CN112767314A - 医学图像处理方法、装置、设备及存储介质 - Google Patents

医学图像处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112767314A
CN112767314A CN202011634546.4A CN202011634546A CN112767314A CN 112767314 A CN112767314 A CN 112767314A CN 202011634546 A CN202011634546 A CN 202011634546A CN 112767314 A CN112767314 A CN 112767314A
Authority
CN
China
Prior art keywords
medical image
target
distribution range
processed
target area
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
CN202011634546.4A
Other languages
English (en)
Other versions
CN112767314B (zh
Inventor
肖继锋
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.)
Shenzhen United Imaging Research Institute of Innovative Medical Equipment
Original Assignee
Shenzhen United Imaging Research Institute of Innovative Medical Equipment
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 Shenzhen United Imaging Research Institute of Innovative Medical Equipment filed Critical Shenzhen United Imaging Research Institute of Innovative Medical Equipment
Priority to CN202011634546.4A priority Critical patent/CN112767314B/zh
Publication of CN112767314A publication Critical patent/CN112767314A/zh
Application granted granted Critical
Publication of CN112767314B publication Critical patent/CN112767314B/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
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/30068—Mammography; Breast
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

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

Abstract

本发明实施例公开了一种医学图像处理方法、装置、设备及存储介质，该方法包括：获取待处理医学图像，所述医学图像包含靶区；将所述待处理医学图像输入至已训练的靶区检测模型中，以得到包含有靶区区域的目标医学图像；其中，所述已训练的靶区检测模型用于确定所述靶区在所述待处理医学图像中的分布范围，并根据所述分布范围确定靶区区域以得到包含靶区区域的目标医学图像，其中，所述靶区区域包含在所述分布范围内。解决了现有技术的靶区检测方法对于具有组织对称性的医学图像存在无法兼顾靶区检测速度与准确性的技术问题。

Description

医学图像处理方法、装置、设备及存储介质
技术领域
本发明实施例涉及医学图像处理领域，尤其涉及一种医学图像处理方法、装置、设备及存储介质。
背景技术
现有技术的靶区检测方法要么需要对整个医学图像进行分析，要么采用滑块技术对整个医学图像进行分块，然后对每一图像块进行靶区检测，前者需要耗费大量的时间，后者容易在具有组织对称性的医学图像上同时检测出两个靶区，比如仅包含一个乳腺靶区的胸部图像，在其左、右乳腺上同时检测出乳腺靶区，使得靶区检测区域出现误判断。
可见，现有技术的靶区检测方法对于具有组织对称性的医学图像存在无法兼顾靶区检测速度与准确性的问题。
发明内容
本发明实施例提供了一种医学图像处理方法、装置、设备及存储介质，解决了现有技术的靶区检测方法对于具有组织对称性的医学图像存在无法兼顾靶区检测速度与准确性的问题。
第一方面，本发明实施例提供了一种医学图像处理方法，包括：
获取待处理医学图像，所述医学图像包含靶区；
将所述医学图像输入至已训练的靶区检测模型以得到包含有靶区区域的目标医学图像；
其中，所述已训练的靶区检测模型用于确定所述靶区在所述待处理医学图像中的分布范围，并根据所述分布范围确定靶区区域以得到包含靶区区域的目标医学图像，其中，所述靶区区域包含在所述分布范围内。
进一步的，所述根据所述分布范围确定靶区区域以得到包含靶区区域的目标医学图像，包括：
将所述分布范围从所述待处理的医学图像上分割出来以得到分布范围图像；
在所述分布范围图像中确定所述靶区区域；
根据所述靶区区域与所述待处理医学图像之间的空间对应关系确定包含靶区区域的目标医学图像。
进一步的，还包括：对所述目标医学图像中的靶区区域进行标记以更新所述目标医学图像。
进一步的，所述靶区标记为靶区轮廓线，或者为用于填充所述靶区轮廓所限定区域的颜色标识。
进一步的，所述医学图像为具有组织对称性的临床诊断图像。
进一步的，所述医学图像为乳腺图像，所述靶区为乳腺肿瘤病灶。
进一步的，所述分布范围为规则图形。
第二方面，本发明实施例提供了一种医学图像处理装置，包括：
获取模块，用于获取待处理的医学图像，所述医学图像包含靶区；
确定模块，用于将所述医学图像输入至已训练的靶区检测模型以得到包含有靶区区域的目标医学图像；其中，所述已训练的靶区检测模型用于确定所述靶区在所述待处理医学图像中的分布范围，并根据所述分布范围确定靶区区域以得到包含靶区区域的目标医学图像，其中，所述靶区区域包含在所述分布范围内。
第三方面，本发明实施例还提供了一种图像处理设备，所述图像处理设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如任意实施例所述的医学图像处理方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如任意实施例所述的医学图像处理方法。
本发明实施例提供的医学图像处理方法的技术方案，使用已训练的靶区检测模型确定在待处理医学图像中的分布范围，并根据该分布范围确定靶区区域以得到包含靶区区域的目标医学图像。由于整个医学图像所包含的信息量远大于现有技术每次滑窗所对应的图像块所包含的信息量，而且靶区的分布范围仅为靶区的大概分布范围，因此基于整个医学图像可以快速准确地确定出靶区的分布范围，有效避免了靶区误判情况的出现；由于靶区的分布范围远小于整个待处理医学图像，因此根据靶区的分布范围可以快速地确定出靶区区域以得到包含有靶区区域的目标图像，从而达到了快速准确地确定待处理医学图像的靶区区域的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1是本发明实施例一提供的医学图像处理方法的流程图；
图2是本发明实施例一提供的医学图像处理方法的示意图；
图3是本发明实施例二提供的医学图像处理装置的流程图；
图4是本发明实施例三提供的图像处理设备的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下将参照本发明实施例中的附图，通过实施方式清楚、完整地描述本发明的技术方案，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在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。
实施例一
图1是本发明实施例一提供的医学图像处理方法的流程图。本实施例的技术方案适用于通过已训练的靶区检测模型实现医学图像的靶区定位的情况。该方法可以由本发明实施例提供的医学图像处理装置来执行，该装置可以采用软件和/或硬件的方式实现，并配置在图像处理设备中应用。该方法具体包括如下步骤：
S101、获取待处理医学图像，该待处理医学图像包含靶区。
本实施例中的待处理医学图像可以是CT(Computed Tomography，简称CT，计算机断层扫描成像)图像或MRI(Magnetic Resonance Imaging，简称MRI，磁共振成像)图像等临床常用的肿瘤诊断图像。
其中，靶区优选为肿瘤病灶，该靶区可以分布在具有组织对称性的组织内，也可以分布在不具有组织对称性的组织内。其中，具有组织对称性的组织包括乳腺、甲状腺等。也就是说，本实施例的待处理医学图像优选但不限于乳腺图像。可以理解的是，如果待处理医学图像为乳腺图像，那么靶区为乳腺靶区。
S102、将待处理医学图像输入至已训练的靶区检测模型以得到包含有靶区区域的目标医学图像；其中，已训练的靶区检测模型用于确定靶区在待处理医学图像中的分布范围，并根据该分布范围确定靶区区域以得到包含靶区区域的目标医学图像，其中，靶区区域包含在该分布范围内。
其中，该已训练的靶区检测模型优选是由三维神经网络模型训练而成。
其中，分布范围为靶区的大概分布区域，而不是靶区的准确分布范围。优选地，该分布范围为包围靶区区域且形状规则的靶区包围框，比如矩形框、圆形框。以矩形框为例，其边长优选为50-100个像素。可以理解的是，该矩形框的边长是基于临床肿瘤截面积确定的。
由于整个待处理医学图像所包含的信息量远大于现有技术每次滑窗对应的图像块所包含的信息量，而且靶区的分布范围仅为包含靶区的靶区包围框所限定的靶区大概区域，因此基于整个医学图像可以快速准确地确定出靶区的分布范围，从而避免发生在具有组织对称性的医学图像同时预测出两对称靶区的情况。
为了提高靶区区域的确定速度，已训练的靶区检测模型在确定了在待处理医学图像中的分布范围之后，将该分布范围从医学图像中分割出来以得到分布范围图像，然后在该分布范围图像中确定靶区区域以得到包含靶区区域的目标医学图像。可以理解的是，一方面，由于该分布范围图像包含靶区的全部信息，因此根据该分布范围图像可以准确地确定靶区区域；另一方面，由于靶区包围框所限定的靶区的分布范围为边长为50-100个像素的矩形，因此分布范围图像的最大像素数量为100×100，而待处理医学图像的分辨率通常为512×512、1024×1024甚至更高，因此该分布范围图像远小于待处理医学图像，因此基于该分布范围图像确定靶区区域的运算量远小于基于整个待处理医学图像直接确定靶区区域的运算量，因此本实施例可以显著地提高靶区区域的确定速度。
在一个实施例中，在分布范围图像中确定完靶区区域后，将靶区区域从分布范围图像上分割出来之后，然后根据靶区区域与待处理医学图像的空间对应关系得到包含靶区区域的目标医学图像。
为了更好地显示靶区区域，本实施例还对目标医学图像进行靶区区域标记以更新目标医学图像。其中，靶区标记为靶区轮廓线，以使用户根据靶区轮廓线的形状、大小和位置，直观地确定靶区的形状、大小和位置。
在一个实施例中，靶区标记为用于填充靶区轮廓所限定区域的颜色标识，以使用户根据颜色标识信息的形状、大小和位置，直观地确定靶区的形状、大小和位置。
图2为本发明实施例的医学图像处理方法的示意图，该已训练的靶区检测模型先确定待处理医学图像的靶区的分布范围，该分布范围为图2中的靶区包围框所限定的区域，将该分布范围从待处理医学图像中分割出来以得到分布范围图像，在该分布范围图像中确定靶区区域并完成靶区区域的分割，然后根据该靶区区域与待处理医学图像的空间对应关系得到包含靶区区域的目标医学图像。
可以理解的是，已训练的靶区检测模型是由靶区检测模型训练而成。在对靶区检测模型进行训练之前，本实施例先获取预设数量的乳腺癌患者的胸部CT图像，并将获取的胸部CT图像沿左右对称轴镜像翻转以成倍增加胸部CT图像。采用这些胸部CT图像对靶区检测模型进行训练以得到已训练的靶区检测模型。
本发明实施例提供的医学图像处理方法的技术方案，使用已训练的靶区检测模型确定在待处理医学图像中的分布范围，并根据所述分布范围确定靶区区域以得到包含靶区区域的目标医学图像。由于整个医学图像所包含的信息量远大于现有技术每次滑窗所对应的图像块所包含的信息量，而且靶区的分布范围仅为靶区的大概分布范围，因此基于整个医学图像可以快速准确地确定出靶区的分布范围，有效避免了靶区误判情况的出现；由于靶区的分布范围远小于整个待处理医学图像，因此根据靶区的分布范围可以快速地确定出靶区区域以得到包含有靶区区域的目标图像，从而达到了快速准确地确定待处理医学图像的靶区区域的技术效果。
实施例二
图3是本发明实施例提供的医学图像处理装置的结构框图。该装置用于执行上述任意实施例所提供的医学图像处理方法，该装置可选为软件或硬件实现。该装置包括：
获取模块11，用于获取待处理医学图像，该医学图像包含靶区；
确定模块12，用于将待处理医学图像输入至已训练的靶区检测模型以得到包含有靶区区域的目标医学图像；其中，已训练的靶区检测模型用于确定靶区在该待处理医学图像中的分布范围，并根据该分布范围确定靶区区域以得到包含靶区区域的目标医学图像，其中，靶区区域包含在该分布范围内。
可选地，该已训练的神经网络模型具体用于将该分布范围从待处理医学图像上分割出来以得到分布范围图像；在该分布范围图像中确定靶区区域；根据靶区区域与待处理医学图像之间的空间对应关系确定包含靶区区域的目标医学图像。
可选地，该已训练的神经网络模型具体用于还包括：
对目标医学图像中的靶区区域进行标记以更新目标医学图像。
可选地，靶区标记为靶区轮廓线，或者为用于填充所述靶区轮廓所限定区域的颜色标识。
可选地，待处理医学图像为具有组织对称性的临床诊断图像。
可选地，待处理医学图像为乳腺图像，靶区为乳腺肿瘤病灶。
可选地，分布范围为规则图形。
本发明实施例提供的医学图像处理装置的技术方案，使用已训练的靶区检测模型确定在待处理医学图像中的分布范围，并根据分布范围确定靶区区域以得到包含靶区区域的目标医学图像。由于整个医学图像所包含的信息量远大于现有技术每次滑窗所对应的图像块所包含的信息量，而且靶区的分布范围仅为靶区的大概分布范围，因此基于整个医学图像可以快速准确地确定出靶区的分布范围，有效避免了靶区误判情况的出现；由于靶区的分布范围远小于整个待处理医学图像，因此根据靶区的分布范围可以快速地确定出靶区区域以得到包含有靶区区域的目标图像，从而达到了快速准确地确定待处理医学图像的靶区区域的技术效果。
本发明实施例所提供的医学图像处理装置可执行本发明任意实施例所提供的医学图像处理方法，具备执行方法相应的功能模块和有益效果。
实施例三
图4为本发明实施例提供的图像处理设备的结构示意图，如图4所示，该设备包括处理器201、存储器202、输入装置203以及输出装置204；设备中处理器201的数量可以是一个或多个，图4中以一个处理器201为例；设备中的处理器201、存储器202、输入装置203以及输出装置204可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器202作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的医学图像处理方法对应的程序指令/模块(例如，获取模块11与确定模块12)。处理器201通过运行存储在存储器202中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的医学图像处理方法。
存储器202可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器202可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器202可进一步包括相对于处理器201远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置203可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。
输出装置204可包括显示屏等显示设备，例如，用户终端的显示屏。
实施例四
本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种医学图像处理方法，该方法包括：
获取待处理医学图像，所述医学图像包含靶区；
将所述待处理医学图像输入至已训练的靶区检测模型以得到包含有靶区区域的目标医学图像；
其中，所述已训练的靶区检测模型用于确定所述靶区在所述待处理医学图像中的分布范围，并根据所述分布范围确定靶区区域以得到包含靶区区域的目标医学图像，其中，所述靶区区域包含在所述分布范围内。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的医学图像处理方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(RandomAccess Memory，简称RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的医学图像处理方法。
值得注意的是，上述医学图像处理装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种医学图像处理方法，其特征在于，包括：
获取待处理医学图像，所述医学图像包含靶区；
将所述待处理医学图像输入至已训练的靶区检测模型以得到包含有靶区区域的目标医学图像；
其中，所述已训练的靶区检测模型用于确定所述靶区在所述医学图像中的分布范围，并根据所述分布范围确定靶区区域以得到包含靶区区域的目标医学图像，其中，所述靶区区域包含在所述分布范围内。
2.根据权利要求1所述的方法，其特征在于，所述根据所述分布范围确定靶区区域以得到包含靶区区域的目标医学图像，包括：
将所述分布范围从所述待处理医学图像上分割出来以得到分布范围图像；
在所述分布范围图像中确定所述靶区区域；
根据所述靶区区域与所述待处理医学图像之间的空间对应关系确定包含靶区区域的目标医学图像。
3.根据权利要求2所述的方法，其特征在于，还包括：
对所述目标医学图像中的靶区区域进行标记以更新目标医学图像。
4.根据权利要求3所述的方法，其特征在于，所述靶区标记为靶区轮廓线，或者为用于填充所述靶区轮廓所限定区域的颜色标识。
5.根据权利要求1所述的方法，其特征在于，所述待处理医学图像为具有组织对称性的临床诊断图像。
6.根据权利要求5所述的方法，其特征在于，所述待处理医学图像为乳腺图像，所述靶区为乳腺肿瘤病灶。
7.根据权利要求1所述的方法，其特征在于，所述分布范围为规则图形。
8.一种医学图像处理装置，其特征在于，包括：
获取模块，用于获取待处理的医学图像，所述医学图像包含靶区；
确定模块，用于将所述待处理医学图像输入至已训练的靶区检测模型以得到包含有靶区区域的目标医学图像；其中，所述已训练的靶区检测模型用于确定所述靶区在所述待处理医学图像中的分布范围，并根据所述分布范围确定靶区区域以得到包含靶区区域的目标医学图像，其中，所述靶区区域包含在所述分布范围内。
9.一种图像处理设备，其特征在于，所述图像处理设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的医学图像处理方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的医学图像处理方法。
CN202011634546.4A 2020-12-31 2020-12-31 医学图像处理方法、装置、设备及存储介质 Active CN112767314B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011634546.4A CN112767314B (zh) 2020-12-31 2020-12-31 医学图像处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011634546.4A CN112767314B (zh) 2020-12-31 2020-12-31 医学图像处理方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112767314A true CN112767314A (zh) 2021-05-07
CN112767314B CN112767314B (zh) 2024-04-23

Family

ID=75697940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011634546.4A Active CN112767314B (zh) 2020-12-31 2020-12-31 医学图像处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112767314B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115346645A (zh) * 2022-10-18 2022-11-15 四川旅鸽科技有限公司 一种医学图像处理方法、装置、存储介质及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017063691A1 (en) * 2015-10-14 2017-04-20 Brainlab Ag Normal tissue sparing in radiation therapy treatment planning using prioritization for optimizing tissue indices
CN112001925A (zh) * 2020-06-24 2020-11-27 上海联影医疗科技股份有限公司 图像的分割方法、放射治疗系统、计算机设备和存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017063691A1 (en) * 2015-10-14 2017-04-20 Brainlab Ag Normal tissue sparing in radiation therapy treatment planning using prioritization for optimizing tissue indices
CN112001925A (zh) * 2020-06-24 2020-11-27 上海联影医疗科技股份有限公司 图像的分割方法、放射治疗系统、计算机设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
温海燕;陈文直;王智彪;: "基于MRI、CT图像HIFU治疗靶区自动勾画的研究", 第三军医大学学报, no. 21 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115346645A (zh) * 2022-10-18 2022-11-15 四川旅鸽科技有限公司 一种医学图像处理方法、装置、存储介质及设备

Also Published As

Publication number Publication date
CN112767314B (zh) 2024-04-23

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
CN104346821B (zh) 用于医学成像的自动规划
CN107833231B (zh) 医学图像显示方法、装置和计算机存储介质
CN111754553B (zh) 多模态扫描图像配准方法、装置、计算机设备和存储介质
CN106388843A (zh) 医学影像设备及其扫描方法
US11423554B2 (en) Registering a two-dimensional image with a three-dimensional image
CN107481254A (zh) 医学图像的处理方法、装置、介质和电子设备
CN106709920B (zh) 血管提取方法及其装置
CN111124233B (zh) 医学影像的显示方法、交互方法及存储介质
CN108876783B (zh) 图像融合方法及系统、医疗设备和图像融合终端
CN112085730B (zh) 感兴趣区域成分分析方法、装置、电子设备和介质
CN111127404A (zh) 一种医疗影像轮廓快速提取方法
CN113888566B (zh) 目标轮廓曲线确定方法、装置、电子设备以及存储介质
CN112767314B (zh) 医学图像处理方法、装置、设备及存储介质
CN110738639B (zh) 医学图像检测结果的展示方法、装置、设备及存储介质
CN109087357A (zh) 扫描定位方法、装置、计算机设备及计算机可读存储介质
CN111899273A (zh) 图像分割方法、计算机设备和存储介质
CN111062998B (zh) 图像重建方法、装置、ct系统及存储介质
CN114708283A (zh) 图像目标的分割方法、装置、电子设备及存储介质
US20230005148A1 (en) Image analysis method, image analysis device, image analysis system, control program, and recording medium
CN114334128A (zh) 基于ct影像的肿瘤演进过程分析方法、系统及存储介质
CN110349151B (zh) 一种目标识别方法及装置
CN113538426A (zh) 医学图像处理方法及装置、病灶定位方法及装置
CN106887017B (zh) 图像处理装置、图像处理系统及图像处理方法
CN111062977B (zh) 样本数据生成方法、装置、计算机设备及存储介质

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