CN104700390A - 双能ct造影剂增强扫描图像中的钙化部分识别方法 - Google Patents
双能ct造影剂增强扫描图像中的钙化部分识别方法 Download PDFInfo
- Publication number
- CN104700390A CN104700390A CN201310661111.2A CN201310661111A CN104700390A CN 104700390 A CN104700390 A CN 104700390A CN 201310661111 A CN201310661111 A CN 201310661111A CN 104700390 A CN104700390 A CN 104700390A
- Authority
- CN
- China
- Prior art keywords
- pixel
- value
- groups
- calcification part
- calcification
- 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
-
- 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
- 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种双能CT造影剂增强扫描图像中的钙化部分识别方法,所述方法包括:对双能CT造影剂增强扫描图像中的像素进行过滤,以得到待分组的像素;根据待分组的像素的在双能CT造影剂增强扫描图像中的位置来将待分组的像素分组到多个像素组中;对每个像素组中的像素进行物质分解;根据物质分解的结果来确定所述多个像素组中的与钙化部分对应的像素。因此,可以准确地识别处钙化部分。
Description
技术领域
本发明通常涉及计算机化断层扫描(CT)领域,更具体地讲,涉及一种双能CT造影剂增强扫描图像中的钙化部分识别方法。
背景技术
计算机化断层扫描(CT)技术得到的目标对象的扫描图像包括多个灰度不同的像素。像素的灰度与待扫描目标的密度成比例。待扫描目标的密度不同的区域对于X射线的吸收程度不同,因此,在CT扫描图像中,以灰度较低的像素表示对X射线的吸收程度较低的低密度区域,以灰度较高的像素表示对X射线的吸收程度较高的高密度区域。通常,用CT值(单位:Hu)来表示CT扫描图像中的像素。例如,将与具有较高的X射线吸收程度的对象或组织对应的像素的CT值设定为高于具有较低的X射线吸收程度的对象或组织的CT值,例如,将与骨组织对应的像素的CT值设定为+1000Hu,将与水对应的像素的CT值定为0Hu,将与空气对应的像素的CT值定为-1000Hu,等等。
当前,已经提出了一种双能CT技术,该技术以两种能量的X射线对待扫描目标进行扫描,并因此得到待扫描目标的双能CT扫描图像。这样的双能CT扫描图像包含的信息比传统的仅以一种能量的X射线对扫描目标进行扫描的单能量CT技术所得到的扫描图像包含的信息更为丰富。
然而,在单能量CT扫描图像以及双能CT扫描图像中,待扫描目标中的不同的对象可能具有相同或相近的X射线吸收程度。例如,骨组织和诸如血管或其他的组织的因病变而导致的钙化部位可能具有相同或相近的X射线吸收程度,并因此可能具有相同或相近的CT值。因此,难以在CT扫描图像中将由相同或相似的灰度值的像素表示的对象区分开。
另外,为了突出显示待扫描目标中的不同的对象,在进行CT扫描之前,向待扫描目标施加(例如,注入)造影剂。对施加有造影剂的待扫描对象进行CT扫描也被称为CT造影剂增强扫描,所得到的CT扫描图像也被称为CT造影剂增强扫描图像。
然而,因为CT造影剂增强扫描图像中的与造影剂对应的像素的CT值相对较高,所以难以在CT造影剂增强扫描图像中将与造影剂对应的像素和与诸如钙化部分等具有较高的密度和较高的X射线吸收程度的像素区分开。在现有技术中,存在一种通过将在施加造影剂之前进行CT扫描(平扫)而得到的CT扫描图像(平扫图像)和CT造影剂增强扫描图像(增强扫图像)进行对比来识别与钙化部分对应的像素的方法。但是,这样的方法需要对待扫描目标进行两次CT扫描,这样会增加待扫描目标的X射线吸收剂量。然而,因为CT造影剂增强扫描图像中的与造影剂对应的像素的CT值相对较高,所以难以在CT造影剂增强扫描图像中将与钙化部分对应的像素和与造影剂和例如骨组织等具有较高的密度和较高的X射线吸收程度的像素区分开。在现有技术中,存在一种通过将在施加造影剂之前进行CT扫描(平扫)而得到的CT扫描图像(平扫图像)和CT造影剂增强扫描图像(增强扫图像)进行对比来识别与钙化部分对应的像素的方法。但是,这样的方法需要对待扫描目标进行两次CT扫描,这样会增加待扫描目标的X射线吸收剂量。
因此,期望一种能够在CT造影剂增强扫描图像识别钙化部分的方法。
发明内容
本发明的示例性实施例的目的在于克服现有技术中的上述的和/或其他的问题。因此,本发明的示例性实施例提供了一种能够准确地识别处钙化部分的双能CT造影剂增强扫描图像中的钙化部分识别方法,所述方法包括:对双能CT造影剂增强扫描图像中的像素进行过滤,以得到待分组的像素;根据待分组的像素的在双能CT造影剂增强扫描图像中的位置来将待分组的像素分组到多个像素组中;对每个像素组中的像素进行物质分解;根据物质分解的结果来确定所述多个像素组中的与钙化部分对应的像素。
附图说明
通过结合附图对于本发明的示例性实施例进行描述,可以更好地理解本发明,在附图中:
图1是示出了根据示例性实施例的双能CT造影剂增强扫描图像中的钙化部分识别方法的流程图;
图2是示出了根据示例性实施例的双能CT造影剂增强扫描图像的示例;
图3是示出了根据示例性实施例的经过滤的扫描图像的示例;
图4是示出了根据示例性实施例的与像素组对应的分解散点图的示例;
图5是示出了根据示例性实施例的对被确定为与钙化部分对应的像素的膨胀算法的曲线图;
图6是示出了根据示例性实施例的经处理的包括CT值减小的像素的扫描图像的示例。
具体实施方式
以下将描述本发明的具体实施方式,需要指出的是,在这些实施方式的具体描述过程中,为了进行简明扼要的描述,本说明书不可能对实际的实施方式的所有特征均作详尽的描述。应当可以理解的是,在任意一种实施方式的实际实施过程中,正如在任意一个工程项目或者设计项目的过程中,为了实现开发者的具体目标,为了满足***相关的或者商业相关的限制,常常会做出各种各样的具体决策,而这也会从一种实施方式到另一种实施方式之间发生改变。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本发明公开的内容相关的本领域的普通技术人员而言,在本公开揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本公开的内容不充分。
除非另作定义,权利要求书和说明书中使用的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“一个”或者“一”等类似词语并不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同元件,并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,也不限于是直接的还是间接的连接。
图1是示出了根据示例性实施例的双能CT造影剂增强扫描图像中的钙化部分识别方法的流程图。
如图1中所示,在操作S110中,可以对目标(例如,待诊断的用户)的双能CT造影剂增强扫描图像进行过滤。图2是示出了根据示例性实施例的双能CT造影剂增强扫描图像的示例。当进行图像过滤时,可以确定如图2中所示的双能CT造影剂增强扫描图像中的各个像素的CT值是否大于参考CT值,并可以将CT值大于参考CT值的像素确定为经过滤的像素。因为将在进行过滤之后对经过滤的像素进行分组(这将在下面进行详细描述),所以经过滤的像素也可以被称为待分组的像素。这里,参考CT值可以为预先选择的值。在当前的示例性实施例中,为了将与造影剂、骨组织和诸如血管或其他的组织的因病变而导致的钙化部分对应的像素和图像中的其他的像素区分开,可以将参考CT值选择为100Hu。然而,示例性实施例不限于此,可以以不同的参考CT值对双能CT造影剂增强扫描图像进行过滤。例如,可以将小于参考CT值的像素确定为待分组的像素,或者可以将大于第一参考CT值并小于第二参考CT值的像素确定为待分组的像素(其中,第一参考CT值小于第二参考CT值)。
图3是示出了根据示例性实施例的经过滤的扫描图像的示例。
在以100Hu的参考CT值对图2中示出的双能CT造影剂增强扫描图像进行过滤之后,可以得到的仅包括待分组的像素的经过滤的扫描图像,如图3中所示。图3中的A部分可以与是骨组织对应的像素,B部分可以与是造影剂(例如,包含在血液中的造影剂)和钙化部分对应的像素。
返回参照图1,在对双能CT造影剂增强扫描图像进行过滤之后,可以将过滤得到的待分组像素进行分组(S130)。可以根据待分组的像素的在双能CT造影剂增强扫描图像中的位置来自动或手动地将待分组的像素分组到多个像素组中。例如,当自动地对待分组像素进行分组时,可以首先选择(例如,任意地选择)一个待分组像素,然后,可以将与该选择的待分组像素相邻的待分组像素分组到与该选择的待分组像素相同的组中。然后,可以重复上述过程,直到将所有的待分组像素分组到对应的像素组中为止。这样,可以自动地将待分组的像素中的位置彼此相邻的像素分组到同一个像素组中。
参照图1,在对待分组像素进行了分组之后,可以对每个像素组中的像素进行物质分解(S150)。因为双能CT扫描图像可以提供比单能CT扫描图像所提供的信息更为丰富的信息,所以可以进行这样的物质分解,从而对每个像素来说,可以得到至少两个分解值。这里,每个像素的两个分解值可以分别是彼此不同的两种基物质的等效密度值,或者可以分别是与执行双能CT扫描所采用的彼此不同的两种能量对应的CT值。在下文中,将描述每个像素的两个分解值分别是水的等效密度值和造影剂包含的碘的等效密度值的示例性实施例。
如图1中所示,在对每个像素组中的像素的CT值进行物质分解之后,可以根据物质分解的结果来确定所述多个像素组中的与钙化部分对应的像素(S170)。
具体地讲,可以根据每个像素组中的像素的分解值来建立表示该像素组中的每个像素的两个分解值之间的关系的分解值散点图。图4是示出了根据示例性实施例的与图2中的B部分对应的像素组(B组)的分解散点图。可以根据像素组的像素在分解值散点图中的位置来手动地或自动地确定每个像素组所对应的对象。例如,在图4的B组的分解值散点图中,大多数的像素的分布在由水平轴(水)的从大约950mg/cc至大约1100mg/cc以及垂直轴(碘)的从大约2mg/cc至大约20mg/cc限定的区域内,而一些像素可以分布在该区域之外。如图4中所示,这样的一些像素可以形成从大部分像素延伸的尾部的形状。因此,可以自动地或手动地确定这些尾部像素是与钙化部分对应的像素。
例如,当自动地确定与钙化部分对应的像素时,可以首先确定像素组的分解值散点图中的与钙化部分对应的特征区域,然后,可以将位于该特征区域中的像素确定为与钙化部分对应的像素。这样的特征区域可以预先设置,也可以根据像素在分解值散点图中的分布来确定。例如,如图4中所示,可以将大于1100mg/cc(水)和大于20mg/cc(碘)的区域确定为与钙化部分对应的特征区域。
根据另一个示例性实施例,在如上所述地自动或手动地确定了与钙化部分对应的像素之后,可以执行膨胀算法。例如,可以选择一个已经被确定了与钙化部分对应的像素,然后,可以对选择的像素应用膨胀算法,以确定选择的像素附近的像素是否与钙化部分对应。
具体地讲,如果扫描图像的像素以M×N矩阵方式排列,则对选择的像素应用第一次膨胀算法所得到的像素可以是该选择的像素周围的8个像素(即,以选择的像素为中心的3×3像素阵列中的8个***像素),对选择的像素应用第二次膨胀算法所得到的像素可以是以该选择的像素为中心的5×5像素阵列中的16个***像素。可以计算通过每次膨胀算法所得到的像素的CT值的平均值。
根据当平均CT值大于预定值时,可以将它们确定为与钙化部分对应。然后,可以执行下一次的膨胀算法,直到通过膨胀算法所得到的像素的平均CT值不大于预定值为止。图5是示出了根据示例性实施例的对被确定为与钙化部分对应的像素应用膨胀算法的所得到像素的平均CT值的曲线图。如图5中所示,通过第四次膨胀算法所得到的像素的平均CT值可以不大于预定值,例如,405Hu。因此,可以将第一次至第三次膨胀算法所得到的像素确定为与钙化部分对应,而将第四次至第六次膨胀算法所得到的像素确定为不与钙化部分对应。
然而,示例性实施例不限于此,在其他的示例性实施例中,可以计算通过第N-1次膨胀算法得到的像素的平均CT值与第N次膨胀算法得到像素的平均CT值之间的差,并且当所述差小于预定值时,可以将将通过第1次膨胀算法至第N-1次膨胀算法所得到的像素确定为与钙化部分对应的像素。这里,N为大于1的整数。例如,在图5中示出的示例性实施例中,通过第二次膨胀算法得到的像素的平均CT值与通过第三次平均算法得到的像素的平均CT值之间的差可以大于预定值(例如,30Hu),而通过第三次膨胀算法得到的像素的平均CT值与通过第四次平均算法得到的像素的平均CT值之间的差可以小于预定值(例如,30Hu)。因此,可以将第一次至第三次膨胀算法所得到的像素确定为与钙化部分对应,而将第四次至第六次膨胀算法所得到的像素确定为不与钙化部分对应。
因此,根据示例性实施例,可以准确地在双能可以准确地在双能CT造影剂增强扫描图像中识别出钙化部分。
此外,在可选的示例性实施例中,当确定了钙化部分对应的像素之后,可以根据确定结果来改变双能CT造影剂增强扫描图像中的像素的CT值。例如,可以减小钙化部分对应的像素附近的像素的CT值。图6是示出了根据示例性实施例的经处理的包括CT值减小的像素的扫描图像的示例。如图6中所示,钙化部分(即,图6中的由C指示的部分)可以因与附近的像素(例如,与造影剂对应的像素)的灰度差异增加而被突出地显示。
根据示例性实施例,可以从双能CT造影剂增强扫描图像中识别出钙化部分,并可以因此突出显示识别处的钙化部分。此外,因为通过对目标仅执行一次双能CT造影剂增强扫描即可识别出钙化部分,所以不需要在对目标执行造影剂增强扫描之前执行非造影剂增强扫描,从而减小了扫描执行时间和辐射到目标(例如,待诊断的用户)的X射线的量。
上面已经描述了一些示例性实施例。然而,应该理解的是,可以做出各种修改。例如,如果所描述的技术以不同的顺序执行和/或如果所描述的***、架构、设备或电路中的组件以不同方式被组合和/或被另外的组件或其等同物替代或补充,则可以实现合适的结果。相应地,其他实施方式也落入权利要求的保护范围内。
Claims (12)
1.一种双能CT造影剂增强扫描图像中的钙化部分识别方法,其特征在于,所述方法包括:
对双能CT造影剂增强扫描图像中的像素进行过滤,以得到待分组的像素;
根据待分组的像素的在双能CT造影剂增强扫描图像中的位置来将待分组的像素分组到多个像素组中;
对每个像素组中的像素进行物质分解;
根据物质分解的结果来确定所述多个像素组中的与钙化部分对应的像素。
2.如权利要求1所述的方法,其特征在于,过滤的步骤包括:
确定像素的CT值是否大于参考CT值;
将CT值大于参考CT值的像素确定为待分组的像素。
3.如权利要求1所述的方法,其特征在于,对待分组的像素进行分组的步骤包括:
将待分组的像素中的位置彼此相邻的像素分组到同一个像素组中。
4.如权利要求1所述的方法,其特征在于,确定与钙化部分对应的像素的步骤包括:
根据每个像素组中的像素的分解结果来建立表示该像素组中的每个像素的物质分解的结果之间的关系的分解值散点图;
根据像素组的像素在分解值散点图中的位置来确定该像素是否与钙化部分对应。
5.如权利要求4所述的方法,其特征在于,确定像素是否与钙化部分对应的步骤包括:
将像素组的位于分解值散点图中的与钙化部分对应的特征区域中的像素确定为与钙化部分对应。
6.如权利要求5所述的方法,其特征在于,确定像素是否与钙化部分对应的步骤还包括:
选择被确定为与钙化部分对应的像素中的像素;
对选择的像素应用膨胀算法,以确定选择的像素附近的像素是否与钙化部分对应。
7.如权利要求6所述的方法,其特征在于,确定选择的像素附近的像素是否与钙化部分对应的步骤包括:
当通过膨胀算法得到的像素的平均CT值大于预定值时,将所述像素确定为与钙化部分对应的像素。
8.如权利要求6所述的方法,其特征在于,确定选择的像素附近的像素是否与钙化部分对应的步骤包括:
当通过第N-1次膨胀算法得到的像素的平均CT值与第N次膨胀算法得到像素的平均CT值之间的差小于预定值时,将通过第1次膨胀算法至第N-1次膨胀算法所得到的像素确定为与钙化部分对应的像素,其中N为大于1的整数。
9.如权利要求3所述的方法,其特征在于,像素的两个特征值分别是彼此不同的两种基物质的等效密度值,或者分别是与为得到双能CT造影剂增强扫描图像而执行的双能CT扫描所采用的彼此不同的两种能量对应的CT值。
10.如权利要求1所述的方法,其特征在于,参考CT值为100Hu。
11.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据与钙化部分对应的像素的确定结果来改变双能CT造影剂增强扫描图像中的像素的CT值。
12.如权利要求11所述的方法,其特征在于,改变像素的CT值的步骤包括:
减小与钙化部分对应的像素附近的像素的CT值。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310661111.2A CN104700390B (zh) | 2013-12-09 | 2013-12-09 | 双能ct造影剂增强扫描图像中的钙化部分识别方法 |
US14/552,802 US9652673B2 (en) | 2013-12-09 | 2014-11-25 | Method for identifying calcification portions in dual energy CT contrast agent enhanced scanning image |
JP2014246382A JP6548208B2 (ja) | 2013-12-09 | 2014-12-05 | 二重エネルギーct造影剤強調されたスキャン画像内の石灰化部分を識別する装置の作動方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310661111.2A CN104700390B (zh) | 2013-12-09 | 2013-12-09 | 双能ct造影剂增强扫描图像中的钙化部分识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104700390A true CN104700390A (zh) | 2015-06-10 |
CN104700390B CN104700390B (zh) | 2019-07-23 |
Family
ID=53271697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310661111.2A Active CN104700390B (zh) | 2013-12-09 | 2013-12-09 | 双能ct造影剂增强扫描图像中的钙化部分识别方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9652673B2 (zh) |
JP (1) | JP6548208B2 (zh) |
CN (1) | CN104700390B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106473761A (zh) * | 2016-10-14 | 2017-03-08 | 山东大学 | 一种医学双能ct 电子密度图像的重建与数值校准方法 |
CN109688931A (zh) * | 2016-07-13 | 2019-04-26 | 皇家飞利浦有限公司 | 谱计算机断层扫描指纹识别 |
CN110547822A (zh) * | 2018-05-30 | 2019-12-10 | 通用电气公司 | 造影成像***和方法 |
CN113100803A (zh) * | 2021-04-20 | 2021-07-13 | 西门子数字医疗科技(上海)有限公司 | 用于显示静脉血栓的方法、装置、计算机设备和介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6158143B2 (ja) * | 2014-07-18 | 2017-07-05 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | 石灰化表示装置及び撮影装置並びにプログラム |
EP3250127B1 (en) | 2015-12-17 | 2018-10-31 | Koninklijke Philips N.V. | Method for generating contrast agent concentration map |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060286737A1 (en) * | 2005-06-16 | 2006-12-21 | Levy David H | Methods of making thin film transistors comprising zinc-oxide-based semiconductor materials and transistors made thereby |
CN101044986A (zh) * | 2006-03-31 | 2007-10-03 | 西门子公司 | 自动区分骨骼或含钙物质和软组织中造影剂的方法和装置 |
US8294717B2 (en) * | 2009-06-26 | 2012-10-23 | Kabushiki Kaisha Toshiba | Advanced clustering method for material separation in dual energy CT |
US8837677B2 (en) * | 2007-04-11 | 2014-09-16 | The Invention Science Fund I Llc | Method and system for compton scattered X-ray depth visualization, imaging, or information provider |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1622649A2 (en) * | 2003-05-06 | 2006-02-08 | Philips Intellectual Property & Standards GmbH | Apparatus and method for examining an object by means of elastically scattered x-ray radiation and contrast agent |
US20060285737A1 (en) * | 2005-06-17 | 2006-12-21 | Hamill James J | Image-based artifact reduction in PET/CT imaging |
DE102005037367B3 (de) * | 2005-08-08 | 2007-04-05 | Siemens Ag | Verfahren für eine Röntgeneinrichtung |
US8115784B2 (en) * | 2008-11-26 | 2012-02-14 | General Electric Company | Systems and methods for displaying multi-energy data |
JP5367443B2 (ja) * | 2009-04-28 | 2013-12-11 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | X線ct装置 |
US8818058B2 (en) | 2009-11-30 | 2014-08-26 | Toshiba Medical Systems Corporation | Method for determining a correction function for correcting computed tomographic numbers of a small target object in a CT image |
-
2013
- 2013-12-09 CN CN201310661111.2A patent/CN104700390B/zh active Active
-
2014
- 2014-11-25 US US14/552,802 patent/US9652673B2/en active Active
- 2014-12-05 JP JP2014246382A patent/JP6548208B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060286737A1 (en) * | 2005-06-16 | 2006-12-21 | Levy David H | Methods of making thin film transistors comprising zinc-oxide-based semiconductor materials and transistors made thereby |
CN101044986A (zh) * | 2006-03-31 | 2007-10-03 | 西门子公司 | 自动区分骨骼或含钙物质和软组织中造影剂的方法和装置 |
US8837677B2 (en) * | 2007-04-11 | 2014-09-16 | The Invention Science Fund I Llc | Method and system for compton scattered X-ray depth visualization, imaging, or information provider |
US8294717B2 (en) * | 2009-06-26 | 2012-10-23 | Kabushiki Kaisha Toshiba | Advanced clustering method for material separation in dual energy CT |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109688931A (zh) * | 2016-07-13 | 2019-04-26 | 皇家飞利浦有限公司 | 谱计算机断层扫描指纹识别 |
CN109688931B (zh) * | 2016-07-13 | 2024-01-12 | 皇家飞利浦有限公司 | 谱计算机断层扫描指纹识别 |
CN106473761A (zh) * | 2016-10-14 | 2017-03-08 | 山东大学 | 一种医学双能ct 电子密度图像的重建与数值校准方法 |
CN110547822A (zh) * | 2018-05-30 | 2019-12-10 | 通用电气公司 | 造影成像***和方法 |
CN110547822B (zh) * | 2018-05-30 | 2024-03-08 | 通用电气公司 | 造影成像***和方法 |
CN113100803A (zh) * | 2021-04-20 | 2021-07-13 | 西门子数字医疗科技(上海)有限公司 | 用于显示静脉血栓的方法、装置、计算机设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
JP6548208B2 (ja) | 2019-07-24 |
US9652673B2 (en) | 2017-05-16 |
CN104700390B (zh) | 2019-07-23 |
US20150161792A1 (en) | 2015-06-11 |
JP2015112482A (ja) | 2015-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104700389A (zh) | 双能ct扫描图像中的对象识别方法 | |
CN1135499C (zh) | 增强离散象素图象的方法和装置 | |
CN104700390A (zh) | 双能ct造影剂增强扫描图像中的钙化部分识别方法 | |
JP4751495B2 (ja) | 構造画像成分を識別する方法及び装置 | |
Hashemi et al. | A tomographic imagery segmentation methodology for three-phase geomaterials based on simultaneous region growing | |
DE102016103870A1 (de) | Systeme und Verfahren zur weichen Schattierung in 3D-Rendering | |
EP1383082A2 (en) | Interpolated image filtering method and apparatus | |
US9547061B2 (en) | Tumor segmentation and tissue classification in 3D multi-contrast | |
CN104599239A (zh) | 一种医学图像中的金属伪影消除方法及装置 | |
Hashemi et al. | Adaptively tuned iterative low dose CT image denoising | |
CN104134198A (zh) | 一种对图像进行局部处理的方法 | |
CN110264475A (zh) | 基于ct图像的脊椎三维建模方法及装置 | |
CN101916434A (zh) | 用于基于分割的图像操作的方法和装置 | |
Kang et al. | Anatomy-guided PET reconstruction using l 1 bowsher prior | |
US10964094B1 (en) | Visualization system that transforms 2D images of objects slices into 3D point clouds | |
Zeegers et al. | A tomographic workflow to enable deep learning for X-ray based foreign object detection | |
JP6901587B2 (ja) | 関心オブジェクトの構成をモデル化するためのデバイス及び方法 | |
Huang et al. | Anatomical‐functional image fusion based on deep convolution neural networks in local Laplacian pyramid domain | |
Dzierżak et al. | Analysis of the effectiveness of selected segmentation methods of anatomical brain structures | |
US20060045371A1 (en) | Methods and systems for enhancing images | |
Tiwari et al. | Identification of brain tumors in 2D MRI using automatic seeded region growing method | |
Baykalov et al. | Semantic segmentation of plant roots from RGB (mini-) rhizotron images—generalisation potential and false positives of established methods and advanced deep-learning models | |
CN105678706A (zh) | 医学图像增强方法和装置 | |
CN101529466A (zh) | 改进的分割 | |
Yang et al. | Edge-preserving bilateral filtering for images containing dense objects in CT |
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 |