CN103514597A - 图像处理装置 - Google Patents
图像处理装置 Download PDFInfo
- Publication number
- CN103514597A CN103514597A CN201310260884.XA CN201310260884A CN103514597A CN 103514597 A CN103514597 A CN 103514597A CN 201310260884 A CN201310260884 A CN 201310260884A CN 103514597 A CN103514597 A CN 103514597A
- Authority
- CN
- China
- Prior art keywords
- mentioned
- image processing
- data set
- image data
- pixel
- 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
Links
- 238000012545 processing Methods 0.000 title claims abstract description 199
- 238000003860 storage Methods 0.000 claims abstract description 15
- 230000002792 vascular Effects 0.000 claims description 60
- 238000000034 method Methods 0.000 claims description 38
- 238000009826 distribution Methods 0.000 claims description 36
- 210000004204 blood vessel Anatomy 0.000 claims description 30
- 210000003484 anatomy Anatomy 0.000 claims description 29
- 238000002601 radiography Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 17
- 239000012141 concentrate Substances 0.000 claims description 11
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 6
- 230000002596 correlated effect Effects 0.000 abstract 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 41
- 229910052791 calcium Inorganic materials 0.000 description 41
- 239000011575 calcium Substances 0.000 description 41
- 230000006870 function Effects 0.000 description 26
- 238000005516 engineering process Methods 0.000 description 19
- 208000004434 Calcinosis Diseases 0.000 description 18
- 230000002308 calcification Effects 0.000 description 18
- 210000004351 coronary vessel Anatomy 0.000 description 18
- 239000008280 blood Substances 0.000 description 17
- 210000004369 blood Anatomy 0.000 description 17
- 238000002059 diagnostic imaging Methods 0.000 description 14
- 238000005520 cutting process Methods 0.000 description 12
- 238000013480 data collection Methods 0.000 description 12
- 238000000151 deposition Methods 0.000 description 9
- 230000008021 deposition Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000002285 radioactive effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 210000001835 viscera Anatomy 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000039077 Copula Species 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000001168 carotid artery common Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
-
- 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
- A61B6/50—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
- A61B6/504—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 diagnosis of blood vessels, e.g. by angiography
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/421—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation by analysing segments intersecting the pattern
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Multimedia (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Optics & Photonics (AREA)
- Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Dentistry (AREA)
- Evolutionary Biology (AREA)
- Vascular Medicine (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Pulmonology (AREA)
- Physiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Epidemiology (AREA)
Abstract
提供一种图像处理装置,能够提高对象区域的识别精度。存储部存储与被检体相关的图像数据集。图像处理部对图像数据集实施图像处理确定用于识别该图像数据集所包含的识别对象区域的识别阈值。在此,图像处理部限定于规定的像素值范围设定多个暂定阈值。图像处理部针对多个暂定阈值的各个,分别按照该暂定阈值的各个对图像数据集的多个像素实施阈值处理,将该多个像素划分为与该各个暂定阈值以上的像素值对应的第1组和与该各个暂定阈值以下的像素值对应的第2组。图像处理部分别针对多个暂定阈值,根据第1组和第2组计算信息量基准。图像处理部根据计算出的与多个暂定阈值相关的多个信息量基准的阈值变化,确定用于识别识别对象区域的识别阈值。
Description
(相关申请的交叉参考)
本申请以2012年6月28日申请的美国专利申请第13/535,895号为基础,并主张其优先权,并通过引用将其全部内容结合在本申请中。
技术领域
本实施方式涉及图像处理装置。
背景技术
CT摄像、磁共振摄像、或其它的三维患者摄像技术产生由体素的三维排列构成的大规模的图像数据集。各个体素具有表示存在于患者的体内的对应的位置的组织学类型的值。在CT图像数据集中,体素具有由表示X射线衰减特性的亨氏单位(HU)来规定的值。
当以研究目的或者诊断目的对图像数据集进行分析时,为了能够按照组织学类型对体素进行分类,需要识别哪一体素与哪一类型的组织对应。接着,能够在图像内区别不同的脏器以及组织。之后,大多数情况下,希望将被分类为是确定的组织学类型或者脏器的体素从图像数据集的剩余的部分中分离。这作为分割而被知道。例如,CTA(computed tomographic angiography:计算机断层血管成像)需要以血管为对象,从图像数据集中分割出血管。更详细地,冠状动脉CTA以冠状动脉为对象,从图像数据集中分割出冠状动脉。冠状动脉与其它的所有的血管相同,由血管壁和管腔构成。血管壁是包含斑块的沉积的壁本身的各种组织。管腔是被血管壁所包围的被血液充满的空间。管腔与血管壁的双方的分割用于识别血管的疾病区域,用于冠状动脉疾病的诊断辅助。例如,管腔与血管壁的准确的分割是为了执行以识别血管对于血流的障碍为目的的狭窄测量所必须的。狭窄测量是通过CTA摄像的冠状动脉的构造分析的一部分。与不同的组织学类型相关的基于HU值的大量的自动化技术在用于区别表示管腔的体素和表示血管壁的体素的分割中被利用。
发明内容
(发明要解决的问题)
适当地识别血管内的钙沉积很重要。在造影剂被注入患者的状态下所取得的冠状动脉CTA图像数据集中,有时难以识别血管内的钙沉积。钙沉积存在具有和管腔内的被造影的血液的HU值非常类似的HU值的倾向。从而,难以区别并辨认出管腔像素和钙像素。这使准确的分割变得困难。例如,为了识别图像内的钙沉积,存在用于依存于标记钙与血液之间的边界的固定HU阈值、对非造影CTA图像数据集进行分割的技术。然而,由于在钙与血液之间不存在确立的阈值,因此,该技术有时在造影CTA图像数据集中并非有用。
实施方式的目的在于,提供一种能够提高对象区域的识别精度的图像处理装置。
本实施方式所涉及的图像处理装置具备:存储部,存储与被检体相关的图像数据集;图像处理部,对上述图像数据集实施图像处理而确定用于识别上述图像数据集所包含的识别对象区域的识别阈值,其特征在于,上述图像处理部限定于规定的像素值范围地设定多个暂定阈值,针对上述多个暂定阈值的各个,按照上述各个暂定阈值对上述图像数据集的多个像素实施阈值处理而将上述多个像素划分为与上述各个暂定阈值以上的像素值对应的第1组和与上述各个暂定阈值以下的像素值对应的第2组,针对上述多个暂定阈值的各个,根据上述第1组和第2组来计算信息量基准,根据上述计算出的与多个暂定阈值相关的多个信息量基准的阈值变化确定用于识别上述识别对象区域的上述识别阈值。
(发明的效果)
提高对象区域的识别精度。
附图说明
图1是表示基于造影冠状动脉CTA图像数据集的二维投影图像、或者和与血管区域的芯线正交的剖面相关的剖面图像的图。
图2是通过本实施方式所涉及的图像处理部执行的钙化识别处理的概略图。
图3是表示在图2的步骤S6中产生的BIC曲线的一个例子的图。
图4A是表示图2的钙化识别处理中的像素值组的一个例子的图。
图4B是表示图4A时的BIC曲线的图。
图5A是表示图2的钙化识别处理中的像素值组的另一个例子的图。
图5B是表示图5A时的BIC曲线的图。
图6是表示具备本实施方式所涉及的图像处理装置的计算机***的网络构成的图。
图7是CT扫描仪的概略的外观图。
图8是表示本实施方式所涉及的图像处理装置的结构的示意图。
图9是表示图8的图像处理装置的详细的结构的图。
图10是表示基于与血管相关的三维图像数据集的二维投影图像的图。
图11是表示例示出伴随着造影剂浓度的衰减的像素值变化的曲线图的图。
图12是表示本实施方式所涉及的组织概率分类处理的典型的流程的图。
图13是表示具有血管壁区域和管腔区域的血管区域的概略的纵剖面图。
图14是表示与具有血管壁区域和管腔区域的图像数据集相关的像素值的直方图的图。
图15是表示本实施方式所涉及的分割处理的典型的流程的图。
图16是表示编入了本实施方式所涉及的图2的钙化识别处理、图12的组织概率分类处理、以及图15的分割处理的图像处理的典型的流程的图。
(符号说明)
22…图像处理装置、24…中央运算处理装置(CPU)、26…ROM、28…RAM、34…显示器、36…用户输入输出电路(用户I/O)、38…键盘、40…鼠标、42…公共总线、44…显卡(GFX)、46…***存储器、50…CPU缓存器、54…GPU、56…GPU存储器、60…高速图形处理界面、62…GPU缓存器输入输出控制器(GPU缓存器I/O)、64…处理引擎、66…显示输入输出控制器(显示I/O)。
具体实施方式
本实施方式所涉及的图像诊断装置具有存储部和图像处理部。存储部存储与被检体相关的图像数据集。图像处理部对上述图像数据集实施图像处理确定用于识别上述图像数据集所包含的识别对象区域的识别阈值。在此,图像处理部限定于规定的像素值范围地设定多个暂定阈值。图像处理部针对上述多个暂定阈值的各个,按照上述各个暂定阈值对上述图像数据集的多个像素实施阈值处理,将上述多个像素划分成与上述各个暂定阈值以上的像素值对应的第1组和与上述各个暂定阈值以下的像素值对应的第2组。图像处理部针对上述多个暂定阈值的各个,根据上述第1组和第2组计算信息量基准。图像处理部根据上述计算出的与多个暂定阈值相关的多个信息量基准的阈值变化确定用于识别上述识别对象区域的上述识别阈值。
以下,参照附图说明本实施方式所涉及的图像处理装置。
本实施方式所涉及的图像处理装置对通过医用图像诊断装置产生的图像数据集实施图像处理,高精度地识别该图像数据集所包含的识别对象区域。作为识别对象区域,可以是任何图像区域,但以下,为了具体地进行说明,假设是血管区域所包含的钙区域,即,为钙化区域。另外,本实施方式所涉及的图像处理装置对图像数据集实施图像处理,高精度地对该图像数据集所包含的血管腔区域和血管壁区域进行分类。图像数据集可以是将多个像素排列成二维状的二维图像数据集,也可以是将多个体素排列成三维状的体数据集。图像数据集也可以是由X射线计算机断层摄影装置、磁共振诊断装置、核医学诊断装置、超声波诊断装置、X射线诊断装置等任何医用图像诊断装置产生的数据集。以下,为了具体地进行本实施方式的说明,假设图像数据集是体数据集,假设该图像数据集是由X射线计算机断层摄影装置产生的数据集。另外,不特别地区别像素和体素,而统称为像素。
X射线计算机断层摄影装置在冠状动脉CTA等中,产生具有三维地排列的多个体素的大规模的图像数据集。各体素例如按照HU单位,具有表示患者内的对应的位置处的组织学类型的X射线衰减特性的值。不同的组织学类型具有不同的X射线衰减特性,对应的体素具有不同的像素值,能够在数据排列内进行区别。即,能够将不同的解剖学区域从图像数据集中识别出。具有接近的组织学类型的值和大不相同的HU值的组织学类型能够使用图像处理来容易地识别。
冠状动脉内的钙沉积的检测在医学上很重要,能够通过设定用于将属于钙区域的像素(以下,称为钙像素)的典型值从属于管腔区域的像素(以下,称为管腔像素)的典型值中分割出的阈值,而在非造影冠状动脉CTA图像数据集中实现。但是,在造影冠状动脉CTA图像数据集中,钙像素具有与表示管腔内的造影血液的像素非常类似的HU值。另外,非造影冠状动脉CTA图像数据集是通过对没有将造影剂注入血管的患者进行CT摄像而产生的图像数据集。造影冠状动脉CTA图像数据集是通过对将造影剂注入了血管的患者进行CT摄像而产生的图像数据集。在造影冠状动脉CTA图像数据集中难以准确地识别钙化区域。在标准的常规中没有判明在血管内有无钙,因此,图像数据集中的钙化区域的识别进一步复杂化。
图1是表示基于造影冠状动脉CTA图像数据集的二维投影图像、或者与和血管区域的芯线正交的剖面相关的剖面图像的图。在图1中,示出了血管区域的剖面。知道管腔区域1内的造影血液与钙沉积2的外观类似。从而,有可能事先选择的阈值在从钙区域中区别出管腔区域的处理中并非有用。
本实施方式所涉及的图像处理装置进行图像处理,该图像处理用于确定能够用于在冠状动脉CTA图像数据集内将钙化区域与造影血液准确地区别的阈值。该图像处理能够确定用于区别钙区域和造影血液的最优的阈值。
根据本实施方式,阈值通过使用似然性,即,通过使用信息量基准(information criterion)来识别。作为信息量基准,例如,使用贝叶斯信息量基准(BIC:bayesian information criterion)。信息量基准是与模型选择相关的统计手段。具体而言,信息量基准用于通过测定各模型的相对的适合度、或者适合的似然性,从而从多个模型的有限集中选择合适的模型。例如,贝叶斯信息量基准为了确定数据所提供的集内的簇的数量而被使用。(Q.Zhao等人、“Knee PointDetection in BIC for Detecting the Number of Clusters”、AdvancedConcepts for Intelligent Vision Systems、5259卷、664~673页、208)。
在该例子中,模型是根据用于从属于管腔像素等其它的组织学类型的像素中分割出钙像素的阈值划分出的图像数据集。具有超过该阈值的像素值(HU值)的像素被分类为钙像素。阈值不是经验上知道的值,还可以取任何值。多个阈值规定多个模型。将信息量基准应用于各模型,能够识别提示最优的调整的模型、即,能够识别阈值将钙像素从属于其它的解剖学区域的像素中最好地分割出的模型。
在本实施方式的第1方面中,本申请所涉及的图像处理装置具有存储部和图像处理部。存储部存储有与被检体相关的图像数据集。图像处理部对该图像数据集实施图像处理,确定用于识别该图像数据集所包含的识别对象区域(钙区域,换而言之,钙化区域)的识别阈值。在该图像处理中,图像处理部首先限定于规定的像素值范围地设定多个暂定阈值。接着,图像处理部针对多个暂定阈值的各个,按照各个暂定阈值对该图像数据集的多个像素实施阈值处理,将该多个像素划分为与该各个暂定阈值以上的像素值对应的第1组和与该各个暂定阈值以下的像素值对应的第2组。接着,图像处理部针对多个暂定阈值的各个,根据第1组和第2组计算信息量基准。接着,图像处理部根据计算出的与多个暂定阈值相关的多个信息量基准的阈值变化确定用于识别识别对象区域的识别阈值。
图2表示由本实施方式所涉及的图像处理部执行的、用于识别钙化的图像处理(钙化识别处理)的概略图。首先,需要收集合适的图像数据集。图像数据集可以通过使用对比度CTA技术对患者进行摄像而产生,也可以读出预先存储在存储部中的图像数据集。
在步骤S1中,图像处理部读出并输入图像数据集。所输入的图像数据集可以是原始的图像数据集,为了避免不需要的数据处理,也可以是原始的图像数据集所包含的对象区域。例如,对象区域是包含成为处理对象的血管区域的图像区域即可。与对象区域对应的图像数据可以从图像数据集中提取,也可以通过既存的分割处理来分割。另外,也可以将具有能够明确地识别为不是钙区域和管腔区域中的任一个的低的像素值的体素从图像数据集中除去。为了除去该体素,能够以亨氏单位设定从其它的组织学类型的典型值中选择出的合适的阈值。该阈值为了只保持与钙区域或者管腔区域对应的体素而设定得足够高即可。
图像数据集由多个像素构成。各像素(例如,以HU)具有对应的像素值。在步骤S1中,作为图像数据集,输入多个像素值的数据。像素值的数据构成为多个像素的像素值的列表,即,构成为像素值组。
在步骤S2中,图像处理部确定像素值组内的最大像素值。RI=最大像素值被设定为初始的暂定阈值RI。
在步骤S3中,图像处理部将图像值组所包含的多个像素的像素值根据阈值RI划分为2个子组。具有超过阈值RI的像素值的像素被分配给第1子组,具有不足阈值RI的像素值的像素被分配给第2子组。在该阶段中,阈值RI被设定为所输入的图像数据集所包含的所有的像素的像素值中的最大像素值。从而,第1子组没有成员,而第2子组作为成员具有所有像素。
在步骤S4中,图像处理部针对根据阈值RI而划分的2个子组的各个计算BIC。具体而言,图像处理部按照阈值RI对像素值组实施阈值处理,将该像素值组中具有阈值RI以上的像素值的像素分配给第1子组,将具有阈值RI以下的像素值的像素分配给第2子组。以下,针对BIC的计算详细地进行说明。
在各子组中,假设像素值具有确定的概率分布。从而,对于各子组的数据调整合适的分布。其目的在于找出准确地识别钙区域和管腔区域的阈值。例如,能够使用高斯分布,但对于所提供的数据集更合适时,还能够选择其它的分布。另外,能够根据2个以上的分布对与非钙像素对应的子集,例如,对其本身根据事先定义的阈值而相互分割出的、与血管壁体素相关的子组、和与管腔像素相关的子组形成模型。此时,图像数据集全部使用3个分布来形成模型,为了找出钙像素与非钙像素之间的阈值而计算BIC。另外,也可以编入追加的分布。当使用多个子组以及分布时,以BIC根据合适的数量的子组进行计算的方式来修正BIC。
在步骤S5中,图像处理部通过只使现阶段的阈值RI减少常数Rc来计算新的阈值RI。如果在数学上来表现,则新的阈值RI通过RI=RI-Rc来计算。
如果计算新的阈值RI,则返回步骤S3,像素值组按照新的阈值RI再次划分为2个子组。之后,在步骤S4中,根据新的2个子组来计算BIC,在步骤S5中,只将阈值RI减少常数Rc,计算新的阈值。
这样,直到阈值变为不足像素值组内的最小像素值,重复步骤S3、步骤S4、以及步骤S5。换而言之,在RI>最小像素值的期间,重复步骤S3、步骤S4、以及步骤S5。通过重复一次步骤S3、步骤S4、以及步骤S5,来计算与相符合的阈值对应的BIC。
接着,更详细地说明BIC的计算。首先,为了进行以下的说明,如下述那样规定参数。在此,I是图像数据集,更详细地,是像素值组,Ci是与在算法的所有的重复中仅仅变更ΔR的阈值Rk对应的子组的组合。
(数学式1)
RI=初始的阈值
RF=最终的阈值
ΔR=既定的变化量
Rk=RI,k=0时
CA={n∈I:n<Rk}
CB={n∈I:n>Rk}
Ci={CA,CB}
m=|Ci|
另外,如下述那样规定参数。在此,ni是各子组的采样数(像素数),m是子组数,mi是各子组的像素值的平均,Vi是与各子组i相关的方差,xj是各子组内的第j个像素。
(数学式2)
Rk+1=Rk-ΔR,Rk+1≤RF
ni={|CA|,|CB|}
mi={μCA,μCB}
具体而言,像素值组所包含的多个像素被分配到2个子组,即,被分配到用于钙像素的子组和用于非钙像素的子组。即,m=2。
接着,对各重复k的每一个按照下述的式子计算BIC。另外,d是数据的维度。
(数学式3)
用于识别钙像素的最终的阈值(识别阈值)被确定为与BIC的最大值对应的阈值Rk。
即,如果涵盖从最大像素值到最小像素值的像素值范围地结束了BIC计算的重复,则图像处理部进入步骤S6。在步骤S6中,图像处理部根据多个BIS,制成作为BIC的阈值变化的BIC曲线。
图3是表示通过步骤S6产生的BIC曲线的一个例子。图3的纵轴被规定为BIC,横轴被规定为阈值。即,BIC曲线是表示阈值与BIC的对应关系的曲线。
在步骤S7中,图像处理部确定BIC曲线上阈值最低的极大值。在图3中,是箭头所示的Rmax。另外,所确定的极大值并不限定于阈值最低的极大值,也可以是具有BIC曲线上的多个极大值中的最大值的极大值。
最后,在步骤S8中,图像处理部将与所确定的极大值对应的阈值设定为用于识别钙像素的阈值(识别阈值)。能够根据识别阈值,明确地划分图像数据集中的钙像素和非钙像素(典型的情况是管腔像素)。由此,能够对钙化进行检测。另外,能够从图像数据中分割出钙化区域。通过钙化区域的高精度的分割,能够更准确地分割管腔区域和血管壁区域。为了提高准确度,建议关于图像数据集内的成为对象的所有的血管,重复图2的钙化识别处理。其产生图像数据集中的背景的像素值变化、任何局部变动、或伪影。但是,根据情况的不同,为了识别所有的钙沉积,通过图像数据集应用相同的识别阈值即可。或者,也可以关于血管的小的采样计算识别阈值,将平均值、最小值、或者值的其它的组合应用于图像数据集整体。但是,如果并非如此,还能够只对确定的血管、血管的采样、或者据此计算阈值的血管的一部分应用阈值。
图2所示的钙化识别处理在各反复中将暂定阈值只减少常数RC。常数RC的大小确定归属于暂定阈值的值的个数,换而言之,确定反复次数。从而,能够任意地选择。通过使重复次数变多,从而计算更多的BIC,制成更平滑的BIC曲线。即,能够潜在地得到更准确的识别阈值。这需要保持与能够利用的处理时间以及处理资源的平衡。当能够利用足够的资源时,最初,有时希望确定从最大阈值到最小阈值的阈值RI的范围,关于各阈值并列执行步骤S3中的像素值组的分割和步骤S4中的BIC的计算。另外,也可以将初始的暂定阈值设定为最小强度,以成为RI=RI+RC的方式,在步骤S5中将阈值RI只增大常数RC。直到暂定阈值达到最大像素值,即,在RI<最大像素值的期间,反复该步骤。此时,将能够得到与使阈值RI只减少常数RC时相同的效果。
也可以代替从像素值范围的一端到达另一端只将暂定阈值减少或者增加常数部分,而通过简单地对像素值范围进行分割来设定多个暂定阈值。当存在用于预测识别阈值的先验知识时,能够最接近于该点周围地使阈值聚集,并涵盖该范围的其它的部分的整体较大地开设间隔。在这些非反复方法下,能够不用重复设定暂定阈值,而在计算BIC的前阶段中事先划定所有的暂定阈值。
如上所述,假设识别阈值被确定为与BIC曲线的极大值对应的阈值。然而,识别阈值的确定方法并不限定于上述的方法。即,如果即使不制成BIC曲线也能够确定多个BIC的极大值,则不一定需要制成BIC曲线。
图4A表示图2所示的钙化识别处理中的像素值组的一个例子,图4B是表示图4A时的BIC曲线的图。图4A表示像素值的直方图。在图4A的例子中,管腔内的血液被造影,以表示血液的像素的总数的3.6%的水平,存在一些钙化。与造影血液像素相关的平均像素值是400HU,具有100的标准偏差。与钙像素相关的平均像素值是650HU,具有60的标准偏差。
如图4B所示,BIC曲线的极大值与564.1HU的阈值对应。已知当将该极大值应用于图4A的像素值组时,双方都超过对平均血液像素值增加了标准偏差的值(400+100=500HU),小于从平均钙像素值中减去了标准偏差的值(650-60=590HU),从钙像素中准确地分割出造影血液像素。
图5A表示图2所示的钙化识别处理中的像素值组的另一个例子,图5B是表示图5A的情况下的BIC曲线的图。在图5A的例子中,与造影血液像素相关的平均强度是400HU,具有200的标准偏差。不存在钙化。
如图5B所示,BIC曲线的极大值是774HU,是像素值组所包含的所有的像素的像素值的最大像素值。此时,所有的像素都将具有小于阈值的像素值,即,在任一分割中都不被除去。因此,该阈值意味着对像素正确地划分。在不存在钙的采样中这是所希望的结果。
表示即使是钙不超过血液的3.6%的图4的例子等某一组织学类型的比例是其它的组织学类型中的仅一部分的情况下,关于造影冠状动脉CTA图像数据集也是良好的结果。该方法还同等地适用于非造影CTA图像数据集。从而,实施方式所涉及的图像处理在造影CT图像数据集和非造影CTA图像数据集的双方中,识别钙化,提示用于分割的可靠的某一准确的技术。即,关于非造影图像数据是优于发挥作用的既存的技术的大的改善。
该图像处理的附加的优点在于,和与组织分类相关的大量的既存的技术不同,不需要任何训练。需要训练的分类技术很复杂。这是由于需要训练的分类技术需要手动地分类来收集为了训练能够对新的采样数据集进行准确地分类的基于软件的分类器而使用的大量的数据集。当采样与训练事例的任一个都不类似时,可能发生不准确的分类。由于根据不同的医用图像诊断装置以及摄像条件而产生的训练事例集的强度变化而产生其它的错误。本实施方式能够不参照任意的其它的数据集,而根据单一的分离后的数据集正确地发挥作用。从而,实施更为有效,在任意的摄像方式下都能够发挥作用。
在上述的例子中,作为信息量基准使用BIC,但本实施方式并不限定于此。例如,还能够使用与模型选择相关的其它的统计技术。例如,作为信息量基准,也可以使用赤池信息量基准(AIC)或协方差(或者,联结,即,copula)信息量基准等其它的信息量基准。
本实施方式所涉及的图像处理装置的本意是计算机。例如,作为网络的一部分,实施方式所涉及的图像处理装置可以是在医院或者其它的医疗环境中工作的计算机,也可以是在合适的程序化后的通用计算机工作站上。
图6是表示具备本实施方式所涉及的图像处理装置的计算机***100的网络构成的图。计算机***100由图像处理装置、医用图像诊断装置、以及相关设备构成。计算机***100具有3个网络,即,具有医院网络200、远程图像诊断装置网络4、以及远程单用户网络6。医院网络200例如具有多个医用图像诊断装置、多个工作站16、兼容格式文件服务器18、文件档案20、以及因特网网关15。作为医用图像诊断装置,例如,医院网络2包含有X射线计算机断层摄影装置8、磁共振成像装置10、数字化放射线摄影(DR)装置12、以及计算机放射线摄影(CR)装置等。这些装置通过局域网络(LAN)25相互连接。
远程图像诊断装置网络4具有医用图像诊断装置11、兼容格式文件服务器13、以及因特网网关17。作为医用图像诊断装置11,能够适用放射线计算机断层摄影装置、磁共振成像装置、数字化放射线摄影(DR)装置、以及计算机X射线摄影(CR)装置等。另外,在图6中,作为医用图像诊断装置11,例示出X射线计算机断层摄影装置。X射线计算机断层摄影装置11和兼容格式文件服务器13与因特网网关17连接,经由因特网与医院网络200内的因特网网关15连接。
远程单用户网络6包含有工作站21。工作站21具有因特网调制解调器(未图示)。工作站21经由因特网与医院网络200内的因特网网关15连接。
计算机***100构成为按照标准化后的公共的格式发送各种数据。例如,X射线计算机断层摄影装置8初始地产生原始的医用图像数据集,例如,产生三维医用图像数据集。医用图像数据集按照标准的图像数据格式编码化,经由LAN25向文件服务器18发送。文件服务器18将医用图像数据集存储在文件档案20中。放射线技师、咨询医生、或者研究者等用户在多个工作站16中的任一个中进行工作。用户经由工作站16向文件服务器18请求所希望的医用图像数据集。文件服务器18从档案20中读出所请求的医用图像数据集,并将所读出的医用图像数据集经由LAN25提供给请求源的工作站16。同样地,远程图像诊断装置网络4或者远程单用户网络6内的计算机11、21能够按照来自用户的指示,请求存储在档案20或者网络1内的其它的装置中的医用图像数据集,接收所请求的医用图像数据集。
同样地,通过医院网络200远程地作业的用户也能够访问存储在文件档案20、或者计算机***100上的其它的位置的数据,并发送该数据。访问也可以在远程图像诊断装置网络4或者远程单用户网络6内进行。另外,文件档案20为了后续的取出、以及向工作站16、21发送,能够存储原始的三维图像数据集。
在工作站16、21中直接或者间接地动作的软件构成为适合DICOM等兼容图像数据格式。通过对图像数据格式进行标准化,保证工作站16、21、文件服务器13、18、以及文件档案20上的不同的软件应用、和来自医用图像诊断装置8、10、11、12、14的输出能够共有图像数据。放射线专家、顾问、或者研究者等用户能够使用工作站16、21访问来自文件档案20的任意的体数据集,产生并显示3D数据集的静态图像、或者根据4D数据集的动态图像等。
能够将本实施方式所涉及的图像处理在独立型软件应用中有用地综合,或者与图像保存通信***(PACS:Picture Archiving andCommunication system)一体化。PACS是能够将表示不同类型的诊断图像的图像数据集以在单一的中央档案内进行组织的数字格式的形式来存储的、以医院为基础的计算机化网络。目前,医疗所使用的最一般的图像数据格式通常是DICOM(Digital Imaging andCommunications in Medicine:医学数字成像和通信)格式。DICOM标准由美国电动机制造商协会(National ElectricalManufacturers’Association of America)公开。各图像数据集具有相关联的患者信息。
图7是通用扫描仪,特别地,是用于对患者5内的摄像区域进行三维CT摄像的CT扫描仪8的概略的外观图。当进行冠状动脉CTA摄像时,包含心脏的胸部被配置在CT扫描仪8的圆形开口部7内。当进行常规摄像时,重复对患者的腹部进行摄像,当进行螺旋扫描时,一边移动患者5一边进行摄像。当是切片图像时,例如,产生1000个512×512的原始的图像数据集。对这些数据进行组合,重建三维的图像数据集(体数据)。构成图像数据集的像素具有与存在于对应位置的物质的组织学类型的X射线衰减特性对应的值。三维的图像数据集被转换成实施了图像处理的二维图像,并显示在计算机显示器上。大多数情况下,特别希望集中于重要的1个或者多个组织学类型。为了实现该希望,与这些组织学类型对应的像素通过使用本实施方式的图像处理(组织分类技术以及分割技术),从图像数据集中分割出,或者提取出。
图8是示意性地表示本实施方式所涉及的图像处理装置22的结构的图。图像处理装置22具有:中央运算处理装置(CPU)24、只读存储器(ROM)26、随机存储存储器(RAM)28、硬盘装置30、显示器驱动器32、显示器34、用户输入输出电路(用户I/O)36。用户I/O36与键盘38和鼠标40连接。这些装置经由公共总线42来连接。计算机装置22还具有经由公共总线42来连接的显卡(GFX)44。显卡44在图4中没有示出,包含有图形处理装置(GPU)和与GPU结合的随机存取存储器(GPU存储器)。
CPU24执行存储于ROM26、RAM28、或者硬盘装置30的程序命令,对图像数据集进行处理。图像数据集存储在RAM28或者硬盘装置30中。将RAM28和硬盘装置30统称为***存储器。GPU执行程序命令,接收来自CPU的图像数据集,对接收到的图像数据集实施图像处理。
图9是表示图8的图像处理装置的详细的结构的图。在图9中,将图8的RAM28和硬盘装置30综合表示为***存储器46。图像数据集从医用图像诊断装置传送,存储在***存储器46中。为了辅助示出图像处理装置22内的装置间的数据转送路线,公共总线42在图9中,由多个分离的公共总线42a~42d表示。第1公共总线42a连接***存储器46和CPU24。第2公共总线42b连接CPU24和显卡44。第3公共总线42c连接显卡44和显示器34。第4公共总线42d连接用户I/O36和CPU24。CPU24包含CPU缓存器50。显卡44包含GPU54和GPU存储器56。GPU54包含高速图形处理界面60、GPU缓存器输入输出控制器(GPU缓存器I/O)62、处理引擎64、以及显示输入输出控制器(显示I/O)66。处理引擎64作为执行本实施方式所涉及的图像处理的图像处理部来发挥作用。处理引擎64例如对图像数据集进行本实施方式所涉及的图像处理。另外,处理引擎64是为了优化与对图像数据集执行三维绘制处理相关的类型的程序命令而设计的。从而,处理单元具备CPU要素和GPU要素。
用户能够经由输入设备选择所希望的可视化参数。作为输入设备,是键盘38或鼠标40,也可以是触控板(track pad)或触摸屏(touchscreen)等。用户组合使用这些输入设备和显示器34上所显示的图形用户界面(GUI)来选择可视化参数。
用于识别本实施方式所涉及的血管内的钙沉积的图像处理作为用于对图像数据集内的组织学类型进行分类,或者将这些组织学类型从图像数据集分割出的其它的技术的一部分来使用。当对血管区域进行图像分析时,识别属于血管壁区域的像素(以下,称为血管壁像素)和管腔像素很重要。即,像素按照组织学类型来分类。这与以检测血管对于血流的障碍为目的的、冠状动脉疾病的诊断相关联。第1,为了执行狭窄测量,其需要管腔区域与血管壁区域的准确的分割。为了能够进行更准确的管腔区域与血管壁区域的分割,作为图像处理的预备阶段,如果能够将钙化区域从数据集除去则是有利的。
图10表示基于与血管相关的三维图像数据集的二维投影图像。在二维投影图像中显示血管的横截面。实线表示管腔区域与血管壁区域的边界。换而言之,实线表示管腔区域的外缘。管腔被血液充满。虚线表示血管壁区域的外缘。存在于实线与虚线之间的所有的像素属于血管壁区域,存在于实线内的像素属于管腔区域或者血液区域。
有时难以将像素分类为确定的组织学类型。不同的组织学类型在图像数据集中具有不同的像素值,但与任意的所提供的组织学类型相关的像素值会根据包含医用图像诊断装置的种类的差异、患者内的解剖学变化、疾病区域的存在、对患者注入造影剂时所使用的医疗规程、造影剂浓度的衰减的各种重要原因而变化。
图11是表示例示出伴随造影剂浓度的衰减的像素值变化的曲线图。该曲线图表示与造影图像数据集相关的、对于沿着芯线的血管上的距离的管腔像素的平均像素值。伴随着沿着血管的距离的增加,造影剂浓度衰减。如图11所示,伴随着造影剂浓度的衰减而像素值减少。从而,根据单纯的阈值,管腔区域的分类的精度低。
既存的组织分类技术依存于监督学习。该技术是由临床医生或者其它的医疗专家对大量的数据集手动地进行分类,接着,作为(作为地面实况(ground truth)而被知道)训练数据输入计算机分类程序内的技术。这些输入映射既存的组织学类型的输出。由于不同的图像类型的出现,计算机分类程序为了能够对新输入的图像数据集进行分类,而学习识别不同的组织学类型。但是,上述的像素值变化在监督学习中难以形成正确的模型。需要表示大量的变化的大量的数据集,难以对于不同的解剖区域生成结果。另外,训练数据可能潜在地使其结果产生偏差。
无监督分类技术是不需要大量的训练数据组的引人注目的代替方案。无监督学***均算法和期待值最大化(EM)算法。
本实施方式通过对处理对象的图像数据集内的各像素分配各组织学类型的概率,改善关于组织分类而被知道的无监督技术的应用。
本实施方式所涉及的组织概率分类处理的概略如以下那样。首先,图像处理部沿着芯线将血管区域分割成多个小分段,并将多个小分段的相邻的多个小分段分组为多个大分段。图像处理部针对多个大分段的各个,对该大分段应用加权函数,对多个小分段的像素的像素值以小分段单位分配权重。图像处理部针对多个大分段的各个,基于与分配了该权重的像素值对应地被包含在该大分段中的多个像素,计算分别与多个解剖学分量对应的多个统计分布。图像处理部对多个统计分布应用分类算法,对每个解剖学分量计算多个像素的各个属于多个解剖学分量的概率。并且,图像处理部对像素分配计算出的每个解剖学分量的概率。
图12是表示本实施方式所涉及的组织概率分类处理的典型的流程的图。在步骤S10中,图像处理部根据图像数据集对血管壁区域和管腔区域粗略地进行划分。例如,使用有效的动态轮廓算法(activecontour algorithm),从图像数据集粗略地分割出血管区域。概率分类的最终的结果不强烈地依存于其当初的近似的分割,从而,能够使用任意的所希望的分割技术。目标在于生成增加了可能依存于血管壁区域和管腔区域的钙化区域的图。还可能完好地包含包围血管区域的一部分的组织。
在步骤S11中,图像处理部例如通过使用图2的钙化识别处理50,来识别钙区域,从图像数据集除去钙区域。步骤S11不一定需要进行。例如,当不存在钙化区域时、假定不存在钙化区域时、以及钙化区域的存在不重要时,也可以不执行步骤S11。
在步骤S12中,图像处理部沿着该血管区域的芯线将图像数据集所包含的血管区域划分为多个小分段(段)。段可以任意小,从而,参照所希望的处理时间以及作为对象的血管的长度等要素,能够选择段的总数。例如,段包围像素的厚度即可。段可以是所有都均等的厚度,也可以不是。
图13是具有血管壁区域71和管腔区域72的血管区域70的概略的纵剖面图。根据步骤S12,血管区域70被分割为由虚线所示的多个相邻的段S。
接着,在步骤S13中,图像处理部将相邻的多个段分组为多个大区分(组)。各组内的段数能够任意地选择。例如,在图13中,组R1、R2、R3、以及R4的各个由6个段S构成。各组中的段数的有用范围大致为3个至10个是合适的,但也可以是其它的个数。另外,如图13所示,也可以以组在空间上重复的方式,对多个段进行分组化。根据需要能够选择重复的程度。在图13中,组只重复1个段。重复的存在能够进行组间的平滑的迁移。因此,重复包含在各组的边界相邻的二个组内,但优选以各组的大部分独立的方式,与组的长度相比为较小。另外,也可以以相邻的二个组不重复的方式分组。
在步骤S14中,图像处理部对各组应用加权函数(核)而对多个段的像素的像素值按段单位进行加权。在图13中,作为加权函数示出核K。作为加权函数,能够使用高斯核,但也可以使用均匀、三角、4次、余弦、或者三次加权(triweight)等其它的核函数来代替。以对组内的各段内的所有的像素赋予相同的权重的方式,对每段执行加权。从而,与各组的终端部分的像素相比较,组的中央部分的像素被进行较大地加权。
如果应用加权,则图像处理部进入步骤S15以及S16中的各组内的像素的概率分类。为了实现无监督概率分配,该方法使用多种类的统计学方法。具体而言,在步骤S15中,图像处理部,针对多个组的各个,基于与被分配了权重的像素值对应地被包含在该组中的多个像素,计算分别与多个解剖学分量对应的多个统计分布。血管壁和管腔区域很合适,但解剖学分量也可以包含钙分量等其它的解剖学分量。被加权后的像素的像素值被分类为表示血管壁的像素和表示管腔的像素的二种统计分布,即,被分类为2种统计分布。关于各种类能够假定高斯分布,但根据需要也能够使用其它的统计分布。但是,高斯分布存在提示良好的分类结果的倾向。另外,当希望时,还能够假定与各种类不同的血管组织分量对应的、3个以上的种类。
图14是表示与具有血管壁区域和管腔区域的图像数据集相关的像素值的直方图。表示管腔区域的像素一般而言具有比表示血管壁区域的像素更高的像素值。但是,由于2个种类重复,因此,难以将像素分类为两种。根据基于本实施方式的概率的分配,对各像素分配与各组织种类相关的概率,对每个像素提示多个概率值。在各分布的峰附近,与一个种类相关的概率比与另一种类相关的概率大。在重复区域内与各个种类相关的概率类似。
在步骤S15中,图像处理部关于像素值不同的种类计算确定的2个(或者其以上的)种类的统计分布,在该例子中计算高斯分布。在步骤S16中,图像处理部对多个统计分布应用分类算法,对每个解剖学分量计算多个像素的各个属于多个解剖学分量的概率。具体而言,在步骤S16中,图像处理部将无监督分类算法应用于该统计分布,计算具有所提供的像素值的像素与血管壁区域或者管腔区域等确定的组织学类型对应的概率或者似然性。由此,能够对各组内的各像素分配各组织学类型的似然性。
为了达到与各像素值相关的概率,关于推定2种分布内的2个统计分布各自的平均、变化、以及加权的分类算法,能够使用任意的既存的技术。例如,能够如在“Some methods for classification andanalysis of multivariate observations”(Proceedings of theFifth Symposium on Math,Statistics,and Probability,281~297页,University of California Press、1967年)中由JB McQueen、且在“Some extention of the k-means algorithm for imagesegmentation and pattern recognition”(Al Memo1390,Massachusetts Institute of Technology、Cambridge、MA、1993年)中由J Marroquin以及F Girosi记述的那样,使用k平均算法。另外,还能够如在“The expectation-maximization algorithm”(SignalProcessing Magazine、IEEE、13卷、47~60页、1996年11月)中由TK Moon记述的那样,使用期待值最大化(EM)算法。还能够将EM算法与k平均算法一起使用。
在步骤S17中,图像处理部判定对其它的组是否也实施步骤S14、S15、以及S16的处理。直到变得不存在没有执行概率计算的组,图像处理部重复步骤S14、S15、以及S16。或者,在图12中,也可以以不需要反复路径的方式,同时执行针对各组的组织学类型概率的计算。
在步骤S18中,图像处理部对该像素分配计算出的每个解剖学分量的组织学类型概率。当在组间存在重复时,按照对相邻的组应用的核的相对的权重,对重复区域内的像素分配概率。这对组间带来平滑化效果。
从而,本实施方式所涉及的组织概率分类方法为了对既存的无监督技术提供改善,在无监督分类技术的早期阶段应用加权之前,将血管区域分割成小的段。将血管区域分割成小的段的操作具有能够更准确地确定组织学类型概率、能够高精度地分离管腔分布与壁分布、明确像素值的2种统计分布的效果。
本实施方式能够使用任意的数量的段和任意的数量的组来实施。另外,能够使用任意的形状的核。例如,包含具有段不存在任何重复信息的平核(flat kernal)的单一组和具有平核的(提示单一组)单一段。但是,通过使用多个段和组,结果被强化的可能性高。
在上述的说明中,列举了具有管腔区域和血管壁区域的血管区域为具体例,但本实施方式即使在确定其它的解剖区域中的组织学类型概率时也同样有用。
如果对像素分配组织学类型概率,则在步骤S19中,图像处理部通过使用该组织学类型概率,从图像数据集分割出确定的组织学类型的像素。在上述的例子中,能够对管腔区域和血管壁区域进行分割。步骤S19不一定需要进行。组织学类型概率还可以用于其它的用途。
作为一个例子,管腔区域的分割能够使用标准的水平集方法来执行。与此相关的技术在“Knowledge based3D segmentation andreconstruction of coronary arteries using CT images”(Engineering in Medicine and Biology Society、2004年、IEMBS’0426th Annual International Conference of the IEEE、1664~1666页、2004年)中由Yan Yang等人进行了记述。(按照图12的实施方式计算出的血管组织学类型概率等)血管组织学类型概率用于对导出水平集的速度函数加权,(按照图2的实施方式计算出的钙阈值等)钙阈值用于防止包含钙化斑块的情况。
关于从周围的解剖学区域分割出血管壁区域,已知有若干技术。这些技术是追求使某一形态的“能量”函数或者“价值”函数最小化的动态轮廓模型,即,“蛇模型”。一个例子通过“Segmentation ofthe outer vessel wall of the common carotid artery in CTA”(IEEE Medical Imaging、29卷、第1页、2010年1月)中的DVukadinovic等人提出。该以往技术包含对于血管芯线直角地构筑二维图像的步骤、对管腔区域进行分割的步骤、对所有钙化区域进行分类并除去的步骤、假设为血管内或者血管外部对像素进行分类的步骤、最终地,调整描述血管壁的椭圆“轮廓”的步骤。椭圆轮廓通过使将椭圆内的分类的随机采样的和除以随机采样数的能量函数最小化来进行调整。
该以往技术具有几个缺点。该分类不区别管腔区域和血管壁区域,而使对于血管内的分支的灵敏度降低。该组织分类使空间信息在其中编码化,使分类依存于为了取得它而使用的监督训练,其结果,不能够应对患者的民族性等区域变化。在可能降低准确性的椭圆轮廓内计算能量。另外,二维图像的使用产生使用应用于切片图像间的制约而从血管区域的开始部分到终端部分依次调整的二维轮廓的集。这可防止使效率降低的轮廓的同时评价。
本实施方式特别地将重点置于组织分类和能量函数的最小化,消除这些缺点。
关于组织分类,不需要尝试存在于血管外部的组织,即,依存于血管壁的外部的像素的分类。该“背景”组织一般存在大的误差,具有不均衡分布,因此,难以分类。从而,不需要那样的分类的任何方法都是有利的。
接着,能够对血管壁区域或者表示管腔区域的血管区域进行分类。该分类以概率形式来表现,能够通过使用高斯分布,使用图12的组织概率分类处理来取得。但是,为了构筑合适的分布,计算组织学类型概率,能够使用任意的方法。不使用监督学习的、图12的组织概率分类处理提示与空间信息没有直接地相关联的组织分类结果。由此,能够避免在由于遗传的变化而导致的血管的大小的差异等问题而产生的各种形态学分布中可以想到的偏差。
如果取得被分类的血管区域,则本实施方式所涉及的、作为用于对血管壁区域进行分割的分割处理的输入使用该血管区域的像素。
对于本实施方式所涉及的血管壁区域的分割处理的概况如以下所述。首先,图像处理部对该图像数据集设定与图像数据集所包含的血管区域的芯线正交的多个剖面。图像处理部针对多个剖面的各个,划定与血管区域所包含的血管壁区域的外表面的形状近似的几何学形状。图像处理部针对多个剖面的各个,计算基于该划定的几何学形状的三维能量函数,确定所计算出的三维能量函数变为最小的最终的几何学形状。在此,三维能量函数具有:第1项,对各像素分配的概率在上述划定的几何学形状上的体积积分;第2项,像素值梯度的表面法线分量在上述划定的几何学形状上的面积积分;第3项,偏离平均像素值的像素值的偏差在上述划定的几何学形状上的面积积分。接着,图像处理部接合该多个剖面所包含的多个确定的最终的几何学形状而形成单一的几何学形状。并且,图像处理部使用单一的几何学形状从其它的解剖学区域分割出血管壁区域。
图15是表示本实施方式所涉及的分割处理54的典型的流程的图。在步骤S20中,图像处理将被分类后的血管区域的像素作为输入。也可以将通过图12的组织概率分类处理52的代替方法分类后的血管区域的像素作为输入。
在步骤S21中,图像处理部沿着该芯线将分类后的血管区域分割为多个剖面(段)。这些段可以在空间上重复,也可以不重复。对血管区域的像素分配组织学类型概率。
在步骤S22中,图像处理部针对各段,暂定地划定与血管区域所包含的血管壁区域的外表面的形状近似的几何学形状。几何学形状通过对血管壁区域的外表面粗略地形成模型而得到。作为几何学形状,能够选择管形等任意的形状。例如,已知椭圆柱提示良好的结果。椭圆柱还可以是圆锥形。还能够代替使用直线状或者圆锥状的圆筒。然而,在本实施方式中,几何学形状并不限定于这些例示的三维形状中的任一个。也可以使用与血管壁的一般的管形近似的其它的几何学形状。以下,假设几何学形状是管形。
在步骤S23中,图像处理部计算基于管形的三维能量函数,确定所计算出的三维能量函数变为最小的最终的管形。更详细地,图像处理部以三维能量函数变为最小的方式,对各段中的管形进行调整。
所划定的管形被看作表示三维能量函数(换而言之,价值函数)。三维能量函数Energy由下述的式子来规定。另外,式中,A、B、以及C是常数。
(数学式4)
第1项的P(I)表示与血管壁相关的像素的组织学类型概率。第1项表示与血管壁相关的像素的概率分类P(I)的管形内的体积积分。I表示像素值。第1项的值随着组织学类型概率的增大而增大。三维能量函数的第1项部分使管形的边界扩张。
第2项是与像素值梯度▽I的表面法线u分量的管形相关的面积积分。当梯度对于表面垂直时,其值增大。另外,三维能量函数的第2项部分最好是伴随着更大的梯度的边界。
第3项是方差。第3项是与基于表面上的平均像素值I0的像素值I的偏差的管形相关的面积积分。三维能量函数的第3项部分最好是沿着管形的边界的均匀强度。将这些包含于能量函数,有益于从血管除去分支,防止向模型形成的血管壁表面所接近的组织内“流出”。
与最小的三维能量函数对应的管形(最终的管形)被看作血管外壁的模型。管形对于一连串的相邻的段内的血管壁区域进行调整。本实施方式所涉及的分割处理为了更迅速地提示输出,能够同时对段进行调整。然而,本实施方式所涉及的分割处理并不只限定于同时对段进行调整,还可以根据优先度依次对段进行调整。
在步骤S24中,图像处理部使该多个段所包含的多个最终的管形位置对准并接合,形成单一的三维的管形。接合处理例如通过对最终的管形彼此之间应用1个或者多个制约而进行。例如,能够将边界是连续的,或者边界中的第1导函数是连续的等条件作为制约来应用。或者,能够对于相邻的调整后的形状彼此之间的匹配部,添加简单的平滑函数。通过接合分别调整后的管形,能够得到涵盖其完整的范围地对血管壁的外表面形成模型的单一的调整后的管形。
在步骤S25中,图像处理部使用单一的管形,从其它的解剖学区域中区别出(分割)血管壁区域。具体而言,图像处理部划定血管壁的外表面与周围组织之间的边界。换而言之,图像处理部划定非血管壁区域与血管壁区域之间的边界。在该边界的划定中,管形为了从属于其它的解剖学组织的像素中将属于血管壁区域的像素分割出而被使用。
图2的钙化识别处理、图12的组织概率分类处理、以及图15的分割处理可以通过图像处理装置22依次进行,也可以独立地进行。
图16是表示编入了上述的图2的钙化识别处理、图12的组织概率分类处理、以及图15的分割处理的图像处理56的典型的流程的图。在步骤S30中,图像处理部取得三维的图像数据集。例如,通过执行造影冠状动脉CTA规程来由X射线计算机断层摄影装置产生三维的图像数据集,并将该三维的图像数据集向图像处理装置传送。
在步骤S31中,图像处理部从该图像数据集中近似地分割出该图像数据集所包含的至少一个血管区域。
在步骤32中,图像处理部使用图2的钙化识别处理50,识别处理对象的图像数据集所包含的钙化区域,并从该处理对象的图像数据集中除去。处理对象的图像数据集如上所述,可以是原始的图像数据集,也可以是只包含在步骤S31中提取出的血管区域的图像数据集。
在步骤S33中,图像处理部通过应用图12的组织概率分类处理,对除去了钙化区域的图像数据集所包含的像素是属于管腔区域的像素,还是属于血管壁区域的像素进行分类。
在步骤S34中,图像处理部对管腔区域进行分割。
最后,在步骤S35中,图像处理部使用图15的分割处理,对血管壁区域进行分割。
虽然说明了几个实施方式,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。实际上,在本说明书中说明的新的某一方法、计算机、计算机程序产品、以及医用图像诊断装置能够以其它的各种方式进行实施。另外,在不脱离本发明的要旨的范围内,能够根据在本说明书中说明的方法以及***的形式进行各种省略、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。
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它的各种方式进行实施,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 (22)
1.一种图像处理装置,其特征在于,具备:
存储部,存储与被检体相关的图像数据集;和
图像处理部,对上述图像数据集实施图像处理而确定用于识别上述图像数据集所包含的识别对象区域的识别阈值,
上述图像处理部
限定于规定的像素值范围地设定多个暂定阈值,
针对上述多个暂定阈值的各个,按照上述各个暂定阈值对上述图像数据集的多个像素实施阈值处理而将上述多个像素划分为与上述各个暂定阈值以上的像素值对应的第1组和与上述各个暂定阈值以下的像素值对应的第2组,
针对上述多个暂定阈值的各个,根据上述第1组和第2组计算信息量基准,
根据上述计算出的与多个暂定阈值相关的多个信息量基准的阈值变化,确定用于识别上述识别对象区域的上述识别阈值。
2.根据权利要求1所述的图像处理装置,
上述识别对象区域是血管区域所包含的钙化区域。
3.根据权利要求1所述的图像处理装置,
上述信息量基准是贝叶斯信息量基准、赤池信息量基准、或者协方差信息量基准。
4.根据权利要求1所述的图像处理装置,
上述图像数据集是由X射线计算机断层摄影装置通过用X射线对血管被造影剂造影后的被检体进行扫描而产生的图像数据集。
5.根据权利要求1所述的图像处理装置,
上述图像数据集是由X射线计算机断层摄影装置通过用X射线对血管没有被造影剂造影的被检体进行扫描而产生的图像数据集。
6.根据权利要求1所述的图像处理装置,
上述图像处理部对上述图像数据集实施分割处理而提取与血管区域相关的图像数据集,将与上述血管区域相关的图像数据集作为上述图像处理的对象。
7.根据权利要求6所述的图像处理装置,
上述血管区域包含钙化区域和管腔区域,
上述图像处理部通过上述分割处理,从上述图像数据集中,保留上述钙化区域和上述管腔区域,除去上述图像数据集所包含的其它的区域。
8.根据权利要求1所述的图像处理装置,
还具备显示部,
上述图像处理部按照上述识别阈值对上述图像数据集实施阈值处理而从上述图像数据集中提取出与钙化区域相关的图像数据集,
上述显示部显示与上述钙化区域相关的图像数据集。
9.根据权利要求8所述的图像处理装置,
上述图像处理部
沿着芯线将上述图像数据集所包含的血管区域分割成多个小分段,
将上述多个小分段中相邻的多个小分段分组为多个大分段,
针对上述多个大分段的各个,对上述大分段应用加权函数,对多个小分段的像素的像素值以小分段单位分配权重,
针对上述多个大分段的各个,基于与被分配了上述权重的像素值对应地被包含在上述大分段中的多个像素,计算分别与多个解剖学分量对应的多个统计分布,
对上述多个统计分布应用分类算法,对每个解剖学分量计算上述多个像素的各个属于上述多个解剖学分量的概率,
对像素分配上述计算出的每个解剖学分量的概率。
10.根据权利要求9所述的图像处理装置,
上述图像处理部使上述多个大分段中的空间上相邻的大分段在空间上重复。
11.根据权利要求9所述的图像处理装置,
上述加权函数是高斯核函数。
12.根据权利要求9所述的图像处理装置,
上述统计分布是高斯分布。
13.根据权利要求9所述的图像处理装置,
上述分类算法是具有k平均算法和期待值最大化算法中的一个或者双方的无监督分类算法。
14.根据权利要求9所述的图像处理装置,
上述多个解剖学分量包含与管腔相关的分量和与血管壁相关的分量。
15.根据权利要求9所述的图像处理装置,
上述图像处理部利用上述被分配的每个解剖学分量的概率将上述图像数据集分类为上述多个解剖学分量。
16.根据权利要求9所述的图像处理装置,
上述图像处理部
对上述图像数据集设定与上述图像数据集所包含的血管区域的芯线正交的多个剖面,
针对上述多个剖面的各个,划定与上述血管区域所包含的血管壁区域的外表面的形状近似的几何学形状,
针对上述多个剖面的各个,计算基于上述划定的几何学形状的三维能量函数,确定上述计算出的三维能量函数变为最小的最终的几何学形状,上述三维能量函数具有:第1项,对各像素分配的概率在整个上述划定的几何学形状上的体积积分;第2项,像素值梯度的表面法线分量在上述划定的几何学形状上的面积积分;第3项,偏离平均像素值的像素值的偏差在上述划定的几何学形状上的面积积分,
接合上述多个剖面所包含的多个确定的最终的几何学形状而形成单一的几何学形状,
使用上述单一的几何学形状,从其它的解剖学区域中区别出上述血管壁区域。
18.根据权利要求16所述的图像处理装置,
上述划定的几何学形状是椭圆柱。
19.根据权利要求16所述的图像处理装置,
上述图像处理部通过对上述多个剖面之间应用制约来使上述最终的几何学形状位置对准。
20.根据权利要求16所述的图像处理装置,
上述图像处理部通过对上述多个剖面之间应用平滑化函数来使上述最终的几何学形状位置对准。
21.一种图像处理装置,其特征在于,具备:
存储部,存储与被检体的血管相关的图像数据集;和
图像处理部,对上述图像数据集实施分割处理,
上述图像处理部
沿着芯线将上述图像数据集所包含的血管区域分割成多个小分段,
将上述多个小分段中相邻的多个小分段分组为多个大分段,
针对上述多个大分段的各个,对上述大分段应用加权函数而对多个小分段的像素的像素值按照小分段单位分配权重,
针对上述多个大分段的各个,基于与被分配了上述权重的像素值对应而被包含在上述大分段中的多个像素,计算分别与多个解剖学分量对应的多个统计分布,
对上述多个统计分布应用分类算法,对每个解剖学分量计算上述多个像素各自属于上述多个解剖学分量的概率,
对像素分配上述计算出的每个解剖学分量的概率。
22.一种图像处理装置,其特征在于,具备:
存储部,存储具有多个像素的图像数据集,该多个像素被分配了像素值和属于多个解剖学分量的各个的概率;和
图像处理部,利用上述概率识别上述图像数据集所包含的血管壁区域,
上述图像处理部
对上述图像数据集设定与上述图像数据集所包含的血管区域的芯线正交的多个剖面,
分别针对上述多个剖面,划定与上述血管区域所包含的血管壁区域的外表面的形状近似的几何学形状,
根据上述多个剖面的各个,计算基于上述划定的几何学形状的三维能量函数,确定上述计算出的三维能量函数变为最小的最终的几何学形状,上述三维能量函数具有:第1项,对各像素分配的概率在上述划定的几何学形状上的体积积分;第2项,像素值梯度的表面法线分量在上述划定的几何学形状上的面积积分;第3项,偏离平均像素值的像素值的偏差在上述划定的几何学形状上的面积积分,
接合上述多个剖面所包含的多个确定的最终的几何学形状而形成要表现的单一的几何学形状,
使用上述单一的几何学形状,从其它的解剖学区域中区别出上述血管壁区域。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/535,895 US8958618B2 (en) | 2012-06-28 | 2012-06-28 | Method and system for identification of calcification in imaged blood vessels |
US13/535,895 | 2012-06-28 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103514597A true CN103514597A (zh) | 2014-01-15 |
Family
ID=49778243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310260884.XA Pending CN103514597A (zh) | 2012-06-28 | 2013-06-27 | 图像处理装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US8958618B2 (zh) |
JP (1) | JP2014008402A (zh) |
CN (1) | CN103514597A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022719A (zh) * | 2014-04-23 | 2015-11-04 | Ge医疗***环球技术有限公司 | 医学造影***及方法 |
CN107392893A (zh) * | 2017-06-30 | 2017-11-24 | 上海联影医疗科技有限公司 | 组织密度分析方法及*** |
CN107563983A (zh) * | 2017-09-28 | 2018-01-09 | 上海联影医疗科技有限公司 | 图像处理方法以及医学成像设备 |
CN108210186A (zh) * | 2018-01-29 | 2018-06-29 | 靳霞 | 产妇辅助恢复装置 |
CN108430330A (zh) * | 2015-12-03 | 2018-08-21 | 西门子保健有限责任公司 | 产生血管***的体积图像的序列的断层造影设备和方法 |
CN108882897A (zh) * | 2015-10-16 | 2018-11-23 | 瓦里安医疗***公司 | 图像引导放射疗法中的迭代图像重建 |
CN109846465A (zh) * | 2019-04-01 | 2019-06-07 | 数坤(北京)网络科技有限公司 | 一种基于亮度分析的血管钙化误报检测方法 |
CN110866891A (zh) * | 2018-08-28 | 2020-03-06 | 株式会社摩如富 | 图像识别装置、图像识别方法及图像识别程序 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130243291A1 (en) * | 2010-05-14 | 2013-09-19 | Agency For Science, Technology And Research | Method and device for processing a computer tomography measurement result |
WO2014037013A1 (en) * | 2012-09-07 | 2014-03-13 | Region Nordjylland, Aalborg Sygehus | System for detecting blood vessel structures in medical images |
US9058692B1 (en) * | 2014-04-16 | 2015-06-16 | Heartflow, Inc. | Systems and methods for image-based object modeling using multiple image acquisitions or reconstructions |
US11880989B2 (en) * | 2014-04-25 | 2024-01-23 | Thornhill Scientific Inc. | Imaging abnormalities in vascular response |
EP3155589B1 (en) * | 2014-06-12 | 2018-12-26 | Koninklijke Philips N.V. | Optimization of parameters for segmenting an image |
US9642586B2 (en) * | 2014-08-18 | 2017-05-09 | Siemens Aktiengesellschaft | Computer-aided analysis of medical images |
US20160113546A1 (en) * | 2014-10-23 | 2016-04-28 | Khalifa University of Science, Technology & Research | Methods and systems for processing mri images to detect cancer |
US9697603B2 (en) * | 2014-12-19 | 2017-07-04 | Toshiba Medical Systems Corporation | Medical image data processing system and method for vessel segmentation using pre- and post-contrast data |
US10002419B2 (en) * | 2015-03-05 | 2018-06-19 | Siemens Healthcare Gmbh | Direct computation of image-derived biomarkers |
WO2017086433A1 (ja) * | 2015-11-19 | 2017-05-26 | 国立大学法人 東京大学 | 医用画像処理方法及び装置及びシステム及びプログラム |
JP6525912B2 (ja) * | 2016-03-23 | 2019-06-05 | 富士フイルム株式会社 | 画像分類装置、方法およびプログラム |
EP3270355B1 (en) * | 2017-01-27 | 2019-07-31 | Siemens Healthcare GmbH | Determining a complexity value of a stenosis or a section of a vessel |
US11246550B2 (en) | 2017-06-16 | 2022-02-15 | Volpara Health Technologies Limited | Method for detection and quantification of arterial calcification |
TWI714025B (zh) * | 2019-03-19 | 2020-12-21 | 緯創資通股份有限公司 | 影像辨識方法及影像辨識裝置 |
US11200976B2 (en) * | 2019-08-23 | 2021-12-14 | Canon Medical Systems Corporation | Tracking method and apparatus |
CN113610841B (zh) * | 2021-08-26 | 2022-07-08 | 首都医科大学宣武医院 | 一种血管异常图像识别方法、装置、电子设备和存储介质 |
US20230326027A1 (en) * | 2022-04-08 | 2023-10-12 | Canon Medical Systems Corporation | Image data processing apparatus and method |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040249270A1 (en) * | 2003-03-20 | 2004-12-09 | Kabushiki Kaisha Toshiba | Processor for analyzing tubular structure such as blood vessels |
CN1929781A (zh) * | 2003-08-21 | 2007-03-14 | 依斯克姆公司 | 用于脉管斑块检测和分析的自动化方法和*** |
CN101474082A (zh) * | 2009-01-16 | 2009-07-08 | 北京工业大学 | 基于有限元形变理论的血管壁弹性分析方法 |
CN101833757A (zh) * | 2009-03-11 | 2010-09-15 | 深圳迈瑞生物医疗电子股份有限公司 | 血管图像组织结构的边缘检测及血管内膜检测方法和*** |
CN102048550A (zh) * | 2009-11-02 | 2011-05-11 | 上海交通大学医学院附属仁济医院 | 一种自动生成肝脏3d图像并准确定位肝脏血管支配区域的方法 |
CN102163326A (zh) * | 2010-12-22 | 2011-08-24 | 武汉沃生科学技术研究中心有限公司 | 血管超声图像中颈动脉血管内中膜的计算机自动分割和厚度均匀度分析方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6751354B2 (en) * | 1999-03-11 | 2004-06-15 | Fuji Xerox Co., Ltd | Methods and apparatuses for video segmentation, classification, and retrieval using image class statistical models |
EP1554682A1 (en) * | 2002-09-24 | 2005-07-20 | Eastman Kodak Company | Method and system for computer aided detection (cad) cued reading of medical images |
AU2005321925A1 (en) * | 2004-12-30 | 2006-07-06 | Proventys, Inc. | Methods, systems, and computer program products for developing and using predictive models for predicting a plurality of medical outcomes, for evaluating intervention strategies, and for simultaneously validating biomarker causality |
US7783092B2 (en) * | 2006-01-17 | 2010-08-24 | Illinois Institute Of Technology | Method for enhancing diagnostic images using vessel reconstruction |
-
2012
- 2012-06-28 US US13/535,895 patent/US8958618B2/en active Active
-
2013
- 2013-05-20 JP JP2013106172A patent/JP2014008402A/ja active Pending
- 2013-06-27 CN CN201310260884.XA patent/CN103514597A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040249270A1 (en) * | 2003-03-20 | 2004-12-09 | Kabushiki Kaisha Toshiba | Processor for analyzing tubular structure such as blood vessels |
CN1929781A (zh) * | 2003-08-21 | 2007-03-14 | 依斯克姆公司 | 用于脉管斑块检测和分析的自动化方法和*** |
CN101474082A (zh) * | 2009-01-16 | 2009-07-08 | 北京工业大学 | 基于有限元形变理论的血管壁弹性分析方法 |
CN101833757A (zh) * | 2009-03-11 | 2010-09-15 | 深圳迈瑞生物医疗电子股份有限公司 | 血管图像组织结构的边缘检测及血管内膜检测方法和*** |
CN102048550A (zh) * | 2009-11-02 | 2011-05-11 | 上海交通大学医学院附属仁济医院 | 一种自动生成肝脏3d图像并准确定位肝脏血管支配区域的方法 |
CN102163326A (zh) * | 2010-12-22 | 2011-08-24 | 武汉沃生科学技术研究中心有限公司 | 血管超声图像中颈动脉血管内中膜的计算机自动分割和厚度均匀度分析方法 |
Non-Patent Citations (3)
Title |
---|
刘尧: "冠状动脉分析算法的研究与应用", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, 15 June 2012 (2012-06-15) * |
吴谨 等: "基于最大熵的灰度阈值选取方法", 《武汉科技大学学报(自然科学版)》, vol. 27, no. 1, 31 March 2004 (2004-03-31) * |
汪海洋 等: "二维Otsu自适应阈值选取算法的快速实现", 《自动化学报》, vol. 33, no. 9, 30 September 2009 (2009-09-30) * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022719A (zh) * | 2014-04-23 | 2015-11-04 | Ge医疗***环球技术有限公司 | 医学造影***及方法 |
CN105022719B (zh) * | 2014-04-23 | 2019-06-28 | Ge医疗***环球技术有限公司 | 医学造影***及方法 |
CN108882897A (zh) * | 2015-10-16 | 2018-11-23 | 瓦里安医疗***公司 | 图像引导放射疗法中的迭代图像重建 |
CN108430330A (zh) * | 2015-12-03 | 2018-08-21 | 西门子保健有限责任公司 | 产生血管***的体积图像的序列的断层造影设备和方法 |
CN108430330B (zh) * | 2015-12-03 | 2021-10-01 | 西门子保健有限责任公司 | 产生血管***的体积图像的序列的断层造影设备和方法 |
CN107392893A (zh) * | 2017-06-30 | 2017-11-24 | 上海联影医疗科技有限公司 | 组织密度分析方法及*** |
CN107563983A (zh) * | 2017-09-28 | 2018-01-09 | 上海联影医疗科技有限公司 | 图像处理方法以及医学成像设备 |
CN108210186A (zh) * | 2018-01-29 | 2018-06-29 | 靳霞 | 产妇辅助恢复装置 |
CN108210186B (zh) * | 2018-01-29 | 2020-02-25 | 张燕 | 产妇辅助恢复装置 |
CN110866891A (zh) * | 2018-08-28 | 2020-03-06 | 株式会社摩如富 | 图像识别装置、图像识别方法及图像识别程序 |
CN110866891B (zh) * | 2018-08-28 | 2023-12-26 | 株式会社摩如富 | 图像识别装置、图像识别方法及存储介质 |
CN109846465A (zh) * | 2019-04-01 | 2019-06-07 | 数坤(北京)网络科技有限公司 | 一种基于亮度分析的血管钙化误报检测方法 |
Also Published As
Publication number | Publication date |
---|---|
US20140003701A1 (en) | 2014-01-02 |
US8958618B2 (en) | 2015-02-17 |
JP2014008402A (ja) | 2014-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103514597A (zh) | 图像处理装置 | |
Bi et al. | Automatic liver lesion detection using cascaded deep residual networks | |
US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
EP3035287B1 (en) | Image processing apparatus, and image processing method | |
US9959486B2 (en) | Voxel-level machine learning with or without cloud-based support in medical imaging | |
CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
US8355553B2 (en) | Systems, apparatus and processes for automated medical image segmentation using a statistical model | |
EP4345746A2 (en) | Method and system for image segmentation and identification | |
US8837789B2 (en) | Systems, methods, apparatuses, and computer program products for computer aided lung nodule detection in chest tomosynthesis images | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断*** | |
Maitra et al. | Automated digital mammogram segmentation for detection of abnormal masses using binary homogeneity enhancement algorithm | |
CN112508902A (zh) | 白质高信号分级方法、电子设备及存储介质 | |
Banerjee et al. | A CADe system for gliomas in brain MRI using convolutional neural networks | |
La Rosa | A deep learning approach to bone segmentation in CT scans | |
Ramos et al. | Fast and smart segmentation of paraspinal muscles in magnetic resonance imaging with CleverSeg | |
AU2019204365C1 (en) | Method and System for Image Segmentation and Identification | |
CN109377477B (zh) | 一种图像分类的方法、装置及计算机可读存储介质 | |
CN115908299A (zh) | 基于医学影像的生存期预测方法、装置、设备及介质 | |
Lacerda et al. | A parallel method for anatomical structure segmentation based on 3d seeded region growing | |
CN115294023A (zh) | 肝脏肿瘤自动分割方法及装置 | |
EP3989165A1 (en) | Detecting anatomical abnormalities by segmentation results with and without shape priors | |
Zanaty et al. | Probabilistic region growing method for improving magnetic resonance image segmentation | |
Mehta et al. | Heart Disease Diagnosis using Deep Learning | |
Elmasry et al. | Graph partitioning based automatic segmentation approach for ct scan liver images | |
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: 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. |
|
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140115 |