CN117237322A - 一种基于医学图像的器官分割建模方法及终端 - Google Patents
一种基于医学图像的器官分割建模方法及终端 Download PDFInfo
- Publication number
- CN117237322A CN117237322A CN202311302615.5A CN202311302615A CN117237322A CN 117237322 A CN117237322 A CN 117237322A CN 202311302615 A CN202311302615 A CN 202311302615A CN 117237322 A CN117237322 A CN 117237322A
- Authority
- CN
- China
- Prior art keywords
- image
- target organ
- organ
- segmentation
- medical images
- 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
- 210000000056 organ Anatomy 0.000 title claims abstract description 200
- 230000011218 segmentation Effects 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000013642 negative control Substances 0.000 claims abstract description 24
- 239000013641 positive control Substances 0.000 claims abstract description 24
- 238000003709 image segmentation Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 24
- 230000000694 effects Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 210000001015 abdomen Anatomy 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000003187 abdominal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于医学图像的器官分割建模方法及终端,接收输入的连续的医学图像,从连续的医学图像中获取包含目标器官的第一图像,接收第一图像上标记的正负控制点,根据标记结果在所述第一图像上识别目标器官,基于识别到的器官区域,对该断面中连续的序列影像进行器官的连续追踪,进而完成整个器官的自动识别,生成器官基于原始断面连续图像上的三维模型,根据输入的连续的医学图像至少建立另外两个断面的连续的医学图像,再对其他断面的连续的医学图像进行器官的识别与建模。最后基于所有断面的模型进行校准得到所述目标器官的三维分割模型,确保得到精确的器官分割结果。
Description
技术领域
本发明涉及医学图像处理的技术领域,特别涉及一种基于医学图像的器官分割建模方法及终端。
背景技术
随着人工智能的飞速发展,目前应用于医学图像自动分割的软件不断涌现,当前应用广泛的软件包括3D slicer、ITK-SNAP等。这些软件背后所依赖的自动分割算法主要包括传统算法如基于阈值、区域生长、水平集方法、活动轮廓模型等,以及深度学习算法如U-Net、CNN等。
目前的现有技术公开了采用边缘感知算法针对腹部计算机断层扫描图像进行多器官的分割建模的方法。此方法中构建了腹部多器官分割网络,该网络主要包括体素分割模块、边缘感知模块和融合模块。通过训练集中的腹部CT图像对该网络进行训练,从而得到腹部多器官分割模型。但是,上述分割方法仅适用于CT图像的腹部脏器,对其他器官或病变的适用性较差。对于那些可以广泛适应各种器官组织的自动分割算法,大多数场景下的实际分割效果并不理想,导致其在实际应用中效益有限。
并且,传统自动分割算法对种子点、边界和阈值的选择非常敏感。为了得到较为准确的结果,可能需要人为设定多个边界点或在自动分割后进行大量的修正,这在操作上甚至可能超越直接手动分割的复杂度。至于深度学习算法,它们要求有大量标注的训练集数据,这不仅增加了工作量,而且需要较高的计算能力。
同时,现有的传统自动分割算法很难完全满足医学分割的需求。这些算法容易受到图像噪声的影响,且在目标与背景强度分布有重叠的情况下,其分割效果通常不尽如人意。由于医学图像的特性,脏器间的密度往往相似或有重叠,导致分割难以达到理想状态。尽管深度学习算法在特定场景中相较于传统算法表现更佳,但在处理生理变异或少见的病变和异常组织时,仍然面临较大的挑战。
发明内容
本发明所要解决的技术问题是:提供一种基于医学图像的器官分割建模方法及终端,能够对多种医学图像中的器官进行分割建模的同时,保证分割的准确度。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于医学图像的器官分割建模方法,包括步骤:
S1、接收连续的医学图像,从连续的医学图像中获取包含目标器官的第一图像,接收在所述第一图像上标记的正负控制点,根据标记结果在所述第一图像上识别目标器官;
S2、对连续的医学图像中的目标器官进行识别跟踪,计算连续的跟踪结果的重叠比例,若所述重叠比例大于预设比例,则得到所述目标器官的跟踪结果,生成所述目标器官的三维模型;
S3、根据所述连续的医学图像分别建立除原始连续的医学图像所在断面之外的至少两个断面的连续的医学图像,依次使用建立的连续的医学图像返回执行步骤S1和S2,得到至少两个断面的目标器官的三维模型;
S4、对所述目标器官在所有断面的三维模型进行校准,得到所述目标器官的三维分割模型。
为了解决上述技术问题,本发明采用的另一种技术方案为:
一种基于医学图像的器官分割建模终端,包括存储器、处理器以及存储在所述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以下步骤:
S1、接收连续的医学图像,从连续的医学图像中获取包含目标器官的第一图像,接收在所述第一图像上标记的正负控制点,根据标记结果在所述第一图像上识别目标器官;
S2、对连续的医学图像中的目标器官进行识别跟踪,计算连续的跟踪结果的重叠比例,若所述重叠比例大于预设比例,则得到所述目标器官的跟踪结果,生成所述目标器官的三维模型;
S3、根据所述连续的医学图像分别建立除原始连续的医学图像所在断面之外的至少两个断面的连续的医学图像,依次使用建立的连续的医学图像返回执行步骤S1和S2,得到至少两个断面的目标器官的三维模型;
S4、对所述目标器官在所有断面的三维模型进行校准,得到所述目标器官的三维分割模型。
本发明的有益效果在于:接收输入的连续的医学图像,从连续的医学图像中获取包含目标器官的第一图像,接收第一图像上标记的正负控制点,根据标记结果在所述第一图像上进行目标器官的自动识别,基于识别到的器官区域,对该连续的序列影像进行器官的连续追踪,进而完成整个器官的自动识别,生成器官基于原始断面连续图像上的三维模型,根据输入的连续的医学图像至少建立另外两个断面的连续的医学图像,再对其他断面的连续的医学图像进行器官的识别与建模。最后基于所有断面的模型进行校准得到所述目标器官的三维分割模型,确保得到精确的器官分割结果。因此,本发明可以适配多种医学图像,适用于多种扫描部位,同时目标器官的勾画只需在对应部位标注少量的控制点即可实现,结合连续的医学图像进行识别跟踪,进一步保证分割的准确度。
附图说明
图1为本发明实施例的一种基于医学图像的器官分割建模方法的流程图;
图2为本发明实施例的一种基于医学图像的器官分割建模终端的示意图;
图3为本发明实施例中医学图像目标器官三维模型构建流程图。
标号说明:
1、一种基于医学图像的器官分割建模终端;2、存储器;3、处理器。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
请参照图1,本发明实施例提供了一种基于医学图像的器官分割建模方法,包括步骤:
S1、接收连续的医学图像,从连续的医学图像中获取包含目标器官的第一图像,接收在所述第一图像上标记的正负控制点,根据标记结果在所述第一图像上识别目标器官;
S2、对连续的医学图像中的目标器官进行识别跟踪,计算连续的跟踪结果的重叠比例,若所述重叠比例大于预设比例,则得到所述目标器官的跟踪结果,生成所述目标器官的三维模型;
S3、根据所述连续的医学图像分别建立除原始连续的医学图像所在断面之外的至少两个断面的连续的医学图像,依次使用建立的连续的医学图像返回执行步骤S1和S2,得到至少两个断面的目标器官的三维模型;
S4、对所述目标器官在所有断面的三维模型进行校准,得到所述目标器官的三维分割模型。
从上述描述可知,本发明的有益效果在于:接收输入的连续的医学图像,从连续的医学图像中获取包含目标器官的第一图像,接收第一图像上标记的正负控制点,根据标记结果在所述第一图像上进行目标器官的自动识别,基于识别到的器官区域,对该断面中连续的序列影像进行器官的连续追踪,进而完成整个器官的自动识别,生成器官在基于原始断面连续图像上的三维模型,根据输入的连续的医学图像至少建立另外两个断面的连续的医学图像,再对其他断面的连续的医学图像进行器官的识别与建模。最后基于所有断面的模型进行校准得到所述目标器官的三维分割模型,确保得到精确的器官分割结果。因此,本发明可以适配多种医学图像,适用于多种扫描部位,同时目标器官的勾画只需在对应部位标注少量的控制点即可实现,结合连续的医学图像进行识别跟踪,进一步保证分割的准确度。
进一步地,所述接收在所述第一图像上标记的正负控制点,根据标记结果依次在所述第一图像上识别目标器官包括:
从所述第一图像中提取图像特征信息,基于所述图像特征信息构建所述第一图像的预测器;
接收对所述第一图像中的目标器官标记的正负控制点,将所述正负控制点输入所述预测器,识别得到所述第一图像中目标器官的图像分割结果。
由上述描述可知,对操作者而言,目标器官的勾画只需在对应部位标注少量的控制点;去除非目标组织也仅需将正向标记调整为反向标记,并进行相应的控制点操作。
进一步地,所述对连续的医学图像的目标器官进行识别跟踪包括:
构建包含所述第一图像及所述第一图像之后的图像的第一图像序列,以及包含所述第一图像及所述第一图像之前的图像的第二图像序列;
根据所述第一图像中目标器官的图像分割结果进行第一图像序列和第二图像序列中目标器官的识别跟踪,得到初始跟踪结果。
由上述描述可知,对目标器官区域上、下连续的序列影像进行器官的连续追踪,能够完成整个器官的自动识别。
进一步地,所述计算连续的跟踪结果的重叠比例,若所述重叠比例大于预设比例,则得到所述目标器官的跟踪结果包括:
在图像序列中从第一图像开始计算当前图像的跟踪结果与下一图像的初始跟踪结果的重叠比例,若所述重叠比例大于或者等于预设比例,则存储下一图像的初始跟踪结果,并将下一图像作为当前图像,进行重叠比例的计算,直至图像序列中的所有图像均完成重叠比例的计算;
若所述重叠比例小于预设比例,则认为下一图像中不存在目标器官,结束器官分割。
由上述描述可知,对连续的跟踪结果进行校核,其操作逻辑简单易理解,算力需求不高,且勾画效率显著,排除多个非连续区域出现的器官“漂移”的情况。
进一步地,对所述目标器官在所有断面的三维模型进行校准,得到所述目标器官的三维分割模型包括:
将所述目标器官在所有断面的三维模型转换到相同的坐标系,并计算所有断面的三维模型的交集,根据交集结果得到所述目标器官的三维分割模型。
由上述描述可知,结合横断面、矢状面、冠状面进行器官边界的识别,可以优势互补,提高器官分割的准确性。
请参照图2,本发明另一实施例提供了一种基于医学图像的器官分割建模终端,包括存储器、处理器以及存储在所述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上述的一种基于医学图像的器官分割建模方法的各个步骤。
本发明上述的一种基于医学图像的器官分割建模方法及终端,适配多种医学图像,适用于多种扫描部位,同时还能够保证分割的准确度。以下通过具体的实施方式进行说明:
实施例一
请参照图1和图3,一种基于医学图像的器官分割建模方法,其特征在于,包括步骤:
S1、接收连续的医学图像,从连续的医学图像中获取包含目标器官的第一图像,接收在所述第一图像上标记的正负控制点,根据标记结果在所述第一图像上识别目标器官。
S11、接收输入的DICOM格式的医学图像序列,该医学图像序列工包含n张医学图像,选取其中任意一张包含所需目标器官的图像,设为第i张图像,其图像表示为Ii,其中0<i≤n。
S12、从所述第一图像中提取图像特征信息,基于所述图像特征信息构建所述第一图像的预测器。
在本实施例中,为进行图像的自动分割勾画,采用SAM模型(Segment AnythingModel)进行图像解析。在识别过程中,首先应用SAM模型对图像Ii进行特征编码(Encode),将图像特征提取为以张量形式的图像特征信息Ti以准备识别,并将特征信息存储。
在识别算法开始时,加载图像Ii,提取特征信息Ti,并输入SAM模型中构建算法预测器Pi。
S13、接收对所述第一图像中的目标器官标记的正负控制点,将所述正负控制点输入所述预测器,识别得到所述第一图像中目标器官的图像分割结果。
具体的,基于图像Ii,对目标器官进行正/负控制点标记,以自动识别勾画选区,其中,正控制点表示纳入勾画的目标器官组织,负控制点表示去除目标器官之外的组织。对于图像Ii上的第j个控制点,其信息可表示为:pj={xj,yj,δj},其中(xj,yj)表示该控制点在图像Ii上在x与y方向上的坐标,δj表示该控制点的权重,其中正控制点取值为1,负控制点取值为0。
在识别算法的预测阶段,将图像的控制点pj输入预测器Pi中,预测器进行目标分割,输出图像分割结果Mi。确认该目标器官边界范围后,将该分割结果设置为图像Ii的感兴趣区(region of interest,ROI),以便后续追踪。
S2、对连续的医学图像中的目标器官进行识别跟踪,计算连续的跟踪结果的重叠比例,若所述重叠比例大于预设比例,则得到所述目标器官的跟踪结果,生成所述目标器官的三维模型。
本实施例中,依据单个断面图像的器官分割结果,对多层连续图像序列进行器官识别追踪,以获得连续图像中对同一器官的三维勾画分割。其具体思路是将连续滚动的医学图像视为一个连续的视频,以勾画的目标器官ROI作为视频中的某一物体,追踪上、下滚动图像时与其联动相关的组织,即将“视频追踪物体”的概念类推于此以达到自动勾画出整个序列图像中的目标组织三维结构的目的。
具体的,采用XMem模型(Long-Term Video Object Segmentation with anAtkinson-Shiffrin Memory Model)进行连续器官的识别追踪,在第一步自动分割出目标器官ROI的基础上,进行上、下连续图像的该器官区域追踪识别,从而获得目标器官的三维分割模型。具体分为以下步骤:
S21、构建包含所述第一图像及所述第一图像之后的图像的第一图像序列,以及包含所述第一图像及所述第一图像之前的图像的第二图像序列。
在图像Ii上已经提取的图像分割结果Mi作为XMem模型的输入,构建S1={Ii,Ii+1,Ii+2,…}与S2={Ii,Ii-1,Ii-2,…}两个图像序列,分别代表已勾选图像前序与后序的图像序列。
S22、根据所述第一图像中目标器官的图像分割结果进行第一图像序列和第二图像序列中目标器官的识别跟踪,得到初始跟踪结果。
具体的,以图像序列S1为例进行图像追踪,其中Ii为图像序列的首张图像,Mi为该图像上器官的分割结果。首先,创建XMem模型,表示为X1,将Ii与Mi输入模型中。然后,取下一张图像Ii+1输入模型X1,模型进行目标追踪预测,输出结果M’i+1为预测的初步结果。
S23、在图像序列中从第一图像开始计算当前图像的跟踪结果与下一图像的初始跟踪结果的重叠比例,若所述重叠比例大于或者等于预设比例,则存储下一图像的初始跟踪结果,并将下一图像作为当前图像,进行重叠比例的计算,直至图像序列中的所有图像均完成重叠比例的计算;若所述重叠比例小于预设比例,则认为下一图像中不存在目标器官,结束器官分割。
由于连续视频追踪主要思路是追踪物体的相似性,某一帧图像中的特定物体与其相连续帧中,物体可能有较大的位移、重叠部分较少。而医学图像连续层面中,每种器官上、下层面的器官具有较大重叠区域,如果单纯引用“物体相似性”可能会将并不相连续的其他相似性的器官勾画,就会造成较大的误差。
因此,在本实施例中,对结果M’i+1进行校核判断,分为如下情况:如果结果M’i+1中不包含任何目标,则表示图像Ii+1中不存在目标,图像追踪的算法结束;如果结果M’i+1中包含目标,则需要进行识别校核。校核过程以分割结果相似度作为评价指标,其计算方法如下:
其中,Area(X)代表X的面积。
在校核过程中,首先需要排除多个非连续区域出现的“漂移”情况,即算法输出的M’i+1可能在Mi的范围外生成了与Mi完全不重叠的区域。
排除过程如下:假设M’i+1中存在a个连续的区域,每一个连续区域标识为Xa。对每一Xa,若sim(Xa,Mi)=0,则将Xa从M’i+1中剔除。然后,对M’i+1进行进一步校核,设定阈值t∈(0,1),若sim(M’i+1,Mi)≥t,则认为M’i+1识别结果可靠,将图像Ii+1的分割结果Mi+1设定为M’i+1。算法继续进行下一帧的追踪,重复上述流程,直至图像中不存在追踪结果,算法结束。如果im(M’i+1,Mi)<t,则认为图像Ii+1中图像上不存在目标,算法终止。
上述算法流程即实现了图像序列S1的器官连续追踪过程,其输出结果为分割序列R1={Mi,Mi+1,Mi+2,…}。对序列S2也应用同样的追踪过程,得到分割序列R1={Mi,Mi-1,Mi-2,…},将R1与R2合并,得到图像追踪结果R={…Mi-2,Mi-1,Mi,Mi+1,Mi+2,…},即为序列影像的器官连续追踪结果输出。
S3、根据所述连续的医学图像分别建立除原始连续的医学图像所在断面之外的至少两个断面的连续的医学图像,依次使用建立的连续的医学图像返回执行步骤S1和S2,得到至少两个断面的目标器官的三维模型。
具体的,医学图像的断面可以包括横断面、矢状面和冠状面,在本实施例中,原始连续的医学图像可以为从横断面获取的医学图像,之后基于原始连续的医学图像分别建立矢状面和上的连续的医学图像,都采用步骤S1和S2的过程进行三维勾画,继而得出同一个器官在三个断面下的三维模型。
S4、对所述目标器官在所有断面的三维模型进行校准,得到所述目标器官的三维分割模型。
其中,步骤S4包括:
将所述目标器官在所有断面的三维模型转换到相同的坐标系,并计算所有断面的三维模型的交集,根据交集结果得到所述目标器官的三维分割模型。
在本实施例中,医学图像所分析的影像为横断面、矢状面、冠状面中的任意一种,分别能够对应三维空间中的x,y,z三个平面。而基于单一维度的医学影像,可以构建出另外两个断面的图像用于校核。由于医学图像是灰度图像,器官与器官之间排列紧密,一些器官与器官之间的密度/信号相近,往往在某些断面上没有明显的界面,其边界难以准确识别。而本实施例中能够发现在不同方位观察器官与其他组织的界面存在差异,例如某些在横断面中难以区分的器官边界,在矢状面、冠状面中边界识别更为容易,即可达到各断面的识别优势互补的效果。
由此本实施例中将单一维度的图像重建出另外两个维度的图像,获得横断面、矢状面、冠状面的医学影像。在三个面中,分别根据步骤S1、S2进行目标器官的自动识别勾画器官,得到图像追踪结果。横断面、矢状面、冠状面的追踪结果分别表示为RA,RS,RC。在器官勾画之前需要将RA,RS,RC转换到相同坐标系,最终器官的勾画结果为RF=RA∩RS∩RC。至此,算法就完成了器官的分割,并得到目标器官的三维分割模型。
因此,本实施例中的器官分割建模方法,相对于过去那些泛化性能强但准确度不高或准确度高但泛化性能有限的算法,本实施例引入了SAM算法及视频连续追踪XMem算法,并结合医学图像框架,将视频追踪用于医学连续图像的自动分割。基于大数据的深度学习模型,它显著地增强了模型的泛化性能,使其同时具备出色的泛化性和准确度。
并且,采用本方法勾画目标器官所需输入条件简单,仅需要在解析图像后通过控制点标记的形式即可快速自动准确识别勾画目标区域,此方法避免了手动确定器官边界或设置阈值以防止区域外溢,且不需要依赖大量的训练集数据进行标注和学习。
同时,结合识别结果的重叠比例进一步提出了一个多维度矫正体系。这不仅保持了原有的高准确度,而且通过进一步的边界修正,显著提高了在存在边界重叠问题的器官自动分割的准确性。
实施例二
请参照图2,一种基于医学图像的器官分割建模终端1,包括存储器2、处理器3以及存储在所述存储器2上并可在处理器3上运行的计算机程序,所述处理器3执行所述计算机程序时实现实施例一的一种基于医学图像的器官分割建模方法的各个步骤。
综上所述,本发明提供的一种基于医学图像的器官分割建模方法及终端,接收输入的连续的医学图像,从连续的医学图像中获取包含目标器官的第一图像,接收第一图像上标记的正负控制点,根据标记结果在所述第一图像上进行目标器官的自动识别,基于识别到的器官区域,对该断面中连续的序列影像进行器官的连续追踪,进而完成整个器官的自动识别,生成器官在基于原始断面连续图像上的三维模型,根据输入的连续的医学图像至少建立另外两个断面的连续的医学图像,再对其他断面的连续的医学图像进行器官的识别与建模。最后基于所有断面的模型进行校准得到所述目标器官的三维分割模型,确保得到精确的器官分割结果。因此,本发明可以适配多种医学图像,适用于多种扫描部位,同时目标器官的勾画只需在对应部位标注少量的控制点即可实现,结合连续的医学图像进行识别跟踪,进一步保证分割的准确度。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于医学图像的器官分割建模方法,其特征在于,包括步骤:
S1、接收连续的医学图像,从连续的医学图像中获取包含目标器官的第一图像,接收在所述第一图像上标记的正负控制点,根据标记结果在所述第一图像上识别目标器官;
S2、对连续的医学图像中的目标器官进行识别跟踪,计算连续的跟踪结果的重叠比例,若所述重叠比例大于预设比例,则得到所述目标器官的跟踪结果,生成所述目标器官的三维模型;
S3、根据所述连续的医学图像分别建立除原始连续的医学图像所在断面之外的至少两个断面的连续的医学图像,依次使用建立的连续的医学图像返回执行步骤S1和S2,得到至少两个断面的目标器官的三维模型;
S4、对所述目标器官在所有断面的三维模型进行校准,得到所述目标器官的三维分割模型。
2.根据权利要求1所述的一种基于医学图像的器官分割建模方法,其特征在于,所述接收在所述第一图像上标记的正负控制点,根据标记结果依次在所述第一图像上识别目标器官包括:
从所述第一图像中提取图像特征信息,基于所述图像特征信息构建所述第一图像的预测器;
接收对所述第一图像中的目标器官标记的正负控制点,将所述正负控制点输入所述预测器,识别得到所述第一图像中目标器官的图像分割结果。
3.根据权利要求1所述的一种基于医学图像的器官分割建模方法,其特征在于,所述对连续的医学图像中的目标器官进行识别跟踪包括:
构建包含所述第一图像及所述第一图像之后的图像的第一图像序列,以及包含所述第一图像及所述第一图像之前的图像的第二图像序列;
根据所述第一图像中目标器官的图像分割结果进行第一图像序列和第二图像序列中目标器官的识别跟踪,得到初始跟踪结果。
4.根据权利要求3所述的一种基于医学图像的器官分割建模方法,其特征在于,所述计算连续的跟踪结果的重叠比例,若所述重叠比例大于预设比例,则得到所述目标器官的跟踪结果包括:
在图像序列中从第一图像开始计算当前图像的跟踪结果与下一图像的初始跟踪结果的重叠比例,若所述重叠比例大于或者等于预设比例,则存储下一图像的初始跟踪结果,并将下一图像作为当前图像,进行重叠比例的计算,直至图像序列中的所有图像均完成重叠比例的计算;
若所述重叠比例小于预设比例,则认为下一图像中不存在目标器官,结束器官分割。
5.根据权利要求1所述的一种基于医学图像的器官分割建模方法,其特征在于,对所述目标器官在所有断面的三维模型进行校准,得到所述目标器官的三维分割模型包括:
将所述目标器官在所有断面的三维模型转换到相同的坐标系,并计算所有断面的三维模型的交集,根据交集结果得到所述目标器官的三维分割模型。
6.一种基于医学图像的器官分割建模终端,包括存储器、处理器以及存储在所述存储器上并可在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以下步骤:
S1、接收连续的医学图像,从连续的医学图像中获取包含目标器官的第一图像,接收在所述第一图像上标记的正负控制点,根据标记结果在所述第一图像上识别目标器官;
S2、对连续的医学图像中的目标器官进行识别跟踪,计算连续的跟踪结果的重叠比例,若所述重叠比例大于预设比例,则得到所述目标器官的跟踪结果,生成所述目标器官的三维模型;
S3、根据所述连续的医学图像分别建立除原始连续的医学图像所在断面之外的至少两个断面的连续的医学图像,依次使用建立的连续的医学图像返回执行步骤S1和S2,得到至少两个断面的目标器官的三维模型;
S4、对所述目标器官在所有断面的三维模型进行校准,得到所述目标器官的三维分割模型。
7.根据权利要求6所述的一种基于医学图像的器官分割建模终端,其特征在于,所述接收在所述第一图像上标记的正负控制点,根据标记结果依次在所述第一图像上识别目标器官包括:
从所述第一图像中提取图像特征信息,基于所述图像特征信息构建所述第一图像的预测器;
接收对所述第一图像中的目标器官标记的正负控制点,将所述正负控制点输入所述预测器,识别得到所述第一图像中目标器官的图像分割结果。
8.根据权利要求6所述的一种基于医学图像的器官分割建模终端,其特征在于,所述对连续的医学图像中的目标器官进行识别跟踪包括:
构建包含所述第一图像及所述第一图像之后的图像的第一图像序列,以及包含所述第一图像及所述第一图像之前的图像的第二图像序列;
根据所述第一图像中目标器官的图像分割结果进行第一图像序列和第二图像序列中目标器官的识别跟踪,得到初始跟踪结果。
9.根据权利要求8所述的一种基于医学图像的器官分割建模终端,其特征在于,所述计算连续的跟踪结果的重叠比例,若所述重叠比例大于预设比例,则得到所述目标器官的跟踪结果包括:
在图像序列中从第一图像开始计算当前图像的跟踪结果与下一图像的初始跟踪结果的重叠比例,若所述重叠比例大于或者等于预设比例,则存储下一图像的初始跟踪结果,并将下一图像作为当前图像,进行重叠比例的计算,直至图像序列中的所有图像均完成重叠比例的计算;
若所述重叠比例小于预设比例,则认为下一图像中不存在目标器官,结束器官分割。
10.根据权利要求6所述的一种基于医学图像的器官分割建模终端,其特征在于,对所述目标器官在所有断面的三维模型进行校准,得到所述目标器官的三维分割模型包括:
将所述目标器官在所有断面的三维模型转换到相同的坐标系,并计算所有断面的三维模型的交集,根据交集结果得到所述目标器官的三维分割模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311302615.5A CN117237322A (zh) | 2023-10-09 | 2023-10-09 | 一种基于医学图像的器官分割建模方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311302615.5A CN117237322A (zh) | 2023-10-09 | 2023-10-09 | 一种基于医学图像的器官分割建模方法及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117237322A true CN117237322A (zh) | 2023-12-15 |
Family
ID=89084246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311302615.5A Pending CN117237322A (zh) | 2023-10-09 | 2023-10-09 | 一种基于医学图像的器官分割建模方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237322A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117444990A (zh) * | 2023-12-25 | 2024-01-26 | 深圳市普朗医疗科技发展有限公司 | 基于3d建模的机械臂注射控制方法及系统 |
-
2023
- 2023-10-09 CN CN202311302615.5A patent/CN117237322A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117444990A (zh) * | 2023-12-25 | 2024-01-26 | 深圳市普朗医疗科技发展有限公司 | 基于3d建模的机械臂注射控制方法及系统 |
CN117444990B (zh) * | 2023-12-25 | 2024-02-27 | 深圳市普朗医疗科技发展有限公司 | 基于3d建模的机械臂注射控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311592B (zh) | 一种基于深度学习的三维医学图像自动分割方法 | |
US11593943B2 (en) | RECIST assessment of tumour progression | |
CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
US20180174311A1 (en) | Method and system for simultaneous scene parsing and model fusion for endoscopic and laparoscopic navigation | |
US8538109B2 (en) | Method and system for dynamic pulmonary trunk modeling and intervention planning | |
US20120207359A1 (en) | Image Registration | |
CN113516659B (zh) | 一种基于深度学习的医学影像自动分割方法 | |
US8948484B2 (en) | Method and system for automatic view planning for cardiac magnetic resonance imaging acquisition | |
CN111640120A (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
CN110648331B (zh) | 用于医学图像分割的检测方法、医学图像分割方法及装置 | |
CN110110727B (zh) | 基于条件随机场和贝叶斯后处理的图像分割方法 | |
WO2022213654A1 (zh) | 一种超声图像的分割方法、装置、终端设备和存储介质 | |
CN111179237A (zh) | 一种肝脏以及肝脏肿瘤的图像分割方法和装置 | |
CN117237322A (zh) | 一种基于医学图像的器官分割建模方法及终端 | |
CN111724389B (zh) | 髋关节ct图像分割方法、装置、存储介质和计算机设备 | |
CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和系统 | |
US8050470B2 (en) | Branch extension method for airway segmentation | |
CN111261296A (zh) | 基于条件随机向量场的肿瘤临床靶区自动勾画方法及系统 | |
CN112308846A (zh) | 血管分割方法、装置及电子设备 | |
Sivanesan et al. | Unsupervised medical image segmentation with adversarial networks: From edge diagrams to segmentation maps | |
CN111179298A (zh) | 基于ct图像的三维肺自动分割与左右肺分离方法及其系统 | |
CN111986216A (zh) | 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法 | |
Zheng et al. | Deep interactive segmentation of uncertain regions with shadowed sets | |
CN113935889A (zh) | 2d/3d冠状动脉自动配准方法、系统及介质 | |
Bai et al. | Progressive medical image annotation with convolutional neural network-based interactive segmentation 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 |