CN101273382A - 基准轮廓线传播和优化的方法 - Google Patents
基准轮廓线传播和优化的方法 Download PDFInfo
- Publication number
- CN101273382A CN101273382A CNA2006800358142A CN200680035814A CN101273382A CN 101273382 A CN101273382 A CN 101273382A CN A2006800358142 A CNA2006800358142 A CN A2006800358142A CN 200680035814 A CN200680035814 A CN 200680035814A CN 101273382 A CN101273382 A CN 101273382A
- Authority
- CN
- China
- Prior art keywords
- view data
- benchmark section
- section
- basis
- benchmark
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- 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
- 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
- G06T2207/30—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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种检测方法(300),用于在来自图像数据集的第一图像数据中的基准轮廓线的基础上,检测来自该图像数据集的第二图像数据中的边界,所述检测方法(300)包括:产生步骤(320),用于在评估特征的基础上,用第一图像数据产生基准剖面,所述基准剖面包含在基准轮廓线的基础上定义的基准剖面节点;选择步骤(330),用于在所述基准剖面的基础上,用第二图像数据选择目标剖面;以及映射步骤(335),用于在所述目标剖面的基础上,将所述基准剖面节点映射到第二图像数据中,从而检测第二边界。在评估特征的基础上产生的基准剖面在检测第二图像数据中的边界时,比任意产生的基准剖面更准确。因此,本发明的检测方法(300)在来自图像数据集的第一图像数据中的基准轮廓线的基础上,检测来自该图像数据集的第二图像数据中的边界时更准确。
Description
本发明涉及一种检测方法,用于基于来自图像数据集的第一图像数据中的基准轮廓线,检测在来自所述图像数据集的第二图像数据中的边界。
本发明还涉及一种检测***,用于在来自图像数据集的第一图像数据中的基准轮廓线的基础上,检测在来自该图像数据集的第二图像数据中的边界。
本发明还涉及一种用于获取图像数据集的采集***,其包括所述检测***。
本发明还涉及一种工作站,其包括所述检测***。
本发明还涉及一种由计算机设备加载的计算机程序产品,其包括指令,用于在来自图像数据集的第一图像数据中的基准轮廓线的基础上,检测在来自该图像数据集的第二图像数据中的边界。
在1995年6月的IEEE Transactions on Medical Imaging,vol.14,no.2第328-338页中Surendra Ranganath的文章“Contour Extraction from CardiacMRI Studies Using Snakes”中(以下称为参考文献1)说明了在开始段落中所述类型的方法的实施例。该文献说明了一种方法,用于依据心脏核磁共振(MR)成像研究自动检测左心室轮廓线。在第一图像中给出了基准轮廓线,其由有限数量的基准轮廓线节点来表示,检测第二图像中的边界。在所述方法的第一步骤中,从第一图像提取基准剖面。基准剖面的基线与基准轮廓线以直角彼此相交。基准轮廓线与基准剖面基线的相交定义了基准剖面节点。在参考文献1中,基准剖面节点与基准轮廓线节点一致。而且,以这样的方式来提取基准剖面:使基准剖面节点位于基准剖面基线的中心处,如参考文献1的图2中所示的。在所述方法的更进一步中,对于每一个基准剖面,执行目标剖面的搜索。搜索域包括从第二图像中提取的候选目标剖面,其基线与基准剖面的基线投影对齐。使用基于基准剖面与候选目标剖面的相似性测量值的匹配测量来确定目标剖面。目标剖面是与匹配测量的最大值相对应的候选目标剖面。通过将包括基准剖面节点的基准剖面的基线映射到相应目标剖面的基线,来将基准剖面节点映射到第二图像中。所映射的基准剖面节点定义了边界轮廓线节点。由边界轮廓线节点定义的边界轮廓线描绘了第二图像中检测到的边界。在该方法的更进一步中,将包括弯曲能量项和伸展能量项的边界轮廓线能量最小化。当边界轮廓线的局部曲率是常数时,弯曲能量最小。当边界轮廓线节点从其检测位置的开始的位移为0时,伸展能量最小。在边界轮廓线能量的最小值处的边界轮廓线节点的位置产生了边界轮廓线节点的优化位置。优化的边界轮廓线比非优化的边界轮廓线更平滑。
以上的检测方法对于检测没有其它边界存在于检测的边界附近情况下的孤立边界是有用的。然而,如果有多个边界彼此接近,包含在用参考文献1的方法所产生的基准剖面中的特征数量可能回很大。基准剖面可以包括多个基本上垂直的边缘,以下称为垂直边缘,其与分开不同图像亮度区域的多个边界相对应。多个垂直边缘对应于多个边界与基准剖面基线的多个交叉点。为了找到对此类基准剖面的良好匹配,包含在基准剖面中的强特征必须通过目标剖面中各自的特征来匹配。然而,从第二图像中提取的候选目标剖面会与基准剖面相差很大。在垂直边缘之间的距离,垂直边缘的高度,甚至垂直边缘的数量在两个剖面之间都会不同。例如,在心脏MR切面中,心肌层的厚度取决于心脏解剖的轴、记录切面数据时的高度、及心动阶段。因此,从第一图像中提取的基准剖面会与从获得的第二图像中(例如从一个不同MR切面中获得的或者为在心动周期不同阶段的同一切面而获得的)提取的候选目标剖面相差很大。因此,使用参考文献1的匹配测量来检测心外膜的和/或心内膜的边界可能不会产生令人满意的结果。这解释了为何参考文献1的方法被显示为仅是定性的,而不是定量的用于检测心内膜的边界,尽管有如在参考文献1的第333页所述的检测的轮廓线的一些进一步的处理。而且,由于在心外膜区中的特征的复杂性,检测心外膜轮廓线完全失败了。
在Computer Assisted Radiology and Surgery,2003,第1147-1152页公布的、Luuk Spreeuwers和Marcel Breeuwer的文章“Detection of left ventricularepi-and endocardial borders using coupled active contours”中着手解决了检测图像中多个边界的问题。该文章说明了一种方法,其基于连接的基准轮廓线:心内膜基准轮廓线和心外膜基准轮廓线。每一个基准剖面基线都与两条轮廓线相交,因此包括两个基准剖面节点:心内膜基准剖面节点和心外膜基准剖面节点。在该方法中,对目标剖面的搜索允许缩放基准剖面,以便使基准剖面与候选目标剖面的相似性测量值最大化。实验显示:与参考文献1的单一轮廓线方案相比较,该方案在检测心动周期的不同阶段获得的切面的电影短轴MR记录中的心外膜边界和心内膜边界时更鲁棒。该方法的缺陷在于其对于多MR切面不能起作用,因为在两个不同切面之间的差别比在心动周期的两个连续阶段所记录的同一切面之间的差别大得多。该方法的应用也限于仅检测两个相连的边界。
本发明的目的是提供一种在开始段落中所述类型的检测方法,其在来自图像数据集的第一图像数据中的基准轮廓线的基础上,更准确的检测来自该图像数据集的第二图像数据中的边界。
本发明目的的实现在于:在来自图像数据集的第一图像数据中的基准轮廓线的基础上,检测来自该图像数据集的第二图像数据中的边界的检测方法包括:
产生步骤,用于在评估特征(qualifying characteristic)的基础上,用第一图像数据产生基准剖面,所述基准剖面包括在所述基准轮廓线的基础上定义的基准剖面节点;
选择步骤,用于在所述基准剖面的基础上,用第二图像数据选择目标剖面;以及
映射步骤,用于在所述目标剖面的基础上,将所述基准剖面节点映射到第二图像数据中,从而检测第二边界。
在产生步骤中用第一图像数据生成的、并包含在基准轮廓线的基础上定义的基准剖面节点的基准剖面确定了在该基准剖面的基础上用第二图像数据所选择的目标剖面。基准剖面和目标剖面确定了基准剖面节点到第二图像数据的映射。基准剖面节点到第二图像数据的映射确定了边界节点。边界节点组定义了描绘第二图像数据中边界的边界轮廓线。因此,用于检测在第二图像数据中边界的检测方法的成功依赖于基准剖面。因此,必须非常谨慎的产生基准剖面,以便能够找到最佳的可能目标剖面。为了改进基准剖面的产生,本发明的基准剖面是在评估特征的基础上产生的。特定的评估特征,例如在基准轮廓线与基准剖面基线之间的角度,和/或从包含在基准剖面基线中的基准剖面节点到基准剖面基线的预定末端之间的距离,可以通过使用适当的产生方法施加于基准剖面上。必须计算其它评估特征,例如包含在基准剖面中的特征的类型和/或数量,用于来自第一图像数据的候选基准剖面。在评估了候选基准剖面的评估特征之后,候选基准剖面被接受作为基准剖面或被拒绝。在评估特征的基础上产生的基准剖面在检测第二图像数据中的边界时比任意产生的基准剖面更准确。因此,本发明的检测方法在来自图像数据集的第一图像数据中的基准轮廓线的基础上,检测来自该图像数据集的第二图像数据中的边界时更准确。
在根据本发明的检测方法的一个实施例中,所述评估特征是以基准剖面相对于基准轮廓线的位置为基础的。此类评估特征的实例包括:基准剖面基线的长度、在基准剖面中的采样点的分布、在基准轮廓线与基准剖面基线之间的角度、以及从基准剖面节点到基准剖面基线一端之间的距离。基于基准剖面相对于基准轮廓线的位置的最佳评估特征是在所关注的解剖结构的基础上来确定的,其中,所关注的解剖结构包含在应用了该检测方法的图像数据集中。
在根据本发明的检测方法的另一实施例中,基准剖面节点位于基本上偏离基准剖面中心位置的位置上,有可能靠近基准剖面的基线的一端。在检测包括多个边界的第二图像数据中的边界的情况下,该方法允许产生这样的基准剖面:其可以穿过较少的边界,从而与包含靠近基线中心的基准剖面节点的基准剖面相比,可以包含较少的特征。这种具有较少特征的基准剖面更有可能在选择步骤中与在基准剖面的基础上、用第二图像数据选择的良好目标剖面相匹配。
在根据本发明的检测方法的另一实施例中,评估特征是以基准剖面的特征为基础的。要包含在基准剖面中的特征的选择对于在选择步骤中选择良好匹配的目标剖面而言会是非常重要的。例如,该特征是包括在亮度基准剖面中的垂直边缘的数量。对来自第一图像数据的多个候选基准剖面进行评估。包含预定数量的垂直边缘的候选基准剖面被接受作为基准剖面。可替换地,该检测方法可以用于一阶导数的剖面,在此情况下,各个特征可以是在一阶导数的基准剖面中峰值的数量。
在根据本发明的检测方法的另一实施例中,评估特征是以基准剖面与目标剖面的相似性测量值为基础的。生成来自第一图像数据的多个候选基准剖面。在选择步骤中为每一个候选基准剖面选择一个匹配的候选目标剖面。计算候选基准剖面与候选目标剖面之间的相似性的测量值。将该相似性测量值作为候选基准剖面的函数进行优化。最佳候选基准剖面及相应的候选目标剖面分别被接受,作为基准剖面和目标剖面。可选的,可以采用已知的优化方法,例如最速上升法或共轭梯度法来搜索使相似性测量值最优化的候选基准剖面。
在根据本发明的检测方法的另一实施例中,所述检测方法还包括调整步骤,用于调整所述基准剖面。可以对所述基准剖面进行平滑,以减小存在于第一图像数据中的伪像的影响。可选的,可以对基准剖面进行剪切,以减少包含在所述基准剖面中的特征数量。
在根据本发明的检测方法的另一实施例中,第一图像数据对应于通过第一平面得到的所述图像数据集的第一横截面,第二图像数据对应于通过第二平面得到的所述图像数据集的第二横截面,其中,第一平面与第二平面基本上彼此平行。这样,该方法可以用于在被布置为通过多个基本上彼此平行的平面所得到的横截面序列的图像数据集中检测边界,例如用于检测MR切面堆中的边界。这种布置对于在所检测到的边界的基础上分割包含在图像数据集中的对象是尤其有利的。
在根据本发明的检测方法的另一实施例中,第一图像数据与第一数据采集时间相对应,第二图像数据与第二数据采集时间相对应。这样,该检测方法可以用于检测移动边界,其中移动边界由包括在图像数据集中的图像数据的时间序列来绘出。例如,所述检测方法可以用于检测一系列帧中的心外膜边界和心内膜边界,每一帧都描绘了在心动周期的不同阶段获得的相同MR切面。
本发明的另一目的是提供一种在开始段落中所述类型的检测***,其在来自图像数据集的第一图像数据中的基准轮廓线的基础上更准确的检测来自该图像数据集的第二图像数据中的边界。其是通过以下实现的:用于在来自图像数据集的第一图像数据中的基准轮廓线的基础上,检测来自该图像数据集的第二图像数据中的边界的检测***包括:
产生单元,用于在评估特征的基础上,用第一图像数据产生基准剖面,所述基准剖面包括在所述基准轮廓线的基础上定义的基准剖面节点;
选择单元,用于在所述基准剖面的基础上,用第二图像数据选择目标剖面;以及
映射单元,用于在所述目标剖面的基础上,将所述基准剖面节点映射到第二图像数据中,从而检测第二边界。
在根据本发明的检测***的实施例中,所述检测***还包括分割单元,用于在所检测的边界的基础上分割所述图像数据集。通过将从多个2D图像数据(例如MR切面)中检测到的边界进行组合,所述分割单元可以组合出包含在3D图像数据集中的对象,例如心脏。
本发明的另一目的是提供一种在开始段落中所述类型的图像采集***,其在来自图像数据集的第一图像数据中的基准轮廓线的基础上更准确的检测来自该图像数据集的第二图像数据中的边界。其是通过以下实现的:所述图像采集***包括检测***,用于在来自图像数据集的第一图像数据中的基准轮廓线的基础上检测来自该图像数据集的第二图像数据中的边界,所述检测***包括:
产生单元,用于在评估特征的基础上,用第一图像数据产生基准剖面,所述基准剖面包括在所述基准轮廓线的基础上定义的基准剖面节点;
选择单元,用于在所述基准剖面的基础上,用第二图像数据选择目标剖面;及
映射单元,用于在所述目标剖面的基础上,将所述基准剖面节点映射到第二图像数据中,从而检测第二边界。
本发明的另一目的是提供在开始段落中所述类型的工作站,其在来自图像数据集的第一图像数据中的基准轮廓线的基础上,更准确的检测来自该图像数据集的第二图像数据中的边界。其是通过以下实现的:所述工作站包括检测***,其在来自图像数据集的第一图像数据中的基准轮廓线的基础上,检测来自该图像数据集的第二图像数据中的边界,所述检测***包括:
产生单元,用于在评估特征的基础上,用第一图像数据产生基准剖面,所述基准剖面包含在所述基准轮廓线的基础上定义的基准剖面节点;
选择单元,用于在所述基准剖面的基础上,用第二图像数据选择目标剖面;以及
映射单元,用于在所述目标剖面的基础上,将所述基准剖面节点映射到第二图像数据中,从而检测第二边界。
本发明的另一目的是提供在开始段落中所述类型的计算机程序产品,其在来自图像数据集的第一图像数据中的基准轮廓线的基础上,更准确的检测来自该图像数据集的第二图像数据中的边界。其是通过以下实现的:要由计算机设备加载的所述计算机程序产品包括指令,用于在来自图像数据集的第一图像数据中的基准轮廓线的基础上,检测来自该图像数据集的第二图像数据中的边界,所述计算机设备包括处理单元和存储器,所述计算机程序产品在被加载后提供所述处理单元执行以下任务的能力:
在评估特征的基础上,用第一图像数据产生基准剖面,所述基准剖面包括在所述基准轮廓线的基础上定义的基准剖面节点;
在所述基准剖面的基础上,用第二图像数据选择目标剖面;以及
在所述目标剖面的基础上,将所述基准剖面节点映射到第二图像数据中,从而检测第二边界。
基于本说明,技术人员可以实施所述检测***、图像采集***、工作站和/或计算机程序产品的修改及其变化,其与所述检测方法的修改及其变化相对应。
本发明的检测方法对于在来自3D图像数据集的第一2D图像数据中的基准轮廓线的基础上,检测来自该3D图像数据集的第二2D图像数据中的边界尤其有用。然而,该方法还可以用于在来自4D图像数据集的第一3D图像数据中的基准轮廓线的基础上,检测来自该4D图像数据集的第二3D图像数据中的边界。对于技术人员显而易见的该方法、检测***、图像采集***、工作站和/或计算机程序产品的修改可以在本发明的说明的基础上实施。当前通过各种数据采集形式,例如核磁共振成像(MRI)、计算机断层造影术(CT)、超声波(US)、正电子发射断层造影术(PET)、及单光子发射计算机断层造影术(SPECT),可以依惯例产生图像数据集。
将参考附图,相对于以下所述的执行和实施例来阐明根据本发明的检测方法、检测***、图像采集***、工作站和计算机程序产品的这些及其它方面,它们由此将变得显而易见,其中:
图1示意性地示出了根据现有技术的检测方法;
图2示意性地示出了根据本发明的检测方法;
图3A示出了该检测方法的一个示范性实施例的流程图;
图3B示出了该检测方法的产生步骤的一个示范性实施例的流程图;
图4示意性地示出了一种切向平滑技术;
图5示意性地示出了检测***的实施例;
图6示意性地示出了图像采集***的实施例;以及
图7示意性地示出了工作站的实施例。
在全部附图中,相同的参考标记数字用于表明相似的部分。
图1示意性地示出了根据现有技术的检测方法。在左栏中,有如参考文献1的章节IV B中所述而产生的两个标准基准剖面:亮度基准剖面110R和一阶导数的相关基准剖面120R,两者是使用来自示意性的第一图像150R中的数据所产生的。第一图像包括不同亮度区域,其由基准边界141R和142R分开。通过由多个基准轮廓线节点所表示的基准轮廓线140R来描绘第一基准边界141R。亮度基准剖面110R和一阶导数的基准剖面120R的基准剖面基线130R与基准轮廓线140R彼此相交,定义了基准剖面节点131R。基准剖面节点131R与基准轮廓线140R的基准轮廓线节点相一致。基准剖面节点131R在基准剖面基线130R的中心。亮度基准剖面110R的第一基准垂直边缘111R以及一阶导数的基准剖面120R的相关的第一基准峰值121R指示了在第一图像150R中的基线130R与第一基准边界141R的交叉点。在亮度基准剖面110R中有第二基准垂直边缘112R,在一阶导数的基准剖面120R中有相关的第二基准峰值122R。第二基准垂直边缘112R和第二基准峰值122R指示了在第一图像150R中的基线130R与第二基准边界142的交叉点。
在图1的右栏中有两个目标剖面:亮度目标剖面110T和相关的一阶导数的目标剖面120T,两者是使用来自示意性第二图像150T的数据所产生的。第二图像150T包括与在第一图像150R中所包括的相类似的结构。如同第一图像150R,第二图像150T包括不同亮度的三个区域,由目标边界141T和142T分开。然而,目标边界141T和142T分别相对于基准边界141R和142R发生位移。从第一图像150R映射到第二图像150T中的、由多个基准轮廓线节点表示的基准轮廓线140T显示了第一基准边界141R的原始位置。亮度目标剖面110T和一阶导数的目标剖面120T的目标基线130T与第一目标边界141T在边界轮廓线节点131T处彼此相交,这是必须被检测到的。边界轮廓线节点131T位于目标基线130T的中心处。亮度目标剖面110T和一阶导数的目标剖面120T应是分别与亮度基准剖面110R和一阶导数的基准剖面120R相匹配的剖面。亮度目标剖面110T包括目标垂直边缘111T,一阶导数的目标剖面120T包括目标峰值121R,两者都在边界轮廓线节点131T的位置处。然而,在亮度目标剖面110T中没有第二目标垂直边缘,在一阶导数的目标剖面120T中也没有相关的第二目标峰值。因此,亮度目标剖面110T和一阶导数的目标剖面120T并没有与亮度基准剖面110R和一阶导数的基准剖面120R分别很好的匹配。因此,使用亮度基准剖面110R和/或一阶导数的基准剖面120R不太可能检测到边界轮廓线节点131T。
使用参考文献1的方法不能检测到第二图像150T中的边界141T起因于:使用不适合的亮度基准剖面110R和/或不适合的一阶导数的基准剖面120R分别搜索匹配的亮度目标剖面110T和/或匹配的一阶导数的目标剖面120T。这些基准剖面是任意产生的,没有考虑第一图像150R的内容。在本发明的检测方法中,在评估特征的基础上产生基准剖面。在图2所示的实例中,评估特征是以基准剖面相对于第一图像中的基准轮廓线的位置为基础的,即以从基准剖面节点到基准剖面的右端之间的距离为基础。
图2示意性地示出了根据本发明的一种检测方法。在左栏中有两个基准剖面:亮度基准剖面210R和相关的一阶导数的基准剖面220R,两者是采用来自示意性第一图像250R的数据所产生的。第一图像包括与图1中图像150R所示的相同的结构。不同亮度的三个区域由基准边界241R和242R分开。第一基准边界241R由以多个基准轮廓线节点表示的基准轮廓线240R来描绘。亮度基准剖面210R和一阶导数的基准剖面220R的基准剖面基线230R与基准轮廓线240R彼此相交,定义了基准剖面节点231R。基准剖面节点231R与基准轮廓线节点相一致。然而,与图1中的基准剖面基线130R不同,基准剖面基线230R与第二基准轮廓线242R不相交。基准剖面基线的这种选择要求基准剖面节点231R基本上偏离基准剖面基线230R的中心。结果,亮度基准剖面210R包括较少的特征,即在基准剖面节点231R位置上的一个基准垂直边缘211T。类似地,一阶导数的基准剖面220R包括较少的特征,即在基准剖面节点231R位置上的一个基准峰值221R。
在图2的右栏中有两个目标剖面:亮度目标剖面210T和相关的一阶导数的目标剖面220T,两者是采用来自示意性第二图像250T的数据来产生的。第二图像250T包括与图1中图像150T中所示的相同的结构。此外,如同第一图像250R,第二图像250T包括不同亮度的三个区域,由目标边界241T和242T分开。第二图像250T的结构与包括在第一图像250R中的类似。然而,第二图像250T中的目标边界241T和242T分别相对于第一图像250R中的基准边界241R和242R发生位移。从第一图像250R映射到第二图像250T的、由多个基准轮廓线节点表示的轮廓线240T显示了第一基准边界241R的原始位置。亮度目标剖面210T和一阶导数的目标剖面220T的目标基线230T与第一目标边界241T在边界轮廓线节点231T处彼此相交,其必须被检测到。边界轮廓线节点231T相对于目标基线230T的位置与基准轮廓线节点231R相对于基准剖面基线230R的位置相同。因此,亮度目标剖面210T和一阶导数的目标剖面220T分别与亮度基准剖面210R和一阶导数的基准剖面220R相匹配。实际上,如同亮度基准剖面210R,亮度目标剖面210T包括在边界节点231T位置处的一个垂直边缘-目标垂直边缘211T。类似的,如同一阶导数的基准剖面220R,一阶导数的目标剖面220T包括在边界节点231T位置处的一个峰值-目标峰值221R。从而,基准剖面节点231R被映射到边界剖面节点231T,用亮度基准剖面210R和/或一阶导数的基准剖面220R成功检测到边界剖面节点231T。
本领域技术人员会理解,亮度剖面和一阶导数剖面仅仅是可以用来实现本发明的实例,它们在实施例说明中的使用并不限制权利要求的范围。类似的,垂直边缘和峰值仅是用于说明本发明的剖面特征的实例。也可以使用其它特征。
图3A示出了检测方法300的一个示范性实施例的流程图,其在来自图像数据集的第一图像数据中的基准轮廓线的基础上,检测来自该图像数据集的第二图像数据中的边界,检测方法300包括:
产生步骤320,用于在评估特征的基础上,用第一图像数据产生基准剖面,所述基准剖面包括在基准轮廓线的基础上定义的基准剖面节点;
选择步骤330,用于在基准剖面的基础上,用第二图像数据选择目标剖面;及
映射步骤335,用于在目标剖面的基础上,将基准剖面节点映射到第二图像数据中,从而检测第二边界。
进一步参考图3A,标记为“开始”的初始化步骤301包括初始化任务。在标记为“取得第一图像数据”的第一数据步骤305中,从图像数据集中选择第一图像数据。在标记为“确定基准轮廓线”的基准轮廓线步骤310中,确定第一图像数据集中的基准轮廓线。基准轮廓线例如可以由人工分割来获得。可替换地,可以用自动或半自动轮廓线检测方法300,例如基于特征检测的方法,来获得基准轮廓线。在标记为“取得第二图像数据”的第二数据步骤315中,从图像数据集中选择第二图像数据。在标记为“产生基准剖面”的产生步骤320中,用第一图像数据产生包括基准剖面节点的基准剖面。可以在标记为“调整基准剖面”的调整步骤325中调整该基准剖面。在标记为“选择目标剖面”的选择步骤330中,用第二图像数据选择与基准剖面相匹配的目标剖面。在标记为“映射基准剖面节点”的映射步骤335中,在与基准剖面相匹配的目标剖面的基础上,将包括基准剖面节点的基准剖面映射到第二图像数据中。标记为“下一个基准剖面节点?”的内部循环步骤340是内部循环的最后一步。在这个步骤中,检查以下条件:是否存在另一个必须被映射到第二图像数据中的基准剖面节点。如果存在另一个必须被映射到第二图像数据中的基准剖面节点,就沿标记为“i-是”的箭头前进。在“产生基准剖面”的产生步骤320中,产生包括另一个基准剖面节点的另一个基准剖面,并继续下一个内部循环。如果基准轮廓线的所有基准剖面节点都被映射到第二图像数据集中,就沿标记为“i-否”的路径前进,并且接下来进行标记为“优化边界节点”的优化步骤345。在优化步骤345,对描绘边界轮廓线的所检测到的边界节点的位置进行优化。在标记为“下一个边界?”的外部循环步骤350中,检查外部循环条件。这个步骤是外部迭代循环的最后一步。在这个步骤中,检查以下条件:在图像数据集中是否存在必须检测边界的另一个图像数据。如果在图像数据集中存在必须检测边界的另一个图像数据,就沿标记为“o-是”的箭头前进。在标记为“更新第一图像和基准轮廓线”的更新步骤355中,第一图像数据被第二图像数据代替,基准轮廓线被边界轮廓线代替。在第二数据步骤315进入下一个外部循环周期,在这里,从图像数据集中选择一个新的第二图像数据。如果在图像数据集中不存在必须检测边界的图像数据,就沿标记为“o-否”的箭头前进,执行包括终止任务的、标记为“结束”的终止步骤399,该方法结束。
在产生步骤320中用第一图像数据产生的、包含在基准轮廓线的基础上定义的基准剖面节点的基准剖面确定了目标剖面,其是在基准剖面的基础上用第二图像数据来选择的。基准剖面和目标剖面确定了基准剖面节点到第二图像数据中的映射。基准剖面节点到第二图像数据中的映射确定了边界节点。边界节点组定义了描绘第二图像数据中的边界的边界轮廓线。因此,检测第二图像数据中边界的检测方法的成功依赖于基准剖面。因此,必须非常谨慎的产生基准剖面,以便能够找到最佳的可能目标剖面。为了改进基准剖面的产生,在评估特征的基础上产生本发明的基准剖面。特定评估特征。可以通过使用适当的产生方法,将诸如在基准轮廓线与基准剖面基线之间的角度和/或从包含在基准剖面基线中的基准剖面节点到基准剖面基线预定末端之间的距离之类的特定的评估特征施加到基准剖面上。必须为来自第一图像数据的候选基准剖面计算其它评估特征,例如包含在基准剖面中的特征的类型和/或数量。在评估了候选基准剖面的评估特征后,接受或拒绝候选基准剖面作为基准剖面。在评估特征的基础上所产生的基准剖面在检测第二图像中边界时比任意产生的基准剖面更准确。因此,本发明的检测方法300在来自图像数据集的第一图像数据中的基准轮廓线的基础上,更准确的检测来自该图像数据集的第二图像数据中的边界。
在根据本发明的检测方法300的一个实施例中,评估特征是以基准剖面相对于基准轮廓线的位置为基础的。此类评估特征的实例包括:基准剖面基线的长度、在基准剖面中的采样点的分布、在基准轮廓线与基准剖面基线之间的角度、以及从基准剖面节点到基准剖面基线一端之间的距离。基准剖面的长度和从包括在基准剖面中的基准剖面节点到基准剖面基线一端之间的距离是在图像数据和/或包括在图像数据集中的所关注结构的基础上选择的。例如,两个不同剖面可以用于提取心肌膜边界:一个基准剖面包括心外膜基准剖面节点,用于检测心外膜边界;另一个基准剖面包括心内膜基准剖面节点,用于检测心内膜边界。该方法的用户能够选择基准剖面的有利长度和基准剖面节点的有利位置。当用于检测第二图像数据中的边界节点时,具有基本上垂直于基准轮廓线的基线的基准剖面往往比具有以基本上不同于直角的角度与基准轮廓线相交的基线的基准剖面更准确。径向的定义,即在基准剖面节点处垂直于基准轮廓线的方向的定义,在Steven Lobregt和Max.A.Viergever的文献“Discrete Dynamic ContourModel”的章节IIA中给出,该文献公布于1995年3月的IEEE Transactionson Medical Imaging,Vol.14,No.1中的第12-24页,以下称为参考文献2。也可以在径向的基础上定义其它方向。可选的,可以优化基准剖面,从而是评估特征,如在根据本发明的检测方法300的另一实施例的说明中所述的。
在根据本发明的检测方法300的一个实施例中,基准剖面节点位于基本上偏离基准剖面中心位置的位置处,可能靠近基线的一端。在检测包括多个边界的第二图像数据中的边界的情况下,该方法允许产生这样的基准剖面:其可以穿过较少的边界,从而与包括靠近基线中心的基准剖面节点的基准剖面相比,会包含更少的特征。这样,具有在基本上偏离中心的位置处的基准剖面节点的基准剖面更有可能由在选择步骤330中从第二图像数据中选择的正确目标剖面相匹配。例如,在壁结构的外部边界和内部边界的情况下,例如心肌膜的心外膜和心内膜边界的情况下,根据本发明所产生的基准剖面仅与由基准轮廓线描绘的边界相交。这在图2中示出。因此,基准剖面不依赖于在第一图像数据中外部边界和内部边界之间的距离。即使在第二图像数据中外部边界和内部边界之间的距离与第一图像数据中外部边界和内部边界之间的距离相差很大,也能够找到正确的匹配的目标剖面。
在根据本发明的检测方法300的实施例中,评估特征是基于基准剖面的特征的。基准剖面特征的实例包括但不限于亮度基准剖面的垂直边缘及其数量。基准剖面的复杂特征的一个实例是两个垂直边缘序列:一个上升边缘,其后跟随着下降边缘。还可以在特征定义中指定垂直边缘的高度、垂直边缘的斜率、和/或在上升边缘与下降边缘之间的距离。本实施例允许产生多个候选基准剖面并在评估特征的基础上评估所产生的候选基准剖面。包含预定特征的候选基准剖面可以被接受为基准剖面。在图3B中示意性地示出了用于在多个候选基准剖面的基础上产生基准剖面的产生步骤320的实施例。
图3B示出了用于产生基准剖面的产生步骤320的一个示范性实施例的流程图,其包括:
提取步骤321,用于从第一图像数据提取候选基准剖面;
计算步骤322,用于计算候选基准剖面的评估特征;以及
接受步骤323,用于在评估特征的基础上,接受该候选基准剖面作为基准剖面。
在评估特征的基础上评估多个候选基准剖面。将包含有预定评估特征的候选基准剖面接受为基准剖面。基准剖面的有用评估特征的选择在选择步骤330中选择目标剖面时是非常有帮助的。
在根据本发明的检测方法300的实施例中,评估特征是以基准剖面与目标剖面的相似性测量值为基础的。在该实施例中,将用于产生基准剖面的产生步骤320与用于选择目标剖面的选择步骤330合并到一起。提取候选基准剖面,并用于选择候选目标剖面。计算候选基准剖面与候选目标剖面的相似性测量值。该相似性测量值是在参考文献1的章节IV B第332页中定义的归一化均方根误差(NRMSE)。可替换地,也可以使用其它相似性测量值,例如在候选基准剖面与候选目标剖面之间的最大绝对差。如果NRMSE小于一个预定阈值,则就将候选基准剖面接受作为基准剖面,并将匹配的候选目标剖面接受作为目标剖面。可替换地,也可以使用另一个条件,例如相似性测量值达到最佳值(如最大值)的条件。已知的优化方法,可以采用例如最速上升法与最速下降法或共轭梯度法来搜索使相似性测量值最优化的候选基准剖面和候选目标剖面。例如在W.H.Press,S.A.Teukolsky,W.T.Vetterling和B.P.Flannery的Numetrical Recipes in C:The Art ofScientific Computing,2nd Ed.,Cambridge University Press,1992,Chap.10中说明了这些标准优化方法。
在根据本发明的检测方法300的一个实施例中,检测方法300包括调整步骤325,用于调整基准剖面。可选的,调整步骤325可以包含在产生步骤320内,并可以应用于每一个候选基准剖面。可以对基准剖面进行平滑,以减小出现在第一图像数据中的伪像对基准剖面的影响。可以使用各种滤波方法来对基准剖面进行平滑。基准剖面的切向滤波(tangential filtering)证明尤其有用。可选的,可以对基准剖面进行剪切,以减小包含在基准剖面中的特征的数量。
图4解释了用于图像数据400的切向滤波方法。基准轮廓线411描绘了图像数据400中的边界。在产生步骤320中产生相同长度的多个基准剖面412。这些基准剖面彼此紧接着排列在所谓的剖面图像410中,在此每一个水平线都表示一个基准剖面。在图像数据400和剖面图像410中所示的箭头413指示了基准剖面412的排序。可以将使用高斯滤波器核的低通滤波器用于在与基准轮廓线411相切的方向相一致的垂直方向中的剖面图像。滤波后的剖面图像420也在图4中示出。
本领域技术人员会理解存在用于调整基准剖面的其它方式,在本实施例中所采用的方式用于说明本发明,但是并不限制权利要求的范围。
在根据本发明的检测方法300的实施例中,在选择步骤335中调整候选目标剖面。检测方法300被配置为缩放候选目标剖面的值,以改善在基准剖面与调整后的目标剖面之间的匹配。可选的,可以对候选目标剖面进行平滑,以减小存在于第二图像数据中的伪像对相似性测量值的影响。本领域技术人员会理解存在许多用于调整候选目标剖面的其它方法,在本申请中所述的这些方法仅是用于说明目的的,并不限制权利要求的范围。
在根据本发明的检测方法300的实施例中,在优化步骤345中对检测到的边界节点的位置进行优化。为此,定义了边界轮廓线能量。例如,在参考文献1的章节II中,边界轮廓线能量包括弯曲能量项和伸展能量项。使得边界轮廓线能量最小化。当边界轮廓线局部曲率恒定时,弯曲能量最小。当边界轮廓线节点从其检测到的位置开始的位移为0时,伸展能量最小。在边界轮廓线能量最小值处的边界轮廓线节点位置产生了优化的边界轮廓线节点的优化的位置。
可替换地,使用边界节点的检测位置来定义吸引和/或排斥边界节点的外力的中心。边界节点还被配置为通过内力彼此相互作用。在文献中说明了各种力场。例如,在参考文献2的章节II A中以这样的方式构建内力:使边界轮廓线的局部曲率较小,而不影响轮廓线的具有恒定曲率的部分。在参考文献2的章节II B中,在边界节点位置上、第二图像数据的亮度的梯度矢量的径向分量的基础上,定义了作用在边界节点上的外力。可替换地,可以在基准剖面与目标剖面之间的差的绝对值的积分的基础上定义外力。借助于外力和内力的平衡来定义边界节点的优化位置。边界节点的优化位置可以通过求解边界节点在规定力场中的运动等式来计算。边界节点的初始位置是外力的中心。可替换地,可以通过各个基准剖面节点在第二图像数据中的投影,来定义边界节点的初始位置。可以用模拟仿真来执行这个优化。为了改进模拟模拟仿真的收敛性,可以将摩擦力加到力场中。而且,用于优化边界节点位置的方法是基于优化包括外部能量项和内部能量项的边界轮廓线的总能量的。由诸如总能量最小值之类的最佳值来定义边界节点的最佳位置。
使用边界轮廓线节点的优化来对边界轮廓线进行平滑。本领域技术人员会理解优化步骤345是可选的,存在不同的方式来优化边界轮廓线。因此,权利要求的范围不受任何特定优化的限制或者也不受没有优化的限制。
在根据本发明的检测方法300的一个实施例中,用于优化边界轮廓线的优化步骤345包括再抽样。如果包含在边界轮廓线中的节点的数量不够,则就对边界轮廓线进行再抽样,产生定义边界轮廓线的新的边界节点。在参考文献2的章节III中说明了一种用于再抽样边界轮廓线的方法。本领域技术人员会理解存在几种方式来再抽样边界轮廓线,权利要求的范围不依赖于任何特定再抽样方法。
在根据本发明的检测方法300的一个优选实施例中,所产生的基准剖面的基线与基准轮廓线的交叉点与基准轮廓线节点相一致。因此,基准剖面节点与基准轮廓线节点相一致。边界轮廓线节点数量与基准轮廓线节点数量相同。然而,这不是必须的要求。本领域技术人员会意识到,所产生的基准剖面的基线与基准轮廓线的交叉点不是必须要与基准轮廓线节点相一致。因此,基准剖面节点可以在基准轮廓线上的任意位置。
在根据本发明的检测方法300的一个实施例中,第一图像数据对应于通过第一平面得到的图像数据集的第一横截面,第二图像数据对应于通过第二平面得到的图像数据集的第二横截面,其中,第一平面与第二平面基本上相互平行。因此该方法可以用于检测被布置为通过多个基本上相互平行的平面得到的横截面序列的图像数据集中的边界,例如,用于检测MR切面堆中的边界。这种布置尤其有利于在检测到的边界的基础上,分割包含在图像数据集中的对象。例如,检测方法300可以用于检测在MR切面堆中的、与短轴或长轴MR记录相对应的心外膜边界和心内膜边界。将由第一图像数据中的基准轮廓线节点定义的心外膜或心内膜基准轮廓线映射到第二图像数据中,用于分别描绘第二图像数据中的心外膜边界或心内膜边界。描绘在第二图像数据中检测到的边界的边界轮廓线还可以用于更新步骤355中,以及随后的外部循环步骤中,以分别描绘第三图像数据中的心外膜边界或心内膜边界。有利地,该方法可以用于检测由各种数据采集形式,例如MRI、CT、US、PET和SPECT,所产生的医学图像数据集中的各种对象的边界。
在根据本发明的检测方法300的一个实施例中,第一图像数据对应于第一数据采集时间,第二图像数据对应于第二数据采集时间。这样,检测方法300可以用于检测包含在图像数据集中的图像数据的时间序列中所示的移动边界。例如,检测方法300可以用于检测在帧序列中的心外膜边界和心内膜边界,每一帧都示出了在心动周期的不同阶段所获得的相同MR切面。
在根据本发明的检测方法300的一个优选实施例中,检测方法300可以用于检测由来自3D图像数据集的2D图像数据中的轮廓线描绘的开放和/或闭合的1D边界。本领域技术人员会意识到这样的事实:该方法可以用于检测由表面模型,例如来自4D图像数据集的3D图像数据中的三角形网格,所描绘的开放和/或闭合的2D边界。优选地,基准剖面被分配给每一个网格表面。基准剖面的基线垂直于该表面,并与该表面在中心处相交。可替换地,基准剖面可以被分配给网格的每一个节点。其它布置也是可能的。
在本发明方法的所述实施例中的顺序不是强制性的,在不脱离本发明所希望的概念的情况下,本领域技术人员可以改变一些步骤的顺序或使用线程化模型、多处理器***或多个处理并行执行一些步骤。可选的,本发明方法的两个步骤可以合并为一个步骤。可选的,本发明检测方法300的一个步骤可以分割为多个步骤。
图5示意性的示出了检测***500的一个实施例,用于在来自图像数据集的第一图像数据中的基准轮廓线的基础上,检测来自该图像数据集的第二图像数据中的边界,检测***500包括:
第一数据单元505,用于从图像数据集中选择第一图像数据;
轮廓线单元510,用于确定第一图像数据集中的基准轮廓线;
第二数据单元515,用于从图像数据集中选择第二图像数据;
产生单元520,用于在评估特征的基础上,用第一图像数据产生基准剖面,所述基准剖面包括基准剖面节点;
调整单元525,用于调整基准剖面;
选择单元530,用于在基准剖面的基础上,用第二图像数据选择目标剖面;
映射单元535,用于在目标剖面的基础上,将基准剖面节点映射到第二图像数据中,从而检测第二图像数据中的边界;
内部循环单元540,用于检查是否存在必须被映射到第二图像数据中的另一个基准剖面节点;
优化单元345,用于优化检测到的边界节点;
外部循环单元550,用于检查在所述图像数据集中是否存在必须在其中检测边界的另一个图像数据;
更新单元555,用于以第二图像数据代替第一图像数据,并用于以检测到的边界代替基准轮廓线;
分割单元560,用于在检测到的边界的基础上,分割图像数据集;以及
用户接口565,用于与检测***500进行通信。
在图5所示的检测***500的实施例中,有三个输入连接器581、582和583,用于输入数据。第一输入连接器581被配置为接收从诸如硬盘、磁带、闪存或光盘之类的数据存储器输入的数据。第二输入连接器582被配置为接收从诸如鼠标或触摸屏之类的用户输入设备输入的数据。第三输入连接器583被配置为接收从诸如键盘之类的用户输入设备输入的数据。输入连接器581、582和583连接到输入控制单元580。
在图5所示的检测***500的实施例中,有两个输出连接器591和592,用于输出数据。第一输出连接器591被配置为向诸如硬盘、磁带、闪存或光盘之类的数据存储器输出数据。第二输出连接器592被配置为向显示设备输出数据。输出连接器591和592经由输出控制单元590接收各自的数据。
本领域技术人员会理解存在许多方式将输入设备连接到检测***500的输入连接器581、582和583以及将输出设备连接到检测***500的输出连接器591和592。这些方式包括但不限于:有线连接与无线连接、诸如局域网(LAN)和广域网(WAN)之类的数字网络、互联网、数字电话网和模拟电话网。
在根据本发明的检测***500的一个实施例中,检测***500包括存储器单元570。存储器单元570被配置为从外部设备经由任何一个输入连接器581、582和583接收输入数据,并在存储器单元570中存储接收的数据。将数据加载到存储器单元570中允许检测***500的各个单元对相关数据部分的快速访问。输入数据包括图像数据集。可以借助于诸如以下的设备来实现存储器单元570:例如,随机存取存储器(RAM)芯片、只读存储器(ROM)芯片和/或硬盘。优选的,存储器单元570包括RAM,用于存储图像数据集。存储器单元570还被配置为经由存储器总线575从检测***500的各个单元接收数据并向其传递数据,检测***500的各个单元包括:第一数据单元505、轮廓线单元510、第二数据单元515、产生单元520、调整单元525、选择单元530、映射单元535、内部循环单元540、优化单元545、外部循环单元550、更新单元555、分割单元560和用户接口565。存储器单元570还被配置为使得数据经由输出连接器591和592中任意一个对外部设备可用。将来自检测***500的各个单元的数据存储在存储器单元570中有利地改善了检测***500的各个单元的性能,以及数据从检测***500的各个单元到外部设备的传递速率。
可替换地,检测***500不包括存储器单元570和存储器总线575。检测***500所使用的输入数据由至少一个外部设备来提供,例如连接到检测***500的单元的外部存储器或处理器。类似的,由检测***500产生的输出数据被提供给至少一个外部设备,例如连接到检测***500的单元的外部存储器或处理器。检测***500的单元被配置为经由内部连接或经由数据总线在彼此之间接收数据。
在根据本发明的检测***500的另一实施例中,检测***500包括用户接口565,用于与检测***500通信。用户接口565包括:显示单元,用于向用户显示数据;以及选择单元,用于做出选择。将检测***500与用户接口565相结合允许用户与检测***500通信。用户接口565还被配置为向用户显示根据第一和/或第二图像数据渲染的视图。用户接口565还被配置为显示基准轮廓线和/或边界轮廓线。可选的,用户接口可以包括检测***500的多个操作模式,例如使用特定优化方法的模式。本领域技术人员会理解,可以在检测***500的用户接口565中有利地实现更多的功能。
可替换地,检测***可以使用经由输入连接器582和/或583及输出连接器592连接到检测***500的外部输入设备和/或外部显示器。本领域技术人员还会理解存在许多用户接口,其可以有利地包括在本发明的检测***500中。
在根据本发明的检测***500的另一实施例中,检测***还包括分割单元560,用于在检测到的边界的基础上分割图像数据集。分割单元60可以通过将从多个2D图像数据(例如MR切面)检测的边界进行组合,组合出包含在3D图像数据集中的对象,例如心脏。用户接口565还可以被配置为显然并显示投影,例如iso-表面投影或最大亮度投影。
本发明的检测***500,例如图5中所示的,可以实现为计算机程序产品,并可以存储在任何适宜的介质上,诸如例如磁带、磁盘或光盘。该计算机程序可以被加载到包括处理单元和存储器的计算机设备中。计算机程序产品在被加载后,提供给处理单元执行渲染,各种任务的能力。
图6示意性的示出了图像采集***600的实施例,其使用了本发明的检测***500,所述图像采集***600包括图像采集***单元610,其经内部连接与检测***500相连;输入连接器601;以及输出连接器602。该配置有利地增加了图像采集***600的性能,为所述图像采集***600提供了检测***500的有优势的边界检测和/或分割能力。图像采集***的实例包括但不限于:CT***、X射线***、MRI***、超声波***、正电子发射断层造影(PET)***和单光子发射计算机断层造影(SPECT)***。
图7示意性地示出了工作站700的实施例。所述***包括***总线701。处理器710、存储器720、盘片输入/输出(I/O)适配器730和用户接口(UI)740可操作的连接到***总线701。盘片存储设备731可操作的耦合到盘片I/O适配器730。键盘741、鼠标742和显示器743可操作的耦合到UI 740。本发明的检测***500实现为计算机程序,其被存储在盘片存储设备731中。工作站700被配置为将程序和输入数据加载到存储器720中,并在处理器710上执行程序。用户可以用键盘741和/或鼠标742向工作站700输入信息。工作站被配置为向显示器设备743和/或向盘片731输出信息。本领域技术人员会理解有许多本领域已知的其它工作站的实施例,并且本实施例起到说明本发明的目的,不能解释为将本发明限于该特定实施例。
应指出上述实施例是说明而不是限制本发明,在不脱离所附权利要求范围的情况下,本领域技术人员将能够设计可选的实施例。在权利要求中,在括号中的任何参考标记都不应解释为限制权利要求。词语“包括”并不排除未在权利要求中列出的元件或步骤的存在。在一个组成要素之前的词语“一”不排除多个此类组成要素的存在。本发明可以借助于包括几个不同组成要素的硬件及借助于适当编程的计算机来实现。在***中,权利要求列举了几个单元,这些单元中的几个可以由同一项硬件或软件来体现。词语第一、第二和第三等的使用并不表示任何排序。这些词语可以被解释为名称。
Claims (13)
1、一种检测方法(300),用于在来自一图像数据集的第一图像数据中的基准轮廓线的基础上检测来自所述图像数据集的第二图像数据中的边界,所述检测方法(300)包括:
产生步骤(320),用于在评估特征的基础上,用所述第一图像数据产生基准剖面,所述基准剖面包括在所述基准轮廓线的基础上定义的基准剖面节点;
选择步骤(330),用于在所述基准剖面的基础上,用所述第二图像数据选择目标剖面;以及
映射步骤(335),用于在所述目标剖面的基础上,将所述基准剖面节点映射到所述第二图像数据中,从而检测第二边界。
2、如权利要求1所述的检测方法(300),其中,所述评估特征是基于所述基准剖面相对于所述基准轮廓线的位置的。
3、如权利要求2所述的检测方法(300),其中,所述基准剖面节点位于基本上偏离所述基准剖面的中心位置的位置上。
4、如权利要求1所述的检测方法(300),其中,所述评估特征是基于所述基准剖面的特征的。
5、如权利要求1所述的检测方法(300),其中,所述评估特征是基于所述基准剖面与所述目标剖面的相似性测量值的。
6、如权利要求1所述的检测方法(300),还包括调整步骤(325),用于调整所述基准剖面。
7、如权利要求1所述的检测方法(300),其中,所述第一图像数据对应于通过第一平面得到的所述图像数据集的第一横截面,所述第二图像数据对应于通过第二平面得到的所述图像数据集的第二横截面,其中,所述第一平面与所述第二平面基本上彼此平行。
8、如权利要求1所述的检测方法(300),其中,所述第一图像数据对应于第一数据采集时间,所述第二图像数据对应于第二数据采集时间。
9、一种检测***(500),用于在来自一图像数据集的第一图像数据中的基准轮廓线的基础上检测来自所述图像数据集的第二图像数据中的边界,所述检测***(500)包括:
产生单元(520),用于在评估特征的基础上,用所述第一图像数据产生基准剖面,所述基准剖面包括在所述基准轮廓线的基础上定义的基准剖面节点;
选择单元(530),用于在所述基准剖面的基础上,用所述第二图像数据选择目标剖面;以及
映射单元(535),用于在所述目标剖面的基础上,将所述基准剖面节点映射到所述第二图像数据中,从而检测第二边界。
10、如权利要求9所述的检测***,还包括分割单元(560),用于在所检测的边界的基础上,分割所述图像数据集。
11、一种用于获得图像数据集的图像采集***(600),包括如权利要求9所述的检测***(500)。
12、一种工作站(700),包括如权利要求9所述的检测***(500)。
13、一种要由计算机设备加载的计算机程序产品,其包括指令,用于在来自一图像数据集的第一图像数据中的基准轮廓线的基础上检测来自所述图像数据集的第二图像数据中的边界,所述计算机设备包括处理单元和存储器,所述计算机程序产品在被加载后提供所述处理单元执行以下任务的能力:
在评估特征的基础上,用所述第一图像数据产生基准剖面,所述基准剖面包括在所述基准轮廓线基础上定义的基准剖面节点;
在所述基准剖面的基础上,用所述第二图像数据选择目标剖面;以及
在所述目标剖面的基础上,将所述基准剖面节点映射到所述第二图像数据中,从而检测第二边界。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP05108938 | 2005-09-28 | ||
EP05108938.1 | 2005-09-28 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101273382A true CN101273382A (zh) | 2008-09-24 |
Family
ID=37715957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2006800358142A Pending CN101273382A (zh) | 2005-09-28 | 2006-09-27 | 基准轮廓线传播和优化的方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20090016612A1 (zh) |
EP (1) | EP1932113A1 (zh) |
CN (1) | CN101273382A (zh) |
WO (1) | WO2007036887A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102551718A (zh) * | 2010-11-02 | 2012-07-11 | 株式会社东芝 | 磁共振成像装置 |
WO2017020281A1 (zh) * | 2015-08-05 | 2017-02-09 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像处理***和方法及其装置、超声诊断装置 |
US10575820B2 (en) | 2015-08-25 | 2020-03-03 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Ultrasonic transducer |
CN111542371A (zh) * | 2017-12-18 | 2020-08-14 | 皇家飞利浦有限公司 | 关于辐射治疗规划中的剂量分布的解剖结构的评估 |
CN117243637A (zh) * | 2023-10-19 | 2023-12-19 | 河北港口集团有限公司秦皇岛中西医结合医院 | 一种超声心动图图像识别方法 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2452064A (en) * | 2007-08-23 | 2009-02-25 | Siemens Medical Solutions | Apparatus And Method For Scanning A Patient And Detecting a Mismatch Between Scans |
US8098909B2 (en) | 2007-08-31 | 2012-01-17 | Computerized Medical Systems, Inc. | Method and apparatus for efficient three-dimensional contouring of medical images |
US8265356B2 (en) * | 2008-01-30 | 2012-09-11 | Computerized Medical Systems, Inc. | Method and apparatus for efficient automated re-contouring of four-dimensional medical imagery using surface displacement fields |
US8805035B2 (en) | 2010-05-03 | 2014-08-12 | Mim Software, Inc. | Systems and methods for contouring a set of medical images |
US8867806B2 (en) | 2011-08-01 | 2014-10-21 | Impac Medical Systems, Inc. | Method and apparatus for correction of errors in surfaces |
WO2015058979A1 (en) | 2013-10-25 | 2015-04-30 | Koninklijke Philips N.V. | Light emitting device |
EP3663982B1 (en) * | 2018-12-05 | 2023-09-13 | Agfa Nv | Method to improve the segmentation performance of a computer implemented deep learning algorithm |
KR102667231B1 (ko) | 2020-12-21 | 2024-05-20 | 주식회사 인피니트헬스케어 | 딥 러닝 알고리듬과 해부학적 특성에 기반한 의료 영상 셋의 컨투어링 시스템 및 방법 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5239591A (en) * | 1991-07-03 | 1993-08-24 | U.S. Philips Corp. | Contour extraction in multi-phase, multi-slice cardiac mri studies by propagation of seed contours between images |
US6408109B1 (en) * | 1996-10-07 | 2002-06-18 | Cognex Corporation | Apparatus and method for detecting and sub-pixel location of edges in a digital image |
US6173085B1 (en) * | 1998-09-18 | 2001-01-09 | Eastman Kodak Company | Edge enhancement using modified edge boost function |
GB0028491D0 (en) * | 2000-11-22 | 2001-01-10 | Isis Innovation | Detection of features in images |
US6842638B1 (en) * | 2001-11-13 | 2005-01-11 | Koninklijke Philips Electronics N.V. | Angiography method and apparatus |
ATE461659T1 (de) * | 2002-02-27 | 2010-04-15 | Amid Srl | M-mode-verfahren zur verfolgung von gewebebewegungen in bilddarstellungen |
ATE550680T1 (de) * | 2003-09-30 | 2012-04-15 | Esaote Spa | Methode zur positions- und geschwindigkeitsverfolgung eines objektrandes in zwei- oder dreidimensionalen digitalen echographischen bildern |
-
2006
- 2006-09-27 EP EP06809420A patent/EP1932113A1/en not_active Withdrawn
- 2006-09-27 CN CNA2006800358142A patent/CN101273382A/zh active Pending
- 2006-09-27 WO PCT/IB2006/053519 patent/WO2007036887A1/en active Application Filing
- 2006-09-27 US US12/088,247 patent/US20090016612A1/en not_active Abandoned
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102551718A (zh) * | 2010-11-02 | 2012-07-11 | 株式会社东芝 | 磁共振成像装置 |
CN102551718B (zh) * | 2010-11-02 | 2016-11-23 | 东芝医疗***株式会社 | 磁共振成像装置 |
WO2017020281A1 (zh) * | 2015-08-05 | 2017-02-09 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像处理***和方法及其装置、超声诊断装置 |
US10713802B2 (en) | 2015-08-05 | 2020-07-14 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Ultrasonic image processing system and method and device thereof, ultrasonic diagnostic device |
US10575820B2 (en) | 2015-08-25 | 2020-03-03 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Ultrasonic transducer |
CN111542371A (zh) * | 2017-12-18 | 2020-08-14 | 皇家飞利浦有限公司 | 关于辐射治疗规划中的剂量分布的解剖结构的评估 |
CN111542371B (zh) * | 2017-12-18 | 2023-03-21 | 皇家飞利浦有限公司 | 用于关于剂量分布来评估解剖结构的轮廓的***和方法 |
CN117243637A (zh) * | 2023-10-19 | 2023-12-19 | 河北港口集团有限公司秦皇岛中西医结合医院 | 一种超声心动图图像识别方法 |
CN117243637B (zh) * | 2023-10-19 | 2024-04-19 | 河北港口集团有限公司秦皇岛中西医结合医院 | 一种超声心动图图像识别方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2007036887A1 (en) | 2007-04-05 |
EP1932113A1 (en) | 2008-06-18 |
US20090016612A1 (en) | 2009-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101273382A (zh) | 基准轮廓线传播和优化的方法 | |
US9715637B2 (en) | Method and system for automatic aorta segmentation | |
US8582854B2 (en) | Method and system for automatic coronary artery detection | |
US8218849B2 (en) | Method and system for automatic landmark detection using discriminative joint context | |
US7957572B2 (en) | Image processing device and method | |
JP5919287B2 (ja) | 医用画像のセグメンテーションのためのシステム | |
US10210612B2 (en) | Method and system for machine learning based estimation of anisotropic vessel orientation tensor | |
Zhou et al. | Pancreas segmentation in abdominal CT scan: a coarse-to-fine approach | |
US7783091B2 (en) | Method for segmenting anatomical structures from 3D image data by using topological information | |
US8693750B2 (en) | Method and system for automatic detection of spinal bone lesions in 3D medical image data | |
US9292917B2 (en) | Method and system for model-based fusion of computed tomography and non-contrasted C-arm computed tomography | |
Lilly et al. | Automatic contour definition on left ventriculograms by image evidence and a multiple template-based model | |
US9424648B2 (en) | Method and system for device detection in 2D medical images | |
US20070081702A1 (en) | Method and system for processing an image of body tissues | |
CN104732485A (zh) | 一种数字化x线图像的拼接方法及*** | |
US9042619B2 (en) | Method and system for automatic native and bypass coronary ostia detection in cardiac computed tomography volumes | |
Koo et al. | Automated segmentation of left ventricular myocardium on cardiac computed tomography using deep learning | |
WO2006020035A1 (en) | Projection views and orientation of chest radiographs | |
US11783476B2 (en) | System and method for analyzing three-dimensional image data | |
AU2020223750B2 (en) | Method and System for Image Annotation | |
KR101793499B1 (ko) | Z-축 영상의 기하학적 정보를 이용한 대동맥 추출 방법 | |
EP4272635A1 (en) | Method for providing diagnosis assistance information, and device performing same | |
Silva et al. | Processing, visualization and analysis of medical images of the heart: an example of fast prototyping using MeVisLab | |
Park et al. | Separation of left and right lungs using 3D information of sequential CT images and a guided dynamic programming algorithm | |
Meyer et al. | A multi-modality segmentation framework: application to fully automatic heart segmentation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20080924 |