CN118196588A - 一种骨扫描图像标注方法、装置、介质及产品 - Google Patents
一种骨扫描图像标注方法、装置、介质及产品 Download PDFInfo
- Publication number
- CN118196588A CN118196588A CN202410310323.4A CN202410310323A CN118196588A CN 118196588 A CN118196588 A CN 118196588A CN 202410310323 A CN202410310323 A CN 202410310323A CN 118196588 A CN118196588 A CN 118196588A
- Authority
- CN
- China
- Prior art keywords
- bone
- labeling
- scanning image
- image
- bone scanning
- 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
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 124
- 238000002372 labelling Methods 0.000 title claims abstract description 121
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012805 post-processing Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000003709 image segmentation Methods 0.000 claims abstract description 9
- 238000007469 bone scintigraphy Methods 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 21
- 230000009467 reduction Effects 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000011282 treatment Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 238000003384 imaging method Methods 0.000 description 10
- 230000003902 lesion Effects 0.000 description 10
- 238000002603 single-photon emission computed tomography Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 5
- 238000009206 nuclear medicine Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000005258 radioactive decay Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种骨扫描图像标注方法、装置、介质及产品，涉及图像处理领域，该方法包括：获取目标对象的待标注的骨扫描图像；对骨扫描图像进行预处理，得到处理后的骨扫描图像；根据处理后的骨扫描图像，利用骨扫描图像标注模型，确定骨扫描图像的初步标注结果；其中，骨扫描图像标注模型是利用训练数据集对图像分割网络进行训练得到的；训练数据集包括训练用对象的骨扫描图像和对应的标签；图像分割网络包括但不限于全卷积神经网络和U‑Net网络；对骨扫描图像的初步标注结果进行后处理，得到骨扫描图像标注结果。本发明提高了骨扫描图像的标注效率。
Description
技术领域
本发明涉及图像标注领域，特别是涉及一种骨扫描图像标注方法、装置、介质及产品。
背景技术
医学成像技术是一种通过使用不同的方法和设备来获取人体内部结构和功能信息的技术。它在临床诊断、治疗和研究中发挥着重要的作用，帮助医生了解病理变化、制定治疗方案和评估治疗效果。
核医学成像技术是一种特殊的医学成像技术，它利用放射性同位素或示踪剂注射到体内，然后通过探测器捕捉放射性衰变释放的光子或正电子，并通过计算机重建成图像。核医学成像技术可以提供关于器官功能、代谢和分子水平的信息，常用于癌症诊断、心血管疾病评估和神经系统疾病研究等。
单光子发射计算机断层扫描(SPECT)和正电子发射计算机断层扫描(PET)是核医学成像技术的两种常见技术。但SPECT相比于PET更经济实惠，成本较低且在世界范围内应用更加广泛，许多医疗中心都配备了SPECT设备。同时SPECT可以使用多种放射性同位素进行成像，每种同位素具有不同的特性和用途，可以根据需要选择最适合的同位素，以满足不同的临床需求。
骨扫描图像在临床诊断中提供了有关器官功能和代谢的信息。医生通常通过检查图像上不同区域的放射性同位素的强度分布来确定病变的位置和程度，并通过病变位置的形态结构来确定可能的疾病，同时需要判断病变位置与周围组织的关系以及参照其他的成像技术(如CT或MRI)结果来确定是否存在异常病变。传统的诊断方式依赖于医生专业的领域知识，存在一定的主观因素。近年来，基于骨扫描图像的计算机辅助诊断技术得到了业界的关注并进行了一定的研究。由于自动化病灶分割可以为医生提供定量分析、治疗规划和疾病监测等方面的支持，所以基于SPECT图像的病灶自动化分割得到了广泛关注。但是SPECT图像标注要求操作人员不仅掌握专业的核医学领域知识，还需要对专业的计算机标注程序进行学习，需要操作人员付出大量的学习成本，且无法大批量进行，从而导致标注效率低的问题。
SPECT图像由于公共研究数据较少，且不同的数据中心之间的数据存在较大差异使得基于SPECT图像的交互式标注发展困难。
发明内容
本发明的目的是提供一种骨扫描图像标注方法、装置、介质及产品，以提高骨扫描图像的标注效率。
为实现上述目的，本发明提供了如下方案：
一种骨扫描图像标注方法，包括：
获取目标对象的待标注的骨扫描图像；
对所述骨扫描图像进行预处理，得到处理后的骨扫描图像；所述预处理包括降噪、对比度增强和归一化处理；
根据所述处理后的骨扫描图像，利用骨扫描图像标注模型，确定所述骨扫描图像的初步标注结果；其中，所述骨扫描图像标注模型是利用训练数据集对图像分割网络进行训练得到的；所述训练数据集包括训练用对象的骨扫描图像和对应的标签；
对所述骨扫描图像的初步标注结果进行后处理，得到骨扫描图像标注结果；所述后处理包括形态学操作、连通分量标记算法和逐像素标记技术。
可选地，获取待标注的骨扫描图像，具体包括：
利用核素探测器在目标对象体外捕获核素计数值；
根据所述核素计数值确定所述骨扫描图像。
可选地，对所述骨扫描图像进行预处理，得到处理后的骨扫描图像，具体包括：
对所述骨扫描图像进行降噪处理，得到降噪后的骨扫描图像；
对所述骨扫描图像进行对比度增强处理，得到增强后的骨扫描图像；
对所述增强后的骨扫描图像进行归一化处理，得到处理后的骨扫描图像。
可选地，根据所述处理后的骨扫描图像，利用骨扫描图像标注模型，确定所述骨扫描图像的初步标注结果，具体包括：
标注所述处理后的骨扫描图像的感兴趣区域，得到已标注感兴趣区域的骨扫描图像；
根据所述已标注感兴趣区域的骨扫描图像利用骨扫描图像标注模型，确定所述骨扫描图像的初步标注结果。
可选地，对所述骨扫描图像的初步标注结果进行后处理，得到骨扫描图像标注结果，具体包括：
利用所述形态学操作对所述骨扫描图像的初步标注结果进行空洞填充，得到填充后的标注结果；
利用所述连通分量标记算法确定所述填充后的标注结果的最大连通域；
对所述填充后的标注结果的最大连通域利用逐像素标记技术对边缘像素或错误标注像素进行修正，得到骨扫描图像标注结果。
一种计算机装置，包括：存储器、处理器以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以实现上述骨扫描图像标注方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述骨扫描图像标注方法的步骤。
一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述骨扫描图像标注方法的步骤。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的一种骨扫描图像标注方法、装置、介质及产品，首先获取目标对象的待标注的骨扫描图像；对骨扫描图像进行预处理，得到处理后的骨扫描图像；根据处理后的骨扫描图像，利用骨扫描图像标注模型，确定骨扫描图像的初步标注结果；其中，骨扫描图像标注模型是利用训练数据集对图像分割网络进行训练得到的；训练数据集包括训练用对象的骨扫描图像和对应的标签；图像分割网络为全卷积神经网络或者U-Net网络；对骨扫描图像的初步标注结果进行后处理，得到骨扫描图像标注结果。本发明提高了骨扫描图像的标注效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的骨扫描图像标注方法流程示意图；
图2为本发明的骨扫描图像标注方法在实际应用中的流程示意图；
图3为本发明实施例1的标注结果示意图；
图4为计算机设备的内部结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种骨扫描图像标注方法、装置、介质及产品，以提高骨扫描图像的标注效率。
为使本发明的上述目的、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发明作进一步详细的说明。
实施例1
如图1和图2所示，本实施例中的骨扫描图像标注方法，包括：
步骤101：获取目标对象的待标注的骨扫描图像。
作为一种可选地实施方式，步骤101，具体包括：
利用核素探测器在目标对象体外捕获核素计数值。
根据所述核素计数值确定所述骨扫描图像。
在实际应用中，导入骨扫描图像数据，获取骨扫描图像数据矩阵，具体包括：
步骤1.1：应用核素探测器在患者体外捕获核素计数值，借助计算机辅助设备将其显示为骨扫描图像，并将骨扫描图像存储为DICOM文件。
步骤1.2：按照DICOM 3.0协议标准，划分并抽取DICOM文件中代表骨扫描图像的数据矩阵。
步骤1.3：同时针对不同类型的骨扫描图像格式提供多种读取方式。
步骤102：对所述骨扫描图像进行预处理，得到处理后的骨扫描图像；所述预处理包括降噪、对比度增强和归一化处理。
作为一种可选地实施方式，步骤102，具体包括：
对所述骨扫描图像进行降噪处理，得到降噪后的骨扫描图像。在实际应用中，针对成像噪声使用阈值降噪、平滑滤波、小波去噪等计算机技术进行降噪处理。
对所述骨扫描图像进行对比度增强处理，得到增强后的骨扫描图像。在实际应用中，使用对比度增强方法包括但不限于直方图均衡化、自适应直方图均衡化、对比度拉伸等计算机技术增强骨扫描图像对比度，增加骨扫描图像动态范围。
对所述增强后的骨扫描图像进行归一化处理，得到处理后的骨扫描图像。在实际应用中，检测骨扫描数据矩阵元素间隔，应用数据重采样技术对骨扫描图像数据矩阵做元素间距归一化处理。
对骨扫描图像数据矩阵进行降噪、对比度增强、重采样操作，可以消除图像噪声，增强图像细节。
步骤103：根据所述处理后的骨扫描图像，利用骨扫描图像标注模型，确定所述骨扫描图像的初步标注结果；其中，所述骨扫描图像标注模型是利用训练数据集对图像分割网络进行训练得到的；所述训练数据集包括训练用对象的骨扫描图像和对应的标签；所述图像分割网络包括但不限于全卷积神经网络和U-Net网络。
作为一种可选地实施方式，步骤103，具体包括：
标注所述处理后的骨扫描图像的感兴趣区域，得到已标注感兴趣区域的骨扫描图像。
根据所述已标注感兴趣区域的骨扫描图像利用骨扫描图像标注模型，确定所述骨扫描图像的初步标注结果。
在实际应用中，模型训练具体如下：
步骤3.1：获取不含有位置信息的骨扫描图像及标注信息。
步骤3.2：使用上述收集数据训练图像分割网络包括但不限于FCN网络，U-Net等训练病灶分割标注模型。
步骤3.3：得到模型训练权重，并将其作为骨扫描图像标注模型。
在实际应用中，通过交互式操作平台对骨扫描图像进行放大，移动以及步骤102提供的预处理操作发现标注区域。
对标注区域提供手工引导信息，得到骨扫描图像感兴趣区域。
将得到的骨扫描图像感兴趣区域进行填充或裁剪使其满足模型输入要求。
将处理后的骨扫描图像病灶感兴趣区域(已标注感兴趣区域的骨扫描图像)送入网络模型(骨扫描图像标注模型)，得到病灶初步标注结果。
步骤104：对所述骨扫描图像的初步标注结果进行后处理，得到骨扫描图像标注结果；所述后处理包括形态学操作、连通分量标记算法和逐像素标记技术。
作为一种可选地实施方式，步骤104，具体包括：
步骤4.1：利用所述形态学操作对所述骨扫描图像的初步标注结果进行空洞填充，得到填充后的标注结果。在实际应用中，应用形态学操作(腐蚀、膨胀、开运算、闭运算等)对模型标注结果进行空洞填充。
步骤4.2：利用所述连通分量标记算法确定所述填充后的标注结果的最大连通域。在实际应用中，使用连通分量标记算法得到模型标注结果的最大连通域。
步骤4.3：对所述填充后的标注结果的最大连通域利用逐像素标记技术对边缘像素或错误标注像素进行修正，得到骨扫描图像标注结果。在实际应用中，对步骤4.2得到的结果使用逐像素标记技术对边缘像素或错误标注像素进行手工修正。
重复上述步骤，得到无误的骨扫描图像病灶标注结果，如图3所示。
保存骨扫描图像病灶标注结果，保存格式包括但不限于“.nii.gz”、“.npy”、“.png”等。
手工标注骨扫描图像病灶要求操作人员不仅需要有丰富的核医学领域知识，同时也需要掌握使用计算机进行病灶标注的相关技术。而本发明提供的一种低分辨率大尺寸骨扫描图像的交互标注方法(骨扫描图像标注方法)通过操作人员提供简单的引导信息即可实现病灶标注，极大的减少了操作人员的学习及沟通成本；针对不同数据中心成像设备造成的成像差异以及存在成像较差的骨扫描图像，提供完整的数据预处理操作在一定程度上消除成像差异并增强图像质量为后续手工引导信息提供可鉴别的高质量骨扫描图像；针对深度学习模型可能出现的误报或漏报病灶问题，使用手工引导的方式确定感兴趣区域精准定位病灶并完成标注，得到初步的标注结果；针对上述初步标注结果可能存在的空洞、边缘残缺等问题，应用形态学方法对空洞及残缺边缘进行填充和光滑，得到完整的标注结果，并使用连通分量标记算法获取最大连通域，得到病灶的真实标注信息；由于训练数据及环境的差异，上述标注结果可能存在与专业医师诊断不符的病灶边缘，即标注结果的面积与真实病灶面积不符，使用手工逐像素修改技术，对标注信息进行修改，使其与真实的病灶大小一致；针对不同研究及使用人员需要不同格式的病灶标注，提供各种格式的保存格式实现标注信息的保存。
综上所述，一种低分辨率大尺寸骨扫描图像的交互标注方法通过简单的手工引导信息即可实现骨扫描图像病灶标注，这不仅极大的减少了手工标注所需要的人力资源需求，提高了图像标注效率，又为使用深度学习技术实现骨扫描图像的病灶分割提供了真实可靠的标签。
实施例2
一种计算机装置，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序以实现实施例1中的骨扫描图像标注方法的步骤。
实施例3
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现实施例1中的骨扫描图像标注方法的步骤。
实施例4
一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现实施例1中的骨扫描图像标注方法的步骤。
实施例5
一种计算机设备，该计算机设备可以是数据库，其内部结构图可以如图4所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待处理事务。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现实施例1中的骨扫描图像标注方法。
需要说明的是，本发明所涉及的对象信息(包括但不限于对象设备信息、对象个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经对象授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive RandomAccess Memory，MRAM)、铁电存储器(Ferroelectric RandomAccess Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(RandomAccess Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static RandomAccessMemory，SRAM)或动态随机存取存储器(Dynamic RandomAccessMemory，DRAM)等。本发明所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本发明所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种骨扫描图像标注方法，其特征在于，所述方法包括：
获取目标对象的待标注的骨扫描图像；
对所述骨扫描图像进行预处理，得到处理后的骨扫描图像；所述预处理包括降噪、对比度增强和归一化处理；
根据所述处理后的骨扫描图像，利用骨扫描图像标注模型，确定所述骨扫描图像的初步标注结果；其中，所述骨扫描图像标注模型是利用训练数据集对图像分割网络进行训练得到的；所述训练数据集包括训练用对象的骨扫描图像和对应的标签；
对所述骨扫描图像的初步标注结果进行后处理，得到骨扫描图像标注结果；所述后处理包括形态学操作、连通分量标记算法和逐像素标记技术。
2.根据权利要求1所述的骨扫描图像标注方法，其特征在于，获取待标注的骨扫描图像，具体包括：
利用核素探测器在目标对象体外捕获核素计数值；
根据所述核素计数值确定所述骨扫描图像。
3.根据权利要求1所述的骨扫描图像标注方法，其特征在于，对所述骨扫描图像进行预处理，得到处理后的骨扫描图像，具体包括：
对所述骨扫描图像进行降噪处理，得到降噪后的骨扫描图像；
对所述骨扫描图像进行对比度增强处理，得到增强后的骨扫描图像；
对所述增强后的骨扫描图像进行归一化处理，得到处理后的骨扫描图像。
4.根据权利要求1所述的骨扫描图像标注方法，其特征在于，根据所述处理后的骨扫描图像，利用骨扫描图像标注模型，确定所述骨扫描图像的初步标注结果，具体包括：
标注所述处理后的骨扫描图像的感兴趣区域，得到已标注感兴趣区域的骨扫描图像；
根据所述已标注感兴趣区域的骨扫描图像利用骨扫描图像标注模型，确定所述骨扫描图像的初步标注结果。
5.根据权利要求1所述的骨扫描图像标注方法，其特征在于，对所述骨扫描图像的初步标注结果进行后处理，得到骨扫描图像标注结果，具体包括：
利用所述形态学操作对所述骨扫描图像的初步标注结果进行空洞填充，得到填充后的标注结果；
利用所述连通分量标记算法确定所述填充后的标注结果的最大连通域；
对所述填充后的标注结果的最大连通域利用逐像素标记技术对边缘像素或错误标注像素进行修正，得到骨扫描图像标注结果。
6.一种计算机装置，包括：存储器、处理器以存储在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以实现权利要求1-5中任一项所述骨扫描图像标注方法的步骤。
7.一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，该计算机程序被处理器执行时实现权利要求1-5中任一项所述骨扫描图像标注方法的步骤。
8.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-5中任一项所述骨扫描图像标注方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410310323.4A CN118196588A (zh) | 2024-03-18 | 2024-03-18 | 一种骨扫描图像标注方法、装置、介质及产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410310323.4A CN118196588A (zh) | 2024-03-18 | 2024-03-18 | 一种骨扫描图像标注方法、装置、介质及产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118196588A true CN118196588A (zh) | 2024-06-14 |
Family
ID=91411739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410310323.4A Pending CN118196588A (zh) | 2024-03-18 | 2024-03-18 | 一种骨扫描图像标注方法、装置、介质及产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118196588A (zh) |
-
2024
- 2024-03-18 CN CN202410310323.4A patent/CN118196588A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7203852B2 (ja) | 深層学習を使用した低線量ｐｅｔイメージングからの全線量ｐｅｔ画像の推定 | |
| JP7179757B2 (ja) | ディープ畳み込みニューラルネットワークを使用した医用画像化のための線量低減 | |
| Lyra et al. | Filtering in SPECT image reconstruction | |
| RU2589383C2 (ru) | Двухрежимное формирование изображения, включающее в себя метрики качества | |
| US20070075248A1 (en) | Computer program, method, and system for hybrid ct attenuation correction | |
| US9098912B2 (en) | Method, system and computer readable medium for automatic segmentation of a medical image | |
| CN105816192A (zh) | 个体化人脑多模态医学影像的三维配准及提取脑组织方法 | |
| CN111080584A (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
| JP7359851B2 (ja) | 陽電子放出断層撮影（ｐｅｔ）のための人工知能（ａｉ）ベースの標準取込み値（ｓｕｖ）補正及び変動評価 | |
| Strul et al. | Robustness of anatomically guided pixel-by-pixel algorithms for partial volume effect correction in positron emission tomography | |
| Xue et al. | LCPR-Net: low-count PET image reconstruction using the domain transform and cycle-consistent generative adversarial networks | |
| CN113159040B (zh) | 医学图像分割模型的生成方法及装置、系统 | |
| CN110136076A (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
| CN110415310A (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
| Schaefferkoetter et al. | Deep learning for whole-body medical image generation | |
| Sanaat et al. | A cycle-consistent adversarial network for brain PET partial volume correction without prior anatomical information | |
| Dassanayake et al. | caliPER: a software for blood-free parametric Patlak mapping using PET/MRI input function | |
| Amirkolaee et al. | Development of a GAN architecture based on integrating global and local information for paired and unpaired medical image translation | |
| Raniga et al. | Automated 11C-PiB standardized uptake value ratio | |
| CN118196588A (zh) | 一种骨扫描图像标注方法、装置、介质及产品 | |
| JP2007248121A (ja) | 断層画像の輪郭抽出方法、プログラム、および装置 | |
| CN113052840A (zh) | 一种基于低信噪比pet图像的处理方法 | |
| CN115810139B (zh) | 一种spect图像的目标区域识别方法及系统 | |
| KR102649096B1 (ko) | Pet 영상 변환 방법 및 이를 이용한 뇌질환 진단 방법 | |
| CN112819713B (zh) | 基于无监督学习的低剂量pet图像降噪方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication |