CN109658470B - 生成图像的系统和方法 - Google Patents
生成图像的系统和方法 Download PDFInfo
- Publication number
- CN109658470B CN109658470B CN201811554209.7A CN201811554209A CN109658470B CN 109658470 B CN109658470 B CN 109658470B CN 201811554209 A CN201811554209 A CN 201811554209A CN 109658470 B CN109658470 B CN 109658470B
- Authority
- CN
- China
- Prior art keywords
- anatomical structure
- image
- feature data
- transformation
- generating
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1039—Treatment planning systems using functional images, e.g. PET or MRI
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- 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
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了生成增强分割图像集的系统和方法。该方法可以包括:获取包括第一对象的第一解剖结构的第一图像;确定所述第一解剖结构的第一特征数据;确定与所述第一解剖结构相关的一个或以上第一变换,其中,第一变换包括变换类型和与所述变换类型相关的一个或以上变换参数;将所述一个或以上第一变换应用于所述第一解剖结构的所述第一特征数据,以生成所述第一解剖结构的第二特征数据;以及基于所述第一解剖结构的所述第二特征数据生成第二图像。由于基于第一图像生成的第二图像标记了图像的分割信息,该方法解决了有标记的分割图像数据不能大规模获取的问题。
Description
优先权声明
本申请基于并要求2018年6月9日提交的美国申请号16/004,387的优先权,其全部内容通过引用的方式被包含于此。
技术领域
本申请涉及生成增强分割图像集的系统和方法,具体地,涉及通过变换历史分割图像数据来生成增强分割图像集的系统和方法。
背景技术
癌症患者的放疗治疗通常在预治疗成像过程几周后开始。预治疗成像过程模拟患者被运送到放射设备的机架内的特定位置的治疗场景,并获取患者的一个或以上图像以供医生或放射科医师确定一个初始治疗计划。然而,患者的解剖结构可能在预治疗成像过程之后或在治疗过程之中发生变化。根据解剖结构的变化量,可能需要修改初始的治疗方案,以降低毒性、提高肿瘤的靶向性和治疗的整体效果。
重新计划阶段的基本任务之一是对靶区和危及器官进行分割和勾画。很多自动化技术已被开发出来提供对靶区和危及器官的初始近似,并且在很大程度上可以进行自动勾画任务。然而,自动勾画技术的性能取决于预先标记和分割过的图像数据的可获取性和数量。由于有标记的分割图像数据通常不能大规模获取,因此需要大规模生成有标记的分割数据以改善放射治疗重新计划的勾画的性能。
申请内容
针对上述自动轮廓绘制技术的性能取决于预先标记和分割过的图像数据的可获取性和数量,而有标记的分割图像数据通常不能大规模获取的问题,本申请的目的之一在于提供生成增强分割图像集的系统和方法,大规模生成有标记的分割数据以改善放射治疗重新计划的轮廓绘制的性能。为达到上述目的,本申请提供的技术方案如下:
本申请实施例之一提供生成生成图像的方法。所述方法包括:获取包括第一对象的第一解剖结构的第一图像;确定所述第一解剖结构的第一特征数据;确定与所述第一解剖结构相关的一个或以上第一变换,其中,第一变换包括变换类型和与所述变换类型相关的一个或以上变换参数,以及所述变换类型包括解剖结构的平移、解剖结构的旋转、解剖结构的形变、额外结构的出现以及解剖结构的部分消失中的至少一个;将所述一个或以上第一变换应用于所述第一解剖结构的所述第一特征数据,以生成所述第一解剖结构的第二特征数据;以及基于所述第一解剖结构的所述第二特征数据生成第二图像。
本申请实施例之一提供生成具有分割信息的图像的方法,该方法包括:获取与治疗计划相关联的对象的第一图像,所述第一图像包括第一对象的第一解剖结构;确定所述第一解剖结构的第一特征数据;确定与所述第一解剖结构相关的一个或以上第一变换,其中,第一变换包括变换类型以及与所述变换类型相关的一个或以上变换参数,以及并且所述变换类型包括所述解剖结构的平移、解剖结构的旋转、解剖结构的形变、额外结构的出现以及解剖结构的部分消失中的至少一个;将所述一个或以上第一变换应用于所述第一解剖结构的所述第一特征数据,以生成所述第一解剖结构的第二特征数据;以及基于所述第一解剖结构的所述第二特征数据生成第二图像;基于初始模型和包括一个或以上第二图像的训练图像集生成训练好的模型;在放射治疗之前、过程之中或之后且在所述治疗计划阶段之后获取所述对象的治疗图像;以及于所述训练好的模型和所述治疗图像生成具有分割信息的图像。
本申请实施例之一提供生成生成图像的系统,该系统包括图像获取模块、特征数据确定模块、变换应用模块和图像生成模块。图像获取模块被配置为获取包括第一对象的第一解剖结构的第一图像。特征数据确定模块被配置为确定所述第一解剖结构的第一特征数据。变换应用模块被配置为确定与所述第一解剖结构相关的一个或以上第一变换,其中,第一变换包括变换类型和与所述变换类型相关的一个或以上变换参数,以及所述变换类型包括解剖结构的平移、解剖结构的旋转、解剖结构的形变、额外结构的出现以及解剖结构的部分消失中的至少一个。变换应用模块被配置为将所述一个或以上第一变换应用于所述第一解剖结构的所述第一特征数据,以生成所述第一解剖结构的第二特征数据。图像生成模块被配置为基于所述第一解剖结构的所述第二特征数据生成第二图像。
本申请实施例之一提供生成具有分割信息的图像的系统,该系统包括包括图像获取模块、特征数据确定模块、变换应用模块、图像生成模块、模型确定模块和解剖结构识别模块。图像获取模块被配置为获取与治疗计划相关联的对象的第一图像,所述第一图像包括第一对象的第一解剖结构。特征数据确定模块被配置为确定所述第一解剖结构的第一特征数据。变换应用模块被配置为确定与所述第一解剖结构相关的一个或以上第一变换,其中,第一变换包括变换类型以及与所述变换类型相关的一个或以上变换参数,以及所述变换类型包括所述解剖结构的平移、解剖结构的旋转、解剖结构的形变、额外结构的出现以及解剖结构的部分消失中的至少一个。变换应用模块被配置为将所述一个或以上第一变换应用于所述第一解剖结构的所述第一特征数据,以生成所述第一解剖结构的第二特征数据。图像生成模块被配置为基于所述第一解剖结构的所述第二特征数据生成第二图像。模型确定模块被配置为基于初始模型和包括一个或以上第二图像的训练图像集生成训练好的模型。图像获取模块被配置为在放射治疗之前、期间或之后且在所述治疗计划阶段之后获取所述对象的治疗图像。解剖结构识别模块被配置为基于所述训练好的模型和所述治疗图像生成具有分割信息的图像。
本申请实施例之一提供生成增强分割图像集的装置。该装置包括处理器,可用于:获取包括第一对象的第一解剖结构的第一图像;确定所述第一解剖结构的第一特征数据;确定与所述第一解剖结构相关的一个或以上第一变换,其中,第一变换包括变换类型和与所述变换类型相关的一个或以上变换参数,以及所述变换类型包括解剖结构的平移、解剖结构的旋转、解剖结构的形变、额外结构的出现以及解剖结构的部分消失中的至少一个;将所述一个或以上第一变换应用于所述第一解剖结构的所述第一特征数据,以生成所述第一解剖结构的第二特征数据;以及基于所述第一解剖结构的所述第二特征数据生成第二图像。
本申请实施例之一提供生成具有分割信息的图像的装置,该装置包括处理器,可用于:获取与治疗计划相关联的对象的第一图像,所述第一图像包括第一对象的第一解剖结构;确定所述第一解剖结构的第一特征数据;确定与所述第一解剖结构相关的一个或以上第一变换,其中,第一变换包括变换类型以及与所述变换类型相关的一个或以上变换参数,以及所述变换类型包括所述解剖结构的平移、解剖结构的旋转、解剖结构的形变、额外结构的出现以及解剖结构的部分消失中的至少一个;将所述一个或以上第一变换应用于所述第一解剖结构的所述第一特征数据,以生成所述第一解剖结构的第二特征数据;基于所述第一解剖结构的所述第二特征数据生成第二图像;基于初始模型和包括一个或以上第二图像的训练图像集生成训练好的模型;在放射治疗之前、期间或之后且在所述治疗计划阶段之后获取所述对象的治疗图像;以及基于所述训练好的模型和所述治疗图像生成具有分割信息的图像。
本申请实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行:获取包括第一对象的第一解剖结构的第一图像;确定所述第一解剖结构的第一特征数据;确定与所述第一解剖结构相关的一个或以上第一变换,其中,第一变换包括变换类型和与所述变换类型相关的一个或以上变换参数,以及所述变换类型包括解剖结构的平移、解剖结构的旋转、解剖结构的形变、额外结构的出现以及解剖结构的部分消失中的至少一个;将所述一个或以上第一变换应用于所述第一解剖结构的所述第一特征数据,以生成所述第一解剖结构的第二特征数据;以及基于所述第一解剖结构的所述第二特征数据生成第二图像。
本申请实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行:获取与治疗计划相关联的对象的第一图像,所述第一图像包括第一对象的第一解剖结构;确定所述第一解剖结构的第一特征数据;确定与所述第一解剖结构相关的一个或以上第一变换,其中,第一变换包括变换类型以及与所述变换类型相关的一个或以上变换参数,以及所述变换类型包括所述解剖结构的平移、解剖结构的旋转、解剖结构的形变、额外结构的出现以及解剖结构的部分消失中的至少一个;将所述一个或以上第一变换应用于所述第一解剖结构的所述第一特征数据,以生成所述第一解剖结构的第二特征数据;基于所述第一解剖结构的所述第二特征数据生成第二图像;基于初始模型和包括一个或以上第二图像的训练图像集生成训练好的模型;在放射治疗之前、期间或之后且在所述治疗计划阶段之后获取所述对象的治疗图像;以及基于所述训练好的模型和所述治疗图像生成具有分割信息的图像
本申请实施例之一提供生成增强分割图像集的系统,该系统包括存储用于图像修改指令集的非暂时性存储介质;与所述非暂时性存储介质通信的处理器,其中,当执行所述指令集时,所述处理器用于:获取包括第一对象的第一解剖结构的第一图像;确定所述第一解剖结构的第一特征数据;确定与所述第一解剖结构相关的一个或以上第一变换,其中,第一变换包括变换类型和与所述变换类型相关的一个或以上变换参数,以及所述变换类型包括解剖结构的平移、解剖结构的旋转、解剖结构的形变、额外结构的出现以及解剖结构的部分消失中的至少一个;将所述一个或以上第一变换应用于所述第一解剖结构的所述第一特征数据,以生成所述第一解剖结构的第二特征数据;以及基于所述第一解剖结构的所述第二特征数据生成第二图像。
在一些实施例中,所述处理器进一步用于:确定与所述一个或以上第一变换相关的变换序列;以及基于所述变换序列生成所述第二图像。
在一些实施例中,所述第一特征数据或所述第二特征数据包括:表示所述第一解剖结构的轮廓的两个以上第一像素的像素值和像素位置,以及表示由所述第一解剖结构的轮廓包围的内部区域的两个以上第二像素的像素值和像素位置。
在一些实施例中,为了将所述一个或以上第一变换应用于所述第一特征数据以生成第二特征数据,所述处理器进一步用于:通过确定所述第一图像中的一个或以上固定点生成参考帧;以及基于所述参考帧和所述一个或以上变换参数确定所述第一解剖结构的所述第二特征数据。
在一些实施例中,为了基于所述参考帧和所述一个或以上变换参数确定所述第一解剖结构的所述第二特征数据,所述处理器进一步用于:确定所述第一解剖结构的中心点;基于所述第一解剖结构的所述中心点和所述参考帧确定所述第一解剖结构的起始位置;基于所述第一解剖结构的所述起始位置和所述一个或以上变换参数,确定所述第一解剖结构的所述第二特征数据。
在一些实施例中,所述变换类型包括解剖结构的平移,以及为了将所述一个或以上变换应用于所述第一特征数据,所述处理器进一步用于:基于所述一个或以上变换参数确定平移矢量;以及基于所述平移矢量和所述第一特征数据确定所述第二特征数据。
在一些实施例中,所述第一图像进一步包括所述第一对象的第二解剖结构,以及所述处理器进一步用于:确定所述第一解剖结构和所述第二解剖结构之间的优先级顺序;以及基于所述第一解剖结构和所述第二解剖结构之间的优先级顺序,生成所述第二图像。
在一些实施例中,为了确定所述第一解剖结构的所述第一变换,所述处理器进一步用于:基于一个或以上参数约束确定与变换类型相关的一个或以上变换参数。
在一些实施例中,所述变换类型进一步包括对比噪声比的调节。
在一些实施例中,所述第一图像是在放射治疗中使用的具有分割信息的计划图像。
在一些实施例中,所述计划图像是CT图像。
在一些实施例中,所述处理器进一步用于:基于一个或以上第二图像生成训练图像集;获取初始模型;以及基于所述训练图像集和所述初始模型生成训练好的模型。
在一些实施例中,所述处理器进一步用于:获取包含所述第一解剖结构的治疗图像;以及基于所述训练好的模型和所述治疗图像识别关于所述第一解剖结构的两个以上像素。
本申请实施例之一提供生成具有分割信息的图像的系统。该系统包括用于存储图像修改指令集的非暂时性存储介质;与所述非暂时性存储介质通信的处理器,其中,当执行所述指令集时,所述处理器用于:获取与治疗计划相关联的对象的第一图像,所述第一图像包括第一对象的第一解剖结构;确定所述第一解剖结构的第一特征数据;确定与所述第一解剖结构相关的一个或以上第一变换,其中,第一变换包括变换类型以及与所述变换类型相关的一个或以上变换参数,并且所述变换类型包括所述解剖结构的平移、解剖结构的旋转、解剖结构的形变、额外结构的出现以及解剖结构的部分消失中的至少一个;将所述一个或以上第一变换应用于所述第一解剖结构的所述第一特征数据,以生成所述第一解剖结构的第二特征数据基于所述第一解剖结构的所述第二特征数据生成第二图像;基于初始模型和包括一个或以上第二图像的训练图像集生成训练好的模型;在放射治疗之前、期间或之后且在所述治疗计划阶段之后获取所述对象的治疗图像;基于所述训练好的模型和所述治疗图像生成具有分割信息的图像。
在一些实施例中,所述处理器进一步用于:基于具有分割信息的所述图像修改所述治疗计划。
在一些实施例中,其特征在于,所述第一图像和所述治疗图像是在不同模态下获取的。
在一些实施例中,所述第一图像和所述治疗图像是在不同剂量水平或不同信噪比水平下获取的。
本申请的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解,本申请的一部分附加特性对于本领域技术人员是明显的。本申请的特征可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。
附图说明
本申请将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的符号表示相同的部件,其中:
图1A和1B是根据本申请的一些实施例所示的示例性医疗系统的示意图;
图2是根据本申请的一些实施例所示的示例性计算设备的示例性硬件和/或软件组件的示意图;
图3是根据本申请的一些实施例所示的示例性移动设备的示例性硬件和/或软件组件的示意图;
图4是根据本申请的一些实施例所示的示例性处理设备的示意图;
图5是根据本申请的一些实施例所示的图像的解剖结构分割的示例性流程的流程图;
图6A是根据本申请的一些实施例所示的生成第二图像的示例性流程的流程图;
图6B和图6C是根据本申请的一些实施例所示的生成第二图像的示意图;
图7A是根据本申请的一些实施例所示的将平移变换应用于第一特征数据以生成第一解剖结构的第二特征数据的示例性流程的流程图;
图7B是根据本申请的一些实施例所示的将平移变换应用于第一特征数据以生成第一解剖结构的第二特征数据的示意图;以及
图8A至8E是根据本申请的一些实施例所示的不同变换的示意图。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。应当理解,给出这些示例性实施例仅仅是为了使相关领域的技术人员能够更好地理解进而实现本申请,而并非以任何方式限制本申请的范围。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解的是,上下文中描述的术语“系统”、“单元”、“模块”和/或“引擎”,用于区分不同级别的部件、元件、组件、部件或装配。然而,可以使用其它可以达到相同目的表达取代以上术语。一般来说,文中所用术语至少可以部分理解为上下文中的意思。例如,术语,如“和”、“或”或者“和/或”,可能包含多种含义,且至少部分取决于上下文的意思。通常情况下,“或”如果用来关联一个列表,如A、B或C,可以指A、B和C,这里用的是包含性的意思,也可以指A、B或C,这里用的是排他性的意思。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
需要注意的是,以下描述仅为了帮助更好地理解本申请的过程,并不能把本申请限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统和方法的原理后,可能在不背离这一原理的情况下,做出形式和细节上的各种修正和改变。
为使本申请的上述目的、特征和优点能够更为明显易懂,下面结合附图和实施例对本申请的具体实施方式做详细的说明。
图1A和1B是根据本申请的一些实施例所示的示例性医疗系统100的示意图。医疗系统100可以包括放射设备110、网络120、终端130、处理设备140和存储设备150。医疗系统100中的部件之间的连接是可变的。仅作为示例,如图1A所示,放射设备110可以通过网络120连接到处理设备140。又例如,如图1B所示,放射设备110可以直接连接到处理设备140。
放射设备110可以包括机架111、探测器112、放射源113和对象台114。机架111可以支撑探测器112、放射源113等。待扫描的对象可以被置于对象台114上。放射源113可以向对象发射放射线。在一些实施例中,放射源113可以发射具有用于治疗的合适能量(例如,大于160keV)的射线。在一些实施例中,放射源113可以发射具有用于成像的适当能量(例如,通常小于160keV)的射线。探测器112可以检测从放射源113发射的放射物质(例如X射线光子)。在一些实施例中,探测器112可以包括两个以上探测器单元。探测器单元可以包括闪烁探测器(例如,由GOS、碘化铯组成的探测器)或气体探测器。探测器单元可以是平板探测器。探测器单元可以是单排探测器或多排探测器。
在一些实施例中,放射设备110可以包括IGRT(图像引导放疗)设备。IGRT设备可以使用计划分割图像来精确定位对象(例如,器官)。
网络120可以促进信息和/或数据的交换。在一些实施例中,医疗系统100中的一个或以上组件(例如,放射设备110、终端130、处理设备140或存储设备150)可以经由网络120向医疗系统100中的另一组件发送信息和/或数据。例如,处理设备140可以经由网络120从放射设备110获取图像数据。又例如,处理设备140可以经由网络120从终端130获取用户指令。在一些实施例中,网络120可以是任何类型的有线或无线网络或其组合。仅作为示例,网络120可以包括电缆网络、有线网络、光纤网络、电信网络、内联网、因特网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、公共电话交换网(PSTN)、蓝牙网络、ZigBee网络、近场通信(NFC)网络等或其任意组合。在一些实施例中,网络120可包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点,例如基站和/或因特网交换点,医疗系统100的一个或以上组件可以通过这些接入点连接到网络120以交换数据和/或信息。
终端130包括移动设备130-1、平板计算机130-2、膝上型计算机130-3等或其任意组合。在一些实施例中,移动设备130-1可以包括智能家庭设备、可佩戴设备、智能移动设备、虚拟现实设备、增强现实设备等,或其任意组合。在一些实施例中,智能家居设备可以包括智能照明设备,智能电器的控制设备,智能监控设备,智能电视,智能摄像机,对讲机等,或其任意组合。在一些实施例中,可穿戴设备可以包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣物、智能背包、智能配饰等或上述举例的任意组合。在一些实施例中,该智能行动设备可包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备等,或其任意组合。在一些实施例中,虚拟现实设备和/或增强实境设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强实境头盔、增强实境眼镜、增强实境眼罩等或上述举例的任意组合。例如,虚拟现实设备和/或增强实境设备可以包括谷歌眼镜、VR眼镜、头戴显示器、全息透镜、三星GearVR等。例如,虚拟现实设备和/或增强现实设备可以包括Google玻璃、眼裂孔、全息透镜、齿轮VR等。在一些实施例中,终端130可以是处理设备140的一部分。在一些实施例中,可以省去终端130。
处理设备140可以处理从放射设备110、终端130或存储设备150获取的数据和/或信息。例如,处理设备140可以处理图像数据并确定用于修改图像数据的正则化项。在一些实施例中,处理设备140可以是单个服务器或服务器组。服务器组可以是集中式或分布式的。在一些实施例中,处理设备140可以是本地的或远程的。例如,处理设备140可以经由网络120访问存储在放射设备110、终端130和/或存储设备150中的信息和/或数据。又例如,处理设备140可以直接连接到放射设备110、终端130和/或存储设备150以访问存储的信息和/或数据。在一些实施例中,处理设备140可以在云平台上实现。仅作为示例,云平台可包括私有云、公共云、混合云、社区云、分布式云、互联云、多云等中的一种或多种的组合。在一些实施例中,处理设备140可以在本申请中图2所示的具有一个或以上组件的计算设备200上实现。
存储设备150可以存储数据和/或指令。在一些实施例中,存储设备150可以存储从终端130和/或处理设备140获取数据。在一些实施例中,存储设备150可以存储处理设备140执行或用于执行本申请中描述的示例性方法的数据和/或指令。在一些实施例中,存储设备150可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示意性大容量存储器可包括磁盘、光盘、固态驱动器等。示意性可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示意性易失性读写存储器可包括随机存取存储器(RAM)。示例性RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM(DDRSDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容器RAM(Z-RAM)等。示例性ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字通用盘ROM等。在一些实施例中,存储设备150可以在云平台上实现。仅作为示例,云平台可包括私有云、公共云、混合云、社区云、分布式云、互联云、多云等中的一种或多种的组合。
在一些实施例中,存储设备150可以连接到网络120以与医疗系统100中的一个或以上组件(例如,处理设备140、终端130)通信。医疗系统100的一个或以上组件可以经由网络120访问存储在存储设备150中的数据或指令。在一些实施例中,存储设备150可以直接连接到医疗系统100中的一个或以上组件(例如,处理设备140、终端130)或者与医疗系统100中的一个或以上组件通信。在一些实施例中,存储设备150可以是处理设备140的一部分。
图2是根据本申请的一些实施例所示的可以在其上实现处理设备140的示例性计算设备200的示例性硬件和/或软件组件的示意图。如图2所示,计算设备200可以包括处理器210、存储器220、输入/输出(I/O)230和通信端口240。
处理器210可以根据本申请描述的技术执行计算机指令(程序代码)和执行处理设备140的功能。计算机指令可以包括执行本申请描述的特定功能的例程、程序、对象、组件、数据结构、过程、模块和功能。例如,处理器210可以处理从放射设备110、终端130、存储设备150或医疗系统100的任何其他组件获取的图像数据。在一些实施例中,处理器210可以包括微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、中央处理单元(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高阶RISC系统(ARM)、可编程逻辑器件(PLD)、任何能够执行一个或以上功能的电路或处理器等,或其任意组合。
为了方便说明,图2中仅描述了一个处理器,也可以包括至少两个处理器。因此,本申请中描述的由一个处理器执行的操作和/或方法步骤也可以由多个处理器共同地或单独执行。例如,如果在本申请中,计算设备200的处理器执行步骤A和步骤B,应当理解的是,步骤A和步骤B也可以由计算设备200的两个不同的CPU和/或处理器共同地或独立地执行(例如,第一处理器执行步骤A、第二处理器执行步骤B,或者第一和第二处理器共同地执行步骤A和步骤B)。
存储器220可以存储从放射设备110、终端130、存储设备150或医疗系统100的任何其他组件获取的数据/信息。在一些实施例中,存储器220可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDR SDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多能磁盘只读存储器等。在一些实施例中,存储器220可存储一个或以上程序和/或指令,以执行本申请所述的示例性方法。例如,存储器220可以存储用于处理设备140的用于确定正则化项的程序。
I/O 230可以输入或输出信号、数据或信息。在一些实施例中,I/O 230可以使用户能够与处理设备140交互。在一些实施例中,I/O230可包括输入设备和输出设备。示例性输入设备可以包括键盘、鼠标、触摸屏、麦克风等或其组合。示例性输出设备可以包括显示设备、扬声器、打印机、投影仪等或其组合。示例性显示设备可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、曲面屏幕、电视设备、阴极射线管(CRT)等或其组合。
通信端口240可连接网络(如,网络120),以促进数据通信。通信端口240可以在处理设备140与放射设备110、终端130或存储设备150之间建立连接。该连接可以是有线连接、无线连接或两者的组合,其能够促使数据发送和接收。有线连接可以包括电缆、光缆、电话线等或其任意组合。无线连接可以包括蓝牙、Wi-Fi、WiMax、WLAN、ZigBee、移动网络(例如3G、4G、5G)等,或其组合。在一些实施例中,通信端口240可以是标准化通信端口,例如RS232、RS485等。在一些实施例中,通信端口240可以是专门设计的通信端口。例如,通信端口240可根据医学数字成像与通信(DICOM)协议进行设计。
图3是根据本申请的一些实施例所示的移动设备300的示例性硬件和/或软件组件的示意图。终端130可以在移动设备300上实现。如图3所示,移动设备300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、输入/输出(I/O)350、内存360、和存储器390。在一些实施例中,任何其他合适的组件,包括但不限于系统总线或控制器(未示出),也可被包括在移动设备300内。在一些实施例中,操作系统370(例如,iOS、Android、Windows Phone等)和一个或以上应用程序380可从存储器390下载至内存360以由CPU 340执行。应用程序380可以包括浏览器或任何其他合适的移动应用程序,用于接收和呈现与图像处理或来自处理设备140的其他信息。用户与信息流的交互可以经由输入/输出单元(I/O)350实现,并且经由网络120提供给处理设备140和/或医疗系统100的其他组件。
要实现本申请所述的两个以上模块、单元及其功能,计算机硬件平台可用作本申请描述的一个或以上元件的硬件平台。这类计算机的硬件元件、操作系统和编程语言本质上是常规的,可以推测本领域普通技术人员充分熟悉这些硬件元件、操作系统和编程语言,以使这些技术适应本申请描述的图像处理。具有用户接口元件的计算机可以用于实现个人计算机(PC)或另一种类型的工作站或终端设备,如果适当编程,计算机也可以充当服务器。相信本领域普通技术人员熟悉这种计算机设备的结构、编程和一般操作,因此,附图是不言自明的。
图4是根据本申请的一些实施例所示的示例性处理设备140的示意图。处理设备140可以在图2所示的计算设备200(例如,处理器210)上实现。处理设备140可以包括模型确定模块410、图像获取模块420、解剖结构识别模块430、特征数据确定模块440、变换应用模块450和图像生成模块460。
模型确定模块410可用于确定分割模型。分割模型可用于分割输入到分割模型中的图像。在一些实施例中,模型确定模块410可以基于对象(例如,人)解剖结构的增强分割图像集训练初始分割模型来确定分割模型。
图像获取模块420可以用于获取包括一个或以上解剖结构的对象的图像。器官的示例性图像可以包括MRI图像(例如,2D MRI、3D MRI、2D流式MRI、4D容积MRI、4D电影MRI)、计算机断层扫描(CT)图像、锥形束CT图像、正电子发射断层扫描(PET)图像、功能MRI图像(例如,fMRI、DCE-MRI、扩散MRI)、X射线图像、荧光透视图像、超声图像、放射治疗射野图像、单光子发射计算机断层成像(SPECT)图像等或其任意组合。示例性器官可以包括头部、心脏、胸部、乳房、胃等或其任意组合。
在一些实施例中,图像获取模块420可以获取包含对象的第一解剖结构(例如,肿瘤)的治疗图像。在一些实施例中,治疗图像可以是用于生成放射治疗计划的计划图像。在一些实施例中,治疗图像可以是在治疗过程中,即在放射治疗之前或在放射治疗过程之中,获取的图像。在一些实施例中,可以在放射治疗之后获取治疗图像。在一些实施例中,可以在治疗计划阶段之后获取治疗图像。
解剖结构识别模块430可以基于分割模型识别治疗图像中关于第一对象的解剖结构的两个以上像素。解剖结构识别模块430可以确定识别治疗图像中的解剖结构的两个以上像素。在一些实施例中,解剖结构识别模块430可以基于分割模型识别治疗图像中关于第一对象的第一解剖结构的两个以上像素。解剖结构识别模块430可以确定识别治疗图像中的第一解剖结构的两个以上像素的像素值和像素位置。像素值可以指像素的属性的值。例如,像素值可以指像素的亮度值、像素的灰度值、像素的颜色或RGB值、像素的饱和度值等或其组合。
特征数据确定模块440可以用于确定第一图像中解剖结构的特征数据。第一图像可以包括识别解剖结构的两个以上像素(如第一图像中的第一解剖结构)。第一图像可以包括与解剖结构有关的分割信息(例如,解剖结构的轮廓或解剖结构的区域等)。在一些实施例中,第一图像可以是实际的医学图像。例如,第一图像可以是患者的计划图像(例如,CT图像),用于确定放射治疗的治疗计划。可以基于第一图像的分割信息确定治疗计划(例如,治疗计划的剂量水平)。解剖结构的特征数据可以包括识别解剖结构的两个以上像素的像素值、像素位置、与解剖结构相关的对比噪声比(CNR)或与图像相关的CNR、与解剖结构相关的信噪比(SNR)或与图像相关的SNR等。在一些实施例中,特征数据可以包括表示解剖结构轮廓的两个以上像素的像素值和像素位置。在一些实施例中,特征数据可以包括表示解剖结构的轮廓所包围的内部区域的两个以上像素的像素值和像素位置。在一些实施例中,对比度和噪声可以是用于确定图像质量的两个参数。CNR可用于评估图像中对比度的下降和噪声的估值。在一些实施例中,CNR可以定义为图像的两个局部区域的信号强度差与图像的背景噪声的比率。在一些实施例中,CNR越小,图像质量可能越好。在一些实施例中,CNR可与辐射剂量、管电压、阴极-阳极电流等或其任意组合相关。在一些实施例中,信噪比(SNR)可以用作为确定图像质量的参数。SNR可用于评估图像中对比度的下降和噪声的估值。在一些实施例中,SNR可以定义为图像的两个局部区域的信号强度差与图像的背景噪声的比率。在一些实施例中,SNR越小,图像质量可能越好。在一些实施例中,SNR可以与辐射剂量、管电压、阴极-阳极电流等或其任意组合相关。
变换应用模块450可以确定与解剖结构相关的一个或以上变换。变换可以包括变换类型和与变换类型相关的一个或以上变换参数。变换可以指基于变换类型和一个或以上变换参数来改变识别图像中解剖结构的两个以上像素的像素值和像素位置。在一些实施例中,变换应用模块450可以基于一个或以上参数约束来确定与变换类型相关的一个或以上变换参数。变换类型可以包括解剖结构的平移、解剖结构的旋转、解剖结构的形变、解剖结构的额外结构的出现、解剖结构的一部分的消失以及对比噪声比(CNR)的调整。在一些实施例中,对比度和噪声可以是用作确定图像质量的两个参数。CNR可用于评估图像中对比度的下降和噪声的估值。在一些实施例中,CNR可以定义为图像的两个局部区域的信号强度差与图像的背景噪声的比率。在一些实施例中,CNR越小,图像质量可能越好。在一些实施例中,CNR可与辐射剂量、管电压、阴极-阳极电流等或其任意组合相关。
变换应用模块450可以将一个或以上变换应用于解剖结构的第一特征数据以生成解剖结构的第二特征数据。第一特征数据可以指包括在由图像获取模块420获取的图像中的原始解剖结构的特征数据,第二特征数据可以指基于一个或以上变换的变换后的解剖结构的特征数据。例如,第一图像中的第一解剖结构的特征数据可以是第一特征数据。可以通过将一个或以上变换应用于第一特征数据来生成第二特征数据。
图像生成模块460可以用于基于解剖结构的第二特征数据生成训练图像。在一些实施例中,图像生成模块460可以基于具有不同变换类型和不同变换参数的不同变换来生成一个或以上训练图像。图像生成模块460可以基于一个或以上训练图像生成增强分割图像集。
应当理解的是,以上关于处理设备140的描述仅出于说明的目的,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出多种修改和变化。然而,这些修改和变化不会背离本申请的范围。
图5是根据本申请的一些实施例所示的图像的解剖结构分割的示例性流程500的流程图。流程500可以由医疗系统100执行。例如,流程500可以通过存储在存储器220中的一组指令(例如,应用程序)来实现。处理设备140可以执行该指令集,并由此执行流程500。以下所示过程的操作仅出于说明的目的。在一些实施例中,流程500可以通过未描述的一个或以上附加操作和/或不通过一个或以上本申请讨论的操作来完成。另外,如图5中所示和下面描述的过程的操作顺序不旨在是限制性的。
在510中,模型确定模块410可以确定分割模型。分割模型可用于识别表示输入到分割模型中的图像包括的第一解剖结构的两个以上像素。示例性图像可以包括MRI图像(例如,2D MRI、3D MRI、2D流式MRI、4D容积MRI、4D电影MRI)、计算机断层扫描(CT)图像、锥形束CT图像、正电子发射断层扫描(PET)图像、功能性MRI图像(例如,fMRI、DCE-MRI、扩散MRI)、X射线图像、荧光透视图像、超声图像、放射治疗射野图像、单光子发射计算机断层成像(SPECT)图像等或其任意组合。本申请中的术语“解剖结构”可以指对象中的气体(例如空气)、对象中的液体(例如水)、对象中的固体(例如石头)、对象的细胞、对象的组织(例如肿瘤组织)、对象的器官(例如头部、心脏、胸部、乳房、胃等),或其任意组合,其显示在医学图像(例如,第一图像等)中,或者真实地存在于对象体内或对象上。
在一些实施例中,模型确定模块410可以获取初始分割模型,并通过训练初始分割模型来确定分割模型。初始分割模型可以基于机器学习模型生成。机器学习模型可以包括卷积神经网络、自适应增强模型、梯度增强决策树模型等或其任意组合。
例如,初始分割模型可以是卷积神经网络(Convolutional Neural Network,CNN)。在一些实施例中,CNN可以包括一个或以上输入层、一个或以上卷积层、一个或以上池化层、一个或以上全连接层和一个或以上输出层。
在一些实施例中,输入层可以接收第一解剖结构的图像。然后,卷积层可以用包含可训练权重的两个以上的核对第一解剖结构的图像进行卷积。在一些实施例中,核可以激活第一解剖结构的特征数据(例如,第一解剖结构的轮廓)。核可以用不同的可训练权重激活不同的第一解剖结构特征(例如,第一解剖结构的轮廓的不同部分)。池化层可以减小由卷积层卷积的第一解剖结构的图像的大小,以及进一步提取由核激活的不同的第一解剖结构特征。在一些实施例中,卷积层和池化层可以构成CNN的特征提取部分。然后,全连接层可以对提取的不同的第一解剖结构特征进行加权和组合,以生成第一解剖结构的特征数据。此外,输出层可以输出第一解剖结构的特征数据。模型确定模块410可以基于第一解剖结构的特征数据来识别表示第一解剖结构的两个以上像素。
CNN的输入可以是包括基于第一图像生成的一个或以上第二图像的增强分割图像集。第二图像可以是基于第一图像生成的人造图像,可用作样本来训练初始分割模型。第一图像可以指包含表示解剖结构(例如肿瘤)的两个以上像素的图像。在一些实施例中,已经手动地或自动地预先识别了表示第一解剖结构的两个以上像素。第二图像可以包括第一解剖结构的特征数据(例如,图6A、图6B和图6C所示的第一解剖结构的第二特征数据)。模型确定模块410可以基于输出层输出的第一解剖结构特征的特征数据与预先确定的第二图像中的第一解剖结构的特征数据(例如,图6A、图6B和图6C所示的第一解剖结构的第二特征数据)之间的差异来生成误差函数。模型确定模块410可以将误差函数输入卷积层并更新核的可训练权重。直到误差函数达到最小值,迭代过程停止。
在一些实施例中,可以通过将一个或以上变换应用于第一图像中的第一解剖结构来生成一个或以上第二图像。生成第二图像的详细描述可以在本申请的其他地方找到(例如,结合图6A)。
在520中,图像获取模块420可以获取包含对象的第一解剖结构(例如,肿瘤)的治疗图像。治疗图像可以是在治疗过程中,即在放射治疗之前或在放射治疗过程之中,获取的实际图像。治疗过程可以包括由两个以上时间段分开的两个以上放射疗法。由于在治疗过程中对象的体重可能减轻或增加,或者在不同放射治疗过程对象的位置可能略有不同,第一解剖结构的形状和/或位置可能在治疗过程中发生变化。
在530中,解剖结构识别模块430可以基于分割模型识别治疗图像中关于第一对象的第一解剖结构的两个以上像素。解剖结构识别模块430可以确定识别治疗图像中的第一解剖结构的两个以上像素的像素值和像素位置。像素值可以指像素的属性的值。例如,像素值可以指像素的亮度值、像素的灰度值、像素的颜色或RGB值、像素的饱和度值等或其组合。在一些实施例中,解剖结构识别模块430可以基于分割模型分割治疗图像并生成分割信息(例如,治疗图像中第一解剖结构的轮廓或区域)。可以基于具有分割信息的治疗图像来修改治疗计划。
需要注意的是,以上关于确定图像中患者器官的器官信息的流程500的描述,仅出于说明的目的,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出多种修改和变化。然而,这些修改和变化不会背离本申请的范围。在一些实施例中,流程500还可以包括其他步骤。
图6A是根据本申请的一些实施例所示的生成第二图像的示例性流程600的流程图。图6B和图6C是根据本申请的一些实施例所示的生成第二图像的示意图。流程600可以由医疗系统100执行。流程600可以由医疗系统100执行。例如,流程600可以通过存储在存储器220中的一组指令(例如,应用程序)来实现。处理设备140可以执行该指令集,并由此执行流程600。以下所示过程的操作仅出于说明的目的。在一些实施例中,流程600可以通过未描述的一个或以上附加操作和/或不通过一个或以上本申请讨论的操作来完成。另外,如图6A中所示和下面描述的过程的操作顺序不旨在是限制性的。
在610中,图像获取模块420可以获取包括第一对象的第一解剖结构的第一图像。在一些实施例中,对象可以是哺乳动物(例如,猩猩、人类等)。本申请中的术语“解剖结构”可以指对象中的气体(例如空气)、对象中的液体(例如水)、对象中的固体(例如石头)、对象的细胞、对象的组织(例如肿瘤组织)、对象的器官(例如头部、心脏、胸部、乳房、胃等),或其任意组合,其显示在医学图像(例如,第一图像等)中,或者真实地存在于对象体内或对象上。
第一图像可以包括MRI图像(例如,2D MRI、3D MRI、2D流式MRI、4D容积MRI、4D电影MRI)、计算机断层扫描(CT)图像、锥形束CT图像、正电子发射断层扫描(PET)图像、功能性MRI图像(例如,fMRI、DCE-MRI、扩散MRI)、X射线图像、荧光透视图像、超声图像、放射治疗射野图像、单光子发射计算机断层成像(SPECT)图像等或其任意组合。
在620中,特征数据确定模块440可以确定第一解剖结构的第一特征数据。第一图像可以包括识别第一解剖结构的两个以上像素。第一解剖结构的第一特征数据可以包括识别第一解剖结构的两个以上像素的像素值和像素位置。在一些实施例中,第一特征数据可以包括表示第一解剖结构的轮廓的两个以上第一像素的像素值和像素位置。在一些实施例中,第一特征数据可以包括表示第一解剖结构的轮廓包围的内部区域的两个以上第二像素的像素值和像素位置。像素值可以指像素的属性的值。例如,像素值可以指像素的亮度值、像素的灰度值、像素的颜色或RGB值、像素的饱和度值等或其组合。
在630中,变换应用模块450可以确定与第一解剖结构相关的一个或以上第一变换。该一个或以上第一变换可以指应用于第一解剖结构上的一个或以上变换。变换可以包括变换类型和与变换类型相关的一个或以上变换参数。变换可以指基于变换类型和一个或以上变换参数来改变识别图像中解剖结构的两个以上像素的像素值和像素位置。在一些实施例中,变换应用模块450可以基于一个或以上参数约束来确定与变换类型相关的一个或以上变换参数。例如,与特定变换类型相关的变换参数可能要在约束范围内,或者不能超过约束阈值。
变换类型可以包括解剖结构的平移、解剖结构的旋转、解剖结构的形变、解剖结构的额外结构的出现、解剖结构的一部分的消失以及解剖结构对比噪声比(CNR)的调整。图8A至8E是根据本申请的一些实施例所示的不同变换的示意图。
解剖结构的平移可以指基于与平移相关的一个或以上变换参数来移动识别解剖结构的两个以上像素。与解剖结构的平移相关的一个或以上变换参数可以包括平移距离和平移方向。如图8A所示,根据解剖结构的平移,识别原始解剖结构810的两个以上像素可以根据平移矢量来移动,以生成识别变换后的解剖结构811的两个以上像素。平移矢量可以基于平移距离和平移方向来确定。解剖结构平移的参数约束可以与解剖结构平移的约束条件相关。例如,如果解剖结构是心脏,可以配置平移参数,即平移距离和/或方向,并使得表示心脏的两个以上像素没有被移出胸腔。
解剖结构的旋转可以指将识别解剖结构的两个以上像素旋转一定角度。与解剖结构的旋转相关的变换参数可以包括旋转角度。例如,如图8B所示,根据解剖结构的旋转,识别原始解剖结构820的两个以上像素可以旋转一个旋转角度,以生成识别变换后的解剖结构821的两个以上像素。解剖结构旋转的参数约束可以与解剖结构旋转角度的限制相关。例如,旋转角度不能超过30度。
解剖结构的变换可以指基于与变换相关的一个或以上变换参数,通过改变表示解剖结构的轮廓的两个以上第一像素的位置,来扩展或收缩解剖结构的轮廓。与解剖结构的变换相关的一个或以上变换参数可以包括变换方向和变换尺度。在一些实施例中,正变换方向可以表示扩大解剖结构的轮廓,负变换方向可以表示收缩解剖结构的轮廓。如图8C所示,根据解剖结构的变换,识别原始解剖结构830轮廓的两个以上像素可以以一定比例收缩,以生成识别变换后的解剖结构831的两个以上像素。解剖结构变换的参数约束可以与解剖结构的可压缩性相关。例如,肝脏的变换尺度可能小于气体填充的直肠的变换尺度。
额外结构的出现可以指基于与外观相关的一个或以上变换参数,通过改变表示原始解剖结构的两个以上像素的像素值,出现在原始解剖结构上的新解剖结构。例如,如图8D所示,根据解剖结构的额外结构的出现,可以生成识别额外结构841的两个以上像素,该额外结构841附接在原始解剖结构840上。
解剖结构的部分消失可以指的是,基于与消失相关的一个或以上变换参数,通过改变表示解剖结构的两个以上像素的像素值,解剖结构的一部分消失。例如,如图8E所示,根据解剖结构的部分消失,可以改变表示原始解剖结构850的区域851的两个以上像素的像素值,以显示区域851消失。
对比度和噪声可以是用于确定图像质量的两个参数。CNR可用于评估图像中对比度的降低和噪声的估计。在一些实施例中,CNR可用于评估图像中对比度的下降和噪声的估值。在一些实施例中,CNR可以定义为图像的两个局部区域的信号强度差与图像的背景噪声的比率。在一些实施例中,CNR越小,图像质量可能越好。在一些实施例中,CNR可与辐射剂量、管电压、阴极-阳极电流等或其任意组合相关。
在640中,变换应用模块450可以将一个或以上第一变换应用于第一解剖结构的第一特征数据,以生成第一解剖结构的第二特征数据。变换应用模块450可以改变识别第一解剖结构的两个以上像素的像素值和像素位置,以生成第一解剖结构的第二特征数据。在一些实施例中,变换应用模块450可以改变表示第一解剖结构的轮廓的两个以上第一像素的像素值和像素位置。在一些实施例中,变换应用模块450可以改变表示由第一解剖结构的轮廓包围的内部区域的两个以上第二像素的像素值和像素位置。例如,如图6B所示,第一图像619可以包括第一解剖结构621。变换应用模块450可以改变表示第一解剖结构621的轮廓的两个以上像素的像素位置,以生成第一解剖结构621的新轮廓622作为第一解剖结构621的第二特征数据。
在一些实施例中,变换应用模块450可以通过确定第一图像中的一个或以上固定点来确定参考帧,以及基于该参考帧和一个或以上变换参数来确定第一解剖结构的第二特征数据。第一图像中的固定点可以指表示在正常治疗过程中不会移动的解剖结构(例如,骨)的一个或以上像素。变换应用模块450可以改变识别第一解剖结构的两个以上像素的像素位置,以参照一个或以上固定点生成第一解剖结构的第二特征数据。一个或以上第一变换可以指应用于第一解剖结构上的一个或以上变换。例如,变换应用模块450可以在第一解剖结构上应用不同的变换(例如,平移和旋转)。在一些实施例中,变换应用模块450确定与一个或以上第一变换相关的变换序列。例如,变换应用模块450可以基于变换序列先将平移应用于第一解剖结构上,随后将旋转应用于第一解剖结构上。
在一些实施例中,变换应用模块450可以将CNR的调整应用于第一图像中的第一解剖结构。例如,如果第一图像中的第一解剖结构是胸部,变换应用模块450可以仅将CNR的调整应用于胸部。在一些实施例中,变换应用模块450可以将CNR的调整应用于整个第一图像,以匹配治疗图像的CNR。这样,基于第一图像生成的第二图像的CNR可以与治疗图像的CNR相同或相似。
在650中,图像生成模块460可以基于第一解剖结构的第二特征数据生成第二图像。例如,如图6B和图6C所示,图像生成模块460可以基于在操作640中生成的第一解剖结构621的新轮廓622生成第二图像629。
在一些实施例中,图像生成模块460可以基于具有不同变换类型和不同变换参数的不同变换来生成一个或以上第二图像。图像生成模块460可以基于一个或以上第二图像生成增强分割图像集。
应当注意,上述关于生成第二图像的流程600的描述,仅出于说明的目的,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出多种修改和变化。然而,这些修改和变化不会背离本申请的范围。在一些实施例中,流程600还可以包括其他步骤。例如,第一图像可以包括第一对象的第二解剖结构。变换应用模块450可以将一个或以上第二变换应用于第二解剖结构的第一特征数据,以生成第二解剖结构的第二特征数据。一个或以上第二变换可以指应用于第二解剖结构上的一个或以上变换。图像生成模块460可以基于第二解剖结构的第二特征数据生成第二图像。例如,如图6B和图6C所示,第一图像619还可以包括第二解剖结构623。变换应用模块450可以改变表示第二解剖结构623的轮廓的两个以上像素的像素位置,以生成第二解剖结构623的新轮廓624作为第二解剖结构623的第二特征数据。在一些实施例中,变换应用模块450可以确定第一解剖结构和第二解剖结构之间的优先级顺序。图像生成模块460可以进一步基于优先级顺序生成第二图像。例如,变换应用模块450可以先将一个或以上第一变换应用于第一解剖结构,然后,将一个或以上第二变换应用于第二解剖结构。
在一些实施例中,变换应用模块450可以变换第一图像的CNR,使得第一图像的CNR与治疗图像的CNR匹配。这样,基于第一图像生成的第二图像的CNR可以与治疗图像的CNR相同或相似。例如,如果第一图像是以第一CNR在120Kv生成的计划CT图像,治疗图像是以第二CNR在6Mv生成的治疗CT图像,变换应用模块450可以变换第一CNR以匹配第二CNR。
在一些实施例中,变换应用模块450可以变换由第一模态(例如,PET、MRI、CT等)获取的第一图像的特征数据,使得第一图像的特征数据与通过第二模态(例如,PET、MRI、CT等)获取的治疗图像的特征数据匹配。例如,如果第一图像是具有第一CNR的计划PET图像,治疗图像是具有第二CNR的治疗MR图像,变换应用模块450可以变换第一CNR以匹配第二CNR。然后,变换应用模块450可以将与第一图像中解剖结构的形状相关的变换应用于具有变换后的CNR的第一图像。
图7A是根据本申请的一些实施例所示的将平移变换应用于第一特征数据以生成第一解剖结构的第二特征数据的示例性流程700的流程图。图7B是根据本申请的一些实施例所示的将平移变换应用于第一特征数据以生成第一解剖结构的第二特征数据的示意图。流程700可以由医疗系统100执行。流程700可以由医疗系统100执行。例如,流程700可以通过存储在存储器220中的一组指令(例如,应用程序)来实现。处理设备140可以执行该指令集,并由此执行流程700。以下所示过程的操作仅出于说明的目的。在一些实施例中,流程700可以通过未描述的一个或以上附加操作和/或不通过一个或以上本申请讨论的操作来完成。另外,如图7A中所示和下面描述的过程的操作顺序不旨在是限制性的。
在710中,特征数据确定模块440可以确定第一解剖结构的中心点。在一些实施例中,中心点可以是解剖结构的质心或解剖结构的体心。以图7B为例,第一图像719可以包括由第一解剖结构721的第一特征数据表示的第一解剖结构721和由第一解剖结构722的第二特征数据表示的第一解剖结构722。点731可以是第一解剖结构721的中心点,点732可以是第一解剖结构722的中心点。参考帧是基于第一图像中的一个或以上固定点确定的。可以基于第一解剖结构的中心点和参考帧来确定第一图像中第一解剖结构的起始位置。
在720中,变换应用模块450可以基于一个或以上变换参数确定平移矢量。与平移相关的一个或以上变换参数可以包括平移的方向和平移的距离。变换应用模块450可以基于平移的方向和平移的距离来确定平移矢量。
在730中,变换应用模块450可以基于平移矢量和第一特征数据确定第二特征数据。在一些实施例中,变换应用模块450可以基于第一解剖结构的起始位置和一个或以上变换参数来确定第一解剖结构的第二特征数据。如图7B所示,变换应用模块450可以基于平移矢量和第一解剖结构721生成第一解剖结构722。从点731到点732的矢量750可以是平移矢量。变换应用模块450可以基于平移矢量,移动识别第一解剖结构的所有像素,以生成第一解剖结构722。例如,变换应用模块450可以基于到点742的平移矢量(即,在第一解剖结构722的轮廓上)来移动位于点741上的像素(即,在第一解剖结构721的轮廓上)。
需要注意的是,以上关于将变换应用于第一特征数据以生成第二特征数据的流程700的描述,仅出于说明的目的,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出多种修改和变化。然而,这些修改和变化不会背离本申请的范围。在一些实施例中,流程700还可以包括其他步骤。
本实施例具备以下之一的技术效果:1.将一个或以上变换应用于具有分割信息的第一图像(在计划成像过程获取的计划图像,用于制定治疗计划)上,可大量获取具有分割信息的第二图像;2.基于获取的第二图像训练初始分割模型得到训练好的分割模型,可用于识别实时放射治疗过程中获取的治疗图像的分割信息,基于计划图像的分割信息和治疗图像的分割信息的差异,修改基于计划图像制定的治疗计划,从而提高治疗的靶向性。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述申请披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的至少一个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于至少一个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。所述传播信号可能有多种表现形式,包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质、或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,例如,局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的申请实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对至少一个申请实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档、物件等,特将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的形变也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不限于本申请明确介绍和描述的实施例。
Claims (22)
1.一种生成图像的方法,其特征在于,所述方法包括:
获取包括第一对象的第一解剖结构的第一图像;
确定所述第一解剖结构的第一特征数据;
确定与所述第一解剖结构相关的一个以上第一变换,其中,第一变换包括变换类型和与所述变换类型相关的一个以上变换参数,以及所述变换类型包括解剖结构的平移、解剖结构的旋转、解剖结构的形变、额外结构的出现以及解剖结构的部分消失中的至少一个;
将所述一个以上第一变换应用于所述第一解剖结构的所述第一特征数据,以生成所述第一解剖结构的第二特征数据;以及
基于所述第一解剖结构的所述第二特征数据生成第二图像。
2.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:
确定与所述一个以上第一变换相关的变换序列;以及
基于所述变换序列生成所述第二图像。
3.根据权利要求1所述的方法,其特征在于,所述第一特征数据或所述第二特征数据包括:
表示所述第一解剖结构的轮廓的两个以上第一像素的像素值和像素位置,以及
表示由所述第一解剖结构的轮廓包围的内部区域的两个以上第二像素的像素值和像素位置。
4.根据权利要求1所述的方法,其特征在于,所述将所述一个以上第一变换应用于所述第一特征数据以生成第二特征数据包括:
通过确定所述第一图像中的一个以上固定点生成参考帧;以及
基于所述参考帧和所述一个以上变换参数确定所述第一解剖结构的所述第二特征数据。
5.根据权利要求4所述的方法,其特征在于,所述基于所述参考帧和所述一个以上变换参数确定所述第一解剖结构的所述第二特征数据包括:
确定所述第一解剖结构的中心点;
基于所述第一解剖结构的所述中心点和所述参考帧确定所述第一解剖结构的起始位置;
基于所述第一解剖结构的所述起始位置和所述一个以上变换参数,确定所述第一解剖结构的所述第二特征数据。
6.根据权利要求5所述的方法,其特征在于,所述变换类型包括解剖结构的平移,以及所述将所述一个以上变换应用于所述第一特征数据包括:
基于所述一个以上变换参数确定平移矢量;以及
基于所述平移矢量和所述第一特征数据确定所述第二特征数据。
7.根据权利要求1所述的方法,其特征在于,所述第一图像进一步包括所述第一对象的第二解剖结构,以及所述方法进一步包括:
确定所述第一解剖结构和所述第二解剖结构之间的优先级顺序;和
基于所述第一解剖结构和所述第二解剖结构之间的优先级顺序,生成所述第二图像。
8.根据权利要求1所述的方法,其特征在于,所述确定所述第一解剖结构的所述第一变换包括:
基于一个以上参数约束确定与变换类型相关的一个以上变换参数。
9.根据权利要求1所述的方法,其特征在于,所述变换类型进一步包括对比噪声比的调节。
10.根据权利要求1所述的方法,其特征在于,所述第一图像是在放射治疗中使用的具有分割信息的计划图像。
11.根据权利要求10所述的方法,其特征在于,所述计划图像是CT图像。
12.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:
基于一个以上第二图像生成训练图像集;
获取初始模型;以及
基于所述训练图像集和所述初始模型生成训练好的模型。
13.根据权利要求12所述的方法,其特征在于,所述方法进一步包括:
获取包含所述第一解剖结构的治疗图像;以及
基于所述训练好的模型和所述治疗图像识别与所述第一解剖结构相关的两个以上像素。
14.一种生成具有分割信息的图像的方法,包括:
获取与治疗计划相关联的对象的第一图像,所述第一图像包括第一对象的第一解剖结构;
确定所述第一解剖结构的第一特征数据;
确定与所述第一解剖结构相关的一个以上第一变换,其中,第一变换包括变换类型以及与所述变换类型相关的一个以上变换参数,以及所述变换类型包括所述解剖结构的平移、解剖结构的旋转、解剖结构的形变、额外结构的出现以及解剖结构的部分消失中的至少一个;
将所述一个以上第一变换应用于所述第一解剖结构的所述第一特征数据,以生成所述第一解剖结构的第二特征数据;
基于所述第一解剖结构的所述第二特征数据生成第二图像;
基于初始模型和包括一个以上第二图像的训练图像集生成训练好的模型;
在放射治疗之前、期间或之后且在所述治疗计划阶段之后获取所述对象的治疗图像;以及
基于所述训练好的模型和所述治疗图像生成具有分割信息的图像。
15.如权利要求14所述的方法,其特征在于,所述方法进一步包括:
基于具有分割信息的所述图像修改所述治疗计划。
16.根据权利要求14所述的方法,其特征在于,所述第一图像和所述治疗图像是在不同模态下获取的。
17.根据权利要求14所述的方法,其特征在于,所述第一图像和所述治疗图像是在不同剂量水平或不同信噪比水平下获取的。
18.一种生成图像的系统,其特征在于,包括图像获取模块、特征数据确定模块、变换应用模块和图像生成模块;
所述图像获取模块被配置为获取包括第一对象的第一解剖结构的第一图像;
所述特征数据确定模块被配置为确定所述第一解剖结构的第一特征数据;
所述变换应用模块被配置为确定与所述第一解剖结构相关的一个以上第一变换,其中,第一变换包括变换类型和与所述变换类型相关的一个以上变换参数,以及所述变换类型包括解剖结构的平移、解剖结构的旋转、解剖结构的形变、额外结构的出现以及解剖结构的部分消失中的至少一个;
所述变换应用模块被配置为将所述一个以上第一变换应用于所述第一解剖结构的所述第一特征数据,以生成所述第一解剖结构的第二特征数据;以及
所述图像生成模块被配置为基于所述第一解剖结构的所述第二特征数据生成第二图像。
19.一种生成具有分割信息的图像的系统,其特征在于,包括图像获取模块、特征数据确定模块、变换应用模块、图像生成模块、模型确定模块和解剖结构识别模块,
所述图像获取模块被配置为获取与治疗计划相关联的对象的第一图像,所述第一图像包括第一对象的第一解剖结构;
所述特征数据确定模块被配置为确定所述第一解剖结构的第一特征数据;
所述变换应用模块被配置为确定与所述第一解剖结构相关的一个以上第一变换,其中,第一变换包括变换类型以及与所述变换类型相关的一个以上变换参数,以及所述变换类型包括所述解剖结构的平移、解剖结构的旋转、解剖结构的形变、额外结构的出现以及解剖结构的部分消失中的至少一个;
所述变换应用模块被配置为将所述一个以上第一变换应用于所述第一解剖结构的所述第一特征数据,以生成所述第一解剖结构的第二特征数据;
所述图像生成模块被配置为基于所述第一解剖结构的所述第二特征数据生成第二图像;
所述模型确定模块被配置为基于初始模型和包括一个以上第二图像的训练图像集生成训练好的模型;
所述图像获取模块被配置为在放射治疗之前、期间或之后且在所述治疗计划阶段之后获取所述对象的治疗图像;以及
所述解剖结构识别模块被配置为基于所述训练好的模型和所述治疗图像生成具有分割信息的图像。
20.一种生成图像的装置,包括处理器,其特征在于,所述处理器用于执行权利要求1~13任一项所述的生成图像的方法。
21.一种生成具有分割信息的图像的装置,包括处理器,其特征在于,所述处理器用于执行权利要求14~17任一项所述的生成具有分割信息的图像的方法。
22.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~17任一项所述的生成图像的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/004,387 | 2018-06-09 | ||
US16/004,387 US10685445B2 (en) | 2018-06-09 | 2018-06-09 | Systems and methods for generating augmented segmented image set |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109658470A CN109658470A (zh) | 2019-04-19 |
CN109658470B true CN109658470B (zh) | 2022-11-08 |
Family
ID=66114883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811554209.7A Active CN109658470B (zh) | 2018-06-09 | 2018-12-19 | 生成图像的系统和方法 |
Country Status (2)
Country | Link |
---|---|
US (2) | US10685445B2 (zh) |
CN (1) | CN109658470B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11475991B2 (en) * | 2018-09-28 | 2022-10-18 | Varian Medical Systems International Ag | Methods and systems for adaptive radiotherapy treatment planning using deep learning engines |
US10818386B2 (en) * | 2018-11-21 | 2020-10-27 | Enlitic, Inc. | Multi-label heat map generating system |
JP7237624B2 (ja) * | 2019-02-07 | 2023-03-13 | 浜松ホトニクス株式会社 | 画像処理装置および画像処理方法 |
US11842497B2 (en) | 2020-12-09 | 2023-12-12 | Elekta Limited | Automatic contour adaptation using neural networks |
CN112991522B (zh) * | 2021-03-30 | 2023-03-24 | 华南理工大学 | 一种个性化二尖瓣自动建模方法、系统及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107077736A (zh) * | 2014-09-02 | 2017-08-18 | 因派克医药系统有限公司 | 依据基于解剖学界标的特征分割医学图像的系统和方法 |
CN107123095A (zh) * | 2017-04-01 | 2017-09-01 | 上海联影医疗科技有限公司 | 一种pet图像重建方法、成像系统 |
CN107992817A (zh) * | 2017-06-15 | 2018-05-04 | 上海联影医疗科技有限公司 | 自动成像方法和系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4347571B2 (ja) * | 2001-04-02 | 2009-10-21 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | テンプレートを使用した心臓のモデル |
US9848765B2 (en) * | 2013-07-10 | 2017-12-26 | Commonwealth Scientific and Industrail Research Organisation | Quantifying a blood vessel reflection parameter of the retina |
US10433911B2 (en) * | 2013-09-18 | 2019-10-08 | iMIRGE Medical INC. | Optical targeting and visualization of trajectories |
KR101613521B1 (ko) * | 2015-02-17 | 2016-05-02 | 서강대학교산학협력단 | 의료 영상 신호를 위한 필터 조립체 및 이를 이용한 동적 데시메이션 방법 |
EP3574504A1 (en) * | 2017-01-24 | 2019-12-04 | Tietronix Software, Inc. | System and method for three-dimensional augmented reality guidance for use of medical equipment |
US10722731B2 (en) * | 2017-09-30 | 2020-07-28 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for pretreatement imaging in adaptive radiation therapy |
CN109496327A (zh) * | 2017-12-13 | 2019-03-19 | 上海联影医疗科技有限公司 | 用于诊断和治疗的系统和方法 |
WO2019134153A1 (en) * | 2018-01-06 | 2019-07-11 | Shenzhen United Imaging Healthcare Co., Ltd. | Systems and methods for multiplanar radiation treatment |
CN111093764B (zh) * | 2018-01-11 | 2022-05-03 | 上海联影医疗科技股份有限公司 | 一种辐射系统和图像引导放射治疗系统 |
-
2018
- 2018-06-09 US US16/004,387 patent/US10685445B2/en active Active
- 2018-12-19 CN CN201811554209.7A patent/CN109658470B/zh active Active
-
2020
- 2020-06-04 US US16/892,311 patent/US11972575B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107077736A (zh) * | 2014-09-02 | 2017-08-18 | 因派克医药系统有限公司 | 依据基于解剖学界标的特征分割医学图像的系统和方法 |
CN107123095A (zh) * | 2017-04-01 | 2017-09-01 | 上海联影医疗科技有限公司 | 一种pet图像重建方法、成像系统 |
CN107992817A (zh) * | 2017-06-15 | 2018-05-04 | 上海联影医疗科技有限公司 | 自动成像方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109658470A (zh) | 2019-04-19 |
US20190378278A1 (en) | 2019-12-12 |
US20200302613A1 (en) | 2020-09-24 |
US11972575B2 (en) | 2024-04-30 |
US10685445B2 (en) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109658470B (zh) | 生成图像的系统和方法 | |
US11554272B2 (en) | System and method for diagnostic and treatment | |
CN109011203B (zh) | 基于预处理成像的适应性放射治疗系统、装置及存储介质 | |
US20230330436A1 (en) | System and method for adaptive radiation therapy | |
US20230394719A1 (en) | System and method for image processing | |
US20230009625A1 (en) | Systems and methods for generating adaptive radiation therapy plan | |
US20230290480A1 (en) | Systems and methods for clinical target contouring in radiotherapy | |
US12011612B2 (en) | Systems and methods for robust radiation treatment planning | |
US11458334B2 (en) | System and method for diagnosis and treatment | |
CN111161371B (zh) | 成像系统和方法 | |
US20230169668A1 (en) | Systems and methods for image registration | |
US20220387822A1 (en) | Systems and methods for radiotherapy planning | |
US20230191158A1 (en) | Systems and methods for radiotherapy | |
WO2022061840A1 (en) | Systems and methods for generating radiation therapy plan | |
CN118266006A (zh) | 数据处理的系统和方法 |
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 | ||
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. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |