CN111243026B - 解剖标记点定位方法、装置、计算机设备和存储介质 - Google Patents
解剖标记点定位方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111243026B CN111243026B CN202010061084.5A CN202010061084A CN111243026B CN 111243026 B CN111243026 B CN 111243026B CN 202010061084 A CN202010061084 A CN 202010061084A CN 111243026 B CN111243026 B CN 111243026B
- Authority
- CN
- China
- Prior art keywords
- positioning
- image
- medical image
- local
- anatomical
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/30008—Bone
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)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种解剖标记点定位方法、装置、计算机设备和存储介质,该方法包括:获取待处理的医学图像;对医学图像进行下采样处理,得到下采样处理后的医学图像;将下采样处理后的医学图像输入第一定位网络,得到第一定位图像;第一定位图像为医学图像中各解剖标记点的第一标记概率图;根据第一定位图像,得到医学图像中解剖标记点的定位坐标。该方法简化了对该医学图像中解剖标记点定位的过程,提高了得到该医学图像中解剖标记点的定位坐标的效率。
Description
技术领域
本发明涉及医疗领域,特别是涉及一种解剖标记点定位方法、装置、计算机设备和存储介质。
背景技术
关节置换术是治疗关节炎、股骨头坏死和骨折等骨关节疾病的有效手段,在关节置换术中基于CT(Computed Tomography,电子计算机断层扫描)数据的三维髋关节置换手术术前规划系统能够使医生对髋关节的规划做到更加精准,通过一些定量的参数,可以更准确的选择髋臼假体的尺寸和植入位置,提高关节置换的成功率。
传统技术中,是通过强化学习技术进行CT影像下的关键点定位,但该方法一次只能检测一个点,对于单点任务有较高的时间效率且精度较高,若需要检测多个点时,则该方法需要针对每一个关键点训练一个卷积神经网络。
但是,髋关节的视野区较大,待检测的关键点数量多且分布广,因此,传统的关键点定位方法存在定位过程复杂的问题。
发明内容
基于此,有必要针对传统的关键点定位方法存在定位过程复杂的问题,提供一种解剖标记点定位方法、装置、计算机设备和存储介质。
第一方面,本发明实施例提供一种解剖标记点定位方法,所述方法包括:
获取待处理的医学图像;
对所述医学图像进行下采样处理,得到下采样处理后的医学图像;
将所述下采样处理后的医学图像输入第一定位网络,得到第一定位图像;所述第一定位图像为所述医学图像中各解剖标记点的第一标记概率图;
根据所述第一定位图像,得到所述医学图像中解剖标记点的定位坐标。
在其中一个实施例中,所述根据所述第一定位图像,得到所述医学图像中解剖标记点的定位坐标,包括:
根据所述第一定位图像,得到多个局部骨关节图以及多个局部定位图;各所述局部骨关节图为所述医学图像所对应的局部图像;各所述局部定位图为所述第一定位图像所对应的局部图像;
根据各所述局部骨关节图和各所述局部定位图,得到所述医学图像中解剖标记点的定位坐标。
在其中一个实施例中,所述根据各所述局部骨关节图和各所述局部定位图,得到所述医学图像中解剖标记点定位坐标,包括:
将各所述局部骨关节图和各所述局部定位图输入第二定位网络,得到多个第二定位图像;所述第二定位图像为所述医学图像中各解剖标记点的第二标记概率图;
提取各所述第二定位图像的极值点坐标,将各所述极值点坐标确定为所述医学图像中解剖标记点定位坐标。
在其中一个实施例中,所述根据所述第一定位图像,得到多个局部骨关节图以及多个局部定位图,包括:
根据所述第一定位图像,获取各所述解剖标记点的第一坐标;
以各所述解剖标记点的第一坐标为中心,对所述医学图像进行裁剪处理,得到各所述局部骨关节图;
以各所述解剖标记点的第一坐标为中心,对所述第一定位图像进行裁剪处理,得到各所述局部定位图像。
在其中一个实施例中,所述以各所述解剖标记点的第一坐标为中心,对所述第一定位图像进行裁剪处理,得到各所述局部定位图像之前,所述方法还包括:
对所述第一定位图像进行上采样处理,得到上采样处理后的定位图像;
所述以各所述解剖标记点的第一坐标为中心,对所述第一定位图像进行裁剪处理,得到各所述局部定位图像,包括:
以各所述解剖标记点的第一坐标为中心,对所述上采样处理后的定位图像进行裁剪处理,得到各所述局部定位图像。
在其中一个实施例中,所述将所述下采样处理后的医学图像输入第一定位网络,得到第一定位图像之前,所述方法还包括:
对所述下采样处理后的医学图像进行预处理,得到预处理后的医学图像;所述预处理包括数据转换处理和归一化处理。
在其中一个实施例中,所述将各所述局部骨关节图和各所述局部定位图输入第二定位网络,得到多个第二定位图像之前,所述方法还包括:
对各所述局部骨关节图和各所述局部定位图像进行所述预处理,得到多个预处理后的局部骨关节图和多个预处理后的局部定位图像。
第二方面,本发明实施例提供一种解剖标记点定位装置,所述装置包括:
第一获取模块,用于获取待处理的医学图像;
第二获取模块,用于对所述医学图像进行下采样处理,得到下采样处理后的医学图像;
第三获取模块,用于将所述下采样处理后的医学图像输入第一定位网络,得到第一定位图像;所述第一定位图像为所述医学图像中各解剖标记点的第一标记概率图;
确定模块,用于根据所述第一定位图像,得到所述医学图像中解剖标记点的定位坐标。
第三方面,本发明实施例提供一种计算机设备,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:
获取待处理的医学图像;
对所述医学图像进行下采样处理,得到下采样处理后的医学图像;
将所述下采样处理后的医学图像输入第一定位网络,得到第一定位图像;所述第一定位图像为所述医学图像中各解剖标记点的第一标记概率图;
根据所述第一定位图像,得到所述医学图像中解剖标记点的定位坐标。
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时实现以下步骤:
获取待处理的医学图像;
对所述医学图像进行下采样处理,得到下采样处理后的医学图像;
将所述下采样处理后的医学图像输入第一定位网络,得到第一定位图像;所述第一定位图像为所述医学图像中各解剖标记点的第一标记概率图;
根据所述第一定位图像,得到所述医学图像中解剖标记点的定位坐标。
上述实施例提供的解剖标记点定位方法、装置、计算机设备和存储介质中,计算机设备获取待处理的医学图像,对医学图像进行下采样处理,得到下采样处理后的医学图像,将下采样处理后的医学图像输入第一定位网络,得到第一定位图像;第一定位图像为医学图像中各解剖标记点的第一标记概率图;根据第一定位图像,得到医学图像中解剖标记点的定位坐标。在该方法中,通过对医学图像进行下采样处理,能够降低该医学图像的分辨率,从而使第一定位网络能够根据下采样处理后的医学图像获取到该医学图像较大的视野,提取到更全局的信息,能够通过第一定位网络在较大的视野区范围内实现对医学图像中全部解剖标记点的定位,快速地得到第一定位图像,进而能够根据第一定位图像,快速地得到该医学图像中解剖标记点的定位坐标,简化了对该医学图像中解剖标记点定位的过程,提高了得到该医学图像中解剖标记点的定位坐标的效率。
附图说明
图1为一个实施例提供的计算机设备的内部结构示意图;
图1a为一个实施例提供的解剖标记点定位方法的流程示意图;
图2为一个实施例提供的解剖标记点定位方法的流程示意图;
图2a为一个实施例提供的第一定位网络的网络结构示意图;
图3为另一个实施例提供的解剖标记点定位方法的流程示意图;
图4为另一个实施例提供的解剖标记点定位方法的流程示意图;
图4a为一个实施例提供的第二定位网络训练过程的示意图;
图5为另一个实施例提供的解剖标记点定位方法的流程示意图;
图6为一个实施例提供的解剖标记点定位装置结构示意图。
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。
本申请实施例提供的解剖标记点定位方法,可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器,该存储器中存储有计算机程序,处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的,该计算机设备还可以包括网络接口、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。可选的,该计算机设备可以是服务器,可以是个人计算机,还可以是个人数字助理,还可以是其他的终端设备,例如平板电脑、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。
传统技术中,大部分的髋关节置换手术术前规划软件,需要医生手动对髋关节三维计算机断层成像(Computed Tomography,CT)图像上20个以上的解剖标记点进行逐一标记,用于规划过程中髋关节长度、偏心距等重要参数的实时测量以及髋臼假体的自动摆位,这个过程非常耗费时间,并且需要一定经验的医生才能做到精准无误的标注,对髋关节关键点的定位过程比较复杂。基于深度学习的方法对三维影像下的髋关节关键点检测具有更高的精度和更快的速度,但不同于其他一般的关键点检测任务,基于深度学习的方法对三维影像下的髋关节关键点检测面临以下难点:1)髋关节视野区大,待检测关键点数量多且分布广,髋关节关键点的稳定检测,需要结合关键点之间的相对位置关系,因此,需要依靠整个髋部视野区内的全局图像信息,导致输入深度神经网络的用于检测的图像必须是全视野范围的(约为300mm*200mm*300mm);2)髋关节关键点的检测精度要求到1mm左右,精度要求高,导致输入深度神经网络的用于检测的图像的像素间隔必须在1mm以内;以上两点若要同时满足,则输入的待检测图像的尺寸将达到约300mm*200mm*300mm,以这样的尺寸将待检测图像输入到深度神经网络,计算机设备的显存会严重超标,目前,利用深度学习方法进行髋关节关键点定位的方法主要是通过强化学习技术进行CT影像下的关键点定位,一次检测一个点,但该方法在检测多个点时需要针对每一个关键点训练一个卷积神经网络,定位过程比较复杂,为此,本申请实施例提供一种解剖标记点定位方法、装置、计算机设备和存储介质,旨在解决如上的技术问题。图1a为一个实施例提供的解剖标记点定位方法的流程示意图,如图1a所示,本申请对待处理的医学图像的解剖标记点的定位过程如下:计算机设备对采集到的数据进行预处理,得到待处理的医学图像,对待处理的医学图像进行下采样处理,对下采样处理后的医学图像的全局关键点进行粗定位,之后再在下采样处理后的医学图像上以粗定位为中心进行局部裁剪,进而得到局部关键点的精定位结果。
需要说明的是,本申请实施例提供的解剖标记点定位方法,其执行主体可以是解剖标记点定位装置,该解剖标记点定位装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例中,均以执行主体是计算机设备为例来进行说明。
需要说明的是,本实施例提供的解剖标记点定位方法可以适用于人体全身解剖标记点的定位,包括但不限于对髋关节、盆骨的解剖标记点的定位。下面以具体的实施例对本发明的技术方案以及本发明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。
图2为一个实施例提供的解剖标记点定位方法的流程示意图。图2a为一个实施例提供的第一定位网络的网络结构示意图。本实施例涉及的是计算机设备对医学图像进行下采样处理,将下采样处理后的医学图像输入第一定位网络,得到第一定位图像,根据第一定位图像得到医学图像中解剖标记点的定位坐标的具体实现过程。如图2所示,该方法可以包括:
S201,获取待处理的医学图像。
可选的,计算机设备可以从PACS(Picture Archiving and CommunicationSystems,影像归档和通信系统)服务器中获取待处理的医学图像,也可以从医学影像设备中实时地获取待处理的医学图像。可选的,该医学图像可以是计算机断层成像(ComputedTomography,CT)图像,也可以是磁共振(Magnetic Resonance Imaging,MRI)图像,或其他医学影像图像。可选的,医学图像可以为患者的髋关节图像,也可以为患者其他部位的医学图像。
S202,对医学图像进行下采样处理,得到下采样处理后的医学图像。
具体的,计算机设备对医学图像进行下采样处理,得到下采样处理后的医学图像。其中,对医学图像进行下采样处理的主要目的有两个:一是,使该医学图像符合显示区域的大小;二是,生成该医学图像对应的缩略图。可选的,计算机设备可以采用最近邻插值、双线性插值、均值插值、中值插值等方法中的任意一种方法对该医学图像进行下采样处理。可选的,计算机设备得到的下采样处理后的医学图像的像素间隔可以为4mm*4mm*4mm,也可以为其他像素间隔,只要像素间隔的取值在[3mm,6mm]区间内即可。
S203,将下采样处理后的医学图像输入第一定位网络,得到第一定位图像;第一定位图像为医学图像中各解剖标记点的第一标记概率图。
具体的,计算机设备将上述下采样处理后的医学图像输入第一定位网络(粗定位网络),提取下采样处理后的医学图像各解剖标记点之间的相关位置信息,得到第一定位图像,实现对下采样处理后的医学图像中各解剖标记点的粗定位。其中,第一定位图像为上述医学图像中各解剖标记点的第一标记概率图。可选的,第一定位网络可以为V-Net网络,其中,第一定位网络的网络结构可以为图2a所示的网络结构,可选的,计算机设备可以减少第一定位网络的通道数,示例性地,第一定位网络的通道数可以图2a所示的16通道起步(传统V-Net网络中的通道数以64通道起步),并将第一定位网络中编码器的特征图和解码器的特征图的融合方式由拼接改为逐元素相加,以减少计算机设备显存的占用和第一定位网络中网络参数的数量。可以理解的是,第一定位网络为预先训练好的网络,第一定位网络的训练过程可以如下:计算机设备可以获取大量的样本图像,(样本图像可以为患者骨关节的CT图像或MR图像),在样本图像上标注出有临床意义的关键点,得到与样本图像相同维度和尺寸的初始标记矩阵,其中,初始标记矩阵中标记为关键点的像素位置像素值为1,其他位置像素值为0,然后对初始标记矩阵中所有为1的像素附近,覆上一个三维高斯场,高斯场的均值坐标定在该为1的像素上,同时将该像素对应的像素值清零,然后将高斯场的像素值加到标记矩阵上,得到样本图像对应的金标准标记矩阵,根据样本图像对应的金标准标记矩阵得到该样本图像对应的金标准定位图;然后对样本图像进行下采样处理,得到下采样处理后的样本图像,将下采样处理后的样本图像输入预设的初始第一定位网络,得到第一样本定位图像,其中,第一样本定位图像为样本图像中各解剖标记点的第一样本标记概率图,然后将第一样本定位图像与上述金标准定位图进行比对,得到初始第一定位网络的损失函数的值,根据初始第一定位网络的损失函数的值对初始第一定位网络进行训练,将初始第一定位网络的损失函数的值达到稳定值时对应的初始第一定位网络确定为上述第一定位网络。可选的,计算机设备可以采用均方差函数作为初始第一定位网络的损失函数。可选的,计算机设备还可以对初始第一定位网络的损失函数的值达到稳定值时对应的初始第一定位网络中的参数进行进一步地调整,从而得到更加精确的第一定位网络。
S204,根据第一定位图像,得到医学图像中解剖标记点的定位坐标。
具体的,计算机设备根据第一定位图像,得到医学图像中解剖标记点的定位坐标。可选的,计算机设备可以将第一定位图像中标记的各解剖标记点确定为该医学图像的解剖标记点,将第一定位图像中标记的各解剖标记点的坐标确定为该医学图像中解剖标记点的定位坐标;也可以根据第一定位图像,进一步地去确定医学图像中解剖标记点的定位坐标。
在本实施例中,通过对医学图像进行下采样处理,能够降低该医学图像的分辨率,从而使第一定位网络能够根据下采样处理后的医学图像获取到该医学图像较大的视野,提取到更全局的信息,能够通过第一定位网络在较大的视野区范围内实现对医学图像中全部解剖标记点的定位,快速地得到第一定位图像,进而能够根据第一定位图像,快速地得到该医学图像中解剖标记点的定位坐标,简化了对该医学图像中解剖标记点定位的过程,提高了得到该医学图像中解剖标记点的定位坐标的效率。
图3为另一个实施例提供的解剖标记点定位方法的流程示意图。本实施例涉及的是计算机设备根据第一定位图像,得到医学图像中解剖标记点的定位坐标的具体实现过程。如图3所示,在上述实施例的基础上,作为一种可选的实施方式,上述S204,包括:
S301,根据第一定位图像,得到多个局部骨关节图以及多个局部定位图;各局部骨关节图为医学图像所对应的局部图像;各局部定位图为第一定位图像所对应的局部图像。
具体的,计算机设备可以根据第一定位图像,得到多个局部骨关节图以及多个局部定位图。其中,各局部骨关节图为医学图像所对应的局部图像,各局部定位图为第一定位图像所对应的局部图像。可选的,计算机设备可以根据第一定位图像对医学图像进行裁剪处理,得到多个局部骨关节图,对第一定位图像进行裁剪处理,得到多个局部定位图。
S302,根据各局部骨关节图和各局部定位图,得到医学图像中解剖标记点的定位坐标。
具体的,计算机设备根据各局部骨关节图和各局部定位图,得到医学图像中解剖标记点定位坐标。可选的,计算机设备可以将各局部骨关节图与对应的局部定位图组成图像对,将该图像对输入第二定位网络,通过第二定位网络对该医学图像中解剖标记点进行更精确地定位,得到该医学图像中解剖标记点的定位坐标。
在本实施例中,计算机设备根据第一定位图像,得到医学图像对应的局部骨关节图以及第一定位图像对应的局部定位图,能够根据医学图像所对应的局部图像和第一定位图像对应的局部定位图,更加准确地得到医学图像中解剖标记点的定位坐标,提高了得到的医学图像中解剖标记点的定位坐标的准确度。
图4为另一个实施例提供的解剖标记点定位方法的流程示意图。图4a为一个实施例提供的第二定位网络训练过程的示意图。本实施例涉及的是计算机设备根据第一定位图像,得到医学图像中解剖标记点的定位坐标的具体实现过程。如图4所示,在上述实施例的基础上,作为一种可选的实施方式,上述S302,包括:
S401,将各局部骨关节图和各局部定位图输入第二定位网络,得到多个第二定位图像;第二定位图像为医学图像中各解剖标记点的第二标记概率图。
具体的,计算机设备将各局部骨关节图和各局部定位图输入第二定位网络(精定位网络),在各局部定位图像的指导下,对各局部骨关节图中的解剖标记点进行更加精确地定位,得到多个第二定位图像,其中,第二定位图像为医学图像中各解剖标记点的第二标记概率图,可以理解的是,第二定位网络(精定位网络)与第一定位网络(粗定位网络)都是用于进行解剖标记点的定位,可选的,第二定位网络的网络结构可以参见图2a所示的网络结构,同样地,计算机设备可以减少第二定位网络的通道数,示例性地,第二定位网络的通道数可以如图2a所示的16通道起步(传统V-Net网络中的通道数以64通道起步),并将第二定位网络中编码器的特征图和解码器的特征图的融合方式由拼接改为逐元素相加,以减少计算机设备显存的占用和第二定位网络中网络参数的数量。需要说明的是,上述第一定位网络与第二定位网络的不同点在于,第一定位网络的输入通道数为1,仅包含下采样处理后的医学图像,第二定位网络的输入通道数为2,一个通道用于输入局部骨关节图,一个通道用于输入局部定位图,将输入的局部定位图作为一种先验作为第二定位网络的辅助信息。可选的,计算机设备将各局部骨关节图和各局部定位图输入第二定位网络之前,可以对各局部骨关节图和各局部定位图像进行上述预处理,得到多个预处理后的局部骨关节图和多个预处理后的局部定位图像。也就是,计算机设备可以将各局部骨关节图的数据和各局部定位图像的数据转换为32位的浮点精度,对各局部骨关节图和各局部定位图像进行归一化处理,将各局部骨关节图数据的数值和各局部定位图像数据的数值归一化到[-1,1]。可以理解的是,第二定位网络为预先训练好的网络,如图4a所示,第二定位网络即精定位网络的训练可以采用以下训练策略进行训练:1)粗定位网络单独训练:对原始图像(像素间隔约为0.6mm)进行降采样(采用线性差值算法)处理,降采样到像素间隔约为4mm低分辨率图像,然后对降采样后的图像进行中心裁剪,裁剪为尺寸约为96*96*96的图像,金标准图像也和原始图像做相同的处理(降采样时采用最邻近插值),将低分辨率图像送入粗定位全卷积网络,得到低分辨率图像中各解剖点的粗定位结果(像素间隔约为4mm),其中,粗定位全卷积网络主要用于全局信息和解剖点之间相对位置关系的提取,故以较大的学习率单独训练粗定位全卷积网络;2)两阶段网络联合训练:训练的第二阶段会将粗定位网络和精定位网络进行联合训练,具体的,对于精定位网络,以粗定位网络的输出为依据,以粗定位解剖点坐标位置为中心,在原始图像(像素间隔约为0.6mm)和上采样的粗定位预测图(像素间隔约为0.6mm)上,分别裁剪出尺寸为96*96*96的影像图(像素间隔约为0.6mm)和预测图(像素间隔约为0.6mm),作为精定位网络的输入,在上述过程中,粗定位网络和精定位网络的输出都可以和金标准图像计算一个损失函数(Loss),网络的最终的损失函数为两个网络的损失函数的加权求和结果,因为粗定位网络已经进行过初步训练,达到一定学习能力,所以粗定位网络将采用较小的学习率和损失权重。可以理解的是,采用这种分阶段的联合训练策略对第二定位网络进行训练具有以下优点:粗定位网络的初步训练能够加快网络的快速收敛,适合用于网络训练的初期;第二阶段的联合训练能够使整个框架中的所有参数进行最高自由度的调整,在网络训练的后期使用能够使网络收敛到更优的水平。具体的,在本实施例中,第二定位网络的训练过程可以如下:根据第一样本定位图像获取样本图像中各解剖点的第一样本坐标,以各解剖点的第一样本坐标为中心,对样本图像和第一样本定位图像进行裁剪处理,得到多个局部样本骨关节图和多个局部样本定位图像,将各局部样本骨关节图和各局部样本定位图像输入预设的初始第二定位网络,得到第二样本定位图像,其中,第二样本定位图像为样本图像中各解剖标记点的第二样本标记概率图,然后将第二样本定位图像与上述金标准定位图进行比对,得到初始第二定位网络的损失函数的值,然后根据初始第一定位网络的损失函数的值和初始第二定位网络的损失函数的值的加权求和,对上述S203中初始第一定位网络的损失函数的值达到稳定值时对应的初始定位网络和初始第二定位网络进行训练(此时,对初始第一定位网络采用相对较小的学习率和损失权重),将初始第一定位网络的损失函数的值和初始第二定位网络的损失函数的值的加权求和的值达到稳定值时,对应的初始第一定位网络、初始第二定位网络,确定为上述第一定位网络和第二定位网络。可选的,计算机设备可以采用均方差函数作为初始第一定位网络的损失函数。可以理解的是,这种分阶段的联合训练策略具有以下的优点:1)第一定位网络的初步训练能够加快网络的快速收敛,适合用于网络训练的初期;2)第二阶段的联合训练能够使第一定位网络和第二定位网络中的所有参数进行最高自由度的调整,在网络训练的后期使用能够使网络收敛达到更优的水平。可以理解的是,第一定位网络接收低分辨率图像,因此可以获得较大的视野,从而提取到更全局的信息,比如医学图像中各解剖标记点之间的相对位置关系;第二定位网络则更关注与细节,它接收局部的高分辨率图像块,在第一定位图像的大体指导下,进行解剖标记点的精确定位。两种网络有其各自的长处,而两种网络对于显存资源的占用都在可接受范围内,将两者进行结合,分阶段进行,在时间尺度上进行串联,能够保证在可接受的显存占用的情况下,满足大视野区范围内对医学图像中解剖标记点的准确检测。
S402,提取各第二定位图像的极值点坐标,将各极值点坐标确定为医学图像中解剖标记点的定位坐标。
具体的,计算机设备提取各第二定位图像的极值点坐标,将提取出的各极值点坐标确定为医学图像中解剖标记点的定位坐标。可选的,计算机设备可以采用非极大抑制算法,提取各第二定位图像的极值点坐标。
在本实施例中,计算机设备将各局部骨关节图和各局部定位图输入第二定位网络,能够在各局部定位图像的指导下对各局部骨关节图中的解剖标记点进行准确地定位,得到多个准确度较高的第二定位图像,进而提高了得到的各第二定位图像的极值点坐标的准确度,即提高了得到的医学图像中解剖标记点的定位坐标的准确度。
图5为另一个实施例提供的解剖标记点定位方法的流程示意图。本实施例涉及的是计算机设备根据第一定位图像,得到多个局部骨关节图以及多个局部定位图的具体实现过程。如图5所示,在上述实施例的基础上,作为一种可选的实施方式,上述S301,包括:
S501,根据第一定位图像,获取各解剖标记点的第一坐标。
具体的,计算机设备根据上述得到的第一定位图像,即根据医学图像中各解剖标记点的第一标记概率图,获取各解剖标记点的第一坐标。也就是,计算机设备将第一定位图像中标记的各解剖标记点的坐标,确定为各解剖标记点的第一坐标。
S502,以各解剖标记点的第一坐标为中心,对医学图像进行裁剪处理,得到各局部骨关节图。
具体的,计算设备以各解剖标记点的第一坐标为中心,对医学图像进行裁剪处理,得到各局部骨关节图。可选的,得到的各局部骨关节图的尺寸可以为96*96*96。可选的,计算机设备可以各解剖标记点的第一坐标为中心,按照预设的图像尺寸对医学图像进行裁剪处理,得到各局部骨关节图。
S503,以各解剖标记点的第一坐标为中心,对第一定位图像进行裁剪处理,得到各局部定位图像。
具体的,计算设备以各解剖标记点的第一坐标为中心,对第一定位图像进行裁剪处理,得到各局部定位图像。可选的,得到的各局部定位图像的尺寸可以为96*96*96。可选的,计算机设备可以各解剖标记点的第一坐标为中心,按照预设的图像尺寸对第一定位图像进行裁剪处理,得到各局部定位图像。可选的,计算机设备对第一定位图像进行裁剪处理前,可以对第一定位图像进行上采样处理,得到上采样处理后的定位图像,以各解剖标记点的第一坐标为中心,对上采样处理后的定位图像进行裁剪处理,得到各局部定位图像。可选的,计算机设备对第一定位图像进行上采样处理,得到的上采样处理后的定位图像的像素间隔可以为0.6mm*0.6mm*0.6mm,也可以为其他值,只要像素间隔的取值在[0.5mm,1mm]区间内即可。
在本实施例中,计算机设备能够根据第一定位图像,准确地得到各解剖标记点的第一坐标,进而能够以各解剖标记点的第一坐标为中心,对医学图像进行裁剪处理,准确地得到各局部骨关节图,以各解剖标记点的第一坐标为中心,对第一定位图像进行裁剪处理,准确地得到各局部定位图像,提高了得到的各局部骨关节图和各局部定位图像的准确度。
在上述实施例的基础上,作为一种可选的实施方式,在上述S203之前,上述方法还包括:对所述下采样处理后的医学图像进行预处理,得到预处理后的医学图像;所述预处理包括数据转换处理和归一化处理。
具体的,计算机设备将下采样处理后的医学图像输入第一定位网络,得到第一定位图像之前,还可以对下采样处理后的医学图像进行预处理,得到预处理后的医学图像,其中,预处理包括数据转换处理和归一化处理。也就是,计算机设备可以将该下采样处理后的医学图像的数据转换为32位的浮点精度,对该下采样处理后的医学图像进行归一化处理,将该下采样处理后的医学图像数据的数值范围归一化到[-1,1]。
在本实施例中,计算机设备将下采样处理后的医学图像输入第一定位网络之前对下采样处理后的医学图像进行包括数据转换处理和归一化处理的预处理,得到预处理后的医学图像,将预处理后的医学图像输入第一定位网络,能够提升第一定位网络的收敛速度,提高了得到第一定位图像的效率。
应该理解的是,虽然图2-5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2-5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。
图6为一个实施例提供的解剖标记点定位装置结构示意图。如图6所示,该装置可以包括:第一获取模块10、第二获取模块11、第三获取模块12和确定模块13。
具体的,第一获取模块10,用于获取待处理的医学图像;
第二获取模块11,用于对医学图像进行下采样处理,得到下采样处理后的医学图像;
第三获取模块12,用于将下采样处理后的医学图像输入第一定位网络,得到第一定位图像;第一定位图像为医学图像中各解剖标记点的第一标记概率图;
确定模块13,用于根据第一定位图像,得到医学图像中解剖标记点的定位坐标。
本实施例提供的解剖标记点定位装置,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。
在上述实施例的基础上,可选的,上述确定模块13包括:第一获取单元和第二获取单元。
具体的,第一获取单元,用于根据第一定位图像,得到多个局部骨关节图以及多个局部定位图;各局部骨关节图为医学图像所对应的局部图像;各局部定位图为第一定位图像所对应的局部图像;
第二获取单元,用于根据各局部骨关节图和各局部定位图,得到医学图像中解剖标记点的定位坐标。
本实施例提供的解剖标记点定位装置,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。
在上述实施例的基础上,可选的,上述第二获取单元,具体用于将各局部骨关节图和各局部定位图输入第二定位网络,得到多个第二定位图像;第二定位图像为医学图像中各解剖标记点的第二标记概率图;提取各第二定位图像的极值点坐标,将各极值点坐标确定为医学图像中解剖标记点的定位坐标。
本实施例提供的解剖标记点定位装置,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。
在上述实施例的基础上,可选的,上述第一获取单元,具体用于根据第一定位图像,获取各解剖标记点的第一坐标;以各解剖标记点的第一坐标为中心,对医学图像进行裁剪处理,得到各局部骨关节图;以各解剖标记点的第一坐标为中心,对第一定位图像进行裁剪处理,得到各局部定位图像。
本实施例提供的解剖标记点定位装置,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。
在上述实施例的基础上,可选的,上述装置还包括:处理模块。
具体的,处理模块,用于对第一定位图像进行上采样处理,得到上采样处理后的定位图像;
上述第一获取单元,具体用于以各解剖标记点的第一坐标为中心,对上采样处理后的定位图像进行裁剪处理,得到各局部定位图像。
本实施例提供的解剖标记点定位装置,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。
在上述实施例的基础上,可选的,上述装置还包括第一预处理模块。
具体的,第一预处理模块,用于对下采样处理后的医学图像进行预处理,得到预处理后的医学图像;预处理包括数据转换处理和归一化处理。
本实施例提供的解剖标记点定位装置,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。
在上述实施例的基础上,可选的,上述装置还包括第二预处理模块。
具体的,第二预处理模块,用于对各局部骨关节图和各局部定位图像进行预处理,得到多个预处理后的局部骨关节图和多个预处理后的局部定位图像。
本实施例提供的解剖标记点定位装置,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。
关于解剖标记点定位装置的具体限定可以参见上文中对于解剖标记点定位方法的限定,在此不再赘述。上述解剖标记点定位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:
获取待处理的医学图像;
对医学图像进行下采样处理,得到下采样处理后的医学图像;
将下采样处理后的医学图像输入第一定位网络,得到第一定位图像;第一定位图像为医学图像中各解剖标记点的第一标记概率图;
根据第一定位图像,得到医学图像中解剖标记点的定位坐标。
上述实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,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:
获取待处理的医学图像;
对医学图像进行下采样处理,得到下采样处理后的医学图像;
将下采样处理后的医学图像输入第一定位网络,得到第一定位图像;第一定位图像为医学图像中各解剖标记点的第一标记概率图;
根据第一定位图像,得到医学图像中解剖标记点的定位坐标。
上述实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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。
以上所述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发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种解剖标记点定位方法,其特征在于,所述方法包括:
获取待处理的医学图像;
对所述医学图像进行下采样处理,得到下采样处理后的医学图像;
将所述下采样处理后的医学图像输入第一定位网络,得到第一定位图像;所述第一定位图像为所述医学图像中各解剖标记点的第一标记概率图;
根据所述第一定位图像,得到所述医学图像中解剖标记点的定位坐标;所述根据所述第一定位图像,得到所述医学图像中解剖标记点的定位坐标,包括:根据所述第一定位图像,对所述医学图像进行裁剪处理,得到多个局部骨关节图;对所述第一定位图像进行裁剪处理,得到多个局部定位图;将各所述局部骨关节图和各所述局部定位图输入第二定位网络,得到多个第二定位图像;所述第二定位图像为所述医学图像中各解剖标记点的第二标记概率图;提取各所述第二定位图像的极值点坐标,将各所述极值点坐标确定为所述医学图像中解剖标记点的定位坐标。
2.根据权利要求1所述的方法,其特征在于,各所述局部骨关节图为所述医学图像所对应的局部图像;各所述局部定位图为所述第一定位图像所对应的局部图像。
3.根据权利要求2所述的方法,其特征在于,所述下采样处理后的医学图像的像素间隔的取值在[3mm,6mm]区间内。
4.根据权利要求2所述的方法,其特征在于,所述根据所述第一定位图像,得到多个局部骨关节图以及多个局部定位图,包括:
根据所述第一定位图像,获取各所述解剖标记点的第一坐标;
以各所述解剖标记点的第一坐标为中心,对所述医学图像进行裁剪处理,得到各所述局部骨关节图;
以各所述解剖标记点的第一坐标为中心,对所述第一定位图像进行裁剪处理,得到各所述局部定位图像。
5.根据权利要求4所述的方法,其特征在于,所述以各所述解剖标记点的第一坐标为中心,对所述第一定位图像进行裁剪处理,得到各所述局部定位图像之前,所述方法还包括:
对所述第一定位图像进行上采样处理,得到上采样处理后的定位图像;
所述以各所述解剖标记点的第一坐标为中心,对所述第一定位图像进行裁剪处理,得到各所述局部定位图像,包括:
以各所述解剖标记点的第一坐标为中心,对所述上采样处理后的定位图像进行裁剪处理,得到各所述局部定位图像。
6.根据权利要求1所述的方法,其特征在于,所述将所述下采样处理后的医学图像输入第一定位网络,得到第一定位图像之前,所述方法还包括:
对所述下采样处理后的医学图像进行预处理,得到预处理后的医学图像;所述预处理包括数据转换处理和归一化处理。
7.根据权利要求3所述的方法,其特征在于,所述将各所述局部骨关节图和各所述局部定位图输入第二定位网络,得到多个第二定位图像之前,所述方法还包括:
对各所述局部骨关节图和各所述局部定位图像进行预处理,得到多个预处理后的局部骨关节图和多个预处理后的局部定位图像;所述预处理包括数据转换处理和归一化处理。
8.一种解剖标记点定位装置,其特征在于,所述装置包括:
第一获取模块,用于获取待处理的医学图像;
第二获取模块,用于对所述医学图像进行下采样处理,得到下采样处理后的医学图像;
第三获取模块,用于将所述下采样处理后的医学图像输入第一定位网络,得到第一定位图像;所述第一定位图像为所述医学图像中各解剖标记点的第一标记概率图;
确定模块,用于根据所述第一定位图像,得到所述医学图像中解剖标记点的定位坐标;所述确定模块包括第一获取单元和第二获取单元:所述第一获取单元用于根据所述第一定位图像,对所述医学图像进行裁剪处理,得到多个局部骨关节图;对所述第一定位图像进行裁剪处理,得到多个局部定位图;所述第二获取单元用于将各所述局部骨关节图和各所述局部定位图输入第二定位网络,得到多个第二定位图像;所述第二定位图像为所述医学图像中各解剖标记点的第二标记概率图;提取各所述第二定位图像的极值点坐标,将各所述极值点坐标确定为所述医学图像中解剖标记点的定位坐标。
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1-7中任一项所述方法的步骤。
10.一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权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010061084.5A CN111243026B (zh) | 2020-01-19 | 2020-01-19 | 解剖标记点定位方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010061084.5A CN111243026B (zh) | 2020-01-19 | 2020-01-19 | 解剖标记点定位方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111243026A CN111243026A (zh) | 2020-06-05 |
CN111243026B true CN111243026B (zh) | 2023-09-22 |
Family
ID=70864231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010061084.5A Active CN111243026B (zh) | 2020-01-19 | 2020-01-19 | 解剖标记点定位方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111243026B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012126B (zh) * | 2021-03-17 | 2024-03-22 | 武汉联影智融医疗科技有限公司 | 标记点重建方法、装置、计算机设备和存储介质 |
CN113450328B (zh) * | 2021-06-29 | 2022-10-14 | 汕头大学 | 基于改进神经网络的医学图像关键点检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101958079A (zh) * | 2010-07-22 | 2011-01-26 | 西北师范大学 | 经脉穴位在三维虚拟人体解剖组织中的定位模型及其应用 |
CN105184782A (zh) * | 2015-08-27 | 2015-12-23 | 山东师范大学 | 一种ct中盆腔器官自动分割的方法 |
KR20170000789A (ko) * | 2015-06-24 | 2017-01-03 | 지멘스 헬스케어 게엠베하 | 의료 이미지 프로세싱 방법 및 이미지 프로세싱 시스템 |
WO2019152412A1 (en) * | 2018-01-31 | 2019-08-08 | General Electric Company | System and method for detecting anatomical regions |
CN110222741A (zh) * | 2019-05-23 | 2019-09-10 | 上海联影智能医疗科技有限公司 | 医学图像的预测方法、模型、装置、设备和存储介质 |
CN110246580A (zh) * | 2019-06-21 | 2019-09-17 | 上海优医基医疗影像设备有限公司 | 基于神经网络和随机森林的颅侧面影像分析方法和系统 |
CN110473172A (zh) * | 2019-07-24 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 医学图像解剖中线确定方法、计算机设备和存储介质 |
CN110570483A (zh) * | 2019-08-08 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 扫描方法、装置、计算机设备和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3482346A1 (en) * | 2016-07-08 | 2019-05-15 | Avent, Inc. | System and method for automatic detection, localization, and semantic segmentation of anatomical objects |
US10521927B2 (en) * | 2017-08-15 | 2019-12-31 | Siemens Healthcare Gmbh | Internal body marker prediction from surface data in medical imaging |
US10949968B2 (en) * | 2018-05-07 | 2021-03-16 | Zebra Medical Vision Ltd. | Systems and methods for detecting an indication of a visual finding type in an anatomical image |
-
2020
- 2020-01-19 CN CN202010061084.5A patent/CN111243026B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101958079A (zh) * | 2010-07-22 | 2011-01-26 | 西北师范大学 | 经脉穴位在三维虚拟人体解剖组织中的定位模型及其应用 |
KR20170000789A (ko) * | 2015-06-24 | 2017-01-03 | 지멘스 헬스케어 게엠베하 | 의료 이미지 프로세싱 방법 및 이미지 프로세싱 시스템 |
CN105184782A (zh) * | 2015-08-27 | 2015-12-23 | 山东师范大学 | 一种ct中盆腔器官自动分割的方法 |
WO2019152412A1 (en) * | 2018-01-31 | 2019-08-08 | General Electric Company | System and method for detecting anatomical regions |
CN110222741A (zh) * | 2019-05-23 | 2019-09-10 | 上海联影智能医疗科技有限公司 | 医学图像的预测方法、模型、装置、设备和存储介质 |
CN110246580A (zh) * | 2019-06-21 | 2019-09-17 | 上海优医基医疗影像设备有限公司 | 基于神经网络和随机森林的颅侧面影像分析方法和系统 |
CN110473172A (zh) * | 2019-07-24 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 医学图像解剖中线确定方法、计算机设备和存储介质 |
CN110570483A (zh) * | 2019-08-08 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 扫描方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111243026A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993726B (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
US20210133978A1 (en) | Method for precisely and automatically positioning reference line for integrated images | |
CN111671454B (zh) | 脊柱弯曲角度测量方法、装置、计算机设备及存储介质 | |
CN107220933B (zh) | 一种参考线确定方法和系统 | |
CN111179231B (zh) | 图像处理方法、装置、设备和存储介质 | |
CN111047572A (zh) | 一种基于Mask RCNN的医学图像中脊柱自动定位方法 | |
CN110956635A (zh) | 一种肺段分割方法、装置、设备及存储介质 | |
CN110570483B (zh) | 扫描方法、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 | |
CN109697740B (zh) | 图像重建方法、装置和计算机设备 | |
CN111583188A (zh) | 手术导航标记点定位方法、存储介质及计算机设备 | |
CN111640100A (zh) | 肿瘤图像的处理方法和装置、电子设备、存储介质 | |
CN111243026B (zh) | 解剖标记点定位方法、装置、计算机设备和存储介质 | |
CN111161269B (zh) | 图像分割方法、计算机设备和可读存储介质 | |
CN112465771B (zh) | 脊柱核磁共振图像的分析方法、装置和计算机设备 | |
CN115511960A (zh) | 股骨中轴线定位的方法、装置、计算机设备和存储介质 | |
CN111192268B (zh) | 医学图像分割模型构建方法与cbct图像骨分割方法 | |
JP4964191B2 (ja) | 画像処理装置および方法ならびにプログラム | |
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 | |
CN112950684B (zh) | 基于表面配准的目标特征提取方法、装置、设备和介质 | |
CN114255329A (zh) | Roi自动定位方法、装置、手术机器人系统、设备及介质 | |
CN110473285B (zh) | 图像重构方法、装置、计算机设备和存储介质 | |
WO2023241032A1 (zh) | 基于深度学习的智能识别骨关节炎的方法及系统 | |
CN115372872A (zh) | 一种三维脊椎mr图像自动分割装置 | |
CN113781496B (zh) | 基于cbct脊椎图像的椎弓根螺钉通道自动规划系统和方法 |
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 |