CN107004268A - 结直肠肿瘤的动态对比增强图像的自动感兴趣区域分割及配准 - Google Patents
结直肠肿瘤的动态对比增强图像的自动感兴趣区域分割及配准 Download PDFInfo
- Publication number
- CN107004268A CN107004268A CN201480083962.6A CN201480083962A CN107004268A CN 107004268 A CN107004268 A CN 107004268A CN 201480083962 A CN201480083962 A CN 201480083962A CN 107004268 A CN107004268 A CN 107004268A
- Authority
- CN
- China
- Prior art keywords
- image
- organic region
- region interested
- interested
- registration
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
-
- 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]
- G06T2207/10096—Dynamic contrast-enhanced magnetic resonance imaging [DCE-MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20101—Interactive definition of point of interest, landmark or seed
-
- 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
- G06T2207/30028—Colon; Small intestine
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
提供了一种用于动态对比增强(DCE)图像处理和动力学建模感兴趣的器官区域的方法。该方法包括:从多个图像中的一个或多个图像至少导出感兴趣的器官区域的外部轮廓;响应于从多个图像中的一个或多个图像导出的感兴趣的器官区域的外部轮廓产生样条函数;配准其中已分割感兴趣的器官区域的多个图像;导出配准的图像中的感兴趣的器官区域的示踪剂曲线,该示踪剂曲线指示在一段时间内流经感兴趣的器官区域的造影剂的浓度的变化;和通过将动力学模型拟合到示踪剂曲线来动力学建模,以产生与动力学模型相关的组织生理参数的一个或多个映射。
Description
技术领域
本发明涉及处理用于肿瘤疾病诊断的动态对比增强(DCE)成像所产生的图像序列。具体地,本发明涉及用于分割和配准感兴趣的器官组织的预DCE建模。
背景技术
与生物医学相关的研究的重要方面是器官中肿瘤的检测和分析。对于当前的技术,器官的图像往往被人工分析以检测肿瘤的存在。然而,人工分析图像既费时又乏味。
一种常用的常规技术是磁共振成像(MRI)。MRI技术被广泛地应用于成像人体(或动物体)内的软组织,并且在开发以使被成像的组织例如表征为正常或病变的方式执行分析的技术方面有许多工作。然而,到目前为止,常规MRI只提供有关组织形态的信息,而不提供有关组织生理学的信息。
恶性组织或肿瘤有许多显著特征。例如,为了维持它们的积极增长,它们会产生数以百万计的微小“微血管”,这些“微血管”增加了肿瘤周围的局部血液供应以维持其异常生长。基于这种生理学的技术是动态对比增强(DCE)成像。
使用计算机断层扫描(CT)或磁共振成像(MRI)的DCE成像是一种功能性成像技术,其可用于肿瘤微循环的体内评估。近年来,DCE成像作为抗血管生成药物治疗的潜在生物标志物,吸引了越来越多的研究兴趣。
DCE图像在示踪动力学分析之前,使用标出的感兴趣区域以及图像配准,来纠正在成像过程中的任何身体运动。理想情况下,图像配准应相对于感兴趣的组织执行,而不是相对于整个图像域执行,这意味着首先必须分割感兴趣的组织。这通常需要用户在多个(通常约50个或50个以上)DCE图像上手动勾勒出感兴趣区域,这既费时又乏味。
因此,需要一种能非手动处理图像以分割感兴趣的器官区域的方法。此外,从随后的详细描述和附属权利要求,连同附图和揭露的背景技术,其它可取的特点和特征将变得明显。
发明内容
根据本发明的第一方面,提供了一种用于动态对比增强(DCE)图像处理和动力学建模感兴趣的器官区域的方法。该方法包括:从多个图像中的一个或多个图像至少导出感兴趣的器官区域的外部轮廓;响应于从多个图像中的一个或多个图像导出的感兴趣的器官区域的外部轮廓产生样条函数;配准其中已分割感兴趣的器官区域的多个图像;导出配准的图像中的感兴趣的器官区域的示踪剂曲线,该示踪剂曲线指示在一段时间内流经感兴趣的器官区域的造影剂的浓度的变化;和通过将动力学模型拟合到示踪剂曲线来动力学建模以产生与动力学模型相关的组织生理参数的一个或多个映射。
根据另一方面,提供了一种用于配准感兴趣的器官区域的方法。该方法包括响应于多个动态对比增强(DCE)图像中的每个图像导出互信息;以及响应于互信息对准感兴趣的器官区域中的节片。
附图说明
在附图中,相同的参考数字是指在整个单个视图中相同或功能相似的元件,附图连同下面的详细描述一起被并入并形成了说明书的一部分,其用于示例各种实施例和解释根据本实施例的各种原理和优势。
图1示出了根据实施例的动态对比增强(DCE)图像处理和动力学建模感兴趣的器官区域的方法的流程图。
图2A-2D示出了在初步分割过程中的感兴趣的器官区域的图像。
图3A-3C示出了在样条函数生成过程中的感兴趣的器官区域的图像。
图4A-4D示出了在根据样条函数的分割过程中的感兴趣的器官区域的图像。
图5示出了用于分割多个DCE图像中的每个图像的方法的流程图。
图6示出了在配准感兴趣的器官区域过程中的感兴趣的器官区域的图像。
图7示出了在一段时间内的感兴趣的器官区域的配准过程中的感兴趣的器官区域的图像。
图8示出了示踪剂浓度-时间曲线。
图9A示出了在移除组织的浓度-时间曲线中的离群数据点之前的组织的浓度-时间曲线。
图9B示出了在移除组织的浓度-时间曲线中的离群数据点之后的组织的浓度-时间曲线。
图10A-10D示出了传播形状信息如何能够有助于解决由于邻近的组织的欠分割问题。
图11A示出了在一段时间内的根据互信息方法配准的过程中获得的图像。
图11B示出了在一段时间内的根据梯度相关方法配准的过程中获得的图像。
图12A示出了通过常规方法分割得到的图像。
图12B示出了通过根据本发明实施例的方法获得的图像。
图13A示出了根据本发明实施例的与动力学模型相关的组织生理参数的映射。
图13B示出了与动力学模型相关的没有配准图像的组织生理参数的映射。
图14示出了根据本发明实施例的示例性计算设备。
具体实施方式
应该进一步意识到,示例性实施例仅是示例的,并且不意指以任何方式限制本发明的范围、适用性、操作或配置。相反,前面的详细描述将为本领域的技术人员实现本发明的示例性实施例提供方便的路线图,应该理解在不偏离随附权利要求所规定的本发明的范围的情况下,可在示例性实施例所描述的功能和元件布置和操作方法方面,做出各种变更。
在对计算机内存中的数据的操作的算法和功能或符号表示上,下面明确或隐含提出了描述的一些部分。这些算法描述和功能或符号表示是数据处理领域的技术人员将它们的工作内容最有效地传达给该领域的其它技术人员所使用的手段。一般来说,这里的算法被认为是导致所需结果的步骤的自相容序列。这些步骤是物理量的那些所需物理操作,物理量例如能被存储、传输、组合、比较和以其它方式操作的电、磁或光信号。
除非另有特别说明,并且从下面看是明显的,应该意识到,在整个说明书中,利用诸如“导出”、“分割”、“配准”、“动力学建模”、“扫描”、“计算”、“确定”、“替代”、“产生”、“初始化”、“处理”、“输出”等的术语的讨论,是指计算机***或类似电子设备的动作和处理,所述类似电子设备将在计算机***内表现为物理量的数据操作和转换为在计算机***或其它信息存储、传输或显示设备内同样表现为物理量的其它数据。
本说明书还公开了用于执行该方法的操作的设备。这种设备可为需要目的而特别构造,或者可包括通用计算机或由存储在计算机中的计算机程序选择性激活或重新配置的其它设备。本文提出的算法和显示与任何特定的计算机或其它设备本质上不相关。各种通用机器可用于根据本教导的程序。可选择地,可适当地构建更专业的设备来执行所需的方法步骤。常规通用计算机的结构将从下面的描述中变得明显。
此外,本说明书还隐含公开了一种计算机程序,因为对本领域的技术人员来说,本文所述方法的单个步骤可通过计算机代码付诸实施将是显而易见的。计算机程序不意指限制于任何特定的编程语言及其实现。应该意识到,可使用多种编程语言及其编码来实现本文所包含的公开的教导。此外,计算机程序不意指限制于任何特定的控制流。有计算机程序的许多其它变体,在不偏离本发明的精神或范围的情况下,其可使用不同的控制流。
此外,计算机程序的一个或多个步骤可被并行执行,而不是按顺序执行。这种计算机程序可存储在任何计算机可读介质上。所述计算机可读介质可包括存储设备,例如磁盘或光盘、存储器芯片或其它适于与通用计算机接口的其它存储设备。计算机可读介质还可包括例如因特网***中的硬连线介质或无线介质。计算机程序在这种通用计算机上加载和执行时,会有效地导致实现优选方法的步骤的设备。
参考图1,提供了一种根据实施例的动态对比增强(DCE)图像处理和动力学建模感兴趣的器官区域的方法。该方法(通常指定为参考数字100)包括以下步骤:
步骤102:输入DCE图像。
例如,将至少一个或多个DCE图像输入到用于处理和动力学建模感兴趣的器官区域的设备中。DCE图像通常可在肿瘤的多个时间点和多个切片位置获得。
步骤104:种子点选择。
在步骤102之后,下一步是选择种子点。用户只需要通过对组织做出选择来指示感兴趣的组织。这也被称为至少导出感兴趣的器官区域的外部轮廓。
步骤106:种子点。
步骤104中用户所选择的位置将作为用表示的种子点,其代表在位置x0处的图像强度。种子点的例子可如图2A所示。
步骤108:图像分割。
在步骤106之后,下一步是分割DCE图像。该DCE图像可被分割成前景(由组织组成)和背景(主要由空气组成)。在实施例中,这可通过使用类似Otsu方法的方法来完成。Otsu方法用于自动执行基于聚类的图像阈值,或者将灰度图像减少成二进制图像。该算法假定图像包含遵循双模态直方图的两类像素(前景像素和背景像素),然后计算分离两类像素的最佳阈值,使得它们的组合传播(类内方差)是最小的。
在DCE成像数据集中,存在来自相邻片(来自三维空间域)和其它时间帧(来自时域)的附加信息,该附加信息通过空间连续性或时间运动涉及当前图像的组织。此信息反映在相邻片和时间帧之间的对象形状的相似性。因此,响应于导出的感兴趣的器官区域的外部轮廓产生样条函数。
步骤110:图像配准。
在步骤108之后,下一步是分割DCE图像。在实施例中,配准DCE图像以聚焦于感兴趣的组织和修剪分割的感兴趣的区域。
步骤112:DCE建模。
在步骤110之后,下一步是导出配准的图像中的感兴趣的器官区域中的每个像素的示踪剂曲线,该示踪剂曲线指示了在一段时间段内流经感兴趣的器官区域的造影剂浓度的变化。该示踪剂曲线可拟合动力学模型,以导出相关的生理参数的值。
步骤114:输出参数映射。
在步骤110之后,下一步是将动力学模型拟合到示踪剂曲线,以产生与动力学模型相关的组织生理参数的一个或多个映射。
该方法100包括感兴趣的器官区域的分割、配准和动力学建模。分割和配准是重要的后处理步骤,其能够提高动力学建模的DCE图像的后续分析。
图2A-2D示出了在初步分割过程中的感兴趣的器官区域的图像。如上所述,用户只需要通过对组织做出选择来指示感兴趣的组织。如图像220的图2A所示,用户在步骤104选择的位置将作为用表示的种子点,其代表在如202所示的位置x0处的图像强度。有利的是,用户不必手动勾勒出指示感兴趣区域的组织或病变。
图2B示出了在分割成主要包括感兴趣的器官区域的组织的前景之后的感兴趣的器官区域的图像240。常规的用于分割图像的方法没有考虑像素之间的空间关系。因此,所得到的如图2B所示的分割图240,可能会遭受强度离群值,从而导致在分割的感兴趣区域内存在孔。此外,感兴趣的组织可能会与另一个组织接触和感兴趣的组织的边界可能没有得到很好的划定。
图2C示出了在形态处理之后的感兴趣的器官区域的图像260。通常,形态学图像处理是一种用小的形状或称为结构元素的模板探测图像的非线性操作的集合。形态学图像处理的输出依赖于像素值的相对排序。结构元素位于图像中的所有可能位置,并与像素的相应邻域进行比较。放置结构元素的位置称为参考像素,其选择是任意的。例如,A是图像(如二进制图像),S是结构元素。S(i,j)表示放置S的操作,其参考像素位于A的像素(i,j)处。两个基本的形态学运算,S对A的腐蚀(表示为)和S对A的膨胀(表示为)可被定义为和 其中Ac=1-A是A的补集。
从这一点可定义两个广泛使用的形态学操作,S对A的开操作(表示为ψs(A))和S对A的闭操作(表示为φs(A)),其定义为 和其中S′是S的映射(即围绕其参考像素旋转180°)。图2C示出了在使用半径为6体素的盘状结构元素执行形态学图像处理(例如,孔填充和对象开操作)之后的图像260。通常,结构元素的形状和图像260的尺寸将取决于图像组织特性。
此后,分割包含种子组织点的组织,如图2D中的图像280所示。例如,该种子组织点通过应用8-邻域连通分量分析来分割。下面将提供邻域连通分量分析的更多细节。图像280示出了在分割之后的种子组织点280。
在初步分割感兴趣的器官区域的图像之后,产生样条函数。在实施例中,产生B-样条函数。A B-样条是在范围u0≤u≤um中所定义的度k的分段多项式函数。点u=uj是多项式段的会合位置,其被称为结。度k的第i个B-样条基函数,Bi,k(u),可通过Cox-de Boor递推公式来递推获得:
对于[ui,ui+k+1),基函数Bi,k(u)是非零的。对于任何不同节点区间[ui,ui+1),度k的至少k+1个基函数是非零的。指定n+1个控制点P0,P1,…,Pn和m+1个节点u0,u1,…,um,由这些控制点和节点定义的度k的B-样条曲线是:
B-样条曲线的形状可通过修改控制点的位置、节点的位置或曲线的度来改变。注意,n,m和k满足m=n+k+1。通过重复某些节点和控制点,生成的曲线的起点和终点可被连接在一起,形成封闭的循环,其能够方便地用于编码分割对象的形状信息。
在初步分割之后,分割的ROI的形状的特点在于其轮廓,该轮廓使用均匀分布的n+1个控制点。然后,B-样条曲线可通过等式(2)至(3)来重建,这将是对象轮廓的近似。
图3A-3C示出了在样条函数生成过程中的感兴趣的器官区域的图像。图3A示出了由初步分割得到的图像320。在实施例中,图像320与图像280相同。图3B示出了图像340,该图像340具有来自导出的感兴趣的器官区域的轮廓的采样控制点302。图3C示出了具有种子点304的分割图像360,基于B-样条函数构造了该种子点。
连续相邻帧和切片中的组织可共享相似的形状信息,其可用于进一步细化分割区域。表示在最后一帧/切片中的n+1个控制点,指的是第i个控制点。可用于表示在当前帧或切片中的控制点。可实施各种方法来施加形状相似性约束。例如,可使的控制点的位置多样化,以使和的预定目标函数成为最优的。
例如,在当前的图像上,初步分割程序确定的区域用Ωcurr表示,并且表示其边界。由可确定最接近于中的第i个控制点的点:
其中d(·)代表距离函数(例如,欧氏距离)。点的集合可作为仅基于当前图像的信息将最后一帧或切片的形状信息添加到分割结果的新组织区域的控制点。
图4A-4D示出了在根据样条函数的分割过程中的感兴趣的器官区域的图像。图4A示出了由初步分割得到的图像420。在实施例中,图像420与图像280相同。图4B示出了具有前一帧的控制点404的图像440,其围绕选择点402根据样条函数获得。图4C示出了在当前帧中具有精细控制点406的感兴趣的器官区域的图像460。图4D示出了在根据样条函数的分割之后的感兴趣的器官区域的图像480。在实施例中,图像480与图像280相同。
图5示出了用于分割多个DCE图像中的每个图像的方法的流程图500。在步骤502中,将至少一个或多个DCE图像输入到用于处理和动力学建模感兴趣的器官区域的设备中。在步骤504中,将一个或多个DCE图像分割成前景(由组织组成)和背景(主要由空气组成)。然后在步骤506中,对分割的图像进行形态学处理。在步骤508中,进行连通分量分析。对于连通分量分析,为了使两个像素(比方说p,q)相连,它们的值都必须为二进制图像的1且像素应该相邻。在图像处理中,通常有两种类型的邻域。对于具有坐标(i,j)的像素p,通过以下等式得到一组像素:
N4(p)=t(i+1,j),(i-1,j),(i,j+1),(i,j-1)) (5)
这也被称为4-邻域连通分量分析。
为了确定8-邻域连通分量,使用下面的等式:
N8(p)=N4(p)∪{(i+1,j+1),(i+1,j-1),(i-1,j+1),(i-1,j-1)} (6)
如果两个像素值为1且在彼此的8-邻域内,则这两个像素被认为是8-邻域连通。
步骤508中的连通分量分析和步骤509中的种子点选择的结果用于在步骤510中产生组织掩码。在组织掩码产生510过程中,进行确定步骤512以确定组织掩码是否为第一帧。如果是第一帧,则在步骤514中产生控制点。该控制点在步骤516中获得。如果不是第一帧,则在步骤518中演化控制点。在步骤518中,如果前一帧的在位置(i,j)的像素p是控制点,则当前帧的在位置(i,j)的像素将被标记为控制点。将控制点的信息由前一帧演化成当前帧的过程称为控制点演化。步骤514和步骤518中所得到的控制点用于在步骤520中改善分割。在步骤521中,更新控制点和种子点。此信息有助于在下一帧或切片中分割感兴趣的组织。这些过程重复到最后一帧或切片,并在步骤522中产生输出结果。
图6示出了在配准感兴趣的器官区域过程中感兴趣的器官区域的图像。图6示出了从感兴趣的器官区域中选择的位置x(或202)处的图像220。图6还示出了由初步分割得到的图像280。图6(c)示出了如何在图像280中修剪选定的位置x、配准以及以更高的分辨率放大选定的位置,如图600所示。有利的是,通过修剪和放大选定的区域,配准的DCE图像会聚焦于感兴趣的器官区域。
图像配准过程中是要找到将一个图像f映射到另一个图像g上的变换Τ,使得衡量两幅图像的相似度的预定义标准被优化。刚性和非刚性变换都可被应用于配准。而刚性变换只允许平移和旋转两幅图像之间的位移,非刚性方法允许可变形地改变组织形状和尺寸,通过某种形式的插值或逼近方法删除现有体素(或信息)并产生新体素。有利的是,刚性方法往往保持对齐区域中的原始信息,通常比非刚性方法更强大和有效。
在实施例中,配准过程用于结直肠肿瘤。对于结直肠肿瘤,肿瘤的形成通常并不剧烈,且在修剪图像尺寸中只涉及轻微的变化。可使用使修剪图像的变化最大限度减小地基于互信息(MI)的刚性配准方法。对于刚性配准方法的应用,由于修剪图像尺寸的变化而导致的可能的丢失或增加数据能被视为组织浓度-时间曲线的离群值,这可通过模型拟合在动力学分析之前检测到。在下面将提供MI方法的更多细节,随后将提供其在DCE图像上的应用。
香农熵
pi表示出现图像中的强度i的频率,p(f)指的是图像f的直方图(即,强度分布)。那么香农熵定义为
H=-∑ipilogpi (7)
其测量图像直方图中的离散度。
联合熵
pi,j表示出现在一对图像中的一对强度(i,j)的频率,p(f,g)指的是图像f和g的结果的2-D直方图。如果图像被完全配准,则在2-D直方图中强度对的出现将非常集中(局部化)。另一方面,对于未对准的图像,2-D直方图中的离散度将很大。自然地,为了量化直方图离散的程度,联合熵可以以类似的方式定义:
H(f,g)=-∑i,jpi,jlogpi,j (8)
图像可通过最小化联合熵来配准。
互信息
两幅图像的互信息可被定义为:
其测量图像之间的内在依赖性。如果图像是独立的,那么pi,j=pipj且互信息为0。其可被示出为
I(f,g)=H(f)+H(g)-H(f,g) (10)
因此,最大化互信息相当于最大限度地减少联合熵。互信息包括单个图像的熵,这将有利于配准图像。
图7示出了在一段时间内的感兴趣的器官区域的配准过程中的感兴趣的器官区域的图像。对于DCE成像,通常在每个时间点(t)获得感兴趣组织的几个切片(或位置)。假设在每个时间点获得有ns个切片,并且在DCE数据集中有nt个时间点。对于在一个时间点t1的特定的切片,问题是要在时间tk的所有切片中找出与t1的目标切片最为对准的切片。要实现这一点,时间tk的每个切片将通过互信息法与在t1的目标切片配准,获得最佳的变换参数(平移和旋转)以及互信息的相应值。在配准时间tk的所有切片ns之后,具有最大互信息的切片将被选择为理想的候选。此配准过程在图11A中示例。
示踪剂曲线是指在由配准的DCE图像导出的体素或感兴趣的器官区域的造影剂浓度的变化。造影剂通常是指对引入到身体区域中的相对不透X射线的物质,以便在X线摄影显示中使内部部分与其周围组织形成对比。体素通常是指三维空间上的值。动力学建模通常通过将动力学模型拟合到在体素上导出或为感兴趣的器官区域导出的示踪剂曲线上来执行。
广义的Tofts模型
广义的Tofts模型通常用于拟合DCE图像,并且其余项函数由下面等式得到:
其中δ(t)是狄拉克δ函数和Ktrans是转移常数。vp和ve分别表示血管组分和间隙体积。
组织均匀性模型的绝热近似
组织均匀性的绝热近似(AATH)模型的余项函数由下面等式获得:
其中是单位阶跃函数,Tc是毛细血管传导时间,Fp是血液(血浆)流量,以及E是提取成分。这些参数与血管组分体积vp和渗透面积乘积PS相关:
因此,用于拟合AATH模型的自由参数是{ve,vp,Fp,PS}。
模型拟合
由DCE图像采样的组织示踪剂浓度-时间曲线Ctiss(t)使用上面的示踪动力学模型通过最小化下面的成本函数来拟合:
其中表示示踪动力学模型的参数,是卷积算子。Cp(t)是指示在供血动脉中的示踪剂浓度-时间曲线,并且其通常被称为动脉输入函数。图8示出了由采样DCE图像800上可见的降主动脉得到的示踪剂浓度-时间曲线810。图810绘制了相对于时间812的浓度814。
图9A示出了在移除组织的浓度-时间曲线中的离群数据点之前的组织的浓度-时间曲线Ctiss(t)。图9A示出了远离曲线920上的其它数据点(例如数据点910)的离群数据点902、904和906。可以使用稳建回归方法来检测离群数据点902、904和906。
图9B示出了在移除组织的浓度-时间曲线中的离群数据点之后的组织的浓度-时间曲线940。图9A所示的离群数据点902、904和906被移除了,并用图9B所示的***值来代替。未远离曲线上的其它数据点的数据点没有被移除,例如数据点910。以这种方式,可在模型拟合之前检测和移除离群数据点。
图10A-10D示出了传播形状信息如何能够有助于解决由于邻近的组织的欠分割问题。图10A示出了具有如1002所示的选定位置x0的感兴趣的器官区域的图像1020。然而,在成像过程中,邻近组织1004和结构可相对于彼此位移。分割的主要困难是偶尔出现的导致欠分割的毗邻的周边组织。
图10B示出了初步分割之后的感兴趣的器官区域的图像1040,其中与选定位置x0接触的邻近组织也被分割。图10B示出了包括选定位置1002和邻近组织1004的位置1006。
图10C示出了在传播由上一帧或切片获得的控制点1008之后的感兴趣的器官区域的图像1060。该控制点1008基于前一帧的导出轮廓并根据B样条函数来产生。图10D示出了根据B样条曲线控制点移除邻近组织之后的选定位置1010的最终结果1080。
图11A示出了在一段时间内的根据互信息方法在配准过程中获得的图像1102。图11B示出了在一段时间内的根据梯度相关方法在配准的过程中获得的图像1104。在图11A和11B这两个图像中,t=0时的图像1106作为配准后续图像1108、、1110、1112、1114,1116和1118的模板。互信息比较图像强度,而梯度相关计算图像梯度的相似性。通常,图像梯度比图像强度对噪声更敏感。然而,如果对象特征在整个对齐图像是一致的,则图像梯度在对象描述中可更具辨别力。由于内洗和外洗示踪剂,这可能不是真的DCE成像的肿瘤。对于图11A和11B所示的结果,从图像1112和1114可以看出,在时间点27s和32s的肿瘤,互信息法比梯度相关法能更好对齐相邻帧。
在DCE成像过程中,组织强度随着在一段时间内流经感兴趣的器官区域的内洗或外洗造影剂而变化。因此,组织图像特征在整个过程将是不一致的。例如在图像11A中,肿瘤的中心区域在约26秒后出现为低信号(hypo-intense)。依赖于对象特征诸如主动轮廓的检测的分割,将会在不同的时间点在DCE图像之中产生不一致的结果。
图12A示出了通过常规方法(例如B-snake方法)分割得到的图像1202、1204和1206。图12B示出了根据本发明实施例的方法得到的图像1252、1254和1256。作为主动轮廓模型,B-Snake方法根据对象边界演变轮廓,其中轮廓使用B样条来编码。该B-Snake方法会过分割这些图像,因为轮廓被肿瘤内的低信号区所包围。
图13A示出了根据本发明实施例的与动力学模型(例如AATH模型)相关的组织生理参数的映射1302、1304、1306和1308。图13B示出了与动力学模型相关的没有配准图像的组织生理参数的映射1310、1312、1314和1316。图13A示出的图像配准时产生的映射1302、1304、1306和1308,明确勾画了在组织中心附近的区域,其具有在等式(11)、(12)和(14)中提到的较低的PS,较低的vp和较高的ve。相比之下,图13(b)示出的没有配准的映射1310、1312、1314和1316,揭示了一种类似区域,但一般是嘈杂的。
如图14所示,计算设备1400进一步包括用于执行将图像呈现到相关显示器1430的操作的显示接口1402,和用于经由相关扬声器1434执行播放音频内容的操作的音频接口1432。
本文所使用的术语“计算机程序产品”可能是指,部分可移动的存储装置1418、可移动存储装置1422、安装在硬盘驱动器1412中的硬盘,或经由接口1450将通信路径1426(无线链路或电缆)上的软件运载到通信接口1424的载波。计算机可读介质可包括磁性介质、光学介质或其它可记录介质,或传输载波或其它信号的介质。这些计算机程序产品是将软件提供给计算设备1400的设备。计算机可读存储介质是指任何非暂时性有形存储介质,其将记录指令和/或数据提供给计算设备1400执行和/或处理。这种存储介质的例子包括软盘、磁带、CD-ROM、DVD、蓝光光盘、硬盘驱动器、ROM或集成电路、USB存储器、磁光盘或计算机可读卡(如PCMCIA卡)等,无论这种设备是在计算设备1400内部还是在其外部。暂时性或非有形计算机可读的传输介质的例子(其也可参与给计算装置1400提供软件、应用程序、指令和/或数据)包括无线电或红外线传输通道以及到另一台计算机或网络设备的网络连接,和包括电子邮件传输和网站上的信息记录等的互联网或内部网。
计算机程序(也称为计算机程序代码)存储在主存储器1408和/或次级存储器1410中。计算机程序也可经由通信接口1424来接收。这种计算机程序,在执行时,能使计算设备1400执行本文所讨论的实施例的一个或多个功能。在不同实施例中,该计算机程序,在执行时,能使处理器1404经由上述实施例的通信基础设施1406执行功能。因此,这种计算机程序代表计算机***1400的控制器。
软件可使用可移动的存储驱动器1414、硬盘驱动器1412或接口1420存储在计算机程序产品中并可加载到计算设备1400中。可选择地,计算机程序产品可在通信路径1426上下载到计算机***1400。该软件,在由处理器1404执行时,能使计算设备1400执行本文所述实施例的功能。
要理解图14的实施例仅是通过实例的方式来呈现。因此,在一些实施例中,可省略计算设备1400的一个或多个功能。此外,在一些实施例中,可集成计算设备1400的一个或多个功能。此外,在一些实施例中,可将计算设备1400的一个或多个功能分割成一个或多个部件部分。
本领域的技术人员应该意识到,在不偏离大致描述的本发明的精神或范围的情况下,可对本发明进行如具体实施例所示的许多变化和/或修改。因此,本实施例在各个方面都被认为是说明性的和非限制性的。
Claims (10)
1.一种用于动态对比增强(DCE)图像处理和动力学建模感兴趣的器官区域的方法,该方法包括:
从多个图像中的一个或多个图像至少导出感兴趣的器官区域的外部轮廓;
响应于从多个图像中的一个或多个图像导出的感兴趣的器官区域的外部轮廓产生样条函数;
根据样条函数分割感兴趣的器官区域;
配准其中已分割感兴趣的器官区域的多个图像;
导出配准的图像中的感兴趣的器官区域的示踪剂曲线,该示踪剂曲线指示在一段时间内流经感兴趣的器官区域的造影剂的浓度的变化;和
通过将动力学模型拟合到示踪剂曲线来动力学建模,以产生与动力学模型相关的组织生理参数的一个或多个映射。
2.根据权利要求1所述的方法,其中,分割感兴趣的器官区域包括:为多个包括感兴趣的器官区域的图像中的每个图像产生节片。
3.根据权利要求2所述的方法,其中,分割多个图像中的每个图像包括:
识别多个图像中的每个图像的感兴趣的器官区域的多个体素;和
响应于识别的多个体素将每个图像中的感兴趣的器官区域分割成节片。
4.根据权利要求3所述的方法,其中,产生样条函数包括:对导出的感兴趣的器官区域的外部轮廓编码信息以促进连续图像的分割。
5.根据权利要求1所述的方法,其中,感兴趣的器官区域是肿瘤。
6.根据权利要求5所述的方法,其中,该肿瘤是结直肠肿瘤。
7.根据权利要求1所述的方法,其中,动力学模型以Tofts模型为基础。
8.根据权利要求1所述的方法,其中,动力学模型以组织均匀性的绝热近似(AATH)模型为基础。
9.根据权利要求1所述的方法,其中,样条函数是B-样条函数。
10.一种用于配准感兴趣的器官区域的方法,该方法包括:
响应于多个动态对比增强(DCE)图像中的每个图像导出互信息;和
响应于互信息对准感兴趣的器官区域中的节片。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/SG2014/000481 WO2016060611A1 (en) | 2014-10-13 | 2014-10-13 | Automatic region-of-interest segmentation and registration of dynamic contrast-enhanced images of colorectal tumors |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107004268A true CN107004268A (zh) | 2017-08-01 |
Family
ID=55747022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480083962.6A Pending CN107004268A (zh) | 2014-10-13 | 2014-10-13 | 结直肠肿瘤的动态对比增强图像的自动感兴趣区域分割及配准 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10176573B2 (zh) |
EP (1) | EP3207522A4 (zh) |
CN (1) | CN107004268A (zh) |
SG (1) | SG11201703074SA (zh) |
WO (1) | WO2016060611A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768343A (zh) * | 2019-03-29 | 2020-10-13 | 通用电气精准医疗有限责任公司 | 用于促进检查肝脏肿瘤病例的***和方法 |
CN112368777A (zh) * | 2018-05-14 | 2021-02-12 | 皇家飞利浦有限公司 | 用于基于阈值来从体素模式生成感兴趣区域的***、方法和装置 |
CN112489093A (zh) * | 2020-11-19 | 2021-03-12 | 哈尔滨工程大学 | 声呐图像配准方法、装置、终端设备以及存储介质 |
WO2021115055A1 (zh) * | 2019-12-14 | 2021-06-17 | 深圳先进技术研究院 | 一种动脉输入函数曲线生成方法及装置 |
CN117496277A (zh) * | 2024-01-02 | 2024-02-02 | 达州市中心医院(达州市人民医院) | 基于人工智能的直肠癌影像数据建模处理方法和*** |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10810740B2 (en) * | 2016-07-20 | 2020-10-20 | Tel Hashomer Medical Research Infrastructure And Services Ltd. | System and method for automated characterization of solid tumors using medical imaging |
CN110018529B (zh) * | 2019-02-22 | 2021-08-17 | 南方科技大学 | 降雨测量方法、装置、计算机设备和存储介质 |
CN109949274B (zh) * | 2019-02-25 | 2020-12-25 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置及*** |
US12002203B2 (en) | 2019-03-12 | 2024-06-04 | Bayer Healthcare Llc | Systems and methods for assessing a likelihood of CTEPH and identifying characteristics indicative thereof |
AU2020349121A1 (en) * | 2019-09-18 | 2022-03-31 | Bayer Aktiengesellschaft | System, method, and computer program product for predicting, anticipating, and/or assessing tissue characteristics |
EP4031894B1 (de) | 2019-09-18 | 2023-06-07 | Bayer Aktiengesellschaft | Vorhersage von mrt-aufnahmen durch ein mittels überwachten lernens trainiertes vorhersagemodell |
CN110930362B (zh) * | 2019-10-23 | 2023-10-27 | 北京图知天下科技有限责任公司 | 一种螺钉安全检测方法、装置及*** |
CN111447171B (zh) * | 2019-10-26 | 2021-09-03 | 四川蜀天信息技术有限公司 | 自动化内容数据分析平台及方法 |
CN113673521A (zh) * | 2021-08-27 | 2021-11-19 | 中汽创智科技有限公司 | 一种分割数据标注方法、装置、电子设备及存储介质 |
CN118154602A (zh) * | 2024-05-10 | 2024-06-07 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 基于结直肠息肉ct影像数据集的图像分析方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101013503A (zh) * | 2007-01-26 | 2007-08-08 | 清华大学 | 一种医学图像中腹部器官分割方法 |
CN101623198A (zh) * | 2008-07-08 | 2010-01-13 | 深圳市海博科技有限公司 | 动态肿瘤实时跟踪方法 |
US20110257519A1 (en) * | 2010-04-16 | 2011-10-20 | Oslo Universitetssykehus Hf | Estimating and correcting for contrast agent extravasation in tissue perfusion imaging |
US20130202173A1 (en) * | 2008-02-19 | 2013-08-08 | vascuVis Inc. | Classification of biological tissue by multi-mode data registration, segmentation and characterization |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8014576B2 (en) * | 2005-11-23 | 2011-09-06 | The Medipattern Corporation | Method and system of computer-aided quantitative and qualitative analysis of medical images |
EP2321664A1 (en) | 2008-07-29 | 2011-05-18 | Board of Trustees of Michigan State University | System and method for differentiating benign from malignant contrast-enhanced lesions |
-
2014
- 2014-10-13 US US15/519,145 patent/US10176573B2/en not_active Expired - Fee Related
- 2014-10-13 CN CN201480083962.6A patent/CN107004268A/zh active Pending
- 2014-10-13 SG SG11201703074SA patent/SG11201703074SA/en unknown
- 2014-10-13 WO PCT/SG2014/000481 patent/WO2016060611A1/en active Application Filing
- 2014-10-13 EP EP14904094.1A patent/EP3207522A4/en not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101013503A (zh) * | 2007-01-26 | 2007-08-08 | 清华大学 | 一种医学图像中腹部器官分割方法 |
US20130202173A1 (en) * | 2008-02-19 | 2013-08-08 | vascuVis Inc. | Classification of biological tissue by multi-mode data registration, segmentation and characterization |
CN101623198A (zh) * | 2008-07-08 | 2010-01-13 | 深圳市海博科技有限公司 | 动态肿瘤实时跟踪方法 |
US20110257519A1 (en) * | 2010-04-16 | 2011-10-20 | Oslo Universitetssykehus Hf | Estimating and correcting for contrast agent extravasation in tissue perfusion imaging |
Non-Patent Citations (3)
Title |
---|
HUIJUN CHEN ET AL.: "Localized Measurement of Atherosclerotic Plaque Inflammatory Burden With Dynamic Contrast-Enhanced MRI", 《MAGNETIC RESONANCE IN MEDICINE》 * |
SARAH L. BOND ET AL.: "Non-rigid Registration for Colorectal Cancer MR Images", 《COMPUTER VISION FOR BIOMEDICAL IMAGE APPLICATIONS》 * |
TONG SAN KOH ET AL.: "Fundamentals of tracer kinetics for dynamic contrast-enhanced MRI", 《JOURNAL OF MAGNETIC RESONANCE IMAGING》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112368777A (zh) * | 2018-05-14 | 2021-02-12 | 皇家飞利浦有限公司 | 用于基于阈值来从体素模式生成感兴趣区域的***、方法和装置 |
CN112368777B (zh) * | 2018-05-14 | 2023-10-10 | 皇家飞利浦有限公司 | 用于基于阈值来从体素模式生成感兴趣区域的***、方法和装置 |
CN111768343A (zh) * | 2019-03-29 | 2020-10-13 | 通用电气精准医疗有限责任公司 | 用于促进检查肝脏肿瘤病例的***和方法 |
CN111768343B (zh) * | 2019-03-29 | 2024-04-16 | 通用电气精准医疗有限责任公司 | 用于促进检查肝脏肿瘤病例的***和方法 |
WO2021115055A1 (zh) * | 2019-12-14 | 2021-06-17 | 深圳先进技术研究院 | 一种动脉输入函数曲线生成方法及装置 |
CN112489093A (zh) * | 2020-11-19 | 2021-03-12 | 哈尔滨工程大学 | 声呐图像配准方法、装置、终端设备以及存储介质 |
CN117496277A (zh) * | 2024-01-02 | 2024-02-02 | 达州市中心医院(达州市人民医院) | 基于人工智能的直肠癌影像数据建模处理方法和*** |
CN117496277B (zh) * | 2024-01-02 | 2024-03-12 | 达州市中心医院(达州市人民医院) | 基于人工智能的直肠癌影像数据建模处理方法和*** |
Also Published As
Publication number | Publication date |
---|---|
EP3207522A4 (en) | 2018-06-13 |
EP3207522A1 (en) | 2017-08-23 |
US10176573B2 (en) | 2019-01-08 |
US20170243349A1 (en) | 2017-08-24 |
WO2016060611A1 (en) | 2016-04-21 |
SG11201703074SA (en) | 2017-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107004268A (zh) | 结直肠肿瘤的动态对比增强图像的自动感兴趣区域分割及配准 | |
Despotović et al. | MRI segmentation of the human brain: challenges, methods, and applications | |
Zhang et al. | Review of breast cancer pathologigcal image processing | |
JP6005297B2 (ja) | 磁気共鳴(mr)イメージにおける骨と軟骨の分類方法、および、データ処理システム | |
Erdt et al. | Regmentation: A new view of image segmentation and registration | |
Poudel et al. | Evaluation of commonly used algorithms for thyroid ultrasound images segmentation and improvement using machine learning approaches | |
Fatima et al. | State-of-the-art traditional to the machine-and deep-learning-based skull stripping techniques, models, and algorithms | |
CN110188792A (zh) | ***mri三维图像的图像特征获取方法 | |
Ma et al. | Efficient deep learning architecture for detection and recognition of thyroid nodules | |
Dokládal et al. | Topologically controlled segmentation of 3D magnetic resonance images of the head by using morphological operators | |
Egger | PCG-cut: graph driven segmentation of the prostate central gland | |
US20220301224A1 (en) | Systems and methods for image segmentation | |
Sridevi et al. | Survey of image segmentation algorithms on ultrasound medical images | |
Zeng et al. | Liver segmentation in magnetic resonance imaging via mean shape fitting with fully convolutional neural networks | |
Ye et al. | Medical image diagnosis of prostate tumor based on PSP-Net+ VGG16 deep learning network | |
Saddique et al. | A hybrid approach of using symmetry technique for brain tumor segmentation | |
Sivanesan et al. | Unsupervised medical image segmentation with adversarial networks: From edge diagrams to segmentation maps | |
Iqbal et al. | Potential lung nodules identification for characterization by variable multistep threshold and shape indices from CT images | |
Latha et al. | Performance analysis of machine learning and deep learning architectures on early stroke detection using carotid artery ultrasound images | |
Pociask et al. | Fully automated lumen segmentation method for intracoronary optical coherence tomography | |
Dou et al. | Tooth instance segmentation based on capturing dependencies and receptive field adjustment in cone beam computed tomography | |
CN111986216B (zh) | 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法 | |
CN108537802A (zh) | 一种血管分割方法及装置 | |
Pietka et al. | Open architecture computer‐aided diagnosis system | |
Sridhar et al. | Lung Segment Anything Model (LuSAM): A Prompt-integrated Framework for Automated Lung Segmentation on ICU Chest X-Ray Images |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170801 |
|
WD01 | Invention patent application deemed withdrawn after publication |