CN101443813A - 输出造影增强的医学图像数据的计算机程序 - Google Patents

Abstract

提出了一串计算机指令，以输出包含代表造影增强材料的体素的医学图像数据，且布置该串计算机指令以对包括示出了造影增强的体素的第一对象数据集进行操作，由此其在第一对象数据集中分割出描述造影增强的血管的那些体素的体素子集，并利用分割结果来将示出了造影增强的体素划分成描述所分割的血管的第一组体素和描述余下造影增强的体素的第二组体素，并利用所述划分来输出第二对象数据集，该第二对象数据集包括示出了造影增强的体素，其中第一组体素和第二组体素之间的差异是可识别的。特别有利地将其应用于动态造影增强的胸部成像。

Description

输出造影增强的医学图像数据的计算机程序

本发明涉及输出造影增强的医学图像数据的一串计算机指令，布置该串指令以对包括示出了造影增强的体素的第一对象数据集进行操作，并且布置该串指令以识别这些示出了造影增强的体素。

造影增强成像利用造影剂或其他增强造影的方法来提高图像部分中的相对造影，以提供改进的诊断。Proceedings of SPIE第5370卷中由J.MichaelFitzpatrick和Milan Sonka编辑的Medical Imaging 2004：Image Processing中Tanya Niemeyer等人的“Comparison of Automatic Time Curve SelectionMethods for Breast MR CAD”描述了利用动态造影增强的胸部磁共振通过识别显示出足够高的增强百分比的那些体素来识别可疑的胸部病变。可以利用造影剂的排空曲线(washout curve)来区分恶性病变和良性病变，因为已知恶性病变由于肿瘤血管床的渗透性增加而易于显示出造影剂的增加的排空，而良性病变易于显示出持久的吸收。可以为所得图像中造影增强的任何区域上定义的感兴趣区域计算出排空轮廓。该方法的结果是针对感兴趣区域的一组排空曲线，这些曲线可以用于诊断恶性肿瘤。但是，这些高度感兴趣的区域包括非病变材料。

本发明旨在产生造影增强的医学图像数据，这些数据允许对造影增强的病变的更准确的检测。

这是根据本发明实现的，由此布置该串指令以在第一对象数据集中分割出描述造影增强的血管的那些体素的体素子集，

并且进一步布置该串指令以利用分割的结果来将示出了造影增强的体素划分成描述所分割的血管的第一组体素和描述余下造影增强的体素的第二组体素，

并且进一步布置该串指令以利用所述划分来输出第二对象数据集，该第二对象数据集包括示出了造影增强的体素，其中将第一组中的任何体素视觉上标记为属于第一组，且其中将第二组中的任何体素在视觉上标记为属于第二组。

以下特征能够识别组织中任何造影增强的血液和淋巴液供应，并因此识别造影剂流过的解剖通道：允许在包含造影增强的体素的对象数据集中分割出造影增强的血管，并利用所述分割来生成将造影增强的体素分成血管体素和非血管体素的划分，并由此产生对象数据集，在该对象数据集中易于识别造影增强的血管体素和造影增强的非血管体素之间的视觉差异。已经发现这能够区分描述病变的体素和其他不描述病变的造影增强的体素。其具有的特异性优点是，即使对象数据集显示为图像，在该图像中血管材料由于其取向而显示为与图像平面的横向对准，也可以识别造影增强的血管材料。这些血管通常在平面图像中看起来像造影增强材料的小圆形区域，且易于与病变材料相混淆。

因此，本发明解决了如何更准确地检测造影增强的病变的问题，具体来说解决了如何区分造影增强的图像上的真实孤立的病变和造影增强的血管的小横截面的问题。

通过在所显示的合成图像中使用颜色可以有效地实现视觉标记。分离的颜色或颜色范围能够简便地使每组体素可视化并将每组体素与其他组体素区分开。

任何适当的血管分割(在本领域也被称为血管树提取算法)均可以使用，但是特别有利的是通过包括波前传播的区域生长算法来执行分割。这些算法可以从例如以下文件中获知：SPIE 2002中Thorsten 

等人的“Simultaneous Segmentation and Tree Reconstruction of the Airways forVirtual Bronchoscopy”，MICCAI 2004中Thomas Bülow等人的“A GeneralFramework for Tree Segmentation and Reconstruction from Medical VolumeData”，以及Proceedings of SPIE第5746卷中由Amir A.Amini和ArmandoManduca编辑的Medical Imaging 2005：Physiology，Function and Structurefrom Medical Images中Thomas Bülow等人的“Automatic Extraction of thePulmonary Artery Tree from Multi-Slice CT Data”。这些分割提供了特别准确的血管树分割，然后继续生长代表独立血管段内的空间的片段，并将这些片段连通在一起以形成代表成像体中的真实血管树的分支网络。换句话说，从种子点开始，将对血管树的连通子树进行分割。所述分割通常在减影图像上的三维方向执行，该减影图像显示了造影后的图像和造影前的图像之间的差异。

从初始种子点生长的区域生长算法开始于对象数据集内的点或体素，该点或体素或者通过一些协议或计算机子程序来自动选择，或者通过对象数据集的查看器(viewer)来选择。从这一种子点生长出波前，通常为快行波前(fast marching front)，这一波前传播经过对象数据集的体素，并对其遇到的每个体素应用体素接受标准。如果该体素满足该标准，则将其合并在所生长的体积中。在这种情况下，利用该体素接受标准将波前限制到血管。该体素接受标准通常是阈值，且将其选择为一阈值数值，该阈值数值区分代表要分割的结构中的组织的体素(在这种情况下为血管树)和代表该局部的其他组织的体素。在当前情况下，适当的阈值是典型针对代表血管壁的体素的灰度等级数值。在通过计算机断层摄影获得对象数据集的情况下，足以识别动脉组织的管壁的典型阈值数值是在1100-1300 HU范围内的数值。当将本发明应用于源于MR成像的数据时，发现磁场梯度的固有变异性使得阈值的选择更加困难，该磁场梯度的固有变异性又产生输出对象数据集的绝对数据点数值的变化。计算适当的阈值数值的一种方法是利用Hessian矩阵(其计算对本领域技术人员来说是已知的)，即利用Hessian矩阵来计算特征向量(其本身为已知程序)，并利用这些特征向量来识别对象数据集中适当血管的横截面。然后计算这一横截面的中心，并从该中心点投射出射线，且沿每条射线以适当间隔计算梯度。出现最大梯度的点指示出其灰度值适于用作该特殊情况下的体元接受标准的阈值数值的体元。

当波前到达树的任何分支点时，该波前***。实际上其***成多组连通点，通常由于血管树的分岔而***成两组。所应用的算法定期检查跨越波前的连通性，且当检测到缺乏连通性时，该算法停止波前传播，识别多组连通点，并在每个组内识别新的种子点，从该点传播新的波前。由此继续分割程序。新的种子点可被简单地计算为连通组的中心处的体素，但是本领域技术人员应该理解的是，由于从该点生长出新的波前，实际上它可以是该组中的任何体素。

该算法包括对片段级做的各种检查。首先是总体上对片段应用终止标准。允许每个片段在其停止之前进行到最大长度，且在片段末端的连通体素组中计算新的种子点。通过对片段应用片段评价标准来执行有效性检查。这通常在片段扩展过程中执行，因为只有当可以产生有效片段时才能更有效地继续生成特殊片段。但是，理论上有可能在已经生成所有片段时在程序结尾执行这一过程。片段无效的典型原因是所分割的体积由于不满足体素接受标准而泄漏到周围组织中。在小血管中由于部分容积效应会出现不满足体素接受标准的情况。在有泄漏的情况下，有效性检查可以有利地基于半径值，该半径值代表根据所考虑的组织的解剖评估可能预料不到的血管半径值。作为替代，如本领域所知，可以利用“血管性(vesselness)”滤波器来使独立片段有效。当检测到泄漏时，则不仅去除该泄漏，还去除与该泄漏相连的整个片段。保持最大片段长度避免了在发生泄漏时损失太大的片段长度。

利用片段评价标准来定期评价每个片段以便接受或拒绝整个片段。允许为被接受片段上的每个连通前端分量初始化新的片段。不利用被拒绝片段来初始化初始种子点的更多下游片段。片段评价标准可以是基于灰度值的，例如“血管性”、“取向性(orientedness)”，经常基于已知技术来设计这些标准以分析图像空间内的灰度值分布，例如利用Hessian矩阵、梯度和射线投射等，或者作为替代所述标准可以具有几何特性且可以基于例如最大片段半径、延长的形状等。

可以利用各种标准的自适应参数集来重新生长表现为不可接受的片段。当从父片段(parent segment)继承得到新片段时，也使这些参数适应。

一旦已经生长出片段，对树级进行检查以去除任何错误片段。这些是只能在树级做出的决定，因为不能通过考虑单个片段来得到这些决定。例如，如果过高的分支点密度指示出泄漏，则可以去除子树。例如，也可以包括标准以去除任何错误分支点。

在树级检查之后，可以根据组成片段构建整个树。

如本领域所知，通常将这些区域生长算法应用于体积数据以识别特定树中的体素，但是也有可能将它们应用于二维切片数据。但是，即使当应用于体积数据，应用这一区域生长算法的结果也可以在二维切片图像中观察。体积数据包含代表造影增强材料的体素，并因此可以是代表注射造影剂后获得的图像数据的对象数据集，但是也可以且更典型地是代表注射后图像数据集的对象数据集，其通过从相应的注射前图像数据中减去等价的且通常寄存的数据点而得以修正。后一技术具有以下优点：在代表造影增强材料的体素和所得图像中的所有其他体素之间存在更大的体素值差异，实际上，通过从相应的注射前图像中减去图像数据已经对对象数据进行了背景校正。

由本发明识别的第一组体素和第二组体素之间的差异有利地由使用者通过利用所述划分来识别，以便计算在其中识别第一组体素的掩模。实际上，这是显式血管覆盖的形式，并且涉及三维血管树覆盖到显影上。如本领域所知，掩模是进一步的对象数据集，其中所有的数据点为1或者0。当应用于第二对象数据集时，可以利用本领域已知技术实现的这一掩模将为观察者从源于第二对象数据集的图像中的第一组中识别所有体素。换句话说，它允许观察者视觉识别所得图像中的血管。如果进一步用一些显而易见的颜色显示这些体素，则对观察者来说它们将显得更加显而易见，并且如本领域所知，当将该数据集视为二维视图的堆叠时，这具有特殊的优势，且其中血管数据由于横向对准每个观察平面而被截平。识别和显示血管材料具有特异性的诊断价值，因为很多癌症病变在其发展过程中在一些点处变得高度血管化。因此血管体素的视觉显示允许更简便的血管聚集确认，其可以指向高度血管化的癌症病变的存在，即使由于某些原因该病变没有充分吸收造影剂并因此不在造影增强的图像上清晰显示。

作为替代，可以利用所述划分来计算在其中识别第二组体素的掩模。这可以被称为血管抑制。这从三维显示中去除血管以降低血管被误认为可疑病变的风险。当应用于第二对象数据集时，这一掩模将为观察者从源于第二对象数据集的任何图像中的第二组中识别所有体素。由于可以期望第二组包含代表病变的任何体素，其在使用掩模数据来给第二对象数据集中的第二组体素涂色时特别有利。这一步骤具有以下优点：代表造影增强病变材料的任何体素在任何合成图像中都显示出是有色的，并因此对于观察者来说是高度可见的。

作为替代，可以通过计算和显示示出了血管体素和非血管体素这两者的图像来组合这两种优点，每种类型用不同的颜色或颜色范围显示。

用于显示数据的更多选项包括利用血管的重叠三维显影来计算和显示原始数据或者甚至源于初始对象数据集的任何类型数据的灰度值多平面重建(multiple planar reformats)，例如减影图像或增强图像。这一视图特别有利于指示多平面重定格式中可能被误读为可疑病变的血管横截面。也可以突显高度血管化的区域，其在这一显影模式中变得特别明显。

该方法在应用于DCE胸部MR成像时特别有利，因为人体胸部的血管很小，因此在成像平面横切血管轴线方向的情况下难以在图像上准确识别。在这一情况下，在本发明中每1mm就评估波前传播的连通性。应用最大片段长度1cm作为终止标准。有利地使用4mm的半径终止标准值，因为它代表可以检测泄漏的血管半径值，并确保不生成可能不代表人体胸部中的真实血管的片段。

进一步的优点在于当将该方法应用于胸部成像时，在树级不需要将检查合并在区域生长算法中。由于人体乳腺中血管的平滑性和规则性且在身体的这一部分缺少错误的分支点，可以免除树级检查。在整体树结构内缺少树级判定可以节省计算能力和时间。

应用本发明的结果是更准确的造影增强的图像数据。

本发明还涉及工作站，其配置为合并该串计算机指令且具有以下优点：它适用于在适于处理和评估医学图像的工作空间中执行本发明。

本发明还涉及计算机辅助检测***，其配置为合并该串计算机指令且具有以下优点：它适用于在工作空间中执行本发明，该工作空间适于为了诊断而应用计算机辅助检测算法来评估医学图像。

结合以下附图将描述本发明的这些和其他方面。

图1是显示了胸部癌症病变和部分血管树的减影图像；

图2是图1的图像的彩图再现，其显示了在生成信号强度曲线之后的造影增强区域；

图3显示了血管树提取的结果；

图4显示了可以用于自动种子点选择的血管增强滤波器的滤波器响应，可以在血管增强的图像上执行血管树分割。

对象数据集可以用于构建代表穿过该数据集所代表的组织体的单个切片的二维图像，还可以用于构建代表三维组织体的图像。后者是通过本领域已知的各种体可视化技术实现的。

图1是显示了胸部癌症病变和部分血管树的减影图像。所有造影增强材料都显现为明亮的，但是在血管树结束和病变开始处的图像中其并不是完全清晰的。

图2是显示了在生成信号强度曲线之后的造影增强区域的彩图。很清楚的是，信号强度曲线不能区分病变和血管树。如果将信号强度曲线的输出用作计算机辅助检测算法的直接输入，则可能促使该算法将血管错误地检测为病变。

图3显示了血管树提取的结果。交互地放置一个种子点。现在血管301是清晰可识别的，并与造影增强的病变材料302分离。

图4显示了可以用于自动种子点选择的血管增强滤波器的滤波器响应。可以在血管增强的图像上执行血管树分割。

Claims (13)

1、一串计算机指令，其输出包含代表造影增强材料的体素的医学图像数据，并且布置所述指令串以对包括示出了造影增强的体素的第一对象数据集进行操作，并且布置所述指令串以识别示出了造影增强的所述体素，所述指令串的特征在于

布置所述指令串以在所述第一对象数据集中分割出描述造影增强的血管的那些体素的体素子集，

并且进一步布置所述指令串以利用所述分段的结果来将示出了造影增强的所述体素划分成描述所分段的血管的第一组体素和描述余下造影增强的体素的第二组体素，

并且进一步布置所述指令串以利用所述划分来输出第二对象数据集，所述第二对象数据集包括示出了造影增强的一组体素，其中，将所述第一组中的任何体素在视觉上标记为属于所述第一组，并且其中，将所述第二组中的任何体素在视觉上标记为属于所述第二组。

2、如权利要求1所述的计算机指令串，其特征在于，通过区域生长算法来执行所述分段，所述区域生长算法包括从种子点生长的波前传播。

3、如权利要求2所述的计算机指令串，其特征在于，所述区域生长算法包括用于从初始种子点生长波前的指令，并且还包括用于将所述波前内的独立体素和接受标准相比较以包括或排除来自所述生长区域的所述体素的指令。

4、如权利要求2或3所述的计算机指令串，其特征在于，所述区域生长算法包括用于检测跨越所述波前的所述体素的连通性的指令，

并且还包括用于在未检测到连通性的情况下停止所述波前传播的指令，

并且还包括用于计算在所停止的波前上相互连通的体素的构成组的指令，

并且还包括用于在相连通的体素的独立构成组内选择新的种子点并从所述新的种子点开始新的波前的指令。

5、如权利要求4所述的计算机指令串，其特征在于，所述波前每扩展一毫米，就对跨越所述波前的所述体素的连通性进行检查。

6、如权利要求3所述的计算机指令串，其特征在于，所述接受标准是灰度等级阈值数值。

7、如权利要求1所述的计算机串，其特征在于，利用所述划分来计算识别所述第一组体素的掩模，并进一步布置所述划分以将所述掩模应用到所述第二对象数据集，从而使得所述划分适用于产生图像，在所述图像中识别出所述第一组体素。

8、如权利要求1所述的计算机指令串，其特征在于，利用所述划分来计算识别所述第二组体素的掩模，并进一步布置所述划分以将所述掩模应用到所述第二对象数据集，从而使得所述划分适用于产生图像，在所述图像中识别出所述第二组体素。

9、如权利要求7或8所述的计算机指令串，其特征在于，用颜色描绘所掩蔽的体素。

10、如权利要求1所述的计算机指令串，其特征在于，通过以代表每个相应组的颜色或颜色范围显示所述第一组中的所述体素和/或所述第二组中的所述体素来布置所述视觉标记。

11、一种如前面任一项权利要求所述的计算机指令串，其特征在于，所述第一对象数据集包括代表乳腺组织的体素。

12、一种工作站，其包括如前面任一项权利要求所述的计算机指令串。

13、一种计算机辅助检测***，其包括如前面任一项权利要求所述的计算机指令串。

Images