CN104224217A - 医用图像处理装置以及医用图像处理方法 - Google Patents
医用图像处理装置以及医用图像处理方法 Download PDFInfo
- Publication number
- CN104224217A CN104224217A CN201410285921.7A CN201410285921A CN104224217A CN 104224217 A CN104224217 A CN 104224217A CN 201410285921 A CN201410285921 A CN 201410285921A CN 104224217 A CN104224217 A CN 104224217A
- Authority
- CN
- China
- Prior art keywords
- mentioned
- narrow
- tube chamber
- medical image
- area
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30172—Centreline of tubular or elongated structure
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Theoretical Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Vascular Medicine (AREA)
- Hematology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种能够在管腔的非分支区域的各个中评估管腔的状态,自动地识别有无狭窄的医用图像处理装置。本实施方式所涉及的医用图像处理装置具备:分割部,通过体数据中的管腔的树状构造的分支区域,将树状构造分割成多个非分支区域;测量部,在非分支区域的各个中,测量与管腔的截面形状相关的特征量;指标计算部,根据特征量计算表示非分支区域各个的状态的管腔状态指标;确定部,根据管腔状态指标对非分支区域的各个确定非正常部分和正常部分;期望值计算部,根据与非正常部分相邻的正常部分的特征量,计算非正常部分中的特征量的期望值;识别部,根据在非正常部分中测量的特征量的测量值和期望值,识别非正常部分中有无狭窄。
Description
技术领域
本说明书所述的实施方式一般涉及用于对立体图像数据进行处理识别具有规定的状态的管腔区域的方法以及装置。实施方式具有对管腔内的狭窄进行识别以及量化的确定的用途。
背景技术
为了取得表示患者或者其他的对象的体内构造的图像数据,众所周知的是使用医用图像诊断技术。已知有实施对血管进行图像化处理的血管造影法。
以往,血管造影法处于导管血管造影法的方式,此时,导管被***到大型的管腔。接着,导管被诱导到关心点(例如,心脏)。此时,由关心点注入造影剂。之后,使用X射线荧光透视法来对多个二维静态图像、或者短的动画图像进行摄影。在这样的图像中,管腔能够通过造影剂来清晰地观察。导管血管造影法是侵入性的过程。
导管血管造影法的代替法是CT(计算机断层摄影:ComputedTomography)血管造影法。在CT血管造影法中,首先,将造影剂导入到血管内。接着,进行CT扫描。通过CT扫描,组合多个切片,得到通过造影剂强调了血管的三维图像数据集。CT血管造影法被看作是针对构造上的问题非侵入性地对管腔进行分析的最佳工具之一。
不依存于有无使用造影剂,还能够使用其他的图像诊断手段。
在血管内产生的构造上的问题之一的形态是形成狭窄。所谓狭窄是指管腔异常收缩或者变窄。图1是表示的正常管腔区域(正常区域)2的2个位置、以及狭窄区域4的2个位置的血管的图像。狭窄区域看上去是管腔变窄的段。狭窄被认为出现在不同的解剖学上的部分,例如,出现在冠动脉的狭窄、肾动脉的狭窄、或者颈动脉的狭窄。
如果能够找到狭窄明显的那样的合适的视角,则还能够通过手动作业在血管的医学图像上识别狭窄。但是,这可能会花费时间和工夫。管腔的可见性以及狭小部的评估能力根据角度而变化,因此,难以选择角度以及测量视角。另外,基于手动作业的识别以及量化还可能产生依存于用户的测量结果。
存在自动地识别所提供的管腔段内的狭窄的方法,但所涉及的方法在大多数情况下比较复杂,另外,有时需要用户通过手动作业来识别相关联的管腔段。
发明内容
本发明的目的在于提供一种在管腔的非分支区域的各个中,能够评估管腔的状态,自动地识别有无狭窄的医用图像处理装置、以及医用图像处理方法。
本实施方式所涉及的医用图像处理装置具备:分割部,通过体数据中的管腔的树状构造的分支区域,将上述树状构造分割成多个非分支区域;测量部,在上述非分支区域的各个中,测量与上述管腔的截面形状相关的特征量;指标计算部,基于上述特征量,计算表示上述非分支区域的各个的状态的管腔状态指标;确定部,基于上述管腔状态指标,对上述非分支区域的各个确定非正常部分和正常部分;期望值计算部,基于与上述非正常部分相邻的上述正常部分的上述特征量,计算上述非正常部分中的上述特征量的期望值;以及识别部,基于在上述非正常部分中测量的上述特征量的测量值和上述期望值,识别上述非正常部分中有无狭窄。
附图说明
图1是表示以往技术所涉及的具有以往的正常区域以及狭窄区域的血管的图像的图。
图2是表示本实施方式所涉及的装置的概略的图。
图3是概略地表示在本实施方式中实施的过程的流程图。
图4a是表示本实施方式所涉及的从管腔的树状构造中除去分支区域的概略图。
图4b是表示本实施方式所涉及的从管腔的树状构造中除去分支区域的概略图。
图4c是表示本实施方式所涉及的从管腔的树状构造中除去分支区域的概略图。
符号说明
10…装置、12…处理单元、14…CT扫描仪、16…显示画面、18…输入设备、20…存储器、22…CPU、24…分割单元、25…测量单元、26…参照单元、28…计算单元、30…区域识别单元、32…显示生成单元、70…管腔的树状构造、72…分支区域、74…管腔段(非分支区域)。
具体实施方式
几个实施方式提供一种用于对体数据进行处理识别具有规定的状态的管腔区域的装置,该装置具备:测量单元,测量至少1个管腔参数;参照识别单元,取得表示非分支管腔的数据,识别非分支管腔中的至少1个参照段;计算单元,根据至少1个参照段中的至少1个参数的测量值,计算管腔的更进一步的段中的参数的期望值;区域识别单元,识别具有依存于更进一步的段中的参数的期望值和更进一步的段中的参数的测量值的双方的规定的状态的至少1个管腔区域。
几个实施方式提供一种自动地检测管腔区域的方法,该方法包含:取得表示非分支管腔的数据;识别非分支管腔的至少1个参照段;针对至少1个参照段,测量至少1个参数值;测量管腔的更进一步的段中的参数的值;根据与至少1个参照段相关的至少1个测量值,计算管腔的更进一步的段中的参数的期望值;识别具有依存于更进一步的段中的参数的期望值与更进一步的段中的参数的测量值的比较的状态的管腔区域。
在图2中图示地说明基于某一实施方式的装置10。在该实施方式中,规定的状态为狭窄,另外,参数是管腔的内腔直径。
装置10具备处理单元12、此时与CT扫描仪14连结的个人计算机(PC)或者工作站、显示画面16、以及1个或者多个输入设备18,比如计算机键盘以及鼠标等。例如,与装置10相关的医用图像处理装置具有处理单元12、显示单元中的显示画面16、输入设备18、以及存储器20。在该实施方式中,CT扫描仪14是各种CT扫描仪产品组中之一。CT扫描仪14能够由构成为取得三维图像数据的任意的CT扫描仪代替。另外,也可以代替CT扫描仪14,使用其他的图像诊断器械,例如,也可以使用MRI(Magnetic Resonance Imaging)扫描仪。
在该实施方式中,通过CT扫描仪14取得的多个图像数据集(体数据)存储于存储器20内,之后提供给至处理单元12。在代替的实施方式中,多个图像数据集从能够成为图像档案以及信息传送***(PACS:Picture Archiving and Communication System)的一部分的远程数据存储器(未图示)来供给。存储器20或者远程数据存储器能够具备任意的合适的形态的存储器存储部。
处理单元12提供自动地或者半自动地对多个图像数据集进行处理的处理源。处理单元12具备中央处理装置(CPU)22,上述中央处理装置(CPU)22能够进行动作,以便下载以及执行构成为参照图3实施以下所述的方法的各种软件模块或者其他的软件构成要素。
处理单元12具有:测量单元25,测量管腔的参数;参照识别单元26,根据体数据识别管腔的参照段;计算单元28,计算至少1个更进一步的段中的参数的期望值;区域识别单元30,识别具有规定的状态(在该实施方式中,狭窄区域)的区域,决定该状态的严重程度的指标(此时,最大狭窄点的狭窄率(%))。
在该实施方式中,处理单元12具有:分割单元24,从多个图像数据集中提取管腔的树状构造;显示生成单元32,生成为了显示在显示画面(显示部)16上而从多个图像数据集中导出的图像。在显示画面16中,强调具有规定的状态(此时,狭窄区域)的1个或者多个区域。管腔的树状构造在各种实施方式能够手动地或者自动地提取,根据情况有时事先提取,另外,还有时在需要时读出。
在本实施方式中,测量单元25、参照识别单元26、计算单元28、区域识别单元30、分割单元24、以及显示生成单元32通过具有为了实施本实施方式的方法而能够执行的计算机可读命令的计算机程序,在处理单元12中分别执行。然而,在其他的实施方式中,各单元能够在软件内、硬件内、或者硬件与软件的任意的合适的组合中实施。在几个实施方式中,各种单元能够作为1个或者多个ASIC(特定用途集成电路)来实施。在更进一步的实施方式中,1个或者多个单元能够在GPU(图形处理单元)上实施。
在处理单元12中,还具备包含硬盘驱动器以及RAM、ROM、数据总线的其他的PC构成要素、包含各种设备驱动程序的操作***、以及包含显卡的硬件设备。为了易于观察,在图2中没有图示出该构成要素。
图2的***构成为,针对图3的流程图所概略地所示的各阶段,实施具有该顺序的过程。
在图3的实施方式中,针对作为管腔的冠动脉的狭窄进行评估。在更进一步的实施方式中,成为狭窄的评估对象的管腔也可以是血管***的任意的部分,例如,也可以是肾动脉或者颈动脉。即,所谓管腔例如是指动脉、静脉、冠动脉、肾动脉、颈动脉、支气管等。以下,为了简化说明,将管腔说明为血管。
首先,在阶段40中,分割单元24从存储器20或者远程数据存储器接收图像数据集。在该实施方式中,图像数据集是与使用CT扫描仪14通过冠动脉CT血管造影法得到的患者的心脏区域相关的三维数据集(体数据)。图3的过程能够实时(在CT扫描期间中或者紧接之后)地、或者针对目前得到的CT数据(体数据)实施。另外,从存储器20或者远程数据存储器接收的图像数据集也可以是通过磁共振成像(MRI)扫描仪产生的体数据(MRI数据)。另外,三维数据集也可以是通过MR血管造影法产生的体数据。
在阶段42中,分割单元24为了隔离表示成为对象的血管(在该实施方式中,具备冠动脉的血管的树状构造)的图像数据的一部分,使用基于任意的合适的已知分割法(例如,基于任意的1个或者多个区域扩张法的分割、动态轮廓法(active contours)、基于强度以及形状的分类的分割),来对体数据实施分割。在代替的实施方式中,分割通过手动作业来实施。
在该实施方式中,分割单元24在分段的树状构造的表现(显示)中识别分支点。分割单元24也可以通过任意的合适的方法,例如,通过针对各管腔沿着管腔中心线,识别这些中心线交叉的位置来识别分支点。
在更进一步的实施方式中,在向存储器20或者远程数据存储器追加之前,为了提取管腔的树状构造,从存储器20或者远程数据存储器供给的体数据也可以已经被分段。此时,被分段的体数据直接向参照识别单元26供给。此时,在处理单元12中,不需要分割单元24。该分段后的体数据具有树状构造的管腔的分支点。
在阶段44中,参照识别单元26从分割单元24、存储器20或者远程数据存储器,接收表示具有冠动脉的管腔的树状构造的被分段后的体数据。
体数据具有识别分支点的管腔的树状构造的表现。对每个分支点,参照识别单元26将分支区域进行定义。分支区域具有分支点以及在该分支点相交的多个管腔的各个的小段(部分管腔)。分支区域的范围由分支阈值长度规定。分支阈值长度决定分支区域所包含的各管腔的一部分的长度。在该实施方式中,例如,分支阈值长度是1mm。另外,分支阈值长度也可以被设定为在参照识别单元26中所固定的设定值。从而,分支区域具有分支点以及在该分支点相交、从分支点测量到的长度为1mm的各管腔。在其他的实施方式中,针对分支阈值长度使用不同的设定值。在代替的实施方式中,参照识别单元26通过任意的合适的自动的方法决定分支阈值长度。
在更进一步的实施方式中,例如,分支阈值长度在阶段44之前由用户使用输入设备18输入。基于用户的输入通过参照识别单元26接收。用户也可以输入在图3所述的过程之一的确定的场合所使用的分支阈值长度。或者,用户也可以输入在所有的过程中使用的分支阈值长度、或者在所确定的过程中使用的1个或者多个分支阈值长度(例如,用户针对冠动脉评估也可以输入与肾动脉评估不同的值的分支阈值长度。另外,用户针对CT数据也可以输入与MRI数据不同的值的分支阈值长度)。分支阈值长度也可以适用于血管树内的所有的分支点。另外,分支阈值长度也可以对于不同的分支点而不同。
在其他的实施方式中,参照识别单元26决定分支阈值长度。可以将单一的分支阈值长度适用于所有的分支点。另外,也可以将不同的分支阈值长度适用于不同的分支点。分支阈值长度也可以依存于作为对象的过程、或者管腔的树状构造的数据或者参数的细节。在识别出分支区域之后,参照识别单元26从讨论对象的管腔的树状构造中除去分支区域,只保留管腔没有分支的段。图4a、图4b、以及图4c是表示分支区域除去过程的概略图。图4a表示具备3个分支点的管腔的树状构造70。图4b表示具有带有阴影的3个分支区域72的管腔的树状构造70。图4c表示除去分支区域之后得到的没有分支的管腔段(非分支区域)74。要注意这些图与原尺寸不成比例,只不过是管腔的树状构造的概略的表现。特别地,各分支区域72的范围与没有分支的管腔段74的长度相比较被夸大。这些图表示为针对分支区域的除去,该过程仿佛在管腔的树状构造的图像上实施,但要注意,分支区域除去过程在通过分割单元24、存储器20、或者远程数据存储器提供的、具有分段后的血管的体数据上实施,以及不一定包含构筑图像的步骤。分支区域的除去能够包含从体数据中除去分支区域数据的步骤,或者在过程的更进一步的步骤中,包含将分支区域数据作为讨论对象外的步骤。分支区域的除去可能包含对数据添加标记,以便不会在根据原始的数据集制成第2或者更进一步的数据集的更进一步的处理、或者任意的其他的合适的过程中使用。
例如,参照识别单元26具有通过体数据中的管腔的树状构造的分支区域,将树状构造分割成多个非分支区域的分割部。分割部根据规定分支区域中的管腔的长度的分支阈值长度,规定树状构造中的分支区域的范围。
在参照识别单元26除去分支区域72之后,管腔的树状构造的剩余的部分具有图4c所示的那样的几个没有分支的管腔段74。以下,参照图3的流程图讨论对存在于这样的没有分支的管腔段74之一的狭窄进行评估的过程。对起因于阶段44中的分支区域72的除去的没有分支的每个管腔段74实施该过程。
在阶段46中,针对每个没有分支的各管腔段74,测量单元25沿着没有分支的管腔段74的长度方向以规定的间隔选择一系列的点。测量单元25在各点中,测量内腔尺寸参数,此时,测量内腔直径(管腔的内径),以及测量管腔尺寸参数,此时,测量管腔的外径。
即,测量单元(测量部)25在非分支区域的各个中,测量与管腔的截面形状相关的特征量。在此,所谓特征量例如是指管腔中的内腔直径、内腔半径、内腔截面面积、外腔直径、外腔半径、外腔截面面积中的至少一个。另外,如果是与表示管腔的状态的管腔状态指标(之后详述)相关的特征量,则也可以是任何特征量。
首先,测量单元25使用任意的合适的已知的方法,在一系列的各点中,决定管腔的中心线的位置。例如,在一个实施方式中,管腔的中心线存在于具有某一最低成本的所提供的2点之间。在代替的实施方式中,最初对体数据中的管腔状的区域进行分段,接着,为了形成中心线而找出该分割的骨格。
测量单元25在相对于各点的中心线实质上垂直的平面上的管腔的截面(切片)中,至少测量1个内腔直径以及至少1个外腔直径。
能够理解与中心线正交而取得的管腔截面(切片)是正圆的可能性低。从而,针对所提供的切片,选择内腔直径中的任意的一个,例如,选择最大直径、最小直径、或者几个中间的直径中的任意一个,测量该内腔直径。也同样适用于外腔直径。在本说明中,为了得到更进一步的直径,例如,为了得到平均直径,测量直径包含组合2个以上的直径(例如,最小直径以及最大直径)。
在该实施方式中,测量单元25测量切片的最小内腔直径以及最小外腔直径。在大多数的实施方式中,选择外腔直径的测量与选择血管的直径的测量对应。例如,两者是最小直径,两者是最大直径,或者两者相当于平均直径。
在更进一步的实施方式中,代替各直径,或者除了各直径之外,测量或者计算切片不同的参数。参数也可以是几何学参数,例如,也可以是半径或者截面面积。或者,参数也可以是使用任意的其他的参数、或者内部轮廓区域以及外部轮廓区域的任一个或者双方而计算的概括统计量。
在该实施方式中,测量单元25将各点中的最小内腔直径以及最小外腔直径的数值(测量值)移送至参照识别单元26。接着,针对各点,参照识别单元26将最小内腔直径的测量值以及最小外腔直径的测量值进行比较。在该实施方式中,参照识别单元26针对管腔上的各点计算与动脉粥样硬化指标(atherosclerosis index:ASI)相关的数值。
管腔上的所提供的点中的动脉粥样硬化指标被规定为将最小外腔直径除以最小内腔直径得到的值。
当在某一点中ASI高时,暗示某一点中的管腔异常(例如,狭窄或者动脉瘤)的可能性(但是,该可能性的评估通过图3的过程所示的更进一步的阶段进行精确化处理)。当在某一点中ASI低时,表示管腔在某一点正常的可能性高,或者至少表示具有狭窄或者动脉瘤的可能性极低。从而,ASI能够用于将没有分支的管腔段(非分支区域)74分割成疑似狭窄的段(非正常部分)和参照段(正常部分),所谓参照段是指正常的可能性高的、没有分支的管腔段(非分支区域)74的一部分。
在其他的实施方式中,代替动脉粥样硬化指标或者除了动脉粥样硬化指标之外,计算不同的指数或者指标。能够利用其他的直径,例如,能够利用最大直径或者平均直径。或者,能够利用半径或者截面面积。指数或者指标可以是比,另外,也可以是参数的其他的任意的合适的组合。
例如,参照识别单元26具有根据所测量的特征量,计算非分支区域的各个的管腔状态指标的指标计算部。指标计算部使用测量的特征量,在沿着非分支区域的各个中的中心线(长度方向)以规定的间隔设定的多个点的各个,计算管腔状态指标。在此,当管腔是血管时,所谓管腔状态指标例如是指上述动脉粥样硬化指标、斑块负荷(plaqueburden)等。所谓斑块负荷是指斑块相对于血管截面面积的斑块截面面积。此时,测量单元25在非分支区域的各个中的上述多个点的各个中,测量血管截面面积和斑块截面面积。
在阶段48中,参照识别单元26使用沿着管腔的长度方向的多个点各个的ASI和ASI阈值,将没有分支的管腔段74分割成疑似狭窄的段(非参照段)和参照段。在该实施方式中,ASI阈值根据经验导出。参照识别单元26分别在非分支区域的多个点将ASI超过ASI阈值的点指定为疑似狭窄的点。另外,参照识别单元26将一系列的相邻的疑似狭窄的点指定为疑似狭窄的段(非正常部分)。接着,为了下一阶段的过程,参照识别单元26从体数据中除去疑似狭窄的段。段的除去能够通过从体数据中除去非正常部分的数据、在将来的步骤中使相关联的非正常部分的数据不包含在讨论的对象中、或者通过任意的合适的方法来实施。参照识别单元26将没有分支的管腔段的剩余的段的各个指定为参照段(正常部分),并将各参照段内的各点(例如,在正常部分中沿着中心线的规定的多个点的各个)指定为参照点。没有分支的管腔段(非分支区域)也可以具有一个或者多个参照段(正常部分)和/或一个或者多个疑似狭窄的段(非正常部分)。在本说明中,假设成为考察的对象的确定的没有分支的管腔段具有至少1个参照段以及至少1个疑似狭窄的段。
例如,参照识别单元26具有根据管腔状态指标,对非分支区域的各个确定非正常部分和正常部分的确定部。具体而言,确定部通过将存储于存储器20的与管腔状态指标相关的指标阈值和管腔状态指标进行比较,从而对作为分割单位的多个非分支区域的各个,确定非正常部分和正常部分。即,确定部将与超过指标阈值的管腔状态指标相关的非分支区域确定为非正常部分。另外,确定部将与指标阈值以下的管腔状态指标相关的非分支区域确定为正常部分。
在其他的实施方式中,参照识别单元26根据不同的指数或者指标,将没有分支的管腔段74分割成疑似狭窄的段和参照段。在这些实施方式的一部分中,适用指数的阈值。在更进一步的实施方式中,参照识别单元26为了从疑似狭窄的段中区别参照段也可以使用代替的方法。
在阶段50中,对疑似狭窄的每个点,计算单元28计算所期望的内腔直径。当不存在狭窄或者其他的异常时,所期望的内腔直径在疑似狭窄的点中是被期望的直径。在疑似狭窄的段中,如果该段不包含狭窄,则为了推测是怎样的内腔直径,使用1个或者多个参照段(使用ASI指数来确定存在狭窄的可能性极低的段)内的测量到的内腔直径来计算期望的内腔直径。
计算单元28从参照识别单元26接收数据。从参照识别单元26接收的数据具有在阶段48中规定的参照段(正常部分)以及疑似狭窄的段(非正常部分)的定义、和管腔的各点中测量到的内腔直径。
在该实施方式的第1变形方式中,计算单元28通过使用相邻的参照段(正常部分)内的多个点中的测量到的管腔径,计算在各疑似狭窄的段(非正常部分)中所期望的内腔直径。回归线使用任意的合适的方法,例如,使用最小二乘法、最小平方中位数法、或者RANSAC(随机抽样一致性算法),与参照段中测量到的内腔直径近似。接着,回归线针对疑似狭窄的段(非正常部分)的一部分或者全部进行外插。疑似狭窄的段(非正常部分)内的各点中所期望的内腔直径是上述各点中外插的回归线的值。
在实施方式的第2变形方式中,疑似狭窄的段(非正常部分)分别在非正常部分的各端中各具有部两个相邻的参照段(正常部分)。回归线近似为双方的参照段(正常部分)内的多个点中测量到的内腔直径,接着,对疑似狭窄的段(非正常部分)内的各点进行内插。各点中的期望的内腔直径是被内插的回归线的值。
当存在至少一个由于位于没有分支的管腔段(非分支区域)的端部,因此具有相邻的1个参照段(正常部分)的疑似狭窄的段(非正常部分)、和至少一个具有2个相邻的参照段的疑似狭窄的段(非正常部分)时,第1以及第2实施方式也可以进行组合。
在实施方式的第3变形方式中,对在没有分支的管腔段(非分支区域)所包含的所有的参照段(正常部分)中的多个点中测量到的全内腔直径,近似单一的回归线。全部参照段(正常部分)也可以与从没有分支的管腔段(非分支区域)中引出所有的疑似狭窄的段(非正常部分)的区域中的所有的点等价地表现。没有分支的管腔段(非分支区域)所包含的所有的疑似狭窄的段(非正常部分)内的任意的点中所期望的内腔直径是上述任意点中的单一的回归线的值。
在代替的实施方式中,代替回归线使用回归模型或者分类指标。在更进一步的实施方式中,所期望的内腔直径不使用回归线、回归模型、或者分类指标而根据参照段计算。例如,在单纯的模型中,疑似狭窄的点各自所期望的内腔直径能够作为距离该疑似狭窄的点最近的参照点中所测量到的内腔直径、或者几个最近的参照点中所测量到的内腔直径的组合来得到。
例如,计算单元28具有根据与非正常部分相邻的正常部分的特征量,计算非正常部分中的特征量的期望值的期望值计算部。例如,期望值计算部通过函数对与非正常部分相邻的至少1个正常部分中的多个特征量的测量值进行近似。接着,期望值计算部通过在非正常部分中对函数进行内插或者外插,来计算非正常部分中的期望值。在非正常部分中内插或者外插的函数例如是由回归线、回归模型、分类指标中的任一个规定的函数。
对疑似狭窄的每个点,区域识别单元30将所期望的内腔直径与在阶段48中测量的内腔直径相比较。在该实施方式中,区域识别单元30计算测量值对于期望值的比(以下,称为期望测量比)(将测量到的内腔直径除以所期望的内腔直径)。不足1的期望测量比的值表示与在非狭窄的管腔中预想的内腔直径相比较,在期望测量比不足1的点内腔直径窄。
在阶段52中,区域识别单元30为了识别狭窄区域候补,在各狭窄点使用期望测量比。期望测量比的阈值被适用于疑似狭窄的各点。在该实施方式中,期望测量比的阈值为0.8。具有小于0.8的期望测量比的疑似狭窄的点均被指定为狭窄点候补。另外,一系列的相邻的狭窄点候补均被指定为狭窄区域候补。
狭窄点候补与阶段48中的疑似狭窄的点的一部分相符合。疑似狭窄的点分别具有超过ASI阈值的ASI(最小外腔直径对于最小内腔直径的比)。各狭窄点候补具有超过ASI阈值的ASI,另外,期望测量比也低于期望测量比的阈值。
在该实施方式中,期望测量比的阈值是在区域识别单元30中固定的设定值。在其他的实施方式中,关于期望测量比的阈值使用不同的数值。在更进一步的实施方式中,由用户提供期望测量比的阈值,另外,可能与上述ASI阈值相同地依存于过程或者数据的种类。在代替的实施方式中,当指定狭窄区域候补时,代替期望测量比,使用不同的计算参数。
例如,区域识别单元30具有根据在非正常部分中测量的特征量的测量值和期望值,识别非正常部分中有无狭窄的识别部。具体而言,识别部根据测量值对于期望值的比(期望测量比)与期望测量比的阈值,识别非正常部分中有无狭窄。
有时预料到存在期望测量比的值关于短的距离,稍微低于或者高于阈值的管腔段。另外,在阶段50中所期望的内腔直径的计算中,有时产生若干噪音。从而,根据情况,假设作为超过阈值的轻微的变动、计算的伪影、或者噪音的结果,相互非常接近的2个狭窄区域候补间的一个或者多个点也可以与2个狭窄区域候补一起,看作一个狭窄区域。
所期望的直径基于回归线,因此,具有不存在变动的平滑的轮廓。但是,当为了实现更高的准确性而设定时,实际的管腔分割具有在直径上小的变动。由于这样的直径的小的变动,应该组合为一体的狭窄区域有时会分离。
同样地,伪影或者噪音的结果,存在不应该被看作为纯粹的狭窄区域的非常短的狭窄区域候补。预料到真正的狭窄占据某一最低限度的物理区域。
从而,在阶段54中,区域识别单元30为了取得最终的狭窄区域,对狭窄区域候补进行挑选以及合并。该过程的目的在于除去上述那样的伪影以及噪音的影响。
在该实施方式中,当狭窄区域候补非常小时(长度不足0.5mm),区域识别单元30忽视该狭窄候补,不将该狭窄候补识别为最终的狭窄区域。当2个相邻的狭窄区域候补只分离非常短的距离(不足0.5mm)时,接着,区域识别单元30将2个狭窄区域候补合并为单一的最终的狭窄区域。在不同的实施方式中,所容许的长度或者分离的大小可能不同。
在更进一步的实施方式中,区域识别单元30除了依存于狭窄区域候补的长度或者分离距离之外,还依存于与这些区域内的点对应的期望测量比的值、或者所有的其他的合适的大小以及复合的经验法则,实施挑选过程以及合并过程。例如,期望测量比稍微超过阈值的疑似狭窄的点与期望测量比接近1的区域(不存在变窄,所测量的内腔直径与所期望的内腔直径相等)相比,与1个或者多个相邻的狭窄区域候补合并的可能性高。或者,与相邻的点相比较,期望测量比大大地不同的单一的点与期望测量比的差异比较小的单一的点相比较,认为是伪影的可能性更高。即,识别部根据非正常部分中的狭窄的范围,识别有无狭窄,当识别出的多个狭窄的间隔不足规定的距离时,合并多个狭窄。
在代替的实施方式中,不实施挑选过程和合并过程,区域识别单元30为了阶段56以后,将狭窄区域候补指定为最终的狭窄区域。
在本实施方式中,图3的过程在阶段54结束之后,进入到阶段56。然而,几个实施方式具备在图3中由虚线表示的重复的区域精确化过程。在重复的区域精确化过程中,在阶段54中规定的最终的狭窄区域作为用于重复阶段48的输入来使用,在阶段48中,将没有分支的管腔段(非分支区域)分割成疑似狭窄的段(非正常部分)和参照段(正常部分)。参照识别单元26如根据最初路径在阶段48中进行的那样,没有使用ASI规定疑似狭窄的段,而将疑似狭窄的段规定为阶段54的最终的狭窄区域。接着,参照识别单元26将这样的更新后的疑似狭窄的段从没有分支的管腔段中除去,将剩余的段指定为参照段。针对这些重新规定的参照段、以及疑似狭窄的段重复阶段50、52、以及54,规定新的一系列的最终的狭窄区域。在该时刻,过程能够进入到阶段56,另外,还能够沿着朝向阶段48的虚线箭头,针对上述区域再一次实施其他的重复。通过重复该步骤,其结果,最终的狭窄区域被更准确地规定。
即,在区域精确化过程中,例如,重复以下的过程。确定部根据由识别部识别的结果,再次确定非正常部分和正常部分。期望值计算部根据与再次确定的非正常部分相邻的正常部分的测量值,再次计算非正常部分中的期望值。识别部根据在非正常部分中测量的特征量的测量值和重新计算出的期望值,再次识别非正常部分中有无狭窄。
没有分支的管腔段(非分支区域)的各个可能具备一个或者多个最终的狭窄区域(或者,如果狭窄不存在于该管腔段中,则有时不具备最终的狭窄区域)。在阶段56中,区域识别单元30确定最终的狭窄区域各自的最大狭窄点。最终的狭窄区域的最大狭窄点被规定为管腔的变窄最大的点。在一个实施方式中,最大狭窄点通过取被测量的内腔直径成为最小的最终的狭窄区域内的点来求得。在代替的实施方式中,最大狭窄点通过取期望测量比成为最低的、最终的狭窄区域内的点来求得。在更进一步的实施方式中,最大狭窄点根据沿着最终的狭窄区域的长度方向的内腔直径或者期望测量比的变化梯度或者变化率,或者通过任意的其他的合适方法求得。
在阶段58中,区域识别单元30对最大狭窄点中的狭窄的严重程度进行量化。在该实施方式中,狭窄的严重程度通过计算最大狭窄点中的狭窄率(%)来量化。狭窄率(%)将最大狭窄点中测量到的内腔直径与接近的参照点(proximal reference)中测量到的内腔直径相比较来计算。在该实施方式中,所谓接近的参照点是指没有分支的管腔段(非分支区域)内的最近的参照点,到参照点的距离沿着管腔的中心线来测量。在2个参照点同样地接近最大狭窄点的情况下,当计算狭窄率(%)时,区域识别单元30能够选择它们的中间,另外,还能够对2个参照点的内腔直径进行平均。在更进一步的实施方式中,针对接近的参照点能够采用不同的定义,或者,为了得到合并后的内腔直径,还可能合并几个参照点中所测量到的内腔直径。
在该实施方式中,狭窄率(%)使用以下的式1来计算。
Percent=(Dref-Dmsp)/Dref×100% (式1)
在上式中,率(%)是狭窄率(%),Dref是参照点中测量到的内腔直径,Dmsp是最大狭窄点中测量到的内腔直径。计算狭窄率的方法与在临床诊疗中能够利用的方法类似。在临床诊疗中能够利用的方法中,临床医师在最大狭窄点在图像上中测量内腔直径,在管腔上最近的正常的点测量内腔直径,使用上述式1根据图像计算狭窄率(%)。
在代替的实施方式中,包含狭窄率(%)或者内腔直径本身的大小(此时,管腔具有大致一定的直径,严重程度最高的狭窄可能仅仅位于变得最窄的管腔)的任意的计算,为了对狭窄的严重程度进行量化,能够使用任意的合适的数量。
在上述实施方式的说明中,通过全体,关于内腔直径(以及、特别地关于最小内腔直径)进行了表现,但在更进一步的实施方式中,内腔半径或者内腔截面面积能够用于计算与狭窄率(%)或者狭窄的严重程度相关的其他的合适的指标。即,识别部根据非正常部分中的狭窄位置的测量值和与狭窄位置相邻的非狭窄位置中的测量值,决定树状构造中的狭窄的严重程度(狭窄率)。
区域识别单元30分别针对没有分支的各管腔段内的最终的狭窄区域,计算最大狭窄点中的狭窄率(%)。分别针对最终的狭窄区域,与最终的狭窄区域内的最大狭窄点对应的狭窄率(%)还能够称为最终的狭窄区域中的狭窄率(%)。在该实施方式中,不存在沿着狭窄区域的长度方向对狭窄率(%)的数值进行平均化或者合并,最大狭窄点中的狭窄率(%)被看作为与狭窄区域整体相关联的狭窄率(%)的数值。即,识别部将狭窄位置的测量值与和狭窄位置相邻的近端基准点(proximal reference)的测量值进行比较。由此,识别部决定树状构造中的最大严重程度(最大狭窄率)的位置(最大狭窄点)。
在更进一步的实施方式中,区域识别单元30针对冠动脉中的血管的树状构造内的所有的狭窄区域,计算狭窄率。此外,区域识别单元30为了提供每标准的段的QCA(quantitative coronary angiography:定量的冠动脉造影)分析法而使用段信息。也可以分别针对与冠动脉中的血管的树状构造相关的17个AHA(American Heart Association:美国心脏协会)段来提供狭窄率(%)。此时,狭窄等级(轻度、中等程度、重度、堵塞)被分配给各狭窄。
在阶段60中,显示生成单元32显示图像,在该图像中,最终的狭窄区域的一部分或者全部通过对该图像适用视觉效果来表示。即,显示部(显示画面16)显示表示在树状构造中具有狭窄的区域的图像。视觉效果意图使用户的兴趣朝向作为该效果的利用对象的区域。从而,与用户手动作业进行的狭窄的识别相比较,节约时间和工作。在该实施方式中,某一最终的狭窄区域有无基于视觉效果进行显示依存于该最终的狭窄区域的狭窄率(%)是否满足显示阈值。
显示生成单元32从区域识别单元30取得包含最终的狭窄区域的位置或范围以及最大狭窄点中的狭窄率(%),分别针对最终的狭窄区域的数据。显示生成单元32从分割单元24、存储器20、或者数据存储器取得将管腔隔离的原始的体数据或者被分段的体数据。或者,显示生成单元32从任意的其他的单元或者装置的一部分中,取得体数据或者被分段的体数据。
显示生成单元32根据所取得的体数据,生成由区域识别单元30识别出的、表示至少1个最终的狭窄区域的图像。该图像具备适合显示CT血管造影图像数据的任意的视角,例如,具备SVR(Shaved VolumeRendering:带有阴影的可视化图像)的视角。该图像被显示在显示画面16上。
在该实施方式中,与狭窄率的强调显示相关的显示阈值例如是50%。即,为了引起临床医生的注意,狭窄率(%)为50%以上的最终的狭窄区域分别对最终的狭窄区域添加颜色(规定的色相),例如,添加红色来在图像中强调。分别对狭窄率(%)是50%以上的最终的狭窄区域添加相同的颜色。狭窄率(%)不足50%的最终的狭窄区域的各个没有被强调,而与没有强调的其他的所有的图像部分相同地显示。
在其他的实施方式中,显示阈值被设定为不同的数值,例如,被设定为狭窄率30%或者狭窄率70%。在更进一步的实施方式中,针对狭窄率(%)设定具有不同的数值的多个显示阈值。在一个实施方式中,第1显示阈值被设定为狭窄率50%,第2显示阈值被设定为狭窄率70%。在最终图像中强调了狭窄率(%)的值是50%以上的所有的最终的狭窄区域,但显示阈值是70%以上的最终的狭窄区域以与具有50%~70%的狭窄率(%)的最终的狭窄区域不同的颜色来强调。在代替的实施方式中,不会伴随着基于狭窄率(%)的阈值处理,而强调所有的最终的狭窄区域。
显示阈值能够设定为***参数,或者能够由用户输入。用户能够分别对生成图像、或者对确定的类型的图像设置应该适用的整体的显示阈值。或者,用户还能够对确定的图像设置特有的阈值。在一个实施方式中,在使用***阈值(例如,50%)显示图像之后,用户能够选择更进一步的显示阈值(例如,70%),适用新的阈值来重新显示图像。
在本实施方式中,强调最终的狭窄区域包含对图像添加颜色的步骤。在更进一步的实施方式中,显示生成单元32为了进行强调没有分别对所选择的最终的狭窄区域添加颜色,而是通过其他的方法来强调。作为其他的方法,例如,是使用变更后的强度值、适用光晕(例如,锐化滤镜)、对于图像描绘箭头、圆、或者其他的指示、或者对能够显示最终的狭窄区域的图像进行的任意的其他的修正等。在更进一步的实施方式中,显示生成单元32将数值显示或者文本显示追加给画面,表示1个或者多个最大狭窄点中的狭窄率(%)(例如,在强调后的最终狭窄段的各个的横方向表示狭窄率(%),或者在图像内显示所确定的最高狭窄率(%))。
在更进一步的实施方式中,通过根据狭窄率(%)而适用的颜色梯度或者强度梯度来置换或者补充显示阈值。例如,强调最终的狭窄区域的各个的颜色从由蓝色表示狭窄率0%,由红色表示狭窄率100%,以及由事先规定的颜色标尺上的蓝色与红色之间的对应的中间的颜色表示中间的值的狭窄率(%)的颜色标尺中选择。
在上述实施方式的全部中,与最终的狭窄区域相关的狭窄率(%)的值是该最终的狭窄区域的最大狭窄点中的狭窄率(%)。然而,在代替的实施方式中,没有将该最终的狭窄点中的直径置换为最大狭窄点中的直径,而通过使用式1,将最终的狭窄点中测量到的内腔直径与最近的参照点中测量到的内腔直径进行比较,从而对最终的狭窄内的各点计算狭窄率(%)。接着,显示生成单元32不针对各区域而针对各点适用1个或者多个显示阈值、颜色标尺、或者上述那样的其他的强调法。这样,能够根据各点中的狭窄率(%),添加分别与最终的狭窄区域对应的、阶梯状或者分阶段的颜色。
上述实施方式针对根据在式1中规定的狭窄率(%)进行强调以及设置限界值的情况进行了记载,但在更进一步的实施方式中,能够利用可以对狭窄的严重程度进行量化的任意的合适的数量,例如,能够利用期望测量比本身。
除了在上述中说明的狭窄率(%)的自动计算之外,当希望时,临床医生还能够针对所得到的图像,使用标准法来实施手动测量。
在其他的实施方式中,类似的方法用于对身体的其他的管腔中的狭窄范围进行评估、量化以及显示。上述管腔并不限定于动脉、静脉、颈动脉、以及肾动脉。
根据以上所述的结构,能够得到以下的效果。
根据本实施方式所涉及的医用图像处理装置,在沿着对管腔的树状构造进行分割的多个非分支区域的各个的中心线的多个点的各个中,能够计算管腔状态指标。由此,能够以非分支区域为单位,对管腔的状态进行评估。接着,能够根据管腔状态指标与规定的阈值,确定非分支区域的各个中的非正常部分和正常部分。另外,在非正常部分中,能够根据期望测量比和期望测量比的阈值,识别(决定)狭窄位置(狭窄区域)。
由此,根据本实施方式所涉及的医用图像处理装置,在管腔的树状构造中,没有将推定正常的管腔的状态的推定正常管腔与实际测量的管腔进行比较,能够自动地确定非分支区域中的非正常部位,自动地识别(决定)非正常部位中的狭窄位置。
因此,根据本实施方式所涉及的医用图像处理装置,在狭窄位置的识别中,能够减轻用户的负担以及工作。此外,在狭窄位置的识别中,缩短时间,提高诊断效率。
另外,根据本实施方式所涉及的医用图像处理装置,能够不依存于用户的手动作业(角度以及测量视角的选择、狭窄的识别以及量化等)而识别狭窄位置,因此,狭窄位置、狭窄的严重程度等测量结果不依存于用户而是客观的。因此,在狭窄位置的自动识别中,能够提高管腔的树状构造中的狭窄的评估的精度。例如,即使在与分支区域相邻存在狭窄的情况下,以及在涵盖管腔的树状构造全部区域存在狭窄的情况下,根据本实施方式所涉及的医用图像处理装置,也能够高精度地客观地评估(量化)狭窄,识别狭窄位置(狭窄区域)。
此外,根据本实施方式所涉及的医用图像处理装置,能够根据量化的狭窄的严重程度进行强调并显示狭窄位置,因此,能够提高用户对狭窄位置的识别,提高诊断效率。
在本说明书中,针对确定的单元进行了记载,但在代替的实施方式中,能够由单一的单元提供1个或者多个上述单元的功能,由单一的单元提供的处理源或者其他的构成要素或者功能还能够通过2个以上的单元或者其他的构成要素,对这些进行组合来提供。当参照单一的单元时,不管该构成要素相互分离地设定或者没有相互分离地设置,都包含对实施方式提供该单元的功能的多个构成要素,另外,当参照多个单元时,包含对实施方式提供这些单元的功能的单一的构成要素。
虽然记载了几个实施方式,但这些实施方式仅是作为例子而提示的,并不意图限定本实施方式的范围。当然,本说明书中记载的新的方法以及***可以组合到各种其他的方式中。进而,针对本说明书中记载的方法以及***的方式,不脱离本实施方式的精神而能够实施各种的省略、置换以及变更。这样的方式以及修正方式与包含于本实施方式的范围中一样,附加的权利要求书的范围及其同等的文书也意图地在其对象中包含所涉及的方式。
另外,本发明并不限定于上述实施方式,在实施阶段中在不脱离其要旨的范围内能够对构成要素进行变形来进行具体化处理。另外,能够通过适当地组合上述实施方式所公开的多个构成要素,来形成各种发明。例如,也可以从实施方式所示的全部构成要素中删除几个构成要素。另外,也可以适当地组合不同的实施方式中的构成要素。
Claims (16)
1.一种医用图像处理装置,其特征在于包括:
分割部,通过体数据中的管腔的树状构造的分支区域,将上述树状构造分割成多个非分支区域;
测量部,在上述非分支区域的各个中,测量与上述管腔的截面形状相关的特征量;
指标计算部,基于上述特征量,计算表示上述非分支区域的各个的状态的管腔状态指标;
确定部,基于上述管腔状态指标,对上述非分支区域的各个确定非正常部分和正常部分;
期望值计算部,基于与上述非正常部分相邻的上述正常部分的上述特征量,计算上述非正常部分中的上述特征量的期望值;以及
识别部,基于在上述非正常部分中测量的上述特征量的测量值和上述期望值,识别上述非正常部分中有无狭窄。
2.根据权利要求1所述的医用图像处理装置,其特征在于:上述分割部基于规定上述分支区域中的上述管腔的长度的分支阈值长度,规定上述树状构造中的上述分支区域的范围。
3.根据权利要求1所述的医用图像处理装置,其特征在于:上述识别部基于上述测量值对于上述期望值的比,识别上述非正常部分中有无狭窄。
4.根据权利要求1所述的医用图像处理装置,其特征在于:上述指标计算部在沿着上述管腔的长度方向的多个点的各个中,计算动脉粥样硬化指标或者斑块负荷作为上述管腔状态指标。
5.根据权利要求1所述的医用图像处理装置,其特征在于:
上述确定部基于由上述识别部识别出的结果,再次确定上述非正常部分和上述正常部分,
上述期望值计算部基于与再次确定出的上述非正常部分相邻的上述正常部分的上述测量值,重新计算上述非正常部分中的上述期望值,
上述识别部基于在上述非正常部分中测量的上述特征量的测量值与重新计算出的上述期望值,再次识别上述非正常部分中有无上述狭窄。
6.根据权利要求1所述的医用图像处理装置,其特征在于:上述识别部根据上述非正常部分中的狭窄位置中的上述测量值、和与上述狭窄位置相邻的非狭窄位置中的上述测量值,决定上述树状构造中的上述狭窄的严重程度。
7.根据权利要求6所述的医用图像处理装置,其特征在于:上述识别部通过将上述狭窄位置的上述测量值和与上述狭窄位置相邻的近端基准点的上述测量值进行比较,来决定上述树状构造中的最大严重程度的位置。
8.根据权利要求1所述的医用图像处理装置,其特征在于:
上述测量部在上述正常部分的多个点的各个中,测量上述特征量,
上述期望值计算部通过函数对与上述非正常部分相邻的至少1个上述正常部分中的多个上述特征量的上述测量值进行近似,在上述非正常部分中对上述函数进行内插或者外插,来计算上述非正常部分中的上述期望值。
9.根据权利要求8所述的医用图像处理装置,其特征在于:上述函数具有回归线、回归模型以及分类指标中的某一个。
10.根据权利要求1所述的医用图像处理装置,其特征在于:上述测量部在通过上述非分支区域的各个中的上述管腔的中心线上的多个点且与上述中心线垂直的平面上,测量上述特征量。
11.根据权利要求1所述的医用图像处理装置,其特征在于:上述特征量是上述管腔中的内腔直径、内腔半径、内腔截面面积、外腔直径、外腔半径、外腔截面面积中的至少一个。
12.根据权利要求1所述的医用图像处理装置,其特征在于还包括:
显示部,显示表示在上述树状构造中具有上述狭窄的区域的图像。
13.根据权利要求12所述的医用图像处理装置,其特征在于:上述显示部伴随着与上述狭窄的严重程度对应的视觉效果,显示上述图像。
14.根据权利要求1所述的医用图像处理装置,其特征在于:上述管腔是动脉、静脉、冠动脉、肾动脉、颈动脉、支气管中的某一个。
15.根据权利要求1所述的医用图像处理装置,其特征在于:上述识别部基于上述非正常部分中的上述狭窄的范围,识别有无上述狭窄,当识别出的多个上述狭窄的间隔小于规定的距离时,将上述多个狭窄合并。
16.一种医用图像处理方法,其特征在于包括:
通过体数据中的管腔的树状构造的分支区域,将上述树状构造分割成多个非分支区域,
在上述非分支区域的各个中,测量与上述管腔的截面形状相关的特征量,
基于上述特征量,计算表示上述非分支区域的各个的状态的管腔状态指标,
基于上述管腔状态指标,对上述非分支区域的各个确定非正常部分和正常部分,
基于与上述非正常部分相邻的上述正常部分的上述特征量,计算上述非正常部分中的上述特征量的期望值,以及
基于在上述非正常部分中测量的上述特征量的测量值和上述期望值,识别上述非正常部分中有无狭窄。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/925,121 US9974442B2 (en) | 2013-06-24 | 2013-06-24 | Method of, and apparatus for, processing volumetric image data |
US13/925,121 | 2013-06-24 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104224217A true CN104224217A (zh) | 2014-12-24 |
CN104224217B CN104224217B (zh) | 2017-04-12 |
Family
ID=52111475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410285921.7A Active CN104224217B (zh) | 2013-06-24 | 2014-06-24 | 医用图像处理装置以及医用图像处理方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9974442B2 (zh) |
JP (1) | JP6462238B2 (zh) |
CN (1) | CN104224217B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107174264A (zh) * | 2016-03-09 | 2017-09-19 | 西门子保健有限责任公司 | 确定流体动力学特征值的装置和方法 |
CN108451540A (zh) * | 2017-02-17 | 2018-08-28 | 深圳先进技术研究院 | 一种血流储备分数测量方法和装置 |
CN111815557A (zh) * | 2020-06-04 | 2020-10-23 | 上海联影智能医疗科技有限公司 | 图像分析方法、装置、设备及存储介质 |
WO2021092997A1 (zh) * | 2019-11-11 | 2021-05-20 | 苏州润迈德医疗科技有限公司 | 获取血管狭窄病变区间及三维合成方法、装置和*** |
CN113614845A (zh) * | 2019-03-17 | 2021-11-05 | 光实验成像公司 | 动脉成像与评定***和方法以及相关的基于用户界面的工作流程 |
CN114166121A (zh) * | 2021-12-01 | 2022-03-11 | 福建工程学院 | 基于四边标尺的原木检尺方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10034614B2 (en) * | 2012-02-29 | 2018-07-31 | General Electric Company | Fractional flow reserve estimation |
CN105078425B (zh) * | 2015-09-09 | 2016-06-08 | 苏州润心医疗科技有限公司 | 冠状动脉负荷检测***及检测方法 |
WO2017047819A1 (ja) * | 2015-09-18 | 2017-03-23 | イービーエム株式会社 | 血管形状分析装置、その方法、及びそのコンピュータソフトウェアプログラム |
US10853948B2 (en) * | 2016-08-10 | 2020-12-01 | Agfa Healthcare Gmbh | Method for automatically detecting systemic arteries in arbitrary field-of-view computed tomography angiography (CTA) |
EP3270355B1 (en) * | 2017-01-27 | 2019-07-31 | Siemens Healthcare GmbH | Determining a complexity value of a stenosis or a section of a vessel |
CN108564568A (zh) * | 2018-03-23 | 2018-09-21 | 沈阳东软医疗***有限公司 | 冠脉的显示方法、装置、设备及存储介质 |
CN113837985B (zh) * | 2020-06-24 | 2023-11-07 | 上海博动医疗科技股份有限公司 | 用于血管造影图像处理的训练方法和装置、自动处理方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030171894A1 (en) * | 2002-03-08 | 2003-09-11 | Giovanni Battista Mancini A.K.A. G.B. John Mancini | Vessel evaluation methods, apparatus, computer-readable media and signals |
CN102207991A (zh) * | 2010-03-31 | 2011-10-05 | 富士胶片株式会社 | 医学图像诊断辅助技术 |
US20130158970A1 (en) * | 2010-09-02 | 2013-06-20 | Pie Medical Imaging Bv | Method and Apparatus for Quantitative Analysis of a Tree of Recursively Splitting Tubular Organs |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3297725B2 (ja) | 1991-12-09 | 2002-07-02 | 国立循環器病センター総長 | 造影血管高精度管径計測装置 |
FR2708166A1 (fr) | 1993-07-22 | 1995-01-27 | Philips Laboratoire Electroniq | Procédé de traitement d'images numérisées pour la détection automatique de sténoses. |
US7379574B2 (en) * | 2002-11-27 | 2008-05-27 | The Board Of Trustees Of The Leland Stanford Junior University | Quantification of vascular irregularity |
DE10312193A1 (de) | 2003-03-19 | 2004-09-09 | Siemens Ag | Verfahren zum Betreiben eines bildgebenden medizinischen Untersuchungsgeräts |
JP4421203B2 (ja) * | 2003-03-20 | 2010-02-24 | 株式会社東芝 | 管腔状構造体の解析処理装置 |
DE10319546A1 (de) | 2003-04-30 | 2004-11-25 | Siemens Ag | Verfahren und Vorrichtung zur automatischen Detektion von Anomalien in Gefäßstrukturen |
WO2005031635A1 (en) | 2003-09-25 | 2005-04-07 | Paieon, Inc. | System and method for three-dimensional reconstruction of a tubular organ |
JP2005198708A (ja) | 2004-01-13 | 2005-07-28 | Toshiba Corp | 血管狭窄率解析装置及び血管狭窄率解析方法 |
US8355775B2 (en) * | 2004-06-03 | 2013-01-15 | Hitachi Medical Corporation | Image diagnosing support method and image diagnosing support apparatus |
US7583829B2 (en) * | 2004-09-13 | 2009-09-01 | Siemens Medical Solutions Usa, Inc. | Method and apparatus for embolism analysis |
US20060079746A1 (en) | 2004-10-11 | 2006-04-13 | Perret Florence M | Apparatus and method for analysis of tissue classes along tubular structures |
JP4822527B2 (ja) | 2006-09-26 | 2011-11-24 | 国立大学法人岐阜大学 | 画像解析装置及び画像解析プログラム |
US8126238B2 (en) * | 2006-11-22 | 2012-02-28 | General Electric Company | Method and system for automatically identifying and displaying vessel plaque views |
US8406488B2 (en) * | 2006-11-23 | 2013-03-26 | General Electric Company | Systems, methods and apparatus for plaque visualization and quantification using fuzzy and adaptive region classes |
JP2009261651A (ja) * | 2008-04-25 | 2009-11-12 | Johns Hopkins Univ | 画像処理装置及びプログラム |
US9761004B2 (en) * | 2008-09-22 | 2017-09-12 | Siemens Healthcare Gmbh | Method and system for automatic detection of coronary stenosis in cardiac computed tomography data |
US8582844B2 (en) * | 2008-11-13 | 2013-11-12 | Hitachi Medical Corporation | Medical image processing device and method |
US9788729B2 (en) * | 2008-11-21 | 2017-10-17 | Toshiba Medical Systems Corporation | Image processing apparatus and image processing method |
US8422753B2 (en) * | 2009-10-22 | 2013-04-16 | Siemens Corporation | Method and system for automatic extraction of personalized left atrium models |
US8526699B2 (en) * | 2010-03-12 | 2013-09-03 | Siemens Aktiengesellschaft | Method and system for automatic detection and classification of coronary stenoses in cardiac CT volumes |
JP5844093B2 (ja) | 2010-09-15 | 2016-01-13 | 株式会社東芝 | 医用画像処理装置及び医用画像処理方法 |
US20130066197A1 (en) * | 2011-09-13 | 2013-03-14 | Celine Pruvot | System and method for blood vessel stenosis visualization and navigation |
-
2013
- 2013-06-24 US US13/925,121 patent/US9974442B2/en active Active
-
2014
- 2014-06-06 JP JP2014118150A patent/JP6462238B2/ja active Active
- 2014-06-24 CN CN201410285921.7A patent/CN104224217B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030171894A1 (en) * | 2002-03-08 | 2003-09-11 | Giovanni Battista Mancini A.K.A. G.B. John Mancini | Vessel evaluation methods, apparatus, computer-readable media and signals |
CN102207991A (zh) * | 2010-03-31 | 2011-10-05 | 富士胶片株式会社 | 医学图像诊断辅助技术 |
US20130158970A1 (en) * | 2010-09-02 | 2013-06-20 | Pie Medical Imaging Bv | Method and Apparatus for Quantitative Analysis of a Tree of Recursively Splitting Tubular Organs |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107174264A (zh) * | 2016-03-09 | 2017-09-19 | 西门子保健有限责任公司 | 确定流体动力学特征值的装置和方法 |
CN108451540A (zh) * | 2017-02-17 | 2018-08-28 | 深圳先进技术研究院 | 一种血流储备分数测量方法和装置 |
CN113614845A (zh) * | 2019-03-17 | 2021-11-05 | 光实验成像公司 | 动脉成像与评定***和方法以及相关的基于用户界面的工作流程 |
WO2021092997A1 (zh) * | 2019-11-11 | 2021-05-20 | 苏州润迈德医疗科技有限公司 | 获取血管狭窄病变区间及三维合成方法、装置和*** |
CN111815557A (zh) * | 2020-06-04 | 2020-10-23 | 上海联影智能医疗科技有限公司 | 图像分析方法、装置、设备及存储介质 |
CN114166121A (zh) * | 2021-12-01 | 2022-03-11 | 福建工程学院 | 基于四边标尺的原木检尺方法 |
CN114166121B (zh) * | 2021-12-01 | 2023-05-12 | 福建工程学院 | 基于四边标尺的原木检尺方法 |
Also Published As
Publication number | Publication date |
---|---|
US9974442B2 (en) | 2018-05-22 |
JP6462238B2 (ja) | 2019-01-30 |
JP2015006336A (ja) | 2015-01-15 |
US20140378850A1 (en) | 2014-12-25 |
CN104224217B (zh) | 2017-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104224217B (zh) | 医用图像处理装置以及医用图像处理方法 | |
CN108038848B (zh) | 基于医学影像序列斑块稳定性指标的快速计算方法及*** | |
US8611989B2 (en) | Multi-planar reconstruction lumen imaging method and apparatus | |
US11076770B2 (en) | System for vascular assessment | |
US7546154B2 (en) | Method and apparatus for automatic detection of anomalies in vessel structures | |
CN101541242B (zh) | 对脉管结构进行显像 | |
AU2019205013B2 (en) | Method and system for identification of cerebrovascular abnormalities | |
EP3352135B1 (en) | Method and apparatus for segmentation of blood vessels | |
WO2014196558A1 (ja) | 医用画像処理装置および医用画像処理方法 | |
US9295442B2 (en) | Medical image conversion apparatus, method and program | |
US11109829B2 (en) | Medical image diagnostic apparatus | |
CN110120031B (zh) | 一种得到血管血流储备分数的方法和装置 | |
US8913812B2 (en) | Medical image processing apparatus | |
US11600379B2 (en) | Systems and methods for generating classifying and quantitative analysis reports of aneurysms from medical image data | |
US20140029816A1 (en) | Per vessel, vessel tree modelling with shared contours | |
US20230260119A1 (en) | Image processing apparatus, image processing method, and computer program product | |
Zhou et al. | Pulmonary vessel segmentation utilizing curved planar reformation and optimal path finding (CROP) in computed tomographic pulmonary angiography (CTPA) for CAD applications | |
CN111340934A (zh) | 用于生成组合式组织-血管表示的方法和计算机*** | |
WO2019058657A1 (ja) | 流体解析装置および流体解析装置の作動方法並びに流体解析プログラム | |
JP5047686B2 (ja) | 血管画像表示方法と装置 | |
KR102000615B1 (ko) | 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치 | |
CN101675452B (zh) | 对称的解剖结构的自动显示 | |
US20240202913A1 (en) | Calcium Arc Computation Relative to Lumen Center | |
CN117745654A (zh) | 一种血管体积流量的确定方法及装置 | |
CN116402795A (zh) | 一种血流速度的确定方法、装置、电子设备及存储介质 |
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: 20160705 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. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |