CN112598669A - 一种基于数字人技术的肺叶分割方法 - Google Patents

一种基于数字人技术的肺叶分割方法 Download PDF

Info

Publication number
CN112598669A
CN112598669A CN202110241193.XA CN202110241193A CN112598669A CN 112598669 A CN112598669 A CN 112598669A CN 202110241193 A CN202110241193 A CN 202110241193A CN 112598669 A CN112598669 A CN 112598669A
Authority
CN
China
Prior art keywords
image
lung
digital human
digital
deformed
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.)
Granted
Application number
CN202110241193.XA
Other languages
English (en)
Other versions
CN112598669B (zh
Inventor
朱闻韬
饶璠
张铎
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202110241193.XA priority Critical patent/CN112598669B/zh
Publication of CN112598669A publication Critical patent/CN112598669A/zh
Application granted granted Critical
Publication of CN112598669B publication Critical patent/CN112598669B/zh
Priority to JP2022562001A priority patent/JP7378694B2/ja
Priority to PCT/CN2022/072198 priority patent/WO2022183851A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • 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
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/30061—Lung
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/44—Morphing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Nuclear Medicine (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种基于数字人技术的肺叶分割方法，该方法通过数字人图像和临床上患者的肺部图像进行非刚性配准，得到变形场和形变后的数字人图像，采用形变后的数字人图像拟合出数字人的形状参数并根据形状参数生成新的数字人图像，再将新的数字人图像与患者肺部图像不断迭代配准和更新，得到更接近于患者肺部图像的数字人图像，最后将数字人图像与患者肺部图像进行非刚性配准并获得变形场，将变形场加到数字人肺叶的边界点云或掩模图像上，得到的结果即为本方法得到的肺叶分割结果。本发明方法首次利用数字人模型进行医学图像中器官分割，本发明方法可以有效提高患者图像存在异常或病变情形下肺叶分割的精度和稳定性。

Description

一种基于数字人技术的肺叶分割方法
技术领域
本发明涉及图像分割领域，尤其涉及一种基于数字人技术的肺叶分割方法。
背景技术
肺叶分割是通过图像分割的方法获得肺叶边界信息的方法，是肺部可视化和肺部定量分析的重要前提，在肺癌的早期诊断和治疗中发挥着非常重要的作用。在临床中，肺叶的功能相对独立且肺部疾病通常发生在单个肺叶中，精确的肺叶分割是众多肺部手术（如肺叶减容手术）的前提。肺叶是由肺裂隔开的，但在实际应用中，肺叶分割受到CT分辨率有限、肺裂不完整、周围异常结构分布以及肺实质异常等因素的影响，肺叶分割依然是肺部图像处理中的难点问题。
现有的方法主要分为两类，第一类是采用肺裂检测的方法得到肺裂，再通过肺裂得到肺叶表面；第二类是直接采用图像分割的方法得到肺叶。有学者针对二维空间内肺裂的结构特征设计VanderBurg线性算子进行了肺裂检测，但该方法只能运用于无病变的肺部图像，大量研究人员将该方法与结构特征和解剖学知识相结合以提高肺裂检测的稳定性和精度。另外，随着深度学习的迅速发展，也有人将深度学习的相关知识应用于肺裂检测，有学者提出了基于多层Seg3DNet的FissureNet肺裂检测网络，该方法将肺部左侧图像和右侧图像分开处理并采用由粗到细的策略，该方法已在主流的数据库中进行了验证，取得了比传统方法更好的检测结果。
随着计算机技术的发展，直接采用图像分割得到肺叶的方法也得到了迅速的发展，这类方法更强调对先验知识的利用。这类方法中最典型的就是基于Atlas的肺叶分割，该方法首先建立一套肺叶图像的Atlas图集，在选择图集中与病人图像最接近的图像与病人图像进行配准从而得到肺叶分割结果。另外也有学者采用深度学习的方法实现了肺叶的分割，Ferreira等提出了一个用于肺叶分割的FRV-Net，该方法基于VNet结构并在每层都计算Dice函数，仅需要少量样本数就能完成模型的训练。
数字人模型技术是通过统计建模方法从大量样本图像中学习得到图谱形状参数的一种方法，它利用这些参数对模型中器官形状进行调整。数字人模型一般包括以下几个步骤：图像分割、标准与个体的曲面配准和构建数字人统计图谱。数字人模型中具有器官的边界点云或者掩模图像信息。
发明内容
本发明针对现有技术的不足，提出了一种基于数字人技术的肺叶分割方法，该方法基于图像配准实现肺叶分割。该方法通过配准和数据统计肺部图像获得数字人模型，利用数字人模型生成数字人图像，将数字人图像与待分割肺部图像进行配准，根据形变后的数字人图像的形状参数生成新的数字人图像，不断迭代从而得到更接近于患者待分割肺部图像的数字人图像再将新的数字人图像与患者待分割肺部图像进行非刚性配准并获得变形场，将变形场加到数字人肺叶的边界点云或掩模图像上从而得到的肺叶分割结果。
本发明的目的是通过以下技术方案来实现的：一种基于数字人技术的肺叶分割方法，包括以下步骤：
步骤一：通过配准和数据统计肺部图像构建获得数字人模型；
步骤二：采用数字人模型中的数字人图像和待分割肺部图像进行非刚性配准，得到变形场和形变后的数字人图像；
步骤三：对步骤二中形变后的数字人图像拟合数字人的形状参数，并依据数字人的形状参数通过步骤一的数字人模型生成新的数字人图像；
步骤四：将新的数字人图像按照步骤二和步骤三迭代执行多次，直至达到迭代次数阈值或者数字人的形状参数收敛；
步骤五：将最后一次迭代得到的数字人图像与待分割肺部图像进行非刚性配准并获得变形场；
步骤六：将步骤五中得到的变形场加在最后一次迭代得到的数字人图像肺叶的边界点云或掩模图像上，得到肺叶分割结果。
进一步地，所述步骤二中，采用训练好的非刚性配准模型对数字人模型中的数字人图像和待分割肺部图像进行非刚性配准；非刚性配准模型采用UNet作为配准网络，其后连接形变网络，非刚性配准模型的输入为数字人模型中的数字人图像及待分割肺部图像，配准网络输出变形场，形变网络输出形变后的数字人图像。
进一步地，所述非刚性配准模型采用参考图像和浮动图像对作为训练集，其中，参考图像和浮动图像的肺叶掩模作为标签，训练时采用的目标函数如下：
min:f= D(CT1, STN(CT2)) + D ice (M1 , STN(M2)) + R(DVF)
式中，CT1表示参考图像，CT2代表浮动图像；M1为CT1的肺叶掩模；STN(CT2)为CT2形变后的图像，STN(M2)为形变后的掩模图像；D为图像相似性度量函数，D ice 为Dice度量函数；R(DVF)为图像变形场的正则化项。
进一步地，所述步骤三中，采用奇异值分解、计算广义逆或训练好的VGG网络对步骤二中形变后的数字人图像拟合数字人的形状参数。
进一步地，所述VGG网络由卷积层、最大池化层和全连接层组成。
进一步地，所述掩模图像采用图像填充或种子生长方法对封闭的边界点云数据进行转换获得。
进一步地，所述肺部图像的类型为CT图像MRI图像、超声图像或PET图像等。
本发明的有益效果是：本发明方法首次利用数字人模型进行医学图像中器官分割，利用数字人模型能够通过设置形状参数得到不同体态的肺部数字人图像，且数字人模型生成数字人图像不失真的特性，将数字人图像与待分割肺部图像不断迭代配准生成新的数字人图像，使最终生成的数字人图像更接近于待分割的图像，从而有效提高患者图像存在异常或病变情形下肺叶分割的精度和稳定性。
附图说明
图1是肺叶分割整体流程图；
图2是基于深度学习的非刚性配准模型的结构图；
图3是基于深度学习的形状参数拟合神经网络结构图；
图4是形状参数拟合神经网络中的编码网络结构图。
具体实施方式
下面根据实施例和附图详细说明本发明。
实施例1
如图1为基于数字人技术的肺叶分割方法的示意图，该方法包括以下步骤：
步骤一：通过配准和数据统计肺部CT图像生成包含肺叶掩模信息的肺部数字人模型，具体包括如下子步骤：
（1.1）对收集的每张肺部CT图像利用阈值划分进行肺叶分割预处理，然后再通过交互式分割软件进行精确肺叶分割。
（1.2）将每张分割后的肺部CT图像与模板进行曲面配准，得到配准后的边界点云数据，作为样本集。该过程常采用非刚性点云配准算法，如TPS-RPM以及non-rigid ICP等。
（1.3）构建数字人统计图谱，设样本集：
Ω={X 1, X 2,…, X N } (1)
第i个样本X i={(x 1,y 1), (x 2,y 2), (x k ,y k ),…, (x 1,y 1)}（以二维情形为例）包含k个顶点，接着对数据进行统计并做归一化处理：
Figure 7183DEST_PATH_IMAGE001
(2)
Figure 393165DEST_PATH_IMAGE002
(3)
Figure 641744DEST_PATH_IMAGE003
(4)
接着根据主成分分析的流程进行计算平均向量和协方差矩阵：
Figure 974636DEST_PATH_IMAGE004
(5)
Figure 257850DEST_PATH_IMAGE005
(6)
接着计算协方差矩阵S的特征向量φ j 及其对应特征值λ j ，选取最大的前c个特征值及其对应的特征向量，则按照主成分分析的定义，每一个样本的形状估计可以表示为：
Figure 283575DEST_PATH_IMAGE006
(7)
其中b=[b 1, b 2,…b c,]即为形状参数，可采用最小二乘法或矩阵正交化计算得到。
（1.4）将封闭的边界点云数据通过图像填充或种子生长转换成掩模图像。
步骤二：采用数字人模型中的数字人图像和待分割肺部CT图像进行非刚性配准，得到变形场和形变后的数字人图像。
本实施例中，利用训练好的非刚性配准模型实现非刚性配准。非刚性配准模型的结构如图2所示，采用UNet作为配准网络，其后连接形变网络（STN：Spatial TransformNetwork,空间形变网络），非刚性配准模型的输入为参考图像和待配准的浮动图像，经配准网络配准后输出变形场，变形场加数字人图像经形变网络得到形变后的图像。模型训练时，对训练集中的图像划分肺叶掩模作为标签，在训练时同时将作为浮动图像的肺叶掩模输入至形变网络，得到形变后的点集。训练的目标函数包括图像相似性度量（如NCC度量）、掩模图像相似性度量（Dice度量）以及变形场正则化项（一阶导的L2范数）具体表示如下；
min:f= D(CT1, STN(CT2)) + D ice (M1 , STN(M2)) + R(DVF)
式中，CT1表示参考图像，CT2代表浮动图像；M1为CT1的肺叶掩模；STN(CT2)为CT2形变后的图像，STN(M2)为形变后的掩模图像点集；R(DVF)图像变形场的正则化项。
本实施例中采用步骤一中的数字人图像及其肺叶掩模和临床采集的肺部CT图像及其肺叶掩模对模型进行训练直至目标函数收敛，即可得到训练后的非刚性配准模型。
最后将数字人图像（AAM图像）作为浮动图像和待分割肺部CT图像作为参考图像输入至非刚性配准模型，即可得到变形场和形变后的数字人图像。
步骤三：对步骤二中形变后的数字人图像拟合数字人的形状参数，并依据数字人的形状参数生成新的数字人图像；
本实施例中，同样采用神经网络方法对形变后的数字人图像的进行形状参数拟合，其中形状参数拟合的神经网络如图3所示，包含编码网络和图像生成网络，其中编码网络结构如图3和表1所示，图像生成网络由公式（7）实现。
表1 编码网络结构
Figure 19450DEST_PATH_IMAGE007
其中，编码网络输出拟合的形状参数，拟合的形状参数经图像生成网络输出拟合 后的图像。设输入图像和输出的所拟合图像分别为A,B，标签形状参数和拟合形状参数分别 为
Figure 687191DEST_PATH_IMAGE008
，则目标函数可以表示为：
Figure 90491DEST_PATH_IMAGE009
(8)
其中NCC(A,B)为A,B之间的归一化相关系数，μ 1, μ 2为权值，||*||F为F-范数。
利用步骤一构建的数字人模型中的数字人图像作为输入，形状参数作为标签对网络进行训练，当目标函数不再下降时，训练完成。
最后将步骤二中形变后的数字人图像输入至编码网络即可得到拟合的形状参数。
步骤四：重复执行步骤五和步骤六对新的数字人图像进行配准和形状参数拟合多次，直到达到迭代次数阈值或者数字人的形状参数收敛，得到最终数字人模型生成的数字人图像，该数字人图像更接近于待分割的肺部CT图像。
步骤五：再一次将步骤四中得到的新数字人图像和待分割的肺部CT图像作为步骤二中构建的非刚性配准模型的输入，得到配准的变形场。
步骤六：将步骤五中得到的变形场加在数字人图像肺叶的边界点云或掩模图像上，得到的结果即为本方法得到的肺叶分割结果。
本实施例采用神经网络算法实现了非刚性图像配准以及数字人形状参数拟合，计算速度更快，可以快速得到肺叶分割结果。
实施例2
作为一优选方案，本发明还可以采用Elastix工具包中elastix函数获取数字人图像和临床上患者的肺部CT图像的变形场和形变后的数字人图像，具体为：
一种基于数字人技术的肺叶分割方法，该方法包括以下步骤：
步骤一：采用Elastix工具包中elastix函数，将实施例1中构建的数字人模型生成的数字人图像和临床上患者的肺部CT图像作为输入，得到变形场和形变后的数字人图像。
步骤二：采用步骤一中形变后的数字人图像利用训练好的编码网络（图4）拟合数字人的形状参数，并依据数字人的形状参数生成新的数字人图像。
步骤三：重复执行步骤一和步骤二多次，直到达到迭代次数阈值或者数字人的形状参数收敛，得到最终拟合后生成的新的数字人图像。
步骤四：采用Elastix工具包中elastix函数，将步骤四中生成的新的数字人图像和临床上患者的肺部CT图像作为输入，得到变形场。
步骤五：将步骤四中得到的变形场加在数字人肺叶的边界点云或掩模图像上，得到的结果即为本方法得到的肺叶分割结果。
实施例3
作为另一优选方案，本发明还可以将训练好的非刚性配准模型和编码网络连接，一步输出拟合后的形状参数，具体如下：
一种基于数字人技术的肺叶分割方法，该方法包括以下步骤：
步骤一：将实施例1中构建的数字人模型生成的数字人图像和临床上患者的肺部CT图像作为非刚性配准模型和编码网络连接组成的联合网络的输入，获得形变后数字人的形状参数，并依据数字人的形状参数生成新的数字人图像。
步骤二：重复执行步骤一多次，直到达到迭代次数阈值或者数字人的形状参数收敛，得到最终拟合后生成的新的数字人图像。
步骤三：将步骤二中生成的新的数字人图像和临床上患者的肺部CT图像作为非刚性配准模型的输入，得到变形场。
步骤四：将步骤三中得到的变形场加在数字人肺叶的边界点云或掩模图像上，得到肺叶分割结果。
本发明主要用于CT图像，但也可扩展至MRI、超声和PET图像。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。

Claims (7)

1.一种基于数字人技术的肺叶分割方法，其特征在于，包括以下步骤：
步骤一：通过配准和数据统计肺部图像构建获得数字人模型；
步骤二：采用数字人模型中的数字人图像和待分割肺部图像进行非刚性配准，得到变形场和形变后的数字人图像；
步骤三：对步骤二中形变后的数字人图像拟合数字人的形状参数，并依据数字人的形状参数通过步骤一的数字人模型生成新的数字人图像；
步骤四：将新的数字人图像按照步骤二和步骤三迭代执行多次，直至达到迭代次数阈值或者数字人的形状参数收敛；
步骤五：将最后一次迭代得到的数字人图像与待分割肺部图像进行非刚性配准并获得变形场；
步骤六：将步骤五中得到的变形场加在最后一次迭代得到的数字人图像肺叶的边界点云或掩模图像上，得到肺叶分割结果。
2.根据权利要求1所述的肺叶分割方法，其特征在于，所述步骤二中，采用训练好的非刚性配准模型对数字人模型中的数字人图像和待分割肺部图像进行非刚性配准；非刚性配准模型采用UNet作为配准网络，其后连接形变网络，非刚性配准模型的输入为数字人模型中的数字人图像及待分割肺部图像，配准网络输出变形场，形变网络输出形变后的数字人图像。
3.根据权利要求2所述的肺叶分割方法，其特征在于，所述非刚性配准模型采用参考图像和浮动图像对作为训练集，其中，参考图像和浮动图像的肺叶掩模作为标签，训练时采用的目标函数如下：
min:f= D(CT1, STN(CT2)) + D ice (M1 , STN(M2)) + R(DVF)
式中，CT1表示参考图像，CT2代表浮动图像；M1为CT1的肺叶掩模；STN(CT2)为CT2形变后的图像，STN(M2)为形变后的掩模图像；D为图像相似性度量函数，D ice 为Dice度量函数；R (DVF)为图像变形场的正则化项。
4.根据权利要求1所述的肺叶分割方法，其特征在于，所述步骤三中，采用奇异值分解、计算广义逆或训练好的VGG网络对步骤二中形变后的数字人图像拟合数字人的形状参数。
5.根据权利要求4所述的肺叶分割方法，其特征在于，所述VGG网络由卷积层、最大池化层和全连接层组成。
6.根据权利要求1所述的肺叶分割方法，其特征在于，所述掩模图像采用图像填充或种子生长方法对封闭的边界点云数据进行转换获得。
7.根据权利要求1所述的肺叶分割方法，其特征在于，所述肺部图像的类型为CT图像MRI图像、超声图像或PET图像。
CN202110241193.XA 2021-03-04 2021-03-04 一种基于数字人技术的肺叶分割方法 Active CN112598669B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110241193.XA CN112598669B (zh) 2021-03-04 2021-03-04 一种基于数字人技术的肺叶分割方法
JP2022562001A JP7378694B2 (ja) 2021-03-04 2022-01-15 デジタルヒューマン技術に基づく肺葉分割方法
PCT/CN2022/072198 WO2022183851A1 (zh) 2021-03-04 2022-01-15 一种基于数字人技术的肺叶分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110241193.XA CN112598669B (zh) 2021-03-04 2021-03-04 一种基于数字人技术的肺叶分割方法

Publications (2)

Publication Number Publication Date
CN112598669A true CN112598669A (zh) 2021-04-02
CN112598669B CN112598669B (zh) 2021-06-01

Family

ID=75210333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110241193.XA Active CN112598669B (zh) 2021-03-04 2021-03-04 一种基于数字人技术的肺叶分割方法

Country Status (3)

Country Link
JP (1) JP7378694B2 (zh)
CN (1) CN112598669B (zh)
WO (1) WO2022183851A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022183851A1 (zh) * 2021-03-04 2022-09-09 之江实验室 一种基于数字人技术的肺叶分割方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636808A (zh) * 2018-11-27 2019-04-16 杭州健培科技有限公司 一种基于全卷积神经网络的肺叶分割方法
CN110335358A (zh) * 2019-06-18 2019-10-15 大连理工大学 可变形数字人解剖学模型的个性化变形方法
CN110610481A (zh) * 2019-08-06 2019-12-24 深圳市旭东数字医学影像技术有限公司 基于医学图像的脑干自动分割方法及系统
CN111127471A (zh) * 2019-12-27 2020-05-08 之江实验室 一种基于双标签损失的胃癌病理切片图像分割方法及系统
CN111260700A (zh) * 2020-01-09 2020-06-09 复旦大学 一种多参数磁共振图像全自动配准与分割方法
CN111583385A (zh) * 2020-04-15 2020-08-25 滨州医学院 一种可变形数字人解剖学模型的个性化变形方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956386B (zh) * 2016-04-27 2018-06-12 深圳市智影医疗科技有限公司 基于健康人胸片的健康指标指数分类系统和方法
US10607114B2 (en) * 2018-01-16 2020-03-31 Siemens Healthcare Gmbh Trained generative network for lung segmentation in medical imaging
US10878576B2 (en) * 2018-02-14 2020-12-29 Elekta, Inc. Atlas-based segmentation using deep-learning
JP7034306B2 (ja) * 2018-08-31 2022-03-11 富士フイルム株式会社 領域分割装置、方法およびプログラム、類似度決定装置、方法およびプログラム、並びに特徴量導出装置、方法およびプログラム
CN109658425B (zh) * 2018-12-12 2021-12-28 上海联影医疗科技股份有限公司 一种肺叶分割方法、装置、计算机设备及存储介质
CN109903264B (zh) * 2019-01-16 2023-01-03 深圳市旭东数字医学影像技术有限公司 数字人图像与ct图像的配准方法及系统
CN112598669B (zh) * 2021-03-04 2021-06-01 之江实验室 一种基于数字人技术的肺叶分割方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636808A (zh) * 2018-11-27 2019-04-16 杭州健培科技有限公司 一种基于全卷积神经网络的肺叶分割方法
CN110335358A (zh) * 2019-06-18 2019-10-15 大连理工大学 可变形数字人解剖学模型的个性化变形方法
CN110610481A (zh) * 2019-08-06 2019-12-24 深圳市旭东数字医学影像技术有限公司 基于医学图像的脑干自动分割方法及系统
CN111127471A (zh) * 2019-12-27 2020-05-08 之江实验室 一种基于双标签损失的胃癌病理切片图像分割方法及系统
CN111260700A (zh) * 2020-01-09 2020-06-09 复旦大学 一种多参数磁共振图像全自动配准与分割方法
CN111583385A (zh) * 2020-04-15 2020-08-25 滨州医学院 一种可变形数字人解剖学模型的个性化变形方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗洪艳等: "数字人图像的自动分割方法", 《华南理工大学学报（自然科学版）》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022183851A1 (zh) * 2021-03-04 2022-09-09 之江实验室 一种基于数字人技术的肺叶分割方法

Also Published As

Publication number Publication date
JP7378694B2 (ja) 2023-11-14
CN112598669B (zh) 2021-06-01
JP2023516219A (ja) 2023-04-18
WO2022183851A1 (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN110807829B (zh) 一种基于超声成像构建三维心脏模型的方法
CN106485695B (zh) 基于统计形状模型的医学图像Graph Cut分割方法
CN110599528A (zh) 一种基于神经网络的无监督三维医学图像配准方法及系统
CN107403201A (zh) 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法
CN105719278B (zh) 一种基于统计形变模型的医学图像分割方法
CN109509193B (zh) 一种基于高精度配准的肝脏ct图谱分割方法及系统
CN108629785B (zh) 基于自步学习的三维磁共振胰腺图像分割方法
CN113570627B (zh) 深度学习分割网络的训练方法及医学图像分割方法
CN105279762A (zh) 一种口腔软硬组织ct序列与三维网格模型配准方法
Habijan et al. Whole heart segmentation from CT images using 3D U-net architecture
CN113781640A (zh) 基于弱监督学习的三维人脸重建模型建立方法及其应用
CN115830016B (zh) 医学图像配准模型训练方法及设备
CN110570430B (zh) 基于体配准的眼眶骨组织分割方法
CN109118455B (zh) 一种基于现代人软组织分布的古人类头骨颅面交互复原方法
CN113506333A (zh) 基于可变形图谱的医学影像配准网络训练数据集扩充方法
CN111127488B (zh) 一种基于统计形状模型自动构建患者解剖结构模型的方法
CN112598669B (zh) 一种基于数字人技术的肺叶分割方法
Liu et al. 3-D prostate MR and TRUS images detection and segmentation for puncture biopsy
CN113724320A (zh) 一种基于形状先验的肾脏图像分割方法
Urschler et al. Assessing breathing motion by shape matching of lung and diaphragm surfaces
CN111798500B (zh) 一种基于层次邻域谱特征的微分同胚非刚性配准算法
CN112581513B (zh) 锥束计算机断层扫描图像特征提取与对应方法
Fan et al. DAGM-fusion: A dual-path CT-MRI image fusion model based multi-axial gated MLP
CN114419309A (zh) 一种基于大脑T1-w磁共振影像的高维特征自动提取方法
Saif et al. Computer Vision-based Efficient Segmentation Method for Left Ventricular Epicardium and Endocardium using Deep Learning

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