CN111311705A - 基于webgl的高适应性医学影像多平面重建方法及系统 - Google Patents
基于webgl的高适应性医学影像多平面重建方法及系统 Download PDFInfo
- Publication number
- CN111311705A CN111311705A CN202010095140.7A CN202010095140A CN111311705A CN 111311705 A CN111311705 A CN 111311705A CN 202010095140 A CN202010095140 A CN 202010095140A CN 111311705 A CN111311705 A CN 111311705A
- Authority
- CN
- China
- Prior art keywords
- image
- reconstruction
- webgl
- plane
- user
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例提供一种基于webgl的高适应性医学影像多平面重建方法及系统,该方法包括以下步骤:步骤S1:设置重建参数;步骤S2:对输入的影像进行预处理,从而提取用户选择的目标器官的轮廓和感兴趣的区域;步骤S3:利用深度学习网络进行图像分割;步骤S4:对用户选择的目标器官的轮廓和感兴趣的区域进行压缩;步骤S54:对图像进行渲染,得到最终重建的二维医疗影像。该方法支持用户自由选择重建模式,适用更加复杂的应用场景,有效减少现有技术对客户机的依赖性,提高系统开发效率,降低开发成本,也能够智能识别不同器官组织,使得医生诊断效率大大提高。
Description
技术领域
本发明涉及医疗图像领域,尤其涉及一种基于webgl的高适应性医学影像多平面重建方法及系统。
背景技术
多平面重建是将CT或MRI等成像设备扫描范围内所有原始横轴位图像叠加起来,再对某些标定线段所指定的组织进行冠状位、矢状位、横轴位和任意角度斜面进行图像重组。重建后的图像仍是二维的断面图像,能从冠状面、矢状面、横断面及任意空间方位上显示病变与周围结构的关系。重建后的图像与断面图像结合,丰富了空间立体效果,适用于显示全身各个系统组织器官的形态学改变,尤其是对判断颅底、颈部、肺门、腹部、盆腔内、动静脉血管等解剖结构复杂部位的病变性质、侵及范围、比邻关系具有明显的优势。
现有多平面重建方法依赖于C/S架构的系统,并且使用了VTK、ITK、 XTK等图形图像可视化工具,存在以下问题:
1、现有方法采用对原始图像数据进行重建,对于大数据量的医疗影像,比如全身高分辨率CT图,存在对客户机资源需求高,交互流畅性差的问题。
2、移动设备适应性不足,现有技术依赖于C/S结构系统,在客户机需要专门安装程序,开发维护成本较高。
3、不能支持医生日益增长的对智能显像技术的需求,导致原因是现有方法重建模式单一以及未结合日渐成熟的人工智能技术。
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webgl的高适应性医学影像多平面重建方法及系统。
第一方面,本发明实施例提供一种基于webgl的高适应性医学影像多平面重建方法,包括以下步骤:
步骤S1:设置重建参数;
步骤S2:对输入的影像进行预处理,从而提取用户选择的目标器官的轮廓和感兴趣的区域;
步骤S3:利用深度学习网络进行图像分割;
步骤S4:对用户选择的目标器官的轮廓和感兴趣的区域进行压缩;
步骤S54:对图像进行渲染,得到最终重建的二维医疗影像。
进一步地,步骤S1中的重建参数包括:器官组织名称、感兴趣区域和压缩比。
进一步地,步骤S2中的预处理指对对于输入的影像进行图像灰度值规范化和去噪处理。
进一步地,步骤S3中的图像分割指沿序列Z轴将相邻的9张二维切片图像堆叠为一张9通道的二维图像输入到深度学习网络中,得到预测结果为第 5张切片图像对应的初步分割结果;再将所有初步分割结果堆叠起来,并重采样至原始图像尺寸,得到最终分割结果。
进一步地,步骤S4中,对用户选择的目标器官的轮廓和感兴趣的区域进行压缩采用jpeg2000方法。
进一步地,步骤S5包括以下步骤:
步骤S51:根据分割后的图像序列,计算该序列在患者坐标系中的空间大小和位置,并对Z轴像素进行插值运算,得到与真实患者尺寸一致的体数据,并作为webgl的纹理数据写入GPU缓冲区;
步骤S52:根据重建平面的法向量和位置信息,对体数据所构成的长方体与平面进行几何运算,得到重建图像的物理形状和顶点信息;
步骤S53:根据重建图像的物理形状和顶点信息来计算webgl的模型矩阵、视图矩阵、正交投影矩阵;
步骤S54:根据纹理数据、平面形状和各变换矩阵进行图像渲染,得到最终重建的二维医疗影像。
第二方面,本发明实施例提供一种基于webgl的高适应性医学影像多平面重建系统,包括:
重建参数设置交互模块:用于提供可视化列表给用户自主设置重建参数;
预处理模块:用于对输入的影像进行预处理,从而提取用户选择的目标器官的轮廓和感兴趣的区域;
图像分割模块:用于利用深度学习网络进行图像分割;
图像压缩模块:用于对用户选择的目标器官的轮廓和感兴趣的区域进行压缩;
图像重建模块:用于根据图像的纹理数据、平面形状和各变换矩阵进行图像渲染,得到最终重建的二维医疗影像。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的基于webgl的高适应性医学影像多平面重建方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的基于webgl的高适应性医学影像多平面重建方法的步骤。
本发明实施例提供的一种基于webgl的高适应性医学影像多平面重建方法及系统具有如下优点:
1.在传统的医疗影像多平面重建方法中加入预处理和图像分割功能,能够智能识别器官组织,更有利于医生诊断,这是现有公开方法中没有的功能。
2.创新性地设计了重建参数设置交互模块,供用户根据自身需求选择不同重建参数,从而使得医疗影像多平面重建方法可支持不同场景,不同终端,适应性大大提高。
3.基于webgl的方法进行多平面重建,使得医疗影像多平面重建方法在 B/S架构的软件中速度更快,软件架构不再依赖于C/S架构,降低了程序开发和维护成本,并且支持绝大部分现代浏览器和移动终端设备。
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webgl的高适应性医学影像多平面重建方法流程图;
图2为本发明实施例提供的方法中步骤S52中多平面重建空间计算示意图;
图3本发明实施例提供的基于webgl的高适应性医学影像多平面重建系统的原理图;
图4本发明实施例提供的一种电子设备的实体结构图。
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webgl的高适应性医学影像多平面重建方法流程图(其中,WebGL(全写Web Graphics Library)是一种3D绘图协议,可以有效支持现代浏览器进行二维或三维图像绘制),如图1所示,本发明提出的一种基于webgl的高适应性医学影像多平面重建方法,包括下述步骤:
步骤S1:设置重建参数;
提供可视化列表给用户自主设置重建参数。参数有以下几项:器官组织名称,感兴趣区域,压缩比。用户根据自身需求选择不同重建参数,从而使得医疗影像多平面重建方法可支持不同场景,不同终端,适应性大大提高。
步骤S2:对输入的影像进行预处理,从而提取用户选择的目标器官的轮廓和感兴趣的区域ROI(Region of interest);
本发明实施例的步骤S2中,预处理指对对于输入的影像进行图像灰度值规范化和去噪处理。
步骤S3:利用深度学习网络进行图像分割;
本发明实施例的步骤S3中,图像分割指沿序列Z轴将相邻的9张二维切片图像堆叠为一张9通道的二维图像输入到深度学习网络中,得到预测结果为第5张切片图像对应的初步分割结果;再将所有初步分割结果(横切面图像的结果)堆叠起来,并重采样至原始图像尺寸,得到最终分割结果。
例如一个100张图像的序列经过上述深度学习网络处理后,仍然会得到 100张图片的新序列。这个新序列是经过分割的(例如胸部CT图像,可以把肋骨去掉)。
步骤S4:对用户选择的目标器官的轮廓和感兴趣的区域进行压缩;
本发明实施例的步骤S4中,对用户选择的目标器官的轮廓和感兴趣的区域进行压缩采用jpeg2000方法,用户可自主选择不同的压缩比,例如1:1, 1:30,1:50等。
步骤S5:图像重建,其包括以下步骤:
步骤S51:根据分割后的图像序列,计算该序列在患者坐标系中的空间大小和位置,并对Z轴像素进行插值运算,得到与真实患者尺寸一致的体数据,并作为webgl的纹理数据写入GPU缓冲区;
步骤S52:根据重建平面的法向量和位置信息,对体数据1所构成的长方体与平面进行几何运算,得到重建图像2的物理形状和顶点信息(如图2 所示)。
步骤S53:根据重建图像的物理形状和顶点信息来计算webgl的模型矩阵、视图矩阵、正交投影矩阵;
根据webgl的渲染流程,要把一个三维物体投影到计算机屏幕上,需要经过一些列的坐标变换,包括模型变换、视图变换、投影变换、透视除法和视口变换。此步骤根据步骤52所得的重建图像的物理形状和顶点信息(平面形状)计算各坐标变换所需变换矩阵。
步骤S54:根据纹理数据、平面形状和各变换矩阵进行图像渲染,得到最终重建的二维医疗影像。
将上述3个步骤得到的纹理数据、平面形状和各变换矩阵写入webgl顶点着色器和片元着色器程序,webgl进一步进行图元装配、光栅化和帧缓存等渲染管线流程,得到最终重建的二维医疗影像。
基于上述任一实施例,图3为本发明实施例提供的一种基于webgl的高适应性医学影像多平面重建系统的结构示意图,该系统包括:
重建参数设置交互模块:用于提供可视化列表给用户自主设置重建参数;
预处理模块:用于对输入的影像进行预处理,从而提取用户选择的目标器官的轮廓和感兴趣的区域;
图像分割模块:用于利用深度学习网络进行图像分割;
图像压缩模块:用于对用户选择的目标器官的轮廓和感兴趣的区域进行压缩;
图像重建模块:用于根据图像的纹理数据、平面形状和各变换矩阵进行图像渲染,得到最终重建的二维医疗影像。
综上所述,本发明实施例提供的基于webgl的高适应性医学影像多平面重建方法及系统支持用户自由选择重建模式,适用更加复杂的应用场景,有效减少现有技术对客户机的依赖性,提高系统开发效率,降低开发成本,也能够智能识别不同器官组织,使得医生诊断效率大大提高。
图4为本发明实施例提供的一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储在存储器303上并可在处理器301上运行的计算机程序,以执行上述各实施例提供的方法,例如包括:
提供可视化列表给用户自主设置重建参数;
对输入的影像进行预处理,从而提取用户选择的目标器官的轮廓和感兴趣的区域;
利用深度学习网络进行图像分割;
对用户选择的目标器官的轮廓和感兴趣的区域进行压缩;
根据图像的纹理数据、平面形状和各变换矩阵进行图像渲染,得到最终重建的二维医疗影像。
此外,上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的方法,例如包括:
提供可视化列表给用户自主设置重建参数;
对输入的影像进行预处理,从而提取用户选择的目标器官的轮廓和感兴趣的区域;
利用深度学习网络进行图像分割;
对用户选择的目标器官的轮廓和感兴趣的区域进行压缩;
根据图像的纹理数据、平面形状和各变换矩阵进行图像渲染,得到最终重建的二维医疗影像。
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 (9)
1.一种基于webgl的高适应性医学影像多平面重建方法,其特征在于,包括以下步骤:
步骤S1:设置重建参数;
步骤S2:对输入的影像进行预处理,从而提取用户选择的目标器官的轮廓和感兴趣的区域;
步骤S3:利用深度学习网络进行图像分割;
步骤S4:对用户选择的目标器官的轮廓和感兴趣的区域进行压缩;
步骤S54:对图像进行渲染,得到最终重建的二维医疗影像。
2.根据权利要求1所述的基于webgl的高适应性医学影像多平面重建方法,其特征在于,所述步骤S1中的重建参数包括:器官组织名称、感兴趣区域和压缩比。
3.根据权利要求1所述的基于webgl的高适应性医学影像多平面重建方法,其特征在于,所述步骤S2中的预处理指对对于输入的影像进行图像灰度值规范化和去噪处理。
4.根据权利要求1所述的基于webgl的高适应性医学影像多平面重建方法,其特征在于,所述步骤S3中的图像分割指沿序列Z轴将相邻的9张二维切片图像堆叠为一张9通道的二维图像输入到深度学习网络中,得到预测结果为第5张切片图像对应的初步分割结果;再将所有初步分割结果堆叠起来,并重采样至原始图像尺寸,得到最终分割结果。
5.根据权利要求1所述的基于webgl的高适应性医学影像多平面重建方法,其特征在于,所述步骤S4中,对用户选择的目标器官的轮廓和感兴趣的区域进行压缩采用jpeg2000方法。
6.根据权利要求1所述的基于webgl的高适应性医学影像多平面重建方法,其特征在于,所述步骤S5包括以下步骤:
步骤S51:根据分割后的图像序列,计算该序列在患者坐标系中的空间大小和位置,并对Z轴像素进行插值运算,得到与真实患者尺寸一致的体数据,并作为webgl的纹理数据写入GPU缓冲区;
步骤S52:根据重建平面的法向量和位置信息,对体数据所构成的长方体与平面进行几何运算,得到重建图像的物理形状和顶点信息;
步骤S53:根据重建图像的物理形状和顶点信息来计算webgl的模型矩阵、视图矩阵、正交投影矩阵;
步骤S54:根据纹理数据、平面形状和各变换矩阵进行图像渲染,得到最终重建的二维医疗影像。
7.一种基于webgl的高适应性医学影像多平面重建系统,其特征在于,包括:
重建参数设置交互模块:用于提供可视化列表给用户自主设置重建参数;
预处理模块:用于对输入的影像进行预处理,从而提取用户选择的目标器官的轮廓和感兴趣的区域;
图像分割模块:用于利用深度学习网络进行图像分割;
图像压缩模块:用于对用户选择的目标器官的轮廓和感兴趣的区域进行压缩;
图像重建模块:用于根据图像的纹理数据、平面形状和各变换矩阵进行图像渲染,得到最终重建的二维医疗影像。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述的基于webgl的高适应性医学影像多平面重建方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于webgl的高适应性医学影像多平面重建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010095140.7A CN111311705B (zh) | 2020-02-14 | 2020-02-14 | 基于webgl的高适应性医学影像多平面重建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010095140.7A CN111311705B (zh) | 2020-02-14 | 2020-02-14 | 基于webgl的高适应性医学影像多平面重建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311705A true CN111311705A (zh) | 2020-06-19 |
CN111311705B CN111311705B (zh) | 2021-06-04 |
Family
ID=71145043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010095140.7A Active CN111311705B (zh) | 2020-02-14 | 2020-02-14 | 基于webgl的高适应性医学影像多平面重建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311705B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113129418A (zh) * | 2021-03-02 | 2021-07-16 | 武汉联影智融医疗科技有限公司 | 基于三维影像的目标表面重建方法、装置、设备和介质 |
CN113409215A (zh) * | 2021-06-23 | 2021-09-17 | 青岛海信医疗设备股份有限公司 | 重建设备及医学影像多平面重建方法 |
CN113610990A (zh) * | 2021-08-12 | 2021-11-05 | 上海杰图天下网络科技有限公司 | 基于可量测实景影像的数据交互方法、系统、设备和介质 |
CN114119584A (zh) * | 2021-12-01 | 2022-03-01 | 张福生 | 人体成分ct影像标记方法、系统、电子设备和存储介质 |
CN114202593A (zh) * | 2020-09-18 | 2022-03-18 | 上海联影医疗科技股份有限公司 | 医学图像重建方法、装置、医学扫描设备和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101283913A (zh) * | 2008-05-30 | 2008-10-15 | 首都师范大学 | Ct图像重建的gpu加速方法 |
US20150243085A1 (en) * | 2014-02-21 | 2015-08-27 | Dropbox, Inc. | Techniques for capturing and displaying partial motion in virtual or augmented reality scenes |
CN106874700A (zh) * | 2017-04-01 | 2017-06-20 | 上海术理智能科技有限公司 | 基于Web的手术模拟方法、手术模拟装置及电子设备 |
CN107507274A (zh) * | 2017-08-30 | 2017-12-22 | 北京图航科技有限公司 | 一种基于云计算的公安案件现场三维实景快速还原方法 |
US20180143756A1 (en) * | 2012-06-22 | 2018-05-24 | Matterport, Inc. | Defining, displaying and interacting with tags in a three-dimensional model |
CN109583440A (zh) * | 2017-09-28 | 2019-04-05 | 北京西格码列顿信息技术有限公司 | 结合影像识别与报告编辑的医学影像辅助诊断方法及系统 |
CN109598783A (zh) * | 2018-11-20 | 2019-04-09 | 西南石油大学 | 一种房间3d建模方法及家具3d预览系统 |
CN109613540A (zh) * | 2018-12-25 | 2019-04-12 | 江苏省气象信息中心(江苏省气象档案馆) | 一种基于WebGL的多普勒天气雷达三维可视化方法 |
CN110570508A (zh) * | 2019-07-23 | 2019-12-13 | 博志生物科技(深圳)有限公司 | 骨质疏松状况三维可视化渲染方法 |
CN110675464A (zh) * | 2019-09-20 | 2020-01-10 | 和宇健康科技股份有限公司 | 一种医疗影像的处理方法、装置、服务器及存储介质 |
-
2020
- 2020-02-14 CN CN202010095140.7A patent/CN111311705B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101283913A (zh) * | 2008-05-30 | 2008-10-15 | 首都师范大学 | Ct图像重建的gpu加速方法 |
US20180143756A1 (en) * | 2012-06-22 | 2018-05-24 | Matterport, Inc. | Defining, displaying and interacting with tags in a three-dimensional model |
US20150243085A1 (en) * | 2014-02-21 | 2015-08-27 | Dropbox, Inc. | Techniques for capturing and displaying partial motion in virtual or augmented reality scenes |
CN106874700A (zh) * | 2017-04-01 | 2017-06-20 | 上海术理智能科技有限公司 | 基于Web的手术模拟方法、手术模拟装置及电子设备 |
CN107507274A (zh) * | 2017-08-30 | 2017-12-22 | 北京图航科技有限公司 | 一种基于云计算的公安案件现场三维实景快速还原方法 |
CN109583440A (zh) * | 2017-09-28 | 2019-04-05 | 北京西格码列顿信息技术有限公司 | 结合影像识别与报告编辑的医学影像辅助诊断方法及系统 |
CN109598783A (zh) * | 2018-11-20 | 2019-04-09 | 西南石油大学 | 一种房间3d建模方法及家具3d预览系统 |
CN109613540A (zh) * | 2018-12-25 | 2019-04-12 | 江苏省气象信息中心(江苏省气象档案馆) | 一种基于WebGL的多普勒天气雷达三维可视化方法 |
CN110570508A (zh) * | 2019-07-23 | 2019-12-13 | 博志生物科技(深圳)有限公司 | 骨质疏松状况三维可视化渲染方法 |
CN110675464A (zh) * | 2019-09-20 | 2020-01-10 | 和宇健康科技股份有限公司 | 一种医疗影像的处理方法、装置、服务器及存储介质 |
Non-Patent Citations (2)
Title |
---|
朱庆棠,等: "《周围神经缺损修复材料的生物制造与临床评估》", 30 September 2018, 中山大学出版社 * |
罗飞: ""revit architecture 三维建筑模型webgl显示及优化"", 《中国优秀硕士学位论文全文数据库(信息科技II辑)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114202593A (zh) * | 2020-09-18 | 2022-03-18 | 上海联影医疗科技股份有限公司 | 医学图像重建方法、装置、医学扫描设备和存储介质 |
CN113129418A (zh) * | 2021-03-02 | 2021-07-16 | 武汉联影智融医疗科技有限公司 | 基于三维影像的目标表面重建方法、装置、设备和介质 |
CN113129418B (zh) * | 2021-03-02 | 2023-06-27 | 武汉联影智融医疗科技有限公司 | 基于三维影像的目标表面重建方法、装置、设备和介质 |
CN113409215A (zh) * | 2021-06-23 | 2021-09-17 | 青岛海信医疗设备股份有限公司 | 重建设备及医学影像多平面重建方法 |
CN113409215B (zh) * | 2021-06-23 | 2023-01-17 | 青岛海信医疗设备股份有限公司 | 重建设备及医学影像多平面重建方法 |
CN113610990A (zh) * | 2021-08-12 | 2021-11-05 | 上海杰图天下网络科技有限公司 | 基于可量测实景影像的数据交互方法、系统、设备和介质 |
CN114119584A (zh) * | 2021-12-01 | 2022-03-01 | 张福生 | 人体成分ct影像标记方法、系统、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111311705B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311705B (zh) | 基于webgl的高适应性医学影像多平面重建方法及系统 | |
CN109754394B (zh) | 三维医学图像处理装置及方法 | |
US9858716B2 (en) | Fast three-dimensional visualization of object volumes without image reconstruction by direct display of acquired sensor data | |
US20060181551A1 (en) | Method, computer program product, and apparatus for designating region of interest | |
US8149237B2 (en) | Information processing apparatus and program | |
JP2007537770A (ja) | 内視鏡画像内の管腔状構造のディスプレイ最適化のための動的なクロップボックス決定方法 | |
US20050237336A1 (en) | Method and system for multi-object volumetric data visualization | |
US10332305B2 (en) | Cinematic rendering of unfolded 3D volumes | |
JP7423338B2 (ja) | 画像処理装置及び画像処理方法 | |
CN112070752B (zh) | 一种医学图像的心耳分割方法、装置及存储介质 | |
US20140254910A1 (en) | Imaging device, assignment system and method for assignment of localization data | |
US20220148162A1 (en) | Method and product for ai endoscope analyzing of vein based on vrds 4d medical images | |
JP4668289B2 (ja) | 画像処理装置および方法並びにプログラム | |
CN114723893A (zh) | 一种基于医疗影像的器官组织空间关系渲染方法及系统 | |
JP2006000205A (ja) | 投影画像処理方法、投影画像処理プログラム、投影画像処理装置 | |
CN113888566B (zh) | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 | |
CN114365188A (zh) | 基于vrds ai下腔静脉影像的分析方法及产品 | |
CN114429518A (zh) | 人脸模型重建方法、装置、设备和存储介质 | |
CN117036253B (zh) | 用于对分割脑血管的分割模型进行训练的方法和相关产品 | |
AU2019431568B2 (en) | Method and product for processing of vrds 4d medical images | |
JP7131080B2 (ja) | ボリュームレンダリング装置 | |
CN114693884B (zh) | 头部表面绘制文件的生成方法、渲染方法和可读存储介质 | |
CN117726744B (zh) | 生成三维数字减影血管造影图像的方法、设备和存储介质 | |
JP7167699B2 (ja) | ボリュームレンダリング装置 | |
CN118840556A (zh) | 一种基于ct影像的多级特征融合肺结节分割方法 |
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 |