CN115761134A - 孪生模型的生成方法、系统、核磁共振装置和介质 - Google Patents
孪生模型的生成方法、系统、核磁共振装置和介质 Download PDFInfo
- Publication number
- CN115761134A CN115761134A CN202211474495.2A CN202211474495A CN115761134A CN 115761134 A CN115761134 A CN 115761134A CN 202211474495 A CN202211474495 A CN 202211474495A CN 115761134 A CN115761134 A CN 115761134A
- Authority
- CN
- China
- Prior art keywords
- model
- digital
- medical image
- whole
- twin model
- 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
Links
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种孪生模型的生成方法、系统、核磁共振装置和介质,生成方法包括:生成方法包括:获取人体各部位的标准医学影像,建立人体各部位的标准数字模型;获取待扫描对象各部位的第一医学影像,建立待扫描对象各部位的第一数字模型;将第一数字模型配准到标准数字模型上,以生成第一全身数字孪生模型;获取待扫描对象各部位的第二医学影像,建立各部位的第二数字模型;将第二数字模型配准到标准数字模型上,以生成第二全身数字孪生模型;将第一全身数字孪生模型和第二全身数字孪生模型进行融合,以生成目标孪生模型;目标孪生模型用于表征待扫描对象的医学影像的变化。本发明提高了医学影像数字孪生数据的准确性。
Description
技术领域
本发明涉及数字医疗技术领域,尤其涉及一种孪生模型的生成方法、系统、核磁共振装置和介质。
背景技术
随着虚拟数字人越来越多的应用到生活、娱乐以及医疗领域,人们对自身人体的孪生数据的需求也会越来越强烈。
目前,一般是基于人体各部位单次扫描的结果,建立部分器官的数字模型,从而生成人体部分器官的医学影像孪生数据。对于完整人体医学影像孪生数据的生成,目前尚无解决方案。另外,由于每次对同一患者扫描的参数存在不同,所以后期对多次扫描的结果进行比较,获得患者变化的医学影像数字孪生数据时,往往会带来一些非病理性因素的影响,从而影响了医学影像数字孪生数据的准确性。
发明内容
本发明要解决的技术问题是为了克服现有技术中无法生成完整的人体医学影像孪生数据及消除患者变化的医学影像数字孪生数据中存在非病理性影响的缺陷,提供一种孪生模型的生成方法、系统、核磁共振装置和介质。
本发明是通过下述技术方案来解决上述技术问题:
本发明提供一种人体医学影像数字孪生模型的生成方法,所述生成方法包括:
获取人体各部位的标准医学影像,建立所述人体各部位的标准数字模型;
获取待扫描对象各部位的第一医学影像,建立待扫描对象各部位的第一数字模型;
将所述第一数字模型配准到所述标准数字模型上,以生成第一全身数字孪生模型;
获取待扫描对象各部位的第二医学影像,建立各部位的第二数字模型;
将所述第二数字模型配准到所述标准数字模型上,以生成第二全身数字孪生模型;
将所述第一全身数字孪生模型和所述第二全身数字孪生模型进行融合,以生成目标孪生模型;所述目标孪生模型用于表征待扫描对象的医学影像的变化。
较佳地,所述建立待扫描对象各部位的第一数字模型的步骤包括:
基于所述第一医学影像,采用深度学习的组织分割算法,对人体各部位进行分割并得到分割结果;
基于所述分割结果,生成与所述人体各部位对应的第一数字模型。
较佳地,所述生成方法包括:
所述标准医学影像由第一磁共振成像设备对离体器官扫描获得;
所述第一医学影像由第二磁共振成像设备对待扫描对象进行扫描获得;
所述第二医学影像由所述第二磁共振成像设备或者第三磁共振成像设备对待扫描对象进行扫描获得;
所述第一磁共振成像设备的磁场强度大于所述第二磁共振成像设备和所述第三磁共振成像设备的磁场强度。
较佳地,所述将所述第一数字模型配准到所述标准数字模型上的步骤包括:
基于相同部位进行配准,获取所述第一数字模型的特征点以及相对应的所述标准数字模型的特征点;
对所述第一数字模型的特征点和所述标准数字模型的特征点进行特征匹配,以获得几何变换模型;
基于所述几何变换模型,对所述第一数字模型进行对应的参数变换和插值处理,以获得目标数字模型;所述目标数字模型与所述标准数字模型处于同一个坐标系。
较佳地,所述生成所述第一全身数字孪生模型的步骤包括:
将各部位的第一医学影像进行拼接,以生成第一全身医学影像;
基于所述第一全身医学影像,将所述各部位的第一数字模型配准到所述各部位的标准数字模型上,以生成所述第一全身数字孪生模型。
较佳地,所述将各部位的第一医学影像进行拼接的步骤包括:
获取第一待拼接部位的第一医学影像和第二待拼接部位的第一医学影像;
对所述第一待拼接部位的第一医学影像和所述第二待拼接部位的第一医学影像进行预处理,以提取所述第一待拼接部位的第一医学影像和所述第二待拼接部位的第一医学影像的重叠区域;
将所述第一待拼接部位的第一医学影像和所述第二待拼接部位的第一医学影像进行配准,以对齐所述第一待拼接部位的第一医学影像和所述第二待拼接部位的第一医学影像的空间坐标;
对所述重叠区域进行像素融合,以生成所述第一全身医学影像。
较佳地,所述生成第二全身数字孪生模型的步骤包括:
获取所述第一全身数字孪生模型的特征点;
基于所述第一全身数字孪生模型的特征点和所述各部位的第二数字模型,获取所述各部位的第二数字模型的特征点;所述第二数字模型的特征点与所述第一全身数字孪生模型的特征点具有映射关系;
基于所述第二数字模型的特征点和所述各部位的第二数字模型,将所述各部位的第二数字模型配准到所述各部位的标准数字模型上,以生成所述第二全身数字孪生模型。
本发明还提供一种人体医学影像数字孪生模型的生成系统,所述生成系统包括:
第一获取模块,用于根据人体各部位的标准医学影像,获取所述人体各部位的标准数字模型;
第二获取模块,用于根据各部位的第一医学影像,获取所述各部位的第一数字模型;
配准模块,用于将所述各部位的第一数字模型配准到所述各部位的标准数字模型上,以生成第一全身数字孪生模型;
第三获取模块,用于根据所述各部位的第二医学影像,获取所述各部位的第二数字模型;
模型生成模块,用于基于所述第一全身数字孪生模型和所述各部位的第二数字模型,生成第二全身数字孪生模型;
融合模块,用于将所述第一全身数字孪生模型和所述第二全身数字孪生模型进行融合以生成目标孪生模型;所述目标孪生模型用于表征医学影像的变化。
本发明还提供一种磁共振成像装置,包括:扫描仪、检查床,以及如前述的人体医学影像数字孪生模型的生成系统。
本发明还提供一种非易失性存储介质,包括存储器和和执行器,所述存储器上存储有运行的计算机程序,所述执行器执行所述计算机程序以实现如前述的人体医学影像数字孪生模型的生成方法。
本发明还提供一种电子设备,包括存储器、处理器以及存储在存储器上并可在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如前所述的人体医学影像数字孪生模型的生成方法。
本发明的积极进步效果在于:
本发明通过将待扫描对象各部位的第一数字模型配准到人体各部位的标准数字模型上,生成第一全身数字孪生模型,再基于生成的第一全身数字孪生模型和各部位的第二数字模型,生成第二全身数字孪生模型,实现了全身数字孪生模型的获取,及待扫描对象的第二全身数字孪生模型的生成与第一全身数字孪生模型进行关联,从而消除了在获取待扫描对象变化的医学影像数字孪生数据时带来非病理性因素的影响,进而提高了医学影像数字孪生数据的准确性。
附图说明
图1为本发明实施例的一种人体医学影像数字孪生模型的生成方法的流程图;
图2为本发明实施例中的步骤S102中建立待扫描对象各部位的第一数字模型的流程图;
图3为本发明实施例中的待诊对象头部血管的第一数字模型建立示意图;
图4为本发明实施例中的患者头部的第一数字模型建立第一示意图;
图5为本发明实施例中的患者头部的第一数字模型建立第二示意图;
图6为本发明实施例中步骤S103中将所述第一数字模型配准到所述标准数字模型上的流程图;
图7为本发明实施例中的影像拼接第一示意图;
图8为本发明实施例中的影像拼接第二示意图;
图9为本发明实施例中的拼接流程图;
图10为本发明实施例中的拼接算法原理图;
图11为本发明实施例中的图像配准算法示意图;
图12为本发明实施例中的步骤S105的流程图;
图13为本发明实施例的人体医学影像数字孪生数据的生成系统的模块示意图;
图14为本发明实施例中的第二获取模块2的模块示意图;
图15为本发明实施例中的配准模块3的模块示意图;
图16为本发明实施例中的模型生成模块5的模块示意图;
图17为本发明实施例的磁共振装置的模块示意图;
图18为本发明实施例的一种电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
本发明一些实施例如图1所示,公开了一种人体医学影像数字孪生模型的生成方法,所述生成方法包括:
步骤S101、获取人体各部位的标准医学影像,建立所述人体各部位的标准数字模型;其中,人体各部位包括人体的肢体、身体等外部可见的部位,还包括人体的内脏器官等外部不可见的部位。
步骤S102、获取待扫描对象各部位的第一医学影像,建立待扫描对象各部位的第一数字模型;
步骤S103、将所述第一数字模型配准到所述标准数字模型上,以生成第一全身数字孪生模型;
步骤S104、获取待扫描对象各部位的第二医学影像,建立各部位的第二数字模型;
步骤S105、将所述第二数字模型配准到所述标准数字模型上,以生成第二全身数字孪生模型;
步骤S106、将所述第一全身数字孪生模型和所述第二全身数字孪生模型进行融合,以生成目标孪生模型;所述目标孪生模型用于表征待扫描对象的医学影像的变化。具体地,所述第二医学影像扫描时间晚于所述第一医学影像扫描时间。
本方案中,所述标准医学影像通过第一磁场强度对离体器官扫描获得;所述第一医学影像通过第二磁场强度扫描获得;所述第二医学影像通过第三磁场强度扫描获得;所述第一磁场强度大于所述第二磁场强度;所述第二磁场强度大于所述第三磁场强度。例如,通过场强为5.0T(特斯拉),7.0T,9.4T及以上的超高场对离体器官进行医学影像扫描并获得超高清扫描的医学影像,经过人工标注,算法建模等得到超高场分割结果,获得相应器官的标准医学影像。获得标准医学影像后,后续患者初次进行医学影像扫描时,不需要再采用5.0T,7.0T,9.4T及以上的超高场进行扫描,只需采用3.0T/1.5T等低场的MR(磁共振检查)对患者进行医学影像扫描,也即本方案中对患者各部位的第一医学影像可以通过3.0T/1.5T等低场的MR来获取。当该患者后续复查,再次进行医学影像扫描时,只需要采用0.5T甚至更低场强的MR对患者进行医学影像扫描,也即本方案中对患者各部位的第二医学影像可以通过0.5T甚至更低场强的MR来获取。
以MR为例,在同样扫描时间的情况下,随着场强的升高,扫描获得的医学影像的信噪比和分辨率也明显提升,所以,场强越高,理论上对于人体医学影像数字孪生数据的生成是更有利的,但是,在实际中,超高场强的MR资源很稀缺,单次扫描的成本高,且并不是所有人都能耐受超高场的扫描,比如目前的3.0T/1.5T MR广泛应用于临床,但是5.0T以及7.0T只有少数部位可以用于临床,而更高场强的9.4T目前还是动物实验阶段,孔径很小以致不能够容纳人体,且人体能否耐受这么强的磁场也是未知,因此,需要通过超高场强设备对离体器官进行扫描来获取相应器官的标准医学影像。进一步的,3.0T/1.5T MR是目前医院主流医学影像设备,因此,在患者初次检查时,可以通过3.0T/1.5T等低场的MR来获取医学影像。未来便携MR设备一定是更加小型化且场强更低的扫描设备,且这些便携MR设备和扫描设备,将会普及到社区或家庭,另外,当该患者后续复查,只想观察病灶,无需获得高分辨率的影像,因此,在复查时可以通过0.5T甚至更低场强的MR来获取,从而提高了复查时医学影像获取的便捷性。
本方案,通过将各部位的第一数字模型配准到各部位的标准数字模型上,生成患者的第一全身数字孪生模型,再基于第一全身数字孪生模型和各部位的第一数字模型,生成患者的第二全身数字孪生模型,实现了全身数字孪生模型的获取,及患者的第二全身数字孪生模型的生成与第一全身数字孪生模型进行关联,从而消除获取患者变化的医学影像数字孪生数据时,带来一些非病理性因素的影响,进而提高了医学影像数字孪生数据的准确性。
需要说明的是,在本方案中既可以通过将各部位的第一数字模型配准到各部位的标准数字模型上生成患者的第一全身数字孪生模型,也可以将多个部位配准到一个标准人体上生成患者的第一全身数字孪生模型,在此不做限定,可以根据实际使用需求进行选定。
如图2所示,在一可实施的方式中,步骤S102中建立待扫描对象各部位的第一数字模型的步骤包括:
步骤S1021、基于所述第一医学影像,采用深度学习的组织分割算法,对人体各部位进行分割并得到分割结果;
步骤S1022、基于所述分割结果,生成与所述人体各部位对应的第一数字模型。
如图3为所述待诊对象头部血管的第一数字模型建立示意图,具体为基于头部血管的第一医学影像进行建模后所获得的头部血管的第一数字模型的示意图。由于头部血管的第一医学影像图和基于头部血管的第一医学影像进行建模后所获得的头部血管的第一数字模型的示意图,在黑白效果图下状态显示相同,无法区别,故未将头部血管的第一医学影像图示出。如图4和图5为所述患者头部的第一数字模型建立示意图,其中,图4为头部的第一医学影像,图中左上部分为患者头部冠状面示意图、左下部分为患者头部矢状面示意图、右侧部分为患者头部横断面示意图,图5为基于头部的第一医学影像进行建模后所获得的头部的第一数字模型,图5中左上部分示意图、左下部分示意图及右上部分示意图分别对应图4中左下部分示意图、左上部分示意图及右侧部分示意图对应的第一数字模型。下面以获取所述患者头部的第一数字模型为例,通过3.0T/1.5T等低场的MR对患者的头部进行医学影像扫描以获得患者头部的第一医学影像,对该头部的第一医学影像进行预处理,以控制该头部的第一医学影像的质量,然后,再经过人工标注,算法建模生成所述患者各部位的第一数字模型,如,采用深度学习的组织分割算法,对人体组织进行分割并得到分割结果,基于所述分割结果,生成所述患者各部位的第一数字模型。在具体实际应用中,在生成所述患者各部位的第一数字模型过程中,可以对模型进行后处理,如,校正模型细节和调整模型方位等。
本方案,基于各部位的第一医学影像,采用深度学习的组织分割算法,对人体组织进行分割并得到分割结果,基于分割结果,生成患者各部位的第一数字模型,采用上述方案使得生成患者各部位的第一数字模型更加准确,进而确保了医学影像数字孪生数据的准确性的提高。
在一可实施的方式中,所述生成方法包括:
所述标准医学影像由第一磁共振成像设备对离体器官扫描获得;
所述第一医学影像由第二磁共振成像设备对待扫描对象进行扫描获得;
所述第二医学影像由所述第二磁共振成像设备或者第三磁共振成像设备对待扫描对象进行扫描获得;具体地,第二磁共振成像设备的场强和第三磁共振成像设备的场强可以相同也可以不同。
所述第一磁共振成像设备的磁场强度大于所述第二磁共振成像设备和所述第三磁共振成像设备的磁场强度。
如图6所示,在一可实施的方式中,所述步骤S103中将所述第一数字模型配准到所述标准数字模型上的步骤包括:
步骤S1031、基于相同部位进行配准,获取所述第一数字模型的特征点以及相对应的所述标准数字模型的特征点;具体地,可以多个部位逐一进行配准,也可以多个部位同时进行配准。
具体地,基于相同部位进行配准,获取所述第一数字模型的特征点和所述标准数字模型的特征点,需满足以下三个条件:
第一,显著性,所提取的特征应该是比较明显的,分布广泛的、易于提取的特征;
第二,抗噪性,具有较强的噪声抑制能力且对成像条件的变化不敏感;
第三,一致性,能准确地检测出两个数字模型的共有特征。
步骤S1032、对所述第一数字模型的特征点和所述标准数字模型的特征点进行特征匹配,以获得几何变换模型;
步骤S1033、基于所述几何变换模型,对所述第一数字模型进行对应的参数变换和插值处理,以获得目标数字模型;所述目标数字模型与所述标准数字模型处于同一个坐标系。
本方案,对所述第一数字模型的特征点和所述标准数字模型的特征点进行特征匹配,特征匹配可以通过特征描述及相似性度来建立所提取的特征之间的对应关系。根据特征匹配,获得所述第一数字模型的与标准数字模型之间的几何畸变的情况,并通过几何畸变的情况,选择能最佳拟合两个数字模型之间变化的几何变换模型,该几何变换模型可以分为全局映射模型和局部映射模型。然后将第一数字模型作对应的参数变换,使它与标准数字模型处于同一个坐标系下,其中,全局映射模型利用所有控制点信息进行全局参数估计;局部映射模型利用影像局部的特征分别进行局部参数估计。常见的变换模型包括仿射变换、透视变换、多项式变换等。由于模型变换后的坐标点不一定是整数,因此,需要考虑一定的插值处理操作。最后,实现了将所述各部位的第一数字模型配准到所述各部位的标准数字模型上。
本方案,通过第一数字模型的特征点和标准数字模型的特征点,将各部位的第一数字模型配准到各部位的标准数字模型上,从而确保了配准的准确性。
在一可实施的方式中,所述生成所述第一全身数字孪生模型的步骤包括:
将各部位的第一医学影像进行拼接,以生成第一全身医学影像;
基于所述第一全身医学影像,将所述各部位的第一数字模型配准到所述各部位的标准数字模型上,以生成所述第一全身数字孪生模型。
本方案,磁共振成像系统可以扫描的人体范围,一般为10~50cm。受到扫描视野的限制,单次扫描只能获取部分人体影像,不利于医生对解剖结构的观察和定位,影响了对影像分析和诊断的效率。通过采用拼接技术,对多次连续扫描的序列影像进行拼接,使得大范围快速成像轻松可得,从而实现了患者的第一全身数字孪生模型。
在一具体的实施例中,如图7所示,磁共振成像系统可以扫描的人体范围为50cm。通过磁共振成像系统按照扫描人体范围为50cm获得的六部分人体影像。然后通过拼接技术将六部分人体影像拼接形成的全身医学影像。在另一具体的实施例中,如图8所示,磁共振成像系统按照预设的扫描人体脊椎范围,获得的两部分人体脊椎的影像,然后通过拼接技术将两部分人体影像拼接形成的完整的人体脊椎医学影像。
在一可实施的方式中,所述将各部位的第一医学影像进行拼接的步骤包括:
获取第一待拼接部位的第一医学影像和第二待拼接部位的第一医学影像;
对所述第一待拼接部位的第一医学影像和所述第二待拼接部位的第一医学影像进行预处理,以提取所述第一待拼接部位的第一医学影像和所述第二待拼接部位的第一医学影像的重叠区域;
将所述第一待拼接部位的第一医学影像和所述第二待拼接部位的第一医学影像进行配准,以对齐所述第一待拼接部位的第一医学影像和所述第二待拼接部位的第一医学影像的空间坐标;
对所述重叠区域进行像素融合,以生成所述第一全身医学影像。
具体地,拼接流程图如图9所示:将两个待拼接部位对应的影像分别定义为输入影像和参考影像。首先,对输入影像和参考影像进行预处理,即提取两个输入影像和参考影像的重叠区域,作为子图。然后,对上述重叠区域对应的两个子图进行基于互信息的刚体配准,并将刚体配准结果作用在输入影像和参考影像上,将输入影像和参考影像进行空间坐标对齐。最后,将输入影像和参考影像的重叠区域进行像素融合,并平滑拼接缝隙,以得到目标影像,即拼接全景图。
进一步地,拼接算法原理如图10所示:
第一步:根据DICOM(医学数字成像和通信)信息,获取相邻部位的影像的重叠区域,以确定两个子图;
其中,使用的DICOM信息包括:(0020 0032)Image Position(Patient)(扫描位置)、(0020 1041)Slice Location(切片位置)、(0018 0088)Spacing Between Slices(各个切片之间的间距)、(0028 0030)Pixel Spacing(像素之间的间距)、(0028 0010)Rows(横排的像素点个数)、(0028 0011)Columns(纵列的像素点个数)及体数据中的层数。
第二步:将两个子图进行刚体配准,并记录空间变换关系;
如图11为图像配准算法示意图,具体地,刚体配准采用基于互信息的刚体配准。互信息越大则表示两个影像越相似。其中,两个影像一个作为参考影像,一个作为浮动影像。配准的过程可归结为寻求最佳空间变换,以使得参考图像与浮动图像的互信息最大。由于空间变换模型包含多个参数,属于一个多参数最优化问题,一般由迭代过程实现。具体的实现过程如图10所示,首先,基于参考影像和浮动影像,计算代价函数,也即互信息,及其对集合变换参数的导数;然后,进行最优化搜索,并进行迭代收敛,判断迭代收敛是否满足迭代停止条件,若是,则得到最优的空间变换,并输出配准图像,若否,则修改空间变换参数;根据修改后的空间变换参数,浮动图像进行图像变换,得到新的浮动图像。最后,再基于新的浮动图像和参考图像,计算代价函数,也即互信息,及其对集合变换参数的导数。如此循环,直至满足足迭代停止条件,则得到最优的空间变换,并输出配准图像。
第三步:根据空间变换关系,将位于重叠区域下方的影像进行重建,使得重叠区域对应的两个子图的空间坐标一致;
第四步:将重叠区域对应的两个子图进行像素融合,非重叠区域的像素值取自相邻部位对应的影像。
具体地,像素融合采用渐进渐出的加权平均法,例如,待拼接的两个影像分别为I1和I2,设I1(x,y)和I2(x,y)是待拼接的两个影像中的像素值,则重叠区域影像的像素值I(x,y)可表示为:I(x,y)=dI1(x,y)+(1-d)I2(x,y),其中,d=(a-b)/a。
式中,a是待拼接图像的重叠区域的长度;b是重叠区域里某一个点距离图像I2边缘的距离,则(a-b)是该点距离图像I1边缘的距离;d是拼接时I1像素的权重,(1-d)是拼接时I2像素的权重。拼接权重之和等于1,且I1/I2的拼接权重与待拼接点与其边缘的距离成反比,即越靠近边缘,拼接权重越低。可以看到,当待拼接的像素点距离I2边缘越近时,b的数值越小,I2对应像素参与拼接时的权重1-d=b/a就越小;对应的,此时I1对应像素参与拼接时的权重d=(a-b)/a就会越大。
如图12所示,在一可实施的方式中,所述步骤S105包括:
步骤S1051、获取所述第一全身数字孪生模型的特征点;
步骤S1052、基于所述第一全身数字孪生模型的特征点和所述各部位的第二数字模型,获取所述各部位的第二数字模型的特征点;所述第二数字模型的特征点与所述第一全身数字孪生模型的特征点具有映射关系;
步骤S1053、基于所述第二数字模型的特征点和所述各部位的第二数字模型,将所述各部位的第二数字模型配准到所述各部位的标准数字模型上,以生成所述第二全身数字孪生模型。
本方案中,可以根据时间的先后顺序,通过动画帧的播放方式或视频的播放方式将患者的第一全身数字孪生模型和患者的第二全身数字孪生模型进行展示。
本方案,通过将患者各部位的第二数字模型的特征点的获取与第一全身数字孪生模型的特征点进行关联,从而消除获取患者变化的医学影像数字孪生数据时,带来一些非病理性因素的影响,使得生成所述患者的第二全身数字孪生模型更加准确,进而提高了患者变化的医学影像数字孪生数据的准确性。
本发明另一些实施例
如图13所示,本实施例公开了一种人体医学影像数字孪生数据的生成系统,所述生成系统包括:
第一获取模块11,用于获取人体各部位的标准医学影像,建立所述人体各部位的标准数字模型;其中,人体各部位包括人体的肢体、身体等外部可见的部位,还包括人体的内脏器官等外部不可见的部位。
第二获取模块12,用于获取待扫描对象各部位的第一医学影像,建立待扫描对象各部位的第一数字模型;
配准模块13,用于将所述第一数字模型配准到所述标准数字模型上,以生成第一全身数字孪生模型;
第三获取模块14,用于获取待扫描对象各部位的第二医学影像,建立各部位的第二数字模型;
模型生成模块15,用于将所述第二数字模型配准到所述标准数字模型上,以生成第二全身数字孪生模型;
融合模块16,用于将所述第一全身数字孪生模型和所述第二全身数字孪生模型进行融合,以生成目标孪生模型;所述目标孪生模型用于表征待扫描对象的医学影像的变化。具体地,所述第二医学影像扫描时间晚于所述第一医学影像扫描时间。
本方案中,所述标准医学影像通过第一磁场强度对离体器官扫描获得;所述第一医学影像通过第二磁场强度扫描获得;所述第二医学影像通过第三磁场强度扫描获得;所述第一磁场强度大于所述第二磁场强度;所述第二磁场强度大于所述第三磁场强度。例如,通过场强为5.0T,7.0T,9.4T及以上的超高场对离体器官进行医学影像扫描并获得超高清扫描的医学影像,经过人工标注,算法建模等得到超高场分割结果,获得相应器官的标准医学影像。获得标准医学影像后,后续患者初次进行医学影像扫描时,不需要再采用5.0T,7.0T,9.4T及以上的超高场进行扫描,只需采用3.0T/1.5T等低场的MR(磁共振检查)对患者进行医学影像扫描,也即本方案中对患者各部位的第一医学影像可以通过3.0T/1.5T等低场的MR来获取。当该患者后续复查,再次进行医学影像扫描时,只需要采用0.5T甚至更低场强的MR对患者进行医学影像扫描,也即本方案中对患者各部位的第二医学影像可以通过0.5T甚至更低场强的MR来获取。
以MR为例,在同样扫描时间的情况下,随着场强的升高,扫描获得的医学影像的信噪比和分辨率也明显提升,所以,场强越高,理论上对于人体医学影像数字孪生数据的生成是更有利的,但是,在实际中,超高场强的MR资源很稀缺,单次扫描的成本高,且并不是所有人都能耐受超高场的扫描,比如目前的3.0T/1.5T MR广泛应用于临床,但是5.0T以及7.0T只有少数部位可以用于临床,而更高场强的9.4T目前还是动物实验阶段,孔径很小以致不能够容纳人体,且人体能否耐受这么强的磁场也是未知,因此,需要通过超高场强设备对离体器官进行扫描来获取相应器官的标准医学影像。进一步的,3.0T/1.5T MR是目前医院主流医学影像设备,因此,在患者初次检查时,可以通过3.0T/1.5T等低场的MR来获取医学影像。未来便携MR设备一定是更加小型化且场强更低的扫描设备,且这些便携MR设备和扫描设备,将会普及到社区或家庭,另外,当该患者后续复查,只想观察病灶,无需获得高分辨率的影像,因此,在复查时可以通过0.5T甚至更低场强的MR来获取,从而提高了复查时医学影像获取的便捷性。
本方案,通过将各部位的第一数字模型配准到各部位的标准数字模型上,生成患者的第一全身数字孪生模型,再基于第一全身数字孪生模型和各部位的第二数字模型,生成患者的第二全身数字孪生模型,实现了全身数字孪生模型的获取,及患者的第二全身数字孪生模型的生成与第一全身数字孪生模型进行关联,从而消除获取患者变化的医学影像数字孪生数据时,带来一些非病理性因素的影响,进而提高了医学影像数字孪生数据的准确性。
需要说明的是,在本方案中既可以通过将各部位的第一数字模型配准到各部位的标准数字模型上生成患者的第一全身数字孪生模型,也可以将多个部位配准到一个标准人体上生成患者的第一全身数字孪生模型,在此不做限定,可以根据实际使用需求进行选定。
如图14所示,在一可实施的方式中,第二获取模块12包括:
分割单元121,用于基于所述第一医学影像,采用深度学习的组织分割算法,对人体各部位进行分割并得到分割结果;
生成单元122,用于基于所述分割结果,生成与所述人体各部位对应的第一数字模型。
如图3为所述待诊对象头部血管的第一数字模型建立示意图,具体为基于头部血管的第一医学影像进行建模后所获得的头部血管的第一数字模型的示意图。由于头部血管的第一医学影像图和基于头部血管的第一医学影像进行建模后所获得的头部血管的第一数字模型的示意图,在黑白效果图下状态显示相同,无法区别,故未将头部血管的第一医学影像图示出。如图4和图5为所述患者头部的第一数字模型建立示意图,其中,图4为头部的第一医学影像,图中左上部分为患者头部冠状面示意图、左下部分为患者头部矢状面示意图、右侧部分为患者头部横断面示意图,图5为基于头部的第一医学影像进行建模后所获得的头部的第一数字模型,图5中左上部分示意图、左下部分示意图及右上部分示意图分别对应图4中左下部分示意图、左上部分示意图及右侧部分示意图对应的第一数字模型。下面以获取所述患者头部的第一数字模型为例,通过3.0T/1.5T等低场的MR对患者的头部进行医学影像扫描以获得患者头部的第一医学影像,对该头部的第一医学影像进行预处理,以控制该头部的第一医学影像的质量,然后,再经过人工标注,算法建模生成所述患者各部位的第一数字模型,如,采用深度学习的组织分割算法,对人体组织进行分割并得到分割结果,基于所述分割结果,生成所述患者各部位的第一数字模型。在具体实际应用中,在生成所述患者各部位的第一数字模型过程中,可以对模型进行后处理,如,校正模型细节和调整模型方位等。
本方案,基于各部位的第一医学影像,采用深度学习的组织分割算法,对人体组织进行分割并得到分割结果,基于分割结果,生成患者各部位的第一数字模型,采用上述方案使得生成患者各部位的第一数字模型更加准确,进而确保了医学影像数字孪生数据的准确性的提高。
在一可实施的方式中,所述生成系统还用于:
所述标准医学影像由第一磁共振成像设备对离体器官扫描获得;
所述第一医学影像由第二磁共振成像设备对待扫描对象进行扫描获得;
所述第二医学影像由所述第二磁共振成像设备或者第三磁共振成像设备对待扫描对象进行扫描获得;具体地,第二磁共振成像设备的场强和第三磁共振成像设备的场强可以相同也可以不同。
所述第一磁共振成像设备的磁场强度大于所述第二磁共振成像设备和所述第三磁共振成像设备的磁场强度。
如图15所示,在一可实施的方式中,所述配准模块13包括:
第一获取单元131,用于基于相同部位进行配准,获取所述第一数字模型的特征点以及相对应的所述标准数字模型的特征点;具体地,可以多个部位逐一进行配准,也可以多个部位同时进行配准。
具体地,基于相同部位进行配准,获取所述第一数字模型的特征点和所述标准数字模型的特征点,需满足以下三个条件:
第一,显著性,所提取的特征应该是比较明显的,分布广泛的、易于提取的特征;
第二,抗噪性,具有较强的噪声抑制能力且对成像条件的变化不敏感;
第三,一致性,能准确地检测出两个数字模型的共有特征。
匹配单元132,用于对所述第一数字模型的特征点和所述标准数字模型的特征点进行特征匹配,以获得几何变换模型;
处理单元133,用于基于所述几何变换模型,对所述第一数字模型进行对应的参数变换和插值处理,以获得目标数字模型;所述目标数字模型与所述标准数字模型处于同一个坐标系。
本方案,对所述第一数字模型的特征点和所述标准数字模型的特征点进行特征匹配,特征匹配可以通过特征描述及相似性度来建立所提取的特征之间的对应关系。根据特征匹配,获得所述第一数字模型的与标准数字模型之间的几何畸变的情况,并通过几何畸变的情况,选择能最佳拟合两个数字模型之间变化的几何变换模型,该几何变换模型可以分为全局映射模型和局部映射模型。然后将第一数字模型作对应的参数变换,使它与标准数字模型处于同一个坐标系下,其中,全局映射模型利用所有控制点信息进行全局参数估计;局部映射模型利用影像局部的特征分别进行局部参数估计。常见的变换模型包括仿射变换、透视变换、多项式变换等。由于模型变换后的坐标点不一定是整数,因此,需要考虑一定的插值处理操作。最后,实现了将所述各部位的第一数字模型配准到所述各部位的标准数字模型上。
本方案,通过第一数字模型的特征点和标准数字模型的特征点,将各部位的第一数字模型配准到各部位的标准数字模型上,从而确保了配准的准确性。
在一可实施的方式中,所述生成单元122具体用于:
将各部位的第一医学影像进行拼接,以生成第一全身医学影像;
基于所述第一全身医学影像,将所述各部位的第一数字模型配准到所述各部位的标准数字模型上,以生成所述第一全身数字孪生模型。
本方案,磁共振成像系统可以扫描的人体范围,一般为10~50cm。受到扫描视野的限制,单次扫描只能获取部分人体影像,不利于医生对解剖结构的观察和定位,影响了对影像分析和诊断的效率。通过采用拼接技术,对多次连续扫描的序列影像进行拼接,使得大范围快速成像轻松可得,从而实现了患者的第一全身数字孪生模型。
在一具体的实施例中,如图6所示,磁共振成像系统可以扫描的人体范围为50cm。通过磁共振成像系统按照扫描人体范围为50cm获得的六部分人体影像。然后通过拼接技术将六部分人体影像拼接形成的全身医学影像。在另一具体的实施例中,如图磁共振成像系统按照预设的扫描人体脊椎范围,获得的两部分人体脊椎的影像,然后通过拼接技术将两部分人体影像拼接形成的完整的人体脊椎医学影像。
在一可实施的方式中,所述生成单元22具体还用于:
获取第一待拼接部位的第一医学影像和第二待拼接部位的第一医学影像;
对所述第一待拼接部位的第一医学影像和所述第二待拼接部位的第一医学影像进行预处理,以提取所述第一待拼接部位的第一医学影像和所述第二待拼接部位的第一医学影像的重叠区域;
将所述第一待拼接部位的第一医学影像和所述第二待拼接部位的第一医学影像进行配准,以对齐所述第一待拼接部位的第一医学影像和所述第二待拼接部位的第一医学影像的空间坐标;
对所述重叠区域进行像素融合,以生成所述第一全身医学影像。
具体地,拼接流程图如图9所示:将两个待拼接部位对应的影像分别定义为输入影像和参考影像。首先,对输入影像和参考影像进行预处理,即提取两个输入影像和参考影像的重叠区域,作为子图。然后,对上述重叠区域对应的两个子图进行基于互信息的刚体配准,并将刚体配准结果作用在输入影像和参考影像上,将输入影像和参考影像进行空间坐标对齐。最后,将输入影像和参考影像的重叠区域进行像素融合,并平滑拼接缝隙,以得到目标影像,即拼接全景图。
进一步地,拼接算法原理如图10所示:
第一步:根据DICOM信息,获取相邻部位的影像的重叠区域,以确定两个子图;
其中,使用的DICOM信息包括:(0020 0032)Image Position(Patient)(扫描位置)、(0020 1041)Slice Location(切片位置)、(0018 0088)Spacing Between Slices(各个切片之间的间距)、(0028 0030)Pixel Spacing(像素之间的间距)、(0028 0010)Rows、(0028 0011)Columns及体数据中的层数。
第二步:将两个子图进行刚体配准,并记录空间变换关系;
如图10为图像配准算法示意图,具体地,刚体配准采用基于互信息的刚体配准。互信息越大则表示两个影像越相似。其中,两个影像一个作为参考影像,一个作为浮动影像。配准的过程可归结为寻求最佳空间变换,以使得参考图像与浮动图像的互信息最大。由于空间变换模型包含多个参数,属于一个多参数最优化问题,一般由迭代过程实现。具体的实现过程如图10所示,首先,基于参考影像和浮动影像,计算代价函数,也即互信息,及其对集合变换参数的导数;然后,进行最优化搜索,并进行迭代收敛,判断迭代收敛是否满足迭代停止条件,若是,则得到最优的空间变换,并输出配准图像,若否,则修改空间变换参数;根据修改后的空间变换参数,浮动图像进行图像变换,得到新的浮动图像。最后,再基于新的浮动图像和参考图像,计算代价函数,也即互信息,及其对集合变换参数的导数。如此循环,直至满足足迭代停止条件,则得到最优的空间变换,并输出配准图像。
第三步:根据空间变换关系,将位于重叠区域下方的影像进行重建,使得重叠区域对应的两个子图的空间坐标一致;
第四步:将重叠区域对应的两个子图进行像素融合,非重叠区域的像素值取自相邻部位对应的影像。
具体地,像素融合采用渐进渐出的加权平均法,例如,待拼接的两个影像分别为I1和I2,设I1(x,y)和I2(x,y)是待拼接的两个影像中的像素值,则重叠区域影像的像素值I(x,y)可表示为:I(x,y)=dI1(x,y)+(1-d)I2(x,y),其中,d=(a-b)/a。
式中,a是待拼接图像的重叠区域的长度;b是重叠区域里某一个点距离图像I2边缘的距离,则(a-b)是该点距离图像I1边缘的距离;d是拼接时I1像素的权重,(1-d)是拼接时I2像素的权重。拼接权重之和等于1,且I1/I2的拼接权重与待拼接点与其边缘的距离成反比,即越靠近边缘,拼接权重越低。可以看到,当待拼接的像素点距离I2边缘越近时,b的数值越小,I2对应像素参与拼接时的权重1-d=b/a就越小;对应的,此时I1对应像素参与拼接时的权重d=(a-b)/a就会越大。
如图16所示,在一可实施的方式中,所述模型生成模块15包括:
第二获取单元151,用于获取所述第一全身数字孪生模型的特征点;
第三获取单元152,用于基于所述第一全身数字孪生模型的特征点和所述各部位的第二数字模型,获取所述各部位的第二数字模型的特征点;所述第二数字模型的特征点与所述第一全身数字孪生模型的特征点具有映射关系;
配准单元153,用于基于所述第二数字模型的特征点和所述各部位的第二数字模型,将所述各部位的第二数字模型配准到所述各部位的标准数字模型上,以生成所述第二全身数字孪生模型。
本方案中,可以根据时间的先后顺序,通过动画帧的播放方式或视频的播放方式将患者的第一全身数字孪生模型和患者的第二全身数字孪生模型进行展示。
本方案,通过将患者各部位的第二数字模型的特征点的获取与第一全身数字孪生模型的特征点进行关联,从而消除获取患者变化的医学影像数字孪生数据时,带来一些非病理性因素的影响,使得生成所述患者的第二全身数字孪生模型更加准确,进而提高了患者变化的医学影像数字孪生数据的准确性。
本发明另一些实施例
如图17所示,本实施例公开了一种磁共振成像装置,所述磁共振成像装置包括扫描仪2、检查床3、以及如实施例2的人体医学影像数字孪生模型的生成系统1。
本发明另一些实施例
图18为本发明实施例提供的一种电子设备的结构示意图。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例所提供的人体医学影像数字孪生模型的生成方法。图18显示的电子设备40仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图18所示,电子设备40可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备40的组件可以包括但不限于:上述至少一个处理器41、上述至少一个存储器42、连接不同系统组件(包括存储器42和处理器41)的总线43。
总线43包括数据总线、地址总线和控制总线。
存储器42可以包括易失性存储器,例如随机存取存储器(RAM)421和/或高速缓存存储器422,还可以进一步包括只读存储器(ROM)423。
存储器42还可以包括具有一组(至少一个)程序模块424的程序/实用工具425,这样的程序模块424包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器41通过运行存储在存储器42中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例所提供的人体医学影像数字孪生模型的生成方法。
电子设备40也可以与一个或多个外部设备44(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口45进行。并且,模型生成的设备40还可以通过网络适配器46与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器46通过总线43与模型生成的设备40的其它模块通信。应当明白,尽管图中未示出,可以结合模型生成的设备40使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
本发明另一些实施例
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现实施例所提供的人体医学影像数字孪生模型的生成方法。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现实施例所提供的人体医学影像数字孪生模型的生成方法。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (10)
1.一种人体医学影像数字孪生模型的生成方法,其特征在于,所述生成方法包括:
获取人体各部位的标准医学影像,建立所述人体各部位的标准数字模型;
获取待扫描对象各部位的第一医学影像,建立待扫描对象各部位的第一数字模型;
将所述第一数字模型配准到所述标准数字模型上,以生成第一全身数字孪生模型;
获取待扫描对象各部位的第二医学影像,建立各部位的第二数字模型;
将所述第二数字模型配准到所述标准数字模型上,以生成第二全身数字孪生模型;
将所述第一全身数字孪生模型和所述第二全身数字孪生模型进行融合,以生成目标孪生模型;所述目标孪生模型用于表征待扫描对象的医学影像的变化。
2.如权利要求1所述的人体医学影像数字孪生模型的生成方法,其特征在于,所述建立待扫描对象各部位的第一数字模型的步骤包括:
基于所述第一医学影像,采用深度学习的组织分割算法,对人体各部位进行分割并得到分割结果;
基于所述分割结果,生成与所述人体各部位对应的第一数字模型。
3.如权利要求1所述的人体医学影像数字孪生模型的生成方法,其特征在于,所述生成方法包括:
所述标准医学影像由第一磁共振成像设备对离体器官扫描获得;
所述第一医学影像由第二磁共振成像设备对待扫描对象进行扫描获得;
所述第二医学影像由所述第二磁共振成像设备或者第三磁共振成像设备对待扫描对象进行扫描获得;
所述第一磁共振成像设备的磁场强度大于所述第二磁共振成像设备和所述第三磁共振成像设备的磁场强度。
4.如权利要求3所述的人体医学影像数字孪生模型的生成方法,其特征在于,所述将所述第一数字模型配准到所述标准数字模型上的步骤包括:
基于相同部位进行配准,获取所述第一数字模型的特征点以及相对应的所述标准数字模型的特征点;
对所述第一数字模型的特征点和所述标准数字模型的特征点进行特征匹配,以获得几何变换模型;
基于所述几何变换模型,对所述第一数字模型进行对应的参数变换和插值处理,以获得目标数字模型;所述目标数字模型与所述标准数字模型处于同一个坐标系。
5.如权利要求4所述的人体医学影像数字孪生模型的生成方法,其特征在于,所述生成所述第一全身数字孪生模型的步骤包括:
将各部位的第一医学影像进行拼接,以生成第一全身医学影像;
基于所述第一全身医学影像,将所述各部位的第一数字模型配准到所述各部位的标准数字模型上,以生成所述第一全身数字孪生模型。
6.如权利要求5所述的人体医学影像数字孪生模型的生成方法,其特征在于,所述将各部位的第一医学影像进行拼接的步骤包括:
获取第一待拼接部位的第一医学影像和第二待拼接部位的第一医学影像;
对所述第一待拼接部位的第一医学影像和所述第二待拼接部位的第一医学影像进行预处理,以提取所述第一待拼接部位的第一医学影像和所述第二待拼接部位的第一医学影像的重叠区域;
将所述第一待拼接部位的第一医学影像和所述第二待拼接部位的第一医学影像进行配准,以对齐所述第一待拼接部位的第一医学影像和所述第二待拼接部位的第一医学影像的空间坐标;
对所述重叠区域进行像素融合,以生成所述第一全身医学影像。
7.如权利要求1所述的人体医学影像数字孪生模型的生成方法,其特征在于,所述生成第二全身数字孪生模型的步骤包括:
获取所述第一全身数字孪生模型的特征点;
基于所述第一全身数字孪生模型的特征点和所述各部位的第二数字模型,获取所述各部位的第二数字模型的特征点;所述第二数字模型的特征点与所述第一全身数字孪生模型的特征点具有映射关系;
基于所述第二数字模型的特征点和所述各部位的第二数字模型,将所述各部位的第二数字模型配准到所述各部位的标准数字模型上,以生成所述第二全身数字孪生模型。
8.一种人体医学影像数字孪生模型的生成系统,其特征在于,所述生成系统包括:
第一获取模块,用于根据人体各部位的标准医学影像,获取所述人体各部位的标准数字模型;
第二获取模块,用于根据各部位的第一医学影像,获取所述各部位的第一数字模型;
配准模块,用于将所述各部位的第一数字模型配准到所述各部位的标准数字模型上,以生成第一全身数字孪生模型;
第三获取模块,用于根据所述各部位的第二医学影像,获取所述各部位的第二数字模型;
模型生成模块,用于基于所述第一全身数字孪生模型和所述各部位的第二数字模型,生成第二全身数字孪生模型;
融合模块,用于将所述第一全身数字孪生模型和所述第二全身数字孪生模型进行融合以生成目标孪生模型;所述目标孪生模型用于表征医学影像的变化。
9.一种磁共振成像装置,其特征在于,包括:扫描仪、检查床,以及如权利要求8所述的人体医学影像数字孪生模型的生成系统。
10.一种非易失性存储介质,其特征在于,包括存储器和和执行器,所述存储器上存储有运行的计算机程序,所述执行器执行所述计算机程序以实现如权利要求1-7中任意一项所述的人体医学影像数字孪生模型的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211474495.2A CN115761134A (zh) | 2022-11-22 | 2022-11-22 | 孪生模型的生成方法、系统、核磁共振装置和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211474495.2A CN115761134A (zh) | 2022-11-22 | 2022-11-22 | 孪生模型的生成方法、系统、核磁共振装置和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115761134A true CN115761134A (zh) | 2023-03-07 |
Family
ID=85335960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211474495.2A Pending CN115761134A (zh) | 2022-11-22 | 2022-11-22 | 孪生模型的生成方法、系统、核磁共振装置和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115761134A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116884557A (zh) * | 2023-06-25 | 2023-10-13 | 深圳市梦网物联科技发展有限公司 | 基于数字孪生的体检报告生成方法、终端设备及介质 |
-
2022
- 2022-11-22 CN CN202211474495.2A patent/CN115761134A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116884557A (zh) * | 2023-06-25 | 2023-10-13 | 深圳市梦网物联科技发展有限公司 | 基于数字孪生的体检报告生成方法、终端设备及介质 |
CN116884557B (zh) * | 2023-06-25 | 2024-03-22 | 深圳市梦网物联科技发展有限公司 | 基于数字孪生的体检报告生成方法、终端设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109427058B (zh) | 医学图像中的自动变化检测 | |
US10304198B2 (en) | Automatic medical image retrieval | |
CN107886508B (zh) | 差分减影方法和医学图像处理方法及系统 | |
US10803354B2 (en) | Cross-modality image synthesis | |
US8437521B2 (en) | Systems and methods for automatic vertebra edge detection, segmentation and identification in 3D imaging | |
CN104155623B (zh) | 用于自动确定组织种类的磁场反转时间的方法和系统 | |
CN111862249A (zh) | 使用深度学习生成用于医学图像处理的规范成像数据的系统和方法 | |
Banerjee et al. | A completely automated pipeline for 3D reconstruction of human heart from 2D cine magnetic resonance slices | |
WO2008024352A2 (en) | Methods and systems for registration of images | |
US20200242744A1 (en) | Forecasting Images for Image Processing | |
Singh et al. | Medical image generation using generative adversarial networks | |
KR101885562B1 (ko) | 제1 의료 영상의 관심 영역을 제2 의료 영상 위에 맵핑하는 방법 및 이를 이용한 장치 | |
CN115761134A (zh) | 孪生模型的生成方法、系统、核磁共振装置和介质 | |
WO2011041475A1 (en) | Medical image analysis system using n-way belief propagation for anatomical images subject to deformation and related methods | |
JP7456928B2 (ja) | 胸部x線画像の異常表示制御方法、異常表示制御プログラム、異常表示制御装置、及びサーバ装置 | |
EP2483865A1 (en) | Medical image analysis system for anatomical images subject to deformation and related methods | |
CN113538209A (zh) | 一种多模态医学影像配准方法、配准系统、计算设备和存储介质 | |
CN109350059A (zh) | 用于肘部自动对准的组合的转向引擎和界标引擎 | |
WO2023219963A1 (en) | Deep learning-based enhancement of multispectral magnetic resonance imaging | |
CN115965837A (zh) | 图像重建模型训练方法、图像重建方法及相关设备 | |
CN110473241A (zh) | 图像配准方法、存储介质及计算机设备 | |
CN114565623A (zh) | 肺血管分割方法、装置、存储介质及电子设备 | |
CN113689353A (zh) | 三维图像的增强方法、图像增强模型的训练方法及装置 | |
CN114503118A (zh) | 通过将图像形成建模为一个或多个神经网络的图像重建 | |
Al-Dhamari et al. | Automatic cochlear multimodal 3D image segmentation and analysis using atlas–model-based method |
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 |