CN111724359B - 一种确定肺叶运动轨迹的方法、装置和存储介质 - Google Patents
一种确定肺叶运动轨迹的方法、装置和存储介质 Download PDFInfo
- Publication number
- CN111724359B CN111724359B CN202010534151.0A CN202010534151A CN111724359B CN 111724359 B CN111724359 B CN 111724359B CN 202010534151 A CN202010534151 A CN 202010534151A CN 111724359 B CN111724359 B CN 111724359B
- Authority
- CN
- China
- Prior art keywords
- optical flow
- lung
- images
- image
- lobe
- 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.)
- Active
Links
- 210000004072 lung Anatomy 0.000 title claims abstract description 636
- 238000000034 method Methods 0.000 title claims abstract description 154
- 230000033001 locomotion Effects 0.000 title claims abstract description 148
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000006073 displacement reaction Methods 0.000 claims abstract description 74
- 230000008569 process Effects 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 49
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 35
- 230000003287 optical effect Effects 0.000 claims description 439
- 230000011218 segmentation Effects 0.000 claims description 76
- 238000005457 optimization Methods 0.000 claims description 75
- 230000002441 reversible effect Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 44
- 238000010586 diagram Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000002591 computed tomography Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 210000000038 chest Anatomy 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 208000035475 disorder Diseases 0.000 description 3
- 239000011229 interlayer Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 2
- 208000000059 Dyspnea Diseases 0.000 description 2
- 206010013975 Dyspnoeas Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 208000006673 asthma Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000004199 lung function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 206010003598 Atelectasis Diseases 0.000 description 1
- 206010008469 Chest discomfort Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010014561 Emphysema Diseases 0.000 description 1
- 208000003898 Mediastinal Emphysema Diseases 0.000 description 1
- 206010050184 Pneumomediastinum Diseases 0.000 description 1
- 208000007123 Pulmonary Atelectasis Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000030603 inherited susceptibility to asthma Diseases 0.000 description 1
- 230000003434 inspiratory effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 201000003144 pneumothorax Diseases 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种确定肺叶运动轨迹的方法、装置和存储介质，涉及医学图像处理领域，包括：获取呼吸过程中多组肺叶图像；提取所述多组肺叶图像在相同位置的肺叶图像，得到每个位置的肺叶运动序列图像；分别计算所述肺叶运动序列图像中相邻图像的肺叶位移，根据所述肺叶位移确定肺叶的轨迹。以解决目前无法确定具体肺叶运动轨迹，导致无法分析具体肺叶的运动功能性障碍的问题。
Description
技术领域
本发明涉及医学图像处理领域，具体说是一种确定肺叶运动轨迹的方法、装置和存储介质。
背景技术
随着胸廓的扩张和回缩，空气经呼吸道进出肺称为呼吸运动。肺的舒缩完全靠胸廓的运动。胸廓扩张时，将肺向外方牵引，空气入肺，称为吸气运动。胸廓回缩时，肺内空气被排出体外，称为呼气运动。由于呼吸运动的不断进行，便保证肺泡内气体成分的相对恒定，使血液与肺泡内气体间的气体交换得以不断进行。
目前，对于肺叶的运动轨迹缺乏必要的认识，特别对于呼吸受限时，肺叶的运动轨迹会发生明显的变化。例如，肺气肿(慢阻肺，COPD)严重时，呼吸时由于肺泡不能进入足够的空气，限制肺叶的自动运动，导致肺叶的运动轨迹与正常肺叶之间存在差异；又例如哮喘(支气管哮喘)常伴有广泛而多变的气流阻塞,轻者仅有胸部紧迫感，持续数分钟，重者极度呼吸困难，持续数周或更长时间,肺呈过度充气状态，并存在肺不张、气胸或纵隔气肿等并发症的存在。
同时，随着人工智能技术的发展，利用医学影像执行健康状态的预测、图像配准、术中导航、路径规划等成为可能。目前，肺部呼吸过程中的影像数据可以用于评价肺功能，建立肺呼吸模型、判断呼吸困难和呼吸不对称的情况，针对呼吸过程中肺部的运动情况对肺功能的研究以及非疾病的诊断具有重要意义。
发明内容
有鉴于此，本发明提供一种确定肺叶运动轨迹的方法、装置和存储介质，以解决目前无法确定具体肺叶运动轨迹，导致无法分析具体肺叶的运动功能性障碍的问题。
第一方面，本发明提供一种确定肺叶运动轨迹的方法，包括：
获取呼吸过程中多组肺叶图像，所述多组肺叶图像为多时刻分别获取的肺叶图像；
提取所述多组肺叶图像中相同位置的肺叶图像，得到每个位置的肺叶运动序列图像；
分别计算所述肺叶运动序列图像中相邻图像的肺叶位移，根据所述肺叶位移确定肺叶的轨迹。
优选地，所述提取所述多组肺叶图像中相同位置的肺叶图像，得到每个位置的肺叶运动序列图像的方法，包括:
确定所述多组肺叶图像的层数；
根据所述层数确定所述多组肺叶图像在相同位置的肺叶图像；
根据所述在相同位置的肺叶图像得到所述肺叶运动序列图像；
以及/或，
所述分别计算所述肺叶运动序列图像中相邻图像的肺叶位移的方法，包括：
分别确定所述肺叶运动序列图像中相邻图像的第一正向光流；
分别根据所述第一正向光流确定所述相邻图像的肺叶位移；
以及/或，
在所述获取呼吸过程中多组肺叶图像之前，获取呼吸过程中多组肺图像；以及分别对所述多组肺图像进行肺叶分割，得到所述多组肺叶图像。
优选地，所述分别计算所述肺叶运动序列图像中相邻图像的肺叶位移的方法，还包括：
分别确定所述第一正向光流对应的第一反向光流；
分别根据所述第一正向光流以及所述第一反向光流确定所述相邻图像的肺叶位移；
以及/或，
所述分别对所述多组肺图像进行肺叶分割，得到所述多组肺叶图像的方法，包括：
确定所述多组肺图像中的某一时刻对应的肺图像为待分割肺图像；
利用所述某一时刻的前一时刻以及/或后一时刻的肺图像对所述待分割肺图像进行融合，得到融合肺图像；
利用预设肺叶分割模型对所述融合肺图像进行分割，得到所述待分割肺图像的肺叶图像；
依次执行上述操作，得到所述多组肺叶图像。
优选地，所述分别计算所述肺叶运动序列图像中相邻图像的肺叶位移的方法，还包括：
分别对所述第一正向光流和第一反向光流执行光流优化处理，得到与各所述第一正向光流对应的第二正向光流，以及与各所述第一反向光流对应的第二反向光流；分别根据所述第二正向光流以及所述第二反向光流确定所述相邻图像的肺叶位移；
以及/或，
所述利用所述某一时刻的前一时刻以及/或后一时刻的肺图像对所述待分割肺图像进行融合，得到融合肺图像的方法，包括：
执行所述待分割肺图像所述某一时刻的前一时刻以及/或后一时刻的肺图像到所述待分割肺图像的配准操作，得到待融合肺图像；
将所述待融合肺图像及所述待分割肺图像进行融合，得到融合肺图像。
优选地，所述分别根据所述第一反向光流以及所述第一反向光流确定所述相邻图像的肺叶位移的方法，包括：
分别对所述第二正向光流以及所述第二反向光流进行运算，得到矫正光流；
分别根据所述矫正光流确定所述相邻图像的肺叶位移；
以及/或，
所述将所述待融合肺图像及所述待分割肺图像进行融合，得到融合肺图像的方法，包括：
设定所述待融合肺图像的权重值；
根据所述权重值及所述待融合肺图像得到权重肺图像；
对所述权重肺图像与所述待分割肺图像进行叠加，得到所述融合肺图像。
优选地，所述设定所述待融合肺图像的权重值的方法，包括：
确定所述待融合肺图像的配准点，所述配准点的权重值大于非配准点。
优选地，所述分别对所述第一正向光流和第一反向光流执行光流优化处理，得到与各所述第一正向光流对应的第二正向光流，以及与各所述第一反向光流对应的第二反向光流的方法，包括:
连接各所述第一正向光流得到第一连接光流，以及连接各所述第一反向光流得到第二连接光流；
分别对所述第一连接光流和第二连接光流执行N次光流优化处理，得到所述第一连接光流对应的第一优化光流，以及第二连接光流对应的第二优化光流；
根据所述第一优化光流得到每个第一正向光流对应的第二正向光流，以及根据所述第二优化光流得到每个第一反向光流对应的第二反向光流；
其中，N为大于或者等于1的正整数。
优选地，所述分别对所述第一连接光流和第二连接光流执行N次光流优化处理，包括：
对所述第一连接光流和第二连接光流执行第一次光流优化处理，得到所述第一连接光流对应的第一优化子光流，以及第二连接光流对应的第一优化子光流；以及
分别对所述第一连接光流和所述第二连接光流的第i优化子光流执行第i+1次光流优化处理，得到所述第一连接光流对应的第i+1优化子光流，以及第二连接光流对应的第i+1优化子光流；
其中，i为大于1且小于N的正整数；通过第N次优化处理，将得到的所述第一连接光流的第N优化子光流确定为所述第一优化光流，以及将得到的所述第二连接光流的第N优化子光流确定为所述第二优化光流；各次光流优化处理包括残差处理和上采样处理。
优选地，所述确定所述第一正向光流对应的第一反向光流的方法，包括：
根据所述多组肺叶图像的正向时间顺序，确定所述肺叶运动序列图像中相邻图像的所述第一正向光流，以及根据多组肺叶图像的反向时间顺序，确定所述肺叶运动序列图像中相邻图像的所述第一反向光流。
第二方面，本发明提供一种确定肺叶运动轨迹的装置，包括：
获取单元，用于获取呼吸过程中多组肺叶图像，所述多组肺叶图像为多时刻分别获取的肺叶图像；
提取成单元，用于提取所述多组肺叶图像中相同位置的肺叶图像，得到每个位置的肺叶运动序列图像；
计算及确定单元，用于分别计算所述肺叶运动序列图像中相邻图像的肺叶位移，根据所述肺叶位移确定肺叶的轨迹。
第三方面，本发明提供存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述的方法，包括：
获取呼吸过程中多组肺叶图像，所述多组肺叶图像为多时刻分别获取的肺叶图像；
提取所述多组肺叶图像中相同位置的肺叶图像，得到每个位置的肺叶运动序列图像；
分别计算所述肺叶运动序列图像中相邻图像的肺叶位移，根据所述肺叶位移确定肺叶的轨迹。
本发明至少具有如下有益效果：
本发明提供一种确定肺叶运动轨迹的方法、装置和存储介质，以解决目前无法确定具体肺叶运动轨迹，导致无法分析具体肺叶的运动功能性障碍的问题。
附图说明
通过以下参考附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点更为清楚，在附图中：
图1是本发明实施例一种确定肺叶运动轨迹的方法流程示意图。
具体实施方式
以下基于实施例对本发明进行描述，但是值得说明的是，本发明并不限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。然而，对于没有详尽描述的部分，本领域技术人员也可以完全理解本发明。
此外，本领域普通技术人员应当理解，所提供的附图只是为了说明本发明的目的、特征和优点，附图并不是实际按照比例绘制的。
同时，除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包含但不限于”的含义。
本公开实施例提供的确定肺叶运动轨迹的方法的执行主体可以为任意的图像处理装置，例如确定肺叶运动轨迹的方法可以由终端设备或服务器执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。服务器可以为本地服务器或者云端服务器。在一些可能的实现方式中，该确定肺叶运动轨迹的方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
图1是本发明实施例一种确定肺叶运动轨迹的方法流程示意图。如图1所示，一种确定肺叶运动轨迹的方法，包括：步骤S101：获取呼吸过程中多组肺叶图像，所述多组肺叶图像为多时刻分别获取的肺叶图像；步骤S102：提取所述多组肺叶图像中相同位置的肺叶图像，得到每个位置的肺叶运动序列图像；步骤S103：分别计算所述肺叶运动序列图像中相邻图像的肺叶位移，根据所述肺叶位移确定肺叶的轨迹。以解决目前无法确定具体肺叶运动轨迹，导致无法分析具体肺叶的运动功能性障碍的问题。
步骤S101：获取呼吸过程中多组肺叶图像，所述多组肺叶图像为多时刻分别获取的肺叶图像。
在本公开实施例中，肺叶图像可以为肺图像中至少一个肺叶的肺叶图像，肺叶图像可以通过对肺图像执行肺叶分割得到。其中，获取肺图像可以包括获取呼吸过程中多组肺图像可以为吸气过程中的多组肺图像，或呼吸过程中的多组肺图像，或吸气及呼吸过程中的多组肺图像；上述多组肺图像为同一患者在呼气和/或吸气过程中的多个时刻分别获得的多组肺图像，每一个时刻对应一组肺图像。本公开实施例中的时刻可以表示为一个时间段，即采集一组肺图像的时间信息。具体的采集过程，可以按照影像医生的指导进行；例如，在呼吸过程中，可以采集深吸气的时刻采集至少一套肺图像，也可以采集深呼气的时刻采集至少一套肺图像，在平静状态下采集至少一套肺图像，其中平静状态为正常呼气和吸气间隔时的状态。又例如，在呼吸过程中，让患者在呼吸到呼气阶段的不同时刻进行屏住呼吸，以采集多组肺图像。本领域技术人员可以获取不同时刻的肺图像，以执行不同状态下的肺的运动检测。
在一些可能的实施方式中，本公开实施例可以通过拍摄CT(ComputedTomography，计算机断层影像)的方式得到在多时刻的肺图像。具体方法，包括：设定多时刻的肺图像的扫描层数、层厚以及层间距离；按照所述扫描层数、层厚以及层间距离采集多时刻的肺图像。其中，本公开实施例得到肺图像由多层图像构成，可以看成三维图像结构。
在一些可能的实施方式中，可以从其他的电子设备或者服务器中请求获取多时刻的肺图像，即可以得到多组(套)肺图像，每组肺图像对应于一个时刻，多组肺图像构成多个时刻的肺图像。在本公开实施例中，在所述获取呼吸过程中多组肺叶图像之前，获取呼吸过程中多组肺图像；以及分别对所述多组肺图像进行肺叶分割，得到所述多组肺叶图像。
在本发明的具体实施例中，分别对所述多组肺图像进行肺叶分割得到多组肺叶分割图像；分别对所述多组肺叶分割图像进行提取得到所述多组肺叶图像。其中，所述分别对所述肺叶分割图像进行提取得到所述多组肺叶图像的方法，包括：根据所述肺叶分割图像及其对应的一组肺图像，得到所述多组肺叶图像中的一组肺叶图像，采用上述方法可以得到其余组的肺叶图像。根据所述肺叶分割图像及其对应的一组肺图像具体理解为，对第一组肺图像进行肺叶分割，则得到第一组肺叶分割图像，则根据第一组肺叶分割图像及第一组肺图像得到第一组肺叶图像。
具体地说，所述根据所述肺叶分割图像及其对应的一组肺图像，得到所述多组肺叶图像中的一组肺叶图像的方法，包括：分别确定所述肺叶分割图像的掩码值，分别利用所述掩码值及所述对应的一组肺图像得到所述多组肺叶图像中的一组肺叶图像。所述分别利用所述掩码值及所述对应的一组肺图像得到所述多组肺叶图像中的一组肺叶图像的方法，包括：分别利用所述掩码值乘以所述对应的一组肺图像得到所述多组肺叶图像中的一组肺叶图像。
在本发明的具体实施例中，分别根据所述肺叶分割图像的掩码值分别乘以相应的肺图像相乘就可以5张肺叶图像，分别为右上叶、右中叶、右下叶、左上叶和左下叶的肺叶图像，5张肺叶图像为一组肺叶图像。利用本发明可以分别实现多组肺叶图像中右上叶、右中叶、右下叶、左上叶和左下叶的任意一个肺叶图像运动轨迹的确定。其中，分割结果可以包括识别出的肺图像中的各个分区对应的位置信息(肺叶)。例如，肺图像可以包括五个肺叶区域，分别为右上叶、右中叶、右下叶、左上叶和左下叶，得到分割结果中可以包括上述五个肺叶在肺图像中分别所在的位置信息。本公开实施例可以通过掩码特征的方式表示分割结果，也就是说，本公开实施例得到的分割结果可以是表示为掩码形式的特征，例如，本公开实施例分割结果中可以为上述五个肺叶区域分别分配唯一对应的掩码值，如1、2、3、4和5，每个掩码值形成的区域即为相应的肺叶所在的位置区域。上述掩码值仅为示例性说明，在其他实施例中也可以配置其他的掩码值。
在本发明的具体实施例中，多组肺叶图像可以包括五个肺叶中至少一个肺叶的肺叶图像。也就是说，肺叶图像中可以包括右上叶、右中叶、右下叶、左上叶和左下叶中至少一个肺叶的分割结果。
为了保证待分割肺图像信息量，以便更好地进行肺叶分割，在本公开实施例中，所述分别对所述多组肺图像进行肺叶分割，得到所述多组肺叶图像的方法，包括：确定所述多组肺图像中的某一时刻对应的肺图像为待分割肺图像；利用所述某一时刻的前一时刻以及/或后一时刻的肺图像对所述待分割肺图像进行融合，得到融合肺图像；利用预设肺叶分割模型对所述融合肺图像进行分割，得到所述待分割肺图像的肺叶图像；依次执行上述操作，得到所述多组肺叶图像。
在本发明的具体实施例中，预设肺叶分割模型可以为传统的机器学习的肺叶分割模型，或者深度学习中的2018年体素科技提出的progressive dense V-network(PDV-NET)肺叶分割模型。
或者，在本发明的具体实施例中，所述确定所述多组肺图像中的某一时刻对应的肺图像为待分割肺图像的方法，包括：按照每组肺图像对应的时刻信息，依次将所述肺图像确定为待分割肺图像，该待分割图像对应的时刻信息为所述某一时刻。
在本发明的具体实施例中，确定某一时刻的待分割图像的情况下，可以通过该某一时刻的相邻时刻(前一时刻以及/或后一时刻)的肺图像，进行图像融合得到融合肺图像。也就是说，融合肺图像可以包括所述某一时刻的前一时刻以及/或后一时刻的肺图像以及待分割肺图像的全部信息，因此保证了待分割肺图像信息量，以便更好地进行肺叶分割。
在本公开实施例中，所述利用所述某一时刻的前一时刻以及/或后一时刻的肺图像对所述待分割肺图像进行融合，得到融合肺图像的方法，包括：执行所述某一时刻的前一时刻以及/或后一时刻的肺图像到所述待分割肺图像的配准操作，得到待融合肺图像；将所述待融合肺图像及所述待分割肺图像进行融合，得到融合肺图像。
在本发明的具体实施例中，配准操作是为了找到所述待分割肺图像所述某一时刻的前一时刻以及/或后一时刻的肺图像与所述待分割肺图像的对应特征点，从而完成所述待分割肺图像与所述某一时刻的前一时刻以及/或后一时刻的肺图像的匹配过程，配准算法可以使用弹性配准算法或者利用深度学习中的VGG网络(VGG-net)进行配准，如论文Deformable image registration using convolutional nerual networks或者U网络(U-net)进行配准，如论文Pulmonary CT Registration through Supervised Learning withConvolutional Neural Networks。本发明不对具体的配准算法进行限定。
在本公开实施例中，所述将所述待融合肺图像及所述待分割肺图像进行融合，得到融合肺图像的方法，包括：确定所述待融合肺图像的权重值；根据所述权重值及所述待融合肺图像得到权重肺图像；对所述权重肺图像与所述待分割肺图像进行叠加，得到所述融合肺图像。
在本发明的一些实施例中，每组肺图像可以预先配置有对应的权重值。每组肺图像的权重值可以相同，或者也可以不同，例如每组肺图像的权重值可以为1/k，其中k为肺图像的组数。或者配置的该权重值也可以根据肺图像的图像质量确定，例如可以通过单刺激连续质量评价方法(Single Stimulus Continuous Quality Evaluation,SSCQE)确定每组肺图像的图像质量评分，并将该评分归一化处理到[0,1]范围内，得到每组肺图像的权重值，该权重值可以作为肺图像相应的融合肺图像的权重值。或者，也可以通过图像质量评估模型NIMA(Neural Image Assessment)对输入的肺图像进行评价，得到相应的权重值。
或者，在本发明的另一些实施例中，所述设定所述待融合肺图像的权重值的方法，包括：确定所述待融合肺图像的配准点，配准点以外的点为非配准点，所述配准点的权重值大于非配准点。也就是说，本公开实施例中，肺图像中每个像素点的权重值可以不同，可以设定配准点的权重值大于非配准点的权重值，从而突出配准点的特征信息，其中，配准点为突出肺叶特征的特征点。在本发明的具体实施例中，确定所述待融合肺图像的配准点可以通过SIFT(尺度不变特征变换，Scale-invariant feature transform)检测出所述待融合肺图像以及所述融合肺图像的关键点(配准点)。得到的关键点的权重可以为大于0.5的数值a，非配准点的权重值可以为1-a，或者任意其他比a小的正数值。
或者，也可以通过注意力机制(attention)的神经网络来实现权重值的设定。该注意力机制的神经网络可以包括至少一层卷积层，以及与卷积层连接的注意力机制模块(attention模块)，通过卷积层对待融合图像执行卷积处理，得到卷积特征，将卷积特征输入到attention模块中，得到每个待融合图像对应的注意力特征图，该注意力特征图中包括待融合图像中每个像素点对应的注意力值，该注意力值可以作为相应像素点的权重值，其中注意力值大于0.5的像素点即为配准点。本领域技术人员可以根据需求选择适当的方式得到每组肺图像的权重值，本公开对此不作具体限定。在本发明的具体实施例中，根据所述权重值及所述待融合肺图像得到权重肺图像的操作可为所述权重值乘以所述待融合肺图像得到权重肺图像。也就是说，可以将待融合肺图像的图像特征与相应的权重值相乘，得到权重肺图像的图像特征。对所述权重肺图像与所述待分割肺图像进行叠加的方法可为所述权重肺图像加上所述待分割肺图像，得到所述融合肺图像。其中，可以将权重肺图像与待分割肺图像的图像特征相加和，得到融合肺图像。基于此，通过上述方式可以得到每个待分割肺图像对应的融合肺图像，并且该融合肺图像还可以包括相邻时刻的肺图像的特征，提高了特征的精准度。
在得到融合肺图像的情况下，可以利用预设肺叶分割模型对融合肺图像进行肺叶分割处理，得到相应的肺叶图像。其中预设的肺叶分割模型可以经过训练能够实现肺叶分割的神经网络，其中，通过上述配准融合的过程，可以提高融合肺图像中肺叶特征的特征信息，进而在输入到神经完了中时，提高了肺叶分割精度。本公开实施例中肺叶分割模型可以包括残差网络Resnet、Unet、Vnet中的至少一种，本公开对此不作具体限定。本公开实施例中的预设肺叶分割模型能够用于实现至少一种肺叶的分割检测，得到的分割结果中包括所检测的肺叶的位置信息，如可以通过预设掩码表示检测的肺叶在肺图像中的位置区域。
在另一些实施方式中，预设肺叶分割模型可以两个。其中，该两个预设分割模型可以为不同的分割模型。例如，第一预设分割模型可以为Resnet，第二预设分割模型可以为Unet，但不作为本公开的具体限定，任意两个不同的能够用于肺叶分割的神经网络均可以作为预设肺叶分割模型。将融合肺图像输入到第一预设分割模型和第二预设分割模型，分别得到第一分割结果和第二分割结果。其中，第一分割结果和第二分割结果中可以分别包括所检测的肺叶区域的位置信息。由于通过不同的预设分割模型执行分割处理得到的分割结果可能存在差异，本公开实施例可以通过两个分割结果的结合进一步提高分割精度。其中，可以将第一分割结果和第二分割结果的位置信息取均值得到最终的肺叶分割结果。
或者，在一些实施方式中，可以将第一预设分割模型输出第一分割结果之前的卷积层输出的第一特征图和第二预设分割模型输出第二分割结果之前的卷积层输出的第二特征图进行融合，得到融合特征。其中，第一预设分割模型和第二预设分割模型可以分别包括对应的特征提取模块和分类模块，其中分类模块得到最终的第一分割结果和第二分割结果，特征提取模块可以包括多个卷积层，最后一层卷积层输出的特征图用于输入到分类模块，得到第一分割结果或者第二分割结果。其中本公开实施例可以得到第一预设分割模型中特征提取模块的最后一层卷积层输出的第一特征图和第二预设分割模型中特征提取模块的最后一层卷积层输出的第二特征图。并将所述预设肺叶分割模型得到的肺叶分割图像的第一特征图和第二图像进行融合得到融合特征，对所述融合特征进行分类处理得到最终的肺叶图像。具体地说，可以分别对第一特征图和第二特征图进行拼接得到拼接特征，将所述拼接特征输入到至少一层卷积层，得到融合特征。而后，通过分类网络对融合特征分类处理，得到所要检测的肺叶的分类(分割)结果，即得到所要检测的肺叶对应的肺叶图像。
在此需要说明的是，本公开实施例中的肺图像、肺叶图像为三维形式的图像，在进行CT采集时，可以采集肺部的多层图像，形成一组肺图像，进而执行肺叶分割处理时，对应的得到多层的肺叶图像。
步骤S102：提取所述多组肺叶图像在相同位置的肺叶图像，得到每个位置的肺叶运动序列图像。
本公开实施例中，相同位置可以表示为相同层数，如上述实施例所述，每组肺叶图像可以包括多层图像，从每组肺叶图像中选择出相同层数的图像，构成一组肺叶运动序列图像。也就是说，本公开实施例可以得到与层数相同组数的肺叶运动序列图像，即为每个位置的肺叶运动序列图像。
在本公开实施例中，所述提取所述多组肺叶图像在相同位置的肺叶图像，得到每个位置的肺叶运动序列图像的方法，包括:确定所述多组肺叶图像的层数；根据所述层数确定所述多组肺叶图像在相同位置的肺叶图像；根据所述多组在相同位置的肺叶图像得到所述肺叶运动序列图像。
在本发明具体的实施例中，在获取呼吸过程中多组肺图像时，已经设定所述多组肺图像的扫描层数、层厚以及层间距离；因此，可以根据所述层数确定所述多组肺叶图像在相同位置的肺叶图像，根据各组肺叶图像中选择出在相同位置的肺叶图像得到所述肺叶运动序列图像。例如，在第一时刻的一组肺叶图像的第N层对应的位置与第二时刻至第M时刻的肺叶图像的第N层对应的位置相同，都是一个肺叶平面，所有时刻的相同层的肺叶平面组合在一起就是所述肺叶运动序列图像，M为大于1的整数，用于表示时刻数或者组数，N表示任一层数值。
步骤S103：分别计算所述肺叶运动序列图像中相邻图像的肺叶位移，根据所述肺叶位移确定肺叶的轨迹。所述肺叶运动序列图像中相邻图像的每个肺叶位移即为每个肺叶的运动轨迹。
值得说明的是，在本发明中，本领域人员应该知道，分别计算所述肺叶运动序列图像中相邻图像的肺叶位移，根据所述肺叶位移确定肺叶的轨迹为执行以下操作：分别计算所述肺叶运动序列图像中右上叶、右中叶、右下叶、左上叶和左下叶的位移。例如，计算所述肺叶运动序列图像中右上叶的位移，得到右上叶的运动轨迹，否则没有任何意义。
现有技术中，通常采用肺呼吸过程中的静态肺数据进行临床分析，而未考虑到肺叶的运动信息，势必会影像肺部特征数据的分析精度。如果能够结合在不同时间段的肺叶特征之间关联性，将会提高肺运动数据的检测精度。
在本公开实施例中，所述分别计算所述肺叶运动序列图像中相邻图像的肺叶位移的方法，包括：分别确定所述肺叶运动序列图像中相邻图像的第一正向光流；分别根据所述第一正向光流确定所述相邻图像的肺叶位移。
在本发明具体的实施例中，光流(optical flow)可以用于表示运动图像之间的变化，是指时变图像中模式运动速度。当肺叶在运动时，它在图像上对应点的亮度模式也在运动，因此光流可以用于表示图像之间的变化，由于它包含了肺叶运动的信息，因此可被观察者用来确定肺叶的运动情况。本公开实施例中，对肺叶运动序列图像中的各相邻图像进行光流评估，可以得到该相邻图像之间的光流信息。其中，假定多组肺图像对应的时刻分别为t1,t2,…,tM,M表示组数。第N个肺叶运动序列图像可以分别包括M组肺叶图像中的第N层图像F1N,F2N,…,FMN，表示第1至M组中肺叶图像内第N层图像。
在执行光流估计时，按照1至M组的正向顺序，分别得到每个肺叶运动序列图像内两个相邻图像的第一正向光流，例如可以得到F1N到F2N的第一正向光流，F2N到F3N的第一正向光流，依次类推，得到F(M-1)到FMN的第一正向光流。其中，第一正向光流表示按照时间的正向顺序排列，相邻的肺叶图像中各特征点的运动速度信息。具体地，可以将肺叶运动序列图像输入到光流估计模型中，用于得到相邻图像之间的第一正向光流，该光流估计模型可以为FlowNet2.0，或者也可以为其他光流估计模型，本公开对此不作具体限定。或者也可以采用稀疏光流估计算法、稠密光流估计算法等光流估计算法对相邻图像进行光流评估，本公开同样对此不做具体限定。
在本发明具体的实施例中，根据所述第一正向光流确定所述相邻图像的肺叶位移的方法，包括：利用所述第一正向光流的速度信息以及所述肺叶运动序列图像中相邻图像的时间信息得到所述相邻图像的肺叶位移。利用CT采集的肺图像中的dicom文件内具有扫描时间以及层数，扫描时间除以层数可近似得到所述肺叶运动序列图像中相邻图像的时间信息。
在本公开实施例中，采集的肺图像中的每层图像都可以具有相应的采集时间信息，利用肺叶运动序列图像中两个相邻图像的采集时间的时间差值和第一正向光流的乘积，可以得到两个相邻图像在该时间差值范围内的肺叶位移。
另外，由于所述肺叶运动序列图像中相邻图像的时间信息较小，本公开实施例中，也可以将光流对应的速度信息约等于肺叶位移。
在本公开实施例中，所述分别计算所述肺叶运动序列图像中相邻图像的肺叶位移的方法，还包括：分别确定所述第一正向光流对应的第一反向光流；分别根据所述第一反向光流和/或所述第一反向光流确定所述相邻图像的肺叶位移。
在本公开实施例中，根据所述多组肺叶图像的正向时间顺序，确定所述肺叶运动序列图像中相邻图像的所述第一正向光流，以及根据多组肺叶图像的反向时间顺序，确定所述肺叶运动序列图像中相邻图像的所述第一反向光流。
对应的，在执行光流估计时，按照M至1组的反向顺序，分别得到每个肺叶运动序列图像内两个相邻图像的第一反向光流，例如可以得到FMN到F(M-1)N的第一反向光流，F(M-2)N到F(M-1)N的第一反向光流，依次类推，得到F2N到F1N的第一反向光流。其中，第一反向光流表示按照时间的反向顺序排列，相邻的肺叶图像中各特征点的运动速度信息。同样，可以将肺叶运动序列图像输入到光流估计模型中，用于得到相邻图像之间的第一反向光流，或者也可以采用稀疏光流估计算法、稠密光流估计算法等光流估计算法对相邻图像进行光流评估，本公开同样对此不做具体限定。
在本发明具体的实施例中，根据所述第一反向光流确定所述相邻图像的肺叶位移的方法，包括：利用所述第一反向光流的速度信息以及所述肺叶运动序列图像中相邻图像的时间信息得到所述相邻图像的肺叶位移，在利用CT采集的肺图像中的dicom文件内具有扫描时间以及层数，扫描时间除以层数可近似得到所述肺叶运动序列图像中相邻图像的时间信息。
在本公开实施例中，采集的肺图像中的每个图像都可以具有相应的采集时间信息，利用肺叶运动序列图像中两个相邻图像的采集时间的时间差值和第一反向光流的乘积，可以得到两个相邻图像在该时间差值范围内的肺叶位移。
另外，由于所述肺叶运动序列图像中相邻图像的时间信息较小，本公开实施例中，也可以将光流对应的速度信息约等于肺叶位移。
在本发明的实施例中，所述多组肺叶图像的正向时间顺序为采集的时刻，如在呼气过程(开始呼气到呼气结束)中采集到的多组肺图像，从开始呼气到呼气结束的时刻为正向时间顺序；反之为反向时间顺序。
在本公开实施例中，所述分别计算所述肺叶运动序列图像中相邻图像的肺叶位移的方法，还包括：分别对所述第一正向光流和第一反向光流执行光流优化处理，得到与各所述第一正向光流对应的第二正向光流，以及与各所述第一反向光流对应的第二反向光流；分别根据所述第二正向光流以及/或所述第二反向光流确定所述相邻图像的肺叶位移。
在本公开实施例中，所述分别根据所述第一反向光流以及所述第一反向光流确定所述相邻图像的肺叶位移的方法，包括：分别对所述第二正向光流以及所述第二反向光流进行运算，得到矫正光流；分别根据所述矫正光流确定所述相邻图像的肺叶位移。
在本发明具体的实施例中，分别对所述第二正向光流以及所述第二反向光流进行运算，得到矫正光流的方法，包括：对所述第二正向光流以及所述第二反向光流执行加法操作得到两向光流和，然后求取所述两向光流和的均值得到矫正光流。即，求取所述第二正向光流以及所述第二反向光流的均值，矫正光流＝(第二正向光流+第二反向光流)/2。
在本公开实施例中，所述分别对所述第一正向光流和第一反向光流执行光流优化处理，得到与各所述第一正向光流对应的第二正向光流，以及与各所述第一反向光流对应的第二反向光流的方法，包括:连接各所述第一正向光流得到第一连接光流，以及连接各所述第一反向光流得到第二连接光流；分别对所述第一连接光流和第二连接光流执行N次光流优化处理，得到所述第一连接光流对应的第一优化光流，以及第二连接光流对应的第二优化光流；根据所述第一优化光流得到每个第一正向光流对应的第二正向光流，以及根据所述第二优化光流得到每个第一反向光流对应的第二反向光流；其中，N为大于或者等于1的正整数。
其中，连接各所述第一正向光流得到第一连接光流，以及连接各所述第一反向光流得到第二连接光流包括：依次连接肺叶运动序列图像中各相邻图像之间的第一正向光流，得到该组肺叶运动序列图像对应的第一连接光流，以及依次连接肺叶运动序列图像中各相邻图像之间的第一反向光流，得到该组肺叶运动序列图像对应的第二连接光流。这里的连接为深度方向上的拼接。
在获得第一连接光流和第二连接光流之后，可以分别对第一连接光流和第二连接光流执行光流优化处理，本公开实施例可以执行至少一次光流优化处理过程。例如本公开实施例中每次的光流优化处理可以利用光流优化模块执行，该光流优化模块可以由神经网络构成，或者也可以利用对应的优化算法执行优化操作。对应的，在执行N次光流优化处理时，可以包括N个依次相连的光流优化网络模块，后一个光流优化网络模块的输入为前一光流优化网络模块的输出，最后一个光流优化网络模块的输出即为对第一连接光流和第二连接光流的优化结果。
具体的，在仅包括一个光流优化网络模块时，可以利用该光流优化网络模块对第一连接光流执行优化处理得到第一连接光流对应的第一优化光流，以及通过光流优化网络模块对第二连接光流执行优化处理，得到第二连接光流对应的第二优化光流。其中光流优化处理可以包括残差处理和上采样处理。即光流优化网络模块中可以进一步包括残差单元和上采样单元，通过残差单元对输入的第一连接光流或者第二连接光流执行残差处理，其中残差单元可以包括多个卷积层，每个卷积层采用的卷积核本公开实施例不作具体限定，通过残差单元残差处理后的第一连接光流的尺度变小，如减小为输入的连接光流的尺度的四分之一，本公开对此不作具体限定，可以根据需求设定。在执行残差处理之后，可以对残差处理后的第一连接光流或者第二连接光流执行上采样处理，通过上采样处理可以将输出的第一优化子光流的尺度调整成第一连接光流的尺度，以及将输出的第二优化子光流的尺度调整成第二连接光流的尺度。且通过光流优化过程可以融合各光流的特征，同时可以提高光流精度。
在另一些实施例中，光流优化模块也可以包括多个光流优化网络模块，如N个光流优化网络模块。其中第一个光流优化网络模块可以接收第一连接光流和第二连接光流，并分别对第一连接光流和第二连接光流执行第一次光流优化处理，该第一次光流优化处理包括残差处理和升采样处理，其中具体过程与上述实施例相同，在此不再赘述。通过该第一次光流优化处理可以得到第一连接光流的第一优化子光流以及第二连接光流的第一优化子光流。
同理，可以利用每个光流优化网络模块执行一次光流优化过程，即可以利用第i+1个光流优化网络模块对所述第一连接光流和所述第二连接光流的第i优化子光流执行第i+1次光流优化处理，得到所述第一连接光流对应的第i+1优化子光流，以及第二连接光流对应的第i+1优化子光流，其中i为大于1且小于N的正整数。最终可以通过第N个光流优化网络模块执行的第N次优化处理，得到第一连接光流的第N优化子光流以及第二连接光流的第N优化子光流，并且可以将得到的所述第一连接光流的第N优化子光流确定为所述第一优化光流，以及将得到的所述第二连接光流的第N优化子光流确定为所述第二优化光流。本公开实施例中，每个光流优化网络模块执行的光流优化处理过程可以残差处理和上采样处理。即每个光流优化网络模块可以为相同的光流优化模块。
在得到每个肺叶运动序列图像的第一优化光流和第二优化光流的情况下，可以利用第一优化光流得到每个第一正向光流对应的第二正向光流，以及根据所述第二优化光流得到每个第一反向光流对应的第二反向光流。
在经过N次光流优化处理后，得到第一优化光流的尺度和第一连接光流的尺度相同，可以按照深度方向将该第一优化光流拆分成M-1个第二正向光流，该M-1个第二正向光流分别对应的为各第一正向光流的优化结果。同样的，在经过N次光流优化处理后，得到第二优化光流的尺度和第二连接光流的尺度相同，可以按照深度方向将该第二优化光流拆分成M-1个第二反向光流，该M-1个第二反向光流分别对应的为各第一反向光流的优化结果。
通过上述实施例，即可以得到肺叶运动序列图像的各相邻图像之间的第一正向光流优化后的第二正向光流，以及肺叶运动序列图像中各相邻图像之间的第一反向光流优化后的第二反向光流。
在得到第二正向光流和/或第二反向光流的情况下，可以利用第二正向光流和/或第二反向光流确定相邻图像对应的肺叶的运动位移，具体参照上述第一正向光流和/或第一反向光流确定运动位移的方式，在此不做重复说明。
基于上述，本公开实施例可以得到肺叶图像中每层图像在各时间范围内的运动位移(肺叶位移)，在对肺叶图像的每层图像执行关键点检测的情况下，可以得到匹配的关键点在各时间范围内的运动轨迹，从而可以得到整个肺叶在各时间范围内的运动状态和运动轨迹。
综上所述，本公开实施例可以解决目前无法确定具体肺叶运动轨迹，导致无法分析具体肺叶的运动功能性障碍的问题。
本发明还提供一种确定肺叶运动轨迹的装置，包括：获取单元，用于获取呼吸过程中多组肺叶图像，所述多组肺叶图像为多时刻分别获取的肺叶图像；提取成单元，用于提取所述多组肺叶图像中相同位置的肺叶图像，得到每个位置的肺叶运动序列图像；计算及确定单元，用于分别计算所述肺叶运动序列图像中相邻图像的肺叶位移，根据所述肺叶位移确定肺叶的轨迹。具体实现方式可参照一种确定肺叶运动轨迹的方法具体实施例描述。
同时，本发明还提供了一种存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述确定肺叶运动轨迹的方法，包括：获取呼吸过程中多组肺叶图像，所述多组肺叶图像为多时刻分别获取的肺叶图像；提取所述多组肺叶图像中相同位置的肺叶图像，得到每个位置的肺叶运动序列图像；分别计算所述肺叶运动序列图像中相邻图像的肺叶位移，根据所述肺叶位移确定肺叶的轨迹。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
以上所述实施例仅为表达本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对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、同等替换、改进等，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 (22)
1.一种确定肺叶运动轨迹的方法，其特征在于，包括：
获取呼吸过程中多组肺叶图像，所述多组肺叶图像为多时刻分别获取的肺叶图像；其中，在所述获取呼吸过程中多组肺叶图像之前，获取呼吸过程中多组肺图像；以及分别对所述多组肺图像进行肺叶分割，得到所述多组肺叶图像；其中，所述分别对所述多组肺图像进行肺叶分割，得到所述多组肺叶图像的方法，包括：确定所述多组肺图像中的某一时刻对应的肺图像为待分割肺图像；利用所述某一时刻的前一时刻以及/或后一时刻的肺图像对所述待分割肺图像进行融合，得到融合肺图像；利用预设肺叶分割模型对所述融合肺图像进行分割，得到所述待分割肺图像的肺叶图像；依次执行上述操作，得到所述多组肺叶图像；
提取所述多组肺叶图像中相同位置的肺叶图像，得到每个位置的肺叶运动序列图像；
分别计算所述肺叶运动序列图像中相邻图像的肺叶位移，根据所述肺叶位移确定肺叶的轨迹；其中，所述分别计算所述肺叶运动序列图像中相邻图像的肺叶位移的方法，包括：分别确定所述肺叶运动序列图像中相邻图像的第一正向光流；分别根据所述第一正向光流确定所述相邻图像的肺叶位移；其中，所述分别计算所述肺叶运动序列图像中相邻图像的肺叶位移的方法，还包括：分别确定所述第一正向光流对应的第一反向光流；分别根据所述第一正向光流以及所述第一反向光流确定所述相邻图像的肺叶位移。
2.根据权利要求1所述的方法，其特征在于，所述提取所述多组肺叶图像中相同位置的肺叶图像，得到每个位置的肺叶运动序列图像的方法，包括:
确定所述多组肺叶图像的层数；
根据所述层数确定所述多组肺叶图像中相同位置的肺叶图像；
根据所述相同位置的肺叶图像得到所述肺叶运动序列图像。
3.根据权利要求1-2任一项所述的方法，其特征在于，所述分别计算所述肺叶运动序列图像中相邻图像的肺叶位移的方法，还包括：
分别对所述第一正向光流和第一反向光流执行光流优化处理，得到与各所述第一正向光流对应的第二正向光流，以及与各所述第一反向光流对应的第二反向光流；分别根据所述第二正向光流以及所述第二反向光流确定所述相邻图像的肺叶位移。
4.根据权利要求1-2任一项所述的方法，其特征在于，所述利用所述某一时刻的前一时刻以及/或后一时刻的肺图像对所述待分割肺图像进行融合，得到融合肺图像的方法，包括：
执行所述某一时刻的前一时刻以及/或后一时刻的肺图像到所述待分割肺图像的配准操作，得到待融合肺图像；
将所述待融合肺图像及所述待分割肺图像进行融合，得到融合肺图像。
5.根据权利要求3所述的方法，其特征在于，所述利用所述某一时刻的前一时刻以及/或后一时刻的肺图像对所述待分割肺图像进行融合，得到融合肺图像的方法，包括：
执行所述某一时刻的前一时刻以及/或后一时刻的肺图像到所述待分割肺图像的配准操作，得到待融合肺图像；
将所述待融合肺图像及所述待分割肺图像进行融合，得到融合肺图像。
6.根据权利要求3所述的方法，其特征在于，所述分别根据所述第二正向光流以及所述第二反向光流确定所述相邻图像的肺叶位移的方法，包括：
分别对所述第二正向光流以及所述第二反向光流进行运算，得到矫正光流；
分别根据所述矫正光流确定所述相邻图像的肺叶位移。
7.根据权利要求5所述的方法，其特征在于，所述分别根据所述第二正向光流以及所述第二反向光流确定所述相邻图像的肺叶位移的方法，包括：
分别对所述第二正向光流以及所述第二反向光流进行运算，得到矫正光流；
分别根据所述矫正光流确定所述相邻图像的肺叶位移。
8.根据权利要求4所述的方法，其特征在于，
所述将所述待融合肺图像及所述待分割肺图像进行融合，得到融合肺图像的方法，包括：
设定所述待融合肺图像的权重值；
根据所述权重值及所述待融合肺图像得到权重肺图像；
对所述权重肺图像与所述待分割肺图像进行叠加，得到所述融合肺图像。
9.根据权利要求5或7所述的方法，其特征在于，所述将所述待融合肺图像及所述待分割肺图像进行融合，得到融合肺图像的方法，包括：
设定所述待融合肺图像的权重值；
根据所述权重值及所述待融合肺图像得到权重肺图像；
对所述权重肺图像与所述待分割肺图像进行叠加，得到所述融合肺图像。
10.根据权利要求3所述的方法，其特征在于，所述分别对所述第一正向光流和第一反向光流执行光流优化处理，得到与各所述第一正向光流对应的第二正向光流，以及与各所述第一反向光流对应的第二反向光流的方法，包括:
连接各所述第一正向光流得到第一连接光流，以及连接各所述第一反向光流得到第二连接光流；
分别对所述第一连接光流和第二连接光流执行N次光流优化处理，得到所述第一连接光流对应的第一优化光流，以及第二连接光流对应的第二优化光流；
根据所述第一优化光流得到每个第一正向光流对应的第二正向光流，以及根据所述第二优化光流得到每个第一反向光流对应的第二反向光流;
其中，N为大于或者等于1的正整数。
11.根据权利要求5-7任一项所述的方法，其特征在于，所述分别对所述第一正向光流和第一反向光流执行光流优化处理，得到与各所述第一正向光流对应的第二正向光流，以及与各所述第一反向光流对应的第二反向光流的方法，包括:
连接各所述第一正向光流得到第一连接光流，以及连接各所述第一反向光流得到第二连接光流；
分别对所述第一连接光流和第二连接光流执行N次光流优化处理，得到所述第一连接光流对应的第一优化光流，以及第二连接光流对应的第二优化光流；
根据所述第一优化光流得到每个第一正向光流对应的第二正向光流，以及根据所述第二优化光流得到每个第一反向光流对应的第二反向光流;
其中，N为大于或者等于1的正整数。
12.根据权利要求9所述的方法，其特征在于，所述分别对所述第一正向光流和第一反向光流执行光流优化处理，得到与各所述第一正向光流对应的第二正向光流，以及与各所述第一反向光流对应的第二反向光流的方法，包括:
连接各所述第一正向光流得到第一连接光流，以及连接各所述第一反向光流得到第二连接光流；
分别对所述第一连接光流和第二连接光流执行N次光流优化处理，得到所述第一连接光流对应的第一优化光流，以及第二连接光流对应的第二优化光流；
根据所述第一优化光流得到每个第一正向光流对应的第二正向光流，以及根据所述第二优化光流得到每个第一反向光流对应的第二反向光流;
其中，N为大于或者等于1的正整数。
13.根据权利要求10或12所述的方法，其特征在于，所述分别对所述第一连接光流和第二连接光流执行N次光流优化处理，包括：
对所述第一连接光流和第二连接光流执行第一次光流优化处理，得到所述第一连接光流对应的第一优化子光流，以及第二连接光流对应的第一优化子光流；以及
分别对所述第一连接光流和所述第二连接光流的第i优化子光流执行第i+1次光流优化处理，得到所述第一连接光流对应的第i+1优化子光流，以及第二连接光流对应的第i+1优化子光流；
其中，i为大于1且小于N的正整数；通过第N次优化处理，将得到的所述第一连接光流的第N优化子光流确定为所述第一优化光流，以及将得到的所述第二连接光流的第N优化子光流确定为所述第二优化光流；各次光流优化处理包括残差处理和上采样处理。
14.根据权利要求11所述的方法，其特征在于，所述分别对所述第一连接光流和第二连接光流执行N次光流优化处理，包括：
对所述第一连接光流和第二连接光流执行第一次光流优化处理，得到所述第一连接光流对应的第一优化子光流，以及第二连接光流对应的第一优化子光流；以及
分别对所述第一连接光流和所述第二连接光流的第i优化子光流执行第i+1次光流优化处理，得到所述第一连接光流对应的第i+1优化子光流，以及第二连接光流对应的第i+1优化子光流；
其中，i为大于1且小于N的正整数；通过第N次优化处理，将得到的所述第一连接光流的第N优化子光流确定为所述第一优化光流，以及将得到的所述第二连接光流的第N优化子光流确定为所述第二优化光流；各次光流优化处理包括残差处理和上采样处理。
15.根据权利要求1-2、5-8、10、12、14任一项所述的方法，其特征在于，所述确定所述第一正向光流对应的第一反向光流的方法，包括：
根据所述多组肺叶图像的正向时间顺序，确定所述肺叶运动序列图像中相邻图像的所述第一正向光流，以及根据多组肺叶图像的反向时间顺序，确定所述肺叶运动序列图像中相邻图像的所述第一反向光流。
16.根据权利要求3所述的方法，其特征在于，所述确定所述第一正向光流对应的第一反向光流的方法，包括：
根据所述多组肺叶图像的正向时间顺序，确定所述肺叶运动序列图像中相邻图像的所述第一正向光流，以及根据多组肺叶图像的反向时间顺序，确定所述肺叶运动序列图像中相邻图像的所述第一反向光流。
17.根据权利要求4所述的方法，其特征在于，所述确定所述第一正向光流对应的第一反向光流的方法，包括：
根据所述多组肺叶图像的正向时间顺序，确定所述肺叶运动序列图像中相邻图像的所述第一正向光流，以及根据多组肺叶图像的反向时间顺序，确定所述肺叶运动序列图像中相邻图像的所述第一反向光流。
18.根据权利要求9所述的方法，其特征在于，所述确定所述第一正向光流对应的第一反向光流的方法，包括：
根据所述多组肺叶图像的正向时间顺序，确定所述肺叶运动序列图像中相邻图像的所述第一正向光流，以及根据多组肺叶图像的反向时间顺序，确定所述肺叶运动序列图像中相邻图像的所述第一反向光流。
19.根据权利要求11所述的方法，其特征在于，所述确定所述第一正向光流对应的第一反向光流的方法，包括：
根据所述多组肺叶图像的正向时间顺序，确定所述肺叶运动序列图像中相邻图像的所述第一正向光流，以及根据多组肺叶图像的反向时间顺序，确定所述肺叶运动序列图像中相邻图像的所述第一反向光流。
20.根据权利要求13所述的方法，其特征在于，所述确定所述第一正向光流对应的第一反向光流的方法，包括：
根据所述多组肺叶图像的正向时间顺序，确定所述肺叶运动序列图像中相邻图像的所述第一正向光流，以及根据多组肺叶图像的反向时间顺序，确定所述肺叶运动序列图像中相邻图像的所述第一反向光流。
21.一种确定肺叶运动轨迹的装置，其特征在于，包括：
获取单元，用于获取呼吸过程中多组肺叶图像，所述多组肺叶图像为多时刻分别获取的肺叶图像；其中，在所述获取呼吸过程中多组肺叶图像之前，获取呼吸过程中多组肺图像；以及分别对所述多组肺图像进行肺叶分割，得到所述多组肺叶图像；其中，所述分别对所述多组肺图像进行肺叶分割，得到所述多组肺叶图像，包括：确定所述多组肺图像中的某一时刻对应的肺图像为待分割肺图像；利用所述某一时刻的前一时刻以及/或后一时刻的肺图像对所述待分割肺图像进行融合，得到融合肺图像；利用预设肺叶分割模型对所述融合肺图像进行分割，得到所述待分割肺图像的肺叶图像；依次执行上述操作，得到所述多组肺叶图像；
提取成单元，用于提取所述多组肺叶图像中相同位置的肺叶图像，得到每个位置的肺叶运动序列图像；
计算及确定单元，用于分别计算所述肺叶运动序列图像中相邻图像的肺叶位移，根据所述肺叶位移确定肺叶的轨迹；其中，所述分别计算所述肺叶运动序列图像中相邻图像的肺叶位移，包括：分别确定所述肺叶运动序列图像中相邻图像的第一正向光流；分别根据所述第一正向光流确定所述相邻图像的肺叶位移；其中，所述分别计算所述肺叶运动序列图像中相邻图像的肺叶位移，还包括：分别确定所述第一正向光流对应的第一反向光流；分别根据所述第一正向光流以及所述第一反向光流确定所述相邻图像的肺叶位移。
22.一种存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至20中任意一项所述的方法，包括：
获取呼吸过程中多组肺叶图像，所述多组肺叶图像为多时刻分别获取的肺叶图像；其中，在所述获取呼吸过程中多组肺叶图像之前，获取呼吸过程中多组肺图像；以及分别对所述多组肺图像进行肺叶分割，得到所述多组肺叶图像；其中，所述分别对所述多组肺图像进行肺叶分割，得到所述多组肺叶图像的方法，包括：确定所述多组肺图像中的某一时刻对应的肺图像为待分割肺图像；利用所述某一时刻的前一时刻以及/或后一时刻的肺图像对所述待分割肺图像进行融合，得到融合肺图像；利用预设肺叶分割模型对所述融合肺图像进行分割，得到所述待分割肺图像的肺叶图像；依次执行上述操作，得到所述多组肺叶图像；
提取所述多组肺叶图像在相同位置的肺叶图像，得到每个位置的肺叶运动序列图像；
分别计算所述肺叶运动序列图像中相邻图像的肺叶位移，根据所述肺叶位移确定肺叶的轨迹；其中，所述分别计算所述肺叶运动序列图像中相邻图像的肺叶位移的方法，包括：分别确定所述肺叶运动序列图像中相邻图像的第一正向光流；分别根据所述第一正向光流确定所述相邻图像的肺叶位移；其中，所述分别计算所述肺叶运动序列图像中相邻图像的肺叶位移的方法，还包括：分别确定所述第一正向光流对应的第一反向光流；分别根据所述第一正向光流以及所述第一反向光流确定所述相邻图像的肺叶位移。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010534151.0A CN111724359B (zh) | 2020-06-12 | 2020-06-12 | 一种确定肺叶运动轨迹的方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010534151.0A CN111724359B (zh) | 2020-06-12 | 2020-06-12 | 一种确定肺叶运动轨迹的方法、装置和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111724359A CN111724359A (zh) | 2020-09-29 |
| CN111724359B true CN111724359B (zh) | 2023-06-02 |
Family
ID=72568040
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010534151.0A Active CN111724359B (zh) | 2020-06-12 | 2020-06-12 | 一种确定肺叶运动轨迹的方法、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111724359B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102243537A (zh) * | 2010-05-14 | 2011-11-16 | 深圳市汇春科技有限公司 | 运动图像位移检测方法及装置、光电鼠标 |
| CN103761745A (zh) * | 2013-07-31 | 2014-04-30 | 深圳大学 | 一种肺部运动模型估计方法及系统 |
| CN104050321A (zh) * | 2014-06-17 | 2014-09-17 | 广东电网公司电力科学研究院 | 肺泡内颗粒运动轨迹的检测方法 |
| CN107221013A (zh) * | 2017-05-16 | 2017-09-29 | 山东财经大学 | 一种基于变分光流估计肺部4d‑ct图像超分辨率处理方法 |
| CN111067622A (zh) * | 2019-12-09 | 2020-04-28 | 天津大学 | 一种面向肺部经皮穿刺的呼吸运动补偿方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10925510B2 (en) * | 2015-05-08 | 2021-02-23 | Cedars-Sinai Medical Center | Characterization of respiratory motion in the abdomen using a 4D MRI technique with 3D radial sampling and respiratory self-gating |
| US10650585B2 (en) * | 2018-06-08 | 2020-05-12 | Data Integrity Advisors, Llc | System and method for geometrically-resolved radiographic X-ray imaging |
-
2020
- 2020-06-12 CN CN202010534151.0A patent/CN111724359B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102243537A (zh) * | 2010-05-14 | 2011-11-16 | 深圳市汇春科技有限公司 | 运动图像位移检测方法及装置、光电鼠标 |
| CN103761745A (zh) * | 2013-07-31 | 2014-04-30 | 深圳大学 | 一种肺部运动模型估计方法及系统 |
| CN104050321A (zh) * | 2014-06-17 | 2014-09-17 | 广东电网公司电力科学研究院 | 肺泡内颗粒运动轨迹的检测方法 |
| CN107221013A (zh) * | 2017-05-16 | 2017-09-29 | 山东财经大学 | 一种基于变分光流估计肺部4d‑ct图像超分辨率处理方法 |
| CN111067622A (zh) * | 2019-12-09 | 2020-04-28 | 天津大学 | 一种面向肺部经皮穿刺的呼吸运动补偿方法 |
Non-Patent Citations (4)
| Title |
|---|
| Four-dimensional measurement of lung tumor displacement using 256-multi-slice CT-scanner;Shinichiro Mori 等;《Lung Cancer》;第56卷(第01期);59-67 * |
| Lung tumor tracking in fluoroscopic video based on optical flow;Qianyi Xu 等;《medical physics》;第35卷(第12期);5351-5359 * |
| 基于双能X射线透视成像的肺部肿瘤运动跟踪方法及临床评价;贺树萌 等;《天津医科大学学报》;第26卷(第02期);127-132 * |
| 基于点集匹配的4D CT肺运动估计算法研究;易见兵;《中国博士学位论文全文数据库医药卫生科技辑》(第07期);E072-17 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111724359A (zh) | 2020-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11393092B2 (en) | Motion tracking and strain determination | |
| JP7022195B2 (ja) | 機械学習装置、方法およびプログラム並びに記録媒体 | |
| Nafisah et al. | Tuberculosis detection in chest radiograph using convolutional neural network architecture and explainable artificial intelligence | |
| CN111724360B (zh) | 一种肺叶分割方法、装置和存储介质 | |
| US11810301B2 (en) | System and method for image segmentation using a joint deep learning model | |
| US10366488B2 (en) | Image processing used to estimate abnormalities | |
| CN111429421A (zh) | 模型生成方法、医学图像分割方法、装置、设备及介质 | |
| Pluim et al. | The truth is hard to make: Validation of medical image registration | |
| US11963741B2 (en) | Systems and methods for human pose and shape recovery | |
| Xiao et al. | A visualization method based on the Grad-CAM for medical image segmentation model | |
| CN111724364B (zh) | 基于肺叶及气管树的方法及装置、电子设备和存储介质 | |
| Sirjani et al. | Automatic cardiac evaluations using a deep video object segmentation network | |
| CN115187819B (zh) | 图像分类模型的训练方法、装置、电子设备及存储介质 | |
| CN106952285A (zh) | 基于先验统计运动模型及自适应配准的肺部运动估计方法 | |
| CN111388000A (zh) | 虚拟肺部空气潴留图像预测方法及系统、存储介质及终端 | |
| CN111724359B (zh) | 一种确定肺叶运动轨迹的方法、装置和存储介质 | |
| CN113707322A (zh) | 信息预测模型的训练方法、装置、计算机设备及存储介质 | |
| Lee et al. | Dual-path connected CNN for tumor segmentation of combined PET-CT images and application to survival risk prediction | |
| CN112419283B (zh) | 估计厚度的神经网络及其方法 | |
| JP6920477B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| Zhu et al. | Reinforcement learning driven intra-modal and inter-modal representation learning for 3d medical image classification | |
| Chen et al. | Vision Intelligence Assisted Lung Function Estimation Based on Transformer Encoder-Decoder Network with Invertible Modeling | |
| CN115295144A (zh) | 呼吸困难的分析方法及装置、电子设备和存储介质 | |
| Alsurayhi | Machine Learning Classifiers for Chronic Obstructive Pulmonary Disease Assessment Using Lung CT Data. | |
| Franco i Moral | Semantic Segmentation of LUS Retraining a Convolutional Neural Network |
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 |