CN110752004A - 一种基于体素模型的呼吸特性表征的方法 - Google Patents

一种基于体素模型的呼吸特性表征的方法 Download PDF

Info

Publication number
CN110752004A
CN110752004A CN201911023806.1A CN201911023806A CN110752004A CN 110752004 A CN110752004 A CN 110752004A CN 201911023806 A CN201911023806 A CN 201911023806A CN 110752004 A CN110752004 A CN 110752004A
Authority
CN
China
Prior art keywords
voxel
voxel model
frame
model
characteristic
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.)
Pending
Application number
CN201911023806.1A
Other languages
English (en)
Inventor
郁树梅
后鹏程
孙荣川
匡绍龙
孙立宁
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.)
Suzhou University
Original Assignee
Suzhou University
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 Suzhou University filed Critical Suzhou University
Priority to CN201911023806.1A priority Critical patent/CN110752004A/zh
Priority to PCT/CN2019/119693 priority patent/WO2021077515A1/zh
Priority to US17/056,758 priority patent/US11373367B2/en
Publication of CN110752004A publication Critical patent/CN110752004A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/70—
    • 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
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • 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
    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/12—Bounding box
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Abstract

本发明公开了一种基于体素模型的呼吸特性表征的方法，包括：使用相机连续采集人体胸腹体表的多帧深度图像，对所述多帧深度图像进行三维建模，获得在时间序列上的多帧体素模型；遍历所述多帧体素模型的体素单元，提取所述多帧体素模型的体积特征和面积特征；获取所述多帧体素模型的公共最小体素包围盒；以概率形式描述多帧体素模型的空间分布，并排列每一帧体素模型的最小体素包围盒的概率，组成超高维向量的样本空间；对所述样本空间进行降维，获得降维后的本质参量；根据本质参量、体积特征和面积特征获得能够表征体素模型的特征变量。其能够全面的表征的体表呼吸运动信息，应用广泛。

Description

一种基于体素模型的呼吸特性表征的方法
技术领域
本发明涉及放疗机器人的呼吸跟踪技术领域，具体涉及一种基于体素模型的呼吸特性表征的方法。
背景技术
肿瘤运动的呼吸跟踪是立体放疗机器人实现精准放疗的关键技术之一，目前最主流的一类方法是其利用体表标记点和体内肿瘤的关联模型，提前预测肿瘤到达的位置并规划机械臂运动，使得直线加速器的射束能够实时跟踪肿瘤运动，达到精准放疗的目的。然而肿瘤呼吸运动建模具有极大的复杂性及个体差异性，利用有限体表标记点表征呼吸特性的方法，对曲面运动信息表征不全面，导致了用于临床数据的精准性和鲁棒性欠佳。
为达到更优的精准性和鲁棒性，需要不断探索能反映更为完整的体表运动信息的表征方法。研究完整的体表运动信息表征方法主要有两个方向。一是围绕有限体表标记点的个数展开研究。比如使用3个、6个、19个等体表标记点来表征体表运动信息。二是基于多模态传感器的体表运动信息的表征方法。使用多种传感器，包括固定在胸腹部表面的张力带、光学标记点、加速度传感器，固定在鼻孔周围的气流加速度及温度传感器等，融合多传感器信息表征体表运动。多模态信息表征方法的研究表明，体表标记点运动信息对于肿瘤位置具有更好的关联度；而体表标记点表征方法的研究表明，标记点数量越多，对呼吸运动特征的表达就越趋于完整，但有限的体表标记点信息仍无法准确反映体表呼吸运动变化规律。
因此，研究体表呼吸特性表征方法，对于提高放疗机器人中的肿瘤运动呼吸跟踪技术的精准性与鲁棒性有着重要意义。
发明内容
本发明要解决的技术问题是提供一种基于体素模型的呼吸特性表征的方法，其能够全面的表征的体表呼吸运动信息，应用广泛。
为了解决上述技术问题，本发明提供了一种基于体素模型的呼吸特性表征的方法，包括以下步骤：
使用相机连续采集人体胸腹体表的多帧深度图像，对所述多帧深度图像进行三维建模，获得在时间序列上的多帧体素模型；
遍历所述多帧体素模型的体素单元，提取所述多帧体素模型的体积特征和面积特征；
获取所述多帧体素模型的公共最小体素包围盒；
以概率形式描述多帧体素模型的空间分布，并排列每一帧体素模型的最小体素包围盒的概率，组成超高维向量的样本空间；
对所述样本空间进行降维，获得降维后的本质参量；
根据本质参量、体积特征和面积特征获得能够表征体素模型的特征变量。
作为优选的，所述“体积特征”为多帧体素模型整体的体积变化状态特征。
作为优选的，所述“面积特征”为多帧所述体素模型整体的外层表面积变化状态特征。
作为优选的，所述“使用相机连续采集人体胸腹体表的多帧深度图像，对所述多帧深度图像进行三维建模，获得在时间序列上的多帧体素模型”，具体包括以下步骤：
S11、利用2台固定不动的RGB-D相机对运动的人体胸腹体表进行连续多帧深度图像的采集；
S12、使用滤波算法对深度图像的点云数据去噪，使用移动最小二乘法平滑点云，并使用ICP算法对点云数据融合；
S13、使用阈值滤波对深度图像的人体数据与医疗平台背景数据的分割；
S14、使用边界插值的方法将表面模型构建为封闭模型；
S15、利用泊松重建的方法对人体体表三维曲面进行快速化拟合；
S16、利用Octomap建立三维人体胸腹部的体素模型，获得在时间序列上的多帧体素模型。
作为优选的，所述“获取所述多帧体素模型的公共最小体素包围盒”，具体包括：
记每帧体素模型为Mi，而Mi∈M，M为所有帧的体素模型；
遍历M，计算Mi的最小包围盒，记录最小包围盒长LMi、宽WMi、高HMi，记为LMi∈L，WMi∈W，HMi∈H，其中，L为所有帧的体素模型的最小包围盒长的集合，W为所有帧的体素模型的最小包围盒宽的集合，H为所有帧的体素模型的最小包围盒高的集合；
在L，W，H中找出Lmax，Lmin，Wmax，Wmin，Hmax，Hmin，构成一个公共最小体素包围盒B，B按照M的体素分辨率划分空间。
作为优选的，所述“以概率形式描述多帧体素模型的空间分布”，具体包括：
将体素模型在包围盒内占据的体素的概率设为1，空闲的体素的概率设为0，获得每帧体素模型在最小公共包围盒中的空间分布。
作为优选的，所述“对所述样本空间进行降维”，具体包括：使用LLE降维算法对样本空间降维。
作为优选的，“根据本质参量、体积特征和面积特征获得能够表征体素模型的特征变量”，具体包括：
将本质参量ψ＝[ψ1,ψ2,..,ψm]、体积特征V和面积特征S合并，获得能够表征体素模型不同状态的特征变量Γ，其中，Γ＝[VS…ψ1,ψ2,..,ψm]T。
本发明的有益效果：
本发明通过对胸腹体表的体素模型提取体积、面积物理有效变量和进行数据结构分析提取降维后的本质参量，得到表征体素模型不同状态的特征变量。将有限体表标记点表征方法拓展为整个体表曲面模型的表征方法，表征的体表呼吸运动信息更加全面。该方法突破了现有方法因使用稀疏性感知数据而造成的描绘呼吸运动现象不足的问题。
附图说明
图1为本发明的流程图；
图2为胸腹体表的体素模型；
图3为体素模型的体积特征曲线；
图4为体素模型的面积特征曲线；
图5为包含体素模型的最小公共包围盒；
图6为按列排列的体素单元概率示意图；
图7为使用LLE降维算法降到6维的呼吸特征曲线，图(a)、图(b)、图(c)、图(d)、图(e)和图(f)表示的是降维后在每个维度上关于时间的特征变化。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
参照图1-图7所示，本发明公开了一种基于体素模型的呼吸特性表征的方法，包括以下步骤：
步骤一、使用相机连续采集人体胸腹体表的多帧深度图像，对所述多帧深度图像进行三维建模，获得在时间序列上的多帧体素模型，具体包括以下步骤：
S11、利用2台固定不动的RGB-D相机对运动的人体胸腹体表进行连续多帧深度图像的采集；
S12、使用滤波算法对深度图像的点云数据去噪，使用移动最小二乘法平滑点云，并使用ICP算法对点云数据融合；
S13、使用阈值滤波对深度图像的人体数据与医疗平台背景数据的分割；
S14、使用边界插值的方法将表面模型构建为封闭模型；
S15、利用泊松重建的方法对人体体表三维曲面进行快速化拟合；
S16、利用Octomap建立三维人体胸腹部的体素模型，获得在时间序列上的多帧体素模型。
如图2所示，为利用重建算法对两台深度相机采集到的呼吸过程中的人体胸腹体表三维建模，并使用Octomap将三维模型体素化。
步骤二、遍历所述多帧体素模型的体素单元，提取所述多帧体素模型的体积特征V和面积特征S。“体积特征”为多帧体素模型整体的体积变化状态特征；“面积特征”为多帧所述体素模型整体的外层表面积变化状态特征。
如图3所示，为基于时间序列的体素模型的体积变化曲线。遍历每一帧体素模型的体素单元，累计体素单元的体积，在时间序列上反映体积变化。
如图4所示，为基于时间序列的体素模型的面积变化曲线。遍历每一帧体素模型的体素单元，累计外层体素单元的面积，在时间序列上反映面积变化。
步骤三、获取所述多帧体素模型的公共最小体素包围盒；
如图5所示，为获取到的所有帧体素模型的公共最小体素包围盒结构示意图。由于每帧体素模型都有各自的包围盒，尺寸大小不一致。为了进行统一分析，需要找一个公共最小包围盒。该包围盒需要满足的条件是：第一、适用于每一帧体素模型(能够包围体素模型)；第二、包围盒尺寸最小(减少计算量)。
首先，记每帧体素模型为Mi∈M，遍历M；
之后，计算Mi的最小包围盒，记录包围盒长、宽、高，记为LMi∈L，WMi∈W，HMi∈H；
最后，在L，W，H中找出Lmax，Lmin，Wmax，Wmin，Hmax，Hmin，构成一个公共最小体素包围盒B，B按照M的体素分辨率划分空间。
步骤四、以概率形式描述多帧体素模型的空间分布，并排列每一帧体素模型的最小体素包围盒的概率，组成超高维向量(Superhigh-Dimensional)的样本空间。
如图6所示，为单个体素模型组成的超高维样本。将体素模型在包围盒内占据的体素的概率设为1，空闲的体素的概率设为0。将包围盒所有体素单元的概率按列排列，组成超高维列向量。对所有帧体素模型进行上述操作，组成一个样本空间。
步骤五、对所述样本空间进行降维，获得降维后的本质参量。
以降到6维为例，图7所示为使用LLE降维算法将体素模型提取为6维的呼吸特征曲线，共同表征整个胸腹腔体素模型的呼吸运动随时间变化的特点。
步骤六、根据本质参量、体积特征和面积特征获得能够表征体素模型的特征变量。
将本质参量ψ＝[ψ1,ψ2,..,ψm]、体积特征V和面积特征S合在一起，获得能够表征体素模型不同状态的特征变量Γ，其中，Γ＝[VS…ψ1,ψ2,..,ψm]T。
图3，4，7所示，为根据本发明所提方法得到的基于体素模型呼吸运动表征结果，从结果可以看出，各特征均反映呼吸特征变化，并且各特征反映的呼吸特征均不同，反映出胸腹体表呼吸特征多样性的特点。区别于传统的有限体表标记点表征方法，组合多特征的特征变量表征体表运动信息更全面。本发明的方法可以实现对整个胸腹体表呼吸运动的表征。
传统的体表标记点表征方法是利用有限个体表标记点的x，y，z运动来表征体表运动，具有表征信息不全面的缺点。本发明基于体素模型进行呼吸表征，是对整个体表模型进行呼吸特征提取，体积、面积以及降维的结果反映的都是整个模型的特征信息，具有表征更全面的特点。并且将上述特征组成一个特征向量，即为该方法最终得到的表征向量，便于后续与内部肿瘤运动建立关联模型，因此，本发明具有很好的应用前景。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (8)

1.一种基于体素模型的呼吸特性表征的方法，其特征在于，包括以下步骤：
使用相机连续采集人体胸腹体表的多帧深度图像，对所述多帧深度图像进行三维建模，获得在时间序列上的多帧体素模型；
遍历所述多帧体素模型的体素单元，提取所述多帧体素模型的体积特征和面积特征；
获取所述多帧体素模型的公共最小体素包围盒；
以概率形式描述多帧体素模型的空间分布，并排列每一帧体素模型的最小体素包围盒的概率，组成超高维向量的样本空间；
对所述样本空间进行降维，获得降维后的本质参量；
根据本质参量、体积特征和面积特征获得能够表征体素模型的特征变量。
2.如权利要求1所述的基于体素模型的呼吸特性表征的方法，其特征在于，所述“体积特征”为多帧体素模型整体的体积变化状态特征。
3.如权利要求1所述的基于体素模型的呼吸特性表征的方法，其特征在于，所述“面积特征”为多帧所述体素模型整体的外层表面积变化状态特征。
4.如权利要求1所述的基于体素模型的呼吸特性表征的方法，其特征在于，所述“使用相机连续采集人体胸腹体表的多帧深度图像，对所述多帧深度图像进行三维建模，获得在时间序列上的多帧体素模型”，具体包括以下步骤：
S11、利用2台固定不动的RGB-D相机对运动的人体胸腹体表进行连续多帧深度图像的采集；
S12、使用滤波算法对深度图像的点云数据去噪，使用移动最小二乘法平滑点云，并使用ICP算法对点云数据融合；
S13、使用阈值滤波对深度图像的人体数据与医疗平台背景数据的分割；
S14、使用边界插值的方法将表面模型构建为封闭模型；
S15、利用泊松重建的方法对人体体表三维曲面进行快速化拟合；
S16、利用Octomap建立三维人体胸腹部的体素模型，获得在时间序列上的多帧体素模型。
5.如权利要求1所述的基于体素模型的呼吸特性表征的方法，其特征在于，所述“获取所述多帧体素模型的公共最小体素包围盒”，具体包括：
记每帧体素模型为Mi，而Mi∈M，M为所有帧的体素模型；
遍历M，计算Mi的最小包围盒，记录最小包围盒长
Figure FDA0002248053670000021
宽
Figure FDA0002248053670000022
高
Figure FDA0002248053670000023
记为LMi∈L，WMi∈W，HMi∈H，其中，L为所有帧的体素模型的最小包围盒长的集合，W为所有帧的体素模型的最小包围盒宽的集合，H为所有帧的体素模型的最小包围盒高的集合；
在L，W，H中找出Lmax，Lmin，Wmax，Wmin，Hmax，Hmin，构成一个公共最小体素包围盒B，B按照M的体素分辨率划分空间。
6.如权利要求1所述的基于体素模型的呼吸特性表征的方法，其特征在于，所述“以概率形式描述多帧体素模型的空间分布”，具体包括：
将体素模型在包围盒内占据的体素的概率设为1，空闲的体素的概率设为0，获得每帧体素模型在最小公共包围盒中的空间分布。
7.如权利要求1所述的基于体素模型的呼吸特性表征的方法，其特征在于，所述“对所述样本空间进行降维”，具体包括：使用LLE降维算法对样本空间降维。
8.如权利要求1所述的基于体素模型的呼吸特性表征的方法，其特征在于，“根据本质参量、体积特征和面积特征获得能够表征体素模型的特征变量”，具体包括：
将本质参量ψ＝[ψ1，ψ2，..，ψm]、体积特征V和面积特征S合并，获得能够表征体素模型不同状态的特征变量Γ，其中，Γ＝[VS...ψ1，ψ2，..，ψm]T。
CN201911023806.1A 2019-10-25 2019-10-25 一种基于体素模型的呼吸特性表征的方法 Pending CN110752004A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201911023806.1A CN110752004A (zh) 2019-10-25 2019-10-25 一种基于体素模型的呼吸特性表征的方法
PCT/CN2019/119693 WO2021077515A1 (zh) 2019-10-25 2019-11-20 一种基于体素模型的呼吸特性表征的方法
US17/056,758 US11373367B2 (en) 2019-10-25 2019-11-20 Method for characterization of respiratory characteristics based on voxel model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911023806.1A CN110752004A (zh) 2019-10-25 2019-10-25 一种基于体素模型的呼吸特性表征的方法

