CN111192356B - 感兴趣区域的显示方法、装置、设备和存储介质 - Google Patents

感兴趣区域的显示方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN111192356B
CN111192356B CN201911399531.1A CN201911399531A CN111192356B CN 111192356 B CN111192356 B CN 111192356B CN 201911399531 A CN201911399531 A CN 201911399531A CN 111192356 B CN111192356 B CN 111192356B
Authority
CN
China
Prior art keywords
interest
target
region
mpr plane
plane
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
Application number
CN201911399531.1A
Other languages
English (en)
Other versions
CN111192356A (zh
Inventor
崔瑞环
沈宏
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.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare Co Ltd
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 Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN201911399531.1A priority Critical patent/CN111192356B/zh
Publication of CN111192356A publication Critical patent/CN111192356A/zh
Priority to US17/137,368 priority patent/US20210201066A1/en
Application granted granted Critical
Publication of CN111192356B publication Critical patent/CN111192356B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/08—Volume rendering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/10—Geometric effects
    • G06T15/30—Clipping
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Graphics (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请涉及一种感兴趣区域的显示方法、装置、设备和存储介质。该方法包括：对获取的原始医学图像中的感兴趣区域进行分割处理，得到目标分割图像；该目标分割图像包括感兴趣区域；在原始医学图像上选取一个平面作为初始多平面重建MPR平面，并基于初始MPR平面和原始医学图像，确定目标MPR平面；根据目标分割图像和初始MPR平面，在目标分割图像中确定目标MPR平面对应的分割MPR平面，并在分割MPR平面上确定感兴趣区域所在的包围框；该分割MPR平面与目标MPR平面上各个像素点的坐标位置相同；将包围框叠加显示在目标MPR平面上；其中，包围框包围感兴趣区域。采用本方法显示的感兴趣区域更加准确，且运行速度快，进而可以实现感兴趣区域实时显示。

Description

感兴趣区域的显示方法、装置、设备和存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种感兴趣区域的显示方法、装置、设备和存储介质。
背景技术
多平面重建(Multi-Planar Reconstruction，MPR)指的是将横断面的医学图像进行堆叠并建立体素数据，然后进行矢状面、冠状面以及其他任意平面的图像重建。一般为了对患者的病灶进行更好的观察，医生大多采用的是观测患者的MPR平面图像，通过在该MPR平面图像上对病灶进行进一步观察，以得到最终的分析检测结果。
相关技术中，医生在MPR平面图像上观测病灶时，大多是凭借经验在该MPR平面图像上找到病灶所在的地方，并将病灶标注出来，然后对病灶进行进一步分析和观测，最终得到分析检测结果。
然后上述技术在MPR平面图像上标注病灶时，存在标注的病灶准确性低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种感兴趣区域的显示方法、装置、设备和存储介质。
一种感兴趣区域的显示方法，该方法包括：
对获取的原始医学图像中的感兴趣区域进行分割处理，得到目标分割图像；该目标分割图像包括感兴趣区域；
在原始医学图像上选取一个平面作为初始多平面重建MPR平面，并基于初始MPR平面和原始医学图像，确定目标MPR平面；
根据目标分割图像和初始MPR平面，在目标分割图像中确定目标MPR平面对应的分割MPR平面，并在分割MPR平面上确定感兴趣区域所在的包围框；该分割MPR平面与目标MPR平面上各个像素点的坐标位置相同；
将包围框叠加显示在目标MPR平面上；其中，包围框包围感兴趣区域。
一种感兴趣区域的显示装置，该装置包括：
分割模块，用于对获取的原始医学图像中的感兴趣区域进行分割处理，得到目标分割图像；该目标分割图像包括感兴趣区域；
MPR重建模块，用于在原始医学图像上选取一个平面作为初始多平面重建MPR平面，并基于初始MPR平面和原始医学图像，确定目标MPR平面；
分割MPR确定模块，用于根据目标分割图像和初始MPR平面，在目标分割图像中确定目标MPR平面对应的分割MPR平面，并在分割MPR平面上确定感兴趣区域所在的包围框；该分割MPR平面与目标MPR平面上各个像素点的坐标位置相同；
显示模块，用于将包围框叠加显示在目标MPR平面上；其中，包围框包围感兴趣区域。
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：
对获取的原始医学图像中的感兴趣区域进行分割处理，得到目标分割图像；该目标分割图像包括感兴趣区域；
在原始医学图像上选取一个平面作为初始多平面重建MPR平面，并基于初始MPR平面和原始医学图像，确定目标MPR平面；
根据目标分割图像和初始MPR平面，在目标分割图像中确定目标MPR平面对应的分割MPR平面，并在分割MPR平面上确定感兴趣区域所在的包围框；该分割MPR平面与目标MPR平面上各个像素点的坐标位置相同；
将包围框叠加显示在目标MPR平面上；其中，包围框包围感兴趣区域。
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：
对获取的原始医学图像中的感兴趣区域进行分割处理，得到目标分割图像；该目标分割图像包括感兴趣区域；
在原始医学图像上选取一个平面作为初始多平面重建MPR平面，并基于初始MPR平面和原始医学图像，确定目标MPR平面；
根据目标分割图像和初始MPR平面，在目标分割图像中确定目标MPR平面对应的分割MPR平面，并在分割MPR平面上确定感兴趣区域所在的包围框；该分割MPR平面与目标MPR平面上各个像素点的坐标位置相同；
将包围框叠加显示在目标MPR平面上；其中，包围框包围感兴趣区域。
上述感兴趣区域的显示方法、装置、设备和存储介质，通过对原始医学图像中的感兴趣区域进行分割，得到包括感兴趣区域的目标分割图像，并在原始医学图像上通过选取的初始MPR平面确定出目标MPR平面，以及根据目标分割图像和初始MPR平面，在目标分割图像中确定目标MPR平面对应的分割MPR平面，以及在该分割MPR平面上确定感兴趣区域所在的包围框，并将该包围框叠加显示在目标MPR平面上，其中，包围框包围感兴趣区域。在该方法中，由于分割MPR平面和目标MPR平面上各个像素点的坐标位置相同，也就是说，任何情况下，在分割MPR平面上确定的感兴趣区域所在的包围框即是在目标MPR平面上确定的包围框，那么在目标MPR平面上叠加包围框时，包围框所显示的感兴趣区域就是等于实际的感兴趣区域大小的，那么显示的感兴趣区域也就是准确的；相比人工标注感兴趣区域，这里在目标分割图像的基础上得到的包围感兴趣区域的包围框，其标注的感兴趣区域更加准确；另外，由于本方法的包围框是在目标分割图像的分割MPR平面上确定的，而目标分割图像只需要通过一次分割处理就可以确定，后续更换分割MPR平面也不需要重新分割原始医学图像，使用第一次得到的目标分割图像即可，因此，该方法运行速度较快，进而可以实现对感兴趣区域的实时切换显示。
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2a为一个实施例中感兴趣区域的显示方法的流程示意图；
图2b为一个实施例中采用分割模型对图像进行分割的流程示意图；
图2c为一个实施例中初始MPR平面的建立示意图；
图2d为一个实施例中在目标MPR平面上叠加显示包围框的示意图；
图3为另一个实施例中感兴趣区域的显示方法的流程示意图；
图4为另一个实施例中感兴趣区域的显示方法的流程示意图；
图5为另一个实施例中感兴趣区域的显示方法的流程示意图；
图6为一个实施例中感兴趣区域的显示装置的结构框图。
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，在对患者影像中的感兴趣区域进行观测时，大多是通过医生凭借经验在观测的MPR(Multi-Planar Reconstruction，多平面重建)平面上标注出感兴趣区域，然后对感兴趣区域进行观测，然而该方法存在标注的感兴趣区域不准确，从而会导致最终得到的观测结果不准确的问题。在深度学习技术出现之后，医学影像观测感兴趣区域时也将深度学习引入进来，利用基于深度学习的目标检测算法在原图上检测出感兴趣区域，得到感兴趣区域的三维边界框，然后在原图上选取一个二维MPR平面，通过该三维边界框和二维MPR平面相截来得到该二维MPR平面上的感兴趣区域，医生然后就可以对该感兴趣区域进行观测，然而由于三维边界框在二维MPR平面上的投影会大于实际的感兴趣区域，那么就会导致在二维MPR平面上显示的感兴趣区域不准确的问题，同时由于相截时截面的方向与三维边界框的方向可能也不平行，那么也会导致感兴趣区域显示为不规则多边形，显示不准确的同时也不方便观测。因此，本申请实施例提供一种感兴趣区域的显示方法、装置、设备和存储介质，旨在解决上述技术存在的问题。
本申请实施例提供的感兴趣区域的显示方法，可以应用于计算机设备，该计算机设备可以是终端，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感兴趣区域的显示方法。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感兴趣区域的显示装置，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，提供了一种感兴趣区域的显示方法，本实施例涉及的是如何在原图上得到目标MPR平面，以及如何在目标分割图像上得到分割MPR平面和感兴趣区域所在的包围框，并将该包围框显示在目标MPR平面上的具体过程。如图2a所示，该方法可以包括以下步骤：
S202，对获取的原始医学图像中的感兴趣区域进行分割处理，得到目标分割图像；该目标分割图像包括感兴趣区域。
其中，分割处理可以是采用分割模型对原始医学图像进行的处理，如果采用分割模型，那么分割模型可以是神经网络模型，例如V-Net、U-Net等等。另外，这里的感兴趣区域的数量可以是一个或多个，这里对原始医学图像进行感兴趣区域分割处理，可以是将原始医学图像中的某一个或多个感兴趣区域分割开，当然也可以是将原始医学图像上的所有区域分割开，例如，感兴趣区域可以包括胃、脾、肝、十二指肠等等，那么可以是运行一次分割模型，将原始医学图像中的胃、脾分割开，也可以是将胃、脾、肝、十二指肠等全部感兴趣区域都分割开。
进一步地，原始医学图像可以是CT、MR、PET等模态的医学图像，图像格式可以为DICOM格式(Digital Imaging Communication in Medicine，医疗数位影像传输协定)，以采用分割模型V-Net对原始医学图像进行分割处理为例，那么在采用分割模型对原始医学图像进行分割之前，需要对模型进行训练，下面简单介绍该分割模型的训练过程：
在对该分割模型进行训练时，首先获取训练样本图像，各训练样本图像可以为不同模态的图像，均标注感兴趣区域，首先可以将各训练样本图像进行预处理，包括：1)将各训练样本图像的体素间距统一调整到同一尺寸，即统一各训练样本图像的分辨率，例如可以是3mm*3mm*3mm；2)将各训练样本图像的边缘像素值为0的背景像素去掉；3)对去除背景像素的各训练样本图像进行标准化，例如可以采用如下公式(1)进行：
Figure BDA0002347154120000061
(1)，其中，μ为每个训练样本图像上像素值的均值，σ为每个训练样本图像上像素值的标准差，I'为标准化后的样本图像，I为标准化之前的样本图像。
在预处理完之后，参见图2b所示，为采用分割模型V-Net对图像进行分割的示意图，可以将各训练样本图像输入至初始分割模型进行下采样卷积操作和上采样卷积操作，该初始分割模型中包括残差块，可以使用跳层连接下采样和上采样过程中相同尺寸的特征图(即细粒度特征传播)，防止特征图的梯度消失，也使得初始分割模型更容易收敛，其中，残差块内的卷积操作为5*5*5的三维卷积核，步长为1，从而可以使特征图经过残差块之后的尺寸大小不变，下采样卷积操作时采用的是步长为2的卷积操作，上采样采用的是反卷积操作，可以扩大特征图，最后通过分割模型得到的mask掩模采用1*1*1的卷积核和softmax激活函数，得到与原图等大的分割结果，即目标分割图像，初始分割模型的权重参数进行均值为1，方差为0的随机初始化。在训练过程中，初始分割模型一般输出的目标分割图像上会包括预测感兴趣区域，然后就可以计算预测感兴趣区域和标注感兴趣区域之间的损失，并将损失作为损失函数的值，对初始分割模型进行训练，得到分割模型。这里的损失可以采用dice损失函数，其计算公式可以如下公式(2)所示：
Figure BDA0002347154120000071
(2)，其中，d_loss为损失，pi为目标分割图像中预测感兴趣区域上的一个像素值，gi为标注感兴趣区域上的一个像素值，N为像素个数。
上述在分割模型训练时，还可以对初始分割模型选取不同的学习率进行迭代训练，记录训练损失的变化情况，选取损失下降最快的学习率作为初始学习率，利用Adam优化器迭代训练学习率，并通过早停操作避免网络过拟合，得到最终的学习率，供分割模型训练使用。
具体的，原始医学图像的获取方式可以包括对患者特定部位的扫描数据进行数据重建得到原始医学图像，还可以是从预先存储好图像的数据库中得到原始医学图像，当然还可以是其他获取方式，本实施例对此不作具体限定。在得到原始医学图像之后，可以采用分割模型对原始医学图像进行分割处理，将原始医学图像中的感兴趣区域分割开，得到包括感兴趣区域的目标分割图像。
S204，在原始医学图像上选取一个平面作为初始多平面重建MPR平面，并基于初始MPR平面和原始医学图像，确定目标MPR平面。
其中，这里的初始MPR平面和目标MPR平面，两者实质上是一个平面，并不是独立的，初始MPR平面指代的是在原始医学图像的三维空间中的二维平面位置，而目标MPR平面指的是这个位置上的原始医学图像所对应的像素平面。。
具体的，这里选取的初始MPR平面可以是在原始医学图像上任意选取的一个二维平面，在选取时，参见图2c所示，可以在原始医学图像的三维体数据中任选一个点作为原点，然后选取原始医学图像的垂直轴、冠状轴、矢状轴中的任意两个轴为轴向量，当然也可以是将原始医学图像所在的空间中任意两个垂直的向量作为轴向量，然后就可以得到初始MPR平面。在得到初始MPR平面之后，可以将初始MPR平面上的各个二维点对应到原始医学图像中的三维点上，然后通过对应的三维点上的像素值，得到最终的目标MPR平面。这里在得到目标MPR平面时，可以是将三维点上的像素值直接设置进对应的二维点上，得到新的MPR平面，记为目标MPR平面。
S206，根据目标分割图像和初始MPR平面，在目标分割图像中确定目标MPR平面对应的分割MPR平面，并在分割MPR平面上确定感兴趣区域所在的包围框；该分割MPR平面与目标MPR平面上各个像素点的坐标位置相同。
其中，分割MPR平面在这里也是二维MPR平面，是在目标分割图像中的二维平面，与上述目标MPR平面相对的，分割MPR平面就是上述二维平面位置上的目标分割图像所对应的分割像素平面。包围框在这里可以是二维框，可以是矩形框，当然也可以是圆形框、三角形框，甚至还可以是其他不规则框，不过本实施例中的包围框主要指的是矩形框。另外，需要说明的是，这里目标分割图像和原始医学图像在空间位置上是重合的，即分割MPR平面与目标MPR平面上各个像素点的坐标位置相同。
具体的，在上述S204中得到初始MPR平面之后，也可以将初始MPR平面上的各个二维点对应到目标分割图像中的三维点上，记为三维分割点，然后通过对应的三维分割点上的像素值，得到最终的分割MPR平面。这里在得到分割MPR平面时，可以是将三维分割点上的像素值直接设置进对应的二维点上，得到这里的新的MPR平面，记为分割MPR平面。在得到分割MPR平面后，由于目标分割图像上只包括感兴趣区域，那么分割MPR平面上也就只包括感兴趣区域，那么就可以通过分割MPR平面上感兴趣区域的位置或像素值计算出感兴趣区域的边界，得到边界框，即得到包围感兴趣区域的包围框。
S208，将包围框叠加显示在目标MPR平面上；其中，包围框包围感兴趣区域。
具体的，在得到围感兴趣区域的包围框之后，参见图2d所示，可以将该包围框直接叠加在目标MPR平面上，该包围框在目标MPR平面上所包围的区域就是感兴趣区域。在这里，得到的包围框是在分割MPR平面上得到的，而分割MPR平面与目标MPR平面的空间位置是相同的，也就是说，在分割MPR平面上确定的包围框的其实就是在目标MPR平面上确定的包围框，因此这里在叠加包围框时，就可以直接将包围框叠加到目标MPR平面上，且包围框直接就是目标MPR平面上的包围框，包围的也就是目标MPR平面上的感兴趣区域，那么就不会出现包围框在目标MPR平面上的投影会大于实际的感兴趣区域的问题，那么在目标MPR平面上显示的感兴趣区域就是准确的；同样的，也不会出现原本是矩形的包围框，投影成不规则框的情况，这样也可以便于后续对感兴趣区域进行观测。
上述感兴趣区域的显示方法中，通过对原始医学图像中的感兴趣区域进行分割，得到包括感兴趣区域的目标分割图像，并在原始医学图像上通过选取的初始MPR平面确定出目标MPR平面，以及根据目标分割图像和初始MPR平面，在目标分割图像中确定目标MPR平面对应的分割MPR平面，以及在该分割MPR平面上确定感兴趣区域所在的包围框，并将该包围框叠加显示在目标MPR平面上，其中，包围框包围感兴趣区域。在该方法中，由于分割MPR平面和目标MPR平面上各个像素点的坐标位置相同，也就是说，任何情况下，在分割MPR平面上确定的感兴趣区域所在的包围框即是在目标MPR平面上确定的包围框，那么在目标MPR平面上叠加包围框时，包围框所显示的感兴趣区域就是等于实际的感兴趣区域大小的，那么显示的感兴趣区域也就是准确的；相比人工标注感兴趣区域，这里在目标分割图像的基础上得到的包围感兴趣区域的包围框，其标注的感兴趣区域更加准确；另外，由于本方法的包围框是在目标分割图像的分割MPR平面上确定的，而目标分割图像只需要通过一次分割处理就可以确定，后续更换分割MPR平面也不需要重新分割原始医学图像，使用第一次得到的目标分割图像即可，因此，该方法运行速度较快，进而可以实现对感兴趣区域的实时切换显示。
在另一个实施例中，提供了另一种感兴趣区域的显示方法，本实施例涉及的是如何根据初始MPR平面上的二维点的坐标得到分割MPR平面的具体过程。在上述实施例的基础上，如图3所示，上述S206中确定分割MPR平面的过程可以包括以下步骤：
S302，获取初始MPR平面上各个像素点的二维坐标。
S304，利用预设的转换关系对初始MPR平面上各个像素点的二维坐标进行转换处理，得到每个像素点对应到目标分割图像上的各目标像素点的三维坐标。
S306，根据目标分割图像上的各目标像素点的三维坐标和各三维坐标上对应的像素值，得到目标分割图像中的分割MPR平面。
具体的，可以预先为原始医学图像建立一个坐标系，这样在原始医学图像中确定初始MPR平面之后，初始MPR平面上的各个像素点的二维坐标就可以得到了，之后可以将初始MPR平面上的各个像素点的二维坐标通过如下公式(3)的转换关系计算得到目标分割图像中的三维坐标：
Figure BDA0002347154120000101
其中，(x0,y0,z0)为初始MPR平面的中心点坐标，为已知量，(x1,y1,z1)为初始MPR平面的x轴向量，为已知量，(x2,y2,z2)为初始MPR平面的y轴向量，为已知量，那么对初始MPR平面中任意二维像素点坐标(x,y)，为已知量，通过公式(3)就可以得到初始MPR平面上各二维像素点(x,y)在目标分割图像中对应的三维像素点坐标，记为各目标像素点的三维坐标
Figure BDA0002347154120000102
在得到目标分割图像中各目标像素点的三维坐标之后，也就能得到各目标像素点的三维坐标上的像素值(目标分割图像上各个像素点的像素值已知)，然后将三维坐标上的像素值直接设置进对应的二维坐标上，得到分割MPR平面。
在得到分割MPR平面之后，就可以确定包围框了，可选的，可以采用如图4所示的步骤进行包围框的确定，如图4所示，上述S206确定包围框的步骤可以包括以下步骤S402-S404：
S402，获取分割MPR平面上的感兴趣区域。
S404，计算感兴趣区域在分割MPR平面的两个边界方向上的最值，并根据得到的感兴趣区域的最值确定感兴趣区域所在的包围框。
在本实施例中，在确定好分割MPR平面之后，那么就可以得到分割MPR平面上感兴趣区域的各个像素点，然后就可以根据感兴趣区域的各个像素点计算包围框，可选的，可以采用如下步骤A-B来进行计算：
步骤A，计算感兴趣区域在分割MPR平面的两个边界方向上的最值，得到感兴趣区域在分割MPR平面的一个边界方向上的第一最大值和第一最小值，以及，得到感兴趣区域在分割MPR平面的另一个边界方向上的第二最大值和第二最小值。
步骤B，将第一最大值和第一最小值以及第二最大值和第二最小值作为包围框的边界值，得到包围框。
在得到分割MPR平面上感兴趣区域的各个像素点之后，也可以得到感兴趣区域的各个像素点的二维坐标，以分割MPR平面的两个边界方向为x和y为例，通过将各个像素点的二维坐标中x方向上的值进行从大到小或从小到大排序，就可以得到感兴趣区域在x方向上的最大值和最小值，记为第一最大值和第一最小值，同样将各个像素点的二维坐标中y方向上的值进行从大到小或从小到大排序，就可以得到感兴趣区域在y方向上的最大值和最小值，记为第二最大值和第二最小值，然后以第一最大值和第一最小值，以及第二最大值和第二最小值为矩形框四条边的边界值，这样就可以画出矩形框了，即包围框。示例地，假设第一最大值和第一最小值分别为9和3，第二最大值和第二最小值分别为10和2，那么可以将(3,10)、(3,2)、(9,2)、(9,10)分别作为矩形框的左上角、左下角、右下角、右上角的坐标值，这样就可以得到感兴趣区域所在的矩形框，即包围框。可见，通过本实施例的方法得到的包围框是规则的，那么也就不会出现原本是矩形的包围框，投影成不规则框的情况，这样也可以便于后续对感兴趣区域进行观测。
进一步地，上述S402-S404得到的包围框可以是一个感兴趣区域所在的包围框，也可以是所有感兴趣区域所在的包围框，在上述S202中，假设得到的目标分割图像包括多个不同的感兴趣区域，例如，胃、脾、十二指肠等，那么也可以根据不同的感兴趣区域，得到每个感兴趣区域所在的包围框，那么可选的，可以采用如下步骤a和b得到上述S206中的包围框：
步骤a，根据输入的感兴趣区域标签，在分割MPR平面上确定感兴趣区域标签对应的目标感兴趣区域。
步骤b，计算目标感兴趣区域在分割MPR平面的两个边界方向上的最值，并根据得到的目标感兴趣区域的最值确定目标感兴趣区域所在的包围框。
在上述S202中对原始医学图像进行分割处理时，也可以得到各个感兴趣区域，然后可以将各个感兴趣区域对应的标签设置成列表，并将列表显示给用户，这样用户在选择要看哪个感兴趣区域时，就可以在列表上进行标签选择，选取的标签所对应的感兴趣区域就为目标感兴趣区域，然后也就可以在分割MPR平面上得到该目标感兴趣区域的各个像素点的二维坐标，然后就可以计算目标感兴趣区域在分割MPR平面的两个边界方向上的最值，得到目标感兴趣区域在分割MPR平面的一个边界方向上的目标第一最大值和目标第一最小值，以及，得到目标感兴趣区域在分割MPR平面的另一个边界方向上的目标第二最大值和目标第二最小值，并将目标第一最大值和目标第一最小值以及目标第二最大值和目标第二最小值作为包围框的边界值，得到包围框，这里的包围框指的是包围目标感兴趣区域的包围框。
本实施例提供的感兴趣区域的显示方法，通过对初始MPR平面上各个像素点的二维坐标进行转换处理，得到目标分割图像上的各目标像素点的三维坐标，然后通过目标分割图像上的各目标像素点的三维坐标和各三维坐标上对应的像素值，就可以得到目标分割图像中的分割MPR平面。在本实施例中，由于可以通过简单的几何转换，就可以得到分割MPR平面，从而就可以继续在该分割MPR平面上得到感兴趣区域所在的包围框，因此该方法在得到感兴趣区域所在的包围框时，比较快速，也比较简单，从而可以提高整个感兴趣区域的显示速度，达到感兴趣区域的实时显示。
在另一个实施例中，提供了另一种感兴趣区域的显示方法，本实施例涉及的是如何根据初始MPR平面上的二维点的坐标得到目标MPR平面的具体过程。在上述实施例的基础上，如图5所示，上述S204中确定目标MPR平面的过程可以包括以下步骤：
S502，利用预设的转换关系对初始MPR平面上各个像素点的二维坐标进行转换处理，得到每个像素点对应到原始医学图像上的各目标像素点的三维坐标。
S504，根据原始医学图像上的各目标像素点的三维坐标和各三维坐标上对应的像素值，得到目标MPR平面。
具体的，上述在S302中得到初始MPR平面上的各个像素点的二维坐标之后，同样可以将初始MPR平面上的各个像素点的二维坐标，通过上述公式(3)的转换关系计算得到各个二维坐标在原始医学图像中对应的三维坐标，记为目标像素点的三维坐标，然后在原始医学图像中得到各目标像素点的三维坐标上的像素值(原始医学图像上各个像素点的像素值已知)，接着，可选的，可以根据初始MPR平面上各个像素点的二维坐标和原始医学图像上各目标像素点的三维坐标之间的对应关系，将原始医学图像上各三维坐标上对应的像素值，对应回填到初始MPR平面上各个像素点的二维坐标上，得到目标MPR平面，即将各个目标像素点的三维坐标上的像素值对应回填到初始MPR平面上的对应二维坐标上，就可以得到一个新的MPR平面，记为目标MPR平面。
本实施例提供的感兴趣区域的显示方法，通过利用预设的转换关系对初始MPR平面上各个像素点的二维坐标进行转换处理，得到每个像素点对应到原始医学图像上的各目标像素点的三维坐标，根据原始医学图像上的各目标像素点的三维坐标和各三维坐标上对应的像素值，得到目标MPR平面。在本实施例中，由于通过简单的坐标转换关系就可以得到目标MPR平面，这样也可以进一步提高感兴趣区域在目标MPR平面上的显示速度，达到感兴趣区域在目标MPR平面上的实时显示。
应该理解的是，虽然图2a、3-5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2a、3-5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6所示，提供了一种感兴趣区域的显示装置，包括：分割模块10、MPR重建模块11、分割MPR确定模块12和显示模块13，其中：
分割模块10，用于对获取的原始医学图像中的感兴趣区域进行分割处理，得到目标分割图像；该目标分割图像包括感兴趣区域；
MPR重建模块11，用于在原始医学图像上选取一个平面作为初始多平面重建MPR平面，并基于初始MPR平面和原始医学图像，确定目标MPR平面；
分割MPR确定模块12，用于根据目标分割图像和初始MPR平面，在目标分割图像中确定目标MPR平面对应的分割MPR平面，并在分割MPR平面上确定感兴趣区域所在的包围框；该分割MPR平面与目标MPR平面上各个像素点的坐标位置相同；
显示模块13，用于将包围框叠加显示在目标MPR平面上；其中，包围框包围感兴趣区域。
关于感兴趣区域的显示装置的具体限定可以参见上文中对于感兴趣区域的显示方法的限定，在此不再赘述。
在另一个实施例中，提供了另一种感兴趣区域的显示装置，上述分割MPR确定模块12可以包括：第一获取单元、第一转换单元和第一确定单元，其中：
第一获取单元，用于获取初始MPR平面上各个像素点的二维坐标；
第一转换单元，用于利用预设的转换关系对初始MPR平面上各个像素点的二维坐标进行转换处理，得到每个像素点对应到目标分割图像上的各目标像素点的三维坐标；
第一确定单元，用于根据目标分割图像上的各目标像素点的三维坐标和各三维坐标上对应的像素值，得到目标分割图像中的分割MPR平面。
可选的，上述分割MPR确定模块12还可以包括：第二获取单元和第二确定单元，其中：
第二获取单元，用于获取分割MPR平面上的感兴趣区域；
第二确定单元，用于计算感兴趣区域在分割MPR平面的两个边界方向上的最值，并根据得到的感兴趣区域的最值确定感兴趣区域所在的包围框。
可选的，上述第二确定单元，还用于计算感兴趣区域在分割MPR平面的两个边界方向上的最值，得到感兴趣区域在分割MPR平面的一个边界方向上的第一最大值和第一最小值，以及，得到感兴趣区域在分割MPR平面的另一个边界方向上的第二最大值和第二最小值；将第一最大值和第一最小值以及第二最大值和第二最小值作为包围框的边界值，得到包围框。
可选的，上述第二获取单元，还用于根据输入的感兴趣区域标签，在分割MPR平面上确定感兴趣区域标签对应的目标感兴趣区域；
第二确定单元，还用于计算目标感兴趣区域在分割MPR平面的两个边界方向上的最值，并根据得到的目标感兴趣区域的最值确定目标感兴趣区域所在的包围框。
在另一个实施例中，提供了另一种感兴趣区域的显示装置，上述MPR重建模块11可以包括：第二转换单元和第三确定单元，其中：
第二转换单元，用于利用预设的转换关系对初始MPR平面上各个像素点的二维坐标进行转换处理，得到每个像素点对应到原始医学图像上的各目标像素点的三维坐标；
第三确定单元，用于根据原始医学图像上的各目标像素点的三维坐标和各三维坐标上对应的像素值，得到目标MPR平面。
可选的，上述第三确定单元，还用于根据初始MPR平面上各个像素点的二维坐标和原始医学图像上各目标像素点的三维坐标之间的对应关系，将原始医学图像上各三维坐标上对应的像素值，对应回填到初始MPR平面上各个像素点的二维坐标上，得到目标MPR平面。
关于感兴趣区域的显示装置的具体限定可以参见上文中对于感兴趣区域的显示方法的限定，在此不再赘述。
上述感兴趣区域的显示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：
对获取的原始医学图像中的感兴趣区域进行分割处理，得到目标分割图像；该目标分割图像包括感兴趣区域；
在原始医学图像上选取一个平面作为初始多平面重建MPR平面，并基于初始MPR平面和原始医学图像，确定目标MPR平面；
根据目标分割图像和初始MPR平面，在目标分割图像中确定目标MPR平面对应的分割MPR平面，并在分割MPR平面上确定感兴趣区域所在的包围框；该分割MPR平面与目标MPR平面上各个像素点的坐标位置相同；
将包围框叠加显示在目标MPR平面上；其中，包围框包围感兴趣区域。
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：
获取初始MPR平面上各个像素点的二维坐标；
利用预设的转换关系对初始MPR平面上各个像素点的二维坐标进行转换处理，得到每个像素点对应到目标分割图像上的各目标像素点的三维坐标；
根据目标分割图像上的各目标像素点的三维坐标和各三维坐标上对应的像素值，得到目标分割图像中的分割MPR平面。
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：
获取分割MPR平面上的感兴趣区域；
计算感兴趣区域在分割MPR平面的两个边界方向上的最值，并根据得到的感兴趣区域的最值确定感兴趣区域所在的包围框。
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：
计算感兴趣区域在分割MPR平面的两个边界方向上的最值，得到感兴趣区域在分割MPR平面的一个边界方向上的第一最大值和第一最小值，以及，得到感兴趣区域在分割MPR平面的另一个边界方向上的第二最大值和第二最小值；
将第一最大值和第一最小值以及第二最大值和第二最小值作为包围框的边界值，得到包围框。
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：
利用预设的转换关系对初始MPR平面上各个像素点的二维坐标进行转换处理，得到每个像素点对应到原始医学图像上的各目标像素点的三维坐标；
根据原始医学图像上的各目标像素点的三维坐标和各三维坐标上对应的像素值，得到目标MPR平面。
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：
根据初始MPR平面上各个像素点的二维坐标和原始医学图像上各目标像素点的三维坐标之间的对应关系，将原始医学图像上各三维坐标上对应的像素值，对应回填到初始MPR平面上各个像素点的二维坐标上，得到目标MPR平面。
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：
根据输入的感兴趣区域标签，在分割MPR平面上确定感兴趣区域标签对应的目标感兴趣区域；
计算目标感兴趣区域在分割MPR平面的两个边界方向上的最值，并根据得到的目标感兴趣区域的最值确定目标感兴趣区域所在的包围框。
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：
对获取的原始医学图像中的感兴趣区域进行分割处理，得到目标分割图像；该目标分割图像包括感兴趣区域；
在原始医学图像上选取一个平面作为初始多平面重建MPR平面，并基于初始MPR平面和原始医学图像，确定目标MPR平面；
根据目标分割图像和初始MPR平面，在目标分割图像中确定目标MPR平面对应的分割MPR平面，并在分割MPR平面上确定感兴趣区域所在的包围框；该分割MPR平面与目标MPR平面上各个像素点的坐标位置相同；
将包围框叠加显示在目标MPR平面上；其中，包围框包围感兴趣区域。
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：
获取初始MPR平面上各个像素点的二维坐标；
利用预设的转换关系对初始MPR平面上各个像素点的二维坐标进行转换处理，得到每个像素点对应到目标分割图像上的各目标像素点的三维坐标；
根据目标分割图像上的各目标像素点的三维坐标和各三维坐标上对应的像素值，得到目标分割图像中的分割MPR平面。
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：
获取分割MPR平面上的感兴趣区域；
计算感兴趣区域在分割MPR平面的两个边界方向上的最值，并根据得到的感兴趣区域的最值确定感兴趣区域所在的包围框。
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：
计算感兴趣区域在分割MPR平面的两个边界方向上的最值，得到感兴趣区域在分割MPR平面的一个边界方向上的第一最大值和第一最小值，以及，得到感兴趣区域在分割MPR平面的另一个边界方向上的第二最大值和第二最小值；
将第一最大值和第一最小值以及第二最大值和第二最小值作为包围框的边界值，得到包围框。
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：
利用预设的转换关系对初始MPR平面上各个像素点的二维坐标进行转换处理，得到每个像素点对应到原始医学图像上的各目标像素点的三维坐标；
根据原始医学图像上的各目标像素点的三维坐标和各三维坐标上对应的像素值，得到目标MPR平面。
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：
根据初始MPR平面上各个像素点的二维坐标和原始医学图像上各目标像素点的三维坐标之间的对应关系，将原始医学图像上各三维坐标上对应的像素值，对应回填到初始MPR平面上各个像素点的二维坐标上，得到目标MPR平面。
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：
根据输入的感兴趣区域标签，在分割MPR平面上确定感兴趣区域标签对应的目标感兴趣区域；
计算目标感兴趣区域在分割MPR平面的两个边界方向上的最值，并根据得到的目标感兴趣区域的最值确定目标感兴趣区域所在的包围框。
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)

1.一种感兴趣区域的显示方法，其特征在于，所述方法包括：
对获取的原始医学图像中的感兴趣区域进行分割处理，得到目标分割图像；所述目标分割图像包括所述感兴趣区域；
在所述原始医学图像上选取一个平面作为初始多平面重建MPR平面，并基于所述初始MPR平面和所述原始医学图像，确定目标MPR平面；
根据所述目标分割图像和所述初始MPR平面，在所述目标分割图像中确定所述目标MPR平面对应的分割MPR平面，并在所述分割MPR平面上确定所述感兴趣区域所在的包围框；所述分割MPR平面与所述目标MPR平面上各个像素点的坐标位置相同；
将所述包围框叠加显示在所述目标MPR平面上；其中，所述包围框包围所述感兴趣区域。
2.根据权利要求1所述的感兴趣区域的显示方法，其特征在于，所述根据所述目标分割图像和所述初始MPR平面，在所述目标分割图像中确定所述目标MPR平面对应的分割MPR平面，包括：
获取所述初始MPR平面上各个像素点的二维坐标；
利用预设的转换关系对所述初始MPR平面上各个像素点的二维坐标进行转换处理，得到每个像素点对应到所述目标分割图像上的各目标像素点的三维坐标；
根据所述目标分割图像上的各目标像素点的三维坐标和各三维坐标上对应的像素值，得到所述目标分割图像中的分割MPR平面。
3.根据权利要求2所述的感兴趣区域的显示方法，其特征在于，所述在所述分割MPR平面上确定所述感兴趣区域所在的包围框，包括：
获取所述分割MPR平面上的所述感兴趣区域；
计算所述感兴趣区域在所述分割MPR平面的两个边界方向上的最值，并根据得到的所述感兴趣区域的最值确定所述感兴趣区域所在的包围框。
4.根据权利要求3所述的感兴趣区域的显示方法，其特征在于，所述计算所述感兴趣区域在所述分割MPR平面的两个边界方向上的最值，并根据得到的所述感兴趣区域的最值确定所述感兴趣区域所在的包围框，包括：
计算所述感兴趣区域在所述分割MPR平面的两个边界方向上的最值，得到所述感兴趣区域在所述分割MPR平面的一个边界方向上的第一最大值和第一最小值，以及，得到所述感兴趣区域在所述分割MPR平面的另一个边界方向上的第二最大值和第二最小值；
将所述第一最大值和第一最小值以及所述第二最大值和第二最小值作为所述包围框的边界值，得到所述包围框。
5.根据权利要求2-4任意一项所述的感兴趣区域的显示方法，其特征在于，所述在所述原始医学图像上选取一个平面作为初始多平面重建MPR平面，并基于所述初始MPR平面和所述原始医学图像，确定目标MPR平面，包括：
利用所述预设的转换关系对所述初始MPR平面上各个像素点的二维坐标进行转换处理，得到每个像素点对应到所述原始医学图像上的各目标像素点的三维坐标；
根据所述原始医学图像上的各目标像素点的三维坐标和各三维坐标上对应的像素值，得到所述目标MPR平面。
6.根据权利要求5所述的感兴趣区域的显示方法，其特征在于，所述根据所述原始医学图像上的各目标像素点的三维坐标和各三维坐标上对应的像素值，得到所述目标MPR平面，包括：
根据所述初始MPR平面上各个像素点的二维坐标和所述原始医学图像上各目标像素点的三维坐标之间的对应关系，将所述原始医学图像上各三维坐标上对应的像素值，对应回填到所述初始MPR平面上各个像素点的二维坐标上，得到所述目标MPR平面。
7.根据权利要求2所述的感兴趣区域的显示方法，其特征在于，所述在所述分割MPR平面上确定所述感兴趣区域所在的包围框，包括：
根据输入的感兴趣区域标签，在所述分割MPR平面上确定所述感兴趣区域标签对应的目标感兴趣区域；
计算所述目标感兴趣区域在所述分割MPR平面的两个边界方向上的最值，并根据得到的所述目标感兴趣区域的最值确定所述目标感兴趣区域所在的包围框。
8.一种感兴趣区域的显示装置，其特征在于，所述装置包括：
分割模块，用于对获取的原始医学图像中的感兴趣区域进行分割处理，得到目标分割图像；所述目标分割图像包括所述感兴趣区域；
MPR重建模块，用于在所述原始医学图像上选取一个平面作为初始多平面重建MPR平面，并基于所述初始MPR平面和所述原始医学图像，确定目标MPR平面；
分割MPR确定模块，用于根据所述目标分割图像和所述初始MPR平面，在所述目标分割图像中确定所述目标MPR平面对应的分割MPR平面，并在所述分割MPR平面上确定所述感兴趣区域所在的包围框；所述分割MPR平面与所述目标MPR平面上各个像素点的坐标位置相同；
显示模块，用于将所述包围框叠加显示在所述目标MPR平面上；其中，所述包围框包围所述感兴趣区域。
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。
CN201911399531.1A 2019-12-30 2019-12-30 感兴趣区域的显示方法、装置、设备和存储介质 Active CN111192356B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911399531.1A CN111192356B (zh) 2019-12-30 2019-12-30 感兴趣区域的显示方法、装置、设备和存储介质
US17/137,368 US20210201066A1 (en) 2019-12-30 2020-12-30 Systems and methods for displaying region of interest on multi-plane reconstruction image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911399531.1A CN111192356B (zh) 2019-12-30 2019-12-30 感兴趣区域的显示方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN111192356A CN111192356A (zh) 2020-05-22
CN111192356B true CN111192356B (zh) 2023-04-25

Family

ID=70707924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911399531.1A Active CN111192356B (zh) 2019-12-30 2019-12-30 感兴趣区域的显示方法、装置、设备和存储介质

Country Status (2)

Country Link
US (1) US20210201066A1 (zh)
CN (1) CN111192356B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240005492A1 (en) * 2020-01-10 2024-01-04 Siemens Healthcare Gmbh Method and system for automatic detection of free intra-abdominal air
CN112085730A (zh) * 2020-09-18 2020-12-15 上海联影医疗科技股份有限公司 感兴趣区域成分分析方法、装置、电子设备和介质
CN112258496A (zh) * 2020-11-02 2021-01-22 郑州大学 一种基于全卷积神经网络的地下排水管道病害分割方法
CN112347452B (zh) * 2020-11-10 2023-08-04 上海祺鲲信息科技有限公司 电子合同签署的方法、电子设备及存储介质
CN112738457A (zh) * 2020-12-03 2021-04-30 桂林长海发展有限责任公司 一种目标探测方法、装置及存储介质
CN112365959B (zh) * 2020-12-07 2024-05-28 推想医疗科技股份有限公司 修改三维图像的标注的方法及装置
CN112766258A (zh) * 2020-12-31 2021-05-07 深圳市联影高端医疗装备创新研究院 图像的分割方法、系统、电子设备及计算机可读存储介质
CN113516757A (zh) * 2021-07-07 2021-10-19 上海商汤智能科技有限公司 图像显示方法及相关装置和电子设备、存储介质
CN113591852B (zh) * 2021-08-09 2022-08-23 数坤(北京)网络科技股份有限公司 感兴趣区域标记的方法和装置
CN113744850A (zh) * 2021-09-06 2021-12-03 上海康达卡勒幅医疗科技有限公司 非配对多中心磁共振数据和谐化方法、存储介质及应用
CN113961124B (zh) * 2021-09-27 2024-02-27 上海联影医疗科技股份有限公司 医学图像显示方法、装置、计算机设备和存储介质
CN113823419B (zh) * 2021-11-23 2022-04-05 萱闱(北京)生物科技有限公司 操作过程记录方法、装置、介质和计算设备
CN114637875A (zh) * 2022-04-01 2022-06-17 联影智能医疗科技(成都)有限公司 一种医学图像标注方法、系统及装置
CN115118989B (zh) * 2022-08-29 2022-11-25 平生医疗科技（昆山）有限公司 一种图像压缩方法及装置
CN115131376A (zh) * 2022-08-31 2022-09-30 兰州大学 一种体素合并方法及相关装置
CN116779093B (zh) * 2023-08-22 2023-11-28 青岛美迪康数字工程有限公司 一种医学影像结构化报告的生成方法、装置和计算机设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563378A (zh) * 2017-07-31 2018-01-09 上海联影医疗科技有限公司 体数据中提取感兴趣区域的方法及其系统
CN110148192A (zh) * 2019-04-18 2019-08-20 上海联影智能医疗科技有限公司 医学影像成像方法、装置、计算机设备和存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002043007A1 (en) * 2000-11-25 2002-05-30 Infinitt Co., Ltd. 3-dimensional multiplanar reformatting system and method and computer-readable recording medium having 3-dimensional multiplanar reformatting program recorded thereon
EP1467653A2 (en) * 2001-11-21 2004-10-20 Viatronix Incorporated System and method for visualization and navigation of threedimensional medical images
US7019760B2 (en) * 2002-01-02 2006-03-28 Xerox Corporation Method and apparatus for fast computation of associative operations over fixed size regions of a digital image
US10297027B2 (en) * 2014-06-09 2019-05-21 Siemens Healthcare Gmbh Landmark detection with spatial and temporal constraints in medical imaging
JP6734028B2 (ja) * 2014-11-14 2020-08-05 キヤノンメディカルシステムズ株式会社 医用画像診断装置、画像処理装置及び画像生成方法
US9978150B2 (en) * 2015-08-05 2018-05-22 Algotec Systems Ltd. Method and system for spatial segmentation of anatomical structures
US20200085382A1 (en) * 2017-05-30 2020-03-19 Arterys Inc. Automated lesion detection, segmentation, and longitudinal identification
CN111000574B (zh) * 2018-10-05 2024-04-26 佳能医疗系统株式会社 医用图像处理装置、方法、及记录介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563378A (zh) * 2017-07-31 2018-01-09 上海联影医疗科技有限公司 体数据中提取感兴趣区域的方法及其系统
CN110148192A (zh) * 2019-04-18 2019-08-20 上海联影智能医疗科技有限公司 医学影像成像方法、装置、计算机设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何毅 ; 陆淑娟 ; 梅雪 ; .基于ROI提取的多目标图像水平集分割.计算机工程.2009,(23),全文. *
侯贺 ; 吕晓琪 ; 贾东征 ; 于荷峰 ; .基于多平面重建提取冠脉轮廓线的曲面重建算法.计算机应用.2015,(01),全文. *

Also Published As

Publication number Publication date
CN111192356A (zh) 2020-05-22
US20210201066A1 (en) 2021-07-01

Similar Documents

Publication Publication Date Title
CN111192356B (zh) 感兴趣区域的显示方法、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
CN110914866B (zh) 用于在图像分析中进行解剖结构分割的系统和方法
CN111161270B (zh) 医学影像的血管分割方法、计算机设备和可读存储介质
CN111161269B (zh) 图像分割方法、计算机设备和可读存储介质
US10275930B2 (en) Combined intensity projection
US9058650B2 (en) Methods, apparatuses, and computer program products for identifying a region of interest within a mammogram image
US10390726B2 (en) System and method for next-generation MRI spine evaluation
CN109767382B (zh) 图像重建方法、装置、计算机设备和存储介质
US20180064409A1 (en) Simultaneously displaying medical images
US11683438B2 (en) Systems and methods to semi-automatically segment a 3D medical image using a real-time edge-aware brush
US20230401706A1 (en) Method for detecting a rib with a medical image, device, and medium
CN110992243A (zh) 椎间盘截面图像构建方法、装置、计算机设备及存储介质
CN111223158B (zh) 心脏冠脉图像的伪影校正方法和可读存储介质
CN111951272A (zh) 脑部影像的分割方法、装置、计算机设备和可读存储介质
CN113822839B (zh) 医学图像的处理方法、装置、计算机设备和存储介质
US20210342638A1 (en) X-ray image synthesis from ct images for training nodule detection systems
CN111210898B (zh) 一种对dicom数据进行处理的方法和装置
CN110473241B (zh) 图像配准方法、存储介质及计算机设备
CN110310314B (zh) 图像配准方法、装置、计算机设备和存储介质
CN116524158A (zh) 基于图像配准的介入导航方法、装置、设备和介质
CN111918611A (zh) 胸部x线图像的异常显示控制方法、异常显示控制程序、异常显示控制装置以及服务器装置
US20210256741A1 (en) Region correction apparatus, region correction method, and region correction program
US10713825B2 (en) Medical image reconstruction device and method emphasizing depth information
CN110910436A (zh) 基于图像信息增强技术的测距方法、装置、设备和介质

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