CN111738989A - 一种器官勾画方法及装置 - Google Patents
一种器官勾画方法及装置 Download PDFInfo
- Publication number
- CN111738989A CN111738989A CN202010489374.XA CN202010489374A CN111738989A CN 111738989 A CN111738989 A CN 111738989A CN 202010489374 A CN202010489374 A CN 202010489374A CN 111738989 A CN111738989 A CN 111738989A
- Authority
- CN
- China
- Prior art keywords
- organ
- preset
- delineated
- sequence image
- segmentation
- 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
- 210000000056 organ Anatomy 0.000 title claims abstract description 347
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000011218 segmentation Effects 0.000 claims abstract description 137
- 238000001959 radiotherapy Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 230000004807 localization Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 6
- 239000013078 crystal Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 210000001328 optic nerve Anatomy 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06T7/0002—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
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (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)
- Image Analysis (AREA)
- Radiation-Therapy Devices (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种器官勾画方法及装置，涉及医疗技术领域，主要目的在于能够提高图像中器官轮廓的分割精度，从而提高放疗靶区的勾画精度和效率。其中方法包括：获取序列图像中待勾画器官的位置信息；根据所述位置信息对所述序列图像进行抠图处理，确定包含所述待勾画器官的目标序列图像；将所述目标序列图像输入至预设器官分割模型进行器官分割，并根据所述待勾画器官的分割结果勾画放疗靶区。本发明适用于器官的勾画。
Description
技术领域
本发明涉及医疗技术领域，特别是涉及一种器官勾画方法及装置。
背景技术
随着医疗和信息技术的不断发展，可以通过放射疗法治疗患者的病变或者癌变组织。在头颈部恶性肿瘤放疗过程中，为了防止周围正常组织或器官遭受不必要的伤害，需要根据患者的医学图像勾画放疗靶区。
目前，勾画放疗靶区时，通常直接对医学图像中的器官进行分割，并根据分割后的器官轮廓勾画放疗靶区。然而，对于视晶体、视神经等小器官组织，由于其所占医学图形的比例较小，如果直接对医学图像中的小器官组织进行分割，会使器官轮廓的分割精度较低，从而造成放疗靶区的勾画精度较差，且分割后的器官轮廓需要人为进行校正，从而导致放疗靶区的勾画效率较低。
发明内容
有鉴于此，本发明提供一种器官勾画方法及装置，主要目的在于能够提高图像中器官轮廓的分割精度，从而提高放疗靶区的勾画精度和效率。
依据本发明一个方面，提供了一种器官勾画方法，包括：
获取序列图像中待勾画器官的位置信息；
根据所述位置信息对所述序列图像进行抠图处理，确定包含所述待勾画器官的目标序列图像；
将所述目标序列图像输入至预设器官分割模型进行器官分割，并根据所述待勾画器官的分割结果勾画放疗靶区。
依据本发明另一个方面，提供了一种器官勾画装置，包括：
获取单元，用于获取序列图像中待勾画器官的位置信息；
抠图单元，用于根据所述位置信息对所述序列图像进行抠图处理，确定包含所述待勾画器官的目标序列图像；
分割单元，用于将所述目标序列图像输入至预设器官分割模型进行器官分割，并根据所述待勾画器官的分割结果勾画放疗靶区。
依据本发明又一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
获取序列图像中待勾画器官的位置信息；
根据所述位置信息对所述序列图像进行抠图处理，确定包含所述待勾画器官的目标序列图像；
将所述目标序列图像输入至预设器官分割模型进行器官分割，并根据所述待勾画器官的分割结果勾画放疗靶区。
依据本发明再一个方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
获取序列图像中待勾画器官的位置信息；
根据所述位置信息对所述序列图像进行抠图处理，确定包含所述待勾画器官的目标序列图像；
将所述目标序列图像输入至预设器官分割模型进行器官分割，并根据所述待勾画器官的分割结果勾画放疗靶区。
本发明提供的一种器官勾画方法及装置，与目前通过单一的网络模型进行器官分割，并根据分割后的器官勾画放疗靶区的方式相比，本发明能够获取序列图像中待勾画器官的位置信息；并根据所述位置信息对所述序列图像进行抠图处理，确定包含所述待勾画器官的目标序列图像；与此同时，将所述目标序列图像输入至预设器官分割模型进行器官分割，并根据所述待勾画器官的分割结果勾画放疗靶区，从而能够提高图像中器官轮廓的分割精度，同时提高放疗靶区的勾画精度和效率，大幅度减轻了医生的工作量。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种器官勾画方法流程图；
图2示出了本发明实施例提供的另一种器官勾画方法流程图；
图3示出了本发明实施例提供的对图像中器官进行定位处理和分割处理的示意图；
图4示出了本发明实施例提供的一种器官勾画设置装置的结构示意图；
图5示出了本发明实施例提供的另一种器官勾画设置装置的结构示意图；
图6示出了本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如背景技术所述，目前，勾画放疗靶区时，通常通过单一的网络模型进行器官分割，并根据分割后的器官勾画放疗靶区。然而，对于视晶体、视神经等小器官，单一的网络模型很难对其精确定位，从而无法对器官进行准确分割，造成放疗靶区的勾画精度较差，且分割后的器官轮廓需要人为进行校正，从而导致放疗靶区的勾画效率较低。
为了解决上述问题，提高医学图像中器官的分割精度和靶区勾画效率，本发明实施例提供了一种器官勾画方法，如图1所示，所述方法包括：
101、获取序列图像中待勾画器官的位置信息。
其中，序列图像为患者器官不同切面的医学图像，该序列图像具体可以为CT序列图像，例如，人体脑部的不同切面的CT图像，位置信息为待勾画器官在序列图像坐标中所处的X轴位置、Y轴位置和Z轴位置，目前在恶性肿瘤放疗过程中，需要根据患者CT图像勾画靶区和危及器官，以便最大限度将放射剂量集中在靶区内，使周围正常组织或器官少受或者免受不必要的伤害，具体可以对CT图像中的人体器官进行分割，根据分割结果来勾画靶区，但是针对头颈部、视晶体、视神经等小器官组织，如果采用单一的神经网络直接其进行分割，分割精度较低，进而也会影响靶区的勾画精度和效率，因此，在本方实施例中，会先针对序列图像中的小器官组中进行定位，根据定位结果再对序列图像中的小器官进行分割处理，由此能够提高患者小器官组织的分割精度，进而提升放疗靶区的勾画精度和效率。
具体地，利用预设神经网络模型确定序列图像中待勾画器官的位置信息，首先将待勾画器官的序列图像输入至预设神经网络模型进行定位，根据定位结果确定待勾画器官所在序列图像中的位置信息，该位置信息包括：待勾画器官在序列图像坐标中的X轴最小值、X轴最大值、Y轴最小值、Y轴最大值、Z轴最小值和Z轴最大值，由此根据待勾画器官的位置信息能够确定待勾画器官所在序列图像中的具体位置，以便根据确定的具体位置进行对待勾画器官进行高精度分割。
102、根据所述位置信息对所述序列图像进行抠图处理，确定包含所述待勾画器官的目标序列图像。
其中，目标序列图像为抠图处理后仅包含待勾画器官的序列图像，对于本发明实施例，如图3所示，在对待勾画器官进行定位之后，需要根据确定的待勾画器官的位置信息对序列图像进行截取抠图，得到仅包含待勾画器官的目标序列图像，由于小器官组织体积比较小，占据序列图像的比例也比较小，因此不利于分割，但通过本发明实施例的上述方式，能够在目标序列图像中扩大小器官组织在目标序列图像中的占据比例，因此便于后续对目标序列图像中的小器官进行分割，且分割精度也会大大提高，具体地，可以根据待勾画器官在每个CT切面图像中的位置信息，即X轴最小值、X轴最大值、Y轴最小值、Y轴最大值、Z轴最小值和Z轴最大值，对CT图像进行抠图处理，得到仅包含待勾画器官的目标序列图像。
103、将所述目标序列图像输入至预设器官分割模型进行器官分割，并根据所述待勾画器官的分割结果勾画放疗靶区。
其中，预设器官分割模型可以预设3D-UNet分割模型，对于本发明实施例，由于生物医学影像很多时候都是块状的，即由多个切面构成整张图，如果用传统的2D-UNet分割模型，需要每个切面单独进行处理，模型的分割效率较低，因此，在本发明实施例中选择3D-UNet分割模型，其相比于传统的2D-UNet分割模型，模型的分割效率更高，此外，3D-UNet分割模型由收缩路径和扩张路径组成，每个路径路径均包含四个子块，在收缩路径中，每个字块又包含了两个3*3*3的卷积层，每个卷积层后连接着ReLU激活函数，在卷积后，在三个维度的每个维度上都进行以2步为步长的最大池化，在扩张层中，前面三个子块每个字块先包含了一个步长为2的上采样过程，随后再跟着两个3*3*3的卷积层和ReLU激活函数，扩张层的最后一个子块仅由一个1*1*1的卷积层组成，用于减少输出特征图的数量。
进一步地，利用上述结构的预设器官分割模型对目标序列图像中的待勾画器官进行器官分割，具体地，利用预设3D-UNet分割模型中各子块中的卷积层提取目标序列图像中的待勾画器官的特征，并根据提取的该勾画器官的特征对目标序列图像中的待勾画器官进行分割，得到分割结果，该分割结果中能够将待勾画器官的轮廓标注出来，如图3所示，由此根据该待勾画器官的轮廓信息就能够自动确定放疗靶区，不必等待医生手动勾画，提高了放疗靶区的勾画效率和精度。
本发明实施例提供的一种器官勾画方法，与目前通过单一的网络模型进行器官分割，并根据分割后的器官勾画放疗靶区的方式相比，本发明能够获取序列图像中待勾画器官的位置信息；并根据所述位置信息对所述序列图像进行抠图处理，确定包含所述待勾画器官的目标序列图像；与此同时，将所述目标序列图像输入至预设器官分割模型进行器官分割，并根据所述待勾画器官的分割结果勾画放疗靶区，从而能够提高图像中器官轮廓的分割精度，同时提高放疗靶区的勾画精度和效率，大幅度减轻了医生的工作量。
进一步地，为了更好的说明上述器官分割的过程，作为对上述实施例的细化和扩展，本发明实施例提供了另一种器官勾画方法，如图2所示，所述方法包括：
201、获取待勾画器官的序列图像。
其中，序列图像为包含待勾画器官的医学图像，待勾画器官可以为视晶体、视神经等小器官组织，例如，序列图像为包含视晶体的CT图像，对于本发明实施例，在恶性肿瘤放疗过程中，为了最大限度地将放射剂量集中在靶区内，减少周围正常组织或器官不必要的伤害，需要根据患者的医学图像进行靶区勾画，为了实现针对小器官组织的自动勾画，本发明实施例，需要先对医学图像中的小器官组织进行定位，再根据定位结果对小器官组织进行自动分割，根据分割结果勾画放疗靶区，由此提高小器官组织的勾画精度，进而提升放疗靶区的勾画效率和精度。
具体地，获取患者的序列图像，该序列图像中包括待勾画器官，为了能够实现待勾画器官的精确定位，需要先对获取的序列图像进行预处理，以便序列图像满足定位和分割处理要求，其中，该预处理操作具体包括：
层厚插值、图像缩放、图像归一化处理等操作，例如，原序列图像大小为128*128，通过层厚差值、图像缩放以及归一化处理等操作将序列图像大小变为96*96，以便满足图像定位和分割处理要求。
202、将所述序列图像输入至预设器官定位模型进行器官定位，根据定位结果确定所述序列图像中待勾画器官的位置信息。
对于本发明实施例，为了能够获取序列图像中待勾画器官的精确位置信息，步骤202具体包括：将所述序列图像输入至预设器官定位模型进行器官定位，输出所述序列图像中待勾画器官对应的边界框信息；根据所述边界框信息，确定所述待勾画器官在所述序列图像中的位置信息。其中，该预设器官定位模型可以为Faster R-CNN器官定位模型，该Faster R-CNN器官定位模型主要包括PRN候选框提取模块和Fast R-CNN检测模块，PRN候选框提取模块为全卷积网络，用于提取候选框，Fast R-CNN检测模块基于PRN候选框提取模块提取的候选框检测并识别候选框中的目标。
具体地，将预处理后的序列图像输入至预设Faster R-CNN器官定位模型进行器官定位，PRN候选框提取模块生成序列图像中的候选区域，Fast R-CNN检测模块根据生成的候选区域提取待勾画器官的特征，并根据提取的待勾画器官的特征对待勾画器官进行分类和定位，生成序列图像中包含待勾画器官的边界框，进一步地，选取序列图像中的坐标原点，确定边界框基于该坐标原点的具体位置，将其作为待勾画器官在序列图像中的具体位置，其中，可以将序列图像的左下角作为坐标原点，关于本发明实施例中的序列图像坐标原点的具体选择方式本发明不做具体限定，由此能够根据待勾画器官的边界框信息确定待勾画器官所在序列图像中的具体位置信息，该具体位置信息包括：X轴最小值、X轴最大值、Y轴最小值、Y轴最大值，Z轴最小值和Z轴最大值。
此外，为了构建预设器官定位模型，所述方法还包括：获取标注有勾画器官的多组序列图像；利用预设第一神经网络算法对标注有勾画器官的多组序列图像进行训练，构建所述预设器官定位模型。其中，该预设第一神经网络算法为预设Faster R-CNN算法，具体地，获取历史患者的多组序列图像，并在序列图像中标注出勾画器官的轮廓，之后对标注后的多组序列图像进行预处理，具体包括层厚插值、图像缩放、标注图像的轮廓区域膨胀操作和图像归一化处理等操作，将预处理后的多组序列图像作为训练集，利用预设预设FasterR-CNN算法构建预设器官定位模型。
进一步地，在确定待勾画器官在序列图像中的位置信息后，需要判断该位置信息是否合理，以便能够根据该位置信息获取待勾画器官的目标序列图像，在步骤202之后，所述方法还包括：确定所述待勾画器官对应的类别信息；根据所述类别信息查询预设器官位置信息表，确定所述待勾画器官对应的预设位置范围，所述预设器官位置信息表中存储有不同种类器官的类别信息及其对应的预设位置范围；判断所述待勾画器官的位置信息是否在所述预设位置范围内；若不在所述预设位置范围内，则发送所述待勾画器官定位失败的提示信息。具体地，预设Faster R-CNN器官定位模型不仅能够输出待勾画器官的边界框，还能够输出待勾画器官的类别信息，例如，Faster R-CNN器官定位模型输出的待勾画器官的类别信息为视晶体，进一步地，根据该视晶体查询预设器官位置信息表确定该视晶体在序列图像中通常所处的预设位置范围，并判断通过预设器官定位模型确定的待勾画器官的位置信息是否在该预设位置范围内，即判断待勾画器官的定位是否准确合理，若确定的位置信息在预设位置范围内，则确定待勾画器官的定位准确合理；若确定的位置信息不在预设位置范围内，则确定待勾画器官的定位失败，输出定位失败的提示信息。由此能够实现对序列图像中的待勾画器官的精确定位，为小器官组织的精确分割打下良好基础。
其中，针对预设器官位置信息表的构建，可以搜集不同患者的历史序列图像中勾画器官所处的位置信息，确定不同种类器官在序列图像中通常所处的位置范围，由此构建不同种类勾画器官与不同预设位置范围的映射关系，并根据所述映射关系、不同种类的勾画器官和不同的预设位置范围，构建预设器官位置信息表。
203、根据所述位置信息对所述序列图像进行抠图处理，确定包含所述待勾画器官的目标序列图像。
对于本发明实施例，在确定待勾画器官在序列图像中的精确位置之后，需要对序列图像进行抠图处理，以便放大待勾画器官所在目标序列图像中的占比，便于后续的器官分割处理，提升器小器官组织的分割精度，该抠图处理过程与步骤102相同，在此不再赘述。
204、将所述目标序列图像输入至预设器官分割模型进行器官分割，并根据所述待勾画器官的分割结果勾画放疗靶区。
对于本发明实施例，在进行抠图处理得到包含待勾画器官的目标序列图像之后，需要将目标序列图像输入至预设器官分割模型进行器官分割处理，进一步地，根据分割结果确定勾画靶区，避免医生根据患者的医学图像手动勾画靶区，减少了医生的工作量，同时进一步地提升了小器官组织的分割精度，提示了靶区自动勾画的精度和效率。其中，该预设器官分割模型可以为预设3D-UNet分割模型，利用预设3D-UNet分割模型对待勾画器官进行分割处理的过程与步骤103相同，在此不再赘述。
此外，针对预设器官分割模型的构建，所述方法还包括：利用构建的预设器官定位模型确定所述多组序列图像中勾画器官的位置信息，并根据所述位置信息对所述多组序列图像进行抠图处理，确定标注有勾画器官的多组目标序列图像；利用预设第二神经网络算法对标注有勾画器官的多组目标序列图像进行训练，构建预设器官分割模型。具体地，在步骤202中将标注有勾画器官的多组序列图像作为训练样本，构建预设器官定位模型，进一步地，利用构建好的预设器官定位模型获取多组序列图像中勾画器官的位置信息，再利用获取的勾画器官的位置信息对多组序列图像进行抠图处理，并将抠图处理后的多组目标序列图像作为训练样本，利用预设预设3D-UNet算法对该训练样本进行训练，构建预设器官分割模型。
进一步地，在本发明实施例中，不仅可以通过Faster R-CNN器官定位模型和预设3D-UNet分割模型对序列图像中的勾画器官进行定位和分割，还可以直接利用预设Mask R-CNN模型实现序列图像中待勾画器官的定位和分割，预设Mask R-CNN模型主要包括三个功能：器官检测、器官分类和像素级的器官分割，具体地，将序列图像输入至预设Mask R-CNN模型进行定位和分割处理，输出序列图像中待勾画器官的边界框以及待勾画器官的掩膜，通过该掩膜能够实现待勾画器官像素级的分割，因此直接采用预设Mask R-CNN模型能够实现对小器官组织的像素级的分割，相比于Faster R-CNN器官定位模型和预设3D-UNet分割模型组合的方式更加简单，处理效率也更高。
对于本发明实施例，在输出待勾画器官的分割结果之后，需要验证该分割结果的有效性，确保根据该分割结果进行靶区勾画能够满足精度要求，所述根据所述待勾画器官的分割结果勾画放疗靶区，包括：判断所述分割结果与所述待勾画器官实际所在区域的重合度是否达到预设重合度；若达到所述预设重合度，则根据所述待勾画器官的分割结果勾画放疗靶区。具体地，可以按照预设网格密度将序列图像划分成若干个网格，该预设网格密度可以按照靶区勾画的精度要求进行设定，勾画精度要求越高网格划分的密度越大，进一步地，将待勾画器官实际所在区域的网格标注为1，待勾画器官没有覆盖的区域标注为0，同时根据分割结果将待勾画器官的标注区域的网格标注为1，剩余网格标注为0 ，根据上述标注结果将待勾画器官实际所在区域覆盖的网格和根据分割结果被标注为1的网格，合并标注为2，即标注为“2”的网格既被待勾画器官的实际所在区域覆盖，也被分割结果所覆盖，最终统计被标注为“2”的网格数量占待勾画器官实际所在区域覆盖网格数量的占比，判断该占比结果是否达到预设比例要求，如果达到预设比例要求，确定该分割结果可以用于勾画靶区；如果该占比结果未达到预设比例要求，确定该分割结果不可以用于勾画靶区。例如，预设比例要求为80%，统计被标注为“2”的网格数量占待勾画器官实际所在区域覆盖网格数量的70%，说明该分割结果不准确，不能用于勾画靶区，需要重新进行定位和分割。由此，通过上述验证机制能够验证分割结果的有效性，确保靶区勾画的精度。
本发明实施例提供的另一种器官勾画方法，与目前通过单一的网络模型进行器官分割，并根据分割后的器官勾画放疗靶区的方式相比，本发明能够获取序列图像中待勾画器官的位置信息；并根据所述位置信息对所述序列图像进行抠图处理，确定包含所述待勾画器官的目标序列图像；与此同时，将所述目标序列图像输入至预设器官分割模型进行器官分割，并根据所述待勾画器官的分割结果勾画放疗靶区，从而能够提高图像中器官轮廓的分割精度，同时提高放疗靶区的勾画精度和效率，大幅度减轻了医生的工作量。
进一步地，作为图1的具体实现，本发明实施例提供了一种器官勾画装置，如图4所示，所述装置包括：获取单元31、抠图单元32和分割单元33。
所述获取单元31，可以用于获取序列图像中待勾画器官的位置信息。所述获取单元31是本装置中获取序列图像中待勾画器官的位置信息的主要功能模块。
所述抠图单元32，可以用于根据所述位置信息对所述序列图像进行抠图处理，确定包含所述待勾画器官的目标序列图像。所述抠图单元32是本装置中根据所述位置信息对所述序列图像进行抠图处理，确定包含所述待勾画器官的目标序列图像的主要功能模块，也是本装置的核心功能模块。
所述分割单元33，可以将所述目标序列图像输入至预设器官分割模型进行器官分割，并根据所述待勾画器官的分割结果勾画放疗靶区。所述分割单元33是本装置中将所述目标序列图像输入至预设器官分割模型进行器官分割，并根据所述待勾画器官的分割结果勾画放疗靶区的主要功能模块。
对于本发明实施例，为了确定待勾画器官的位置信息，如图5所示，所述获取单元31，包括获取模块311和定位模块312。
所述获取模块311，可以用于获取待勾画器官的序列图像。
所述定位模块312，可以用于将所述序列图像输入至预设器官定位模型进行器官定位，根据定位结果确定所述序列图像中待勾画器官的位置信息。
进一步地，所述定位模块312，包括：输出子模块和确定子模块。
输出子模块，可以用于将所述序列图像输入至预设器官定位模型进行器官定位，输出所述序列图像中待勾画器官对应的边界框信息。
确定子模块，可以用于根据所述边界框信息，确定所述待勾画器官在所述序列图像中的位置信息。
进一步地，为了确保对待勾画器官定位的精度，所述获取单元31，还包括：确定模块313、判断模块314和发送模块315。
所述确定模块313，可以用于确定所述待勾画器官对应的类别信息。
所述确定模块313，还可以用于根据所述类别信息查询预设器官位置信息表，确定所述待勾画器官对应的预设位置范围，所述预设器官位置信息表中存储有不同种类器官的类别信息及其对应的预设位置范围。
所述判断模块314，可以用于判断所述待勾画器官的位置信息是否在所述预设位置范围内。
所述发送模块315，可以用于若不在所述预设位置范围内，则发送所述待勾画器官定位失败的提示信息。
与此同时，为了勾画放疗靶区，所述分割单元33，包括：判断模块331和勾画模块332。
所述判断模块331，可以用于判断所述分割结果与所述待勾画器官实际所在区域的重合度是否达到预设重合度。
所述勾画模块332，可以用于若达到所述预设重合度，则根据所述待勾画器官的分割结果勾画放疗靶区。
在具体应用场景中，为了构建预设器官定位模型，所述装置还包括：构建单元34。
所述获取单元31，还可以用于获取标注有勾画器官的多组序列图像。
所述构建单元34，可以用于利用预设第一神经网络算法对标注有勾画器官的多组序列图像进行训练，构建所述预设器官定位模型。
进一步地，为了构建预设器官分割模型，所述抠图单元32，还可以用于利用构建的预设器官定位模型确定所述多组序列图像中勾画器官的位置信息，并根据所述位置信息对所述多组序列图像进行抠图处理，确定标注有勾画器官的多组目标序列图像。
所述构建单元34，还可以用于利用预设第二神经网络算法对标注有勾画器官的多组目标序列图像进行训练，构建预设器官分割模型。
需要说明的是，本发明实施例提供的一种器官勾画装置所涉及各功能单元的其他相应描述，可以参考图1中的对应描述，在此不再赘述。
基于上述如图1所示方法，相应的，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：获取序列图像中待勾画器官的位置信息；根据所述位置信息对所述序列图像进行抠图处理，确定包含所述待勾画器官的目标序列图像；将所述目标序列图像输入至预设器官分割模型进行器官分割，并根据所述待勾画器官的分割结果勾画放疗靶区。
基于上述如图1所示方法和如图4所示装置的实施例，本发明实施例还提供了一种计算机设备，如图6所示，处理器(processor)41、通信接口(Communications Interface)42、存储器(memory)43、以及通信总线44。其中：处理器41、通信接口42、以及存储器43通过通信总线44完成相互间的通信。通信接口44，用于与其它设备比如客户端或其它服务器等的网元通信。处理器41，用于执行程序，具体可以执行上述数据的转换方法实施例中的相关步骤。具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。处理器41可能是中央处理器CPU，或者是特定集成电路ASIC（Application Specific IntegratedCircuit），或者是被配置成实施本发明实施例的一个或多个集成电路。
终端包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。存储器43，用于存放程序。存储器43可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatilememory），例如至少一个磁盘存储器。程序具体可以用于使得处理器41执行以下操作：获取序列图像中待勾画器官的位置信息；根据所述位置信息对所述序列图像进行抠图处理，确定包含所述待勾画器官的目标序列图像；将所述目标序列图像输入至预设器官分割模型进行器官分割，并根据所述待勾画器官的分割结果勾画放疗靶区。
本发明实施例提供的一种器官勾画装置，与目前通过单一的网络模型进行器官分割，并根据分割后的器官勾画放疗靶区的方式相比，本发明能够获取序列图像中待勾画器官的位置信息；并根据所述位置信息对所述序列图像进行抠图处理，确定包含所述待勾画器官的目标序列图像；与此同时，将所述目标序列图像输入至预设器官分割模型进行器官分割，并根据所述待勾画器官的分割结果勾画放疗靶区，从而能够提高图像中器官轮廓的分割精度，同时提高放疗靶区的勾画精度和效率，大幅度减轻了医生的工作量。
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。
可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（DSP）来实现根据本发明实施例的基于放疗计划系统的射野设置装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种器官勾画方法，其特征在于，包括：
获取序列图像中待勾画器官的位置信息；
根据所述位置信息对所述序列图像进行抠图处理，确定包含所述待勾画器官的目标序列图像；
将所述目标序列图像输入至预设器官分割模型进行器官分割，并根据所述待勾画器官的分割结果勾画放疗靶区。
2.根据权利要求1所述的方法，其特征在于，所述获取序列图像中待勾画器官的位置信息，包括：
获取待勾画器官的序列图像；
将所述序列图像输入至预设器官定位模型进行器官定位，根据定位结果确定所述序列图像中待勾画器官的位置信息。
3.根据权利要求2所述的方法，其特征在于，所述将所述序列图像输入至预设器官定位模型进行器官定位，根据定位结果确定所述序列图像中待勾画器官的位置信息，包括：
将所述序列图像输入至预设器官定位模型进行器官定位，输出所述序列图像中待勾画器官对应的边界框信息；
根据所述边界框信息，确定所述待勾画器官在所述序列图像中的位置信息。
4.根据权利要求2所述的方法，其特征在于，在所述根据定位结果确定所述序列图像中待勾画器官的位置信息之后，所述方法还包括：
确定所述待勾画器官对应的类别信息；
根据所述类别信息查询预设器官位置信息表，确定所述待勾画器官对应的预设位置范围，所述预设器官位置信息表中存储有不同种类器官的类别信息及其对应的预设位置范围；
判断所述待勾画器官的位置信息是否在所述预设位置范围内；
若不在所述预设位置范围内，则发送所述待勾画器官定位失败的提示信息。
5.根据权利要求1所述的方法，其特征在于，所述根据所述待勾画器官的分割结果勾画放疗靶区，包括：
判断所述分割结果与所述待勾画器官实际所在区域的重合度是否达到预设重合度；
若达到所述预设重合度，则根据所述待勾画器官的分割结果勾画放疗靶区。
6.根据权利要求2所述的方法，在所述获取序列图像中待勾画器官的位置信息之前，所述方法还包括：
获取标注有勾画器官的多组序列图像；
利用预设第一神经网络算法对标注有勾画器官的多组序列图像进行训练，构建所述预设器官定位模型。
7.根据权利要求6所述的方法，在所述利用预设第一神经网络算法对所述标注有勾画器官的多组序列图像进行训练，构建所述预设器官定位模型之后，所述方法还包括：
利用构建的预设器官定位模型确定所述多组序列图像中勾画器官的位置信息，并根据所述位置信息对所述多组序列图像进行抠图处理，确定标注有勾画器官的多组目标序列图像；
利用预设第二神经网络算法对标注有勾画器官的多组目标序列图像进行训练，构建预设器官分割模型。
8.一种器官勾画装置，其特征在于，包括：
获取单元，用于获取序列图像中待勾画器官的位置信息；
抠图单元，用于根据所述位置信息对所述序列图像进行抠图处理，确定包含所述待勾画器官的目标序列图像；
分割单元，用于将所述目标序列图像输入至预设器官分割模型进行器官分割，并根据所述待勾画器官的分割结果勾画放疗靶区。
9.一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，该程序被处理器执行时实现以下步骤：
获取序列图像中待勾画器官的位置信息；
根据所述位置信息对所述序列图像进行抠图处理，确定包含所述待勾画器官的目标序列图像；
将所述目标序列图像输入至预设器官分割模型进行器官分割，并根据所述待勾画器官的分割结果勾画放疗靶区。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：
获取序列图像中待勾画器官的位置信息；
根据所述位置信息对所述序列图像进行抠图处理，确定包含所述待勾画器官的目标序列图像；
将所述目标序列图像输入至预设器官分割模型进行器官分割，并根据所述待勾画器官的分割结果勾画放疗靶区。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010489374.XA CN111738989B (zh) | 2020-06-02 | 2020-06-02 | 一种器官勾画方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010489374.XA CN111738989B (zh) | 2020-06-02 | 2020-06-02 | 一种器官勾画方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111738989A true CN111738989A (zh) | 2020-10-02 |
| CN111738989B CN111738989B (zh) | 2023-10-24 |
Family
ID=72648065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010489374.XA Active CN111738989B (zh) | 2020-06-02 | 2020-06-02 | 一种器官勾画方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111738989B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112767315A (zh) * | 2020-12-31 | 2021-05-07 | 深圳市联影高端医疗装备创新研究院 | 靶区勾画质量的确定方法、展示方法及电子设备 |
| CN112802036A (zh) * | 2021-03-16 | 2021-05-14 | 上海联影医疗科技股份有限公司 | 一种三维医学图像靶区分割的方法、系统和装置 |
| CN113077419A (zh) * | 2021-03-19 | 2021-07-06 | 零氪智慧医疗科技(天津)有限公司 | 用于髋关节ct影像识别的信息处理方法及装置 |
| CN116129193A (zh) * | 2023-02-27 | 2023-05-16 | 重庆大学附属肿瘤医院 | 一种类器官生长预测方法、系统及设备 |
| CN116580133A (zh) * | 2023-07-14 | 2023-08-11 | 北京大学 | 图像合成方法、装置、电子设备和存储介质 |
| CN116681717A (zh) * | 2023-08-04 | 2023-09-01 | 经智信息科技(山东)有限公司 | 一种ct图像的分割处理方法及装置 |
| CN116724357A (zh) * | 2020-12-28 | 2023-09-08 | 西安大医集团股份有限公司 | 医学图像轮廓勾画方法、装置及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130121552A1 (en) * | 2011-11-16 | 2013-05-16 | General Electric Company | System and method for automatic segmentation of organs on mr images |
| CN106990839A (zh) * | 2017-03-21 | 2017-07-28 | 张文庆 | 一种眼球识别多媒体播放器及其实现方法 |
| WO2018077705A1 (en) * | 2016-10-25 | 2018-05-03 | Koninklijke Philips N.V. | Radiotherapy system for accurate locating of 3d objects from magnetic resonance images |
| CN109785306A (zh) * | 2019-01-09 | 2019-05-21 | 上海联影医疗科技有限公司 | 器官勾画方法、装置、计算机设备和存储介质 |
| CN109949352A (zh) * | 2019-03-22 | 2019-06-28 | 邃蓝智能科技(上海)有限公司 | 一种基于深度学习的放疗影像靶区勾画方法及勾画系统 |
| CN109978852A (zh) * | 2019-03-22 | 2019-07-05 | 邃蓝智能科技(上海)有限公司 | 基于深度学习的微小组织器官的放疗影像靶区勾画方法及系统 |
| CN110648331A (zh) * | 2019-09-02 | 2020-01-03 | 众安信息技术服务有限公司 | 用于医学图像分割的检测方法、医学图像分割方法及装置 |
| CN110827961A (zh) * | 2018-08-10 | 2020-02-21 | 北京连心医疗科技有限公司 | 一种自适应放疗结构自动勾画方法、设备和存储介质 |
| CN110837757A (zh) * | 2018-08-17 | 2020-02-25 | 北京京东尚科信息技术有限公司 | 人脸比例计算方法、系统、设备及存储介质 |
| CN111008984A (zh) * | 2019-12-10 | 2020-04-14 | 广州柏视医疗科技有限公司 | 医学影像中正常器官的轮廓线自动勾画方法及系统 |
-
2020
- 2020-06-02 CN CN202010489374.XA patent/CN111738989B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130121552A1 (en) * | 2011-11-16 | 2013-05-16 | General Electric Company | System and method for automatic segmentation of organs on mr images |
| WO2018077705A1 (en) * | 2016-10-25 | 2018-05-03 | Koninklijke Philips N.V. | Radiotherapy system for accurate locating of 3d objects from magnetic resonance images |
| EP3531911A1 (en) * | 2016-10-25 | 2019-09-04 | Koninklijke Philips N.V. | Radiotherapy system for accurate locating of 3d objects from magnetic resonance images |
| CN106990839A (zh) * | 2017-03-21 | 2017-07-28 | 张文庆 | 一种眼球识别多媒体播放器及其实现方法 |
| CN110827961A (zh) * | 2018-08-10 | 2020-02-21 | 北京连心医疗科技有限公司 | 一种自适应放疗结构自动勾画方法、设备和存储介质 |
| CN110837757A (zh) * | 2018-08-17 | 2020-02-25 | 北京京东尚科信息技术有限公司 | 人脸比例计算方法、系统、设备及存储介质 |
| CN109785306A (zh) * | 2019-01-09 | 2019-05-21 | 上海联影医疗科技有限公司 | 器官勾画方法、装置、计算机设备和存储介质 |
| CN109949352A (zh) * | 2019-03-22 | 2019-06-28 | 邃蓝智能科技(上海)有限公司 | 一种基于深度学习的放疗影像靶区勾画方法及勾画系统 |
| CN109978852A (zh) * | 2019-03-22 | 2019-07-05 | 邃蓝智能科技(上海)有限公司 | 基于深度学习的微小组织器官的放疗影像靶区勾画方法及系统 |
| CN110648331A (zh) * | 2019-09-02 | 2020-01-03 | 众安信息技术服务有限公司 | 用于医学图像分割的检测方法、医学图像分割方法及装置 |
| CN111008984A (zh) * | 2019-12-10 | 2020-04-14 | 广州柏视医疗科技有限公司 | 医学影像中正常器官的轮廓线自动勾画方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 崔月龙;苏晴;武淮昌;王博;张龙;: "医学影像融合配准技术在前列腺癌治疗中的应用", 医药论坛杂志, no. 04 * |
| 秦楠楠;薛旭东;吴爱林;闫冰;朱雅迪;张朋;吴爱东;: "基于U-net卷积神经网络的宫颈癌临床靶区和危及器官自动勾画的研究", 中国医学物理学杂志, no. 04 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116724357A (zh) * | 2020-12-28 | 2023-09-08 | 西安大医集团股份有限公司 | 医学图像轮廓勾画方法、装置及系统 |
| CN112767315A (zh) * | 2020-12-31 | 2021-05-07 | 深圳市联影高端医疗装备创新研究院 | 靶区勾画质量的确定方法、展示方法及电子设备 |
| CN112767315B (zh) * | 2020-12-31 | 2024-04-19 | 深圳市联影高端医疗装备创新研究院 | 靶区勾画质量的确定方法、展示方法及电子设备 |
| CN112802036A (zh) * | 2021-03-16 | 2021-05-14 | 上海联影医疗科技股份有限公司 | 一种三维医学图像靶区分割的方法、系统和装置 |
| CN113077419A (zh) * | 2021-03-19 | 2021-07-06 | 零氪智慧医疗科技(天津)有限公司 | 用于髋关节ct影像识别的信息处理方法及装置 |
| CN116129193A (zh) * | 2023-02-27 | 2023-05-16 | 重庆大学附属肿瘤医院 | 一种类器官生长预测方法、系统及设备 |
| CN116129193B (zh) * | 2023-02-27 | 2024-06-11 | 重庆大学附属肿瘤医院 | 一种类器官生长预测方法、系统及设备 |
| CN116580133A (zh) * | 2023-07-14 | 2023-08-11 | 北京大学 | 图像合成方法、装置、电子设备和存储介质 |
| CN116580133B (zh) * | 2023-07-14 | 2023-09-22 | 北京大学 | 图像合成方法、装置、电子设备和存储介质 |
| CN116681717A (zh) * | 2023-08-04 | 2023-09-01 | 经智信息科技(山东)有限公司 | 一种ct图像的分割处理方法及装置 |
| CN116681717B (zh) * | 2023-08-04 | 2023-11-28 | 经智信息科技(山东)有限公司 | 一种ct图像的分割处理方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111738989B (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111738989A (zh) | 一种器官勾画方法及装置 | |
| CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
| CN110956635A (zh) | 一种肺段分割方法、装置、设备及存储介质 | |
| CN111046717A (zh) | 眼底图像黄斑中心定位方法、装置、电子设备及存储介质 | |
| CN111862021B (zh) | 基于深度学习的头颈部淋巴结及引流区自动勾画方法 | |
| US10275895B2 (en) | Mechanism for advanced structure generation and editing | |
| CN111340756B (zh) | 一种医学图像病变检出合并方法、系统、终端及存储介质 | |
| EP2584970A2 (en) | Mechanism for advanced structure generation and editing | |
| CN113888566B (zh) | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 | |
| CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
| CN112529900A (zh) | 匹配乳腺图像中roi的方法、装置、终端与存储介质 | |
| CN115937234B (zh) | 基于预处理加速的肿瘤图像分割方法、装置和电子设备 | |
| US9401051B2 (en) | Mechanism for dynamically propagating real-time alterations of medical images | |
| CN114757953B (zh) | 医学超声图像识别方法、设备及存储介质 | |
| CN114565623B (zh) | 肺血管分割方法、装置、存储介质及电子设备 | |
| CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
| CN117392143A (zh) | 用于介入手术的术前规划方法、系统、装置及存储介质 | |
| CN113408595A (zh) | 病理图像处理的方法、装置、电子设备及可读存储介质 | |
| CN112473022A (zh) | 摆位信息的验证方法、装置及计算机设备 | |
| CN112712507A (zh) | 一种确定冠状动脉的钙化区域的方法及装置 | |
| JP2001216517A (ja) | 物体認識方法 | |
| CN112085698A (zh) | 左右乳腺超声图像自动分析方法及装置 | |
| CN115148341B (zh) | 一种基于体位识别的ai结构勾画方法及系统 | |
| CN118096798B (zh) | 基于人工智能的医学图像分割方法 | |
| CN117689893B (zh) | 激光扫描超广角眼底图像语义分割方法、系统及终端 |
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 |