CN106573150A - 图像中血管结构的遮盖 - Google Patents

图像中血管结构的遮盖 Download PDF

Info

Publication number
CN106573150A
CN106573150A CN201580015925.6A CN201580015925A CN106573150A CN 106573150 A CN106573150 A CN 106573150A CN 201580015925 A CN201580015925 A CN 201580015925A CN 106573150 A CN106573150 A CN 106573150A
Authority
CN
China
Prior art keywords
data
prediction
components
model
volume
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201580015925.6A
Other languages
English (en)
Other versions
CN106573150B (zh
Inventor
贾森·F·纳普
普拉文·卡库马努
史蒂夫·W·沃雷尔
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.)
River Technologies Ltd
RIVERAIN Tech LLC
Original Assignee
River Technologies Ltd
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 River Technologies Ltd filed Critical River Technologies Ltd
Publication of CN106573150A publication Critical patent/CN106573150A/zh
Application granted granted Critical
Publication of CN106573150B publication Critical patent/CN106573150B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule
    • 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
    • G06T2207/30068—Mammography; Breast
    • 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)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Veterinary Medicine (AREA)
  • Optics & Photonics (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Pulmonology (AREA)

Abstract

图像处理技术可以包括用于把在不同的采集方案获取的医学图像和/或体素数据归一化的方法，还包括一种用于从医学图像和/或体素数据中遮盖选定的解剖结构的方法，这些方法可以产生其他解剖结构的检测改善和/或渲染改善。例如，本发明提供的技术可以在计算机断层成像(CT)扫描中用于改善结节检测。虽然这里呈现的是在肺部的结节的情况，但是这些技术可以应用于其他进行小的修改的情况，例如，基于对***中腺的结构、薄壁组织结构和血管结构的遮盖，在整个***X线照相术或***断层融合技术领域，对于肿块和/或微钙化点的检测。

Description

图像中血管结构的遮盖
相关申请的交叉引用
本申请是要求2014年3月27号提交的美国临时专利申请第61/971,042号优先权的非临时专利申请，其通过引用合并于此。
技术领域
本发明主要涉及使用特征提取方法和接下来的基于累次模型的预测方法在医学图像数据和/或体素数据中遮盖不需要的结构，本发明还涉及可以改进计算机断层成像(CT)扫描中肺部结节的检测的技术。本发明范围内的基于模型的预测被定义为基于测量(或者是计算结果或者是从像素/体素得出)使用分析模型、经验模型或其组合(例如神经网络)来预测值(例如像素或体素)。
背景技术
广泛地认为对象检测是一个挑战性的问题。对于计算机视觉***来说存在很多使对象检测变得困难的方面，包括的因素(仅举数例)诸如图像采集的变化，对象外观的复杂以及对象背景的显著变化(通常称为杂乱)。在医学成像的领域，“对象”可指正常解剖体的一个具体部分、非解剖对象的位置、或疾病的存在(诸如肿瘤)。
医学成像中对象检测的一个重要应用是在胸部CT扫描中检测肺部结节或者肺部肿块。尽管经二十多年的努力，机器结节检测的一般性问题仍然没有解决，并且人检测仍然受限。我们认为重要的原因在于没有解决使这个问题变得困难的一个重要部分：结节与肺部血管的复杂的相互作用以及由于各种采集方案造成在外观上的变化。
发明内容
本发明的各个方面可以包括：一种用于使在不同采集方案下获得的医学图像数据和/或体素数据归一化的方法，和/或在胸部医学图像数据和/或体素数据中用于遮盖选定的非结节结构的方法。多数非结节结构是血管性内容物，因此术语“血管遮盖”在本发明中用作这样的非结节结构的遮盖的通用术语。然而，所公开的技术还可以应用于“血管”/血管结构之外的其他结构，例如胸腔中的支气管壁和裂缝线，以及有时呈现出类似管状属性的人造对象。还可以应用于其他身体部位(例如***、心脏、头部)、其他疗法(例如超声波、层析X射线照相组合等)和/或其他领域(例如视频监视、军事目标)。所述技术可用于如下目的：改善结节检测、结节表征和/或改善在解剖学上选定的遮盖的或增强的图像数据的绘制。虽然在本发明所描述的技术具体参照肺部中的结节，类似的方法可应用于其他情况。
从下面的详细说明中可清楚地看到本发明的各个方面的其他特征和优点，通过示例结合附图以举例的方式共同说明了本发明的不同方面的特征。
附图说明
在附图中：
图1示出根据本发明的一个方面用于例如CT采集归一化的流程图的示例；
图2示出根据本发明的各个方面显示进一步处理的另一流程图；
图3A和3B示出结节仿真前后一部分容积的示例；图3C示出血管遮盖之后的图3B中显示的相同的部分；
图4示出根据本发明的方面预测阶段的示例的流程图；
图5提供根据本发明的方面的组织分离的概念描绘；
图6A至6C示出移除血管的毛玻璃状结节的图像示例；以及
图7示出***的概念图，其中可实施本发明的各个方面；
具体实施方式
可以使用几种方法用于结节检测，其中可以包括模板匹配(例如Q.Li,S.Katsuragawa和K.Doi，"Computer-aided diagnostic scheme for lung noduledetection in digital chest radiographs by use of a multiple-templatematchingtechnique,"Medical Physics,2001,28(10):2070-2076；下文中简称为“Li等，2001”)、多级阈值化(例如S.Armato,M.Giger和H.MacMahon，"Automated detection of lungnodules in CT scans:preliminary results,"Medical Physics,2001,28,1552-1561；下文中简称为“Armato等，2001”)、增强滤波器(例如A.Frangi,W.Niessen，K.Vincken和M.Viergever，"Multiscale vessel enhancement filtering,"MICCAI,1998,130-137；下文中简称为“Frangi等，1998”)以及Q.Li,S.Sone和K.Doi，"Selective enhancementfilters for nodules,vessels,and airway walls in two-and three-dimensional CTscans,"Medical Physics 2003,30(8):2040-2051；下文中简称为“Li等，2003”)以及体素分类(例如D.Wu,L.Lu,J.Bi,Y.Shinagawa,K.Boyer,A.Krishnan和M.Salganicoff，"Stratified learning of local anatomical context for lung nodules in CTimages,"CVPR,2000,2791-2798，下文中简称为“Wu等，2000”)。
模板匹配(例如Li等，2001)可以包括测量大约每个体素与一组模板的相似性。对象外观变化越多，为了得到合理性能可能需要越多的模板。这种缩放行为可能使困难领域中的模板匹配没有效率。
在CT中可以使用多级阈值化(例如Armato等，2001)，部分原因是体素值(其可以以Hounsfield单位(FfU)定义)可以具有有意义的解释。例如，可以用结节密度的知识来设置阀值。这种技术可能会遇到一些困难，一个困难是对于给定的阈值对象形态的适当测量。结节可能连接到周围结构，这可能使精确形态评定变得困难。为了补偿，该方法可嵌入一个形态后处理步骤，来去除连接的结构。然而，形态后处理可能改变结节至无法检测的程度。通过使用更精细的后处理(例如规则驱动改进)可以改进这种方法，但是这种规则驱动改进可导致脆性，并且该方法由此可能更像模板匹配。
滤波增强方法(例如Frangi等，1998和Li，2003)可以通过对局部结构的适应来改进模板匹配。该方法可以用来估计从局部张量信息得出的局部结构。两个示例张量是3×3海赛矩阵(Hessianmatrix)和3×3结构张量，其中“3”表示空间尺寸的数目。来自这些张量的特征值可以被用来量化每个体素的“管性”(“tubeness”)、“块性”(“blobness”)或“板性”(“plateness”)。可以组合这些指标去得出一个综合特征指数。虽然这种分析既简单且易于分析，但是也会遇到一些限制。首先，用来组合所述信息的这些表达可能基于结节和血管的理想状态，这在实际情况中会不可能。例如，结节通常不是理想的球形，而且血管通常也不是理想的柱体。因为所述这些方法仅仅使用由第一阶导数和第二阶导数获取的信息，在更复杂区域(诸如血管分叉区域或结节已经附着到血管结构区域)其性能可能不稳定。最后，因为所述这些方法是基于理想状态，在多个标度组合这些指标可能不那么容易。
体素分类(例如Wu等，2000)可以包括从CT扫描提取特征，然后分类方法可以用这些特征来产生概率或其他输出信息，表明是否存在结节。体素分类可能需要大量的手工标记数据，这是不切实际的。所述体素分类方法可能也存在试样偏差，这意味着它可以特定地转向聚积以训练它的结节类型，这可导致遗漏的结节。
另一种方法见于R.Wiemker,T.Buelow和T.Klinder，"Visual Suppression ofSelective Tissue in Image Data,美国专利申请公开第2015/0063669号(下文简称为“Wiemker，2015”)。在Wiemker等人的文章中，发明人将用于遮盖血管组织的方法描述为具有遮盖数据的原始数据的加权组合。这种类型的方法可能通常在文献中被称为图像修补(“inpainting”)。应用于对象去除的一种此类方法可以是锥体状混合。用于混合的加权可以从血管性(“vesselness”)的局部可能性得出，其可能对应于零和一之间的一个值。在Wiemker等人2015的文章中没有描述测量是如何从实际得出的；仅仅描述了其用于混合图像数据(在有和没有遮盖的情况下)的应用。Wiemker等人描述了用于加强或降低权重的可能性的各种修改模式。用于获得Wiemker等人的不透明性映射(“opacity mappings”)的机制不太明晰。该描述似乎是用于暗指通过一种查找表可以减小体素的密度。
已经认识到，开发出用于结节检测和分割的自动化的方法可能有用，但是其也可提供例如人类专家使用的可以采取辅容积形式的辅助信息(参见例如B.VanGinneken,S.Armato等，"Comparing and combining algorithms for computer-aided detectionof pulmonary nodules in computed tomography scans:The ANODE09 study,"Med.Image Analysis,2010,14(6),707-722和E.M.Van Rikxoort,B.Van Ginneken，"Automated segmentation of pulmonary structures in thoracic computedtomography scans:a review,"Physics in Medicine and Biology,2013,58,187-220)。
本发明的不同方面可涉及由本发明人构建的、用于正常解剖结构遮盖的构架(参见例如Knapp等人的美国专利申请公开第2009/0290779号(下文简称为“Knapp等，2009”)和Knapp等人的美国专利申请公开第2013/0223711(下文简称为“Knapp等，2013”)，二者都通过引用合并于此)。在“Knapp等，2009”的专利申请中，通过预测一种替代图像来构建模型，其中骨密度被去除。在“Knapp等，2013”的专利申请中，一种胸肌遮盖技术可以预测图像数据，其中与胸肌相关联的偏差被去除。
在本发明的语境中，使用术语遮盖(“suppression”)暗示解剖结构(诸如血管)实际上从图像中被去除而不是简单地使其不太致密。本发明的各方面涉及构建预测出(“predictout”)不希望有的密度的一种预测模型，这在下面将进一步描述。
现在，参考附图中示出的示例性实施方式，并且在此处使用专门的语言来对其进行描述。因此，应当理解的是，在此毫无意图要限制本发明的范围。此处示例的本发明的特征变化和进一步的修改以及此处示例的本发明原理的额外应用，对于相关领域的技术人员而言，这些都应被看成是在本发明的范围之内。
在CT扫描中识别结节的时候，人们会理想地希望做CT扫描并且遮盖除结节以外的其他结构。开始该过程时，可以归一化每次扫描以解释与采集相关联的变化。这可以增强鲁棒性并且简化进一步的过程。根据本发明的一个方面，可在图1中看到这种归一化过程中的主要步骤。归一化过程可从身体分割10(“bodysegmentation”)开始，其中患者的身体可能在输入的CT图像的视野中与其他结构分割开，并且可能进而分割与患者的呼吸***相关联的空气区域。接下来，该空气区域可以校准为固定值11使得肺密度保持在固定值附近。在密度校准11之后，可以分析CT扫描的噪声特性，并且可以使用自适应局部平均值方法遮盖噪声伪像12。在噪声遮盖12之后，可以处理该图像，从而从一个扫描至接下来的13中的对比细节尽可能地相互一致。例如，使用与那些用在Knapp等人2009的专利申请和Knapp等人的美国专利申请公开第2010/0266189号(在下文中，通过“Knapp等，2010”以及Knapp等，2010合并于此)中的类似技术实现它，其中在多尺度表述中使用直方图匹配以便校准对比细节。最后，可以重定容积的尺寸(例如以毫米为单位重新采样到指定大小)，这可以在平面内(CT图像中)和/或平面外(跨过CT图像)执行，其可以涉及使用内插从而使一个扫描至接下来的14中的切片间隔和厚度尽可能地相互一致。同样地，这也可以使用在Knapp等，2009和/或Knapp等，2010中描述的技术。
为了实施血管遮盖，给定一个容积，人们可能希望生成预测出的血管的容积，同时注意不去除诸如结节的其他结构。这可以通过一个“仿真推进，利用预测反演(forwardthrough simulation,inversion with prediction)”的策略来实现，这将在随后的讨论中阐明。
图2示出了根据本发明的一个方面的总工作流程的示例。该过程可以从案例选择开始，即获取正常(预期的)可变性的代表性的量的一组胸腔CT容积。使用这些选定的案例(可能已经被归一化用于采集变化)，可以生成针对模型构建目的的血管遮盖的容积(如图2所示的目标构造20)。在一种可用于创建血管遮盖容积(本发明不限于此)的技术中，可以首先计算沿CT容积的轴向的局部最小强度投影(min-ip)。这种局部最小强度投影操作可用来遮盖肺部区域内的全部或基本上全部内容物。这种局部最小强度投影容积可以使用分割的血管掩膜的稍平滑的部分与CT容积混合，或者为了遮盖全部结构，可以用已知的结节位置的掩膜与CT容积混合。通过使用自动算法或半自动方法可以生成血管和/或结节掩膜；或通过人工轮廓产生。由于这些掩模仅仅用于创建目标数据的离线过程，创建它们的实际机制并非必需。但是它们越精确越好。为了有足够数量的、与肺部血管相互作用的结节的示例，使用结节仿真(例如Knapp等人2009的专利申请)。也就是说，合成结节可以被***到未被遮盖的和/或遮盖的血管容积中。结果可能是一对具有和没有血管的容积，但是两者都具有无变化的或基本无变化的结节。图3A是来自代表性示例的一部分，而图3B中我们可以看到仅具有添加的仿真结节的相同的部分。在图3C中，我们可以看到仅具有遮盖的血管的、来自图3B的相同部分，其中所述结节保持不变。
一旦所述成对的输入目标容积被创建20，可以通过特征生成过程21将其传递来处理每个图像。该过程可用来提取体素水平特征，其中示例性的一组特征如下：
·具有数量级范围的多尺度域高斯型导数；
·局部最大和最小强度投射；
·根据和/或局部最大和最小强度投射计算的平面内特征。
基于位置或它们的衍生特征(形状指数、曲率等)或者已知的采用基于模型的方法(诸如贴片分析或深度神经网络)可以得出其他特性。假若大量的数据，可以生成一个模型或者一组模型22。根据本发明的一个方面，多层前馈神经网络可用于此目的。随后这些模型可以能够预测遮盖的数据，没有使用分割掩膜或者对象指标，这与Knapp等，2013的专利申请中发现的方法类似。一旦一个模型或模型组已经创建，它们在验证数据上的性能就可以被评定23。这可能导致模型的特定子集的选择和/或可以用来通过额外案例的选择进一步引导训练过程用于训练或创建更多仿真结节。
图4根据本发明的各方面描绘了从归一化的CT扫描到遮盖的扫描的高层流程图。所提取的特征40可以与那些用在模型生成22中的特征相同。预测阶段41可以包括应用诸如神经网络的一组预测模型，它们的输出可被组合。该组合可以通过平均、使用诸如成本函数以选择输出中的最优的一个或两个(即选择最佳输出组以平均)来执行。在本发明的这个方面，可以获得多个模型输出用于多个图像区域，其中各个图像区域可以利用其自身的解剖位置和/或利用其像素密度来识别。如果希望用于显示的目的，可使用后处理42以调节归一化过程，使得遮盖的容积与原始图像数据一致，因为对于计算机辅助检测这也许不需要。
图5提供了总体技术如何在真实结节上操作并产生两个表征的概念性示例。图像50可以经解剖遮盖51，以产生两种表征52。在52中的上部表征可以是遮盖的容积，这样可以使得结节的检测和分割更容易；在52中的下部表征可以是血管的容积，这可以只是CT数据和遮盖的数据之间的差。血管的容积可以应用于，例如，用之前的扫描进行血管分割或定位。
包括图6A至6C的图6是真实的带有明显血管叠加的毛玻璃状结节的示例的特写图。图6A示出CT图像。图6B示出毛玻璃状结节图像的特写图，并且图6C示出血管遮盖的图像。如可以在图中看出，算法可能会在保留结节内容物的同时去除所述血管结构。
本发明的各实施方式可以包括硬件、软件、和/或固件。图7示出根据本发明的各个方面的可用于实施实施方式的各种形式的和/或部分的示例性***。这种计算***可以包括一个或多个处理器72，处理器可以与一个或多个***存储器71连接。这种***存储器71可以包括，例如，RAM、ROM或其他此类机器可读介质，并且***存储器71可以用于结合，例如，基本I/O***(BIOS)、操作***、由处理器72执行的指令等。所述***存储器还可以包括其他存储器73，诸如附加的RAM、ROM、硬盘驱动器或其他处理器可读介质。处理器72也可以连接至至少一个输入/输出(I/O)接口74。I/O接口74可以包括一个或多个用户接口，以及用于各种类型的存储介质的读卡器和/或与一个或多个通信网络(例如通信接口和/或调制解调器)的连接，例如，可从这些接口获得或提供软件代码(例如通过下载或上传)。
应当理解的是，上面指出的设置仅是对本发明原理的应用的举例说明。在不脱离本发明的精神及范围的情况下，在使用和扩展到其他应用和领域方面，可设计出如所描述的多种变型和可选择的设置。
在不脱离本发明的精神及保护范围的情况下，
为了详细说明，血管遮盖的容积的生成在结节检测和表征之外可以具有很多用途。这些用途可包括：
·使血管分割更简单和更坚固，这可以被用作对其他过程的输入，例如肺栓塞检测；
·基于改进的血管树的显像改进的血管树导航，用于活检附接到血管上的结节；
·与导致血管的增厚和/或收缩的血管结构相关的疾病的改善的检测；
·使用血管容积或分割掩膜作为到扫描配准过程的输入，从而允许任意潜在异常变化(诸如结节生长)的评估；
·使用遮盖的容积以生成多信息显示，诸如肺部的最大强度投影的生成(事实上，这对结节可能存在的位置会提供高级指示)。
·用骨骼和遮盖的血管进行二维重建。
此外，本技术可以适用于其他应用/领域。上述的构架的多种延伸超出了血管遮盖，下面仅是一些其他应用的列表(该部分不是旨在排他性)：
·用于高亮度显示脑动脉瘤的脑内血管遮盖；
·CT肝脏扫描中的血管遮盖，用于高亮度显示结节和提高分割血管结构的能力，或许用于配准目的；
·眼底图像中的血管遮盖，用于高亮度显示微动脉瘤和其他疾病；
·***中的血管遮盖(分别通过断层融合或***X线照相术获得的容积或图像)用于检测或者去除良性钙化，用于配准或其他过程。
尽管本发明已经在附图中示出，并在上文中结合目前认为是本发的最实用和优选的实施方式详细地进行了完整的描述，但是对于本领域普通技术人员来说，显然可以进行各种修改而不背离在此阐述的本发明的原理和概念。

Claims (23)

1.一种从表示一个或多个图像或图像容积的数据获得一个或多个图像分量的方法，所述方法包括：
归一化和预处理所述数据以获得经处理的数据；
从所述经处理的数据提取特征以获得一组所提取的特征；以及
基于所述一组所提取的特征使用至少一个模型实施基于模型的预测，以基于一组目标数据预测一个或多个分量。
2.根据权利要求1所述的方法，其进一步包括：获得去除所述一个或多个分量的预测输出。
3.根据权利要求1所述的方法，其进一步包括：
从所述数据中减去由所述基于模型的预测所预测的一个或多个分量，以获得去除所述一个或多个所述分量的数据。
4.根据权利要求1所述的方法，其中所述数据包括射线照相CT系列，并且其中，一个或多个分量仅包括血管分量。
5.根据权利要求1所述的方法，其中所述数据包括射线照相CT系列，并且其中，一个或多个所述分量仅包括结节结构。
6.根据权利要求1所述的方法，其进一步包括：在使用原始容积、解剖遮盖容积或两者用于生成所述目标数据之前，将模拟结节、测量结节或两者***所述原始容积、解剖遮盖容积或两者。
7.根据权利要求1所述的方法，其中所述归一化和预处理包括：
实施噪声遮盖以获得经噪声遮盖的数据；以及
对所述经噪声遮盖的数据执行带通分解。
8.根据权利要求6所述的方法，其中所述归一化和预处理进一步包括：对所述带通分解的至少一个结果执行至少一次操作，其中所述至少一次操作选自由包括灰度级配准和增强组成的组中。
9.根据权利要求6所述的方法，其中所述归一化和预处理包括：
数据重定尺寸以获得目标重定尺寸数据。
10.根据权利要求1所述的方法，其中所述提取特征包括：
获得跨不同尺度域的高斯型导数。
11.权利要求1所述的方法，其中所述执行基于模型的预测包括：
采用多个预测模型，以获得对一个或多个容积体素的多个遮盖预测；以及
组合所述多个遮盖预测以获得组合的估量。
12.根据权利要求11所述的方法，其中组合所述多个遮盖预测包括基于特定成本函数对所述多个遮盖预测取平均值或选择最优的遮盖预测中的至少一个。
13.根据权利要求1所述的方法，其中所述实施基于模型的预测包括：
采用对应于多个图像区域的多个预测模型，以获得预测用于所述多个图像区域的所述像素/体素，其中所述图像区域基于解剖位置、体素密度值或两者来定义。
14.根据权利要求1所述的方法，其进一步包括：下载软件指令以执行所述归一化和预处理、所述提取特征和所述实施基于模型的预测。
15.一种设计来执行操作的包含有指令的机器可读存储介质，其包括：
归一化和预处理所述数据以获得经处理的数据；
从所述经处理数据提取特征以获得一组所提取的特征；以及
基于所述一组所提取的特征使用至少一个模型实施基于模型的预测，以基于一组目标数据预测一个或多个分量。
16.根据权利要求15所述的介质，其中所述操作还包括：获得去除一个或多个分量的预测输出。
17.根据权利要求15所述的介质，其中所述操作还包括：
从所述数据中减去一个或多个分量，以获得去除所述一个或多个分量的数据。
18.根据权利要求1所述的方法，其中所述一个或多个图像或图像容积包括射线照相图像，并且其中所述一个或多个分量包括通常在这种射线照相图像中发现的一个或多个结构。
19.一种用于构建替代性投射的方法，其包括使用由权利要求1所述的方法获得的解剖遮盖容积。
20.根据权利要求20所述的方法，其进一步包括显示所述的替代性投射。
21.根据权利要求20所述的方法，其进一步包括用不同容积实施所述解剖遮盖容积的疾病检测、分割或者配准。
22.根据权利要求20所述的方法，其进一步包括使用所述替代性投射，以采用与用于获得所述数据的模态不同的模态得到的第二数据来配准所述数据。
23.一种装置，所述装置包括：
至少一个处理器；以及
根据权利要求15所述的计算机可读取介质。
CN201580015925.6A 2014-03-27 2015-03-24 图像中血管结构的遮盖 Active CN106573150B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201461971042P 2014-03-27 2014-03-27
US61/971,042 2014-03-27
US14/665,652 US9990743B2 (en) 2014-03-27 2015-03-23 Suppression of vascular structures in images
US14/665,652 2015-03-23
PCT/US2015/022184 WO2015148469A1 (en) 2014-03-27 2015-03-24 Suppression of vascular structures in images

Publications (2)

Publication Number Publication Date
CN106573150A true CN106573150A (zh) 2017-04-19
CN106573150B CN106573150B (zh) 2019-11-08

Family

ID=54191111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580015925.6A Active CN106573150B (zh) 2014-03-27 2015-03-24 图像中血管结构的遮盖

Country Status (5)

Country Link
US (1) US9990743B2 (zh)
EP (1) EP3122425A4 (zh)
JP (1) JP6570145B2 (zh)
CN (1) CN106573150B (zh)
WO (1) WO2015148469A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9659390B2 (en) * 2011-10-28 2017-05-23 Carestream Health, Inc. Tomosynthesis reconstruction with rib suppression
US9990743B2 (en) * 2014-03-27 2018-06-05 Riverain Technologies Llc Suppression of vascular structures in images
KR102096410B1 (ko) * 2014-05-02 2020-04-03 삼성전자주식회사 의료 영상 장치 및 그 제어 방법
US10453200B2 (en) * 2016-11-02 2019-10-22 General Electric Company Automated segmentation using deep learned priors
KR101886990B1 (ko) * 2016-12-02 2018-08-08 아벤트, 인크. 의료적 이미징 기반 절차에서 타겟 해부 대상으로의 내비게이션을 위한 시스템 및 방법
US11373750B2 (en) * 2017-09-08 2022-06-28 The General Hospital Corporation Systems and methods for brain hemorrhage classification in medical images using an artificial intelligence network
NL2021559B1 (en) 2018-09-04 2020-04-30 Aidence B V Determination of a growth rate of an object in 3D data sets using deep learning
CN109583444B (zh) * 2018-11-22 2021-08-10 博志生物科技有限公司 空洞区域定位方法、装置及计算机可读存储介质
CN109741344B (zh) * 2018-12-28 2022-03-18 上海联影智能医疗科技有限公司 血管分割方法、装置、医疗影像设备及存储介质
JP7275961B2 (ja) * 2019-07-24 2023-05-18 富士通株式会社 教師画像生成プログラム、教師画像生成方法、および教師画像生成システム
CN113100803B (zh) * 2021-04-20 2024-07-19 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
WO2023183478A1 (en) * 2022-03-23 2023-09-28 University Of Southern California Automated vessel wall segmentation system and method

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2124191A2 (en) * 2008-05-21 2009-11-25 Riverain Medical Group, LLC Feature based neural network regression for feature suppression
CN102428478A (zh) * 2009-04-17 2012-04-25 里弗兰医疗集团公司 多尺度图像归一化和增强

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7058210B2 (en) * 2001-11-20 2006-06-06 General Electric Company Method and system for lung disease detection
US7386155B2 (en) * 2004-11-22 2008-06-10 Carestream Health, Inc. Transforming visual preference terminology for radiographic images
US7783092B2 (en) * 2006-01-17 2010-08-24 Illinois Institute Of Technology Method for enhancing diagnostic images using vessel reconstruction
US20070211930A1 (en) * 2006-03-09 2007-09-13 Terry Dolwick Attribute based image enhancement and display for medical imaging applications
US20090060366A1 (en) * 2007-08-27 2009-03-05 Riverain Medical Group, Llc Object segmentation in images
US20090060332A1 (en) * 2007-08-27 2009-03-05 Riverain Medical Group, Llc Object segmentation using dynamic programming
US20100266188A1 (en) * 2009-04-17 2010-10-21 Riverain Medical Group, Llc Chest x-ray registration, subtraction and display
US8837789B2 (en) * 2009-06-19 2014-09-16 Edda Technology, Inc. Systems, methods, apparatuses, and computer program products for computer aided lung nodule detection in chest tomosynthesis images
US8774515B2 (en) * 2011-04-20 2014-07-08 Xerox Corporation Learning structured prediction models for interactive image labeling
US9111174B2 (en) * 2012-02-24 2015-08-18 Riverain Technologies, LLC Machine learnng techniques for pectoral muscle equalization and segmentation in digital mammograms
CN104508710B (zh) * 2012-03-29 2018-04-27 皇家飞利浦有限公司 对图像数据中的选择性组织的视觉抑制
JP6267710B2 (ja) 2012-09-13 2018-01-24 ザ リージェンツ オブ ザ ユニヴァーシティー オブ カリフォルニアＴｈｅ Ｒｅｇｅｎｔｓ Ｏｆ Ｔｈｅ Ｕｎｉｖｅｒｓｉｔｙ Ｏｆ Ｃａｌｉｆｏｒｎｉａ 医用画像中の肺結節を自動検出するためのシステム及び方法
US9990743B2 (en) * 2014-03-27 2018-06-05 Riverain Technologies Llc Suppression of vascular structures in images

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2124191A2 (en) * 2008-05-21 2009-11-25 Riverain Medical Group, LLC Feature based neural network regression for feature suppression
CN102428478A (zh) * 2009-04-17 2012-04-25 里弗兰医疗集团公司 多尺度图像归一化和增强

Also Published As

Publication number Publication date
JP2017510406A (ja) 2017-04-13
CN106573150B (zh) 2019-11-08
WO2015148469A1 (en) 2015-10-01
JP6570145B2 (ja) 2019-09-04
US9990743B2 (en) 2018-06-05
EP3122425A4 (en) 2017-09-13
EP3122425A1 (en) 2017-02-01
US20150279034A1 (en) 2015-10-01

Similar Documents

Publication Publication Date Title
CN106573150B (zh) 图像中血管结构的遮盖
EP3770850B1 (en) Medical image identifying method, model training method, and computer device
US9792703B2 (en) Generating a synthetic two-dimensional mammogram
US20210106299A1 (en) Method and system for extracting lower limb vasculature
JP6877868B2 (ja) 画像処理装置、画像処理方法および画像処理プログラム
Shang et al. Vascular active contour for vessel tree segmentation
JP5643304B2 (ja) 胸部トモシンセシスイメージングにおけるコンピュータ支援肺結節検出システムおよび方法並びに肺画像セグメント化システムおよび方法
CN108986067A (zh) 基于跨模态的肺结节检测方法
US11380043B2 (en) Modeling regions of interest of an anatomic structure
Hogeweg et al. Suppression of translucent elongated structures: applications in chest radiography
Balakrishnan et al. An efficient and complete automatic system for detecting lung module
US7835555B2 (en) System and method for airway detection
Karthikeyan et al. Lungs segmentation using multi-level thresholding in CT images
Cercos-Pita et al. NASAL-Geom, a free upper respiratory tract 3D model reconstruction software
CN114387380A (zh) 用于生成3d医学图像数据的基于计算机的可视化的方法
Kawajiri et al. Automated segmentation of hepatic vessels in non-contrast X-ray CT images
AU2019204365B1 (en) Method and System for Image Segmentation and Identification
Wu et al. Automatic segmentation of ultrasound tomography image
EP3493159B1 (en) Method and system for evaluation of tumor tissue by unfolding morphological and texture properties
Alom et al. Automatic slice growing method based 3D reconstruction of liver with its vessels
Ueng et al. Volume Data Segmentation Using Visual Selection
EP4336452A1 (en) Computer-implemented method for processing spectral computed tomography (spectral ct) data, computer program and spectral ct system
Galeano et al. Alternative Tool for the Diagnosis of Diseases Through Virtual Reality
Pandey et al. A Framework for Mathematical Methods in Medical Image Processing
Tan et al. A pulmonary vascular segmentation algorithm of chest CT images based on fast marching method

Legal Events

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