CN111260670A - 基于深度学习网络的三维影像的管状结构分割图断裂修复方法及系统 - Google Patents

基于深度学习网络的三维影像的管状结构分割图断裂修复方法及系统 Download PDF

Info

Publication number
CN111260670A
CN111260670A CN202010098343.1A CN202010098343A CN111260670A CN 111260670 A CN111260670 A CN 111260670A CN 202010098343 A CN202010098343 A CN 202010098343A CN 111260670 A CN111260670 A CN 111260670A
Authority
CN
China
Prior art keywords
dimensional image
deep learning
graph
learning network
fracture
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.)
Granted
Application number
CN202010098343.1A
Other languages
English (en)
Other versions
CN111260670B (zh
Inventor
赖耀明
余明亮
蔡飞跃
魏军
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.)
Guangzhou Boshi Medical Technology Co ltd
Original Assignee
Guangzhou Boshi Medical Technology 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 Guangzhou Boshi Medical Technology Co ltd filed Critical Guangzhou Boshi Medical Technology Co ltd
Priority to CN202010098343.1A priority Critical patent/CN111260670B/zh
Priority to CN202011457993.7A priority patent/CN112508969B/zh
Publication of CN111260670A publication Critical patent/CN111260670A/zh
Priority to PCT/CN2020/139468 priority patent/WO2021164417A1/zh
Priority to PCT/CN2020/139471 priority patent/WO2021164418A1/zh
Application granted granted Critical
Publication of CN111260670B publication Critical patent/CN111260670B/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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例提供一种基于深度学习网络的三维影像的管状结构分割图断裂修复方法及系统，该方法包括以下步骤：步骤S1：采集三维影像数据，并进行预处理；步骤S2：对预处理后的三维影像数据进行重采样，生成多个候选的感兴趣区域的三维数据；步骤S3：将所有候选感区域的三维数据输入目标器官提取深度学习网络，得到每一个感兴趣区域内的目标器官分割图；步骤S4：将目标器官分割图进行距离变换得到距离变换图，将目标器官分割图与距离变换图一起输入断裂修复深度学习网络，得到每一个感兴趣区域的断裂修复图，将所有的断裂修复图拼接组合在一起的到完整的目标器官分割结果。该方法及系统能够实现自动断裂修复，简单而有效，提高了分割效果。

Description

基于深度学习网络的三维影像的管状结构分割图断裂修复方 法及系统
技术领域
本发明涉及医疗图像领域，尤其涉及一种基于深度学习网络的三维影像的管状结构分割图断裂修复方法及系统。
背景技术
在正常人体解剖结构里，存在很多管状结构的器官，例如动脉、静脉、支气管、神经等等。在疾病的诊断与治疗过程中，这些器官重建非常重要，具有重要的临床价值。
目前针对不同的管状器官，在自动重建后的分割图像中，会出现噪声、断裂等异常情况，严重影响疾病的诊断与治疗。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
针对现有技术存在的问题，本发明实施例提供一种基于深度学习网络的三维影像的管状结构分割图断裂修复方法及系统。
第一方面，本发明实施例提供一种基于深度学习网络的三维影像的管状结构分割图断裂修复方法，包括以下步骤：
步骤S1：采集三维影像数据，并进行预处理；
步骤S2：对预处理后的三维影像数据进行重采样，生成多个候选的感兴趣区域的三维数据；
步骤S3：将所有候选感区域的三维数据输入目标器官提取深度学习网络，得到每一个感兴趣区域内的目标器官分割图；
步骤S4：将目标器官分割图进行距离变换得到距离变换图，将目标器官分割图与距离变换图一起输入断裂修复深度学习网络，得到每一个感兴趣区域的断裂修复图，将所有的断裂修复图拼接组合在一起的到完整的目标器官分割结果。
进一步地，步骤S1中对三维图像数据的预处理包括以下步骤：像素值规范化和插值。
进一步地，像素值规范化的方法为：
min＝c-w/2
max＝c+w/2
if x＜min then x＝0
if x＞max then x＝1
Figure BDA0002386022230000021
其中c为窗位，w为窗宽，x为像素值。
进一步地，插值的方法为：先解析原始三维图像，获取图像Spacing属性(z0,y0,x0)；其中，目标图像Spacing为(z1,y1,x1)，计算各个方向的缩放因子(z0/z1,y0/y1,x0/x1)，再根据各方向的缩放因子，利用双线性插值，得到插值后的三维数据。
进一步地，步骤S2中的重采样的方法为：将插值后的三维数据，按照步长为32×48×48，提取大小为64×96×96且有相互重叠的局部片块三维图像。
进一步地，目标分割网络结构利用卷积残差块和降采样交替进行4次，提取高维特征，然后再通过卷积残差块和上采样交替进行4次，恢复到原来输入图像的分辨率。
进一步地，目标分割网络结构在上采样后的特征图与低层次同分辨率的特征图进行融合。
进一步地，目标分割网络结构将不同深度的目标器官特征图利用上采样进行特征融合。
进一步地，断裂修复深度学习网络利用卷积残差块和降采样交替进行1 次，提取高维特征，然后再通过卷积残差块和上采样交替进行1次，恢复原来输入图像的分辨率。
第二方面，本发明实施例提供一种基于深度学习网络的三维影像的管状结构分割图断裂修复系统，包括：
预处理模块：用于对三维图像数据进行预处理；
图像重采样模块：用于对预处理后的三维影像数据进行重采样，生成多个候选的感兴趣区域的三维数据；
目标器官提取模块：用于将所有候选感区域的三维数据输入目标器官提取深度学习网络，得到每一个感兴趣区域内的目标器官分割图；
断裂修复模块：用于将目标器官分割图进行距离变换得到距离变换图，将目标器官分割图与距离变换图一起输入断裂修复深度学习网络，得到每一个感兴趣区域的断裂修复图，将所有的断裂修复图拼接组合在一起的到完整的目标器官分割结果。
本发明实施例提供的一种基于深度学习网络的三维影像的管状结构分割图断裂修复方法及系统具有如下优点：该三维影像的管状结构分割图断裂修复方法及系统利用断裂处的距离变换信息作为断裂位置识别信息，无需事先检测断裂位置，即可实现自动断裂修复，简单而有效，提高了分割效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于深度学习网络的三维影像的管状结构分割图断裂修复方法流程图；
图2为本发明实施例提供的方法中目标器官提取深度学习网络结构示意图；
图3为本发明实施例提供的方法中断裂修复深度学习网络结构示意图；
图4本发明实施例提供的基于深度学习网络的三维影像的管状结构分割图断裂修复系统的原理图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
图1为本发明实施例提供的一种基于深度学习网络的三维影像的管状结构分割图断裂修复方法流程图，如图1所示，本发明提出的一种基于深度学习网络的三维影像的管状结构分割图断裂修复方法，包括下述步骤：
步骤S1：采集三维影像数据，并进行预处理；
本发明实施例的步骤S1中，对三维图像数据的预处理包括以下步骤：像素值规范化和插值。
其中，像素值规范化的方法为：
min＝c-w/2
max＝c+w/2
if x＜min then x＝0
if x＞max then x＝1
Figure BDA0002386022230000041
其中c为窗位，w为窗宽，x为像素值。
插值的方法为：先解析原始三维图像，获取图像Spacing属性(z0,y0,x0)；其中，目标图像Spacing为(z1,y1,x1)，计算各个方向的缩放因子 (z0/z1,y0/y1,x0/x1)，再根据各方向的缩放因子，利用双线性插值，得到插值后的三维数据。
步骤S2：对预处理后的三维影像数据进行重采样，生成多个候选的感兴趣区域的三维数据；
本发明实施例的步骤S2中，重采样方法为：将插值后的三维数据，按照步长为32×48×48，提取大小为64×96×96且有相互重叠的局部片块三维图像。
步骤S3：将所有候选感区域的三维数据输入目标器官提取深度学习网络，得到每一个感兴趣区域内的目标器官分割图；
步骤S4：将目标器官分割图进行距离变换得到距离变换图，将目标器官分割图与距离变换图一起输入断裂修复深度学习网络，得到每一个感兴趣区域的断裂修复图，将所有的断裂修复图拼接组合在一起的到完整的目标器官分割结果。
该三维影像动静脉分割方法的深度学习网络采用了目标器官提取深度学习网络与断裂修复深度学习网络的两阶段的识别，即先用目标分割深度学习网络进目标器官提取，得到目标器官分割图，再将目标器官分割图进行距离变换得到距离变换图，将目标器官分割图与距离变换图一起输入断裂修复深度学习网络进行断裂修复。
其中，目标分割深度学习网络与断裂修复深度学习网络都是输出概率图。
其中，如图2所示，目标分割网络结构利用卷积残差块和降采样交替进行4次，提取高维特征，然后再通过卷积残差块和上采样交替进行4次，恢复到原来输入图像的分辨率。
其中，为了能够补充低层次的与位置相关的信息，目标分割网络结构在上采样后的特征图与低层次同分辨率的特征图进行融合。
其中，为了加强不同尺寸的目标器官的关注，目标分割网络结构将不同深度的目标器官特征图利用上采样进行特征融合。
如图3所示，断裂修复深度学习网络利用卷积残差块和降采样交替进行1次，提取高维特征，然后再通过卷积残差块和上采样交替进行1次，恢复原来输入图像的分辨率。
其中，为了扩大感受野并捕抓多尺度特征，断裂修复深度学习网络在第 4、5、6、7、8的残差块里，使用了dilated卷积；并利用skip connection，补充低层次的细节信息。
基于上述任一实施例，图4为本发明实施例提供的一种基于深度学习网络的三维影像的管状结构分割图断裂修复系统的结构示意图，该系统包括：
预处理模块：用于对三维图像数据进行预处理；
图像重采样模块：用于对预处理后的三维影像数据进行重采样，生成多个候选的感兴趣区域的三维数据；
目标器官提取模块：用于将所有候选感区域的三维数据输入目标器官提取深度学习网络，得到每一个感兴趣区域内的目标器官分割图；
断裂修复模块：用于将目标器官分割图进行距离变换得到距离变换图，将目标器官分割图与距离变换图一起输入断裂修复深度学习网络，得到每一个感兴趣区域的断裂修复图，将所有的断裂修复图拼接组合在一起的到完整的目标器官分割结果。
综上所述，本发明实施例提供的基于深度学习网络的三维影像的管状结构分割图断裂修复方法及系统利用断裂处的距离变换信息作为断裂位置识别信息，无需事先检测断裂位置，即可实现自动断裂修复，简单而有效，提高了分割效果。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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精神和范围。

Claims (10)

1.一种基于深度学习网络的三维影像的管状结构分割图断裂修复方法，其特征在于，包括以下步骤：
步骤S1：采集三维影像数据，并进行预处理；
步骤S2：对预处理后的三维影像数据进行重采样，生成多个候选的感兴趣区域的三维数据；
步骤S3：将所有候选感区域的三维数据输入目标器官提取深度学习网络，得到每一个感兴趣区域内的目标器官分割图；
步骤S4：将目标器官分割图进行距离变换得到距离变换图，将目标器官分割图与距离变换图一起输入断裂修复深度学习网络，得到每一个感兴趣区域的断裂修复图，将所有的断裂修复图拼接组合在一起的到完整的目标器官分割结果。
2.根据权利要求1所述的基于深度学习网络的三维影像的管状结构分割图断裂修复方法，其特征在于，所述步骤S1中对三维图像数据的预处理包括以下步骤：像素值规范化和插值。
3.根据权利要求2所述的基于深度学习网络的三维影像的管状结构分割图断裂修复方法，其特征在于，所述像素值规范化的方法为：
min＝c-w/2
max＝c+w/2
ifx<minthenx＝0
ifx>maxthenx＝1
Figure FDA0002386022220000011
其中c为窗位，w为窗宽，x为像素值。
4.根据权利要求3所述的基于深度学习网络的三维影像的管状结构分割图断裂修复方法，其特征在于，所述插值的方法为：先解析原始三维图像，获取图像Spacing属性(z0,y0,x0)；其中，目标图像Spacing为(z1,y1,x1)，计算各个方向的缩放因子(z0/z1,y0/y1,x0/x1)，再根据各方向的缩放因子，利用双线性插值，得到插值后的三维数据。
5.根据权利要求4所述的基于深度学习网络的三维影像的管状结构分割图断裂修复方法，其特征在于，所述步骤S2中的重采样的方法为：将插值后的三维数据，按照步长为32×48×48，提取大小为64×96×96且有相互重叠的局部片块三维图像。
6.根据权利要求1所述的基于深度学习网络的三维影像的管状结构分割图断裂修复方法，其特征在于，所述目标分割网络结构利用卷积残差块和降采样交替进行4次，提取高维特征，然后再通过卷积残差块和上采样交替进行4次，恢复到原来输入图像的分辨率。
7.根据权利要求6所述的基于深度学习网络的三维影像的管状结构分割图断裂修复方法，其特征在于，所述目标分割网络结构在上采样后的特征图与低层次同分辨率的特征图进行融合。
8.根据权利要求7所述的基于深度学习网络的三维影像的管状结构分割图断裂修复方法，其特征在于，所述目标分割网络结构将不同深度的目标器官特征图利用上采样进行特征融合。
9.根据权利要求8所述的基于深度学习网络的三维影像的管状结构分割图断裂修复方法，其特征在于，所述断裂修复深度学习网络利用卷积残差块和降采样交替进行1次，提取高维特征，然后再通过卷积残差块和上采样交替进行1次，恢复原来输入图像的分辨率。
10.一种基于深度学习网络的三维影像的管状结构分割图断裂修复系统，其特征在于，包括：
预处理模块：用于对三维图像数据进行预处理；
图像重采样模块：用于对预处理后的三维影像数据进行重采样，生成多个候选的感兴趣区域的三维数据；
目标器官提取模块：用于将所有候选感区域的三维数据输入目标器官提取深度学习网络，得到每一个感兴趣区域内的目标器官分割图；
断裂修复模块：用于将目标器官分割图进行距离变换得到距离变换图，将目标器官分割图与距离变换图一起输入断裂修复深度学习网络，得到每一个感兴趣区域的断裂修复图，将所有的断裂修复图拼接组合在一起的到完整的目标器官分割结果。
CN202010098343.1A 2020-02-18 2020-02-18 基于深度学习网络的三维影像的管状结构分割图断裂修复方法及系统 Active CN111260670B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010098343.1A CN111260670B (zh) 2020-02-18 2020-02-18 基于深度学习网络的三维影像的管状结构分割图断裂修复方法及系统
CN202011457993.7A CN112508969B (zh) 2020-02-18 2020-02-18 基于深度学习网络的三维影像的管状结构分割图断裂修复系统
PCT/CN2020/139468 WO2021164417A1 (zh) 2020-02-18 2020-12-25 基于深度学习网络的三维影像的管状结构分割图断裂修复方法
PCT/CN2020/139471 WO2021164418A1 (zh) 2020-02-18 2020-12-25 基于深度学习网络的三维影像的管状结构分割图断裂修复系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010098343.1A CN111260670B (zh) 2020-02-18 2020-02-18 基于深度学习网络的三维影像的管状结构分割图断裂修复方法及系统

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202011457993.7A Division CN112508969B (zh) 2020-02-18 2020-02-18 基于深度学习网络的三维影像的管状结构分割图断裂修复系统

Publications (2)

Publication Number Publication Date
CN111260670A true CN111260670A (zh) 2020-06-09
CN111260670B CN111260670B (zh) 2021-02-19

Family

ID=70952766

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202010098343.1A Active CN111260670B (zh) 2020-02-18 2020-02-18 基于深度学习网络的三维影像的管状结构分割图断裂修复方法及系统
CN202011457993.7A Active CN112508969B (zh) 2020-02-18 2020-02-18 基于深度学习网络的三维影像的管状结构分割图断裂修复系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202011457993.7A Active CN112508969B (zh) 2020-02-18 2020-02-18 基于深度学习网络的三维影像的管状结构分割图断裂修复系统

Country Status (2)

Country Link
CN (2) CN111260670B (zh)
WO (2) WO2021164417A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021164418A1 (zh) * 2020-02-18 2021-08-26 广州柏视医疗科技有限公司 基于深度学习网络的三维影像的管状结构分割图断裂修复系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113808146B (zh) * 2021-10-18 2023-08-18 山东大学 一种医学图像多器官分割方法及系统
CN114049359B (zh) * 2021-11-22 2024-04-16 北京航空航天大学 医学影像器官分割方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103295195A (zh) * 2013-05-16 2013-09-11 深圳市旭东数字医学影像技术有限公司 低对比度图像的脉管增强的方法及其系统
CN106204733A (zh) * 2016-07-22 2016-12-07 青岛大学附属医院 肝脏和肾脏ct图像联合三维构建系统
CN109523507A (zh) * 2018-09-26 2019-03-26 佛山市幻云科技有限公司 一种病变图像生成的方法、装置及计算机可读存储介质
CN109785325A (zh) * 2019-01-30 2019-05-21 陕西中医药大学 一种基于深度学习的多模态医学影像的方法
CN109903292A (zh) * 2019-01-24 2019-06-18 西安交通大学 一种基于全卷积神经网络的三维图像分割方法及系统
CN109961446A (zh) * 2019-03-27 2019-07-02 深圳视见医疗科技有限公司 Ct/mr三维图像分割处理方法、装置、设备及介质
US20190254535A1 (en) * 2016-09-18 2019-08-22 Yeda Research And Development Co. Ltd. Systems and methods for generating 3d images based on fluorescent illumination
CN110288524A (zh) * 2019-05-09 2019-09-27 广东启迪图卫科技股份有限公司 基于增强型上采样和辨别融合机制的深度学习超分辨率方法
CN110287956A (zh) * 2019-06-13 2019-09-27 北京理工大学 血管中心线自动匹配方法及装置
CN110599465A (zh) * 2019-08-28 2019-12-20 上海联影智能医疗科技有限公司 图像定位方法、装置、计算机设备和存储介质

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6785409B1 (en) * 2000-10-24 2004-08-31 Koninklijke Philips Electronics, N.V. Segmentation method and apparatus for medical images using diffusion propagation, pixel classification, and mathematical morphology
US20080159604A1 (en) * 2005-12-30 2008-07-03 Allan Wang Method and system for imaging to identify vascularization
KR101754291B1 (ko) * 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법
US10709399B2 (en) * 2017-11-30 2020-07-14 Shenzhen Keya Medical Technology Corporation Methods and devices for performing three-dimensional blood vessel reconstruction using angiographic images
US11335464B2 (en) * 2018-01-12 2022-05-17 Siemens Medical Solutions Usa, Inc. Integrated precision medicine by combining quantitative imaging techniques with quantitative genomics for improved decision making
CN109377458B (zh) * 2018-09-30 2020-06-12 数坤（北京）网络科技有限公司 一种冠脉分割断裂的修复方法及装置
CN109448005B (zh) * 2018-10-31 2019-12-27 数坤（北京）网络科技有限公司 一种用于冠状动脉的网络模型分割方法及设备
CN109583576B (zh) * 2018-12-17 2020-11-06 上海联影智能医疗科技有限公司 一种医学图像处理装置及方法
CN109934812B (zh) * 2019-03-08 2022-12-09 腾讯科技（深圳）有限公司 图像处理方法、装置、服务器及存储介质
CN109934816B (zh) * 2019-03-21 2021-05-11 数坤（北京）网络科技有限公司 一种互补模型的方法、设备及计算机可读存储介质
CN110765856B (zh) * 2019-09-12 2022-08-12 南京邮电大学 基于卷积的低质量手指静脉图像边缘检测算法
CN110570446A (zh) * 2019-09-20 2019-12-13 河南工业大学 一种基于生成对抗网络的眼底视网膜图像分割方法
CN111260670B (zh) * 2020-02-18 2021-02-19 广州柏视医疗科技有限公司 基于深度学习网络的三维影像的管状结构分割图断裂修复方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103295195A (zh) * 2013-05-16 2013-09-11 深圳市旭东数字医学影像技术有限公司 低对比度图像的脉管增强的方法及其系统
CN106204733A (zh) * 2016-07-22 2016-12-07 青岛大学附属医院 肝脏和肾脏ct图像联合三维构建系统
US20190254535A1 (en) * 2016-09-18 2019-08-22 Yeda Research And Development Co. Ltd. Systems and methods for generating 3d images based on fluorescent illumination
CN109523507A (zh) * 2018-09-26 2019-03-26 佛山市幻云科技有限公司 一种病变图像生成的方法、装置及计算机可读存储介质
CN109903292A (zh) * 2019-01-24 2019-06-18 西安交通大学 一种基于全卷积神经网络的三维图像分割方法及系统
CN109785325A (zh) * 2019-01-30 2019-05-21 陕西中医药大学 一种基于深度学习的多模态医学影像的方法
CN109961446A (zh) * 2019-03-27 2019-07-02 深圳视见医疗科技有限公司 Ct/mr三维图像分割处理方法、装置、设备及介质
CN110288524A (zh) * 2019-05-09 2019-09-27 广东启迪图卫科技股份有限公司 基于增强型上采样和辨别融合机制的深度学习超分辨率方法
CN110287956A (zh) * 2019-06-13 2019-09-27 北京理工大学 血管中心线自动匹配方法及装置
CN110599465A (zh) * 2019-08-28 2019-12-20 上海联影智能医疗科技有限公司 图像定位方法、装置、计算机设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MUBASHIR AHMAD 等: "Convolutional-Neural-Network-Based Feature Extraction for Liver Segmentation from CT Images", 《ELEVENTH INTERNATIONAL CONFERENCE ON DIGITAL IMAGE PROCESSING》 *
陈津津 等: "基于超限学习机的腹部CT序列图像肝脏自动分割", 《中国医学物理学杂志》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021164418A1 (zh) * 2020-02-18 2021-08-26 广州柏视医疗科技有限公司 基于深度学习网络的三维影像的管状结构分割图断裂修复系统
WO2021164417A1 (zh) * 2020-02-18 2021-08-26 广州柏视医疗科技有限公司 基于深度学习网络的三维影像的管状结构分割图断裂修复方法

Also Published As

Publication number Publication date
WO2021164418A1 (zh) 2021-08-26
CN111260670B (zh) 2021-02-19
CN112508969B (zh) 2021-12-07
CN112508969A (zh) 2021-03-16
WO2021164417A1 (zh) 2021-08-26

Similar Documents

Publication Publication Date Title
CN111260670B (zh) 基于深度学习网络的三维影像的管状结构分割图断裂修复方法及系统
CN108765363B (zh) 一种基于人工智能的冠脉cta自动后处理系统
CN112950651B (zh) 基于深度学习网络的纵隔淋巴引流区的自动勾画方法
CN110544205B (zh) 基于可见光与红外交叉输入的图像超分辨率重建方法
CN106339998A (zh) 基于对比度金字塔变换的多聚焦图像融合方法
CN111127482A (zh) 基于深度学习的ct影像肺气管的分割方法及系统
CN113012155A (zh) 髋关节图像中骨骼分割方法、电子设备及存储介质
CN113298718A (zh) 一种单幅图像超分辨率重建方法及系统
CN109948575B (zh) 超声图像中眼球区域分割方法
CN111815766A (zh) 基于2d-dsa图像重建血管三维模型处理方法及系统
CN115471470A (zh) 一种食管癌ct图像分割方法
Ali et al. Ensemble lung segmentation system using deep neural networks
CN116228785A (zh) 一种基于改进的Unet网络的肺炎CT影像分割方法
CN113299363A (zh) 一种基于yolov5的皮肤科非处方药售药方法
Wang et al. Automatic consecutive context perceived transformer GAN for serial sectioning image blind inpainting
CN111325756A (zh) 基于深度学习网络的三维影像动静脉分割方法及系统
Zhang et al. Consecutive context perceive generative adversarial networks for serial sections inpainting
CN114170221B (zh) 一种基于图像确认脑部疾病方法与系统
CN111292270A (zh) 基于深度学习网络的三维影像血管增强方法
CN111462067B (zh) 图像分割方法及装置
Li et al. Blind image inpainting using pyramid GAN on thyroid ultrasound images
CN113177938A (zh) 基于圆形卷积核的脑胶质瘤的分割方法、装置及相关组件
CN112734638A (zh) 一种遥感影像超分辨重建方法、装置及存储介质
CN112529949A (zh) 一种基于t2图像生成dwi图像的方法及系统
CN116523983B (zh) 融合多路径特征与器官形态导向的胰腺ct图像配准方法

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