CN110570483A - 扫描方法、装置、计算机设备和存储介质 - Google Patents
扫描方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110570483A CN110570483A CN201910729197.5A CN201910729197A CN110570483A CN 110570483 A CN110570483 A CN 110570483A CN 201910729197 A CN201910729197 A CN 201910729197A CN 110570483 A CN110570483 A CN 110570483A
- Authority
- CN
- China
- Prior art keywords
- target
- scanning
- organ
- image
- target organ
- 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 76
- 210000000056 organ Anatomy 0.000 claims abstract description 302
- 238000003062 neural network model Methods 0.000 claims abstract description 54
- 230000011218 segmentation Effects 0.000 claims abstract description 45
- 238000004590 computer program Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 239000003550 marker Substances 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 7
- 210000002784 stomach Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 5
- 210000004185 liver Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012772 sequence design Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Theoretical Computer Science (AREA)
- High Energy & Nuclear Physics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及一种扫描方法、装置、计算机设备和存储介质。所述方法包括:获取待检测对象的定位像;将所述定位像输入至神经网络模型,得到目标分割图像,所述目标分割图像包括待检测对象的目标器官;根据预设的器官和扫描协议之间的对应关系,确定所述目标器官对应的目标扫描协议;利用所述目标扫描协议对所述目标器官进行扫描,得到所述目标器官的医学图像。采用本方法能够缩短扫描时间,提高检查效率。
Description
技术领域
本申请涉及医学图像技术领域,特别是涉及一种扫描方法、装置、计算机设备和存储介质。
背景技术
随着磁共振技术的不断发展,磁共振成像技术也得到了快速发展,由于磁共振成像技术无辐射、分辨率高,因此被广泛的应用于对人体各个部位进行检查,以确定出病灶并及时进行诊治。
在利用磁共振成像对人体检查时,磁共振设备首先采用不同对比度的序列,分别对人体各个部位进行扫描,之后通过采集每次扫描过程中的数据,并利用采集的数据进行人体整个空间的编码,从而得到不同对比度序列下的磁共振图像,通过对该不同对比度序列下的磁共振图像进行综合分析,就可以得到人体的病灶情况。
但是上述技术存在扫描时间长,导致检查效率低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低扫描时间,提高检查效率的扫描方法、装置、计算机设备和存储介质。
一种扫描方法,该方法包括:
获取待检测对象的定位像;
将上述定位像输入至神经网络模型,得到目标分割图像,上述目标分割图像包括待检测对象的目标器官;
根据预设的器官和扫描协议之间的对应关系,确定上述目标器官对应的目标扫描协议;
利用上述目标扫描协议对上述目标器官进行扫描,得到上述目标器官的医学图像。
一种扫描装置,该装置包括:
获取模块,用于获取待检测对象的定位像;
分割模块,用于将上述定位像输入至神经网络模型,得到目标分割图像,上述目标分割图像包括待检测对象的目标器官;
确定模块,用于根据预设的器官和扫描协议之间的对应关系,确定上述目标器官对应的目标扫描协议;
扫描模块,用于利用上述目标扫描协议对上述目标器官进行扫描,得到所述目标器官的医学图像。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待检测对象的定位像;
将上述定位像输入至神经网络模型,得到目标分割图像,上述目标分割图像包括待检测对象的目标器官;
根据预设的器官和扫描协议之间的对应关系,确定上述目标器官对应的目标扫描协议;
利用上述目标扫描协议对上述目标器官进行扫描,得到上述目标器官的医学图像。
一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待检测对象的定位像;
将上述定位像输入至神经网络模型,得到目标分割图像,上述目标分割图像包括待检测对象的目标器官;
根据预设的器官和扫描协议之间的对应关系,确定上述目标器官对应的目标扫描协议;
利用上述目标扫描协议对上述目标器官进行扫描,得到上述目标器官的医学图像。
上述扫描方法、装置、计算机设备和存储介质,通过获取待检测对象的定位像,将定位像输入至神经网络模型,得到目标分割图像,该目标分割图像包括待检测对象的目标器官,并根据预设的器官和扫描协议之间的对应关系,确定目标器官对应的目标扫描协议,最后利用目标扫描协议对目标器官进行扫描,得到目标器官的医学图像。在该方法中,由于可以对不同的目标器官采用不同的扫描协议进行扫描,即在对待检测对象进行扫描时,不需要每次都对整个部位进行扫描,可以有针对性地对目标器官进行器官级别的扫描,因此,利用该方法对待检测对象进行扫描时,可以缩短扫描时间,进而在相同的时间内可以检查更多个待检测对象,从而可以提高检查效率。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中扫描方法的流程示意图;
