CN105719324B - 图像处理装置以及图像处理方法 - Google Patents
图像处理装置以及图像处理方法 Download PDFInfo
- Publication number
- CN105719324B CN105719324B CN201510902681.5A CN201510902681A CN105719324B CN 105719324 B CN105719324 B CN 105719324B CN 201510902681 A CN201510902681 A CN 201510902681A CN 105719324 B CN105719324 B CN 105719324B
- Authority
- CN
- China
- Prior art keywords
- region
- image
- pixel
- medical imaging
- contrastographic picture
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 141
- 238000003672 processing method Methods 0.000 title claims abstract description 6
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 50
- 238000003860 storage Methods 0.000 claims abstract description 4
- 238000002601 radiography Methods 0.000 claims description 82
- 238000009826 distribution Methods 0.000 claims description 50
- 230000003287 optical effect Effects 0.000 claims description 10
- 230000002980 postoperative effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000002591 computed tomography Methods 0.000 description 69
- 238000000034 method Methods 0.000 description 51
- 230000011218 segmentation Effects 0.000 description 48
- 210000004204 blood vessel Anatomy 0.000 description 42
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 40
- 229910052791 calcium Inorganic materials 0.000 description 40
- 239000011575 calcium Substances 0.000 description 40
- 230000006870 function Effects 0.000 description 32
- 239000002872 contrast media Substances 0.000 description 24
- 238000013467 fragmentation Methods 0.000 description 15
- 238000006062 fragmentation reaction Methods 0.000 description 15
- 210000004351 coronary vessel Anatomy 0.000 description 12
- 230000008520 organization Effects 0.000 description 12
- 239000000470 constituent Substances 0.000 description 11
- 230000008021 deposition Effects 0.000 description 11
- 230000002792 vascular Effects 0.000 description 11
- 230000015654 memory Effects 0.000 description 10
- 238000012800 visualization Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000002583 angiography Methods 0.000 description 7
- 230000015572 biosynthetic process Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 210000004872 soft tissue Anatomy 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 238000007792 addition Methods 0.000 description 5
- 238000009877 rendering Methods 0.000 description 5
- 238000003786 synthesis reaction Methods 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 239000003086 colorant Substances 0.000 description 4
- 238000004040 coloring Methods 0.000 description 4
- 210000004185 liver Anatomy 0.000 description 4
- 238000002156 mixing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 3
- 230000002308 calcification Effects 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- 208000029078 coronary artery disease Diseases 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000002173 dizziness Diseases 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000010412 perfusion Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 200000000007 Arterial disease Diseases 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003143 atherosclerotic effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011438 discrete method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 210000003456 pulmonary alveoli Anatomy 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- 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
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/10108—Single photon emission computed tomography [SPECT]
-
- 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
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
-
- 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
- G06T2207/20161—Level set
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20208—High dynamic range [HDR] image processing
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种图像处理装置以及图像处理方法。本实施方式所涉及的图像处理装置具备存储部、生成部、以及分段部。存储部存储与在不同的时刻被摄影的同一摄影部位相关的第1医用图像和第2医用图像。生成部生成表示同一坐标中的第1医用图像的像素值与第2医用图像的像素值的组合的频度的数值数据。分段部利用所生成的数值数据,将第2医用图像划分为多个图像区域。
Description
技术领域
本发明的实施方式涉及图像处理装置以及图像处理方法。
背景技术
在使用X射线取得三维的图像数据的医用摄像中使用有计算机断层摄影(CT)。由CT扫描取得的三维CT图像数据具有三维排列的多个体素。各体素具有与X射线的衰减量对应的像素值。X射线的衰减量表现为由亨氏单位(HU)规定的CT值。在此,0HU是水的CT值。
正在开发用于使用CT对冠状动脉疾病进行诊断的应用程序。这样的应用程序用于确定存在于血管内的动脉粥样硬化性心脏病的范围。
为了增大在CT图像中描绘出的血管区域的像素值而使用造影剂。作为用于诊断冠状动脉疾病的技术,利用不使用造影剂的非造影心脏CT扫描和使用造影剂的造影心脏CT扫描。非造影心脏CT扫描是将没有通过造影剂造影的心脏作为对象的CT扫描。非造影心脏CT扫描有时包含钙化积分扫描。造影心脏CT扫描是以由造影剂造影后的心脏为对象的CT扫描。通过两个扫描得到的图像例如使用自动非线性对位处理或自动线性对位处理,进行对位。差分图像根据通过基于造影扫描的图像与基于被造影扫描的图像的对应点彼此中的像素值的差分而生成。差分图像例如用于评估血管的状态。
在单一的非造影钙化积分扫描中,描绘出钙质沉积区域以及支架区域,但有时不能将血管区域与其他的软组织区域相区别。在通过单一的造影CT扫描取得的图像中,与由造影剂强调后的血液相关的图像区域(造影血管区域)的亨氏值有时与针对钙质沉积区域以及支架区域的亨氏值重复。当使用标准的窗位或颜色映射技术来显示通过造影CT扫描取得的图像(造影图像)时,在视觉上难以区别造影血管区域和钙质沉积区域或支架区域。
当将造影血管区域与钙质沉积区域或支架区域相区别地描绘出时,能够确定冠状动脉疾病的范围,测量血管狭窄(血管的异常的收缩或狭窄)。通过对造影图像和非造影图像进行差分,从而能够除去造影图像和非造影图像共有的特征,例如,除去骨区域和软组织区域,保留被造影剂强调的像素区域。
图1是表示已知的差分处理的流程图。在步骤10中,非造影图像(造影前图像)100和造影图像(造影后图像)101使用非刚性配准来将同一坐标彼此建立对应。变形场102通过非刚性配准来取得。变形场102将非造影图像100的坐标系中的坐标与造影图像101的坐标系中的坐标建立关联。
在步骤12中,执行了非刚性配准的非造影图像(被对位的造影前图像)103是将变形场102应用于非造影图像100而生成的。被对位的非造影图像103所包含的各点的解剖学特征与造影图像101所包含的相同坐标的对应点的解剖学特征一致。
在步骤14中,通过将造影图像101的各像素的亨氏值减去被对位的非造影图像103所包含的相同坐标的各像素的亨氏值来生成。
在步骤16中,对差分图像104实施绘制处理,生成绘制处理后的差分图像105。以后,将绘制出的差分图像105简单地记作绘制图像105。
作为绘制图像105,例如是二维切片、二维多平面绘制(MPR)图像、薄块MPR图像、弯曲MPR(CPR)图像、阴影体绘制(SVR)图像、或像素投影(IP)图像(例如,最大像素投影(MIP)图像、最小像素投影(MinIP)图像、或平均像素投影(Average)图像)。
绘制图像105例如是灰度图像,规定的像素的灰度值和被对位的非造影图像的各像素的像素值与造影图像的各对应像素的像素值的差分对应。各像素的灰度值与差分值对应,因此,差分图像104只包含比非造影图像100以及造影图像101少的信息。例如,差分值“5”可以由5HU的CT值与10HU的CT值的组合得到,也可以由105HU的CT值与110HU的CT值的组合得到。
差分图像难以读影。例如,当对由单一通道的灰度规定的差分图像进行读影时,难以区别血管内的实际的闭塞或狭窄和由不准确的对位而产生的伪影。图2表示描绘出重度钙化的冠状动脉的差分图像。与重度钙化的冠状动脉相关的图像区域由虚线的椭圆17来标记。被虚线的椭圆17标记的部分难以区别狭窄和图像伪影,因此难以进行读影。当在血管中存在大量的钙化沉积时,难以判别在该血管中是否有造影剂流动。
分段是在图像内分割为具有规定的特征的像素,将表示图像内的规定的构造的像素按照该每个构造进行分类的过程。在此,设像素意味着二维的图像要素(像素)与三维的图像要素(体素)的统称。分段有时还包含将像素从图像的剩余的部分中分离。构造例如是血管或脏器等解剖学构造、或支架等人工构造。通过识别以及分离表示构造的像素,从而实施与构造相关的信息的进一步的处理,例如,能够使构造的测量变得容易,或者能够使通过与图像内的其他的构造不同的方法来绘制构造变得容易。
血管的分段用于识别血管的病变区域时,例如,用于识别钙质沉积区域。例如,为了执行冠状动脉内的狭窄测量,需要对血管腔以及血管壁准确地分段。
特别地,在冠状动脉血管中,难以获得准确安全的血管分段。小的血管有时接近检测器的分辨率的极限,因此,难以进行分段。例如,由于血管壁的像素值与其他的软组织的像素值类似,因此,难以进行血管壁的分段。在差分图像中,为了对血管区域进行分类,需要准确地进行对位,另外,还没有建立识别对位误差的方法。
自动或半自动的血管追踪算法用于追踪图像所包含的血管区域。然而,由于与被造影剂强调后的血管腔相关的图像区域(以下,称为血管腔区域)的像素值和与钙化沉积内的钙相关的图像区域(以下,称为钙区域)的像素值类似,因此,难以对追踪造影图像内的血管区域进行追踪并分段。
晕斑(blooming)有时使钙化沉积不清晰,特别地,当存在钙质沉积区域或支架区域时,使管腔的分类复杂化。晕斑是使钙化沉积(或支架)区域看上去比真正的物理范围大的图像伪影。晕斑例如由于射束硬化以及移动等的伪影的组合造成。与非造影图像相比,造影图像的晕斑更显著的情况被熟知。
图3A以及图3B表示在造影图像上实施的已知的冠状动脉血管的分段方法的结果。大的钙沉积存在于应该被分段的血管内。图3A以及图3B示出表示流入有造影剂的冠状动脉血管的、冠状动脉计算机断层摄影血管造影(CCTA)图像。图3A表示血管区域的芯线以沿着直线的方式变形的CCTA图像。图3B表示与芯线正交的剖面所相关的CCTA图像。如图3A和图3B所示,大的钙质沉积20具有高的像素。
使用已知的冠状动脉血管的分段方法,在与图3A以及图3B对应的图像上执行管腔的分段。分段的边界作为线18由图3A以及图3B的各个表示。
管腔的范围由临床医生使用相同的图像数据进行评估。发现被自动地分段的管腔的边界18比由临床医生评估的管腔的区域小。在已知的分段方法中,血管腔的尺寸在被造影的集合的该已知的分段方法中,由于较大的钙质沉积20的影响,会被过小地评估。
因此,没有达到临床医生希望在自动或半自动分段法上可靠的信用的状况。当自动或半自动的血管分段对管腔过小评估或过大评估时,分段算法的结果有时不会使临床医生受益。
附图说明
附图包含在说明书中,构成其一部分,图示出本发明的实施例,并与以上给出的一般描述及以下给出的对实施例的详细描述一起一起用于说明本发明的原理。
图1是表示以往的差分处理的流程图。
图2是表示强调显示重度钙化的动脉的差分图像的图。
图3A是表示造影图像内的示例的已知的血管分段的结果的图。
图3B是表示造影图像内的示例的已知的血管分段的结果的图。
图4是表示本实施方式所涉及的图像处理装置的框图。
图5是表示在本实施方式所涉及的图像处理装置中执行的处理的流程图。
图6是表示被分类的管腔区域、非强调区域、位置偏移区域、以及晕斑区域的联合直方图。
图7A是表示应该映射到图6的联合直方图上的颜色的颜色模型的图。
图7B是表示图6所示的联合直方图与图7A所示的颜色模型的叠加图像的图。
图8是表示使用颜色模型来着色的图像的一个例子的图。
图9是表示使用颜色模型来着色的图像的一个例子的图。
图10是表示示出晕斑区域的血管腔的图像的图。
图11是表示在本实施方式所涉及的图像处理装置中执行的处理的流程图。
图12是表示图11所示的处理的具体例的流程图。
图13是表示应用分类处理的被摄像的血管的概略图。
具体实施方式
本实施方式所涉及的图像处理装置具备:存储部,存储与在不同的时刻被摄影的同一摄影部位相关的第1医用图像和第2医用图像;生成部,生成表示同一坐标中的所述第1医用图像的像素值与所述第2医用图像的像素值的组合的频度的数值数据;以及分段部,利用生成的所述数值数据,将所述第2医用图像划分为多个图像区域。
以下,参照附图,说明本实施方式所涉及的图像处理装置。另外,在以下的说明中,针对具有大致相同的功能以及结构的构成要素,添加相同的符号,重复说明只在必要时进行。
图4是表示本实施方式所涉及的图像处理装置30的图。如图4所示,图像处理装置30具备计算装置32。计算装置32是个人计算机(PC)或工作站等。计算装置32与CT扫描仪34、一个或多个显示器36、以及计算机键盘、鼠标、或轨迹球等一个或多个输入接口电路38连接。
CT扫描仪34通过由X射线对被检体进行CT扫描来收集投影数据,根据收集到的投影数据重建与该被检体相关的CT图像。在本实施方式中,CT扫描仪34产生与在不同的时刻被摄影的同一摄影部位相关的第1医用图像和第2医用图像。例如,CT扫描仪34以同一被检体为对象,通过对被造影剂造影后的摄影部位进行CT扫描来执行造影CT扫描,通过对没有被造影剂造影的摄影部位进行CT扫描来执行非造影CT扫描。作为摄影部位,也可以是任何部位。在造影扫描以及非造影扫描时,也可以是任意的合适的血管***,例如,可以是心脏、头或颈部、流出液体或肺。CT扫描仪34根据由造影CT扫描收集到的投影数据来重建造影图像,根据由非造影CT扫描收集到的投影数据来重建非造影图像。造影CT扫描和非造影CT扫描也可以任一个扫描首先进行。作为造影图像以及非造影图像,CT扫描仪34可以重建一个图像,也可以重建时间序列的图像。另外,在本实施方式中,作为图像,CT扫描仪34可以重建由在二维坐标空间中排列的多个像素构成的切片,也可以重建由在三维坐标空间中排列的多个体素构成的容积。CT扫描仪34也可以是任意的其他的摄像方式中的扫描仪,例如,也可以是MRI(磁共振摄像)扫描仪、X射线扫描仪、PET(正电子放射断层摄影)扫描仪、或SPECT(单光子放射计算机断层摄影)扫描仪。
与在不同的时刻被摄影的同一摄影部位相关的第1医用图像和第2医用图像并不限定于造影图像和非造影图像。例如,也可以是第1医用图像是术前图像,第2医用图像是术后图像。术前图像根据通过CT扫描仪34,对手术前的被检体进行CT扫描而收集到的投影数据来重建。术后图像根据通过CT扫描仪34,对手术后的被检体进行CT扫描而收集到的投影数据来重建。另外,为了具体地进行以下的说明,设第1医用图像为造影图像,第2医用图像为非造影图像。
在本实施方式中,由CT扫描仪34收集到的图像的集合被存储在存储器40中,由该存储器40提供给计算装置32。另外,图像的集合也可以由形成图像保管通信***(PACS)的一部分的远程数据存储器(未图示)来提供。另外,存储器40或远程数据存储器也可以具备任意的合适的方式的存储器。
计算装置32包含用于自动或半自动地对图像数据进行处理的处理源。计算装置32具备中央处理装置(CPU)42,该中央处理装置(CPU)42构成为实施参照图5以下叙述的方法和参照图11以及图12以下叙述的方法,并且进行动作,加载各种软件模块或其他的软件构成要素来执行。
计算装置32具备接收电路44和处理电路45。在本实施方式中,作为硬件资源,处理电路45包含CPU或MPU等处理器、ROM或RAM等存储器。该处理电路45的存储器存储用于实现处理电路45中的多个功能的多个对应程序。例如,处理电路45通过从存储器读出对应的程序并执行,从而实现生成功能46、对位功能48、绘制功能50、以及分段功能52。
通过生成功能46,处理电路45生成表示同一坐标中的造影图像的像素值与非造影图像的像素值的组合的频度的数值数据。具体而言,数值数据是在以该造影图像的像素值和该非造影图像的像素值为两轴的二维直角坐标系中,在视觉上表现造影图像的像素值与非造影图像的像素值的组合的频度的联合直方图。另外,作为本实施方式所涉及的数值数据,并不限定于联合直方图,也可以是在二维直角坐标系中在视觉上不表现造影图像的像素值与非造影图像的像素值的组合的频度的形式的数据。以下,在本实施方式中,设数值数据为联合直方图。
通过对位功能48,处理电路45将该造影图像和该非造影图像对位。例如,处理电路45通过使非造影图像相对于造影图像对位,从而生成被对位的非造影图像。
通过分段功能52,处理电路45使用所生成的联合直方图,对造影图像或非造影图像所包含的多个区域进行分类。具体而言,处理电路45将造影图像分类为伪影区域和非伪影区域。处理电路45根据与各区域对应的似然性对伪影区域和非伪影区域进行分类。处理电路45将伪影区域分类为位置偏移区域和晕斑区域。另外,处理电路45将非伪影区域分类为造影区域和非造影区域。造影区域是管腔区域,非造影区域是管壁区域。
通过绘制功能50,处理电路45对造影图像或非造影图像实施绘制处理,生成二维的显示图像(以下,称为绘制图像)。在本实施方式中,处理电路45使用与该多个区域相关的分类,根据造影图像或非造影图像生成在视觉上能够识别该被分类的多个区域的绘制图像。
在本实施方式中,接收电路44以及处理电路45使用计算机程序,分别安装在计算装置32中,并且所述计算机程序具有计算机可读的命令,该计算机可读的命令能够以实施参照图5在下述中叙述的方法和参照图11以及图12在下述中叙述的方法来执行。然而,上述多个功能也可以通过一个或多个ASIC(特定用途集成电路)或FPGA(现场可编程门阵列)等来实现。
另外,作为硬件资源,计算装置32包含硬盘驱动器和PC的其他的构成要素,并且所述PC的其他的构成要素包含含有RAM、ROM、数据总线、各种设备驱动器的操作***、以及含有显卡的硬件设备。
图4所示的图像处理装置构成为实施在图5的流程图中作为概述而示出的一系列的步骤。另外,图4所示的图像处理装置构成为实施在图11或图12的流程图中作为概述而示出的一系列的步骤。
参照图5,在步骤10中,接收电路44从存储器40、或从远程数据存储器,或者直接从CT扫描仪34,接收非造影图像100集合和造影图像101的集合。非造影图像100以及造影图像101表示被检体的区域。在本实施方式中,例如,区域是冠状动脉,被检体是人类的患者。非造影图像100通过对患者的冠状动脉进行钙化积分扫描来收集。造影图像101包含表示相同的患者的冠状动脉的体数据。
另外,非造影图像并不限定于以完全不存在造影剂的摄影部位为对象的图像,也可以是以与造影图像相比较存在明显低的浓度的造影剂的摄影部位为对象的图像。作为这样的非造影图像例如包含灌流图像。另外,非造影图像也可以是在临床上关心的部位不存在造影剂,在临床上不关心的部位存在造影剂的图像。例如,在冠状动脉血管图像中,有时造影剂存在于心脏中,但有时甚至没有到达冠状动脉血管。
另外,也可以使用来自任意的两个以上的合适的扫描的任意的图像。两个扫描存在造影剂。例如,使用来自灌流数据的两个扫描。
接收电路44也可以接收由动态造影(DCE)摄像、例如由肝脏的DCE扫描收集到的图像的集合。在肝脏的DCE扫描中,造影部分的DCE摄像的各种相位中到处移动。
在本实施方式中,非造影图像100和造影图像101记载为CT图像,但并不限定于此。非造影图像100和造影图像101例如也可以是MR图像。另外,也可以是非造影图像是CT图像或MR图像中的一个图像,造影图像是另一个图像。MR图像能够区别在CT图像中具有相同的HU值的组织。
接收电路44将非造影图像100和造影图像101向处理电路45供给。在对位功能48中,处理电路45对非造影图像100和造影图像101执行配准,生成变形场102。并且,处理电路45整形为将所生成的变形场102应用于非造影图像100或造影图像100的一方的图像,使该图像与另一个图像一致。由此,造影图像和非造影图像被对位。
具体而言,处理电路45对非造影图像100和造影图像101执行非刚性配准。配准是将非造影图像100和造影图像101所包含的在解剖学上一致的像素建立对应的处理。例如,作为任意的合适的非刚性配准,使用在Razeto,M.,Mohr,B.,Arakita,K.,Schuijf,J.D.,Fuchs,A.,Kuhl,J.T.,Chen,M.Y.,以及Kofoed,K.F.,“Accurate,fully-automatedregistration of coronary arteries for volumetric CT digital subtractionangiography”,Proc.SPIE9034,90343F-90343F-7(2014)中记载的方法。
另外,配准也可以使用任意的合适的配准,例如,使用非刚性配准、刚性配准、或仿射配准中的任意的合适的方法来实施。另外,配准被调整为特定的解剖学构造(例如,冠状动脉)。
通过非刚性配准,处理电路45生成基于非造影图像100和造影图像101的变形场102。变形场102是对每个像素规定在解剖学上相互一致的非造影图像100的像素与造影图像101的像素的对应关系的图。
在步骤12中,作为对位功能48,处理电路45将变形场102应用于非造影图像100,生成被对位的非造影图像103。被对位的非造影图像103和造影图像101的同一坐标的像素也与解剖学一致。另外,在上述的例子中,设将变形场102应用于造影前图像100,但本实施方式并不限定于此。例如,也可以将变形场102应用于造影后图像101。在此,在本实施方式中,在步骤12中预先计算被对位的非造影图像103,但并不限定于此。也可以不预先计算被对位的非造影图像103。此时,不存储被对位的非造影图像103的被缓存的版本,变形场102以及非造影图像100根据需要用于生成非造影图像的合适的样品。
另外,非造影图像100和造影图像101也可以在由接收电路44接收之前预先对位。此时,对位能够省略步骤10和步骤12。另外,当非造影图像100和造影图像101不实施对位处理也被对位时,省略步骤10和步骤12。
另外,在本实施方式中,设非造影图像103和造影图像101为独立的图像集合,但并不限定于此。非造影图像103和造影图像101也可以包含在一个图像集合中。
在步骤60中,处理电路45接收被对位的非造影图像103和造影图像101。处理电路45在绘制时,从存储器40等接收颜色模型107。颜色模型107将像素值和绘制参数建立关联。作为颜色模型107,可以是将像素值和绘制参数建立关联的函数,也可以是表,也可以是在视觉上表现出的图。作为绘制参数,颜色以及不透明度比较合适。颜色模型107具有2以上的次元。
在步骤60中,具体而言,处理电路45根据来自被对位的非造影图像103的像素值和来自造影图像101的像素值生成联合直方图,使用联合直方图将造影图像101或非造影图像103分割为多个区域,利用颜色模型,由造影图像101或非造影图像103生成对被分割的区域分配了颜色的绘制图像108。
在此,针对处理电路45中的分段功能52、上述联合直方图以及颜色模型详细地进行叙述。
联合直方图定义为表示来自被对位的非造影图像103的像素值与来自造影图像101的像素值的组合的频度分布。
图6是该联合直方图的一个例子。联合直方图的纵轴以亨氏单位(HU)来表示第1像素值(被对位的非造影图像103内的像素值)。联合直方图的横轴以亨氏单位(HU)来表示第2像素值(造影图像101内的像素值)。
联合直方图具备相等尺寸的多个区间。各像素具有包含在联合直方图内的二维区间中的第1像素值和第2像素值(非造影图像的像素和造影图像的像素)。可以说图像数据内的各像素被分配给与第1像素值和第2像素值的对对应的区间。各像素具有第1像素对第2像素的二维分布上的各个位置。
区间内的像素数在图6中由影线表示。实际上,影线与颜色值对应。例如,不包含像素的区间为白色。只包含少量的像素的区间为浅灰色,随着追加更多的像素,区间变为深灰色。包含非常多的像素的区间以橙色进行着色。
在联合直方图中,绘制出各像素的第1像素值(被对位的非造影图像103内的像素)对像素的第2像素值(造影图像101内的像素)。各种材料(例如,各种组织类型)有时具有各种第1像素以及各种第2像素中的至少一个。从而,表示各种类型的像素有时被分配给联合直方图的各种区域内的区间。表示相同的组织类型的多个像素形成联合直方图的特定的区域内的聚类。
当两个非造影图像的像素的像素值被绘制在联合直方图绘制上时,预测到值聚集在对角线上。预测到表示空气的像素位于绘制的左上方(双方的扫描的低像素),软组织位于绘制的中央,骨位于朝向右下方(双方的扫描的高像素)的区间中。
当施加造影剂时,有时在联合直方图绘制内能够观察到(具有沿着被各种量的造影剂造影的像素的轴的不同的位置)从软组织的值向右延伸的棘状突起。
在本实施方式中,假定表示规定的组织类型的像素在联合直方图内形成具有二维高斯分布的点的聚类,二维高斯函数与聚类拟合并确定分布。
同样地,假定由于特定的图像伪影而造成的像素有时发生在联合直方图的特定的区域中,由于规定的类型的图像伪影而造成的像素在联合直方图内形成具有二维高斯分布的点的聚类。二维高斯函数与聚类拟合并确定分布。
作为分段功能52,处理电路45针对表示分别与造影区域(例如,管腔)、非造影区域(例如,管壁)、晕斑区域、以及位置偏移区域对应的分布的4个高斯分布的各个,确定平均、方差、以及加权。针对分布,通过确定平均、方差、以及加权,从而处理电路45针对联合直方图上的点点对应的聚类的各个,确定各聚类区域。各聚类区域能够表示点对应的聚类的位置和范围。
在本实施方式中,处理电路45与期望值最大化(EM)算法协作,使用k平均算法,确定高斯分布的平均、方差、以及加权。在其他的实施方式中,为了确定平均、方差、以及加权,有时使用任意的合适的技术。在某一实施方式中,有时二维分布不是高斯型。
四个被确定的高斯分布(管腔区域、非造影区域、晕斑区域、以及位置偏移区域)由图6的4个椭圆70、72、74、以及76表示,接着,在下述中继续讨论。椭圆70、72、74、76没有准确地示出被确定的高斯分布,而是发生高斯分布的对象区域的一般的指示符。
与管腔区域对应的管腔分布(椭圆70)是表示造影血管区域的像素的分布。由于造影剂为了强调血液的像素而施加,因此预测到在表示造影血管区域的像素中,造影图像的像素值比非造影图像高。造影剂的量有时在血管内或血管间发生变化,像素强调量也发生变化。因此,预测到与造影血管区域对应的像素作为与横轴平行排列的棘状突起而聚集在联合直方图绘制上。
与非造影区域对应的非强调区域分布(椭圆72)的像素值在非造影CT扫描与造影CT扫描之间实质上没有变化,即,非造影图像的像素的像素值与造影图像的像素的像素值大致相等。像素值大致相等的像素位于联合直方图的对角线上或其周围。作为噪音或位置偏移的结果,有时产生来自对角线的偏差。
虽然造影图像的像素的像素值比非造影图像的像素的像素值大,但与晕斑区域对应的晕斑分布(椭圆74)是造影图像的像素的像素值偏离非造影像素的所预测的像素值范围的像素的分布。晕斑分布包含表示晕斑的像素,还包含伴随着由于位置偏移而造成的像素的增大的像素。预测到造影图像中的晕斑比非造影图像的晕斑大。
与位置偏移区域对应的位置偏移分布(椭圆76)是造影图像的像素的像素值小于非造影图像的像素的像素值的像素的分布。由于没有预测到当施加造影剂时,任何解剖学区域的像素都应该降低,因此,表示非造影CT扫描与造影CT扫描之间的像素的降低的像素有时与潜在的对位不准确的区域一致。即,当具有比预测为非造影CT扫描内的像素与造影CT扫描内的像素对应的像素高的像素时,此时错误地确定像素间的对应关系(对位)。
当图像内的对象(例如,钙化沉积)的位置发生偏移时,存在位于看上去从非造影图像到造影图像像素上升的对象的一侧的像素、以及位于看上去从非造影图像到造影图像像素下降的对象的另一侧的像素。实际上,像素没有变化,但会造成作为钙化沉积的一部分的像素误解为不是钙化沉积的一部分的像素而被映射的结果,即,对位中有时存在错误。
当针对4个高斯分布确定平均、方差、以及加权后,作为分段功能52,处理电路45使用被确定的分布(直方图上的点的聚类的各个被确定的位置以及范围),来确定颜色模型107。颜色模型107是颜色值向像素值的对(非造影的像素、被造影的像素)的映射。当使用颜色模型绘制出图像时,作为一个分布的一部分的像素与作为其他的分布的一部分的像素相区别。
在本实施方式中,处理电路45通过确定联合直方图上的多个区域(区域80、82、84、以及86),来确定颜色模型107。颜色模型107在图7A中示出。区域80是联合直方图的三角形的区域。区域80包含表示像素从非造影图像向造影图像降低的像素。区域80包含至少一部分的位置偏移分布76。区域82是联合直方图的三角形的区域。区域82包含表示被强调的软组织的像素。区域82包含至少一部分的管腔分布70,参照管腔分布70来确定位置。区域84是造影图像内的造影区域。区域84包含至少一部分的管腔分布70,特别地,包含高造影的区域。区域86表示具有非造影图像与造影图像之间的像素的增大的像素,该非造影像素比血液的非造影像素高。区域86包含至少一部分的晕斑分布74。
图7B表示叠加于图7A的颜色模型的图6的联合直方图。在本实施方式中,例如,区域80以绿色着色,区域82以红色着色,区域84以黄色着色,区域86以品红色着色。红色和黄色用于表示主要的造影部分。
另外,在本实施方式中,在分段功能52中,处理电路45通过两个阶段来生成颜色模型。例如,针对X轴和Y轴生成灰度图层,该灰度图层与针对窗口/等级的梯度的特定的对的平均灰度值对应。
接着,处理电路45使用简单的三角形网格来生成第2图层。三角形网格的各顶点具有颜色和不透明度的值。第2图层内的像素具有通过分别对三角形网格内含有的顶点间进行插补而确定的这些颜色和不透明度。
另外,第2图层被合成在灰度表上,提供最终的颜色模型。第1图层和第2图层的合成有时具备α混合。灰度图层使非造影的区域与在标准的二维切片观察器中观察时的该区域相同地显示。
另外,颜色模型也可以使用自动或自动的任意的合适的方法来生成。
联合直方图的各区域在区域内存在颜色的偏差,例如,有时区域中心的颜色比区域的边缘的颜色亮。在其他的实施方式中,使用任意的颜色或光学特性。例如,除了颜色之外,有时使区域无光、有光泽、或透明。联合直方图的特定的区域有时重合,此时,颜色或光学特性有时以任意的合适的方式合成。例如,有时对颜色进行平均。在本实施方式中,颜色混合表示接近直方图的规定的区域。
另外,在分段功能52中,处理电路45确定X以及Y中的灰度梯度。该灰度梯度包含在颜色模型107中。梯度通常构成为不会覆盖像素数据的全范围,但值涵盖对象的范围而变化。在本实施方式中,使用梯度(线性变化),但并不限定于此,有时使用非线性变化。确定对象的范围有时被称为调窗。在分段功能52中,处理电路45能够对图像数据实施调窗,确定灰度梯度。颜色模型107被设定为显示被对位的非造影图像103、造影图像101、或被对位的非造影图像103与造影图像101的组合的任一调窗后的视图。
在本实施方式中,颜色模型107根据被对位的非造影图像103以及造影图像101来确定。另外,颜色模型107有时由用户整体地或部分地确定。例如,在显示器36上显示联合直方图。用户发现可以看到的尖端和棘状突起,例如,通过使用输入接口电路38对区域进行强调显示,从而划定联合直方图的合适的区域的边界。作为分段功能52,处理电路45根据由用户划定的区域,确定区域80、区域82、区域84、以及区域86。
在本实施方式中,根据联合直方图确定四个高斯分布。在其他的实施方式中,有时确定任意的合适的数量的分布。各分布有时表示联合直方图的任意的合适的区域,例如,表示含有表示组织类型的像素的任意的区域、或表示含有表示伪影的像素的任意的区域。
另外,也可以通过分段功能52来确定管腔区域、非造影区域、晕斑区域、以及位置偏移区域的分布,并在联合直方图中显示这些分布的图。用户根据该确定的分布,确定颜色模型的区域,例如,确定被着色的区域。
被确定的颜色模型107被存储为将输入值(第1像素值、第2像素值)的各像素向各个颜色值映射的表。在其他的实施方式中,颜色模型有时以任意的合适的格式来存储。例如,区域80、82、84、以及86的范围有时被存储为第1像素值和第2像素值的函数的集合。例如,当是图7A所示的颜色模型107时,有时存储三角形的集合,各颜色值有时根据三角形来重建。有时使用任意的合适的表或函数。
在本实施方式中,预先计算颜色模型107,但并不限定于此,也可以不预先计算颜色模型107。需要绘制特定的视图的颜色模型107根据需要来计算。
另外,颜色模型的范围被固定在合适的数据范围,预防表变得过大。另外,颜色模型以降低的分辨率来计算,为了导出所需的值有时在绘制中使用插补。
作为绘制功能50,处理电路45在步骤60中绘制切片的图像。作为结果而生成的绘制图像108包含从非造影图像和造影图像的双方中导出的信息。
为了绘制切片的图像,作为绘制功能50,处理电路45确定与分别绘制出的图像的各个像素对应的、图像容积内的点的集合。点位于对象的切片上。
在本实施方式中,有时在被对位的非造影图像103内、或在造影图像101内确定切片上的点。被对位的非造影图像103以及造影图像101具有相同的坐标系。在其他的实施方式中,在造影图像101内识别出切片上的点,变形场102用于确定非造影图像100内的对应的点。
作为绘制功能50,处理电路45对每个像素,针对(例如,通过对相邻的像素的像素进行插补)被对位的非造影图像103内的对应的点的第1像素值和针对造影图像101内的对应的点的第2像素值进行检索。接着,作为绘制功能50,处理电路45使用位于该点的第1像素值和第2像素值,对表添加索引。确定像素用的输出颜色。像素用的输出颜色是与像素的对建立关联的颜色值。
输出颜色=table(post,pre) ...(1)
在此,table是表示颜色模型的表,pre是被对位的非造影图像103内的点的像素值,post是造影图像101内的点的像素值。从而,颜色模型107用于根据双方的容积内的对应的点的亨氏值,对像素进行着色。
在本实施方式中,颜色作为绘制参数之一,被分配给各像素。在其他的实施方式中,其他的光学特性、例如,亮度、纹理、不透明度、透明度、阴影,无光面效果,或光泽面效果也可以作为绘制参数被分配给各像素。
绘制图像108提供包含来自被对位的非造影图像103和造影图像101的双方的信息的融合视图。绘制图像108能够具有比以往的差分图像更多的信息内容。
通过确定多个区域,并对各种区域分配各种颜色以及光学特性中的至少一个,从而在绘制图像108内在视觉上区别各种组织类型以及伪影中的至少一个。第1组织类型或伪影能够具有进入联合直方图的第1区域的像素。第2组织类型或伪影能够具有进入联合直方图的第2区域的像素。通过将第1区域内的点与第2区域内的点不同地进行着色,从而第1组织类型或伪影在绘制图像108内与第2组织类型或伪影在视觉上进行区别。
图8表示绘制图像108的一个例子。图8表示包含造影剂的吸收率(红色以及黄色)和晕斑(品红色),不包含位置偏移(绿色)的、使用颜色模型来着色的大动脉的图像。图8的图像内的各像素根据被对位的非造影图像103内的对应的点的第1像素值以及造影图像101内的对应的点的第2像素值进行着色。造影剂的吸收率低的区域以红色着色。造影剂的吸收率高的区域以黄色着色。最初的像素值受到相邻的晕状伪影的影响的造影吸收率的区域以品红色进行着色。
在第1像素值与第2像素值之间不存在显著的差异的位置,使用灰度值。灰度梯度基于非造影图像以及造影图像中的窗位的混合。
图9是使用图7A的颜色模型来着色的大动脉的进一步的图像。绿色的区域表示对位的问题。在图9的例子中,在非造影CT扫描与造影CT扫描之间发生移动。由于移动而受到影响的钙化沉积具有与非造影CT扫描相比较,在造影CT扫描内降低的像素的区域。由于钙化沉积的错误的对位,钙化沉积的一侧变为绿色(像素降低),钙化沉积的另一侧变为品红色或橙色(像素增大)。伴随着少量的绿色的品红色意味着不存在对位错误,因此,品红色的区域没有发生位置偏移而表示晕斑的可能性。
非造影图像和造影图像通过单一的视觉化来合成。一般而言,图9的灰度值与没有发生位置偏移的非造影图像对应。在本实施方式中,灰度值的像素是来自非造影图像的像素值与来自造影图像的像素值的合成。在其他的实施方式中,灰度值有时构成为表示被造影图像、造影图像、或非造影图像与造影图像之间的混合。
当在图7A的颜色模型内只存在灰度梯度时,作为结果而产生的图像108看上去如以往的差分的被窗位化的MPR图像。通过使用颜色模型107来追加颜色,从而向用户提供更多的信息。
在本实施方式中,绘制图像108是二维切片,在其他的实施方式,绘制出的图像是任意的合适的类型的图像,例如是二维切片、二维多平面绘制(MPR)图像、薄块MPR图像、弯曲MPR图像、阴影体绘制(SVR)图像、或IP图像。
在本实施方式中,只针对与绘制图像108的像素对应的、切片上的点确定颜色值。在其他的实施方式中,有时针对图像内的任意的合适的像素或点确定颜色值(或其他的光学特性)。
在此,针对造影图像101(或被对位的非造影图像103)的三维区域内的点取得颜色值,绘制图像108的每个像素的颜色值也可以通过合成针对三维区域内的多个点的颜色值来取得。例如,薄块的图像也可以通过合成来自多个切片的点来取得。
在本实施方式中,颜色模型使用联合直方图来确定,并且所述联合直方图表示具有被对位的非造影图像103内的对应的像素的造影图像101内的所有的像素,但并不限定于此。联合直方图以及颜色模型中的至少一个也可以使用图像数据来确定。例如,联合直方图也可以只绘制作为应该绘制的切片的一部分的像素,颜色模型根据联合直方图内的像素来确定。另外,联合直方图有时只绘制来自造影图像的一个或多个被分段的区域的像素。在一个例子中,联合直方图也可以只绘制位于被分段的冠状动脉的周围的区域内的像素。
在图5的实施方式中,作为分段功能52,根据联合直方图自动地确定颜色模型107,但并不限定于此。作为分段功能52,也可以加载已知的颜色模型,而不根据处理对象图像来确定颜色模型。
另外,颜色模型107在图5的处理之前确定。例如,颜色模型107也可以使用来自与在图5的处理中被摄像的患者不同的1个或多个患者的数据来确定。预先通过由一个患者或多个患者构成的组确定的颜色模型107在来自更多的患者的数据的视觉化中被使用。
另外,最初的颜色模型通过使用联合直方图分析,有时适合讨论中的扫描。聚类分析(例如,适合k平均和期望值最大化的高斯型混合模型)有时用于找出造影棘状突起的位置和范围,实施红黄梯度的定位。
使用颜色模型着色后的绘制图像108被显示在显示器36上。另外,用户能够控制视觉化的方式。例如,用户能够控制对绘制图像108分配的颜色以及光学特性中的至少一个的一部分或全部的贡献。具体而言,用户能够控制在图像内显示红色、黄色、品红色、以及绿色的范围。在若干状况下,用户为了能够观察下方的灰度值,有时希望将这些颜色完全除去。另外,如果除去红色、黄色、品红色、以及绿色,则会导致用户观察所使用的、以往的差分图像。用户能够控制灰度映射,以使得位于下方的图像在非造影CT扫描与造影CT扫描之间产生衰减。
用户通过任意的合适的方法,例如,通过使用滑动条、选择预置、或在缩略图间进行选择,从而能够控制视觉化。在几个实施方式中,滑动条用于控制适用于图像的颜色的等级(例如,绿色、黄色、红色、以及品红色)。滑动条能够控制颜色的叠加的重要度。例如,用户能够移动滑动条,减少图像内的颜色的量。另外,用户能够独立地控制各颜色的等级。例如,当用户特别关心发现位置偏移时,用户有时能够提高图像的绿色的区域的亮度。
被绘制的图像内的灰度映射有时表示非造影图像、造影图像、或非造影图像与造影图像的合成。另外,滑动条也可以用于控制灰度映射。在滑动条的一端,颜色叠加于非造影图像。在滑动条的另一端,颜色叠加于造影图像。在滑动条的中央,颜色叠加于使用造影和非造影的合成的图像(例如,使用差分值的图像)。由此,用户能够控制第1像素值和第2像素值相对于绘制图像108的相对的贡献。
使用由颜色模型确定的颜色的视觉化能够提供比以往的灰度差分图像直观的解释。还能够观察到钙,也能够容易地从造影血管区域区别出。在几个困难的案例中,颜色的视觉化有时比以往的灰度差分图像易于读取。与读取灰度差分图像相比,能够快速习得读取被着色的视觉化。被着色的视觉化有时在观察慢性闭塞时使用。在若干状况下,冠状动脉疾病使用被着色的视觉化更易于诊断。
图5的方法能够提供保存双方的通道(造影和非造影),从而,保存比通常的减影图像多的信息的视觉化。通过不使用标量的视觉化而使用多通道的视觉化,从而用户能够识别不确定对位的位置。图5的方法与管腔相比,能够使晕斑视觉化。
另外,也可以提供一种对造影血管进行视觉化的方法,该方法包含:对位引擎,生成来自单一的样式的两个图像集合用的共用的基准***;绘制引擎,对双方的数据集合内的对应的点进行采样生成数据值的对,使用数据值的对来对颜色模型进行检索生成处理后的数据值,并使用在生成显示用图像期间被处理的数据值。
两个图像集合中的第1数据集合是造影图像。两个图像中的第2数据集合是非造影图像。绘制引擎输出二维切片观察器、MPR薄块、弯曲薄块、IP、或SVR中的一个。
颜色模型设为联合直方图内的被识别出的聚类被不同地着色。识别出的聚类表示造影血管区域、晕斑伪影、以及对位的不准确性。
颜色模型被设置成表示非造影CT扫描、造影CT扫描、或非造影CT扫描与造影CT扫描的双方被加权后的混合的被窗位化的视图。另外,也可以在合成非造影图像和造影图像时使用二维颜色模型,在独立地显示非造影图像和造影图像时使用一维颜色模型。
联合直方图内的分布的确定(例如,参照图5在以上叙述的管腔区域、非强调区域、晕斑区域以及位置偏移区域的分布的确定)如在此记载的几个实施方式那样,除了在绘制中使用之外,或者作为代替,有时作为向血管分段处理的输入来使用。
图4的***构成为实施在图11中作为概述而示出的一系列的步骤。更详细地,在图12中揭示表示一实施方式的流程图。
图11以及图12分别是表示根据直方图对组织进行分类,还实施钙的其他的分类的过程的流程图。然而,在其他的实施方式中,所有的组织根据直方图来分类,不实施其他的钙的分类。
在图11的步骤210中,接收电路44接收非造影图像100和造影图像101。在本实施方式中,非造影图像100由患者的冠状动脉的钙化积分扫描来取得,造影图像101是由患者的冠状动脉的CCTA扫描而取得的造影图像。
另外,也可以使用任意的非造影图像和造影图像。另外,通过接收电路44接收到的图像数据也可以是来自DCE扫描的图像数据,例如,也可以在肝脏DCE扫描中表示肝脏血管的图像数据。接收电路44将非造影图像100和造影图像101移交给处理电路45。
在步骤220中,处理电路45将非造影图像100与造影图像101对位。有时使用任意的合适的对位方法。在本实施方式中,处理电路45实施非刚性配准步骤和刚性配准步骤的组合。在本实施方式中使用的对位方法记载在Razeto,M.、Mohr,B.、Arakita,K.、Schuijf,J.D.、Fuchs,A.、Kuhl,J.T.、Chen,M.Y.、以及Kofoed,K.F.、“Accurate,fully-automatedregistration of coronary arteries for volumetric CT digital subtractionangiography”、Proc.SPIE9034,90343F-90343F-7(2014)中。
在步骤230中,处理电路45对非造影图像内的钙区域和晕斑区域进行分类。非造影图像内的像素被分为两类。第1类表示钙区域或晕斑区域的任一个。像素第2类不表示钙区域或晕斑区域的任一个。另外,非造影图像内的像素也可以分为表示钙区域的类、表示晕斑区域的类、不表示钙区域和晕斑区域的类这样的三类。
在步骤240中,处理电路45如参照图6叙述的那样,生成联合直方图。
在步骤250中,处理电路45使用联合直方图,实施像素向管腔区域、管壁区域、晕斑区域、以及位置偏移区域的自动分类。使用联合直方图内的任意的合适的分类方法。
在步骤260中,处理电路45使用来自步骤230的钙区域以及晕斑区域的分类、来自步骤250的管腔区域、管壁区域、晕斑区域、以及位置偏移区域的分类,对血管进行分段。
步骤230至260具备与美国专利申请第14/099092号所记载的过程相同或同样的分类处理和分段处理。
图12是表示本实施方式所涉及的图像处理装置的处理的步骤的、更详细的流程图。
在步骤310中,接收电路44接收非造影图像和造影图像,在步骤320中,作为对位功能48,处理电路45将非造影图像和造影图像对位。处理电路45使用对位生成被对位的非造影图像103。
在步骤322中,处理电路45使用有效的活性轮廓算法,对造影图像101内的血管概略地分段。概略的分段用于除去表示不是对象的材料的像素,例如,用于除去表示空气或骨的像素。通过概略的分段,能够将血管壁与其他的软组织进行区别。
另外,为了实施概略的分段,也可以使用任意的分段方法。概略的分段技术包含作为血管追踪的任意的合适的方法,即,血管追踪方法。另外,也可以不实施概略的分段。
通过概略的分段,推定出造影图像内的哪一像素是血管的一部分。该推定有时不准确,包含血管的周围的某些软组织。处理电路45输出包含血管的概略的分段的一部分的造影图像内的像素。
在步骤323中,处理电路45识别与通过概略的分段确定的造影图像101内的像素对应的、被对位的非造影图像103内的像素。
处理电路45对概略的分段应用形态学扩张(在本实施方式中,2倍的扩张)。处理电路45识别被对位的非造影图像103的像素。在扩张后,非造影图像100内的像素是用于实施钙区域和晕斑区域的分类的像素。
另外,也可以使用不同的形态学扩张,也可以不使用形态学扩张。
在步骤330中,处理电路45实施非造影图像100内的钙区域与晕斑区域的分类。步骤330的分类包含图12的步骤332至336。在本实施方式中,分类方法是无监督分类方法,但并不限定于此。也可以不管有无监督,而使用任意的合适的分类方法。
在步骤332中,处理电路45使用由步骤323的形态学扩张而确定的像素。处理电路45根据不表示钙区域也不表示晕斑区域的像素,来确定用于分割钙区域与晕斑区域的像素的像素阈值。在本实施方式中,通过使用贝叶斯信息标准(BIC)技术,确定为不同的候补的阈值的任一个来找出阈值。另外,也可以使用不同的方式的信息标准,也可以使用确定阈值的任意的其他的合适的方法。
首先,处理电路45确定候补的阈值。例如,识别通过步骤323的形态学扩张而确定的像素的像素值的像素最大值和最小值,确定不同的多个候补的阈值。各候补的阈值被设定为比最小像素值大,比最大像素值小的值。
接着,处理电路45规定模型的有限的集合。各模型使用候补的阈值中的不同的阈值,划分来自步骤323的像素。合适的分布、例如高斯分布适合两个划分的各个中的数据。处理电路45按照每个模型,作为阈值的函数,对两个划分或子组计算BIC。由此,处理电路45针对模型的有限的集合的各个,取得BIC测量值。处理电路45生成BIC测量值相对于阈值的曲线图。阈值作为从其他的像素中将钙区域和晕斑区域的像素最优地分割出的模型,处理电路45选择与BIC测量值曲线图的最大值对应的模型。作为在钙区域与晕斑区域的分类的进一步的步骤中使用的阈值,处理电路45设定与BIC测量值曲线图的最大值对应的候补的阈值。
在步骤333中,处理电路45将来自步骤332的阈值应用于非造影图像,识别阈值之上的来自步骤323的像素内的像素。处理电路45能够将识别出的像素标记为钙区域或晕斑区域的像素,或者通过根据情况进行标记。在本实施方式中,处理电路45规定被识别为钙区域或晕斑区域的像素的集合。
在步骤334中,处理电路45使用连结成分分析,识别造影图像内的各个区域,各个区域是各个钙沉积以及晕斑中的至少一个区域。各区域具备多个连结像素。连结成分分析处理被应用于识别为代表钙区域或代表晕斑区域的像素。连结成分分析将连结像素间的聚类的各个识别为不同的区域。为了识别连结像素的区域,有时使用任意的合适的连结成分分析处理。
通过连结成分分析,在来自由步骤223识别出的非造影图像的像素内,实现识别出独立的钙区域或晕斑区域的集合。
在步骤335中,处理电路45将每个钙区域的像素分布使用k平均以及期望值最大化(EM)中的至少一个与高斯型进行拟合。k平均算法在“Some methods for classificationand analysis of multivariate observations”(Proceedings of the Fifth Symposiumon Math,Statistics,and Probability,pages 281-297,University of CaliforniaPress,1967)中的JB McQueen、和“Some extension of the k-means algorithm forimage segmentation and pattern recognition”(A1Memo 1390,MassachusettsInstitute of Technology,Cambridge,MA,1993)中由J Marroquin以及F Girosi进行叙述。期望值最大化(EM)算法在“The expectation-maximization algorithm”(SignalProcessing Magazine,IEEE,vol.13,pages 47-60,November 1996)中由TK Moon进行了叙述。
另外,使用任意的合适的函数,并不限定于此。各像素分布不与高斯型拟合,而与代替的分布拟合。
在步骤336中,处理电路45对非造影图像内的每个像素,根据合适的分布,规定像素表示钙区域或晕斑区域的似然性。由此,结束步骤330(被对位的非造影图像103内的钙区域与晕斑区域的分类)。
步骤337在步骤330前后执行,或与其同时执行。在步骤337中,处理电路45使用由图12的步骤323的形态学扩张而确定的像素。处理电路45采用作为步骤322的概略的分段的扩张的、由步骤323的形态学扩张而确定的像素。处理电路45将由像素表示的血管分割为沿着血管的长度的多个段。图13表示通过具备血管壁142和血管腔144的被摄像的血管140的一部分的概略剖面。血管被分割为由虚线表示的多个相邻段146。
在图12的步骤338中,处理电路45将血管区域分类为相互相邻的多个段。例如,在图13中,五个段的各个稍微重复。在步骤339中,处理电路45将高斯核150应用于各血管区域,生成加权后的像素的集合。
在步骤340中,处理电路45以各血管区域为对象,根据非造影图像和造影图像来生成像素联合直方图。联合直方图与图6的联合直方图相同,因此省略联合直方图生成的说明。
在步骤350中,处理电路45确定作为四个分布区域的、即,管腔区域、管壁区域、晕斑区域、以及位置偏移区域的各个的平均、方差、以及加权。管腔区域、管壁区域、晕斑区域、以及位置偏移区域的分布如参照图6叙述的那样被描绘出。假定各组织类型(或晕斑或位置偏移)具有联合直方图内的二维高斯分布。在本实施方式中,k平均算法为了确定四个高斯分布的所有的平均、方差、以及加权,与期望值最大化算法协作来使用。由此,确定针对联合直方图内的点的各个对应的聚类的位置和范围。另外,为了确定针对各分布的平均、方差、以及加权,也可以使用任意的合适的方法。有时分布不是高斯型。确定多于或少于四个的分布,分布表示各种组织类型以及伪影中的至少一个。
在本实施方式中,处理电路45使用该血管区域用的联合直方图,针对规定的血管区域内的血管腔以及血管壁的高斯分布,确定平均、方差、以及加权。管腔区域和管壁区域的分类在各血管区域内独立地实施。然而,当是位置偏移区域以及晕斑区域时,有时在特定的血管区域内,统计数据不足以使高斯分布拟合。因此,针对位置偏移区域以及晕斑区域的分布与具备血管树整体用的像素的联合直方图拟合。另外,当是血管核区域时,统计数据足够与血管腔以及血管壁拟合,但有时在血管核区域内不足以与位置偏移或晕斑拟合。从而,在这样的情况下,在本实施方式中,晕斑以及位置偏移能够使用血管树整体来广泛地拟合。
另外,晕斑区域或位置偏移区域使用作为来自被分类的管腔区域以及管壁区域中的至少一个分布的偏移的、直方图的固定区域来识别。例如,针对规定的血管核区域的联合直方图内的晕斑区域的分布由于通过将固定尺寸的分布定位在距离管腔分布的中心规定的距离来确定,管腔分布通过与血管核区域用的联合直方图拟合来确定。
在步骤352中,处理电路45根据计算出的血管区域的各个的似然性(或概率),对各像素分配针对管腔区域、管壁区域、晕斑区域、以及位置偏移区域的各个的似然性(或概率)。
在本实施方式中,处理电路45按照步骤250的似然性,对每个像素,规定像素表示管腔区域的似然性、像素表示管壁区域的似然性、像素表示晕斑区域的似然性、以及像素表示位置偏移区域的似然性。从而,作为分段功能52,构筑具有非造影图像内的像素I和造影图像内的像素J的规定的像素是规定的组织类型(或晕斑或位置偏移)的像素的似然性。
在步骤360中,处理电路45使用针对在步骤336中取得的钙区域或晕斑区域的似然性或概率和针对在步骤352中取得的管腔区域、管壁区域、晕斑区域、以及位置偏移区域的分类。
如果对管腔区域、钙区域、以及晕斑区域之间进行区别,则能够对晕斑类进行特别的处置(例如,加权或模型化)。有时由晕斑进行几个追加的诊断。例如,晕斑数据有时在物理模型中、或在使用机械学习技术从数据习得的模型中使用。这样的模型有时有助于将钙化沉积和管腔分离,有时能够进行更准确的分段、或准确的计算的推定,有时能够更准确地推定狭窄的程度。
图10表示存在钙区域和晕斑区域的非造影图像。如果使用联合直方图将管腔区域和晕斑区域分离,则能够将血管外部的晕斑(例如,图10的区域90)与朝向管腔内的晕斑区域(例如,图10的区域92)进行区别。
如果像素被分配了似然性或概率,则这些似然性或概率用于根据具备像素数据的数据集合对各特定的类型的像素进行分段。在本实施方式中,各类型的像素被分段的数据集合是根据被对位的非造影图像103和造影图像101的双方,编入图像数据的、合成后的数据集合。
在本实施方式中,像素被分段的数据集合具备所有来自被对位的非造影图像103以及造影图像101的像素。分段使用来自全部数据集合的数据,并不限定于概略的分段。在其他的实施方式中,像素被分段的数据只具备在图12的步骤222中被概略地分段的像素、或任意的其他的合适的像素。
管腔的分段使用等级设定方法来实施。管腔分段用的等级设定技术在Mohr B、Masood S、Plakas C、2012、“Accurate lumen segmentation and stenosis detectionand quantification in coronary CTA”、Proc.of MICCAI Workshop“3D CardiovascularImaging:a MICCAI Segmentation Challenge”进行了叙述。所有的分类(来自联合直方图的管腔区域、管壁区域、位置偏移区域、以及晕斑区域、和来自非造影图像的钙区域以及晕斑区域)用于对驱动等级设定的速度函数加权。速度函数使用所有的被确定的似然性。从而,速度函数根据所取得的分类来确定。
等级设定解决实现分段。等级设定处理将各个像素分配给组织类型(或位置偏移或晕斑)。在分段功能52中,处理电路45提取分配给血管腔的像素。
处理电路45根据位置偏移区域的分类,确定分段用的推定可靠等级。可以说当多个像素被分类为位置偏移类时,推定可靠等级低,当只有少数的像素被分类为位置偏移类时,推定可靠等级高。
根据位置偏移的分类,有时能够将推定可靠性应用于分段。有时通过识别位置偏移,来防止异常的分段。
在代替的实施方式中,在步骤60中,有时使用任意的合适的分段方法,例如,使用活性轮廓方法。
分段的结果被显示给用户。分段的结果被提供给任意的合适的进一步的过程。
在本实施方式中,图12的处理的步骤322至360记载单一的血管的分段。也可以针对图像数据内的其他的血管重复图12的处理的步骤322至360。
如果改善分段的准确性和安全性,则有时会增加临床的可靠性。如果改善自动分段的准确性和安全性,则安全的自动微分技术例如有时能够对狭窄进行检测以及进行量化处理。
如果使用二维分布(例如,联合直方图),则识别比使用一维分布而识别的多的类。在本实施方式中,由于使用二维,因此,在联合直方图中,晕斑区域从管腔区域分离。如果使用联合直方图,识别管腔区域、管壁区域、位置偏移区域、以及晕斑区域,则比使用一维分布(不识别位置偏移区域和晕斑区域)来将管腔区域和管壁区域分离时更能实现良好的管腔区域与管壁区域的分离。
另外,提供一种使用非造影图像和造影图像的双方对血管进行分段的方法,方法包含根据被对位的非造影图像以及造影图像来构筑二维联合直方图的步骤、和使用二维联合直方图对管腔区域、管壁区域、晕斑区域、以及位置偏移区域进行分类的步骤。
另外,实施概略的血管的分段。组织的分类被限制为概略的血管的分段。概略的分段被分割为基于核的(重叠的区域)区域。管腔区域和管壁区域的分类通过使用无监督学习技术使分布进行拟合,从而在各区域内独立地实施。
有时假定分布为高斯型。无监督学***均以及期望值最大化中的至少一个。
分段使用具有平衡组织分类似然性分布的速度函数的等级设定来实施。有时没有对晕斑类应用特定的处置(例如,追加的模型化、加权等)。位置偏移的分类有益于分段的推定可靠性。当有益于管腔信号以及其他信号时,晕斑被单独地分类。晕斑、位置偏移等使用来自被分类的管腔·壁的分布的固定区域偏移来识别(假定)。
在上述中,实施方式关于CT数据的绘制或分段进行了叙述,但并不限定于此。用于对任意的合适的类型的医用图像数据,例如,对X射线数据、MRI数据、PET数据、或SPECT数据进行绘制或分段。医用图像数据包含兽医学的图像数据。实施方式对来自非造影图像以及差分图像的数据进行了记载,但也可以使用各种特征被分类的任意的图像类型。医用图像数据涉及身体的任意的部分。
在上述的实施方式中,设联合直方图是由第1医用图像的像素值和第2医用图像的像素值规定的二维分布。然而,本实施方式并不限定于此。即,本实施方式所涉及的联合直方图也可以具有3以上的次元。
图4的装置构成为实施图5的视觉化方法和图12的分段方法的双方,在其他的实施方式中,装置有时构成为实施图12的方法,不实施图5的方法(例如,有时将绘制功能50从处理电路45中除去)。
(总结)
如上述说明的那样,本实施方式所涉及的图像处理装置30至少具有存储器40和处理电路45。存储器40存储与在不同的时刻被摄影的同一摄影部位相关的第1医用图像和第2医用图像。处理电路45生成表示同一坐标中的第1医用图像的像素值与第2医用图像的像素值的组合的频度的数值数据。并且,处理电路45利用所生成的数值数据,将第2医用图像划分为多个图像区域。
根据上述结构,例如,通过使用表示同一坐标中的第1医用图像的像素值与第2医用图像的像素值的组合的频度的数值数据,从而能够自动且准确地对图像内的血管腔区域、血管壁区域、钙质沉积区域、晕斑区域、支架区域等进行分段。
这样,能够提供可以提高分段的精度的图像处理装置和该图像处理装置所使用的图像处理方法以及图像处理程序。
在本说明书中记载了特定的单元,但在代替的实施方式中,这些单元中的一个或多个功能由单一的单元、处理源、或其他的构成要素来提供,或者由单一的单元提供的功能由组合后的两个以上的单元来提供。对单一的单元参照不管那样的构成要素是否相互分离,都包含提供该单元的功能的多个构成要素,对多个单元的参照包含提供这些单元的功能的单一的构成要素。
虽然说明了本发明的几个实施方式,但这些实施方式是作为例子而提示的,并不意图限定本发明的范围。这些实施方式能够以其他的各种方式进行实施,在不脱离发明的要旨的范围内,能够进行各种的省略、置换、变更。这些实施方式或其变形与包含于发明的范围或要旨中一样,包含于权利要求书记载的发明及其均等的范围中。
尽管描述了本发明的特定的实施例,这些实施例仅是通过举例的方式呈现的,并不试图限制本发明的范围。实际上这里描述的新颖的方法和***可以通过各种其他形式体现。此外,在不脱离本发明精神的情况下,可以对这里描述的方法和***的形式进行各种省略、替换和改变。所附的权利要求及其等效物试图覆盖将落入本发明的范围和精神内的这种形式和修改。
Claims (15)
1.一种图像处理装置,其特征在于包括:
存储部,存储与在不同的时刻被摄影到的同一摄影部位相关的第1医用图像和第2医用图像;
生成部,针对所述摄影部位的区域处的多个点的各个点,生成表示所述第1医用图像的像素值与所述第2医用图像的像素值的组合的频度的数值数据;以及
分段部,利用所生成的所述数值数据,将所述第2医用图像划分为多个图像区域,
所述分段部根据针对所述摄影部位的区域处的多个点的各个点的数值数据的分布,决定包含位置偏移区域的多个图像区域,所述位置偏移区域包括针对比所述第1医用图像的像素值小的所述第2医用图像的像素值的点。
2.根据权利要求1所述的图像处理装置,其特征在于还包括:
对位部,将所述第1医用图像相对于所述第2医用图像对位。
3.根据权利要求2所述的图像处理装置,其特征在于:作为所述数值数据,所述生成部生成联合直方图,该联合直方图在以所述对位后的第1医用图像的像素值和所述第2医用图像的像素值为两轴的二维正交坐标系中,在视觉上表现所述对位后的第1医用图像的像素值与所述第2医用图像的像素值的组合的频度,
所述分段部利用所述联合直方图,将所述第2医用图像划分为多个图像区域。
4.根据权利要求1所述的图像处理装置,其特征在于:所述分段部将所述第2医用图像划分为伪影区域和非伪影区域。
5.根据权利要求4所述的图像处理装置,其特征在于:所述分段部按照与各区域对应的似然性来划分所述伪影区域和所述非伪影区域。
6.根据权利要求4所述的图像处理装置,其特征在于:所述分段部作为所述伪影区域划分为所述位置偏移区域和晕斑区域,作为所述非伪影区域划分为造影区域和非造影区域。
7.根据权利要求6所述的图像处理装置,其特征在于:所述造影区域是管腔区域,所述非造影区域是管壁区域。
8.根据权利要求1所述的图像处理装置,其特征在于:所述第1医用图像是造影前图像,所述第2医用图像是造影后图像。
9.根据权利要求1所述的图像处理装置,其特征在于:所述第1医用图像是术前图像,所述第2医用图像是术后图像。
10.根据权利要求1所述的图像处理装置,其特征在于还包括:
图像生成部,根据所述第2医用图像,生成能够在视觉上识别所划分出的所述多个图像区域的绘制图像。
11.根据权利要求10所述的图像处理装置,其特征在于:所述图像生成部对所划分出的所述多个图像区域中的至少一个区域,分配颜色和光学特性中的至少一个。
12.根据权利要求11所述的图像处理装置,其特征在于:所述图像生成部根据所划分出的所述多个区域的位置以及范围,确定分配所述颜色和所述光学特性中的至少一个的位置以及范围。
13.根据权利要求12所述的图像处理装置,其特征在于:所述图像生成部使用用于分配所述颜色以及光学特性中的至少一个的模型,确定对所划分出的所述多个图像区域分配所述颜色和所述光学特性中的至少一个的位置以及范围。
14.根据权利要求12所述的图像处理装置,其特征在于:所述图像生成部使用与针对对应于各区域的每个似然性而设定的所述颜色以及光学特性中的至少一个相关的表,确定对所划分出的所述多个图像区域分配所述颜色和所述光学特性中的至少一个的位置以及范围。
15.一种图像处理方法,其特征在于包括:
生成表示与在不同的时刻被摄影到的同一摄影部位的区域处的多个点的各个点相关的第1医用图像的像素值与第2医用图像的像素值的组合的频度的数值数据,
利用所生成的所述数值数据,将所述第2医用图像划分为多个图像区域,
在划分为所述多个图像区域的过程中,根据针对所述摄影部位的区域处的多个点的各个点的数值数据的分布,决定包含位置偏移区域的多个图像区域,所述位置偏移区域包括针对比所述第1医用图像的像素值小的所述第2医用图像的像素值的点。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/576,329 US9697603B2 (en) | 2014-12-19 | 2014-12-19 | Medical image data processing system and method for vessel segmentation using pre- and post-contrast data |
US14/576,329 | 2014-12-19 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105719324A CN105719324A (zh) | 2016-06-29 |
CN105719324B true CN105719324B (zh) | 2019-01-08 |
Family
ID=54849545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510902681.5A Active CN105719324B (zh) | 2014-12-19 | 2015-12-09 | 图像处理装置以及图像处理方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US9697603B2 (zh) |
EP (1) | EP3035287B1 (zh) |
JP (1) | JP6877868B2 (zh) |
CN (1) | CN105719324B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9962086B2 (en) * | 2015-03-31 | 2018-05-08 | Toshiba Medical Systems Corporation | Medical image data processing apparatus and method for determining the presence of an abnormality |
EP3142069B1 (en) * | 2015-09-10 | 2020-05-13 | Agfa HealthCare | Method, apparatus and system for analyzing medical images of blood vessels |
US10546414B2 (en) * | 2016-02-16 | 2020-01-28 | Siemens Healthcare Gmbh | Fast window-leveling of volumetric ray tracing |
JP6595729B2 (ja) * | 2016-06-29 | 2019-10-23 | コーニンクレッカ フィリップス エヌ ヴェ | 医療画像における変化検出 |
US10726608B2 (en) * | 2016-11-23 | 2020-07-28 | 3D Systems, Inc. | System and method for real-time rendering of complex data |
JP7159160B2 (ja) * | 2016-12-15 | 2022-10-24 | コーニンクレッカ フィリップス エヌ ヴェ | 血管構造の可視化 |
US11317886B2 (en) * | 2017-01-25 | 2022-05-03 | Canon Medical Systems Corporation | X-ray CT apparatus and imaging management apparatus |
US11793478B2 (en) * | 2017-03-28 | 2023-10-24 | Canon Medical Systems Corporation | Medical image processing apparatus, medical image processing method, and X-ray diagnostic apparatus |
RU178086U1 (ru) * | 2017-07-10 | 2018-03-22 | Светлана Георгиевна Горохова | Автоматизированное устройство для диагностики заболеваний сердца |
US10997715B2 (en) * | 2017-07-25 | 2021-05-04 | Cerehealth Corporation | System and method for implementing a medical imaging composite average and clustering technique |
WO2019087674A1 (ja) * | 2017-10-31 | 2019-05-09 | 富士フイルム株式会社 | ずれ検出装置、方法およびプログラム |
US10639105B2 (en) | 2017-11-29 | 2020-05-05 | Canon Medical Systems Corporation | Navigation apparatus and method |
KR20190103816A (ko) * | 2018-02-28 | 2019-09-05 | 삼성전자주식회사 | 컴퓨터 단층 촬영 영상을 보정하는 방법 및 장치 |
US10799183B2 (en) * | 2018-11-07 | 2020-10-13 | General Electric Company | Methods and systems for whole body imaging |
CN111612792B (zh) * | 2019-02-22 | 2024-03-08 | 曹生 | 基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品 |
US20200288965A1 (en) * | 2019-03-11 | 2020-09-17 | Spring Biomed Vision Ltd. | System and method for enhanced imaging of biological tissue |
US11030742B2 (en) * | 2019-03-29 | 2021-06-08 | GE Precision Healthcare LLC | Systems and methods to facilitate review of liver tumor cases |
CN112070878B (zh) * | 2019-06-10 | 2022-02-25 | 中国医学科学院阜外医院 | 心室三维模型生成方法、装置及电子设备 |
CN110533639B (zh) * | 2019-08-02 | 2022-04-15 | 杭州依图医疗技术有限公司 | 一种关键点定位方法及装置 |
US11200976B2 (en) * | 2019-08-23 | 2021-12-14 | Canon Medical Systems Corporation | Tracking method and apparatus |
CN111915673B (zh) * | 2020-07-22 | 2022-01-11 | 深圳云天励飞技术股份有限公司 | 图像处理方法、装置、终端设备及存储介质 |
EP4066741A4 (en) * | 2021-02-01 | 2023-12-20 | Claripi Inc. | DEEP LEARNING-BASED APPARATUS AND METHOD FOR CONTRAST AMPLIFICATION OF CONTRAST-ENHANCED CT IMAGE |
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 |
CN113240699B (zh) * | 2021-05-20 | 2022-02-08 | 推想医疗科技股份有限公司 | 图像处理方法及装置,模型的训练方法及装置,电子设备 |
US20230237648A1 (en) * | 2022-01-27 | 2023-07-27 | Siemens Healthcare Gmbh | Coronary lumen and reference wall segmentation for automatic assessment of coronary artery disease |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2120208A1 (en) * | 2008-05-13 | 2009-11-18 | IBBT vzw | Method and system for lesion segmentation |
CN103202705A (zh) * | 2012-01-12 | 2013-07-17 | 株式会社东芝 | 医用图像处理装置及医用图像处理方法 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3167363B2 (ja) * | 1991-08-29 | 2001-05-21 | 株式会社東芝 | 関心領域設定方法及び画像処理装置 |
JPH10145676A (ja) * | 1996-11-05 | 1998-05-29 | Hitachi Medical Corp | デジタル血管撮像装置 |
US5832134A (en) | 1996-11-27 | 1998-11-03 | General Electric Company | Data visualization enhancement through removal of dominating structures |
JP3486615B2 (ja) | 2001-05-22 | 2004-01-13 | 畦元 将吾 | 医療用画像の領域抽出方法 |
JP4122463B2 (ja) | 2002-07-26 | 2008-07-23 | 将吾 畦元 | 医療用可視画像の生成方法 |
US6922462B2 (en) * | 2002-07-31 | 2005-07-26 | Ge Medical Systems Global Technology Company, Llc | Method, system and computer product for plaque characterization |
JP4356831B2 (ja) * | 2003-08-28 | 2009-11-04 | 株式会社Aze | 複数画像間の非剛体レジストレーション方法 |
EP3239924B1 (en) | 2004-11-29 | 2020-03-25 | Koninklijke Philips N.V. | Multi-component vessel segmentation |
DE102005049586A1 (de) * | 2005-10-17 | 2007-04-26 | Siemens Ag | Verfahren zur Erzeugung von CT-Darstellungen in der Röntgen-Computertomographie |
JP2007151965A (ja) * | 2005-12-07 | 2007-06-21 | Toshiba Corp | 医用画像処理装置、医用画像処理プログラム、及び医用画像処理方法 |
DE102005059209B4 (de) | 2005-12-12 | 2010-11-25 | Siemens Ag | Verfahren und Vorrichtung zur Visualisierung einer Folge von tomographischen Bilddatensätzen |
DE102006046285A1 (de) | 2006-09-29 | 2009-04-23 | Siemens Ag | Verfahren zur Gefäßhervorhebung und Segmentierung in 3D Volumendaten |
WO2008084413A2 (en) * | 2007-01-08 | 2008-07-17 | Koninklijke Philips Electronics N.V. | Imaging system for imaging a region of interest comprising a moving object |
JP5591440B2 (ja) | 2007-01-17 | 2014-09-17 | 株式会社東芝 | 医用画像表示装置 |
US8335359B2 (en) * | 2007-07-20 | 2012-12-18 | General Electric Company | Systems, apparatus and processes for automated medical image segmentation |
EP2206091A2 (en) | 2007-09-26 | 2010-07-14 | Koninklijke Philips Electronics N.V. | Visualization of anatomical data |
EP2144199B1 (en) * | 2008-07-11 | 2018-12-26 | Agfa HealthCare NV | Method and apparatus for multimodal visualization of volume data sets |
JP5537266B2 (ja) * | 2010-06-02 | 2014-07-02 | 富士フイルム株式会社 | エネルギーサブトラクション処理装置および方法ならびにプログラム |
US8985878B2 (en) | 2011-10-17 | 2015-03-24 | The Alba Group, Ltd. | System for camera stabilization |
US8958618B2 (en) * | 2012-06-28 | 2015-02-17 | Kabushiki Kaisha Toshiba | Method and system for identification of calcification in imaged blood vessels |
US9430827B2 (en) * | 2013-05-31 | 2016-08-30 | Siemens Aktiengesellschaft | Segmentation of a calcified blood vessel |
US9406141B2 (en) * | 2013-05-31 | 2016-08-02 | Siemens Aktiengesellschaft | Segmentation of a structure |
US9311570B2 (en) * | 2013-12-06 | 2016-04-12 | Kabushiki Kaisha Toshiba | Method of, and apparatus for, segmentation of structures in medical images |
-
2014
- 2014-12-19 US US14/576,329 patent/US9697603B2/en active Active
-
2015
- 2015-10-21 JP JP2015207021A patent/JP6877868B2/ja active Active
- 2015-12-09 CN CN201510902681.5A patent/CN105719324B/zh active Active
- 2015-12-11 EP EP15199571.9A patent/EP3035287B1/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2120208A1 (en) * | 2008-05-13 | 2009-11-18 | IBBT vzw | Method and system for lesion segmentation |
CN103202705A (zh) * | 2012-01-12 | 2013-07-17 | 株式会社东芝 | 医用图像处理装置及医用图像处理方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6877868B2 (ja) | 2021-05-26 |
EP3035287A1 (en) | 2016-06-22 |
US20160180525A1 (en) | 2016-06-23 |
EP3035287B1 (en) | 2019-03-27 |
JP2016116843A (ja) | 2016-06-30 |
CN105719324A (zh) | 2016-06-29 |
US9697603B2 (en) | 2017-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105719324B (zh) | 图像处理装置以及图像处理方法 | |
CN101336844B (zh) | 医用图像处理装置以及医用图像诊断装置 | |
US10347033B2 (en) | Three-dimensional image display apparatus, method, and program | |
US8675944B2 (en) | Method of registering image data | |
US9495794B2 (en) | Three-dimensional image display apparatus, method, and program | |
US8497862B2 (en) | Method and apparatus for processing three dimensional images, and recording medium having a program for processing three dimensional images recorded therein | |
US7899516B2 (en) | Method and apparatus for determining the risk of rupture of a blood vessel using the contiguous element defined area | |
EP2157905B1 (en) | A method for tracking 3d anatomical and pathological changes in tubular-shaped anatomical structures | |
CN107405126B (zh) | 检索成对的医学图像的对应结构 | |
JP5591440B2 (ja) | 医用画像表示装置 | |
US20110054295A1 (en) | Medical image diagnostic apparatus and method using a liver function angiographic image, and computer readable recording medium on which is recorded a program therefor | |
EP2120208A1 (en) | Method and system for lesion segmentation | |
CN104622495A (zh) | 医用图像处理装置以及医用图像处理方法 | |
US20070276214A1 (en) | Systems and Methods for Automated Segmentation, Visualization and Analysis of Medical Images | |
JP5295562B2 (ja) | フレキシブル3次元回転血管造影−コンピュータ断層撮影融合方法 | |
CN102802534B (zh) | 医用图像转换设备、方法和程序 | |
US10796481B2 (en) | Visualization of lung fissures in medical imaging | |
US9129391B2 (en) | Semi-automated preoperative resection planning | |
US20080117210A1 (en) | Virtual endoscopy | |
CN107945169A (zh) | 一种冠状动脉影像分析方法及数据结构 | |
CN1823337B (zh) | 用于检测医学图像中的***的***和方法 | |
JP4807819B2 (ja) | 画像処理装置 | |
US7218767B2 (en) | Method of improving the resolution of a medical nuclear image | |
CN111563877B (zh) | 一种医学影像的生成方法及装置、显示方法及存储介质 | |
WO2008014001A2 (en) | Anatomical visualization and measurement system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C41 | Transfer of patent application or patent right or utility model | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20160718 Address after: Japan Tochigi Applicant after: Toshiba Medical System Co., Ltd. Address before: Tokyo, Japan, Japan Applicant before: Toshiba Corp Applicant before: Toshiba Medical System Co., Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |