CN115148341B - 一种基于体位识别的ai结构勾画方法及系统 - Google Patents
一种基于体位识别的ai结构勾画方法及系统 Download PDFInfo
- Publication number
- CN115148341B CN115148341B CN202210923344.4A CN202210923344A CN115148341B CN 115148341 B CN115148341 B CN 115148341B CN 202210923344 A CN202210923344 A CN 202210923344A CN 115148341 B CN115148341 B CN 115148341B
- Authority
- CN
- China
- Prior art keywords
- body position
- image
- dimensional
- neural network
- sagittal
- 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
Images
Classifications
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于体位识别的AI结构勾画方法及系统,包括:构建用于识别矢状位图像的卷积神经网络;基于卷积神经网络,通过采集三维医学图像,获取矢状位图像;根据矢状位图像,识别体位以及体位对应的真实体位;构建用于AI结构勾画的全卷积神经网络;通过识别真实体位,获取体位对应的三维医学图像;基于结构,根据全卷积神经网络以及体位对应的三维医学图像,进行AI结构勾画,其中,结构用于表示医学图像中医生感兴趣的区域或者器官区域区域;本发明技术方案不仅可以简化对AI勾画模型的训练,还可以显著地提高结构勾画的精度,很好地解决严格区分左右或者上下的结构的勾画任务。
Description
技术领域
本发明涉及数字医疗技术领域,具体而言,涉及一种基于体位识别的AI结构勾画方法及系统。
背景技术
在临床或者科研中,医生会在医学图像上标记出感兴趣的结构区域,以便对该结构进行下一步的分析研究。而AI结构勾画方法是基于全卷积神经网络(如U-net)方法,将医学图像输入到神经网络中,预测出医学图像中每个像素点属于各结构的概率,最后选择概率最大的结构作为该像素的类别。由于医学图像的体位有8种,通常体位HFS在医学图像中比较常见,因此一般都是以基于HFS的图像作为样本训练AI模型,这使得在实际使用中遇到其余7种体位时AI模型的勾画精度会变得很差。对于严格区分左右的结构(如左右眼球、左右腮腺等)而言,这种训练方法会导致AI模型在勾画此类结构时容易出现很严重的偏差,例如AI模型在训练中会遇到左眼球会出现在图像的左侧或者右侧,导致最终预测会将右眼球的一部分也是识别成左眼球,因此,急需一种基于体位识别的AI结构勾画方法及系统,用来解决现有技术中存在的技术问题。
发明内容
为了解决上述问题,本发明的目的是提供一种基于体位识别的AI结构勾画方法及系统,用于解决AI模型在体位未知的医学图像中识别严格区分左右或者上下的结构的问题。
为了实现上述技术目的,本申请提供了一种基于体位识别的AI结构勾画方法,包括以下步骤:
构建用于识别矢状位图像的卷积神经网络;
基于卷积神经网络,通过采集三维医学图像,获取矢状位图像;
根据矢状位图像,识别体位以及体位对应的真实体位;
构建用于AI结构勾画的全卷积神经网络;
通过识别真实体位,获取体位对应的三维医学图像;
基于结构,根据全卷积神经网络以及体位对应的三维医学图像,进行AI结构勾画,其中,结构用于表示医学图像中医生感兴趣的区域或者器官区域。
优选地,在构建卷积神经网络的过程中,卷积神经网络包括vgg16,resnet18中的一种或多种组合。
优选地,在采集三维医学图像的过程中,三维医学图像包括8个体位为:HFS:头在前,仰卧;HFP:头在前,俯卧;FFS:脚在前,仰卧;FFP:脚在前,俯卧;HFDL:头在前,左侧卧;HFDR:头在前,右侧卧;FFDL:脚在前,左侧卧;FFDR:脚在前,右侧卧;
体位为HFS、HFP、FFS和FFP中的一种的三维医学图像的矢状位图像,用于表示过三维图像中心的x-z平面的图像;
体位为HFDL、HFDR、FFDL和FFDR中的一种的三维医学图像的矢状位图像,用于表示过三维图像中心的y-z平面的图像。
优选地,在获取矢状位图像的过程中,将三维医学图像的平面图像拷贝三份,形成三通道图像,经归一化像素值、调整图像尺寸预处理后,输入到卷积神经网络中,预测该图像是矢状位的概率,并根据预测结果,生成矢状位图像。
优选地,在识别体位和真实体位的过程中,如果矢状位图像是过三维图像中心的x-z平面的图像,则真实体位为识别的体位;如果矢状位图像是过三维图像中心的y-z平面的图像,则,
识别的体位为HFS,对应的真实体位为HFDL;
识别的体位为HFP,对应的真实体位为HFDR;
识别的体位为FFS,对应的真实体位为FFDL;
识别的体位为FFP,对应的真实体位为FFDR。
优选地,在构建用于AI结构勾画的全卷积神经网络的过程中,全卷积神经网络为U-net,利用体位为HFS的三维医学图像进行训练。
优选地,在进行AI结构勾画的过程中,基于训练好的全卷积神经网络,通过获取真实体位对应的体位,将体位转换为HFS;
根据结构,将体位转换后的三维医学图像进行分割,生成HFS对应的三维分割图像,将HFS对应的三维分割图像转换为真实体位对应的三维分割图像后,对Z方向上的每一层二维图像进行轮廓提取,生成结构的AI结构。
本发明提供了一种基于体位识别的AI结构勾画系统,包括:
矢状位识别模块,用于构建用于识别矢状位图像的卷积神经网络,并基于卷积神经网络,通过采集三维医学图像,获取矢状位图像;
体位识别模块,用于根据矢状位图像,识别体位以及体位对应的真实体位;
AI结构勾画模块,用于通过构建用于AI结构勾画的全卷积神经网络,识别真实体位,获取体位对应的三维医学图像;基于结构,根据全卷积神经网络以及体位对应的三维医学图像,进行AI结构勾画,其中,结构用于表示医学图像中医生感兴趣的区域或者器官区域。
本发明公开了以下技术效果:
与现有技术相比,本发明技术方案不仅可以简化对AI勾画模型的训练,还可以显著地提高结构勾画的精度,很好地解决严格区分左右或者上下的结构的勾画任务。
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是本发明所述的方法流程图。
具体实施方式
下为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1所示,本发明提供了一种基于体位识别的AI结构勾画方法,包括以下步骤:
构建用于识别矢状位图像的卷积神经网络;
基于卷积神经网络,通过采集三维医学图像,获取矢状位图像;
根据矢状位图像,识别体位以及体位对应的真实体位;
构建用于AI结构勾画的全卷积神经网络;
通过识别真实体位,获取体位对应的三维医学图像;
基于结构,根据全卷积神经网络以及体位对应的三维医学图像,进行AI结构勾画,其中,结构用于表示医学图像中医生感兴趣的区域或者器官区域。
进一步优选地,本发明在构建卷积神经网络的过程中,本发明提到的卷积神经网络包括vgg16,resnet18中的一种或多种组合。
进一步优选地,本发明在采集三维医学图像的过程中,本发明提到的三维医学图像包括8个体位为:HFS:头在前,仰卧;HFP:头在前,俯卧;FFS:脚在前,仰卧;FFP:脚在前,俯卧;HFDL:头在前,左侧卧;HFDR:头在前,右侧卧;FFDL:脚在前,左侧卧;FFDR:脚在前,右侧卧;
体位为HFS、HFP、FFS和FFP中的一种的三维医学图像的矢状位图像,用于表示过三维图像中心的x-z平面的图像;
体位为HFDL、HFDR、FFDL和FFDR中的一种的三维医学图像的矢状位图像,用于表示过三维图像中心的y-z平面的图像。
进一步优选地,本发明在获取矢状位图像的过程中,本发明将三维医学图像的平面图像拷贝三份,形成三通道图像,经归一化像素值、调整图像尺寸预处理后,输入到卷积神经网络中,预测该图像是矢状位的概率,并根据预测结果,生成矢状位图像。
进一步优选地,本发明在识别体位和真实体位的过程中,如果本发明提到矢状位图像是过三维图像中心的x-z平面的图像,则真实体位为识别的体位;如果本发明提到的矢状位图像是过三维图像中心的y-z平面的图像,则,
识别的体位为HFS,对应的真实体位为HFDL;
识别的体位为HFP,对应的真实体位为HFDR;
识别的体位为FFS,对应的真实体位为FFDL;
识别的体位为FFP,对应的真实体位为FFDR。
进一步优选地,本发明在构建用于AI结构勾画的全卷积神经网络的过程中,本发明提到的全卷积神经网络为U-net,利用体位为HFS的三维医学图像进行训练。
进一步优选地,本发明在进行AI结构勾画的过程中,基于训练好的全卷积神经网络,通过获取真实体位对应的体位,将体位转换为HFS;
根据结构,将体位转换后的三维医学图像进行分割,生成HFS对应的三维分割图像,将HFS对应的三维分割图像转换为真实体位对应的三维分割图像后,对Z方向上的每一层二维图像进行轮廓提取,生成结构的AI结构。
本发明提供了一种基于体位识别的AI结构勾画系统,包括:
矢状位识别模块,用于构建用于识别矢状位图像的卷积神经网络,并基于卷积神经网络,通过采集三维医学图像,获取矢状位图像;
体位识别模块,用于根据矢状位图像,识别体位以及体位对应的真实体位;
AI结构勾画模块,用于通过构建用于AI结构勾画的全卷积神经网络,识别真实体位,获取体位对应的三维医学图像;基于结构,根据全卷积神经网络以及体位对应的三维医学图像,进行AI结构勾画,其中,结构用于表示医学图像中医生感兴趣的区域或者器官区域。
本发明提出了一种结合矢状位识别模型和体位识别模型的体位识别方法,解决了体位未知的医学图像的结构勾画问题。
不同体位的医学图像的矢状位和冠状位图像互不相同,因此可以通过将矢状位和冠状位图像输入到基于卷积神经网路的分类模型来预测出体位的类型。但是在实际中病人在扫描医学图像时可能出现弯腰的情况,因此冠状位图像不能将人体分成前、后对称的两个部分,导致不能为体位的识别提供有效的信息之余还可能引入错误的信息。而矢状位图像在这种情况下仍然可以准确地将人体分成左、右对称的两个部分,能够为体位的识别提供有效的信息,因此最终选择通过将矢状位输入到分类模型来实现体位类型的预测。
整个技术方案分为矢状位识别、体位识别和基于体位转换的结构勾画三部分。
(1)矢状位识别:
对于体位为HFS、HFP、FFS和FFP的医学图像而言,矢状位和冠状位图像分别是过三维图像中心的x-z平面和y-z平面的图像,而HFDL、HFDR、FFDL和FFDR则相反,分别对应y-z平面和x-z平面。因此在体位未知的情况下并不能区分哪个平面是矢状位图像,需要训练一个卷积神经网络(如vgg16,resnet18等预训练卷积神经网络)来区别矢状位和冠状位。
识别的过程:将平面图像拷贝三份,形成三通道图像,经归一化像素值、调整图像尺寸(224x224)等预处理后,输入到分类模型中来预测该图像是矢状位的概率。
(2)体位识别:
训练一个卷积神经网络(如vgg16,resnet18等预训练卷积神经网络)来识别体位为HFS、HFP、FFS和FFP中的哪一类。
识别过程:将矢状位图像拷贝三份,形成三通道图像,经归一化像素值、调整图像尺寸(224x224)等预处理后,输入到分类模型中来预测体位的类型。如果矢状位图像是过三维图像中心的x-z平面的图像,则真实的体位为上述模型预测的体位类型。如果矢状位图像是过三维图像中心的y-z平面的图像,则需要进行转换。如模型预测为HFS,则真实体位为HFDL,如此类推,HFP对应HFDR,FFS对应FFDL,FFP对应FFDR。
(3)基于体位转换的结构勾画:
结构勾画方法是基于全卷积神经网络(如U-net)方法,利用体位为HFS的医学图像进行训练。
勾画流程:经体位识别得到医学图像的真实体位Posreal后,通过图像旋转的方法将医学图像的体位转换为HFS,接着输入勾画模型中预测出三维分割图像,里面的每个像素为所属结构的类别。然后,对三维分割图像进行逆旋转,恢复到原来的体位Posreal。最后对三维分割图像在Z方向上的每一层二维图像进行轮廓提取,即可得到每个结构的轮廓。
本发明提到的体位:即Dicom标准中的Patient position(0018,5100)标签,用于描述病人相对于CT或者MR等成像设备的位置,一共分8种类型:HFS:头在前,仰卧;HFP:头在前,俯卧;FFS:脚在前,仰卧;FFP:脚在前,俯卧;HFDL:头在前,左侧卧;HFDR:头在前,右侧卧;FFDL:脚在前,左侧卧;FFDR:脚在前,右侧卧。
本发明提到的结构:医学图像中医生感兴趣的区域或者器官区域
本发明提到的矢状位:指将人体分成左、右对称的两个部分后的面。
本发明提到的冠状位:指将人体分成前、后对称的两个部分后的面。
本发明提到的三维医学图像:指CT、MR、PET等图像,下面描述的医学图像都是指三维医学图像。
为了使得AI模型能够应用于8种不同体位的医学图像,本发明通过将HFS的图像通过图像旋转操作变为其余7种体位的图像,相当于将8种不同体位的医学图像都用来训练AI模型,从而提高了AI模型的泛化能力。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于体位识别的AI结构勾画方法,其特征在于,包括以下步骤:
构建用于识别矢状位图像的卷积神经网络;
基于所述卷积神经网络,通过采集三维医学图像,获取所述矢状位图像;
根据所述矢状位图像,识别体位以及所述体位对应的真实体位;
构建用于AI结构勾画的全卷积神经网络,其中,所述全卷积神经网络为U-net,利用体位为HFS的所述三维医学图像进行训练,在进行AI结构勾画的过程中,基于训练好的所述全卷积神经网络,通过获取所述真实体位对应的所述体位,将所述体位转换为HFS;根据所述结构,将体位转换后的所述三维医学图像进行分割,生成HFS对应的三维分割图像,将所述HFS对应的所述三维分割图像转换为所述真实体位对应的三维分割图像后,对Z方向上的每一层二维图像进行轮廓提取,生成所述结构的所述AI结构;
通过识别所述真实体位,获取所述体位对应的所述三维医学图像;
基于结构,根据所述全卷积神经网络以及所述体位对应的所述三维医学图像,进行AI结构勾画,其中,所述结构用于表示医学图像中医生感兴趣的区域。
2.根据权利要求1所述一种基于体位识别的AI结构勾画方法,其特征在于:
在构建卷积神经网络的过程中,所述卷积神经网络包括vgg16,resnet18中的一种或多种组合。
3.根据权利要求2所述一种基于体位识别的AI结构勾画方法,其特征在于:
在采集三维医学图像的过程中,所述三维医学图像包括8个所述体位为:HFS:头在前,仰卧;HFP:头在前,俯卧;FFS:脚在前,仰卧;FFP:脚在前,俯卧;HFDL:头在前,左侧卧;HFDR:头在前,右侧卧;FFDL:脚在前,左侧卧;FFDR:脚在前,右侧卧;
所述体位为HFS、HFP、FFS和FFP中的一种的三维医学图像的所述矢状位图像,用于表示过三维图像中心的x-z平面的图像;
所述体位为HFDL、HFDR、FFDL和FFDR中的一种的三维医学图像的所述矢状位图像,用于表示过三维图像中心的y-z平面的图像。
4.根据权利要求3所述一种基于体位识别的AI结构勾画方法,其特征在于:
在获取所述矢状位图像的过程中,将所述三维医学图像的平面图像拷贝三份,形成三通道图像,经归一化像素值、调整图像尺寸预处理后,输入到所述卷积神经网络中,预测该图像是矢状位的概率,并根据预测结果,生成所述矢状位图像。
5.根据权利要求4所述一种基于体位识别的AI结构勾画方法,其特征在于:
在识别体位和真实体位的过程中,如果所述矢状位图像是过三维图像中心的x-z平面的图像,则所述真实体位为识别的所述体位;如果所述矢状位图像是过三维图像中心的y-z平面的图像,则,
识别的所述体位为HFS,对应的所述真实体位为HFDL;
识别的所述体位为HFP,对应的所述真实体位为HFDR;
识别的所述体位为FFS,对应的所述真实体位为FFDL;
识别的所述体位为FFP,对应的所述真实体位为FFDR。
6.一种基于体位识别的AI结构勾画系统,其特征在于,包括:
矢状位识别模块,用于构建用于识别矢状位图像的卷积神经网络,并基于所述卷积神经网络,通过采集三维医学图像,获取所述矢状位图像;
体位识别模块,用于根据所述矢状位图像,识别体位以及所述体位对应的真实体位;
AI结构勾画模块,用于通过构建用于AI结构勾画的全卷积神经网络,识别所述真实体位,获取所述体位对应的所述三维医学图像;基于结构,根据所述全卷积神经网络以及所述体位对应的所述三维医学图像,进行AI结构勾画,其中,所述结构用于表示医学图像中医生感兴趣的区域,所述全卷积神经网络为U-net,利用体位为HFS的所述三维医学图像进行训练,在进行AI结构勾画的过程中,基于训练好的所述全卷积神经网络,通过获取所述真实体位对应的所述体位,将所述体位转换为HFS;根据所述结构,将体位转换后的所述三维医学图像进行分割,生成HFS对应的三维分割图像,将所述HFS对应的所述三维分割图像转换为所述真实体位对应的三维分割图像后,对Z方向上的每一层二维图像进行轮廓提取,生成所述结构的所述AI结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210923344.4A CN115148341B (zh) | 2022-08-02 | 2022-08-02 | 一种基于体位识别的ai结构勾画方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210923344.4A CN115148341B (zh) | 2022-08-02 | 2022-08-02 | 一种基于体位识别的ai结构勾画方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115148341A CN115148341A (zh) | 2022-10-04 |
CN115148341B true CN115148341B (zh) | 2023-06-02 |
Family
ID=83414787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210923344.4A Active CN115148341B (zh) | 2022-08-02 | 2022-08-02 | 一种基于体位识别的ai结构勾画方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115148341B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110299199A (zh) * | 2019-06-28 | 2019-10-01 | 上海联影医疗科技有限公司 | 医学影像扫描方法、装置、计算机设备和存储介质 |
CN111462055A (zh) * | 2020-03-19 | 2020-07-28 | 沈阳先进医疗设备技术孵化中心有限公司 | 颅骨检测方法及装置 |
CN113658116A (zh) * | 2021-07-30 | 2021-11-16 | 戴建荣 | 一种生成不同体位医学图像的人工智能方法和系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8742754B2 (en) * | 2010-02-16 | 2014-06-03 | Board Of Regents Of The University Of Texas System | Method and system for diffusion tensor imaging |
EP2710553B1 (en) * | 2011-05-17 | 2017-09-06 | Brainlab AG | Determination of a physically-varying anatomical structure |
CN105078514A (zh) * | 2014-04-22 | 2015-11-25 | 重庆海扶医疗科技股份有限公司 | 三维模型的构建方法及装置、图像监控方法及装置 |
US20200264560A1 (en) * | 2017-12-08 | 2020-08-20 | Duan-Jun Chen | Rectilinear-transforming digital holography in compression domain (rtdh-cd) for real-and-virtual orthoscopic three-dimensional display (rv-otdd) |
CN112749593A (zh) * | 2019-10-31 | 2021-05-04 | 通用电气精准医疗有限责任公司 | 医学成像系统、识别检测对象的体位的方法、存储介质 |
CN111192268B (zh) * | 2019-12-31 | 2024-03-22 | 广州开云影像科技有限公司 | 医学图像分割模型构建方法与cbct图像骨分割方法 |
US11990224B2 (en) * | 2020-03-26 | 2024-05-21 | The Regents Of The University Of California | Synthetically generating medical images using deep convolutional generative adversarial networks |
CN114266848A (zh) * | 2020-09-14 | 2022-04-01 | 杭州电子科技大学 | 医学图像三维重建方法和装置 |
CN113409309B (zh) * | 2021-07-16 | 2023-10-27 | 北京积水潭医院 | 肌肉ct影像勾画方法、系统、电子设备和机器存储介质 |
-
2022
- 2022-08-02 CN CN202210923344.4A patent/CN115148341B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110299199A (zh) * | 2019-06-28 | 2019-10-01 | 上海联影医疗科技有限公司 | 医学影像扫描方法、装置、计算机设备和存储介质 |
CN111462055A (zh) * | 2020-03-19 | 2020-07-28 | 沈阳先进医疗设备技术孵化中心有限公司 | 颅骨检测方法及装置 |
CN113658116A (zh) * | 2021-07-30 | 2021-11-16 | 戴建荣 | 一种生成不同体位医学图像的人工智能方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115148341A (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7143008B2 (ja) | 深層学習に基づく医用画像検出方法及び装置、電子機器及びコンピュータプログラム | |
Tilve et al. | Pneumonia detection using deep learning approaches | |
Oghli et al. | Automatic fetal biometry prediction using a novel deep convolutional network architecture | |
ES2914873T3 (es) | Sugerencia de segunda lectura | |
EP2481349B1 (en) | Method, device, and program for processing images obtained from asl mri | |
EP3654343A1 (en) | Application of deep learning for medical imaging evaluation | |
Li et al. | Automated measurement network for accurate segmentation and parameter modification in fetal head ultrasound images | |
JP2021002338A (ja) | 画像セグメンテーション及び識別のための方法及びシステム | |
CN110689521B (zh) | 一种医学影像所属人体部位的自动识别方法及系统 | |
CN111986206A (zh) | 基于UNet网络的肺叶分割方法、装置及计算机可读存储介质 | |
Skeika et al. | Convolutional neural network to detect and measure fetal skull circumference in ultrasound imaging | |
CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
JP2022546344A (ja) | 脳卒中特徴取得のための画像処理 | |
JP2023175011A (ja) | 文書作成支援装置、方法およびプログラム | |
CN117237351B (zh) | 一种超声图像分析方法以及相关装置 | |
CN115063397A (zh) | 计算机辅助影像分析方法、计算机设备和存储介质 | |
CN115210755A (zh) | 解决训练数据中遗漏注释的类别不同损失函数 | |
CN112508943A (zh) | 基于超声影像的乳腺肿瘤识别方法 | |
Dhalia Sweetlin et al. | Patient-Specific Model Based Segmentation of Lung Computed Tomographic Images. | |
CN115148341B (zh) | 一种基于体位识别的ai结构勾画方法及系统 | |
CN113487579B (zh) | 自动勾画模型的多模态迁移方法 | |
CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
Sohail et al. | A modified U-net based framework for automated segmentation of Hippocampus region in brain MRI | |
CN115294023A (zh) | 肝脏肿瘤自动分割方法及装置 | |
Al-Eiadeh | Automatic lung field segmentation using robust deep learning criteria |
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 |