CN113140035A - 一种基于多模态影像融合技术的人脑血管全自动重建方法、装置 - Google Patents

一种基于多模态影像融合技术的人脑血管全自动重建方法、装置 Download PDF

Info

Publication number
CN113140035A
CN113140035A CN202110463059.4A CN202110463059A CN113140035A CN 113140035 A CN113140035 A CN 113140035A CN 202110463059 A CN202110463059 A CN 202110463059A CN 113140035 A CN113140035 A CN 113140035A
Authority
CN
China
Prior art keywords
image
fusion
mri
matrix
sequence
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
CN202110463059.4A
Other languages
English (en)
Other versions
CN113140035B (zh
Inventor
冯运海
江俊龙
段良涛
李蒙
逄林
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.)
Baiyang Intelligent Technology Group Co ltd
Original Assignee
Qingdao Baiyang Intelligent Technology Co ltd
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 Qingdao Baiyang Intelligent Technology Co ltd filed Critical Qingdao Baiyang Intelligent Technology Co ltd
Priority to CN202110463059.4A priority Critical patent/CN113140035B/zh
Publication of CN113140035A publication Critical patent/CN113140035A/zh
Application granted granted Critical
Publication of CN113140035B publication Critical patent/CN113140035B/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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/30016—Brain
    • 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
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请涉及一种多模态影像融合技术的人脑血管全自动重建方法及装置，能够针对人脑部CT图像序列和MRI图像序列进行多模态融合配准，并在配准后的基础上进行人脑血管全自动的三维重建。

Description

一种基于多模态影像融合技术的人脑血管全自动重建方法、 装置
技术领域
本发明涉及医学图像处理领域，特别是涉及一种人脑血管全自动重建的方法及装置。
背景技术
脑肿瘤是神经系统常见的疾病，对人类的神经系统功能有重大危害，且近年来，脑肿瘤的发病率呈现上升趋势，极大威胁了人的生命安全。肿瘤的周围有血管时，可能会引起血管的病变，同时肿瘤周围血管的分布，会因为需要为肿瘤提供血液而增多。在脑外科手术中，主动脉、主静脉血管等血管在手术中是一定要优先避开的。因为肿瘤位置多变，肿瘤周边有血管或者包裹血管的情况非常普遍，MRI中的MRA、MRV和CT中的CTA、CTV只能提供二维的影像图片，不能提供三维立体的模型。因此，如何获得颅内血管的三维模型，直观地让医生了解肿瘤和血管的相对位置，对于脑外科手术的成功与否至关重要。
目前的血管分割技术一般分为三大种类：一种基于区域生长法进行血管分割，操作者需要给出种子点和灰度边界阈值的方式进行半自动分割。一种采用人工智能和血管模型的方式进行血管分割，计算准确性较好，但是算法的复杂度较高，且分割结果无法解释，不利于医疗方向的产业化。一种简单根据灰度来计算，可能会出现噪点多，分割不够准确的问题。并且传统血管分割只做分割，无法实现MR、CT多模态影像融合配准之后的血管分割。
发明内容
本发明涉及一种多模态影像融合方法，包括：
步骤一、获取人脑部CT图像序列和MRI图像序列，其中CT图像类型为CTA或CTV，MRI图像类型为MRA或MRV。
步骤二、分别提取CT图像和MRI图像的边缘特征，将边缘清晰的图像作为基准图像F1，另一种图像作为待配准图像F2。
步骤三、对基准图像F1进行去头皮头骨操作，生成蒙版，基于蒙版再对配准后的图像进行去头皮头骨操作。
步骤四、将配准后的CT图像和MRI图像作为待融合图像A(x,y)和B(x,y)，求A(x,y)和B(x,y)的共同特征C。
步骤五、从A(x,y)中剔除共同特征C，得到A*(x,y)，从B(x,y)中剔除共同特征C，得到B*(x,y)。
步骤六、从A(x,y)中剔除B*(x,y)得到A-B*，从B(x,y)中剔除A*(x,y)，得到B-A*。
步骤七、计算A*(x,y)与B*(x,y)的差异度，记为Diff(A*,B*)；
步骤八、根据待融合图像的共同特征C、Diff(A*,B*)和基准图像F1，生成CT图像和MRI图像的融合图像Ffusion(x,y)，公式如下：
Ffusion(x,y)＝aF1+bC+zDiff(A*,B*)
其中a、b、z分别为权重值，b＝2z。
步骤九、在得到上述CT图像和MRI图像的融合图像Ffusion(x,y)之后，可以提取人脑血管区域，实现对人脑血管全自动分割，并进行三维重建。
上述步骤九对融合配准后的人脑影像进行三维重建步骤具体包括：
步骤1、获取待重建的医学图像Ffusion(x,y)。
步骤2、将待重建的医学图像序列输入至Nibabel工具中，进行归一化处理，将归一化处理后的医学图像序列转换为numpy类型的多维矩阵，并使用第一维数据为索引遍历，对医学图像序列进行血管分割。
上述索引遍历步骤进一步包括：
将每一维度上的矩阵元素使用openCV进行双边滤波处理，依据医学图像序列的灰度特点，将每一维度上的灰度最大值小于100的矩阵，以相同规格的全0矩阵代替，然后使用改进的分水岭算法求取最佳血管分割阈值。使用openCV的阈值分割工具分割每一维度上的矩阵数据，并将结果进行二值化处理。将二值化处理之后的矩阵按顺序存放至新的数组，遍历完成得到一个存放了所有经过分割后矩阵的数组，将分割后的矩阵的数组再次转换为numpy类型的多维矩阵。
步骤3、使用Nibabel工具加载原始nifti格式影像文件，获取原始影像文件中的header数据，使用Nibabel将上一步骤得到的多维矩阵结果及header数据合并保存为nifti文件，再用VTK将合并保存得到的nifti文件转换为最终的三维模型文件。
步骤2中使用改进的分水岭算法求取最佳血管分割阈值的步骤如图3所示，进一步包括：
利用prewitt算子计算图像的梯度值；
对图像中设置灰度阈值H，将图像中所有像素点的灰度值与H进行对比，消除低于阈值H的局部极小值点，得到变换后图像Image_1；
对变换后图像Image_1进行距离变换分水岭处理，得到标记图像Image_2；
对标记图像Image_2进行局部极小值标记运算，以局部极小值标记区域为初始区域，对图像进行淹没形成分水岭，得到血管分割阈值。
进一步地，在基于改进的分水岭算法得到血管分割阈值后，生成人脑医学图像中血管初始轮廓，然后再进行演化轮廓曲线的迭代、收敛，最终实现人脑医学图像中血管轮廓的全自动提取。
有益效果：
首先，在多模态影像融合配准过程中，由于获取的CT图像和MRI图像为针对人脑相同部位的拍摄影像，两种影像中的相同部分更有可能是感兴趣区域，因此通过上述方式能够将待融合的CT图像和MRI图像中的差异部分弱化，强调共同部分，并结合精准度较高的原始图像生成更为准确的融合图像。
其次，在三维重建过程中，对传统的基于分水岭算法进行图像阈值分割的方法进行改进，通过引入改进后的分水岭算法，有效地提高了人脑部图像中对血管的精细分割，提高了人脑血管自动重建的准确性。
附图说明
图1是本发明获取的人脑部CT图像；
图2是本发明获取的人脑部MRI图像；
图3是本发明人脑血管重建后图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施方式对本发明进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，但并不用于限定本发明。
本发明涉及一种多模态影像融合方法，包括：
步骤一、获取人脑部CT图像序列和MRI图像序列，其中CT图像类型为CTA或CTV，MRI图像类型为MRA或MRV。
步骤二、分别提取CT图像和MRI图像的边缘特征，将边缘清晰的图像作为基准图像F1，另一种图像作为待配准图像F2。
步骤三、对基准图像F1进行去头皮头骨操作，生成蒙版，基于蒙版再对配准后的图像进行去头皮头骨操作。
步骤四、将配准后的CT图像和MRI图像作为待融合图像A(x,y)和B(x,y)，求A(x,y)和B(x,y)的共同特征C。
步骤五、从A(x,y)中剔除共同特征C，得到A*(x,y)，从B(x,y)中剔除共同特征C，得到B*(x,y)。
步骤六、从A(x,y)中剔除B*(x,y)得到A-B*，从B(x,y)中剔除A*(x,y)，得到B-A*。
步骤七、计算A*(x,y)与B*(x,y)的差异度，记为Diff(A*,B*)；
步骤八、根据待融合图像的共同特征C、Diff(A*,B*)和基准图像F1，生成CT图像和MRI图像的融合图像Ffusion(x,y)，公式如下：
Ffusion(x,y)＝aF1+bC+zDiff(A*,B*)
其中a、b、z分别为权重值，b＝2z。
由于获取的CT图像和MRI图像为针对人脑相同部位的拍摄影像，两种影像中的相同部分更有可能是感兴趣区域，因此通过上述方式能够将待融合的CT图像和MRI图像中的差异部分弱化，强调共同部分，并结合精准度较高的原始图像生成更为准确的融合图像。
步骤九、在得到上述CT图像和MRI图像的融合图像Ffusion(x,y)之后，可以提取人脑血管区域，实现对人脑血管全自动分割，并进行三维重建。
进一步地，上述步骤九对融合配准后的人脑影像进行三维重建步骤具体包括：
步骤1、获取待重建的医学图像Ffusion(x,y)。
步骤2、将待重建的医学图像序列输入至Nibabel工具中，进行归一化处理，将归一化处理后的医学图像序列转换为numpy类型的多维矩阵，并使用第一维数据为索引遍历，对医学图像序列进行血管分割。
上述索引遍历步骤进一步包括：
将每一维度上的矩阵元素使用openCV进行双边滤波处理，依据医学图像序列的灰度特点，将每一维度上的灰度最大值小于100的矩阵，以相同规格的全0矩阵代替，然后使用改进的分水岭算法求取最佳血管分割阈值。使用openCV的阈值分割工具分割每一维度上的矩阵数据，并将结果进行二值化处理。将二值化处理之后的矩阵按顺序存放至新的数组，遍历完成得到一个存放了所有经过分割后矩阵的数组，将分割后的矩阵的数组再次转换为numpy类型的多维矩阵。
步骤3、使用Nibabel工具加载原始nifti格式影像文件，获取原始影像文件中的header数据，使用Nibabel将上一步骤得到的多维矩阵结果及header数据合并保存为nifti文件，再用VTK将合并保存得到的nifti文件转换为最终的模型文件。
步骤2中使用改进的分水岭算法求取最佳血管分割阈值的步骤如图3所示，进一步包括：
利用prewitt算子计算图像的梯度值；
对图像中设置灰度阈值H，将图像中所有像素点的灰度值与H进行对比，消除低于阈值H的局部极小值点，得到变换后图像Image_1；
对变换后图像Image_1进行距离变换分水岭处理，得到标记图像Image_2；
对标记图像Image_2进行局部极小值标记运算，以局部极小值标记区域为初始区域，对图像进行淹没形成分水岭，得到血管分割阈值。
其中灰度阈值H的计算公式如下：
Figure BDA0003041953110000041
其中
Figure BDA0003041953110000042
表示梯度图像中的局部最小值；
进一步地，在基于改进的分水岭算法得到血管分割阈值后，生成人脑医学图像中血管初始轮廓，然后再进行演化轮廓曲线的迭代、收敛，最终实现人脑医学图像中血管轮廓的全自动提取。
以待配准图像为CT序列图像(例如CTA)、基准图像为MRI的T1或T1增强扫描图像为例，具体步骤如下：
一、数据质量检查
小于等于3mm的薄层影像的重建效果更佳准确。
二、重建
1，数据格式转换：
采用dcm2nii将基准序列与需要重建的原始序列影像由DICOM格式转换为NIFIT格式以及对应的文件组织形式。
2，融合配准
将重建序列通过ANTs与基准序列进行配准。采用skull_strip对于基准序列图像进行去头骨去骨的操作，并生成mask，再利用mask对重建序列进行去头皮去骨，并生成融合影像序列。
3，归一化
使用nibabel加载经过上述步骤处理的影像序列进行图像归一化处理，然后将图像转换为numpy的uint8类型。
4，目标矩阵计算生成:
使用nibabel读取影像数据为多维矩阵，并使用第一维数据为索引遍历。将每一维度上的矩阵数据使用openCV进行双边滤波处理，依据CT序列的灰度特点，将每一维度上的灰度最大值小于100的矩阵，以相同规格的全0矩阵代替，然后使用等距离变换分水岭算法求取最佳血管分割阈值。使用openCV的阈值分割工具分割每一维度上的矩阵数据，并将结果进行二值化处理。将二值化处理之后的矩阵按顺序存放至新的数组，遍历完成得到一个存放了所有经过分割后矩阵的数组。再次使用numpy将上述结果数组转换为多维矩阵，使用孤岛算法(一种形态学运算算法)去除矩阵中的‘毛刺’。
三、模型生成
使用Nibabel工具加载原始nifti格式影像文件，获取原始影像文件中的header数据，使用Nibabel将上一步骤得到的多维矩阵结果及header数据合并保存为nifti文件，再用VTK将合并保存得到的nifti文件转换为最终的模型文件。
同理，对于MRI序列图像(例如MRA或MRV)而言，当其作为待配准图像配准融合并进行人脑血管重建时，具体步骤包括：
一、数据质量检查
小于等于3mm的薄层影像的重建效果更佳准确。
二、重建
1，数据格式转换：
采用dcm2nii将基准序列与需要重建的原始序列影像由DICOM格式转换为NIFIT格式以及对应的文件组织形式。
2，融合配准
将重建序列通过ANTs与基准序列进行配准。采用skull_strip对于基准序列图像进行去头骨去骨的操作，并生成蒙版，再利用蒙版对重建序列进行去头皮去骨，并生成融合影像序列。
3，加载多维矩阵
使用SimpleITK加载经过上述步骤处理得到的融合影像序列文件，并读取影像数据为多维矩阵。
4，目标矩阵计算生成:
使用SimpleITK以第一维数据为索引，遍历影像矩阵数据，并将此矩阵转换为uint8类型。使用基于距离变换的分水岭算法求取每一维度上的矩阵的最佳血管分割阈值，依据MR序列的灰度特点，最佳阈值低于100的矩阵，以相同规格的全0矩阵代替，并将结果进行二值化处理。将二值化处理之后的矩阵按顺序存放至新的数组，遍历完成得到一个存放了所有经过分割后矩阵的数组。
三、模型生成
使用numpy将上述结果数组转换为多维矩阵，由于SimpleITK使用第一维数据为通道读取矩阵，所以需要使用numpy再次进行矩阵转置恢复原始影像的矩阵结构。然后使用nibabel加载原始nifti格式影像文件，获取header数据，将多维矩阵结果及header数据并保存为nifti文件，再用VTK将nifti转换为obj模型。
通过本发明提供的一种基于多模态影像融合技术的人脑血管全自动重建方法，能够实现对人脑部CT影像和MRI影像的精准融合以及全自动脑部血管重建，能够有效辅助医疗影像学诊断，具有极大的应用价值。

Claims (7)

1.一种多模态影像融合技术的人脑血管全自动重建方法，其特征在于，包括如下步骤：
步骤一、获取人脑部CT图像序列和MRI图像序列，其中CT图像类型为CTA或CTV，MRI图像类型为MRA或MRV;
步骤二、将CT图像和MRI图像进行配准，生成CT图像和MRI图像的融合图像Ffusion(x,y)；
步骤三、在得到上述CT图像和MRI图像的融合图像Ffusion(x,y)之后，提取人脑血管区域，实现对人脑血管全自动分割，并进行三维重建。
2.根据权利要求1所述的方法，其特征在于，步骤二具体包括：
步骤2.1、分别提取CT图像和MRI图像的边缘特征，将边缘清晰的图像作为基准图像F1，另一种图像作为待配准图像F2；
步骤2.2、对基准图像F1进行去头皮头骨操作，生成蒙版，基于蒙版再对配准后的图像进行去头皮头骨操作；
步骤2.3、将配准后的CT图像和MRI图像作为待融合图像A(x,y)和B(x,y)，求A(x,y)和B(x,y)的共同特征C；
步骤2.4、基于共同特征c生成CT图像和MRI图像的融合图像Ffusion(x,y)。
3.根据权利要求2所述的方法，其特征在于，步骤2.4具体包括：
步骤2.4.1、从A(x,y)中剔除共同特征C，得到A*(x,y)，从B(x,y)中剔除共同特征C，得到B*(x,y)；
步骤2.4.2、从A(x,y)中剔除B*(x,y)得到A-B*，从B(x,y)中剔除A*(x,y)，得到B-A*;
步骤2.4.3、计算A*(x,y)与B*(x,y)的差异度，记为Diff(A*,B*);
步骤2.4.4、根据待融合图像的共同特征C、Diff(A*,B*)和基准图像F1，生成CT图像和MRI图像的融合图像Ffusion(x,y)，公式如下：
Ffusion(x,y)=aF1+bC+zDiff(A*,B*)
其中a、b、z分别为权重值，b=2z。
4.根据权利要求1所述的方法，其特征在于，步骤三具体包括：
步骤3.1、获取待重建的医学图像Ffusion(x,y)；
步骤3.2、将待重建的医学图像序列输入至Nibabel工具中，进行归一化处理，将归一化处理后的医学图像序列转换为numpy类型的多维矩阵，并使用第一维数据为索引遍历，对医学图像序列进行血管分割；
步骤3.3、使用Nibabel工具加载原始nifti格式影像文件，获取原始影像文件中的header数据，使用Nibabel将上一步骤得到的多维矩阵结果及header数据合并保存为nifti文件，再用VTK将合并保存得到的nifti文件转换为最终的三维模型文件。
5.根据权利要求4所述的方法，其特征在于，步骤3.2具体包括：
步骤3.2.1、将每一维度上的矩阵元素使用openCV进行双边滤波处理，依据医学图像序列的灰度特点，将每一维度上的灰度最大值小于100的矩阵，以相同规格的全0矩阵代替；
步骤3.2.2、使用改进的分水岭算法求取最佳血管分割阈值；使用openCV的阈值分割工具分割每一维度上的矩阵数据，并将结果进行二值化处理；
步骤3.2.3、将二值化处理之后的矩阵按顺序存放至新的数组，遍历完成得到一个存放了所有经过分割后矩阵的数组，将分割后的矩阵的数组再次转换为numpy类型的多维矩阵。
6.根据权利要求5所述的方法，其特征在于，使用改进的分水岭算法求得最佳血管分割阈值具体包括：
步骤a、利用prewitt算子计算图像的梯度值；
步骤b、对图像中设置灰度阈值H，将图像中所有像素点的灰度值与H进行对比，消除低于阈值H的局部极小值点，得到变换后图像Image_1；
步骤c、对变换后图像Image_1进行距离变换分水岭处理，得到标记图像Image_2；
步骤d、对标记图像Image_2进行局部极小值标记运算，以局部极小值标记区域为初始区域，对图像进行淹没形成分水岭，得到血管分割阈值。
7.一种基于多模态影像融合技术的人脑血管全自动重建装置，该装置能够实现如权利要求1-6中任一项全自动重建方法。
CN202110463059.4A 2021-04-27 2021-04-27 一种基于多模态影像融合技术的人脑血管全自动重建方法、装置 Active CN113140035B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110463059.4A CN113140035B (zh) 2021-04-27 2021-04-27 一种基于多模态影像融合技术的人脑血管全自动重建方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110463059.4A CN113140035B (zh) 2021-04-27 2021-04-27 一种基于多模态影像融合技术的人脑血管全自动重建方法、装置

Publications (2)

Publication Number Publication Date
CN113140035A true CN113140035A (zh) 2021-07-20
CN113140035B CN113140035B (zh) 2022-05-27

Family

ID=76816183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110463059.4A Active CN113140035B (zh) 2021-04-27 2021-04-27 一种基于多模态影像融合技术的人脑血管全自动重建方法、装置

Country Status (1)

Country Link
CN (1) CN113140035B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674279A (zh) * 2021-10-25 2021-11-19 青岛美迪康数字工程有限公司 基于深度学习的冠脉cta影像的处理方法及装置
CN114974518A (zh) * 2022-04-15 2022-08-30 浙江大学 多模态数据融合的肺结节影像识别方法及装置
CN115049850A (zh) * 2022-07-20 2022-09-13 电子科技大学 一种用于肺部ct影像的纤维化区域的特征提取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106683042A (zh) * 2017-01-05 2017-05-17 南京觅踪电子科技有限公司 一种基于非线性最小二乘的多模态医学图像融合方法以及系统
CN109461140A (zh) * 2018-09-29 2019-03-12 沈阳东软医疗系统有限公司 图像处理方法及装置、设备和存储介质
CN109785325A (zh) * 2019-01-30 2019-05-21 陕西中医药大学 一种基于深度学习的多模态医学影像的方法
CN110232691A (zh) * 2019-04-18 2019-09-13 浙江大学山东工业技术研究院 一种多模态的ct影像的分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106683042A (zh) * 2017-01-05 2017-05-17 南京觅踪电子科技有限公司 一种基于非线性最小二乘的多模态医学图像融合方法以及系统
CN109461140A (zh) * 2018-09-29 2019-03-12 沈阳东软医疗系统有限公司 图像处理方法及装置、设备和存储介质
CN109785325A (zh) * 2019-01-30 2019-05-21 陕西中医药大学 一种基于深度学习的多模态医学影像的方法
CN110232691A (zh) * 2019-04-18 2019-09-13 浙江大学山东工业技术研究院 一种多模态的ct影像的分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PRAKASH MUTHUSAMI等: "CT reconstruction and MRI fusion of 3D rotational angiography in the evaluation of pediatric cerebrovascular lesions", 《NEURORADIOLOGY》 *
李杰飞等: "多模态影像融合技术在脑肿瘤手术中的应用", 《中华神经外科杂志》 *
杨榕等: "多模态影像融合技术与颅底-颞下区肿瘤的诊断和治疗", 《北京大学学报（医学版）》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674279A (zh) * 2021-10-25 2021-11-19 青岛美迪康数字工程有限公司 基于深度学习的冠脉cta影像的处理方法及装置
CN113674279B (zh) * 2021-10-25 2022-03-08 青岛美迪康数字工程有限公司 基于深度学习的冠脉cta影像的处理方法及装置
CN114974518A (zh) * 2022-04-15 2022-08-30 浙江大学 多模态数据融合的肺结节影像识别方法及装置
CN115049850A (zh) * 2022-07-20 2022-09-13 电子科技大学 一种用于肺部ct影像的纤维化区域的特征提取方法

Also Published As

Publication number Publication date
CN113140035B (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN113140035B (zh) 一种基于多模态影像融合技术的人脑血管全自动重建方法、装置
US11062449B2 (en) Method and system for extracting vasculature
US11344273B2 (en) Methods and systems for extracting blood vessel
CN111008984B (zh) 医学影像中正常器官的轮廓线自动勾画方法
CN107545584A (zh) 医学图像中定位感兴趣区域的方法、装置及其系统
CN111612743B (zh) 一种基于ct图像的冠状动脉中心线提取方法
EP4118617A1 (en) Automated detection of tumors based on image processing
CN111815663A (zh) 一种基于Hessian矩阵和灰度法的肝血管分割系统
KR101258814B1 (ko) 동적조영증강 유방 ｍｒ 영상에서 조직별 밝기값 보정 및 종양 강성 제약을 적용한 비강체 정합 방법 및 시스템
CN111681230A (zh) 脑白质高信号评分系统及其评分方法
CN108460813A (zh) 一种靶区勾画方法和装置
CN116580068B (zh) 一种基于点云配准的多模态医学配准方法
CN109816665B (zh) 一种光学相干断层扫描图像的快速分割方法及装置
Hao et al. Magnetic resonance image segmentation based on multi-scale convolutional neural network
Roy et al. TBI contusion segmentation from MRI using convolutional neural networks
CN116309647B (zh) 颅脑病灶图像分割模型构建方法、图像分割方法及设备
CN116630342A (zh) 腹部mri图像分割系统、方法、电子设备及存储介质
Campadelli et al. Fully automatic segmentation of abdominal organs from CT images using fast marching methods
CN115841472A (zh) 大脑中动脉高密度征识别方法、装置、设备及存储介质
Somasundaram et al. Brain portion segmentation from Magnetic Resonance Images (MRI) of human head scan using Richardson Lucy deconvolution and intensity thresholding
CN115731444A (zh) 一种基于人工智能和超像素分割的医学影像融合方法
CN114723879A (zh) 一种基于多维跨模态影像融合技术的人脑锥体束全自动重建方法
CN112767332B (zh) 一种基于cta影像的血管区域判断方法及系统
Roy et al. MDL-IWS: multi-view deep learning with iterative watershed for pulmonary fissure segmentation
Ghadimi et al. Segmentation of scalp and skull in neonatal MR images using probabilistic atlas and level set method

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
CP01 Change in the name or title of a patent holder

Address after: 266000 Room 201, building 1, 88 Kaifeng Road, Shibei District, Qingdao City, Shandong Province

Patentee after: Baiyang Intelligent Technology Group Co.,Ltd.

Address before: 266000 Room 201, building 1, 88 Kaifeng Road, Shibei District, Qingdao City, Shandong Province

Patentee before: Qingdao Baiyang Intelligent Technology Co.,Ltd.

CP01 Change in the name or title of a patent holder