CN110338835A - 一种智能扫描立体监测方法及系统 - Google Patents

一种智能扫描立体监测方法及系统 Download PDF

Info

Publication number
CN110338835A
CN110338835A CN201910590488.0A CN201910590488A CN110338835A CN 110338835 A CN110338835 A CN 110338835A CN 201910590488 A CN201910590488 A CN 201910590488A CN 110338835 A CN110338835 A CN 110338835A
Authority
CN
China
Prior art keywords
information
image
patient
trained
network
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
Application number
CN201910590488.0A
Other languages
English (en)
Other versions
CN110338835B (zh
Inventor
曾凯
傅鹏
徐丹
吴小页
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.)
ANKE HIGH-TECH Co Ltd SHENZHEN CITY
Original Assignee
ANKE HIGH-TECH Co Ltd SHENZHEN CITY
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 ANKE HIGH-TECH Co Ltd SHENZHEN CITY filed Critical ANKE HIGH-TECH Co Ltd SHENZHEN CITY
Priority to CN201910590488.0A priority Critical patent/CN110338835B/zh
Publication of CN110338835A publication Critical patent/CN110338835A/zh
Application granted granted Critical
Publication of CN110338835B publication Critical patent/CN110338835B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/04—Positioning of patients; Tiltable beds or the like
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Optics & Photonics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biophysics (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种智能扫描立体监测方法及系统，所述方法包括以下步骤：采集患者的第一图像并将第一图像输入训练好网络得到患者的第一信息；其中，第一信息包括：类别信息、第一体位信息和第一扫描区域信息。整个识别过程仅依据采集的第一图像，进行自动识别得到体位信息。并且客观快速第判断出扫描区域，减少扫描操作人员的主观因素的影响。

Description

一种智能扫描立体监测方法及系统
技术领域
本发明涉及医学成像技术领域，尤其涉及的是一种智能扫描立体监测方法及系统。
背景技术
目前的大型医疗扫描设备，比如CT机，在扫描前的摆位和扫描过程中，基本都不具备对病人的位置的进行智能监测。现有技术中，在扫描中的病人主要依靠病人或者束缚带来保证病人的静止，系统中没有任何辅助监测手段。而在扫描之前，通常都是靠扫描技师人工来判断：需要扫描技师根据病人的体位，并根据激光灯的手动辅助定位，来估计定位像的扫描区域，这种监测定位的方法并不准确。
因此，现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种智能扫描立体监测方法及系统，旨在解决现有技术中扫描技师人工来判断扫描区域不准确的问题。
本发明解决技术问题所采用的技术方案如下：
一种智能扫描立体监测方法，其中，包括以下步骤：
采集患者的第一图像并将第一图像输入训练好网络得到患者的第一信息；其中，第一信息包括：类别信息、第一体位信息和第一扫描区域信息。
所述的智能扫描立体监测方法，其中，所述将第一图像输入训练好网络得到患者的第一信息，包括：
将第一图像输入训练好的分类网络进行分类得到患者的类别信息；
将第一图像输入训练好的体位网络得到第一体位信息和第一扫描区域信息。
所述的智能扫描立体监测方法，其中，所述训练好的分类网络通过如下步骤获得：
采集患者的训练图像；
将训练图像中的患者进行分类，并进行人工标注；其中，分类的类型包括：体膜、幼儿、青少年、成人以及老人；
采用深度卷积神经网络对人工标注的训练图像进行训练；其中，深度卷积神经网络的损失函数采用二值化交叉熵函数；
当损失函数满足预设条件时，训练完成并得到训练好的分类网络。
所述的智能扫描立体监测方法，其中，所述训练好的体位网络通过如下步骤获得：
在训练图像中标记特征点和扫描区域；其中，特征点包括：眼睛、耳朵、手臂、颈部、腹部、脚踝、膝盖中的一种或多种，扫描区域包括：头部、颈部、胸部，腹部、四肢中的一种或多种；
采用网络对标记特征点和扫描区域的训练图像进行训练并得到训练好的体位网络。
所述的智能扫描立体监测方法，其中，在所述采集患者的第一图像并将第一图像输入训练好网络得到患者的第一信息步骤之后包括：
在预设时间后采集患者的第二图像并将第二图像输入训练好的网络得到患者的第二信息；其中，第二信息包括：第二体位信息和第二扫描区域信息；
通过第一信息和第二信息融合得到患者的移动信息。
一种智能扫描立体监测系统，其中，包括：处理器，以及与所述处理器连接的存储器，
所述存储器存储有智能扫描立体监测程序，所述智能扫描立体监测程序被所述处理器执行时实现以下步骤：
采集患者的第一图像并将第一图像输入训练好网络得到患者的第一信息；其中，第一信息包括：类别信息、第一体位信息和第一扫描区域信息。
所述的智能扫描立体监测系统，其中，所述智能扫描立体监测程序被所述处理器执行时，还实现以下步骤：
将第一图像输入训练好的分类网络进行分类得到患者的类别信息；
将第一图像输入训练好的体位网络得到第一体位信息和第一扫描区域信息。
所述的智能扫描立体监测系统，其中，所述智能扫描立体监测程序被所述处理器执行时，还实现以下步骤：
采集患者的训练图像；
将训练图像中的患者进行分类，并进行人工标注；其中，分类的类型包括：体膜、幼儿、青少年、成人以及老人；
采用深度卷积神经网络对人工标注的训练图像进行训练；其中，深度卷积神经网络的损失函数采用二值化交叉熵函数；
当损失函数满足预设条件时，训练完成并得到训练好的分类网络。
所述的智能扫描立体监测系统，其中，所述智能扫描立体监测程序被所述处理器执行时，还实现以下步骤：
在训练图像中标记特征点和扫描区域；其中，特征点包括：眼睛、耳朵、手臂、颈部、腹部、脚踝、膝盖中的一种或多种，扫描区域包括：头部、颈部、胸部，腹部、四肢中的一种或多种；
采用网络对标记特征点和扫描区域的训练图像进行训练并得到训练好的体位网络。
所述的智能扫描立体监测系统，其中，所述智能扫描立体监测程序被所述处理器执行时，还实现以下步骤：
在预设时间后采集患者的第二图像并将第二图像输入训练好的网络得到患者的第二信息；其中，第二信息包括：第二体位信息和第二扫描区域信息；
通过第一信息和第二信息融合得到患者的移动信息。
