[go: up one dir, main page]

CN115423736A - 成像系统及方法 - Google Patents

成像系统及方法 Download PDF

Info

Publication number
CN115423736A
CN115423736A CN202110600353.5A CN202110600353A CN115423736A CN 115423736 A CN115423736 A CN 115423736A CN 202110600353 A CN202110600353 A CN 202110600353A CN 115423736 A CN115423736 A CN 115423736A
Authority
CN
China
Prior art keywords
interest
slice image
target region
region
image
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
Application number
CN202110600353.5A
Other languages
English (en)
Inventor
杨静怡
杨明阳
徐嫣然
窦玉婷
赵冰洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GE Precision Healthcare LLC
Original Assignee
GE Precision Healthcare LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by GE Precision Healthcare LLC filed Critical GE Precision Healthcare LLC
Priority to CN202110600353.5A priority Critical patent/CN115423736A/zh
Priority to EP22174752.0A priority patent/EP4099269A1/en
Priority to US17/752,070 priority patent/US12270882B2/en
Priority to JP2022084192A priority patent/JP7434415B2/ja
Publication of CN115423736A publication Critical patent/CN115423736A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/46—Arrangements for interfacing with the operator or the patient
    • A61B6/467—Arrangements for interfacing with the operator or the patient characterised by special input means
    • A61B6/469—Arrangements for interfacing with the operator or the patient characterised by special input means for selecting a region of interest [ROI]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/488—Diagnostic techniques involving pre-scan acquisition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • A61B6/545—Control of apparatus or devices for radiation diagnosis involving automatic set-up of acquisition parameters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5601—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution involving use of a contrast agent for contrast manipulation, e.g. a paramagnetic, super-paramagnetic, ferromagnetic or hyperpolarised contrast agent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Pulmonology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本公开涉及成像系统及方法。具体一种成像系统包括：定位图像获取单元，用于获取扫查对象的定位图像；监测切片图像获取单元，用于利用神经网络确定在所述定位图像中与目标感兴趣区域的位置相对应的关键点，并获取该关键点所在位置处所述扫查对象的的监测切片图像；目标感兴趣区域分割单元，用于在所述监测切片图像上分割出目标感兴趣区域。本发明可以准确地获取监测切片的位置，并且通过级联地粗分割与精细分割可以准确地分割出目标感兴趣区域。

Description

成像系统及方法
技术领域
本发明涉及医学成像，尤其是涉及造影剂增强扫描的成像系统和方法。
背景技术
造影剂增强扫描(Contrast Enhancement,CE)通常指静脉注射造影剂的医学成像扫描，如计算机断层成像扫描(Computed Tomography，CT)、磁共振成像扫描(MagneticResonance Imaging,MRI)。造影剂增强扫描增加了组织与病变间密度的差别，可以更清楚地显示病变与周围组织间的关系及病变大小、形态、范围等方面，有助于发现平扫未显示或显示不清的病灶，还可动态观察某些器官脏器或病变中对比剂的分布与排泄情况，根据其特点，判断病变性质。
常见的CT增强扫描如CT血管造影(Computed Tomography Angiography，CTA)使用团注跟踪法以获得优质的图像质量。团注跟踪法是在CTA扫描之前，在监测层面内靶血管区域设置监测感兴趣区域(ROI)，对比剂注射开始后，按照一定时间间隔对监测层面进行低剂量扫描，待ROI内的CT值达到阀值后自动或手动触发容积扫描。监测层及监测感兴趣区域的位置影响CTA检查的图像质量，目前监测层及监测感兴趣区域通常由影像技师手动设置，一方面，该设置的准确性及图像质量取决影像技师的经验，一方面加重了影像技师的工作量。
因此，需要一种新的成像系统和方法，能够自动地且准确地设置监测层及监测感兴趣区域，以提高增强造影成像质量。
发明内容
针对上述技术问题，本申请实施例提供一种成像系统，其包括：定位图像获取单元，用于获取扫查对象的定位图像；监测切片图像获取单元，用于利用神经网络确定在定位图像中与目标感兴趣区域的位置相对应的关键点，并获取该关键点所在位置处扫查对象的的监测切片图像；目标感兴趣区域分割单元，用于在监测切片图像上分割出目标感兴趣区域。
本发明的一个方面，神经网络包括残差神经网络。
本发明的一个方面，目标感兴趣区域用于在造影扫描时监测造影剂浓度。
本发明的一个方面，目标感兴趣区域分割单元包括级联的粗分割单元与精细分割单元，该粗分割单元分割监测切片图像以获得初始感兴趣区域，该精细分割单元基于初始感兴趣区域进一步分割初始感兴趣区域以获得目标感兴趣区域。
本发明的一个方面，粗分割单元使用阈值法、边缘检测法、腐蚀膨胀法、区域增长法、水平集或深度学习方法中的至少一种方法对监测切片图像进行粗分割；精细分割单元使用形态学方法、阈值法、边缘检测法、腐蚀膨胀法、区域增长法、水平集或深度学习方法中的至少一种方法对监测切片图像进行精细分割。
本申请实施例另提供一种成像方法，其包括：获取扫查对象的定位图像；获取监测切片图像，其利用神经网络确定定位图像中与目标感兴趣区域的位置相对应的关键点，及获取该关键点所在位置处扫查对象的的监测切片图像；在监测切片图像上分割出目标感兴趣区域。
本发明的一个方面，神经网络包括残差神经网络。
本发明的一个方面，目标感兴趣区域用于在造影扫描时监测造影剂浓度。
本发明的一个方面，在监测切片图像上分割出感兴趣区域，包括：对监测切片图像进行级联地粗分割与精细分割，该粗分割在监测切片图像中分割出初始感兴趣区域，该精细分割进一步在监测切片图像中分割出目标感兴趣区域。
本发明的一个方面，粗分割使用阈值法、边缘检测法、腐蚀膨胀法、区域增长法、水平集或深度学习方法中的至少一种方法对切片图像进行分割以得到初始感兴趣区域；精细分割使用阈值法、边缘检测法、腐蚀膨胀法、区域增长法、水平集或深度学习方法中的至少一种方法对监测切片图像进行精细分割以得到目标感兴趣区域。
本发明的一个方面，另提供一种系统，包括用于执行前述任一项成像方法的处理器。
本发明的一个方面，另提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任一项成像方法。
在本发明中，通过利用神经网络可以准确地确定在定位图像中与目标感兴趣区域的位置相对应的关键点，进而可以准确地获取监测切片。另外，通过级联地粗分割与精细分割可以准确地分割出目标感兴趣区域。本发明可以在成像过程中通过计算机自动执行地分割出目标感兴趣区域，因而无需影像技师手动操作。
应理解，提供上文的简要描述是为了以简化的形式介绍在具体实施方式中进一步描述的技术方案。这并不意味着上文的简要描述限定限定本发明所要求保护的关键或必要特征，本发明所要求保护的范围由权利要求唯一地限定。此外，所要求保护的发明不限于解决在上文中或在本公开的任一区段中所提及的任何缺点的实现。
通过下面参考附图进行的详细描述，本发明的这些以及其他的特征和方面会变得更加清楚。
附图说明
本申请所包括的附图用来帮助进一步理解本申请的实施例，其构成了说明书的一部分，用于例示本申请的实施方式，并与文字描述一起来阐释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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实施方式。在附图中：
图1示出了根据本发明的实施例的CT成像系统立体图。
图2示出了根据本发明的实施例的CT成像系统的框图。
图3示出了根据本发明的实施例的成像系统的框图。
图4示出了根据本发明的实施例的监测切片图像获取单元的框图。
图5示出了根据本发明的实施例的深度学习网络分割单元的框图。
图6a至图6c示出了根据本发明的实施例的监测切片图像获取单元获取特定部位的监测切片图像的框图。
图7示出了根据本发明的实施例的成像系统的目标感兴趣区域分割单元的框图。
图8示出了根据本发明的实施例的目标感兴趣区域分割单元的分割特定部位的目标感兴趣区域的框图。
图9示出了根据本发明的实施例的成像方法的流程框图。
图10示出了根据本发明的实施例的成像方法的获取监测切片图像的流程框图。
图11示出了根据本发明的实施例的成像方法的分割目标感兴趣区域的流程框图。
图12示出了根据本发明的实施例的执行成像方法的电子设备的示例。
图13示出了根据本发明的实施例的执行成像方法的成像系统的示例。
可以预期的是，本发明的一个实施例中的要素可有利地适用于其他实施例而无需赘述。
具体实施方式
以下将描述本发明的具体实施方式，需要指出的是，在这些实施方式的具体描述过程中，为了进行简明扼要的描述，本说明书不可能对实际的实施方式的所有特征均作详尽的描述。应当可以理解的是，在任意一种实施方式的实际实施过程中，正如在任意一个工程项目或者设计项目的过程中，为了实现开发者的具体目标，为了满足系统相关的或者商业相关的限制，常常会做出各种各样的具体决策，而这也会从一种实施方式到另一种实施方式之间发生改变。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本发明公开的内容相关的本领域的普通技术人员而言，在本发明揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本发明的内容不充分。
除非另作定义，权利要求书和说明书中使用的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“一个”或者“一”等类似词语并不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同元件，并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，也不限于是直接的还是间接的连接。
本文中所描述的成像系统及方法可以适用于各种医学成像模态，包括但不限于计算机断层扫描(CT)设备、磁共振成像(MRI)设备、C形臂成像设备或其他任何合适的医学成像设备。成像系统可以包括前述医学成像设备，也可以包括连接到医学成像设备的单独的计算机设备，还可以包括连接至互联网云端的计算机设备，该计算机设备通过互联网连接到医学成像设备或者存储医学图像的存储器。成像方法可以由前述医学成像设备、连接到医学成像设备的计算机设备，连接至互联网云端的计算机设备独立或者联合的实施。
示例性地，以下结合X射线计算机断层摄影(CT)设备描述本发明。本领域技术人员将理解，本发明还可以适用于其他适于成像的医学成像设备。
图1示出根据本发明示例性实施例的成像系统和方法所适用的CT成像设备100。图2是图1所示的示例CT成像系统100的示意性框图。
参见图1，CT成像系统100被示出为包括扫描机架11。扫描机架11具有X射线源11a，X射线源11a朝向扫描机架11的相对侧上的检测器组件或准直器12投射X射线束11b。
参见图2，检测器组件12包括多个检测器单元12a和数据采集系统(DAS)12b。多个检测器单元12a感测穿过对象10的经投射的X射线11b。
DAS 12b根据检测器单元12a的感测，将收集到的信息转换为投影数据以供后续处理。在采集X射线投影数据的扫描期间，扫描机架11以及安装于其上的部件绕着旋转中心11c旋转。
扫描机架11的旋转和X射线源11a的操作由CT系统100的控制机构13控制。控制机构13包括向X射线源11a提供功率和定时信号的X射线控制器13a、以及控制扫描机架11的旋转速度和位置的扫描机架电机控制器13b。图像重建装置14从DAS 12b接收投影数据并且执行图像重建。重建的图像作为输入传输至计算机15，计算机15将图像存储在大容量存储装置16中。
计算机15还通过控制台17从操作员接收命令和扫描参数，控制台17具有某种形式的操作员界面，例如键盘、鼠标、语音激活控制器或任何其他合适的输入装置。相关联的显示器18允许操作员观察来自计算机15的重建图像和其他数据。操作者提供的命令和参数由计算机15使用，以向DAS 12b、X射线控制器13a和扫描机架电机控制器13b提供控制信号和信息。另外，计算机15操作患者台电机控制器19a，其控制患者台19以定位对象10和扫描机架11。特别地，患者台19使对象10全部或部分地移动通过图1的扫描机架开口11d。
图3示出根据本发明的实施例的成像系统200的示例框图。该成像系统200包括定位图像获取单元21、监测切片图像获取单元22、目标感兴趣区域分割单元23。示例地，该等单元21、22、23可以作为如图1与图2所示CT成像系统100的计算机15的一部分或者由计算机15执行。定位图像获取单元21用于获取扫查对象的定位图像。监测切片图像获取单元22，用于利用神经网络确定在所述定位图像中与目标感兴趣区域的位置相对应的关键点，并获取该关键点所在位置处所述扫查对象的的切片图像。目标感兴趣区域分割单元23用于在切片图像上分割出目标感兴趣区域。
定位图像获取单元21用于获取扫查对象的定位图像。示例地，在CT扫描成像中通常在正式扫描前先进行定位扫描，即在定位扫描时扫描机架内的X射线球管保持在预设位置固定不动，曝光时扫描床沿着扫描方向或z方向平行移动，同时X射线球管向扫描对象发射低剂量的X射线，CT扫描仪根据探测器检测到的信号重建出平面的定位图像。定位扫描所获得的定位图像包含扫查对象的感兴趣部位，该定位图像可以用于为后续针对感兴趣部位的正式扫描设置合适的扫描参数，例如待扫描部位的扫描开始位置和扫描结束位置、角度、层厚等。示例地，感兴趣部位可以包括肺部、心脏、腹部、骨盆等。示例地，定位图像可以是正向定位图像或侧向定位图像。
监测切片图像获取单元22，用于利用神经网络确定在所述定位图像中与目标感兴趣区域的位置相对应的关键点，并获取该关键点所在位置处所述扫查对象的的切片图像。图4示出根据本发明实施例的监测切片图像获取单元22，其包括关键点获取单元22a及监测切片图像获取单元22b，其中关键点获取单元22a利用神经网络确定在所述定位图像中与目标感兴趣区域的位置相对应的关键点，监测切片图像获取单元22b获取该关键点所在位置处所述扫查对象的的切片图像。
另如图4所示，关键点获取单元22a包括预处理单元22c、深度学习网络分割单元22d、后处理单元22e。预处理单元22c用于对前述定位图像进行预处理，示例地，该预处理可以包括对定位图像进行窗宽/窗位调整、归一化、图像缩放、图像裁剪、或图像翻转中的任一种或多种处理。示例地，窗宽/窗位调整可以根据感兴趣部位的特征调整定位图像的窗宽/窗位值，例如将肺部横膈膜的窗宽/窗位值调整为150/450、将其他部位的窗宽/窗位值调整为250/450。可以理解，该预处理单元22c可以对定位图像进行优化以便于后续的深度学习网络分割单元22d进行关键点分割，但是该预处理单元22c并非必须，在图3中以虚线框进行表示。
深度学习网络分割单元22d用于对经过预处理单元22c处理的定位图像进行进一步处理，以分割出与目标感兴趣区域对应的关键点。关键点位于监测切片图像上且与目标感兴趣区域的位置像对应，目标感兴趣区域可以在造影扫描时用来监控感兴趣器官的造影剂浓度。示例地，肺部的关键点可以选择支气管隆突，心脏的关键点可以选择支气管隆突下一厘米处，腹部的关键点可以选择膈肌上沿，盆腔的关键点可以选择髂嵴上沿。
如图4所示，示例地，深度学习网络分割单元22d可以使用残差网络(ResNet)，该残差网络包括conv1、conv2_x、conv3_x、conv4_x、conv5_x五个卷积层部分及全连接层Fc。该残差网络可以采用18层、34层、50层、101层或152层网络结构。定位图像输入至经训练的残差网络，经过残差网络分割后输出关键点图像，示例地，该关键点图像可以是特征热力图。
后处理单元22e可以对深度学习网络分割单元22d分割出的关键点的特征热力图进行进一步处理。可以理解，该后处理单元22e并非必须，在图4中以虚线框进行表示。
监测切片图像获取单元22b根据关键点的位置进行轴向扫描以获得监测切片图像。
图6a至图6c示出了根据本申请的监测切片图像获取单元22所获得的感兴趣部位的监测切片图像。图6a示出了获取心脏部位的监测切片图像，定位图像输入至关键点获取单元22a，该关键点获取单元22a藉由深度学习网络22d分割心脏部位的关键点，示例地，该关键点可以为支气管隆突下一厘米处。监测切片图像获取单元22b在成像系统对心脏部位扫描后获取该关键点所在位置的切片图像，该切片图像即为心脏部位的监测切片图像。
图6b示出了获取腹部的监测切片图像，定位图像输入至关键点获取单元22a，该关键点获取单元22a藉由深度学习网络22d分割腹部的关键点，示例地，该关键点可以为膈肌上沿。监测切片图像获取单元22b在成像系统对腹部部位扫描后获取该关键点所在位置的切片图像，该切片图像即为腹部的监测切片图像。
图6c示出了获取盆腔部位的监测切片图像，定位图像输入至关键点获取单元22a，该关键点获取单元22a藉由深度学习网络22d分割盆腔部位的关键点，示例地，该关键点可以为髂嵴上沿。监测切片图像获取单元22b在成像系统对盆腔部位扫描后获取该关键点所在位置的切片图像，该切片图像即为盆腔部位的监测切片图像。
可以理解，同样的感兴趣区域在不同的扫描对象中所处的位置不同，通过确定关键点，能够更加准确的反映目标感兴趣区域在扫描对象中的位置。根据本实施例地成像系统中，通过利用神经网络可以准确地确定在所述定位图像中与目标感兴趣区域的位置相对应的关键点，进而可以准确地获取监测切片图像。
图7示出了根据本申请实施例的目标感兴趣区域分割单元23，该目标感兴趣区域分割单元23从前述监测切片图像中分割出目标感兴趣区域，该目标感兴趣区域可以作为造影扫描时监控造影剂的流量以触发诊断扫描。目标感兴趣区域分割单元23包括级联的粗分割单元23a与精细分割单元23b。
粗分割单元23a可以从监测切片图像中分割出初始感兴趣区域，该初始感兴趣区域比目标感兴趣区域范围更大(亦即不仅包含目标感兴趣区域，还包括目标感兴趣区域周围的区域)，或者初始感兴趣区域的边界可以相对模糊，或者初始感兴趣区域具有较少的组织结构细节信息。粗分割单元23a可以采用阈值法、边缘检测法、腐蚀膨胀法、区域增长法、水平集法或深度学习方法中的至少一种方法。示例地，粗分割单元23a可以采用U-net神经网络对监测切片图像进行粗分割，可选地，在粗分割之前可以对监测切片图像进行预处理，例如调节窗宽/窗位值、归一化、根据扫描对象的角度进行旋转等。可选的，在U-net神经网络进行粗分割后也可以对获得的初始感兴趣区域进行后处理，以使图像更利于后续的精细分割单元23b进行精细分割。
精细分割单元23b可以在分割出的初始归纳兴趣区域基础上进一步分割出目标感兴趣区域，该目标感兴趣区域可以具有更清晰的边界、具有更多的组织结构细节信息。该精细分割单元23b可以采用形态学方法、阈值法、边缘检测法、腐蚀膨胀法、区域增长法、水平集法或深度学习方法中的至少一种方法。
目标感兴趣区域分割单元23，精细分割单元23b则可以分割出较为清晰的感兴趣区域，尤其是对于细小的组织。
图8示出了根据本实施例的目标感兴趣区域分割单元23对肺部监测切片图像进行分割的示例，其中，粗分割单元23a采用U-Net神经网络对肺部监测切片图像进行粗分割，可以看到作为初始感兴趣区域的上升主动脉(AA)与下降主动脉(DA)具有较大的面积。经精细分割单元23b进行进一步分割后，作为目标感兴趣区域的上升主动脉(AA)与下降主动脉(DA)的面积缩小，该目标感兴趣区域在造影成像时更能准确反应造影剂的流量。
可以理解，目标感兴趣区域分割单元23不仅可以用于分割肺部监测切片图像中的目标感兴趣区域，也可以用于心脏部位、腹部、盆腔部位等的目标感兴趣区域的分割。
可以理解，根据本申请地实施例，粗分割可以分割出包含目标感兴趣区域的初始感兴趣区域，然后以初始感兴趣区域为待处理数据集进行精细分割，该初始感兴趣区域相对于原监测切片图像的区域更小、数据量更小、图像信息更少、更能够反应目标感兴趣区域，故通过后续的精细分割能够更准确地分割出感兴趣区域。另外，本发明可以在成像过程中通过计算机自动执行地分割出目标感兴趣区域，因而无需影像技师手动操作。
图9示出根据本发明的实施例的成像方法的示例框图，该成像方法300包括获取扫查对象的定位图像31、获取切片图像32、在所述切片图像上分割出目标感兴趣区域33。示例地，成像方法300可以由如图1与图2所示CT成像系统100的计算机15执行。
在31，获取扫描对象的定位图像，示例地，在CT扫描成像中通常在正式扫描前先进行定位扫描，而获得扫描对象的定位图像。
在32，获取监测切片图像，其利用神经网络确定在定位图像中与目标感兴趣区域的位置相对应的关键点，及获取该关键点所在位置处所述扫查对象的的切片图像。如图10所示，示例地，获取切片图像32包括获取关键点32a及获取切片图像32b，其中获取关键点32a利用神经网络确定在定位图像中与目标感兴趣区域的位置相对应的关键点，获取切片图像32b获取该关键点所在位置处扫查对象的切片图像。
获取关键点32a包括预处理32c、利用深度学习网络分割32d、后处理32e。预处理32c可以包括对定位图像进行窗宽/窗位调整、归一化、图像缩放、图像裁剪或图像翻转中的任一种或多种处理。示例地，窗宽/窗位调整可以根据感兴趣部位的特征调整定位图像的窗宽/窗位值，例如将肺部横膈膜的窗宽/窗位值调整为150/450、将其他部位的窗宽/窗位值调整为250/450。可以理解，预处理32c可以对定位图像进行优化以便于后续的利用深度学习网络分割32d进行关键点分割，但是该预处理32c并非必须，在图10中以虚线框进行表示。
利用深度学习网络分割32d用于对经过预处理的定位图像进行进一步处理，以分割出与目标感兴趣区域对应的关键点。关键点可以在造影扫描时一定程度上代表感兴趣器官的造影剂浓度，示例地，肺部的关键点可以选择支气管隆突，心脏的关键点可以选择支气管隆突下一厘米处，腹部的关键点可以选择膈肌上沿，盆腔的关键点可以选择髂嵴上沿。示例地，利用深度学习网络分割32d可以使用残差网络(ResNet)对定位图像进行分割，亦即将定位图像输入至经训练的残差网络，经过残差网络分割后输出关键点图像，示例地，该关键点图像可以是特征热力图。
示例地，后处理32e可以对利用深度学习网络分割获取的关键点的特征热力图进行进一步处理。可以理解，该后处理32e并非必须，在图10中以虚线框进行表示。
切片图像获取32b可以根据关键点的位置进行轴向扫描以获得监测切片图像。
图11示出了根据本申请实施例的分割目标感兴趣区域33，该感兴趣区域分割33从前述监测切片图像中分割出目标感兴趣区域，该目标感兴趣区域可以作为造影扫描时监控造影剂的流量以触发诊断扫描。目标感兴趣区域分割33包括级联的粗分割33a与精细分割33b。
粗分割33a可以从监测切片图像中分割出初始感兴趣区域，该初始感兴趣区域比目标感兴趣区域范围更大(亦即不仅包含目标感兴趣区域，还包括目标感兴趣区域周围的区域)，或者初始感兴趣区域的边界可以相对模糊，或者初始感兴趣区域具有较少的组织结构细节信息。粗分割33a可以采用阈值法、边缘检测法、腐蚀膨胀法、区域增长法、水平集法或深度学习方法中的至少一种方法。示例地，粗分割33a可以采用U-net神经网络对监测切片图像进行粗分割，可选地，在粗分割之前可以对监测切片图像进行预处理，例如调节窗宽/窗位值、归一化、根据扫描对象的角度进行旋转等。可选的，在U-net神经网络进行粗分割后也可以对获得的初始感兴趣区域进行后处理，以使图像更利于后续的精细分割33b进行精细分割。
精细分割33b可以在分割出的初始归纳兴趣区域基础上进一步分割出目标感兴趣区域，该目标感兴趣区域可以具有更清晰的边界、具有更多的组织结构细节信息。该精细分割33b可以采用形态学方法、阈值法、边缘检测法、腐蚀膨胀法、区域增长法、水平集法或深度学习方法中的至少一种方法。
可以理解，根据本申请的实施例，成像方法中的获取扫查对象的定位图像31、获取切片图像32、在所述切片图像上分割出目标感兴趣区域33可以由计算机自动执行，无需影像技师手动操作。
图12示出根据本发明的实施例的执行成像方法的电子设备700的示例。电子设备700包括：一个或多个处理器71；存储装置72，用于存储一个或多个程序，当该一个或多个程序被一个或多个处理器71执行，使得一个或多个处理器71实现本文中描述的成像方法。处理器诸如例如，数字信号处理器(DSP)、微控制器、专用集成电路(ASIC)或微处理器。
图12所示的电子设备700仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图12所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：一个或者多个处理器71，存储装置72，连接不同系统组件(包括存储装置72和处理器71)的总线75。
总线75表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备700典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备700访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置72可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)72a和/或高速缓存存储器72c。电子设备700可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统72b可以用于读写不可移动的、非易失性磁介质(图12未显示，通常称为“硬盘驱动器”)。尽管图12中未示出，可以提供用于对可移动非易失性磁盘(例如"软盘")读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线75相连。存储装置72可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块72f的程序/实用工具72d，可以存储在例如存储装置72中，这样的程序模块72f包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块72f通常执行本发明所描述的任意实施例中的功能和/或方法。
电子设备700也可以与一个或多个外部设备76(例如键盘、指向设备、显示器77等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口73进行。并且，电子设备700还可以通过网络适配器74与一个或者多个网络(例如局域网(LAN)、广域网(WAN)和/或公共网络，例如因特网)通信。如图12所示，网络适配器74通过总线75与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器71通过运行存储在存储装置72中的程序，从而执行各种功能应用以及数据处理。
根据本发明的实施例，还提供一种计算机可读介质，其上具有指令，所述指令在被处理器执行时使得处理器执行本发明的方法的步骤。该计算机可读介质可以包括但不限于通过机器或设备制造或形成的物品的非瞬态的有形安排，其包括存储介质，诸如：硬盘；任何其他类型的盘，包括软盘、光盘、只读光盘存储器(CD-ROM)、可读写光盘存储器(CD-RW)以及磁光盘；半导体器件，诸如只读存储器(ROM)、诸如动态随机存取存储器(DRAM)和静态随机存取存储器(SRAM)之类的随机存取存储器(RAM)、可擦除可编程只读存储器(EPROM)、闪存、电可擦除可编程只读存储器(EEPROM)；相变存储器(PCM)；磁卡或光卡；或适于存储电子指令的任何其他类型的介质。该计算机可读介质可以安装在CT设备中，也可以安装在远程操控CT设备的单独的控制设备或计算机中。
图13示出了根据本发明的实施例的示例性成像系统800的框图。参考图13，成像系统800可以包括用于进行成像扫描以生成医学图像的医学成像设备81、用于存储医学图像的存储设备82、以及通信地连接至存储设备82并且包括处理器85的医学成像工作站83或医学图像云平台分析系统84。处理器85可以用于执行发明的前述成像方法。
医学成像设备81可以是CT设备、MRI设备或其他任何合适的成像设备。存储设备82可以位于医学成像设备81内、医学成像设备81外部的服务器内、独立的医学影像存储系统(诸如，PACS)内和/或远程的云存储系统内。医学成像工作站83可以设置在医学成像设备81本地，亦即医学成像工作站83临近医学成像设备81设置，两者可以共同位于扫查室、影像科或同一医院内。而医学图像云平台分析系统84可以远离医学成像设备81定位，例如设置在与医学成像设备81通信的云端处。作为示例，在医疗机构利用医学成像设备81完成成像扫描之后，扫描得到的数据被存储在存储设备82内；医学成像工作站83可以直接读取扫描得到的数据，并且通过其处理器使用本发明的方法进行处理。作为另一个示例，医学图像云平台分析系统84可以通过远程通信读取存储设备82内的医学图像，以提供“软件即服务(SaaS)”。SaaS可以存在于医院与医院之间、医院与影像中心之间，也可以存在于医院与第三方在线诊疗服务商之间。
本发明中所描述的技术可至少部分地以硬件、软件、固件或其任何组合来实现。例如，可在一个或多个微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、或任何其他等效的集成或分立逻辑电路、以及体现在编程器(诸如，医师或患者编程器、刺激器、或其他设备)中的此类部件的任何组合内实现所述技术的各方面。术语“处理器”、“处理电路”、“控制器”或“控制模块”通常可以指任何上述逻辑电路(单独或与其他逻辑电路组合)，或任何其他等效电路(并且单独或与其他数字或模拟电路组合)。
上面已经描述了本发明的一些示例性实施例。然而，应该理解的是，在不脱离本发明精神和范围的情况下，还可以对上述示例性实施例做出各种修改。例如，如果所描述的技术以不同的顺序执行和/或如果所描述的系统、架构、设备或电路中的组件以不同方式被组合和/或被另外的组件或其等同物替代或补充，也可以实现合适的结果，那么相应地，这些修改后的其它实施方式也落入权利要求书的保护范围内。

Claims (12)

1.一种成像系统，其包括：
定位图像获取单元，用于获取扫查对象的定位图像；
监测切片图像获取单元，用于利用神经网络确定在所述定位图像中与目标感兴趣区域的位置相对应的关键点，并获取该关键点所在位置处所述扫查对象的的监测切片图像；
目标感兴趣区域分割单元，用于在所述监测切片图像上分割出目标感兴趣区域。
2.如权利要求1所述的成像系统，其特征在于：所述神经网络包括残差神经网络。
3.如权利要求1所述的成像系统，其特征在于：所述目标感兴趣区域用于在造影扫描时监测造影剂浓度。
4.如权利要求1所述的成像系统，其特征在于：所述目标感兴趣区域分割单元包括级联的粗分割单元与精细分割单元，该粗分割单元分割所述监测切片图像以获得初始感兴趣区域，该精细分割单元基于所述初始感兴趣区域进一步分割所述初始感兴趣区域以获得所述目标感兴趣区域。
5.如权利要求4所述的成像系统，其特征在于：所述粗分割单元使用阈值法、边缘检测法、腐蚀膨胀法、区域增长法、水平集或深度学习方法中的至少一种方法对所述监测切片图像进行粗分割；所述精细分割单元使用形态学方法、阈值法、边缘检测法、腐蚀膨胀法、区域增长法、水平集或深度学习方法中的至少一种方法对所述监测切片图像进行精细分割。
6.一种成像方法，其包括：
获取扫查对象的定位图像；
获取监测切片图像，其利用神经网络确定所述定位图像中与目标感兴趣区域的位置相对应的关键点，及获取该关键点所在位置处所述扫查对象的的监测切片图像；
在所述监测切片图像上分割出所述目标感兴趣区域。
7.如权利要求6所述的方法，其特征在于：所述神经网络包括残差神经网络。
8.如权利要求6所述的方法，其特征在于：所述目标感兴趣区域用于在造影扫描时监测造影剂浓度。
9.如权利要求7所述的方法，其特征在于：在所述监测切片图像上分割出所述感兴趣区域，包括：对所述监测切片图像进行级联地粗分割与精细分割，该粗分割在监测切片图像中分割出初始感兴趣区域，该精细分割进一步在监测切片图像中分割出所述目标感兴趣区域。
10.如权利要求9所述的方法，其特征在于：所述粗分割使用阈值法、边缘检测法、腐蚀膨胀法、区域增长法、水平集或深度学习方法中的至少一种方法对所述切片图像进行分割以得到初始感兴趣区域；所述精细分割使用阈值法、边缘检测法、腐蚀膨胀法、区域增长法、水平集或深度学习方法中的至少一种方法对所述监测切片图像进行精细分割以得到所述目标感兴趣区域。
11.一种系统，包括用于执行如权利要求7至10中任一项所述的方法的处理器。
12.一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权利要求7至10所述的方法。
CN202110600353.5A 2021-05-31 2021-05-31 成像系统及方法 Pending CN115423736A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202110600353.5A CN115423736A (zh) 2021-05-31 2021-05-31 成像系统及方法
EP22174752.0A EP4099269A1 (en) 2021-05-31 2022-05-23 Imaging system and method
US17/752,070 US12270882B2 (en) 2021-05-31 2022-05-24 Imaging system and method
JP2022084192A JP7434415B2 (ja) 2021-05-31 2022-05-24 イメージング・システム及び方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110600353.5A CN115423736A (zh) 2021-05-31 2021-05-31 成像系统及方法

Publications (1)

Publication Number Publication Date
CN115423736A true CN115423736A (zh) 2022-12-02

Family

ID=82020920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110600353.5A Pending CN115423736A (zh) 2021-05-31 2021-05-31 成像系统及方法

Country Status (4)

Country Link
US (1) US12270882B2 (zh)
EP (1) EP4099269A1 (zh)
JP (1) JP7434415B2 (zh)
CN (1) CN115423736A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118365803A (zh) * 2024-06-19 2024-07-19 南方医科大学珠江医院 基于3d-mrcp图像的胆道三维重建方法及相关装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116452614B (zh) * 2023-06-15 2023-09-01 北京大学 基于深度学习的超声图像分割方法和系统

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6999549B2 (en) * 2002-11-27 2006-02-14 Ge Medical Systems Global Technology, Llc Method and apparatus for quantifying tissue fat content
US9414798B2 (en) * 2009-03-25 2016-08-16 Siemens Medical Solutions Usa, Inc. System and method for automatic trigger-ROI detection and monitoring during bolus tracking
JP7051307B2 (ja) * 2016-05-09 2022-04-11 キヤノンメディカルシステムズ株式会社 医用画像診断装置
US10366490B2 (en) 2017-03-27 2019-07-30 Siemens Healthcare Gmbh Highly integrated annotation and segmentation system for medical imaging
WO2018176189A1 (zh) * 2017-03-27 2018-10-04 上海联影医疗科技有限公司 图像分割的方法及系统
CN107358600A (zh) 2017-06-14 2017-11-17 北京全域医疗技术有限公司 放疗计划中的自动勾靶方法、装置和电子设备
CN107578416B (zh) * 2017-09-11 2020-03-24 武汉大学 一种由粗到精级联深度网络的心脏左心室全自动分割方法
US11126914B2 (en) * 2017-10-11 2021-09-21 General Electric Company Image generation using machine learning
CN110310287B (zh) 2018-03-22 2022-04-19 北京连心医疗科技有限公司 基于神经网络的危及器官自动勾画方法、设备和存储介质
CN110909756A (zh) 2018-09-18 2020-03-24 苏宁 用于医学图像识别的卷积神经网络模型训练方法和装置
EP3649955A1 (en) * 2018-11-07 2020-05-13 Koninklijke Philips N.V. Deep learning based spectral bolus tracking
WO2020125806A1 (en) * 2018-12-17 2020-06-25 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for image segmentation
JP7313192B2 (ja) * 2019-05-27 2023-07-24 キヤノンメディカルシステムズ株式会社 診断支援装置、及び、ｘ線ｃｔ装置
CN111369588B (zh) * 2020-02-21 2024-08-02 上海联影医疗科技股份有限公司 感兴趣区域处理方法、装置、设备和存储介质
CN111968112B (zh) * 2020-09-02 2023-12-26 广州海兆印丰信息科技有限公司 Ct三维定位图像的获取方法、装置和计算机设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118365803A (zh) * 2024-06-19 2024-07-19 南方医科大学珠江医院 基于3d-mrcp图像的胆道三维重建方法及相关装置

Also Published As

Publication number Publication date
JP7434415B2 (ja) 2024-02-20
EP4099269A1 (en) 2022-12-07
US12270882B2 (en) 2025-04-08
JP2022184766A (ja) 2022-12-13
US20220381862A1 (en) 2022-12-01

Similar Documents

Publication Publication Date Title
US11557069B2 (en) System and method for estimating vascular flow using CT imaging
US7983460B2 (en) Method and system for performing high temporal resolution bolus detection using CT image projection data
US7957574B2 (en) Methods and apparatus for generating a risk metric for soft plaque in vessels
US11399779B2 (en) System-independent quantitative perfusion imaging
US20190231288A1 (en) Systems and methods for contrast flow modeling with deep learning
US6628743B1 (en) Method and apparatus for acquiring and analyzing cardiac data from a patient
JP2020518396A (ja) 慢性血栓塞栓性肺高血圧症の放射線学的特定における改善
US7983457B2 (en) Method and system for automatically determining regions in a scanned object
US8229200B2 (en) Methods and systems for monitoring tumor burden
US8788012B2 (en) Methods and apparatus for automatically registering lesions between examinations
WO2018034881A1 (en) Methods and systems for computed tomography
CN113367715A (zh) 用于血管造影投影与计算机断层摄影数据的配准的系统和方法
US7702141B2 (en) Method for quantifying an object in a larger structure using a reconstructed image
JP2008537691A (ja) 診断用精密検査におけるイメージング・ソフトウエアの領域を拡張する方法
US9349199B2 (en) System and method for generating image window view settings
US20160012613A1 (en) Systems and methods for coronary imaging
JP7434415B2 (ja) イメージング・システム及び方法
US12070348B2 (en) Methods and systems for computed tomography
US9984476B2 (en) Methods and systems for automatic segmentation
US20090232373A1 (en) Methods and apparatus for reducing noise in images
CN115770056A (zh) 成像系统、方法
US11452490B2 (en) Methods and systems for an adaptive perfusion scan
US20160292874A1 (en) Methods and systems for automatic segmentation
WO2016186746A1 (en) Methods and systems for automatic segmentation
US20250217975A1 (en) Medical imaging method and device, and computer device

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