CN112950595A - 一种基于spect成像的人体部位切分方法及系统 - Google Patents
一种基于spect成像的人体部位切分方法及系统 Download PDFInfo
- Publication number
- CN112950595A CN112950595A CN202110252798.9A CN202110252798A CN112950595A CN 112950595 A CN112950595 A CN 112950595A CN 202110252798 A CN202110252798 A CN 202110252798A CN 112950595 A CN112950595 A CN 112950595A
- Authority
- CN
- China
- Prior art keywords
- data matrix
- region
- matrix corresponding
- human body
- segmentation
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 158
- 238000003384 imaging method Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000002603 single-photon emission computed tomography Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 240
- 210000000746 body region Anatomy 0.000 claims abstract description 52
- 210000000038 chest Anatomy 0.000 claims abstract description 52
- 210000001364 upper extremity Anatomy 0.000 claims abstract description 39
- 210000004197 pelvis Anatomy 0.000 claims abstract description 28
- 230000014461 bone development Effects 0.000 claims abstract description 4
- 210000000988 bone and bone Anatomy 0.000 claims description 95
- 210000003141 lower extremity Anatomy 0.000 claims description 37
- 210000000115 thoracic cavity Anatomy 0.000 claims description 30
- 238000012800 visualization Methods 0.000 claims description 25
- 230000005855 radiation Effects 0.000 claims description 23
- 230000000877 morphologic effect Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 4
- 210000003414 extremity Anatomy 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 13
- 238000003745 diagnosis Methods 0.000 description 6
- 238000002059 diagnostic imaging Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000000338 in vitro Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 239000003640 drug residue Substances 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000009206 nuclear medicine Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010027452 Metastases to bone Diseases 0.000 description 1
- 208000024799 Thyroid disease Diseases 0.000 description 1
- 230000004791 biological behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000012216 imaging agent Substances 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 239000012217 radiopharmaceutical Substances 0.000 description 1
- 229940121896 radiopharmaceutical Drugs 0.000 description 1
- 230000002799 radiopharmaceutical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- G06T2207/10108—Single photon emission computed tomography [SPECT]
-
- 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
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Radiology & Medical Imaging (AREA)
- Optics & Photonics (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- High Energy & Nuclear Physics (AREA)
