CN112349391A - 一种优化肋骨自动标号方法 - Google Patents
一种优化肋骨自动标号方法 Download PDFInfo
- Publication number
- CN112349391A CN112349391A CN202011245478.2A CN202011245478A CN112349391A CN 112349391 A CN112349391 A CN 112349391A CN 202011245478 A CN202011245478 A CN 202011245478A CN 112349391 A CN112349391 A CN 112349391A
- Authority
- CN
- China
- Prior art keywords
- rib
- ribs
- communication area
- determining
- automatic labeling
- 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
- 238000002372 labelling Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000004891 communication Methods 0.000 claims abstract description 28
- 210000000038 chest Anatomy 0.000 claims abstract description 13
- 238000012163 sequencing technique Methods 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 210000004072 lung Anatomy 0.000 description 14
- 238000002591 computed tomography Methods 0.000 description 13
- 238000003745 diagnosis Methods 0.000 description 6
- 210000000115 thoracic cavity Anatomy 0.000 description 4
- 208000027790 Rib fracture Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 208000010392 Bone Fractures Diseases 0.000 description 2
- 206010017076 Fracture Diseases 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010059011 Rib deformity Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 206010039722 scoliosis Diseases 0.000 description 1
- 210000001562 sternum Anatomy 0.000 description 1
- 230000000007 visual effect Effects 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
- A61B90/39—Markers, e.g. radio-opaque or breast lesions markers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/68—Analysis of geometric attributes of symmetry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种优化肋骨自动标号方法，该方法包括：S1.通过扫描数据获取肋骨的位置，并通过聚类方法，将单根肋骨的检测框进行单独归类；S2.根据胸腔肋骨联通区域的三维图在二维平面方向上的投影特征表现，通过多标签网络模型，确定每根肋骨的联通区域，确定每根肋骨位于人体左侧还是右侧；S3.根据单侧肋骨检测框矢状面映射图，确定每根肋骨区域及其中心点，通过对中心点进行排序来给肋骨编号，实现对每一肋骨的自动标号。本发明与现有技术相比，通过创造性的设计数据的形态使其可以被深度学习技术的解决，准确率高，对于左右侧肋骨的判断准确率为99.7％，对于是否为肋骨的准确率判断为97.5％，而且方法简单方便。
Description
技术领域
本发明属于医疗图像领域，涉及一种可以判断人体肋骨左右侧、实现双侧肋骨自动标号及相关修正的方法，具体涉及一种优化肋骨自动标号方法。
背景技术
人体胸腔由左右侧各12根肋骨、胸骨、脊椎骨等骨骼组成，其中肋骨分布范围广且位置较为浅表，胸腔一旦遭受直接或者间接作用力，肋骨极易发生骨折，约占胸腔骨折的90％；由于肋骨数量多、空间关系复杂，肋骨骨折患者的X光片中病变部位影像极有可能重叠，从而导致的某些病变模糊而难以准确诊断；计算机断层扫描影像(CT)具备大范围、薄层、高分辨率等优势，可以有效地展示肋骨全貌或3/4，是目前临床上肋骨骨折诊断常用影像。
医生在诊断过程中，需要对每根肋骨进行仔细排查，诊断报告中需要写明具体是哪根或者哪几根肋骨发生骨折，但是人体胸腔薄层CT影像动辄7、8百张，逐张排查时，需要医生实时记住当前CT影像中各个肋骨切片的标号，一旦忘却，则医生需要返回至第一根肋骨的CT图像层，再重新计数每层肋骨切片的标号，直至完成诊断报告。由于肋骨骨折具有多发性，故上述诊断过程可能会重复很多次，导致医生工作效率比较低。
目前临床上在用的可以辅助医生实现肋骨编号的多为影像设备的图像后处理工作站，其实现方法多为将人体所有肋骨进行重建成三维可视化图像或者将肋骨进行展开平铺显示，这两种方法均不能实现重建或者展开图像与原始CT肋骨切片图像空间位置的实时对应显示，对需要通过阅读患者胸腔CT原始图像给出最终诊断报告的医生而言辅助作用不大。
中国专利CN200810173081公开了一种肋骨自动标定的方法及装置，该方法包括以下步骤：a.从扫描数据中提取包括肋骨在内的所有胸部骨骼，b.根据第一肋骨在矢状面上的特征表现，确定第一肋骨的位置及基础矢状面，c.将第一肋骨的位置作为种子点，在基础矢状面上依次对第一肋骨及其他肋骨进行编号；虽然此专利旨在实现肋骨的自动标号功能，但是所使用的方法是基于CT影像矢状位重建图像，需要预设选定基础矢状面过程中的参考倾斜线段的倾角范围和长度阈值，且预设值对基础矢状面的选择至关重要，而基础矢状面的选择又是后续肋骨编号的基础，但这一预设值的选定完全是基于经验设计的，鲁棒性较差；故此公开专利所述方法的准确性和普适性有待商榷。
中国专利CN201110404367公开了一种用于自动肋骨排序和配对的方法，该方法包括以下步骤：a.在肋骨和脊椎骨位置标示的基础上，实现肋骨左右侧判定，b.对每一侧的肋骨进行排序，c.通过最优化相对侧肋骨之间的基于距离的亲合性完成横跨两侧的肋骨配对，d.采用磁性成本函数和弹性成本函数，通过约束弹性-磁性系统的整体势能达到平衡建立正确的服从于排序的肋骨配对，从而得到精确的肋骨标记，虽然此专利也旨在实现人体肋骨的自动排序，但是其具体实现过程过于依赖人体解剖结构，若是患者影像倾斜度较大，仅凭脊椎骨判定肋骨左右侧有可能会出现误判，且实现过程较为繁琐。
中国专利CN201810931666.7公开了一种判断人体左右第一肋骨的系统及设备，该方法包括以下步骤：a.获取肋骨检测框和肺检测框，b.获取肺尖图像所在的图层，并获取该图层中所有肺尖检测框和肋骨检测框的中心点坐标，c.获取肺尖图像所在图层的中心线，据此中心线将肺分成左肺尖和右肺尖，将肋骨分为左肋骨和右肋骨，d.求取第一夹角，即在肺尖所在图层分别求取左肺检测框和左肋骨检测框夹角，右肺检测框和右肋骨检测框夹角，e.求取第二夹角，即计算左肺检测框和左肋骨检测框中心点的夹角，其中夹角最大值所对应的肋骨检测框中的肋骨为人体左侧第一肋骨，同时计算右肺检测框和右肋骨检测框中心点的夹角，其中夹角最大值所对应的肋骨检测框中的肋骨为人体右侧第一肋骨，f.确定左右肺尖图像所在图层中第一肋骨检测框的位置后，依次遍历每张图像，求与第一肋骨检测框相联通的检测框，这些检测框内的肋骨均为第一肋骨；此专利仅实现了左右第一肋骨的识别，未对人体左右侧12根肋骨进行逐一编号，临床意义不大。
中国专利CN201811628676.X公开了一种肋骨标记方法、装置、设备及图像分割模型的训练方法，其中所述肋骨标记方法，实现过程如下：a.获取原始CT图像，b.通过图像分割模型获取包括肋骨分割结果和肋骨中心线分割结果，c.根据人体解剖结构设置至少一个辅助定位点(辅助定位点包括但不限于脊椎中心、椎盘中心以及肺尖与胸腔的定位关系点)，结合上述分割结果进行肋骨排序和标记；虽然此专利也实现了肋骨的标记，但是需要人工设置辅助定位点，且算法较为耗时。
因此，研发一种精准的肋骨自动标号方法十分必要。
发明内容
本发明的目的是为了解决背景技术中的问题，提供了一种优化肋骨自动标号方法。本发明提供的一种优化肋骨自动标号方法，通过采用深度学习神经网络模型，实现对肋骨左右侧的判定，避免了由于过度依赖人体解剖结构造成的误判，提高了肋骨左右侧判定的精准度，为后续的肋骨标号奠定了良好的基础；肋骨标号初步完成后，对肋骨标号进行进一步校验，提高了肋骨标号的准确率。
本发明的上述技术目的，是通过以下技术方案实现的：
一种优化肋骨自动标号方法，该方法包括：
S1.通过扫描数据获取肋骨的位置，并通过聚类方法，将单根肋骨的检测框进行单独归类；
S2.根据胸腔肋骨联通区域的三维图在二维平面方向上的投影特征表现，通过多标签网络模型，确定每根肋骨的联通区域，确定每根肋骨位于人体左侧还是右侧；
S3.根据单侧肋骨检测框矢状面映射图，确定每根肋骨区域及其中心点，通过对中心点进行排序来给肋骨编号，实现对每一肋骨的自动标号。
优选的，所述S1步骤具体包括：通过患者薄层胸腔CT原始DICOM(Digital Imagingand Communications in Medicine，简称DICOM，即医学数字成像和通信，是医学图像和相关信息的国际标准(ISO 12052))数据，在该数据的基础上通过数据预处理以及目标检测的方法获取肋骨的位置，并通过聚类的方式将肋骨检测框以肋骨为单位，实现肋骨分类。
优选的，所述S2步骤具体包括：根据胸腔肋骨分类区域的三维图在二维冠状面平面方向上的投影特征表现，判断出肋骨的主要形态及肋骨的左右侧信息，将二维管状图分成当前肋骨联通区域、其他肋骨联通区域和背景三种颜色层次，通过高亮显示当前联通区域，确定每个联通区域，通过多标签网络模型，确定每根肋骨的联通区域，确定每根肋骨位于人体左侧还是右侧。本发明中，每次只有一根肋骨的联通区域为高亮显示，除了高亮显示的肋骨的其他的肋骨统一显示灰色。
优选的，所述S3步骤具体包括：根据单侧肋骨检测框矢状面映射图，确定每根肋骨的联通区域及其中心点，通过对中心点的x轴位置进行排序来给肋骨编号，实现对每一肋骨的自动标号。
优选的，所述S3步骤还包括：将单侧肋骨检测框矢状面映射图中的肋骨整体旋转一定的角度。
优选的，将单侧肋骨检测框矢状面映射图中的肋骨整体旋转的角度为8-10度。
与现有技术相比，本发明具有以下优点和有益效果：
本发明提供的一种优化肋骨自动标号方法，与现有技术相比，通过创造性的设计数据的形态使其可以被深度学习技术的解决。避免使用固化的人为编订的判断准则判断，这种方法对于变异情况，如：脊柱侧弯，肋骨畸形、受伤，鲁棒性差等，使用基于数据驱动的深度学习方法可以达到较高准确率，并且随着训练数据的丰富，不断地提升对于特殊病例的准确性。对于左右侧肋骨的判断准确率为99.7％，对于是否为肋骨的准确率判断为97.5％。
附图说明
为了更清楚地说明本发明或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单的介绍，显而易见地，下面描述的仅仅是本发明的一个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明提供的一种优化肋骨自动标号方法算法设计流程图；
图2为胸部CT扫描图中肋骨截面的检测结果图；
图3为由肋骨检测框中心点组成的肋骨中心点三维视图；
图4为肋骨检测框中心点聚类对每一根肋骨进行区分图；
图5(a)和图5(b)为肋骨检测框冠状面投影图；
图6(a)和图6(b)为本发明在矢状面的肋骨的联通区域及其中心点示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例提供的一种优化肋骨自动标号方法工作流程图如图1所示。
一种优化肋骨自动标号方法，该方法包括：
S1.通过扫描数据获取肋骨的位置，并通过聚类方法，将单根肋骨的检测框进行单独归类；
本实施例的数据为患者薄层胸腔CT原始DICOM数据，在该数据的基础上通过数据预处理以及目标检测的方法，如Centernet神经网络架构，获取肋骨的位置，肋骨的位置为每一张CT图像上肋骨截面的外接检测框，如图2所示。检测框由矩形左上角坐标及矩形的长、宽4个数据组成，如图2所示的(x,y,h,w)。通过计算矩形框中心点，获得所有肋骨中心点坐标，如图3所示。
通过谱聚类的方法，可以将点云中属于每一根肋骨的截面中心点的点归为同一类。传统聚类方法如：K-means往往基于数据为球形分布的假设，对于肋骨的截面中心形成的曲线空间不能有效聚类。而基于联通性分析的方法，通过设定固定的肋骨截面阈值判断相邻扫描断层的肋骨截面的所属关系，但是对于异常的肋骨形态，如中间存在断层，不能有效判断。基于谱聚类的机器学习方法可提高肋骨聚类的鲁棒性，如图4所示。
S2.根据胸腔肋骨联通区域的三维图在二维平面方向上的投影特征表现，通过多标签网络模型，确定每根肋骨的联通区域，确定每根肋骨位于人体左侧还是右侧；
进一步的，考虑到需要判断图2中的联通区域是否是肋骨，对比图2在冠状面、矢状面、横切面3个方向上的投影，最后选择冠状面为主要考察的投影截面，因为冠状面不仅可以看出肋骨的主要形态，也能包含肋骨的左右信息。采用高亮的办法，按照灰阶图像从0纯黑，到255纯白的颜色区分，将整个图片分成3个颜色层次，0纯黑作为图像背景的灰度强度，128灰色作为其他联通区域的灰度强度，255纯白作为当前要判别的肋骨的灰度强度。因此每一条肋骨区域便可以成为一张独一无二的图像存在。
图5a和图5b分别展示了通过高亮的方法得到的两种不同的联通区域肋骨检测框冠状面投影图，具体的，图5a和图5b从图2的三维图像中取冠状面投影得到。
与此同时，为了判断该联通区域是否为肋骨，解决肋骨左右侧的区分以及是否为肋骨的问题，引入了multi-label的神经网络模型(本发明中，又称“多标签模型”)，该模型允许同时判断肋骨是左侧还是右侧以及是肋骨还是不是肋骨。通过上述的方式，可以使获取判断为肋骨的联通区域，以及得到肋骨是左侧还是右侧肋骨的信息。
S3.根据单侧肋骨检测框矢状面映射图，确定每根肋骨区域及其中心点，通过对中心点进行排序来给肋骨编号，实现对每一肋骨的自动标号。
对单侧的肋骨进行排序以得到肋骨编号，要获得这个编号，在冠状面是比较难以判断的，但是在矢状面却会容易很多，如图6所示。
图6a显示了在矢状面观察到的灰色区域作为肋骨的联通区域，而白色的点则为这些区域的中心点。直接通过对白色的点的x轴位置由小到大进行排序来给肋骨编号，在大多数情况下这样的编号方式都是准确的，但是有少数情况，特别是在靠右侧的区域会出现中线点颠倒的现象。为了抑制这样的现象的发生，将图6a的肋骨整体逆时针旋转一个很小的角度，优选的，旋转角度为8-10度，得到图6b，该角度是通过大量的实例统计得到。如图6b所示，在这种情况下，基本上不会发生中心点颠倒的情况。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种优化肋骨自动标号方法，其特征在于，该方法包括：
S1.通过扫描数据获取肋骨的位置，并通过聚类方法，将单根肋骨的检测框进行单独归类；
S2.根据胸腔肋骨联通区域的三维图在二维平面方向上的投影特征表现，通过多标签网络模型，确定每根肋骨的联通区域，确定每根肋骨位于人体左侧还是右侧；
S3.根据单侧肋骨检测框矢状面映射图，确定每根肋骨区域及其中心点，通过对中心点进行排序来给肋骨编号，实现对每一肋骨的自动标号。
2.根据权利要求1所述的一种优化肋骨自动标号方法，其特征在于，所述S1步骤具体包括：
通过患者薄层胸腔CT原始DICOM数据，在该数据的基础上通过数据预处理以及目标检测的方法获取肋骨的位置，并通过聚类的方式将肋骨检测框以肋骨为单位，实现肋骨分类。
3.根据权利要求2所述的一种优化肋骨自动标号方法，其特征在于，所述S2步骤具体包括：
根据胸腔肋骨联通区域的三维图在二维冠状面平面方向上的投影特征表现，判断出肋骨的主要形态及肋骨的左右侧信息，将二维管状图分成当前联通区域、其他联通区域和背景三种颜色层次，通过高亮显示当前联通区域，确定每个联通区域，通过多标签网络模型，确定每根肋骨的联通区域，确定每根肋骨位于人体左侧还是右侧。
4.根据权利要求1所述的一种优化肋骨自动标号方法，其特征在于，所述S3步骤具体包括：
根据单侧肋骨检测框矢状面映射图，确定每根肋骨区域及其中心点，通过对中心点的x轴位置进行排序来给肋骨编号，实现对每一肋骨的自动标号。
5.根据权利要求4所述的一种优化肋骨自动标号方法，其特征在于，所述S3步骤还包括，将单侧肋骨检测框矢状面映射图中的肋骨整体旋转一定的角度。
6.根据权利要求5所述的一种优化肋骨自动标号方法，其特征在于，所述S3步骤中，将单侧肋骨检测框矢状面映射图中的肋骨整体旋转的角度为8-10度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011245478.2A CN112349391A (zh) | 2020-11-10 | 2020-11-10 | 一种优化肋骨自动标号方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011245478.2A CN112349391A (zh) | 2020-11-10 | 2020-11-10 | 一种优化肋骨自动标号方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112349391A true CN112349391A (zh) | 2021-02-09 |
Family
ID=74363063
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011245478.2A Pending CN112349391A (zh) | 2020-11-10 | 2020-11-10 | 一种优化肋骨自动标号方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112349391A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112862793A (zh) * | 2021-02-20 | 2021-05-28 | 北京医准智能科技有限公司 | 一种基于肋骨三维形态及分布的肋骨中心线提取方法及装置 |
| CN113034495A (zh) * | 2021-04-21 | 2021-06-25 | 上海交通大学 | 一种脊柱影像分割方法、介质及电子设备 |
| CN113850776A (zh) * | 2021-09-22 | 2021-12-28 | 推想医疗科技股份有限公司 | 图像处理方法及装置、电子设备及存储介质 |
| CN116523938A (zh) * | 2023-05-16 | 2023-08-01 | 北京长木谷医疗科技股份有限公司 | 骨骼分割后的数据处理方法、装置、设备及可读存储介质 |
Citations (9)
| 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 |
| CN106683090A (zh) * | 2016-12-31 | 2017-05-17 | 上海联影医疗科技有限公司 | 医学图像中肋骨的定位方法及其系统 |
| CN107154038A (zh) * | 2016-04-22 | 2017-09-12 | 孔德兴 | 一种肋骨可视化的肋骨骨折辅助诊断方法 |
| 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 |
| CN109785303A (zh) * | 2018-12-28 | 2019-05-21 | 上海联影智能医疗科技有限公司 | 肋骨标记方法、装置、设备以及图像分割模型的训练方法 |
| CN110555860A (zh) * | 2018-06-04 | 2019-12-10 | 青岛海信医疗设备股份有限公司 | 医学图像中肋骨区域标注的方法、电子设备和存储介质 |
| CN110599494A (zh) * | 2018-06-12 | 2019-12-20 | 中国科学院深圳先进技术研究院 | 肋骨图像重建系统及方法、终端及可读存储介质 |
| CN110992376A (zh) * | 2019-11-28 | 2020-04-10 | 北京推想科技有限公司 | 基于ct图像的肋骨分割方法、装置、介质及电子设备 |
| CN111513743A (zh) * | 2020-04-10 | 2020-08-11 | 青岛海信医疗设备股份有限公司 | 一种骨折检测方法及装置 |
-
2020
- 2020-11-10 CN CN202011245478.2A patent/CN112349391A/zh active Pending
Patent Citations (9)
| 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 |
| CN107154038A (zh) * | 2016-04-22 | 2017-09-12 | 孔德兴 | 一种肋骨可视化的肋骨骨折辅助诊断方法 |
| CN106683090A (zh) * | 2016-12-31 | 2017-05-17 | 上海联影医疗科技有限公司 | 医学图像中肋骨的定位方法及其系统 |
| CN110555860A (zh) * | 2018-06-04 | 2019-12-10 | 青岛海信医疗设备股份有限公司 | 医学图像中肋骨区域标注的方法、电子设备和存储介质 |
| CN110599494A (zh) * | 2018-06-12 | 2019-12-20 | 中国科学院深圳先进技术研究院 | 肋骨图像重建系统及方法、终端及可读存储介质 |
| 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 |
| CN109785303A (zh) * | 2018-12-28 | 2019-05-21 | 上海联影智能医疗科技有限公司 | 肋骨标记方法、装置、设备以及图像分割模型的训练方法 |
| CN110992376A (zh) * | 2019-11-28 | 2020-04-10 | 北京推想科技有限公司 | 基于ct图像的肋骨分割方法、装置、介质及电子设备 |
| CN111513743A (zh) * | 2020-04-10 | 2020-08-11 | 青岛海信医疗设备股份有限公司 | 一种骨折检测方法及装置 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112862793A (zh) * | 2021-02-20 | 2021-05-28 | 北京医准智能科技有限公司 | 一种基于肋骨三维形态及分布的肋骨中心线提取方法及装置 |
| CN113034495A (zh) * | 2021-04-21 | 2021-06-25 | 上海交通大学 | 一种脊柱影像分割方法、介质及电子设备 |
| CN113034495B (zh) * | 2021-04-21 | 2022-05-06 | 上海交通大学 | 一种脊柱影像分割方法、介质及电子设备 |
| CN113850776A (zh) * | 2021-09-22 | 2021-12-28 | 推想医疗科技股份有限公司 | 图像处理方法及装置、电子设备及存储介质 |
| CN116523938A (zh) * | 2023-05-16 | 2023-08-01 | 北京长木谷医疗科技股份有限公司 | 骨骼分割后的数据处理方法、装置、设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108520519B (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
| US11576645B2 (en) | Systems and methods for scanning a patient in an imaging system | |
| CN107798682B (zh) | 图像分割系统、方法、装置和计算机可读存储介质 | |
| CN107622492B (zh) | 肺裂分割方法及系统 | |
| CN112349391A (zh) | 一种优化肋骨自动标号方法 | |
| WO2021017297A1 (zh) | 基于人工智能的脊柱影像处理方法及相关设备 | |
| CN110338841B (zh) | 三维成像数据的显示处理方法和三维超声成像方法及系统 | |
| CN107909622B (zh) | 模型生成方法、医学成像的扫描规划方法及医学成像系统 | |
| US7206462B1 (en) | Method and system for the detection, comparison and volumetric quantification of pulmonary nodules on medical computed tomography scans | |
| US20180039754A1 (en) | Methods and systems for producing an implant | |
| US7876938B2 (en) | System and method for whole body landmark detection, segmentation and change quantification in digital images | |
| US20130018497A1 (en) | Methods and systems for producing an implant | |
| CN112037200A (zh) | 一种医学影像中解剖特征自动识别与模型重建方法 | |
| Wu et al. | AAR-RT–a system for auto-contouring organs at risk on CT images for radiation therapy planning: principles, design, and large-scale evaluation on head-and-neck and thoracic cancer cases | |
| US12106856B2 (en) | Image processing apparatus, image processing method, and program for segmentation correction of medical image | |
| CN112001889A (zh) | 医学影像处理方法、装置及医学影像显示方法 | |
| CN115429325A (zh) | 一种超声成像方法及超声成像设备 | |
| CN112927213B (zh) | 一种医学图像分割方法、介质及电子设备 | |
| ES2769962A1 (es) | Procedimiento de identificacion de imagenes oseas | |
| CN111275754B (zh) | 一种基于深度学习的脸部痘印比例计算方法 | |
| CN115690556B (zh) | 一种基于多模态影像学特征的图像识别方法及系统 | |
| Cui et al. | Cobb Angle Measurement Method of Scoliosis Based on U-net Network | |
| Čapek et al. | Multimodal medical volume registration based on spherical markers | |
| US20240242400A1 (en) | Systems and methods for medical imaging | |
| CN117731244B (zh) | 一种基于红外热成像的脊柱侧弯风险预警系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210209 |