CN109671131B - 影像校正方法、装置、医疗影像设备及存储介质 - Google Patents
影像校正方法、装置、医疗影像设备及存储介质 Download PDFInfo
- Publication number
- CN109671131B CN109671131B CN201811627543.0A CN201811627543A CN109671131B CN 109671131 B CN109671131 B CN 109671131B CN 201811627543 A CN201811627543 A CN 201811627543A CN 109671131 B CN109671131 B CN 109671131B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- target tissue
- dimensional
- processed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003702 image correction Methods 0.000 title claims abstract description 54
- 239000013598 vector Substances 0.000 claims abstract description 97
- 238000012937 correction Methods 0.000 claims abstract description 54
- 238000000513 principal component analysis Methods 0.000 claims abstract description 22
- 210000001519 tissue Anatomy 0.000 claims description 124
- 210000004556 brain Anatomy 0.000 claims description 24
- 210000003625 skull Anatomy 0.000 claims description 22
- 238000002059 diagnostic imaging Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000003709 image segmentation Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000011282 treatment Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000029777 axis specification Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 208000024891 symptom Diseases 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000036544 posture Effects 0.000 abstract description 5
- 238000003384 imaging method Methods 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000002597 diffusion-weighted imaging Methods 0.000 description 4
- 210000005013 brain tissue Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
- G06T3/604—Rotation of whole images or parts thereof using coordinate rotation digital computer [CORDIC] devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例公开了一种影像校正方法、装置、医疗影像设备及存储介质。该方法包括：获取待处理影像，并对各待处理影像进行分割，得到目标组织影像；对目标组织影像所对应的各位置坐标进行主成分分析，得到各主成分对应的特征值和特征向量，并选取至少一个目标特征值对应的特征向量作为目标旋转轴；根据目标旋转轴的向量值确定不同扫描断面的影像对应的影像偏角，并根据影像偏角对各扫描断面对应的待处理影像进行旋转校正。采用上述技术方案解决了由于操作人员不同、设定的扫描参数不同以及扫描对象姿态等的不同，导致产生影像的方向存在不一致的问题，减少了影像校正时间和计算复杂度，同时提高了影像校正方法的鲁棒性和校正精度。
Description
技术领域
本发明实施例涉及医疗影像技术领域，尤其涉及一种影像校正方法、装置、医疗影像设备及存储介质。
背景技术
在临床疾病诊断和医学前沿研究方面，医学影像发挥着不可替代的作用。医学影像是对人体或者人体某部位，通过非侵入的方式获取的内部组织的影像。常用的影像设备包括计算机断层扫描(Computed Tomography，CT)、磁共振成像(Magnetic ResonanceImaging，MRI)以及正电子发射型计算机断层成像(Positron Emission ComputedTomography，PET)等
然而，在采用医疗影像设备进行扫描时，由于操作人员不同、设定的扫描参数不同以及扫描对象姿态等的不同，导致产生影像的方向存在不一致的情况，进而加大了影像之间的对比难度，给医护人员的诊断过程或者科研人员的后续研究带来干扰。
现有技术中，通常通过耳蜗点校正或镜像对称校正的方式进行影像校正。采用耳蜗点校正时，通常采用影像处理或深度学习的方式进行耳蜗点定位。然而，影像处理的定位方式鲁棒性较差，并在存在成像偏差时需要人工介入，无法实现全自动化；深度学习的定位方式需要大量人工标注的数据用于模型训练，前期准备费时费力。采用镜像对称校正时，在由于成像质量较差或由于肿瘤等不同病症形成的局部亮度偏差的情况下，无法保证方法的鲁棒性，同时由于方法的敏感程度，还需要进行复杂的去噪、滤波和增强处理，计算复杂度较高。
发明内容
本发明提供一种影像校正方法、装置、医疗影像设备及存储介质，以减少影像校正时间和计算复杂度，同时提高校正方法的鲁棒性和校正精度。
第一方面，本发明实施例提供了一种影像校正方法，包括：
获取待处理影像，并对各所述待处理影像进行分割，得到目标组织影像；
对所述目标组织影像所对应的各位置坐标进行主成分分析，得到各主成分对应的特征值和特征向量，并选取至少一个目标特征值对应的特征向量作为目标旋转轴；
根据所述目标旋转轴的向量值确定不同扫描断面的影像对应的影像偏角，并根据所述影像偏角对各扫描断面对应的待处理影像进行旋转校正。
第二方面，本发明实施例还提供了种影像校正装置，包括：
影像分割模块，用于获取待处理影像，并对各所述待处理影像进行分割，得到目标组织影像；
旋转轴确定模块，用于对所述目标组织影像所对应的各位置坐标进行主成分分析，得到各主成分对应的特征值和特征向量，并选取至少一个目标特征值对应的特征向量作为目标旋转轴；
偏角校正模块，用于根据所述目标旋转轴的向量值确定不同扫描断面的影像对应的影像偏角，并根据所述影像偏角对各扫描断面对应的待处理影像进行旋转校正。
第三方面，本发明实施例还提供了一种医疗影像设备，包括输入装置和输出装置，还包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面实施例所提供的一种影像校正方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面实施例所提供的一种影像校正方法。
本发明实施例通过获取待处理影像，并对各待处理影像进行分割得到目标组织影像；对目标组织影像所对应的各位置坐标进行主成分分析，得到各主成分对应的特征值和特征向量，并选取至少一个目标特征值对应的特征向量作为目标旋转轴；根据目标旋转轴的向量值确定不同扫描断面的影像对应的影像偏角，并根据影像偏角对各扫描断面对应的待处理影像进行旋转校正。采用上述技术方案解决了由于操作人员不同、设定的扫描参数不同以及扫描对象姿态等的不同，导致产生影像的方向存在不一致的问题，减少了影像校正时间和计算复杂度，同时提高了影像校正方法的鲁棒性和校正精度。
附图说明
图1是本发明实施例一中的一种影像校正方法的流程图；
图2是本发明实施例二中的一种影像校正方法的流程图；
图3A是本发明实施例三中的一种影像校正方法的流程图；
图3B是本发明实施例三中的横断面的脑CT图像；
图3C是本发明实施例三中的横断面的颅骨参考图像；
图3D是本发明实施例三中的横断面的颅骨初始图像；
图3E是本发明实施例三中的横断面的颅骨目标图像；
图3F是本发明实施例三中的标记旋转轴后的横断面的脑CT图像；
图4是本发明实施例四中的一种影像校正装置的结构图
图5是本发明实施例五中的一种医疗影像设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一中的一种影像校正方法的流程图，本发明实施例适用于对医疗影像的影像偏角进行校正的情况。该方法由影像校正装置执行，该装置由软件和/或硬件实现，并具体配置于医疗影像设备中。
如图1所示的一种影像校正方法，包括：
S110、获取待处理影像，并对各所述待处理影像进行分割，得到目标组织影像。
其中，待处理影像为医疗影像设备扫描待扫描对象的感兴趣部位所得到的影像，例如可以是CT(Computed Tomography，电子计算机断层扫描)图像、MRI(MagneticResonance Imaging，磁共振成像)、DWI(diffusion weighted imaging，磁共振扩散加权成像)图像、或者PWI(perfusion imaging，灌注成像)图像等。其中，感兴趣部位可以是脑部，或者具备对称结构的其他部位，例如胸部等。
可选的，获取待处理影像可以是从医疗影像设备本地、或与医疗影像设备具备关联关系的存储设备或云端，获取预先存储的待处理影像；或者可选的，获取待处理影像还可以是采用医疗影像设备执行扫描操作，得到各待处理影像。
示例性地，对各待处理影像进行分割，得到目标组织影像可以是：获取待处理影像的影像类别，并根据所述影像类别选取目标组织；根据所述目标组织的阈值对所述待处理影像进行分割，并确定满足所述阈值的影像作为目标组织影像。
其中，影像类别至少与影像属性和感兴趣部位相关联。其中，影像属性包括CT图像、MRI图像、DWI图像以及PWI图像等，与产生影像的设备相关联。其中，目标组织可以是待处理影像中具备特殊属性的对称组织结构，其中特殊属性可以是相对稳定、成像亮度大、或者成像区域面积大等。其中，各目标组织的阈值由技术人员根据经验值确定。
示例性地，当待处理影像为脑部CT图像，目标组织可以是颅骨结构、全脑组织或者脑室部分，优选为相对稳定的颅骨结构；相应的，目标组织的阈值范围可以是大于400Hu，0Hu～100Hu，或者-5Hu～15Hu。示例性地，当待处理影像为胸部CT图像时，目标组织可以是胸腔，相应的阈值范围可以是-1000Hu～500Hu。
S120、对所述目标组织影像所对应的各位置坐标进行主成分分析，得到各主成分对应的特征值和特征向量，并选取至少一个目标特征值对应的特征向量作为目标旋转轴。
具体的，获取目标组织影像对应的体素点的位置坐标，并对各位置坐标进行主成分分析，得到主成分对应的多个特征值和各特征值相对应的特征向量；选取至少一个目标特征值对应的特征向量作为目标旋转轴。其中，目标特征值大于其他特征值，目标特征值包括至少一个特征值。
示例性地，当目标特征值包括最大特征值时，与最大特征值所对应的目标旋转轴为主旋转轴；当目标特征值包括次大特征值时，与次大特征值对应的目标旋转轴为副旋转轴。
S130、根据所述目标旋转轴的向量值确定不同扫描断面的影像对应的影像偏角，并根据所述影像偏角对各扫描断面对应的待处理影像进行旋转校正。
具体的，确定目标旋转轴与各扫描断面之间的夹角，并将确定的夹角作为各扫描断面的影像对应的影像偏角；根据影像偏角分别确定各扫描断面的旋转矩阵；根据所述旋转矩阵对各扫描断面对应的待处理影像进行旋转校正。示例性地，根据所述旋转矩阵对各扫描断面对应的待处理影像进行旋转校正，可以是根据各扫描断面的待处理影像中各像素点的坐标位置，与同一扫描断面相应的旋转矩阵的乘积，得到校正后的影像。
示例性地，可以根据目标旋转轴所包括的主旋转轴确定影像偏角，并根据影像偏角对各扫描断面对应的待处理影像进行旋转校正；或者可选的，根据目标旋转轴所包括的副旋转轴确定影像偏角，并根据影像偏角对各扫描断面对应的待处理影像进行旋转校正；当然，还可以根据目标旋转轴所包括的各旋转轴轴分别确定参考影像偏角，根据各参考影像偏角的加权均值确定目标影像偏角，并根据目标影像偏角对扫描断面对应的待处理影像进行旋转校正。
本发明实施例通过获取待处理影像，并对各待处理影像进行分割得到目标组织影像；对目标组织影像所对应的各位置坐标进行主成分分析，得到各主成分对应的特征值和特征向量，并选取至少一个目标特征值对应的特征向量作为目标旋转轴；根据目标旋转轴的向量值确定不同扫描断面的影像对应的影像偏角，并根据影像偏角对各扫描断面对应的待处理影像进行旋转校正。采用上述技术方案解决了由于操作人员不同、设定的扫描参数不同以及扫描对象姿态等的不同，导致产生影像的方向存在不一致的问题，减少了影像校正时间和计算复杂度，同时提高了影像校正方法的鲁棒性和校正精度。
在上述各实施例的技术方案的基础上，进一步地，在对所述待处理影像进行分割，并确定满足所述阈值的影像作为目标组织影像之后，还包括：
在所述目标组织影像中提取最大连通域，并将提取的影像替换所述目标组织影像。
本发明实施例通过在目标组织影像中提取最大连通域，以在对待处理影像进行分割时，能够保留目标组织的完整影像，滤除目标组织以外的其他影像，提高了目标组织影像的影像质量，进而提高了确定的目标旋转轴的准确率以及影像校正的校正精度。
在上述各实施例的技术方案的基础上，进一步地，在对所述待处理影像进行分割，并确定满足所述阈值的影像作为目标组织影像之后，还包括：
滤除所述目标组织影像的高频信号，并将处理后的影像替换所述目标组织影像。
示例性地，可以采用高斯模糊、均值滤波以及中值滤波中的至少一种滤除目标组织影像的高频信号。
本发明实施例通过在得到目标组织影像后对目标组织影像中的高频信号进行滤波处理，以减少高频噪声的干扰，提升影像校正方法的稳定性。
实施例二
图2是本发明实施例二中的一种影像校正方法的流程图。本发明实施例在上述各实施例的技术方案的基础上，进行了细分优化。
进一步地，将“对所述目标组织影像所对应的各位置坐标进行主成分分析，得到各主成分对应的特征值和特征向量”细化为“根据所述目标组织影像所包含像素点的位置坐标和数量，将所述目标组织影像转化为中心化的位置坐标集；对所述位置坐标集进行主成分分析，得到各主成分对应的特征值和特征向量”，以通过对位置坐标中心化的方式，扩大影像校正方法的适用范围，同时减小了后续目标旋转轴的确定以及影像数据校正的数据运算量，并进一步提高确定目标旋转轴的准确率以及影像校正的校正精度。
如图2所示的一种影像校正方法，包括：
S210、获取待处理影像，并对各所述待处理影像进行分割，得到目标组织影像。
S220、根据所述目标组织影像所包含像素点的位置坐标和数量，将所述目标组织影像转化为中心化的位置坐标集。
可选的，获取同一扫描断面的各目标组织影像，组合形成三维目标组织影像，并根据三维目标组织影像中目标组织所包含体素的断面位置和数量，确定目标组织的三维中心点为原点，根据各体素与该原点之间的位置关系，确定各体素的三维坐标，形成三维位置坐标集。其中，扫描断面包括横断面和冠状面。
示例性地，当三维目标组织影像中所包含的目标组织所占体素个数为M，将目标组织影像通过坐标转化后所形成的三维位置坐标集为：D＝{di|di＝(xi,yi,zi),i＝1,2,…,M,∑idi＝0}，其中，di为各体素所对应的转化后的三维坐标。
或者可选的，获取目标扫描断面对应的当前目标组织影像，并根据当前目标组织影像中目标组织所包含像素的断面位置和数量，确定目标组织的二维中心点为原点，根据各像素与该原点之间的位置关系，确定各像素的二维坐标，并形成二维位置坐标集；其中，目标扫描断面包括横断面和冠状面。
示例性地，当横断面对应的目标组织影像中所包含的目标组织所占像素点的个数为M1，冠状面对应的目标组织影像中所包含的目标组织所占像素点的个数为M2，将目标组织影像通过坐标转化后所形成的二维位置坐标集为：D1＝{d1i|d1i＝(xi,yi),i＝1,2,…,M1,∑id1i＝0}；D2＝{d2i|d2i＝(yi,zi),i＝1,2,…,M2,∑id2i＝0}，其中，d1i为横断面所对应的目标组织影像中各像素点转换后的二维坐标；d2i为冠状面所对应的目标组织影像中各像素点转换后的二维坐标。
S230、对所述位置坐标集进行主成分分析，得到各主成分对应的特征值和特征向量，并选取至少一个目标特征值对应的特征向量作为目标旋转轴。
具体的，通过主成分分析，将位置坐标集中的各点最大程度进行分散，使得各点在主成分方向上的投影的方差和最大。采用v表示各投影轴，也即主成分向量。
当位置坐标集为三维位置坐标集时，各体素点在v方向上的投影的方差和为：采用vTv＝1作为限制条件，并通过拉格朗日乘数法构建目标函数：f(v,λ)＝vTCv-λ(vTv-1)，通过对目标函数f(v,λ)求导，并令导数为0，得到各特征值和特征值对应的三维特征向量。将最大特征值λp对应的特征向量vp＝(hp,wp,cp)作为主旋转轴，将次大特征值λs对应的特征向量vs＝(hs,ws,cs)作为副旋转轴。
当位置坐标集为二维位置坐标集时，横断面对应的各像素点在v1方向上的投影的方差和为：σ1 2＝v1 TCv1；采用v1 Tv1＝1作为限制条件，并通过拉格朗日乘数法构建目标函数：f(v1,λ)＝v1 TCv1-λ1(v1 Tv1-1)，通过对目标函数f(v1,λ1)求导，并令导数为0，得到各特征值和特征值对应的二维特征向量。将最大特征值λ1p对应的特征向量v1p＝(h1p,w1p)作为横断面的待处理影像的主旋转轴，将次大特征值λ1s对应的特征向量v1s＝(h1s,w1s)作为横断面的待处理影像的副旋转轴。
当位置坐标集为二维位置坐标集时，冠状面对应的各像素点在v2方向上的投影的方差和为：σ2 2＝v2 TCv2；采用v2 Tv2＝1作为限制条件，并通过拉格朗日乘数法构建目标函数：f(v2,λ)＝v2 TCv2-λ2(v2 Tv2-1)，通过对目标函数f(v2,λ2)求导，并令导数为0，得到各特征值和特征值对应的二维特征向量。将最大特征值λ2p对应的特征向量v2p＝(w2p,c2p)作为冠状面的待处理影像的主旋转轴，将次大特征值λ2s对应的特征向量v2s＝(w2s,c2s)作为冠状面的待处理影像的副旋转轴。
S240、根据所述目标旋转轴的向量值确定不同扫描断面的影像对应的影像偏角，并根据所述影像偏角对各扫描断面对应的待处理影像进行旋转校正。
可选的，根据所述目标旋转轴的向量值确定不同扫描断面的影像对应的影像偏角，可以是若所述目标旋转轴为三维向量，则将确定所述目标旋转轴在各目标扫描断面上的投影，并根据投影后的目标旋转轴的向量值，分别确定各目标扫描断面的影像对应的影像偏角。
具体的，根据以下公式确定横断面偏角DT和冠状面偏角DC：
其中，(h,w,c)为主旋转轴的三维向量(hp,wp,cp)，或副旋转轴的三维向量(hs,ws,cs)。
或者可选的，根据所述目标旋转轴的向量值确定不同扫描断面的影像对应的影像偏角，可以是若所述目标旋转轴为二维向量，则根据目标扫描断面对应的目标旋转轴的向量值，分别确定各目标扫描断面的影像对应的影像偏角。
具体的，根据以下公式确定横断面偏角DT和冠状面偏角DC：
其中，(h,w)为横断面对应的主旋转轴的二维向量(h1p,w1p)，或者为横断面对应的副旋转轴的二维向量(h2p,w2p)；(w,c)为冠状面对应的主旋转轴的二维向量(w1p,c1p)，或者为冠状面对应的副旋转轴的二维向量(w2p,c2p)。
示例性地，所述根据所述影像偏角对各扫描断面对应的待处理影像进行旋转校正，可以是，根据所述影像偏角，分别确定各扫描断面对应的旋转矩阵，并根据所述旋转矩阵对各扫描断面对应的待处理影像进行旋转校正。
具体的，根据以下公式对横断面的待处理影像进行旋转，得到校正后的影像；
其中，(x0,y0)为横断面的中心化后的待处理影像的坐标；(x,y)为横断面的待处理影像校正后的坐标；
根据以下公式对冠状面的待处理影像进行旋转，得到校正后的影像：
其中，(x0,z0)为冠状面的中心化后的待处理影像的坐标；(x,z)为冠状面的待处理影像校正后的坐标。
本发明实施例通过将对目标组织影像所对应的各位置坐标进行主成分分析的步骤细化：根据目标组织影像所包含的像素点的位置坐标和数量，将目标组织影像转化为中心化的位置坐标集，并对位置坐标集进行主成分分析，得到各主成分对应的特征值和特征向量。上述技术方案通过对位置坐标中心化，扩大了影像校正方法的适用范围，同时减小了后续目标旋转轴的确定以及影像数据校正的数据运算量，并进一步提高确定的目标旋转轴的准确率以及影像校正的校正精度。
实施例三
图3A是本发明实施例三中的一种影像校正方法的流程图，本发明实施例在上述各实施例的技术方案的基础上，以对脑部CT图像为例，提供了一优选实施方式。
如图3A所示的一种影像校正方法，包括：
S301、获取脑CT图像，并提取CT值满足颅骨阈值范围的脑CT图像，得到颅骨参考图像。
参见图3B所示的横断面的脑CT图像，以及阈值提取后得到的图3C所示的颅骨参考图像。其中，满足颅骨阈值可以是CT值大于400Hu。
S302、对颅骨参考图像进行最大连通域提取，得到颅骨初始图像。
参见图3D所示的横断面的颅骨初始图像。
S303、对颅骨初始图像的位置坐标进行高斯模糊处理，得到颅骨目标图像。
示例性地，对颅骨初始图像进行高斯模糊处理可以采用以下二维高斯模糊函数：其中，(x,y)为颅骨初始图像相对于中心像素点的相对位置坐标；σ为模糊窗的大小，根据多次试验或经验值进行确定。例如，σ＝9。对颅骨初始图像的位置坐标进行高斯模糊处理后得到的颅骨目标图像可参见图3E。
S304、将同一横断面或冠状面的颅骨目标图像组合形成三维目标图像，并统计颅骨组织的体素数量。
S305、确定三维目标图像的中心点为坐标原点，并基于确定的坐标原点将三维目标图像中的各体素点的坐标转化为中心化的坐标点集。
设定颅骨组织所占体素个数为M，相应的，将三维目标图像的各体素点的坐标转化后的坐标点集为：D＝{di|di＝(xi,yi,zi),i＝1,2,…,M,∑idi＝0}，其中，di为各体素所对应的中心化后的三维坐标。
S306、通过主成分分析确定坐标点集的各主成分向量，并确定最大主成分向量为主轴向量。
设定v为投影轴，确定各体素点在v方向上的投影的方差和为：
其中，C为协方差矩阵；采用vTv＝1作为限制条件，并通过拉格朗日乘数法构建目标函数：f(v,λ)＝vTCv-λ(vTv-1)，通过对目标函数f(v,λ)求导，并令导数为0，得到各特征值和特征值对应的三维特征向量。将最大特征值λ对应的特征向量v＝(h,w,c)作为主旋转轴。
当然，还可以确定次大主成分向量为副轴向量。参见图3F所示的标记旋转轴后的脑CT图像，其中，较长的轴为主轴向量对应的主旋转轴，较短的轴为副轴向量对应的副旋转轴。其中，副旋转轴与主旋转轴垂直。
S307、通过主轴向量的各向量值，确定横断面的主轴偏角和冠状面的主轴偏角。
具体的，根据以下公式确定横断面的主轴偏角DT和冠状面的主轴偏角DC：
其中，(h,w,c)为主轴向量。
S308、通过确定的横断面的主轴偏角和冠状面的主轴偏角，分别对脑CT图像进行旋转校正。
具体的，根据以下公式对横断面的脑CT图像进行旋转，得到校正后的影像；
其中，(x0,y0)为横断面的中心化后的脑CT图像的坐标；(x,y)为横断面的脑CT图像校正后的坐标；
根据以下公式对冠状面的脑CT图像进行旋转，得到校正后的影像：
其中，(x0,z0)为冠状面的中心化后的脑CT图像的坐标；(x,z)为冠状面的脑CT图像校正后的坐标。
可以理解的是，本发明实施例还可以通过将S301替换为：获取脑CT图像，并获取CT值小于20Hu的脑CT图像得到脑室参考图像；并基于S302～S308同样的方法，进行旋转轴的确定以及对脑CT图像的旋转校正。还可以通过将S301替换为：获取脑CT图像，并获取CT值满足0Hu～100Hu的脑CT图像得到全脑组织参考图像，并基于S302～S308同样的方法，进行旋转轴的确定以及对脑CT图像的旋转校正。
当然，本发明实施例还可以采用同样的方法对其他具备对称结构的部位对应的医疗影像进行旋转校正，例如可以是胸部等。相应的，医疗影像中的目标组织以及目标组织的CT值所满足的阈值范围，均需要对应调整。
实施例四
图4是本发明实施例四中的一种影像校正装置的结构图，本发明实施例适用于对医疗影像的影像偏角进行校正的情况，装置由软件和/或硬件实现，并具体配置于医疗影像设备中。如图4所示的一种影像校正装置，包括：影像分割模块410，旋转轴确定模块420以及偏角校正模块430。
影像分割模块410，用于获取待处理影像，并对各所述待处理影像进行分割，得到目标组织影像；
旋转轴确定模块420，用于对所述目标组织影像所对应的各位置坐标进行主成分分析，得到各主成分对应的特征值和特征向量，并选取至少一个目标特征值对应的特征向量作为目标旋转轴；
偏角校正模块430，用于根据所述目标旋转轴的向量值确定不同扫描断面的影像对应的影像偏角，并根据所述影像偏角对各扫描断面对应的待处理影像进行旋转校正。
本发明实施例通过影像分割模块获取待处理影像，并对各待处理影像进行分割得到目标组织影像；通过旋转轴确定模块对目标组织影像所对应的各位置坐标进行主成分分析，得到各主成分对应的特征值和特征向量，并选取至少一个目标特征值对应的特征向量作为目标旋转轴；通过偏角校正模块根据目标旋转轴的向量值确定不同扫描断面的影像对应的影像偏角，并根据影像偏角对各扫描断面对应的待处理影像进行旋转校正。采用上述技术方案解决了由于操作人员不同、设定的扫描参数不同以及扫描对象姿态等的不同，导致产生影像的方向存在不一致的问题，减少了影像校正时间和计算复杂度，同时提高了影像校正方法的鲁棒性和校正精度。
进一步地，所述目标特征值包括最大特征值；相应的，目标旋转轴包括主旋转轴；和/或，
所述目标特征值包括次大特征值；相应的，目标旋转轴包括副旋转轴。
进一步地，所述旋转轴确定模块420，包括：
坐标转化单元，用于根据所述目标组织影像所包含像素点的位置坐标和数量，将所述目标组织影像转化为中心化的位置坐标集；
主成分分析单元，用于对所述位置坐标集进行主成分分析，得到各主成分对应的特征值和特征向量。
进一步地，所述坐标转化单元，用于：
获取同一扫描断面的各目标组织影像，组合形成三维目标组织影像，并根据三维目标组织影像中目标组织所包含体素的断面位置和数量，确定目标组织的三维中心点为原点，根据各体素与该原点之间的位置关系，确定各体素的三维坐标，形成三维位置坐标集；或者，
获取目标扫描断面对应的当前目标组织影像，并根据当前目标组织影像中目标组织所包含像素的断面位置和数量，确定目标组织的二维中心点为原点，根据各像素与该原点之间的位置关系，确定各像素的二维坐标，并形成二维位置坐标集；其中，目标扫描断面包括横断面和冠状面。
进一步地，所述偏角校正模块430，在执行根据所述目标旋转轴的向量值确定不同扫描断面的影像对应的影像偏角时，具体用于：
若所述目标旋转轴为三维向量，则将确定所述目标旋转轴在各目标扫描断面上的投影，并根据投影后的目标旋转轴的向量值，分别确定各目标扫描断面的影像对应的影像偏角；或者，
若所述目标旋转轴为二维向量，则根据目标扫描断面对应的目标旋转轴的向量值，分别确定各目标扫描断面的影像对应的影像偏角。
进一步地，所述偏角校正模块430，在执行根据所述影像偏角对各扫描断面对应的待处理影像进行旋转校正时，具体用于：
根据所述影像偏角，分别确定各扫描断面对应的旋转矩阵，并根据所述旋转矩阵对各扫描断面对应的待处理影像进行旋转校正。
进一步地，所述影像分割模块410，包括：
目标组织选取单元，用于获取待处理影像的影像类别，并根据所述影像类别选取目标组织；
影像分割单元，用于根据所述目标组织的阈值对所述待处理影像进行分割，并确定满足所述阈值的影像作为目标组织影像。
进一步地，该装置还包括，第一预处理模块，用于：
在对所述待处理影像进行分割，并确定满足所述阈值的影像作为目标组织影像之后，在所述目标组织影像中提取最大连通域，并将提取的影像替换所述目标组织影像。
进一步地，该装置还包括，第二预处理模块，用于：
在对所述待处理影像进行分割，并确定满足所述阈值的影像作为目标组织影像之后，滤除所述目标组织影像的高频信号，并将处理后的影像替换所述目标组织影像。
上述影像校正装置可执行本发明任意实施例所提供的影像校正方法，具备执行影像校正方法相应的功能模块和有益效果。
实施例五
图5是本发明实施例五中的一种医疗影像设备的结构示意图，该设备包括：输入装置510、输出装置520、处理器530以及存储装置540。
其中，输入装置510，用于获取待处理影像；
输出装置520，用于展示待处理影像，还用于展示目标旋转轴和/或旋转校正后的待处理影像；
一个或多个处理器530；
存储装置540，用于存储一个或多个程序。
图5中以一个处理器530为例，该医疗影像设备中的输入装置510可以通过总线或其他方式与输出装置520、处理器530以及存储装置540相连，且处理器530和存储装置540也通过总线或其他方式连接，图5中以通过总线连接为例。
在本实施例中，医疗影像设备中的处理器530可以从输入装置510或存储装置540中获取待处理影像；还可以对各待处理影像进行分割，得到目标组织影像；还可以对目标组织影像所对应的各位置坐标进行主成分分析，得到各主成分对应的特征值和特征向量，并选取至少一个目标特征值对应的特征向量作为目标旋转轴；还可以根据目标旋转轴的向量值确定不同扫描断面的影像对应的影像偏角；还可以根据所述影像偏角对各扫描断面对应的待处理影像进行旋转校正。
该医疗影像设备中的存储装置540作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例中影像校正方法对应的程序指令/模块(例如，附图4所示的影像分割模块410，旋转轴确定模块420以及偏角校正模块430)。处理器530通过运行存储在存储装置540中的软件程序、指令以及模块，从而执行医疗影像设备的各种功能应用以及数据处理，即实现上述方法实施例中的影像校正方法。
存储装置540可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储数据等(如上述实施例中的待处理影像、目标旋转轴、影像偏角以及旋转校正后的待处理影像等)。此外，存储装置540可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置540可进一步包括相对于处理器530远程设置的存储器，这些远程存储器可以通过网络连接至服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被影像校正装置执行时实现本发明实施提供的影像校正方法，该方法包括：获取待处理影像，并对各所述待处理影像进行分割，得到目标组织影像；对所述目标组织影像所对应的各位置坐标进行主成分分析，得到各主成分对应的特征值和特征向量，并选取至少一个目标特征值对应的特征向量作为目标旋转轴；根据所述目标旋转轴的向量值确定不同扫描断面的影像对应的影像偏角，并根据所述影像偏角对各扫描断面对应的待处理影像进行旋转校正。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (6)
1.一种影像校正方法，其特征在于，包括：
获取待处理影像，并对各所述待处理影像进行分割，得到目标组织影像；所述待处理影像为待处理脑部影像且所述目标组织影像为颅骨组织影像；
对所述目标组织影像所对应的各位置坐标进行主成分分析，得到各主成分对应的特征值和特征向量，并选取至少一个目标特征值对应的特征向量作为目标旋转轴，包括：根据所述目标组织影像所包含像素点的位置坐标和数量，将所述目标组织影像转化为中心化的位置坐标集；通过获取同一扫描断面的各目标组织影像，组合形成三维目标组织影像，并根据三维目标组织影像中目标组织所包含体素的断面位置和数量，确定目标组织的三维中心点为原点，根据各体素与该原点之间的位置关系，确定各体素的三维坐标，形成三维位置坐标集；具体为：当三维目标组织影像中所包含的目标组织所占体素个数为M，将目标组织影像通过坐标转化后所形成的三维位置坐标集为：D＝{di|di＝(xi,yi,zi),i＝1,2,...,M,∑idi＝0}，di为各体素所对应的转化后的三维坐标；当位置坐标集为三维位置坐标集时，各体素点在v方向上的投影的方差和为：采用vTv＝1作为限制条件，并通过拉格朗日乘数法构建目标函数：f(v,λ)＝vTCv-λ(vTv-1)，通过对目标函数f(v,λ)求导，并令导数为0，得到各特征值和特征值对应的三维特征向量；将最大特征值λp对应的特征向量vp＝(hp,wp,cp)作为主旋转轴，将次大特征值λs对应的特征向量vs＝(hs,ws,cs)作为副旋转轴；
根据所述目标旋转轴的向量值确定不同扫描断面的影像对应的影像偏角，并根据所述影像偏角对各扫描断面对应的待处理影像进行旋转校正，包括：当所述目标旋转轴为三维向量，则将确定所述目标旋转轴在各目标扫描断面上的投影，并根据投影后的目标旋转轴的向量值，分别确定各目标扫描断面的影像对应的影像偏角；所述扫描断面包括横断面和冠状面；具体为：根据公式确定横断面偏角DT和冠状面偏角DC；其中，(h,w,c)为主旋转轴的三维向量(hp,wp,cp)，或副旋转轴的三维向量(hs,ws,cs)，所述目标扫描断面包括横断面和冠状面。
2.根据权利要求1所述的方法，其特征在于，所述根据所述影像偏角对各扫描断面对应的待处理影像进行旋转校正，包括：
根据所述影像偏角，分别确定各扫描断面对应的旋转矩阵，并根据所述旋转矩阵对各扫描断面对应的待处理影像进行旋转校正。
3.根据权利要求1所述的方法，其特征在于，所述对各所述待处理影像进行分割，得到目标组织影像，包括：
获取待处理影像的影像类别，并根据所述影像类别选取目标组织；
根据所述目标组织的阈值对所述待处理影像进行分割，并确定满足所述阈值的影像作为目标组织影像。
4.一种影像校正装置，其特征在于，包括：
影像分割模块，用于获取待处理影像，并对各所述待处理影像进行分割，得到目标组织影像；所述待处理影像为待处理脑部影像且所述目标组织影像为颅骨组织影像；
旋转轴确定模块，用于对所述目标组织影像所对应的各位置坐标进行主成分分析，得到各主成分对应的特征值和特征向量，并选取至少一个目标特征值对应的特征向量作为目标旋转轴；
偏角校正模块，用于根据所述目标旋转轴的向量值确定不同扫描断面的影像对应的影像偏角，并根据所述影像偏角对各扫描断面对应的待处理影像进行旋转校正；
所述旋转轴确定模块包括：所述坐标转化单元，用于根据所述目标组织影像所包含像素点的位置坐标和数量，将所述目标组织影像转化为中心化的位置坐标集；通过获取同一扫描断面的各目标组织影像，组合形成三维目标组织影像，并根据三维目标组织影像中目标组织所包含体素的断面位置和数量，确定目标组织的三维中心点为原点，根据各体素与该原点之间的位置关系，确定各体素的三维坐标，形成三维位置坐标集；具体为：当三维目标组织影像中所包含的目标组织所占体素个数为M，将目标组织影像通过坐标转化后所形成的三维位置坐标集为：D＝{di|di＝(xi,yi,zi),i＝1,2,...,M,∑idi＝0}，di为各体素所对应的转化后的三维坐标；当位置坐标集为三维位置坐标集时，各体素点在v方向上的投影的方差和为：采用vTv＝1作为限制条件，并通过拉格朗日乘数法构建目标函数：f(v,λ)＝vTCv-λ(vTv-1)，通过对目标函数f(v,λ)求导，并令导数为0，得到各特征值和特征值对应的三维特征向量；将最大特征值λp对应的特征向量vp＝(hp,wp,cp)作为主旋转轴，将次大特征值λs对应的特征向量vs＝(hs,ws,cs)作为副旋转轴；
所述偏角校正模块，在执行根据所述目标旋转轴的向量值确定不同扫描断面的影像对应的影像偏角时，用于：若所述目标旋转轴为三维向量，则将确定所述目标旋转轴在各目标扫描断面上的投影，并根据投影后的目标旋转轴的向量值，分别确定各目标扫描断面的影像对应的影像偏角；所述扫描断面包括横断面和冠状面；具体为：根据公式确定横断面偏角DT和冠状面偏角DC；其中，(h,w,c)为主旋转轴的三维向量(hp,wp,cp)，或副旋转轴的三维向量(hs,ws,cs)，所述目标扫描断面包括横断面和冠状面。
5.一种医疗影像设备，包括输入装置和输出装置，其特征在于，还包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3任一项所述的一种影像校正方法。
6.一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，该程序被处理器执行时实现如权利要求1-3任一项所述的一种影像校正方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811627543.0A CN109671131B (zh) | 2018-12-28 | 2018-12-28 | 影像校正方法、装置、医疗影像设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811627543.0A CN109671131B (zh) | 2018-12-28 | 2018-12-28 | 影像校正方法、装置、医疗影像设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109671131A CN109671131A (zh) | 2019-04-23 |
| CN109671131B true CN109671131B (zh) | 2023-12-22 |
Family
ID=66146898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811627543.0A Active CN109671131B (zh) | 2018-12-28 | 2018-12-28 | 影像校正方法、装置、医疗影像设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109671131B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111105362B (zh) * | 2019-11-18 | 2024-02-27 | 上海联影智能医疗科技有限公司 | 脑图像校正方法、计算机设备和可读存储介质 |
| CN118154481B (zh) * | 2024-05-09 | 2024-07-26 | 杭州脉流科技有限公司 | 头颈ct影像的倾斜校正方法、计算机设备、可读存储介质和程序产品 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005274183A (ja) * | 2004-03-23 | 2005-10-06 | Fuji Xerox Co Ltd | 傾き検出機能付き画像検査装置 |
| CN102421350A (zh) * | 2009-03-11 | 2012-04-18 | 奥林巴斯医疗株式会社 | 图像处理系统、其外部装置及其图像处理方法 |
| CN103218809A (zh) * | 2013-03-27 | 2013-07-24 | 常州工学院 | 一种珍珠长度参数的图像测量方法 |
| CN107103320A (zh) * | 2017-04-28 | 2017-08-29 | 常熟理工学院 | 嵌入式医疗数据图像识别及集成方法 |
| CN108460738A (zh) * | 2018-02-11 | 2018-08-28 | 湖南文理学院 | 基于b样条的医学图像倾斜校正方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI288894B (en) * | 2005-10-17 | 2007-10-21 | Jing-Jing Fang | Quantifiable symmetry criterion method |
-
2018
- 2018-12-28 CN CN201811627543.0A patent/CN109671131B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005274183A (ja) * | 2004-03-23 | 2005-10-06 | Fuji Xerox Co Ltd | 傾き検出機能付き画像検査装置 |
| CN102421350A (zh) * | 2009-03-11 | 2012-04-18 | 奥林巴斯医疗株式会社 | 图像处理系统、其外部装置及其图像处理方法 |
| CN103218809A (zh) * | 2013-03-27 | 2013-07-24 | 常州工学院 | 一种珍珠长度参数的图像测量方法 |
| CN107103320A (zh) * | 2017-04-28 | 2017-08-29 | 常熟理工学院 | 嵌入式医疗数据图像识别及集成方法 |
| CN108460738A (zh) * | 2018-02-11 | 2018-08-28 | 湖南文理学院 | 基于b样条的医学图像倾斜校正方法 |
Non-Patent Citations (1)
| Title |
|---|
| 医学图像倾斜校正方法与应用研究;潘梅森;《中国博士学位论文全文数据库信息科技辑》;20111215;第30-34页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109671131A (zh) | 2019-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107798682B (zh) | 图像分割系统、方法、装置和计算机可读存储介质 | |
| CN107909622B (zh) | 模型生成方法、医学成像的扫描规划方法及医学成像系统 | |
| WO2018000564A1 (zh) | 血管中心线提取方法及系统 | |
| US10275895B2 (en) | Mechanism for advanced structure generation and editing | |
| US8861891B2 (en) | Hierarchical atlas-based segmentation | |
| US9142030B2 (en) | Systems, methods and computer readable storage media storing instructions for automatically segmenting images of a region of interest | |
| JP2018064627A (ja) | 放射線撮影装置、放射線撮影システム、放射線撮影方法、及びプログラム | |
| DE102007046582A1 (de) | System und Verfahren zum Segmentieren von Kammern eines Herzens in einem dreidimensionalen Bild | |
| US10628963B2 (en) | Automatic detection of an artifact in patient image | |
| US11798161B2 (en) | Method and apparatus for determining mid-sagittal plane in magnetic resonance images | |
| CN108898578B (zh) | 一种医疗图像的处理方法、装置及计算机存储介质 | |
| US10034610B2 (en) | System and method for registration of brain images | |
| US10032316B2 (en) | System for dynamically propagating real-time alterations of medical images | |
| CN109671131B (zh) | 影像校正方法、装置、医疗影像设备及存储介质 | |
| EP2584970A2 (en) | Mechanism for advanced structure generation and editing | |
| Yousefi-Banaem et al. | An improved spatial FCM algorithm for cardiac image segmentation | |
| JP2024527911A (ja) | 解剖学的特徴構造の識別 | |
| CN115311182A (zh) | 一种基于深度学习的mri图像合成ct图像的方法及系统 | |
| CN107292351B (zh) | 一种结节的匹配方法及装置 | |
| Paiement et al. | Registration and modeling from spaced and misaligned image volumes | |
| Liu et al. | Employing symmetry features for automatic misalignment correction in neuroimages | |
| Khalil et al. | Echocardiography to cardiac CT image registration: Spatial and temporal registration of the 2D planar echocardiography images with cardiac CT volume | |
| Leavens et al. | Validation of automatic landmark identification for atlas-based segmentation for radiation treatment planning of the head-and-neck region | |
| CN112766258B (zh) | 图像的分割方法、系统、电子设备及计算机可读存储介质 | |
| JP2020080913A (ja) | 非造影ｃｔ画像からの３次元メディアルアクシスモデルに基づく関心臓器画像自動セグメンテーション装置、及び自動セグメンテーション方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TG01 | Patent term adjustment | ||
| TG01 | Patent term adjustment |