- Animal Behavior & Ethology (AREA)
- Human Computer Interaction (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明涉及一种基于SPECT成像的人体部位切分方法及系统，基于骨显像数据矩阵，在骨显像图像中提取人体区域，以获取骨显像数据矩阵的有效信息，不仅减少了计算量，而且提高了切分精度。然后基于人体区域对应的数据矩阵和人体形态学特征，将人体区域划分为头部区域、胸腔区域、盆骨区域和腿部区域，再基于胸腔区域对应的数据矩阵，将胸腔区域划分为躯干区域、左上肢和右上肢，最后基于腿部区域对应的数据矩阵，将腿部区域划分为左下肢和右下肢，从而将人体划分为头部、躯干、四肢、盆骨等部位，实现了人体部位的精准切分，能够有效针对任意一个SPCET骨显像图像进行头部、躯干、四肢、盆骨等部位的精准切分。
Description
技术领域
本发明涉及医学影像技术领域，特别是涉及一种基于SPECT成像的人体部位切分方法及系统。
背景技术
医学影像是现代临床医学疾病诊治的重要技术手段，它能够以非侵入方式捕获和呈现机体的内部结构和功能状态。医学影像作为一般性术语，通常包含医学成像(Medicalimaging)和医学图像处理(Medical image processing)两个相对独立的构成部分。
在医学影像领域，核医学影像被视为一种诊断、治疗、评价和预防各种严重疾病的有效医疗方式。自1895年英国物理学家伦琴发现X射线以来，医学成像从计算机断层扫描(Computerized Tomography，CT)、核磁共振成像(Magnetic Resonance Imaging，MRI)、超声波成像(Ultrasound)等传统结构成像模态发展到目前的单光子发射计算机断层成像(Single-Photon Emission Computed Tomography，SPECT)和正电子发射断层成像(Positron Emission Tomography，PET)等功能成像模态，进而催生了SPECT/CT、SPECT/MRI、PET/CT和PET/MRI等混合成像模态。
SPECT成像不同于传统X射线成像，传统X射线成像只提供一个器官或身体局部区域的解剖信息，而SPECT成像可以显示在整个身体的器官和组织中的结构和功能变异。SPECT成像需要预先在患者体内注入放射性药物(如99Tmc-MIBI)，经过一定时长的代谢后，用体外探头捕获体内特定部位或全身的药物残留分布，即放射量。大量临床验证表明，病变部位的放射量通常高于正常部位，这种依据放射量而非器官形态差异实现疾病检测的方法，有效弥补了传统结构成像的不足。这是因为，有些疾病引发的器官或组织形态改变可能显著滞后于疾病的真正发作。目前，SPECT核医学成像已经应用于帕金森等精神疾病、甲状腺、脑部疾病等的计算机自动辅助诊断领域。
目前，全身骨扫描显像的诊断主要依靠医师的诊断，这要求临床医生不仅需要掌握大量的肿瘤影像学知识，更需要深入分析SPECT成像原理及其病灶，临床医生不仅需要掌握肿瘤的生物学行为规律，还要分析病灶的产生并且及时做出诊断。近几年，基于全身骨扫描的计算机辅助诊断技术以图像预处理、病灶点分割、多视图特征融合分类、假阳性案例排查等研究为主。SPECT显像原理限制了传统基于分类、分割方法在全身骨扫描显像中的处理分析，在SPECT成像中，人体骨骼的放射值和背景值相差较小，导致极易发生显像时骨骼和背景的粘连现象，并且存在体外放射污染，这使得人体骨骼在SPECT显像中显像不清楚，骨骼与背景的信噪比低、骨骼和软组织的边界不明显、不同年龄的不同患者之间的SPECT显像各异，而且患者在SPECT扫描时形态各异，这使得基于计算机辅助诊断技术进行SPECT显像分析非常困难。目前，尚未发现可有效针对每一个SPCET全身骨显像数据矩阵进行头部、躯干、四肢、盆骨等的精准切分的方法。
发明内容
本发明的目的是提供一种基于SPECT成像的人体部位切分方法及系统，在不改变骨显像数据矩阵放射值的基础上，实现了对任意一个骨显像数据矩阵的精准切分。
为实现上述目的，本发明提供了如下方案：
一种基于SPECT成像的人体部位切分方法，所述切分方法包括如下步骤：
利用SPECT成像方法进行骨扫描，得到骨显像图像，并获取所述骨显像图像中的前位图或后位图所对应的骨显像数据矩阵；
基于所述骨显像数据矩阵，在所述骨显像图像中提取人体区域；
基于所述人体区域对应的数据矩阵和人体形态学特征，选取第一切分特征点、第二切分特征点和第三切分特征点，将所述人体区域划分为头部区域、胸腔区域、盆骨区域和腿部区域；
基于所述胸腔区域对应的数据矩阵，选取左胳膊切分特征点和右胳膊切分特征点，将所述胸腔区域划分为躯干区域、左上肢和右上肢；
基于所述腿部区域对应的数据矩阵，选取双腿划分特征点，将所述腿部区域划分为左下肢和右下肢。
一种基于SPECT成像的人体部位切分系统，所述切分系统包括：
骨显像数据矩阵获取模块，用于利用SPECT成像方法进行骨扫描，得到骨显像图像，并获取所述骨显像图像中的前位图或后位图所对应的骨显像数据矩阵；
人体区域提取模块，用于基于所述骨显像数据矩阵，在所述骨显像图像中提取人体区域；
人体区域划分模块，用于基于所述人体区域对应的数据矩阵和人体形态学特征，选取第一切分特征点、第二切分特征点和第三切分特征点，将所述人体区域划分为头部区域、胸腔区域、盆骨区域和腿部区域；
胸腔区域划分模块，用于基于所述胸腔区域对应的数据矩阵，选取左胳膊切分特征点和右胳膊切分特征点，将所述胸腔区域划分为躯干区域、左上肢和右上肢；
腿部区域划分模块，用于基于所述腿部区域对应的数据矩阵，选取双腿划分特征点，将所述腿部区域划分为左下肢和右下肢。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种基于SPECT成像的人体部位切分方法及系统，先利用SPECT成像方法进行骨扫描，得到全身骨显像可视化图像，并获取骨显像图像中的前位图或后位图所对应的骨显像数据矩阵，并基于骨显像数据矩阵，在骨显像图像中提取人体区域，以获取骨显像数据矩阵的有效信息，不仅减少了计算量，而且提高了切分精度。然后基于人体区域对应的数据矩阵和人体形态学特征，选取第一切分特征点、第二切分特征点和第三切分特征点，将人体区域划分为头部区域、胸腔区域、盆骨区域和腿部区域，再基于胸腔区域对应的数据矩阵，选取左胳膊切分特征点和右胳膊切分特征点，将胸腔区域划分为躯干区域、左上肢和右上肢，最后基于腿部区域对应的数据矩阵，选取双腿划分特征点，将腿部区域划分为左下肢和右下肢，从而将人体划分为头部、躯干、四肢、盆骨等部位，实现了人体部位的精准切分，能够有效针对任意一个形态、姿势正常的SPCET骨显像图像进行头部、躯干、四肢、盆骨等部位的精准切分。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1所提供的切分方法的方法流程图。
图2为本发明实施例1所提供的数据矩阵的三维示意图；(a)为包括病灶的数据矩阵的三维示意图，其中病灶点为骨转移；(b)为包含注射点的数据矩阵的三维示意图。
图3为本发明实施例1所提供的人体区域提取的方法流程图。
图4为本发明实施例1所提供的人体区域提取原理图。
图5为本发明实施例1所提供的人体区域划分的方法流程图。
图6为本发明实施例1所提供的人体区域划分原理图。
图7为本发明实施例1所提供的人体区域划分的结果示意图。
图8为本发明实施例1所提供的胸腔区域划分的方法流程图。
图9为本发明实施例1所提供的胸腔区域划分原理图。
图10为本发明实施例1所提供的左胸腔划分原理图。
图11为本发明实施例1所提供的右胸腔划分原理图。
图12为本发明实施例1所提供的腿部区域划分的方法流程图。
图13为本发明实施例1所提供的腿部区域划分原理图。
图14为本发明实施例1所提供的人体部位切分的结果示意图。
图15为本发明实施例2所提供的切分系统的结构框图。
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，所描述的实施例仅仅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。
本发明的目的是提供一种基于SPECT成像的人体部位切分方法及系统，在不改变骨显像数据矩阵放射值的基础上，实现了对任意一个骨显像数据矩阵的精准切分。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
现有技术主要针对传统自然图像的人体分割，不仅算法复杂性高，而且无法直接应用于骨显像图像。在面向全身骨显像图像的切分中，尚未发现一款可有效针每一个全身骨显像图像的精准人体切分方法。本实施例用于提供一种基于SPECT成像的人体部位切分方法，能够适用于每一个骨显像图像的人体切分，如图1所示，所述切分方法包括如下步骤：
S1：利用SPECT成像方法进行骨扫描，得到骨显像图像，并获取所述骨显像图像中的前位图或后位图所对应的骨显像数据矩阵；
具体的，S1包括：通过核素探测器捕获核素量，基于计算机辅助设备显示为骨显像图像，并获得骨显像图像的DICOM文件。由于DICOM文件中信息量大，故再通过专业的计算机技术在DICOM文件中获取骨显像图像对应的数据矩阵，以得到前位图或后位图所对应的骨显像数据矩阵。如图2所示，其给出了数据矩阵的三维示意图，纵轴代表数据矩阵中的放射值。本实施例利用后续步骤对前位图对应的骨显像数据矩阵或者后位图对应的骨显像数据矩阵进行处理，均可以实现对人体的精确切分。
由于利用SPECT成像方法所得到的骨显像数据矩阵，会存在由于体外药物残留所导致的噪声数据。作为一种可选的实施方式，在骨显像图像中提取人体区域之前，本实施例所提供的切分方法还包括对骨显像数据矩阵进行固定阈值去噪，需要说明的是，骨显像数据矩阵的矩阵大小为1024×256，骨显像数据矩阵中的每个元素的值均是一个放射值。去噪具体包括：获取历史骨显像图像对应的所有历史数据矩阵，再基于所有历史数据矩阵的放射值，以放射值作为横坐标、放射值的个数作为纵坐标绘制直方图。根据直方图确定阈值，具体的，绘制直方图后，在直方图中选取与背景值相差最小的放射值作为阈值，背景值为0，即选取最接近0的放射值作为阈值。当然，本实施例也可以不绘制直方图，直接基于所有历史数据矩阵的放射值选取与背景值相差最小的放射值作为阈值即可。在得到阈值后，再根据阈值对骨显像数据矩阵进行去噪，将小于阈值的放射值归为背景值，得到去噪后的骨显像数据矩阵。阈值可为5，对于骨显像数据矩阵中的每一个元素，若这个元素的放射值小于5，则将其放射值归为背景值，即归为0，否则，则不改变该放射值。
通过对骨显像数据矩阵进行固定阈值去噪，能够消除显像过程中，体外残留的少量显像剂颗粒被SPECT捕获而形成体外放射值污染所产生的噪声。
S2：基于所述骨显像数据矩阵，在骨显像图像中提取人体区域；
当然，本实施例也可以基于去噪后的骨显像数据矩阵，在骨显像图像中提取人体区域。
具体的，如图3和图4所示，S2可以包括：
S21：基于所述骨显像数据矩阵，从上到下按行进行遍历，选取第一个包含非背景值的行作为起始行；所述非背景值为放射值不为背景值的放射值，即选取第一个包含不为0的值的行作为起始行。
S22：基于所述骨显像数据矩阵，从下到上按行进行遍历，选取第一个包含非背景值的行作为终止行；
S23：选取所述起始行与所述终止行以内的所有行，构成人体区域对应的数据矩阵，进而能够获取骨显像数据矩阵中的有效信息，不仅减少了参数量和计算量，而且提高了切分精度，高效辅助医生诊断。
S24：将所述人体区域对应的数据矩阵在显示界面上进行可视化，得到人体区域。
本实施例均是对数据矩阵进行处理，而数据矩阵可视化后即为人体图像。进而在将骨显像数据矩阵进行处理得到人体区域对应的数据矩阵后，再将人体区域对应的数据矩阵进行可视化，即可得到人体区域的图像，这一过程即为在骨显像图像中提取人体区域的过程。
S3：基于所述人体区域对应的数据矩阵和人体形态学特征，选取第一切分特征点、第二切分特征点和第三切分特征点，将所述人体区域划分为头部区域、胸腔区域、盆骨区域和腿部区域；
具体的，如图5和图6所示，S3可以包括：
S31：对于所述人体区域对应的数据矩阵，按行进行非背景值计数，得到每一行所包含的非背景值的个数；
S32：以行数作为横坐标，非背景值的个数作为纵坐标，绘制第一统计图；第一统计图参见图6。
S33：对所述第一统计图进行曲线拟合，得到第一拟合曲线；具体的，将第一统计图中的统计点基于numpy库进行多项式拟合，并绘制曲线，得到第一拟合曲线。
S34：根据人体形态学特征和所述第一拟合曲线，选取第一切分特征点、第二切分特征点和第三切分特征点；
参见图6，a点即为第一切分特征点，b点即为第二切分特征点，c点即为第三切分特征点。由于第一统计图是以行数作为横坐标，故第一拟合曲线上的特征点即对应于数据矩阵中的一行。为了便于说明，本实施例所提供的图6将特征点所在行指明为特征点。
具体的，S34包括：根据人体形态学特征，在第一拟合曲线中选取处于第一预设范围内的极小值或最小值作为第一切分特征点，第一预设范围为人体区域对应的数据矩阵的第10％-20％行，数据矩阵可视化即为人体图像，即相当于人体长度的10％-20％；选取处于第二预设范围内的极小值或最小值作为第二切分特征点，第二预设范围为人体区域对应的数据矩阵的第25％-45％行；选取处于第三预设范围内的极小值或最小值作为第三切分特征点，第三预设范围为第二切分特征点所在行至人体区域对应的数据矩阵的第70％行，从而根据人体的形态学特征，确定人体区域划分的特征点，即确定人体区域对应的数据矩阵的特征行。
S35：根据所述第一切分特征点、所述第二切分特征点和所述第三切分特征点，将所述人体区域对应的数据矩阵划分为头部区域对应的数据矩阵、胸腔区域对应的数据矩阵、盆骨区域对应的数据矩阵和腿部区域对应的数据矩阵；
作为一种可选的实施方式，S35可以包括：人体区域对应的数据矩阵的起始行和第一切分特征点所在行以内的所有行构成头部区域对应的数据矩阵；第一切分特征点所在行和第二切分特征点所在行以内的所有行构成胸腔区域对应的数据矩阵；第二切分特征点所在行和第三切分特征点所在行以内的所有行构成盆骨区域对应的数据矩阵；第三切分特征点所在行和人体区域对应的数据矩阵的终止行以内的所有行构成腿部区域对应的数据矩阵，进而将人体区域对应的数据矩阵划分为头部区域对应的数据矩阵、胸腔区域对应的数据矩阵、盆骨区域对应的数据矩阵和腿部区域对应的数据矩阵。
考虑到骨显像图像的特点以及人体区域划分过程中曲线拟合造成的误差，本实施例还提供了另外一种对人体区域对应的数据矩阵进行划分的实施方式，人体区域对应的数据矩阵的起始行和第一切分特征点所在行以内的所有行构成头部区域对应的数据矩阵；考虑到腰椎长度，将第二切分特征点所在行上移β行，得到第一实际切分行；第一切分特征点所在行和第一实际切分行以内的所有行构成胸腔区域对应的数据矩阵；考虑到手的影响，将第二切分特征点所在行下移β行，得到第二实际切分行；将第三切分特征点所在行上移r行，得到第三实际切分行；第二实际切分行和第三实际切分行以内的所有行构成盆骨区域对应的数据矩阵；第三切分特征点所在行和人体区域对应的数据矩阵的终止行以内的所有行构成腿部区域对应的数据矩阵，进而通过改变特征点所在行，能够减小误差。具体的，β的取值范围为(5，10)，r的取值范围为(10，20)。
S36：将所述头部区域对应的数据矩阵、所述胸腔区域对应的数据矩阵、所述盆骨区域对应的数据矩阵和所述腿部区域对应的数据矩阵分别在显示界面上进行可视化，得到头部区域、胸腔区域、盆骨区域和腿部区域。
上述将相应数据矩阵进行可视化的过程，即为将人体区域划分为头部区域、胸腔区域、盆骨区域和腿部区域的过程。参见图7，其给出了人体区域划分的结果示意图，(a)为头部区域，(b)为胸腔区域，(c)为盆骨区域，(d)为腿部区域。
S4：基于所述胸腔区域对应的数据矩阵，选取左胳膊切分特征点和右胳膊切分特征点，将所述胸腔区域划分为躯干区域、左上肢和右上肢；
具体的，参见图8，S4可以包括：
S41：将所述胸腔区域对应的数据矩阵逆时针旋转90度，并按行进行非背景值计数，得到每一行所包含的非背景值的个数；以行数作为横坐标，非背景值的个数作为纵坐标，绘制第二统计图；对所述第二统计图进行曲线拟合，得到第二拟合曲线；
图9给出了第二统计图及第二拟合曲线的示意图。
S42：选取所述第二拟合曲线的最大值点作为脊柱特征点；根据所述脊柱特征点将所述胸腔区域对应的数据矩阵划分为左胸腔对应的数据矩阵和右胸腔对应的数据矩阵；
在得到脊柱特征点后，由于在确定脊柱特征点时对胸腔区域对应的数据矩阵进行逆时针旋转，故对于胸腔区域对应的原始数据矩阵，以脊柱特征点所在列作为分割列，对胸腔区域对应的原始数据矩阵进行划分，得到左胸腔对应的数据矩阵和右胸腔对应的数据矩阵。
S43：将所述左胸腔对应的数据矩阵逆时针旋转90度，并按行进行非背景值计数，得到每一行所包含的非背景值的个数；以行数作为横坐标，非背景值的个数作为纵坐标，绘制第三统计图；对所述第三统计图进行曲线拟合，得到第三拟合曲线；
图10给出了第三统计图和第三拟合曲线的示意图。
S44：根据所述第三拟合曲线确定左胳膊切分特征点，将所述左胸腔对应的数据矩阵划分为左躯干对应的数据矩阵和左上肢对应的数据矩阵；
以旋转之后的左胸腔对应的数据矩阵的行数作为高度Y，左胳膊切分特征点的取值范围位于20％Y-70％Y，选取这一范围内的最小值点作为左胳膊切分特征点。在得到左胳膊切分特征点后，由于在确定左胳膊切分特征点时对左胸腔对应的数据矩阵进行逆时针旋转，故对于左胸腔对应的原始数据矩阵，以左胳膊切分特征点所在列作为分割列，对左胸腔对应的原始数据矩阵进行划分，得到左躯干对应的数据矩阵和左上肢对应的数据矩阵。
另外，为了进一步减小由于曲线拟合带来的误差，也为了使左胳膊包含更多信息，本实施例在进行左胸腔对应的数据矩阵的划分时，对于左胸腔对应的原始数据矩阵，将左胳膊切分特征点所在列右移α行作为分割列，对左胸腔对应的原始数据矩阵进行划分，得到左躯干对应的数据矩阵和左上肢对应的数据矩阵。其中，α的取值范围为(0，5)。
S45：将所述右胸腔对应的数据矩阵逆时针旋转90度，并按行进行非背景值计数，得到每一行所包含的非背景值的个数；以行数作为横坐标，非背景值的个数作为纵坐标，绘制第四统计图；对所述第四统计图进行曲线拟合，得到第四拟合曲线；
图11给出了第四统计图和第四拟合曲线的示意图。
S46：根据所述第四拟合曲线确定右胳膊切分特征点，将所述右胸腔对应的数据矩阵划分为右躯干对应的数据矩阵和右上肢对应的数据矩阵；
以旋转之后的右胸腔对应的数据矩阵的行数作为高度Y，右胳膊切分特征点的取值范围位于20％Y-70％Y，选取这一范围内的最小值点作为右胳膊切分特征点。在得到右胳膊切分特征点后，由于在确定右胳膊切分特征点时对右胸腔对应的数据矩阵进行逆时针旋转，故对于右胸腔对应的原始数据矩阵，以右胳膊切分特征点所在列作为分割列，对右胸腔对应的原始数据矩阵进行划分，得到右躯干对应的数据矩阵和右上肢对应的数据矩阵。
另外，为了进一步减小由于曲线拟合带来的误差，也为了使右胳膊包含更多信息，本实施例在进行右胸腔对应的数据矩阵的划分时，对于右胸腔对应的原始数据矩阵，将右胳膊切分特征点所在列左移α行作为分割列，对右胸腔对应的原始数据矩阵进行划分，得到右躯干对应的数据矩阵和右上肢对应的数据矩阵。其中，α的取值范围为(0，5)。
S47：合并所述左躯干对应的数据矩阵和所述右躯干对应的数据矩阵，得到躯干区域对应的数据矩阵；
S48：将所述躯干区域对应的数据矩阵、所述左上肢对应的数据矩阵和所述右上肢对应的数据矩阵分别在显示界面上进行可视化，得到躯干区域、左上肢和右上肢。
上述将相应数据矩阵进行可视化的过程，即为将胸腔区域划分为躯干区域、左上肢和右上肢的过程，进而对胸腔区域进行进一步的精细划分。
S5：基于所述腿部区域对应的数据矩阵，选取双腿划分特征点，将所述腿部区域划分为左下肢和右下肢。
具体的，如图12所示，S5可以包括：
S51：选取所述腿部区域对应的数据矩阵的对称列作为双腿划分特征点所在列；
考虑到腿部显像较为清晰、对称，因此对腿部区域进行对称切分，将腿部区域对应的数据矩阵的对称列作为双腿划分特征点所在列。
S52：根据所述双腿划分特征点所在列将所述腿部区域对应的数据矩阵划分为左下肢对应的数据矩阵和右下肢对应的数据矩阵；
S53：将所述左下肢对应的数据矩阵和所述右下肢对应的数据矩阵分别在显示界面上进行可视化，得到左上肢和右下肢。
另外，本实施例在进行腿部区域划分时，还可以先将腿部区域对应的数据矩阵逆时针旋转90度，然后选取旋转之后的腿部区域对应的数据矩阵的对称行作为双腿划分特征点所在行，根据双腿划分特征点所在行将旋转之后的腿部区域对应的数据矩阵划分为旋转之后的左下肢对应的数据矩阵和旋转之后的右下肢对应的数据矩阵，再分别将旋转之后的左下肢对应的数据矩阵和旋转之后的右下肢对应的数据矩阵顺时针旋转90度，得到左下肢对应的数据矩阵和右下肢对应的数据矩阵，将左下肢对应的数据矩阵和右下肢对应的数据矩阵分别在显示界面上进行可视化，得到左上肢和右下肢。
如图13所示，为了进一步提高左下肢和右下肢提取的准确性，本实施例在进行腿部区域划分时，还可以先将腿部区域对应的数据矩阵逆时针旋转90度，然后基于旋转后的腿部区域对应的数据矩阵，从上到下按行进行遍历，选取第一个包含非背景值的行作为起始行，从下到上按行进行遍历，选取第一个包含非背景值的行作为终止行，然后选取起始行与终止行以内的所有行，构成旋转之后的腿部区域对应的数据矩阵，然后再利用上述方法对腿部区域对应的数据矩阵进行划分。
图14给出了利用本实施例所提供的切分方法进行人体切分后的结果示意图。由此，本实施例所提供的切分方法，基于人体形态学、统计学及多项式曲线拟合进行人体切分特征点的寻找并进行切分，使得对于每一个全身骨显像矩阵，既不改变原始数据矩阵信息，又精确切分出了人体部位，该方法解决了现有人工识别切分SPECT全身骨显像图像造成的低效性及主观性，此方法不仅能有效针对每一个全身骨显像矩阵进行头部、躯干、盆骨、四肢的精准切分，而且用时短，耗费空间小，具有高效性和高精度的优点。
实施例2：
本实施例用于提供一种基于SPECT成像的人体部位切分系统，如图15所示，所述切分系统包括：
骨显像数据矩阵获取模块M1，用于利用SPECT成像方法进行骨扫描，得到骨显像图像，并获取所述骨显像图像中的前位图或后位图所对应的骨显像数据矩阵；
人体区域提取模块M2，用于基于所述骨显像数据矩阵，在所述骨显像图像中提取人体区域；
人体区域划分模块M3，用于基于所述人体区域对应的数据矩阵和人体形态学特征，选取第一切分特征点、第二切分特征点和第三切分特征点，将所述人体区域划分为头部区域、胸腔区域、盆骨区域和腿部区域；
胸腔区域划分模块M4，用于基于所述胸腔区域对应的数据矩阵，选取左胳膊切分特征点和右胳膊切分特征点，将所述胸腔区域划分为躯干区域、左上肢和右上肢；
腿部区域划分模块M5，用于基于所述腿部区域对应的数据矩阵，选取双腿划分特征点，将所述腿部区域划分为左下肢和右下肢。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于SPECT成像的人体部位切分方法，其特征在于，所述切分方法包括如下步骤：
利用SPECT成像方法进行骨扫描，得到骨显像图像，并获取所述骨显像图像中的前位图或后位图所对应的骨显像数据矩阵；
基于所述骨显像数据矩阵，在所述骨显像图像中提取人体区域；
基于所述人体区域对应的数据矩阵和人体形态学特征，选取第一切分特征点、第二切分特征点和第三切分特征点，将所述人体区域划分为头部区域、胸腔区域、盆骨区域和腿部区域；
基于所述胸腔区域对应的数据矩阵，选取左胳膊切分特征点和右胳膊切分特征点，将所述胸腔区域划分为躯干区域、左上肢和右上肢；
基于所述腿部区域对应的数据矩阵，选取双腿划分特征点，将所述腿部区域划分为左下肢和右下肢。
2.如权利要求1所述的一种基于SPECT成像的人体部位切分方法，其特征在于，在所述骨显像图像中提取人体区域之前，还包括对所述骨显像数据矩阵进行固定阈值去噪，具体包括：
获取历史骨显像图像对应的所有历史数据矩阵；
基于所有所述历史数据矩阵的放射值，以放射值作为横坐标、放射值的个数作为纵坐标绘制直方图；
根据所述直方图确定阈值；
根据所述阈值对所述骨显像数据矩阵进行去噪，将小于所述阈值的放射值归为背景值，得到去噪后的骨显像数据矩阵。
3.如权利要求2所述的一种基于SPECT成像的人体部位切分方法，其特征在于，所述根据所述直方图确定阈值具体包括：
在所述直方图中选取与背景值相差最小的放射值作为阈值。
4.如权利要求1或2所述的一种基于SPECT成像的人体部位切分方法，其特征在于，所述基于所述骨显像数据矩阵，在所述骨显像图像中提取人体区域具体包括：
基于所述骨显像数据矩阵，从上到下按行进行遍历，选取第一个包含非背景值的行作为起始行；所述非背景值为放射值不为背景值的放射值；
基于所述骨显像数据矩阵，从下到上按行进行遍历，选取第一个包含非背景值的行作为终止行；
选取所述起始行与所述终止行以内的所有行，构成人体区域对应的数据矩阵；
将所述人体区域对应的数据矩阵在显示界面上进行可视化，得到人体区域。
5.如权利要求1所述的一种基于SPECT成像的人体部位切分方法，其特征在于，所述基于所述人体区域对应的数据矩阵和人体形态学特征，选取第一切分特征点、第二切分特征点和第三切分特征点，将所述人体区域划分为头部区域、胸腔区域、盆骨区域和腿部区域具体包括：
对于所述人体区域对应的数据矩阵，按行进行非背景值计数，得到每一行所包含的非背景值的个数；
以行数作为横坐标，非背景值的个数作为纵坐标，绘制第一统计图；
对所述第一统计图进行曲线拟合，得到第一拟合曲线；
根据人体形态学特征和所述第一拟合曲线，选取第一切分特征点、第二切分特征点和第三切分特征点；
根据所述第一切分特征点、所述第二切分特征点和所述第三切分特征点，将所述人体区域对应的数据矩阵划分为头部区域对应的数据矩阵、胸腔区域对应的数据矩阵、盆骨区域对应的数据矩阵和腿部区域对应的数据矩阵；
将所述头部区域对应的数据矩阵、所述胸腔区域对应的数据矩阵、所述盆骨区域对应的数据矩阵和所述腿部区域对应的数据矩阵分别在显示界面上进行可视化，得到头部区域、胸腔区域、盆骨区域和腿部区域。
6.如权利要求5所述的一种基于SPECT成像的人体部位切分方法，其特征在于，所述根据人体形态学特征和所述第一拟合曲线，选取第一切分特征点、第二切分特征点和第三切分特征点具体包括：
根据人体形态学特征，在所述第一拟合曲线中选取处于第一预设范围内的极小值或最小值作为第一切分特征点，选取处于第二预设范围内的极小值或最小值作为第二切分特征点，选取处于第三预设范围内的极小值或最小值作为第三切分特征点。
7.如权利要求6所述的一种基于SPECT成像的人体部位切分方法，其特征在于，所述根据所述第一切分特征点、所述第二切分特征点和所述第三切分特征点，将所述人体区域对应的数据矩阵划分为头部区域对应的数据矩阵、胸腔区域对应的数据矩阵、盆骨区域对应的数据矩阵和腿部区域对应的数据矩阵具体包括：
所述人体区域对应的数据矩阵的起始行和所述第一切分特征点所在行以内的所有行构成头部区域对应的数据矩阵；
所述第一切分特征点所在行和所述第二切分特征点所在行以内的所有行构成胸腔区域对应的数据矩阵；
所述第二切分特征点所在行和所述第三切分特征点所在行以内的所有行构成盆骨区域对应的数据矩阵；
所述第三切分特征点所在行和所述人体区域对应的数据矩阵的终止行以内的所有行构成腿部区域对应的数据矩阵；
或者，
所述人体区域对应的数据矩阵的起始行和所述第一切分特征点所在行以内的所有行构成头部区域对应的数据矩阵；
将所述第二切分特征点所在行上移β行，得到第一实际切分行；所述第一切分特征点所在行和所述第一实际切分行以内的所有行构成胸腔区域对应的数据矩阵；
将所述第二切分特征点所在行下移β行，得到第二实际切分行；将所述第三切分特征点所在行上移r行，得到第三实际切分行；所述第二实际切分行和所述第三实际切分行以内的所有行构成盆骨区域对应的数据矩阵；
所述第三切分特征点所在行和所述人体区域对应的数据矩阵的终止行以内的所有行构成腿部区域对应的数据矩阵。
8.如权利要求1所述的一种基于SPECT成像的人体部位切分方法，其特征在于，所述基于所述胸腔区域对应的数据矩阵，选取左胳膊切分特征点和右胳膊切分特征点，将所述胸腔区域划分为躯干区域、左上肢和右上肢具体包括：
将所述胸腔区域对应的数据矩阵逆时针旋转90度，并按行进行非背景值计数，得到每一行所包含的非背景值的个数；以行数作为横坐标，非背景值的个数作为纵坐标，绘制第二统计图；对所述第二统计图进行曲线拟合，得到第二拟合曲线；
选取所述第二拟合曲线的最大值点作为脊柱特征点；根据所述脊柱特征点将所述胸腔区域对应的数据矩阵划分为左胸腔对应的数据矩阵和右胸腔对应的数据矩阵；
将所述左胸腔对应的数据矩阵逆时针旋转90度，并按行进行非背景值计数，得到每一行所包含的非背景值的个数；以行数作为横坐标，非背景值的个数作为纵坐标，绘制第三统计图；对所述第三统计图进行曲线拟合，得到第三拟合曲线；
根据所述第三拟合曲线确定左胳膊切分特征点，将所述左胸腔对应的数据矩阵划分为左躯干对应的数据矩阵和左上肢对应的数据矩阵；
将所述右胸腔对应的数据矩阵逆时针旋转90度，并按行进行非背景值计数，得到每一行所包含的非背景值的个数；以行数作为横坐标，非背景值的个数作为纵坐标，绘制第四统计图；对所述第四统计图进行曲线拟合，得到第四拟合曲线；
根据所述第四拟合曲线确定右胳膊切分特征点，将所述右胸腔对应的数据矩阵划分为右躯干对应的数据矩阵和右上肢对应的数据矩阵；
合并所述左躯干对应的数据矩阵和所述右躯干对应的数据矩阵，得到躯干区域对应的数据矩阵；
将所述躯干区域对应的数据矩阵、所述左上肢对应的数据矩阵和所述右上肢对应的数据矩阵分别在显示界面上进行可视化，得到躯干区域、左上肢和右上肢。
9.如权利要求1所述的一种基于SPECT成像的人体部位切分方法，其特征在于，所述基于所述腿部区域对应的数据矩阵，选取双腿划分特征点，将所述腿部区域划分为左下肢和右下肢具体包括：
选取所述腿部区域对应的数据矩阵的对称列作为双腿划分特征点所在列；
根据所述双腿划分特征点所在列将所述腿部区域对应的数据矩阵划分为左下肢对应的数据矩阵和右下肢对应的数据矩阵；
将所述左下肢对应的数据矩阵和所述右下肢对应的数据矩阵分别在显示界面上进行可视化，得到左上肢和右下肢。
10.一种基于SPECT成像的人体部位切分系统，其特征在于，所述切分系统包括：
骨显像数据矩阵获取模块，用于利用SPECT成像方法进行骨扫描，得到骨显像图像，并获取所述骨显像图像中的前位图或后位图所对应的骨显像数据矩阵；
人体区域提取模块，用于基于所述骨显像数据矩阵，在所述骨显像图像中提取人体区域；
人体区域划分模块，用于基于所述人体区域对应的数据矩阵和人体形态学特征，选取第一切分特征点、第二切分特征点和第三切分特征点，将所述人体区域划分为头部区域、胸腔区域、盆骨区域和腿部区域；
胸腔区域划分模块，用于基于所述胸腔区域对应的数据矩阵，选取左胳膊切分特征点和右胳膊切分特征点，将所述胸腔区域划分为躯干区域、左上肢和右上肢；
腿部区域划分模块，用于基于所述腿部区域对应的数据矩阵，选取双腿划分特征点，将所述腿部区域划分为左下肢和右下肢。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110252798.9A CN112950595B (zh) | 2021-03-10 | 2021-03-10 | 一种基于spect成像的人体部位切分方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110252798.9A CN112950595B (zh) | 2021-03-10 | 2021-03-10 | 一种基于spect成像的人体部位切分方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112950595A true CN112950595A (zh) | 2021-06-11 |
| CN112950595B CN112950595B (zh) | 2021-10-22 |
Family
ID=76230359
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110252798.9A Active CN112950595B (zh) | 2021-03-10 | 2021-03-10 | 一种基于spect成像的人体部位切分方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112950595B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114067361A (zh) * | 2021-11-16 | 2022-02-18 | 西北民族大学 | 一种spect成像的非病变热区切分方法与系统 |
| CN114511468A (zh) * | 2022-03-31 | 2022-05-17 | 西北民族大学 | 一种畸变骨骼图像矫正方法及系统 |
| CN115810139A (zh) * | 2022-12-16 | 2023-03-17 | 西北民族大学 | 一种spect图像的目标区域识别方法及系统 |
| CN118134873A (zh) * | 2024-03-06 | 2024-06-04 | 西北民族大学 | 一种胸腔spect数据的处理方法、系统、设备及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102096804A (zh) * | 2010-12-08 | 2011-06-15 | 上海交通大学 | 骨扫描中肿瘤骨转移的图像识别方法 |
| CN105488804A (zh) * | 2015-12-14 | 2016-04-13 | 上海交通大学 | 脑部asl、spect和mri图像配准融合联合分析的方法及系统 |
| EP3075356A1 (en) * | 2002-11-07 | 2016-10-05 | ConforMIS, Inc. | Method for determining meniscal size and shape and for devising |
| US20170109893A1 (en) * | 2015-10-19 | 2017-04-20 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for image segmentation |
| CN106663309A (zh) * | 2014-07-03 | 2017-05-10 | 西门子产品生命周期管理软件公司 | 用于医学成像的骨骼分段中的用户引导的形状变体 |
| TW201923381A (zh) * | 2017-09-14 | 2019-06-16 | 日商日本醫事物理股份有限公司 | 影像處理程式製品、影像處理裝置及影像處理方法 |
| CN111904450A (zh) * | 2020-09-07 | 2020-11-10 | 北京永新医疗设备有限公司 | 左心室中心和感兴趣区域的提取方法、装置及系统 |
| CN112102339A (zh) * | 2020-09-21 | 2020-12-18 | 四川大学 | 一种基于图集配准的全身骨显像骨骼分割方法 |
-
2021
- 2021-03-10 CN CN202110252798.9A patent/CN112950595B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3075356A1 (en) * | 2002-11-07 | 2016-10-05 | ConforMIS, Inc. | Method for determining meniscal size and shape and for devising |
| CN102096804A (zh) * | 2010-12-08 | 2011-06-15 | 上海交通大学 | 骨扫描中肿瘤骨转移的图像识别方法 |
| CN106663309A (zh) * | 2014-07-03 | 2017-05-10 | 西门子产品生命周期管理软件公司 | 用于医学成像的骨骼分段中的用户引导的形状变体 |
| US20170109893A1 (en) * | 2015-10-19 | 2017-04-20 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for image segmentation |
| CN105488804A (zh) * | 2015-12-14 | 2016-04-13 | 上海交通大学 | 脑部asl、spect和mri图像配准融合联合分析的方法及系统 |
| TW201923381A (zh) * | 2017-09-14 | 2019-06-16 | 日商日本醫事物理股份有限公司 | 影像處理程式製品、影像處理裝置及影像處理方法 |
| CN111904450A (zh) * | 2020-09-07 | 2020-11-10 | 北京永新医疗设备有限公司 | 左心室中心和感兴趣区域的提取方法、装置及系统 |
| CN112102339A (zh) * | 2020-09-21 | 2020-12-18 | 四川大学 | 一种基于图集配准的全身骨显像骨骼分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| QIANG LIN等: ""Deep learning based automated diagnosis of bone metastases with SPECT thoracic bone images"", 《SCIENTIFIC REPORTS》 * |
| QIANG LIN等: ""Deep learning based automatic segmentation of metastasis hotspots in thorax bone SPECT images"", 《PLOS ONE》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114067361A (zh) * | 2021-11-16 | 2022-02-18 | 西北民族大学 | 一种spect成像的非病变热区切分方法与系统 |
| CN114067361B (zh) * | 2021-11-16 | 2022-08-23 | 西北民族大学 | 一种spect成像的非病变热区切分方法与系统 |
| CN114511468A (zh) * | 2022-03-31 | 2022-05-17 | 西北民族大学 | 一种畸变骨骼图像矫正方法及系统 |
| CN114511468B (zh) * | 2022-03-31 | 2022-11-11 | 西北民族大学 | 一种畸变骨骼图像矫正方法及系统 |
| CN115810139A (zh) * | 2022-12-16 | 2023-03-17 | 西北民族大学 | 一种spect图像的目标区域识别方法及系统 |
| CN115810139B (zh) * | 2022-12-16 | 2023-09-01 | 西北民族大学 | 一种spect图像的目标区域识别方法及系统 |
| CN118134873A (zh) * | 2024-03-06 | 2024-06-04 | 西北民族大学 | 一种胸腔spect数据的处理方法、系统、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112950595B (zh) | 2021-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112950595B (zh) | 一种基于spect成像的人体部位切分方法及系统 | |
| CN107545584B (zh) | 医学图像中定位感兴趣区域的方法、装置及其系统 | |
| KR101503940B1 (ko) | 신경퇴행성 질환의 진단을 돕는 수단 | |
| US7903849B2 (en) | Medical image processing apparatus | |
| WO2018120644A1 (zh) | 血管提取方法及系统 | |
| CN107563998B (zh) | 医学图像中心脏图像处理方法 | |
| US8588498B2 (en) | System and method for segmenting bones on MR images | |
| JP4581088B2 (ja) | 計算機支援診断装置および方法 | |
| Reimold et al. | 18 Independent brain F-FDG PET attenuation correction using a deep learning approach with Generative Adversarial Networks | |
| CN110264559B (zh) | 一种骨断层图像重建方法及系统 | |
| Sun et al. | Automated template-based PET region of interest analyses in the aging brain | |
| Parker et al. | Graph-based Mumford-Shah segmentation of dynamic PET with application to input function estimation | |
| Kim et al. | Segmentation of VOI from multidimensional dynamic PET images by integrating spatial and temporal features | |
| Kim et al. | Automatic extraction of inferior alveolar nerve canal using feature-enhancing panoramic volume rendering | |
| JP4721693B2 (ja) | 頭蓋内容積および局所脳構造物解析プログラム、記録媒体および頭蓋内容積および局所脳構造物解析方法 | |
| JP2004340954A (ja) | 脳画像データ処理システム、方法、プログラムおよび記録媒体 | |
| Shim et al. | Fully automated breast segmentation on spiral breast computed tomography images | |
| Mullick et al. | Automatic determination of LV orientation from SPECT data | |
| JP4807819B2 (ja) | 画像処理装置 | |
| Rajon et al. | Image segmentation of trabecular spongiosa by visual inspection of the gradient magnitude | |
| Alyassin et al. | Semiautomatic bone removal technique from CT angiography data | |
| JP2004239782A (ja) | 脳画像データ処理システム、方法、プログラムおよび記録媒体 | |
| Rybak et al. | Measurement of the upper respiratory tract aerated space volume using the results of computed tomography | |
| JPH0728976A (ja) | 画像表示装置 | |
| Tohka et al. | Assessment of brain surface extraction from PET images using Monte Carlo simulations |
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 |