本發(fā)明涉及一種基于醫(yī)學(xué)影像經(jīng)典病案庫(kù)的教學(xué)系統(tǒng)。
背景技術(shù)：
醫(yī)學(xué)影像是指為了醫(yī)療或醫(yī)學(xué)研究，對(duì)人體或人體某部分，以非侵入方式取得內(nèi)部組織影像的技術(shù)與處理過(guò)程。它包含以下兩個(gè)相對(duì)獨(dú)立的研究方向：醫(yī)學(xué)成像系統(tǒng)（medical imaging system）和醫(yī)學(xué)圖像處理（medical image processing）。前者是指圖像形成的過(guò)程，包括對(duì)成像機(jī)理、成像設(shè)備、成像系統(tǒng)分析等問(wèn)題的研究；后者是指對(duì)已經(jīng)獲得的圖像作進(jìn)一步的處理，其目的是或者是使原來(lái)不夠清晰的圖像復(fù)原，或者是為了突出圖像中的某些特征信息，或者是對(duì)圖像做模式分類(lèi)等等。
現(xiàn)有技術(shù)的醫(yī)學(xué)影像的形成方式包括CT(Computed Tomography)，即電子計(jì)算機(jī)斷層掃描；MR〔Magnetic Resonance〕，即磁共振；DSA（Digital subtraction angiography），即數(shù)字血管造影。上述方式均會(huì)先采集多幅圖像而后進(jìn)行處理。在本申請(qǐng)中均稱(chēng)為薄層掃描圖像。
專(zhuān)科醫(yī)師規(guī)范化培訓(xùn)，簡(jiǎn)稱(chēng)“規(guī)培”，這是畢業(yè)后醫(yī)學(xué)教育的重要組成部分，是在住院醫(yī)師規(guī)范化培訓(xùn)基礎(chǔ)上，培養(yǎng)能夠獨(dú)立、規(guī)范地從事疾病專(zhuān)科診療工作臨床醫(yī)師的可靠途徑，主要培訓(xùn)模式是“5+3+X”，即在5年醫(yī)學(xué)類(lèi)專(zhuān)業(yè)本科教育和進(jìn)行了3年住院醫(yī)師規(guī)范化培訓(xùn)后，再依據(jù)各專(zhuān)科培訓(xùn)標(biāo)準(zhǔn)與要求進(jìn)行2-4年的專(zhuān)科醫(yī)師規(guī)范化培訓(xùn)，成為有良好的醫(yī)療保健通識(shí)素養(yǎng)，扎實(shí)的專(zhuān)業(yè)素質(zhì)能力、基本的專(zhuān)科特長(zhǎng)和相應(yīng)科研教學(xué)能力的臨床醫(yī)師。
現(xiàn)有的醫(yī)學(xué)教學(xué)系統(tǒng)并不對(duì)實(shí)際案例進(jìn)行教學(xué)，使得規(guī)培醫(yī)生即使進(jìn)行了培訓(xùn)也會(huì)因?yàn)闆](méi)有臨床經(jīng)驗(yàn)的問(wèn)題使得教學(xué)效果并不明顯；同時(shí)，對(duì)于在崗醫(yī)生來(lái)說(shuō)，也很難有獲得其他醫(yī)生或者對(duì)應(yīng)病癥的臨床數(shù)據(jù)。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于醫(yī)學(xué)影像經(jīng)典病案庫(kù)的教學(xué)系統(tǒng)，通過(guò)對(duì)實(shí)際病例的學(xué)習(xí)解決規(guī)培醫(yī)生沒(méi)有臨床經(jīng)驗(yàn)的問(wèn)題。
本發(fā)明的目的是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的：一種基于醫(yī)學(xué)影像經(jīng)典病案庫(kù)的教學(xué)系統(tǒng)，包括中心平臺(tái)、和與中心平臺(tái)連接的多個(gè)學(xué)習(xí)系統(tǒng)；所述的中心平臺(tái)用于保存已經(jīng)對(duì)器官本身區(qū)域進(jìn)行三維建模與拆分的器官模型、以及對(duì)應(yīng)器官模型病例的手術(shù)計(jì)劃、手術(shù)過(guò)程以及術(shù)前術(shù)后的數(shù)據(jù)；所述的學(xué)習(xí)系統(tǒng)包括自學(xué)模塊，所述的自學(xué)模塊用于獲取中心平臺(tái)的病例及其對(duì)應(yīng)數(shù)據(jù)、查看器官模型和術(shù)前數(shù)據(jù)并自行設(shè)計(jì)手術(shù)計(jì)劃、比較自行設(shè)計(jì)的手術(shù)計(jì)劃與實(shí)際手術(shù)計(jì)劃并查看手術(shù)過(guò)程、查看術(shù)前術(shù)后的器官模型比較、對(duì)手術(shù)過(guò)程進(jìn)行質(zhì)疑與評(píng)價(jià)。
所述的學(xué)習(xí)系統(tǒng)還包括上課模塊，所述的上課模塊包括老師終端和學(xué)生終端，所述的老師終端用于獲取中心平臺(tái)的病例及其對(duì)應(yīng)數(shù)據(jù)、對(duì)病例中的器官模型的拆分的區(qū)域進(jìn)行包括隱藏和移動(dòng)在內(nèi)的操作，所述的學(xué)生終端同步老師終端中的所述操作的內(nèi)容。
所述的中心平臺(tái)還包括建模拆分模塊，用于對(duì)醫(yī)院上傳的薄層掃描圖像進(jìn)行建模與器官區(qū)域的拆分，并將建模與拆分的器官模型以病例的形式保存至知識(shí)庫(kù)；所述的建模拆分模塊包括：
薄層掃描圖像獲取模塊：用于獲取待拆分器官的薄層掃描圖像；
三維建模模塊：用于基于薄層掃描圖像，對(duì)所述帶拆分器官進(jìn)行三維建模；
器官拆分模塊：對(duì)三維建模得到的模型進(jìn)行多區(qū)域拆分。
所述的教學(xué)系統(tǒng)還包括與中心平臺(tái)連接的多個(gè)醫(yī)院系統(tǒng)，所述的醫(yī)院系統(tǒng)包括醫(yī)生終端，所述的醫(yī)生終端用于獲取待建模與拆分的器官的薄層掃描圖像、將待建模與拆分的器官的薄層掃描圖像上傳至中心平臺(tái)、接收中心平臺(tái)發(fā)送的建模與拆分完成的器官模型、查詢(xún)并獲取知識(shí)庫(kù)中的器官模型、對(duì)接收到的器官模型進(jìn)行操作。
所述的三維建模模塊包括：
器官識(shí)別單元：將器官周?chē)姆瞧鞴俨糠诌M(jìn)行分離；
器官形態(tài)比較與匹配單元：用于與多種該器官的標(biāo)準(zhǔn)模板進(jìn)行比較，判斷器官形態(tài)，并匹配該形態(tài)的標(biāo)準(zhǔn)模板；
器官三維建模單元：用于對(duì)該器官進(jìn)行三維建模。
當(dāng)器官形態(tài)為坍塌或者萎縮或者不完全，則手動(dòng)對(duì)坍塌或者萎縮或者不完全的器官邊界進(jìn)行劃分。
所述的待拆分器官為腦葉，所述的多區(qū)域?yàn)轭~葉、顳葉、頂葉、枕葉及小腦；
所述的薄層掃描圖像獲取模塊用于獲取腦葉的薄層掃描圖像；
所述的三維建模模塊包括：
預(yù)處理單元：用于對(duì)腦葉的薄層掃描圖像進(jìn)行去頭皮去骨處理；
頭部模型構(gòu)建單元：用于基于預(yù)處理后的薄層掃描圖像構(gòu)建頭部模型；所述的構(gòu)建頭部模型采用圖像特征算法和定位算法實(shí)現(xiàn)；所述的圖像特征算法包括對(duì)掃描圖像的腦部溝壑進(jìn)行判斷，根據(jù)灰度的不同得到腦葉的邊界；所述的定位算法包括根據(jù)對(duì)器官的標(biāo)準(zhǔn)模板進(jìn)行十字交叉定位確認(rèn)腦葉的邊界；
所述的器官拆分模塊包括：
器官拆分與空間轉(zhuǎn)換單元：用于針對(duì)任意一個(gè)圖像，將標(biāo)準(zhǔn)模板對(duì)應(yīng)的模板圖像的各區(qū)域與個(gè)體圖像進(jìn)行空間匹配變形處理，把模板空間的各個(gè)腦葉分區(qū)圖像對(duì)應(yīng)變形到個(gè)體腦空間，完成大腦區(qū)域分割；
二值化單元：用于將個(gè)體空間腦葉圖像進(jìn)行二值化處理，形成腦葉mask矩陣；
轉(zhuǎn)換單元：用于將腦葉mask矩陣進(jìn)行再轉(zhuǎn)化，轉(zhuǎn)化為系統(tǒng)可識(shí)別的區(qū)域。
所述的待拆分器官為肝臟，所述的多區(qū)域?yàn)楦巫笕~和肝右葉；
所述的薄層掃描圖像獲取模塊用于使用DCMTK讀取肝臟的DICOM序列圖像；
所述的三維建模模塊包括：
預(yù)處理單元：采用各向異性擴(kuò)散濾波算法去掉噪聲，強(qiáng)化圖像邊緣；
圖像特征強(qiáng)化單元：采用OTSU算法強(qiáng)化圖像特征；
肝臟區(qū)域提取單元：采用形態(tài)學(xué)算法、或者水平集分割算法、或者自適應(yīng)區(qū)域生長(zhǎng)算法和BP神經(jīng)網(wǎng)絡(luò)算法的結(jié)合，提取肝臟區(qū)域；
后處理單元：用于對(duì)提取的肝臟區(qū)域進(jìn)行腐蝕處理，并采用漫水填充法對(duì)圖像進(jìn)行后處理；
肝臟區(qū)域確定單元：將后處理單元得到的圖像與原始圖像相與，得到最終的肝臟區(qū)域；
所述的器官拆分模塊用于對(duì)得到的肝臟區(qū)域進(jìn)行多區(qū)域拆分包括：
器官拆分與空間轉(zhuǎn)換單元：用于針對(duì)任意一個(gè)圖像，將標(biāo)準(zhǔn)模板對(duì)應(yīng)的模板圖像的各區(qū)域與個(gè)體圖像進(jìn)行空間匹配變形處理，把模板空間的各個(gè)肝臟分區(qū)圖像對(duì)應(yīng)變形到個(gè)體肝臟空間，完成肝臟區(qū)域分割；
二值化單元：用于將個(gè)體空間肝臟圖像進(jìn)行二值化處理，形成肝臟mask矩陣；
轉(zhuǎn)換單元：用于將肝臟mask矩陣進(jìn)行再轉(zhuǎn)化，轉(zhuǎn)化為系統(tǒng)可識(shí)別的區(qū)域。
所述的中心平臺(tái)與學(xué)習(xí)系統(tǒng)之間設(shè)置有加密控制裝置，所述的加密控制裝置用于學(xué)習(xí)系統(tǒng)發(fā)送獲取請(qǐng)求時(shí)對(duì)獲取請(qǐng)求進(jìn)行加密操作；所述的中心平臺(tái)對(duì)經(jīng)過(guò)加密操作的獲取請(qǐng)求進(jìn)行解析，當(dāng)判斷學(xué)習(xí)系統(tǒng)連接有加密控制裝置時(shí)才向?qū)W習(xí)系統(tǒng)發(fā)送器官模型。
本發(fā)明的有益效果是：
（1）本發(fā)明提供了一種基于醫(yī)學(xué)影像經(jīng)典病案庫(kù)的教學(xué)系統(tǒng)，整個(gè)系統(tǒng)基于現(xiàn)有的醫(yī)學(xué)影像，知識(shí)庫(kù)對(duì)經(jīng)過(guò)三維建模與拆分的器官模型以及相應(yīng)資料進(jìn)行保存，學(xué)習(xí)系統(tǒng)的自學(xué)模塊獲取病例、進(jìn)行觀(guān)察與拆分、設(shè)計(jì)手術(shù)方案、查看對(duì)比，解決規(guī)培醫(yī)生沒(méi)有臨床經(jīng)驗(yàn)以及方便在崗醫(yī)生獲取類(lèi)似病例解決方案的問(wèn)題。
（2）本發(fā)明學(xué)習(xí)系統(tǒng)的上課模塊解決的是在校學(xué)生無(wú)法根據(jù)實(shí)際案例進(jìn)行學(xué)校使得學(xué)生觀(guān)感的問(wèn)題，并且通過(guò)學(xué)生終端同步老師終端，使得學(xué)生身臨其境。
（3）本發(fā)明的中心平臺(tái)將醫(yī)學(xué)圖像分割不僅停留在對(duì)整個(gè)器官與外部非器官部分進(jìn)行分割，還進(jìn)一步的對(duì)器官的各個(gè)區(qū)域進(jìn)行分割以及對(duì)病灶/靶區(qū)的分割；對(duì)病灶（腫瘤）/靶區(qū)位置的分析以及手術(shù)方式的確定起很大的作用
（4）通過(guò)虛擬現(xiàn)實(shí)技術(shù)對(duì)分割的器官進(jìn)行觀(guān)察，效果逼真；并且進(jìn)一步的對(duì)于采用虛擬現(xiàn)實(shí)設(shè)備進(jìn)行器官模型數(shù)據(jù)獲取的用戶(hù)需要有得到認(rèn)證后才能進(jìn)行數(shù)據(jù)獲取，即構(gòu)建有加密控制裝置。
附圖說(shuō)明
圖1為本發(fā)明結(jié)構(gòu)方框圖。
具體實(shí)施方式
下面結(jié)合附圖進(jìn)一步詳細(xì)描述本發(fā)明的技術(shù)方案：
如圖1所示，一種基于醫(yī)學(xué)影像經(jīng)典病案庫(kù)的教學(xué)系統(tǒng)，包括中心平臺(tái)、和與中心平臺(tái)連接的多個(gè)學(xué)習(xí)系統(tǒng)；所述的中心平臺(tái)用于保存已經(jīng)對(duì)器官本身區(qū)域進(jìn)行三維建模與拆分的器官模型、以及對(duì)應(yīng)器官模型病例的手術(shù)計(jì)劃、手術(shù)過(guò)程以及術(shù)前術(shù)后的數(shù)據(jù)；所述的學(xué)習(xí)系統(tǒng)包括自學(xué)模塊，所述的自學(xué)模塊用于獲取中心平臺(tái)的病例及其對(duì)應(yīng)數(shù)據(jù)、查看器官模型和術(shù)前數(shù)據(jù)并自行設(shè)計(jì)手術(shù)計(jì)劃、比較自行設(shè)計(jì)的手術(shù)計(jì)劃與實(shí)際手術(shù)計(jì)劃并查看手術(shù)過(guò)程、查看術(shù)前術(shù)后的器官模型比較、對(duì)手術(shù)過(guò)程進(jìn)行質(zhì)疑與評(píng)價(jià)。
其中，自學(xué)模塊是一種主動(dòng)學(xué)習(xí)的方式，自學(xué)過(guò)程解決的是規(guī)培醫(yī)生沒(méi)有臨床經(jīng)驗(yàn)以及方便在崗醫(yī)生獲取類(lèi)似病例解決方案的問(wèn)題?？梢允峭ㄟ^(guò)PC機(jī)或者虛擬現(xiàn)實(shí)設(shè)備實(shí)現(xiàn)的。整個(gè)自學(xué)包括以下流程：
S11：獲取器官模型病例資料；
S12：查看該病例的入院記錄，包括入院的基本情況；
S13：查看器官模型，包括對(duì)各個(gè)拆分的器官區(qū)域進(jìn)行顯示/隱藏、移動(dòng)等；
S14：自行設(shè)計(jì)手術(shù)計(jì)劃；
S15：自行設(shè)計(jì)的手術(shù)計(jì)劃與實(shí)際手術(shù)計(jì)劃，并查看實(shí)際的手術(shù)過(guò)程，手術(shù)過(guò)程包括手術(shù)視頻；
S16：查看術(shù)前術(shù)后的器官模型的比較；
S17：在對(duì)手術(shù)過(guò)程有質(zhì)疑的可以提出疑問(wèn)，或者對(duì)手術(shù)進(jìn)行評(píng)價(jià)。
在本實(shí)施例中，所述的學(xué)習(xí)系統(tǒng)還包括上課模塊，所述的上課模塊包括老師終端和學(xué)生終端，所述的老師終端用于獲取中心平臺(tái)的病例及其對(duì)應(yīng)數(shù)據(jù)、對(duì)病例中的器官模型的拆分的區(qū)域進(jìn)行包括隱藏和移動(dòng)在內(nèi)的操作，所述的學(xué)生終端同步老師終端中的所述操作的內(nèi)容。
其中，上課模塊是一種被動(dòng)學(xué)習(xí)的方式，上課過(guò)程解決的是在校學(xué)生無(wú)法根據(jù)實(shí)際案例進(jìn)行學(xué)校使得學(xué)生觀(guān)感的問(wèn)題。也可以是通過(guò)PC機(jī)或者虛擬現(xiàn)實(shí)設(shè)備實(shí)現(xiàn)的。整個(gè)上課模塊包括兩大部分，第一部分為老師終端，老師終端主要實(shí)現(xiàn)的是數(shù)據(jù)的獲取以及對(duì)模型的操作；第二部分為學(xué)生終端，學(xué)生終端主要實(shí)現(xiàn)的是與老師終端的同步，使得老師的操作可以讓學(xué)生方便得到。
在本實(shí)施例中，無(wú)論是主動(dòng)學(xué)習(xí)還是被動(dòng)學(xué)習(xí)，都可以連接一個(gè)加密控制裝置（一體機(jī)），該加密控制裝置的一端通過(guò)接口與學(xué)習(xí)模塊的PC機(jī)或者虛擬現(xiàn)實(shí)設(shè)備連接；另一端通過(guò)互聯(lián)網(wǎng)與中心平臺(tái)連接。當(dāng)學(xué)習(xí)系統(tǒng)發(fā)送獲取請(qǐng)求時(shí)，加密控制裝置對(duì)獲取請(qǐng)求進(jìn)行加密操作；所述的中心平臺(tái)對(duì)經(jīng)過(guò)加密操作的獲取請(qǐng)求進(jìn)行解析，當(dāng)判斷學(xué)習(xí)系統(tǒng)連接有加密控制裝置時(shí)才向?qū)W習(xí)系統(tǒng)發(fā)送器官模型。目的為一個(gè)前期的安全考慮，只有連接了加密控制裝置的學(xué)習(xí)系統(tǒng)才能獲取中心平臺(tái)的數(shù)據(jù)。
在本實(shí)施例中，所述的中心平臺(tái)還包括建模拆分模塊，用于對(duì)醫(yī)院上傳的薄層掃描圖像進(jìn)行建模與器官區(qū)域的拆分，并將建模與拆分的器官模型以病例的形式保存至知識(shí)庫(kù)。即中心平臺(tái)還完成對(duì)器官模型的三維建模與器官本身的區(qū)域拆分的工作。所述的薄層掃描圖像為CT、MR或DSA中任意一個(gè)得到的圖像。
具體地，所述的建模拆分模塊包括：
薄層掃描圖像獲取模塊：用于獲取待拆分器官的薄層掃描圖像；
三維建模模塊：用于基于薄層掃描圖像，對(duì)所述帶拆分器官進(jìn)行三維建模；
器官拆分模塊：對(duì)三維建模得到的模型進(jìn)行多區(qū)域拆分。
其中，由于待拆分器官不一定是通常意義下完整的器官，會(huì)與標(biāo)準(zhǔn)模板的器官具有一定差異，因此會(huì)有一個(gè)預(yù)先判斷的步驟，具體地：
所述的三維建模模塊包括：
器官識(shí)別單元：將器官周?chē)姆瞧鞴俨糠诌M(jìn)行分離；
器官形態(tài)比較與匹配單元：用于與多種該器官的標(biāo)準(zhǔn)模板進(jìn)行比較，判斷器官形態(tài)，并匹配該形態(tài)的標(biāo)準(zhǔn)模板；
器官三維建模單元：用于對(duì)該器官進(jìn)行三維建模。
當(dāng)器官形態(tài)為坍塌或者萎縮或者不完全，則手動(dòng)對(duì)坍塌或者萎縮或者不完全的器官邊界進(jìn)行劃分。
并且進(jìn)一步地，當(dāng)器官形態(tài)為坍塌或者萎縮或者不完全，則手動(dòng)對(duì)坍塌或者萎縮或者不完全的器官邊界進(jìn)行劃分。比如當(dāng)判斷出為顳葉萎縮的腦部，則選擇顳葉萎縮的標(biāo)準(zhǔn)模板完成三維建模以及區(qū)域劃分，對(duì)于顳葉的邊界則采用手動(dòng)劃分的方式實(shí)現(xiàn)。
另外，標(biāo)準(zhǔn)模板的器官為已經(jīng)劃分了區(qū)域的模板，便于后期的對(duì)照。
在其中一個(gè)實(shí)施例中，所述的待拆分器官為腦葉，所述的多區(qū)域?yàn)轭~葉、顳葉、頂葉、枕葉及小腦；
所述的薄層掃描圖像獲取模塊用于獲取腦葉的T1加權(quán)成像的薄層掃描圖像；
T1加權(quán)成像（T1-weighted imaging，T1WI）是指這種成像方法重點(diǎn)突出組織縱向弛豫差別，而盡量減少組織其他特性如橫向弛豫等對(duì)圖像的影響。
所述的三維建模模塊包括：
預(yù)處理單元：用于對(duì)腦葉的薄層掃描圖像進(jìn)行去頭皮去骨處理；
頭部模型構(gòu)建單元：用于基于預(yù)處理后的薄層掃描圖像構(gòu)建頭部模型；所述的構(gòu)建頭部模型采用圖像特征算法和定位算法實(shí)現(xiàn)；所述的圖像特征算法包括對(duì)掃描圖像的腦部溝壑進(jìn)行判斷，根據(jù)灰度的不同得到腦葉的邊界；所述的定位算法包括根據(jù)對(duì)器官的標(biāo)準(zhǔn)模板進(jìn)行十字交叉定位確認(rèn)腦葉的邊界；
采用兩種方式共同對(duì)腦葉邊界進(jìn)行劃分，得到的效果更好。
所述的器官拆分模塊包括：
器官拆分與空間轉(zhuǎn)換單元：用于針對(duì)任意一個(gè)圖像，將標(biāo)準(zhǔn)模板對(duì)應(yīng)的模板圖像的各區(qū)域與個(gè)體圖像進(jìn)行空間匹配變形處理，把模板空間的各個(gè)腦葉分區(qū)圖像對(duì)應(yīng)變形到個(gè)體腦空間，完成大腦區(qū)域分割；
二值化單元：用于將個(gè)體空間腦葉圖像進(jìn)行二值化處理，形成腦葉mask矩陣；
轉(zhuǎn)換單元：用于將腦葉mask矩陣進(jìn)行再轉(zhuǎn)化，轉(zhuǎn)化為系統(tǒng)可識(shí)別的區(qū)域。
在本實(shí)施例中，所述的系統(tǒng)可識(shí)別的區(qū)域?yàn)榭梢酝ㄟ^(guò)VR設(shè)備或者PC設(shè)備識(shí)別的區(qū)域。其中，對(duì)于VR設(shè)備，采用Unreal Engine或Unity引擎對(duì)模型賦予有物理屬性的物體，并添加如拾取、拆分等功能程序模塊，實(shí)現(xiàn)其可VR內(nèi)操作的特性。方便后期的操作。
在另外一個(gè)實(shí)施例中，所述的待拆分器官為肝臟，所述的多區(qū)域?yàn)楦巫笕~和肝右葉；
所述的薄層掃描圖像獲取模塊用于使用DCMTK讀取肝臟的DICOM序列圖像；
由于現(xiàn)在的醫(yī)學(xué)影像設(shè)備的圖像存儲(chǔ)和傳輸正在逐漸向DICOM標(biāo)準(zhǔn)靠攏，在我們進(jìn)行醫(yī)學(xué)圖像處理的過(guò)程中，經(jīng)常需要自己編寫(xiě)和DICOM格式的圖像相關(guān)的各種程序模塊，以完成自己處理功能。如果從頭開(kāi)始理解DICOM的協(xié)議，然后完全自己編寫(xiě)這些代碼來(lái)實(shí)現(xiàn)這些協(xié)議，是一件工程浩大的事情。德國(guó)offis公司開(kāi)發(fā)的DCMTK，為我們提供了實(shí)現(xiàn)DICOM協(xié)議的一個(gè)平臺(tái)，使得我們可以在它的基礎(chǔ)上輕松的完成自己的主要工作，而不必把太多的精力放在實(shí)現(xiàn)DICOM協(xié)議的細(xì)節(jié)問(wèn)題上。
所述的三維建模模塊包括：
預(yù)處理單元：采用各向異性擴(kuò)散濾波算法去掉噪聲，強(qiáng)化圖像邊緣；
圖像特征強(qiáng)化單元：采用OTSU算法強(qiáng)化圖像特征；
肝臟區(qū)域提取單元：采用形態(tài)學(xué)算法、或者水平集分割算法、或者自適應(yīng)區(qū)域生長(zhǎng)算法和BP神經(jīng)網(wǎng)絡(luò)算法的結(jié)合，提取肝臟區(qū)域；
后處理單元：用于對(duì)提取的肝臟區(qū)域進(jìn)行腐蝕處理，并采用漫水填充法對(duì)圖像進(jìn)行后處理；
肝臟區(qū)域確定單元：將后處理單元得到的圖像與原始圖像相與，得到最終的肝臟區(qū)域；
所述的器官拆分模塊用于對(duì)得到的肝臟區(qū)域進(jìn)行多區(qū)域拆分包括：
器官拆分與空間轉(zhuǎn)換單元：用于針對(duì)任意一個(gè)圖像，將標(biāo)準(zhǔn)模板對(duì)應(yīng)的模板圖像的各區(qū)域與個(gè)體圖像進(jìn)行空間匹配變形處理，把模板空間的各個(gè)肝臟分區(qū)圖像對(duì)應(yīng)變形到個(gè)體肝臟空間，完成肝臟區(qū)域分割；
二值化單元：用于將個(gè)體空間肝臟圖像進(jìn)行二值化處理，形成肝臟mask矩陣；
轉(zhuǎn)換單元：用于將肝臟mask矩陣進(jìn)行再轉(zhuǎn)化，轉(zhuǎn)化為系統(tǒng)可識(shí)別的區(qū)域。
在上述任意一個(gè)實(shí)施例中，當(dāng)完成了對(duì)器官區(qū)域的拆分，可以方便后期對(duì)病灶（腫瘤）/靶區(qū)位置的分析。比如，肝臟的每個(gè)區(qū)域均分布有血管，腫瘤通常通過(guò)血管進(jìn)行營(yíng)養(yǎng)物質(zhì)的獲?。欢绻捎矛F(xiàn)有技術(shù)的方式，僅僅將器官之間進(jìn)行劃分，會(huì)使得腫瘤位置不一定會(huì)方便觀(guān)察。而采用上述實(shí)施例的方法，可以在后期進(jìn)行分析的時(shí)候，手動(dòng)對(duì)器官區(qū)域進(jìn)行拆分（VR/電腦的方式實(shí)現(xiàn)），方便對(duì)病灶（腫瘤）/靶區(qū)位置的分析。
因此，進(jìn)一步地，所述的醫(yī)生終端還在獲取待建模與拆分的器官的薄層掃描圖像后，對(duì)其中一幅薄層掃描圖像的病灶/靶區(qū)的外輪廓進(jìn)行勾畫(huà)，同時(shí)將完成病灶/靶區(qū)勾畫(huà)的待建模與拆分的器官的薄層掃描圖像上傳至中心平臺(tái)。所述的中心平臺(tái)在進(jìn)行建模時(shí)，還單獨(dú)對(duì)病灶/靶區(qū)進(jìn)行建模。
進(jìn)一步地，在建模與拆分的器官模型以病例的形式保存至知識(shí)庫(kù)中，將病例打上標(biāo)簽進(jìn)行保存；在所述的查詢(xún)并獲取知識(shí)庫(kù)中的器官模型時(shí)，通過(guò)對(duì)標(biāo)簽的搜索進(jìn)行查詢(xún)。
進(jìn)一步地，所述的教學(xué)系統(tǒng)還包括與中心平臺(tái)連接的多個(gè)醫(yī)院系統(tǒng)，所述的醫(yī)院系統(tǒng)包括醫(yī)生終端，所述的醫(yī)生終端用于獲取待建模與拆分的器官的薄層掃描圖像、將待建模與拆分的器官的薄層掃描圖像上傳至中心平臺(tái)、接收中心平臺(tái)發(fā)送的建模與拆分完成的器官模型、查詢(xún)并獲取知識(shí)庫(kù)中的器官模型、對(duì)接收到的器官模型進(jìn)行操作。