CN111612792A - 基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品 - Google Patents
基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品 Download PDFInfo
- Publication number
- CN111612792A CN111612792A CN201910132383.0A CN201910132383A CN111612792A CN 111612792 A CN111612792 A CN 111612792A CN 201910132383 A CN201910132383 A CN 201910132383A CN 111612792 A CN111612792 A CN 111612792A
- Authority
- CN
- China
- Prior art keywords
- data
- data set
- target
- medical image
- vein
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 210000003462 vein Anatomy 0.000 claims abstract description 218
- 210000001367 artery Anatomy 0.000 claims abstract description 104
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 88
- 238000012545 processing Methods 0.000 claims abstract description 79
- 210000003734 kidney Anatomy 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 66
- 230000006870 function Effects 0.000 claims description 100
- 238000012546 transfer Methods 0.000 claims description 85
- 230000036961 partial effect Effects 0.000 claims description 84
- 230000008569 process Effects 0.000 claims description 33
- 210000004204 blood vessel Anatomy 0.000 claims description 31
- 230000002440 hepatic effect Effects 0.000 claims description 30
- 230000011218 segmentation Effects 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 abstract description 9
- 230000002349 favourable effect Effects 0.000 abstract 1
- 210000001631 vena cava inferior Anatomy 0.000 abstract 1
- 238000005192 partition Methods 0.000 description 12
- 239000000243 solution Substances 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000005489 elastic deformation Effects 0.000 description 8
- 230000003321 amplification Effects 0.000 description 6
- 230000000670 limiting effect Effects 0.000 description 6
- 238000003199 nucleic acid amplification method Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000002598 diffusion tensor imaging Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 210000001835 viscera Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000001419 dependent effect Effects 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
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010253 intravenous injection Methods 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000000007 visual effect 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
- G06T7/10—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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/10068—Endoscopic image
-
- 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
- G06T2207/10076—4D tomography; Time-sequential 3D tomography
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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
- G06T2207/30084—Kidney; Renal
-
- 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
-
- 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
- G06T2207/30244—Camera pose
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请实施例公开了一种基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品,应用于医学成像装置;方法包括:根据目标用户的目标部位的多张扫描图像确定位图BMP数据源,目标部位包括待观测的目标静脉和与目标静脉关联的动脉、肾脏、肝门;根据BMP数据源生成第一医学影像数据;根据第一医学影像数据生成第二医学影像数据;处理第二医学影像数据得到目标医学影像数据;提取目标医学影像数据中目标静脉的数据集合;根据目标静脉的数据集合进行4D医学成像以展示目标静脉的内部影像。本申请实施例有利于提高医学成像装置进行下腔静脉成像的准确度和便捷性。
Description
技术领域
本申请涉及医学成像装置技术领域,具体涉及一种基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品。
背景技术
目前,医生通过电子计算机断层扫描(Computed Tomography,CT)、磁共振成像(Magnetic Resonance Imaging,MRI)、弥散张量成像(Diffusion Tensor Imaging,DTI)、正电子发射型计算机断层显像(Positron Emission Computed Tomography,PET)等技术获取病变组织的形态、位置、拓扑结构等信息。医生仍然采用观看阅读连续的二维切片数据,以此对患者的病变组织如肿瘤进行判断分析。然而,仅仅通过直接观看两维切片数据会严重影响到医生对疾病的诊断,医生不能获得直观、真实的四维体结构。随着医学成像技术的飞速发展,人们对医学成像提出了新的需求。
发明内容
本申请实施例提供了一种基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品,无须静脉注射造影剂可显示血管结构,无电离辐射及创口;经济方便,减少了对操作者技术水平的依赖,增强可重复性。
第一方面,本申请实施例提供一种基于VRDS 4D医学影像的静脉的Ai内镜分析方法,应用于医学成像装置;所述方法包括:
根据目标用户的目标部位的多张扫描图像确定位图BMP数据源,所述目标部位包括待观测的目标静脉和与所述目标静脉关联的动脉、肾脏、肝门;
根据所述BMP数据源生成第一医学影像数据,所述第一医学影像数据包括所述目标静脉的原始数据集合、所述部分动脉的原始数据集合、所述肾脏的数据集合、所述肝门的数据集合,所述目标静脉的血管的原始数据集合和所述部分动脉的原始数据集合包括交叉位置的融合数据,所述目标静脉的血管的原始数据集合为所述目标静脉表面和所述目标静脉内部的组织结构的立方体空间的传递函数结果,所述部分动脉的原始数据集合为所述部分动脉表面和所述部分动脉内部的组织结构的立方体空间的传递函数结果,所述肾脏的数据集合为所述肾脏表面和所述肾脏内部的组织结构的立方体空间的传递函数结果,所述肝门的数据集合为所述肝门表面和所述肝门内部的组织结构的立方体空间的传递函数结果;
根据所述第一医学影像数据生成第二医学影像数据,所述第二医学影像数据包括所述目标静脉的分割数据集合、所述部分动脉的分割数据集合、所述肾脏的数据集合、所述肝门的数据集合,所述目标静脉的分割数据集合的第一数据和所述部分动脉的分割数据集合的第二数据相互独立,所述第一数据和所述第二数据为所述交叉位置的数据;
处理所述第二医学影像数据得到目标医学影像数据;
提取所述目标医学影像数据中所述目标静脉的数据集合;
根据所述目标静脉的数据集合进行4D医学成像以展示所述目标静脉的内部影像。
第二方面,本申请实施例提供一种基于VRDS Ai 4D医学影像的静脉的Ai内镜分析装置,应用于医学成像装置;所述基于VRDS Ai 4D医学影像的静脉的Ai内镜分析装置包括处理单元和通信单元,其中,
所述处理单元,用于根据目标用户的目标部位的多张扫描图像确定位图BMP数据源,所述目标部位包括待观测的目标静脉和与所述目标静脉关联的动脉、肾脏、肝门;以及用于根据所述BMP数据源生成第一医学影像数据,所述第一医学影像数据包括所述目标静脉的原始数据集合、所述部分动脉的原始数据集合、所述肾脏的数据集合、所述肝门的数据集合,所述目标静脉的血管的原始数据集合和所述部分动脉的原始数据集合包括交叉位置的融合数据,所述目标静脉的血管的原始数据集合为所述目标静脉表面和所述目标静脉内部的组织结构的立方体空间的传递函数结果,所述部分动脉的原始数据集合为所述部分动脉表面和所述部分动脉内部的组织结构的立方体空间的传递函数结果,所述肾脏的数据集合为所述肾脏表面和所述肾脏内部的组织结构的立方体空间的传递函数结果,所述肝门的数据集合为所述肝门表面和所述肝门内部的组织结构的立方体空间的传递函数结果;以及用于根据所述第一医学影像数据生成第二医学影像数据,所述第二医学影像数据包括所述目标静脉的分割数据集合、所述部分动脉的分割数据集合、所述肾脏的数据集合、所述肝门的数据集合,所述目标静脉的分割数据集合的第一数据和所述部分动脉的分割数据集合的第二数据相互独立,所述第一数据和所述第二数据为所述交叉位置的数据;以及用于处理所述第二医学影像数据得到目标医学影像数据;以及用于提取所述目标医学影像数据中所述目标静脉的数据集合;以及用于通过所述通信单元根据所述目标静脉的数据集合进行4D医学成像以展示所述目标静脉的内部影像。
第三方面,本申请实施例提供一种医学成像装置,包括处理器、存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,上述程序包括用于执行本申请实施例第一方面任一方法中的步骤的指令。
第四方面,本申请实施例提供了一种计算机可读存储介质,其中,上述计算机可读存储介质存储用于电子数据交换的计算机程序,其中,上述计算机程序使得计算机执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤。
第五方面,本申请实施例提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
可以看出,本申请实施例中,医学成像装置首先根据目标用户的目标部位的多张扫描图像确定位图BMP数据源,其次,根据BMP数据源生成第一医学影像数据,再次,根据第一医学影像数据生成第二医学影像数据,再次,处理第二医学影像数据得到目标医学影像数据,然后提取目标医学影像数据中目标静脉的数据集合,最后根据目标静脉的数据集合进行4D医学成像以展示目标静脉的内部影像。其中,目标部位包括待观测的目标静脉和与目标静脉关联的动脉、肾脏、肝门,第一医学影像数据包括目标静脉的原始数据集合、部分动脉的原始数据集合、肾脏的数据集合、肝门的数据集合,目标静脉的血管的原始数据集合和部分动脉的原始数据集合包括交叉位置的融合数据,目标静脉的血管的原始数据集合为目标静脉表面和目标静脉内部的组织结构的立方体空间的传递函数结果,部分动脉的原始数据集合为部分动脉表面和部分动脉内部的组织结构的立方体空间的传递函数结果,肾脏的数据集合为肾脏表面和肾脏内部的组织结构的立方体空间的传递函数结果,肝门的数据集合为肝门表面和肝门内部的组织结构的立方体空间的传递函数结果,第二医学影像数据包括目标静脉的分割数据集合、部分动脉的分割数据集合、肾脏的数据集合、肝门的数据集合,目标静脉的分割数据集合的第一数据和部分动脉的分割数据集合的第二数据相互独立,第一数据和第二数据为交叉位置的数据,可见,本申请的医学成像装置通过数据的预处理、分离、整合,并进行4D医学成像,有利于提高医学成像装置进行下腔静脉成像的准确度和便捷性。
附图说明
为了更清楚地说明本申请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简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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是本申请实施例提供的一种基于VRDS Ai医学影像智能分析处理系统的结构示意图;
图2是本申请实施例提供的一种基于VRDS 4D医学影像的静脉的Ai内镜分析方法的流程示意图;
图3是本申请实施例提供的一种医学成像装置的结构示意图;
图4是本申请实施例提供的一种基于VRDS Ai 4D医学影像的静脉的Ai内镜分析装置的功能单元组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“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,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“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。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请实施例所涉及到的医学成像装置是指利用各种不同媒介作为信息载体,将人体内部的结构重现为影像的各种仪器,其影像信息与人体实际结构有着空间和时间分布上的对应关系。“DICOM数据”是指通过医疗设备采集的反映人体内部结构特征的原始图像文件数据,可以包括电子计算机断层扫描CT、核磁共振MRI、弥散张量成像DTI、正电子发射型计算机断层显像PET-CT等信息,“图源”是指解析原始DICOM数据生成的Texture2D/3D图像体数据。“VRDS”是指虚拟现实医用系统(Virtual Reality Doctor system,简称为VRDS)。
请参阅图1,图1是本申请实施例提供了一种基于VRDS Ai医学影像智能分析处理系统100的结构示意图,该系统100包括医学成像装置110和网络数据库120,其中医学成像装置110可以包括本地医学成像装置111和/或终端医学成像装置112,本地医学成像装置111或终端医学成像装置112用于基于原始DICOM数据,以本申请实施例所呈现的基于VRDSAi 4D医学影像的静脉的内镜分析算法为基础,进行人体肿瘤区域的识别、定位和四维体绘制,实现四维立体成像效果(该4维医学影像具体是指医学影像包括所显示组织的内部空间结构特征及外部空间结构特征,所述内部空间结构特征是指组织内部的切片数据未丢失,即医学成像装置可以呈现目标器官、血管等组织的内部构造,外部空间结构特性是指组织与组织之间的环境特征,包括组织与组织之间的空间位置特性(包括交叉、间隔、融合)等,如肾脏与动脉之间的交叉位置的边缘结构特性等),本地医学成像装置111相对于终端医学成像装置112还可以用于对图源数据进行编辑,形成四维人体图像的传递函数结果,该传递函数结果可以包括人体内脏器官表面和人体内脏器官内的组织结构的传递函数结果,以及立方体空间的传递函数结果,如传递函数所需的立方编辑框与弧线编辑的数组数量、坐标、颜色、透明度等信息。网络数据库120例如可以是云服务器等,该网络数据库120用于存储解析原始DICOM数据生成的图源,以及本地医学成像装置111编辑得到的四维人体图像的传递函数结果,图源可以是来自于多个本地医学成像装置111以实现多个医生的交互诊断。
用户通过上述医学成像装置110进行具体的图像显示时,可以选择显示器或者虚拟现实VR的头戴式显示器(Head mounted Displays Set,HMDS)结合操作动作进行显示,操作动作是指用户通过医学成像装置的外部摄入设备,如鼠标、键盘等,对四维人体图像进行的操作控制,以实现人机交互,该操作动作包括以下至少一种:(1)改变某个具体器官/组织的颜色和/或透明度,(2)定位缩放视图,(3)旋转视图,实现四维人体图像的多视角360度观察,(4)“进入”人体器官内部观察内部构造,实时剪切效果渲染,(5)上下移动视图。
下面对本申请实施例涉及到的基于VRDS Ai医学影像的肿瘤识别算法进行详细介绍。
请参阅图2,图2是本申请实施例提供了一种基于VRDS 4D医学影像的静脉的Ai内镜分析方法的流程示意图,应用于如图1所述的医学成像装置;如图所示,本基于VRDS 4D医学影像的静脉的Ai内镜分析方法包括:
S201,医学成像装置根据目标用户的目标部位的多张扫描图像确定位图BMP数据源,所述目标部位包括待观测的目标静脉和与所述目标静脉关联的动脉、肾脏、肝门;
其中,BMP(全称Bitmap)是Windows操作系统中的标准图像文件格式,可以分成两类:设备相关位图(DDB)和设备无关位图(DIB)。所述扫描图像包括以下任意一种:CT图像、MRI图像、DTI图像、PET-CT图像。
具体实现中,所述医学成像装置根据目标用户的目标部位的多张扫描图像确定位图BMP数据源,包括:所述医学成像装置获取通过医疗设备采集的反映目标用户的人体内部结构特征的多张扫描图像;从所述多张扫描图像中筛选出包含所述目标部位的至少一张扫描图像,将所述至少一张扫描图像作为目标用户的医学数字成像和通信DICOM数据;解析所述DICOM数据生成目标用户的图源,所述图源包括纹理Texture 2D/3D图像体数据;针对所述图源执行第一预设处理得到所述BMP数据源,所述第一预设处理包括以下至少一种操作:VRDS限制对比度自适应直方图均衡、混合偏微分去噪、VRDS Ai弹性变形处理。
其中,所述DICOM(Digital Imaging and Communications in Medicine)即医学数字成像和通信,是医学图像和相关信息的国际标准。
具体实现中,所述医学成像装置先获取已经采集的反映目标用户的人体内部结构特征的多张扫描图像,可以通过清晰度、准确度等筛选出合适的包含目标器官的至少一张扫描图像,再对所述扫描图像执行进一步处理,得到位图BMP数据源。
可见,本示例中,所述医学成像装置可以基于获取的扫描图像,进行筛选、解析和第一预设处理处理后得到位图BMP数据源,提高了医学影像成像的准确度和清晰度。
在一个可能的示例中,所述VRDS限制对比度自适应直方图均衡包括以下步骤:区域噪音比度限幅、全局对比度限幅;将图源的局部直方图划分多个分区,针对每个分区,根据该分区的邻域的累积直方图的斜度确定变换函数的斜度,根据该变换函数的斜度确定该分区的像素值周边的对比度放大程度,然后根据该对比度放大程度进行限度裁剪处理,产生有效直方图的分布,同时也产生有效可用的邻域大小的取值,将这些裁剪掉的部分直方图均匀的分布到直方图的其他区域;所述混合偏微分去噪包括以下步骤:通过VRDS Ai曲率驱动和VRDS Ai高阶混合去噪,使得图像边缘的曲率小于预设曲率,实现即可保护图像边缘、又可以避免平滑过程中出现阶梯效应的混合偏微分去噪模型;所述VRDS Ai弹性变形处理包括以下步骤:在图像点阵上,叠加正负向随机距离形成差值位置矩阵,然后在每个差值位置上的灰度,形成新的点阵,可以实现图像内部的扭曲变形,再对图像进行旋转、扭曲、平移操作。
具体实现中,可以针对所述图源执行至少一种图像处理操作得到所述BMP数据源,包括但不限于:VRDS限制对比度自适应直方图均衡、混合偏微分去噪、VRDS Ai弹性变形处理。
其中,所述混合偏微分去噪可以采用CDD和高阶去噪模型对所述图源进行处理;CDD模型(Curvature Driven Diffusions)模型是在TV(Total Variation)模型的基础上引进了曲率驱动而形成的,解决了TV模型不能修复图像视觉连通性的问题。其中,高阶去噪是指基于偏微分方程(PDE)方法对图像进行去噪处理。具体实现中,让所述图源按照指定的微分方程函数变化进行滤噪作用,从而滤除所述图源中的噪点,而偏微分方程的解就是去噪后的得到的所述BMP数据源,基于PDE的图像去噪方法具有各向异性扩散的特点,因此能够在所述图源的不同区域进行不同程度的扩散作用,从而取得抑制噪声的同时保护图像边缘纹理信息的效果。
可见,本示例中,所述医学成像装置通过以下至少一种图像处理操作:VRDS限制对比度自适应直方图均衡、混合偏微分去噪、VRDS Ai弹性变形处理,提高了图像处理的执行效率,还提高了图像质量,保护图像边缘纹理。
S202,所述医学成像装置根据所述BMP数据源生成第一医学影像数据,所述第一医学影像数据包括所述目标静脉的原始数据集合、所述部分动脉的原始数据集合、所述肾脏的数据集合、所述肝门的数据集合,所述目标静脉的血管的原始数据集合和所述部分动脉的原始数据集合包括交叉位置的融合数据,所述目标静脉的血管的原始数据集合为所述目标静脉表面和所述目标静脉内部的组织结构的立方体空间的传递函数结果,所述部分动脉的原始数据集合为所述部分动脉表面和所述部分动脉内部的组织结构的立方体空间的传递函数结果,所述肾脏的数据集合为所述肾脏表面和所述肾脏内部的组织结构的立方体空间的传递函数结果,所述肝门的数据集合为所述肝门表面和所述肝门内部的组织结构的立方体空间的传递函数结果;
具体实现中,所述医学成像装置根据所述BMP数据源生成第一医学影像数据,包括:所述医学成像装置将所述BMP数据源导入预设的VRDS医学网络模型,通过所述VRDS医学网络模型调用预存的传递函数集合中的每个传递函数,通过所述传递函数集合中的多个传递函数处理所述BMP数据源,得到第一医学影像数据,所述传递函数集合包括通过反向编辑器预先设置的所述目标静脉的传递函数、动脉的传递函数、所述肾脏的传递函数和所述肝门的传递函数。
其中,所述VRDS医学网络模型为预设网络模型,其训练方法包含如下三个步骤:图像采样及尺度缩放;3D卷积神经网络特征提取及打分;医学成像装置评价与网络训练。在实施过程中,先将需要进行采样,获取N个BMP数据源,再按照预设的间隔从N个BMP数据源中提取出M个BMP数据源。需要进行说明的是,预设的间隔可根据使用场景进行灵活设定。从N个中采样出M个,然后,将采样出来的M个BMP数据源缩放到固定尺寸(例如,长为S像素,宽为S像素),得到的处理结果作为3D卷积神经网络的输入。这样将M个BMP数据源作为3D卷积神经网络的输入。具体的,利用3D卷积神经网络对所述BMP数据源进行3D卷积处理,获得特征图。
可见,本示例中,所述医学成像装置可以基于预设的VRDS医学网络模型和所述BMP数据源得到第一医学影像数据,提高了获取所述第一医学影像数据的准确度和便捷性。
S203,所述医学成像装置根据所述第一医学影像数据生成第二医学影像数据,所述第二医学影像数据包括所述目标静脉的分割数据集合、所述部分动脉的分割数据集合、所述肾脏的数据集合、所述肝门的数据集合,所述目标静脉的分割数据集合的第一数据和所述部分动脉的分割数据集合的第二数据相互独立,所述第一数据和所述第二数据为所述交叉位置的数据;
具体实现中,所述医学成像装置根据所述第一医学影像数据生成第二医学影像数据,包括:所述医学成像装置将所述第一医学影像数据中的所述目标静脉的原始数据集合、所述部分动脉的原始数据集合导入所述交叉血管网络模型,通过所述交叉血管网络模型对所述交叉位置的融合数据进行空间分割处理,得到所述第一数据和所述第二数据;根据所述目标静脉的原始数据集合和所述第一数据生成所述目标静脉的分割数据集合,根据所述部分动脉的原始数据集合和所述第二数据生成所述部分动脉的分割数据集合;综合所述目标静脉的分割数据集合、所述部分动脉的分割数据集合、所述肾脏的数据集合、所述肝门的数据集合,得到所述第二医学影像数据。
具体实现中,所述交叉血管网络模型为训练好的神经网络模型。
可见,本示例中,所述医学成像装置可以基于所述交叉血管网络模型和所述第一医学影像数据得到第二医学影像数据,提高了获取所述第二医学影像数据的准确度和便捷性。
S204,所述医学成像装置处理所述第二医学影像数据得到目标医学影像数据;
具体实现中,所述医学成像装置处理所述第二医学影像数据得到目标医学影像数据,包括:所述医学成像装置针对所述第二医学影像数据执行以下至少一种处理操作得到目标医学影像数据:2D边界优化处理、3D边界优化处理、数据增强处理。
来处理具体实现中,3D边界优化处理可以利用3D卷积网络来处理,当增强图像边缘时我们选择拉普拉斯分别对图像BGR通道分别增强。
可见,本示例中,所述医学成像装置可以通过执行至少一种影像优化操作,以得到目标医学影像,提高了医学影像的质量,确保了影像的清晰度和准确性。
在一个可能的示例中,所述2D边界优化处理包括以下操作:多次采样获取低分辨率信息和高分辨率信息,其中,低分辨率信息能够提供分割目标在整个图像中上下文语义信息,即反映目标与环境之间关系的特征,所述分割目标包括所述目标静脉;所述3D边界优化处理包括以下操作:将所述第二医学影像数据分别放入3D卷积层中进行3D卷积操作,获取特征图;3D池化层对所述特征图进行压缩,并进行非线性激活;对压缩后的所述特征图进行级联操作,获取模型输出的预测结果图像;所述数据增强处理包括以下至少一种:基于任意角度旋转的数据增强、基于直方图均衡的数据增强、基于白平衡的数据增强、基于镜像操作的数据增强、基于随机剪切的数据增强和基于模拟不同光照变化的数据增强。
本示例中,所述医学成像装置可以对所述第二医学影像进行多次采样获取低分辨率信息和高分辨率信息,以显示所述第二医学影像中目标静脉与环境的关系,所述多次可以为预置次数,也可为历史采样次数等。
其中,卷积神经网络由输入层、卷积层、激活函数、池化层、全连接层组成,即INPUT-CONV-RELU-POOL-FC。卷积层进行特征提取;池化层对输入的特征图进行压缩,一方面使特征图变小,简化网络计算复杂度,一方面进行特征压缩,提取主要特征;全连接层连接所有的特征,将输出值送给分类器。
具体实现中,该卷积神经网络用于图像处理,以图像作为输入和输出,例如:将第二医学影像数据放入卷积层C1i(K1i,F1i)和C2i(K2i,F2i),(i=1)中进行3D卷积操作,其中,K1i表示主通道第i层卷积的卷积核大小,K2i表示辅通道第i层卷积的卷积核大小,F1i和F2i分别表示主通道和辅通道的第i层卷积输出的特征图个数。对卷积得到的特征图进行批归一化操作,并对批归一化后的特征图进行非线性激活,针对i=2,3,4…,分别对激活后所得的特征图重复卷积和归一化,直到主通道最后生成9x9x9的数据块,辅通道生成3x3x3的数据块。对3x3x3的数据块进行上采样(即反卷积),生成与主通道输出大小一致的数据块(即也生成9x9x9的数据块)。
其中,数据增强的具体方式包括但不限于任意角度的旋转、直方图均衡、白平衡、镜像操作、随机剪切、模拟不同光照变化等等。其中,基于任意角度的旋转的数据增强和基于模拟不同光照变化的数据增强的操作对提升模型效果有着更大的意义。
可见,本示例中,所述医学成像装置可以通过执行2D边界优化处理、3D边界优化处理、数据增强处理等至少一种影像优化操作,以得到目标医学影像,提高了医学影像的质量,确保了影像的清晰度和准确性。
S205,所述医学成像装置提取所述目标医学影像数据中所述目标静脉的数据集合;
其中,在提取目标静脉之前,可以对所述目标医学影像进行筛选,以提高所述目标医学影像数据和所述目标静脉的数据集合的准确度。
具体实现中,所述医学成像装置可以从所述目标医学影像数据中筛选质量评分大于预设评分的增强数据作为成像数据,即优选的目标医学影像。
S206,所述医学成像装置根据所述目标静脉的数据集合进行4D医学成像以展示所述目标静脉的内部影像。
具体实现中,所述医学成像装置根据所述目标静脉的数据集合进行4D医学成像以展示所述目标静脉的内部影像,包括:所述医学成像装置根据所述目标静脉的数据集合显示所述目标静脉的外侧壁影像;在检测到针对所述外侧壁影像的选择操作时,调取所述触控位置所处区域的所述目标静脉的内部数据;根据所述内部数据显示所述触控位置所处区域的静脉内部切片影像。
其中,根据目标医学图像提取所述目标静脉后,在显示设备上显示出目标静脉的数据集合的影像,当检测到针对某静脉的选择时,调取被选择静脉和被选择位置的静脉内侧影像。其中,选择查看某静脉的操作,包括但不限于对触摸屏的触控,利用光标选择。
可见,本示例中,所述医学成像装置可以基于目标静脉影像数据,选择需要查看的静脉和位置,显示被选择静脉和位置的静脉内部切片影像,确保了影像调取和查看的清晰度和便捷性。
可以看出,本申请实施例中,医学成像装置首先根据目标用户的目标部位的多张扫描图像确定位图BMP数据源,其次,根据BMP数据源生成第一医学影像数据,再次,根据第一医学影像数据生成第二医学影像数据,再次,处理第二医学影像数据得到目标医学影像数据,然后提取目标医学影像数据中目标静脉的数据集合,最后根据目标静脉的数据集合进行4D医学成像以展示目标静脉的内部影像。其中,目标部位包括待观测的目标静脉和与目标静脉关联的动脉、肾脏、肝门,第一医学影像数据包括目标静脉的原始数据集合、部分动脉的原始数据集合、肾脏的数据集合、肝门的数据集合,目标静脉的血管的原始数据集合和部分动脉的原始数据集合包括交叉位置的融合数据,目标静脉的血管的原始数据集合为目标静脉表面和目标静脉内部的组织结构的立方体空间的传递函数结果,部分动脉的原始数据集合为部分动脉表面和部分动脉内部的组织结构的立方体空间的传递函数结果,肾脏的数据集合为肾脏表面和肾脏内部的组织结构的立方体空间的传递函数结果,肝门的数据集合为肝门表面和肝门内部的组织结构的立方体空间的传递函数结果,第二医学影像数据包括目标静脉的分割数据集合、部分动脉的分割数据集合、肾脏的数据集合、肝门的数据集合,目标静脉的分割数据集合的第一数据和部分动脉的分割数据集合的第二数据相互独立,第一数据和第二数据为交叉位置的数据,可见,本申请的医学成像装置通过数据的预处理、分离、整合,并进行4D医学成像,有利于提高医学成像装置进行下腔静脉成像的准确度和便捷性。
在一个可能的示例中,所述方法还包括:所述医学成像装置在对目标用户进行手术的过程中,根据所述静脉内部切片影像进行术中导航。
其中,所述医学成像装置可以利用所述目标静脉的内部影像,在目标用户手术时,提供手术导航、实时对照和操作预警等。
可见,本示例中,所述医学成像装置可以基于目标静脉的内部影像进行术中导航,显著提高手术的效率和安全性。
与上述图2所示的实施例一致的,请参阅图3,图3是本申请实施例提供的一种医学成像装置300的结构示意图,如图所示,所述医学成像装置300包括处理器310、存储器320、通信接口330以及一个或多个程序321,其中,所述一个或多个程序321被存储在上述存储器320中,并且被配置由上述处理器310执行,所述一个或多个程序321包括用于执行以下步骤的指令;
根据目标用户的目标部位的多张扫描图像确定位图BMP数据源,所述目标部位包括待观测的目标静脉和与所述目标静脉关联的动脉、肾脏、肝门;
根据所述BMP数据源生成第一医学影像数据,所述第一医学影像数据包括所述目标静脉的原始数据集合、所述部分动脉的原始数据集合、所述肾脏的数据集合、所述肝门的数据集合,所述目标静脉的血管的原始数据集合和所述部分动脉的原始数据集合包括交叉位置的融合数据,所述目标静脉的血管的原始数据集合为所述目标静脉表面和所述目标静脉内部的组织结构的立方体空间的传递函数结果,所述部分动脉的原始数据集合为所述部分动脉表面和所述部分动脉内部的组织结构的立方体空间的传递函数结果,所述肾脏的数据集合为所述肾脏表面和所述肾脏内部的组织结构的立方体空间的传递函数结果,所述肝门的数据集合为所述肝门表面和所述肝门内部的组织结构的立方体空间的传递函数结果;
根据所述第一医学影像数据生成第二医学影像数据,所述第二医学影像数据包括所述目标静脉的分割数据集合、所述部分动脉的分割数据集合、所述肾脏的数据集合、所述肝门的数据集合,所述目标静脉的分割数据集合的第一数据和所述部分动脉的分割数据集合的第二数据相互独立,所述第一数据和所述第二数据为所述交叉位置的数据;
处理所述第二医学影像数据得到目标医学影像数据;
提取所述目标医学影像数据中所述目标静脉的数据集合;
根据所述目标静脉的数据集合进行4D医学成像以展示所述目标静脉的内部影像。
可以看出,本申请实施例中,医学成像装置首先根据目标用户的目标部位的多张扫描图像确定位图BMP数据源,其次,根据BMP数据源生成第一医学影像数据,再次,根据第一医学影像数据生成第二医学影像数据,再次,处理第二医学影像数据得到目标医学影像数据,然后提取目标医学影像数据中目标静脉的数据集合,最后根据目标静脉的数据集合进行4D医学成像以展示目标静脉的内部影像。其中,目标部位包括待观测的目标静脉和与目标静脉关联的动脉、肾脏、肝门,第一医学影像数据包括目标静脉的原始数据集合、部分动脉的原始数据集合、肾脏的数据集合、肝门的数据集合,目标静脉的血管的原始数据集合和部分动脉的原始数据集合包括交叉位置的融合数据,目标静脉的血管的原始数据集合为目标静脉表面和目标静脉内部的组织结构的立方体空间的传递函数结果,部分动脉的原始数据集合为部分动脉表面和部分动脉内部的组织结构的立方体空间的传递函数结果,肾脏的数据集合为肾脏表面和肾脏内部的组织结构的立方体空间的传递函数结果,肝门的数据集合为肝门表面和肝门内部的组织结构的立方体空间的传递函数结果,第二医学影像数据包括目标静脉的分割数据集合、部分动脉的分割数据集合、肾脏的数据集合、肝门的数据集合,目标静脉的分割数据集合的第一数据和部分动脉的分割数据集合的第二数据相互独立,第一数据和第二数据为交叉位置的数据,可见,本申请的医学成像装置通过数据的预处理、分离、整合,并进行4D医学成像,有利于提高医学成像装置进行下腔静脉成像的准确度和便捷性。
在一个可能的示例中,在所述根据所述BMP数据源生成第一医学影像数据方面,所述程序中的指令具体用于执行以下操作:将所述BMP数据源导入预设的VRDS医学网络模型,通过所述VRDS医学网络模型调用预存的传递函数集合中的每个传递函数,通过所述传递函数集合中的多个传递函数处理所述BMP数据源,得到第一医学影像数据,所述传递函数集合包括通过反向编辑器预先设置的所述目标静脉的传递函数、动脉的传递函数、所述肾脏的传递函数和所述肝门的传递函数。
在一个可能的示例中,在所述根据所述第一医学影像数据生成第二医学影像数据方面,所述程序中的指令具体用于执行以下操作:将所述第一医学影像数据中的所述目标静脉的原始数据集合、所述部分动脉的原始数据集合导入所述交叉血管网络模型,通过所述交叉血管网络模型对所述交叉位置的融合数据进行空间分割处理,得到所述第一数据和所述第二数据;根据所述目标静脉的原始数据集合和所述第一数据生成所述目标静脉的分割数据集合,根据所述部分动脉的原始数据集合和所述第二数据生成所述部分动脉的分割数据集合;综合所述目标静脉的分割数据集合、所述部分动脉的分割数据集合、所述肾脏的数据集合、所述肝门的数据集合,得到所述第二医学影像数据。
在一个可能的示例中,在所述处理所述第二医学影像数据得到目标医学影像数据方面,所述程序中的指令具体用于执行以下操作:针对所述第二医学影像数据执行以下至少一种处理操作得到目标医学影像数据:2D边界优化处理、3D边界优化处理、数据增强处理。
在一个可能的示例中,在所述2D边界优化处理方面,所述程序中的指令具体用于执行以下操作:多次采样获取低分辨率信息和高分辨率信息,其中,低分辨率信息能够提供分割目标在整个图像中上下文语义信息,即反映目标与环境之间关系的特征,所述分割目标包括所述目标静脉;在所述3D边界优化处理方面,所述程序中的指令具体用于执行以下操作:将所述第二医学影像数据分别放入3D卷积层中进行3D卷积操作,获取特征图;3D池化层对所述特征图进行压缩,并进行非线性激活;对压缩后的所述特征图进行级联操作,获取模型输出的预测结果图像。在所述数据增强处理方面,所述程序中的指令具体用于执行以下操作:基于任意角度旋转的数据增强、基于直方图均衡的数据增强、基于白平衡的数据增强、基于镜像操作的数据增强、基于随机剪切的数据增强和基于模拟不同光照变化的数据增强。
在一个可能的示例中,在所述根据所述目标静脉的数据集合进行4D医学成像以展示所述目标静脉的内部影像方面,所述程序中的指令具体用于执行以下操作:根据所述目标静脉的数据集合显示所述目标静脉的外侧壁影像;在检测到针对所述外侧壁影像的选择操作时,调取所述触控位置所处区域的所述目标静脉的内部数据;根据所述内部数据显示所述触控位置所处区域的静脉内部切片影像。
在一个可能的示例中,所述程序还包括用于执行以下操作的指令:在对目标用户进行手术的过程中,根据所述静脉内部切片影像进行术中导航。
在一个可能的示例中,在所述根据目标用户的目标部位的多张扫描图像确定位图BMP数据源方面,所述程序中的指令具体用于执行以下操作:获取通过医疗设备采集的反映目标用户的人体内部结构特征的多张扫描图像;从所述多张扫描图像中筛选出包含所述目标部位的至少一张扫描图像,将所述至少一张扫描图像作为目标用户的医学数字成像和通信DICOM数据;解析所述DICOM数据生成目标用户的图源,所述图源包括纹理Texture 2D/3D图像体数据;针对所述图源执行第一预设处理得到所述BMP数据源,所述第一预设处理包括以下至少一种操作:VRDS限制对比度自适应直方图均衡、混合偏微分去噪、VRDS Ai弹性变形处理。
在一个可能的示例中,在所述VRDS限制对比度自适应直方图均衡方面,所述程序中的指令具体用于执行以下操作:区域噪音比度限幅、全局对比度限幅;将图源的局部直方图划分多个分区,针对每个分区,根据该分区的邻域的累积直方图的斜度确定变换函数的斜度,根据该变换函数的斜度确定该分区的像素值周边的对比度放大程度,然后根据该对比度放大程度进行限度裁剪处理,产生有效直方图的分布,同时也产生有效可用的邻域大小的取值,将这些裁剪掉的部分直方图均匀的分布到直方图的其他区域;在所述混合偏微分去噪方面,所述程序中的指令具体用于执行以下操作:通过VRDS Ai曲率驱动和VRDS Ai高阶混合去噪,使得图像边缘的曲率小于预设曲率,实现即可保护图像边缘、又可以避免平滑过程中出现阶梯效应的混合偏微分去噪模型;在所述VRDS Ai弹性变形处理方面,所述程序中的指令具体用于执行以下操作:在图像点阵上,叠加正负向随机距离形成差值位置矩阵,然后在每个差值位置上的灰度,形成新的点阵,可以实现图像内部的扭曲变形,再对图像进行旋转、扭曲、平移操作。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,医学成像装置为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所提供的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对医学成像装置进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。需要说明的是,本申请实施例中对单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
图4是本申请实施例中所涉及的基于VRDS Ai 4D医学影像的静脉的Ai内镜分析装置400的功能单元组成框图。该基于VRDS Ai 4D医学影像的静脉的Ai内镜分析装置400应用于医学成像装置,该基于VRDS Ai 4D医学影像的静脉的Ai内镜分析装置400包括处理单元和通信单元,其中,
所述处理单元,用于根据目标用户的目标部位的多张扫描图像确定位图BMP数据源,所述目标部位包括待观测的目标静脉和与所述目标静脉关联的动脉、肾脏、肝门;以及用于根据所述BMP数据源生成第一医学影像数据,所述第一医学影像数据包括所述目标静脉的原始数据集合、所述部分动脉的原始数据集合、所述肾脏的数据集合、所述肝门的数据集合,所述目标静脉的血管的原始数据集合和所述部分动脉的原始数据集合包括交叉位置的融合数据,所述目标静脉的血管的原始数据集合为所述目标静脉表面和所述目标静脉内部的组织结构的立方体空间的传递函数结果,所述部分动脉的原始数据集合为所述部分动脉表面和所述部分动脉内部的组织结构的立方体空间的传递函数结果,所述肾脏的数据集合为所述肾脏表面和所述肾脏内部的组织结构的立方体空间的传递函数结果,所述肝门的数据集合为所述肝门表面和所述肝门内部的组织结构的立方体空间的传递函数结果;以及用于根据所述第一医学影像数据生成第二医学影像数据,所述第二医学影像数据包括所述目标静脉的分割数据合、所述部分动脉的分割数据集合、所述肾脏的数据集合、所述肝门的数据集合,所述目标静脉的分割数据集合的第一数据和所述部分动脉的分割数据集合的第二数据相互独立,所述第一数据和所述第二数据为所述交叉位置的数据;以及用于处理所述第二医学影像数据得到目标医学影像数据;以及用于提取所述目标医学影像数据中所述目标静脉的数据集合;以及用于通过所述通信单元根据所述目标静脉的数据集合进行4D医学成像以展示所述目标静脉的内部影像。
其中,所述视频会议实现装置400还可以包括存储单元403,用于存储电子设备的程序代码和数据。所述处理单元401可以是处理器,所述通信单元402可以是触控显示屏或者收发器,存储单元403可以是存储器。
可以看出,本申请实施例中,医学成像装置首先根据目标用户的目标部位的多张扫描图像确定位图BMP数据源,其次,根据BMP数据源生成第一医学影像数据,再次,根据第一医学影像数据生成第二医学影像数据,再次,处理第二医学影像数据得到目标医学影像数据,然后提取目标医学影像数据中目标静脉的数据集合,最后根据目标静脉的数据集合进行4D医学成像以展示目标静脉的内部影像。其中,目标部位包括待观测的目标静脉和与目标静脉关联的动脉、肾脏、肝门,第一医学影像数据包括目标静脉的原始数据集合、部分动脉的原始数据集合、肾脏的数据集合、肝门的数据集合,目标静脉的血管的原始数据集合和部分动脉的原始数据集合包括交叉位置的融合数据,目标静脉的血管的原始数据集合为目标静脉表面和目标静脉内部的组织结构的立方体空间的传递函数结果,部分动脉的原始数据集合为部分动脉表面和部分动脉内部的组织结构的立方体空间的传递函数结果,肾脏的数据集合为肾脏表面和肾脏内部的组织结构的立方体空间的传递函数结果,肝门的数据集合为肝门表面和肝门内部的组织结构的立方体空间的传递函数结果,第二医学影像数据包括目标静脉的分割数据集合、部分动脉的分割数据集合、肾脏的数据集合、肝门的数据集合,目标静脉的分割数据集合的第一数据和部分动脉的分割数据集合的第二数据相互独立,第一数据和第二数据为交叉位置的数据,可见,本申请的医学成像装置通过数据的预处理、分离、整合,并进行4D医学成像,有利于提高医学成像装置进行下腔静脉成像的准确度和便捷性。
在一个可能的示例中,在所述根据所述BMP数据源生成第一医学影像数据方面,所述处理单元401具体用于:将所述BMP数据源导入预设的VRDS医学网络模型,通过所述VRDS医学网络模型调用预存的传递函数集合中的每个传递函数,通过所述传递函数集合中的多个传递函数处理所述BMP数据源,得到第一医学影像数据,所述传递函数集合包括通过反向编辑器预先设置的所述目标静脉的传递函数、动脉的传递函数、所述肾脏的传递函数和所述肝门的传递函数。
在一个可能的示例中,在所述根据所述第一医学影像数据生成第二医学影像数据方面,所述处理单元401具体用于:将所述第一医学影像数据中的所述目标静脉的原始数据集合、所述部分动脉的原始数据集合导入所述交叉血管网络模型,通过所述交叉血管网络模型对所述交叉位置的融合数据进行空间分割处理,得到所述第一数据和所述第二数据;根据所述目标静脉的原始数据集合和所述第一数据生成所述目标静脉的分割数据集合,根据所述部分动脉的原始数据集合和所述第二数据生成所述部分动脉的分割数据集合;综合所述目标静脉的分割数据集合、所述部分动脉的分割数据集合、所述肾脏的数据集合、所述肝门的数据集合,得到所述第二医学影像数据。
在一个可能的示例中,在所述处理所述第二医学影像数据得到目标医学影像数据方面,所述处理单元401具体用于:针对所述第二医学影像数据执行以下至少一种处理操作得到目标医学影像数据:2D边界优化处理、3D边界优化处理、数据增强处理。
在一个可能的示例中,在所述2D边界优化处理方面,所述处理单元401具体用于:多次采样获取低分辨率信息和高分辨率信息,其中,低分辨率信息能够提供分割目标在整个图像中上下文语义信息,即反映目标与环境之间关系的特征,所述分割目标包括所述目标静脉;在所述3D边界优化处理方面,所述处理单元401具体用于:将所述第二医学影像数据分别放入3D卷积层中进行3D卷积操作,获取特征图;3D池化层对所述特征图进行压缩,并进行非线性激活;对压缩后的所述特征图进行级联操作,获取模型输出的预测结果图像。在所述数据增强处理方面,所述处理单元401具体用于:基于任意角度旋转的数据增强、基于直方图均衡的数据增强、基于白平衡的数据增强、基于镜像操作的数据增强、基于随机剪切的数据增强和基于模拟不同光照变化的数据增强。
在一个可能的示例中,在所述根据所述目标静脉的数据集合进行4D医学成像以展示所述目标静脉的内部影像方面,所述处理单元401具体用于:根据所述目标静脉的数据集合显示所述目标静脉的外侧壁影像;在检测到针对所述外侧壁影像的选择操作时,调取所述触控位置所处区域的所述目标静脉的内部数据;根据所述内部数据显示所述触控位置所处区域的静脉内部切片影像。
在一个可能的示例中,所述处理单元401还用于:在对目标用户进行手术的过程中,根据所述静脉内部切片影像进行术中导航。
在一个可能的示例中,在所述根据目标用户的目标部位的多张扫描图像确定位图BMP数据源方面,所述处理单元401具体用于:获取通过医疗设备采集的反映目标用户的人体内部结构特征的多张扫描图像;从所述多张扫描图像中筛选出包含所述目标部位的至少一张扫描图像,将所述至少一张扫描图像作为目标用户的医学数字成像和通信DICOM数据;解析所述DICOM数据生成目标用户的图源,所述图源包括纹理Texture 2D/3D图像体数据;针对所述图源执行第一预设处理得到所述BMP数据源,所述第一预设处理包括以下至少一种操作:VRDS限制对比度自适应直方图均衡、混合偏微分去噪、VRDS Ai弹性变形处理。
在一个可能的示例中,在所述VRDS限制对比度自适应直方图均衡方面,所述处理单元401具体用于:区域噪音比度限幅、全局对比度限幅;将图源的局部直方图划分多个分区,针对每个分区,根据该分区的邻域的累积直方图的斜度确定变换函数的斜度,根据该变换函数的斜度确定该分区的像素值周边的对比度放大程度,然后根据该对比度放大程度进行限度裁剪处理,产生有效直方图的分布,同时也产生有效可用的邻域大小的取值,将这些裁剪掉的部分直方图均匀的分布到直方图的其他区域;所述混合偏微分去噪包括以下步骤:通过VRDS Ai曲率驱动和VRDS Ai高阶混合去噪,使得图像边缘的曲率小于预设曲率,实现即可保护图像边缘、又可以避免平滑过程中出现阶梯效应的混合偏微分去噪模型;所述VRDS Ai弹性变形处理包括以下步骤:在图像点阵上,叠加正负向随机距离形成差值位置矩阵,然后在每个差值位置上的灰度,形成新的点阵,可以实现图像内部的扭曲变形,再对图像进行旋转、扭曲、平移操作。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,上述计算机包括医学成像装置。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,上述计算机包括医学成像装置。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以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器中。基于这样的理解,本申请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全部或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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于VRDS 4D医学影像的静脉的Ai内镜分析方法,其特征在于,应用于医学成像装置;所述方法包括:
根据目标用户的目标部位的多张扫描图像确定位图BMP数据源,所述目标部位包括待观测的目标静脉和与所述目标静脉关联的动脉、肾脏、肝门;
根据所述BMP数据源生成第一医学影像数据,所述第一医学影像数据包括所述目标静脉的原始数据集合、所述部分动脉的原始数据集合、所述肾脏的数据集合、所述肝门的数据集合,所述目标静脉的血管的原始数据集合和所述部分动脉的原始数据集合包括交叉位置的融合数据,所述目标静脉的血管的原始数据集合为所述目标静脉表面和所述目标静脉内部的组织结构的立方体空间的传递函数结果,所述部分动脉的原始数据集合为所述部分动脉表面和所述部分动脉内部的组织结构的立方体空间的传递函数结果,所述肾脏的数据集合为所述肾脏表面和所述肾脏内部的组织结构的立方体空间的传递函数结果,所述肝门的数据集合为所述肝门表面和所述肝门内部的组织结构的立方体空间的传递函数结果;
根据所述第一医学影像数据生成第二医学影像数据,所述第二医学影像数据包括所述目标静脉的分割数据集合、所述部分动脉的分割数据集合、所述肾脏的数据集合、所述肝门的数据集合,所述目标静脉的分割数据集合的第一数据和所述部分动脉的分割数据集合的第二数据相互独立,所述第一数据和所述第二数据为所述交叉位置的数据;
处理所述第二医学影像数据得到目标医学影像数据;
提取所述目标医学影像数据中所述目标静脉的数据集合;
根据所述目标静脉的数据集合进行4D医学成像以展示所述目标静脉的内部影像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述BMP数据源生成第一医学影像数据,包括:
将所述BMP数据源导入预设的VRDS医学网络模型,通过所述VRDS医学网络模型调用预存的传递函数集合中的每个传递函数,通过所述传递函数集合中的多个传递函数处理所述BMP数据源,得到第一医学影像数据,所述传递函数集合包括通过反向编辑器预先设置的所述目标静脉的传递函数、动脉的传递函数、所述肾脏的传递函数和所述肝门的传递函数。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述第一医学影像数据生成第二医学影像数据,包括:
将所述第一医学影像数据中的所述目标静脉的原始数据集合、所述部分动脉的原始数据集合导入所述交叉血管网络模型,通过所述交叉血管网络模型对所述交叉位置的融合数据进行空间分割处理,得到所述第一数据和所述第二数据;
根据所述目标静脉的原始数据集合和所述第一数据生成所述目标静脉的分割数据集合,根据所述部分动脉的原始数据集合和所述第二数据生成所述部分动脉的分割数据集合;
综合所述目标静脉的分割数据集合、所述部分动脉的分割数据集合、所述肾脏的数据集合、所述肝门的数据集合,得到所述第二医学影像数据。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述处理所述第二医学影像数据得到目标医学影像数据,包括:
针对所述第二医学影像数据执行以下至少一种处理操作得到目标医学影像数据:2D边界优化处理、3D边界优化处理、数据增强处理。
5.根据权利要求4所述的方法,其特征在于,所述2D边界优化处理包括以下操作:多次采样获取低分辨率信息和高分辨率信息,其中,低分辨率信息能够提供分割目标在整个图像中上下文语义信息,即反映目标与环境之间关系的特征,所述分割目标包括所述目标静脉;
所述3D边界优化处理包括以下操作:将所述第二医学影像数据分别放入3D卷积层中进行3D卷积操作,获取特征图;3D池化层对所述特征图进行压缩,并进行非线性激活;对压缩后的所述特征图进行级联操作,获取模型输出的预测结果图像;
所述数据增强处理包括以下至少一种:基于任意角度旋转的数据增强、基于直方图均衡的数据增强、基于白平衡的数据增强、基于镜像操作的数据增强、基于随机剪切的数据增强和基于模拟不同光照变化的数据增强。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述根据所述目标静脉的数据集合进行4D医学成像以展示所述目标静脉的内部影像,包括:
根据所述目标静脉的数据集合显示所述目标静脉的外侧壁影像;
在检测到针对所述外侧壁影像的选择操作时,调取所述触控位置所处区域的所述目标静脉的内部数据;
根据所述内部数据显示所述触控位置所处区域的静脉内部切片影像。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
在对目标用户进行手术的过程中,根据所述静脉内部切片影像进行术中导航。
8.一种基于VRDS Ai 4D医学影像的静脉的Ai内镜分析装置,其特征在于,应用于医学成像装置;所述基于VRDS Ai 4D医学影像的静脉的Ai内镜分析装置包括处理单元和通信单元,其中,
所述处理单元,用于根据目标用户的目标部位的多张扫描图像确定位图BMP数据源,所述目标部位包括待观测的目标静脉和与所述目标静脉关联的动脉、肾脏、肝门;以及用于根据所述BMP数据源生成第一医学影像数据,所述第一医学影像数据包括所述目标静脉的原始数据集合、所述部分动脉的原始数据集合、所述肾脏的数据集合、所述肝门的数据集合,所述目标静脉的血管的原始数据集合和所述部分动脉的原始数据集合包括交叉位置的融合数据,所述目标静脉的血管的原始数据集合为所述目标静脉表面和所述目标静脉内部的组织结构的立方体空间的传递函数结果,所述部分动脉的原始数据集合为所述部分动脉表面和所述部分动脉内部的组织结构的立方体空间的传递函数结果,所述肾脏的数据集合为所述肾脏表面和所述肾脏内部的组织结构的立方体空间的传递函数结果,所述肝门的数据集合为所述肝门表面和所述肝门内部的组织结构的立方体空间的传递函数结果;以及用于根据所述第一医学影像数据生成第二医学影像数据,所述第二医学影像数据包括所述目标静脉的分割数据集合、所述部分动脉的分割数据集合、所述肾脏的数据集合、所述肝门的数据集合,所述目标静脉的分割数据集合的第一数据和所述部分动脉的分割数据集合的第二数据相互独立,所述第一数据和所述第二数据为所述交叉位置的数据;以及用于处理所述第二医学影像数据得到目标医学影像数据;以及用于提取所述目标医学影像数据中所述目标静脉的数据集合;以及用于通过所述通信单元根据所述目标静脉的数据集合进行4D医学成像以展示所述目标静脉的内部影像。
9.一种医学成像装置,其特征在于,包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-7任一项所述的方法中的步骤的指令。
10.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-7任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910132383.0A CN111612792B (zh) | 2019-02-22 | 2019-02-22 | 基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品 |
US17/432,483 US20220148162A1 (en) | 2019-02-22 | 2019-08-16 | Method and product for ai endoscope analyzing of vein based on vrds 4d medical images |
AU2019430369A AU2019430369B2 (en) | 2019-02-22 | 2019-08-16 | VRDS 4D medical image-based vein Ai endoscopic analysis method and product |
PCT/CN2019/101160 WO2020168698A1 (zh) | 2019-02-22 | 2019-08-16 | 基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品 |
EP19916348.6A EP3929869A4 (en) | 2019-02-22 | 2019-08-16 | PROCEDURE FOR ENDOSCOPIC KI VEIN ANALYSIS BASED ON MEDICAL 4D VRDS IMAGES AND PRODUCT |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910132383.0A CN111612792B (zh) | 2019-02-22 | 2019-02-22 | 基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612792A true CN111612792A (zh) | 2020-09-01 |
CN111612792B CN111612792B (zh) | 2024-03-08 |
Family
ID=72144487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910132383.0A Active CN111612792B (zh) | 2019-02-22 | 2019-02-22 | 基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220148162A1 (zh) |
EP (1) | EP3929869A4 (zh) |
CN (1) | CN111612792B (zh) |
AU (1) | AU2019430369B2 (zh) |
WO (1) | WO2020168698A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112635029A (zh) * | 2020-12-31 | 2021-04-09 | 上海联影智能医疗科技有限公司 | 一种医学影像处理方法、装置、终端及存储介质 |
CN115482248B (zh) * | 2022-09-22 | 2023-12-08 | 推想医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
CN116188294B (zh) * | 2022-12-22 | 2023-09-19 | 东莞理工学院 | 用于医学图像的数据增强方法、系统、智能终端及介质 |
CN116523940B (zh) * | 2023-06-26 | 2023-09-01 | 聊城市第二人民医院 | 一种用于肾结石图像的轮廓分析系统 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1957848A (zh) * | 2005-11-02 | 2007-05-09 | 株式会社东芝 | X射线计算机断层拍摄装置以及x射线计算机断层图数据解析方法 |
US20070276214A1 (en) * | 2003-11-26 | 2007-11-29 | Dachille Frank C | Systems and Methods for Automated Segmentation, Visualization and Analysis of Medical Images |
CN101178814A (zh) * | 2007-11-30 | 2008-05-14 | 华南理工大学 | 一种融合解剖与功能成像信息数据场的半透明体绘制方法 |
US20100296623A1 (en) * | 2006-10-17 | 2010-11-25 | Koninklijke Philips Electronics N.V. | Visualization of 3d images in combination with 2d projection images |
CN102222352A (zh) * | 2010-04-16 | 2011-10-19 | 株式会社日立医疗器械 | 图像处理方法和图像处理装置 |
CN103646418A (zh) * | 2013-12-31 | 2014-03-19 | 中国科学院自动化研究所 | 基于自动多阈值的多层着色体绘制方法 |
CN103745495A (zh) * | 2014-02-08 | 2014-04-23 | 黑龙江八一农垦大学 | 基于医学体数据的体绘制方法 |
US20150127379A1 (en) * | 2013-11-04 | 2015-05-07 | Jeffrey Sorenson | Evolving contextual clinical data engine for medical information |
US20160180525A1 (en) * | 2014-12-19 | 2016-06-23 | Kabushiki Kaisha Toshiba | Medical image data processing system and method |
US20160338613A1 (en) * | 2014-01-17 | 2016-11-24 | Arterys Inc. | Apparatus, methods and articles for four dimensional (4d) flow magnetic resonance imaging |
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 |
CN106725846A (zh) * | 2016-11-21 | 2017-05-31 | 厦门强本宇康科技有限公司 | 一种基于人体器官3d模型的手术仿真系统及方法 |
CN106991712A (zh) * | 2016-11-25 | 2017-07-28 | 斯图尔特平李 | 一种基于hmds的医学成像系统 |
CN107049475A (zh) * | 2017-04-19 | 2017-08-18 | 纪建松 | 肝癌局部消融方法及系统 |
CN107481254A (zh) * | 2017-08-24 | 2017-12-15 | 上海术理智能科技有限公司 | 医学图像的处理方法、装置、介质和电子设备 |
US20180116620A1 (en) * | 2016-10-31 | 2018-05-03 | Siemens Healthcare Gmbh | Deep Learning Based Bone Removal in Computed Tomography Angiography |
CN108364297A (zh) * | 2018-03-19 | 2018-08-03 | 青岛海信医疗设备股份有限公司 | 血管图像分割方法、终端、存储介质 |
CN108830870A (zh) * | 2018-05-21 | 2018-11-16 | 千寻位置网络有限公司 | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 |
CN108986196A (zh) * | 2017-06-01 | 2018-12-11 | 西门子保健有限责任公司 | 用于外科决策支持的关联的照片级真实的3d可视化 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004036500A2 (en) * | 2002-10-16 | 2004-04-29 | Koninklijke Philips Electronics N.V. | Hierarchical image segmentation |
ATE438162T1 (de) * | 2005-02-11 | 2009-08-15 | Koninkl Philips Electronics Nv | Verfahren zur automatischen extraktion des lungenarterienbaums aus medizinischen 3d-bildern |
JP5263995B2 (ja) * | 2011-03-18 | 2013-08-14 | 富士フイルム株式会社 | ネットワーク構築装置および方法ならびにプログラム |
KR101989156B1 (ko) * | 2012-11-01 | 2019-06-13 | 삼성전자주식회사 | 장기의 영상에서 장기에 포함된 객체의 영상을 분리하는 방법, 장치 및 의료 영상 시스템 |
US8989472B2 (en) * | 2013-02-13 | 2015-03-24 | Mitsubishi Electric Research Laboratories, Inc. | Method for simulating thoracic 4DCT |
CN108366778B (zh) * | 2015-09-03 | 2021-08-24 | 西门子保健有限责任公司 | 移动解剖体和设备的多视图、多源配准 |
CN109690554B (zh) * | 2016-07-21 | 2023-12-05 | 西门子保健有限责任公司 | 用于基于人工智能的医学图像分割的方法和系统 |
-
2019
- 2019-02-22 CN CN201910132383.0A patent/CN111612792B/zh active Active
- 2019-08-16 AU AU2019430369A patent/AU2019430369B2/en active Active
- 2019-08-16 EP EP19916348.6A patent/EP3929869A4/en not_active Withdrawn
- 2019-08-16 US US17/432,483 patent/US20220148162A1/en active Pending
- 2019-08-16 WO PCT/CN2019/101160 patent/WO2020168698A1/zh unknown
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070276214A1 (en) * | 2003-11-26 | 2007-11-29 | Dachille Frank C | Systems and Methods for Automated Segmentation, Visualization and Analysis of Medical Images |
CN1957848A (zh) * | 2005-11-02 | 2007-05-09 | 株式会社东芝 | X射线计算机断层拍摄装置以及x射线计算机断层图数据解析方法 |
US20100296623A1 (en) * | 2006-10-17 | 2010-11-25 | Koninklijke Philips Electronics N.V. | Visualization of 3d images in combination with 2d projection images |
CN101178814A (zh) * | 2007-11-30 | 2008-05-14 | 华南理工大学 | 一种融合解剖与功能成像信息数据场的半透明体绘制方法 |
CN102222352A (zh) * | 2010-04-16 | 2011-10-19 | 株式会社日立医疗器械 | 图像处理方法和图像处理装置 |
US20150127379A1 (en) * | 2013-11-04 | 2015-05-07 | Jeffrey Sorenson | Evolving contextual clinical data engine for medical information |
CN103646418A (zh) * | 2013-12-31 | 2014-03-19 | 中国科学院自动化研究所 | 基于自动多阈值的多层着色体绘制方法 |
US20160338613A1 (en) * | 2014-01-17 | 2016-11-24 | Arterys Inc. | Apparatus, methods and articles for four dimensional (4d) flow magnetic resonance imaging |
CN103745495A (zh) * | 2014-02-08 | 2014-04-23 | 黑龙江八一农垦大学 | 基于医学体数据的体绘制方法 |
US20160180525A1 (en) * | 2014-12-19 | 2016-06-23 | Kabushiki Kaisha Toshiba | Medical image data processing system and method |
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 |
US20180116620A1 (en) * | 2016-10-31 | 2018-05-03 | Siemens Healthcare Gmbh | Deep Learning Based Bone Removal in Computed Tomography Angiography |
CN106725846A (zh) * | 2016-11-21 | 2017-05-31 | 厦门强本宇康科技有限公司 | 一种基于人体器官3d模型的手术仿真系统及方法 |
CN106991712A (zh) * | 2016-11-25 | 2017-07-28 | 斯图尔特平李 | 一种基于hmds的医学成像系统 |
CN107049475A (zh) * | 2017-04-19 | 2017-08-18 | 纪建松 | 肝癌局部消融方法及系统 |
CN108986196A (zh) * | 2017-06-01 | 2018-12-11 | 西门子保健有限责任公司 | 用于外科决策支持的关联的照片级真实的3d可视化 |
CN107481254A (zh) * | 2017-08-24 | 2017-12-15 | 上海术理智能科技有限公司 | 医学图像的处理方法、装置、介质和电子设备 |
CN108364297A (zh) * | 2018-03-19 | 2018-08-03 | 青岛海信医疗设备股份有限公司 | 血管图像分割方法、终端、存储介质 |
CN108830870A (zh) * | 2018-05-21 | 2018-11-16 | 千寻位置网络有限公司 | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 |
Non-Patent Citations (6)
Title |
---|
MARK BUTLIN等: "Transfer Function Between Intracranial Pressure and Aortic Blood Pressure and Carotid Blood Flow", 2018 40TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY (EMBC), pages 3169 - 3172 * |
STEFAN LINDHOLM ET AL: "Spatial Conditioning of Transfer Functions Using Local Material Distributions", 《IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS》 * |
STEFAN LINDHOLM ET AL: "Spatial Conditioning of Transfer Functions Using Local Material Distributions", 《IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS》, vol. 16, no. 6, 28 October 2010 (2010-10-28), pages 1301 - 1310 * |
兰辉: "基于体可视化技术的心血管计算机辅助诊断系统研究", 中国优秀硕士学位论文全文数据库 (信息科技辑), vol. 2015, no. 12, pages 138 - 866 * |
马孚骁: "肝脏与肝内血管的分割及可视化研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
马孚骁: "肝脏与肝内血管的分割及可视化研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, vol. 2017, no. 3, 15 March 2017 (2017-03-15), pages 2 * |
Also Published As
Publication number | Publication date |
---|---|
EP3929869A1 (en) | 2021-12-29 |
US20220148162A1 (en) | 2022-05-12 |
EP3929869A4 (en) | 2022-12-14 |
AU2019430369B2 (en) | 2023-05-25 |
WO2020168698A1 (zh) | 2020-08-27 |
AU2019430369A1 (en) | 2021-09-16 |
CN111612792B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3547179A1 (en) | Method and system for adjusting color of image | |
AU2019430369B2 (en) | VRDS 4D medical image-based vein Ai endoscopic analysis method and product | |
CN114365190A (zh) | 基于vrds 4d医学影像的脾脏肿瘤识别方法及相关装置 | |
CN114365188A (zh) | 基于vrds ai下腔静脉影像的分析方法及产品 | |
CN114340496A (zh) | 基于vrds ai医学影像的心脏冠脉的分析方法和相关装置 | |
AU2019431568B2 (en) | Method and product for processing of vrds 4d medical images | |
AU2019430258B2 (en) | VRDS 4D medical image-based tumor and blood vessel ai processing method and product | |
CN111612860B (zh) | 基于VRDS 4D医学影像的栓塞的Ai识别方法及产品 | |
AU2019430773B2 (en) | VRDS 4D medical image-based AI processing method and product for tumors | |
CN114402395A (zh) | 基于vrds 4d医学影像的脊椎疾病识别方法及相关装置 | |
CN114341996A (zh) | 基于vrds 4d的病情分析方法及相关产品 | |
CN111613301B (zh) | 基于VRDS 4D医学影像的动脉与静脉Ai处理方法及产品 | |
CN114364323A (zh) | 基于vrds ai静脉影像的识别方法及产品 | |
CN114340497A (zh) | 基于vrds ai医学影像的肠肿瘤与血管分析方法和相关装置 | |
CN114287042A (zh) | 基于vrds ai脑部影像的分析方法和相关装置 | |
CN114401673A (zh) | 基于vrds 4d医学影像的胃肿瘤识别方法及相关产品 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230222 Address after: 423017 Group 6, Taiyangyu Village, Qifengdu Town, Suxian District, Chenzhou City, Hunan Province Applicant after: Cao Sheng Address before: 18C, Hangsheng Science and Technology Building, No. 8, Gaoxin South 6th Road, Yuehai Street, Nanshan District, Shenzhen City, Guangdong Province, 518035 Applicant before: WEIAI MEDICAL TECHNOLOGY (SHENZHEN) Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |