CN111798498A - 图像处理方法及装置、电子设备和存储介质 - Google Patents

图像处理方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111798498A
CN111798498A CN202010686919.6A CN202010686919A CN111798498A CN 111798498 A CN111798498 A CN 111798498A CN 202010686919 A CN202010686919 A CN 202010686919A CN 111798498 A CN111798498 A CN 111798498A
Authority
CN
China
Prior art keywords
image
segmentation result
neural network
deformation field
target object
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.)
Pending
Application number
CN202010686919.6A
Other languages
English (en)
Inventor
张宏
张靖阳
夏清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Shangtang Shancui Medical Technology Co ltd
Original Assignee
Shanghai Sensetime Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Sensetime Intelligent Technology Co Ltd filed Critical Shanghai Sensetime Intelligent Technology Co Ltd
Priority to CN202010686919.6A priority Critical patent/CN111798498A/zh
Publication of CN111798498A publication Critical patent/CN111798498A/zh
Priority to PCT/CN2020/140330 priority patent/WO2022011984A1/zh
Priority to JP2021578004A priority patent/JP2022543531A/ja
Priority to KR1020217043238A priority patent/KR20220016212A/ko
Priority to TW110109421A priority patent/TWI767614B/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Multi-Process Working Machines And Systems (AREA)

Abstract

本公开涉及一种图像处理方法及装置、电子设备和存储介质。所述方法包括：获取第一图像中目标对象的第一分割结果；获取第二图像中目标对象的第二分割结果；根据所述第一分割结果与所述第二分割结果，得到所述第一图像与所述第二图像之间的形变场，其中，所述形变场包括所述目标对象在所述第一图像与所述第二图像之间的每个像素点的位置变换关系。通过上述过程，可以使得第一图像与第二图像之间目标对象的信息融合可以具有更高的精度。

Description

图像处理方法及装置、电子设备和存储介质
技术领域
本公开涉及图像处理技术领域，尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
冠心病已经成为世界上死亡率最高的疾病之一，常见的治疗方案是经皮冠状动脉介入手术。经皮冠状动脉介入手术是在术中X光的引导下，利用导管扩张血管狭窄部分以到达治疗的目的。但是在手术过程中，心脏冠脉的X光图像内显示的血管会随着造影剂的消散变得不可见，这给医生带来了很大的挑战，手术的成功率也依赖医生的实际经验。
手术前拍摄的电子计算机断层扫描血管造影(CTA，CT Angiography)图像能很好地展现血管结构，但是由于不能术中实时拍摄，因此无法在手术过程中给予医生指导。如何利用手术前的CTA图像和手术过程中的X光图像，为手术过程提供更好的指导，成为目前一个亟待解决的问题。
发明内容
本公开提出了一种图像处理技术方案。
根据本公开的一方面，提供了一种图像处理方法，包括：
获取第一图像中目标对象的第一分割结果；获取第二图像中目标对象的第二分割结果；根据所述第一分割结果与所述第二分割结果，得到所述第一图像与所述第二图像之间的形变场，其中，所述形变场包括所述目标对象在所述第一图像与所述第二图像之间的每个像素点的位置变换关系。
通过上述过程，可以确定目标对象在第一图像与第二图像之间每个像素点的位置变换关系，利用该位置变换关系，可以将第一图像和第二图像之间目标对象的图像信息融合到同一坐标系，从而可以同时利用第一图像与第二图像包含的目标对象的图像信息，对目标对象后续需要执行的操作提供全面的指导；而且，由于该位置变换关系为目标对象每个像素点所对应的变换关系，因此，第一图像与第二图像之间目标对象的信息融合可以具有更高的精度。
在一种可能的实现方式中，所述根据所述第一分割结果与所述第二分割结果，得到所述第一图像与所述第二图像之间的形变场，包括：将所述第一分割结果与所述第二分割结果输入至第一神经网络，得到所述第一图像与所述第二图像的形变场。
通过上述过程，一方面可以利用神经网络，实现端到端的形变场预测，与逐像素点确定位置变换关系相比，可以大大缩短形变场的获取时间，提高形变场的获取效率，继而有效提升整个图像处理过程以及后续图像配准过程的效率；另一方面，通过神经网络获取的形变场，可以包含第一图像与第二图像之间每个像素点的位置变换关系，可以最大化形变场的自由度，提升了形变场的精度和准确率，从而提高整个图像处理过程以及后续进行图像配准过程的精度。
在一种可能的实现方式中，所述第一图像包括三维图像，所述第二图像包括二维图像；所述根据所述第一分割结果与所述第二分割结果，得到所述第一图像与所述第二图像之间的形变场，包括：根据所述第二图像的采集信息，将所述第一分割结果转换为二维的第三分割结果；将所述第三分割结果与所述第二分割结果输入至第一神经网络，得到所述第一图像与所述第二图像之间的形变场。
通过上述过程，可以利用二维的第二图像的采集信息，将第一图像的第一分割结果投影至二维平面，从而根据两个二维的分割结果来获取第一图像和第二图像之间的形变场，从而使得得到的形变场可以更加准确地反应出目标对象在第一图像与第二图像之间的变换关系，提升图像处理的精度和效果。
在一种可能的实现方式中，所述方法还包括：根据所述形变场，对所述第一图像与所述第二图像进行配准，得到配准结果。
通过根据形变场，对第一图像和第二图像进行配准，得到配准结果，可以利用得到的形变场，灵活地将第一图像中包含的目标对象信息与第二图像中包含的目标对象信息统一与融合到一个坐标系下，从而对将执行的基于目标对象的操作提供全面有效的指导。
在一种可能的实现方式中，所述方法还包括：根据所述形变场，获取所述第一神经网络的误差损失；根据所述误差损失，对所述第一神经网络进行训练。
在本公开实施例中，通过根据形变场获取第一神经网络的误差损失，继而根据误差损失对第一神经网络进行训练，可以直接利用第一神经网络的两个输入图像之间的变换关系对第一神经网络进行训练，无需额外的训练图像或是标注数据等，在保障第一神经网络的训练精度的同时，降低了训练难度和成本。
在一种可能的实现方式中，所述根据所述形变场，获取所述第一神经网络的误差损失，包括：根据所述形变场，对所述第一分割结果进行配准，得到配准后的第一分割结果，将所述配准后的第一分割结果与所述第二分割结果之间的误差作为所述第一神经网络的误差损失；或者，根据所述形变场，对所述第二分割结果进行配准，得到配准后的第二分割结果，将所述配准后的第二分割结果与所述第一分割结果之间的误差作为所述第一神经网络的误差损失；根据所述形变场，对所述第一分割结果进行配准，得到配准后的第一分割结果，将所述配准后的第一分割结果与所述第二图像之间的误差作为所述第一神经网络的误差损失；或者，根据所述形变场，对所述第二分割结果进行配准，得到配准后的第二分割结果，将所述配准后的第二分割结果与所述第一图像之间的误差作为所述第一神经网络的误差损失。
通过上述第一神经网络误差损失的获取过程，可以根据实际情况，灵活选择合适的方式来确定第一神经网络的误差损失，提升第一神经网络训练的灵活性和便捷性。
在一种可能的实现方式中，所述获取第一图像中目标对象的第一分割结果，包括：将所述第一图像输入至第二神经网络，得到所述第一图像中所述目标对象的第一分割结果，其中，所述第二神经网络通过包含目标对象标注的第一训练图像进行训练；或者，将所述第一图像输入至第一神经网络，得到所述第一图像中所述目标对象的第一分割结果，其中，所述第一神经网络还用于根据所述第一分割结果与所述第二分割结果，得到所述第一图像与所述第二图像之间的形变场。
通过第二神经网络或第一神经网络对第一图像中的目标对象进行分割，得到第一分割结果，可以有效提高第一分割结果的获取效率，同时，由于第二神经网络或第一神经网络可以通过包含目标对象标注的第一训练图像训练所获得，因此，基于第二神经网络或第一神经网络得到的第一分割结果，可以具有较高精度的分割效果。进一步地，通过第一神经网络对第一图像中的目标对象进行分割，得到第一分割结果，并进一步通过第一神经网络来得到第一图像与第二图像之间的形变场，通过上述过程，可以在提升第一分割结果的分割效果的基础上，进一步提升获取的形变场的精度，而且可以通过第一神经网络直接实现第一图像端到形变场端的获取过程。
在一种可能的实现方式中，所述获取第二图像中目标对象的第二分割结果，包括：将所述第二图像输入至第三神经网络，得到所述第二图像中所述目标对象的第二分割结果，其中，所述第三神经网络通过包含目标对象标注的第二训练图像进行训练；或者，将所述第二图像输入至第一神经网络，得到所述第二图像中所述目标对象的第二分割结果，其中，所述第一神经网络还用于根据所述第一分割结果与所述第二分割结果，得到所述第一图像与所述第二图像之间的形变场。
通过第三神经网络或第一神经网络对第二图像中的目标对象进行分割，得到第二分割结果，可以有效提高第二分割结果的获取效率，同时，由于第三神经网络或第一神经网络可以通过包含目标对象标注的第二训练图像训练所获得，因此，基于第三神经网络或第一神经网络得到的第二分割结果，可以具有较高精度的分割效果。进一步地，通过第一神经网络对第二图像中的目标对象进行分割，得到第二分割结果，并进一步通过第一神经网络来得到第一图像与第二图像之间的形变场，通过上述过程，可以在提升第二分割结果的分割效果的基础上，进一步提升获取的形变场的精度，而且可以通过第一神经网络直接实现第二图像端到形变场端的获取过程，更进一步地，还可以通过第一神经网络直接实现第一图像与第二图像这两个图像端，到形变场端的获取过程。
在一种可能的实现方式中，所述第一图像包括电子计算机断层扫描血管造影CTA图像，所述第二图像包括X光图像，所述目标对象包括冠状动脉对象。
在第一图像包括CTA图像，第二图像包括X光图像，目标对象包括冠状动脉的情况下，利用本公开实施例提出的图像处理方法，可以有效预测CTA图像与X光图像之间的形变场，从而将冠状动脉手术的两个模态数据统一到同一个坐标系下，补偿冠状动脉手术中X光图像上看不到的冠状动脉血管，为冠状动脉手术提供更好的指导，降低医生的手术复杂程度，提高手术成功率。
根据本公开的一方面，提供了一种图像处理装置，包括：
第一分割模块，用于获取第一图像中目标对象的第一分割结果；第二分割模块，用于获取第二图像中目标对象的第二分割结果；形变场获取模块，用于根据所述第一分割结果与所述第二分割结果，得到所述第一图像与所述第二图像之间的形变场，其中，所述形变场包括所述目标对象在所述第一图像与所述第二图像之间的每个像素点的位置变换关系。
在一种可能的实现方式中，所述形变场获取模块用于：将所述第一分割结果与所述第二分割结果输入至第一神经网络，得到所述第一图像与所述第二图像的形变场。
在一种可能的实现方式中，所述第一图像包括三维图像，所述第二图像包括二维图像；所述形变场获取模块用于：根据所述第二图像的采集信息，将所述第一分割结果转换为二维的第三分割结果；将所述第三分割结果与所述第二分割结果输入至第一神经网络，得到所述第一图像与所述第二图像之间的形变场。
在一种可能的实现方式中，所述装置还用于：根据所述形变场，对所述第一图像与所述第二图像进行配准，得到配准结果。
在一种可能的实现方式中，所述装置还包括：误差获取模块，用于根据所述形变场，获取所述第一神经网络的误差损失；训练模块，用于根据所述误差损失，对所述第一神经网络进行训练。
在一种可能的实现方式中，所述误差获取模块用于：根据所述形变场，对所述第一分割结果进行配准，得到配准后的第一分割结果，将所述配准后的第一分割结果与所述第二分割结果之间的误差作为所述第一神经网络的误差损失；或者，根据所述形变场，对所述第二分割结果进行配准，得到配准后的第二分割结果，将所述配准后的第二分割结果与所述第一分割结果之间的误差作为所述第一神经网络的误差损失；根据所述形变场，对所述第一分割结果进行配准，得到配准后的第一分割结果，将所述配准后的第一分割结果与所述第二图像之间的误差作为所述第一神经网络的误差损失；或者，根据所述形变场，对所述第二分割结果进行配准，得到配准后的第二分割结果，将所述配准后的第二分割结果与所述第一图像之间的误差作为所述第一神经网络的误差损失。
在一种可能的实现方式中，所述第一分割模块用于：将所述第一图像输入至第二神经网络，得到所述第一图像中所述目标对象的第一分割结果，其中，所述第二神经网络通过包含目标对象标注的第一训练图像进行训练；或者，将所述第一图像输入至第一神经网络，得到所述第一图像中所述目标对象的第一分割结果，其中，所述第一神经网络还用于根据所述第一分割结果与所述第二分割结果，得到所述第一图像与所述第二图像之间的形变场。
在一种可能的实现方式中，所述第二分割模块用于：将所述第二图像输入至第三神经网络，得到所述第二图像中所述目标对象的第二分割结果，其中，所述第三神经网络通过包含目标对象标注的第二训练图像进行训练；或者，将所述第二图像输入至第一神经网络，得到所述第二图像中所述目标对象的第二分割结果，其中，所述第一神经网络还用于根据所述第一分割结果与所述第二分割结果，得到所述第一图像与所述第二图像之间的形变场。
在一种可能的实现方式中，所述第一图像包括电子计算机断层扫描血管造影CTA图像，所述第二图像包括X光图像，所述目标对象包括冠状动脉对象。
根据本公开的一方面，提供了一种电子设备，包括：
处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述图像处理方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述图像处理方法。
在本公开实施例中，通过分别获取目标对象在第一图像与第二图像中的第一分割结果和第二分割结果，从而根据第一分割结果与第二分割结果，来得到第一图像中与第二图像之间的形变场。通过上述过程，可以确定目标对象在第一图像与第二图像之间每个像素点的位置变换关系，利用该位置变换关系，可以将第一图像和第二图像之间目标对象的图像信息融合到同一坐标系，从而可以同时利用第一图像与第二图像包含的目标对象的图像信息，对目标对象后续需要执行的操作提供全面的指导；而且，由于该位置变换关系为目标对象每个像素点所对应的变换关系，因此，第一图像与第二图像之间目标对象的信息融合可以具有更高的精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开一实施例的图像处理方法的流程图。
图2示出根据本公开一应用示例的示意图。
图3示出根据本公开一实施例的图像处理装置的框图。
图4示出根据本公开实施例的一种电子设备的框图。
图5示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开一实施例的图像处理方法的流程图，该方法可以应用于图像处理装置，图像处理装置可以为终端设备、服务器或者其他处理设备等。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。
在一些可能的实现方式中，该图像处理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。
如图1所示，所述图像处理方法可以包括：
步骤S11，获取第一图像中目标对象的第一分割结果。
步骤S12，获取第二图像中目标对象的第二分割结果。
步骤S13，根据第一分割结果与第二分割结果，得到第一图像与第二图像之间的形变场，其中，形变场包括目标对象在第一图像与第二图像之间的每个像素点的位置变换关系。
其中，目标对象可以是任何需要在两个图像之间进行配准的对象。其实现形式可以根据本公开实施例中提出的图像处理方法的具体应用场景灵活决定。
本公开实施例提出的图像处理方法可以根据实际需求灵活应用于各种场景。举例来说，在一种可能的实现方式中，本公开实施例提出的方法，可以应用于手术过程中，比如，可以用于对手术前拍摄的图像和手术过程中拍摄的图像进行配准，或是将手术前拍摄的图像和手术后拍摄的图像进行配准等，在这种情况下，目标对象的实现形式可以随着手术所面向对象的不同而灵活发生变化。在一个示例中，本公开实施例提出的方法可以应用于心脏冠脉的手术，比如经皮冠状动脉介入手术等，在这种情况下，目标对象可以是冠状动脉对象等。
在一种可能的实现方式中，本公开实施例提出的方法，也可以应用于其他场景，举例来说，在一种可能的实现方式中，本公开实施例提出的方法，可以应用于对病人的疾病诊断过程中，比如，可以用于对病人在某段时间内拍摄的多个病灶图像相互之间进行配准等，在这种情况下，目标对象的实现形式可以随着所监控的病灶的位置不同而灵活发生变化。在一个示例中，本公开实施例提出的方法可以应用于对病人心脏的状况进行监控，在这种情况下，目标对象可以是心脏对象等。
为了便于描述，后续各公开实施例均以图像处理方法用于心脏冠脉的手术，目标对象为冠状动脉对象为例进行描述，图像处理方法应用于其他场景，目标对象为其他对象的情况，可以根据后续各公开实施例进行灵活扩展，不再一一展开。
第一图像和第二图像的具体实现形式同样可以根据图像处理方法的应用场景所灵活决定，在一种可能的实现方式中，在图像处理方法用于心脏冠脉手术的情况下，第一图像和第二图像可以是心脏冠脉手术前、手术中或手术后等不同时间段所拍摄的图像，具体如何选择不局限于下述公开实施例，比如，第一图像可以是手术前所拍摄的图像，第二图像可以是手术过程中所拍摄的图像。在一种可能的实现方式中，第一图像与第二图像也可以是具有不同属性或类型的图像，比如，第一图像可以是三维图像，第二图像可以是二维图像等。
上述第一图像和第二图像的各种不同可能的实现形式也可以相互之间灵活组合，举例来说，在一种可能的实现方式中，第一图像可以包括手术前所拍摄的三维CTA图像，第二图像可以包括手术过程中所拍摄的X光图像，目标对象可以包括冠状动脉对象。在第一图像包括CTA图像，第二图像包括X光图像，目标对象包括冠状动脉的情况下，利用本公开实施例提出的图像处理方法，可以有效预测CTA图像与X光图像之间的形变场，从而将冠状动脉手术的两个模态数据统一到同一个坐标系下，补偿冠状动脉手术中X光图像上看不到的冠状动脉血管，为冠状动脉手术提供更好的指导，降低医生的手术复杂程度，提高手术成功率。
由于第一图像和第二图像的实现形式不受限定，相应地，第一图像与第二图像的数量在本公开实施例中不做限制，可以根据实际情况灵活选择，不局限于下述公开实施例。在一种可能的实现方式中，第二图像可以包括多个X光图像，即可以实现CTA图像与多个X光图像之间的配准，在一个示例中，这多个X光图像可以是冠状动脉手术过程中，对冠状动脉对象所实时拍摄的多张X光图像，通过将CTA图像与手术过程中拍摄的多张X光图像进行配准，可以实现冠状动脉手术中的实时图像配准，从而在手术过程中更好地实时显示出血管的位置，给医生的手术过程提供实时准确的指导和辅助。
在确定了第一图像、第二图像与目标对象以后，可以分别通过步骤S11和步骤S12，来从第一图像中获取目标对象的第一分割结果，以及从第二图像中获取目标对象的第二分割结果。其中，第一分割结果和第二分割结果中的“第一”与“第二”等编号仅用于区分其为从不同图像中所得到的分割结果，并不对分割结果的实现形式进行限定，实际上，第一分割结果和第二分割结果的实现形式由其对应的被分割的图像以及目标对象的实现形式所灵活决定。步骤S11和步骤S12的实现形式不受限定，可以详见下述各公开实施例，在此先不做展开。需要注意的是，本公开实施例中，步骤S11与步骤S12的实现顺序不受限定，步骤S11和步骤S12既可以根据需求按一定的顺序先后执行，也可以同时执行。
在得到了第一分割结果与第二分割结果以后，可以通过步骤S13，基于第一分割结果与第二分割结果来确定第一图像和第二图像之间的形变场，其中，形变场可以反应第一图像和第二图像之间每个像素点的位置变换关系。步骤S13的具体实现形式可以根据实际情况灵活选择，详见后续各公开实施例，在此先不做展开。
在本公开实施例中，通过分别获取目标对象在第一图像与第二图像中的第一分割结果和第二分割结果，从而根据第一分割结果与第二分割结果，来得到第一图像中与第二图像之间的形变场。通过上述过程，可以确定目标对象在第一图像与第二图像之间每个像素点的位置变换关系，利用该位置变换关系，可以将第一图像和第二图像之间目标对象的图像信息融合到同一坐标系，从而可以同时利用第一图像与第二图像包含的目标对象的图像信息，对目标对象后续需要执行的操作提供全面的指导；而且，由于该位置变换关系为目标对象每个像素点所对应的变换关系，因此，第一图像与第二图像之间目标对象的信息融合可以具有更高的精度。
如上述公开实施例所述，从第一图像中获取目标对象的第一分割结果的方式不受限定。在一种可能的实现方式中，可以通过应用于图像中的任意血管分割算法，来从第一图像中得到第一分割结果。在一种可能的实现方式中，步骤S11可以包括：
将第一图像输入至第二神经网络，得到第一图像中目标对象的第一分割结果，其中，第二神经网络通过包含目标对象标注的第一训练图像进行训练。或者，
将第一图像输入至第一神经网络，得到第一图像中目标对象的第一分割结果，其中，第一神经网络还用于根据第一分割结果与第二分割结果，得到第一图像与第二图像之间的形变场。
通过上述公开实施例可以看出，在一种可能的实现方式中，可以通过具有分割功能的第二神经网络，对第一图像中的目标对象进行分割，从而得到第一分割结果。其中，第二神经网络的具体实现形式可以根据实际情况灵活决定，不局限于下述公开实施例。在一种可能的实现方式中，可以通过U-Net卷积神经网络来作为第二神经网络。训练该第二神经网络的第一训练图像也可以根据第一图像的实际情况灵活选择，在一种可能的实现方式中，在第一图像包括CTA图像的情况下，第一训练图像可以是包含逐像素血管标注的CTA图像。
通过上述公开实施例还可以看出，在一种可能的实现方式中，还可以通过具有分割功能的第一神经网络，对第一图像中的目标对象进行分割，从而得到第一分割结果。其中，基于上述公开实施例可以看出，第一神经网络除了可以用于对第一图像中的目标对象进行分割以外，还可以具有形变场获取功能，即可以用于根据第一分割结果与第二分割结果来得到第一图像与第二图像之间的形变场。在这种情况下，第一神经网络可以通过输入第一图像和第二分割结果，来依次获取第一图像的第一分割结果，以及根据第一分割结果和第二分割结果来得到第一图像和第二图像之间的形变场。
在第一神经网络可以用于对第一图像中的目标对象进行分割，以及获取第一图像与第二图像之间的形变场的情况下，第一神经网络既可以像上述第二神经网络一样，通过包含目标对象标注的第一训练图像进行训练，还可以根据第一分割结果和第二分割结果进行训练，其中，第一分割结果可以为第一训练图像中的目标对象标注，因此，在一种可能的实现方式中，第一神经网络可以通过包含目标对象标注的第一训练图像和第二分割结果进行训练。
进一步地，第一神经网络的具体实现形式和训练过程同样也可以根据实际情况灵活选择，详见后续各公开实施例，在此不进行展开。
通过第二神经网络或第一神经网络对第一图像中的目标对象进行分割，得到第一分割结果，可以有效提高第一分割结果的获取效率，同时，由于第二神经网络或第一神经网络可以通过包含目标对象标注的第一训练图像训练所获得，因此，基于第二神经网络或第一神经网络得到的第一分割结果，可以具有较高精度的分割效果。
进一步地，通过第一神经网络对第一图像中的目标对象进行分割，得到第一分割结果，并进一步通过第一神经网络来得到第一图像与第二图像之间的形变场，通过上述过程，可以在提升第一分割结果的分割效果的基础上，进一步提升获取的形变场的精度，而且可以通过第一神经网络直接实现第一图像端到形变场端的获取过程。
同理，从第二图像中获取目标对象的第而分割结果的方式也不受限定。在一种可能的实现方式中，也可以利用应用于图像中的任意血管分割算法，来从第二图像中得到第二分割结果。在一种可能的实现方式中，步骤S12可以包括：
将第二图像输入至第三神经网络，得到第二图像中目标对象的第二分割结果，其中，第三神经网络通过包含目标对象标注的第二训练图像进行训练。或者，
将第二图像输入至第一神经网络，得到第二图像中目标对象的第二分割结果，其中，第一神经网络还用于根据第一分割结果与所述第二分割结果，得到第一图像与第二图像之间的形变场。
通过上述公开实施例可以看出，在一种可能的实现方式中，可以通过具有分割功能的第三神经网络，对第二图像中的目标对象进行分割，从而得到第二分割结果。其中，第三神经网络的具体实现形式可以根据实际情况灵活决定，不局限于下述公开实施例。在一种可能的实现方式中，也可以通过U-Net卷积神经网络来作为第三神经网络。训练该第三神经网络的第二训练图像也可以根据第二图像的实际情况灵活选择，在一种可能的实现方式中，在第二图像包括X光图像的情况下，第一训练图像可以是包含逐像素血管标注的X光图像。
通过上述公开实施例还可以看出，在一种可能的实现方式中，还可以通过具有分割功能的第一神经网络，对第二图像中的目标对象进行分割，从而得到第二分割结果。其中，基于上述公开实施例可以看出，第一神经网络除了可以用于对第二图像中的目标对象进行分割以外，还可以具有形变场获取功能，即可以用于根据第一分割结果与第二分割结果来得到第一图像与第二图像之间的形变场。在这种情况下，第一神经网络可以通过输入第二图像和第一分割结果，来依次获取第二图像的第二分割结果，以及根据第二分割结果和第一分割结果来得到第一图像和第二图像之间的形变场。
如上述公开实施例所述，第一神经网络也可以用于对第一图像中的目标对象进行分割，因此在一种可能的实现方式中，第一神经网络可以同时包含对第一图像进行分割、对第二图像进行分割以及形变场获取这三种功能，在这种情况下，第一神经网络可以通过输入第一图像和第二图像，来分别获取第一图像的第一分割结果以及第二图像的第二分割结果，并根据第一分割结果和第二分割结果来得到第一图像和第二图像之间的形变场。
在第一神经网络可以用于对第二图像中的目标对象进行分割，以及获取第一图像与第二图像之间的形变场的情况下，第一神经网络可以既可以像上述第三神经网络一样，通过包含目标对象标注的第二训练图像进行训练，还可以根据第一分割结果和第二分割结果进行训练，其中，第二分割结果可以为第二训练图像中的目标对象标注，因此，在一种可能的实现方式中，第一神经网络可以通过包含目标对象标注的第二训练图像和第一分割结果进行训练，进一步地，在第一神经网络既可以对第一图像进行分割，又可以对第二图像进行分割，以及获取形变场的情况下，第一神经网络可以通过包含目标对象标注的第一训练图像和包含目标对象标注的第二训练图像同时进行训练。
进一步地，第一神经网络的具体实现形式和训练过程同样也可以根据实际情况灵活选择，详见后续各公开实施例，在此不进行展开。
需要注意的是，本公开实施例中的第一神经网络、第二神经网络和第三神经网络中的“第一”、“第二”与“第三”等标号，仅用于区分具有不同功能的神经网络，不对神经网络的实现形式所进行限定，在本公开实施例中，第一神经网络、第二神经网络与第三神经网络的实现形式可以相同，也可以不同。
通过第三神经网络或第一神经网络对第二图像中的目标对象进行分割，得到第二分割结果，可以有效提高第二分割结果的获取效率，同时，由于第三神经网络或第一神经网络可以通过包含目标对象标注的第二训练图像训练所获得，因此，基于第三神经网络或第一神经网络得到的第二分割结果，可以具有较高精度的分割效果。
进一步地，通过第一神经网络对第二图像中的目标对象进行分割，得到第二分割结果，并进一步通过第一神经网络来得到第一图像与第二图像之间的形变场，通过上述过程，可以在提升第二分割结果的分割效果的基础上，进一步提升获取的形变场的精度，而且可以通过第一神经网络直接实现第二图像端到形变场端的获取过程，更进一步地，还可以通过第一神经网络直接实现第一图像与第二图像这两个图像端，到形变场端的获取过程。
在得到了第一分割结果和第二分割结果以后，可以通过步骤S13来获取第一图像与第二图像之间的形变场。在一种可能的实现方式中，步骤S13可以包括：
将第一分割结果与第二分割结果输入至第一神经网络，得到第一图像与第二图像的形变场。
通过上述公开实施例可以看出，在一种可能的实现方式中，可以通过具有形变场获取功能的第一神经网络，对第一分割结果和第二分割结果之间的像素点位置变换关系进行提取，从而得到第一分割结果与第二分割结果之间的形变场。进一步地，在一种可能的实现方式中，可以直接将这一第一分割结果与第二分割结果之间的形变场作为第一图像与第二图像之间的形变场；在一种可能的实现方式中，也可以根据第一图像与第一分割结果之间的关系，以及第二图像与第二分割结果之间的关系，将这一形变场对应转换为两个图像之间的变换关系，从而得到第一图像与第二图像之间的形变场。
其中，第一神经网络的具体实现形式可以根据实际情况灵活决定，不局限于下述公开实施例。在一种可能的实现方式中，可以通过U-Net卷积神经网络来作为第一神经网络。如何训练第一神经网络，使得其可以根据输入的第一分割结果和第二分割结果来确定形变场，其训练过程可以参见下述各公开实施例，在此先不做展开。
通过第一神经网络来对第一分割结果和第二分割结果进行处理，从而得到第一图像与第二图像之间的形变场，通过上述过程，一方面可以利用神经网络，实现端到端的形变场预测，与逐像素点确定位置变换关系相比，可以大大缩短形变场的获取时间，提高形变场的获取效率，继而有效提升整个图像处理过程以及后续图像配准过程的效率；另一方面，通过神经网络获取的形变场，可以包含第一图像与第二图像之间每个像素点的位置变换关系，可以最大化形变场的自由度，提升了形变场的精度和准确率，从而提高整个图像处理过程以及后续进行图像配准过程的精度。
进一步地，如上述各公开实施例所述，第一图像与第二图像可能具有不同的属性，在一种可能的实现方式中，第一图像可以包括三维图像，第二图像可以包括二维图像，在这种情况下，根据第一分割结果和第二分割结果获取第一图像与第二图像之间的形变场的过程可以灵活发生变化。因此，在一种可能的实现方式中，步骤S13可以包括：
步骤S131，根据第二图像的采集信息，将第一分割结果转换为二维的第三分割结果；
步骤S132，将第三分割结果与第二分割结果输入至第一神经网络，得到第一图像与第二图像之间的形变场。
如上述公开实施例所述，由于第一图像包括三维图像，第二图像包括二维图像，因此，相应的，从第一图像中获取的第一分割结果可以为三维的分割结果，而第二图像中获取的第二分割结果则可以为二维的分割结果，将第一分割结果转换为二维的分割结果，可以便于后续获取三维的第一图像与二维的第二图像之间的形变场，因此，在一种可能的实现方式中，可以通过步骤S131，来根据第二图像的采集信息，将第一分割结果转换为二维的第三分割结果。
其中，第二图像的采集信息，可以是第二图像采集过程中，与第二图像的采集角度或采集方式所相关的任意信息，其实现形式可以根据实际情况灵活决定，不局限于下述公开实施例。在一种可能的实现方式中，在第二图像为X光图像的情况下，采集信息可以包括第二图像的医学数字成像和通信(DICOM，Digital Imaging and Communications inMedicine)的头文件信息，通过读取DICOM头文件信息，可以确定X光图像拍摄的角度。
根据采集信息将第一分割结果转换为二维的第三分割结果的方式同样不受限定，可以根据采集信息的实际情况所灵活确定。在一种可能的实现方式中，在采集信息可以包括DICOM的头文件信息的情况下，可以根据DICOM头文件信息确定第二图像的拍摄角度，并根据该拍摄角度，对第一分割结果进行投影，得到第三分割结果。其中对第一分割结果进行投影的方式不作限定，在一个示例中，可以通过光线投影算法来得到投影后的第三分割结果。
在得到了二维的第三分割结果后，可以通过步骤S132，将第三分割结果与第二分割结果输入至第一神经网络，得到第一图像与第二图像之间的形变场。其中，第一神经网络以及第一神经网络对第三分割结果和第二分割结果的处理方式，可以参见上述公开实施例中第一神经网络对第一分割结果和第二分割结果的处理方式，在此不再赘述。
需要注意的是，在本公开实施例中，将第一分割结果处理为第三分割结果后，再基于第三分割结果和第二分割结果通过第一神经网络所得到的形变场，为第三分割结果和第二分割结果之间的形变场，在一种可能的实现方式中，可以将这一形变场直接作为第一图像与第二图像之间的形变场；在一种可能的实现方式中，也可以根据第一图像变换至第三分割结果，以及第二图像变换至第二分割结果之间的对应关系，对这一形变场进行进一步处理，来得到第一图像与第二图像之间直接的形变场。随着形变场实现形式的不同，后续利用此形变场对第一图像和第二图像所执行处理的操作，也可以相应发生变化。
在一种可能的实现方式中，将第一分割结果转换为第三分割结果的过程，也可以通过第一神经网络来实现，在这种情况下，第一神经网络可以直接将第一分割结果和第二分割结果作为输入，在神经网络内部依次进行第一分割结果到第三分割结果的转换，以及根据第三分割结果和第二分割结果来得到第一图像与第二图像之间的形变场。
在第一图像包括三维图像，第二图像包括二维图像的情况下，通过根据第二图像的采集信息，将第一分割结果转换为二维的第三分割结果，从而将第三分割结果与第二分割结果输入至第一神经网络，得到第一图像与第二图像之间的形变场，通过上述过程，可以利用二维的第二图像的采集信息，将第一图像的第一分割结果投影至二维平面，从而根据两个二维的分割结果来获取第一图像和第二图像之间的形变场，从而使得得到的形变场可以更加准确地反应出目标对象在第一图像与第二图像之间的变换关系，提升图像处理的精度和效果。
在获取了第一图像与第二图像之间的形变场以后，可以利用该形变场，对第一图像和第二图像进行相应处理，比如上述公开实施例中所提到的配准等。因此，在一种可能的实现方式中，本公开实施例提出的方法还可以包括：
根据形变场，对第一图像与所述第二图像进行配准，得到配准结果。
如上述各公开实施例所述，形变场可以反应目标对象在第一图像与第二图像之间每个像素的位置变换关系，因此，可以通过形变场将第一图像中的目标对象和第二图像中的目标对象变换到同一坐标系下，从而实现第一图像与第二图像之间的配准，来得到配准结果。
配准的具体过程，其实现方式可以根据形变场的实际情况灵活决定。如上述公开实施例所述，在一种可能的实现方式中，形变场可以为分割结果之间的形变场，比如第一分割结果与第二分割结果之间的形变场，或是第三分割结果或是第二分割结果之间的形变场等，在这种情况下，对第一图像和第二图像进行配准的过程，可以是对相应的分割结果根据形变场进行形变的过程，即利用形变场将第一分割结果变换到第二分割结果的坐标系、利用形变场将第三分割结果变换到第二分割结果的坐标系、利用形变场将第二分割结果变换到第一分割结果的坐标系或是利用形变场将第二分割结果变换到第三分割结果的坐标系等。
在一种可能的实现方式中，形变场也可以在分割结果的形变场的基础上通过进一步处理所得到的图像之间的形变场，即第一图像和第二图像之间直接的形变场，在这种情况下，对第一图像和第二图像进行配准的过程，可以是直接对第一图像或第二图像进行处理所进行形变的过程，即利用形变场将第一图像变换到第二图像的坐标系，或是利用形变场将第二图像变换到第一图像的坐标系等。
在一种可能的实现方式中，配准过程也可以不局限于图像或是分割结果所在的坐标系，比如可以利用形变场，将第一图像和第二图像均配准至某一预设的坐标系中，或是将第一分割结果和第二分割结果均配准至某一预设的坐标系中等等。
具体的配准方式，在本公开实施例中也不做限制，不局限于下述公开实施例。在一个示例中，可以通过空间变换网络(STN，Spatial Transformer Networks)，对待配准的图像进行相比，来得到配准结果。
通过根据形变场，对第一图像和第二图像进行配准，得到配准结果，可以利用得到的形变场，灵活地将第一图像中包含的目标对象信息与第二图像中包含的目标对象信息统一与融合到一个坐标系下，从而对将执行的基于目标对象的操作提供全面有效的指导。
如上述各公开实施例所述，在一种可能的实现方式中，可以利用第一神经网络来获取形变场。为了使得获取的形变场更为准确，可以对第一神经网络进行训练使其具有更高的精度。即本公开实施例提出的图像处理方法，还可以用于第一神经网络的训练过程，在这种情况下，在一种可能的实现方式中，本公开实施例提出的图像处理方法可以包括：
步骤S11，获取第一图像中目标对象的第一分割结果。
步骤S12，获取第二图像中目标对象的第二分割结果。
步骤S13，根据第一分割结果与第二分割结果，得到第一图像与第二图像之间的形变场。
步骤S14，根据形变场，获取第一神经网络的误差损失。
步骤S15，根据误差损失，对第一神经网络进行训练。
其中，步骤S11至步骤S13的实现过程可以参考上述各公开实施例，在此不再赘述。第一神经网络可以为未经训练的神经网络，也可以为经过训练，但未完全完成训练的神经网络。
在得到形变场以后，可以根据形变场，来获取第一神经网络的误差损失。该误差损失的获取方式可以根据实际情况灵活选择。在一种可能的实现方式中，步骤S14可以包括：
步骤S141，根据形变场，对第一分割结果进行配准，得到配准后的第一分割结果，将配准后的第一分割结果与第二分割结果之间的误差作为第一神经网络的误差损失。或者，
步骤S142，根据形变场，对第二分割结果进行配准，得到配准后的第二分割结果，将配准后的第二分割结果与第一分割结果之间的误差作为第一神经网络的误差损失。或者，
步骤S143，根据形变场，对第一分割结果进行配准，得到配准后的第一分割结果，将配准后的第一分割结果与第二图像之间的误差作为第一神经网络的误差损失。或者，
步骤S144，根据形变场，对第二分割结果进行配准，得到配准后的第二分割结果，将配准后的第二分割结果与第一图像之间的误差作为第一神经网络的误差损失。
由于形变场可以反应第一分割结果和第二分割之间的变换关系，因此可以利用第一神经网络输出的形变场，对第一分割结果进行配准，来得到配准后的第一分割结果，若形变场完全准确，则配准后的第一分割结果与第二分割结果将一致，因此，通过配准后的第一分割结果与第二分割结果之间的误差，则可以确定第一神经网络输出的形变场的误差，将其作为第一神经网络的误差损失对第一神经网络进行训练，可以提高训练后得到的第一神经网络的精度。
同理，也可以利用形变场来对第二分割结果进行配准，从而利用配准后的第二分割结果与第一分割结果之间的误差，来确定第一神经网络输出的形变场的误差，继而确定第一神经网络的误差损失。
在一种可能的实现方式中，由于获取第一神经网络的误差损失可以用于对第一神经网络的训练过程中，而训练过程中，输入至第一神经网络的第一分割结果可能以标注的形式位于第一图像上，同理第二分割结果也可能以标注的形式位于第二图像上。因此，在这种情况下，也可以将配准后的第一分割结果与第二分割结果所在的第二图像之间的误差，或是配准后的第二分割结果与第一分割结果所在的第一图像之间的误差，来作为第一神经网络的误差。
由于上述公开实施例中已经提到，形变场可以是第一分割结果和第二分割结果之间的形变场，也可以是第三分割结果和第二分割结果之间的形变场，或是第一图像与第二图像之间的形变场等，因此，随着形变场所指向的对象的不同，所确定的误差可以灵活发生变化，比如，在形变场为第三分割结果与第二分割结果之间的形变场的情况下，可以利用形变场对第三分割结果进行配准，得到配准后的第三分割结果，再根据配准后的第三分割结果与第二分割结果的误差确定第一神经网络的误差损失等，其余的实现形式可以根据上述各公开实施例灵活扩展，在此不再一一列举。配准的方式可以参考上述各公开实施例，在此不再赘述。
计算不同对象之间的误差的方式可以根据实际情况灵活选择，不局限于下述公开实施例。在一个示例中，可以利用均方误差(MSE，MeanSquaredError)或归一化互相关(NCC，Normalized Cross Correlation)等损失函数的计算方式，来确定不同对象之间的误差。
通过上述第一神经网络误差损失的获取过程，可以根据实际情况，灵活选择合适的方式来确定第一神经网络的误差损失，提升第一神经网络训练的灵活性和便捷性。
在获取第一神经网络的误差损失后，可以通过步骤S15对第一神经网络进行训练，训练的方式可以根据实际情况灵活决定，不局限于下述公开实施例。在一种可能的实现方式中，可以根据第一神经网络的误差损失，利用反向传播的方法，更新第一神经网络中的各项网络参数等。
在本公开实施例中，通过根据形变场获取第一神经网络的误差损失，继而根据误差损失对第一神经网络进行训练，可以直接利用第一神经网络的两个输入图像之间的变换关系对第一神经网络进行训练，无需额外的训练图像或是标注数据等，在保障第一神经网络的训练精度的同时，降低了训练难度和成本。
应用场景示例
冠心病已经成为世界上死亡率最高的疾病之一，常见的治疗方案是经皮冠状动脉介入手术。经皮冠状动脉介入手术是在术中X光的引导下，利用导管扩张血管狭窄部分以到达治疗的目的。但是在手术过程中，心脏冠脉的X光图像内显示的血管会随着造影剂的消散变得不可见，这给医生带来了很大的挑战，手术的成功率也依赖医生的实际经验。
术前CTA图像可以很好地展现三维血管结构，但是由于不能在术中实时拍摄CTA图像，因此需要将术前CTA和术中X光图像进行配准来融合到同一个坐标系下，如何实现CTA图像和X光图像的实时配准，成为目前一个亟待解决的问题。
基于上述原因，本公开实施例提出了一种图像处理方法，这一处理方法可以对冠状动脉的术前CTA图像和术中X光图像进行实时配准，该图像处理的过程可以为：
利用3D U-Net神经网络(即上述公开实施例中的第二神经网络)对术前CTA图像(即上述公开实施例中的第一图像)进行分割，提取CTA图像中的血管束(即上述公开实施例中的第一分割结果)；
利用U-Net神经网络(即上述公开实施例中的第三神经网络)对术中X光图像(即上述公开实施例中的第二图像)进行分割，提取X光图像中的血管束(即上述公开实施例中的第二分割结果)；
读取X光图像中DICOM的头文件信息(即上述公开实施例中的采集信息)，利用光线投影算法，对CTA图像中的血管束生成数字重建放射影像，得到二维的血管投影图(即上述公开实施例中的第三分割结果)；
将二维的血管投影图和X光图像中的血管束输入到配准神经网络(即上述公开实施例中的第一神经网络)中，输出对应的形变场；
利用输出的形变场，可以对二维的血管投影图或X光图像中的血管束进行变换，完成配准过程。
进一步地，由于上述配准过程需要利用到3D U-Net神经网络、U-Net神经网络以及配准神经网络，因此，本公开应用示例还提出一种图像处理方法，可以对上述各神经网络进行训练，图2示出根据本公开一应用示例的示意图，如图所示，该训练过程可以为：
对术前CTA图像进行逐像素的血管标注得到对应的标签，利用术前CTA图像的原图与对应的标签(即上述公开实施例中的包含目标对象标注的第一训练图像)，训练用于CTA血管分割的三维卷积神经网络3D U-Net；
对术中X光图像进行逐像素的血管标注得到对应的标签，利用术中X光图像的原图与对应的标签(即上述公开实施例中的包含目标对象标注的第二训练图像)，训练用于X光血管分割的卷积神经网络U-Net；
利用训练好的3D U-Net和U-Net分别对术前CTA图像和术中X光图像进行分割，得到CTA图像中的血管束和X光图像中的血管束；
读取X光图像中的DICOM头文件信息，确定术中X光图像的拍摄角度，利用光线投影算法对CTA图像中的血管束进行投影，得到投影血管束；
将投影血管束和X光图像中的血管束输入到未训练的初始配准神经网络(可以为U-Net网络)中，输出一个和输入图像(投影血管束或X光图像中的血管束)大小相同的预测形变场，该预测形变场包含每个像素的位移；
利用空间变换网络，对投影血管束根据预测形变场进行形变，得到形变后的血管束；
计算形变后的血管束和X光图像中的血管束之间的损失函数值，计算方式可以采用均方误差或者归一化互相关等，再使用反向传播算法更新配准神经网络的参数，完成训练。
通过上述过程，可以无需迭代优化来寻找术前CTA图像和术中X光图像之间的最优变换关系，而是通过一个配准神经网络，直接实现端到端的形变场预测。经过实验验证，在CPU上进行上述配准过程，可以在1秒钟以内获得形变场，大大提高了配准过程的实时性。同时，由于预测的形变场包含了血管束中每个像素点的位移，最大化形变的自由度，相对于基于B样条或者是薄板样条等变换方式来说，本公开应用示例提出的配准方法可以大大提高配准的精度。
在实际应用过程中，放射科医生在得到术前CTA和术中X光图像后，可以利用本公开应用示例提出的方法进行快速准确的配准，将两个模态的数据统一到同一个坐标系下，补偿术中X光图像上看不到的冠状动脉血管的问题。同时，由于本公开应用示例可以对术前CTA图像和术中X光图像包含的冠状动脉进行实时配准，可以使得术中X光图像较好地显示出导管的位置，使得医生在手术过程中对导管行进的方向有一个更好的判断。
需要说明的是，本公开实施例的图像处理方法不限于应用在上述心脏冠脉图像的处理中，可以应用于任意的图像处理，本公开对此不作限定。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图3示出根据本公开实施例的图像处理装置的框图。该图像处理装置可以为终端设备、服务器或者其他处理设备等。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 DigitalAssistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。
在一些可能的实现方式中，该图像处理装置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。
如图3所示，所述图像处理装置20可以包括：
第一分割模块21，用于获取第一图像中目标对象的第一分割结果。
第二分割模块22，用于获取第二图像中目标对象的第二分割结果。
形变场获取模块23，用于根据第一分割结果与第二分割结果，得到第一图像与第二图像之间的形变场，其中，形变场包括目标对象在第一图像与第二图像之间的每个像素点的位置变换关系。
在一种可能的实现方式中，形变场获取模块用于：将第一分割结果与第二分割结果输入至第一神经网络，得到第一图像与第二图像的形变场。
在一种可能的实现方式中，第一图像包括三维图像，第二图像包括二维图像；形变场获取模块用于：根据第二图像的采集信息，将第一分割结果转换为二维的第三分割结果；将第三分割结果与第二分割结果输入至第一神经网络，得到第一图像与第二图像之间的形变场。
在一种可能的实现方式中，装置还用于：根据形变场，对第一图像与第二图像进行配准，得到配准结果。
在一种可能的实现方式中，装置还包括：误差获取模块，用于根据形变场，获取第一神经网络的误差损失；训练模块，用于根据误差损失，对第一神经网络进行训练。
在一种可能的实现方式中，误差获取模块用于：根据形变场，对第一分割结果进行配准，得到配准后的第一分割结果，将配准后的第一分割结果与第二分割结果之间的误差作为第一神经网络的误差损失；或者，根据形变场，对第二分割结果进行配准，得到配准后的第二分割结果，将配准后的第二分割结果与第一分割结果之间的误差作为第一神经网络的误差损失；根据形变场，对第一分割结果进行配准，得到配准后的第一分割结果，将配准后的第一分割结果与第二图像之间的误差作为第一神经网络的误差损失；或者，根据形变场，对第二分割结果进行配准，得到配准后的第二分割结果，将配准后的第二分割结果与第一图像之间的误差作为第一神经网络的误差损失。
在一种可能的实现方式中，第一分割模块用于：将第一图像输入至第二神经网络，得到第一图像中目标对象的第一分割结果，其中，第二神经网络通过包含目标对象标注的第一训练图像进行训练；或者，将第一图像输入至第一神经网络，得到第一图像中目标对象的第一分割结果，其中，第一神经网络还用于根据第一分割结果与第二分割结果，得到第一图像与第二图像之间的形变场。
在一种可能的实现方式中，第二分割模块用于：将第二图像输入至第三神经网络，得到第二图像中目标对象的第二分割结果，其中，第三神经网络通过包含目标对象标注的第二训练图像进行训练；或者，将第二图像输入至第一神经网络，得到第二图像中目标对象的第二分割结果，其中，第一神经网络还用于根据第一分割结果与第二分割结果，得到第一图像与第二图像之间的形变场。
在一种可能的实现方式中，第一图像包括电子计算机断层扫描血管造影CTA图像，第二图像包括X光图像，目标对象包括冠状动脉对象。
本公开实施例还提出一种计算机可读存储介质，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方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的图像处理方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图像处理方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图4，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图5示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图5，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
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的改进，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。

Claims (12)

1.一种图像处理方法，其特征在于，包括：
获取第一图像中目标对象的第一分割结果；
获取第二图像中目标对象的第二分割结果；
根据所述第一分割结果与所述第二分割结果，得到所述第一图像与所述第二图像之间的形变场，其中，所述形变场包括所述目标对象在所述第一图像与所述第二图像之间的每个像素点的位置变换关系。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一分割结果与所述第二分割结果，得到所述第一图像与所述第二图像之间的形变场，包括：
将所述第一分割结果与所述第二分割结果输入至第一神经网络，得到所述第一图像与所述第二图像的形变场。
3.根据权利要求1或2所述的方法，其特征在于，所述第一图像包括三维图像，所述第二图像包括二维图像；
所述根据所述第一分割结果与所述第二分割结果，得到所述第一图像与所述第二图像之间的形变场，包括：
根据所述第二图像的采集信息，将所述第一分割结果转换为二维的第三分割结果；
将所述第三分割结果与所述第二分割结果输入至第一神经网络，得到所述第一图像与所述第二图像之间的形变场。
4.根据权利要求1至3中任意一项所述的方法，其特征在于，所述方法还包括：
根据所述形变场，对所述第一图像与所述第二图像进行配准，得到配准结果。
5.根据权利要求2或3所述的方法，其特征在于，所述方法还包括：
根据所述形变场，获取所述第一神经网络的误差损失；
根据所述误差损失，对所述第一神经网络进行训练。
6.根据权利要求5所述的方法，其特征在于，所述根据所述形变场，获取所述第一神经网络的误差损失，包括：
根据所述形变场，对所述第一分割结果进行配准，得到配准后的第一分割结果，将所述配准后的第一分割结果与所述第二分割结果之间的误差作为所述第一神经网络的误差损失；或者，
根据所述形变场，对所述第二分割结果进行配准，得到配准后的第二分割结果，将所述配准后的第二分割结果与所述第一分割结果之间的误差作为所述第一神经网络的误差损失；或者，
根据所述形变场，对所述第一分割结果进行配准，得到配准后的第一分割结果，将所述配准后的第一分割结果与所述第二图像之间的误差作为所述第一神经网络的误差损失；或者，
根据所述形变场，对所述第二分割结果进行配准，得到配准后的第二分割结果，将所述配准后的第二分割结果与所述第一图像之间的误差作为所述第一神经网络的误差损失。
7.根据权利要求1至6中任意一项所述的方法，其特征在于，所述获取第一图像中目标对象的第一分割结果，包括：
将所述第一图像输入至第二神经网络，得到所述第一图像中所述目标对象的第一分割结果，其中，所述第二神经网络通过包含目标对象标注的第一训练图像进行训练；或者，
将所述第一图像输入至第一神经网络，得到所述第一图像中所述目标对象的第一分割结果，其中，所述第一神经网络还用于根据所述第一分割结果与所述第二分割结果，得到所述第一图像与所述第二图像之间的形变场。
8.根据权利要求1至7中任意一项所述的方法，其特征在于，所述获取第二图像中目标对象的第二分割结果，包括：
将所述第二图像输入至第三神经网络，得到所述第二图像中所述目标对象的第二分割结果，其中，所述第三神经网络通过包含目标对象标注的第二训练图像进行训练；或者，
将所述第二图像输入至第一神经网络，得到所述第二图像中所述目标对象的第二分割结果，其中，所述第一神经网络还用于根据所述第一分割结果与所述第二分割结果，得到所述第一图像与所述第二图像之间的形变场。
9.根据权利要求1至8中任意一项所述的方法，其特征在于，所述第一图像包括电子计算机断层扫描血管造影CTA图像，所述第二图像包括X光图像，所述目标对象包括冠状动脉对象。
10.一种图像处理装置，其特征在于，包括：
第一分割模块，用于获取第一图像中目标对象的第一分割结果；
第二分割模块，用于获取第二图像中目标对象的第二分割结果；
形变场获取模块，用于根据所述第一分割结果与所述第二分割结果，得到所述第一图像与所述第二图像之间的形变场，其中，所述形变场包括所述目标对象在所述第一图像与所述第二图像之间的每个像素点的位置变换关系。
11.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至9中任意一项所述的方法。
12.一种计算机可读存储介质，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9中任意一项所述的方法。
CN202010686919.6A 2020-07-16 2020-07-16 图像处理方法及装置、电子设备和存储介质 Pending CN111798498A (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010686919.6A CN111798498A (zh) 2020-07-16 2020-07-16 图像处理方法及装置、电子设备和存储介质
PCT/CN2020/140330 WO2022011984A1 (zh) 2020-07-16 2020-12-28 图像处理方法及装置、电子设备、存储介质和程序产品
JP2021578004A JP2022543531A (ja) 2020-07-16 2020-12-28 画像処理方法及び装置、電子機器、記憶媒体並びにプログラム製品
KR1020217043238A KR20220016212A (ko) 2020-07-16 2020-12-28 이미지 처리 방법 및 장치, 전자 기기, 저장 매체 및 프로그램 제품
TW110109421A TWI767614B (zh) 2020-07-16 2021-03-16 圖像處理方法及電子設備、電腦可讀儲存介質

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010686919.6A CN111798498A (zh) 2020-07-16 2020-07-16 图像处理方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN111798498A true CN111798498A (zh) 2020-10-20

Family

ID=72807442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010686919.6A Pending CN111798498A (zh) 2020-07-16 2020-07-16 图像处理方法及装置、电子设备和存储介质

Country Status (5)

Country Link
JP (1) JP2022543531A (zh)
KR (1) KR20220016212A (zh)
CN (1) CN111798498A (zh)
TW (1) TWI767614B (zh)
WO (1) WO2022011984A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651931A (zh) * 2020-12-15 2021-04-13 浙江大华技术股份有限公司 建筑物变形监测方法、装置和计算机设备
WO2022011984A1 (zh) * 2020-07-16 2022-01-20 上海商汤智能科技有限公司 图像处理方法及装置、电子设备、存储介质和程序产品
CN114596247A (zh) * 2020-11-30 2022-06-07 宏碁股份有限公司 血管检测装置和基于图像的血管检测方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5491929B2 (ja) * 2009-04-10 2014-05-14 株式会社東芝 Ｘ線診断装置及びその方法
WO2015143435A1 (en) * 2014-03-21 2015-09-24 University Of Iowa Research Foundation Graph search using non-euclidean deformed graph
US11938344B2 (en) * 2018-07-24 2024-03-26 Brainlab Ag Beam path based patient positioning and monitoring
CN111047629B (zh) * 2019-11-04 2022-04-26 中国科学院深圳先进技术研究院 多模态图像配准的方法、装置、电子设备及存储介质
CN110930438B (zh) * 2019-11-22 2023-05-05 上海联影医疗科技股份有限公司 图像配准方法、装置、电子设备及存储介质
CN111091589B (zh) * 2019-11-25 2023-11-17 北京理工大学 基于多尺度监督学习的超声和核磁图像配准方法及装置
CN111161330B (zh) * 2019-12-20 2024-03-22 东软医疗系统股份有限公司 非刚性图像配准方法、装置、系统、电子设备、存储介质
CN111080680A (zh) * 2019-12-29 2020-04-28 苏州体素信息科技有限公司 一种面向患者的三维胸部器官重建方法和系统
CN111260700B (zh) * 2020-01-09 2023-05-30 复旦大学 一种多参数磁共振图像全自动配准与分割方法
CN111798498A (zh) * 2020-07-16 2020-10-20 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022011984A1 (zh) * 2020-07-16 2022-01-20 上海商汤智能科技有限公司 图像处理方法及装置、电子设备、存储介质和程序产品
CN114596247A (zh) * 2020-11-30 2022-06-07 宏碁股份有限公司 血管检测装置和基于图像的血管检测方法
CN112651931A (zh) * 2020-12-15 2021-04-13 浙江大华技术股份有限公司 建筑物变形监测方法、装置和计算机设备
CN112651931B (zh) * 2020-12-15 2024-04-26 浙江大华技术股份有限公司 建筑物变形监测方法、装置和计算机设备

Also Published As

Publication number Publication date
KR20220016212A (ko) 2022-02-08
JP2022543531A (ja) 2022-10-13
WO2022011984A1 (zh) 2022-01-20
TW202203854A (zh) 2022-02-01
TWI767614B (zh) 2022-06-11

Similar Documents

Publication Publication Date Title
CN111310764B (zh) 网络训练、图像处理方法及装置、电子设备和存储介质
JP7178514B2 (ja) 場面深度とカメラ運動を予測する方法及び装置、機器、媒体並びにプログラム
TWI767614B (zh) 圖像處理方法及電子設備、電腦可讀儲存介質
CN112967291B (zh) 图像处理方法及装置、电子设备和存储介质
CN112541928A (zh) 网络训练方法及装置、图像分割方法及装置和电子设备
CN113012166A (zh) 颅内动脉瘤分割方法及装置、电子设备和存储介质
US20220101620A1 (en) Method and apparatus for interactive display of image positioning, electronic device and storage medium
CN113034491B (zh) 一种冠脉钙化斑块检测方法及装置
TWI765386B (zh) 神經網路訓練及圖像分割方法、電子設備和電腦儲存介質
CN111860373B (zh) 目标检测方法及装置、电子设备和存储介质
CN112749801A (zh) 神经网络训练和图像处理方法及装置
CN111860388A (zh) 图像处理方法及装置、电子设备和存储介质
CN113160947A (zh) 医学图像的展示方法及装置、电子设备和存储介质
CN111640114A (zh) 图像处理方法及装置
CN113902730A (zh) 图像处理和神经网络训练方法及装置
CN112767541A (zh) 三维重建方法及装置、电子设备和存储介质
CN112396119A (zh) 一种图像处理方法及装置、电子设备和存储介质
US20220301220A1 (en) Method and device for displaying target object, electronic device, and storage medium
CN113192606A (zh) 医疗数据处理方法及装置、电子设备和存储介质
CN115170395A (zh) 全景图像拼接方法、装置、电子设备、介质和程序产品
CN110796630B (zh) 图像处理方法及装置、电子设备和存储介质
CN112686867A (zh) 医学图像的识别方法及装置、电子设备和存储介质
CN112925461A (zh) 图像处理方法及装置、电子设备和存储介质
CN112397198A (zh) 图像处理方法及装置、电子设备和存储介质
CN113554642A (zh) 对病灶鲁棒的脑区定位方法及装置、电子设备和存储介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40032846

Country of ref document: HK

TA01 Transfer of patent application right

Effective date of registration: 20240529

Address after: Units 6-01, 6-49, 6-80, 6th Floor, No. 1900 Hongmei Road, Xuhui District, Shanghai, 200030

Applicant after: Shanghai Shangtang Shancui Medical Technology Co.,Ltd.

Country or region after: China

Address before: Room 1605a, building 3, 391 Guiping Road, Xuhui District, Shanghai

Applicant before: SHANGHAI SENSETIME INTELLIGENT TECHNOLOGY Co.,Ltd.

Country or region before: China