CN111968222B - 一种人体组织非静止状态下三维超声重建方法 - Google Patents
一种人体组织非静止状态下三维超声重建方法 Download PDFInfo
- Publication number
- CN111968222B CN111968222B CN202010773925.5A CN202010773925A CN111968222B CN 111968222 B CN111968222 B CN 111968222B CN 202010773925 A CN202010773925 A CN 202010773925A CN 111968222 B CN111968222 B CN 111968222B
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional
- ultrasonic
- images
- reconstruction
- 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 49
- 230000003068 static effect Effects 0.000 title claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000006073 displacement reaction Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 239000000523 sample Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000011524 similarity measure Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000002372 labelling Methods 0.000 abstract description 3
- 210000001519 tissue Anatomy 0.000 description 34
- 238000002604 ultrasonography Methods 0.000 description 14
- 238000003384 imaging method Methods 0.000 description 6
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 208000016247 Soft tissue disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/10132—Ultrasound image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (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)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种人体组织非静止状态下三维超声重建方法。首先，采集视频数据并建立人体位移视频数据库，并利用数据库中的图像及其标注信息对三维卷积神经网络进行训练；然后，利用训练好的网络检测得到超声扫描中发生移动时刻的起始图像帧序号，根据序号将二维超声图像序列分段；接着，采用贝塞尔插值算法对每段二维超声图像序列进行三维重建；最后，采用基于互信息的方法实现分段三维超声图像的配准，实现对被扫描组织的准确三维容积图像重建。本发明解决了现有超声自动扫描机器人在扫描人体过程中，当人体组织发生不自主移动时三维超声重建技术的误差较大问题，能够得到高质量的超声扫描图像，实用性较强。
Description
技术领域
本发明属医学图像处理技术领域，具体涉及一种人体组织非静止状态下三维超声重建方法。
背景技术
医疗超声是四大医学影像模态之一，据WTO统计，超过25％的医学影像检查采用了超声，是应用最多的医学影像模态。与其它医学成像技术(如计算机断层扫描技术CT、核磁共振成像技术MRI、核医学成像技术PET)相比，超声成像具有无电离辐射、对人体无损伤、无痛苦、实时性好、成本低的特点，超声对软组织的鉴别力较高，在对人体软组织疾病进行诊断和对心血管脏器的血流动力学测量方面有其他方法不能相比的优势。超声成像已经在预防、诊断、治疗、康复、监护和普查人体疾病中得到了广泛应用，成为现代医学中使用最为广泛的诊断手段之一，并且随着人们健康需求的提高，其应用深度和广度都在不断扩大。
超声自动扫描机器人的工作过程通常包含以下步骤：确定扫描人体组织部位，以一定的扫描手法并通过机器人控制探头接触人体组织部位；在沿扫描路径扫描过程中，通过对环境的观察调整探头姿态以及规划扫描轨迹；最后可视化扫描结果。当完成扫描后，为直观地显示超声扫描结果，需要对成像数据进行可视化。为直观地显示超声扫描结果，需要对成像数据进行可视化。由于采集到的B超图像都有相对应的位置信息，可以采用三维重建的方法获得三维影像。关于三维超声图像重建技术，研究人员已经提出了大量可行的三维重建算法，这些算法大体可以分为三类：基于像素的三维重建算法(Pixel-Based Methods,PBM)、基于体素的三维重建算法(Voxel-Based Methods,VBM)和基于函数的三维重建算法(Function-Based Methods,FBM)。Welch等人完成的近实时三维重建系统，每次等待固定数目的原始二维图像采集后，利用邻域平均插值算法重建出部分的三维体并渲染显示出来。A.L.Bogush在2004年提出了用三次样条插值对不规则排列的二维超声图像进行插值的方法，实现了对目标对象的三维重建。
但是，已有的基于B超图像实现三维重建的技术都有一个假设：扫描成像过程中被扫查部位保持静止不动。事实上，这个假设在临床上是难以成立的；在机器人扫描过程中，被扫描者无法保持真正的静止状态。人体组织会不自主的产生一定组织的移动，如呼吸、肢体的非自主移动、体内血流与组织形变等等。组织移动拟通过上述方法进行检测。在人体组织发生偏移后，机器人的路径会重新自主规划，然而这将会导致路径改变后新采集到的二维超声图像序列在空间位置上和之前的图像序列存在偏差，即：由于人体部位的移动，人体组织内的特定解剖结构在世界坐标系中的定位也发生变化了，那么原始路径与新路径上采集到的B超图像集(假定它们对应相同的解剖结构)在世界坐标系的位置也发生变化，这样就无法通过机器人系统坐标读数准确地实现对被扫描组织的总体三维数据重构。
发明内容
为了解决现有超声自动扫描机器人在扫描人体过程中，当人体组织发生不自主移动时成像误差增大的问题，本发明提供一种人体组织非静止状态下三维超声重建方法。首先，采集视频数据并建立人体位移视频数据库，并利用数据库中的图像及其标注信息对三维卷积神经网络进行训练；然后，利用训练好的网络检测得到超声扫描中发生移动时刻的起始图像帧序号，根据序号将二维超声图像序列分段；接着，采用贝塞尔插值算法对每段二维超声图像序列进行三维重建；最后，采用基于互信息的方法实现分段三维超声图像的配准，实现对被扫描组织的准确三维容积图像重建。
一种人体组织非静止状态下三维超声重建方法，其特征在于步骤如下：
步骤1：使用深度摄像仪采集视频数据，建立人体位移的视频数据库，数据库中包括人体移动视频图像及其标注信息，标注信息包括该视频图像中人体位移为轻微移动或明显移动两类；
步骤2：利用数据库中带标注的视频图像对三维卷积神经网络模型进行训练，训练好的网络模型对若干帧视频图像进行检测，得到其中的人体的位移是否属于明显移动的预测和发生移动的起始时刻图像帧序号；
步骤3：对需要检查的患者人体部位进行超声扫描，将扫描得到的图像输入到步骤2训练好的网络模型，得到人体组织发生移动的起始时刻图像帧序号Nbias，将超声探头移动过程中采集到的发生组织移动的系列图像设置为组织偏移拐点序列，并记录这些图像对应的人体组织部位；对记录的组织偏移拐点序列人体组织部位进行重新超声扫描，得到新的超声图像序列，以初始扫描得到的人体组织发生移动的起始时刻图像帧序号Nbias为界，将超声图像序列分为两组，序号小于Nbias的图像为一组，其余图像为另一组；
步骤4：采用贝塞尔插值算法分别对步骤3得到的两组图像序列进行三维重建；
步骤5：采用互信息方法对三维重建后的两组图像进行配准，得到最终的三维超声图像。
进一步地，步骤4所述的采用贝塞尔插值算法对图像序列进行三维重建的具体步骤如下：
步骤a：设置大小为m的控制窗口，m取值不超过图像序列所包含的最大帧数，控制窗口的起点设定在该组图像序列中的第一帧图像处，控制窗口包含第1～m帧超声图像中相同位置的m个像素点，通过坐标转换，将每个像素点映射到三维重建体积坐标系中，得到该像素点的三维空间坐标；
步骤b：设控制窗口内m个像素点的三维空间坐标为Ri(xi,yi,zi)，i＝1,…,m，利用下式构建得到一条基于位置的m-1次贝塞尔曲线B(u)：
其中，u表示曲线B(u)的自变量，
表示组合数；
设控制窗口内m个像素点在三维空间对应的体素的灰度值分别为V1、V2、…、Vm，利用下式构建得到一条基于体素灰度值的m-1次贝塞尔曲线V(t)：
其中，t表示曲线的自变量，
表示组合数；
步骤c：重复步骤a和b，遍历同一个控制窗口内超声图像上的所有像素点；
步骤d：沿序列图像的帧序号，将控制窗口向后移动n帧，n为小于m的整数值，重复以上步骤a-c，直至遍历完该组图像序列中的所有超声图像；若最后一个控制窗口中的图像帧数g小于设定的固定帧数m，则采用g-1阶贝塞尔曲线进行插值；对于控制窗口之间存在的重叠区域，采用距离加权法重新计算图像中的像素点映射得到的体素灰度值，其表达式如下：
其中，V表示重叠区域像素点映射得到的体素灰度值，Vpre表示重叠区域的前一帧图像中的像素点映射得到的体素灰度值，Vafter表示重叠区域的后一帧图像中的像素点映射得到的体素灰度值，d1表示待插值体素与体素Vpre之间的空间坐标距离，d2表示待插值体素与体素Vafter之间的空间坐标距离；
步骤e：对一个超声图像序列，重复以上步骤a-d，直到控制窗口遍历所有帧图像，得到该图像序列的一个三维体数据。
进一步地，步骤5所述的采用互信息方法对三维重建后的两组图像进行配准的具体过程如下：
对于两组待配准三维图像R、F，以图像R的空间坐标为基准，构建如下配准优化函数T*：
其中，
为图像R和图像F之间的相似性度量函数，TV表示在测度S下的空间变换；
本发明采用如下的互信息作为相似性度量函数：
其中，H(R)表示图像R的香农熵，H(F)表示图像F的香农熵，H(R,F)表示图像R和图像F的联合熵；
采用粒子群优化算法求解公式4的配准优化函数，得到实现配准的最优变换TV；
利用最优变换TV对浮动图像F进行变换，完成其与图像R的配准。
本发明的有益效果是：首先，该方法采集视频数据并建立人体位移视频数据库，并利用数据库中的图像及其标注信息对三维卷积神经网络进行训练，得到一个可以检测超声扫描中人体是否发生明显移动并记录发生移动的起始时刻图像帧序号的网络；然后，该方法利用训练好的网络检测得到超声扫描中发生移动时刻的起始图像帧序号，根据序号将二维超声图像序列分段，使得每一组图像序列连续且准确；接着，该方法采用贝塞尔插值算法对每段二维超声图像序列进行三维重建，实现了超声图像从二维图像到三维图像的转化；最后，该方法采用基于互信息的方法实现分段三维超声图像的配准，实现对被扫描组织的准确三维容积图像重建。本发明解决了人体组织非静止状态下三维超声重建技术的误差较大问题，能够得到高质量的超声扫描图像，实用性较强。
附图说明
图1是本发明的一种人体组织非静止状态下三维超声重建方法流程图；
图2是本发明在每一组超声图像序列中定义一个控制窗口的示意图；
图3是本发明分段三维超声图像配准的过程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。
如图1所示，本发明提供了一种人体组织非静止状态下三维超声重建方法，其具体实现过程如下：
步骤一：使用深度摄像仪采集视频数据，并视频图像中人体位移的明显程度进行人工标注，分为两大类：轻微移动和明显移动，如此建立得到人体位移的视频数据库，数据库中包括人体移动视频图像及其为轻微移动或明显移动的标注信息。
步骤二：利用建立好的数据库中带标注的视频图像对已有的三维卷积神经网络模型(3D CNN)进行训练获得自动检测人体位移程度的三维深度网络结构。网络模型能通过数帧图像检测出人体的位移是否属于明显移动，并检测出发生移动时刻的起始图像帧序号Nbias。
步骤三：对需要检查的患者人体部位进行超声扫描，在超声扫描过程中，利用步骤二所得到的网络模型可检测出人体发生移动时刻的起始图像帧序号Nbias，将超声探头移动过程中采集到的发生组织移动后的一系列图像设置为“组织偏移拐点序列”，并记录这些图像对应的人体组织。根据Nbias记录的发生位移的人体组织部位，控制超声探头走位重新扫描“组织偏移拐点序列”对应的人体组织。然后根据Nbias对所有超声图像序列进行分组，小于Nbias为一组，大于Nbias为一组。
步骤四：分别对每组二维超声图像序列采用贝塞尔插值算法进行三维重建得到三维图像。
(1)在每一组超声图像序列中定义一个控制窗口，如图2所示。设置控制窗口大小为m帧，m最大不超过图像序列所包含的最大帧数，控制窗口的起点设定在该组图像中的第一帧图像处，控制窗口包含第1～m帧超声图像中相同位置的m个像素点P1、P2、…、Pm，通过坐标转换，将每个像素点映射到三维重建体积坐标系中，得到该像素点的三维空间坐标。
(2)设控制窗口内m个像素点的三维空间坐标为Ri(xi,yi,zi)，i＝1,…,m，利用下式构建得到一条基于位置的m-1次贝塞尔曲线B(u)：
其中，u表示曲线B(u)的自变量，
表示组合数。
设控制窗口内m个像素点在三维空间对应的体素的灰度值分别为V1、V2、…、Vm，利用下式构建得到一条基于体素灰度值的m-1次贝塞尔曲线V(t)：
其中，t表示曲线的自变量，
表示组合数。
(3)重复以上步骤(1)和(2)，遍历同一个控制窗口内超声图像上的所有像素点。
(4)沿序列图像的帧序号，将控制窗口向后移动n帧(n<m)，重复以上步骤(1)-(3)，直至遍历完该组序列图像中的所有超声图像。若最后一个控制窗口中的图像帧数g小于设定的固定帧数m，则采用g-1阶贝塞尔曲线进行插值。对于控制窗口之间存在的重叠区域，采用距离加权法重新计算图像中的像素点映射得到的体素灰度值，其表达式如下：
其中，V表示重叠区域像素点映射得到的体素灰度值，Vpre表示重叠区域的前一帧图像中的像素点映射得到的体素灰度值，Vafter表示重叠区域的后一帧图像中的像素点映射得到的体素灰度值，d1表示待插值体素与体素Vpre之间的空间坐标距离，d2表示待插值体素与体素Vafter之间的空间坐标距离。
(5)对每一个分组内的超声图像序列，重复以上步骤(1)-(4)直到控制窗口遍历当前分组内的所有扫描图像，得到一个三维体数据。
根据得到的三维体数据，可以利用CUDA并行计算技术实现三维重建和可视化。
步骤五：人体组织发生偏移后，不同分组的超声图像序列在空间位置上已经存在偏差，无法通过机器人系统坐标读数实现被扫描组织的总体三维数据重构，因此通过基于互信息的方法实现分段三维超声图像配准。过程如图3所示，具体为：
假设两组待配准三维图像分别为R、F，以图像R的空间坐标为基准(R即为参照图像)，在测度S下的图像配准准则即为寻找一个空间变换TV，对图像F做变换TV(F即为浮动图像)，使得在此变换下测度S最大。
构建如下配准优化函数T*：
其中，
为图像R和图像F之间的相似性度量函数，当两幅图像完全配准时，该函数取值最大。本发明采用互信息作为相似性度量函数，即：
其中，H(R)表示图像R的香农熵，H(F)表示图像F的香农熵，H(R,F)表示图像R和图像F的联合熵。
采用粒子群优化算法求解上述配准优化函数，得到实现配准的最优变换TV。
然后，对浮动图像F利用最优变换TV，使其与参照图像R实现配准。
Claims (3)
1.一种人体组织非静止状态下三维超声重建方法，其特征在于步骤如下：
步骤1：使用深度摄像仪采集视频数据，建立人体位移的视频数据库，数据库中包括人体移动视频图像及其标注信息，标注信息包括该视频图像中人体位移为轻微移动或明显移动两类；
步骤2：利用数据库中带标注的视频图像对三维卷积神经网络模型进行训练，训练好的网络模型对若干帧视频图像进行检测，得到其中的人体的位移是否属于明显移动的预测和发生移动的起始时刻图像帧序号；
步骤3：对需要检查的患者人体部位进行超声扫描，将扫描得到的图像输入到步骤2训练好的网络模型，得到人体组织发生移动的起始时刻图像帧序号Nbias，将超声探头移动过程中采集到的发生组织移动的系列图像设置为组织偏移拐点序列，并记录这些图像对应的人体组织部位；对记录的组织偏移拐点序列人体组织部位进行重新超声扫描，得到新的超声图像序列，以初始扫描得到的人体组织发生移动的起始时刻图像帧序号Nbias为界，将超声图像序列分为两组，序号小于Nbias的图像为一组，其余图像为另一组；
步骤4：采用贝塞尔插值算法分别对步骤3得到的两组图像序列进行三维重建；
步骤5：采用互信息方法对三维重建后的两组图像进行配准，得到最终的三维超声图像。
2.如权利要求1所述的一种人体组织非静止状态下三维超声重建方法，其特征在于：步骤4所述的采用贝塞尔插值算法对图像序列进行三维重建的具体步骤如下：
步骤a：设置大小为m的控制窗口，m取值不超过图像序列所包含的最大帧数，控制窗口的起点设定在该组图像序列中的第一帧图像处，控制窗口包含第1～m帧超声图像中相同位置的m个像素点，通过坐标转换，将每个像素点映射到三维重建体积坐标系中，得到该像素点的三维空间坐标；
步骤b：设控制窗口内m个像素点的三维空间坐标为Ri(xi,yi,zi)，i＝1,…,m，利用下式构建得到一条基于位置的m-1次贝塞尔曲线B(u)：
其中，u表示曲线B(u)的自变量，
表示组合数；
设控制窗口内m个像素点在三维空间对应的体素的灰度值分别为V1、V2、…、Vm，利用下式构建得到一条基于体素灰度值的m-1次贝塞尔曲线V(t)：
其中，t表示曲线的自变量，
表示组合数；
步骤c：重复步骤a和b，遍历同一个控制窗口内超声图像上的所有像素点；
步骤d：沿序列图像的帧序号，将控制窗口向后移动n帧，n为小于m的整数值，重复以上步骤a-c，直至遍历完该组图像序列中的所有超声图像；若最后一个控制窗口中的图像帧数g小于设定的固定帧数m，则采用g-1阶贝塞尔曲线进行插值；对于控制窗口之间存在的重叠区域，采用距离加权法重新计算图像中的像素点映射得到的体素灰度值，其表达式如下：
其中，V表示重叠区域像素点映射得到的体素灰度值，Vpre表示重叠区域的前一帧图像中的像素点映射得到的体素灰度值，Vafter表示重叠区域的后一帧图像中的像素点映射得到的体素灰度值，d1表示待插值体素与体素Vpre之间的空间坐标距离，d2表示待插值体素与体素Vafter之间的空间坐标距离；
步骤e：对一个超声图像序列，重复以上步骤a-d，直到控制窗口遍历所有帧图像，得到该图像序列的一个三维体数据。
3.如权利要求1或2所述的一种人体组织非静止状态下三维超声重建方法，其特征在于：步骤5所述的采用互信息方法对三维重建后的两组图像进行配准的具体过程如下：
对于两组待配准三维图像R、F，以图像R的空间坐标为基准，构建如下配准优化函数T*：
其中，
为图像R和图像F之间的相似性度量函数，TV表示在测度S下的空间变换；
采用如下的互信息作为相似性度量函数：
其中，H(R)表示图像R的香农熵，H(F)表示图像F的香农熵，H(R,F)表示图像R和图像F的联合熵；
采用粒子群优化算法求解公式4的配准优化函数，得到实现配准的最优变换TV；
利用最优变换TV对浮动图像F进行变换，完成其与图像R的配准。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010773925.5A CN111968222B (zh) | 2020-08-04 | 2020-08-04 | 一种人体组织非静止状态下三维超声重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010773925.5A CN111968222B (zh) | 2020-08-04 | 2020-08-04 | 一种人体组织非静止状态下三维超声重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111968222A CN111968222A (zh) | 2020-11-20 |
| CN111968222B true CN111968222B (zh) | 2022-07-05 |
Family
ID=73363509
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010773925.5A Active CN111968222B (zh) | 2020-08-04 | 2020-08-04 | 一种人体组织非静止状态下三维超声重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111968222B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112862947B (zh) * | 2020-12-22 | 2024-05-10 | 深圳市德力凯医疗设备股份有限公司 | 一种基于三维超声探头的图像扫描方法及系统 |
| CN113288204B (zh) * | 2021-04-21 | 2023-09-29 | 佛山纽欣肯智能科技有限公司 | 一种机器人半自主b超检测系统 |
| CN113436067B (zh) * | 2021-05-22 | 2023-05-09 | 西北工业大学深圳研究院 | 一种自学习的超分辨率三维光声血管图像重建方法及系统 |
| CN113344993B (zh) * | 2021-06-04 | 2022-06-03 | 成都玻尔兹曼智贝科技有限公司 | 侧貌模拟方法 |
| CN113345078A (zh) * | 2021-06-16 | 2021-09-03 | 无锡艾米特智能医疗科技有限公司 | 一种器官三维图像重建方法 |
| CN113538665B (zh) * | 2021-07-21 | 2024-02-02 | 无锡艾米特智能医疗科技有限公司 | 一种器官三维图像重建补偿方法 |
| CN114219889B (zh) * | 2021-11-04 | 2024-06-28 | 华南理工大学 | 一种基于ct与超声融合的脊柱在体准静态三维测量方法 |
| CN114663362B (zh) * | 2022-03-04 | 2024-03-29 | 强联智创（北京）科技有限公司 | 一种融合方法、装置以及设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100998511A (zh) * | 2006-01-11 | 2007-07-18 | 中国科学院自动化研究所 | 一种实时自由臂三维超声成像系统及其方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090177089A1 (en) * | 2008-01-04 | 2009-07-09 | Assaf Govari | Three-dimensional image reconstruction using doppler ultrasound |
| CN102283675B (zh) * | 2011-05-27 | 2013-04-17 | 华南理工大学 | 一种医学超声宽景成像中的旋转判断及误差纠正方法 |
| CN104680486A (zh) * | 2013-11-29 | 2015-06-03 | 上海联影医疗科技有限公司 | 一种非刚体的配准方法 |
| CN110021014A (zh) * | 2019-03-29 | 2019-07-16 | 无锡祥生医疗科技股份有限公司 | 基于神经网络的神经组织识别方法、系统及存储介质 |
-
2020
- 2020-08-04 CN CN202010773925.5A patent/CN111968222B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100998511A (zh) * | 2006-01-11 | 2007-07-18 | 中国科学院自动化研究所 | 一种实时自由臂三维超声成像系统及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111968222A (zh) | 2020-11-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111968222B (zh) | 一种人体组织非静止状态下三维超声重建方法 | |
| US11806189B2 (en) | Three-dimensional segmentation from two-dimensional intracardiac echocardiography imaging | |
| US10762637B2 (en) | Vascular segmentation using fully convolutional and recurrent neural networks | |
| Huang et al. | Fully automatic three-dimensional ultrasound imaging based on conventional B-scan | |
| EP3444777A1 (en) | Automatic change detection in medical images | |
| EP3729370B1 (en) | Non-invasive electrophysiology mapping based on affordable electrocardiogram hardware and imaging | |
| US6251072B1 (en) | Semi-automated segmentation method for 3-dimensional ultrasound | |
| CN103077550B (zh) | 一种非门控icus图像序列中血管的四维重建方法 | |
| CN103229210B (zh) | 图像配准装置 | |
| CN110232691A (zh) | 一种多模态的ct影像的分割方法 | |
| Jiao et al. | Self-supervised ultrasound to MRI fetal brain image synthesis | |
| KR20090059048A (ko) | ３차원 이미지 및 표면 맵핑으로부터의 해부학적 모델링 방법 및 시스템 | |
| Virga et al. | Use the force: deformation correction in robotic 3D ultrasound | |
| Scheipers et al. | 3-D ultrasound volume reconstruction using the direct frame interpolation method | |
| CN107204045A (zh) | 基于ct图像的虚拟内窥镜系统 | |
| Zheng et al. | A deep learning method for motion artifact correction in intravascular photoacoustic image sequence | |
| CN110458779B (zh) | 对呼吸或心脏的pet图像进行衰减校正的校正信息获取方法 | |
| Huang et al. | Automatic segmentation of median nerve in ultrasound image by a combined Use of U-net and VGG16 | |
| Jiang et al. | Defcor-net: physics-aware ultrasound deformation correction | |
| CN116580819B (zh) | 用于自动化地确定图像序列中的检查结果的方法和系统 | |
| CN116269496A (zh) | 基于隐式神经表示的心脏三维超声成像及心功能评估系统 | |
| CN111466952A (zh) | 一种超声内镜与ct三维图像实时转化方法和系统 | |
| CN103767733B (zh) | 自由臂三维超声弹性成像中rf体数据的估计方法 | |
| CN113689469A (zh) | 一种自动识别超声造影小肝癌病灶的方法及超声系统 | |
| Geng et al. | Exploring Structural Information for Semantic Segmentation of Ultrasound Images |
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 |