CN111985512B - 一种建立人体肋骨模型的方法和装置 - Google Patents
一种建立人体肋骨模型的方法和装置 Download PDFInfo
- Publication number
- CN111985512B CN111985512B CN201910428252.7A CN201910428252A CN111985512B CN 111985512 B CN111985512 B CN 111985512B CN 201910428252 A CN201910428252 A CN 201910428252A CN 111985512 B CN111985512 B CN 111985512B
- Authority
- CN
- China
- Prior art keywords
- rib
- slice
- preset
- image
- images
- 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 50
- 238000012549 training Methods 0.000 claims abstract description 92
- 238000007781 pre-processing Methods 0.000 claims abstract description 78
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 210000004072 lung Anatomy 0.000 claims description 91
- 210000000988 bone and bone Anatomy 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 208000010392 Bone Fractures Diseases 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010017076 Fracture Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 208000027790 Rib fracture Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Biology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供了一种训练肋骨定位的方法和装置以及一种建立人体肋骨模型的方法和装置。所述建立人体肋骨模型的方法包括：根据预设切片参数对单一人体的肋骨进行图像切片，获取N张人体肋骨切片图像；预设切片参数与N种肋骨切片类型相关联，N是大于1的整数；根据预设预处理参数对所述人体肋骨切片图像进行预处理，获取肋骨的第二切片图像；将所述第二切片图像输入优化参数的第一网络模型获取与所述第二切片图像相对应的切片识别结果图像；根据所述切片识别结果图像获取切片识别结果点状图像；拟合所述切片识别结果点状图像的点，获取人体三维肋骨点状图。本申请通过训练解决了肋骨定位的问题。
Description
技术领域
本申请涉及计算机辅助诊断领域，具体涉及训练肋骨定位的方法，以及训练肋骨定位的装置，以及建立人体肋骨模型的方法，以及建立人体肋骨模型的装置。
背景技术
尽管人种存在不同，但是，人体的大体解剖相同，胸部肋骨一共12对。偶有先天变异，存在13对肋骨，或者仅有11对肋骨。
在常规CT扫描技术里，每一个断层轴位仅显示肋骨的一个截面积，缺少定位信息，医生需要通过上下翻页，以及寻找体表标志来进行肋骨的定位。
目前暂无相关肋骨骨折分型以及定位分区的同类产品。现有的技术主要靠医生通过上下翻页来确定骨折部位。
发明内容
本申请提供一种训练肋骨定位的方法，一种训练肋骨定位的装置，一种建立人体肋骨模型的方法，一种建立人体肋骨模型的装置；以解决肋骨定位的问题。
为了解决上述技术问题，本申请实施例提供了如下的技术方案：
本申请提供了第一方面，一种训练肋骨定位的方法，包括：
依次获取一组训练图像，其中，所述训练图像，是根据N种肋骨切片类型对预设样本副数的肋骨进行切片后获取的N组切片样本图像中的一组，且同一组训练图像的肋骨切片类型相同，每组间训练图像的肋骨切片类型不同，N是大于1的整数；
利用每组训练图像分别训练第一网络模型达到预设定位肋骨的精度，从而获得优化参数的第一网络模型。
可选的，在所述依次获取一组训练图像前，还包括：
根据预设切片参数对预设采集副数的肋骨分别进行切片，获取预设采集副数的肋骨的第一切片图像；其中，预设切片参数与N种肋骨切片类型相关联；
根据预设预处理参数对预设采集副数的肋骨的所述第一切片图像进行预处理，获取预设样本副数的肋骨的第二切片图像；
根据N种肋骨切片类型对所述第二切片图像进行分组，获取N组切片样本图像，且同一组切片样本图像的肋骨切片类型相同，每组间切片样本图像的肋骨切片类型不同。
可选的，所述预设预处理参数，包括：预设肺部影像完整性参数和/或预设肋骨完整性参数；所述预处理，包括图像筛选处理；
所述根据预设预处理参数对预设采集副数的肋骨的所述第一切片图像进行预处理，获取预设样本副数的肋骨的第二切片图像，包括：
根据所述预设数字肺部影像完整性参数和/或所述预设数字肋骨完整性参数对预设采集副数的肋骨的所述第一切片图像进行所述图像筛选处理，获取预设样本副数的肋骨的第二切片图像。
可选的，所述预设预处理参数，包括预设图像骨骼灰度参数；所述预处理包括分割图像骨骼；
所述根据预设预处理参数对预设采集副数的肋骨的所述第一切片图像进行预处理，获取预设样本副数的肋骨的第二切片图像，包括：
根据所述预设图像骨骼灰度参数对预设采集副数的肋骨的所述第一切片图像进行所述分割图像骨骼，获取预设样本副数的肋骨的第二切片图像。
可选的，所述预设预处理参数，包括预设肋骨图像参数；所述预处理包括清洗肋骨图像；
所述根据预设预处理参数对预设采集副数的肋骨的所述第一切片图像进行预处理，获取预设样本副数的肋骨的第二切片图像，包括：
根据所述预设肋骨图像参数对预设采集副数的肋骨的所述第一切片图像进行所述清洗肋骨图像，获取预设样本副数的肋骨的第二切片图像。
可选的，预设切片参数，包括：左肺三维坐标、右肺三维坐标和预设切片位置；
所述根据预设切片参数对每副肋骨进行切片，获取每副肋骨的第一切片图像，包括：
以每副肋骨的所述左肺三维坐标的X轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的K种肋骨切片类型的第一切片图像；
以每副肋骨的所述左肺三维坐标的Y轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的L种肋骨切片类型的第一切片图像；
以每副肋骨的所述左肺三维坐标的Z轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的M种肋骨切片类型的第一切片图像；
以每副肋骨的所述右肺三维坐标的X轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的K'种肋骨切片类型的第一切片图像；
以每副肋骨的所述右肺三维坐标的Y轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的L'种肋骨切片类型的第一切片图像；
以每副肋骨的所述右肺三维坐标的Z轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的M'种肋骨切片类型的第一切片图像；
其中，所述左肺三维坐标，是在左侧肋骨中左肺的预设左原点建立的三维坐标，所述左肺三维坐标X轴和Z轴为水平轴且Y轴为垂直轴；所述右肺三维坐标，是在右侧肋骨中右肺的预设右原点建立的三维坐标，所述右肺三维坐标X轴和Z轴为水平轴且Y轴为垂直轴；K，K'，L，L'，M和M'分别是大于1的整数，且K，K'，L，L'，M及M'的和等于N。
可选的，所述预设切片位置，包括：切片总旋转角度和切片间夹角；所述切片总旋转角度为180度，所述切片间夹角小于等于6度。
本申请提供了第二方面，一种训练肋骨定位的装置，包括：
获取训练图像单元，用于依次获取一组训练图像，其中，所述训练图像，是根据N种肋骨切片类型对预设样本副数的肋骨进行切片后获取的N组切片样本图像中的一组，且同一组训练图像的肋骨切片类型相同，每组间训练图像的肋骨切片类型不同，N是大于1的整数；
训练单元，用于利用每组训练图像分别训练第一网络模型达到预设定位肋骨的精度，从而获得优化参数的第一网络模型。
本申请提供了第三方面，一种建立人体肋骨模型的方法，包括：
根据预设切片参数对单一人体的肋骨进行图像切片，获取N张人体肋骨切片图像，其中，每张所述人体肋骨切片图像属于不同的肋骨切片类型；预设切片参数与N种肋骨切片类型相关联，N是大于1的整数；
根据预设预处理参数对所述人体肋骨切片图像进行预处理，获取肋骨的第二切片图像；
将所述第二切片图像输入优化参数的第一网络模型获取与所述第二切片图像相对应的切片识别结果图像；
根据所述切片识别结果图像获取切片识别结果点状图像；
拟合所述切片识别结果点状图像的点，获取人体三维肋骨点状图；
其中，所述优化参数的第一网络模型是采用如第一方面任一项所述的方法生成的。
本申请提供了第四方面，一种建立人体肋骨模型的装置，包括：
切片单元，用于根据预设切片参数对单一人体的肋骨进行图像切片，获取N张人体肋骨切片图像，其中，每张所述人体肋骨切片图像属于不同的肋骨切片类型；预设切片参数与N种肋骨切片类型相关联，N是大于1的整数；
预处理单元，用于根据预设预处理参数对所述人体肋骨切片图像进行预处理，获取肋骨的第二切片图像；
分类单元，用于将所述第二切片图像输入优化参数的第一网络模型获取与所述第二切片图像相对应的切片识别结果图像；
获取点状图像单元，用于根据所述切片识别结果图像获取切片识别结果点状图像；
拟合单元，用于拟合所述切片识别结果点状图像的点，获取人体三维肋骨点状图；
其中，所述优化参数的第一网络模型是采用如第一方面任一项所述的方法生成的。
基于上述实施例的公开可以获知，本申请实施例具备如下的有益效果：
本申请提供了一种训练肋骨定位的方法和装置以及一种建立人体肋骨模型的方法和装置。所述建立人体肋骨模型的方法包括：根据预设切片参数对单一人体的肋骨进行图像切片，获取N张人体肋骨切片图像，其中，每张所述人体肋骨切片图像属于不同的肋骨切片类型；预设切片参数与N种肋骨切片类型相关联，N是大于1的整数；根据预设预处理参数对所述人体肋骨切片图像进行预处理，获取肋骨的第二切片图像；将所述第二切片图像输入优化参数的第一网络模型获取与所述第二切片图像相对应的切片识别结果图像；根据所述切片识别结果图像获取切片识别结果点状图像；拟合所述切片识别结果点状图像的点，获取人体三维肋骨点状图。本申请通过训练解决了肋骨定位的问题。
附图说明
图1为本申请实施例提供的训练肋骨定位的方法的流程图；
图2为本申请实施例提供的右肺三维坐标的正视图；
图3为本申请实施例提供的右肺三维坐标的侧视图；
图4为本申请实施例提供的右肺三维坐标的顶视图；
图5为本申请实施例提供的肋骨切片的示意图；
图6为本申请实施例提供的训练肋骨定位的装置的单元框图；
图7为本申请实施例提供的建立人体肋骨模型的方法的流程图；
图8为本申请实施例提供的三维肋骨点状图；
图9为本申请实施例提供的建立人体肋骨模型的装置的单元框图。
具体实施方式
下面，结合附图对本申请的具体实施例进行详细的描述，但不作为本申请的限定。
应理解的是，可以对此处公开的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例，并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本申请的这些和其它特性将会变得显而易见。
还应当理解，尽管已经参照一些具体实例对本申请进行了描述，但本领域技术人员能够确定地实现本申请的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时，鉴于以下详细说明，本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例；然而，应当理解，所公开的实施例仅仅是本申请的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此，本文所公开的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本申请的相同或不同实施例中的一个或多个。
本申请提供一种训练肋骨定位的方法；本申请还提供一种训练肋骨定位的装置。在下面的实施例中逐一进行详细说明。
对本申请提供的第一实施例，即一种训练肋骨定位的方法的实施例。
下面结合图1至图5对本实施例进行详细说明，其中，图1为本申请实施例提供的训练肋骨定位的方法的流程图；图2为本申请实施例提供的右肺三维坐标的正视图；图3为本申请实施例提供的右肺三维坐标的侧视图；图4为本申请实施例提供的右肺三维坐标的顶视图；图5为本申请实施例提供的肋骨切片的示意图。
请参见图1所示，步骤S101，依次获取一组训练图像。
其中，所述训练图像，是根据N种肋骨切片类型对预设样本副数的肋骨进行切片后获取的N组切片样本图像中的一组，且同一组训练图像的肋骨切片类型相同，每组间训练图像的肋骨切片类型不同，N是大于1的整数。
本实施例的采集对象，主要是人类。但是本实施例的训练肋骨定位的方法也可以应用在定位其他动物的肋骨。
本实施例肋骨，主要是指人类的肋骨，一位采集对象具有一副肋骨，一副肋骨包括十一对肋骨、十二对肋骨或十三对肋骨。人类的肋骨在正常情况下是十二对肋骨，但是也有个别的人是有十一对肋骨或十三对肋骨。本实施例对任何类型的肋骨都可以进行训练。
预设样本副数，是符合训练要求的数字肋骨的数量。通常训练数量越多，训练的效果越好，但是当训练数量过多时，训练效果并没有显著的变化。因此，预设样本副数是与训练效果相关联的。
在训练前，对预设采集副数的肋骨进行切片图像采集。由于采集对象的肋骨存在不符合训练要求的情况，所以预设采集副数大于或等于预设样本副数。首先，对每个采集对象的肋骨进行N种肋骨切片类型的切片，获取N张切片图像。也就是对一个所述采集对象的肋骨切片后会产生N张切片图像，每张切片图像只属于一种肋骨切片类型。经过预处理后，从预设采集副数的肋骨的切片图像中选择出预设样本副数的肋骨的切片样本图像，将预设样本副数的肋骨的切片样本图像按照N种肋骨切片类型进行分组，且同一组所述切片样本图像的肋骨切片类型相同，每组间所述切片样本图像的肋骨切片类型不同。
例如，通过CT对每副肋骨进行切片图像采集，在CT图像中均包括标签，通过自动识别CT图像的标签，可以将一位采集对象的N张切片样本图像按照N种肋骨切片类型分成N组。
步骤S102，利用每组所述训练图像分别训练第一网络模型达到预设定位肋骨的精度，从而获得优化参数的第一网络模型。
预设定位肋骨的精度是大于或等于90％。
第一网络模型，是一个机器学习模型。
本实施例为了达到训练效果，在所述依次获取一组训练图像前，还包括以下步骤：
步骤S100-1，根据预设切片参数对预设采集副数的肋骨分别进行切片，获取预设采集副数的肋骨的第一切片图像；其中，预设切片参数与N种肋骨切片类型相关联。
本实施例中对一个所述采集对象的肋骨切片后会产生N张切片图像，每张切片图像属于一种肋骨切片类型。
预设切片参数与N种肋骨切片类型相关联，也就是预设切片参数因切片图像类型的不同而不同。
可选的，请参照图2、图3和图4所示，预设切片参数，包括：左肺三维坐标、右肺三维坐标和预设切片位置。
所述根据预设切片参数对每副肋骨进行切片，获取每副肋骨的第一切片图像，包括以下步骤：
步骤S100-1-1，以每副肋骨的所述左肺三维坐标的X轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的K种肋骨切片类型的第一切片图像；
步骤S100-1-2，以每副肋骨的所述左肺三维坐标的Y轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的L种肋骨切片类型的第一切片图像；
步骤S100-1-3，以每副肋骨的所述左肺三维坐标的Z轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的M种肋骨切片类型的第一切片图像；
步骤S100-1-4，以每副肋骨的所述右肺三维坐标的X轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的K'种肋骨切片类型的第一切片图像；
步骤S100-1-5，以每副肋骨的所述右肺三维坐标的Y轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的L'种肋骨切片类型的第一切片图像；
步骤S100-1-6，以每副肋骨的所述右肺三维坐标的Z轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的M'种肋骨切片类型的第一切片图像；
其中，所述左肺三维坐标，是在左侧肋骨中左肺的预设左原点建立的三维坐标，所述左肺三维坐标X轴和Z轴为水平轴且Y轴为垂直轴；所述右肺三维坐标，是在右侧肋骨中右肺的预设右原点建立的三维坐标，所述右肺三维坐标X轴和Z轴为水平轴且Y轴为垂直轴；K，K'，L，L'，M和M'分别是大于1的整数，且K，K'，L，L'，M及M'的和等于N。
所述预设切片位置，包括：切片总旋转角度和切片间夹角。
为了避免脊椎骨的干扰，确定第一个起始图片时，最好包括肋骨且不包括脊椎骨。
可选的，所述切片总旋转角度为180度，所述切片间夹角小于等于6度。
所述切片总旋转角度为180度可以获取一个转轴的360度的切片图像。所述切片间夹角的最佳夹角是3度。这样可以保证每一个转轴获得30张到70张切片图像。切片图像的张数越多，获取的训练结果越理想。
步骤S100-2，根据预设预处理参数对预设采集副数的肋骨的所述第一切片图像进行预处理，获取预设样本副数的肋骨的第二切片图像。
可选的，所述预设预处理参数，包括：预设肺部影像完整性参数和/或预设肋骨完整性参数；所述预处理，包括图像筛选处理。
所述根据预设预处理参数对预设采集副数的肋骨的所述第一切片图像进行预处理，获取预设样本副数的肋骨的第二切片图像，包括以下步骤：
步骤S100-2-11，根据所述预设数字肺部影像完整性参数和/或所述预设数字肋骨完整性参数对预设采集副数的肋骨的所述第一切片图像进行所述图像筛选处理，获取预设样本副数的肋骨的第二切片图像。
一组完整的所述切片样本图像，要求肺部图像完整，且至少包含部分颈椎及腰椎，肋骨完整，无残缺，并排除单侧胸部呈现。所述单侧胸部呈现，是指医生为了观察患者的右臂所拍摄的CT图像，导致所述CT图像中胸部区域不完整。因此，本实施例在训练前筛选出完整的切片图像。
由于采集对象的肋骨存在不符合训练要求的情况，所以预设采集副数大于或等于预设样本副数。以便从预设采集副数的肋骨的切片图像中筛选出符合训练要求的预设样本数量的切片图像。
可选的，所述预设预处理参数，包括预设图像骨骼灰度参数；所述预处理包括分割图像骨骼。
所述根据预设预处理参数对预设采集副数的肋骨的所述第一切片图像进行预处理，获取预设样本副数的肋骨的第二切片图像，包括以下步骤：
步骤S100-2-21，根据所述预设图像骨骼灰度参数对预设采集副数的肋骨的所述第一切片图像进行所述分割图像骨骼，获取预设样本副数的肋骨的第二切片图像。
所述采集对象的骨骼相对其他部位对X射线的衰减程度不一样，因此在生成的X射线切片图像上其灰度值明显区别于其他区域。可将切片图像中的骨骼图像分割出来。例如，根据灰度值的差异，采用大律法进行图像分割；或者双峰法、迭代法、灰度拉伸法和kirsh算子均可实现切片图像的区域分割。
可选的，所述预设预处理参数，包括预设肋骨图像参数；所述预处理包括清洗肋骨图像。
所述根据预设预处理参数对预设采集副数的肋骨的所述第一切片图像进行预处理，获取预设样本副数的肋骨的第二切片图像，包括以下步骤：
步骤S100-2-31，根据所述预设肋骨图像参数对预设采集副数的肋骨的所述第一切片图像进行所述清洗肋骨图像，获取预设样本副数的肋骨的第二切片图像。
由于在采集图像时，不可避免要将肋骨以外的其他骨骼采集到切片图像中，例如，请参见图3所示，第一根肋骨左侧为锁骨，所述锁骨位于垂直方向的中心线的左侧，而肋骨位于垂直方向的中心线的右侧，在清洗N张切片图像时，只对垂直方向的中心线左侧部分进行清洗。
步骤S100-3，根据N种肋骨切片类型对所述第二切片图像进行分组，获取N组切片样本图像，且同一组所述切片样本图像的肋骨切片类型相同，每组间所述切片样本图像的肋骨切片类型不同。
本实施例在训练前，通过步骤S100-2-11和/或步骤S100-2-21和/或步骤S100-2-31对第一切片图像进行预处理，可以缩短训练时间，提高训练效率。如果对所述第一切片图像依次按照步骤S100-2-11、步骤S100-2-21和步骤S100-2-31进行预处理，可以进一步提高处理效率。
本申请通过训练解决了肋骨定位的问题。
与本申请提供的第一实施例相对应，本申请还提供了第二实施例，即一种训练肋骨定位的装置。由于第二实施例基本相似于第一实施例，所以描述得比较简单，相关的部分请参见第一实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
图6示出了本申请提供的一种训练肋骨定位的装置的实施例。图6为本申请实施例提供的训练肋骨定位的装置的单元框图。
请参见图6所示，本申请提供一种训练肋骨定位的装置，包括：获取训练图像单元201，训练单元202。
获取训练图像单元201，用于所述训练图像，是根据N种肋骨切片类型对预设样本副数的肋骨进行切片后获取的N组切片样本图像中的一组，且同一组训练图像的肋骨切片类型相同，每组间训练图像的肋骨切片类型不同，N是大于1的整数；
训练单元202，用于利用每组训练图像分别训练第一网络模型达到预设定位肋骨的精度，从而获得优化参数的第一网络模型。
在所述装置中，还包括预处理单元，用于对预设采集副数的肋骨进行N种肋骨切片类型切片后获取的N组数字切片样本图像。
在所述预处理单元中，包括：
切片子单元，用于根据预设切片参数对预设采集副数的肋骨分别进行切片，获取预设采集副数的肋骨的第一切片图像；其中，预设切片参数与N种肋骨切片类型相关联；
预处理子单元，用于根据预设预处理参数对预设采集副数的肋骨的所述第一切片图像进行预处理，获取预设样本副数的肋骨的第二切片图像；
分组子单元，用于根据N种肋骨切片类型对所述第二切片图像进行分组，获取N组切片样本图像，且同一组所述切片样本图像的肋骨切片类型相同，每组间所述切片样本图像的肋骨切片类型不同。
可选的，所述预设预处理参数，包括：预设肺部影像完整性参数和/或预设肋骨完整性参数；所述预处理，包括图像筛选处理；
在所述预处理子单元中，包括：
筛选子单元，用于根据所述预设数字肺部影像完整性参数和/或所述预设数字肋骨完整性参数对预设采集副数的肋骨的所述第一切片图像进行所述图像筛选处理，获取预设样本副数的肋骨的第二切片图像。
可选的，所述预设预处理参数，包括预设图像骨骼灰度参数；所述预处理包括分割图像骨骼；
在所述预处理子单元中，包括：
分割子单元，用于根据所述预设图像骨骼灰度参数对预设采集副数的肋骨的所述第一切片图像进行所述分割图像骨骼，获取预设样本副数的肋骨的第二切片图像。
可选的，所述预设预处理参数，包括预设肋骨图像参数；所述预处理包括清洗肋骨图像；
在所述预处理子单元中，包括：
清洗子单元，用于根据所述预设肋骨图像参数对预设采集副数的肋骨的所述第一切片图像进行所述清洗肋骨图像，获取预设样本副数的肋骨的第二切片图像。
可选的，预设切片参数，包括：左肺三维坐标、右肺三维坐标和预设切片位置；
在所述切片子单元中，包括：
左肺X轴切片子单元，用于以每副肋骨的所述左肺三维坐标的X轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的K种肋骨切片类型的第一切片图像；
左肺Y轴切片子单元，用于以每副肋骨的所述左肺三维坐标的Y轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的L种肋骨切片类型的第一切片图像；
左肺Z轴切片子单元，用于以每副肋骨的所述左肺三维坐标的Z轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的M种肋骨切片类型的第一切片图像；
右肺X轴切片子单元，用于以每副肋骨的所述右肺三维坐标的X轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的K'种肋骨切片类型的第一切片图像；
右肺Y轴切片子单元，用于以每副肋骨的所述右肺三维坐标的Y轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的L'种肋骨切片类型的第一切片图像；
右肺Z轴切片子单元，用于以每副肋骨的所述右肺三维坐标的Z轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的M'种肋骨切片类型的第一切片图像；
其中，所述左肺三维坐标，是在左侧肋骨中左肺的预设左原点建立的三维坐标，所述左肺三维坐标X轴和Z轴为水平轴且Y轴为垂直轴；所述右肺三维坐标，是在右侧肋骨中右肺的预设右原点建立的三维坐标，所述右肺三维坐标X轴和Z轴为水平轴且Y轴为垂直轴；K，K'，L，L'，M和M'分别是大于1的整数，且K，K'，L，L'，M及M'的和等于N；
可选的，所述预设切片位置，包括：切片总旋转角度和切片间夹角；所述切片总旋转角度为180度，所述切片间夹角小于等于6度。
本申请通过训练解决了肋骨定位的问题。
与本申请提供的第一实施例相关联，本申请还提供了第三实施例，即一种建立人体肋骨模型的方法。由于第三实施例基本相似于第一实施例，所以描述得比较简单，相关的部分请参见第一实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
图7和图8示出了本申请提供的一种建立人体肋骨模型的方法的实施例。图7为本申请实施例提供的建立人体肋骨模型的方法的流程图；图8为本申请实施例提供的三维肋骨点状图。
请参见图7所示，本申请提供一种建立人体肋骨模型的方法，包括：
步骤301，根据预设切片参数对单一人体的肋骨进行图像切片，获取N张人体肋骨切片图像，其中，每张所述人体肋骨切片图像属于不同的肋骨切片类型；预设切片参数与N种肋骨切片类型相关联，N是大于1的整数；
步骤302，根据预设预处理参数对所述人体肋骨切片图像进行预处理，获取肋骨的第二切片图像；
步骤303，将所述第二切片图像输入优化参数的第一网络模型获取与所述第二切片图像相对应的切片识别结果图像；
步骤304，根据所述切片识别结果图像获取切片识别结果点状图像；
步骤305，拟合所述切片识别结果点状图像的点，获取人体三维肋骨点状图；
其中，所述优化参数的第一网络模型是采用如第一实施例所述的方法生成的。
本申请解决了人体肋骨定位的问题。
与本申请提供的第三实施例相对应，本申请还提供了第四实施例，即一种建立人体肋骨模型的装置。由于第四实施例基本相似于第三实施例，所以描述得比较简单。下述描述的装置实施例仅仅是示意性的。
图9示出了本申请提供的一种建立人体肋骨模型的装置的实施例。图9为本申请实施例提供的建立人体肋骨模型的装置的单元框图。
请参见图9所示，本申请提供一种建立人体肋骨模型的装置，包括：切片单元401，预处理单元402，分类单元403，获取点状图像单元404，拟合单元405。
切片单元401，用于根据预设切片参数对单一人体的肋骨进行图像切片，获取N张人体肋骨切片图像，其中，每张所述人体肋骨切片图像属于不同的肋骨切片类型；预设切片参数与N种肋骨切片类型相关联，N是大于1的整数；
预处理单元402，用于根据预设预处理参数对所述人体肋骨切片图像进行预处理，获取肋骨的第二切片图像；
分类单元403，用于将所述第二切片图像输入优化参数的第一网络模型获取与所述第二切片图像相对应的切片识别结果图像；
获取点状图像单元404，用于根据所述切片识别结果图像获取切片识别结果点状图像；
拟合单元405，用于拟合所述切片识别结果点状图像的点，获取人体三维肋骨点状图；
其中，所述优化参数的第一网络模型是采用如第一实施例任一项所述的方法生成的。
本申请解决了人体肋骨定位的问题。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (8)
1.一种训练肋骨定位的方法，其特征在于，包括：
依次获取一组训练图像，其中，所述训练图像，是根据N种肋骨切片类型对预设样本副数的肋骨进行切片后获取的N组切片样本图像中的一组，且同一组训练图像的肋骨切片类型相同，每组间训练图像的肋骨切片类型不同，N是大于1的整数；
利用每组训练图像分别训练第一网络模型达到预设定位肋骨的精度，从而获得优化参数的第一网络模型；
在所述依次获取一组训练图像前，还包括：
根据预设切片参数对预设采集副数的肋骨分别进行切片，获取预设采集副数的肋骨的第一切片图像；其中，预设切片参数与N种肋骨切片类型相关联；
根据预设预处理参数对预设采集副数的肋骨的所述第一切片图像进行预处理，获取预设样本副数的肋骨的第二切片图像；
根据N种肋骨切片类型对所述第二切片图像进行分组，获取N组切片样本图像，且同一组切片样本图像的肋骨切片类型相同，每组间切片样本图像的肋骨切片类型不同；
所述预设切片参数包括：左肺三维坐标、右肺三维坐标和预设切片位置；
所述根据预设切片参数对每副肋骨进行切片，获取每副肋骨的第一切片图像，包括：
以每副肋骨的所述左肺三维坐标的X轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的K种肋骨切片类型的第一切片图像；
以每副肋骨的所述左肺三维坐标的Y轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的L种肋骨切片类型的第一切片图像；
以每副肋骨的所述左肺三维坐标的Z轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的M种肋骨切片类型的第一切片图像；
以每副肋骨的所述右肺三维坐标的X轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的K'种肋骨切片类型的第一切片图像；
以每副肋骨的所述右肺三维坐标的Y轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的L'种肋骨切片类型的第一切片图像；
以每副肋骨的所述右肺三维坐标的Z轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的M'种肋骨切片类型的第一切片图像；
其中，所述左肺三维坐标，是在左侧肋骨中左肺的预设左原点建立的三维坐标，所述左肺三维坐标的X轴和Z轴为水平轴且Y轴为垂直轴；所述右肺三维坐标，是在右侧肋骨中右肺的预设右原点建立的三维坐标，所述右肺三维坐标的X轴和Z轴为水平轴且Y轴为垂直轴；K，K'，L，L'，M和M'分别是大于1的整数，且K，K'，L，L'，M及M'的和等于N。
2.根据权利要求1所述的方法，其特征在于，所述预设预处理参数，包括：预设肺部影像完整性参数和/或预设肋骨完整性参数；所述预处理，包括图像筛选处理；
所述根据预设预处理参数对预设采集副数的肋骨的所述第一切片图像进行预处理，获取预设样本副数的肋骨的第二切片图像，包括：
根据所述预设肺部影像完整性参数和/或所述预设肋骨完整性参数对预设采集副数的肋骨的所述第一切片图像进行所述图像筛选处理，获取预设样本副数的肋骨的第二切片图像。
3.根据权利要求1所述的方法，其特征在于，所述预设预处理参数，包括预设图像骨骼灰度参数；所述预处理包括分割图像骨骼；
所述根据预设预处理参数对预设采集副数的肋骨的所述第一切片图像进行预处理，获取预设样本副数的肋骨的第二切片图像，包括：
根据所述预设图像骨骼灰度参数对预设采集副数的肋骨的所述第一切片图像进行所述分割图像骨骼，获取预设样本副数的肋骨的第二切片图像。
4.根据权利要求1所述的方法，其特征在于，所述预设预处理参数，包括预设肋骨图像参数；所述预处理包括清洗肋骨图像；
所述根据预设预处理参数对预设采集副数的肋骨的所述第一切片图像进行预处理，获取预设样本副数的肋骨的第二切片图像，包括：
根据所述预设肋骨图像参数对预设采集副数的肋骨的所述第一切片图像进行所述清洗肋骨图像，获取预设样本副数的肋骨的第二切片图像。
5.根据权利要求1所述的方法，其特征在于，所述预设切片位置，包括：切片总旋转角度和切片间夹角；所述切片总旋转角度为180度，所述切片间夹角小于等于6度。
6.一种训练肋骨定位的装置，其特征在于，包括：
获取训练图像单元，用于依次获取一组训练图像，其中，所述训练图像，是根据N种肋骨切片类型对预设样本副数的肋骨进行切片后获取的N组切片样本图像中的一组，且同一组训练图像的肋骨切片类型相同，每组间训练图像的肋骨切片类型不同，N是大于1的整数；
训练单元，用于利用每组训练图像分别训练第一网络模型达到预设定位肋骨的精度，从而获得优化参数的第一网络模型；
获取训练图像单元还用于在所述依次获取一组训练图像前运行以下步骤：
根据预设切片参数对预设采集副数的肋骨分别进行切片，获取预设采集副数的肋骨的第一切片图像；其中，预设切片参数与N种肋骨切片类型相关联；
根据预设预处理参数对预设采集副数的肋骨的所述第一切片图像进行预处理，获取预设样本副数的肋骨的第二切片图像；
根据N种肋骨切片类型对所述第二切片图像进行分组，获取N组切片样本图像，且同一组切片样本图像的肋骨切片类型相同，每组间切片样本图像的肋骨切片类型不同；
所述预设切片参数包括：左肺三维坐标、右肺三维坐标和预设切片位置；
所述根据预设切片参数对每副肋骨进行切片，获取每副肋骨的第一切片图像，包括：
以每副肋骨的所述左肺三维坐标的X轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的K种肋骨切片类型的第一切片图像；
以每副肋骨的所述左肺三维坐标的Y轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的L种肋骨切片类型的第一切片图像；
以每副肋骨的所述左肺三维坐标的Z轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的M种肋骨切片类型的第一切片图像；
以每副肋骨的所述右肺三维坐标的X轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的K'种肋骨切片类型的第一切片图像；
以每副肋骨的所述右肺三维坐标的Y轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的L'种肋骨切片类型的第一切片图像；
以每副肋骨的所述右肺三维坐标的Z轴为轴心，对每副肋骨进行预设切片位置的切片，获取每副肋骨的M'种肋骨切片类型的第一切片图像；
其中，所述左肺三维坐标，是在左侧肋骨中左肺的预设左原点建立的三维坐标，所述左肺三维坐标的X轴和Z轴为水平轴且Y轴为垂直轴；所述右肺三维坐标，是在右侧肋骨中右肺的预设右原点建立的三维坐标，所述右肺三维坐标的X轴和Z轴为水平轴且Y轴为垂直轴；K，K'，L，L'，M和M'分别是大于1的整数，且K，K'，L，L'，M及M'的和等于N。
7.一种建立人体肋骨模型的方法，其特征在于，包括：
根据预设切片参数对单一人体的肋骨进行图像切片，获取N张人体肋骨切片图像，其中，每张所述人体肋骨切片图像属于不同的肋骨切片类型；预设切片参数与N种肋骨切片类型相关联，N是大于1的整数；
根据预设预处理参数对所述人体肋骨切片图像进行预处理，获取肋骨的第二切片图像；
将所述第二切片图像输入优化参数的第一网络模型获取与所述第二切片图像相对应的切片识别结果图像；
根据所述切片识别结果图像获取切片识别结果点状图像；
拟合所述切片识别结果点状图像的点，获取人体三维肋骨点状图；
其中，所述优化参数的第一网络模型是采用如权利要求1-5任一项所述的方法生成的。
8.一种建立人体肋骨模型的装置，其特征在于，包括：
切片单元，用于根据预设切片参数对单一人体的肋骨进行图像切片，获取N张人体肋骨切片图像，其中，每张所述人体肋骨切片图像属于不同的肋骨切片类型；预设切片参数与N种肋骨切片类型相关联，N是大于1的整数；
预处理单元，用于根据预设预处理参数对所述人体肋骨切片图像进行预处理，获取肋骨的第二切片图像；
分类单元，用于将所述第二切片图像输入优化参数的第一网络模型获取与所述第二切片图像相对应的切片识别结果图像；
获取点状图像单元，用于根据所述切片识别结果图像获取切片识别结果点状图像；
拟合单元，用于拟合所述切片识别结果点状图像的点，获取人体三维肋骨点状图；
其中，所述优化参数的第一网络模型是采用如权利要求1-5任一项所述的方法生成的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910428252.7A CN111985512B (zh) | 2019-05-22 | 2019-05-22 | 一种建立人体肋骨模型的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910428252.7A CN111985512B (zh) | 2019-05-22 | 2019-05-22 | 一种建立人体肋骨模型的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111985512A CN111985512A (zh) | 2020-11-24 |
| CN111985512B true CN111985512B (zh) | 2024-02-02 |
Family
ID=73436385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910428252.7A Active CN111985512B (zh) | 2019-05-22 | 2019-05-22 | 一种建立人体肋骨模型的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111985512B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308821B (zh) * | 2020-09-27 | 2023-06-16 | 杭州依图医疗技术有限公司 | 一种椎骨检测方法及计算机设备 |
| CN112489005B (zh) * | 2020-11-26 | 2021-11-09 | 推想医疗科技股份有限公司 | 骨分割方法及装置、骨折检出方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102460471A (zh) * | 2009-06-19 | 2012-05-16 | 美国医软科技公司 | 用于胸腔层析x射线合成成像中的计算机辅助肺结节检测的系统 |
| CN107798682A (zh) * | 2017-08-31 | 2018-03-13 | 深圳联影医疗科技有限公司 | 图像分割系统、方法、装置和计算机可读存储介质 |
| CN108520519A (zh) * | 2018-04-11 | 2018-09-11 | 上海联影医疗科技有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
| CN108694007A (zh) * | 2017-04-10 | 2018-10-23 | 西门子保健有限责任公司 | 从磁共振图像展开肋骨 |
| CN109124662A (zh) * | 2018-07-13 | 2019-01-04 | 上海皓桦科技股份有限公司 | 肋骨中心线检测装置及方法 |
| CN109191465A (zh) * | 2018-08-16 | 2019-01-11 | 青岛大学附属医院 | 一种基于深度学习网络判定、标识人体左右第一肋骨的系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8081811B2 (en) * | 2007-04-12 | 2011-12-20 | Fujifilm Corporation | Method, apparatus, and program for judging image recognition results, and computer readable medium having the program stored therein |
-
2019
- 2019-05-22 CN CN201910428252.7A patent/CN111985512B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102460471A (zh) * | 2009-06-19 | 2012-05-16 | 美国医软科技公司 | 用于胸腔层析x射线合成成像中的计算机辅助肺结节检测的系统 |
| CN108694007A (zh) * | 2017-04-10 | 2018-10-23 | 西门子保健有限责任公司 | 从磁共振图像展开肋骨 |
| CN107798682A (zh) * | 2017-08-31 | 2018-03-13 | 深圳联影医疗科技有限公司 | 图像分割系统、方法、装置和计算机可读存储介质 |
| CN107808379A (zh) * | 2017-08-31 | 2018-03-16 | 深圳联影医疗科技有限公司 | 图像处理系统、方法、装置和计算机可读介质 |
| CN108520519A (zh) * | 2018-04-11 | 2018-09-11 | 上海联影医疗科技有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
| CN109124662A (zh) * | 2018-07-13 | 2019-01-04 | 上海皓桦科技股份有限公司 | 肋骨中心线检测装置及方法 |
| CN109191465A (zh) * | 2018-08-16 | 2019-01-11 | 青岛大学附属医院 | 一种基于深度学习网络判定、标识人体左右第一肋骨的系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于胸部影像的肺结节检测与分类关键技术研究;王昌淼;中国博士学位论文电子期刊网;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111985512A (zh) | 2020-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110599508B (zh) | 基于人工智能的脊柱影像处理方法及相关设备 | |
| CN110956633B (zh) | 一种基于虚拟立体定位像的快速ct扫描方法及系统 | |
| CN108320288B (zh) | 一种特发性脊柱侧凸影像的数据处理方法 | |
| Douglas | Image processing for craniofacial landmark identification and measurement: a review of photogrammetry and cephalometry | |
| US6055326A (en) | Method for orienting electronic medical images | |
| US20190295250A1 (en) | Method, apparatus and system for reconstructing images of 3d surface | |
| US8953865B2 (en) | Medical image processing device and medical image processing method | |
| CN112258516B (zh) | 一种脊柱侧弯图像检测模型的生成方法 | |
| EP3301649B1 (en) | Method for processing medical image data and image processing system for medical image data | |
| CN111985512B (zh) | 一种建立人体肋骨模型的方法和装置 | |
| Yoshino | Craniofacial superimposition | |
| CN101484920B (zh) | 在连续扫描之间传递扫描几何形状的方法、设备和系统 | |
| CN114287915A (zh) | 一种基于背部彩色图像的无创脊柱侧弯筛查方法及系统 | |
| CN111986138B (zh) | 一种获取肋骨定位的方法和装置 | |
| CN113870098A (zh) | 一种基于脊柱分层重建的Cobb角自动测量方法 | |
| CN111063023A (zh) | 基于三维卷积神经网络的颅骨缺损重建方法 | |
| CN112349391A (zh) | 一种优化肋骨自动标号方法 | |
| CN108399354A (zh) | 计算机视觉识别肿瘤的方法和装置 | |
| CN104952068B (zh) | 一种脊椎特征点自动识别方法 | |
| GB2451367A (en) | Nodule detection in computed tomography images | |
| US7292714B2 (en) | Method, device and software for separating the individual subjects of an anatomical structure segmented from 3D datasets of medical examination procedures | |
| Cooper et al. | Magnetic resonance imaging for three-dimensional printing of the bony orbit: is clinical use imminent? | |
| Hill et al. | A quantitative method for the evaluation of three-dimensional structure of temporal bone pneumatization | |
| CN117078840A (zh) | 基于ct图像的髋关节三维建模的自动定量计算方法 | |
| CN115252233B (zh) | 基于深度学习的全髋关节置换术中髋臼杯的自动化规划方法 |
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 |