CN100566655C - 用于处理图像以确定图像特性或分析候补的方法 - Google Patents
用于处理图像以确定图像特性或分析候补的方法 Download PDFInfo
- Publication number
- CN100566655C CN100566655C CNB2005100677215A CN200510067721A CN100566655C CN 100566655 C CN100566655 C CN 100566655C CN B2005100677215 A CNB2005100677215 A CN B2005100677215A CN 200510067721 A CN200510067721 A CN 200510067721A CN 100566655 C CN100566655 C CN 100566655C
- Authority
- CN
- China
- Prior art keywords
- image
- images
- active
- prior model
- magnetic resonance
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/755—Deformable models or variational models, e.g. snakes or active contours
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及用于延迟增强图像的半自动量化的***和方法。用于确定图像特性的图像处理的方法和设备包括这些操作:对第一图像进行分割(104)以创建相应于第一图像的分割轮廓;以及将分割后的第一图像配准(106)到第二图像上。此外,还进行如下操作:将分割轮廓从第一图像转移到第二图像;并在第二图像中拟合所转移的分割轮廓。
Description
相关申请的交叉参考
本申请要求在2004年3月5日提交的No.60/550874、题为“延迟增强图像的半自动量化”的美国临时申请的权利,其内容通过引用结合在此。
技术领域
本发明主要涉及医学图像处理,并更具体地说涉及检测医学图像中的解剖异常。
背景技术
延迟增强磁共振(DEMR)是一种图像获取技术,通过这种技术无活性的(即,死的)心肌组织是以增强的信号强度呈现的(即,它们比周围的活性组织更明亮)。在心脏的左心室(LV)中的无活性组织的范围是患者存活率的直接指标。但是,DEMR图像中的活性和无活性LV心脏组织的确定不是简单的任务。因此,需要一种确定DEMR图像中的活性和无活性组织的技术。
DEMR的获取需要大概20-30分钟的等待周期。在这20-30分钟的等待周期过程中,主要获取其他MR原始记录,特别是电影MR,心动周期上的时间序列。与DEMR相比,在电影MR中,LV心肌是以更加均匀的纹理来呈现的,用这样的纹理可以显现心肌的收缩。
DEMR图像中LV的分割是很复杂的,因为很难可靠预测它的亮度特性。与可以对空气、血液以及肌肉的亮度做出假定的电影MR图像相比,对DEMR心肌没有多少了解。此外,无活性组织也许具有使其难以从血池中区别的亮度。因此,在分析DEMR图像的时候放射科医师常常参考“相应的”、可看到心壁的电影图像。电影MR(磁共振)图像被认为具有有关心脏的最相似的切片平面和在心动周期中最靠近的触发时间的相应图像。由于病人的移动或呼吸伪影,电影MR和DEMR图像的切片平面可能不相同;并且,DEMR的ECG时间也许不完全匹配有关该ECG的电影的瞬时取样。
至于无活性心肌的分类,在Thomas O’Donnell等人的题为“用于使用延迟增强磁共振成像和人工智能来识别无活性心肌组织的***和方法”的美国专利申请No.10/677190中,描述了使用支持向量机来对心肌组织进行分类,其整个内容通过引用结合在此。这种基于SVM的分类法将某一像心壁的厚度和厚度随时间的改变这样的特征用作为基于SVM的分类的特征,并且分类是基于向量的。
发明内容
在本发明的一个方面中,一种用于确定图像特性的图像处理的方法和设备包括下述操作:对第一图像进行分割以创建一个或多个相应于第一图像的分割轮廓;以及将分割后的第一图像配准到第二图像上。还进行如下操作:将分割轮廓从第一图像转移到第二图像;并在第二图像中拟合所转移的分割轮廓。
在本发明的另一个方面中,一种用于处理包括相应的电影图像的电影MR(磁共振)图像和延迟增强磁共振(DEMR)活性图像以分析候补物质的方法包括下述操作:对电影MR图像进行分割以创建一个或多个分割轮廓;以及使分割轮廓变形,以使得分割轮廓以相应于该活性图像的相位的相位进行***,来生成一个先验模型。此外,进行如下操作:通过将相应的电影图像配准到活性图像,在活性图像中定位候补物质;以及创建一个或多个能量场图像以将先验模型拟合到活性图像。还进行如下操作:使用一个或多个变换将先验模型拟合到能量场图像;以及在包括拟合的先验模型的已处理的活性图像中,使用分类器对候补物质进行分类。
附图说明
参考附图对本发明的典型实施例来进行说明,其中:
图1是在本发明的一个典型实施例中对DEMR图像中的心肌进行分割和分类的流程图;
图2示出了用在本发明的一个典型实施例中的一组电影MR图像;
图3示出了在本发明的一个典型实施例中的DEMR活性图像和特定活性相位;
图4示出了在本发明的一个典型实施例中的活性图像的排序;
图5示出了在本发明的一个典型实施例中的相应和相邻图像的特写;
图6示出了在本发明的典型实施例中从相应的电影图像Ci,k的自动分割所获得的轮廓;
图7示出了在本发明的典型实施例中创建变形场的电影MR相位的配准;
图8示出了在本发明的典型实施例中LV相位的范围内的Sprior轮廓形状的定位;
图9示出了在本发明的典型实施例中Vi中的LV的定位。
图10示出了在本发明的典型实施例中将Ssrior拟合到Vi的能量场;
图11示出了在本发明的典型实施例中确定对Sprior缩放的限制的过程;
图12示出了在本发明的典型实施例中Sprior到图10中所示的能量图像的拟合;
图13示出了在本发明的典型实施例中生成预测图像的分类过程的图示;
图14所示的反映了在本发明的典型实施例中使用DEMR分割和分类技术的一个作为例证的试验;以及
图15示出了一个用于实现本发明的典型实施例的典型计算机***。
具体实施方式
将参考附图来说明本发明的典型实施例。
下面的说明将假定以左心室(LV)为目标的心脏扫描获取电影MR(磁性分离)图像和延迟增强磁性分离(DEMR)图像。说明用于量化无活性组织范围的两阶段技术。首先,对DEMR图像中的心肌进行分割。然后,将心肌像素分类为对应活性或无活性的组织。心肌的分割是很复杂的,因为不能可靠地预测它的亮度特性。此外,可能无法从心室血池中区分出被破坏的组织。因此,MR(磁共振)电影(也被叫做“常规或普通的”MR图像)图像是在相同的时间段(其中心肌具有更可预测的外部特征)中获取的,以便创建心肌边缘的先验模型。使用DEMR图像中的图像特征和这种先验模型,能够一致地对心肌进行分割。在处理的第二阶段中,基于专家的训练,使用支持向量机(SVM)来区分活性和无活性的像素。
图1是在本发明的一个典型实施例中对DEMR图像中的心肌进行分割和分类的流程图。在下面的说明中,Vi表示活性图像;Ci,k表示刚好在活性图像相位前面的电影MR图像,即“相应的电影”;Ci,k+1表示刚好在活性图像相位之后的电影MR图像,即“后电影”的图像;Ci+1,k表示空间上与相应的电影相邻的电影图像,“相应的电影的相邻切片”图像;表示分割轮廓,即“相应电影的分割”;以及Sprior表示被内插到活性图像相位以形成活性图像中心肌的先验模型的相应电影图像的分割,即“先验模型”。
在流程图100的步骤102中,在一组电影MR(磁共振)图像C中相对于相位(时间)执行活性图像Vi的排序。在步骤104中,执行相应的电影图像Ci,k的自动分割来创建相应的电影图像的分割在步骤106中,配准周围的电影MR相位以创建一个变形场。该变形场被用来将电影轮廓内插到活性图像的相位。这包括将相应的电影图像Ci,k配准到后电影图像Ci,k+1中以获得它们之间的变形场。然后,可以内插电影轮廓以形成一个先验模型Sprior。在步骤108中,通过将相应的电影图像Ci,k配准到Vi将左心室(LV)定位在Vi中。在步骤110中,通过最小化能量,创建能量场图像以将先验模型Sprior拟合到Vi。在步骤112,通过将相应的电影图像的相邻切片Ci+1,k配准到相应的电影图像Ci,k,确定对Sprior的缩放的限制。在步骤114中,将先验模型Sprior拟合到能量场图像是用仿射变换来完成的。在步骤116中,使用SVM来执行心肌组织的分类。
图2示出了一组用在本发明的典型实施例中的电影MR图像。假设Cn,m表示具有n个相邻切片位置和m个在心动周期中相隔相同时间的连续相位的电影MR图像的n×m矩阵。电影MR图像200被示为n个电影切片位置202和m个电影切片相位204。
接下来说明找到最靠近DEMR图像中的一个活性相位的一个电影相位204的过程。假设Vn表示具有n个相邻切片位置的n个DEMR图像的集合。由于Vi∈Vn,假设相应的电影图像是Ci,k∈Cn,m,这样以致于,
其中t表示图像的心电图(ECG)触发时间,k表示以毫秒为单位的相位,i表示切片位置。将心肌边缘检测算法应用于Ci,k,其使用与主动轮廓公式相结合的区域分割。可以手动编辑的结果是轮廓即相应的电影图像的分割。与相应的电影图像Ci,k相邻的是Ci,k+1,使得
图3示出了在本发明的一个典型实施例中的DEMR活性图像和特定活性相位。示出了活性图像206。活性图像208、210和214形成DEMR活性图像的一部分。DEMR图像被认为是活性图像。
活性图像的单个切片i被表示为Vi。接下来的相标是找到Vi中的心肌边缘,并将其中的组织分类为活性的(活的)或无活性的(死的)。LV边缘将被确定在由LV边缘指示符212所指出的区域附近。
接下来说明DEMR图像中的LV的定位。活性图像的单个相位i(212)被表示为Vi。通过用在变形场中产生的Vi配准Ci,k来计算Vi(212)中的血池的中心,以使得然后通过满足 的来使分割变形。Scenter的质心,
是在Vi中开始搜索LV的位置。对于任何其它推论该变形场可能都是非常不精确的。
图4示出了在本发明的典型实施例中的活性图像的排序。活性图像206是就相位来排序的,即电影MR图像组200之内的时间。同时示出了相应的电影图像216(Ci,k)。表示电影图像Ci-1,k和Ci,k+1的相邻电影图像218和220显示为紧接于相应的电影图像216。
图5示出了本发明的典型实施例中相应和相邻图像的特写。DEMR活性相位210示出了被表示为Vi的活性图像的单个切片i。示出了相应电影图像216(Ci,k)。表示电影图像Ci+1,k和Ci,k+1的相邻电影图像218和220显示为紧接于相应的电影图像216。
图6示出了在本发明的典型实施例中从相应的电影图像Ci,k的自动分割获得的轮廓。DEMR活性相位210的图像示出了被表示为Vi的活性图像的单个切片i。所示的相应电影图像216(Ci,k)包括通过Ci,k的自动分割所获得的轮廓表示电影图像Ci+1,k和Ci,k+1的相邻电影图像218和220显示为紧接于相应的电影图像216。
图7示出了在本发明的一个典型实施例中创建一个变形场的电影MR相位的配准。DEMR活性相位210图像显示了被表示为Vi的活性图像的单个切片i。所示的相应的电影图像216(Ci,k)包括通过Ci,k的自动分割所获得的轮廓表示Ci+1,k和Ci,k+1的相邻电影图像218和220显示为紧接于相应的电影图像216。将电影图像Ci,k配准到Ci,k+1,以便获得它们之间的变形场。其后,可以内插轮廓以创建Sprior。
图8示出了在本发明的实施例中在LV相位的范围内Sprior轮廓形状的定位。LV边缘指示符212表示DEMR活性相位210中的Vi的轮廓形状。Sprior轮廓226应该与Vi的相位的正确轮廓形状相似。但是,它可能不在正确的位置上,并可能没有精确的形状。因此,可以执行下述的LV定位过程。
图9示出了在本发明的一个实施例中Vi中的LV的定位。通过将Ci,k配准到Vi来执行Vi中的LV定位。该操作产生了从Ci,k到Vi的映射。由于心脏的中心是区别于的中心的,于是能够知道映射的目标位置。DEMR活性相位210的图像示出了被表示为Vi的活性图像的单个切片i。所示的相应的电影图像216(Ci,k)包括通过Ci,k的自动分割获取的轮廓表示Ci+1,k和Ci,k+1的相邻电影图像218和220显示为紧接于相应的电影图像216。LV定位箭头228用图表示了从Ci,k到Vi的映射。
图10示出了在本发明的实施例中将Sprior拟合到Vi的能量场。创建能量场以将Sprior拟合到Vi。DEMR活性相位210示出了LV边缘指示符212。将DEMR活性相位210中的Sprior移过三个能量场230、232和234中的每一个,以测试并最小化Sprior中的能量。能量场230表示内部轮廓能量。能量场232表示外部轮廓能量。能量场234表示血池的能量(即“血池(BloodPoolNess)能量”)。
图11示出了在本发明的典型实施例中确定对Sprior缩放的限制的过程。DEMR活性相位210是Vi。所示的相应的电影图像216(Ci,k)包括通过Ci,k的自动分割获取的轮廓表示Ci+1,k和Ci,k+1的相邻电影图像218和220显示为紧接于相应的电影图像216。Ci+1,k到Ci,k的定位箭头236用图示出了从Ci+1,k到Ci,k的映射。Ci,k和Ci+1,k是相邻切片位置。可以假定Sprior不应该缩放,以便它看来和下一个切片一样。
图12示出了在本发明的典型实施例中Sprior到图10中所示的能量图像的拟合。未拟合的Sprior图像238示出了使用仿射变换(例如,移位、缩放、剪切)来拟合的未拟合Sprior240,该仿射变换将缩放限制在之前在图11的环境中所找到的边界。拟合的Sprior图像242示出了完全拟合的Sprior244。作为选择,可以使用自由格式的变形模型来将先验模型拟合到能量场图像。
接下来说明DEMR图像中LV边缘的确定。使先验模型Sprior变形,以拟合到DEMR图像Vi,以最大化结果的是Vi的正确分割的概率。在拟合过程中,应用具有五个参数的仿射配准:在x和y坐标内的移位剪切参数sq和sm以及缩放参数ω。移位界定在10个像素的距离,但是容许没有任何损失地改变。同样地,剪切界定在±60度并且缩放界定在±%20,没有任何损失。
缩放约束ω′是基于在从切片层i到相邻切片层i+1或i-1的LV的尺寸上的改变的。要是i≠1,m就选择具有最大改变的切片层。可以假定在缩放上的改变是归因于运动伪影、贯穿平面的运动等,并且不会大于ω′。
接下来说明在缩放考虑上的性能损失。和移位不同,在缩放的时候会发生性能损失。这种性能损失是最大化的能量公式中的一个系数。这个性能损失在1(没有性能损失)到e-1(由等于缩放约束ω′的缩放产生的最大性能损失)之间变化,并是钟形的。在至少一个典型实施例中,缩放ω是通过在每一步对总能量的公式表示求值,而从值1开始按1.5%迭代增加到ω′的(相似地减少到-ω′)。因此,在迭代γ中,缩放ω是ω=(1.015)γ。
接下来说明能量的最大化。通过仿射配准过程来最大化的能量公式表示为下式:
其中和是通过应用转向滤波器并分别检测定向的由暗至亮的边缘和由亮至暗的边缘而创建的内部和外部边缘的图像。在至少一个实施例中,该转向滤波器是改进型的Sobel滤波器,其通过使用相对于的卷积像素的相对位置修改了它的卷积核。是通过借助于在定位过程中计算出的中心像素的亮度而估算血池的平均亮度而创建的“血池”图像。
图13示出了在本发明的一个典型实施例中生成预测图像的分类过程的图示。将图像参数输入支持向量机(SVM)252以生成预测图像。在至少一个实施例中,该图像参数可以是图像亮度、相对亮度和图像均一性。这里,图像亮度样本246、表示心肌的相对亮度的相对亮度248样本以及均一性250样本者被显示为SVM 252的输入,SVM 252生成所生成的/预测图像256。
在至少一个典型实施例中,只要已经检测了边缘,就用SVM来执行心肌像素的分类。由于心肌中的灰度级的分布并不严格地是无活性(亮)和活性(暗)像素的双峰式分布,所以可以首选涉及自动阈值捕获的这种方法。这归因于部分容积效果和损伤的程度。
对于给定的SVM的核函数,高斯径向基函数具有这种形式:
其中φ是特征的向量。可以看出这种接下来形成Mercer的条件的形式的内核具有凸状的相应优化问题,因此缺少局部最小值。为了确定这样的内核申的σ以及K,使用在最大化边缘和最小化训练调节误差的数目之间的折衷,这里使用“留一策略”。
下面的三个特征组成φ:第一个特征φ1,是像素IP的亮度,其与平均心肌的亮度 有关,因此 这些特征中第二个是相对于其下一个邻近的像素的相对像素亮度的标准偏差φ2=std(Ir)。最后的特征φ3与图像的总体有关,而不是仅涉及单个像素。这个特征叫做心肌对照,被定义为 即图像的平均心肌亮度IM和平均图像亮度的I的比值。
在至少一个实施例中,使用了分类技术阈函数来代替上述SVM分类器。
图14所示的反映了在本发明的典型实施例中使用上述DEMR分割和分类技术的一个示范试验。接下来说明用于该示范试验的图像获取参数。四十五个具有已知的多脉管慢性缺血性心脏病的病人,在静脉内的0.2mmol/kg Gd-DTPA注射之后大约20分钟左右,在有(n=9)或没有(n=31)相位灵敏的重建情况下,接受使用IR TurboFLASH序列(FOV 300-360mm2,TE 4ms,TR 8ms,倾倒角30度,TI 190-470ms)的DEMR。也获取TrueFISP电影图像(FOV 260-360mm,TE 1.5毫秒,TR 25-43毫秒,49-65o)。对于两个类型的成像,在重复的10-15秒的闭息期间,在左心室的底部、中部的心室和顶点获取3个有代表性的短轴切片(厚6-10mm)。图像258是DEMR图像。图260是自动分割。图262是无活性组织(黑像素表示无活性)的分类。图像264示出了专家的协议(黑的像素表示同意;白的像素表示不同意)。
将示范试验中的45个病人拆散为训练(31个病人)和测试(14个病人)组。对于训练组,由专家人为地画出心肌边缘并将像素分类为活性或无活性的。得到适当的SVM参数是σ=0.01和K=20。至于测试组,自动地获得分割和分类。对于42个(14个测试病人,每个具有3个切片层)DEMR图像中的每一个,相应电影MR图像中的心肌边缘是自动分割的,并由专家检查任何附加审核。为了评价分割结果,专家使用SIEMENS的ARGUS插件在DEMR图像上描画基础实况的心肌边缘。使用这基础实况,发现在本发明的至少一个实施例中在42个图像(未示出)中技术的轮廓像素的定位误差平均起来是1.54像素,带有0.39像素的标准偏差。然后使用SVM来对上述42个分割后的DEMR图像进行分类。该分类模块达到了88.39%的准确率,带有6.15%的标准偏差、81.34%的灵敏度和92.28%的特异性。
图15示出了一个用于实现本发明的典型实施例的典型计算机***。根据本发明的典型实施例,用于实现本发明的计算机***301可以包括,特别是,中央处理器(CPU)302、存储器303和输入/输出(I/O)接口304。计算机***301通常通过I/O接口304与显示器305和诸如鼠标和键盘此类的各种输入设备306相连。配套电路可以包括像高速缓存、电源、时钟电路和通信总线这样的电路。存储器303可以包括随机存储器(RAM)、只读存储器(ROM)、磁盘驱动器、磁带机等,或它们的组合。本发明的典型实施例可以由存储在存储器303中并由CPU 302执行以处理来自信号源308的信号的例行程序307来实现。因而,计算机301是通用计算机***,在本发明的典型实施例中执行本发明的例行程序307的时候成为专用计算机***。
计算机平台301还包括操作***和微指令码。在这里说明的各种过程和功能即可以是微指令码的一部分,也可以是借助操作***来执行的应用程序的一部分(或它们的组合)。另外,其它的各种***设备也可以连在该计算机平台上,例如,附加数据存储设备和打印设备。
此外还可以理解,因为在附图中所描绘的组成***的一些元件和方法步骤可以用软件的方式来实现,因此在本发明的典型实施例中,在***元件(或过程步骤)之间的实际连接可以根据对本发明进行编程的方式而不同。根据这里所提供的本发明的教导,本领域的普通技术人员将能够想出本发明的这些和相似的实现或配置。
尽管根据本发明的典型实施例具体地示出并说明了本发明,但是,本领域的技术人员将理解,在不偏离所附权利要求所规定的本发明的精神和范围的情况下,可以在形式和细节上做出各种改变。
Claims (14)
1.一种用于处理图像以确定图像特性的方法,所述方法包括下列步骤:
对一个或多个第一图像进行分割,以创建一个或多个相应于第一图像的分割轮廓;
将分割后的第一图像配准到一个或多个第二图像,其中第一和第二图像具有基本相同的位置和相位;
将所述分割轮廓从第一图像转移到第二图像;以及
在第二图像中拟合所转移的分割轮廓;
其中配准步骤包括围绕各个所述第二图像配准一个或多个第一图像,以创建至少一个变形场;以及使用所述变形场将至少一个所述分割轮廓内插到所述第二图像的一个相位,来创建一个先验模型。
2.如权利要求1所述的方法,其中第一图像包括一个或多个电影磁共振图像,而第二图像包括一个或多个延迟增强磁共振活性图像。
3.如权利要求2所述的方法,其中所述电影磁共振图像还包括:
一个或多个关于所述电影磁共振图像中的活性图像预定位置的在相位时间上接近的相应电影图像。
4.如权利要求3所述的方法,其中转移步骤包括:
通过将一个或多个所述相应电影图像配准到给定的一个活性图像,来将一个或多个候补物质定位在所述给定的一个活性图像中。
5.如权利要求2所述的方法,其中拟合步骤还包括:
创建一个或多个能量场图像,以将所述先验模型拟合到给定的一个所述活性图像;以及
将所述先验模型拟合到包括一个或多个能量场的所述能量场图像。
6.如权利要求5所述的方法,其中所述能量场包括内轮廓能量、外轮廓能量和血池能量中的至少一个。
7.如权利要求6所述的方法,其中拟合所述先验模型的步骤包括:
使用一个或多个仿射变换来拟合所述先验模型。
8.如权利要求7所述的方法,其中所述仿射变换包括缩放、剪切和移位中的至少一种。
9.如权利要求6所述的方法,其中拟合所述先验模型的步骤包括:
使用一个用于拟合所述先验模型的自由格式变形。
10.一种用于处理包括一个或多个相应电影图像的一个或多个电影磁共振图像和至少一个延迟增强磁共振活性图像以分析候补物质的方法,所述方法包括:
对所述电影磁共振图像进行分割,以创建一个或多个分割轮廓;
使所述分割轮廓变形,以使它以与所述活性图像的相位相应的相位被内插,而生成一个先验模型;
通过等所述相应电影图像配准到所述活性图像,来将所述候补物质定位在所述活性图像中;
创建一个或多个能量场图像,以将所述先验模型拟合到所述活性图像;以及
使用一个或多个变换将所述先验模型拟合到所述能量场图像。
11.如权利要求10所述的方法,还包括:
就电影磁共振图像中的相位时间对所述活性图像进行非序,以确定在所述电影磁共振图像内所述活性图像的定位。
12.如权利要求10所述的方法,其中用于将所述先验模型拟合到所述能量场图像的变换是包括缩放、剪切和移位操作中的至少一个的仿射变换。
13.如权利要求10所述的方法,其中所述电影磁共振图像和延迟增强磁共振图像是来自于心脏器官的图像,而候补物质是所述心脏器官的左心室。
14.如权利要求10所述的方法,还包括:
通过配准至少一个与所述相应电影图像相邻的图像切片,来确定对所述先验模型的缩放的限制。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US55087404P | 2004-03-05 | 2004-03-05 | |
US60/550874 | 2004-03-05 | ||
US11/070349 | 2005-03-02 | ||
US11/070,349 US7460699B2 (en) | 2004-03-05 | 2005-03-02 | System and method for a semi-automatic quantification of delayed enchancement images |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1682657A CN1682657A (zh) | 2005-10-19 |
CN100566655C true CN100566655C (zh) | 2009-12-09 |
Family
ID=34915069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2005100677215A Expired - Fee Related CN100566655C (zh) | 2004-03-05 | 2005-03-05 | 用于处理图像以确定图像特性或分析候补的方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US7460699B2 (zh) |
CN (1) | CN100566655C (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006020864A1 (de) * | 2006-05-04 | 2007-11-08 | Siemens Ag | Verfahren zur Ermittlung und Anzeige von wenigstens einer Information über ein Zielvolumen |
US7813537B2 (en) * | 2006-05-15 | 2010-10-12 | Siemens Medical Solutions Usa, Inc. | Motion-guided segmentation for cine DENSE images |
DE602007002048D1 (de) * | 2007-02-09 | 2009-10-01 | Agfa Gevaert | Visuelle Hervorhebung von Intervalländerungen mittels einer Zeitsubtraktionstechnik |
CN101294954B (zh) * | 2007-04-25 | 2012-05-23 | 中国科学院自动化研究所 | 一种基于信息势的图像配准方法 |
US8433159B1 (en) * | 2007-05-16 | 2013-04-30 | Varian Medical Systems International Ag | Compressed target movement model using interpolation |
US9395431B2 (en) | 2008-05-01 | 2016-07-19 | Sunnybrook Health Sciences Center | Multi-contrast delayed enhancement cardiac magnetic resonance imaging |
WO2011163414A2 (en) * | 2010-06-23 | 2011-12-29 | Varian Medical Systems International Ag | Mechanism for advanced structure generation and editing |
US10311585B2 (en) | 2010-06-23 | 2019-06-04 | Varian Medical Systems International Ag | Mechanism for advanced structure generation and editing |
US9401051B2 (en) | 2010-06-23 | 2016-07-26 | Varian Medical Systems International Ag | Mechanism for dynamically propagating real-time alterations of medical images |
US8582848B2 (en) * | 2010-07-30 | 2013-11-12 | Siemens Medical Solutions Usa, Inc. | System and method for detection of acoustic shadows and automatic assessment of image usability in 3D ultrasound images |
US20120113146A1 (en) * | 2010-11-10 | 2012-05-10 | Patrick Michael Virtue | Methods, apparatus and articles of manufacture to combine segmentations of medical diagnostic images |
US10152951B2 (en) | 2011-02-28 | 2018-12-11 | Varian Medical Systems International Ag | Method and system for interactive control of window/level parameters of multi-image displays |
JP5545881B2 (ja) * | 2011-03-14 | 2014-07-09 | 株式会社リガク | Ct画像処理装置およびct画像処理方法 |
CN114463557B (zh) * | 2022-01-25 | 2023-03-24 | 腾讯科技(深圳)有限公司 | 轮廓标记方法、装置、设备、存储介质及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6785409B1 (en) * | 2000-10-24 | 2004-08-31 | Koninklijke Philips Electronics, N.V. | Segmentation method and apparatus for medical images using diffusion propagation, pixel classification, and mathematical morphology |
US6549798B2 (en) * | 2001-02-07 | 2003-04-15 | Epix Medical, Inc. | Magnetic resonance angiography data |
US6904306B1 (en) * | 2002-01-23 | 2005-06-07 | Koninklijke Philips Electronics N.V. | Method and apparatus for evaluation of contrast agent uptake based on derived parametric images |
-
2005
- 2005-03-02 US US11/070,349 patent/US7460699B2/en not_active Expired - Fee Related
- 2005-03-05 CN CNB2005100677215A patent/CN100566655C/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
US7460699B2 (en) | 2008-12-02 |
CN1682657A (zh) | 2005-10-19 |
US20050196027A1 (en) | 2005-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100566655C (zh) | 用于处理图像以确定图像特性或分析候补的方法 | |
US11837354B2 (en) | Contrast-agent-free medical diagnostic imaging | |
US20210365717A1 (en) | Method and apparatus for segmenting a medical image, and storage medium | |
Tan et al. | Fully automated segmentation of the left ventricle in cine cardiac MRI using neural network regression | |
US10366491B2 (en) | Deep image-to-image recurrent network with shape basis for automatic vertebra labeling in large-scale 3D CT volumes | |
Tomita et al. | Automatic post-stroke lesion segmentation on MR images using 3D residual convolutional neural network | |
Palomera-Perez et al. | Parallel multiscale feature extraction and region growing: application in retinal blood vessel detection | |
US8116548B2 (en) | Method and system for detecting 3D anatomical structures using constrained marginal space learning | |
US7916919B2 (en) | System and method for segmenting chambers of a heart in a three dimensional image | |
US8369593B2 (en) | Systems and methods for robust learning based annotation of medical radiographs | |
Sander et al. | Automatic segmentation with detection of local segmentation failures in cardiac MRI | |
Vivanti et al. | Patient-specific and global convolutional neural networks for robust automatic liver tumor delineation in follow-up CT studies | |
CN109754361A (zh) | 3d各向异性的混合网络:将来自2d图像的卷积特征传递到3d各向异性体积 | |
Zhang et al. | Automated quality assessment of cardiac MR images using convolutional neural networks | |
US20210383534A1 (en) | System and methods for image segmentation and classification using reduced depth convolutional neural networks | |
Oghli et al. | Automatic fetal biometry prediction using a novel deep convolutional network architecture | |
KR20230059799A (ko) | 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델 | |
CN101111865A (zh) | 用于在心脏图像中分割左心室的***和方法 | |
Li et al. | Automated measurement network for accurate segmentation and parameter modification in fetal head ultrasound images | |
US20080281203A1 (en) | System and Method for Quasi-Real-Time Ventricular Measurements From M-Mode EchoCardiogram | |
KR102163225B1 (ko) | 뉴럴 네트워크를 이용한 영상 분할 방법 및 그 장치 | |
JP7464593B2 (ja) | 医用画像内でのインターベンションデバイスの識別 | |
Tilborghs et al. | Comparative study of deep learning methods for the automatic segmentation of lung, lesion and lesion type in CT scans of COVID-19 patients | |
CN115578404A (zh) | 一种基于深度学习的肝脏肿瘤图像增强和分割的方法 | |
Al Chanti et al. | IFSS-Net: Interactive few-shot siamese network for faster muscle segmentation and propagation in volumetric ultrasound |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20091209 Termination date: 20190305 |
|
CF01 | Termination of patent right due to non-payment of annual fee |