CN117059235A - 一种ct图像的自动渲染方法及装置 - Google Patents
一种ct图像的自动渲染方法及装置 Download PDFInfo
- Publication number
- CN117059235A CN117059235A CN202311036012.5A CN202311036012A CN117059235A CN 117059235 A CN117059235 A CN 117059235A CN 202311036012 A CN202311036012 A CN 202311036012A CN 117059235 A CN117059235 A CN 117059235A
- Authority
- CN
- China
- Prior art keywords
- image
- rendering
- identification
- stereoscopic
- organ tissue
- 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
- 238000009877 rendering Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 210000000056 organ Anatomy 0.000 claims description 154
- 238000012790 confirmation Methods 0.000 claims description 49
- 238000004891 communication Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 36
- 230000015654 memory Effects 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000002601 radiography Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000009607 mammography Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000011282 treatment 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
- G16H30/40—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Computer Graphics (AREA)
- Epidemiology (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种CT图像的自动渲染方法及装置，涉及图像处理应用技术领域。方法包括：获取原始CT图像，所述原始CT图像包括一组可渲染为立体CT影像的二维切片图像集；对所述二维切片图像集进行患病区域的识别，并对患病区域进行标注；对所述二维切片图像集进行渲染，得到所述立体CT影像；获取所述标注在所述立体CT影像内部的三维坐标；选取至少一条通道从所述立体CT影像外部通向所述标注，并对处于所述通道上的所述立体CT图像进行透明渲染设置。
Description
技术领域
本申请涉及图像处理技术领域，具体涉及一种CT图像的自动渲染方法及装置。
背景技术
CT图像是常用的医学图像之一，CT(英文全称：Computed Tomography，中文全称：计算机断层扫描)图像，是利用精准直的x线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕在人体的某一部位作为一个接一个的断面扫描得到多张不同断面的多图层CT图像，随着探测器和成像设备的不断进步，得到的CT图像也越来越清晰准确，医生根据这些不同断面的CT图像进行更精确的病情诊断。
目前随着现代医学的发展，渲染技术的日渐成熟，原本只有黑白灰三色的CT图通过渲染得到带有真实光感的立体影像，使没有经过特殊训练的人也可以对CT图像进行解读，医生通过渲染后的CT图像对患者讲解病情也会更加通俗易懂，但是，对于一组切片图像在生成立体影像后，如果患者患病部位在切片图像内部，则容易出现在一组切片图像形成立体图像的过程中将患病区域覆盖，同时渲染对图像定义的不透明性以及颜色也可能影响对患病区域的查看，因此急需一种CT图像的自动渲染方法和装置，避免对CT图像渲染对可能的患病区域造成遮挡。
发明内容
本发明的目的在于：针对目前现有技术的不足，提供一种CT图像的自动渲染方法及装置，对患者CT图像中可能的患病区域进行标记，并在渲染过程中将视线区域进行处理，使可以直接对可能出现疾病的区域进行观察。
为了实现上述发明目的，本发明提供了以下技术方案：
在本申请的第一方面，提供一种CT图像的自动渲染方法，包括：
获取原始CT图像，所述原始CT图像包括一组可渲染为立体CT影像的二维切片图像集；
对所述二维切片图像集进行患病区域的识别，并对患病区域进行标注；
对所述二维切片图像集进行渲染，得到所述立体CT影像；
获取所述标注在所述立体CT影像内部的三维坐标；
选取至少一条通道从所述立体CT影像外部通向所述标注，并对处于所述通道上的所述立体CT图像进行透明渲染设置。
在本申请一实施例中，所述对所述二维切片图像集进行渲染的步骤之前，该方法还包括：
识别设备对患病区域进行标注完成后获取第一渲染控制信号，所述第一渲染控制信号用于所述识别设备控制所述立体渲染设备开始渲染程序；
所述识别设备使用第一通信面板的第一波束发送所述第一渲染控制信号，所述第一波束的波束方向指向所述立体渲染设备；
所述识别设备使用所述第一波束接收来自所述立体渲染设备的多个确认信号，所述多个确认信号是通过所述立体渲染设备的第二通信面板对所述第一通信面板发送的信号；
所述多个确认信号用于向识别设备发送所述标注在所述立体CT影像内部的三维坐标。
在本申请一实施例中，所述立体CT图像进行透明渲染设置的步骤之前，该方法还包括：
所述识别设备获取第二渲染信号，所述第二渲染控制信号用于所述识别设备控制所述立体渲染设备开始透明渲染程序，所述识别设备使用所述第一通信面板的所述第一波束发送所述第二渲染控制信号，所述第一波束的波束方向指向所述立体渲染设备。
在本申请一实施例中，所述对所述二维切片图像集进行患病区域的识别的步骤之前，该方法还包括：
获取现有的CT图像，获取途径包括有医院数据库、互联网、医学教材和医学文献；
对现有的CT图像进行筛选，筛选出器官组织健康的CT图像；
基于器官组织健康的CT图像，得到各器官组织健康状态下的CT图像，进而得到各器官组织健康状态下的标准CT图像集；
基于所述标准CT图像集确定训练集和验证集，根据所述训练集对识别模型进行迭代训练，利用所述验证集进行评估，当神经网络模型达到预设的迭代训练次数，则停止训练，并导出所述识别模型；
所述识别模型输入所述二维切片图像集，识别所述二维切片图像集中的各器官组织是否为正常的器官组织，如不是，则为患病的器官组织。
