CN113017675B - 一种正位胸片位姿自动测量方法及系统 - Google Patents
一种正位胸片位姿自动测量方法及系统 Download PDFInfo
- Publication number
- CN113017675B CN113017675B CN202110218384.4A CN202110218384A CN113017675B CN 113017675 B CN113017675 B CN 113017675B CN 202110218384 A CN202110218384 A CN 202110218384A CN 113017675 B CN113017675 B CN 113017675B
- Authority
- CN
- China
- Prior art keywords
- chest
- deep learning
- learning network
- spine
- sample
- 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
- 238000002601 radiography Methods 0.000 title claims abstract description 30
- 238000000691 measurement method Methods 0.000 title claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 13
- 210000000038 chest Anatomy 0.000 claims description 130
- 238000012549 training Methods 0.000 claims description 53
- 210000000115 thoracic cavity Anatomy 0.000 claims description 22
- 230000003321 amplification Effects 0.000 claims description 13
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 description 9
- 238000007689 inspection Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/04—Positioning of patients; Tiltable beds or the like
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
- A61B6/5264—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise due to motion
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/58—Testing, adjusting or calibrating apparatus or devices for radiation diagnosis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种正位胸片位姿自动测量方法及系统,方法具体为:通过探测器获取被检者的待测正位胸片,通过训练好的深度学习网络提取待测正位胸片的胸腔外轮廓和脊柱中心线;根据胸腔外轮廓和脊柱中心线,通过不对称性计算步骤获取被检者与探测器之间的相对偏转角度δ,根据δ获取被检者的位姿。与现有技术相比,本发明具有受外界干扰小、准确性好、自动化程度高和精度高等优点。
Description
技术领域
本发明涉及放射影像质量检查领域,尤其是涉及一种正位胸片位姿自动测量方法及系统。
背景技术
数字X线摄影方法具有较宽的影像动态感知范围,这大大提升了传统放射检查影像的密度分辨率与对比度,使之成为放射影像检查最常用的方法。但由于摄影时被检者不按要求站立等体位偏差原因造成的非甲级片率高达10%,这不仅降低了医疗资源的使用效率和影像诊断质量,后续补偿重复摄影还会给被检者增加不必要的电离辐射。因此,提高X线摄影的甲级片率正成为医院放射科质量控制的一个重要任务。
胸部正位摄影是临床采用最为广泛的常规影像检查项目,也是放射影像质量控制检查项目之一。影响X线胸片质量的主要原因有摄影体位不正和被检者穿戴各种异物等,异物的存在一般在放射检查时即可被检查技师发现,而摄影体位的偏差没有可靠的检测方法。目前常用的方法是通过锁骨头顶端距离脊柱中心(棘突)的距离偏差进行判断,该方法在锁骨头被遮挡时会无法判断,同时只有当左右距离偏差很大时才有可能被发现。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种正位胸片位姿自动测量方法及系统,受外界干扰小,准确性好,自动化程度高,精度高。
本发明的目的可以通过以下技术方案来实现:
一种正位胸片位姿自动测量方法,具体为:
通过探测器获取被检者的待测正位胸片,通过训练好的深度学习网络提取待测正位胸片的胸腔外轮廓和脊柱中心线;
根据胸腔外轮廓和脊柱中心线,通过不对称性计算步骤获取被检者与探测器之间的相对偏转角度δ,根据δ获取被检者的位姿。
所述的不对称性计算步骤具体为:
获取脊柱中心与横向径最大的胸廓边缘点的连线跟X束线的夹角α、胸廓左侧横向径WL以及胸廓右侧横向径WR;
计算δ,计算公式为:
其中,l为脊柱中心到胸廓边缘的距离,l和α为设定值,根据人体测量获得,SOD为源物距;
正位胸片摄影时要求被检者面向摄片架站立,胸前部紧贴摄片架,胸部正中矢状面垂直摄片架中线,X线光束从背后对准第六胸椎,垂直平板探测器入射,这样形成的正位胸片中胸廓左右呈对称分布,但如果被检者站立不正,左右胸廓在X线影像中会有重叠,造成左右胸廓不对称;
只需将被检者的待测正位胸片输入训练好的深度学习网络,获取胸腔外轮廓和脊柱中心线,根据胸腔外轮廓和脊柱中心线,利用投影成像原理计算相对偏转角度,以获取被检者的位姿,计算量小,自动化程度高,精度高,同时可在待测正位胸片上标记出胸腔外轮廓和脊柱中心线,直观性强。
进一步地,所述的深度学习网络为全卷积深度神经网络,所述的全卷积深度神经网络包括卷积层、池化层和反卷积层。
进一步地,所述的深度学习网络训练过程具体为:
采集若干张正位样本胸片,分别对正位样本胸片的胸廓区域和脊柱边缘进行标注,对应获得第一训练集和第二训练集,通过第一训练集和第二训练集分别训练第一深度学习网络和第二深度学习网络,通过训练好的第一深度学习网络和第二深度学习网络分别提取待测正位胸片的胸腔外轮廓和脊柱中心线。
进一步地,通过对正位样本胸片进行扩增操作,增加训练集中正位样本胸片的数量,以提高深度学习网络的训练精度;
所述的扩增操作包括平移和旋转。
一种正位胸片位姿自动测量系统,包括胸片采集模块、特征提取模块、体位计算模块和网络训练模块:
所述的胸片采集模块用于通过探测器获取被检者的待测正位胸片;
所述的特征提取模块用于通过训练好的深度学习网络提取待测正位胸片的胸腔外轮廓和脊柱中心线;
所述的体位计算模块用于根据胸腔外轮廓和脊柱中心线,通过不对称性计算步骤获取被检者与探测器之间的相对偏转角度δ,根据δ获取被检者的位姿。
所述的网络训练模块包括样本采集单元、样本标记单元和模型训练单元;
所述的样本采集单元用于采集若干张正位样本胸片;
所述的样本标记单元用于分别对正位样本胸片的左右胸廓区域和脊柱边缘进行标注,对应获得第一训练集和第二训练集;
模型训练单元用于通过第一训练集和第二训练集分别训练第一深度学习网络和第二深度学习网络;
所述的特征提取模块通过训练好的第一深度学习网络和第二深度学习网络分别提取待测正位胸片的胸腔外轮廓和脊柱中心线。
进一步地,所述的样本采集单元通过对正位样本胸片进行扩增操作,增加训练集中正位样本胸片的数量,以提高深度学习网络的训练精度;
所述的扩增操作包括平移和旋转。
进一步地,所述的不对称性计算步骤具体为:
获取脊柱中心与横向径最大的胸廓边缘点的连线跟X束线的夹角α、胸廓左侧横向径WL以及胸廓右侧横向径WR;
计算δ,计算公式为:
其中,l为脊柱中心到胸廓边缘的距离,l和α为设定值,根据人体测量获得,SOD为源物距。
进一步地,所述的深度学习网络为全卷积深度神经网络,所述的全卷积深度神经网络包括卷积层、池化层和反卷积层。
与现有技术相比,本发明具有以如下有益效果:
(1)本发明通过训练好的深度学习网络对待测正位胸片进行预处理,提取胸腔外轮廓和脊柱中心线,以脊柱中心线为基准测量左右胸腔外轮廓的不对称性,受到外界干扰小,准确性好,通过不对称性计算步骤获取被检者与探测器之间的相对偏转角度,根据相对偏转角度准确地评价被检者的位姿,自动化程度高,精度高;
(2)本发明根据投影成像模型建立相对偏转角度与胸廓左侧横向径、胸廓右侧横向径之间的函数关系,运算效率和精度高;
(3)本发明通过训练好的第一深度学习网络和第二深度学习网络分别提取待测正位胸片的胸腔外轮廓和脊柱中心线,准确度高,操作简单,鲁棒性强;
(4)本发明通过对正位样本胸片进行扩增操作,增加训练集中正位样本胸片的数量,以提高深度学习网络提取胸腔外轮廓和脊柱中心线的准确度。
附图说明
图1为待测正位胸片示意图;
图2为脊柱中心线示意图;
图3为脊柱边缘示意图;
图4为胸廓左侧横向径以及胸廓右侧横向径的示意图;
图5为被检者正对探测器时的投影成像示意图;
图6为被检者与探测器之间存在相对偏转角度时的投影成像示意图;
图7为胸廓左右侧横向径差关于相对偏转角度的曲线图;
图8为本发明的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
一种正位胸片位姿自动测量方法,用于具有点片功能的医用X线机,医用X线机包括X射线仪和DR平板探测器,如图8,方法具体为:
1)如图1,X射线仪向DR平板探测器发出X线束,通过DR平板探测器获取被检者的待测正位胸片;
2)如图2和图3,通过训练好的深度学习网络提取待测正位胸片的胸腔外轮廓和脊柱中心线;
