CN115082531A - 一种医学图像的生成方法、装置和存储介质 - Google Patents

一种医学图像的生成方法、装置和存储介质 Download PDF

Info

Publication number
CN115082531A
CN115082531A CN202110276264.XA CN202110276264A CN115082531A CN 115082531 A CN115082531 A CN 115082531A CN 202110276264 A CN202110276264 A CN 202110276264A CN 115082531 A CN115082531 A CN 115082531A
Authority
CN
China
Prior art keywords
dimensional
image
imaging
dimensional image
medical
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.)
Pending
Application number
CN202110276264.XA
Other languages
English (en)
Inventor
彭希帅
曹景泰
邹赟哲
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.)
Siemens Shanghai Medical Equipment Ltd
Original Assignee
Siemens Shanghai Medical Equipment 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 Siemens Shanghai Medical Equipment Ltd filed Critical Siemens Shanghai Medical Equipment Ltd
Priority to CN202110276264.XA priority Critical patent/CN115082531A/zh
Publication of CN115082531A publication Critical patent/CN115082531A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/10116—X-ray image
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施方式公开了一种医学图像的生成方法、装置和存储介质。方法包括：获取利用摄像组件拍摄成像对象所生成的三维图像；识别所述三维图像中的、位于所述成像对象的表面的预定关键点；基于所述预定关键点，将包含所述成像对象的内部结构的参考三维模型与所述三维图像配准；基于所述配准后的参考三维模型和所述三维图像，生成医学图像。在对成像对象执行医学成像处理之前，即能够生成包含成像对象的内部结构的医学图像。还可以基于医学图像便利地确定内部结构的位置信息，有利于医学成像应用。

Description

一种医学图像的生成方法、装置和存储介质
技术领域
本发明涉及医学成像技术领域，特别是涉及一种医学图像的生成方法、装置和存储介质。
背景技术
医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。它包含以下两个相对独立的研究方向：医学成像系统(Medical Imaging System)和医学图像处理(Medical Image Processing)。前者是指图像形成的过程，包括对成像机理、成像设备、成像系统分析等问题的研究；后者是指对已获得的图像作进一步的处理，包括：使原来不够清晰的图像复原；突出图像中的某些特征信息；对图像做模式分类，等等。
常见的医学成像系统包括X射线成像系统、电子计算机断层扫描(CT)系统和磁共振成像(MRI)系统，等等。诸多的医学成像技术既扩大了检查范围，还提高了诊断水平。
在现有技术中，需要利用医学成像系统生成包含成像对象的内部结构的医学图像。比如，在中国专利公开号CN105796052A中提到一种3D重构相片和内部医学扫描的联合可视化方案，其中就需要采用医学成像系统以扫描患者的内部区域。然而，人们期望更简便地得到包含成像对象的内部结构的医学图像。
发明内容
本发明实施方式提出一种医学图像的生成方法、装置、系统和存储介质。
本发明实施方式的技术方案包括：
一种医学图像的生成方法，包括：
获取利用摄像组件拍摄成像对象所生成的三维图像；
识别所述三维图像中的、位于所述成像对象的表面的预定关键点；
基于所述预定关键点，将包含所述成像对象的内部结构的参考三维模型与所述三维图像配准；
基于所述配准后的参考三维模型和所述三维图像，生成医学图像。
可见，在本发明实施方式中，无需对成像目标执行医学成像，即可以通过包含成像对象的内部结构的、配准后的参考三维模型和成像对象的三维图像共同生成医学图像。而且，本发明实施方式通过识别出的、成像对象表面的关键点将参考三维模型与三维图像配准，简化了图像配准过程。
在一个实施方式中，所述识别三维图像中的、位于所述成像对象的表面的预定关键点包括：
将所述三维图像输入关键点识别网络模型；
使能所述关键点识别网络模型识别所述三维图像中的、位于所述成像对象的表面的预定关键点。
因此，本发明实施方式通过关键点识别网络模型自动识别关键点，将人工智能技术引进到医学图像的生成过程中，提高了关键点的识别效率。
在一个实施方式中，还包括：
获取所述关键点识别网络模型的训练数据；
利用所述训练数据对预设的神经网络模型进行训练，其中当所述神经网络模型输出结果的准确率大于预定的阈值时，得到所述关键点识别网络模型。
可见，本发明实施方式基于神经网络模型训练出关键点识别网络模型，便于实施。
在一个实施方式中，所述基于预定关键点，将包含所述成像对象的内部结构的参考三维模型与所述三维图像配准包括：
检测所述参考三维模型中对应于所述预定关键点的特征点；
建立所述预定关键点与所述特征点的映射关系；
基于所述映射关系将所述参考三维模型与所述三维图像配准。
因此，本发明实施方式通过关键点与特征点之间的映射，简便地配准参考三维模型和三维图像。
在一个实施方式中，所述基于配准后的参考三维模型和所述三维图像，生成医学图像包括：
基于所述三维图像生成所述成像对象的二维图像；
基于所述配准后的参考三维模型生成配准后的参考二维图像；
生成包含所述成像对象的二维图像和所述配准后的参考二维图像的二维医学图像。
因此，本发明实施方式提出了一种新颖的二维医学图像，该二维医学图像既包含成像对象的二维图像，还包含成像对象的二维内部结构。
在一个实施方式中，所述基于配准后的参考三维模型和所述三维图像，生成医学图像包括：
生成包含所述配准后的参考三维模型和所述三维图像的三维医学图像。
因此，本发明实施方式提出了一种新颖的三维医学图像，该三维医学图像既包含成像对象的三维图像，还包含成像对象的三维内部结构。
在一个实施方式中，还包括：
确定所述摄像组件的坐标系到X射线发生组件的坐标系的转换矩阵；
基于所述预定关键点在所述摄像组件的坐标系中的三维坐标以及所述转换矩阵，确定所述三维医学图像中的已选中像素点在所述X射线发生组件的坐标系中的三维坐标。
可见，本发明实施方式可以确定三维医学图像中的已选中像素点在X射线发生组件的坐标系中的三维坐标，可以便利地确定内部结构中的任意像素点的位置信息，有助于后续的医学成像应用(比如，X射线成像中的自动曝光剂量控制或束光器的自动规划，等等)。
在一个实施方式中，所述内部结构包含一或多个子区域；该方法还包括：
确定对应于X射线成像协议的子区域；
在所述医学图像中标识出所述对应于X射线成像协议的子区域；
确定真实三维空间中的、对应于标识出的所述子区域的X射线照射区域；
将所述X射线发生组件移动到对应于所述X射线照射区域的位置；
激励所述X射线发生组件发出透过所述X射线照射区域的X射线。
因此，可以利用医学图像中标识出的子区域确定出X射线照射区域，并控制X射线发生组件移动到透过X射线照射区域的恰当位置。
在一个实施方式中，所述参考三维模型包括下列中的至少一个：
利用医学成像系统对所述成像对象执行医学成像所生成的三维图像模型；
利用医学成像系统对不同于所述成像对象的其他成像对象执行医学成像所生成的三维图像模型；
基于计算机辅助三维建模技术生成的三维图像虚拟模型。
可见，参考三维模型既可以实施为真实的三维图像模型，还可以实施为虚拟的三维图像模型，具有多种实施方式。
一种医学图像的生成装置，包括：
获取模块，用于获取利用摄像组件拍摄成像对象所生成的三维图像；
识别模块，用于识别所述三维图像中的、位于所述成像对象的表面的预定关键点；
配准模块，用于基于所述预定关键点，将包含所述成像对象的内部结构的参考三维模型与所述三维图像配准；
生成模块，用于基于所述配准后的参考三维模型和所述三维图像，生成医学图像。
可见，在本发明实施方式中，无需对成像目标执行医学成像，即可以通过包含成像对象的内部结构的、配准后的参考三维模型和成像对象的三维图像共同生成医学图像。而且，本发明实施方式通过识别出的、成像对象表面的关键点将参考三维模型与三维图像配准，简化了图像配准过程。
在一个实施方式中，所述识别模块，用于将所述三维图像输入关键点识别网络模型；使能所述关键点识别网络模型识别所述三维图像中的、位于所述成像对象的表面的预定关键点。
因此，本发明实施方式通过关键点识别网络模型自动识别关键点，将人工智能技术引进到医学图像的生成过程中，提高了关键点的识别效率。
在一个实施方式中，还包括：训练模块，用于获取所述关键点识别网络模型的训练数据；利用所述训练数据对预设的神经网络模型进行训练，其中当所述神经网络模型输出结果的准确率大于预定的阈值时，得到所述关键点识别网络模型。
可见，本发明实施方式基于神经网络模型训练出关键点识别网络模型，便于实施。
在一个实施方式中，所述配准模块，用于检测所述参考三维模型中对应于所述预定关键点的特征点；建立所述预定关键点与所述特征点的映射关系；基于所述映射关系将所述参考三维模型与所述三维图像配准。
因此，本发明实施方式通过关键点与特征点之间的映射，简便地配准参考三维模型和三维图像。
在一个实施方式中，所述生成模块，用于基于所述三维图像生成所述成像对象的二维图像；基于所述配准后的参考三维模型生成配准后的参考二维图像；生成包含所述成像对象的二维图像和所述配准后的参考二维图像的二维医学图像。
因此，本发明实施方式提出了一种新颖的二维医学图像，该二维医学图像既包含成像对象的二维图像，还包含成像对象的二维内部结构。
在一个实施方式中，所述生成模块，用于生成包含所述配准后的参考三维模型和所述三维图像的三维医学图像。
因此，本发明实施方式提出了一种新颖的三维医学图像，该三维医学图像既包含成像对象的三维图像，还包含成像对象的三维内部结构。
在一个实施方式中，还包括：转换模块，用于确定所述摄像组件的坐标系到X射线发生组件的坐标系的转换矩阵；基于所述预定关键点在所述摄像组件的坐标系中的三维坐标以及所述转换矩阵，确定所述三维医学图像中的已选中像素点在所述X射线发生组件的坐标系中的三维坐标。
可见，本发明实施方式可以确定三维医学图像中的已选中像素点在X射线发生组件的坐标系中的三维坐标，可以便利地确定内部结构中的任意像素点的位置信息，有助于后续的医学成像应用。
在一个实施方式中，所述内部结构包含一或多个子区域；该装置还包括：
移动模块，用于确定对应于X射线成像协议的子区域；在所述医学图像中标识出所述子区域；确定真实三维空间中的、对应于标识出的所述子区域的X射线照射区域；将所述X射线发生组件移动到对应于所述X射线照射区域的位置；激励所述X射线发生组件发出透过所述X射线照射区域的X射线。
因此，可以利用医学图像中标识出的子区域确定出X射线照射区域，并控制X射线发生组件移动到透过X射线照射区域的恰当位置。
一种医学图像的生成装置，包括处理器和存储器；
所述存储器中存储有可被所述处理器执行的应用程序，用于使得所述处理器执行如上任一种所述的医学图像的生成方法。
因此，本发明实施方式还提出了处理器-存储器架构的、医学图像的生成装置，无需对成像目标执行医学成像，即可以通过包含成像对象的内部结构的、配准后的参考三维模型和成像对象的三维图像共同生成医学图像。而且，本发明实施方式通过识别出的、成像对象表面的关键点将参考三维模型与三维图像配准，简化了图像配准过程。
一种计算机可读存储介质，其中存储有计算机可读指令，该计算机可读指令用于执行如上任一种所述的医学图像的生成方法。
因此，本发明实施方式还提出了包含计算机可读指令的计算机可读存储介质，无需对成像目标执行医学成像，即可以通过包含成像对象的内部结构的、配准后的参考三维模型和成像对象的三维图像共同生成医学图像。而且，本发明实施方式通过识别出的、成像对象表面的关键点将参考三维模型与三维图像配准，简化了图像配准过程。
附图说明
图1为根据本发明实施方式医学图像的生成方法的流程图。
图2为根据本发明实施方式的医学图像的示范性示意图。
图3为根据本发明实施方式医学图像的生成过程的示范性示意图。
图4为根据本发明实施方式在X射线成像系统的检查床模式中应用医学图像的示范性示意图。
图5为根据本发明实施方式在X射线成像系统的胸片架模式中应用医学图像的示范性示意图。
图6为根据本发明实施方式医学图像的生成装置的结构图。
图7为根据本发明实施方式具有存储器-处理器架构的、医学图像的生成装置的结构图。
其中，附图标记如下：
Figure BDA0002976757000000051
Figure BDA0002976757000000061
具体实施方式
为了使本发明的技术方案及优点更加清楚明白，以下结合附图及实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以阐述性说明本发明，并不用于限定本发明的保护范围。
为了描述上的简洁和直观，下文通过描述若干代表性的实施方式来对本发明的方案进行阐述。实施方式中大量的细节仅用于帮助理解本发明的方案。但是很明显，本发明的技术方案实现时可以不局限于这些细节。为了避免不必要地模糊了本发明的方案，一些实施方式没有进行细致地描述，而是仅给出了框架。下文中，“包括”是指“包括但不限于”，“根据……”是指“至少根据……，但不限于仅根据……”。由于汉语的语言习惯，下文中没有特别指出一个成分的数量时，意味着该成分可以是一个也可以是多个，或可理解为至少一个。
考虑到现有技术中需要利用医学成像系统生成包含成像对象的内部结构的医学图像的缺陷，本发明实施方式提出一种新颖的医学图像生成方案。在本发明实施方式中，基于成像对象的三维图像和包含成像对象的内部结构的参考三维模型共同生成医学图像。因此，无需对成像对象执行医学成像，即能够生成包含成像对象的内部结构的医学图像。还可以基于医学图像便利地确定内部结构的位置信息，有利于后续的医学成像应用。
在一个实施方式中，该医学图像既可以包含成像对象的二维或三维的内部结构(比如位于人体内部的骨骼和软组织)，还可以包含成像目标的拍摄图像(比如二维图像或三维图像)，从而可以丰富图像中的信息内容，还有利于阅片者多维度地掌握成像对象的诸多信息。
图1为根据本发明实施方式医学图像的生成方法的流程图。优选地，可以由控制器执行图1所示方法。其中，该控制器可以实施为或被集成到医学成像系统的控制主机，还可以实施为与控制主机相独立的控制单元。
如图1所示，该方法包括：
步骤101：获取利用摄像组件拍摄成像对象所生成的三维图像。
在一个实施方式中，拍摄组件包括至少一个三维照相机。该三维照相机利用三维成像技术拍摄成像对象以生成成像对象的三维图像。三维照相机可以布置在成像对象所处的检查室中、适于拍摄成像对象的任意位置处，比如天花板上、地板上或医学成像系统中的各种组件上，等等。
在一个实施方式中，拍摄组件包括至少两个二维照相机，其中每个二维照相机分别布置在预定位置。实践中，本领域的技术人员可以根据需要选择合适的位置作为预定位置来布置二维照相机。拍摄组件中可以进一步包括处理器。处理器将各个二维照相机所拍摄出的二维图像合成为成像对象的三维图像，其中处理器在合成中采用的景深可以为任意的二维图像的景深。可选地，每个二维照相机可以将各自拍摄出的二维图像发送到拍摄组件之外的处理器，以由拍摄组件之外的处理器将各个二维照相机所拍摄出的二维图像合成为成像对象的三维图像，其中拍摄组件之外的处理器在合成过程中采用的景深，同样可以为任意的二维图像的景深。具体地，拍摄组件之外的处理器可以实施为医学成像系统中的控制主机，还可以实施为与医学成像系统分立的独立控制单元。每个二维照相机可以布置在成像对象所处的检查室中、适于拍摄成像对象的任意位置处，比如天花板上、地板上或医学成像系统中的各种组件上，等等。
在一个实施方式中，拍摄组件可以包括：至少一个二维照相机及至少一个景深传感器。至少一个二维照相机及至少一个景深传感器装设于相同位置处。拍摄组件中可以进一步包括处理器。处理器利用景深传感器提供的景深与二维照相机提供的二维照片，共同生成成像对象的三维图像。可选地，二维照相机将所拍摄出的成像对象的二维图像发送到拍摄组件之外的处理器，景深传感器将采集的景深发送到该拍摄组件之外的处理器，以由该拍摄组件之外的处理器利用该景深与二维照片共同生成成像对象的三维图像。优选地，拍摄组件之外的处理器可以实施为医学成像系统中的控制主机，还可以实施为与医学成像系统分立的独立控制单元。该二维照相机可以布置在成像对象所处的检查室中、任意适于拍摄成像对象的位置处，比如天花板上、地板上或医学成像系统中的各种组件上，等等。
以上示范性描述了摄像组件拍摄成像对象以生成三维图像的典型实例，本领域技术人员可以意识到，这种描述仅是示范性的，并不用于限定本发明实施方式的保护范围。
步骤102：识别三维图像中的、位于成像对象的表面的预定关键点。
在这里，预定关键点为预先确定的、成像对象表面上的特征点。比如，预定关键点可以为成像目标的左肩、右肩、左耳、右耳、左臀尖和右臀尖，等等。
比如，可以利用尺度不变特征变换(SIFT)算法、加速稳健特征(SURF)算法或ORB算法等特征点提取算法，识别出三维图像中的、位于成像对象的表面的预定关键点。优选地，采用人工智能方式自动识别三维图像中的、位于成像对象的表面的预定关键点，从而将人工智能技术引进到医学图像的生成过程中，以提高关键点识别效率。
在一个实施方式中，步骤102具体包括：将三维图像输入关键点识别网络模型；使能关键点识别网络模型识别三维图像中的、位于成像对象的表面的预定关键点。
在一个实施方式中，该方法100还包括生成关键点识别网络模型的过程。该过程具体包括：获取关键点识别网络模型的训练数据；利用训练数据对预设的神经网络模型进行训练，其中当神经网络模型输出结果的准确率大于预定的阈值时，得到关键点识别网络模型。具体地，神经网络模型可以实施为：前馈神经网络模型、径向基神经网络模型、长短期记忆(LSTM)网络模型、回声状态网络(ESN)、门循环单元(GRU)网络模型或深度残差网络模型，等等。
以上示范性描述了神经网络模型的典型实施例，本领域技术人员可以意识到，这种描述仅是示范性的，并不用于限定本发明实施方式的保护范围。
步骤103：基于预定关键点，将包含成像对象的内部结构的参考三维模型与三维图像配准(registration)。
在一个实施方式中，参考三维模型包括下列中的至少一个：
(1)、利用医学成像系统对步骤101中的成像对象执行医学成像所生成的三维图像模型。
比如，查询历史数据库，以查询出医学成像系统历史上的、对步骤101中的成像对象执行医学成像所生成的三维图像模型。举例：假定X射线成像的成像对象为张三，在对张三执行X射线成像之前，查询历史上针对张三执行CT成像所生成的三维图像模型。
(2)、利用医学成像系统对不同于步骤101中的成像对象的其他成像对象执行医学成像所生成的三维图像模型。
比如，查询历史数据库，以查询出医学成像系统历史上的、对不同于步骤101中的成像对象的成像对象执行医学成像所生成的三维图像模型。举例，假定X射线成像的成像对象为张三，在对张三执行X射线成像之前，查询历史上针对李四执行CT成像所生成的三维图像模型。
(3)、基于计算机辅助三维建模技术生成的、步骤101中的成像对象所属种类的三维图像虚拟模型。比如，举例，假定X射线成像的成像对象为张三，在对张三执行X射线成像之前，基于计算机辅助三维建模技术生产标准人的三维图像虚拟模型。
可见，参考三维模型既可以实施为真实的三维图像模型，还可以实施为虚拟的三维图像模型，具有多种实施方式。
图像配准(Image registration)是将参考三维模型与三维图像进行匹配、叠加的过程。具体地，图像配准过程包括：检测参考三维模型中对应于预定关键点的特征点；建立预定关键点与特征点的映射关系；基于映射关系将参考三维模型与三维图像配准。
步骤104：基于配准后的参考三维模型和三维图像，生成医学图像。
优选地，基于配准后的参考三维模型和三维图像，以增强现实方式生成医学图像。
在一个实施方式中，步骤104包括：基于三维图像生成成像对象的二维图像；基于配准后的参考三维模型生成配准后的参考二维图像；生成包含成像对象的二维图像和配准后的参考二维图像的二维医学图像。
比如，可以首先将三维图像投影到预定的投影面以形成第一张二维图像(即参考二维图像)，再将配准后的参考三维模型投影到该投影面以形成第二张二维图像(即配准后的参考二维图像)，然后将第一张二维图像与第二张二维图像叠加，即形成包含成像对象的二维图像和配准后的参考二维图像的二维医学图像。
在这里，基于三维图像生成成像对象的二维图像包括：利用三维图像，获取成像对象变换到预定的第一角度的二维图像。其中，第一角度优选为可设置的。比如，用户可以经过人机交互界面编辑第一角度。具体地，基于三维图像生成成像对象变换到第一角度的二维图像包括：展示三维图像；在三维图像中以第一角度旋转(举例，可以沿着三维图像的三维坐标系中的任意轴旋转)成像对象；将旋转后的三维图像投影到预定的投影面中，从而形成二维图像。优选地，投影出的二维图像为彩色图像。该投影面通常为可设置的。比如，用户可以经过交互界面设置该投影面。
类似地，基于配准后的参考三维模型生成配准后的参考二维图像包括：利用配准后的参考三维模型，获取成像对象的内部结构变换到预定的第二角度的参考二维图像。其中，该第二角度优选为可设置的，通常与上述的第一角度是相同的。比如，用户可以经过人机交互界面编辑第二角度。在一个实施方式中，基于配准后的参考三维模型生成内部结构变换到第二角度的参考二维图像包括：展示配准后的参考三维模型；在配准后的参考三维模型中以第二角度旋转(举例，可以沿着配准后的参考三维模型的三维坐标系中的任意轴旋转)内部结构；将旋转后的三维图像投影到预定的投影面中，从而形成配准后的参考二维图像。优选地，投影出的参考二维图像为黑白图像。优选地，投影面为可设置的。比如，用户可以经过交互界面设置该投影面。
可见，本发明实施方式提出了一种新颖的二维医学图像，既包含成像对象的二维图像，还包含成像对象的二维内部结构。
在一个实施方式中，步骤104包括：生成包含配准后的参考三维模型和三维图像的三维医学图像。可见，本发明实施方式提出了一种新颖的三维医学图像，既包含成像对象的三维图像，还包含成像对象的三维内部结构。
在一个实施方式中，该方法100还包括：确定摄像组件的坐标系到X射线发生组件的坐标系的转换矩阵；基于预定关键点在摄像组件的坐标系中的三维坐标以及转换矩阵，确定三维医学图像中的已选中像素点在X射线发生组件的坐标系中的三维坐标。
可见，本发明实施方式可以确定三维医学图像中的已选中像素点在X射线发生组件的坐标系中的三维坐标，可以便利地确定内部结构中的任意像素点的位置信息，有助于后续的医学成像应用。具体地，医学成像应用包括：X射线成像系统中的应用；放射性核素成像系统中的应用；超声成像系统中的应用；磁共振成像系统中的应用，等等。
比如，在X射线胸部成像的束光器自动规划应用中，首先在三维医学图像中选定T7颈椎范围内的像素点，然后根据肩关键点在摄像组件的坐标系中的三维坐标、T7颈椎范围内的像素点与肩关键点的相对位置以及转换矩阵，确定出T7颈椎范围内的像素点在X射线发生组件的坐标系中的三维坐标，再基于T7颈椎范围内的像素点在X射线发生组件的坐标系中的三维坐标规划束光器的中心点、宽高和TOD值等参数。
再比如，还可以将本发明的医学图像应用到X射线成像系统中，以控制X射线发生组件移动。
在一个实施方式中，内部结构包含一或多个子区域；该方法还包括：确定对应于X射线成像协议的子区域；在医学图像中标识出对应于X射线成像协议的子区域；确定真实三维空间中的、对应于标识出的子区域的X射线照射区域；将X射线发生组件移动到对应于X射线照射区域的位置；激励X射线发生组件发出透过所述X射线照射区域的X射线。参考三维模型中的内部结构包含多个骨骼和软组织，可以将属于相同骨骼或相同软组织的像素点归属于同一个子区域。比如，子区域可以包括左肩区域、右肩区域、胸腔区域、脊椎区域，左耳区域、右耳区域，等等。
因此，可以利用医学图像中标识出的子区域确定出X射线照射区域，并控制X射线发生组件移动到透过X射线照射区域的恰当位置。
图2为根据本发明实施方式的医学图像的示范性示意图。
在图2中，二维医学图像30包括成像对象的二维图像10以及参考二维图像20。其中：成像对象的二维图像10是对摄像组件拍摄成像对象所生成的三维图像执行二维化(即将三维图像投影到预定的投影面)后所形成的二维图像。参考二维图像20是对包含成像对象的内部结构的、已与三维图像配准的参考三维模型执行二维化(即将参考三维模型投影到该相同的投影面)后所形成的二维图像。由于参考三维模型与三维图像配准，且这两个二维化过程中的投影面相同，因此成像对象的二维图像10与参考二维图像20获得配准。
而且，在二维医学图像30中标识出三个子区域，分别为：左肩区域21、右肩区域22和胸腔区域23。在胸腔区域23的上边缘进一步标识出标签框24，在标签框24中可以展示提示字符，比如“胸腔”，以便于用户识别胸腔区域23。优选地，用户可以基于拖拽缩放等操作改变每个标识出的子区域的形状和位置。
可以将本发明实施方式的医学图像封装为便于医学影像信息交换的医学数字成像和通信(Digital Imaging and Communications in Medicine，DICOM)文件。比如，可以将DICOM文件发送到图像管理与通信系统(PACS)进行各种处理分析。
图3为根据本发明实施方式医学图像的生成过程的示范性示意图。
在图3中，摄像组件41拍摄成像对象的二维图像(通常为RGB数据)和景深信息，并在三维图像重建过程42中基于二维图像和景深信息生成成像对象的三维图像。然后，利用人工智能算法43提取出三维图像表面的预定关键点，再利用配准算法44将参考三维模型与三维图像配准，以得到配准后的参考三维模型45。接着，可以结合配准后的参考三维模型45和三维图像重建过程所生成的三维图像，利用增强现实处理47实现增强展示。
可见，本发明实施方式无需对成像目标执行医学成像，通过包含成像对象的内部结构的、配准后的参考三维模型和成像对象的三维图像，可以共同生成三维医学图像或二维医学图像。其中：
(1)、二维医学图像便于用户了解成像对象的二维内部结构。
(2)、基于三维医学图像可以确定已选中像素点在X射线发生组件的坐标系中的三维坐标，从而可以便利地确定内部结构中的任意像素点的位置信息，有助于后续的医学成像应用。比如，可以利用三维医学图像确定选中区域的位置信息，以帮助X射线成像中的自动曝光剂量控制或束光器的自动规划，等等。
下面以X射线成像为例，对基于本发明实施方式的医学图像的具体应用进行举例说明。
X射线成像系统通常包括：X射线发生组件、平板探测器、胸片架(BWS)组件和/或检查床(Table)组件和工作站。成像对象站立在胸片架组件附近或躺在检查床组件上，可以接受头颅、胸部、腹部以及关节等各部位的X射线摄影。
图4为根据本发明实施方式在X射线成像系统的检查床模式中应用医学图像的示范性示意图。
在图4中，包含X射线管71和束光器72的X射线发生组件，经由支撑件与伸缩管套78连接，伸缩管套78连接到天花板70。而且，在天花板70上的不同位置处还固定有两个二维相机，分别为二维相机73和二维相机74，其中二维相机73和二维相机74的拍摄方向都朝向检查床组件76上的成像对象75。检查床组件76中还布置有平板探测器90。
控制主机60可以为设置在本地控制室中的控制主机，也可以为远程控制主机，如处于云端的控制主机等。
二维相机73和二维相机74分别拍摄成像对象75以获取各自的拍摄图像。二维相机73和二维相机74经由与控制主机60之间的有线或无线通信方式，将各自拍摄的图像发送到控制主机60。控制主机60基于偏振三维成像方式将二维相机73和二维相机74拍摄的图像重构为成像对象75的三维图像。控制主机60中的关键点识别网络模型识别三维图像中的、位于成像对象75的表面的预定关键点。控制主机60基于识别出的预定关键点，将包含成像对象75的内部结构的参考三维模型与三维图像配准，生成包含配准后的参考三维模型和三维图像的三维医学图像，并在显示界面上展示三维医学图像。假定控制主机60期望执行胸腔成像协议，在三维医学图像中标识出成像目标75的胸腔子区域。对于胸腔子区域中的每个像素点，可以确定出其在X射线发生组件的坐标系中的三维坐标。因此，可以基于胸腔子区域在X射线发生组件的坐标系中的三维坐标范围，确定真实三维空间中的、对应于标识出的胸腔子区域的X射线照射区域。控制主机60控制将X射线发生组件移动到对应于X射线照射区域的位置，并激励X射线发生组件发出透过X射线照射区域的X射线。
在图4中，二维相机73和二维相机74分别布置在天花板70上的不同位置处。实际上，二维相机73和二维相机74中的任一个，都可以布置在检查室内适于拍摄成像对象75的任意位置处。比如。二维相机73和二维相机74中的任一个，可以布置在束光器72外壳上的安装位81处或布置在伸缩管套78外壳上的安装位80处。
图5为根据本发明实施方式在X射线成像系统的胸片架模式中应用医学图像的示范性示意图。
在图5中，包含X射线管71和束光器72的X射线发生组件经由支撑件连接到立柱83。成像对象75站立在胸片架组件78附近。而且，在天花板70上固定有二维相机73，在立柱83上固定有二维相机74，其中二维相机73和二维相机74的拍摄方向都朝向胸片架组件78附近的成像对象75。胸片架组件78中还布置有平板探测器90。
控制主机60可以为设置在本地控制室中的控制主机，也可以为远程控制主机，如处于云端的控制主机等。
二维相机73和二维相机74分别拍摄成像对象75以获取各自的拍摄图像。二维相机73和二维相机74经由与控制主机60之间的有线或无线通信方式，将各自拍摄的图像发送到控制主机60。控制主机60基于偏振三维成像方式将二维相机73和二维相机74拍摄的图像重构为成像对象75的三维图像。控制主机60中的关键点识别网络模型识别三维图像中的、位于成像对象75的表面的预定关键点。控制主机60基于识别出的预定关键点，将包含成像对象75的内部结构的参考三维模型与三维图像配准，生成包含配准后的参考三维模型和三维图像的三维医学图像，并在显示界面上展示三维医学图像。假定控制主机60期望执行脊椎成像协议，在三维医学图像中标识出成像目标75的脊椎子区域。对于脊椎子区域的每个像素点，可以确定出其在X射线发生组件的坐标系中的三维坐标。因此，可以基于脊椎子区域在X射线发生组件的坐标系中的三维坐标范围，确定真实三维空间中的、对应于标识出的脊椎子区域的X射线照射区域。控制主机60控制将X射线发生组件移动到对应于X射线照射区域的位置，并激励X射线发生组件发出透过X射线照射区域的X射线。
在图5中，二维相机73和二维相机74分别布置在天花板70处和立柱83上。实际上，二维相机73和二维相机74中的任一个，都可以布置在检查室内适于拍摄成像对象75的任意位置处。比如。二维相机73和二维相机74中的任一个，还可以布置在束光器72外壳上的安装位82处或地板77上的安装位84处。
以上以X射线成像系统为例，对医学图像的生成方式和医学图像的具体应用进行了示范性描述。本领域技术人员可以意识到，这种描述仅是示范性的，并不用于限定本发明实施方式的保护范围。
基于上述描述，本发明实施方式还提出了医学图像的生成装置。图6为根据本发明实施方式医学图像的生成装置的结构图。
如图6所示，医学图像的生成装置600包括：获取模块601，用于获取利用摄像组件拍摄成像对象所生成的三维图像；识别模块602，用于识别三维图像中的、位于成像对象的表面的预定关键点；配准模块603，用于基于预定关键点，将包含成像对象的内部结构的参考三维模型与三维图像配准；生成模块604，用于基于配准后的参考三维模型和三维图像，生成医学图像。
在一个实施方式中，识别模块602，用于将三维图像输入关键点识别网络模型；使能关键点识别网络模型识别三维图像中的、位于成像对象的表面的预定关键点。
在一个实施方式中，还包括：训练模块605，用于获取关键点识别网络模型的训练数据；利用训练数据对预设的神经网络模型进行训练，其中当神经网络模型输出结果的准确率大于预定的阈值时，得到关键点识别网络模型。
在一个实施方式中，配准模块603，用于检测参考三维模型中对应于预定关键点的特征点；建立预定关键点与特征点的映射关系；基于映射关系将参考三维模型与所述三维图像配准。
在一个实施方式中，生成模块604，用于基于三维图像生成成像对象的二维图像；基于配准后的参考三维模型生成配准后的参考二维图像；生成包含成像对象的二维图像和配准后的参考二维图像的二维医学图像。
在一个实施方式中，生成模块604，用于生成包含配准后的参考三维模型和三维图像的三维医学图像。
在一个实施方式中，还包括：转换模块606，用于确定摄像组件的坐标系到X射线发生组件的坐标系的转换矩阵；基于预定关键点在摄像组件的坐标系中的三维坐标以及转换矩阵，确定三维医学图像中的已选中像素点在X射线发生组件的坐标系中的三维坐标。
在一个实施方式中，内部结构包含一或多个子区域；该装置600还包括：移动模块607，用于确定对应于X射线成像协议的子区域；在医学图像中标识出对应于X射线成像协议的子区域；确定真实三维空间中的、对应于标识出的子区域的X射线照射区域；将X射线发生组件移动到对应于X射线照射区域的位置；激励X射线发生组件发出透过X射线照射区域的X射线。
基于上述描述，本发明实施方式还提出了医学图像的生成系统。医学图像的生成系统包括：参考三维模型数据库，用于保存包含成像对象的内部结构的参考三维模型；拍摄组件，用于拍摄成像对象以生成三维图像；处理器，用于从参考三维模型数据库中获取利用摄像组件拍摄成像对象所生成的三维图像；识别所述三维图像中的、位于成像对象的表面的预定关键点；基于预定关键点，将包含成像对象的内部结构的参考三维模型与三维图像配准；基于配准后的参考三维模型和三维图像，生成医学图像。
在一个实施方式中，拍摄组件包括：至少一个三维照相机。在一个实施方式中，拍摄组件包括：至少两个二维照相机和处理器，其中每个二维照相机分别布置在预定位置；处理器将至少两个二维照相机所拍摄出的至少两个二维图像合成为成像对象的三维图像，其中在合成中采用的景深为所述至少两个二维图像中的任一个二维图像的景深。优选地，处理器与任一个二维照相机集成为一体。在一个实施方式中，拍摄组件包括：至少一个二维照相机、至少一个景深传感器和处理器，其中至少一个三维照相机及至少一个景深传感器装设于相同位置处；处理器利用至少一个景深传感器提供的至少一个景深与至少一个二维照相机提供的至少一个二维照片，共同生成成像对象的三维图像。优选地，处理器与至少一个二维照相机集成为一体，或与景深传感器集成为一体。
图7为根据本发明实施方式具有存储器-处理器架构的、医学图像的生成装置的结构图。
如图7所示，医学图像的生成装置700包括处理器701、存储器702及存储在存储器702上并可在处理器701上运行的计算机程序，计算机程序被处理器701执行时实现如上任一项的医学图像的生成方法。其中，存储器702具体可以实施为电可擦可编程只读存储器(EEPROM)、快闪存储器(Flash memory)、可编程程序只读存储器(PROM)等多种存储介质。处理器701可以实施为包括一或多个中央处理器或一或多个现场可编程门阵列，其中现场可编程门阵列集成一或多个中央处理器核。具体地，中央处理器或中央处理器核可以实施为CPU或MCU或DSP等等。
需要说明的是，上述各流程和各结构图中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。各模块的划分仅仅是为了便于描述采用的功能上的划分，实际实现时，一个模块可以分由多个模块实现，多个模块的功能也可以由同一个模块实现，这些模块可以位于同一个设备中，也可以位于不同的设备中。
各实施方式中的硬件模块可以以机械方式或电子方式实现。例如，一个硬件模块可以包括专门设计的永久性电路或逻辑器件(如专用处理器，如FPGA或ASIC)用于完成特定的操作。硬件模块也可以包括由软件临时配置的可编程逻辑器件或电路(如包括通用处理器或其它可编程处理器)用于执行特定操作。至于具体采用机械方式，或是采用专用的永久性电路，或是采用临时配置的电路(如由软件进行配置)来实现硬件模块，可以根据成本和时间上的考虑来决定。
本发明还提供了一种机器可读的存储介质，存储用于使一机器执行如本文所述方法的指令。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施方式的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。此外，还可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作。还可以将从存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作，从而实现上述实施方式中任一实施方式的功能。用于提供程序代码的存储介质实施方式包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机或云上下载程序代码。
以上所述，仅为本发明的较佳实施方式而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，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。

Claims (19)

1.一种医学图像的生成方法(100)，其特征在于，包括：
获取利用摄像组件拍摄成像对象所生成的三维图像(101)；
识别所述三维图像中的、位于所述成像对象的表面的预定关键点(102)；
基于所述预定关键点，将包含所述成像对象的内部结构的参考三维模型与所述三维图像配准(103)；
基于所述配准后的参考三维模型和所述三维图像，生成医学图像(104)。
2.根据权利要求1所述的医学图像的生成方法(100)，其特征在于，所述识别三维图像中的、位于所述成像对象的表面的预定关键点(102)包括：
将所述三维图像输入关键点识别网络模型；
使能所述关键点识别网络模型识别所述三维图像中的、位于所述成像对象的表面的预定关键点。
3.根据权利要求2所述的医学图像的生成方法(100)，其特征在于，还包括：
获取所述关键点识别网络模型的训练数据；
利用所述训练数据对预设的神经网络模型进行训练，其中当所述神经网络模型输出结果的准确率大于预定的阈值时，得到所述关键点识别网络模型。
4.根据权利要求1所述的医学图像的生成方法(100)，其特征在于，
所述基于预定关键点，将包含所述成像对象的内部结构的参考三维模型与所述三维图像配准(103)包括：
检测所述参考三维模型中对应于所述预定关键点的特征点；
建立所述预定关键点与所述特征点的映射关系；
基于所述映射关系将所述参考三维模型与所述三维图像配准。
5.根据权利要求1所述的医学图像的生成方法(100)，其特征在于，
所述基于配准后的参考三维模型和所述三维图像，生成医学图像(104)包括：
基于所述三维图像生成所述成像对象的二维图像；
基于所述配准后的参考三维模型生成配准后的参考二维图像；
生成包含所述成像对象的二维图像和所述配准后的参考二维图像的二维医学图像。
6.根据权利要求1所述的医学图像的生成方法(100)，其特征在于，
所述基于配准后的参考三维模型和所述三维图像，生成医学图像(104)包括：
生成包含所述配准后的参考三维模型和所述三维图像的三维医学图像。
7.根据权利要求6所述的医学图像的生成方法(100)，其特征在于，还包括：
确定所述摄像组件的坐标系到X射线发生组件的坐标系的转换矩阵；
基于所述预定关键点在所述摄像组件的坐标系中的三维坐标以及所述转换矩阵，确定所述三维医学图像中的已选中像素点在所述X射线发生组件的坐标系中的三维坐标。
8.根据权利要求1所述的医学图像的生成方法(100)，其特征在于，所述内部结构包含一或多个子区域；该方法还包括：
确定对应于X射线成像协议的子区域；
在所述医学图像中标识出所述对应于X射线成像协议的子区域；
确定真实三维空间中的、对应于标识出的所述子区域的X射线照射区域；
将所述X射线发生组件移动到对应于所述X射线照射区域的位置；
激励所述X射线发生组件发出透过所述X射线照射区域的X射线。
9.根据权利要求1-8中任一项所述的医学图像的生成方法(100)，其特征在于，
所述参考三维模型包括下列中的至少一个：
利用医学成像系统对所述成像对象执行医学成像所生成的三维图像模型；
利用医学成像系统对不同于所述成像对象的其他成像对象执行医学成像所生成的三维图像模型；
基于计算机辅助三维建模技术生成的三维图像虚拟模型。
10.一种医学图像的生成装置(600)，其特征在于，包括：
获取模块(601)，用于获取利用摄像组件拍摄成像对象所生成的三维图像；
识别模块(602)，用于识别所述三维图像中的、位于所述成像对象的表面的预定关键点；
配准模块(603)，用于基于所述预定关键点，将包含所述成像对象的内部结构的参考三维模型与所述三维图像配准；
生成模块(604)，用于基于所述配准后的参考三维模型和所述三维图像，生成医学图像。
11.根据权利要求10所述的医学图像的生成装置(600)，其特征在于，
所述识别模块(602)，用于将所述三维图像输入关键点识别网络模型；使能所述关键点识别网络模型识别所述三维图像中的、位于所述成像对象的表面的预定关键点。
12.根据权利要求11所述的医学图像的生成装置(600)，其特征在于，还包括：
训练模块(605)，用于获取所述关键点识别网络模型的训练数据；利用所述训练数据对预设的神经网络模型进行训练，其中当所述神经网络模型输出结果的准确率大于预定的阈值时，得到所述关键点识别网络模型。
13.根据权利要求10所述的医学图像的生成装置(600)，其特征在于，
所述配准模块(603)，用于检测所述参考三维模型中对应于所述预定关键点的特征点；建立所述预定关键点与所述特征点的映射关系；基于所述映射关系将所述参考三维模型与所述三维图像配准。
14.根据权利要求10所述的医学图像的生成装置(600)，其特征在于，
所述生成模块(604)，用于基于所述三维图像生成所述成像对象的二维图像；基于所述配准后的参考三维模型生成配准后的参考二维图像；生成包含所述成像对象的二维图像和所述配准后的参考二维图像的二维医学图像。
15.根据权利要求10所述的医学图像的生成装置(600)，其特征在于，
所述生成模块(604)，用于生成包含所述配准后的参考三维模型和所述三维图像的三维医学图像。
16.根据权利要求10所述的医学图像的生成装置(600)，其特征在于，还包括：
转换模块(606)，用于确定所述摄像组件的坐标系到X射线发生组件的坐标系的转换矩阵；基于所述预定关键点在所述摄像组件的坐标系中的三维坐标以及所述转换矩阵，确定所述三维医学图像中的已选中像素点在所述X射线发生组件的坐标系中的三维坐标。
17.根据权利要求10所述的医学图像的生成装置(600)，其特征在于，所述内部结构包含一或多个子区域；该装置(600)还包括：
移动模块(607)，用于确定对应于X射线成像协议的子区域；在所述医学图像中标识出所述对应于X射线成像协议的子区域；确定真实三维空间中的、对应于标识出的所述子区域的X射线照射区域；将所述X射线发生组件移动到对应于所述X射线照射区域的位置；激励所述X射线发生组件发出透过所述X射线照射区域的X射线。
18.一种医学图像的生成装置(700)，其特征在于，包括处理器(701)和存储器(702)；
所述存储器(702)中存储有可被所述处理器(701)执行的应用程序，用于使得所述处理器(701)执行如权利要求1至9中任一项所述的医学图像的生成方法(100)。
19.一种计算机可读存储介质，其特征在于，其中存储有计算机可读指令，该计算机可读指令用于执行如权利要求1至9中任一项所述的医学图像的生成方法(100)。
CN202110276264.XA 2021-03-15 2021-03-15 一种医学图像的生成方法、装置和存储介质 Pending CN115082531A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110276264.XA CN115082531A (zh) 2021-03-15 2021-03-15 一种医学图像的生成方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110276264.XA CN115082531A (zh) 2021-03-15 2021-03-15 一种医学图像的生成方法、装置和存储介质

Publications (1)

Publication Number Publication Date
CN115082531A true CN115082531A (zh) 2022-09-20

Family

ID=83240402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110276264.XA Pending CN115082531A (zh) 2021-03-15 2021-03-15 一种医学图像的生成方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN115082531A (zh)

Similar Documents

Publication Publication Date Title
CN107789001B (zh) 一种用于成像扫描的摆位方法和系统
US11576645B2 (en) Systems and methods for scanning a patient in an imaging system
CN106572829B (zh) 医学成像系统的扫描区域的定位的控制
KR102041059B1 (ko) 치료 지원 시스템 및 이의 작동 방법, 및 치료 지원 프로그램을 기억하는 기억 매체
JP6240226B2 (ja) スキャン範囲決定装置
US11576578B2 (en) Systems and methods for scanning a patient in an imaging system
JP6026098B2 (ja) 医用画像処理装置
JP7051307B2 (ja) 医用画像診断装置
CN106340015B (zh) 一种关键点的定位方法和装置
US10078906B2 (en) Device and method for image registration, and non-transitory recording medium
Alam et al. Medical image registration: Classification, applications and issues
CN108430376B (zh) 提供投影数据集
WO2001057805A2 (en) Image data processing method and apparatus
CN109350059B (zh) 用于肘部自动对准的组合的转向引擎和界标引擎
US10102638B2 (en) Device and method for image registration, and a nontransitory recording medium
KR20160057024A (ko) 마커리스 ３차원 객체추적 장치 및 그 방법
US8265361B2 (en) Automatic transfer of outlined objects from one data set into another data set
CN115082531A (zh) 一种医学图像的生成方法、装置和存储介质
CN109907833B (zh) 医学成像中的标记描绘
US10049480B2 (en) Image alignment device, method, and program
JP7098835B2 (ja) マッチング装置、方法およびプログラム
Jin et al. 3D surface reconstruction and registration for image guided medialization laryngoplasty
CN114305458A (zh) 一种医学组合图像的生成方法、装置、系统和存储介质
Lu et al. Virtual-real registration of augmented reality technology used in the cerebral surgery lesion localization
WO2007117695A2 (en) Human anatomic mapping and positioning and anatomic targeting accuracy

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