CN104619257A - 用于医学图像中的肺结节的自动化检测的***和方法 - Google Patents

用于医学图像中的肺结节的自动化检测的***和方法 Download PDF

Info

Publication number
CN104619257A
CN104619257A CN201380046881.4A CN201380046881A CN104619257A CN 104619257 A CN104619257 A CN 104619257A CN 201380046881 A CN201380046881 A CN 201380046881A CN 104619257 A CN104619257 A CN 104619257A
Authority
CN
China
Prior art keywords
candidate region
lung
image
identified
region
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201380046881.4A
Other languages
English (en)
Inventor
马修·S·布朗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of California
Original Assignee
University of California
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of California filed Critical University of California
Publication of CN104619257A publication Critical patent/CN104619257A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • A61B6/12—Arrangements for detecting or locating foreign bodies
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • G06T2207/20041—Distance transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一种用于对患者肺部的计算机断层扫描(CT)图像进行自动分割的***和方法。该方法包括如下步骤：对CT图像进行分割以获得一个或多个肺部区域；对肺部区域进行强度阀值化以生成遮罩区域，该遮罩区域包括与肺部区域内的解剖结构对应的高强度区域；计算该遮罩区域的欧几里得距离图；对欧几里得距离图执行分水岭分割以生成一个或多个子区域；针对每个子区域识别种子点；从每个子区域的种子点生长出候选区域；根据所述候选区域的一个或多个几何特征将一个或多个候选区域分类为肺结节。

Description

用于医学图像中的肺结节的自动化检测的***和方法
相关申请的交叉引用
本申请是2012年9月13日提交的序号为61/700,592的美国临时专利申请的非临时申请，并通过引用将其全部并入本文中。
关于由联邦政府资助的研究或开发的声明
不适用
通过引用并入的以光盘提交的资料
不适用
受到版权保护的材料的公告
按照美国和其它国家的版权法，本专利文件中的部分材料受版权保护。当专利文件或专利公开出现在美国专利商标局公开发布的文件或记录中时，版权拥有者不反对任何人对专利文件或专利公开的拓制，但是，版权拥有者保留除此以外的所有版权。版权拥有者由此不放弃任何维持本专利文件保密性的权利，包括不限于其依照美国联邦法规第37辑第1.14条的权利。
发明的背景
1.技术领域
本发明总体上涉及计算机断层扫描成像，更具体地，涉及医学图像中的肺结节的自动化检测和测量。
2.背景技术
已将计算机断层扫描(CT)成像用于对患者的肺部疾病的位置、范围和进展进行体内评估。在大规模患者群中常规且可靠地执行这些分析的能力对于使这些方法能够在临床试验和实践中施展是非常重要的。但是，在临床实践中诊断成像的作用通常被限制于目测。
对于临床实践中可实行的分析，需要基于数据集的规模(对于各向同性的体素间距，>400个横截面图像)的可靠自动化。肺癌是由癌症导致的死亡的主要原因。成像技术用于对肺结节进行检测、诊断、测量、和跟踪。
在医学成像中，结节检测是一种更具挑战性的视觉检测任务。由于低对比度、小尺寸、或结节在复杂的身体结构(例如，门)区域内的位置，可能难以在图像上对结节进行视觉上的检测。审阅人的疲劳、心不在焉、以及满足于从对不相关病理的观察中进行搜索是其它公认的导致遗漏结节的原因。更薄的切片和重叠重建间隔改善了纵向分辨率，但是需要生成大量的数据集(700或更多个横截面图像)，这会导致解读困难以及遗漏结节的可能性。
已经证明肺结节的自动化计算机检测可帮助审阅人更准确和一致地进行肺结节的检测[布朗2005]。
已存在许多计算机辅助检测(CAD)***，其开发用于计算机断层扫描(CT)图像中的肺结节检测[格文2008]。但是，CAD没有得到广泛的临床应用，因为它无法限制假阳性检测，例如，诸如血管或气道分支之类的被CAD错误地检测为结节的正常身体结构。这些假阳性不仅会耗费时间来进行排除，并且某些研究指出，放射科医师会错误地接受假阳性，这在实践中会导致不必要的病情检查。
并且，大多数之前的方法趋向于关注固态结节，固态结节在图像中呈现为更明亮并因此更容易检测(例如，使用高于-300HU的阀值)。如果某个方法尝试检测模糊的磨玻璃结节(其强度为-700HU左右)，它们通常会生成过多的假阳性以至于无法实践。
发明内容
因此，本发明的目的是开发用于提高结节检测精度同时排除正常解剖结构的算法。本发明并入了用于肺部图像分析的自动化和交互式***，特别是基于分水岭的欧几里得距离变换和分割方法，该方法甚至在实现了对固态和模糊的磨玻璃结节的高敏感度的情况下保持了低水平的假阳性检测。
一个方面是一种肺结节检测***，其被构造为对直径大于阀值(例如，4mm)或图像切片厚度两倍(取两者中较大者)的固态和磨玻璃结节进行检测和报告。
另一个方面是一种提供了改善的对肺部内的高强度区域进行分割和形状鉴定的方法，其用于更好地区分倾向于球形的结节与通常更加接近管状的血管。本发明的改进的识别力降低了由于CAD***带来的假阳性的数量，同时保持了灵敏性。
另一个方面是一种用于对患者肺部的计算机断层扫描(CT)图像进行自动分割的方法。该方法包括如下步骤：对CT图像进行分割以获得一个或多个肺部区域；对该肺部区域进行强度阀值化以生成遮罩区域，该遮罩区域包括与肺部区域内的解剖结构对应的高强度体素；计算该遮罩区域的欧几里得距离图；对欧几里得距离图执行分水岭分割以生成一个或多个子区域；针对每个子区域识别种子点；从每个子区域的种子点生长出候选区域；根据所述候选区域的一个或多个几何特征将一个或多个候选区域分类为肺结节。
另一个方面是一种对患者肺部的计算机断层扫描(CT)图像进行自动分割的***。该***包括处理器和处理器上编程的可执行程序，其用于：对CT图像进行分割以获得一个或多个肺部区域；对该肺部区域进行强度阀值化以生成遮罩区域，该遮罩区域包括与肺部区域内的解剖结构对应的高强度体素；计算该遮罩区域的欧几里得距离图；对欧几里得距离图执行分水岭分割以生成一个或多个子区域；针对每个子区域识别种子点；从每个子区域的种子点生长出候选区域；根据所述候选区域的一个或多个几何特征将一个或多个候选区域分类为肺结节。
本发明的其它方面将会在说明书的以下部分中显现，其中，详细描述的目的是为了完整地披露本发明的优选实施例，而不对其进行任何限制。
附图说明
通过参照下面的附图能够更完整地理解本发明，这些附图只是作为示例性的目的：
图1示出了本发明的肺结节检测方法的总体流程图。
图2为图1的肺部分割步骤的详细流程图。
图3是图1的强度阀值化步骤的详细流程图。
图4是图1的欧几里得距离图估计步骤的详细流程图。
图5是图1的距离图分割步骤的详细流程图。
图6是图1的候选者分类步骤的详细流程图。
图7是图1的定量分析步骤的详细流程图。
图8A至8E是图5的肺结节距离图分割步骤的示意图，其中图8A展示了分水岭区域，图8B展示了种子点的生成，图8C展示了目标区域的生成，图8D展示了区域生长的结果，图8E展示了扩张结果。
图9A至图9G展示了根据本发明的3D表面肺结节检测和分割的轴图像。
图10为本发明的肺结节检测***的示意图。
具体实施方式
图1示出了本发明的肺结节检测方法10的总体流程图。在步骤20，首先对扫描的CT图像12进行分割。接下来，在步骤30，执行强度阀值化。随后，在步骤40，该数据用于执行欧几里得距离变换。随后，在步骤50，对距离图进行分割。在步骤70，对候选者进行分类。在步骤80，基于阀值T＝Tsolid对固态结节进行检测。对于步骤82的磨玻璃结节的检测，基于阀值T＝Tggo重复强度阀值化步骤30、欧几里得距离变换步骤40和距离图分割步骤50(参见图3、图4、图5)。在步骤90，可对识别为结节的目标区域(ROI)执行定量评估。随后，在步骤100，可将所检测的结节显示为覆盖图(overlay)。
图2为图1的肺部分割步骤20的详细流程图，其中并入了用于分割的区域生长和形态，随后进行模糊逻辑，从而将图像区域与解剖结构匹配。肺部分割是使用灰度阀值化和三维(3-D)区域生长的组合来进行的。该处理受空间性限制，其使用来自解剖模型(未展示)的信息。
首先，在步骤22，通过对CT图像中的亮体素进行强度阀值化并选择最大的3D连通分支，对来自CT图像数据12的胸壁进行分割。随后，在步骤24，通过对胸部内暗体素进行强度阀值化(同样选择最大的3D连通分支)，对肺部区域进行分割。图9B中展示了该步骤的一个实例。
最后，在步骤26，计算肺部区域的凸包，从而将那些否则将会排除在肺部区域外的结节包含在内，从而生成多个分割的凸包(CH)区域28。图9C展示了一个示例性CH分割步骤的结果。
图3是强度阀值化步骤30的详细流程图。在由步骤26生成的分割的肺部凸包区域28中，在步骤32，对CT图像12执行强度阀值化ICT，从而提取出与结节、血管、气道壁等对应的相对高强度的区域。应当注意到，相对于对胸壁执行的分割步骤20，步骤30中执行的阀值化是在更低的阀值T下执行的。根据等式1将阀值区域RT表示为二进制图像遮罩，其中，对于体素v：
如果ICT(v)≥T,则RT(v)＝1,否则RT(v)＝0             等式1
接下来，在步骤34，对RT实施形态关闭和孔填充，从而生成最终的遮罩区域36(Rm)。
图4是欧几里得距离图估计步骤40的详细流程图。使用通过步骤34获得的二进制图像遮罩36(Rm)，在步骤42，计算出与输入的遮罩图像具有相同尺寸的欧几里得距离图图像(IDM)，其中IDM(v)是满足Rm(Vb)＝0的从V到Vb的最小距离。该距离是利用来自CT图像12的物理体素尺寸以毫米计算的，如图9D所示。随后，在步骤44，对欧几里得距离图图像(IDM)实施高斯平滑，其中，核等于CT切片的厚度，从而生成平滑的距离图46(ISD)。
图5是距离图分割步骤50的详细流程图。首先，在步骤52，对平滑的距离图图像46(ISD)实施分水岭分割，从而提取出围绕局部极大点的邻近子区域。通常，分水岭分割会识别局部极大点周围的区域，因而在计算分水岭前对ISD求逆。图8A中示意性的展示了一个示例性的结节/血管构造100。图9E中展示了一个示例性的分水岭分割的输出，其中距离值从较亮的阴影到较暗的(非黑色的)阴影呈增长趋势。
在步骤54，将步骤52中得到的每个分水岭区域中具有最大距离图值IDM(s)的体素识别为种子点102(s)。在图8B中对其进行了示意性示出。随后，在步骤56，构造以s为中心的60立方毫米的目标区域104(RS)。在图8C中对步骤56进行了示意性示出。应当理解的是，RS104的尺寸是典型的结节形态的函数，并可相应地发生变化。
在步骤58，从每个种子点102(s)，执行区域生长，从而包括在所具有的IDM值位于IDM(s)的百分比阈值范围内(pDM(0.0至1.0))的RS的范围内的连续体素，即，如果满足等式2的条件，则将距离值为IDM(v)的连续体素v添加到该区域：
IDM(s)(1-pDM)≤IDM(v)≤IDM(s)(1+pDM)       等式2
图8D中示意性地示出了区域生长结果106a(RDM)。
由于当距离图值低于IDM(s)(1-pDM)时区域生长停止，因此RDM通常不会延伸到结节的边界100处。因此，在步骤60，在半宽度＝IDM(s)(1-pDM)的结构化元素下，执行生长区域106a(RDM)的扩张，从而形成扩张区域106b(RDIL)。图8E中示意性地示出了扩张区域106b(RDIL)。
最后，在步骤62，通过计算RDIL∩Rm，随后将与种子点102(s)邻接的体素包括在内，从而形成结节候选区域RC。
图9F展示了一个示例性的候选者距离图的分水岭分割的图像，其中每个阴影代表一个单独的连续分水岭区域，每个区域具有其自己的种子点。
图6是候选者分类步骤70的详细流程图。如果相比于更接近管状的血管，通过步骤60获得的分割区域(候选者)62(RC)足够大并且形状近似球形，则将其检测为结节。首先，在步骤72，计算每个候选者62的体积。随后，在步骤74，计算球度。在步骤76，根据所计算的体积和球度对候选者进行分类。
在步骤76中，如果候选者62(RC)满足下面的约束条件，则将其分类为“结节”(否则将其分类为“非结节”)：
1)在任何2D切片(mm2)上的候选区域62(RC)的最大面积大于πr2，其中r＝0.5*max(4，图像切片厚度的两倍)。
2)候选者62(RC)的体积在8mm3至40cm3之间。注意，这些数字可根据需要的尺寸灵敏度而变化。
3)球度超出预定的最小阀值TS，其中球度被计算为：候选者RC的体积与包含RC且以RC的形心为中心的最小球体的体积之比。
图9G展示了检测到的满足步骤76的上述标准的结节110的图像。
重新参照图1，检测到的固态结节80基于步骤30中实施的强度阀值化数值T＝Tsolid。Tsolid的一个示例性数值是-300HU。
步骤20至70还可在更低的阀值Tggo下重复，从而检测磨玻璃结节区域82。Tggo的一个示例性数值是-700HU。如果磨玻璃结节区域82与固态结节区域重叠，则该磨玻璃结节区域82会被拒绝。随后可将剩余的磨玻璃结节与固态结节的集合组合，从而生成最终的结节区域的集合。
还可对获得的结节80/82的集合执行定量分析。图7是示例性定量分析步骤90的详细流程图。
在步骤92，可计算病灶直径。对于给定的平面(通常为轴面、矢状面、或冠状面)，3D结节ROI 80/82被划分为一组2D ROI。对于每个2D ROI，提取一组边界点。随后计算每对边界点之间的距离并选择最大的距离作为最大2D直径。将来自任意平面的2D直径中的最大的2D直径选择作为病灶直径。
在步骤94，通过对结节ROI中包括的每个体素的物理体积进行求和，计算出结节80/82的体积。
在步骤96，还可使用结节ROI中的来自原始CT图像12的强度数值针对每个结节80/82构造强度柱状图。然后可获得柱状图的描述统计。
重新参照图1，随后，在步骤100，可将检测到的结节80/82显示为原始图像12上的覆盖图，同时显示定量分析步骤90中获得的每个结节80/82的测量结果。
图9A至图9G展示了根据本发明的示例性3D表面肺结节检测和分割的图像。图9A示出了原始胸部CT图像。图9B示出了根据本发明的肺部分割方法的一个示例性输出。图9C是肺部区域的凸包的图像。图9D是根据本发明的强度阀值化分割方法的一个示例性图像。图9E展示了分割区域的示例性距离图的图像(其中距离值从蓝色到红色增长)。图9F展示了距离图的示例性分水岭分割的图像(其中每个阴影代表一个单独的连续区域)。图9G展示了基于尺寸和形状特征对每个种子使用区域增长获得的最终检测和分割结节110的图像，其中每个种子是通过分水岭方法和分类获得的。
图10为本发明的肺结节检测***200的示意图，其中将图1至图8E中识别的一个或多个步骤或方法实施为计算机应用软件202。在一个实施例中，应用软件202可运行于诸如单独的医学成像工作站206之类的处理器上，例如，在图像采集设备(CT扫描仪)204上或者在阅读工作站上。应用软件202也可运行于放射科或医疗中心的中央服务器206或服务器集群上。对于与中央图像档案库相连接并将报告存储在中央数据库208中而言，在服务器206上运行会提供一些优势。也可(通过因特网210)远程访问***200，例如，使用网格计算。使用该方法，***200可作为网格服务而被使用，世界范围内具有适当身份认证/授权证书的客户212都可以访问它。
因此，本发明的***和方法提供了一种强大的自动化技术，该自动化技术与直观性、人工干预和反馈相结合，以获得一个强健、广泛适用的***，该***甚至能够应付全自动化分割不可行的最病变或异常的图像。由本发明的方法10执行的数据自动化预处理是非常重要的，因为对大量的扫描进行手工分割是不现实的。
可参照根据本发明的方法和***的流程图图示、和/或算法、公式、或其它计算性叙述对本发明的实施例进行描述，它们也可以被实施为计算机程序产品。在这点上，流程图的每个模块或步骤、流程图中的多个模块(和/或步骤)的组合、算法、公式、或计算性叙述可通过各种方式实施，例如硬件、固件、和/或包含以计算机可读程序代码逻辑体现的一个或多个计算机程序指令的软件。应当理解，任何这种计算机程序指令都可装载到计算机上，非限制性地包括通用计算机或专用计算机、或其它可编程处理装置，从而生成一种机器，使得在计算机或其它可编程处理装置上执行的计算机程序指令创建用于执行流程图的模块中规定的功能的方法。
相应地，流程图的模块、算法、公式、或计算性叙述支持用于执行规定功能的方法的组合、用于执行规定功能的步骤的组合、以及用于执行规定功能的计算机指令(例如以计算机可读程序代码逻辑装置实施)。还应当理解的是，这里描述的流程图的每个模块、算法、公式、或计算性叙述以及它们的组合，都可以由执行规定功能或步骤的基于专用硬件的计算机***、或者专用硬件与计算机可读程序代码逻辑装置的组合来实施。
此外，这些计算机程序指令(例如实施为计算机可读程序代码逻辑)也可存储在计算机可读存储器中，该存储器可以指导计算机或其它可编程处理装置以特定方式工作，从而使得存储在计算机可读存储器中的指令生成包括实现流程图的模块中规定的功能的指令装置的制品。计算机程序指令也可装载到计算机或其它可编程处理装置上，从而导致在计算机或其它可编程处理装置上执行一系列操作步骤，以产生计算机执行的处理，从而使得在计算机或其它可编程处理装置上执行的指令提供用于实施流程图的模块、算法、公式、或计算性叙述中规定的功能的步骤。
从上面的讨论中可以理解，本发明可以以各种方式实施，包括如下：
1.一种用于肺结节的自动化检测的方法，包括：输入来自计算机断层扫描(CT)图像的数据；对图像进行分割以获得一个或多个肺部区域；对该一个或多个肺部区域进行强度阀值化以生成遮罩区域，该遮罩区域包括与所述一个或多个肺部区域内的解剖结构对应的一个或多个高强度区域；计算该遮罩区域的欧几里得距离图；对欧几里得距离图执行分水岭分割以生成一个或多个子区域；针对所述一个或多个子区域中的每个子区域识别种子点；从每个子区域的种子点生长出一个或多个候选区域；以及根据所述一个或多个候选区域的一个或多个几何特征将一个或多个候选区域分类为肺结节。
2.如前面的实施例中的任一个所述的方法，其中对图像进行分割包括：通过对CT图像中的亮体素进行强度阀值化并选择最大的3D连通分支，对来图像的胸壁区域进行分割；以及通过对CT图像中的暗体素进行强度阀值化并选择最大的3D连通分支，对胸壁区域中的肺部区域进行分割。
3.如前面的实施例中的任一个所述的方法，其中对图像进行分割还包括计算所分割的肺部区域的凸包。
4.如前面的实施例中的任一个所述的方法，其中对一个或多个肺部区域进行强度阀值化是在用于固态结节候选区域的检测的第一阀值下进行的。
5.如前面的实施例中的任一个所述的方法，其中对一个或多个肺部区域进行强度阀值化是在用于磨玻璃结节候选区域的检测的第二阀值下进行的。
6.如前面的实施例中的任一个所述的方法，其中在分水岭分割之前对欧几里得距离图施加高斯平滑。
7.如前面的实施例中的任一个所述的方法，其中通过分水岭分割生成的一个或多个子区域与欧几里得距离图中的局部极大点邻近。
8.如前面的实施例中的任一个所述的方法，其中针对每个子区域识别种子点包括将每个子区域中具有最大欧几里得距离图值的体素识别为与该子区域对应的种子。
9.如前面的实施例中的任一个所述的方法，其中生长一个或多个候选区域包括：生成以每个种子点为中心的立方体目标区域；以及将目标区域内的连续体素包括为候选区域中的体素；所包括的体素具有的欧几里得距离图数值落在预定的阀值范围内。
10.如前面的实施例中的任一个所述的方法，还包括对所述一个或多个生长的候选区域中的每一个进行扩张。
11.如前面的实施例中的任一个所述的方法，其中对一个或多个候选区域进行分类包括：计算候选区域的体积；以及在所计算的体积的函数落在阀值范围内时，将候选区域识别为结节。
12.如前面的实施例中的任一个所述的方法，其中对一个或多个候选区域进行分类还包括：计算候选区域的球度；其中所述球度被计算为：所计算的候选区域的体积与以候选体积的形心为中心的最小球体的体积之比，以及在所计算的球度的函数超出阀值时，将候选区域识别为结节。
13.如前面的实施例中的任一个所述的方法，还包括通过对所识别的结节中的每个体素的体积进行求和，来计算所识别的肺结节的体积。
14.如前面的实施例中的任一个所述的方法，还包括计算所识别的肺结节的直径。
15.如前面的实施例中的任一个所述的方法，其中直径是通过如下步骤计算的：将肺结节划分为位于一个或多个平面中的多个2D目标区域；针对每个2D目标区域提取边界点；以及从每个2D目标区域中的边界点中识别最大直径；将来自每个平面的最大直径中的最大值识别为结节直径。
16.如前面的任意实施例所述的方法，还包括将所识别的肺结节的图像覆盖在CT图像上。
17.一种对患者肺部的计算机断层扫描(CT)图像进行自动分割的***，包括：处理器；处理器上编程的可执行程序，其用于：输入来自CT图像的数据；对图像进行分割以获得一个或多个肺部区域；对该一个或多个肺部区域进行强度阀值化以生成遮罩区域，该遮罩区域包括与所述一个或多个肺部区域内的解剖结构对应的一个或多个高强度区域；计算该遮罩区域的欧几里得距离图；对欧几里得距离图执行分水岭分割以生成一个或多个子区域；针对所述一个或多个子区域中的每个子区域识别种子点；从每个子区域的种子点生长出一个或多个候选区域；以及根据所述一个或多个候选区域的一个或多个几何特征将一个或多个候选区域分类为肺结节。
18.如前面的实施例中的任一个所述的***，其中对图像进行分割包括：通过对CT图像中的亮体素进行强度阀值化并选择最大的3D连通分支，对图像的胸壁区域进行分割；以及通过对CT图像中的暗体素进行强度阀值化并选择最大的3D连通分支，对胸壁区域中的肺部区域进行分割。
19.如前面的实施例中的任一个所述的***，其中对图像进行分割还包括计算所分割的肺部区域的凸包。
20.如前面的实施例中的任一个所述的***，其中对一个或多个肺部区域进行强度阀值化是在用于固态结节候选区域的检测的第一阀值下进行的。
21.如前面的实施例中的任一个所述的***，其中对一个或多个肺部区域进行强度阀值化是在用于磨玻璃结节候选区域的检测的第二阀值下进行的。
22.如前面的实施例中的任一个所述的***，其中在分水岭分割之前对欧几里得距离图施加高斯平滑。
23.如前面的实施例中的任一个所述的***，其中通过分水岭分割生成的一个或多个子区域与欧几里得距离图中的局部极大点邻近。
24.如前面的实施例中的任一个所述的***，其中针对每个子区域识别种子点包括将每个子区域的具有最大欧几里得距离图值的体素识别为与该子区域对应的种子。
25.如前面的实施例中的任一个所述的***，其中生长一个或多个候选区域包括：生成以每个种子点为中心的立方体目标区域；以及将目标区域内的连续体素包括为候选区域中的体素；所包括的体素具有的欧几里得距离图数值落在预定的阀值范围内。
26.如前面的实施例中的任一个所述的***，还包括：对所述一个或多个生长的候选区域中的每一个进行扩张。
27.如前面的实施例中的任一个所述的***，其中对一个或多个候选区域进行分类包括：计算候选区域的体积；以及在所计算的体积的函数落在阀值范围内时，将候选区域识别为结节。
28.如前面的实施例中的任一个所述的***，其中对一个或多个候选区域进行分类还包括：计算候选区域的球度；其中所述球度被计算为：所计算的候选区域的体积与以候选体积的形心为中心的最小球体的体积之比，以及在所计算的球度的函数超出阀值时，将候选区域识别为结节。
29.如前面的实施例中的任一个所述的***，还包括：通过对所识别的结节中的每个体素的体积进行求和，来计算所识别的肺结节的体积。
30.如前面的实施例中的任一个所述的***，还包括计算所识别的肺结节的直径。
31.如前面的实施例中的任一个所述的***，其中直径是通过如下步骤计算的：将肺结节划分为位于一个或多个平面中的多个2D目标区域；针对每个2D目标区域提取边界点；从每个2D目标区域中的边界点中识别最大直径；以及将来自每个平面的最大直径中的最大值识别为结节直径。
虽然上述描述包含许多细节，但是这些细节不应被理解为是对本发明范围的限制，而应理解为仅是为了举例说明本发明的其中一些优选实施例。因此，应当理解的是，本发明的范围全面地包括对于本领域技术人员来说显而易见的其他实施例，因此，本发明的范围仅由随附的权利要求书来限定，其中当以单数形式提到元件时，其并非旨在表示“一个且仅一个”(除非明确地这样说明)，而应该表示“一个或多个”。本领域技术人员已知的所有结构、化学品和上述优选实施例的元件的功能等同物通过引用的方式清楚地并入本文并且旨在包括在本发明权利要求书的范围内。此外，对于设备或方法而言，其不必解决本发明要解决的各个和每个问题，因为其包括在本权利要求书的范围内。此外，本公开中的元件、组件或方法步骤并非旨在向公众提供，无论所述元件、组件或方法步骤是否在权利要求中被清楚地描述。本文的权利要求要素不应按照35 U.S.C.112第六段的规定解释，除非所述要素使用表述“用于…的手段(means for)”清楚地这样描述。

Claims (32)

1.一种用于肺结节的自动化检测的方法，包括：
输入来自计算机断层扫描(CT)图像的数据；
对所述图像进行分割以获得一个或多个肺部区域；
对所述一个或多个肺部区域进行强度阀值化以生成遮罩区域，该遮罩区域包括与所述一个或多个肺部区域内的解剖结构对应的一个或多个高强度区域；
计算所述遮罩区域的欧几里得距离图；
对所述欧几里得距离图执行分水岭分割以生成一个或多个子区域；
针对所述一个或多个子区域中的每个子区域识别种子点；
从每个子区域的种子点生长出一个或多个候选区域；以及
根据所述一个或多个候选区域的一个或多个几何特征将一个或多个候选区域分类为肺结节。
2.如权利要求1所述的方法，其中对所述图像进行分割包括：
通过对所述CT图像中的亮体素进行强度阀值化并选择最大的3D连通分支，对所述图像的胸壁区域进行分割；以及
通过对所述CT图像中的暗体素进行强度阀值化并选择最大的3D连通分支，对所述胸壁区域中的肺部区域进行分割。
3.如权利要求2所述的方法，其中对所述图像进行分割还包括计算所分割的肺部区域的凸包。
4.如权利要求1所述的方法，其中对所述一个或多个肺部区域进行强度阀值化是在用于固态结节候选区域的检测的第一阀值下进行的。
5.如权利要求1所述的方法，其中对所述一个或多个肺部区域进行强度阀值化是在用于磨玻璃结节候选区域的检测的第二阀值下进行的。
6.如权利要求1所述的方法，其中在分水岭分割之前对所述欧几里得距离图施加高斯平滑。
7.如权利要求1所述的方法，其中通过分水岭分割生成的所述一个或多个子区域与所述欧几里得距离图中的局部极大点邻近。
8.如权利要求7所述的方法，其中针对每个子区域识别种子点包括将每个子区域中具有最大欧几里得距离图值的体素识别为与该子区域对应的种子。
9.如权利要求8所述的方法，其中生长一个或多个候选区域包括：
生成以每个种子点为中心的立方体目标区域；以及
将所述目标区域内的连续体素包括为候选区域中的体素；
所包括的体素具有的欧几里得距离图数值落在预定的阀值范围内。
10.如权利要求9所述的方法，还包括对所述一个或多个生长的候选区域中的每一个进行扩张。
11.如权利要求1所述的方法，其中对一个或多个候选区域进行分类包括：
计算所述候选区域的体积；以及
在所计算的体积的函数落在阀值范围内时，将所述候选区域识别为结节。
12.如权利要求11所述的方法，其中对一个或多个候选区域进行分类还包括：
计算所述候选区域的球度；
其中所述球度被计算为：所计算的所述候选区域的体积与以候选体积的形心为中心的最小球体的体积之比，以及
在所计算的球度的函数超出阀值时，将所述候选区域识别为结节。
13.如权利要求1所述的方法，还包括通过对所识别的肺结节中的每个体素的体积进行求和，来计算所识别的肺结节的体积。
14.如权利要求1所述的方法，还包括计算所识别的肺结节的直径。
15.如权利要求14所述的方法，其中所述直径是通过如下步骤计算的：
将所述肺结节划分为位于一个或多个平面中的多个2D目标区域；
针对每个2D目标区域提取边界点；
从每个2D目标区域中的边界点中识别最大直径；以及
将来自每个平面的最大直径中的最大值识别为所述结节直径。
16.如权利要求1所述的方法，还包括将所识别的肺结节的图像覆盖在所述CT图像上。
17.一种对患者肺部的计算机断层扫描(CT)图像进行自动分割的***，包括：
处理器；
所述处理器上编程的可执行程序，其用于：
输入来自所述CT图像的数据；
对所述图像进行分割以获得一个或多个肺部区域；
对所述一个或多个肺部区域进行强度阀值化以生成遮罩区域，该遮罩区域包括与所述一个或多个肺部区域内的解剖结构对应的一个或多个高强度区域；
计算所述遮罩区域的欧几里得距离图；
对所述欧几里得距离图执行分水岭分割以生成一个或多个子区域；
针对所述一个或多个子区域中的每个子区域识别种子点；
从每个子区域的种子点生长出一个或多个候选区域；以及
根据所述一个或多个候选区域的一个或多个几何特征将一个或多个候选区域分类为肺结节。
18.如权利要求17所述的***，其中对所述图像进行分割包括：
通过对所述CT图像中的亮体素进行强度阀值化并选择最大的3D连通分支，对所述图像的胸壁区域进行分割；以及
通过对所述CT图像中的暗体素进行强度阀值化并选择最大的3D连通分支，对所述胸壁区域中的肺部区域进行分割。
19.如权利要求18所述的***，其中对所述图像进行分割还包括计算所分割的肺部区域的凸包。
20.如权利要求17所述的***，其中对所述一个或多个肺部区域进行强度阀值化是在用于固态结节候选区域的检测的第一阀值下进行的。
21.如权利要求17所述的***，其中对所述一个或多个肺部区域进行强度阀值化是在用于磨玻璃结节候选区域的检测的第二阀值下进行的。
22.如权利要求17所述的***，其中在分水岭分割之前对所述欧几里得距离图施加高斯平滑。
23.如权利要求17所述的***，其中通过分水岭分割生成的所述一个或多个子区域与所述欧几里得距离图中的局部极大点邻近。
24.如权利要求23所述的***，其中针对每个子区域识别种子点包括将每个子区域的具有最大欧几里得距离图值的体素识别为与该子区域对应的种子。
25.如权利要求24所述的***，其中生长一个或多个候选区域包括：
生成以每个种子点为中心的立方体目标区域；以及
将所述目标区域内的连续体素包括为候选区域中的体素；
所包括的体素具有的欧几里得距离图数值落在预定的阀值范围内。
26.如权利要求25所述的***，还包括：
对所述一个或多个生长的候选区域中的每一个进行扩张。
27.如权利要求17所述的***，其中对一个或多个候选区域进行分类包括：
计算所述候选区域的体积；以及
在所计算的体积的函数落在阀值范围内时，将候选区域识别为结节。
28.如权利要求27所述的***，其中对一个或多个候选区域进行分类还包括：
计算候选区域的球度；
其中所述球度被计算为：所计算的候选区域的体积与以候选体积的形心为中心的最小球体的体积之比，以及
在所计算的球度的函数超出阀值时，将候选区域识别为结节。
29.如权利要求27所述的***，还包括：
通过对所识别的肺结节中的每个体素的体积进行求和，来计算所识别的肺结节的体积。
30.如权利要求17所述的***，还包括计算所识别的肺结节的直径。
31.如权利要求30所述的***，其中所述直径是通过如下步骤计算的：
将所述肺结节划分为位于一个或多个平面中的多个2D目标区域；
针对每个2D目标区域提取边界点；
从每个2D目标区域中的边界点中识别最大直径；以及
将来自每个平面的最大直径中的最大值识别为所述结节直径。
32.如权利要求17所述的***，还包括将所识别的肺结节的图像覆盖在所述CT图像上。
CN201380046881.4A 2012-09-13 2013-03-07 用于医学图像中的肺结节的自动化检测的***和方法 Pending CN104619257A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201261700592P 2012-09-13 2012-09-13
US61/700,592 2012-09-13
PCT/US2013/029646 WO2014042678A1 (en) 2012-09-13 2013-03-07 System and method for automated detection of lung nodules in medical images

Publications (1)

Publication Number Publication Date
CN104619257A true CN104619257A (zh) 2015-05-13

Family

ID=50278584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380046881.4A Pending CN104619257A (zh) 2012-09-13 2013-03-07 用于医学图像中的肺结节的自动化检测的***和方法

Country Status (6)

Country Link
US (1) US9418420B2 (zh)
EP (1) EP2916737B1 (zh)
JP (1) JP6267710B2 (zh)
CN (1) CN104619257A (zh)
CA (1) CA2884167C (zh)
WO (1) WO2014042678A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107184224A (zh) * 2017-05-18 2017-09-22 太原理工大学 一种基于双模态极限学习机的肺结节诊断方法
CN107485446A (zh) * 2017-09-07 2017-12-19 安徽紫薇帝星数字科技有限公司 一种可快速定位腹部的手术导向定位***
CN108564566A (zh) * 2018-03-12 2018-09-21 沈阳东软医疗***有限公司 医学成像处理方法、装置以及图像处理设备
CN109671066A (zh) * 2018-12-14 2019-04-23 强联智创（北京）科技有限公司 一种基于头颅ct影像的脑梗死判断的方法及***
CN118071776A (zh) * 2024-04-22 2024-05-24 大连云智信科技发展有限公司 一种用于家禽肠道健康状况检测的图像处理***

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9990743B2 (en) * 2014-03-27 2018-06-05 Riverain Technologies Llc Suppression of vascular structures in images
JP6510189B2 (ja) * 2014-06-23 2019-05-08 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
US9810715B2 (en) 2014-12-31 2017-11-07 Tektronix, Inc. High impedance compliant probe tip
US9754378B2 (en) * 2016-01-21 2017-09-05 Molecular Devices, Llc System and method for segmentation of three-dimensional microscope images
US10706533B2 (en) * 2016-05-13 2020-07-07 National Jewish Health Systems and methods for automatic detection and quantification of pathology using dynamic feature classification
JP6862147B2 (ja) * 2016-11-09 2021-04-21 キヤノン株式会社 画像処理装置、画像処理装置の作動方法、画像処理システム
CN106709930B (zh) * 2016-12-29 2020-03-31 上海联影医疗科技有限公司 三维医学图像的感兴趣体积分割方法及装置
CN108022238B (zh) * 2017-08-09 2020-07-03 深圳科亚医疗科技有限公司 对3d图像中对象进行检测的方法、计算机存储介质和***
KR102178803B1 (ko) * 2018-01-26 2020-11-16 울산대학교 산학협력단 흉부 의료 영상 판독 지원 시스템 및 방법
CN108230323B (zh) * 2018-01-30 2021-03-23 浙江大学 一种基于卷积神经网络的肺结节假阳性筛选方法
EP3776330A4 (en) * 2018-03-30 2021-10-06 Perkinelmer Health Sciences Inc. SYSTEMS AND METHODS FOR AUTOMATED DETECTION AND SEGMENTATION OF ONE OR MORE VERTEBRAL CENTERS IN 3D IMAGES
US11335006B2 (en) 2018-04-25 2022-05-17 Mim Software, Inc. Image segmentation with active contour
CN108615237B (zh) * 2018-05-08 2021-09-07 上海商汤智能科技有限公司 一种肺部图像处理方法及图像处理设备
CN108664971B (zh) * 2018-05-22 2021-12-14 中国科学技术大学 基于2d卷积神经网络的肺结节检测方法
KR102208358B1 (ko) * 2018-11-30 2021-01-28 양이화 인공지능을 이용한 폐암진단 시스템, 폐암검진 ct 판독서버 및 폐암진단방법
CN109886282B (zh) * 2019-02-26 2021-05-28 腾讯科技（深圳）有限公司 对象检测方法、装置、计算机可读存储介质和计算机设备
CN110033462A (zh) * 2019-04-08 2019-07-19 中国计量大学 基于多层次距离变换的粘连目标分割算法
JP7342267B2 (ja) * 2020-06-18 2023-09-11 富士フイルム株式会社 領域修正装置、方法およびプログラム
US11688517B2 (en) 2020-10-30 2023-06-27 Guerbet Multiple operating point false positive removal for lesion identification
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
US11688063B2 (en) 2020-10-30 2023-06-27 Guerbet Ensemble machine learning model architecture for lesion detection
CN113658198A (zh) * 2021-08-31 2021-11-16 平安医疗健康管理股份有限公司 交互式肺气肿病灶分割方法、装置、存储介质及设备
WO2024015470A1 (en) * 2022-07-13 2024-01-18 Hyperfine Operations, Inc. Simulating structures in images

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030167001A1 (en) * 2001-11-23 2003-09-04 Allain Pascal Raymond Method for the detection and automatic characterization of nodules in a tomographic image and a system of medical imaging by tomodensimetry
US20090129673A1 (en) * 2007-11-15 2009-05-21 Simon Richard A Method for segmentation of lesions
US20100272341A1 (en) * 2002-10-18 2010-10-28 Cornell Research Foundation, Inc. Method and Apparatus for Small Pulmonary Nodule Computer Aided Diagnosis from Computed Tomography Scans

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11272865A (ja) * 1998-03-23 1999-10-08 Mitsubishi Electric Corp 画像セグメンテーション方法およびその装置
EP1455307A1 (en) * 2003-03-06 2004-09-08 MeVis GmbH Partial volume visualization
EP2210556B1 (en) * 2004-02-26 2019-04-10 Toshiba Medical Systems Corporation Magnetic resonance imaging apparatus and data processing method for magnetic resonance imaging apparatus
GB2451367B (en) * 2004-05-20 2009-05-27 Medicsight Plc Nodule Detection
GB2461199B (en) * 2004-06-23 2010-04-28 Medicsight Plc Lesion extent determination in a CT scan image
EP1859413A2 (en) * 2005-02-11 2007-11-28 Philips Intellectual Property & Standards GmbH Analysis of pulmonary nodules from ct scans using the contrast agent enhancement as a function of distance to the boundary of the nodule
JP4599191B2 (ja) * 2005-03-01 2010-12-15 国立大学法人神戸大学 画像診断処理装置および画像診断処理プログラム
US7623692B2 (en) * 2005-07-22 2009-11-24 Carestream Health, Inc. Pulmonary nodule detection in a chest radiograph
US20070092864A1 (en) * 2005-09-30 2007-04-26 The University Of Iowa Research Foundation Treatment planning methods, devices and systems
US8073226B2 (en) * 2006-06-30 2011-12-06 University Of Louisville Research Foundation, Inc. Automatic detection and monitoring of nodules and shaped targets in image data
US8165369B2 (en) * 2007-10-03 2012-04-24 Siemens Medical Solutions Usa, Inc. System and method for robust segmentation of pulmonary nodules of various densities
WO2009063363A2 (en) * 2007-11-14 2009-05-22 Koninklijke Philips Electronics N.V. Computer-aided detection (cad) of a disease
JP5536987B2 (ja) * 2008-05-16 2014-07-02 株式会社東芝 画像処理装置
US9117289B2 (en) * 2011-11-11 2015-08-25 Konica Minolta, Inc. Medical imaging system, medical image processing apparatus, and computer-readable medium

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030167001A1 (en) * 2001-11-23 2003-09-04 Allain Pascal Raymond Method for the detection and automatic characterization of nodules in a tomographic image and a system of medical imaging by tomodensimetry
US20100272341A1 (en) * 2002-10-18 2010-10-28 Cornell Research Foundation, Inc. Method and Apparatus for Small Pulmonary Nodule Computer Aided Diagnosis from Computed Tomography Scans
US20090129673A1 (en) * 2007-11-15 2009-05-21 Simon Richard A Method for segmentation of lesions

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
T. KUBOTA，ET AL: "A segmentation algorithm with competition–diffusion and distance transform for automated estimate of pulmonary nodule diameter", 《INT J CARS》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107184224A (zh) * 2017-05-18 2017-09-22 太原理工大学 一种基于双模态极限学习机的肺结节诊断方法
CN107184224B (zh) * 2017-05-18 2020-04-21 太原理工大学 一种基于双模态极限学习机的肺结节诊断方法
CN107485446A (zh) * 2017-09-07 2017-12-19 安徽紫薇帝星数字科技有限公司 一种可快速定位腹部的手术导向定位***
CN108564566A (zh) * 2018-03-12 2018-09-21 沈阳东软医疗***有限公司 医学成像处理方法、装置以及图像处理设备
CN108564566B (zh) * 2018-03-12 2021-08-31 东软医疗***股份有限公司 医学成像处理方法、装置以及图像处理设备
CN109671066A (zh) * 2018-12-14 2019-04-23 强联智创（北京）科技有限公司 一种基于头颅ct影像的脑梗死判断的方法及***
CN109671066B (zh) * 2018-12-14 2024-03-26 强联智创（北京）科技有限公司 一种基于头颅ct影像的脑梗死判断的方法及***
CN118071776A (zh) * 2024-04-22 2024-05-24 大连云智信科技发展有限公司 一种用于家禽肠道健康状况检测的图像处理***

Also Published As

Publication number Publication date
JP6267710B2 (ja) 2018-01-24
US9418420B2 (en) 2016-08-16
CA2884167C (en) 2020-05-12
EP2916737B1 (en) 2019-01-16
US20150254842A1 (en) 2015-09-10
CA2884167A1 (en) 2014-03-20
JP2015528372A (ja) 2015-09-28
EP2916737A4 (en) 2016-05-18
WO2014042678A1 (en) 2014-03-20
EP2916737A1 (en) 2015-09-16

Similar Documents

Publication Publication Date Title
CN104619257A (zh) 用于医学图像中的肺结节的自动化检测的***和方法
Oulefki et al. Automatic COVID-19 lung infected region segmentation and measurement using CT-scans images
JP4999163B2 (ja) 画像処理方法および装置ならびにプログラム
Saad et al. Image segmentation for lung region in chest X-ray images using edge detection and morphology
Soleymanpour et al. Fully automatic lung segmentation and rib suppression methods to improve nodule detection in chest radiographs
US7555152B2 (en) System and method for detecting ground glass nodules in medical images
Osman et al. Lung nodule diagnosis using 3D template matching
Timp et al. Interval change analysis to improve computer aided detection in mammography
US11701066B2 (en) Device and method for detecting clinically important objects in medical images with distance-based decision stratification
US20190035075A1 (en) Method and apparatus for classifying a data point in imaging data
Díaz-Pernil et al. Fully automatized parallel segmentation of the optic disc in retinal fundus images
Sanyal et al. An automated two-step pipeline for aggressive prostate lesion detection from multi-parametric MR sequence
Rani et al. Superpixel with nanoscale imaging and boosted deep convolutional neural network concept for lung tumor classification
Kallel et al. An iterative possibilistic knowledge diffusion approach for blind medical image segmentation
Ananth et al. Liver And Hepatic Tumors Segmentation in 3-D CT Images
Raman et al. Review on mammogram mass detection by machinelearning techniques
Farhangi et al. Automatic lung nodule detection in thoracic CT scans using dilated slice‐wise convolutions
Liu et al. A new multi‐object image thresholding method based on correlation between object class uncertainty and intensity gradient
Touil et al. Automatic detection of microcalcification based on morphological operations and structural similarity indices
Mencattini et al. Assessment of a breast mass identification procedure using an iris detector
Herwanto et al. Association technique based on classification for classifying microcalcification and mass in mammogram
Isa et al. Automatic segmentation and detection of mass in digital mammograms
Staal et al. Automatic rib segmentation in CT data
Savitha et al. Lung nodule identification and classification from distorted CT images for diagnosis and detection of lung cancer
Liu et al. Segmentation refinement of small-size juxta-pleural lung nodules in CT scans

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20150513

WD01 Invention patent application deemed withdrawn after publication