在本申请一实施例中，所述识别模型基于各器官组织与标准CT图像集的相似度，输出对器官组织区域的识别概率，所述识别概率的范围包括第一识别范围、第二识别范围和第三识别范围；所述第一概率范围的下限大于或等于第一识别阈值；所述第二识别范围的上限小于第一识别阈值，所述第二识别范围的下限大于或等于第二识别阈值；所述第三识别范围的上限小于第二识别阈值；
所述识别模型输出对器官组织区域的识别概率在所述第一识别范围时，不对所述器官组织区域进行标注，输出器官组织是否为正常的器官组织；
所述识别模型输出对器官组织区域的识别概率在所述第二识别范围时，所述器官组织区域的标注为第一标注，输出所述器官组织为疑似患病的器官组织；
所述识别模型输出对器官组织区域的识别概率在所述第三识别范围时，所述器官组织区域的标注为第二标注，输出所述器官组织为患病的器官组织。
在本申请一实施例中，所述多个确认信号包括第一确认信号和第二确认信号，所述第一确认信号用于向识别设备发送所述第一标注在所述立体CT影像内部的三维坐标，所述第二确认信号用于向识别设备发送所述第二标注在所述立体CT影像内部的三维坐标；
基于所述第一确认信号选取至少一条第一通道从所述立体CT影像外部通向所述第一标注；基于所述第二确认信号选取至少一条第二通道从所述立体CT影像外部通向所述第二标注。
在本申请一实施例中，所述通道上的所述立体CT图像的器官组织均处于所述第一识别范围内。
在本申请的第二方面，提供一种CT图像的自动渲染装置，所述装置包括：
图像获取模块：获取原始CT图像，所述原始CT图像包括一组可渲染为立体CT影像的二维切片图像集；
图像识别模块：对所述二维切片图像集进行患病区域的识别，并对患病区域进行标注；
图像渲染模块：对所述二维切片图像集进行渲染，得到所述立体CT影像；
标注定位模块：获取所述标注在所述立体CT影像内部的三维坐标；
通道设置模块：选取至少一条通道从所述立体CT影像外部通向所述标注，并对处于所述通道上的所述立体CT图像进行透明渲染设置。
在本申请一实施例中，所述装置还包括：
信号获取模块：识别设备对患病区域进行标注完成后获取第一渲染控制信号，所述第一渲染控制信号用于所述识别设备控制所述立体渲染设备开始渲染程序；
波束发送模块：所述识别设备使用第一通信面板的第一波束发送所述第一渲染控制信号，所述第一波束的波束方向指向所述立体渲染设备；
信号接收模块：所述识别设备使用所述第一波束接收来自所述立体渲染设备的多个确认信号，所述多个确认信号是通过所述立体渲染设备的第二通信面板对所述第一通信面板发送的信号；
坐标发送模块：所述多个确认信号用于向识别设备发送所述标注在所述立体CT影像内部的三维坐标。
在本申请一实施例中，所述通道设置模块进行透明渲染设置之前，该装置还包括：
信号发送模块：所述识别设备获取第二渲染信号，所述第二渲染控制信号用于所述识别设备控制所述立体渲染设备开始透明渲染程序，所述识别设备使用所述第一通信面板的所述第一波束发送所述第二渲染控制信号，所述第一波束的波束方向指向所述立体渲染设备。
在本申请一实施例中，该装置还包括：
现有图像获取模块：获取现有的CT图像，获取途径包括有医院数据库、互联网、医学教材和医学文献；
图像筛选模块：对现有的CT图像进行筛选，筛选出器官组织健康的CT图像；基于器官组织健康的CT图像，得到各器官组织健康状态下的CT图像，进而得到各器官组织健康状态下的标准CT图像集；
模型训练模块：基于所述标准CT图像集确定训练集和验证集，根据所述训练集对识别模型进行迭代训练，利用所述验证集进行评估，当神经网络模型达到预设的迭代训练次数，则停止训练，并导出所述识别模型；
模型输出模块：所述识别模型输入所述二维切片图像集，识别所述二维切片图像集中的各器官组织是否为正常的器官组织，如不是，则为患病的器官组织。
在本申请一实施例中，该装置还包括识别概率模块：所述识别模型基于各器官组织与标准CT图像集的相似度，输出对器官组织区域的识别概率，所述识别概率的范围包括第一识别范围、第二识别范围和第三识别范围；所述第一概率范围的下限大于或等于第一识别阈值；所述第二识别范围的上限小于第一识别阈值，所述第二识别范围的下限大于或等于第二识别阈值；所述第三识别范围的上限小于第二识别阈值；
所述识别模型输出对器官组织区域的识别概率在所述第一识别范围时，不对所述器官组织区域进行标注，输出器官组织是否为正常的器官组织；
所述识别模型输出对器官组织区域的识别概率在所述第二识别范围时，所述器官组织区域的标注为第一标注，输出所述器官组织为疑似患病的器官组织；
所述识别模型输出对器官组织区域的识别概率在所述第三识别范围时，所述器官组织区域的标注为第二标注，输出所述器官组织为患病的器官组织。
在本申请一实施例中，该装置还包括坐标发送子模块：所述多个确认信号包括第一确认信号和第二确认信号，所述第一确认信号用于向识别设备发送所述第一标注在所述立体CT影像内部的三维坐标，所述第二确认信号用于向识别设备发送所述第二标注在所述立体CT影像内部的三维坐标；
基于所述第一确认信号选取至少一条第一通道从所述立体CT影像外部通向所述第一标注；基于所述第二确认信号选取至少一条第二通道从所述立体CT影像外部通向所述第二标注。
在本申请一实施例中，该装置还包括路径选择模块：所述通道上的所述立体CT图像的器官组织均处于所述第一识别范围内。
本申请具有以下有益效果：
在本申请的实施方式中通过在所述立体CT影像上设置通道，所述通道从所述立体CT影像外部通向所述标注，并对处于所述通道上的所述立体CT图像进行透明渲染设置，也就是说通过所述通道对所述标注进行观察，也就是对患病区域进行观察，有效减少了形成立体图像的过程中将患病区域覆盖，同时渲染对图像定义的不透明性以及颜色也可能影响对患病区域查看的情况；通过信号传输方式控制CT图像在符合条件时的自动渲染，通过所述识别设备使用第一通信面板的第一波束向所述立体渲染设备发送所述第一渲染控制信号，可以控制立体渲染设备启动工作等各种工作，使整体工作自动化、智能化，通过各种信号进行交互，以保证通信的可靠性和稳定性；进一步的通过识别模型输出器官组织与标准CT图像集的相识度，也就是输出器官组织的患病概率范围，将处于不同概率范围的标注，也就是第一标注和第二标注，通过不同的确认信号，也就是第一确认信号发送第一标注的坐标，第二确认信号发送第二坐标的坐标，基于所述第一确认信号和所述第二确认信号选取不同的通道，也就是第一确认信号对应第一标注的第一通道，第二确认信号对应第二标注的第二通道，通过通道上对器官组织的处理不同，得到不同显示的通道，包括不影响查看的不同颜色等，用于区分第一标注和第二标注所指示的区域，用于对其不同程度的查看，所述第二标注所指示的区域为患病区域需要更细致的查看，所述第一标注所指示的区域为疑似患病的区域，可以对其进行大致的查看，节省精力对关键部分进行查看。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1为本申请实施例涉及的硬件运行环境的电子设备结构示意图。
图2为本申请实施例的系统架构示意图。
图3是本申请实施例提供的一种CT图像的自动渲染方法的步骤流程图。
图4是本申请实施例提供的一种CT图像的自动渲染装置的功能模块示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动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。
下面结合附图对本申请的方案进一步说明。
参照图1，图1为本申请实施例方案涉及的硬件运行环境的电子设备结构示意图。
如图1所示，该电子设备可以包括：处理器1001，例如中央处理器（CentralProcessing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（WIreless-FIdelity，WI-FI）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在图1所示的电子设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明电子设备中的处理器1001、存储器1005可以设置在电子设备中，电子设备通过处理器1001调用存储器1005中存储的一种CT图像的自动渲染装置，并执行本申请实施例提供的一种CT图像的自动渲染方法。
参照图2，示出了本申请实施例的系统架构示意图。如图2所示，该系统架构可以包括第一设备201、第二设备202、第三设备203、第四设备204、网络205和服务器206。其中，网络205用以在第一设备201、第二设备202、第三设备203、第四设备204和服务器206之间提供通信链路的介质。网络205可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
在本实施方式中，服务器206可以处理从第一设备201、第二设备202、第三设备203和/或第四设备204获得的数据和/或信息。在一些实施例中，服务器206可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中，服务器206可以是本地或远程的。例如，服务器206可以通过网络205从第一设备201、第二设备202、第三设备203和/或第四设备204访问信息和/或数据。又例如，处理设备120可以直接连接到第一设备201、第二设备202、第三设备203和/或第四设备204以访问信息和/或数据。在一些实施例中，服务器206可以在云平台上实现。例如，云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。
在本实施方式中，第一设备201为渲染设备，用于对一组2D切片图像渲染得到立体渲染图像，第二设备202为识别设备，具体可以是或包括X射线成像设备。例如，X射线成像设备可以包括DSA(数字减影血管造影技术)、数字化X射线摄影设备(Digital Radiography，DR)、计算机X射线摄影设备(Computed Radiography，CR)、数字荧光X线摄影设备(DigitalFluorography，DF)、CT扫描仪、磁共振扫描仪、乳腺X线机、C形臂设备等。
所述第一设备201和第二设备202都可以理解为终端。其中，终端可以是具有无线收发功能的终端或可设置于该终端的芯片或芯片系统。该终端设备也可以称为用户装置（user equipment，UE）、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置。本申请的实施例中的终端设备可以是手机（mobile phone）、平板电脑（Pad）、带无线收发功能的电脑、虚拟现实（virtual reality，VR）终端设备、增强现实（augmented reality，AR）终端设备、工业控制（industrial control）中的无线终端、无人驾驶（self driving）中的无线终端、远程医疗（remote medical）中的无线终端、智能电网（smart grid）中的无线终端、运输安全（transportation safety）中的无线终端、智慧城市（smart city）中的无线终端、智慧家庭（smart home）中的无线终端、车载终端、具有终端功能的RSU等。所述第一设备201和第二设备202之间的通信可以是终端之间的通信，也可以称为侧行（side）通信。
在本实施方式中，第四设备204为可以是支持网络连接从而提供各种网络服务的硬件设备或软件。当设备为硬件时，其可以是各种电子设备，包括但不限于智能手机204-1、平板电脑、投影仪204-2、台式计算机204-3和服务器等等。这时，作为硬件设备，其可以实现成多个设备组成的分布式设备群，也可以实现成单个设备。当设备为软件时，可以安装在上述所列举的设备中。这时，作为软件，其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
在本实施方式中，第三设备203为存储设备，所述存储设备可以存储数据(例如，原始图像、渲染中图像、渲染后图像等)、指令和/或任何其他信息。在一些实施例中，存储设备可以存储从第一设备201、第二设备202、第四设备204和/或服务器206处获取的数据。例如，存储设备可以存储从第二设备202获取的目标对象的原始CT图像等。又如，存储设备可以存储从第一设备201获取的立体CT影像等。在一些实施例中，存储设备可以存储服务器206可以执行或使用的数据和/或指令，以执行本说明书中描述的示例性方法。
在一些实施例中，存储设备可包括大容量存储器、可移除存储器、易失性读写存储器、只读存储器(ROM)等其中一种或几种的组合。在一些实施例中，存储设备可以通过本说明书中描述的装置实现。
在一些实施例中，存储设备可以连接网络205，以与一种CT图像的自动渲染装置中的一个或多个组件(例如，第一设备201、第四设备204)之间实现通信。一种CT图像的自动渲染装置中的一个或多个组件可以通过网络205读取第三设备203中的数据或指令。在一些实施例中，第三设备203可以是服务器206的一部分，也可以是独立的，与服务器206直接或间接相连。
网络205可以包括能够促进一种CT图像的自动渲染装置的信息和/或数据交换的任何合适的网络。在一些实施例中，一种CT图像的自动渲染装置的一个或多个组件(例如，第一设备201、第二设备202、第三设备203、第四设备204)可以通过网络205与一种CT图像的自动渲染装置的一个或多个组件之间交换信息和/或数据。例如，第一设备201可以通过网络205从第二设备202中获取目标对象的待处理图像。在一些实施例中，网络205可以包括公共网络(例如，互联网)、私人网络(例如，局域网(LAN)、广域网(WAN))等)、有线网络(例如，以太网)、无线网络(例如，802.11网络、无线Wi-Fi网络等)、蜂窝网络(例如，长期演进(LTE)网络)、帧中继网络、虚拟专用网络(VPN)、卫星网络、电话网络、路由器、集线器、服务器计算机等其中一种或几种的组合。在一些实施例中，网络205可以包括一个或多个网络接入点。例如，网络205可以包括有线和/或无线网络接入点，例如基站和/或因特网交换点，通过接入点，一种CT图像的自动渲染装置的一个或多个组件可以连接网络205以交换数据和/或信息。
在具体实现中，设备可以通过安装相应的客户端应用或服务端应用来提供相应的网络服务。设备在安装了客户端应用之后，其可以在网络通信中体现为客户端。相应地，在安装了服务端应用之后，其可以在网络通信中体现为服务端。
应该理解，图2中的网络和设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的网络和设备。
参照图3，基于前述硬件运行环境和系统架构，本申请的实施例提供了一种CT图像的自动渲染方法，包括：
S301：获取原始CT图像，所述原始CT图像包括一组可渲染为立体CT影像的二维切片图像集；
需要说明的是，CT是一种病情探测仪器，电子计算机X射线断层扫描技术简称。CT检查根据人体不同组织对X线的吸收与透过率的不同，应用灵敏度极高的仪器对人体进行测量，然后将测量所获取的数据输入电子计算机，电子计算机对数据进行处理后，就可摄下人体被检查部位的断面或立体的图像，也就是CT图像，CT图像是层面图像，常用的是横断面切片。为了显示整个器官，需要多个连续的层面切片图像，也就是若干张二维CT图像利用渲染重建技术得到立体CT图像，用于发现人体内任何部位的细小病变，医生通过渲染后的CT图像对患者讲解病情也会更加通俗易懂；
在本实施方式中，获取需要渲染的原始CT图像，形成二维切片图像集用于后续步骤中对图像的识别；
S302：对所述二维切片图像集进行患病区域的识别，并对患病区域进行标注；
本实施方式中，基于现有的图像资料对所述CT图像进行识别处理，将CT图像中分为正常的器官组织和不正常的器官组织，并利用识别结果对所述CT图像中不正常的器官组织，也就是患病区域进行标注处理，具体而言，在后续的步骤中所述CT图像携带有该标注结果，通过对CT图像进行解析，可以获取到该CT图像中对应的标注结果的位置，进而确定该CT图像中患病区域的位置；
S303：对所述二维切片图像集进行渲染，得到所述立体CT影像；
需要说明的是，立体渲染(Volume rendering)，又称为立体绘制，是一种用于显示离散三维采样数据集的二维投影的技术。通常采集的一组二维切面图像，这些数据是按照一定规则如每毫米一个切面，并且通常有一定数目的图像像素。这是一个常见的立体晶格的例子，每个体素用当前体素附近区域的采样值表示。为了渲染三维数据集的二维投影，首先需要定义相机相对于立体的空间位置。另外，需要定义每个点即体素的不透明性以及颜色，这通常使用RGBA(red, green, blue, alpha)传递函数定义每个体素可能值对应的RGBA 值。通过提取立体中等值的曲面并且将它们作为多边形进行渲染，或者直接将立体作为数据块进行渲染，这两种方法都可以使立体可见。Marching Cubes 算法是从立体数据中提取曲面的常用技术。
本实施方式中，对所述二维切片图像集进行渲染，得到所述立体CT影像，使没有经过特殊训练的人是无法解读由CT设备拍出的影片中的信息，即使这些片子仅仅含有简单的灰白黑三色。通过渲染创建带有真实光感的影像，让医生和用户轻易地读懂医疗影像。
S304：获取所述标注在所述立体CT影像内部的三维坐标；
需要说明的是，对所述二维切片图像集进行渲染，得到所述立体CT影像的过程中，空间由二维转变为三维，所述标注通过与立体CT影像的相对位置得出自身在三维坐标系中的三维坐标，通过三维坐标对所述标注进行定位；
需要说明的是，所述立体CT影像大多为一整个器官或一个区域的立体图像，所述立体CT影像的内部具有多个标注，而这些标注容易被所述立体CT影像的外部遮挡；
S305：选取至少一条通道从所述立体CT影像外部通向所述标注，并对处于所述通道上的所述立体CT图像进行透明渲染设置。
在本实施方式中，通过在所述立体CT影像上设置通道，所述通道从所述立体CT影像外部通向所述标注，并对处于所述通道上的所述立体CT图像进行透明渲染设置，也就是说通过所述通道对所述标注进行观察，也就是对患病区域进行观察，有效减少了形成立体图像的过程中将患病区域覆盖，同时渲染对图像定义的不透明性以及颜色也可能影响对患病区域查看的情况。
在一个可行的实施方式中，所述对所述二维切片图像集进行渲染的步骤之前，该方法还包括：
S401：识别设备对患病区域进行标注完成后获取第一渲染控制信号，所述第一渲染控制信号用于所述识别设备控制所述立体渲染设备开始渲染程序；
本实施方式中，所述第一渲染控制信号用于识别设备控制渲染设备，例如，可以控制立体渲染设备启动工作，还包括可以控制暂定工作、结束工作，或者，也可以控制立体渲染设备的工作模块、工作类似等等，不做具体限定；
S402：所述识别设备使用第一通信面板的第一波束发送所述第一渲染控制信号，所述第一波束的波束方向指向所述立体渲染设备；
在本实施方式中，第一波束方向指向所述立体渲染设备，以确保立体渲染设备能够接收到第一渲染控制信号，从而执行相应的操作。
S403：所述识别设备使用所述第一波束接收来自所述立体渲染设备的多个确认信号，所述多个确认信号是通过所述立体渲染设备的第二通信面板对所述第一通信面板发送的信号；
S404：所述多个确认信号用于向识别设备发送所述标注在所述立体CT影像内部的三维坐标。
在本实施方式中，通过信号传输方式控制CT图像在符合条件时的自动渲染，通过所述识别设备使用第一通信面板的第一波束向所述立体渲染设备发送所述第一渲染控制信号，可以控制立体渲染设备启动工作等各种工作，使整体工作自动化、智能化，通过各种信号进行交互，以保证通信的可靠性和稳定性。
在一个可行的实施方式中，所述立体CT图像进行透明渲染设置的步骤之前，该方法还包括：
所述识别设备获取第二渲染信号，所述第二渲染控制信号用于所述识别设备控制所述立体渲染设备开始透明渲染程序，所述识别设备使用所述第一通信面板的所述第一波束发送所述第二渲染控制信号，所述第一波束的波束方向指向所述立体渲染设备。
在本实施方式中，通过信号传输方式控制CT图像在符合条件时的自动渲染，通过所述识别设备使用第一通信面板的第一波束向所述立体渲染设备发送所述第二渲染控制信号，可以控制立体渲染设备进行透明渲染的启动工作，本实施方式中，透明渲染将处于所述通道上的器官组织透明化，所述透明化为可以通过直接观察可以查看到所述标注的位置，因此所述透明化的区域可以保留轮廓和不影响查看的颜色等，使立体CT图像在不失去的器官组织的轮廓，同时可以通过通道查看患病区域。
在一个可行的实施方式中，所述对所述二维切片图像集进行患病区域的识别的步骤之前，该方法还包括：
S501：获取现有的CT图像，获取途径包括有医院数据库、互联网、医学教材和医学文献；
需要说明的是，经过多年的信息存储，目前各大医院具有大量CT图像资料，同时也可在互联网进行下载各器官组织的CT图像，进一步的不同图层厚度的器官组织呈现状态不一样，因此还包括了各器官组织不同图层的CT图像；
在本实施方式中，通过多种途径获取现有的CT图像，现有的CT图像用于对S401步骤中的原始CT图像进行对比识别；
S502：对现有的CT图像进行筛选，筛选出器官组织健康的CT图像；
在本实施方式中，对现有的CT图像进行筛选，筛选出器官组织健康的CT图像，舍弃患病状态下的器官组织的CT图像，因为有多种情况会到导致器官组织患病，对应的CT图像呈现形式太多，不易于收集分类，同时也待检测的CT图像中的器官组织因为差异较大也难以与这些CT图像比对成功，只需要对器官组织健康的CT图像进行收集，所述S401步骤中的原始CT图像与器官组织健康的CT图像进行对比，同时适当降低待检测的CT图像与器官组织健康的CT图像对比成功的阈值，即使待检测的CT图像中的器官组织有部分区域有患病，也可以因为器官组织的其他范围与器官组织健康的CT图像相同而识别成功；
S503：基于器官组织健康的CT图像，得到各器官组织健康状态下的CT图像，进而得到各器官组织健康状态下的标准CT图像集；
S504：基于所述标准CT图像集确定训练集和验证集，根据所述训练集对识别模型进行迭代训练，利用所述验证集进行评估，当神经网络模型达到预设的迭代训练次数，则停止训练，并导出所述识别模型；
需要说明的是，训练集和验证集均是用于神经网络模型的学习过程，所述训练集用于训练模型的训练参数，所述验证集用于检验已经训练好的最终模型的泛化性能，识别模型为卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deeplearning）的代表算法之一，识别模型通常包括输入层、卷积层、全连接层和输出层；
在本实施方式中，所述训练集用于对识别模型进行迭代训练，所述验证集用于识别模型的评估，当神经网络模型达到预设的迭代训练次数，和/或所述目标样本对应的损失值收敛至预设的损失阈值，均停止训练，导出训练好的识别模型，利用训练好的识别模型对所述二维切片CT图像进行各器官组织是否正常的识别；
S505：所述识别模型输入所述二维切片图像集，识别所述二维切片图像集中的各器官组织是否为正常的器官组织，如不是，则为患病的器官组织。
在本实施方式中，因为患病状态下的器官组织所呈现出的图像差异很大，有包括增生、缺失和病变等情况，且增大、缺失和病变的范围程度也会影响CT图像的呈现形式，因此将器官组织所有患病状态下的CT图像进行收集分类的困难较大，而器官组织健康状态下的CT图像表现形式较为统一，可以通过筛选器官组织健康的CT图像得到各器官组织健康状态下的标准CT图像集，再通过所述标准CT图像集训练出识别模型，通过所述识别模型对原始CT图像进行识别，输出所述二维切片图像集中的各器官组织是否为正常的器官组织，如不是，则为患病的器官组织。
在一个可行的实施方式中，所述识别模型基于各器官组织与标准CT图像集的相似度，输出对器官组织区域的识别概率，所述识别概率的范围包括第一识别范围、第二识别范围和第三识别范围；所述第一概率范围的下限大于或等于第一识别阈值；所述第二识别范围的上限小于第一识别阈值，所述第二识别范围的下限大于或等于第二识别阈值；所述第三识别范围的上限小于第二识别阈值；
所述识别模型输出对器官组织区域的识别概率在所述第一识别范围时，不对所述器官组织区域进行标注，输出器官组织是否为正常的器官组织；
在本实施方式中，不同的识别范围对应不同的推送策略，所述识别模型输出对器官组织区域的识别概率在所述第一识别范围时，说明识别模型可以认定原始CT图像中的该器官组织与标准CT图像集中的器官组织相同，不对所述器官组织区域进行标注，示例性的，可以将第一识别范围设置为[95%，100%]，所述第一识别阈值为95%；
所述识别模型输出对器官组织区域的识别概率在所述第二识别范围时，所述器官组织区域的标注为第一标注，输出所述器官组织为疑似患病的器官组织；
在本实施方式中，不同的识别范围对应不同的推送策略，所述识别模型输出对器官组织区域的识别概率在所述第二识别范围时，说明识别模型可以认定原始CT图像中的该器官组织与标准CT图像集中的器官组织相同大致相同，但需要进一步的确认，该器官组织疑似患病，对该区域进行标注，对所述器官组织区域的标注为第一标注，示例性的，可以将第二识别范围设置为[85%，95%]，所述第二识别阈值为85%；
所述识别模型输出对器官组织区域的识别概率在所述第三识别范围时，所述器官组织区域的标注为第二标注，输出所述器官组织为患病的器官组织。
在本实施方式中，不同的识别概率范围对应不同的推送策略，所述识别模型输出对器官组织区域的识别概率在所述第三识别范围时，说明识别模型可以认定原始CT图像中的该器官组织与标准CT图像集中的器官组织为同一器官组织，但不相同，但需要对该区域仔细查看，该器官组织患病，对该区域进行标注，对所述器官组织区域的标注为第二标注，示例性的，可以将第二识别范围设置为[60%，85%]。
在一个可行的实施方式中，所述多个确认信号包括第一确认信号和第二确认信号，所述第一确认信号用于向识别设备发送所述第一标注在所述立体CT影像内部的三维坐标，所述第二确认信号用于向识别设备发送所述第二标注在所述立体CT影像内部的三维坐标；
基于所述第一确认信号选取至少一条第一通道从所述立体CT影像外部通向所述第一标注；基于所述第二确认信号选取至少一条第二通道从所述立体CT影像外部通向所述第二标注。
在本实施方式中，将处于不同概率范围的标注，也就是第一标注和第二标注，通过不同的确认信号，也就是第一确认信号发送第一标注的坐标，第二确认信号发送第二坐标的坐标，基于所述第一确认信号和所述第二确认信号选取不同的通道，也就是第一确认信号对应第一标注的第一通道，第二确认信号对应第二标注的第二通道，通过通道上对器官组织的处理不同，得到不同显示的通道，包括不影响查看的不同颜色等，用于区分第一标注和第二标注所指示的区域，用于对其不同程度的查看，所述第二标注所指示的区域为患病区域需要更细致的查看，所述第一标注所指示的区域为疑似患病的区域，可以对其进行大致的查看。节省精力对关键部分进行查看。
在一个可行的实施方式中，所述通道上的所述立体CT图像的器官组织均处于所述第一识别范围内。
在本实施方式中，所述通道上的所述立体CT图像的器官组织均处于所述第一识别范围内，也就是说，所述通道所穿过的器官组织，立体渲染设备进行透明化渲染的区域均为正常的器官组织，避免需要查看的患病区域被通道穿过进行透明化处理而影响查看，甚至忽略重要信息。
在本申请的第二方面，参照图4，提供一种CT图像的自动渲染装置400，所述装置包括：
图像获取模块401：获取原始CT图像，所述原始CT图像包括一组可渲染为立体CT影像的二维切片图像集；
图像识别模块402：对所述二维切片图像集进行患病区域的识别，并对患病区域进行标注；
图像渲染模块403：对所述二维切片图像集进行渲染，得到所述立体CT影像；
标注定位模块404：获取所述标注在所述立体CT影像内部的三维坐标；
通道设置模块405：选取至少一条通道从所述立体CT影像外部通向所述标注，并对处于所述通道上的所述立体CT图像进行透明渲染设置。
在一个可行的实施方式中，所述装置还包括：
信号获取模块：识别设备对患病区域进行标注完成后获取第一渲染控制信号，所述第一渲染控制信号用于所述识别设备控制所述立体渲染设备开始渲染程序；
波束发送模块：所述识别设备使用第一通信面板的第一波束发送所述第一渲染控制信号，所述第一波束的波束方向指向所述立体渲染设备；
信号接收模块：所述识别设备使用所述第一波束接收来自所述立体渲染设备的多个确认信号，所述多个确认信号是通过所述立体渲染设备的第二通信面板对所述第一通信面板发送的信号；
坐标发送模块：所述多个确认信号用于向识别设备发送所述标注在所述立体CT影像内部的三维坐标。
在一个可行的实施方式中，所述通道设置模块进行透明渲染设置之前，该装置还包括：
信号发送模块：所述识别设备获取第二渲染信号，所述第二渲染控制信号用于所述识别设备控制所述立体渲染设备开始透明渲染程序，所述识别设备使用所述第一通信面板的所述第一波束发送所述第二渲染控制信号，所述第一波束的波束方向指向所述立体渲染设备。
在一个可行的实施方式中，该装置还包括：
现有图像获取模块：获取现有的CT图像，获取途径包括有医院数据库、互联网、医学教材和医学文献；
图像筛选模块：对现有的CT图像进行筛选，筛选出器官组织健康的CT图像；基于器官组织健康的CT图像，得到各器官组织健康状态下的CT图像，进而得到各器官组织健康状态下的标准CT图像集；
模型训练模块：基于所述标准CT图像集确定训练集和验证集，根据所述训练集对识别模型进行迭代训练，利用所述验证集进行评估，当神经网络模型达到预设的迭代训练次数，则停止训练，并导出所述识别模型；
模型输出模块：所述识别模型输入所述二维切片图像集，识别所述二维切片图像集中的各器官组织是否为正常的器官组织，如不是，则为患病的器官组织。
在一个可行的实施方式中，该装置还包括识别概率模块：所述识别模型基于各器官组织与标准CT图像集的相似度，输出对器官组织区域的识别概率，所述识别概率的范围包括第一识别范围、第二识别范围和第三识别范围；所述第一概率范围的下限大于或等于第一识别阈值；所述第二识别范围的上限小于第一识别阈值，所述第二识别范围的下限大于或等于第二识别阈值；所述第三识别范围的上限小于第二识别阈值；
所述识别模型输出对器官组织区域的识别概率在所述第一识别范围时，不对所述器官组织区域进行标注，输出器官组织是否为正常的器官组织；
所述识别模型输出对器官组织区域的识别概率在所述第二识别范围时，所述器官组织区域的标注为第一标注，输出所述器官组织为疑似患病的器官组织；
所述识别模型输出对器官组织区域的识别概率在所述第三识别范围时，所述器官组织区域的标注为第二标注，输出所述器官组织为患病的器官组织。
在一个可行的实施方式中，该装置还包括坐标发送子模块：所述多个确认信号包括第一确认信号和第二确认信号，所述第一确认信号用于向识别设备发送所述第一标注在所述立体CT影像内部的三维坐标，所述第二确认信号用于向识别设备发送所述第二标注在所述立体CT影像内部的三维坐标；
基于所述第一确认信号选取至少一条第一通道从所述立体CT影像外部通向所述第一标注；基于所述第二确认信号选取至少一条第二通道从所述立体CT影像外部通向所述第二标注。
在一个可行的实施方式中，该装置还包括路径选择模块：所述通道上的所述立体CT图像的器官组织均处于所述第一识别范围内。
需要说明的是，本申请实施例的用于一种CT图像的自动渲染装置400的具体实施方式参照前述本申请实施例第一方面提出的一种CT图像的自动渲染方法的具体实施方式，在此不再赘述。
在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言（包括编译或解释语言，或者声明性或过程性语言）来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言（HTML，Hyper TextMarkup Language）文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件（例如，存储一个或多个模块、子程序或代码部分的文件）中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括要素的物品或者设备中还存在另外的相同要素。
以上对所提供的一种CT图像的自动渲染方法及装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的用于区块链网络的信息推送方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种CT图像的自动渲染方法，其特征在于，包括：
获取原始CT图像，所述原始CT图像包括一组可渲染为立体CT影像的二维切片图像集；
对所述二维切片图像集进行患病区域的识别，并对患病区域进行标注；
对所述二维切片图像集进行渲染，得到所述立体CT影像；
获取所述标注在所述立体CT影像内部的三维坐标；
选取至少一条通道从所述立体CT影像外部通向所述标注，并对处于所述通道上的所述立体CT影像进行透明渲染设置。
2.如权利要求1所述的一种CT图像的自动渲染方法，其特征在于，所述对所述二维切片图像集进行渲染的步骤之前，该方法还包括：
识别设备对患病区域进行标注完成后获取第一渲染控制信号，所述第一渲染控制信号用于所述识别设备控制立体渲染设备开始渲染程序；
所述识别设备使用第一通信面板的第一波束发送所述第一渲染控制信号，所述第一波束的波束方向指向所述立体渲染设备；
所述识别设备使用所述第一波束接收来自所述立体渲染设备的多个确认信号，所述多个确认信号是通过所述立体渲染设备的第二通信面板对所述第一通信面板发送的信号；
所述多个确认信号用于向识别设备发送所述标注在所述立体CT影像内部的三维坐标。
3.如权利要求2所述的一种CT图像的自动渲染方法，其特征在于，所述立体CT图像进行透明渲染设置的步骤之前，该方法还包括：
所述识别设备获取第二渲染控制信号，所述第二渲染控制信号用于所述识别设备控制所述立体渲染设备开始透明渲染程序，所述识别设备使用所述第一通信面板的所述第一波束发送所述第二渲染控制信号，所述第一波束的波束方向指向所述立体渲染设备。
4.如权利要求3所述的一种CT图像的自动渲染方法，其特征在于，所述对所述二维切片图像集进行患病区域的识别的步骤之前，该方法还包括：
获取现有的CT图像，获取途径包括有医院数据库、互联网、医学教材和医学文献；
对现有的CT图像进行筛选，筛选出器官组织健康的CT图像；
基于器官组织健康的CT图像，得到各器官组织健康状态下的CT图像，进而得到各器官组织健康状态下的标准CT图像集；
基于所述标准CT图像集确定训练集和验证集，根据所述训练集对识别模型进行迭代训练，利用所述验证集进行评估，当神经网络模型达到预设的迭代训练次数，则停止训练，并导出所述识别模型；
所述识别模型输入所述二维切片图像集，识别所述二维切片图像集中的各器官组织是否为正常的器官组织，如不是，则为患病的器官组织。
5.如权利要求4所述的一种CT图像的自动渲染方法，其特征在于，所述识别模型基于各器官组织与标准CT图像集的相似度，输出对器官组织区域的识别概率，所述识别概率的范围包括第一识别范围、第二识别范围和第三识别范围；所述第一识别范围的下限大于或等于第一识别阈值；所述第二识别范围的上限小于第一识别阈值，所述第二识别范围的下限大于或等于第二识别阈值；所述第三识别范围的上限小于第二识别阈值；
所述识别模型输出对器官组织区域的识别概率在所述第一识别范围时，不对所述器官组织区域进行标注，输出器官组织是否为正常的器官组织；
所述识别模型输出对器官组织区域的识别概率在所述第二识别范围时，所述器官组织区域的标注为第一标注，输出所述器官组织为疑似患病的器官组织；
所述识别模型输出对器官组织区域的识别概率在所述第三识别范围时，所述器官组织区域的标注为第二标注，输出所述器官组织为患病的器官组织。
6.如权利要求5所述的一种CT图像的自动渲染方法，其特征在于，所述多个确认信号包括第一确认信号和第二确认信号，所述第一确认信号用于向识别设备发送所述第一标注在所述立体CT影像内部的三维坐标，所述第二确认信号用于向识别设备发送所述第二标注在所述立体CT影像内部的三维坐标；
基于所述第一确认信号选取至少一条第一通道从所述立体CT影像外部通向所述第一标注；基于所述第二确认信号选取至少一条第二通道从所述立体CT影像外部通向所述第二标注。
7.如权利要求6所述的一种CT图像的自动渲染方法，其特征在于，所述通道上的所述立体CT图像的器官组织均处于所述第一识别范围内。
8.一种CT图像的自动渲染装置，其特征在于，包括：
图像获取模块：获取原始CT图像，所述原始CT图像包括一组可渲染为立体CT影像的二维切片图像集；
图像识别模块：对所述二维切片图像集进行患病区域的识别，并对患病区域进行标注；
图像渲染模块：对所述二维切片图像集进行渲染，得到所述立体CT影像；
标注定位模块：获取所述标注在所述立体CT影像内部的三维坐标；
通道设置模块：选取至少一条通道从所述立体CT影像外部通向所述标注，并对处于所述通道上的所述立体CT影像进行透明渲染设置。
9.一种CT图像的自动渲染电子设备，其特征在于，包括处理器和存储器；该存储器用于存储计算机程序，当该处理器执行该计算机程序时，以使该电子设备执行如权利要求1-7中任一项所述的一种CT图像的自动渲染方法。
10.一种CT图像的自动渲染可读存储介质，其特征在于，可读存储介质上存储有程序或指令，所述程序或指令被处理器执行时实现权利要求1-7任一项所述的一种CT图像的自动渲染方法的各个过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311036012.5A CN117059235A (zh) | 2023-08-17 | 2023-08-17 | 一种ct图像的自动渲染方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311036012.5A CN117059235A (zh) | 2023-08-17 | 2023-08-17 | 一种ct图像的自动渲染方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117059235A true CN117059235A (zh) | 2023-11-14 |
Family
ID=88654848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311036012.5A Pending CN117059235A (zh) | 2023-08-17 | 2023-08-17 | 一种ct图像的自动渲染方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117059235A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107481326A (zh) * | 2017-08-25 | 2017-12-15 | 上海嘉奥信息科技发展有限公司 | 一种基于ct影像体渲染的解剖结构vr显示方法 |
| US20190000588A1 (en) * | 2017-09-18 | 2019-01-03 | MediVis, Inc. | Methods and systems for generating and using 3d images in surgical settings |
| US20190279416A1 (en) * | 2016-11-25 | 2019-09-12 | Stewart Ping Lee | Medical Imaging System based on HMDS |
| CN110232383A (zh) * | 2019-06-18 | 2019-09-13 | 湖南省华芯医疗器械有限公司 | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 |
| CN110522516A (zh) * | 2019-09-23 | 2019-12-03 | 杭州师范大学 | 一种用于手术导航的多层次交互可视化方法 |
| CN110675464A (zh) * | 2019-09-20 | 2020-01-10 | 和宇健康科技股份有限公司 | 一种医疗影像的处理方法、装置、服务器及存储介质 |
| CN111640100A (zh) * | 2020-05-29 | 2020-09-08 | 京东方科技集团股份有限公司 | 肿瘤图像的处理方法和装置、电子设备、存储介质 |
| KR20220074442A (ko) * | 2020-11-27 | 2022-06-03 | 주식회사 뷰노 | 질병을 판정하기 위한 정보를 제공하는 방법 |
| CN115713590A (zh) * | 2022-09-27 | 2023-02-24 | 中国人民解放军陆军军医大学第二附属医院 | 一种基于ct的三维重建图像处理方法及系统 |
| CN116051553A (zh) * | 2023-03-30 | 2023-05-02 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 一种在三维医学模型内部进行标记的方法和装置 |
| CN116580398A (zh) * | 2022-02-10 | 2023-08-11 | 西门子医疗有限公司 | 体积渲染中注释标签的动态布局优化 |
-
2023
- 2023-08-17 CN CN202311036012.5A patent/CN117059235A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190279416A1 (en) * | 2016-11-25 | 2019-09-12 | Stewart Ping Lee | Medical Imaging System based on HMDS |
| CN107481326A (zh) * | 2017-08-25 | 2017-12-15 | 上海嘉奥信息科技发展有限公司 | 一种基于ct影像体渲染的解剖结构vr显示方法 |
| US20190000588A1 (en) * | 2017-09-18 | 2019-01-03 | MediVis, Inc. | Methods and systems for generating and using 3d images in surgical settings |
| CN110232383A (zh) * | 2019-06-18 | 2019-09-13 | 湖南省华芯医疗器械有限公司 | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 |
| CN110675464A (zh) * | 2019-09-20 | 2020-01-10 | 和宇健康科技股份有限公司 | 一种医疗影像的处理方法、装置、服务器及存储介质 |
| CN110522516A (zh) * | 2019-09-23 | 2019-12-03 | 杭州师范大学 | 一种用于手术导航的多层次交互可视化方法 |
| CN111640100A (zh) * | 2020-05-29 | 2020-09-08 | 京东方科技集团股份有限公司 | 肿瘤图像的处理方法和装置、电子设备、存储介质 |
| KR20220074442A (ko) * | 2020-11-27 | 2022-06-03 | 주식회사 뷰노 | 질병을 판정하기 위한 정보를 제공하는 방법 |
| CN116580398A (zh) * | 2022-02-10 | 2023-08-11 | 西门子医疗有限公司 | 体积渲染中注释标签的动态布局优化 |
| CN115713590A (zh) * | 2022-09-27 | 2023-02-24 | 中国人民解放军陆军军医大学第二附属医院 | 一种基于ct的三维重建图像处理方法及系统 |
| CN116051553A (zh) * | 2023-03-30 | 2023-05-02 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 一种在三维医学模型内部进行标记的方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| TIANXIA GONG等: "AUTOMATIC LABELING AND CLASSIFICATION OF BRAIN CT IMAGES", 《2011 18TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》, 14 September 2011 (2011-09-14), pages 1581 - 1584, XP032079903, DOI: 10.1109/ICIP.2011.6115751 * |
| 方威扬等: "医学图像三维重建系统的研究进展", 《中国医学物理学杂志》, vol. 39, 18 July 2022 (2022-07-18), pages 823 - 827 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11984217B2 (en) | Method and apparatus for processing histological image captured by medical imaging device | |
| US20220254023A1 (en) | System and Method for Interpretation of Multiple Medical Images Using Deep Learning | |
| CN111080584B (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
| US11797846B2 (en) | Learning assistance device, method of operating learning assistance device, learning assistance program, learning assistance system, and terminal device | |
| CN109937012A (zh) | 为成像系统选择采集参数 | |
| US20210312629A1 (en) | Methods, systems and apparatus for processing medical chest images | |
| US20120053446A1 (en) | Voting in image processing | |
| CN116721045B (zh) | 一种多ct图像融合的方法及装置 | |
| US11475568B2 (en) | Method for controlling display of abnormality in chest x-ray image, storage medium, abnormality display control apparatus, and server apparatus | |
| CN111524109A (zh) | 头部医学影像的评分方法和装置、电子设备及存储介质 | |
| CN111528879A (zh) | 一种医学图像采集的方法和系统 | |
| CN116797554A (zh) | 图像处理方法以及装置 | |
| CN114299547A (zh) | 一种目标对象所处区域确定方法和系统 | |
| EP3665643B1 (en) | X-ray image processing method and system and computer storage medium | |
| CN115131275A (zh) | Ct图像检测方法、装置、系统、电子装置和存储介质 | |
| CN110197722B (zh) | Ai-cpu系统平台 | |
| CN117059235A (zh) | 一种ct图像的自动渲染方法及装置 | |
| CN113348485A (zh) | 异常检测方法、异常检测程序、异常检测装置、服务器装置以及信息处理方法 | |
| CN113520416A (zh) | 一种用于生成对象二维图像的方法和系统 | |
| CN117279572A (zh) | 用于处理和可视化医学成像设备中的管电流调制的系统和方法 | |
| US11872069B2 (en) | Method for providing fracture-detection tool | |
| CN117058186A (zh) | 血液流速确定方法、装置、计算设备及存储介质 | |
| CN113962953A (zh) | 一种图像处理方法和系统 | |
| CN116664580B (zh) | 一种ct图像的多图层级联成像方法及装置 | |
| CN117011191B (zh) | 一种ct图像的修复处理方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20231114 |