CN111784705B - 感兴趣区域的勾画方法、装置、设备和存储介质 - Google Patents
感兴趣区域的勾画方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111784705B CN111784705B CN202010591885.2A CN202010591885A CN111784705B CN 111784705 B CN111784705 B CN 111784705B CN 202010591885 A CN202010591885 A CN 202010591885A CN 111784705 B CN111784705 B CN 111784705B
- Authority
- CN
- China
- Prior art keywords
- image
- historical
- interest
- sketching
- region
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000008859 change Effects 0.000 claims description 42
- 238000002591 computed tomography Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 5
- 238000002600 positron emission tomography Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 8
- 238000011156 evaluation Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000001959 radiotherapy Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007408 cone-beam computed tomography Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000920 organ at risk Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06T7/97—Determining parameters from multiple pictures
-
- 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
- G06T2207/20081—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
- G06T2207/30—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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种感兴趣区域的勾画方法、装置、设备和存储介质。所述方法包括：获取目标对象的新增扫描图像、原始图像和原始图像中感兴趣区域的勾画图像，其中所述新增扫描图像和所述原始图像为所述目标对象在不同时期同一部位的扫描图像；将所述新增扫描图像、所述原始图像和所述原始图像中感兴趣区域的勾画图像输入训练好的勾画模型中，得到所述目标对象的新增扫描图像上对感兴趣区域的勾画图像，其中，所述勾画模型是基于多组不同时期的历史图像数据进行训练得到的。以实现快速精确勾画感兴趣区域的效果。
Description
技术领域
本发明实施例涉及医疗成像技术，尤其涉及一种感兴趣区域的勾画方法、装置、设备和存储介质。
背景技术
一般的放疗流程中，如果需要对新增的图像进行靶区及危及器官的分割，一般需要医师进行手动勾画，而在自适应放疗，需要快速地在同一病人新增图像上生成靶区及危及器官勾画，完全依靠医师手动勾画很大程度上限制了自适应放疗流程的开展。
先进一点的做法是通过配准(包括刚性配准或形变配准)，将原始图像上的靶区及危及器官勾画映射到新增图像上并适当后处理。即便如此，形变后的勾画通常还是需要医师进行大量的手动修改，耗时较长。
发明内容
本发明实施例提供一种感兴趣区域的勾画方法、装置、设备和存储介质，以实现快速精确勾画感兴趣区域的效果。
第一方面，本发明实施例提供了一种感兴趣区域的勾画方法，该方法包括：
获取目标对象的新增扫描图像、原始图像和原始图像中感兴趣区域的勾画图像，其中所述新增扫描图像和所述原始图像为所述目标对象在不同时期同一部位的扫描图像；
将所述新增扫描图像、所述原始图像和所述原始图像中感兴趣区域的勾画图像输入训练好的勾画模型中，得到所述目标对象的新增扫描图像上对感兴趣区域的勾画图像，其中，所述勾画模型是基于多组不同时期的历史图像数据进行训练得到的。
第二方面，本发明实施例还提供了一种感兴趣区域的勾画方法，该方法包括：
获取目标对象的第一图像和待勾画的第二图像，所述第一图像包含对感兴趣区域的勾画信息；
将所述第一图像和所述待勾画的第二图像输入训练好的勾画模型中，得到所述第二图像上对感兴趣区域的勾画信息，其中，所述勾画模型基于多组历史图像数据的解剖信息和/或图像变化信息进行训练得到。
第三方面，本发明实施例还提供了一种感兴趣区域的勾画装置，该装置包括：
第一图像获取模块，获取目标对象的新增扫描图像、原始图像和原始图像中感兴趣区域的勾画图像，其中所述新增扫描图像和所述原始图像为所述目标对象在不同时期同一部位的扫描图像；
第一感兴趣区域勾画模块，将所述新增扫描图像、所述原始图像和所述原始图像中感兴趣区域的勾画图像输入训练好的勾画模型中，得到所述目标对象的新增扫描图像上对感兴趣区域的勾画图像，其中，所述勾画模型是基于多组不同时期的历史图像数据进行训练得到的。
第四方面，本发明实施例还提供了一种感兴趣区域的勾画装置，该装置包括：
第二图像获取模块，用于获取目标对象的第一图像和待勾画的第二图像，所述第一图像包含对感兴趣区域的勾画信息；
第二感兴趣区域勾画模块，用于将所述第一图像和所述待勾画的第二图像输入训练好的勾画模型中，得到所述第二图像上对感兴趣区域的勾画信息，其中，所述勾画模型基于多组历史图像数据的解剖信息和/或图像变化信息进行训练得到。
第五方面，本发明实施例还提供了一种设备，该设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例中任一所述的感兴趣区域的勾画方法。
第六方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本发明实施例中任一所述的感兴趣区域的勾画方法。
本发明实施例的技术方案，通过将获取的目标对象的新增扫描图像、原始图像和原始图像中感兴趣区域的勾画图像，输入训练好的勾画模型中，得到所述目标对象的新增扫描图像上对感兴趣区域的勾画图像，其中，新增扫描图像和原始图像为所述目标对象在不同时期同一部位的扫描图像，这样解决了现有技术中通过医师人为的凭经验对新增扫描图像上的感兴趣区域进行勾画，造成效率低下、准确率低的问题，这样实现了快速准确的对新增扫描图像中的感兴趣区域进行勾画的效果。
附图说明
图1是本发明实施例一中的感兴趣区域的勾画方法的流程图；
图2是本发明实施例二中的感兴趣区域的勾画方法的流程图；
图3是本发明实施例三中的感兴趣区域的勾画方法的流程图；
图4是本发明实施例三中的感兴趣区域的变化评价确定示意图；
图5是本发明实施例四中的感兴趣区域的勾画方法的流程图；
图6是本发明实施例五中的感兴趣区域的勾画装置的结构示意图；
图7是本发明实施例六中的感兴趣区域的勾画装置的结构示意图；
图8是本发明实施例五中的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的感兴趣区域的勾画方法的流程图，本实施例可适用于快速对患者的新增扫描图像进行感兴趣区域的勾画的情况，该方法可以由感兴趣区域的勾画装置来执行，该感兴趣区域的勾画装置可以由软件和/或硬件来实现，该感兴趣区域的勾画装置可以配置在计算设备上，具体包括如下步骤：
S110、获取目标对象的新增扫描图像、原始图像和原始图像中感兴趣区域的勾画图像，其中所述新增扫描图像和所述原始图像为所述目标对象在不同时期同一部位的扫描图像。
示例性的，目标对象可以是需进行图像扫描的对象，例如可以是人体、动物等。新增图像可以是目标对象当前时间新扫描的图像。原始图像可以是目标对象在当前时间之前时间扫描的图像。原始图像中感兴趣区域的勾画图像可以是在原始图像中将感兴趣区域进行勾画出来的图像。
新增扫描图像和原始图像为目标对象在不同时期同一部位的扫描图像，可以理解为：新增扫描图像和原始图像为同一患者在不同时间同一扫描部位的扫描图像，例如，以目标对象的扫描部位为胸部区域为例，则原始图像可以是2020年5月15号扫描的胸部区域的图像，新增扫描图像为该目标对象在2020年6月17号扫描的胸部区域的图像。
这样以便后续基于获取的目标对象的新增扫描图像、原始图像和原始图像中感兴趣区域的勾画图像，将新增扫描图像中的感兴趣区域进行勾画。
可选的，这里的新增扫描图像和原始图像可以为同一类型的扫描图像，也可以为不同类型的扫描图像。即新增扫描图像和原始图像可以是同种模态的扫描图像，也可以是不同模态的扫描图像。这里的扫描图像的类型可以但不限于包括：电子计算机断层扫描(Computed Tomography，CT)图像、锥形束电子计算机断层扫描(Cone beam ComputerTomography，CBCT)图像、磁共振成像(Magnetic Resonance Imaging，MRI)图像、正电子发射断层成像(positronemission tomography，PET)图像。
S120、将所述新增扫描图像、所述原始图像和所述原始图像中感兴趣区域的勾画图像输入训练好的勾画模型中，得到所述目标对象的新增扫描图像上对感兴趣区域的勾画图像，其中，所述勾画模型是基于多组不同时期的历史图像数据进行训练得到的。
示例性的，这里的勾画模型可以是对扫描图像的感兴趣区域进行勾画的模型，例如，可以是基于深度学习的自适应分割网络、神经网络、支持向量机等。多组不同时期的历史图像数据可以是多组不同时期的历史原始图像、历史原始图像上的上感兴趣区域的勾画图像、历史新增扫描图像和历史新增扫描图像上感兴趣区域的勾画图像。
将获取的新增扫描图像、原始图像和原始图像中感兴趣区域的勾画图像输入训练好的勾画模型中，这样该勾画模型就会输出新增扫描图像上对感兴趣区域的勾画图像，这样解决了现有技术中通过医师人为的凭经验对新增扫描图像上的感兴趣区域进行勾画，造成效率低下、准确率低的问题，这样实现了快速准确的对新增扫描图像中的感兴趣区域进行勾画的效果。
需要说明的是，可选的，当所述目标对象的新增扫描图像对应的原始图像包括至少一个时，基于所述原始图像的扫描时间戳，确定对所述新增扫描图像进行预测的原始图像，其中，所述对所述新增扫描图像进行预测的原始图像为与当前时间距离最短的扫描时间戳对应的原始图像。
示例性的，时间戳可以是显示图像扫描时间的标识，例如可以是在扫描图像的任一位置处显示该扫描图像的扫描时间。当目标对象的新增扫描图像对应的原始图像的数量包括至少一个时，根据时间戳，将距该新增扫描图像的扫描时间最近的图像作为对新增扫描图像进行预测的原始图像。例如，若新增扫描图像的扫描时间为2020年6月17号，与该新增扫描图像对应的原始图像有3个，这3个原始图像的扫描时间分别为2020年3月20号、2020年4月17号和2020年5月17号，则距离新增扫描图像时间最近的原始图像为2020年5月17号扫描的原始图像，则将该2020年5月17号扫描的原始图像作为后续对新增扫描图像进行预测的原始图像。
因为若目标对象的感兴趣区域随着时间的推移在增加，若将时间距新增图像较远的原始图像作为对新增扫描图像进行预测的原始图像，则在预测时，可能无法很好的将感兴趣区域确定出来，可能出现预测有误的情况。这样就避免了这种情况的发生，使预测结果更加准确。
需要说明的是，同样的，当目标对象的新增扫描图像对应的原始图像包括至少一个时，也可以是将与新增扫描图像对应的原始图像中的任意一个原始图像作为对新增扫描图像进行预测的原始图像，这里可根据用户需求自行设定，这里不做限定。
本发明实施例的技术方案，通过将获取的目标对象的新增扫描图像、原始图像和原始图像中感兴趣区域的勾画图像，输入训练好的勾画模型中，得到所述目标对象的新增扫描图像上对感兴趣区域的勾画图像，其中，新增扫描图像和原始图像为所述目标对象在不同时期同一部位的扫描图像，这样解决了现有技术中通过医师人为的凭经验对新增扫描图像上的感兴趣区域进行勾画，造成效率低下、准确率低的问题，这样实现了快速准确的对新增扫描图像中的感兴趣区域进行勾画的效果。
实施例二
图2为本发明实施例二提供的感兴趣区域的勾画方法的流程图，本发明实施例与上述实施例中各个可选方案可以结合。在本发明实施例中，可选的，所述勾画模型的训练方法，包括：基于各对象的所述历史图像数据中的历史原始图像、历史原始图像上感兴趣区域的勾画图像和历史新增扫描图像输入待训练的勾画模型中，输出所述历史新增扫描图像上感兴趣区域的勾画预测图像，其中，所述勾画模型用于对各对象的所述历史原始图像、历史原始图像上感兴趣区域的勾画图像和历史新增扫描图像进行预处理，以及基于预处理后的历史原始图像、历史原始图像上感兴趣区域的勾画图像对所述历史新增扫描图像进行预测；基于历史新增扫描图像上感兴趣区域的勾画预测图像和所述历史新增扫描图像上感兴趣区域的勾画图像对所述待训练的勾画模型进行迭代训练。
如图2所示，本发明实施例的方法具体包括如下步骤：
S210、基于各对象的所述历史图像数据中的历史原始图像、历史原始图像上感兴趣区域的勾画图像和历史新增扫描图像输入待训练的勾画模型中，输出所述历史新增扫描图像上感兴趣区域的勾画预测图像，其中，所述勾画模型用于对各对象的所述历史原始图像、历史原始图像上感兴趣区域的勾画图像和历史新增扫描图像进行预处理，以及基于预处理后的历史原始图像、历史原始图像上感兴趣区域的勾画图像对所述历史新增扫描图像进行预测。
示例性的，历史原始图像可以是已完成感兴趣区域的勾画的原始图像。历史原始图像上感兴趣区域的勾画图像可以是已对已完成感兴趣区域的勾画的原始图像上的感兴趣区域进行勾画了的图像。历史新增扫描图像可以是在当前时间之前已基于历史原始图像、历史原始图像上感兴趣区域的勾画图像，已完成对其感兴趣区域进行勾画的后扫描的图像。例如，若当前时间为2020年6月17日，历史原始图像可以为2018年2月15日的扫描图像，历史新增扫描图像可以为2018年5月18日的扫描图像。这里的历史原始图像和历史新增扫描图像可以是已完成感兴趣区域的勾画的原始图像和新增扫描图像。
历史新增扫描图像上感兴趣区域的勾画预测图像可以是将历史原始图像、历史原始图像上感兴趣区域的勾画图像和历史新增扫描图像输入待训练的勾画模型，待训练的勾画模型预测出历史新增扫描图像上感兴趣区域的勾画预测图像。
需要说明的是，当历史原始图像、历史原始图像上感兴趣区域的勾画图像和历史新增扫描图像输入待训练的勾画模型时，该待训练的勾画模型需先对历史原始图像、历史原始图像上感兴趣区域的勾画图像和历史新增扫描图像进行刚性配准和/或形变配准，得到新增扫描图像上感兴趣区域的范围。然后对该新增扫描图像上感兴趣区域的范围进行预测，得到历史新增扫描图像上感兴趣区域的勾画预测图像。这样基于历史图像数据中的历史原始图像、历史原始图像上感兴趣区域的勾画图像和历史新增扫描图像得到历史新增扫描图像上感兴趣区域的勾画预测图像，以便后续基于该历史新增扫描图像上感兴趣区域的勾画预测图像对模型进行迭代训练。
S220、基于历史新增扫描图像上感兴趣区域的勾画预测图像和所述历史新增扫描图像上感兴趣区域的勾画图像对所述待训练的勾画模型进行迭代训练。
示例性的，将待训练的勾画模型输出的历史新增扫描图像上感兴趣区域的勾画预测图像与已知的历史新增扫描图像上感兴趣区域的勾画图像进行比对，当待训练的勾画模型的损失函数小于预设阈值(例如，可以是0.3)时，则说明该待训练的勾画模型训练完成。这里的损失函数可以是采用cross entropy(交叉熵损失)、soft dice损失或focal损失。再根据损失函数确定勾画模型是否训练完成，可以采用平均像素精度与F1分数作为评价指标。
这样可基于训练好的勾画模型对待勾画的新增扫描图像进行新增扫描图像上感兴趣区域进行勾画，得到新增扫描图像上感兴趣区域的勾画图像。这样不用人为的去对新增扫描图像上的感兴趣区域进行勾画，提高了对新增扫描图像上感兴趣区域的勾画效率，同时也提高了对新增扫描图像上感兴趣区域的勾画的准确性。
S230、获取目标对象的新增扫描图像、原始图像和原始图像中感兴趣区域的勾画图像，其中所述新增扫描图像和所述原始图像为所述目标对象在不同时期同一部位的扫描图像。
S240、将所述新增扫描图像、所述原始图像和所述原始图像中感兴趣区域的勾画图像输入训练好的勾画模型中，得到所述目标对象的新增扫描图像上对感兴趣区域的勾画图像，其中，所述勾画模型是基于多组不同时期的历史图像数据进行训练得到的。
本发明实施例的技术方案，通过基于各对象的所述历史图像数据中的历史原始图像、历史原始图像上感兴趣区域的勾画图像和历史新增扫描图像输入待训练的勾画模型中，输出所述历史新增扫描图像上感兴趣区域的勾画预测图像，基于历史新增扫描图像上感兴趣区域的勾画预测图像和所述历史新增扫描图像上感兴趣区域的勾画图像对所述待训练的勾画模型进行迭代训练，这样可基于训练好的勾画模型对待勾画的新增扫描图像进行新增扫描图像上感兴趣区域进勾画，得到新增扫描图像上感兴趣区域的勾画图像。这样不用人为的去对新增扫描图像上的感兴趣区域进行勾画，提高了对新增扫描图像上感兴趣区域的勾画效率，同时也提高了对新增扫描图像上感兴趣区域的勾画的准确性。
实施例三
图3为本发明实施例三提供的感兴趣区域的勾画方法的流程图，本发明实施例与上述实施例中各个可选方案可以结合。在本发明实施例中，可选的，在得到所述目标对象的新增扫描图像上对感兴趣区域的勾画图像之后，所述方法还包括：存储所述目标对象在不同时期的扫描图像以及所述扫描图像的感兴趣区域的勾画图像；基于所述不同时期的扫描图像中感兴趣区域的勾画图像的位置信息和变化趋势对所述新增扫描图像上对感兴趣区域的勾画图像进行校验。基于所述新增扫描图像上感兴趣区域的勾画图像和所述原始图像上感兴趣区域的勾画图像的变化信息，以及所述新增扫描图像和所述原始图像的扫描时间差，确定所述感兴趣区域的变化评价。
如图3所示，本发明实施例的方法具体包括如下步骤：
S310、基于各对象的所述历史图像数据中的历史原始图像、历史原始图像上感兴趣区域的勾画图像和历史新增扫描图像输入待训练的勾画模型中，输出所述历史新增扫描图像上感兴趣区域的勾画预测图像，其中，所述勾画模型用于对各对象的所述历史原始图像、历史原始图像上感兴趣区域的勾画图像和历史新增扫描图像进行预处理，以及基于预处理后的历史原始图像、历史原始图像上感兴趣区域的勾画图像对所述历史新增扫描图像进行预测。
S320、基于历史新增扫描图像上感兴趣区域的勾画预测图像和所述历史新增扫描图像上感兴趣区域的勾画图像对所述待训练的勾画模型进行迭代训练。
S330、获取目标对象的新增扫描图像、原始图像和原始图像中感兴趣区域的勾画图像，其中所述新增扫描图像和所述原始图像为所述目标对象在不同时期同一部位的扫描图像。
S340、将所述新增扫描图像、所述原始图像和所述原始图像中感兴趣区域的勾画图像输入训练好的勾画模型中，得到所述目标对象的新增扫描图像上对感兴趣区域的勾画图像，其中，所述勾画模型是基于多组不同时期的历史图像数据进行训练得到的。
S350、存储所述目标对象在不同时期的扫描图像以及所述扫描图像的感兴趣区域的勾画图像；基于所述不同时期的扫描图像中感兴趣区域的勾画图像的位置信息和变化趋势对所述新增扫描图像上对感兴趣区域的勾画图像进行校验。
示例性的，不同时期的扫描图像中感兴趣区域的勾画图像的位置信息可以是不同时期的扫描图像中感兴趣区域的勾画图像中感兴趣区域的位置。变化趋势可以是不同时期的扫描图像中感兴趣区域的勾画图像中感兴趣区域的变化情况。
可将目标对象在不同时期的扫描图像，以及不同时期的扫描图像的感兴趣区域的勾画图像进行存储。基于所述不同时期的扫描图像中感兴趣区域的勾画图像的位置信息和变化趋势对所述新增扫描图像上对感兴趣区域的勾画图像进行校验，具体可以是：例如，分别有2020年2月15日的扫描图像中感兴趣区域的勾画图像、2020年3月15日的扫描图像中感兴趣区域的勾画图像和2020年4月15日的扫描图像中感兴趣区域的勾画图像这3个不同时期的扫描图像的感兴趣区域的勾画图像，其中，这3个时期的扫描图像的感兴趣区域的勾画图像中感兴趣区域的位置相同，但这3个时期的扫描图像的感兴趣区域的勾画图像中感兴趣区域随着时间的推移，越来越大，即可知不同时期的扫描图像中感兴趣区域的勾画图像的变化趋势是越来越大。则若此时在2020年4月15日后该目标对象又进行了一次图像扫描，这次的扫描图像经勾画模型预测出该扫描图像上感兴趣区域的勾画图像中的感兴趣区域与之前3个时期在同一位置，且比2020年4月15日那次的扫描图像的感兴趣区域的勾画图像中的感兴趣区域要大。则可间接证明此次的经勾画模块预测出的扫描图像上感兴趣区域的勾画图像是相对准确的。
这样可基于不同时期的扫描图像中感兴趣区域的勾画图像的位置信息和变化趋势对所述新增扫描图像上对感兴趣区域的勾画图像进行校验，达到了间接校验基于勾画模型得到的新增扫描图像的感兴趣区域的勾画图像是否正确的目的。
S360、基于所述新增扫描图像上感兴趣区域的勾画图像和所述原始图像上感兴趣区域的勾画图像的变化信息，以及所述新增扫描图像和所述原始图像的扫描时间差，确定所述感兴趣区域的变化评价。
示例性的，变化信息可以是新增扫描图像上感兴趣区域的勾画图像中的感兴趣区域与原始图像上感兴趣区域的勾画图像中的感兴趣区域的变化情况。扫描时间差可以是新增扫描图像和原始图像的扫描时间的差距。变化评价可以是感兴趣区域的变化情况的评价。
参考图4所述的感兴趣区域的变化评价确定示意图，如图4所示，若已知新增扫描图像上感兴趣区域的勾画图像中的感兴趣区域较原始图像上感兴趣区域的勾画图像中的感兴趣区域是变大的趋势，且新增扫描图像的扫描时间较原始图像的扫描时间晚。例如，原始图像的扫描时间为2020年5月9日，新增扫描图像的扫描时间为2020年5月30日，原始图像上感兴趣区域的勾画图像中的感兴趣区域的范围为图4中A圆圈，新增扫描图像上感兴趣区域的勾画图像中的感兴趣区域的范围为图4中B圆圈，若此时经勾画模型预测出在2020年5月30日之后2020年6月17日该目标对象的扫描图像上感兴趣区域的勾画图像的感兴趣区域的范围为图4中的C圆圈，由图4可看出，C圆圈与B圆圈的距离D2，比B圆圈和A圆圈的距离D1大很多，则此时可评价该目标对象的感兴趣区域在2020年5月30日-2020年6月17日期间发生了较大的变化，可能是该目标对象的感兴趣区域发生了恶化，则可提醒医师对其采取对应的措施。
这样可基于感兴趣区域的变化评价，来提醒医生采取对应的措施，避免目标对象的感兴趣区域无限变化，而造成目标对象更大的生命和财产损失。
本发明实施例的技术方案，通过存储所述目标对象在不同时期的扫描图像以及所述扫描图像的感兴趣区域的勾画图像，基于不同时期的扫描图像中感兴趣区域的勾画图像的位置信息和变化趋势对所述新增扫描图像上对感兴趣区域的勾画图像进行校验，达到了间接校验基于勾画模型得到的新增扫描图像的感兴趣区域的勾画图像是否正确的目的。基于所述新增扫描图像上感兴趣区域的勾画图像和所述原始图像上感兴趣区域的勾画图像的变化信息，以及所述新增扫描图像和所述原始图像的扫描时间差，确定所述感兴趣区域的变化评价，这样可基于感兴趣区域的变化评价，来提醒医生采取对应的措施，避免目标对象的感兴趣区域无限变化，而造成目标对象更大的生命和财产损失。
实施例四
图5为本发明实施例四提供的感兴趣区域的勾画方法的流程图，本发明实施例为上述各发明实施例的技术方案的一种优选方案，其中与上述各实施例一到实施例三中相同或相应的术语的解释在此不再赘述。
如图5所示，本发明实施例的方法具体包括如下步骤：
S410、基于各组历史图像数据中的历史第一图像和历史第二图像输入待训练的勾画模型中，输出历史第二图像中的预测勾画信息，其中，预测勾画信息基于历史第二图像的解剖信息和/或历史第一图像和历史第二图像之间的图像变化信息确定。
示例性的，这里的历史图像数据包括历史第一图像和历史第二图像，这里的历史第一图像和历史第二图像中均包含对感兴趣区域的勾画信息。这里的历史第一图像和历史第二图像为同一目标对象在不同时期的扫描图像。
预测勾画信息可以是将历史第一图像和历史第二图像输入待训练的勾画模型中，模型输出的历史第二图像中的感兴趣区域的勾画信息。这里的预测勾画信息是基于历史第二图像的解剖信息和/或，历史第一图像和历史第二图像之间的图像变化信息来确定。这里的解剖信息可以是历史第二图像中的需要勾画的感兴趣区域。这里的历史第一图像和历史第二图像之间的图像变化信息可以是历史第一图像中的感兴趣区域和历史第二图像中的感兴趣区域的变化情况。
这样以便后续基于预测勾画信息对勾画模型进行迭代训练。
可选的，所述预测勾画信息基于历史第二图像的解剖信息和/或历史第一图像和历史第二图像之间的图像变化信息确定包括以下至少一种：对历史第二图像进行自动分割确定感兴趣区域；对历史第一图像和历史第二图像进行刚性配准确定历史第二图像上的感兴趣区域；对历史第一图像和历史第二图像进行非刚性配准确定历史第二图像上的感兴趣区域。
示例性的，利用勾画模型，将历史第二图像中的解剖信息进行自动分割，即可得到该历史第二图像的预测勾画信息。和/或，对历史第一图像和历史第二图像进行刚性配置，来确定历史第二图像上的感兴趣区域。和/或，对历史第一图像和历史第二图像进行非刚性配置(例如，形变配准)来确定历史第二图像上的感兴趣区域。
S420、基于历史第二图像的勾画信息和预测勾画信息对待训练的勾画模型进行迭代训练。
示例性的，这里的历史第二图像的勾画信息为已知的实际的历史第二图像上的感兴趣的勾画信息，将基于勾画模型得到的预测勾画信息与历史第二图像的实际勾画信息进行比对，若比对结果相符，则证明该勾画模型的预测结果较好，若比对结果不相符，则证明该勾画模型的预测结果不好，需调整该勾画模型的参数，当勾画模型的损失函数符合预设要求时，例如，勾画模型的损失函数小于预设阈值时，则证明该勾画模型训练完成。这样可以基于训练好的勾画模型对待勾画的图像进行感兴趣区域的勾画，实现了快速准确的对新增扫描图像中的感兴趣区域进行勾画的效果。
S430、获取目标对象的第一图像和待勾画的第二图像，所述第一图像包含对感兴趣区域的勾画信息。
示例性的，这里的第一图像可以是目标对象的在当前时间之前时间扫描的图像。第二图像可以是目标对象在当前时间新扫描的图像。这里的第一图像中包含了对感兴趣区域的勾画信息。这样以便后续基于获取的目标对象的第一图像和第二图像，将第二图像中的感兴趣区域进行勾画。
S440、将所述第一图像和所述待勾画的第二图像输入训练好的勾画模型中，得到所述第二图像上对感兴趣区域的勾画信息，其中，所述勾画模型基于多组历史图像数据的解剖信息和/或图像变化信息进行训练得到。
示例性的，将获取的第一图像和待勾画的第二图像输入训练好的勾画模型中，这样该勾画模型就会输出待勾画的第二图像上对感兴趣区域的勾画信息，这样解决了现有技术中通过医师人为的凭经验对待勾画的第二图像上的感兴趣区域进行勾画，造成效率低下、准确率低的问题，这样实现了快速准确的对待勾画的第二图像中的感兴趣区域进行勾画的效果。
本发明实施例的技术方案，通过多组历史图像数据的解剖信息和/或图像变化信息进行训练得到的训练好的勾画模型，将获取的第一图像和待勾画的第二图像输入训练好的勾画模型中，得到待勾画的第二图像上对感兴趣区域的勾画信息，这样解决了现有技术中通过医师人为的凭经验对待勾画的第二图像上的感兴趣区域进行勾画，造成效率低下、准确率低的问题，这样实现了快速准确的对待勾画的第二图像中的感兴趣区域进行勾画的效果。
实施例五
图6为本发明实施例五提供的感兴趣区域的勾画装置的结构示意图，如图6所示，该装置包括：第一图像获取模块31和第一感兴趣区域勾画模块32。
其中，第一图像获取模块31，获取目标对象的新增扫描图像、原始图像和原始图像中感兴趣区域的勾画图像，其中所述新增扫描图像和所述原始图像为所述目标对象在不同时期同一部位的扫描图像；
第一感兴趣区域勾画模块32，将所述新增扫描图像、所述原始图像和所述原始图像中感兴趣区域的勾画图像输入训练好的勾画模型中，得到所述目标对象的新增扫描图像上对感兴趣区域的勾画图像，其中，所述勾画模型是基于多组不同时期的历史图像数据进行训练得到的。
可选的，所述历史图像数据包括：同一对象的历史原始图像、历史原始图像上感兴趣区域的勾画图像、历史新增扫描图像和历史新增扫描图像上感兴趣区域的勾画图像。
在上述实施例的技术方案的基础上，该装置还包括：
感兴趣区域的勾画预测图像获取模块，用于基于各对象的所述历史图像数据中的历史原始图像、历史原始图像上感兴趣区域的勾画图像和历史新增扫描图像输入待训练的勾画模型中，输出所述历史新增扫描图像上感兴趣区域的勾画预测图像，其中，所述勾画模型用于对各对象的所述历史原始图像、历史原始图像上感兴趣区域的勾画图像和历史新增扫描图像进行预处理，以及基于预处理后的历史原始图像、历史原始图像上感兴趣区域的勾画图像对所述历史新增扫描图像进行预测；
第一模型训练模块，用于基于历史新增扫描图像上感兴趣区域的勾画预测图像和所述历史新增扫描图像上感兴趣区域的勾画图像对所述待训练的勾画模型进行迭代训练。
可选的，所述预处理包括：刚性配准和/或形变配准。
可选的，所述新增扫描图像和所述原始图像为同一类型的扫描图像，或者，所述新增扫描图像和所述原始图像为不同类型的扫描图像；所述扫描图像的类型包括：电子计算机断层扫描图像、锥形束电子计算机断层扫描图像、磁共振成像图像、正电子发射断层成像图像。
可选的，当所述目标对象的新增扫描图像对应的原始图像包括至少一个时，基于所述原始图像的扫描时间戳，确定对所述新增扫描图像进行预测的原始图像，其中，所述对所述新增扫描图像进行预测的原始图像为与当前时间距离最短的扫描时间戳对应的原始图像。
在上述实施例的技术方案的基础上，该装置还包括：
校验模块，用于存储所述目标对象在不同时期的扫描图像以及所述扫描图像的感兴趣区域的勾画图像；基于所述不同时期的扫描图像中感兴趣区域的勾画图像的位置信息和变化趋势对所述新增扫描图像上对感兴趣区域的勾画图像进行校验。
变化评价确定模块，用于基于所述新增扫描图像上感兴趣区域的勾画图像和所述原始图像上感兴趣区域的勾画图像的变化信息，以及所述新增扫描图像和所述原始图像的扫描时间差，确定所述感兴趣区域的变化评价。
本发明实施例所提供的感兴趣区域的勾画装置可执行本发明实施例一至三中任意实施例所提供的感兴趣区域的勾画方法，具备执行方法相应的功能模块和有益效果。
实施例六
图7为本发明实施例六提供的感兴趣区域的勾画装置的结构示意图，如图6所示，该装置包括：第二图像获取模块41和第二感兴趣区域勾画模块42。
其中，第二图像获取模块41，用于获取目标对象的第一图像和待勾画的第二图像，所述第一图像包含对感兴趣区域的勾画信息；
第二感兴趣区域勾画模块42，用于将所述第一图像和所述待勾画的第二图像输入训练好的勾画模型中，得到所述第二图像上对感兴趣区域的勾画信息，其中，所述勾画模型基于多组历史图像数据的解剖信息和/或图像变化信息进行训练得到。
可选的，所述历史图像数据包括历史第一图像和历史第二图像，所述历史第一图像和历史第二图像均包含对感兴趣区域的勾画信息。
在上述实施例的技术方案的基础上，该装置还包括：
预测勾画信息输出模块，用于基于各组历史图像数据中的历史第一图像和历史第二图像输入待训练的勾画模型中，输出所述历史第二图像中的预测勾画信息，其中，所述预测勾画信息基于历史第二图像的解剖信息和/或历史第一图像和历史第二图像之间的图像变化信息确定；
第二模型训练模块，用于基于所述历史第二图像的勾画信息和预测勾画信息对所述待训练的勾画模型进行迭代训练。
可选的，所述预测勾画信息基于历史第二图像的解剖信息和/或历史第一图像和历史第二图像之间的图像变化信息确定包括以下至少一种：对历史第二图像进行自动分割确定感兴趣区域；对历史第一图像和历史第二图像进行刚性配准确定历史第二图像上的感兴趣区域；对历史第一图像和历史第二图像进行非刚性配准确定历史第二图像上的感兴趣区域。
可选的，所述第一图像和第二图像是不同时期获取的图像。
本发明实施例所提供的感兴趣区域的勾画装置可执行本发明实施例四所提供的感兴趣区域的勾画方法，具备执行方法相应的功能模块和有益效果。
实施例七
图8为本发明实施例七提供的一种设备的结构示意图，如图8所示，该设备包括处理器70、存储器71、输入装置72和输出装置73；设备中处理器70的数量可以是一个或多个，图8中以一个处理器70为例；设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接，图8中以通过总线连接为例。
存储器71作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的感兴趣区域的勾画方法对应的程序指令/模块(例如，第一图像获取模块31和第一感兴趣区域勾画模块32，和/或，第二图像获取模块41和第二感兴趣区域勾画模块42)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的感兴趣区域的勾画方法。
存储器71可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器71可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器71可进一步包括相对于处理器70远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置72可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
实施例八
本发明实施例八还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种感兴趣区域的勾画方法。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的感兴趣区域的勾画方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述感兴趣区域的勾画装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种感兴趣区域的勾画方法，其特征在于，包括：
获取目标对象的新增扫描图像、原始图像和原始图像中感兴趣区域的勾画图像，其中所述新增扫描图像和所述原始图像为所述目标对象在不同时期同一部位的扫描图像；
将所述新增扫描图像、所述原始图像和所述原始图像中感兴趣区域的勾画图像输入训练好的勾画模型中，得到所述目标对象的新增扫描图像上对感兴趣区域的勾画图像，其中，所述勾画模型是基于多组不同时期的历史图像数据进行训练得到的；
所述历史图像数据包括：同一对象的历史原始图像、历史原始图像上感兴趣区域的勾画图像、历史新增扫描图像和历史新增扫描图像上感兴趣区域的勾画图像。
2.根据权利要求1所述的方法，其特征在于，所述勾画模型的训练方法，包括：
基于各对象的所述历史图像数据中的历史原始图像、历史原始图像上感兴趣区域的勾画图像和历史新增扫描图像输入待训练的勾画模型中，输出所述历史新增扫描图像上感兴趣区域的勾画预测图像，其中，所述勾画模型用于对各对象的所述历史原始图像、历史原始图像上感兴趣区域的勾画图像和历史新增扫描图像进行预处理，以及基于预处理后的历史原始图像、历史原始图像上感兴趣区域的勾画图像对所述历史新增扫描图像进行预测；
基于历史新增扫描图像上感兴趣区域的勾画预测图像和所述历史新增扫描图像上感兴趣区域的勾画图像对所述待训练的勾画模型进行迭代训练。
3.根据权利要求2所述的方法，其特征在于，所述预处理包括：刚性配准和/或形变配准。
4.根据权利要求1所述的方法，其特征在于，所述新增扫描图像和所述原始图像为同一类型的扫描图像，或者，所述新增扫描图像和所述原始图像为不同类型的扫描图像；
所述扫描图像的类型包括：电子计算机断层扫描图像、锥形束电子计算机断层扫描图像、磁共振成像图像、正电子发射断层成像图像。
5.根据权利要求1所述的方法，其特征在于，当所述目标对象的新增扫描图像对应的原始图像包括至少一个时，基于所述原始图像的扫描时间戳，确定对所述新增扫描图像进行预测的原始图像，其中，所述对所述新增扫描图像进行预测的原始图像为与当前时间距离最短的扫描时间戳对应的原始图像。
6.一种感兴趣区域的勾画方法，其特征在于，包括：
获取目标对象的第一图像和待勾画的第二图像，所述第一图像包含对感兴趣区域的勾画信息；其中，所述第一图像和所述第二图像为所述目标对象在不同时期同一部位的扫描图像；
将所述第一图像和所述待勾画的第二图像输入训练好的勾画模型中，得到所述第二图像上对感兴趣区域的勾画信息，其中，所述勾画模型基于多组历史图像数据的解剖信息和/或图像变化信息进行训练得到；
所述历史图像数据包括历史第一图像和历史第二图像，所述历史第一图像和历史第二图像均包含对感兴趣区域的勾画信息。
7.根据权利要求6所述的方法，其特征在于，所述勾画模型的训练方法包括：
基于各组历史图像数据中的历史第一图像和历史第二图像输入待训练的勾画模型中，输出所述历史第二图像中的预测勾画信息，其中，所述预测勾画信息基于历史第二图像的解剖信息和/或历史第一图像和历史第二图像之间的图像变化信息确定；
基于所述历史第二图像的勾画信息和预测勾画信息对所述待训练的勾画模型进行迭代训练。
8.根据权利要求7所述的方法，其特征在于，所述预测勾画信息基于历史第二图像的解剖信息和/或历史第一图像和历史第二图像之间的图像变化信息确定包括以下至少一种：
对历史第二图像进行自动分割确定感兴趣区域；
对历史第一图像和历史第二图像进行刚性配准确定历史第二图像上的感兴趣区域；
对历史第一图像和历史第二图像进行非刚性配准确定历史第二图像上的感兴趣区域。
9.一种感兴趣区域的勾画装置，其特征在于，包括：
第一图像获取模块，用于获取目标对象的新增扫描图像、原始图像和原始图像中感兴趣区域的勾画图像，其中所述新增扫描图像和所述原始图像为所述目标对象在不同时期同一部位的扫描图像；
第一感兴趣区域勾画模块，用于将所述新增扫描图像、所述原始图像和所述原始图像中感兴趣区域的勾画图像输入训练好的勾画模型中，得到所述目标对象的新增扫描图像上对感兴趣区域的勾画图像，其中，所述勾画模型是基于多组不同时期的历史图像数据进行训练得到的；
所述历史图像数据包括：同一对象的历史原始图像、历史原始图像上感兴趣区域的勾画图像、历史新增扫描图像和历史新增扫描图像上感兴趣区域的勾画图像。
10.一种感兴趣区域的勾画装置，其特征在于，包括：
第二图像获取模块，用于获取目标对象的第一图像和待勾画的第二图像，所述第一图像包含对感兴趣区域的勾画信息；其中，所述第一图像和所述第二图像为所述目标对象在不同时期同一部位的扫描图像；
第二感兴趣区域勾画模块，用于将所述第一图像和所述待勾画的第二图像输入训练好的勾画模型中，得到所述第二图像上对感兴趣区域的勾画信息，其中，所述勾画模型基于多组历史图像数据的解剖信息和/或图像变化信息进行训练得到；
其中，所述历史图像数据包括历史第一图像和历史第二图像，所述历史第一图像和历史第二图像均包含对感兴趣区域的勾画信息。
11.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的感兴趣区域的勾画方法和/或权利要求6-8中任一所述的感兴趣区域的勾画方法。
12.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-5中任一所述的感兴趣区域的勾画方法和/或权利要求6-8中任一所述的感兴趣区域的勾画方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010591885.2A CN111784705B (zh) | 2020-06-24 | 2020-06-24 | 感兴趣区域的勾画方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010591885.2A CN111784705B (zh) | 2020-06-24 | 2020-06-24 | 感兴趣区域的勾画方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111784705A CN111784705A (zh) | 2020-10-16 |
| CN111784705B true CN111784705B (zh) | 2024-04-02 |
Family
ID=72760543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010591885.2A Active CN111784705B (zh) | 2020-06-24 | 2020-06-24 | 感兴趣区域的勾画方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111784705B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113689938B (zh) * | 2021-07-14 | 2024-03-05 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 医学影像的勾画方法、装置、存储介质及处理器 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008050226A2 (en) * | 2006-10-26 | 2008-05-02 | Ge Healthcare Limited | Method and system for outlining a region in positron emission tomography studies |
| US8644578B1 (en) * | 2008-04-25 | 2014-02-04 | Stratovan Corporation | Method and apparatus of identifying objects of interest using imaging scans |
| CN103914824A (zh) * | 2012-12-31 | 2014-07-09 | 南方医科大学南方医院 | 医学图像多目标区域勾画及任意目标区域面积计算方法 |
| WO2016059493A1 (en) * | 2014-10-13 | 2016-04-21 | Koninklijke Philips N.V. | Classification of a health state of tissue of interest based on longitudinal features |
| CN107358600A (zh) * | 2017-06-14 | 2017-11-17 | 北京全域医疗技术有限公司 | 放疗计划中的自动勾靶方法、装置和电子设备 |
| WO2018115039A1 (en) * | 2016-12-21 | 2018-06-28 | Koninklijke Philips N.V. | Image-assisted automatic patient positioning for improved imaging performance |
| CN108288496A (zh) * | 2018-01-26 | 2018-07-17 | 中国人民解放军总医院 | 肿瘤容积智能勾画方法和装置 |
| CN108460813A (zh) * | 2018-01-02 | 2018-08-28 | 沈阳东软医疗系统有限公司 | 一种靶区勾画方法和装置 |
| CN109615642A (zh) * | 2018-11-05 | 2019-04-12 | 北京全域医疗技术有限公司 | 一种放疗计划中的危及器官自动勾画方法及装置 |
| CN109712186A (zh) * | 2018-12-11 | 2019-05-03 | 上海联影医疗科技有限公司 | 图像中勾画感兴趣区域的方法、计算机设备和存储介质 |
| 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 |
| CN109949905A (zh) * | 2019-02-28 | 2019-06-28 | 福建自贸区试验区厦门片区Manteia数据科技有限公司 | 一种基于靶区的三维剂量分布预测方法 |
| CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
| CN110310287A (zh) * | 2018-03-22 | 2019-10-08 | 北京连心医疗科技有限公司 | 基于神经网络的危及器官自动勾画方法、设备和存储介质 |
| CN110706217A (zh) * | 2019-09-26 | 2020-01-17 | 中国石油大学(华东) | 一种基于深度学习的肺部肿瘤自动勾画方法 |
| CN110739049A (zh) * | 2019-10-10 | 2020-01-31 | 上海联影智能医疗科技有限公司 | 图像勾画方法、装置、存储介质及计算机设备 |
| CN111105424A (zh) * | 2019-12-19 | 2020-05-05 | 广州柏视医疗科技有限公司 | 淋巴结自动勾画方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7158692B2 (en) * | 2001-10-15 | 2007-01-02 | Insightful Corporation | System and method for mining quantitive information from medical images |
| CN109493328B (zh) * | 2018-08-31 | 2020-08-04 | 上海联影智能医疗科技有限公司 | 医学图像显示方法、查看设备以及计算机设备 |
-
2020
- 2020-06-24 CN CN202010591885.2A patent/CN111784705B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008050226A2 (en) * | 2006-10-26 | 2008-05-02 | Ge Healthcare Limited | Method and system for outlining a region in positron emission tomography studies |
| US8644578B1 (en) * | 2008-04-25 | 2014-02-04 | Stratovan Corporation | Method and apparatus of identifying objects of interest using imaging scans |
| CN103914824A (zh) * | 2012-12-31 | 2014-07-09 | 南方医科大学南方医院 | 医学图像多目标区域勾画及任意目标区域面积计算方法 |
| WO2016059493A1 (en) * | 2014-10-13 | 2016-04-21 | Koninklijke Philips N.V. | Classification of a health state of tissue of interest based on longitudinal features |
| WO2018115039A1 (en) * | 2016-12-21 | 2018-06-28 | Koninklijke Philips N.V. | Image-assisted automatic patient positioning for improved imaging performance |
| CN107358600A (zh) * | 2017-06-14 | 2017-11-17 | 北京全域医疗技术有限公司 | 放疗计划中的自动勾靶方法、装置和电子设备 |
| CN108460813A (zh) * | 2018-01-02 | 2018-08-28 | 沈阳东软医疗系统有限公司 | 一种靶区勾画方法和装置 |
| CN108288496A (zh) * | 2018-01-26 | 2018-07-17 | 中国人民解放军总医院 | 肿瘤容积智能勾画方法和装置 |
| CN110310287A (zh) * | 2018-03-22 | 2019-10-08 | 北京连心医疗科技有限公司 | 基于神经网络的危及器官自动勾画方法、设备和存储介质 |
| CN109615642A (zh) * | 2018-11-05 | 2019-04-12 | 北京全域医疗技术有限公司 | 一种放疗计划中的危及器官自动勾画方法及装置 |
| CN109712186A (zh) * | 2018-12-11 | 2019-05-03 | 上海联影医疗科技有限公司 | 图像中勾画感兴趣区域的方法、计算机设备和存储介质 |
| 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 |
| CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
| CN109949905A (zh) * | 2019-02-28 | 2019-06-28 | 福建自贸区试验区厦门片区Manteia数据科技有限公司 | 一种基于靶区的三维剂量分布预测方法 |
| 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 |
| CN110706217A (zh) * | 2019-09-26 | 2020-01-17 | 中国石油大学(华东) | 一种基于深度学习的肺部肿瘤自动勾画方法 |
| CN110739049A (zh) * | 2019-10-10 | 2020-01-31 | 上海联影智能医疗科技有限公司 | 图像勾画方法、装置、存储介质及计算机设备 |
| CN111105424A (zh) * | 2019-12-19 | 2020-05-05 | 广州柏视医疗科技有限公司 | 淋巴结自动勾画方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于人工智能技术的危及器官自动勾画在胸部肿瘤中的应用;王沛沛等;《中国医学物理学杂志》;20191231;第36卷(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111784705A (zh) | 2020-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109872333B (zh) | 医学影像分割方法、装置、计算机设备和存储介质 | |
| US11593943B2 (en) | RECIST assessment of tumour progression | |
| US11715203B2 (en) | Image processing method and apparatus, server, and storage medium | |
| CN107622493B (zh) | 用于分割医学图像中的对象的方法和数据处理单元 | |
| US11756209B2 (en) | Method and apparatus for automated target and tissue segmentation using multi-modal imaging and ensemble machine learning models | |
| US10592820B2 (en) | Sequential learning technique for medical image segmentation | |
| CN111445440B (zh) | 一种医学图像分析方法、设备和存储介质 | |
| CN112673395A (zh) | 用于放射治疗计划的医学图像中的器官分割的3d卷积神经网络 | |
| CN110838104B (zh) | 多时间点的感兴趣区域匹配方法、设备和存储介质 | |
| CN106462974B (zh) | 用于分割图像的参数优化 | |
| US10762629B1 (en) | Segmenting medical images | |
| EP2810250B1 (en) | Object image labeling apparatus, method and program | |
| US11886543B2 (en) | Interactive iterative image annotation | |
| CN110378913A (zh) | 图像分割方法、装置、设备及存储介质 | |
| CN113240661B (zh) | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 | |
| JP2007530088A (ja) | オブジェクト特有のセグメンテーション | |
| CN111369588B (zh) | 感兴趣区域处理方法、装置、设备和存储介质 | |
| CN111784705B (zh) | 感兴趣区域的勾画方法、装置、设备和存储介质 | |
| CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
| CN108597589B (zh) | 模型生成方法、目标检测方法及医学成像系统 | |
| CN113963155A (zh) | 自动计划方法、装置和计算机可读存储介质 | |
| Dey et al. | AnyStar: Domain randomized universal star-convex 3D instance segmentation | |
| CN112200780B (zh) | 骨组织定位方法、装置、计算机设备和存储介质 | |
| CN116128912A (zh) | 一种髋关节图像的分割方法、装置、设备及介质 | |
| CN116168097A (zh) | 构建cbct勾画模型和勾画cbct图像的方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |