CN110084805A - Fov参数设定方法、装置及图像处理设备 - Google Patents
Fov参数设定方法、装置及图像处理设备 Download PDFInfo
- Publication number
- CN110084805A CN110084805A CN201910364857.4A CN201910364857A CN110084805A CN 110084805 A CN110084805 A CN 110084805A CN 201910364857 A CN201910364857 A CN 201910364857A CN 110084805 A CN110084805 A CN 110084805A
- Authority
- CN
- China
- Prior art keywords
- image
- fov
- parameter
- positioning
- target
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras 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
- G06T2207/10072—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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30016—Brain
Abstract
本说明书提供一种FOV参数设定方法、装置及图像处理设备,所述方法包括:获得基于MRI扫描得到的多个定位图像;通过预先训练的选层分类器从所述多个定位图像中确定目标定位图像,所述目标定位图像为符合预设标准的概率最高的图像;通过预先训练的FOV参数回归器生成所述目标定位图像的FOV参数。应用本申请实施例实现了MRI扫描过程中FOV参数的自动设定,相较于手工调整方法降低了MRI系统操作的难度和复杂度,并且提高了自动定位的速度和效率,进一步改善了用户体验。
Description
技术领域
本说明书涉及医学成像技术领域,尤其涉及FOV(Filed of View,视野)参数设定方法、装置及图像处理设备。
背景技术
随着医学成像技术的进步,核磁共振成像(Magnetic Resonance Imaging,MRI)在临床上的应用日益广泛,在人体各个系统的疾病诊断中扮演着越来越重要的角色,尤其是对颅脑疾病及神经系统病变的诊断有着不可替代的作用。
在MRI扫描中,FOV参数是用于确定扫描位置和方向的重要参数。FOV的范围既需要覆盖检测部位的所有解剖结构,又要保证不会因过大而影响空间分辨率,并且FOV的方向还关乎MRI诊断的准确性,因此需要准确设定MRI扫描中的FOV参数。
由于MRI扫描中涉及到的FOV参数较多,通过手动调整来实现定位操作过程繁琐且费时,影响了扫描效率和用户体验。目前实现FOV参数自动设定的方法主要是采用基于高分辨率3D预扫描和图像解剖特征确定FOV的方向和大小等参数,然而3D预扫描耗时较长(50~60秒),影响了MRI扫描的定位速度和效率,制约了该功能的应用。
发明内容
为克服相关技术中存在的问题,本说明书提供了一种FOV参数设定方法、装置及图像处理设备,以提高MRI扫描的定位速度和效率。
第一方面,提供一种FOV参数设定方法,所述FOV参数用于对基于MRI扫描得到的定位图像进行定位,所述方法包括:
获得基于MRI扫描得到的多个定位图像;
通过预先训练的选层分类器从所述多个定位图像中确定目标定位图像,所述目标定位图像为符合预设标准的概率最高的图像;
通过预先训练的FOV参数回归器生成所述目标定位图像的FOV参数。
第二方面,提供一种FOV参数设定装置,所述FOV参数用于对基于MRI扫描得到的定位图像进行定位,所述装置包括:
获得单元,用于获得基于MRI扫描得到的多个定位图像;
确定单元,用于通过预先训练的选层分类器从所述多个定位图像中确定目标定位图像,所述目标定位图像为符合预设标准的概率最高的图像;
生成单元,用于通过预先训练的FOV参数回归器生成所述目标定位图像的FOV参数。
第三方面,提供一种图像处理设备,包括:内部总线,以及通过内部总线连接的存储器、处理器和外部接口;其中,
所述外部接口,用于获得基于MRI扫描得到的多个定位图像;
所述存储器,用于存储FOV参数设定对应的机器可读指令;
所述处理器,用于读取所述存储器上的所述机器可读指令,并执行所述指令实现如下操作:
通过预先训练的选层分类器从所述多个定位图像中确定目标定位图像,所述目标定位图像为符合预设标准的概率最高的图像;
通过预先训练的FOV参数回归器生成所述目标定位图像的FOV参数。
本说明书的实施例提供的技术方案可以包括以下有益效果:
本说明书实施例中,通过利用选层分类器从所有定位图像中确定适用于生成FOV参数的目标定位图像,之后利用FOV参数回归器在目标定位图像上生成FOV参数,实现了MRI扫描过程中FOV参数的自动设定,相较于手工调整方法降低了MRI系统操作的难度和复杂度,并且提高了自动定位的速度和效率,进一步改善了用户体验。
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,并不能限制本说明书。
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,示出了符合本说明书的实施例,并与说明书一起用于解释本说明书的原理。
图1是本申请一示例性实施例示出的一种FOV参数设定方法的流程图;
图2A是本申请一示例性实施例示出的一种训练选层分类器的方法的流程图;
图2B是本申请一示例性实施例示出的一种应用选层分类器的方法的流程图;
图3A是本申请一示例性实施例示出的一种训练FOV参数回归器的方法的流程图;
图3B是本申请一示例性实施例示出的一种应用FOV参数回归器的方法的流程图;
图4是本申请一示例性实施例示出的一种显示定位线和FOV范围的方法的流程图;
图5A是申请一示例性实施例示出的确定目标定位图像的示意图;
图5B是申请一示例性实施例示出的目标定位图像的定位示意图;
图6A是本申请一示例性实施例示出的一种FOV参数设定装置的示意图;
图6B是本申请一示例性实施例示出的另一种FOV参数设定装置的示意图;
图7是本申请一示例性实施例示出的另一种FOV参数设定装置的示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
下面结合说明书附图,对本申请实施例进行详细描述。
参见图1,为本申请FOV参数设定方法的一个实施例流程图,该实施例可以包括以下步骤:
在步骤101中,获得基于MRI扫描得到的多个定位图像。
MRI扫描得到的多个定位图像为二进制格式,获取该多个定位图像即获得这些定位图像的图像数据。
MRI的定位图像可以包括下述图像:横断面图像、矢状面图像、冠状面图像。横断面图像、矢状面图像、冠状面图像是从三个方向进行扫描的扫描断面。
MRI扫描得到的定位图像是比较模糊的,需要在这些图像上确定FOV,以确定在各个剖面上的扫描范围,继续进行更加清晰的扫描,以观察病变。
在步骤102中,通过预先训练的选层分类器从所述多个定位图像中确定目标定位图像。
在本步骤中,目标定位图像为符合预设标准的概率最高的图像,也即符合适用于后续的生成FOV参数的概率最高的图像。
该预设标准可以根据实际需求具体设定,其包括但不限于:定位图像所显示的解剖结构是否清晰、待检测的人体部位是否完整显示,以及所显示的图像是否对称。
对基于MRI扫描得到的每个定位图像进行清晰度、完整度、对称度等等的数值计算和分析,来确定其是否符合预设标准,计算量是非常大的。并且一些对于MRI定位图像的特定要求,例如仅需要脑干部分的结构结果清晰显示,或者这一剖面中需要避免出现某一身体部分,通过数值计算是无法选择符合标准的定位图像的。因此,在本实施例中,通过预先训练选层分类器,使其具备建立定位图像数据与其类别之间的映射关系的能力,在扫描过程中直接利用该选层分类器自动提取图像中的相关特征来确定定位图像是否符合预设标准,有利于提高确定目标定位图像的速度。
在步骤103中,通过预先训练的FOV参数回归器生成目标定位图像的FOV参数。
预选训练的FOV参数回归器能够建立定位图像数据与FOV参数之间的关系,因此对于该目标定位图像,该FOV参数回归器能够生成其所对应的FOV参数。
FOV参数可以包括FOV范围参数和FOV方向参数。其中,FOV范围参数表示扫描的视野范围,其需要覆盖检测部位的所有解剖结构,又要保证不会因过大而影响空间分辨率;FOV方向参数的设定,对于不同方向、不同人体部位的剖面,可能具有不同要求。例如,脑部横断面和冠状面的FOV方向通常要求与大脑纵裂平行;而脑部矢状面的FOV方向,可以设定为平行于脑干长轴,也可以设定为平行于前联合和后联合的连线。因此,仅通过对目标定位图像进行分析来确定FOV的大小和方向是比较复杂和困难的,在本实施例中,通过预选训练FOV参数回归器,使其建立不同的定位图像与符合其具体要求的FOV范围参数和方向参数之间的关联,再利用该参数回归器确定与目标定位图像对应的FOV范围参数和方向参数,保证了FOV参数设置的准确性。
在一个示例中,可以通过以下方法清楚显示前联合和后联合,并使FOV方向趋近于与前联合和后联合的连线平行:
使FOV方向平行于胼胝体膝部下缘和压部下缘的连线,或者使FOV方向平行于前颅凹底。
参考图2A,示出了本申请训练选层分类器方法的一个实施例流程图,该实施例可以包括以下步骤:
在201中,获得通过预扫描得到的多个样本定位图像。
通过预扫描得到的多个样本定位图像与图1实施例中基于MRI扫描得到的多个定位图像相同,为二进制格式。该样本定位图像用于后续的分类器训练,因此数量越多,训练效果越好。
在步骤202中,获取针对所述多个样本定位图像的标记数据。
该标记数据用于表征该样本定位图像是否适用于生成FOV参数,适用于生成FOV参数的样本定位图像为符合预设标准的图像。
对通过预扫描得到的多个样本定位图像标记是否适用于生成FOV参数的过程,通过手动进行标记。
在步骤203中,对包含标记数据的样本定位图像进行数据增广,得到增广后的数据。
为了增加训练样本,使训练效果更好,可以对包含标记数据的样本定位图像进行数据增广。
具体地,可通过以下操作的一种或多种操作:进行图像的平移操作、翻转操作、旋转操作、噪声扰动操作、颜色抖动操作。
在步骤204中,利用增广后的数据进行训练得到选层分类器。
将样本定位图像的数据以及其所对应的标记数据输入选层分类器,也即给定了训练集,使选层分类器能够学习样本定位图像到标记的映射关系。
以目标定位图像的预设标准是脑干解剖结构较清晰为例:
在一组样本定位图像中,对所有脑干解剖结构清晰度符合要求的样本标记“是”,即在数值上标记“1”;对所有脑干解剖结构清晰度不符合要求的样本标记“否”,即在数值上标记“0”。
在对训练集数据进行增广,获得更多组这样的对应关系后,将增广后的训练集输入至选层分类器,使选层分类器学习样本定位图像与脑干解剖结构清晰度是否符合要求之间的映射关系。那么在经过学习后,该选层分类器对于新的定位图像,基于该定位图像与脑干解剖结构清晰度符合要求及不符合要求的样本定位图像之间的差异,即能够确定该定位图像的映射结果与1(或0)的靠近程度,也即能够确定该定位图像符合清晰度要求的概率。
以下简要说明用作分类器、回归器的神经网络的学习方法,以助于理解本申请实施例的方案。
神经网络的学习包括前向传播和反向传播两个过程。
前向传播:得到网络的预测值。假设网络的参数是w,在刚开始的时候w被随机的初始化为某个值,然后数据x归一化到0~1之间,输入到网络中,输出y=w*x。
反向传播:把误差传播回去,调整参数w。x对应的标签是y’,y与y’之间的误差是e,e可以通过例如e=|y’-y|或者e=(y’-y)^2等方式进行计算,假设y’=1、e=1-w*x,求其梯度(即导数)k=-x,则更新参数w1=w-lr*k,其中lr是学习率learning rate,是人为设置的值,例如为0.001,此处x>=0,因此k<=0,lr*k<=0,因此w1>=w。在一次反向传播后,网络参数增大,使得网络输出结果y=w*x更加接近其真实值1,以实现学习的目的。
参考图2B,示出了本申请应用选层分类器方法的一个实施例流程图,该实施例可以包括以下步骤:
在步骤211中,将多个定位图像的图像数据输入选层分类器中;其中,所述多个定位图像是指同一患者的定位图像序列中的所有定位图像。
在步骤212中,基于选层分类器进行适用于生成FOV参数的概率预测,获得所述选层分类器输出的目标定位图像。
在一个示例中,在进行选层分类器的应用时,将一个患者的定位片序列中一个剖面的所有定位图像输入分类器中,得到每个图像属于1和属于0的概率,选择属于1的概率最大的图像,即该患者在该剖面的目标定位图像。
在确定了目标定位图像后,即可通过预训练的FOV参数回归器生成该目标定位图像的FOV参数。
图3A示出了本申请训练FOV参数回归器方法的一个实施例流程图。该实施例与图2A所示实施例相似,其差别在于,多个样本定位图像的标记数据是FOV参数,利用包含该参数进行训练从而得FOV参数回归器。
图3B示出了本申请应用FOV参数回归器方法的一个实施例流程图,该实施例可以包括以下步骤:
在步骤311中,将选层分类器得到的目标定位图像输入FOV参数回归器中;
在步骤312中,基于FOV参数回归器进行FOV参数的数值预测,输出FOV参数的数值。
参考图4,为本申请FOV参数设定方法的另一个实施例流程图。相较于图1实施例,其还包括步骤404~405。
在步骤404中,在生成目标定位图像的FOV参数后,通过对FOV方向参数进行拟合获得目标定位图像上表示FOV方向的定位线;
在步骤405中,基于定位线调整FOV范围参数,使所述FOV范围参数所表示的矩形对于所述定位线对称,并使所述矩形进行扩展至覆盖检测部位的所有解剖结构。
对于不同方向进行扫描所得到的定位图像,即对于横断面图像、矢状面图像、冠状面图像,可分别训练选层分类器,利用各个扫描面的选层分类器从每个方向的扫描面中确定各自的目标定位图像,并生成相应的FOV参数。
图5A是申请一示例性实施例示出的确定目标定位图像的示意图。其中,4×4图片矩阵为基于MRI扫描得到的多个定位图像,并且其分别包含从三个不同方向进行扫描的定位图像。通过针对不同扫描面分别训练的选层分类器(对于矢状面,在矢状面的脑干长轴及矢状面的前后联合两个方向上分别训练选层分类器),从每个方向的定位图像中分别确定目标定位图像。所确定的目标定位图像分别用白色边框进行标记。
图5B申请一示例性实施例示出的目标定位图像的定位示意图。其中,3x3图片矩阵中的第一、二、三行分别表示横断位、矢状位、冠状位的定位图像,第一列为主定位图,第二列为辅助定位图,第三列为目标剖面的FOV,FOV参数主要基于主定位图和辅助定位图确定。在每张定位图中,位于图像中间的定位线表示FOV的方向,灰色方框表示FOV的范围。
以第一行为例进行说明:扫描的目标是横断面,在矢状面和冠状面确定了FOV之后,就可以在横断面上计算出横断面上的矩形FOV,其高与矢状面矩形FOV的宽相等,其宽与冠状面矩形FOV的高相等,方向是与另外两个矩形FOV分别垂直,这三个相互垂直的矩形构成一个长方体,接下来在这个长方体确定的范围内扫描横断面的图像。因此第三列的FOV是由前两列计算而得出的。
矢状面需要计算两个FOV:在扫描目标是横断面时,矢状面的FOV方向应与前联合和后联合的连线平行,如第一行第一列,而扫描目标是冠状面时,矢状面的FOV方向应与脑干长轴方向平行,如第三行第一列。
与前述FOV参数设定方法相对应,本申请还提供了FOV参数设定装置及图像处理设备的实施例。
参见图6A,为本申请FOV参数设定装置的一个实施例框图,该装置包括获得单元610、确定单元620以及生成单元630。
其中,获得单元610,用于获得基于MRI扫描得到的多个定位图像;
确定单元620,用于通过预先训练的选层分类器从多个定位图像中确定目标定位图像,该目标定位图像为符合预设标准的概率最高的图像。
生成单元630,用于通过预先训练的FOV参数回归器生成所述目标定位图像的FOV参数。
参见图6B,为本申请FOV参数设定装置的另一个实施例框图,相较于图6A实施例还包括:
显示单元640,用于:
在生成目标定位图像的FOV参数后,通过对FOV方向参数进行拟合获得目标定位图像上表示FOV方向的定位线;
基于定位线调整FOV范围参数,使FOV范围参数所表示的矩形对于所述定位线对称,并使矩形进行扩展至覆盖检测部位的所有解剖结构。
参见图7,为本申请图像处理设备的一个实施例示意图,该设备可以包括:通过内部总线710连接的存储器720、处理器730和外部接口740。
其中,外部接口740,用于获得基于MRI扫描得到的多个定位图像;
存储器720,用于存储FOV参数设定对应的机器可读指令;
处理器730,用于读取所述存储器720上的所述机器可读指令,并执行所述指令以实现如下操作:
通过预先训练的选层分类器从多个定位图像中确定目标定位图像,该目标定位图像为符合预设标准的概率最高的图像;
通过预先训练的FOV参数回归器生成该目标定位图像的FOV参数。
在本申请实施例中,计算机可读存储介质可以是多种形式,比如,在不同的例子中,所述机器可读存储介质可以是:RAM(Radom Access Memory,随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等),或者类似的存储介质,或者它们的组合。特殊的,所述的计算机可读介质还可以是纸张或者其他合适的能够打印程序的介质。使用这些介质,这些程序可以被通过电学的方式获取到(例如,光学扫描)、可以被以合适的方式编译、解释和处理,然后可以被存储到计算机介质中。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (11)
1.一种FOV参数设定方法,其特征在于,所述FOV参数用于对基于MRI扫描得到的定位图像进行定位,所述方法包括:
获得基于MRI扫描得到的多个定位图像;
通过预先训练的选层分类器从所述多个定位图像中确定目标定位图像,所述目标定位图像为符合预设标准的概率最高的图像;
通过预先训练的FOV参数回归器生成所述目标定位图像的FOV参数。
2.根据权利要求1所述的方法,其特征在于,所述选择分类器通过以下方式进行训练得到:
获得通过预扫描得到的多个样本定位图像;
获取针对所述多个样本定位图像的标记数据,所述标记数据用于表征所述样本定位图像是否适用于生成FOV参数,其中,适用于生成FOV参数的样本定位图像为符合预设标准的图像;
对包含标记数据的样本定位图像进行数据增广,得到增广后的数据;
利用所述增广后的数据进行训练得到所述选层分类器。
3.根据权利要求2所述的方法,其特征在于,通过预先训练的选层分类器从所述多个定位图像中确定目标定位图像包括:
将所述多个定位图像的图像数据输入所述选层分类器中;
基于所述选层分类器进行适用于生成FOV参数的概率预测,获得所述选层分类器输出的目标定位图像。
4.根据权利要求1所述的方法,其特征在于,所述FOV参数回归器通过以下方式进行训练得到:
获得通过预扫描得到的多个样本定位图像;
获取针对所述多个样本定位图像的标记的FOV参数;
对包含标记数据的样本定位图像进行数据增广,得到增广后的数据;
利用所述增广后的数据进行训练得到所述FOV参数回归器。
5.根据权利要求4所述的方法,其特征在于,通过预先训练的FOV参数回归器生成所述目标定位图像的FOV参数包括:
将所述目标定位图像的图像数据输入所述FOV参数回归器中;
基于所述FOV参数回归器进行FOV参数的数值预测,输出所述FOV参数的数值。
6.根据权利要求2-5中的一项所述的方法,其特征在于,对包含标记数据的样本定位图像进行数据增广包括至少一种下述操作:进行图像的平移操作、翻转操作、旋转操作、噪声扰动操作、颜色抖动操作。
7.根据权利要求1所述的方法,其特征在于,所述FOV参数包括FOV范围参数和FOV方向参数;所述方法还包括:
在生成所述目标定位图像的FOV参数后,通过对FOV方向参数进行拟合获得所述目标定位图像上表示FOV方向的定位线;
基于所述定位线调整FOV范围参数,使所述FOV范围参数所表示的矩形对于所述定位线对称,并使所述矩形进行扩展至覆盖检测部位的所有解剖结构。
8.根据权利要求1所述的方法,其特征在于,所述定位图像包括至少一种下述图像:横断面图像、矢状面图像、冠状面图像;所述选层分类器包括针对不同扫描面图像的选层分类器。
9.一种FOV参数设定装置,其特征在于,所述FOV参数用于对基于MRI扫描得到的定位图像进行定位,所述装置包括:
获得单元,用于获得基于MRI扫描得到的多个定位图像;
确定单元,用于通过预先训练的选层分类器从所述多个定位图像中确定目标定位图像,所述目标定位图像为符合预设标准的概率最高的图像;
生成单元,用于通过预先训练的FOV参数回归器生成所述目标定位图像的FOV参数。
10.根据权利要求9所述的装置,其特征在于,还包括显示单元,用于:
在生成所述目标定位图像的FOV参数后,通过对FOV方向参数进行拟合获得所述目标定位图像上表示FOV方向的定位线;
基于所述定位线调整FOV范围参数,使所述FOV范围参数所表示的矩形对于所述定位线对称,并使所述矩形进行扩展至覆盖检测部位的所有解剖结构。
11.一种图像处理设备,其特征在于,包括:内部总线,以及通过内部总线连接的存储器、处理器和外部接口;其中,
所述外部接口,用于获得基于MRI扫描得到的多个定位图像;
所述存储器,用于存储FOV参数设定对应的机器可读指令;
所述处理器,用于读取所述存储器上的所述机器可读指令,并执行所述指令实现如下操作:
通过预先训练的选层分类器从所述多个定位图像中确定目标定位图像,所述目标定位图像为符合预设标准的概率最高的图像;
通过预先训练的FOV参数回归器生成所述目标定位图像的FOV参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910364857.4A CN110084805B (zh) | 2019-04-30 | 2019-04-30 | Fov参数设定方法、装置及图像处理设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910364857.4A CN110084805B (zh) | 2019-04-30 | 2019-04-30 | Fov参数设定方法、装置及图像处理设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084805A true CN110084805A (zh) | 2019-08-02 |
CN110084805B CN110084805B (zh) | 2023-05-05 |
Family
ID=67418335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910364857.4A Active CN110084805B (zh) | 2019-04-30 | 2019-04-30 | Fov参数设定方法、装置及图像处理设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084805B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675444A (zh) * | 2019-09-26 | 2020-01-10 | 东软医疗系统股份有限公司 | 头部ct扫描区域的确定方法、装置及图像处理设备 |
CN110680321A (zh) * | 2019-09-26 | 2020-01-14 | 东软医疗系统股份有限公司 | 脊柱mri扫描参数的确定方法、装置及图像处理设备 |
CN111161371A (zh) * | 2019-10-25 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 成像系统和方法 |
CN111161371B (zh) * | 2019-10-25 | 2024-05-03 | 上海联影智能医疗科技有限公司 | 成像系统和方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110228998A1 (en) * | 2010-03-18 | 2011-09-22 | Vivek Prabhakar Vaidya | System and method for automatic computation of mr imaging scan parameters |
CN102711617A (zh) * | 2009-11-16 | 2012-10-03 | 皇家飞利浦电子股份有限公司 | 扫描规划视场调整器、确定器和/或质量评估器 |
CN106340015A (zh) * | 2016-08-30 | 2017-01-18 | 沈阳东软医疗系统有限公司 | 一种关键点的定位方法和装置 |
CN107909622A (zh) * | 2017-11-30 | 2018-04-13 | 上海联影医疗科技有限公司 | 模型生成方法、医学成像的扫描规划方法及医学成像系统 |
CN109381212A (zh) * | 2018-09-27 | 2019-02-26 | 上海联影医疗科技有限公司 | 一种成像控制方法和系统 |
-
2019
- 2019-04-30 CN CN201910364857.4A patent/CN110084805B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102711617A (zh) * | 2009-11-16 | 2012-10-03 | 皇家飞利浦电子股份有限公司 | 扫描规划视场调整器、确定器和/或质量评估器 |
US20110228998A1 (en) * | 2010-03-18 | 2011-09-22 | Vivek Prabhakar Vaidya | System and method for automatic computation of mr imaging scan parameters |
CN106340015A (zh) * | 2016-08-30 | 2017-01-18 | 沈阳东软医疗系统有限公司 | 一种关键点的定位方法和装置 |
CN107909622A (zh) * | 2017-11-30 | 2018-04-13 | 上海联影医疗科技有限公司 | 模型生成方法、医学成像的扫描规划方法及医学成像系统 |
CN109381212A (zh) * | 2018-09-27 | 2019-02-26 | 上海联影医疗科技有限公司 | 一种成像控制方法和系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675444A (zh) * | 2019-09-26 | 2020-01-10 | 东软医疗系统股份有限公司 | 头部ct扫描区域的确定方法、装置及图像处理设备 |
CN110680321A (zh) * | 2019-09-26 | 2020-01-14 | 东软医疗系统股份有限公司 | 脊柱mri扫描参数的确定方法、装置及图像处理设备 |
CN110675444B (zh) * | 2019-09-26 | 2023-03-31 | 东软医疗系统股份有限公司 | 头部ct扫描区域的确定方法、装置及图像处理设备 |
CN111161371A (zh) * | 2019-10-25 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 成像系统和方法 |
CN111161371B (zh) * | 2019-10-25 | 2024-05-03 | 上海联影智能医疗科技有限公司 | 成像系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110084805B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741346A (zh) | 感兴趣区域提取方法、装置、设备及存储介质 | |
Van Rikxoort et al. | Automatic lung segmentation from thoracic computed tomography scans using a hybrid approach with error detection | |
US6021213A (en) | Automatic contextual segmentation for imaging bones for osteoporosis therapies | |
US10997466B2 (en) | Method and system for image segmentation and identification | |
JP5016603B2 (ja) | 自動及び動的血管検出のための方法並びに装置 | |
CN103501699B (zh) | 用于隔离成像数据中的潜在异常的方法和装置和其对医学图像的应用 | |
CN109872333A (zh) | 医学影像分割方法、装置、计算机设备和存储介质 | |
CN101596110B (zh) | 心脏mri中视场的自动确定 | |
US8693750B2 (en) | Method and system for automatic detection of spinal bone lesions in 3D medical image data | |
CN101596111B (zh) | 在心脏电影磁共振成像中对左心室的自动定位 | |
CN109919961A (zh) | 一种用于颅内cta图像中动脉瘤区域的处理方法及装置 | |
US8948484B2 (en) | Method and system for automatic view planning for cardiac magnetic resonance imaging acquisition | |
Li et al. | DenseX-net: an end-to-end model for lymphoma segmentation in whole-body PET/CT images | |
KR20190061041A (ko) | 이미지 프로세싱 | |
CN109447969A (zh) | 肝占位性病变识别方法、装置和实现装置 | |
CN109726644A (zh) | 一种基于生成对抗网络的细胞核分割方法 | |
CN104956399A (zh) | 医学图像处理 | |
CN110956634A (zh) | 一种基于深度学习的脑微出血自动检测方法及系统 | |
CN113298830B (zh) | 一种基于自监督的急性颅内ich区域图像分割方法 | |
Spitzer et al. | Parcellation of visual cortex on high-resolution histological brain sections using convolutional neural networks | |
JP2007530088A (ja) | オブジェクト特有のセグメンテーション | |
CN110084805A (zh) | Fov参数设定方法、装置及图像处理设备 | |
CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
CN109949288A (zh) | 肿瘤类型确定系统、方法及存储介质 | |
CN114881848A (zh) | 一种多序列mr转ct的方法 |
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 |