CN102663824A - 在心脏计算机断层成像容积中的心脏分离的方法和*** - Google Patents

在心脏计算机断层成像容积中的心脏分离的方法和*** Download PDF

Info

Publication number
CN102663824A
CN102663824A CN2011103866534A CN201110386653A CN102663824A CN 102663824 A CN102663824 A CN 102663824A CN 2011103866534 A CN2011103866534 A CN 2011103866534A CN 201110386653 A CN201110386653 A CN 201110386653A CN 102663824 A CN102663824 A CN 102663824A
Authority
CN
China
Prior art keywords
heart
volume
grid
sustainer
frisket
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
CN2011103866534A
Other languages
English (en)
Other versions
CN102663824B (zh
Inventor
郑冶枫
F.维加-希盖拉
D.科马尼丘
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 Medical Co., Ltd.
Siemens AG
Original Assignee
Siemens AG
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 AG filed Critical Siemens AG
Publication of CN102663824A publication Critical patent/CN102663824A/zh
Application granted granted Critical
Publication of CN102663824B publication Critical patent/CN102663824B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/149Segmentation; Edge detection involving deformable models, e.g. active contour models
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10081Computed x-ray tomography [CT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20112Image segmentation details
    • G06T2207/20124Active shape model [ASM]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30048Heart; Cardiac

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

公开了一种对于具有冠状动脉旁路的患者,用于在诸如心脏CT容积的3D容积中分离心脏的方法和***。从诸如心脏CT容积的3D容积提取初始心脏分离蒙片。在在3D容积中分割主动脉根部和升主动脉,从而得到主动脉网格。扩展主动脉网格以包括旁路冠状动脉。通过将初始心脏分离蒙片与由扩展的主动脉网格限定的扩展的主动脉蒙片组合,生成扩展的心脏分离蒙片。

Description

在心脏计算机断层成像容积中的心脏分离的方法和***
本申请要求保护于2011年11月29日提交的美国临时申请No.61/417,602的权益,其公开内容通过引用结合于此。
技术领域
本发明涉及在医学图像数据中分离心脏,并且更具体地涉及对于具有冠状动脉旁路的患者在医学成像数据中分离心脏。
背景技术
心脏分离是指在医学图像数据中将心脏与紧邻心脏的其它组织分开,该其它组织诸如为肺、肝脏和胸腔。大多数与心脏分割有关的先前工作集中于分割心室,特别是左心室。作为整体来分割心脏或者心脏分离与诸多应用都相关。例如,在3D计算机断层成像(CT)容积中在将心脏与邻近组织(例如肺、肝脏和胸腔)分开之后,冠状动脉可以在3D中清楚地可见。根据来自美国疾病控制与预防中心的统计,心血管疾病(CVD)在美国是主要的死亡原因。冠状动脉疾病(CAD)属于最常见类型的CVD。冠状动脉树的3D可视化为心脏病专家提供直观视图,从而容易诊断可疑冠状段。此外,同一心脏CT数据可以用于生成类似血管造影的图像,该类似血管造影的图像在许多情形中可以取代常规血管造影。在这两种应用中,分割的心脏蒙片(mask)不应切割在心脏的表面上蔓延的冠状动脉。这对心脏分割算法提供了重大的挑战。
发明内容
本发明提供一种用于在诸如心脏CT容积的3D医学图像数据中自动分离心脏的方法和***。本发明的实施例自动地生成心脏分离蒙片,该心脏分离蒙片在具有冠状动脉旁路的患者的心脏CT容积中有效地分离心脏。
在本发明的一个实施例中,从3D容积提取初始心脏分离蒙片。主动脉根部和升主动脉在3D容积中被分割,从而产生主动脉网格。扩展主动脉网格以包括旁路冠状动脉。通过将初始心脏分离蒙片与由扩展的主动脉网格限定的扩展的主动脉蒙片组合,生成扩展的心脏分离蒙片。
通过参考下文的详细描述以及附图,本领域普通技术人员将显见本发明的这些和其它优点。
附图说明
图1图示针对冠状动脉的3D可视化的心脏分离的使用;
图2图示根据本发明的实施例用于在3D医学图像中分离心脏的方法;
图3图示根据本发明的实施例的从3D医学图像数据提取初始心脏分离蒙片的方法;
图4图示将整个心脏表面网格***为对应于心脏的四个腔室的四个补片;
图5图示从心脏蒙片排除降主动脉的后处理;
图6图示从心脏蒙片排除胸骨和肋骨的后处理;
图7图示由胸骨中心和左肺尖瓣限定的关注区域;
图8图示胸骨中心和左肺尖瓣的自动检测;
图9图示基于部分的主动脉模型;
图10图示根据本发明的实施例的用于分割主动脉根部和升主动脉的方法;
图11图示示例性主动脉分割结果;
图12A图示使用图2的方法对于旁路患者的示例性心脏分离结果;
图12B图示图12A中图示的心脏分离结果的横向视图;
图13图示对于具有移植在升主动脉侧面上的隐静脉血管作为旁路的患者的示例性心脏分离结果;
图14图示对于具有左和右胸廓内动脉旁路的患者的示例性心脏分离结果;以及
图15为能够实施本发明的计算机的高级别框图。
具体实施方式
本发明涉及用于在3D医学图像(诸如3D心脏CT容积)中心脏分离的方法和***。在此处描述本发明的实施例以给出对心脏分离方法的视觉理解。数字图像经常由一个或多个对象(或形状)的数字表示组成。此处经常从识别和操作对象的方面来描述对象的数字表示。这种操作是在计算机***的存储器或其它电路/硬件中完成的虚拟操作。因此,应理解,本发明的实施例可以在计算机***内利用存储在计算机***内的数据来执行。
心脏分离对于诸多应用是高度相关的。例如,在从邻近心脏的组织(例如肺、肝脏和胸腔)分开心脏之后,冠状动脉可以在3D中清楚地可见。图1图示针对冠状动脉的3D可视化的心脏分离的使用。如图1所示,图像(a)示出在心脏分离之前心脏的3D可视化,以及图像(b)示出在心脏分离之后心脏的3D可视化。如图像(b)中所示,在心脏分离之后,冠状动脉102清楚地可见。冠状动脉树102的这种3D可视化为心脏病专家提供直观视图,从而容易诊断可疑冠状段。例如,在图像(b)中,包括钙化斑104和软斑106的可疑区域可以在冠状动脉102的3D可视化上被诊断。
心脏分离由于下述挑战而成为困难问题。1)某些相邻组织(例如肝脏和膈膜)之间的边界在CT容积中相当薄弱。2)心脏通过若干主要血管主干(例如主动脉、腔静脉、肺静脉和肺动脉)而连接到其它器官。分割的心脏蒙片必须在某处(典型地在血管连接到心脏的位置处)切割那些主要血管主干,不过在那里不存在边界。3)在心搏周期中整个心脏的变形比每个单独腔室的变形更为复杂。4)许多CT扫描在所捕获的容积中错过心脏的一部分,特别是在心脏的顶部和底部,这引入了额外形状变化。
本发明人已经研发出一种用于在心脏CT容积中心脏分离的有效和全自动方法。首先,边际空间学***均形状与所估计的姿态对齐,以作为心脏形状的初始化。基于学习的边界检测器随后用于引导边界演化。因为围绕心脏的背景针对各腔室而不同,整个心脏表面***为四个补片,其中每个补片对应于心脏的一个腔室。针对每个补片,训练独立的边界检测器。与对于整个心脏表面使用单个边界检测器相比,对于每个补片使用独立的受训练的边界检测器更精确。对于对冠状动脉可视化的应用,心脏表面周围的明亮组织,诸如用对比剂填充的降主动脉和胸腔,应完全移除。否则,如此明亮的组织将阻挡3D可视化中的冠状动脉。后处理被用于排除那些额外组织。随后生成二元蒙片容积,其中心脏内部的体元被设置为1并且所有其它体元被设置为0。这种方法比先前的心脏分离方法更鲁棒并且对于有对比剂和无对比剂的CT扫描二者都适用。这种方法典型地花费约1.5秒来处理一个容积,这比先前的方法更快至少一个数量级。除了具有旁路冠状动脉的患者,这种用于心脏分离的方法对于大多数CT数据集会很好地工作。
当器官狭窄太过严重且药物治疗没有帮助时,典型地需要外科干预。冠状动脉旁路外科手术是一种建立完善的手术以改进通过冠状循环对心肌的血液供应。来自患者身体中其它某处的动脉或静脉典型地被获得并且移植到冠状动脉从而绕过该器官狭窄。典型地,移植的一个端部缝合到越过堵塞的冠状动脉上并且另一端部被附连到升主动脉。可替换地,左/右胸廓内动脉(LITA/RITA)的远端部可以附连到狭窄冠状动脉,其中其近端部保持连接到锁骨下动脉。
自然形成的冠状动脉源自在主动脉瓣上的左或右冠状入口(ostium)并且缠绕在心室(左心室和右心室)的心包膜上。因为冠状动脉大多数是在心脏的下部,所以上述的心脏分离算法移除主动脉瓣上方的大多数组织,理想地仅仅保留左和右心房。然而,旁路冠状动脉可以移植在主动脉瓣上方的升主动脉表面上(图2)。这种情况下,一部分旁路冠状动脉可以被心脏蒙片切割。对于LITA/RITA旁路,旁路动脉的近端部分附连到远高于主动脉弓的锁骨下动脉。通常,在标准心脏CT协议中,LITA/RITA入口不被捕获在该容积内。否则,轴扫描范围需要显著扩大,因而增大CT扫描的辐射剂量。对于LITA/RITA旁路患者,本发明的有利实施例将心脏分离蒙片朝向顶部容积界限延伸以保留旁路冠状动脉。修改基于上述模型的心脏分离算法并非微不足道。在该方法中,在检测心脏姿态之后,心脏的平均形状相对于心脏姿态对齐,以作为心脏分割的初始化。然而,对于心脏CT容积,视场显著变化。一些容积在心房的顶部被切割,而其它可以显著延伸到主动脉弓。在如此剧烈变化下,不可能使用一个平均形状来代表整个形状群。
本发明的实施例明确地分割主动脉根部和升主动脉。为了应对视场的变化,基于部分的主动脉模型可以用于分割主动脉根部和升主动脉。在主动脉分割之后,分割的主动脉网格可以逐步生长直至它触及心脏-肺边界。所延伸的网格内部的区域被添加到心脏蒙片,因而继续保留旁路冠状动脉。
图2图示根据本发明的实施例在3D医学图像中用于分离心脏的的方法。特别地,图2的方法提供,对于具有冠状动脉旁路的患者,在3D医学图像中用于分离心脏的方法。图2的方法分离心脏,同时保留心脏分离蒙片中的旁路冠状动脉。
如图2所示,在步骤202,接收3D医学图像数据(3D容积)。例如,在有利实施例中,3D医学图像数据可以是心脏CT容积。然而,本发明不限于此并且可应用到其它类型的3D医学图像数据,也可以应用到诸如3D MRI容积。可以从图像采集装置,诸如CT扫描器接收3D医学图像数据。也可以通过加载例如先前存储在计算机***的存储器或存储装置中的3D医学图像数据,接收3D医学图像数据。
在步骤204,从3D医学图像数据提取初始心脏分离蒙片。可以通过使用边际空间学习在3D医学图像数据中分割心脏网格,随后通过将心脏网格划分为补片并针对每个补片使用独立的受训练的边界检测器来细化分割的心脏网格的边界,来提取初始心脏分离蒙片。图3图示根据本发明的实施例从3D医学图像数据提取初始心脏分离蒙片的方法。图3的方法可以用于实施图2的步骤204。
参考图3,在步骤302,使用边际空间学***均形状(即,在所注释的训练图像中整个心脏表面模型的平均形状)与3D容积对齐。这导致对心脏表面边界的初始估计。
在步骤304,使用一组受训练的边界检测器来调整心脏表面边界。主动形状模型(ASM)可以在图像证据和形状先验的引导下用于使初始估计的非刚性形状变形。在复杂背景或薄弱边缘的情况下,传统ASM中非基于学习的一般边界检测器不是鲁棒的。基于学习的方法可以用于开发更多图像证据以实现鲁棒边界检测。然而,难以针对整个心脏表面训练单个边界检测器,因为心脏周围的背景非常复杂并且针对各腔室而不同。这种变化使得学习问题具有挑战性。作为代替,根据本发明的实施例,整个心脏表面模型***为四个补片,其中每个腔室一个补片,并且独立的边界检测器针对每个补片被训练。这种分治策略使得受训练的边界检测器更鲁棒。多补片边界检测器随后用于引导边界演化。
手动地将每个网格点(在一个实施方式中,整个心脏表面网格具有514个网格点)分配给补片是令人乏味的。根据本发明的实施例,自动方法被用于网格***。美国专利No.7,916,919中描述的用于四腔室心脏分割的方法被用于分割训练容积中的心脏腔室。对于心脏表面上的每个网格点,计算到每个腔室的最小距离并且将该点分配给最近的腔室。独立于训练组中的每个容积执行这种分配。除了在相邻腔室的边界上的一些点,将网格点分配给腔室典型地在训练容积各处相当一致。最后,平均心脏表面网格的网格点被分配到整个训练组中最有可能是最近的腔室的腔室。图4图示将整个心脏表面网格***为对应于心脏的四个腔室的四个补片。如图4所示,图像(a)示出整个心脏表面网格402以及四腔室模型404,以及图像(b)在2D截面视图上示出在***整个心脏表面网格402之后的补片412、414、416和418。图像(b)中的补片412、414、416和418分别对应于左心室、右心室、左心房和右心房。一旦受训练的边界检测器被用于使分割的心脏表面网格变形,心脏表面网格就可以限定心脏分离蒙片。
回到图3,在步骤306,在心脏表面网格上执行后处理以从心脏分离蒙片排除额外组分。在大多数情况下,在基于MSL的3D对象检测以及多补片边界检测器引导的边界描绘之后,可以实现良好的分割结果。然而,在一些情况下,一部分降主动脉和/或胸腔(胸骨和肋骨)会被包括在心脏蒙片中。可以使用明确的后处理来从心脏蒙片完全排除这些额外组分。
图5图示从心脏蒙片排除降主动脉的后处理。如图5所示,图像(a)示出在后处理之前的3D心脏CT容积的截面,以及图像(c)示出在后处理之前的心脏的3D可视化。如图5的图像(a)所示,一部分降主动脉504可以被包括在心脏蒙片502中。这在初始网格(在自动对象姿态估计之后)在中间交叉主动脉时发生。因为网格必须切割没有图像边界的区域内的心脏,所以边界检测器无法很好地被训练。如果初始网格不足够好,则最终分割会包括小片的降主动脉。如图5的图像(c)中所示,在3D中可见的是,降主动脉看上去为具有分离心脏的额外明亮组分506。明确的后处理可以用于校正这种错误。通常,降主动脉用对比剂填充并且具有高的图像强度。对于降主动脉附近的网格点,在下面的体元的强度被测试。如果强度高于75亨斯菲尔德单位(Hounsfield unit,HU),则网格点位于降主动脉内部。根据所注释的数据集,靠近降主动脉的网格点的指数(index)是已知的。在自动心脏分离过程期间,不需要分割降主动脉,这会是耗时的。作为代替,检查靠近降主动脉的每个网格点的体元强度,以判定该点是否在降主动脉内部。如果该点在降主动脉内部,则该点被朝向心脏中心推动,直至它位于明亮区域外部(其中HU小于75)为止。这种后处理是有效的,其消耗可忽略的计算功率。图像(b)示出在后处理之后的3D心脏CT容积的截面,以及图像(d)示出在后处理之后的心脏的3D可视化。如图像(b)和(d)所示,在后处理之后,降主动脉从心脏蒙片508和相应3D可视化完全排除。
图6图示从心脏蒙片排除胸骨和肋骨的后处理。如图6所示,图像(a)示出在后处理之前的3D心脏CT容积的截面,以及图像(c)示出在后处理之前的心脏的3D可视化。图像(b)示出在后处理之后的3D心脏CT容积的截面,以及图像(d)示出在后处理之后的心脏的3D可视化。有时候,一部分胸腔(胸骨和肋骨骨骼)可以被包括在心脏蒙片中。如图6的图像(a)所示,部分的胸骨604和肋骨606位于限定心脏蒙片的心脏边界602内部。如图像(c)所示,胸骨和肋骨看上去为3D可视化中的额外组分608。一般而言,骨骼具有比软组织更高的HU值。然而,由于使用对比剂的原因,心室中的血池可以具有与骨骼相当或更高的HU值。如图像(a)所示,包括在心脏蒙片602中的肋骨606具有与右心室相当的亮度,但是具有比左心室更低的强度。因此,简单的强度测试(如上文针对降主动脉所描述)无法确定网格点是否位于骨骼结构上。
为了从心脏蒙片排除胸骨和肋骨,这些结构必须被明确地分割。因为胸骨和肋骨靠近容积界限,所以可见部分针对各情形而显著变化。在所捕获的容积中不具有一致的结构的情况下,MSL无法用于将这些结构作为整个3D对象检测。作为代替,在每个切片上检测两个界标(胸骨中心和左肺尖瓣),以确定切片上的关注区域(ROI)。心脏不位于胸廓的中心上,而是略微朝向左部分。胸骨内界限(靠近心脏的界限)的中心和左肺尖瓣被用于确定ROI。图7图示由胸骨中心和左肺尖瓣限定的ROI。如图7所示,连接胸骨中心702和左肺尖瓣704的线限定ROI 706的界限。胸骨水平地朝向右肺延伸了20mm以限定ROI 706的另一界限。这些两个界限后面的区域限定用于骨骼分割的RIO 706。使用基于机器学习的技术检测每个切片上的界标。特别地,2D哈尔小波(Haar wavelet)特征和概率提高树(PBT,probabilistic boosting tree)被用于训练两个检测器,一个检测器用于胸骨中心且另一个用于左肺尖瓣。受训练的检测器被用于检测3D容积的每个切片上的胸骨中心和左肺尖瓣。图8图示胸骨中心和左肺尖瓣的自动检测。图8的图像(a)示出切片上自动地检测的胸骨中心802和左肺尖瓣804。图8的图像(b)示出由所有切片上所检测的界标形成的胸骨中心812和左肺尖瓣814的轮廓,还一起示出了心脏表面网格816。在界标检测之后,在每个切片上提取ROI,如图7所示。将ROI堆叠在所有切片上产生关注容积(VOI)。典型地,在CT容积中骨骼比软组织更明亮,因此设定强度阈值可以用于移除软组织。然而,由于CT扫描器、患者和扫描协议的变化,预定阈值不是对所有情形都起作用。通过分析VOI中所有体元的强度直方图而自动地确定自适应最优阈值。对于一些情形,一部分腔室会被包括在VOI中,不过这是罕见的。对明亮体元的三维连接组分分析可以移除残余腔室,因为由心肌组成的暗的区域与血池和骨骼分开。在连接组分分析之后,仅最大组分被保留作为分割的胸骨和肋骨。心脏网格随后被调整以确保骨骼完全从蒙片排除。如图6的图像(b)和(d)所示,在后处理之后,胸骨和肋骨成功地从心脏蒙片610和相应3D可视化排除。
回到图3,在步骤308,输出心脏分离蒙片。由3D容积中心脏表面模型的最终边界限定心脏分离蒙片。可以通过生成二元蒙片容积来生成心脏分离蒙片,其中心脏表面边界内部的体元被设置为1并且所有其它体元被设置为0。
回到图2,在步骤206,在3D医学图像中分割主动脉根部和升主动脉。为了应对视场变化,基于部分的主动脉模型可以用于分割主动脉根部和升主动脉。图9图示基于部分的主动脉模型。如图9所示,基于部分的主动脉模型将主动脉***为四个部分:主动脉根部902、升主动脉904、主动脉弓906和降主动脉908。在本申请中,仅仅需要分割主动脉根部和升主动脉。
图10图示根据本发明的实施例的用于分割主动脉根部和升主动脉的方法。图10的方法可以用于实施图2的步骤206。图10的方法类似于在美国公开专利申请No.2010/0239148中描述的用于主动脉分割方法的方法,该美国公开专利申请通过引用结合于此。然而,在图10的方法中,不需要分割整个主动脉。
参考图10,在步骤1002,在3D医学图像数据中检测主动脉根部。使用MSL检测主动脉根部。如上文在基于MSL的分割中所述,在估计对象的姿态(位置、取向和尺度)之后,对象的平均形状与所估计的姿态对齐,作为对象形状的初始估计。主动脉根部始终存在于心脏CT容积中,并且因此可以使用MSL被分割成为整体对象。尽管主动脉根部终存在于心脏CT容积中,但主动脉根部的长度可能会显著变化。由于这种结构变化,在所注释的训练数据中难以计算主动脉根部的可靠平均形状。因此,为了训练MSL分类器用于检测主动脉根部,在所有训练容积上长度一致的最短主动脉根部被识别,并且训练容积的主动脉根部被截短以匹配最短主动脉根部。在截短训练数据的主动脉根部之后,主动脉根部在解剖学上是一致的并且MSL可以被应用以训练分类器从而检测和分割主动脉根部。特别地,训练数据中截短的主动脉根部的平均形状与使用MSL分类器确定的所估计的姿态对齐。在检测到主动脉根部的姿态的初始估计之后,基于学习的边界模型和主动形状模型可以用于主动脉根部的最终边界描绘。
在步骤1004,跟踪3D容积中来自主动脉根部的升主动脉的中心线。可见的升主动脉的长度针对各容积而显著变化。作为将它们截短至相同长度的代替,可以使用跟踪方法来处理这种变化。在CT容积中,升和降主动脉的取向(在排除根部和弓之后)与成像平面的法线很好地对齐。这意味着在图像切片上,升主动脉的交汇近似呈圆的形状。根据本发明的实施例,2D圆检测器基于所注释的训练数据被训练从而检测升主动脉与2D切片的圆形交汇。根据有利实施方式,2D圆检测器可以使用哈尔小波特征来训练。对升主动脉的跟踪从主动脉根部开始,并且逐个切片地执行,从而向上朝向患者的头移动。对于每个切片,受训练的圆检测器被用于尝试检测在该切片上的主动脉圆。对于含有升主动脉的成像切片,2D圆检测器可以在主动脉圆的真实位置周围起动多次。最靠近在先前切片上检测的圆的所检测的圆被选择,并且跟踪方法移动到下一个切片。应理解,在初始切片上的初始圆对应于主动脉根部的最上面部分。从主动脉根部向上跟踪升主动脉,并且当达到容积的顶部界限时,当在切片中未检测到主动脉圆时,或者当达到主动脉弓时,跟踪过程停止。
在步骤1006,生成用于升主动脉的管状网格。跟踪步骤产生升主动脉的中心线。综合成一个管作为针对升主动脉的形状的初始估计。管的半径可以设置为根据训练容积计算的主动脉的平均半径。
在步骤1008,细化升主动脉网格的边界。从跟踪步骤获得的升主动脉形状的初始估计接近真实主动脉边界;然而,理想的圆有可能不精确地配合边界。基于学***滑技术随后可以用于实现分割的主动脉的平滑表面。因此,两步重复方法可以用于边界细化。首先,基于学***滑技术被用于平滑结果得到的边界。这些两个步骤可以重复以改进边界描绘精确性。
图11图示示例性主动脉分割结果。如图11所示,图像1100、1110和1120分别示出使用图10的方法的主动脉分割结果1102、1112和1122。
回到图2,在步骤208,扩展主动脉网格以包括旁路冠状动脉。特别地,在步骤206中生成的主动脉表面网格向外延伸,直至主动脉表面网格触及心脏-肺边界为止或者直至达到预定的最大扩张为止。在可能的实施方式中,最大扩张可以为40mm。在CT容积中容易区分肺与心脏。在主动脉网格的扩展期间,如果强度下降低于预定强度阈值,则确定网格已经达到心脏-肺边界。例如,强度阈值可以为-624亨斯菲尔德单位(HU)。一旦网格点的强度下降低于强度阈值,扩展停止。如果达到最大扩张,则扩展也停止。
在步骤210,通过将初始心脏分离蒙片与由扩展的主动脉网格限定的扩展的主动脉蒙片组合,来生成扩展的心脏分离蒙片。通过生成二元蒙片容积而生成扩展的主动脉蒙片,其中扩展的主动脉网格内部的体元被设置为1并且所有其它体元被设置为0。扩展的主动脉蒙片与在步骤204处提取的初始心脏分离蒙片组合,从而产生包括旁路冠状动脉的扩展的心脏分离蒙片。
在步骤212,输出扩展的心脏分离蒙片。例如,通过在计算机***的显示装置上显示扩展的心脏分离蒙片,可以输出扩展的心脏分离蒙片。扩展的输出蒙片也可以保存在计算机***的存储器或存储装置中。扩展的输出蒙片可以用于生成心脏的3D可视化。
图12A图示使用图2的方法,对于旁路患者的示例性心脏分离结果。图12B图示图12A中所图示的心脏分离结果的横向视图。图12A和12B的图像(a)中的每个均示出具有分割的主动脉网格1202的原始容积。图12A和12B的图像(b)中的每个均示出初始心脏分离蒙片1204。图12A和12B的图像(c)中的每个均示出扩展的主动脉蒙片1206。图12A和12B的图像(d)中的每个均示出最终的扩展的心脏分离蒙片1208,其组合了初始心脏分离蒙片1204和扩展的主动脉蒙片1206。图12B的图像(a)还示出旁路冠状动脉1210,其被初始心脏分离蒙片1204部分地切割。然而,冠状动脉1210被成功地包括在扩展的主动脉蒙片1206中,并且因而也成功地被包括在最终的扩展的心脏分离蒙片1208中。
图13图示对于隐静脉血管移植在升主动脉的侧面上作为旁路的患者的示例性心脏分离结果。图13的图像(a)示出使用初始心脏分离蒙片的心脏分离结果,以及图像(b)示出使用利用图2的方法生成的扩展的心脏分离蒙片的心脏分离结果。图像(a)示出在升主动脉表面上的移植入口1302以及由初始心脏分离蒙片切割的旁路冠状动脉段1304。旁路冠状动脉被完全包括在图像(b)的心脏分离结果中。
图14图示对于具有左和右胸廓内动脉旁路的患者的示例性心脏分离结果。图14的图像(a)示出使用初始心脏分离蒙片的心脏分离结果,以及图像(b)示出使用利用图2的方法生成的扩展的心脏分离蒙片的心脏分离结果。图像(a)示出左胸廓内动脉旁路1402和右胸廓内动脉旁路1404被初始心脏分离蒙片切割。左和右胸廓内动脉旁路被完全包括在图像(b)的心脏分离结果中。
使用公知的计算机处理器、存储器单元、存储装置、计算机软件和其它部件,上述的用于在诸如CT容积的3D容积中自动心脏分离的方法可以在计算机上实施。在图15中图示这种计算机的高级别框图。计算机1502含有处理器1504,该处理器1504通过执行限定计算机1502的整体操作的计算机程序指令来控制这些操作。计算机程序指令可以存储于存储装置1512或者其它计算机可读取介质(例如磁盘、CD ROM等)中,并且当期望执行计算机程序指令时加载到存储器1510中。因而,图2、3和10的方法的步骤可以由存储于存储器1510和/或存储装置1512中的计算机程序指令限定,并且由执行计算机程序指令的处理器1504控制。图像采集装置1520(诸如CT扫描器)可以连接到计算机1502以将图像输入到计算机1502。有可能将图像采集装置1520和计算机1502实施为一个装置。还有可能的是,图像采集装置1520和计算机1502通过网络而无线地通信。计算机1502还包括用于经由网络与其它装置进行通信的一个或多个网络接口1506。计算机1502还包括使得用户能够与计算机1502交互的其它输入/输出装置1508(例如显示器、键盘、鼠标、扬声器、按钮等)。本领域技术人员将认识到,实际计算机的实施方式还可以含有其它部件,并且图15为出于说明目的的这种计算机的一些部件的高级别表示。
前述详细描述在每个方面都被理解为是说明性和示例性的,而不是限制性的,并且此处公开的本发明的范围不是根据该详细描述来确定,而是由根据专利法允许的最大广度解读的权利要求来确定的。应理解,此处示出和描述的实施例仅仅说明本发明的原理,并且本领域技术人员可以实施各种修改而不背离本发明的范围和精神。本领域技术人员可以实施各种其它特征组合而不背离本发明的范围和精神。

Claims (27)

1.一种用于在3D容积中分离心脏的方法,包含:
从3D容积提取初始心脏分离蒙片;
在该3D容积中分割主动脉根部和升主动脉,从而产生主动脉网格;
扩展该主动脉网格以包括旁路冠状动脉;以及
通过将初始心脏分离蒙片与由扩展的主动脉网格限定的扩展的主动脉蒙片组合,来生成扩展的心脏分离蒙片。
2.权利要求1的方法,其中扩展该主动脉网格以包括旁路冠状动脉的步骤包含:
向外扩展该主动脉网格,直至该主动脉网格达到心脏-肺边界为止。
3.权利要求2的方法,其中向外扩展该主动脉网格,直至该主动脉网格达到心脏-肺边界为止的步骤包含:
扩展该主动脉网格直至在该3D容积中的网格点处的强度下降低于预定强度阈值为止。
4.权利要求3的方法,其中该预定强度阈值为-624亨斯菲尔德单位(HU)。
5.权利要求1的方法,其中扩展该主动脉网格以包括旁路冠状动脉的步骤包含:
向外扩展该主动脉网格直至下述之一为止:
主动脉网格达到心脏-肺边界,以及
达到最大扩张。
6.权利要求5的方法,其中该最大扩张为40mm。
7.权利要求1的方法,其中通过将初始心脏分离蒙片与由扩展的主动脉网格限定的扩展的主动脉蒙片组合,生成扩展的心脏分离蒙片的步骤包含:
将该扩展的主动脉蒙片生成为二元容积,其中扩展的主动脉网格内的体元被设置为1并且其它体元被设置为0;以及
将扩展的主动脉蒙片与初始心脏分离蒙片组合。
8.权利要求1的方法,其中在该3D容积中分割主动脉根部和升主动脉的步骤包含:
使用边际空间学习(MSL)在该3D容积中分割该主动脉根部;
跟踪该3D容积中来自该主动脉根部的升主动脉的中心线;以及
基于所跟踪的升主动脉的中心线生成管状表面网格。
9.权利要求8的方法,其中在该3D容积中分割主动脉根部和升主动脉的步骤还包含:
通过使用受训练的边界检测器来调整该管状表面网格上的每个点,来细化分割的升主动脉表面网格的边界。
10.权利要求9的方法,其中在该3D容积中分割主动脉根部和升主动脉的步骤还包含:
平滑分割的升主动脉表面网格的所细化的边界。
11.权利要求8的方法,其中跟踪该3D容积中来自该主动脉根部的升主动脉的中心线的步骤包含:
通过在逐个切片基础上开始于该主动脉根部并且在该3D容积中向上移动,使用受训练的2D圆检测器来检测代表升主动脉和当前切片的交汇的主动脉圆。
12.权利要求8的方法,其中使用边际空间学习(MSL)在该3D容积中分割该主动脉根部的步骤包含:
使用MSL将主动脉根部表面网格对齐到该3D容积;以及
使用受训练的边界检测器来调整该主动脉根部表面网格的边界。
13.权利要求1的方法,其中从3D容积提取初始心脏分离蒙片的步骤包含:
使用边际空间学习(MSL)将整个心脏表面网格对齐到该3D容积;
将整个心脏表面网格***为对应于心脏的四个腔室的四个补片;
使用独立的受训练的边界检测器,调整整个心脏表面网格的每个补片的边界;以及
根据整个心脏表面网格的所调整的边界生成该初始心脏分离蒙片。
14.权利要求13的方法,其中从3D容积提取初始心脏分离蒙片的步骤还包含:
在所述调整步骤之后对整个心脏表面网格进行后处理从而从整个心脏表面网格的所调整的边界内移除非心脏组分。
15.权利要求14的方法,其中在所述调整步骤之后对整个心脏表面网格进行后处理从而从整个心脏表面网格的所调整的边界内移除非心脏组分的步骤包含:
对整个心脏表面网格进行后处理从而从整个心脏表面网格的所调整的边界内移除降主动脉的部分。
16.权利要求1的方法,还包含:
使用扩展的心脏分离蒙片根据该3D容积生成心脏的3D可视化。
17.一种用于在3D容积中分离心脏的设备,包含:
用于从3D容积提取初始心脏分离蒙片的装置;
用于在3D容积中分割主动脉根部和升主动脉从而产生主动脉网格的装置;
用于扩展该主动脉网格以包括旁路冠状动脉的装置;以及
用于通过将初始心脏分离蒙片与由扩展的主动脉网格限定的扩展的主动脉蒙片组合来生成扩展的心脏分离蒙片的装置。
18.权利要求17的设备,其中用于扩展该主动脉网格以包括旁路冠状动脉的装置包含:
向外扩展该主动脉网格直至该主动脉网格达到心脏-肺边界为止的装置。
19.权利要求18的设备,其中用于向外扩展该主动脉网格直至该主动脉网格达到心脏-肺边界为止的装置包含:
用于扩展该主动脉网格直至在该3D容积中的网格点处的强度下降低于预定强度阈值为止的装置。
20.权利要求17的设备,其中用于扩展该主动脉网格以包括旁路冠状动脉的装置包含:
用于向外扩展该主动脉网格直至下述之一为止的装置:
主动脉网格达到心脏-肺边界,以及
达到最大扩张。
21.权利要求17的设备,其中用于通过将初始心脏分离蒙片与由扩展的主动脉网格限定的扩展的主动脉蒙片组合来生成扩展的心脏分离蒙片的装置包含:
用于将该扩展的主动脉蒙片生成为二元容积的装置,其中扩展的主动脉网格内的体元被设置为1并且其它体元被设置为0;以及
用于将该扩展的主动脉蒙片与该初始心脏分离蒙片组合的装置。
22.权利要求17的设备,其中用于在3D容积中分割主动脉根部和升主动脉的装置包含:
用于使用边际空间学习(MSL)在3D容积中分割主动脉根部的装置;
用于跟踪该3D容积中来自该主动脉根部的升主动脉的中心线的装置;以及
用于基于所跟踪的升主动脉的中心线来生成管状表面网格的装置。
23.权利要求22的设备,其中用于在3D容积中分割主动脉根部和升主动脉的装置还包含:
用于使用受训练的边界检测器来调整该管状表面网格上的每个点,从而细化分割的升主动脉表面网格的边界的装置。
24.权利要求23的设备,其中用于在3D容积中分割主动脉根部和升主动脉的装置还包含:
用于平滑分割的升主动脉表面网格的所细化的边界的装置。
25.权利要求22的设备,其中用于跟踪该3D容积中来自该主动脉根部的升主动脉的中心线的装置包含:
用于通过在逐个切片基础上开始于该主动脉根部并且在该3D容积中向上移动,使用受训练的2D圆检测器来检测代表升主动脉和当前切片的交汇的主动脉圆的装置。
26.权利要求17的设备,其中用于从3D容积提取初始心脏分离蒙片的装置包含:
用于使用边际空间学习(MSL)将整个心脏表面网格对齐到该3D容积的装置;
用于将整个心脏表面网格***为对应于心脏的四个腔室的四个补片的装置;
用于使用独立的受训练的边界检测器来调整整个心脏表面网格的每个补片的边界的装置;以及
用于根据整个心脏表面网格的所调整的边界生成该初始心脏分离蒙片的装置。
27.权利要求26的设备,其中用于从3D容积提取初始心脏分离蒙片的装置还包含:
用于在所述调整步骤之后对整个心脏表面网格进行后处理从而从整个心脏表面网格的所调整的边界内移除非心脏组分的装置。
CN201110386653.4A 2010-11-29 2011-11-29 在心脏计算机断层成像容积中的心脏分离的方法和*** Active CN102663824B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US41760210P 2010-11-29 2010-11-29
US61/417602 2010-11-29
US13/295,217 US8675943B2 (en) 2010-11-29 2011-11-14 Method and system for heart isolation in cardiac computed tomography volumes for patients with coronary artery bypasses
US13/295217 2011-11-14

Publications (2)

Publication Number Publication Date
CN102663824A true CN102663824A (zh) 2012-09-12
CN102663824B CN102663824B (zh) 2016-06-29

Family

ID=46126692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110386653.4A Active CN102663824B (zh) 2010-11-29 2011-11-29 在心脏计算机断层成像容积中的心脏分离的方法和***

Country Status (2)

Country Link
US (1) US8675943B2 (zh)
CN (1) CN102663824B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200465A (zh) * 2014-08-20 2014-12-10 沈阳东软医疗***有限公司 心脏三维图像的分割方法和装置
CN104997561A (zh) * 2014-04-17 2015-10-28 西门子公司 潜在肋膜渗液的自动识别
CN108550156A (zh) * 2013-05-03 2018-09-18 医科达有限公司 用于图像引导治疗计划的结构形状的自动描绘的方法和装置

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9042619B2 (en) * 2010-09-16 2015-05-26 Siemens Aktiengesellschaft Method and system for automatic native and bypass coronary ostia detection in cardiac computed tomography volumes
US9014449B2 (en) 2011-10-04 2015-04-21 Siemens Aktiengesellschaft Method and system for segmentation and removal of pulmonary arteries, veins, left atrial appendage
US9129417B2 (en) 2012-02-21 2015-09-08 Siemens Aktiengesellschaft Method and system for coronary artery centerline extraction
US9384546B2 (en) * 2012-02-22 2016-07-05 Siemens Aktiengesellschaft Method and system for pericardium based model fusion of pre-operative and intra-operative image data for cardiac interventions
US9324157B2 (en) * 2013-03-26 2016-04-26 Kabushiki Kaisha Toshiba Medical image data processing apparatus and method
JP6098498B2 (ja) * 2013-12-19 2017-03-22 ソニー株式会社 情報処理装置、情報処理方法、並びにプログラム
JP5924363B2 (ja) * 2014-03-31 2016-05-25 株式会社Aze 医用画像診断支援装置、その制御方法およびプログラム
WO2015193055A1 (en) * 2014-06-19 2015-12-23 Koninklijke Philips N.V. Determining an effective cross-sectional area of a cardiovascular structure
US10068340B2 (en) 2014-11-03 2018-09-04 Algotec Systems Ltd. Method for segmentation of the head-neck arteries, brain and skull in medical images
EP3258890B1 (en) 2015-02-17 2023-08-23 Siemens Healthcare GmbH Method and system for personalizing a vessel stent
EP3282949B1 (en) * 2015-04-13 2019-06-05 Case Western Reserve University Dual energy x-ray coronary calcium grading
US9858525B2 (en) * 2015-10-14 2018-01-02 Microsoft Technology Licensing, Llc System for training networks for semantic segmentation
US10115039B2 (en) 2016-03-10 2018-10-30 Siemens Healthcare Gmbh Method and system for machine learning based classification of vascular branches
US10206646B2 (en) 2016-03-10 2019-02-19 Siemens Healthcare Gmbh Method and system for extracting centerline representation of vascular structures in medical images via optimal paths in computational flow fields
US10210612B2 (en) 2016-03-10 2019-02-19 Siemens Healthcare Gmbh Method and system for machine learning based estimation of anisotropic vessel orientation tensor
SG11201808408WA (en) * 2016-03-31 2018-10-30 Agency Science Tech & Res Panoramic visualization of coronary arterial tree
US10699407B2 (en) * 2018-04-11 2020-06-30 Pie Medical Imaging B.V. Method and system for assessing vessel obstruction based on machine learning
US11995854B2 (en) * 2018-12-19 2024-05-28 Nvidia Corporation Mesh reconstruction using data-driven priors
US10909357B1 (en) * 2019-02-15 2021-02-02 Snap Inc. Image landmark detection
JP7230645B2 (ja) * 2019-03-29 2023-03-01 大日本印刷株式会社 マスク生成装置、3次元再構成像生成装置、マスク生成方法、及びプログラム
CN111227930B (zh) * 2020-01-08 2022-11-11 西安马克医疗科技有限公司 一种针对二尖瓣反流及钙化狭窄的3d模型构建及制备方法
CN111227931B (zh) * 2020-01-08 2022-11-11 西安马克医疗科技有限公司 一种针对主动脉瓣疾病的3d模型构建方法及制备方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1640360A (zh) * 2003-11-17 2005-07-20 西门子共同研究公司 使用n-MIP光线投射技术的自动冠状动脉分离
CN1862596A (zh) * 2005-04-19 2006-11-15 西门子共同研究公司 针对心脏展开的所融合的pet-ct可视化的***和方法
CN101331517A (zh) * 2005-12-19 2008-12-24 皇家飞利浦电子股份有限公司 利用可变形格网的帮助图像后处理的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7634123B2 (en) 2005-03-28 2009-12-15 Siemens Medical Solutions Usa, Inc. CT/MRI heart isolation using a graph cut algorithm
US7916919B2 (en) 2006-09-28 2011-03-29 Siemens Medical Solutions Usa, Inc. System and method for segmenting chambers of a heart in a three dimensional image
US9715637B2 (en) 2009-03-18 2017-07-25 Siemens Healthcare Gmbh Method and system for automatic aorta segmentation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1640360A (zh) * 2003-11-17 2005-07-20 西门子共同研究公司 使用n-MIP光线投射技术的自动冠状动脉分离
CN1862596A (zh) * 2005-04-19 2006-11-15 西门子共同研究公司 针对心脏展开的所融合的pet-ct可视化的***和方法
CN101331517A (zh) * 2005-12-19 2008-12-24 皇家飞利浦电子股份有限公司 利用可变形格网的帮助图像后处理的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
STEPHAN ACHENBACH ET AL: "Noninvasive, Three-Dimensional Visualization of Coronary Artery Bypass Grafts by Electron Beam Tomography", 《THE AMERICAN JOURNAL OF CARDIOLOGY》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108550156A (zh) * 2013-05-03 2018-09-18 医科达有限公司 用于图像引导治疗计划的结构形状的自动描绘的方法和装置
CN104997561A (zh) * 2014-04-17 2015-10-28 西门子公司 潜在肋膜渗液的自动识别
CN104997561B (zh) * 2014-04-17 2018-02-02 西门子公司 潜在肋膜渗液的自动识别
US10548555B2 (en) 2014-04-17 2020-02-04 Siemens Aktiengesellschaft Automatic identification of a potential pleural effusion
CN104200465A (zh) * 2014-08-20 2014-12-10 沈阳东软医疗***有限公司 心脏三维图像的分割方法和装置
CN104200465B (zh) * 2014-08-20 2017-08-25 沈阳东软医疗***有限公司 心脏三维图像的分割方法和装置
US9795351B2 (en) 2014-08-20 2017-10-24 Shenyang Neusoft Medical Systems Co., Ltd. Three-dimensional cardiac image segmentation method and apparatus

Also Published As

Publication number Publication date
US8675943B2 (en) 2014-03-18
CN102663824B (zh) 2016-06-29
US20120134564A1 (en) 2012-05-31

Similar Documents

Publication Publication Date Title
CN102663824A (zh) 在心脏计算机断层成像容积中的心脏分离的方法和***
US9715637B2 (en) Method and system for automatic aorta segmentation
US8582854B2 (en) Method and system for automatic coronary artery detection
CN106108925B (zh) 用于医学图像中全身骨移除和血管可视化的方法和***
US9014449B2 (en) Method and system for segmentation and removal of pulmonary arteries, veins, left atrial appendage
EP1851722B1 (en) Image processing device and method
KR102251830B1 (ko) 초음파 및 ct 영상의 정합에 관한 시스템 및 작동 방법
CN103294883B (zh) 用于针对经导管主动脉瓣植入进行介入规划的方法和***
CN104200465B (zh) 心脏三维图像的分割方法和装置
US9730609B2 (en) Method and system for aortic valve calcification evaluation
US9002078B2 (en) Method and system for shape-constrained aortic valve landmark detection
CN108324300B (zh) 用于血管分段的方法和装置
JP2016041247A (ja) 医療用画像のコンピュータ支援による解析方法
CN111951277A (zh) 一种基于cta图像的冠状动脉分割方法
US8422753B2 (en) Method and system for automatic extraction of personalized left atrium models
CN111523549B (zh) 一种主动脉瓣评估方法、装置和计算机设备
US9042619B2 (en) Method and system for automatic native and bypass coronary ostia detection in cardiac computed tomography volumes
US20110052026A1 (en) Method and Apparatus for Determining Angulation of C-Arm Image Acquisition System for Aortic Valve Implantation
CN110223271A (zh) 血管图像的自动水平集分割方法及装置
US20120069017A1 (en) Method and System for Efficient Extraction of a Silhouette of a 3D Mesh
CN109740602A (zh) 肺动脉期血管提取方法及***
O’Donnell et al. Comprehensive cardiovascular image analysis using MR and CT at Siemens Corporate Research
Zhong et al. Automatic heart isolation in 3D CT images
Tang et al. An algorithm for fully automatic detection of calcium in chest ct imaging
EP4315237A1 (en) Systems and methods for automatic blood vessel extraction

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

Effective date of registration: 20220208

Address after: new jersey

Patentee after: SIEMENS AG

Patentee after: SIEMENS Medical Co., Ltd.

Address before: new jersey

Patentee before: SIEMENS AG

Patentee before: siemens

TR01 Transfer of patent right