CN112837357B - 医学影像配准方法、装置、计算机设备及存储介质 - Google Patents
医学影像配准方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112837357B CN112837357B CN202110210897.0A CN202110210897A CN112837357B CN 112837357 B CN112837357 B CN 112837357B CN 202110210897 A CN202110210897 A CN 202110210897A CN 112837357 B CN112837357 B CN 112837357B
- Authority
- CN
- China
- Prior art keywords
- image
- registration
- medical
- medical image
- training
- 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 52
- 230000009466 transformation Effects 0.000 claims abstract description 92
- 230000004927 fusion Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 117
- 238000013527 convolutional neural network Methods 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 230000000007 visual effect Effects 0.000 claims description 15
- 230000012010 growth Effects 0.000 claims description 13
- 238000005315 distribution function Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 16
- 230000008569 process Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 230000004614 tumor growth Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及图像处理技术领域,应用于智慧医疗技术领域,揭露了一种医学影像配准方法、装置、计算机设备及存储介质。本发明提供的方法包括:获取第一医学影像集和第二医学影像集;将第一医学影像集输入至第一配准变换模型后,获取第一配准变换模型输出的对第一医学影像集进行多视角融合的第一配准图像;将第二医学影像集输入至第二配准变换模型后,获取第二配准变换模型输出的对第二医学影像集进行多时序融合的第二配准图像;对第一配准图像和第二配准图像进行融合,得到第三配准图像。通过本发明中的人工智能模型代替人工判断,进而提高判断速率和判断准确率。
Description
技术领域
本发明涉及图像处理技术领域,应用于数字医疗中的智慧医疗,尤其揭露了一种医学影像配准方法、装置、计算机设备及存储介质。
背景技术
医疗科技作为目前人工智能技术的重要研究领域之一,在医学影像、临床决策支持、药物研发以及病理学等方面发挥出了巨大作用,医疗与科技的融合能够有助于医生快速准确地作出诊断,真正地实现“早诊断,早治疗,早康复”的医学目标。其中,医学影像配准在医疗科技中具有很大的实用价值。
目前,随着医学成像设备的不断更新与发展,对于同一患者,可以通过多种成像技术如CT、MRI等去多角度多方面采集患者的病理细胞结构信息。对于以往的传统诊断手段,往往需要一些经验丰富的医生,通过对不同图像的观察以及多方面综合分析,以及结合主观经验和空间想象去作出相关的预测结果,可见,现有技术中过多依赖于医生的主观经验和空间想象去作出判断,可能存在判断速率和判断准确率不高的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种医学影像配准方法、装置、计算机设备及存储介质,用于通过人工智能模型代替人工判断,提高判断速率和判断准确率。
一种医学影像配准方法,包括:
获取第一医学影像集和第二医学影像集;所述第一医学影像集中包含同一时刻不同视角的多张第一医学影像;所述第二医学影像集中包含不同时刻同一视角的多张第二医学影像;
将所述第一医学影像集输入至第一配准变换模型后,获取所述第一配准变换模型输出的对所述第一医学影像集进行多视角融合的第一配准图像;
将所述第二医学影像集输入至第二配准变换模型后,获取所述第二配准变换模型输出的对所述第二医学影像集进行多时序融合的第二配准图像;
对所述第一配准图像和所述第二配准图像进行融合,得到第三配准图像;所述第三配准图像反映出所述第一医学影像集和所述第二医学影像集的生长追踪结果。
一种医学影像配准装置,包括:
第一获取模块,用于获取第一医学影像集和第二医学影像集;所述第一医学影像集中包含同一时刻不同视角的多张第一医学影像;所述第二医学影像集中包含不同时刻同一视角的多张第二医学影像;
第二获取模块,用于将所述第一医学影像集输入至第一配准变换模型后,获取所述第一配准变换模型输出的对所述第一医学影像集进行多视角融合的第一配准图像;
第三获取模块,用于将所述第二医学影像集输入至第二配准变换模型后,获取所述第二配准变换模型输出的对所述第二医学影像集进行多时序融合的第二配准图像;
融合模块,用于对所述第一配准图像和所述第二配准图像进行融合,得到第三配准图像;所述第三配准图像反映出所述第一医学影像集和所述第二医学影像集的生长追踪结果。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述医学影像配准方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述医学影像配准方法。
上述医学影像配准方法、装置、计算机设备及存储介质,获取第一医学影像集中包含特定条件(同一时刻不同视角)的第一医学影像以及第二医学影像集中包含特定条件(不同时刻同一视角)的第二医学影像中包含特征的第二医学影像,通过两个配准变换模型分别处理对应的第一医学影像和第二医学影像进行图像配准,可提高模型对特定数据的处理能力,提高数据处理效率;接着通过第一图像插值模块将特定条件下多张第一医学图像融合成一张第一配准图像,通过第二图像插值模块将特定条件下多张第二医学图像融合成一张第二配准图像,对不同视角和不同时刻下的图像进行分别处理,得到每一种图像下的所有图像信息;之后再对第一配准图像和第二配准图像进行融合,得到包含更全面图像信息(生长追踪结果)的第三配准图像;总而言之,本方法借用人工智能模型进行处理,抛弃之前过多依赖于医生的主观经验和空间想象的现象(人工参与工作多,且也过多依赖于人工的经验),辅助医生件进行参考处理,提高判断速率和判断准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中医学影像配准方法的一应用环境示意图;
图2是本发明一实施例中医学影像配准方法的一流程图;
图3是本发明一实施例中医学影像配准装置的结构示意图;
图4是本发明一实施中第一标准训练图像的训练流程图;
图5是本发明一实施中医学影像集的处理流程图;
图6是本发明一实施例中计算机设备的一示意图。
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、完整地描述,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作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。
本发明提供的医学影像配准方法,可应用在如图1的应用环境中,其中,客户端通过网络与服务器进行通信。其中,客户端可以包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种医学影像配准方法,以该方法应用在图1中的服务器为例进行说明,包括如下步骤:
S10,获取第一医学影像集和第二医学影像集;所述第一医学影像集中包含同一时刻不同视角的多张第一医学影像;所述第二医学影像集中包含不同时刻同一视角的多张第二医学影像;
可理解地,第一医学影像集存在多张第一医学影像,第一医学影像可为常见的2D图像,如B超图像,第二医学影像与第一医学影像集一致,其中,第一医学影像和第二医学影像由医学成像设备(如CT设备、MRI设备或B超设备等)采集,第一医学影像反映出同一时刻不同视角的细胞组织结果的成像结果,和第二医学影像反映出不同时刻同一个视角的细胞组织结果的成像结果,且第一医学影像和第二医学影像都是针对同一个病理的生长部位,如肿瘤生长部位,在生长部位为肿瘤生长部位时,第一医学影像和第二医学图像都与该肿瘤生长部位关联。
S20,将所述第一医学影像集输入至第一配准变换模型后,获取所述第一配准变换模型输出的对所述第一医学影像集进行多视角融合的第一配准图像;
可理解地,第一配准变换模型是由卷积神经网络+图像插值模块组成,卷积神经网络是一种深度前馈人工神经网络,应用于图像识别,第一配准变换模型主要是处理第一医学影像集,其中,卷积神经网络模型中可设置最基本的四个层,分别为卷积层、池化层、线性整流层和全连接层,卷积层用于提取输入的第一医学影像中不同特征,池化层用于对卷积层中的特征进行优化处理,得到新的且维度更小的特征,线性整流层使用活性化函数进行线性整流,全连接层用于把所有的特征转换成全局特征,计算第一医学影像所属类别的分数;具体地,在将多张第一医学影像输入至第一配准变换模型后,通过该网络中的卷积神经网络可将多张第一医学影像生成第一变形场图像,对第一变形场图像进行图像插值后,可得到第一配准图像;本实施例可将第一医学影像集中的第一医学影像进行融合成一张第一配准图像。
S30,将所述第二医学影像集输入至第二配准变换模型后,获取所述第二配准变换模型输出的对所述第二医学影像集进行多时序融合的第二配准图像;
可理解地,第二配准变换模型的组成与第一配准变换模型是一致,不同之处在于第二配准变换模型是处理第二医学影像集,可见,第二配准变换模型中的卷积神经网络训练的数据与第一配准变换模型中的卷积神经网络不同,而两者之间的网络结构可完全相同;本实施例可将第二医学影像集中的第二医学影像进行融合成一张第二配准图像。
S40,对所述第一配准图像和所述第二配准图像进行融合,得到第三配准图像;所述第三配准图像反映出所述第一医学影像集和所述第二医学影像集的生长追踪结果。
可理解地,根据上述两个配准变换模型求得第一配准图像和第二配准图像后,通过特征级图像融合对第一配准图像和第二配准图像进行图像融合,得到第三配准图像,具体地,提取第一配准图像和第二配准图像中的特征信息(如边缘、形状、轮毂和局部特征信息),将提取到的特征信息进行综合处理,综合处理包括目标状态特征融合或目标特性融合中的任意一种,通过目标状态特征融合将与同一时刻不同视角关联的第一配准图像和不同时刻相同视角的第二配准图像进行目标特征统计,对两者提取到的目标特征进行严格配准,得到包含更多图像特征的第三配准图像,通过目标特性融合对第一配准图像和第二配准图像中的特征向量进行重新组合,增加两者之间的图像特征维度,得到第三配准图像,其中,第三配准图像能对多视角和多时序的图像进行融合,因此第三配准图像可完成显示出病理的生长追踪结果;在本实施例之后,可将生长追踪结果的综合变换情况反馈至预设数据接收方。
步骤S10至步骤S40所在的实施例,获取第一医学影像集中包含特定条件(同一时刻不同视角)的第一医学影像以及第二医学影像集中包含特定条件(不同时刻同一视角)的第二医学影像中包含特征的第二医学影像,通过两个配准变换模型分别处理对应的第一医学影像和第二医学影像进行图像配准,可提高模型对特定数据的处理能力,提高数据处理效率;接着通过第一图像插值模块将特定条件下多张第一医学图像融合成一张第一配准图像,通过第二图像插值模块将特定条件下多张第二医学图像融合成一张第二配准图像,对不同视角和不同时刻下的图像进行分别处理,得到每一种图像下的所有图像信息;之后再对第一配准图像和第二配准图像进行融合,得到包含更全面图像信息(生长追踪结果)的第三配准图像;总而言之,本发明借用人工智能模型进行处理,辅助医生件处理,提高判断速率和判断准确率。本发明可应用于智慧医疗领域中,从而推动智慧城市的建设。
进一步地,如图5所述,在通过医学成像设备获取关于肿瘤患者的医学影像集后,按照视角和时刻的关系划分医学影像集后得到第一医学影像集合第二医学影像集,再将第一医学影像集和第二医学医学集分别输入至第一配准网络和第二配准网络后,得到包含综合情况的第一配准图像和包含变化情况的第二配准图像,最后通过融合两张图像得到包含肿瘤生长追踪情况的第三配准图像。
进一步地,所述第一配准变换模型包括第一卷积神经网络和第一图像插值模块,所述将所述第一医学影像集输入至第一配准变换模型后,获取所述第一配准变换模型输出的对所述第一医学影像集进行多视角融合的第一配准图像,包括:
获取所述第一医学影像集中的多张所述第一医学影像;
将所有所述第一医学影像输入至第一卷积神经网络后,获取将各所述第一医学影像变形之后生成的多个第一变形场图像;
将所有所述第一变形场图像通过第一图像插值模块进行图像插值后,得到一张所述第一配准图像。
可理解地,本实施例中的第一配准变换模型是包括图像插值模块,其中图像插值的目的是将多个变形场变换到同一个图像空间中,具体公式见下述;本实施例中的一张第一医学影像对应一个变形场,变形场中包括了卷积神经网络对第一医学图像进行处理后所得到的图像特征。
进一步地,如图4所示,所述将所述第一医学影像集输入至第一配准变换模型后,获取所述第一配准变换模型输出的对所述第一医学影像集进行多视角融合的第一配准图像之前,还包括:
获取第一标准训练图像以及第一参考图像,将一张所述第一标准训练图像以及一张所述第一参考图像作为一对第一配准对,通过第一卷积神经网络对所有所述第一配准对进行变形后,得到多个第一训练变形场;一个所述第一训练变形场对应一张所述第一标准训练图像;
将所述第一训练变形场通过第一图像插值模块进行图像插值后,得到第一插值结果;
将所述第一插值结果和所述第一参考图像输入至与所述第一卷积神经网络关联的第一预设损失函数后,获取第一训练变形场和第一参考图像的第一损失值;
在所述第一损失值大于第一预设损失值时,通过反向传播算法不断更新所述第一卷积神经网络的网络参数直至所述第一损失值小于或等于所述第一预设损失值;
在所述第一损失值小于或等于第一预设损失值时,确定所述第一配准变换模型训练完成,得到所述第一配准变换模型。
可理解地,第一标准训练图像可用影像序列进行排列,影像序列为Im(m=1,2...n),每一个序号代表同一时刻不同视角的第一标准训练图像,第一参考图像(可理解为一个视角下的标准图像)用I0表示,一个第一参考图像对应一个视角的第一标准训练图像;第一训练变形场只与第一标准训练图像存在对应关系;本实施例是模型的训练方式,通过该训练方式先求出损失函数(fm为第一训练变形场,假设第一插值结果为I(fm),I(fm)中包含第一训练变形场与第一参考图像之间的数学关系,为线性插值求出的结果,第一损失函数为L(m)=∑m|I0-I(fm)|,通过该第一损失函数计算第一标准训练图像与第一参数图像之间的差别)的值,在确定第一损失值大于第一预设损失值,不断地更新卷积神经网络中隐藏层(全连接层)中的网络参数(权重)直至述第一损失值小于或等于第一预设损失值;本实施例相比于之前传统训练方式,无需先提取图像特征再选取模型去进行不断迭代优化模型的繁琐过程,可利用无监督学习的卷积神经网络模型直接实现训练。
进一步地,所述第二配准变换模型包括第二卷积神经网络和第二图像插值模块,所述将所述第二医学影像集输入至第二配准变换模型后,获取所述第二配准变换模型输出的对所述第二医学影像集进行多时序融合的第二配准图像,包括:
获取所述第二医学影像集中的多张第二配准对;一张所述第二配准对包括一张所述第二医学影像和一张第二参考图像;
将所有所述第二配准对输入至第二卷积神经网络后,获取将各所述第二配准对变形之后生成的多个第二变形场;
将所有所述第二变形场通过第二图像插值模块进行图像插值后,得到所述第二配准图像。
可理解地,该实施例的具体内容可参照上述第一配准图像所在实施例,在此不在赘述。
进一步地,所述将所有所述第二配准对输入至由卷积神经网络构建成的第一配准变换模型之前,还包括:
获取第二标准训练图像以及第二参考图像,将一张所述第二标准训练图像以及一张所述第二参考图像作为一对第二配准对,通过第二卷积神经网络对所有所述第二配准对进行变形后,得到多个第二训练变形场;一个所述第二训练变形场对应一张所述第二标准训练图像;
将所述第二训练变形场通过第二图像插值模块进行图像插值后,得到第二插值结果;
将所述第二插值结果和所述第二参考图像输入至与所述第二卷积神经网络关联的第二预设损失函数后,获取第二训练变形场和第二参考图像的第二损失值;
在所述第二损失值大于第二预设损失值时,通过反向传播算法不断更新所述第二卷积神经网络的网络参数直至所述第二损失值小于或等于所述第二预设损失值;
在所述第二损失值小于或等于第二预设损失值时,确定所述第二配准变换模型训练完成,得到所述第二配准变换模型。
可理解地,第二标准训练图像可用影像序列进行排列,影像序列为Im'(m'=1,2...n),每一个序号代表不同时刻同一视角的第二标准训练图像,第二参考图像(可理解为一个时刻下的标准图像)用I0'表示,一个第二参考图像对应一个时刻的第二标准训练图像;本实施例的的具体内容可参照上述第一配准变换模型一致,在此不在赘述。
进一步地,所述将所述第一训练变形场通过第一图像插值模块进行图像插值后,得到第一插值结果,包括:
通过第一变换公式将与所述第一训练变形场中的第一标准训练图像变换到所述第一训练变形场中的第一参考图像的图像空间中,得到包含在同一个图像空间的第一目标配准图像的第一插值结果;其中,所述第一变换公式为:
X=ax'+by',Y=cx'+dy'
其中:
x'为所述第一标准训练图像中像素的横坐标;
y'为所述第一标准训练图像中像素的纵坐标;
X'为所述第一参考图像或所述第一目标配准图像中像素的横坐标;
Y'为所述第一参考图像或所述第一目标配准图像中像素的纵坐标;
a、b、c和d均为变换参数值,a、b、c和d构成的变换矩阵可理解地,变换矩阵可预先通过多组测到的变换之前和变换之后的横坐标和纵坐标数据求出。
进一步地,所述通过第一卷积神经网络对所有所述第一配准对进行变形后,得到多个第一训练变形场,包括:
将所有所述第一配准对输入至所述卷积神经网络后,通过与所述卷积神经网络对应的第一预设表达式对所有所述第一配准对进行变形,得到与所述第一配准对对应的多个第一训练变形场;所述第一预设表达式包括:
其中:
x为所述第一标准训练图像的强度;
y为所述第一参考图像的强度;
X为x的取值范围;X如x1、x2...xn等;
Y为y的取值范围;y如y1、y2...yn等;
Dm为所述第一标准训练图像和所述第一参考图像像素之间的相似度;
xi为所述第一标准训练图像第i个像素的强度;
yi为所述第一参考图像第i个像素的强度;
xm为所述第一标准训练图像的平均强度;
ym为所述第一参考图像的平均强度;
p(x)为所述第一标准训练图像概率密度分布函数;
p(y)为所述第一参考图像概率密度分布函数;
p(x,y)为所述第一标准训练图像和所述第一参考图像的联合概率密度函数。
进一步地,所述将所述第二训练变形场通过第二图像插值模块进行图像插值后,得到第二插值结果,包括:
通过第二变换公式将与所述第二训练变形场中的第二标准训练图像变换到所述第二训练变形场中的第二参考图像的图像空间中,得到包含在同一个图像空间的第二目标配准图像的第二插值结果;其中,所述第二变换公式为:
X'=a'x”+b'y”,Y'=c'x”+d'y”
其中:
x”为所述第二标准训练图像中像素的横坐标;
y”为所述第二标准训练图像中像素的纵坐标;
X”为所述第二参考图像或所述第二目标配准图像中像素的横坐标;
Y"为所述第二参考图像或第二目标配准图像中像素的纵坐标;
a’、b’、c’和d’均为变换参数值,a’、b’、c’和d’构成的变换矩阵
进一步地,所述通过第二卷积神经网络对所有所述第二配准对进行变形后,得到多个第二训练变形场,包括:
将所有所述第二配准对输入至所述卷积神经网络后,通过与所述卷积神经网络对应的第二预设表达式对所有所述第二配准对进行变形,得到与所述第二配准对对应的多个第二训练变形场;所述第二预设表达式包括:
其中:
x”'为所述第二标准训练图像的强度;
y”'为所述第二参考图像的强度;
X”'为x”'的取值范围;
Y”'为y”'的取值范围;
Dm'为所述第二标准训练图像和所述第二参考图像像素之间的相似度;
xi'为所述第二标准训练图像第i个像素的强度;
yi'为所述第二参考图像第i个像素的强度;
xm'为所述第二标准训练图像的平均强度;
ym'为所述第二参考图像的平均强度;
p(x”')为所述第二标准训练图像概率密度分布函数;
p(y”')为所述第二参考图像概率密度分布函数;
p(x”',y”')为所述第二标准训练图像和所述第二参考图像的联合概率密度函数。
综上所述,上述提供了一种医学影像配准方法,获取第一医学影像集中包含特定条件(同一时刻不同视角)的第一医学影像以及第二医学影像集中包含特定条件(不同时刻同一视角)的第二医学影像中包含特征的第二医学影像,通过两个配准变换模型分别处理对应的第一医学影像和第二医学影像进行图像配准,可提高模型对特定数据的处理能力,提高数据处理效率;接着通过第一图像插值模块将特定条件下多张第一医学图像融合成一张第一配准图像,通过第二图像插值模块将特定条件下多张第二医学图像融合成一张第二配准图像,对不同视角和不同时刻下的图像进行分别处理,得到每一种图像下的所有图像信息;之后再对第一配准图像和第二配准图像进行融合,得到包含更全面图像信息(生长追踪结果)的第三配准图像;总而言之,本方法借用人工智能模型进行处理,抛弃之前过多依赖于医生的主观经验和空间想象的现象,辅助医生件进行参考处理,提高判断速率和判断准确率。本方法可应用于智慧医疗领域中,从而推动智慧城市的建设。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种医学影像配准装置,该医学影像配准装置与上述实施例中医学影像配准方法一一对应。如图3所示,该医学影像配准装置包括第一获取模块11、第二获取模块12、第三获取模块13和融合模块14。各功能模块详细说明如下:
第一获取模块11,用于获取第一医学影像集和第二医学影像集;所述第一医学影像集中包含同一时刻不同视角的多张第一医学影像;所述第二医学影像集中包含不同时刻同一视角的多张第二医学影像;
第二获取模块12,用于将所述第一医学影像集输入至第一配准变换模型后,获取所述第一配准变换模型输出的对所述第一医学影像集进行多视角融合的第一配准图像;
第三获取模块13,用于将所述第二医学影像集输入至第二配准变换模型后,获取所述第二配准变换模型输出的对所述第二医学影像集进行多时序融合的第二配准图像;
融合模块14,用于对所述第一配准图像和所述第二配准图像进行融合,得到第三配准图像;所述第三配准图像反映出所述第一医学影像集和所述第二医学影像集的生长追踪结果。
进一步地,所述第二获取模块包括:
第一获取子模块,用于获取所述第一医学影像集中的多张所述第一医学影像;
第二获取子模块,用于将所有所述第一医学影像输入至第一卷积神经网络后,获取将各所述第一医学影像变形之后生成的多个第一变形场图像;
第一图像插值模块子模块,用于将所有所述第一变形场图像通过第一图像插值模块进行图像插值后,得到一张所述第一配准图像。
进一步地,所述医学影像配准装置还包括:
第一变形模块,用于获取第一标准训练图像以及第一参考图像,将一张所述第一标准训练图像以及一张所述第一参考图像作为一对第一配准对,通过第一卷积神经网络对所有所述第一配准对进行变形后,得到多个第一训练变形场;一个所述第一训练变形场对应一张所述第一标准训练图像;
第一图像插值模块模块,用于将所述第一训练变形场通过第一图像插值模块进行图像插值后,得到第一插值结果;
第四获取模块,用于将所述第一插值结果和所述第一参考图像输入至与所述第一卷积神经网络关联的第一预设损失函数后,获取第一训练变形场和第一参考图像的第一损失值;
第一更新模块,用于在所述第一损失值大于第一预设损失值时,通过反向传播算法不断更新所述第一卷积神经网络的网络参数直至所述第一损失值小于或等于所述第一预设损失值;
第一确定子模块,用于在所述第一损失值小于或等于第一预设损失值时,确定所述第一配准变换模型训练完成,得到所述第一配准变换模型。
进一步地,所述第三获取模块包括:
第三获取子模块,用于获取所述第二医学影像集中的多张第二配准对;一张所述第二配准对包括一张所述第二医学影像和一张第二参考图像;
第四获取子模块,用于将所有所述第二配准对输入至第二卷积神经网络后,获取将各所述第二配准对变形之后生成的多个第二变形场;
第二图像插值模块子模块,用于将所有所述第二变形场通过第二图像插值模块进行图像插值后,得到所述第二配准图像。
进一步地,所述医学影像配准装置还包括:
第二变形模块,用于获取第二标准训练图像以及第二参考图像,将一张所述第二标准训练图像以及一张所述第二参考图像作为一对第二配准对,通过第二卷积神经网络对所有所述第二配准对进行变形后,得到多个第二训练变形场;一个所述第二训练变形场对应一张所述第二标准训练图像;
第二图像插值模块模块,用于将所述第二训练变形场通过第二图像插值模块进行图像插值后,得到第二插值结果;
第五获取模块,用于将所述第二插值结果和所述第二参考图像输入至与所述第二卷积神经网络关联的第二预设损失函数后,获取第二训练变形场和第二参考图像的第二损失值;
第二更新模块,用于在所述第二损失值大于第二预设损失值时,通过反向传播算法不断更新所述第二卷积神经网络的网络参数直至所述第二损失值小于或等于所述第二预设损失值;
第二确定模块,用于在所述第二损失值小于或等于第二预设损失值时,确定所述第二配准变换模型训练完成,得到所述第二配准变换模型。
进一步地,所述第一图像插值模块模块包括:
变换子模块,用于通过第一变换公式将与所述第一训练变形场中的第一标准训练图像变换到所述第一训练变形场中的第一参考图像的图像空间中,得到包含在同一个图像空间的第一目标配准图像的第一插值结果;其中,所述第一变换公式为:
X=ax'+by',Y=cx'+dy'
其中:
x'为所述第一标准训练图像中像素的横坐标;
y'为所述第一标准训练图像中像素的纵坐标;
X'为所述第一参考图像中像素的横坐标;
Y'为所述第一参考图像中像素的纵坐标;
a、b、c和d均为变换参数值,a、b、c和d构成的变换矩阵
进一步地,所述第一变形模块包括:
第五获取子模块,包括将所有所述第一配准对输入至所述卷积神经网络后,通过与所述卷积神经网络对应的第一预设表达式对所有所述第一配准对进行变形,得到与所述第一配准对对应的多个第一训练变形场;所述第一预设表达式包括:
其中:
x为所述第一标准训练图像的强度;
y为所述第一标准训练图像的强度;
X为x的取值范围;
Y为y的取值范围;
Dm为所述第一标准训练图像和所述第一参考图像像素之间的相似度;
xi为所述第一标准训练图像第i个像素的强度;
yi为所述第一标准训练图像第i个像素的强度;
xm为所述第一参考图像的平均强度;
ym为所述第一参考图像的平均强度;
p(x)为所述第一标准训练图像概率密度分布函数;
p(y)为所述第一参考图像概率密度分布函数;
p(x,y)为所述第一标准训练图像和所述第一参考图像的联合概率密度函数。
关于医学影像配准装置的具体限定可以参见上文中对于医学影像配准方法的限定,在此不再赘述。上述医学影像配准装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储医学影像配准方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医学影像配准方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中医学影像配准方法的步骤,例如图2所示的步骤S10至步骤S40。或者,处理器执行计算机程序时实现上述实施例中医学影像配准装置的各模块/单元的功能,例如图3所示模块11至模块14的功能。为避免重复,这里不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中医学影像配准方法的步骤,例如图2所示的步骤S10至步骤S40。或者,计算机程序被处理器执行时实现上述实施例中医学影像配准装置的各模块/单元的功能,例如图3所示模块11至模块14的功能。为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (9)
1.一种医学影像配准方法,其特征在于,包括:
获取第一医学影像集和第二医学影像集;所述第一医学影像集中包含同一时刻不同视角的多张第一医学影像;所述第二医学影像集中包含不同时刻同一视角的多张第二医学影像;
将所述第一医学影像集输入至第一配准变换模型后,获取所述第一配准变换模型输出的对所述第一医学影像集进行多视角融合的第一配准图像;
所述第一配准变换模型包括第一卷积神经网络和第一图像插值模块,所述将所述第一医学影像集输入至第一配准变换模型后,获取所述第一配准变换模型输出的对所述第一医学影像集进行多视角融合的第一配准图像,包括:
获取所述第一医学影像集中的多张所述第一医学影像;
将所有所述第一医学影像输入至第一卷积神经网络后,获取将各所述第一医学影像变形之后生成的多个第一变形场图像;
将所有所述第一变形场图像通过第一图像插值模块进行图像插值后,得到一张所述第一配准图像;
将所述第二医学影像集输入至第二配准变换模型后,获取所述第二配准变换模型输出的对所述第二医学影像集进行多时序融合的第二配准图像;
对所述第一配准图像和所述第二配准图像进行融合,得到第三配准图像;所述第三配准图像反映出所述第一医学影像集和所述第二医学影像集的生长追踪结果。
2.根据权利要求1所述的医学影像配准方法,其特征在于,所述将所述第一医学影像集输入至第一配准变换模型后,获取所述第一配准变换模型输出的对所述第一医学影像集进行多视角融合的第一配准图像之前,还包括:
获取第一标准训练图像以及第一参考图像,将一张所述第一标准训练图像以及一张所述第一参考图像作为一对第一配准对,通过第一卷积神经网络对所有所述第一配准对进行变形后,得到多个第一训练变形场;一个所述第一训练变形场对应一张所述第一标准训练图像;
将所述第一训练变形场通过第一图像插值模块进行图像插值后,得到第一插值结果;
将所述第一插值结果和所述第一参考图像输入至与所述第一卷积神经网络关联的第一预设损失函数后,获取第一训练变形场和第一参考图像的第一损失值;
在所述第一损失值大于第一预设损失值时,通过反向传播算法不断更新所述第一卷积神经网络的网络参数直至所述第一损失值小于或等于所述第一预设损失值;
在所述第一损失值小于或等于第一预设损失值时,确定所述第一配准变换模型训练完成,得到所述第一配准变换模型。
3.根据权利要求1所述的医学影像配准方法,其特征在于,所述第二配准变换模型包括第二卷积神经网络和第二图像插值模块,所述将所述第二医学影像集输入至第二配准变换模型后,获取所述第二配准变换模型输出的对所述第二医学影像集进行多时序融合的第二配准图像,包括:
获取所述第二医学影像集中的多张第二配准对;一张所述第二配准对包括一张所述第二医学影像和一张第二参考图像;
将所有所述第二配准对输入至第二卷积神经网络后,获取将各所述第二配准对变形之后生成的多个第二变形场;
将所有所述第二变形场通过第二图像插值模块进行图像插值后,得到所述第二配准图像。
4.根据权利要求3所述的医学影像配准方法,其特征在于,所述将所有所述第二配准对输入至由卷积神经网络构建成的第一配准变换模型之前,还包括:
获取第二标准训练图像以及第二参考图像,将一张所述第二标准训练图像以及一张所述第二参考图像作为一对第二配准对,通过第二卷积神经网络对所有所述第二配准对进行变形后,得到多个第二训练变形场;一个所述第二训练变形场对应一张所述第二标准训练图像;
将所述第二训练变形场通过第二图像插值模块进行图像插值后,得到第二插值结果;
将所述第二插值结果和所述第二参考图像输入至与所述第二卷积神经网络关联的第二预设损失函数后,获取第二训练变形场和第二参考图像的第二损失值;
在所述第二损失值大于第二预设损失值时,通过反向传播算法不断更新所述第二卷积神经网络的网络参数直至所述第二损失值小于或等于所述第二预设损失值;
在所述第二损失值小于或等于第二预设损失值时,确定所述第二配准变换模型训练完成,得到所述第二配准变换模型。
5.根据权利要求2所述的医学影像配准方法,其特征在于,所述将所述第一训练变形场通过第一图像插值模块进行图像插值后,得到第一插值结果,包括:
通过第一变换公式将与所述第一训练变形场中的第一标准训练图像变换到所述第一训练变形场中的第一参考图像的图像空间中,得到包含在同一个图像空间的第一目标配准图像的第一插值结果;其中,所述第一变换公式为:
X=ax'+by',Y=cx'+dy'
其中:
x'为所述第一标准训练图像中像素的横坐标;
y'为所述第一标准训练图像中像素的纵坐标;
X'为所述第一参考图像中像素的横坐标;
Y'为所述第一参考图像中像素的纵坐标;
a、b、c和d均为变换参数值,a、b、c和d构成的变换矩阵
6.根据权利要求2所述的医学影像配准方法,其特征在于,所述通过第一卷积神经网络对所有所述第一配准对进行变形后,得到多个第一训练变形场,包括:
将所有所述第一配准对输入至所述卷积神经网络后,通过与所述卷积神经网络对应的第一预设表达式对所有所述第一配准对进行变形,得到与所述第一配准对对应的多个第一训练变形场;所述第一预设表达式包括:
其中:
x为所述第一标准训练图像的强度;
y为所述第一参考图像的强度;
X为x的取值范围;
Y为y的取值范围;
Dm为所述第一标准训练图像和所述第一参考图像像素之间的相似度;
xi为所述第一标准训练图像第i个像素的强度;
yi为所述第一参考图像第i个像素的强度;
xm为所述第一标准训练图像的平均强度;
ym为所述第一参考图像的平均强度;
p(x)为所述第一标准训练图像概率密度分布函数;
p(y)为所述第一参考图像概率密度分布函数;
p(x,y)为所述第一标准训练图像和所述第一参考图像的联合概率密度函数。
7.一种医学影像配准装置,其特征在于,包括:
第一获取模块,用于获取第一医学影像集和第二医学影像集;所述第一医学影像集中包含同一时刻不同视角的多张第一医学影像;所述第二医学影像集中包含不同时刻同一视角的多张第二医学影像;
第二获取模块,用于将所述第一医学影像集输入至第一配准变换模型后,获取所述第一配准变换模型输出的对所述第一医学影像集进行多视角融合的第一配准图像;
所述第二获取模块,还用于:
获取所述第一医学影像集中的多张所述第一医学影像;
将所有所述第一医学影像输入至第一卷积神经网络后,获取将各所述第一医学影像变形之后生成的多个第一变形场图像;
将所有所述第一变形场图像通过第一图像插值模块进行图像插值后,得到一张所述第一配准图像;
第三获取模块,用于将所述第二医学影像集输入至第二配准变换模型后,获取所述第二配准变换模型输出的对所述第二医学影像集进行多时序融合的第二配准图像;
融合模块,用于对所述第一配准图像和所述第二配准图像进行融合,得到第三配准图像;所述第三配准图像反映出所述第一医学影像集和所述第二医学影像集的生长追踪结果。
8.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述医学影像配准方法。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述医学影像配准方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110210897.0A CN112837357B (zh) | 2021-02-25 | 2021-02-25 | 医学影像配准方法、装置、计算机设备及存储介质 |
PCT/CN2021/096702 WO2022178997A1 (zh) | 2021-02-25 | 2021-05-28 | 医学影像配准方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110210897.0A CN112837357B (zh) | 2021-02-25 | 2021-02-25 | 医学影像配准方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112837357A CN112837357A (zh) | 2021-05-25 |
CN112837357B true CN112837357B (zh) | 2024-03-05 |
Family
ID=75933377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110210897.0A Active CN112837357B (zh) | 2021-02-25 | 2021-02-25 | 医学影像配准方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112837357B (zh) |
WO (1) | WO2022178997A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837357B (zh) * | 2021-02-25 | 2024-03-05 | 平安科技(深圳)有限公司 | 医学影像配准方法、装置、计算机设备及存储介质 |
CN114373004B (zh) * | 2022-01-13 | 2024-04-02 | 强联智创(北京)科技有限公司 | 一种动态图像配准方法 |
CN116402865B (zh) * | 2023-06-06 | 2023-09-15 | 之江实验室 | 一种利用扩散模型的多模态影像配准方法、装置和介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658377A (zh) * | 2018-10-31 | 2019-04-19 | 泰格麦迪(北京)医疗科技有限公司 | 一种基于多维度信息融合的乳腺mri病变区域检测方法 |
CN109767461A (zh) * | 2018-12-28 | 2019-05-17 | 上海联影智能医疗科技有限公司 | 医学影像配准方法、装置、计算机设备和存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2998932B1 (en) * | 2014-09-16 | 2021-01-27 | Esaote S.p.A. | Method and device for the acquisition of ultrasound images and for the fusion of such images with pre-acquired images |
US11154196B2 (en) * | 2017-06-20 | 2021-10-26 | Siemens Healthcare Gmbh | Deep-learnt tissue deformation for medical imaging |
CN108053428A (zh) * | 2017-12-28 | 2018-05-18 | 上海联影医疗科技有限公司 | 一种医学图像的配准方法、装置及设备 |
CN109801251A (zh) * | 2019-01-28 | 2019-05-24 | 李�杰 | 医学影像的融合方法及基于融合医学影像学习的图像检测方法 |
CN110599528B (zh) * | 2019-09-03 | 2022-05-27 | 济南大学 | 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 |
CN112001889A (zh) * | 2020-07-22 | 2020-11-27 | 杭州依图医疗技术有限公司 | 医学影像处理方法、装置及医学影像显示方法 |
CN112837357B (zh) * | 2021-02-25 | 2024-03-05 | 平安科技(深圳)有限公司 | 医学影像配准方法、装置、计算机设备及存储介质 |
-
2021
- 2021-02-25 CN CN202110210897.0A patent/CN112837357B/zh active Active
- 2021-05-28 WO PCT/CN2021/096702 patent/WO2022178997A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658377A (zh) * | 2018-10-31 | 2019-04-19 | 泰格麦迪(北京)医疗科技有限公司 | 一种基于多维度信息融合的乳腺mri病变区域检测方法 |
CN109767461A (zh) * | 2018-12-28 | 2019-05-17 | 上海联影智能医疗科技有限公司 | 医学影像配准方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112837357A (zh) | 2021-05-25 |
WO2022178997A1 (zh) | 2022-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112837357B (zh) | 医学影像配准方法、装置、计算机设备及存储介质 | |
US11270169B2 (en) | Image recognition method, storage medium and computer device | |
US11961233B2 (en) | Method and apparatus for training image segmentation model, computer device, and storage medium | |
US20210390706A1 (en) | Detection model training method and apparatus, computer device and storage medium | |
CN110599528B (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 | |
EP4002161A1 (en) | Image retrieval method and apparatus, storage medium, and device | |
WO2019218136A1 (zh) | 图像分割方法、计算机设备和存储介质 | |
WO2021159781A1 (zh) | 图像处理方法、装置、设备及存储介质 | |
CN111832581B (zh) | 肺部特征识别方法、装置、计算机设备及存储介质 | |
Gao et al. | A deep convolutional network for medical image super-resolution | |
CN112001399B (zh) | 基于局部特征显著化的图像场景分类方法和装置 | |
CN112733901B (zh) | 基于联邦学习和区块链的结构化动作分类方法与装置 | |
CN116469545A (zh) | 使用医学图像进行辅助疾病预测的方法、装置及设备 | |
CN114998374A (zh) | 基于位置先验的图像分割方法、装置、设备和存储介质 | |
CN114821736A (zh) | 基于对比学习的多模态人脸识别方法、装置、设备及介质 | |
CN112613445A (zh) | 人脸图像生成方法、装置、计算机设备和存储介质 | |
CN112164447A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN111582449A (zh) | 一种目标域检测网络的训练方法、装置、设备及存储介质 | |
CN111192252B (zh) | 一种图像分割结果优化方法、装置、智能终端及存储介质 | |
Dhawan et al. | Deep Learning Based Sugarcane Downy Mildew Disease Detection Using CNN-LSTM Ensemble Model for Severity Level Classification | |
CN111210414B (zh) | 医学图像分析方法、计算机设备和可读存储介质 | |
CN113657479A (zh) | 一种新型多尺度深宽结合的病理图片分类方法、系统及介质 | |
CN113674228A (zh) | 颅脑供血区的识别方法、装置、存储介质和电子设备 | |
CN112365504A (zh) | Ct左心室分割方法、装置、设备和存储介质 | |
US20230230237A1 (en) | Image processing method and apparatus, computer device, and medium |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40045439 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |