CN102938013A - 医用图像处理装置及医用图像处理方法 - Google Patents

医用图像处理装置及医用图像处理方法 Download PDF

Info

Publication number
CN102938013A
CN102938013A CN2012101070873A CN201210107087A CN102938013A CN 102938013 A CN102938013 A CN 102938013A CN 2012101070873 A CN2012101070873 A CN 2012101070873A CN 201210107087 A CN201210107087 A CN 201210107087A CN 102938013 A CN102938013 A CN 102938013A
Authority
CN
China
Prior art keywords
mentioned
volume data
subject
index
variform
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2012101070873A
Other languages
English (en)
Inventor
伊恩·普尔
西恩·墨菲
吉姆·皮佩尔
科林·罗伯茨
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.)
Canon Medical Systems Corp
Original Assignee
Toshiba Corp
Toshiba Medical Systems Corp
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 Toshiba Corp, Toshiba Medical Systems Corp filed Critical Toshiba Corp
Publication of CN102938013A publication Critical patent/CN102938013A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20216—Image averaging
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

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

Abstract

本发明提供检测解剖学构造的异常的医用图像处理装置。本实施方式涉及的医用图像处理装置具备：存储部，存储正常体数据与被检体的体数据；形态指标计算部，根据上述被检体的体数据，计算多种形态指标；位置对准部，根据上述多种形态指标与上述正常体数据中的正常的多种形态指标，使上述被检体的体数据与上述正常体数据位置对准；异常检测部，通过将根据上述位置对准后的被检体的体数据中的上述多种形态指标与上述正常的多种形态指标而计算出的形态相异度与阈值进行比较，从而检测上述被检体的体数据中的形态异常。

Description

医用图像处理装置及医用图像处理方法
本申请主张2011年8月15日申请的美国专利申请号NO.13/210,053的优先权，并在本申请中引用上述美国专利申请的全部内容。
技术领域
本发明的实施方式涉及医用图像处理装置以及医用图像处理方法。
背景技术
在各种状态的诊断或被检体的状态的解析中，使用体数据变得越来越重要。通常，诊断需要医师或接受了其他的训练的医疗从业者再次讨论医用图像。然而，为了进行基于医师的进一步讨论，通过某些装置，用于识别以及强调可能是异常的区域的自动化的方法、或用于识别以及显示关心区域的自动化的方法能够提高进一步讨论医用图像的效率及速度。与其相关联，开发了各种计算机辅助检测(Computer Aided Detection：以下，称为CAD)的技术。
CAD算法为了检测原发癌以及转移性癌症而应用于肿瘤学。一般而言，CAD算法通过由特定的算法来将特定的病变进行分割及分类而动作。例如，用于CT模拟结肠镜检查的几个既知的CAD技术将结肠内腔进行分割，例如，使用曲率分析来识别结肠壁上的息肉状结构。对于肺CAD的技术通过分割肺而开始，之后，尝试将肺结节进行分割以及建立等级。对于乳腺摄影CAD的技术探索微钙化点簇。然而，既知的解剖学特有的CAD处理器需要异常的病例中的训练。在该训练中，有时难以获得异常的病例。另外，这样既知的解剖学特有的CAD处理器在训练阶段需要非常多的时间以及专家的输入。训练阶段限定于特定的解剖学特征及特定的方式的异常的训练。
生成与解剖学构造、或解剖学构造中的特定的器官相关的多个解剖图谱(以下，称为图谱)。所生成的多个图谱被用于与被检体相关的医用图像的解析或处理中。
通过图像数据确定的特定的解剖学特征通常通过位置对准步骤，与图谱进行位置匹配。为了将医用图像中的特定的解剖学特征的位置排列于针对通过图谱进行定义的多个解剖学特征的标准的位置，在医用图像的数据(以下，称为图像数据)中应用刚性转换或非刚性转换。使用这样的图谱以及位置对准步骤，例如，能够直接比较分别从不同的被检体得到的图像数据。
既知的图谱具有多个体素。多个体素分别具有图像强度(像素值)与位置数据。另外，多个体素分别也可以具有表示图谱中的多个特定的解剖学特征的位置的位置数据。另外，提出了具有与图谱中的图像强度相关联的其他的统计学尺度的情况。
基于体素的形态测量(Voxel Based Morphometric：以下，称为VBM)技术用于比较不同的被检体间的脑结构中的不同。作为位置的函数对每个体素都具有原始的图像强度的体数据与图谱或标准的模板对照。VBM技术能够将从不同的被检体得到的脑图像间进行直接比较。
发明内容
既知的解剖学特有的CAD处理器存在训练阶段中需要非常多的时间及专家的输入，并限定于特定的解剖学特征及特定的方式的异常的训练的问题。
为了解决上述问题，提供一种产生具有正常的解剖学构造、和与多种形态指标相关的统计量的统计图谱，并使用统计图谱来检测解剖学构造的异常的医用图像处理装置。
根据本实施方式涉及的医用图像处理装置，具备：存储部，存储正常体数据与被检体的体数据；形态指标计算部，根据上述被检体的体数据，计算多种形态指标；位置对准部，根据上述多种形态指标与上述正常体数据中的正常的多种形态指标，使上述被检体的体数据与上述正常体数据位置对准；异常检测部，通过将根据上述位置对准后的被检体的体数据中的上述多种形态指标与上述正常的多种形态指标而计算出的形态相异度与阈值进行比较，从而检测上述被检体的体数据中的形态异常。
能够检测解剖学构造的异常，并生成具有正常的解剖学构造和与多种形态指标相关的统计量的统计图谱。
附图说明
图1是表示本实施方式涉及的医用图像处理装置的结构的结构图。
图2是表示图1的实施方式涉及的，统计图谱的生成步骤及异常检查步骤的概要的流程图。
图3是表示图2中的统计图谱的生成步骤的一个例子的流程图。
图4是表示本实施方式涉及的，在统计图谱的生成中所使用的多个正常体数据组的重复的概略的概略图。
图5是表示图2中的异常检测步骤的一个例子的流程图。
图6是针对统计图谱内的位置(以下，称为图谱位置)上的体素，将表示上述图谱位置上的正常的解剖学构造的标本点的分布与所选择的阈值(阈值马哈拉诺比斯距离)同时示出的图。
符号说明
2...处理装置、4...显示装置、6...存储部、7...体数据、8...输入部、10...中央运算处理装置(CPU)、12...纹理特征模块、14...位置对准模块、16...图谱生成模块、18...异常检测模块
具体实施方式
本发明的实施方式涉及的医用图像处理装置，具备：存储部、携带指标计算部、位置对准部、以及异常检测部。存储部存储正常体数据与被检体的体数据。形态指标计算部根据上述被检体的体数据，计算多种形态指标。位置对准部根据上述多种形态指标与上述正常体数据中的正常的多种形态指标，使上述被检体的体数据与上述正常体数据位置对准。异常检测部通过将根据上述位置对准后的被检体的体数据中的上述多种形态指标与上述正常的多种形态指标而计算出的形态相异度与阈值进行比较，从而检测上述被检体的体数据中的形态异常。
根据本实施方式，在检测图像数据中的异常的存在的方法中，提供了一种包含以下步骤的方法：取得表示被检体的图像的图像数据组的步骤，取得表示从多个参照被检体得到的多个正常图像数据组的统计图谱的步骤，将图像数据与统计图谱相比较的步骤、通过确定检测图像数据与统计图谱之间的差而得到的值，从而确定异常的存在的步骤。
本实施方式涉及的医用图像处理装置在图1中示意性地示出，以执行前面的段落所述的方法的方式构成。医用图像处理装置具有与处理装置2连接的、此时与显示装置4连接的个人计算机(PersonalComputer：以下，称为PC)或工作站、存储部6、1个或多个用户输入部8。输入部8具有计算机键盘以及鼠标。
处理装置2包含能够加载以及执行各种软件模块或其他软件组件的中央运算处理装置(Central Procesing Unit：以下，称为CPU)10。在图1的实施方式中，软件模块具有用于根据图像强度数据来确定图像纹理特征(形态指标)的纹理特征模块12。软件模块还具有用于将图像数据对照图谱的位置对准模块14、用于根据包含正常图像数据的数据集合生成图谱的图谱生成模块16、及异常检测模块18。
另外，纹理特征模块12、位置对准模块14、图谱生成模块16、以及异常检测模块18也可以不是软件模块而是硬件。作为硬件的纹理特征模块18是根据被检体的体数据，计算多种形态指标(图像纹理特征)的形态指标计算部。作为硬件的位置对准模块14是位置对准部。作为硬件的图谱生成模块16是正常体数据发生部。作为硬件的异常检测模块18是检测被检体的体数据中的形态异常的异常检测部。
处理装置2也包含硬盘驱动器。在图1的实施方式中，硬盘驱动器存储位置对准过程中所使用的统计图谱(解剖图谱)。
处理装置2包含包括随机存取存储器(Random Access Memory：以下，称为RAM)、只读存储器(Read-Only Memory：以下，称为ROM)、数据总线、各种设备驱动器的操作***、以及包括用于与各种***机器连接的硬件装置(例如，显示卡)的、PC的其他的标准构成要素。为了清晰，这样的标准构成要素在图1中没有示出。
图1的实施方式中的存储部6具有保存例如表示从对于被检体的计算机断层摄影装置(Computed Tomography Scanner：称为CT扫描仪)得到的三维CT值数据的体数据等多个不同的体数据的数据库。动作时，所选择的体数据7为了进行处理而从服务器下载到处理装置2中。图1的实施方式中的存储部6是存储与大量的被检体相关的体数据的服务器，也可以形成医用图像保管通信***(PictureArchiving  Communication System：以下，称为PACS)的一部分。在另一实施方式中，体数据7与从服务器下载相比，也可以存储在处理装置2的存储器内。
图1的医用图像处理装置以执行如图2的流程图所概观地所示的那样的、一系列的处理步骤的方式构成。在第1步骤S1中，处理装置2从存储部6取得从多个参照被检体得到的多个参照体数据组。参照体数据组具有作为位置的函数而具有图像强度(像素值)的体素(或像素)。参照体数据组分别表示基于正常的被检体的解剖学构造的图像数据。另外，参照体数据组分别为了显示基于正常的被检体的解剖学构造的图像数据而通过处理装置2来进行处理。之后，参照体数据组分别为了计算与各体素相关联的多个图像纹理特征(形态指标)而在步骤S2中通过纹理特征模块12来进行处理。并且，参照体数据组分别以包含被计算出的多个图像纹理特征的方式进行更新。在下一步骤S3中，图谱生成模块16及位置对准模块14协作，根据多个参照体数据组生成表示正常的被检体的解剖学构造的统计图谱。
所谓参照体数据组是指具有正常的解剖学构造的体数据组。所谓统计图谱是指例如在位置对准后的参照体数据组中，按每个体素具有多种形态指标(图像纹理特征)各自的平均值、与多种形态指标相关的相关值(协方差矩阵)、与正常的解剖学构造相关的体素值的正常体数据。
之后，统计图谱能够用于检测从被检体得到的体数据(以下，称为被检体的体数据)中的形态异常(以下，称为异常)的存在。此时，在下一步骤S4中，从被检体得到的被检体的体数据通过处理装置2由存储部6取得。或者，从被检体得到的被检体的体数据例如由CT扫描仪(在图1中未图示)等摄像装置直接取得。接着，在步骤S5中，纹理特征模块12计算与被检体的体数据的各体素相关联的图像纹理特征。被检体的体数据以包含被计算出的图像纹理特征的方式进行更新。在下一步骤S6中，异常检测模块18及位置对准模块14协作，使被检体的体数据与统计图谱位置对准。之后，异常检测模块18在步骤S7中，为了检测具有比所选择的异常的似然性(或阈值)大的值的所有的体素，将被检体的体数据与统计图谱相比较。最后，在步骤S8中，处理装置2强调作为异常而检测出的体素，并显示与被检体的体数据相关的医用图像。
在图1的实施方式中，在统计图谱的生成以及接下来的被检体的体数据中的异常的检测双方中，执行特定的过程。这些过程包含以下过程：
1、图像纹理特征的计算(多种形态指标的计算)
2、患者间位置对准(体数据间的位置对准)
3、根据多变量高斯分布的概率的(统计学)距离的计算。
在此，更详细地讨论图2所示的过程的各步骤。与统计图谱的生成相关的步骤也被称为训练步骤或训练阶段。图3提供了更详细地示出训练阶段的外观的流程图。
在第1步骤S1中，取得多个参照体数据组。选择形态及解剖学关心区域。选择来自正常的多个参照体的足够的数N(例如N＝100)的参照体数据组，并从存储部6来取得。
在具有X射线量的影响的CT扫描仪等形态下，难以找到完全正常的体数据组。因此，训练所使用的体数据组可能具有异常的区域。从而，由于体数据组通过基于熟练者的精密检查来排除异常区域，因此，也可以只作为表示正常的解剖学构造的体数据。此时，由于在统计图谱的生成中没有使用所选择的异常区域，因此，不需要正确地切出异常区域。大多数情况下，在生成统计图谱的动机下，不存在覆盖被检体的整体体积的参照体数据组。通常，使用选择的不同的参照体数据组21a、21b、21c、21d、21e、21f。这些不同的参照体数据组分别只覆盖整体体积的1部分，但如图4所示意性地所示的那样，作为整体覆盖整体体积。
在下一步骤S2中，针对参照体数据组各自的各体素，通过纹理特征模块12计算纹理特征(多种形态指标)。例如，各种纹理状的特征能够根据各体素的局部附近的图像值来进行计算。存在可能性的特征包含以下情况(但是，并不限定于此)：
·多个尺度下的梯度大小
(多个尺度下各体素的相邻区域的多个体素的梯度的大小)
·多个尺度下的梯度向量(例如x、y、z梯度分量)
·来自共生矩阵的统计量
·例如，根据哈尔纹理特征等各体素附近的强度的小波转换的特征。
图像纹理特征能够对于所输入的多个参照体数据组，直接进行计算。一般而言，图像纹理特征成为分别针对N个参照体数据组而不同的尺度(mm/像素)。因此，重要的是，与图像纹理特征相关的空间参数(用于计算梯度的高斯核大小等)不是由像素单位，而是由毫米单位来进行指定。
存在能够使用的数十个可能的图像纹理特征或其他的能够使用的图像特征。最适合于针对特定的数据组或解剖学构造的异常检测、或统计图谱的生成的图像纹理特征也能够以以下更详细地论述的方式来选择。在上述的解析中，对各体素提供M个图像纹理特征或其他的特征。因此，针对参照体数据组n个中的各体素i，计算图像纹理特征向量(以下，称为特征向量)xn，1，各特征向量具有大小M(M个分量)。
在下一步骤S3中，统计图谱根据多个参照体数据组生成。参照体数据组也被称为训练数据组。为了生成统计图谱，N个参照体数据组相互进行位置匹配(通过刚性及非刚性位置对准)。
在各体素i中能够利用多个特征(例如图像纹理特征)。统计图谱在各自的体素i中，维持M×1平均向量μi以及M×M协方差矩阵∑i。M×1平均向量μi以及M×M协方差矩阵∑i根据Ni个采样来推定。Ni个采样在其图谱位置(统计图谱内的位置)相互(通过刚性及非刚性位置对准)进行对准。被参照体组所覆盖的体整体，不一定在该点进行重复，和/或，几个体素也可能作为异常而被隐藏，因此，在某种情况下，Ni也可以比N(训练体(参照体数据组)的总数)小。当Ni小时，例如，当Ni＜M的情况下，由于∑i非正规，因此可能不可逆。如果发生这种情况，则能够使用协方差加权。或者，能够将∑i置换成涵盖整体体积(被参照体数据组覆盖的整体体积)地进行推定的∑global。因此，对于各图谱体素(统计图谱中的多个的体素各自)维持被匹配的体(位置对准后的参照体数据组)中的图像纹理特征的多变量高斯模型。
平均向量与协方差矩阵(统计学特征量)分别针对统计图谱中的体素进行计算。具体而言，在多个参照体数据组中，分别针对统计图谱中的体素i和相同位置的多个体素中的图像纹理特征，计算平均值。由此，针对体素i，将M个图像纹理特征的平均值作为M×1的平均向量μi，存储在体素i中。根据体素i中的M个纹理特征，计算M×M协方差矩阵∑i。
为了生成统计图谱，N个参照体数据组必须相互位置对准。即，针对各参照体数据组k，k＝1...N，计算用于使k的坐标映射到共通的图谱坐标系的转换Tk，Tk：R3→R3。为了实现该转换，存在包含刚性及非刚性位置对准的大量的方法。可以使用任一适当的方法，但为了确定转换，在此，针对2个变形例的方式简单地进行说明。转换Tk与从三维实际空间向三维实际空间的映射(R3→R3)相对应。
为了逐步地生成统计图谱S，第1变形例的方法是反复地使各参照体数据组位置对准的方法。该方法具有2个环节。在第1环节中，作为开始点，统计图谱S与多个参照数据组中的任一个k1一致地使用。其他的参照数据组分别依次与统计图谱位置对准。参照数据组分别与统计图谱位置对准之后，统计图谱包含该转换后的参照体数据组地进行更新。在图2的实施方式中，如上述那样，统计图谱在各体素中维持根据位置对准后的参照体数据组推测出的M×1平均向量μi以及M×M协方差矩阵∑i。有益于平均向量及协方差矩阵的参照体数据组的数量1个个地增加，最终所有的参照体数据组都被位置对准，并包含在图谱S中。第1环节可以如以下那样地表示。
S＝k1
针对从n＝2到N
使Tn←Kn位置对准S
对S追加S←Tn(Kn)
换而言之，在第1环节中，作为环节的开始点中的统计图谱，选择多个参照体数据组中的任1个(k1)。接着，其他的多个参照体数据中的1个(k2)与统计图谱k1位置对准。通过该位置对准，确定用于使k2映射到S(k1)的转换T2。使用转换T2，将k2映射到S(k1)，并对S(k1)追加k2。由此，将S(k1)更新为S(k2)。此时，分别针对S(k2)中的多个体素，更新M×1平均向量μi、M×M协方差矩阵∑i以及统计图谱S(k1)的体素值。在第1环节中，重复位置对准以及统计图谱S的更新所涉及的处理N-1次。另外，转换T2例如不是以参照体数据中的体素单位，而是以与参照体相关的尺度(例如mm)单位来确定。由此，分别在多个参照体数据组中，即使对于参照体的比例尺变得不同，也能够进行位置对准。
之后，执行第2环节，即将多个参照体数据组各个k再次与使用第1环节所生成的统计图谱S位置对准。并且，对于多个参照体数据组各个k，统计图谱S使用被转换后的参照体数据组进行更新。在第1环节中，由于通过将参照体数据组映射到统计图谱S来更新统计图谱S，因此，用于将参照体数据映射到统计图谱的转换在大多数情况下，与第1环节中的转换稍稍不同。第2环节能够以下那样表示。
针对从n＝1到N
使Tn←Kn位置对准S
置换S←S中的Tn(Kn)
如果希望，例如也可以将第2环节重复多次，直到统计图谱集中到能够允许的水平的变动内。
换而言之，第2环节针对多个参照体数据组的数量，执行以下说明的步骤。另外，例如也可以重复第2环节，直到基于将对S追加的(Kn)置换成在第2环节中重新确定的Tn(Kn)的统计图谱的变动范围集中到规定的变动范围。第2环节对于通过第1环节所生成的统计图谱S，再次对多个参照体数据组进行位置对准。通过再次进行位置对准，从而确定用于将参照体数据组ki映射到统计图谱S的转换Ti。统计图谱S所包含的ki将参照体数据组ki置换成转换后的Ti(ki)。该置换针对所有的参照体数据组ki(i＝1...N)而执行。
在图2的实施方式中，对统计图谱的参照体数据组的位置对准通过使马哈莱诺比斯距离(形态相异度)最小化，从而在极大似然法框架中执行。对于成为与统计图谱S相关的参照体数据组的候补的任何位置对准，都能够根据平均向量以及协方差矩阵，以各体素来计算马哈莱诺比斯距离。
Di＝((xi-μi)’∑-1(xi-μi))1/2
在此，xi是浮动体数据组(被位置对准的参照体数据组)的体素i中的特征向量。
所谓特征向量是指将通过形态指标计算部(纹理特征模块18)计算得到的多种形态特征作为分量的向量。
直观上，Di表示在统计图谱中参照的采样与xi在统计上有多么不同。Di形成类似性测度(形态相异度)。一变量的情况下(M＝1)，Di减少到根据平均值的标准偏差的数量。
不管使用哪一类似性方法，基于图2的实施方式的位置对准都包含刚性位置对准步骤、与接下来的非刚性位置对准步骤。刚性位置对准以9个刚性转换参数(3个并进、3个尺度(scales)、3个旋转)为前提，伴随着将每个体素的平均的类似性最优化。在图2的实施方式中，使用鲍威尔最小化，但在代替实施方式中也能够使用任一适当的最优化处理。
换而言之，例如，根据参照体数据中的多个体素各自的特征向量、与统计图谱中的多个体素各自的平均向量以及协方差矩阵，计算马哈莱诺比斯距离。以使得马哈莱诺比斯距离变为最小的方式，来确定符合参照体的实体尺度(例如mm等)的刚性转换的参数。
非刚性阶段需要类似性测度的局部的最优化。在图2的实施方式中，使用与2003年的基于WR Crum们的计算机·科学的讲义笔记、非刚性位置对准中的信息逻辑的类似性测度(InformationTheoretic Similarity Measures in Non-Rigid Registration)所记载的内容类似的密度场框架。总之，弯曲位置上的“力”根据类似性测度中的梯度来进行计算。梯度根据中心差分，来进行数值计算。弯曲位置的正规化通过在对平滑化后的累积弯曲位置施加之前而应用于力场的高斯平滑化函数来实现。该过程一直重复直至收敛。平滑化的两个步骤分别保证在弯曲位置的复杂的情况下，实现“粘性流体”以及“弹性体”约束条件的形态，且为不可逆的。
在讨论使用表示正常的解剖学构造的统计图谱S的异常的检测中的使用之前，叙述生成统计图谱S的代替方法。
构筑统计图谱S的代替方法使用传统的位置对准方法。假设虽然变得重复，但能够在各体素利用M个特征(例如图像纹理特征)。选择N个参照体数据组中的1个来作为基准。其余的N-1个参照体数据组使用任一个适用于与得到的形态相关的患者间位置对准的位置对准战略，分别与基准位置对准。其通常伴随刚性位置对准阶段(并进、尺度(scale)、及旋转)及非刚性位置对准阶段。为了确定位置对准步骤间最优化的测度(类似性测度、形态相异度)，使用互信息技术。
互信息(Mutual Information：以下，称为MI)一般经由联合直方图来计算。然而，由于MI需要输入这样(图像纹理特征)的多变量，因此不实用。因此，使用与基于协方差法的MI相关的、更易于计算的、便利的类似性(类似性测度、形态相异度)。
上述的MI法提供确定统计图谱S的代替方法，但根据基于马哈莱诺比斯距离的对统计图谱S的位置对准的第1方法被发现实际上与MI法相比较能够提供付加的优点。
例如，由于MI在被检体的体整体上统一进行计算，因此，MI对不同的解剖学构造中的强度关系的变动迟钝。另一方面，马哈莱诺比斯距离法对这样的变动敏感。此外，MI法只在被由选择出的成为基准的参照体数据组所占据的体的区域中，能够导出正确的转换(例如，包含刚性及非刚性阶段双方)。在MI法中，可能不能发现覆盖所有的能够利用的参照体数据组的结合的足够大的参照体数据组。相比较而言，马哈莱诺比斯距离法能够涵盖通过参照体数据组来表示的所有的区域来提供正确的转换。另外，在MI法中，需要任意选择用于基准用的参照体数据组。
不管使用哪一统计图谱生成方法，训练阶段的最终步骤都具有根据最大的N个能够利用的参照体数据组，对于统计图谱的各体素，得到平均向量μi及逆协方差矩阵∑i -1的过程。伴随着马哈莱诺比斯距离法的最小化的方法的附加的优点在于，作为统计图谱生成方法的一部分已经取得了平均向量以及逆协方差矩阵，因此，能够根据情况削减计算负荷以及处理时间。相比较而言，在MI法中，为了计算平均向量以及协方差矩阵，还要求重要的处理步骤。
之后，统计图谱S也可以用于任一所希望的目的。例如，如果希望，也可以对于用户显示统计图谱S或从统计图谱S所选择出的任一个参照体数据。统计图谱S表示根据多数参照被检体确定的正常的解剖学构造，为了确定正常的解剖学构造也表示相关的图像强度数据、各种图像纹理特征(多种形态指标)、及被检体间的上述强度或图像纹理特征的方差。从而，统计图谱S能够对各种诊断目的、作为基准的使用、或为了医疗或其他医疗从业者的训练发挥作用。
对于表示正常的解剖学构造的统计图谱S的特别有益的使用之一在于，如与图2相关联地像之前简单地记载的那样，检测从患者或其他被检体得到的被检体的体数据中的异常。在此提供这样的异常检测的详细记载。图5提供将检测阶段示意性地详细地示出的流程图。
在检测阶段的第1步骤S4中，从被检体取得被检体的体数据，在步骤S5中，纹理特征模块12针对被检体的体数据的各体素，计算图像纹理特征(多种形态指标)。为了生成统计图谱S，计算与对于参照体数据组计算出的纹理特征相同的图像纹理特征(多种形态指标)。之后，被检体的体数据以使得具有计算出的图像纹理特征(多种形态指标)的方式进行更新。
在下一步骤S6中，被检体的体数据与统计图谱S位置对准。位置对准过程通过位置对准模块14来执行。位置对准过程具有刚性及非刚性位置对准阶段。位置对准过程是分别针对位置对准后的体素，再次基于被检体的体数据中的多个体素、与统计图谱S中的多个体素之间的马哈莱诺比斯距离的最小化而进行的。用于使被检体的体数据与统计图谱S位置对准的位置对准过程，与用于在统计图谱S的生成中使各个参照体数据组与统计图谱S位置对准的过程相同或类似。
位置对准过程归结于将通过被检体的体数据来表示的体中的坐标j，映射到对应的图谱坐标系的图谱坐标i的转换T：R3→R3。转换T与从三维实际空间到三维实际空间的映射(R3→R3)对应。
在下一步骤S7中，异常检测模块18为了也检测比与异常的情况相关的、所选择的似然性(阈值)大的所有的体素，将位置对准后的被检体的体数据与统计图谱S相比较。异常检测步骤S7包含以下那样的一系列的过程：
针对被检体的体数据中的各体素j：
(a)鉴定在图谱空间(图谱坐标系)中对应的点i＝T(j)，选择平均向量μi及协方差矩阵∑i -1；
(b)确定xj、与通过μi及∑i -1表示的分布之间的马哈莱诺比斯距离Dj；
(c)确定可以看到其(所确定的马哈莱诺比斯距离)的概率、或较不类似的观测(或者，参照异常值的概率)；
(d)确定对于体素(点)的异常值的概率是否比所选择的阈值大。当异常值的概率比阈值大时，(被检体的体数据中的)体素以表示可能的异常的方式示出。
在图2的实施方式中，各点的异常值的概率使用霍特林的T2统计来确定。霍特林的T2统计是一变量t检测的多维的一般化。当对于根据足够大的采样推定出的分布检测单一的M维采样时，关于马哈莱诺比斯距离的平方Dj2，减少到具有自由度M的χ2函数。因此，对于马哈莱诺比斯距离的阈值也可以设定为特定的M以及所选择的假阳性动作阈值(False positive operating threshold)。假阳性动作阈值在几个实施方式中，通过操作者来选择。
如果选择高的假阳性动作阈值，则表示可能的异常的更多的点可能通过过程来进行检测。但是，实际上，它们中的几个实际上不表示异常的可能性变大。如果选择低的假阳性动作阈值，则表示可能的异常的更少的点可能通过过程来进行检测。但是，所有的点实际上都表示异常的可能性变得更大。
所选择的阈值如图6所示的那样，将椭圆形状定义为表示“正常”的特征空间。图6表示对于1个图谱位置的特征空间。来自在图谱位置表示正常的解剖学构造的多个参照体数据组的采样点由+的标志来表示。虚线表示所选择的阈值D相等的马哈莱诺比斯距离的等值线。在被检体的体数据中与图谱位置对应的体素下计算出的特征向量由X来表示。此时，知道点X具有比所选择的阈值马哈莱诺比斯距离D大的马哈莱诺比斯距离Dx，从而，与该图谱位置对应的被检体的体数据中的体素被识别为表示异常的潜在的可能性。
所谓特征空间，是指将统计图谱S中的分别与多个体素相对应的多个参照体数据组中的多个体素中的图像纹理特征(多种形态指标)的分布，以与图像纹理特征(形态指标)相关的参数(基于主分量分析的正交的参数)的值为轴来表示的分布空间。例如，当图像纹理特征为M时，特征空间变为M维空间。图6表示图像纹理特征(形态指标)的项目为两种时(f1，f2)的特征空间。另外，作为特征空间的轴，也可以作为图像纹理特征(形态指标)各自的值。
对于被检体的体数据中的各体素重复过程(a)至(d)，其结果生成作为表示异常的潜在的可能性而检测出的体素的集合。被检测出的体素形成在图谱空间中被分割出的区域。在若干实施方式中，例如使用不相交集合算法(disjoint setsalgorithm)或其他适当的方法，来执行连接分量解析。或者，为了抑制来自孤立的体素的响应，应用马尔可夫平滑化处理(Markov smoothing)。其结果生成零以上的异常的候补区域。作为用户的选择，关于多个点，也可以抑制具有比通过用户进行定义的阈值小的阈值的区域。
异常的候补区域通过应用逆转换T-1，从而被映射为返回到被检体的体数据的空间。之后，被检体的体数据利用与示出可能表示异常的情况的几个体素相关联的标志来进行更新。
之后，被检体的体数据也可以对于操作者来进行显示。被确定为表示异常的位置也可以对于用户强调显示。也能够使用强调显示异常的位置的任一适当的方法。例如，异常位置也可以用与其他的位置不同的颜色(例如红色)，或者比其他的位置亮的颜色来进行显示，或者也可以在异常区域的周围画线。在一个动作模式下，成为候补的异常区域(以下，称为异常候补区域)通过对于具有由矩形所包围的候补区域的关联的二维图像进行滚动，从而以区域内的尺寸或合计马哈莱诺比斯距离的顺序(按从大到小的顺序)，对于用户进行显示。另外，也可以使用任一适当的显示方法。
在一实施方式中，提供具有滑块的操作接口。滑块也可以***作者用于选择假阳性动作阈值。显示被检体的体数据。为了选择更低或更高的阈值，操作者滑动滑块时，以示出异常候补区域的方式，在显示图像上强调更多的或更少的位置。这能够提供一种操作者控制假阳性率，并显示与异常相关的潜在的区域的这样的特别有益的方法。
上述的实施方式能够在医疗数据库中，在体素级别下鉴定与异常相关的广的范围。上述的实施方式提供了根据图像纹理特征、患者间位置对准、以及概率的距离测度的计算机辅助检测(CAD)形态。对于所选择的图像诊断法及解剖学区域(也可能是全身)，本实施方式能够以某些方法来强调异常的可能性高的连续的体素。***是全自动式，对于现在的硬件上的典型的数据组，本实施方式中的处理可能会合理地花费几分钟。与所记载的实施方式相关的方法中的特定的值是与能够检测的异常的一般性相关的值。在本实施方式中，只要求训练用的参照体数据组。实施方式将讨论CAD问题的方法作为根据正常分布的异常值的检测之一来使用。由于这是没有被监视的图案识别问题，因此，不使用特定的真实数据(ground truth)，只需要参照体数据组。从而，与选择表示正常的解剖学构造的体数据组不同，即使在训练阶段间需要专家的输入，也很少。
所述的实施方式的优势事实上特别在于为了各解剖学区域而训练分类器。解剖学构造分别具有多个构造的边缘或表面。解剖学构造分别具有一般较大地不同的图像纹理特征。这只是位置对准算法有效的情况。在身体中非常复杂且重要的部位(肠道等)中，位置对准可能更不可靠。然而，方法的另一优势是，自然地适应(减少)这些区域中的灵敏度，并将该特异度维持一定。即，在位置对准不准确的位置(肠道、或小血管等)对图谱空间的对应变为无秩序状态。从而，由于计算出的分布具有大的范围，因此，遗漏变多，灵敏度降低，但计算出的马哈莱诺比斯距离一般变小，从而，由于假阳性信号(假阳性率)不会比其他的位置高，因此，维持特异度。
特异度能够通过阈值来进行控制，原则上，至少阈值与特异度直接相关。从而，与其说是由于特异度基于阈值的设定，还不如说是不能进行校正的尺度。另一方面，与任意特定的病变相关的灵敏度针对任一CAD***，都可以只通过对于真实数据的适当的试验来决定。因此，虽然能够设定特异度，但由于灵敏度与未知的真实数据逆相关，因此发生变化。如果改善位置对准算法、或图像纹理特征的计算，则灵敏度对于所提供的特异度的设定(通过继续再训练)来进行改善。
被专用于某特定的解剖学特征的几个既知的解剖学固有的监督学习算法，是基于通过接受了训练的医疗从业者的协作而得到的针对该特定的解剖学特征(例如，心脏、肝脏、肾脏)的异常数据的训练用集合(参照体数据组)的算法，在检测有无与该特定的特征相关的异常中，最终可能变得更准确。然而，与所述的实施方式相关的特别的优势在于，在任一类型的解剖学特征中都能迅速地检测大量的不同类型的异常，并示出对于患者或图像数据(被检体的体数据)需要额外注意或诊断分析的情况。如果需要，附加的解剖学特有的监督学习算法也可以应用于针对示出通过所述的实施方式来表示异常的可能性的数据而选择出的部分。
本实施方式中的方法也能够作为用于报告偶尔的观察的辅助来使用。例如，当以详细地观察被检体的解剖学构造的特定部位等其他的目的来对于被检体执行CT或其他扫描时，为了判断图像数据中是否存在某些异常，所取得的图像数据(被检体的体数据)作为习惯的背景确认，也可以与统计图谱相比较。方法也可以用于最初再次讨论例如外伤图像诊断、或通过心脏专家进行的CT冠动脉造影等图像数据的不是放射学的情况。
作为能够使用所记载的实施方式准确地进行检测的异常的例子，可以列举出动脉瘤、大动脉的钙化或高度狭窄、肺、肝脏、或脑的高恶性度肿瘤、若干先天性异常、之前的手术的位置(例如被切除的肾脏)、重度的骨折、器官萎缩(例如脑的)以及其他的慢性疾病的恶化的兆候(例如骨变性、由于左心室不全的心肥大)、或使用复杂且广范围的图像表现的病演变的鉴别诊断的要素，但并不限定于此。
方法需要针对各体素确定若干特征，并对其执行多变量解析。如上述的那样，例如，存在数十图像纹理特征等能够使用的大量的可能的特征。为了提高保管效率，以及更重要的是为了回避统计的过拟合，使用被限定了的数量的特征(形态指标)。原则上，特征选择也可以分别针对成为参照的统计图谱中的多个体素(以下，称为参照图谱体素)而单独地执行。然而，为了提高效率性，通常分别针对统计图谱中的多个体素使用相同的特征集合(图像纹理特征、多种形态指标)。由此，将能够回避需要保存各体素的特征识别子的情况，有效地计算特征。
由于为了计算M×1平均向量以及M×M(左右对称)协方差矩阵，使用了最大的N个参照体数据组，因此，具有每体素M+M(M+1)/2个的参数(形态指标)。例如，当M＝4时，由于变为14个特征，因此，可靠地预测需要大致150个采样(依照经验规则，或者针对所预测出的各参数需要10个采样)。特征选择是被经常研究的主题。在该案例中，优选以使统计图谱中的多个体素间的统计学重复最小化的方式来选择特征，使得为了识别解剖学位置，进而识别病变而具有最大的能力。
代替特征选择就是计算多个L的特征，之后根据主分量分析将维数减少到M个正交的特征。这需要为了各基准图谱体素而保管M×L射影行列。由于在使用时必须计算所有的L个特征，因此，较花费计算时间，但根据情况，可能会得到进一步的准确性或灵敏度。
与所有的被训练出的算法相同，越限定训练以及使用的数据，越提高精度。因此，统计图谱也可以专用成性别、年龄层、或民族性。训练数据集合(参照体数据组)以及患者图像数据集合(被检体的体数据)都使用相同的扫描仪模型而得到的那样，对特定的扫描仪模型的专用也可能有益。训练过程是自动的，只需要正常数据集合(参照体数据组)，从而，这样的专用化是有益的。被专用化的元参数的选择能够在执行时间通过操作者来进行。然而，在所实现的统计偏差的减少、与根据小型化的训练集合(参照体数据组)生成的偏差的增加(过拟合)之间，有时相矛盾。
当元数据是顺序值(ordinal value)(年龄或体重等)时，它们被作为共通的、附加的特征编入数据集合的所有体素，这样回避形成离散部分集合的必要性。
有益于统计图谱的N个参照体数据组通常分别覆盖不同的解剖学区域，并以不同的空间尺度来取得。另外，(参照体数据组中的)体素通常不是立方体。因此，没有统计图谱被保管的明确的分辨率。选择统计图谱的尺度(即分辨率)时，需要考虑必要的数据存储的用量、以及过拟合的危险性。
假定明确地选择M个特征(不使用主分量分析)，则平均向量及逆协方差矩阵需要为了统计图谱内的各体素而进行保存。正在讨论的解剖学区域例如也可以覆盖300mm×300mm×300mm。例如5mm的图谱分辨率产生603＝216，000个图谱体素，这易于处理。典型的数据集合(参照体数据组)也可以以例如每体素1mm的分辨率来取得。具有N＝100个参照体数据组时，存在有益于各图谱体素的最大53×100＝12,500列(部分相关联)的体素。因此，过拟合不会成为问题。
分别针对参照体数据组中的体素以实际尺度(例如mm单位)，来与图谱尺度的选择没有关系地计算图像纹理特征及其结果产生的马哈莱诺比斯距离。因此，本说明书所述的参数的削减不与元数据的下采样同等。只使通过图像纹理特征可也看到细小的细节。模型参数能够通过补偿为了部分体素而取得。协方差矩阵的情况下，补充能够使用欧几里德算法来执行。
图2的实施方式与被检体的体数据中的异常的自动检测相关联地进行了记载。关联的用途在于，以通过在任一用户选择图上提示正常解剖学构造的图像的例子，从而视觉上评价与被检体相关的图像是正常还是异常的方式，来帮助临床医生(有时是研修生)。例如，为了关于脊椎使某些可疑的形态可视化而选择了特定的MPR(根据情况的不同而倾斜)时，“正常性的显示”工具也可以将例如来自4cm×4cm四方的参照体数据组的对应的数据的图置换成与现在的数据集合一致的尺度及方位。
另外，能够提示正常性的几个例子(在执行时间能够利用参照体数据组以及位置对准弯曲位置时)。当通过用户接口存在用户的命令时，***能够以滚动的方式，例如，选择5个示例性的图像或图像的部分。如之前的段落所述的那样，被作为对象的各示例性图像或图像的各部分能够与所显示出的图像的剩余图像相对照。例如，少数的例子能够以捕捉尽可能大的范围内的正常变动的方式，以使特征空间的生成(已经测定出的图像纹理特征)最小化的方式，来进行选择。
在与图2相关联地在前所记载的动作模式下，针对参照体数据组以及被检体的体数据双方使用CT图像数据，在统计图谱生成以及异常检测中所使用的多变量特征(多种形态指标)是与CT值相关的图像纹理特征。然而，例如，也能够使用正电子发射计算机断层摄影装置(Positron Emission  computed Tomography：以下，称为PET)或磁共振成像装置(Magnetic  Resonance Imaging：以下，称为MRI)等任一适当的图像诊断法。另外，为了根据综合的多模式的图像数据组(以下，称为综合多模式图像数据组)来生成统计图谱，还为了检测其中的异常，也能够使用所记载的实施方式。
对PET/CT或多序列(multi-sequence)MRI等的这样的综合多模式图像数据组的扩大可以是直接的。基于多序列MRI的数据组可以包含例如T1加权、T2加权、或FLAIR数据组的任一个适当的组合等的任一个适当的数据组的组合。
综合多模式图像数据组通常为了使被检体的运动为最小限度，并且可以通过非刚性位置对准来进行修正，而由不空出间隔连续地取得的多个体数据组构成。之后，图像纹理特征针对各体数据组进行计算，并在各体数据组中增加能够利用的模式向量。PET信号是肿瘤成长强力的标识，但在PET/CT的情况下，这需要专用于解剖学的方法来解释，例如，应该忽视来自膀胱的PET信号。在PET/CT中所使用的本发明的方法没有使用特别的规则，而必然地将其实现。例如，与膀胱区域相关的统计图谱针对正常的解剖学构造，在从膀胱区域取得的PET信号中发现大的偏差。从而，以针对正常的解剖学构造的来自膀胱的PET信号的广泛分布为前提(从膀胱得到的PET信号的对于马哈莱诺比斯距离的阈值变得非常大)，方法根据从检查对象的被检体的膀胱所诊断出的PET信号，没有示出膀胱区域的任何异常的可能性很高。
MRI检查经常为了多序列而被取得。包含T1及T2加权双方的、例如基于多序列的体数据的取得为了改善脑内的灰白质(GreyMatter：GM)、白质(White Matter：WM)、及脑脊髓液(Cerebral-Spinal-Fluid：CSF)的识别而示出。因此，当在统计图谱的生成中所使用的各体素的特征是T1及T2加权MRI图像特征时，也可以检测到GM/WM/CSF分布的异常模式。同时使用的T1及T2加权取得也为了识别多发性硬化症而示出。
在图1及2的实施方式中，***最初生成统计图谱，接着，为了检测异常而使用统计图谱。一般而言，统计图谱在事前生成，例如，保存在存储部6中。之后，统计图谱为了检测被检体的体数据中的异常，或为了训练或其他的目的，能够提供给图像取得或处理装置2。
图2的实施方式与体数据组相关联进行了记载。所记载的方法还能够用于根据二维数据组的统计图谱的生成，或二维数据组中的异常的检测。
对二维数据组特别有益的应用是在定位图像数据的解析中。进行CT摄影时，图像摄影中的最初的图像数据组经常根据单一的角度或角度集合，对于被检体来执行。摄影通常包含X射线源以固定角度位置对患者被检体的X射线投影摄影。这样的最初的摄影(以下，称为初期摄影)输出或分辨率较低的情况较多。初期摄影被称为定位图像摄影。结果得到的图像被称为定位图像。定位图像与现有的X射线图像类似。操作者一般为了鉴别对于摄像装置的被检体的位置，并鉴别特定的解剖学特征或区域的大致位置，而观察定位图像。接着，由于操作者为了进行之后的特定的解剖学区域的更准确或更高的射线量的摄影而设定摄像装置，因此使用该信息(定位图像)。
在进一步的实施方式中，统计图谱根据从正常的解剖学构造得到的CT定位图像数据组而被生成。统计图谱被保存在与CT摄像装置相关联的控制终端中。动作时，定位图像通过CT摄像装置来从被检体取得。定位图像如与图2相关联地在前所记载那样，与统计图谱相比较，定位图像内可能存在异常的区域通过比较来鉴别。与显示强调了异常区域的定位图像一样，CT摄像装置的控制终端也可以自动地确定用于针对被检测出的异常区域的、更详细的摄影的动作参数。更详细的摄影也可以通过用户接口，由终端来对操作者进行启示。当操作者选择了更详细的摄影时，控制终端使用自动确定的动作参数来继续摄影。
马哈莱诺比斯距离作为在统计图谱的生成及异常的存在的检测中使用的统计学距离来使用。如论述的那样，马哈莱诺比斯距离在该文章中变得特别有用，但是如果希望，也能够使用其他的统计学距离。
在本说明书中记载了特定的模块，但在代替的实施方式中，这些模块中1个以上的功能性也能够通过单一的模块或其他的组件来提供，或者通过单一的模块所提供的功能性能够通过合并的2个以上的模块或其他组件来提供。
本发明的技术人员理解，实施方式通过软件来实现特定的功能性，另一方面，该功能性只通过硬件(例如，通过1个以上的ASIC(面向特定用途的集成电路))，或通过硬件与软件的混合也能够实现。
虽然说明了本发明的几个实施方式，但这些实施方式是作为例子而提示的，并不意图限定本发明的范围。这些实施方式能够以其他的各种形态进行实施，在不脱离发明的要旨的范围内，能够进行各种的省略、置换、变更。这些实施方式或其变形与包含于发明的范围或要旨中一样，包含于权利要求书记载的发明及其均等的范围中。

Claims (16)

1.一种医用图像处理装置，其特征在于，具备：
存储部，存储正常体数据与被检体的体数据；
形态指标计算部，根据上述被检体的体数据，计算多种形态指标；
位置对准部，根据上述多种形态指标与上述正常体数据中的正常的多种形态指标，使上述被检体的体数据与上述正常体数据进行位置对准；和
异常检测部，通过将根据上述位置对准后的被检体的体数据中的上述多种形态指标与上述正常的多种形态指标而计算出的形态相异度与阈值进行比较，从而检测上述被检体的体数据中的形态异常。
2.根据权利要求1所述的医用图像处理装置，其特征在于，
上述形态指标计算部根据上述被检体的体数据中的多个体素各自的体素值与各个上述体素的附近体素的体素值，来针对上述多个体素的每个体素计算上述多种形态指标。
3.根据权利要求1所述的医用图像处理装置，其特征在于，
上述位置对准部进行以下处理：
基于上述多种形态指标与上述正常的多种形态指标，根据上述被检体的体数据相对于上述正常体数据的相对位置，来计算上述形态相异度，
使上述被检体的体数据与上述正常体数据进行位置对准，使得上述形态相异度变为最小。
4.根据权利要求1所述的医用图像处理装置，其特征在于，
上述形态相异度的计算与上述形态指标的计算根据上述正常体数据与上述被检体的体数据中的实体的尺度进行计算。
5.根据权利要求1所述的医用图像处理装置，其特征在于，
上述位置对准部使用上述正常体数据与上述被检体的体数据中的实体的尺度，进一步使上述被检体的体数据与上述正常体数据进行位置对准。
6.根据权利要求1所述的医用图像处理装置，其特征在于，
上述正常体数据具有正常的解剖学构造。
7.根据权利要求1所述的医用图像处理装置，其特征在于，
上述形态相异度是马哈莱诺比斯距离。
8.根据权利要求1所述的医用图像处理装置，其特征在于，
上述正常体数据具有根据分别与多个参照被检体对应的多个参照体数据组而计算出的上述多种形态指标的每种形态指标的平均值、和与上述多种形态指标相关的相关值。
9.根据权利要求2所述的医用图像处理装置，其特征在于，
上述多种形态指标在上述附近体素中，是体素值的平均值、体素值的梯度的大小、表示上述梯度的向量、以及与小波转换相关的哈尔纹理特征量中的至少一个。
10.根据权利要求1所述的医用图像处理装置，其特征在于，
上述被检体的体数据是由计算机断层摄影装置、核医学诊断装置以及磁共振诊断装置中的至少一个形成的体数据。
11.根据权利要求1所述的医用图像处理装置，其特征在于，
上述位置对准部使用刚性位置对准步骤与非刚性位置对准步骤中的至少一个来执行上述位置对准。
12.根据权利要求1所述的医用图像处理装置，其特征在于，
上述异常检测部针对上述被检体的体数据，确定检测出上述形态异常的区域。
13.根据权利要求1所述的医用图像处理装置，其特征在于，
该医用图像处理装置还具备显示部，该显示部强调显示根据上述被检体的体数据而形成的医用图像中的上述形态异常被检测出的区域。
14.根据权利要求1所述的医用图像处理装置，其特征在于，
该医用图像处理装置还具备输入部，该输入部将与上述被检测出的形态异常相关的假阳性率作为上述阈值进行输入。
15.一种医用图像处理装置，其特征在于，具备：
存储部，存储分别与多个参照被检体对应的多个参照体数据组；
形态指标计算部，根据上述参照体数据组来计算多种形态指标；
位置对准部，使用上述多种形态指标，使上述参照体数据组相互位置对准；和
正常体数据形成部，根据上述参照体数据组，形成具有上述位置对准后的参照体数据组中的相同位置的上述多种形态指标的每种形态指标的平均值、和与上述多种形态指标相关的相关值的正常体数据。
16.一种医用图像处理方法，其特征在于，具备：
存储正常体数据与被检体的体数据；
根据上述被检体的体数据来计算多种形态指标；
根据上述被检体的体数据中的上述多种形态指标与上述正常体数据中的正常的多种形态指标，使上述被检体的体数据与上述正常体数据进行位置对准；
通过将根据上述位置对准后的被检体的体数据中的上述多种形态指标与上述正常的多种形态指标而计算出的形态相异度、和阈值进行比较，从而检测上述被检体的体数据中的形态异常。
CN2012101070873A 2011-08-15 2012-04-12 医用图像处理装置及医用图像处理方法 Pending CN102938013A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US13/210,053 US20130044927A1 (en) 2011-08-15 2011-08-15 Image processing method and system
US13/210,053 2011-08-15

Publications (1)

Publication Number Publication Date
CN102938013A true CN102938013A (zh) 2013-02-20

Family

ID=47696909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012101070873A Pending CN102938013A (zh) 2011-08-15 2012-04-12 医用图像处理装置及医用图像处理方法

Country Status (3)

Country Link
US (1) US20130044927A1 (zh)
JP (1) JP5954769B2 (zh)
CN (1) CN102938013A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107529963A (zh) * 2015-04-23 2018-01-02 奥林巴斯株式会社 图像处理装置、图像处理方法和图像处理程序
CN108022234A (zh) * 2016-10-28 2018-05-11 东芝医疗***株式会社 医用图像处理装置及医用图像处理方法
CN109285147A (zh) * 2018-08-30 2019-01-29 北京深睿博联科技有限责任公司 用于乳腺钼靶钙化检测的图像处理方法及装置、服务器
CN109937433A (zh) * 2016-11-08 2019-06-25 皇家飞利浦有限公司 用于x射线图像中的不透明区的检测的装置
CN109934220A (zh) * 2019-02-22 2019-06-25 上海联影智能医疗科技有限公司 一种影像兴趣点的展示方法、装置及终端
CN110310257A (zh) * 2019-05-31 2019-10-08 上海联影医疗科技有限公司 医学图像处理方法、装置、计算机设备和存储介质
CN110662477A (zh) * 2017-05-25 2020-01-07 日本电气株式会社 信息处理装置、控制方法和程序
CN110720128A (zh) * 2017-04-20 2020-01-21 健康预警成像网络有限公司 使用图集要素识别图像中的候选要素以确定疾病状态
CN111492372A (zh) * 2017-10-19 2020-08-04 通用电气公司 使用与正常数据的偏差进行图像分析
CN112107313A (zh) * 2019-06-19 2020-12-22 佳能医疗***株式会社 医用数据处理装置以及医用数据处理方法
CN112734770A (zh) * 2021-01-06 2021-04-30 中国人民解放军陆军军医大学第二附属医院 一种基于多层级联的心脏核磁影像多序列融合分割方法
CN113180971A (zh) * 2021-04-29 2021-07-30 新乡市中心医院 一种中医护理装置和控制方法

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011137370A2 (en) * 2010-04-30 2011-11-03 The Johns Hopkins University Intelligent atlas for automatic image analysis of magnetic resonance imaging
WO2014063746A1 (en) * 2012-10-26 2014-05-01 Brainlab Ag Matching patient images and images of an anatomical atlas
US9552533B2 (en) * 2013-03-05 2017-01-24 Toshiba Medical Systems Corporation Image registration apparatus and method
RU2530220C1 (ru) * 2013-03-18 2014-10-10 Корпорация "САМСУНГ ЭЛЕКТРОНИКС Ко., Лтд." Система и способ для автоматической регистрации анатомических точек в объемных медицинских изображениях
EP3047415A1 (en) * 2013-09-20 2016-07-27 Siemens Aktiengesellschaft Biopsy-free detection and staging of cancer using a virtual staging score
US9818200B2 (en) * 2013-11-14 2017-11-14 Toshiba Medical Systems Corporation Apparatus and method for multi-atlas based segmentation of medical image data
JP6548393B2 (ja) 2014-04-10 2019-07-24 キヤノンメディカルシステムズ株式会社 医用画像表示装置および医用画像表示システム
EP2989988B1 (en) * 2014-08-29 2017-10-04 Samsung Medison Co., Ltd. Ultrasound image display apparatus and method of displaying ultrasound image
US10083506B2 (en) 2014-11-07 2018-09-25 Antaros Medical Ab Whole body image registration method and method for analyzing images thereof
KR102369652B1 (ko) * 2014-12-23 2022-03-11 삼성전자주식회사 의료영상 장치, 영상 처리 장치 및 영상 융합 방법
US9962086B2 (en) * 2015-03-31 2018-05-08 Toshiba Medical Systems Corporation Medical image data processing apparatus and method for determining the presence of an abnormality
EP3371727A1 (en) * 2015-11-05 2018-09-12 Koninklijke Philips N.V. Longitudinal health patient profile for incidental findings
JP7160339B2 (ja) * 2016-03-03 2022-10-25 ストラックスコープ ピーティワイ リミテッド 異常を識別及び定量化する方法及び装置
DE102017204175A1 (de) * 2017-03-14 2018-09-20 Siemens Healthcare Gmbh Verfahren zu einem Auffinden von Auffälligkeiten in medizinischen Bilddaten eines Bereichs des Patienten, der außerhalb eines zu untersuchenden Bereichs des Patienten angeordnet ist, sowie eine medizinische Bildgebungsvorrichtung hierzu
EP3438918A1 (en) * 2017-08-02 2019-02-06 Koninklijke Philips N.V. Display of a medical image
CN111246794B (zh) * 2017-10-30 2023-01-20 麦克赛尔株式会社 异常数据处理***和异常数据处理方法
KR102084858B1 (ko) * 2017-11-27 2020-03-04 최은정 카메라를 이용한 골프 시뮬레이터의 촬영 영상에서 골프공 오브젝트만 인식하는 방법
JP6930411B2 (ja) * 2017-12-15 2021-09-01 コニカミノルタ株式会社 情報処理装置及び情報処理方法
US10783699B2 (en) * 2018-02-16 2020-09-22 AI Analysis, Inc. Sub-voxel refinement of anatomical models
US10832423B1 (en) * 2018-01-08 2020-11-10 Brainlab Ag Optimizing an atlas
US20210391061A1 (en) * 2018-11-07 2021-12-16 Brainlab Ag Compartmentalized dynamic atlas
US11272988B2 (en) 2019-05-10 2022-03-15 Fvrvs Limited Virtual reality surgical training systems
CN110335259B (zh) * 2019-06-25 2021-08-31 腾讯科技（深圳）有限公司 一种医学影像识别方法、装置和存储介质
JP7302368B2 (ja) * 2019-08-20 2023-07-04 コニカミノルタ株式会社 医用情報処理装置及びプログラム
JP7452068B2 (ja) * 2020-02-17 2024-03-19 コニカミノルタ株式会社 情報処理装置、情報処理方法及びプログラム
EP4252656A4 (en) * 2020-11-25 2024-05-22 Panasonic Holdings Corporation MEDICAL IMAGES DISPLAY SYSTEM, MEDICAL IMAGES DISPLAY METHOD AND PROGRAM
CN114242209A (zh) * 2021-11-02 2022-03-25 深圳市智影医疗科技有限公司 一种医学图像预处理方法及***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1498381A (zh) * 2001-03-23 2004-05-19 ض� 使用距离度量的图像检索
CN1552041A (zh) * 2001-12-14 2004-12-01 日本电气株式会社 人脸元数据生成与人脸相似度计算
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
CN1920882A (zh) * 2005-08-24 2007-02-28 西门子共同研究公司 基于显著区域特征的医学图像三维多模配准的***和方法
CN101038669A (zh) * 2007-04-12 2007-09-19 上海交通大学 全局异常信号环境下基于联合显著图的鲁棒图像配准方法
CN101133431A (zh) * 2005-02-03 2008-02-27 布拉科成像S.P.A.公司 能够减少物体运动造成的成像伪影的生物医学图像配准方法和计算机程序产品
US7756295B2 (en) * 2005-12-01 2010-07-13 Kabushiki Kaisha Toshiba Change region detection device and change region detecting method

Family Cites Families (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5638458A (en) * 1993-11-30 1997-06-10 Arch Development Corporation Automated method and system for the detection of gross abnormalities and asymmetries in chest images
US5790690A (en) * 1995-04-25 1998-08-04 Arch Development Corporation Computer-aided method for automated image feature analysis and diagnosis of medical images
US5802207A (en) * 1995-06-30 1998-09-01 Industrial Technology Research Institute System and process for constructing optimized prototypes for pattern recognition using competitive classification learning
US6217525B1 (en) * 1998-04-30 2001-04-17 Medtronic Physio-Control Manufacturing Corp. Reduced lead set device and method for detecting acute cardiac ischemic conditions
US6336082B1 (en) * 1999-03-05 2002-01-01 General Electric Company Method for automatic screening of abnormalities
JP2001216517A (ja) * 2000-02-04 2001-08-10 Zio Software Inc 物体認識方法
CA2405772A1 (en) * 2000-04-07 2001-10-18 Daniel Fritsch Systems and methods for tubular object processing
US20030103663A1 (en) * 2001-11-23 2003-06-05 University Of Chicago Computerized scheme for distinguishing between benign and malignant nodules in thoracic computed tomography scans by use of similar images
US6658080B1 (en) * 2002-08-05 2003-12-02 Voxar Limited Displaying image data using automatic presets
JP2004135868A (ja) * 2002-10-17 2004-05-13 Fuji Photo Film Co Ltd 異常陰影候補検出処理システム
JP2004344232A (ja) * 2003-05-20 2004-12-09 Konica Minolta Medical & Graphic Inc 医用画像処理装置及び異常陰影候補の検出方法
US7319781B2 (en) * 2003-10-06 2008-01-15 Carestream Health, Inc. Method and system for multiple passes diagnostic alignment for in vivo images
US7868900B2 (en) * 2004-05-12 2011-01-11 General Electric Company Methods for suppression of items and areas of interest during visualization
US9924887B2 (en) * 2004-08-30 2018-03-27 Toshiba Medical Systems Corporation Medical image display apparatus
JP4573036B2 (ja) * 2005-03-16 2010-11-04 オムロン株式会社 検査装置および検査方法
JP5100041B2 (ja) * 2005-06-15 2012-12-19 株式会社東芝 画像処理装置及び画像処理プログラム
US7929737B2 (en) * 2005-09-29 2011-04-19 General Electric Company Method and system for automatically generating a disease severity index
EP1952303B8 (en) * 2005-11-11 2016-08-17 Hologic, Inc. Estimating risk of future bone fracture utilizing three-dimensional bone density model
ES2405879T3 (es) * 2006-03-13 2013-06-04 Given Imaging Ltd. Dispositivo, sistema y método para la detección automática de actividad contráctil en una trama de imagen
US8296247B2 (en) * 2007-03-23 2012-10-23 Three Palm Software Combination machine learning algorithms for computer-aided detection, review and diagnosis
CN101689290B (zh) * 2007-06-14 2013-12-11 汤姆森许可贸易公司 用于在给定期望错误概率的情况下设置检测阈值的方法和设备
US7978932B2 (en) * 2007-08-02 2011-07-12 Mauna Kea Technologies Robust mosaicing method, notably with correction of motion distortions and tissue deformations for in vivo fibered microscopy
US8194936B2 (en) * 2008-04-25 2012-06-05 University Of Iowa Research Foundation Optimal registration of multiple deformed images using a physical model of the imaging distortion
DE102008032006B4 (de) * 2008-07-07 2017-01-05 Siemens Healthcare Gmbh Verfahren zur Steurung der Bildaufnahme bei einer Bildaufnahmeeinrichtung, sowie eine Bildaufnahmeeinrichtung
US8655097B2 (en) * 2008-08-22 2014-02-18 Adobe Systems Incorporated Adaptive bilateral blur brush tool
JP2010057727A (ja) * 2008-09-04 2010-03-18 Konica Minolta Medical & Graphic Inc 医用画像読影システム
JP4636146B2 (ja) * 2008-09-05 2011-02-23 ソニー株式会社 画像処理方法、画像処理装置、プログラム及び画像処理システム
US8386401B2 (en) * 2008-09-10 2013-02-26 Digital Infuzion, Inc. Machine learning methods and systems for identifying patterns in data using a plurality of learning machines wherein the learning machine that optimizes a performance function is selected
EP2189942A3 (en) * 2008-11-25 2010-12-15 Algotec Systems Ltd. Method and system for registering a medical image
AU2009322153B2 (en) * 2008-12-04 2016-07-07 The Cleveland Clinic Foundation System and method to define target volume for stimulation in brain
US8253564B2 (en) * 2009-02-19 2012-08-28 Panasonic Corporation Predicting a future location of a moving object observed by a surveillance device
US20110041191A1 (en) * 2009-07-09 2011-02-17 Bettina Platt Animal model, and products and methods useful for the production thereof
WO2011040473A1 (ja) * 2009-09-29 2011-04-07 大日本印刷株式会社 医用画像処理方法、装置およびプログラム
GB0917154D0 (en) * 2009-09-30 2009-11-11 Imp Innovations Ltd Method and apparatus for processing medical images
JP2011101759A (ja) * 2009-11-12 2011-05-26 Konica Minolta Medical & Graphic Inc 医用画像表示システム及びプログラム
US20110144520A1 (en) * 2009-12-16 2011-06-16 Elvir Causevic Method and device for point-of-care neuro-assessment and treatment guidance
US8160357B2 (en) * 2010-07-30 2012-04-17 Kabushiki Kaisha Toshiba Image segmentation
US9524552B2 (en) * 2011-08-03 2016-12-20 The Regents Of The University Of California 2D/3D registration of a digital mouse atlas with X-ray projection images and optical camera photos

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1498381A (zh) * 2001-03-23 2004-05-19 ض� 使用距离度量的图像检索
CN1552041A (zh) * 2001-12-14 2004-12-01 日本电气株式会社 人脸元数据生成与人脸相似度计算
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
CN101133431A (zh) * 2005-02-03 2008-02-27 布拉科成像S.P.A.公司 能够减少物体运动造成的成像伪影的生物医学图像配准方法和计算机程序产品
CN1920882A (zh) * 2005-08-24 2007-02-28 西门子共同研究公司 基于显著区域特征的医学图像三维多模配准的***和方法
US7756295B2 (en) * 2005-12-01 2010-07-13 Kabushiki Kaisha Toshiba Change region detection device and change region detecting method
CN101038669A (zh) * 2007-04-12 2007-09-19 上海交通大学 全局异常信号环境下基于联合显著图的鲁棒图像配准方法

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107529963B (zh) * 2015-04-23 2020-06-12 奥林巴斯株式会社 图像处理装置、图像处理方法和存储介质
CN107529963A (zh) * 2015-04-23 2018-01-02 奥林巴斯株式会社 图像处理装置、图像处理方法和图像处理程序
CN108022234A (zh) * 2016-10-28 2018-05-11 东芝医疗***株式会社 医用图像处理装置及医用图像处理方法
CN108022234B (zh) * 2016-10-28 2022-03-01 东芝医疗***株式会社 医用图像处理装置及医用图像处理方法
CN109937433B (zh) * 2016-11-08 2024-01-16 皇家飞利浦有限公司 用于x射线图像中的不透明区的检测的装置
CN109937433A (zh) * 2016-11-08 2019-06-25 皇家飞利浦有限公司 用于x射线图像中的不透明区的检测的装置
CN110720128A (zh) * 2017-04-20 2020-01-21 健康预警成像网络有限公司 使用图集要素识别图像中的候选要素以确定疾病状态
CN110662477A (zh) * 2017-05-25 2020-01-07 日本电气株式会社 信息处理装置、控制方法和程序
CN111492372A (zh) * 2017-10-19 2020-08-04 通用电气公司 使用与正常数据的偏差进行图像分析
CN111492372B (zh) * 2017-10-19 2024-04-26 通用电气公司 使用与正常数据的偏差进行图像分析
CN109285147A (zh) * 2018-08-30 2019-01-29 北京深睿博联科技有限责任公司 用于乳腺钼靶钙化检测的图像处理方法及装置、服务器
CN109934220A (zh) * 2019-02-22 2019-06-25 上海联影智能医疗科技有限公司 一种影像兴趣点的展示方法、装置及终端
US11900594B2 (en) 2019-02-22 2024-02-13 Shanghai United Imaging Intelligence Co., Ltd. Methods and systems for displaying a region of interest of a medical image
US11107212B2 (en) 2019-02-22 2021-08-31 Shanghai United Imaging Intelligence Co., Ltd. Methods and systems for displaying a region of interest of a medical image
CN110310257A (zh) * 2019-05-31 2019-10-08 上海联影医疗科技有限公司 医学图像处理方法、装置、计算机设备和存储介质
CN110310257B (zh) * 2019-05-31 2022-03-01 上海联影智能医疗科技有限公司 医学图像处理方法、装置、计算机设备和存储介质
CN112107313A (zh) * 2019-06-19 2020-12-22 佳能医疗***株式会社 医用数据处理装置以及医用数据处理方法
CN112734770B (zh) * 2021-01-06 2022-11-25 中国人民解放军陆军军医大学第二附属医院 一种基于多层级联的心脏核磁影像多序列融合分割方法
CN112734770A (zh) * 2021-01-06 2021-04-30 中国人民解放军陆军军医大学第二附属医院 一种基于多层级联的心脏核磁影像多序列融合分割方法
CN113180971B (zh) * 2021-04-29 2023-09-22 新乡市中心医院 一种中医护理装置和控制方法
CN113180971A (zh) * 2021-04-29 2021-07-30 新乡市中心医院 一种中医护理装置和控制方法

Also Published As

Publication number Publication date
US20130044927A1 (en) 2013-02-21
JP2013039344A (ja) 2013-02-28
JP5954769B2 (ja) 2016-07-20

Similar Documents

Publication Publication Date Title
CN102938013A (zh) 医用图像处理装置及医用图像处理方法
JP7187430B2 (ja) 人工知能の検出出力から疾患の進行を決定するシステムおよび方法
US11282205B2 (en) Structure correcting adversarial network for chest x-rays organ segmentation
US11069056B2 (en) Multi-modal computer-aided diagnosis systems and methods for prostate cancer
Menze et al. The multimodal brain tumor image segmentation benchmark (BRATS)
US20210166391A1 (en) Method and system for identifying pathological changes in follow-up medical images
US8588495B2 (en) Systems and methods for computer aided diagnosis and decision support in whole-body imaging
EP3355273B1 (en) Coarse orientation detection in image data
Sharma et al. Artificial intelligence in diagnostic imaging: status quo, challenges, and future opportunities
Liu Symmetry and asymmetry analysis and its implications to computer-aided diagnosis: A review of the literature
US20210319879A1 (en) Method and system for computer aided detection of abnormalities in image data
Abbasi et al. Medical image registration using unsupervised deep neural network: A scoping literature review
US20240127436A1 (en) Multi-modal computer-aided diagnosis systems and methods for prostate cancer
CN112348908A (zh) 用于医学成像中分段的基于形状的生成对抗网络
Iqbal et al. Hybrid Parallel Fuzzy CNN Paradigm: Unmasking Intricacies for Accurate Brain MRI Insights
CN112750519A (zh) 医学图像数据的匿名化
EP3965117A1 (en) Multi-modal computer-aided diagnosis systems and methods for prostate cancer
Kallergi 12 Evaluation Strategies for Medical-Image Analysis and Processing Methodologies
Alzubaidi et al. Toward the detection of abnormal chest radiographs the way radiologists do it
US20240170151A1 (en) Interface and deep learning model for lesion annotation, measurement, and phenotype-driven early diagnosis (ampd)
Qu et al. Multiple classifier fusion and optimization for automatic focal cortical dysplasia detection on magnetic resonance images
EP4356837A1 (en) Medical image diagnosis system, medical image diagnosis system evaluation method, and program
US20230274424A1 (en) Appartus and method for quantifying lesion in biometric image
Akpan et al. XAI for medical image segmentation in medical decision support systems
EP4339961A1 (en) Methods and systems for providing a template data structure for a medical report

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C41 Transfer of patent application or patent right or utility model
TA01 Transfer of patent application right

Effective date of registration: 20160712

Address after: Japan Tochigi

Applicant after: Toshiba Medical System Co., Ltd.

Address before: Tokyo, Japan, Japan

Applicant before: Toshiba Corp

Applicant before: Toshiba Medical System Co., Ltd.

WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20130220

WD01 Invention patent application deemed withdrawn after publication