图3为另一个实施例中扫描方法的流程示意图;
图4a为另一个实施例中扫描方法的流程示意图;
图4b为另一个实施例中扫描方法中融合过程的示意图;
图5为另一个实施例中扫描方法的流程示意图;
图6为另一个实施例中扫描方法的流程示意图;
图7为一个实施例中扫描装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
目前在利用磁共振成像对人体检查时,磁共振设备首先采用不同对比度的序列,分别对人体各个部位进行扫描,扫描过程中激发包含整个人体截面的空间进行空间编码,从而得到不同对比度序列下的磁共振图像,通过对该不同对比度序列下的磁共振图像进行综合分析,就可以得到人体的病灶情况,但是由于每次都是对部分人体截面的整个空间进行编码,然后才能得到磁共振图像,因此会导致其扫描时间增长,从而导致相同时间内检测人次较低,即导致检查效率降低。所以就需要对磁共振扫描进行加速,传统的加速方法大多都是加快单个序列的扫描速度,可分为降低采样率的技术(例如并行成像、部分傅里叶变换、多层激发、压缩感知等等),或者在序列设计初期增加每次激发的采样次数或减少重复的时间的技术(例如采用fast GRE,epi序列进行扫描等),但是降低采样率带来的后果就是信噪比的降低,且目前的技术在高倍欠采样重建时的结果仍会有许多伪影残留,因此临床使用的还是2~3倍的低倍欠采样技术。可以看出,上述技术都还存在一定的问题,因此,本申请实施例提供一种磁共振扫描方法、装置、计算机设备和存储介质,旨在解决上述一些问题。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是控制终端,例如笔记本电脑、台式电脑、工业电脑等,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种扫描方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
需要说明的是,本申请实施例的执行主体可以是扫描装置,也可以是计算机设备,下述实施例以计算机设备为执行主体进行说明。
在一个实施例中,提供了一种扫描方法,本实施例涉及的是计算机设备如何得到目标器官以及目标扫描协议,并利用目标扫描协议对目标器官进行扫描的具体过程。如图2所示,该方法可以包括以下步骤:
S202,获取待检测对象的定位像。
其中,待检测对象在这里可以是个体全身的所有部位,也可以是个体的任意一个或多个部位,在这里,一般获取的都是部位级别的定位像,部位指的是头部、胸部、腹部、腿部等等,每个部位包括至少一个器官。定位像在这里可以是一维图像、二维图像、三维图像等,本实施例主要使用的是三维图像。另外,定位像一般可以通过利用快速扫描序列(例如fast GRE序列等)对待检测对象要检查的部位进行一个快速扫描(也可以说是粗扫描),并对扫描数据进行图像重建和校正,就可以快速得到定位像。
具体的,在对待检测对象进行检查时,可以通过对扫描设备采集的快速扫描数据进行图像重建和校正,就可以得到待检测对象的定位像,或者,待检测对象的定位像也可以预先重建和校正好,存储在计算机设备中,当需要对其进行处理时,直接从计算机设备的存储器中读取定位像。又或者,计算机设备也可以从外部设备中获取定位像,比如,将待检测对象的定位像存储在云端,当需要进行处理操作时,计算机设备从云端获取该待检测对象的定位像。本实施例对获取待检测对象的定位像的获取方式不做限定。
S204,将定位像输入至神经网络模型,得到目标分割图像,该目标分割图像包括待检测对象的目标器官。
其中,神经网络模型在这里可以包括分割模型,分割模型可以是图切割算法模型、分水岭算法模型、GrabCut算法模型、深度学习模型等,其中,深度学习模型可以是FCN模型(Fully Convolutional Networks,全卷积网络)、SegNet模型、DeepLab模型、Mask-RCNN模型、U-Net模型、V-Net模型等等,本实施例对此不作具体限定。另外,这里的目标器官可以是一个目标器官,也可以是多个目标器官。
具体的,计算机设备在得到待检测对象部位级别的定位像之后,可以将该定位像输入至神经网络模型进行器官的分割,这样就可以将定位像分割成器官级别的图像,即可以得到目标分割图像,其上包括目标器官。示例地,假设定位像为胸部定位像,胸部一般包括的器官有:肝脏、脾、胃、心脏等,在这里对胸部定位像进行分割时,可以将该胸部定位像分成多个目标分割图像,例如目标分割图像1上包括肝脏和脾、目标分割图像2上包括胃、目标分割图像3上包括心脏等,当然每个目标分割图像上至少包括一个器官,但是也可以有多个器官。
S206,根据预设的器官和扫描协议之间的对应关系,确定目标器官对应的目标扫描协议。
其中,扫描协议可以包括扫描参数、扫描序列、扫描床码、扫描时间等等。另外,在对待检测对象进行扫描之前,可以预先在扫描设备内建立好器官和扫描协议之间的对应关系,在建立该对应关系时,可以是获取各个器官的种类,以及各个器官预设的扫描协议,并将各个器官的种类和各个器官预设的扫描协议对应起来,并保存该对应关系。
具体的,计算机设备在得到目标器官之后,也可以得到该目标器官的种类,这样就可以在预设器官和扫描协议之间的对应关系中,找到该目标器官的种类所对应的扫描协议,记为目标扫描协议。这里可以是不同的目标器官对应不同的扫描协议,还可以是个别目标器官对应相同的扫描协议,本实施例对此不作具体限定。
S208,利用目标扫描协议对目标器官进行扫描,得到目标器官的医学图像。
其中,计算机设备在对目标器官进行扫描时,可以采用磁共振、CT(ComputedTomography,电子计算机断层扫描)、PET(Positron Emission Computed Tomography,正电子发射型计算机断层显像)、XR(X-Ray,X射线)等进行扫描。
具体的,计算机设备在得到目标器官对应的目标扫描协议之后,可以利用该目标扫描协议对目标器官进行扫描,并对扫描过程中采集的数据进行图像重建和校正,就可以得到该目标器官的医学图像,在这里针对各个目标器官进行扫描,比如以磁共振成像为例,就只需要对目标器官所在的指定区域进行空间编码,编码空间变小,因此可以缩短扫描时间,提高检查效率;另外,因为进行器官级别的扫描,不需要降低采样率,即可以使用原有的部位级的采样率进行扫描,因此也就不会降低信噪比。
上述扫描方法中,通过获取待检测对象的定位像,将定位像输入至神经网络模型,得到目标分割图像,该目标分割图像包括待检测对象的目标器官,并根据预设的器官和扫描协议之间的对应关系,确定目标器官对应的目标扫描协议,最后利用目标扫描协议对目标器官进行扫描,得到目标器官的医学图像。在该方法中,由于可以对不同的目标器官采用不同的扫描协议进行扫描,即在对待检测对象进行扫描时,不需要每次都对整个部位进行扫描,可以有针对性地对目标器官进行器官级别的扫描,因此,利用该方法对待检测对象进行扫描时,可以缩短扫描时间,进而在相同的时间内可以检查更多个待检测对象,从而可以提高检查效率。
在另一个实施例中,提供了另一种扫描方法,本实施例涉及的是计算机设备如何利用目标扫描协议对目标器官进行扫描的具体过程,在上述实施例的基础上,如图3所示,上述S208可以包括以下步骤:
S302,获取目标器官在物理坐标系下的位置。
其中,目标器官在物理坐标系下的位置可以是一维位置、二维位置、三维位置,本实施例主要是三维位置,另外,在本实施例中,物理坐标系指的是在对待检测对象进行扫描时,待检测对象在现实空间中处于的坐标系。计算机设备在获取目标器官在物理坐标系下的位置时,可选的,可以参见下述步骤A-步骤C的说明:
步骤A,获取目标器官在图像坐标系下的位置。
其中,以三维图像为例,图像坐标系在建立时,一般以图像中心点为坐标原点,示例地,以磁共振图像为例,图像频率编码方向为RO轴(即X轴),图像相位编码方向为PE轴(即Y轴),图像选层方向为SS轴(即Z轴)。
具体的,按照上述方式建立好图像坐标系之后,就可以得到目标分割图像上的目标器官在图像坐标系下的位置。
步骤B,根据预设的先验信息确定图像坐标系到物理坐标系的转换矩阵,该预设的先验信息包括以下一种或多种:磁共振图像的梯度场描述信息、磁共振图像的空间信息、磁共振图像的像素矩阵信息。
具体的,在图像坐标系中,计算机设备可以将SS轴设为图像法向量,图像所在平面为RO-PE平面,再加上层面内旋转信息以及先验信息,并通过对旋转信息和先验信息进行处理就可得到物理坐标系到图像坐标系的转换矩阵,之后将物理坐标系到图像坐标系的转换矩阵进行取逆运算,就可以得到图像坐标系到物理坐标系的转换矩阵。
步骤C,利用转换矩阵对目标器官在图像坐标系下的位置进行转换处理,得到目标器官在物理坐标系下的位置。
具体的,计算机设备在得到图像坐标系到物理坐标系的转换矩阵、目标器官在图像坐标系下的位置之后,通过将目标器官在图像坐标系下的位置和图像坐标系到物理坐标系的转换矩阵进行相乘,就可以得到目标器官在物理坐标系下的位置。示例地,以目标器官上的一个点在图像坐标系中的三维位置为(RO,PE,SS)为例,利用以下公式(x,y,z)=M(RO,PE,SS),其中,M是图像坐标系到物理坐标系的转换矩阵,就可以计算得到物理坐标系中该点的三维位置(x,y,z),在这里可以通过计算出目标器官上各个点在物理坐标系下的位置,从而将各个点在物理坐标系下的位置进行综合处理,得到目标器官在物理坐标系下的位置。
S304,在物理坐标系下的位置上,利用目标扫描协议对目标器官进行磁共振扫描。
具体的,计算机设备在得到目标器官在物理坐标系下的位置之后,可以对磁共振扫描设备上的相关参数进行设置,使得磁共振设备在该物理坐标系下的位置上,利用确定出的目标扫描协议对目标器官进行扫描。示例地,以器官胃为例,假设沿Z轴扫描,确定出胃在物理坐标系下Z轴方向的位置是5-10,那么磁共振设备在沿Z轴扫描时,就可以从5扫描到10即可;当然这里也可以是沿X轴或者Y轴进行扫描,在沿X轴或者Y轴进行扫描时,扫描原理和Z轴同理。
本实施例提供的扫描方法,通过获取目标器官在物理坐标系下的位置,并在该物理坐标系下的位置上,利用目标扫描协议对目标器官进行磁共振扫描。在本实施例中,由于可以得到目标器官在物理坐标系下的位置,因此,在利用目标扫描协议对目标器官进行扫描时,可以在该得到的物理坐标系下的位置上进行扫描,从而可以准确的对目标器官进行扫描,从而使得到的目标器官的图像更加准确,便于医生对图像进行更加准确的分析。
在另一个实施例中,提供了另一种扫描方法,本实施例涉及的是当目标分割图像包括待检测对象的多个目标器官时,计算机设备如何对该多个目标器官进行扫描的具体过程。在上述实施例的基础上,上述方法还可以包括:
若各目标器官对应的目标扫描协议中有相同的扫描协议,则利用相同的扫描协议同时对各目标器官进行扫描。
其中,相同的扫描协议在这里可以是各个目标器官对应的扫描序列中有相同的扫描序列,例如目标器官是胃和肝脏,胃对应的扫描序列是A、B、C,肝脏对应的扫描序列是A、D、E,那么在扫描时,可以利用A序列同时对胃和肝脏进行扫描,然后再分别用B序列、C序列对胃进行扫描,利用D序列、E序列对肝脏进行扫描。或者是一些基础序列整个部位都需要扫描,可以使用传统方法对整个部位进行扫描。
具体的,计算机设备在得到多个目标器官时,也可以得到该多个目标器官分别对应的目标扫描协议,当各个目标器官中有相同的扫描协议时,则可以利用该相同的扫描协议同时对各个目标器官进行扫描。
本实施例提供的扫描方法,当目标分割图像包括待检测对象的多个目标器官时,则可以判断各个目标器官对应的扫描协议中是否有相同的扫描协议,若各目标器官对应的目标扫描协议中有相同的扫描协议,则利用相同的扫描协议同时对各目标器官进行扫描。在本实施例中,由于在各目标器官中有相同的扫描协议时,可以利用该相同的扫描协议同时对各目标器官进行扫描,这样可以降低扫描准备时间,提高检查的效率。
在另一个实施例中,提供了另一种扫描方法,本实施例涉及的是计算机设备如何利用目标扫描协议对目标器官进行扫描,并将各个目标器官的医学图像融合成一幅图像的具体过程。在上述实施例的基础上,如图4a所示,该方法可以包括以下步骤:
S402,利用各目标器官对应的目标扫描协议对各目标器官进行扫描,得到各目标器官的医学图像。
具体的,当目标分割图像包括待检测对象的多个目标器官时,计算机设备可以控制扫描设备,利用各个目标器官对应的目标扫描协议对各个目标器官进行扫描,并对扫描的数据进行图像重建和校正,就可以得到各个目标器官的医学图像。
S404,将各目标器官的医学图像融合成一幅图像。
其中,在融合各个目标器官的医学图像时,可以采用图像融合技术,图像融合技术是指将2张或2张以上的图像信息的融合到1张图像上,使得融合的图像含有更多的信息、能够更方便观察或处理。另外,这里的一幅图像也可以是一整幅图像。
具体的,计算机设备在得到各个目标器官的医学图像之后,可以利用图像融合技术将各个目标器官的医学图像融合成一整幅图像,然后将该一整幅图像显示给医生,便于医生浏览。在这里,融合过程可以参见图4b所示,先进行预扫描,得到预扫描图像(即定位像),接着对器官进行分割,得到识别定位图像,接着用不同序列对不同器官进行扫描,得到不同序列器官扫描图像,最后将不同序列器官扫描图像融合成一幅图像。
本实施例提供的扫描方法,当目标分割图像包括待检测对象的多个目标器官时,通过利用各目标器官对应的目标扫描协议对各目标器官进行扫描,得到各目标器官的医学图像,并将各目标器官的医学图像融合成一幅图像。在本实施例中,由于可以将各个目标器官的医学图像融合成一幅图像整体进行展示,这样可以方便医生浏览,以更全面地对各个目标器官进行整体观察。
在另一个实施例中,提供了另一种扫描方法,本实施例涉及的是计算机设备如何利用目标扫描协议对目标器官进行扫描,并将各个目标器官的医学图像分别进行展示的具体过程。在上述实施例的基础上,如图5所示,该方法可以包括以下步骤:
S502,利用各目标器官对应的目标扫描协议对各目标器官进行扫描,得到各目标器官的医学图像。
在本实施例中,该步骤的说明可以参见上述S402的说明,在此不再赘述。
S504,显示各目标器官的医学图像。
具体的,计算机设备在得到各个目标器官的医学图像之后,可以将各目标器官的医学图像显示给医生,在显示时,可以是一次性显示一部分目标器官的医学图像,也可以是一次性显示全部目标器官的医学图像,当然也可以是显示部分目标器官的医学图像同时,也显示全部目标器官的医学图像。
本实施例提供的扫描方法,当目标分割图像包括待检测对象的多个目标器官时,通过利用各目标器官对应的目标扫描协议对各目标器官进行扫描,得到各目标器官的医学图像,并显示各目标器官的医学图像。在本实施例中,由于可以显示各个目标器官的医学图像,因此在医生进行观察时,可以有针对性观察某个目标器官的医学图像,从而更好地对该目标器官的数据进行分析;另外,也可以通过显示的部分目标器官的医学图像和全部目标器官的医学图像,对目标器官临近的器官进行观察,从而更好地对目标器官和临近器官进行分析。
在另一个实施例中,提供了另一种扫描方法,本实施例涉及的是计算机设备如何对上述S204中的神经网络模型进行训练的具体过程。在上述实施例的基础上,如图6所示,该神经网络模型的训练过程可以包括以下几个步骤:
S602,获取样本定位像,该样本定位像包括器官的标记位置信息。
其中,这里的样本定位像可以是健康人的定位像,还可以是病变患者的定位像。
具体的,计算机设备可以通过对扫描设备采集到的样本数据进行图像重建和校正,从而得到样本定位像。或者,样本定位像也可以预先重建和校正好,存储在计算机设备中,当需要对其进行处理时,直接从计算机设备的存储器中读取样本定位像。又或者,计算机设备也可以从外部设备中获取样本定位像,比如,将样本定位像存储在云端,当需要进行处理操作时,计算机设备从云端获取该样本定位像。本实施例对获取样本定位像的获取方式不做限定。另外,这里的样本定位像均包括各个器官的标记位置信息。
S604,将样本定位像输入至初始的神经网络模型,得到器官的预测位置信息。
在本实施例中,计算机设备对神经网络模型进行训练时,可以是将样本定位像作为初始的神经网络模型的输入,将各个器官的位置信息作为初始的神经网络模型的输出,对该初始的神经网络模型进行训练,得到神经网络模型。
可选的,计算机设备在将样本定位像输入值神经网络模型之前,可以先对各个样本定位像进行预处理,将各个样本定位像的尺寸调整成统一尺寸,同时,计算机设备也可以将各个样本定位像每个像素的实际尺寸设置为相同的值,以及也可以将各个样本定位像的原始坐标等设置为相同的值,便于后续统一处理。另外,样本定位像的数量可以根据实际情况而定,本实施例对此不作具体限定。
具体的,计算机设备在将各个样本定位像进行预处理之后,可以将预处理后的样本定位像输入至初始的神经网络模型,通过该初始的神经网络模型,就可以输出每个样本定位像上各个器官的预测位置信息。
S606,根据器官的标记位置信息和所述器官的预测位置信息,计算器官的标记位置信息和器官的预测位置信息之间的损失,并将损失作为损失函数的值。
具体的,计算机设备在得到每个样本定位像上各个器官的预测位置信息之后,可以对各个器官的预测位置信息和各个器官的标记位置信息进行计算,得到各个器官的预测位置信息和各个器官的标记位置信息之间的损失,可选的,该损失可以是器官的预测位置信息和器官的标记位置信息之间的误差、方差、范数等,在计算得到损失之后,可以将该损失作为损失函数的值。
S608,根据损失函数的值对初始的神经网络模型进行训练,得到神经网络模型。
具体的,计算机设备在得到损失函数的值之后,可以根据损失函数的梯度值或者直接根据损失函数的值,对初始的神经网络模型进行训练,可选的,可以是将损失函数的值或者损失函数的梯度值补偿给初始的神经网络模型,以对初始的神经网络模型进行训练;可选的,当损失函数的值小于预设损失函数阈值时,或者当损失函数的值基本稳定时(即不再发生变化时),则可以确定神经网络模型已经训练好,否则,确定神经网络模型还需要继续进行训练,直至损失函数的值最终满足要求,此时的神经网络模型为最后的神经网络模型。
本实施例提供的扫描方法,通过获取样本定位像,该样本定位像包括器官的标记位置信息,将样本定位像输入至初始的神经网络模型,得到器官的预测位置信息,并根据器官的标记位置信息和器官的预测位置信息,计算器官的标记位置信息和器官的预测位置信息之间的损失,并将损失作为损失函数的值,最后根据损失函数的值对初始的神经网络模型进行训练,得到神经网络模型。在本实施例中,由于神经网络模型是利用标记了各个器官的位置信息的样本定位像进行训练得到的,因此得到的神经网络模型是比较准确的,进而在利用该准确的神经网络模型对定位像进行分割时,得到的分割结果也是比较准确的。
应该理解的是,虽然图2、3、4a、5、6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、3、4a、5、6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种扫描装置,包括:获取模块10、分割模块11、确定模块12和扫描模块13,其中:
获取模块10,用于获取待检测对象的定位像;
分割模块11,用于将所述定位像输入至神经网络模型,得到目标分割图像,所述目标分割图像包括待检测对象的目标器官;
确定模块12,用于根据预设的器官和扫描协议之间的对应关系,确定所述目标器官对应的目标扫描协议;
扫描模块13,用于利用所述目标扫描协议对所述目标器官进行扫描,得到所述目标器官的医学图像。
本实施例提供的扫描装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在另一个实施例中,提供了另一种扫描装置,在上述实施例的基础上,上述扫描模块13可以包括:获取单元和位置扫描单元,其中:
获取单元,用于获取所述目标器官在物理坐标系下的位置;
位置扫描单元,用于在所述物理坐标系下的位置上,利用所述目标扫描协议对所述目标器官进行磁共振扫描。
在另一个实施例中,提供了另一种扫描装置,在上述实施例的基础上,上述获取单元可以包括:获取子单元、确定子单元和转换子单元,其中:
获取子单元,用于获取所述目标器官在图像坐标系下的位置;
确定子单元,用于根据预设的先验信息确定图像坐标系到物理坐标系的转换矩阵,所述预设的先验信息包括以下一种或多种:磁共振图像的梯度场描述信息、磁共振图像的空间信息、磁共振图像的像素矩阵信息;
转换子单元,用于利用所述转换矩阵对所述目标器官在图像坐标系下的位置进行转换处理,得到所述目标器官在物理坐标系下的位置。
在另一个实施例中,提供了另一种扫描装置,在上述实施例的基础上,当目标分割图像包括待检测对象的多个目标器官时,上述扫描模块13还用于若各所述目标器官对应的目标扫描协议中有相同的扫描协议,则利用所述相同的扫描协议同时对各所述目标器官进行扫描。
在另一个实施例中,提供了另一种扫描装置,在上述实施例的基础上,上述扫描模块13可以包括:协议扫描单元和融合单元,其中:
协议扫描单元,用于利用各所述目标器官对应的目标扫描协议对各所述目标器官进行扫描,得到各所述目标器官的医学图像;
融合单元,用于将各所述目标器官的医学图像融合成一幅图像。
在另一个实施例中,提供了另一种扫描装置,在上述实施例的基础上,上述扫描模块13可以包括:协议扫描单元和显示单元,其中:
协议扫描单元,用于利用各所述目标器官对应的目标扫描协议对各所述目标器官进行扫描,得到各所述目标器官的医学图像;
显示单元,用于显示各所述目标器官的医学图像。
在另一个实施例中,提供了另一种扫描装置,在上述实施例的基础上,上述装置还可以包括:训练模块,该训练模块用于获取样本定位像,所述样本定位像包括器官的标记位置信息;将所述样本定位像输入至初始的神经网络模型,得到器官的预测位置信息;根据器官的标记位置信息和所述器官的预测位置信息,计算所述器官的标记位置信息和所述器官的预测位置信息之间的损失,并将所述损失作为损失函数的值;根据所述损失函数的值对所述初始的神经网络模型进行训练,得到所述神经网络模型。
本实施例提供的扫描装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于扫描装置的具体限定可以参见上文中对于扫描方法的限定,在此不再赘述。上述扫描装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待检测对象的定位像;
将上述定位像输入至神经网络模型,得到目标分割图像,上述目标分割图像包括待检测对象的目标器官;
根据预设的器官和扫描协议之间的对应关系,确定上述目标器官对应的目标扫描协议;
利用上述目标扫描协议对上述目标器官进行扫描,得到上述目标器官的医学图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取目标器官在物理坐标系下的位置;
在上述物理坐标系下的位置上,利用上述目标扫描协议对上述目标器官进行磁共振扫描。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取目标器官在图像坐标系下的位置;
根据预设的先验信息确定图像坐标系到物理坐标系的转换矩阵,上述预设的先验信息包括以下一种或多种:磁共振图像的梯度场描述信息、磁共振图像的空间信息、磁共振图像的像素矩阵信息;
利用上述转换矩阵对上述目标器官在图像坐标系下的位置进行转换处理,得到上述目标器官在物理坐标系下的位置。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若各目标器官对应的目标扫描协议中有相同的扫描协议,则利用上述相同的扫描协议同时对各上述目标器官进行扫描。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
利用各目标器官对应的目标扫描协议对各上述目标器官进行扫描,得到各上述目标器官的医学图像;
将各上述目标器官的医学图像融合成一幅图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
利用各上述目标器官对应的目标扫描协议对各上述目标器官进行扫描,得到各上述目标器官的医学图像;
显示各上述目标器官的医学图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取样本定位像,上述样本定位像包括器官的标记位置信息;
将上述样本定位像输入至初始的神经网络模型,得到器官的预测位置信息;
根据器官的标记位置信息和上述器官的预测位置信息,计算上述器官的标记位置信息和上述器官的预测位置信息之间的损失,并将上述损失作为损失函数的值;
根据上述损失函数的值对上述初始的神经网络模型进行训练,得到神经网络模型。
在一个实施例中,提供了一种可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待检测对象的定位像;
将上述定位像输入至神经网络模型,得到目标分割图像,上述目标分割图像包括待检测对象的目标器官;
根据预设的器官和扫描协议之间的对应关系,确定上述目标器官对应的目标扫描协议;
利用上述目标扫描协议对上述目标器官进行扫描,得到上述目标器官的医学图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取目标器官在物理坐标系下的位置;
在上述物理坐标系下的位置上,利用上述目标扫描协议对上述目标器官进行磁共振扫描。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取目标器官在图像坐标系下的位置;
根据预设的先验信息确定图像坐标系到物理坐标系的转换矩阵,上述预设的先验信息包括以下一种或多种:磁共振图像的梯度场描述信息、磁共振图像的空间信息、磁共振图像的像素矩阵信息;
利用上述转换矩阵对上述目标器官在图像坐标系下的位置进行转换处理,得到上述目标器官在物理坐标系下的位置。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若各目标器官对应的目标扫描协议中有相同的扫描协议,则利用上述相同的扫描协议同时对各上述目标器官进行扫描。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
利用各目标器官对应的目标扫描协议对各上述目标器官进行扫描,得到各上述目标器官的医学图像;
将各上述目标器官的医学图像融合成一幅图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
利用各上述目标器官对应的目标扫描协议对各上述目标器官进行扫描,得到各上述目标器官的医学图像;
显示各上述目标器官的医学图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取样本定位像,上述样本定位像包括器官的标记位置信息;
将上述样本定位像输入至初始的神经网络模型,得到器官的预测位置信息;
根据器官的标记位置信息和上述器官的预测位置信息,计算上述器官的标记位置信息和上述器官的预测位置信息之间的损失,并将上述损失作为损失函数的值;
根据上述损失函数的值对上述初始的神经网络模型进行训练,得到神经网络模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种扫描方法,其特征在于,所述方法包括:
获取待检测对象的定位像;
将所述定位像输入至神经网络模型,得到目标分割图像,所述目标分割图像包括待检测对象的目标器官;
根据预设的器官和扫描协议之间的对应关系,确定所述目标器官对应的目标扫描协议;
利用所述目标扫描协议对所述目标器官进行扫描,得到所述目标器官的医学图像。
2.根据权利要求1所述的方法,其特征在于,所述利用所述目标扫描协议对所述目标器官进行扫描,包括:
获取所述目标器官在物理坐标系下的位置;
在所述物理坐标系下的位置上,利用所述目标扫描协议对所述目标器官进行磁共振扫描。
3.根据权利要求2所述的方法,其特征在于,所述获取所述目标器官在物理坐标系下的位置,包括:
获取所述目标器官在图像坐标系下的位置;
根据预设的先验信息确定图像坐标系到物理坐标系的转换矩阵,所述预设的先验信息包括以下一种或多种:磁共振图像的梯度场描述信息、磁共振图像的空间信息、磁共振图像的像素矩阵信息;
利用所述转换矩阵对所述目标器官在图像坐标系下的位置进行转换处理,得到所述目标器官在物理坐标系下的位置。
4.根据权利要求1所述的方法,其特征在于,所述目标分割图像包括待检测对象的多个目标器官,所述方法还包括:
若各所述目标器官对应的目标扫描协议中有相同的扫描协议,则利用所述相同的扫描协议同时对各所述目标器官进行扫描。
5.根据权利要求4所述的方法,其特征在于,所述利用所述目标扫描协议对所述目标器官进行扫描,得到所述目标器官的医学图像,包括:
利用各所述目标器官对应的目标扫描协议对各所述目标器官进行扫描,得到各所述目标器官的医学图像;
将各所述目标器官的医学图像融合成一幅图像。
6.根据权利要求4所述的方法,其特征在于,所述利用所述目标扫描协议对所述目标器官进行扫描,得到所述目标器官的医学图像,包括:
利用各所述目标器官对应的目标扫描协议对各所述目标器官进行扫描,得到各所述目标器官的医学图像;
显示各所述目标器官的医学图像。
7.根据权利要求1所述的方法,其特征在于,所述神经网络模型的训练方法包括:
获取样本定位像,所述样本定位像包括器官的标记位置信息;
将所述样本定位像输入至初始的神经网络模型,得到器官的预测位置信息;
根据器官的标记位置信息和所述器官的预测位置信息,计算所述器官的标记位置信息和所述器官的预测位置信息之间的损失,并将所述损失作为损失函数的值;
根据所述损失函数的值对所述初始的神经网络模型进行训练,得到所述神经网络模型。
8.一种扫描装置,其特征在于,所述装置包括:
获取模块,用于获取待检测对象的定位像;
分割模块,用于将所述定位像输入至神经网络模型,得到目标分割图像,所述目标分割图像包括待检测对象的目标器官;
确定模块,用于根据预设的器官和扫描协议之间的对应关系,确定所述目标器官对应的目标扫描协议;
扫描模块,用于利用所述目标扫描协议对所述目标器官进行扫描,得到所述目标器官的医学图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910729197.5A CN110570483B (zh) | 2019-08-08 | 2019-08-08 | 扫描方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910729197.5A CN110570483B (zh) | 2019-08-08 | 2019-08-08 | 扫描方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110570483A true CN110570483A (zh) | 2019-12-13 |
CN110570483B CN110570483B (zh) | 2023-12-22 |
Family
ID=68774830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910729197.5A Active CN110570483B (zh) | 2019-08-08 | 2019-08-08 | 扫描方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570483B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111243026A (zh) * | 2020-01-19 | 2020-06-05 | 武汉联影智融医疗科技有限公司 | 解剖标记点定位方法、装置、计算机设备和存储介质 |
CN111407295A (zh) * | 2020-03-27 | 2020-07-14 | 上海联影医疗科技有限公司 | 一种扫描控制方法、装置、设备及存储介质 |
CN111507381A (zh) * | 2020-03-31 | 2020-08-07 | 上海商汤智能科技有限公司 | 图像识别方法及相关装置、设备 |
CN111968112A (zh) * | 2020-09-02 | 2020-11-20 | 广州海兆印丰信息科技有限公司 | Ct三维定位图像的获取方法、装置和计算机设备 |
CN112581460A (zh) * | 2020-12-24 | 2021-03-30 | 上海联影医疗科技股份有限公司 | 扫描规划方法、装置、计算机设备和存储介质 |
CN115063503A (zh) * | 2022-07-28 | 2022-09-16 | 山东奥新医疗科技有限公司 | 一种磁共振图像卷褶伪影去除方法、装置、设备及介质 |
WO2022262871A1 (en) * | 2021-06-18 | 2022-12-22 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for medical imaging |
CN115695570A (zh) * | 2022-10-26 | 2023-02-03 | 深圳市联影高端医疗装备创新研究院 | 医学影像扫描协议的转换方法、装置、设备和存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3923215A1 (de) * | 1989-07-14 | 1991-04-18 | G M T I Ges Fuer Medizintechni | Verfahren zur mobilisierung von koerpersteinen in fluessigkeitsgefuellten organen bei bildgebender echtzeit-darstellung, sowie vorrichtung zur durchfuehrung des verfahrens |
WO2012167257A1 (en) * | 2011-06-03 | 2012-12-06 | Medrad, Inc. | System and method for rapid quantitative dynamic molecular imaging scans |
CN104880684A (zh) * | 2014-02-28 | 2015-09-02 | 西门子(深圳)磁共振有限公司 | 一种磁共振成像系统的图像重建方法和装置 |
CN107392897A (zh) * | 2017-07-17 | 2017-11-24 | 上海联影医疗科技有限公司 | 器官轮廓获取方法、影像设备、放疗计划系统及存储介质 |
CN107563123A (zh) * | 2017-09-27 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 用于标注医学图像的方法和装置 |
CN108711448A (zh) * | 2018-04-03 | 2018-10-26 | 复旦大学附属中山医院 | 一种扫描序列的处理方法、系统、存储设备及移动终端 |
CN109308728A (zh) * | 2018-10-25 | 2019-02-05 | 上海联影医疗科技有限公司 | 正电子发射型计算机断层扫描图像处理方法及装置 |
CN109464155A (zh) * | 2018-12-29 | 2019-03-15 | 上海联影医疗科技有限公司 | 医学扫描定位方法 |
CN109480882A (zh) * | 2018-12-29 | 2019-03-19 | 上海联影医疗科技有限公司 | 医疗设备成像方法及装置、计算机设备和可读存储介质 |
CN109658419A (zh) * | 2018-11-15 | 2019-04-19 | 浙江大学 | 一种医学图像中小器官的分割方法 |
CN109785306A (zh) * | 2019-01-09 | 2019-05-21 | 上海联影医疗科技有限公司 | 器官勾画方法、装置、计算机设备和存储介质 |
CN109978852A (zh) * | 2019-03-22 | 2019-07-05 | 邃蓝智能科技(上海)有限公司 | 基于深度学习的微小组织器官的放疗影像靶区勾画方法及系统 |
-
2019
- 2019-08-08 CN CN201910729197.5A patent/CN110570483B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3923215A1 (de) * | 1989-07-14 | 1991-04-18 | G M T I Ges Fuer Medizintechni | Verfahren zur mobilisierung von koerpersteinen in fluessigkeitsgefuellten organen bei bildgebender echtzeit-darstellung, sowie vorrichtung zur durchfuehrung des verfahrens |
WO2012167257A1 (en) * | 2011-06-03 | 2012-12-06 | Medrad, Inc. | System and method for rapid quantitative dynamic molecular imaging scans |
CN104880684A (zh) * | 2014-02-28 | 2015-09-02 | 西门子(深圳)磁共振有限公司 | 一种磁共振成像系统的图像重建方法和装置 |
CN107392897A (zh) * | 2017-07-17 | 2017-11-24 | 上海联影医疗科技有限公司 | 器官轮廓获取方法、影像设备、放疗计划系统及存储介质 |
CN107563123A (zh) * | 2017-09-27 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 用于标注医学图像的方法和装置 |
CN108711448A (zh) * | 2018-04-03 | 2018-10-26 | 复旦大学附属中山医院 | 一种扫描序列的处理方法、系统、存储设备及移动终端 |
CN109308728A (zh) * | 2018-10-25 | 2019-02-05 | 上海联影医疗科技有限公司 | 正电子发射型计算机断层扫描图像处理方法及装置 |
CN109658419A (zh) * | 2018-11-15 | 2019-04-19 | 浙江大学 | 一种医学图像中小器官的分割方法 |
CN109464155A (zh) * | 2018-12-29 | 2019-03-15 | 上海联影医疗科技有限公司 | 医学扫描定位方法 |
CN109480882A (zh) * | 2018-12-29 | 2019-03-19 | 上海联影医疗科技有限公司 | 医疗设备成像方法及装置、计算机设备和可读存储介质 |
CN109785306A (zh) * | 2019-01-09 | 2019-05-21 | 上海联影医疗科技有限公司 | 器官勾画方法、装置、计算机设备和存储介质 |
CN109978852A (zh) * | 2019-03-22 | 2019-07-05 | 邃蓝智能科技(上海)有限公司 | 基于深度学习的微小组织器官的放疗影像靶区勾画方法及系统 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111243026A (zh) * | 2020-01-19 | 2020-06-05 | 武汉联影智融医疗科技有限公司 | 解剖标记点定位方法、装置、计算机设备和存储介质 |
CN111243026B (zh) * | 2020-01-19 | 2023-09-22 | 武汉联影智融医疗科技有限公司 | 解剖标记点定位方法、装置、计算机设备和存储介质 |
CN111407295A (zh) * | 2020-03-27 | 2020-07-14 | 上海联影医疗科技有限公司 | 一种扫描控制方法、装置、设备及存储介质 |
CN111407295B (zh) * | 2020-03-27 | 2023-08-25 | 上海联影医疗科技股份有限公司 | 一种扫描控制方法、装置、设备及存储介质 |
CN111507381A (zh) * | 2020-03-31 | 2020-08-07 | 上海商汤智能科技有限公司 | 图像识别方法及相关装置、设备 |
CN111507381B (zh) * | 2020-03-31 | 2024-04-02 | 上海商汤智能科技有限公司 | 图像识别方法及相关装置、设备 |
CN111968112A (zh) * | 2020-09-02 | 2020-11-20 | 广州海兆印丰信息科技有限公司 | Ct三维定位图像的获取方法、装置和计算机设备 |
CN111968112B (zh) * | 2020-09-02 | 2023-12-26 | 广州海兆印丰信息科技有限公司 | Ct三维定位图像的获取方法、装置和计算机设备 |
CN112581460B (zh) * | 2020-12-24 | 2023-08-18 | 上海联影医疗科技股份有限公司 | 扫描规划方法、装置、计算机设备和存储介质 |
CN112581460A (zh) * | 2020-12-24 | 2021-03-30 | 上海联影医疗科技股份有限公司 | 扫描规划方法、装置、计算机设备和存储介质 |
WO2022262871A1 (en) * | 2021-06-18 | 2022-12-22 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for medical imaging |
CN115063503B (zh) * | 2022-07-28 | 2022-11-01 | 山东奥新医疗科技有限公司 | 一种磁共振图像卷褶伪影去除方法、装置、设备及介质 |
CN115063503A (zh) * | 2022-07-28 | 2022-09-16 | 山东奥新医疗科技有限公司 | 一种磁共振图像卷褶伪影去除方法、装置、设备及介质 |
CN115695570A (zh) * | 2022-10-26 | 2023-02-03 | 深圳市联影高端医疗装备创新研究院 | 医学影像扫描协议的转换方法、装置、设备和存储介质 |
CN115695570B (zh) * | 2022-10-26 | 2024-05-24 | 深圳市联影高端医疗装备创新研究院 | 医学影像扫描协议的转换方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110570483B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570483B (zh) | 扫描方法、装置、计算机设备和存储介质 | |
CN109993726B (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
CN110148192B (zh) | 医学影像成像方法、装置、计算机设备和存储介质 | |
CN103530890B (zh) | 运动校正装置以及方法 | |
CN109872312B (zh) | 医学图像分割方法、装置、系统及图像分割方法 | |
CN111179231B (zh) | 图像处理方法、装置、设备和存储介质 | |
CN111932520A (zh) | 医学图像显示方法、查看设备以及计算机设备 | |
JP6316671B2 (ja) | 医療画像処理装置および医用画像処理プログラム | |
CN110717961B (zh) | 多模态图像重建方法、装置、计算机设备和存储介质 | |
CN111080573B (zh) | 肋骨图像检测方法、计算机设备和存储介质 | |
CN104346821A (zh) | 用于医学成像的自动规划 | |
US11229377B2 (en) | System and method for next-generation MRI spine evaluation | |
CN111488872B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN110473226B (zh) | 图像处理网络的训练方法、计算机设备及可读存储介质 | |
CN111462168B (zh) | 运动参数估计方法和运动伪影校正方法 | |
Tabor et al. | The potential of multi-slice computed tomography based quantification of the structural anisotropy of vertebral trabecular bone | |
CN111223158B (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
CN110244249B (zh) | 磁共振扫描方法、装置、医学扫描设备和存储介质 | |
CN112150485B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN111161369B (zh) | 图像重建存储方法、装置、计算机设备和存储介质 | |
CN110473241B (zh) | 图像配准方法、存储介质及计算机设备 | |
CN110599560B (zh) | 磁共振成像方法、装置、存储介质及计算机设备 | |
CN113393498A (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
CN109480886B (zh) | 骨损伤检测方法、装置、计算机设备和存储介质 | |
EP4258207A1 (en) | Automatic rib fracture detection from unfolded scan images |
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 |