CN101027692B - 用于基于滑降的簇的对象表征的***和方法 - Google Patents

用于基于滑降的簇的对象表征的***和方法 Download PDF

Info

Publication number
CN101027692B
CN101027692B CN2005800243055A CN200580024305A CN101027692B CN 101027692 B CN101027692 B CN 101027692B CN 2005800243055 A CN2005800243055 A CN 2005800243055A CN 200580024305 A CN200580024305 A CN 200580024305A CN 101027692 B CN101027692 B CN 101027692B
Authority
CN
China
Prior art keywords
layer
toboggan
point
bunch
change rate
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
Application number
CN2005800243055A
Other languages
English (en)
Other versions
CN101027692A (zh
Inventor
J·梁
L·博戈尼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Healthineers AG
Original Assignee
Siemens Medical Solutions USA Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Siemens Medical Solutions USA Inc filed Critical Siemens Medical Solutions USA Inc
Publication of CN101027692A publication Critical patent/CN101027692A/zh
Application granted granted Critical
Publication of CN101027692B publication Critical patent/CN101027692B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/11—Region-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
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

一种用于表征在数字化图像中的对象的方法，包括提供(41)包含与N维空间内的点域相应的多个强度的数字化体积图像；从该图像内的连续点的子集形成(42)滑降簇，所述滑降簇包括集中点；从所述滑降簇提取(44)第一层；以及从所述滑降层计算(45)一个或多个特征。

Description

用于基于滑降的簇的对象表征的***和方法
相关美国专利申请的交叉引用
该申请要求Liang等于2004年7月20日所提交的No.60/589,518美国临时申请“Object Characterization following Toboggan-based Clustering”的优先权，其内容在此被结合作为参考。
技术领域
该发明涉及从数字医学图像中提取的对象的分割和表征。
相关技术讨论
从代表与由特殊阵列位置参考的解剖位置点相关的特性(比如灰度值或磁场强度)的数字值阵列中创建数字图像。该组解剖位置点包括图像域。在2维数字图像中或者切片段(slice section)中，该离散阵列定位被称为像素。三维数字图像可以通过本领域公知的各种构建技术从堆砌的切片段中构建。三维图像由也被称为体素的由二维图像的像素所组成的离散体积元素构成。像素或体素特性可以被处理以确定关于与这样的像素或体素相关的患者的解剖体组织构造的各种特性。
分类、识别以及表征图像结构的过程被称为分割。一旦解剖区域和结构通过分析像素和/或体素而被识别，利用区域特性和特征的后续的处理和分析可以被应用到相关的领域，因此既改进了成像***的精度又改进了图像***的效率。用于表征形状和分割对象的一种方法是基于滑降(tobogganing)的。滑降是非迭代的、单一参数、线性执行时间过分割的方法。它是非迭代的，因为它对每个图像像素/体素只处理一次，因此说明是线性执行时间。唯一的输入是图像的‘不连续性’或‘局部对比度’量度，其被用于确定在每个像素处切片的方向。滑降的一种实现是使用用于确定在每个像素/体素处切片方向的滑降势(toboggan potential)。该滑降势从初始图像以二维、三维或更高维被计算，并且特定的势取决于应用和将被分割的对象。一种简单、示例性的用于定义滑降势的技术将作为给定像素和它最接近的邻居之间的强度差。于是每个像素在由最大(或最小)势确定的方向上‘滑动’。滑向同一位置的所有像素/体素被组合在一起，因此将图像体积划分为体素簇的集合。滑降可以被应用于许多不同的解剖结构和不同类型的数据集，例如CT、MR、PET等，其中滑降型势可以被计算。
对象分割和形状表征假定感兴趣的对象已经通过某一规序定位。例如，为了在虚拟结肠镜检查中分割和表征息肉，息肉候选可以被用户利用鼠标手动单击或由检测模块自动检测。对象分割提供构成对象的像素集合，而形状表征目的是计算多个参数以表征该对象。分割的对象和计算的参数可以被直接显示给用户或者可以由自动模块(例如分类器)使用以进一步处理。这些参数的例子包括对象量度(比如它的最长线性尺寸、它的体积、它的纹理、强度的矩(moment)的计算等)以及在所述对象量度上计算出的统计特性。在虚拟结肠镜检查情况下，进一步处理的例子包括确定候选是否是息肉；一旦候选被分类为息肉，该息肉就将被测量。
发明内容
在此所描述的本发明的示例实施例通常包括用于在基于滑降的聚类(clustering)之后获得全局的和分层的对象特征的方法和***。全局特征包括作为整体在簇上所计算的那些特征，而层特征包括当在所提取的滑降簇内提取层之后所计算的那些特征。在此描述的技术可应用于从不同的模态中所获得的多维图像。
按照本发明的一个方面，提供一种用于在数字化图像中表征对象的方法，包括提供包含相应于N维空间内的点域的多个强度的数字化体积图像；从所述图像内的连续点的子集形成滑降簇，所述滑降簇包括集中点；从该滑降簇提取第一层以及从所述滑降层计算一个或多个特征。
按照本发明的另一方面，该第一层包括所述滑降簇的表面层，其包括没有其它簇点滑向的那些簇点。
按照本发明的另一方面，所述特征包括一个或多个在所述层内的点的点强度的统计矩、在所述层内的点的滑降势值的统计矩、所述层的球形、在所述层内每个点的直接距离和滑动距离、所述直接距离与所述滑动距离的比、或在所述层内每个点的正常方向与滑动方向的一致性。
按照本发明的另一方面，在所述簇内的点具有滑降势值，并且进一步包括从所述滑降簇提取一个或多个层，其中每层包括其滑降势值在预定范围内的簇点。
按照本发明的另一方面，该方法包括为每层计算一个或多个在每个所述层内的点的强度的统计矩，并且计算跨越所述层的所述统计矩的改变率。
按照本发明的另一方面，该改变率根据中心在所述簇的集中点的坐标系被计算。
按照本发明的另一方面，该方法包括计算所述改变率的一个或多个傅立叶描述子(Fourier descriptor)。
按照本发明的另一方面，该方法包括计算所述改变率的一个或多个小波描述子。
按照本发明的另一方面，该方法包括为每层计算一个或多个在每个所述层内的点的滑降势的统计矩，并且计算跨越所述层的所述统计矩的改变率。
按照本发明的另一方面，该改变率根据中心在所述簇的集中点的坐标系被计算。
按照本发明的另一方面，该方法包括计算所述改变率的一个或多个傅立叶描述子。
按照本发明的另一方面，该方法包括计算所述改变率的一个或多个小波描述子。
按照本发明的另一方面，该滑降簇包括多个集中点。
按照本发明的另一方面，提供一种计算机可读程序存储设备，确实地体现一种执行用于表征数字化图像内的对象的方法步骤的计算机可执行程序指令。
附图说明
图1描述说明根据本发明实施例的给定5×5二维滑降势的滑降过程的非限制示例。
图2描述根据本发明实施例的具有两层的滑降簇。
图3描述根据本发明实施例的与三维体积内的结构相关的簇的两个所提取的层。
图4描述根据本发明实施例的基于滑降的对象表征方法的流程图。
图5是根据本发明实施例的用于实现基于滑降的对象表征方案的示例性计算机***的框图。
具体实施方式
在此所描述的本发明的示例性实施例通常包括用于在数字医学图像中分割对象和表征形状的***和方法。虽然本发明的示例性实施例在分割和表征结肠和特别是结肠息肉的上下文中被讨论，但应当理解的是，在此提出的对象分割和形状表征方法能应用到三维CT图像以及可以计算滑降型势的任何维的不同模态的图像。用于基于滑降的对象分割的***和方法被公开在这些发明人的共同未决的专利申请中，“System and Method for Toboggan-based ObjectSegmentation using Distance Transform”，提交于2005年6月6日的美国专利申请No.11/---，---，以及“System and Method for Dynamic Fast Tobogganing”，提交于2005年6月6日的美国专利申请No.11/---，--，这两者的内容在此被全部结合作为参考。
如同在此所使用的，术语“图像”表示由离散图像元素(例如，二维图像和三维图像的像素)组成的多维数据。例如，图像可以是由计算机X线断层摄影术、磁共振成像、超声或本领域技术人员公知的任何其它医学成像***所收集的对主体的医学图像。图像也可以从非医学上下文、比如遥感***、电子显微镜检查术等来提供。虽然图像可以被认为是从R3到R的函数，但本发明的方法不限制于这样的图像，并且可以被应用于任何维的图像，例如二维图片或三维体积。对于二或三维图像，图像域典型地是二或三维矩形阵列，其中参照一组二个或三个互相正交轴，每个像素或体素可以被寻址。在此所使用的术语“数字”和“数字化”指的是通过数字获取***或通过从模拟图像的转化以数字或数字化格式获得的图像或体积。
根据本发明的实施例，滑降簇可以通过首先二值化图像并且随后使用动态距离变换执行快速滑降来获得。应当理解的是，获得滑降簇的方法是非限制的，并且获得滑降簇的其它技术也在本发明实施例的范围内。一旦滑降簇已经形成，在该簇上可以计算各种特征。由于滑降簇由已滑向公共集中点的点形成，因此滑降簇是连续的点集。依据可以被归类为基于像素、基于簇和基于滑降层的特征，可以表征对象。
图1描述说明根据本发明实施例的给定5×5二维滑降势的滑降过程的非限制示例。每个数代表在每个像素处的滑降势值。在这个例子中，每个像素滑向它的具有最小势的邻居，如图中箭头所指。在其它情形中，像素可以滑向具有最大势的邻居。这里所示的所有像素滑向具有势0的称为集中位置的同一位置，形成单一簇。该集中位置是具有极限势值的像素，或者最大值或者最小值，因此它不能滑向任何它的邻居。
在所形成的簇中的每个像素都具有强度和强度梯度大小。另外，可以为滑降簇计算几个其它的基于像素的特征。
一组基于像素的特征包括直接距离、滑动距离和它们的比率。像素的直接距离d被定义为从该像素到它的集中位置的欧几里得(Euclidean)距离，而在滑降簇中像素的滑动距离s被定义为到其集中位置的它的滑动路径的长度。典型地，滑动距离在大小上大于直接距离。当然该比率被定义为d/s。该比率的大小是该簇的球形的量度。大的比率大小、也就是比率值接近于1.0，表示球形或半球形形状的簇。
作为一个例子，再次参见图1，在该图中圆圈圈住的像素的滑动距离是 2 + 2 + 1 = 3.8284 ，而它的直接距离是 ( 3 - 1 ) 2 + ( 4 - 1 ) 2 = 3.6506 ，并且直接/滑动距离比率是3.6506/3.8284＝0.9418。
另一组基于像素的特征包括正常方向、滑动方向和它们的一致性。正常方向由初始图像的微商确定，即，强度梯度的方向。滑动方向被定义为从该像素向它的集中位置的方向。它们的一致性被计算为两个方向的内积。该积可以被标准化归一。该正常方向与滑动方向的一致性是簇的球形的另一指示器。较大的一致性值的大小表示滑动方向和正常方向更接***行，并且簇在形状上更接近球形。
基于簇的特征包括可以根据整个所提取的滑降簇计算的那些量度，比如最长线性尺寸、体积等。另一有用的基于簇的特征是球形。计算球形的一种技术包括首先计算所提取的像素的坐标的协方差矩阵C，然后计算该协方差矩阵的特征值。在N维中的协方差可以由Cij＝〈(xi-μi)(xj-μj)〉定义，其中xi是像素坐标而μi是第i维的平均坐标。在二维中，有两个特征值(e1，e2)以及一个比率e1/e2。在三维中，有三个特征值(e1，e2，e3)以及三个比率(r1＝e1/e2，r2＝e1/e3，r3＝e2/e3)。该三个特征值是非负的并且被排序使得0≤e1≤e2≤e3。所述特征值和它们的比率捕获该簇的球形。球形或半球形簇具有相等或几乎相等的特征值比率。另一方面，具有彼此几乎相等而与第三个特征值不相等的两个特征值的三维簇将在形状上更是圆柱或盘状。不同的特征值将趋向于表征椭圆体的结构。
基于簇的特征也包括基于像素的特征的统计特性，例如，强度矩、梯度大小、直接距离、滑动距离、直接/滑动比率、正常方向和滑动方向的一致性等。
滑降簇的拓扑或几何特性电可以由通过对该簇的像素强度进行傅立叶变换所获得的傅立叶描述子来表征。其它描述子(比如小波)也可以用于此目的。
滑降簇是分层结构。另一组簇特征可以从滑降层本身来计算。为了这样做，需要从该簇中提取滑降层。
一般而言，第一滑降层是包括没有其它像素滑向的那些像素的滑降表面。第二层是作为第一层的邻居的那些像素。一般地，第n滑降层包括是先前的、即第(n-1)层的邻居的那些像素。
根据本发明实施例，滑降势可以使用动态距离变换计算。然后可以根据势值提取滑降层。例如，第一层、即滑降表面包括具有小于2的势的那些像素，第二层包括具有大于2但小于3的势的那些像素，并且第三层是具有大于3但小于4的势的那些像素。
图2描述根据本发明实施例的具有两层的滑降簇。为了讨论的简单性，只有一个这样的簇20被显示。用浅灰圆圈标记的像素21标识滑降簇20的表面层。下一层22用深灰圆圈标记。更大的簇将有比该图中所示出的更多的层。
图3描述根据本发明实施例的与三维体积的中心的结构相关的簇之一的两个所提取的层。该图中的三个面板(panel)是同一三维对象的三个正交视图。为了简化，只有左侧下面的面板被标注。与结肠息肉相关的簇30包括由浅灰点指示的表面层31和由深灰点指示的第二层32。
一旦滑降层被提取，可以根据该层计算多个特征。这些特征包括、但不限制于该层内的像素强度的统计矩、该层内的像素滑降势的统计矩、层的球形、直接距离、滑动距离、直接/滑动比率、以及正常方向与滑动方向的一致性。
这些特征允许根据拓扑、几何和与密度相关的特性来表征每一层。拓扑和几何特性包括与形状相关的特性、比如球形，而与密度相关的特性是从该层的统计矩计算的那些特性。例如，在层内的强度分布的分析可以显现该层的一个或多个部分/片段比该层的剩余部分密度要小。
滑降层结构也能够计算跨越不同滑降层的特征以观察特征的值跨越不同的层如何改变，比如跨越滑降层的强度值改变。例如，可以根据与每个单独层相关的强度值或滑降势值计算统计矩，然后确定这些矩如何跨越层改变。参见图2，可以根据该层来计算强度的梯度或势统计矩。例如，可以根据表面层21、然后根据第二层22来计算平均强度值，并且利用任何其它层呈现至集中点的所有通路。平均强度的平均改变率可以被计算以说明强度的跨越层的总的改变。可选择地，可以相对于中心在簇的附近或集中点的坐标系根据层来计算改变率。
跨越滑降层的拓扑或几何改变也可以被表征。例如，每层的形状可以由通过对每层的像素强度进行傅立叶变换获得的傅立叶描述子来表征。跨越滑降层的傅立叶描述子改变率是对滑降簇的对象进行表征的另一技术。其它描述子(比如小波)也可以用于此目的。
图4描述根据本发明实施例的基于滑降的对象表征方法的流程图。该过程开始于提供将被分割的图像的步骤41。该图像应当是数字格式，虽然该图像可以是模拟图像的数字化版本。图像可以通过任何本领域公知的成像模态而产生，比如MR、CT、PET、US等。在步骤42，在图像上执行滑降以形成滑降簇。滑降可以通过在这些发明人的共同未决的专利申请中所公开的技术来执行，“System and Method for Toboggan-based Object Segmentation using DistanceTransform”，提交于2005年6月6日的美国专利申请No.11/---，---，以及“Systemand Method for Dynamic Fast Tobogganing”，提交于2005年6月6日的美国专利申请No.11/---，---。一旦已经形成和标识了滑降簇，如上描述，可以提取基于像素和簇的特征。另外，在步骤44可以从该滑降簇中提取一个或多个层，并且在步骤45，如上所述，可以为每层以及跨越层来提取和计算簇特征，以确定特征的值如何根据层改变，如上所述。步骤：形成滑降簇42、提取基于像素和簇的特征43、从簇提取层44、以及从层计算特征的步骤45可以被重复以用于该图像内的其它簇。
根据本发明的另一实施例，可能存在这样的情况，其中，感兴趣的对象被***成多个滑降簇以及合并策略将会被需要。在这种情况下，合起来代表感兴趣对象的这些滑降簇需要被合并成一个大的簇。各种标准可以被用于选择滑降簇用以合并。这样的簇将会具有多于一个的集中点，并且集中点可以包括最小值和最大值。然而，在合成的簇中的每个像素将仍然滑降成一个集中点，并且因此比如滑动距离、直接距离、正常方向和滑动方向之类的基于像素的特征仍可以被用于表征该簇。另外，基于簇以及基于层的特征也可以被用于表征簇对象，如上所述。
应当理解的是，本发明可以用硬件、软件、固件、专用过程或它们的组合实现。在一个实施例中，本发明可以以作为确实体现于计算机可读程序存储设备的应用程序的软件来实现。该应用程序可以被上载至、并由包括任何适当的体系结构的机器执行。
图5是根据本发明实施例的用于实现基于滑降的对象表征方案的示例性计算机***的框图。现在参见图5，用于实现本发明的计算机***51尤其可以包括中央处理单元(CPU)52、存储器53和输入/输出(I/O)接口54。该计算机***51一般地通过I/O接口54被耦合到显示器55和各种输入设备56(比如鼠标和键盘)。支持电路可以包括比如高速缓存、电源、时钟电路和通信总线之类的电路。存储器53可以包括随机访问存储器(RAM)、只读存储器(ROM)、磁盘驱动器、磁带驱动器等或它们的组合。本发明可以实现为存储在存储器53中并由CPU 52执行的例行程序57以处理来自信号源58的信号。这样，计算机***51是当执行本发明的例行程序57时成为专用计算机***的通用计算机***。
计算机***51也包括操作***和微指令代码。在此描述的各种过程和功能可以是微指令的一部分或者通过操作***执行的应用程序的一部分(或它们的组合)。另外，各种其它***设备可以被连接到计算机平台，比如附加的数据存储设备和打印设备。
应当进一步理解的是，因为在附图中所描述的一些组成***部件和方法步骤可以用软件实现，因此***部件(或过程步骤)间的实际连接可以根据本发明规划的方式而不同。给定在此所提供的本发明教导，相关领域的普通技术人员将能够构思本发明的这些和相似的实施或配置。
以上描述的特定实施例仅是说明性的，因为本发明可以以不同、但明显对具有在此的教导的好处的本领域的技术人员而言等效的方式修改和实行。而且，意指不局限于在此所示的构造或设计的细节，不同于如在下面的权利要求所描述的。因此显然地，如上所公开的特定实施例可以被改变或修改，并且所有这样的改变都被认为包括在本发明的范围和精神内。相应地，在此寻求的保护在下面的权利要求中提出。

Claims (33)

1.一种用于表征在数字化图像中的对象的方法，包括以下步骤：
提供包括与N维空间中的点域相对应的多个强度的数字化体积图像；
从所述图像中的连续点的子集形成滑降簇，所述滑降簇包括集中点；
其中所述滑降簇是分层结构，具有无其他像素滑向的那些像素的第一滑降层，并且其中第n滑降层包括是先前的层的邻居的那些像素；
从所述滑降簇提取第一层；以及
从所述滑降层计算一个或多个特征。
2.如权利要求1所述的方法，其中所述第一层包括所述滑降簇的表面层，其包括没有其它簇点滑向的那些簇点。
3.如权利要求1所述的方法，其中所述特征包括一个或多个在所述层内的点的点强度的统计矩、在所述层内的点的滑降势值的统计矩、所述层的球形、在所述层内的每个点的直接距离和滑动距离、所述直接距离与所述滑动距离的比率，或在所述层内每个点的正常方向与滑动方向的一致性。
4.如权利要求1所述的方法，其中在所述簇内的每个点都具有滑降势值，并且进一步包括从所述滑降簇提取一个或多个层，其中每层都包括其滑降势值在预定范围内的簇点。
5.如权利要求4所述的方法，进一步包括为每一层计算一个或者多个在每个所述层内的点的强度的统计矩，并且计算跨越所述层的所述统计矩的改变率。
6.如权利要求5所述的方法，其中所述改变率相对于中心在所述簇的集中点的坐标系被计算。
7.如权利要求5所述的方法，进一步包括计算所述改变率的一个或多个傅立叶描述子。
8.如权利要求5所述的方法，进一步包括计算所述改变率的一个或多个小波描述子。
9.如权利要求4所述的方法，进一步包括为每一层计算一个或者多个在每个所述层内的点的滑降势的统计矩，并且计算跨越所述层所述统计矩的改变率。
10.如权利要求9所述的方法，其中所述改变率相对于中心在所述簇的集中点的坐标系被计算。
11.如权利要求9所述的方法，进一步包括计算所述改变率的一个或多个傅立叶描述子。
12.如权利要求9所述的方法，其中进一步包括计算所述改变率的一个或多个小波描述子。
13.如权利要求1所述的方法，其中所述滑降簇包括多个集中点。
14.一种用于表征在数字化图像中的对象的方法，包括以下步骤：
从数字化体积图像中提取滑降簇，所述滑降簇包括所述图像内的一组连续点，每个点都具有强度值，其中所述滑降簇是分层结构，具有无其它像素滑向的那些像素的第一滑降层，并且其中第n滑降层包括是先前的层的邻居的那些像素；
计算所述滑降簇的一个或多个形状特性。
15.如权利要求14所述的方法，其中所述数字化体积图像包括与N维空间内的点域相对应的多个强度。
16.如权利要求14所述的方法，其中所述形状特性包括球形，并且其中计算球形进一步包括从所述簇中的点的坐标来计算所述簇的协方差矩阵、计算所述协方差矩阵的特征值以及计算特征值的比率。
17.如权利要求14所述的方法，其中所述簇具有集中点，并且其中计算形状特性进一步包括对所述簇中的每个点确定到所述集中点的直接距离、到所述集中点的滑动距离以及所述直接距离和所述滑动距离的比率。
18.如权利要求17所述的方法，进一步包括为所述簇计算所述直接距离、所述滑动距离和所述比率的一个或多个统计矩。
19.如权利要求14所述的方法，其中所述簇具有集中点，并且其中计算形状特性进一步包括对该簇中的每个点确定正常方向、向所述集中点的滑动方向以及所述正常方向和所述滑动方向的内积。
20.如权利要求19所述的方法，进一步包括为所述簇计算所述正常方向、所述滑动方向和所述内积的一个或多个统计矩。
21.一种用于表征数字化图像内的对象的设备，包括：
用于提供包括与N维空间中的点域相对应的多个强度的数字化体积图像的装置；
用于从所述图像中的连续点的子集形成滑降簇的装置，所述滑降簇包括集中点；其中所述滑降簇是分层结构，具有无其它像素滑向的那些像素的第一滑降层，并且其中第n滑降层包括是先前的层的邻居的那些像素；
用于从所述滑降簇提取第一层的装置；以及
用于从所述滑降层计算一个或多个特征的装置。
22.如权利要求21所述的设备，其中所述第一层包括所述滑降簇的表面层，其包括没有其它簇点滑向的那些簇点。
23.如权利要求21所述的设备，其中所述特征包括一个或多个在所述层内的点的点强度的统计矩、在所述层内的点的滑降势值的统计矩、所述层的球形、在所述层内每个点的直接距离和滑动距离、所述直接距离与所述滑动距离的比率，或在所述层内每个点的正常方向与滑动方向的一致性。
24.如权利要求21所述的设备，其中在所述簇内的每个点都具有滑降势值，并且所述设备还包括用于从所述滑降簇提取一个或多个层的装置，其中每层包括其滑降势值在预定范围内的簇点。
25.如权利要求24所述的设备，还包括用于为每层计算一个或多个在每个所述层内的点的强度的统计矩的装置，以及用于计算跨越所述层的所述统计矩的改变率的装置。
26.如权利要求25所述的设备，其中所述改变率相对于中心在所述簇的集中点的坐标系被计算。
27.如权利要求25所述的设备，还包括用于计算所述改变率的一个或多个傅立叶描述子的装置。
28.如权利要求25所述的设备，还包括用于计算所述改变率的一个或多个小波描述子的装置。
29.如权利要求24所述的设备，还包括用于为每层计算一个或多个在每个所述层内的点的滑降势的统计矩的装置，以及用于计算跨越所述层所述统计矩的改变率的装置。
30.如权利要求29所述的设备，其中所述改变率相对于中心在所述簇的集中点的坐标系被计算。
31.如权利要求29所述的设备，还包括用于计算所述改变率的一个或多个傅立叶描述子的装置。
32.如权利要求29所述的设备，还包括用于计算所述改变率的一个或多个小波描述子的装置。
33.如权利要求21所述的设备，其中所述滑降簇包括多个集中点。
CN2005800243055A 2004-07-20 2005-07-05 用于基于滑降的簇的对象表征的***和方法 Expired - Fee Related CN101027692B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US58951804P 2004-07-20 2004-07-20
US60/589,518 2004-07-20
US11/174,028 2005-07-01
US11/174,028 US20060018549A1 (en) 2004-07-20 2005-07-01 System and method for object characterization of toboggan-based clusters
PCT/US2005/023558 WO2006019547A1 (en) 2004-07-20 2005-07-05 System and method for object characterization of toboggan-based clusters

Publications (2)

Publication Number Publication Date
CN101027692A CN101027692A (zh) 2007-08-29
CN101027692B true CN101027692B (zh) 2011-05-25

Family

ID=35004211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2005800243055A Expired - Fee Related CN101027692B (zh) 2004-07-20 2005-07-05 用于基于滑降的簇的对象表征的***和方法

Country Status (7)

Country Link
US (1) US20060018549A1 (zh)
EP (1) EP1774468A1 (zh)
JP (1) JP4660546B2 (zh)
CN (1) CN101027692B (zh)
AU (1) AU2005275463B2 (zh)
CA (1) CA2574059A1 (zh)
WO (1) WO2006019547A1 (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7480412B2 (en) * 2003-12-16 2009-01-20 Siemens Medical Solutions Usa, Inc. Toboggan-based shape characterization
US20060209063A1 (en) * 2004-10-12 2006-09-21 Jianming Liang Toboggan-based method for automatic detection and segmentation of objects in image data
US7912294B2 (en) 2005-05-27 2011-03-22 Siemens Medical Solutions Usa, Inc. System and method for toboggan-based object detection in cutting planes
ITTO20060223A1 (it) * 2006-03-24 2007-09-25 I Med S R L Procedimento e sistema per il riconoscimento automatico di anomalie preneoplastiche in strutture anatomiche, e relativo programma per elaboratore
JP2007272466A (ja) * 2006-03-30 2007-10-18 National Institute Of Advanced Industrial & Technology 画素ベース勾配クラスタリングによる多峰関数セグメンテーション方法
US8442290B2 (en) 2007-01-19 2013-05-14 Mayo Foundation For Medical Education And Research Simultaneous dual window/level settings for display of CT colonography images
WO2008089483A2 (en) * 2007-01-19 2008-07-24 Mayo Foundation For Medical Education And Research Oblique centerline following display of ct colonography images
US20100142783A1 (en) * 2007-01-19 2010-06-10 Mayo Foundation For Medical Education And Research Axial centerline following display of ct colonography images
WO2008089492A2 (en) * 2007-01-19 2008-07-24 Mayo Foundation For Medical Education And Research Electronic stool subtraction using quadratic regression and intelligent morphology
US8036440B2 (en) * 2007-02-05 2011-10-11 Siemens Medical Solutions Usa, Inc. System and method for computer aided detection of pulmonary embolism in tobogganing in CT angiography
US20090067494A1 (en) * 2007-09-06 2009-03-12 Sony Corporation, A Japanese Corporation Enhancing the coding of video by post multi-modal coding
US8379985B2 (en) * 2009-07-03 2013-02-19 Sony Corporation Dominant gradient method for finding focused objects
US20110276314A1 (en) * 2010-05-05 2011-11-10 General Electric Company Method for Calculating The Sphericity of a Structure
US10025479B2 (en) * 2013-09-25 2018-07-17 Terarecon, Inc. Advanced medical image processing wizard
US10157467B2 (en) 2015-08-07 2018-12-18 Arizona Board Of Regents On Behalf Of Arizona State University System and method for detecting central pulmonary embolism in CT pulmonary angiography images
US11610687B2 (en) * 2016-09-06 2023-03-21 Merative Us L.P. Automated peer review of medical imagery

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5768333A (en) * 1996-12-02 1998-06-16 Philips Electronics N.A. Corporation Mass detection in digital radiologic images using a two stage classifier

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5375175A (en) * 1992-03-06 1994-12-20 The Board Of Trustees Of The Leland Stanford Junior University Method and apparatus of measuring line structures with an optical microscope by data clustering and classification
US5889881A (en) * 1992-10-14 1999-03-30 Oncometrics Imaging Corp. Method and apparatus for automatically detecting malignancy-associated changes
DE19623033C1 (de) * 1996-06-08 1997-10-16 Aeg Electrocom Gmbh Verfahren und Anordnung zur Mustererkennung auf statistischer Basis
US6801654B2 (en) * 2000-01-14 2004-10-05 Sony Corporation Picture processing apparatus, method and recording medium for a natural expansion drawing
US7274810B2 (en) * 2000-04-11 2007-09-25 Cornell Research Foundation, Inc. System and method for three-dimensional image rendering and analysis
US6518968B1 (en) * 2000-05-17 2003-02-11 Hewlett-Packard Company Method and apparatus for performing H-space bump mapping suitable for implementation with H-space lighting in a graphics pipeline of a computer graphics display system
US7043064B2 (en) * 2001-05-04 2006-05-09 The Board Of Trustees Of The Leland Stanford Junior University Method for characterizing shapes in medical images
TW530498B (en) * 2001-08-14 2003-05-01 Nat Univ Chung Cheng Object segmentation method using MPEG-7
WO2003024184A2 (en) * 2001-09-14 2003-03-27 Cornell Research Foundation, Inc. System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans
US6985612B2 (en) * 2001-10-05 2006-01-10 Mevis - Centrum Fur Medizinische Diagnosesysteme Und Visualisierung Gmbh Computer system and a method for segmentation of a digital image
AU2002356539A1 (en) * 2001-10-16 2003-04-28 Abraham Dachman Computer-aided detection of three-dimensional lesions
US20040086161A1 (en) * 2002-11-05 2004-05-06 Radhika Sivaramakrishna Automated detection of lung nodules from multi-slice CT image data
US7480412B2 (en) * 2003-12-16 2009-01-20 Siemens Medical Solutions Usa, Inc. Toboggan-based shape characterization
US7327880B2 (en) * 2004-03-12 2008-02-05 Siemens Medical Solutions Usa, Inc. Local watershed operators for image segmentation

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5768333A (en) * 1996-12-02 1998-06-16 Philips Electronics N.A. Corporation Mass detection in digital radiologic images using a two stage classifier

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Andy Tsai ET AL..A Shape-Based Approach to the Segmentation of MedicalImagery Using Level Sets.IEEE TRANSACTIONS ON MEDICAL IMAGING22 2.2003,22(2),第三、第四节，附图15，20，21.
Andy Tsai ET AL..A Shape-Based Approach to the Segmentation of MedicalImagery Using Level Sets.IEEE TRANSACTIONS ON MEDICAL IMAGING22 2.2003,22(2),第三、第四节,附图15,20,21. *
Eric N.Mortensen et al.,.Toboggan-based intelligent scissors with afour-parameteredgemodel.IEEE.1999,摘要第1-4行, 第452页第3.1节第1-10行,第453页,图1(a)和(b)),第3.1.2节第1-4行, 第3.4节. *

Also Published As

Publication number Publication date
US20060018549A1 (en) 2006-01-26
WO2006019547A1 (en) 2006-02-23
JP4660546B2 (ja) 2011-03-30
AU2005275463B2 (en) 2009-02-19
CA2574059A1 (en) 2006-02-23
JP2008507330A (ja) 2008-03-13
CN101027692A (zh) 2007-08-29
EP1774468A1 (en) 2007-04-18
AU2005275463A1 (en) 2006-02-23

Similar Documents

Publication Publication Date Title
CN101027692B (zh) 用于基于滑降的簇的对象表征的***和方法
Liu et al. Multi-view multi-scale CNNs for lung nodule type classification from CT images
CN110110617B (zh) 医学影像分割方法、装置、电子设备和存储介质
Dou et al. Multilevel contextual 3-D CNNs for false positive reduction in pulmonary nodule detection
Mairhofer et al. RooTrak: automated recovery of three-dimensional plant root architecture in soil from X-ray microcomputed tomography images using visual tracking
Yuan et al. Hybrid-feature-guided lung nodule type classification on CT images
Dobrescu et al. Medical images classification for skin cancer diagnosis based on combined texture and fractal analysis
Han et al. A texture feature analysis for diagnosis of pulmonary nodules using LIDC-IDRI database
Wei et al. Cervical cancer histology image identification method based on texture and lesion area features
Sluimer et al. Automated classification of hyperlucency, fibrosis, ground glass, solid, and focal lesions in high‐resolution CT of the lung
Hu et al. Automatic segmentation of the left ventricle in cardiac MRI using local binary fitting model and dynamic programming techniques
Chang et al. Graph-based learning for segmentation of 3D ultrasound images
CN110969623B (zh) 一种肺部ct多征象自动检测方法、***、终端及存储介质
Chen et al. Alzheimer's disease diagnosis with brain structural mri using multiview-slice attention and 3D convolution neural network
Atkinson et al. Multi-resolution soil-landscape characterisation in KwaZulu Natal: Using geomorphons to classify local soilscapes for improved digital geomorphological modelling
Sun et al. 3d segmentation of pulmonary nodules based on multi-view and semi-supervised
He et al. Segmentation ability map: Interpret deep features for medical image segmentation
CN115457361A (zh) 分类模型获取方法、表达类别确定方法、装置、设备及介质
Ojeda-Magaña et al. Detection and quantification of pore, solid and gravel spaces in CT images of a 3D soil sample
Amelio et al. Skin lesion image segmentation using a color genetic algorithm
Arunachalam et al. An effective tumor detection in MR brain images based on deep CNN approach: i-YOLOV5
Zou Ant colony clustering algorithm and improved markov random fusion algorithm in image segmentation of brain images
Cao et al. Spherical parameter detection based on hierarchical Hough transform
CN113096080A (zh) 图像分析方法及***
Junior et al. Evaluating margin sharpness analysis on similar pulmonary nodule retrieval

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20200108

Address after: Erlangen

Patentee after: Siemens Healthineers AG

Address before: Pennsylvania, USA

Patentee before: SIEMENS MEDICAL SOLUTIONS USA, Inc.

CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20110525