TWI838592B - 圈選系統 - Google Patents
圈選系統 Download PDFInfo
- Publication number
- TWI838592B TWI838592B TW109138746A TW109138746A TWI838592B TW I838592 B TWI838592 B TW I838592B TW 109138746 A TW109138746 A TW 109138746A TW 109138746 A TW109138746 A TW 109138746A TW I838592 B TWI838592 B TW I838592B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- format
- module
- dimensional
- preset target
- Prior art date
Links
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 210000000056 organ Anatomy 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims description 40
- 230000005540 biological transmission Effects 0.000 claims description 28
- 238000002591 computed tomography Methods 0.000 claims description 22
- 238000010187 selection method Methods 0.000 claims description 20
- 238000013503 de-identification Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 9
- 238000011282 treatment Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 239000003814 drug Substances 0.000 claims description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000003190 augmentative effect Effects 0.000 claims 1
- 229940079593 drug Drugs 0.000 claims 1
- 238000005070 sampling Methods 0.000 claims 1
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000001959 radiotherapy Methods 0.000 description 30
- 230000006870 function Effects 0.000 description 13
- 210000003681 parotid gland Anatomy 0.000 description 13
- 238000004088 simulation Methods 0.000 description 13
- 230000005855 radiation Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000003062 neural network model Methods 0.000 description 8
- 238000002610 neuroimaging Methods 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 5
- 210000000278 spinal cord Anatomy 0.000 description 5
- 210000000988 bone and bone Anatomy 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 210000001165 lymph node Anatomy 0.000 description 4
- 210000001328 optic nerve Anatomy 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 206010062767 Hypophysitis Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 210000005252 bulbus oculi Anatomy 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 210000003027 ear inner Anatomy 0.000 description 2
- 210000004907 gland Anatomy 0.000 description 2
- 201000010536 head and neck cancer Diseases 0.000 description 2
- 208000014829 head and neck neoplasm Diseases 0.000 description 2
- 210000000867 larynx Anatomy 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000000214 mouth Anatomy 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 210000003977 optic chiasm Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000003800 pharynx Anatomy 0.000 description 2
- 210000003635 pituitary gland Anatomy 0.000 description 2
- 210000002307 prostate Anatomy 0.000 description 2
- 210000003478 temporal lobe Anatomy 0.000 description 2
- 210000001685 thyroid gland Anatomy 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 102100025297 Mannose-P-dolichol utilization defect 1 protein Human genes 0.000 description 1
- 101710089919 Mannose-P-dolichol utilization defect 1 protein Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 210000000133 brain stem Anatomy 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000000920 organ at risk Anatomy 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- 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
- 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
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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]
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Urology & Nephrology (AREA)
- Surgery (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
一種圈選系統,透過一電子裝置實現一神經網路圈選方法,用以自動地圈選病患三維醫學影像內之預設目標,其中預設目標如腫瘤或鄰近一或多個危急器官。圈選系統包含一儲存單元、一處理單元、及複數個電腦可運行模組。處理單元用以取得儲存於儲存單元的三維影像,並執行一圈選方法,以輸出影像之一或多預設目標之圈選影像。處理單元執行的圈選方法包括:藉由一影像前處理模組,以增強預設目標之影像特徵與提升圈選準確度;藉由一神經網路圈選模組,萃取至少一預設目標之複數個抽象特徵並還原至原輸入影像之尺寸以產生至少一預設目標之圈選影像。
Description
本發明是關於一種圈選系統及圈選方法,特別是關於以人體影像為輸入,將該影像進行重組轉換後之的圈選系統及圈選方法。
放射治療為癌症治療方法中相當重要的一環,以全世界第七大癌症之頭頸癌為例,放射治療為用於治療頭頸癌最廣泛的療法之一。然而,放射治療計畫之關鍵在於腫瘤與鄰近多個危急器官(Organs at Risk,OAR)之圈選準確度,唯經此準確步驟方能將輻射劑量準確聚焦於腫瘤,並降低其鄰近健康器官的潛在副作用。
臨床上,治療規劃的圈選工作須仰賴放射腫瘤專科醫師依據所得之高解析度電腦斷層模擬影像,逐一手繪圈選每張影像之腫瘤組織與多個鄰近危急器官。此一手繪圈選步驟平均須花費醫師四小時以完成一位病患之圈選工作,導致延遲病患及早治療之時間點、甚至阻礙依療程重新制定放射治療計劃之密集性。
因此,如何快速地圈選出特定的器官或腫瘤,減少醫生的人力負擔,已成為本領域需解決的問題之一。
為了解決上述的問題,本揭露內容之一態樣提供了一種圈選系統,用以實現一神經網路圈選方法,自動地圈選病患三維醫學影像內之預設目標,其中預設目標如腫瘤或鄰近一或多個危急器官。圈選系統包含一儲存單元及一處理單元。處理單元用以取得儲存於儲存單元中的一可支援多維影像儲存格式之三維影像,並執行一圈選方法,以輸出至少一預設目標之圈選影像。處理單元執行的圈選方法包括:藉由一影像前處理模組,透過窗化一影像數值於至少一個窗口數值區間以增強至少一預設目標之影像特徵,並正規化影像數值於一參照數值區間,其中參照數值區間介於0到1,或標準化影像數值,使影像數值具有平均值為0且標準差為1之特性,以提升一圈選準確度(Accuracy);藉由一神經網路圈選模組,先透過萃取經前處理之醫學影像之一者,以萃取至少一預設目標之複數個抽象特徵,再透過還原抽象特徵至原輸入影像之尺寸,以產生至少一預設目標之圈選影像,其中圈選影像為二值影像,即為影像數值為0或1之影像,其中影像數值為0者為背景,影像數值為1者為圈選之至少一預設目標。
由上述可知,藉由以本案圈選方法實現之圈選系統,可利用自動圈選方法對三維影像進行一系列三維空間之特徵萃取,進而自動圈選出三維影像中的一或多預設目標,預設目標如腫瘤與鄰近一或多個危急器官。綜觀而言,本案的圈選系統與圈選方法可應用於輔助放射治療計畫之圈選關鍵步驟,有效地提升放射治療規劃之腫瘤、鄰近危急器官、與需經放射線照射之區域的圈選效率。
以下說明係為完成發明的較佳實現方式,其目的在於描述本發明的基本精神,但並不用以限定本發明。實際的發明內容必須參考之後的權利要求範圍。
必須了解的是,使用於本說明書中的”包含”、”包括”等詞,係用以表示存在特定的技術特徵、數值、方法步驟、作業處理、元件以及/或組件,但並不排除可加上更多的技術特徵、數值、方法步驟、作業處理、元件、組件,或以上的任意組合。
於權利要求中使用如”第一”、"第二"、"第三"等詞係用來修飾權利要求中的元件,並非用來表示之間具有優先權順序,先行關係,或者是一個元件先於另一個元件,或者是執行方法步驟時的時間先後順序,僅用來區別具有相同名字的元件。
請參照第1A、1B、2~3圖,第1A圖係依照本發明一實施例繪示一種圈選系統10、資料轉換模組11、資料去識別化模組12、特殊檔案格式之輸出模組13及圈選預覽與修訂模組14之方塊圖。第1B圖係依照本發明一實施例繪示一種圈選系統10之方塊圖。第2圖係根據本發明之一實施例繪示一種圈選預覽與修訂模組14的顯示介面IF之示意圖。第3圖係根據本發明之一實施例繪示一種圈選方法300之流程圖。
如第1A圖所示,圈選系統10耦接於資料轉換模組11、資料去識別化模組12、特殊檔案格式之輸出模組13及圈選預覽與修訂模組14。資料轉換模組11、資料去識別化模組12、特殊檔案格式之輸出模組13及圈選預覽與修訂模組14各自或一併可以由體積電路如微控制單元(micro controller)、微處理器(microprocessor)、數位訊號處理器(digital signal processor)、中央處理器(central processor)、圖形處理器(graphics processor)、特殊應用積體電路(application specific integrated circuit,ASIC)、場域可編程邏輯閘陣列(field programmable gate array,FPGA)或一邏輯電路來實施。於一實施例中,資料轉換模組11、資料去識別化模組12、特殊檔案格式之輸出模組13及圈選預覽與修訂模組14可藉由具運算、傳輸及儲存功能的裝置實現之,且不限定僅能實現於圈選系統10的裝置。
如第1B圖所示,圈選系統10中包含儲存單元ST、處理單元PU、影像前處理模組PRM、神經網路圈選模組NNM。於一實施例中,圈選系統10可以是電腦、伺服器、或其他具有儲存與運算功能的電子裝置。於一實施例中,圈選系統10包括但不僅限於儲存單元ST與處理單元PU。
於一實施例中,儲存單元ST可被實作為唯讀記憶體、快閃記憶體、軟碟、硬碟、光碟、隨身碟、磁帶、可由網路存取之資料庫或熟悉此技藝者可輕易思及具有相同功能之儲存媒體。於一實施例中,儲存單元ST用以儲存複數個電腦可運行模組、接收到之一病患的一或多張醫學影像、經資料轉換模組11產生之一三維影像、經資料去識別化模組12產生之一去識別化三維影像、經特殊檔案格式之輸出模組13產生之一具特殊檔案格式之檔案、與經圈選預覽與修訂模組14編修之一三維影像。
於一實施例中,處理單元PU可以由體積電路如微控制單元、微處理器、數位訊號處理器、中央處理器、圖形處理器、特殊應用積體電路、場域可編程邏輯閘陣列或一邏輯電路來實施。
於一實施例中,影像前處理模組PRM、神經網路圈選模組NNM可以由體積電路如微控制單元、微處理器、數位訊號處理器、中央處理器、圖形處理器、特殊應用積體電路、場域可編程邏輯閘陣列或一邏輯電路來實施。於一實施例中,影像前處理模組PRM、神經網路圈選模組NNM可以由軟體、韌體或硬體實施。
於一實施例中,圈選系統10適用於圈選至少一預設目標,預設目標可以是人體部位,例如為大腦顳葉、內耳、視神經、視交叉、腦下垂體、水晶體、視神經、眼球、咽、喉、口腔、腮腺、下頜腺、甲狀腺、咽縮肌、攝護腺…等危急器官(Organs at Risk,OAR)、抑或可以是頸部兩側淋巴區、異常淋巴結、腫瘤位置…等需經放射線照射之區域。
於一實施例中,如第2圖所示,圈選預覽與修訂模組14包含一顯示介面IF,顯示介面IF中可顯示一些欄位CL、三維影像及預設目標之圈選影像BR,顯示介面IF可以由顯示器或觸控面板實現,顯示器或觸控面板可以是包含於圈選預覽與修訂模組14中的裝置,或是圈選預覽與修訂模組14的外接顯示器或觸控面板。
於一實施例中,臨床放射治療計畫之規劃藉由應用第1A圖所示的圈選系統10與各模組11~14作輔助,能節省人力資源,並且更快速且有效率的完成圈選工作。圈選方法300可以由第1A圖所示的圈選系統10與各模組11~14實現之。
於步驟310中,處理單元PU取得一病患之一或多張二維影像,資料轉換模組11將該一或多張二維影像重組轉換為一三維影像並儲存為一可支援多維影像儲存格式之檔案。
於一實施例中,處理單元PU用以存取儲存於儲存單元ST中的一可支援多維影像儲存格式之三維影像。
於一實施例中,一預設目標的一或多張二維影像可利用影像裝置拍攝,如電腦斷層攝影裝置(Computed Tomography,CT);其中此些二維影像為符合一醫療數位影像傳輸協定(Digital Imaging and Communications in Medicine,DICOM)格式的一電腦斷層攝影模擬影像,醫療數位影像傳輸協定格式包含一元資料與一像素資料。
於一實施例中,藉由電腦斷層攝影裝置可拍攝至少一預設目標,以擷取至少一預設目標的至少一二維影像,藉由資料轉換模組11將至少一二維影像重組轉換為一三維影像並儲存為一可支援多維影像儲存格式之檔案;其中,可支援多維影像儲存格式包含一檔頭資料與一影像資料,檔頭資料為醫療數位影像傳輸協定格式中元資料的部分資料。
於一實施例中,處理單元PU取得一可支援多維影像儲存格式之三維影像檔案,並執行一影像圈選方法,以輸出三維影像之一預設目標圈選影像。於一實施例中,影像前處理模組PRM透過窗化輸入之一影像數值於至少一個窗口數值區間以增強至少一預設目標之影像特徵;並正規化影像數值於一參照數值區間,其中參照數值區間介於0到1,或標準化影像數值,使影像數值具有平均值為0或標準差為1之特性,以提升一圈選準確度。
於一實施例中,資料轉換模組11將接收之二維影像重組為一可支援多維影像儲存格式之檔案;其中,可支援多維影像儲存格式包含一常見多維影像格式,例如為一神經影像訊息學協議(Neuroimaging Informatics Technology Initiative,NIfTI)格式或為似原始格柵資料格式 (Nearly Raw Raster Data,NRRD)。具體而言,資料轉換模組11用以接收至少一二維影像,將至少一二維影像轉換成一三維影像,並儲存為一可支援多維影像儲存格式之檔案;其中,二維影像儲存格式包含一常見影像格式,例如為可攜式網路圖形(Portable Network Graphics,PNG)影像格式或為醫療數位影像傳輸協定格式。
於一實施例中,於步驟310中,處理單元PU所接收之醫學影像可源自於已拍攝之電腦斷層影像,其包含預設目標可以是至少一個人體部位,人體部位例如為大腦顳葉、內耳、視神經、視交叉、腦下垂體、水晶體、視神經、眼球、咽、喉、口腔、腮腺、下頜腺、甲狀腺、咽縮肌、攝護腺…等危急器官、抑或可以是頸部兩側淋巴區、異常淋巴結、或腫瘤位置…等需經放射線照射之區域。然而,人體部位不限於此。
於一實施例中,藉由磁振造影(Magnetic Resonance Imaging,MRI)裝置拍攝至少一預設目標,以擷取至少一預設目標的一或多張二維影像,於步驟310,處理單元PU接受一或多張二維影像,此影像拍攝範圍可以是危急器官或需經放射線照射之區域,其中危急器官是指對輻射敏感度高且鄰近於腫瘤的正常器官,因此治療計畫的關鍵在於準確聚焦腫瘤的輻射劑量且降低危急器官的輻射劑量。
在一實施例中,於步驟310,處理單元PU所接受的醫學影像資料係遵從醫療數位影像傳輸協定之格式,其主要的功能是提供數位化的醫學影像,並將醫療影像傳遞於網路上,以方便儲存、調閱、與管理。醫療數位影像傳輸協定透由一物件資訊定義(Information Object Definition,IOD)描述每個影像,而每個物件資訊定義可分為兩大部分:影像屬性(attribute) 及像素資料(pixel data)。影像屬性則包含基本資訊的摘要,例如:病患姓名、病歷號碼、檢查項目和日期、影像設備和掃描參數...等,影像屬性使得資料易於搜尋與查閱;像素資料描述影像中每一圖像點之值。
於一實施例中,電腦斷層攝影模擬影像可應用於獲得人體立體三維影像,再透由電腦斷層攝影數值(CT number)計算得到電子密度,進而用於計算放射線治療計畫之組織吸收劑量,以供臨床評估放射治療計畫之品質。
於一實施例中,資料轉換模組11接收一或多個預設目標的一或多張二維影像,並將一或多張二維影像重組轉換為一三維影像,並將三維影像儲存為一可支援多維影像儲存格式影像,並傳輸一可支援多維影像儲存格式影像。
於一實施例中,神經影像訊息學協議格式是一種比較新的影像格式,透過將一或多張影像的影像屬性與像素資料合併成一檔案,以單一檔案儲存多維影像。
於一實施例中,資料轉換模組11將具醫療數位影像傳輸協定的一或多張電腦斷層攝影模擬影像(一或多張二維的DICOM影像)重組轉換成一神經影像訊息學協議格式影像(三維的NIfTI影像),影像重組轉換方式可以透過已知的dcm2nii、dcm2niix、dicom2nifti、或其它套件實作。當資料轉換模組11將具醫療數位影像傳輸協定的一或多張電腦斷層攝影模擬影像重組轉換成一神經影像訊息學協議格式影像後,代表已同時將一或多張二維影像轉換成一三維影像。
於步驟320中,資料去識別化模組12將可支援多維影像儲存格式之檔案進行去識別化,並傳送去識別化的可支援多維影像儲存格式之檔案。
於一實施例中,資料去識別化模組12傳送去識別化的可支援多維影像儲存格式之檔案至一圈選預覽與修訂模組14。
於一實施例中,資料去識別化模組12透過一資料去識別化方法擷取一可支援多維影像儲存格式影像檔頭之一影像解析度、一仿射變換矩陣與一數值尺度轉換,而去除存於可支援多維影像儲存格式影像檔頭之病患個人資料,並儲存為另一可支援多維影像儲存格式之影像。
於一實施例中,資料去識別化模組12執行的資料去識別化方法包含去除可支援多維影像儲存格式影像的一檔頭部分資料並儲存去除檔頭部分資料的三維影像。於一實施例中,去識別化方法主要是在將一或多張二維影像轉換成一三維影像時去除可能存於可支援多維影像儲存格式影像檔頭資料中的病患資料,其中,可支援多維影像儲存格式檔頭資料是指影像屬性與一些基本資訊的摘要,例如:病患姓名、病歷號碼、檢查項目和日期。
於一實施例中,圈選系統10與資料轉換模組11架設於不同區域網路(Local Area Network,LAN),當此兩者之間要傳輸資料時,都需要先將資料進行去識別化後再做傳輸。
於一實施例中,圈選系統10與資料轉換模組11架設於同一區域網路 (例如同一間醫院中),當此兩者之間要傳輸資料時,可以選擇性地傳輸原資料或去識別化的資料。
於步驟330中,神經網路圈選模組NNM接收一可支援多維影像儲存格式影像,並圈選一可支援多維影像儲存格式影像的預設目標,以產生一或多圈選影像,並傳送圈選影像。
於一實施例中,圈選預覽與修訂模組14用以使醫療領域專業人士對自動圈選之結果進行手繪編修、篩選與確認,並儲存為一可支援多維影像儲存格式,可支援多維影像儲存檔案格式為圈選預覽與修訂模組14的輸入與輸出檔案格式。
於一實施例中,在神經網路圈選模組NNM中,神經網路不同層之各個神經元權重為先前權重數據;先前權重數據係藉由神經網路於提升複數個圈選影像與標註影像準確度之訓練過程中,迭代而獲得之各個神經元權重;其中,標註影像係出於已被醫療領域專業人士標註之至少一預設目標的影像資料庫,至少一預設目標為一腫瘤、一危急器官、或一需經放射線照射之區域。
於一實施例中,神經網路圈選模組NNM先透過執行一特徵萃取步驟於經影像前處理模組PRM前處理之三維影像,以獲取複數個抽象特徵,特徵萃取步驟包含複數個卷積層(Convolutional Layers)、複數個池化層(Pooling Layers)、與複數個激勵函數(Activation Functions)。
於一實施例中,神經網路圈選模組NNM先透過執行一特徵萃取步驟,以萃取經前處理三維影像中至少一預設目標之複數個抽象特徵後,再透過還原複數個抽象特徵至原一輸入影像尺寸,以產生至少一預設目標之圈選影像;其中,此還原步驟包含將三維影像經由複數個卷積層、複數個擴增採樣層(Upsampling Layers)、與複數個激勵函數的運算,以還原複數個抽象特徵至原一輸入影像尺寸;其中,至少一預設目標之圈選影像為二值影像,即影像數值0或1之影像,影像數值為0者為背景、影像數值為1者為圈選之至少一預設目標。
於一實施例中,圈選系統10與資料轉換模組11可以架設於同一或不同區域網路之電腦設備中。於一實施例中,圈選系統10與資料轉換模組11架設於同一區域網路之電腦設備中,則圈選系統10可使用本地端資料夾(同電腦設備)或可藉由超文本傳輸協定 (HyperText Transfer Protocol Application Programming Interface,HTTP API) 實作之應用程式介面(不同電腦設備),接收來自資料轉換模組11的可支援多維影像儲存格式影像,並執行一圈選方法,以產生至少一預設目標之圈選影像。於另一實施例中,圈選系統10與資料轉換模組11架設於不同區域網路中,則圈選系統10可藉由超文本傳輸協定實作之應用程式介面,接收來自資料轉換模組11的可支援多維影像儲存格式影像,並執行一圈選方法,以產生至少一預設目標之圈選影像。
於一實施例中,請參閱第4A~4B圖,第4A~4B圖係根據本發明之一實施例繪示一種圈選影像之示意圖。三維影像50為初始具尚未被圈選的預設目標,假定為腫瘤,則圈選系統10圈選預設目標腫瘤於目標位置TA處。以圈選預覽與修訂模組14顯示已圈選的腫瘤目標位置TA處於三維影像51。
於一實施例中,於第4B圖中,三維影像52表示初始且其預設目標腫瘤尚未被圈選。以圈選系統10圈選預設目標腫瘤以及其他預設目標,如危急器官。圈選預覽與修訂模組14可以預覽與修訂圈選之複數個預設目標,預設目標例如為腫瘤TA、腦幹B1、下頜骨B2(第4B圖繪製下頜骨的一部分代表之)、腮腺B3,圈選預覽與修訂模組14顯示三維影像52經圈選系統10已圈選之腦幹B1、下頜骨B2、腮腺B3及腫瘤TA的位置,亦可以如三維影像53所示,顯示頭顱影像的部分橫切面,以更清楚的看到腫瘤TA的位置(如第4B圖所示)。
於一實施例中,圈選系統10採用神經網路模型。
於一實施例中,圈選系統10採用神經網路架構之三維影像分割演算法,例如以三維U形神經網路(3D U-net)、三維遮罩區域卷積神經網路(3D mask region-based convolutional neural network,3D Mask R-CNN)、三維膨脹多光纖網路(3D dilated multi-fiber network,3D DMFNet)等網路架構。藉由將複數個初始與標註之三維影像一同輸入神經網路架構,於訓練過程中,透過不停迭代各個神經元之參數權重,漸次提升複數個圈選影像與放射腫瘤專科醫師標註影像之準確度,使網路架構選擇性儲存具高準確度的參數權重,以產生神經網路模型。
於步驟340中,圈選系統10於訓練神經網路模型時,複數次接收複數個正確目標及圈選結果,依據一準確度計算法計算複數個正確目標與圈選結果的一準確度。其中,正確目標為放射腫瘤專科醫生給定,用於產生神經網路模型及評估產生之神經網路模型準確度的標註影像,圈選結果為神經網路模型產生的圈選影像。
於一實施例中,圈選預覽與修訂模組14的目的在於使具醫療專業之從業人員能針對自動圈選完的圈選結果,進行手繪編修、篩選、確認、與儲存成不同格式之檔案。
於一實施例中,圈選系統10於訓練神經網路模型時可以將標註影像資料分為三組,分別為訓練資料集、驗證資料集、以及不參與訓練之測試資料集。訓練資料集用以訓練網路模型、驗證資料集用以挑選訓練過程中正確目標與圈選結果之最佳準確度模型、以及不參與訓練之測試資料集用以測試產生模型於未用於訓練資料集之正確目標與圈選結果的準確度。
於一實施例中,準確度計算法可為一體積交集與聯集比例之度量函數(Intersection over Union,IoU)、一體積集合相似度度量函數(volumetric Dice Similarity Coefficient,volumetric DSC)或一表面集合相似度度量函數(surface Dice Similarity Coefficient,surface DSC),此些度量函數可輸出0至1之間的數值,數值越趨近於1則代表準確度越高。
例如,體積交集與聯集比例之度量函數是將正確目標與圈選結果的交集除以正確目標與圈選結果的聯集。
例如,體積集合相似度度量函數是將正確目標與圈選結果的體積相加,得到一體積和,再將正確目標與圈選結果影像的兩倍交集除以體積和。
例如,表面集合相似度度量函數是先定義一以毫米定義之可接受圈選表面最大誤差,再將正確目標與圈選結果於可接受誤差之間的表面積(例如為三毫米內的可接受圈選表面最大誤差)相加,以得到一可接受表面積和,另外將正確目標與圈選結果的表面積直接相加,得到一總表面積和,再將可接受表面積和除以總表面積和。
於步驟350中,當複數個圈選結果與正確目標於驗證資料集之準確度在特定之訓練迭代次數後,無顯著之提升,代表預設目標的一神經網路模型已建立完成。
於一實施例中,當驗證資料集之準確度在特定之訓練迭代次數後無顯著之提升,則判斷圈選系統10中對應於圈選結果(例如為腫瘤)的目標模型已經訓練完成(例如圈選系統10中,用來圈選腫瘤的目標模型已經訓練完成)。
於一實施例中,圈選預覽與修訂模組14調整圈選結果,並將調整後的圈選結果傳到資料轉換模組11,資料轉換模組11依據與預設目標總數量一致的一或多個三維空間區域描繪項目(item)為基礎,將圈選結果轉換成符合醫療數位影像傳輸協定的一放射治療結構集合(radiotherapy structure set,RTSS)格式,並將放射治療結構集合格式儲存到資料轉換模組11中的一儲存單元。
於一實施例中,圈選結果所儲存的是一個區塊(例如腫瘤)的體積,放射治療結構集合格式所儲存的是一個區塊(例如腫瘤)最外框的輪廓線。
於一實施例中,以電腦斷層攝影裝置拍攝之一預設目標,於拍攝後儲存為醫療數位影像傳輸協定影像,醫療數位影像傳輸協定影像是醫療影像儲存格式,也是醫療用的傳輸協定,一般是以ㄧ或多張醫療數位影像傳輸協定影像儲存一病患之拍攝結果。另一方面,放射治療結構集合格式是放射治療專用的格式,可以儲存圈選結果的座標。由前述可知,當資料轉換模組11將一或多張醫療數位影像傳輸協定之電腦斷層攝影模擬影像轉換為一神經影像訊息學協議格式的三維影像後,將三維影像送入圈選系統10,由圈選系統10圈選一或多個預設目標並傳送預設目標之圈選結果,由圈選預覽與修訂模組14接收圈選結果,再經醫師對圈選結果進行調整及確認,並將確認過的圈選結果回傳圈選系統10,圈選系統10將已確認的圈選結果傳到資料轉換模組11,資料轉換模組11將已確認的圈選結果轉成放射治療結構集合格式,並儲存符合放射治療結構集合格式的圈選結果於資料轉換模組11的儲存單元中。
於一實施例中,資料轉換模組11採用神經影像訊息學協議格式之三維資料以串接其它系統(例如圈選預覽與修訂模組14)。然而,資料轉換可以採用任何三維資料格式,神經影像訊息協議格式僅為舉例,故不限制符合此協議才能串接。
於一實施例中,圈選預覽與修訂模組14可以透過顯示介面IF,如顯示器或觸控面板,顯示圈選結果(例如為腫瘤),醫師可以透過滑鼠(顯示介面IF為顯示器時)、手指、觸控筆 (顯示介面IF為觸控面板時)調整並確認圈選結果,圈選預覽與修訂模組14將確認後的圈選結果傳到圈選系統10,圈選系統10將已確認的圈選結果傳到資料轉換模組11,資料轉換模組11依據與預設目標總數一致的一或多三維空間區域描繪項目為基礎,將圈選結果轉換成符合醫療數位影像傳輸協定的一放射治療結構集合格式,並將放射治療結構集合格式儲存到資料轉換模組11中的一儲存單元。
於一實施例中,資料轉換模組11的儲存單元用以提供一儲存空間,儲存單元可被實作為唯讀記憶體、快閃記憶體、軟碟、硬碟、光碟、隨身碟、磁帶、可由網路存取之資料庫或熟悉此技藝者可輕易思及具有相同功能之儲存媒體。
請參閱第5圖,第5圖係根據本發明之一實施例繪示一種放射治療結構集合格式產生方式之示意圖。
放射治療結構集合格式產生方式是由同一組電腦斷層攝影裝置或同一組磁振造影裝置掃描產生之一或多張醫療數位影像傳輸協定影像中,分別擷取同組共通與單張個別資訊。
其中,同組共通資訊為同組跨多張醫療數位影像傳輸協定影像中記錄之相同共通資訊,如描述病人(patient)、設備製造商(manufacturer)、影像類型(modality)等資訊。同組共通資訊將建置於放射治療結構集合格式中,作為病人、研究和系列(series)等資料實體(Information Entity)。
其中,單張個別資訊指同組跨多張醫療數位影像傳輸協定影像中記錄之相異個別資訊,如影像編號。單張個別資訊將建置於放射治療結構集合格式中,作為結構集合資料實體。
欲產生單一個完整之放射治療結構集合格式的步驟如下,先以擷取之同組共通與單張個別資訊描述放射治療結構集合格式的一般項目;次以建入與一或多預設目標(可以是危急器官、腫瘤、一需經放射線照射之區域)總數一致的三維空間區域描繪項目,三維空間區域描繪項目例如,左腮腺L(parotid)、右腮腺R(parotid)、腫瘤T、脊髓S(spinal cord)。其中,三維空間區域描繪項目可以是指:依據預設目標之初始三維影像IMGO定義的一座標空間SP中,預設目標於座標空間SP的外框輪廓各點座標(如腫瘤T在空間位置SP中的座標)。此外,每一三維空間區域描繪項目包含對應危急器官或腫瘤的編號、三維空間區域描繪項目參照的醫療數位影像傳輸協定影像、與三維空間區域描繪項目的名稱…等資訊。
最後,以上一步驟建置之三維空間區域描繪項目為基礎,分別建置危急器官、腫瘤、或所需放射線照射區域於每張醫療數位影像傳輸協定影像的座標位置,例如,在電腦斷層攝影模擬影像SL1中由10個點描繪出腫瘤T的最上部,在電腦斷層攝影模擬影像SL2中由15個點描繪出腫瘤T的次上部,在電腦斷層攝影模擬影像SL15中由5個點描繪出腫瘤T的最下部。由此可知,由多個點可以構成一個輪廓,例如,在電腦斷層攝影模擬影像SLX中,可以看到左腮腺輪廓L’、右腮腺輪廓R’、腫瘤輪廓T’、脊髓輪廓S’。
於此例中,藉由一個放射治療結構集合格式的檔案,可以描述一人體體積(volume)中被圈選出的一或多個預設目標之輪廓,一或多個預設目標之輪廓以一或多個三維空間區域描繪項目表示,一或多個三維空間區域描繪項目在每個橫切面(其它種切面也可以)的輪廓透過以毫米(millimeter,mm)為單位之座標位置對應於電腦斷層攝影模擬影像SL1~SLN。換言之,人體體積(volume)包含電腦斷層攝影模擬影像SL1~SLN。
於一實施例中,特殊檔案格式之輸出模組13用以將可支援多維影像儲存檔案格式轉換為一治療規劃設備支援之檔案格式;其中,特殊檔案格式之輸出模組13的輸出方法係透過擷取同組的一或多醫療數位影像傳輸協定影像之同組共通資訊與單張個別資訊,並利用預設目標之三維空間二值影像產生與預設目標數目一致之三維空間區域描繪項目,分別建置至少一預設目標輪廓於相對應醫療數位影像傳輸協定影像之區域描繪座標位置,以描述預設目標於一影像拍攝裝置(如電腦斷層攝影裝置)之空間位置。
藉由將圈選結果轉換成符合醫療數位影像傳輸協定的放射治療結構集合格式,可以減少所需要的儲存空間,因為放射治療結構集合格式僅記錄預設目標的輪廓座標位置,並不是存整張影像,且市面上的醫療影像儲存系統大多採用此格式,因此也有助於將具有圈選預設目標的放射治療結構集合格式導入醫療影像儲存系統,以利後續醫療影像儲存系統的應用。
由上述可知,藉由本案的圈選系統及圈選方法,可以自動圈選步驟透過對三維影像進行一系列三維空間之特徵萃取,進而自動圈選出三維影像中的預設目標,預設目標如腫瘤、危急器官、或需經放射線治療區域。綜觀而言,本案的圈選系統及圈選方法可應用於輔助放射治療計畫之圈選關鍵步驟,有效地提升放射治療規劃之預設目標的圈選效率。
10:圈選系統
11:資料轉換模組
12:資料去識別化模組
13:特殊檔案格式之輸出模組
14:圈選預覽與修訂模組
ST:儲存單元
PU:處理單元
PRM:影像前處理模組
NNM:神經網路圈選模組
CL:欄位
BR:大腦
IF:顯示介面
300:圈選方法
310~350:步驟
50~53:三維影像
TA:目標位置
B1:腦幹
B2:下頜骨
B3:腮腺
L:左腮腺
R:右腮腺
T:腫瘤
S:脊髓
SP:座標空間
IMGO:初始三維影像
SL1~SLN:電腦斷層攝影模擬影像
L’:左腮腺輪廓
R’:右腮腺輪廓
T’:腫瘤輪廓
S’:脊髓輪廓
第1A圖係依照本發明一實施例繪示一種圈選系統、資料轉換模組、資料去識別化模組、特殊檔案格式之輸出模組及圈選預覽與修訂模組之方塊圖。
第1B圖係依照本發明一實施例繪示一種圈選系統之方塊圖。
第2圖係根據本發明之一實施例繪示一種圈選預覽與修訂模組的顯示介面之示意圖。
第3圖係根據本發明之一實施例繪示一種圈選方法之流程圖。
第4A~4B圖根據本發明之一實施例繪示一種圈選影像之示意圖。
第5圖係根據本發明之一實施例繪示一種放射治療結構集合格式產生方式之示意圖。
300:圈選方法
310~350:步驟
Claims (8)
- 一種圈選系統,包含:一儲存單元,用以儲存一病患之複數個醫學影像;以及一處理單元,用以取得儲存於該儲存單元中的一可支援多維影像儲存格式之三維影像,並執行一圈選方法,以輸出至少一預設目標之圈選影像,該處理單元執行的該圈選方法包括:藉由一影像前處理模組,透過窗化輸入之一影像數值於至少一個窗口數值區間以增強該至少一預設目標之影像特徵,並正規化該影像數值於一參照數值區間,其中該參照數值區間介於0到1,或標準化該影像數值,使該影像數值具有平均值為0或標準差為1之特性;藉由一神經網路圈選模組先透過萃取經前處理的該些醫學影像,以萃取該至少一預設目標之複數個抽象特徵,再透過還原該些抽象特徵至一原輸入影像之尺寸,以產生該至少一預設目標之圈選影像,其中該圈選影像為二值影像,即為該影像數值為0或1之影像,其中該影像數值為0者為背景,該影像數值為1者為圈選之該至少一預設目標;藉由一資料轉換模組,用以接收至少一二維影像,將該至少一二維影重組轉換為一三維影像,並將三維影像儲存為一可支援多維影像儲存格式影像;其中,該些二維影像儲存格式包含一常見影像格式或一特定檔案格式之檔案,該特定檔案格式為符合一醫療數位影像傳輸協定(Digital Imaging and Communications in Medicine,DICOM)的檔案格式,該醫療數位影像傳輸協定格式包 含一元資料與一像素資料;以及藉由一資料去識別化模組,透過一資料去識別化方法擷取該可支援多維影像儲存格式影像檔頭之一影像解析度、一仿射變換矩陣與一數值尺度轉換,而去除於該可支援多維影像儲存格式影像檔頭之病患個人資料,並儲存為另一可支援多維影像儲存格式之影像。
- 如請求項1之圈選系統,其中,在神經網路圈選模組中,將卷積層、池化層、擴增採樣層之各個神經元權重視為複數個先前權重數據;該些先前權重數據係藉由神經網路於提升複數個圈選影像與複數個標註影像準確度之訓練過程中,迭代而獲得之各個神經元權重;其中,複數個標註影像係出於已被醫療領域專業人士標註之該至少一預設目標的影像資料庫,該至少一預設目標為一腫瘤、一危急器官、或一需經放射線照射之區域。
- 如請求項1所述之圈選系統,更包括:一圈選預覽與修訂模組,用以使一醫療領域專業人士對自動圈選之結果進行手繪編修、篩選與確認,並儲存為一可支援多維影像儲存格式。
- 如請求項1所述之圈選系統,更包括:一特殊檔案格式之輸出模組,用以將一可支援多維影像儲存格式轉換為一治療規劃設備支援之檔案格式;其中,該特殊檔案格式之輸出模組的輸出方法係透過擷取同組的一或多醫療數位影像傳輸協定影像之同組共通資訊與單張個別資訊,並利用該至少一預設目標之三維空間二值影像產生與該至少一預設目標數目一致之三維空間區域描繪項目(item),分別建置該至 少一預設目標輪廓於相對應該些醫療數位影像傳輸協定影像之區域描繪座標位置,以描述該至少一預設目標於一影像拍攝裝置之空間位置。
- 如請求項1所述之圈選系統,更包含:一電腦斷層攝影裝置,用以拍攝該至少一預設目標,以擷取該至少一預設目標的該至少一二維影像,藉由該資料轉換模組將該至少一二維影像重組為該特定檔案格式之檔案。
- 如請求項5所述之圈選系統,更包含:一去識別化模組,用以將該特定檔案格式之檔案進行去識別化。
- 如請求項6所述之圈選系統,其中,該去識別化模組將去識別化的該特定檔案格式之檔案傳送至一圈選預覽與修訂模組。
- 如請求項1所述之圈選系統,更包含:該資料轉換模組,用以將該特定檔案格式之檔案轉換為符合該醫療數位影像傳輸協定的檔案格式。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109138746A TWI838592B (zh) | 2020-11-06 | 2020-11-06 | 圈選系統 |
CN202011347379.5A CN114463246A (zh) | 2020-11-06 | 2020-11-26 | 圈选系统及圈选方法 |
US17/361,718 US12014813B2 (en) | 2020-11-06 | 2021-06-29 | Contouring system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109138746A TWI838592B (zh) | 2020-11-06 | 2020-11-06 | 圈選系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202219978A TW202219978A (zh) | 2022-05-16 |
TWI838592B true TWI838592B (zh) | 2024-04-11 |
Family
ID=81404638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109138746A TWI838592B (zh) | 2020-11-06 | 2020-11-06 | 圈選系統 |
Country Status (3)
Country | Link |
---|---|
US (1) | US12014813B2 (zh) |
CN (1) | CN114463246A (zh) |
TW (1) | TWI838592B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102611037B1 (ko) * | 2023-07-04 | 2023-12-08 | 주식회사 휴런 | 뇌와 관련된 정보로부터의 혈관 함수를 추출하기 위한 장치 및 방법 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200731954A (en) * | 2006-02-23 | 2007-09-01 | Chung-Ming Chen | Shape-detecting method and system thereof for a image of a tumor |
CN110276740A (zh) * | 2018-03-23 | 2019-09-24 | 中国医药大学附设医院 | 乳房肿瘤辅助检测模型、其系统及乳房肿瘤辅助检测方法 |
TW202040585A (zh) * | 2019-02-07 | 2020-11-01 | 美商醫隼智慧公司 | 用於使用多模態成像和集成機器學習模型的自動靶標和組織分割的方法和設備 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013073598A (ja) * | 2011-09-29 | 2013-04-22 | Sony Corp | 画像処理装置、画像処理方法、及びプログラム |
KR20140145141A (ko) * | 2012-03-30 | 2014-12-22 | 클래리언트 다이아그노스틱 서비시즈, 인크. | 생물학적 샘플의 영상 생성 방법 |
KR20180017606A (ko) * | 2016-08-10 | 2018-02-21 | 삼성전자주식회사 | 차량의 주차 위치 정보를 제공하기 위한 방법 및 그 전자 장치 |
CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技(昆山)有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
CN109378043A (zh) | 2017-10-13 | 2019-02-22 | 北京昆仑医云科技有限公司 | 基于患者的医学图像生成诊断报告的系统和方法及介质 |
JP7198577B2 (ja) * | 2017-11-17 | 2023-01-04 | シスメックス株式会社 | 画像解析方法、装置、プログラムおよび学習済み深層学習アルゴリズムの製造方法 |
US10817622B2 (en) * | 2018-11-06 | 2020-10-27 | Medicom Technologies Inc. | Systems and methods for de-identifying medical and healthcare data |
CN109671053A (zh) * | 2018-11-15 | 2019-04-23 | 首都医科大学附属北京友谊医院 | 一种胃癌图像识别系统、装置及其应用 |
CN113168922A (zh) * | 2018-11-21 | 2021-07-23 | 阿特瑞斯公司 | 用于跟踪、访问和合并受保护的健康信息的系统和方法 |
FR3093217B1 (fr) * | 2019-02-21 | 2022-01-07 | Dental Monitoring | Procede de correction d’un contour |
US20210052157A1 (en) * | 2019-08-21 | 2021-02-25 | Case Western Reserve University | Assessment of endothelial cells and corneas at risk from ophthalmological images |
US11969280B2 (en) * | 2020-01-07 | 2024-04-30 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
SG10202100119SA (en) * | 2021-01-06 | 2021-07-29 | Grabtaxi Holdings Pte Ltd | Method, data processing apparatus and computer program product for generating map data |
US20230329909A1 (en) * | 2022-03-17 | 2023-10-19 | Lensar, Inc. | Systems and methods for determining the characteristics of structures of the eye including shape and positions |
-
2020
- 2020-11-06 TW TW109138746A patent/TWI838592B/zh active
- 2020-11-26 CN CN202011347379.5A patent/CN114463246A/zh active Pending
-
2021
- 2021-06-29 US US17/361,718 patent/US12014813B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200731954A (en) * | 2006-02-23 | 2007-09-01 | Chung-Ming Chen | Shape-detecting method and system thereof for a image of a tumor |
CN110276740A (zh) * | 2018-03-23 | 2019-09-24 | 中国医药大学附设医院 | 乳房肿瘤辅助检测模型、其系统及乳房肿瘤辅助检测方法 |
TW202040585A (zh) * | 2019-02-07 | 2020-11-01 | 美商醫隼智慧公司 | 用於使用多模態成像和集成機器學習模型的自動靶標和組織分割的方法和設備 |
Non-Patent Citations (2)
Title |
---|
期刊 Hu, S. Y., Weng, W. H., Lu, S. L., Cheng, Y. H., Xiao, F., Hsu, F. M., & Lu, J. T. Multimodal volume-aware detection and segmentation for brain metastases radiosurgery. Artificial Intelligence in Radiation Therapy pp. 61-69 Springer 2019, October https://arxiv.org/pdf/1908.05418.pdf * |
網路文獻 ISHA SALIAN AI Came, AI Saw, AI Conquered: How Vysioneer Improves Precision Radiation Therapy NVIDIA 2019年12月09日 https://blogs.nvidia.com/blog/2019/12/09/vysioneer-precision-radiation-therapy/; * |
Also Published As
Publication number | Publication date |
---|---|
US12014813B2 (en) | 2024-06-18 |
TW202219978A (zh) | 2022-05-16 |
CN114463246A (zh) | 2022-05-10 |
US20220148711A1 (en) | 2022-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Torosdagli et al. | Deep geodesic learning for segmentation and anatomical landmarking | |
US11869202B2 (en) | Method and system for processing multi-modality image | |
US7778488B2 (en) | Image deformation using multiple image regions | |
JP2021521534A (ja) | 敵対的ネットワークを使用した画像合成 | |
JP2019526380A (ja) | 放射線療法治療計画のモデルを学習して放射線療法の線量分布を予測するためのシステムおよび方法 | |
CN106462974B (zh) | 用于分割图像的参数优化 | |
US11593519B2 (en) | Anonymisation of medical patient images using an atlas | |
CN112529834A (zh) | 病理图像模式在3d图像数据中的空间分布 | |
Minnema et al. | A review on the application of deep learning for CT reconstruction, bone segmentation and surgical planning in oral and maxillofacial surgery | |
WO2021239141A1 (zh) | 图像处理的方法及系统 | |
TWI838592B (zh) | 圈選系統 | |
Zakirov et al. | Dental pathology detection in 3D cone-beam CT | |
Qian et al. | An automatic tooth reconstruction method based on multimodal data | |
Liu et al. | Fully automatic AI segmentation of oral surgery-related tissues based on cone beam computed tomography images | |
US20220044454A1 (en) | Deep reinforcement learning for computer assisted reading and analysis | |
Al Abboodi et al. | Supervised Transfer Learning for Multi Organs 3D Segmentation With Registration Tools for Metal Artifact Reduction in CT Images | |
Zakirov et al. | End-to-end dental pathology detection in 3D cone-beam computed tomography images | |
Zheng et al. | Semi or fully automatic tooth segmentation in CBCT images: a review | |
Jassim et al. | The geometric and dosimetric accuracy of kilovoltage cone beam computed tomography images for adaptive treatment: a systematic review | |
JPWO2019146356A1 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
US20240037739A1 (en) | Image processing apparatus, image processing method, and image processing program | |
EP4239581A1 (en) | Generation of 3d models of anatomical structures from 2d radiographs | |
US20220415004A1 (en) | Anatomical encryption of patient images for artificial intelligence | |
Li et al. | A Cloud Collaborative Healthcare Platform Based on Deep Learning in The Segmentation of Maxillary Sinus | |
Gu et al. | Image generation technology for functional occlusal pits and fissures based on a conditional generative adversarial network |