CN115272288A - 一种医学图像标记点自动识别方法、电子设备及存储介质 - Google Patents

一种医学图像标记点自动识别方法、电子设备及存储介质 Download PDF

Info

Publication number
CN115272288A
CN115272288A CN202211005948.7A CN202211005948A CN115272288A CN 115272288 A CN115272288 A CN 115272288A CN 202211005948 A CN202211005948 A CN 202211005948A CN 115272288 A CN115272288 A CN 115272288A
Authority
CN
China
Prior art keywords
points
point
medical image
mark
connected domain
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
CN202211005948.7A
Other languages
English (en)
Other versions
CN115272288B (zh
Inventor
王中昆
蒲晓麟
丁鹿元
彭德宁
陈万龙
张忞
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.)
Hangzhou Weiyin Technology Co ltd
Original Assignee
Hangzhou Weiyin 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 Hangzhou Weiyin Technology Co ltd filed Critical Hangzhou Weiyin Technology Co ltd
Priority to CN202211005948.7A priority Critical patent/CN115272288B/zh
Publication of CN115272288A publication Critical patent/CN115272288A/zh
Application granted granted Critical
Publication of CN115272288B publication Critical patent/CN115272288B/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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及一种医学图像标记点自动识别方法、电子设备及存储介质，方法包括：获取带有标记点的三维医学图像数据；判断所述三维医学图像数据的扫描切片间距是否小于阈值；当所述三维医学图像数据的扫描切片间距小于阈值时，利用连通域体积和中心位置对所述标记点进行定位；当所述三维医学图像数据的扫描切片间距大于或等于阈值时，利用连通域面积与标记点球心半径半圆面积的关系对所述标记点进行定位。本发明能够准确、快速对医学图像中的标记点进行自动识别。

Description

一种医学图像标记点自动识别方法、电子设备及存储介质
技术领域
本发明涉及医学图像标记点识别技术领域，特别是涉及一种医学图像标记点自动识别方法、电子设备及存储介质。
背景技术
在手术导航定位系统中存在多个坐标系，在进行手术时需要将多个坐标系统一到同一坐标系下，此过程称之为配准。在导航手术流程中，配准是必不可少的重要组成部分，现有技术中配准的方式有两种，第一种是基于表面，第二种是基于标记点。标记点是计算机辅助手术系统中实现定位的物体，有些标记点直接附着在人体表面，有些标记点则固定在定位工具上。因此要实现配准必须要对标记点进行识别。
现有专利文献CN113744328A披露了一种医学图像标记点识别方法，包括：读取三维医学图像；从三维医学图像中确定候选连通域；以候选连通域在至少一个截面的边缘进行圆形拟合，并确定拟合圆与边缘的相似程度；若相似程度小于第二预设阈值的候选连通域识别为标记点。该方法无法排除CT值处于第一预设范围的连通区域的影响，对结构材料CT值有着较为严格的限制，另外，该方法也没有考虑到由于扫描切片间距的影响导致连通域切片不经过球心的情况，且也没有考虑到圆形结构件对标记点识别的影响。
发明内容
本发明所要解决的技术问题是提供一种医学图像标记点自动识别方法、电子设备及存储介质，能够准确、快速对医学图像中的标记点进行自动识别。
本发明解决其技术问题所采用的技术方案是：提供一种医学图像标记点自动识别方法，包括以下步骤：
获取带有标记点的三维医学图像数据，其中，所述标记点采用半球形结构；
判断所述三维医学图像数据的扫描切片间距是否小于阈值；
当所述三维医学图像数据的扫描切片间距小于阈值时，利用连通域体积和中心位置对所述标记点进行定位；
当所述三维医学图像数据的扫描切片间距大于或等于阈值时，利用连通域面积与标记点球心半径半圆面积的关系对所述标记点进行定位。
所述判断所述三维医学图像数据的扫描切片间距是否小于阈值前，还包括：
对所述三维医学图像数据进行预处理，所述预处理过程包含有中值滤波、灰度化处理、阈值二值化、图像形态学运算和孔洞填充。
所述利用连通域体积和中心位置对所述标记点进行定位具体为：
对所述三维医学图像数据在XYZ三个方向进行降采样处理；
对降采样处理后的三维医学图像数据进行三维连通域分析，提取出对应的连通域中心位置和连通域体积，根据各个连通域体积与所述标记点的半球体积的关系选择所述标记点的候选点，得到候选点集合L11；
将所述候选点集合L11中的点作为种子点，在降采样处理后的三维医学图像数据中进行邻域区域生长，计算每个种子点生长的连通区域所包含的像素数量和中心坐标位置，同时计算每个连通区域中心坐标之间的相对距离，若存在相对距离小于或等于标记点物理距离的另外一个连通区域，则将该两个连通区域的中心坐标作为标记点的二次候选点，得到二次候选点集合L12；
根据二次候选点集合L12中点的坐标位置寻找与目标点对应的标记点
所述根据各个连通域体积与所述标记点的半球体积的关系选择所述标记点的候选点具体为：若连通域体积*像素分辨率*降采样比例小于或等于所述标记点的半球体积，则将该连通域中心位置的坐标作为所述标记点的候选点。
所述利用连通域面积与标记点球心半径半圆面积的关系对所述标记点进行定位具体为：
对所述三维医学图像数据进行二维连通域分析，提取出对应的连通域的中心位置和连通域面积，根据各个连通域面积与所述标记点的半球最大圆面积的关系选择所述标记点的候选点，得到候选点集合L21；
计算候选点集合L21中每个连通域的中心位置坐标之间的相对距离，若存在相对距离小于或等于标记点物理距离的另外一个连通域，则将该两个连通域的中心坐标作为标记点的二次候选点，得到二次候选点集合L22；
对所述二次候选点集合L22中的连通域的中心位置坐标点求Z方向的偏差，采用所述Z方向的偏差对所述二次候选点集合L22中的连通域的中心位置坐标点进行修正，得到三次候选点集合L23；
根据所述三次候选点集合L23的点的坐标位置寻找目标点对应的标记点。
所述根据各个连通域面积与所述标记点的半球最大圆面积的关系选择所述标记点的候选点具体为：若连通域面积*像素分辨率小于或等于所述标记点的半球最大圆面积，则将该连通域的中心坐标作为所述标记点的候选点。
所述对所述二次候选点集合L22中的连通域的中心位置坐标点求Z方向的偏差时，通过
Figure BDA0003808635450000031
计算连通域的中心位置坐标点求Z方向的偏差，其中，Δz为Z方向的偏差，Area表示标记点的半球最大圆面积，area表示连通域面积。
所述的医学图像标记点自动识别方法还包括：对查找出的标记点的中心坐标进行平面化过程，并将所述标记点的坐标投影到拟合平面上，并求解出投影点的坐标。
本发明解决其技术问题所采用的技术方案是：提供一种电子设备，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述医学图像标记点自动识别方法的步骤。
本发明解决其技术问题所采用的技术方案是：提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述医学图像标记点自动识别方法的步骤。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明根据扫描切片间距采用不同的方式对标记点进行定位，在扫描切片间距较小时，利用连通域体积和中心位置信息对标记点进行定位，整个过程无需进行球拟合和球判定，更为方便快捷，本发明还利用降采样过程求取种子点，基于种子点进行区域生长，如此可以减小数据运算量，提高标记点自动识别的速度；在扫描切片间距较大时，利用连通域面积与球心半径半圆面积的关系对标记点进行定位，能够保证标记点质心定位的准确性。另外，本发明采用半球形结构的标记点可以使得标记点执行定位更精细化。
附图说明
图1是本发明第一实施方式的流程图；
图2是本发明第一实施方式中预处理的流程图；
图3是本发明第一实施方式中精细化定位示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的第一实施方式涉及一种医学图像标记点自动识别方法，如图1所示，包括以下步骤：获取带有标记点的三维医学图像数据，其中，所述标记点采用半球形结构；判断所述三维医学图像数据的扫描切片间距是否小于阈值；当所述三维医学图像数据的扫描切片间距小于阈值时，利用连通域体积和中心位置对所述标记点进行定位；当所述三维医学图像数据的扫描切片间距大于或等于阈值时，利用连通域面积与标记点球心半径半圆面积的关系对所述标记点进行定位。具体包括以下内容：
步骤1，读取带有标记点的三维医学DICOM图像，并记为Data1；本步骤中，标记点采用半球形结构，半球形结构的标记点设计安装方便，且更容易实现标记点质心的精细化定位。
步骤2，对Data1进行数据预处理，预处理过程如图2所示，包含有中值滤波、灰度化处理、阈值二值化、图像形态学运算、孔洞填充过程，处理之后的数据记为Data2。
步骤3，当Data2的扫描切片间距很小(即小于阈值)时，按照步骤4-步骤7进行标记点自动识别过程；当扫描切片间距较大(即大于或等于阈值)时，此时只存在一个切片数据包含有标记点数据，按照步骤8-步骤11进行标记点的自动识别过程。本步骤中的阈值可以自行设置，本实施方式中阈值＝标记点直径*0.8，也就是说，当扫描切片间距＜标记点直径*0.8时，表示扫描切片间距很小，当扫描切片间距≥标记点直径*0.8时，表示扫描切片间距较大。
步骤4，对Data2的XYZ三个方向进行降采样处理，降采样比例记为R1，将降采样后的三维数据记为Data3。
步骤5，对Data3进行三维连通域分析，提取出对应的连通域中心位置(center_x,center_y,center_z)、连通域体积volumn，通过比较连通域体积与标记点半球实际尺寸体积的关系，实现标记点的初定位。若连通域体积*像素分辨率*R1≤标记点的半球体积，则将该连通域的中心坐标作为标记点的候选点，候选点的集合记为L11。
步骤6，将候选点集合L11中的点作为种子点，在Data2中进行26邻域区域生长，计算每个种子点生长的连通区域所包含的像素数量和中心坐标位置，同时计算每个连通区域中心坐标之间的相对距离，若存在相对距离≤标记点物理距离的另外一个连通区域，则将该两个连通区域的中心坐标作为标记点的二次候选点，二次候选点的集合记为L12。
步骤7，根据二次候选点集合L12中点的坐标位置寻找与目标点对应的图像标记点。
步骤8，对Data2进行二维连通域分析，提取初对应连通域的中心位置(center_x,center_y)、连通域面积area，通过比较连通域面积area与标记点半球最大面积Area之间的关系，实现标记点的初定位。若连通域面积*像素分辨率≤标记点的半球最大面积，则将连通域的中心坐标作为标记点的候选点，候选点的集合记为L21。
步骤9，计算候选点集合L21中每个连通域中心坐标之间的相对距离，若存在相对距离≤标记点物理距离的另外一个连通域，则将两个连通域的中心坐标作为标记点的二次候选点，二次候选点的集合记为L22。
步骤10，对二次候选点的集合L22中的中心坐标点求出Z方向偏差Δz，并根据Z方向偏差Δz实现标记点中心位置的精细化定位，即采用Z方向偏差Δz对二次候选点的集合L22中的中心坐标点进行修正，得到三次候选点的集合，并记为L23，其中，
Figure BDA0003808635450000051
本实施方式中修正时是将集合L22中候选点的坐标Z方向增加Δz(X、Y方向坐标不变)得到三次候选点集合L23，由于扫描切片只能扫描到半球的一张切片，该切片无法保证是过球心的切面，因此通过计算实时切片圆心与球心之间的距离进行修正，由于只有一张切片，因此该距离Δz肯定小于扫描数据Z方向的分辨率。
步骤11，根据三次候选点的集合L23中的点的坐标位置寻找与目标点对应的图像标记点。
步骤12，对查找出标记点的中心坐标进行平面化过程，该平面化过程可以采用最小二乘法拟合平面，同时将标记点坐标投影到拟合平面上，求解出相对应的投影点，该投影点即为最终的标记点识别的结果。
其中，对标记点的中心坐标进行平面化过程具体如下：
对于得到的四个标记点数据，设拟合出的平面方程为：
ax+by+cz+d＝0 (1)
约束条件为：
a2+b2+c2＝1 (2)
可以得到平面参数a、b、c、d。此时，要使获得的拟合平面是最佳的，就需要使得k个临近点到平面的距离的平方和最小，即满足：
Figure BDA0003808635450000052
式中，di是数据中任一点pi(xi,yi,zi)到这个平面的距离。
di＝|axi+byi+czi+d|。
要使e→min，可以用SVD矩阵分解得到。
推导过程如下：
所有点的平均坐标为
Figure BDA0003808635450000061
则：
Figure BDA0003808635450000062
式(1)和式(4)相减得到：
Figure BDA0003808635450000063
假设矩阵：
Figure BDA0003808635450000064
列矩阵：
Figure BDA0003808635450000065
则式(5)等价于：
AX＝0 (6)
理想情况下，所有点都在平面上，式(6)成立。实际情况下，有部分点在平面外，拟合的目的为平面距离所有点的距离之和尽量小，所以目标函数为：
min||AX|| (7)
约束条件为：
||X||＝1 (8)
若A可做奇异值分解：
A＝UDVT (9)
则：
||AX||＝||UDVTX||＝||DVTX|| (10)
其中，VTX为列矩阵，并且：
||VTX||＝||X||＝1 (11)
因为D的对角元素为奇异值，假设最后一个对角元素为最小奇异值，则当且仅当：
Figure BDA0003808635450000071
式(10)可以取得最小值，即式(7)成立。此时：
Figure BDA0003808635450000072
目标函数(7)在约束条件(8)下的最优解为：
X＝(a,b,c)＝(vn,1,vn,2,vn,3) (14)
所以，e的最小值就是矩阵A的最小特征值，对应的特征相连为平面参数a、b和c，利用质心可求得d。
标记点在拟合平面上投影，具体如下：
给定的平面Plane的方程为：A′x+B′y+C′z+D′＝0，过标记点Vi到平面Plane的垂足记作Vi′(x,y,z)，则直线ViVi′与平面的法向量
Figure BDA0003808635450000073
平行，直线ViVi′的参数方程为：
Figure BDA0003808635450000074
将点(x,y,z)代入平面方程，求出：
Figure BDA0003808635450000075
再将t代入直线的参数方程就可以求出投影点Vi′(x,y,z)。
不难发现，本发明根据扫描切片间距采用不同的方式对标记点进行定位，在扫描切片间距较小时，利用连通域体积和中心位置信息对标记点进行定位，整个过程无需进行球拟合和球判定，更为方便快捷，本发明还利用降采样过程求取种子点，基于种子点进行区域生长，如此可以减小数据运算量，提高标记点自动识别的速度；在扫描切片间距较大时，利用连通域面积与球心半径半圆面积的关系对标记点进行定位，能够保证标记点质心定位的准确性。另外，本发明采用半球形结构的标记点可以使得标记点执行定位更精细化。
本发明的第二实施方式涉及一种电子设备，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现医学图像标记点自动识别方法，该方法包括以下步骤：获取带有标记点的三维医学图像数据，其中，所述标记点采用半球形结构；判断所述三维医学图像数据的扫描切片间距是否小于阈值；当所述三维医学图像数据的扫描切片间距小于阈值时，利用连通域体积和中心位置对所述标记点进行定位；当所述三维医学图像数据的扫描切片间距大于或等于阈值时，利用连通域面积与标记点球心半径半圆面积的关系对所述标记点进行定位。
另外，在本发明中的各功能可以集成在一个处理单元中，也可以是各个单元单独物理存在，还可以将两个或两个以上单元集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或网络设备等)执行本发明实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM)、随机存取存储器(RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序代码的介质。

Claims (10)

1.一种医学图像标记点自动识别方法，其特征在于，包括以下步骤：
获取带有标记点的三维医学图像数据，其中，所述标记点采用半球形结构；
判断所述三维医学图像数据的扫描切片间距是否小于阈值；
当所述三维医学图像数据的扫描切片间距小于阈值时，利用连通域体积和中心位置对所述标记点进行定位；
当所述三维医学图像数据的扫描切片间距大于或等于阈值时，利用连通域面积与标记点球心半径半圆面积的关系对所述标记点进行定位。
2.根据权利要求1所述的医学图像标记点自动识别方法，其特征在于，所述判断所述三维医学图像数据的扫描切片间距是否小于阈值前，还包括：
对所述三维医学图像数据进行预处理，所述预处理过程包含有中值滤波、灰度化处理、阈值二值化、图像形态学运算和孔洞填充。
3.根据权利要求1所述的医学图像标记点自动识别方法，其特征在于，所述利用连通域体积和中心位置对所述标记点进行定位具体为：
对所述三维医学图像数据在XYZ三个方向进行降采样处理；
对降采样处理后的三维医学图像数据进行三维连通域分析，提取出对应的连通域中心位置和连通域体积，根据各个连通域体积与所述标记点的半球体积的关系选择所述标记点的候选点，得到候选点集合L11；
将所述候选点集合L11中的点作为种子点，在降采样处理后的三维医学图像数据中进行邻域区域生长，计算每个种子点生长的连通区域所包含的像素数量和中心坐标位置，同时计算每个连通区域中心坐标之间的相对距离，若存在相对距离小于或等于标记点物理距离的另外一个连通区域，则将该两个连通区域的中心坐标作为标记点的二次候选点，得到二次候选点集合L12；
根据二次候选点集合L12中点的坐标位置寻找与目标点对应的标记点。
4.根据权利要求3所述的医学图像标记点自动识别方法，其特征在于，所述根据各个连通域体积与所述标记点的半球体积的关系选择所述标记点的候选点具体为：
若连通域体积*像素分辨率*降采样比例小于或等于所述标记点的半球体积，则将该连通域中心位置的坐标作为所述标记点的候选点。
5.根据权利要求1所述的医学图像标记点自动识别方法，其特征在于，所述利用连通域面积与标记点球心半径半圆面积的关系对所述标记点进行定位具体为：
对所述三维医学图像数据进行二维连通域分析，提取出对应的连通域的中心位置和连通域面积，根据各个连通域面积与所述标记点的半球最大圆面积的关系选择所述标记点的候选点，得到候选点集合L21；
计算候选点集合L21中每个连通域的中心位置坐标之间的相对距离，若存在相对距离小于或等于标记点物理距离的另外一个连通域，则将该两个连通域的中心坐标作为标记点的二次候选点，得到二次候选点集合L22；
对所述二次候选点集合L22中的连通域的中心位置坐标点求Z方向的偏差，采用所述Z方向的偏差对所述二次候选点集合L22中的连通域的中心位置坐标点进行修正，得到三次候选点集合L23；
根据所述三次候选点集合L23的点的坐标位置寻找目标点对应的标记点。
6.根据权利要求5所述的医学图像标记点自动识别方法，其特征在于，所述根据各个连通域面积与所述标记点的半球最大圆面积的关系选择所述标记点的候选点具体为：
若连通域面积*像素分辨率小于或等于所述标记点的半球最大圆面积，则将该连通域的中心坐标作为所述标记点的候选点。
7.根据权利要求5所述的医学图像标记点自动识别方法，其特征在于，所述对所述二次候选点集合L22中的连通域的中心位置坐标点求Z方向的偏差时，通过
Figure FDA0003808635440000021
计算连通域的中心位置坐标点求Z方向的偏差，其中，Δz为Z方向的偏差，Area表示标记点的半球最大圆面积，area表示连通域面积。
8.根据权利要求1所述的医学图像标记点自动识别方法，其特征在于，还包括：对查找出的标记点的中心坐标进行平面化过程，并将所述标记点的坐标投影到拟合平面上，并求解出投影点的坐标。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8中任一所述医学图像标记点自动识别方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一所述医学图像标记点自动识别方法的步骤。
CN202211005948.7A 2022-08-22 2022-08-22 一种医学图像标记点自动识别方法、电子设备及存储介质 Active CN115272288B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211005948.7A CN115272288B (zh) 2022-08-22 2022-08-22 一种医学图像标记点自动识别方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211005948.7A CN115272288B (zh) 2022-08-22 2022-08-22 一种医学图像标记点自动识别方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115272288A true CN115272288A (zh) 2022-11-01
CN115272288B CN115272288B (zh) 2023-06-02

Family

ID=83753144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211005948.7A Active CN115272288B (zh) 2022-08-22 2022-08-22 一种医学图像标记点自动识别方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115272288B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120046928A1 (en) * 2010-08-23 2012-02-23 Broncus Technologies, Inc. Automated fiducial marker planning system and related methods
CN106890031A (zh) * 2017-04-11 2017-06-27 东北大学 一种标记物识别及标记点定位方法及手术导航系统
CN109188433A (zh) * 2018-08-20 2019-01-11 南京理工大学 基于无控制点的双机载sar图像目标定位的方法
CN110232696A (zh) * 2019-06-20 2019-09-13 腾讯科技（深圳）有限公司 一种图像区域分割的方法、模型训练的方法及装置
CN110472616A (zh) * 2019-08-22 2019-11-19 腾讯科技（深圳）有限公司 图像识别方法、装置、计算机设备及存储介质
CN111419399A (zh) * 2020-03-17 2020-07-17 京东方科技集团股份有限公司 定位跟踪件、定位球的识别方法、存储介质及电子设备
CN113112490A (zh) * 2021-04-23 2021-07-13 上海卓昕医疗科技有限公司 一种三维医学影像标记点提取方法及系统
CN113744328A (zh) * 2021-11-05 2021-12-03 极限人工智能有限公司 医学图像标记点识别方法、装置、电子设备及存储介质
CN113782159A (zh) * 2021-11-12 2021-12-10 极限人工智能有限公司 医学图像标记点匹配方法、装置、电子设备及存储介质
CN113888620A (zh) * 2021-09-29 2022-01-04 武汉联影智融医疗科技有限公司 骨钉标记点提取方法、装置、处理设备和存储介质
CN114820489A (zh) * 2022-04-15 2022-07-29 北京昆迈医疗科技有限公司 一种基于空间标记点的opm阵列快速光学扫描定位方法
CN114926809A (zh) * 2022-04-14 2022-08-19 重庆兰德适普信息科技有限公司 可通行区域检测方法及装置、移动工具、存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120046928A1 (en) * 2010-08-23 2012-02-23 Broncus Technologies, Inc. Automated fiducial marker planning system and related methods
CN106890031A (zh) * 2017-04-11 2017-06-27 东北大学 一种标记物识别及标记点定位方法及手术导航系统
CN109188433A (zh) * 2018-08-20 2019-01-11 南京理工大学 基于无控制点的双机载sar图像目标定位的方法
CN110232696A (zh) * 2019-06-20 2019-09-13 腾讯科技（深圳）有限公司 一种图像区域分割的方法、模型训练的方法及装置
CN110472616A (zh) * 2019-08-22 2019-11-19 腾讯科技（深圳）有限公司 图像识别方法、装置、计算机设备及存储介质
CN111419399A (zh) * 2020-03-17 2020-07-17 京东方科技集团股份有限公司 定位跟踪件、定位球的识别方法、存储介质及电子设备
CN113112490A (zh) * 2021-04-23 2021-07-13 上海卓昕医疗科技有限公司 一种三维医学影像标记点提取方法及系统
CN113888620A (zh) * 2021-09-29 2022-01-04 武汉联影智融医疗科技有限公司 骨钉标记点提取方法、装置、处理设备和存储介质
CN113744328A (zh) * 2021-11-05 2021-12-03 极限人工智能有限公司 医学图像标记点识别方法、装置、电子设备及存储介质
CN113782159A (zh) * 2021-11-12 2021-12-10 极限人工智能有限公司 医学图像标记点匹配方法、装置、电子设备及存储介质
CN114926809A (zh) * 2022-04-14 2022-08-19 重庆兰德适普信息科技有限公司 可通行区域检测方法及装置、移动工具、存储介质
CN114820489A (zh) * 2022-04-15 2022-07-29 北京昆迈医疗科技有限公司 一种基于空间标记点的opm阵列快速光学扫描定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HAO-XIN LV 等: "Radiopaque fiducial markers as an aid to fabrication of an implant surgical guide for a patient with orthodontic brackets: A dental technique", 《THE JOURNAL OF PROSTHETIC DENTISTRY》, pages 1 - 5 *
丁杰 等: "膝关节前交叉韧带胫骨止点的骨性定位标记", 《中国运动医学杂志》, vol. 34, no. 7, pages 658 - 661 *
冯云 等: "一种基于标记点的三维医学图像配准方法研究", 《中国医学装备》, vol. 15, no. 2, pages 6 - 9 *

Also Published As

Publication number Publication date
CN115272288B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN108732582B (zh) 车辆定位方法和装置
US11380084B2 (en) System and method for surgical guidance and intra-operative pathology through endo-microscopic tissue differentiation
CN110338840B (zh) 三维成像数据的显示处理方法和三维超声成像方法及系统
CN103325143B (zh) 基于模型匹配的标记点自动注册方法
WO2022160384A1 (zh) 图像引导机器人微创外科手术的物理空间与图像空间配准方法
CN107481276B (zh) 一种三维医学图像中标记点序列的自动识别方法
CN105405119B (zh) 基于深度置信网络和三维模型的胎儿正中矢状面自动检测方法
US9569850B2 (en) System and method for automatically determining pose of a shape
CN105074773B (zh) 改善脑部扫描中的对称性
CN113112490B (zh) 一种三维医学影像标记点提取方法及系统
CN112146848A (zh) 一种确定摄像头的畸变参数的方法及装置
CN112634256A (zh) 圆检测及拟合方法、装置、电子设备和存储介质
CN109363770A (zh) 一种手术导航机器人标志点自动识别定位方法
CN114529613A (zh) 一种圆阵列标定板的特征点高精度坐标提取方法
CN115690178A (zh) 基于深度学习的跨模块非刚体配准方法、系统及介质
CN116849806A (zh) 医学影像标记点识别方法和手术机器人系统
US7983464B2 (en) System and method for corpus callosum segmentation in magnetic resonance images
CN115797293A (zh) 一种基于磁共振成像的脑影像基准点自动化标注方法
EP3843038B1 (en) Image processing method and system
CN115272288A (zh) 一种医学图像标记点自动识别方法、电子设备及存储介质
CN112651943A (zh) 一种三维影像标记点提取方法
US9589360B2 (en) Biological unit segmentation with ranking based on similarity applying a geometric shape and scale model
CN112307971B (zh) 基于三维点云数据的球体目标识别方法及识别装置
Fiedler et al. A comparative study of automatic localization algorithms for spherical markers within 3D MRI data
CN1216336C (zh) 外科手术导航系统中标示点自动识别和定位方法

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
CB02 Change of applicant information

Address after: 311200 Room 3A08, Building D, Integrated Circuit Design Industrial Park, No. 858, Jianshe Second Road, Economic and Technological Development Zone, Xiaoshan District, Hangzhou, Zhejiang

Applicant after: Hangzhou Weiyin Technology Co.,Ltd.

Address before: 311200 room 806-2, building 1, No. 371, Xingxing Road, Xiaoshan District, Hangzhou, Zhejiang Province

Applicant before: Hangzhou Weiyin Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information

Inventor after: Wang Zhongkun

Inventor after: Pu Xiaolin

Inventor after: Ding Luyuan

Inventor after: Peng Dening

Inventor after: Chen Wanlong

Inventor after: Zhang Min

Inventor before: Wang Zhongkun

Inventor before: Pu Xiaolin

Inventor before: Ding Luyuan

Inventor before: Peng Dening

Inventor before: Chen Wanlong

Inventor before: Zhang Min

CB03 Change of inventor or designer information