3)根据胸腔外轮廓和脊柱中心线,通过不对称性计算步骤获取被检者与探测器之间的相对偏转角度δ;
4)根据δ获取被检者的位姿。
不对称性计算步骤具体为:
如图4、图5和图6,获取脊柱中心与横向径最大的胸廓边缘点的连线跟X束线的夹角α、胸廓左侧横向径WL以及胸廓右侧横向径WR,根据WL和WR计算δ;
如图5和图6,被检者正对DR平板探测器时WL=WR,如果被检者与DR平板探测器之间的存在相对偏转角度δ,根据三角相似关系,可得δ跟WL以及WR之间的关系为:
其中,l为脊柱中心到胸廓边缘的距离,l和α为设定值,根据人体测量获得,l为15.5cm,α为75°,SID为源像距,即脊柱中心与DR平板探测器之间的距离,SID为180mm,SOD为源物距,SOD即X线束源点与脊柱中心之间的距离,为165cm;
由于SOD远大于l,δ介于0~30°时,公式(5)可写为:
根据公式(8)计算相对偏转角度δ。
被检者正对DR平板探测器时WL+WR为2000个像素,图7为胸廓左右侧横向径差WL-WR关于δ的曲线图,可以看出,被检者每偏差旋转1°,即δ每增加1°,WL-WR增加13个像素。
只需将被检者的待测正位胸片输入训练好的深度学习网络,获取胸腔外轮廓和脊柱中心线,根据胸腔外轮廓和脊柱中心线,利用投影成像原理计算相对偏转角度,以获取被检者的位姿,计算量小,自动化程度高,精度高,同时可在待测正位胸片上标记出胸腔外轮廓和脊柱中心线,直观性强;
深度学习网络为全卷积深度神经网络,全卷积深度神经网络包括卷积层、池化层和反卷积层。
深度学习网络训练过程具体为:
采集若干张正位样本胸片,分别对正位样本胸片的胸廓区域和脊柱边缘进行标注,对应获得第一训练集和第二训练集,通过第一训练集和第二训练集分别训练第一深度学习网络和第二深度学习网络,通过训练好的第一深度学习网络和第二深度学习网络分别提取待测正位胸片的胸腔外轮廓和脊柱中心线。
通过对正位样本胸片进行扩增操作,增加训练集中正位样本胸片的数量,以提高深度学习网络的训练精度;
扩增操作包括平移和旋转。
实施例2
一种正位胸片位姿自动测量系统,包括胸片采集模块、特征提取模块、体位计算模块和网络训练模块:
胸片采集模块用于通过探测器获取被检者的待测正位胸片;
特征提取模块用于通过训练好的深度学习网络提取待测正位胸片的胸腔外轮廓和脊柱中心线;
体位计算模块用于根据胸腔外轮廓和脊柱中心线,通过不对称性计算步骤获取被检者与探测器之间的相对偏转角度δ,根据δ获取被检者的位姿。
网络训练模块包括样本采集单元、样本标记单元和模型训练单元;
样本采集单元用于采集若干张正位样本胸片;
样本标记单元用于分别对正位样本胸片的胸廓区域和脊柱边缘进行标注,对应获得第一训练集和第二训练集;
模型训练单元用于通过第一训练集和第二训练集分别训练第一深度学习网络和第二深度学习网络;
特征提取模块通过训练好的第一深度学习网络和第二深度学习网络分别提取待测正位胸片的胸腔外轮廓和脊柱中心线。
样本采集单元通过对正位样本胸片进行扩增操作,增加训练集中正位样本胸片的数量,以提高深度学习网络的训练精度;
扩增操作包括平移和旋转。
深度学习网络为全卷积深度神经网络,全卷积深度神经网络包括卷积层、池化层和反卷积层。
不对称性计算步骤具体为:
获取脊柱中心与横向径最大的胸廓边缘点的连线跟X束线的夹角α、胸廓左侧横向径WL以及胸廓右侧横向径WR;
δ的计算公式为:
其中,l为脊柱中心到胸廓边缘的距离,l和α为设定值,根据人体测量获得,SOD为源物距。
实施例1和实施例2提出了一种正位胸片位姿自动测量方法及系统,通过训练好的深度学习网络提取待测正位胸片的胸腔外轮廓和脊柱中心线,检测胸腔外轮廓和脊柱中心线时受到的外界干扰小,准确性好,根据投影成像模型建立相对偏转角度与胸廓左侧横向径、胸廓右侧横向径之间的函数关系,根据函数关系计算被检者与探测器之间的相对偏转角度,自动化程度高,精度高,能自动精确判断摄影时被检者的位姿,为医学影像质量控制提供技术基础。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种正位胸片位姿自动测量方法,其特征在于,具体为:
通过探测器获取被检者的待测正位胸片,通过训练好的深度学习网络提取待测正位胸片的胸腔外轮廓和脊柱中心线;
根据胸腔外轮廓和脊柱中心线,通过不对称性计算步骤获取被检者与探测器之间的相对偏转角度δ,根据δ获取被检者的位姿;
所述的不对称性计算步骤具体为:
获取脊柱中心与横向径最大的胸廓边缘点的连线跟X束线的夹角α、胸廓左侧横向径WL以及胸廓右侧横向径WR;
计算δ,计算公式为:
其中,l为脊柱中心到胸廓边缘的距离,SOD为源物距。
2.根据权利要求1所述的一种正位胸片位姿自动测量方法,其特征在于,所述的深度学习网络为全卷积深度神经网络。
3.根据权利要求1所述的一种正位胸片位姿自动测量方法,其特征在于,所述的深度学习网络训练过程具体为:
采集若干张正位样本胸片,分别对正位样本胸片的胸廓区域和脊柱边缘进行标注,对应获得第一训练集和第二训练集,通过第一训练集和第二训练集分别训练第一深度学习网络和第二深度学习网络,通过训练好的第一深度学习网络和第二深度学习网络分别提取待测正位胸片的胸腔外轮廓和脊柱中心线。
4.根据权利要求3所述的一种正位胸片位姿自动测量方法,其特征在于,通过对正位样本胸片进行扩增操作,增加训练集中正位样本胸片的数量;
所述的扩增操作包括平移和旋转。
5.一种正位胸片位姿自动测量系统,其特征在于,包括:
胸片采集模块,用于通过探测器获取被检者的待测正位胸片;
特征提取模块,用于通过训练好的深度学习网络提取待测正位胸片的胸腔外轮廓和脊柱中心线;
体位计算模块,用于根据胸腔外轮廓和脊柱中心线,通过不对称性计算步骤获取被检者与探测器之间的相对偏转角度,根据δ获取被检者的位姿;
所述的不对称性计算步骤具体为:
获取脊柱中心与横向径最大的胸廓边缘点的连线跟X束线的夹角α、胸廓左侧横向径WL以及胸廓右侧横向径WR;
计算δ,计算公式为:
其中,l为脊柱中心到胸廓边缘的距离,SOD为源物距。
6.根据权利要求5所述的一种正位胸片位姿自动测量系统,其特征在于,所述的深度学习网络为全卷积深度神经网络。
7.根据权利要求5所述的一种正位胸片位姿自动测量系统,其特征在于,还包括网络训练模块,所述的网络训练模块包括样本采集单元、样本标记单元和模型训练单元;
所述的样本采集单元用于采集若干张正位样本胸片;
所述的样本标记单元用于分别对正位样本胸片的胸廓区域和脊柱边缘进行标注,对应获得第一训练集和第二训练集;
模型训练单元用于通过第一训练集和第二训练集分别训练第一深度学习网络和第二深度学习网络;
所述的特征提取模块通过训练好的第一深度学习网络和第二深度学习网络分别提取待测正位胸片的胸腔外轮廓和脊柱中心线。
8.根据权利要求7所述的一种正位胸片位姿自动测量系统,其特征在于,所述的样本采集单元通过对正位样本胸片进行扩增操作,增加训练集中正位样本胸片的数量;
所述的扩增操作包括平移和旋转。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110218384.4A CN113017675B (zh) | 2021-02-26 | 2021-02-26 | 一种正位胸片位姿自动测量方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110218384.4A CN113017675B (zh) | 2021-02-26 | 2021-02-26 | 一种正位胸片位姿自动测量方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113017675A CN113017675A (zh) | 2021-06-25 |
CN113017675B true CN113017675B (zh) | 2024-02-27 |
Family
ID=76461808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110218384.4A Active CN113017675B (zh) | 2021-02-26 | 2021-02-26 | 一种正位胸片位姿自动测量方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113017675B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521476A (zh) * | 2011-11-03 | 2012-06-27 | 丁国成 | 基于成人x线正位胸片的异常心脏大血管计算机筛选系统及筛选方法 |
CN103366397A (zh) * | 2012-03-31 | 2013-10-23 | 上海理工大学 | 基于c形臂2d投影图像的脊柱3d模型构建方法 |
JP2013248089A (ja) * | 2012-05-31 | 2013-12-12 | Kitasato Institute | 側弯症スクリーニングシステム、これに使用する側弯症判定プログラム,及び端末装置 |
CN110599494A (zh) * | 2018-06-12 | 2019-12-20 | 中国科学院深圳先进技术研究院 | 肋骨图像重建系统及方法、终端及可读存储介质 |
CN111415384A (zh) * | 2020-02-19 | 2020-07-14 | 重庆大学 | 一种基于深度学习的工业图像组件精准定位系统 |
CN111898571A (zh) * | 2020-08-05 | 2020-11-06 | 北京华捷艾米科技有限公司 | 动作识别系统及方法 |
-
2021
- 2021-02-26 CN CN202110218384.4A patent/CN113017675B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521476A (zh) * | 2011-11-03 | 2012-06-27 | 丁国成 | 基于成人x线正位胸片的异常心脏大血管计算机筛选系统及筛选方法 |
CN103366397A (zh) * | 2012-03-31 | 2013-10-23 | 上海理工大学 | 基于c形臂2d投影图像的脊柱3d模型构建方法 |
JP2013248089A (ja) * | 2012-05-31 | 2013-12-12 | Kitasato Institute | 側弯症スクリーニングシステム、これに使用する側弯症判定プログラム,及び端末装置 |
CN110599494A (zh) * | 2018-06-12 | 2019-12-20 | 中国科学院深圳先进技术研究院 | 肋骨图像重建系统及方法、终端及可读存储介质 |
CN111415384A (zh) * | 2020-02-19 | 2020-07-14 | 重庆大学 | 一种基于深度学习的工业图像组件精准定位系统 |
CN111898571A (zh) * | 2020-08-05 | 2020-11-06 | 北京华捷艾米科技有限公司 | 动作识别系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113017675A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109754387B (zh) | 一种全身骨显像放射性浓聚灶的智能检测定位方法 | |
CN103479375B (zh) | 胸部诊断辅助信息生成方法及系统以及动态图像处理装置 | |
JP6772873B2 (ja) | 動態解析装置及び動態解析システム | |
JP5526297B1 (ja) | カテーテル先端回転角測定装置、カテーテル先端回転角測定装置の駆動方法及びカテーテル先端回転角測定プログラム | |
JPWO2006137294A1 (ja) | X線診断支援装置、プログラム及び記録媒体 | |
US9351695B2 (en) | Hybrid dual energy imaging and bone suppression processing | |
JP2015142719A (ja) | 医用画像処理装置、x線診断装置、ファントム及び医用画像処理プログラム | |
CN101702232B (zh) | 正电子发射成像中呼吸校正技术 | |
CN105498100B (zh) | 一种监测生理运动曲线和体表轮廓的方法及系统 | |
JP6662428B2 (ja) | 動態解析システム | |
WO2011092982A1 (ja) | 動態画像処理システム及びプログラム | |
US8300905B2 (en) | Adaptive image processing and display for digital and computed radiography images | |
JP7020125B2 (ja) | 動態画像解析装置及びプログラム | |
CN106447664A (zh) | 确定匹配点对的方法及图像获取方法 | |
CN113017675B (zh) | 一种正位胸片位姿自动测量方法及系统 | |
CN104000618A (zh) | 一种用环真光子数门控方法进行呼吸运动门控校正技术 | |
US9569687B2 (en) | Image analysis device, imaging system and non-transitory recording medium generating an index indicating a cardiac status with respect to frame images | |
JP2020044445A (ja) | 動態解析システム、プログラム及び動態解析装置 | |
JP7255329B2 (ja) | 動態画像解析装置、動態画像解析システム及びプログラム | |
CN107424151A (zh) | 可读存储介质及正位胸片自动检测方法、系统、装置 | |
CN114240893A (zh) | 一种外像图像中脊柱Cobb角的测算方法 | |
EP2285282B1 (en) | Spatial orientation method of an immobilized subject | |
JP4518632B2 (ja) | 医用ディジタル画像のダイナミック・レンジを決定するための方法および装置 | |
JP2020081185A (ja) | 動態画像解析装置及び動態画像解析システム | |
Amin et al. | Evaluation methodology for respiratory signal extraction from clinical cone-beam CT (CBCT) using data-driven methods |
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 |