CN102782719B - 用于确定管状结构的拓扑支撑的评估的方法和***及其在虚拟内窥镜检查中的使用 - Google Patents

用于确定管状结构的拓扑支撑的评估的方法和***及其在虚拟内窥镜检查中的使用 Download PDF

Info

Publication number
CN102782719B
CN102782719B CN200980163342.2A CN200980163342A CN102782719B CN 102782719 B CN102782719 B CN 102782719B CN 200980163342 A CN200980163342 A CN 200980163342A CN 102782719 B CN102782719 B CN 102782719B
Authority
CN
China
Prior art keywords
tree
assessment
supplementary
partially
anatomical structure
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.)
Active
Application number
CN200980163342.2A
Other languages
English (en)
Other versions
CN102782719A (zh
Inventor
托马斯·伯纳德·帕斯卡尔·文森特
弗洛朗·安德烈·罗伯特·尚德利耶
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.)
Dog Microsystems Inc
Original Assignee
Dog Microsystems 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 Dog Microsystems Inc filed Critical Dog Microsystems Inc
Publication of CN102782719A publication Critical patent/CN102782719A/zh
Application granted granted Critical
Publication of CN102782719B publication Critical patent/CN102782719B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/162—Segmentation; Edge detection involving graph-based methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20156—Automatic seed setting
    • 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
    • G06T2207/30028—Colon; Small intestine
    • 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
    • G06T2207/30172—Centreline of tubular or elongated structure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

一种用于确定包括内壁及多个不同区域的管状结构的拓扑支撑的评估的方法，该方法包括：（a）获取表示所述管状结构的图像数据；（b）将初始种子放置在从多个不同区域之一中所选择的初始区域中；（c）执行初始区域生长，直到初始生成区域包括内壁的至少一部分和对应于多个不同区域之一的邻近区域的至少一部分为止；（d）开始包括对应于初始区域的初始树节点的树；（e）对于每个邻近区域而言：将随后的种子放置在邻近区域中；执行相应的随后区域生长，直到随后生成区域包括内壁的至少一部分和附加邻近区域的至少一部分为止；并且将对应于邻近区域的树节点添加在该树中；（f）对每个附加邻近区域执行处理步骤（e）；并且（g）根据预定拓扑参数过滤树，从而确定管状结构的拓扑支撑的评估。本发明还公开了用于评估虚拟结肠镜检查的结肠拓扑的方法的应用。

Description

用于确定管状结构的拓扑支撑的评估的方法和***及其在虚拟内窥镜检查中的使用
相关申请的交叉参考
本发明涉及题目为“用于过滤图像数据的方法和***及其在虚拟内窥镜检查中的使用”的PCT申请，其全部内容结合于此作为参考。
技术领域
本发明总体涉及图像处理，更具体地，涉及用于确定管状结构的拓扑支撑的评估的方法和***。本发明还涉及用于在虚拟结肠镜检查中评估结肠拓扑的方法的应用。
背景技术
传统内视镜手术通常依靠使用***病人的身体内的柔性光纤管来可视地检查内部解剖结构。随后，操作员可以操作解剖结构内的管，以寻找任何解剖结构异常。
使用该过程进行结肠镜检查虽然可靠，但都很昂贵并耗费时间。此外，它对于患者来说是一个侵入式、不舒服且有时很痛苦的过程。
非侵入式过程（也被称作虚拟结肠镜检查）已经被用于减少侵入式结肠镜过程的上述缺陷的至少其中一个。
这些非侵入式过程使用诸如计算机断层扫描（CT）的成像技术获取表示解剖结构的图像数据来进行分析。
它们还包含三种类型的患者预处理程序：完全导泻准备，旨在通过使用泻药溶液彻底清洁结肠；适度促泻准备，用于液化结肠材料并标记液体材料的任何残留固体；最终的无促泻准备，其中，通过患者喝下的溶液来标记结肠内的材料，诸如基于钡的制剂。
已经提出了不同的自动化技术，用于定位诸如结肠内壁的分析下的解剖结构。然而，这些技术通常很难正确地定位结肠内壁的结构，尤其是在其中延伸的空气区域与标记区域之间的界面附近。
事实上，如果空气区域-标记区域界面没有被正确底识别，则会导致结肠内壁的识别及位置的泄漏，其受到了很大的关注。例如，位于结肠附近的小肠部分会被分割，并被识别作为结肠的一部分。
此外，很差的结肠内壁分割会导致潜在结肠病变的过评估或低评估，这个问题也非常受关注。
为了减小上述弊端，已经使用了利用用于识别结肠内壁的相应部分的局部参数的动态算法。
例如，公布号2008/0008367所公布的美国专利申请描述了在随后设计分割前执行能够泄漏的初始试验分割的两步分割方法。然而，这种方法需要在界面太厚或不均匀的情况下，适当地检测出空气区域-标记区域界面，该方法可以适当地提供结肠内壁的正确的识别和/或位置。
此外，在存在图像获取和/或阻塞性肿瘤期间，在由于患者痉挛而引起患者结肠衰退的情况下，所述方法不能提供整个结肠的正确识别。
因此，期望提供将减小上述弊端的至少其中一个的用于确定管状结构的拓扑支撑的评估的改进方法。
发明内容
因此，公开了一种用于确定包括内壁或多个不同区域的管状结构的拓扑支撑的评估的方法，所述方法包括：（a）获取表示管状结构的图像数据；（b）将初始种子放置在从多个不同区域之一中选择的初始区域中；（c）执行初始区域生长，直到在初始生成区域包括至少一部分内壁或对应于多个不同区域之一的至少一部分邻近区域为止；（d）开始包括对应于初始区域的初始树节点的树；（e）对于每个邻近区域而言，在邻近区域中放置随后的种子，执行相应的随后区域生长，直到随后生成区域包括至少一部分内壁和一部分附加邻近区域；并在树中添加对应于邻近区域的树节点；（f）对于每个附加邻近区域执行处理步骤（e）；以及（g）根据预定拓扑阐述过滤树，从而确定管状结构的拓扑支撑的评估。
该方法提供了不依赖于分割参数的管状结构的拓扑支撑的评估，这是很大的优势。
所获取的评估允许其需要的更好的最后处理，这也是很大的优势。这个处理可以为用于非限定性实例的随后的分割。
此外，所获取的评估可以被用于根据体积渲染处理提供管状结构的精确的3D表示，这是很大的优势。当然，由于不需要分割或图像数据的任意替换，所以3D表示精确地示出了图像数据的2D信息。
此外，该方法可以被用于提供管状结构的精确的3D表示，而不依赖于图像数据的预定精确值，这是很大的优势。因此，该方法可以使用多种图像数据类型和多种扫描设备。
此外，在一个实施方式中，该方法提供管状结构的拓扑支撑的评估，而不用必须使用不同区域之间的界面，这也是很大的优势。
在一个实施方式中，图像数据的获取包括从CT扫描设备接收图像数据。
在进一步的实施方式中，图像数据的获取包括从由磁共振成像（MRI）设备、正电子发射断层扫描（PET）设备、X射线设备、超声设备、及其任意组合构成的组中选择的设备接收图像数据。
在一个实施方式中，从由体积医学图像数据、体积断层图像数据、及一组平行连续图像平面构成的组中选择图像数据。
在一个实施方式中，图像数据表示解剖结构。
在一个实施方式中，图像数据包括从由像素和体像素所构成的组中所选择的多个单位图像元素。
在一个实施方式中，多个不同区域包括多个第一物质区域和多个第二物质区域。
在进一步的实施方式中，初始种子的放置包括从多个第一物质区域之一中选择初始区域。初始区域生长的执行进一步包括从多个第二物质区域之一中选择邻近区域。
在又一实施方式中，在相应随后区域生长的执行过程中，附加邻近区域被选择，使得邻近区域和附加邻近区域的每一个都分别属于多个第一物质区域和多个第二物质区域的相应的其中一个。
在一个实施方式中，通过定义比初始生成区域的区域生长具有更大兴趣的区域特性的处理通过扫描图像数据的邻近部分来执行其他邻近区域的识别。
在一个实施方式中，执行初始区域生长的执行，直到初始生成区域进一步包括管状结构内壁外周围的至少一部分为止。
在一个实施方式中，执行相应随后区域生长的执行，直到随后生成区域进一步包括管状结构内壁的外周的至少一部分为止。
在一个实施方式中，执行初始区域生长的执行，直到初始生成区域包括初始区域为止。
在进一步的实施方式中，执行相应随后区域生长的执行，直到随后生成区域包括邻近区域为止。
在一个实施方式中，区域生长的执行定义了能够进行潜在属于所属区域单位图像元素的处理的给定直径的球形特性。
在进一步实施方式中，通过定义具有比在能够进行潜在属于所属区域单位图像元素处理的区域生长中所包括的球形直径更大的给定直径的球形特性的区域生长来进行潜在随后区域的识别。
在又一实施方式中，潜在随后区域的扫描识别用于区域的随后区域生长的补充种子。
在进一步的实施方式中，补充种子的识别是以密度基标准为基础，元素的数目定义了相同密度基标准的特性或其组合。
在一个实施方式中，随后补充种子的识别得到属于已经处理区域的种子元素的识别，其中，仅有拓扑信息被保持并被添加至树，从而防止这样的种子的随后区域生长。
在进一步的实施方式中，所述方法进一步包括，在初始区域生长执行前，确定用于第一物质区域的第一物质阈值和用于第二物质区域的第二物质阈值。
在一个实施方式中，所述方法包括：（i）在从相应区域的其中一个所选择的补充初始区域中放置补充初始种子；（ii）执行补充初始区域生长，直到补充初始生成区域包括内壁的至少一部分及对应于其中一个不同区域的补充邻近区域的至少一部分；（iii）开始包括对应于补充初始区域的初始树节点的补充树；（iv）对于每个补充邻近区域而言：在补充邻近区域中放置补充随后种子；执行相应的补充随后区域生长，直到补充随后生成区域包括内壁的至少一部分和补充附加邻近区域的至少一部分为止；并将对应于补充邻近区域的树节点添加在补充树中；（v）对补充附加邻近区域的每一个执行处理步骤（iv）；以及（vi）将补充树归组至树。
在一个实施方式中，所述方法进一步包括，在初始区域中放置初始种子前，选择初始区域。
在进一步的实施方式中，初始区域的选择包括选择邻近管状结构端部的初始区域。
在另一个进一步的实施方式中，所述方法进一步包括，在补充初始区域中放置补充初始种子前，选择补充初始区域。
在一个实施方式中，补充初始区域的选择包括选择邻近管状结构其余一个端部的补充初始区域。
在进一步的实施方式中，所述方法进一步包括使用相应数目的辅助种子，用于将相应的树节点添加至所述树，直到所述树包括对应于初始种子与补充初始种子的每一个的树节点之间的至少一个连续路径为止。
在另一个进一步的实施方式中，所述方法进一步包括使用相应数目的辅助种子，用于将相应的树节点添加至所述树，直到所述树包括用于每个不同区域的相应的一个树节点。
在一个实施方式中，由操作者手动执行初始区域的选择。
在另一个实施方式中，自动执行初始区域的选择。
在一个实施方式中，由操作者手动执行补充初始区域的选择。
在另一个实施方式中，自动执行补充初始区域的选择。
在一个实施方式中，图像数据包括多个单位图像元素，并且所述方法进一步包括，对于对应于相应树节点的每个区域而言，确定对于区域的每个单位元素的相应分类。
在进一步的实施方式中，多个不同区域包括多个第一物质区域和多个第二物质区域。分类的确定包括将第一物质级赋予对应于相应的树节点的每个第一物质区域的每个单位图像元素以及将第二物质级赋予对应于相应的树节点的每个第二物质区域的每个单位图像元素。
在进一步的实施方式中，不属于任何区域但在随后区域的识别处理期间被处理的每个剩余单位图像元素被彼此分组作为潜在界面型元素。
在另一个实施方式中，潜在界面型元素根据树的拓扑信息被分成两组，这两组为非界面元素和界面型元素，界面型元素在树的两个连续节点之间。
在又一实施方式中，所述方法进一步包括，对于每个区域生长的相应生成区域中不包括的每个剩余单位图像元素而言：根据相应的单位图像元素与对应于树节点的至少一个邻近区域之间的距离确定至少一个邻近参数；并根据相应的至少一个邻近参数确定定义相应的单位图像元素与相应级的溯源的至少一个溯源参数。所述方法进一步包括：根据邻近于对应于两个连续节点的相应区域的相应单位图像元素的相应溯源确定所述树的两个连续节点之间的界面类型；并根据所述树的两个连续节点之间的确定的界面类型来确定管状结构的拓扑支撑的精确的评估。
在又一实施方式中，根据从由相应单位图像元素的密度基分布、相应单位图像元素的分布及均匀性、感兴趣结构的拓扑信息、及界面类型的形态参数构成的组中所选择的至少一个附加参数，进一步执行所述树的两个连续节点之间的界面类型的确定。
在进一步的实施方式中，根据精确评估来确定管状结构的评估中线。
在一个实施方式中，根据管状结构的拓扑支撑的评估来确定管状结构的评估中线。
在一个实施方式中，所述树的过滤包括将每个树节点彼此顺序链接。
在一个实施方式中，所述树包括至少一条主路径和闭合回路和附加支路中的至少一条，所述树的过滤包括从所述树中去除闭合回路的至少一部分及至少一条附加支路。
在一个实施方式中，根据与相应节点相关的每个不同区域的区域体积来执行去除。
在一个实施方式中，管状结构包括结肠的至少一部分。
在另一个实施方式中，管状结构包括结肠的至少一部分，并且多个不同区域包括多个空气型区域和多个标记物质型区域。
在一个实施方式中，所述方法还包括向操作者显示管状结构的拓扑支撑的评估。
在进一步的实施方式中，显示包括在图像数据中遮蔽管状结构的周围。
根据另一方面，还公开了对用于确定评估结肠拓扑的管状结构的拓扑支撑的评估的方法的使用。
根据另一方面，还提供了用于根据感兴趣结构的特性或特征来处理界面区域及所处理界面区域的随后重构的方法和***。
在一个实施方式中，提供了用于根据结肠粘膜的特性处理界面区域和所处理区域的随后重构的装置。
在一个实施方式中，提供了用于处理所述树的两个连续节点之间的界面型元素的装置。
在另一个实施方式中，提供了用于在虚拟结肠镜检查中处理空气型区域与标记型区域之间的界面型元素的装置。
在又一实施方式中，通过将值密度归于与典型的结肠粘膜元素的界面元素不同的每个界面型元素来执行界面型元素的处理。
在一个实施方式中，通过将空气密度分配给每个界面型元素来执行界面型元素的处理。
在另一实施方式中，在界面型元素处理之前，扩展界面型区域。
在一个实施方式中，执行界面型区域的扩展，同时维持感兴趣结构的实际拓扑。
在另一个实施方式中，在界面型元素处理之后，根据感兴趣区域结构的特性或特征重构所处理的界面型区域。
在进一步的实施方式中，根据在扩展处理期间所收集的每个新元素的隐含信息（implicitinformation）来执行所处理的界面型区域的重构。表述“隐含”意味着不通过直接表达的任意的暗示或理解。例如，由于粘膜为包括未分割单位图像元素的3D区域（即，空气与组织之间的界面区域），所以其从未被直接表达，但是可以通过强度值的梯度场提取出诸如这个粘膜的正向场的隐含特征。
在一个实施方式中，考虑属于每个其他邻近区域的每个元素的隐含信息，通过将密度值归于每个界面型元素来执行处理区域的重构。
在一个实施方式中，考虑对应于围绕界面型区域的区域的所述区域的每个元素的隐含信息，通过将密度值归于每个界面型元素来执行处理区域的重构。
在又一实施方式中，通过考虑从邻近区域元素的密度所确定的法向矢量所获取的相对空间强度的隐含信息来执行将密度值归于每个界面型元素。
在一个实施方式中，隐含信息为梯度矢量场、矢量场、及密度基矢量场的其中一个或组合。
在一个实施方式中，隐含信息为标量场（scalarfield）、矢量场、及张量场的其中一个或组合。
根据另一方面，也提供，用于确定管状结构的拓扑支撑的评估的***。该***包括：数据接收单元，用于接收表示管状结构的图像数据；放置单元，可操作地耦接至数据接收单元，用于在每个相应的区域中放置每个种子；处理单元，可操作地耦接至放置单元，用于执行每个区域生长；树建立单元，可操作地耦接至处理单元，用于建立树；以及过滤单元，可操作地耦接至树建立单元，用于根据预定的拓扑参数过滤树，从而确定管状结构的拓扑支撑的评估。
在一个实施方式中，该***进一步包括显示单元，可操作地耦接至过滤单元，用于显示管状结构的拓扑支撑的评估。
根据另一方面，还提供其上记录指令的机器可读介质，指令用于执行确定管状结构的拓扑支撑的评估的方法。
根据另一方面，还提供了对根据先前所述方法确定管状结构的拓扑支撑的评估进行交易的方法，其中，确定管状结构的拓扑支撑的评估是收费的。
根据另一方面，还提供了对确定管状结构的拓扑支撑的评估进行交易的方法，该方法包括：接收图像数据；执行先前所述的方法；通过收费提供管状结构的拓扑支撑的评估。
根据另一方面，还提供了对确定管状结构的拓扑支撑的评估进行交易的方法，该方法包括：由供应商将如先前所述的用于确定管状结构的拓扑支撑的评估的***提供给第三方；操作该***，其中，由第三方通过收费进行操作；并由第三方将收取的费用的至少一部分返还给供应商。
可以通过几种类型的图像数据使用管状结构的拓扑支撑的评估的确定方法，这具有很大的优势。
此外，在虚拟结肠镜检查的情况下，例如，即使在患者的结肠由于图像获取期间的痉挛和/或存在阻塞性肿瘤而衰退的情况下，也可以提供适当的结肠拓扑支撑的评估，这具有很大的优势。
此外，在虚拟结肠镜检查的情况下，由于2D穿越可视化可以被快速提供给操作者或医生，所以该方法可以快速提供结肠的评估中线，这具有很大的优势。
表达“区域”指的是在同一小块区域中彼此全部连续的一组邻近单位图像元素。依赖于所使用的图像数据，区域可以是2D或3D的。
表达“管状结构”应该被理解为具有至少两端的任何中空延长结构。
附图说明
为了容易理解本发明，在附图中利用实例图解说明了本发明的实施方式。
图1是示出了根据本发明一个实施方式的用于确定管状结构的拓扑支撑的评估的方法的流程图。
图2是示出了根据本发明的用于确定管状结构的拓扑支撑的评估的方法的另一实施方式的流程图。
图3是示出了根据本发明的用于确定管状结构的拓扑支撑的评估的方法的另一实施方式的流程图。
图4是根据本发明的用于确定管状结构的拓扑支撑的评估的***的一个实施方式的框图。
图5A示出了表示结肠的图像数据的一部分。
图5B示出了表示图5A的图像数据的一部分的3D图
图5C示出了患者结肠的3D表示。
图6是示出了可以实现用于确定拓扑支撑的评估的方法的处理设备的实施方式的框图。
图7A是示出了管状结构的实施方式的示意图。
图7B是示出了对应于图7A所示的管状结构的树的示意图。
图8A是示出了管状结构的另一个实施方式的示意图。
图8B是示出了对应于图8A所示的管状结构的树的示意图。
图9A是示出了管状结构的另一个实施方式的示意图。
图9B是示出了对应于图9A所示的管状结构的树的示意图。
图10示出了根据一个实施方式如何执行其他邻近区域的识别。
图11至图15示出了根据实施方式的结肠粘膜的重构。
通过下面所包括的详细描述，本发明的另外的细节及其优势将变得显而易见。
具体实施方式
在实施方式的下面描述中，通过发明可实行的实例的图解说明来进行对附图的参考。可以理解，在不背离所公开的发明的范围的情况下，可以制造或使用各种其他实施方式。
本发明涉及用于确定管状结构的拓扑支撑的评估的方法和***，特别用于医学图像处理领域。纵观本描述，将就虚拟结肠镜检查中评估结肠拓扑的具体应用方面描述所述方法，但相关技术人员将理解，该方法不限于该具体应用，并且可以考虑许多其他应用，当阅读本描述时，这点将变得很显而易见。就非限定性实例而言，本方法可以用在CT肠动扫描应用、用于检测大动脉腹部动脉瘤的应用以及用于肺和脑动脉瘤虚拟内窥镜检查应用的虚拟内窥镜应用。
相关技术人员将理解，例如，本发明用于确定管状结构的拓扑支撑的评估的方法通常用于有利于诸如结肠癌筛查的解剖结构的随后检查。相关技术人员也将理解，该方法也适用于包括至少两个相的解剖结构，例如，包括内壁及在其中延伸的多个空气区域和标记***物区域的结肠结构。
由于该方法不限于特定类型的图像数据，所以其特别具有优势。更适当地，该方法可以被用在不同类型的图像数据组中，这点将在下面变得更加显而易见。此外，可以既不依赖于图像数据的严格预定值也不依赖于特定对比度来实现该方法，这点对于相关技术人员也将变得很显而易见。
当然，相关技术人员将会理解，上面所述的***和方法由于可以通过作为非限定性实例的无准备（prepless）CT结肠镜检查、无泻药的CT结肠镜检查、通过标记药剂的温和制剂CT结肠镜检查、以及通过标记用于CT结肠镜检查的残余液体/大便的泻药制剂来使用，而特别具有优势。
对比通过低纤维饮食和大便标记所增强的例行程序和非准备（unprepped）CT结肠镜检查来描述无准备CT结肠镜检查：一项试验性研究，AbrahamH.Dachmanandal，AbdomImaging（2007）32:96-104；无泻剂的CT结肠成像：可行性研究，MatthewR.Callstrom，Radiology2001；219:693-698，并且还在无泻剂肠道制剂的CT结肠成像情况的结肠肿瘤的CAD中，MariusGeorgeLinguraru等，30thannualinternationalIEEEEMBSConferenceVancouver，BritishColumbia，Canada,Auguest20-24,2008。这些参考的全部内容结合于此作为参考。
在使用虚拟结肠镜检查的无泻药大肠癌筛查试验研发中描述了无泻药CT结肠镜检查：可行性研究，KristinaT.Johnson,AJR：188，2007年1月，p2936；CT结肠成像前作为清洁方法的膳食粪便标记：初步结果-PolypDetectionandPatientAcceptance1，PhilippeA.Lefere，Radiology2002；224：393-403；并且在通过粪便标记的无泻药CT结肠成像中：有无电子大便减少的性能，C.DanielJohnson,AJR：190，2008年2月，P361-366。这些参考的内容都结合于此作为参考。
在SebastiaanJenschandal，AJR：191，2008年7月，P158-167具有不同量的用于CT结肠镜检查的温和泻药的四种治疗方案（fourregimen）的图像质量和患者接受中描述了通过标记制剂的温和制剂CT结肠成像，其全部内容结合于此作为参考。
在用于CT结肠镜检查的钡基粪便标记的功效中描述了通过用于CT结肠镜检查的残余液体/大便的标记的泻药制剂：在韩国人口中使用高低密度钡悬浮液之间的比较-初步的研究，MinJuKim等，KoreanJRadiol10(1)，2009年二月，P25-33；在替代中：粪便标记，PhilippeLefere核StefaanGryspeerdt，虚拟结肠镜检查，斯普林格柏林海德堡，2006年，P35-49；以及在基于标记中，电子清洁CT结肠成像：患者的舒适度和图像的可读性，MichaelE.Zalis等，Radiology：volume239：1number，2006年4月，P149-159。这些参考的每一个都结合于此作为参考。
相关技术人员将理解，无泻药制剂可以涉及使用可具有潜在泻药副作用并且可以提供比仅标记制剂更好的残留标记的碘。
此外，相关技术人员将理解，所公开的方法能够依赖于所使用的处理源来提供相对较快的周转时间的管状结构的评估。
典型地，如在CT结肠镜检查中精确快速3D结肠分割，DongqingChen,RachidFahmi,AlyA.Farag,RobertL.Falk,andGeraldW.Dryden,ISBI2009p490-493中所提及的一样，相关方法在5分钟至18分钟之间采用每个数据组，并且对于在奔腾IV2.6GHz计算机上的512×512×440的单个CT扫描而言，本方法将在3分钟至5分钟内执行感兴趣区域的拓扑定义，用于完成结肠癌筛查研究，其为可对比维度的两个数据组并准备用于通过体积渲染的可视3D检查。因此，本方法至少是当前相关技术方法两倍快。
图5A至图5C示出了表示管状结构的图像数据组的图像500、图解说明情况下的结肠、及评估的结肠拓扑502的实例。
图7A示出了包括内壁702和多个不同区域的管状结构700的实例。在管状结构700包括结肠或结肠的至少一部分情况下，内壁702可以包括结肠粘膜以及软脂肪组织。在图解说明的情况下，多个不同区域包括多个第一物质区域704（也被称作空气型区域）和对应于标记***物区域的多个第二物质区域706（也被称作标记物质型区域）。
纵观本描述，表达“区域”指的是在同一小块中全部彼此连续的一组邻近单位图像元素。依赖于所使用的图像数据，区域可以为2D或3D。
参照图1，示出了根据一个实施方式的用于确定管状结构的拓扑支撑的评估的方法的流程图。
当阅读本描述时将变得很显而易见的是，用于确定管状结构的拓扑支撑的评估的方法依赖于：用于建立表示管状结构的树的给定步骤；所述树包括表示在管状结构中延伸的空气区域和标记物质区域的连续的连续节点。
现在，将参照图1、图7A及图7B描述该方法的实施方式。
根据处理步骤100，提供了表示管状结构的图像数据。作为非限定性实例，图像数据可以包括相关技术中众所周知的体积医学图像、体积断层图像、和/或多个平行连续图像平面。
在一个实施方式中，处理步骤100包括从CT扫描设备接收图像数据。在另一个实施方式中，可以从磁共振成像（MRI）设备、正电子发射断层扫描（PET）设备、X射线设备、超声设备、或这些设备的任意组合中接收图像数据。在另一个实施方式中，可以从数据库中检索图像数据，甚至可以从诸如压缩光盘的可读介质或例如图片归档及通信***（PACS）中检索图像数据。
在一个实施方式中，图像数据包括多个单位图像元素，例如，像素或体像素。然而，相关技术人员将理解，表达“单位图像元素”不限于像素或体像素，而应该被理解为包括任何同质元素、图像或显示面上的点或圆点、几何元素、网络网格、网格面、或者强度、颜色、或其他参数与其他强度、颜色或其他参数分别相关联的顶点。
再次参照图1，根据处理步骤110，初始种子被放置在从多个不同区域之一中选择的初始区域中。
在图7A所示的示例性实施方式中，初始种子Xc被放置在初始区域A1中。
在优选实施方式中，在初始种子被放置在初始区域之前，首先选择初始区域。在一个实施方式中，由操作者手动执行初始区域的选择。可替换地，在另一个实施方式中，自动执行初始区域的选择。相关技术人员将理解，可以根据各种参数执行初始区域的自动选择，例如，在IordanescuG.PickhardtPJ,ChoiJR,SummersRM，AutomatedSeedplacementforcolonsegmentationincomputedtomography，AcadRadiol.，2005Feb；12（2）：182-90中所描述的那样。
在优选实施方式中，初始区域被选择邻居管状结构的端部，其将在下面变得显而易见。在图7A所示的示例性实施方式中，被选择的初始区域靠近结肠的盲肠延伸。
再次参照图1，根据处理步骤120，执行初始区域生长，直到初始生成区域包括至少一部分内壁和对应于多个不同区域之一的邻近区域的至少一部分。
在优选实施方式中，从第一物质区域之一中选择初始区域，同时从第二物质区域之一中选择邻近区域。换句话说，如后文将被更详细描述的那样，从两种类型区域之一中替换地选择所考虑的区域。
在优选实施方式中，执行初始区域生长，直到初始生成区域进一步包括管状结构的内壁的外周的至少一部分。换句话说，选择初始区域，随后，还选择紧邻区域，直到生成区域也包括管状结构的内壁的一部分外周。
相关技术人员将理解，在管状结构包括结肠或其一部分的情况下，管状结构的内壁的外周可以包括软脂肪组织、肌肉、骨骼、或其他邻近结构的一部分，例如，小肠的一部分。
在进一步实施方式中，执行初始区域生长，直到初始生成区域包括整个初始区域。
相关技术人员将理解，在区域生长的现有应用中，以均匀性为基础根据迭代处理对同一区域的单位图像元素分组，从而将图像数据的选择部分分割成感兴趣的不同区域。在这些先前技术应用中，区域生长被用于从其他区域中提取出一个特殊区域。
例如，在号为US2002/0193687并且题目为虚拟内窥镜检查的自动分析的美国专利申请公布中，区域生长被解释如下：使用三维区域生长技术和初始静态阈值来分割感兴趣的区域。所选择的阈值应接近通过包括周围结构作为感兴趣区域的部分来选择并且无分割程序失败的最大阈值。
相关技术人员当阅读本说明书时将理解，在本应用中，区域生长不被用于提取特殊区域而将图像分割成不同的感兴趣区域的目的。相反，区域生长被用于选择相应种子周围的图像部分。如先前所述，通过区域生长所获取的生成区域应包括几种类型的区域部分。
相关技术人员也将理解，可以对体积图像数据执行紧邻的选择。因此，应该理解，生成区域可以为针对多个连续的二维图像所获取的三维体积。
再次参照图1，根据处理步骤130，开始包括对应于初始区域的初始树节点的树708.
在图7A和图7B所示的示例性实施方式中，以初始树节点A1开始树。
再次参照图1，并如下面更详细描述一样，对在处理步骤120中所发现的每个邻近区域执行处理步骤140、150、及160。
当然，根据处理步骤140，随后的种子被放置在先前所发现的邻近区域中。
根据处理步骤150，执行相应的随后区域生长，直到随后生成区域包括内壁的至少一部分和附加邻近区域的至少一部分。
在优选实施方式中，在处理步骤150中，附加邻近区域被选择为使得邻近区域和附加邻近区域的每一个都分别属于多个第一物质区域和多个第二物质区域中的相应的一个。换句话说，如前所述，所考虑的区域通过其相应类型被替换选择。
在优选实施方式中，执行相应的随后区域生长，直到随后生成区域进一步包括管状结构的内壁的外周的至少一部分。
在进一步的优选实施方式中，执行相应的随后区域生长，直到随后生成区域包括整个邻近区域。
在一个实施方式中，如图10所示，通过定义比初始生成区域的区域生长更受关注的区域的特性的处理，通过扫描图像数据的邻近部分来执行附加邻近区域的识别。相关技术人员将理解，可以使用区域生长或光线投射（raycast）处理。
根据处理步骤160，将对应于邻近区域的树节点添加至树。
再次参照图1，对在处理步骤150中所发现的每个附加邻近区域执行处理步骤140、150及160.
在一个实施方式中，如图10所示，区域生长的执行展示了能够处理潜在属于该区域的单位图像元素的给定参数的球。
在进一步的实施方式中，通过展示具有比在区域生长（能够处理潜在属于给定区域的单位图像元素）中所包括的球直径更大的给定参数的球的区域生长，来进行潜在的随后区域的识别。
在又一实施方式中，潜在的随后区域的扫描识别用于区域的随后区域生长的补充种子。
在进一步的实施方式中，补充种子的识别以基于密度的标准、以相同密度基标准为特性的元素数、或其组合为基础，由于其能够阻止考虑人造元素，所以具有很大的优势。
在一个实施方式中，随后补充种子的识别引起属于已经处理区域的种子元素的识别，在已经处理的区域中，仅拓扑信息被保留并被添加至树，从而防止这些种子的随后区域生长。
在图7A和图7B所图解说明的示例性实施方式中，一旦初始树节点A1已经被添加在树中，则相应种子被放置在区域A1的邻近区域中，即，区域Talpha、Tbeta、T1、T2、及Tgamma并且相应的树节点Talpha、Tbeta、T1、T2、及Tgamma被添加至树。
随后，如果需要，则为了发现还没有被考虑的其他邻近区域，反过来考虑这些上述区域的每一个。例如，一旦树节点T1已经被添加在树中，则发现对应于相邻小肠部分的区域SB1，并且相应的节点SB1被添加在树中。
一旦每个发现的邻近区域都已经经受了处理步骤140、150、及160，则根据处理步骤170，根据预定拓扑参数来过滤树，从而确定管状结构的拓扑支撑的评估。
在一个实施方式中，树的过滤包括将每个树节点一个接一个地顺次链接。
在进一步的实施方式中，如下面将详细说明的一样，可以从树中消除与具有预定值以下的面积和体积的区域相对应的死支路和节点。死支路被定义为不能被用于在管状结构的两端之间提供连续路径的树的一部分，这点将在下面显而易见。
仍在进一步的实施方式中，也可以从树中去除肯定属于一结构的树的部分，该结构不属于感兴趣的管状结构（诸如骨骼结构）。当然，对应于骨骼部分的节点可以已经包括在树中。然而，相关技术人员将理解，可以执行骨骼去除，如在AutomaticvesselextractionbypatientmotioncorrectionandboneremovalinbrainCTangiography,HelenHongandal，internationalCongressSeriesVolume1281,May2005,Pages369-374所描述的一样。相关技术人员也将理解，可以考虑其他各种方法。
在一个实施方式中，预定拓扑参数可以以管状结构的众所周知的拓扑为基础。例如，管状结构包括其两端之间的连续路径，并且管状结构不包括回路部分。
在这点上，可以获取管状结构的拓扑支撑的粗略评估。
在图7A和图7B所示的实施方式中，一旦节点已经被一个接一个地链接，则单个的连续路径在直肠与盲肠之间延伸。因此，相关技术人员将理解，这个路径可以表示管状结构的拓扑支撑的粗略评估。此外，由于树的其他支路可以不被用于发现连续路径，所以它们可以从树中被随意去除。
在一个实施方式中，如后文将要详细描述的，一旦已经确定了管状结构的拓扑支撑的评估，则随后可以确定管状结构的评估中线。
在一个实施方式中，连续路径的每个区域的中心可以被用于粗略地评估中线。然而，相关技术人员将理解，各种其他手段可以被用于提供中线的粗略评估。例如，如在骨架化及其应用，KálmánPalágyi,Dept.ImageProcessing&ComputerGraphicsUniversityofSzeged,Hungary,SummerSchoolonImageProcessingSSIP2009中所描述的那样，可以使用区域的拓扑细化或通过沃罗努瓦图从区域的粗略分割中提取的中线。如相关技术人员众所周知的那样，也可以使用包含水平组处理或基于距离的骨架化的其他方法。
在进一步的实施方式中，如随后也将被详细描述的那样，管状结构的拓扑支撑的评估随后可以被显示给操作者。
现在，参照图2，在优选实施方式中，可以使用第二初始种子。
当然，如图7A所示，为了确保已经考虑了全部管状结构，在优选实施方式中，有利地使用两个初始种子，靠近管状结构的第一端的第一种子，并且靠近管状结构的第二端的第二种子。在管状结构为结肠的情况下，两个初始种子被放置在盲肠和直肠附近。由此，发现对应于两个初始种子的两个节点之间的连续路径可以确保已经完整考虑了管状结构，这具有很大的优势。
在图7A所示的示例性实施方式中，第二初始种子Xr被放置在直肠中。由于在对应于两个初始种子的两个节点之间存在连续路径，所以这个连续路径可以代表整个管状结构的拓扑支撑，如将在下面详细描述的那样。
因此，仍参照图2，并根据处理步骤200，补充初始种子被放置在从相应区域之一中所选择的补充初始区域中。
相关技术人员将理解，在一个实施方式中，有利的是，与初始种子相关联的处理步骤平行地执行与补充初始种子相关联的处理步骤。可替换地，这两个处理可以被顺序地执行。
在优选实施方式中，在补充初始种子被放置在补充初始区域之前，类似于处理步骤110的初始区域，首选选择补充初始区域。在一个实施方式中，由操作者手动执行补充初始区域的选择。可替换地，在另一个实施方式中，自动执行补充初始区域的选择。
在虚拟结肠镜检查的情况下，在一个实施方式中，可以通过根据图像数据的全局直方图来评估空气型元素的体积并考虑人体形态学（例如，当面向患者时，降结肠在患者的右侧腹部，并对应于拉长的空气包）来执行任意补充种子的自动选择。同时，可以根据臀部形态学并查找邻近于直肠的显著空气包来识别乙状结肠（在多数情况下，位于图像数据组的“底部”位置）。这两种方法不是限定性的，并且任何领域的相关技术人员将理解，在不背离本发明的的范围的情况下，这种形态学方法可以有很多种。
相关技术人员将理解，在进一步的实施方式中，可以同时使用多个补充种子，同时由此建立每个相应的树。相关技术人员也将理解，在一个实施方式中，为了不选择已包括在其中一个树中的区域，可以使用补充种子的选择规则。
在优选实施方式中，如先前所述，被选择的初始区域靠近管状结构的一端延伸。仍在优选实施方式中，所选择的补充初始区域靠近管状结构的另一端延伸。
如前所述，在图7A所示的实例中，所选择的初始区域靠近结肠的盲肠延伸，同时所选择的补充初始区域靠近结肠的直肠延伸。
根据处理步骤210，执行补充初始区域生长，直到补充初始生成区域包括内壁的至少一部分和与多个不同区域之一对应的补充邻近区域的至少一部分。
根据处理步骤220，开始包括对应于补充初始区域的初始树节点的补充树。
再次参照图2并如下面更详细描述的那样，对在处理步骤220中所发现的每个补充邻近区域执行处理步骤230、240、及250。
当然，根据处理步骤230，补充随后种子被放置在相应的补充邻近区域中。
根据处理步骤240，执行相应的补充随后区域生长，直到补充随后生成区域包括内壁的至少一部分和补充附加邻近区域的至少一部分。
根据处理步骤250，对应于补充邻近区域的树节点被添加至补充树中。
再次参考图2，针对在处理步骤240中所发现的每个补充附加邻近区域执行处理步骤230、240、及250。
一旦所发现的每个补充邻近区域都经受了处理步骤230、240、及250，则根据处理步骤260，补充树与树被分组。
在一个实施方式中，补充树和树的分组可以包括在对应于相同区域的每个树中发现至少一个节点并根据这个共用节点合并两个树。然而，相关技术人员将理解，如下面将进行详细描述的，可以考虑将树一起分组的各种其他处理程序。
根据处理步骤270，随后可以根据预定拓扑参数来过滤树，从而确定管状结构的拓扑支撑的评估。
相关技术人员将理解，对于结肠拓扑支撑确定的具体应用而言，可以使用至少一个辅助种子。当然，在某些情况下，例如，由于在图像获取期间的神经性痉挛和/或阻塞性肿瘤的存在，所以患者检查下的结肠可能会衰退。当结肠衰退时，其内壁可能阻塞盲肠与直肠之间的通道。随后，结肠内的体积被分割成多个基于管状的部分，并且上文参照图1所描述的方法不会提供用于结肠整体长度的所评估的拓扑支撑，下文中将被详细描述。在这种情况下，相应数目的辅助种子可以被用于将相应树节点添加至树，直到树包括对应于每个初始种子和补充初始种子的树节点之间的至少一个连续通路为止。
在一个实施方式中，对于每个辅助种子建立相应的辅助树，随后，辅助树被分组至树。
相关技术人员也将理解，在管状结构包括多余两个的端部的情况下，可以使用这种辅助种子。在这种情况下，为了确保已经考虑到全部的结构，可以有利地使用用于管状结构的每端的相应初始种子。
在虚拟结肠镜检查的情况下，在一个实施方式中，结肠的形态学参数可以被用于放置辅助种子。例如，由于结肠为连续伸长结构，辅助种子可以被放置在树或辅助树的空间延长部分。
如先前所述，在这点上，可以获取结肠的拓扑支撑的粗略评估。相关技术人员将理解，不用分割任何区域，就已经获取了这个粗略估计，其具有很大的优势，将在下面变得更加显而易见。
相关技术人员将理解，这个粗略的估计可以被用于提供管状结构的粗略中线，其具有很大的优势。当然，根据这个粗略中线，可以提供2D穿越可视化。换句话说，可以根据所获取的粗略中线屏蔽不感兴趣的全部图像部分。由于操作者可以以更方便的方式检查图像数据，不会受不感兴趣的图像的其他区域干扰，所以具有很大的优势。由于其可以大大加快操作者检查图像的速度同时减少检查图像所通常需要的培训，所以其具有特别大的优势。对于会被相同图像的不同部分中的残余标记液体或由于仅命名了一些图像不同部分的主要病变存在而被干扰的读者而言，这种方法具有很大的价值。
相关技术人员也将理解，也可以提供使用体积渲染处理的3D穿越可视化。
如先前所说明的一样，已经获取的管状结构的拓扑支撑的粗略评估以结肠内存在空气型区域和标记型区域的交替并在盲肠与直肠之间延伸以及这样的交替帮助了确定拓扑支撑的事实为基础。
因此，在上述方法中，空气型区域与标记型区域之间的界面和空气型区域或标记型区域与结肠组织之间的界面已经不被使用或不被考虑用于提供粗略评估。
相关技术人员将理解，典型地，在这些界面处，主要由于不同类型区域可以包括未标识或不均质标识的***物，所以它们的识别会很困难。
在所述方法的优选实施方式中，可以进一步获取结肠拓扑支撑的精确评估。通过定义每个感兴趣界面（即，对应于树的两个连续节点之间延伸的支路的界面）的属性或分类获取这种精确评估。实际上，如此后详细描述的那样，一旦感兴趣界面已经被定义为空气型区域-标记型区域界面或具有结肠组织的界面，则可以改进树的过滤。
现在，参照图3，现在将描述方法的进一步的实施方式。在这个实施方式中，可以确定管状结构的拓扑支撑的精确评估。如下文中将被相关技术人员理解一样，在这个实施方式中，各种类型界面可以被识别和分类，进一步精确拓扑支撑的评估。
因此，根据处理步骤300，一旦已经获取了树，则用于对应于相应树节点的每个区域的每个单位元素的相应分类被确定。换句话说，一旦在处理步骤120、150、210、或240期间一个区域已经被确定为第一物质型区域或第二物质型区域，则这个区域的每个单位图像元素被视为属于这种类型的区域。
在一个实施方式中，类别的确定包括为对应于相应树节点的每个第一物质区域的每个单位图像元素赋予第一物质类别并为对应于相应树节点的每个第二物质区域的每个单位元素赋予第二物质类别。在结肠拓扑评估的具体应用中，相应单位图像元素已经被“分类”为属于空气型区域或标记型区域。
在这点上，还没有被考虑的剩余单位元素属于空气区域-标记区域界面或与结肠组织连接的界面。
为了提供在树的两个连续节点之间延伸的界面类型的识别，可以执行进一步的处理步骤。一旦感兴趣的界面被适当识别，则可以提供拓扑支撑的精确评估，当阅读随后的描述时，对于相关技术人员将变得更加显而易见。
再次参照图3，为了识别每个感兴趣界面的类型，如下面详细描述一样，对于在每个区域生长的相应生成区域中所包括的每个剩余单位图像元素可以执行处理步骤310和320。
根据处理步骤310，根据相应的单位图像元素与对应于树节点的至少一个邻近区域之间的距离，确定每个感兴趣的单位图像元素的至少一个接近参数。相关技术人员将理解，由于不依赖于分割处理或定量参数，而是依赖于定性参数，所以使用接近参数具有优势。
在一个实施方式中，为了考虑感兴趣的单位图像元素与在其周围延伸的每个区域之间的每个距离，可以使用多个接近参数。
根据处理步骤320，将相应单位图像元素的联系定义为相应分类的至少一个联系参数（affiliationparameter）根据相应的至少一个接近参数被确定。相关技术人员将理解，由于其不会替换或修改图像数据，所以联系参数的确定具有优势。
在一个实施方式中，可以根据各种附加参数确定单位图像元素的联系关系。例如，可以考虑围绕所选择的单位图像元素的邻近区域的形态和形状以及管状结构的整体拓扑。在进一步的实施方式中，这种形态参数的其中一个将充分利用身体语言的事实，残余液体将如任意其他液体一样具有使其表面平坦的趋势。认识到大的平坦区域不可能描述诸如内腔的中空器官，可以为大的微分器（differentiator）来将标记/空气界面（水平面为残余标记液体的上部）特征化。
对每个感兴趣的单位图像元素执行处理步骤310和320，及，这些便于感兴趣界面的识别。
一旦每个感兴趣的单位图像元素已经经受了处理步骤310和320，则根据处理步骤330，根据邻近对应于两个连续节点的相应区域的相应单位图像元素的相应联系来确定树的两个连续节点之间的界面类型。
在一个实施方式中，根据从由相应单位图像元素的密度基分布、相应单位图像元素的分布基均匀性、感兴趣结构的拓扑信息、及界面类型的形态参数构成的组中所选择的至少一个附加参数进一步执行两个连续节点之间的界面类型的确定。相关技术人员将理解，表达“基于密度的分布”应该被理解为包括密度分布、其衍生形式、以及其任意的组合。类似地，表达“基于分布的均匀性”应该被理解为包括分布均匀性、其衍生形式、以及其任意组合。
当然，感兴趣界面的单位图像元素的特定密度分布和分布均匀性可以被用于确定界面类型，如发布号为WO/2007/048091、题目为用于计算断层结肠镜检查图像的数字清洁的结构分析***、方法、软件排列、及计算机可访问介质的PCT申请中所描述的那样。值得注意的是，在PCT申请中没有讨论管状结构的接近参数和拓扑知识。
另外，也应该考虑感兴趣界面的形态。例如，可以考虑感兴趣界面的厚度和体积。此外，诸如平面形状或展开形状的界面形状也特别有用。
在一个实施方式中，不属于任意区域但在随后区域的识别处理期间被处理的每个剩余单位图像元素与其他单位图像元素一起被分组为潜在的界面型元素。
在另一个实施方式中，根据树的拓扑信息将潜在界面类型元素分成两组，这两组为非界面元素和界面型元素，界面型元素在树的两个连续节点之间。
再次参照图3，根据处理步骤340，根据树的两个连续节点之间确定的界面类型来确定管状结构的拓扑支撑的精确评估。
相关技术人员将理解，在先前所描述的实施方式中，由于树节点之间的界面类型而增强了树的过滤。
在一个实施方式中，如前所述，树的过滤可以包括一个接一个地顺次链接每个树节点。
随后，树通常包括至少一条主路径及最终的闭合回路和附加支路的至少一个。
在一个实施方式中，通过去除闭合回路的一部分和至少一个附加支路的至少之一（通常为死支路）来过滤树。
在优选实施方式中，从树中去除不能被用于提供管状结构的两个末端之间的连续通路的死支路（若有的话）。在进一步的实施方式中，通过去除其第一节点与具有低于定义值的区域体积的区域相关的闭合回路（若有的话）来进一步过滤树。
换句话说，可以从树中去除更小的区域，通常为与结肠内壁反向延伸而不会占据结肠整个截面的标记区域。当然，如果小标记区域为闭合回路的一部分的第一节点，则其可以为对应于结肠外部区域的树部分的一部分，例如，小肠部或骨骼。如图8A~图9B中所图解说明及如下所详细说明的一样，其也可能为在结肠中延伸的两个区域之间不正确的捷径。
当然，在图7B中，如先前所述，由于包括节点SB1的支路对应于死支路，所以其可以被去除。
在图8B中，如图8A所图解说明的一样，由于相应的界面T1-A1应该被识别为在软组织中延伸，所以可以去除包括节点T1的闭合部分。
在图9A和图9B中，相关技术人员将理解，界面的分类可以帮助选择区域A1和T1之间的便捷路径。
在优选实施方式中，根据拓扑支撑的精确评估确定管状结构的精确评估中线。
相关技术人员将理解，由于管状结构的中线可以被充分仿射从而能够便于结构观察，所以这个实施方式特别受关注。
在一个实施方式中，精确评估中线可以与图像数据一起被提供给用于3D可视化的体积渲染引擎。在进一步的实施方式中，图像数据可以经受先前的电子清洁处理程序，用于去除标记物质区域。在通过相同申请人联合申请、名为“在虚拟内窥镜检查中用于过滤图像数据的方法和***及其使用”的PCT申请中公开了这种电子清洁处理程序，该说明书结合于此作为参考。
相关技术人员将理解，在一个实施方式中，根据所提供的图像数据的类型来执行初始区域生长，可以确定用于第一物质区域的第一物质阈值和用于第二物质区域的第二物质阈值。
根据另一方面，一旦已经执行了结构的拓扑，则如图11至图15所图解说明的一样，可以处理界面区域，并且可以执行根据感兴趣结构特性或特征的处理界面区域的随后重构。
在一个实施方式中，提供用于处理界面区域和和根据结肠粘膜的特性的处理区域的随后重构的装置。
在一个实施方式中，提供了用于处理树的两个连续节点之间的界面类型元素的装置。
在另一个实施方式中，提供了虚拟结肠镜检查中用于处理空气型区域与标记型区域之间的界面型元素的装置。
在又一实施方式中，通过将值密度归于与典型结肠粘膜元素不同的每个界面型元素，来执行界面型元素的处理。例如，在一个实施方式中，通过将空气密度归于每个界面型元素来执行界面型元素的处理。相关技术人员将理解，可以选择其他值，诸如低于空气型区域值的值。
在进一步的实施方式中，在界面型元素的处理前，界面型区域被扩展。
在一个实施方式中，执行界面型区域的扩展，同时维持感兴趣结构的实际拓扑。
在另一个实施方式中，界面型元素处理后，进行根据感兴趣结构的特性或特征的处理的界面型区域的重构。
在进一步的实施方式中，根据在扩展处理期间所收集的每个新元素的隐含信息来执行所处理界面型区域的重构。值得提出，表达“隐含”意味着通过非直接表达的任意暗示或理解。例如，由于粘膜为包括未被分割的单位图像元素（即，空气与组织之间的界面区域）的3D区域，所以其从未被直接表达，但是可以通过强度值的梯度场提取出隐含特征，诸如这个粘膜的正向场。
在一个实施方式中，考虑属于每个其他邻近区域的每个元素的隐含信息，通过将密度值归于每个界面型元素来执行所处理区域的重构。
在一个实施方式中，考虑对应于界面型区域周围的区域的多个区域的每个元素的隐含信息，通过将密度值归于每个界面型元素来执行所处理区域的重构。
在另一实施方式中，通过考虑通过邻近区域元素的密度所确定的正向矢量所获取的相对空间强度的隐含信息来执行密度值对于每个界面型元素的归因。
在一个实施方式中，隐含信息为梯度矢量场、矢量场、密度基矢量场的其中一个或组合。在另一个实施方式中，隐含信息为标量场、矢量场、及张量场的其中一个或组合。
再次参照图11至图15，将详细描述根据隐含信息的处理。在一个实施方式中，可以执行给定界面的邻近区域与通过界面所连接的两个不同区域的邻近区域的交叉隔离。界面邻近区域的这个隔离部被称作重构支撑。
隐含几何特征可以被提取，提供关于界面区域的非常限定支撑行为的信息用于重构。通用特征为根据图像元素强度梯度的隐含正向量场。相关技术人员将理解，这种隐含信息允许界面型区域中每个单位图像元素的重构，但是特别对于虚拟结肠镜检查的特殊情况下结肠粘膜周围的区域感兴趣。
每个界面元素属于目标区域（空气）的可能性可以被计算。为了将给出的隐含特征的连续性最大化，计算这种可能性或联系。在正向量场的情况下，每个体像素的联系以通过用于重构的给定体像素的中心及支撑邻近体像素的中心所形成的矢量；以及在支撑邻近体像素的隐含正向矢量的投影强度为基础。
界面区域的强度值根据它们的联系在目标区域与支撑区域的分布之间被重构。
图15示出了为了防止由于感兴趣的精确拓扑的保存而在结肠中产生切割潜在皱褶可以如何处理邻近界面，其在经常切割皱褶的先前相关技术方面具有很大的优势。
根据另一方面，还提供了用于提供管状结构的拓扑支撑的评估的***。
参照图4，示出了这个***的实施方式。***400包括数据接收单元402，用于接收管状结构典型的图像数据404.
***400也包括放置单元406，可操作地耦接至数据接收单元402，用于将每个种子放置在每个相应区域。放置单元406从数据接收单元402接收图像数据404，并提供所选择的区域408.
在一个实施方式中，如先前详细描述的一样，放置单元406包括一个模块（没有示出），用于为了放置两个初始种子而识别邻近于管状结构的端部的初始区域。
在另一个实施方式中，***400可以包括可选用户界面410，可操作地连接至放置单元406，用于提供种子放置参数412，从而为操作者提供用于辅助放置初始种子的装置。在优选实施方式中，用户界面410被省略，并且种子被自动放置，而没有操作者的任何介入。
***400包括处理单元，可操作地耦接至放置单元406，用于执行每个区域生长。处理单元414从放置单元406接收选择区域408，并提供节点数据416。相关技术人员将理解，处理单元414也将下一个区域数据418提供给放置单元406，用于将随后的种子放置在相应区域，直到已经考虑了每个感兴趣的区域。
***400包括树建立单元420，可操作地耦接至处理单元414，用于建立树。树建立单元420从处理单元414接收节点数据416，并响应于此提供树数据422。
***400包括过滤单元424，可操作地耦接至树建立单元420，用于根据预定拓扑参数过滤树，从而确定管状结构的拓扑支撑的评估。过滤单元424从树建立单元420接收树数据422，并响应于此提供评估数据426.
在一个实施方式中，可选用户界面410被可操作地连接至过滤单元424，用于提供过滤数据428，从而为操作者提供用于辅助过滤树的装置。在优选实施方式中，用户界面410被省略，并且树被自动地过滤，而没有操作者的任何干扰。
再次参照图4，在一个实施方式中，***可以还包括可选显示单元430，可操作地耦接至过滤单元424，用于接收评估数据426，并显示管状结构的拓扑支撑的评估。在进一步的实施方式中，用户界面410可以可操作地连接至显示单元430，用于提供显示参数432.
在没有被图解说明的另一个进一步的实施方式中，***400可以进一步包括传输单元，耦接至过滤单元424，用于将评估数据426传输至用于异常性检测的计算机辅助检测单元（没有示出），或用于异常性诊断的计算机辅助诊断单元（没有示出）。传输单元可以包括无线模块（没有示出），用于提供评估数据426的无线传输。相关技术人员将理解，在不背离本申请的范围的前提下，可以使用根据各种协议的无线模块来传输评估数据。相关技术人员也将理解，可以使用有线传输。在一个实施方式中，使用互联网执行传输。
如先前所述的用于确定管状结构的拓扑支撑的评估的***由于其可以远程处理数据而具有很大的优势。当然，可以在配备了成像设备的诊所或医院的前提下获取图像数据，通过公共或私人数据网络将图像数据发送至远程处理中心，并在处理中心处被处理。随后，所评估的数据可以被发送至诊所或医院，用于给定医生的可视化分析。
可选地，相关技术人员将理解，所述***可以集成至成像设备，或被可操作地连接至其上。
相关技术人员也将理解，在一个实施方式中，用于确定管状结构的拓扑支撑的评估的方法可被嵌入在处理设备上运行的计算机程序中。计算机程序可以包括被记录在机器可读介质上的指令，用于执行确定拓扑支撑的评估的上述方法。
根据另一方面，还提供了根据先前所述方法确定管状结构的拓扑支撑的评估的交易方法。
在一个实施方式中，通过收费确定管状结构的拓扑支撑的评估。
在另一个实施方式中，交易方法包括：接收图像数据；执行先前所述的用于确定管状结构的拓扑支撑的评估的方法；并通过收费提供管状结构的拓扑支撑的评估。
在另一个实施方式中，确定管状结构的拓扑支撑的评估的交易方法包括：由供应商将如先前所述用于确定管状结构的拓扑支撑的评估的***提供给第三方；对***操作，其中，由第三方通过收费进行操作；并将收取的费用中的至少一部分返还给供应商。
将可以理解，可以由***自身操作此处所描述的用于确定管状结构的拓扑支撑的评估的***。可替换地，可以由第三方收费操作所述***。在一个实施方式中，收费可以为收入的份额，同时在替换实施方式中，收费可以包括固定费用。
现在，参照图6，示出了处理设备600的实施方式，其中，可以优势地使用用于确定管状结构的拓扑支撑的评估的方法。
处理设备600包括中央处理单元602、I/O设备604、网络接口电路608、数据总线606、及存储器610。中央处理单元602、I/O设备604、网络接口电路608、及存储器610通过使用数据总线606可操作地耦接。
具体而言，中央处理器602用于处理数据指令。网络接口电路608用于通过数据网络（没有示出）将处理设备600可操作地连接至另一个处理设备（没有示出）。相关技术人员将理解，可以提供网络接口电路608的各种实施方式。此外，相关技术人员也将理解，可以根据诸如例如TCP/IP的各种通信协议操作网络接口电路608.
I/O设备604被用于使用户能与处理设备600互动。相关技术人员将理解，可以使用I/O设备604的各种实施方式。例如，I/O设备604可以包括键盘、屏幕、及鼠标的至少其中一个。
相关技术人员将理解，可以提供数据总线606的各种实施方式。
也将理解，可以提供存储器610的各种实施方式。此外，将理解，在一个实施方式中，存储器610可被用于存储操作***612、用于确定管状结构614的拓扑支撑的评估的模块、以及用于操作用于确定管状结构614的拓扑支撑的评估的模块的数据库616。
相关技术人员将理解，操作***612被用于管理中央处理单元602、I/O设备604、网络接口电路608、数据总线606、及存储器610之间的相互作用。
尽管上面的描述涉及发明者当前预期的特定优选实施方式，但是应理解的是，在广义方面，本发明包括本文所描述的元素的机械和功能等价物。例如，所述方法可以应用于不同人的解剖结构及动物结构的检查。

Claims (32)

1.一种用于确定包括内壁和多个不同区域的管状解剖结构的拓扑支撑的评估的方法，所述多个不同区域包括多个不同第一区域和多个不同第二区域，所述第一区域具有第一物质和第二物质中的一种物质，所述第二区域具有所述第一物质和所述第二物质中的另一种物质，所述第一物质和所述第二物质不同，而且具有互不相同的密度，所述方法包括：
a)获取表示所述管状解剖结构的图像数据；
b)将初始种子放置在从所述多个不同第一区域之一选择的初始区域中；
c)执行初始区域生长，直到初始生成区域包括所述内壁的至少一部分和属于所述多个不同第二区域之一的邻近区域的至少一部分；
d)创建包含对应于所述初始区域的初始树节点的树；
e)对于每个邻近区域：
将随后的种子放置在所述邻近区域中；
执行相应的随后区域生长，直到随后生成区域包括所述内壁的至少一部分和附加邻近区域的至少一部分，其中，所述附加邻近区域具有所述第一物质和所述第二物质中的与所述邻近区域中的物质不同的物质；并且
将对应于所述邻近区域的树节点添加至所述树中；
f)对另外的附加邻近区域执行处理步骤e)；
g)根据预定拓扑参数过滤所述树，从而确定所述管状解剖结构的所述拓扑支撑的所述评估；以及
h)执行存储所述管状解剖结构的所述拓扑支撑的所述评估的至少一部分和显示所述管状解剖结构的所述拓扑支撑的所述评估的至少一部分中的至少一个。
2.根据权利要求1所述的方法，其中，从由体积医学图像数据、体积断层图像数据、及一组平行连续的图像平面构成的组中选择所述图像数据。
3.根据权利要求1所述的方法，其中，所述图像数据表示解剖结构。
4.根据权利要求1所述的方法，其中，所述图像数据包括从由像素和体像素构成的组中选择的多个单位图像元素。
5.根据权利要求1所述的方法，其中，在所述执行相应的随后区域生长中，选择所述附加邻近区域，使得所述邻近区域和所述附加邻近区域中的每一个分别属于所述多个第一物质区域和所述多个第二物质区域中的相应的一个。
6.根据权利要求1所述的方法，其中，所述执行初始区域生长被执行得直到所述初始生成区域进一步包括所述管状解剖结构的所述内壁的外周的至少一部分。
7.根据权利要求1所述的方法，其中，所述执行相应的随后区域生长被执行得直到所述随后生成区域进一步包括所述管状解剖结构的所述内壁的外周的至少一部分。
8.根据权利要求1所述的方法，其中，所述执行初始区域生长被执行得直到所述初始生成区域包括所述初始区域。
9.根据权利要求1所述的方法，其中，所述执行相应的随后区域生长被执行得直到所述随后生成区域包括所述邻近区域。
10.根据权利要求9所述的方法，还包括：在所述执行初始区域生长之前，确定用于所述第一物质区域的第一物质阈值和用于所述第二物质区域的第二物质阈值。
11.根据权利要求1所述的方法，还包括：
i)将补充初始种子放置在从所述多个不同第一区域之一选择的补充初始区域中；
ii)执行补充初始区域生长，直到补充初始生成区域包括所述内壁的至少一部分和属于所述多个不同第二区域之一的补充邻近区域的至少一部分；
iii)创建包括对应于所述补充初始区域的初始树节点的补充树；
iv)对于每个补充邻近区域：
将补充随后种子放置在所述补充邻近区域中；
执行相应的补充随后区域生长，直到补充随后生成区域包括所述内壁的至少一部分和补充附加邻近区域的至少一部分，其中，所述补充附加邻近区域具有所述第一物质和所述第二物质中的与所述补充邻近区域中的物质不同的物质；以及
将对应于所述补充邻近区域的树节点添加至所述补充树中；
v)对每个所述补充附加邻近区域执行处理步骤iv)；以及
vi)将所述补充树归组至所述树。
12.根据权利要求11所述的方法，还包括：在所述将初始种子放置在初始区域之前，选择所述初始区域。
13.根据权利要求12所述的方法，其中，所述选择所述初始区域包括选择邻近所述管状解剖结构的端部的所述初始区域。
14.根据权利要求13所述的方法，还包括：在所述将补充初始种子放置在补充初始区域之前，选择所述补充初始区域。
15.根据权利要求14所述的方法，其中，所述选择所述补充初始区域包括选择邻近于管状解剖结构的其余一个端部的所述补充初始区域。
16.根据权利要求11所述的方法，还包括使用相应数目的辅助种子，用于将相应的树节点添加至所述树，直到所述树包括在与所述初始种子和所述补充初始种子的每一个相对应的树节点之间的至少一条连续路径。
17.根据权利要求11所述的方法，还包括使用相应数目的辅助种子，用于将相应的树节点添加至所述树，直到所述树包括用于所述多个不同区域的每一个的相应的一个树节点。
18.根据权利要求1所述的方法，其中，所述图像数据包括多个单位图像元素，所述方法还包括：对于所述多个不同区域中的对应于相应树节点的每一个区域而言，确定所述区域的每个单位元素的相应类别。
19.根据权利要求18所述的方法，其中，所述多个不同区域包括多个第一物质区域和多个第二物质区域，并且其中，所述确定类别包括将第一物质类别分配给所述多个第一物质区域中的对应于相应树节点的每一个的每个单位图像元素以及将第二物质类别分配给所述多个第二物质区域中的对应于相应树节点的每一个的每个单位图像元素。
20.根据权利要求19所述的方法，还包括：
对于不包括在所述区域生长的每一个的相应生成区域中的每个剩余单位图像元素：
根据相应的单位图像元素与对应于树节点的至少一个邻近区域之间的距离来确定至少一个邻近参数；以及
根据相应的至少一个邻近参数确定定义所述相应的单位图像元素与相应分类的联系的至少一个联系参数；
根据邻近于与两个连续节点对应的相应区域的相应单位图像元素的相应联系关系来确定所述树的所述两个连续节点之间的界面类型；以及
根据所述树的两个连续节点之间所确定的界面类型来确定所述管状解剖结构的所述拓扑支撑的精确评估。
21.根据权利要求20所述的方法，其中，根据从由相应单位图像元素的密度分布、相应单位图像元素的分布均匀性、以及所述界面类型的形态学参数构成的组中选择的至少一个附加参数，来进一步执行所述确定所述树的两个连续节点之间的界面类型。
22.根据权利要求20所述的方法，还包括根据所述精确评估来确定所述管状解剖结构的评估中线。
23.根据权利要求1所述的方法，还包括根据所述管状解剖结构的所述拓扑支撑的所述评估来确定所述管状解剖结构的评估中线。
24.根据权利要求1所述的方法，其中，所述过滤所述树包括将所述树节点的每一个一个接一个地顺次链接。
25.根据权利要求1所述的方法，其中，所述树包括至少一条主路径以及闭合回路和附加支路的至少一条，所述过滤所述树包括从所述树中去除所述闭合回路的至少一部分和至少一条附加支路中的至少之一。
26.根据权利要求25所述的方法，其中，根据与相应节点关联的多个不同区域之一的区域体积来执行所述去除。
27.根据权利要求1所述的方法，其中，所述管状解剖结构包括结肠的至少一部分。
28.根据权利要求1所述的方法，其中，所述管状解剖结构包括结肠的至少一部分，并且其中，所述多个不同区域包括多个空气型区域和多个标记物质型区域。
29.根据权利要求1所述的方法，还包括向操作者显示所述管状解剖结构的所述拓扑支撑的所述评估的至少一部分，其中，所述显示包括在所述图像数据中遮蔽所述管状解剖结构的周围。
30.根据权利要求1所述的方法，使用所述方法用于评估结肠拓扑。
31.一种用于执行根据权利要求1至30中任一项所述的方法的***，所述***包括：
数据接收单元，用于接收表示所述管状解剖结构的所述图像数据；
放置单元，可操作地耦接至所述数据接收单元，用于将每个种子放置在每个相应区域中；
处理单元，可操作地耦接至所述放置单元，用于执行每个所述区域生长；
树建立单元，可操作地耦接至所述处理单元，用于建立所述树；以及
过滤单元，可操作地耦接至所述树建立单元，用于根据预定拓扑参数过滤所述树，从而确定所述管状解剖结构的所述拓扑支撑的所述评估。
32.根据权利要求31所述的***，还包括可操作地耦接至所述过滤单元的显示单元，用于显示所述管状解剖结构的所述拓扑支撑的所述评估。
CN200980163342.2A 2009-11-27 2009-11-27 用于确定管状结构的拓扑支撑的评估的方法和***及其在虚拟内窥镜检查中的使用 Active CN102782719B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CA2009/001749 WO2011063495A1 (en) 2009-11-27 2009-11-27 Method and system for determining an estimation of a topological support of a tubular structure and use thereof in virtual endoscopy

Publications (2)

Publication Number Publication Date
CN102782719A CN102782719A (zh) 2012-11-14
CN102782719B true CN102782719B (zh) 2015-11-25

Family

ID=43824556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200980163342.2A Active CN102782719B (zh) 2009-11-27 2009-11-27 用于确定管状结构的拓扑支撑的评估的方法和***及其在虚拟内窥镜检查中的使用

Country Status (9)

Country Link
US (1) US8611622B2 (zh)
EP (1) EP2503940B1 (zh)
JP (1) JP5599894B2 (zh)
KR (1) KR101639104B1 (zh)
CN (1) CN102782719B (zh)
AU (1) AU2009355844B2 (zh)
BR (1) BR112012012818A2 (zh)
CA (1) CA2727736C (zh)
WO (1) WO2011063495A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR112012012819A2 (pt) * 2009-11-27 2016-08-16 Dog Microsystems Inc método e sistema para filtrar dados de imagem e uso dos mesmos na endoscopia virtual
JP6031454B2 (ja) 2011-02-24 2016-11-24 カデンス メディカル イメージング インコーポレイテッド 撮像データにおける潜在異常を特定する方法及び装置並びに医用画像へのその応用
JP5930539B2 (ja) * 2012-09-12 2016-06-08 富士フイルム株式会社 医用画像表示装置および方法並びにプログラム
JP5923067B2 (ja) * 2013-07-26 2016-05-24 富士フイルム株式会社 診断支援装置および診断支援方法並びに診断支援プログラム
US9471991B2 (en) * 2014-10-23 2016-10-18 Technion Research & Development Foundation Limited Image editing using level set trees
CN105608687B (zh) * 2014-10-31 2019-01-08 东芝医疗***株式会社 医用图像处理方法和医用图像处理装置
US10152651B2 (en) * 2014-10-31 2018-12-11 Toshiba Medical Systems Corporation Medical image processing apparatus and medical image processing method
US10561373B2 (en) 2017-01-31 2020-02-18 International Business Machines Corporation Topological evolution of tumor imagery
CN114764807A (zh) * 2020-12-30 2022-07-19 上海联影医疗科技股份有限公司 冠脉分割方法、装置、计算机设备和存储介质
CN114648514B (zh) * 2022-03-30 2022-11-29 中国人民解放军总医院第二医学中心 一种脑动脉定位提取方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101295404A (zh) * 2008-06-18 2008-10-29 陕西高科医疗信息股份有限公司 虚拟结肠镜的混合组织图像全自动分割方法
CN101515365A (zh) * 2009-03-25 2009-08-26 沈阳东软医疗***有限公司 一种ct影像中的粘连血管型肺结节自动分割方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7194117B2 (en) 1999-06-29 2007-03-20 The Research Foundation Of State University Of New York System and method for performing a three-dimensional virtual examination of objects, such as internal organs
US6331116B1 (en) * 1996-09-16 2001-12-18 The Research Foundation Of State University Of New York System and method for performing a three-dimensional virtual segmentation and examination
US7031517B1 (en) * 1998-10-02 2006-04-18 Canon Kabushiki Kaisha Method and apparatus for segmenting images
JP4087517B2 (ja) * 1998-11-25 2008-05-21 株式会社日立製作所 領域抽出方法
US7477768B2 (en) * 1999-06-29 2009-01-13 The Research Foundation Of State University Of New York System and method for performing a three-dimensional virtual examination of objects, such as internal organs
JP2003079605A (ja) * 2001-09-13 2003-03-18 Fuji Photo Film Co Ltd 異常陰影検出装置
DE102004043676B4 (de) * 2004-09-09 2014-01-09 Siemens Aktiengesellschaft Verfahren zur Visualisierung von Plaqueablagerungen aus 3D-Bilddatensätzen von Gefäßstrukturen
US7995810B2 (en) * 2005-06-24 2011-08-09 The University Of Iowa Research Foundation System and methods for image segmentation in n-dimensional space
JP2007167152A (ja) * 2005-12-20 2007-07-05 Hitachi Medical Corp 磁気共鳴イメージング装置
US7860290B2 (en) 2006-04-21 2010-12-28 Siemens Medical Solutions Usa, Inc. Three-dimensional (3D) modeling of coronary arteries
US8023703B2 (en) * 2006-07-06 2011-09-20 The United States of America as represented by the Secretary of the Department of Health and Human Services, National Institues of Health Hybrid segmentation of anatomical structure
JP2008093243A (ja) * 2006-10-13 2008-04-24 Toshiba Corp Ｘ線ｃｔ装置、医用画像処理装置、医用画像処理プログラム
JP2008104798A (ja) * 2006-10-27 2008-05-08 Ziosoft Inc 画像処理方法
US8014581B2 (en) 2007-02-06 2011-09-06 Siemens Medical Solutions Usa, Inc. 3D segmentation of the colon in MR colonography
US8073217B2 (en) * 2007-11-01 2011-12-06 Siemens Medical Solutions Usa, Inc. Structure segmentation via MAR-cut
JP5536987B2 (ja) * 2008-05-16 2014-07-02 株式会社東芝 画像処理装置
US9679389B2 (en) * 2009-05-19 2017-06-13 Algotec Systems Ltd. Method and system for blood vessel segmentation and classification
US8345974B2 (en) * 2009-07-14 2013-01-01 Hewlett-Packard Development Company, L.P. Hierarchical recursive image segmentation

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101295404A (zh) * 2008-06-18 2008-10-29 陕西高科医疗信息股份有限公司 虚拟结肠镜的混合组织图像全自动分割方法
CN101515365A (zh) * 2009-03-25 2009-08-26 沈阳东软医疗***有限公司 一种ct影像中的粘连血管型肺结节自动分割方法

Also Published As

Publication number Publication date
EP2503940B1 (en) 2020-09-02
BR112012012818A2 (pt) 2016-08-16
EP2503940A1 (en) 2012-10-03
EP2503940A4 (en) 2016-08-03
WO2011063495A1 (en) 2011-06-03
JP2013512010A (ja) 2013-04-11
CA2727736C (en) 2012-04-17
CN102782719A (zh) 2012-11-14
AU2009355844A1 (en) 2012-06-21
KR20120087996A (ko) 2012-08-07
JP5599894B2 (ja) 2014-10-01
CA2727736A1 (en) 2011-03-28
US20120128219A1 (en) 2012-05-24
AU2009355844B2 (en) 2015-07-30
KR101639104B1 (ko) 2016-07-12
US8611622B2 (en) 2013-12-17

Similar Documents

Publication Publication Date Title
CN102782719B (zh) 用于确定管状结构的拓扑支撑的评估的方法和***及其在虚拟内窥镜检查中的使用
US20200327669A1 (en) Automatic image segmentation methods and analysis
US10083515B2 (en) Method and system for segmenting medical imaging data according to a skeletal atlas
CN1663530B (zh) 用于处理图像数据以帮助检测疾病的方法和装置
Li et al. Methodology for generating a 3D computerized breast phantom from empirical data
US20030208116A1 (en) Computer aided treatment planning and visualization with image registration and fusion
US10956635B1 (en) Radiologist-assisted machine learning with interactive, volume subtending 3D cursor
US11238197B1 (en) Generating a 3D dataset containing a simulated surgical device
Dukov et al. Models of breast lesions based on three-dimensional X-ray breast images
CN102763133B (zh) 用于过滤图像数据的方法和***及其在虚拟内窥镜检查中的使用
CN102113016A (zh) 对数据集进行选择***互式处理的方法
US20110052028A1 (en) Method and system of liver segmentation
JP2011505949A (ja) 脳画像データの画像解析
CN108230289A (zh) 基于x线体检正位胸片的计算机辅助诊断***和方法
Sabry et al. A fast automatic method for 3D volume segmentation of the human cerebrovascular
Faliagka et al. Registration and fusion techniques for medical images: Demonstration and evaluation
Rybak et al. Measurement of the upper respiratory tract aerated space volume using the results of computed tomography
Reinhardt et al. Pulmonary imaging and analysis
WO2022070528A1 (ja) 医用画像処理装置、方法およびプログラム
Sluimer Automated image analysis of the pathological lung in CT
Yao et al. Employing anatomical knowledge in vertebral column labeling
Maidment Predrag R. Bakic
Pace et al. Int J CARS (2012) 7 (Suppl 1): S71–S88 S79
Sánchez et al. Breast Modelling For Multi-Modal Mammographic
Ferreira Automatic and accurate segmentation of thoratic aortic aneurysms from x-ray CT angiography

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
C56 Change in the name or address of the patentee
CP01 Change in the name or title of a patent holder

Address after: Quebec

Patentee after: DOG MICROSYSTEMS INC.

Address before: Quebec

Patentee before: Dog Microsystems Inc.