CN109859182B - 医学图像失配检测方法、装置、计算机设备和存储介质 - Google Patents
医学图像失配检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109859182B CN109859182B CN201910085192.3A CN201910085192A CN109859182B CN 109859182 B CN109859182 B CN 109859182B CN 201910085192 A CN201910085192 A CN 201910085192A CN 109859182 B CN109859182 B CN 109859182B
- Authority
- CN
- China
- Prior art keywords
- image
- modality
- modality image
- region
- image data
- 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
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种医学图像失配检测方法、装置、计算机设备和存储介质。所述方法包括:获取多模态医学影像诊断设备的第一模态图像数据和第二模态图像数据;对第一模态图像数据和第二模态图像数据进行重建,得到第一模态图像数据对应的第一模态图像和第二模态图像数据对应的第二模态图像;根据第一模态图像和第二模态图像获取第一模态图像中身体对应的第一区域和第二模态图像中身体对应的第二区域;根据第一区域和第二区域确定身体移动造成的轮廓差图像;根据轮廓差图像确定第一模态图像和第二模态图像的失配检测结果。采用本方法能够自动检测医学图像是否失配。
Description
技术领域
本申请涉及医学技术领域,特别是涉及一种医学图像失配检测方法、装置、计算机设备和存储介质。
背景技术
随着医学技术的发展,出现了多模态的医学影像诊断设备,例如PET/CT和PET/MR成像技术。多模态的医学影像诊断设备能够同时获取放射元素在病人身体中的分布图和各组织部位对x射线的衰减图。但是由于二者采集图像存在时间差异,导致两组图像不能完全匹配。并且,一方面由于进行CT或者MR扫描时有可能采用让病人深呼吸屏气的方式进行采集,这种情况下的CT图像和MR图像必然会与自由呼吸扫描的PET数据有较大的差别。另一方面,由于病人极有可能在设备扫描过程中发生自主运动,同样会导致二者图像失配。
然而,因为重建PET图像需要与之匹配的衰减图,否则会出现失配伪影,影响图像质量。因此,传统确定图像是否失配通常是需要用户人工对图像的失配现象进行判断。
发明内容
基于此,有必要针对上述技术问题,提供一种能够自动检测的医学图像失配检测方法、装置、计算机设备和存储介质。
一种医学图像失配检测方法,所述方法包括:
获取多模态医学影像诊断设备的第一模态图像数据和第二模态图像数据;
对所述第一模态图像数据和所述第二模态图像数据进行重建,得到所述第一模态图像数据对应的第一模态图像和所述第二模态图像数据对应的第二模态图像;
根据所述第一模态图像和所述第二模态图像获取所述第一模态图像中身体对应的第一区域和所述第二模态图像中身体对应的第二区域;
根据所述第一区域和所述第二区域确定身体移动造成的轮廓差图像;
根据所述轮廓差图像确定所述第一模态图像和所述第二模态图像的失配检测结果。
在其中一个实施例中,所述第一模态图像和所述第二模态图像获取所述第一模态图像中身体对应的第一区域和所述第二模态图像中身体对应的第二区域的步骤,包括:
利用阈值法对所述第一模态图像进行图像分割,得到所述第一模态图像中身体对应的第一区域;
对所述第一区域进行形态学变换处理,获取区域边界;
根据所述区域边界获取所述第二模态图像中身体对应的第二区域。
在其中一个实施例中,所述形态学变换处理包括图像膨胀处理和图像腐蚀处理;
所述对所述第一区域进行形态学变换处理,获取区域边界的步骤,包括:
对所述第一区域进行图像膨胀处理,得到膨胀区域;
对所述第一区域进行图像腐蚀处理,得到腐蚀区域;
根据所述膨胀区域和所述腐蚀区域得到区域边界。
在其中一个实施例中,所述根据所述区域边界获取所述第二模态图像中身体对应的第二区域的步骤,包括:
获取所述区域边界外的第一像素值和所述区域边界内的第二像素值;
根据所述第一像素值和所述第二像素值的平均值分割所述第二模态图像,得到第二模态图像中身体对应的第二区域。
在其中一个实施例中,所述根据所述轮廓差图像确定所述第一模态图像和所述第二模态图像的失配检测结果的步骤,包括:
计算所述轮廓差图像的总体像素值;
若所述总体像素值不大于第一预设值,则确定所述第一模态图像和所述第二模态图像匹配;
若所述总体像素值大于第一预设值且小于第二预设值,则确定所述第一模态图像和所述第二模态图像的失配检测结果为第一级别失配;所述第一预设值小于所述第二预设值;
若所述总体像素值不小于第二预设值,则确定所述第一模态图像和所述第二模态图像的失配检测结果为第二级别失配;所述第二级别失配的失配程度大于所述第一级别失配。
在其中一个实施例中,在确定所述第一模态图像和所述第二模态图像的失配检测结果为第一级别失配的步骤之后,还包括:
根据所述第一区域中的目标区域和所述第二区域中的目标区域得到目标区域轮廓差图像;
根据所述目标区域轮廓差图像确定目标区域的正轮廓差和负轮廓差;
根据所述正轮廓差和所述负轮廓差确定失配原因。
在其中一个实施例中,所述对所述第一模态图像数据和所述第二模态图像数据进行重建,得到所述第一模态图像数据对应的第一模态图像和所述第二模态图像数据对应的第二模态图像的步骤,包括:
获取所述第一模态图像数据对应的第一模态图像以及对应的衰减系数图;
根据所述衰减系数图对所述第二模态图像数据进行矫正,得到所述第二模态图像数据对应的第二模态图像。
一种医学图像失配检测装置,所述装置包括:
获取模块,用于获取多模态医学影像诊断设备的第一模态图像数据和第二模态图像数据;
重建模块,用于对所述第一模态图像数据和所述第二模态图像数据进行重建,得到所述第一模态图像数据对应的第一模态图像和所述第二模态图像数据对应的第二模态图像;
所述获取模块还用于根据所述第一模态图像和所述第二模态图像获取所述第一模态图像中身体对应的第一区域和所述第二模态图像中身体对应的第二区域;
确定模块,根据所述第一区域和所述第二区域确定身体移动造成的轮廓差图像;
检测模块,用于根据所述轮廓差图像确定所述第一模态图像和所述第二模态图像的失配检测结果。
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上述任意一项所述的医学图像失配检测方法。
一种计算机可读存储介质,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任意一项所述的医学图像失配检测方法。
上述医学图像失配检测方法、装置、计算机设备和存储介质,通过获取多模态医学影像诊断设备的第一模态图像数据和第二模态图像数据,对第一模态图像数据和第二模态图像数据进行重建得到对应的第一模态图像和第二模态图像,然后获取第一模态图像对应的第一区域和第二模态图像对应的第二区域,从而确保能够准确获取到身体区域范围的图像。根据第一区域和第二区域确定的轮廓差图像确定第一模态图像和第二模态图像的失配检测结果,从而实现自动检测医学图像是否有失配现象。
附图说明
图1为一个实施例中医学图像失配检测方法的应用环境图;
图2为一个实施例中医学图像失配检测方法的流程示意图;
图3为一个实施例中获取第一区域和第二区域步骤的流程示意图;
图4为一个实施例中CT图像分割后的示意图;
图5为一个实施例中形态学变换处理算子的示意图;
图6为一个实施例中CT衰减图的示意图;
图7为一个实施例中医学图像失配检测装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
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。
本申请提供的医学图像失配检测方法,可以应用于如图1所示的应用环境中。其中,计算机设备102通过网络与多模态医学影像诊断设备104进行通信,计算机设备102获取多模态医学影像诊断设备104的第一模态图像数据和第二模态图像数据;计算机设备102对第一模态图像数据和第二模态图像数据进行重建,得到第一模态图像数据对应的第一模态图像和第二模态图像数据对应的第二模态图像;计算机设备102根据第一模态图像和第二模态图像获取第一模态图像中身体对应的第一区域和第二模态图像中身体对应的第二区域;计算机设备102根据第一区域和第二区域确定身体移动造成的轮廓差图像;计算机设备102根据轮廓差图像确定第一模态图像和第二模态图像的失配检测结果。其中,多模态医学影像诊断设备104可以但不限于是PET/CT设备,PET/MR设备。
在一个实施例中,如图2所示,提供了一种医学图像失配检测方法,以该方法应用于图1中的计算机设备102为例进行说明,包括以下步骤:
步骤S202,获取多模态医学影像诊断设备的第一模态图像数据和第二模态图像数据。
其中,医学影像诊断设备是指通过借助某种介质,例如X射线、电磁场、超声波等与人体相互作用,把人体内部组织器官结构、密度以影像方式表现出来,供诊断人员根据影像提供的信息进行判断的设备。而如今出现了多模态的医学影像诊断设备,大多是PET(Positron Emission Computed Tomography,正电子发射型计算机断层显像)与CT(Computed Tomography,计算机断层扫描)或者MR(Magnetic Resonance Imaging,磁共振成像)结合一体的医学影像诊断设备,分别称为PET/CT和PET/MR。第一模态图像数据则是CT图像数据或者MR图像数据,第二模态图像数据则是PET图像数据。在本实施例中,人体包括但不仅限于人,人体也可以理解为是其他动物等。
具体地,服务器获取多模态医学影像诊断设备临床所采集的数据,若以PET/CT设备为例则是获取所采集的CT图像数据和PET图像数据。
步骤S204,对第一模态图像数据和第二模态图像数据进行重建,得到第一模态图像数据对应的第一模态图像和所述第二模态图像数据对应的第二模态图像。
其中,第一模态图像为第一模态图像数据对应的医学影像,第二模态图像则为第二模态图像数据对应的医学影像。例如,若设备为PET/CT,则第一模态图像数据为CT图像数据,所对应的第一模态图像即为CT图像。若设备为PET/MR,则第一模态图像数据为MR图像数据,所对应的第一模态图像即为MR图像。而,第二模态图像数据均为PET图像数据,则所对应的第二模态图像为PET图像。
具体地,获取到第一模态图像数据和第二模态图像数据后,首先对第一模态图像数据进行图像重建获取对应的第一模态图像。然后,根据重建第一模态图像时所获取的衰减图对第二模态图像数据进行矫正后再进行图像重建,获取到第二模态图像数据对应的第二模态图像。例如,以PET/CT为例,首先根据CT图像数据进行图像重建获取到CT图像。然后根据PET图像数据进行图像重建时,使用该CT图像对应的衰减图对PET图像数据进行矫正,得到PET图像数据对应的PET图像。
步骤S206,根据第一模态图像和第二模态图像获取第一模态图像中身体对应的第一区域和第二模态图像中身体对应的第二区域。
其中,由于医学影像是采集的人身体的图像,则第一区域为第一模态图像中包括身体区域的图像,第二区域则是第二模态图像中包括身体区域的图像。
具体地,当获取到第一模态图像数据和第二模态图像数据对应的第一模态图像和第二模态图像后,通过图像分割分别获取第一模态图像和第二模态图像中身体对应的第一区域和第二区域。例如,分别通过图像分割获取CT图像和PET图像中身体所对应的第一区域和第二区域。其中,图像分割可以采用基于阈值的分割方法,基于区域的分割方法,基于边缘的分割方法以及基于特定理论的分割方法等。
步骤S208,根据第一区域和第二区域确定身体移动造成的轮廓差图像。
其中,身体移动则是指用户在用医学设备进行扫描时发生的自主的和不自主的移动,特别是微小的移动,例如呼吸等。轮廓一般是指物体的外周或者图形的外框,轮廓差图像则是指用于表示同一物体在多张图像中的轮廓的差距。在本实施例中,即为第一区域中的身体轮廓和第二区域中的身体轮廓的差距。
具体地,当根据第一模态图像获取到身体对应的第一区域,根据第二模态图像获取到身体对应的第二区域后,通过计算第一区域和第二区域之间的差值得到轮廓差图像。例如,以PET/CT为例,若CT图像对应的第一区域记为CT_mask,PET图像对应的第二区域记为PET_mask,则轮廓差图像Diff_coronal:
Diff_coronal=CT_mask-PET_mask。
步骤S210,根据轮廓差图像确定第一模态图像和第二模态图像的失配检测结果。
其中,失配检测结果包括未失配、轻微失配和严重失配。未失配即第一模态图像和第二模态图像没有出现不匹配的现象。轻微失配表示第一模态图像和第二模态图像出现了轻微的不匹配现象,即轮廓差较小却又不能忽略的失配,成因可能是图像噪声的影响,即可以进一步检测失配的原因。而严重失配即为第一模态图像和第二模态图像出现较大的不匹配现象。
并且,轮廓差图像只包含三种像素值,分别为-1、0和1。其中,0表示图像重合,即没有失配现象。-1代表第二模态图像中的身体部分未被第一模态图像的身体部分覆盖,1则表示第二模态图像中的身体部分被第一模态图像的身体部分覆盖。例如,以PET/CT为例说明,当CT图像和PET图像的轮廓差图像中包含像素值为0的部分,则表示该像素值为0的部分中的CT图像和PET图像是重合的;若轮廓差图像中包含像素值为-1的部分,则表示该像素值为-1的部分中的PET图像的身体部分没有被CT图像的身体部分覆盖;若轮廓差图像中包含像素值为1的部分,则表示该像素值为1的部分中的PET图像的身体部分被CT图像的身体部分覆盖。
具体地,获取到轮廓差图像后,计算轮廓差图像中所有像素值的绝对值的和,得到轮廓差图像的总体像素值,根据总体像素值确定二者图像的失配检测结果,即根据失配检测结果确定失配的程度。
上述医学图像失配检测方法通过获取多模态医学影像诊断设备的第一模态图像数据和第二模态图像数据,对第一模态图像数据和第二模态图像数据进行重建得到对应的第一模态图像和第二模态图像,然后获取第一模态图像对应的第一区域和第二模态图像对应的第二区域,从而确保能够准确获取到身体区域范围的图像。根据第一区域和第二区域确定的轮廓差图像确定第一模态图像和第二模态图像的失配检测结果,从而实现自动检测医学图像是否有失配现象。
在一个实施例中,如图3所示,根据第一模态图像和第二模态图像获取第一模态图像中身体对应的第一区域和第二模态图像中身体对应的第二区域包括以下步骤:
步骤S302,利用阈值法对第一模态图像进行图像分割,得到第一模态图像中身体对应的第一区域。
其中,阈值法即为基于区域的分割方法,通过利用图像中要提取的目标与背景在灰度上的差异,通过设置阈值来把像素点分为若干类,从而实现目标与背景的分离。一般通过判断图像中的每一个像素点的特征属性判断是否满足阈值的要求,来确定图像中的该像素点是属于要提取的目标区域还是背景区域。如图4所示,本实施例中提供了对CT图像分割后的示意图,从左到右分别为transaxial(横断面),coronal(冠状面),sagittal view(矢状面)。
具体地,利用阈值法的原理设定阈值,通过阈值将第一模态图像中的像素点分为若干类,实现第一模态图像中身体部分与背景的分离,得到身体部分对应的第一区域。
步骤S304,对第一区域进行形态学变换处理,获取区域边界。
其中,形态学变换处理即为数学形态学,是一门建立在格伦和拓扑学基础之上的图像分析学科,是数学形态学的图像处理的基本理论。一般的基本的运算包括:图像腐蚀、图像膨胀、开运算和闭运算、骨架抽取、极限腐蚀、击中击不中变换、形态学梯度、颗粒分析以及流域变换等等。区域边界则是指第一区域的边界范围。
具体地,通过对第一区域的边界向内外扩展一定的宽度,得到一个可能的边界范围,即区域边界。首先对第一模态图像中身体对应的第一区域进行形态学变换中的图像腐蚀处理,再对第一模态图像中身体对应的第一区域进行形态学变换中的图像膨胀处理,根据图像腐蚀和图像膨胀的结果确定区域边界。
在一个实施例中,对第一区域进行形态学变换处理,获取区域边界包括:对第一区域进行图像膨胀处理,得到膨胀区域;对第一区域进行图像腐蚀处理,得到腐蚀区域;根据膨胀区域和腐蚀区域得到区域边界。
具体地,图像处理多用MATLAB软件,而在MATLAB软件中用image_dilate函数实现图像膨胀,用image_erode函数实现图像腐蚀。膨胀是指对图像中的高亮部分进行膨胀,领域扩张。腐蚀则是将图像中的高亮部分腐蚀掉,领域缩减。即通过图像膨胀和图像腐蚀得到第一区域的区域边界范围,则该区域边界可用如下图像处理方式获得:
Boundary_mask=image_dilate(CT_mask,n)-image_erode(CT_mask,n);
其中,Boundary_mask为区域边界,CT_mask为CT图像对应的第一区域,n为膨胀函数和腐蚀函数所用到的算子。在本实施例中,如图5所示,n算子采用的是一个直径为5个像素的圆盘(disk)。
步骤S306,根据区域边界获取第二模态图像中身体对应的第二区域。
具体地,获取第二模态图像中身体对应的第二区域同样利用阈值法,其中该设定的阈值根据区域边界获取。首先获取区域边界内外的像素值,根据边界内外的像素值确定第二模态图像分割所需要的阈值,根据该阈值对第二模态图像进行图像分割,得到身体对应的第二区域。
在一个实施例中,根据区域边界获取第二模态图像中身体对应的第二区域包括:获取区域边界外的第一像素值和区域边界内的第二像素值;根据第一像素值和第二像素值的平均值分割第二模态图像,得到第二模态图像中身体对应的第二区域。
其中,像素值是指图像被数字化时由计算机所赋予的值,代表图像中某一小方块的平均亮度信息,或者说该小方块的平均反射密度信息。
具体地,获取第二模态图像分割所需要的阈值时,首先获取该区域边界外的像素值,即为第一像素值。再获取该区域边界内的像素值,即为第二像素值。计算第一像素值和第二像素值的平均值,该平均值即为第二模态图像分割所需要的最优阈值,利用阈值法,根据该平均值分割第二模态图像,得到第二模态图像对应的第二区域。例如,同样在MATLAB中,可做如下计算获取第二模态图像的分割阈值:
Initialize u1,u2;
T_old=0;
T_new=(u1+u2)/2;
While(absolute_value(T_new–T_old)>eps)
u1=mean(I(I<T_new));
u2=mean(I(I>T_new));
T_old=T_new;
T_new=(u1+u2)/2;
end
threshold=T_new;
其中,u1为区域边界外的像素值,即第一像素值;u2为区域边界内的像素值,即第二像素值;T_old和T_new为所设定的参数;absolute_value为绝对值函数;eps为预设值;threshold为第二模态图像的分割阈值,
在一个实施例中,根据轮廓差图像确定第一模态图像和第二模态图像的失配检测结果包括:计算轮廓差图像的总体像素值;若总体像素值不大于第一预设值,则确定第一模态图像和第二模态图像匹配;若总体像素值大于第一预设值且小于第二预设值,则确定第一模态图像和第二模态图像的失配检测结果为第一级别失配;第一预设值小于所述第二预设值;若总体像素值不小于第二预设值,则确定第一模态图像和第二模态图像的失配检测结果为第二级别失配;第二级别失配的失配程度大于所述第一级别失配。
其中,总体像素值是指轮廓差图像中所有像素值的绝对值的和,根据总体像素值体现图像之间的身体位置的差别。第一级别失配即为轻微失配,第二级别失配即为严重失配。预设值是指与总体像素值进行比较的值,因考虑到一定的图像噪声影响,则根据设定的预设值与总体像素值比较得出失配程度。预设值可以依据临床图像测试情况进行设定,对于不同的PET tracer(示踪剂)需要设置不同的预设值标准。
具体地,首先计算轮廓差图像的总体像素值S,S=sum(absolute_value(Diff_coronal)),轮廓差图像Diff_coronal的像素值包括0、-1和1,则取所有的0、-1和1的绝对值相加得到总体像素值。例如,Diff_coronal的像素值有0、0、0、1、1、1、1、-1、-1、-1,则取所有像素值的绝对值再相加,即S=0+0+0+1+1+1+1+1+1+1=7。然后获取预设的第一预设值和第二预设值,将该总体像素值与第一预设值和第二预设值进行比较确定失配的程度。若总体像素值不大于第一预设值,即小于等于第一预设值,则表示图像是匹配的,则表示没有失配现象;若总像素值大于第一预设值,但是小于第二预设值,则表示为第一级别失配,即轻微失配;若总体像素值不小于第二预设值,即大于等于第二预设值,则表示为第二级别失配,即严重失配。其中,若为轻微失配,则有可能是由于图像噪声或者自主移动所造成的,则可以进一步判断失配原因。
在一个实施例中,确定第一级别失配的失配原因包括:根据第一区域中的目标区域和第二区域中的目标区域得到目标区域轮廓差图像;根据目标区域轮廓差图像确定目标区域的正轮廓差和负轮廓差;根据正轮廓差和负轮廓差确定失配原因。
其中,因为在仰卧状态下,呼吸时背部是不会有较大的运动的,所以进一步判断轻微失配原因时获取的目标区域为身体的前胸区域,目标区域轮廓差图像即为前胸区域的轮廓差图像。正轮廓差是指前胸区域图像所有为1的像素值的总体像素值,而负轮廓差则是所有为-1的像素值的总体像素值。
具体地,首先,从第一模态图像中身体对应的第一区域中获取包含前胸部分的图像,即第一区域中的前胸区域,以及从第二模态图像中身体对应的第二区域中获取包含前胸部分的图像,即第二区域中的前胸区域。其次,通过计算第一区域中的前胸区域与第二区域中的前胸区域的差值得到前胸区域轮廓差图像。最后,根据前胸区域轮廓差图像的像素值计算正轮廓差和负轮廓差。即,获取前胸区域轮廓差图像中像素值为1的像素值,将所有的像素值1相加得到正轮廓差。获取前胸区域轮廓差图像中像素值为-1的像素值,将所有的像素值-1相加得到负轮廓差。正轮廓差和负轮廓差计算如下:
正轮廓差:S’=sum(positive(Diff_coronal_front))
负轮廓差:S’=sum(negative(Diff_coronal_front))
其中,positive表示正轮廓,negative表示负轮廓;Diff_coronal_front表示前胸区域轮廓差图像。例如,若前胸区域轮廓差图像中的像素值有:0、0、0、1、1、1、-1、-1,则正轮廓差S’=1+1+1=3,而负轮廓差S’=(-1)+(-1)=-2。
当计算出正轮廓差和负轮廓差后,将正轮廓差和负轮廓差与设定的阈值进行比较,若正轮廓差大于阈值,则由于深吸气屏气时胸腹向外扩张,则可以确定轻微失配原因可能是由呼吸运动造成的。若反之,负轮廓差大于阈值,则根据深呼气屏气时胸腹向内收缩,则可以确定轻微失配的原因是由于深呼气屏气造成的。
在一个实施例中,对第一模态图像数据和第二模态图像数据进行重建,得到第一模态图像数据对应的第一模态图像和第二模态图像数据对应的第二模态图像包括:获取第一模态图像数据对应的第一模态图像以及对应的衰减系数图;根据衰减系数图对第二模态图像数据进行矫正,得到第二模态图像数据对应的第二模态图像。
具体地,以PET/CT为例,第一模态图像数据和第一模态图像即为CT图像数据和CT图像,第二模态图像数据和第二模态图像即为PET图像数据和PET图像。如图6所示,提供了本发明实施例中CT衰减图的示意图,从左到右分别为transaxial(横断面),coronal(冠状面),sagittal view(矢状面)。由于CT成像基本原理是利用X线束对人体检查部位一定厚度的层面进行扫描,而扫描所得信息经计算而获得每个体素的X线衰减系数,再排列成矩阵,即数字矩阵。再经由数字/模拟转换器将数字矩阵转为由黑到白不等灰度的小方块像素,构成CT图像,并且,对于PET/CT,重建PET图像需要与之匹配的衰减图。因此,首先通过CT图像数据重建得到CT图形,在通过重建CT图像时所获得的衰减系数图对PET图像数据进行衰减矫正和散射矫正,得到对应的PET图像。
应该理解的是,虽然图2-3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2-3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7所示,提供了一种医学图像失配检测装置,包括:获取模块702、重建模块704、确定模块706和检测模块708,其中:
获取模块702,用于获取多模态医学影像诊断设备的第一模态图像数据和第二模态图像数据。
重建模块704,用于对第一模态图像数据和第二模态图像数据进行重建,得到第一模态图像数据对应的第一模态图像和第二模态图像数据对应的第二模态图像。
获取模块702还用于根据第一模态图像和第二模态图像获取第一模态图像中身体对应的第一区域和第二模态图像中身体对应的第二区域。
确定模块706,用于根据第一区域和第二区域确定身体移动造成的轮廓差图像。
检测模块708,用于根据轮廓差图像确定第一模态图像和第二模态图像的失配检测结果。
在一个实施例中,获取模块702还用于利用阈值法对第一模态图像进行图像分割,得到第一模态图像中身体对应的第一区域;对第一区域进行形态学变换处理,获取区域边界;根据区域边界获取第二模态图像中身体对应的第二区域。
在一个实施例中,获取模块702还用于对第一区域进行图像膨胀处理,得到膨胀区域;对第一区域进行图像腐蚀处理,得到腐蚀区域;根据膨胀区域和腐蚀区域得到区域边界。
在一个实施例中,获取模块702还用于获取区域边界外的第一像素值和区域边界内的第二像素值;根据第一像素值和第二像素值的平均值分割第二模态图像,得到第二模态图像中身体对应的第二区域。
在一个实施例中,检测模块708还用于计算轮廓差图像的总体像素值;若总体像素值不大于第一预设值,则确定第一模态图像和所述第二模态图像匹配;若总体像素值大于第一预设值且小于第二预设值,则确定第一模态图像和第二模态图像的失配检测结果为第一级别失配;第一预设值小于第二预设值;若总体像素值不小于第二预设值,则确定第一模态图像和第二模态图像的失配检测结果为第二级别失配;第二级别失配的失配程度大于第一级别失配。
在一个实施例中,检测模块708还用于根据第一区域中的目标区域和第二区域中的目标区域得到目标区域轮廓差图像;根据目标区域轮廓差图像确定目标区域的正轮廓差和负轮廓差;根据正轮廓差和所述负轮廓差确定失配原因。
在一个实施例中,重建模块704还用于获取第一模态图像数据对应的第一模态图像以及对应的衰减系数图;根据衰减系数图对第二模态图像数据进行矫正,得到第二模态图像数据对应的第二模态图像。
关于医学图像失配检测装置的具体限定可以参见上文中对于医学图像失配检测方法的限定,在此不再赘述。上述医学图像失配检测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,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。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、计算机程序和数据库。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。该计算机设备的数据库用于存储医学图像数据。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。该计算机程序被处理器执行时以实现一种医学图像失配检测方法。
在另一个实施例中,该计算机设备也可以是终端,该计算机设备则可以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。该计算机程序被处理器执行时以实现一种医学图像失配检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、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8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:
获取多模态医学影像诊断设备的第一模态图像数据和第二模态图像数据;
对第一模态图像数据和第二模态图像数据进行重建,得到第一模态图像数据对应的第一模态图像和第二模态图像数据对应的第二模态图像;
根据第一模态图像和第二模态图像获取第一模态图像中身体对应的第一区域和第二模态图像中身体对应的第二区域;
根据第一区域和第二区域确定身体移动造成的轮廓差图像;
根据轮廓差图像确定第一模态图像和第二模态图像的失配检测结果。
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:
利用阈值法对第一模态图像进行图像分割,得到第一模态图像中身体对应的第一区域;对第一区域进行形态学变换处理,获取区域边界;根据区域边界获取第二模态图像中身体对应的第二区域。
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:
对第一区域进行图像膨胀处理,得到膨胀区域;对第一区域进行图像腐蚀处理,得到腐蚀区域;根据膨胀区域和腐蚀区域得到区域边界。
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:
获取区域边界外的第一像素值和区域边界内的第二像素值;根据第一像素值和第二像素值的平均值分割第二模态图像,得到第二模态图像中身体对应的第二区域。
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:
计算轮廓差图像的总体像素值;若总体像素值不大于第一预设值,则确定第一模态图像和所述第二模态图像匹配;若总体像素值大于第一预设值且小于第二预设值,则确定第一模态图像和第二模态图像的失配检测结果为第一级别失配;第一预设值小于第二预设值;若总体像素值不小于第二预设值,则确定第一模态图像和第二模态图像的失配检测结果为第二级别失配;第二级别失配的失配程度大于第一级别失配。
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:
根据第一区域中的目标区域和第二区域中的目标区域得到目标区域轮廓差图像;根据目标区域轮廓差图像确定目标区域的正轮廓差和负轮廓差;根据正轮廓差和所述负轮廓差确定失配原因。
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:
获取第一模态图像数据对应的第一模态图像以及对应的衰减系数图;根据衰减系数图对第二模态图像数据进行矫正,得到第二模态图像数据对应的第二模态图像。
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:
获取多模态医学影像诊断设备的第一模态图像数据和第二模态图像数据;
对第一模态图像数据和第二模态图像数据进行重建,得到第一模态图像数据对应的第一模态图像和第二模态图像数据对应的第二模态图像;
根据第一模态图像和第二模态图像获取第一模态图像中身体对应的第一区域和第二模态图像中身体对应的第二区域;
根据第一区域和第二区域确定身体移动造成的轮廓差图像;
根据轮廓差图像确定第一模态图像和第二模态图像的失配检测结果。
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:
利用阈值法对第一模态图像进行图像分割,得到第一模态图像中身体对应的第一区域;对第一区域进行形态学变换处理,获取区域边界;根据区域边界获取第二模态图像中身体对应的第二区域。
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:
对第一区域进行图像膨胀处理,得到膨胀区域;对第一区域进行图像腐蚀处理,得到腐蚀区域;根据膨胀区域和腐蚀区域得到区域边界。
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:
获取区域边界外的第一像素值和区域边界内的第二像素值;根据第一像素值和第二像素值的平均值分割第二模态图像,得到第二模态图像中身体对应的第二区域。
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:
计算轮廓差图像的总体像素值;若总体像素值不大于第一预设值,则确定第一模态图像和所述第二模态图像匹配;若总体像素值大于第一预设值且小于第二预设值,则确定第一模态图像和第二模态图像的失配检测结果为第一级别失配;第一预设值小于第二预设值;若总体像素值不小于第二预设值,则确定第一模态图像和第二模态图像的失配检测结果为第二级别失配;第二级别失配的失配程度大于第一级别失配。
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:
根据第一区域中的目标区域和第二区域中的目标区域得到目标区域轮廓差图像;根据目标区域轮廓差图像确定目标区域的正轮廓差和负轮廓差;根据正轮廓差和所述负轮廓差确定失配原因。
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:
获取第一模态图像数据对应的第一模态图像以及对应的衰减系数图;根据衰减系数图对第二模态图像数据进行矫正,得到第二模态图像数据对应的第二模态图像。
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)
1.一种医学图像失配检测方法,所述方法包括:
获取多模态医学影像诊断设备的第一模态图像数据和第二模态图像数据;
对所述第一模态图像数据和所述第二模态图像数据进行重建,得到所述第一模态图像数据对应的第一模态图像和所述第二模态图像数据对应的第二模态图像;
根据所述第一模态图像和所述第二模态图像获取所述第一模态图像中身体对应的第一区域和所述第二模态图像中身体对应的第二区域;
根据所述第一区域和所述第二区域确定身体移动造成的轮廓差图像;
根据所述轮廓差图像确定所述第一模态图像和所述第二模态图像的失配检测结果;
所述根据所述第一模态图像和所述第二模态图像获取所述第一模态图像中身体对应的第一区域和所述第二模态图像中身体对应的第二区域的步骤,包括:
利用阈值法对所述第一模态图像进行图像分割,得到所述第一模态图像中身体对应的第一区域;
对所述第一区域进行形态学变换处理,获取区域边界;所述区域边界是所述第一区域的边界范围;
根据所述区域边界获取所述第二模态图像中身体对应的第二区域,包括:
获取所述区域边界外的第一像素值和所述区域边界内的第二像素值;
根据所述第一像素值和所述第二像素值的平均值分割所述第二模态图像,得到第二模态图像中身体对应的第二区域。
2.根据权利要求1所述的方法,其特征在于,所述形态学变换处理包括图像膨胀处理和图像腐蚀处理;
所述对所述第一区域进行形态学变换处理,获取区域边界的步骤,包括:
对所述第一区域进行图像膨胀处理,得到膨胀区域;
对所述第一区域进行图像腐蚀处理,得到腐蚀区域;
根据所述膨胀区域和所述腐蚀区域得到区域边界。
3.一种医学图像失配检测方法,所述方法包括:
获取多模态医学影像诊断设备的第一模态图像数据和第二模态图像数据;
对所述第一模态图像数据和所述第二模态图像数据进行重建,得到所述第一模态图像数据对应的第一模态图像和所述第二模态图像数据对应的第二模态图像;
根据所述第一模态图像和所述第二模态图像获取所述第一模态图像中身体对应的第一区域和所述第二模态图像中身体对应的第二区域;
根据所述第一区域和所述第二区域确定身体移动造成的轮廓差图像;
根据所述轮廓差图像确定所述第一模态图像和所述第二模态图像的失配检测结果,包括:
计算所述轮廓差图像的总体像素值;
若所述总体像素值不大于第一预设值,则确定所述第一模态图像和所述第二模态图像匹配;
若所述总体像素值大于第一预设值且小于第二预设值,则确定所述第一模态图像和所述第二模态图像的失配检测结果为第一级别失配;所述第一预设值小于所述第二预设值;
若所述总体像素值不小于第二预设值,则确定所述第一模态图像和所述第二模态图像的失配检测结果为第二级别失配;所述第二级别失配的失配程度大于所述第一级别失配。
4.根据权利要求3所述的方法,其特征在于,在确定所述第一模态图像和所述第二模态图像的失配检测结果为第一级别失配的步骤之后,还包括:
根据所述第一区域中的目标区域和所述第二区域中的目标区域得到目标区域轮廓差图像;
根据所述目标区域轮廓差图像确定目标区域的正轮廓差和负轮廓差;
根据所述正轮廓差和所述负轮廓差确定失配原因。
5.根据权利要求3所述的方法,其特征在于,所述计算所述轮廓差图像的总体像素值,包括:
计算所述轮廓差图像中所有像素值的绝对值的和,得到所述轮廓差图像的总体像素值。
6.根据权利要求1或3所述的方法,其特征在于,所述对所述第一模态图像数据和所述第二模态图像数据进行重建,得到所述第一模态图像数据对应的第一模态图像和所述第二模态图像数据对应的第二模态图像的步骤,包括:
获取所述第一模态图像数据对应的第一模态图像以及对应的衰减系数图;
根据所述衰减系数图对所述第二模态图像数据进行矫正,得到所述第二模态图像数据对应的第二模态图像。
7.一种医学图像失配检测装置,其特征在于,所述装置包括:
获取模块,用于获取多模态医学影像诊断设备的第一模态图像数据和第二模态图像数据;
重建模块,用于对所述第一模态图像数据和所述第二模态图像数据进行重建,得到所述第一模态图像数据对应的第一模态图像和所述第二模态图像数据对应的第二模态图像;
所述获取模块还用于根据所述第一模态图像和所述第二模态图像获取所述第一模态图像中身体对应的第一区域和所述第二模态图像中身体对应的第二区域;
确定模块,根据所述第一区域和所述第二区域确定身体移动造成的轮廓差图像;
检测模块,用于根据所述轮廓差图像确定所述第一模态图像和所述第二模态图像的失配检测结果;
所述获取模块还用于利用阈值法对所述第一模态图像进行图像分割,得到所述第一模态图像中身体对应的第一区域;对所述第一区域进行形态学变换处理,获取区域边界;所述区域边界是所述第一区域的边界范围;根据所述区域边界获取所述第二模态图像中身体对应的第二区域;
所述获取模块还用于获取所述区域边界外的第一像素值和所述区域边界内的第二像素值;根据所述第一像素值和所述第二像素值的平均值分割所述第二模态图像,得到第二模态图像中身体对应的第二区域。
8.一种医学图像失配检测装置,其特征在于,所述装置包括:
获取模块,用于获取多模态医学影像诊断设备的第一模态图像数据和第二模态图像数据;
重建模块,用于对所述第一模态图像数据和所述第二模态图像数据进行重建,得到所述第一模态图像数据对应的第一模态图像和所述第二模态图像数据对应的第二模态图像;
所述获取模块还用于根据所述第一模态图像和所述第二模态图像获取所述第一模态图像中身体对应的第一区域和所述第二模态图像中身体对应的第二区域;
确定模块,根据所述第一区域和所述第二区域确定身体移动造成的轮廓差图像;
检测模块,用于根据所述轮廓差图像确定所述第一模态图像和所述第二模态图像的失配检测结果;
所述检测模块还用于计算所述轮廓差图像的总体像素值;若所述总体像素值不大于第一预设值,则确定所述第一模态图像和所述第二模态图像匹配;若所述总体像素值大于第一预设值且小于第二预设值,则确定所述第一模态图像和所述第二模态图像的失配检测结果为第一级别失配;所述第一预设值小于所述第二预设值;若所述总体像素值不小于第二预设值,则确定所述第一模态图像和所述第二模态图像的失配检测结果为第二级别失配;所述第二级别失配的失配程度大于所述第一级别失配。
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至6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6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910085192.3A CN109859182B (zh) | 2019-01-29 | 2019-01-29 | 医学图像失配检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910085192.3A CN109859182B (zh) | 2019-01-29 | 2019-01-29 | 医学图像失配检测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109859182A CN109859182A (zh) | 2019-06-07 |
CN109859182B true CN109859182B (zh) | 2021-02-19 |
Family
ID=66896538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910085192.3A Active CN109859182B (zh) | 2019-01-29 | 2019-01-29 | 医学图像失配检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109859182B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1964668A (zh) * | 2004-06-08 | 2007-05-16 | 佳能株式会社 | 使用两个图像的图像处理设备和方法 |
CN102739922A (zh) * | 2011-03-22 | 2012-10-17 | 索尼公司 | 图像处理装置、图像处理方法和程序 |
CN105335955A (zh) * | 2014-07-17 | 2016-02-17 | 株式会社理光 | 对象检测方法和对象检测装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8452126B2 (en) * | 2011-06-17 | 2013-05-28 | General Electric Company | Method for automatic mismatch correction of image volumes |
CN104463840A (zh) * | 2014-09-29 | 2015-03-25 | 北京理工大学 | 基于pet/ct影像的发热待查计算机辅助诊断方法 |
CN104463866B (zh) * | 2014-12-04 | 2018-10-09 | 无锡日联科技有限公司 | 一种基于轮廓随机采样的局部形状匹配方法 |
CN107137107B (zh) * | 2017-05-09 | 2020-02-21 | 上海联影医疗科技有限公司 | 多模态医学图像获取方法及多模态医学图像成像系统 |
CN107403457A (zh) * | 2017-07-28 | 2017-11-28 | 上海联影医疗科技有限公司 | 医学成像方法、设备及多模态医学成像方法 |
-
2019
- 2019-01-29 CN CN201910085192.3A patent/CN109859182B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1964668A (zh) * | 2004-06-08 | 2007-05-16 | 佳能株式会社 | 使用两个图像的图像处理设备和方法 |
CN102739922A (zh) * | 2011-03-22 | 2012-10-17 | 索尼公司 | 图像处理装置、图像处理方法和程序 |
CN105335955A (zh) * | 2014-07-17 | 2016-02-17 | 株式会社理光 | 对象检测方法和对象检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109859182A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6703082B2 (ja) | 医用画像における構造物をセグメンテーションする医用画像処理装置、医用画像をセグメンテーションするための方法及び医用画像をセグメンテーションするコンピュータプログラムを記憶する記憶媒体 | |
US9471987B2 (en) | Automatic planning for medical imaging | |
US8311301B2 (en) | Segmenting an organ in a medical digital image | |
US20110150309A1 (en) | Method and system for managing imaging data, and associated devices and compounds | |
WO2013131420A1 (zh) | 医学影像的目标区域边界确定装置和方法 | |
CN109377481B (zh) | 图像质量评价方法、装置、计算机设备和存储介质 | |
CN110717961B (zh) | 多模态图像重建方法、装置、计算机设备和存储介质 | |
KR101258814B1 (ko) | 동적조영증강 유방 mr 영상에서 조직별 밝기값 보정 및 종양 강성 제약을 적용한 비강체 정합 방법 및 시스템 | |
EP2646978A1 (en) | Longitudinal monitoring of pathology | |
CN115082348A (zh) | 图像重建方法及装置 | |
Sakellarios et al. | Novel methodology for 3D reconstruction of carotid arteries and plaque characterization based upon magnetic resonance imaging carotid angiography data | |
Väänänen et al. | Automated segmentation of cortical and trabecular bone to generate finite element models for femoral bone mechanics | |
CN110415310B (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
CN113876345B (zh) | 缺血半暗带的识别方法、设备、电子装置和存储介质 | |
CN114943714A (zh) | 医学图像处理系统、装置、电子设备及存储介质 | |
JP2016041245A (ja) | 医用画像処理装置及び医用画像処理方法 | |
WO2023232067A1 (en) | Systems and methods for lesion region identification | |
US20190188885A1 (en) | Model regularized motion compensated medical image reconstruction | |
CN109859182B (zh) | 医学图像失配检测方法、装置、计算机设备和存储介质 | |
Madesta et al. | Deep learning‐based conditional inpainting for restoration of artifact‐affected 4D CT images | |
CN110327066B (zh) | 心脏运动信号获取方法、装置、计算机设备和存储介质 | |
CN113962938A (zh) | 图像分割方法、装置、计算机设备和可读存储介质 | |
Faber et al. | Automatic alignment of myocardial perfusion images with contrast-enhanced cardiac computed tomography | |
Razeto et al. | Accurate registration of coronary arteries for volumetric CT digital subtraction angiography | |
CN112365593B (zh) | 一种pet图像重建的方法和系统 |
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 |