CN111462115A - 医学图像显示方法、装置和计算机设备 - Google Patents
医学图像显示方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111462115A CN111462115A CN202010342186.4A CN202010342186A CN111462115A CN 111462115 A CN111462115 A CN 111462115A CN 202010342186 A CN202010342186 A CN 202010342186A CN 111462115 A CN111462115 A CN 111462115A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- region
- display
- scanning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 10
- 210000000056 organ Anatomy 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 11
- 238000002591 computed tomography Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 210000001519 tissue Anatomy 0.000 description 8
- 239000000463 material Substances 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 210000000988 bone and bone Anatomy 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 238000012636 positron electron tomography Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 239000012216 imaging agent Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- 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
- G06T2207/20084—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种医学图像显示方法、装置、计算机设备和可读存储介质,其中,医学图像显示方法包括对扫描对象进行扫描,得到扫描图像;根据所述扫描图像中的信息识别出至少一个区域;根据识别出的所述区域对所述扫描图像进行分割,获得与所述区域相对应的子图像;根据所述子图像的像素值范围,设置所述子图像中像素的显示值;将所述子图像的像素按照所述显示值进行显示。本申请提供的医学图像显示方法,解决了查阅图像时间较长的问题,同时可以避免在设置窗宽和窗位的过程中出现错误,提高了医学图像的显示对比度,增加了医学图像的显示效果。
Description
技术领域
本申请涉及医疗技术领域,特别是涉及一种医学图像显示方法、装置和计算机设备。
背景技术
在医学影像显示时,由于不同部位的图像像素值差别较大,多个部位同时显示时会导致部分部位的图像显示均一化,难以分辨细节。例如,部位A的图像像素值为900~1000范围,部位B图像像素值为0~100范围,两个部位一起显示时,像素值总范围是0~1000,这两个部位内部像素之间的对比度会比单独显示时大大降低。
传统地,为了提高图像的显示效果,在显示图像数据时,需要人工设置包含像素值的窗位和窗宽。窗宽WW表示像素值范围内包含的像素值数目。窗位WL表示在像素值范围内包含的像素值的中间值。当窗位WL比较低时,具有低辐射吸收系数的空气或脂肪可以被清楚地展示,而当窗位WL比较高时,具有高辐射吸收系数的材料(诸如骨)可以被清楚地显示。在显示时,像素值与灰度值具有一定的映射关系。由于该方法需要在查阅图像之前人工选择和设置窗宽和窗位才能实现图像的高对比度显示,但是,在一些情况下,人工选择和设置窗位和窗宽过程会出现操作失误,进而降低图像的显示效果。
发明内容
本申请提供一种医学图像显示方法,以至少解决图像显示效果差的问题。
第一方面,本申请实施例提供了一种医学图像显示方法,包括:
对扫描对象进行扫描,得到扫描图像;
根据所述扫描图像中的信息识别出至少一个区域;
根据识别出的所述区域对所述扫描图像进行分割,获得与所述区域相对应的子图像;
根据所述子图像的像素值范围,设置所述子图像中像素的显示值;
将所述子图像的像素按照所述显示值进行显示。
在其中一些实施例中,所述根据所述扫描图像中的信息识别出至少一个区域包括:
在所述扫描图像中选择至少一个感兴趣区域;
根据所述感兴趣区域识别出至少一个区域。
在其中一些实施例中,所述扫描图像中的信息至少包括以下信息中的一种:扫描图像的梯度信息、灰度信息以及色彩信息。
在其中一些实施例中,所述区域包括身体部位、器官或组织中的一种或多种的组合。
在其中一些实施例中,所述根据识别出的所述区域对所述扫描图像进行分割包括:
根据识别出的所述区域,分割出每一所述区域的范围和边界。
在其中一些实施例中,所述根据所述子图像的像素值范围,设置所述子图像中像素的显示值包括:
根据区域范围内的像素值和区域边界的像素值,分别设置所述子图像中像素的显示值。
在其中一些实施例中,医学图像显示方法还包括:根据所述像素值范围或所述显示值设置显示区域的窗宽和窗位。
在其中一些实施例中,所述像素值可以是CT值、SUV值以及MRI回波信号强度值中的一种。
第二方面,本申请实施例提供了一种医学图像显示装置,其特征在于,所述装置包括:
扫描模块,用于对扫描对象进行扫描,得到扫描图像;
识别模块,用于根据所述扫描图像中的信息识别出至少一个区域;
分割模块,用于根据识别出的所述区域对所述扫描图像进行分割,获得与所述区域相对应的子图像;
设置模块,用于根据所述子图像的像素值范围,设置所述子图像中像素的显示值;
显示模块,用于将所述子图像的像素按照所述显示值进行显示。
第三方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的医学图像显示方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的医学图像显示方法。
相比于相关技术,本申请实施例提供的医学图像显示方法,采用对扫描对象进行扫描,得到扫描图像;根据所述扫描图像中的信息识别出至少一个区域;根据识别出的所述区域对所述扫描图像进行分割,获得与所述区域相对应的子图像;根据所述子图像的像素值范围,设置所述子图像中像素的显示值;将所述子图像的像素按照所述显示值进行显示的方式,避免了人工设置窗宽和窗高,改善了医学图像的显示对比度,提高了扫描图像的显示效果。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为一实施例提供的医学图像显示方法的流程图;
图2为一实施例提供的根据扫描图像中的信息识别出至少一个区域的流程图;
图3为一个实施例中医学图像显示装置的结构框图;
图4为一个实施例中计算机设备的硬件结构示意图。
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,对本申请进行描述和说明。应当理解,此处所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。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本申请涉及到的各种技术可应用于医学影像系统中,例如CT、DR、MRI、PET-CT、PET、MR或其中任意多模态的组合。
图1为一实施例提供的医学图像显示方法的流程图,如图1所示,医学图像显示方法包括步骤110至步骤150,其中:
步骤110,对扫描对象进行扫描,得到扫描图像。
扫描对象可以是人体、动物体或实验模体等。根据不同的扫描要求,可以对扫描对象的不同部位设置不同的扫描参数。根据扫描参数,在对扫描对象的不同部位扫描时,使用对应该部位的扫描参数进行扫描,获取原始扫描数据。例如,控制设备在接收到设置的扫描参数后,可以根据该参数控制数据采集设备进行数据采集,得到原始数据。数据采集设备获取到的原始数据,比如对扫描对象扫描时得到的X射线穿过扫描对象的衰减信息,可以传输至重建设备,重建设备可以将该原始数据存储在硬盘上并进行图像重建,以得到扫描对象的扫描图像。
步骤120,根据扫描图像中的信息识别出至少一个区域。
扫描图像中包括多个区域,例如扫描对象为人体时,对人体进行全身扫描,得到的扫描图像包括多个部位,每一部位对应不同的区域。通过图像识别算法识别出至少一个区域。待识别的区域可以包括身体部位、器官或组织中的一种或多种的组合。例如识别扫描图像中的头部和肺部两个区域。
扫描图像中的信息至少包括以下信息中的一种:扫描图像的梯度信息、灰度信息以及色彩信息。根据扫描图像中的信息和图像识别算法识别出至少一个区域。
现有的图像识别算法包括基于关键点的图像识别算法、基于纹理的图像识别算法、基于模型的图像识别算法、基于K-L的图像识别算法、基于几何特征的图像识别算法、基于神经网络的图像识别算法、基于边缘轮廓的图像识别算法以及结合复杂网络和分水岭算法等,上述识别算法均是将图像轮廓看作一系列有顺序的连续点集来对待,点在轮廓点集中的关联性以及先后顺序会直接影响到对图像轮廓形状的建模与识别。
本申请以基于几何特征的图像识别算法为例进行说明。具体地,将扫描图像输入至医学图像分类模型,由医学图像分类模型输出扫描图像所对应的医学图像内容识别结果,此外,在输出医学图像内容识别结果的过程中,经过多层级联的卷积层后可以输出特征图。可以理解的是,医学图像分类模型可以是一个基于深度卷积的神经网络,例如视觉几何组(Visual Geometry Group,VGG)、残差网络(Residual Network,res-net)或者密集网络(dense-net),医学图像分类模型的主体是由卷积层堆叠而成的。具体地,假设输入的扫描图像为一个红绿蓝(red green blue,RGB)图像,该扫描图像的尺寸表示为H*W*3,例如224*224*3。经过多层级联的卷积层和池化层之后,获取经过最后一个卷积层后输出的特征图。可以理解的是,通过卷积核提取出来的每个特征图都蕴含了图像的部分空间特征,且越到后面的卷积层对应的感受野越大,也就能够提取到更加全局化的语义特征。其中,特征图表示为Fn(x,y),特征图Fn(x,y)中的n表示第n个通道的特征图,即n=0,1,2,…,N-1,该特征图的尺寸表示为X*Y*N,假设尺寸为7*7*1024,则N=1024,(x,y)表示在特征图中的空间位置,即x=0,1,2,…,X-1,y=0,1,2,…,Y-1。特征图经过全局平均池化层,即对每一个通道的特征图求得其平均值,得到向量(其尺寸为1*N,例如1*1024),该向量再通过全连接层映射到每一个类别的预测得分(其尺寸为1xC,C为类别的个数)。从所有类别中取得分最高的类别作为对扫描图像的内容识别结果。然后基于反向梯度传播算法,根据内容识别结果获取梯度传播结果;根据梯度传播结果生成扫描图像所对应的物体轮廓图;根据物体轮廓图生成扫描图像所对应的图像识别结果,识别出至少一个区域。
通过上述图像识别算法对扫描图像进行识别,在得到基于医学图像病灶分类结果的同时,还可以得到一个物体轮廓图,这个物体轮廓图是学习出了整个图像所有物体的一个轮廓特征。由于物体轮廓图是利用输入层及较前面层的卷积网络结果,保留了高分辨率的图像轮廓信息,因而有更高的分辨率,识别效果更好。
步骤130,根据识别出的区域对扫描图像进行分割,获得与区域相对应的子图像。
在识别出扫描图像中的至少一个区域后,利用图像分割算法将识别出的区域从扫描图像中分割出来,得到与该区域相对应的子图像。例如得到头部区域子图像和肺部区域子图像。
具体地,确定识别出的区域中的最大像素值和最小像素值,并将该区域作为参考区域,从参数区域选择分割起始点;根据所述分割起始点、所述最大像素值及所述最小像素值,对参数区域进行阈值分割,得到第一分割结果;判断所述第一分割结果是否覆盖参数区域;若所述第一分割结果覆盖参数区域,根据所述最大像素值、最小像素值和所述分割起始点,通过阈值连通算法对所述目标分期图像进行阈值分割,得到目标分割结果。本申请通过自动确定参数区域的最大像素值、最小像素值及分割起始点,根据确定的最大像素值、最小像素值及分割点对目标分期图像进行图像分割,能够简化医学图像分割的参数设置步骤,提高分割结果的准确性,能够适应多种类型的医学图像分割,提高医学图像分割效率。
步骤140,根据子图像的像素值范围,设置子图像中像素的显示值。
在对扫描图像进行分割,获得至少一个子图像后,根据子图像的像素值范围,设置子图像中像素的显示值。显示值包括色彩值和灰度值中的至少一种。
以两个子图像显示为例,第一子图像的像素值范围为900~1000,第二子图像的像素值范围为0~100,第一子图像和第二子图像一起显示时,若不进行处理,则像素值总范围是0~1000,第一子图像和第二子图像之间的对比度会比单独显示时大大降低,图像显示效果较差,医生不容易进行诊断。本申请根据子图像的像素值范围,重新设置子图像中像素的显示值,以提高医学图像显示的对比度,方便医生进行诊断。例如,可以将第一子图像和第二子图像的显示值都归一化到0~100的灰度值,从而可以使第一子图像和第二子图像都能够保持高对比度;进一步地,还可以将第一子图像进行突出显示为0~500的灰度值,以进一步提高图像显示的对比度。
步骤150,将子图像的像素按照显示值进行显示。
将子图像显示在显示界面上。显示界面可以是LCD屏幕,也可以是OLED(OrganicLight Emitting Display,简称OLED)屏幕,本实施例对显示界面的类型不作限制。
本申请提供的医学图像显示方法,包括对扫描对象进行扫描,得到扫描图像;根据扫描图像中的信息识别出至少一个区域;根据识别出的区域对扫描图像进行分割,获得与区域相对应的子图像;根据子图像的像素值范围,设置子图像中像素的显示值;将子图像的像素按照显示值进行显示。本申请提供的医学图像显示方法,解决了查阅图像时间较长的问题,同时可以避免在设置窗宽和窗位的过程中出现错误,改善了医学图像的显示对比度,提高了扫描图像的显示效果。
在其中一些实施例中,根据扫描图像中的信息识别出至少一个区域包括步骤210和步骤220,其中:
步骤210,在扫描图像中选择至少一个感兴趣区域;
步骤220,根据感兴趣区域识别出至少一个区域。
感兴趣区域可以由技师进行选择,也可以由医疗设备自动确定。感兴趣区域(ROI)是从扫描图像中选择的一个图像区域,感兴趣区域可以理解为需要重点关注的区域,例如头部区域或肺部区域等,圈定该区域以便进行进一步处理。使用ROI圈定目标区域,可以减少处理时间,增加精度。本实施通过医疗设备自动确定感兴趣区域,从而提高识别效率。
在一实施例中,可以通过人工智能技术识别扫描图像来确定感兴趣区域。基于AI的医学领域包括计算机视觉技术(Computer Vision,CV),CV是一门研究如何使机器“看”的科学,更进一步的说,就是指用图像采集设备和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。本实施例中,将扫描图像发送至服务器,通过服务器中训练得到的人工智能模型对扫描图像进行识别,自动确定感兴趣区域,提高识别效率和精度。
在其中一些实施例中,根据识别出的区域,分割出每一区域的范围和边界。根据区域范围内的像素值和区域边界的像素值,分别设置子图像中像素的显示值。
本实施例将每一区域的范围和边界进行分割,并根据区域范围内的像素值设置子图像中像素的第一显示值,根据区域边界的像素值设置子图像中像素的第二显示值,从而可以将边界能够清晰显示,子图像范围内的显示值与边界的显示值的范围不重合,进一步提高图像的显示对比度。
在其中一些实施例中,医学图像显示方法还包括:根据像素值范围或显示值设置显示区域的窗宽和窗位。
当显示扫描图像数据时,需要定义包含像素值的窗位和窗宽。窗宽WW表示像素值范围内包含的像素值的数目。窗位WL表示在像素值范围内包含的像素值的中间像素值。当窗位WL比较低时,具有低辐射吸收系数的空气或脂肪可以被清楚地展示,而当窗位WL比较高时,具有高辐射吸收系数的材料(诸如骨)可以被清楚地显示。在显示时,像素值与灰度值具有一定的映射关系。现有的通过人工来设置像素值的窗位和窗宽,容易在设置过程中出现错误,进而影响图像的显示效果。本实施例根据像素值范围设置显示区域的窗宽和窗位。以两个子图像显示为例,第一子图像的像素值范围为900~1000,第二子图像的像素值范围为0~100,第一子图像和第二子图像一起显示时,将第一子图像和第二子图像的像素的显示值均设置为0-100,根据第一子图像和第二子图像的显示值范围,将窗宽设置为0-100,窗位设置为显示值范围内包含的显示值的中间值,即50,实现了自动设置窗宽和窗位,避免了人工在设置窗宽和窗位的过程中出现错误的问题。
在其中一些实施例中,像素值可以是CT值、SUV值以及MRI回波信号强度值中的一种。
计算机断层扫描(CT)图像可由CT值表示。CT值可包括用于描述射线可透性的亨斯菲尔德单位(HU)和量值。CT值可以是范围从大约-1024到3071的整数。CT图像通常是使用CT值的黑白图像或者是具有有限色彩分量的图像。相应地,为了精确诊断,扫描图像必须在宽灰度级范围内显示。根据组成和结构,不同的身体组织、器官和材料有它们自身的CT值。所以CT图像中的部分可被区别地显示,医生可通过使用CT图像检查对象的状态来进行诊断。空气的CT值大约为-1000,而水的CT值大约是0。具有相对高空气容量的肺和脂肪以及乳腺的CT值较低,范围大约为-1000到0。具有高密度、低空气容量的骨骼、血、心脏、肝脏和肿瘤的CT值范围大约为0到3000。由于身体组织、器官和材料的CT值的范围不同,所以当通过使用CT图像进行诊断时,通过根据感兴趣的身体组织、器官或者材料的CT值范围,设置与感兴趣区域对应子图像中像素的显示值来显示CT图像数据,可以提高图像显示效果,从而节省查阅图像时间。
PET成像系统能够无创、动态、定量的从分子水平观察组织的生化代谢等生物学特征,临床上常将标准摄取值(standard uptake value,SUV)作为病变的判定标准,SUV是指局部组织摄取的显像剂的放射性活度与全身平均注射活度。当显示PET图像数据时,扫描图像可由SUV值表示。PET图像的显示原理与上述CT图像的显示原理类似,不同区域SUV值的范围不同,本申请根据感兴趣区域子图像的SUV值范围,设置子图像中像素的显示值;将所述子图像的像素按照所述显示值进行显示,可以提高图像显示效果,从而节省查阅图像时间。
当显示MRI图像数据时,扫描图像可由回波信号强度值表示,不同区域回波信号强度值的范围不同,本申请根据感兴趣区域子图像的回波信号强度值范围,设置子图像中像素的显示值;将所述子图像的像素按照所述显示值进行显示,可以提高图像显示效果,从而节省查阅图像时间。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在一个实施例中,如图3所示,提供了一种医学图像显示装置,包括扫描模块310、识别模块320、分割模块330、设置模块340和显示模块350,其中:
扫描模块310,用于对扫描对象进行扫描,得到扫描图像;
识别模块320,用于根据扫描图像中的信息识别出至少一个区域;
分割模块330,用于根据识别出的区域对扫描图像进行分割,获得与区域相对应的子图像;
设置模块340,用于根据子图像的像素值范围,设置子图像中像素的显示值;
显示模块350,用于将子图像的像素按照显示值进行显示。
本申请提供的医学图像显示装置,包括扫描模块310、识别模块320、分割模块330、设置模块340和显示模块350,通过扫描模块310对扫描对象进行扫描,得到扫描图像;识别模块320根据扫描图像中的信息识别出至少一个区域;分割模块330根据识别出的区域对扫描图像进行分割,获得与区域相对应的子图像;设置模块340根据子图像的像素值范围,设置子图像中像素的显示值;显示模块350将子图像的像素按照显示值进行显示。解决了查阅图像时间较长的问题,同时可以避免在设置窗宽和窗位的过程中出现错误,改善了医学图像的显示对比度,提高了扫描图像的可读性。
在其中一些实施例中,识别模块320还用于:在扫描图像中选择至少一个感兴趣区域;根据感兴趣区域识别出至少一个区域。
在其中一些实施例中,扫描图像中的信息至少包括以下信息中的一种:扫描图像的梯度信息、灰度信息以及色彩信息。
在其中一些实施例中,区域包括身体部位、器官或组织中的一种或多种的组合。
在其中一些实施例中,分割模块330还用于根据识别出的区域,分割出每一区域的范围和边界。
在其中一些实施例中,设置模块340还用于根据区域范围内的像素值和区域边界的像素值,分别设置子图像中像素的显示值。
在其中一些实施例中,医学图像显示方法还包括:根据像素值范围或显示值设置显示区域的窗宽和窗位。
在其中一些实施例中,像素值可以是CT值、SUV值以及MRI回波信号强度值中的一种。
关于医学图像显示装置的具体限定可以参见上文中对于医学图像显示方法的限定,在此不再赘述。上述医学图像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。
另外,结合图1描述的本申请实施例医学图像显示方法可以由计算机设备来实现。图4为根据本申请实施例的计算机设备的硬件结构示意图。
计算机设备可以包括处理器41以及存储有计算机程序指令的存储器42。
具体地,上述处理器41可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器42可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器42可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器42可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器42可在数据处理装置的内部或外部。在特定实施例中,存储器42是非易失性(Non-Volatile)存储器。在特定实施例中,存储器42包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器42可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器42所执行的可能的计算机程序指令。
处理器41通过读取并执行存储器42中存储的计算机程序指令,以实现上述实施例中的任意一种医学图像显示方法。
在其中一些实施例中,计算机设备还可包括通信接口43和总线40。其中,如图4所示,处理器41、存储器42、通信接口43通过总线40连接并完成相互间的通信。
通信接口43用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口43还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线40包括硬件、软件或两者,将计算机设备的部件彼此耦接在一起。总线40包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线40可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(Front Side Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线40可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该计算机设备可以基于获取到的程序指令,执行本申请实施例中的医学图像显示方法,从而实现结合图1描述的医学图像显示方法。
另外,结合上述实施例中的医学图像显示方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种医学图像显示方法。
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申请专利范围的限制。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)
1.一种医学图像显示方法,其特征在于,所述方法包括:
对扫描对象进行扫描,得到扫描图像;
根据所述扫描图像中的信息识别出至少一个区域;
根据识别出的所述区域对所述扫描图像进行分割,获得与所述区域相对应的子图像;
根据所述子图像的像素值范围,设置所述子图像中像素的显示值;
将所述子图像的像素按照所述显示值进行显示。
2.根据权利要求1所述的方法,其特征在于,所述根据所述扫描图像中的信息识别出至少一个区域包括:
在所述扫描图像中选择至少一个感兴趣区域;
根据所述感兴趣区域识别出至少一个区域。
3.根据权利要求1所述的方法,其特征在于,所述扫描图像中的信息至少包括以下信息中的一种:扫描图像的梯度信息、灰度信息以及色彩信息。
4.根据权利要求1所述的方法,其特征在于,所述区域包括身体部位、器官或组织中的一种或多种的组合。
5.根据权利要求1所述的方法,其特征在于,所述根据识别出的所述区域对所述扫描图像进行分割包括:
根据识别出的所述区域,分割出每一所述区域的范围和边界。
6.根据权利要求5所述的方法,其特征在于,所述根据所述子图像的像素值范围,设置所述子图像中像素的显示值包括:
根据区域范围内的像素值和区域边界的像素值,分别设置所述子图像中像素的显示值。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:根据所述像素值范围或所述显示值设置显示区域的窗宽和窗位。
8.根据权利要求1所述的方法,其特征在于,所述像素值可以是CT值、SUV值以及MRI回波信号强度值中的一种。
9.一种医学图像显示装置,其特征在于,所述装置包括:
扫描模块,用于对扫描对象进行扫描,得到扫描图像;
识别模块,用于根据所述扫描图像中的信息识别出至少一个区域;
分割模块,用于根据识别出的所述区域对所述扫描图像进行分割,获得与所述区域相对应的子图像;
设置模块,用于根据所述子图像的像素值范围,设置所述子图像中像素的显示值;
显示模块,用于将所述子图像的像素按照所述显示值进行显示。
10.一种计算机设备,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8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010342186.4A CN111462115B (zh) | 2020-04-27 | 2020-04-27 | 医学图像显示方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010342186.4A CN111462115B (zh) | 2020-04-27 | 2020-04-27 | 医学图像显示方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462115A true CN111462115A (zh) | 2020-07-28 |
CN111462115B CN111462115B (zh) | 2024-06-14 |
Family
ID=71686051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010342186.4A Active CN111462115B (zh) | 2020-04-27 | 2020-04-27 | 医学图像显示方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462115B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233126A (zh) * | 2020-10-15 | 2021-01-15 | 推想医疗科技股份有限公司 | 医学图像的加窗方法及装置 |
WO2023039867A1 (en) * | 2021-09-18 | 2023-03-23 | Siemens Shanghai Medical Equipment Ltd. | Method and system for displaying x-ray image, x-ray machine, and storage medium |
CN115841866A (zh) * | 2023-02-20 | 2023-03-24 | 北京唯迈医疗设备有限公司 | 一种低辐射剂量图像的生成方法、终端设备和存储介质 |
WO2023125720A1 (en) * | 2021-12-29 | 2023-07-06 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for medical imaging |
CN116977320A (zh) * | 2023-08-14 | 2023-10-31 | 中山火炬开发区人民医院 | Ct+mri病变区域突出预估系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5058176A (en) * | 1986-07-02 | 1991-10-15 | Yokogawa Medical Systems, Limited | Image diagnosis apparatus |
US5542003A (en) * | 1993-09-13 | 1996-07-30 | Eastman Kodak | Method for maximizing fidelity and dynamic range for a region of interest within digitized medical image display |
CN101234027A (zh) * | 2007-01-30 | 2008-08-06 | 上海西门子医疗器械有限公司 | 一种ct扫描检查中调整窗宽和窗位的方法 |
US20120032953A1 (en) * | 2009-03-31 | 2012-02-09 | Koninklijke Philips Electronics N.V. | Automated contrast enhancement for contouring |
CN104720835A (zh) * | 2013-12-20 | 2015-06-24 | Ge医疗系统环球技术有限公司 | 显示装置、图像显示方法和计算机化断层扫描设备 |
US20150287188A1 (en) * | 2014-04-02 | 2015-10-08 | Algotec Systems Ltd. | Organ-specific image display |
US20160110890A1 (en) * | 2013-06-10 | 2016-04-21 | University Of Mississippi Medical Center | Medical Image Processing Method |
JP2017072733A (ja) * | 2015-10-07 | 2017-04-13 | 富士通株式会社 | 電子機器および情報表示プログラム |
US20170169548A1 (en) * | 2015-09-25 | 2017-06-15 | Shenzhen China Star Optoelectronics Technology Co. Ltd. | Image contrast enhancement method |
US20170330529A1 (en) * | 2014-12-11 | 2017-11-16 | Koninklijke Philips N.V. | Optimizing high dynamic range images for particular displays |
US20170330320A1 (en) * | 2016-05-13 | 2017-11-16 | National Jewish Health | Systems and methods for automatic detection and quantification of pathology using dynamic feature classification |
CN107578415A (zh) * | 2017-10-10 | 2018-01-12 | 深圳市图智能科技有限公司 | 一种医学图像分割方法及装置 |
CN107833231A (zh) * | 2017-11-22 | 2018-03-23 | 上海联影医疗科技有限公司 | 医学图像显示方法、装置和计算机存储介质 |
CN110517771A (zh) * | 2019-08-29 | 2019-11-29 | 腾讯医疗健康(深圳)有限公司 | 一种医学图像处理方法、医学图像识别方法及装置 |
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
- 2020-04-27 CN CN202010342186.4A patent/CN111462115B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5058176A (en) * | 1986-07-02 | 1991-10-15 | Yokogawa Medical Systems, Limited | Image diagnosis apparatus |
US5542003A (en) * | 1993-09-13 | 1996-07-30 | Eastman Kodak | Method for maximizing fidelity and dynamic range for a region of interest within digitized medical image display |
CN101234027A (zh) * | 2007-01-30 | 2008-08-06 | 上海西门子医疗器械有限公司 | 一种ct扫描检查中调整窗宽和窗位的方法 |
US20120032953A1 (en) * | 2009-03-31 | 2012-02-09 | Koninklijke Philips Electronics N.V. | Automated contrast enhancement for contouring |
US20160110890A1 (en) * | 2013-06-10 | 2016-04-21 | University Of Mississippi Medical Center | Medical Image Processing Method |
CN104720835A (zh) * | 2013-12-20 | 2015-06-24 | Ge医疗系统环球技术有限公司 | 显示装置、图像显示方法和计算机化断层扫描设备 |
US20150287188A1 (en) * | 2014-04-02 | 2015-10-08 | Algotec Systems Ltd. | Organ-specific image display |
US20170330529A1 (en) * | 2014-12-11 | 2017-11-16 | Koninklijke Philips N.V. | Optimizing high dynamic range images for particular displays |
US20170169548A1 (en) * | 2015-09-25 | 2017-06-15 | Shenzhen China Star Optoelectronics Technology Co. Ltd. | Image contrast enhancement method |
JP2017072733A (ja) * | 2015-10-07 | 2017-04-13 | 富士通株式会社 | 電子機器および情報表示プログラム |
US20170330320A1 (en) * | 2016-05-13 | 2017-11-16 | National Jewish Health | Systems and methods for automatic detection and quantification of pathology using dynamic feature classification |
CN107578415A (zh) * | 2017-10-10 | 2018-01-12 | 深圳市图智能科技有限公司 | 一种医学图像分割方法及装置 |
CN107833231A (zh) * | 2017-11-22 | 2018-03-23 | 上海联影医疗科技有限公司 | 医学图像显示方法、装置和计算机存储介质 |
CN110517771A (zh) * | 2019-08-29 | 2019-11-29 | 腾讯医疗健康(深圳)有限公司 | 一种医学图像处理方法、医学图像识别方法及装置 |
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 (3)
Title |
---|
万金鑫;宋余庆;董淑德;赵德坤;: "医学图像灰度归一化显示技术研究", CT理论与应用研究, no. 04, 15 December 2008 (2008-12-15) * |
丛日娟;李均利;侯艳芹;陈北京;: "窗宽窗位对基于互信息的医学图像配准的影响", 计算机工程, no. 05, 5 March 2008 (2008-03-05) * |
王李冬;邰晓英;巴特尔;: "一种基于感兴趣区域提取的医学图像检索技术", 宁波大学学报(理工版), no. 04, 30 December 2006 (2006-12-30) * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233126A (zh) * | 2020-10-15 | 2021-01-15 | 推想医疗科技股份有限公司 | 医学图像的加窗方法及装置 |
WO2023039867A1 (en) * | 2021-09-18 | 2023-03-23 | Siemens Shanghai Medical Equipment Ltd. | Method and system for displaying x-ray image, x-ray machine, and storage medium |
WO2023125720A1 (en) * | 2021-12-29 | 2023-07-06 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for medical imaging |
EP4330935A4 (en) * | 2021-12-29 | 2024-09-04 | Shanghai United Imaging Healthcare Co Ltd | MEDICAL IMAGING SYSTEMS AND METHODS |
CN115841866A (zh) * | 2023-02-20 | 2023-03-24 | 北京唯迈医疗设备有限公司 | 一种低辐射剂量图像的生成方法、终端设备和存储介质 |
CN116977320A (zh) * | 2023-08-14 | 2023-10-31 | 中山火炬开发区人民医院 | Ct+mri病变区域突出预估系统 |
CN116977320B (zh) * | 2023-08-14 | 2024-04-26 | 中山火炬开发区人民医院 | Ct+mri病变区域突出预估系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111462115B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11062449B2 (en) | Method and system for extracting vasculature | |
CN111462115A (zh) | 医学图像显示方法、装置和计算机设备 | |
CN111709953B (zh) | Ct影像的肺叶段分割中的输出方法、装置 | |
Jog et al. | Random forest regression for magnetic resonance image synthesis | |
US9996922B2 (en) | Image processing of organs depending on organ intensity characteristics | |
US10163040B2 (en) | Classification method and apparatus | |
JP6877868B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
US9218542B2 (en) | Localization of anatomical structures using learning-based regression and efficient searching or deformation strategy | |
Buda et al. | Deep learning-based segmentation of nodules in thyroid ultrasound: improving performance by utilizing markers present in the images | |
US10580181B2 (en) | Method and system for generating color medical image based on combined color table | |
CN115136189A (zh) | 基于图像处理的肿瘤的自动化检测 | |
KR102349515B1 (ko) | 의료 영상에서 딥러닝에 기반한 종양 자동분할 방법 | |
Kronman et al. | A geometric method for the detection and correction of segmentation leaks of anatomical structures in volumetric medical images | |
CN111462139A (zh) | 医学图像显示方法、装置、计算机设备和可读存储介质 | |
JP2019028887A (ja) | 画像処理方法 | |
Jafari et al. | LMISA: A lightweight multi-modality image segmentation network via domain adaptation using gradient magnitude and shape constraint | |
US10062167B2 (en) | Estimated local rigid regions from dense deformation in subtraction | |
CN108765399B (zh) | 病变部位识别装置、计算机装置及可读存储介质 | |
CN114881848A (zh) | 一种多序列mr转ct的方法 | |
CN112200780B (zh) | 骨组织定位方法、装置、计算机设备和存储介质 | |
CN110910409A (zh) | 一种灰度图像处理方法、装置和计算机可读存储介质 | |
Li et al. | Segmentation evaluation with sparse ground truth data: Simulating true segmentations as perfect/imperfect as those generated by humans | |
CN116230203A (zh) | 一种基于机器视觉的中医面诊方法、系统、设备及介质 | |
Nasim et al. | Review on multimodality of different medical image fusion techniques | |
KR102332472B1 (ko) | 의료 영상에서 듀얼 윈도우 설정에 기반한 딥러닝을 이용한 종양 자동 분할 방법 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |