CN100530237C - 管结构的局部可视化技术的自动定向的方法及*** - Google Patents

Abstract

提供一种定向数字图像中的管状结构的方法，其中，图像包括与多维空间中的点域对应的多个强度。该方法包括：选择图像域中的点；在所选点的邻域中计算(101)图像的梯度；计算(102)所选点处的基本结构张量；确定所选点的结构张量(103)；以及求出(104)结构张量的本征值。与最小本征值对应的本征向量(105)与管状结构一致。可计算(106)绕与管状结构一致的本征向量所定义的轴的车轮投影。

Description

管结构的局部可视化技术的自动定向的方法及***

相关美国申请的交叉引用

本申请要求2003年9月22日提交的Pascal Cathier的“管结构的局部可视化技术的自动定向”的美国临时申请No.60/504910的优先权，通过引用将其内容结合到本文中。

技术领域和背景

本发明针对识别数字医疗图像中的管结构。

从由当前成像***获取的数据中可用的诊断高级信息实现在更早期且更能治疗的阶段对潜在问题的检测。在给定从成像***可获取的巨大数量的详细数据的情况下，必须开发各种算法来有效且精确地处理图像数据。借助于计算机，一般对数字或数字化图像执行图像处理的进展。

从表示可与特定阵列位置所引用的解剖位置点关联的属性(例如灰度值或磁场强度)的数值阵列中创建数字图像。解剖位置点的集合包括图像域。在二维数字图像或切片截面中，离散阵列位置称作像素。三维数字图像可通过本领域已知的各种构造技术从层叠切片截面来构造。三维图像由包含来自二维图像的像素、又称作体素的离散体积元素组成。像素或体素属性可经过处理，从而确定关于与这类像素或体素关联的患者的解剖的各种属性。计算机辅助诊断(“CAD”)***在数字成像数据的分析及可视化中起着重要作用。

计算机断层造影(CT)成像***以及磁共振(MR)成像和三维x射线(XR)成像***的重要应用是产生供脉管分析的三维图像数据集，其中可包括诸如气道、导管、神经、血管等各种弯曲的管状结构的分析。这类3D图像数据集的生成对于被要求提供全面的可视报告以便允许评估狭窄或动脉瘤参数、量化长度、截面尺寸、角度以及相关参数的放射科医生极为重要。例如与所选管截面上的最急性狭窄、所选管截面上的最大动脉瘤或者管的弯曲度有关的信息一般由医生用来允许手术安排。为了生产率的原因，以及为了降低胶片成本，3D图像数据集应当仅限制为重要图像的小集合。

为了帮助以有效方式获取供脉管分析的有用信息，传统的医疗成像***有时提供3D可视化软件。这种软件或者在成像***自身提供或者在分析工作站上提供，并且提供一组工具来执行长度、角度或体积测量，以及以不同方式、例如采用横截面、导航器或体绘制对体积进行可视化。对于脉管分析，具体来说，软件可用来获得特定管的多个斜切片，以便允许对管的分析。

分析弯曲结构、如气道、血管、导管或神经是医疗成像***的主要应用之一。目前，这个任务通过采用多个斜切片分析这些结构的局部段来完成。这些视图提供来自这些对象的短段的清晰无失真图片，但很少包含它们的全长。曲线重组图像提供合成视图，它们捕捉这些管状对象的整个长度，因而极适合这种分析任务。沿轴的真实3D长度测量可从这些视图中得到，并且它们在许多情况中与现实解剖相距不太远。曲线重组图像可通过以等距点沿曲线抽样值以产生线、然后按照抽样向量转换这个曲线以产生下一个图像线来产生。

因此，如果开发新的方法及设备用于允许医疗成像***及相关3D可视化软件以更有效、一致、可重复、迅速且较小操作员相关的方式来产生有用的3D成像数据集，则是有利的。如果这类新方法及设备有助于包括管状血管及相关狭窄、动脉瘤和弯曲度的分析和成像在内的脉管分析，则是特别有利的。如果这类方法及设备可在成像期间以及在成像完成之后的后处理中使用，则更为有利。

发明内容

在本发明的一个方面，提供一种定向数字图像中的管状结构的方法，其中，图像包括与D维空间中的点域对应的多个强度。该方法包括：选择图像域中的点；在所选点的邻域中计算图像的梯度；计算所选点处的基本结构张量；确定所选点的结构张量；求出结构张量的本征值；以及分析本征值以求出与管状结构一致的本征向量。

在本发明的另一个方面，通过将图像与在以所选点为中心的邻域上的高斯核G的导数进行卷积来估算图像的梯度。

在本发明的另一个方面，高斯核具有标准偏差σ_G，其中，σ_G大约比图像的尺寸小2个数量级。

在本发明的另一个方面，基本结构张量可通过将图像的梯度与其转置相乘来定义。

在本发明的另一个方面，结构张量可通过将基本结构张量与标准偏差为σ_T的高斯核进行卷积来确定，其中，σ_T对应于所寻找的对象的尺寸。

在本发明的另一个方面，本征值可通过执行Householder QL分解来求出。

在本发明的另一个方面，与最小本征值对应的本征向量与管状结构一致。

在本发明的另一个方面，通过比较邻域的两个最小本征值，所选点的邻域可与脉管结构进行比较，其中，如果邻域局部与脉管结构相似，则两个最小本征值不相似。

在本发明的另一个方面，车轮投影可绕与管状结构一致的本征向量所定义的轴来计算。

附图简介

图1说明本发明的优选方法的流程图。

图2是图解，说明以受关注对象为中心的图像切片的车轮投影。

图3说明选择要分析的结构的用户。

图4说明通过本发明的方法找到的管。

图5说明实现本发明的一个优选实施例的示范计算机***。

优选实施例的详细说明

本发明针对用于自动检测脉管结构的管轴以及采用轴来帮助这类结构的可视化的CAD方法。

下面描述本发明的说明性实施例。为清楚起见，在本说明中并非描述实际实现的全部特征。当然要理解，在任何这种实际实施例的开发中，必须进行许多实现特定的判定以便实现开发人员的特定目的、例如顺应***相关及业务相关约束，它们对每个实现有所不同。此外，会理解，这种开发工作可能是复杂且费时的，但是仍然是受益于本公开的本领域技术人员承担的例行工作。

虽然本发明可容许各种修改和备选形式，但是通过举例在附图中表示了它的具体实施例，并且在本文进行详细描述。不过，应当理解，本文对具体实施例的描述不是意在将本发明限制于所公开的具体形式，相反，目的是包括落入所附权利要求所规定的本发明的实质和范围之内的所有修改、等效方案和备选方案。

本文所使用的术语“图像”表示由离散图像元素组成的多维数据(例如二维图像的像素以及三维图像的体素)。例如，图像可能是通过计算机断层造影、磁共振成像、超声波或者本领域的技术人员已知的其它任何医疗成像***所收集的受检者的医疗图像。图像也可从非医疗环境中提供，例如遥感***、电子显微镜检查等。虽然图像可被看作从R3到R的函数，但是，本发明的方法不限于这类图像，并且可适用于任何维的图像，例如二维图片或三维体积。本发明优选地在运行实现本发明的算法的计算机软件的计算机***、如Pentium

类型的个人计算机上执行。计算机包括处理器、存储器和各种输入/输出装置。表示胸廓体积的一系列数字图像被输入计算机。本文中所用的术语“数字”和“数字化”适当地表示经由数字获取***或者经由从模拟图像转换所得到的数字或数字化格式的图像或体积。

脉管结构是管状对象的实例，它们常见于医疗图像中。医疗图像中的管状对象的其它实例可包括血管、支气管、肠、导管、神经和特定骨骼。医疗图像中的管状对象的表示和分析可帮助医务人员理解患者的复杂解剖构造以及有助于医学治疗。当查看脉管结构的3D图像、如CT扫描时，医生可采用轴向切片来检测任何异常结构(例如小结或栓子)，但是对于进一步分析结构的形状，附加视图是有用的。一种可能性是车轮投影，在其中，投影平面围绕某个轴。让医生更易于评估某个结构是否为圆形。另一种可能性是分析与管轴垂直的投影平面。这些技术需要轴作为输入。这个轴优选地应当是管的轴线。缺省时采用任意轴有时可能产生不良的可视化结果。

在一种典型分析情况中，医生查看体积图像、如肺部的CT图像，从而求出球形结构。图像在所有三维都很大。医生通常仅一次一个地察看轴向图像、即体积的X-Y切片，通常从头部开始往下以及背部。切片通常为512×512像素，而医生正察看的结构通常为数个像素宽。因此，虽然医生可能易于不考虑图像的大部分，但是他或她有时可能希望对结构进行更近的查看。此外，在进行更近的查看时，他或她可能希望有全3D信息而不只是X-Y切口。在此情况下，与可单独使用或连同车轮投影使用的其它3D工具一起，车轮投影是有用的。

车轮投影可用来区分球形和管状结构。问题在于，仅采用X-Y切片，两种结构都可能表现为圆形。这时，包含全三维旋转使医生能够区分管和小结。车轮投影可相当好地执行那种区分，但在它的原始形式中，车轮的旋转轴是固定的(通常为X或Y轴)，因而对于管轴是随机的。因此，医生必须寻找车轮平面包含管轴的车轮的旋转角，以便能够区分管和小结。本文公开的方法旨在帮助检测管轴以及以适当方式将它用于这些可视化技术中。

在本发明的一个优选实施例中，局部结构张量可用来定位脉管对象的主轴，从估算的局部基本轴开始。基本轴的位置的初始估算可通过用户采用输入装置、如鼠标选择切片中的某个点来进行。现在参照图1，用于计算结构张量的一种优选方法通过计算图像的梯度开始，它是由沿典范轴的图像偏导数组成的3D向量：

$\▿I={[\frac{\∂I}{\∂x},\frac{\∂I}{\∂y},\frac{\∂I}{\∂z}]}^T$

实际上，图像仅在离散点上被抽样，并且受噪声影响。在一个优选实施例中，在步骤101，通过将图像与高斯导数进行卷积，可在邻域中的各点上估算图像的邻域中的梯度：

$\frac{\∂I}{\∂x}\≈\frac{\∂G}{\∂x}*I$

其中G是标准偏差为σ_G的离散归一化D维高斯核，

$G\left(x\right)=\frac{1}{{\left(\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_G\right)}^D}\exp (-\frac{x^2}{2{\mathrm{\σ}}_G^2})$

以及运算符*为卷积。标准偏差与图像的整体尺寸相比通常相当小、例如3个体素最大值，或者比图像的一维中的体素数量小两个数量级，并且被选择用于将梯度的计算限制到围绕所选点的小体积以及消除噪声影响。

结构张量为3×3矩阵，它可通过在步骤103将梯度和其转置的外积与大小对应于所寻找对象的空间滤波器进行卷积来得出。一个优选空间滤波器为高斯核：

$T=G_{\mathrm{\σ}}*\▿I.\▿I^T$

在这里，σ可能相当大，并且与所寻找对象的大小宽松相关。可使用其它卷积核，但是，高斯核为优选的一个。结构张量的3个本征值可在步骤104通过本领域已知的任何适当技术来计算。一种这样的技术是Householder QL分解。

结构张量的本征向量全部相互正交，以及在步骤105，与最小本征值对应的本征向量最可能是脉管结构的轴。实际上，当管内部或者甚至附近的起始点被选取时，本征向量之一、即具有最小本征值的一个将最可能与管一致。即使在管弯曲或者分支为分开的部分的情况中，与最小本征值关联的本征向量的检查将至少局部与管一致。例如，通过比较在正常情况中应当极为不同的两个最小本征值，本征值可用来检查图像是否局部类似于脉管结构。

车轮投影可在步骤106中绕单击点和这个本征向量所定义的这个轴来执行。图2说明受关注对象的车轮投影。经过车轮投影的每个轴向图像切片从采用CT装置的肺部200的图像扫描中得到，并且以受关注对象、如可疑结构为中心。如图2所示，自旋投影平面201绕受关注点202旋转180度，以及得到轴向图像切片的一系列2D投影(以下称作车轮投影图像切片)、如车轮投影图像切片203和204。可按预定间隔、例如每5度设置旋转角，在这种情况中，将对于给定轴向图像切片上的每个受关注输入对象产生36个单独的车轮投影图像切片。同样，如果间隔已设置为1度，则将对于每个受关注输入对象产生180个单独的车轮投影图像切片。

车轮投影可用来区分球形和管状结构。与轴垂直的投影也可被计算，从而具有与管垂直地切割的切片。一旦旋转轴与管一致，则从车轮投影中清楚看到，结构为管，因为从第一角到最后一个角，所有投影平面切割管正好通过它的轴。

图3和图4说明这种接口的一个实例。在图3中，用户点击他或她希望局部查看的图像，如图中的十字丝所示。如果在鼠标点下面的结构为管，则车轮投影沿其轴进行，它在给定方向上自动显示。图4说明水平显示的管。

如果结构为小结，则旋转轴可能或多或少变为随机的，因为所有切割无论如何都将产生盘形。但是，在这种情况下，医生通常更愿意具有非随机轴，通常为X或Y轴。因此，在计算结构张量时，如果检测到所有本征值相互接近，则可从采用张量轴转移到采用标准车轮轴。

要理解，本发明可通过各种形式的硬件、软件、固件、专用处理器或者它们的组合来实现。在一个实施例中，本发明可通过作为计算机可读程序存储装置上包含的有形应用程序的软件来实现。应用程序可上载到包含任何适当体系结构的机器上并由其执行。

现在参照图4，根据本发明的一个实施例，用于实现本发明的计算机***401其中还包括中央处理器(CPU)402、存储器403和输入/输出(I/O)接口404。计算机***401一般通过I/O接口404耦合到显示器405以及各种输入装置406、如鼠标和键盘。配套电路可包括诸如高速缓存、电源、时钟电路以及通信总线之类的电路。存储器403可包括随机存取存储器(RAM)、只读存储器(ROM)、盘驱动器、磁带驱动器或者它们的组合。本发明可实现为例程407，它存储在存储器403中，并由CPU 402运行以便处理来自信号源408的信号。因此，计算机***401是通用计算机***，它在运行本发明的例程407时成为专用计算机***。

计算机***401还包括操作***和微指令代码。本文所述的各种过程和功能可以是微指令代码的组成部分或者是通过操作***执行的应用程序的组成部分(或者它们的组合)。另外，其它各种***设备、如附加的数据存储装置以及打印装置可连接到计算机平台。

还要理解，由于附图所示的一部分构成***组件和方法步骤可通过软件来实现，因此***组件之间的实际连接(或过程步骤)可根据对本发明编程的方式而有所不同。在本文给出的本发明的理论的情况下，本领域的技术人员能够设想本发明的这些及类似的实现或配置。

以上公开的具体实施例只是说明性的，因为本发明可通过受益于本文理论的本领域技术人员十分清楚的不同但等效的方式来修改和实施。此外，并非要局限于本文所示的构造或设计的细节，除以下权利要求中所述之外。因此显然以上公开的具体实施例可经过变更或修改，以及所有这类改变被认为处于本发明的范围和实质之内。因此，本文所寻求的保护在以下权利要求中阐述。

Claims (14)

1.一种定向数字图像中的管状结构的方法，其中所述图像包括与D维空间中的点域对应的多个强度，所述方法包括以下步骤：

选择图像域中的点；

在所述所选点的邻域中计算图像的梯度；

为所述所选点确定结构张量；

求出结构张量的本征值；以及

分析所述本征值以求出与所述管状结构一致的本征向量，

所述方法还包括：

通过比较所述邻域的两个最小本征值，来比较所述所选点的所述邻域与脉管结构，其中，如果所述邻域与脉管结构局部相似，则所述两个最小本征值不相似。

2.如权利要求1所述的方法，其特征在于，通过将图像与在以所述所选点为中心的所述邻域上的高斯核G的导数进行卷积来估算图像的梯度。

3.如权利要求2所述的方法，其特征在于，所述高斯核具有标准偏差σ_G，其中σ_G比图像的尺寸小两个数量级。

4.如权利要求1所述的方法，其特征在于，结构张量可通过将梯度和其转置的外积与标准偏差为σ_T的高斯核进行卷积来确定，其中σ_T对应于所寻找对象的尺寸。

5.如权利要求1所述的方法，其特征在于，本征值通过执行Householder QL分解来求出。

6.如权利要求1所述的方法，其特征在于，与管状结构一致的本征向量对应于最小本征值。

7.如权利要求1所述的方法，其特征在于，还包括计算绕与所述管状结构一致的本征向量所定义的轴的车轮投影。

8.一种定向数字图像中的管状结构的方法，其中所述图像包括与D维空间中的点域对应的多个强度，所述方法包括以下步骤：

选择图像域中的点；

在所述所选点的邻域中，通过将图像与标准偏差为σ_G的高斯核G的导数进行卷积，来计算图像的梯度，其中σ_G相对于图像的尺寸小两个数量级；

通过将梯度和其转置的外积与标准偏差为σ_T的高斯核进行卷积，为所述所选点确定结构张量，其中σ_T对应于所寻找对象的尺寸；

通过执行Householder QL分解来求出结构张量的本征值；

求出所述本征值的最小本征值，从而求出对应的本征向量，其中，所述对应的本征向量与所述管状结构一致；以及

计算绕与所述管状结构一致的本征向量所定义的轴的车轮投影，

所述方法还包括：

通过比较所述邻域的两个最小本征值，来比较所述所选点的所述邻域与脉管结构，其中，如果所述邻域与脉管结构局部相似，则所述两个最小本征值不相似。

9.一种用于定向数字图像中的管状结构的装置，其中所述图像包括与D维空间中的点域对应的多个强度，所述装置包括：

用于选择图像域中的点的部件；

用于在所述所选点的邻域中计算图像的梯度的部件；

用于计算所述所选点处的基本结构张量的部件；

用于为所述所选点确定结构张量的部件；

用于求出结构张量的本征值的部件；以及

用于分析所述本征值以求出与所述管状结构一致的本征向量的部件，

所述装置还包括：

用于通过比较所述邻域的两个最小本征值来比较所述所选点的所述邻域与脉管结构的部件，其中，如果所述邻域与脉管结构局部相似，则所述两个最小本征值不相似。

10.如权利要求9所述的装置，其特征在于，所述装置还包括用于通过将图像与以所述所选点为中心的标准偏差为σ_G的高斯核G的导数进行卷积来估算梯度的部件，其中，σ_G相对于图像的尺寸小两个数量级。

11.如权利要求9所述的装置，其特征在于，所述装置还包括用于通过将梯度和其转置的外积与标准偏差为σ_T的高斯核进行卷积来确定结构张量的部件，其中，σ_T对应于所寻找对象的尺寸。

12.如权利要求9所述的装置，其特征在于，所述装置还包括用于执行Householder QL分解以求出结构张量的本征值的部件。

13.如权利要求9所述的装置，其特征在于，所述装置还包括用于求出与最小本征值对应的本征向量的部件，其中，所述对应的本征向量与所述管状结构一致。

14.如权利要求9所述的装置，其特征在于，所述装置还包括用于计算绕与所述管状结构一致的本征向量所定义的轴的车轮投影的部件。

Images