CN105793894B - 根据图像数据来进行骨骼分割 - Google Patents

根据图像数据来进行骨骼分割 Download PDF

Info

Publication number
CN105793894B
CN105793894B CN201480066645.3A CN201480066645A CN105793894B CN 105793894 B CN105793894 B CN 105793894B CN 201480066645 A CN201480066645 A CN 201480066645A CN 105793894 B CN105793894 B CN 105793894B
Authority
CN
China
Prior art keywords
image data
bone
voxel
spectral
probability
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
Application number
CN201480066645.3A
Other languages
English (en)
Other versions
CN105793894A (zh
Inventor
L·戈申
A·格林高兹
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 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 NV filed Critical Koninklijke Philips NV
Publication of CN105793894A publication Critical patent/CN105793894A/zh
Application granted granted Critical
Publication of CN105793894B publication Critical patent/CN105793894B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/143—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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本文描述了一种用于在谱图像数据中分割骨骼的方法。所述谱图像数据至少包括对应于第一能量的第一组图像数据和对应于第二不同能量的第二图像数据集。所述方法包括：获得所述谱图像数据。所述方法还包括在谱图像数据中提取针对每个体素的特征集。所述方法还包括针对每个体素基于所述特征集来确定每个体素表示骨骼结构的概率。所述方法还包括基于所述概率从所述谱图像数据中提取骨骼结构。

Description

根据图像数据来进行骨骼分割
技术领域
下文大体涉及图像数据处理，更具体地涉及根据图像数据来进行骨骼分割，并结合计算机断层摄影(CT)的具体应用进行描述。然而，下文还可以适用于其他成像模态。
背景技术
CT扫描器通常包括x射线管，x射线管被安装在跨检查区被定位在探测器阵列对面的可旋转机架上。可旋转机架以及x射线管围绕检查区旋转。x射线管发射贯穿检查区并被探测器阵列探测到的辐射。探测器阵列生成并输出指示探测到的辐射的信号。该信号被重建以生成三维体积图像数据。体积图像数据包括以对应于相对辐射强度的灰度强度值表示的体素。
灰度值反映被扫描对象的衰减特性并示出被扫描对象内的解剖结构。通过材料对光子的吸收取决于贯穿材料的光子的能量，因此探测到的辐射还包括谱信息，其提供表示对象和/或目标的被扫描材料的元素或材料成分(例如原子数)的额外信息。遗憾的是，传统的CT图像数据并不反映谱特性，因为由探测器阵列输出的信号与在能谱上积分的能量通量成比例。
谱CT捕获上述谱特性。一般地，谱CT扫描器可以包括被配置为发射具有不同均值谱的辐射的多个x射线管，被配置为在扫描期间可控制地在至少两个不同发射电压(例如，80kVp和140kVp)之间切换的单个x射线管、单个广谱x射线管、和/或具有能量分辨探测器(例如，具有光子计数探测器、具有不同谱敏感性的至少两组光电二极管等)和鉴别电子器件的能量分辨探测器阵列。
双能量CT利用在两个光子能量处同时采集的两个衰减值来求解包括材料的质量衰减系数的光电贡献和康普顿贡献，并且因此通过其光电贡献和康普顿贡献的值来识别未知的材料。因为两个基函数的任意两个线性无关和跨度整个衰减系数空间，所以能够由两种其他材料(所谓的基本材料，例如水和碘)的线性组合来表示任意材料。
临床应用通常需要在CT图像数据中分割骨骼结构。例如，分割途径可以基于耗时且乏味的半自动化方法，如基于altas的方法，之后通过交互编辑工具来校正结果；或者不需要交互的较快方法，但其精度不够。通常，由于不同的组织(如，骨骼和血管)具有相同强度范围并且紧密空间接近的事实，简单强度或梯度算子不允许精确的且可靠的骨骼分割。
执行有品质的骨骼分割(即使利用谱CT)是非常具挑战性的任务，因为骨骼具有复杂的结构并具有异质材料成分。一个潜在的挑战在于一些骨骼结构具有与身体中的其他结构(例如对比度增强的器官)非常相似的衰减特性和谱特性。另外，谱CT研究遭受进一步加大挑战的固有的过大噪声问题。结果，主要基于谱信息的骨骼分割算法产生差的结果。
发明内容
本文描述的各方面解决了上述问题和其他问题。
下文描述了一种用于谱CT的快速的、自动的且健壮的骨骼分割算法。所述骨骼分割算法包括利用保留潜在对象结构和谱信息的途径来去除谱噪声，随后在数据集中提取针对每个体素的特征集，确定每个体素属于骨骼结构的概率，分割图像数据的骨骼的全局结构，以及任选地在视觉上增强所分割的骨骼结构。
在一个方面中，本文描述了一种用于在谱图像数据中分割骨骼的方法。所述谱图像数据至少包括对应于第一能量的第一图像数据集和对应于第二不同能量的第二图像数据集。所述方法包括获得所述谱图像数据。所述方法还包括在谱图像数据中提取针对每个体素的特征集。所述方法还包括：针对每个体素基于所述特征集来确定每个体素表示骨骼结构的概率。所述方法还包括基于所述概率从所述谱图像数据中提取骨骼结构。
在另一方面中，一种计算***包括：计算机可读存储介质，其存储骨骼分割算法；以及计算机处理器，其运行所述骨骼分割算法，所述骨骼分割算法使所述计算机处理器进行以下各项：基于在谱图像数据中的每个体素表示骨骼结构的概率从所述谱图像数据中提取骨骼结构。
在另一方面中，一种计算机可读存储介质编码有计算机可执行指令。当被处理器执行时，所述计算机可执行指令使所述处理器进行以下各项：获得谱图像数据，其中，所述谱图像数据至少包括对应于第一能量的第一图像数据集和对应于第二不同能量的第二图像数据集；对所述谱图像数据进行降噪，其中，所述特征集是从经降噪的谱图像数据中提取的；在经降噪的谱图像数据中提取针对每个体素的特征集；针对每个体素基于所述特征集来确定每个体素表示骨骼结构的概率；基于所述概率从所述谱图像数据中提取骨骼结构；并且在视觉上细化所提取的骨骼。
附图说明
本发明可以采取各种部件和部件布置、各种步骤和步骤布置的形式。附图仅出于说明优选实施例的目的，而不应解释为限制本发明。
图1示意性示出了与具有骨骼分割算法的计算***相连的示例性成像***。
图2示意性示出了骨骼分割算法的范例。
图3示意性示出了分割算法的谱噪声去除器的范例。
图4示出了用于从图像数据中分割骨骼的示例性方法。
具体实施方式
图1示意性示出了成像***100，例如计算机断层摄影(CT)扫描器。成像***100包括固定机架102和旋转机架104。该旋转机架104可旋转地由固定机架102支撑并在围绕检查区106绕纵向或z轴(“Z”)旋转。
辐射源108(例如，x射线管)可旋转地由旋转机架104支撑并随着旋转机架104一起旋转，并且发射贯穿检查区106的多能量辐射。在图示的实施例中，辐射源108包括单广谱x射线管。在变型中，辐射源108被配置为在扫描期间可控制地在至少两个不同发射电压(例如，80kVp、140kVp等)之间切换。在另一变型中，辐射源108包括两个或更多个x射线管，其被配置为发射具有不同均值谱的辐射。在另一变型中，辐射源108包括以上的组合。
辐射敏感探测器阵列110在角度弧上跨检查区106与辐射源108相对。阵列110包括沿z轴相对于彼此布置的一行或多行探测器，探测贯穿检查区106的辐射并生成指示其的信号。图示的阵列110包括双能量探测器，其具有至少两个具有不同x射线能量敏感度的闪烁体以及至少两个具有对应光敏感度的对应的光电传感器。在2007年10月26日提交的、题目为“Double Decker Detector for Spectral CT”的、序列号为11/912,673的文献中描述了一个范例，通过引用将其并入本文。在变型中，辐射敏感探测器阵列110包括直接转换探测器(例如，CdTe、CdZnTe等)。
重建器112重建由探测器阵列110输出的信号。这可以包括将信号分解为各种能量相关分量。示例性分解方法在2006年12月20日提交的、2007年12月14日提交的、申请序列号PCT/IB2007/055105的文献中有描述，通过引用将其整体并入本文。重建器112重建能量相关分量，生成对应于一个或多个不同能量的一个或多个图像。重建器112还可以将各能量相关分量进行组合以生成非谱图像数据。
诸如卧榻的支撑物113将对象或目标支撑在检查区中。通用计算机用作操作员控制台114。控制台114包括：人类可读输出设备，例如监视器或显示器；以及输入设备，例如键盘和鼠标。驻留在控制台114上的软件允许操作员经由图形用户界面(GUI)或以其他方式与扫描器100进行交互。该交互可以包括选择谱成像协议或非谱成像协议、启动扫描等。
计算***116(例如，计算机)包括输入/输出(I/O)118，其便于与成像***100、(一个或多个)输出设备120(例如显示监视器、胶片等)以及(一个或多个)输入设备122(例如，鼠标、键盘等)进行通信。计算***116还包括至少一个处理器124(例如，中央处理单元或CPU、微处理器等)和计算机可读存储介质126(其包括瞬态介质)，例如物理存储器和/或其他非瞬态存储器。计算机可读存储介质126存储计算机可读指令128和数据130。至少一个处理器124运行计算机可读指令128。至少一个处理器126也可以运行由信号、载波和其他瞬态(即，非计算机可读存储)介质承载的计算机可读指令。
在图示的实施例中，计算机可读指令128至少包括骨骼分割算法132。如后文更详细描述的，骨骼分割算法132包括利用保留潜在对象结构和谱信息的途径从谱图像数据中去除谱噪声，然后在数据集中提取针对每个体素的特征集，确定每个体素属于骨骼结构的概率，分割图像数据的骨骼的全局结构，并任选地在视觉上细化所分割的全局结构。谱图像数据至少包括对应于第一能量的第一图像数据集以及对应于第二不同能量的第二图像数据集。
在图示的实施例中，从成像***100中获得谱图像数据。在变型中，从不同的成像***中获得谱图像数据。在另一变型中，从数据存储库获得谱图像数据，所述数据存储库例如是影像归档和通信***(PACS)、放射信息***(RIS)、医院信息***(HIS)、电子医疗记录(EMR)、数据库、服务器、成像***、计算机和/或其他数据存储库。通过该实施例，利用成像***100、不同的成像***等来生成谱图像数据。可以经由医学数字成像和通信(DICOM)、健康等级7(HL7)和/或其他格式将数据转移到计算***116。
图2示出了骨骼分割算法132的范例。
骨骼分割算法132包括谱噪声去除器202。谱噪声去除器202从图像数据中去除噪声和伪影，同时保留潜在对象结构和谱信息。在图3中示意性示出了谱噪声去除器202。
在图3中，参考结构选择器302选择局部参考数据集。选择局部参考数据集以提供能用于导出潜在局部对象结构的参考数据集。噪声建模器304对所选择的参考数据集进行分析并对其噪声模式进行建模。
噪声去除器306去除噪声。这包括根据参考数据集来估计潜在局部结构。这还包括将所估计的结构传播到目标数据集，并利用其作为用于复原的额外约束。可以将一些被去除的纹理和/或噪声添加回去。这提供了对最终图像外观的控制。谱噪声去除的另一范例描述于2013年2月21日提交的、题目为“STRUCTURE PROPAGATION RESTORATION FOR SPECTRALCT”的、序列号为60/767,300的专利申请中，将其通过引用整体并入本文。
一般而言，在双能量图像数据中，特定能量图像中的每个通常基于对应的非谱常规扫描的辐射剂量的大约一半。另外，对材料分解的估计可以基于在其之间的角度较窄的两个向量之间的投影。这两个因素(即，大噪声和窄角度)的组合在所估计的材料分解中显著放大噪声。噪声去除器306减少该噪声。
返回图2，骨骼分割算法132还包括特征提取器204。特征提取器204在数据集中提取针对每个体素的特征集。所述特征基于在体素周围的局部谱和局部结构/几何结构。所述特征集表征体素并使得能够进行后续分类。
适当的特征的范例包括但不限于：1)较低能量图像数据的亨氏单位(HU)，其中，低能量图像数据可以是较低kVp图像数据或较低keV虚拟单色图像数据；2)较高能量图像数据的HU，其中，较高能量图像数据可以是较高kVp图像数据或较高keV虚拟单色图像数据；3)较低能量图像数据的高斯差分(DOG)；4)较高能量图像数据的DOG，以及“表面粗糙度”度量。
在该范例中，较低能量图像数据和较高能量图像数据对应于双能量扫描中的两个能量。较低能量图像数据的DOG例如表示碘，而较高能量图像数据例如表示钙。DOG可以在图像数据中存在少量碘或钙的情况提供增强。“表面粗糙度”度量例如指示局部结构与表面的结构适配的程度如何。在等式1中示出了用于计算“表面粗糙度”度量的示例性方法：
等式1：
Figure BDA0001010467660000061
其中，|λ1|≥|λ2|≥|λ3|是局部结构张量的特征值。在这个范例中，所述特征集表示特征向量。
骨骼分割算法132还包括体素概率确定器206。体素概率确定器206确定每个体素属于骨骼结构的概率。体素概率确定器206基于所提取的特征(例如，在体素周围的局部谱和局部结构)来确定所述概率。在统一的估计器内对谱和结构/集合属性两者的利用可以增强估计器的性能。
在等式2中示出了确定概率的范例：
等式2：
Figure BDA0001010467660000062
其是多元逻辑回归方法，其确定体素Vi属于骨骼结构的概率，其中，Xi是针对体素Vi的特征向量，X0是具有固定值1的额外解释性伪变量，并且β是逻辑回归的参数向量。
骨骼分割算法132还包括分割其208。分割器208提取图像数据的骨骼的全局结构。在一个实例中，分割器208在体素概率确定器206的结果上应用分割模型。所述模型例如是全局凸分割模型。所述全局凸分割模型可以用于基于快速数值方法来获得可靠的且健壮的结果。
在等式3中示出了适当的分割模型的范例：
等式3：
Figure BDA0001010467660000071
其中，通过优化(例如，在该范例中为最小化)来获得分割s，∫|▽s|表示总变差，λ是控制正规化的强度的参数，p是局部估计器结果，并且其余参数是分割参数。在一个非限制性实例中，c1被设置为数值一(1)，并且c2被设置为数值零(0)。在变型中，c1或c2中的至少一个是不同的值。
其他的适当分割算法描述于Shi等人的“Normalized cuts and imagesegmentation”(Pattern Analysis and Machine Intelligence,IEEE Transactions on22.8(2000)：888-905)，Goldstein等人的“Geometric applications of the splitBregman method:segmentation and surface reconstruction”(Journal of ScientificComputing 45.1-3(2010)：272-293)中，和/或其他分割算法。
细化器210在视觉上细化所提取的骨骼全局结构。例如，骨骼包括不同类型的组织：皮质(密质)骨和松质(多孔)骨。因此，在图像数据中针对所有骨骼的概率可以是不相同的。因此，所提取的骨骼对于其概率低于表示骨骼的其他区域的体素的体素可能具有孔或暗区。细化器210填充这些孔以产生所提取的骨骼的更均匀的表示。在一个实例中，这导致在所提取的骨骼中的松质骨的强度大致与所提取的骨骼中的皮质骨的强度相同。
图4示出了用于从图像数据中分割骨骼结构的示例性方法。
可以理解的是，方法中的动作顺序不是限制性的。因此，在本文中可以预见到其他顺序。另外，可以省略一个或多个动作和/或可以包括一个或多个额外动作。
在402处，获得谱图像数据，所述谱图像数据包括对应于不同能量箱(bin)的多个图像。如本文所讨论的，在一个非限制性实例中，可以通过多源成像***、快速kVp切换和/或多层探测器生成谱图像数据。备选地，输入图像可以包括虚拟单色图像。
在404处，对谱图像数据进行降噪。如本文所讨论的，在一个非限制性实例中，这包括采用从谱图像数据中去除噪声和伪影的算法，同时保留潜在对象结构和谱信息。
在406处，在数据集中提取针对每个体素的特征集。如本文所讨论的，在一个非限制性实例中，这包括基于在体素周围的局部谱和局部结构/几何结构来提取表征该体素的特征以用于进行分类。
在408处，估计每个体素属于骨骼结构的概率。如本文所讨论的，在一个非限制性实例中，这包括基于所提取的特征(即，在体素周围的局部谱和局部结构)来估计概率。
在410处，从图像数据中提取骨骼的全局结构。如本文所讨论的，在一个非限制性实例中，这包括在概率上应用分割模型。
在412处，在视觉上细化所提取的骨骼的全局结构。如上所述，这可以包括填充对应于松质骨的暗区。
在414处，输出骨骼的所分割的或所提取的全局结构的图像数据集。这可以包括在视觉上显示所分割的骨骼和/或将所分割的骨骼传递到另一设备。再次，该算法为谱CT提供了快速的、自动的且健壮的骨骼分割算法。
上文提供了用于谱CT的快速的、自动的且健壮的骨骼分割算法。该算法非常适合于诸如创伤、血管和骨科应用的应用。该算法还可以用于增强诸如碘图的谱结果、虚拟平扫(VNC)(以及因此便于减少辐射)、(基于碘图)增强灌注分析等。此外，该算法还可以用于图像重建链中，例如增强射束硬化校正和虚拟单色图像重建。
上述动作可以通过计算机可读指令实现，所述计算机可读指令编码或嵌入到计算机可读存储介质上，当被(一个或多个)计算机处理器执行时，所述计算机可读指令使(一个或多个)处理器执行上述动作。额外地或备选地，由信号、载波或其他瞬态介质承载计算机可读指令中的至少一个。
已经参考优选实施例描述了本发明。当阅读和理解前述详细描述时，他人可能想到修改和变型。本发明意图被解释为包括所有这些修改和变型，只要它们落入随附权利要求或其等价物的范围内。

Claims (14)

1.一种用于在谱图像数据中分割骨骼的方法，所述谱图像数据至少包括对应于第一能量的第一图像数据集和对应于第二不同能量的第二图像数据集，所述方法包括：
获得所述谱图像数据；
在谱图像数据中提取针对每个体素的特征集；
针对每个体素基于所述特征集来确定每个体素表示骨骼结构的概率；并且
基于所述概率从所述谱图像数据中提取骨骼结构；
并且还包括：
在提取所述特征集之前，对所述谱图像数据进行降噪，其中，所述特征集是从经降噪的谱图像数据中提取的。
2.根据权利要求1所述的方法，其中，对所提取的骨骼结构进行以下中的至少一项：在视觉上显示、应用为针对其他图像数据的掩膜、用于增强碘图或虚拟平扫图像数据、射束硬化校正、以及虚拟单色图像重建。
3.根据权利要求1所述的方法，其中，所提取的特征集是基于体素中的每个周围的局部谱和局部结构的。
4.根据权利要求1所述的方法，其中，所述第一能量低于所述第二能量，并且所述特征集至少包括：所述第一图像数据集的亨氏单位；所述第二图像数据集的亨氏单位；所述第一图像数据集的高斯差分；所述第二图像数据集的高斯差分，以及表面粗糙度度量。
5.根据权利要求4所述的方法，还包括：
基于
Figure FDA0002286978520000011
来计算所述表面粗糙度度量，其中，|λ1|≥|λ2|≥|λ3|是局部结构张量的特征值。
6.根据权利要求1至5中任一项所述的方法，还包括：
基于
Figure FDA0002286978520000021
来计算所述概率，其中，Vi是体素属于骨骼结构的概率，对于Xi，当i≠0时，Xi是针对体素Vi的特征向量，当i＝0时，X0是具有固定值1的伪变量，并且β是逻辑回归的参数向量。
7.根据权利要求1至4中任一项所述的方法，其中，提取所述骨骼结构包括在所述概率上应用分割模型。
8.根据权利要求7所述的方法，其中，所述分割模型包括全局凸分割模型。
9.根据权利要求1至5中任一项所述的方法，其中，所述分割是基于
Figure FDA0002286978520000022
的，其中，s表示所述分割，
Figure FDA0002286978520000023
表示总变差，λ是控制正则化的强度的参数，p是所述概率，c1被设置为数值一(1)，并且c2被设置为数值零(0)。
10.一种计算***(116)，包括：
计算机可读存储介质(126)，其存储骨骼分割算法(132)；以及
计算机处理器(124)，其运行所述骨骼分割算法，所述骨骼分割算法使得所述计算机处理器：基于在谱图像数据中的每个体素表示骨骼结构的概率从所述谱图像数据中提取骨骼结构，其中，所述计算机处理器进行以下各项：对所述谱图像数据进行降噪；在经降噪的谱图像数据中提取针对每个体素的特征集；针对每个体素基于所述特征集来确定所述概率；并且基于所述概率从所述谱图像数据中提取所述骨骼结构。
11.根据权利要求10所述的计算***，其中，所提取的特征集是基于体素中的每个周围的局部谱和局部结构的。
12.根据权利要求10所述的计算***，其中，所述特征集至少包括以下各项：较低能量图像数据的亨氏单位；较高能量图像数据的亨氏单位；所述较低能量图像数据的高斯差分；所述较高能量图像数据的高斯差分，以及表面粗糙度度量。
13.根据权利要求12所述的计算***，其中，所述表面粗糙度度量指示局部结构与表面的结构适配的程度如何。
14.根据权利要求10至13中任一项所述的计算***，其中，所述计算机处理器进行以下中的至少一项：在视觉上显示所提取的骨骼结构；或者进行以下中的一项或多项：应用所提取的骨骼结构作为针对其他图像数据的掩膜、增强碘图或虚拟平扫图像数据、射束硬化校正、或虚拟单色图像重建。
CN201480066645.3A 2013-12-06 2014-12-02 根据图像数据来进行骨骼分割 Active CN105793894B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201361912602P 2013-12-06 2013-12-06
US61/912,602 2013-12-06
PCT/IB2014/066499 WO2015083065A1 (en) 2013-12-06 2014-12-02 Bone segmentation from image data

Publications (2)

Publication Number Publication Date
CN105793894A CN105793894A (zh) 2016-07-20
CN105793894B true CN105793894B (zh) 2020-03-31

Family

ID=52292975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480066645.3A Active CN105793894B (zh) 2013-12-06 2014-12-02 根据图像数据来进行骨骼分割

Country Status (5)

Country Link
US (1) US10096120B2 (zh)
EP (1) EP3077990A1 (zh)
JP (1) JP6526669B2 (zh)
CN (1) CN105793894B (zh)
WO (1) WO2015083065A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017102467A1 (en) 2015-12-15 2017-06-22 Koninklijke Philips N.V. Method of data processing for computed tomography
EP3475916B1 (en) 2016-11-30 2019-10-23 Koninklijke Philips N.V. Bone and hard plaque segmentation in spectral ct
EP3387997B1 (en) * 2017-04-13 2020-02-26 Siemens Healthcare GmbH Medical imaging device and method controlling one or more parameters of a medical imaging device
CN111615363A (zh) 2018-01-16 2020-09-01 皇家飞利浦有限公司 利用非谱成像***的谱成像
CN109285176B (zh) * 2018-10-08 2021-11-02 东南大学 一种基于正则化图割的大脑组织分割方法
DE102019004303A1 (de) * 2019-06-18 2020-12-24 Ziehm Imaging Gmbh Verfahren und Vorrichtug der medizinischen Bildgebung zur Darstellung eines 3D-Volumens mit wenigstens einen eingebrachten Fremdobjekt
CN114066886B (zh) * 2022-01-11 2022-05-06 北京威高智慧科技有限公司 骨骼分割边界确定方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1836258A (zh) * 2003-08-13 2006-09-20 美国西门子医疗解决公司 采用结构张量来检测肺结节和结肠息肉的方法和***
CN101025823A (zh) * 2005-10-17 2007-08-29 西门子公司 对x射线图像中的至少一种物质进行分割的方法和装置
CN102419864A (zh) * 2011-09-05 2012-04-18 东软集团股份有限公司 一种提取脑部ct图像骨骼方法及装置
WO2013011418A2 (en) * 2011-07-15 2013-01-24 Koninklijke Philips Electronics N.V. Spectral ct

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3258233B2 (ja) * 1996-03-29 2002-02-18 帝人株式会社 骨計測方法
US7015907B2 (en) * 2002-04-18 2006-03-21 Siemens Corporate Research, Inc. Segmentation of 3D medical structures using robust ray propagation
EP1605824A2 (en) 2003-03-25 2005-12-21 Imaging Therapeutics, Inc. Methods for the compensation of imaging technique in the processing of radiographic images
US7968853B2 (en) 2005-04-26 2011-06-28 Koninklijke Philips Electronics N.V. Double decker detector for spectral CT
US8331637B2 (en) * 2006-03-03 2012-12-11 Medic Vision-Brain Technologies Ltd. System and method of automatic prioritization and analysis of medical images
DE102006015451A1 (de) 2006-03-31 2007-10-11 Siemens Ag Verfahren und Vorrichtung zur automatischen Differenzierung von Knochen oder anderen kalziumhaltigen Materialien und Kontrastmittel in Weichteilgewebe
US7760848B2 (en) * 2006-09-08 2010-07-20 General Electric Company Method and system for generating a multi-spectral image of an object
WO2008078231A1 (en) 2006-12-20 2008-07-03 Koninklijke Philips Electronics N.V. Imaging system for imaging substances present in an object of interest
DE102007017629B4 (de) * 2007-04-12 2011-03-24 Siemens Ag Verfahren zur Zuordnung von Voxeln eines CT-Bilddatensatzes zu einer von zwei Materialmischungen jeweils bestehend aus zwei von vier unterschiedlichen Materialien
US20090153551A1 (en) * 2007-12-17 2009-06-18 Electronics And Telecommunications Research Institute Method and apparatus for transferring pose of 3-dimensional characters
WO2009131109A1 (ja) * 2008-04-22 2009-10-29 株式会社 日立メディコ 医用画像処理装置、医用画像処理方法、プログラム
DE102008030552A1 (de) * 2008-06-27 2009-12-31 Siemens Aktiengesellschaft Verfahren zur Erzeugung von Bilddaten zu einer virtuell vorgebbaren Röntgenröhrenspannung aus ersten und zweiten CT-Bilddaten
JP2010087614A (ja) * 2008-09-29 2010-04-15 Toshiba Corp 画像処理装置、画像処理方法、及び、プログラム
US8294717B2 (en) 2009-06-26 2012-10-23 Kabushiki Kaisha Toshiba Advanced clustering method for material separation in dual energy CT
US8644608B2 (en) 2009-10-30 2014-02-04 Eiffel Medtech Inc. Bone imagery segmentation method and apparatus
CN103098090B (zh) * 2011-12-21 2015-01-21 中国科学院自动化研究所 多参数三维磁共振图像脑肿瘤分割方法
JP6472088B2 (ja) 2013-02-21 2019-02-20 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． スペクトルｃｔに関する構造伝播復元
US9305351B2 (en) * 2013-06-16 2016-04-05 Larry D. Partain Method of determining the probabilities of suspect nodules being malignant

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1836258A (zh) * 2003-08-13 2006-09-20 美国西门子医疗解决公司 采用结构张量来检测肺结节和结肠息肉的方法和***
CN101025823A (zh) * 2005-10-17 2007-08-29 西门子公司 对x射线图像中的至少一种物质进行分割的方法和装置
WO2013011418A2 (en) * 2011-07-15 2013-01-24 Koninklijke Philips Electronics N.V. Spectral ct
CN102419864A (zh) * 2011-09-05 2012-04-18 东软集团股份有限公司 一种提取脑部ct图像骨骼方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A survey of shaped-based registration and segmentation techniques for cardiac images;Vahid Tavakoli , Amir A. Amini;《Computer Vision and Image Understanding》;20130901;第119卷(第9期);第966-989页 *
Active Contours Without Edges;Tony F. Chan，Luminita A. Vese;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20010228;第10卷(第2期);第266-276页 *
Geometric Applications of the Split Bregman Method: Segmentation and Surface Reconstruction;Tom Goldstein，Xavier Bresson ，Stanley Osher;《Journal of Scientific Computing》;20101031;第45卷(第1-3期);第275页 *
噪声图像分割的全局凸优化变分模型;陈杰等;《青岛大学学报（自然科学版）》;20120228;第25卷(第1期);第57-62页 *

Also Published As

Publication number Publication date
CN105793894A (zh) 2016-07-20
US10096120B2 (en) 2018-10-09
EP3077990A1 (en) 2016-10-12
US20160307330A1 (en) 2016-10-20
WO2015083065A1 (en) 2015-06-11
JP2016539704A (ja) 2016-12-22
JP6526669B2 (ja) 2019-06-05

Similar Documents

Publication Publication Date Title
US10147168B2 (en) Spectral CT
CN105793894B (zh) 根据图像数据来进行骨骼分割
Kim et al. SPIE medical imaging
US9959640B2 (en) Iterative image reconstruction with a sharpness driven regularization parameter
CN105025794B (zh) 谱ct的结构传播恢复
US10074190B2 (en) Texture analysis map for image data
US10169848B2 (en) Restoration of low contrast structure in de-noise image data
CN109690618B (zh) 谱ct中的骨和硬斑块分割
WO2016097981A1 (en) Penalized maximum likelihood material decomposition
JP7442455B2 (ja) 分光イメージングデータからの分光炎症マップ
CN116172594B (zh) 用于生成患者的结果图像数据集的方法及装置

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