CN112185519A - 一种医学图像处理方法、处理装置和医学图像的显示方法 - Google Patents
一种医学图像处理方法、处理装置和医学图像的显示方法 Download PDFInfo
- Publication number
- CN112185519A CN112185519A CN202010904556.9A CN202010904556A CN112185519A CN 112185519 A CN112185519 A CN 112185519A CN 202010904556 A CN202010904556 A CN 202010904556A CN 112185519 A CN112185519 A CN 112185519A
- Authority
- CN
- China
- Prior art keywords
- rib
- medical image
- image processing
- processing method
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000010586 diagram Methods 0.000 claims description 22
- 238000013145 classification model Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 208000027790 Rib fracture Diseases 0.000 abstract description 3
- 230000005856 abnormality Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000000988 bone and bone Anatomy 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000001562 sternum Anatomy 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种医学图像处理方法、处理装置和医学图像的显示方法。所述医学图像处理方法包括:在3D医学图像中获取多个第一切面图像,并在所述多个第一切面图像中获取肋骨关键点;根据所述肋骨关键点确定肋骨的走形曲面;根据所述肋骨的走形曲面,生成第一肋骨视图。根据本发明的医学图像处理方法、处理装置及医学图像的显示方法,通过不同肋骨的走向曲面,将现有的只能用断面显示的肋骨通过单张图片即可显示肋骨的全貌,使得医生能快速的发现肋骨骨折等异常,为快速诊断提供了便利。
Description
技术领域
本发明涉及医学图像处理方法、处理装置和显示方法。更具体地,涉及一种肋骨图像的处理方法、处理装置及显示方法。
背景技术
3D医学图像,如CT图像、MRI图像、PET图像等是现在医院比较常规且主要的成像设备,这些成像设备向医生提供多视角、高分辨率、多部位的医学图像,成为了各种医疗检查的主要手段。但是,现有的医学图像显示软件主要是通过横断面视图、冠状面视图、和矢装面视图向医生展示图像,医生通过切换不同的视图完成阅片。但是这种阅片方式只能提供各个视角的断面图像,需要观察肋骨等弯曲、细长的部位时无法看到其全景,给医生的阅片带来的诸多不便。
发明内容
本发明意图提供一种医学图像处理方法、处理装置和医学图像的显示方法,其能够完整的展示各肋骨的全貌,使得医生能快速的发现各肋骨是否存在异常,能够快速的定位异常位置,提高医生的诊断效率。
为了解决现有技术中的问题,本发明提供一种医学图像处理方法,包括:
在3D医学图像中获取多个第一切面图像,并在所述多个第一切面图像中获取肋骨关键点;
根据所述肋骨关键点确定肋骨的走形曲面;
根据所述肋骨的走形曲面,生成第一肋骨视图。
可选的,所述在3D医学图像中获取多个第一切面图像,并在所述多个第一切面图像中获取肋骨关键点,包括:
在3D医学图像中确定肋骨区域的切面中心轴,
经过所述切面中心轴、间隔预设角度,切片获得多个第一切面图像。
可选的,所述切面中心轴为分别经过左右侧指定肋骨中心的两个切面中心轴。
可选的,所述切面中心轴经过第一根肋骨中心和最后一根肋骨中心。
可选的,所述第一切面图像为平行于横断面或冠状面或矢状面的以固定间隔平行的切面图像。
可选的,所述医学图像处理方法,还包括:
根据多个第一切面图像中获取的肋骨关键点生成三维肋骨点状图;
将所述三维肋骨点状图输入分类模型获取每根虚拟肋骨的肋骨类型。
可选的,所述在3D医学图像中获取多个第一切面图像,并在所述多个第一切面图像中获取肋骨关键点,包括:
识别所述第一切面图像中的肋骨区域;
以所述肋骨区域的中心点为肋骨关键点。
可选的,所述根据所述肋骨的走形曲面,生成第一肋骨视图包括:
获取平行于所述肋骨走形曲面的曲面;
基于所述曲面生成第一肋骨视图。
本发明还提供一种医学图像处理装置,包括:
关键点获取单元,用于在3D医学图像中获取多个第一切面图像,并在所述多个第一切面图像中获取肋骨关键点;
肋骨走形曲面获取单元,用于根据所述肋骨关键点确定肋骨的走形曲面;
肋骨视图生成单元,用于根据所述肋骨的走形曲面,生成第一肋骨视图;
存储单元,用于存储所述生成的第一肋骨视图。
本发明还提供一种医学图像的显示方法,所述医学图像为包含肋骨区域的3D医学图像,所述显示方法,包括:
响应于第一操作,显示所述3D医学图像的断面图像;
响应于第二操作,显示预生成的指定肋骨的第一肋骨视图,
其中,所述第一肋骨视图根据上述的医学图像处理方法获取。
根据本发明的医学图像处理方法、处理装置及医学图像的显示方法,通过不同肋骨的走向曲面,将现有的只能用断面显示的肋骨通过单张图片即可显示肋骨的全貌,使得医生能快速的发现肋骨骨折等异常,为快速诊断提供了便利。
进一步地,根据本发明的医学图像处理方法在运算的过程中,将肋骨简化为肋骨关键点的连线,有效的降低了设备的计算量和计算速度,并且提前生成肋骨的全貌图,并将其存储在设备的存储器内,在医生需要查看时就能快速的调取肋骨全貌图,进一步地提高了诊断的效率。
附图说明
在未必按照比例绘制的附图中,不同视图中相似的附图标记可以表示相似的构件。具有字母后缀的相似附图标记或具有不同字母后缀的相似附图标记可以表示相似构件的不同实例。附图通常作为示例而非限制地图示各种实施例,并且与说明书和权利要求书一起用于解释所公开的实施例。
图1是根据本发明实施例的医学图像处理方法的流程示意图;
图2是根据本发明实施例的第一切面图像的生成示意图;
图3是根据本发明实施例的切面中心轴的示意图;
图4是根据本发明实施例的三维肋骨点状图的示意图;
图5是根据本发明实施例的医学图像处理装置的结构示意图;
图6是根据本发明实施例的医学图像的显示方法的流程示意图;
图7是根据本发明实施例的医学图像的显示界面的示意图。
具体实施方式
为了使得本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例的附图,对本公开实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。基于所描述的本公开的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
除非另外定义,本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。
图1是根据本发明实施例的医学图像处理方法的流程示意图。如图1所示,根据本发明实施例的医学图像处理方法,包括:
S11,在3D医学图像中获取多个第一切面图像,并在所述多个第一切面图像中获取肋骨关键点;
S12,根据所述肋骨关键点确定肋骨的走形曲面;
S13,根据所述肋骨的走形曲面,生成第一肋骨视图。
执行S11,本实施例中,所述3D医学图像可以是CT图像、MR图像、PET图像中的一种。该医学图像包含完整肋骨区域,肋骨,是一种弧形小骨,后端皆与胸椎相连,上五条前端与胸骨相连,中五条前端融合成一条而连于胸骨,下二条前端游离,合而构成胸廓。
本实施例的方法主要是针对人类。但是该方法也可以应用在其他动物的肋骨。一般而言,人类的肋骨,可以是十一对肋骨、十二对肋骨或十三对肋骨,最为常见是十二对肋骨,个别的有十一对肋骨或十三对肋骨。本实施例提供的方法对任何类型的肋骨都可以适用。
图2是根据本发明实施例的第一切面图像的生成示意图。以下结合图2对获取多个第一切面图像的过程进行说明。
所述获取多个第一切面图像的过程包括:在3D医学图像中确定肋骨区域的切面中心轴,经过所述切面中心轴、间隔预设角度,切片获得多个第一切面图像。
图3是根据本发明实施例的切面中心轴的示意图。本实施例中,所述切面中心轴为分别经过左右侧指定肋骨中心的两个切面中心轴。图3中只标记了左侧的切面中心轴,该切面中心轴10垂直于横断面。本实施例中,切面中心轴10经过第一根肋骨中心。在其他实施例中所述切面中心轴也可以是经过第二根肋骨或其他肋骨中心,还可以是同时经过第一根肋骨中心和最后一根肋骨中心,在此不作限定。
继续参考图2,进一步地,为了在生成第一切面图像时,避免脊椎骨的干扰、同时减少计算量,所述第一切面图像的起始切片位置靠近肋骨与椎骨的连接处,且第一切面图像不包括脊椎骨。所述起始切片位置是根据人体结构的特征提前设置(一般人类的起始切片位置大致相同)。
本实施例中分别针对左右两侧的肋骨生成两组第一切面图像,以左侧的一组第一切面图像为例,第一切面图像从起始切片位置围绕左侧切面中心轴旋转生成第一组第一切面图像,终止切片位置是完成左侧的肋骨采集的位置。同样所述终止切片位置是根据人体结构的特征提前设置。
本实施例中,切片的总旋转采集角度小于等于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度的第一切面图像。所述切片间夹角的最佳角度是3度。这样可以保证每一个转轴获得30张到70张第一切面图像。第一切面图像的张数越多,肋骨关键点就越密。
在其他实施例中,所述第一切面图像也可以是平行于横断面或冠状面或矢状面的以固定间隔平行的切面图像,也可以是围绕着同一个切面中心轴对左侧和右侧的肋骨进行切分以获得第一切面图像,在此不作限定。
在获取多个第一切面图像后,在所述多个第一切面图像中获取肋骨关键点。所述获取肋骨关键点包括:识别所述第一切面图像中的肋骨区域;以所述肋骨区域的中心点为肋骨关键点。
本实施例中,设置肋骨关键点的目的是为了拟合出肋骨点状图。肋骨关键点可以是通过人工的方式标记,也可以通过自动识别的方式标记。本实施例采用自动识别的方式。例如,通过图像中的肋骨灰度与其他部分灰度差异,自动标记肋骨关键点,或通过训练好的AI模型自动识别肋骨关键点。以CT图像为例,采集肋骨图像时,骨骼组织相对其他部位,如脂肪或肌肉,对X射线的衰减程度不一样,因此在生成的X射线切片图像上其骨骼图像灰度值明显区别于其他区域,进而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算子均可实现对切片图像中骨骼图像的分割。
本实施例中,所述肋骨关键点可以是第一切面图像中识别出的肋骨区域的中心点。在其他实施例中,也可以采用肋骨区域的最高点或最低点或其他的点,在此不作限定。
本实施例中,所述医学图像处理方法还包括:根据多个第一切面图像中获取肋骨关键点生成三维肋骨点状图;将所述三维肋骨点状图输入神经网络获取每根虚拟肋骨的肋骨类型。
图4是根据本发明实施例的三维肋骨点状图的示意图。如图4所示,三维肋骨点状图是以肋骨关键点标记一副肋骨的N张第一切面图像中的肋骨区域,将N张第一切面图像中的肋骨关键点拟合后生成的虚拟肋骨的三维图像。三维肋骨点状图中的连线表示一根虚拟肋骨。每根虚拟肋骨对应一个实际的肋骨,虚拟肋骨从上往下数,左边第一条线对应左侧第一根肋骨,即肋骨类型为左一;右边第一条线对应右侧第一根肋骨,即肋骨类型为右一;左边第二条线对应左侧第二根肋骨,即肋骨类型为左二;右边第二条线对应右侧第二根肋骨,即肋骨类型为右二;以此类推。
将根据所述肋骨关键点的连线生成的三维肋骨点状图输入分类模型获取每根虚拟肋骨的肋骨类型,其中所述肋骨类型根据肋骨的位置进行分类。所述分类模型可以是机器学习模型,分类模型的训练步骤包括获取训练图像,并利用所述训练图像训练初始分类模型以获得分类模型。其中,所述训练图像,包括预设样本数量的三维肋骨点状图,所述三维肋骨点状图中每根虚拟肋骨均标记了肋骨类型。
预设样本数量是符合训练要求的三维肋骨点状图的数量。通常训练图像数量越多,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,预设样本数量是与训练效果相关联的。
利用所述训练图像训练初始分类模型,使所述初始分类模型输出的每根虚拟肋骨的肋骨类型达到预设分类精度,从而获得最终的分类模型。预设分类精度是大于或等于90%。
训练分类模型的目的是为了实现将三维类骨点状图输入所述分类模型时,输出三维肋骨点状图中虚拟肋骨的肋骨类型。
根据每根虚拟肋骨和第一切面图像中肋骨的映射关系,对所述第一切面图像中肋骨区域做与肋骨类型相关联的信息进行标记。
所述与肋骨类型相关联的信息,可以用文字进行标记,例如,左侧第一根肋骨标识为左一,右侧第三根肋骨标识为右三。也可以用符号进行标记,例如,左侧第一根肋骨标识为L1,右侧第三根肋骨标识为R3。
执行S12,根据所述肋骨关键点确定肋骨的走形曲面。由上述可知通过所述分类模型确定了三维肋骨点状图中每根肋骨的类型,将每根肋骨的肋骨关键点连接成连线,基于每根肋骨关键点的连线生成每根肋骨的走形曲面,所述每根肋骨的走形曲面经过每根肋骨的所有肋骨关键点,因为肋骨是弯曲状,因此经过所述肋骨关键点的面也应为曲面,本实施例中所述肋骨的走形曲面可以垂直于矢状面。
执行S13,根据所述肋骨的走形曲面,生成第一肋骨视图。为了便于用户观察,将所述肋骨的走形曲面拟合成横断视图,也即将肋骨的走形曲面映射在横断视图的二维图像上生成第一肋骨视图。
肋骨的长径距在10mm左右,为了能让用户更好的观察肋骨情况,本实施例中,可以通过获取平行于所述肋骨走形曲面的曲面,基于所述曲面生成第一肋骨视图。具体地,在获取了平行于肋骨走形曲面的曲面后,将该曲面映射至二维图像上生成针对同一根肋骨的多个第一肋骨视图。
根据本发明实施例的医学图像处理方法,将传统的医学阅片软件中,只能看到固定断层肋骨的断面图像,通过肋骨走向曲面映射至横断视图上,使用户能查看到完整的肋骨图像,便于医生确定肋骨上的疾病,提高诊断效率和诊断准确率。
与所述医学图像处理方法相对应,本申请还提供一种医学图像处理装置。
图5是根据本发明实施例的医学图像处理装置的结构示意图。如图5所示,本发明实施例的医学图像处理装置包括:
关键点获取单元11,用于在3D医学图像中获取多个第一切面图像,并在所述多个第一切面图像中获取肋骨关键点。
肋骨走形曲面获取单元12,用于根据所述肋骨关键点确定肋骨的走形曲面。
肋骨视图生成单元13,用于根据所述肋骨的走形曲面,生成第一肋骨视图。
存储单元14,用于存储所述生成的第一肋骨视图。
本发明实施例还提供一种医学图像的显示方法,所述医学图像为包含肋骨区域的3D医学图像。图6是根据本发明实施例的医学图像的显示方法的流程示意图。如图6所示,所述医学图像的显示方法,包括:响应于第一操作,显示所述3D医学图像的断面图像;响应于第二操作,显示预生成的指定肋骨的第一肋骨视图,其中,所述第一肋骨视图是根据上述的医学图像处理方法获取的。
图7是根据本发明实施例的医学图像的显示界面的示意图。以下结合图7对本发明实施例的医学图像的显示方法进行详细说明。所述第一操作,可以是打开医学图像显示软件或是在医学图像显示软件中选择待阅览的医学图像,在选择打开医学图像显示软件或选择待阅览的医学图像后会默认显示3D医学影像的断面图像(参考图7中右侧图像),所述断面图像可以是横断面、矢状面、冠状面中的一种或多种。继续参考图7,在所述断面图像上包括肋骨的断面和肋骨的类型,如图7中的5R、6R、7R、8R和5L、6L、7L、8L,分别指右侧第五根、第六根、第七根、第八根肋骨和左侧五根、第六根、第七根、第八根肋骨。所述第二操作是指选择显示某一根肋骨的第一肋骨视图(参考图7中左侧图像),所述第一肋骨视图的获取方式在上文中已详细描述,在此不再赘述,本实施例中所述第一肋骨视图是提前生成存储在存储器中的。所述选择显示某一跟肋骨的第一肋骨视图可以是直接点选断面视图中的某一肋骨或在肋骨列表(未图示)中选择某一肋骨。
根据本发明的医学图像处理方法、处理装置及医学图像的显示方法,通过不同肋骨的走向曲面,将现有的只能用断面显示的肋骨通过单张图片即可显示肋骨的全貌,使得医生能快速的发现肋骨骨折等异常,为快速诊断提供了便利。
进一步地,根据本发明的医学图像处理方法在运算的过程中,将肋骨简化为肋骨关键点的连线,有效的降低了设备的计算量和计算速度,并且提前生成肋骨的全貌图,并将其存储在设备的存储器内,在医生需要查看时就能快速的调取肋骨全貌图,进一步地提高了诊断的效率。
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 (10)
1.一种医学图像处理方法,其特征在于,包括:
在3D医学图像中获取多个第一切面图像,并在所述多个第一切面图像中获取肋骨关键点;
根据所述肋骨关键点确定肋骨的走形曲面;
根据所述肋骨的走形曲面,生成第一肋骨视图。
2.如权利要求1所述的医学图像处理方法,其特征在于,所述在3D医学图像中获取多个第一切面图像,并在所述多个第一切面图像中获取肋骨关键点,包括:
在3D医学图像中确定肋骨区域的切面中心轴,
经过所述切面中心轴、间隔预设角度,切片获得多个第一切面图像。
3.如权利要求2所述的医学图像处理方法,其特征在于,
所述切面中心轴为分别经过左右侧指定肋骨中心的两个切面中心轴。
4.如权利要求3所述的医学图像处理方法,其特征在于,
所述切面中心轴经过第一根肋骨中心和最后一根肋骨中心。
5.如权利要求1所述的医学图像处理方法,其特征在于,
所述第一切面图像为平行于横断面或冠状面或矢状面的以固定间隔平行的切面图像。
6.如权利要求1所述的医学图像处理方法,其特征在于,还包括:
根据多个第一切面图像中获取的肋骨关键点生成三维肋骨点状图;
将所述三维肋骨点状图输入分类模型获取每根虚拟肋骨的肋骨类型。
7.如权利要求1所述的医学图像处理方法,其特征在于,所述在3D医学图像中获取多个第一切面图像,并在所述多个第一切面图像中获取肋骨关键点,包括:
识别所述第一切面图像中的肋骨区域;
以所述肋骨区域的中心点为肋骨关键点。
8.如权利要求1所述的医学图像处理方法,其特征在于,所述根据所述肋骨的走形曲面,生成第一肋骨视图包括:
获取平行于所述肋骨走形曲面的曲面;
基于所述曲面生成第一肋骨视图。
9.一种医学图像处理装置,其特征在于,包括:
关键点获取单元,用于在3D医学图像中获取多个第一切面图像,并在所述多个第一切面图像中获取肋骨关键点;
肋骨走形曲面获取单元,用于根据所述肋骨关键点确定肋骨的走形曲面;
肋骨视图生成单元,用于根据所述肋骨的走形曲面,生成第一肋骨视图;
存储单元,用于存储所述生成的第一肋骨视图。
10.一种医学图像的显示方法,所述医学图像为包含肋骨区域的3D医学图像,其特征在于,包括:
响应于第一操作,显示所述3D医学图像的断面图像;
响应于第二操作,显示预生成的指定肋骨的第一肋骨视图,
其中,所述第一肋骨视图是根据权利要求1至权利要求8中任一项所述的医学图像处理方法获取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010904556.9A CN112185519A (zh) | 2020-09-01 | 2020-09-01 | 一种医学图像处理方法、处理装置和医学图像的显示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010904556.9A CN112185519A (zh) | 2020-09-01 | 2020-09-01 | 一种医学图像处理方法、处理装置和医学图像的显示方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112185519A true CN112185519A (zh) | 2021-01-05 |
Family
ID=73924566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010904556.9A Pending CN112185519A (zh) | 2020-09-01 | 2020-09-01 | 一种医学图像处理方法、处理装置和医学图像的显示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112185519A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452577A (zh) * | 2008-11-26 | 2009-06-10 | 沈阳东软医疗系统有限公司 | 一种肋骨自动标定的方法及装置 |
CN104318563A (zh) * | 2014-10-22 | 2015-01-28 | 北京航空航天大学 | 一种基于医学图像的器官骨架提取方法 |
US20150135055A1 (en) * | 2013-11-12 | 2015-05-14 | Siemens Aktiengesellschaft | Rib labeling for 2d images |
CN108320314A (zh) * | 2017-12-29 | 2018-07-24 | 北京优视魔方科技有限公司 | 一种基于ct横断图像的图像处理方法和装置、肋骨图像显示系统 |
CN108510506A (zh) * | 2018-04-14 | 2018-09-07 | 深圳市图智能科技有限公司 | 一种管状结构图像分割方法 |
CN109830289A (zh) * | 2019-01-18 | 2019-05-31 | 上海皓桦科技股份有限公司 | 肋骨图像显示装置 |
CN110580948A (zh) * | 2019-09-12 | 2019-12-17 | 杭州依图医疗技术有限公司 | 医学影像的显示方法及显示设备 |
CN110706791A (zh) * | 2019-09-30 | 2020-01-17 | 杭州依图医疗技术有限公司 | 一种医学影像处理方法及装置 |
CN110807770A (zh) * | 2019-10-30 | 2020-02-18 | 杭州依图医疗技术有限公司 | 医学影像的处理、识别、显示方法及存储介质 |
CN111563877A (zh) * | 2020-03-24 | 2020-08-21 | 上海依智医疗技术有限公司 | 一种医学影像的生成方法及装置、显示方法及存储介质 |
-
2020
- 2020-09-01 CN CN202010904556.9A patent/CN112185519A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452577A (zh) * | 2008-11-26 | 2009-06-10 | 沈阳东软医疗系统有限公司 | 一种肋骨自动标定的方法及装置 |
US20150135055A1 (en) * | 2013-11-12 | 2015-05-14 | Siemens Aktiengesellschaft | Rib labeling for 2d images |
CN104318563A (zh) * | 2014-10-22 | 2015-01-28 | 北京航空航天大学 | 一种基于医学图像的器官骨架提取方法 |
CN108320314A (zh) * | 2017-12-29 | 2018-07-24 | 北京优视魔方科技有限公司 | 一种基于ct横断图像的图像处理方法和装置、肋骨图像显示系统 |
CN108510506A (zh) * | 2018-04-14 | 2018-09-07 | 深圳市图智能科技有限公司 | 一种管状结构图像分割方法 |
CN109830289A (zh) * | 2019-01-18 | 2019-05-31 | 上海皓桦科技股份有限公司 | 肋骨图像显示装置 |
CN110580948A (zh) * | 2019-09-12 | 2019-12-17 | 杭州依图医疗技术有限公司 | 医学影像的显示方法及显示设备 |
CN110706791A (zh) * | 2019-09-30 | 2020-01-17 | 杭州依图医疗技术有限公司 | 一种医学影像处理方法及装置 |
CN110807770A (zh) * | 2019-10-30 | 2020-02-18 | 杭州依图医疗技术有限公司 | 医学影像的处理、识别、显示方法及存储介质 |
CN111563877A (zh) * | 2020-03-24 | 2020-08-21 | 上海依智医疗技术有限公司 | 一种医学影像的生成方法及装置、显示方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7379613B2 (ja) | 診断支援装置、診断支援システム、情報処理方法、及びプログラム | |
Thiemann et al. | In vivo facial soft tissue depths of a modern adult population from Germany | |
Chen et al. | Effects of stereo and screen size on the legibility of three-dimensional streamtube visualization | |
EP3910592A1 (en) | Image matching method, apparatus and device, and storage medium | |
CN107085860A (zh) | 基于计算机断层成像系统的图像重建方法和装置 | |
US9629599B2 (en) | Imaging device, assignment system and method for assignment of localization data | |
JP2007275595A (ja) | 断層撮影画像データの再現可能なビュー作成方法 | |
CN108765483A (zh) | 一种从脑部ct图像中确定中矢面的方法及系统 | |
CN111445575A (zh) | 威利斯环的图像重建方法、装置、电子设备、存储介质 | |
CN115063386A (zh) | 医学图像处理方法、装置、设备及存储介质 | |
JP7154098B2 (ja) | 医用画像閲覧装置、医用画像処理装置、及び、医用画像診断装置 | |
EP3389006B1 (en) | Rib unfolding from magnetic resonance images | |
WO2022077858A1 (zh) | 基于深度学习体征结构的全模态医学影像序列分组方法 | |
JP6995535B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
CN111986138B (zh) | 一种获取肋骨定位的方法和装置 | |
US20040022424A1 (en) | Method, device and software for separating the individual subjects of an anatomical structure segmented from 3d datasets of medical examination procedures | |
CN112686866A (zh) | 基于医学影像的随访方法、装置及计算机可读存储介质 | |
CN111985512B (zh) | 一种建立人体肋骨模型的方法和装置 | |
CN112185519A (zh) | 一种医学图像处理方法、处理装置和医学图像的显示方法 | |
JP2022164785A (ja) | 情報処理装置、情報処理方法、及びプログラム | |
US8031923B2 (en) | Method, device and computer program product for evaluating medical image data sets | |
JP6752254B2 (ja) | 情報処理装置、情報処理方法 | |
CN111000580A (zh) | 椎间盘扫描方法、装置、控制台设备及ct系统 | |
Gharenazifam et al. | Anatomy-based 3D skeleton extraction from femur model | |
CN112037164B (zh) | 医学影像中身体部位识别方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210105 |
|
RJ01 | Rejection of invention patent application after publication |