CN110009669A - 一种基于深度强化学习的3d/2d医学图像配准方法 - Google Patents
一种基于深度强化学习的3d/2d医学图像配准方法 Download PDFInfo
- Publication number
- CN110009669A CN110009669A CN201910221414.XA CN201910221414A CN110009669A CN 110009669 A CN110009669 A CN 110009669A CN 201910221414 A CN201910221414 A CN 201910221414A CN 110009669 A CN110009669 A CN 110009669A
- Authority
- CN
- China
- Prior art keywords
- image
- reference picture
- drr
- registration
- resolution ratio
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000009466 transformation Effects 0.000 claims abstract description 21
- 238000011524 similarity measure Methods 0.000 claims abstract description 20
- 238000009877 rendering Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 230000008859 change Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000002683 foot Anatomy 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000002675 image-guided surgery Methods 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度强化学习的3D/2D医学图像配准方法,先获取2D和3D医学图像并进行预处理,得到多分辨率的参考图像和浮动图像;然后搭建深度强化学习网络,对术前待配准3D图像做特定方向投影,得到不同变换参数的DRR图像,再计算每幅DRR图像与2D参考图像的相似性测度,最后选出相似性测度值最高的DRR图像,最后利用深度强化学习网络对选出的DRR图像进行图像配准。
Description
技术领域
本发明属于图像配准技术领域,更为具体地讲,涉及一种基于深度强化学习的3D/2D医学图像配准方法。
背景技术
临床手术中的影像导航手术通常需要在术前获取3D人体病灶图像帮助医生了解病人病情和制定手术规划,同时还需要在术中获取2D人体图像一边引导医生在手术中实现跟踪和校正手术器械相对病人病灶的空间位置,手术的关键就在于准确的建立术前3D图像和术中2D图像之间的空间位置关系,即配准术前3D图像和术中2D图像。
目前的配准方法可分为基于灰度的方法、基于特征的方法和基于深度学习的方法。基于特征的配准方法又可分为基于外部特征和基于内部特征,基于外部特征通过在患者体内植入特异成像性质的植入物后进行医学成像,通过距离函数量化待配准图像中植入特征信息之间的相似性,该方法直接将标记物植入患者体内会造成患者机体损伤,配准结果有一定误差;基于内部特征选取图像内部的解剖纹理特征替代外部侵入物特征,该方法需要对图像进行景区分割和特征提取,图像配准的精度在很大程度上取决于特征信息的提取精度。总的来说,基于特征的配准忽略了大量的图像信息,导致配准精度低,且需要人工干预。基于灰度的配准算法利用相似性测度量化投影生成的2D图像与术中2D图像的相似性程度,并以优化算法迭代地搜索最优的相似性测度值表示图像到达的最佳配准状态,即最优空间变换参数,更多灰度信息的使用意味着更多的处理数据,计算复杂,配准时间较长,实时性差。Shun Miao提出使用深度回归网络直接预测2D/3D配准变换参数,但预处理步骤复杂,网络结构冗长,需要大量数据,并且端到端直接预测变换参数不利于保证配准精度。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于深度强化学习的3D/2D医学图像配准方法,通过多分辨率的深度强化学习网络来进行图像配准,从而提高配准精度。
为实现上述发明目的,本发明一种基于深度强化学习的3D/2D医学图像配准方法,其特征在于,包括以下步骤:
(1)、获取2D和3D医学图像
获取X射线图像作为配准过程的术中2D参考图像,获取医学CT作为配准过程的训练图像集和术前待配准3D图像;
(2)、训练图像集预处理
将训练图像集输入至X射线成像计算模型,再随机变换参数Ti=(txi,tyi,tzi,rxi,ryi,rzi),通过该模型生成DRR图像,其中,i=1,2,…,n,n为DRR图像个数;
随机选取一部分DRR图像作为参考图像,另一部分作为浮动图像;
(3)、修改参考图像和浮动图像的分辨率,得到分辨率为p1的参考图像和分辨率为p2的参考图像,以及分辨率为p1的浮动图像和分辨率为p2的浮动图像;
(4)、搭建深度强化学习网络
设深度强化学习网络的编码部分包含四条卷积路径L1、L2、L3、L4,L1中输入分辨率为p1的参考图像,L2中输入分辨率为p2的参考图像,L3中输入分辨率为p1的浮动图像,L4中输入分辨率为p2的浮动图像;
设深度强化学习网络的解码部分为Dueling网络,通过全连接层连接编码部分,解码输出为12个沿着变换参数tx、ty、tz、rx、ry、rz的正向和负向运动的动作和12个对应的奖励Q值;
(5)、术前待配准3D图像做特定方向投影
对术前待配准3D图像做体数据的矢状面、冠状面、轴面以及六个对角面所对应的法线方向的特定投影,得到9幅具有不同变换参数Ti=(txi,tyi,tzi,rxi,ryi,rzi)的DRR图像,i=1,2,…,9;
(6)、计算相似性测度
先对9幅DRR图像和2D参考图像进行去噪处理,然后分别计算每幅DRR图像与2D参考图像的相似性测度,最后选出相似性测度值最高的DRR图像;
(7)、利用深度强化学习网络进行图像配准
(7.1)、将选出的DRR图像与2D参考图像进行重采样,再将采样后的图像作为深度强化学习网络的输入参考图像和浮动图像;
(7.2)、深度强化学习网络解码输出12个奖励Q值和对应的12个动作,然后选出奖励Q值中变化最大的一个,最后根据变化最大的奖励Q值及其对应的动作更新变换参数Tx,再根据更新后的变换参数Tx更新选出的DRR图像,并计算选出的DRR图像与2D参考图像的配准精度;
(7.3)、重复步骤(7.1)-(7.2),当配准精度达到预期要求时,迭代停止,得到配准后的图像。
本发明的发明目的是这样实现的:
本发明基于深度强化学习的3D/2D医学图像配准方法,先获取2D和3D医学图像并进行预处理,得到多分辨率的参考图像和浮动图像;然后搭建深度强化学习网络,对术前待配准3D图像做特定方向投影,得到不同变换参数的DRR图像,再计算每幅DRR图像与2D参考图像的相似性测度,最后选出相似性测度值最高的DRR图像,最后利用深度强化学习网络对选出的DRR图像进行图像配准。
同时,本发明基于深度强化学习的3D/2D医学图像配准方法还具有以下有益效果:
(1)、采用多分辨率图像作为输入,较大的尺度隐含地提供空间信息,因为它们足够大以识别体素在图像中的位置,而较小的尺度提供关于体素的局部邻域的详细信息,克服单一尺度造成的空间信息不足或者局部信息不足。
(2)、采用Dueling网络分别计算环境本身的价值和选择动作带来的奖励,相较于单一流DQN网络,分解这两个部分会让学习目标更稳定,更精确,使得智能体既不会在学习过程中陷入局部最优值,也会使得智能体学习的目标更加精确。使收敛速度更快,解决动作数增加时网络的精度问题。
(3)、从九个特定投影方向进行DRR图像投影,能够有效划分变换参数空间,从中选取与X射线图像相似性测度较高的DRR图像,能够有效解决浮动图像初始化问题,减少后续迭代步数,提高配准精度,提高实时性。
附图说明
图1是本发明基于深度强化学习的3D/2D医学图像配准方法流程图;
图2是深度学习强化网络结构图;
图3是Dueling网络模块结构图;
图4是术前待配准3D图像做特定方向投影示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
为了方便描述,先对具体实施方式中出现的相关专业术语进行说明:
GPU(Graphics Processing Unit):图形处理器;
DRR(Digitally reconstructed radiographs):数字重建放射影像;
Dueling网络:竞争网络。
图1是本发明基于深度强化学习的3D/2D医学图像配准方法流程图。
在本实施例中,如图1所示,本发明一种基于深度强化学习的3D/2D医学图像配准方法,包括以下步骤:
S1、获取2D和3D医学图像
获取X射线图像作为配准过程的术中2D参考图像,获取LIDC-IDRI胸部CT作为配准过程的训练图像集和术前待配准3D图像。
S2、训练图像集预处理
将训练图像集输入至X射线成像计算模型,再随机变换参数Ti=(txi,tyi,tzi,rxi,ryi,rzi),通过该模型生成DRR图像,其中,i=1,2,…,n,n为DRR图像个数;
其中,X射线成像计算模型可以采用基于GPU的Ray-Casting算法实现,模型具体为:
其中,I为X射线经过衰减后的能量,I0为X射线初始能量,μi为人体组织i对应的线性衰减系数,di为射线在该组织中经过的距离;
随机选取一部分DRR图像作为参考图像,另一部分作为浮动图像;
S3、修改参考图像和浮动图像的分辨率,得到分辨率为p1=128×128的参考图像和分辨率为p2=224×224的参考图像,以及分辨率为p1的浮动图像和分辨率为p2的浮动图像。
S4、搭建深度强化学习网络
在本实施例中,如图2所示,深度强化学习网络由编码和解码两部分构成,其中,编码部分将输入图像编码成特征,解码部分是对编码特征进行解码,以确定输出动作奖赏。
设深度强化学习网络的编码部分包含四条卷积路径L1、L2、L3、L4,L1中输入分辨率为p1的参考图像,L2中输入分辨率为p2的参考图像,L3中输入分辨率为p1的浮动图像,L4中输入分辨率为p2的浮动图像;
在本实施例中,卷积路径L1由5个卷积层和全连接层fc1构成,输入分辨率p1=128×128的参考图像,fc1有1024个神经元,第一个卷积层有32个卷积核,核大小为5×5,步长为2;第二个卷积层有64个卷积核,核大小为3×3,步长为2;第三个卷积层有64个卷积核,核大小为3×3,步长为2;第四个卷积层有128个卷积核,核大小为3×3,步长为1;第五个卷积层有128个卷积核,核大小为3×3,步长为1;
卷积路径L2由5个卷积层和全连接层fc2构成,输入分辨率p2=224×224的参考图像,第一个卷积层有32个卷积核,核大小为7×7,步长为2;第二个卷积层有64个卷积核,核大小为5×5,步长为2;第三个卷积层有64个卷积核,核大小为3×3,步长为2;第四个卷积层有128个卷积核,核大小为3×3,步长为2;第五个卷积层有128个卷积核,核大小为3×3,步长为1;
卷积路径L3由5个卷积层和全连接层fc3构成,输入分辨率p1=128×128的浮动图像;
卷积路径L4由5个卷积层和全连接层fc4构成,输入分辨率p2=224×224的浮动图像。同分辨率下所对应的输入网络结构相同,在此不再赘述;
设深度强化学习网络的解码部分为Dueling网络,通过全连接层连接编码部分,解码输出为12个沿着变换参数tx、ty、tz、rx、ry、rz的正向和负向运动的动作和12个对应的奖励Q值;
在本实施例中,如图3所示,Dueling网络由4个全连接层fc5、fc6、fc7、fc8构成,全连接层fc5、fc6都含有1024个神经元,全连接层fc5、fc6将得到的特征分解成两部分,分别输入动作价值网络和状态价值网络中,即6个神经元的全连接层fc7和1个神经元的全连接层fc8,最后把2个价值网络输出相加得到12个奖励Q值。
S5、术前待配准3D图像做特定方向投影
如图4所示,对术前待配准3D图像做体数据的矢状面、冠状面、轴面以及六个对角面所对应的法线方向的特定投影,得到9幅具有不同变换参数Ti=(txi,tyi,tzi,rxi,ryi,rzi)的DRR图像,i=1,2,…,9。
S6、计算相似性测度
先对9幅DRR图像和2D参考图像进行去噪处理,然后分别计算每幅DRR图像与2D参考图像的相似性测度,最后选出相似性测度值最高的DRR图像;
其中,通过计算互信息I(A,B)来计算相似性测度,即:
H(A)=-∑PA(a)logPAB(a,b)
H(B)=-∑PB(b)logPAB(a,b)
I(A,B)=H(A)+H(B)-H(A,B)
其中,H(A)表示DRR图像的熵,H(B)表示2D参考图像的熵,H(A,B)表示DRR图像和2D参考图像的联合熵,a、b为两幅图像中相关像素点的值,PA(a)表示DRR图像中像素a的概率分布函数,PB(b)表示2D参考图像中像素b的概率分布函数,PAB(a,b)为DRR图像和2D参考图像之间的联合概率分布函数。
S7、利用深度强化学习网络进行图像配准
S7.1、将选出的DRR图像与2D参考图像进行重采样,再将采样后的图像作为深度强化学习网络的输入参考图像和浮动图像;
S7.2、深度强化学习网络解码输出12个奖励Q值和对应的12个动作,然后选出奖励Q值中变化最大的一个,最后根据变化最大的奖励Q值及其对应的动作更新变换参数Tx,再根据更新后的变换参数Tx更新选出的DRR图像,并计算选出的DRR图像与2D参考图像的配准精度;
S7.3、重复步骤S7.1-S7.2,当配准精度达到预期要求时,迭代停止,得到配准后的图像。
综上所述,本发明所涉及的基于深度强化学习的2D/3D医学图像配准方法,其理论基础为多分辨率深度强化学习网络,通过多分辨率输入有效解决空间信息与局部信息的矛盾;同时利用Dueling网络结构使收敛速度更快,解决动作数增加时网络的精度问题;从九个特定方向投影,将参数空间划分,选择相似性测度高的DRR图像作为浮动图像有效解决输入初始化问题,加速迭代速度和提高配准精度。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种基于深度强化学习的3D/2D医学图像配准方法,其特征在于,包括以下步骤:
(1)、获取2D和3D医学图像
获取X射线图像作为配准过程的术中2D参考图像,获取医学CT作为配准过程的训练图像集和术前待配准3D图像;
(2)、训练图像集预处理
将训练图像集输入至X射线成像计算模型,再随机变换参数Ti=(txi,tyi,tzi,rxi,ryi,rzi),通过该模型生成DRR图像,其中,i=1,2,…,n;
随机选取一部分DRR图像作为参考图像,另一部分作为浮动图像;
(3)、修改参考图像和浮动图像的分辨率,得到分辨率为p1的参考图像和分辨率为p2的参考图像,以及分辨率为p1的浮动图像和分辨率为p2的浮动图像;
(4)、搭建深度强化学习网络
设深度强化学习网络的编码部分包含四条卷积路径L1、L2、L3、L4,L1中输入分辨率为p1的参考图像,L2中输入分辨率为p2的参考图像,L3中输入分辨率为p1的浮动图像,L4中输入分辨率为p2的浮动图像;
设深度强化学习网络的解码部分为Dueling网络,通过全连接层连接编码部分,解码输出为12个沿着变换参数tx、ty、tz、rx、ry、rz的正向和负向运动的动作和12个对应的奖励Q值;
(5)、术前待配准3D图像做特定方向投影
对术前待配准3D图像做体数据的矢状面、冠状面、轴面以及六个对角面所对应的法线方向的特定投影,得到9幅具有不同变换参数Ti=(txi,tyi,tzi,rxi,ryi,rzi)的DRR图像,i=1,2,…,9;
(6)、计算相似性测度
先对9幅DRR图像和2D参考图像进行进行去噪处理,然后分别计算每幅DRR图像与2D参考图像的相似性测度,最后选出相似性测度值最高的DRR图像;
(7)、利用深度强化学习网络进行图像配准
(7.1)、将选出的DRR图像与2D参考图像进行重采样,再将采样后的图像作为深度强化学习网络的输入参考图像和浮动图像;
(7.2)、深度强化学习网络解码输出12个奖励Q值和对应的12个动作,然后选出奖励Q值中变化最大的一个,最后根据变化最大的奖励Q值及其对应的动作更新变换参数Tx,再根据更新后的变换参数Tx更新选出的DRR图像,并计算选出的DRR图像与2D参考图像的配准精度;
(7.3)、重复步骤(7.1)-(7.2),当配准精度达到预期要求时,迭代停止,得到配准后的图像。
2.根据权利要求1所述的基于深度强化学习的3D/2D医学图像配准方法,其特征在于,所述的X射线成像计算模型为:
其中,I为X射线经过衰减后的能量,I0为X射线初始能量,μi为人体组织i对应的线性衰减系数,di为射线在该组织中经过的距离。
3.根据权利要求1所述的基于深度强化学习的3D/2D医学图像配准方法,其特征在于,所述的相似性测度的计算方法为:
通过计算互信息I(A,B)来计算相似性测度,即:
H(A)=-∑PA(a)logPAB(a,b)
H(B)=-∑PB(b)logPAB(a,b)
I(A,B)=H(A)+H(B)-H(A,B)
其中,H(A)表示DRR图像的熵,H(B)表示2D参考图像的熵,H(A,B)表示DRR图像和2D参考图像的联合熵,a、b为两幅图像中相关像素点的值,PA(a)表示DRR图像中像素a的概率分布函数,PB(b)表示2D参考图像中像素b的概率分布函数,PAB(a,b)为DRR图像和2D参考图像之间的联合概率分布函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910221414.XA CN110009669B (zh) | 2019-03-22 | 2019-03-22 | 一种基于深度强化学习的3d/2d医学图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910221414.XA CN110009669B (zh) | 2019-03-22 | 2019-03-22 | 一种基于深度强化学习的3d/2d医学图像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110009669A true CN110009669A (zh) | 2019-07-12 |
CN110009669B CN110009669B (zh) | 2021-12-10 |
Family
ID=67167851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910221414.XA Active CN110009669B (zh) | 2019-03-22 | 2019-03-22 | 一种基于深度强化学习的3d/2d医学图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009669B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462146A (zh) * | 2020-04-16 | 2020-07-28 | 成都信息工程大学 | 一种基于时空智能体的医学图像多模态配准方法 |
CN111612778A (zh) * | 2020-05-26 | 2020-09-01 | 上海交通大学 | 一种术前cta与术中x光冠状动脉配准方法 |
CN111728627A (zh) * | 2020-06-02 | 2020-10-02 | 北京昆仑医云科技有限公司 | 辅助诊断方法和辅助诊断装置 |
CN112370161A (zh) * | 2020-10-12 | 2021-02-19 | 珠海横乐医学科技有限公司 | 基于超声图像特征平面检测的手术导航方法及介质 |
CN112561972A (zh) * | 2020-12-29 | 2021-03-26 | 上海应用技术大学 | 医学图像配准方法 |
CN112598028A (zh) * | 2020-12-10 | 2021-04-02 | 上海鹰瞳医疗科技有限公司 | 眼底图像配准模型训练方法、眼底图像配准方法和装置 |
CN112614169A (zh) * | 2020-12-24 | 2021-04-06 | 电子科技大学 | 基于深度学习网络的2d/3d脊椎ct层级配准方法 |
CN112825619A (zh) * | 2019-09-20 | 2021-05-21 | 博医来股份公司 | 使用数字重建放射影像训练机器学习算法 |
CN113450396A (zh) * | 2021-06-17 | 2021-09-28 | 北京理工大学 | 基于骨骼特征的三维/二维图像配准方法及装置 |
CN113538534A (zh) * | 2021-06-23 | 2021-10-22 | 复旦大学 | 一种基于深度强化学习的纳米成像的图像配准方法 |
CN113662579A (zh) * | 2020-05-13 | 2021-11-19 | 佳能医疗系统株式会社 | 超声波诊断装置、医用图像处理装置及方法、存储介质 |
CN113808182A (zh) * | 2021-11-19 | 2021-12-17 | 首都医科大学附属北京安贞医院 | 一种2d与3d图像配准方法及装置 |
CN114066947A (zh) * | 2020-07-30 | 2022-02-18 | 杭州三坛医疗科技有限公司 | 图像配准方法和图像配准装置 |
CN114627054A (zh) * | 2022-02-11 | 2022-06-14 | 北京理工大学 | 基于多尺度强化学习的ct-x图像配准方法及装置 |
CN117953022A (zh) * | 2024-03-27 | 2024-04-30 | 杭州邦杰星医疗科技有限公司 | 基于cuda卷积算法的医学影像配准处理系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130058555A1 (en) * | 2011-07-29 | 2013-03-07 | Siemens Corporation | Automatic pose initialization for accurate 2-d/3-d registration applied to abdominal aortic aneurysm endovascular repair |
CN104637061A (zh) * | 2015-01-30 | 2015-05-20 | 中国科学院自动化研究所 | 一种二维三维医学图像配准方法 |
CN107403446A (zh) * | 2016-05-18 | 2017-11-28 | 西门子保健有限责任公司 | 用于使用智能人工代理的图像配准的方法和系统 |
CN108460809A (zh) * | 2017-02-22 | 2018-08-28 | 西门子保健有限责任公司 | 用于前列腺癌检测和分类的深度卷积编码器-解码器 |
-
2019
- 2019-03-22 CN CN201910221414.XA patent/CN110009669B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130058555A1 (en) * | 2011-07-29 | 2013-03-07 | Siemens Corporation | Automatic pose initialization for accurate 2-d/3-d registration applied to abdominal aortic aneurysm endovascular repair |
CN104637061A (zh) * | 2015-01-30 | 2015-05-20 | 中国科学院自动化研究所 | 一种二维三维医学图像配准方法 |
CN107403446A (zh) * | 2016-05-18 | 2017-11-28 | 西门子保健有限责任公司 | 用于使用智能人工代理的图像配准的方法和系统 |
CN108460809A (zh) * | 2017-02-22 | 2018-08-28 | 西门子保健有限责任公司 | 用于前列腺癌检测和分类的深度卷积编码器-解码器 |
Non-Patent Citations (2)
Title |
---|
LEI WANG等: "A comparison of two novel similarity measures based on mutual information in 2D/3D image registration", 《IEEE》 * |
林蔚: "基于互信息和蚁群算法的多分辨率二维—三维医学图像配准的研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112825619A (zh) * | 2019-09-20 | 2021-05-21 | 博医来股份公司 | 使用数字重建放射影像训练机器学习算法 |
CN111462146A (zh) * | 2020-04-16 | 2020-07-28 | 成都信息工程大学 | 一种基于时空智能体的医学图像多模态配准方法 |
CN113662579A (zh) * | 2020-05-13 | 2021-11-19 | 佳能医疗系统株式会社 | 超声波诊断装置、医用图像处理装置及方法、存储介质 |
CN111612778A (zh) * | 2020-05-26 | 2020-09-01 | 上海交通大学 | 一种术前cta与术中x光冠状动脉配准方法 |
CN111728627A (zh) * | 2020-06-02 | 2020-10-02 | 北京昆仑医云科技有限公司 | 辅助诊断方法和辅助诊断装置 |
CN114066947B (zh) * | 2020-07-30 | 2022-10-14 | 杭州三坛医疗科技有限公司 | 图像配准方法和图像配准装置 |
CN114066947A (zh) * | 2020-07-30 | 2022-02-18 | 杭州三坛医疗科技有限公司 | 图像配准方法和图像配准装置 |
CN112370161A (zh) * | 2020-10-12 | 2021-02-19 | 珠海横乐医学科技有限公司 | 基于超声图像特征平面检测的手术导航方法及介质 |
CN112370161B (zh) * | 2020-10-12 | 2022-07-26 | 珠海横乐医学科技有限公司 | 基于超声图像特征平面检测的手术导航方法及介质 |
CN112598028A (zh) * | 2020-12-10 | 2021-04-02 | 上海鹰瞳医疗科技有限公司 | 眼底图像配准模型训练方法、眼底图像配准方法和装置 |
CN112614169B (zh) * | 2020-12-24 | 2022-03-25 | 电子科技大学 | 基于深度学习网络的2d/3d脊椎ct层级配准方法 |
CN112614169A (zh) * | 2020-12-24 | 2021-04-06 | 电子科技大学 | 基于深度学习网络的2d/3d脊椎ct层级配准方法 |
CN112561972A (zh) * | 2020-12-29 | 2021-03-26 | 上海应用技术大学 | 医学图像配准方法 |
CN112561972B (zh) * | 2020-12-29 | 2024-04-16 | 上海应用技术大学 | 医学图像配准方法 |
CN113450396A (zh) * | 2021-06-17 | 2021-09-28 | 北京理工大学 | 基于骨骼特征的三维/二维图像配准方法及装置 |
CN113538534A (zh) * | 2021-06-23 | 2021-10-22 | 复旦大学 | 一种基于深度强化学习的纳米成像的图像配准方法 |
CN113538534B (zh) * | 2021-06-23 | 2022-05-20 | 复旦大学 | 一种基于深度强化学习的纳米成像的图像配准方法 |
CN113808182A (zh) * | 2021-11-19 | 2021-12-17 | 首都医科大学附属北京安贞医院 | 一种2d与3d图像配准方法及装置 |
CN114627054A (zh) * | 2022-02-11 | 2022-06-14 | 北京理工大学 | 基于多尺度强化学习的ct-x图像配准方法及装置 |
CN117953022A (zh) * | 2024-03-27 | 2024-04-30 | 杭州邦杰星医疗科技有限公司 | 基于cuda卷积算法的医学影像配准处理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110009669B (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009669A (zh) | 一种基于深度强化学习的3d/2d医学图像配准方法 | |
US11806189B2 (en) | Three-dimensional segmentation from two-dimensional intracardiac echocardiography imaging | |
US10818019B2 (en) | Dilated fully convolutional network for multi-agent 2D/3D medical image registration | |
US11756160B2 (en) | ML-based methods for pseudo-CT and HR MR image estimation | |
CN101076282B (zh) | 移动目标的动态追踪 | |
CN109410273A (zh) | 根据医学成像中表面数据的定位片预测 | |
CN109598722B (zh) | 基于递归神经网络的图像分析方法 | |
CN107403446A (zh) | 用于使用智能人工代理的图像配准的方法和系统 | |
CN112598649B (zh) | 基于生成对抗网络的2d/3d脊椎ct非刚性配准方法 | |
CN110232691A (zh) | 一种多模态的ct影像的分割方法 | |
CN109409503A (zh) | 神经网络的训练方法、图像转换方法、装置、设备及介质 | |
CN101843954A (zh) | 患者定位系统 | |
CN112614169B (zh) | 基于深度学习网络的2d/3d脊椎ct层级配准方法 | |
CN106327479A (zh) | 血管造影中介下先心病术中血管辨识的装置及方法 | |
CN114022491B (zh) | 基于改进空间金字塔模型的小数据集食管癌肿瘤靶区影像自动勾画方法 | |
Poonkodi et al. | 3D-MedTranCSGAN: 3D medical image transformation using CSGAN | |
CN113205567A (zh) | 基于深度学习的mri影像合成ct影像的方法 | |
Luo et al. | Monocular endoscope 6-DoF tracking with constrained evolutionary stochastic filtering | |
CN116563402A (zh) | 跨模态mri-ct图像合成方法、系统、设备和介质 | |
CN116824173A (zh) | 医学图像的处理方法、设备及存储介质 | |
Sadeghi Naini et al. | CT image construction of a totally deflated lung using deformable model extrapolation | |
CN113658116B (zh) | 一种生成不同体位医学图像的人工智能方法和系统 | |
CN107004270A (zh) | 用于计算感兴趣对象的位移的方法和系统 | |
Sadikine et al. | Semi-overcomplete convolutional auto-encoder embedding as shape priors for deep vessel segmentation | |
CN113850710A (zh) | 一种跨模态医学影像精准转换方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |