CN104573309B - 用于计算机辅助诊断的设备和方法 - Google Patents
用于计算机辅助诊断的设备和方法 Download PDFInfo
- Publication number
- CN104573309B CN104573309B CN201410553569.0A CN201410553569A CN104573309B CN 104573309 B CN104573309 B CN 104573309B CN 201410553569 A CN201410553569 A CN 201410553569A CN 104573309 B CN104573309 B CN 104573309B
- Authority
- CN
- China
- Prior art keywords
- slice
- volume data
- virtual plane
- equipment
- lesion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title abstract description 56
- 238000004195 computer-aided diagnosis Methods 0.000 title abstract description 17
- 230000003902 lesion Effects 0.000 claims abstract description 71
- 238000005520 cutting process Methods 0.000 claims abstract description 44
- 230000000505 pernicious effect Effects 0.000 claims abstract description 37
- 239000013598 vector Substances 0.000 claims description 50
- 238000003745 diagnosis Methods 0.000 claims description 43
- 238000000513 principal component analysis Methods 0.000 claims description 33
- 230000008859 change Effects 0.000 claims description 12
- 230000003211 malignant effect Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 4
- 230000000052 comparative effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 7
- 238000009877 rendering Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- 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
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- 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
-
- 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
- A61B6/5223—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data generating planar views from image data, e.g. extracting a coronal view from a 3D image
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/523—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for generating planar views from image data in a user selectable plane not corresponding to the acquisition plane
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/4808—Multimodal MR, e.g. MR combined with positron emission tomography [PET], MR combined with ultrasound or MR combined with computed tomography [CT]
- G01R33/4814—MR combined with ultrasound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/08—Volume rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/003—Navigation within 3D models or images
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/10132—Ultrasound image
- G06T2207/10136—3D ultrasound image
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- High Energy & Nuclear Physics (AREA)
- Computer Graphics (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Optics & Photonics (AREA)
- Physiology (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Pulmonology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
提供一种用于计算机辅助诊断的设备和方法。所述设备和方法包括:接收患者身体部位的三维(3D)体数据;产生二维(2D)切片,其中,2D切片包括从截面切割方向切割的3D体数据的截面。所述设备和方法还确定2D切片中的每个2D切片中的病变是良性还是恶性并输出指示每个2D切片中的病变是良性还是恶性的结果;基于所述结果选择多个2D切片;基于选择的2D切片做出病变是良性还是恶性的最终确定。
Description
本申请要求于2013年10月24日提交到韩国知识产权局的第10-2013-0127246号韩国专利申请的权益,该韩国专利申请的全部公开内容通过出于所有目的的引用被合并于此。
技术领域
以下描述涉及一种用于使用计算机辅助诊断(CAD)的医学诊断的方法和设备。
背景技术
计算机辅助诊断(CAD)是用于创建、修改、分析或优化图像设计的***。CAD支持对患者身体部位的医学图像的分析以及来自每个医学图像的对病变的诊断,产生这样的分析和诊断以帮助医生做出准确的诊断。近来,医学设备的快速发展已经促使处理和输出表现患者身体部位的内部截面的三维(3D)图像的医学装置的引进。另外,已经进行了许多尝试来开发使用3D图像的CAD技术。
3D图像是以三维方式表现患者身体部位的图像。然而,3D图像不提供体数据内的器官或组织的大的可见性。另外,尽管对开发使用3D图像的CAD技术做出了巨大努力,但是当进行诊断时,医生和其他医学专家仍然依靠和更习惯于使用二维(2D)医学图像,而非3D图像。
发明内容
提供本发明内容以按照简化形式引入对在下面的具体实施方式中进一步描述的构思的选择。本发明内容不意图确定要求保护的主题的关键特征或必要特征。也不意图用作确定要求保护的主题的范围的帮助。
根据一说明性配置,提供一种用于医学诊断的方法,包括:接收患者身体部位的三维(3D)体数据;产生二维(2D)切片,其中,2D切片包括从截面切割方向切割的3D体数据的截面;确定2D切片中的每个2D切片中的病变是良性还是恶性并输出指示每个2D切片中的病变是良性还是恶性的结果;基于所述结果选择若干2D切片;基于选择的2D切片做出体数据中的病变是良性还是恶性的最终确定。
所述确定2D切片中的每个2D切片中的病变是良性还是恶性的步骤可包括:将2D切片中的每个2D切片应用于诊断模型以确定2D切片中的每个2D切片中的病变是良性还是恶性。
所述确定2D切片中的每个2D切片中的病变是良性还是恶性的步骤可包括:将2D切片中的每个2D切片应用于基于截面切割方向产生的单个诊断模型,以确定2D切片中的每个2D切片中的病变是良性还是恶性。
所述确定2D切片中的每个2D切片中的病变是良性还是恶性的步骤可包括:将2D切片应用于基于2D切片的截面切割方向产生的各个诊断模型,以确定2D切片中的每个2D切片中的病变是良性还是恶性。
所述结果中的每个结果可包括:2D切片中的每个2D切片中的病变为良性或恶性的分类结果以及所述分类结果的置信水平。
产生2D切片的步骤可包括:产生虚拟平面;产生包括被虚拟平面切割的3D体数据的截面的2D切片。
产生虚拟平面的步骤可包括:通过改变表示3D体数据的任意平面的平面方程的系数值来产生虚拟平面。
产生虚拟平面的步骤可包括:通过对3D体数据执行主成分分析(PCA)产生至少一个虚拟平面。
产生虚拟平面的步骤可包括:基于3D体数据的体素的值,从3D体数据的体素之中确定具有预定特征的特征点;通过执行PCA,基于特征点的分布产生虚拟平面。
产生虚拟平面的步骤可包括:通过执行PCA,计算与3D体数据的变化最大的方向上的轴相应的第一主成分矢量;参考第一主成分矢量产生虚拟平面。
产生虚拟平面的步骤可包括:基于3D体数据的体素的值检测包括在3D体数据中的块;通过执行PCA,基于包括在块中的点的分布产生虚拟平面。
产生虚拟平面的步骤可包括:基于用户的输入信息产生虚拟平面。
根据另一说明性配置,提供一种用于医学诊断的设备,包括:接收器,被构造为接收患者身体部位的三维(3D)体数据;图像处理器,被构造为产生二维(2D)切片,其中,2D切片包括从截面切割方向切割的3D体数据的截面;第一诊断器,被构造为确定2D切片中的每个2D切片中的病变是良性还是恶性并输出指示每个2D切片中的病变是良性还是恶性的结果;选择器,被构造为基于所述结果选择若干2D切片;第二诊断器,被构造为基于选择的2D切片确定体数据中的病变是良性还是恶性。
第一诊断器可通过将2D切片应用于诊断模型来确定2D切片中的每个2D切片中的病变是良性还是恶性。
第一诊断器可通过将2D切片应用于基于截面切割方向产生的单个诊断模型来确定2D切片中的每个2D切片中的病变是良性还是恶性。
第一诊断器可通过将2D切片应用于基于2D切片的截面切割方向产生的各个诊断模型来确定2D切片中的每个2D切片中的病变是良性还是恶性。
所述结果中的每个结果可包括:2D切片中的每个2D切片中的病变为良性或恶性的分类结果以及所述分类结果的置信水平。
图像处理器还可被构造为包括:虚拟平面产生器,被构造为产生虚拟平面;2D切片产生器,被构造为产生包括被虚拟平面切割的3D体数据的截面的2D切片。
虚拟平面产生器还可被构造为:通过改变3D体数据的任意平面的平面方程的系数来产生虚拟平面。
虚拟平面产生器还可被构造为:通过对3D体数据执行主成分分析(PCA)产生虚拟平面。
虚拟平面产生器还可被构造为:基于3D体数据的体素的值,从3D体数据的体素之中确定具有预定特征的特征点;基于特征点的分布产生虚拟平面。
虚拟平面产生器还可被构造为:通过执行PCA,计算与3D体数据发生最大变化所沿的方向上的轴相应的第一主成分矢量;基于第一主成分矢量产生虚拟平面。
虚拟平面产生器还可被构造为:基于3D体数据的体素的值检测包括在3D体数据中的块;通过执行PCA,基于包括在块中的点的分布产生虚拟平面。
虚拟平面产生器还可被构造为:基于用户的输入信息产生虚拟平面。
第二诊断器可被构造为:基于选择的2D切片中的每个2D切片中的病变的分类结果来确定体数据中的病变是良性还是恶性。
第一诊断器可被构造为:使用提取的病变的特征产生特征矢量,并将特征矢量应用于诊断模型以将病变分类为良性或恶性并计算分类结果的置信水平。
选择器可将两个或更多个2D切片结合成一个组,比较组中的2D切片的置信水平,并按照2D切片的置信水平的降序选择一个或更多个2D切片。
选择器可将选择的2D切片随机地结合成一个组,比较2D切片的置信水平,并按照2D切片的置信水平的降序选择一个或更多个2D切片。
根据一说明性配置,提供一种用于医学诊断的方法,包括:接收患者身体部位的三维(3D)体数据;产生二维(2D)切片,其中,2D切片表现从截面切割方向切割的3D体数据的截面;产生集成诊断模型,其中,所述集成诊断模型包括与2D切片的截面切割方向相应的诊断模型的组合;通过将2D切片中的至少一个2D切片应用于集成诊断模型来确定2D切片中的每个2D切片中的病变是良性还是恶性。
产生集成诊断模型的步骤可包括:从诊断模型之中选择基于与2D切片的截面切割方向相同的截面切割方向产生的至少一个诊断模型;通过集成选择的所述至少一个诊断模型来产生集成诊断模型。
产生2D切片的步骤可包括:产生虚拟平面;产生表现被虚拟平面切割的3D体数据的截面的2D切片。
产生虚拟平面的步骤可包括:通过改变表示3D体数据的任意平面的平面方程的系数来产生虚拟平面。
产生虚拟平面的步骤可包括:通过对3D体数据执行主成分分析(PCA)产生虚拟平面。
根据另一说明性配置,提供一种用于医学诊断的设备,包括:接收器,被构造为接收患者身体部位的三维(3D)体数据;图像处理器,被构造为产生二维(2D)切片,其中,2D切片包括沿截面切割方向切割的3D体数据的截面;诊断器,被构造为产生集成诊断模型,并且通过将2D切片中的至少一个2D切片应用于集成诊断模型来确定2D切片中的每个2D切片中的病变是良性还是恶性,其中,所述集成诊断模型包括与2D切片的截面切割方向相应的诊断模型的组合。
诊断模型可基于与2D切片的截面切割方向相同的截面切割方向来产生。
图像处理器可被构造为包括:虚拟平面产生器,被构造为产生虚拟平面;2D切片产生器,被构造为产生表现被虚拟平面切割的3D体数据的截面的2D切片。
虚拟平面产生器还可被构造为:通过改变表示3D体数据的任意平面的平面方程的系数来产生虚拟平面。
虚拟平面产生器还可被构造为:通过对3D体数据执行主成分分析(PCA)产生虚拟平面。
图像处理器还可被构造为:对3D体数据执行主成分分析(PCA)以计算与3D体数据发生第一最大变化的方向上的轴相应的第一主成分矢量并计算指示3D体数据发生第二大变化的方向上的轴的第二主成分矢量,并且被构造为计算包括第一主成分矢量和第二主成分矢量的虚拟平面。
图像处理器还可包括:虚拟平面产生器,被构造为计算具有3D体数据的最大变化的虚拟平面,并产生与所述虚拟平面平行的附加虚拟平面;二维(2D)切片产生器,被构造为在3D体数据的所有体素之中提取与所述虚拟平面相交的体素,并通过将提取的体素的值显示为所述虚拟平面上的像素的值来产生每个2D切片。
其他特征和方面可通过下面的具体实施方式、附图和权利要求中而清楚。
附图说明
从下面结合附图进行的对实施例的描述,这些和/或其他方面将变得清楚和更容易理解,在附图中:
图1是示出根据实施例的用于使用计算机辅助诊断(CAD)的医学诊断的设备的配置图;
图2是示出根据实施例的图像处理器的配置图;
图3是示出根据实施例的诊断器的配置图;
图4A至图4C是全搜索的示例;
图5A至图5B和图6A至图6C是主成分分析(PCA)的示例;
图7至图9是用于选择二维(2D)切片的方法的示例;
图10是根据实施例的CAD的流程图;
图11是示出根据实施例的用于从体数据产生2D切片的方法的流程图;
图12是示出根据另一实施例的CAD的方法的流程图。
贯穿附图和详细的描述,除非另外描述,否则相同的附图标记将被理解为表示相同的元件(元素)、特征和结构。为了清楚、图解和方便起见,可夸大这些元件的相对大小和绘示。
具体实施方式
提供以下描述以帮助读者获得对在此描述的方法、设备和/或***的全面理解。因此,在此描述的方法、设备和/或***的各种变化、修改和等同物将被建议给本领域的技术人员。此外,为了更加清楚和简明,可省略对公知的功能和构造的描述。
在此使用的术语仅是为了描述具体实施例的目的,而不意图限制本发明。如在此使用的,除非上下文另外明确地指示,否则单数形式也意在包括复数形式。还将理解的是,当在本说明书中使用时,术语“包括”和/或“包括…的”指定存在所陈述的特征、整体、步骤、操作、元件和/或组件,但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、元件、组件和/或它们的组。
除非另外定义,否则在此使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员通常理解的含义相同的含义。还将理解的是,诸如在通用字典中定义的术语应当被解释为具有与它们在相关领域的上下文中的含义一致的含义,并且将不被解释为理想或过度形式化的意义,除非在此明确地如此定义。
下文中,参照附图详细地描述实施例。
图1是示出根据实施例的用于使用计算机辅助诊断(CAD)的医学诊断的设备的配置图。
参照图1,用于CAD的设备100包括接收器110、图像处理器130和诊断器150。接收器110、图像处理器130和诊断器150是结构元件。
接收器110接收以三维(3D)方式表现患者身体的部位的体数据,并将接收的体数据发送到图像处理器130。体数据可从三维医学图像获取装置(诸如使用3D探头的3D超声图像装置、计算机断层扫描(CT)、磁共振成像(MRI)或X射线捕捉装置)获取。
例如,在超声图像的情况下,通过改变放置在患者身体上方的超声探头的位置和方向来产生患者的身体的特定部位的截面图像。累积产生的截面图像以产生以3D表现患者身体的特定部位的体数据。如此,通过累积截面图像产生体数据的方法被称作多平面重建(MPR)。
图像处理器130产生包括通过接收器110接收的体数据的截面的二维(2D)切片。从至少一个方向切割体数据以产生2D切片。图像处理器130将2D切片发送到诊断器150。在一个示例中,图像处理器130在体数据的3D空间中产生至少一个虚拟平面,然后产生包括通过产生的虚拟平面切割的体数据的截面的2D切片。参照图2,图像处理器130包括虚拟平面产生器131和2D切片产生器132。
虚拟平面产生器131使用全搜索(full search)或主成分分析(PCA)产生至少一个虚拟平面。
虚拟平面产生器131改变任意平面方程的倾斜值和中心坐标以产生在3D空间(全搜索)中产生的体数据的所有虚拟平面。
例如,虚拟平面产生器131使用如下面的方程1的平面方程产生虚拟平面。
[方程1]
(i-id)+pd(j-jd)+qd(k-kd)=0
方程1是经过体数据的3D空间中的坐标(id,jd,kd)并且垂直于矢量(1,pd,qd)的平面的平面方程。通过改变倾斜值pd,qd和中心坐标(id,jd,kd),虚拟平面产生器131产生在3D空间中产生的体数据的每个虚拟平面的平面方程。
图4A至图4C示出通过执行全搜索确定截面切割方向的示例。图4A展示出体数据的围绕垂直于平面ij并且经过3D空间中的点(id,jd,kd)的矢量在-90°和90°之间的范围内旋转的平面。图4A示出当倾斜值pd改变,同时方程1的其他系数固定时的体数据的平面。
图4B展示出围绕垂直于平面ik并且经过3D空间中的点(id,jd,kd)的矢量在-90°和90°之间的范围内旋转的平面。在该示例中,倾斜值qd改变,方程1的其他系数固定。
图4C展示出当倾斜值id改变,同时方程1的其他系数固定时包括3D空间中的点(id,jd,kd)的平面。
即使在中心坐标的其他系数jd和kd改变的情况下,也可以以如图4C中所示的产生平面的类似方式产生包括3D空间中的点(id,jd,kd)的平面。
在另一示例中,虚拟平面产生器131通过对接收的体数据执行主成分分析(PCA)来产生至少一个虚拟平面。
例如,虚拟平面产生器131通过对体数据执行PCA来计算与在3D空间中体数据发生最大变化的方向上的轴相应的第一主成分矢量。然后,虚拟平面产生器131基于第一主成分矢量产生至少一个虚拟平面。例如,当第一主成分矢量和第二主成分矢量通过体数据的PCA被确定时,虚拟平面产生器131计算包括第一主成分矢量和第二主成分矢量的虚拟平面。第二主成分矢量指示在3D空间中体数据发生第二大变化的方向上的轴。因为主成分矢量指示3D空间中的各个方向上的轴,所以可通过主成分矢量中的两个主成分矢量定义单个平面。该平面对应于根据PCA的具有最大的体数据变化的平面。
因为PCA是统计分析方法,所以PCA可能无法提供完全准确的结果。因此,虚拟平面产生器131还计算除了第一主成分矢量和第二主成分矢量之外的附加主成分矢量,然后按照产生至少一个虚拟平面的方法,基于一组三个或更多个附加主成分矢量产生多个平面。
下文中,参照图5A至图5B和图6A至图6C描述通过执行PCA确定截面切割方向的示例。
图5A中示出的所有平面之中的前平面是包括第一主成分矢量和第二主成分矢量的平面。图5A中的其余平面是通过沿第三主成分矢量的方向平行地移动该包括第一主成分矢量和第二主成分矢量的平面所产生的平面。图5B中示出的所有平面之中的前平面是包括第一主成分矢量和第三主成分矢量的平面。图5B中的其余平面是通过沿第二主成分矢量的方向平行地移动该包括第一主成分矢量和第三主成分矢量的平面所产生的平面。
此外,虚拟平面产生器131通过对体数据执行2D PCA,根据在3D空间中体数据的变化模式来产生至少一个虚拟平面。例如,虚拟平面产生器131对接收的体数据执行2D PCA以计算接收的体数据在3D空间中具有最大变化的虚拟平面,并基于计算的虚拟平面产生至少一个虚拟平面。另外,虚拟平面产生器131通过平行地移动先前产生的虚拟平面来产生附加虚拟平面,从而附加产生的虚拟平面与先前产生的虚拟平面平行。
参照图6A,虚拟平面产生器131基于体数据的体素值检测包括在体数据中的块(mass),并从包括在块中的点在3D空间中的分布来计算主成分矢量。块是包括在体数据中的对象。当体数据包括块时,体素值可在块的边界上显著改变。然而,解剖组织不是均质的,并且在大多数情况下,解剖组织的边界在图像中没有清晰地限定。另外,与医学专家期望诊断的预定组织的形态或图像特性有关的信息可以是必需的。
存在分割体数据中的块的各种方法,诸如水平集方法(LSM)。水平集方法是用于跟踪界面和形状的数值技术。水平集方法的许多优点之一是人们可以在固定的笛卡尔网格上执行涉及曲线和曲面的数值计算,而不必使这些对象参数化。此外,例如当形状***为二,生长出洞或者这些操作的逆操作时,水平集方法能够遵循改变拓扑结构的形状。例如,虚拟平面产生器131使用水平集方法,基于体数据的体素值来分割体数据中的块。
参照图6B,虚拟平面产生器131基于体素的值识别包括特征(诸如体数据的体素之中的预定组织的形态或图像特性)的特征点。虚拟平面产生器131从识别的点在3D空间中的分布来计算主成分矢量。
参照图6C,虚拟平面产生器131使用具有预定大小的体素集来计算体数据的体素中的任何一个体素的特征。体素位于体素集的中心。在一个示例中,虚拟平面产生器131将形成体素集的体素的平均亮度值确定为体素集的中心体素的特征。在另一示例中,虚拟平面产生器131将形成体素集的体素的亮度值的方差确定为体素集的中心体素的特征。
此外,虚拟平面产生器131产生虚拟平面的方法不限于上述示例,可应用其他各种方法。例如,虚拟平面产生器131基于用户的输入信息产生至少一个虚拟平面。虚拟平面产生器131参考用户通过用户接口所输入的切割方向来产生至少一个虚拟平面。
二维(2D)切片产生器132产生2D切片,其中,所述2D切片包括通过在虚拟平面产生器131产生的虚拟平面切割的体数据的截面。例如,2D切片产生器132在体数据中的所有体素之中提取与在虚拟平面产生器131产生的虚拟平面相交的体素。然后,2D切片产生器132通过将提取的体素的值显示为虚拟平面上的像素的值来产生每个2D切片。
仅使用体数据的体素之中的与在虚拟平面产生器131产生的虚拟平面交叉的体素可能无法提供具有对医学从业者而言足以执行诊断的分辨率的图像。因此,为了使用体数据的体素的值提高对医学从业者而言足以执行诊断的分辨率,2D切片产生器132对除了与提取的体素相应的2D图像的像素之外的2D图像的其他像素进行插值。2D切片产生器132通过将与提取的体素相应的2D图像的像素的值和对2D图像的其他像素插值后的值进行合并来产生单个2D图像。以此方式,通过该插值产生了具有对医学专家而言足以执行诊断的分辨率的图像。
诊断器150对在2D切片产生器132产生的每个2D切片执行诊断。诊断器150是被构造为对每个2D切片中的病变是良性还是恶性做出确定的结构处理器、机器或结构智能中央元件。所述确定可包括病变为良性或恶性的分类结果以及分类结果的置信水平。诊断器150可基于确定的结果选择一些2D切片,然后,基于关于选择的2D切片的确定的结果对体数据中的病变是良性还是恶性做出最终确定。
参照图3,诊断器150可包括第一诊断器151、选择器152和第二诊断器153。第一诊断器151确定由图像处理器130产生的多个2D切片中的每个2D切片中的病变是良性还是恶性。例如,第一诊断器151分割病变,使得从每个2D切片起的病变的位置被检测,并且病变的准确轮廓基于检测的位置被显示。例如,第一诊断器151使用包括区域增长算法、水平集算法和遗传算法的各种分割方案来分割病变。
另外,第一诊断器151被构造为提取被分割的病变的特征以对在每个2D切片中示出的病变的特定区段是良性还是恶性做出确定。被分割的病变的特征是形态特征,诸如病变的轮廓形状、边缘(margin)、方向、毛刺(spiculation)和微分叶(micro-lobulation)。在另一示例中,被分割的病变的特征是图像的唯一特性。在超声图像的情况下,病变的特征可包括回波图形和后声影。
第一诊断器151被构造为使用提取的病变的特征产生特征矢量并将特征矢量应用于至少一个诊断模型,从而将病变分类为良性或恶性。第一诊断器151还被构造为计算分类结果的置信水平。在一个说明性示例中,通过机器学***的操作。例如,可将包括神经网络、贝叶斯分类器、多层感知器和支持向量机(SVM)的各种算法应用于机器学习。
在一个说明性配置中,如下产生诊断模型:提取从先前获取的体数据集产生的每个2D切片中的病变的特征;使用提取的特征产生特征矢量;针对特征矢量将病变分类为良性或恶性;以及将分类的结果用作产生诊断模型的训练数据。
第一诊断器151被构造为使用至少一个诊断模型来诊断由图像处理器130产生的每个2D切片。
在一个示例中,在肝脏、囊肿或血管瘤的情况下,截面切割方向在病变的形态上不产生大的差异。因此,即使在参考特定截面切割方向产生的诊断模型被用于对参考不同的截面切割方向产生的2D切片执行诊断的情况下,也不引起诊断结果的显著差异。因此,第一诊断器151通过使用2D切片经由机器学习产生单个诊断模型来执行诊断,其中,通过从预定截面切割方向切割先前获取的体数据来产生2D切片作为训练数据。第一诊断器151随后将产生的2D切片中的每个2D切片应用于诊断模型。
在另一示例中,在***或肺的情况下,病变在根据截面切割方向的每个2D切片中可具有不同形态。因此,2D切片的诊断结果可取决于截面切割方向。因此,第一诊断器151根据在图像处理器130产生的2D切片的不同截面切割方向来产生诊断模型。第一诊断器151随后通过分别将2D切片应用于诊断模型来执行诊断。
例如,第一诊断器151使用作为训练数据的2D切片来产生诊断模型,其中,训练数据包括从不同方向切割的先前获取的体数据的截面。然后,第一诊断器151通过将2D切片应用于基于与2D切片的切割方向相同的切割方向所产生的各个诊断模型来对2D切片中的每个2D切片执行诊断。
基于由第一诊断器151对2D切片做出的确定的结果,选择器152选择2D切片中的一些2D切片。例如,选择器152基于每个2D切片中的病变为良性或恶性的分类结果,基于分类结果的置信水平或者基于以上二者,来选择2D切片中的一些2D切片。在这点上,使用各种选择技术(诸如基于排序的选择、竞争选择、轮盘赌和概率抽样)来选择2D切片。
参照图7,选择器152被构造为按照2D切片的置信水平的降序选择k个2D切片。在图7示出的示例中,分配给截面的特定数值(例如,截面1、3、4和5)指示从特定切割方向产生特定截面。切片5、7、8和9被分类为良性,切片1和12被分类为恶性。选择器152按照2D切片的分类结果的置信水平的降序来排列由图像处理器130产生的2D切片,并按照置信水平的降序选择k个2D切片。
参照图8,选择器152还被构造为提取从不同截面切割方向切割的体数据的预定数量的2D切片,并从提取的2D切片选择k个2D切片。在图8的示例中,当使用N个截面切割方向产生2D切片时,选择器152随机地选择具有较高置信水平的k/N个2D切片,从而选择k个2D切片。
参照图9,选择器152将两个或更多个2D切片结合成一个组,比较组中的2D切片的置信水平,并按照2D切片的置信水平的降序来选择一个或更多个2D切片。选择器152还将选择的2D切片随机地结合成一个组,比较2D切片的置信水平,并按照2D切片的置信水平的降序来选择一个或更多个2D切片。选择器152可重复以上处理,直到选择了k个2D切片为止。
第二诊断器153被构造为基于关于由选择器152选择的k个2D切片的确定的结果对体数据中的病变是良性还是恶性做出最终确定。例如,第二诊断器153使用包括多数表决的表决方法、包括平均的统计方法以及包括Adaboost、贝叶斯最优分类器和bootstrapaggregating的集成方法来对体数据中的病变是良性还是恶性做出最终确定。
在一个示例中,在由选择器152选择的五个2D切片中的两个2D切片被分类为恶性并且其他三个2D切片被分类为良性的情况下,第二诊断器153做出病变是良性的最终确定。
在另一示例中,在由选择器152选择的五个2D切片中的两个2D切片被分类为恶性并分别具有60%和75%的置信水平,而其他三个2D切片被分类为良性并分别具有60%、80%和85%的置信水平的情况下,关于恶性的平均置信水平是67.5%,关于良性的平均置信水平是75%。因为良性的置信水平大于恶性的置信水平,所以第二诊断器153做出病变是良性的最终确定。
再次,参照图2,与图3中示出的示例相反,诊断器150从多个诊断模型中选择一个或更多个诊断模型,并使用作为选择的诊断模型的组合的集成诊断模型来确定病变的良性或恶性。例如,诊断器150将多个诊断模型(根据不同截面切割方向产生的每个诊断模型)集成为一个诊断模型,并将由图像处理器130产生的2D切片应用于集成诊断模型以推导出最终诊断结果。
例如,诊断器150从多个诊断模型中选择基于与在图像处理器130产生的2D切片的切割方向相同的切割方向所产生的一个或更多个诊断模型。诊断器150将选择的诊断模型集成为一个集成诊断模型。诊断器150通过计算每个2D切片的特征值来产生特征矢量,并将特征矢量应用于集成诊断模型以确定每个2D切片中的病变是良性还是恶性。
可使用硬件组件(例如,控制器、产生器、麦克风、放大器、带通滤波器、音频到数字转换器和处理装置)实现在此描述的接收器110、图像处理器130、虚拟平面产生器131、切片产生器132、诊断器150、第一诊断器151和第二诊断器153以及选择器152。例如,可使用一个或更多个通用或专用计算机(诸如处理器、控制器和算术逻辑单元、数字信号处理器、微型计算机、现场可编程阵列、可编程逻辑单元、微处理器或能够以定义的方式对指令进行响应和执行指令的任何其他装置)来实现处理装置。处理装置可运行操作***(OS)以及在OS上运行的一个或更多个软件应用。处理装置还可响应于软件的执行而访问、存储、操纵、处理和创建数据。出于简洁的目的,对处理装置的描述用作单数;然而,本领域技术人员将理解处理装置可包括多个处理元件和多种类型的处理元件。例如,处理装置可包括多个处理器或者包括处理器和控制器。另外,不同的处理配置是可行的,诸如并行处理器。
图10是示出根据实施例的CAD的方法的流程图。
参照图10,在操作1010,该方法通过接收器110接收体数据。在操作1020,通过图像处理器130,该方法产生2D切片,其中,2D切片包括按照至少一个切割方向切割的接收的体数据的截面。
在操作1030,使用诊断器150,该方法确定每个2D切片中的病变是良性还是恶性。在一个示例中,该方法使用诊断器150将在操作1020产生的2D切片应用于基于特定截面切割方向产生的单个诊断模型,以将每个2D切片中的病变分类为良性或恶性,并计算分类结果的置信水平。
在另一示例中,该方法使用诊断器150将在操作1020产生的每个2D切片应用于基于不同截面切割方向产生的多个诊断模型,以将每个2D切片中的病变分类为良性或恶性,并计算分类结果的置信水平。在一个示例中,该方法使用诊断器150将多个2D切片应用于多个诊断模型之中的基于与所述多个2D切片的切割方向相同的切割方向产生的各个诊断模型。在操作1040,该方法使用诊断器150基于其确定的结果选择2D切片中的一些2D切片。在这点上,可使用各种选择技术(诸如基于排序的选择、竞争选择、轮盘赌选择和概率抽样)来选择2D切片。
当选择了2D切片中的一些2D切片时,在操作1050,该方法使用诊断器150基于关于选择的2D切片的确定的结果对体数据中的病变是良性还是恶性做出最终确定。可使用包括多数表决的表决方法、包括平均的统计方法以及包括Adaboost、贝叶斯最优分类器和bootstrap aggregating的集成方法做出最终确定。
图11是示出根据实施例的用于从体数据产生2D切片的方法的流程图。
参照图11,在操作1110,该方法从接收器110接收体数据,并在1110从接收的体数据产生至少一个虚拟平面。该方法通过执行全搜索或PCA产生至少一个虚拟平面。然而,本公开不限于此,可应用其他各种方法。例如,该方法可基于用户的输入信息产生至少一个虚拟平面。
在产生了至少一个虚拟平面的情况下,在操作1120,该方法产生2D切片,其中,2D切片包括被所产生的虚拟平面切割的体数据的截面。
图12是示出根据另一实施例的CAD的方法的流程图。参照图12,在操作1210,该方法通过接收器110接收体数据。在操作1220,该方法使用图像处理器130产生2D切片,其中,2D切片包括从至少一个截面切割方向切割的接收的体数据的截面。可使用上面提到的方法产生2D切片。
在操作1230,该方法使用诊断器150通过将与2D切片的截面切割方向相应的多个诊断模型集成为一个集成诊断模型来产生集成诊断模型。例如,该方法使用诊断器150选择基于与2D切片的截面切割方向相同的截面切割方向产生的一个或更多个诊断模型。然后,该方法通过集成选择的诊断模型来产生集成诊断模型。
在操作1240,该方法使用诊断器150将2D切片应用于集成诊断模型以对每个2D切片中的病变是良性还是恶性做出确定。
应理解的是,在本发明的实施例中,虽然按所示的顺序和方式执行图10至图12中的操作,但是在不脱离描述的配置的精神和范围的情况下,可改变一些操作的顺序等。根据说明性示例,还可提供在非暂时性计算机可读介质上实施的计算机程序,对指令进行编码以至少执行图10至图12中描述的方法。
执行图10至图12中描述的方法或其一个或更多个操作的程序指令可被记录、存储或固定在一个或更多个非暂时性计算机可读存储介质中。程序指令可通过计算机实现。例如,计算机可使处理器执行程序指令。介质可单独地或与程序指令结合地包括数据文件、数据结构等。非暂时性计算机可读介质的示例包括:磁介质,诸如硬盘、软盘和磁带;光介质,诸如CD ROM盘和DVD;磁光介质,诸如光盘;以及被专门构造为存储和执行程序指令的硬件装置,诸如只读存储器(ROM)、随机存取存储器(RAM)、闪存等。程序指令的示例包括诸如由编译器产生的机器代码和包含可由计算机使用解释器执行的更高级代码的文件。程序指令(也就是,软件)可分布于联网的计算机***中,从而软件可以以分布式方式被存储和执行。例如,可通过一个或更多个计算机可读记录介质存储软件和数据。此外,用于实现在此公开的示例实施例的功能程序、代码和代码段可由实施例所属领域的编程技术人员基于和使用附图的流程图和框图及在此提供的相应描述容易地解释。
以上已经描述了一些示例。然而,将理解可进行各种修改。例如,如果所描述的技术按不同顺序执行并且/或者如果所描述的***、架构、装置或电路中的组件以不同方式组合和/或被其他组件或其等同物替代或补充,则可实现合适的结果。因此,其他实施方式在权利要求的范围内。
Claims (22)
1.一种用于医学诊断的设备,包括:
存储器,被构造为存储指令;
至少一个处理器,被构造为在执行存储的指令时进行以下操作:
接收患者身体部位的三维3D体数据,
产生二维2D切片,其中,2D切片包括从截面切割方向切割的3D体数据的截面,
确定产生的2D切片中的每个2D切片中的病变是否是良性的,
对产生的2D切片中的每个2D切片计算所述确定的置信度,
按照计算出的置信度的降序从产生的2D切片中选择将用于确定3D体数据中的病变是否是良性的预定数量的2D切片;
基于选择的2D切片确定3D体数据中的病变是否是良性的。
2.如权利要求1所述的设备,其中,所述至少一个处理器还被构造为:通过将产生的2D切片应用于诊断模型来确定产生的2D切片中的每个2D切片中的病变是否是良性的,其中,诊断模型是基于与产生的2D切片的截面切割方向相同的截面切割方向来产生的。
3.如权利要求1所述的设备,其中,所述至少一个处理器还被构造为:通过将产生的2D切片应用于基于截面切割方向产生的单个诊断模型来确定产生的2D切片中的每个2D切片中的病变是否是良性的。
4.如权利要求1所述的设备,其中,所述至少一个处理器还被构造为:通过将产生的2D切片中的每个2D切片应用于基于产生的2D切片的截面切割方向产生的各个诊断模型来确定产生的2D切片中的每个2D切片中的病变是否是良性的。
5.如权利要求1所述的设备,其中,所述至少一个处理器还被构造为:控制显示器显示包括产生的2D切片中的每个2D切片中的病变为良性或恶性的分类结果以及所述置信度的结果。
6.如权利要求1所述的设备,其中,所述至少一个处理器还被构造为:
产生虚拟平面;
产生包括被虚拟平面切割的3D体数据的截面的2D切片。
7.如权利要求5所述的设备,其中,所述至少一个处理器还被构造为:通过改变3D体数据的任意平面的平面方程的系数来产生虚拟平面。
8.如权利要求6所述的设备,其中,所述至少一个处理器还被构造为:通过对3D体数据执行主成分分析PCA来产生虚拟平面。
9.如权利要求8所述的设备,其中,所述至少一个处理器还被构造为:
基于3D体数据的体素的值,从3D体数据的体素之中确定具有预定特征的特征点;
基于特征点的分布产生虚拟平面。
10.如权利要求8所述的设备,其中,所述至少一个处理器还被构造为:
通过执行PCA,计算与3D体数据发生最大变化所沿的方向上的轴相应的第一主成分矢量;
基于第一主成分矢量产生虚拟平面。
11.如权利要求8所述的设备,其中,所述至少一个处理器还被构造为:
基于3D体数据的体素的值检测包括在3D体数据中的块;
通过执行PCA,基于包括在块中的点的分布产生虚拟平面。
12.如权利要求6所述的设备,其中,所述至少一个处理器还被构造为:基于用户的输入信息产生虚拟平面。
13.如权利要求1所述的设备,其中,所述至少一个处理器还被构造为:使用提取的病变的特征产生特征矢量,并将特征矢量应用于诊断模型以将2D切片中的每个2D切片中的病变分类为良性或恶性并计算分类结果的置信度。
14.如权利要求1所述的设备,其中,所述至少一个处理器还被构造为:基于选择的2D切片中的每个2D切片中的病变的分类结果来确定3D体数据中的病变是良性还是恶性。
15.如权利要求1所述的设备,其中,所述至少一个处理器还被构造为:将两个或更多个2D切片结合成一个组,比较组中的2D切片的置信度,并按照2D切片的置信度的降序选择一个或更多个2D切片。
16.如权利要求1所述的设备,其中,所述至少一个处理器还被构造为:将选择的2D切片随机地结合成一个组,比较2D切片的置信度,并按照2D切片的置信度的降序选择一个或更多个2D切片。
17.一种用于医学诊断的设备,包括:
存储器,被构造为存储指令;
至少一个处理器,被构造为在执行存储的指令时进行以下操作:
接收患者身体部位的三维3D体数据,
产生二维2D切片,其中,2D切片包括沿截面切割方向切割的3D体数据的截面,
产生集成诊断模型,其中,所述集成诊断模型包括基于2D切片的截面切割方向而产生的诊断模型的组合,
通过将2D切片中的至少一个2D切片应用于集成诊断模型来确定2D切片中的每个2D切片中的病变是否是良性的,
其中,诊断模型是基于与2D切片的截面切割方向相同的截面切割方向来产生的。
18.如权利要求17所述的设备,其中,所述至少一个处理器还被构造为:
产生虚拟平面;
产生表现被虚拟平面切割的3D体数据的截面的2D切片。
19.如权利要求18所述的设备,其中,所述至少一个处理器还被构造为:通过改变表示3D体数据的任意平面的平面方程的系数来产生虚拟平面。
20.如权利要求18所述的设备,其中,所述至少一个处理器还被构造为:通过对3D体数据执行主成分分析PCA来产生虚拟平面。
21.如权利要求17所述的设备,其中,所述至少一个处理器还被构造为:
对3D体数据执行主成分分析PCA,以计算与3D体数据发生第一最大变化的方向上的轴相应的第一主成分矢量并计算指示3D体数据发生第二大变化的方向上的轴的第二主成分矢量,
计算包括第一主成分矢量和第二主成分矢量的虚拟平面。
22.如权利要求17所述的设备,其中,所述至少一个处理器还被构造为:
计算具有3D体数据的最大变化的虚拟平面,并产生与所述虚拟平面平行的附加虚拟平面;
在3D体数据的所有体素之中提取与所述虚拟平面相交的体素,并通过将提取的体素的值显示为所述虚拟平面上的像素的值来产生每个2D切片。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020130127246A KR102204437B1 (ko) | 2013-10-24 | 2013-10-24 | 컴퓨터 보조 진단 방법 및 장치 |
KR10-2013-0127246 | 2013-10-24 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104573309A CN104573309A (zh) | 2015-04-29 |
CN104573309B true CN104573309B (zh) | 2019-07-19 |
Family
ID=51846470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410553569.0A Active CN104573309B (zh) | 2013-10-24 | 2014-10-17 | 用于计算机辅助诊断的设备和方法 |
Country Status (5)
Country | Link |
---|---|
US (2) | US9639929B2 (zh) |
EP (1) | EP2866200B1 (zh) |
JP (1) | JP2015080720A (zh) |
KR (1) | KR102204437B1 (zh) |
CN (1) | CN104573309B (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3108456B1 (en) * | 2014-02-19 | 2020-06-24 | Koninklijke Philips N.V. | Motion adaptive visualization in medical 4d imaging |
KR101682298B1 (ko) * | 2015-05-11 | 2016-12-02 | 삼성에스디에스 주식회사 | 3차원 모델의 비트맵 생성 장치 및 방법 |
KR101682807B1 (ko) * | 2015-05-15 | 2016-12-05 | 삼성에스디에스 주식회사 | 3차원 모델의 비트맵 생성 장치 및 방법 |
KR20170014617A (ko) * | 2015-07-30 | 2017-02-08 | 삼성에스디에스 주식회사 | 3차원 모델의 비트맵 생성 방법과 이를 수행하기 위한 장치 및 시스템 |
EP3203440A1 (en) * | 2016-02-08 | 2017-08-09 | Nokia Technologies Oy | A method, apparatus and computer program for obtaining images |
US20190122397A1 (en) * | 2016-07-12 | 2019-04-25 | Mindshare Medical, Inc. | Medical analytics system |
US9965863B2 (en) * | 2016-08-26 | 2018-05-08 | Elekta, Inc. | System and methods for image segmentation using convolutional neural network |
DE102016219488A1 (de) * | 2016-10-07 | 2018-04-12 | Siemens Healthcare Gmbh | Verfahren zum Bereitstellen einer Konfidenzinformation |
CN106683083B (zh) * | 2016-12-22 | 2019-09-13 | 深圳开立生物医疗科技股份有限公司 | ******图像处理方法及装置、超声设备 |
JP6837376B2 (ja) | 2017-04-10 | 2021-03-03 | 富士フイルム株式会社 | 画像処理装置および方法並びにプログラム |
CA3067824A1 (en) | 2017-06-26 | 2019-01-03 | The Research Foundation For The State University Of New York | System, method, and computer-accessible medium for virtual pancreatography |
US11443422B2 (en) * | 2017-10-13 | 2022-09-13 | The Cleveland Clinic Foundation | Advanced ultrasonic detection of different tissue types |
JP7228332B2 (ja) * | 2017-11-17 | 2023-02-24 | 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方法 |
CN110110617B (zh) * | 2019-04-22 | 2021-04-20 | 腾讯科技(深圳)有限公司 | 医学影像分割方法、装置、电子设备和存储介质 |
JP7144370B2 (ja) | 2019-07-12 | 2022-09-29 | 富士フイルム株式会社 | 診断支援装置、診断支援方法、及び診断支援プログラム |
CN110533029A (zh) * | 2019-08-02 | 2019-12-03 | 杭州依图医疗技术有限公司 | 确定影像中目标区域的方法及装置 |
JP7473780B2 (ja) | 2019-12-27 | 2024-04-24 | キヤノンマーケティングジャパン株式会社 | 情報処理システム、情報処理方法、プログラム |
US11430176B2 (en) | 2020-05-20 | 2022-08-30 | International Business Machines Corporation | Generating volume predictions of three-dimensional volumes using slice features |
CN112017787A (zh) * | 2020-08-17 | 2020-12-01 | 杭州依图医疗技术有限公司 | 医疗信息ai平台及计算设备 |
US11688063B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Ensemble machine learning model architecture for lesion detection |
US11688517B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Multiple operating point false positive removal for lesion identification |
US11694329B2 (en) | 2020-10-30 | 2023-07-04 | International Business Machines Corporation | Logistic model to determine 3D z-wise lesion connectivity |
US11587236B2 (en) | 2020-10-30 | 2023-02-21 | International Business Machines Corporation | Refining lesion contours with combined active contour and inpainting |
US11436724B2 (en) | 2020-10-30 | 2022-09-06 | International Business Machines Corporation | Lesion detection artificial intelligence pipeline computing system |
US11749401B2 (en) | 2020-10-30 | 2023-09-05 | Guerbet | Seed relabeling for seed-based segmentation of a medical image |
WO2022249892A1 (ja) * | 2021-05-28 | 2022-12-01 | 国立研究開発法人理化学研究所 | 特徴抽出装置、特徴抽出方法、プログラム、ならびに、情報記録媒体 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101517614A (zh) * | 2006-09-22 | 2009-08-26 | 皇家飞利浦电子股份有限公司 | 肺结节的高级计算机辅助诊断 |
CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断*** |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1836240A (zh) * | 2003-08-13 | 2006-09-20 | 美国西门子医疗解决公司 | Cad(计算机辅助决策)支持***和方法 |
WO2005106773A2 (en) | 2004-04-15 | 2005-11-10 | Edda Technology, Inc. | Spatial-temporal lesion detection, segmentation, and diagnostic information extraction system and method |
US7646902B2 (en) | 2005-02-08 | 2010-01-12 | Regents Of The University Of Michigan | Computerized detection of breast cancer on digital tomosynthesis mammograms |
US7840046B2 (en) | 2006-06-27 | 2010-11-23 | Siemens Medical Solutions Usa, Inc. | System and method for detection of breast masses and calcifications using the tomosynthesis projection and reconstructed images |
WO2008035286A2 (en) * | 2006-09-22 | 2008-03-27 | Koninklijke Philips Electronics N.V. | Advanced computer-aided diagnosis of lung nodules |
KR101028354B1 (ko) | 2007-03-20 | 2011-06-14 | 주식회사 메디슨 | 초음파 영상을 형성하는 초음파 시스템 및 방법 |
JP5226974B2 (ja) * | 2007-06-19 | 2013-07-03 | 富士フイルム株式会社 | 画像診断支援装置、方法及びプログラム |
FR2919747B1 (fr) | 2007-08-02 | 2009-11-06 | Gen Electric | Procede et systeme d'affichage d'images de tomosynthese |
US9235887B2 (en) * | 2008-02-19 | 2016-01-12 | Elucid Bioimaging, Inc. | Classification of biological tissue by multi-mode data registration, segmentation and characterization |
WO2009105530A2 (en) * | 2008-02-19 | 2009-08-27 | The Trustees Of The University Of Pennsylvania | System and method for automated segmentation, characterization, and classification of possibly malignant lesions and stratification of malignant tumors |
JP5056695B2 (ja) * | 2008-09-24 | 2012-10-24 | 富士ゼロックス株式会社 | 類似画像提示装置及びプログラム |
EP2486503A2 (en) | 2009-10-07 | 2012-08-15 | Hologic, Inc. | Processing and displaying computer-aided detection information associated with breast x-ray images |
JP5586203B2 (ja) | 2009-10-08 | 2014-09-10 | 株式会社東芝 | 超音波診断装置、超音波画像処理装置及び超音波画像処理プログラム |
US10235497B2 (en) | 2010-03-23 | 2019-03-19 | Koninklijke Philips, N.V. | Volumetric ultrasound image data reformatted as an image plane sequence |
JP5754902B2 (ja) | 2010-08-27 | 2015-07-29 | キヤノン株式会社 | 画像処理装置及び画像処理装置の作動方法 |
KR101805619B1 (ko) | 2011-01-25 | 2017-12-07 | 삼성전자주식회사 | 3차원 의료 영상으로부터 최적의 2차원 의료 영상을 자동으로 생성하는 방법 및 장치 |
US9119559B2 (en) | 2011-06-16 | 2015-09-01 | Salient Imaging, Inc. | Method and system of generating a 3D visualization from 2D images |
KR101916855B1 (ko) | 2011-10-17 | 2019-01-25 | 삼성전자주식회사 | 병변 수정 장치 및 방법 |
JP6354584B2 (ja) * | 2012-08-07 | 2018-07-11 | コニカミノルタ株式会社 | 医用データ処理装置、医用データ処理方法、及び超音波診断装置 |
-
2013
- 2013-10-24 KR KR1020130127246A patent/KR102204437B1/ko active IP Right Grant
-
2014
- 2014-08-27 US US14/469,854 patent/US9639929B2/en active Active
- 2014-10-17 JP JP2014212381A patent/JP2015080720A/ja active Pending
- 2014-10-17 CN CN201410553569.0A patent/CN104573309B/zh active Active
- 2014-10-23 EP EP14190030.8A patent/EP2866200B1/en active Active
-
2017
- 2017-04-03 US US15/477,771 patent/US10147223B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101517614A (zh) * | 2006-09-22 | 2009-08-26 | 皇家飞利浦电子股份有限公司 | 肺结节的高级计算机辅助诊断 |
CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断*** |
Also Published As
Publication number | Publication date |
---|---|
CN104573309A (zh) | 2015-04-29 |
EP2866200A1 (en) | 2015-04-29 |
US9639929B2 (en) | 2017-05-02 |
EP2866200B1 (en) | 2019-01-02 |
US20170206699A1 (en) | 2017-07-20 |
KR102204437B1 (ko) | 2021-01-18 |
US10147223B2 (en) | 2018-12-04 |
US20150117737A1 (en) | 2015-04-30 |
KR20150047315A (ko) | 2015-05-04 |
JP2015080720A (ja) | 2015-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104573309B (zh) | 用于计算机辅助诊断的设备和方法 | |
Han et al. | Synthesizing diverse lung nodules wherever massively: 3D multi-conditional GAN-based CT image augmentation for object detection | |
Frid-Adar et al. | GAN-based synthetic medical image augmentation for increased CNN performance in liver lesion classification | |
CN110621231B (zh) | 用于分层次多级特征图像合成和表示的***以及方法 | |
CN110807755B (zh) | 使用***图像进行平面选择 | |
Correa et al. | The occlusion spectrum for volume classification and visualization | |
US20060228015A1 (en) | System and method for detection and display of diseases and abnormalities using confidence imaging | |
Huang et al. | VP-Nets: Efficient automatic localization of key brain structures in 3D fetal neurosonography | |
EP3796210A1 (en) | Spatial distribution of pathological image patterns in 3d image data | |
KR20120086084A (ko) | 3차원 의료 영상으로부터 최적의 2차원 의료 영상을 자동으로 생성하는 방법 및 장치 | |
Zhang et al. | 3d aggregated faster R-CNN for general lesion detection | |
CN110570416B (zh) | 多模态心脏图像的可视化和3d打印的方法 | |
AU2019431568B2 (en) | Method and product for processing of vrds 4d medical images | |
AU2019430258B2 (en) | VRDS 4D medical image-based tumor and blood vessel ai processing method and product | |
Guttulsrud | Generating Synthetic Medical Images with 3D GANs | |
AU2019429940B2 (en) | AI identification method of embolism based on VRDS 4D medical image, and product | |
Salian et al. | Immersive Visualisation In Medical Imaging | |
Pereira | A comparison of deep learning algorithms for medical image classification and image enhancement | |
US20220180507A1 (en) | Method and product for ai processing of tumor based on vrds 4d medical images | |
JP2024519247A (ja) | 深層学習アルゴリズムをトレーニングするための稀な医用画像を生成する方法 | |
Sreenivasu et al. | Research Article Dense Convolutional Neural Network for Detection of Cancer from CT Images | |
Li | Semantically Correct High-resolution CT Image Interpolation and its Application | |
EP4384945A1 (en) | System and method for medical image translation | |
Jung | Feature-Driven Volume Visualization of Medical Imaging Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |