浮动图像作为后向配准网络的第二参考图像，将模态为模态一的第二浮动图像和第二参考图像输入后向配准网络，得到第二配准浮动图像，由于第二配准浮动图像与第一参考图像的模态相同，通过获取第二配准浮动图像与第一参考图像间的第一相似度，根据第一相似度训练前向配准网络和后向配准网络实现了不同模态图像的配准，解决了跨模态图像的配准问题。
在上述实施例的基础上，作为一种可选的实施方式，所述根据所述第一相似度对所述前向配准网络、所述后向配准网络进行训练，包括：将所述第一相似度确定为所述第二配准浮动图像的第一准确度，根据所述第一准确度指导所述前向配准网络和所述后向配准网络的训练。
具体的，计算机设备将上述获取的第一相似度确定为第二配准浮动图像的第一准确度，根据第一准确度对前向配准网络和后向配准网络进行训练。可选的，第一相似度的值越大配准准确度越高，第一相似度的的值越小配准准确度越低。
在本实施例中，计算机设备将第一相似度确定为第二配准浮动图像的第一准确度，根据第一准确度指导前向配准网络和后向配准网络的训练，由于第一准确度是根据第一相似度确定的，提高了确定的第一准确度的准确性，进而提高了根据第一准确度训练得到的前向配准网络和后向配准网络的准确性。
图5为另一个实施例提供的图像配准方法的流程示意图。图6为一个实施例提供的第二训练模式的训练过程示意图。本实施例涉及的是计算机设备采用预设的第二训练模式，对预设的前向配准网络和预设的后向配准网络进行训练的具体实现过程。如图5所示，在上述实施例的基础上，作为一种可选的实施方式，所述采用预设的第二训练模式，对预设的前向配准网络和预设的后向配准网络进行训练，包括：
S501，将所述第一浮动图像确定为所述后向配准网络的第三参考图像、将所述第一参考图像确定为所述后向配准网络的第三浮动图像，将所述第三浮动图像和所述第三参考图像输入所述后向配准网络，得到第三配准浮动图像；所述第三参考图像的模态为模态二，所述第三浮动图像的模态为模态一；所述第三配准浮动图像的模态与所述第三浮动图像的模态相同。
具体的，如图6所示，计算机设备将上述第一浮动图像确定为后向配准网络的第三参考图像、将上述第一参考图像确定为后向配准网络的第三浮动图像，也就是第三参考图像的模态为模态二、第三浮动图像的模态为模态一，之后计算机设备将第三浮动图像和第三参考图像输入后向配准网络，得到与第三浮动图像模态相同的第三配准浮动图像，即第三配准浮动图像的模态为模态一。对应到上述例子中，也就是将CT图像确定为第三浮动图像，将MRI图像确定为第三参考图像，将CT图像和MRI图像输入后向配准网络，得到第三配准浮动图像，也就是配准后的CT图像。
S502，将所述第三配准浮动图像确定为所述前向配准网络的第四参考图像。
具体的，如图6所示，计算机设备将上述第三配准浮动图像确定为后向配准网络的第四参考图像，也就是，第四参考图像的模态为模态一。对应到上述示例中，第四参考图像为配准后的CT图像。
S503，将所述第四参考图像和第四浮动图像输入所述前向配准网络，得到第四配准浮动图像；所述第四浮动图像的模态为模态二；所述第四配准浮动图像的模态与所述第四浮动图像的模态相同。
具体的，计算机设备先获取一幅模态为模态二的图像作为第四浮动图像，将第三配准浮动图像作为第四参考图像，再将第四浮动图像和第四参考图像输入前向配准网络，得到与第四浮动图像模态相同的第四配准浮动图像。可选的，计算机设备可以从PACS服务器中获取第四浮动图像，也可以直接从与模态二为相同模态的医学影像设备中获取第四浮动图像。继续以上述例子为例，也就是将上述配准后的CT图像作为第四参考图像，再获取一幅MRI图像作为第四浮动图像，将MRI图像和CT图像输入前向配准网络，得到配准后的MRI图像。
S504，根据所述第四配准浮动图像和所述第三参考图像，获取所述第四配准浮动图像与所述第三参考图像间的第二相似度，根据所述第二相似度对所述后向配准网络、所述前向配准网络进行训练。
具体的，计算机设备根据第四配准浮动图像和第三参考图像，获取第四配准浮动图像和第三参考图像间的第二相似度，根据第二相似度对后向配准网络和前向配准网络进行训练。其中，第二相似度为第四配准浮动图像和第三参考图像间的相似度测度。可选的，第二相似度可以是第四配准浮动图像与第三参考图像间的互相关、均方差、互信息或相关性系数，也可是一个判别器网络，用于自动判别图像间的相似度。其中，判别器网络可以是一个简单的卷积神经网络。可选的，计算机设备可以根据第二相似度的值调整后向配准网络和前向配准网络中的参数值，对后向配准网络和前向配准网络进行训练。
在本实施例中，计算机设备将第一浮动图像确定为后向配准网络的第三参考图像、将第一参考图像确定为后向配准网络的第三浮动图像，将第三浮动图像和第三参考图像输入后向配准网络，得到与第三浮动图像模态相同的第三配准浮动图像，再将第三配准浮动图像作为前向配准网络的第四参考图像，将模态为模态二的第四浮动图像和第四参考图像输入前向配准网络，得到第四配准浮动图像，由于第四配准浮动图像与第三参考图像的模态相同，通过获取第四配准浮动图像与第三参考图像间的第二相似度，根据第二相似度训练后向配准网络和前向配准网络实现了不同模态图像的配准，解决了跨模态图像的配准问题。
在上述实施例的基础上，作为一种可选的实施方式，所述根据所述第二相似度对所述后向配准网络、所述前向配准网络进行训练，包括：将所述第二相似度确定为所述第四配准浮动图像的第二准确度，根据所述第二准确度指导所述后向配准网络和所述前向配准网络的训练。
具体的，计算机设备将上述获取的第二相似度确定为第四配准浮动图像的第二准确度，根据第二准确度对后向配准网络和前向配准网络进行训练。可选的，第二相似度的值越大第四配准浮动图像的第二准确度越高，第二相似度的的值越小第四配准浮动图像的第二准确度越低。
在本实施例中，计算机设备将第二相似度确定为第四配准浮动图像的第二准确度，根据第二准确度指导后向配准网络和前向配准网络的训练，由于第二准确度是根据第二相似度确定的，提高了确定的第二准确度的准确性，进而提高了根据第二准确度训练得到的后向配准网络和前向配准网络的准确性。
图7为另一个实施例提供的图像配准方法的流程示意图。本实施例涉及的是计算机设备采用预设的第一训练模式和第二训练模式，对预设的前向配准网络和预设的后向配准网络进行迭代训练，得到配准模型的具体实现过程。如图7所示，在上述实施例的基础上，作为一种可选的实施方式，所述采用预设的第一训练模式和第二训练模式，对预设的前向配准网络和预设的后向配准网络进行迭代训练，得到所述配准模型，还包括：
S701，根据所述第一相似度获取所述第一训练模式的第一损失函数的值，根据所述第二相似度获取所述第二训练模式的第二损失函数的值。
其中，损失函数是图像配准模型训练过程中的目标函数，图像配准模型训练过程中的损失函数是通过图像间的非相似度定义的。具体的，计算机设备根据第一相似度获取第一训练模式的第一损失函数，根据第二相似度获取第二训练模式的第二损失函数。例如，第一相似度为第二配准浮动图像与第一参考图像间的互相关时，第一损失函数的值等于1-互相关的值；第二相似度为第四配准浮动图像与第三参考图像间的均方差时，第二损失函数的值等于1-均方差的值。
S702，将所述第一损失函数的值和所述第二损失函数的值达到稳定值时对应的前向配准网络和后向配准网络，确定为所述配准模型。
具体的，计算机设备根据上述获取的第一损失函数的值和第二损失函数的值，将第一损失函数的值和第二损失函数的值达到稳定值时，对应的前向配准网络和后向配准网络，确定为配准模型。
在本实施例中，计算机设备根据第一相似度获取第一训练模式的第一损失函数的值，根据第二相似度获取第二损失函数的值，由于第一损失函数的值和第二损失函数的值是根据相同模态图像间的相似度获取的，获取的第一损失函数的值和第二损失函数的值比较准确，提高了根据第一损失函数的值和第二损失函数的值确定的配准模型的准确度。
应该理解的是，虽然图2-7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2-7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。
图8为一个实施例提供的图像配准装置结构示意图。如图8所示，该装置可以包括：第一获取模块10和第二获取模块11。
具体的，第一获取模块10，用于获取待配准的浮动图像和参考图像；所述浮动图像和所述参考图像为两个不同模态的图像；
第二获取模块11，用于根据所述浮动图像、所述参考图像和预先训练的配准模型，获取配准结果；所述配准模型用于对不同模态的图像进行配准。
本实施例提供的图像配准装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图9为一个实施例提供的图像配准装置结构示意图。在上述实施例的基础上，可选的，如图9所示，所述装置还包括：训练模块12。
具体的，训练模块12，用于采用预设的无监督方法或半监督方法，对预设的前向配准网络和预设的后向配准网络进行迭代训练，得到所述配准模型。
本实施例提供的图像配准装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
可选的，上述训练模块12具体用于采用预设的第一训练模式和第二训练模式，对预设的前向配准网络和预设的后向配准网络进行迭代训练，得到所述配准模型；
其中，所述第一训练模式为先前向配准网络再后向配准网络的训练方式，所述第二训练模式为先后向配准网络再前向配准网络的训练方式。
本实施例提供的图像配准装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图10为一个实施例提供的图像配准装置结构示意图。在上述实施例的基础上，可选的，如图10所示，训练模块12包括第一训练单元121，用于将第一浮动图像和第一参考图像输入所述前向配准网络，得到第一配准浮动图像；所述第一参考图像的模态为模态一，所述第一浮动图像的模态为模态二；所述第一配准浮动图像的模态与所述第一浮动图像的模态相同；将所述第一配准浮动图像确定为所述后向配准网络的第二参考图像；将所述第二参考图像和第二浮动图像输入所述后向配准网络，得到第二配准浮动图像；所述第二浮动图像的模态为模态一；所述第二配准浮动图像的模态与所述第二浮动图像的模态相同；根据所述第二配准浮动图像和所述第一参考图像，获取所述第二配准浮动图像与所述第一参考图像间的第一相似度，根据所述第一相似度对所述前向配准网络、所述后向配准网络进行训练。
本实施例提供的图像配准装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第一训练单元121根据所述第一相似度对所述前向配准网络、所述后向配准网络进行训练，包括：第一训练单元121将所述第一相似度确定为所述第二配准浮动图像的第一准确度，根据所述第一准确度指导所述前向配准网络和所述后向配准网络的训练。
本实施例提供的图像配准装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图11为一个实施例提供的图像配准装置结构示意图。在上述实施例的基础上，可选的，如图11所示，训练模块12还包括第二训练单元122，用于将所述第一浮动图像确定为所述后向配准网络的第三参考图像、将所述第一参考图像确定为所述后向配准网络的第三浮动图像，将所述第三浮动图像和所述第三参考图像输入所述后向配准网络，得到第三配准浮动图像；所述第三参考图像的模态为模态二，所述第三浮动图像的模态为模态一；所述第三配准浮动图像的模态与所述第三浮动图像的模态相同；将所述第三配准浮动图像确定为所述前向配准网络的第四参考图像；将所述第四参考图像和第四浮动图像输入所述前向配准网络，得到第四配准浮动图像；所述第四浮动图像的模态为模态二；所述第四配准浮动图像的模态与所述第四浮动图像的模态相同；根据所述第四配准浮动图像和所述第三参考图像，获取所述第四配准浮动图像与所述第三参考图像间的第二相似度，根据所述第二相似度对所述后向配准网络、所述前向配准网络进行训练。
本实施例提供的图像配准装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第二训练单元122根据所述第二相似度对所述后向配准网络、所述前向配准网络进行训练，包括：第二训练单元122将所述第二相似度确定为所述第四配准浮动图像的第二准确度，根据所述第二准确度指导所述后向配准网络和所述前向配准网络的训练。
本实施例提供的图像配准装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图12为一个实施例提供的图像配准装置结构示意图。在上述实施例的基础上，可选的，如图12所示，所述装置还包括：第三获取模块13和确定模块14。
具体的，第三获取模块13，用于根据所述第一相似度获取所述第一训练模式的第一损失函数的值，根据所述第二相似度获取所述第二训练模式的第二损失函数的值；
确定模块14，用于将所述第一损失函数的值和所述第二损失函数的值达到稳定值时对应的前向配准网络和后向配准网络，确定为所述配准模型。
本实施例提供的图像配准装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于图像配准装置的具体限定可以参见上文中对于图像配准方法的限定，在此不再赘述。上述图像配准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，提供了一种计算机设备，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：
获取待配准的浮动图像和参考图像；所述浮动图像和所述参考图像为两个不同模态的图像；
根据所述浮动图像、所述参考图像和预先训练的配准模型，获取配准结果；所述配准模型用于对不同模态的图像进行配准。
上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
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：
获取待配准的浮动图像和参考图像；所述浮动图像和所述参考图像为两个不同模态的图像；
根据所述浮动图像、所述参考图像和预先训练的配准模型，获取配准结果；所述配准模型用于对不同模态的图像进行配准。
上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
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。
以上所述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)
1.一种图像配准方法，其特征在于，所述方法包括：
获取待配准的浮动图像和参考图像；所述浮动图像和所述参考图像为两个不同模态的图像；
根据所述浮动图像、所述参考图像和预先训练的配准模型，获取配准后的浮动图像；所述配准模型用于对不同模态的图像进行配准；其中，所述配准模型为采用预设的无监督方法，对预设的前向配准网络和预设的后向配准网络进行迭代训练得到的；对所述前向配准网络和所述后向配准网络进行迭代训练的过程，包括：将第一浮动图像和第一参考图像输入所述前向配准网络，得到第一配准浮动图像；所述第一参考图像的模态为模态一，所述第一浮动图像的模态为模态二；所述第一配准浮动图像的模态与所述第一浮动图像的模态相同；将所述第一配准浮动图像确定为所述后向配准网络的第二参考图像；将所述第二参考图像和第二浮动图像输入所述后向配准网络，得到第二配准浮动图像；所述第二浮动图像的模态为模态一；所述第二配准浮动图像的模态与所述第二浮动图像的模态相同；根据所述第二配准浮动图像和所述第一参考图像，获取所述第二配准浮动图像与所述第一参考图像间的第一相似度，根据所述第一相似度对所述前向配准网络、所述后向配准网络进行训练。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一相似度对所述前向配准网络、所述后向配准网络进行训练，包括：
将所述第一相似度确定为所述第二配准浮动图像的第一准确度，根据所述第一准确度指导所述前向配准网络和所述后向配准网络的训练。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
将所述第一浮动图像确定为所述后向配准网络的第三参考图像、将所述第一参考图像确定为所述后向配准网络的第三浮动图像，将所述第三浮动图像和所述第三参考图像输入所述后向配准网络，得到第三配准浮动图像；所述第三参考图像的模态为模态二，所述第三浮动图像的模态为模态一；所述第三配准浮动图像的模态与所述第三浮动图像的模态相同；
将所述第三配准浮动图像确定为所述前向配准网络的第四参考图像；
将所述第四参考图像和第四浮动图像输入所述前向配准网络，得到第四配准浮动图像；所述第四浮动图像的模态为模态二；所述第四配准浮动图像的模态与所述第四浮动图像的模态相同；
根据所述第四配准浮动图像和所述第三参考图像，获取所述第四配准浮动图像与所述第三参考图像间的第二相似度，根据所述第二相似度对所述后向配准网络、所述前向配准网络进行训练。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第二相似度对所述后向配准网络、所述前向配准网络进行训练，包括：
将所述第二相似度确定为所述第四配准浮动图像的第二准确度，根据所述第二准确度指导所述后向配准网络和所述前向配准网络的训练。
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
根据所述第一相似度获取第一损失函数的值，根据所述第二相似度获取第二损失函数的值；
将所述第一损失函数的值和所述第二损失函数的值达到稳定值时对应的前向配准网络和后向配准网络，确定为所述配准模型。
6.根据权利要求5所述的方法，其特征在于，所述第一相似度为所述第二配准浮动图像和所述第一参考图像间的相似度测度。
7.根据权利要求5所述的方法，其特征在于，所述第二相似度为所述第四配准浮动图像和所述第三参考图像间的相似度测度。
8.一种图像配准装置，其特征在于，所述装置包括：
第一获取模块，用于获取待配准的浮动图像和参考图像；所述浮动图像和所述参考图像为两个不同模态的图像；
第二获取模块，用于根据所述浮动图像、所述参考图像和预先训练的配准模型，获取配准结果；所述配准模型用于对不同模态的图像进行配准；其中，所述配准模型为采用预设的无监督方法，对预设的前向配准网络和预设的后向配准网络进行迭代训练得到的；对所述前向配准网络和所述后向配准网络进行迭代训练的过程，包括：将第一浮动图像和第一参考图像输入所述前向配准网络，得到第一配准浮动图像；所述第一参考图像的模态为模态一，所述第一浮动图像的模态为模态二；所述第一配准浮动图像的模态与所述第一浮动图像的模态相同；将所述第一配准浮动图像确定为所述后向配准网络的第二参考图像；将所述第二参考图像和第二浮动图像输入所述后向配准网络，得到第二配准浮动图像；所述第二浮动图像的模态为模态一；所述第二配准浮动图像的模态与所述第二浮动图像的模态相同；根据所述第二配准浮动图像和所述第一参考图像，获取所述第二配准浮动图像与所述第一参考图像间的第一相似度，根据所述第一相似度对所述前向配准网络、所述后向配准网络进行训练。
9.一种计算机设备，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1-7中任一项所述方法的步骤。
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，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 (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811586820.8A CN109598745B (zh) | 2018-12-25 | 2018-12-25 | 图像配准方法、装置和计算机设备 |
| PCT/CN2019/127695 WO2020135374A1 (zh) | 2018-12-25 | 2019-12-24 | 图像配准方法、装置、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811586820.8A CN109598745B (zh) | 2018-12-25 | 2018-12-25 | 图像配准方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109598745A CN109598745A (zh) | 2019-04-09 |
| CN109598745B true CN109598745B (zh) | 2021-08-17 |
Family
ID=65963463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811586820.8A Active CN109598745B (zh) | 2018-12-25 | 2018-12-25 | 图像配准方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109598745B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020135374A1 (zh) * | 2018-12-25 | 2020-07-02 | 上海联影智能医疗科技有限公司 | 图像配准方法、装置、计算机设备及可读存储介质 |
| CN109961491B (zh) * | 2019-04-12 | 2023-05-26 | 上海联影医疗科技股份有限公司 | 多模态图像截断补偿方法、装置、计算机设备和介质 |
| CN110288609B (zh) * | 2019-05-30 | 2021-06-08 | 南京师范大学 | 一种注意力机制引导的多模态全心脏图像分割方法 |
| CN110189369B (zh) * | 2019-06-05 | 2023-06-13 | 深圳大学 | 一种超声与磁共振图像融合配准方法及终端设备 |
| CN110288641A (zh) * | 2019-07-03 | 2019-09-27 | 武汉瑞福宁科技有限公司 | Pet/ct与mri脑部图像异机配准方法、装置、计算机设备及存储介质 |
| CN110838139B (zh) * | 2019-11-04 | 2022-10-25 | 上海联影智能医疗科技有限公司 | 图像配准模型的训练方法、图像配准方法和计算机设备 |
| CN111210465B (zh) * | 2019-12-31 | 2024-03-22 | 上海联影智能医疗科技有限公司 | 图像配准方法、装置、计算机设备和可读存储介质 |
| CN112102294B (zh) * | 2020-09-16 | 2024-03-01 | 推想医疗科技股份有限公司 | 生成对抗网络的训练方法及装置、图像配准方法及装置 |
| CN112132230B (zh) * | 2020-10-09 | 2024-02-20 | 腾讯科技（深圳）有限公司 | 图像分类方法及装置 |
| CN112750152B (zh) * | 2021-01-18 | 2023-04-07 | 上海联影医疗科技股份有限公司 | 图像配准方法、装置、计算机设备和存储介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102446358A (zh) * | 2012-01-17 | 2012-05-09 | 南京航空航天大学 | 基于边缘特征和cs信息的多模态医学图像配准方法 |
| EP3232403A3 (en) * | 2016-04-11 | 2017-11-29 | Goodrich Corporation | Fast multi-spectral image registration by modeling platform motion |
| CN106909778B (zh) * | 2017-02-09 | 2019-08-27 | 北京市计算中心 | 一种基于深度学习的多模态医学影像识别方法及装置 |
| CN107506797A (zh) * | 2017-08-25 | 2017-12-22 | 电子科技大学 | 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法 |
| CN107871325B (zh) * | 2017-11-14 | 2020-06-19 | 华南理工大学 | 基于Log-Euclidean协方差矩阵描述符的图像非刚性配准方法 |
| CN107977926B (zh) * | 2017-12-01 | 2021-05-18 | 新乡医学院 | 一种改进神经网络的pet/mri异机脑部影像信息融合方法 |
| CN108416802B (zh) * | 2018-03-05 | 2020-09-18 | 华中科技大学 | 一种基于深度学习的多模医学图像非刚性配准方法及系统 |
-
2018
- 2018-12-25 CN CN201811586820.8A patent/CN109598745B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109598745A (zh) | 2019-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109598745B (zh) | 图像配准方法、装置和计算机设备 | |
| US10810735B2 (en) | Method and apparatus for analyzing medical image | |
| CN109754447B (zh) | 图像生成方法、装置、设备和存储介质 | |
| KR101818074B1 (ko) | 인공지능 기반 의료용 자동 진단 보조 방법 및 그 시스템 | |
| EP3277178B1 (en) | Covariate modulate atlas | |
| CN110838139B (zh) | 图像配准模型的训练方法、图像配准方法和计算机设备 | |
| CN110599526B (zh) | 图像配准方法、计算机设备和存储介质 | |
| CN111161270A (zh) | 医学影像的血管分割方法、计算机设备和可读存储介质 | |
| CN111210465B (zh) | 图像配准方法、装置、计算机设备和可读存储介质 | |
| CN109616169B (zh) | 相似患者挖掘方法、装置、计算机设备和存储介质 | |
| US9280819B2 (en) | Image segmentation techniques | |
| JP2022533686A (ja) | Ｃｔ画像の椎骨位置決め方法、装置、機器及び媒体 | |
| CN111161269B (zh) | 图像分割方法、计算机设备和可读存储介质 | |
| CN110600107B (zh) | 医学图像的筛选方法、计算机设备及可读存储介质 | |
| CN110084868B (zh) | 图像校正方法、装置、计算机设备和可读存储介质 | |
| CN111369542A (zh) | 血管标记方法、图像处理系统和存储介质 | |
| KR102328198B1 (ko) | 인공신경망을 이용한 장기의 부피 측정 방법 및 그 장치 | |
| CN111028212B (zh) | 关键点检测方法、装置、计算机设备和存储介质 | |
| US20220036575A1 (en) | Method for measuring volume of organ by using artificial neural network, and apparatus therefor | |
| CN111325714A (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
| CN112102235B (zh) | 人体部位识别方法、计算机设备和存储介质 | |
| CN111583184A (zh) | 图像分析方法、网络、计算机设备和存储介质 | |
| CN110490841B (zh) | 计算机辅助影像分析方法、计算机设备和存储介质 | |
| CN111243052A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
| CN110796652A (zh) | 图像处理方法、计算机设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |