CN111199552B - 一种用于对不同时期肺部ct图像进行配准的系统及方法 - Google Patents

一种用于对不同时期肺部ct图像进行配准的系统及方法 Download PDF

Info

Publication number
CN111199552B
CN111199552B CN201811378990.7A CN201811378990A CN111199552B CN 111199552 B CN111199552 B CN 111199552B CN 201811378990 A CN201811378990 A CN 201811378990A CN 111199552 B CN111199552 B CN 111199552B
Authority
CN
China
Prior art keywords
layer
lung
registration
mask
images
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
CN201811378990.7A
Other languages
English (en)
Other versions
CN111199552A (zh
Inventor
罗立刚
佘昱力
马丁
刘晓华
康悦
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.)
Zero Krypton Medical Intelligent Technology Guangzhou Co ltd
Original Assignee
Zero Krypton Medical Intelligent Technology Guangzhou 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 Zero Krypton Medical Intelligent Technology Guangzhou Co ltd filed Critical Zero Krypton Medical Intelligent Technology Guangzhou Co ltd
Priority to CN201811378990.7A priority Critical patent/CN111199552B/zh
Publication of CN111199552A publication Critical patent/CN111199552A/zh
Application granted granted Critical
Publication of CN111199552B publication Critical patent/CN111199552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06T2207/30064—Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种用于对不同时期肺CT图像进行配准的系统及方法。包括：获取模块，用于获取不同时期的肺部CT图像；预处理模块，用于将所述不同时期的肺部CT图像分别进行像素归一化预处理；掩膜生成模块，用于生成预处理后的所述不同时期的肺部CT图像的肺掩膜；配准模块，用于基于所述肺掩膜对所述不同时期的肺部CT图像进行配准。由上，本申请能够实现高效准确地对不同时期肺CT图像进行自动配准。

Description

一种用于对不同时期肺部CT图像进行配准的系统及方法
技术领域
本发明涉及图像处理，特别涉及一种用于对不同时期肺部CT图像进行配准的系统及方法。
背景技术
肺部肿瘤是当今对人类健康危害最大的恶性肿瘤之一。通常现有技术中通过CT图像对其进行检测。随着CT技术的发展，高分辨率CT因为其良好的成像质量，成为肿瘤筛查的重要工具，被越来越广泛地在临床上采用，通过检测比对同一病人在不同时期的肺部的CT图像，可以获取病人的病情是在好转或是恶化。但是随之而来的问题是医生阅片工作量的增加，尤其是在对比阅片时在大量CT数据中手动进行相同解剖位置图像匹配。在肿瘤的诊断和治疗中，对比同一位置病灶特征的变化有着重要的临床意义。但是，目前在如何提高医生在进行病情对比时的阅片效率方面的研究很少。
因此，目前亟需一种用于对不同时期肺部CT图像进行配准的系统及方法，以实现高效准确地对不同时期肺CT图像进行自动配准。
发明内容
有鉴于此，本申请提供一种用于对肺CT图像中结节进行分割的系统及方法，以实现高效准确地对不同时期肺CT图像进行自动配准。
本申请提供的一种用于对不同时期肺部CT图像进行配准的系统，包括：
获取模块，用于获取不同时期的肺部CT图像；
预处理模块，用于将所述不同时期的肺部CT图像分别进行像素归一化处理；
掩膜生成模块，用于生成所述不同时期的肺部CT图像的肺掩膜；
配准模块，用于基于所述肺掩膜对所述不同时期的肺部CT图像进行配准。
由上，本申请可以实现高效准确地对不同时期肺CT图像进行自动配准。
优选地，所述系统，还包括：
层厚获取模块，用于获取所述掩膜生成模块生成的所述不同时期的CT图像的肺掩膜的层厚。
由上，有利于根据所述不同时期的CT图像的肺掩膜的层厚以进行不同方式的配准。
优选地，所述配准模块，包括：第一配准模块和第二配准模块；
所述系统还包括：
判断模块，用于当判断所述不同时期中的用于配准的两时期的CT图像的肺掩膜的层厚的差值低于指定阈值，调用第一配准模块；
当判断所述不同时期中的用于配准的两时期的CT图像的肺掩膜的层厚的差值高于指定阈值，调用第二配准模块。
由上，可以实现更加高效准确地配准。
优选地，所述第一配准模块，包括：
第一初步定位模块，用于将用于配准的两时期中肺实质层少的一时期任选的一层肺掩膜作为标准层，将该标准层与另一时期的肺掩膜的各个层进行比较后，获取与所述标准层重合度最高的层；
第一特征变换方式获取模块，用于获取所述标准层与与其重合度最高的层之间的特征变换方式；
第一变换模块，用于将所述标准层所在的肺掩膜的全部层按照所述特征变换方式进行特征变换，以根据变换后的两个时期的肺掩膜的特征进行配准。
由上，通过上述模块可以实现对层厚差别不大的肺掩膜的高效且准确的配准。
优选地，所述第一配准模块，还包括：
第一评估模块，用于计算特征变换后的用于配准的两时期的肺掩膜的各层之间的平均DICE相似性系数，以获取所述特征变换后的用于配准的两时期的肺掩膜的重合率。
由上，根据上述重合率可以判断配准的准确度，以便进行对应的调整。
优选地，所述第二配准模块，包括：
第二初步定位模块，用于当所述不同时期中的用于配准的两时期的层厚的差值高于指定阈值时，将所述不同时期中的厚度低一时期的任选的一层的肺掩膜作为标准层，将另一时期的肺掩膜的中选取的每连续的三层作为匹配层，将所述标准层与所述匹配层进行比较，获取与所述标准层重合度最高的匹配层；
第二特征变换方式获取模块，用于获取所述标准层与所述匹配层之间的特征变换方式；
第二变换模块，用于将所述标准层所在的肺掩膜的全部层按照所述特征变换方式进行特征变换，以根据变换后的两个时期的肺掩膜的特征进行配准。
由上，通过上述模块可以避免由于被配准的两肺掩膜的层厚的不导致的匹配误差，以实现更将高效且准确的配准。
优选地，所述第二配准模块，还包括：
第二评估模块，用于计算特征变换后的用于配准的两时期的厚度低的一时期的肺掩膜的各层与另一时期的肺掩膜的匹配层之间的平均DICE相似性系数，以获取所述特征变换后的用于配准的两时期的肺掩膜的重合率。
由上，根据上述重合率可以判断配准的准确度，以便进行对应的调整。
本申请还提供一种用于对不同时期肺部CT图像进行配准的方法，包括：
A、获取不同时期的肺部CT图像；
B、将所述获取模块获取的肺部CT图像进行像素归一化处理；
C、获取所述不同时期的肺部CT图像的肺掩膜；
D、获取所述不同时期的CT图像的肺掩膜的层厚；
E、根据所述不同时期中的用于配准的两时期的CT图像的肺掩膜的层厚对所述CT图像的肺掩膜进行配准。
由上，本申请可以实现高效准确地对不同时期肺CT图像进行自动配准。
优选地，所述步骤E包括：
E1、当判断所述不同时期中的用于配准的两时期的层厚的差值低于指定阈值时，将所述不同时期中的肺实质层少的一时期的任选的一层的肺掩膜作为标准层，将该标准层与另一时期的肺掩膜的各个层进行比较后，获取与所述标准层重合度最高的层；
E2、获取所述标准层与与其重合度最高的层之间的特征变换方式；
E3、用于将所述标准层所在的肺掩膜的全部层按照所述特征变换方式进行特征变换，以根据变换后的两个时期的肺掩膜的特征进行配准。
由上，本申请通过上述方式可以实现对层厚差别不大的肺掩膜的高效且准确的配准。
优选地，所述步骤E包括：
E1’、当判断所述不同时期中的用于配准的两时期的层厚的差值高于指定阈值时，将所述不同时期中的厚度低一时期的任选的一层的肺掩膜作为标准层，将另一时期的肺掩膜的中选取的每连续的三层作为匹配层，将所述标准层与所述匹配层进行比较，获取与所述标准层重合度最高的匹配层；
E2’、获取所述标准层与所述匹配层之间的特征变换方式；
E3’、将所述标准层所在的肺掩膜的全部层按照所述特征变换方式进行特征变换，以根据变换后的两个时期的肺掩膜的特征进行配准。
由上，通过上述方式本申请可以避免由于被配准的两肺掩膜的层厚的不导致的匹配误差，以实现更将高效且准确的配准。
综上所述，本申请提供的一种用于对不同时期肺部CT图像进行配准的系统及方法，可以实现高效准确地对不同时期肺CT图像进行自动配准。
附图说明
图1为本申请实施例提供的一种用于对不同时期肺部CT图像进行配准的系统的结构示意图；
图2为本申请实施例提供的一种用于对不同时期肺部CT图像进行配准的方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合实施例，对本发明进行进一步的详细说明。应当理解为此处所描述的具体实施例仅用以解释本发明，并不用于限制本发明的保护范围。
实施例一
如图1所示，本发明提供一种用于对不同时期肺部CT图像进行配准的系统，包括：
获取模块101，用于获取不同时期的肺部CT图像；
预处理模块102，用于将所述不同时期的肺部CT图像分别进行像素归一化处理；
掩膜生成模块103，用于生成所述不同时期的肺部CT图像的肺掩膜；
层厚获取模块104，用于获取所述掩膜生成模块生成的所述不同时期的CT图像的肺掩膜的层厚。
判断模块105，用于当判断所述不同时期中的用于配准的两时期的CT图像的肺掩膜的层厚的差值低于指定阈值，调用第一配准模块；
当判断所述不同时期中的用于配准的两时期的CT图像的肺掩膜的层厚的差值高于指定阈值，调用第二配准模块。
配准模块，包括：第一配准模块106和第二配准模块107；用于基于所述肺掩膜对所述不同时期的肺部CT图像进行配准。
其中，所述第一配准模块106，包括：
第一初步定位模块1061，用于将用于配准的两时期中肺实质层少的一时期任选的一层肺掩膜作为标准层，将该标准层与另一时期的肺掩膜的各个层进行比较后，获取与所述标准层重合度最高的层；
第一特征变换方式获取模块1062，用于获取所述标准层与与其重合度最高的层之间的特征变换方式；具体的，例如获取根据标准层的世界坐标系与与其重合度最高的的层的坐标系，将所述标准层移动和\或旋转使其与与与其重合度最高的的层重合，并获取所述移动的位移参数和旋转参数；
第一变换模块1063，用于将所述标准层所在的肺掩膜的全部层按照所述特征变换方式进行特征变换，以根据变换后的两个时期的肺掩膜的特征进行配准。具体的，将所述标准层所在的肺掩膜的全部层按照上述位移参数和旋转参数等特征变换方式进行特征变换。
第一评估模块1064，用于计算特征变换后的用于配准的两时期的肺掩膜的各层之间的平均DICE相似性系数，以获取所述特征变换后的用于配准的两时期的肺掩膜的重合率。根据上述重合率可以判断配准的准确度，以便进行对应的调整。例如，可以设置重合率为95％，高于该重合率则说明相似度很高。
其中，所述第二配准模块107，包括：
第二初步定位模块1071，用于当所述不同时期中的用于配准的两时期的层厚的差值高于指定阈值时，将所述不同时期中的厚度低一时期的任选的一层的肺掩膜作为标准层，将另一时期的肺掩膜的中选取的每连续的三层作为匹配层，将所述标准层与所述匹配层进行比较，获取与所述标准层重合度最高的匹配层；
第二特征变换方式获取模块1072，用于获取所述标准层与所述匹配层之间的特征变换方式；
第二变换模块1073，用于将所述标准层所在的肺掩膜的全部层按照所述特征变换方式进行特征变换，以根据变换后的两个时期的肺掩膜的特征进行配准。
第二评估模块1074，用于计算特征变换后的用于配准的两时期的厚度低的一时期的肺掩膜的各层与另一时期的肺掩膜的匹配层之间的平均DICE相似性系数，以获取所述特征变换后的用于配准的两时期的肺掩膜的重合率。根据上述重合率可以判断配准的准确度，以便进行对应的调整。例如，可以设置重合率为95％，高于该重合率则说明相似度很高。通过第二配准模块可以避免由于被配准的两肺掩膜的层厚的不导致的匹配误差，以实现更将高效且准确的配准。
实施例二
基于实施例一提出的系统，本申请还提供一种用于对不同时期肺部CT图像进行配准的方法，包括：
S101，获取不同时期的肺部CT图像。
S102，将所述获取模块获取的肺部CT图像进行像素归一化处理。
S103，获取所述不同时期的肺部CT图像的肺掩膜。
S104，获取所述不同时期的CT图像的肺掩膜的层厚。
S105，根据所述不同时期中的用于配准的两时期的CT图像的肺掩膜的层厚对所述CT图像的肺掩膜进行配准。
其中，所述S105，包括：
S1051，当判断所述不同时期中的用于配准的两时期的层厚的差值低于指定阈值时，将所述不同时期中的肺实质层少的一时期的任选的一层的肺掩膜作为标准层，将该标准层与另一时期的肺掩膜的各个层进行比较后，获取与所述标准层重合度最高的层；
S1052，获取所述标准层与与其重合度最高的层之间的特征变换方式；
S1053，用于将所述标准层所在的肺掩膜的全部层按照所述特征变换方式进行特征变换，以根据变换后的两个时期的肺掩膜的特征进行配准。
其中，所述S105，还包括：
S1051’，当判断所述不同时期中的用于配准的两时期的层厚的差值高于指定阈值时，将所述不同时期中的厚度低一时期的任选的一层的肺掩膜作为标准层，将另一时期的肺掩膜的中选取的每连续的三层作为匹配层，将所述标准层与所述匹配层进行比较，获取与所述标准层重合度最高的匹配层；通过上述方式本申请可以避免由于被配准的两肺掩膜的层厚的不导致的匹配误差，以实现更将高效且准确的配准。
S1052’，获取所述标准层与所述匹配层之间的特征变换方式；
S1053’，将所述标准层所在的肺掩膜的全部层按照所述特征变换方式进行特征变换，以根据变换后的两个时期的肺掩膜的特征进行配准。
综上所述，本申请提供的一种用于对不同时期肺部CT图像进行配准的系统及方法，可以实现高效准确地对不同时期肺CT图像进行自动配准。
以上所述仅为本发明以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种用于对不同时期肺部CT图像进行配准的系统，其特征在于，包括：
获取模块，用于获取不同时期的肺部CT图像；
预处理模块，用于将所述不同时期的肺部CT图像分别进行像素归一化预处理；
掩膜生成模块，用于生成预处理后的所述不同时期的肺部CT图像的肺掩膜；
配准模块，用于基于所述肺掩膜对所述不同时期的肺部CT图像进行配准；
层厚获取模块，用于获取所述掩膜生成模块生成的所述不同时期的CT图像的肺掩膜的层厚；
所述配准模块，包括：第一配准模块和第二配准模块；
所述系统还包括：
判断模块，用于当判断所述不同时期中的用于配准的两时期的CT图像的肺掩膜的层厚的差值低于指定阈值，调用第一配准模块；
当判断所述不同时期中的用于配准的两时期的CT图像的肺掩膜的层厚的差值高于指定阈值，调用第二配准模块；
所述第一配准模块，包括：
第一初步定位模块，用于将用于配准的两时期中肺实质层少的一时期任选的一层肺掩膜作为标准层，将该标准层与另一时期的肺掩膜的各个层进行比较后，获取与所述标准层重合度最高的层；
第一特征变换方式获取模块，用于获取所述标准层与与其重合度最高的层之间的特征变换方式；
第一变换模块，用于将所述标准层所在的肺掩膜的全部层按照所述特征变换方式进行特征变换，以根据变换后的两个时期的肺掩膜的特征进行配准；
所述第二配准模块，包括：
第二初步定位模块，用于当所述不同时期中的用于配准的两时期的层厚的差值高于指定阈值时，将所述不同时期中的厚度低一时期的任选的一层的肺掩膜作为标准层，将另一时期的肺掩膜的中选取的每连续的三层作为匹配层，将所述标准层与所述匹配层进行比较，获取与所述标准层重合度最高的匹配层；
第二特征变换方式获取模块，用于获取所述标准层与所述匹配层之间的特征变换方式；
第二变换模块，用于将所述标准层所在的肺掩膜的全部层按照所述特征变换方式进行特征变换，以根据变换后的两个时期的肺掩膜的特征进行配准。
2.根据权利要求1所述的系统，其特征在于，所述第一配准模块，还包括：
第一评估模块，用于计算特征变换后的用于配准的两时期的肺掩膜的各层之间的平均DICE相似性系数，以获取所述特征变换后的用于配准的两时期的肺掩膜的重合率。
3.根据权利要求1所述的系统，其特征在于，所述第二配准模块，还包括：
第二评估模块，用于计算特征变换后的用于配准的两时期的厚度低的一时期的肺掩膜的各层与另一时期的肺掩膜的匹配层之间的平均DICE相似性系数，以获取所述特征变换后的用于配准的两时期的肺掩膜的重合率。
4.一种用于对不同时期肺部CT图像进行配准的方法，其特征在于，包括：
A、获取不同时期的肺部CT图像；
B、将获取的肺部CT图像进行像素归一化预处理；
C、获取预处理后的所述不同时期的肺部CT图像的肺掩膜；
D、获取所述不同时期的CT图像的肺掩膜的层厚；
E、根据所述不同时期中的用于配准的两时期的CT图像的肺掩膜的层厚对所述CT图像的肺掩膜进行配准；
E1、当判断所述不同时期中的用于配准的两时期的层厚的差值低于指定阈值时，将所述不同时期中的肺实质层少的一时期的任选的一层的肺掩膜作为标准层，将该标准层与另一时期的肺掩膜的各个层进行比较后，获取与所述标准层重合度最高的层；
E2、获取所述标准层与与其重合度最高的层之间的特征变换方式；
E3、用于将所述标准层所在的肺掩膜的全部层按照所述特征变换方式进行特征变换，以根据变换后的两个时期的肺掩膜的特征进行配准；
步骤E包括：
E1’、当判断所述不同时期中的用于配准的两时期的层厚的差值高于指定阈值时，将所述不同时期中的厚度低一时期的任选的一层的肺掩膜作为标准层，将另一时期的肺掩膜的中选取的每连续的三层作为匹配层，将所述标准层与所述匹配层进行比较，获取与所述标准层重合度最高的匹配层；
E2’、获取所述标准层与所述匹配层之间的特征变换方式；
E3’、将所述标准层所在的肺掩膜的全部层按照所述特征变换方式进行特征变换，以根据变换后的两个时期的肺掩膜的特征进行配准。
CN201811378990.7A 2018-11-19 2018-11-19 一种用于对不同时期肺部ct图像进行配准的系统及方法 Active CN111199552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811378990.7A CN111199552B (zh) 2018-11-19 2018-11-19 一种用于对不同时期肺部ct图像进行配准的系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811378990.7A CN111199552B (zh) 2018-11-19 2018-11-19 一种用于对不同时期肺部ct图像进行配准的系统及方法

Publications (2)

Publication Number Publication Date
CN111199552A CN111199552A (zh) 2020-05-26
CN111199552B true CN111199552B (zh) 2023-04-28

Family

ID=70745651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811378990.7A Active CN111199552B (zh) 2018-11-19 2018-11-19 一种用于对不同时期肺部ct图像进行配准的系统及方法

Country Status (1)

Country Link
CN (1) CN111199552B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030095696A1 (en) * 2001-09-14 2003-05-22 Reeves Anthony P. System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans
US7995864B2 (en) * 2007-07-03 2011-08-09 General Electric Company Method and system for performing image registration
EP2693951B1 (en) * 2011-04-08 2018-10-24 Algotec Systems Ltd. Image analysis for specific objects
CN103226837B (zh) * 2013-05-21 2015-08-05 南方医科大学 一种观察子宫肿瘤放疗总剂量的分布图像的生成方法
CN105303547A (zh) * 2014-07-11 2016-02-03 东北大学 一种基于网格匹配的Demons算法的多期CT图像配准方法
CN105913442A (zh) * 2016-04-29 2016-08-31 上海联影医疗科技有限公司 自动匹配肺结节的方法
CN108182700B (zh) * 2018-03-09 2020-05-19 华中科技大学 一种基于两次特征检测的图像配准方法
CN108537784B (zh) * 2018-03-30 2021-08-24 四川元匠科技有限公司 一种基于深度学习的ct图肺结节检测方法

Also Published As

Publication number Publication date
CN111199552A (zh) 2020-05-26

Similar Documents

Publication Publication Date Title
CN100455266C (zh) 宽景成像处理方法
JP5959699B2 (ja) パノラマエックス線写真を利用した診断支援システム、及びパノラマエックス線写真を利用した診断支援プログラム
US10318839B2 (en) Method for automatic detection of anatomical landmarks in volumetric data
JP6833444B2 (ja) 放射線撮影装置、放射線撮影システム、放射線撮影方法、及びプログラム
US10154820B2 (en) Method and apparatus for navigating CT scan with a marker
US8195269B2 (en) System and method for automatic detection and measurement of malacia in the airways
CN109754387A (zh) 医学图像病灶检测定位方法、装置、电子设备及存储介质
JP4640845B2 (ja) 画像処理装置およびそのプログラム
CN110853082B (zh) 医学图像配准方法、装置、电子设备及计算机存储介质
CN119444994A (zh) 基于影像模态和视图的肿瘤区域双视图检测方法及系统
JP6273291B2 (ja) 画像処理装置および方法
US20240169544A1 (en) Methods and systems for biomedical image segmentation based on a combination of arterial and portal image information
Dai et al. Locating anatomical landmarks on 2D lateral cephalograms through adversarial encoder-decoder networks
KR101028798B1 (ko) 다중 페이즈 간 ｃｔ영상들의 정합을 이용한 간세포암 검출방법
US20090060332A1 (en) Object segmentation using dynamic programming
Chan et al. Multi-modal image registration by minimizing Kullback-Leibler distance between expected and observed joint class histograms
KR101274530B1 (ko) 이미지 정합 기반 흉부영상 진단 시스템 및 방법
US8577101B2 (en) Change assessment method
JP2004518474A (ja) 心臓のｍｒ血流測定の位置合わせに関する信頼性尺度
Alam et al. Evaluation of medical image registration techniques based on nature and domain of the transformation
CN117788478A (zh) 一种医学图像分割方法、系统、设备及存储介质
CN111199552B (zh) 一种用于对不同时期肺部ct图像进行配准的系统及方法
TW202114598A (zh) 自動化定位核子醫學腦部影像紋狀體與計算紋狀體專一性攝取率的方法與系統
CN118334017A (zh) 一种面向呼吸道传染病的风险辅助评估方法
CN1489101A (zh) 基于相同重叠区框架下的多设备医学图像刚性配准方法

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