CN110782489B - 影像数据的匹配方法、装置、设备及计算机可读存储介质 - Google Patents
影像数据的匹配方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110782489B CN110782489B CN201910998244.6A CN201910998244A CN110782489B CN 110782489 B CN110782489 B CN 110782489B CN 201910998244 A CN201910998244 A CN 201910998244A CN 110782489 B CN110782489 B CN 110782489B
- Authority
- CN
- China
- Prior art keywords
- matched
- image
- sequence
- matching
- volume
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06T7/38—Registration of image sequences
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20—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
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例提供一种影像数据的匹配方法、装置、设备及计算机可读存储介质。该方法包括:获取多期的待匹配对象的影像序列,每期待匹配对象的影像序列包括多层包含待匹配对象的第一图像;对多期的待匹配对象的影像序列,确定每层第一图像中待匹配对象所在的目标图像区域;根据第一图像的层级和目标图像区域对应的待匹配对象的体积,确定多期的待匹配对象的影像序列之间的匹配关系,第一图像的层级是指对待匹配对象扫描时的顺序;基于匹配关系,对多期的待匹配对象的影像序列进行匹配。解决了现有技术存在的对多期影像数据匹配效率和匹配准确度低的问题。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种影像数据的匹配方法、装置、设备及计算机可读存储介质。
背景技术
当代社会,各种癌症的发病率与死亡率都在不断的提升。多数病人由于早期诊断不足,导致治疗效果与愈后效果都很差。要想更早的发现癌症,不仅需要警惕一些身体的异常报警信号,还需要养成定期体检、定期复查的习惯。而随着医疗水平的不断提高,医学影像成为辅助医生进行诊断的得力帮手。针对身体病变,目前医学界普遍认为电子计算机断层扫描(Computed Tomography,CT)的影像最有助于有效发现早期癌症。因此,对病人定期进行检查而产生的多期数据进行对比分析的任务变得尤其重要。
但是,受拍摄环境等因素的影响,同一个患者的多期数据之间不是完全匹配的,医生需要同时浏览多个序列的数据,来对比判断患者的病情发展。因此,同一患者的多期数据之间的匹配就显得尤为重要,现有的匹配方法主要是通过人工阅片来进行配准,因此匹配效率和匹配准确度都较低。
发明内容
本发明实施例提供一种影像数据的匹配方法、装置、设备及计算机可读存储介质,以解决现有技术中人工匹配的匹配效率和匹配准确度较低的问题。
第一方面,本发明实施例提供一种影像数据的匹配方法,包括:获取多期的待匹配对象的影像序列,每期所述待匹配对象的影像序列包括多层包含所述待匹配对象的第一图像;对所述多期的待匹配对象的影像序列,确定每层所述第一图像中待匹配对象所在的目标图像区域;根据所述第一图像的层级和所述目标图像区域对应的待匹配对象的体积,确定所述多期的待匹配对象的影像序列之间的匹配关系,所述第一图像的层级是指对所述待匹配对象扫描时的顺序;基于所述匹配关系,对所述多期的待匹配对象的影像序列进行匹配。
第二方面,本发明实施例提供一种影像数据的匹配装置,包括:
获取模块,用于获取多期的待匹配对象的影像序列,每期所述待匹配对象的影像序列包括多层包含所述待匹配对象的第一图像;
第一确定模块,用于对所述多期的待匹配对象的影像序列,确定每层所述第一图像中待匹配对象所在的目标图像区域;
第二确定模块,用于根据所述第一图像的层级和所述目标图像区域对应的待匹配对象的体积,确定所述多期的待匹配对象的影像序列之间的匹配关系,所述第一图像的层级是指对所述待匹配对象扫描时的顺序;
匹配模块,用于基于所述匹配关系,对所述多期的待匹配对象的影像序列进行匹配。
第三方面,本发明实施例提供一种影像数据的匹配设备,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现第一方面所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行以实现第一方面所述的方法。
本发明实施例提供的一种影像数据的匹配方法、装置、设备及计算机可读存储介质,通过获取多期的待匹配对象的影像序列,每期所述待匹配对象的影像序列包括多层包含所述待匹配对象的第一图像;对所述多期的待匹配对象的影像序列,确定每层所述第一图像中待匹配对象所在的目标图像区域;根据所述第一图像的层级和所述目标图像区域对应的待匹配对象的体积,确定所述多期的待匹配对象的影像序列之间的匹配关系,所述第一图像的层级是指对所述待匹配对象扫描时的顺序;基于所述匹配关系,对所述多期的待匹配对象的影像序列进行匹配。由于根据所述目标图像区域对应的待匹配对象的体积,来确定所述多期的待匹配对象的影像序列之间的匹配关系,因此,能够自动且快速的对多期的待匹配对象的影像数据进行配准与校正,解决了现有技术存在的对影像数据的匹配效率和匹配准确度低的问题。
附图说明
图1为本发明实施例提供的影像数据的匹配方法流程图;
图2为本发明实施例提供的肺部CT影像图;
图3为本发明另一实施例提供的影像数据的匹配方法流程图;
图4为本发明实施例提供的肺部CT数据在三维坐标系的示意图;
图5为本发明另一实施例提供的影像数据的匹配方法流程图;
图6为本发明另一实施例提供的影像数据的匹配方法流程图;
图7为本发明实施例提供的影像数据的匹配装置的结构示意图;
图8为本发明实施例提供的影像数据的匹配设备的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
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公开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、本公开的一些方面相一致的装置和方法的例子。
本发明实施例提供的影像数据的匹配方法,旨在解决现有技术的如上技术问题。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
图1为本发明实施例提供的影像数据的匹配方法流程图。图2为本发明实施例提供的肺部CT影像图。本发明实施例针对现有技术的如上技术问题,提供了影像数据的匹配方法,该方法具体步骤如下:
步骤101、获取多期的待匹配对象的影像序列,每期待匹配对象的影像序列包括多层包含待匹配对象的第一图像。
本实施例中,待匹配对象可以是肺部,也可以是人体的其他部位,例如,脑部、心脏、肾脏、肝部等其他部位,在本实施例以及本发明的以下实施例中,均以肺部为例进行说明,但不应当理解为对本发明的限定。
可选的,待匹配对象的影像序列可以是通过现有医疗影像设备对待匹配对象的扫描或拍摄得到的CT序列。
其中,多期的影像序列指的是同一患者在多个时期进行体检或者检查产生的影像序列。例如,患者A在定期体检或者定期复查时,每一次体检或者复查都会产生多张影像,每一次体检或者复查产生的这些影像为一个影像序列。其中,每一张影像都是对人体某一部位的某一层进行扫描得到。在待匹配对象为肺部时,可以按照从人体正面到人体背面的方向对肺部进行扫描,每扫描一次,就会得到一张肺部图像。每张肺部图像代表的是从人体正面到人体背面的方向上肺部的某一层的图像,所有层的图像累加起来可以得到三维的肺部图像,即一期的肺部影像序列。假设一个肺部影像序列中包含200张肺部图像,则这200张肺部图像中的每一张都是对肺部的某一层进行扫描得到的。应当理解的是,扫描的方向在此处只是举例说明,并不对扫描的方向做具体限定,本领域技术人员可以按照实际需求来设定扫描方向。
由于在对肺部进行扫描时,可能会将肺外区域也扫描到,因此,对肺部进行扫描得到的影像序列中,包括含有肺部的第一图像,也包括不含有肺部(即肺外区域)的第二图像。
步骤102、对多期的待匹配对象的影像序列,确定每层第一图像中待匹配对象所在的目标图像区域。
如图2所示,在其所展示的第一图像中,A区域为肺部区域,即待匹配对象所在的目标图像区域。
步骤103、根据第一图像的层级和目标图像区域对应的待匹配对象的体积,确定多期的待匹配对象的影像序列之间的匹配关系,其中,第一图像的层级是指对待匹配对象扫描时的顺序。
可选的,在待匹配对象是肺部时,多期的待匹配对象的影像序列之间的匹配关系是指多期的肺部影像序列之间肺部图像之间的对应关系,以及相匹配的至少两个肺部图像中像素点之间的对应关系。由于肺部区域包含了大量的特征信息,例如,多层的目标图像区域在按照扫描层级累加起来后,可以得到三维的待匹配对象区域,三维的待匹配对象区域会对应有一个待匹配对象的体积。因此,待匹配对象的扫描层级与体积之间具有一定的对应关系,可以通过待匹配对象的扫描层级与体积之间的对应关系,来确定多期的待匹配对象的影像序列之间的匹配关系。
其中,第一图像的层级是指在采用电子计算机断层扫描待匹配对象时,扫描的顺序。例如,电子计算机断层扫描对待匹配对象进行第一次扫描时,得到的第一张第一图像的层级即为1,以此类推,第N次扫描得到的是第N张第一图像的层级为N。
步骤104、基于匹配关系,对多期的待匹配对象的影像序列进行匹配。
具体的,在经过上述步骤得到多期的待匹配对象的影像序列之间第一图像之间的对应关系,以及相匹配的至少两个第一图像中像素点之间的对应关系后,就可以根据多期的待匹配对象的影像序列之间待匹配对象的第一图像之间的对应关系对多期的待匹配对象的影像序列之间待匹配对象的第一图像进行匹配,以及对相匹配的至少两个待匹配对象的第一图像中像素点进行匹配,从而实现将多期的待匹配对象的影像序列进行匹配。
本发明实施例通过获取多期的待匹配对象的影像序列,每期待匹配对象的影像序列包括多层包含待匹配对象的第一图像;对多期的待匹配对象的影像序列,确定每层第一图像中待匹配对象所在的目标图像区域;根据第一图像的层级和目标图像区域对应的待匹配对象的体积,确定多期的待匹配对象的影像序列之间的匹配关系,第一图像的层级是指对待匹配对象扫描时的顺序;基于匹配关系,对多期的待匹配对象的影像序列进行匹配。由于根据目标图像区域对应的待匹配对象的体积,来确定多期的待匹配对象的影像序列之间的匹配关系,因此,能够自动且快速的对多期的待匹配对象的影像数据进行配准与校正,解决了现有技术存在的对影像数据的匹配效率和匹配准确度低的问题。
图3为本发明另一实施例提供的影像数据的匹配方法流程图。图4为本发明实施例提供的影像数据在三维坐标系的示意图。在上述实施例的基础上,本实施例提供的影像数据的匹配方法具体包括如下步骤:
步骤301、在多期的待匹配对象的影像序列中确定标准序列和至少一个待匹配序列。
具体的,可以选定多期的待匹配对象的影像序列中的某一个待匹配对象的影像序列作为标准序列,其他待匹配对象的影像序列则为待配准序列。其中,本发明实施例对于标准序列的选取不做限定,本领域技术人员可以根据实际需求选取标准序列。例如,可以是选择拍摄角度较正、拍摄时间较早的待匹配对象的影像序列作为标准序列。
步骤302、计算标准序列中各层第一图像所属的层级与该层级对应的待匹配对象的体积之间的第一匹配关系。
可选的,在待匹配对象为肺部时,假设在标准序列中肺的顶层为第a层,则第m层肺部图像的肺部区域对应的体积为:从第a层到第m层之间的所有肺部图像的肺部区域构成的三维肺部的物理体积Vm。其中,标准序列中第m层肺部图像的肺部区域对应的肺部体积可以根据从第a层到第m层之间的所有肺部图像的肺部区域在各个坐标轴方向上的像素点累加值与相应坐标轴方向上的转换系数的乘积得到。进一步的,标准序列中每层肺部图像与该层肺部图像的肺部区域对应的肺部体积之间的对应关系就是指第m层肺部图像与三维肺部的物理体积Vm之间的对应关系。
如图4所示,假设三维肺部区域的坐标方向分别为x,y,z,z方向定义为层级方向,层级方向也可以理解为扫描方向,x,y方向为每一层肺部图像的宽和高的方向。假设像素坐标系与物理坐标系在三个方向上的转换系数分别为spacing1,spacing2,spacing3。则统计z方向上的每一层肺部图像的x与y方向上肺部区域的所有数据点的总和,即像素坐标下每一层肺部图像的肺部面积,并分别与spacing1,spacing2,spacing3相乘,则可得到这一层级上肺部区域的体积。进一步的,对每一层肺部图像中肺部区域的体积进行累加,即可得到肺部体积与层级间的对应关系。根据肺部体积与层级间的对应关系,可以分别得到标准序列与待匹配序列在z方向上的体积变化,以及每个肺部影像序列的肺部总体积。
可选的,对于其他人体部位,也可以采用上述方法来确定其体积。
步骤303、计算至少一个待匹配序列中各层第一图像所属的层级与该层级对应的待匹配对象的体积之间的第二匹配关系。
具体的,对于每一个待匹配序列,步骤303的具体实施方式均可参见步骤302的介绍,本发明在此不做重复介绍。
相应的,在上述实施例的基础上,基于匹配关系,对多期的待匹配对象的影像序列进行匹配,包括:根据第一匹配关系和第二匹配关系,将标准序列和至少一个待匹配序列中体积最接近的第一图像匹配。
可选的,在待匹配对象为肺部区域时,本发明实施例基于每一层第一图像所对应的待匹配对象的体积对不同影像序列进行匹配,从而将标准序列和至少一个待匹配序列中的肺部图像匹配起来。例如,标准序列中第m层对应的体积为Vm,待匹配序列中第n层对应的体积为Vn,而Vm与Vn大小相同或最为接近,则认为标准序列中第m层与待匹配序列中第n层匹配。
本发明实施例通过计算待匹配对象的体积和待匹配对象的层级变化,并根据待匹配对象的体积和待匹配对象的层级变化对多期影像图像进行层级方向的配准,从而将多期影像序列中的第一图像自动且快速地匹配起来。
图5为本发明另一实施例提供的影像数据的匹配方法流程图。在上述实施例的基础上,本实施例提供的影像数据的匹配方法具体包括如下步骤:
步骤501、根据第一匹配关系确定第一体积,第一体积是标准序列中当前层第一图像对应的待匹配对象的体积。
可选的,在待匹配对象为肺部时,本步骤501为:根据标准序列中每层肺部图像与该层肺部图像的肺部区域对应的肺部体积之间的对应关系,确定标准序列中当前层肺部图像对应的肺部体积。
具体的,标准序列中每层肺部图像与该层肺部图像的肺部区域对应的肺部体积之间的对应关系确定后,则在获取到当前层肺部图像时,就可以通过查找标准序列中每层肺部图像与该层肺部图像的肺部区域对应的肺部体积之间的对应关系,找到当前层肺部图像对应的肺部体积。例如,假设标准序列中每层肺部图像与该层肺部图像的肺部区域对应的肺部体积之间的对应关系为标准序列中肺部图像的层号与肺部体积之间的对应关系,则在获取到当前层肺部图像的层编号为3时,就可以在对应关系中查找层编号为3的肺部图像对应的肺部体积。
步骤502、对每个待匹配序列,分别根据第二匹配关系确定多个第二体积,多个第二体积分别是待匹配序列中当前层第一图像及其相邻的预设数量层第一图像对应的待匹配对象的体积。
可选的,在待匹配对象为肺部时,本步骤502为:根据待匹配序列中每层肺部图像与该层肺部图像的肺部区域对应的肺部体积之间的对应关系,分别确定待匹配序列中当前层肺部图像及当前层肺部图像之前或之后连续的预设数量层肺部图像对应的肺部体积。在该实施方式中,
下面通过举例对步骤502进行详细说明:
例如,假设待匹配序列中每层肺部图像与该层肺部图像的肺部区域对应的肺部体积之间的对应关系为标准序列中肺部图像的层号与肺部体积之间的对应关系,以及预设数量为N,则在获取到当前层肺部图像的层编号为3时,就可以在对应关系中查找层编号为3的肺部图像对应的肺部体积,以及层编号为3的肺部图像之后N张肺部图像对应的肺部体积。
可选的,预设数量可以设置为4。预设数量设置为4是由于不同序列间的肺部体积变化差距较小,过大的预设会增加算法的复杂度,过小的预设数量又会丢失匹配度较高的肺部图像。因此,预设数量设置为4为较佳选择,当然,预设数量设置为4附近的3和5也是可以的。
步骤503、对每个待匹配序列,分别基于多个第二体积与第一体积,将待匹配序列与标准序列中的第一图像进行匹配。
在一种实施方式中,对每个待匹配序列,分别基于多个第二体积与第一体积,将待匹配序列与标准序列中的第一图像进行匹配,包括:对每个待匹配序列,分别基于多个第二体积,以及标准序列与待匹配序列的待匹配对象的总体积的第一比值,计算多个候选体积;对每个待匹配序列,分别基于第一体积与多个候选体积,将待匹配序列和标准序列中的第一图像进行匹配。
可选的,对每个待匹配序列,分别基于第一体积与多个候选体积,将待匹配序列和标准序列中的第一图像进行匹配,包括:分别计算第一体积与多个候选体积之间的差值;将最小的差值对应的待匹配序列中的第一图像与标准序列中当前层第一图像匹配。
下面以肺部为例,对本发明的另一种实施方式进行详细说明:例如,假设标准序列的肺部体积与待配准序列肺部体积的比为R,待匹配序列的某一层肺部图像为z_moving,则待匹配序列的某一层肺部图像z_moving的体积计算方法为:假设标准序列的某层肺部图像z_fix对应的肺部体积为V_fix,待匹配序列中前一个已匹配的肺部图像为pre_z_moving,则待匹配序列中前一个已匹配的肺部图像pre_z_moving之后的五层所对应的肺部体积分别为V_moving1、V_moving2、V_moving3、V_moving4、V_moving5;V_moving1、分别将V_moving2、V_moving3、V_moving4、V_moving5与R相乘,得到R*V_moving2、R*V_moving3、R*V_moving4、R*V_moving5。进一步的,将R*V_moving2、R*V_moving3、R*V_moving4、R*V_moving5分别与标准序列的某层肺部图像z_fix对应的肺部体积V_fix作差,并将最小的差值对应的待匹配序列中肺部图像与标准序列中肺部图像z_fix对应,假设R*V_moving3与标准序列的某层肺部图像z_fix对应的肺部体积为V_fix作差后差值最小,则认为V_moving3对应的待匹配序列的肺部图像与标准序列的肺部图像z_fix匹配。
在另一种实施方式中,对每个待匹配序列,分别基于多个第二体积与第一体积,将待匹配序列与标准序列中的第一图像进行匹配,包括:分别计算第一体积与多个第二体积之间的差值;将最小的差值对应的待匹配序列中的第一图像与标准序列中当前层第一图像匹配。
下面以肺部为例,对上述的一种实施方式进行详细说明:
例如,标准序列中当前层肺部图像对应的肺部体积为0.06立方米,待匹配序列中当前层肺部图像及当前层肺部图像之后连续的4层肺部图像对应的肺部体积分别为0.058立方米、0.062立方米、0.063立方米、0.059立方米,通过计算得到标准序列中当前层肺部图像对应的肺部体积与待匹配序列中当前层肺部图像及当前层肺部图像之后连续的预设数量层肺部图像对应的肺部体积的差值分别为0.002立方米、0.002立方米、0.003立方米、0.001立方米,则将差值为0.001立方米对应的两张肺部图像匹配起来,就可以将待匹配序列中的第一图像和标准序列中的第一图像匹配起来。
可选的,每期待匹配对象的影像序列还包括多层未包含待匹配对象的第二图像。则根据第一匹配关系和第二匹配关系,将标准序列和待匹配序列中体积最接近的第一图像匹配后,本发明实施例的方法还可以包括:计算待匹配序列中第二图像的层数与标准序列中第二图像的层数的第二比值;基于标准序列中第二图像的层级与第二比值的乘积,将乘积对应的标准序列和待匹配序列中未匹配的第二图像进行匹配。例如,假设每次扫描得到100张图像,其中每张图像都具有层编号,具体可以按照扫描时间的先后顺序来进行编号,假设图像的层编号为1-100,其中,标准序列中第2-80层为肺部图像,则第1层、第81-100层为肺外区域图像;待匹配序列中第3-81层为肺部图像,则第1-2层、第82-100层为肺外区域图像;则为了保证数据的完整性,还需要进一步将待匹配序列中第1-2层、第82-100层的肺外区域图像与标准序列中第1层、第81-100层的肺外区域图像进行匹配。具体的,假设标准序列与待配准序列的肺上层数分别为N_fix、N_moving,并且N_fix>N_moving。假设比值为A,则比值A=N_moving/N_fix。对于待匹配序列的某一层肺部图像的编号x,计算A*x,并对A*x四舍五入之后得到的值y,作为与待匹配序列的某一层肺部图像对应的标准序列的层编号。
可选的,根据第一匹配关系和第二匹配关系,将标准序列和待匹配序列中体积最接近的第一图像匹配后,本发明实施例的匹配方法还包括:根据待匹配序列中未匹配的第一图像的层级,以及第二匹配关系,确定未匹配的第一图像对应的第三体积;根据第一匹配关系,确定标准序列中与未匹配的第一图像相邻的至少两个第一图像对应的第四体积;将最接近第三体积的第四体积对应的第一图像,与未匹配的第一图像进行匹配。
例如,假设标准序列中共扫描得到100张图像,其中每张图像都具有编号,具体可以按照扫描时间的先后顺序来进行编号,假设标准序列中图像的编号为1-100,待匹配序列中图像的编号为1-105。在匹配时,若待匹配序列中第4层未得到匹配,则可以在标准序列中通过比较第3层的肺部体积和第5层肺部体积,将标准序列中第3层的肺部体积和第5层肺部体积中最接近待匹配序列中第4层肺部体积的层编号作为与待匹配序列中未匹配肺部图像相对应的肺部图像。假设标准序列中第3层的肺部体积最接近待匹配序列中第4层肺部体积,则将标准序列中第3层的肺部图像和待匹配序列中第4层的肺部图像匹配起来。
本发明实施例通过计算邻近的体积最接近的层对待匹配序列中未匹配的肺部图像进行匹配,经过体积匹配后的层级即为最后的匹配层,不再进行变化,即完成了多期序列间z方向的配准。
图6为本发明另一实施例提供的影像数据的匹配方法流程图。在上述实施例的基础上,本实施例提供的影像数据的匹配方法还包括如下步骤:
步骤601、根据标准序列和待匹配序列中相匹配的两个目标图像区域的重心位置坐标,计算待匹配序列中第一图像的像素点位置偏移量。
可选的,在待匹配对象为肺部时,本步骤601具体为:根据相匹配的两个肺部图像的肺部区域的重心位置坐标,计算待匹配序列中肺部图像的像素点位置偏移量;
具体的,标准序列和待匹配序列中相匹配的两个肺部图像中每个像素点在z方向上的关系(即层级关系)已由上述实施例得到,x与y方向的对应关系则可通过重心坐标间的平移关系确定。假设标准序列的三维肺的重心对应的像素坐标为(x_fix,y_fix,z_fix),待匹配序列的三维肺的重心对应的像素坐标为(x_moving,y_moving,z_moving)。则可以通过作差得到重心的偏移量为(x_fix-x_moving,y_fix-y_moving),待匹配序列的每一个像素点的x方向平移(x_fix-x_moving)、y方向平移(y_fix-y_moving)即为对应的待匹配序列中肺部图像的像素点的x方向与y方向的坐标。
步骤602、根据待匹配序列中第一图像的像素点位置偏移量,对相匹配的两个第一图像中的像素点进行匹配。
可选的,在待匹配对象为肺部时,本步骤602具体为:根据待匹配序列中肺部图像的像素点位置偏移量,对相匹配的两个肺部图像中的像素点进行匹配。
具体的,根据上述实施例得出的标准序列和待匹配序列中相匹配的肺部图像中像素点的匹配关系,遍历待匹配序列中肺部图像中的每一个像素点,根据匹配后的位置重建待匹配序列。每个待匹配序列仅需遍历一次,且计算方法简单,不需要复杂的迭代计算,即可将多期的肺部影像序列之间的肺部图像,以及相匹配的肺部图像之间的像素点匹配起来。
可选的,确定每个第一图像中待匹配对象所在的目标图像区域,包括:将第一图像输入到预先构建的检测模型;获取检测模型输出的第一图像中各像素点被判定为目标图像区域候选点的概率;将概率大于或等于概率阈值的目标图像区域候选点形成的区域作为目标图像区域。
本发明实施例通过现有的一些分割算法将目标图像区域分割出来。由于第一图像中包含目标图像区域之外的一些干扰信息,因此,需要首先将目标图像区域分割出来,得到一个完整的目标图像区域,以便于分析处理。
例如,在从肺部图像中分割出肺部区域时,具体包括:将肺部图像输入到预先构建的肺部区域检测模型;获取肺部区域检测模型输出的肺部图像中各像素点被判定为肺部区域候选点的概率;将概率大于或等于概率阈值的肺部区域候选点形成的区域作为肺部区域。其中,肺部区域检测模型可以是对深度神经网络训练得到。深度神经网络模型的结构和训练方法具体可参见现有技术,本发明在此不做赘述。
可选的,获取检测模型输出的第一图像中各像素点被判定为目标图像区域候选点的概率后,本发明实施例的方法还包括如下具体步骤:优化检测模型输出的第一图像中各像素点被判定为目标图像区域候选点的概率。相应的,将概率大于或等于概率阈值的目标图像区域候选点形成的区域作为目标图像区域,包括:将优化后的概率大于或等于概率阈值的目标图像区域候选点形成的区域作为目标图像区域。
具体的,在待匹配对象为肺部时,上述实施例包括如下具体步骤:优化肺部区域检测模型输出的肺部图像中各像素点被判定为肺部区域候选点的概率;其中,将概率大于或等于概率阈值的肺部区域候选点形成的区域作为肺部区域,包括:将优化后的概率大于或等于概率阈值的肺部区域候选点形成的区域作为肺部区域。具体的,在获取到肺部区域检测模型输出的肺部图像中各像素点被判定为肺部区域候选点的概率后,还可以结合传统的分割方法对肺部区域检测模型的输出结果进行优化,以进一步筛选掉肺部区域之外的噪声点。其中,传统的分割方法可以采用连通成分分析、轮廓查找、面积筛查等方法,本发明对此不做具体限定。
图7为本发明实施例提供的影像数据的匹配装置的结构示意图。本发明实施例提供的影像数据的匹配装置可以执行影像数据的匹配方法实施例提供的处理流程,如图7所示,影像数据的匹配装置70包括:获取模块71、第一确定模块72、第二确定模块73和匹配模块74;其中,获取模块71,用于获取多期的待匹配对象的影像序列,每期待匹配对象的影像序列包括多层包含待匹配对象的第一图像;第一确定模块72,用于对多期的待匹配对象的影像序列,确定每层第一图像中待匹配对象所在的目标图像区域;第二确定模块73,根据第一图像的层级和目标图像区域对应的待匹配对象的体积,确定多期的待匹配对象的影像序列之间的匹配关系,第一图像的层级是指对待匹配对象扫描时的顺序;匹配模块74,用于基于匹配关系,对多期的待匹配对象的影像序列进行匹配。
可选的,第二确定模块73在根据第一图像的层级和目标图像区域对应的待匹配对象的体积,确定多期的待匹配对象的影像序列之间的匹配关系时,具体用于:在多期的待匹配对象的影像序列中确定标准序列和至少一个待匹配序列;计算标准序列中各层第一图像所属的层级与层级对应的待匹配对象的体积之间的第一匹配关系;计算至少一个待匹配序列中各层第一图像所属的层级与层级对应的待匹配对象的体积之间的第二匹配关系。
可选的,匹配模块74在基于匹配关系,对多期的待匹配对象的影像序列进行匹配时,具体用于:根据第一匹配关系和第二匹配关系,将标准序列和至少一个待匹配序列中体积最接近的第一图像匹配。
可选的,匹配模块74根据第一匹配关系和第二匹配关系,将标准序列和待匹配序列中体积最接近的第一图像匹配时,具体用于:根据第一匹配关系确定第一体积,第一体积是标准序列中当前层第一图像对应的待匹配对象的体积;根据第二匹配关系确定多个第二体积,第二体积是待匹配序列中当前层第一图像及其相邻的预设数量层第一图像对应的待匹配对象的体积;基于多个第二体积与第一体积,分别将至少一个待匹配序列与标准序列中的第一图像进行匹配。
可选的,匹配模块74基于多个第二体积与第一体积,分别将至少一个待匹配序列与标准序列中的第一图像进行匹配时,具体用于:基于多个第二体积,以及标准序列与待匹配序列的待匹配对象的总体积的第一比值,计算多个候选体积;基于第一体积与多个候选体积,将待匹配序列和标准序列中的第一图像进行匹配。
可选的,匹配模块74基于第一体积与多个第二候选体积,将待匹配序列和标准序列中的第一图像进行匹配时,具体用于:分别计算第一体积与多个第二候选体积之间的差值;将最小的差值对应的待匹配序列中的第一图像与标准序列中当前层第一图像匹配。
可选的,匹配模块74基于多个第二体积与第一体积,将待匹配序列和标准序列中的第一图像进行匹配时,具体用于:分别计算第一体积与多个第二体积之间的差值;将最小的差值对应的待匹配序列中的第一图像与标准序列中当前层第一图像匹配。
可选的,每期待匹配对象的影像序列还包括多层未包含待匹配对象的第二图像;装置还包括:计算模块75;其中,计算模块75,用于计算待匹配序列中第二图像的层数与标准序列中第二图像的层数的第二比值;匹配模块74,还用于基于标准序列中第二图像的层级与第二比值的乘积,将乘积对应的标准序列和待匹配序列中未匹配的第二图像进行匹配。
可选的,第二确定模块73,还用于根据待匹配序列中未匹配的第一图像的层级,以及第二匹配关系,确定未匹配的第一图像对应的第三体积;第二确定模块73,还用于根据第一匹配关系,确定标准序列中与未匹配的第一图像相邻的至少两个第一图像对应的第四体积;匹配模块74,还用于将最接近第三体积的第四体积对应的第一图像,与未匹配的第一图像进行匹配。
可选的,匹配模块74根据第一图像的层级和目标图像区域对应的待匹配对象的体积,确定多期的待匹配对象的影像序列之间的匹配关系时,具体用于:根据标准序列和待匹配序列中相匹配的两个目标图像区域的重心位置坐标,计算待匹配序列中第一图像的像素点位置偏移量;根据待匹配序列中第一图像的像素点位置偏移量,对相匹配的两个第一图像中的像素点进行匹配。
可选的,第一确定模块72确定每个第一图像中待匹配对象所在的目标图像区域时,具体用于:将第一图像输入到预先构建的检测模型;获取检测模型输出的第一图像中各像素点被判定为目标图像区域候选点的概率;将概率大于或等于概率阈值的目标图像区域候选点形成的区域作为目标图像区域。
可选的,该装置还包括:优化模块76;其中,优化模块76,用于优化检测模型输出的第一图像中各像素点被判定为目标图像区域候选点的概率;第一确定模块72将概率大于或等于概率阈值的目标图像区域候选点形成的区域作为目标图像区域时,具体用于:将优化后的概率大于或等于概率阈值的目标图像区域候选点形成的区域作为目标图像区域。
图7所示实施例的影像数据的匹配装置可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图8为本发明实施例提供的影像数据的匹配设备的结构示意图。本发明实施例提供的影像数据的匹配设备可以执行影像数据的匹配方法实施例提供的处理流程,如图8所示,影像数据的匹配设备80包括:存储器81、处理器82、计算机程序和通讯接口83;其中,计算机程序存储在存储器81中,并被配置为由处理器82执行上述方法实施例的步骤。
图8所示实施例的影像数据的匹配设备可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
另外,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行以实现上述实施例所述的影像数据的匹配方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种影像数据的匹配方法,其特征在于,包括:
获取多期的待匹配对象的影像序列,每期所述待匹配对象的影像序列包括多层包含所述待匹配对象的第一图像;
对所述多期的待匹配对象的影像序列,确定每层所述第一图像中待匹配对象所在的目标图像区域;
根据所述第一图像的层级和所述目标图像区域对应的待匹配对象的体积,确定所述多期的待匹配对象的影像序列之间的匹配关系,所述第一图像的层级是指对所述待匹配对象扫描时的顺序;
基于所述匹配关系,对所述多期的待匹配对象的影像序列进行匹配;
所述根据所述第一图像的层级和所述目标图像区域对应的待匹配对象的体积,确定所述多期的待匹配对象的影像序列之间的匹配关系,包括:
在所述多期的待匹配对象的影像序列中确定标准序列和至少一个待匹配序列;
计算所述标准序列中各层所述第一图像所属的层级与所述层级对应的待匹配对象的体积之间的第一匹配关系;
计算至少一个所述待匹配序列中各层所述第一图像所属的层级与所述层级对应的待匹配对象的体积之间的第二匹配关系;
所述基于所述匹配关系,对所述多期的待匹配对象的影像序列进行匹配,包括:
根据所述第一匹配关系确定第一体积,所述第一体积是所述标准序列中当前层所述第一图像对应的待匹配对象的体积;
对每个所述待匹配序列,分别根据所述第二匹配关系确定多个第二体积,所述多个第二体积分别是所述待匹配序列中当前层所述第一图像及其相邻的预设数量层第一图像对应的待匹配对象的体积;
对每个所述待匹配序列,分别基于所述多个第二体积与所述第一体积,将所述待匹配序列与所述标准序列中的所述第一图像进行匹配;
所述对每个所述待匹配序列,分别基于所述多个第二体积与所述第一体积,将所述待匹配序列与所述标准序列中的所述第一图像进行匹配,包括:
对每个所述待匹配序列,分别基于所述多个第二体积,以及所述标准序列与所述待匹配序列的待匹配对象的总体积的第一比值,计算多个候选体积;对每个所述待匹配序列,分别基于所述第一体积与所述多个候选体积,将所述待匹配序列和所述标准序列中的所述第一图像进行匹配;
或者,
分别计算所述第一体积与所述多个第二体积之间的差值;将最小的所述差值对应的所述待匹配序列中的所述第一图像与所述标准序列中当前层所述第一图像匹配。
2.根据权利要求1所述的方法,其特征在于,所述对每个所述待匹配序列,分别基于所述第一体积与所述多个候选体积,将所述待匹配序列和所述标准序列中的所述第一图像进行匹配,包括:
分别计算所述第一体积与所述多个候选体积之间的差值;
将最小的所述差值对应的所述待匹配序列中的所述第一图像与所述标准序列中当前层所述第一图像匹配。
3.根据权利要求1或2所述的方法,其特征在于,所述每期所述待匹配对象的影像序列还包括多层未包含所述待匹配对象的第二图像;
所述根据所述第一匹配关系和所述第二匹配关系,将所述标准序列和所述待匹配序列中体积最接近的所述第一图像匹配后,所述方法还包括:
计算所述待匹配序列中所述第二图像的层数与所述标准序列中所述第二图像的层数的第二比值;
基于所述标准序列中所述第二图像的层级与所述第二比值的乘积,将所述乘积对应的所述标准序列和所述待匹配序列中未匹配的所述第二图像进行匹配。
4.根据权利要求1所述的方法,其特征在于,所述根据所述第一匹配关系和所述第二匹配关系,将所述标准序列和所述待匹配序列中体积最接近的所述第一图像匹配后,所述方法还包括:
根据所述待匹配序列中未匹配的所述第一图像的层级,以及所述第二匹配关系,确定所述未匹配的所述第一图像对应的第三体积;
根据所述第一匹配关系,确定所述标准序列中与所述未匹配的第一图像相邻的至少两个所述第一图像对应的第四体积;
将最接近所述第三体积的所述第四体积对应的所述第一图像,与所述未匹配的第一图像进行匹配。
5.根据权利要求1-2、4任一项所述的方法,其特征在于,所述根据所述目标图像区域对应的待匹配对象的体积,确定所述多期的待匹配对象的影像序列之间的匹配关系,包括:
根据所述标准序列和所述待匹配序列中相匹配的两个所述目标图像区域的重心位置坐标,计算所述待匹配序列中所述第一图像的像素点位置偏移量;
根据所述待匹配序列中所述第一图像的像素点位置偏移量,对相匹配的两个所述第一图像中的像素点进行匹配。
6.根据权利要求1所述的方法,其特征在于,所述确定每个所述第一图像中待匹配对象所在的目标图像区域,包括:
将所述第一图像输入到预先构建的检测模型;
获取所述检测模型输出的所述第一图像中各像素点被判定为所述目标图像区域候选点的概率;
将所述概率大于或等于概率阈值的所述目标图像区域候选点形成的区域作为所述目标图像区域。
7.一种影像数据的匹配装置,其特征在于,包括:
获取模块,用于获取多期的待匹配对象的影像序列,每期所述待匹配对象的影像序列包括多层包含所述待匹配对象的第一图像;
第一确定模块,用于对所述多期的待匹配对象的影像序列,确定每层所述第一图像中待匹配对象所在的目标图像区域;
第二确定模块,根据所述第一图像的层级和所述目标图像区域对应的待匹配对象的体积,确定所述多期的待匹配对象的影像序列之间的匹配关系,所述第一图像的层级是指对所述待匹配对象扫描时的顺序;
匹配模块,用于基于所述匹配关系,对所述多期的待匹配对象的影像序列进行匹配;
所述第二确定模块,在根据所述第一图像的层级和所述目标图像区域对应的待匹配对象的体积,确定所述多期的待匹配对象的影像序列之间的匹配关系时,具体用于:在所述多期的待匹配对象的影像序列中确定标准序列和至少一个待匹配序列;计算所述标准序列中各层所述第一图像所属的层级与所述层级对应的待匹配对象的体积之间的第一匹配关系;计算至少一个所述待匹配序列中各层所述第一图像所属的层级与所述层级对应的待匹配对象的体积之间的第二匹配关系;
所述匹配模块在基于所述匹配关系,对所述多期的待匹配对象的影像序列进行匹配时,具体用于:
根据所述第一匹配关系确定第一体积,所述第一体积是所述标准序列中当前层所述第一图像对应的待匹配对象的体积;
对每个所述待匹配序列,分别根据所述第二匹配关系确定多个第二体积,所述多个第二体积分别是所述待匹配序列中当前层所述第一图像及其相邻的预设数量层第一图像对应的待匹配对象的体积;
对每个所述待匹配序列,分别基于所述多个第二体积与所述第一体积,将所述待匹配序列与所述标准序列中的所述第一图像进行匹配;
所述对每个所述待匹配序列,分别基于所述多个第二体积与所述第一体积,将所述待匹配序列与所述标准序列中的所述第一图像进行匹配,包括:
对每个所述待匹配序列,分别基于所述多个第二体积,以及所述标准序列与所述待匹配序列的待匹配对象的总体积的第一比值,计算多个候选体积;对每个所述待匹配序列,分别基于所述第一体积与所述多个候选体积,将所述待匹配序列和所述标准序列中的所述第一图像进行匹配;
或者,
分别计算所述第一体积与所述多个第二体积之间的差值;将最小的所述差值对应的所述待匹配序列中的所述第一图像与所述标准序列中当前层所述第一图像匹配。
8.一种影像数据的匹配设备,其特征在于,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如权利要求1-6中任一所述的方法。
9.一种计算机可读存储介质,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如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910998244.6A CN110782489B (zh) | 2019-10-21 | 2019-10-21 | 影像数据的匹配方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910998244.6A CN110782489B (zh) | 2019-10-21 | 2019-10-21 | 影像数据的匹配方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110782489A CN110782489A (zh) | 2020-02-11 |
CN110782489B true CN110782489B (zh) | 2022-09-30 |
Family
ID=69386133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910998244.6A Active CN110782489B (zh) | 2019-10-21 | 2019-10-21 | 影像数据的匹配方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782489B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233156B (zh) * | 2020-10-14 | 2022-02-15 | 俐玛精密测量技术(苏州)有限公司 | 微纳米ct投影数据的中心切片对齐方法 |
CN112686866A (zh) * | 2020-12-31 | 2021-04-20 | 安徽科大讯飞医疗信息技术有限公司 | 基于医学影像的随访方法、装置及计算机可读存储介质 |
CN113298157A (zh) * | 2021-05-28 | 2021-08-24 | 上海商汤智能科技有限公司 | 病灶匹配方法及装置、电子设备和存储介质 |
CN113902780B (zh) * | 2021-08-31 | 2023-02-21 | 数坤(北京)网络科技股份有限公司 | 一种影像配准方法、装置、设备和可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009003198A1 (en) * | 2007-06-28 | 2008-12-31 | Mayo Foundation For Medical Education And Research | System and method for automatically detecting change in a series of medical images of a subject over time |
CN107133946A (zh) * | 2017-04-28 | 2017-09-05 | 上海联影医疗科技有限公司 | 医学图像处理方法、装置及设备 |
WO2018075053A1 (en) * | 2016-10-21 | 2018-04-26 | Siemens Aktiengesellschaft | Object pose based on matching 2.5d depth information to 3d information |
CN109256216A (zh) * | 2018-08-14 | 2019-01-22 | 平安医疗健康管理股份有限公司 | 医学数据处理方法、装置、计算机设备和存储介质 |
CN109754394A (zh) * | 2018-12-28 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 三维医学图像处理装置及方法 |
CN110021025A (zh) * | 2019-03-29 | 2019-07-16 | 上海联影智能医疗科技有限公司 | 感兴趣区域的匹配和显示方法、装置、设备及存储介质 |
CN110232686A (zh) * | 2019-06-19 | 2019-09-13 | 东软医疗系统股份有限公司 | 肺结节随访图像的获取方法、装置、ct设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10504250B2 (en) * | 2018-01-27 | 2019-12-10 | Uih America, Inc. | Systems and methods for correcting mismatch induced by respiratory motion in positron emission tomography image reconstruction |
-
2019
- 2019-10-21 CN CN201910998244.6A patent/CN110782489B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009003198A1 (en) * | 2007-06-28 | 2008-12-31 | Mayo Foundation For Medical Education And Research | System and method for automatically detecting change in a series of medical images of a subject over time |
WO2018075053A1 (en) * | 2016-10-21 | 2018-04-26 | Siemens Aktiengesellschaft | Object pose based on matching 2.5d depth information to 3d information |
CN107133946A (zh) * | 2017-04-28 | 2017-09-05 | 上海联影医疗科技有限公司 | 医学图像处理方法、装置及设备 |
CN109256216A (zh) * | 2018-08-14 | 2019-01-22 | 平安医疗健康管理股份有限公司 | 医学数据处理方法、装置、计算机设备和存储介质 |
CN109754394A (zh) * | 2018-12-28 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 三维医学图像处理装置及方法 |
CN110021025A (zh) * | 2019-03-29 | 2019-07-16 | 上海联影智能医疗科技有限公司 | 感兴趣区域的匹配和显示方法、装置、设备及存储介质 |
CN110232686A (zh) * | 2019-06-19 | 2019-09-13 | 东软医疗系统股份有限公司 | 肺结节随访图像的获取方法、装置、ct设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110782489A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782489B (zh) | 影像数据的匹配方法、装置、设备及计算机可读存储介质 | |
US7315639B2 (en) | Method of lung lobe segmentation and computer system | |
CN111539944B (zh) | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 | |
Diciotti et al. | Automated segmentation refinement of small lung nodules in CT scans by local shape analysis | |
US8837789B2 (en) | Systems, methods, apparatuses, and computer program products for computer aided lung nodule detection in chest tomosynthesis images | |
JP5764147B2 (ja) | 心臓イメージングにおける関心領域定義 | |
US9659390B2 (en) | Tomosynthesis reconstruction with rib suppression | |
US20070109299A1 (en) | Surface-based characteristic path generation | |
CN109791692A (zh) | 使用来自感兴趣区域的不同视角的多个图像进行计算机辅助检测以提高检测准确度 | |
WO2003046833A2 (en) | Automatic detection and quantification of coronary and aortic calcium | |
JP5226974B2 (ja) | 画像診断支援装置、方法及びプログラム | |
JP2002523123A (ja) | 病変の分割および分類のための方法およびシステム | |
JP2002515772A (ja) | 対象の運動を相殺する画像装置および方法 | |
JP2013522712A5 (zh) | ||
KR20150045885A (ko) | 초음파 및 ct 영상의 정합에 관한 시스템 및 작동 방법 | |
CN109712163B (zh) | 冠脉提取方法、装置、图像处理工作站和可读存储介质 | |
CN110706241B (zh) | 一种三维病灶区域提取方法和装置 | |
EP3971830B1 (en) | Pneumonia sign segmentation method and apparatus, medium and electronic device | |
CN115861656A (zh) | 用于自动处理医学图像以输出警报的方法、设备和系统 | |
US20070121787A1 (en) | System and method for airway detection | |
Mori et al. | Automated nomenclature of bronchial branches extracted from CT images and its application to biopsy path planning in virtual bronchoscopy | |
JP5364009B2 (ja) | 画像生成装置、画像生成方法、及びそのプログラム | |
EP1447772B1 (en) | A method of lung lobe segmentation and computer system | |
KR101484051B1 (ko) | 능동적 윤곽선 방법을 이용한 cad 시스템을 위한 전처리 장치 및 방법 | |
CN109564685B (zh) | 鲁棒的肺叶分割 |
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 |