CN111583188A - 手术导航标记点定位方法、存储介质及计算机设备 - Google Patents
手术导航标记点定位方法、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN111583188A CN111583188A CN202010295266.9A CN202010295266A CN111583188A CN 111583188 A CN111583188 A CN 111583188A CN 202010295266 A CN202010295266 A CN 202010295266A CN 111583188 A CN111583188 A CN 111583188A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- point
- scanning image
- probability
- 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 65
- 230000011218 segmentation Effects 0.000 claims abstract description 141
- 238000002591 computed tomography Methods 0.000 claims abstract description 140
- 238000012545 processing Methods 0.000 claims abstract description 85
- 239000003550 marker Substances 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 18
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 7
- 239000011324 bead Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/20081—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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种手术导航标记点定位方法、存储介质及计算机设备,获取CT扫描影像;基于CT扫描影像得到第一分割掩膜;基于第一分割掩膜提取感兴趣区域;基于感兴趣区域得到第二分割结果;将第二分割结果与标记模型进行匹配,确定标记点的位置信息。本申请提出手术导航标记点定位方法,该方法不同于现有技术中是通过医生手动选择注册标记点进行定位的方法,而是通过计算机设备对CT扫描影像进行处理以得到标记点的位置信息,其定位效率较高,因此,该方法可以提高标记点的定位效率。另外,该方法通过对CT扫描影像进行多次分割处理,可以准确提取出CT扫描影像中的标记点,相比于人工定位的方式,可以有效提高标记点定位结果的准确性。
Description
技术领域
本申请涉及医学图像技术领域,特别是涉及一种手术导航标记点定位方法、存储介质及计算机设备。
背景技术
手术导航系统是医学领域的一种常见系统,该系统可以将病人术前或术中的医学影像与手术床上病人的解剖结构准确对应,在手术中,可以跟踪手术器械并将手术器械的位置在病人影像上以虚拟探针的形式实时更新显示,使医生对手术器械相对病人解剖结构的位置一目了然,使外科手术更快速、更精确、更安全。
在使用手术导航系统时,需要将医学影像空间与病人实际空间进行注册匹配。该处理过程具体包括:对医学影像空间与病人实际空间中的注册标记点进行定位,再基于定位得到的位置坐标得到两个空间的变化矩阵,从而实现两个空间的注册匹配。
然而,现有技术中,在确定医学影像空间中的注册标记点的位置坐标时,通常是由医生手动选择注册标记点进行定位,使得标记点定位效率较低,且容易出错。
发明内容
基于此,有必要针对现有技术存在的问题,提供一种有助于提高标记点定位效率以及准确度的手术导航标记点定位方法、存储介质及计算机设备。
一种手术导航标记点定位方法,包括:
获取CT扫描影像,所述CT扫描影像中包含有标记点对应的影像,所述标记点用于手术导航;
对所述CT扫描影像进行第一分割处理,得到所述标记点对应的第一分割掩膜;
基于所述第一分割掩膜,从所述CT扫描影像中提取包含所述标记点的感兴趣区域;
对所述感兴趣区域进行第二分割处理,得到所述标记点的第二分割结果;
将所述第二分割结果与所述标记点对应的标记模型进行匹配,基于匹配结果确定所述标记点在所述CT扫描影像中的位置信息。
一种手术导航标记点定位装置,包括:
影像获取模块,用于获取CT扫描影像,所述CT扫描影像中包含有标记点对应的影像,所述标记点用于手术导航;
第一分割处理模块,用于对所述CT扫描影像进行第一分割处理,得到所述标记点对应的第一分割掩膜;
感兴趣区域提取模块,用于基于所述第一分割掩膜,从所述CT扫描影像中提取包含所述标记点的感兴趣区域;
第二分割处理模块,用于对所述感兴趣区域进行第二分割处理,得到所述标记点的第二分割结果;
位置确定模块,用于将所述第二分割结果与所述标记点对应的标记模型进行匹配,基于匹配结果确定所述标记点在所述CT扫描影像中的位置信息。
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上述方法的步骤。
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上述方法的步骤。
上述手术导航标记点定位方法、存储介质及计算机设备,获取CT扫描影像,CT扫描影像中包含有标记点对应的影像,标记点用于手术导航;对CT扫描影像进行第一分割处理,得到标记点对应的第一分割掩膜;基于第一分割掩膜,从CT扫描影像中提取包含标记点的感兴趣区域;对感兴趣区域进行第二分割处理,得到标记点的第二分割结果;将第二分割结果与标记点对应的标记模型进行匹配,基于匹配结果确定标记点在CT扫描影像中的位置信息。本申请提出手术导航标记点定位方法,该方法不同于现有技术中是通过医生手动选择注册标记点进行定位的方法,而是通过计算机设备对CT扫描影像进行处理以得到标记点的位置信息,其定位效率较高,因此,该方法可以提高标记点的定位效率。另外,该方法通过对CT扫描影像进行多次分割处理,可以准确提取出CT扫描影像中的标记点,相比于人工定位的方式,可以有效提高标记点定位结果的准确性。
附图说明
图1为一个实施例中手术导航标记点定位方法的流程示意图;
图2为一个实施例中红外反光小球的CT图像示意图;
图3为一个实施例中对CT扫描影像进行第一分割处理,得到标记点对应的第一分割掩膜的流程示意图;
图4为一个实施例中基于第一分割掩膜,从CT扫描影像中提取包含标记点的感兴趣区域的流程示意图;
图5(a)、图5(b)、图5(c)为一个实施例中反光小球的CT图像示意图;
图6为一个实施例中将第二分割结果与标记点对应的标记模型进行匹配,基于匹配结果确定标记点在CT扫描影像中的位置信息的流程示意图;
图7为一个实施例中通过训练好的网络模型对CT扫描影像进行处理,确定CT扫描影像中各像素为标记点的概率的流程示意图;
图8为另一个实施例中通过训练好的网络模型对CT扫描影像进行处理,确定CT扫描影像中各像素为标记点的概率的流程示意图;
图9为一个实施例中通过滑动取块的方式选择子影像块的流程示意图;
图10为一个实施例确定各像素为标记点的概率的网络模型的结构示意图;
图11为一个实施例中对概率图进行二值化处理,基于处理后的概率图提取标记点对应的第一分割掩膜的流程示意图;
图12为一个实施例中手术导航标记点定位装置的结构示意图;
图13为一个实施例中计算机设备的内部结构图。
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。
在一个实施例中,如图1所示,提供一种手术导航标记点定位方法,以该方法应用于可以进行手术导航标记点定位的处理器为例进行解释说明,该方法主要包括以下步骤:
步骤S100,获取CT扫描影像,CT扫描影像中包含有标记点对应的影像,标记点用于手术导航。
其中,标记点是指应用于光学手术导航系统中、用于进行手术导航的标记点。光学手术导航系统结合医学影像,直观地为医生提供手术器械相对于病灶区域的位置和方向,能实时可视化图像引导,指导手术进行,提高手术的安全性、有效性和精确性。光学手术导航系统在术前需要利用贴在待检测对象的皮肤上的标记点进行标记点注册,也就是确定手术空间和医学图像空间的映射关系,从而便于进行手术导航。
CT扫描影像具体为术前的CT影像,具体为三维空间的影像。在手术导航过程中,关键点在于需要将患者所在的实际空间与术前CT影像所在的影像空间进行注册配准,具体过程包括:通过同时对实际空间和影像空间的对应空间注册标记点进行定位以获得标记点在两个空间的坐标,然后根据标记点在两个空间的坐标计算出两个空间的变换矩阵,从而实现实际空间和影像空间的配准。
具体地,标记点在实际空间中的位置可以通过光学导航设备获取,例如,当空间注册标记点为红外反光小球时,可以视同光学导航设备对该小球进行实时跟踪定位,从而得到该小球在实际空间的坐标。标记点在影像空间中的坐标可以通过包含标记点的CT扫描影像得到,故本步骤首先获取包含标记点的CT扫描影像。如图2所示,为红外反光小球的CT图像示意图。
可以理解,在实际应用中,标记点并不仅仅局限于红外反光小球,例如,标记点也可以是骨钉等,只要保证该标记点符合体积较小、在CT扫描影像中具有足够特征、标记点的个体形态差异小等要求即可。
步骤S200,对CT扫描影像进行第一分割处理,得到标记点对应的第一分割掩膜。
处理器在得到包含标记点的CT扫描影像后,首先对CT扫描影像进行第一分割处理,第一分割处理的处理结果具体为得到标记点对应的第一分割掩膜,即Mask。
可选地,如图3所示,对CT扫描影像进行第一分割处理,得到标记点对应的第一分割掩膜具体包括步骤S220至步骤S260。
步骤S220,通过训练好的网络模型对CT扫描影像进行处理,确定CT扫描影像中各像素为标记点的概率;
步骤S240,基于各像素为标记点的概率,得到CT扫描影像的概率图;
步骤S260,对概率图进行二值化处理,基于处理后的概率图提取标记点对应的第一分割掩膜。
其中,训练好的网络模型具体可以是全卷积网络,因为标记点的体积较小,网络不需要很大的感受野,因此,网络不需要很深,并且,CT扫描影像也不需要包含太大的FOV(Field of view,视场角)。另外,由于标记点的个体差异较小,学习任务相对简单,因此可以使用参数相对较少的模型。
处理器可以首先将CT扫描影像的像素间隔重采样为2mm(3个方向的spacing归一化为2mm),然后通过使用训练好的网络模型对三维CT扫描影像进行标记点的分类预测处理,得到三维CT扫描影像中各像素为标记点的概率,从而进一步得到三维CT扫描影像对应的概率图。该概率图具体为与CT扫描影像尺寸大小相同的三维图像,概率图中每个像素对应的值表示该像素为标记点的概率。
在得到三维概率图后,可以对概率图进行二值化处理,例如,基于概率值可以确定为标记点的像素可以设置为白色,基于概率值可以确定不为标记点的像素可以设置为黑色,从而,处理后的概率图为仅包含黑白两色的图像,从而可以提取出标记点对应的第一分割掩膜。
可选地,参考图3,步骤S220通过训练好的网络模型对CT扫描影像进行处理之前,手术导航标记点定位方法还包括步骤S210:将CT扫描影像中目标像素的HU值归一化至第一预设范围,得到处理后的CT扫描图像,目标像素为HU值在第二预设范围内的像素。从而,在进行归一化处理后,执行通过网络模型对处理后的CT扫描图像进行处理的步骤。
具体地,第一预设范围为[a,b],第二预设范围为[c,d]。其中,第二预设范围[c,d]为标记点所对应的HU值的范围,例如,当标记点为反光小球时,其HU值最大为1200,最小值为-300,从而,可以设置c为-300,d为1200,即第二预设范围为[-300,1200]。第一预设范围[a,b]为一个较小的范围,通过对较大范围的HU值进行归一化处理,可以更好地配合网络模型进行图像处理。第一预设范围[a,b]具体可以是[-1,1],即,将HU值从[-300,1200]归一化到[-1,1]之间。另外,对于HU值不在第二预设范围内的像素,可以设定HU值大于1200的像素映射到1,HU值小于-300的像素映射到-1。
步骤S300,基于第一分割掩膜,从CT扫描影像中提取包含标记点的感兴趣区域。
处理器在得到标记点对应的第一分割掩膜后,基于该第一分割掩膜从CT扫描影像中提取包含标记点的感兴趣区域。
具体地,如图4所示,基于第一分割掩膜,从CT扫描影像中提取包含标记点的感兴趣区域包括步骤S320至步骤S340。
步骤S320,确定第一分割掩膜的外接区域;
步骤S340,在CT扫描影像中提取外接区域对应的影像为感兴趣区域。
具体地,可以首先将原始的CT扫描影像的像素间隔重采样为1mm(3个方向的spacing归一化为1mm),对提取到的第一分割掩膜(像素间隔为2mm),对其像素间隔重采样为1mm。然后提取第一分割掩膜中所有各个连通域的外接矩形框,然后根据每一个外接矩形区域进行一定像素的扩边后,使用该扩边后的矩形的位置,在原图的对应位置对原始的CT扫描影像进行局部区域裁剪,得到包含标记点的感兴趣区域,感兴趣区域的数量可以是多个。
步骤S400,对感兴趣区域进行第二分割处理,得到标记点的第二分割结果。
处理器在得到感兴趣区域之后,对感兴趣区域进行第二分割处理,第二分割处理的方法可以基于标记点的具体类型来确定。
例如,当标记点为反光小球时,可以采用轮廓精优化算法,具体是带球形约束的3D活动轮廓算法。活动轮廓算法通过计算曲面的能量,以最小化能量为目标,对曲边进行演变,其能量方程为:
活动轮廓算法一方面通过弹性能量和弯曲能量,可控制曲面趋近于球体形状;另一方面通过图像的灰度和梯度信息得到的外部能量项,使曲面演变到物体的实际边界位置。因此通过活动轮廓模型微调后的小球Mask会更接近于一个球体,边界也和小球真实边界贴合更好。
如图5所示,为反光小球的CT图像示意图,其中图5(a)为原始CT图像,图5(b)为第一分割处理的结果,图5(c)为第二分割结果。根据图5(a)、图5(b)、图5(c)可以看出,活动轮廓算法能够一定程度的修复因为反光小球底部低HU值导致的分割Mask出现底部凹陷的问题,使得边界更趋于一个光滑的球体。
步骤S500,将第二分割结果与标记点对应的标记模型进行匹配,基于匹配结果确定标记点在CT扫描影像中的位置信息。
如图6所示,将第二分割结果与标记点对应的标记模型进行匹配,基于匹配结果确定标记点在CT扫描影像中的位置信息包括步骤S520至步骤S560。
步骤S520,基于形状特征和/或结构特征,将第二分割结果与标记点对应的标记模型进行特征匹配,确定第二分割结果与标记模型的对应关系;
步骤S540,基于第二分割结果与标记模型的对应关系,以及标记模型与标记点的对应关系,确定第二分割结果与标记点的对应关系;
步骤S560,根据第二分割结果在CT扫描影像中的位置信息,以及第二分割结果与标记点的对应关系,确定标记点在CT扫描影像中的位置信息。
具体地,处理器在得到标记点的第二分割结果后,基于第二分割结果可以得到标记点的精确结构特征,并将标记点的外观特征和背景进行分离,从而,可以进一步通过对标记点进行模型拟合或者模型匹配的方法,将标记模型(具体可以是参数模型或者外观模型)和CT扫描影像中的标记点进行准确匹配,进而基于匹配结果确定标记点在CT扫描影像中的位置信息。
例如,当标记点为反光小球时,由于小球结构具有明确而简单的特征,因此可以采用结构参数模型,即假设小球符合3D空间中的球面方程,通过提取反光小球的轮廓,利用轮廓上的像素点的空间位置信息,拟合出距离这些像素误差最小的球面,得到和影像空间中反光小球标记物匹配度最高的球面方程参数模型,模型的参数即为反光小球的球心和半径。
具体地,球面方程为:
(x-x0)2+(y-y0)2+(z-z0)2=R2
通过最小二乘法,构建目标函数H(x0,y0,z0,R),具体为:
当目标函数达到最小时,表示边界像素点到球面的距离达到最小。其中x0,y0,z0为球心在空间中三个坐标轴方向的坐标,R为球的半径,为待优化的模型参数。该目标函数为参数x0,y0,z0和半径R的凸函数,在最佳参数的位置,H(x0,y0,z0,R)分别对参数x0,y0,z0和R求偏导应该为零,这样就可以求解出最小H(x0,y0,z0,R)所对应的x0,y0,z0和R,即为最佳参数,从而求解出小球的半径和球心坐标。
另外,对于非规则形状的标记物,可以采用基于外观信息的外观模板匹配的方法,对目标标记物进行定位;如果标记物本身存在较小的个体差异性,则可通过主动形状模型或主动外观模型等方法建立模型和目标进行匹配。
在完成标记模型的拟合或匹配后,标记模型被映射到CT图像的对应位置,模型上预设的标记点就可以随着模型一起映射到原始CT影像上,即可完成标记点坐标的定位。例如,对于反光小球,其用于注册的标记点就是小球的球心点。通过目标函数拟合出小球的参数方程,求解出的参数方程参数就包含了小球的球心坐标,从而直接得到标记点的坐标。
本实施例提供一种手术导航标记点定位方法,该方法不同于现有技术中是通过医生手动选择注册标记点进行定位的方法,而是通过计算机设备对CT扫描影像进行处理以得到标记点的位置信息,其定位效率较高,因此,该方法可以提高标记点的定位效率。另外,该方法通过对CT扫描影像进行多次分割处理,可以准确提取出CT扫描影像中的标记点,相比于人工定位的方式,可以有效提高标记点定位结果的准确性。
在一个实施例中,如图7所示,步骤S220通过训练好的网络模型对CT扫描影像进行处理,确定CT扫描影像中各像素为标记点的概率包括步骤S222至步骤S224。
步骤S222,将CT扫描影像划分为至少两个子影像块,子影像块的尺寸小于CT扫描影像的尺寸;
步骤S224,通过网络模型分别对各子影像块进行处理,确定各子影像块中的像素为标记点的概率。
在原始的CT扫描影像尺寸较大时,为了兼顾网络模型的图像处理效率以及图像处理能力,可以将原始的CT扫描影像划分为多个子影像块,然后分别对各子影像块进行标记点的分类预测。例如,原始的CT扫描影像尺寸为512*512*512,可以将原始的CT扫描影像分割为64*64*64大小的子影像块。在使用网络模型进行图像处理时,可以从某一个顶点,例如左上角开始,选择64*64*64的第一子影像块,并输入网络模型。在第一子影像块处理完成后,再使用滑动取块的方式,选择第二子影像块,以此类推,直至完成所有像素的标记点分类预测处理。
可选地,任一子影像块与至少一个其他子影像块存在重叠区域。如图8所示,步骤S224通过网络模型分别对各子影像块进行处理,确定各子影像块中的像素为标记点的概率之后,还包括步骤S226:对重复像素在不同子影像块中的概率进行求均值处理,确定得到的概率均值为重复像素的最终概率,重复像素为重叠区域中的像素。
具体地,在通过滑动取块的方式选择新的子影像块时,滑动间隔可以是小于子影像块在滑动方向上的对应尺寸。例如,如图9所示,设定图中每个小方格对应8个像素单位,对于64*64*64大小的子影像块,在横向进行滑动取块(选择的子影像块为粗线部分)时,三个方向的滑动间隔可以是56个像素,从而,相邻的子影像块在每个方向上存在8个重叠像素(图9中的阴影部分)。
对于重叠像素,在其所属的子影像块为多个时,得到的概率也为多个,此时,可以对重复像素在不同子影像块中的概率进行求均值处理,确定得到的概率均值为重复像素的最终概率。例如,对于某重复像素,4个子影像块都包含有该重复像素,对应的概率值分别为P1、P2、P3、P4,则该重复像素的最终概率Pf的计算公式为:
Pf=(P1+P2+P3+P4)/4
可选地,在选择子影像块之后,在通过网络模型分别对各子影像块进行处理之前,还可以包含对子影像块进行筛选的步骤,具体可以是对子影像块进行阈值判断,以确定子影像块是否为背景块。当子影像块不为背景块时,则可以将该子影像块输入网络模型;当子影像块为背景块时,则不将该子影像块输入网络模型,从而可以减少网络模型的图像处理次数,提高处理效率。
在得到所有子影像块的预测结果后,可以按照选取子影像块的位置,将各子影像块反向拼接为整个原始CT扫描影像对应的概率图。
在一个实施例中,确定各像素为标记点的概率的网络模型,具体可以是基于V-Net网络的改进网络,该改进网络的结构图如图10所示。相比于V-Net网络,该改进网络具有以下特点:(1)网络只有3次下采样(原网络为4次),减小网络的计算量;(2)每一层网络的通道数相比于原网络小均减小一倍,减少网络参数。
在一个实施例中,如图11所示,步骤S260对概率图进行二值化处理,基于处理后的概率图提取标记点对应的第一分割掩膜包括步骤S262至步骤S266。
步骤S262,基于预设概率阈值,对概率图进行二值化处理,得到处理后的概率图;
步骤S264,提取处理后的概率图中的连通域;
步骤S266,筛选连通域中体积大于预设体积阈值的目标连通域,目标连通域为标记点对应的第一分割掩膜。
具体地,在设定预设概率阈值之后,基于该预设概率阈值进行概率图的二值化处理。例如,预设概率阈值具体可以为0.5,当像素为标记点的概率大于或者等于0.5时,可以认为该像素为标记点,该像素被设置为白色。而当像素为标记点的概率小于0.5时,可以认为该像素不属于标记点,该像素被设置为黑色。在进行二值化处理后,提取体积大于预设体积阈值的目标连通域,从而可以基于体积大小进行干扰排除,保证第一分割掩膜结果的准确性。
在合理条件下应当理解,虽然前文各实施例涉及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,各流程图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。
在一个实施例中,如图12所示,提供一种手术导航标记点定位装置,该装置主要包括以下模块:
影像获取模块100,用于获取CT扫描影像,CT扫描影像中包含有标记点对应的影像,标记点用于手术导航;
第一分割处理模块200,用于对CT扫描影像进行第一分割处理,得到标记点对应的第一分割掩膜;
感兴趣区域提取模块300,用于基于第一分割掩膜,从CT扫描影像中提取包含标记点的感兴趣区域;
第二分割处理模块400,用于对感兴趣区域进行第二分割处理,得到标记点的第二分割结果;
位置确定模块500,用于将第二分割结果与标记点对应的标记模型进行匹配,基于匹配结果确定标记点在CT扫描影像中的位置信息。
本实施例提供一种手术导航标记点定位装置,不同于现有技术中是通过医生手动选择注册标记点进行定位的方法,而是通过计算机设备对CT扫描影像进行处理以得到标记点的位置信息,其定位效率较高,因此,该装置可以提高标记点的定位效率。另外,该装置通过对CT扫描影像进行多次分割处理,可以准确提取出CT扫描影像中的标记点,相比于人工定位的方式,可以有效提高标记点定位结果的准确性。
在一个实施例中,第一分割处理模块200还用于:通过训练好的网络模型对CT扫描影像进行处理,确定CT扫描影像中各像素为标记点的概率;基于各像素为标记点的概率,得到CT扫描影像的概率图;对概率图进行二值化处理,基于处理后的概率图提取标记点对应的第一分割掩膜。
在一个实施例中,第一分割处理模块200还用于:将CT扫描影像中目标像素的HU值归一化至第一预设范围,得到处理后的CT扫描图像,目标像素为HU值在第二预设范围内的像素;在进行归一化处理后,执行通过网络模型对处理后的CT扫描图像进行处理的步骤。
在一个实施例中,第一分割处理模块200还用于:将CT扫描影像划分为至少两个子影像块,子影像块的尺寸小于CT扫描影像的尺寸;通过网络模型分别对各子影像块进行处理,确定各子影像块中的像素为标记点的概率。
在一个实施例中,第一分割处理模块200还用于:对重复像素在不同子影像块中的概率进行求均值处理,确定得到的概率均值为重复像素的最终概率,重复像素为重叠区域中的像素。
在一个实施例中,第一分割处理模块200还用于:基于预设概率阈值,对概率图进行二值化处理,得到处理后的概率图;提取处理后的概率图中的连通域;筛选连通域中体积大于预设体积阈值的目标连通域,目标连通域为标记点对应的第一分割掩膜。
在一个实施例中,感兴趣区域提取模块300还用于:确定第一分割掩膜的外接区域;在CT扫描影像中提取外接区域对应的影像为感兴趣区域。
在一个实施例中,位置确定模块500还用于:基于形状特征和/或结构特征,将第二分割结果与标记点对应的标记模型进行特征匹配,确定第二分割结果与标记模型的对应关系;基于第二分割结果与标记模型的对应关系,以及标记模型与标记点的对应关系,确定第二分割结果与标记点的对应关系;根据第二分割结果在CT扫描影像中的位置信息,以及第二分割结果与标记点的对应关系,确定标记点在CT扫描影像中的位置信息。
关于手术导航标记点定位装置的具体限定可以参见上文中对于手术导航标记点定位方法的限定,在此不再赘述。上述手术导航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CT扫描影像,CT扫描影像中包含有标记点对应的影像,标记点用于手术导航;对CT扫描影像进行第一分割处理,得到标记点对应的第一分割掩膜;基于第一分割掩膜,从CT扫描影像中提取包含标记点的感兴趣区域;对感兴趣区域进行第二分割处理,得到标记点的第二分割结果;将第二分割结果与标记点对应的标记模型进行匹配,基于匹配结果确定标记点在CT扫描影像中的位置信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:通过训练好的网络模型对CT扫描影像进行处理,确定CT扫描影像中各像素为标记点的概率;基于各像素为标记点的概率,得到CT扫描影像的概率图;对概率图进行二值化处理,基于处理后的概率图提取标记点对应的第一分割掩膜。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将CT扫描影像中目标像素的HU值归一化至第一预设范围,得到处理后的CT扫描图像,目标像素为HU值在第二预设范围内的像素;在进行归一化处理后,执行通过网络模型对处理后的CT扫描图像进行处理的步骤。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将CT扫描影像划分为至少两个子影像块,子影像块的尺寸小于CT扫描影像的尺寸;通过网络模型分别对各子影像块进行处理,确定各子影像块中的像素为标记点的概率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对重复像素在不同子影像块中的概率进行求均值处理,确定得到的概率均值为重复像素的最终概率,重复像素为重叠区域中的像素
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于预设概率阈值,对概率图进行二值化处理,得到处理后的概率图;提取处理后的概率图中的连通域;筛选连通域中体积大于预设体积阈值的目标连通域,目标连通域为标记点对应的第一分割掩膜。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:确定第一分割掩膜的外接区域;在CT扫描影像中提取外接区域对应的影像为感兴趣区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于形状特征和/或结构特征,将第二分割结果与标记点对应的标记模型进行特征匹配,确定第二分割结果与标记模型的对应关系;基于第二分割结果与标记模型的对应关系,以及标记模型与标记点的对应关系,确定第二分割结果与标记点的对应关系;根据第二分割结果在CT扫描影像中的位置信息,以及第二分割结果与标记点的对应关系,确定标记点在CT扫描影像中的位置信息。
图13为一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端(或服务器)。如图13所示,该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现手术导航标记点定位方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行手术导航标记点定位方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图13中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
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CT扫描影像,CT扫描影像中包含有标记点对应的影像,标记点用于手术导航;对CT扫描影像进行第一分割处理,得到标记点对应的第一分割掩膜;基于第一分割掩膜,从CT扫描影像中提取包含标记点的感兴趣区域;对感兴趣区域进行第二分割处理,得到标记点的第二分割结果;将第二分割结果与标记点对应的标记模型进行匹配,基于匹配结果确定标记点在CT扫描影像中的位置信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:通过训练好的网络模型对CT扫描影像进行处理,确定CT扫描影像中各像素为标记点的概率;基于各像素为标记点的概率,得到CT扫描影像的概率图;对概率图进行二值化处理,基于处理后的概率图提取标记点对应的第一分割掩膜。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将CT扫描影像中目标像素的HU值归一化至第一预设范围,得到处理后的CT扫描图像,目标像素为HU值在第二预设范围内的像素;在进行归一化处理后,执行通过网络模型对处理后的CT扫描图像进行处理的步骤。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将CT扫描影像划分为至少两个子影像块,子影像块的尺寸小于CT扫描影像的尺寸;通过网络模型分别对各子影像块进行处理,确定各子影像块中的像素为标记点的概率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对重复像素在不同子影像块中的概率进行求均值处理,确定得到的概率均值为重复像素的最终概率,重复像素为重叠区域中的像素
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于预设概率阈值,对概率图进行二值化处理,得到处理后的概率图;提取处理后的概率图中的连通域;筛选连通域中体积大于预设体积阈值的目标连通域,目标连通域为标记点对应的第一分割掩膜。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定第一分割掩膜的外接区域;在CT扫描影像中提取外接区域对应的影像为感兴趣区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于形状特征和/或结构特征,将第二分割结果与标记点对应的标记模型进行特征匹配,确定第二分割结果与标记模型的对应关系;基于第二分割结果与标记模型的对应关系,以及标记模型与标记点的对应关系,确定第二分割结果与标记点的对应关系;根据第二分割结果在CT扫描影像中的位置信息,以及第二分割结果与标记点的对应关系,确定标记点在CT扫描影像中的位置信息。
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,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)
1.一种手术导航标记点定位方法,其特征在于,包括:
获取CT扫描影像,所述CT扫描影像中包含有标记点对应的影像,所述标记点用于手术导航;
对所述CT扫描影像进行第一分割处理,得到所述标记点对应的第一分割掩膜;
基于所述第一分割掩膜,从所述CT扫描影像中提取包含所述标记点的感兴趣区域;
对所述感兴趣区域进行第二分割处理,得到所述标记点的第二分割结果;
将所述第二分割结果与所述标记点对应的标记模型进行匹配,基于匹配结果确定所述标记点在所述CT扫描影像中的位置信息。
2.根据权利要求1所述的方法,其特征在于,所述对所述CT扫描影像进行第一分割处理,得到所述标记点对应的第一分割掩膜包括:
通过训练好的网络模型对所述CT扫描影像进行处理,确定所述CT扫描影像中各像素为标记点的概率;
基于各像素为标记点的概率,得到所述CT扫描影像的概率图;
对所述概率图进行二值化处理,基于处理后的概率图提取所述标记点对应的第一分割掩膜。
3.根据权利要求2所述的方法,其特征在于,所述通过训练好的网络模型对所述CT扫描影像进行处理之前,还包括:
将所述CT扫描影像中目标像素的HU值归一化至第一预设范围,得到处理后的CT扫描图像,所述目标像素为HU值在第二预设范围内的像素;
在进行归一化处理后,执行通过所述网络模型对所述处理后的CT扫描图像进行处理的步骤。
4.根据权利要求2所述的方法,其特征在于,所述通过训练好的网络模型对所述CT扫描影像进行处理,确定所述CT扫描影像中各像素为标记点的概率包括:
将所述CT扫描影像划分为至少两个子影像块,所述子影像块的尺寸小于所述CT扫描影像的尺寸;
通过所述网络模型分别对各所述子影像块进行处理,确定各所述子影像块中的像素为标记点的概率。
5.根据权利要求4所述的方法,其特征在于,任一子影像块与至少一个其他子影像块存在重叠区域;
所述通过所述网络模型分别对各所述子影像块进行处理,确定各所述子影像块中的像素为标记点的概率之后,还包括:
对重复像素在不同子影像块中的概率进行求均值处理,确定得到的概率均值为所述重复像素的最终概率,所述重复像素为所述重叠区域中的像素。
6.根据权利要求2所述的方法,其特征在于,所述对所述概率图进行二值化处理,基于处理后的概率图提取所述标记点对应的第一分割掩膜包括:
基于预设概率阈值,对所述概率图进行二值化处理,得到处理后的概率图;
提取所述处理后的概率图中的连通域;
筛选所述连通域中体积大于预设体积阈值的目标连通域,所述目标连通域为所述标记点对应的第一分割掩膜。
7.根据权利要求1所述的方法,其特征在于,所述基于所述第一分割掩膜,从所述CT扫描影像中提取包含所述标记点的感兴趣区域包括:
确定所述第一分割掩膜的外接区域;
在所述CT扫描影像中提取所述外接区域对应的影像为所述感兴趣区域。
8.根据权利要求1所述的方法,其特征在于,所述将所述第二分割结果与所述标记点对应的标记模型进行匹配,基于匹配结果确定所述标记点在所述CT扫描影像中的位置信息包括:
基于形状特征和/或结构特征,将所述第二分割结果与所述标记点对应的标记模型进行特征匹配,确定所述第二分割结果与所述标记模型的对应关系;
基于所述第二分割结果与所述标记模型的对应关系,以及所述标记模型与所述标记点的对应关系,确定所述第二分割结果与所述标记点的对应关系;
根据所述第二分割结果在所述CT扫描影像中的位置信息,以及所述第二分割结果与所述标记点的对应关系,确定所述标记点在所述CT扫描影像中的位置信息。
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至8中任一项所述的方法的步骤。
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至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010295266.9A CN111583188B (zh) | 2020-04-15 | 2020-04-15 | 手术导航标记点定位方法、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010295266.9A CN111583188B (zh) | 2020-04-15 | 2020-04-15 | 手术导航标记点定位方法、存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111583188A true CN111583188A (zh) | 2020-08-25 |
CN111583188B CN111583188B (zh) | 2023-12-26 |
Family
ID=72124430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010295266.9A Active CN111583188B (zh) | 2020-04-15 | 2020-04-15 | 手术导航标记点定位方法、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111583188B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288796A (zh) * | 2020-12-18 | 2021-01-29 | 南京佗道医疗科技有限公司 | 一种透视图像标记点中心提取方法 |
CN112488942A (zh) * | 2020-12-02 | 2021-03-12 | 北京字跳网络技术有限公司 | 修复图像的方法、装置、设备和计算机可读介质 |
CN112767415A (zh) * | 2021-01-13 | 2021-05-07 | 深圳瀚维智能医疗科技有限公司 | 胸部扫查区域自动确定方法、装置、设备及存储介质 |
CN113012126A (zh) * | 2021-03-17 | 2021-06-22 | 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 |
CN113284160A (zh) * | 2021-04-23 | 2021-08-20 | 北京天智航医疗科技股份有限公司 | 一种手术导航标记珠体识别的方法、装置和设备 |
CN113516624A (zh) * | 2021-04-28 | 2021-10-19 | 武汉联影智融医疗科技有限公司 | 穿刺禁区的确定、路径规划方法、手术系统和计算机设备 |
CN113744328A (zh) * | 2021-11-05 | 2021-12-03 | 极限人工智能有限公司 | 医学图像标记点识别方法、装置、电子设备及存储介质 |
CN113764076A (zh) * | 2021-07-26 | 2021-12-07 | 北京天智航医疗科技股份有限公司 | 检测医疗透视图像中标记点的方法、装置及电子设备 |
CN113888620A (zh) * | 2021-09-29 | 2022-01-04 | 武汉联影智融医疗科技有限公司 | 骨钉标记点提取方法、装置、处理设备和存储介质 |
CN114119450A (zh) * | 2020-08-26 | 2022-03-01 | 通用电气精准医疗有限责任公司 | 用于识别概率图中的肿瘤或病变的系统和方法 |
CN114742979A (zh) * | 2022-04-15 | 2022-07-12 | 推想医疗科技股份有限公司 | 基于定位贴片的位置识别方法、装置、存储介质及设备 |
CN115153837A (zh) * | 2022-09-05 | 2022-10-11 | 杭州柳叶刀机器人有限公司 | 光学跟踪工具的标记点排布方法、装置和电子设备 |
CN116188392A (zh) * | 2022-12-30 | 2023-05-30 | 阿里巴巴(中国)有限公司 | 图像处理方法、计算机可读存储介质以及计算机终端 |
CN117316393A (zh) * | 2023-11-30 | 2023-12-29 | 北京维卓致远医疗科技发展有限责任公司 | 一种精度调整的方法、装置、设备、介质和程序产品 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853333A (zh) * | 2010-05-26 | 2010-10-06 | 中国科学院遥感应用研究所 | 医疗机器人导航定位图像中的标记拾取方法 |
US20110122455A1 (en) * | 2009-11-24 | 2011-05-26 | Xerox Corporation | Method and apparatus for measuring image on paper registration |
CN103325143A (zh) * | 2013-06-13 | 2013-09-25 | 华南理工大学 | 基于模型匹配的标记点自动注册方法 |
CN103530889A (zh) * | 2013-11-04 | 2014-01-22 | 天津工业大学 | 一种基于骨架提取的测量棒编码标记点解码方法 |
CN104434313A (zh) * | 2013-09-23 | 2015-03-25 | 中国科学院深圳先进技术研究院 | 一种腹部外科手术导航方法及系统 |
CN106890031A (zh) * | 2017-04-11 | 2017-06-27 | 东北大学 | 一种标记物识别及标记点定位方法及手术导航系统 |
CN108875747A (zh) * | 2018-06-15 | 2018-11-23 | 四川大学 | 一种基于机器视觉的小麦不完善粒识别方法 |
CN109003260A (zh) * | 2018-06-28 | 2018-12-14 | 深圳视见医疗科技有限公司 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
CN109285164A (zh) * | 2018-09-17 | 2019-01-29 | 代黎明 | 医学图像目标区域定位方法及系统 |
CN109872333A (zh) * | 2019-02-20 | 2019-06-11 | 腾讯科技(深圳)有限公司 | 医学影像分割方法、装置、计算机设备和存储介质 |
CN110517261A (zh) * | 2019-08-30 | 2019-11-29 | 上海眼控科技股份有限公司 | 安全带状态检测方法、装置、计算机设备和存储介质 |
CN110807788A (zh) * | 2019-10-21 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 医学图像处理方法、装置、电子设备及计算机存储介质 |
-
2020
- 2020-04-15 CN CN202010295266.9A patent/CN111583188B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110122455A1 (en) * | 2009-11-24 | 2011-05-26 | Xerox Corporation | Method and apparatus for measuring image on paper registration |
CN101853333A (zh) * | 2010-05-26 | 2010-10-06 | 中国科学院遥感应用研究所 | 医疗机器人导航定位图像中的标记拾取方法 |
CN103325143A (zh) * | 2013-06-13 | 2013-09-25 | 华南理工大学 | 基于模型匹配的标记点自动注册方法 |
CN104434313A (zh) * | 2013-09-23 | 2015-03-25 | 中国科学院深圳先进技术研究院 | 一种腹部外科手术导航方法及系统 |
CN103530889A (zh) * | 2013-11-04 | 2014-01-22 | 天津工业大学 | 一种基于骨架提取的测量棒编码标记点解码方法 |
CN106890031A (zh) * | 2017-04-11 | 2017-06-27 | 东北大学 | 一种标记物识别及标记点定位方法及手术导航系统 |
CN108875747A (zh) * | 2018-06-15 | 2018-11-23 | 四川大学 | 一种基于机器视觉的小麦不完善粒识别方法 |
CN109003260A (zh) * | 2018-06-28 | 2018-12-14 | 深圳视见医疗科技有限公司 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
CN109285164A (zh) * | 2018-09-17 | 2019-01-29 | 代黎明 | 医学图像目标区域定位方法及系统 |
CN109872333A (zh) * | 2019-02-20 | 2019-06-11 | 腾讯科技(深圳)有限公司 | 医学影像分割方法、装置、计算机设备和存储介质 |
CN110517261A (zh) * | 2019-08-30 | 2019-11-29 | 上海眼控科技股份有限公司 | 安全带状态检测方法、装置、计算机设备和存储介质 |
CN110807788A (zh) * | 2019-10-21 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 医学图像处理方法、装置、电子设备及计算机存储介质 |
Non-Patent Citations (3)
Title |
---|
M REGODIC ET AL.: "Automatic fiducial marker detection and localization in CT images:a combined approach" * |
MYLONAS A ET AL.: "A Deep learning framework for automatic detection of arbitrarily shaped fiducial markers intrafraction fluotoscopic images" * |
林钦永: "光学手术导航引导的肝癌消融精准定位和穿刺方法研究" * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114119450A (zh) * | 2020-08-26 | 2022-03-01 | 通用电气精准医疗有限责任公司 | 用于识别概率图中的肿瘤或病变的系统和方法 |
CN112488942A (zh) * | 2020-12-02 | 2021-03-12 | 北京字跳网络技术有限公司 | 修复图像的方法、装置、设备和计算机可读介质 |
CN112288796B (zh) * | 2020-12-18 | 2021-03-23 | 南京佗道医疗科技有限公司 | 一种透视图像标记点中心提取方法 |
CN112288796A (zh) * | 2020-12-18 | 2021-01-29 | 南京佗道医疗科技有限公司 | 一种透视图像标记点中心提取方法 |
CN112767415A (zh) * | 2021-01-13 | 2021-05-07 | 深圳瀚维智能医疗科技有限公司 | 胸部扫查区域自动确定方法、装置、设备及存储介质 |
CN113012126A (zh) * | 2021-03-17 | 2021-06-22 | 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 |
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 |
CN113284160A (zh) * | 2021-04-23 | 2021-08-20 | 北京天智航医疗科技股份有限公司 | 一种手术导航标记珠体识别的方法、装置和设备 |
CN113284160B (zh) * | 2021-04-23 | 2024-03-12 | 北京天智航医疗科技股份有限公司 | 一种手术导航标记珠体识别的方法、装置和设备 |
CN113516624A (zh) * | 2021-04-28 | 2021-10-19 | 武汉联影智融医疗科技有限公司 | 穿刺禁区的确定、路径规划方法、手术系统和计算机设备 |
CN113764076A (zh) * | 2021-07-26 | 2021-12-07 | 北京天智航医疗科技股份有限公司 | 检测医疗透视图像中标记点的方法、装置及电子设备 |
CN113764076B (zh) * | 2021-07-26 | 2024-02-20 | 北京天智航医疗科技股份有限公司 | 检测医疗透视图像中标记点的方法、装置及电子设备 |
CN113888620A (zh) * | 2021-09-29 | 2022-01-04 | 武汉联影智融医疗科技有限公司 | 骨钉标记点提取方法、装置、处理设备和存储介质 |
CN113744328A (zh) * | 2021-11-05 | 2021-12-03 | 极限人工智能有限公司 | 医学图像标记点识别方法、装置、电子设备及存储介质 |
CN114742979A (zh) * | 2022-04-15 | 2022-07-12 | 推想医疗科技股份有限公司 | 基于定位贴片的位置识别方法、装置、存储介质及设备 |
CN115153837A (zh) * | 2022-09-05 | 2022-10-11 | 杭州柳叶刀机器人有限公司 | 光学跟踪工具的标记点排布方法、装置和电子设备 |
CN115153837B (zh) * | 2022-09-05 | 2022-12-16 | 杭州柳叶刀机器人有限公司 | 光学跟踪工具的标记点排布方法、装置和电子设备 |
CN116188392A (zh) * | 2022-12-30 | 2023-05-30 | 阿里巴巴(中国)有限公司 | 图像处理方法、计算机可读存储介质以及计算机终端 |
CN117316393A (zh) * | 2023-11-30 | 2023-12-29 | 北京维卓致远医疗科技发展有限责任公司 | 一种精度调整的方法、装置、设备、介质和程序产品 |
CN117316393B (zh) * | 2023-11-30 | 2024-02-20 | 北京维卓致远医疗科技发展有限责任公司 | 一种精度调整的方法、装置、设备、介质和程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN111583188B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583188B (zh) | 手术导航标记点定位方法、存储介质及计算机设备 | |
CN109754396B (zh) | 图像的配准方法、装置、计算机设备和存储介质 | |
CN111353969B (zh) | 道路可行驶区域的确定方法、装置及计算机设备 | |
US8218905B2 (en) | Method, system and software product for providing efficient registration of 3D image data | |
CN111080573A (zh) | 肋骨图像检测方法、计算机设备和存储介质 | |
EP2819093A1 (en) | Method and system for atlas-based segmentation | |
CN112132907B (zh) | 一种相机标定方法、装置、电子设备及存储介质 | |
CN111754536B (zh) | 图像标注方法、装置、电子设备及存储介质 | |
CN110599526A (zh) | 图像配准方法、计算机设备和存储介质 | |
KR102450931B1 (ko) | 이미지 정합 방법 및 연관된 모델 훈련 방법, 기기, 장치 | |
CN111599432A (zh) | 一种三维颅面影像特征点标记分析系统及方法 | |
CN113397704A (zh) | 机器人定位方法、装置、系统及计算机设备 | |
CN112927213B (zh) | 一种医学图像分割方法、介质及电子设备 | |
CN112950684B (zh) | 基于表面配准的目标特征提取方法、装置、设备和介质 | |
CN111445513B (zh) | 基于深度图像的植株冠层体积获取方法、装置、计算机设备和存储介质 | |
CN111243026B (zh) | 解剖标记点定位方法、装置、计算机设备和存储介质 | |
CN111968160A (zh) | 图像匹配方法和存储介质 | |
CN116128912A (zh) | 一种髋关节图像的分割方法、装置、设备及介质 | |
CN116469101A (zh) | 数据标注方法、装置、电子设备及存储介质 | |
CN112017148A (zh) | 一种单节骨骼轮廓的提取方法及装置 | |
CN107590808B (zh) | 医学图像中的前列腺分割方法 | |
CN110310314B (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
CN114565648A (zh) | 重建车位评测方法、装置、设备及存储介质 | |
CN116616743A (zh) | 脊柱扫描参数获取方法、装置、设备和存储介质 | |
CN116012526B (zh) | 一种基于二维影像的三维ct影像病灶重建方法 |
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 |