有益效果：由于患者的类别信息不同，扫描区域也就不同，那么各特征点的分布也就不同，根据患者的类别信息对不同患者进行区别，从而更准确地确定特征点，提高了第一体位信息的准确性。整个识别过程仅依据采集的第一图像，进行自动识别得到第一体位信息。从而客观快速第判断出扫描区域，减少扫描操作人员的主观因素的影响。在后续的扫描过程中利用第二图像对病人的运动进行识别。
附图说明
图1是本发明中智能扫描立体监测方法的第一流程图。
图2是本发明中智能扫描立体监测方法的第二流程图。
图3是本发明中深度卷积神经网络的结构图。
图4是本发明中智能扫描立体监测系统的功能原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请同时参阅图1-图4，本发明提供了一种智能扫描立体监测方法的一些实施例。
如图1和图2所示，本发明的一种智能扫描立体监测方法，包括以下步骤：
步骤S100、采集患者的第一图像并将第一图像输入训练好网络得到患者的第一信息；其中，第一信息包括：类别信息、第一体位信息和第一扫描区域信息。
步骤S100具体包括以下步骤：
步骤S110、采集患者的第一图像。
具体地，这里的第一图像可以是：彩色图像、黑白图像、彩色图像+深度图像或者黑白图像+深度图像。通过布置在机架周围的一个或多个监测设备能在扫描前和扫描过程中对患者的立体位置进行监测，达到辅助定位以及扫描监测的目的。监测设备可以是光学摄像头，激光雷达，超声雷达，也就是可以得到彩色图像的影像信息和深度图像的三维深度信息的设备。例如，通过3D摄像头实时获取第一图像，第一图像中包含了患者的3D轮廓体位信息。
步骤S120、将第一图像输入训练好的分类网络进行分类得到患者的类别信息。
由于不同类别的人或者体膜在体型上会存在较大的差异，这是影响扫描区域的重要因素之一，所以需要先对患者进行分类，本发明中通过图像处理自动识别患者，对患者进行分类，这里的分类的类型包括：体膜、幼儿、青少年、成人以及老人。当然也可以根据身高进行分类，身高不同扫描区域也就不同。
具体地，图像处理算法，可以是传统的图像分割识别技术，也可以是基于人工智能的深度神经网络技术。例如，图像处理算法包括：图像分割，图像识别，目标检测等算法。下面以深度卷积神经网络为例进行说明，当然，还可以采用其它网络结构，如VggNet（VisualGeometry Group，视觉几何组）或ResNet（Residual Neural Network，残余神经网络）。
训练好的分类网络通过如下步骤获得：
（1）采集患者的训练图像。
这里采集的训练图像的数量约10000张，训练图像的具体采集过程可以参照步骤S110。
（2）将训练图像中的患者进行分类，并进行人工标注；其中，分类的类型包括：体膜、幼儿、青少年、成人以及老人。
（3）采用深度卷积神经网络对人工标注的训练图像进行训练；其中，深度卷积神经网络的损失函数采用二值化交叉熵函数。
（4）当损失函数满足预设条件时，训练完成并得到训练好的分类网络。
通过人工标注区分训练图像中患者的类型，将训练图像作为深度卷积神经网络的输入，如图3所示，深度卷积神经网络对输入的图像进行多次卷积和降采样，最终通过全连接层将三维的特征图转化为图像对应的类别信息。采用训练图像进行训练得到训练好的分类网络后就可以应用于实际图像处理中，在采集的第一图像后就可以自动识别出第一图像的分类，从而输出第一图像的类别信息。
步骤S120、将第一图像输入训练好的体位网络得到第一体位信息和第一扫描区域信息。
患者的体位信息具体包括患者的姿势和相对于床板的位置。其中，姿势包括面向、体向，具体为面朝上、面朝下、面朝左、面朝右、向左侧卧、仰卧、向右侧卧、向下趴。相对于床板的位置主要是人是否在床板中间。
本实施例中训练开源（OpenPose）网络得到体位网络，训练好的体位网络通过如下步骤获得：
（1）在训练图像中标记特征点和扫描区域；其中，特征点包括：眼睛、耳朵、手臂、颈部、腹部、脚踝、膝盖中的一种或多种，扫描区域包括：头部、颈部、胸部，腹部、四肢中的一种或多种；
（2）采用开源网络对标记特征点和扫描区域的训练图像进行训练并得到训练好的体位网络。
具体地，通过检测到的眼睛和耳朵的位置信息可以判断病人的当前面向，正常平躺能够同时检测到两个眼睛和耳朵，无法检测到左耳时，当前是面向左，等等类推。
在判断人相对于床板位置时，本方法将人体划分为三个部分：头部，上身躯干，下生躯干。通过眼睛和耳朵关键点的位置集合床板的信息可以确定头部是否位于床板正中；手臂和腹部关键点的位置可以确定上身躯干是否位于床板正中；腹部、膝盖和脚踝关键点位置可以确定下半生是否位于床板正中。
值得说明的是，由于患者的类别信息不同，扫描区域也就不同，那么各特征点的分布也就不同，根据患者的类别信息对不同患者进行区别，从而更准确地确定特征点，提高了第一体位信息的准确性。整个识别过程仅依据采集的第一图像，进行自动识别得到第一体位信息。从而客观快速第判断出相应的扫描区域信息，减少扫描操作人员的主观因素的影响。
在扫描过程中患者可能发生轻微的移动，扫描操作人员对在扫描过程中患者出现的移动情况完全不知道，因此最终图像上如果出现运动伪影，只能靠经验来判断，并不能完全确认造成伪影的具体移动情况。本发明中采用实时监控患者的三维体位，当患者在扫描过程中出现移动时，能够保存记录相关运动信息。本发明中移动信息包括患者出现的移动，将病人可能的移动部位分为头部，手臂，上身躯干，腿部等。所述智能扫描立体监测方法还包括以下步骤，也即在步骤S100之后还包括：
步骤S200、在预设时间后采集患者的第二图像并将第二图像输入训练好的网络得到患者的第二信息；其中，第二信息包括：第二体位信息和第二扫描区域信息。
经过步骤S100采集到患者的第一信息，可以通过对患者移动部位进行检测定位，在经过预设时间后再采集患者的第二图像，并得到第二信息。
步骤S300、通过第一信息和第二信息融合得到患者的移动信息。
在预设时间内两次采集的患者的图像，并比较两次的体位信息，尤其是患者移动部位的体位信息，可以判断出患者哪些部位发生了位移。也就是说，实时监测患者的三维体位，记录其移动信息，为判断移动伪影提供依据。如果有位移，可以采用移动补偿算法降低移动产生的伪影。
本发明还提供了一种智能扫描立体监测系统的较佳实施例：
如图4所示，本发明实施例的一种智能扫描立体监测系统，包括：处理器10，以及与所述处理器10连接的存储器20，
所述存储器20存储有智能扫描立体监测程序，所述智能扫描立体监测程序被所述处理器10执行时实现以下步骤：
采集患者的第一图像并将第一图像输入训练好网络得到患者的第一信息；其中，第一信息包括：类别信息、第一体位信息和第一扫描区域信息，具体如上所述。
所述智能扫描立体监测程序被所述处理器10执行时，还实现以下步骤：
将第一图像输入训练好的分类网络进行分类得到患者的类别信息；
将第一图像输入训练好的体位网络得到第一体位信息和第一扫描区域信息，具体如上所述。
所述智能扫描立体监测程序被所述处理器10执行时，还实现以下步骤：
采集患者的训练图像；
将训练图像中的患者进行分类，并进行人工标注；其中，分类的类型包括：体膜、幼儿、青少年、成人以及老人；
采用深度卷积神经网络对人工标注的训练图像进行训练；其中，深度卷积神经网络的损失函数采用二值化交叉熵函数；
当损失函数满足预设条件时，训练完成并得到训练好的分类网络，具体如上所述。
所述智能扫描立体监测程序被所述处理器10执行时，还实现以下步骤：
在训练图像中标记特征点和扫描区域；其中，特征点包括：眼睛、耳朵、手臂、颈部、腹部、脚踝或膝盖中的一种或多种，扫描区域包括：头部、颈部、胸部，腹部、四肢中的一种或多种；
采用网络对标记特征点和扫描区域的训练图像进行训练并得到训练好的体位网络，具体如上所述。
所述的智能扫描立体监测系统中，所述智能扫描立体监测程序被所述处理器执行时，还实现以下步骤：
在预设时间后采集患者的第二图像并将第二图像输入训练好的网络得到患者的第二信息；其中，第二信息包括：第二体位信息和第二扫描区域信息；
通过第一信息和第二信息融合得到患者的移动信息，具体如上所述。
综上所述，本发明所提供的一种智能扫描立体监测方法及系统，所述方法包括以下步骤：采集患者的第一图像并将第一图像输入训练好网络得到患者的第一信息；其中，第一信息包括：类别信息、第一体位信息和第一扫描区域信息；由于患者的类别信息不同，扫描区域也就不同，那么各特征点的分布也就不同，根据患者的类别信息对不同患者进行区别，从而更准确地确定特征点，提高了第一体位信息的准确性。整个识别过程仅依据采集的第一图像，进行自动识别得到第一体位信息。从而客观快速第判断出扫描区域，减少扫描操作人员的主观因素的影响。
且在预设时间后采集患者的第二图像并将第二图像输入训练好的网络得到患者的第二信息；其中，第二信息包括：第二体位信息和第二扫描区域信息；通过第一信息和第二信息融合得到患者的移动信息。利用第二图像对病人的运动进行识别，实时监测患者的三维体位，记录其移动信息，为判断移动伪影提供依据。如果有位移，可以采用移动补偿算法降低移动产生的伪影。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种智能扫描立体监测方法，其特征在于，包括以下步骤：
采集患者的第一图像并将第一图像输入训练好网络得到患者的第一信息；其中，第一信息包括：类别信息、第一体位信息和第一扫描区域信息。
2.根据权利要求1所述的智能扫描立体监测方法，其特征在于，所述将第一图像输入训练好网络得到患者的第一信息，包括：
将第一图像输入训练好的分类网络进行分类得到患者的类别信息；
将第一图像输入训练好的体位网络得到第一体位信息和第一扫描区域信息。
3.根据权利要求2所述的智能扫描立体监测方法，其特征在于，所述训练好的分类网络通过如下步骤获得：
采集患者的训练图像；
将训练图像中的患者进行分类，并进行人工标注；其中，分类的类型包括：体膜、幼儿、青少年、成人以及老人；
采用深度卷积神经网络对人工标注的训练图像进行训练；其中，深度卷积神经网络的损失函数采用二值化交叉熵函数；
当损失函数满足预设条件时，训练完成并得到训练好的分类网络。
4.根据权利要求2所述的智能扫描立体监测方法，其特征在于，所述训练好的体位网络通过如下步骤获得：
在训练图像中标记特征点和扫描区域；其中，特征点包括：眼睛、耳朵、手臂、颈部、腹部、脚踝、膝盖中的一种或多种，扫描区域包括：头部、颈部、胸部，腹部、四肢中的一种或多种；
采用网络对标记特征点和扫描区域的训练图像进行训练并得到训练好的体位网络。
5.根据权利要求1所述的智能扫描立体监测方法，其特征在于，在所述采集患者的第一图像并将第一图像输入训练好网络得到患者的第一信息步骤之后包括：
在预设时间后采集患者的第二图像并将第二图像输入训练好的网络得到患者的第二信息；其中，第二信息包括：第二体位信息和第二扫描区域信息；
通过第一信息和第二信息融合得到患者的移动信息。
6.一种智能扫描立体监测系统，其特征在于，包括：处理器，以及与所述处理器连接的存储器，
所述存储器存储有智能扫描立体监测程序，所述智能扫描立体监测程序被所述处理器执行时实现以下步骤：
采集患者的第一图像并将第一图像输入训练好网络得到患者的第一信息；其中，第一信息包括：类别信息、第一体位信息和第一扫描区域信息。
7.根据权利要求6所述的智能扫描立体监测系统，其特征在于，所述智能扫描立体监测程序被所述处理器执行时，还实现以下步骤：
将第一图像输入训练好的分类网络进行分类得到患者的类别信息；
将第一图像输入训练好的体位网络得到第一体位信息和第一扫描区域信息。
8.根据权利要求7所述的智能扫描立体监测系统，其特征在于，所述智能扫描立体监测程序被所述处理器执行时，还实现以下步骤：
采集患者的训练图像；
将训练图像中的患者进行分类，并进行人工标注；其中，分类的类型包括：体膜、幼儿、青少年、成人以及老人；
采用深度卷积神经网络对人工标注的训练图像进行训练；其中，深度卷积神经网络的损失函数采用二值化交叉熵函数；
当损失函数满足预设条件时，训练完成并得到训练好的分类网络。
9.根据权利要求7所述的智能扫描立体监测系统，其特征在于，所述智能扫描立体监测程序被所述处理器执行时，还实现以下步骤：
在训练图像中标记特征点和扫描区域；其中，特征点包括：眼睛、耳朵、手臂、颈部、腹部、脚踝、膝盖中的一种或多种，扫描区域包括：头部、颈部、胸部，腹部、四肢中的一种或多种；
采用网络对标记特征点和扫描区域的训练图像进行训练并得到训练好的体位网络。
10.根据权利要求6所述的智能扫描立体监测系统，其特征在于，所述智能扫描立体监测程序被所述处理器执行时，还实现以下步骤：
在预设时间后采集患者的第二图像并将第二图像输入训练好的网络得到患者的第二信息；其中，第二信息包括：第二体位信息和第二扫描区域信息；
通过第一信息和第二信息融合得到患者的移动信息。
CN201910590488.0A 2019-07-02 2019-07-02 一种智能扫描立体监测方法及系统 Active CN110338835B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910590488.0A CN110338835B (zh) 2019-07-02 2019-07-02 一种智能扫描立体监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910590488.0A CN110338835B (zh) 2019-07-02 2019-07-02 一种智能扫描立体监测方法及系统

Publications (2)

Publication Number Publication Date
CN110338835A true CN110338835A (zh) 2019-10-18
CN110338835B CN110338835B (zh) 2023-04-18

Family

ID=68177455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910590488.0A Active CN110338835B (zh) 2019-07-02 2019-07-02 一种智能扫描立体监测方法及系统

Country Status (1)

Country Link
CN (1) CN110338835B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402231A (zh) * 2020-03-16 2020-07-10 杭州健培科技有限公司 一种用于肺部ct影像质量的自动评估系统及方法
CN111513745A (zh) * 2020-04-21 2020-08-11 南通大学 一种用于高危环境下的智能化无接触ct体位识别装置

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170100089A1 (en) * 2015-10-13 2017-04-13 Siemens Healthcare Gmbh Method and System of Scanner Automation for X-Ray Tube with 3D Camera
CN106803071A (zh) * 2016-12-29 2017-06-06 浙江大华技术股份有限公司 一种图像中的物体检测方法及装置
CN107464230A (zh) * 2017-08-23 2017-12-12 京东方科技集团股份有限公司 图像处理方法及装置
US20180032801A1 (en) * 2016-07-27 2018-02-01 International Business Machines Corporation Inferring body position in a scan
CN107844797A (zh) * 2017-09-27 2018-03-27 华南农业大学 一种基于深度图像的哺乳母猪姿态自动识别的方法
JP2018073385A (ja) * 2016-10-22 2018-05-10 俊之 坂本 画像処理装置及びプログラム
CN108038880A (zh) * 2017-12-20 2018-05-15 百度在线网络技术（北京）有限公司 用于处理图像的方法和装置
AU2017268489B1 (en) * 2016-12-02 2018-05-17 Avent, Inc. System and method for navigation to a target anatomical object in medical imaging-based procedures
CN108229267A (zh) * 2016-12-29 2018-06-29 北京市商汤科技开发有限公司 对象属性检测、神经网络训练、区域检测方法和装置
CN108814717A (zh) * 2018-06-29 2018-11-16 微创（上海）医疗机器人有限公司 手术机器人系统
CN109101966A (zh) * 2018-06-08 2018-12-28 中国科学院宁波材料技术与工程研究所 基于深度学习的工件识别定位和姿态估计系统和方法
US20190057515A1 (en) * 2017-08-15 2019-02-21 Siemens Healthcare Gmbh Internal Body Marker Prediction From Surface Data In Medical Imaging
US20210330272A1 (en) * 2020-04-22 2021-10-28 Siemens Healthcare Gmbh Method and apparatus based on 3d camera for automated measurement preparation in mri system

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170100089A1 (en) * 2015-10-13 2017-04-13 Siemens Healthcare Gmbh Method and System of Scanner Automation for X-Ray Tube with 3D Camera
US20180032801A1 (en) * 2016-07-27 2018-02-01 International Business Machines Corporation Inferring body position in a scan
JP2018073385A (ja) * 2016-10-22 2018-05-10 俊之 坂本 画像処理装置及びプログラム
AU2017268489B1 (en) * 2016-12-02 2018-05-17 Avent, Inc. System and method for navigation to a target anatomical object in medical imaging-based procedures
CN106803071A (zh) * 2016-12-29 2017-06-06 浙江大华技术股份有限公司 一种图像中的物体检测方法及装置
CN108229267A (zh) * 2016-12-29 2018-06-29 北京市商汤科技开发有限公司 对象属性检测、神经网络训练、区域检测方法和装置
US20190057515A1 (en) * 2017-08-15 2019-02-21 Siemens Healthcare Gmbh Internal Body Marker Prediction From Surface Data In Medical Imaging
CN107464230A (zh) * 2017-08-23 2017-12-12 京东方科技集团股份有限公司 图像处理方法及装置
CN107844797A (zh) * 2017-09-27 2018-03-27 华南农业大学 一种基于深度图像的哺乳母猪姿态自动识别的方法
CN108038880A (zh) * 2017-12-20 2018-05-15 百度在线网络技术（北京）有限公司 用于处理图像的方法和装置
CN109101966A (zh) * 2018-06-08 2018-12-28 中国科学院宁波材料技术与工程研究所 基于深度学习的工件识别定位和姿态估计系统和方法
CN108814717A (zh) * 2018-06-29 2018-11-16 微创（上海）医疗机器人有限公司 手术机器人系统
US20210330272A1 (en) * 2020-04-22 2021-10-28 Siemens Healthcare Gmbh Method and apparatus based on 3d camera for automated measurement preparation in mri system

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402231A (zh) * 2020-03-16 2020-07-10 杭州健培科技有限公司 一种用于肺部ct影像质量的自动评估系统及方法
CN111402231B (zh) * 2020-03-16 2023-05-23 杭州健培科技有限公司 一种用于肺部ct影像质量的自动评估系统及方法
CN111513745A (zh) * 2020-04-21 2020-08-11 南通大学 一种用于高危环境下的智能化无接触ct体位识别装置
CN111513745B (zh) * 2020-04-21 2021-10-26 南通大学 一种用于高危环境下的智能化无接触ct体位识别装置

Also Published As

Publication number Publication date
CN110338835B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
JP7229881B2 (ja) 医用画像処理装置、学習済モデル、医用画像処理方法及びプログラム
CN110956633B (zh) 一种基于虚拟立体定位像的快速ct扫描方法及系统
CN102106758B (zh) 立体定向神经外科手术中病人头部标记的自动视觉定位装置及方法
CN109549659A (zh) 一种自动获得扫描部位定位片的方法和系统
CN105395163B (zh) 眼科设备和眼科设备的控制方法
CN107596578A (zh) 对准标记的识别和位置确定方法、成像设备及存储介质
US11703373B2 (en) Patient weight estimation from surface data using a patient model
CN110766656B (zh) 筛查眼底黄斑区异常的方法、装置、设备和存储介质
CN110338835A (zh) 一种智能扫描立体监测方法及系统
CN105022999A (zh) 一种人码伴随实时采集系统
CN112450956A (zh) 自动摆位方法、装置、可读存储介质、电子设备及系统
Kolar et al. Registration of 3D retinal optical coherence tomography data and 2D fundus images
CN114894337B (zh) 一种用于室外人脸识别测温方法及装置
CN112102947A (zh) 用于身体姿态评估的装置和方法
JP7332463B2 (ja) 制御装置、光干渉断層撮影装置、光干渉断層撮影装置の制御方法、及びプログラム
Singh et al. Estimating a patient surface model for optimizing the medical scanning workflow
EP3925518A1 (en) Detecting and tracking macular degeneration
KR20140057867A (ko) 열화상을 이용한 스트레스 지수 측정 시스템
JP4319628B2 (ja) 対象物姿勢推定装置
CN111402231A (zh) 一种用于肺部ct影像质量的自动评估系统及方法
JP4134147B2 (ja) 動作指示装置
Geisen et al. Automatic detection, identification, and registration of anatomical landmarks
JP2011206519A5 (zh)
CN115474951A (zh) 用于控制对象的医学成像检查的方法、医学成像系统和计算机可读数据存储介质
Balta et al. A model-based markerless protocol for clinical gait analysis based on a single RGB-depth camera: concurrent validation on patients with cerebral palsy

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