CN116895368B - 一种用于医学影像的三维定位辅助显示方法 - Google Patents
一种用于医学影像的三维定位辅助显示方法 Download PDFInfo
- Publication number
- CN116895368B CN116895368B CN202311159560.7A CN202311159560A CN116895368B CN 116895368 B CN116895368 B CN 116895368B CN 202311159560 A CN202311159560 A CN 202311159560A CN 116895368 B CN116895368 B CN 116895368B
- Authority
- CN
- China
- Prior art keywords
- images
- point
- image
- groups
- selecting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000002059 diagnostic imaging Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000012795 verification Methods 0.000 claims 1
- 210000000056 organ Anatomy 0.000 abstract description 6
- 230000003902 lesion Effects 0.000 description 15
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 210000000481 breast Anatomy 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
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
- G16H30/20—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
- G06T15/00—3D [Three Dimensional] image rendering
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Computer Graphics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种用于医学影像的三维定位辅助显示方法，包括以下步骤，（1）选取患者目标部位的多组图像中的同源的n组图像；（2）n组图像中的任一组中选取一张图像并在该图像上选取第一兴趣点；（3）根据该兴趣点的二维坐标A获得该点的三维空间坐标P；（4）使用点到面的投影方法将P投射到目标图像平面上，获得在目标图像平面上投影点P1，计算P到P1的距离L；（5）选出所述n组图像中每一组中L值最小的图像，在窗口中显示这些图像并且标示出垂直投影点P1。该方法在二维的平面图上选取感兴趣的点，可以快速的定位到其他三组轴面视图的对应的图片以及标注对应的位置，方便从不同轴面观察病灶，可满足不同部位、器官和组织的观测需要。
Description
技术领域
本发明属于医疗影像领域，具体涉及一种用于医学影像的三维定位辅助显示方法。
背景技术
随着医学成像技术的不断发展，CT以及核磁共振成像(MRI)已经越来越多地应用在了相关疾病的诊断中。医生通过分析病人器官的CT或者MR序列的二维切片图像，可以大致观察到患者病灶的大小及形状。但是由于同一个患者会产生很多组不同视角的影像，这些组的影像可以反映不同视角的病灶信息。如常用的轴、矢和冠状位就反映了人体的从头到脚、从左到右和从前到后的视角观察到的影像。目前存在两个问题：一是医生在观察这些多组图像时并不能直观清楚地判断这些组图像之间的空间位置关系；二是在存在多个病灶的情况下，目前的这种看图分析方法容易忽略某些病灶。
发明内容
本发明目的是：提供一种可以辅助医生更直观的观测多组图像、更容易发现病灶的用于医学影像的三维定位辅助显示方法。
本发明的技术方案是：一种用于医学影像的三维定位辅助显示方法，其特征在于，包括以下步骤，
（1）选取患者目标部位的多组图像中的同源的n组图像；
（2）n组图像中的任一组中选取一张图像并在该图像上选取第一兴趣点；
（3）根据所述第一兴趣点的二维坐标A(x，y)，获得该点的三维空间坐标P（x1，y1，z1）；
（4）使用点到面的投影方法将P（x1，y1，z1）投射到目标图像平面上，获得在目标图像平面上投影点P1(x2，y2，z2)，采用空间距离公式计算P到P1的距离L，L= ；
（5）选出所述n组图像中每一组中L值最小的图像，在窗口中显示这些图像并且标示出垂直投影点P1。
在二维的平面图上选取感兴趣的点，可以快速的定位到其他三个轴面视图的对应位置，方便从不同轴面观察病灶，可满足不同部位、器官和组织的观测需要。
优选的，所述步骤（3）中，获得兴趣点的三维空间坐标P的方法为：通过图像DICOM信息获得row、column，图像位置的向量信息rowCosines、columnCosines、imagePositionPatient，计算rowCosines*（x * columnPixelSpacing）获得x方向位移量，columnCosines*（y * rowPixelSpacing）获得y方向位移量，x、y方向位移量相加得到的point与图像平面的位置向量imagePositionPatient相加，得到坐标A在该图像空间中的三维空间坐标P（x1，y1，z1）。
优选的，还包括以下步骤，在获得所述第一兴趣点的三维空间坐标P（x1，y1，z1）后计算第二兴趣点的三维空间坐标P2（x3，y3，z3），重复步骤（4）、（5），获得n组图像中每一组中L值最小的图像，在新窗口中显示这些图像并且标示出垂直投影点。这样可以在新窗口中显示出兴趣点附近最有可能的病灶点，方便医生进一步的观察诊断。
优选的，第二兴趣点的位置根据第一兴趣点的位置通过K最近邻算法（K-NearestNeighbors，KNN）计算获得。
优选的，当目标部位的多组图像中出现非同源的几组图像时，对非同源的图像组进行配准，使其变为同源图像组，然后再进行操作。
优选的，还包括以下步骤，确定P和各图像上的投影点P1以后并在图上标注出上述图像的定位线。更进一步的方便医生进行观察。
本发明的优点是：
1．在二维的平面图上选取感兴趣的点，可以快速的定位到其他三组轴面视图的对应的图片以及标注对应的位置，方便从不同轴面观察病灶，可满足不同部位、器官和组织的观测需要。
2. 该算法不需要特别大的算力，可以部署在各个移动终端和其他配置比较低的终端上。
3. 可以配合其他的AI诊断系统，帮助医生更好的对患者进行确诊。
附图说明
下面结合附图及实施例对本发明作进一步描述：
图1为本发明的一组图像中显示的一张；
图2为本发明目标图像的DICOM信息；
图3为本发明的4组图像在4个窗口中的显示；
图4为本发明的5组图像在10个窗口中的显示。
具体实施方式
实施例：如图3所示，本实施例中有4个显示窗口，每个窗口显示一组CT的胸部平扫图像中的一张。医生诊断时可以挑选自己想要的图片在窗口显示。在4个窗口显示的图片中任选一张，选取兴趣点，本实施例中选取了第一组的一个兴趣点[230,302]：902。从该图像的DICOM信息中读取row、column，图像位置的向量信息rowCosines、columnCosines、imagePositionPatient，rowCosines和columnCosines的信息位于ImageOrientationPatient一栏，前三个数字是row方向的向量值，对应rowCosines，后面3个就是column方向的向量值。
兴趣点二维坐标为:
x: 230.29718875502004
y: 302.77911646586347
将以上数据代入计算rowCosines*（x * columnPixelSpacing）获得x方向位移量，columnCosines*（y * rowPixelSpacing）获得y方向位移量，x、y方向位移量相加得到的point与图像平面的位置向量imagePositionPatient相加，得到坐标A在该图像空间中的三维空间坐标P（x1，y1，z1）。
兴趣点的空间坐标:
x: -24.61212035642575
y: 0
z: -201.7178871736948
然后计算该点到其他组的各张图像的距离L，找出其中距离L最小的图像并显示。具体为使用点到面的投影方法将P（x1，y1，z1）投射到每组图像每一张的平面上，获得多个投影点P1(x2，y2，z2)，计算P到P1的距离L，L=，这里的坐标系是三维的，n=3。然后在其他三组图像中选取L值最小的图像，在窗口中显示这些图像并标示出垂直投影点P1，如图3所示。
兴趣点图像信息：
columnCosines: [0, 0, -1]
columnPixelSpacing: 0.9765625
columns: 512
frameOfReferenceUID: "1.2.276.0.7230010.3.3.1.3.20230623115205458"
imageOrientationPatient: [1, 0, 0, 0, 0, -1]
imagePositionPatient: [-249.51171875, 0, 93.96484375]
pixelSpacing: [0.9765625, 0.9765625]
rowCosines: [1, 0, 0]
rowPixelSpacing: 0.9765625
rows: 512
sliceLocation: 30
sliceThickness: 0
和目标序列各图像的距离：
202.3228871927683
201.0728871927683
199.8228871927683
198.5728871927683
197.3228871927683
196.0728871927683
194.8228871927683
193.57288671593113
192.32288671593113
191.0728867159311
189.8228867159311
188.5728867159311
187.3228867159311
186.0728867159311
184.8228867159311
183.5728867159311
182.3228867159311
181.0728867159311
179.8228867159311
178.5728867159311
177.3228867159311
176.0728867159311
174.8228867159311
173.5728867159311
172.3228867159311
171.0728867159311
169.8228867159311
168.5728867159311
167.3228867159311
166.0728867159311
164.8228867159311
163.5728867159311
162.3228867159311
161.0728867159311
159.8228867159311
158.5728867159311
157.3228867159311
156.0728867159311
154.8228867159311
153.5728867159311
152.3228867159311
151.0728867159311
149.8228867159311
148.5728867159311
147.3228867159311
146.0728867159311
144.8228867159311
143.5728867159311
142.3228867159311
141.0728867159311
139.8228867159311
138.5728867159311
137.3228905306284
136.0728905306284
134.8228905306284
133.5728905306284
132.3228905306284
131.0728905306284
129.8228905306284
128.5728905306284
127.3228905306284
126.0728905306284
124.8228905306284
123.5728905306284
122.3228905306284
121.0728905306284
119.8228905306284
118.5728905306284
117.3228905306284
116.0728905306284
114.8228905306284
113.5728905306284
112.3228905306284
111.0728905306284
109.8228905306284
108.5728905306284
107.3228905306284
106.0728905306284
104.8228905306284
103.5728905306284
102.3228905306284
101.07289053062881
99.82289053062881
98.57289053062881
97.32289053062881
96.07289053062881
94.82289053062881
93.57289053062881
92.32289053062881
91.07289053062881
89.82289053062881
88.57289053062881
87.32289053062881
86.07289053062881
84.82289053062881
83.57289053062881
82.32289053062881
81.07289053062881
79.82289053062881
78.57289053062881
77.32289053062881
76.07289053062881
74.82289053062881
73.57288290123381
72.32288290123381
71.07288290123381
69.82288290123381
68.57288290123381
67.32288290123381
66.07288290123381
64.82288290123381
63.57288290123381
62.32288290123381
61.07288290123381
59.82288290123381
58.57288290123381
57.32288290123381
56.07288290123381
54.82288290123381
53.57288290123381
52.32288290123381
51.07288290123381
49.82288290123381
48.57288290123381
47.32288290123381
46.07288290123381
44.82288290123381
43.57288290123381
42.32288290123381
41.07288290123381
39.82288290123381
38.57288290123381
37.32288290123381
36.07288290123381
34.82288290123381
33.57288290123381
32.32288290123381
31.07288290123381
29.82288290123381
28.57288290123381
27.32288290123381
26.07288290123381
24.82288290123381
23.57288290123381
22.32288290123381
21.07288290123381
19.82288290123381
18.57288290123381
17.32288290123381
16.07288290123381
14.822882901233811
13.572882901233811
12.322882901233811
11.072882901233811
9.822882901233811
8.572882901233811
7.322882901233811
6.072882901233811
4.822882901233811
3.572882901233811
2.322882901233811
1.072882901233811
0.17711709876618897
1.427117098766189
2.677117098766189
3.927117098766189
5.177117098766189
6.427117098766189
7.677117098766189
8.927117098766189
10.177117098766189
11.427117098766189
12.677117098766189
13.927117098766189
15.177117098766189
16.42711709876619
17.67711709876619
18.92711709876619
20.17711709876619
21.42711709876619
22.67711709876619
23.92711709876619
25.17711709876619
26.42711709876619
27.67711709876619
28.92711709876619
30.17711709876619
31.42711709876619
32.67711709876619
33.92711709876619
35.17711709876619
36.42711709876619
37.67711709876619
38.92711709876619
40.17711709876619
41.42711709876619
42.67711709876619
43.92711709876619
45.17711709876619
46.42711709876619
47.67711709876619
48.92711709876619
50.17711709876619
51.42711709876619
52.67711709876619
53.92711709876619
55.17710183997718
56.42710183997718
57.67710183997718
58.92710183997718
60.17710183997718
61.42710183997718
62.67710183997718
63.92710183997718
65.17710183997718
最小距离 0.17711709876618897
最小距离图像索引 162
最小距离图像信息：
columnCosines: [0, 1, 0]
columnPixelSpacing: 0.6894531
columns: 512
frameOfReferenceUID: "1.2.276.0.7230010.3.3.1.3.20230623115205458"
imageOrientationPatient: [1, 0, 0, 0, 1, 0]
imagePositionPatient: [-188.1552734375, -176.1552734375,
-201.895004272461]
pixelSpacing: [0.6894531, 0.6894531]
rowCosines: [1, 0, 0]
rowPixelSpacing: 0.6894531
rows: 512
sliceLocation: -201.895
sliceThickness: 1.25
该图像即为所求，将该图像在窗口进行显示。每一组选出这样一张图像。
这样医生可以重点观测感兴趣的区域，利用本实施例三维定位辅助显示，在二维的平面图上选取感兴趣的点，可以快速的定位到其他三组轴面视图的对应的图片以及标注对应的位置，方便从不同轴面观察病灶，可满足不同部位、器官和组织的观测需要。
如果采集到的多组图像并非同源，所谓同源就是FrameofReferenceUID相同，位于同一空间下，那就需要对非同源的图像组进行配准，使其变为同源图像组，然后再进行操作。目前医学影像的配准方法很多，比如说点对点配准（Point-to-Point Registration）、基于特征的配准（Feature-based Registration）、强度相关配准（Intensity-basedRegistration）等等的配准方法都可以实现。
为了让医生能够更好的发现病灶，本实施例还在选取第一兴趣点的三维空间坐标P（x1，y1，z1）后计算第二兴趣点的三维空间坐标P2（x3，y3，z3），再使用点到面的投影方法将P2（x3，y3，z3）投射到目标图像平面上，获得在目标图像平面上投影点P3(x4，y4，z4)，计算P2到P3的距离L，L=，n=3。然后在其他三组图像中选取L值最小的图像，在窗口中显示这些图像并标示出垂直投影点P3。
第二兴趣点为距离第一兴趣点最近的最容易出现病灶的点。该点的位置可以通过K最近邻算法（K-Nearest Neighbors，KNN）获得，具体步骤如下：
（1）数据收集和准备：
收集与病灶相关的数据，包括病人的常年生活的区域，年龄，性别，身高，体重，以往病史，病灶大小以及类型，等等可能影响到病灶位置的特征，将收集的数据进行预处理，包括转换成医学标准3D模型中同一坐标系的位置、缺失数据处理、特征选择和标准化等。确保数据在进入预测模型之前处于合适的格式和范围。取得的相关数据用数据集表示，数据集D=(x_1, y_1),(x_2, y_2),...,(x_n, y_n)，其中x_i是第i个数据点的特征向量，y_i是该数据点对应的病灶的发生率。然后划分训练集和测试集，本实施例中p=0.8，将80%的数据作为训练集，20%的数据作为测试集。使用随机抽样的方法将数据集D分成训练集D_train和测试集D_test。抽样的过程可以用如下的公式表示：
，
（2）特征选择：
选择与发病位置以及病灶发生率相关的特征。包括病人的常年生活的区域，年龄，性别，体重，以往病史。在兴趣点（x，y，z）附近，以从历史数据中提取相关特征。
（3）KNN模型构建：
使用训练集中的特征和目标值（病灶发生率）来构建KNN模型。训练集D={(x_1, y_1), (x_2, y_2), ..., (x_n, y_n)}，其中 x_i = (x_i1, x_i2, ..., x_id)是第i个数据点的特征向量，y_i是该数据点对应的病灶发生率（目标值）。
对于要预测的位置点x_new=x_new1, x_new2, ..., x_newd，计算其与训练集中所有数据点之间的距离，计算公式如下：，n是特征的维度；
选择K个最近邻居，从训练集中找到与位置点 x_new距离最近的K个数据点，记为N_nearest。
（4）预测：
使用K个最近邻居的目标值（病灶发生率）进行平均，得到预测值 y_new，如下所示：
选择距离兴趣点附近病灶发生率最高的那个点。
（5）模型评估：
使用测试集评估模型的性能。可以使用均方误差（MSE）、平均绝对误差（MAE）等指标来衡量预测结果与真实值之间的误差。
（6）超参数调优：
使用不同的K值，并通过交叉验证等方法来选择最佳的K值，获得更好的预测性能。
根据兴趣点的坐标，预测该兴趣点最近的几个病灶的距离，并选择最合适的图片进行显示。
如图4所示的5组MR图像，在其中的一幅图上选取一个兴趣点，可以快速的定位到其他四组轴面视图的对应的图片以及标注对应的位置，并且还会选取兴趣点附近病灶出现几率最高的点，再从5组MR图像中选取该点不同轴面的影像图片，在窗口中显示出来。这种多窗口显示不同轴面影像数据的方法可满足不同部位、器官和组织的观测需要，方便医生对病灶进行诊断。
当然上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明主要技术方案的精神实质所做的修饰，都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种用于医学影像的三维定位辅助显示方法，其特征在于，包括以下步骤，
(1)选取患者目标部位的多组图像中的同源的n组图像;
(2)n组图像中的任一组中选取一张图像并在该图像上选取第一兴趣点;
(3)根据所述第一兴趣点的二维坐标A(x，y)，通过图像DICOM信息获得row、column，图像位置的向量信息rowCosines、columnCosines、imagePositionPatient，计算rowCosines*(x * columnPixelSpacing)获得x方向位移量，columnCosines*(y * rowPixelSpacing)获得y方向位移量，x、y方向位移量相加得到的point与图像平面的位置向量imagePositionPatient相加，得到坐标A在该图像空间中的三维空间坐标P (x1，y1，z1) ;
(4) 使用点到面的投影方法将P(x1，y1，z1)投射到目标图像平面上，获得在目标图像平面上投影点P1(x2，y2，z2)，采用空间距离公式计算P到P1的距离L;
(5)选出所述n组图像中每一组中L值最小的图像，在窗口中显示这些图像并且标示出垂直投影点P1;
(6)在获得所述第一兴趣点的三维空间坐标P(x1，y1，z1)后计算第二兴趣点的三维空间坐标P2(x3，y3，z3)，重复步骤(4)、(5)，获得n组图像中每一组中L值最小的图像，在新窗口中显示这些图像并且标示出垂直投影点;所述第二兴趣点为距离第一兴趣点最近的最容易出现病灶的点，该点的位置的具体获得步骤如下:(a)数据收集和准备:收集与病灶相关的数据，包括病人的常年生活的区域，年龄，性别，身高，体重，以往病史，病灶大小以及类型这些可能影响到病灶位置的特征，将收集的数据进行预处理，包括转换成医学标准3D模型中同一坐标系的位置、缺失数据处理、特征选择和标准化，确保数据在进入预测模型之前处于合适的格式和范围;(b)特征选择:选择与发病位置以及病灶发生率相关的特征，以从历史数据中提取相关特征;(c) 使用训练集中的特征和目标值来构建KNN 模型，即使用训练集中数据点的特征向量以及该数据点的病灶发生率来构建KNN 模型，从而计算出所述第一兴趣点附近病灶发生率最高的那个点;(d)模型评估:使用测试集评估模型的性能，可以使用均方误差（MSE）、平均绝对误差(MAE)来衡量预测结果与真实值之间的误差;(e)超参数调优:使用不同的K值，并通过交叉验证来选择最佳的K值，获得更好的预测性能。
2.根据权利要求1所述的用于医学影像的三维定位辅助显示方法，其特征在于，当目标部位的多组图像中出现非同源的几组图像时，对非同源的图像组进行配准，使其变为同源图像组，然后再进行操作。
3.根据权利要求2所述的用于医学影像的三维定位辅助显示方法，其特征在于，还包括以下步骤，确定P和各图像上的投影点P1以后并标注出上述图像的定位线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311159560.7A CN116895368B (zh) | 2023-09-11 | 2023-09-11 | 一种用于医学影像的三维定位辅助显示方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311159560.7A CN116895368B (zh) | 2023-09-11 | 2023-09-11 | 一种用于医学影像的三维定位辅助显示方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116895368A CN116895368A (zh) | 2023-10-17 |
| CN116895368B true CN116895368B (zh) | 2024-03-29 |
Family
ID=88315223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311159560.7A Active CN116895368B (zh) | 2023-09-11 | 2023-09-11 | 一种用于医学影像的三维定位辅助显示方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116895368B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101216938A (zh) * | 2007-12-28 | 2008-07-09 | 深圳市蓝韵实业有限公司 | 一种多序列图像自动定位的方法 |
| CN101315700A (zh) * | 2008-01-14 | 2008-12-03 | 深圳市蓝韵实业有限公司 | 一种多序列图像快速自动定位的方法 |
| CN106659455A (zh) * | 2014-07-02 | 2017-05-10 | 柯惠有限合伙公司 | 用于患者肺部的多张ct扫描片的统一坐标系 |
| CN112509075A (zh) * | 2020-11-23 | 2021-03-16 | 西安科锐盛创新科技有限公司 | 基于智慧医疗的颅内血管病灶标记与三维显示方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012035538A1 (en) * | 2010-09-16 | 2012-03-22 | Mor Research Applications Ltd. | Method and system for analyzing images |
-
2023
- 2023-09-11 CN CN202311159560.7A patent/CN116895368B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101216938A (zh) * | 2007-12-28 | 2008-07-09 | 深圳市蓝韵实业有限公司 | 一种多序列图像自动定位的方法 |
| CN101315700A (zh) * | 2008-01-14 | 2008-12-03 | 深圳市蓝韵实业有限公司 | 一种多序列图像快速自动定位的方法 |
| CN106659455A (zh) * | 2014-07-02 | 2017-05-10 | 柯惠有限合伙公司 | 用于患者肺部的多张ct扫描片的统一坐标系 |
| CN112509075A (zh) * | 2020-11-23 | 2021-03-16 | 西安科锐盛创新科技有限公司 | 基于智慧医疗的颅内血管病灶标记与三维显示方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘宝锺.《大数据分类模型和算法研究》.云南大学出版社,2020,第225-235页. * |
| 猿媛之家 等.《Python程序员面试笔试宝典》.机械工业出版社,2020,第315页. * |
| 谢梁 等.《数据科学工程实践：用户行为分析与建模、A/B实验、SQLFlow》.机械工业出版社,2021,第225-228页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116895368A (zh) | 2023-10-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10417517B2 (en) | Medical image correlation apparatus, method and storage medium | |
| Grimson et al. | An automatic registration method for frameless stereotaxy, image guided surgery, and enhanced reality visualization | |
| JP4171833B2 (ja) | 内視鏡誘導装置および方法 | |
| JP5858636B2 (ja) | 画像処理装置、その処理方法及びプログラム | |
| CN102598054B (zh) | 用于处理医用图像的方法和设备 | |
| US8908944B2 (en) | Information processing apparatus, information processing method, and program | |
| KR101267759B1 (ko) | 화상 처리 장치, 화상 처리 방법 및 저장 매체 | |
| CN104093354B (zh) | 用于评估医学图像的方法和设备 | |
| WO2018215832A2 (en) | Methods for using radial endobronchial ultrasound probes for three-dimensional reconstruction of images and improved target localization | |
| US9123096B2 (en) | Information processing apparatus and control method thereof | |
| US20110142308A1 (en) | Information processing apparatus, information processing method, and storage medium | |
| US20090080742A1 (en) | Image display device and image display program storage medium | |
| CN103402453A (zh) | 用于导航系统的自动初始化和配准的系统和方法 | |
| KR101504162B1 (ko) | 의료 화상용 정보처리장치, 의료 화상용 촬영 시스템 및 의료 화상용 정보처리방법 | |
| CN104586418B (zh) | 医用图像数据处理装置和医用图像数据处理方法 | |
| KR20130109838A (ko) | 병변 진단 지원 장치와 방법 | |
| JP2022520480A (ja) | 画像のマッチング方法、装置、デバイス及び記憶媒体 | |
| JP5415245B2 (ja) | 医用画像表示装置および方法並びにプログラム | |
| JP2009090094A (ja) | 画像整合のための方法および装置 | |
| CN112001889A (zh) | 医学影像处理方法、装置及医学影像显示方法 | |
| US9020215B2 (en) | Systems and methods for detecting and visualizing correspondence corridors on two-dimensional and volumetric medical images | |
| JP4616874B2 (ja) | 画像表示装置、画像表示方法、および画像表示プログラム | |
| JP2009072433A (ja) | サイズ計測装置、画像表示装置、サイズ計測プログラム、および画像表示プログラム | |
| CN116895368B (zh) | 一种用于医学影像的三维定位辅助显示方法 | |
| Sivaramakrishna | 3D breast image registration—a review |
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 |