-
公开(公告)号：CN112348858B
公开(公告)日：2024-07-09
申请号：CN202010791619.4
申请日：2020-08-07
Applicant: 通用电气公司
Inventor： 索米娅·高斯 , 吉姆利·米特拉 , 大卫·马丁·米尔斯 , 洛厄尔·斯科特·史密斯 , 德斯蒙德·特克·本·杨 , 托马斯·郭-法·福
Abstract: 本发明题为“多模态图像的可变形配准”。本文所讨论的主题涉及术前磁共振成像(MRI)数据与术中超声(US)数据(例如，重建的图像或未重建的数据)的自动实时配准，诸如以促进外科手术引导或其他介入程序。在一个此类示例中，脑结构(或其他合适的解剖特征或结构)在术前超声数据和术中超声数据中自动分段。然后，在术前超声数据与术中超声数据之间应用解剖结构(例如，脑结构)引导的配准以说明成像的解剖结构的非线性变形。然后对与术前超声图像预先配准的MR图像给定同一非线性空间变换以将该MR图像与术中超声图像对准以提供外科手术引导。
-
Patent Agency Ranking
公开(公告)号：CN112348858A
公开(公告)日：2021-02-09
申请号：CN202010791619.4
申请日：2020-08-07
Applicant: 通用电气公司
Inventor： 索米娅·高斯 , 吉姆利·米特拉 , 大卫·马丁·米尔斯 , 洛厄尔·斯科特·史密斯 , 德斯蒙德·特克·本·杨 , 托马斯·郭-法·福
Abstract: 本发明题为“多模态图像的可变形配准”。本文所讨论的主题涉及术前磁共振成像(MRI)数据与术中超声(US)数据(例如，重建的图像或未重建的数据)的自动实时配准，诸如以促进外科手术引导或其他介入程序。在一个此类示例中，脑结构(或其他合适的解剖特征或结构)在术前超声数据和术中超声数据中自动分段。然后，在术前超声数据与术中超声数据之间应用解剖结构(例如，脑结构)引导的配准以说明成像的解剖结构的非线性变形。然后对与术前超声图像预先配准的MR图像给定同一非线性空间变换以将该MR图像与术中超声图像对准以提供外科手术引导。
-
公开(公告)号：CN111161326B
公开(公告)日：2023-09-08
申请号：CN201911086104.8
申请日：2019-11-08
Applicant: 通用电气公司
Inventor： 王博 , 托马斯·郭-法·福 , 德斯蒙德·特克·本·杨 , 吉姆利·米特拉
IPC: G06T7/30 , G06T7/37 , G06N3/08 , G06N3/0464
Abstract: 本发明题为“用于可变形图像配准的无监督深度学习的系统和方法”。提供了一种方法。该方法包括在扫描持续时间内同时采集受检者的解剖区域的多个磁共振(MR)图像和多个超声图像。该方法还包括训练基于无监督深度学习的可变形配准网络。该训练包括基于多个MR图像训练MR配准子网络以生成MR变形和变换矢量，基于多个超声图像训练超声配准子网络以生成超声变形和变换矢量，以及基于多个MR图像和多个超声图像训练MR到超声子网络以在每个时间点生成MR图像和超声图像的对应对之间的MR到超声的变形和变换矢量。
-
公开(公告)号：CN112494028A
公开(公告)日：2021-03-16
申请号：CN202010822971.X
申请日：2020-08-13
Applicant: 通用电气公司
Inventor： 吉姆利·米特拉 , 托马斯·郭-法·福 , 德斯蒙德·特克·本·杨 , 大卫·马丁·米尔斯 , 索米娅·高斯 , 迈克尔·约翰·麦克唐纳
Abstract: 本发明题为“使用多模态成像的活检工作流程”。本文所讨论的主题涉及有利于活检规程和活检后规程的多模态图像对齐。在一个这样的示例中，前列腺结构(或其他合适的解剖特征或结构)在活检前MR和活检前超声图像中自动分段。此后，将活检前MR和活检前超声轮廓对齐。为了考虑所成像解剖结构的非线性变形，至少部分地基于该活检前超声图像经由深度学习来训练患者专用变换模型。然后将覆盖有活检前MR轮廓并基于可变形变换模型的活检前超声图像与活检超声图像对齐。使用多模态成像技术的此类实时对齐在活检和活检后系统期间提供指导。
-
公开(公告)号：CN112494028B
公开(公告)日：2024-11-22
申请号：CN202010822971.X
申请日：2020-08-13
Applicant: 通用电气公司
Inventor： 吉姆利·米特拉 , 托马斯·郭-法·福 , 德斯蒙德·特克·本·杨 , 大卫·马丁·米尔斯 , 索米娅·高斯 , 迈克尔·约翰·麦克唐纳
Abstract: 本发明题为“使用多模态成像的活检工作流程”。本文所讨论的主题涉及有利于活检规程和活检后规程的多模态图像对齐。在一个这样的示例中，前列腺结构(或其他合适的解剖特征或结构)在活检前MR和活检前超声图像中自动分段。此后，将活检前MR和活检前超声轮廓对齐。为了考虑所成像解剖结构的非线性变形，至少部分地基于该活检前超声图像经由深度学习来训练患者专用变换模型。然后将覆盖有活检前MR轮廓并基于可变形变换模型的活检前超声图像与活检超声图像对齐。使用多模态成像技术的此类实时对齐在活检和活检后系统期间提供指导。
-
公开(公告)号：CN111161326A
公开(公告)日：2020-05-15
申请号：CN201911086104.8
申请日：2019-11-08
Applicant: 通用电气公司
Inventor： 王博 , 托马斯·郭-法·福 , 德斯蒙德·特克·本·杨 , 吉姆利·米特拉
Abstract: 本发明题为“用于可变形图像配准的无监督深度学习的系统和方法”。提供了一种方法。该方法包括在扫描持续时间内同时采集受检者的解剖区域的多个磁共振(MR)图像和多个超声图像。该方法还包括训练基于无监督深度学习的可变形配准网络。该训练包括基于多个MR图像训练MR配准子网络以生成MR变形和变换矢量，基于多个超声图像训练超声配准子网络以生成超声变形和变换矢量，以及基于多个MR图像和多个超声图像训练MR到超声子网络以在每个时间点生成MR图像和超声图像的对应对之间的MR到超声的变形和变换矢量。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