Publications (1)

Publication Number Publication Date
CN110752004A true CN110752004A (zh) 2020-02-04

Family

ID=69279937

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911023806.1A Pending CN110752004A (zh) 2019-10-25 2019-10-25 一种基于体素模型的呼吸特性表征的方法

Country Status (3)

Country Link
US (1) US11373367B2 (zh)
CN (1) CN110752004A (zh)
WO (1) WO2021077515A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115187608A (zh) * 2022-09-14 2022-10-14 苏州大学 一种基于体表显著性分析的呼吸特征提取方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060228036A1 (en) * 2005-03-29 2006-10-12 Avinash Gopal B Volumetric image enhancement system and method
CN1900975A (zh) * 1999-03-18 2007-01-24 纽约州立大学研究基金会 实行三维虚拟检查、导引行进和可视化的系统和方法
CN109887573A (zh) * 2019-04-01 2019-06-14 哈尔滨理工大学 面向放疗的人体胸腹表面运动预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104395933B (zh) 2012-06-27 2017-05-17 皇家飞利浦有限公司 运动参数估计
CN103761745B (zh) 2013-07-31 2017-04-12 深圳大学 一种肺部运动模型估计方法及系统
US11056243B2 (en) 2015-12-21 2021-07-06 Elekta Ab (Publ) Systems and methods for optimizing treatment planning
JP7232192B2 (ja) 2017-03-24 2023-03-02 コーニンクレッカ フィリップス エヌ ヴェ データ駆動型呼吸性体動推定方法
EP3392832A1 (en) * 2017-04-21 2018-10-24 General Electric Company Automated organ risk segmentation machine learning methods and systems
CN107403407A (zh) 2017-08-04 2017-11-28 深圳市唯特视科技有限公司 一种基于热成像技术的呼吸跟踪方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1900975A (zh) * 1999-03-18 2007-01-24 纽约州立大学研究基金会 实行三维虚拟检查、导引行进和可视化的系统和方法
US20060228036A1 (en) * 2005-03-29 2006-10-12 Avinash Gopal B Volumetric image enhancement system and method
CN109887573A (zh) * 2019-04-01 2019-06-14 哈尔滨理工大学 面向放疗的人体胸腹表面运动预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
后鹏程 等: ""基于3D点云的胸腹表面与肿瘤运动之间的相关性：一种初步研究"", 《IEEE》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115187608A (zh) * 2022-09-14 2022-10-14 苏州大学 一种基于体表显著性分析的呼吸特征提取方法
WO2024055386A1 (zh) * 2022-09-14 2024-03-21 苏州大学 一种基于体表显著性分析的呼吸特征提取方法

Also Published As

Publication number Publication date
US11373367B2 (en) 2022-06-28
WO2021077515A1 (zh) 2021-04-29
US20210375037A1 (en) 2021-12-02

Similar Documents

Publication Publication Date Title
CN109544677B (zh) 基于深度图像关键帧的室内场景主结构重建方法及系统
Li et al. Analyzing growing plants from 4D point cloud data
CN100562895C (zh) 一种基于区域分割和分段学习的三维人脸动画制作的方法
CN102880866B (zh) 一种人脸特征提取方法
CN102855470B (zh) 基于深度图像的人体姿态估计方法
CN103733226A (zh) 快速的有关节运动的跟踪
CN109859184B (zh) 一种连续扫描乳腺超声图像的实时检测与决策融合方法
CN102222357B (zh) 基于图像分割和网格细分的脚型三维表面重建方法
CN115943436A (zh) 快速和深度脸部变形
WO2007102537A1 (ja) 姿勢推定装置および方法
CN111368759B (zh) 基于单目视觉的移动机器人语义地图构建系统
CN104545999B (zh) 一种超声图像膀胱容积测量方法及装置
Pantoja-Rosero et al. Generating LOD3 building models from structure-from-motion and semantic segmentation
Ghebreab et al. Combining strings and necklaces for interactive three-dimensional segmentation of spinal images using an integral deformable spine model
CN111524226A (zh) 讽刺肖像画的关键点检测与三维重建方法
CN110752004A (zh) 一种基于体素模型的呼吸特性表征的方法
Danckaers et al. Building 3D statistical shape models of horticultural products
WO2023133125A1 (en) System and method for mapping the skin
da Silva Tavares Image processing and analysis: applications and trends
CN109785340A (zh) 基于多图谱的心脏磁共振图像右心室分割计算设备及方法
CN111968113B (zh) 一种基于最优传输映射的脑影像二维卷积深度学习方法
Budianti et al. Background blurring and removal for 3d modelling of cultural heritage objects
Chaudhury et al. Geometry reconstruction of plants
Woodward et al. Low cost virtual face performance capture using stereo web cameras
US20230206493A1 (en) Processing images of objects and object portions, including multi-object arrangements and deformed objects

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200204

RJ01 Rejection of invention patent application after publication