CN100566661C - 图像诊断处理设备和图像诊断处理程序 - Google Patents
图像诊断处理设备和图像诊断处理程序 Download PDFInfo
- Publication number
- CN100566661C CN100566661C CNB2006800010793A CN200680001079A CN100566661C CN 100566661 C CN100566661 C CN 100566661C CN B2006800010793 A CNB2006800010793 A CN B2006800010793A CN 200680001079 A CN200680001079 A CN 200680001079A CN 100566661 C CN100566661 C CN 100566661C
- Authority
- CN
- China
- Prior art keywords
- candidate region
- voxel
- tuberosity
- image
- diagnostic imaging
- 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.)
- Active
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种图像诊断处理设备,其包括:外周区域指定装置(11和12),其指定连接到包括在展示对象内部的图像中的异常候选区域的外周区域,和判断装置(13),其基于异常候选区域的第一特征量和外周区域的第二特征量判断异常候选区域是否是解剖学异常区。
Description
技术领域
本发明涉及对利用诸如X射线计算断层成像设备(X-raycomputed tomographic imaging device)、X射线诊断设备、磁共振成像设备或超声诊断设备的医学图像诊断治疗设备(modality)所收集的三维图像中诸如结节异常(nodule abnormality)或粉瘤异常(wenabnormality)的解剖学异常(anatomic abnormality)进行诊断过程的图像诊断处理设备和图像诊断处理程序。
背景技术
现在,因为肺癌是癌症死亡的最主要原因,并且其在日本还在增加,所以对通过吸烟对策和早期检测的预防医学的社会需要已增加。在日本城市中,已经使用胸部X射线平片和唾液细胞诊断对肺癌进行检查,但是在1998年出版的日本健康福利部的报告“study group oneffectiveness evaluation of an examination for cancer”中,现有肺癌检查的效果被获得,但是很小。与胸部X射线平片相比,在X射线计算断层(以下称作CT)中可以更容易检测肺野型肺癌。但是,在开发出螺旋扫描型CT的1990年以前,CT不能被用于肺癌检查,因为成像时间很长。在开发出螺旋CT后不久,利用相对低X射线管电流的成像方法(以下称作低剂量螺旋CT)被研发以减少受照剂量,并且在日本和美国进行利用该方法检查肺癌的初步研究。结果证实低剂量螺旋CT对于肺癌检测率比胸部X射线平片的高很多。
同时,螺旋CT中的成像时间自从1998年以来由于多行CT检测器而被不断减少,并且,在最近的多层螺旋CT(multi-detector rowhelical CT)中,整个肺部图像可以在10秒内获得并且具有小于1mm的各向同性解析度(isotropic resolution)。CT的技术进步使我们能够检测更小的肺癌。但是,因为多层螺旋CT每一次扫描产生几百个图像,所以图像解释(interpretation)所需的负担大大增加。
在这种情况下,为了将低剂量螺旋CT建立为检查肺癌的方法,公知,用于防止遗漏肺癌的计算机辅助诊断(以下称作CAD)是必要的。因为小肺野型肺癌在CT图像上显示为结节形异常,所以异常的自动检测(以下称作CT肺结节(lung nodule)自动检测)是非常重要的,并且自1990年以来已经进行了各种研究(例如,见“David S.Paik等人的‘Surface Normal Overlap:A Computer-Aided DetectionAlgorithm With Application to Colonic Polyps and Lung Nodules inHelical CT’,IEEE TRANSACTIONS ON MEDICAL IMAGING,Vol.23,No.6,June 2004,p661-675”)。
发明内容
对于CT肺结节的自动检测,可以使用用于提取成为结节候选的区域(以下称作结节候选区域)、获取多个用于表征结节候选区域的特征量、并且基于特征量判断结节候选区域是否是结节的方法。但是,因为结节在特征上类似于肺部血管的一部分,所以结节和肺部血管不可能通过用于表征结节候选区域的特征量而被精确区分。
本发明是考虑这些情况而发明的,并且本发明的目的是高度精确地确定包括在展示对象内部的图像中的异常候选区域是否是诸如结节的解剖学异常。
根据本发明的第一方面,提供了一种图像诊断处理设备,包括:外周区域指定装置,其指定连接到包括在展示对象内部的图像中的异常候选区域的外周区域;和判断装置,其基于异常候选区域的第一特征量和外周区域的第二特征量判断异常候选区域是否是解剖学异常区域。
根据本发明的第二方面,提供了一种图像诊断处理设备,包括:判断装置,其基于基本包括包含在展示对象内部的图像中的异常候选区域并且包括除异常候选区域之外区域的第一比较区域的第一特征量和基本与异常候选区域匹配或者基本上被包括在异常候选区域中的第二比较区域的第二特征量来判断异常候选区域是否是解剖学异常区域。
根据本发明的第三方面,提供了一种图像诊断处理设备,包括:指定与对应于与包括在展示对象内部的图像中的异常候选区域重叠或连接的结构的区域的装置;获取用于三维搜索对应于该结构的区域的方向的装置;获取对应于搜索方向上多个位置的特征量的装置;以及基于这多个位置的特征量判断异常候选区域是否是解剖学异常区域的装置。
根据本发明的第四方面,提供了一种判断在展示对象内部的图像中是否存在解剖学异常区域的图像诊断处理设备,包括:利用阈值处理图像的阈值处理装置;根据被阈值处理装置处理的图像产生惩罚图像(penalty image)的装置;以及为惩罚图像适配球体或椭圆体模型并且确定包括磨玻璃密度阴影(ground glass opacity)的异常候选区域的装置。
根据本发明的第五方面,提供了一种用于使计算机用作下述装置的图像诊断处理程序,这些装置是:外周区域指定装置,其指定连接到包括在展示对象内部的图像中的异常候选区域的外周区域;和判断装置,其基于异常候选区域的第一特征量和外周区域的第二特征量判断异常候选区域是否是解剖学异常区域。
根据本发明的第六方面,提供了一种用于使计算机用作下述装置的图像诊断处理程序,所述装置是:判断装置,其基于基本包括包含在展示对象内部的图像中的异常候选区域并且包括除异常候选区域之外区域的第一比较区域的第一特征量和基本上与异常候选区域匹配或者基本上被包括在异常候选区域中的第二比较区域的第二特征量来判断异常候选区域是否是解剖学异常区域。
附图说明
图1是显示利用根据本发明的图像诊断处理设备的根据第一实施例的计算机辅助图像诊断处理设备的构造的示图。
图2是示意性示出图1所示计算机辅助图像诊断处理设备中检测结节的过程的流程图。
图3是示出由通过图1所示多层面CT(multi-slice CT)所获得的三维图像数据所表示的图像和从该图像中分割的前景部分的图像的示图。
图4是说明产生椭圆体模型的过程的示图。
图5是说明合成惩罚图像的过程的示图。
图6是说明使椭圆体模型变形的过程的示图。
图7是示出变形结束后的椭圆体模型和由椭圆体模型所指定的结节候选区域的示图。
图8是说明扩展结节候选区域的情况的示图。
图9是说明产生搜索基准点的过程的示图。
图10是示出通过图1所示判断单元计算缩小指数(diminutionindex)的过程的流程图。
图11是示出搜索扩展结节候选区域的状态的示图。
图12是示出搜索扩展结节候选区域的状态的示图。
图13是示出搜索扩展结节候选区域的状态的示图。
图14是示出搜索扩展结节候选区域的状态的示图。
图15是说明第三结束条件的示图。
图16是说明第四结束条件的示图。
图17是示出利用根据本发明的图像诊断处理设备的根据第二实施例的计算机辅助图像诊断处理设备的构造的示图。
图18是示意性示出图17所示计算机辅助图像诊断处理设备中检测结节的过程的流程图。
图19是说明占用率(occupancy ratio)变化的示图。
图20是示出利用根据本发明的图像诊断处理设备的根据第三实施例的计算机辅助图像诊断处理设备的构造的示图。
图21是示意性示出图20所示计算机辅助图像诊断处理设备中检测结节的过程的流程图。
图22是示出到在确定椭圆体模型的初始半径之后确定椭圆体模型为止一直使用的图像的示图。
图23是示出通过图20中所示判断单元计算缩小指数的过程的流程图。
图24是二维示出初始临界区域的示图。
图25是示出对应于图24所示初始临界区域的缩小评价区域(diminution evaluation region)的近端部分(proximal portion)的示图。
图26是示出通过定向扩展图25所示初始临界区域所指定的缩小评价区域的远端部分(distal portion)的示图。
图27是示出与缩小区域的远端部分中的表面区域相对应的体素的示图。
图28是示出与扩展结节候选区域中的表面区域相对应的体素的示图。
图29是示出与缩小评价区域的远端部分中的表面区域相对应的体素的示图。
图30是示出与扩展结节候选区域中的表面区域相对应的体素的示图。
图31是示出在利用体绘制(volume rendering)技术显示结节和结节的外周结构的图像中以被称为线框(wireframe)的显示方法图形重叠显示所产生的椭圆体模型以包围结节的实例的示图,。
图32是示出在利用体绘制技术显示结节和结节外周结构的图像中显示缩小评价区域的远端部分和缩小评价区域的近端部分的亮度或颜色的实例的示图。
图33是示出显示作为所产生椭圆体与三个垂直切面(section)的MPR切面上每个部分之间的交界面(intersection)的二维椭圆体的实例的示图。
图34是示出通过参考面积缩小指数判断结节候选区域是否是结节的过程的示图。
图35是示出通过参考面积缩小指数判断结节候选区域是否是结节的过程的示图。
图36是示出体素值的分配的改进实例的示图。
图37是示出根据改进实例的计算其前景占用率的区域的椭圆体外壳的示图。
具体实施方式
下面将参照附图描述本发明的实施例。
(第一实施例)
图1是示出利用根据本发明的图像诊断处理设备的根据第一实施例的计算机辅助图像诊断处理设备1的构造的示图。
图1中所示计算机辅助图像诊断处理设备1处理通过多层面CT 2所获得的三维图像数据。如图1所示,计算机辅助图像诊断处理设备1包括结节候选区域指定单元11、扩展结节候选区域指定单元12和判断单元13。
计算机辅助图像诊断处理设备1可以例如使用通用计算机设备作为基础硬件。可以通过执行安装在计算机设备中的处理器上的图像诊断处理程序来实现结节候选区域指定单元11、扩展结节候选区域指定单元12和判断单元13。这时,可以通过预先将图像诊断处理程序安装到计算机设备中或者通过将图像诊断处理程序记录在磁盘、磁光盘、光盘、半导体存储器等中或在网络上发布图像诊断处理程序并将图像诊断处理程序安装到计算机设备中来实现计算机辅助图像诊断处理设备1。可以通过诸如逻辑电路的硬件来实现上述单元中的一部分或全部。可以通过组合硬件和软件来实现上述单元中每一个。
结节候选区域指定单元11指定由三维图像数据表示的待处理图像(以下称作待处理图像)中可能成为结节的区域。扩展结节候选区域指定单元12指定待处理图像中的扩展结节候选区域。扩展结节候选区域包括结节候选区域和与其连接的外周区域。判断单元13基于结节候选区域和外周区域的各自特征量判断结节候选区域是否是结节。
接下来将描述如上构造的计算机辅助图像诊断处理设备1的操作。
图2是示意性示出在计算机辅助图像诊断处理设备1中检测结节的过程的流程图。步骤Sa1到Sa6表示由结节候选区域指定单元11进行的过程。步骤Sa7指示由扩展结节候选区域指定单元12进行的过程。步骤Sa8到Sa10指示由判断单元13进行的过程。
首先,通过多层面CT 2获得包括待诊断对象的肺的整个肺部图像。
在步骤Sa1,结节候选区域指定单元11接收由多层面CT 2所获得的三维图像数据。
在步骤Sa2,结节候选区域指定单元11从由三维图像数据表示的待处理图像中分割对应于肺的区域。这个过程可以例如使用现有方法。现有方法在“Hu S,Hoffman EA,Reinhardt JM.Automatic lungsegmentation for accurate quantitation of volumetric X-ray CTimages,IEEE Trans Med Imaging 2001;20:490-498”中公开。
在步骤Sa3,结节候选区域指定单元11将在步骤Sa2中所得到的肺部区域分割成对应于肺血管和结节的前景部分和对应于其它部分的背景部分。该过程可以例如使用现有的自适应阈值处理过程。自适应阈值处理过程在“Manay S,Yezzi A,Antigeometric diffusion foradaptive thresholding and fast segmentation.IEEE Trans ImageProcessing 2003;12:1310-1323”中公开。图3(a)是示出由多层面CT2所获得的待处理图像的示图。图3(b)是示出从图3(a)所示待处理图像中分割出的前景部分的图像的示图。图3(a)中的圆圈部分存在结节。图3(b)的黑色范围对应于肺部区域,并且肺部区域中的白色区域对应于肺部区域的前景部分。
在步骤Sa4,结节候选区域指定单元11确定可能成为结节候选区域中心的临时中心。首先,结节候选区域指定单元11将属于前景部分的每个体素的值转换成从每个体素到属于背景部分的体素的最短距离的值。例如,当集中注意力于包括具有图4(a)所示形状的前景部分的区域时,图4(b)中所示体素B1属于前景部分。体素B2和B3属于背景部分,并且最靠近体素B1。体素B1与体素B2或B3之间的距离(中点之间距离)大约为2个体素。这里,假设体素B1的值是“2”,如图4(b)所示。结果,如图4(b)所示,图像被转换成值朝着背景部分内部增加的图像。结节候选区域指定单元11将距离转换之后具有最大值的点确定为临时中心。当具有最大值的体素的数量只为1时,体素的体素点就是临时中心。当具有最大值的体素的数量至少为2时,体素的体素点的形心位置成为临时中心。例如,在图4(b)中,因为体素B1和体素B4都具有最大值,所以体素B1和B4的体素点的形心(中点)P是临时中心。一般地,在肺部区域的图像中存在多个可能是结节的前景部分。结节候选区域指定单元11确定这多个前景部分的各自临时中心。
对于这多个临时中心中的每一个进行下面的过程,并且它们是相同的。因此,下面的描述中将描述在一个临时中心上的过程。
在步骤Sa5,结节候选区域指定单元11产生包括临时中心的椭圆体模型。更具体地,首先,结节候选区域指定单元11准备由以临时中心为中心并且以距离转换之后的最大值作为半径的球体初始化的椭圆体模型。图4(c)是示出具有在图4(b)中所确定的临时中心P的椭圆体模型的示图。在图4(c)中,椭圆体模型的切面用虚线示出。结节候选区域指定单元11基于图像信息使椭圆体模型变形。可以利用现有方法使椭圆体模型变形。该方法在“Staib LH,Duncan JS.Model-based deformable surface finding for medical images,IEEETras Med Imaging 1996;15:720-731”中公开。该方法涉及一般三维图像的傅立叶弯曲表面的变形。椭圆体是最简单的傅立叶闭合弯曲表面。利用上述方法变形椭圆体模型,使得具有负号的给定三维图像的强度梯度(intensity gradient)的大小被设定给惩罚图像,并且惩罚图像的值在傅立叶弯曲表面上的积分被最小化。这里,作为上述方法的改进,通过将具有负号的目标三维图像的强度梯度的大小与目标三维图像和高斯-拉普拉斯(LoG)滤波器之间卷积绝对值相加而得到的图像被设定为惩罚图像。LoG滤波器执行次微分(secondarydifferentiation)。同时,可以通过主微分滤波器(primary differentialfilter)得到强度梯度。因此,通过合成目标三维图像的主微分滤波处理结果和次微分滤波处理结果而得到其中所使用的惩罚图像。
下面将参照图5详细描述合成惩罚图像的过程。为了一维示例说明该合成过程,根据经过结节的直线的强度变化由图形G1示出。位于图形G1中间部分处的峰对应于结节。通过在显示形状为图形G2和图形G1与其绝对值的LoG滤波器之间进行卷积所得到的结果分别由图形G3和G4示出。当图形G1中所示强度变化梯度被用负号标记时,可以得到图形G5。通过合成图形G4和图形G5,可以得到图形G6。当将图形G5与图形G6相比时,图形G6在与结节之间边界相对应的位置处具有明显的谷,并且因而更适合被用作惩罚图像。图5的虚线是表示0的基线。
例如,如图6所示,椭圆体模型被变形,使得椭圆体模型跟随惩罚图像的惩罚值的低谷。
在步骤Sa6,结节候选区域指定单元11基于变形结束之后的椭圆体模型,指定在距离转换之前的待处理原始图像中的结节候选区域。即,结节候选区域指定单元11将位于变形结束后椭圆体模型中并且属于肺部区域前景部分的体素集指定为结节候选区域。图7(a)是示出重叠有变形结束之后的椭圆体模型101的、对应于结节及其外周的待处理图像的一部分的半透射(semi-transmissive)显示的示图。图7(b)中所示结构是与图3(a)中所示结节及其外周相对应的肺部区域的前景部分,并且如上所指定的结节候选区域102被以较暗的颜色示出。
为了以后的参考,被用于产生结节候选区域的变形结束之后的椭圆体模型被称作所产生的结节候选区域的椭圆体模型。
在步骤Sa7,扩展结节候选区域指定单元12确定与结节候选区域相对应的扩展结节候选区域。扩展结节候选区域对应于包括结节候选区域和与其连接的区域的结构。
下面将参照图8详细描述扩展结节候选区域的情况。扩展结节候选区域被三维指定,但是为了简化描述,这里扩展结节候选区域被二维指定。
图8(a)示出CT图像的小区域。图8(b)示出小区域中以灰色显示的肺部区域的前景部分、以白色示出的背景部分和一个椭圆。假设该椭圆是所产生的结节候选区域的椭圆体模型101来进行描述。因此,在图8(b)中圆圈中的灰色区域对应于结节候选区域102。
图8(c)是结节候选区域102的放大图。图8(c)的黑色圆圈是结节候选区域102的形心102a。在图8(c)中,由白色十字所指示的体素属于结节候选区域102,并且与不属于结节候选区域102的体素相邻。包括由白色十字所指示的体素的区域被定义为结节候选区域102的内边界。由黑色十字所指示的体素不属于结节候选区域102,并且与属于结节候选区域102的体素相邻。包括由黑色十字所指示的体素的区域被定义为结节候选区域102的外边界。属于内边界的体素的平均强度被定义为结节候选区域102的内边界强度。类似地,属于外边界的体素的平均强度被定义为结节候选区域102的外边界强度。通过利用内边界强度和外边界强度的加权平均(以下称作平均边界强度)作为阈值的阈值处理过程得到与结节候选区域102相对应的扩展结节候选区域。在阈值处理过程中,首先,在目标三维图像中产生其中强度等于或大于平均边界强度并且位于肺部区域中的体素被设定为“1”而其它体素被设定为“0”的三维阵列。三维阵列中的连接组分(值为“1”、作为相互连接的体素集的部分,并且以图8(d)中的灰色示出)中与结节候选区域102共享体素的区域被定义为结节候选区域102的扩展结节候选区域103,如图8(e)所示。扩展结节候选区域103被指定为包括结节候选区域102和连接到结节候选区域102的外周区域的区域。包括位于所产生的结节候选区域102的椭圆体模型101(由图8(f)中的椭圆示例)外部的体素中与位于所产生的椭圆体模型101中的体素相邻的体素的区域以及与扩展结节候选区域共有的区域被定义为扩展候选区域临界部分104(在图8(f)中以黑色示出的部分)。
在步骤Sa8中,判断单元13指定扩展结节候选区域中的搜索基准点。判断单元13以与扩展结节候选区域临界部分104的连接组分一一对应地产生搜索基准点。例如,对于图8(f)中的左连接组分,判断单元13如下地产生搜索基准点。如图9(a)所示,对于属于连接组分的每个体素,判断单元13在从结节候选区域102的形心102a到体素的向量105(以下称作离心(centrifugal)向量)方向上扩展以该体素作为起始点的线段,并且在其终点离开扩展结节候选区域103时停止扩展。这时,当终点不在肺部区域中时,体素被排除不予考虑。如上所确定的线段被称作离心方向线段(centrifugal directionsegment)106。如图9(b)所示,判断单元13从相对于多个体素所确定的多个离心方向线段106中选择最长的线段。判断单元13确定将所选离心方向线段106的起始点应用为与连接组分相对应的搜索基准点107的体素的位置。
在步骤Sa9中,判断单元13计算缩小指数。图10是示出通过判断单元13计算缩小指数的过程的流程图。在这个过程中,扩展结节候选区域被搜索,并且搜索中的主要操作状态在图11到14中示出。图11和12示出了其中结节候选区域对应于结节的情况,图13和14示出了其中结节候选区域对应于肺部血管的情况。
在步骤Sb1中,判断单元13检查在相对于扩展结节候选区域103所得到的一组搜索基准点107中是否存在未选择搜索基准点107。
如果未选择搜索基准点107存在,则判断单元13从步骤Sb1前进到步骤Sb2。在步骤Sb2,判断单元13从该组搜索基准点107中选择一个未选择搜索基准点107。
在步骤Sb3,判断单元13基于所选择的搜索基准点107设定观察基准线和观察基准点。如图11(a)所示,判断单元13提供以结节候选区域102的形心102a作为起始点的有向线段,使得所选择搜索基准点107成为其中点。该线段被定义为观察基准线108。判断单元13将观察基准点设定在形心102a上。观察基准点不是固定的,而是从观察基准线的起始点向终止点移动,如下所述。
在步骤Sb4中,判断单元13将与观察基准线108垂直并且经过观察基准点的平面定义为观察面109。如图11b所示,判断单元13设定通过所产生的结节候选区域的椭圆体模型与观察面之间在观察面中的交界面给出的椭圆所初始化的椭圆体模型。接下来,判断单元13使椭圆体模型变形,使得椭圆体模型上在步骤Sa3中所使用的惩罚图像的值的线积分被最小化。判断单元13计算在扩展结节候选区域在观察面109中的切面中位于变形结束之后椭圆体模型内部的部分(以下称作椭圆体模型中扩展结节候选区域切面)的面积。图11(b)示出了变形结束之后的椭圆体模型110。图11(c)示出了图11(b)中所包括的椭圆体模型中的扩展结节候选区域切面111。
在步骤Sb5中,判断单元13判断当前观察基准点是否位于观察基准线108的中点前面(在搜索基准点107前面)。
在当前观察基准点位于观察基准线108的中点前面时,判断单元13从步骤Sb5前进到步骤Sb6,否则,从步骤Sb5前进到步骤Sb7。在步骤Sb6中,判断单元13将上面所计算的椭圆体模型中扩展结节候选区域切面的面积添加到第一加法器。在步骤Sb7中,判断单元13将上面所计算的椭圆体模型中扩展结节候选区域切面的面积添加到第二加法器。第一加法器和第二加法器被包括在判断单元13中。第一加法器和第二加法器在图10所示过程开始时被初始化为0。
在步骤Sb8中,判断单元13检查结束条件是否满足。这里,结束条件的数量是4,并且结束点如下:
(第一结束条件)
观察基准点到达观察基准线的终线。
(第二结束条件)
椭圆体模型中的扩展结节候选区域切面消失。
(第三结束条件)
下面将参照图15进行描述。图15示出了当观察基准点在附接到血管的结节边缘附近通过两步从图15(a)移到图15(b)和从图15(b)移到图15(c)时变形结束之后椭圆体模型的转变。椭圆体模型110的大小在图15(b)和图15(c)之间突然变化。这是因为在椭圆体模型110在附接到血管的结节边缘中的范围中没有观察到结节切面,即,只观察到血管切面。因此,接下来的搜索是没有意义的,并且因而上述状态的产生被设定为结束条件。可以通过如下过程判断结束条件的满足。计算通过将在每个观察基准点位置处的椭圆体模型平均位移(作为在考虑根据变形结束之前椭圆体模型圆周的点行(pointrow)和根据变形结束之后椭圆体模型圆周的点行的情况下与两个点行相对应的点之间的平均距离而被得到)除以椭圆体模型的平均有效半径(变形结束之前椭圆体模型的有效半径与变形结束之后椭圆体模型的有效半径的平均值)而获得的椭圆体模型的相对平均位移。当椭圆体模型的相对平均位移大于预定上限值时,认为满足该结束条件。
(第四结束条件)
下面将参照图16进行描述。图16是示出附接到血管的另一结节的示图。图16(a)示出了其中观察基准点在观察基准线起始点附近的情况,图16(b)示出了其中观察基准点在观察基准线中点附近的情况。如图16(a)和图16(b)的下面部分所示,与观察面109相对应的在待处理图像中的椭圆体模型部分(以下称作椭圆体模型中的图像)可以被分解成其中其强度根据平面中的坐标线性变化的组分(以下称作椭圆体模型中图像的线性组分)和另一组分(以下称作椭圆体模型中图像的非线性组分)。当椭圆体模型基本上与血管的水平切面或结节的切面匹配时,如图16(a)所示,主要通过椭圆体模型中图像的非线性组分的强度变化描述椭圆体模型中图像的强度变化。但是,如图16(b)所示,当椭圆体模型从血管的中央部分偏离并且与血管的竖直切面重叠时,通过椭圆体模型中图像的线性组分的强度变化描述椭圆体模型中图像的强度变化的大部分。一般而言,与图16(b)类似的情况可能在附接到血管的结节与血管之间的过渡部分中出现。当这种状态出现时,接下来的搜索是没有意义的,并且因而上述状态的产生被设定为结束条件。该结束条件的满足可以通过如下过程判断。计算通过用在每个观察基准点位置处椭圆体模型中图像的非线性组分强度的标准偏差除以椭圆体模型中图像的强度的标准偏差而得到的椭圆体模型中图像的非线性组分贡献率。当椭圆体模型中图像的非线性组分贡献率小于预定下限值时,认为该结束条件被满足。
当所有上述结束条件都不满足时,判断单元13从步骤Sb8前进到步骤Sb9。在步骤Sb9,判断单元13以规律的狭窄间隔在观察基准线108上移动观察基准点。因此,观察面根据观察基准点移动。判断单元13重复步骤Sb4之后的步骤。因此,判断单元13在以规律的间隔移动观察基准点的同时,重复使椭圆体模型变形以及计算椭圆体模型中扩展结节候选区域切面的面积的过程,直到满足结束条件。
当结束条件满足时,判断单元13从步骤Sb8前进到步骤Sb10。在步骤Sb10,判断单元13计算通过用第二加法器的值除以第一加法器的值所得到的商。该商代表扩展结节候选区域相对于当前选择的搜索基准点的近端部分与远端部分的体积比。判断单元13记录所计算的体积比。之后,判断单元13重复步骤Sb1之后的步骤。因此,判断单元13计算并记录对于扩展结节候选区域103所得到的所有搜索基准点107的各自体积比。
当对于扩展结节候选区域103所得到的所有搜索基准点107的各自体积比的计算结束时,不能在步骤Sb1中找到未选择搜索基准点。因此,在这种情况下,判断单元13从步骤Sb1前进到步骤Sb11。当对于扩展结节候选区域103没有获得任何搜索基准点107时,判断单元13在图10的过程刚刚开始之后就从步骤Sb1前进到步骤Sb11,而不执行步骤Sb2后面的步骤。在步骤Sb11中,判断单元13将通过从所有搜索基准点的商中具有最大值的商中减去“1”所得到的值设定为结节候选区域102的缩小指数。当没有获得任何搜索基准点107时,所记录的商中具有最大值的商被设定为“0”。
如上所计算的缩小指数是用于概括结节候选区域102和与之连接结构之间的关系的特征量。更具体地,缩小指数是代表扩展结节候选区域的远端部分与扩展结节候选区域的近端部分的相对体积减小程度的特征量,其通过离心搜索(centrifugally searching)从结节候选区域102的形心102a到任何距离的扩展结节候选区域103而得到的。
当缩小指数的计算结束时,判断单元13从图2中的步骤Sa9前进到步骤Sa10。在步骤Sa10,判断单元13判断结节候选区域102是否是结节。当结节候选区域102是肺部血管的一部分时,对应于结节候选区域102的扩展结节候选区域103的近端部分和远端部分都是肺部血管的一部分,并且因而缩小指数非常小。即,缩小指数接近0。相反,当结节候选区域102对应于与血管隔离的结节时,扩展结节候选区域103的近端部分的体积小于扩展结节候选区域103的远端部分的体积,并且因而缩小指数接近其最大值1。判断单元13利用可以根据缩小指数看出的特性和诸如结节候选区域102的有效直径或强度对比的相对简单特征量进行判断。
根据第一实施例,可以高精确度地区分诸如结节或血管的组织,以便对于由多层面CT2所获得的三维图像中可能是结节的结节候选区域中每一个参照结节候选区域与连接到结节候选区域的外周区域的特征量比。因此,可以提供结节检测灵敏度高并且假阳性(falsepositive)低的CAD***。
根据第一实施例,因为从三维图像中自动指定结节候选区域,所以可以从三维图像中自动检测结节。因此,可以减轻医生的负担并且防止遗漏结节。
根据第一实施例,上述缩小指数是扩展结节候选区域的近端部分与远端部分的体积比。即,获得结节候选区域和外周区域的各自特征量作为两个区域之间边界附近部分的体积。因此,不需要执行诸如计算所有结节候选区域的特征量、指定所有外周区域的形状或者计算所有外周区域的特征量的过程,并且第一实施例是高效的。
(第二实施例)
图17是示出使用根据本发明的图像诊断处理设备的计算机辅助图像诊断处理设备3的构造的示图。在图17中,与图1中相同的部分由相同的标号指示,并且将省略对它们的详细描述。
图17中所示的计算机辅助图像诊断处理设备3处理由多层面CT2所获得的三维图像数据。如图17所示,计算机辅助图像诊断处理设备3包括结节候选区域指定单元11和判断单元31。
与根据第一实施例的计算机辅助图像诊断处理设备1相似,计算机辅助图像诊断处理设备3可以例如使用通用计算机设备作为基础硬件。
判断单元31基于包括在结节候选区域中的椭圆体模型的前景占用率和包括结节候选区域的椭圆体模型的前景占有区域判断结节候选区域是否是结节。
接下来将描述如上构造的计算机辅助图像诊断处理设备3的操作。
图18是示意性示出计算机辅助图像诊断处理设备3中检测结节的过程的流程图。在图18中,与图2中相同的步骤由相同的标号指示,并且将省略对它们的详细描述。
如图18所示,首先,结节候选区域指定单元11利用与第一实施例相同的方法执行步骤Sa1到步骤Sa6。之后,由判断单元31执行步骤Sc1和步骤Sc2。
在步骤Sc1,判断单元31计算占用率的变化。下面,将参照图19描述占用率变化的计算。
首先,如图19(a)所示,属于前景部分的体素的值被设定为“1”,属于背景部分的体素的值被设定为“0”。判断单元31计算在由结节候选区域指定单元11产生的被产生椭圆体模型中所包括的体素中属于前景部分的体素与属于背景部分的体素的比(以下称作前景占用率)。然后,判断单元31在保持三个主轴的轴旋转方向和轴长度比并连续增大所产生的椭圆体模型101期间计算前景占用率的变化。该变化是占用率的变化。
如图16(b)所示,因为由结节候选区域指定单元11产生的被产生椭圆体模型101跟随结节候选区域的边缘附近,所以在所产生的椭圆体模型101中的区域基本上与结节候选区域匹配。在这种状态下,前景占用率基本上变为“1”。当所产生的椭圆体模型101增大时,前景部分被包括在所产生的椭圆体模型101中,因而前景占用率降低。在结节的情况中,如图19(c)所示,因为结节候选区域的外周区域很小,所以所产生的椭圆体模型101的增大区域的大部分成为背景区域。相反,在肺部血管的情况中,如图19(d)所示,因为结节候选区域的外周区域很大,所以大的前景区域被包括在所产生的椭圆体模型101的增大区域中。因此,如图19(e)所示,当结节候选区域是结节时,占用率的变化大于肺部血管情况中占用率的变化。
在步骤Sc2,判断单元31利用前述特性和诸如结节候选区域102的有效直径或强度对比的较简单特征量来判断结节候选区域是否是结节。
从椭圆体模型的中央部分仅仅连续增加轴长度的过程可以从比由结节候选区域指定单元11产生的被产生椭圆体模型101稍小的椭圆体模型开始。
根据第二实施例,因为在考虑连接到结节候选区域的外周区域的特征的情况下执行判断,所以可以高精确度地区分诸如结节和血管的组织。
(第三实施例)
第一或第二实施例对于检测实性结节(solid nodule)是有效的。但是,对于磨玻璃密度阴影(GGO)型结节,难以对GGO型结节应用椭圆体模型。
在GGO型结节中,观察到现有肺部血管或具有更高强度的组分。即,可能存在被诸如GGO的具有较低对比度的对象包围的具有较高对比度的对象。因此,在第一或第二实施例中,可能出现以下问题。
(1)当通过自适应阈值处理过程将肺部区域分成前景部分和背景部分时,在GGO型结节中,只有结节的一部分可以进入前景部分。在这种情况下,用于转换前景部分的距离的值被设定为椭圆体模型的初始半径,结节的实际半径相当小。
(2)因为基于强度梯度计算在使椭圆体模型变形中所使用的惩罚图像,所以椭圆体模型的表面很可能被吸向血管的边界部分或者由GGO包围的高强度组分。
(3)当通过阈值处理过程获得计算缩小指数所必需的扩展结节候选区域时,利用自适应阈值处理过程的结果和椭圆体模型的变形确定阈值。因此,当GGO型结节的自适应阈值处理过程或椭圆体模型的变形被不适当地完成时,扩展结节候选区域也变得不适当。
在这之中,最基本的问题是惩罚图像。使用用于根据强度梯度使可变形状模型变形而不限于椭圆体模型的传统方法,但是其在GGO型结节中是不适当的。
因此,将描述基于上述问题的适合于GGO型结节检测的第三实施例。
在第三实施例中,使用确定原始图像的适当阈值强度、并利用基于阈值强度的惩罚图像使椭圆体模型变形的方法。先前,利用相同的阈值强度获得扩展结节候选区域。也利用原始图像确定椭圆体模型的初始半径。
第三实施例通过包括确定椭圆体模型的初始半径、确定阈值强度和准备惩罚图像的三个改进而被构造。如后面详细描述的,通过由椭圆体模型初始半径、阈值强度和先前设定的参数所控制的简单过程准备给定原始图像的惩罚图像。确定椭圆体模型初始半径的过程很简单。
图20是示出使用根据本发明的图像诊断处理设备的计算机辅助图像诊断处理设备4的构造的示图。
图20中所示的计算机辅助图像诊断处理设备4处理由多层面CT
2所获得的三维图像数据。如图20所示,计算机辅助图像诊断处理设备4包括扩展结节候选区域指定单元41、结节候选区域指定单元42和判断单元43。
与根据第一实施例的计算机辅助图像诊断处理设备1相似,计算机辅助图像诊断处理设备4可以例如使用通用计算机设备作为基础硬件。
扩展结节候选区域指定单元41指定由三维图像数据所表示的待处理图像中包括结节候选区域和与之连接的外周区域的扩展结节候选区域。结节候选区域指定单元42指定待处理图像中可能是结节的结节候选区域。判断单元43基于结节候选区域和外周区域的相应特征量判断结节候选区域是否是结节。
接下来将描述如上构造的计算机辅助图像诊断处理设备4的操作。
图21是示意性示出由计算机辅助图像诊断处理设备4检测结节的过程的流程图。在图21中,与图2中相同的步骤由相同的标号指示,并且将省略对它们的详细描述。
如图21所示,首先,通过与第一实施例相同的方法执行步骤Sa1到Sa4。在第三实施例中,步骤Sa1到Sa4表示由扩展结节候选区域指定单元41所执行的过程。在图21的流程图中所示的其它步骤中,步骤Sd1到Sd3指示由扩展结节候选区域指定单元41所执行的过程。步骤Sd4、步骤Sd5和步骤Sd6指示由结节候选区域指定单元42所执行的过程。步骤Sd6和步骤Sa10指示由判断单元43所执行的过程。
在步骤Sd1,扩展结节候选区域指定单元41确定椭圆体模型的初始半径。更具体地,首先,扩展结节候选区域指定单元41设定中心位于感兴趣肺部区域中结节候选者临时中心上的其一边由2n+1个体素阵列形成的立方区域。当结节候选者的临时中心与体素的中心不匹配时,扩展结节候选区域指定单元41将最靠近结节候选者临时中心的体素的中心设定为感兴趣区域的中心。这里,n是正整数,并且扩展结节候选区域指定单元41将n设定为1。扩展结节候选区域指定单元41计算感兴趣区域中的强度直方图的熵。随后,扩展结节候选区域指定单元41重复n增加1以更新感兴趣区域、并且计算更新后感兴趣区域中强度直方图的熵的循环,直到检测到熵值的最大值。熵的计算可以使用已有方法进行。已有方法在“Kadir T,Brady M.Saliency,scale,and image description.International Journal of Computer Vision2001;45:83-105”中公开。
扩展结节候选区域指定单元41将应用熵最大值的n设定为N,并将体素宽度的N倍设定为椭圆体模型的初始半径。即,因为感兴趣区域中体素的体素值的分布是均匀的,所以如上计算的熵减小。因此,当感兴趣区域的外边缘存在于诸如CT图像中所示结节的结构与其外周之间的边界附近时,熵增加。即,熵变为最大值时感兴趣区域的一边的长度很可能接近诸如结节的结构的直径。因此,扩展结节候选区域指定单元41将熵变为最大值时位于感兴趣区域中心的体素的中心与位于端部的体素的中心之间的距离、即感兴趣区域的内切球的半径设定为初始半径。
图22是示出到在确定椭圆体模型的初始半径之后确定椭圆体模型之前一直使用的图像的示图。图22示出了二维图像,但是实际上使用三维图像。图像151示出了包括在GGO型结节中的CT图像,其中重叠具有相对于结节确定的初始半径的圆圈。
在步骤Sd2,扩展结节候选区域指定单元41确定阈值强度。以下将参照图22描述阈值强度的确定。
扩展结节候选区域指定单元41将中心位于结节候选者临时中心上的肺部区域中一边的长度是如上所得到的初始半径的几倍的立方区域设定为感兴趣区域。倍数是可选的,但是优选地被设定成使得感兴趣区域充分包括结节及其外周区域。一般而言,可以考虑倍数是三倍。在感兴趣区域中执行接下来的过程。
在第三实施例中,使用强度梯度的已有方法应用于阈值的确定。该方法在“Kitller J,Illingworth J,Foglein J.Threshold selectionbased on a simple image statistics.Computer Vision Graphic andImage Processing 1985;30:125-147”中公开。以下,阈值的确定被称作Kittler方法。该Kittler方法基于如下考虑。
阈值确定的目标是在假设通过对象和背景构造图像的目标区域的情况下通过阈值处理过程正确地将目标区域分成对象区域和背景区域。因为认为具有很大大小的强度梯度存在于对象与背景之间的边界中,所以当利用每个体素中强度梯度的大小(在Kittler方法中,获得x和y方向的强度梯度并且使用较大的强度梯度)作为权重计算感兴趣区域中体素强度的加权平均时,加权平均可以被认为是位于对象与背景之间边界处的体素的平均强度的近似值。因此,加权平均被确定为阈值。
在代表具有很大大小的强度梯度的多个体素存在于与对象和背景之间的边界间隔开的位置的情况下,即,对象强度的不规则度很高或者噪声很高,Kittler方法不能很好地发挥作用。因此,扩展结节候选区域指定单元41可以在确定阈值时将Kittler方法应用于以下过程。
假定其中具有高强度组分或血管的GGO存在于感兴趣区域的中央部分中,并且可以设定在GGO中不包括高强度组分或血管的目标区域。如果这样,则因为目标区域中的对象和背景基本上对应于GGO和实际的肺,所以当Kittler方法应用于目标区域时,认为获得了适当的阈强度(threshold intensity)。
因此,考虑目标区域(以下称作阈值确定目标区域)的获取。接下来将描述获得阈值确定目标区域的详细过程。
在图像152中,在感兴趣的区域中,属于前景部分的体素以白色示出,属于背景部分的体素以灰色示出。在图像152中,以黑色示出的区域是除感兴趣区域之外的其它区域。
通过从图像152中提取缩减前景部分(reduction foregroundportion)而获得图像153。图像152的白色部分表示缩减前景部分。缩减前景部分是属于前景部分的体素中除了与属于背景部分的体素六连通性(6-connectivity)地相邻的体素的部分。更具体地,扩展结节候选区域指定单元41检查对于属于前景部分的每个体素,在x、y和z方向上与该体素相邻的所有六个体素是否属于图像152中的前景部分。扩展结节候选区域指定单元41只将满足上述条件的体素设定为缩减前景部分,并将其它体素设定为后景部分,从而得到图像153中所示的图像。因此,缩减前景部分成为具有较大体素值的体素集。
接下来,扩展结节候选区域指定单元41从图像151中所示的CT图像中提取位于具有在步骤Sd1中所确定的初始半径的球体模型中、并且属于缩减前景部分的体素,以获得图像154,并将图像154设定为待扩展的初始区域。
扩展结节候选区域指定单元41将初始区域设定为当前区域。扩展结节候选区域指定单元41检查与属于当前区域内边界的体素(以下称作内边界体素)相邻并且属于当前区域外边界的体素(以下称作外边界体素)的每个体素的强度是否小于预定强度。扩展结节候选区域指定单元41将通过将参数α和与外边界体素相邻的内边界体素的强度相加而得到的值设定为限定强度。
当满足上述条件的外边界体素存在时,体素被添加到当前区域,以扩展当前区域。在当前区域被扩展时,对于新边界的外边界体素中每一个重复该过程。该循环被重复,直到不发现将被重新添加到当前区域的体素。参数α被设定在从0到噪声标准偏差的范围中,使得在用于逐渐降低强度的方向上扩展区域。因此,具有高对比度的对象不被包括在除初始区域附近之外的区域的扩展结果中。
图像155可以作为扩展过程的结果而被获得。扩展结节候选区域指定单元41将扩展过程结果中除初始区域之外的在图像156中所示出的线区域设定为潜在阈值确定目标区域。
当其中具有高强度组分或血管的GGO存在于感兴趣区域的中间时,认为高强度组分或血管进入前景部分。因为初始区域是初始状态的椭圆体模型中的前景部分,所以高强度组分或血管中大部分被从潜在阈值确定目标区域中排除。
在另一种情况下,考虑位于感兴趣区域中间的任何结构基本上都对应于前景部分。潜在阈值确定目标区域包括与初始状态的椭圆体模型中前景部分的内边界相对应的部分。即,沿结构边缘的部分被包括在潜在阈值确定目标区域中,并且被确定为阈值的值接近在Kittler方法应用于潜在阈值确定目标区域时根据结构边缘的平均强度。
考虑当强度梯度很小时,噪声的影响很大。扩展结节候选区域指定单元41将阈值确定目标区域中除了强度梯度小于任何截止值的体素之外的体素设定为阈值确定目标区域。图像157表示基于图像156的阈值确定目标区域。在考虑噪声标准偏差(例如,在与外部空气接触的图像部分中估计)的情况下适当地确定截止值。基于经验、仿真结果或测试结果确定截止值,以获得几倍的噪声标准偏差。
在步骤Sd3中,扩展结节候选区域指定单元41通过在步骤Sd2中所确定的阈值强度对在步骤Sd1中所限定的感兴趣区域进行阈值处理,以获得双值图像。图像158是通过用基于有关图像157所示阈值确定目标区域的信息所确定的阈值强度对图像151进行阈值处理而得到的双值图像。在图像158中,白色区域和灰色区域对应于感兴趣区域。属于白色区域的体素的体素值是1,属于灰色区域的体素的体素值是0。黑色区域表示除感兴趣区域之外的区域。根据双值图像,扩展结节候选区域指定单元41只将与对应于初始状态的椭圆体模型的表面和内部的区域重叠的连接组分的体素值设定为1,并将其它体素值设定为0,从而获得诸如图像159的图像。在该图像159中,体素值为1的区域被确定为补充扩展结节区域。
在步骤Sd4中,结节候选区域指定单元42基于在扩展结节候选区域中示出的图像产生用于产生椭圆体模型的惩罚图像。即,首先,结节候选区域指定单元42将参数h设定为h=round(βN)。这里,N是椭圆体模型的初始半径。β是将被提前设定的正参数,并且被设定为等于或小于0.5。结节候选区域指定单元42分别将感兴趣区域中的每个体素设定为中心体素,并且检查中心在中心体素上、一条边包括2h+1个体素的阵列的立方区域是否是感兴趣区域中。当获得上述立方区域时,结节候选区域指定单元42将肺部区域的立方区域中属于扩展结节候选区域的体素比例设定为p,并将不属于扩展结节候选区域的体素的比例设定为q。结节候选区域指定单元42将通过{1-2min(p,q)}所得到的值定义为惩罚图像中的中心体素的值。当没有获得上述立方区域时,惩罚图像中中心体素的值被设定为1。因为p+q为1,所以min(p,q)总是0到0.5的值。当min(p,q)是0.5时,体素值为最小值0,并且,当min(p,q)是0时,体素值为最大值1。因为中心体素接近扩展结节候选区域与其外部区域之间的边界,所以min(p,q)增加。因此,惩罚图像成为其中强度低谷存在于扩展结节候选区域与其外部区域之间边界附近的图像。图像160是从图像159所获得的惩罚图像。
在步骤Sd5中,结节候选区域指定单元42利用惩罚图像使椭圆体模型变形。即,结节候选区域指定单元42使在步骤Sd1中所确定的椭圆体模型的初始形状变形以跟随惩罚图像的强度的低谷。椭圆体模型的变形可以通过与第一实施例相同的过程被实现。因此,如图像160中所示,可以肯定地将所产生的椭圆体模型的表面定位在扩展结节候选区域的边界附近。
然后,类似于第一实施例,结节候选区域指定单元42在步骤Sa6中指定结节候选区域。结节候选区域指定单元42只将扩展结节候选区域、而不是将被在步骤Sd5中所获得的所产生椭圆体模型包围的整个图像区域指定为结节候选区域。
在步骤Sd6中,判断单元43计算缩小指数。下面将参照图23到30描述缩小指数的计算。
图23是示出利用判断单元43计算缩小指数的过程的流程图。
在缩小指数的计算中,被称为定向区域扩展的特别区域扩展被用于指定缩小评价区域的远端部分。因为在定向区域扩展中所使用的初始区域被获得作为扩展结节候选区域临界部分104的部分集,所以在下面的描述中初始区域被称作初始临界区域。确定缩小评价区域的近端部分,而不使用区域扩展。
当扩展结节候选区域临界部分104是空集时,缩小指数被设定为1。否则,缩小指数被如下确定。
在步骤Se1中,判断单元43指定结节候选区域的初始临界区域。初始临界区域复数地存在于一个结节候选区域中。
通过以下过程,与工作图像中具有最大值的区域一一对应地确定初始临界区域。通过将属于扩展结节候选区域临界部分的体素设定为距离转换之后扩展结节候选区域的体素的值,并将其它体素初始化为0,生成工作图像。
判断单元43产生其中工作图像中具有最大值的体素的值被设定为1、其它体素的值被设定为0的双值图像。判断单元43对于双值图像的连接组分执行以下过程。
(1)判断单元43记录连接组分的形心。
(2)判断单元43利用连接组分作为初始区域而执行包括(2-1)到(2-5)的区域扩展。
(2-1)判断单元43产生大小与工作图像相同的双值图像,以将所有体素的值初始化为0。双值图像被用于存储区域扩展的进展状态,并在之后被称作输出区域,因为双值图像在过程结束时作为区域扩展的结果被输出。判断单元43产生空列表(以下称作过程体素列表)。
(2-2)对于属于初始区域的每个体素,判断单元43将输出区域中体素的值设定为1,并将体素添加到过程体素列表的末尾。
(2-3)判断单元43将位于过程体素列表顶部的体素(以下称作上游体素)从过程体素列表中删除。
(2-4)输出区域中与上游体素相邻并且值为0的体素被称作下游体素。对于下游体素中的每一个,当下游体素中工作图像的值不是0并且等于或小于上游体素中工作图像的值时,判断单元43将输出区域中下游体素的值设定为1。当下游体素中工作图像的值大于1时,判断单元43将下游体素添加到过程体素列表的末尾。
(2-5)当过程体素列表为空时,判断单元43结束区域扩展。否则,判断单元43返回到(2-3)的过程。
(3)判断单元43将作为区域扩展的输出所获得的区域设定为新初始临界区域。判断单元43将属于相同区域的体素中的工作图像的值设定为0。在(1)中所记录的形心成为与其中所确定的初始临界区域相对应的代表点。
判断单元43重复过程(1)到(3),直到工作图像的最大值变为1。
当结节候选区域的外周区域通过这些过程而存在多个时,扩展结节候选区域临界部分可以通过与各个外周区域相对应的多个初始临界区域而被区分开。
图24是二维示出初始临界区域的示图。在图24中,扩展结节候选区域103由以灰色或黑色示出的所有体素形成。在属于扩展结节候选区域103的体素中,属于扩展结节候选区域临界部分104的体素用数字标注。数字利用扩展结节候选区域的棋盘距离(chess boarddistance)指示距离转换的值。在图24所示的例子中,因为距离转换的最大值存在于扩展结节候选区域临界部分中,所以三个初始临界区域201、202和203被如图24所示地获得。属于初始临界区域201、202和203的体素被以黑色示出。在图24中,从所产生的椭圆体模型101的中心到初始阈值区域201、202和203的代表点的向量204、205和206被示出。
在步骤Se2中,判断单元43对于每个初始临界区域指定缩小评价区域的近端部分。即,对于属于扩展结节候选区域并且位于所产生椭圆体模型中的每个体素,当从所产生的椭圆体模型的中心到体素的向量与从所产生的椭圆体模型的中心到初始临界区域的代表点的向量之间的内积非负时,判断单元43确定体素属于近端部分。通过这一过程,在垂直于代表方向且经过所产生的椭圆体模型的中心的平面中通过将结节候选区域一分为二而得到的作为缩小评价区域近端部分的区域中,位于与代表方向相同的方向上的区域被指定为缩小评价区域的近端部分。
图25是示出与图24所示初始临界区域201相对应的缩小评价区域的近端部分的示图。在图25中以深灰色示出的区域是缩小评价区域的近端部分207。
在步骤Se3中,判断单元43对于每个初始临界区域指定缩小评价区域的远端部分。即,判断单元43通过基于每个初始临界区域执行下面的定向区域扩展来指定缩小评价区域的远端部分。
在定向区域扩展中,使用包括中心位置、代表方向、允许角度和上限投影距离的四个参数。中心位置是所产生的椭圆体模型的中心位置。代表方向是从中心位置到初始临界区域的代表点的方向。允许角度是用于限定允许区域扩展的方向的角度,并且是预定整数。上限投影距离是表示允许区域扩展的范围的距离,并且例如被设定为所产生的椭圆体模型在代表方向上的半径的两倍。由判断单元43根据结节候选区域自动设定除允许角度之外的参数。与第一实施例类似,中心位置可以是所产生的椭圆体模型的中心附近或者是结节候选区域的中心位置。代表方向可以基本上沿着满足上述条件的方向或者与中心位置或代表点分开。
下面,将描述扩展方向区域的过程。
(4)判断单元43产生具有包括扩展结节候选区域的大小的双值图像,以将所有体素的值初始化为0。双值图像被用于存储方向区域扩展的进展状态,并在之后被称作输出区域,因为在过程结束时输出双值图像作为定向区域扩展的结果。判断单元43产生空列表。
(5)对于属于初始临界区域的体素中的每一个,当从中心位置到体素的向量与代表方向之间的角度在允许角度内时,判断单元43将输出区域中体素的值设定为1,并将体素添加到过程体素列表的末尾。
(6)判断单元43将位于过程体素列表顶部的体素(以下称作上游体素)从过程体素列表中删除。
(7)输出区域中与上游体素相邻并且值为0的体素被称作下游体素。对于下游体素中的每一个,当下游体素满足下面的所有条件(a)到(c)时,判断单元43将输出区域中下游体素的值设定为1,并将下游体素添加到过程体素列表的末尾。
(a)下游体素属于扩展结节候选区域。
(b)从上游体素到下游体素的向量与代表方向之间的角度在允许角度内。
(c)在经过中心位置的代表方向的直线上用于连接中心位置和体素的线段的投影长度等于或小于上限投影距离。
(8)当过程体素列表被清空时,判断单元43结束方向区域扩展。否则,判断单元43返回到(6)的过程。
通过这个过程,中心角度为从所产生的椭圆体模型的中心到代表方向两侧的允许角度并且半径为上限投影距离的扇形区域、以及由共同属于除结节候选区域之外的扩展结节候选区域的体素所产生的区域被指定为缩小评价区域的远端部分。
图26是示出通过对图25所示初始临界区域201执行定向区域扩展而指定的缩小评价区域的远端部分的示图。图26中以黑色示出的区域是缩小评价区域的远端部分208。线段209是经过中心位置的代表方向的直线,并且其长度是上限投影距离。虚线210和211指示与代表方向形成允许角度的方向。
在步骤Se4中,判断单元43计算与缩小区域远端部分中的每一个相对应的缩小指数候选值。判断单元43从缩小评价区域的远端部分与缩小评价区域的近端部分的体积比中减去“1”,以获得缩小指数候选值。缩小评价区域的远端部分和缩小评价区域的近端部分的各自体积可以基于属于它们的体素的体积和相应体素的数量来计算,因为属于它们的相应体素的数量是已知的。
当线段209是第一实施例的观察线时,在第一加法器和第二加法器中累积的椭圆体模型中扩展结节候选区域切面的总和的比近似为缩小评价区域的近端部分与缩小评价区域的远端部分的体积比。即,缩小程度候选值是等同于第一实施例中缩小指数的特征量。
在步骤Se5中,判断单元43如下地对于缩小评价区域远端部分中每一个获得远端部分的开度(opening degree)。即,缩小程度候选值与远端部分的开度一一对应。
在属于任何区域的体素中,与不是六连通性地属于该区域的体素相邻的体素集被定义为区域的表面区域。判断单元43将属于通过从缩小评价区域远端部分的表面区域中排除缩小评价区域远端部分的近端或远端而获得的区域的体素的数量设定为P,并将属于扩展结节候选区域的表面区域的体素的数量设定为Q。判断单元43通过|P∩Q|/|P|而获得远端部分的开度。当P是空集(Φ)时,判断单元43将远端部分的开度设定为1。
将结节附接到血管的形式大致被分成结节包围血管的第一形式和结节附接到血管侧面的第二形式。图27和28示出了第一形式的例子,图29和30示出了第二形式的例子。
在图27或29中,用星号标注的体素和用×标注的体素属于缩小评价区域的远端部分的表面区域。用×标注的体素属于缩小评价区域的远端部分的近端或远端。因此,用星号标注的体素的数量是P。在图28和30中,用O标注的体素属于扩展结节候选区域的表面区域。因此,用O标注的体素的数量是Q。
在第一形式下,定向区域扩展的代表方向基本上等于血管的轴方向。因此,当在某种程度上有允许角度时, 。即,P∩Q(图28中用星号和O标注的区域中的体素的数量)变得等于P,并且远端部分的开度变为1。在第二形式下,如可以从图30中看到的,P ∩Q=Φ,并且远端部分的开度变为0。
可以基于如上所计算的远端部分的开度估计将结节附接到血管的形接近第一和第二形式中的哪个。当形式接近于第一形式时,定向区域扩展的代表方向适合于获得缩小指数候选值。在步骤Se6中,对于结节候选区域中每一个,判断单元43将相应缩小指数候选值中远端部分的开度等于或大于预定截止值的缩小指数候选值的最小值设定为缩小指数。截止值被设定为最小值0与最大值1之间的中间值,即,约0.5。
然后,在步骤Sa10,类似于第一实施例,判断单元13基于如上所获得的缩小指数,判断结节候选区域是否是结节。
根据第三实施例,可以精确地将实性结节和GGO中任何一个检测为结节。
(第四实施例)
根据第三实施例判断结节的结果一般由读图医生在图像上确认。
因此,为了确认图像,利用体绘制技术显示结节和结节的外周结构。这时,如图31所示,在计算缩小指数中所使用的所产生的椭圆体模型通过被称为线架构的显示方法被图形重叠显示,以包围结节。如图32所示,缩小评价区域的远端部分和缩小评价区域的近端部分被以亮度或颜色显示,使得结节与结节的外周区域之间的边界可以被清楚确认。
在结节与结节的外周区域的显示中,可以执行利用面绘制(surface rendering)的表面显示模式。当需要观察结节的内部结构时,可以将作为所产生的椭圆体与每个切面之间交界面的二维椭圆显示在三个垂直切面的MPR(轴向、矢状、冠状)切面上,如图33所示。
本发明不限于上述实施例,并且可以通过改变组成部分来实现而不脱离本发明的精神。
在第一实施例中,面积可以被用作特征量。获得椭圆体模型中扩展结节候选区域切面从观察面109中搜索基准点的起点到终点的面积,以获得具有椭圆体模型中扩展结节候选区域切面在离心方向上的面积与椭圆体模型中扩展结节候选区域切面在起始点的面积的比的地方的面积缩小指数。通过参考面积缩小指数,确定结节候选区域是否是结节。例如,当结节候选区域是如图34和35所示的结节时,图34(a)的观察面109a、109b、109c和109d的椭圆体模型中的扩展结节候选区域切面分别具有图34(b)到34(e)中所示出的形状。椭圆体模型中的扩展结节候选区域切面的面积缩小指数具有图34(f)中所示的特性。当结节候选区域是肺部血管时,图35(a)的观察面109e、109f、109g和109h的椭圆体模型中的扩展结节候选区域切面分别具有图35(b)到35(e)中所示的形状。椭圆体模型中的扩展结节候选区域切面的面积缩小指数具有图35(f)中所示的特性。因此,可以使用面积缩小指数,而不使用在第一实施例中所使用的缩小指数。
在第一实施例中,观察面的体积和原始观察面中图像的像素值的乘积可以被用作特征量。即,例如,椭圆体模型中扩展结节候选区域切面的面积被添加到第一加法器和第二加法器,以相加切面的像素的面积与相应像素值的乘积。
在第一实施例中,只对于除所产生的椭圆体之外的连接区域,观察面的体积与原始观察面中图像的像素值的乘积可以被用作特征量。即,只对于第二加法器,椭圆体模型中扩展结节候选区域切面的面积被相加,只有第二加法器被改变以相加切面的像素的面积与相应像素值的乘积。
在第二实施例中,像素值的相加值可以被用作特征量。例如,如图36所示,原始三维图像的像素值被分配给属于前景部分的体素作为体素值,并且“0”被分配给属于背景部分的体素作为体素值。然后,体素值在计算第一实施例的椭圆体模型中的扩展结节候选区域切面的面积中或者在计算第二实施例的前景占用率中被相加。
在第二实施例中,原始图像的像素值可以只被分配给前景部分中除所产生的椭圆体之外的连接区域的体素。即,所有连续扩大的椭圆体的体素的体积被相加,并且在轴长度大于由结节候选区域指定单元11所产生的椭圆体模型的轴长度的椭圆体中,像素值的乘积被相加。
在第二实施例中,如图37所示,具有不同大小的两个椭圆体模型之间的椭圆体外壳112的内部可以是将计算其前景占用率的区域。椭圆体外壳112的厚度可以例如等于或大于一个体素的厚度。
第三实施例中计算缩小指数的方法可以用第一实施例中图2的指定搜索基准点并计算缩小指数的过程代替。相反,第一实施例中图2的指定搜索基准点并计算缩小指数的过程可以被第三实施例中计算缩小指数的方法代替。
第三实施例中基于开度窄化缩小指数候选值的方法可应用于第一实施例中计算缩小指数的过程。
虽然在实施例中描述了肺癌中结节形异常的判断,但是本发明的方法可应用于诸如作为脑血管意外的脑动脉瘤的连接到血管的粉瘤形异常。
虽然在实施例中处理由多层面CT 2所获得的三维图像,但是可以处理利用其他诸如X射线诊断设备、磁共振成像设备或超声诊断设备的诊断设备所获得的三维图像。
可以判断使用者所指定的结节候选区域,而不是自动指定结节候选区域。
可以通过组合实施例中所公开的多个部分而进行各种发明。几个部分可以被从实施例的所有部分中删除。不同实施例的部分可以被适当组合。
工业实用性
根据本发明,可以高精确度地判断包括在展示对象内部的图像中的异常候选区域是否是诸如结节的解剖学异常。
Claims (26)
1、一种图像诊断处理设备,其特征在于包括:
外周区域指定装置,指定与包括在展示对象内部的图像中的异常候选区域连接的外周区域;和
判断装置,基于所述异常候选区域的第一特征量和所述外周区域的第二特征量,判断所述异常候选区域是否是解剖学异常区域。
2、根据权利要求1的图像诊断处理设备,其特征在于,所述判断装置使用经过所述异常候选区域和所述外周区域的线段作为观察线,并基于在位于所述异常候选区域的观察线上的多个观察点中每一个中所获得的第一特征量的变化和在位于所述外周区域的基准线上的多个观察点中每一个中所获得的第二特征量的变化来判断所述异常候选区域是否是解剖学异常区域。
3、根据权利要求2的图像诊断处理设备,其特征在于,所述判断装置使用直线作为观察线,其中所述直线
(1)与利用异常候选区域的形心作为起始点、经过所述异常候选区域与所述外周区域之间边界的线段中在所述外周区域中具有最大长度的线段具有相同的方向,
(2)具有在所述异常候选区域与所述外周区域之间的边界上的中点,并且
(3)使用异常候选区域的形心作为其一端。
4、根据权利要求2的图像诊断处理设备,其特征在于,所述判断装置使用以下量中任何一个作为所述第一特征量和第二特征量,其中这些量是
(1)包括在利用观察线作为轴线的空间中的异常候选区域和外周区域的体积,
(2)包括在使用观察线作为轴线的空间中的异常候选区域和外周区域的相应体积和相应像素值的乘积,
(3)在观察点垂直于观察线的平面中的异常候选区域和外周区域的面积,以及
(4)在观察点垂直于观察线的平面中的异常候选区域和外周区域的相应面积和相应像素值的乘积。
5、根据权利要求4的图像诊断处理设备,其特征在于,所述判断装置利用在观察点垂直于观察线的平面中的异常候选区域的面积总和以及外周区域的面积总和,计算包括在使用观察线作为轴线的空间中的异常候选区域和外周区域的体积。
6、根据权利要求1的图像诊断处理设备,其特征在于,所述判断装置将属于外周区域的体素中与属于异常候选区域的体素相邻的体素集确定为临界区域,
将通过在与从异常候选区域中心附近的基点经过临界区域到外周区域的代表方向垂直并且经过所述基点的平面中将所述异常候选区域一分为二所获得的区域中与位于所述代表方向相同的方向上的区域确定为近端部分,
将其中中心角具有从所述基点到所述代表方向两侧的规定角度并且半径具有规定距离的扇形区域与所述外周区域重叠的区域确定为远端部分,并且
使用所述近端部分的体积和所述远端部分的体积分别作为第一特征量和第二特征量。
7、根据权利要求1的图像诊断处理设备,其特征在于,所述判断装置将属于外周区域的体素中与属于异常候选区域的体素相邻的体素集确定为临界区域,
将通过在与从异常候选区域中心附近的基点经过所述临界区域到外周区域的代表方向垂直并且经过所述基点的平面中将异常候选区域一分为二所获得的区域中位于与所述代表方向相同的方向上的区域确定为近端部分,
将其中中心角具有从所述基点到所述代表方向两侧的规定角度并且半径具有规定距离的扇形区域与所述外周区域重叠的区域确定为远端部分,并且
当位于远端部分表面上的体素中除了位于远端部分中与异常候选区域相邻的端以及其相对端上的体素之外的体素与位于外周区域表面上的体素匹配的可能性小于规定截止值时,不将包括远端部分的外周区域的特征量用于判断异常候选区域是否是解剖学异常区域。
8、根据权利要求1的图像诊断处理设备,其特征在于,图像包括分别具有表示对象一部分的解剖学特性的值的多个体素,并且
其中,所述外周区域指定装置利用沿所述异常候选区域边界的体素的值来指定外周区域。
9、根据权利要求1或8的图像诊断处理设备,其特征在于,所述判断装置判断异常候选区域是结节形异常还是粉瘤形异常。
10、一种图像诊断处理设备,其特征在于,包括判断装置,所述判断装置基于基本包括展示对象内部的图像中包含的异常候选区域并且包括除所述异常候选区域之外的区域的第一比较区域的第一特征量和基本上与所述异常候选区域匹配或者基本上被包括在所述异常候选区域中的第二比较区域的第二特征量,判断所述异常候选区域是否是解剖学异常区域。
11、根据权利要求10的图像诊断处理设备,其特征在于,所述判断装置使用所述第一比较区域中可能是解剖学异常的区域的占用率以及所述第二比较区域中可能是解剖学异常的区域的占用率。
12、根据权利要求10的图像诊断处理设备,其特征在于,所述图像包括分别具有表示对象一部分的解剖学特性的值的多个体素,并且
其中,所述判断装置使用包括在所述第一比较区域中的体素的值的总和作为第一特征量,并且使用包括在所述第二比较区域中的体素的值的总和作为第二特征量。
13、根据权利要求10的图像诊断处理设备,其特征在于,所述图像包括多个分别具有表示对象一部分的解剖学特性的值的体素,并且
其中,所述判断装置使用基于包括在第一比较区域中的体素的值的总和以及第一比较区域中可能是解剖学异常的区域的占用率的值作为第一特征量,并且使用基于包括在第二比较区域中的体素的值的总和以及第二比较区域中可能是解剖学异常的区域的占用率的值作为第二特征量。
14、根据权利要求10的图像诊断处理设备,其特征在于,所述判断装置分别使用中心在异常候选区域的形心上、具有相同的三个主轴旋转方向和相同的主轴长度比以及不同大小的球体或椭圆体的内部区域作为第一比较区域和第二比较区域。
15、根据权利要求10的图像诊断处理设备,其特征在于,所述判断装置分别使用中心在异常候选区域的形心上、具有相同的三个主轴旋转方向和相同的主轴长度比以及不同大小的空心球体或椭圆体的外壳部分作为第一比较区域和第二比较区域。
16、根据权利要求1或10的图像诊断处理设备,其特征在于,还包括从图像中指定异常候选区域的候选区域指定装置。
17、根据权利要求16的图像诊断处理设备,其特征在于,所述候选区域指定装置从图像中提取可能是解剖学异常的前景部分,
在图像的前景部分中产生基本包括球体或椭圆体结构的椭圆体模型,并且
将图像中位于与所述椭圆体模型相对应的区域中并且属于前景部分的体素集指定为异常候选区域。
18、根据权利要求17的图像诊断处理设备,其特征在于,所述候选区域指定装置从图像中提取与待诊断内部器官相对应的诊断区域,并且
将所述诊断区域分成前景部分和背景部分。
19、根据权利要求17的图像诊断处理设备,其特征在于,所述候选区域指定装置将一个或多个中心体素的形心设定为临时中心,在所述一个或多个中心体素中,从属于前景部分的体素到属于背景部分的体素的最短距离成为最大值。
20、根据权利要求19的图像诊断处理设备,其特征在于,所述候选区域指定装置将从中心体素到属于背景部分的体素的最短距离设定为初始半径。
21、根据权利要求19的图像诊断处理设备,其特征在于,所述候选区域指定装置将在中心位于所述临时中心的立方区域逐渐增大并且所述立方区域中的强度柱状图的熵值变为最大值时所述立方区域的内切球体的半径设定为初始半径。
22、根据权利要求17的图像诊断处理设备,其特征在于,所述候选区域指定装置产生中心在临时中心上并且具有初始半径的球体作为初始椭圆体模型,
基于原始图像产生惩罚图像,并且
使所述初始椭圆体模型变形,以跟随所述惩罚图像中惩罚值的低谷,并产生所述椭圆体模型。
23、根据权利要求22的图像诊断处理设备,其特征在于,所述候选区域指定装置合成所述图像的主微分滤波处理结果和所述图像的次微分滤波处理结果以产生惩罚图像。
24、根据权利要求22的图像诊断处理设备,其特征在于,所述候选区域指定装置将属于前景部分的体素中其所有相邻六个体素都属于前景部分的体素集合确定为缩减前景部分,
将位于初始椭圆体模型中并且属于缩减前景部分的体素集合确定为当前区域的初始区域,
当与属于当前区域的内边界的内边界体素相邻并且属于当前区域的外边界的外边界体素的强度小于规定强度时,扩展所述当前区域以包括外边界体素,
基于作为在属于不可被扩展的当前区域的体素中除其强度梯度小于规定截止值的体素和属于初始区域的体素之外的体素集合而给出的区域中的强度梯度,确定阈值,
通过所述阈值对图像进行阈值处理,以获得双值图像,
从双值图像中除去与对应于初始椭圆体模型的表面和内部的区域分开的非连接组分,并且
产生在从其中除去非连接组分的双值图像中高强度对象与低强度对象之间边界附近具有惩罚值低谷的图像作为惩罚图像。
25、根据权利要求24的图像诊断处理设备,其特征在于,所述候选区域指定装置使用Kittler方法确定阈值。
26、一种图像诊断处理设备,其特征在于包括:
指定对应于与包括在展示对象内部的图像中的异常候选区域重叠或者连接的结构的区域的装置;
获取用于三维搜索对应于所述结构的区域的方向的装置;
获取与搜索方向上多个位置相对应的特征量的装置;以及
基于所述多个位置的特征量判断异常候选区域是否是解剖学异常区域的装置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005056098A JP4599191B2 (ja) | 2005-03-01 | 2005-03-01 | 画像診断処理装置および画像診断処理プログラム |
JP056098/2005 | 2005-03-01 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008101859214A Division CN101441767B (zh) | 2005-03-01 | 2006-02-27 | 图像诊断处理设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101052352A CN101052352A (zh) | 2007-10-10 |
CN100566661C true CN100566661C (zh) | 2009-12-09 |
Family
ID=36941114
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008101859214A Active CN101441767B (zh) | 2005-03-01 | 2006-02-27 | 图像诊断处理设备 |
CNB2006800010793A Active CN100566661C (zh) | 2005-03-01 | 2006-02-27 | 图像诊断处理设备和图像诊断处理程序 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008101859214A Active CN101441767B (zh) | 2005-03-01 | 2006-02-27 | 图像诊断处理设备 |
Country Status (5)
Country | Link |
---|---|
US (2) | US8121373B2 (zh) |
EP (1) | EP1854411B1 (zh) |
JP (1) | JP4599191B2 (zh) |
CN (2) | CN101441767B (zh) |
WO (1) | WO2006093085A1 (zh) |
Families Citing this family (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5017909B2 (ja) * | 2005-06-22 | 2012-09-05 | コニカミノルタエムジー株式会社 | 領域抽出装置、領域抽出方法及びプログラム |
EP1947606A1 (en) * | 2007-01-16 | 2008-07-23 | National University Corporation Kobe University | Medical image processing apparatus and medical image processing method |
US20090123047A1 (en) * | 2007-03-21 | 2009-05-14 | Yfantis Spyros A | Method and system for characterizing prostate images |
JP4493679B2 (ja) | 2007-03-29 | 2010-06-30 | 富士フイルム株式会社 | 対象領域抽出方法および装置ならびにプログラム |
JP5047686B2 (ja) * | 2007-05-08 | 2012-10-10 | 株式会社日立メディコ | 血管画像表示方法と装置 |
US20090052763A1 (en) * | 2007-06-04 | 2009-02-26 | Mausumi Acharyya | Characterization of lung nodules |
US20090012382A1 (en) * | 2007-07-02 | 2009-01-08 | General Electric Company | Method and system for detection of obstructions in vasculature |
JP2009061266A (ja) * | 2007-08-09 | 2009-03-26 | Toshiba Medical Systems Corp | 画像診断支援システム、医用画像管理装置、画像診断支援処理装置および画像診断支援方法 |
JP5019220B2 (ja) * | 2007-10-05 | 2012-09-05 | 株式会社東芝 | 医用画像表示装置及び医用画像表示プログラム |
KR101474311B1 (ko) * | 2008-01-15 | 2014-12-18 | 삼성전자주식회사 | 노이즈 저감용 분산 또는 표준편차 데이터 획득 방법과,상기 방법에 따라 획득한 노이즈 저감용 분산 또는표준편차 데이터를 저장한 기록매체를 구비한 디지털촬영장치 |
JP5245424B2 (ja) * | 2008-01-25 | 2013-07-24 | 日本電気株式会社 | 病理組織画像撮影システム、病理組織画像撮影方法、および病理組織画像撮影プログラム |
JP5179902B2 (ja) * | 2008-02-29 | 2013-04-10 | 株式会社東芝 | 医用画像読影支援装置 |
JP5527869B2 (ja) | 2008-03-21 | 2014-06-25 | 国立大学法人神戸大学 | 画像診断支援処理装置および画像診断支援処理プログラム |
US8150121B2 (en) * | 2008-05-06 | 2012-04-03 | Carestream Health, Inc. | Information collection for segmentation of an anatomical object of interest |
FR2942338B1 (fr) * | 2009-02-13 | 2011-08-26 | Univ Paris Descartes | Navigateur echographique |
JP5242492B2 (ja) * | 2009-04-28 | 2013-07-24 | 株式会社トーメーコーポレーション | 3次元画像処理装置 |
JP4931027B2 (ja) * | 2010-03-29 | 2012-05-16 | 富士フイルム株式会社 | 医用画像診断支援装置および方法、並びにプログラム |
WO2012046842A1 (ja) | 2010-10-07 | 2012-04-12 | 株式会社東芝 | 読影依頼システム、読影依頼仲介装置、制御プログラム及び読影結果評価方法 |
US8670611B2 (en) * | 2011-10-24 | 2014-03-11 | International Business Machines Corporation | Background understanding in video data |
JP5931418B2 (ja) * | 2011-11-25 | 2016-06-08 | オリンパス株式会社 | 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム |
CA2884167C (en) * | 2012-09-13 | 2020-05-12 | The Regents Of The University Of California | System and method for automated detection of lung nodules in medical images |
WO2014093376A1 (en) * | 2012-12-10 | 2014-06-19 | The Cleveland Clinic Foundation | Mage fusion with automated compensation for brain deformation |
JP6071805B2 (ja) * | 2013-08-27 | 2017-02-01 | 富士フイルム株式会社 | 画像領域指定装置および方法、並びに放射線画像処理装置および方法 |
JP5730979B2 (ja) | 2013-11-08 | 2015-06-10 | 日立アロカメディカル株式会社 | 超音波診断装置、及び弾性評価方法 |
JP6510189B2 (ja) * | 2014-06-23 | 2019-05-08 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置 |
JP6415878B2 (ja) * | 2014-07-10 | 2018-10-31 | キヤノンメディカルシステムズ株式会社 | 画像処理装置、画像処理方法及び医用画像診断装置 |
WO2016034655A2 (en) * | 2014-09-03 | 2016-03-10 | Ventana Medical Systems, Inc. | Systems and methods for generating fields of view |
TWI586954B (zh) * | 2015-12-09 | 2017-06-11 | 財團法人金屬工業研究發展中心 | 檢測細胞受人類乳突病毒(hpv)感染的裝置及其檢測方法 |
CN105726052B (zh) * | 2016-01-28 | 2018-11-23 | 上海市肺科医院 | 一种获取浸润性病灶概率的方法及*** |
JP6642048B2 (ja) * | 2016-01-28 | 2020-02-05 | 富士通株式会社 | 医療画像表示システム、医療画像表示プログラム及び医療画像表示方法 |
JP6897042B2 (ja) * | 2016-09-27 | 2021-06-30 | 日本電気株式会社 | 画像検査装置、画像検査方法および画像検査プログラム |
CN106529188B (zh) * | 2016-11-25 | 2019-04-19 | 苏州国科康成医疗科技有限公司 | 应用于手术导航的图像处理方法 |
JP6837376B2 (ja) * | 2017-04-10 | 2021-03-03 | 富士フイルム株式会社 | 画像処理装置および方法並びにプログラム |
JP6983573B2 (ja) * | 2017-08-09 | 2021-12-17 | キヤノン株式会社 | 画像処理装置、画像処理方法およびプログラム |
US10811135B2 (en) * | 2018-12-27 | 2020-10-20 | General Electric Company | Systems and methods to determine disease progression from artificial intelligence detection output |
CN110075430B (zh) * | 2019-04-28 | 2020-10-02 | 南京大学 | 一种基于信息熵的超声空化实时监测方法及*** |
CN111583209B (zh) * | 2020-04-29 | 2021-11-02 | 上海杏脉信息科技有限公司 | 一种脑灌注图像特征点选取方法、介质及电子设备 |
US11615267B2 (en) * | 2020-05-01 | 2023-03-28 | Siemens Healthcare Gmbh | X-ray image synthesis from CT images for training nodule detection systems |
CN113962958B (zh) * | 2021-10-21 | 2023-05-05 | 四川大学华西医院 | 一种征象检测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1380821A (zh) * | 2000-03-31 | 2002-11-20 | 皇家菲利浦电子有限公司 | 用于探测在混浊介质中异常区域的方法和设备 |
EP1374774A1 (en) * | 2001-03-29 | 2004-01-02 | Kabushiki Kaisha Toshiba | X-ray diagnosing apparatus |
CN1469723A (zh) * | 2000-10-13 | 2004-01-21 | 超声波细胞组织鉴别工具 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6909797B2 (en) * | 1996-07-10 | 2005-06-21 | R2 Technology, Inc. | Density nodule detection in 3-D digital images |
US6738499B1 (en) * | 1998-11-13 | 2004-05-18 | Arch Development Corporation | System for detection of malignancy in pulmonary nodules |
WO2001078005A2 (en) * | 2000-04-11 | 2001-10-18 | Cornell Research Foundation, Inc. | System and method for three-dimensional image rendering and analysis |
JP2002010062A (ja) * | 2000-06-22 | 2002-01-11 | Hitachi Medical Corp | 画像構成装置 |
US7245754B2 (en) * | 2000-06-30 | 2007-07-17 | Hitachi Medical Corporation | image diagnosis supporting device |
JP4169967B2 (ja) | 2001-01-10 | 2008-10-22 | 株式会社日立メディコ | 画像診断支援装置 |
US6728334B1 (en) * | 2001-10-24 | 2004-04-27 | Cornell Research Foundation, Inc. | Automatic detection of pulmonary nodules on volumetric computed tomography images using a local density maximum algorithm |
JP2004041490A (ja) * | 2002-07-12 | 2004-02-12 | Konica Minolta Holdings Inc | 画像診断支援装置 |
US20050084178A1 (en) * | 2002-12-30 | 2005-04-21 | Lure Fleming Y. | Radiological image processing based on different views of temporal images |
JP2005040490A (ja) | 2003-07-25 | 2005-02-17 | Fuji Photo Film Co Ltd | 異常陰影検出方法および装置並びにプログラム |
US20050259854A1 (en) * | 2004-05-21 | 2005-11-24 | University Of Chicago | Method for detection of abnormalities in three-dimensional imaging data |
US7773791B2 (en) * | 2006-12-07 | 2010-08-10 | Carestream Health, Inc. | Analyzing lesions in a medical digital image |
-
2005
- 2005-03-01 JP JP2005056098A patent/JP4599191B2/ja active Active
-
2006
- 2006-02-27 WO PCT/JP2006/303597 patent/WO2006093085A1/ja active Application Filing
- 2006-02-27 CN CN2008101859214A patent/CN101441767B/zh active Active
- 2006-02-27 EP EP06714734A patent/EP1854411B1/en active Active
- 2006-02-27 CN CNB2006800010793A patent/CN100566661C/zh active Active
-
2007
- 2007-04-18 US US11/736,865 patent/US8121373B2/en active Active
-
2012
- 2012-01-13 US US13/350,458 patent/US8687864B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1380821A (zh) * | 2000-03-31 | 2002-11-20 | 皇家菲利浦电子有限公司 | 用于探测在混浊介质中异常区域的方法和设备 |
CN1469723A (zh) * | 2000-10-13 | 2004-01-21 | 超声波细胞组织鉴别工具 | |
EP1374774A1 (en) * | 2001-03-29 | 2004-01-02 | Kabushiki Kaisha Toshiba | X-ray diagnosing apparatus |
Also Published As
Publication number | Publication date |
---|---|
US8121373B2 (en) | 2012-02-21 |
US20070230763A1 (en) | 2007-10-04 |
CN101441767B (zh) | 2011-11-09 |
CN101441767A (zh) | 2009-05-27 |
US20120141004A1 (en) | 2012-06-07 |
JP2006239005A (ja) | 2006-09-14 |
WO2006093085A1 (ja) | 2006-09-08 |
US8687864B2 (en) | 2014-04-01 |
EP1854411A4 (en) | 2009-11-04 |
EP1854411B1 (en) | 2013-02-27 |
JP4599191B2 (ja) | 2010-12-15 |
EP1854411A1 (en) | 2007-11-14 |
CN101052352A (zh) | 2007-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100566661C (zh) | 图像诊断处理设备和图像诊断处理程序 | |
Valente et al. | Automatic 3D pulmonary nodule detection in CT images: a survey | |
EP1865464B1 (en) | Processing device and program product for computer-aided image based diagnosis | |
Sluimer et al. | Computer analysis of computed tomography scans of the lung: a survey | |
Way et al. | Computer‐aided diagnosis of pulmonary nodules on CT scans: segmentation and classification using 3D active contours | |
US8634622B2 (en) | Computer-aided detection of regions of interest in tomographic breast imagery | |
JP6267710B2 (ja) | 医用画像中の肺結節を自動検出するためのシステム及び方法 | |
US7876938B2 (en) | System and method for whole body landmark detection, segmentation and change quantification in digital images | |
El-Baz et al. | Three-dimensional shape analysis using spherical harmonics for early assessment of detected lung nodules | |
Liu et al. | A CADe system for nodule detection in thoracic CT images based on artificial neural network | |
WO2007026598A1 (ja) | 医用画像処理装置及び画像処理方法 | |
JP2008012291A (ja) | 医用画像診断支援装置および医用画像診断支援プログラム | |
JP2008104886A (ja) | 医用画像処理装置及び画像処理方法 | |
Gordon et al. | Deep‐learning convolutional neural network: inner and outer bladder wall segmentation in CT urography | |
CN101540051A (zh) | 图像诊断支持处理装置以及图像诊断支持处理程序产品 | |
WO2007033170A1 (en) | System and method for polyp detection in tagged or non-tagged stool images | |
Jadhav et al. | 3D virtual pancreatography | |
Ge et al. | Computer-aided detection of lung nodules: false positive reduction using a 3D gradient field method | |
JP5066233B2 (ja) | 画像診断処理装置 | |
Deng et al. | CT image analysis and clinical diagnosis of new coronary pneumonia based on improved convolutional neural network | |
Yang et al. | 3D tumor segmentation in breast MRIs using 3D modified active contour method | |
Sluimer | Automated image analysis of the pathological lung in CT | |
Hu | An End-to-end Image Feature Representation Model of Pulmonary Nodules | |
Zhou | Computer aided diagnosis of lung ground glass opacity nodules and large lung cancers in CT | |
Ray | Computer Generation of Breast CT Phantoms containing Realistic Lesions using Morphology, Texture and Contrast Enhancement Characterization through Computer-aided diagnosis |
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 |