CN104838421A - 基于图像数据的组织表面粗糙度量化和基于所述组织表面粗糙度量化对疾病存在的确定 - Google Patents

基于图像数据的组织表面粗糙度量化和基于所述组织表面粗糙度量化对疾病存在的确定 Download PDF

Info

Publication number
CN104838421A
CN104838421A CN201380062489.9A CN201380062489A CN104838421A CN 104838421 A CN104838421 A CN 104838421A CN 201380062489 A CN201380062489 A CN 201380062489A CN 104838421 A CN104838421 A CN 104838421A
Authority
CN
China
Prior art keywords
tissue
interest
model
image data
disease
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
Application number
CN201380062489.9A
Other languages
English (en)
Other versions
CN104838421B (zh
Inventor
M·格拉斯
T·克勒
C·洛伦茨
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
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 Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN104838421A publication Critical patent/CN104838421A/zh
Application granted granted Critical
Publication of CN104838421B publication Critical patent/CN104838421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T2207/10116—X-ray 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30056—Liver; Hepatic

Landscapes

  • Engineering & Computer Science (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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本文中所描述的是一种基于对被表示在成像数据中的组织的表面粗糙度的量化来识别组织疾病的存在(或不存在)的方法。所述方法包括：图像数据处理器(120)，其具有表面粗糙度量化器(206)，所述表面粗糙度量化器基于被适配到3D图像数据中的感兴趣组织的表面模型来生成量化所述3D图像数据中的所述感兴趣组织的表面粗糙度的度量；以及判定部件(208)，其基于所述度量来生成指示疾病在所述感兴趣组织中存在或不存在的数值信号。

Description

基于图像数据的组织表面粗糙度量化和基于所述组织表面粗糙度量化对疾病存在的确定
技术领域
下文总体上涉及在图像数据中量化组织表面粗糙度，并且基于所述量化组织表面粗糙度来确定组织的疾病的存在(或不存在)，并且利用对计算机断层摄影(CT)的具体应用来进行描述。然而，下文也适合于诸如X射线、磁共振成像(MRI)、体积C臂扫描器和/或其他成像模态的成像模态。
背景技术
典型的计算机断层摄影(CT)扫描器包括被安装在探测器对面的可旋转机架上的X射线管。X射线管围绕检查区域旋转并发射贯穿检查区域和被设置在其中的对象和/或目标的多色辐射。探测器阵列探测贯穿检查区域的辐射并生成指示其的信号。重建器重建信号并生成指示被设置在检查区域中的对象和/或目标的体积图像数据。能够从体积图像数据生成一幅或多幅图像。
人体的特定组织/器官的疾病导致正常健康组织被纤维组织替换，这导致组织表面形状的变化。例如，肝硬化是慢性肝脏疾病(最常见由酗酒、乙型肝炎和丙型肝炎以及脂肪肝)引起的后果。肝硬化的特征是正常健康肝脏组织被纤维化、瘢痕组织和再生肝脏组织的结节所替换。该重塑导致肝脏表面形状的变化，并且对于正常健康组织是光滑的肝脏表面开始发展皱折。
基于图像数据(CT，MRI等)的分析提供了有用的定性信息。例如，以上提到的重塑能够在由诸如计算机断层摄影(CT)、磁共振成像(MRI)、和/或其他成像模态的医学成像模态生成的图像数据中被可视化。亦即，肝脏表面形状的变化和皱折能够通过图像的视觉外观检查和视觉比较在具有正常健康肝脏组织和患病肝脏组织的图像之间被可视化。
不幸地是，这样的视觉外观检查消耗医生的时间，除此以外其也能够被患者所消耗，并依赖于医生的主观判断和/或基于视觉外观检查所规定的其他测试(例如，活组织检查等)的结果，以确定疾病的存在或不存在。鉴于上述情况，存在对探测表面变化和基于所述表面变化的感兴趣组织的疾病的存在或不存在的其他方法的未解决的需要。
发明内容
本文中描述的方面解决了上述问题和其他问题。
本文中描述的是一种基于对被表示在成像数据中的组织表面的粗糙度的量化来识别组织疾病的存在(或不存在)的方法。
在一方面中，一种图像数据处理器包括：表面粗糙度量化器，其基于被适配到3D图像数据中的感兴趣组织的表面模型来生成量化所述3D图像数据中的所述感兴趣组织的表面粗糙度的度量；以及判定部件，其基于所述度量来生成指示疾病在所述感兴趣组织中存在或不存在的数值信号。
在另一方面中，一种方法包括：基于被适配到3D图像数据中的感兴趣组织的表面模型来生成量化所述3D图像数据中的所述感兴趣组织的表面粗糙度的度量；并且基于所述度量来生成指示疾病在所述感兴趣组织中存在或不存在的数值信号。
在另一方面中，一种方法包括：基于被适配到3D图像数据中的肝脏的表面模型来生成量化被表示在所述3D图像数据中的所述肝脏的表面粗糙度的数值，其中，所述数值直接确定所述肝脏的疾病的存在或不存在。
本发明可以采取各种部件和部件的布置，以及各种步骤和步骤的安排的形式。附图仅出于图示优选实施例的目的，而不应被解读为对本发明进行限制。
附图说明
图1示意性地图示了与成像***和数据储存库相结合的图像数据处理器。
图2示意性地图示了图1的图像数据处理器的范例。
图3示意性地图示了图1的图像数据处理器的另一范例。
图4示意性地图示了根据图1的图像数据处理器的方法的范例。
具体实施方式
下文描述了基于图像数据中所表示的组织表面粗糙度来量化组织疾病并基于所述图像数据中所表示的组织表面粗糙度来识别组织中的疾病的存在(或不存在)的方法。
参考图1，成像***100包括计算机断层摄影(CT)扫描器，所述计算机断层摄影(CT)扫描器包括一般为静止的机架部分102和旋转机架部分104。(如本文中所讨论的，能够备选地采用MRI、X射线、或其他成像模态。)旋转机架部分104经由轴承(不可见)等由一般为静止的机架部分102可旋转地支撑。
诸如X射线管的放射线源106由旋转机架部分104支撑并随其围绕检查区域108关于纵轴或z轴旋转。探测器阵列110相对于辐射源106以角度弧与检查区域108相对。探测器阵列110探测贯穿检查区域108的辐射并生成指示所述检查区域108的信号。
对象支撑物112支撑检查区域108中的对象或目标。操作者控制台114便于用户与扫描器100交互。重建器116重建信号、生成指示所扫描的对象或目标的体积(3D)图像数据。信号和/或重建的图像数据能够被存储在数据储存库118中，例如，图片存档与通信***(PACS)、放射信息***(RIS)、医院信息***(HIS)等。
图像数据处理器120处理来自成像***100、数据储存库118和/或其他设备的图像数据。这样的处理包括量化图像数据中的感兴趣组织的粗糙度，并基于所量化的粗糙度来确定疾病的存在或不存在。这样的处理能够用于识别肝脏组织中的硬化和/或其他组织中的其他疾病的存在或不存在。这能够不使用采用随机变量的统计模型来确定疾病的可能性来实现。
如在下文中更加详细地描述的，在一个非限制性实例中，这样的处理包括：(例如经由利用模型或以其他方式的分割)定位3D图像数据中的感兴趣组织，执行对经定位的感兴趣组织表面的粗略和/或精细的勾画，并且使用预定阈值、预定图样等基于表面皱折(例如，幅值、频率、波长、分布等)来分析所勾画的表面。合适图样的非限制性范例包括在具有经分类的疾病状态的患者的图像数据中的表面块，例如，可以穿过器官表面变化的灰度值图样变化。其中，这样的图样的目录是可用的，来自于最接近于经勾画的表面的目录的图样被选择和利用来识别疾病状态。
图像数据处理器120能够经由运行一个或多个计算机可读指令的一个或多个计算机的一个或多个微处理器来实施。在一实例中，一个或多个计算机可读指令被编码在计算机可读存储介质上，例如，物理存储器和/或其他非瞬态介质。额外地或备选地，计算机可读指令中的至少一个能够由载波、信号和/或其他瞬态介质承载。
图2示意性图示了图像数据处理器120的范例。如上所述，数据处理器120接收3D成像数据作为输入。
感兴趣组织(TOI)识别器202识别成像数据中的感兴趣组织。识别能够是基于扫描协议(例如，肝脏扫描)、用户输入和/或其他信息的。
感兴趣组织(TOI)分割器204从成像数据分割感兴趣组织。本文也预期包括全自动和/或需要用户交互的半自动的已知的和/或其他分割方法。通过非限制性范例的方式，在一实例中，采用基于模型的器官分割。基于器官的模型已经可用作预定义的三角形化的表面模型，其已经在来自不同模态的医学图像数据集上进行了训练。本文也预期粗略的和/或精细的模型。
利用这样的模型，表面模型能够被初始定位在3D成像数据中。然后，表面模型(自动和/或半自动地)基于根据图像特征的外部能量项和承载器官的预定义形状的内部能量项及其对适应广大的患者群体的可能的变形而被适配到感兴趣组织器官的表面。本文也预期其他方法。例如，能够采用完全手动的方法，其中，用户手动地分割感兴趣组织。
表面粗糙度量化器206基于表面模型被适配到器官表面的程度来量化感兴趣组织表面粗糙度。在一实例中，粗糙度通过从表面模型上的每个三角形的位置开始并关于沿着法向于模型表面的方向的平均表面位置来计算典型对比度梯度的位置变化而确定。平均表面位置能够通过初始表面模型适配来确定。
在该范例中，被该梯度的被归一化为总的感兴趣组织表面的位置变化的数学积分提供了用于表面粗糙度的量化量度。也能够确定局部粗糙度量度。例如，基础模型的表面三角形的数目能够被增加，直至表面变化被精细模型很好地捕获。然后，精细模型能够与初始模型进行比较，以提供粗糙度的更局部的量度。
判定部件208将粗糙度数值与预定阈值210进行比较。当粗糙度数值超过阈值时，判定部件208生成指示所述粗糙度数值超过阈值的第一数值信号(从而直接确定疾病的存在)，并且当粗糙度数值未超过阈值时，判定部件208生成指示所述粗糙度数值未超过阈值的第二数值信号。这些数值还可以提供关于疾病阶段的信息，当疾病存在时，即，通过对不同阈值的比较，判定部件能够生成与疾病阶段相关的输出。第一数值信号和/或第二数值信号能够结合图像数据和/或以其他方式被显示，以提供指示疾病是否存在的视觉度量。
额外地或备选地，表面粗糙度量化器206根据幅值或频率的至少一个来确定表面上的幅值、波长、或频率、和/或幅值的分布中的至少一个的空间位置变化，并且判定部件208将空间位置变化和/或分布与对应的预定阈值进行比较以做出确定。例如，表面粗糙度量化器206能够执行相对于经适配的表面模型的平均位置(平滑网格)的位置的空间位置变化的频率分析。再一次地，判定部件208在所述变化满足阈值时生成第一数值信号，并且在所述变化不满足阈值时生成第二数值信号。
在图3中，表面粗糙度量化器206将经适配的表面模型和诸如灰度值图样变化的预定图样302进行比较，并且识别具有与经适配的表面模型的最强相关性的图样。例如，关于诸如肝脏的具体组织，经适配的表面模型能够与被存储在数据库等中的灰度值图样变化进行比较，这可以在肝硬化处于不同阶段时出现在肝脏表面处并且可以穿过整个表面变化。这些图样被局部适配到表面，并且具有与表面模型的最强相关性的图样被识别。判定部件208将所识别的图样与图样到阶段的映射304进行比较。判决部件208生成指示所述映射的数值信号。所述映射至少指示疾病是否存在于感兴趣组织中，并且当疾病存在时能够提供关于疾病阶段的信息。
数值信号能够结合图像数据和/或以其他方式被显示，以提供指示疾病是否存在于感兴趣组织中的视觉度量。通过范例的方式，在一实例中，数值信号被呈现在表面上的粗糙度的可视化中，例如被呈现为3D颜色编码的表面绘制。
在另一实施例中，图像数据处理器120包括图2和图3的组合和/或以其他方法来确定表面粗糙度。
图4图示了用于确定疾病在感兴趣组织中存在或不存在的方法。
应当理解，动作的排序不是限制性的。正因如此，本文也预期其他排序。另外，一个或多个动作可以被省略和/或一个或多个额外动作可以被包括在内。
在402处，获得3D图像数据。这样的图像数据能够从成像***100、其他成像***、日期储存库118、其他日期储存库、和/或其他设备来获得。
在404处，识别感兴趣组织。总体上，在该范例中的感兴趣组织是器官组织，所述器官组织在患病时相对于当疾病不存在时的器官表面发展表面粗糙度。非限制性范例是肝脏组织，其中，肝硬化的特征是正常健康肝脏组织被纤维化、瘢痕组织和再生肝脏组织的结节所替换。
在406处，从所获得的3D成像数据分割所识别的感兴趣组织。如本文中所讨论的，已知的和/或其他分割技术能够应用于分割感兴趣组织。
在408处，根据经分割的成像数据来确定感兴趣组织表面的量化粗糙度量度。如本文中所讨论的，量化粗糙度量度能够是基于感兴趣组织表面上的皱折的幅值、频率、波长、图样等的。
在410处，量化的粗糙度量度用于确定疾病的存在或不存在。如本文中所讨论的，这能够通过比较量化的粗糙度量度与预定阈值、图样、和/或从具有或没有该疾病的对象的先前研究得到的其他信息来实现。
在412处，生成指示疾病存在或不存在的数值信号。如本文中所讨论的，所述数值信号还可以指示当确定疾病存在时疾病的阶段。
在414处，任选地，在视觉上呈现数值信号。如本文中所讨论的，这包括在视觉上与图像数据和/或经分割的图像数据一起显示所述数值信号。
以上方法可以通过计算机可读指令的方式得以实施，所述计算机可读指令被编码或被嵌入在计算机可读存储介质上，所述计算机可读指令在被(一个或多个)计算机处理器运行时，令(一个或多个)处理器执行所描述的动作。额外地或备选地，计算机可读指令中的至少一个由信号、载波或其他瞬态介质承载。
已经参考优选实施例描述了本发明。他人在阅读和理解以上具体实施方式的情况下可能想到修改或替代。本文旨在将本发明解释为包括所有这种修改和替代，只要它们落入权利要求书及其等价方案的范围之内。

Claims (20)

1.一种图像数据处理器(120)，包括：
表面粗糙度量化器(206)，其基于被适配到3D图像数据中的感兴趣组织的表面模型来生成量化所述3D图像数据中的所述感兴趣组织的表面粗糙度的度量，以及
判定部件(208)，其基于所述度量来生成指示疾病在所述感兴趣组织中存在或不存在的数值信号。
2.根据权利要求1所述的图像数据处理器，其中，表面粗糙度量化器计算预定义的对比度梯度沿着法向于所述模型表面的方向相对于平均表面位置的位置变化，并且确定所述梯度的被归一化为总的感兴趣组织表面的局部位置变化的积分，以生成所述表面粗糙度度量。
3.根据权利要求2所述的图像数据处理器，其中，所述平均表面位置由初始表面模型适配来确定。
4.根据权利要求2至3中的任一项所述的图像数据处理器，其中，所述位置变化图样指示所述疾病的阶段。
5.根据权利要求1至4中的任一项所述的图像数据处理器，其中，所述表面粗糙度量化器根据波长或频率中的至少一个来确定所述表面上的幅值、波长、频率、或所述幅值的分布中的至少一个的空间位置变化中的一个或多个，并且所述判定部件将所述空间位置变化与对应的预定阈值进行比较以做出所述确定。
6.根据权利要求1所述的图像数据处理器，其中，所述表面粗糙度量化器将经适配的表面模型与预定图样进行比较，并且识别具有与经适配的表面模型的最强相关性的图样，并且所述判定部件将所识别的图样与图样到阶段的映射进行比较，并且生成指示所述映射的数值信号，其中，所述映射指示所述疾病的存在或不存在。
7.根据权利要求6所述的图像数据处理器，其中，所识别的图样指示所述疾病的阶段。
8.根据权利要求1至7中的任一项所述的图像数据处理器，其中，所述模型包括预定义的三角形化的表面，并且所述表面粗糙度量化器基于外部能量项和内部能量项来将所述模型适配到所述感兴趣组织的所述表面。
9.根据权利要求8所述的图像数据处理器，其中，所述外部能量项是基于图像特征的，并且所述内部能量项包括所述感兴趣组织的预定义的形状。
10.根据权利要求2至3中的任一项所述的图像数据处理器，其中，所述预定义的三角形化的表面在来自不同模态的医学图像数据集上被训练。
11.一种方法，包括：
基于被适配到3D图像数据中的感兴趣组织的表面模型来生成量化所述3D图像数据中的所述感兴趣组织的表面粗糙度的度量，并且
基于所述度量来生成指示疾病在所述感兴趣组织中存在或不存在的数值信号。
12.根据权利要求11所述的方法，其中，所述的生成所述度量和所述数值信号不包括使用所述粗糙度在其中是随机可变的统计模型。
13.根据权利要求11至12中的任一项所述的方法，其中，所述模型包括被适配到所述感兴趣组织的所述表面的预定义的三角形化的表面，并且所述方法还包括：
计算预定义的对比度梯度沿着法向于所述模型表面的方向相对于平均表面位置的位置变化；并且
确定所述梯度的被归一化为总的感兴趣组织表面的局部位置变化的积分，从而生成所述度量。
14.根据权利要求13所述的方法，还包括：
增加所述模型的表面三角形的数目，创建精细模型；并且
将所述精细模型与所述模型进行比较，以确定更加局部化的度量。
15.根据权利要求13至14中的任一项所述的方法，还包括：
确定所述粗糙度分布的波长、频率中的至少一个的空间位置变化；并且
将所述空间位置变化与对应的预定阈值进行比较，以确定所述疾病的存在或不存在。
16.根据权利要求13至15中的任一项所述的方法，还包括：
将经适配的表面模型与预定图样进行比较；
识别所述预定图样中具有与经适配的表面模型的最强相关性的图样；将所识别图样与图样到阶段的映射进行比较；并且
识别对应于所识别的图样的映射，其中，所述映射指示所述疾病的存在或不存在。
17.根据权利要求16所述的方法，其中，所述映射指示所述疾病的阶段。
18.根据权利要求13至17中的任一项所述的方法，还包括：
获得所述3D图像数据；并且
通过将所述表面模型适配到所述3D图像数据中的所述感兴趣组织，基于所述表面模型来分割所述感兴趣组织。
19.根据权利要求11至18中的任一项所述的方法，还包括：
在视觉上呈现所述数值信号，其中，所述表面上的粗糙度被呈现为3D彩色编码的表面绘制。
20.一种方法，包括：
基于被适配到3D图像数据中的肝脏的表面模型来生成量化被表示在所述3D图像数据中的所述肝脏的表面粗糙度的数值信号，其中，所述数值直接确定所述肝脏的疾病的存在或不存在。
CN201380062489.9A 2012-11-30 2013-11-20 基于图像数据的组织表面粗糙度量化和基于所述组织表面粗糙度量化对疾病存在的确定 Active CN104838421B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201261731864P 2012-11-30 2012-11-30
US61/731,864 2012-11-30
PCT/IB2013/060271 WO2014083480A1 (en) 2012-11-30 2013-11-20 Tissue surface roughness quantification based on image data and determination of a presence of disease based thereon

Publications (2)

Publication Number Publication Date
CN104838421A true CN104838421A (zh) 2015-08-12
CN104838421B CN104838421B (zh) 2019-01-29

Family

ID=49998620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380062489.9A Active CN104838421B (zh) 2012-11-30 2013-11-20 基于图像数据的组织表面粗糙度量化和基于所述组织表面粗糙度量化对疾病存在的确定

Country Status (6)

Country Link
US (1) US9600875B2 (zh)
EP (1) EP2926320B1 (zh)
JP (1) JP6275157B2 (zh)
CN (1) CN104838421B (zh)
RU (1) RU2015125701A (zh)
WO (1) WO2014083480A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109602443A (zh) * 2018-12-05 2019-04-12 余姚市华耀工具科技有限公司 胆部规则度分析***
CN110291475A (zh) * 2017-02-10 2019-09-27 国立大学法人神户大学 物体表面的评价方法、评价装置及使用该评价方法的工件的加工方法及机床

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408398B (zh) 2014-10-21 2019-02-22 无锡海斯凯尔医学技术有限公司 一种肝脏边界的识别方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080247622A1 (en) * 2004-09-24 2008-10-09 Stephen Aylward Methods, Systems, and Computer Program Products For Hierarchical Registration Between a Blood Vessel and Tissue Surface Model For a Subject and a Blood Vessel and Tissue Surface Image For the Subject
CN102125444A (zh) * 2010-01-14 2011-07-20 株式会社东芝 超声波诊断装置和超声波图像处理装置
US20120177260A1 (en) * 2011-01-10 2012-07-12 The Regents Of The University Of Michigan System and methods for detecting liver disease

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5784162A (en) * 1993-08-18 1998-07-21 Applied Spectral Imaging Ltd. Spectral bio-imaging methods for biological research, medical diagnostics and therapy
US6397099B1 (en) * 1992-05-18 2002-05-28 Non-Invasive Technology, Inc. Non-invasive imaging of biological tissue
US6898303B2 (en) * 2000-01-18 2005-05-24 Arch Development Corporation Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lesions in computed tomography scans
US7022077B2 (en) * 2000-11-28 2006-04-04 Allez Physionix Ltd. Systems and methods for making noninvasive assessments of cardiac tissue and parameters
JP4170096B2 (ja) * 2001-03-29 2008-10-22 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 対象の３次元表面上にマップされた３次元メッシュモデルの適合性評価のための画像処理装置
US20030103262A1 (en) * 2001-09-07 2003-06-05 Board Of Regents, The University Of Texas System Multimodal miniature microscope
US7469160B2 (en) * 2003-04-18 2008-12-23 Banks Perry S Methods and apparatus for evaluating image focus
US20060120580A1 (en) * 2002-09-04 2006-06-08 Sherif Makram-Ebeid Characterizing, surfaces in medical imaging
AU2004203173A1 (en) * 2003-07-14 2005-02-03 Sunnybrook And Women's College And Health Sciences Centre Optical image-based position tracking for magnetic resonance imaging
US8603084B2 (en) * 2005-12-06 2013-12-10 St. Jude Medical, Atrial Fibrillation Division, Inc. System and method for assessing the formation of a lesion in tissue
DE602006015538D1 (de) * 2006-06-05 2010-08-26 Humanitas Mirasole Spa Tiergewebe beeinflussende krankheiten
EP2054852B1 (en) * 2006-08-21 2010-06-23 STI Medical Systems, LLC Computer aided analysis using video from endoscopes
US8386014B2 (en) * 2007-06-21 2013-02-26 The Trustees Of Columbia University In The City Of New York Systems and methods for implementing heart geometrical measurements
CN101960489A (zh) * 2007-12-31 2011-01-26 真实成像有限公司 用于分析热图像的方法、设备和***
WO2010064249A1 (en) * 2008-12-04 2010-06-10 Real Imaging Ltd. Method apparatus and system for determining a thermal signature
WO2010097472A1 (en) 2009-02-26 2010-09-02 Universite D'angers Improved diagnosis of liver fibrosis or cirrhosis
GB2468164B (en) * 2009-02-27 2014-08-13 Samsung Electronics Co Ltd Computer-aided detection of lesions
GB0917524D0 (en) * 2009-10-07 2009-11-25 Cambridge Entpr Ltd Image data processing systems
US8862206B2 (en) * 2009-11-12 2014-10-14 Virginia Tech Intellectual Properties, Inc. Extended interior methods and systems for spectral, optical, and photoacoustic imaging
EP2793697A4 (en) * 2011-12-21 2015-08-19 Catherine M Shachaf SYSTEM FOR IMAGING LESIONS ALIGNING FABRIC SURFACES
WO2013109957A1 (en) * 2012-01-18 2013-07-25 University Of Utah Research Foundation Devices and systems for fluorescence imaging of tissue
US8699751B2 (en) * 2012-03-02 2014-04-15 The Procter & Gamble Company Method for quantifying the effective height of fibers emanating from a surface
JP6133038B2 (ja) * 2012-10-23 2017-05-24 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 画像処理方法および装置並びにプログラム
JP6568478B2 (ja) * 2013-03-15 2019-08-28 シナプティヴ メディカル （バルバドス） インコーポレイテッドＳｙｎａｐｔｉｖｅ Ｍｅｄｉｃａｌ （Ｂａｒｂａｄｏｓ） Ｉｎｃ． 低侵襲治療のための計画、誘導およびシミュレーションシステムおよび方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080247622A1 (en) * 2004-09-24 2008-10-09 Stephen Aylward Methods, Systems, and Computer Program Products For Hierarchical Registration Between a Blood Vessel and Tissue Surface Model For a Subject and a Blood Vessel and Tissue Surface Image For the Subject
CN102125444A (zh) * 2010-01-14 2011-07-20 株式会社东芝 超声波诊断装置和超声波图像处理装置
US20120177260A1 (en) * 2011-01-10 2012-07-12 The Regents Of The University Of Michigan System and methods for detecting liver disease

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHI-CHANG CHEN 等: "Fractal Feature Analysis and Classification in Medical Imaging", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 *
E-LIANG CHEN 等: "An Automatic Diagnostic for CT Liver Image Claasification", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110291475A (zh) * 2017-02-10 2019-09-27 国立大学法人神户大学 物体表面的评价方法、评价装置及使用该评价方法的工件的加工方法及机床
CN110291475B (zh) * 2017-02-10 2022-12-09 株式会社牧野铣床制作所 物体表面的评价方法、评价装置及使用该评价方法的工件的加工方法及机床
CN109602443A (zh) * 2018-12-05 2019-04-12 余姚市华耀工具科技有限公司 胆部规则度分析***

Also Published As

Publication number Publication date
JP2016504070A (ja) 2016-02-12
US20150287185A1 (en) 2015-10-08
US9600875B2 (en) 2017-03-21
WO2014083480A1 (en) 2014-06-05
EP2926320A1 (en) 2015-10-07
RU2015125701A (ru) 2017-01-10
CN104838421B (zh) 2019-01-29
JP6275157B2 (ja) 2018-02-07
EP2926320B1 (en) 2019-04-17

Similar Documents

Publication Publication Date Title
Christianson et al. Automated technique to measure noise in clinical CT examinations
Kopans Basic physics and doubts about relationship between mammographically determined tissue density and breast cancer risk
Wu et al. Automated chest wall line detection for whole‐breast segmentation in sagittal breast MR images
US8229200B2 (en) Methods and systems for monitoring tumor burden
CN102549618B (zh) 用于从图像分析组织的方法和***
US11594005B2 (en) System, method and apparatus for assisting a determination of medical images
Sarno et al. Dataset of patient‐derived digital breast phantoms for in silico studies in breast computed tomography, digital breast tomosynthesis, and digital mammography
CN107077731B (zh) 成像不确定性的可视化
CN104871207A (zh) 定量成像
Liu et al. Unsupervised 3D Prostate Segmentation Based on Diffusion‐Weighted Imaging MRI Using Active Contour Models with a Shape Prior
Ranjbar et al. An introduction to radiomics: an evolving cornerstone of precision medicine
Perdue et al. T1 magnetic resonance imaging head segmentation for diffuse optical tomography and electroencephalography
Chen et al. Comparison of common methods for precision volume measurement of hematoma
Zhai et al. Automatic quantitative analysis of pulmonary vascular morphology in CT images
Du Toit et al. Automatic femoral articular cartilage segmentation using deep learning in three-dimensional ultrasound images of the knee
CN104838421A (zh) 基于图像数据的组织表面粗糙度量化和基于所述组织表面粗糙度量化对疾病存在的确定
Babapour Mofrad et al. Statistical construction of a Japanese male liver phantom for internal radionuclide dosimetry
Hadjiiski et al. Head and neck cancers on CT: preliminary study of treatment response assessment based on computerized volume analysis
Ko et al. Effect of CT image compression on computer-assisted lung nodule volume measurement
Goceri et al. Computer-based segmentation, change detection and quantification for lesions in multiple sclerosis
Wu et al. Automatic segmentation of ultrasound tomography image
CN105378737A (zh) 感兴趣组织对治疗处置的基于成像的响应分类
Serrurier et al. MRI visualisation by digitally reconstructed radiographs
Wakchaure et al. The Detection and Visualization of Brain Tumors on T2-Weighted MRI Images Using Multiparameter Feature Blocks
Qiang et al. Computerized segmentation of pulmonary nodules depicted in CT examinations using freehand sketches

Legal Events

Date Code Title Description
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant