CN112991478A - 基于深度学习的影像分析多时相异常特征区域参数的方法 - Google Patents
基于深度学习的影像分析多时相异常特征区域参数的方法 Download PDFInfo
- Publication number
- CN112991478A CN112991478A CN202110209392.2A CN202110209392A CN112991478A CN 112991478 A CN112991478 A CN 112991478A CN 202110209392 A CN202110209392 A CN 202110209392A CN 112991478 A CN112991478 A CN 112991478A
- Authority
- CN
- China
- Prior art keywords
- pet
- image
- deep learning
- whole
- images
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 239000003550 marker Substances 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 210000004999 sex organ Anatomy 0.000 claims abstract description 8
- 208000021959 Abnormal metabolism Diseases 0.000 claims abstract description 5
- 230000006371 metabolic abnormality Effects 0.000 claims abstract description 5
- 210000003414 extremity Anatomy 0.000 claims description 8
- 210000004197 pelvis Anatomy 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 210000000056 organ Anatomy 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 abstract description 5
- 230000002902 bimodal effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 abstract description 2
- 230000004060 metabolic process Effects 0.000 abstract 1
- 238000005211 surface analysis Methods 0.000 abstract 1
- 238000002600 positron emission tomography Methods 0.000 description 64
- 238000003745 diagnosis Methods 0.000 description 3
- 230000002503 metabolic effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
-
- 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明涉及一种基于深度学习的PET/CT影像分析多时相异常特征区域参数的方法，属于医学影像技术领域。本发明基于超长轴距PET/CT进行双模态的全身一体化显像，借助CT影像的高分辨率以及全身的整体定位片，利用深度学习训练AI识别人体标志性器官及具备刚性变换特征的关键位置，同时识别相应的PET影像保证多次扫描体位特征规范、统一；利用具备物理定位功能的头托定位起始位置，达到多时相采集，同体位同层面分析的效果。利用AI深度学习进行多时相同体位异常代谢感兴趣区勾画，提高多时相全身动态PET影像中各个感谢兴趣区的匹配精准度，实现精准对比，精准分析。
Description
技术领域
本发明涉及一种基于深度学习的影像分析多时相异常特征区域参数的方法，属于医学影像技术领域。
背景技术
正电子发射断层扫描(PET)是在20世纪70年代早期被引入的一种医学成像方式。从PET到PET/CT(正电子发射计算机断层显像)，目前已经发展成为一种常规的重要的临床成像方式，用于分子水平的人体代谢和功能成像的无创评估。PET/CT的优点是它是一种非常灵敏的成像方式，可以提供具备解剖背景信息的定量分析信息。PET/CT系统自2001年以来，全世界安装了6000多台PET/CT，近年来由于PET/CT系统的国产化，作为一种先进的医疗装备在我国的安装数量也在逐年增加。全身PET/CT显像是一种被广泛引用于临床的先进医疗技术，目前由于新型全视野2米PET的出现，临床实践中从以往分段式步进全身采集已经发展到一体化静态采集，一体化动态采集，利用设备的超高灵敏度和超长轴向采集视野，可以得到同一时间点的全身分子水平的代谢影像，从而为精准诊断提供了一种非常好的技术手段。但由于PET/CT检查经常需要在肿瘤分期，治疗前后对比，延迟显像等应用方面进行多时相扫描采集，这就带来了由于床位变换，导致的PET/CT采集图像病人的物理位置偏移，无法真正实现精准对比，精准分析，精准诊断。现有技术中PET/CT无论是常规视野的还是超长轴向视野的，在多时相图像采集时都不能实现病人体位的多次精准一致，还主要依赖医务人员的基本物理位置记忆或图像的目测对比，但会经常导致采集范围和病人多次扫描体位形态不一致，无法满足精准医学的“精准”二字。
发明内容
本发明的目的是为解决进行PET/CT检查的多时相扫描采集时如何实现精准对比的技术问题。
为达到解决上述问题的目的，本发明所采取的技术方案是提供一种基于深度学习人体全身PET/CT影像分析多时相异常特征区域参数的方法；包括以下步骤：
步骤1：获得CT全身定位片和ACCT(用于衰减校正的计算机断层影像)全身影像标注数据集；
步骤2：利用深度学习AI识别CT头、四肢、骨盆图像并分割；
步骤3：利用深度学习AI识别PET头、四肢、骨盆图像并分割；
步骤4：利用第一时相ACCT图像匹配多时相ACCT图像，同时AI识别分割多时相同位置的PET层面；通过深度学习训练AI识别人体标志性器官及具备刚性变换特征的关键位置，识别相应的PET影像；
步骤5：获得第一时相全身PET/CT影像，即第一时相全身定位片；再获得同一物理位置的第二时相全身PET/CT影像；再通过多次全身PET/CT检查，获得同一物理位置的多时相全身PET/CT影像；
步骤6：利用步骤4中通过深度学习训练AI识别人体标志性器官及具备刚性变换特征的关键位置，识别相应的PET影像，对步骤5中首次采集的体位形态和相应的物理参数进行记录，作为标准参照，保证多次扫描体位特征规范、统一；
步骤7：利用步骤4中通过深度学习训练AI识别人体标志性器官及具备刚性变换特征的关键位置，识别相应的PET影像，进行多时相同体位异常代谢感兴趣区的勾画，在步骤5中的多时相全身PET/CT影像的图像序列上勾画感兴趣区，实现多时相全身PET/CT影像的感兴趣区对比结果的匹配分析。
优选地，所述步骤5中同一物理位置设为全身PET/CT检查时采用特定头托作为影像的物理位置起始值。
优选地，所述步骤5中获得的全身PET/CT影像包括动态影像和静态影像。
优选地，所述步骤6中物理参数包括扫描长度和起始位置。
相比现有技术，本发明具有如下有益效果：
1.本发明首先基于超长轴距PET/CT技术特点，进行双模态的全身型一体化显像，借助CT影像的高分辨率以及全身的整体定位片，利用深度学习训练AI识别人体标志性器官及具备刚性变换特征的关键位置，同时识别相应的PET影像，对首次采集的体位形态和相应的物理参数如扫描长度、起始位置等进行记录，作为标准参照，保证多次扫描体位特征规范、统一。
2.在多时相PET/CT采集时，利用具备物理定位功能的头托可以精准定位采集的起始位置，达到多时相采集，同体位同层面分析的效果。利用AI深度学习进行多时相同体位异常代谢感兴趣区勾画，在某一个图像序列上勾画感兴趣区，可同时精准映射到其他时间点的PET/CT影像，实现精准对比，精准分析，精准诊断。
3.在超长轴距全身PET动态采集多时间点采集的对比影像处理中，使用本发明，可以大幅减少由于采集时间点不同，病人采集体位的物理偏移导致的动态影像匹配误差，提高多时相全身动态PET影像中各个感谢兴趣区的匹配精准度，实现精准对比，精准分析。
附图说明
图1为本发明提供的实施例中三次不同时间全身PET/CT影像的对比分析的方法过程框图；
图2为本发明提供的深度学习AI多时相全身PET/CT异常代谢区域对比勾画及精准分析系统工作流程图；
图3为本发明多时相全身PET/CT影像的动态对比分析图；
具体实施方式
为使本发明更明显易懂，兹以优选实施例，并配合附图作详细说明如下：
如图1-3所示，本发明提供一种基于深度学习人体全身PET/CT影像分析多时相异常特征区域参数的方法；包括以下步骤：
步骤1：获得CT全身定位片和ACCT全身影像标注数据集；
步骤2：利用深度学习AI识别CT头、四肢、骨盆图像并分割；
步骤3：利用深度学习AI识别PET头、四肢、骨盆图像并分割；
步骤4：利用第一时相ACCT图像匹配多时相ACCT图像，同时AI识别分割多时相同位置的PET层面；通过深度学习训练AI识别人体标志性器官及具备刚性变换特征的关键位置，识别相应的PET影像；
步骤5：获得第一时相全身PET/CT影像，即第一时相全身定位片；再获得同一物理位置的第二时相全身PET/CT影像；再通过多次全身PET/CT检查，获得同一物理位置的多时相全身PET/CT影像；
步骤6：利用步骤4中通过深度学习训练AI识别人体标志性器官及具备刚性变换特征的关键位置，识别相应的PET影像，对步骤5中首次采集的体位形态和相应的物理参数进行记录，作为标准参照，保证多次扫描体位特征规范、统一；
步骤7：利用步骤4中通过深度学习训练AI识别人体标志性器官及具备刚性变换特征的关键位置，识别相应的PET影像，进行多时相同体位异常代谢感兴趣区的勾画，在步骤5中的多时相全身PET/CT影像的图像序列上勾画感兴趣区，实现多时相全身PET/CT影像的感兴趣区对比结果的匹配分析。
上述步骤5中同一物理位置设为全身PET/CT检查时采用特定头托作为影像的物理位置起始值。
上述步骤5中获得的全身PET/CT影像包括动态影像和静态影像。
上述步骤6中物理参数包括扫描长度和起始位置。
实施例
同一患者三次不同时间全视野2米动态PET/CT感兴趣区对比影像分析：
步骤1：输入信息；包括第一时相全身PET/CT影像，同一物理位置的第二时相全身PET/CT影像；同一物理位置的第三时相全身PET/CT影像；
步骤2：提取信息；对步骤1中的输入信息进行信息提取；第一时相全身定位片将特定头托物理位置作为起始值，第一时相PET/CT全身影像包括动态影像和静态影像；其他时相PET/CT全身影像包括动态影像和静态影像；
步骤3：通过深度学习AI多时相全身PET/CT异常特征区域对比勾画及精准分析系统对多时相全身PET/CT感兴趣区进行对比结果匹配分析，PET/CT全身影像包括动态影像和静态影像。
深度学习AI多时相全身PET/CT异常特征区域对比勾画及精准分析系统的构建包括：
步骤1：获得CT全身定位片和ACCT全身影像标注数据集；
步骤2：利用深度学习AI识别CT头、四肢、骨盆图像并分割；
步骤3：利用深度学习AI识别PET头、四肢、骨盆图像并分割；
步骤4：利用第一时相ACCT图像匹配多时相ACCT图像，同时AI识别分割多时相同位置的PET层面；通过深度学习训练AI识别人体标志性器官及具备刚性变换特征的关键位置，识别相应的PET影像。
以上所述，仅为本发明的较佳实施例，并非对本发明任何形式上和实质上的限制，应当指出，对于本技术领域的普通技术人员，在不脱离本发明的前提下，还将可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。凡熟悉本专业的技术人员，在不脱离本发明的精神和范围的情况下，当可利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对上述实施例所作的任何等同变化的更动、修饰与演变，均仍属于本发明的技术方案的范围内。
Claims (4)
1.一种基于深度学习人体全身PET/CT影像分析多时相异常特征区域参数的方法；其特征在于：包括以下步骤：
步骤1：获得CT全身定位片和ACCT全身影像标注数据集；
步骤2：利用深度学习AI识别CT头、四肢、骨盆图像并分割；
步骤3：利用深度学习AI识别PET头、四肢、骨盆图像并分割；
步骤4：利用第一时相ACCT图像匹配多时相ACCT图像，同时AI识别分割多时相同位置的PET层面；通过深度学习训练AI识别人体标志性器官及具备刚性变换特征的关键位置，识别相应的PET影像；
步骤5：获得第一时相全身PET/CT影像，即第一时相全身定位片；再获得同一物理位置的第二时相全身PET/CT影像；再通过多次全身PET/CT检查，获得同一物理位置的多时相全身PET/CT影像；
步骤6：利用步骤4中通过深度学习训练AI识别人体标志性器官及具备刚性变换特征的关键位置，识别相应的PET影像，对步骤5中首次采集的体位形态和相应的物理参数进行记录，作为标准参照，保证多次扫描体位特征规范、统一；
步骤7：利用步骤4中通过深度学习训练AI识别人体标志性器官及具备刚性变换特征的关键位置，识别相应的PET影像，进行多时相同体位异常代谢感兴趣区的勾画，在步骤5中的多时相全身PET/CT影像的图像序列上勾画感兴趣区，实现多时相全身PET/CT影像的感兴趣区对比结果的匹配分析。
2.如权利要求1所述的一种基于深度学习人体全身PET/CT影像分析多时相异常特征区域参数的方法，其特征在于：所述步骤5中同一物理位置设为全身PET/CT检查时采用特定头托作为影像的物理位置起始值。
3.如权利要求1所述的一种基于深度学习人体全身PET/CT影像分析多时相异常特征区域参数的方法，其特征在于：所述步骤5中获得的全身PET/CT影像包括动态影像和静态影像。
4.如权利要求1所述的一种基于深度学习人体全身PET/CT影像分析多时相异常特征区域参数的方法，其特征在于：所述步骤6中物理参数包括扫描长度和起始位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110209392.2A CN112991478B (zh) | 2021-02-25 | 2021-02-25 | 基于深度学习的影像分析多时相异常特征区域参数的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110209392.2A CN112991478B (zh) | 2021-02-25 | 2021-02-25 | 基于深度学习的影像分析多时相异常特征区域参数的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112991478A true CN112991478A (zh) | 2021-06-18 |
| CN112991478B CN112991478B (zh) | 2024-02-02 |
Family
ID=76350432
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110209392.2A Active CN112991478B (zh) | 2021-02-25 | 2021-02-25 | 基于深度学习的影像分析多时相异常特征区域参数的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112991478B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115222805A (zh) * | 2022-09-20 | 2022-10-21 | 威海市博华医疗设备有限公司 | 一种基于肺癌影像的预期成像方法及装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004113271A (ja) * | 2002-09-24 | 2004-04-15 | Hitachi Medical Corp | 断層撮影装置 |
| JP2009082453A (ja) * | 2007-09-28 | 2009-04-23 | Terarikon Inc | 解析プロトコルに基づいた前処理装置を具備する三次元画像表示装置を相互接続した医用画像解析システム |
| CN101744618A (zh) * | 2009-12-17 | 2010-06-23 | 北京亿仁赛博医疗设备有限公司 | 同机房传动pet/ct/mr图像采集、配准和成像系统及方法 |
| US7774040B1 (en) * | 2003-06-19 | 2010-08-10 | General Electric Company | Method and apparatus of multi-phase cardiac imaging |
| US20110142320A1 (en) * | 2005-09-28 | 2011-06-16 | Siemens Medical Solutions Usa, Inc. | Systems and Methods for Computer Aided Diagnosis and Decision Support in Whole-Body Imaging |
| CN102871681A (zh) * | 2011-07-15 | 2013-01-16 | 西门子公司 | 拍摄和分配多创伤患者的全身ct数据的方法和ct系统 |
| CN110742632A (zh) * | 2019-10-24 | 2020-02-04 | 上海联影医疗科技有限公司 | Pet图像衰减校正方法和pet-ct设备 |
| US20200245960A1 (en) * | 2019-01-07 | 2020-08-06 | Exini Diagnostics Ab | Systems and methods for platform agnostic whole body image segmentation |
| CN111626964A (zh) * | 2020-06-03 | 2020-09-04 | 上海联影医疗科技有限公司 | 扫描图像的优化方法、优化装置和医学扫描系统 |
| CN112070809A (zh) * | 2020-07-22 | 2020-12-11 | 中国科学院苏州生物医学工程技术研究所 | 基于pet/ct双时成像的胰腺癌精准诊断系统 |
| CN112308888A (zh) * | 2020-10-15 | 2021-02-02 | 复旦大学附属中山医院 | 基于深度学习体征结构的全模态医学影像序列分组方法 |
-
2021
- 2021-02-25 CN CN202110209392.2A patent/CN112991478B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004113271A (ja) * | 2002-09-24 | 2004-04-15 | Hitachi Medical Corp | 断層撮影装置 |
| US7774040B1 (en) * | 2003-06-19 | 2010-08-10 | General Electric Company | Method and apparatus of multi-phase cardiac imaging |
| US20110142320A1 (en) * | 2005-09-28 | 2011-06-16 | Siemens Medical Solutions Usa, Inc. | Systems and Methods for Computer Aided Diagnosis and Decision Support in Whole-Body Imaging |
| JP2009082453A (ja) * | 2007-09-28 | 2009-04-23 | Terarikon Inc | 解析プロトコルに基づいた前処理装置を具備する三次元画像表示装置を相互接続した医用画像解析システム |
| CN101744618A (zh) * | 2009-12-17 | 2010-06-23 | 北京亿仁赛博医疗设备有限公司 | 同机房传动pet/ct/mr图像采集、配准和成像系统及方法 |
| CN102871681A (zh) * | 2011-07-15 | 2013-01-16 | 西门子公司 | 拍摄和分配多创伤患者的全身ct数据的方法和ct系统 |
| US20200245960A1 (en) * | 2019-01-07 | 2020-08-06 | Exini Diagnostics Ab | Systems and methods for platform agnostic whole body image segmentation |
| CN110742632A (zh) * | 2019-10-24 | 2020-02-04 | 上海联影医疗科技有限公司 | Pet图像衰减校正方法和pet-ct设备 |
| CN111626964A (zh) * | 2020-06-03 | 2020-09-04 | 上海联影医疗科技有限公司 | 扫描图像的优化方法、优化装置和医学扫描系统 |
| CN112070809A (zh) * | 2020-07-22 | 2020-12-11 | 中国科学院苏州生物医学工程技术研究所 | 基于pet/ct双时成像的胰腺癌精准诊断系统 |
| CN112308888A (zh) * | 2020-10-15 | 2021-02-02 | 复旦大学附属中山医院 | 基于深度学习体征结构的全模态医学影像序列分组方法 |
Non-Patent Citations (2)
| Title |
|---|
| M.INDRA: "Envisage The Lung Tumor Evolution In PET-CT Images During Radiotherapy", 《INTERNATIONAL JOURNAL OF COMPUTER TECHNIQUES》, vol. 2, no. 2, pages 7 - 11 * |
| 冯洪波;张延军;张硕;: "列表模式采集在~(18)F-FDG PET/CT采集时长优化中的初步应用", 中国临床医学影像杂志, no. 01 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115222805A (zh) * | 2022-09-20 | 2022-10-21 | 威海市博华医疗设备有限公司 | 一种基于肺癌影像的预期成像方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112991478B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110223352B (zh) | 一种基于深度学习的医学图像扫描自动定位方法 | |
| CN101273919B (zh) | 使用更新方法和系统的连续图像采集 | |
| CN107545584B (zh) | 医学图像中定位感兴趣区域的方法、装置及其系统 | |
| CN101011259B (zh) | 用于自动表征恶性的方法和装置 | |
| KR101503940B1 (ko) | 신경퇴행성 질환의 진단을 돕는 수단 | |
| US20190000318A1 (en) | System and method for the coregistration of medical image data | |
| CN103607954B (zh) | 用于混合式扫描器上ac和定位的剂量优化方案 | |
| JP4402436B2 (ja) | 気道測定のための方法及びシステム | |
| CN104093354B (zh) | 用于评估医学图像的方法和设备 | |
| US8659603B2 (en) | System and method for center point trajectory mapping | |
| US20060182325A1 (en) | Registration of nuclear medicine images | |
| CN111312373B (zh) | 一种pet/ct图像融合自动标注方法 | |
| CN104011773A (zh) | 序列图像采集方法 | |
| Wong et al. | Evaluation of the limits of visual detection of image misregistration in a brain fluorine-18 fluorodeoxyglucose PET MRI study | |
| US8658979B2 (en) | Nuclear image reconstruction | |
| JP2010086537A (ja) | 学習機械を使用したアクティブ電子カルテベースのサポートシステム | |
| CN109961419B (zh) | 对pet活度分布图像进行衰减校正的校正信息获取方法 | |
| CN107115119A (zh) | Pet图像衰减系数的获取方法、衰减校正的方法及系统 | |
| WO2016033458A1 (en) | Restoring image quality of reduced radiotracer dose positron emission tomography (pet) images using combined pet and magnetic resonance (mr) | |
| CN109978966A (zh) | 对pet活度分布图像进行衰减校正的校正信息获取方法 | |
| CN110264559A (zh) | 一种骨断层图像重建方法及系统 | |
| Visvikis et al. | Respiratory motion in positron emission tomography for oncology applications: Problems and solutions | |
| CN114943714A (zh) | 医学图像处理系统、装置、电子设备及存储介质 | |
| US11495346B2 (en) | External device-enabled imaging support | |
| CN112991478A (zh) | 基于深度学习的影像分析多时相异常特征区域参数的方法 |
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 |