CN114119549A - 一种多模态医学图像三维点云配准优化方法 - Google Patents
一种多模态医学图像三维点云配准优化方法 Download PDFInfo
- Publication number
- CN114119549A CN114119549A CN202111423063.4A CN202111423063A CN114119549A CN 114119549 A CN114119549 A CN 114119549A CN 202111423063 A CN202111423063 A CN 202111423063A CN 114119549 A CN114119549 A CN 114119549A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- registration
- ultrasonic
- image
- sequence image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000005457 optimization Methods 0.000 title claims abstract description 16
- 230000009466 transformation Effects 0.000 claims abstract description 32
- 210000000056 organ Anatomy 0.000 claims abstract description 4
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 239000000523 sample Substances 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000009616 inductively coupled plasma Methods 0.000 description 11
- 238000002604 ultrasonography Methods 0.000 description 11
- 239000012528 membrane Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 101100330193 Homo sapiens CYREN gene Proteins 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002307 prostate Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 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
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G06T5/70—
-
- 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
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种多模态医学图像三维点云配准优化方法,包括以下步骤:S1、获取人体MRI序列图像并进行预处理;S2、从人体MRI序列图像提取一组点云数据作为粗配准的源点云;同时分割人体MRI序列图像,获取分割后的器官点云数据作为精配准的目标点云;S3、从人体MRI序列图像采集一组点云数据作为粗配准的目标点云;S4、完成粗配准操作,获取粗配准变换系数;S5、采集一组超声序列图像,并保存每帧超声序列图像四个顶点的三维坐标;S6、通过三维坐标重建超声体,获取超声体的点云数据作为精配准的源点云;S7、完成精配准操作,获取精配准变换系数;S8、通过粗配准变换系数与精配准变换系数来获取最终配准变换系数。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种多模态医学图像三维点云配准优化方法。
背景技术
近些年快速发展起来的医学影像技术主要有CT影像、MRI影像及超声影像。由于各自影像本身的特点不同,CT影像对骨性结构显影优秀,而MRI影像对软组织显影卓越,超声影像具有实时反馈的特性。因此,为了融合各自影像的特点来达到更精准的病灶查找和定位受到越来多的临床关注及研究。
随着技术的发展,多模态医学影像信息已经在计算机辅助检测和诊断中被广泛的应用。通过融合不同的影像信息,医生可以看到超声图像看不到的信息或者进一步更清晰的观察到超声看不到的病灶信息等,而超声也弥补了CT、MRI影像不实时的情况。
然而,要对不同模态的医学影像信息进行融合就需要先进行配准,现有的配准技术虽然已经用的比较广泛,但其配准精度较低,对医生的影像观察工作会造成一定的影响,从而降低了医生的诊断效率;因此,如何提高配准的精度仍然是科研人员研究的重点。
发明内容
本发明目的是针对上述问题,提供一种操作简单、提高配准精度的多模态医学图像三维点云配准优化方法。
为了实现上述目的,本发明的技术方案是:
一种多模态医学图像三维点云配准优化方法,包括以下步骤:
S1、获取人体MRI序列图像并进行去噪、增强操作;
S2、根据医学数字成像和通信DICOM信息从人体MRI序列图像自动提取一组点云数据作为粗配准的源点云;同时采用人工神经网络技术训练分割人体MRI序列图像,获取分割后的器官点云数据作为精配准的目标点云;
S3、使用电磁定位系统从人体MRI序列图像采集一组点云数据作为粗配准的目标点云;
S4、使用ICP迭代完成粗配准操作,获取粗配准变换系数;
S5、利用超声探头手动采集一组超声序列图像,并保存每帧超声序列图像四个顶点的三维坐标;
S6、通过每帧超声序列图像四个顶点的三维坐标重建超声体,获取超声体的点云数据作为精配准的源点云;
S7、使用ICP迭代完成精配准操作,获取精配准变换系数;
S8、通过粗配准变换系数与精配准变换系数来获取最终配准变换系数。
进一步的,所述步骤S1中采用高斯平滑滤波对人体MRI序列图像进行图像去噪操作,采取小波增强算法对人体MRI序列图像进行增强操作。
进一步的,所述步骤S2中,根据医学数字成像和通信DICOM信息中的病人位置信息,同时结合医学数字成像和通信DICOM信息中病人影像位置的Z轴坐标值,提取一组Z轴方向和X轴方向的点云数据作为粗配准的源点云。
进一步的,所述步骤S3具体包括以下步骤:
S31、将电磁定位系统与传感器连接,实时获取传感器的位置坐标;
S32、通过电磁定位系统的程序控制连续采集人体MRI序列图像中沿Z轴方向变化的点云数据和沿X轴方向变化的点云数据;
S33、将采集的点云数据保存作为粗配准的目标点云。
进一步的,所述步骤S4中,将粗配准的源点云与粗配准的目标点云用KNN树进行结构配对,确定粗配准源点云与粗配准目标点云的对应点对,然后基于ICP迭代完成粗配准操作,得到粗配准变换系数,粗配准变换系数包括粗配准旋转矩阵R和粗配准平移量T。
进一步的,所述步骤S5具体包括以下步骤:
S51、将电磁定位系统与传感器连接,并将传感器绑定在超声探头上;
S52、通过电磁定位系统的程序控制连续采集一组超声序列图像及每帧超声序列图像的四个顶点坐标并进行保存。
进一步的,所述步骤S6具体包括以下步骤:
S61、将步骤S5中采集的每帧超声序列图像四个顶点坐标通过坐标转换方式得到每帧超声序列图像每个像素对应的物理空间坐标,其坐标转换公式如下:
P=Q+uH+vK;
其中,(u,v)为超声序列图像的像素坐标,P为转换后的三维空间坐标,Q为超声序列图像四个顶点坐标中的左上顶点坐标,H为三维空间的x方向向量且H=(tr-tl)/|tr-tl|,K为三维空间的y方向向量且K=(bl-tl)/|bl-tl|;
S62、对每帧超声序列图像进行转换并得到其空间坐标,计算前后两帧图像相同像素位置对应的空间坐标,然后将该空间坐标转换为体像素位置来进行插值,得到重建后的超声体;
S63、将超声体进行三角网格化处理并进行平滑操作,下采样得到超声体点云数据作为精配准的源点云。
进一步的,所述步骤S7中,对精配准的目标点云、精配准的源点云分别进行下采样为原来的1/10,然后采用ICP迭代完成精配准操作,得到精配准变换系数;所述精配准变换系数包括精配准旋转矩阵R’和精配准平移量T’。
进一步的,所述步骤S8中,通过精配准变换系数与粗配准变换系数得到最终变换系数,最终变换系数包括最终旋转矩阵R0和最终平移量T0;其计算公式为:
R0=R’R,T0=R’T+T’。
与现有技术相比,本发明具有的优点和积极效果是:
本发明通过进行粗配准和精配准两次ICP配准操作,最后将粗配准变换系数与精配准变换系数相结合来计算最终变换系数,其克服了ICP配准的精度问题,进一步提高了图像配准的精度,其可以辅助医生更快的对病灶进行查找和定位,有效减轻了医生的工作量,为医学影像配准的未来发展道路指引了方向。
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,下面将对实施例或现有技术描述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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的框架流程图;
图2为超声序列图像的顶点坐标示意图;
图3为本发明的超声重建示意图;
图4为超声重建插值前后的效果对比图;
图5为三维点云精配准的效果图。
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,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
如图1至图5所示,本实施例公开了本实施例提供了一种多模态医学图像三维点云配准优化方法,包括以下步骤:
S1、获取人体MRI序列图像,进行去噪、增强等预处理;
S2、根据医学数字成像和通信DICOM信息从人体MRI序列图像中自动提取一组特征点云数据作为粗配准的源点云,同时采用人工神经网络技术训练分割人体MRI序列图像,获取分割后的器官数据,作为精配准的目标点云;
S3、使用电磁定位系统对MRI序列图像采集一组点云数据作为粗配准的目标点云:首先,连接电磁定位系统,将电磁与传感器连接,实时获取传感器的位置坐标;其次,通过程序控制,连续采集沿Z轴方向变化的点云数据和沿X轴方向变化的三维点云数据;最后,将采集的点云数据保存作为粗配准的目标点云;
S4、将粗配准的源点云数据、粗配准的目标点云数据采用KNN树进行结构配对,确定源点云与目标点云的对应点对,然后基于ICP迭代完成粗配准,得到粗配准后的变换系数R(旋转矩阵)和T(平移量);
S5、获取超声体数据,具体的步骤为:首先,连接电磁定位系统,将电磁与传感器连接,并将传感器绑定在超声探头上;然后,通过程序控制开始采集,采集对象是前列腺超声体膜(前列腺超声体膜图像是CT和超声扫描的数据对象,即CT扫描超声体膜得到CT图像,超声扫描超声体膜得到超声图像);连续采集一组超声序列图像及相应的每帧图像对应的四个顶点坐标;最后,通过程序控制结束采集,将采集到的超声序列图像及相应的每帧图像对应的四个顶点坐标保存在内存中(如图2所示),p3表示左上tl,p2表示右上tr,p0表示左下bl,p1表示右下br。
S6、基于上述超声体数据,进行超声体插值重建,具体步骤为:
首先,根据保存的超声序列图像及对应的四个顶点(分别表示为左上tl、右上tr、左下bl、右下br)坐标通过坐标转换方式得到每帧图像每个像素对应的物理空间坐标(如图3所示),所用的坐标转换公式如下;
P=Q+uH+vK;
其中(u,v)为图像像素坐标,P为转换后的三维空间坐标,Q为保存的四个顶点中左上顶点坐标,H=(tr-tl)/|tr-tl|,H为三维空间x方向向量,K=(bl-tl)/|bl-tl|,K为三维空间y方向向量。
其次,遍历每帧超声图像得到其空间坐标,通过计算前后两帧图像相同像素位置对应的空间坐标,然后转换为体像素位置来进行“最近邻“插值,如图4所示为插值前(图左)、插值后(图右)同一个面的区别;
最后,将重建得到的超声体进行三角网格化并进行平滑,下采样得到超声体顶点数据作为精配准的源点云。
S7、将精配准的目标点云数据、精配准的源点云数据分别进行下采样为原来的1/10以加快配准速度,然后采用ICP迭代完成精配准,获取精配准后的变换系数R’(旋转矩阵)和T’(平移量);
S8、基于步骤S4和S7得到的配准结果,将精配准的结果加入到粗配准的结果,得到最终的变换系数R0(旋转矩阵)和T0(平移量);其计算公式为:
R0=R’R,T0=R’T+T’。
本发明通过进行粗配准和精配准两次ICP配准操作,最后将粗配准变换系数与精配准变换系数相结合来计算最终变换系数,其克服了ICP配准的精度问题,进一步提高了图像配准的精度,其可以辅助医生更快的对病灶进行查找和定位,有效减轻了医生的工作量,为医学影像配准的未来发展道路指引了方向。
Claims (9)
1.一种多模态医学图像三维点云配准优化方法,其特征在于:包括以下步骤:
S1、获取人体MRI序列图像并进行去噪、增强操作;
S2、根据医学数字成像和通信DICOM信息从人体MRI序列图像自动提取一组点云数据作为粗配准的源点云;同时采用人工神经网络技术训练分割人体MRI序列图像,获取分割后的器官点云数据作为精配准的目标点云;
S3、使用电磁定位系统从人体MRI序列图像采集一组点云数据作为粗配准的目标点云;
S4、使用ICP迭代完成粗配准操作,获取粗配准变换系数;
S5、利用超声探头手动采集一组超声序列图像,并保存每帧超声序列图像四个顶点的三维坐标;
S6、通过每帧超声序列图像四个顶点的三维坐标重建超声体,获取超声体的点云数据作为精配准的源点云;
S7、使用ICP迭代完成精配准操作,获取精配准变换系数;
S8、通过粗配准变换系数与精配准变换系数来获取最终配准变换系数。
2.如权利要求1所述的多模态医学图像三维点云配准优化方法,其特征在于:所述步骤S1中采用高斯平滑滤波对人体MRI序列图像进行图像去噪操作,采取小波增强算法对人体MRI序列图像进行增强操作。
3.如权利要求2所述的多模态医学图像三维点云配准优化方法,其特征在于:所述步骤S2中,根据医学数字成像和通信DICOM信息中的病人位置信息,同时结合医学数字成像和通信DICOM信息中病人影像位置的Z轴坐标值,提取一组Z轴方向和X轴方向的点云数据作为粗配准的源点云。
4.如权利要求3所述的多模态医学图像三维点云配准优化方法,其特征在于:所述步骤S3具体包括以下步骤:
S31、将电磁定位系统与传感器连接,实时获取传感器的位置坐标;
S32、通过电磁定位系统的程序控制连续采集人体MRI序列图像中沿Z轴方向变化的点云数据和沿X轴方向变化的点云数据;
S33、将采集的点云数据保存作为粗配准的目标点云。
5.如权利要求4所述的多模态医学图像三维点云配准优化方法,其特征在于:所述步骤S4中,将粗配准的源点云与粗配准的目标点云用KNN树进行结构配对,确定粗配准源点云与粗配准目标点云的对应点对,然后基于ICP迭代完成粗配准操作,得到粗配准变换系数,粗配准变换系数包括粗配准旋转矩阵R和粗配准平移量T。
6.如权利要求5所述的多模态医学图像三维点云配准优化方法,其特征在于:所述步骤S5具体包括以下步骤:
S51、将电磁定位系统与传感器连接,并将传感器绑定在超声探头上;
S52、通过电磁定位系统的程序控制连续采集一组超声序列图像及每帧超声序列图像的四个顶点坐标并进行保存。
7.如权利要求6所述的多模态医学图像三维点云配准优化方法,其特征在于:所述步骤S6具体包括以下步骤:
S61、将步骤S5中采集的每帧超声序列图像四个顶点坐标通过坐标转换方式得到每帧超声序列图像每个像素对应的物理空间坐标,其坐标转换公式如下:
P=Q+uH+vK;
其中,(u,v)为超声序列图像的像素坐标,P为转换后的三维空间坐标,Q为超声序列图像四个顶点坐标中的左上顶点坐标,H为三维空间的x方向向量且H=(tr-tl)/|tr-tl|,K为三维空间的y方向向量且K=(bl-tl)/|bl-tl|;
S62、对每帧超声序列图像进行转换并得到其空间坐标,计算前后两帧图像相同像素位置对应的空间坐标,然后将该空间坐标转换为体像素位置来进行插值,得到重建后的超声体;
S63、将超声体进行三角网格化处理并进行平滑操作,下采样得到超声体点云数据作为精配准的源点云。
8.如权利要求7所述的多模态医学图像三维点云配准优化方法,其特征在于:所述步骤S7中,对精配准的目标点云、精配准的源点云分别进行下采样为原来的1/10,然后采用ICP迭代完成精配准操作,得到精配准变换系数;所述精配准变换系数包括精配准旋转矩阵R’和精配准平移量T’。
9.如权利要求8所述的多模态医学图像三维点云配准优化方法,其特征在于:所述步骤S8中,通过精配准变换系数与粗配准变换系数得到最终变换系数,最终变换系数包括最终旋转矩阵R0和最终平移量T0;其计算公式为:
R0=R’R,T0=R’T+T’。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111423063.4A CN114119549B (zh) | 2021-11-26 | 2021-11-26 | 一种多模态医学图像三维点云配准优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111423063.4A CN114119549B (zh) | 2021-11-26 | 2021-11-26 | 一种多模态医学图像三维点云配准优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114119549A true CN114119549A (zh) | 2022-03-01 |
CN114119549B CN114119549B (zh) | 2023-08-29 |
Family
ID=80370345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111423063.4A Active CN114119549B (zh) | 2021-11-26 | 2021-11-26 | 一种多模态医学图像三维点云配准优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114119549B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294124A (zh) * | 2022-10-08 | 2022-11-04 | 卡本(深圳)医疗器械有限公司 | 基于多模态医学图像配准的超声穿刺引导规划系统 |
CN115359063A (zh) * | 2022-10-24 | 2022-11-18 | 卡本(深圳)医疗器械有限公司 | 基于目标器官三维图像的刚性配准方法及相关装置 |
CN115462903A (zh) * | 2022-11-14 | 2022-12-13 | 卡本(深圳)医疗器械有限公司 | 一种基于磁导航的人体内外部传感器协同定位系统 |
CN116580068A (zh) * | 2023-06-25 | 2023-08-11 | 山东卓业医疗科技有限公司 | 一种基于点云配准的多模态医学配准方法 |
CN116580820A (zh) * | 2023-07-13 | 2023-08-11 | 卡本(深圳)医疗器械有限公司 | 基于多模态医学图像的经会阴前列腺穿刺智能麻醉系统 |
CN116725673A (zh) * | 2023-08-10 | 2023-09-12 | 卡本(深圳)医疗器械有限公司 | 基于三维重建与多模态医学图像配准的超声穿刺导航系统 |
CN117095033A (zh) * | 2023-07-25 | 2023-11-21 | 重庆邮电大学 | 一种基于图像与几何信息引导的多模态点云配准方法 |
CN117557601A (zh) * | 2023-09-26 | 2024-02-13 | 北京长木谷医疗科技股份有限公司 | 一种基于数字孪生的骨骼配准方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032565A1 (en) * | 2015-07-13 | 2017-02-02 | Shenzhen University | Three-dimensional facial reconstruction method and system |
CN108564605A (zh) * | 2018-04-09 | 2018-09-21 | 大连理工大学 | 一种三维测量点云优化配准方法 |
CN110264502A (zh) * | 2019-05-17 | 2019-09-20 | 华为技术有限公司 | 点云配准方法和装置 |
CN112150425A (zh) * | 2020-09-16 | 2020-12-29 | 北京工业大学 | 一种基于神经网络的无监督血管内超声图像配准方法 |
CN112907642A (zh) * | 2021-03-01 | 2021-06-04 | 沈阳蓝软智能医疗科技有限公司 | 术前ct或核磁图像与其术中对应病灶精确配准重合的方法、系统、存储介质及设备 |
-
2021
- 2021-11-26 CN CN202111423063.4A patent/CN114119549B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032565A1 (en) * | 2015-07-13 | 2017-02-02 | Shenzhen University | Three-dimensional facial reconstruction method and system |
CN108564605A (zh) * | 2018-04-09 | 2018-09-21 | 大连理工大学 | 一种三维测量点云优化配准方法 |
CN110264502A (zh) * | 2019-05-17 | 2019-09-20 | 华为技术有限公司 | 点云配准方法和装置 |
CN112150425A (zh) * | 2020-09-16 | 2020-12-29 | 北京工业大学 | 一种基于神经网络的无监督血管内超声图像配准方法 |
CN112907642A (zh) * | 2021-03-01 | 2021-06-04 | 沈阳蓝软智能医疗科技有限公司 | 术前ct或核磁图像与其术中对应病灶精确配准重合的方法、系统、存储介质及设备 |
Non-Patent Citations (1)
Title |
---|
张婧: "基于进化算法的图像配准", 《中国优秀硕士论文电子期刊网》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294124A (zh) * | 2022-10-08 | 2022-11-04 | 卡本(深圳)医疗器械有限公司 | 基于多模态医学图像配准的超声穿刺引导规划系统 |
CN115294124B (zh) * | 2022-10-08 | 2023-01-06 | 卡本(深圳)医疗器械有限公司 | 基于多模态医学图像配准的超声穿刺引导规划系统 |
CN115359063A (zh) * | 2022-10-24 | 2022-11-18 | 卡本(深圳)医疗器械有限公司 | 基于目标器官三维图像的刚性配准方法及相关装置 |
CN115359063B (zh) * | 2022-10-24 | 2023-01-10 | 卡本(深圳)医疗器械有限公司 | 基于目标器官三维图像的刚性配准方法及相关装置 |
CN115462903A (zh) * | 2022-11-14 | 2022-12-13 | 卡本(深圳)医疗器械有限公司 | 一种基于磁导航的人体内外部传感器协同定位系统 |
CN116580068B (zh) * | 2023-06-25 | 2023-11-07 | 山东卓业医疗科技有限公司 | 一种基于点云配准的多模态医学配准方法 |
CN116580068A (zh) * | 2023-06-25 | 2023-08-11 | 山东卓业医疗科技有限公司 | 一种基于点云配准的多模态医学配准方法 |
CN116580820A (zh) * | 2023-07-13 | 2023-08-11 | 卡本(深圳)医疗器械有限公司 | 基于多模态医学图像的经会阴前列腺穿刺智能麻醉系统 |
CN116580820B (zh) * | 2023-07-13 | 2023-12-22 | 卡本(深圳)医疗器械有限公司 | 基于多模态医学图像的经会阴前列腺穿刺智能麻醉系统 |
CN117095033A (zh) * | 2023-07-25 | 2023-11-21 | 重庆邮电大学 | 一种基于图像与几何信息引导的多模态点云配准方法 |
CN116725673A (zh) * | 2023-08-10 | 2023-09-12 | 卡本(深圳)医疗器械有限公司 | 基于三维重建与多模态医学图像配准的超声穿刺导航系统 |
CN116725673B (zh) * | 2023-08-10 | 2023-10-31 | 卡本(深圳)医疗器械有限公司 | 基于三维重建与多模态医学图像配准的超声穿刺导航系统 |
CN117557601A (zh) * | 2023-09-26 | 2024-02-13 | 北京长木谷医疗科技股份有限公司 | 一种基于数字孪生的骨骼配准方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114119549B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114119549B (zh) | 一种多模态医学图像三维点云配准优化方法 | |
JP5584441B2 (ja) | ボリュームデータ間の対応付け方法 | |
JP5335280B2 (ja) | 位置合わせ処理装置、位置合わせ方法、プログラム、及び記憶媒体 | |
CN110738701B (zh) | 一种肿瘤三维定位系统 | |
Wang et al. | A review of deformation models in medical image registration | |
JP4885138B2 (ja) | 一連の画像における動き修正のための方法およびシステム | |
CN112258514B (zh) | 一种ct影像肺血管的分割方法 | |
Kurazume et al. | 3D reconstruction of a femoral shape using a parametric model and two 2D fluoroscopic images | |
Patias | Medical imaging challenges photogrammetry | |
CN115830016A (zh) | 医学图像配准模型训练方法及设备 | |
Hacihaliloglu | Localization of bone surfaces from ultrasound data using local phase information and signal transmission maps | |
CN116363181A (zh) | 一种基于特征的ct图像和超声图像肝脏配准方法 | |
CN116612166A (zh) | 一种多模态影像的配准融合算法 | |
Schwab et al. | Multimodal medical image registration using particle swarm optimization with influence of the data's initial orientation | |
CN116363332A (zh) | 基于医学图像分割和特征匹配的前列腺超声矫正方法 | |
CN110705615A (zh) | 一种基于TV模型与GoogLeNet模型的甲状腺结节检测和分类方法 | |
WO2021213053A1 (zh) | 基于软组织表面形变估计组织内部目标运动的系统与方法 | |
Erdt et al. | Computer aided segmentation of kidneys using locally shape constrained deformable models on CT images | |
CN114782504A (zh) | 一种组织器官图像空间配准方法 | |
CN111402221B (zh) | 一种图像处理方法、装置及电子设备 | |
Roy et al. | MDL-IWS: multi-view deep learning with iterative watershed for pulmonary fissure segmentation | |
CN109872353B (zh) | 基于改进迭代最近点算法的白光数据与ct数据配准方法 | |
Qiu et al. | A despeckling method for ultrasound images utilizing content-aware prior and attention-driven techniques | |
Lu et al. | Three-dimensional multimodal image non-rigid registration and fusion in a high intensity focused ultrasound system | |
JP2022052210A (ja) | 情報処理装置、情報処理方法及びプログラム |
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 |