CN109872312B - 医学图像分割方法、装置、系统及图像分割方法 - Google Patents

医学图像分割方法、装置、系统及图像分割方法 Download PDF

Info

Publication number
CN109872312B
CN109872312B CN201910116353.0A CN201910116353A CN109872312B CN 109872312 B CN109872312 B CN 109872312B CN 201910116353 A CN201910116353 A CN 201910116353A CN 109872312 B CN109872312 B CN 109872312B
Authority
CN
China
Prior art keywords
time
medical image
processed
cross
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910116353.0A
Other languages
English (en)
Other versions
CN109872312A (zh
Inventor
王亮
张军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201910116353.0A priority Critical patent/CN109872312B/zh
Priority to CN201910741376.0A priority patent/CN110490851B/zh
Publication of CN109872312A publication Critical patent/CN109872312A/zh
Priority to TW109104094A priority patent/TWI750583B/zh
Priority to PCT/CN2020/074712 priority patent/WO2020164468A1/zh
Priority to EP20755319.9A priority patent/EP3926537A4/en
Priority to US17/239,532 priority patent/US11954864B2/en
Application granted granted Critical
Publication of CN109872312B publication Critical patent/CN109872312B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T7/0002—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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G06T2207/10096—Dynamic contrast-enhanced magnetic resonance imaging [DCE-MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • 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
    • G06T2207/30068—Mammography; Breast
    • 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
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供了一种医学图像分割方法、装置、系统及图像分割方法。该医学图像分割方法包括：获取多个待处理医学图像集，各所述待处理医学图像集包括多个对应不同时间点的待处理医学图像；根据所述待处理医学图像和所述待处理医学图像对应的时间点，对所述待处理医学图像集进行时间维度的处理，以获取时间动态图像；将所述时间动态图像输入至医学图像分割模型，通过所述医学图像分割模型从所述时间动态图像中提取目标区域特征，以获取目标区域。本发明的技术方案一方面能够提高医学图像分割的精度；另一方面能够减少医生的阅片数量，快速提取医学图像中的疾病信息，提高诊断效率。

Description

医学图像分割方法、装置、系统及图像分割方法
技术领域
本发明涉及计算机技术领域，具体而言，涉及一种医学图像分割方法、装置、系统及图像分割方法。
背景技术
图像分割是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。随着计算机技术和医疗分析技术的发展，医学图像分割成为医疗分析技术的重中之重，医学图像分割是决定医学图像在临床诊疗中能否提供可靠依据的关键问题。医学图像分割技术的发展不仅影响到医学图像处理中其他相关技术的发展，如可视化、三维重建等，而且在生物医学图像的分析中也占有极其重要的地位。
由于病变区域和非病变区域在医疗试剂的作用下随着时间变化会出现不同的变化，因此通常采集多个时间点的医学图像，通过医生在病变区域查看不同时间点的图像来诊断疾病，或者通过采用全部时间点的医学图像训练深度学习网络模型，然后再通过深度学习网络模型对医学图像上的病变区域进行分割。但是通过医生人工分割病变区域工作量大，误差也大；通过深度学习网络模型分割病变区域虽然较人工分割的准确率高，但是在训练模型是需要对每个时间点的医学图像进行标注，如果病人在图像信息采集的过程中出现位移，那么用一个时间点的病变区域标注很难精确对应其它时间点的病变区域。
鉴于此，本领域亟需开发一种新的医学图像分割方法及装置。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的实施例提供了一种医学图像分割方法、装置、系统及图像分割方法，进而至少在一定程度上可以提高病灶分割的精度，减少医生的阅片量，提高医生的诊断效率。
本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本发明实施例的一个方面，提供了一种医学图像分割方法，包括：获取多个待处理医学图像集，各所述待处理医学图像集包括多个对应不同时间点的待处理医学图像；根据所述待处理医学图像和所述待处理医学图像对应的时间点，对所述待处理医学图像集进行时间维度的处理，以获取时间动态图像；将所述时间动态图像输入至医学图像分割模型，通过所述医学图像分割模型从所述时间动态图像中提取目标区域特征，以获取目标区域。
根据本发明实施例的一个方面，提供了一种医学图像分割装置，包括：获取模块，用于获取多个待处理医学图像集，各所述待处理医学图像集包括多个对应不同时间点的待处理医学图像；处理模块，用于根据所述待处理医学图像和所述待处理医学图像对应的时间点，对所述待处理医学图像集进行时间维度的处理，以获取时间动态图像；分割模块，用于将所述时间动态图像输入至医学图像分割模型，通过所述医学图像分割模型从所述时间动态图像中提取目标区域特征，以获取目标区域。
在本发明的一些实施例中，各所述待处理医学图像集分别对应一横断面，并且各所述待处理医学图像集中对应同一时间点的所述待处理医学图像组成三维医学图像；基于前述方案，所述医学图像分割装置包括：横断面确定模块，用于根据所述三维医学图像的三个维度确定所述横断面对应的坐标面和横断面坐标轴，其中所述横断面坐标轴与所述坐标面垂直。
在本发明的一些实施例中，基于前述方案，所述处理模块包括：四维数据获取单元，用于根据各所述横断面对应的待处理医学图像数据和所述时间点确定与所述横断面对应的四维数据；第一时间分量获取单元，用于对所述横断面对应的四维数据进行解析，以获得各所述横断面对应的时间分量；第二时间分量获取单元，用于根据各所述横断面对应的时间分量确定与多个所述待处理医学图像集对应的目标时间分量；后处理单元，用于对所述目标时间分量进行后处理，以获得所述时间动态图像。
在本发明的一些实施例中，基于前述方案，所述四维数据获取单元包括：空间坐标确定单元，用于根据所述横断面对应的三维医学图像数据确定第一坐标、第二坐标、横断面坐标，所述第一坐标、所述第二坐标和所述横断面坐标相互垂直；时间坐标确定单元，用于根据所述时间点确定时间坐标；四维数据确定单元，用于根据所述第一坐标、所述第二坐标、所述横断面坐标和所述时间坐标构建四维坐标轴，并根据所述四维坐标轴确定所述四维数据。
在本发明的一些实施例中，基于前述方案，所述第一时间分量获取单元包括：第一图像数据获取单元，用于根据所述横断面坐标确定目标横断面，获取与所述目标横断面对应的第一图像数据，所述第一图像数据包括所述第一坐标、所述第二坐标和所述时间坐标；多维解析单元，用于对所述第一图像数据进行多维解析，以获取与所述目标横断面对应的时间分量；重复上述步骤，直至获取与各所述横断面对应的时间分量。
在本发明的一些实施例中，基于前述方案，所述第二时间分量获取单元配置为：根据各所述横断面对应的时间分量、与各所述横断面对应的第一坐标、第二坐标和横断面坐标确定所述目标时间分量。
在本发明的一些实施例中，基于前述方案，所述多维解析单元配置为：通过三维克利福德代数对所述第一图像数据进行多维解析，以获取与所述目标横断面对应的时间分量。
在本发明的一些实施例中，基于前述方案，所述后处理单元配置为：根据所述目标时间分量，确定在多个所述时间点时各所述横断面对应的子时间分量，所述子时间分量的数量与所述时间点的数量相同；将与各所述横断面对应的所述子时间分量分别进行加和平均，以获取目标平均值；根据所述目标平均值构建所述时间动态图像。
在本发明的一些实施例中，基于前述方案，所述后处理单元配置为：根据所述目标时间分量，确定在多个所述时间点时各所述横断面对应的子时间分量，所述子时间分量的数量与所述时间点的数量相同；分别获取与各所述横断面对应的所述子时间分量中的最大值；根据所述子时间分量中的最大值构建所述时间动态图像。
在本发明的一些实施例中，基于前述方案，所述后处理单元配置为：根据所述目标时间分量，确定在多个所述时间点时各所述横断面对应的子时间分量，所述子时间分量的数量与所述时间点的数量相同；获取与各横断面对应的所述子时间分量中的最大值和最小值，并将所述最大值和所述最小值作差，以获取目标差值；根据所述目标差值构建所述时间动态图像。
在本发明的一些实施例中，基于前述方案，所述的医学图像分割装置还包括：样本获取模块，用于获取时间动态图像样本和与所述时间动态样本对应的目标区域标注样本；训练模块，用于根据所述时间动态图像样本和所述目标区域标注样本对一待训练医学图像分割模型进行训练，以获得所述医学图像分割模型。
在本发明的一些实施例中，基于前述方案，所述三维医学图像为三维动态对比度增强磁共振成像图像。
根据本发明实施例的一个方面，提供了一种医学图像分割系统，包括：检测设备，用于对检测对象进行扫描检测，以获取多个待处理医学图像集，其中各所述待处理医学图像集包括多个对应不同时间点的待处理医学图像；电子设备，所述电子设备与所述检测设备连接，并且所述电子设备包括存储装置和处理器，其中所述存储装置用于存储一个或多个程序，当所述一个或多个程序被所述处理器执行时，使得所述处理器实现上述的医学图像分割方法，以对所述多个待处理医学图像集进行处理，获取目标区域。
根据本发明实施例的一个方面，提供了一种图像分割方法，包括：获取多个待处理图像集，各所述待处理图像集包括多个对应不同时间点的待处理图像；根据所述待处理图像和所述待处理图像对应的时间点，对所述待处理图像集进行时间维度的处理，以获取时间动态图像；将所述时间动态图像输入至图像分割模型，通过所述图像分割模型从所述时间动态图像中提取目标区域特征，以获取目标区域。
在本发明的一些实施例中，基于前述方案，各所述待处理图像集中对应相同时间点的待处理图像形成一三维图像，并且所述多个对应不同时间点的待处理图像形成三维图像序列。
在本发明的一些实施例所提供的技术方案中，通过获取多个待处理医学图像集，待处理医学图像集包括多个对应不同时间点的待处理医学图像；然后根据待处理医学图像和对应的时间点对待处理医学图像集进行时间维度的处理，以获取时间动态图像；最后通过医学图像分割模型对时间动态图像进行处理以从所述时间动态图像中提取目标区域。通过本发明的技术方案一方面能够提高医学图像分割的精度，有效帮助医生制定最准确的治疗方案；另一方面能够减少医生的阅片数量，快速提取医学图像中的疾病信息，提高了诊断效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示出了可以应用本发明实施例的技术方案的示例性系统架构的示意图；
图2示意性示出了根据本发明的一个实施例的医学图像分割方法的流程图；
图3示意性示出了根据本发明的一个实施例的待处理医学图像集中对应多个不同时间点的待处理医学图像的结构示意图；
图4示意性示出了根据本发明的一个实施例的横断面的分布示意图；
图5示意性示出了根据本发明的一个实施例的获取时间动态图像的流程图；
图6示意性示出了根据本发明的一个实施例的挖掘目标文本数据中包含的主题词和观点词，得到置信度高于预定值的目标主题词和目标观点词的流程图；
图7A-7C示意性示出了相关技术中注射造影剂后的某个时间点的DCE-MRI图像；
图8A-8C示意性示出了根据本发明的一个实施例的注射造影剂后的三维的时间动态图像；
图9示意性示出了根据本发明的一个实施例的对待训练医学图像分割模型进行训练的流程图；
图10A-10C示意性示出了据本发明的一个实施例的对背景强化类型的医学图像进行肿瘤分割的界面示意图；
图11示意性示出了根据本发明的一个实施例的图像分割方法的流程图；
图12示意性示出了根据本发明的一个实施例的医学图像分割装置的框图；
图13示意性示出了根据本发明的一个实施例的医学图像分割系统的结构示意图；
图14示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本发明实施例的技术方案的示例性系统架构的示意图。
如图1所示，系统架构100可以包括终端设备(如图1中所示台式计算机101、平板电脑102和便携式计算机103中的一种或多种，当然也可以是其它的具有显示屏幕的终端设备等等)、网络104和服务器105。网络104用以在终端设备和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线通信链路、无线通信链路等等。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
在本发明的一个实施例中，用户可以利用终端设备101(也可以是终端设备102或103)向服务器105上传待处理医学图像集，该待处理医学图像集可以是CT扫描图像、可以是磁共振成像(MRI)图像，也可以是其它的图像信息随时间变化而改变的检验检测图像。服务器105在获取到这些待处理医学图像集之后，根据其中的待处理医学图像和对应的时间点对待处理医学图像集进行时间维度的处理，以将原始的待处理医学图像集转换为时间动态图像，该时间动态图像能够有效地反映病变区域与非病变区域的区别；接着将时间动态图像输入至训练好的医学图像分割模型中，通过医学图像分割模型提取时间动态图像中目标区域特征，进而获取目标区域。该实施例的技术方案通过将多个待处理医学图像集进行时间维度的处理，获取时间动态图像，使得时间动态图像能够清晰地呈现病灶区域，避免了医生需要对多幅不同时间点获取的医学图像进行分析确定病灶区域，进一步提升了医生的诊断效率，并且通过医学图像分割模型对时间动态图像中的目标区域进行分割，能够提高病变区域的分割精度，为医生的临床诊断提供支持。
需要说明的是，本发明实施例所提供的医学图像分割方法一般由服务器105执行，相应地，医学图像分割装置一般设置于服务器105中。但是，在本发明的其它实施例中，终端设备也可以与服务器具有相似的功能，从而执行本发明实施例所提供的医学图像分割方案。
在本领域的相关技术中，为了提高诊断的准确度和效率，通常需要采集多个时间点的医学图像，如进行乳腺磁共振检查时，需要获取多个时间点的DCE-MRI图像，然后用每个时间点的DCE-MRI图像减去注射造影剂之前的图像，获得剪影图像；最后通过医生临床检查，观察多个医学图像以确定组织上的病变区域，或者通过训练好的深度学习网络模型对医学图像进行病变区域的提取。但是相关技术存在相应的缺陷，临床诊断方面：医生一般需要观察3至5个时间点的医学图像，有时甚至需要观察几十个时间点的医学图像，图像信息的数量巨大，例如5个时间点的3D数据有5×70帧＝350个2D图像，对于20个时间点的数据库，一次检查有20×128帧＝2560个2D图像，医生从这么多图像中获取信息的难度非常大，并且诊断效率很低；计算机深度学习分割算法方面：如果用全部时间点的医学图像训练深度学习网络模型，为了避免在不同时间段病人有位移，对一个时间点的医学图像进行标注，很难精确对应其它时间点的病变区域，因此需要针对每个时间点的医学图像进行标注，或者对全部时间点的医学图像进行3D配准，使得深度学习网络模型的训练难度较高。
鉴于相关技术中存在的问题，本发明实施例首先提出了一种医学图像分割方法，以下对本发明实施例的技术方案的实现细节进行详细阐述：
图2示意性示出了根据本发明的一个实施例的医学图像分割方法的流程图，该医学图像分割方法可以由服务器来执行，该服务器可以是图1中所示的服务器。参照图2所示，该医学图像分割方法至少包括步骤S210至步骤S230，详细介绍如下：
在步骤S210中，获取多个待处理医学图像集，各所述待处理医学图像集包括多个对应不同时间点的待处理医学图像。
在本发明的一个实施例中，待处理医学图像集可以是医院各科室对从患者身体中取得的样本进行样本检测或对患者进行身体检查获取的图像集，比如该待处理医学图像集可以是CT扫描图像、可以是磁共振成像(MRI)图像、可以是X光图像，也可以是其它的能够检测到病变区域性状随时间变化而变化的图像，本发明对待处理医学图像的种类不做具体限定。
为了便于理解本发明，下文中将以磁共振成像(MRI)图像作为待处理医学图像，并具体以对乳腺肿瘤的MRI图像进行分割为例行说明，当然该MRI图像还可以是对肺部肿瘤、胃部肿瘤、肝部肿瘤等病变区域进行磁共振成像获得的核磁共振成像图像。
在本发明的一个实施例中，对乳腺肿瘤进行磁共振成像时，首先需要给被检查人注射造影剂；然后让被检查人俯卧在检查床上，将乳房放置于特制的线圈中；最后随着检查床的移动，核磁共振仪对乳房进行从脚部至头部的层层扫描。造影剂是为增强影像观察效果而注入(或服用)到人体组织或器官的化学制品，如铁、锰等带有磁性的物质，这些制品的密度高于或低于周围组织，当这些制品接近共振中的氢原子时，能有效地改变质子所处的磁场，造成T1(纵向驰豫)和T2(横向驰豫)驰豫时间明显缩短。造影剂能改变体内局部组织中水质子的驰豫速率，提高非病变区域和病变区域的成像对比度和分辨率，为病变区域的定位和诊断提供更多的信息。具体地，造影剂在组织中的含量随血液的流动而发生变化，例如非病灶区域的血液流通顺畅，造影剂含量会迅速减少，磁共振图像中与非病灶区域对应的区域的亮度逐渐变高，而病灶区域的血液流通不畅，造影剂含量减少速度较慢，磁共振图像中与病灶区域对应的区域的亮度变化缓慢，进而与非病灶区域的亮度形成明显对比。因此本发明根据造影剂的该特征可以对同一组织横断面采集多个时间点的待处理医学图像。
在本发明的一个实施例中，可以获取多个待处理医学图像集，并且各待处理医学图像集包括多个对应不同时间点的待处理医学图像，也就是说，各个待处理医学图像集对应不同的组织横断面，待处理图像集中的待处理图像是对同一组织横断面在不同时间点进行信息采集所获得的图像，例如，当采集乳腺肿瘤的MRI图像时，多个待处理图像集是核磁共振成像仪在扫描过程中，扫描到乳腺不同横断面时获得的图像；待处理图像集中的多个待处理医学图像则是核磁共振成像仪在扫描过程中，于多个时间点扫描乳腺的某一横断面时所产生的图像。进一步的，多个待处理医学图像对应的时间点可以是连续的时间点，进而通过多个待处理医学图像集可以形成医学图像序列。
图3示出了待处理医学图像集中对应多个不同时间点的待处理医学图像的结构示意图，如图3所示，标记为i的横断面中包含n+1个待处理医学图像，该n+1个待处理医学图像对应不同的时间点t＝0、1……n。
在本发明的一个实施例中，各个待处理医学图像集中对应同一时间点的待处理医学图像可以组成三维医学图像，例如在对乳腺肿瘤进行磁共振成像时，由各个待处理医学图像集中对应同一时间点的待处理医学图像组成的图像即为3D MRI图像，由于各待处理医学图像集中包含多个时间点的待处理医学图像，因此该多个待处理医学图像集可以形成3DMRI图像序列。进一步的，可以对乳腺肿瘤进行动态对比增强磁共振成像，即可获取3D DCE-MRI图像，通过多个待处理医学图像集形成的医学图像序列即为三维动态对比度增强磁共振成像(3D DCE-MRI)图像序列。当然，医学图像序列还可以是二维图像序列，由于临床诊断中，大部分医学图像为3D医学图像，因此下文主要以3D DCE-MRI图像序列为例进行说明。
在步骤S220中，根据所述待处理医学图像和所述待处理医学图像对应的时间点，对所述待处理医学图像集进行时间维度的处理，以获取时间动态图像。
在本发明的一个实施例中，获取到多个对应不同时间点的待处理医学图像后，可以根据待处理医学图像及其对应的时间点，对待处理医学图像集进行时间维度的处理，以获取时间动态图像。值得说明的是，可以在对待处理医学图像集进行时间维度的处理之前，根据三维医学图像的三个维度确定组织横断面所对应的坐标面和横断面坐标轴，该三维医学图像对应的坐标系可以为三维笛卡尔坐标系，在确定坐标面和横断面坐标轴时，可以选择任意的坐标轴作为横断面坐标轴，与该横断面坐标轴垂直的坐标面作为组织横断面对应的坐标面，图4示出了一种横断面的分布示意图，在三维笛卡尔坐标系(x,y,z)中，可以将z轴定义为横断面坐标轴，即待处理医学图像集沿着z轴分布，则x-y坐标面即为横断面对应的坐标面，即任一待处理医学图像都是x-y坐标系的图像。
在本发明的一个实施例中，图5示出了获取时间动态图像的流程示意图，如图5所示，根据待处理医学图像和其对应的时间点对待处理医学图像集进行时间维度的处理，获取时间动态图像的过程，具体包括如下步骤S510至步骤S540，详细介绍如下：
在步骤S510中，根据各所述横断面对应的待处理医学图像数据和所述时间点确定与所述横断面对应的四维数据。
在本发明的一个实施例中，每一横断面对应多个时间点的待处理医学图像，并且每个横断面对应的坐标不同，因此首先可以根据横断面对应的待处理医学图像数据确定第一坐标、第二坐标和横断面坐标，其中第一坐标、第二坐标和横断面坐标相互垂直，并且第一坐标和第二坐标组成横断面对应的坐标面；然后根据时间点确定时间坐标；最后根据第一坐标、第二坐标、横断面坐标和时间坐标形成思维坐标轴，并根据四维坐标轴确定四维数据。继续参照图4示出的三维笛卡尔坐标系，第一坐标具体可以是x轴，第二坐标具体可以是y轴，横断面坐标具体可以是z轴。根据待处理医学图像对应的时间点可以确定时间坐标t，进而可以根据第一坐标、第二坐标、横断面坐标和时间坐标确定一四维坐标系(x,y,z,t)，进一步的可以根据四维坐标系确定与多个待处理医学图像集对应的四维数据I(x,y,z,t)，那么横断面坐标为z＝i处的横断面对应的四维数据即为I(x,y,i,t)。
在步骤S520中，对所述横断面对应的四维数据进行解析，以获得各所述横断面对应的时间分量。
在本发明的一个实施例中，图6示出了获取各横断面对应的时间分量的流程示意图，如图6所示，获取各横断面对应的时间分量的过程，包括如下步骤S610至步骤S630，详细说明如下：
在步骤S610中，根据所述横断面坐标确定目标横断面，获取与所述目标横断面对应的第一图像数据，所述第一图像数据包括所述第一坐标、所述第二坐标和所述时间坐标。
在本发明的一个实施例中，可以从z轴中确定一个坐标值i作为横断面坐标，根据该横断面坐标获取与其对应的目标横断面，该目标横断面中包含多个对应不同时间点的待处理医学图像，通过统计该些待处理医学图像的图像数据可以确定第一图像数据，该第一图像数据包括各个待处理医学图像对应的第一坐标、第二坐标和时间坐标，也就是说，横断面坐标z＝i处的目标横断面对应的第一图像数据为f(x,y,t)。
在步骤S620中，对所述第一图像数据进行多维解析，以获取与所述目标横断面对应的时间分量。
在本发明的一个实施例中，为了对待处理医学图像进行时间维度的处理，可以将第一图像数据进行多维解析，获取第一图像数据在时间维度上的分量。
具体地，可以采用三维克利福德代数计算第一图像数据f(x,y,t)的多维解析信号ψ(x,y,t)，以将原始信号拆分成不同维度的分量。克利福德代数(Clifford algebra)，又称几何代数(Geometric algebra)，综合了内积和外积两种运算，是复数代数、四元数代数和外代数的推广，在几何和物理中有应用广泛。通过三维克利福德代数计算获得的多维解析信号ψ(x,y,t)如下所示：
Figure BDA0001970285790000121
其中，“***”代表三维卷积计算，e1、e2、e3是三维克利福德代数虚数单位的三个生成元，σ(·)是狄拉克函数。
从上述公式中可以看出，该公式由8个分量组成，每个分量的方向由e1、e2、e3来确定，并且这8个分量在克利福德代数空间中是相互正交的。其中，e1对应第一图像数据f(x,y,t)空间中x方向上的信息，e2对应第一图像数据f(x,y,t)空间中y方向上的信息，e3对应第一图像数据f(x,y,t)空间中t方向上的信息。对于第一图像数据，其在t方向上的信息是我们所关注的，因此可以从多维信号ψ(x,y,t)中抽取分量f(x,y,t)***{σ(x)σ(y)e3/(πt)}作为目标横断面对应的时间分量，可以记为时间分量f’(x,y,t)＝f(x,y,t)***{σ(x)σ(y)e3/(πt)}。
在步骤S630中，重复上述步骤，直至获取与各所述横断面对应的时间分量。
在本发明的一个实施例中，可以重复步骤S610和步骤S620，以获得各个横断面对应的时间分量。具体地，可以根据步骤S610中的方法获取横断面坐标轴上所有的横断面坐标z＝i及各横断面坐标i所对应的横断面的第一图像数据fi(x,y,t)，并根据步骤S620中的方法对各横断面的第一图像数据fi(x,y,t)进行解析，以获取与各横断面对应的时间分量fi’(x,y,t)。
在步骤S530中，根据各所述横断面对应的时间分量确定与多个所述待处理医学图像集对应的目标时间分量。
在本发明的一个实施例中，获得各个横断面对应的时间分量后，可以根据横断面坐标z＝i和相应的时间分量fi’(x,y,t)确定与多个横断面(待处理医学图像集)对应的四维数据I(x,y,z,t)所对应的目标时间分量I’(x,y,z,t)，其中，当z＝i时，I’(x,y,z＝i,t)＝fi’(x,y,t)。
在步骤S540中，对所述目标时间分量进行后处理，以获得所述时间动态图像。
在本发明的一个实施例中，在获取了与多个待处理医学图像集对应的目标时间分量后，可以对目标时间分量进行后处理，以获取三维的时间动态图像。在本发明的实施例中，后处理的方法有多种，例如可以计算目标时间分量I’(x,y,z,t)沿着t轴的平均值，可以计算目标时间分量I’(x,y,z,t)沿着t轴的最大值，也可以计算目标时间分量I’(x,y,z,t)沿着t轴的最大值与最小值的差值，当然也可以通过其它方式对目标时间分量I’(x,y,z,t)进行后处理，本发明在此不再赘述。
在本发明的一个实施例中，计算目标时间分量I’(x,y,z,t)沿着t轴的平均值的具体流程包括：根据目标时间分量，确定在多个时间点时各横断面对应的子时间分量，该子时间分量的数量与时间点的数量相同；然后将与各横断面对应的子时间分量分别进行加和平均，以获取目标平均值；最后根据目标平均值构建时间动态图像。时间动态图像的具体计算公式如公式(1)所示：
It(x,y,z)＝[I'(x,y,z,t＝t1)+I'(x,y,z,t＝t2)+...+I'(x,y,z,t＝tn)]/n (1)
在本发明的一个实施例中，计算目标时间分量I’(x,y,z,t)沿着t轴的最大值的具体流程包括：根据目标时间分量，确定在多个时间点时各横断面对应的子时间分量，该子时间分量的数量与时间点的数量相同；然后分别获取与各横断面对应的子时间分量中的最大值；最后根据子时间分量中的最大值构建时间动态图像。时间动态图像的具体表达式如式(2)所示：
It(x,y,z)＝Max(I'(x,y,z,t))|t＝t1,t2,...,tn (2)
在本发明的一个实施例中，计算目标时间分量I’(x,y,z,t)沿着t轴的最大值与最小值的差值的具体流程包括：根据目标时间分量，确定在多个时间点时各横断面对应的子时间分量，该子时间分量的数量与时间点的数量相同；获取与各横断面对应的子时间分量中的最大值和最小值，并将最大值和最小值作差，以获取目标差值；最后根据目标差值构建时间动态图像。时间动态图像的具体计算公式如公式(3)所示：
It(x,y,z)＝Max(I'(x,y,z,t))|t＝t1,t2,...,tn-Min(I'(x,y,z,t))|t＝t1,t2,...,tn (3)
根据上述方法，可以根据计算结果获得三维的时间动态图像It(x,y,z)，具体而言，就是获取了多个3D DCE-MRI图像在不同时间内像素亮度的变化情况。由于子时间分量的最大值和最小值的差值反映了3D DCE-MRI图像序列在同一个空间位置上不同时间点下获得的最大值和最小值的差异，其能够最大限度的显示这个空间上的点的亮度变化，因此在本发明的实施例中可以以目标差值为准，根据目标差值构建时间动态图像，以提高对医学图像的分割效率。
继续参照图2所示，在步骤S230中，将所述时间动态图像输入至医学图像分割模型，通过所述医学图像分割模型从所述时间动态图像中提取目标区域特征，以获取目标区域。
在本发明的一个实施例中，在获取时间动态图像后，可以将时间动态图像输入至医学图像分割模型，通过医学图像分割模型从时间动态图像中提取目标区域特征，以获取目标区域。该医学图像分割模型可以是一个经过训练的深度学习分割模型，对于本发明中的三维时间动态图像而言，该医学图像分割模型可以是专门用于对三维图像进行处理的深度学习分割模型，如3D Unet模型、3D vnet模型、全卷积神经网络模型等等，对于深度学习分割模型的种类，本发明实施例不做具体限定。其中，该目标区域即为病变区域，如肿瘤区域、钙化区域等等。医疗工作者可以将目标区域作为感兴趣区域，并对感兴趣区域进行进一步的分析，以便制定最优的治疗方案。
图7A-7C示出了一种相关技术中注射造影剂后的某个时间点的DCE-MRI图像，如图7A-7C所示，图7A为乳腺的横截面图像，横截面是将身体分为上下两部分的纵切面；图7B为乳腺的矢状面图像，矢状面是将身体分为左右两部分的纵切面；图7C为乳腺的冠状面图像，冠状面是将身体分为前后两部分的纵切面，其中图7A-7C中的矩形框为病灶区域，椭圆框为非病灶区域。从图7A-7C可以发现，病灶区域和非病灶区域都呈现为高亮像素，医学图像分割模型无法将病灶区域和非病灶区域区别开，进而无法精确地分割出病灶区域。
图8A-8C示出了本发明中注射造影剂后的三维的时间动态图像，如图8A-8C所示，图8A为乳腺的横截面图像；图8B为乳腺的矢状面图像；图8C为乳腺的冠状面图像，其中图8A-8C中的矩形框为病灶区域，椭圆框为非病灶区域。与图7A-7C所示的DCE-MRI图像相比，图8A-8C中的病灶区域的像素亮度更高，非病灶区域的像素亮度更低，病灶区域和非病灶区域的像素的对比度更明显，医学图像分割模型能够迅速将病灶区域和非病灶区域区别开，进而能够精确地分割出病灶区域。
在本发明的一个实施例中，在将时间动态图像输入至医学图像分割模型，通过医学图像分割模型从时间动态图像中提取目标区域特征，以获取目标区域之前，还可以对待训练医学图像分割模型进行训练，以获取后续对待处理医学图像进行图像分割的医学图像分割模型。
图9示出了对待训练医学图像分割模型进行训练的流程示意图，如图9所示，训练待训练医学图像分割模型的过程，包括如下步骤S910至步骤S920，详细说明如下：
在步骤S910中，获取时间动态图像样本和与所述时间动态图像样本对应的目标区域标注样本。
在本发明的一个实施例中，获取时间动态图像样本的方法与上述实施例中获取时间动态图像的方法相同，在此不再赘述。在获得时间动态图像样本后，可以通过人工标注的方式对时间动态图像中的目标区域(病灶区域)进行标注，以获得与时间动态图像样本对应的目标区域标注样本。
在本发明的一个实施例中，为了提高医学图像分割模型的稳定性，使医学图像分割模型的损失函数收敛，可以采用多个样本对待训练医学图像分割模型进行训练，以获取该待训练医学图像分割模型的最优参数。具体地，可以选取244例恶性肿瘤病人的3D DCE-MRI图像数据，其中221例数据作为训练数据，用于训练待训练医学图像分割模型；23例数据作为测试数据，用于对训练后的医学图像分割模型进行测试，判断其是否达到稳定状态。当然，本发明中训练数据和测试数据的数量包括但不限于上述的举例，本发明对此不做具体限定。
在步骤S920中，根据所述时间动态图像样本和所述目标区域标注样本对一待训练医学图像分割模型进行训练，以获得所述医学图像分割模型。
在本发明的一个实施例中，确定好时间动态图像样本和对应的目标区域标注样本后，可以将时间动态图像样本输入至待训练医学图像分割模型，以获取该待训练医学图像分割模型提取的目标区域；然后将提取的目标区域和与输入的动态图像样本对应的目标区域标注样本进行对比，判断医学图像分割模型的分割准确度，若分割准确度度大于或等于预设阈值，则说明该待训练医学图像分割模型达到了稳定状态；若分割准确度度未达到预设阈值，则继续调整该待训练医学图像分割模型的参数，以使输出的分割图像得到分割准确度达到或大于预设阈值，该预设阈值可以根据实际需要进行设定，如设置为95％等等。在完成训练后，可以通过测试数据对医学图像分割模型进行测试，判断其是否广泛适用于任意的时间动态图像。
在本发明的一个实施例中，通过本发明实施例的技术方案分割得到病灶区域的分割精度相较于使用原始的DCE-MRI数据训练医学图像分割模型对待处理医学图像进行分割得到病灶区域的分割精度有了大幅度的提升，表1示出了使用原始DCE-MRI数据和使用三维的时间动态图像的实验结果，如表1所示：
表1
Figure BDA0001970285790000161
通过对表1进行分析可知，使用本发明实施例中的三维的时间动态图像的分割精度较使用原始DCE-MRI数据的分割精度平均高10％，也就是说，本发明实施例的技术方案能够有效提升医生的诊断效率和医学图像的分割精度。
在本发明的一个实施例中，使用本发明实施例的技术方案中的三维的时间动态图像还能够提高对较复杂的背景强化类型的医学图像的分割结果。图10A-10C示出了一种对背景强化类型的医学图像进行肿瘤分割的界面示意图，如图10A-10C所示，图10A示出了对背景强化类型的医学图像的标注结果；图10B示出了通过三维的时间动态图像对背景强化类型的医学图像的分割结果，该方法的分割精度达到87％；图10C示出了通过原始的DCE-MRI数据对背景强化类型的医学图像的分割结果，该方法的分割精度为69％。由此说明，本发明实施例的技术方案能够提高医学图像分割的精度，并且能够对各种类型的医学图像进行分割，适用范围更广。
本发明上述实施例的技术方案能够从多个3D DCE-MRI数据中提取一个3D数据，直接用于目标区域的标注和医学图像分割模型的训练，使得医学图像分割模型的训练更简便；也避免了医生在做MRI影像诊断时，需要选择先阅读哪一个时间点的3D DCE-MRI图像，而是可以先通过观看本发明实施例的技术方案所获取的3D图像来观察病灶区域，再进一步选择某些时间点的3D DCE-MRI图像，进一步提高了诊断效率。
在本发明的一个实施例中，还提供了一种图像分割方法，图11示出了图像分割方法的流程图，如图11所示，在步骤S1110中，获取多个待处理图像集，各所述待处理图像集包括多个对应不同时间点的待处理图像；在步骤S1120中，根据所述待处理图像和所述待处理图像对应的时间点，对所述待处理图像集进行时间维度的处理，以获取时间动态图像；在步骤S1130中，将所述时间动态图像输入至图像分割模型，通过所述图像分割模型根据所述时间动态图像中像素的亮度变化从所述时间动态图像中提取目标区域特征，以获取目标区域。该图像分割方法与上述实施例中的医学图像分割方法类似，但是该方法不仅可以对医学图像进行分割，还可以用于对其他任意类型的图像进行分割，例如对生物实验中的样本图像进行分割、对金属加工过程中的图像进行分割、对管道中损伤位置的分割，等等，只要图像中部分区域的特征随着时间推移，其变化趋势不同于其它区域特征的变化趋势，都可以采用本发明实施例中的图像分割方法进行分割。进一步地，该图像分割方法可以以本发明实施例中医学图像分割方法的具体实施方式实施，因此本发明在此不再赘述。
在本发明的一个实施例中，各待处理图像集中对应相同时间点的待处理图像能够形成一三维图像，同时多个对应不同时间点的待处理图像可以形成三维图像序列，通过本发明实施例中的图像分割方法可以对三维图像序列进行识别分割，获取其中的目标区域。
以下介绍本发明的装置实施例，可以用于执行本发明上述实施例中的医学图像分割方法。对于本发明装置实施例中未披露的细节，请参照本发明上述的医学图像分割方法的实施例。
图12示意性示出了根据本发明的一个实施例的医学图像分割装置的框图。
参照图12所示，根据本发明的一个实施例的医学图像分割装置1200，包括：获取模块1201、处理模块1202和分割模块1203。
其中，获取模块1201，用于获取多个待处理医学图像集，各所述待处理医学图像集包括多个对应不同时间点的待处理医学图像；处理模块1202，用于根据所述待处理医学图像和所述待处理医学图像对应的时间点，对所述待处理医学图像集进行时间维度的处理，以获取时间动态图像；分割模块1203，用于将所述时间动态图像输入至医学图像分割模型，通过所述医学图像分割模型从所述时间动态图像中提取目标区域特征，以获取目标区域。
在本发明的一个实施例中，各所述待处理医学图像集分别对应一横断面，并且各所述待处理医学图像集中对应同一时间点的所述待处理医学图像组成三维医学图像；基于前述方案，所述医学图像分割装置1200包括：横断面确定模块1204，用于根据所述三维医学图像的三个维度确定所述横断面对应的坐标面和横断面坐标轴，其中所述横断面坐标轴与所述坐标面垂直。
在本发明的一个实施例中，所述处理模块1202包括：四维数据获取单元，用于根据各所述横断面对应的待处理医学图像数据和所述时间点确定与所述横断面对应的四维数据；第一时间分量获取单元，用于对所述横断面对应的四维数据进行解析，以获得各所述横断面对应的时间分量；第二时间分量获取单元，用于根据各所述横断面对应的时间分量确定与多个所述待处理医学图像集对应的目标时间分量；后处理单元，用于对所述目标时间分量进行后处理，以获得所述时间动态图像。
在本发明的一个实施例中，所述四维数据获取单元包括：空间坐标确定单元，用于根据所述横断面对应的待处理医学图像数据确定第一坐标、第二坐标、横断面坐标，所述第一坐标、所述第二坐标和所述横断面坐标相互垂直；时间坐标确定单元，用于根据所述时间点确定时间坐标；四维数据确定单元，用于根据所述第一坐标、所述第二坐标、所述横断面坐标和所述时间坐标构建四维坐标轴，并根据所述四维坐标轴确定所述四维数据。
在本发明的一个实施例中，所述第一时间分量获取单元包括：第一图像数据获取单元，用于根据所述横断面坐标确定目标横断面，获取与所述目标横断面对应的第一图像数据，所述第一图像数据包括所述第一坐标、所述第二坐标和所述时间坐标；多维解析单元，用于对所述第一图像数据进行多维解析，以获取所述目标横断面对应的时间分量；重复上述步骤，直至获取与各所述横断面对应的时间分量。
在本发明的一个实施例中，所述第二时间分量获取单元配置为：根据各所述横断面对应的时间分量、与各所述横断面对应的第一坐标、第二坐标和横断面坐标确定所述目标时间分量。
在本发明的一个实施例中，所述多维解析单元配置为：通过三维克利福德代数对所述第一图像数据进行多维解析，以获取与所述目标横断面对应的时间分量。
在本发明的一个实施例中，所述后处理单元配置为：根据所述目标时间分量，确定在多个所述时间点时各所述横断面对应的子时间分量，所述子时间分量的数量与所述时间点的数量相同；将与各所述横断面对应的所述子时间分量分别进行加和平均，以获取目标平均值；根据所述目标平均值构建所述时间动态图像。
在本发明的一个实施例中，所述后处理单元配置为：根据所述目标时间分量，确定在多个所述时间点时各所述横断面对应的子时间分量，所述子时间分量的数量与所述时间点的数量相同；分别获取与各所述横断面对应的所述子时间分量中的最大值；根据所述子时间分量中的最大值构建所述时间动态图像。
在本发明的一个实施例中，所述后处理单元配置为：根据所述目标时间分量，确定在多个所述时间点时各所述横断面对应的子时间分量，所述子时间分量的数量与所述时间点的数量相同；获取与各所述横断面对应的所述子时间分量中的最大值和最小值，并将所述最大值和所述最小值作差，以获取目标差值；根据所述目标差值构建所述时间动态图像。
在本发明的一个实施例中，所述的医学图像分割装置1200还包括：样本获取模块1205和训练模块1206。
其中，样本获取模块1205，用于获取时间动态图像样本和与所述时间动态样本对应的目标区域标注样本；训练模块1206，用于根据所述时间动态图像样本和所述目标区域标注样本对一待训练医学图像分割模型进行训练，以获得所述医学图像分割模型。
在本发明的一些实施例中，所述三维医学图像为三维动态对比度增强磁共振成像图像。
图13示出了一种医学图像分割系统，如图13所示，医学图像分割系统1300包括检测设备1301和电子设备1302。
其中，检测设备1301，用于对检测对象进行扫描检测，以获取多个待处理医学图像集，其中各所述待处理医学图像集包括多个对应不同时间点的待处理医学图像；电子设备1302，所述电子设备与所述检测设备连接，并且所述电子设备包括存储装置和处理器，其中所述存储装置用于存储一个或多个程序，当所述一个或多个程序被所述处理器执行时，使得所述处理器实现上述的医学图像分割方法，以对所述多个待处理医学图像集进行处理，获取目标区域。
在本发明的一个实施例中，检测设备1301可以是CT设备中用于获取扫描图像的扫描装置，该扫描装置包含射线发射源、探测器和扫描架；可以是核磁共振成像设备中用于获取扫描图像的扫描装置，该扫描装置包含磁体部分、磁共振波谱仪部分和扫描床；还可以是荧光透视设备中用于获取扫描图像的扫描装置，该扫描装置包含射线发射源和探测器，当然还可以是其它的检测设备，只要可以用于对检测对象进行扫描获取扫描图像即可，本发明对此不做具体限定。检测设备1301扫描得到多个待处理医学图像集后，可以将多个待处理医学图像集发送至电子设备1302中的存储装置1302a和/或处理器1302b，存储装置1302a还存储有一个或多个程序，供处理器1302b执行。处理器1302b可以对多个待处理医学图像集执行存储在存储装置1302a中的一个或多个程序，也就是说，处理器1302b能够根据本发明实施例中的技术方案对多个待处理医学图像集进行图像分割，以获取目标区域，进一步地，处理器1302b还可以将包含该目标区域的图像发送至与电子设备1302连接的显示设备(未示出)进行显示，以供医生观察确定病灶并制定治疗方案。
图14示出了适于用来实现本发明实施例的电子设备1302的计算机系统的结构示意图。
需要说明的是，图14示出的电子设备的计算机系统1400仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图14所示，计算机系统1400包括中央处理单元(Central Processing Unit，CPU)1401，其可以根据存储在只读存储器(Read-Only Memory，ROM)1402中的程序或者从存储部分1408加载到随机访问存储器(Random Access Memory，RAM)1403中的程序而执行各种适当的动作和处理。在RAM 1403中，还存储有系统操作所需的各种程序和数据。CPU1401、ROM 1402以及RAM 1403通过总线1404彼此相连。输入/输出(Input/Output，I/O)接口1405也连接至总线1404。
以下部件连接至I/O接口1405：包括键盘、鼠标等的输入部分1406；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1407；包括硬盘等的存储部分1408；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1409。通信部分1409经由诸如因特网的网络执行通信处理。驱动器1410也根据需要连接至I/O接口1405。可拆卸介质1411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1410上，以便于从其上读出的计算机程序根据需要被安装入存储部分1408。
特别地，根据本发明的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1409从网络上被下载和安装，和/或从可拆卸介质1411被安装。在该计算机程序被中央处理单元(CPU)1401执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本发明实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (14)

1.一种医学图像分割方法，其特征在于，包括：
获取多个待处理医学图像集，各所述待处理医学图像集分别对应一横断面且包括多个对应不同时间点的待处理医学图像，各所述待处理医学图像集中对应同一时间点的所述待处理医学图像组成三维医学图像，以根据所述三维医学图像的三个维度确定所述横断面对应的坐标面和与所述坐标面垂直的横断面坐标轴；
根据所述待处理医学图像和所述待处理医学图像对应的时间点，对所述待处理医学图像集进行时间维度的处理，以获取时间动态图像；
将所述时间动态图像输入至医学图像分割模型，通过所述医学图像分割模型从所述时间动态图像中提取目标区域特征，以获取目标区域；
其中，根据所述待处理医学图像和所述待处理医学图像对应的时间点，对所述待处理医学图像集进行时间维度的处理，以获取时间动态图像，包括：
根据各所述横断面对应的待处理医学图像数据和所述时间点确定与所述横断面对应的四维数据；
对所述横断面对应的四维数据进行解析，以获得各所述横断面对应的时间分量；
根据各所述横断面对应的时间分量确定与多个所述待处理医学图像集对应的目标时间分量；
对所述目标时间分量进行后处理，以获得所述时间动态图像。
2.根据权利要求1所述的医学图像分割方法，其特征在于，根据各所述横断面对应的待处理医学图像数据和所述时间点确定与所述横断面对应的四维数据，包括：
根据所述横断面对应的待处理医学图像数据确定第一坐标、第二坐标、横断面坐标，所述第一坐标、所述第二坐标和所述横断面坐标相互垂直；
根据所述时间点确定时间坐标；
根据所述第一坐标、所述第二坐标、所述横断面坐标和所述时间坐标构建四维坐标轴，并根据所述四维坐标轴确定所述四维数据。
3.根据权利要求2所述的医学图像分割方法，其特征在于，对所述横断面对应的四维数据进行解析，以获得各所述横断面对应的时间分量，包括：
根据所述横断面坐标确定目标横断面，获取与所述目标横断面对应的第一图像数据，所述第一图像数据包括所述第一坐标、所述第二坐标和所述时间坐标；
对所述第一图像数据进行多维解析，以获取与所述目标横断面对应的时间分量；
重复上述步骤，直至获取与各所述横断面对应的时间分量。
4.根据权利要求2所述的医学图像分割方法，其特征在于，根据各所述横断面对应的时间分量确定与多个所述待处理医学图像集对应的目标时间分量，包括：
根据各所述横断面对应的时间分量、与各所述横断面对应的第一坐标、第二坐标和横断面坐标确定所述目标时间分量。
5.根据权利要求3所述的医学图像分割方法，其特征在于，对所述第一图像数据进行多维解析，以获取与所述目标横断面对应的时间分量，包括：
通过三维克利福德代数对所述第一图像数据进行多维解析，以获取与所述目标横断面对应的时间分量。
6.根据权利要求1-5任一项所述的医学图像分割方法，其特征在于，对所述目标时间分量进行后处理，以获得所述时间动态图像，包括：
根据所述目标时间分量，确定在多个所述时间点时各所述横断面对应的子时间分量，所述子时间分量的数量与所述时间点的数量相同；
将与各所述横断面对应的所述子时间分量分别进行加和平均，以获取目标平均值；
根据所述目标平均值构建所述时间动态图像。
7.根据权利要求1-5任一项所述的医学图像分割方法，其特征在于，对所述目标时间分量进行后处理，以获得所述时间动态图像，包括：
根据所述目标时间分量，确定在多个所述时间点时各所述横断面对应的子时间分量，所述子时间分量的数量与所述时间点的数量相同；
分别获取与各所述横断面对应的所述子时间分量中的最大值；
根据所述子时间分量中的最大值构建所述时间动态图像。
8.根据权利要求1-5任一项所述的医学图像分割方法，其特征在于，对所述目标时间分量进行后处理，以获得所述时间动态图像，包括：
根据所述目标时间分量，确定在多个所述时间点时各所述横断面对应的子时间分量，所述子时间分量的数量与所述时间点的数量相同；
获取与各所述横断面对应的所述子时间分量中的最大值和最小值，并将所述最大值和所述最小值作差，以获取目标差值；
根据所述目标差值构建所述时间动态图像。
9.根据权利要求1所述的医学图像分割方法，其特征在于，在将所述时间动态图像输入至医学图像分割模型，通过所述医学图像分割模型从所述时间动态图像中提取目标区域特征，以获取目标区域之前，所述方法还包括：
获取时间动态图像样本和与所述时间动态图像样本对应的目标区域标注样本；
根据所述时间动态图像样本和所述目标区域标注样本对一待训练医学图像分割模型进行训练，以获得所述医学图像分割模型。
10.根据权利要求1所述的医学图像分割方法，其特征在于，所述三维医学图像为三维动态对比度增强磁共振成像图像。
11.一种医学图像分割装置，其特征在于，包括：
获取模块，用于获取多个待处理医学图像集，各所述待处理医学图像集分别对应一横断面且包括多个对应不同时间点的待处理医学图像，各所述待处理医学图像集中对应同一时间点的所述待处理医学图像组成三维医学图像，以根据所述三维医学图像的三个维度确定所述横断面对应的坐标面和与所述坐标面垂直的横断面坐标轴；
处理模块，用于根据所述待处理医学图像和所述待处理医学图像对应的时间点，对所述待处理医学图像集进行时间维度的处理，以获取时间动态图像；
分割模块，用于将所述时间动态图像输入至医学图像分割模型，通过所述医学图像分割模型从所述时间动态图像中提取目标区域特征，以获取目标区域；
其中，所述处理模块，包括：
四维数据获取单元，用于根据各所述横断面对应的待处理医学图像数据和所述时间点确定与所述横断面对应的四维数据；
第一时间分量获取单元，用于对所述横断面对应的四维数据进行解析，以获得各所述横断面对应的时间分量；
第二时间分量获取单元，用于根据各所述横断面对应的时间分量确定与多个所述待处理医学图像集对应的目标时间分量；
后处理单元，用于对所述目标时间分量进行后处理，以获得所述时间动态图像。
12.一种医学图像分割系统，其特征在于，包括：
检测设备，用于对检测对象进行扫描检测，以获取多个待处理医学图像集，其中各所述待处理医学图像集分别对应一横断面且包括多个对应不同时间点的待处理医学图像，各所述待处理医学图像集中对应同一时间点的所述待处理医学图像组成三维医学图像，以根据所述三维医学图像的三个维度确定所述横断面对应的坐标面和与所述坐标面垂直的横断面坐标轴；
电子设备，所述电子设备与所述检测设备连接，并且所述电子设备包括存储装置和处理器，其中所述存储装置用于存储一个或多个程序，当所述一个或多个程序被所述处理器执行时，使得所述处理器实现如权利要求1至10中任一项所述的医学图像分割方法，以对所述多个待处理医学图像集进行处理，获取目标区域。
13.一种图像分割方法，其特征在于，包括：
获取多个待处理图像集，各所述待处理图像集分别对应一横断面且包括多个对应不同时间点的待处理图像，各所述待处理图像集中对应同一时间点的所述待处理图像组成三维图像，以根据所述三维图像的三个维度确定所述横断面对应的坐标面和与所述坐标面垂直的横断面坐标轴；
根据所述待处理图像和所述待处理图像对应的时间点，对所述待处理图像集进行时间维度的处理，以获取时间动态图像；
将所述时间动态图像输入至图像分割模型，通过所述图像分割模型从所述时间动态图像中提取目标区域特征，以获取目标区域；
其中，所述根据所述待处理图像和所述待处理图像对应的时间点，对所述待处理图像集进行时间维度的处理，以获取时间动态图像，包括：
根据各所述横断面对应的待处理图像数据和所述时间点确定与所述横断面对应的四维数据；
对所述横断面对应的四维数据进行解析，以获得各所述横断面对应的时间分量；
根据各所述横断面对应的时间分量确定与多个所述待处理图像集对应的目标时间分量；
对所述目标时间分量进行后处理，以获得所述时间动态图像。
14.根据权利要求13所述的图像分割方法，其特征在于，所述多个对应不同时间点的待处理图像形成三维图像序列。
CN201910116353.0A 2019-02-15 2019-02-15 医学图像分割方法、装置、系统及图像分割方法 Active CN109872312B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201910116353.0A CN109872312B (zh) 2019-02-15 2019-02-15 医学图像分割方法、装置、系统及图像分割方法
CN201910741376.0A CN110490851B (zh) 2019-02-15 2019-02-15 基于人工智能的乳腺图像分割方法、装置及系统
TW109104094A TWI750583B (zh) 2019-02-15 2020-02-10 醫學圖像分割方法、裝置、系統及圖像分割方法
PCT/CN2020/074712 WO2020164468A1 (zh) 2019-02-15 2020-02-11 医学图像分割方法、图像分割方法及相关装置、系统
EP20755319.9A EP3926537A4 (en) 2019-02-15 2020-02-11 METHOD OF SEGMENTING A MEDICAL IMAGE, METHOD OF SEGMENTING AN IMAGE, RELATED DEVICE AND SYSTEM
US17/239,532 US11954864B2 (en) 2019-02-15 2021-04-23 Medical image segmentation method, image segmentation method, and related apparatus and system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910116353.0A CN109872312B (zh) 2019-02-15 2019-02-15 医学图像分割方法、装置、系统及图像分割方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN201910741376.0A Division CN110490851B (zh) 2019-02-15 2019-02-15 基于人工智能的乳腺图像分割方法、装置及系统

Publications (2)

Publication Number Publication Date
CN109872312A CN109872312A (zh) 2019-06-11
CN109872312B true CN109872312B (zh) 2022-12-20

Family

ID=66918681

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201910116353.0A Active CN109872312B (zh) 2019-02-15 2019-02-15 医学图像分割方法、装置、系统及图像分割方法
CN201910741376.0A Active CN110490851B (zh) 2019-02-15 2019-02-15 基于人工智能的乳腺图像分割方法、装置及系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201910741376.0A Active CN110490851B (zh) 2019-02-15 2019-02-15 基于人工智能的乳腺图像分割方法、装置及系统

Country Status (5)

Country Link
US (1) US11954864B2 (zh)
EP (1) EP3926537A4 (zh)
CN (2) CN109872312B (zh)
TW (1) TWI750583B (zh)
WO (1) WO2020164468A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109872312B (zh) 2019-02-15 2022-12-20 腾讯科技（深圳）有限公司 医学图像分割方法、装置、系统及图像分割方法
CN110445954B (zh) * 2019-07-26 2022-04-26 腾讯医疗健康(深圳)有限公司 图像采集方法、装置及电子设备
CN111429474B (zh) * 2020-02-27 2023-04-07 西北大学 基于混合卷积的乳腺dce-mri图像病灶分割模型建立及分割方法
WO2022011617A1 (zh) 2020-07-15 2022-01-20 北京肿瘤医院(北京大学肿瘤医院) 一种利用光学体表运动信号合成实时图像的方法及系统
CN112365959B (zh) * 2020-12-07 2024-05-28 推想医疗科技股份有限公司 修改三维图像的标注的方法及装置
CN113160253B (zh) * 2020-12-29 2024-01-30 南通大学 基于稀疏标记的三维医学图像分割方法及存储介质
US11580646B2 (en) * 2021-03-26 2023-02-14 Nanjing University Of Posts And Telecommunications Medical image segmentation method based on U-Net
CN113838020A (zh) * 2021-09-17 2021-12-24 上海仰和华健人工智能科技有限公司 一种基于钼靶影像的病变区域量化方法
CN114332132A (zh) * 2021-12-31 2022-04-12 联影智能医疗科技(成都)有限公司 图像分割方法、装置和计算机设备
CN116543001B (zh) * 2023-05-26 2024-01-12 广州工程技术职业学院 彩色图像边缘检测方法及装置、设备、存储介质

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101283362A (zh) * 2005-10-25 2008-10-08 布拉科成像S.P.A.公司 用于自动处理和评估图像、特别是诊断图像的方法和系统
CN101334895A (zh) * 2008-08-07 2008-12-31 清华大学 一种针对动态增强乳腺磁共振影像序列的影像分割方法
CN102054295A (zh) * 2009-11-05 2011-05-11 汤姆科技成像系统有限公司 用于分割医学的图像数据的方法以及装置
CN103201767A (zh) * 2010-10-19 2013-07-10 皇家飞利浦电子股份有限公司 医学图像系统
CN103236058A (zh) * 2013-04-25 2013-08-07 内蒙古科技大学 获取四维心脏图像感兴趣体积的方法
CN103426169A (zh) * 2013-07-26 2013-12-04 西安华海盈泰医疗信息技术有限公司 一种医学图像的分割算法
CN104809723A (zh) * 2015-04-13 2015-07-29 北京工业大学 基于超体素和图割算法的三维肝脏ct图像自动分割方法
CN107530552A (zh) * 2015-01-28 2018-01-02 医科达有限公司 用于自适应放射治疗的运动靶的三维定位
CN108109170A (zh) * 2017-12-18 2018-06-01 上海联影医疗科技有限公司 医学图像扫描方法及医学影像设备
CN108366778A (zh) * 2015-09-03 2018-08-03 西门子保健有限责任公司 移动解剖体和设备的多视图、多源配准
CN108509830A (zh) * 2017-02-28 2018-09-07 华为技术有限公司 一种视频数据处理方法及设备
CN108537803A (zh) * 2018-03-30 2018-09-14 北京灵医灵科技有限公司 一种ct图像交互分割方法及装置
EP3410393A1 (en) * 2017-06-01 2018-12-05 Siemens Healthcare GmbH Comparing medical images
CN109069859A (zh) * 2016-02-02 2018-12-21 医科达有限公司 图像引导式放射治疗中的三维呼吸运动管理
CN109215764A (zh) * 2018-09-21 2019-01-15 苏州瑞派宁科技有限公司 一种医学图像四维可视化的方法及装置
CN109242863A (zh) * 2018-09-14 2019-01-18 北京市商汤科技开发有限公司 一种缺血性脑卒中图像区域分割方法及装置

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6961454B2 (en) * 2001-10-04 2005-11-01 Siemens Corporation Research, Inc. System and method for segmenting the left ventricle in a cardiac MR image
EP1933703A2 (en) * 2005-09-16 2008-06-25 The Ohio State University Method and apparatus for detecting interventricular dyssynchrony
JP5399225B2 (ja) * 2008-12-15 2014-01-29 富士フイルム株式会社 画像処理装置および方法並びにプログラム
US20110200227A1 (en) * 2010-02-17 2011-08-18 Siemens Medical Solutions Usa, Inc. Analysis of data from multiple time-points
CN104143035B (zh) * 2013-05-10 2016-01-20 上海联影医疗科技有限公司 一种分割乳腺病灶的方法
KR101718868B1 (ko) * 2015-09-21 2017-03-22 한국과학기술연구원 자동 의료영상 분할에 의한 3차원 악안면 모델 형성 방법, 이를 수행하는 자동 영상 분할과 모델 형성 서버 및 이를 저장하는 기록매체
CN106056610A (zh) * 2016-06-02 2016-10-26 南方医科大学 基于图割的肺4d‑ct多相位肿瘤联合分割方法
CN106228601B (zh) * 2016-07-21 2019-08-06 山东大学 基于小波变换的多尺度锥束ct图像快速三维重建方法
US11039757B2 (en) * 2016-11-22 2021-06-22 Cedars-Sinai Medical Center Method and system for cardiac motion corrected MR exam using deformable registration
CN106600621B (zh) * 2016-12-08 2019-07-19 温州医科大学 基于婴幼儿脑瘤多模态mri图的时空协同分割方法
TWI756365B (zh) 2017-02-15 2022-03-01 美商脫其泰有限責任公司 圖像分析系統及相關方法
TW201903708A (zh) * 2017-06-06 2019-01-16 國立陽明大學 數位減影血管攝影圖像的分析方法與系統
US10219768B2 (en) * 2017-06-08 2019-03-05 Emass Llc Method for standardizing target lesion selection and tracking on medical images
WO2019023900A1 (zh) 2017-07-31 2019-02-07 深圳联影医疗科技有限公司 在体数据中提取感兴趣区域的方法及系统
CN107808377B (zh) * 2017-10-31 2019-02-12 北京青燕祥云科技有限公司 一种肺叶中病灶的定位装置
WO2019103912A2 (en) * 2017-11-22 2019-05-31 Arterys Inc. Content based image retrieval for lesion analysis
CN108038848B (zh) 2017-12-07 2020-08-11 上海交通大学 基于医学影像序列斑块稳定性指标的快速计算方法及系统
US11403750B2 (en) * 2018-06-13 2022-08-02 Siemens Healthcare Gmbh Localization and classification of abnormalities in medical images
CN109872312B (zh) * 2019-02-15 2022-12-20 腾讯科技（深圳）有限公司 医学图像分割方法、装置、系统及图像分割方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101283362A (zh) * 2005-10-25 2008-10-08 布拉科成像S.P.A.公司 用于自动处理和评估图像、特别是诊断图像的方法和系统
CN101334895A (zh) * 2008-08-07 2008-12-31 清华大学 一种针对动态增强乳腺磁共振影像序列的影像分割方法
CN102054295A (zh) * 2009-11-05 2011-05-11 汤姆科技成像系统有限公司 用于分割医学的图像数据的方法以及装置
CN103201767A (zh) * 2010-10-19 2013-07-10 皇家飞利浦电子股份有限公司 医学图像系统
CN103236058A (zh) * 2013-04-25 2013-08-07 内蒙古科技大学 获取四维心脏图像感兴趣体积的方法
CN103426169A (zh) * 2013-07-26 2013-12-04 西安华海盈泰医疗信息技术有限公司 一种医学图像的分割算法
CN107530552A (zh) * 2015-01-28 2018-01-02 医科达有限公司 用于自适应放射治疗的运动靶的三维定位
CN104809723A (zh) * 2015-04-13 2015-07-29 北京工业大学 基于超体素和图割算法的三维肝脏ct图像自动分割方法
CN108366778A (zh) * 2015-09-03 2018-08-03 西门子保健有限责任公司 移动解剖体和设备的多视图、多源配准
CN109069859A (zh) * 2016-02-02 2018-12-21 医科达有限公司 图像引导式放射治疗中的三维呼吸运动管理
CN108509830A (zh) * 2017-02-28 2018-09-07 华为技术有限公司 一种视频数据处理方法及设备
EP3410393A1 (en) * 2017-06-01 2018-12-05 Siemens Healthcare GmbH Comparing medical images
CN108109170A (zh) * 2017-12-18 2018-06-01 上海联影医疗科技有限公司 医学图像扫描方法及医学影像设备
CN108537803A (zh) * 2018-03-30 2018-09-14 北京灵医灵科技有限公司 一种ct图像交互分割方法及装置
CN109242863A (zh) * 2018-09-14 2019-01-18 北京市商汤科技开发有限公司 一种缺血性脑卒中图像区域分割方法及装置
CN109215764A (zh) * 2018-09-21 2019-01-15 苏州瑞派宁科技有限公司 一种医学图像四维可视化的方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
人体颅脑MRI图像中下颌骨的分割及三维建模;何叶松等;《中国医学物理学杂志》;20100515(第03期);第56-60页 *
图像分割技术在血管图像中的应用;王小燕等;《中国介入影像与治疗学》;20090110(第01期);第98-101页 *

Also Published As

Publication number Publication date
EP3926537A1 (en) 2021-12-22
CN110490851B (zh) 2021-05-11
US11954864B2 (en) 2024-04-09
EP3926537A4 (en) 2022-04-06
US20210264613A1 (en) 2021-08-26
CN109872312A (zh) 2019-06-11
TW202032577A (zh) 2020-09-01
WO2020164468A1 (zh) 2020-08-20
TWI750583B (zh) 2021-12-21
CN110490851A (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
CN109872312B (zh) 医学图像分割方法、装置、系统及图像分割方法
Muschelli et al. PItcHPERFeCT: primary intracranial hemorrhage probability estimation using random forests on CT
Schnabel et al. Validation of nonrigid image registration using finite-element methods: application to breast MR images
US10628930B1 (en) Systems and methods for generating fused medical images from multi-parametric, magnetic resonance image data
CN107886508B (zh) 差分减影方法和医学图像处理方法及系统
US9251585B2 (en) Coregistration and analysis of multi-modal images obtained in different geometries
EP2149121B1 (en) Image registration method
US20080292164A1 (en) System and method for coregistration and analysis of non-concurrent diffuse optical and magnetic resonance breast images
US8655040B2 (en) Integrated image registration and motion estimation for medical imaging applications
WO2016033458A1 (en) Restoring image quality of reduced radiotracer dose positron emission tomography (pet) images using combined pet and magnetic resonance (mr)
JP2016189946A (ja) 医用画像位置合わせ装置および方法並びにプログラム
CN112351739A (zh) 使用深度学习进行准确快速的正电子发射断层扫描的系统和方法
Azar et al. Standardized platform for coregistration of nonconcurrent diffuse optical and magnetic resonance breast images obtained in different geometries
US11495346B2 (en) External device-enabled imaging support
Guidotti et al. Optimized 3D co-registration of ultra-low-field and high-field magnetic resonance images
US11138736B2 (en) Information processing apparatus and information processing method
Giordano et al. Classification of hemodynamically significant stenoses from dynamic CT perfusion and CTA myocardial territories
CN112790778A (zh) 采集错误对齐
EP4231234A1 (en) Deep learning for registering anatomical to functional images
Okorie et al. Semantic segmentation of individual muscle groups in 3D thigh MRI
US20220392077A1 (en) Organ segmentation in image
Kalicka et al. Novel method of lung area extraction in chest perfusion computed tomography
Jaspers et al. Deep Learning Synthesis of White-Blood From Dark-Blood Late Gadolinium Enhancement Cardiac Magnetic Resonance
Hillergren Towards non-invasive Gleason grading of prostate cancer using diffusion weighted MRI
Ko et al. DOTnet 2.0: Deep learning network for diffuse optical tomography image reconstruction

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40009258

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant