CN103228216A - 医用图像处理装置、x射线ct装置以及医用图像处理程序 - Google Patents
医用图像处理装置、x射线ct装置以及医用图像处理程序 Download PDFInfo
- Publication number
- CN103228216A CN103228216A CN2012800038192A CN201280003819A CN103228216A CN 103228216 A CN103228216 A CN 103228216A CN 2012800038192 A CN2012800038192 A CN 2012800038192A CN 201280003819 A CN201280003819 A CN 201280003819A CN 103228216 A CN103228216 A CN 103228216A
- Authority
- CN
- China
- Prior art keywords
- degree
- illness
- medical image
- candidate
- function
- 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
Links
- 230000017531 blood circulation Effects 0.000 claims description 69
- 238000002059 diagnostic imaging Methods 0.000 claims description 44
- 230000004069 differentiation Effects 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 29
- 230000014509 gene expression Effects 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 14
- 230000000630 rising effect Effects 0.000 claims description 14
- 239000008280 blood Substances 0.000 claims description 12
- 210000004369 blood Anatomy 0.000 claims description 12
- 239000002872 contrast media Substances 0.000 claims description 12
- 206010028980 Neoplasm Diseases 0.000 abstract description 275
- 230000000877 morphologic effect Effects 0.000 abstract description 6
- 206010061818 Disease progression Diseases 0.000 abstract 1
- 206010064912 Malignant transformation Diseases 0.000 abstract 1
- 201000010099 disease Diseases 0.000 abstract 1
- 230000005750 disease progression Effects 0.000 abstract 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract 1
- 238000003384 imaging method Methods 0.000 abstract 1
- 230000036212 malign transformation Effects 0.000 abstract 1
- 210000004072 lung Anatomy 0.000 description 136
- 238000002601 radiography Methods 0.000 description 86
- 238000003860 storage Methods 0.000 description 73
- 206010056342 Pulmonary mass Diseases 0.000 description 27
- 241001269238 Data Species 0.000 description 17
- 230000009466 transformation Effects 0.000 description 16
- 230000009471 action Effects 0.000 description 14
- 238000004519 manufacturing process Methods 0.000 description 14
- 210000000038 chest Anatomy 0.000 description 8
- 230000014759 maintenance of location Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 230000001788 irregular Effects 0.000 description 4
- 230000010412 perfusion Effects 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000024200 hematopoietic and lymphoid system neoplasm Diseases 0.000 description 2
- 238000002603 single-photon emission computed tomography Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001613 neoplastic effect Effects 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- 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]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Physics & Mathematics (AREA)
- Dentistry (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Pulmonology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种能够提高肿瘤候选的癌化的识别精度的医用图像处理装置。实施方式的医用图像处理装置具有确定单元、第1运算单元、第2运算单元以及第3运算单元。确定单元接收通过利用医用图像摄影装置对被检体进行拍摄而得到的医用图像数据,根据该医用图像数据确定肿瘤候选。第1运算单元根据该医用图像数据求出表示所确定的肿瘤候选的形态的特征的形态信息。第2运算单元根据该医用图像数据求出所确定的肿瘤候选的功能信息。第3运算单元根据形态信息和功能信息求出表示疾患候选的疾患的程度的进展度特征量。
Description
技术领域
本发明的实施方式涉及根据医用图像求出癌的分化度的评价中使用的信息的医用图像处理装置、X射线CT装置以及医用图像处理程序。
背景技术
开发了用于诊断肺结节是良性还是恶性的技术。例如,通过使用利用X射线CT装置取得的CT图像经时地观察肺结节候选的形状、大小的变化,检测癌化的可能性高的病灶。但是,为了更高精度地识别为癌,需要与利用SPECT、PET等的功能检查的结果组合来诊断。
另外,进行使用了X射线CT装置的灌流检查。灌流检查是通过X射线CT装置拍摄注入了造影剂的被检体,并根据其拍摄结果进行诊断的方法。
专利文献1:日本特开2009-195380号公报
发明内容
以往,为了将肺结节候选识别为癌,需要使用2种诊断装置(例如X射线CT装置和SPECT)来进行检查。因此,存在在医院内便利性不佳这样的问题。
另外,在肺结节候选的形态信息中有形状、大小等多个参数,医生需要复合地判断这多个参数来进行诊断。为了提高诊断的精度,医生需要填补作为功能检查的结果的功能信息来诊断。
关于在使用了X射线CT装置的灌流检查中得到的信息,医生也需要复合地判断来诊断。为了提高诊断的精度,医生需要填补根据在非造影状态下得到的CT图像数据得到的形态信息来进行诊断。
本发明希望解决的课题在于提供一种医用图像处理装置、X射线CT装置以及医用图像处理程序,能够提高表示疾患候选的疾患的程度的进展度特征量的识别精度。
实施方式的医用图像处理装置具有确定单元、第1运算单元、第2运算单元以及第3运算单元。确定单元接收通过利用单一的医用图像摄影装置对被检体进行拍摄而得到的医用图像数据,从该医用图像数据确定疾患候选。第1运算单元根据该医用图像数据,求出表示所确定的疾患候选的形态的特征的形态信息。第2运算单元根据该医用图像数据求出所确定的疾患候选的功能信息。第3运算单元根据形态信息和功能信息求出表示疾患候选的疾患的程度的进展度特征量。此处,疾患候选之一是肿瘤、结节。
实施方式的医用图像处理程序使计算机执行确定功能、第1运算功能、第2运算功能以及第3运算功能。确定功能是接收通过利用单一的医用图像摄影装置对被检体进行拍摄而得到的医用图像数据,从该医用图像数据确定疾患候选的功能。第1运算功能是根据该医用图像数据求出表示所确定的疾患候选的形态的特征的形态信息的功能。第2运算功能是根据该医用图像数据求出所确定的疾患候选的功能信息的功能。第3运算功能是根据形态信息和功能信息求出表示疾患候选的疾患的程度的进展度特征量的功能。
附图说明
图1是示出实施方式的医用图像处理装置的框图。
图2是示意地示出在实施方式中取得的医用图像数据的图。
图3是示出肺的图像的图,是用于说明肺结节候选的区域的图。
图4是示出形态信息与形态肿瘤度的关系的雷达图(radarchart)。
图5是示出肺的图像的图,是用于说明求出功能信息的处理的图。
图6是示出功能信息与功能肿瘤度的关系的雷达图。
图7是示意地示出疾患进展的程度(结节特征得分)的图。
图8是示出由实施方式的医用图像处理装置执行的动作的一个例子的流程图。
图9是示出由实施方式的医用图像处理装置执行的动作的一个例子的流程图。
(符号说明)
1:医用图像处理装置;2:图像存储部;3:确定部;4:第1运算部;5:第2运算部;6:第3运算部;7:图像生成部;8:显示控制部;9:用户接口(UI);10:显示部;11:操作部;41:形态信息计算部;42:形态肿瘤度计算部;51:功能信息计算部;52:功能肿瘤度计算部;61:特征量计算部;62:变化量计算部;63:分化度计算部;90:医用图像摄影装置;100:非造影体数据;110、210:肺结节候选;200:造影体数据群;201、202、203、204、205:造影体数据;300、400:范围;500、501、502、502、503、510、511、520、521:结节模型。
具体实施方式
参照图1,说明实施方式的医用图像处理装置。该实施方式的医用图像处理装置1连接于医用图像摄影装置90。
(医用图像摄影装置90)
医用图像摄影装置90是例如X射线CT装置。医用图像摄影装置90通过对被检体进行拍摄而生成医用图像数据。医用图像摄影装置90将医用图像数据输出到医用图像处理装置1。医用图像摄影装置90的图像存储部2存储医用图像数据。
医用图像摄影装置90通过例如对三维区域进行拍摄而生成体数据。作为一个例子,将肺作为拍摄对象。在该情况下,医用图像摄影装置90通过对被检体的胸部进行拍摄来生成胸部的体数据。
另外,医用图像摄影装置90通过将被检体的同一部位作为拍摄对象而对三维区域连续地进行拍摄,生成沿着时序列的多个体数据(拍摄的时间分别不同的多个体数据)。在将肺作为拍摄对象的情况下,医用图像摄影装置90通过对胸部连续地进行拍摄,生成沿着时序列的多个体数据。以下,以肺为对象进行说明。
医用图像摄影装置90将胸部的体数据输出到医用图像处理装置1。图像存储部2存储胸部的体数据。
在该实施方式中,进行所谓的造影拍摄(灌流检查)。即,医用图像摄影装置90通过将注入了造影剂的被检体的同一部位(例如肺)作为拍摄对象对胸部连续地进行拍摄,生成沿着时序列的多个体数据。将对被检体注入造影剂而得到的体数据称为“造影体数据”。将未对被检体注入造影剂而得到的体数据称为“非造影体数据”。
图2示出在该实施方式中得到的医用图像数据。图2是示意地示出在该实施方式中取得的医用图像数据的图,是示意地示出非造影体数据和多个造影体数据的图。在非造影拍摄中,医用图像摄影装置90生成胸部的非造影体数据100。另外,在造影拍摄中,医用图像摄影装置90生成包括沿着时序列的多个造影体数据的造影体数据群200。造影体数据群200包括造影体数据201、造影体数据202、造影体数据203、造影体数据204以及造影体数据205等多个体数据。造影体数据群200中包含的多个造影体数据是所拍摄的时间分别不同的数据。例如医用图像摄影装置90依照造影体数据201、造影体数据202、...、造影体数据203的顺序生成各造影体数据。图像存储部2存储非造影体数据100和造影体数据群200。
(医用图像处理装置1)
医用图像处理装置1具备图像存储部2、确定部3、第1运算部4、第2运算部5、第3运算部6、图像生成部7、显示控制部8以及用户接口9(UI)。
(图像存储部2)
图像存储部2存储由医用图像摄影装置90生成的医用图像数据。图像存储部2存储例如胸部的非造影体数据。另外,图像存储部2存储通过造影拍摄得到的沿着时序列的多个造影体数据。
(确定部3)
确定部3从图像存储部2读入体数据,根据该体数据确定作为疾患候选的肺结节(肿瘤)候选。确定部3从图像存储部2读入例如图2所示的非造影体数据100,根据非造影体数据100的像素值(CT值)确定肺结节候选。例如,确定部3将具有经验地求出的阈值以上的像素值的范围确定为肺结节候选。或者,确定部3也可以根据通过造影拍摄得到的多个造影体数据中的、在造影剂流入拍摄对象的周边之前的时相下得到的体数据,确定肺结节候选。例如,在图2所示的造影体数据201是在造影剂流入肺的周边之前的时相下取得的体数据的情况下,确定部3根据造影体数据201确定肺结节候选。在确定部3根据造影体数据201确定肺结节候选的情况下,也可以不生成非造影体数据100。即,医用图像摄影装置90也可以不进行非造影拍摄,而仅进行造影拍摄仅生成造影体数据群200。确定部3将表示肺结节(肿瘤)候选的位置的位置信息(坐标信息)输出到第1运算部4、第2运算部5以及显示控制部8。
图3示出由确定部3确定的作为疾患候选的肺结节候选的一个例子。图3是示出肺的图像的图,是用于说明肺结节候选的区域的图。确定部3根据例如非造影体数据100的像素值(CT值)确定肺结节候选110。
(第1运算部4)
第1运算部4具备形态信息计算部41和形态肿瘤度计算部42。
(形态信息计算部41)
形态信息计算部41接收肺结节(肿瘤)候选的位置信息和体数据,求出表示肺结节(肿瘤)候选的形态的特征的形态信息。形态信息计算部41根据例如非造影体数据100,求出表示肺结节候选的形态的特征的形态信息。作为形态信息,肺结节候选的大小、肺结节候选的形状、肺结节候选的表面的凹凸的形状、以及肺结节候选的内部构造相应于一个例子。肺结节候选的内部中形成的空洞的状态、或者肺结节候选的像素值(CT值)的均匀性相应于内部构造。例如空洞的大小(面积)相应于空洞的状态。形态信息计算部41求出肺结节候选的大小、肺结节候选的形状、肺结节候选的表面的凹凸的形状、肺结节候选的空洞的状态、以及像素值(CT值)的均匀性中的至少1个信息,作为形态信息。即,形态信息计算部41既可以针对肺结节候选,求出大小、形状、表面的凹凸的形状、空洞的状态以及像素值的均匀性中的多个信息,也可以仅求出1个信息。例如,操作者也可以使用操作部13来指定由形态信息计算部41求出的形态信息的种类。在该情况下,形态信息计算部41求出由操作者指定的形态信息。
形态信息计算部41求出肺结节候选的面积,作为肺结节候选的大小的一个例子。形态信息计算部41确定肺结节候选的形状,将所确定的形状分类为Spherical(球状)、Triangular(三角形状)、Linear(直线状)、Oval(椭圆状)、或者Irregular(不规则状)中的某一个形状。例如,形态信息计算部41通过模式匹配对肺结节候选的形状进行分类。形态信息计算部41求出肺结节候选的表面的凹凸的形状,将凹凸的形状分类为Spicular(针骨状)、Smooth(平坦)或者Lobulated(分叶)中的某一个形状。例如,形态信息计算部41通过模式匹配对凹凸的形状进行分类。形态信息计算部41求出肺结节候选的内部中形成的空洞的面积,作为空洞的状态的一个例子。形态信息计算部41求出处于肺结节候选内的多个像素的像素值(CT值)的偏差,作为像素值(CT值)的均匀性的一个例子。
(形态肿瘤度计算部42)
形态肿瘤度计算部42根据形态信息,求出表示针对肺结节(肿瘤)候选的形态的肿瘤的程度(疾患进展的程度)的肿瘤度(特征量)(还称为疾患进展度)。将通过形态信息求出的肿瘤度(特征量)称为“形态肿瘤度(形态特征量)”。形态肿瘤度计算部42对形态信息附加得分,根据得分(点数)求出形态肿瘤度。例如,预先制作将形态信息和得分(点数)对应起来的得分表格,预先存储到未图示的存储部。形态肿瘤度计算部42参照得分表格来求出与形态信息对应的得分(点数)。得分(点数)是例如以癌化了的组织为基准进行规格化而得到的值。作为一个例子,形态肿瘤度计算部42使癌化了的组织的得分(点数)为“10”,以癌化了的组织的得分为基准,根据形态信息示出的值的大小附加得分。
在求出了肺结节候选的大小的情况下,形态肿瘤度计算部42对肺结节候选的大小附加得分。例如,将使肺结节候选的大小和得分(点数)对应起来的得分表格预先存储到未图示的存储部。肺结节候选越大,肿瘤度(肿瘤的程度)被推测为越高,所以肺结节候选越大得分(点数)越高。形态肿瘤度计算部42参照得分表格来求出与肺结节候选的大小对应的得分(点数)。
在求出肺结节候选的形状而对形状进行了分类的情况下,形态肿瘤度计算部42对肺结节候选的形状附加得分。例如,将使肺结节候选的形状的分类和得分(点数)对应起来的得分表格预先存储到未图示的存储部。具体而言,将使Spherical(球状)、Triangular(三角形状)、Linear(直线状)、Oval(椭圆状)、以及Irregular(不规则状)的每一个、和得分(点数)对应起来的得分表格预先存储到未图示的存储部。通过肺结节候选的形状,肿瘤度(肿瘤的程度)被推测为不同,所以将肺结节候选的形状的分类和得分(点数)对应起来。形态肿瘤度计算部42参照得分表格来求出与肺结节候选的形状的分类对应的得分(点数)。
在肺结节候选的表面的凹凸的形状被分类了的情况下,形态肿瘤度计算部42对凹凸的形状附加得分。例如,将使凹凸的形状的分类和得分(点数)对应起来的得分表格预先存储到未图示的存储部。具体而言,将使Spicular(针骨状)、Smooth(平坦)、以及Lobulated(分叶)的每一个、和得分(点数)对应起来的得分表格预先存储到未图示的存储部。通过表面的凹凸的形状,肿瘤度(肿瘤的程度)被推测为不同,所以将凹凸的形状的分类和得分(点数)对应起来。形态肿瘤度计算部42参照得分表格来求出与凹凸的形状的分类对应的得分(点数)。
在求出了肺结节候选的内部形成的空洞的状态的情况下,形态肿瘤度计算部42对空洞的状态附加得分。例如,将使空洞的大小和得分(点数)对应起来的得分表格预先存储到未图示的存储部。空洞越大,肿瘤度(肿瘤的程度)被推测为越高,所以空洞越大得分(点数)越高。形态肿瘤度计算部42参照得分表格求出与空洞的大小对应的得分(点数)。
在求出了肺结节候选的像素值(CT值)的均匀性(偏差)的情况下,形态肿瘤度计算部42对像素值的均匀性附加得分。例如,将使像素值的均匀性和得分(点数)对应起来的得分表格预先存储到未图示的存储部。像素值的偏差的程度越高,肿瘤度(肿瘤的程度)被推测为越高,所以像素值的偏差的程度越高,得分(点数)越高。形态肿瘤度计算部42参照得分表格求出与像素值的均匀性(偏差)对应的得分(点数)。
形态肿瘤度计算部42根据形态信息的得分(点数)求出形态肿瘤度。例如,形态肿瘤度计算部42根据肺结节候选的大小、肺结节候选的形状、肺结节候选的表面的凹凸的形状、肺结节候选的空洞的状态、以及像素值(CT值)的均匀性中的至少1个信息的得分(点数)求出形态肿瘤度。
上述形态信息的得分的组合是一个例子,也可以组合任意的形态信息的得分来求出形态肿瘤度。另外,也可以将1个形态信息的得分自身作为形态肿瘤度。也可以由操作者使用操作部11来指定由形态肿瘤度计算部42求出的形态肿瘤度的种类。在该情况下,形态肿瘤度计算部42求出由操作者指定的形态肿瘤度。
也可以代替形态肿瘤度计算部42求出形态信息的得分,而由操作者附加得分。例如,图像生成部7从图像存储部2读入非造影体数据,根据非造影体数据生成MPR图像数据(任意的剖面中的图像数据)。显示控制部8将基于MPR图像数据的MPR图像显示于显示部10。操作者参照显示部10中显示的MPR图像,针对在MPR图像中表示的肺结节候选的大小、形状、凹凸的形状、空洞的状态以及像素值的均匀性中的至少1个信息附加得分(点数)。操作者使用操作部11来输入得分。形态肿瘤度计算部42根据通过操作部11输入的得分求出形态肿瘤度。这样,也可以由操作者附加形态特征量的得分。
(第2运算部5)
第2运算部5具备功能信息计算部51和功能肿瘤度计算部52。
(功能信息计算部51)
功能信息计算部51接收肺结节(肿瘤)候选的位置信息和体数据,求出表示肺结节(肿瘤)候选中的血流动态的功能信息。功能信息计算部51根据包括沿着时序列的多个造影体数据的造影体数据群200,求出表示肺结节候选中的血流动态等的功能信息。作为功能信息,肺结节候选的像素值(CT值)的上升度、肺结节候选中的血流量、肺结节候选中的血液量、肺结节候选中的血液的通过时间、以及肺结节候选中的血流量之比相应于一个例子。另外,作为功能信息,除了所述血流动态以外,还考虑弹性度、变形度(还包括移动量)。
造影体数据群200是在对被检体注入了造影剂的状态下得到的体数据。图5示出在对被检体注入了造影剂的状态下得到的图像的一个例子。图5是示出肺的图像的图,是用于说明求出功能信息的处理的图。注入到被检体的造影剂流入肺结节候选210、肺的周边的组织,随着时间经过而流出。这样,随着时间经过,造影剂的量变化,造影体数据群200的像素值(CT值)根据造影剂的量而变化。功能信息计算部51根据造影体数据群200的像素值,求出肺结节候选210的功能信息。
功能信息计算部51求出像素值的上升度、血流量、血液量、通过时间以及血流量之比中的至少1个信息而作为功能信息。即,功能信息计算部51既可以求出像素值的上升度、血流量、血液量、通过时间以及血流量之比中的多个信息,也可以仅求出1个信息。例如,也可以由操作者使用操作部13来指定由功能信息计算部51求出的功能信息的种类。在该情况下,功能信息计算部51求出由操作者指定的功能信息。
功能信息计算部51求出肺结节候选中的每单位时间的像素值的上升度,作为肺结节候选的像素值(CT值)的上升度的一个例子。功能信息计算部51求出肺结节候选中的每单位体积以及单位时间的血流量,作为肺结节候选中的血流量的一个例子。功能信息计算部51求出肺结节候选内的每单位体积的血液量,作为肺结节候选的血液量的一个例子。功能信息计算部51求出肺结节候选中的血液的平均通过时间,作为肺结节候选中的血液的通过时间的一个例子。功能信息计算部51求出肺结节候选的血流量相对肺结节候选的周边区域的血流量之比,作为肺结节候选中的血流量之比的一个例子。
(功能肿瘤度计算部52)
功能肿瘤度计算部52根据功能信息,求出表示相对肺结节(肿瘤)候选的血流动态的肿瘤的程度的肿瘤度(特征量)。将通过功能信息求出的肿瘤度(特征量)称为“功能肿瘤度(功能特征量)”。功能肿瘤度计算部52对功能信息附加得分,根据得分(点数)求出功能肿瘤度。例如,预先制作使功能信息和得分(点数)对应起来的得分表格,预先存储到未图示的存储部。功能肿瘤度计算部52参照得分表格来求出与功能信息对应的得分(点数)。得分(点数)是以例如癌化了的组织为基准而进行了规格化的值。作为一个例子,功能肿瘤度计算部52使癌化了的组织的得分(点数)为“10”,以癌化了的组织的得分为基准,对与功能信息表示的值的癌化度的对应附加得分。
在对多个参数(指标)分别进行得分化的情况下,根据各参数的癌化度检测贡献度(检测精度),对得分进行加权。另外,作为功能特征量,可以举出表示疾患候选的疾患的程度的进展度特征量,但此处,以癌化特征量为例子进行了说明。
在求出了肺结节候选的像素值(CT值)的上升度的情况下,功能肿瘤度计算部52对像素值的上升度附加得分。例如,将使像素值的上升度和得分(点数)对应起来的得分表格预先存储到未图示的存储部。肺结节候选的像素值的上升度越高,肿瘤度(肿瘤的程度)被推测为越高,所以像素值的上升度越高得分(点数)越高。功能肿瘤度计算部52参照得分表格来求出与像素值的上升度对应的得分(点数)。
在求出了肺结节候选中的血流量的情况下,功能肿瘤度计算部52对血流量附加得分。例如,将使肺结节候选中的血流量和得分(点数)对应起来的得分表格预先存储到未图示的存储部。肺结节候选中的血流量越多,肿瘤度(肿瘤的程度)被推测为越高,所以血流量越多得分(点数)越高。功能肿瘤度计算部52参照得分表格来求出与血流量对应的得分(点数)。
在求出了肺结节候选中的血液量的情况下,功能肿瘤度计算部52对血液量附加得分。例如,将使肺结节候选中的血液量和得分(点数)对应起来的得分表格预先存储到未图示的存储部。肺结节候选中的血液量越多,肿瘤度(肿瘤的程度)被推测为越高,所以血液量越多得分(点数)越高。功能肿瘤度计算部52参照得分表格来求出与血液量对应的得分(点数)。
在求出了肺结节候选中的血液的通过时间的情况下,功能肿瘤度计算部52对血液的通过时间附加得分。例如,将使肺结节候选中的血液的通过时间和得分(点数)对应起来的得分表格预先存储到未图示的存储部。血液的通过时间越长,肿瘤度(肿瘤的程度)被推测为越高,所以通过时间越长得分(点数)越高。功能肿瘤度计算部52参照得分表格来求出与通过时间对应的得分(点数)。
在求出了肺结节候选中的血流量之比的情况下,功能肿瘤度计算部52对血流量之比附加得分。例如,将使肺结节候选中的血流量之比和得分(点数)对应起来的得分表格预先存储到未图示的存储部。血流量之比越大,肿瘤度(肿瘤的程度)被推测为越高,所以血流量之比越大得分(点数)越高。功能肿瘤度计算部52参照得分表格来求出与血流量之比对应的得分(点数)。
功能肿瘤度计算部52根据功能信息的得分(点数)求出功能肿瘤度。例如,功能肿瘤度计算部52根据肺结节候选的像素值(CT值)的上升度、肺结节候选中的血流量、肺结节候选中的血液量、肺结节候选中的血液的通过时间以及肺结节候选中的血流量之比中的至少1个信息的得分(点数)来求出功能肿瘤度。
作为一个例子,说明关于像素值的上升度、血流量、血液量、血液的通过时间、以及血流量之比的每一个求出了得分(点数)的情况。例如,功能肿瘤度计算部52在图表中示出各功能信息的得分(点数),根据该图表求出功能肿瘤度。参照图6,说明功能信息与功能肿瘤度的关系。图6是示出功能信息与功能肿瘤度的关系的雷达图。作为一个例子,如图6所示,功能肿瘤度计算部52制作以5种功能信息的得分分别为变量的五边形形状的雷达图(图表)。功能肿瘤度计算部52在雷达图中绘出各功能信息的得分(规格化了的值),连接彼此相邻的得分的点。功能肿瘤度计算部52求出连接了彼此相邻的得分的点的范围400(斜线所示的范围)的面积。范围400的面积相当于功能肿瘤度。功能肿瘤度计算部52将表示功能肿瘤度(例如范围400的面积)的信息输出到第3运算部6。
作为其他例子,功能肿瘤度计算部52也可以根据血流量、血液量、以及血流量之比的各自的得分(点数)求出功能肿瘤度。在该情况下,功能肿瘤度计算部52制作以3种功能信息的得分分别为变量的三角形状的雷达图。功能肿瘤度计算部52在雷达图中绘出各功能信息的得分,连接彼此相邻的得分的点。功能肿瘤度计算部52将连接了彼此相邻的得分的点的范围的面积求出为功能肿瘤度。肿瘤的状态易于反映在血流量、血液量以及血流量之比上。因此,通过使用与血流量、血液量以及血流量之比有关的得分,得到良好地反映了肿瘤的状态的功能肿瘤度。
上述功能信息的得分的组合是一个例子,也可以组合任意的功能信息的得分来求出功能肿瘤度。另外,也可以将1个功能信息的得分自身作为功能肿瘤度。也可以由操作者使用操作部11来指定由功能肿瘤度计算部52求出的功能肿瘤度的种类。在该情况下,功能肿瘤度计算部52求出由操作者指定的功能肿瘤度。
(第3运算部6)
第3运算部6具备特征量计算部61、变化量计算部62以及分化度计算部63。
(特征量计算部61)
特征量计算部61从形态肿瘤度计算部42接收表示形态肿瘤度的信息,从功能肿瘤度计算部52接收表示功能肿瘤度的信息。特征量计算部61根据形态肿瘤度和功能肿瘤度,求出表示肺结节候选的肿瘤的程度的结节特征得分(癌化特征量)。例如,预先制作使形态肿瘤度、功能肿瘤度、以及结节特征得分对应起来的得分表格,预先存储到未图示的存储部。特征量计算部61参照得分表格来求出与形态肿瘤度和功能肿瘤度对应的结节特征得分。
作为一个例子,特征量计算部61根据与形态肿瘤度相当的范围300的面积、和与功能肿瘤度相当的范围400的面积,求出结节特征得分(癌化特征量)。例如,将使与形状肿瘤度相当的范围300的面积、与功能肿瘤度相当的范围400的面积、以及结节特征得分(癌化特征量)对应起来的得分表格预先存储到未图示的存储部。形态肿瘤度越高,结节特征得分越高,功能肿瘤度越高,结节特征得分越高。特征量计算部61参照得分表格,求出和与形态肿瘤度相当的面积以及与功能肿瘤度相当的面积对应的结节特征得分。特征量计算部61将表示结节特征得分(癌化特征量)的信息输出到显示控制部8。
图7示出形态肿瘤度、功能肿瘤度、以及结节特征得分的关系。图7是示意地示出肿瘤的程度(结节特征得分)的图。结节模型500等表示基于形态信息的肿瘤度(形态肿瘤度)的水平、和基于功能信息的肿瘤度(功能肿瘤度)的水平。各结节模型的形状以及大小表示基于形态信息的肿瘤度(形态肿瘤度)的水平。各结节模型内的阴影的种类表示出基于功能信息的肿瘤度(功能肿瘤度)的水平。例如,结节模型500、结节模型501、结节模型502、以及结节模型503表示功能肿瘤度的水平低、且在现状下没有癌化的可能性。作为一个例子,结节模型500的直径是10mm且功能肿瘤度的水平也低,所以表示在现状下没有癌化的可能性。结节模型510以及结节模型511的大小比较大且功能肿瘤度的水平也比较高,所以表示有癌化的可能性。结节模型520以及结节模型521的大小大、表面的凹凸是针状,且功能肿瘤度的水平也高,所以表示已被癌化。
实线A表示通过该实施方式的医用图像处理装置1得到的检测精度的边界。虚线B表示通过以往技术的方法得到的检测精度的边界。在如以往那样仅根据形态信息进行癌化的识别的情况下,虽然能够检测与结节模型520以及结节模型521相当的肿瘤的水平,但无法检测与结节模型510以及结节模型511相当的肿瘤的水平。即,根据以往技术,虽然能够检测结节模型520以及结节模型521表示的已经癌化了的结节,但无法检测结节模型510以及结节模型511表示的有癌化的可能性的结节。这样,仅根据形态信息,难以检测结节模型510以及结节模型511表示的有癌化的可能性的结节。
另一方面,根据该实施方式的医用图像处理装置1,通过根据形态肿瘤度和功能肿瘤度进行癌化的识别,能够检测难以仅根据形态信息识别癌化的结节。根据该实施方式的医用图像处理装置1,能够检测例如结节模型510以及结节模型511表示的有癌化的可能性的结节。这样,因为还包括功能信息来进行癌化的识别,所以能够检测难以仅根据形态信息检测的状态的结节。
(变化量计算部62)
变化量计算部62求出通过各个拍摄分别得到的形态肿瘤度(形态特征量)的经时性的变化量。另外,变化量计算部62求出通过各个拍摄分别得到的功能肿瘤度(功能特征量)的经时性的变化量。例如,将被检体的同一部位作为拍摄对象,通过医用图像摄影装置90进行各个拍摄(第1拍摄和第2拍摄)。变化量计算部62通过求出利用第1拍摄得到的形态肿瘤度与利用第2拍摄得到的形态肿瘤度之差,得到形态肿瘤度的经时性的变化量。变化量计算部62通过求出利用第1拍摄得到的功能肿瘤度与利用第2拍摄得到的功能肿瘤度之差,得到功能肿瘤度的经时性的变化量。
具体而言,通过利用医用图像摄影装置90进行第1拍摄,生成包括非造影体数据和造影体数据的多个体数据。图像存储部2存储通过第1拍摄得到的多个体数据。如上所述,确定部3使用通过第1拍摄得到的体数据,确定肺结节(肿瘤)候选。第1运算部4使用通过第1拍摄得到的体数据,求出形态信息和形态肿瘤度。第2运算部5使用通过第1拍摄得到的体数据,求出功能信息和功能肿瘤度。特征量计算部61根据形态肿瘤度和功能肿瘤度求出结节特征得分(癌化特征量)。将与第1拍摄有关的数据作为过去的数据存储到图像存储部2。即,图像存储部2将通过第1拍摄得到的形态信息、形态肿瘤度、功能信息、功能肿瘤度以及结节特征得分存储为过去的数据。
另外,通过利用医用图像摄影装置90进行与第1拍摄不同的第2拍摄,生成包括非造影体数据和造影体数据的多个体数据。例如,为了检查肿瘤的进展程度,从进行了第1拍摄时起隔开时间来进行第2拍摄。图像存储部2存储通过第2拍摄得到的多个体数据。如上所述,确定部3使用通过第2拍摄得到的体数据,确定与第2肿瘤候选的一个例子相当的肺结节(肿瘤)候选。第1运算部4使用通过第2拍摄得到的体数据,求出与第2形态信息的一个例子相当的形态信息、和与第2形态肿瘤度的一个例子相当的形态肿瘤度。第2运算部5使用通过第2拍摄得到的体数据,求出与第2功能信息的一个例子相当的功能信息、和与第2功能肿瘤度的一个例子相当的功能肿瘤度。特征量计算部61根据形态肿瘤度和功能肿瘤度求出结节特征得分(癌化特征量)。图像存储部2存储与第2拍摄有关的数据。即,图像存储部2存储通过第2拍摄得到的形态信息、形态肿瘤度、功能信息、功能肿瘤度以及结节特征得分。
变化量计算部62通过从图像存储部2读入利用第1拍摄(过去的拍摄)得到的形态肿瘤度和利用第2拍摄得到的形态肿瘤度,求出形态肿瘤度之差,从而得到形态肿瘤度的经时性的变化量。变化量计算部62通过从图像存储部2读入利用第1拍摄得到的功能肿瘤度和利用第2拍摄得到的功能肿瘤度,求出功能肿瘤度之差,从而得到功能肿瘤度的经时性的变化量。
变化量计算部62也可以通过求出利用第1拍摄(过去的拍摄)得到的形态信息与利用第2拍摄得到的形态信息之差,求出形态信息的经时性的变化量。另外,变化量计算部62也可以通过求出利用第1拍摄得到的功能信息与利用第2拍摄得到的功能信息之差,求出功能信息的经时性的变化量。即,变化量计算部62也可以在第1拍摄和第2拍摄中求出相同的种类的形态信息的经时性的变化量。同样地,变化量计算部62也可以在第1拍摄和第2拍摄中求出相同的种类的功能信息的经时性的变化量。
变化量计算部62也可以通过求出利用第1拍摄(过去的拍摄)得到的结节特征得分与利用第2拍摄得到的结节特征得分之差,求出结节特征得分的经时性的变化量。
变化量计算部62将表示变化量的信息输出到图像存储部2和显示控制部8。图像存储部2存储由变化量计算部62求出的变化量。例如,变化量计算部62将表示形态肿瘤度的经时性的变化量的信息和表示功能肿瘤度的经时性的变化量的信息输出到图像存储部2和显示控制部8。图像存储部2存储表示形态肿瘤度的经时性的变化量的信息和表示功能肿瘤度的经时性的变化量的信息。
(分化度计算部63)
分化度计算部63根据结节特征得分(癌化特征量)、形态肿瘤度的经时性的变化量以及功能肿瘤度的经时性的变化量,求出肺结节(肿瘤)候选的分化度。例如,预先制作将结节特征得分、形态肿瘤度的经时性的变化量、功能肿瘤度的经时性的变化量、以及分化度对应起来的分化度表格,预先存储到未图示的存储部。结节特征得分(癌化特征量)、形态肿瘤度的经时性的变化量、以及功能肿瘤度的经时性的变化量越大,肿瘤的分化度被推测为越高,所以结节特征得分(癌化特征量)、形态肿瘤度的经时性的变化量、以及功能肿瘤度的经时性的变化量越大分化度越高。分化度计算部63参照分化度表格,求出与结节特征得分、形态肿瘤度的经时性的变化量以及功能肿瘤度的经时性的变化量对应的分化度。分化度计算部63将表示分化度的信息输出到显示控制部8。
(图像生成部7)
图像生成部7通过从图像存储部2读入体数据,并对体数据实施体绘制,生成三维图像数据。图像生成部7也可以通过对体数据实施MPR(Multi Planar Reconstruction,多平面重建)处理来生成MPR图像数据(任意的剖面中的图像数据)。例如,图像生成部7从图像存储部2读入非造影体数据,根据非造影体数据生成三维图像数据、MPR图像数据等图像数据。图像生成部7将三维图像数据、MPR图像数据等图像数据输出到显示控制部8。
(显示控制部8)
显示控制部8具备变换部81。显示控制部8从图像生成部7接收三维图像数据、MPR图像数据等图像数据,使基于图像数据的图像显示于显示部10。例如,显示控制部8从图像生成部7接收根据非造影体数据生成的三维图像数据,使基于三维图像数据的三维图像显示于显示部10。显示控制部8从图像生成部7接收根据非造影体数据生成的MPR图像数据,使基于MPR图像数据的MPR图像显示于显示部10。
(变换部81)
变换部81从特征量计算部61接收表示结节特征得分(癌化特征量)的信息,将结节特征得分的值变换为与该值对应的颜色。例如,根据结节特征得分的大小改变颜色,预先制作结节特征得分和颜色对应起来的彩色表格,预先存储到未图示的存储部。变换部81参照彩色表格而将结节特征得分的值变换为颜色。
变换部81也可以从变化量计算部62接收表示形态肿瘤度的经时性的变化量的信息,将形态肿瘤度的经时性的变化量变换为与该变化量对应的颜色。例如,根据形态肿瘤度的经时性的变化量改变颜色,预先制作形态肿瘤度的经时性的变化量和颜色对应起来的彩色表格,预先存储到未图示的存储部。变换部81参照彩色表格而将形态肿瘤度的经时性的变化量变换为颜色。另外,变换部81也可以从变化量计算部62接收表示功能肿瘤度的经时性的变化量的信息,将功能肿瘤度的经时性的变化量变换为与该变化量对应的颜色。例如,根据功能肿瘤度的经时性的变化量改变颜色,预先制作功能肿瘤度的经时性的变化量和颜色对应起来的彩色表格,预先存储到未图示的存储部。变换部81参照彩色表格将功能肿瘤度的经时性的变化量变换为颜色。
变换部81也可以从分化度计算部63接收表示分化度的信息,将分化度变换为与该分化度对应的颜色。例如,根据分化度改变颜色,预先制作分化度和颜色对应起来的彩色表格,预先存储到未图示的存储部。变换部81参照彩色表格而将分化度变换为颜色。
显示控制部8从确定部3接收表示肺结节(肿瘤)候选的位置的位置信息。显示控制部8对图像上的肺结节候选的位置附加与结节特征得分对应的颜色,使图像显示于显示部10。例如,显示控制部8接收根据非造影体数据生成的MPR图像数据,对MPR图像上的肺结节候选的位置附加与结节特征得分对应的颜色,使MPR图像显示于显示部10。
显示控制部8也可以对图像上的肺结节候选的位置附加与分化度对应的颜色,使图像显示于显示部10。显示控制部8也可以对图像上的肺结节候选的位置,附加与形态肿瘤度的经时性的变化量对应的颜色,使图像显示于显示部10。显示控制部8也可以对图像上的肺结节候选的位置,附加与功能肿瘤度的经时性的变化量对应的颜色,使图像显示于显示部10。
(用户接口(UI)9)
用户接口(UI)9具备显示部10和操作部11。显示部10由CRT、液晶显示器等监视器构成。操作部11由键盘、鼠标等输入装置构成。
确定部3、第1运算部4、第2运算部5、第3运算部6、图像生成部7以及显示控制部8也可以分别由CPU、GPU或者ASIC等未图示的处理装置、和ROM、RAM或者HDD等未图示的存储装置构成。在存储装置中存储有用于执行确定部3的功能的确定程序。另外,在存储装置中存储有用于执行第1运算部4的功能的第1运算程序。在第1运算程序中,包括用于执行形态信息计算部41的功能的形态信息运算程序、和用于执行形态肿瘤度计算部42的功能的形态肿瘤度计算程序。另外,在存储装置中存储有用于执行第2运算部5的功能的第2运算程序。在第2运算程序中,包括用于执行功能信息计算部51的功能的功能信息计算程序、和用于执行功能肿瘤度计算部52的功能的功能肿瘤度计算程序。另外,在存储装置中存储有用于执行第3运算部6的功能的第3运算程序。在第3运算程序中,包括用于执行特征量计算部61的功能的特征量计算程序、用于执行变化量计算部62的功能的变化量计算程序、以及用于执行分化度计算部63的功能的分化度计算程序。另外,在存储装置中存储有用于执行显示控制部8的功能的显示控制程序。在显示控制程序中,包括用于执行变换部81的功能的变换程序。通过CPU等处理装置执行存储装置中存储的各程序,执行各部分的功能。另外,由确定程序、第1运算程序、第2运算程序以及第3运算程序构成“医用图像处理程序”的一个例子。
(动作)
说明由该实施方式的医用图像处理装置1执行的第1动作和第2动作。
(第1动作)
参照图8,说明第1动作。图8是示出由该实施方式的医用图像处理装置执行的动作的一个例子的流程图。在肺结节(肿瘤)候选的位置未确定、功能信息也未求出的情况下,执行第1动作。
(步骤S01)
医用图像处理装置1从医用图像摄影装置90接收医用图像数据。图像存储部2存储医用图像数据。图像存储部2存储例如图2所示的非造影体数据100和造影体数据群200。另外,医用图像处理装置1也可以将非造影体数据100和造影体数据群200作为对象而进行对位。
(步骤S02)
确定部3从图像存储部2读入非造影体数据100,根据非造影体数据100的像素值(CT值)等信息确定肺结节(肿瘤)候选。
(步骤S03)
形态信息计算部41根据例如非造影体数据100,求出表示肺结节候选的形态的特征的形态信息。
(步骤S04)
功能信息计算部51根据例如造影体数据群200,求出表示肺结节候选中的血流动态的功能信息。
步骤S03的处理和步骤S04的处理既可以逆序执行,也可以同时执行。
(步骤S05)
形态肿瘤度计算部42对形态信息附加得分,求出表示相对肺结节候选的形态的肿瘤的程度的形态肿瘤度。例如,如图4所示,形态肿瘤度计算部42制作以5种形态信息的得分分别为变量的五边形形状的雷达图。形态肿瘤度计算部42在雷达图中绘出各形态信息的得分(规格化了的值),连接彼此相邻的得分的点。形态肿瘤度计算部42将连接了彼此相邻的得分的点的范围300的面积求出为形态肿瘤度。
(步骤S06)
功能肿瘤度计算部52对功能信息附加得分,求出表示相对肺结节候选的血流动态的肿瘤的程度的功能肿瘤度。例如,如图6所示,功能肿瘤度计算部52制作以5种功能信息的得分分别为变量的五边形形状的雷达图。功能肿瘤度计算部52在雷达图中绘出各功能信息的得分(规格化了的值),连接彼此相邻的得分的点。功能肿瘤度计算部52将连接了彼此相邻的得分的点的范围400的面积求出为功能肿瘤度。
步骤S05的处理和步骤S06的处理既可以逆序执行,也可以同时执行。另外,医用图像处理装置1也可以接着步骤S03的处理进行步骤S05的处理,接着步骤S04的处理进行步骤S06的处理。
(步骤S07)
特征量计算部61根据形态肿瘤度和功能肿瘤度,求出表示肺结节候选的肿瘤的程度的结节特征得分(癌化特征量)。
(步骤S08)
变换部81将结节特征得分(癌化特征量)的值变换为与该值对应的颜色。
(步骤S09)
显示控制部8对图像上的肺结节候选的位置附加与结节特征得分对应的颜色,使图像显示于显示部10。图像生成部7通过对例如非造影体数据100实施MPR处理来生成MPR图像数据。显示控制部8对MPR图像上的肺结节候选的位置附加与结节特征得分对应的颜色,使MPR图像显示于显示部10。
另外,变换部81也可以将血流量等功能信息变换为颜色。例如,根据功能信息改变颜色,预先制作功能信息和颜色对应起来的彩色表格,预先存储到未图示的存储部。显示控制部8对图像上的肺结节候选的位置附加与血流量等功能信息对应的颜色,使图像显示于显示部10。
根据具有以上的结构的医用图像处理装置1,通过根据形态信息和功能信息求出表示肿瘤的程度的结节特征得分(癌化特征量),能够检测难以仅根据形态信息进行癌化的确定的结节。根据该实施方式的医用图像处理装置1,能够检测图7所示的结节模型510以及结节模型511表示的有癌化的可能性的结节。其结果,能够在癌化之前确定有癌化的可能性的结节,能够早期地确定有癌化的可能性的结节。如以上那样,根据该实施方式的医用图像处理装置1,能够提高肺结节(肿瘤)候选的癌化的识别精度(检测精度)。
另外,根据该实施方式的医用图像处理装置1,通过对图像上的肺结节候选的位置附加与结节特征得分对应的颜色,操作者能够容易地掌握肿瘤的程度。
另外,根据该实施方式的医用图像处理装置1,根据通过1种医用图像摄影装置90(例如X射线CT装置)得到的医用图像数据求出结节特征得分,所以能够简便地进行肺结节候选的癌化的识别。即,根据该实施方式,无需使用多个种类的诊断装置,所以能够提高医院内的便利性。
(第2动作)
参照图8以及图9,说明第2动作。图9是示出由该实施方式的医用图像处理装置执行的动作的一个例子的流程图。在过去通过医用图像摄影装置90进行拍摄,而求出了关于过去的拍摄的形态肿瘤度和功能肿瘤度的情况下,执行第2动作。例如,在过去通过医用图像摄影装置90进行第1拍摄,而已经求出了与第1拍摄有关的数据的情况下,将与第1拍摄有关的数据存储到图像存储部2。具体而言,图像存储部2存储有通过第1拍摄得到的形态信息、形态肿瘤度、功能信息、功能肿瘤度以及结节特征得分。然后,由医用图像摄影装置90新进行第2拍摄,新生成非造影体数据和造影体数据群。
(图8:步骤S01至步骤S07)
在由医用图像摄影装置90新进行了第2拍摄的情况下,医用图像处理装置1执行步骤S01至步骤S07的处理。由此,得到关于第2拍摄的形态信息、形态肿瘤度、功能信息、功能肿瘤度以及结节特征得分(癌化特征量)。
(图9:步骤S10)
变化量计算部62从图像存储部2读入通过第1拍摄(过去的拍摄)得到的数据。具体而言,变化量计算部62从图像存储部2读入关于第1拍摄的形态信息、形态肿瘤度、功能信息、功能肿瘤度以及结节特征得分(癌化特征量)。
(步骤S11)
变化量计算部62通过求出关于第1拍摄的形态肿瘤度与关于第2拍摄的形态肿瘤度之差,得到形态肿瘤度的经时性的变化量。
(步骤S12)
变化量计算部62通过求出关于第1拍摄的功能肿瘤度与关于第2拍摄的功能肿瘤度之差,得到功能肿瘤度的经时性的变化量。
步骤S11的处理和步骤S12的处理既可以逆序执行,也可以同时执行。
(步骤S13)
分化度计算部63根据关于第2拍摄的结节特征得分(癌化特征量)、形态肿瘤度的经时性的变化量、以及功能肿瘤度的经时性的变化量,求出肺结节(肿瘤)候选的分化度。
(步骤S14)
变换部81将分化度的值变换为与该值对应的颜色。变换部81也可以将形态肿瘤度的经时性的变化量变换为与该变化量对应的颜色。变换部81也可以将功能肿瘤度的经时性的变化量变换为与该变化量对应的颜色。
(步骤S15)
显示控制部8对图像上的肺结节候选的位置附加与分化度对应的颜色,使图像显示于显示部10。图像生成部7通过对例如利用第2拍摄得到的非造影体数据100实施MPR处理来生成MPR图像数据。显示控制部8对MPR图像上的肺结节候选的位置附加与结节特征得分对应的颜色,使MPR图像显示于显示部10。
显示控制部8也可以对图像上的肺结节候选的位置,附加与形态肿瘤度的经时性的变化量对应的颜色,使图像显示于显示部10。显示控制部8也可以对图像上的肺结节候选的位置附加与功能肿瘤度的经时性的变化量对应的颜色,使图像显示于显示部10。
根据具有以上的结构的医用图像处理装置1,通过根据形态信息和功能信息求出分化度,能够检测难以仅根据形态信息进行癌化的确定的结节。即,能够在癌化之前确定有癌化的可能性的结节,能够早期地确定有癌化的可能性的结节。这样,根据该实施方式的医用图像处理装置1,能够提高肺结节(肿瘤)候选的癌化的识别精度(检测精度)。
另外,根据该实施方式的医用图像处理装置1,通过对图像上的肺结节候选的位置附加与分化度对应的颜色,操作者能够容易地掌握肿瘤的分化度。
在医用图像处理装置1不执行第2动作的情况下,也可以不在医用图像处理装置1中设置变化量计算部62和分化度计算部63。
在第1拍摄中未进行造影拍摄,而仅生成了非造影体数据的情况下,第1运算部4求出关于第1拍摄的形态肿瘤度。在该情况下,变化量计算部62也可以通过求出关于第1拍摄的形态肿瘤度与关于第2拍摄的形态肿瘤度之差得到形态肿瘤度的经时性的变化量。
在该实施方式中,成为处理的对象的医用图像数据的组合中包括以下的(1)至(5)的组合。
(1)包括多个造影体数据的造影体数据群。
(2)非造影体数据和造影体数据群。
(3)在过去的拍摄(第1拍摄)中得到的非造影体数据、和在新的拍摄(第2拍摄)中得到的造影体数据群。
(4)在过去的拍摄(第1拍摄)中得到的造影体数据群、和在新的拍摄(第2拍摄)中得到的造影体数据群。
(5)在过去的拍摄(第1拍摄)中得到的非造影体数据以及造影体数据群、和在新的拍摄(第2拍摄)中得到的非造影体数据以及造影体数据群。
医用图像处理装置1也可以将与上述(1)至(5)的组合中的某一个组合有关的医用图像数据作为对象而执行处理。另外,操作者也可以使用操作部11,指定成为处理的对象的医用图像数据的组合。在该情况下,医用图像处理装置1将由操作者指定的医用图像数据作为对象而执行处理。
该实施方式的医用图像处理装置1也可以包含于医用图像摄影装置90。在该情况下,医用图像摄影装置90通过对被检体进行拍摄来生成医用图像数据,通过执行医用图像处理装置1的功能来求出结节特征得分(癌化特征量)、分化度。
在所述实施方式中,叙述了在X射线CT装置中应用了发明的情况,但还能够应用于超声波诊断装置、X射线血管造影***、MRI装置、双能源***(DECT)以及光子计数CT(PCCT)那样的多能源***。作为这些情况的功能信息,分别包括以下的内容。
(1)超声波诊断装置的彩色多普勒检查中的腹部实质脏器中的肿瘤性病变、心脏、血管中的流速、血流量、弹性度、变性度、移动量、局部心拍出量。
(2)X射线血管造影***的血流解析检查中的流速、血流量、血液量、移动量、局部心拍出量。
(3)MR的血流解析检查中的血流量、血液量、移动量、局部心拍出量。
(4)多能源***中的血流量、血液量、纤维量、对象物质的密度、成分比率。
虽然说明了本发明的实施方式,但上述实施方式是作为例子而提示的,并不意图限定发明的范围。这些新的实施方式能够以其他各种形态来实施,能够在不脱离发明的要旨的范围内,进行各种省略、置换、变更。这些实施方式、其变形包含于发明的范围、要旨,并且包含于权利要求书中记载的发明和其均等范围内。
Claims (11)
1.一种医用图像处理装置,其特征在于,具有:
确定单元,接收通过利用单一的医用图像摄影装置对被检体进行拍摄而得到的医用图像数据,根据所述医用图像数据确定疾患候选;
第1运算单元,根据所述医用图像数据求出表示所述确定的所述疾患候选的形态的特征的形态信息;
第2运算单元,根据所述医用图像数据求出所述确定的所述疾患候选的功能信息;以及
第3运算单元,根据所述形态信息和所述功能信息求出表示疾患候选的疾患的程度的进展度特征量。
2.根据权利要求1所述的医用图像处理装置,其特征在于,
所述医用图像数据包括通过利用所述医用图像摄影装置对注入了造影剂的被检体进行拍摄而得到的多个造影图像数据,
所述第2运算单元根据所述多个造影图像数据求出所述功能信息。
3.根据权利要求1或者2所述的医用图像处理装置,其特征在于,
所述第1运算单元根据所述形态信息进一步求出表示相对所述疾患候选的形态的疾患进展的程度的形态疾患进展度,
所述第2运算单元根据所述功能信息进一步求出表示所述疾患候选的疾患的程度的形态疾患进展度,
所述第3运算单元根据所述形态疾患进展度和所述功能疾患进展度求出所述进展度特征量。
4.根据权利要求3所述的医用图像处理装置,其特征在于,
所述第3运算单元通过进一步求出所述形态疾患进展度与过去求出的形态疾患进展度之差而得到所述形态疾患进展度的经时性的变化量,通过进一步求出所述功能疾患进展度与过去求出的功能疾患进展度之差而得到所述功能疾患进展度的经时性的变化量。
5.根据权利要求4所述的医用图像处理装置,其特征在于,
所述第3运算单元根据进展度特征量、所述形态疾患进展度的经时性的变化量、以及所述功能疾患进展度的经时性的变化量,进一步求出所述疾患候选的分化度。
6.根据权利要求1至5中的任意一项所述的医用图像处理装置,其特征在于,
所述医用图像处理装置还具有显示控制单元,该显示控制单元使基于所述医用图像数据的医用图像显示于显示单元,并对所述医用图像中表现的所述疾患候选附加与所述进展度特征量对应的颜色。
7.根据权利要求5所述的医用图像处理装置,其特征在于,
所述医用图像处理装置还具有显示控制单元,该显示控制单元使基于所述医用图像数据的医用图像显示于显示单元,并对所述医用图像中表现的所述疾患候选附加与所述分化度对应的颜色。
8.根据权利要求1至7中的任意一项所述的医用图像处理装置,其特征在于,
所述第1运算单元求出所述疾患候选的大小、所述疾患候选的形状、所述疾患候选的表面的凹凸的形状、以及所述疾患候选的内部构造中的至少1个而作为所述形态信息。
9.根据权利要求1至8中的任意一项所述的医用图像处理装置,其特征在于,
所述第2运算单元求出所述疾患区域中的像素值的上升度、所述疾患区域中的血流量、所述疾患区域中的血液量、所述疾患区域中的血液的通过时间、以及所述血流量之比中的至少1个而作为所述功能信息。
10.一种医用图像处理程序,其特征在于,用于使计算机执行如下功能:
确定功能,接收通过利用单一的医用图像摄影装置对被检体进行拍摄而得到的医用图像数据,根据所述医用图像数据确定疾患候选;
第1运算功能,根据所述医用图像数据求出表示所述确定的所述疾患候选的形态的特征的形态信息;
第2运算功能,根据所述医用图像数据求出所述确定的所述疾患候选的功能信息;以及
第3运算功能,根据所述形态信息和所述功能信息求出表示疾患候选的疾患的程度的进展度特征量。
11.一种X射线CT装置,其特征在于,具有:
确定单元,接收通过利用单一的X射线CT装置对被检体进行拍摄而得到的医用图像数据,根据所述医用图像数据确定疾患候选;
第1运算单元,根据所述医用图像数据求出表示所述确定的所述疾患候选的形态的特征的形态信息;以及
第2运算单元,根据所述医用图像数据求出所述确定的所述疾患候选的功能信息。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011-008632 | 2011-01-19 | ||
JP2011008632A JP5762008B2 (ja) | 2011-01-19 | 2011-01-19 | 医用画像処理装置、及び医用画像処理プログラム |
PCT/JP2012/050563 WO2012099004A1 (ja) | 2011-01-19 | 2012-01-13 | 医用画像処理装置、x線ct装置、及び医用画像処理プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103228216A true CN103228216A (zh) | 2013-07-31 |
CN103228216B CN103228216B (zh) | 2016-08-10 |
Family
ID=46515632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201280003819.2A Active CN103228216B (zh) | 2011-01-19 | 2012-01-13 | 医用图像处理装置以及x射线ct装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US9066654B2 (zh) |
JP (1) | JP5762008B2 (zh) |
CN (1) | CN103228216B (zh) |
WO (1) | WO2012099004A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105266846A (zh) * | 2014-07-18 | 2016-01-27 | 株式会社东芝 | 医用图像诊断装置以及医用图像处理装置 |
CN108154554A (zh) * | 2018-01-25 | 2018-06-12 | 北京雅森科技发展有限公司 | 基于脑部数据统计分析的立体图像生成方法及*** |
CN108742679A (zh) * | 2018-06-29 | 2018-11-06 | 上海联影医疗科技有限公司 | 结节检测装置和方法 |
CN110403576A (zh) * | 2019-08-01 | 2019-11-05 | 中国医学科学院北京协和医院 | 三维光声成像在乳腺肿瘤评分***中的应用 |
CN112862741A (zh) * | 2019-11-12 | 2021-05-28 | 株式会社日立制作所 | 医用图像处理装置及医用图像处理方法、医用图像处理程序 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101805624B1 (ko) * | 2011-08-29 | 2017-12-08 | 삼성전자주식회사 | 장기 모델 영상 생성 방법 및 장치 |
GB201308866D0 (en) * | 2013-05-16 | 2013-07-03 | Siemens Medical Solutions | System and methods for efficient assessment of lesion developemnt |
EP2945084A1 (en) * | 2014-05-12 | 2015-11-18 | Electrosalus Biyomedikal Sanayi ve Ticaret Anonim Sirketi | Auscultation data acquisition, communication and evaluation system incorporating mobile facilities |
WO2016120442A1 (en) | 2015-01-30 | 2016-08-04 | Ventana Medical Systems, Inc. | Foreground segmentation and nucleus ranking for scoring dual ish images |
JP6513414B2 (ja) * | 2015-02-13 | 2019-05-15 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置および医用画像処理装置における医用画像表示方法 |
US20180064403A1 (en) * | 2016-09-06 | 2018-03-08 | Toshiba Medical Systems Corporation | Medical image diagnostic apparatus |
JP6857893B2 (ja) * | 2017-03-02 | 2021-04-14 | 国立大学法人大阪大学 | 画像領域分割装置、画像領域分割方法、画像領域分割プログラム、及び画像特徴抽出方法 |
CN110198672A (zh) * | 2017-12-27 | 2019-09-03 | 佳能医疗***株式会社 | 分析装置 |
US11944424B2 (en) * | 2018-05-18 | 2024-04-02 | Duke University | Dynamic 129Xe gas exchange spectroscopy |
US11195272B2 (en) * | 2018-08-21 | 2021-12-07 | Canon Medical Systems Corporation | Medical image processing apparatus, medical image processing system, and medical image processing method |
US11263497B2 (en) | 2019-06-21 | 2022-03-01 | StraxCorp Pty. Ltd. | Method and system for machine learning classification based on structure or material segmentation in an image |
AU2019204380C1 (en) * | 2019-06-21 | 2020-11-12 | Curvebeam Ai Limited | A Method and System for Machine Learning Classification Based on Structure or Material Segmentation in an Image |
JP7236109B2 (ja) * | 2019-11-21 | 2023-03-09 | 粘曉菁 | 肝腫瘍知能分析装置およびその作動方法 |
WO2023213619A1 (en) * | 2022-05-05 | 2023-11-09 | Koninklijke Philips N.V. | Processing spectral image data generated by a computed tomography scanner |
EP4273796A1 (en) * | 2022-05-05 | 2023-11-08 | Koninklijke Philips N.V. | Processing spectral image data generated by a computed tomography scanner |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003070781A (ja) * | 2001-09-04 | 2003-03-11 | Hitachi Medical Corp | 医用画像診断支援装置 |
JP2006187412A (ja) * | 2005-01-05 | 2006-07-20 | Hitachi Medical Corp | 医用画像診断支援装置 |
CN1914617A (zh) * | 2004-02-03 | 2007-02-14 | 美国西门子医疗解决公司 | 与心脏有关的疾病和病症的自动诊断和决策支持***和方法 |
CN101001569A (zh) * | 2004-02-06 | 2007-07-18 | 韦克福里斯特大学健康科学院 | 利用非侵入性成像的整体组织特性的组织评估和用于确定影像整体组织特性的*** |
CN101011259A (zh) * | 2005-11-30 | 2007-08-08 | 通用电气公司 | 用于自动表征恶性的方法和装置 |
JP2008173236A (ja) * | 2007-01-17 | 2008-07-31 | Toshiba Corp | 医用画像表示装置 |
JP2009082442A (ja) * | 2007-09-28 | 2009-04-23 | Canon Inc | 診断支援装置、診断支援装置の制御方法、プログラム及び記憶媒体 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004222864A (ja) * | 2003-01-21 | 2004-08-12 | Mitsubishi Research Institute Inc | 診断支援システム、診断支援方法及び診断支援プログラム |
JP2007524461A (ja) * | 2003-06-25 | 2007-08-30 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | ***撮像の自動診断及び決定支援システム及び方法 |
JP2005224429A (ja) * | 2004-02-13 | 2005-08-25 | Fuji Photo Film Co Ltd | 異常陰影判定装置およびそのプログラム |
EP1947606A1 (en) * | 2007-01-16 | 2008-07-23 | National University Corporation Kobe University | Medical image processing apparatus and medical image processing method |
JP5209338B2 (ja) | 2008-02-20 | 2013-06-12 | 株式会社東芝 | 医用画像撮影装置、医用画像処理装置および医用画像処理プログラム |
JP2010029481A (ja) * | 2008-07-29 | 2010-02-12 | Univ Of Tsukuba | 腫瘍の経過観察レポート自動作成診断支援システム |
JP5455379B2 (ja) * | 2009-01-07 | 2014-03-26 | 株式会社東芝 | 医用画像処理装置、超音波診断装置、及び医用画像処理プログラム |
JP5707476B2 (ja) * | 2009-02-05 | 2015-04-30 | 株式会社東芝 | 磁気共鳴イメージング装置 |
-
2011
- 2011-01-19 JP JP2011008632A patent/JP5762008B2/ja active Active
-
2012
- 2012-01-13 WO PCT/JP2012/050563 patent/WO2012099004A1/ja active Application Filing
- 2012-01-13 CN CN201280003819.2A patent/CN103228216B/zh active Active
- 2012-01-13 US US13/878,516 patent/US9066654B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003070781A (ja) * | 2001-09-04 | 2003-03-11 | Hitachi Medical Corp | 医用画像診断支援装置 |
CN1914617A (zh) * | 2004-02-03 | 2007-02-14 | 美国西门子医疗解决公司 | 与心脏有关的疾病和病症的自动诊断和决策支持***和方法 |
CN101001569A (zh) * | 2004-02-06 | 2007-07-18 | 韦克福里斯特大学健康科学院 | 利用非侵入性成像的整体组织特性的组织评估和用于确定影像整体组织特性的*** |
JP2006187412A (ja) * | 2005-01-05 | 2006-07-20 | Hitachi Medical Corp | 医用画像診断支援装置 |
CN101011259A (zh) * | 2005-11-30 | 2007-08-08 | 通用电气公司 | 用于自动表征恶性的方法和装置 |
JP2008173236A (ja) * | 2007-01-17 | 2008-07-31 | Toshiba Corp | 医用画像表示装置 |
JP2009082442A (ja) * | 2007-09-28 | 2009-04-23 | Canon Inc | 診断支援装置、診断支援装置の制御方法、プログラム及び記憶媒体 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105266846A (zh) * | 2014-07-18 | 2016-01-27 | 株式会社东芝 | 医用图像诊断装置以及医用图像处理装置 |
CN105266846B (zh) * | 2014-07-18 | 2019-01-01 | 东芝医疗***株式会社 | 医用图像诊断装置以及医用图像处理装置 |
US11272905B2 (en) | 2014-07-18 | 2022-03-15 | Canon Medical Systems Corporation | Medical image diagnostic apparatus and medical image processing apparatus |
CN108154554A (zh) * | 2018-01-25 | 2018-06-12 | 北京雅森科技发展有限公司 | 基于脑部数据统计分析的立体图像生成方法及*** |
CN108742679A (zh) * | 2018-06-29 | 2018-11-06 | 上海联影医疗科技有限公司 | 结节检测装置和方法 |
CN110403576A (zh) * | 2019-08-01 | 2019-11-05 | 中国医学科学院北京协和医院 | 三维光声成像在乳腺肿瘤评分***中的应用 |
CN110403576B (zh) * | 2019-08-01 | 2024-01-30 | 中国医学科学院北京协和医院 | 三维光声成像在乳腺肿瘤评分***中的应用 |
CN112862741A (zh) * | 2019-11-12 | 2021-05-28 | 株式会社日立制作所 | 医用图像处理装置及医用图像处理方法、医用图像处理程序 |
Also Published As
Publication number | Publication date |
---|---|
JP2012147930A (ja) | 2012-08-09 |
CN103228216B (zh) | 2016-08-10 |
WO2012099004A1 (ja) | 2012-07-26 |
JP5762008B2 (ja) | 2015-08-12 |
US20130208970A1 (en) | 2013-08-15 |
US9066654B2 (en) | 2015-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103228216B (zh) | 医用图像处理装置以及x射线ct装置 | |
CN105719324B (zh) | 图像处理装置以及图像处理方法 | |
US8355553B2 (en) | Systems, apparatus and processes for automated medical image segmentation using a statistical model | |
CN102231963B (zh) | 重新参数化的牛眼图 | |
US7116810B2 (en) | Method and system for airway measurement | |
CN102460506B (zh) | 参数图像的自动定标 | |
CN107767962B (zh) | 基于来自不同测量的医学测量数据确定结果数据 | |
US8150120B2 (en) | Method for determining a bounding surface for segmentation of an anatomical object of interest | |
Deshpande et al. | Automatic segmentation, feature extraction and comparison of healthy and stroke cerebral vasculature | |
CN104094314B (zh) | 使用定量t1映射进行风险区域的自动探测 | |
JP2019082881A (ja) | 画像検索装置、方法およびプログラム | |
CN110036408A (zh) | 活动性出血和血液外渗的自动ct检测和可视化 | |
US10478151B2 (en) | System and method for automated monitoring of fetal head descent during labor | |
RU2530302C2 (ru) | Анализ, по меньшей мере, трехмерного медицинского изображения | |
CN107077731A (zh) | 成像不确定性的可视化 | |
CN103415873B (zh) | 利用图像叠加的tnm分类的***和装置 | |
US20130223706A1 (en) | Quantification of a characteristic of a lumen of a tubular structure | |
US8848998B1 (en) | Automated method for contrast media arrival detection for dynamic contrast enhanced MRI | |
US20110194741A1 (en) | Brain ventricle analysis | |
EP2921114B1 (en) | Method and apparatus for changing a direction or position of plane selection line based on pattern | |
US20200170519A1 (en) | Fluid analysis apparatus, method for operating fluid analysis apparatus, and fluid analysis program | |
CN1399763A (zh) | 使用统计曲率分析的三维测量 | |
US20060056692A1 (en) | Method for segmenting a medical data set | |
JP2017189394A (ja) | 情報処理装置および情報処理システム | |
JP7332362B2 (ja) | 医用画像処理装置、医用画像処理システム、及び、医用画像処理方法 |
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: 20160708 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. |
|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |