CN105096310B - 利用多通道特征在磁共振图像中分割肝脏的方法和*** - Google Patents
利用多通道特征在磁共振图像中分割肝脏的方法和*** Download PDFInfo
- Publication number
- CN105096310B CN105096310B CN201510308550.4A CN201510308550A CN105096310B CN 105096310 B CN105096310 B CN 105096310B CN 201510308550 A CN201510308550 A CN 201510308550A CN 105096310 B CN105096310 B CN 105096310B
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- resonance image
- channel
- boundary
- channel magnetic
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- 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
- G06T2207/10088—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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20116—Active contour; Active surface; Snakes
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种在多通道磁共振(MR)图像中进行全自动肝脏分割的方法和***。在多通道MR图像中确定初始肝脏边界,例如通过MR Dixon扫描。基于从多通道MR图像的多个通道中提取的特征,利用训练过的边界检测器来细化多通道MR图像中分割的初始肝脏边界。该特征能够从MR Dixon扫描的反相通道和水通道中提取。
Description
技术领域
本发明涉及医学图像中的肝脏分割,并且更具体而言,涉及利用多通道特征进行磁共振图像中的自动肝脏分割。
背景技术
医学图像中诸如肝脏的解剖结构的分割是许多临床工作流程中的基本构件。在医学图像中手动圈定肝脏是一项具有挑战性且耗时的任务,并且肝脏的手动分割在用户之间和用户内部存在极大的可变性。为所有医学成像模态所共有的是,由于整形器或器官的可变性,肝脏分割问题是具有挑战性的。在计算机断层扫描(CT)图像中,图像的强度用常规的Hounsfield单位来测量,使其针对器官分割而更简单地依赖于器官的特定强度先验值。相对而言,用于测量磁共振(MR)图像中强度的单位在不同扫描中是变化的,从而使不依赖于这种全局强度线索进行MR图像的器官分割。因而,需要一种在MR图像中的全自动肝脏分割方法。
发明内容
本发明提供了一种利用多通道特征在磁共振(MR)图像中进行自动肝脏分割的方法和***。磁共振成像(MRI)检查可包括数个MR序列,每个序列被选定为提供有关感兴趣组织的特定类型的信息,从而得到多通道MR图像。本发明的各实施方式提供了利用能够在多通道MR图像的各个通道中获得信息的基于判别式学习的框架进行全自动肝脏分割。而不是利用针对分割线索的单输入图像,本发明的各实施方式利用统计学分类器和肝脏形状的训练数据库来建立来自多输入MR图像通道的特征与肝脏边界之间的关系。
在一个实施方式中,在多通道MR图像中分割初始肝脏边界。基于从多通道MR图像的多个通道中提取的特征,利用训练过的边界检测器来细化多通道MR图像中分割的初始肝脏边界。
通过参考下面的详细描述和附图,本发明的这些和其它优势对于本领域普通技术人员而言是显而易见的。
附图说明
图1示出了根据本发明的一个实施方式、利用多通道特征在多通道MR图像中进行自动肝脏分割的方法;
图2示出了利用MR Dixon协议采集的肝脏的示例性多通道MR图像;
图3示出了肝脏边界细化的示例性概率图;
图4示出了示例性肝脏分割结果;以及
图5是能够实现本发明的计算机的高级框图。
具体实施方式
本发明涉及一种利用多通道特征在磁共振(MR)图像中进行全自动肝脏分割的方法。这里描述的本发明的各实施方式给出了对于肝脏分割方法的视觉理解。数字图像通常由一个或多个物体(或形状)的数字表示组成。物体的数字表示在这里通常在识别和操作物体方面描述。这种操作是计算机***的内存或其它电路/硬件中完成的虚拟操作。因此,应当理解的是,本发明的各实施方式可以利用存储在计算机***中的数据在计算机***中执行。
本发明的各实施方式涉及多通道MR图像中的全自动肝脏分割。MRI检查可包括多个序列,每个序列被选择为提供特定类型的信息,从而产生多通道MR图像。多通道MR图像由按向量求值的强度值构成,即每个体素的多标量强度值(一个通道对应一个标量)。不同的MR通道侧重于不同的组织特性,其提供有关所描述的图像内容的附加信息。为了实现高精度自动肝脏分割,本发明的各实施方式提供了用于融合多个输入MR通道中的线索的可靠算法。特别地,本发明的各实施方式提供基于判别式学习的框架,其能够利用多通道MR图像的各个通道中提供的信息。而不是利用针对分割线索的单输入图像,本发明的各实施方式利用统计学分类器和肝脏形状的训练数据库来建立多个输入MR通道与肝脏边界之间的关系。
根据有益的实施方式,能够利用边缘空间学习(MSL)将复杂的学习任务分解为便于管理的部分以用于姿态估计,其次是精密尺度边界定位以改善肝脏分割结果。不同于CT或单通道MR,在流水线中的每个阶段,由于不同通道具有不同的特色部分,利用从多个输入通道采样的特征。多通道特征能够更好地表示MR图像中肝脏的边界。
图1示意了根据本发明的实施方式、利用多通道特征在多通道MR图像中进行自动肝脏分割的方法。图1的方法将代表患者部分解剖结构的多通道MR图像数据进行变化,以在MR图像数据中分割患者的肝脏。
在步骤102,接收多通道MR图像。多通道MR图像是具有至少两通道MR图像数据的图像。多通道MR图像由按向量求值的强度值构成,即每个体素的多标量强度值(一个通道对应一个标量)。多通道MR图像可包括利用MR扫描器采集的MR通道,以及作为利用MR扫描器采集的MR通道的线性组合产生的MR通道。多通道MR图像可直接从MR扫描器接收,或者多通道MR图像可通过加载所存储的多通道MR图像数据来接收。
在示例性实施方式中,能够在利用MR Dixon扫描协议采集的3D多通道MR图像中分割肝脏。由于不同的化学环境,水组织和脂肪组织中的氢核针对一些MRI相关参数具有不同的值,例如弛豫时间和共振频率(化学位移)。这些不同能够用于选择性地抑制或减小脂肪结合的质子的信号。因而,基于弛豫和基于化学位移的方法能够用于脂肪抑制。
Dixon技术基于化学位移,即脂肪结合和水结合的质子的共振频率的不同。利用这一技术,采集两幅图像:在第一幅图像中,来自脂肪质子的信号和来自水质子的信号是“同相的”,而在第二幅图像中,来自脂肪质子的信号和来自水质子的信号是“反相的”。通过加法计算,计算出单独的脂肪图像和水图像。水图像是同相和反相的和。脂肪图像通过从同相图像中减去反相图像而生成。图2示出了示例性利用MR Dixon协议采集的肝脏的多通道MR图像。如图2所示,图像202是同相图像,图像204是反相图像,图像206是水图像,而图像208是脂肪图像。能够在图2中看到,反相图像204中器官之间的边界由脂肪的暗线清楚地描绘出。反相图像204中的肾的实质比同相图像202中的看起来更为明亮。反相图像204中的左侧肾脏比同相图像202中更易于看到。椎管在水图像206中更容易看到。因此,不同部分在不同通道中更容易识别。根据有益的实施,包括反相图像和水图像的多通道MR图像能够用于肝脏分割。虽然也能够使用其他通道,应当指出的是,在MR Dixon图像中,使用多于两个通道是冗余的,这是由于仅存在两个原始通道(反相和同相),而另两个通道(水和脂肪)是原始通道的线性组合。
返回图1,在步骤104,基于从多通道MR图像的多个通道中提取的特征在多通道MR图像中分割肝脏。可基于从多通道MR图像的多个通道提取的特征,利用判别式学习分割算法来分割肝脏。特别地,利用从带有注释的训练数据提取的多通道特征来训练的一个或多个训练过的判别式分类器,能够用于基于从所接收的多通道MR图像中提取的多通道特征来检测所接收的多通道MR图像中的肝脏。
在有益的实施方式中,基于从多通道MR图像的多个通道提取的特征,利用边缘空间学习(MSL)分割来分割肝脏。虽然这里描述了利用MSL组合来自多通道的响应,本发明并不限于此,并且其它基于机器学习的方法也能够用于组合来自多个通道的特征以分割肝脏。在MSL中,一组判别式分类器用于以分类器评估序列来估计肝脏的姿态。基于MSL的3D目标检测利用一系列利用带有注释的训练数据训练的判别式分类器来估计3D医学图像数据中目标解剖结构的位置、取向、和大小。例如,用于基于MSL进行心室分割的方法在2011年3月29日公开的、标题为“System and Method for Segmenting Chambers of a Heart in aThree Dimensional Image”的美国专利No.7,916,919中详细描述,其通过引用合并于此。为了利用MSL有效定位目标,利用递增维度在一系列边缘空间内进行参数估计。因此,MSL的理论并不是直接在全相似变换空间内学习分类器,而是在一系列边缘空间中递增地学习分类器。随着维度的增加,有效空间区域变得更受先前边缘空间分类器的限制。因此,不是同时针对所有参数进行搜索,MSL将搜索空间分解为在位置、取向、和大小上的3D搜索的后续估计。特别地,给定输入图像I,将肝脏的姿态Pose(t,r,s)分解为位置t、取向r、和大小s的估计值序列:
Pr(Pose|I)=Pr(t|I)Pr(r|I,t)Pr(s|I,t,r)
在过程的每个阶段,二值分类器用于估计后验概率。例如,针对位置检测阶段:
Pr(t|I)=Pr(y=1|I,t)
其中,y是二值随机变量,如果图像中围绕位置t的局部背景是感兴趣目标(即肝脏)的实际中心位置,那么y取值为1。其它阶段(取向和大小)分解为类似的评估过程。在每一步骤之后,仅保持有限数量的最佳备选以减小搜索空间并加速推理。针对这些步骤中的每一步,基于带有注释的训练数据来训练单独的判别式分类器。在位置估计步骤,训练的位置分类器用于在当前医学图像数据中检测一组最可能的位置备选。在位置-取向估计步骤,训练过的位置-取向分类器在每个备选位置处搜索多个似乎合理的取向,以检测一组最可能的位置-取向备选。在全相似变换估计步骤中,训练过的位置-取向-大小分类器在每个位置-取向备选处搜索多个似乎合理的大小,以检测一组最可能的位置-取向-大小备选。针对每个阶段(位置、位置-取向、和位置-取向-大小)训练判别式分类器,以通过检查正和负训练实例的大训练集来学习统计学关系,并选择来自多通道特征池的、最好地区分正和负训练实例的特征。在有益的实现中,每个判别式分类器可以是概率提升树(PBT)分类器,但是本发明并不限于此,也能够使用其它贪心(greedy)和随机分类器,例如随机森林。
为了使用来自输入图像的多个通道,从多个通道中提取一组特征并由判别式分类器在MSL分割的每个阶段中使用其。不同的特征类型能够用在MSL分割的不同阶段。对于位置估计,能够使用哈尔小波特征。这些特征可包括从所有输入图像通道中提取的哈尔特征,以及从图像通道提取的哈尔特征的线性组合。从MR图像的多个通道中提取的可操纵特征可用于定向和大小检测阶段。一旦利用MSL检测了针对肝脏的位置、取向和大小,利用检测的位置、取向和大小来将由训练数据生成的平均肝脏网格适配至多通道MR图像,从而限定多通道MR图像中肝脏的初始分割。
在步骤106,基于从多通道MR图像的多个通道中提取的特征来细化多通道MR图像中分割的肝脏边界。MR图像中肝脏的位置、取向、和大小检测能够得益于多通道特征,但是步骤104中的分割仅提供了肝脏网格的初始化。因为多个图像通道具有不同的细化-尺度边界,判别式学习方法中多个通道(例如,MR Dixon扫描的反相通道和水通道)的使用确保了来自所有输入通道的最优特征结合在特征向量中,其指导边界细化分割。
边界细化起始于步骤104中检测的初始位置、取向、和大小。肝脏的形状表示为封闭的三角形网格M,并且通过将降采样过程应用于网格M以生成降采样的网格M0,来从网格M中生成分层形状模型。以降采样网格M0开始,通过递归地应用降采样过程来生成形状角锥体,从而使得不同角锥体层处的网格对应于不同分辨率的体积。
从初始网格开始,通过在预定范围内沿p处的法线方向采样图像中的所有点来生成针对每个边界点p的备选设定点Qp。然后,基于从多通道MR图像的多个通道中提取的特征,利用训练过的边界检测器来计算针对Qp中每个点的概率响应。训练过的边界检测器是判别式分类器,例如PBT分类器,利用多通道特征基于带有注释的训练数据对其进行训练。在有益的实现中,从多通道MR图像的每个通道中提取可操纵的特征,并由训练过的边界检测器来使用其以计算针对Qp中每个点的概率。在每个采样点处,基于图像强度和梯度来提取一组局部特征。在示例性实施方式中,给定采样点(x,y,z),如果它的强度是I,并且梯度是g=(gx,gy,gz),则提取下列特征:I、I2、I3、logI、gx、gy、gz、||g||、||g||2、||g||3和log||g||。在多个MR图像通道中的每个通道中计算这些特征并输入至判别式学习方法,其选择来自多个输入通道的最优特征来检测肝脏边界点。在MR Dixon扫描的情形中,从反相和水通道中的每一个通道提取这些特征。备选点集Qp对于两个MR图像通道是相同的,这是由于MR图像中的点是一致的。一旦训练过的边界检测器针对每个边界点p计算了针对Qp中每个点的概率响应,将每个边界点p移动至Qp中具有最高频率响应的点。这一过程在形状角锥体的所有层上重复,从最粗略的层到最细化的层。图3示出了肝脏边界细化的示例性概率图。如图3所示,概率图302和312分别由训练过的边界检测器针对图像300和310中的肝脏边界细化来生成。
返回图1,在步骤108处,输出肝脏分割结果。例如,能够通过在计算机***的显示设备上显示肝脏分割结果来输出肝脏分割结果。通过在MR图像通道的一个或多个通道中显示分割的肝脏边界来显示肝脏分割结果。例如,在MR Dixon扫描的情形中,分割后的肝脏能够显示在水图像、反相图像、或者二者中。
图4示出了示例性肝脏分割结果。如图4所示,箭头400指示了利用来自第一水通道MR体积的单通道特征在第一水通道MR体积中分割的肝脏402,而箭头410示出了利用来自水通道和反相通道的多通道特征在第一水通道MR体积中分割的肝脏412。能够看到,相比利用单通道特征获得的分割的肝脏402而言,利用多通道特征获得的分割的肝脏412产生了左侧肝脏尖端的更精确检测。箭头430指示了利用来自第二水通道MR体积的单通道特征在第二水通道MR体积中分割的肝脏432,而箭头440指示了利用来自水通道和反相通道的多通道特征在第二水通道MR体积中分割的肝脏442。能够看到,利用多通道特征获得的分割的肝脏442不包含利用单通道特征获得的分割的肝脏432的边界之内所包含的肝脏的错误部分。
如上所述,图1的方法将从多通道MR图像的多个通道中提取的特征用于初在步骤104中基于MSL的初始肝脏分割,并用于步骤106中的肝脏边界细化。在一个替选的实施方式中,能够基于从单个通道(例如,MR Dixon扫描的水通道)中提取的特征来进行多通道MR图像中的初始肝脏分割,并且随后基于从多通道MR图像的多个通道(例如,水通道和反相通道)中提取的多通道特征来进行肝脏边界细化。
能够利用公知的计算机处理器、内存单元、存储设备、计算机软件、和其它组件在计算机上实现多通道MR图像中肝脏分割的上述方法。在图5中示出了这种计算机的高级框图。计算机502包含处理器504,其通过执行限定这种操作的计算机程序指令来控制计算机502的整个操作。计算机程序指令可存储在存储设备512中,或者其它计算机可读介质(例如,磁盘、CD ROM等)中并且当需要执行计算机程序指令时加载到内存510中。因而,图1的方法步骤可由存储在内存510和/或存储设备512中的计算机程序指令来限定,并且由执行计算机程序指令的处理器504进行控制。MR扫描设备520可连接至计算机502以将多频谱MR图像输入至计算机502。能够将MR扫描设备520和计算机502实现为一个设备。MR扫描设备520和计算机502还可以通过网络无线通信。计算机502还包括一个或多个网络接口506,用于通过网络与其它设备通信。计算机502还包括其他输入/输出设备508,其能够使用户与计算机502进行交互(例如,显示器、键盘、鼠标、扬声器、按钮、等)。本领域技术人员能够意识得到,实际的计算机实现还可包含其他组件,并且图5是这种计算机的一些组件的高级表示,其仅为示意目的。
前面的详细描述应当在各个方面都理解为是示意且示例性的,而并非限制,并且这里披露的本发明的范围并不由该详细描述进行限定,而是由根据专利法允许的整个宽度解释的权利要求书进行限定。应当理解的是,这里示出和描述的各实施方式仅仅是本发明原理的解释,并且本领域技术人员能够进行各种修改而不背离本发明的范围和精神。本领域技术人员能够实现各种其他特征组合而不背离本发明的范围和精神。
Claims (22)
1.一种在多通道磁共振图像中进行肝脏分割的方法,其中,多通道磁共振图像通过使用磁共振Dixon扫描获得,所述方法包括:
在多通道磁共振图像中分割初始肝脏边界;以及
基于从多通道磁共振图像的反相通道和水通道中提取的特征,利用训练过的边界检测器来细化多通道磁共振图像中分割的初始肝脏边界。
2.根据权利要求1所述的方法,其中,在多通道磁共振图像中分割初始肝脏边界包括:
基于从多通道磁共振图像的多个通道中提取的特征在多通道磁共振图像中分割初始肝脏边界。
3.根据权利要求2所述的方法,其中,基于从多通道磁共振图像的多个通道中提取的特征在多通道磁共振图像中分割初始肝脏边界包括:
基于从多通道磁共振图像的多个通道中提取的特征,利用边缘空间学习分割,在多通道磁共振图像中分割初始肝脏边界。
4.根据权利要求1所述的方法,其中,基于从多通道磁共振图像的反相通道和水通道中提取的特征,利用训练过的边界检测器来细化多通道磁共振图像中分割的初始肝脏边界包括:
针对初始肝脏边界上多个边界点中的每一个,
基于从多通道磁共振图像的多个通道中提取的反相通道和水特征,利用训练过的边界检测器,针对从边界点开始沿法线方向的一组备选点中的每一个计算概率响应;以及
移动边界点至具有最高概率响应的备选点。
5.根据权利要求1所述的方法,其中,基于从多通道磁共振图像的反相通道和水通道中提取的特征,利用训练过的边界检测器来细化多通道磁共振图像中分割的初始肝脏边界包括:
基于分割的初始肝脏边界生成分层形状模型,分层形状模型具有多个层,并且该多个层中每一层处的相应的肝脏网格表示多个图像分辨率中相应的一个上的初始肝脏边界;以及
从最粗略层至最细化层调节分层形状模型的多个层的每一层处的相应的网格的边界点,该调节是基于从相应的图像分辨率处的多通道磁共振图像分辨率的反相通道和水通道中提取的特征,利用针对每个相应的图像分辨率的相应的训练过的边界检测器进行的。
6.根据权利要求1所述的方法,其中,基于从多通道磁共振图像的反相通道和水通道中提取的特征,利用训练过的边界检测器来细化多通道磁共振图像中分割的初始肝脏边界包括:
基于从多通道磁共振图像的反相通道和水通道中提取的可操纵的特征,利用训练过的边界检测器来细化分割的初始肝脏边界。
7.根据权利要求1所述的方法,其中,在多通道磁共振图像中分割初始肝脏边界包括:
基于从多通道磁共振图像的反相通道和水通道中提取的特征在多通道磁共振图像中分割初始肝脏边界。
8.根据权利要求1所述的方法,其中,在多通道磁共振图像中分割初始肝脏边界包括:
基于从多通道磁共振图像的单个通道中提取的特征在多通道磁共振图像中分割初始边界。
9.一种在多通道磁共振图像中进行肝脏分割的设备,其中,多通道磁共振图像通过使用磁共振Dixon扫描获得,所述设备包括:
用于在多通道磁共振图像中分割初始肝脏边界的装置;以及
用于基于从多通道磁共振图像的反相通道和水通道中提取的特征,利用训练过的边界检测器来细化多通道磁共振图像中分割的初始肝脏边界的装置。
10.根据权利要求9所述的设备,其中,用于在多通道磁共振图像中分割初始肝脏边界的装置包括:
用于基于从多通道磁共振图像的多个通道中提取的特征在多通道磁共振图像中分割初始肝脏边界的装置。
11.根据权利要求9所述的设备,其中,用于基于从多通道磁共振图像的反相通道和水通道中提取的特征,利用训练过的边界检测器来细化多通道磁共振图像中分割的初始肝脏边界的装置包括:
针对初始肝脏边界上多个边界点中的每一个,基于从多通道磁共振图像的反相通道和水通道中提取的特征,利用训练过的边界检测器,针对从边界点开始沿法线方向的一组备选点中的每一个计算概率响应的装置;以及
用于将所述多个边界点中的每一个移动至具有最高概率响应的备选点的装置。
12.根据权利要求9所述的设备,其中,用于基于从多通道磁共振图像的反相通道和水通道中提取的特征,利用训练过的边界检测器来细化多通道磁共振图像中分割的初始肝脏边界的装置包括:
用于基于分割的初始肝脏边界生成分层形状模型的装置,分层形状模型具有多个层,并且所述多个层中每一层处的相应的肝脏网格表示多个图像分辨率中相应的一个上的初始肝脏边界;以及
用于从最粗略层至最细化层调节分层形状模型的多个层的每一层处的相应的网格的边界点的装置,该调节是基于从在相应的图像分辨率处的多通道磁共振图像分辨率的反相通道和水通道中提取的特征,利用针对每个相应的图像分辨率的相应的训练过的边界检测器进行的。
13.根据权利要求9所述的设备,其中,用于在多通道磁共振图像中分割初始肝脏边界的装置包括:
用于基于从多通道磁共振图像的反相通道和水通道中提取的特征在多通道磁共振图像中分割初始肝脏边界的装置。
14.根据权利要求9所述的设备,其中,用于在多通道磁共振图像中分割初始肝脏边界的装置包括:
用于基于从多通道磁共振图像的单个通道中提取的特征在多通道磁共振图像中分割初始边界的装置。
15.一种存储用于在多通道磁共振图像中进行肝脏分割的计算机程序指令的非暂态计算机可读介质,其中,多通道磁共振图像通过使用磁共振Dixon扫描获得,当由处理器执行所述计算机程序指令时,使得处理器执行以下操作,包括:
在多通道磁共振图像中分割初始肝脏边界;以及
基于从多通道磁共振图像的反相通道和水通道中提取的特征,利用训练过的边界检测器来细化多通道磁共振图像中分割的初始肝脏边界。
16.根据权利要求15所述的非暂态计算机可读介质,其中,在多通道磁共振图像中分割初始肝脏边界包括:
基于从多通道磁共振图像的多个通道中提取的特征在多通道磁共振图像中分割初始肝脏边界。
17.根据权利要求16所述的非暂态计算机可读介质,其中,基于从多通道磁共振图像的多个通道中提取的特征在多通道磁共振图像中分割初始肝脏边界包括:
基于从多通道磁共振图像的多个通道中提取的特征,利用边缘空间学习分割在多通道磁共振图像中分割初始肝脏边界。
18.根据权利要求15所述的非暂态计算机可读介质,其中,基于从多通道磁共振图像的反相通道和水通道中提取的特征,利用训练过的边界检测器来细化多通道磁共振图像中分割的初始肝脏边界包括:
针对初始肝脏边界上多个边界点中的每一个,
基于从多通道磁共振图像的反相通道和水通道中提取的特征,利用训练过的边界检测器,针对从边界点开始沿法线方向的一组备选点中的每一个计算概率响应;以及
移动边界点至具有最高概率响应的备选点。
19.根据权利要求15所述的非暂态计算机可读介质,其中,基于从多通道磁共振图像的反相通道和水通道中提取的特征,利用训练过的边界检测器来细化多通道磁共振图像中分割的初始肝脏边界包括:
基于分割的初始肝脏边界生成分层形状模型,分层形状模型具有多个层,并且所述多的层中每一层处的相应的肝脏网格表示多个图像分辨率中相应的一个上的初始肝脏边界;以及
从最粗略层至最细化层调节分层形状模型的多个层的每一层处的相应的网格的边界点,该调节是基于从在相应的图像分辨率处的多通道磁共振图像分辨率的反相通道和水通道中提取的特征,利用针对每个相应的图像分辨率的相应的训练过的边界检测器进行的。
20.根据权利要求15所述的非暂态计算机可读介质,其中,基于从多通道磁共振图像的反相通道和水通道中提取的特征,利用训练过的边界检测器来细化多通道磁共振图像中分割的初始肝脏边界包括:
基于从多通道磁共振图像的反相通道和水通道中提取的可操纵的特征,利用训练过的边界检测器来细化分割的初始肝脏边界。
21.根据权利要求15所述的非暂态计算机可读介质,其中,在多通道磁共振图像中分割初始肝脏边界包括:
基于从多通道磁共振图像的反相通道和水通道中提取的特征在多通道磁共振图像中分割初始肝脏边界。
22.根据权利要求15所述的非暂态计算机可读介质,其中在多通道磁共振图像中分割初始肝脏边界包括:
基于从多通道磁共振图像的单个通道中提取的特征在多通道磁共振图像中分割初始边界。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/270,624 | 2014-05-06 | ||
US14/270,624 US9367924B2 (en) | 2014-05-06 | 2014-05-06 | Method and system for segmentation of the liver in magnetic resonance images using multi-channel features |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105096310A CN105096310A (zh) | 2015-11-25 |
CN105096310B true CN105096310B (zh) | 2019-09-06 |
Family
ID=54368295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510308550.4A Active CN105096310B (zh) | 2014-05-06 | 2015-05-06 | 利用多通道特征在磁共振图像中分割肝脏的方法和*** |
Country Status (2)
Country | Link |
---|---|
US (1) | US9367924B2 (zh) |
CN (1) | CN105096310B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2908716C (en) | 2013-04-09 | 2021-03-16 | Laboratoires Bodycad Inc. | Concurrent active contour segmentation |
US9495756B2 (en) * | 2013-04-09 | 2016-11-15 | Laboratoires Bodycad Inc. | Multi-scale active contour segmentation |
WO2017214872A1 (en) * | 2016-06-15 | 2017-12-21 | Nokia Technologies Oy | Methods, systems and apparatuses of feature extraction and object detection |
US10580159B2 (en) | 2017-01-31 | 2020-03-03 | Siemens Healthcare Gmbh | Coarse orientation detection in image data |
US10600185B2 (en) | 2017-03-08 | 2020-03-24 | Siemens Healthcare Gmbh | Automatic liver segmentation using adversarial image-to-image network |
WO2019023909A1 (zh) * | 2017-07-31 | 2019-02-07 | 深圳联影医疗科技有限公司 | 一种肝段分割方法与设备 |
EP3451286B1 (de) | 2017-08-30 | 2019-08-28 | Siemens Healthcare GmbH | Verfahren zum segmentieren einer organstruktur eines untersuchungsobjekts in medizinischen bilddaten |
CN110889852B (zh) * | 2018-09-07 | 2022-05-06 | 天津大学 | 基于残差-注意力深度神经网络的肝脏分割方法 |
CN109461139B (zh) * | 2018-09-29 | 2021-05-18 | 桂林电子科技大学 | 一种基于动态mri信息融合的肝癌定量分析方法 |
US11995854B2 (en) * | 2018-12-19 | 2024-05-28 | Nvidia Corporation | Mesh reconstruction using data-driven priors |
CN112287948B (zh) * | 2020-10-30 | 2024-05-03 | 西安工程大学 | 一种基于素描标记的中层次特征提取快速边缘检测方法 |
WO2024046142A1 (en) * | 2022-08-30 | 2024-03-07 | Subtle Medical, Inc. | Systems and methods for image segmentation of pet/ct using cascaded and ensembled convolutional neural networks |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005017549A1 (en) * | 2003-07-09 | 2005-02-24 | Walsh David O | Multicoil nmr data acquisition and processing methods |
CN1745705A (zh) * | 2004-09-10 | 2006-03-15 | Ge医药***环球科技公司 | 磁共振影像生成方法和磁共振成像装置 |
CN1908963A (zh) * | 2005-08-03 | 2007-02-07 | 美国西门子医疗解决公司 | 检测和跟踪可变形对象的方法 |
CN102232831A (zh) * | 2010-04-30 | 2011-11-09 | 西门子(深圳)磁共振有限公司 | 一种实现水脂分离的磁共振成像方法 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7684643B2 (en) * | 2004-10-26 | 2010-03-23 | Siemens Medical Solutions Usa, Inc. | Mutual information regularized Bayesian framework for multiple image restoration |
US7907777B2 (en) * | 2005-01-25 | 2011-03-15 | Siemens Medical Solutions Usa, Inc. | Manifold learning for discriminating pixels in multi-channel images, with application to image/volume/video segmentation and clustering |
CN100396239C (zh) * | 2005-02-28 | 2008-06-25 | 西门子(中国)有限公司 | 磁共振多通道成像水脂分离重建算法 |
EP1952347B1 (en) | 2005-11-01 | 2019-03-06 | Edda Technology, Inc. | Method and system for liver lobe segmentation and pre-operative surgical planning |
US7792342B2 (en) * | 2006-02-16 | 2010-09-07 | Siemens Medical Solutions Usa, Inc. | System and method for detecting and tracking a guidewire in a fluoroscopic image sequence |
US7916919B2 (en) | 2006-09-28 | 2011-03-29 | Siemens Medical Solutions Usa, Inc. | System and method for segmenting chambers of a heart in a three dimensional image |
DE102007028270B4 (de) | 2007-06-15 | 2013-11-14 | Siemens Aktiengesellschaft | Verfahren zur Segmentierung von Bilddaten zur Erkennung einer Leber |
WO2009012115A1 (en) * | 2007-07-13 | 2009-01-22 | Board Of Regents, The University Of Texas System | Methods for efficient and improved phase-sensitive mri |
US8131038B2 (en) | 2007-08-21 | 2012-03-06 | Siemens Aktiengesellschaft | System and method for global-to-local shape matching for automatic liver segmentation in medical imaging |
US8229188B2 (en) | 2007-10-12 | 2012-07-24 | General Electric Company | Systems, methods and apparatus automatic segmentation of liver in multiphase contrast-enhanced medical images |
US8175354B2 (en) | 2008-03-06 | 2012-05-08 | Edda Technology, Inc. | System and method for interactive liver lobe segmentation |
US8064674B2 (en) * | 2008-11-03 | 2011-11-22 | Siemens Aktiengesellschaft | Robust classification of fat and water images from 1-point-Dixon reconstructions |
US8073220B2 (en) | 2009-04-20 | 2011-12-06 | Siemens Aktiengesellschaft | Methods and systems for fully automatic segmentation of medical images |
DE102009038436B4 (de) * | 2009-08-21 | 2012-02-23 | Siemens Aktiengesellschaft | Verfahren zur Segmentierung eines Organs in Volumendatensätzen der Magnetresonanztomographie |
US20110052028A1 (en) | 2009-08-26 | 2011-03-03 | Algotec Systems Ltd. | Method and system of liver segmentation |
CN102573638A (zh) | 2009-10-13 | 2012-07-11 | 新加坡科技研究局 | 一种用于分割图像中的肝脏对象的方法和*** |
US9025841B2 (en) * | 2009-11-18 | 2015-05-05 | Siemens Aktiengesellschaft | Method and system for segmentation of the prostate in 3D magnetic resonance images |
US8605969B2 (en) * | 2010-04-06 | 2013-12-10 | Siemens Corporation | Method and system for multiple object detection by sequential Monte Carlo and hierarchical detection network |
US9117259B2 (en) | 2010-09-22 | 2015-08-25 | Siemens Aktiengesellschaft | Method and system for liver lesion detection |
US8879810B2 (en) * | 2011-11-16 | 2014-11-04 | Siemens Aktiengesellschaft | Method and system for automatic lung segmentation in magnetic resonance imaging videos |
US8934693B2 (en) * | 2011-11-23 | 2015-01-13 | Siemens Aktiengesellschaft | Method and system for intervention planning for transcatheter aortic valve implantation from 3D computed tomography data |
US9218524B2 (en) * | 2012-12-06 | 2015-12-22 | Siemens Product Lifecycle Management Software Inc. | Automatic spatial context based multi-object segmentation in 3D images |
-
2014
- 2014-05-06 US US14/270,624 patent/US9367924B2/en active Active
-
2015
- 2015-05-06 CN CN201510308550.4A patent/CN105096310B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005017549A1 (en) * | 2003-07-09 | 2005-02-24 | Walsh David O | Multicoil nmr data acquisition and processing methods |
CN1745705A (zh) * | 2004-09-10 | 2006-03-15 | Ge医药***环球科技公司 | 磁共振影像生成方法和磁共振成像装置 |
CN1908963A (zh) * | 2005-08-03 | 2007-02-07 | 美国西门子医疗解决公司 | 检测和跟踪可变形对象的方法 |
CN102232831A (zh) * | 2010-04-30 | 2011-11-09 | 西门子(深圳)磁共振有限公司 | 一种实现水脂分离的磁共振成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105096310A (zh) | 2015-11-25 |
US20150324999A1 (en) | 2015-11-12 |
US9367924B2 (en) | 2016-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105096310B (zh) | 利用多通道特征在磁共振图像中分割肝脏的方法和*** | |
US10134141B2 (en) | System and methods for image segmentation using convolutional neural network | |
JP6884853B2 (ja) | ニューラルネットワーク法を用いた画像セグメンテーション | |
CN109615636B (zh) | Ct影像的肺叶段分割中的血管树构造方法、装置 | |
EP2916738B1 (en) | Lung, lobe, and fissure imaging systems and methods | |
US10467495B2 (en) | Method and system for landmark detection in medical images using deep neural networks | |
Saha et al. | Topomorphologic separation of fused isointensity objects via multiscale opening: Separating arteries and veins in 3-D pulmonary CT | |
CN105074775A (zh) | 医学图像的配准 | |
CN109978037A (zh) | 图像处理方法、模型训练方法、装置、和存储介质 | |
RU2526752C1 (ru) | Система и способ для автоматического планирования двухмерных видов в объемных медицинских изображениях | |
US9317926B2 (en) | Automatic spinal canal segmentation using cascaded random walks | |
CN113424222A (zh) | 用于使用条件生成对抗网络提供中风病灶分割的***和方法 | |
Paganelli et al. | Scale Invariant Feature Transform as feature tracking method in 4D imaging: a feasibility study | |
CN109844815A (zh) | 使用从不同迭代提取的特征图像进行基于特征的图像处理 | |
CN107810518B (zh) | 图像处理***和方法 | |
Cheng et al. | Automatic centerline detection of small three-dimensional vessel structures | |
Agomma et al. | Automatic detection of anatomical regions in frontal X-ray images: Comparing convolutional neural networks to random forest | |
Xu et al. | Accurate and efficient separation of left and right lungs from 3D CT scans: a generic hysteresis approach | |
Shafi | Deep Learning-Based Segmentation Of Lung Images For Accurate Diagnosis | |
Johnston et al. | Three-dimensional partial volume segmentation of multispectral magnetic resonance images using stochastic relaxation | |
Pana et al. | 3D Brain Tumor Volume Reconstruction and Quantification using MRI Multi-modalities Brain Images | |
Chen et al. | A fully automated framework for renal cortex segmentation | |
Neto | Section Detection in an Automatic Pipeline for Mapping Brain Activation in the Mouse | |
Zha et al. | 3D lymphoma detection in PET-CT images with supervoxel and CRFs | |
Tombari et al. | Hierarchical Multi-Organ Segmentation Without Registration in 3D Abdominal CT Images |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220130 Address after: Erlangen Patentee after: Siemens Healthineers AG Address before: Munich, Germany Patentee before: SIEMENS AG |
|
TR01 | Transfer of patent right |