CN113256754A - 一种分割后小面积肿瘤块的堆叠投影重建方法 - Google Patents
一种分割后小面积肿瘤块的堆叠投影重建方法 Download PDFInfo
- Publication number
- CN113256754A CN113256754A CN202110803605.4A CN202110803605A CN113256754A CN 113256754 A CN113256754 A CN 113256754A CN 202110803605 A CN202110803605 A CN 202110803605A CN 113256754 A CN113256754 A CN 113256754A
- Authority
- CN
- China
- Prior art keywords
- projection
- small
- layer
- tumor
- reconstruction
- 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
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims abstract description 5
- 230000000007 visual effect Effects 0.000 claims description 12
- 230000002452 interceptive effect Effects 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000009877 rendering Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 abstract 1
- 238000002324 minimally invasive surgery Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002216 heart Anatomy 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 235000016549 Muscari comosum Nutrition 0.000 description 1
- 244000082079 Muscari comosum Species 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000006467 substitution reaction 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
- G06F3/04845—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range for image manipulation, e.g. dragging, rotation, expansion or change of colour
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种分割后小面积肿瘤块的堆叠投影重建方法。其中,该方法包括:步骤1,将医学影像数据降维成离散的二维切片序列,利用改进的全卷积神经网络对不同模态切片进行小面积肿瘤块的大批量分割;步骤2,对含有肿瘤的切片根据相似性指标patch校准,精确定位肿瘤块;步骤3,堆叠小面积肿瘤块图像,重复约束多栏平行滤波偏移极小角度,将校准后的小面积肿瘤块进行投影重建病体。本发明方法的目标是实现对病体的快速分割、精确定位及逆向重建,并以此显示多维结构信息,单独或组合显示肿瘤组织的分布情况与相对位置,推动影像导航微创手术等新兴医疗方案的发展。
Description
技术领域
本发明属于图形学和计算机视觉技术领域,具体涉及一种分割后小面积肿瘤块的堆叠投影重建方法。
背景技术
医学影像技术是指通过先进的计算机软硬件来分析和处理病人的影像数据,这已经成为解决医学信息化建设的重要组成部分。其中计算机断层扫描技术(ComputedTomography,CT)、核磁共振成像技术(Magnetic Resonance Imaging,MR)以及数字式X射线摄像技术(Digital Radiography,DR)等成像技术对肿瘤的确诊与治疗具有很大的影响和价值。医学可视化界面能够让医生详细地为病患指示和介绍相关影像信息,直观和准确地认识整个病灶区域大小、位置和形态特征,进而提高临床诊断的客观性。目前常见放射学的标准输出主要是DICOM和NIFTI格式,VolVis系统、3D Slicer系统等具有其自身局限性,比如仅能准对单种格式或特定肿瘤进行操作。
传统辅助医学诊断技术依赖于对设备采集的二维投影图像或CT、MR的单张切片进行观察、分析及处理,然后由医生依据专业知识水准和观察能力进行主观判断。单张切片序列仅代表某个部分的剖面信息,病变部位和器官组织的不规则或畸形更是增加了切片诊断和定性分析的难度。
发明内容
本发明针对现有医学诊断技术的不足,提供了一种分割后小面积肿瘤块的堆叠投影重建方法,重建后纹理信息直观的精准定位分区和体积,逆向避免了特定部位不适用问题。
为实现上述目的,本发明采用如下技术方案:
一种分割后小面积肿瘤块的堆叠投影重建方法,包括以下步骤:
的堆叠投影重建方法包括以下步骤:
步骤1,将医学影像数据降维成离散的二维切片序列,利用改进的全卷积神经网络对不同模态切片进行小面积肿瘤块的大批量分割;
步骤2,对含有肿瘤的切片根据相似性指标patch校准,精确定位肿瘤块;
步骤3,堆叠小面积肿瘤块图像,重复约束多栏平行滤波偏移极小角度,将校准后的小面积肿瘤块进行投影重建病体。
进一步地,步骤1中,所述将医学影像数据降维成离散的二维切片组包括以下步骤:
步骤1-1,避免肿瘤位点特异性,联合内置Slice()和Crop()同时从重心位置正交切片每个病例的像素图,形成m张切片序列,m值由临床医学影像质量决定,保证重建有效性和可靠性;
步骤1-2,裁剪和缩放像素图将分辨率从原始值统一调整为240px×240px,确保投影重建的清晰度。
进一步地,步骤1中,所述改进的全卷积神经网络与传统的全卷积神经网络主要不同在于卷积层和Batchnormalization层(以下简称BatchNorm),其具体实现如下:
将5×5卷积改进为3×1卷积叠加1×3卷积再合并点卷积层,加强图像特征融合;
在上述改进的卷积层后添加BatchNorm层进行批归一化操作,以加快学习速度并确保输入与输出图像保持在相同分布范围内。
进一步地,步骤2中,所述对含有肿瘤的切片根据相似性指标patch校准,具体为:
进一步地,步骤3,所述投影重建,包括以下步骤:
步骤3-1,将m张校准完成后尺寸一致、像素相同的小面积肿瘤块图像进行等距间隔堆叠,距离s根据具体实验设置;
步骤3-2,通过OpenCV()跟踪定位步骤3-1的质心,利用多栏条纹的平行滤波对其进行投影;
进一步地,步骤3-2,通过OpenCV()跟踪定位步骤3-1的质心,利用多栏条纹的平行滤波对其进行投影,具体为,以质心为原点建立直角坐标系,所述多栏条纹的平行滤波投射结果T的表达式:
,其中多栏平行滤波是线积分,是步骤3-1待投影图像,是待投影图像上任意离散点的坐标,法线是坐标原点到的线,其旋转角为,长度为,为投射结果集T上的点,是用于约束和的冲激函数,使平行滤波投射结果随任意角度和长度变化,。
进一步地,还包括将所述步骤1-步骤3渲染制作为可视化的交互界面,所述可视化的交互界面进行多视图动态分析,对医学影像的多个侧面快速选取、分割及调整等,制作所述可视化的交互界面的步骤,具体如下:首先,将水平位、矢状位和冠状位角度切片序列分别导入QT Visual Studio Tools创建图层a、图层b、图层c,渲染去除边缘噪声;其次,将步骤2操作分割后小面积肿瘤块覆盖呈现在图层a、图层b、图层c上;最后,将步骤3操作后的堆叠投影重建结果调整在右下方的图层d,参数等数据信息展示在图层右侧。
有益效果
本发明针对脑、肺、心脏等所有器官的不同模态医学成像,提供了一种分割后小面积肿瘤块的堆叠投影重建方法,重建后纹理信息直观的精准定位分区和体积,逆向避免了特定部位不适用问题,克服了单位内各种组织的容积效应;
本发明分割后小面积肿瘤块堆叠投影重建旨在利用计算机图像处理技术提取图像序列中病灶区域的隐含信息和抽象泛化数据,提供多角度、立体化的可视化信息展示全局分布和关联层次关系。
附图说明
图1是本发明中总体处理过程的框架图;
图2是本发明中相似性指标的示意图;
图3是本发明中平行滤波投影的示意图;
图4是本发明中可视化的交互界面的示意图。
具体实施方式
本发明针对脑、肺、心脏等所有器官的不同模态医学成像,提供了一种分割后小面积肿瘤块的堆叠投影重建方法,其包括以下步骤:
步骤1,将医学影像数据降维成离散的二维切片序列,利用改进的全卷积神经网络对不同模态切片进行小面积肿瘤块的大批量分割;
其中,将医学影像数据降维成离散的二维切片组包括以下步骤:
步骤1-1,避免肿瘤位点特异性,联合内置Slice()和Crop()同时从重心位置正交切片每个病例的像素图,形成m张切片序列,m值由临床医学影像质量决定,保证重建有效性和可靠性;
步骤1-2,裁剪和缩放像素图将分辨率从原始值统一调整为240px×240px,确保投影重建的清晰度。
改进的深度学习算法的全卷积神经网络与传统的全卷积神经网络主要不同在于卷积层和Batchnormalization层(以下简称BatchNorm),其具体实现如下:
将5×5卷积改进为3×1卷积叠加1×3卷积再合并点卷积层,加强图像特征融合;
在上述改进的卷积层后添加BatchNorm层进行批归一化操作,以加快学习速度并确保输入与输出图像保持在相同分布范围内。
步骤2,对含有肿瘤的切片根据相似性指标patch校准,精确定位肿瘤块,根据相似性指标patch对不同模态的多病变分割区域进行校准,以减小不同图像之间位移偏差。
校准以两图像偏离距离平方和为主要计量手段,相似性指标,其中,w和为需配准的图像,240×240为步骤1-2中设置的图像最佳分辨率,为自然数,当时,校准w和使相似性指标值在0至0.3范围内,越收敛越可信赖,如图2所示,x轴为像素分辨率,y轴为相似性指标patch值。
步骤3,堆叠小面积肿瘤块图像,重复约束多栏平行滤波偏移极小角度,将校准后的小面积肿瘤块进行投影重建病体;
所述投影重建,包括以下步骤:
步骤3-1,将m张校准完成后尺寸一致、像素相同的小面积肿瘤块图像进行等距间隔堆叠,距离s根据具体实验设置;
步骤3-2,通过OpenCV()跟踪定位步骤3-1质心,利用多栏条纹的平行滤波对其进行投影;
具体地,以质心为原点建立直角坐标系,所述多栏条纹的平行滤波投射结果T的表达式:
,其中多栏平行滤波是线积分,是步骤3-1待投影图像,如图3所示,是待投影图像上任意离散点的坐标,法线是坐标原点到的线,其旋转角为,长度为,为投射结果集上的点,是用于约束和的冲激函数,使得平行滤波投射结果随任意角度和长度变化,。
最后,将上述步骤1-步骤3渲染制作为可视化的交互界面。所述可视化的交互界面可以进行多视图动态分析,对医学影像的多个侧面快速选取、分割及调整等,制作可视化的交互界面的步骤,具体如下:首先,将水平位、矢状位和冠状位角度切片序列分别导入QTVisual Studio Tools创建图层a、图层b、图层c,渲染去除边缘噪声;其次,将步骤2操作分割后小面积肿瘤块覆盖呈现在图层a、图层b、图层c上;最后,将步骤3操作后的堆叠投影重建结果调整在右下方的图层d,参数、日期等数据信息展示在图层右侧,如图4所示。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明实施例揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种分割后小面积肿瘤块的堆叠投影重建方法,其特征在于,所述小面积肿瘤块的堆叠投影重建方法包括以下步骤:
步骤1,将医学影像数据降维成离散的二维切片序列,利用改进的全卷积神经网络对不同模态切片进行小面积肿瘤块的大批量分割;
步骤2,对含有肿瘤的切片根据相似性指标patch校准,精确定位肿瘤块;
步骤3,堆叠小面积肿瘤块图像,重复约束多栏平行滤波偏移极小角度,将校准后的小面积肿瘤块进行投影重建病体。
2.根据权利要求1所述的堆叠投影重建方法,其特征在于,步骤1中,所述将医学影像数据降维成离散的二维切片组包括以下步骤:
步骤1-1,避免肿瘤位点特异性,联合内置Slice()和Crop()同时从重心位置正交切片每个病例的像素图,形成m张切片序列,m值由临床医学影像质量决定,保证重建有效性和可靠性;
步骤1-2,裁剪和缩放像素图将分辨率从原始值统一调整为240px×240px,确保投影重建的清晰度。
3.根据权利要求2所述的堆叠投影重建方法,其特征在于,步骤1中,所述改进的全卷积神经网络与传统的全卷积神经网络主要不同在于卷积层和BatchNorm层,其具体实现如下:
将5×5卷积改进为3×1卷积叠加1×3卷积再合并点卷积层,加强图像特征融合;
在上述改进的卷积层后添加BatchNorm层进行批归一化操作,以加快学习速度并确保输入与输出图像保持在相同分布范围内。
7.根据权利要求6所述的堆叠投影重建方法,其特征在于,还包括将所述步骤1-步骤3渲染制作为可视化的交互界面,所述可视化的交互界面进行多视图动态分析,对医学影像的多个侧面快速选取、分割及调整,制作所述可视化的交互界面的步骤,具体如下:首先,将水平位、矢状位和冠状位角度切片序列分别导入QT Visual Studio Tools创建图层a、图层b、图层c,渲染去除边缘噪声;其次,将步骤2操作分割后小面积肿瘤块覆盖呈现在图层a、图层b、图层c上;最后,将步骤3操作后的堆叠投影重建结果调整在右下方的图层d,数据信息展示在图层右侧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110803605.4A CN113256754B (zh) | 2021-07-16 | 2021-07-16 | 一种分割后小面积肿瘤块的堆叠投影重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110803605.4A CN113256754B (zh) | 2021-07-16 | 2021-07-16 | 一种分割后小面积肿瘤块的堆叠投影重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113256754A true CN113256754A (zh) | 2021-08-13 |
CN113256754B CN113256754B (zh) | 2021-09-28 |
Family
ID=77180460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110803605.4A Active CN113256754B (zh) | 2021-07-16 | 2021-07-16 | 一种分割后小面积肿瘤块的堆叠投影重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256754B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902780A (zh) * | 2021-08-31 | 2022-01-07 | 数坤(北京)网络科技有限公司 | 一种影像配准方法、装置、设备和可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1588452A (zh) * | 2004-08-05 | 2005-03-02 | 上海交通大学 | 二维图像序列三维重建方法 |
CN110084823A (zh) * | 2019-04-18 | 2019-08-02 | 天津大学 | 基于级联各向异性fcnn的三维脑肿瘤图像分割方法 |
CN111833251A (zh) * | 2020-07-13 | 2020-10-27 | 北京安德医智科技有限公司 | 一种三维医学图像超分辨率重建方法及装置 |
CN112489059A (zh) * | 2020-12-03 | 2021-03-12 | 山东承势电子科技有限公司 | 一种医学肿瘤分割和三维重建方法 |
-
2021
- 2021-07-16 CN CN202110803605.4A patent/CN113256754B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1588452A (zh) * | 2004-08-05 | 2005-03-02 | 上海交通大学 | 二维图像序列三维重建方法 |
CN110084823A (zh) * | 2019-04-18 | 2019-08-02 | 天津大学 | 基于级联各向异性fcnn的三维脑肿瘤图像分割方法 |
CN111833251A (zh) * | 2020-07-13 | 2020-10-27 | 北京安德医智科技有限公司 | 一种三维医学图像超分辨率重建方法及装置 |
CN112489059A (zh) * | 2020-12-03 | 2021-03-12 | 山东承势电子科技有限公司 | 一种医学肿瘤分割和三维重建方法 |
Non-Patent Citations (1)
Title |
---|
LING TAN等: "Multimodal Magnetic Resonance Image Brain Tumor Segmentation Based on ACU-Net Network", 《IEEE ACCESS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902780A (zh) * | 2021-08-31 | 2022-01-07 | 数坤(北京)网络科技有限公司 | 一种影像配准方法、装置、设备和可读存储介质 |
CN113902780B (zh) * | 2021-08-31 | 2023-02-21 | 数坤(北京)网络科技股份有限公司 | 一种影像配准方法、装置、设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113256754B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Organ at risk segmentation in head and neck CT images using a two-stage segmentation framework based on 3D U-Net | |
Torosdagli et al. | Deep geodesic learning for segmentation and anatomical landmarking | |
US9980691B2 (en) | Method and apparatus for three dimensional viewing of images | |
CN111640100B (zh) | 肿瘤图像的处理方法和装置、电子设备、存储介质 | |
CN106023200B (zh) | 一种基于泊松模型的x光胸片图像肋骨抑制方法 | |
US8625869B2 (en) | Visualization of medical image data with localized enhancement | |
US9473766B2 (en) | Method and apparatus for three dimensional viewing of images | |
CN112150524B (zh) | 一种基于深度学习的二维和三维医学图像配准方法和系统 | |
US9349183B1 (en) | Method and apparatus for three dimensional viewing of images | |
US9492124B2 (en) | System and method for treatment planning of organ disease at the functional and anatomical levels | |
CN113256754B (zh) | 一种分割后小面积肿瘤块的堆叠投影重建方法 | |
TW201124943A (en) | Medical image analysis system using N-way belief propagation for anatomical images subject to deformation and related methods | |
CN111166332A (zh) | 一种基于磁共振波谱和磁共振影像的放疗靶区勾画方法 | |
Shi et al. | Attention gate based dual-pathway network for vertebra segmentation of X-ray spine images | |
Wang et al. | TRCT-GAN: CT reconstruction from biplane X-rays using transformer and generative adversarial networks | |
JP4473578B2 (ja) | 体の構造の孤立した視覚化されたものを形成する方法及び装置 | |
Gao et al. | 3DSRNet: 3D Spine Reconstruction Network Using 2D Orthogonal X-ray Images Based on Deep Learning | |
CN113570724B (zh) | 基于逆球极投影的网格球面保角参数化方法及其应用 | |
EP3497599A1 (en) | A method and apparatus for transforming physical measurement data of a biological organ | |
Little et al. | The registration of multiple medical images acquired from a single subject: why, how, what next? | |
Ryu et al. | Multi-planar 2.5 D U-Net for image quality enhancement of dental cone-beam CT | |
CN112767299B (zh) | 一种多模态三维图像配准融合方法 | |
Hurdal et al. | Case study: Interacting with cortical flat maps of the human brain | |
Yang et al. | 3D localization of clustered microcalcifications using cranio-caudal and medio-lateral oblique views | |
Xia et al. | A 2.5 D multi-path fusion network framework with focusing on z-axis 3D joint for medical image segmentation |
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 |