用于自动处理体积医学图像的方法技术

一种用于自动处理体积医学图像的方法、设备和系统。一方面，所述方法包括：接收体积医学图像，所述体积医学图像包括至少一个器官或其一部分，提供用于对体积医学图像进行稀疏采样的稀疏采样模型，所述稀疏采样模型定义分布在体积医学图像中的N个采样点并定义分布采样点的位置和距离，使用所提供的稀疏采样模型从体积医学图像采样体素以获得N个稀疏采样描述符，通过将经训练的分类器应用于所获得的稀疏采样描述符来分类体积医学图像中的查询点的标签，以及使用分类标签为体积医学图像提供分割掩模。

【技术实现步骤摘要】

本专利技术涉及用于自动处理体积医学图像的计算机实现的方法、设备、系统、计算机程序产品和计算机可读介质。

技术介绍

1、分割是医学成像中的核心问题之一。它已被用于识别器官边界，显示可视化或体积计算。一个突出的用例是在发现位置进行器官识别。然而，为此目的对所有器官进行完全分割是计算密集型的，因为3d图像可能包含多达数十亿个体素。此外，在大多数情况下，识别感兴趣位置的器官不需要完全的器官分割。

2、与地标和边界框检测方法相比，分割提供了更多的粒度信息，这在结构化数据库中存储发现的解剖位置、异常的量化、放射治疗计划、剂量计算、比较纵向研究、成像数据的可视化或过滤cad算法的扫描区域时，是有利的。因此，希望有快速和准确的分割算法。

3、从参考文献[1]至[8]已知传统方法，如下所示。从这些最近的方法来看，u-net(u网络)是一种广泛使用的机器学习算法，它学习从图像到分割空间的映射。u-net的强大功能来自于在提取特征向量时利用同一图像的多个分辨率。因此，粗略层处理全局表示，而精细层处理局部细节。此外，传统的基于变换器的编码器-解码器方法已被本文档来自技高网...

【技术保护点】

1.一种用于自动处理体积医学图像(MI)的计算机实现的方法，所述方法包括：

2.根据权利要求1所述的方法，进一步包括：

3.根据权利要求2所述的方法，进一步包括：

4.根据权利要求3所述的方法，

5.根据权利要求1至4之一所述的方法，

6.根据权利要求1至5之一所述的方法，进一步包括：

7.根据权利要求6所述的方法，进一步包括：

8.根据权利要求1至7之一所述的方法，其中步骤d)和e)包括：

9.根据权利要求1至8之一所述的方法，

10.根据权利要求1至9之一所述的方法，

<...

【技术特征摘要】

1.一种用于自动处理体积医学图像(mi)的计算机实现的方法，所述方法包括：

2.根据权利要求1所述的方法，进一步包括：

3.根据权利要求2所述的方法，进一步包括：

4.根据权利要求3所述的方法，

5.根据权利要求1至4之一所述的方法，

6.根据权利要求1至5之一所述的方法，进一步包括：

7.根据权利要求6所述的方法，进一步包括：

8.根据权利要求1至7之一所述的方法，其中步骤d)和e)包括：

9.根据权利要求1至8之一所述的方法，

10.根据权利要求1至9之一所述的方法，

11.根据权利要求1至10之一所述的方法，

12.根据权利要求1至11之一所述的方...

【专利技术属性】
技术研发人员：H·耶热巴坎，G·埃莫西约瓦拉德兹，品川嘉久，
申请(专利权)人：西门子医疗股份公司，
类型：发明
国别省市：