CN109934861B - 一种头颈部多模态医学图像自动配准方法 - Google Patents

一种头颈部多模态医学图像自动配准方法 Download PDF

Info

Publication number
CN109934861B
CN109934861B CN201910056742.9A CN201910056742A CN109934861B CN 109934861 B CN109934861 B CN 109934861B CN 201910056742 A CN201910056742 A CN 201910056742A CN 109934861 B CN109934861 B CN 109934861B
Authority
CN
China
Prior art keywords
image
surface contour
region
point set
transformed
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
CN201910056742.9A
Other languages
English (en)
Other versions
CN109934861A (zh
Inventor
战荫伟
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910056742.9A priority Critical patent/CN109934861B/zh
Publication of CN109934861A publication Critical patent/CN109934861A/zh
Application granted granted Critical
Publication of CN109934861B publication Critical patent/CN109934861B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种头颈部多模态医学图像自动配准方法，通过提取固定图像和浮动图像的表面轮廓点集进行表面匹配，获取表面匹配时的变换矩阵、以及固定图像和浮动图像的重叠区域点集，缩小配准寻优范围，提高精准度。另外，对重叠区域点集，进行表面重建。通过表面重建模型与平面相交的方法，提取重叠区域点集对应的三维图像区域,作为配准的感兴趣区域，进而对感兴趣区域进行自动配准，减少人工参与，简化配准流程。

Description

一种头颈部多模态医学图像自动配准方法
技术领域
本发明涉及医学图像处理的技术领域，尤其涉及到一种头颈部多模态医学图像自动配准方法。
背景技术
CT(Computed Tomography，电子计算机断层扫描)成像可以更好显示骨骼信息，MRI(Magnetic Resonance Imaging,磁共振成像)对软组织成像明显，两种图像融合可以精准定位病灶位置，提高放射治疗的效果。
目前，放射治疗计划基本上都是基于CT图像的，但是由于CT图像对于软组织成像不明显，导致物理师在制定放射治疗计划时，无法准确勾勒出靶区。为提高放射治疗的效果，需要结合MR图像，将MR图像配准到CT图像，使MR图像在空间上与CT图像一致，使得物理师在制定放疗计划时，更加准确勾画靶区，减少放疗时对健康组织的副作用。
然而，目前医院所使用的配准软件，都需要物理师手动勾画出感兴趣区域(见图9)，再基于感兴趣区域进行配准。这种人工干预的配准方法，操作更加复杂，并会影响配准结果。
发明内容
本发明的目的在于克服现有技术的不足，提出一种能够自动勾画感兴趣区域，精准度高的头颈部多模态医学图像自动配准方法。
为实现上述目的，本发明所提供的技术方案为：
一种头颈部多模态医学图像自动配准方法，包括以下步骤：
S1：导入固定图像和浮动图像；其中，CT图像作为配准的固定图像，MR图像作为配准的浮动图像；
S2：将步骤S1导入的两种模态的三维体数据下采样至低尺度，对低尺度下的体数据进行滤波去噪预处理；
S3：从CT和MR图像中提取精准的表面轮廓点集；
S4：通过ICP算法对提取的CT和MR图像的表面轮廓点集进行表面匹配，输出匹配的误差和两点集的变换矩阵；
S5：根据变换矩阵对MR图像进行刚性变换，得到经变换的MR图像，利用变换矩阵对MR图像的表面轮廓点集进行重采样，得到经变换的MR图像的表面轮廓点集；
S6：求取CT图像与经变换的MR图像的表面轮廓点集的重叠区域点集；
S7：根据CT图像与经变换的MR图像的表面轮廓点集的重叠区域点集，得到三维的感兴趣区域；
S8：利用获取的感兴趣区域，进行刚性配准和非刚性配准。
进一步地，所述步骤S2中的预处理还包括对MR图像进行偏移场矫正，以及灰度归一化操作，以解决偏移场的存在导致图像灰度不均匀的问题，减少配准时的干扰。
进一步地，所述步骤S3中从CT和MR图像中提取精准的表面轮廓点集的具体步骤如下：
S3-1：利用MC算法提取预处理后的CT图像和MR图像的表面轮廓；
S3-2：步骤S31提取的表面轮廓比较粗糙，对粗提取的表面轮廓进行最大连通域计算，得到CT图像和MR图像精准的表面轮廓，即从CT、MR图像中提取精准的表面轮廓点集。
进一步地，所述步骤S6求取CT图像与经变换的MR图像的表面轮廓点集的重叠区域点集的具体步骤为：根据匹配的误差，定义一个以K倍误差大小为搜索阈值，遍历CT图像表面轮廓点集中的每个点，如果一点在阈值范围内能找到经变换的MR表面轮廓点集中的点，则该点为重叠区域的CT图像表面轮廓点，找到的MR表面轮廓点也为重叠区域的点，并保存下来；否则，该点不为重叠区域的点，予以剔除；遍历所有CT表面轮廓点，即可同时得到重叠区域的CT和MR轮廓点集。
进一步地，在步骤S7中，所述获取三维感兴趣区域的具体步骤如下：
S7-1：对CT图像的表面轮廓点集的重叠区域点集，以及经变换的MR图像的表面轮廓点集的重叠区域点集进行表面重建；
S7-2：根据下采样后的CT图像，经变换的MR图像的大小、像素间距，创建一个与CT图像一样大小的平面，与经变换的MR图像一样大小的平面；
S7-3：使用创建的平面与表面重建模型相交，得到交线，将Z方向的像素间距，作为平面的上移间距，得到每张切片上的交点；
S7-4：由于图像是经过下采样的，所以有的切片上的交点是不连续的，需要对每张切片上的交点按照顺序进行首尾相连，形成封闭的轮廓；
S7-5：对封闭轮廓进行填洞处理；
S7-6：使用数学形态学中的闭运算对填洞图像进行处理，得到感兴趣区域的二值图像；
S7-7：对感兴趣区域的二值图像进行上采样，使得二值图像尺度与原体数据相同，然后使用上采样后的二值图像和原始CT、MR图像进行按位与操作，得到CT图像的感兴趣区域和经变换的MR图像的感兴趣区域。
进一步地，在步骤S8中，对CT图像的感兴趣区域和经变换的MR图像的感兴趣区域进行下采样，利用下采样后的感兴趣区域进行刚性配准，得到刚性配准的变换参数，利用变换参数，对未采样的MR图像进行重采样，得到经过刚性配准后的MR图像；然后通过Demons算法对CT图像以及经过刚性配准后的MR图像进行非刚性配准进行局部形变，输出经过ICP匹配、刚性配准后的MR图像配准到CT图像的形变场，使用形变场对MR图像进行形变，得到非刚性配准后的MR图像。
与现有技术相比，本方案原理和优点如下：
1.通过提取固定图像和浮动图像的表面轮廓点集进行表面匹配，获取表面匹配时的变换矩阵、以及固定图像和浮动图像的重叠区域点集，缩小配准寻优范围，提高精准度。
2.对重叠区域点集，进行表面重建。通过表面重建模型与平面相交的方法，提取重叠区域点集对应的三维图像区域,作为配准的感兴趣区域，进而对感兴趣区域进行自动配准，减少人工参与，简化配准流程。
附图说明
图1为本发明一种头颈部多模态医学图像自动配准方法的流程图；
图2为本发明中CT图像表面轮廓点集与MR图像表面轮廓点集进行表面匹配的示意图；
图3为本发明中CT图像表面轮廓点集与匹配后的MR图像表面轮廓点集的重叠区域示意图；
图4为本发明中CT图像表面轮廓点集与平面相交所得交线的示意图；
图5为本发明中MR图像表面轮廓点集与平面相交所得交线的示意图；
图6为为本发明中获取感兴趣区域的二值图像；
图7为为本发明中CT图像与感兴趣区域的二值图像相与后得出的CT图像的感兴趣区域的示意图；
图8为本发明中的配准结果示意图；
图9为现有技术中的瓦里安配准界面图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
参见图1所示，本实施例所述的一种头颈部多模态医学图像自动配准方法，包括以下步骤：
S1：导入固定图像和浮动图像；其中，CT图像作为配准的固定图像，MR图像作为配准的浮动图像；
S2：将步骤S1导入的两种模态的三维体数据下采样至低尺度，对低尺度下的体数据进行滤波去噪，对MR图像进行偏移场矫正，以及灰度归一化操作，以解决偏移场的存在导致图像灰度不均匀的问题，减少配准时的干扰；
S3：从CT和MR图像中提取精准的表面轮廓点集，具体步骤如下：
S3-1：利用MC算法提取预处理后的CT图像和MR图像的表面轮廓；
S3-2：步骤S31提取的表面轮廓比较粗糙，对粗提取的表面轮廓进行最大连通域计算，得到CT图像和MR图像精准的表面轮廓，即从CT、MR图像中提取精准的表面轮廓点集；
提取到CT、MR图像精准的表面轮廓点集后，进入步骤S4；
S4：通过ICP算法对提取的CT和MR图像的表面轮廓点集进行表面匹配(如图2所示)，输出匹配的误差和两点集的变换矩阵；
S5：根据变换矩阵对MR图像进行刚性变换，得到经变换的MR图像，利用变换矩阵对MR图像的表面轮廓点集进行重采样，得到经变换的MR图像的表面轮廓点集；
S6：如图3所示，求取CT图像与经变换的MR图像的表面轮廓点集的重叠区域点集，具体为：
根据匹配的误差，定义一个以K倍误差大小为搜索阈值，遍历CT图像表面轮廓点集中的每个点，如果一点在阈值范围内能找到经变换的MR表面轮廓点集中的点，则该点为重叠区域的CT图像表面轮廓点，找到的MR表面轮廓点也为重叠区域的点，并保存下来；否则，该点不为重叠区域的点，予以剔除；遍历所有CT表面轮廓点，即可同时得到重叠区域的CT和MR轮廓点集；
S7：根据CT图像与经变换的MR图像的表面轮廓点集的重叠区域点集，得到三维的感兴趣区域，具体步骤如下：
S7-1：对CT图像的表面轮廓点集的重叠区域点集，以及经变换的MR图像的表面轮廓点集的重叠区域点集进行表面重建；
S7-2：根据下采样后的CT图像，经变换的MR图像的大小、像素间距，创建一个与CT图像一样大小的平面，与经变换的MR图像一样大小的平面；
S7-3：使用创建的平面与表面重建模型相交，得到交线(如图4和5所示)，将Z方向的像素间距，作为平面的上移间距，得到每张切片上的交点；
S7-4：由于图像是经过下采样的，所以有的切片上的交点是不连续的，需要对每张切片上的交点按照顺序进行首尾相连，形成封闭的轮廓；
S7-5：对封闭轮廓进行填洞处理；
S7-6：使用数学形态学中的闭运算对填洞图像进行处理，得到感兴趣区域的二值图像，如图6所示；
S7-7：对感兴趣区域的二值图像进行上采样，使得二值图像尺度与原体数据相同，然后使用上采样后的二值图像和原始CT、MR图像进行按位与操作，得到CT图像的感兴趣区域和经变换的MR图像的感兴趣区域，如图7所示；
S8：对CT图像的感兴趣区域和经变换的MR图像的感兴趣区域进行下采样，利用下采样后的感兴趣区域进行刚性配准，得到刚性配准的变换参数，利用变换参数，对未采样的MR图像进行重采样，得到经过刚性配准后的MR图像；然后通过Demons算法对CT图像以及经过刚性配准后的MR图像进行非刚性配准进行局部形变，输出经过ICP匹配、刚性配准后的MR图像配准到CT图像的形变场，使用形变场对MR图像进行形变，得到非刚性配准后的MR图像，如图8所示。
本实施例通过提取固定图像和浮动图像的表面轮廓点集进行表面匹配，获取表面匹配时的变换矩阵、以及固定图像和浮动图像的重叠区域点集，缩小配准寻优范围，提高精准度。另外，对重叠区域点集，进行表面重建。通过表面重建模型与平面相交的方法，提取重叠区域点集对应的三维图像区域,作为配准的感兴趣区域，进而对感兴趣区域进行自动配准，减少人工参与，简化配准流程。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (4)

1.一种头颈部多模态医学图像自动配准方法，其特征在于，包括以下步骤：
S1：导入固定图像和浮动图像；其中，CT图像作为配准的固定图像，MR图像作为配准的浮动图像；
S2：将步骤S1导入的两种模态的三维体数据下采样至低尺度，对低尺度下的体数据进行滤波去噪预处理；
S3：从CT和MR图像中提取精准的表面轮廓点集；
S4：通过ICP算法对提取的CT和MR图像的表面轮廓点集进行表面匹配，输出匹配的误差和两点集的变换矩阵；
S5：根据变换矩阵对 MR 图像进行刚性变换，得到经变换的MR图像，利用变换矩阵对MR图像的表面轮廓点集进行重采样，得到经变换的MR图像的表面轮廓点集；
S6：求取CT图像与经变换的MR图像的表面轮廓点集的重叠区域点集；
S7：根据CT图像与经变换的MR图像的表面轮廓点集的重叠区域点集，得到三维的感兴趣区域；
S8：利用获取的感兴趣区域，进行刚性配准和非刚性配准；
所述步骤S6求取CT图像与经变换的 MR 图像的表面轮廓点集的重叠区域点集的具体步骤为：根据匹配的误差，定义一个以K倍误差大小为搜索阈值，遍历CT图像表面轮廓点集中的每个点，如果一点在阈值范围内能找到经变换的 MR表面轮廓点集中的点，则该点为重叠区域的CT图像表面轮廓点，找到的MR表面轮廓点也为重叠区域的点，并保存下来；否则，该点不为重叠区域的点，予以剔除；遍历所有CT表面轮廓点，即可同时得到重叠区域的CT和MR轮廓点集；
在步骤 S7 中，得到三维的感兴趣区域的具体步骤如下：
S7-1：对CT图像的表面轮廓点集的重叠区域点集，以及经变换的MR图像的表面轮廓点集的重叠区域点集进行表面重建；
S7-2：根据下采样后的CT图像，经变换的MR图像的大小、像素间距，创建一个与CT图像一样大小的平面，与经变换的MR图像一样大小的平面；
S7-3：使用创建的平面与表面重建模型相交，得到交线，将Z方向的像素间距，作为平面的上移间距，得到每张切片上的交点；
S7-4：对每张切片上的交点按照顺序进行首尾相连，形成封闭的轮廓；
S7-5：对封闭轮廓进行填洞处理；
S7-6：使用数学形态学中的闭运算对填洞图像进行处理，得到感兴趣区域的二值图像；
S7-7：对感兴趣区域的二值图像进行上采样，使得二值图像尺度与原体数据相同，然后使用上采样后的二值图像和原始CT、MR图像进行按位与操作，得到CT图像的感兴趣区域和经变换的MR图像的感兴趣区域。
2.根据权利要求1所述的一种头颈部多模态医学图像自动配准方法，其特征在于，所述步骤S2中的预处理还包括对MR图像进行偏移场矫正，以及灰度归一化操作，以解决偏移场的存在导致图像灰度不均匀的问题，减少配准时的干扰。
3.根据权利要求1所述的一种头颈部多模态医学图像自动配准方法，其特征在于，所述步骤S3中从CT和MR图像中提取精准的表面轮廓点集的具体步骤如下：
S3-1：利用MC算法提取预处理后的CT图像和MR 图像的表面轮廓；
S3-2：步骤S31提取的表面轮廓比较粗糙，对粗提取的表面轮廓进行最大连通域计算，得到CT图像和MR图像精准的表面轮廓，即从CT、MR图像中提取精准的表面轮廓点集。
4.根据权利要求1所述的一种头颈部多模态医学图像自动配准方法，其特征在于，在步骤S8中，对CT图像的感兴趣区域和经变换的MR图像的感兴趣区域进行下采样，利用下采样后的感兴趣区域进行刚性配准，得到刚性配准的变换参数，利用变换参数，对未采样的MR图像进行重采样，得到经过刚性配准后的MR图像；然后通过Demons算法对CT图像以及经过刚性配准后的MR图像进行非刚性配准进行局部形变，输出经过ICP匹配、刚性配准后的MR图像配准到CT图像的形变场，使用形变场对MR图像进行形变，得到非刚性配准后的MR图像。
CN201910056742.9A 2019-01-22 2019-01-22 一种头颈部多模态医学图像自动配准方法 Active CN109934861B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910056742.9A CN109934861B (zh) 2019-01-22 2019-01-22 一种头颈部多模态医学图像自动配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910056742.9A CN109934861B (zh) 2019-01-22 2019-01-22 一种头颈部多模态医学图像自动配准方法

Publications (2)

Publication Number Publication Date
CN109934861A CN109934861A (zh) 2019-06-25
CN109934861B true CN109934861B (zh) 2022-10-18

Family

ID=66985010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910056742.9A Active CN109934861B (zh) 2019-01-22 2019-01-22 一种头颈部多模态医学图像自动配准方法

Country Status (1)

Country Link
CN (1) CN109934861B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110782428B (zh) * 2019-09-20 2022-06-17 浙江未来技术研究院(嘉兴) 一种用于构建临床脑部ct图像roi模板的方法及系统
CN111358484B (zh) * 2020-03-23 2021-12-24 广州医科大学附属第一医院（广州呼吸中心） 核医学肺灌注显像定量分析方法、分析设备及存储介质
CN113298855B (zh) * 2021-05-27 2021-12-28 广州柏视医疗科技有限公司 基于自动勾画的图像配准方法
CN113808176B (zh) * 2021-09-18 2024-01-26 浙江大学 基于装置成像坐标的mr图像配准方法、分析方法及其装置

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1489101A (zh) * 2003-08-14 2004-04-14 中国人民解放军第一军医大学 基于相同重叠区框架下的多设备医学图像刚性配准方法
CN1952980A (zh) * 2006-11-17 2007-04-25 南方医科大学 三维图像的快速配准方法
CN103337065A (zh) * 2013-05-22 2013-10-02 西安电子科技大学 小鼠三维ct图像的非刚性配准方法
CN103402453A (zh) * 2011-03-03 2013-11-20 皇家飞利浦有限公司 用于导航系统的自动初始化和配准的系统和方法
CN103854270A (zh) * 2012-11-28 2014-06-11 广州医学院第一附属医院 一种ct和mr异机三维图像融合的配准方法及系统
CN103903255A (zh) * 2012-12-31 2014-07-02 中国科学院深圳先进技术研究院 一种超声图像分割方法和系统
CN104599268A (zh) * 2015-01-06 2015-05-06 广州医科大学附属肿瘤医院 一种联合点配准的局部区域精确变形配准算法
KR20150118484A (ko) * 2014-04-14 2015-10-22 삼성전자주식회사 의료 영상 정합 방법 및 장치
CN105303547A (zh) * 2014-07-11 2016-02-03 东北大学 一种基于网格匹配的Demons算法的多期CT图像配准方法
CN106361366A (zh) * 2016-11-02 2017-02-01 上海联影医疗科技有限公司 多模态图像配准方法及系统
CN106991694A (zh) * 2017-03-17 2017-07-28 西安电子科技大学 基于显著区域面积匹配的心脏ct与超声图像配准方法
CN107133975A (zh) * 2017-04-14 2017-09-05 西安电子科技大学 基于瓣膜对齐及概率图的心脏ct‑tee配准方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7693349B2 (en) * 2006-08-15 2010-04-06 General Electric Company Systems and methods for interactive image registration
EP2131212A3 (en) * 2008-06-05 2011-10-05 Medison Co., Ltd. Non-Rigid Registration Between CT Images and Ultrasound Images
RU2521692C2 (ru) * 2008-10-10 2014-07-10 Конинклейке Филипс Электроникс Н.В. Система и способ получения ангиографических изображений с автоматической регулировкой затвора для получения уменьшенного поля обзора, охватывающего сегментированную целевую структуру или патологическое изменение для уменьшения дозы рентгеновского излучения при минимально инвазивных вмешательствах с рентгенографическим контролем
US9524552B2 (en) * 2011-08-03 2016-12-20 The Regents Of The University Of California 2D/3D registration of a digital mouse atlas with X-ray projection images and optical camera photos
US9275432B2 (en) * 2013-11-11 2016-03-01 Toshiba Medical Systems Corporation Method of, and apparatus for, registration of medical images
US10198872B2 (en) * 2015-08-10 2019-02-05 The Board Of Trustees Of The Leland Stanford Junior University 3D reconstruction and registration of endoscopic data

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1489101A (zh) * 2003-08-14 2004-04-14 中国人民解放军第一军医大学 基于相同重叠区框架下的多设备医学图像刚性配准方法
CN1952980A (zh) * 2006-11-17 2007-04-25 南方医科大学 三维图像的快速配准方法
CN103402453A (zh) * 2011-03-03 2013-11-20 皇家飞利浦有限公司 用于导航系统的自动初始化和配准的系统和方法
CN103854270A (zh) * 2012-11-28 2014-06-11 广州医学院第一附属医院 一种ct和mr异机三维图像融合的配准方法及系统
CN103903255A (zh) * 2012-12-31 2014-07-02 中国科学院深圳先进技术研究院 一种超声图像分割方法和系统
CN103337065A (zh) * 2013-05-22 2013-10-02 西安电子科技大学 小鼠三维ct图像的非刚性配准方法
KR20150118484A (ko) * 2014-04-14 2015-10-22 삼성전자주식회사 의료 영상 정합 방법 및 장치
CN105303547A (zh) * 2014-07-11 2016-02-03 东北大学 一种基于网格匹配的Demons算法的多期CT图像配准方法
CN104599268A (zh) * 2015-01-06 2015-05-06 广州医科大学附属肿瘤医院 一种联合点配准的局部区域精确变形配准算法
CN106361366A (zh) * 2016-11-02 2017-02-01 上海联影医疗科技有限公司 多模态图像配准方法及系统
CN106991694A (zh) * 2017-03-17 2017-07-28 西安电子科技大学 基于显著区域面积匹配的心脏ct与超声图像配准方法
CN107133975A (zh) * 2017-04-14 2017-09-05 西安电子科技大学 基于瓣膜对齐及概率图的心脏ct‑tee配准方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Automatic Method to Assess Local CT–MR Imaging Registration Accuracy on Images of the Head;Pappas, IPI等;《AMERICAN JOURNAL OF NEURORADIOLOGY》;20050126;第26卷(第1期);第137-144页 *

Also Published As

Publication number Publication date
CN109934861A (zh) 2019-06-25

Similar Documents

Publication Publication Date Title
CN109934861B (zh) 一种头颈部多模态医学图像自动配准方法
US10842445B2 (en) System and method for unsupervised deep learning for deformable image registration
CN109166133B (zh) 基于关键点检测和深度学习的软组织器官图像分割方法
CN103325143B (zh) 基于模型匹配的标记点自动注册方法
JP5601378B2 (ja) 医用画像処理装置
CN114119549B (zh) 一种多模态医学图像三维点云配准优化方法
US11581087B2 (en) Method, system and computer readable medium for automatic segmentation of a 3D medical image
US8781552B2 (en) Localization of aorta and left atrium from magnetic resonance imaging
CN111402198B (zh) 基于解剖地标和残差网络的阿尔兹海默症分类方法及系统
Orczyk et al. Preliminary experience with a novel method of three-dimensional co-registration of prostate cancer digital histology and in vivo multiparametric MRI
CN106600621A (zh) 基于婴幼儿脑瘤多模态mri图的时空协同分割方法
JP2020039507A (ja) 磁気共鳴撮像装置、画像処理装置、及び、画像処理方法
US11486950B2 (en) Systems and methods for automated graphical prescription with deep neural networks
US10945709B2 (en) Systems, methods and computer readable storage media storing instructions for image-guided interventions based on patient-specific models
CN114677436A (zh) 基于模型配准的脑部cta图像中的脑血管自动定位方法
EP3893200A1 (en) Method, system and computer readable medium for automatic segmentation of a 3d medical image
Adler et al. Reconstruction of the human hippocampus in 3D from histology and high-resolution ex-vivo MRI
Rivest-Hénault et al. Inverse-consistent rigid registration of CT and MR for MR-based planning and adaptive prostate radiation therapy
Chav et al. Kidney segmentation from a single prior shape in MRI
US12112489B2 (en) Method of establishing an enhanced three-dimensional model of intracranial angiography
US20230410315A1 (en) Deep magnetic resonance fingerprinting auto-segmentation
CN116168097A (zh) 构建cbct勾画模型和勾画cbct图像的方法、装置、设备及介质
CN111166373B (zh) 一种定位注册方法、装置和系统
Jiang et al. Regions of interest extraction from SPECT images for neural degeneration assessment using multimodality image fusion
Jiang et al. Using maximal cross-section detection for the registration of 3D image data of the head

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information

Inventor after: Zhan Yinwei

Inventor after: Chu Qin

Inventor after: Yang Rongjian

Inventor before: Zhan Yinwei

CB03 Change of inventor or designer information