CN102460471A - 用于胸腔层析x射线合成成像中的计算机辅助肺结节检测的*** - Google Patents

用于胸腔层析x射线合成成像中的计算机辅助肺结节检测的*** Download PDF

Info

Publication number
CN102460471A
CN102460471A CN2010800272453A CN201080027245A CN102460471A CN 102460471 A CN102460471 A CN 102460471A CN 2010800272453 A CN2010800272453 A CN 2010800272453A CN 201080027245 A CN201080027245 A CN 201080027245A CN 102460471 A CN102460471 A CN 102460471A
Authority
CN
China
Prior art keywords
lung
image
confirm
template
tubercle
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.)
Granted
Application number
CN2010800272453A
Other languages
English (en)
Other versions
CN102460471B (zh
Inventor
魏国庆
钱建中
范黎
曾小兰
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.)
EDDA Technology Inc
Original Assignee
EDDA Technology 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 EDDA Technology Inc filed Critical EDDA Technology Inc
Publication of CN102460471A publication Critical patent/CN102460471A/zh
Application granted granted Critical
Publication of CN102460471B publication Critical patent/CN102460471B/zh
Active 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10112—Digital tomosynthesis [DTS]
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30064—Lung nodule
    • 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
    • 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
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

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

Abstract

本发明披露了一种用于在层析X射线合成影像中影像分割肺部的方法，包括从多个层析X射线合成影像中确定肺部的焦平面影像，根据级联在一起的一系列最佳路径算法确定焦平面影像中肺部的多条边界，组合所述层析X射线合成影像以获得肺部的三维影像，在肺部的三维影像中确定肋骨的边界，以及根据肺部的边界和肋骨的边界分割肺部。一种用于检测层析X射线合成影像中的结节的方法，包括生成模糊的结节模板，生成模糊的血管模板和模糊的肋骨模板，根据模糊的结节模板确定肺部的三维影像中的结节候选对象，以及根据模糊的血管模板和模糊的肋骨模板确定所述结节候选对象是结节。

Description

用于胸腔层析X射线合成成像中的计算机辅助肺结节检测的***
相关申请的交叉引用
本申请要求申请日为2009年6月19日的美国临时专利申请No.61/218,636的优先权，该专利文献的公开内容如同在本文中全文陈述一样以其全文形式在此被结合入本文作为引用。
技术领域
本文的示例方面总体涉及医学成像处理，并且更具体地说，涉及用于层析X射线合成成像中的计算机辅助肺结节检测的***、方法、装置和计算机程序产品。
背景技术
层析X射线合成照相是用于胸腔检查的新兴成像模式。利用该模式，可以检测到比使用计算机X线成像(CR)或数字X线成像(DR)更多的肺结节。此外，层析X射线合成扫描产生比计算机断层造影(CT)扫描更低的x射线量。
通常，从层析X射线合成扫描可重构多于40张的影像(或“切片”)。由于该大量的数据以及存在放射科医师在浏览影像时可能遗漏病灶的可能性，可以使用用于层析X射线合成成像中肺结节检测的计算机辅助检测(CAD)***，以便充分开发层析X射线合成所提供的优势。
不过，现有的用于CR/DR和CT模式的肺结节检测方法不易于应用于层析X射线合成照相，因为层析X射线合成影像具有与CR、DR和CT影像不同的特征。例如，完整的层析X射线合成扫描可具有的切片厚度为10mm或更大并且切片间隔为约5mm。这些数值在层析X射线合成扫描中产生约40个切片，远少于通常CT扫描中的切片数。此外，由于层析X射线合成影像中的模糊效应，除了结构的相应焦平面外解剖结构在影像中可能出现模糊不清。也就是说，结构在其焦点影像中可能表现为总体是清楚的，但在相邻影像中是模糊的。因此，需要考虑这些层析X射线合成影像的特征的肺结节检测。
此外，肺结节检测一般在医学影像上进行，在所述医学影像中已经将肺从其它解剖结构像心脏和脊柱分割开。用于其它模式(例如胸腔x-射线影像或胸腔CT影像)的肺分割方式不易于应用于层析X射线合成影像。在层析X射线合成胸腔影像中，肺部区域通常不会像在胸腔x-射线影像中一样显示强对比度，并且在层析X射线合成影像中存在可用的三维(3D)信息，而在胸腔x-射线影像中没有所述3D信息。此外，它没有以亨斯菲尔德氏(Hounsfield)单位的校准的像素值，如同CT胸腔影像那样。因此，需要能够识别肺部区域和肋骨结构的肺部分割。
发明内容
通过用于层析X射线合成影像中肺部分割的方法和用于在层析X射线合成影像中检测结节的方法、以及根据所述方法工作的***、方法、装置和计算机程序可以克服与上文所述相关的现有限制和其它限制。
根据一个示例方面，一种用于在层析X射线合成影像中对肺部进行影像分割的方法包括从多个层析X射线合成影像中确定肺部的焦平面影像，和根据所述焦平面影像中像素梯度以及级联在一起的一系列最佳路径算法确定所述焦平面影像中肺部的多个边界。由至少一个所述算法确定的至少一个路径对至少另一路径提供限制。所述方法还包括组合多个层析X射线合成影像以获得肺部的三维(3D)影像，根据焦平面影像中肺部的边界和最佳路径算法确定肺部的3D影像中至少一个肋骨的至少一个边界，和根据肺部的多个边界和至少一个肋骨的至少一个边界分割肺部。
根据另一示例方面，一种用于在层析X射线合成影像中检测结节的方法包括产生至少一个模糊的结节模板，产生至少一个模糊的血管模板和至少一个模糊的肋骨模板，根据所述至少一个模糊的结节模板确定由多个层析X射线合成影像组合而成的肺部的三维(3D)影像中的结节候选对象，和根据所述至少一个模糊的血管模板和所述至少一个模糊的肋骨模板确定所述结节候选对象是肺部的3D影像中的结节。
附图说明
将结合示例性实施例进一步描述本文所要求保护和/或所披露的发明。这些示例性实施例将结合附图进行详细描述。这些实施例是非限制性示例实施例，其中在附图的若干视图中相同的附图标记表示相似的结构，并且其中：
图1是用于从层析X射线合成影像中分割肺部并从所分割的影像中检测肺结节的示例***的示意图。
图2是可通过图1所示***执行的示例方法(程序)的流程图。
图3A是用于肺部区域识别的示例方法(程序)的流程图。
图3B是用于确定最左边和最右边肺部边界的线性带拟合的示例结构的示图。
图3C是用于确定最左边和最右边肺部边界的起点和终点的示例结构的示图。
图3D是连接图3C中的起点和终点并且穿过图3B中的线性带的两条路径的示图。
图3E是用于确定肺部的上部边界、在左肺边界上的起点和右肺边界上的终点之间的路径查找的示例结构的示图。
图3F是用于确定膈膜的边界的路径查找的示例结构的示图。
图3G示出了与图3F所示膈膜的边界一致的路径。
图3H是用于确定脊柱和心脏边界的路径查找的示例结构的示图。
图3I示出了与图3H所示脊柱和心脏边界一致的两条路径。
图3J示出了肋骨和肺的一部分的三维(3D)示图。
图3K示出了通过设置一组起点和终点用于确定肋骨的路径查找的示例结构。
图3L示出了与图3K所示肋骨一致的路径。
图4是用于抑制高密度血管结构的示例方法(程序)的流程图。
图5是用于基于模糊模板的结节检测的示例方法(程序)的流程图。
图6A示出了切片厚度、切片间隔和结节模型之间的关系。
图6B示出了构建用于建立结节模板的模糊模型。
图6C示出了基于模糊模型的示例结节模板。
图7A示出了圆柱形血管模型。
图7B示出了基于模糊模型的示例血管模板。
图7C示出了示例结节和血管。
图7D示出了图7C中所示结节和血管的灰度轮廓。
图7E示出了包括血管的主要空间方向的结节的中心切片的示图。
图7F示出了图7E所示结节和血管的五个灰度轮廓。
图8是根据3A所示流程图设置的功能模块的框图。
图9是根据5所示流程图设置的功能模块的框图。
图10是示例计算体系结构的框图。
具体实施方式
本文所述的示例方面涉及用于在患者胸腔的层析X射线合成影像中进行肺部分割的***、方法、装置和计算机程序产品。在一个示例实施例中，通过从多个层析X射线合成影像中定位焦平面影像、在单个焦平面影像中确定多个与肺部相关的边界、和通过在焦平面影像中将肋骨边界与肺部边界结合在3D影像中分割肺部来实现肺部分割。
本文所述的其它示例方面涉及用于在层析X射线合成影像中进行肺结节检测的***、方法、装置和计算机程序产品。在示例实施例中，肺结节的检测利用层析X射线合成的影像特征。具体地说，检测可补偿在层析X射线合成影像采集过程中出现的模糊效应。
定义
一些术语在下文进行定义以方便引用。不过，应当理解所定义的术语并非严格地被限制于它们的定义。术语可通过其在说明书其它部分的使用被进一步定义。
“解剖结构”表示活体(或曾经活体的)生物的一部分。解剖结构的示例包括骨骼、器官、神经、动脉、静脉、腺体、管、膜、肌肉、组织、韧带、软骨、腱、细胞及其任何部分。
“中心焦平面”是指例如穿过(或最接近于)对象的中心的任何焦平面(和包含该焦平面的切片)。影像采集设备通常获得具有不同焦平面的影像。因此，由采集设备进行成像的对象可能在一些影像中聚焦(平面内)而在另一些影像中不聚焦(平面外)。例如，胸腔层析X射线合成扫描可获得若干切片，在其中可看到结节。不过，结节的中心焦平面是具有最接近于结节中心的焦平面的切片。根据所使用的成像模式，对象可具有多个中心焦平面。
在至少一个示例中，“焦平面”表示在其中聚焦影像数据的平面。焦平面中的对象被称为“平面内”，而在焦平面外的对象被称为“平面外”。平面内对象通常在影像中显得轮廓鲜明而平面外对象通常显得模糊。在一些成像模式中，扫描可产生具有绕共同轴旋转的焦平面的切片。另一方面，其它成像模式的扫描可产生具有平行焦平面的切片。此外，一些模式可通过利用一个或多个数字处理程序产生(或获得)具有不同焦平面的切片。
“影像”是指影像数据或通过处理影像数据向用户显示或呈现所显示的影像。影像数据可以例如以模拟格式(例如，胶片和模拟视频格式例如NTSC和PAL)或数字格式(例如数字检测器输出文件、原始影像文件、光栅影像文件、矢量影像文件、3D影像文件、和数字视频格式例如MPEG和DV)。用于显示所呈现的影像的示例包括图像、照片、x射线照片、模型、影片、视频、动画(fly-through)和屏幕显示。当处理影像数据以便将影像呈现给用户时，所述处理可包括(仅作为示例)产生、打印、投影或显示影像数据。作为示例，计算机可由一个切片显示二维影像，或者它可由多个切片显示三维影像。
“分割”表示将一个或多个像素的区域从影像数据区分开。在医学成像中，影像数据通常包含对应于多个解剖结构的信息(例如像素)。不过，时常用于获得所述影像数据的成像模式不在解剖结构中进行区分。因此，可执行分割程序，以便通过例如在影像数据中定位边界将需要的解剖结构从影像数据中隔离开。隔离开的解剖结构可被认为是“分割的”，并且所述结构的像素可被称为该结构的“分段”。可以利用已分割的影像数据及其相关的影像(无论是2D还是3D)，以便例如诊断解剖结构、测量解剖结构的体积和容量并规划外科手术治疗方案。已知的分割技术包括区域生长和基于图谱及模型的算法。
“切片”，“影像切片”等表示例如向对象曝光成像能量所产生的数字影像(例如像素)。成像能量源包括例如电磁辐射(例如，x-射线，伽马射线，微波，和其它电磁领域例如可见光和磁波)、声波(例如超声波)、粒子(例如电子、中子和离子)、放射衰变(例如核医学)及其组合。一些类型的成像设备(“采集设备”)控制成像能量源和/或成像能量的检测，使得切片对应于成像对象的相对薄的截面。在所述采集设备(模式)中，切片厚度(例如，沿笛卡尔(Cartesian)坐标的z轴)可远远小于切片大小(沿x-y平面)。在一些采集设备(模式)中，扫描可产生多于一个的切片。相似的，一些采集设备(模式)可被设置成例如通过数字影像处理将单个切片(由一次曝光产生)分成多个切片。当获得对象的多个切片并且每个切片具有被成像对象的不同截面时，能够以不同的方式数字组合所述切片，以产生被成像对象的二维和三维视图。
“扫描”在一个示例中表示在影像采集设备的工作过程中收集到的一组影像数据。扫描可包括一个或多个切片。扫描的一个示例是层析X射线合成扫描。肺部分割和结节检测
图1是被设置成在层析X射线合成影像中分割患者的肺部并且在已分割的影像中检测肺结节的示例***的示意图。层析X射线合成影像采集单元102采集层析X射线合成影像104(例如，对患者胸部进行一次或多次层析X射线合成扫描)。通过影像接收单元106从层析X射线合成影像采集单元102接收层析X射线合成影像104。通过分割单元108处理影像数据，可包括例如从影像中分割肺部、心脏、脊柱和/或膈膜。随后通过结节检测单元110处理已分割的影像，所述结节检测单元110被设置成通过例如补偿层析X射线合成影像中的模糊的基于模板的程序检测肺结节。与所检测到的结节相关的信息(例如位置、大小和形状)由结果影像合成单元112使用，以产生一个或多个结果影像(2D和/或3D)。结果影像可包括例如在其中分割肺部的解剖结构的影像和在其中检测和/或指示肺结节的影像。由影像发送单元114将结果影像合成单元112所产生的结果影像发送至结果观察单元116。从结果观察单元116用户可以浏览或以其它方式感知结果影像，所述结果影像可用于例如诊断患者。
图2是根据本文的一个示例实施例用于分割肺部和检测肺结节的示例程序的流程图。利用图1所示***的组成部分可以执行至少部分图2所示的程序。例如，可以利用分割单元108执行步骤202和204，可以利用结节检测单元110执行步骤206，可以利用结果影像合成单元112执行步骤208，以及可以利用影像发送单元114执行步骤210。
在步骤202，根据路径查找方法(算法)从层析X射线合成影像104中识别肺部区域和肋骨结构。所述方法基于解剖学知识(例如，解剖特征的通常位置)和级联在一起的一系列最佳路径算法，以使至少一个确定的路径可提供用于查找其它路径的限制。所述方法(算法)的示例在下文将结合图3A-3L进一步进行讨论。
在步骤204，抑制层析X射线合成影像的高密度血管结构。例如，垂直于或接近垂直于成像平面的血管结构可表现为明亮的高密度像素。抑制所述像素可减小它们对任何后续结节检测的负面影响。下文将结合图4讨论用于抑制高密度像素的示例程序。
在步骤206，检测肺结节。作为结节检测的一部分，可以建立模糊模型以便模拟层析X射线合成影像采集的模糊效应。下文将结合图6A-6C、7A和7B讨论结节检测和模糊模型的示例。可以利用模糊模型来构建某个结节、血管和肋骨模板，所述模板随后可被结合入肺结节检测过程。检测到的结节可以按结节位置(例如平面内坐标)与切片数结合的形式表示。
在步骤208，结节检测的结果被用于形成一个或多个医学数字成像和通信标准(DICOM)影像(或其它合适的影像类型)。在示例实施例中，通过设置不同的层析X射线合成切片产生结果影像。作为示例，只有在其中检测到结节的那些切片可被选择用于组合。所述切片可被组织成具有可设置数量的行和列的矩形栅格。在结果影像和/或切片上可以指示检测到的结节位置(手动响应用户输入或例如通过使用由结节检测单元(例如单元110)确定的结节信息自动响应用户输入)。在一个示例中，用于所述结果影像中结节位置的指示符可以是圆圈，其中结节中心位于所述圆圈的中心。也可采用其它形状作为所述位置指示符。作为另一示例，通过将不同的切片组合成单个影像可产生3D结果影像。
在步骤210，DICOM影像被发送至结果观察单元。在一个示例实施例中，结果观察单元是影像存档和通信***(PACS)环境。在本实施例中，DICOM结果影像被存储在PACS服务器中并且在PACS工作站观察。
肺部分割
图3A是用于从层析X射线合成影像中识别和分割肺部区域和肋骨的示例程序的流程图。本示例程序可用于例如图2的步骤202的执行。一般而言，所述程序通过将解剖学知识结合入级联的路径查找方法在层析X射线合成影像中分割肺部区域和肋骨结构。图3A的程序另结合图3B-3L进行描述。
在步骤310，对层析X射线合成影像的像素计算梯度幅值和梯度方向。像素的灰度可与由该像素成像的对象(或对象的一部分)的密度成比例(或取决于由该像素成像的对象或对象的一部分的密度)。结果，具有不同密度的对象之间的边界(例如骨骼和组织之间的边界)可对应于使一个对象成像的像素和使另一对象成像的像素之间的像素灰度差。因此，作为一个示例，步骤310所计算的梯度幅值可以是至少一个像素和其相邻像素之间的灰度差。此外，作为一个示例，像素可具有高梯度幅值，其中它具有高灰度而其相邻像素具有低灰度。
梯度方向是指梯度发生的方向。在一些成像模式中，产生被成像对象的多个切片，其中每个切片对应于被成像对象的不同截面。在一个示例实施例中，切片的平面(例如对象的截面)定义x-y平面。x-轴和y-轴可以是正交的。当存在多个切片时，切片可以彼此平行，并且因此切片被设置成沿着垂直于x-y平面的z-轴排列。作为一个示例，当对患者胸部进行层析X射线合成扫描时，每个切片的平面可能平行于患者的冠状平面，并且z轴因此位于患者的矢状平面中。因此，层析X射线合成扫描的像素可具有与该像素位于相同切片(例如，在与冠状平面平行的x-y平面中偏移)和/或在相邻切片(例如，沿平行于矢状平面的z方向偏移)的相邻像素。
梯度方向的计算确定了梯度幅值发生的方向。例如，如果像素具有相同灰度的平面内相邻像素(例如，相同切片中的像素)但更低灰度的平面外相邻像素(例如，沿z-方向在相邻切片中的像素)，则梯度幅值可能是所述两个灰度之间的差值，而梯度方向可能是沿z-方向。每个像素处的梯度方向和幅值可被表达为矢量(例如，[x-幅值，y-幅值，z-幅值])、矩阵(例如，相邻像素和表示梯度幅值的元素的行和列)、阵列、数据库、或任何其它合适的数据结构。
在一个示例实施例中，对于灰度在某个预定阈值之上的像素，在步骤310计算其梯度幅值和方向。可以自动或凭经验确定阈值。可以选定阈值以便分割某些解剖结构，例如骨骼、膈膜和脊柱结构，所述解剖结构可具有比肺部结构更高的灰度像素。
在步骤312，产生不同方向的线性带。通过人体解剖学可知，肺部中心焦平面中最左边和最右边肺部边界(例如左肺和右肺的外部边界)大体上是垂直的并且与肋骨一致。因此，通过结合这些解剖结构特征的方法，可利用线性带查找肺部区域的最左边和最右边边界的大致位置。根据例如解剖学知识或实验结果，所述带具有预定的宽度和长度。作为一个示例，当患者是六英尺高时，可从人体解剖学知识得知患者肺部的近似尺寸。反之，该尺寸可用于限定线性带的宽度和长度。
在步骤314，线性带的最佳拟合被用于识别对应于肺部的中心焦平面并包含最左边和最右边肺部边界的层析X射线合成切片。在对应于肺部的中心焦平面的层析X射线合成切片中，患者的肋骨通常产生具有高影像梯度的近线性垂直(例如沿切片的y轴)的肺部边界。由于高梯度可能是用于获得准确的肺部分割结果的最可靠特征，因此在该平面中的切片可能是用于确定最左边和最右边肺部边界(例如，左边肋骨分段和右边肋骨分段的位置)以及用于执行分割程序的步骤(例如下文所述的步骤316-326)的最合适的切片。
在一个示例实施例中，多条线性带中的最佳拟合是具有梯度幅值最大和的带。作为一个示例，可通过对带中的每个像素添加梯度幅值来确定所述和。作为另一示例，可通过仅对带中的一些像素添加梯度幅值来确定所述和。
可在梯度总和中应用限制条件。例如，只有梯度幅值在预定阈值之上的像素可被包括在总和中。但作为另一示例，只有梯度方向在预定差值范围(相对于线性带的方向)内的像素可用于梯度总和。此外，总和不需要通过像素梯度幅值的简单相加而获得。例如，总和可被加权(例如，较高的梯度幅值给予更多的权重)或者总和可被平均(例如，总的梯度幅值除以像素的数量)。
在一个示例实施例中，肺部的中心焦平面对应于平行于患者冠状平面的层析X射线合成扫描的切片，并因此在同一层析X射线合成切片中识别肺部区域的最左边和最右边边界。不过，在另一个示例实施例中，识别最左边肺部边界的切片与识别最右边肺部边界的切片不同。这可能发生在例如患者的冠状平面不平行于由层析X射线合成扫描获得的任何切片。当这发生时，可以在不同的切片中构建在步骤312构建的线性带。
图3B示出了最佳拟合最左边和最右边肺部边界的示例，并且是上述步骤314的结果的一个示例。因为最佳拟合具有线性带，图3B的示例包括两条带，一条用于最左边肺部边界而另一条用于最右边肺部边界。具体地说，附图示出了具有线性带350的左肺340和具有线性带352的右肺342。如上文所述，在示例实施例中，在带内具有最高梯度总和的拟合可用于确定线性带350和352的最佳拟合。
回到图3A，一般而言，步骤316-322确定肺部的中心焦平面中的肺部边界。在步骤316，确定最左边和最右边肺部边界。该步骤的一个示例通过图3C和3D示出。图3C示出了用于确定最左边和最右边肺部边界的起点和终点的示例结构。左和右线性带的中心线延伸以便与左边终点362和右边终点364处的影像边缘360的底部相交。从影像边缘360的顶部选定起点366。在一个示例中，可以自动选择起点366的位置。例如，起点366可以预定为影像边缘360的居中像素。从起点366到左边终点362，确定穿过左边线性带的最佳路径。最佳路径是沿着所述路径具有最低成本的路径。类似的，从起点366到右边终点364，确定穿过右边线性带的最佳路径。
在示例实施例中，路径成本被定义为在路径上每个像素处的成本的总和。反之，每个像素处的成本是影像梯度的倒数。这通过遮住线性带左边和右边的像素并且使用优化方法获得。一种优化方法是迪杰斯特最短路径算法(Dijkstra’sshortest path algorithm)，披露于E.W.Dijkstra所著的A Note on Two Problems inConnection with Graphs(Numerische Math.1，269-271(1959))，该文献的内容如同在本文全部陈述一样以其全文形式在此被结合入本文作为引用。在一个示例实施例中，根据该算法确定上述的最佳路径。
图3D示出了连接起点和左边及右边终点362和364的左边和右边最佳拟合路径368和370。这些路径与中心焦平面中最左边和最右边肺部边界一致。
在步骤318，确定上肺部边界。可以通过上文结合步骤316所述的最小成本方法确定上边界。具体地说，如图3E中所示，在最左边最佳拟合路径上选择点372。在一个示例中，点372可被选定为从起点开始确定的最左边最佳拟合路径的长度的四分之一处，尽管该示例是非排他性的。类似的，在最右边最佳拟合路径上选择点374。点372和374之间的最佳路径是这些点之间最小成本的路径。所述路径在图3E中示出为上部最佳拟合路径376。上部最佳拟合路径376与肺部的中心焦平面中的上肺部边界一致。
在步骤320，确定胸膈膜边界。在人体解剖学中，胸膈膜形成肺部的下边界。因此，步骤320可确定肺部和胸膈膜之间的边界。
至少部分步骤320在图3F和3G中表示。构建了水平线性带377，如图3F中所示。确定水平线性带377的尺寸和位置，使得膈膜边界位于所述带内。例如，所述带的垂直边的位置可被设置成包含最左边和最右边肺部边界的一部分，如在步骤316所确定的。作为另一个示例，所述带的高度可根据人体解剖学所确定的已知范围包含膈膜边界的可能位置。可以根据经验或统计学考虑自动确定水平带377的一个或多个特征(例如高度、宽度、垂直边位置)。
随后利用尺寸大到足以消除影像中主要血管结构的核窗口使肺部中心焦平面的影像平滑。可以使用任何合适的平滑程序，包括高斯平滑和基于预定窗口大小的移动平均的平滑。
随后，在平滑的影像上进行梯度运行。具体地说，在一个示例中，自动调节线性带(例如，沿着左和右肺部边界向上和向下移动，沿着x-和/或y-方向变宽，或沿着x-和/或y-方向变窄)以搜寻其中的高梯度总和。如上文所述，梯度幅值通常在相邻像素成像具有不同密度的对象时增大。在这种情况，肺部组织和膈膜肌肉之间的不同密度可能引起增大的梯度。在一个示例实施例中，最佳拟合线性带是具有最高梯度总和的带。最佳拟合线性带对应于膈膜的大致位置，并且可表示其边界的大致位置。
确定了膈膜边界的大致位置，可以进行更精确的确定。如图3F中所示，在线性带377中选择多个左边点378和多个右边点380。在一个示例实施例中，左边点378落在左边最佳拟合路径368上(图3D中示出)而右边点380落在右边最佳拟合路径370上(同样在图3D中示出)。例如，根据经验或统计学考虑可以自动确定点的数量、位置和/或间隔。对于每个左边点378，确定到每个右边点380的最佳拟合路径，如图3F中的虚线箭头所示。所有左至右路径中产生最小成本的路径被确定为膈膜边界。图3G示出了用于膈膜的最佳拟合路径382。最佳拟合路径382与膈膜边界一致。
在步骤322，确定肺部的中心焦平面中肺部的内边界。在人体解剖学中，若干解剖结构(例如，心脏和周围的动脉、气管、脊柱)与肺部相邻。因此，步骤322可确定这些解剖结构与肺部的边界(例如，心切迹)。
至少部分步骤322在图3H和3I中示出。在上肺部边界上选择一组顶部点384，并且在膈膜边界上选择一组底部点386。例如，根据经验或统计学考虑可以自动确定点的数量、位置和/或间隔。对于每个顶部点384，确定到每个底部点386的最佳拟合路径。如在图3I中所示，找到具有最低和第二低成本的两条路径388和390。这些路径与肺部的内边界一致。具体地说，路径388与左边内边界一致而路径390与右边内边界一致。
在步骤324，利用3D最佳路径方法确定肋骨线。尽管其它确定步骤(例如，确定左边、右边和上肺部边界和膈膜边界)可使用肺部的中心焦平面影像(例如，单个层析X射线合成切片)，在一个示例中，步骤324分割3D影像(例如，由多个切片组合成的影像)。图3J示出了包括肋骨391的肺部的3D影像部分。在坐标系392中，x-y平面是层析X射线合成影像平面(例如，沿x-y平面取得影像切片)而z-轴表示切片方向。
在一个示例实施例中，通过尺寸大到足以滤除主要血管结构但保留肋骨结构的核窗口对所有层析X射线合成影像进行平滑处理。所述平滑是可能的，因为肋骨宽度通常大于主要血管结构的直径。在平滑后，针对已过滤的影像计算影像梯度。在这些已过滤的影像中，肋骨结构可显示出较高的影像梯度，这改进了最少成本法的结果。
参见图3K，在最左边肺部边界上选择一组点393，并在左边内边界上选择一组点394，如同沿切片方向延伸(例如沿z-轴)。随后，对于最左边肺部边界上的每个点393，计算到左边内边界上的每个点394的最佳路径。所有这些路径中具有最低成本的路径被确定为肋骨线。图3L示出了选定的肋骨线395。
可以重复结合步骤324所讨论的过程以找到所有肋骨结构。有关肋骨线的信息(例如，在切片中肋骨线的位置)可用于肺结节检测程序，如下文所讨论。
在步骤326，在一个示例中，3D肺部区域被分割成围绕最左边和最右边肺部边界、内肺部边界、膈膜边界和3D肋骨线的空间。例如，已分割的肺部区域可被输出以供进一步处理(例如，结节检测程序)或供用户观察。
应当注意，尽管以首先确定外肺部边界并随后确定上肺部边界等的示例顺序进行描述，更为宽泛的解释，本发明的保护范围不仅限于该顺序。例如，在其它实施例中，可以按上文所述的类似方式首先确定上或下肺部边界(或肋骨边界等)，并且随后可确定其它边界，而对边界的限制可通过一个或多个先前确定的(或其它预定的)边界进行定义。因此，可以根据可适用的操作标准等改变所述顺序。
抑制高密度血管结构
图4是根据本文的一个示例实施例用于抑制高密度血管结构的示例程序的流程图。例如，可使用图4所示的程序执行上文所述的步骤204。高密度结构通常尺寸小并且呈圆形。例如，可以利用所述结构的去除来减少在结节检测过程中假病灶候选对象的数量。
在步骤402，选择灰度在预定阈值之上的像素(例如，在预定密度之上的对象的像素)。在步骤402选定的像素可包括用于其它处理步骤例如下文结合步骤404-410所述的候选像素。在一个示例实施例中，确定阈值，使得血管结构的灰度在阈值之上而肺部组织的灰度在阈值之下。例如，可将阈值确定为在肺部区域中像素的平均灰度。根据经验或统计学考虑可以自动确定阈值，或者可由例如用户指定阈值。
在步骤404，在候选像素上进行灰度腐蚀以便抑制可能是血管结构的解剖结构。一般而言，灰度腐蚀将预定结构元素(例如，形状)与影像元素(例如，一个或多个像素)进行比较以确定所述形状与所述影像元素相似的程度。确定与预定结构元素相似的影像元素被保留以便进一步分析。否则，影像元素被抑制。因此，步骤404可包括放弃(例如，抑制)在步骤402选定的一些候选像素。
在一个示例实施例中，预先定义在步骤404所用的结构元素，使得其核窗口形状是圆形的并且其核窗口尺寸小于希望检测到的最小结节尺寸。该预先定义的结构元素随后被用于腐蚀以确定可能包含在预先定义的结构元素中的任何解剖结构。因此，步骤404的灰度腐蚀可用于确定层析X射线合成影像中的哪个影像元素(例如，一个或多个像素)对应于小于和/或大小不同于结节的血管结构。
在步骤406，灰度腐蚀后留下的候选像素被二值化。一般而言，步骤406的二值化将灰度腐蚀的影像转换成黑白影像。可通过任何合适的技术例如区域生长进行二值化。
在步骤408，对二值化的像素进行连接的组成部分形状分析。通过所述分析，通过特定的形状(例如圆形)和在特定的尺寸范围内可将某些像素确定为对象的一部分。作为一个示例，一组像素可被确定为用于步骤404的灰度腐蚀中的预先定义的结构元素的尺寸和形状。对这些像素保留对应的灰度腐蚀结果，并且在步骤410抑制所述结构(例如，不用于执行结节检测程序的一个或多个步骤)。否则，拒绝对应的灰度腐蚀结果并且不抑制结构(例如，用于执行结节检测程序的一个或多个步骤)。
在一个示例实施例中，可以利用某些形状分析标准来定义步骤404的预定结构元素和/或进行步骤406的连接的组成部分形状分析。例如，这些标准可要求某个平均尺寸和某个形状(例如，连接的组成部分的圆度)。例如，如果平均尺寸低于预先定义的阈值而圆度高于预先定义的阈值，则可以接受对应像素的灰度腐蚀结果并且在结节检测程序的执行过程中抑制对应的结构。
层析X射线合成影像中的结节检测
如上文所述，层析X射线合成扫描通常产生具有不同焦平面的切片。随后处理的影像扫描数据可产生其它切片，每个切片具有其自己的焦平面。此外，层析X射线合成切片通常具有相对较大的厚度(例如，与CT切片相比)。去模糊算法，例如披露于N.Baba等人所著的Stellar speckle image reconstruction by theshift-and-add method(24Applied Optics 1403-05(1985))，因而不能完全去除模糊效应。结果，由于切片厚度和影像处理伪影，在影像切片中可见的解剖结构可能是模糊的。因此，考虑层析X射线合成影像中模糊效应的检测结节的程序可改进检测准确性。
图5是根据本文的一个示例实施例，用于基于模板的模糊模型结节检测的示例程序的流程图。例如，图5所示的程序可用于执行上文所述的步骤206。一般而言，所述程序涉及产生表现层析X射线合成影像的模糊特征的结节模板、血管模板和肋骨模板，并且将这些模板与实际层析X射线合成影像中的结构进行比较。
在步骤502，产生不同大小的结节模板。根据模拟在由层析X射线合成扫描所获得的影像中可见的模糊效应的模糊模型(和随后的处理)产生结节模板。
图6A-6C示出了来自结节模型的结节模板的示例结构。在一个示例实施例中，通过使用球状模板来检测结节。不过，其它的示例实施例可使用其它形状(例如，椭圆形、卵形、或不同定向的球状体)的模板来检测结节。
在图6A中，模型601是某个尺寸的球状结节模型。切片602是穿过所述模型的中心切片，而切片610和608表示在中心切片之前和之后的切片。也就是说，切片610、602和608可用于模仿连续的层析X射线合成影像切片。厚度604表示中心切片的切片厚度，在一个示例中对于所有切片厚度相同，而间隔606表示切片间隔。
根据层析X射线合成的成像特征，结节的中心切片之前和之后(例如，相邻)切片会显示出模糊的结节形状。例如，该效应可通过将在特定切片距离内的每个相邻切片的高斯加权贡献添加到当前考虑中的每个像素来进行模拟。
图6B表示用于构建结节模板来模拟层析X射线合成模糊效应的示例过程。具体地说，可产生均匀灰度的模板。对于偏心切片608上的像素620，切片602上模型像素622处的灰度被加权并添加到切片608的模型像素620的灰度上。类似的，切片610上的模型像素(未示出)贡献于切片608上的灰度。在一个示例实施例中，灰度的权重是切片距离的高斯函数，尽管其它函数也可用作加权函数，例如线性函数和常数函数。
通过这种方式，通过考虑相邻切片中的其它像素的灰度可以模仿像素的灰度。图6C示出了基于高斯函数模糊模型的模糊结节模板。不过，如上所述，为了检测不同形状和大小的结节，对应于所述大小和形状范围的结节的模板可被构件并用于执行结节检测程序。
在步骤504，模糊的结节模板与层析X射线合成影像相匹配以确定结节候选对象。作为一个示例，结节检测单元(例如，结节检测单元110)可将模糊模板与层析X射线合成扫描的切片进行比较。所述匹配可对切片中的各个像素进行。根据某标准可从影像像素中选择结节候选对象。例如，匹配分值(例如，像素灰度的接近度)高于某个阈值的影像像素可被选为结节候选对象。一个特定(但非限制性)的示例是选择高斯拉普拉斯(Laplacian of Gaussian，LoG)卷积输出高于预定阈值的影像像素。
在步骤506，产生不同直径和方向的血管模板。如同在步骤502产生的结节模板，根据模拟在层析X射线合成影像中可见的模糊效应的模糊模型产生血管模板。如上文所述，在层析X射线合成模式中，血管结构可能是影像中占主导的解剖结构特征。因此，所述血管结构可能干扰结节检测(例如，血管结构可能是假阳性结节)。此外，结节可通过不同程度的连接连接至血管。因此，识别血管结构因而可以改进层析X射线合成结节检测。
在步骤506还产生肋骨模板。如同血管结构，肋骨结构可能是层析X射线合成影像中主要的解剖结构特征，而结节可能与肋骨连接。因此，基于模糊模型产生的肋骨模板可用于识别肋骨结构。
可以按类似于步骤502的结节模板构建的方式构建血管和肋骨模板。例如，在步骤506使用的模糊模型(例如，高斯加权的灰度贡献)可以与步骤502的模糊模型相同。通过解剖学和/或经验知识可确定血管(或肋骨)模型的形状和大小。例如，血管模型可以是圆柱形的，而肋骨模型可以是立方体的。
图7A示出了圆柱形的血管模型702，而图7B示出了所得到的模糊血管模板的示例构造。可以按类似于图6C的模糊结节模板的方式产生图7B的模糊血管模板。
在步骤508，在每个候选结节的三维感兴趣区域(VOI)内的每个影像像素处卷积模糊血管模板。也就是说，将每个模糊的血管模板与实际层析X射线合成影像中的影像元素(例如，解剖结构)进行比较。所有血管模板中最大的卷积输出被选为每个像素的输出值。卷积从而产生脊线图(ridge map)。图7C中示出了一个示例脊线图。一般，高灰度表示像素可能对应于血管，而低灰度表示像素可能不对应于血管。
在步骤508还产生方向图。方向图是对应于最大卷积输出的血管模板的方向。血管结构通常产生强脊幅度。因此，局部邻近区域(例如，VOI)中的最强脊值对应于每个层析X射线合成切片的焦平面的血管结构。图7D中示出了一个示例方向图。一般，每个像素处的灰度与每个像素处卷积的模板中的一个模板关联。
在步骤510，进行沿切片方向(例如，沿z-轴)的搜索。该搜索确定在结节候选对象的邻近区域具有最强脊线(例如，在血管模板匹配中产生最强输出的切片)的切片。因此，步骤510的搜索确定哪个切片对应于血管所在的切片。换言之，所述搜索确定脊线的主要空间方向。
步骤512根据接近度测量结果确定结节候选对象是否与血管结构相连。接近度测量结果可确定例如结节距离步骤508所产生的脊线图的脊线有多近。一般，脊线由脊线图上的高灰度点构成，并从而脊线与血管的中心一致。因此，一个示例接近度测量结果是结节候选对象的位置和脊线之间的欧几里得(Euclidean)距离。例如，当候选对象的接近度低于预定阈值时可确定结节候选对象与血管结构相连。
在步骤514，对于确定与血管结构相连的结节，计算与脊线的主要空间方向正交的灰度轮廓。所述计算在结节的焦平面(例如，结节的中心切片)进行。图7E示出了包括血管708的主要空间方向的结节708的中心切片的示图。图7F示出了结节708和血管706的五个灰度轮廓710。
在步骤516，对在步骤514计算的每个灰度轮廓估计宽度。所述宽度基于在灰度轮廓上进行的分割。所述分割可以基于阈值，例如结节候选对象的最大灰度的固定百分比的阈值。从已分割的结节，分析沿脊线方向的宽度的变化。对于连接至血管结构的结节候选对象，所述宽度可对应于在沿脊线的值上增大和/或减小的图形。该图形被自动量化和分析以去除步骤518的假阳性候选对象。作为一个示例，所述量化可包括与宽度变化(例如，最大宽度、最小宽度、平均宽度、和标准偏差)有关的统计计算。例如，这些统计可通过对经验确定的范围、最小值和/或最大值的分析进行比较。
类似的，如结合图3J-3L所讨论的，在肺部分割过程中获得的肋骨结构可用于步骤520，以便从肋骨结构中区分出连接至肋骨的结节候选对象。步骤520可结合类似于在步骤508-518所执行的程序但使用肋骨模板。
在一个示例实施例中，模糊结节模板另被用于比较每个截面处的结节质心和大小。该比较在步骤528-532进行。例如，在步骤528利用例如区域生长从层析X射线合成影像中分割(二值化)每个候选结节。对于每个候选结节，利用与用于分割候选结节相同的二值化方法可随后分割最佳匹配该结节的结节模板。在分割候选结节及其最佳匹配的模板后，在步骤530，每个已分割结节与其已分割的匹配模板进行核对以保持一致性。在一个示例实施例中，一致性核对测量两个二值化的影像之间的互相关性。假阳性可被确定为相关值在预定阈值之下，并从而被去除。
在步骤532，基于图形分类可进一步去除假阳性结果。在一个示例实施例中，前述步骤的任何一个的测量结果、图形和/或输出(例如，步骤504和508的卷积输出，和步骤528的二值影像之间的相关性)可用于训练图形分类模块(例如，由结节检测单元例如图1中的结节检测单元110执行的图形分类程序)。图形分类可例如通过k-最近邻算法(k-nearest neighbor algorithm)，如披露于T.M.Cover和P.E.Hart所著的Nearest neighbor pattern classification(13IEEE Transactions onInformation Theory，21-27(1967))进行，上述文献的内容如同在本文全部陈述一样以其全文形式在此被结合入本文作为引用。
在步骤534，从步骤532留下的结节候选对象被识别为结节。与结节有关的其它信息，例如结节位置和大小，可从前述步骤例如步骤504和528获得。
上文详细描述了本文的示例方面，尤其是，基于胸部层析X射线合成扫描的肺部分割方法，以及适用于层析X射线合成扫描的肺结节检测方法。通过这些方法，利用层析X射线合成影像可以对患者进行增强的诊断。
图8和9示出了根据不同示例实施例设置的功能模块的框图。在这些附图中所示的模块(不论是单独还是设置在一起)可包括或构成图1所示***的组成部分的一个或多个。作为一个示例，图8中的模块可包括图1中的影像接收单元106和图1中的肺部分割单元108，而图9中的模块可包括图1中的模糊模型结节检测单元110。
在一个示例实施例中，根据图3A的流程图设置图8的模块。所述模块包括影像接收模块801，三维(3D)影像生成模块802，边界确定模块803，分割模块804，和显示模块805。每个模块与其它模块通信相连。影像接收模块801可被设置成执行与步骤310相关的任务。影像组合模块802可被设置成执行与步骤324和326相关的任务。边界确定模块803可被设置成执行与步骤310-326相关的任务。分割模块804可被设置成执行与步骤326相关的任务。显示模块805可被设置成显示与其它模块执行的任务相关的输出(和/或接收输入)。
在一个示例中，根据图5的流程图设置图9的模块。所述模块包括模板生成模块901，结节候选对象模块902，结节检测模块903，图生成模块904，脊线确定模块905，和显示模块906。每个模块与其它模块通信相连。模板生成模块901可被设置成执行与步骤502和506相关的任务。结节候选对象模块902可被设置成执行与步骤504、512、518、520、530和532相关的任务。结节检测模块903可被设置成执行与步骤534相关的任务。图生成模块904可被设置成执行与步骤508相关的任务。脊线确定模块905可被设置成执行与步骤510-514相关的任务。显示模块906可被设置成显示与其它模块执行的任务相关的输出。
图1中的组成部分以及图8和9中的模块各自可包括软件、硬件或其组合，并且这些模块中的至少一些可被结合在数据处理***内，下面将结合图10对其一个示例进行讨论。作为一个示例，模块至少部分可以包含在存储在存储设备中的计算机程序指令中，或可由位于处理器中或与处理器相连的硬件部件构成。
图10是示例数据处理***的框图。在一个示例实施例中，所述***可构成图1的组成部分中的一个或多个的至少一部分。图10的***包括处理器1002，内存1003，存储设备1004，通信设备1005，和用户界面1006，所有上述部件均连接至总线1001。
处理器1002可通过总线1001与所述体系结构的其它部件进行通信。存储设备1004包括一个或多个机器可读介质。存储设备1004可被设置成读和写包括程序指令的数据，所述程序指令可由处理器1002和允许处理器1002控制其它部件工作的操作***(例如，Microsoft Windows，UNIX)执行。通信设备1005可被设置成允许处理器1002与例如网络和互联网进行通信。用户界面1006可包括输入设备(例如，键盘，鼠标，操纵杆，触控板，触笔图形输入板，麦克风，和摄影头)和输出设备(例如，视频显示器，打印机，扬声器)。用户界面1006至少部分可包括本文所讨论的单元和/或模块中的任意一个。
处理器1002可被设置成执行本文所述的程序的任意一个。例如，程序可以机器可读程序指令的形式存储在存储设备上。随后，为了执行程序，处理器将存储在存储设备1004上的适当指令加载入内存1003，并随后执行所加载的指令。
在上文的说明中，结合其特定示例实施例描述了本发明的示例方面。说明书和附图应此被视为是说明性的而非限制性的。不过，显然在不脱离本发明的更宽泛的精神和范围的情况下，在计算机程序产品或软件、硬件或其任意组合上可对其进行不同的改进和修改。
本文所述的示例方面的软件实施例可被设置成计算机程序产品或软件，所述产品或软件可包括在具有指令的机器可访问或机器可读介质(内存)上的制造品。在机器可访问或机器可读介质上的指令可用于为计算机***或其它电子设备进行编程。机器可读介质可包括但不限于，软盘，光盘，CD-ROM，和磁光盘或适用于储存或传送电子指令的其它类型的介质/机器可读介质。本文所述的技术不限于任何特定的软件结构。它们可适用于任何计算或处理环境。本文所用的术语“机器可读介质”或“内存”应当包括能够储存、编码或传送由机器执行的一系列指令并且使机器执行本文所述方法中的任意一种的任何介质。此外，在本领域中常见以一种形式或另一形式(例如，计算机程序，过程，进程，应用程序，模块，单元，逻辑等等)论及软件为采取行动或产生结果。所述表达仅是表示由处理***执行的软件使得处理器执行动作以产生结果的简略表达方式。在其它实施例中，由软件执行的功能可替换地可由硬编码模块执行，因此本发明不仅限于使用储存的软件程序。
此外，应当理解，突出本发明的功能和优势的所附附图仅用于示例目的。本发明的示例方面的结构足够灵活和可设置，使得它能够以附图所示之外的方式使用(和操纵)。
此外，通过计算机执行方法不是必要的，相反地，可通过操作员执行方法。
尽管已在某些特定的实施例中描述了本发明的示例方面，但对于本领域的技术人员来说很多其它的修改和变形是显而易见的。因此应当理解，本发明可通过除了具体所述之外的其它方式实施。因此，本发明的示例实施例应在所有方面被视为是说明性的而非限制性的。

Claims (21)

1.一种用于在层析X射线合成影像中对肺部进行影像分割的方法，包括：
从多个层析X射线合成影像中确定肺部的焦平面影像；
根据所述焦平面影像中像素的梯度和级联在一起的一系列最佳路径算法确定所述焦平面影像中肺部的多条边界，由所述算法中的至少一个确定的至少一条路径对至少一条其它路径提供限制；
组合所述多个层析X射线合成影像以获得肺部的三维影像；
根据所述焦平面影像中肺部的边界和最佳路径算法确定所述肺部的三维影像中至少一个肋骨的至少一条边界；和
根据所述肺部的多条边界和所述至少一个肋骨的至少一条边界分割肺部。
2.根据权利要求1所述的方法，其中所述确定多条边界的步骤包括：
(i)确定肺部的外边界，
(ii)根据所述肺部的外边界确定肺部的上边界和下边界，和
(iii)根据所述上边界和下边界确定肺部的内边界。
3.根据权利要求1所述的方法，其中所述多条边界的确定还包括确定心脏的边界和确定膈膜的边界中的至少一个。
4.根据权利要求2所述的方法，其中确定肺部的外边界的步骤包括：
(i)确定对所述层析X射线合成影像中的至少一个的第一和第二部分的梯度影像的最佳拟合线性带；和
(ii)确定穿过相应各个所述线性带的最少成本路径。
5.根据权利要求2所述的方法，其中确定肺部的上边界的步骤包括：
(i)在肺部的每条外边界上确定至少两个点；和
(ii)确定连接所述至少两个点的最少成本路径。
6.根据权利要求2所述的方法，其中确定肺部的外边界的步骤包括确定左和右外肺部边界，并且确定肺部的下边界的步骤包括：
(i)确定最佳拟合线性带以便定位膈膜的大致位置；和
(ii)确定穿过线性带并且连接所述左和右外肺部边界上至少两点的最少成本路径。
7.根据权利要求2所述的方法，其中确定肺部的内边界的步骤包括：
(i)在肺部的上边界上确定一组点；
(ii)在肺部的下边界上确定一组点；和
(iii)确定将肺部的上边界上的点连接至肺部的下边界上的对应点的至少两条最少成本路径。
8.根据权利要求2所述的方法，其中确定至少一个肋骨的至少一条边界的步骤包括：
(i)确定肺部的外边界上的点；
(ii)确定三维影像中肺部的内边界上的点；和
(iii)确定连接肺部的外边界上至少一个点和肺部的内边界上至少一个点的至少一条最少成本路径。
9.一种用于影像分割的***，包括：
影像接收模块，所述影像接收模块被设置成从多个层析X射线合成影像中确定肺部的焦平面影像；
影像组合模块，所述影像组合模块被设置成组合所述多个层析X射线合成影像以获得肺部的三维影像；
边界确定模块，所述边界确定模块被设置成：
(i)根据所述焦平面影像中像素的梯度和级联在一起的一系列最佳路径算法确定所述焦平面影像中肺部的多条边界，由所述算法中的至少一个确定的至少一条路径提供对至少一条其它路径的限制，和
(ii)根据所述焦平面影像中肺部的边界和最佳路径算法确定肺部的三维影像中至少一个肋骨的至少一条边界；和
分割模块，所述分割模块被设置成根据肺部的多条边界和所述至少一个肋骨的至少一条边界分割肺部。
10.根据权利要求9所述的用于影像分割的***，其中所述边界确定模块还被设置成
(i)确定肺部的外边界，
(ii)根据肺部的外边界确定肺部的上边界和下边界，和
(iii)根据所述上边界和下边界确定肺部的内边界。
11.根据权利要求9所述的用于影像分割的***，其中所述边界确定模块还被设置成确定心脏的边界和膈膜的边界中的至少一个。
12.一种用于检测层析X射线合成影像中结节的方法，包括：
生成至少一个模糊的结节模板；
生成至少一个模糊的血管模板；
生成至少一个模糊的肋骨模板；
根据所述至少一个模糊的结节模板确定由多个层析X射线合成影像组合而成的肺部的三维影像中的结节候选对象；和
根据所述至少一个模糊的血管模板和所述至少一个模糊的肋骨模板确定所述结节候选对象是肺部的三维影像中的结节。
13.根据权利要求12所述的方法，其中确定结节候选对象的步骤包括将所述至少一个结节模板与肺部的三维影像进行比较。
14.根据权利要求12所述的方法，还包括：
根据所述至少一个模糊的血管模板和所述至少一个模糊的肋骨模板中的一个生成至少一个脊线图；
根据所述至少一个模糊的血管模板和所述至少一个模糊的肋骨模板中的一个生成至少一个方向图；
在所述多个层析X射线合成影像的一个中确定脊线的主要方向；
确定所述结节候选对象接近于主要脊线。
15.根据权利要求14所述的方法，其中确定所述结节候选对象接近于主要脊线的步骤包括：
(i)生成脊线的主要方向的至少一个灰度轮廓，和
(ii)分析所述至少一个灰度轮廓以获得所述结节候选对象的宽度变化。
16.一种用于在层析X射线合成影像中进行结节检测的***，包括：
模板生成模块，所述模板生成模块被设置成生成至少一个模糊的结节模板，至少一个模糊的血管模板和至少一个模糊的肋骨模板；
结节候选模块，所述结节候选模块被设置成根据所述至少一个模糊的结节模板确定由多个层析X射线合成影像组合而成的肺部的三维影像中的结节候选对象；
结节检测模块，所述结节检测模块被设置成根据所述至少一个模糊的血管模板和所述至少一个模糊的肋骨模板确定所述结节候选对象是3D影像中的结节。
17.根据权利要求16所述的***，其中所述结节候选模块还被设置成
(i)分割结节模板，
(ii)分割所述结节候选对象，和
(iii)将所述已分割的结节模板与所述已分割的结节候选对象进行比较。
18.根据权利要求17所述的***，还包括：
图生成模块，所述图生成模块被设置成根据所述至少一个模糊的血管模板和所述至少一个模糊的肋骨模板中的一个生成至少一个脊线图，并且还被设置成根据所述至少一个模糊的血管模板和所述至少一个模糊的肋骨模板中的一个生成至少一个方向图；和
脊线确定模块，所述脊线确定模块被设置成在所述多个层析X射线合成影像的一个中确定主要脊线，并且还被设置成确定所述结节候选对象接近于所述主要脊线。
19.一种用于检测肺结节的***，包括：
分割单元，所述分割单元被设置成：
(i)从多个层析X射线合成影像中确定肺部的焦平面影像，
(ii)根据所述焦平面影像中像素的梯度和级联在一起的一系列最佳路径算法确定所述焦平面影像中肺部的多条边界，由所述算法中的至少一个确定的至少一条路径提供对至少一条其它路径的限制，
(iii)组合所述多个层析X射线合成影像以获得肺部的三维影像，
(iv)根据所述焦平面影像中肺部的边界和最佳路径算法确定肺部的三维影像中至少一个肋骨的至少一条边界，和
(v)根据所述焦平面影像中肺部的多条边界和所述至少一个肋骨的至少一条边界生成肺部分割；
和
结节检测单元，所述结节检测单元被设置成
(i)生成至少一个模糊的结节模板，
(ii)生成至少一个模糊的血管模板，
(iii)生成至少一个模糊的肋骨模板；
(iv)根据所述至少一个模糊的结节模板确定肺部分段中的结节候选对象，和
(v)根据所述至少一个模糊的血管模板和所述至少一个模糊的肋骨模板确定所述结节候选对象是结节。
20.根据权利要求19所述的***，还包括：
影像采集单元，所述影像采集单元被设置成采集所述多个层析X射线合成影像；和
影像接收单元，所述影像接收单元被设置成从所述影像采集单元接收所述多个层析X射线合成影像并且将所述多个层析X射线合成影像发送至所述分割单元。
21.根据权利要求20所述的***，还包括：
结果影像合成单元，所述结果影像合成单元被设置成产生包括所述肺部分段和结节的至少一个的结果影像；
结果观察单元，所述结果观察单元被设置成显示所述结果影像；和
结果影像发送单元，所述结果影像发送单元被设置成将所述结果影像从所述结果影像合成单元发送至所述结果观察单元。
CN201080027245.3A 2009-06-19 2010-06-18 用于胸腔层析x射线合成成像中的计算机辅助肺结节检测的*** Active CN102460471B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US21863609P 2009-06-19 2009-06-19
US61/218,636 2009-06-19
PCT/US2010/039216 WO2010148330A1 (en) 2009-06-19 2010-06-18 Systems for computer aided lung nodule detection in chest tomosynthesis imaging

Publications (2)

Publication Number Publication Date
CN102460471A true CN102460471A (zh) 2012-05-16
CN102460471B CN102460471B (zh) 2015-03-18

Family

ID=43354428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201080027245.3A Active CN102460471B (zh) 2009-06-19 2010-06-18 用于胸腔层析x射线合成成像中的计算机辅助肺结节检测的***

Country Status (5)

Country Link
US (1) US8837789B2 (zh)
EP (1) EP2443587B1 (zh)
JP (1) JP5643304B2 (zh)
CN (1) CN102460471B (zh)
WO (1) WO2010148330A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104715478A (zh) * 2015-03-05 2015-06-17 深圳市安健科技有限公司 一种检测影像图片中曝光区域的方法及***
CN104737200A (zh) * 2012-10-09 2015-06-24 皇家飞利浦有限公司 多结构图集和/或其应用
CN111311612A (zh) * 2020-02-17 2020-06-19 北京推想科技有限公司 肺部分割方法、装置、介质及电子设备
CN111985512A (zh) * 2019-05-22 2020-11-24 杭州依图医疗技术有限公司 一种建立人体肋骨模型的方法和装置
CN112349425A (zh) * 2020-02-10 2021-02-09 胡秋明 新型冠状病毒感染肺炎人工智能快速筛查***

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009003128A2 (en) * 2007-06-26 2008-12-31 University Of Rochester Method and system for detecting lung tumors and nodules
TW201221117A (en) * 2010-11-29 2012-06-01 Iner Aec Executive Yuan Enhancing segmentation for molecular image quantification system and the method thereof
CN102254097A (zh) * 2011-07-08 2011-11-23 普建涛 肺部ct图像上的肺裂识别方法
US10449395B2 (en) * 2011-12-12 2019-10-22 Insightec, Ltd. Rib identification for transcostal focused ultrasound surgery
WO2014042902A1 (en) * 2012-09-13 2014-03-20 The Regents Of The University Of California Lung, lobe, and fissure imaging systems and methods
CN102930274B (zh) * 2012-10-19 2016-02-03 上海交通大学 一种医学图像的获取方法及装置
US9760966B2 (en) * 2013-01-08 2017-09-12 Nvidia Corporation Parallel processor with integrated correlation and convolution engine
JP5896084B2 (ja) * 2013-08-01 2016-03-30 パナソニック株式会社 類似症例検索装置、類似症例検索装置の制御方法、およびプログラム
US9208572B2 (en) 2013-09-20 2015-12-08 General Electric Company Systems and methods for image segmentation using a deformable atlas
US9990743B2 (en) * 2014-03-27 2018-06-05 Riverain Technologies Llc Suppression of vascular structures in images
JP7004648B2 (ja) * 2015-11-09 2022-01-21 コーニンクレッカ フィリップス エヌ ヴェ Ｘ線画像吸気品質モニタリング
EP3460712A1 (en) * 2017-09-22 2019-03-27 Koninklijke Philips N.V. Determining regions of hyperdense lung tissue in an image of a lung
JP7119327B2 (ja) * 2017-10-03 2022-08-17 富士通株式会社 プログラム、情報処理方法及び情報処理装置
US11160606B2 (en) 2017-10-31 2021-11-02 Covidien Lp Systems and methods for lung treatments and post-treatment sealing of lungs
US10521907B2 (en) * 2018-03-21 2019-12-31 Shimadzu Corporation Image processing apparatus, program, and radiation image capturing apparatus
CN109410170B (zh) * 2018-09-14 2022-09-02 东软医疗***股份有限公司 图像数据处理方法、装置及设备
CN113409328B (zh) * 2021-06-02 2024-01-02 东北大学 Ct图像的肺动静脉分割方法、装置、介质及设备
JP2023000019A (ja) * 2021-06-17 2023-01-04 富士フイルムヘルスケア株式会社 医用画像処理装置および医用画像処理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030086599A1 (en) * 2001-06-15 2003-05-08 University Of Chicago Automated method and system for the delineation of the chest wall in computed tomography scans for the assessment of pleural disease
US20050002550A1 (en) * 2003-07-03 2005-01-06 Ge Medical Systems Global Technology Company, Llc Imaging chain for digital tomosynthesis on a flat panel detector
US20070019846A1 (en) * 2003-08-25 2007-01-25 Elizabeth Bullitt Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surfical planning

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6282307B1 (en) * 1998-02-23 2001-08-28 Arch Development Corporation Method and system for the automated delineation of lung regions and costophrenic angles in chest radiographs
US20020028008A1 (en) * 2000-09-07 2002-03-07 Li Fan Automatic detection of lung nodules from high resolution CT images
US6993174B2 (en) * 2001-09-07 2006-01-31 Siemens Corporate Research, Inc Real time interactive segmentation of pulmonary nodules with control parameters
JP2003265463A (ja) * 2002-03-13 2003-09-24 Nagoya Industrial Science Research Inst 画像診断支援システム及び画像診断支援プログラム
US6901132B2 (en) * 2003-06-26 2005-05-31 General Electric Company System and method for scanning an object in tomosynthesis applications
US20050135707A1 (en) * 2003-12-18 2005-06-23 Turek Matthew W. Method and apparatus for registration of lung image data
JP2006175036A (ja) * 2004-12-22 2006-07-06 Fuji Photo Film Co Ltd 肋骨形状推定装置、肋骨形状推定方法およびそのプログラム
EP1859404B1 (en) * 2005-02-11 2018-12-19 Philips Intellectual Property & Standards GmbH Identifying abnormal tissue in images of computed tomography
JP2006325937A (ja) * 2005-05-26 2006-12-07 Fujifilm Holdings Corp 画像判定装置、画像判定方法およびそのプログラム
CN1879553B (zh) * 2005-06-15 2010-10-06 佳能株式会社 在胸部图像中检测边界的方法及装置
US7623692B2 (en) * 2005-07-22 2009-11-24 Carestream Health, Inc. Pulmonary nodule detection in a chest radiograph
US7978886B2 (en) * 2005-09-30 2011-07-12 General Electric Company System and method for anatomy based reconstruction
JP5207683B2 (ja) * 2006-08-11 2013-06-12 ゼネラル・エレクトリック・カンパニイ 撮像データを処理するシステム及び方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030086599A1 (en) * 2001-06-15 2003-05-08 University Of Chicago Automated method and system for the delineation of the chest wall in computed tomography scans for the assessment of pleural disease
US20050002550A1 (en) * 2003-07-03 2005-01-06 Ge Medical Systems Global Technology Company, Llc Imaging chain for digital tomosynthesis on a flat panel detector
US20070019846A1 (en) * 2003-08-25 2007-01-25 Elizabeth Bullitt Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surfical planning

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104737200A (zh) * 2012-10-09 2015-06-24 皇家飞利浦有限公司 多结构图集和/或其应用
CN104737200B (zh) * 2012-10-09 2018-06-08 皇家飞利浦有限公司 多结构图集和/或其应用
CN104715478A (zh) * 2015-03-05 2015-06-17 深圳市安健科技有限公司 一种检测影像图片中曝光区域的方法及***
CN104715478B (zh) * 2015-03-05 2017-12-29 深圳市安健科技股份有限公司 一种检测影像图片中曝光区域的方法及***
CN111985512A (zh) * 2019-05-22 2020-11-24 杭州依图医疗技术有限公司 一种建立人体肋骨模型的方法和装置
CN111985512B (zh) * 2019-05-22 2024-02-02 杭州依图医疗技术有限公司 一种建立人体肋骨模型的方法和装置
CN112349425A (zh) * 2020-02-10 2021-02-09 胡秋明 新型冠状病毒感染肺炎人工智能快速筛查***
CN111311612A (zh) * 2020-02-17 2020-06-19 北京推想科技有限公司 肺部分割方法、装置、介质及电子设备

Also Published As

Publication number Publication date
EP2443587A1 (en) 2012-04-25
US20100322493A1 (en) 2010-12-23
EP2443587A4 (en) 2013-08-28
WO2010148330A1 (en) 2010-12-23
CN102460471B (zh) 2015-03-18
JP5643304B2 (ja) 2014-12-17
US8837789B2 (en) 2014-09-16
JP2012530553A (ja) 2012-12-06
EP2443587B1 (en) 2014-11-05

Similar Documents

Publication Publication Date Title
CN102460471B (zh) 用于胸腔层析x射线合成成像中的计算机辅助肺结节检测的***
US10997466B2 (en) Method and system for image segmentation and identification
Rahman et al. A deep learning approach for liver and tumor segmentation in CT images using ResUNet
Tang et al. E 2 Net: An edge enhanced network for accurate liver and tumor segmentation on CT scans
CN110047056A (zh) 用深度图像到图像网络和对抗网络的跨域图像分析和合成
CN107708550A (zh) 用于检测和测量解剖异常的分段回声结构的表面建模
US20190088360A1 (en) System and method for segmentation and visualization of medical image data
Dovganich et al. Automatic out-of-distribution detection methods for improving the deep learning classification of pulmonary X-ray images
GB2451367A (en) Nodule detection in computed tomography images
Prodan et al. Applying deep learning methods for mammography analysis and breast cancer detection
Zheng et al. Low-dose CT image post-processing based on learn-type sparse transform
Karthik et al. Deep neural models for automated multi-task diagnostic scan management—quality enhancement, view classification and report generation
JP5364009B2 (ja) 画像生成装置、画像生成方法、及びそのプログラム
Abd Aziz et al. Detection of collaterals from cone-beam CT images in stroke
Alshamrani et al. Enhancement of mammographic images using histogram-based techniques for their classification using CNN
AU2019204365B1 (en) Method and System for Image Segmentation and Identification
Dovganich et al. Automatic quality control in lung X-ray imaging with deep learning
Plourde et al. Semiautomatic detection of scoliotic rib borders from posteroanterior chest radiographs
Bielecka et al. Automatized fuzzy evaluation of CT scan heart slices for creating 3D/4D heart model
Bagga et al. Computer-assisted anthropology
Joshua et al. Lung Cancer Classification with Improvised Three Parameter Logistic Type Distribution Model.
Lehmann et al. Strategies to configure image analysis algorithms for clinical usage
Pant et al. X-rays imaging analysis for early diagnosis of thoracic disorders using capsule neural network: a deep learning approach
Prabakar et al. Semi-Automatic Detection and Measurement of Fetal Parameters from Ultrasound Images and the Scope Automatic System Using LabVIEW
Matias et al. Dealing with CT cardiac imaging using python: an approach for future hemodynamic simulations

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